Harjoitus 1

Harjoitus 1

MAA-202 Geoinformatiikan menetelmät 1 / Albert Lenkiewicz

 

Ajatuksia geoinformatiikasta ja sen merkityksestä minulle

 

Olen ekologiaan suuntautuva luonnonsuojelusta kiinnostunut biologian toisen vuoden opiskelija. Hain aineenopettajakoulutukseen, sillä opetustaustani ansiosta tiedän opettamisen olevan yksi mahdollinen tulevaisuuden ammattini. Toinen, yhtä merkittävä syy hakemiseen oli maantieteen opintoihin myönnettävä opiskeluoikeus. Jo nyt luonnonmaantiede on tarjonnut valtavasti uusia oivalluksia mm. systeemitason ekosysteemitarkasteluun liittyen. Maantieteen opintoihin sisältyvät GIS-menetelmät ovat olennaisia mm. luonnonsuojeluun liittyvissä kartoituksissa sekä ylipäänsä alueellisen tiedon tuottamisessa. Alan työhakemuksissa olenkin törmännyt GIS-menetelmien hallinnan vaatimuksiin, joten myös käytännössä tästä kurssista on hyötyä. Olen koko ikäni ollut tietokoneiden ja pelikonsolien kanssa tekemisissä, joten lähtökohtaisesti en koe millään tavoin epämiellyttävänä uusiin ohjelmiin tutustumista. En ole aiemmin kirjoittanut blogia, vaikka kirjoittamisesta muuten paljon nautinkin, joten toivon oppivani myös siinä vaadittavia taitoja. Tällaista kymmenisen vuotta muita vanhempaa opiskelijaa lämmittää huomata, etten kuitenkaan ole blogiin liittyvän kokemattomuuteni kanssa yksin (Holopainen 2021).

 

Ensikosketus QGIS-ohjelmaan

 

QGIS-asennus sujui Macillani ongelmitta ja tarvittavan adapterin hankittuani sain myös toisen näytön käyttööni, mikä sujuvoitti työskentelyä huomattavasti oman puuhastelun ja harjoituskertojen yhtäaikaisen seuraamisen mahdollistuttua. Toisen näytön olemassaolo osoittautui vielä entistä arvokkaammaksi, kun itsenäistä tehtävää tehdessä luentotallennetta pystyi selaamaan ja pysäyttämään haluamissaan kohdissa – tehokasta työskentelyä! Tästä tehokkuudesta oli Maija (Jalonen 2021) yhtä mieltä. Vaikka kurssi pidettäisiinkin jatkossa lähiopetuksena, kannattaisi luentojen tallentamista siitä huolimatta silti harkita.

 

Ensimmäisessä tapaamisessa lähdettiin heti liikkeelle tarkoituksena tuottaa aineistoa. Lähestymistapa sopi minulle hyvin ja pidän sitä parempana kuin puhtaan teoreettista esittelyä ohjelman toiminnoista. Perustaidot, kuten tiedostojen lataaminen kerroksiksi (layer) sekä niiden tarkastelu attribuutti- eli ominaisuustaulukon muodossa olivat ensimmäisiä oppimiani asioita. Myös yleinen visuaalisen ilmeen muokkaaminen tuli tutuksi. Näitä perusasioita harjoiteltiin Itämerta ympäröivien valtioiden typpipäästöjä kuvaavalla kartalla, josta Kasper (Mickos 2021) löysi minua suuresti kiinnostavan tiedon liittyen Venäjän yllättävän vähäiseen osuuteen päästöissä, mikä tietenkin on toivoa antavaa. Elmo (Holopainen 2021) mainitsi typpipäästötehtävän yhteydessä QGIS-ohjelman Mask-liitännäisestä, josta en ole kuullutkaan ja johon aion tutustua.

 

Valitsin omatoimiseksi harjoitukseksi vaihtoehdon yksi eli Suomen kunnat -kartan muuttujien visualisoimisen. Tarkasteltuani ominaisuustaulukon sarakkeiden sisältämää tietoa valitsin visualisoitavaksi muuttujakseni kuntakohtaisen kesämökkimäärän. Asia kiinnostaa minua ekologian näkökulmasta, sillä erityisesti vesistöjen yhteydessä sijaitsevat kesämökit vaikuttavat ympäristöön merkittävästikin ja kyseessä ovat puhtaasti ylellisyystuotteet. Aloitin työskentelyn QGIS-”pääruudussa” (Kuva 1).

 

Kuva 1 Suomen kunnat -aineisto QGIS-ohjelmassa

 

Tein luokittelun kesämökeille (Kuva 2).

 

Kuva 2 Luokittelun tekeminen kesämökeille QGIS-ohjelmassa Layer Properties –> Symbology -toiminnolla

 

Valmiin karttavisualisoinnin tuottaminen tapahtui omassa ikkunassaan (Kuva 3).

