anre's blog

 

Viimeisellä kurssikerralla pääsi säätämään ja ihmettelemään itse tuotujen aineistojen ja niiden esittämisen kanssa oikein olan takaa. Valmistauduin kurssikertaan hakemalla aineistot Tilastokeskukselta. Mielyyttävältä näyttävän pohjakartan Suomesta löysin aikaisemmista kurssimateriaaleista (vielä kun olisin tässä vaiheessa tajunnut ajatella hieman pidempään sitä, että taustakartta oli vuodelta 2015). Kurssikerran alussa sain kuitenkin ensimmäiseksi ilokseni huomata, ettei excelissä tehdyt aineistot halunneetkaan aueta Qgis:issä ja lopulta sain tuoda aineistoja uudelleen eri mutkien kautta. Kaiken säätämisen ohessa myös kartoilla kuvatut aiheet vaihtuivat muutamaankin otteeseen.

Ensimmäisessä kartassa (kuva 1.) on kuvattu taloudellista huoltosuhdetta kunnittain. Toisessa kartassa (kuva 2.) taas nettomuuttoa kunnittain. Kumpikin kartta kuvaa vuoden 2017 tilannetta. Halusin tarkastella karttojen avulla huoltosuhteen ja nettomuuton yhteneväisyyksiä ja eroavaisuuksia. Jälkikäteen ajateltuna olisi ehkä ollut järkevää tarkastella vuoden 2018 huoltosuhdetta, koska en tiedä näkyykö nettomuutto taloudellisessa huoltosuhteessa vielä samana vuonna. Yhteneväisyyksiä näiden kahden kartan välillä voi kuitenkin huomata: isompien  kaupunkien kohdalla ja läheisyydessä sekä huoltosuhde, että nettomuutto erottuvat edukseen.  Nämä kaksi karttojen muuttujaa eivät kuitenkaan korreloi täysin eli poikkeamaakin on. Esimerkiksi Lapissa huoltosuhde on melko hyvä, vaikka nettomuutto on negatiivinen. Taloudelliseen huoltosuhteeseen vaikuttaa kuitenkin myös moni muu asia, kuten esimerkiksi kunnan työllisyysaste.

Itse karttojen teko oli vaiherikas, rasittava ja lopulta (ihme ja kumma) kohtuullisen mukava prosessi. CSV-tiedostojen kanssa sai taistella ihan tarpeeksi, kun Tilastokeskuksen taulukot eivät auenneet järkevästi Qgis:issä. Lopulta kopioin tiedot exceliin ja muokkasin taulukon ulkoasua ennen Qgis:iin tuomista. Yli 300 kunnan tietojen läpikäynti excelissä oli melkoinen operaatio.  Kuvan 2. karttaan laskin erikseen tuoduista tulo-ja lähtömuutoista nettomuuton ja liitin Join-toiminnolla ne taustakarttaan. Tässä vaiheessa olin saanut kaksi karttaa valmiiksi. Kunnes huomasin, että muutamasta kunnasta puuttui tilastotieto. Noh, ei kun selvittämään syytä. Aluksi luulin, että syy oli tuodun aineiston ja pohjakartan kuntanimien eroissa. Eipä ollut ei. Kuten aiemmin mainitsin, taustakartta on vuodelta 2015 ja tilastotieto vuodelta 2017. Näiden kahden vuoden aikana on tapahtunut muutama kuntaliitos ja siksi nämä tiedot puuttuvat, koska tilastotiedoissa ei näitä kartalla esitettyjä kuntia ei enää ole. Nämä kunnat ovat entinen Juankoski, Nastola sekä Jalasjärvi, jotka on liitetty toisiin kuntiin. Aikaisemmista kurssiaineistoista löytyi kuitenkin vuoden 2017 kuntajako, jonka sain tuotua Qgis:iin. Enää siis vain nettomuuton ”Joinaaminen” uuteen taustakarttaan ja ongelma on poissa. Paitsi että Qgis päätti näyttää vielä viimeisen kerran isoa paksua keskisormeaan ja ei suostunut liittämään aineistoa. Siksi näissä kartoissa on mainitsemieni kuntien tiedoissa virhe. Tappelin Qgis:in kanssa useampaan otteeseen enkä silti saanut toimintoa  läpi, vaikka se kurssikerroilla onkin onnistunut (yleensä) ongelmitta.  Oma huolimattomuusvirhe kostautui siis oikein huolella, kun en tajunnut ajatella mahdollisia kuntaliitoksia. Silti tuntuu lottovoitolta, että halutut asiat on esitettynä kartalla.  Kuten Alex Nylanderkin blogissaan toteaa: ”Ei tässä muuta, mennään näillä mitä on”. Tästä otin kuitenkin opikseni. Vaikka viljelin työtä tehdessä ärräpäitä melko kunnioitettavan määrän enkä todellakaan selvinnyt ilman apua, oli itsenäinen harjoitus todella opettavainen ja mukavan haastava.

