Odotukseni siitä, millaista materiaalia tulisin löytämään vapaavalintaiseen karttaani olivat tehtävää aloittaessa korkealla. Minulla oli alustava idea siitä, että haluan jollain tapaa visualisoida uhanalaisten eläinten esiintyvyyttä. Latasin ensimmäisen shp-datasettini IUCN Red List-sivustolta, mutta sain attribuuttitaulukkoa selatessani huomata, ettei se laajuudestaan huolimatta sisältänyt käyttökelpoista materiaalia. Lisäksi tiedostokoko oli massiivinen.
Suuret tiedostokoot osoittautuivat ongelmaksi muitakin etsintöjä toteuttaessa. Toisaalta olen joutunut perumaan 100 megan nettini säästösyistä ja pärjäilen nykyään taloyhtiön 10:llä megalla, joten ihmekös, että odottelua piisaa. Tehtävää olisi ehdottomasti kannattanut tehdä koulun tehokkaammilla koneilla, mutten saanut unta koko yönä ja jäin sen vuoksi kotiin.
Epätoivoisen, pitkällisen googlailun jälkeen löysin lopulta dataa, josta saattoi yhdistellä järkevän kartan. Suhteellista onnistumista edelsi monta vesiperää, kun ladattu materiaali ei vastannutkaan odotuksia. Alkuperäinen visioni olisi ollut jotain WWF:n julkaisun tapaista (kuva 1).
Kuva 1 Valaiden liikkeitä WWF:n infografiikassa. Kuva suurenee klikkaamalla.
Olisin halunnut löytää viivamuotoista dataa sinivalaiden migraatioista, mutta saatavilla oli ainoastaan pistekohteita. Jos osaisin koodata tai käyttää QGIS:ä paremmin, olisi WWF:n käyttämästä datasta todennäköisesti saanut tehtyä kuvaa 1 vastaavat käppyrät. Kaverini onnistui hetkessä luomaan oikeansuuntaista tuheroa jopa ChatGPT:tä promptaamalla. Minulla ei ole osaamista edes sopivien komentojen kokeiluun.
NOAA’s GeoPlatform tarjosi lopulta valmiin datasetin, jossa äärimmäisen uhanalaisen mustavalaan tärkeimmät elinalueet esitetään polygoneina. Nyt myös aiemmasta Red Lististä oli hyötyä, sillä mustavalaan koko elinalueen sai poimittua aiemmin tutkimastani aineistosta. Olin suunnitellut yhdistäväni tiedon merkittäviin laivaväyliin. Pidin itsestäänselvänä, että niin perustavanlaatuinen tieto olisi helposti saatavilla. Kaikkea sitä kuvitteleekin.
Tieto olikin periaatteessa olemassa rasterimuodossa ja liitin sen aluksi yhteen mustavalaiden elinalueiden kanssa. Kuva oli kuitenkin niin himmeä, ettei kartta luonut lainkaan toivomaani vaikutelmaa. Kykyni muokata rasterin tummuusastetta ei kokeiluilla parantunut, joten yritin tässä vaiheessa jo suunnilleen kymmenettä kertaa löytää sopivampaa dataa meriliikenteen vaikutuksista Atlantilla. Päädyin lopulta The World Bankin tarjoamaan Global Shipping Traffic Density- pakettiin vuodelta 2020. Siinä on yhdistetty sijantidataa kuudelta eri alustyypiltä, tankkereista huviveneisiin. Aikaa lataukseen kului kohtuuttomasti, eikä uusi kartta ollut edellistä kummempi. Hyvä puoli tosin oli, että aiempi data oli vuodelta 2008, eli auttamattomasti vanhentunut. Valaiden ja alusten lisäksi tarvitsin kartalleni mantereiden rajat, jotka hain Natural Earth-sivustolta.
Kuva 3 Mustavalaat ja laivaliikenne. Kuva suurenee klikkaamalla.
Valmis kartta
Liitin valmiiseen karttaan mukaan NOAA Fisheriesin infografiikan mustavalaiden loukkaantumisista ja kuolemansyistä. Valaita arvioitiin vuoden 2022 alussa olevan n. 360 yksilöä. Kanta on ollut laskussa vuodesta 2010 lähtien, sillä valaita kuolee ennenaikaisesti ja syntyy vähän. Vain noin 1/3 kuolinsyistä on pystytty dokumentoimaan. Tuntemattomien kuolinsyiden kanssa jaetulla ensimmäisellä sijalla ovat törmäykset alusten kanssa. Sotkeutuminen verkkoihin aiheuttaa suurimman osan eriasteisista vammoista ja on toisiksi yleisin kuolinsyy.
Karttani olisi kaivannut kolmannen polygonin, joka näyttäisi valaiden ruokailevan osan vuotta Atlantin itäisillä rannikkovesillä (kuva 4). Laivaliikenne on ruuhkaisinta juuri rannikoilla, jotka ovat myös mustavalaiden tärkeintä elinaluetta. Ajatukseni olikin kartan avulla havainnollistaa, miksi laivaliikenne on uhka mustavalaille, niin kuin kaikille muillekin valaille. On kiistatonta näyttöä siitä, että suoranaisten törmäysten lisäksi meriliikenteen tuottama melu häiritsee valaita. Valaiden ja delfiinien rantautumisten epäillään johtuvan juuri ihmisten tuottamista kovista vedenalaisista äänistä, joille mm. kaikuluotausta hyödyntävät eläimet ovat erityisen altiitta. Valaiden kokemaan stressiin voi kokeilla samaistua allaolevan Youtube-videon avulla.
