Ensimmäisellä kurssikerralla paikkatieto-ohjelmisto QGIS tuli jälleen tutuksi, kun harjoittelimme sen perusteita, työkaluja, näkymiä, tasojen hallintaa, datan käsittelyä ja visualisointia, sekä kartan viimeistelyä. Olen itse käyttänyt QGIS-ohjelmistoa muutaman kerran aikaisemmin geoinformatiikan johdatuskurssilla, joten suurin osa asiasta olikin – vaikkakin tärkeää – kertausta.

Tällä kurssikerralla teimme kaksi pääasiallista harjoitusta, jossa ideana oli paikkatiedon visualisointi teemakartalla. Ensimmäinen kartta tehtiin luennolla ja se esittää Itämeren rannikkovaltioiden typpipäästöjä. Toisen kartan sai tehdä omista muuttujista eri Suomen kuntien avaintiedoista. Tein omani ruotsinkielisten jakaantumisesta.

ENSIMMÄINEN HARJOITUS

 

Ensimmäisessä harjoituksessa sain jo huomata QGIS-ohjelmiston monipuolisuuden ja toiminnonrikkauden ja huomasin olevani kertaamisen tarpeessa. Harjoitus tehtiin onneksi yhdessä luennonpitäjän johdolla, ja pääsin nopeasti juoneen kiinni.

Harjoituksessa laadittiin valtiokohtaisista typpipäästöistä teemakartta, mitä varten saatujen aineiston arvot piti suhteuttaa, jotta saataisiin todenmukaisia luokitteluvälejä karttaan. Tämä saatiin jakamalla jokainen typpipäästön arvo niiden yhteissummalla. Työvaihe opettikin suhteutettujen arvojen tekemiseen, nimeämiseen ja ominaisuustaulukon ja kenttälaskimen kanssa työskentelyyn.

Karttaan piti tämän jälkeen luokitella välit, jota eri väriasteikko kuvaa. Luokittelujen tekeminen on yksi kartografian peruselementeistä, jossa virheen tekeminen on suuri. Tässä tehtävässä olikin tärkeää, että luokittelut olivat tasaisia, jotta kartassa näkyisi selkeästi valtiokohtaiset erot typpipäästöissä. Luokittelin arvot viiteen luokkaan luonnollisten välien mukaan, ja tulos näytti minusta järkevältä.

Lopuksi karttaan piirrettiin peruselementit: pohjoisnuoli, mittakaava ja legenda. Lopputulos näytti minulla tältä:

Karttaa oli miellyttävä visualisoida oman näköiseksi ja kokeilla erilaisia toimintoja. Toivon kuitenkin kehittyväni kurssin saatossa kartan nopeassa ja informatiivisessa visualisoinnissa, ettei siihen kuluisi turhaa aikaa. Olen tyytyväinen typpipäästökarttani ulkonäköön, vaikkakin en onnistunut jatkaa merialuetta Atlanttiin kohden. Nyt Itämeri näyttää ikään kuin menevän yhtäkkiä poikki.

Luokitteluvälini olisin voinut valita hieman paremmin. Erityisesti Puolan luokitus on kartassa hyvin epäselvä ja vaikeaselkoinen, koska sen arvo poikkeaa dramaattisesti muista valtioista. Kartan tekijä toki tietää Puolan päästömäärän olevan luonnollisten luokitteluvälien suurin arvo (33,7 %), mutta kartasta katsottuna todellista päästömäärä ei voida havaita luokitteluvälin suuruuden vuoksi. Tätä luokittelun elementtiä pohtii blogissaan myös muun muassa Antti Pihlavisto, joka sanookin, että kartasta ilmeneekin lähinnä vain se, että Puola on Itämeren valtioista suurin saastuttaja.

Informatiivisuudeltaan kartasta tuli kattava, ja näyttää hyvin erot maiden typpipäästöjen välillä. Toki kartta antaa vain karrikoidun näkemyksen asiasta, ja vaatii ympärilleen taustoitusta typpipäästöjen juurisyistä. Luokitteluvälini myös korostavat selkeästi suuren päästömäärän aiheuttavia valtioita, mikä saattaa tehdä luokituksestani moralisoivan. Moralisoivaan luokitteluun vaikuttaa myös valitsemani värimaailma, jossa punainen kuvastaa selkeästi negatiivista ilmiötä ja valkoinen väri tietynlaista puhtautta. Luokittelussani siis Viro saa synninpäästön, mutta Puola saa ankaran tuomion saastuttajana.

Tosin tässä kontekstissa ei mielestäni moralisoinnista ole haittaa. Typpipäästöt voivat aiheuttaa erilaisia ympäristöongelmia Itämerellä, mikä edistää ns. rehevöitymistä. Päästöt aiheuttavat myös muun muassa hapen vähenemistä, vedenlaadun heikkenemistä, ekosysteemien häiriöitä ja leväkukintaa. Positiivista on kuitenkin, että tulevaisuuden skenaariot osoittavat laivaliikenteen typpilaskeumien vähenevän, vaikka kuljetusmäärien odotetaan kasvavan (Jutterström, Sara, et al. “The impact of nitrogen and sulfur emissions from shipping on the exceedance of critical loads in the Baltic Sea region.” Atmospheric chemistry and physics 21.20 (2021): 15827-15845.)

