Haloo! Tulvariski!

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.”

Kuva 1 Suomen tulvaindeksiä ja järvisyysprosenttia kuvaava kartta

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)

Projektioita ja vääristymiä

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.

Kuva 1 Pitkittäisestä Mercatorin projektiosta aiheutuva pinta-alavääristymä verrattaessa Lambertin projektioon

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.

Kuva 2 Gauss Laborde Reunion projektiosta aiheutuva pinta-alavääristymä verrattaessa Lambertin projektioon

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)

 

Huono kartta ja vähän parempi kartta

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.

Kuva 1. Avioerojen määrä eri kunnissa

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.

Kuva 2. Työttömyysaste kunnittain

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)

QGIS ja ensimmäinen kartta

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.

Kuva 1. Itämerta ympäröivien valtioiden typpipäästöt

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)