Cooke, J.G. (2020). Eubalaena glacialis. The IUCN Red List of Threatened Species. Viitattu 28.2.2024.
https://www.iucnredlist.org/species/41712/178589687
Päivän ensimmäinen tehtävä oli kerätä materiaalia interpolointia varten. Jakaannuimme ryhmiin ja tallensimme numeromuotoista tietoa ympäristöstä Epicollect-sovelluksella. Kävelykierroksen jälkeen dataa käytettiin kuvan 1 kartan luomiseen. Tehtävä oli hauska ja konkreettinen, mutta seuraavassa vaiheessa en saanut interpolointia toimimaan toisella datalla.
Kuva 1 Opiskelijjoiden fiiliksiä Kumpulan kampuksen ympäristön turvallisuudesta.
Maanjäristys- ja tulivuorikarttoja
Toisen tehtävän tarkoitus oli tehdä hasardikarttoja, joita olisi mahdollista hyödyntää havainnolistavana materiaalina kouluopetuksessa. Mielikuvitukseni ei riittänyt järkevän opetuskokonaisuuden suunnitteluun, mutta ryhdyin siitä huolimatta luomaan karttoja. QGIS:n käytön harjoittelu lienee kuitenkin kurssin pääasia. Kursorinen suunnitelmani oli kartoillani havoinnollistaa, millaisia erilaisia syitä maanjäristyksille on maailmanlaajuisesti ja millainen yhteys niillä on järistysten magnitudiin.
Totesin hyvin pian, pienemmän magnitudin järistyksiä ole järkevää rajata pitkältä aikaväliltä. Pieniä järistyksiä oli niin paljon enemmän, että datan määrä kasvoi hallitsemattomiin mittasuhteisiin. Jälkikäteen ajateltuna olisin hyvin voinut rajata korkeamman magnitudin järistykset lyhyemmälle ajalle, mutta tehtävää tehdessäni päädyin pidempään aikaskaalaan. Eri tarkastelujaksot on ilmaistu selkeästi legendassa, mutta valinta on silti huono. Minun olisi selkeyden vuoksi pitänyt ottaa molempiin sama tarkastelujakso.
Kuva 2 Euroopan maanjäristykset ja tulivuoret.
Ensimmäiseen karttaan valitsin alueeksi Euroopan ja pistekohteina näkyviin sekä suuren ja pienen magnitudin järistykset että tulivuoret. Euroopan tuliperäiset alueet keskittyvät Islantiin ja Välimeren ympäristöön, erityisesti Italiaan ja Turkkiin. Opiskelijoiden kanssa voisi käydä kartan kanssa läpi syitä, joiden perusteella kohteet jakautuvat. Myös Pohjois-Euroopassa on havaittu rajattuna seitsemän vuoden jaksona pienen magnitudin järistyksiä. Mistä johtuvat Suomen maanjäristykset?
Tein karttoja harjoituskerran jälkeen atk-luokassa ja viereisessä pöydässä käyty keskustelu houkutteli minut katsomaan Heikki Säntin versiota tehtävästä. Blogista löytyikin jos mitä hienoa ja käyttökelpoista! Selvitin heti, miten QuickMapServicen satelliittikartan saa näkyviin ja rekisteröidyin myös GitHubiin ottaakseni saman litosfäärilaatat piirtävän GeoJSON -aineiston käyttööni. Kopioin ideat röyhkeästi, koska halusin päästä harjoittelemaan hienoa jälkeä tuottavien työkalujen käyttöä. Omaperäisyys on hyve, mutta toisaalta muiden blogeihin linkkailu oli kurssilla toivottavaa.
Kuva 3
Monen litosfäärilaatan saumakohdassa sijaitseva Japani oli luonteva valinta maanjäristys- ja tulivuorikartalle. Noin kaksi kolmasosaa maapallon tulivuorista sijaitsee Tyynenmeren tulirenkaalla, maanjäristyksistä siellä tapahtuu n. 90%. Opiskelijoille voisi laatia tehtävän, jossa he kuvan perusteella selostavat, miksi kartalla näkyvät maanjäristykset painottuvat voimakkaasti Japanin länsipuolelle.
Tehtävänannossa ohjeistettiin etsimään verkosta vastine omalle kartalle ja pohtimaan sen vastaavuutta itse tuotetun kartan kanssa. Tokion yliopiston maanjäristystutkimuskeskuksen esitys samasta aiheesta on selvästi vaikuttavampi kuin oma tekeleeni. Se on yksityiskohtaisempi, joten vaalea värimaailma on välttämättömyys erottumisen vuoksi. Yksityiskohtia on niin paljon, että kartalta asioiden löytäminen on luultavasti melko hankalaa.
Listaukset merkittävimmistä järistyksistä ja tulivuorista ovat dataa, jonka olisin mieluusti lisännyt omaan karttaani. Oikeassa alareunassa on maanjäristysten yksityiskohtia selittävä legenda, jonka lukemiseksi kuvakoko on liian pieni. Kartta on luultavasti alunperin tarkoitettu valtavaksi printiksi seinälle. Pääpirteeissään karttojen informaatiosisältö on yhtenevä.
Kuva 4 Kuva suurenee klikkaamalla.
Idean viimeiseen karttaan sain Siiri Lehtisen ja muun pöytäseurueen projektista, joiden työn tuloksia hyödynsin häikäilemättömästi. He olivat selvittäneet, miten maanjäristysten määrän sai jaoteltua valtiokohtaisesti. Käytin samaa heikompien järistysten dataa kuin aiemmin, koska niitä esiintyy maailmanlaajuisesti enemmän kuin korkean magnitudin järistyksiä.
En muista tarkistinko, puuttuuko osan valtioista data, vai ovatko arvot todella 0. Tietoa ei ole mm. Saharan alueelta ja Afrikan köyhimmistä valtioista, joten ei liene kyse siitä, ettei järistyksiä todellisuudessa olisi lainkaan. Enemmän kysymyksiä herättävät Paraguay ja Uruguay. Joka tapauksessa Tyynenmeren tulirengas ja mannerlaattojen törmäysvyöhykkeet ovat tässäkin kartassa asianmukaisesti korostuneet. Tein legendan otsikoinnissa virheen, siitä jäi puuttumaan oleellista tietoa. Tyydyin lisäämään sen kuvatekstiin.
