Seitsemännellä ja viimeisellä kurssikerralla ohjeena oli tehdä karta itse valitusta aiheesta ja alueesta. Aiheen valitseminen oli vaikeaa, sillä oli niin paljon ideoita mitä toteuttaa. Päädyin lopulta valitsemaan aiheekseni suhteelliset luvut itsemurhista, ja arvosanat YK:n maailman onnellisimpien maiden raportissa. Vertailen siis kartassani itsemurhien määrää suhteessa väkilukuun ja maiden arvosanoja onnellisuus raportissa.
Kuva 1. suhteelliset itsemurhaluvut valtioittain ja niiden arvosanat YK:n onnellisimmat maat listauksessa
Suomi on YK:n onnellisuus raportin onnellisin maa, mutta itsemurhien määrää kuvaava punainen pallo on suhteessa aika suuri. Esimerkiksi Etelä-Sudanin vastaavaa lukua kuvaava pallo on lähes puolet pienempi, vaikka onnellisuus raportissa valtio on viimeisenä. Itsemurhilla ja pisteillä onnellisuus raportissa ei siis ole korrelaatiota.
Suurin itsemurhia kuvaava pallo löytyy Lesothosta, joka sijoittuu onnellisuusraportin häntäpäähän. Karttaa tulkitessa tulee huomata, että pallot eivät kuvaa itsemurhien lukumäärää, vaan niiden suhteellista lukua koko väestöstä. Itsemurhia tehdään esimerkiksi Koreassa määrällisesti huomattavasti enemmän kuin Lesothossa, mutta koska väkiluku on Koreassa niin suuri, että itsemurhien määrää kuvaava pallo jää suhteellisen pieneksi.
Opin tällä kerralla, että aineiston voi esittää kartalla myös erikokoisten pallojen avulla, tekemällä aineistosta yhden piirakan diagrammeja, jotka kasvavat aineiston mukaisesti.
Kurssikerta ei ollut helppo vaikka voisi niin kuvitella, kun on vapaat kädet kartan tekemiseen, mutta siitäkin selvittiin Arttu Paarlahden ja opiskelija kavereiden avulla.
Sanoin blogini alussa, etten identifioi itseäni GIS-velhoksi, enkä identifioi vieläkään, mutta sentään olen oppinut QGIS sovelluksesta ja sen hyödyntämisestä. Sampo Väätäjä sanoi blogissaan, että vaikka hän oli skeptinen kurssia kohtaan, se osoittautuikin hyvin mieluisaksi kurssiksi. Samaistun tähän täysin, sillä vaikka kurssin aikana tuli vuodatettua kyyneleitä, sain siitä silti paljon irti.
Tällä kurssikerralla asiat sujuivat itselläni ehkä parhaiten tällä kurssilla. En joutunut kovinkaan paljoa kyselemään apua, sillä ymmärsin mitä luennolla tapahtui ja karttojenkin teko sujui hyvin. Ehkä olen oppinut ja askeleen lähempänä GIS -velhoutta? Tai sitten aiheet vaan oli helpompia minulle. Opettelin Harjoitus 2. tehdessä käyttämään QGIS -sovelluksen heatmap toimintoa, jolla sain helposti kuvattua maanjäristykset ja tulivuoret samalle kartalle (kuva 4) ilman, että kartta menee umpeen erinäisistä pisteistä.
Harjoitus 1
Kurssikerta alkoi ulkoilulla, kun ensimmäisen harjoituksen tehtävänä oli kerätä kampuksen ympäristöstä dataa Epicollect5 -sovelluksella esimerkiksi alueiden turvallisuudesta ja viihtyvyydestä. Harjoittelimme kerätyn datan avulla interpolointia ja teimme kartat perustuen turvallisiksi koettuja paikkoja (kuva 1). Sininen väri edustaa turvalliseksi koettua tilaa ja punainen väri turvattomaksi koettua tilaa. Turvattomiksi koettuja kohtia oli esimerkiksi Physicum- rakennuksen edessä olevat portaat, jotka ovat luultavasti koettu turvattomiksi niiden jääpeitteen ja liukastumisvaaran takia. Turvallisiksi alueiksi oli merkitty esimerkiksi hiekoitettu tie arabianrannassa ja Arabian kauppakeskuksessa sijaitsevan Lidlin paistopiste.
