Ensimmäinen tunti

___

Ensimmäisellä tunnilla pääsimme harjoittelemaan paikkatiedon visualisoimista QGis-ohjelmalla, joka oli minulle entuudestaan jo hieman tuttu. Olin aiemmin käyttänyt sitä pari kertaa: geoinformatiikan peruskurssilla sekä lukiossa maantieteen tunnilla, jossa saimme pientä esimakua paikkatieto-ohjelmien käytöstä. Vaikka olin aiemmin käyttänyt kyseistä ohjelmaa, oli hyvä, että työn vaiheet kerrottiin yksityiskohtaisesti, sillä olin kertauksen tarpeessa. Uskoisin, että Qgisiä oppii parhaiten käyttämään kertaamalla tarpeeksi, jotta kaikki toiminnot jäävät vahvemmin mieleen. Täysin uutena asiana tuli attribuuttitaulukon muokkaaminen, jonka sai tehtyä yllättävän näppärästi kirjoittamalla vain yhden laskutoimituksen.

Teimme tunnilla kartan HELCOMin merialueen eli Itämeren ympärillä sijaitsevien valtioiden typpipäästöjen osuuksista (kuva 1). Valtiot jaettiin neljään eri luokkaan sen mukaan, kuinka suuri niiden osuus päästöistä oli. Nämä valtiot olivat kartalla väriltään punaisen eri sävyjä, vaalean ollessa pienin luokka ja kirkkaanpunaisen ollessa suurin luokka. Muut ympäröivät valtiot, joilla ei ollut rantaviivaa Itämerellä, olivat samaa vaaleanvihreän sävyä, joka symboloi niiden neutraaliutta tässä kartassa. Vihreä väri voi kuitenkin hieman hämätä, sillä todellisuudessa näillä mailla on myös päästöjä, vaikka niitä ei tässä tilanteessa tarkastellakaan. Myös selitteen otsikko “Typen päästöjen osuus valtioittain” olisi ehkä kannattanut muokata niin, että lukija varmasti ymmärtää tarkastelun koskevan vain tiettyjä valtioita. Sen sijaan valtiot, joiden päästöjä tarkasteltiin, oli merkattu juuri punaisella, koska sen voidaan katsoa symboloivat negatiivista asiaa. Punaiset valtiot myös erottuvat hyvin muista valtioista värien erojen vuoksi. Toisaalta nämä värivalinnat saattavat sulkea joitakin lukijoita ulkopuolelle, sillä kaikki eivät erota vihreää ja punaista toisistaan. Kartasta nähdään, että Puola on ainoana suurimmassa luokassa, joka on huomattavasti muita luokkia laajempi sen kattamien prosenttiosuuksien suhteen. Koska Puola on ainoa tässä luokassa ja alarajat näyttävät luokilla lähtevän edellisen luokan suurimmasta arvosta, voidaan päätellä Puolan osuuden olevan paljon suurempi kuin kaikkien muiden maiden. Suurimman luokan laajuus tekee kuitenkin tulkinnasta hieman haastavaa.

Kuva 1 HELCOMin merialueita ympäröivien valtioiden typpipäästöjen osuus.

Itsenäisenä tehtävänä tein ensimmäisen vaikeustason tehtävän, koska se vaikutti hyvältä kertaukselta tunnilla opittujen asioiden jälkeen. Päätin tehdä koropleettikartan alkutuotannon osuudesta elinkeinorakenteessa, koska elinkeinorakenteen vaihtelu vaikutti mielenkiintoiselta. Tämä kartta näkyy kuvassa 2. Luokiksi valitsin luonnolliset välit, koska niitä on usein kehuttu parhaaksi tavaksi luokitella sen näyttäessä todelliset arvojen kerääntymät. Kun vertasin sitä kvantiileihin, ero oli selkeä. Kvantiileja käyttäessä kartan aiheuttama mielikuva oli hyvin erilainen, sillä kartassa oli paljon enemmän tummalla alueella merkattuja alueita, eli alueita, joilla alkutuotannon määrä oli suuri. Kvantiilijaolla kolme ensimmäistä luokkaa vastasivat arvoiltaan melko tarkalleen kahta ensimmäistä luokkaa luonnollisella jaolla, mikä kertoi luokittelutapojen eroista. 

Kuva 2 Alkutuotannon osuus elinkeinorakenteesta kunnittain vuonna 2015.

Luokkien määrän kanssa oli hieman pohdittavaa, sillä mielestäni viisi luokkaa tuntui hieman liian suurelta määrältä helppolukuisuuden kannalta, mutta lopulta päädyin kuitenkin valitsemaan sen. Tämä johtui siitä, että neljään luokkaan jaettuna kartan ulkoasu ja sen aiheuttamat mielikuvat muuttuivat paljon verrattuna viiteen luokkaan, sillä viimeisessä ja suurimmassa luokassa oli niputettuna yhteen arvoja yhtä suurelta prosenttiosuudelta kuin kolmessa aikaisemmassa luokassa yhteensä (molemmissa noin 20 prosenttia). Sen sisällä oli siis selkeästi suuria vaihteluita, joten päädyin korostamaan erottuvia alueita, joilla alkutuotannon osuus oli paljon muita suurempi. Suurimpaan luokkaan kuuluvia alueita löytyi ympäri Suomea, mutta melko suurten alkutuotanto-osuuksien keskittymä erottui Suomen keskiosissa, jossa monet kunnat kuuluivat toiseksi suurimpaan luokkaan. Suomen sisällä oli muutenkin yllättävän paljon vaihtelua kunnittain. Kun vertasin tekemääni karttaa Heta Suutarin tekemään väestöntiheyskarttaan, huomasin, että monin paikoin juuri vähiten tiheästi asutut alueet ovat usein niitä, joissa alkutuotannon osuus on korkea. Tämä ei ole erityisen yllättävää, koska alkutuotannon oas-alueet, kuten maanviljely, usein vievät paljon tilaa. Toisaalta löytyi myös alueita, joissa sekä väestöntiheys että alkutuotannon osuus on pientä. Näissä syynä todennäköisesti voisi olla esimerkiksi haastavat luonnonolosuhteet.

Itsenäisessä tehtävässä oli vähemmän vaiheita kuin tunnilla tehdyssä ja se tuntui helpommalta erityisesti siksi, että uutena tullut attribuuttitaulukon muokkaaminen puuttui. Tehtävän tekeminen oli kuitenkin hyvää kertausta ja se auttoi muistamaan perusvaiheita ja toimintoja. Olen melko tyytyväinen tekemääni karttaan ja mielestäni se on silti helposti tulkittavissa, vaikka luokkia onkin paljon. Kartta on myös suhteellisen informatiivinen henkilölle, joka ei tunne aineistoa. Siitä voisi kuitenkin saada vielä enemmän irti esimerkiksi siten, että alkutuotannon sisältämät alat olisi selitetty jossakin.

Ensimmäisen tunnin ja itsenäisen tehtävän avulla QGisin käyttö saatiin hyvin käyntiin ja tästä on hyvä lähteä rakentamaan parempaa osaamista 🙂

Lähteet: Suutari, Heta. 1. viikko: tutustuminen. Heta VS GIS. (Luettu 31.1.2022). Osoitteesta https://blogs.helsinki.fi/suutarih/.