Kuva 5 Valtiokohtaisen lukumäärän perusteella. Kuva suurenee klikkaamalla.
Kyseistä karttaa voisi käyttää vertailukohtana sille, millaisia mielikuvia opiskelijoilla on alhaisen magnitudin järistysten esiintyvyydestä. Yllättääkö joku kartan valtio? Muistavatko opiskelijat koskaan nähneensä uutisointia maanjäristyksistä, jotka eivät ole aiheuttaneet merkittävää vahinkoa? Minkä vuoksi Antarktikselta on olemassa maanjäristysdataa, muttei Somaliasta?
En päässyt lakon vuoksi yliopistolle. Pohdin mahdollisuutta käydä korvaamassa luento perjantaina, mutta arvelin luokassa olevan tuolloin ruuhkaista. Onneksi kurssitoverini Juho oli aiemmalla viikolla auttanut minua saamaan vihdoin VPN:n ja yhteyden yliopiston verkkoasemaan toimintaan, joten projekti oli mahdollista avata omalle koneelle. Moodlen tallenteet vaikuttivat ensivilkaisulla käyttökelpoisilta. Tallenteen sai myös pauselle jos tippui kyydistä, bonus!
Ero pöytäkoneeni ja yliopiston koneen suorituskyvyssä kävi ilmi välittömästi, kun klikkasin huvikseni korkeuskäyrät näkyviin. Aluksi luulin ettei mitään tapahdu, mutta kyse olikin vain prosessin hitaudesta. Note to self, tallennusnappi herkille kaatumisen varalta.
Harjoittelin bufferien tekoa ja tutustuin käänteiseen valintatyökaluun. Toivoin olevani valmiina varsinaiseen tehtävään, koska harjoittelun suhteen ei ollut suurempia vaikeuksia.
Aika, jolloin taistoa Malmin lentotoiminnan puolustajien kanssa ei ollut vielä voitettu
Kuvassa 1 näkyy tehtävän ensimmäinen vaihe. Tulos oli, että kahden kilometrin säteellä Malmin kiitoradoista asui tietokannan mukaan 58 802 ihmistä 4949 kohteessa. Otin tehtävänannon kirjaimellisesti ja piirsin kiitoradat polygoneina. Seuraavan tehtävän toteuttaminen olikin vaikeampaa. En millään keksinyt, miten rajauksen sisäisiä tietoja voisi filtteröidä. Malmin lentokenttä on rakennettu vuonna 1936, joten KAVU-kentästä pitäisi pystyä rajaamaan sitä suuremmat luvut, jotka ovat kilometrin säteellä kiitoradoista. Kokeilin kaikenlaista, mutta valaistumista ei tapahtunut. Sain tarpeekseni, joten tartuin oljenkorteen, jonka bongasin googlatessa. Taulukosta pystyi kopioimaan valinnan sisällä olleet rivit, joten siirsin ne Exceliin ja tein filtteröinnin siellä. Rivejä, joissa oli vuosiluku, oli taulukossa 807, joista 57 ennen vuotta 1936. Näin ollen vain noin 7% rakennuksista on ollut olemassa ennen kentän rakentamista.
Kuva 1 Bufferi 2 kilometrin säteellä Malmin lentokentästä.
Suuntasin Finlexiin tutkimaan ilmailulain historiaa. Nykyään Suomessa noudatetaan EU:n asettamia säädöksiä lentomelusta, mutta aiemmin asiasta säädettiin ilmailulaissa. Vanhin versio, jonka löysin, oli vuodelta 1923, mutten saanut lain tekstiä näkyviin. Kohtasin saman ongelman vuoden 1964 lain kanssa. Seuraavan kerran ilmailulaki oli uusittu vuonna 1995, jolloin melusta kerrottin pykälässä 20 näin:
“Ilma-aluksen on oltava niin suunniteltu, valmistettu, varustettu ja huollettu, ettei sen melusta ja muista päästöistä aiheudu ympäristölle vahinkoa tai merkittävää haittaa. Ilmailulaitos antaa tarkemmat melua ja muita päästöjä koskevat tekniset määräykset.”
Nykyään voimassa oleviin melua koskeviin säädöksiin verrattuna vuoden 1995 asiaa koskevat pykälät vaikuttavat melko suuripiirteisiltä (myös 78 §). Ei liene sen perusteella ihme, että Malmin kentän ympäristöön rakennettiin ahkerasti sen valmistumista seuranneina vuosikymmeninä, jolloin Helsingin väkiluku oli reippaassa kasvussa.
Helsinki-Vantaa
Piirsin kolme kiitorataa viivakohteina. Asukkaita kahden kilometrin säteellä tehdystä bufferista on 10 557, kohteiden määrän ollessa 2273. Kentän 65 bB:n melualueella on 37 kohdetta, joissa asuu 303 henkeä. Molempien alueiden leikkauskohtien sisään jää 6 kohdetta, joissa on 17 asukasta. Kuvassa 2 on kuvakaappaus melualueen lounaiskulmasta, jossa kuusi haarukoitua kohdetta sijatsee. Meluisimmalla alueella ei siis onneksi majaile suhteellisesti katsottuna juuri kukaan.
Lentoliikenne siirtyi Malmilta Helsinki-Vantaalle sen rakennusvuonna 1952. Kenttä rakennettiin kauas asuinalueista ja se on nykyäänkin lähinnä maalaismaiseman sekä teollisuusalueiden ympäröimä. Lentokentän ympäriajosta saa mukavan pyöräretken, suosittelen.
Kuva 2
Seuraava tehtävä oli mitata viivottimella 6,5 kilometriä poikkeustilanteissa käytössä olevan kiitoradan suuntaan kohti Tikkurilaa. Mikä sattuma, että viiva ylsi juuri käsittelyssä olleelle Malmin lentokentälle. Tämän bufferin sisällä kohteita on 1868, asukkaita 13 164. Melkoinen ero edellisiin lukuihin verrattuna.
