Kuukausi: helmikuu 2024

Viimeisellä kurssikerralla testasimme oppimaamme oman karttaprojektin parissa. Tein itse kartan liittyen globaaliin energiankulutukseen. Muodoltaan karttani ovat melko yksinkertaisia koropleettikarttoja, jonka ohessa on piirakkadiagrammeja. Itse kartan muotoa suurempi haaste oli kuitenkin löytää sopivaa dataa ja saada se käyttökelpoiseen muotoon.

Pyrin valitsemaan kartalleni aiheen, jota tulisin todennäköisesti käsittelemään tulevaisuudessa. Opiskelen opettajaksi, joten hain inspiraatiota opetussuunnitelmista ja huomasin että energiankulutusta ja -lähteitä käsitellään kouluissa paljon. Valitsinkin ne karttani aiheeksi. Näistä aiheita löytyy myös paljon dataa. Päädyin lyhyen etsimisen jälkeen käyttämään Our World in Data -sivustolta löytyvää dataa. Sivusto on ymmärärtääkseni luotettava (sitä on suositeltu yliopistolla) ja sieltä löytyi hyvin laajasti energiaan liittyvää dataa. Latasin taustakartan kurssikerralla suositetulta Natural Earth Data -sivustolta.

Löytämäni energia-tietokanta oli hyvin laaja, joten jouduin karsimaan jonkin verran turhia rivejä ja sarakkeita helpottaakseni työskentelyäni. Tietokannassa oli dataa monelta eri vuodelta, mutta valitsin tarkasteltavaksi vuoden 2021, koska se oli tuorein vuosi, jolta löytyi tietoa lähes kaikista valtioista. Seuraavana haasteena data piti sijoittaa kartalle. Alkuperäisessä tietokannassa ei ollut sijaintitietoja, mutta sain datan yhdistettyä taustakarttaan valtioden koodien avulla. Olin positiivisesti yllättynyt, miten kattavasti käyttämäni taustakartta (countries -vektorikartta) tarjosi eri muotoisia maakoodeja yhdistämisen avuksi.

Valmiit kartat näkyvät kuvissa 1 ja 2. Karttojen yksityiskohdat erottuvat parhaiten hieman suuremmassa koossa kuin blogi mahdollistaa; tarkkaa tutustumista varten kuvat kannattaakin avata erilliselle välilehdelle koko näytön kokoon. Molemmat kartat kuvaavat energiankulutusta ja eri energianlähteden (uusiutuvat energianlähteet, fossiiliset polttoaineet ja ydinenergia) osuuksia energiantuotannosta. Kuva 1 kuvaa tilannetta globaalisti ja kuva 2 Euroopassa. Piirakkadiagrammin värit on valittu värisokeille sopiviksi Coolors-sivustolla, jota voin suositella kokemukseni perusteella.

Kuvan 1 kartasta näkyy, että asukaskohtainen energiankulutus on suurinta Pohjois-Amerikassa, Lähi-idässä ja osassa Euroopan valtioita. Piirakkadiagrammien koosta näkyy kuitenkin että suurin osuus kulutuksesta tapahtuu Aasiassa. Tämä johtuu Aasian valtioiden suuresta asukasmäärästä. Etelä-Amerikassa ja erityisesti Afrikassa kulutus on sekä absoluuttisesti että suhteessa asukastiheyteen hyvin pientä. Erot kulutuksessa johtunevat erityisesti elintasosta ja -tyylistä, mutta myös esim. ilmasto voi vaikuttaa. Esim. Suomessa lämmitys kuluttaa paljon energiaa. Kartasta myös näkyy että runsaita energianlähteitä hallitsevat valtiot (esim. Lähi-idän öljyvarannot) myös tyypillisesti kuluttavat paljon.

Piirakkadiagrammeista voi nähdä että selvä enemmistö energiasta saadaan edelleen fossiilisilla polttoaineilla. Kartoissa on huomioitu primaarinen energiankulutus, joka sisältää sähkönkulutuksen lisäksi myös esim. lämmityksen ja polttoaineet. Ydinenergian käyttö keskittyy erityisesti länsimaihin, kun taas uusiutuvia energianlähteitä käytetään erityisesti Etelä-Amerikassa. Etelä-Amerikan jäi kiinnostamaan minua. Alueella on rikkaat luonnonvarat, jotka varmasti selittävät uusiutuvan energian runsasta käyttöä. Esimerkiksi biopolttoaineet ovat kuitenkin yhteydessä sademetsien hakkuisiin, mikä ei ole kestävän kehityksen mukaista.