Kuva 1. Kumpulan kampuksen ympäristön alueella koettu turvallisuus.
Harjoitus 2
Toisessa harjoituksessa laadimme eri hasardeista karttoja, joita esimerkiksi voisi käyttää opetuksessa. Valitsin tehdä kartan yli 6 magnitudin maanjäristysten esiintymisestä (kuva 2), tulivuorten esiintymisestä (kuva 3), sekä kartan, jossa esitän molempien esiintymisen.
Kuva 2. Maanjäristykset maapallolla vuosilta 2000-2024.Kuva 3. Tulivuoret maapallolla.Kuva 4. Maanjäristysten ja tulivuorien esiintyvyys vuosina 2000-2024.
Mielestäni tekemäni kartat sopisivat todella hyvin opetukseen. Kartoilla esitetään selkeästi missä maanjäristyksiä tapahtuu ja millä voimakkuudella, missä tulivuoret sijaitsevat, sekä yhdistetyssä kuvassa miten maanjäristyksien ja tulivuorten välillä on jonkinlainen yhteys, etenkin alueilla, joissa ilmenee tektonista aktiivisuutta.
Tuottamillani kartoilla voidaan opettaa esimerkiksi maanjäristyksille alttiita alueita, missä Tyynenmeren tulirengas sijaitsee ja mitä siellä tapahtuu, sekä merenalaisen tuliperäisen toiminnan sijainnista.
Kuva 5. Helsingin Sanomien havainnollistava kuva tyynenmeren tulirenkaasta (hs.fi)
Löysin Helsingin sanomien (HS, 2022) tuottaman kuvan Tyynenmeren tulirenkaasta (kuva 5), jossa on huomattavasti yksinkertaistetummin esitetty Tyynenmeren tuliperäistä toimintaa. Kartta on lisäksi epäselvempi, kuin itse tuottamani kartta, sillä Helsingin Sanomien kartassa on ilmeisesti merkitty aktiivisia tulivuoria keltaisin merkein, mutta kartassa ei ole tätä kerrottu, vaan lukija joutuu itse päättelemään mitä merkit voisivat tarkoittaa. Tosin oma karttani jakaa Tyynenmeren tulirenkaan kahtia, jonka takia sekään ei ole paras mahdollinen opetusväline esittämään tulirengasta. Tyynenmeren pituutta ei omasta kartastani löydy, mutta Helsingin sanomien kartasta löytyy, joten molemmissa on plussia ja miinuksia.
Heikki Säntti (Säntti, 2024) toteaa blogissaan, että litosfäärilaattojen rajat olivat oiva lisä karttaan, ja tottahan Heikki puhuu. Ne olisivat tehneet kartasta selkeämmän ja entistä informatiivisemman, joten hieman harmittelin, että ne jäivät puuttumaan.
Lähteet
Helsingin sanomat. 23.2.22. Helsingin sanomat.Tyynenmeren tulirengas voi vielä viedä kesän maailmasta – Tongan purkaus oli vasta yskäisy. https://www.hs.fi/tiede/art-2000008577756.html
Tällä kertaa en päässyt paikanpäälle kurssikerralle laskiaisen takia, joten tein kurssikerran harjoitukset itsenäisesti kotona. Itsenäinen työskentely edellisten vuosien video-ohjauksilla sujui hyvin, mutta kun piti alkaa tekemään itsenäisiä tehtäviä, menin aivan solmuun. Onneksi ystäväni Sampo Väätäjä (2024) osasi auttaa minua, jotta pääsin asioissa edes hieman eteenpäin.
Harjoitus 1
Jatkoimme viime kerralla aloittamaamme Pornaisten keskustan editointia lisäämällä sinne koulu ja terveyskeskus. Sitten harjoittelimme buffer -työkalun käyttöä (kuva 1) laskemalla rakennusten ja asukkaiden määriä eri asiayhteyksissä.