 

Lähteet:

Alexin blogi, ” Vapain käsin, vapain mielin”, 2020. https://blogs.helsinki.fi/alny/

http://pxnet2.stat.fi/PXWeb/pxweb/fi/StatFin/StatFin__vrm__muutl/statfin_muutl_pxt_11a1.px/table/tableViewLayout1/

http://pxnet2.stat.fi/PXWeb/pxweb/fi/StatFin/StatFin__vrm__vaerak/statfin_vaerak_pxt_11ra.px/table/tableViewLayout1/

( blogi on valmis)

Kuudes kurssikerta alkoi aamun happihyppelyllä kun lähdimme keräämään aineistoa ulos. Etsimme kaupunkikohteita, joiden viihtyvyyttä, turvallisuutta sekä hengailuun soveltuvuutta arvioimme. Nämä arviot syötettiin Epicollect5-sovellukseen, josta aineisto siirrettiin kurssikerralla lopulta Qgis:iin. Tuotetusta pisteaineistosta interpoloitiin muun muuassa kuvan 1. kartta. Kartalla samaan luokkaan kuuluvia pisteitä on yhdistelty alueiksi eli pisteiden välinen ”tyhjä tila” on interpoloitu yhtenäiseksi. Kokonaisuudessaan aineiston keruu ja itse interpolointi oli yksinkertaista ja kivaa tekemistä. Epicollect5-sovellus oli helppo käyttää ja kerätä aineistoa.  Oli myös kiinnostavaa esittää itse kerättyä aineistoa kartalla.

Interpoloinnin jälkeen siirryimme itsenäisten tehtävien pariin. Tehtävänä oli tuoda CSV-muodossa aineistoa Qgis:iin ja esittää haluttuja asioita kartalla. Kartalle valittiin kohteita, joita voisi hyödyntää kouluopetuksessa. Oman sisäisen opettajansa sai siis kaivaa esille. Harjoitus oli mukavan yksinkertainen ja erilainen kuin yleensä. Itse halusin keskittyä maanjäristyksiin ja valitsin kuvissa 2-4 esitetyt magnitudit, alueet ja aikavälit, jotka koin toimiviksi.

Ensimmäisellä kartalla (kuva 2.) valitsin esittää yli 6.5 magnitudin maanjäristyksen viimeisen vuoden aikana. Yli 6.5 magnitudin järistykset ovat jo voimakkaita ja halusin esittää kokonaiskuvan viimeisen vuoden aikana maailmalla tapahtuneista voimakkaista maanjäristyksistä. Osa näistä on hukkunut uutisoinnissa melko olemattomaksi, joten mielestäni oli kiinnostavaa tehdä aluksi vuosikatsaus melko voimakkaista järistyksistä. Pieniä järistyksiä olisi vuoden aikana ollut niin paljon, ettei niitä mielestäni ollut järkevää esittää kyseisellä aikavälillä.

Toisella kartalla (kuva 3.) halusin esittää Indonesian alueella tapahtuneet yli 4.5 magnitudin järistykset. 4.5 magnitudin järistykset ovat melko pieniä, mutta kuukausi on sen verran lyhyt aikaväli, ettei suuria järistyksiä olisi ollut esitettäväksi. Valitsin Indonesian alueen, koska se sijaitsee seimisesti ja vulkaanisesti aktiivisella alueella ja elintaso on alhainen, eli resurssit riskeihin varautumiseen ovat pienet, rakennukset huonosti järistyksiä kestäviä ja hasardeista toipuminen on hidasta. Kartan yhteydessä voisi keskustella siis myös maanjäristyksiin varautumisista ja varallisuuden merkityksestä siinä, sekä tsunameista.

