Ensimmäisellä Geoinformatiikan menetelmät 1 -kurssin työkerralla kohtasin itselleni uuden tuttavuuden. Tämä uusi osa elämääni kantaa nimeä QGIS, ja heti ensitapaamisemme jälkeen pääsin kokeilemaan, miten yhteistyömme mahtaa sujua karttojen teon maailmassa. Yhdessä tuottamamme kartta kuvaa sitä, kuinka paljon mikäkin Itämeren rannikkovaltioista (Tanska, Saksa, Puola, Baltian maat, Venäjä, Suomi ja Ruotsi) tuottaa typpipäästöjä Itämereen. Typpipäästöjen määrä kuvataan prosenttiosuuksina. Kartasta on nähtävissä, että Puola erottuu selkeästi typpipäästöjen suuren määrän tuottajana, sillä Puolan typpipäästöjen osuus on yli 13,3 prosenttia. Vähiten typpipäästöjä tuottaa Viro, jonka päästöjen osuus on alle 3,2 prosenttia eli yli kymmenen prosenttiyksikköä vähemmän kuin Puolassa.
Typen pääseminen Itämereen on merkittävä ongelma. Ylen uutisen “Tamperelainen rehevöittää Itämerta enemmän kuin helsinkiläinen – Sisämaassa suhtaudutaan leväperäisesti typen poistoon” mukaan typen vaikutukset ylläpitävät fosforin määrää Itämeressä, ja näin typpi ja fosfori rehevöittävät Itämerta. Koska meren rehevöityminen ei ole leikin asia, on jokaisen pidettävä huolta siitä, että typpipäästöjä päätyy Itämereen mahdollisimman vähän. Samaisessa uutisessa ilmaistaan huoli siitä, että Tamperelaisen typpipäästöt Itämereen ovat suurempia kuin Helsinkiläisen, sillä sisämaan kaupungeissa ei keskitytä typen poistoon samalla tavalla kuin rannikkokaupungeissa. Myös sisämaan suurissa kaupungeissa typpi päästöjen määrän vähentämisen pitäisi olla korkealla prioriteettilistalla.
Kuva 1. Kartta Itämeren alueen valtioiden mereen tuottaman typen osuuksista.
Mielestäni on yllättävää, että karttani on edes jotenkuten luettavissa, sillä minulla ei ole suoraan sanottuna harmainta aavistustakaan siitä, miten karttani on saatu näyttämään sellaiselta kuin se nyt on. En koe oppineeni menneellä kurssikerralla uudesta tuttavuudestani GQIS-ohjelmasta oikeastaan mitään muuta kuin sen, miten eri karttatasojen, kuten mantereen ja merien, värejä muutetaan, koska minulla ei ollut melkein kertaakaan hajuakaan miksi joitakin toimenpiteitä milloinkin tehtiin. Jokainen energian rippeeni kului opettajan ohjeiden seuraamiseen, ja siitäkään en suoriutunut kunnialla, vaan aika ajoin tipuin kärryiltä. Toisaalta harjoituksen kirjallisen ohjeen seuraaminen samaan aikaan olisi helpottanut asioiden perässä pysymistä, mutta se olisi tarkoittanut sanallisten ohjeiden ohi menemistä. Vaikka minusta tuntuu, että kurssikerralta ei jäänyt itselleni oikeastaan mitään käteen, saattaa olla, että takaraivoon jäi silti muistiin joitakin tärkeitä asioita, jotka helpottavat seuraavalla kerralla QGIS-ohjelman kanssa käytävää yhteistyötä. Asioita oppii vain tekemällä ja virheiden kautta. Omaa oppimistani saattaa vaikeuttaa virheiden pelko, sillä en uskalla kokeilla eri asioita uuden ohjelman kanssa virheiden tekemisen pelossa, vaikka perinteisen sanonnan mukaan juuri virheiden kautta oppii. Lisäksi oppimiseen ja asioiden muistamiseen ainoa apu on vain toistot ja tekeminen, joita uskon tarvitsevani QGIS-ohjelman parissa useita.
