Vivi

Haloo! Jos jäi epäselväksi niin blogi on valmis! Done! Finito! Jne.
Tai kuten Eemil nätimmin ilmaisi: “Se oli siin, kiitos kurssista!”

Arttu, anna arvosana pls

t. Vivi

LÄHTEET
Becker, Eemil. Se oli siin, kiitos kurssista!. (28.3.2018)
https://blogs.helsinki.fi/beemil/  (luettu 28.3.2018)

Noniin nyt on viimeinen kurssikerta takana ja viimeisetkin kartat tehty. Tehtävänä oli etsiä omatoimisesti jokin mielenkiintoinen aihe ja tehdä siitä karttaesitys. Tie karttojen syntymiseen ei ollut helppo lähinnä siksi, että aiheen keksiminen oli niin vaikeaa. Selasin tuntikausia erilaisia aineistoja inspiraation toivossa. Aineistoa oli samalla aivan liikaa ja liian vähän. Lopulta päätin tehdä kartan maasta, joka on ollut jo pitkään ollut ”pakko joskus päästä tänne” -listallani. Maa on Nepal. Mieleeni tuli aikaisemmalla kurssikerralla käytetty maanjäristystietokanta. Lopulta aiheeksi muotoutui Nepalin vuoden 2015 kaksi tuhoisaa maanjäristystä, jotka tapahtuivat 25. huhtikuuta ja 12. toukokuuta. Ensimmäinen niistä oli 7,8 Magnitudia ja toinen 7,3.

Prosessi lähti alkuun sopivan Nepalin pohjakartan etsimisellä. Halusin näkyville myös jonkinlaisen aluejaon väestömäärineen, mikä osoittautui hieman hankalaksi, sillä Nepalin voi jakaa alueisiin kolmella eri tavalla eli kehitysalueiden, provinssien ja piirikuntien mukaan. Kaiken lisäksi aluejakoa oli muutettu vuonna 2015, joten en löytänyt uusien provinssien mukaista aluejakoa. Päädyin lopulta käyttämään piirikuntia. Aineistossa ei kuitenkaan ollut mitään väestötietoa, joten hain väestömäärät eri lähteestä ja muokkasin ne manuaalisesti sopiviksi. Yhdistin ne join-toiminnolla aluejakodataan. Aluksi väestöntiheyskartta näytti hyvin kummalliselta ja lähdin selvittämään olisiko datassa jokin virhe. Noh, kävi ilmi, että rakas Excel oli ottanut tehtäväkseen poistaa kaikki ”turhat” nollat lukujen perästä muuttaen mm. pinta-alan 1190km2 muotoon 119km2. Kiitos Excel, love you. Ei auttanut kuin korjata virheet manuaalisesti. Maanjäristyksien sijainnit sain aiemmalla kurssikerralla käytetystä maanjäristystietokannasta. Voila kartta on valmis. (Ei se oikeasti ihan näin helposti mennyt, mutta sovitaan nyt näin) (Kuva 1)

Vain väestöntiheydellä ja maanjäristyksien sijainnilla pystyy jo pohtimaan maanjäristyksien vaikutusta. Kartalla näkyy, että kumpikaan järistyksistä ei tapahtunut tiheimmin asutuilla alueilla, mutta Nepalin pääkaupunki Kathmandu sijoittuu niiden kummankin väliin. Kathmandussa asui vuonna 2015 n. 985 000 ihmistä. (Nykyään luku on jo yli miljoona. Kartassa käyttämäni väestöaineisto on vuodelta 2011.) Karttani mukaan alueella asuu yli 4000 ihmistä/km2. Pääkaupunkina se on myös infrastruktuuriltaan maan edistynein, joten taloudellinen tuho on suurta. Järistykset ovat siis tapahtuneet lähellä hyvin haavoittuvaista aluetta.

Kuten mainitsin aikaisemmin, on Nepal ollut omalla matkalistallani jo jonkin aikaa, joten halusin tuoda kartassani esille jollain tavalla myös maanjäristyksien mahdollisen vaikutuksen turisteihin. Kartassa näkyy, että toukokuun järistys on tapahtunut kohtuullisen lähellä Mount Everestiä, mikä on luonnollisesti suosittu matkakohde. Löysin dataa erilaisten majapaikkojen sijainnista ja liitin ne vielä tekemääni karttaan, sillä uskon niiden sijainnin kertovan myös turistien suosimista alueista. Jälleen kerran maanjäristyksen eivät ole osuneet alueille, joilla olisi eniten turisteille suunnattuja yöpaikkoja. Kuitenkin kummankin maanjäristyksen itä- ja länsipuolella on suuria majoituskeskittymiä. Maanjäristyksien aikaan Nepalissa oli n. 20 000 turistia. Olin odottanut turistien uhriluvun olevan suurempi, mutta lopullinen uhriluku on ”vain” n. 90.

Tein myös toisen kartan, jolla näkyy huhtikuun maanjäristyksen kuolonuhrit piirikunnittain. (Kuva 2) Tilastoituna on kuitenkin vain 30. Huhtikuuta mennessä tietoon tulleet kuolonuhrit, joten lopullinen kuolleiden määrä on ollut suurempi. Kartassa näkyy kuitenkin hyvin, että kuolemantapaukset keskittyvät nimenomaan Kathmanduun ja sitä ympäröiviin piirikuntiin. Britannica.com -sivuston mukaan lopullinen uhriluku oli n. 9000 ja yli 600 000 rakennusta vaurioitui tai tuhoutui Kathamandussa ja sen lähiympäristössä. Toukokuun maanjäristys on luonnollisesti myös vielä lisännyt kuolleiden ja loukkaantuneiden määrää. Vuoristojen läheisyys johti siihen, että myös maanvierimissä kuoli satoja ihmisiä.

Löysin neitistä vielä taustatyötä tehdessäni hyvän kartan, jossa on kuvattuna Nepal earthquake severity index. Se kuvaa huhtikuun maanjäristyksen aiheuttamaa tuhoa asteikolla minor-very severe. Indeksissä on otettu huomioon maanjäristyksen intensiteetti, väestö sekä asutuksen ja väestön haavoittuvuus. Tein kartasta oman version QGIS:llä. (Kuva 3)

Tekemäni kartat ovat mielestäni onnistuneet hyvin ja ne ovat visuaalisesti selkeitä. Ensimmäisessä kartassa huomasin kuitenkin kirjoittaneeni legendaan pelkästään “väestöntiheys” ilman tarkempaa selitystä, että kuvattuna on nimenomaan väestöntiheys ihmisiä/km2. Olisin voinut myös lisätä maanjäristyksien viereen niiden tapahtumispäivämäärän, jotta ne erottaa toisistaan.