Kuva 3
Tehtävän teko jatkuu myöhemmin.
a. 111 765
b. 516 193 = 21,65%
c. 74 989 = 67,10%
Taajamien asukkaat 496555 = 96,20%
Kouluikäiset = 56 244
Ensimmäisen harjoituksen aineisto oli valmis kartta QGIS-projektitiedostona sekä pistekohteina esitettyä tietoa pääkaupunkiseudun asukkaista. Tehtävänämme oli yhdistää pistetiedot luomaamme 1 km x 1 km -ruudukkoon ja visualisoida ruotsinkielisten osuus kyseisissä neliökilometrin ruuduissa. Valitsin väriteemaksi vaaleanpunaisen ja haalensin vaaleimpia värejä oletuksesta. Lopputulos on mielestäni kelvollinen.
Kuva 1 Ruotsinkielisten osuus pääkaupunkiseudulla. Pääkaupunkiseudun asutut alueet on jaettu neliökilometrin kokoisiin ruutuihin. Asukkaiden määrä ruuduissa vaihtelee 0 – 8091 välillä. Aineisto on vuodelta xxxx.
Kartassa on kuitenkin informatiiviset heikkoutensa. Siitä ei esimerkiksi ilmene, montako asukasta kussakin ruudussa on. Olin itse aluksi hämmentynyt arvoista, joissa ruotsinkielisten osuus on korkea, jopa 100%. Luonnollisesti kyse on ruuduista, joissa on esimerkiksi vain yksi asukas. Tieto pitäisi ehdottomasti saada välitettyä kartan katsojalle, jotta visualisointi ei olisi harhaanjohtava. Lisäsin tiedon kuvatekstiin, mutta se ei korjaa kartan ongelmia. Löysikö kukaan, miltä vuodelta käyttämämme luvut olivat?
Tein aluksi legendan kymmenen prosenttiyksikön välein. Sen jälkeen keksin, että haluan merkitä karttaan erikseen ruudut, joissa ruotsinkielisten osuus on 0 prosenttia. Samalla kun lisäsin nollan prosentin ruudut, vaihdoin intervallin 20:n. Mielestäni equal count (suomeksi?) sopii prosenttiyksiköiden ilmaisemiseen hyvin.
Pornainen kartalle
Neljännellä kurssikerralla käsittelimme ensi kertaa rasteriaineistoja. Palasin blogikirjoituksen pariin niin myöhään, että olin jo ehtinyt unohtaa harjoituksen vaiheet. Palautin tehtävää mieleen mm. Janella Lehtisen postausta lukemalla. Ennen varsinaista tehtävää pääsimme kokeilemaan, miten QGIS:llä lisätään karttaan rinnevarjostus tai korkeuskäyriä. Pohjakartta oli Pornaisista ja sen lähimaastosta.
Paarlahti kiinnitti harjoituksen aikana huomiomme luotujen korkeuskäyrien liialliseen tarkkuuteen, joka heikensi luettavuutta. Toisaalta silottamattomista korkeuskäyristä syntyi kiinnostavia efektejä esim. kartan alueella sijaitsevalle keidassuolle. Janella vertasi blogissaan luomiaan käyriä Paikkatietoikkunan saman alueen käyriin. Janella epäili maastokartan käyrävälin olevan suurempi, kuin luomassamme kartassa. Googlailuni perusteella näin ei kuitenkaan ole, vaan molemmilla on sama viiden metrin käyräväli. Tämän tiedon perusteella saman alueen kartan vertailu Janellan blogissa auttaa hahmottamaan, miten suuri merkitys liiallisen tarkkuuden aiheuttaman häiriön poistamisella on kartan käytettävyyteen.
Harjoituskerran varsinainen tehtävä oli lisätä valmiiksi asetetun rajauksen sisälle Pornaisten pääväylät ja asuinrakennukset. Tehtävä oli pitkälti työkalujen käytön harjoittelua. Kliksuttelussa oli samaa tunnelmaa kuin viime periodissa, jolloin vietimme tunteja Corel Draw:n parissa. Minulta loppui aika kesken, jonka vuoksi en kerennyt miettiä kartan värimaailmaa loppuun saakka. Näin jälkikäteen olen syvästi järkyttynyt valitsemistani väreistä. Jatkamme ilmeisesti saman kartan parissa viidennellä kurssikerralla, joten pääsen korjaamaan luomani iljetyksen. (Myöhempi huomio: Kartan värit tuli korjattua, mutta vähemmän rujolle versiolle ei ollut enää blogissa tarvetta.)
Kuva 2 Jestas, miten hirveältä kartta voikin näyttää.
Saavuin kolmannelle kurssikerralle myöhässä. Pikakelasin tunnin alussa tehdyt toiminnot, eikä niistä sen vuoksi jäänyt juurikaan muistikuvia. Bongasin tätä postausta varten Lena Hellstenin blogista selkeästi muotoillun referaatin harjoituksen kulusta. Dissolve- toimintoa käytettiin tarpeettoman yksityiskohtaisten tietojen liittämiseen kokonaisuuksiksi. Puuttuvat pinta-alatiedot lisättiin aggregate-toiminnolla. Seuraavat vaiheet olivat samoja kuin ensimmäisen itsenäisen harjoituksen lisätehtävässä.
Valuma-aluekartta ja piirakkadiagrammit
Tämänkertainen kartta havainnollistaa Suomen tulvaindeksiä kunnittain sekä järvisyysastetta piirakkadiagrammein. Tulvaindeksit sijoitettiin kartalle samalla tapaa kuin aiemmat koropleetit. Piirakkadiagrammin luonti tapahtui, kuten arvata saattaa, diagrams -valikosta, mutta yhtä lailla helmitaulua käyttäen.