Kolmannella kartalla (kuva 4.) esitin viimeisen viiden vuoden aikana tapahtuneet yli 5 magnitudin maanjäristykset. Itse huomioin heti selkeänä litosfäärilaattojen saumakohdat kuvasta 4. Myös Jonna Kääriäinen oli maininnut blogissaan huomanneensa järistysten sijainnin juurikin laattojen saumakohdissa.   Etsin netistä kuvan, jossa on esitetty litosfääärilaattojen saumakohdat ja kuvia 4 ja 5 tarkastelemalla vierekkäin voi huomata selkeän yhtenevyyden. Näitä kahta kuvaa voisi käyttää opetuksessa, etenkin maanjäristyksiin tutustumisen alkuvaiheessa. Kartasta ja kuvasta olisi helppo opettaa maanjäristysten esiintymistä maapallolla.

Kokonaisuudessaan kurssikerta ja itsenäiset harjoitukset olivat kerrankin melko mielyyttäviä ja mukavaa vaihtelua. Positiivisilla fiiliksillä kohti viimeistä kurssikertaa!

Lähteet:

Peda.net

Geoinformatiikan menetelmät 1, ”Riskien kuvaamista kartalla”, 2020. https://blogs.helsinki.fi/kaarijon/

 

Viidennellä kurssikerralla pääsimme työskentelemään puskureiden eli buffereiden parissa ja tekemään niistä erilaisia väestöön keskittyviä analyysejä. Kuten Venla Moisio ja Pihla Haapalo blogeissaan toteavat, puskurivyöhykkeet mahdollistavat halutun kokoisen vyöhykkeen vaikutusalueen tarkastelua ja analysointia. Buffereilla voitaisiin tarkastella esimerkiksi kauppojen vaikutusalueiden suuruutta tai sivuten kurssikerran tehtävää, esimerkiksi moottoriteiden melun vaikutusaluetta.

Kurssikerta koostui pääosin itsenäisistä harjoituksista, joiden tuloksia olen esittänyt taulukoissa 1 ja 2.

Taulukossa 1. on kuvattu Helsinki-Vantaan ja Malmin lentokenttien läheisyydessä asuvien ihmisten määrää sekä heidän altistumista eri asteiselle melusaasteelle. Aloitin tehtävän piirtämällä väliaikaisille layereille lentokentät. Lentokenttien ympärille luotiin tässä tehtävässä yhden ja kahden kilometrin levyiset vyöhykkeet. Qgis:iin tuodun väestötietokannan avulla pystyttiin tarkastelemaan vyöhykkeen sisäpuolelle jääneitä pisteitä, jotka tässä tapauksessa esittivät asutusta. Kuten Venla Moisiokin blogissaan totesi, valintatyökalu osoittautui tehtäviä tehdessä todella hyödylliseksi.

Taulukossa 2 on tarkasteltu väestön sijoittumista metro-ja juna-asemien läheisyyteen, sekä absoluuttisin, että prosentuaalisin osuuksin. Toinen harjoitus tuntui jo huomattavasti helpommalta ja sujuvammalta kuin ensimmäinen. Ensimmäinen harjoitus aiheutti nimittäin melko paljon turhautumista ja vei ajallisestikin huomattavasti pidempään kuin toinen harjoitus. Toki valmis aineisto asemista nopeutti harjoituksen tekemistä. Yleisesti kurssikerran harjoitukset tuntuivat haastavilta, mutta samalla tuntui mahtavalta kun vihdoin onnistui edes jossain työvaiheessa. Tuntuu myös melkoiselta työvoitolta, että tänne blogitekstiin on kaiken hajoilun jälkeen päätynyt kuitenkin jopa kaksi taulukkoa.