Jälkeenpäin mietittynä olisin ehkä halunnut kuvata jotakin hieman monimutkaisempaa kuin vain väestötiheyden ja majapaikkojen sijainnin. Tätä tunnetta vahvisti muiden blogien lukeminen. Nelli Junttila oli mm. käyttänyt yhdessä kartassaan aiemmin opittua interpolointia ja Tuoma Kirjavainen oli käyttänyt hyväkseen ympyrädiagrammeja. Kun ajattelen, millaisin odotuksin kurssille lähdin, olen kuitenkin ihan tyytyväinen. En olisi ikinä uskonut, että selviän kurssin näinkin kunniakkaaksi, joten en aio murehtia asiaa sen enempää. Olen yllättynyt, kuinka paljon olen oppinut ja QGIS:n perusteet todella tulivat aika hyvin selväksi, vaikka parantamisen varaa onkin vielä rutkasti. Onneksi (tai harmiksi) tämä ei jää viimeiseksi geoinformatiikan kurssiksi.

Kiitos kaikille kurssista!

 

LÄHTEET

Kirjavainen, Tuomas. Seitsemäs kurssikerta – Biogeografiaa feat. QGIS. (1.3.2018) (luettu 9.3.2018)
https://blogs.helsinki.fi/tuokirja/

Junttila, Nelli. 7. Kurssikerta: Oman kartan laadinta. (3.3.2018) (luettu 9.3.2018)
https://blogs.helsinki.fi/junelli/

Wikipedia.
April 2015 Nepal earthquake. (luettu 9.3.2018)
https://en.wikipedia.org/wiki/April_2015_Nepal_earthquake
Districts of Nepal. (luettu 28.2.2018)
https://simple.wikipedia.org/wiki/Districts_of_Nepal

HDX.
Nepal earthquake severity index. (30.4.2015) (luettu 28.2.2018)
https://data.humdata.org/dataset/nepal-earthquake-severity-index
Reported deaths from Nepal earthquake by district (30.4.2015) (luettu 9.3.2018)
https://data.humdata.org/dataset/map-of-reported-nepalearthquake-deaths

Mapcruzin. (luettu 28.2.2018)
http://www.mapcruzin.com/free-nepal-country-city-place-gis-shapefiles.htm

Natural Earth Data. 1:110m Physical Vectors. (luettu 28.2.2018)
http://www.naturalearthdata.com/downloads/110m-physical-vectors/

Diva GIS. Download data by country. (luettu 28.2.2018)
http://www.diva-gis.org/gdata

World population review. Poupulation of Kathmandu 2018. (20.10.2017) (luettu 9.3.2018)
http://worldpopulationreview.com/world-cities/kathmandu-population/

Maps of the world. Earthquakes in Nepal. (luettu 28.2.2018)
http://images.mapsofworld.com/earthquake/earthquake-severity-map-of-nepal.jpg

Northern California Earthquake Data Center. ANSS Composite Catalog Search. (luettu 28.2.2018)
http://quake.geo.berkeley.edu/anss/catalog-search.html

Encyclopedia Britannia. Nepal earthquake of 2015. (27.4.2015) (luettu 9.3.2018)
https://www.britannica.com/topic/Nepal-earthquake-of-2015

Kuudennella luentokerralla lähdimme ulkoilemaan, mikä oli mukavaa vaihtelua. Käytimme kännykkään ladattavaa Epicollect5 -sovellusta ja keräsimme omaa aineistoa Kumpulan lähialueelta. Etsimme paikan, jonka sijainnin saimme tallennettua sovelluksen paikannuksella, ja vastasimme kysymyksiin mm. paikan turvallisuudesta ja viihtyvyydestä. Myöhemmin tunnilla katsoimme, miten pisteet sijoittuvat kartalla. Opimme siis tuottamaan omaa aineistoa.

Tämän jälkeen meitä odotti jälleen QGIS:n ihmeellinen maailma. Käytimme Go2streetview- liitännäistä, jonka avulla tutkimme haluamamme Helsingin keskustan alueen kaupallisuutta. Merkitsimme pisteitä, joille annoimme arvon 1-5 riippuen siitä, kuinka paljon kaupallista toimintaa näimme alueella. Tämän jälkeen vielä interpoloimme aineiston, jolloin kartalla näkyi tummempana alueet, joilla kaupallisuusaste oli suurempi.

Viimeisenä tehtävänä harjoittelimme aineiston hakemista netistä ja sen muuttamista sellaiseen muotoon, että sitä voi esittää QGIS:ssä. Haimme tietoa hasardeista ja tehtävänä oli tehdä niistä kartta, jota voisi käyttää opetustarkoituksiin. Tunnilla sain tehtyä kartan, jossa näkyi 2000-luvulla tapahtuneet maanjäristykset. Tuotokseni kuitenkin katosi, kun QGIS päätti kaatua oppitunnin viimeisillä minuuteilla. Tein kuitenkin luennon jälkeen kartan, jossa näkyvät sekä maanjäristykset että kerrostulivuoret. (Kuva 1)

Kartta on mielestäni kohtuullisen onnistunut. Selkeyden vuoksi päätin kuvata siinä vain 6.5-8 magnitudin maanjäristykset, sillä kuvaamalla myös 6.5 magnitudia heikommat järistykset, tuli kartasta liian täysi ja sekava. Yli 8 magnitudin järistyksiä ei ollut montaa, joten päätin jättää nekin pois. Kartasta näkyy silti olennainen eli se, millä alueilla maanjäristyksiä tapahtuu eniten ja missä ne ovat voimakkaimpia. Muutin maajäristyksien sijaintia kuvaavien pallojen kokoa ja väriä magnitudin mukaan. Päätin kuvata samalla kartalla myös kerrostulivuorien sijainnin, sillä niitä esiintyy eniten alueilla, joilla on myös paljon maanjäristyksiä. Ne näkyvät hyvin, sillä tein niistä kolmion muotoisia. Kartta voisi mielestäni soveltua hyvin opetukseen. Sillä voi näyttää, missä maanjäristyksiä esiintyy ja selittää, miksi kerrostulivuoret sijoittuvat samoille alueille. Niiden sijainnista voi nähdä myös litosfäärilaattojen reuna-alueet,