Kohtasin monta hankaluutta tehtävän parissa. Edelleen tuntemattomasta syystä järvisyysprosentti ei muuntunut csv-tiedostosta oikein decimal-muotoon. Syntynyt sarake sisälsi pelkkää NULL:a. Virheen vuoksi jouduin tyytymään string-formaattiin, jonka muunsin QGIS:n omalla työkalulla decimaliksi. Decimal-muunnoksessa skandit olisivat halunneet taas rikkoutua, mutta tiesin jo edellisen tehtävän perusteella, mihin encodeen vaihtaa.
Piirakkadiagrammiin tarvittavien helmitaululla luotavien rivien kohdalla luin ohjeita huolimattomasti, joka johti ajan tuhlaantumiseen turhan pähkäilyn parissa. Kun vihdoin sain numerot oikein, ilmestyivät piirakatkin kartalle odotusten mukaisesti. Viivytysten vuoksi harjoituskerta lähestyikin jo loppuaan ja sain taas kerran jäädä säätämään viimeistelyjä omia aikojani. Minulla oli menoa illaksi, joten tyydyin lopulta puolivalmiiseen tulokseen, johon en ole tyytyväinen. Hyvä puoli myöhäisessä lähdössä oli, että pääsin vielä auttamaan toista kurssilaista samojen kysymysten suhteen, jotka olivat hidastaneet omaa työskentelyäni hetkeä aiemmin.
Kuva 1
Teemakartassa on merkittäviä ongelmia. Annoin jälleen natural breakin arpoa arvot koropleeteille, sillä en ymmärrä tulvien mekaniikkaa saati pohjaineistoa. Kokonaisuuden opiskelu pelkästään karttaa varten tuntui ylimitoiteltulta panostukselta. Selitteessä on muitakin harminaiheita. Olin aluksi aikeissa jättää joet pois kuvasta, jonka vuoksi unohdin palauttaa ne legendaan.
Kolusin valikon perusteellisesti etsiessäni tapaa muuttaa piirakkadiagrammin kuvake ympyräksi. Pettymyksekseni sitä ei löytynyt. Seikka on kuitenkin vain pieni yksityiskohta ulkonäössä. Legendan suurin puute lienee vihreän taustavärin selitteen puuttuminen. Kuten Lenan, minun olisi myös ollut syytä sisällyttää legendaan valuma-alueen ulkopuolinen alue selkeyden vuoksi. Pidän kartan värimaailmasta, mutta epäilen, että valkoisen värin merkitsevyys selittämättömään vihreään taustaan nähden voi olla hämäävää.
Kartan vakavin vika on luettavuudessa, eli sen puutteessa. Piirakoita on liikaa ja ne ovat liian suuria. Kokoa oli vaikea säätää, koska tulostusikkunan näkymä ei vastannut piirtonäkymää. Minulla ei ollut käytössä kahta näyttöä eikä riittävästi aikaa ongelman minimoimiseen. Piirakoiden alta ei erota tulvaindeksiä, jonka kuuluisi käsittääkseni olla kartan pääasia. Yritin vähentää piirakoiden tuottamaa haittaa lisäämällä niihin läpinäkyvyyttä, mutta ongelma piti pintansa. Kuten Pietu Nuortimo omassa postauksessaan totesi, valuma-alueiden piirakkadiagrammien koon suhteuttaminen valuma-alueen kokoon on hyödyllinen mahdollisuus. Mielestäni kyseisen kartan tapauksessa se toisaalta pahentaa piirakoiden peittävyyden aiheuttamaa ongelmaa. Kartan sisältämän informaation jakaminen kahdelle kartalle ja sijoittaminen vierekkäin voisi toimia ratkaisuna.
Samuli Haimi oli ratkaissut epäselvien piirakkadiagrammien ongelman esittämällä järvisyyden numerona ympyrän sisällä. Mielestäni tulos on onnistuneempi, kuin muut näkemäni toteutukset. Hän oli myös selitti tiivistetysti tulvien ja järvien yhteyttä, jota en itse viitsinyt jäädä pohtimaan.
Tutustuimme harjoituksen aluksi erilaisiin palvelintyyppeihin, joita voi avata suoraan QGIS:iin. Jotkut kaveripiirissäni ovat innostuneita OpenStreetMapista, joten yhteys siihen jäi mieleeni WCS-palvelimista puhuttaessa. Olin jo itsenäisessä harjoittelussani tutustunut pinnallisesti palvelinten käyttöön ohjelmistossa, joten käytännön toteutuksessa oli ennestään tuntemiani osuuksia.
Varsinainen tehtävä oli tuottaa esimerkkiä seuraamalla karttoja, joissa visualisoidaan eri projektioiden suhteellisia eroja. En olisi halunnut valita kaikista tavallisimpia vaihtoehtoja, joten tutkailin GIS Geographyn 50 Map Projections Types: A Visual Guiden ja muiden hakukonetulosten avulla, millaista hassuttelua olisi tarjolla. Lopulta totesin harmikseni, että vaikka erikoisuuksia projektioiden saralla riittää, mikään niistä ei ollut yhteensopiva aineistoni kanssa. Päästäkseni asiassa eteenpäin valitsin esimerkeikseni Natural Earth -projektion sekä perinteisen Mercatorin.
Natural Earth on maailmankartan kuvaamiseen suunniteltu kompromissiprojektio. Kulmissa, pinta-alassa ja pituuksissa tapahtuvat vääristymät on pyritty tasapainottamaan siten, että kartta kuvaisi maapalloa mahdollisimman totuudenmukaisesti. Mercator on oikeakulmainen projektio, jossa vääristymä kasvaa päiväntasaajalta loitotessa. Natural Earth-projektion kotisivulta poimitussa kuvassa 1 vertaillaan, miltä maailmankartta näyttää valitsemillani projektioilla.