Bufferointi tuntuu kuitenkin yleisesti melko selkeältä takkuilevan alun jälkeen. Qgis on alkanut kurssikertojen edetessä tuntua kokoajan tutummalta ja helpommalta käyttää. Välillä tuntuu, että jokin välivaihe tai klikkaus meinaa unohtua ja siksi lopputulos ei ole se mitä haluaisin, mutta perustoiminnot, valintatyökalut, bufferointi (ainakin osalti) sekä laskutoimitukset tuntuvat helpoilta. Layereiden kanssa työskentelyä  ja niiden välillä vaihtamista voisin harjoitella vielä lisää. Miklas Kuoppala sanoo blogissaan, että hänen osaamisensa on paljon kiinni siitä, kuinka paljon hän on kyseistä toimintoa käyttänyt. Voin samaistua tähän täysin: usein käytetyt toiminnot tulevat miettimättä sen enempää ja uudet tuttavuudet ovat hankalampia käyttää.

Lähteet:

Miklas’s geoblog, ”jatkuu ensi numerossa..”, 2020. https://blogs.helsinki.fi/kmiklas/

haapalop’s blog, ”kädet ilmaan”, 2020. https://blogs.helsinki.fi/haapalop/

Venlan blogi-Geoinformatiikan menetelmät 1, ”Viikko 5-Bufferointiin tutustumista ja itsenäistä työskentelyä”. https://blogs.helsinki.fi/moivenla/

 

 

Neljännellä kurssikerralla pääsimme tutustumaan ruudukoiden käyttöön vektoriaineiston yhteydessä, sekä esittämään sekä absoluuttisia, että suhteellisia arvoja juurikin ruututeemakartalla. Ensimmäisenä toimme pääkaupunkiseudun asutusta kuvaavaa pisteaineistoa Qgis:iin. Tämän jälkeen loimme kartalle ruudukon, jonka avulla pääkaupunkiseudun alue rajautui saman kokoisiin ruutuihin.  Kurssikerran harjoituksessa kuvasimme pääkaupunkiseudun asukastiheyttä ruudukolla. Kuvassa 1. on kurssikerralla otettu kuvakaappaus harjoituksesta. Ruutujen alla näkyy punaisella pisteaineisto, jonka toimme ensimmäisenä Qgis:iin.  Pisteaineistossa oli runsaasti dataa asutuksen sijainnista, ikä- sekä sukupuolijakaumasta ja asukkaiden määrästä. Ruutukartalla pisteet ja niiden attribuuttitiedot on sisällytetty ruudukkoon ja kartalla on esitetty halutut muuttujat.  Ruutukartta mahdollisti myös absoluuttisten arvojen kuvaamisen, kun aiemmin olemme kuvanneet koropleettikartoilla suhteellisia osuuksia. 

Yhteisen harjoittelun jälkeen siirryimme itsenäisen harjoituksen pariin. Esitimme samalla pohjakartalla ja ruudukolla valitsemaamme muuttujaa. Itse valitsin tarkasteltavaksi muuttujaksi ruotsinkielisten suhteellisen osuuden väestöstä. Harjoituksen lopputulos on kuvassa 2.

Ruutukartta on monipuolinen ja toimiva tapa esittää tietoa, jos halutaan, että esitystapa on tarkka. Kuten aiemmin mainitsinkin, ruutukartassa positiivista on koropleettikarttaan verrattuna myös se, että suhteellisten osuuksien lisäksi on mahdollista kuvata myös absoluuttisia arvoja. Koropleettikartassa kun on jokin valmis aluejako ja arvojen on oltava suhteellisia koska alueet ovat eri kokoisia.  Ruutukartta ei ole mielestäni visuaalisesti yhtä mielyyttävä kuin muut kurssilla tehdyt kartat, mutta huomattavasti tarkempi juuri ruutujen takia. Visuaaliseen ilmeeseen toki vaikuttaa varmasti se, että kyseinen kartta oli vasta kolmas tekemäni ruututeemakartta. Kartan visuaaliseen ilmeeseen vaikuttaa myös se, että ruotsinkielisten osuus on suuressa osassa pääkaupunkiseutua melko alhainen jonka takia suuri osa ruudukkoa on valkoista tai todella vaaleaa sinistä. Muutamia suuremman arvon ruutuja kartalta voi kuitenkin havaita, etenkin itä- ja luoteisosissa suhteelliset osuudet ovat hieman korkeammat. Kuten Venla Moisio (2020) blogissaan toteaa, karttaan olisi voinut myös lisätä nimistöä, joka helpottaisi alueiden hahmottamista. Myös Jonna Kääriäinen(2020) nosti saman asian esille blogissaan: nimistö ja päätiet taustakartalla olisi tehnyt kartasta vielä selkeämmän. Kuvan 2. kartalla esitettyä tietoa olisin jälkikäteen ajateltuna voinut kuvata selkeämmin ympäristöstä erottuvaksi, nyt sinisen värisävyt hieman hukkuvat taustaan.