Kuva 1. Buffer harjoittelua
Bufferin käyttö tuntui helpolta minulle, mutta esimerkiksi oikeiden asioiden esiin saaminen QGIS -sovelluksessa tuotti vaikeuksia. Pähkäilin itsenäisiätehtäviä lähes 7 tunnin ajan, kunnes kysyin muiltakin ystäviltäni apua, ja vasta silloin kuulin, ettei tehtävät ole pakollisia. Hieman ärsytti, että olin suunnilleen itku silmässä koittanut tehdä tehtäviä, mutta toisaalta ei kai harjoitus ikinä pahaksi ole.
Harjoitus 2
Kyseiset itsenäiset tehtävät olivat vaikeimpia tehtäviä tällä kurssilla. Ymmärsin käytännössä mitä tuli tehdä, olin silti aivan hukassa ja sain outoja vastauksia. Onneksi kaverit auttoivat eteenpäin.
Neljäs kurssikerta pyöri rasteriaineistojen ympärillä ja se alkoi piste- ja ruutuaineistoihin tutustumisella. Tutkimme aineistoille tyypillisiin elementteihin ja kävimme läpi malliesimerkkejä.
Harjoitus 1
Ensimmäisenä harjoituksena oli tehdä ruutukartta pääkaupunkiseudun rakennus- ja väestötieto datasta. Teimme yhteisen kartan, jonka jälkeen meidän tuli tehdä omat teemakartat. Valitsin tehdä teemakartan, josta näkee minne ruotsinkieliset painottuvat pääkaupunkiseudulla. Aluksi kartta näytti ruotsinkielisiä olevan eniten siellä, missä on ylipäätänsä on eniten asukkaita, joten jaoin ruotsinkielisten osuudet kaikilla asukkailla, jotta sain luvun prosentteina. Lähdin tunnilta kiireellä ja unohdin tallentaa työni, joten jäljelle jäi vain tämä keskeneräinen kuvakaappaus kartasta.
Kuva 1. Ruotsinkielisen väestön painottuminen pääkaupunkiseudulla
Selkeät ruotsinkielisten keskittymät ovat Helsingin, Espoon ja Kauniaisten keskustoissa, sekä niiden välittömässä läheisyydessä. Krista Hakala (Hakala, 2024) pohtii blogissaan Itä-Helsingissä olevaa keskittymää, mutta se luultavasti johtuu rajanaapurista Sipoosta ja sen rajanaapurista Porvoosta, jossa asuu paljon ruotsinkielistä väestöä.
Harjoitus 2
Aloitimme digitoimaan Pornaisten keskustan alueelle vieviä teitä ja taloja QIS -sovelluksessa. Huomasin heti, että QGIS on hieman työläämpi sovellus digitointiin kuin aikaisemmin käyttämissäni paikkatieto ja digitointi -sovelluksissa. Digitoiminen jatkuu ensi kurssikerralla.
Kolmannella kurssikerralla jatkoimme tutun QGIS sovelluksen käyttöä. Tunti oli itselleni haastava, sillä vaikka pysyin opettajan mukana siinä, mitä toimintoja käytimme ja mitä nappeja painoimme, en silti ymmärtänyt MITÄ tosiasiassa teimme tiedostoille. Voin erittäin hyvin samaistua Pietu Nuortimon (Nuortimo, 2024) toteamiseen blogissaan, että ainakin Join attributes- ja Field calculator-toiminnot tulivat erittäin tutuksi kurssikerralla, sillä tuntui, että niitä hyödynsimme molemmissa harjoituksissa jatkuvasti.
Harjoitus 1
Tällä kertaa yhdessä läpikäytävänä harjoituksena oli erilaisten aineistojen tuominen QGIS:siin ja niiden liittäminen valmiiseen Afrikan valtiot sisältävään tietokantaan (kuva 1). Liitimme tiedostoja, jotka sisälsivät dataa öljykenttien, timanttikaivosten ja konfliktien sijainneista, ja pohdimme niiden välisiä yhteyksiä.
Tutkiessamme niitä, huomasimme, että jonkinlaisia yhteyksiä esimerkiksi timanttikaivosten ja konfliktien määrillä oli, mutta datasta löytyi myös ääripäitä, kuten Etelä-Afrikka, jossa on valtavasti timanttikaivoksia, ja konflikteja todella vähän, jos edes sitäkään. Tosin kaikkia konflikteja, eikä myöskään timanttikaivoksia tai öljykenttiä ole välttämättä ilmoitettu.