Kuva 1: Energiankulutus ja -lähteet globaalisti vuonna 2021. Valtioiden väri kuvaa asukaskohtaista energiankulutusta, kun taas piirakkadiagrammien suhteelliset koot kuvaavat eroja maanosien absoluuttisessa energiankulutuksessa. Piirakkadiagrammien värit kuvaavat eri energianlähteiden osuuksia maanosan energiantuotannosta. Lähteet: https://ourworldindata.org/energy ja https://www.naturalearthdata.com/downloads/.

Minulla oli jonkin verran haasteita piirakkadiagrammien kanssa. Ensin oli tekemässä jokaiselle valitolle oman piirakan, mutta esim. Euroopassa diagrammeja olisi ollut aivan liian tiheässä. Monista Afrikan valtioista myös puuttui energianlähteisiin liittyvä data, mikä näkyi tyhjinä piirakoina. Lopulta päädyin tekemään diagrammit erikseen maanosista. Tätä varten tein piirakkadiagrammeille kokonaan uuden karttatason. Alkuperäisessä taustakartassa ei ollut maanosia, joten piirsin uudelle karttatasolle maanosien sijaintia merkitsevät monikulmiot. Monikulmiot eivät ole näkyvissä lopullisessa kartassa, mutta niiden avulla piirakkadiagrammit asettuvat oikean alueen kohdalle. Maanosien  energiadata taas löytyi suoraan käytetystä tietokannasta, eikä sitä tarvinnut laskea erikseen.

Halusin tarkastella energianlähteitä myös valtiokohtaisesti ja tein siksi toisen kartan Euroopan alueesta (kuva 2). Kulutus on suurinta Pohjois-Euroopassa ja pienintä balkanin alueella. Myös energianlähteet eroavat maiden välillä. Suhtautuminen ydinenergiaan jakaa maita poliittisesti, mutta myös teknologian ja työvoiman saatavuus todennäköisesti vaikuttaa ydinenergian käyttöön. Eniten ydinvoimaa käytetään Rankassa, kun taas monessa muussa maassa ei ole lainkaan ydinvoimaloita. Myös uusiutuvien luonnonvarojen käyttö on poliittinen kysymys, mutta se riippuu myös luonnonvarojen saatavuudesta. Esim. Skandinaviassa käytetään tietääkseni runsaasti vesivoimaa, kun taas Islannilla on rikkaat geotermisen energian varannot.

Islanti erottuu kartasta poikkeuksellisen suurella asukaskohtaiselta energiankulutuksella, joka kuitenkin tulee täysin uusiutuvista lähteistä. Todellisuudessa uusiutuvan energian osuus ei ole aivan 100 %, mutta tietokannasta puuttuvan datan vuoksi muut energianlähteet eivät ole näkyvissä. Karttaa voisi vielä kehittää lisäämällä piirakkadiagrammeihin ”muu / data puuttuu” sarakkeen kuvaamaan osuutta kokonaistuotannosta, jonka tarkasta lähteestä ei ole tietoa. Tässä kartassa virhe on kuitenkin niin pieni, etten ruvennut korjaamaan sitä.

Kuva 2: Energiankulutus ja -lähteet Euroopassa vuonna 2021. Valtioiden väri kuvaa asukaskohtaista energiankulutusta, kun taas piirakkadiagrammien suhteelliset koot kuvaavat eroja absoluuttisessa energiankulutuksessa. Piirakkadiagrammien värit kuvaavat eri energianlähteiden osuuksia energiantuotannosta. Lähteet: https://ourworldindata.org/energy ja https://www.naturalearthdata.com/downloads/.

Lopulliset kartat onnistuivat melko hyvin. Kuten aina, olen väreihin vähän tyytymätön, vaikka käytin kyllä aikaa niiden valikointiin. Tuntuu, että itselleni selkeimmät värit ovat usein huonoja värisokeiden kannalta. Myös koordinaattijärjestelmän olisi voinut valita huolellisemmin. Varinkin Euroopan kartassa Robinsonin projektio näyttää kummallisen venyneeltä. Koitin löytää paremman projektion, mutta aikani loppui ennen kuin löysin mitään toimivaa. Myös piirakkojen koon säätäminen tuotti haasteita. Erot energiankulutuksessa ovat niin isoja, että osasta ympyröistä tuli todella pieniä. Piirakoiden lopullista kokoa oli myös vaikea arvioida, sillä se se näyttää tulostusasettelussa erilaiselta kuin karttaa muokatessa. Eurooppa-karttaa varten kasvatin piirakoita ja tein niiden reunaviivoista paksumpia, mikä selkiytti piirakoita hiukan.