Jonna Kääriäinenkin (2020) tiivisti blogissaan hyvin samaa mitä itsekin ajattelin: ruututeemakartta on hyvä tapa esittää ja tarkastella tietoa aluerajoista riippumatta.  Ruuduilla on tarkat arvot ja niille voidaan määärittää koordinaatit ja kuvan 2. kartan tietoa voi käyttää erilaisiin tarkoituksiin, kuten ruotsinkielisen varhaiskasvatuksen tai palveluiden tarjonnan suunnitteluun. Etenkin pienillä alueilla ruudut ovat hyvä tapa esittää tietoa alueilla, joissa esimerkiksi kuntajako ei ole toimiva ratkaisu. Kovin suurilla alueilla ruudut voivat kuitenkin alkaa olemaan melko vaikealukuista tilkkutäkkiä. Yleisesti ruututeemakarttojen kanssa työskentelystä jäi positiivinen fiilis, vaikka oman kartan lopputulos voisi olla kauniimpikin.

Lähteet:

Venlan blogi: ”Viikko 4- Ruudukoiden hyödyntämistä ja rasteriaineistoihin tutustumista”. 2020.

https://blogs.helsinki.fi/moivenla/

Geoinformatiikan menetelmät 1- Jonna Kääriäinen ”Pisteaineistosta ruututeemakartaksi”. 2020.

https://blogs.helsinki.fi/kaarijon/

Kolmannella kurssikerralla syvennyimme Qgis:in tietokantoihin ja niiden käsittelemiseen. Aloitimme kurssikerran harjoittelemalla kohteiden yhdistämistä kartalla. Toimme Qgis:iin Afrikka-aineistoa, jonka karttakohteita yhdistimme valintatyökalulla. Kohteiden yhdistäminen helpotti työskentelyä jatkossa, koska tässä tapauksessa tarpeettomien yksityiskohtien määrä väheni huomattavasti. Koska attribuuttitietoa oli paljon, yhdistimme karttakohteita saraketietojen pohjalta. Toimme lisää aineistoa Excelistä Qgis:iin. Tarkastelimme Afrikan kartalla konflikteja, timantteja sekä öljyesiintymiä. Tuotimme jo tutuksi tulleella Qgis:in laskurilla uutta attribuuttitietoa tietokantaan ja tarkastelimme internetin käyttäjien suhteellista osuutta väkiluvusta. Kuten Vilma Koljonenkin blogissaan sanoo, osa käyttäjämäärien arvoista olivat erikoisia, esimerkiksi erään valtion internetin käyttäjien viisinkertainen määrä väkilukuun suhteutettuna.

Tämän jälkeen siirryimme itsenäisen harjoituksen pariin. Tehtävänä oli esittää kartalla Suomen tulvaindeksejä yhdessä valuma-alueiden ja järvien kanssa. Karttaan lisättiin järvisyysprosentti pylväsdiagrammeina. Kartan toteutus sujui nopeasti ja melko helposti. Pylväsdiagrammien lisääminen vaati hieman enemmän aikaa ja etsimistä, mutta toiminto oli lopulta yksinkertainen kun sen löysi. Diagrammin pylväiden kokoa ja sijoittelua sai säätää kuitenkin hetken, että lopputuloksesta tuli visuaalisesti mielyyttävä, eikä mikään tärkeä tieto jäänyt pylväiden taakse. Lopputulos on esitetty kuvassa 1.

Kuvassa 1. on kuvattu histogrammeilla Suomen järvisyysprosentteja sekä tulvariski-alueita eri sinisen sävyillä.