TOINEN HARJOITUS

 

Toinen, omatoiminen harjoitus seurasi pitkälti edellistä – tällä kertaa oli vain uusi aineisto ja vapaat kädet. Aineistossa oli Suomen kuntien erilaisia muuttujia, joista piti valita yksi koropleettikartan tekoon. Valitsin muuttujakseni Suomen ruotsinkielisten väestön osuuden, ja toistin hyvin muistista edellisen tehtävän vaiheet. Työvaiheet sujuivat huomattavasti nopeammin ja kivuttomammin tällä kertaa.

Edellisestä tehtävästä poiketen tein tällä kertaa luokittelut ja värit käsin. Huomasin, että suurin osa luokitteluista vääristää tuloksia, kun ruotsinkieliset ovat hyvin vahvasti ryhmittyneet vain tietyille alueille. Tästä puhuu myös samasta muuttujasta kartan tehnyt Touko Manner blogissaan, jossa hän puhuu ettei ” [ruotsinkielisten painottumisen takia] luokittelussa voi noudattaa likimainkaan luonnollisia tai kiinteitä välejä tai normaalijakaumaa”. Manner myös oli mielestäni järkevästi rajannut karttansa kattamaan vain Etelä-Suomen aluetta, sillä pohjoisessa ruotsin kielen puhujia on niin vähän.

Oma koropleettikarttani oli kuitenkin looginen ja informatiivinen. Kartta näyttää selkeästi ruotsinkielisten alueellisen jakautumisen, sekä myös niiden vähyyden sisämaalla. Pidän koropleettikartoista niiden yksinkertaisuuden ja visualisuuden takia, minkä takia on hyvä päästä myös tuottamaan itse niitä.

Viimeiseksi (oltuani selkeästi liian kauan zen-modessa) lähdin kokeilemaan onneani 2. vaikeusasteen tehtävässä, jossa monet kaverini olivat epäonnistuneet. Tehtävässä piti etsiä oma muuttuja jostain toisesta aineistosta ja liittää se ”join” -toiminnolla edellisen tehtävän kuntatasoon. Löysin suhteellisista rikosten määrästä tehdyn aineiston Statafin-palvelusta (Tietoon tulleet rikokset ja niiden selvittäminen muuttujina Vuosi, Kunta, Rikosryhmä ja teonkuvauksen tarkenne ja Tiedot. PxWeb (stat.fi)), ja pyrin liittämään sen csv-tiedostona QGIS-ohjelmistoon, sekä sen jälkeen join-toiminnolla tasoon. Siitä ongelmani alkoivat. En saanut join-toiminnolla millään keinolla arvoja tasolle.

Koitin:

• Taulukon lataamista GEOJSON-tiedostona
• Taulukon lataamista API-kyselynä
• Erilaisia tiedostomuotoja (HTML, EXCEL)
• Muokkailla Excelissä taulukkoa
• Kaikkia join-työkalun toimintoja
• Tyypin, pituuden ja tarkkuuden muokkaamista samoiksi
• Erilaisiksi tiedostomuodoiksi tallentamista
• Virtual Fieldin käyttöä join-toiminnossa
• sekä monia muita toimintoja, mitä en edes muista enää

Noin kahden ja puolen tunnin tehokkaan työskentelyn jälkeen jouduin myöntämään tappioni. Parhaimmassa tapauksessa sain csv-tiedoston nimen näkymään tasolla, mutta arvot eivät kuitenkaan seuranneet perässä. Lopussa oli pakko todeta, että arvojen kirjoittaminen käsin olisi ollut nopeampaa, joten päätin suosiolla luopua leikistä. Katsoin myös noin 5 erilaista videota ja luin 10 erilaista artikkelia miten ratkaista ongelma. Positiivisena puolena opin toki rutkasti QGIS:n käyttöä, mutta ketutus oli silti suuri. Kello 21.30 kampuksella lähdin vihaisena ja murtuneena kotiin ja korkkasin huurteisen.

Lähteet:

A. Pihlavisto (2024) Anttipih’s Blog: Ensimmäinen kurssikerta. Viitattu 23.1.2024 (anttipih’s blog (helsinki.fi))

T. Manner (2024), Toukon MAA202 Blogi: Ensimmäinen kurssikerta. Viitattu 23.1.2024 (Toukon MAA-202 -blogi – Geoinformatiikka-ajatuksia ja -oivalluksia talvella 2024 (helsinki.fi))

Tietoon tulleet rikokset ja niide selvittäminen muuttujina Vuosi, Kunta, Rikosryhmä ja teonkuvauksen tarkenne ja Tiedot. PxWeb. Viitattu 23.1.2024 (https://pxdata.stat.fi/PxWeb/pxweb/fi/StatFin/StatFin__rpk/statfin_rpk_pxt_13ex.px/)

Jutterström, Sara, et al. “The impact of nitrogen and sulfur emissions from shipping on the exceedance of critical loads in the Baltic Sea region.” Atmospheric chemistry and physics 21.20 (2021): 15827-15845. Viitattu 23.1.2024 (https://acp.copernicus.org/articles/21/15827/2021/)

GIS-memes, Reddit Thread. Viitattu 23.1.2024 (https://www.reddit.com/r/GISmemes/?rdt=64713)