Kartassa näkyy, että maanjäristyksiä tapahtuu eniten Tyynenmeren tulirenkaan alueella Amerikkojen länsirannikoilla sekä Aasian mantereen itäpuolella Japanissa ja Filippiinien saaristoissa. Alueella tapahtuu jopa 90 % maanjäristyksistä ja siellä sijaitsee 75 % aktiivisista ja nukkuvista tulivuorista. Tämä johtuu siitä, että Aasiassa Filippiinien mereinen laattaa työntyy Euraasian laatan alle. Siellä on siis subduktio vyöhyke. Pohjois-Amerikassa Tyynenmerenlaatta ja Pohjois-Amerikan laattaa sivuavat toisiaan, ja Etelä-Amerikassa Nazca-laatta työntyy Etelä-Amerikan laatan alle. Sielläkin on siis alityöntövyöhyke. Karttani mukaan näillä alueilla on myös voimakkaimmat maanjäristykset, mikä johtuu juuri siitä, että laatat sivuavat toisiaan ja työntyvät toistensa alle. Voimakkaita järistyksiä tapahtuu myös Himalajalla, jossa kaksi mantereista laattaa törmää. Vaikka myös Atlantin valtameren poikki kulkee laattojen reunavyöhyke, siellä laatat erkanevat toisistaan, joten järistykset eivät ole yhtä voimakkaita. Hämäävää oppilaille voisi olla, että erkanemisvyöhykkeillä ei näy kartallani juuri ollenkaan maanjäristyksiä vaikka niitä tapahtuu siellä hyvin paljon. Ne ovat vain heikompia, kuin kartalla kuvaamani järistykset. Tuuli Lahin on blogissaan tehnyt kartan, joka näyttää ”kaikki yli viiden magnitudin maanjäristykset maailmankartalla vuodesta 2002 lähtien mitattuna.” Tästä kartasta näkee hyvin, että maanjäristyksiä tapahtuu runsaasti myös muualla kuin subduktiovyöhykeillä. Elli-Nora Kaarton tekemä kartta ”Kaikki maanjäristykset vuorokauden aikana 1.8.2016” havainnollistaa hyvin sitä, kuinka yleisiä maanjäristykset ovat ja kuinka suurin osa niistä ei aiheuta suurta katastrofia.

Kuvaamalla tulivuoret samalla kartalla, oppilaiden olisi helpompi nähdä yhteys tulivuorien ja maanjäristysten välillä. Jälleen kerran laattojen liikkeet ovat keskeisessä asemassa. Kerrostulivuoria syntyy ennen kaikkea subduktiovyöhykkeillä, joissa mereinen laatta työntyy mantereisen alle. Mereinen laattaa sulaa astenosfäärissä ja kuuma magma syövyttää tiensä maanpinnalle synnyttäen tulivuoren. Alityöntövyöhykkeillä syntyy paljon kerrostulivuoria, sillä laava on jäykempää ja sitoo paljon kaasuja. Tällöin purkaus on usein räjähdysmäinen. Kerrostulivuoria ei synny yhtä paljon laattojen erkanemisalueilla, sillä laava purkautuu maankuorien välisistä raoista ja on juoksevampaa. Himalajalla ei tulivuoria näy, vaikka siellä on voimakkaita maanjäristyksiä. Tämä johtuu siitä, että siellä törmäävät laatat ovat kumpikin mantereisia, jolloin kumpikaan ei painu toisen alle ja sula astenosfäärissä.

Nämä kaikki asiat voisi opettaa tekemäni karttaa hyödyntäen. Opetustarkoituksissa kartta toimisi tosin vielä paremmin, jos samassa yhteydessä näyttää myös litosfäärilaattoja kuvaavan kartan tai mahdollisesti kuvata niitä samassa kartassa. Näin oppilaat näkisivät, miksi maanjäristykset ovat juuri tietyillä alueilla. Tätä pohtiessani mietin, että litosfäärilaattojen reunavyöhykkeitä kuvaavaa vektorimuotoista aineistoa saattaisi olla jo aivan valmiina tarjolla. En ollut väärässä! Google-haulla ja muutamalla klikkauksella olin saanut karttaani vielä laattojen reunavyöhykkeetkin esille. (Kuva 3) Vielä parempi olisi kartta, jossa näkyisi myös mihin suuntaa laatat liikkuvat suhteessa toisiinsa (Kuva 2), sillä siinä näkyisi hyvin subduktiovyöhykkeet, mikä selittäisi myös kerrostulivuorten sijoittumista.

Onneks musta ei tuu opettajaa!

 

LÄHTEET:

Tekniikan maailma. Tyynenmeren ”tulirenkaan” tulivuoret pelottelevat taas – uusin hälytystila julistettiin Japanissa. (12.10.2017)
https://tekniikanmaailma.fi/tyynenmeren-tulirenkaan-tulivuoret-pelottelevat-taas-uusin-halytystila-nostettiin-japanissa/ (luettu 23.3.2018)

USGS. Google Earth/KML Files
https://earthquake.usgs.gov/learn/kml.php (luettu 23.2.2017)

Science Learning Hub. Plate tectonics. (21.7.2007)
https://www.sciencelearn.org.nz/resources/339-plate-tectonics (luettu 23.2.2018)

ABC News. Volcanoes: How often do they erupt and what happens when they do? (22.11.2017)
http://www.abc.net.au/news/science/2017-11-22/volcanoes-heres-what-happens-when-they-erupt/8997014 (luettu 23.2.2018)

Lahin, Tuuli. Kerta 6: Pisteaineistoa ja tulivuoria. (21.2.2018)
https://blogs.helsinki.fi/lahintuu/ (luettu 23.2.2018)

Kaarto, Elli-Nora. 6.kurssikerta: QGIS järisee (22.2.2018)
https://blogs.helsinki.fi/elkaelka/ (luettu 23.2.2018)