Tekemäni kartat olivat sinänsä yksinkertaisia, mutta koen kuitenkin oppineeni niiden parissa paljon. Sain erityisesti lisää itsevarmuutta oman datan etsimiseen ja eteen tulevien ongelmakohtien ratkomiseen. Omatoiminen tekeminen oli myös innostavaa ja siihen jäi koukkuun. On myös hienoa nähdä, millaisia karttoja muut kurssilaiset ovat tehneet. Esim. Aapo Tuulentie blogista löytyy kartta köyhyyden ja murhien määrän yhteydestä USA:n osavaltioissa. Ainakaan omaan silmään kartasta ei näy selkeää yhteyttä, mutta aihe on kuitenkin hyvin kiinnostava. Muutenkin on innostavaa nähdä, miten erilaisia karttoja kurssilla on tehty. Kartoilla pystyy visualisoimaan lähes rajattomasti erilaisia aiheita, mikä motivoi ainakin itseäni oppimaan ja kokeilemaan sitä lisää.

Lähteet:

Tuulentie, A. (2024). VIIKKO 7: Oma kartta. https://blogs.helsinki.fi/aapotuul/2024/02/28/viikko-7-oma-kartta/ Viitattu 3.3.2024

https://www.naturalearthdata.com/downloads/ Viitattu: 29.2.2024

https://ourworldindata.org/energy Viitattu: 29.2.2024

https://coolors.co/ffbc42-86bdea-1a9e3f Viitattu: 29.2.2024

Tällä viikolla olin sairaana, siksi päässyt kurssikerralle. Sain kuitenkin tehtävät melko hyvin tehtyä kotoa käsin. Viikon kurssikerralla kerättiin oma pisteaineisto Epicollect-sovelluksen avulla. Luodusta pisteaineistosta luotiin erilaisia karttoja.

Kurssikerran alussa oli tarkoitus käydä keräämässä pistedataa esimerkiksi turvallisuuden kokemuksesta ja viihtyvyydestä eri paikoissa. Kävin myös itse pienellä kävelyllä keräämässä pisteitä Epicollect-sovelluksella. Sovelluksen käyttö oli helppoa ja olen käyttänyt sitä myös ennen maantieteen opinnoissa. Lopulta ehdin kuitenkin kerätä vain muutaman pisteen ennen kuin kännykkäni akku hyytyi kylmässä. Koska keräsin omat datapisteeni eri alueelta kuin muut kurssilaiset, käytin lopullisissa kartoissa vain muun ryhmän keräämiä pisteitä ja jätin omani karttojen ulkopuolelle.

Kuva 1: Kumpulan alueen datapisteet ja niissä koettu turvallisuus. Taustakarttana on OpenStreetMap-kartta.

Tein kerätystä aineistosta ensin pestekartan (kuva 1). Aluksi minulla oli hiukan vaikeuksia taustakartan kanssa. Koska pisteet tuotiin QGIS:iin maantieteellisinä koordinaatteina OpenStreetMap-taustakartta näytti ärsyttävän venyneeltä. Ongelma korjaantui kuin vaihdoin koordinaattisysteemin. Taustakartta on myös hiukan sekava ja pisteet katoavat värimaailmaan. Koitin kompensoida tätä kasvattamalla pisteiden kokoa. Taustakarttahaasteita lukuunottamatta pistekartan teko tuntui helpolta.

Uutena asiana opin tekemään interpolaatioita pisteaineistosta. Tein sekä pistekartat että interpoloidun kartan turvallisuuden kokemuksista pisteissä. Valmis, interpoloitu kartta on kuvassa 2. Olen tyytyväinen siihen, miten selkeä siitä tuli. Kartasta voidaan tulkita, että tienvarret ja erityisesti risteykset koetaan vähiten turvalliseksi. Tämä on loogista sillä liikenne aiheuttaa turvallisuusriskejä. Sen sijaan kartalla näkyvä puistoalue ja rakennusten sisäpihat koetaan hyvin turvallisiksi. Tulos saattaa olla riippuvainen vuorokaudenajasta; esim. puistoja pidetään uhkaavina pimällä. On myös hyvä huomata, että mikään kohde ei saanut heikompaa tulosta kuin 2/5.

Kuva 2: Turvallisuuden kokemus kumpulan alueella.

Onni Miettisen blogissa on vastaava interpoloitu kartta siitä, miten aktiivisesti ihmiset käyttävät alueita. On kiinnostavaa verrata karttoja. Kaikkein turvattomimmaksi koettu paikka risteyksessä on myös aktiivisimmin käytössä. Voidaankin olettaa että siellä turvattomuus liittyy ruuhkaisuuteen. Toisaalta eteläimpänä saman, ison tien varressa on alue, joka koetaan turvattomaksi, mutta on hyvin vähän käytetty. Olettaisin että siellä turvattomuutta luovat puutteet jalankulkijoiiden väylissä. Nämä oletukset toki perustuvat siihen, että tunnen aluetta itse jonkun verran ja kartoista voisi tehdä muitakin päätelmiä.

