Taustaa blogikirjoitukselle

Kolmannen periodin GIS-kurssi MAA202 alkoi luennolla. Luennon ensimmäisessä osiossa kuuntelimme teoriaa kartoista ja toisessa osiossa loimme koropleettikartan Itämeren valuma-alueen maiden typpipäästöistä itse Itämereen. Työ oli tietysti helppo tehdä opettajan ohjeistuksella, mutta keskittymiskyky herpaantui satunnaisin aikavälein, joten silloin tällöin ojeennuin vieressä olevien kurssilaisten puoleen ja kysyin “niin mitä piti painaa”. Luennon lopuksi opettaja kertoi omatoimisen tehtävän ohjeet ja toivotti hyvää loppupäivää. Ihan mukava luento kokonaisuudessaan.

Kurssikerran opettajajohtoinen tehtävä

Luennon ensimmäisen osuuden eli kalvoesityksen jälkeen siirryimme tositoimiin. Tarkoituksena oli toteuttaa typpipäästökartta Itämeren valuma-alueelta, mutta mitenkähän ihmeessä me sellainen osattaisiin tehdä ja vain kahdessa tunnissa. Opettaja Paarlahti tietysti opasti meitä, näyttämällä vaihe vaiheelta miten kartta saadaan kuosiin.

Kuva 1. Typpipäästöt Itämeren valuma-alueella maittain.

Kartta on omasta mielestäni ihan ok. Voisin käyttää samoja värejä (keltainen-punainen), jos loisin monta eri karttaa ja haluaisin silmien katsottavaksi vaihtelua, mutta yksittäisenä karttana en näin tekisi. Tarkoituksena oli testailla sellaisia värejä, joita en tyypillisesti käyttäisi, kuten tällaista räikeää punainen-keltainen yhdistelmää. Parempi värikokonaisuus olisi voinut olla esim. punainen-vihreä, kuten Niskanen A. (2024) on tehnyt bloginsa “Ensimmäinen kurssikerta” kuvassa 1.

Kartta tehtiin QGIS-sovelluksella ja pohja-aineistot tulivat ladatuksi kurssin moodlesta. QGIS ei ole minulle uusi sovellus, mutta ei erityisen entuudestaan tuttukaan. Sovellusta on käytetty yhdellä kurssilla aikaisemmin, nimittäin MAA104 eli harjoitusta ei ole tähän mennessä kertynyt paljoakaan. Teki siis hyvää osallistua luennon opetukselle sovelluksen käytöstä.

Ensimmäisessä kartassa (kuva 1) korostuu selkeästi Puolan merkitys Itämeren typpipäästöjen “suurvaltana”, muodostaen yksinään kolmasosan päästöistä. Tämä korostuu kartalla kirkkaan punaisena, jotta kartan tulkitsija eli “lukija” ymmärtäisi Puolan päästöjen osuuden. Muita osuudeltaan suuria päästäjiä ovat Venäjä, Latvia ja Ruotsi. Tässäkin tapauksessa voisi päästöt suhteuttaa pinta-alaan kyseisen maan Itämeren valuma-alueesta, väestön kokoon ja bruttokansantuotteeseen, jotta saadaan reilu vertailu. Ruotsin väestö on yli 5 kertaa suurempi, kuin Latvian väkiluku ja sen pinta-ala Itämeren valuma-alueella on reilusti suurempi, mutta silti molemmat maista kuuluvat samaan päästökategoriaan eli 8-13,3% kokonaispäästöistä. Latviassa saattaa olla vanhempia maanviljelyn käytäntöjä, jonka takia päästöt ovat reilusti suurempia henkilöä kohden verratessa.

Kurssikerran omajohteiset tehtävät

Harjoitus 1. Suomen kunnat, esivalikoidut muuttujat

Ensimmäinen omajohteinen tehtävä ei ollut hankala toteuttaa. Työn vaiheissa käytettiin samoja asioita, kuin ensimmäisellä luennolla tuli esille. Itselle tuli kuitenkin pieni harha, jonka takia en päässyt tehtävässä eteenpäin; tehtävässä puhuttiin kunta aineistosta, joka on vuodelta 2015, mutta kurssikansion kunta-aineisto on vuodelta 2021. Tehtävänanto on kuitenkin vuodelta 2023, joten oletin, että tekstin tietoja olisi myös päivitetty. Tästä syystä en edes avannut kunta-aineistoa QGIS-sovellukseen vaan etsin aineistoa muualta. Ongelmasta eteenpäin päästyäni kartan tekeminen oli helppoa, sillä vaiheet olivat kutakuinkin samat, kuin luennolla. Pohja-aineistona toimii tilastokeskuksen kuntien avainluvut (Tilastokeskus 2023).

Valitsin pohjaväriksi vihreän paletin, koska se näytti hienolta. Luokkaväleinä ovat tasaiset intervallit. Luokat olisi voinut myös toteuttaa luonnollisilla väleillä (Natural Breaks, Jenks) jolloin ilmiö itse olisi näkynyt paremmin. Tästä voikin edetä tulevaisuuteen paremmin oppineena. Itse pidän kartan väreistä ja visuaalisuudesta ja sen yksinkertaisuus helpottaa luettavuutta.