Valmiissa typpipäästökartassani on muutamia huolimattomuuksia, jotka korjaamalla kartta miellyttäisi enemmän silmää. Muita valtioita kuvaava oranssi väri voisi olla hieman vaaleampi, jotta se olisi huomaamattomampi, eikä pomppaisi niin herkästi esille. Nykyisessä tummuudessaan väri antaa olettaa sen tarkoittavan jotain merkityksellisempää kuin vain muita valtioita. Lisäksi omaa silmääni häiritsee se, että niiden valtioiden, joiden typen määrää kartta kuvaa, rajat jäivät vihreiksi, mikä erottuu liikaa valtioiden sinisen sävyn rinnalla. Huolimattomuuksissani karttaan jäänyt vihreä sävy olisi kannattanut vaihtaa hieman tummemman siniseen värisävyyn, jotta esimerkiksi Tanskan saaret erottuisivat paremmin merialueesta.
Milena Nevannon ja Saku Ruuskasen ensimmäisen kurssikerran kirjoituksia lukiessani ja heidän karttojaan tarkastellessani tajusin, että olisin voinut valita typpipäästöjen määrää kuvaavaksi värisävyksi ehkä jonkun muun kuin sinisen. Milena kirjoittaa blogikirjoituksessaan “1. kurssikerta: QGIS tutuksi”, että punaisen eri sävyt olisivat kuvanneet hyvin typpipäästöjen aiheuttamaa ongelmaa. Tällöin Tanskan saaretkin erottuisivat Itämerestä paremmin. Saku Ruuskasen blogikirjoituksesta “Q(GIS)ue the Benny Hill!” on nähtävissä selkeä, punasävyinen kartta, josta Itämeri ja rannikkoalueet erottuvat selkeästi toisistaan ja joka kuvaa mielestäni hyvin sitä, mitä sen pitääkin esittää, eli ympäristöongelmien vakavuutta.
Pienet huolimattomuudet eivät mielestäni kuitenkaan heikennä karttani luettavuutta lukuun ottamatta edellä mainitsemiani Tanskan saaria, jotka eivät värien puolesta erotu tarpeeksi selkeästi niitä ympäröivästä Itämerestä. Legendan selitteiden ja nimien muotoilu ei mielestäni ole täysin onnistunutta. Itse kaipaisin legendaan selkeämpää muotoilua ja hieman tarkempaa kuvailua. Pienistä huolimattomuuksista ja epätarkkuuksista huolimatta pystyn kuvitella, että karttani ensimmäistä kertaa näkevä ymmärtäisi edes hieman mitä karttani olisi tarkoitus esittää ja mitä se lopulta kertoo Itämeren alueen valtioiden typpipäästöistä.
Muutaman päivän kuluttua ensimmäisen kurssikerran koettelemuksista toipuneena päätin aloittaa omatoimisesti tehtävää harjoitustehtävää, jonka tarkoituksena oli tehdä koropleettikartta Suomen kunnista kuvaamaan haluamaansa tekijää. ”Suomen kunnat 2015” -kartta-aineiston ominaisuustiedoista oli valittavissa monenlaisia tilastotietoja Suomen jokaisesta kunnasta. Itse valitsin ominaisuustiedoista eläkkeellä olevien määrän esitettäväksi koropleettikartalle.
Kuva 2. Eläkeläisten prosenttiosuus kunnittain vuonna 2015.
Tehtävä oli mahdollista tehdä kolmella eri vaikeustasolla. Koska aikaisempi menestykseni ja yhteistyö QGIS-ohjelman kanssa oli ollut heikohkoa, päätin suosiolla valita vaikeustasoista helpoimman. Helposta vaikeustasosta huolimatta tehtävän suorittamiseen kului itselläni useita tunteja. Onnekseni valitsemani aineisto, joka kuvaa eläkkeellä olevien määrää kussakin kunnassa, oli suhteellinen, eli minun ei itse tarvinnut laskea suhteellisia osuuksia ohjelman avulla. Useiden tuntien ohjelmalla räpeltämisen jälkeen sain vihiä tehtävän suorittamiseen. Lopulta koropleettikartan sai tehtyä yksinkertaisesti kartan tyyli-asetuksista, jonka jälkeen kartta vaati enää pientä hienosäätöä ja lopulta se olikin jo valmis.