Kuva 1 Natural Earth ja Mercator rinnakkain.
Tein tehtävän ohjeiden mukaan, enkä tällä kertaa vaivautunut säätämään luokkajakoa natural breakin antamasta valmiista ehdotuksesta. Asetin arvot suuremmasta pienempään, koska visualisoinnissa suurin vääristymä on pohjoisessa. Natural Earthin ero ETRS-TM35FIN-projektioon on pohjoisessa suurimmillaan 1,5-kertainen, pienimmillään etelässä 1,3-kertainen. Ero on mielestäni pienehkö, joten valitsin vihreän väriteeman erottaakseni kartan Mercatorista. Sen vääristymä on pienimilläänkin lähes nelinkertainen. Kiinnostavasti kuntarajat molemmissa projektioissa ovat samat, eli eroistaan huolimatta molemmat projektiot vääristyvät samassa suhteessa. Lapissa Mercator saa Suomen näyttämään pinta-alaltaan jopa kahdeksankertaiselta. Suur-Suomea ei tullut, mutta Mercator hyvittelee sen minkä kykenee.
Kuva 2 Kartta kuvaa ETRS-TM35FIN- projektion pinta-alan suhdetta Natural Earthin pinta-alaan.Kuva 3 Visualisointi, jossa Mercatorin pinta-ala on jaettu ETRS-TM35FIN-pinta-alalla.
Kotitehtävä
Harjoitusohjeessa 2 oli tarkoitus havainnollistaa, miten karttaprojektio, joka vaikuttaa pinta-alaan, voi vääristää teemakarttoja. Esimerkkinä oli väestöntiheys, joka lasketaan jakamalla väestömäärä alueen neliökilometreillä. Seurasin ohjetta ja tein ensimmäisen kartan vuoden 2024 kuntapohjaan, jonka olin tuonut wfs-palvelimelta. Lisäsin attribuuttitaulukkoon pinta-alan helmitaululla ja joinasin väestötiedon Moodlessa olleesta kansiosta, jossa on vuoden 2020 tiedot. Karttani on siis jonkinsortin Frankenstein. Valitsin modeksi equal countin (quantile), koska Taika Jaakkola oli todennut sen toimivaksi omassa harjoituksessaan, ja luotin hänen arvostelukykyynsä.
Muutin projektion ohjeessa mainittuun ESPG3035:n ja käänsin sitä 13 astetta. Tehdessäni karttaselitettä print layoutilla olin jo unohtanut, tajusinko laskea pinta-alan samalla projektiolla, vai käytinkö vahingossa palvelimen olettamaa ETRS-TM35FIN:iä.
Tällä ei kuitenkaan ollut käytännön merkitystä. Ero laskettujen pinta-alojen välillä on niin pieni, että kartoista tulee samanlaiset. Havaitsin tämän, kun kokeilin asiaa jäljittääkseni, olinko tehnyt virheen. Alunperin halu käyttää projektiota omassa tehtävässäni tarttui matkaan Gaius Erikssonin blogista. Hän oli tehnyt kyseisen projektion erosta ETRS-TM35FIN:n visualisoinnin, joka herätti mielenkiintoni. Olin sen perusteella olettanut, että pituuspiirikaistan siirtyminen olisi voinut vaikuttaa lopputulokseen. Jos Gaiuksen kartassa erot ovat prosentteina, ei liene ihme, ettei vaikuttanut.
Kuva 4 Suomen vuoden 2020 väestöntiheys visualisoituna EPGS3035-projektiolla.Kuva 5 Suomen vuoden 2020 väestöntiheys, jonka pinta-alana on käytetty Mercator-projektiosta laskettua pinta-alaa.
Toiseen karttaan tarvitsin projektion, joka tekee selkeän vääristymän väestöntiheyttä kuvaavaan koropleettikarttaan. Valitsin tutun Mercatorin. Tein kartan seuraavana päivänä eri koneella, joten siitä ei tullut aivan edellistä vastaava. Lisäsin tällä kertaa tuhannella jaettavan pinta-alan geometry toolseilla, koska aiemmalla tyylillä en ollut saanut edellisenä päivänä Mercator-karttaa oikeanlaiseksi. Taikan blogista olin jo nähnyt, miltä lopputuloksen pitäisi näyttää. Pohjakartaksi otin ETRS-TM35FIN:n, koska en viitsinyt enää säätää.
Aiemman esimerkin mukaisesti Mercatorin suurempi pinta-ala saa aikaan muutoksen väestöntiheyden laskemiseen käytettyyn arvoon ja tulos on pienempi. Näiden karttojen myötä toisen viikon harjoitus saatiin suoritettua \o/
Luennon alku oli kertausta paikkatietoon liittyen. Uutta tietoa minulle oli paikkatieto-ohjelmien tietokantatyypit ja niiden ominaisuudet. Teoriaosuuden jälkeen päästiin harjoittelemaan QGIS-ohjelmaa käytännössä (versio 3.28 Firenze). En muista käyttäneeni kyseistä maantieteilijän perustyökalua, ja olin odottanut kurssia, jolla sitä opetellaan ohjatusti. Minulla on turhauttavia kokemuksia, kun olen yrittänyt tutustua tuntemattomiin ohjelmistoihin omin päin. Lopulta käyttö on alkanut sujua, mutta matka on ollut tarpeettoman hidas ja työläs.
Kuva 1 Raportin kansilehti
Tuntitehtävä
Ensimmäisenä harjoituksena ryhmä teki koropleettikartan Itämeren typpipäästöistä. Ensivaikutelmani QGISin käytettävyydestä oli hyvä. Minulle jäi epäselväksi, mistä kaikki tietokannan data on peräisin, mutta typpipäästöihin liittyvän tiedon tarjosi The Baltic Marine Environment Protection Commission (HELCOM) raportti vuodelta 2013 (kuva 1).