Kurssikerran toinen osa oli hakea itse pisteaineistoa netistä ja tehdä siitä karttoja. Kartat ovat kuvissa 3-5 ja ne kuvaavat erilaisia hasardeja. Karttoja oli innostava tehdä. Netistä löytyvissä tietokannoissa oli paljon erilaisia muuttujia, mikä mahdollisti luovuuden käytön kartta-aiheiden valinnassa. Koitin käyttää muuttujia, jotka olisivat mielekkäitä esim. opetuksessa.

Muutin kaikissa kartoissa projektiot Robinsonin projektioksi, jotta kartat eivät antaisi niin vääristynyttä kuvaa pinta-aloista. Parempiakin projektioita toki löytyisi, mutta valitsin Robinsonin kiireessä ”riittävän hyväksi” vaihtoehdoksi. Jäin miettimään, voiko projektiomuutos vähentää datan tarkkuutta, mutta ainakin silmämääräisesti data asettui oikein nätisti uuteen projektioon. Muutenkin olen lähtökohtaisesti tyytyväinen karttojen ulkonäköön, vaikka pieniä kehityskohteita löytyy aina.

Kuva 3: 2000-luvun meteoriittihavainnot meteoriitin koon mukaan.

Kuvan 3 kartasta voi huomata, että meteoriitteja on havaittu runsaasti jo pelkästään 2000-luvulla. Itse yllätyin, miten paljon suuriakin meteoriitteja tietokannasta löytyi. Todellisuudessa niitä olisi vielä enemmän, sillä kartalla näkyvät vain dokumentoidut meteoriitit. Kartassa on pisteitä erityisesti tiheästi asutuissa tai viljellyillä (esim. Yhdysvaltojen keskiosat) alueilla, joissa meteoriitit tulevat todennäköisemmin havaituiksi. Toisaalta myös kansalaisten tiedepääoma vaikuttaa meteoriittien havaitsemistodennäköisyyteen: esim. Antarktiksella on hyvin vähän ihmisiä, mutta suuri osa heistä on tutkijoita, joilla on todennäköisesti valmiuksia ja kiinnostusta luonnonilmiöiden tarkkailuun.

Uskoisin että kartta voisi olla kiinnostava keskustelunavaus opetuksessa. Sitä voisi käyttää myös esimerkkinä kriittisestä karttojen tulkinnasta: meteoriitit eivät todennäköisesti ”tähtää” kaupunkeihin, vaikka sieltä niitä erityisesti löytyykin. Nyt jälkiviisaana huomaan että pisteiden kokoeroja ja värejä voisi vielä säätää, jotta ne erottuisivat kartasta paremmin ja loisivat harmonisen kokonaisuuden.

Kuva 4: Maanjäristykset 1980-luvulta lähtien. Punainen liukuväri kuvaa maanjäristysten esiintymistiheyttä (vain yli 6 richterin järistykset) ja tähdet kuvaavat suurimpia yksittäisiä järistyksiä.

Kuvan 4 kartta kuvaa maanjäristysten esiintymistä. Kartasta voi huomata että maanjäristyksiä on määrällisesti eniten Australian koillispuoleisella merialueella. Siellä järistykset eivät kuitenkaan keskimäärin ole yhtä voimakkaita kuin esimerkiksi Etelä-Amerikan länsirannikolla. Kaikkein voimakkaimmat järistykset ovat tapahtuneet Thaimaan ja Japanin rannikoilla.

Karttaa voisi mielestäni käyttää hyvin opetuksessa. Sitä voisi esim. verrata mannerlaattakarttaan ja pohtia maanjäristysten syitä. Olen vähän tyytymätön selitteeseen, jossa punaiseen väriasteikkoon ei ole yhdistetty mitään arvoja. Heatmap-toiminto ei luonut automaattista selitekuviota ja joudui tekemään värineliön manuaalisesti. Lisäksi tähtisymboleita voisi vielä hioa harmonisemman vaikutelman luomiseksi. Keltainen väri tuntuu tosi räikeältä, vaikka toki selkeä erottuvuus on hyvä asia. Lisäksi tähdet voisi vaihtaa yksinkertaisempaan symboliin, joka erottuisi paremmin myös pienessä koossa. Jälkikäteen huomasin kaiken lisäksi, että tähti-symboleissa on automaattisesti varjostus, mikä sotkee liukuvärin tulkintaa. En kuitenkaan enää ehtinyt muuttaa sitä.

Kuva 5: Eri luonnonhasardien esiintyminen vuodesta 1964 eteenpäin.

Viimeiseen karttaan kokosin kaikki tarkasteltavat hasardit yhteen (kuva 5). Tämäkin kartta voisi toimia keskutelunavauksena opetuksessa. Voitaisiin esim. pohtia, että nämä dramaattisen tuntuiset hasardit ovat lopulta hyvin yleisiä. Kartasta voi myös havainnoida että maanjäristykset ja tulivuoret ovat tyypillisesti samoilla alueilla – siis mannerlaattojen saumakohdissa -, mutta siihen toimisi paremmin yksinkertaisempi kartta.