Viides kurssikerta takana ja jälleen ollaan opittu jotain uuttaa. Tällä kertaa tutustuimme buffer-toimintoon, jonka avulla voidaan tehdä puskurianalyysejä.  Sillä voi mm. määritellä jonkun kohteen vaikutusalueen tai katsoa, kuinka monta pistettä on tietyn kokoisen puskurivyöhykkeen sisällä. Juna-asemalle voidaan esim. tehdä 2km puskurivyöhyke, jolloin voidaan yhdessä pistetietokannan kanssa selvittää, kuinka monta ihmistä asuu 2km säteellä asemasta. Sini Virtanen pohti blogissaan monia muita tapoja käyttää toimintoa: ”Voisin ajatella niille käyttöä esimerkiksi ympäristövaikutusten arvioinnissa: kuinka laaja suojavyöhyke esimerkiksi luonnonsuojelualueen tai suunnitellun kaivoksen ympärille tulee jättää?”
Teimme tunnilla tehtäviä liittyen lentokenttien meluhaittoihin ja asemiin. Tehtävissä pääsimme opettelemaan buffer-toiminnon käyttöä ja se tulikin hyvin tutuksi. Vastaukset näihin ja muihin tekemiini tehtäviin listasin excel taulukkoon. (Kuva 1)

Valinnaisista tehtävistä tein ensimmäisen ja toisen. Päätin aloittaa helpoimmasta siltä varalta, että en osaisi vaikeampia tehtäviä. Ensimmäinen tehtävä osoittautui kohtuullisen helpoksi. Tiivistettynä tallensin eri ikäluokat omiksi tietokannoiksi ja selvitin niiden kokonaismäärän field calculatorilla. Yhdistin pisteaineiston koulupiiriaineistoon join attributes by location -toiminnolla.

Uima-allas -tehtävässä käytin search by expressions -toimintoa saadakseni esille asunnot, joissa on uima-allas. Tallensin tiedot omaksi tietokannaksi. Samalla tallensin myös asukasmäärän seuraavaa tehtävää varten. Tehtävän myötä varsinkin juuri search by expressions -toiminto, jonka olemassaolon olin jo iloisesti unohtanut, tuli hyvin tutuksi. Käytinkin sitä myös talotyyppien ja saunojen sijainnin selvittämisessä. Käytin myös join attributes by location -toimintoa yhdistääkseni pistetiedon pääkaupunkiseudun eri alueisiin. Lopputuloksena oli taulukko vastauksista sekä kartta, jossa näkyy uima-altaiden sijoittuminen pääkaupunkiseudulla. (Kuva 2)

Kartassa näkyy, että uima-altaita on selkeästi eniten Lauttasaaressa ja muutenkin Helsingin alue dominoi uima-altaiden määrässä.
Kartta itsessään on mielestäni selkeä ja helposti luettava. Kartan visualisoinnissa sain apua Eemil Beckeriltä, joka istu taistelun aikana vieressäni. Huomasin, että hän oli kuvannut uima-altaiden määrän näin ja totesimme kumpikin, että esitys oli selkeämpi ilman pylväitä. Eemil oli muutenkin korvaamaton apu tehtäviä tehdessä.

Tehtävien tekemisen jälkeen minulla oli varovaisen toiveikas olo. Tällä hetkellä QGIS:n käytössä on mielestäni vaikeinta tietää, mitä toimintoa tulisi käyttää milloinkin. Kun kohtaan uuden tehtävän, on ensimmäinen tunne yleensä epätoivo. Vaikeinta on päästä alkuun. Vaikka olisin edellisenä päivänä taistellut ohjelman kanssa koko päivän, tuntuu että seuraavana aamuna on jälleen lähtöruudussa. Toisaalta, kun pääsee vauhtiin, alkaa työ usein sujua hieman jouhevammin.

Spatial query tuli hyvin tutuksi viimeisimmissä tehtävissä, mutta itselläni se menee usein sekaisin join attributes by location -toiminnon kanssa. Vaikka ymmärrän tavallaan niiden eron (join attributes by locationi luo täysin uuden layerin yhdistäen tietokannat), en aina hahmota kumpaa kannattaisi käyttää milloinkin. Välillä en myöskään hahmota pitäisikö minun käyttää search by expressions vai spatial query -toimintoa vaikka tässäkin tapauksessa ymmärrän toimintojen eron (toinen etsii kohteita ominaisuuksien ja toinen sijainnin perusteella). Todennäköisesti kyse on siis vain harjoituksen ja kertauksen puutteesta. Pienen mietinnän ja kokeilun jälkeen yleensä ymmärrän, mikä toiminto olisi paras valinta. Yleisesti ottaen siis ymmärrän, miten nämä perustoiminnot toimivat.
Tuttua alkaa olla kartan ulkomuodon muokkaus. Värit saa nopeasti vaihdettua, ja pohjoisnuolet yms. saa lisättyä jo rutiininomaisin ottein. Parhaimpien väriyhdistelmien, jotka kuvaisivat esitettyä ilmiötä parhaiten, valinta on kuitenkin välillä vielä hankalaa.

Kohta syömään ja uudelle GIS-luennolle! Jeah!

LÄHTEET

Becker, Eemil. Homma rupee sujumaan… (19.2.2018)
https://blogs.helsinki.fi/beemil/ (luettu 20.2.2018)

Virtanen, Sini. Verta, hikeä ja puskureita. (13.2.2018)
https://blogs.helsinki.fi/7k110738/ (luettu 20.2.2018)

Neljännellä kurssikerralla tutustuimme pisteaineistoihin ja ruutukarttojen tekemiseen. Pisteaineiston näkyvät kartalla yleensä pisteinä, joihin on liitetty sijainti- ja ominaisuustietoa. Ruutuaineistossa jokin alue jaetaan tasakokoisiin ruutuihin. Kun siihen yhdistetään pisteaineistoa, saadaan alueellista tietoa.

Kurssikerran ensimmäisen tehtävän tekemistä varten palasimme jälleen QGIS:n pariin, jonka avulla loimme kartalle 1000mx1000m ruudukon. Käytössämme oli myös tietokanta, jossa oli pistemäistä aineistoa kaikista pääkaupunkiseudun rakennuksista. Koska halusimme välttää turhat laskutoimitukset ja QGIS:n kaatumisen, karsimme pois ruudut, joilla ei ollut rakennuksia ollenkaan. Lopulta saimme kasaan ruutuaineiston, jossa oli pistemuotoisesta aineistoista saatua tietoa, jota lopuksi vielä visualisoimme kartalle. Visualisoimme kartan, jossa näkyi ruotsikielisten sijoittuminen pääkaupunkiseudulla.

