Helsingin yliopisto
MAA-202 Geoinformatiikan menetelmät 1 -kurssin ensimmäisellä kurssikerralla harjoittelimme QGis-ohjelmiston käyttöä ja teimme koropleettikartan HELCOM-merialueen typpipäästöistä. Olin käyttänyt QGis-ohjelmistoa vain kerran Johdatus geoinformatiikkaan -kurssilla, joten kertaus tuli tarpeeseen. Kurssikerralla ohjeet olivat selkeät ja ohjelmiston käyttäminen onnistui huomattavasti sujuvammin kuin viime kerralla. Opin kurssikerralla QGis-ohjelmistosta muun muassa statistics-palkin käytöstä, visualisoinnista sekä laskutoimitusten tekemisestä laskiessamme typpipäästöjen suhteellisia osuuksia päästöjen kokonaismäärästä.
HELCOM-merialueen typpipäästöt
Tunnilla teimme yhdessä kartan, jossa kuvataan HELCOM-merialuetta ympäröivien valtioiden typpipäästöjen suhteellisia osuuksia. Alla on tekemäni kartta valtioiden typpipäästöistä (kuva 1). Kartalta nähdään, että suurin saastuttaja on Puola. Puolan suuria päästöjä voi selittää esimerkiksi suurella väestöllä ja maataloudella, jota Puolassa harjoitetaan paljon ja josta syntyy paljon typpipäästöjä. Seuraavaan luokkaan kuuluvat Ruotsi, Venäjä ja Latvia, joiden osuus typpipäästöistä on 8–13,3 %. Varsinkin Ruotsin suurta osuutta voisi selittää varsin pitkällä rantaviivalla, joka Ruotsilla on Itämerellä. Pienimpään luokkaan kuuluvat valtiot ovat Suomi, Viro, Liettua, Tanska ja Saksa, joiden osuus päästöistä on välillä 3,2–8 %.
Kuva 1. HELCOM-merialuetta ympäröivien valtioiden suhteelliset typpipäästöt prosentteina
Lopputulos on mielestäni onnistunut ja kartalta löytyy kaikki vaadittavat elementit, kuten legenda, mittakaava ja pohjoisnuoli. Päästöjen määrää kuvaava väri eli punainen sopii mielestäni hyvin typpipäästöjen kuvaamiseen, sillä typpipäästöt ovat negatiivinen ilmiö, johon punainen väri viittaa. Kartassa on mielestäni yksi turha elementti, joka on syvyyskäyrät, sillä ne eivät varsinaisesti liity typpipäästöihin ja ilman niitä kartta olisi hieman selkeämpi.
Kuntien työttömyyttä kuvaava kartta
Toisena tehtävänä oli tehdä kartta Suomen kunnista. Päätin tehdä kartan kuntien työttömyydestä, sillä se on teema, joka varmasti näkyy selkeästi kartalla. Tekemäni kartta näkyy alla (kuva 2). Kartan tekeminen sujui hyvin, sillä käytössä oli samoja työkaluja, joita olimme oppineet käyttämään jo tunnilla, ja kartta on myös visuaalisesti mielestäni onnistunut. Kartalla kunnat, joissa työttömyysprosentti on pienin on merkitty vaaleammilla väreillä ja kunnat, joissa työttömyysprosentti on suurempi on merkitty tummemmilla sävyillä. Värinä oranssin ja punertavan sävyt kuvaavat mielestäni työttömyyttä hyvin. Käytin aineiston lajitteluun luonnollista luokkajakoa (natural breaks) ja 5 luokkaa. Kokeilin myös muita lajittelutapoja, mutta luonnollinen luokkajako sopii mielestäni tähän karttaan parhaiten, ja se antaa realistisen kuvan työttömyydestä.
Kuva 2. Työttömyys prosentteina kunnittain
Kartalta nähdään, että työttömyys keskittyy maaseudun kuntiin. Vähiten työttömyyttä esiintyy kasvukeskuksissa, kuten pääkaupunkiseudulla. Kasvukeskuksissa on eniten ihmisiä, mikä johtaa työpaikkojen ja yritysten keskittymiseen niille alueille, joissa on eniten työvoimaa. Tämä havainto voidaan nähdä hyvin vertaamalla työttömyyttä kuvaavaa karttaa väestöntiheyskarttaan. Heta Suutari oli blogissaan tehnyt hyvän väestöntiheyskartan, jota voidaan verrata tekemääni työttömyyskarttaan, jolloin nähdään hyvin työttömyyden ja väestöntiheyden korrelaatio (Suutari, 2022). Esimerkiksi juuri pääkaupunkiseutu on yksi tiheimmin asutetuista alueista, ja myös työttömyys on siellä pientä.
Lähteet:
Suutari H. (2022). 1. viikko: tutustuminen. Heta VS GIS -blogi. (viitattu 24.1.2022). saatavilla: https://blogs.helsinki.fi/suutarih/