Tämä on mielestäni visuaalisesti onnistunein tämän viikon kartoistani. Dataa on todella paljon samalla kartalla, mutta sain mielestäni symbolit helposti erotettaviksi. Jouduin vähän säätämään maanjäristysten viivan paksuutta ja läpinäkyvyyttä, niin etteivät raksisymbolit peittäisi muita symboleja täysin alleen.

Kartassa on kuitenkin yksi selkeä ongelma: esitettyjen hasardien vakavuudet eivät ole vertailukelpoisissa mittasuheissa. Yli 7 richterin maanjäristykset ovat jo hyvin merkittäviä, kun taas 10 kg meteoriitti aiheuttaa vain hyvin paikallisen hasardin. Tulivuorenpurkauksista taas esitetään aivan kaikki tarkasteluaikana sattuneet purkaukset. Maanjäristyksiä oli pakko rajata melko rankalla kädellä, sillä muuten niiden suuri määrä olisi tukkinut koko kartan. Tulivuoritietokanta taas ei tarjonnut oikein mitään rajausvaihtoehtoja. Karttaa käyttäessä olisikin tärkeää tuoda mittasuhteet esiin, jotta oppilaille ei syntyisi turhia väärinymmärryksiä (esim. että meteoriitit aiheuttaisivat usein uhkaa ihmisille).

Lähteet:

Miettinen, O. (2024). kk6. Opmietti’s Blog. Viitattu 3.3.2024. Saatavilla: https://blogs.helsinki.fi/opmietti/2024/02/28/kk6/

Tällä viikolla käytettiin puskuri- eli bufferityökalua. Se osoittautuikin käyttökelpoiseksi työkaluksi erilaisissa kartta-analyyseissa. Harjoittelimme ensin opettajajohtoisesti ja teimme sitten tehtäviä itsenäisesti. Tehtävää jäi paljon myös kotiin, mutta samalla analyyseihin sai arvokasta rutiinia.

Bufferi on määrätylle etäisyydelle kohteestaan levittäytyvä vyöhyke, joka auttaa analysoimaan tutkittavan kohteen lähialuetta. Esimerkiksi lentokenttiin liittyvässä tehtävässä tutkimme, miten paljon ihmisia asuu lentokenttien läheisyydessä melualueella. Tehtävien tarkat vastaukset löytyvät taulukosta 1. 2 km alueella Malmin lentokentästä asui runsaasti ihmisiä (noin 60 000), mutta siirryttäessä 1 km bufferiin asukkaiden määrä pieneni selvästi (noin 9 000). Jotta tietoa voisi käyttää esim. kaupunkisuunnitteluun, olisi tärkeä tietää, miten kauas lentokoneiden melu todellisuudessa kantautuu. Nykyään Malmin lentokenttä on jo poissa käytöstä, joten kysymys on lähinnä hypoteettinen.

Taulukko 1: Tehtävien tulokset.

Malmin lentokenttä
Asukkaat lentokentän ympäristössä (2 km)	59446
Asukkaat lentokentän ympäristössä (1 km)	9071
Helsinki-Vantaan lentokenttä
Asukkaat lentokentän ympäristössä (2 km)	11276
Edellisistä yli 65 dB melualueella	0,15 % (17 asukasta)
Asukkaita vähintään 55 dB melualueella	11923
Poikkeuksellisen laskeutumissuunnan (Tikkurila) aiheuttamat altistukset min 60 dB melualueelle	13228
Asemat
Asukkaat min 500 m lähimmästä asemasta	111765, eli 22 % alueen asukkaista
Edellisistä työikäisiä	67 %
Taajamat
Taajamissa asuvien osuus alueen asukkaista	96 %
Kouluikäisiä taajamien ulkopuolella	2051
Osuus kaikista kouluikäisistä	3,9 %
Taajamia, joissa ulkomaalaisten osuus yli 10 %	56
Taajamia, joissa ulkomaalaisten osuus yli 20 %	21
Taajamia, joissa ulkomaalaisten osuus yli 30 %	14
Uima-altaat ja saunat
Asuinrakennukset, joilla on oma uima-allas	855 rakennusta
Näistä omakotitaloja	345
… paritaloja	158
… rivitaloja	113
… kerrostaloja	181
Asuinrakennukset, joilla on oma sauna	21922
Näissä asukkaita	291075
Osuus kaikista alueen rakennuksista	24 %