Visualisoimme datan kartalle, ja onnistuin siinä mielestäni todella hyvin. Valitsin konflikteille symboliksi punaiset rastit, timanteille turkoosit nelikulmiot ja öljykentille valitsin väriksi haalean oranssin. Afrikan mantereen värin vaihdoin harmahtavan beigeksi, jotta kartta olisi mahdollisimman selkeä kaikille lukijoille, myös esimerkiksi värisokeille. Karttani on mielestäni hyvin informoiva, ja siitä löytyy oleelliset asiat.
Kuva 1. Öljykentät, timanttikaivokset ja konfliktit Afrikassa
Harjoitus 2
Seuraavaksi siirryimme itsenäisesti työskentelemään toisen harjoituksen pariin. Toisessa harjoituksessa tuli laatia tulvaindeksi valuma-alueille, ja luoda järvipinta-alaa suhteessa maapinta-alaan kuvaava diagrammi. Olin jo ensimmäisessä harjoituksessa hukassa siitä, mitä me teimme, joten tiesin jo etukäteen, että toisessakin harjoituksessa tulee ilmenemään ongelmia. Sain kuitenkin (ihan liian monien) mutkien jälkeen tiedot visualisoitua ihan järkevän näköiseksi kartaksi. Jouduin useaan otteeseen pyytämään neuvoja, sekä opettajalta, että opiskelukavereilta ja en olisi todellakaan saanut tätä tehtyä ilman heidän apuaan. Tosin, kun sain itse jonkin toimimaan, pystyin vuorostani auttamaan myös muita, jonka takia en vaipunut epätoivoon, sillä tehtävä oli selkeästi hankala kaikille.
Kuva 2. Valuma-alueiden tulvaindeksi, sekä järvialueiden osuus maapinta-alasta (ympyrädiagrammit).
Valmis kartta on mielestäni selkeä, ja väritykseltään tarpeeksi yksinkertainen, jotta oleelliset asiat tulevat siitä helposti ilmi.
Tällä kurssikerralla opin uusia QGIS ominaisuuksia ja työkaluja, sekä sen, että en tule kurssikerroille enää ilman kahvikuppia, sillä Tiistai päivät ovat minulla pitkiä ja iltapäivästä alkaa väsyttämään, jolloin ei oikein jaksa keskittyä.
Toisella kurssikerralla jatkoimme QGIS harjoittelua. Tällä kurssikerralla opetus painottui karttaprojektioihin, joiden lisäksi kertasimme viimeviikon asioita, opettelimme eri tiedostomuotoja, tutustuimme palvelinosoitteisiin ja kokeilimme WFS tiedostojen latausta QGIS sovellukseen.
Ensimmäinen harjoitus
Toinen kurssikerta alkoi viimeviikolla oppimamme kertauksella, jonka jälkeen aloimme opettajamme Arttu Paarlahden opastuksella tekemään ensimmäistä harjoitusta. Opettelimme käyttämään työkaluja, joihin emme olleet vielä aikaisemmin tutustuneet kuten valintatyökalut.
Tämän jälkeen tutustuimme eri datan lähteisiin, tiedostomuotoihin ja palvelinosoitteisiin. Kokeilimme ladata Tilastokeskuksen ja Väyläviraston WFS tiedostot QGIS sovellukseen ja tutkimme niiden ominaisuuksia.
Toinen harjoitus
Alustuksena karttaprojektioiden tutkimiseen vertailimme, miten aineistoon merkattu kahden pisteen välinen etäisyys, sekä aineistoon merkatun alueen pinta-ala muuttuu projektiota vaihdettaessa. Aluksi vertailimme vain lukuja Excelissä, jolloin projektioiden välillä oli huomattavissa jo suuria eroja. Sampo Väätäjä (Väätäjä 2024) kommentoi blogissaan, ettei osannut odottaa etäisyyksien olevan niin merkittäviä eri projektioiden välillä, ja yllätyin siitä itsekin. Tässä vaiheessa pysyin hyvin perillä mitä tuli tehdä, ja opin esimerkiksi miten mittatyökaluja käytetään sovelluksessa.