Tämän jälkeen oli aika jälleen itsenäiselle työlle. Tuloksena oli 500m x 500m ruutukartta (Kuva 1), joka kuvaa yli 64-vuotiaiden sijoittumista pääkaupunkiseudun alueelle. Fiksuna tyttönä ajattelin, että eläkeikäisten määrää tulee ehdottomasti suhteuttaa ruudun koko väestöön. Noh, suhteuttaminen on toki usein fiksua ja esim. koropleettikartalla ei muuta kuin suhteellisia arvoja tulisi koskaan kuvatakaan. Tämä johtuu siitä, että alueet ovat eri kokoisia, jolloin ilman suhteuttamista on helppo tehdä vääriä tulkintoja. Koska ruutukartalla kaikki alueet ovat saman kokoisia, voi niitä vertailla paremmin keskenään vaikka siinä esitettäisiinkin absoluuttisia arvoja.

Omassa kartassani on suhteuttamisen vuoksi esim. ruutu, jolla eläkeläisten määrä on 100%! Aika paljon mummoja ja pappoja tai ehkä kuitenkin ruudun sisällä sattuu olemaan vain yksi asunto, jossa asuu eläkeikäinen ihminen. Suhteellisen tiedon esittäminen ruutukartalla saattaa siis korostaa hämäävästi joitakin alueita. Niin kuin Tuuli Lahin blogissaan sanoo: ” – pääkaupunkiseudulla on haja-asutusalueita, joissa 500 x 500 metrin alueella saattaa olla vain yksi asukas.” Myös Eemil Becker pohti blogissaan suhteuttamisen ongelmia, mutta myös tapoja korjata niitä: ”Selkeyttääkseni esitystä olisin voinut esimerkiksi rajata kuvattavaa aluetta pienemmäksi ja pienentää ruutukokoa, tai jättää niitä ruutuja pois laskuista, joiden asukasluku on pieni.” Toisaalta myös absoluuttisien arvojen esittämisessä on ongelmansa. Se mm. korostaa automaattisesti Helsingin keskustan alueita, koska siellä on eniten ihmisiä. Tein vertailun vuoksi kartan myös absoluuttisilla arvoilla (Kuva 2). Siinä olen valitettavasti jättänyt kuntien rajat ruutuaineiston alle, mikä haittaa hieman eri kuntien vertailua.

Ensimmäisellä kartalla eläkeikäisten jakautuminen näyttäisi olevan hyvin tasaista eikä mitään selvää keskittymää ole havaittavissa. Toki joitain tummia pisteitä löytyy, mutta edellä mainitsemani ongelman vuoksi en ota niitä tässä huomioon. Eniten näyttäisi olevan ruutuja, joissa eläkeläisten osuus on 5-14 % ja toisiksi eniten ruutuja, joissa osuus on 14-32 %. Tilastokeskuksen mukaan koko Helsingissä yli 64-vuotaiden osuus 16,7, joten siihen verratessa tulos näyttää luotettavalta.
Toisella kartalla taas näkyy selvästi, että eläkeikäisiä on eniten Helsingin keskustan alueella sekä idässä Mellunkylän alueella ja Vantaalla etenkin Myyrmäen suuralueella. Espoossa korostuu erityisesti sen eteläiset alueet. Tilastokeskuksen mukaan Helsingissä eläkeläisten osuus koko väestöstä vuonna 2015 oli 19,4 %. Vastaava luku on Vantaalla 17,9 %, Espoossa 16,1 % ja Kauniaisissa 22,7 %.

Eläkeläisten osuus kuntien väestöstä, vaikuttaa niiden huoltotaseeseen ja siten koko kunnan talouteen. Yleisesti suomalainen väestö ikääntyy ja syntyneiden määrä on laskussa. Suuret ikäluokat alkavat jäädä eläkkeelle ja eliniänodote on kasvanut. Tämä johtaa siihen, että yhä pienemmän työssäkäyvien määrä suhteessa huollettaviin pienenee. Tilannetta tasoittaa hiukan maahanmuutto. Pääkaupunkiseudun tilanne huoltosuhteen kohdalla on tässä suhteessa parempi monessa pienessä kunnassa. Pääkaupunkiseudulle on paljon tulomuuttoa ja työttömyys on koko maan lukuihin verrattuna pieni.

Itse karttojen ulkonäkö ja otsikointi olisi voinut olla parempi. Ensimmäinen kartta kuvaa yli 64-vuotiaiden eli ns. eläkeikäisten määrää eikä eläkeläisten määrää, kuten otsikko sanoo. Myös mittajanassa on virhe. Toisessa kartassa kuntarajat ovat jääneet ruutujen alle.

Nyt tekis mieli mummon tekemää ruokaa…

LÄHTEET

Becker, Eemil. Ruutuja. (8.12.2018) https://blogs.helsinki.fi/beemil/2018/02/08/kurssikerta-4/ (luettu 10.2.2018)

Lahin, Tuuli. Kerta 4: Vastoinkäymisiä, mutta ei voittoja. (2.7.2018) https://blogs.helsinki.fi/lahintuu/2018/02/07/kerta-4-vastoinkaymisia-mutta-ei-voittoja/ (luettu 10.2.2018)

Tilastokeskus. Tilastoteemakartat.
http://tilastokoulu.stat.fi/verkkokoulu_v2.xql?course_id=tkoulu_teemak&lesson_id=4&subject_id=3&page_type=sisalto  (luettu 10.2.2018)

Tilastokeskus. Kuntien avainluvut. (2017)
https://www.stat.fi/tup/alue/kuntienavainluvut.html#?year=2017&active1=091&active2=049 (luettu 10.2.2018)

Findikaattori. Väestön ikärakenteen kehitys. (päivitetty 29.3.2017)
http://findikaattori.fi/fi/81 (luettu 10.2.2018)

Rehellisesti sanottuna kolmas luento meni lähinnä siihen, että yritin pysyä perässä kartan tekemisessä ja syy, miksi teimme mitäkin jäi hieman hämärän peittoon. Ymmärtääkseni kyse oli kuitenkin siitä, että toisin kuin aikaisemmilla kerroilla kaikki data ei löytynytkään samasta tietokannasta, vaan tiedot olivat hajautettuna eri ohjelmiin ja tietokantoihin. Näitä tiedostoja piti yhdistellä ja liittää eri ohjelmista erilaisilla toiminnoilla kuten kyselyillä niin, että ne saatiin samaan tietokantaan.