Helsinki-Vantaan lentokentästä löytyy myös meludataa, jota käytimme tehtävässä. Melualueiden sijainnit eivät riippuneet vain lentokentän etäisyydestä, vaan myös kiitoratojen muodot ja koneiden laskeutumisuunta vaikutti paljon. Poikkeustilanteessa lentokoneet ovat laskeutuneet myös Tikkurilan suunnasta: analyysini mukaan poikkeuksellinen laskeutumissuunta toisi 13 000 lisäasukasta vähintään 60 dB melualueelle. Laskeutumissuunnalla on siis valtavasti väliä, mikä tulee huomioida myös kaupunkisuunnittelussa. Bufferianalyysit olivat hyvää harjoitusta, mutta eri tehtävien tulokset eivät ole kovin vertailukelpoisia, kun olen käyttänyt eri kohdissa eri desibelirajoja (taulukko 1).

Tutkimme myös pääkaupunkiseudun asukkaiden sijoittumista asemien läheisyyteen ja taajamiin. Käytetyn alueen asukkaista 22 % asui vähintään 500 m päässä juna- tai metroasemasta ja 96 % asui taajamissa. Laskimme myös monia muita tunnuslukuja, kuten ulkomaalaisten määrää. Yllätyin hiukan siitä, miten monessa taajamassa ulkomaalaisten osuus oli suuri. Esim. 14 taajamassa oli jopa yli 30 % ulkomaalaisia. Toisaalta kartassa oli todella paljon taajamia (yht. 384) ja yksittäiset taajamat olivat niin pieniä että jo satunnaisvaihtelu voi selittää osan korkeista osuuksista. En myöskään ollut ihan varma, olisiko karttaaineistosta pitänyt leikata osa pois. Osa vektoriaineistosta asettuu taustakartan ulkopuolelle, mutta päädyin silti käyttämään kaikkea vektoridataa.

Kotitehtävänä tutustuin uima-altaiden ja saunojen sijoittumiseen pääkaupunkiseudun alueella. Pääkaupunkiseudulla 855 asutussa rakennuksessa oli oma uima-allas. Näistä suurin osa oli omakotitaloissa, mutta myös kerros- ja paritaloissa oli useita uima-altaita. Tulos ei ole yllättävä, sillä uima-altaita pidetään luksuksena ja siksi niitä on eniten muutenkin keskimäärin yleellisemmissä omakotitaloissa. Toisaalta kerrostaloissa on tyypillisesti paljon jaettuja tiloja (esim. pyykkituvat ja saunat), eikä uima-allas välttämättä tulisi kovinkaan kalliksi jaettuna kokonaiselle talolle. Saunat olivat kuitenkin selvästi yleisempiä: niitä löytyi jopa 21922 kohteesta, eli 24 % kaikista asutuista rakennuksista. Oikeastaan olisin olettanut saunojen olevan jopa vielä yleisempiä.

Kun yhdistin tietokannat asuinrakennusten uima-altaista ja kaupunginosista, pystyin vertaamaan uima-altaiden määrää eri kaupunginosissa. Eniten uima-altaita oli lauttasaaressa, missä niitä oli 53 rakennuksessa. Kaikkien kaupunginosien uima-altaiden määrät näkyvät kuvan 1 kartassa. Kartasta näkyy että uima-altaita on erityisesti Helsingin kantakaupungin lähialueella ja toisaalta rannikon lähellä. Tämä on hiukan yllättävää, sillä rannikon lähellä olisi muutenkin hyvä uimamahdollisuudet. Toisaalta näillä alueella asuu keskimäärin melko varakasta väestöä, mikä voi selittää uima-altaiden suosiota.

Kuva 1: Asuinrakennuksissa sijaitsevat uima-altaat pääkaupunkiseudulla.

Minulla oli kartan kanssa suuria haasteita, sillä kaupunginosia kuvaavan kartan geometriassa oli jotain vikaa. Lopulta löysin Antin blogista vinkin ”Fix geometries” -toiminnosta, joka ratkaisi ongelman. Yksi kaupunginosa jäi kuitenkin puuttumaan kartasta virheellisen geometriansa vuoksi. En myöskään ehtinyt hioa lopullisen kartan ulkoasua, enkä olekaan siihen lainkaan tyytyväinen. Värit eivät erotu toisitaan ja numerot ja pylväsdiagrammit asettuvat kartalle epämääräisesti.

Itsenäinen harjoittelu tuli tarpeeseen. Huomasin jo unohtaneeni osan komennoista, joita käytettiin aiemmilla kurssikerroilla. Erityisesti Join Attributes by Location -työkalun käyttö vaati kovasti muistelua. Toisaalta sopiva haastavuus teki tehtävistä palkitsevia.