Kartan tekeminen oli mukavaa ja yksinkertaista. Jouduin silti suunnilleen puolessa välissä ongelmiin, kun prosenttiosuudet jakaantuivat heti oikein, eikä minun olisi tarvinnut noudattaa Paarlahden ohjeita niiden korjaamiseksi. Jos olisin ollut viisas, olisin ohittanut asian ja jatkanut samassa tahdissa ryhmän kanssa, enkä jäänyt ihmettelemään asiaa. Onneksi viimeinen vaihe, kuvan visuaalinen säätäminen, onnistui jälkijunassakin kirjallisten ohjeiden ja vierustoverin tukemana. En oikein nauti punaisesta väriteemasta, mutta se oli valmiista vaihtoehdoista parhaiten käsiteltävää asiaa kuvaava. Valmiissa tekeleessä jäi hieman häiritsemään kartan vinous, mutta päätin jättää turhan hiomisen tällä kertaa välistä (kuva 2).
Myöhemmin minulle valkeni Taika Jaakkolan blogia tarkastellessani, että kartan vinous vaikuttaa myös pohjoisnuolen oikeellisuuteen. Kokeilin kotona, olisiko virhe helppo korjata, mutta kyllästyin tehtävään alkuunsa. Jos olisin viitsinyt luoda toisen version, olisin jättänyt Taikankin kyseenalaistamat syvyyskäyrät pois. Niillä ei tosiaan ole virkaa typpipäästöistä puhuttaessa.
Kiinnostuin myös Sanna Saarisen blogissaan esiin nostamasta kartan saavutettavuudesta. Kävin kokeeksi simuloimassa Pilestone -sivustolla, miten kuva näyttäytyy punavihersokeille. Tuloksen pystyy ilokseni hahmottamaan erinomaisesti (kuva 3).
Itsenäisesti suoritettava osuus
Kuva 2 Harjoituksessa aikaansaamani kuva. Punainen väri kuvaa eri valtioiden prosenttiosuuksia typpipäästöjen tuottajana vuonna 2013.Kuva 3 Pilestone -sivuston tarjoama visualisointi punavihersokeuden vaikutuksesta kartan väreihin.
Toisen tehtävän kanssa oli vaikea päästä liikkeelle, vaikka yritin katsoa osviittaa muiden postauksista. Halusin ensin kokeilla tehtävän helppoa osiota. Koropleettikarttaan valitsin visualisoitavaksi sarakkeen “ulkomaan kansalaisten osuus”, joka oli valmiiksi prosenttiosuuksina. Ihmettelin pitkään, miten saisin luvun näkymään oikein field calculatorilla, koska yksityiskohtaisia ohjeita ei ollut, toteutus ei mennyt samalla tavalla kuin harjoituksessa, enkä edes keksinyt, miten lähtisin asiaa googlaamaan. Viimein kuitenkin tajusin, ettei laskimella oikeasti tarvitse laskea, vaan työttömien valitseminen yksinään kenttään riittää. Duh. Kun olin selättänyt suurimman esteen, sujui ohjeiden seuraaminen ja tunnilla tehdyn muistelu sujuvasti.
Halusin muuttaa pohjoisnuolen ja mittakaavan värejä, koska huomasin mahdollisuuden Pietu Nuortimon blogipostauksessa olevassa kartassa. Vihreä värimaailma on minulle mieluisampi, kuin aiempi punainen. Kartan aihe on lisäksi latautunut, onhan kaupunkien segregaatio todellinen ongelma, joka odottaa toimivia ratkaisuja. Väreihin yhdistyy vahvoja mielikuvia, joita hyödynnetään esim. liikennevaloissa. Punainen merkitsee mm. vaaraa, vihreä voi symboloida luontoa tai oikeaa vastausta. Kartantekijän on siksi syytä olla varovainen värienkäytön kanssa, jottei neutraaliksi tarkoitettu kartta päädy luomaan tai vahvistamaan käsityksiä. Itämeren typpikuormituksen kohdalla punainen on mielestäni konnotaatiosta huolimatta sopiva väri, sillä asia ei liene vakavuudestaan huolimatta samaan tapaan kiistanalainen.
Värisäädön jälkeen oli vuorossa päättää, mikä olisi prosenttiosuuksille viisain jaottelutapa. Valitsin ensimmäiseen versioon natural breakin, jota tasailin hieman. Myöhemmin sain kuitenkin rakentavaa palautetta ystäviltäni, josta viisastuneena muokkasin luokat vaihtumaan noin viiden prosentin välein. Kritiikkiä tuli myös tunnilla Itämeri-karttaan tehdyistä jaotteluista. Lainaus: “Onks tää siltä huonojen karttojen terapiasivustolta?” Ne eivät mielestäni olleet täysin oma mokani, joten annoin asian olla.
Datan mukaan Suomessa ei ole kuntia, joissa ei asu lainkaan ulkomaalaisia. Tämä tieto yllätti minut, mikäli se pitää paikkansa. Kaikki kunnioitus niille ulkomaalaisille, jotka ovat päätyneet asuttamaan jokaista Suomen autioituvista kunnista!
Kuva 4 Ulkomaan kansalaisten osuus kunnan asukkaista prosentteina vuonna 2021.
Ihmettelin myös alkuun länsirannikon suurehkoa kuntaa, jossa on poikkeuksellisen suuri ulkomaalaisten osuus (~15%). Paikka paljastui Närpiöksi. Helsingin Sanomat julkaisi vuonna 2013 toimittaja Tapio Mainion kirjoittaman jutun otsikolla “Närpiössä eletään maahanmuuttajien varassa.“ Ingressi tarkentaa: “Närpiön tomaatit ja kurkut jäisivät poimimatta, jos ulkomaalaiset muuttaisivat pois paikkakunnalta.” Muistan nähneeni Närpiön viimeksi uutisissa, kun samaisten kasvihuoneiden sähkönkulutus oli Venäjän hyökkäysodasta alkaneen energiakriisin vuoksi otsikoissa. Helsingin Sanomien tekstin perusteella Närpiö on onnistunut siinä, mistä monessa paikassa vielä haaveillaan; maahanmuuttajat ovat kotiutuneet mainiosti, ollen tervetullut ja tarvittu osa pienen kunnan yhteisöä.