Kuvasta 1. voidaan päätelää, että etelä-sekä länsirannikoilla tulvariski on suurempi kuin maan keski-ja itä-osissa. Kartasta voi myös huomata, että korkean tulvariskin alueilla järvisyysprosentti on melko alhainen. Tästä voi siis päätellä että korkea järvisyysprosentti vähentää tulvariskiä. Kartasta huomaa myös, että korkean tulvariskin alueet sijoittuvat rannikolle, jokien alajuoksulle. Kartta itsessään voisi olla vielä hieman selkeämpi ja pylväiden määrä olisi voinut olla pienempikin. Oleellinen informaatio on kuitenkin omaksuttavissa kohtuullisen hyvin.

Kuten Tiina Aaltokin blogissaan toteaa, oli kolmas kurssikerta melko intensiivinen ja monivaiheinen. Vaikka kartan tekeminen sujuikin kurssikerralla helposti, hankaluudet iskivät vasta kotona kun yritin viimeistellä karttaa. Projektivaiheessa olleen kartan tuominen omalle koneelle aiheutti melko paljon vaikeuksia, eikä lopulta onnistunut ollenkaan.  Lopulta sain kuitenkin kartan viimeisteltyä. Yleisesti tietokantojen tuominen ohjelmaan ja kohteiden yhdistely tuntuu kohtuullisen helpolta, etenkin kurssikerroilla. Kotona osa vaiheista ei aina muistu ihan heti mieleen ja tekeminen on hitaampaa kun oman koneen Qgis:in versio ei halua toimia yhteistyössä.  Kuten Venla Moisio ja Pihla Haapalokin blogissaan toteavat, on tärkeää tutustua ja pyöritellä ohjelmaa myös vapaa-ajalla, jotta käytöstä tulisi sujuvaa. Pihla Haapalo nostaa esille, että toistosta ja vastoinkäymisistä syntyy enemmän muistijälkeä kuin yhdestä onnistuneesta yrityksestä. Itse olen esimerkki siitä, että kurssikerralla tehtävät ovat onnistuneet melko vähillä hermoromahduksilla ja kotona tekeminen on melko hermoja raastavaa ja hidasta. Vapaa-ajan harjoittelua siis lisää!

Lähteet:

Vilmakol`s blog, ”Tietokannoista käyttökelpoisia”, 2020.

Venlan Blogi, ”Viikko 3- tietokantojen yhdistämistä ja laskutoimitusten tekemistä”, 2020.

Haapalop`s Blog, ”Timanttikaivoksia ja tulvaindeksejä”, 2020.

This is GIS-Matkalla geoinformatiikan maailmaan, ”Tietokannat tutummiksi”, 2020.

 

 

 

 

 

 

 Toisella kurssikerralla tarkastelimme karttaprojektion vaikutusta kartan visuaaliseen ilmeeseen, sekä eri valintatyökaluja Qgis:issä.  Valintatyökaluilla voidaan rajata haluttu osa tietokannasta, eli esimerkiksi muutama kunta ja niiden  attribuuttitiedot. Valintatyökalu mahdollistaa siis rajatun alueen tarkastelun erikseen tietokannan muista osista.  Qgis:issä on erilaisia valintatyökaluja, joissa rajauksen voi määritellä eri  tavoin, kuten sijaintiin tai ominaisuuteen perustuen.  

Valintatyökaluihin tutustumisen jälkeen aloitimme pinta-alojen vertailun karttaprojektioiden välillä.  Tarkastelimme Mercatorin ja ETRS89/TM35 projektioiden eroja laskennallisesti sekä visuaalisesti tarkastelemalla karttoja vierekkäin.  Jo pelkän  karttojen visuaalisen tarkastelun pohjalta huomasi, että Mercatorin projektiossa Suomen pohjoisosa oli huomattavasti suurempi kuin eteläosa, koska Mercator  vääristää pinta-aloja suuremmaksi kohti napoja. ETRS-projektiossa Suomen pinta-ala oli visuaalisesti tasaisemman ja vähemmän vääristyneen näköinen.  Minerva Laitinen on blogissaan esittänyt Mercatorin sekä ERTS89/TM35FIN-projektiot vierekkäin, josta huomaa hyvin projektioiden pinta-alojen eroavaisuudet ilman vertailuprosenttia.  

Kuva 1. Mercatorin ja ERTS89/TM35FIN pinta-alojen vertailuprosentti kunnittain. 