Lähteet:
Pihlavisto, A. (2024). Viiden kurssikerta. Antin GIS-blogi. Viitattu 22.2.2024

Viides kurssikerta

Tällä viikolla opimme työstämään ruutukarttoja ja rastereita. Opimme myös visualisoimaan korkeusmalleja niin rinnevarjostuksella kuin korkeuskäyrillä. Samalla tuli kerrattua aiempien kertojen aiheita: esim. valintatyökalun käyttöä ja tasojen yhdistystä. Lopuksi harjoittelimme myös oman datan luomista. Siitä onkin hyvä jatkaa ensi viikolla.

Ensimmäisessä harjoituksessa teimme ruutukarttoja pääkaupunkiseudulle sijoittuvasta aineistosta (kuvat 1 ja 2). Kaikkia pääkaupunkiseudun asuttuja rakennuksia kuvaava pisteaineisto oli valtavan suuri, joten sitä piti yksinkertaistaa ennen visualisointia. Oli hämmentävää nähdä, miten tarkkaa tietoa kartoista löytyikään. Kun pistekartta muutettiin ruutukartaksi, data saadaan paremmin näkyviin. Kuvassa 1 kuvataan vieraskielisten osuutta eri ruuduilla ja kavassa 2 vastaavasti ruotsinkielisten osuutta.

Kuva 1: Vieraskielisten (muu kuin suomi tai ruotsi) osuus pääkaupunkiseudulla.

Kuva 2: Ruotsinkielisten osuus pääkaupunkiseudulla

Kuvia vertailemalla voidaan huomata, että ruotsin- ja vieraskielinen väestö asettuu keskimäärin eri alueille. Ruotsinkielinen väestö keskittyy pääkaupunkiseudun länsiosiin. Myös rannikolla ja aivan Itä-Vantaalla on ruotsinkielisten keskittymiä. Vieraskielisiä taas asuu erityisesti Vantaan ja Helsingin alueella. Yksittäisiä korkean esiintymisen ruutuja on myös rannikolla ja pääkaupunkiseudun pohjoisosissa. Tämä voi kuitenkin johtua siitä että kyseessä on harvaan asuttuja ruutuja, joissa yksittäisetkin ihmiset vaikuttavat osuuteen selvästi.

Veratailua vaikeuttaa se, että luokkarajat kulkevat eri arvoissa eri kartoissa. Jos olisi ollut enemmän aikaa, olisin muuttanut luokittelurajat vastaamaan toisiaan karttojen välillä. Tällöin kartat olisivat helpommin vertailtavissa. Sopivien rajojen valitseminen olisi kuitenkin vaatinut tarkempaa dataan tutustumista. Toinen kehityskohta olisi ruutukartan läpikuultavuus. Tein ruutukartasta hiukan läpinäkyvän niin että taustakartta näkyy hiukan läpi. Nyt kuvia katsoessa kuitenkin huomaan että läpinäkyvyyttä olisi voinut lisätä vielä enemmän. Kartoista on nimittäin vaikea arvioida, missä eri kaupunginosat sijaitsevat.

Itse koen ruutukartat hiukan haastaviksi tulkita. Erityisen haastavaa on havaita sijainteja, kun pohjakartta jää ruutujen taakse. Nimistön lisääminen taas tekisi kartasta melko sekavan. Uskoisin kuitenkin että ruutukartta voisi toimia tilanteissa, joissa kartta on hyvin tuttu (esim. maailmankartta), sijainti tarvitsee tietää vain hyvin karkeasti (esim. pohjois-etelä akselilla) tai ruutujen väliin jää enemmän tyhjää tilaa, niin että pohjakartta on paremmin näkyvissä. Toisaalta ehkä ruutukarttaa voisi käyttää välivaiheena esim. vyöhykekartan luomisessa (muistaakseni Tiedon esittäminen maantieteessä -kurssilla tehtiin näin).

Tarkastelin myös muiden kurssilaisten luomia ruutukarttoja. Erityisesti kiinnostuin Aten blogin kartoista, joissa sama ruutukartta oli tehty erikokoisilla ruuduilla. Pienet, 500 metrin pituiset ruudut mahdollistivat tarkemman yksityiskohtien tarkastelun. Toisaalta kokonaiskuvan saaminen on helpompaa 1 km pituisia ruutuja käytettäessä. Sopiva ruutujen koko riippuukin kartan käyttötarkoituksesta.

Kokonaisuutena kurssikerta syvensi jälleen ymmärrystäni geoinformatiikan menetelmistä. Erityisesti rastereiden käsittely ja oman datan luominen kartalle olivat itselleni ihan uusia asioita. Opin myös jälleen paljon uusia komentoja QGIS:issä. Suuria oivalluksia ei kuitenkaan syntynyt. Tämä ehkä siksi, että työskentelimme lähinnä opettajajohtoisesti, enkä ehtinyt pohtia aiheita erityisen paljon itse. Ensi kerralla on kuulemma tarkoitus työskennellä enemmän itsenäisesti, mikä sopiikin omaan oppimistyyliini.