Kartasta (kuva 2) ilmenee hyvin selkeästi ulkomaalaisten kansalaisten keskittyminen rannikkoseudulle lännessä ja etelässä. Pääkaupunkiseudun ja Ahvenanmaan konsentraatiot ovat ilmeisimpiä, mutta myös outoja tapauksia löytyy, kuten Varsinais-Suomen ja Satakunnan välinen alue länsirannikolla ja Pohjanmaan eteläinen kärki. Kyseessä voi olla luokitteluvälit länsirannikon tapauksessa, mutta pohjoisempaan mentäessä on kyseessä Närpiö, jossa suuri osa väestöstä on ulkomaalaistaustaisia. Yle on tehnyt artikkelin kunnan tilanteesta – tietysti hieman vanha, mutta se kuvaa silti ilmiötä – vuonna 2015 “Maahanmuuttajat asialla Närpiössä: pelastivat kunnan talouden ja kyläkoulut”.

Kuva 2. Ulkomaalaisten kansalaisten osuus Suomen kunnissa (2021).

Harjoitus 2. Suomen kunnat, omatoimisesti valitut muuttujat

Harjoituksen toinen osio vaati paljon enemmän teknistä näppäilyä. Suurimmaksi ongelmaksi ilmeni aineiston tuonti QGIS sovellukseen ja sen liittäminen olemassa olevaan kunta-aineistoon (Tilastokeskus 2024). Tämä vaihe vei muutamia tunteja, koska aineiston tuonnin ja liittämisen osuudet hankaloittivat työtä kahdesta näkökulmasta:

1. kaikki pienet osuudet dataa tuodessa Tilastokeskuksen sivustolta, Excelistä ja koneen pilvikansiosta vaativat tarkkuutta eli oikean tiedoston valitseminen, sen tallentaminen oikeassa muodossa (moneen kertaan), oikeiden asetuksien käyttö QGIS:issä, tiedostovirheet Excelissä, aineistossa oleva ylimääräinen data jne.

2. puuttuva taito käyttää QGIS-sovellusta.

Näkökulman yksi vaiheet tuli toteututtua monta kertaa, jonka takia virheitä sai helposti tehtyä. Ilmeisesti myös Hoberg J. (2024) kohtasi samanlaisia ongelmia aineiston tuonnissa blogikirjoituksessaan “Ensimmäinen kurssikerta”. Olen myös samaa mieltä hänen kanssaan siitä, että motivaatiolla oli tässä osassa iso merkitys, koska on helppo luovuttaa muutaman epäonnistumisen jälkeen, saatikaan monen sellaisen. Lisäksi yhteistyössä on voimaa ja kaverilta avun saaminen auttoi, kun itse ei huomannut jotain virhettä.

Lopputuloksiin olen kuitenkin tyytyväinen. Osaan nyt hyödyntää aineiston tuontia ja liittämistä QGIS-sovelluksessa ja ymmärrän sen käytännön tasolla paremmin. Lisäksi kaksi tekemääni karttaa ovat visuaalisesti miellyttävät. Käytin toisessa kartassa sinistä väriä (asuntokuntien määrä, kuva 3) ja toisessa punaista väriä (perheiden määrä, kuva 4), joten päällekkäin laitettuna kartat ovat miellyttävät.

Kartoissa näkyvät eri ilmiöt, mutta samat kunnat korostuvat melkein täysin samalla tavalla, koska kyseessä molemmissa teemoissa on väestön kokonaismäärä ja väestö on suurempi kaupungeissa. Oletin itse, että Pohjanmaalla olisi saattanut näkyä jonkinlainen perheyhteisön vaikutus kuvassa 4, mutta tämänkin ilmiön saattaa piilottaa luokkajakaumat, jotka näissä kahdessa kartassa ovat luonnolliset välit (Natural Breaks, Jenks).

Kuva 3. Asuntokunnat Suomessa kunnittain (2023).

Kuva 4. Perheiden määrä Suomessa kunnittain (2023).

Kokonaisuudessaan kurssikerran tehtävät ja luento toivat haasteita, mutta ei ylitsepääsemättömiä sellaisia. Olen odottanut oikean kartan valmistuksen vaihetta maantieteen opetuksessa ja nyt siihen ollaan selkeästikin päästy. Tykkään tämän tyyppisestä tekemisestä, jossa mennään suoraan asiaan.

 

Lähteet:

Hoberg J. (2024) Ensimmäinen kurssikerta, Jeron blogi. Viitattu 22.1.2024. Saatavilla: https://blogs.helsinki.fi/hoberg/2024/01/22/ensimmainen-kurssikerta/

Kerkkäinen, T. (2015) Maahanmuuttajat asialla Närpiössä: pelastivat kunnan talouden ja kyläkoulut, Yle. Viitattu 22.1.2024. Saatavilla: Maahanmuuttajat asialla Närpiössä: pelastivat kunnan talouden ja kyläkoulut | Yle

Tilastokeskus (2024) Kunnat 1 : 4 500 000, GeoServer. Viitattu 22.1.2024. Saatavilla: GeoServer: Layer Preview (stat.fi)

Tilastokeskus (2023) Kuntien Avainluvut muuttujina alue 2023 ja tiedot, Tilastokeskus. Viitattu 22.1.2024. Saatavilla: Kuntien avainluvut muuttujina Alue 2023 ja Tiedot. PxWeb (stat.fi)

Niskanen, A. (2024) Ensimmäinen kurssikerta, Auran blogi geoinformatiikan menetelmistä. Viitattu 22.1.2024. Saatavilla: Ensimmäinen kurssikerta – Auran blogi (helsinki.fi)