 

Kuva 3 Karttavisualisoinnin tuottaminen QGIS-ohjelman New Print Layout -toiminnolla

 

Kuva 4 Kesämökkien lkm / kunta Suomessa v. 2015, QGIS-ohjelmassa tuotettu karttavisualisointi

 

Karttavisualisointini tarkoitus on osoittaa kesämökkien lukumäärä Suomen kunnissa vuonna 2015 (Kuva 4). Aineisto sisälsi desimaalilukuja, jotka pyöristin kokonaislukuihin. Koska luvut vaihtelivat nollan ja 8374:n välillä, oli ensimmäinen tehtäväni miettiä sopivaa luokittelutapaa. Paras ratkaisu olisi mielestäni ollut laatia omat luokat tasatuhansin, esim. 0-1000, 1001-2000 jne., mutta tätä en osannut ohjelmalla vielä tehdä, enkä ehtinyt etsiä ratkaisua internetistäkään. Kompromissiratkaisuna päädyin tasaväliseen jakoon suurin piirtein tuhansien välein eli kahdeksaan luokkaan. Seuraavaksi minun tuli päättää, miten ilmaista luokkajako värein. Lähtökohtaoletukseni oli, että tieto välittyy parhaiten yhden värin eri skaaloja hyödyntäen. Eri vaihtoehtoja kokeiltuani totesin oletukseni oikeaksi. Pyrkiessäni välttämään punavihersokeille epäselviä värejä valitsin sinisen. Milja (Mäki-Rahkola 2021) pohti  ansiokkaasti blogissaan punaisen värin aiheuttamaa mahdollista negatiivisiin asioihin liittyvää assosioitavuutta suhteessa siniseen. Huomioon ottamisen arvoinen asia, epäilemättä!

 

Mielestäni karttani saavuttaa tavoitteensa eli osoittaa, miten kesämökkien lukumäärä jakaantui Suomen kunnissa vuonna 2015. Asteittainen värien käyttö ja riittävän monta luokkaa mahdollistavat sen tarkastelemisen, mille alueille mökit keskittyvät suuremmassakin mittakaavassa, ei pelkästään kuntatasolla. Kartasta välittyy tieto, että eniten mökkejä sijaitsee saaristossa sekä ns. järvi-Suomessa, vähiten taas Pohjanmaalla ja pohjoisissa osissa Suomea. Tarkastelevan henkilön tietokonenäytön ominaisuuksista riippuen yksittäisten värierojen havaitseminen voi olla haastavaakin, mitä kartassani kritisoisin. Kartta sisältää tehtävänannossa määritellyt hyvän kartan elementit eli legendan, mittakaavan sekä pohjoisnuolen. Myös reunukset löytyvät, vaikkakaan ne eivät kyseisessä kartassa ole mielestäni kovin olennaisia.

 

Pinja (Pikkarainen 2021) oli tarkastellut tehtävässään Syntyneiden enemmyys -muuttujaa, josta en ollut kuullutkaan aikaisemmin, ja jonka opin tarkoittavan elävänä syntyneiden ja kuolleiden erotusta. Hänen esityksessään muuttuja sai myös negatiivisia arvoja, jotka kaiken lisäksi olivat yleisimpiä hänen esityksessään. Kuten Pinjakin totesi, kartan tulkinta oli tästä lähtökohdasta hieman omituista, vaikkakin karttaesityksen havainnollisuus oli sinällään hyvä. Havainnollista on myös ympäröivistä alueista poikkeavien kohteiden osoittaminen, kuten Villen (Väisänen 2021) blogista käy ilmi. Kaskinen erottuu korkeamman työttömyyden alueena muuten hyvin työllistyneellä Pohjanmaalla. Muita mielenkiintoisia visualisoituja muuttujia löytyi mm. Lotalta (Viitala 2021), joka tarkasteli jalostuksen osuutta kuntien elinkeinorakenteessa sekä Venlalta (Sirola 2021), jonka kartalla näkyy kuntien taajama-asutuksen prosentuaalinen osuus.

 

Lähteet:

Holopainen, Elmo 2021, Elmblog, (https://blogs.helsinki.fi/elmblog21/) Luettu 30.5.2021

Jalonen, Maija 2021, Maijan blogi, (https://blogs.helsinki.fi/mmjalone/) Luettu 30.5.2021

MAA-202 Geoinformatiikan menetelmät 1 -kurssin kurssimateriaali 2021

Mickos, Kasper 2021, Kasperin Blogi, (https://blogs.helsinki.fi/kmickos/) Luettu 30.5.2021

Mäki-Rahkola, Milja 2021, MAA-202 -Kurssiblogi, (https://blogs.helsinki.fi/miljmaki/) Luettu 30.5.2021

Pikkarainen, Pinja 2021, Pinjan blogi (maa-202), (https://blogs.helsinki.fi/pinjapik/) Luettu 30.5.2021

Sirola, Venla 2021, venlasir’s blog, (https://blogs.helsinki.fi/venlasir/) Luettu 30.5.2021

Viitala, Lotta 2021, Lotan blogi, (https://blogs.helsinki.fi/vilotta/) Luettu 30.5.2021

Väisänen, Ville 2021, Villen GIS-blogi, (https://blogs.helsinki.fi/villvais/) Luettu 30.5.2021