Poimin Helsingin Sanomien artikkelista grafiikan, josta selviää Närpiön ulkomaalaisväestön lähtömaat (kuva 5). Uudempaa tietoa olisi melko varmasti saatavilla, mutta uteliaisuuteni ei kantanut tämän pidemmälle.
Ulkomaalaisväestön listan korkeimman sijan 25,7 prosentilla vie Ahvenanmaan saaristossa sijaitseva Suomen pienin kunta Sottunga. Arvelisin väestön olevan siellä osittain ruotsalaista.
Kuva 5 Närpiön ulkomaalaiset vuonna 2013.
Viimeinen vaihe 22.1.
Minulla oli kunnianhimoa opetella tehtävän vaikeammatkin osuudet, mutta ohjeiden puuttumisen vuoksi olisin tuskin onnistunut siinä itsenäisesti. Pyysin siis apua geoinformatiikkaa opiskelleilta ystäviltäni. Lautapeli-illan päätteeksi pähkäilimme yhdessä esiin viimeisen tehtävän karttapohjan, johon liitin Tilastokeskuksen tilaston Elävänä syntyneet sukupuolen mukaan alueittain, 1990-2022. Valitsin tilastosta ladattavaksi ainoastaan vuoden 2022. Minun olisi pitänyt kirjoittaa tehdessä ylös läpikäydyt vaiheet, mutta hoksasin asian liian myöhään. Yritin ensimmäistä osuutta uudelleen, jolloin hain palvelusta vuoden 2023 kuntapohjan ja avasin sen tuttuun tapaan ESRI shapefilenä suoraan omista tiedostoistani. Ohjeessa olevaa linkkiä en saanut tekemään QGIS:ssä mitään, vaan siirryin osoitteen alkuosan perusteella GeoServerin pääsivulle, josta tein “kunnat”-tekstihaun.
Join -toiminnon kanssa oli mystisiä ongelmia. Ensin UTF-8 ei näyttänyt skandeja oikein ja se vaihdettiin googlauksen perusteella ISO8859-14:n. Tämä muutos ei auttanut varsinaiseen ongelmaan, joka oli se, ettei ID:tä ja lukuarvoa saanut asettumaan oikeille paikoilleen, vaikka kaikki vaikutti olevan kunnossa. Kaikenlaisten ratkaisujen testailun jälkeen ongelma korjaantui, kun liitettävästä csv-tiedostosta poistettiin ensimmäinen otsikko ja vuosiluku-kolumni. Samalla myös UTF-8 alkoi toimia. Kukaan meistä ei ymmärtänyt miksi näin tapahtui. Pohdin, olikohan merkitsevä muutos kuitenkin vain se, että tiedosto tallennettiin uudelleen Google Sheetsissä. Tällä konstilla oli Sampo Väätäjän blogissa saatu csv-dokumentti toimimaan. Jäljellä oli enää luokkien valinta ja visualisointi, jota jatkoin itsekseni.
Kuva 6 Suomessa elävänä syntyneet vuonna 2022.
Ennen lähtöäni kävimme ystävieni kesken aiheesta keskustelun, joka sai minut vaihtamaan kuvan 4 luokkajakoa. Maantietelijäystäväni oli sitä mieltä, että karttaa lukiessa epätasaisia luokkajakoja on vaikea hoksata, joka johtaa helposti virhetulkintoihin ja viestin vääristymiseen. Lukujen yltäessä nollasta 26:n oli mahdollista tasata luokat. Käytännön syyt estivät saman logiikan valinnan kuvan 6 kartassa. Pitkän mietinnän tuloksena päädyin vain kolme luokkaa sisältävään ratkaisuun. Ne ovat selkeästi hyvin erilaiset keskenään.
Yli tuhannen vuosittaisen syntymän kuntia oli vuonna 2022 vain seitsemän. Ensimmäiseen 1 – 300 kategoriaan lukeutuu 278 kuntaa. Keskimmäisessä kuntia on 24. Luokkien tasaisessa jaossa ei siis ole mieltä, koska eniten kuntia sisältävä alin luokka kattaa suurimman osan Suomen pinta-alasta, mutta edustaa silti tarkasteltavan asian kannalta samanlaista käytännön tilannetta. En oikein tiedä, miten kartan katsojan saisi havaitsemaan luokkien koon välisen epäsuhdan.
Kuva 7 Synnytyssairaalat ja niissä tapahtuneiden synnytysten määrät vuonna 2020.
Kiinnostavana verrokkina tekemälleni kartalle on THL:n Tilastorapostista vuodelta 2021 poimimani kuva 7. Siinä on jaoteltu Suomen tuolloin toiminnassa olleet synnytyssairaalat sen mukaan, onko niissä ollut vuoden aikana yli vai alle 1000 synnytystä. Karttoja vertaamalla havaitaan, ettei ole merkitystä sillä, syntyykö kunnassa 100 lasta (Uusikaupunki) vai 290 (Lohja). Palveluita on todennäköisesti joka tapauksessa vähänlaisesti, eikä kunnalla ole parhaat mahdolliset tulevaisuuden-näkymät. Myös tästä perspektiivistä erottaa hyvin Suomessa vallitsevan vaikean tilanteen, jossa eniten kuntia sisältävän luokan (278) lähimmät synnytyssairaalat sijaitsevat enimmäkseen loppujen 31 kunnan alueella. Keskustapuolueen tahtotila pitää maaseutu asuttuna näyttäytyy minulle monien lukujen valossa omanlaisenaan tuulimyllyjä vastaan taistelevana don Quijotena.
University of Helsinki