Yhdistelemällä eri tietokantoja pystyimme kasvattamaan Afrikkaan liittyvää tietokantaa. Tunnin alussa siinä oli vain maiden nimet, mutta lopussa tietoa mm. väestöstä, väestön internetin käytöstä ja sen muutoksesta, timantti- ja öljykenttäesiintymistä sekä konflikteista. Tässä kohtaa haluaisin liittää tähän myös kuvan valmiista kartasta. Valitettavasti juuri kun siinä oli kaikki tarvittavat elementit, siitä katosi jostain syystä koko taustakartta ja jäljelle jäi vain mm. timanttiesiintymät. Vapautan itseni kuitenkin tässä kohtaa vastuusta, sillä en ollut ainoa, jolle näin kävi tarkasta ohjeiden seuraamisesta huolimatta. Lisäksi edes rakas opettajamme herra Paarlahti ei osannut asiaa korjata, joten sorry not sorry.

Pohdin seuraavaksi hieman, mitä erialisilla Afrikkaan liittyvillä tiedoilla voi tehdä. Kun esim. kyseisessä Afrikkaan liittyvässä tietokannassa on tietoa konfliktien tapahtumavuosista sekä timantti- ja öljykenttien löytämisvuosista ja tuottavuusluokittelusta, voidaan tietoja vertailla ja tehdä päätelmiä niiden mahdollisista korrelaatioista. On ilmiselvää, että luonnonvarat ovat yksi pääsyy konflikteihin eri ihmisten ja valtioiden välillä. Tietojen avulla voitaisiin siis tarkastella, onko valtioissa, joilla on paljon timanttikaivoksia ja/tai öljykenttiä, myös enemmän konflikteja. Voidaan tarkastella, löytyykö öljykenttien löytämisvuosien ja konfliktien alkamisvuosien tai konfliktien ja öljykenttien/timanttikaivosten tuottavuuden välillä jotakin yhteyttä. Toisaalta kuten Sini Virtanen blogissaan muistuttaa: ”korrelaatio ei tarkoita kausaatiota – pelkkä alueellinen yhteys luonnonvarojen ja konfliktien välillä ei välttämättä tarkoita, että konfliktit johtuisivat luonnonvaroista.”

Ensimmäisen kartan jälkeen olimme taas omillamme. Tehtävänä oli jälleen valmistella tietokanta erilaisista aineistoista, joista oli taas Excelissä. Tällä kertaa tuloksena oli teemakartta. (Kuva 1) Kartassa näkyvät järvet ja joet, punaisella valuma-alueiden rajat sekä väriasteikkona tulvaindeksi. Lisäksi keltaisilla pylväillä kuvataan alueen järvisyysprosenttia. Kartalle on koottuna hyvin paljon eri tietoa ja siksi sen luettavuus ei ole parhaimmasta päästä. Etenkin järvisyyttä kuvaavia pylväitä on hieman vaikea tulkita. Ilman mitään vertailukohtaa on nimittäin vaikea sanoa, kuinka suurta järvisyysprosenttia kunkin pituinen pylväs kuvastaa. Toki pylväiden kokoa vertailemalla voi päätellä, missä järvisyysprosentti on suurempi tai pienempi, mutta sen tarkempia päätelmiä ei voi tehdä. Lisäksi osa paaluista on hyvin lyhyitä ja lähellä toisiaan, minkä vuoksi tulkittavuus kärsii. Ongelman voisi ratkaista kuvaamalla järvisyys täysin erillisessä kartassa tai laittaa jokaisen paalun viereen toinen, joka kuvaisi esim. järvisyyden keskiarvoa Suomessa. Se tosin huonontaisi entisestään lähekkäisten paalujen luettavuutta.

Kartan avulla voidaan arvioida Suomen erialueiden tulvaherkkyyttä ja niihin vaikuttavia tekijöitä. Ensinnäkin voi havaita, että pahimmat tulvat ovat Pohjanmaalla ja Etelä- ja Lounais- Suomessa rannikoilla. Näillä alueilla on paljon mereen laskevia jokia, jotka voivat tulvia esim. talvella lumien sulaessa. Rannikolla on lisäksi alavampaa, mikä lisää tulvaherkkyyttä. Myös järvisyydellä näyttäisi olevan vaikutusta tulvaindeksiin. Alueilla, joilla järvisyysprosentti on suuri, tulvaherkkyys on pienempi. Tämä johtuu siitä, että vesi valuu ja varastoituu järviin, eivätkä joet siksi tulvi yhtä helposti tai voimakkaasti. Lisäksi voidaan havaita, että suuremmilla valuma-alueilla tulvaindeksi on pienempi. Tämä voi johtua siitä, että suurella valuma-alueella veden valuminen suurimpaan jokeen kestää kauemmin, jolloin se ei tulvi yhtä herkästi. Pienemmällä valuma-alueella vesi valuu jokiin nopeasti ja siksi virtaamakin kasvaa nopeammin.

Peace & Love! Älkää hukkuko pls!

LÄHTEET

Virtanen, Sini. Veritimantteja ja valuma-alueita. (30.1.2018) https://blogs.helsinki.fi/7k110738/ (luettu 31.1.2018)

Toisella luennolla jatkoimme QGIS:n parissa ja sukelsimme jälleen uusiin aiheisiin ja toimintoihin. Onneksi työskentely oli jo hiukan helpompaa karttuneen kokemuksen myötä ja esim. legendojen ja pohjoisnuolien lisääminen karttoihin oli jo huomattavasti helpompaa. Luennon tuotoksena oli kaksi karttaa. Kummatkin kuvastavat projektion aiheuttamia vääristymiä alueiden pinta-aloissa.

Ensimmäinen kartta (kuva 1), jonka teimme kaikki yhdessä tunnilla, kuvastaa eroa Lambertin ja pitkittäisen Mercatorin projektion välillä. Suurimmat vääristymät ovat pohjoisessa ja pienimmät etelässä. Pahimmillaan Mercatorin projektio vääristää joidenkin kuntien pinta-alaa jopa 724% suuremmiksi verrattuna Lambertin projektioon! Pienimmilläänkin vääristymä on 295%! Tämä johtuu siitä, että Lambertin projektio on oikeapintainen eli kartan pinta-alat ovat verrannollisia vastaaviin pinta-aloihin. Mercatorin projektio taas on oikeakulmainen kartta, minkä vuoksi esim. valtioiden muodot pysyvät tunnistettavina, mutta niiden kokojen vertailu on mahdotonta. Etelä-pohjoissuuntainen vääristymän kasvu johtuu siitä, että projektio on nimenomaan pitkittäinen Mercator.