Valmis karttani kuvaa sitä, kuinka monta prosenttia kunkin kunnan asukkaista oli eläkeikäisiä vuonna 2015. Mitä tummemmalla kunta on väritetty, sitä enemmän eläkeläisiä kunnassa asuu. Kartan perusteella eniten eläkeläisiä suhteessa kunnan asukasmäärään on etenkin Kainuussa ja Pohjois-Karjalassa sekä Lapin itäosissa. Vähiten eläkeläisiä on suurissa kaupungeissa ja niiden ympäryskunnissa. Kartalta on erotettavissa suuret kaupungit ja alueet kuten pääkaupunkiseutu, Turku, Tampere, Jyväskylä, Oulu ja Joensuu. Tämä viittaa siihen, että syrjemmiltä seuduilta on nuorempi väestö muuttanut kaupunkeihin, jolloin jäljelle on jäänyt iäkkäämpi, eläkeikäinen väestö, jolloin eläkeläisten määrä suhteessa kunnan koko asukaslukuun on paisunut. Täytyy kuitenkin ottaa huomioon, onko aineistoa laatiessa eläkeläisiin laskettu mukaan iäkkäämmän eläkeläisväestön lisäksi myös varhais- ja työkyvyttömyyseläkkeellä olevat. Tällöin kartta saattaa kertoa jotain muutakin kunnan tilanteesta kuin vain ikäihmisten määrästä alueella.
Olivia Halme oli hyvin huomioinut opiskelijoiden suuren määrän blogikirjoituksessaan ”1. Kurssikerta: Räpiköintiä QGis-meressä” tarkastellessaan vuokra-asuntojen suurta osuutta eri kunnissa. Siitä tajusin myös itse, että suuri opiskelijoiden osuus kunnassa laskee myös eläkeläisten osuutta, ja juurikin aiemmin mainitsemani kunnat Helsinki, Turku, Tampere, Jyväskylä, Oulu ja Joensuu ovat merkittäviä opiskelukaupunkeja, jotka Olivian kartalla erottuvat vuokra-asuntojen suuren määrän puolesta ja omassa kartassani eläkeläisen pienemmän määrän puolesta.
Mielestäni karttani olisi myös jonkun toisenkin luettavissa kuin vain itseni. Kartassa kunnat on jaettu eläkkeellä olevien perusteella viiteen tasaväliseen luokkaan. Luokkien määrä on mielestäni sopiva. Niitä on tarpeeksi monta kuvaaman todellista kuntien eroa, mutta samalla tarpeeksi vähän, jotta värit ovat tarpeeksi selkeästi erilaiset. Kuten typpipäästökartassa myös tässäkin kartassa kartan nimen olisi voinut muotoilla vähän selkeämmin. Lisäksi eläkkeellä olevia kuvaavaan karttaan unohdin merkata, minkä vuoden tilastoja kyseinen kartta esittää.
Toista karttaa tehdessäni ja QGIS-ohjelmaan epätoivoisesti paremmin tutustuessani opin tuntemaan tämän hieman syvemmin. Vahingossa tuli kokeiltua läpi hyvin monenlaisia eri toimintoja. Kuitenkin tärkein oppimani asia oli se, miten ohjelmalla tehdään koropleettikartta aineistosta, joka on jo valmiiksi suhteellisina lukuina. Karttaa tehdessäni koin monia onnistumisen tunteita, jotka auttavat varmasti jaksamaan jatkossa epätoivon hetkien sattuessa QGIS-ohjelman kanssa.
Lähteet:
YLE. Tamperelainen rehevöittää Itämerta enemmän kuin helsinkiläinen – Sisämaassa suhtaudutaan leväperäisesti typen poistoon (10.7.2017) https://yle.fi/uutiset/3-9711119 (luettu 26.2.2018)
Nevanto, Milena. 1. kurssikerta: QGIS tutuksi (28.1.2018) https://blogs.helsinki.fi/milenane/2018/01/28/1-kurssikerta-qgis-tutuksi/ (luettu 26.2.2018)
Ruuskanen, Saku. Q(GIS)ue the Benny Hill! (24.1.2018) https://blogs.helsinki.fi/ruusaku/2018/01/24/qgisue-the-benny-hill/ (luettu 26.2.2018)
Halme, Olivia. 1. Kurssikerta: Räpiköintiä QGis-meressä (19.1.2018) https://blogs.helsinki.fi/halmeoli/2018/01/19/1-kurssikerta-rapikointia-qgis-meressa/ (luettu 21.1.2018)