 

Harjoituksessa toimme ensimmäisenä Tilastokeskuksen latauspalvelusta  vektoriaineistoa Qgis:iin. Valitsimme Suomen kunta-aineistot vuodelta 2019. Mittakaavoiksi valitsimme 1:4,5 miljoonaan  sekä 1:1000000.   Laskimme Mercatorin sekä ERTS/TM35FIN-projektioiden pinta-alojen vertailuprosentin eli pinta-alojen erotuksen projektioiden välillä. Laskemisessa käytimme Qgis:in laskuria, joka on mielestäni selkeä ja helppokäyttöinen, ainakin laskutoimituksissa joita olen sillä tähän mennessä tehnyt. Tämän jälkeen esitimme tuloksen kartalla sopivalla luokkajaolla. Lopputuloksesta (kuva 1.) huomaa, että pinta-alojen suhteellinen ero suurenee etelästä pohjoiseen. Kun Etelä-Suomen vääristymä on vajaa 300%, se on Pohjois-Suomessa jo jopa 700%. Kartasta voi siis huomata selkeästi Mercatorin projektion keskeisen vääristymän: pinta-alat kasvavat kohti napoja, kun ETRS89/TM35FIN taas kuvaa pinta-alat melko todenmukaisesti koko tarkastellulla alueella. Myös Laura Hynynen teki saman huomion, että Mercatorin projektion pinta-alan vääristymät ovat huomattavan suuret.   Hän nosti esille myös valitun karttaprojektion käytön merkityksen esimerkiksi uutisoinnin yhteydessä. Tämä oli mielestäni hyvä huomio asiaan liittyen. 

Valitsemani jako viiteen luokkaan on toimiva ja kuvaa vertailuprosentin kasvua selkeästi jo heti ensisilmäyksellä. Eroja voisi tuoda esille  dramaattisemmin lisäämällä kontrastia, mutta en kokenut kontrastin  lisäämistä tässä tapauksessa kuitenkaan oleelliseksi. Vertailuprosenttien ylimmän ja alimman luokan kontrastin ero on  huomattava. Alimman luokan väri voisi nostaa vielä enemmän esille melkein 300 vertailuprosenttia, joka on sekin jo melko merkittävä.  Vertailuprosentti 300  tarkoittaa kuitenkin sitä, että Mercatorin projektiossa pinta-ala kuvautuu lähes kolminkertaisena ja pelkkää kartan väritystä tarkastelemalla näyttää että vertailuprosentti olisi melko olematon.  Alimman  luokan väritys voisi siis olla tummempi, mutta silloin luokkien väliset  erot olisi vaikeampi esittää selkeinä.  Kokonaisuudessa  vertailuprosentin kasvu kohti pohjoista on esitetty selkeänä ja luokat  eroavat toisistaan tarpeeksi.  

QGis:in perustoiminnot ovat tuntuneet tähän mennessä kohtuullisen  helpoilta ja ohjelma on selkeä käyttää. Paavo Kettunen mainitsi blogissaan kohdanneensa haastetta eri projektioiden välillä vaihtamisessa. Koin itsekin tiedostojen tallentamisen ja  avaamisen haastavana, etenkin itsenäisesti kotona. Tämä tarvitsee siis  vielä lisää harjoittelua.  Pahoittelut vielä tekstin ulkoasusta, rivitys ja tasaaminen ei jostain syystä toimi ja sanat katkeavat rivin loppuessa. Yritän saada asian korjattua mahdollisimman pian. 

Lähteet: 

Minerval”s blog, ”Pinta-alojen vertailua”. https://blogs.helsinki.fi/minerval/ 

Gis by Laura, “Projektiot suurennuslasin alla”. https://blogs.helsinki.fi/lauravel/ 

Paavoket`s blog, “Kurssikerta 2”. https://blogs.helsinki.fi/paavoket/ 

Käsittelimme ensimmäisellä kurssikerralla QGis-ohjelmistoa. Ennen Qgisiin perehtymistä kävimme läpi paikkatiedon perusteita. Tämän jäl-keen tutustuimme itse ohjelman sisältöön, sekä teimme muutamia käyt-töä helpottavia asetuksia.  