Toisella kartalla (kuva 2) näkyy Gauss-Laborde Reunion projektion aiheuttaman pinta-alojen vääristymän suuruus verrattuna Lambertin projektioon. Yhdyn valinnan perustelussa Varpun sanoihin: ”valitsin Gauss-Laborde Reuninon poikittaisen Mercatorin projektion ilman mitään erityisempiä perusteita. Tavoitteenani oli luoda kartta, jossa vääristymät näkyvät visualisoituna selkeästi”. Tähän projektioon päätyminen veikin minulta hetken aikaa, kun testailin eri projektioita. Toisin kuin aikaisemmassa kartassa, vääristymä ei suurene etelästä pohjoiseen vaan vääristymä on suurin lounaassa ja pieni koillisessa. Suurinkin vääristymä on tosin vain 8,6%, mikä on selkeästi pienempi kuin pitkittäisen Mercatorin vääristymä. Pienimmillään vääristymä on 2,6%. Koillis-lounassuuntaisen vääristymän syynä on se, että projektio on poikittainen Mercatorin projektio. Gauss-Laborde Reunionia käytetään Madagaskarin itäpuolella sijaitsevan Reunion-saaren kartoissa.

Olispa jossain etelässä rannalla! Peace!

 

 

LÄHTEET

Savolainen, Varpu. Projektiovertailua. (24.1.2018) https://blogs.helsinki.fi/sadvarpu/ (luettu 25.1.2018)

GeoRepository. Reunion 1947 / TM Reunion. (2018) http://georepository.com/crs_3727/Reunion-1947-TM-Reunion.html (luettu 25.1.2018)

Kartografian perusteet. Karttaprojektiot. http://www.helsinki.fi/maantiede/kurssit/TAK/Kartografian%20oppimateriaali/testi/Kartan_perusominaisuudet/perus9.html (luettu 25.1.2018)

 

Ensimmäisen luennon lievän onnistumisen jälkeen lähdin optimistisesti tekemään ensimmäistä kotiharjoitusta. Lähdin kuitenkin hieman sivuraiteille heti alussa, mikä teki prosessista pidemmän ja tuskaisemman kuin sen olisi tarvinnut olla. Pelkän valmiin aineiston visualisoinnin sijaan aloin sählätä laskutoimitusten kanssa. Otin tilastoista tiedot kuntien avioerojen määristä ja laskin avioerojen prosentuaalisen määrän suhteessa koko Suomen avioerojen määrään. Todellisuudessa olisi riittänyt, että olisin ottanut valmiiksi prosenttimuodossa olevan aineiston ja visualisoinut sen QGIS:n avulla. Lopulta päädyin tekemään kaksi karttaa.

Vaikka prosessi oli henkisesti kuluttava ja emotionaalisesti traumatisoiva, olen oikeastaan tyytyväinen, että sähläsin. Sen vuoksi jouduin nimittäin visualisoimaan kartan useaan kertaan ja erilaiset toiminnot tulivat hyvin tutuiksi. Aloittaessani koko homman viidettä kertaa alusta, oli lohduttava huomata, kuinka prosessi nopeutui joka kerta eikä jokaista toimintoa tarvinnut etsiä viittä minuuttia. Ensimmäisellä yrityksellä luin ohjeita rivi riviltä ja aikaa kului tuskallisen kauan. Lopullisen työttömyyttä kuvaavan kartan tekemiseen meni lopulta vain n. 10 minuuttia. Kehitystä! Jonkinlaisia onnistumisen tunteita onkin nyt kurssilla tullut jo kaksi. Ehkä tästä kurssista ei tulekaan pelkkää GISsuossa kahlaamista. Noh, ehkä ei vielä nuolaista, jos seuraavassa tehtävässä tipahtaakin täys sanko niskaan.

Ensimmäinen tekemäni kartta (Kuva 1) kuvaa sitä, missä päin Suomea tapahtuu eniten avioeroja. Kartta on suoraan sanottuna todella huono. Pääkaupunkiseudulla on tietenkin eniten avioeroja, sillä siellä asuu eniten ihmisiä. Kartassa näkyy tummina käytännössä kaikki kunnat, joissa on jokin suurempi kaupunki. Suurin ongelma on, että avioerojen määrää ei ole suhteutettu kunnan asukaslukuun. Parhaimmillaan avioerojen määrä olisi vielä suhteutettu nimenomaan yli 18-vuotiaiden määrään, sillä vain he pystyvät ylipäätään menemään naimisiin. Myöskään luettavuuden kannalta kartta ei ole parhaimmasta päästä. Eri luokitusten prosenttiluvut ovat häviävän pienet, joten on vaikea hahmottaa, kuinka paljon avioeroja eri alueilla todella tapahtuu. Myös otsikko on turhan pitkä ja monimutkainen. Siitä on vaikea hahmottaa, mitä kartalla halutaan kuvata.

Oppimisen kannalta tämä kartta oli minulle kuitenkin hyvin hyödyllinen. Pääsin harjoittelemaan QGIS-ohjelman ominaisuuksien käyttöä, sain paljon toistoa ja lopulta eri toimintojen käyttö alkoi olla jo kohtuullisen sujuvaa. Kartta kuvastaa myös hyvin sitä, mitä kaikkea tiedon visualisonnissa ja teemakarttojen tekemisessä tulee ottaa huomioon. Opin pohtimaan syvällisemmin sitä, mitä todella haluan kartalla kuvata ja miten saan ilmiön esitettyä mahdollisimman selkeästi. Vertailemalla tätä karttaa seuraavaan on helppo vertailla huonon ja hyvän kartan eroja.

Seuraavan kartan tekeminen olikin aikaisempien koettelemusten jälkeen lähes lastenleikkiä. Valmiiden aineistojen kanssa ei tarvinnut taistella ja tehtävään tarvittavat toiminnat alkoivat olla hallussa. Lopputuloksena oli Suomen työttömyyttä kuvastava kartta. (Kuva 2) Se on huomattavasti parempi kuin ensimmäinen kartta. Aineistossa työttömien määrä oli jo valmiiksi prosentteina ja suhteutettuna työikäisten määrään. Kartta on visuaalisesti selkeä ja siitä saa helposti yleiskuvan Suomen työttömyystilanteesta eri alueilla. Kehitys ensimmäisestä ja toisesta kartasta on selvä. Tosin tehtävä oli aika helppo – tai no heti kun ymmärsin mitä pitää tehdä.