Toisen harjoituksen toisessa osassa tutkimme näitä samaisia eroja alueellisesti ja miten erot näkyvät kartalla. Verrattavaksi projektioksi tuli valita oikeapintainen tasoprojektio, sillä tutkimme nyt pinta-alaan liittyvää dataa. Valitsin vertailtavaksi projektioksi TM35FIN projektion, ja verrattaviksi projektioiksi Mercalin projektion (kuva 1), Robinsonin projektion (kuva 2) ja Wagner V projektion (kuva 3).
Kuva 1. Mercatorin projektio suhteessa TM35FIN projektioon (%).
Mercatorin projektio vääristää pinta-alaa suhteessa TM35FIN projektioon sitä enemmän, mitä pohjoisemmaksi kartalla edetään (kuva 1).
Kuva 2. Robinsonin projektion pinta-ala suhteessa TM35FIN projektioon (%).
Robinsonin projektio vääristää pinta-alaa suhteessa TM35FIN projektioon samalla tavalla kuin Mercatorin projektio (kuva 1), mutta ei yhtä pahasti. Tajusin vasta jälkikäteen, että olisi ollut fiksua muokata jakauman värejä niin, etteivät vääristymät olisi niin radikaaleja, sillä erot ovat suhteessa Mercatorin projektioon huomattavasti pienempiä.
Kuva 3. Wagner V projektio suhteessa TM35FIN projektioon (%).
Wagner V projektion pinta-alan vääristymät eroaa selkeästi Mercatorin- (kuva 1) ja Robinsonin projektioista (kuva 2). Vääristymät ovat huomattavasti pienempiä kuin muissa projektioissa, sekä vääristymät painottuvat kartalle ihan eri tavalla. Pohjoisimmassa lapissa on suurin vääristymä, jonka jälkeen Etelä- ja Keski-Suomessa on seuraavaksi suurimmat vääristymät. Koilisessa ja kaakossa pienimmät vääristymät pinta-alassa.
Huomasin vasta jälkikäteen, että karttojen 1,2 ja 3 otsikosta uupui prosenttimerkki, jonka takia karttojen legendat jäivät epäselväksi. Tästä johtuen henkilö, jolle data ei ole entuudestaan tuttu, ei välttämättä saisi kartasta paljoa tietoa.
Opin luennolla QGIS sovelluksen käytöstä ja, että kartat kannattaa tarkistaa kunnolla, jotta niistä löytyy tarpeeksi tietoa ja ovat selkeitä lukijalle.
Kurssin MAA-202 ensimmäisellä kurssikerralla muistelimme QGIS sovelluksen toimintoja ja harjoittelimme sen käyttöä. QGIS ei ole täysin vieras sovellus minulle, sillä Johdatus geoinformatiikkaan maantieteessä kurssilla opettelimme jo vähän sen käyttöä. Vaikka sovellus olikin jo entuudestaan tuttu, en todellakaan olisi osannut käyttää sitä itsenäisesti ilman, että kävimme ensimmäisen harjoituksen läpi yhdessä.
Ensimmäinen harjoitus
Ensimmäinen harjoitus oli koropleettikartan muodostaminen Itämeren rannikkovaltioiden aiheuttamista typpipäästöistä (kuva 1).
Kuva 1. Itämeren typpipäästöjen lähteet valtioittain
Teimme ensimmäisen harjoituksen yhdessä vaihe vaiheelta, joten kartan tekeminen sujui helposti varsinkin, kun kavereilta sai samalla apua. Eniten päänvaivaa aiheutti kartan värien valitseminen, sillä niiden pitää olla selkeät, jotta haluttu tieto on helposti luettavissa, mutta ne eivät saa olla liioiteltuja. Kurssin vetäjä Arttu Paarlahti sanoikin meille luennolla, että jos tällaista karttaa lähtee tekemään joku tietty agenda mielessä, tulee jättää kartan tekeminen sellaiseen hetkeen kun mielentila on neutraalimpi, sillä karttoja ei saa tahallisesti liioitella.