Harjoittelimme kurssikerralla, miten ohjelmaan tuodaan vektorimuotoista aineistoa ja muokkasimme kartan väritystä sekä karttatasojen järjestystä. Värit vaihdettiin kutakin kohdetta kuvaaviksi. Tämän lisäksi harjoittelimme uuden attribuuttitiedon tuottamista laskutoimituksilla valmiista attribuuttitiedosta, jota olimme tuoneet ohjelmaan.  

Ohjelmaan tutustumisen ja perustoimintojen harjoittelun jälkeen aloitimme ensimmäisen itsenäisen harjoituksen, jossa teimme ohjelmaan tuodusta vektoriaineistosta koropleettikartan.   

Valitsin tarkasteltavaksi yli 65-vuotiaiden suhteellisen osuuden kunnissa. Valitsin juuri yli 65-vuotiaat , koska eläkeikäisten suhteellisen osuuden perusteella voidaan tehdä päätelmiä esimerkiksi kunnan huoltosuhteesta sekä taloudesta. Väestöllinen huoltosuhde ilmoitetaan ei-työikäisten ja työikäisten suhteena. Kyseinen kartta ei esitä kuitenkaan huoltosuhdetta suoraan. Eläkeikäisten suhteellisesta osuudesta voidaan kuitekin päätellä kunnan huoltosuhdetta ja sen myötä kunnan taloudellista tilannetta. Jos eläkeikäisiä on suuri osa kunnan väestöstä, veronmaksajien suhteellinen osuus on pienempi ja se kertoo kunnan huonosta taloudellista tilanteesta.  Kartta ei kuitenkaan anna suoraa informaatiota taloustilanteestakaan, mutta kartta on hyvä keino tarkastella asiaa muun tiedon lisänä.  Kartasta ei näe esimerkiksi muun ei-työikäisen  väestön määrää, joten ei-työikäisten kokonaismäärää ei tiedä, jolloin huoltosuhdetta ei voida laskea suoraan kartan pohjalta.  Yli 65-vuotiaiden suhteellista osuutta kunnissa voi tarkastella myös valtion tasolla. Millainen tilanne on jos tarkastelee Suomea kokonaisuutena? Kuinka suuressa osassa kaikkia Suomen kuntia yli 65-vuotiaita on suhteellisesti paljon? Kartasta voi tehdä päätelmiä huoltosuhteen ja talouden tulevaisuuden näkymistä siis myös valtiontasolla. 

Kartasta saa ensisilmäyksellä selkeän kuvan yli 65-vuotiaiden osuudesta kunnissa. Jonna Kääriäinen totesi blogissaan, että luokittelu vaikuttaa ratkaisevasti kartan ulkonäköön, jonka huomasin itsekin kartan tekovaiheessa. 

 Tein jaoittelun aluksi viiteen eri luokkaan, mutta lopputulos ei ollut mielestäni tarpeeksi selkeä joten vaihdoin luokkien määrän neljään. Kuten kuvasta 1. huomaa, neljä luokkaa erottuvat selkästi toisistaan ja kartta on selkeämmin luettavissa kuin viidellä luokalla.  Minerva Laitinen on myös tehnyt koropleettikartan yli 65-vuotiaiden suhteellisesta osuudesta kunnissa. Hänen blogissaan esittelemä kartta on hieman erilainen kuin minun, koska luokkarajat poikkeavat omistani. Tämän takia osa kunnista kuuluu eri luokkiin ja karttojemme ulkonäössä on poikkeavuutta. Yleisesti  aluejaoittelu kuntiin on toimiva, ja kartalta voi havaita muutamia selkeitä alueita, joissa eläkeikäisten osuus on joko huomattavan suuri tai pieni. Jaoittelu esimerkiksi maakuntiin olisi liian laaja ja yleistävä jos muuttujaa halutaan tarkastella paikallistasolla.  Eläkeikäisiä on suhteessa vähiten opiskelijakaupungeissa, sekä pääkaupunkiseudulla.   

Lähteet:  

https://blogs.helsinki.fi/kaarijon/ 

https://blogs.helsinki.fi/minerval/ 

Welcome to Blogipalvelut. This is your first post. Edit or delete it, then start blogging!