Yleisesti työttömyysaste on selvästi suurempi pohjoisessa kuin etelässä ja saman trendin voi huomata myös idän ja lännen välillä. Työttömyysaste on suurimmillaan Pohjois-Karjalan, Kainuun ja Lapin kunnissa. Aineiston mukaan Sallassa on yksittäisistä kunnista korkein työttömyysaste 22,6%. Työttömyysaste on alhaisin Ahvenanmaalla, Pohjanmaalla sekä Uudellamaalla. Ahvenanmaalla Lumparlandin kunnassa luku on vaivaiset 1,7%. Suurin työttömyys on pienissä ja syrjäisemmissä kunnissa, joissa on vain vähän palvelualan töitä. Etenkin työikäiset muuttavat niistä suurempiin palvelukeskittymiin, jolloin myös huoltotase kasvaa ja usein palvelujen määrä vähenee. Tämä johtaa siihen, että kunnan talous huononee entisestään. Niin kuin Varpu Savolainen blogissaan hyvin sanoo: ”kunta joutuu noidankehään, jossa ilmiöt voimistavat toisiaan…”.

Rip Suomen kunnat!

 

Lähteet:

Savolainen, Varpu. Olishan sen helpomminkin voinut (1. kurssikerran kotiharjoitus). (22.1.2018) https://blogs.helsinki.fi/sadvarpu/ (luettu 22.1.2018)

Rehellisesti sanottuna odotan kauhulla, mitä tämä kurssi tuo tullessaan. En ole ikinä ollut mikään haka teknologian kanssa eikä erilaisilla tietokoneohjelmilla työskentely suju minulta luontevasti. Toivon kuitenkin, että pääsen kurssin aikana kokemaan myös joitain onnistumisen tunteita enkä ainoastaan tuskaa ja epätoivoa. Ehkä kaikista ennakkoasetelmista huolimatta jopa minusta voi joskus kaukaisessa tulevaisuudessa tulla GISvelho –  tai sitten ei. Se jääköön nähtäväksi.

Ensimmäisellä luentokerralla pääsimme tutustumaan meille uuteen paikkatieto-ohjelmaan QGIS:iin. Seurasin täsmällisesti opettajan mallia ja yritin raksia ruutuja ja painella eri toimintoja samaa tahtia. Itse ohjelmasta on vaikea sano juuri mitään, koska en ole koskaan kokeillut mitään muita paikkatieto-ohjelmia. Aikaisemmalla kurssilla käytetty Corel oli oman (erittäin rajallisen) käistykseni mukaan pikemminkin maantieteilijän Paint, kuin nimenomaan paikkatietoaineistojen kuvaamiseen tarkoitettu ohjelma. Joka tapauksessa QGIS tuntui aluksi sekavalta, sillä toimintoja oli niin paljon. Toisaalta, kun seurasi ohjeita tarkasti alkoi näytölle ilmestyä yllättävän helposti jotain, mikä näytti aivan vakavasti otettavalta kartalta.

Luennon tuotoksena oli kartta, joka kuvaa Itämerta ympäröivien valtioiden osuutta Itämereen valuvista tyyppipäästöitä. (Kuva 1) Kartasta erottuu selvästi suurimpana päästöjen tuottajana Puola. Seuraavina ovat Ruotsi ja Venäjä, joiden osuus on suunnilleen sama, vaikka kuten Maiju Karhu omassa blogissaan mainitsi, Ruotsilla on huomattavasti enemmän rantaviivaa Itämerellä kuin Venäjällä. (Karhu, 2018) Suomen osuus saasteista on keskitasolla muihin valtioihin verrattuna ja pienin osuus on Virolla, jonka osuus on vain n. 3%. Puolan osuuteen vaikuttaa todennäköisesti suuri asutustiheys sekä teollisuuden merkitys maan taloudelle. Puolan BKT:sta jopa 30% tulee teollisuudesta, kun sen osuus esim. Suomen BKT:sta on vain n. 16%. Itämerellä on ongelmana myös päästöjen liikkuminen vesialueilla. Vaikka suurimmat kuormittajat ovat Puola ja Venäjä, päätyy iso osa päästöistä saastuttamaan Suomen ja Ruotsin vesialueita. Tästä syystä suuret kuormittajat eivät välttämättä koe rehevöitymistä yhtä akuuttina ongelmana kuin esim. Suomi, jossa Itämeren suojeluun suhtaudutaan hyvin vakavasti. Suomessa mm. päästöihin liittyvät lait ja säädökset ovat tiukemmat.

Kartta itsessään on mielestäni kohtuullisen selkeä ja eri värisävyt erottuvat selvästi toisistaan.  Siinä on toisaalta myös paljon ongelmia. Valkoiseksi jäänyt Viro näyttää hieman kummalliselta muiden joukossa ja olisi  ollut parempi, jos silläkin olisi  jokin oma vaaleampi vaaleanpunaisen sävy. Myös merialueet erottuvat hieman liian korostuneena. Lisäksi typen osuudet voisivat legendassa olla ennen syvyyskäyriä, sillä kartalla halutaan kuvata nimenomaan typpipäästöjä. Otsikointi olisi parempi, jos siinä puhuttaisiin esim. typpipäästöitä eikä vain typestä. Roope Heinonen tuo ilmi omassa blogitekstissään, että hänen kartassaan Puolan osuus päästöistä on hieman epäselvä, sillä skaala 13,30-34% on niin suuri. Sama ongelma on myös omassa kartassani. Aineistosta johtuva ongelma on, että kartassa näkyy vain valtioiden päästöjen määrä kokonaispäästöistä. Se ei siis ota huomioon esim. eri maiden pinta-alaa tai asukaslukua. Ensimmäiseksi kartakseni se on kuitenkin mielestäni ihan hyvä ja ainakin opin käyttämään QGIS:n perustoimintoja sekä huomasin, mitä asioita voisin parantaa seuraavalla yrityksellä.

Nyt särkee päätä, joten aika lopettaa tältä kertaa!

 

 

Lähteet:

Karhu, Maiju. Kurssikerta 1. (17.1.2018) https://blogs.helsinki.fi/maikarhu/ (luettu 22.1.2018)

Heinonen, Roope  Ensimmäinen kerta.(22.1.2018)  https://blogs.helsinki.fi/hcroope/ (luettu 22.1.2018)

Itämeren oppimispolku. http://itamerenoppimispolku.fi/ (luettu 22.1.2018)

Wikipedia.
https://en.wikipedia.org/wiki/Economy_of_Poland (luettu 22.1.2018)
https://en.wikipedia.org/wiki/Economy_of_Finland (luettu 22.1.2018)