Kartastani jäi uupumaan prosenttiluvut, jotka olisi voinut valtioiden kohdalle lisätä, jotta se olisi ollut vielä selkeämpi ja informatiivisempi, mutta muuten mielestäni onnistuin kartan tekemisessä hyvin. Värit ovat selkeitä ja kartasta erottuu helposti tieto, jota sillä halutaan jakaa, eli ne valtiot, jotka aiheuttavat suurimmat typpipäästöt Itämereen. Sampo Väätäjä (2024) muutti karttansa muut maat harmaiksi Taika Jaakkolan inspiroimana ja kommentoi, että “Kartan viestin kannalta relevantit maat myös korostuvat paremmin uusilla väreillä.” viitaten muiden maiden värin vaihtoa vihreästä harmaaksi. Olen tästä samaa mieltä, sillä punaiset sävyt erottuvat vielä selkeämmin harmaalla merkityistä maista, lisäksi se helpotta punavihervärisokeiden kartan lukua.
Heikki Säntti (2024) pohtii blogissaan tekemämme teemakartan sisältöä, ja etenkin sitä, miksi Puola tuottaa niin suuren osan Itämeren typpipäästöistä, vaikka sillä on huomattavasti vähemmän rantaviivaa kuin esimerkiksi Suomella. Typen päälähteenä on maatalous (European Environment Agency, 2016) ja vuonna 2016 Puolassa oli 13,5% eli toisiksi eniten maatiloja koko Euroopassa ja niiden pinta-ala oli yhteensä 14,4 miljoonaa hehtaaria (Eurostat, 2019). Suomessa vuonna 2021 oli 44 700 maatalous- ja puutarhayritystä ja niiden pinta-ala oli 2,3 miljoonaa hehtaaria (Luonnonvarakeskus, 2021). Suomen ja Puolan väliset erot maataloudessa ovat siis hyvinkin suuria, ja tämä voi olla selittävä tekijä Puolan suurille typpipäästöille.
Toinen harjoitus
Oppimamme perustein, teimme kotitehtävänä teemakartat valitsemallamme vaikeustasolla. Valitsin vaikeustason 1, sillä en vielä tässä kohtaa kutsuisi itseäni GIS-velhoksi. Tein teemakarttani ruotsinkielisten ihmisten osuuksista Suomessa kunnittain (Kuva 2). Koitin valita karttaani mahdollisimman neutraalin, mutta selkeän värin, jotta teemakartan olennaisin asia, eli tieto ruotsinkielisten osuudesta tulisi siitä helposti ilmi. Mielestäni onnistuin kartan tekemisessä hyvin sekä visuaaliselta, että tekniseltä kannalta.
Sopivan luokkajaon valitseminen osoittautui suurimmaksi haasteeksi, sillä jokainen niistä painottaa tietoa eri tavoin. Päädyin valitsemaan luokkajaoksi Natural Breaks, eli luonnollisiin luokkaväleihin perustuvan luokituksen, mielestäni sillä kartan sai neutraaliksi, mutta selkeäksi tiedon kannalta. Hienosäädin luokkavälejä hieman, sillä muuten luokkavälien suurin ja peräkkäisen luokkavälin pienin arvo olisivat olleet samat. Hyödyntämäni datan mukaan Suomessa on 20 kuntaa, joissa ei asu ollenkaan ruotsinkielisiä, joten päätin lisätä vielä luokan nolla, jotta kartasta erottuu myös selkeästi kunnat, joissa ei datan mukaan asu lainkaan ruotsinkielisiä.
Kartasta voidaan päätellä ruotsinkielisen väestön jakautuvan melkein kaikkiin suomen kuntiin, mutta erityisesti painottuvan länsi- ja etelärannikoille, sekä Saaristo-Suomeen. Keski-Suomessa on pieniä kuntarykelmiä ja muualla Suomessa muutamia yksittäisiä kuntia , joissa ei asu datan mukaan lainkaan ruotsinkielistä väestöä.
Kuva 2. Ruotsinkielisten osuus Suomessa kunnittain
Valmiista kartasta erottuu mielestäni selkeästi kaikki luokat, legenda on selkeä ja lisäsin karttaani vielä koordinaattijärjestelmän, jotta siitä löytyisi mahdollisimman paljon informaatiota sen lukijalle. Mielestäni karttaesitykseni kartografinen taso ja sen informaatioarvo ovat hyvät lukijalle, joka ei tunne aineistoa.
University of Helsinki