Lähteet:

Nevala, A. (2024). Työskentelyä ruututeemakarttojen ja rasteriaineistojen parissa. https://blogs.helsinki.fi/nevalatt/2024/02/15/tyoskentelya-ruututeemakarttojen-ja-rasteriaineistojen-parissa/ Viitattu: 16.2.2024

Tällä viikolla tutustuimme erilaisten aineistojen yhdistämiseen ja muokkaamiseen. Opin yhden kerran aikana monia uusia työkaluja ja opittua pitää vielä sulatella. Kurssikerrasta jäi kuitenkin hyvä fiilis; tuntuu että osaan koko ajan enemmän ja pystyn käyttämään QGISiä itsenäisemmin.

Harjoittelimme kurssikerralla aineistojen yhdistämistä Afrikkaan liittyvällä aineistolla. Itse en viimeistellyt aineistosta valmista karttaa, mutta sellainen löytyy esim. Aapon blogista. Kuten yleensä, visuaalinen kartta vielä selventää datassa olevia yhteyksiä. Sekä tutkimani taulukko että valmis kartta näyttävät, että osa timanttikaivosten tai öljykenttien alueista on kokenut paljon konflikteja. Tähän sääntöön on kuitenkin paljon poikkeuksia. Kuten Aapon toteaakin, aineistosta ei voi vetää mitään varmoja johtopäätöksiä konfliktien ja luonnonvarojen yhteyksistä.

Joskus karttaaineistojen yhdistäminen mahdollistaa yhteyksien luomisen ilmiöiden välille ja antaa sitä kautta uutta tietoa. Esimerkiksi, jos konfliktialueiden ja luonnonvarojen väliltä löytyisi myöhemmissä analyyseissa selvä yhteys, voitaisiin pureutua konfliktien syihin. Voi olla että konfliktit ovat syntyneet, kun maat ovat taistelleet luonnonvaroista. Toisaalta internetin käytöstä kertova data voisi auttaa ymmärtämään, miten rikkaat luonnonvarat ja asukkaiden netinkäyttö liittyvät toisiinsa. Voisi esimerkiksi olettaa, että luonnonvarat johtavat vaurauteen ja sitä kautta edistyneen teknologian käyttöön. Toisaalta usein luonnonvarat eivät muunnu suoraan tavallisten ihmisten varakkuudeksi, vaan jakautuvat epätasaisesti.

Kurssikerran toisessa tehtävässä pääsimme tekemään itsenäisesti karttaa Suomen vesistöistä. Se olikin hyvää harjoitusta, sillä komentojen tarkat nimet eivät jääneet mieleen yhdestä kokeilusta. Valmis kartta näkyy kuvassa 1.

Kuva 1: Suomen vesistöjen tulvaindeksit ja järvisyysasteet. Tulvaindeksi kuvaa tulvariskin suuruutta ja järvisyys järvien prosenttia pinta-alasta.

Kartasta voi huomata, että järvisyysasteet ovat suurimpia Keski-Suomessa, kun taas tulvaindeksit ovat korkeimpia Etelä- ja Länsi-Suomessa. Tulos ei ole yllättävä, sillä rannikon lähellä on suuria jokia, joihin valuu keväisin suuria määriä lumen sulamisvesiä. Suurimman tulvaindeksin alueilla on suhteellisen pienet järvisyysasteet, mikä on loogista sillä järvet tasaavat vedenpinnan korkeusvaihtelua.

Maallikolle kartta voisi aluksi näyttää sekavalta, sillä siinä on todella paljon informaatiota. Myös käsitteet, kuten tulvaindeksi ja järvisyys voivat olla vieraita, jolloin ne olisi hyvä selittää esim. kuvatekstissä. Olen kuitenkin tyytyväinen kartan yleiseen selkeyteen. Mietin jonkin verran, voiko punaista koropleettikarttaa ja vihreitä ympyrädiagrammeja käyttää yhdessä värisokeiden katsojien kannalta. En kuitenkaan löytänyt parempaakaan väriyhdistelmää. Tässä kartassa on niin paljon värejä, että on vaikeaa löytää yhdistelmää, jossa kaikki värit erottuvat hyvin toisistaan ja luovat oikeanlaisen mielikuvan. Ajattelinkin, ettei väriyhdistelmä haittaa, kun punainen ja vihreä kuvaavat erilaista dataa, eikä niitä ole tarkoituskaan verrata toisiinsa.

Lähteet:

Tuulentie, A. (2024). VIIKKO 3: Tietokantoja. https://blogs.helsinki.fi/aapotuul/2024/02/05/viikko-3-tietokantoja/ Viitattu: 16.2.2024