7. kurssikerta: oma kartta ja TJ0

Viimeisellä mutta ei suinkaan vähäisimmällä kurssikerralla ruvettiin suoraan hommiin. Tehtävänä oli tuottaa kartta, joka sisältää vähintään kaksi muuttujaa. Ennen kurssikertaa kotona piti etsiä dataa netistä, mutta en millään meinannut löytää sopivia aineistoja. Otin lopulta mallia Elida Peuhun blogista, ja otin maailmankartan Natural Earth -sivustolta ja muuttujien datan World Bank -sivustolta. World Bank -sivustolla oli runsaasti dataa, ja tunnelmat olivat selaillessa samat kuin pienellä lapsella karkkikaupassa. Tovin etsittyäni päädyin valitsemaan väestöntiheyden ja urbaanin asutuksen osuuden, koska globaali kaupungistuminen on ajankohtainen ja mielestäni kiinnostava ilmiö. Lisäksi otin huomioon muuttujia valitessani, mitkä muuttujat voisivat linkittyä toisiinsa. Lisäksi halusin tuottaa kartan, jota voisin käyttää opetustehtävissä myöhemmin. Samalla tuli kerrattua melko simppelin kahden muuttujan pohjalta toteutettavan kartan tekoprosessi. Aion tehdä jatkossa tällaisia karttoja opetusmateriaaliksi.

Kuvassa 1 on kuvattuna koropleettikarttana valtioiden väestöntiheys, ja punaisten pallojen koko kuvaa puolestaan valtion urbaanin asutuksen osuutta prosentteina. Yhdistin World Bank -sivustolta hankitut muuttujien datatiedostot csv-muotoisina aiemmilta kurssikerroilta tutulla join-toiminnolla. Aineistoa piti vielä hieman muokata ennen lopullista visualisointia: korvasin NULL-arvot arvolla 0. Tämä kuitenkin aiheutti sen, että valtiot, joiden väestöntiheydstä ei ollut tietoa näkyvät kartassa harvan asutuksen valtioina. Nämä valtiot olisi pitänyt jälkeenpäin ajateltuna sisällyttää esimerkiksi omaan “ei tietoa” -luokkaansa. Olen kuitenkin melko tyytyväinen tulokseen, ja tämän kaltaiset kartat ovat mielestäni niin selkolukuisia, että niitä voisi käyttää peruskoulun ja lukion opetuksessa. Karttaa tarkasteltaessa voi kuitenkin huomata, että väestöntiheyden ja urbaanin asutuksen osuudella ei ole aukotonta yhteyttä. Esimerkiksi harvan asutuksen Pohjoismaissa on korkea urbaanin asutuksen osuus, kun taas tiheän asutuksen Intiassa urbaanin asutuksen osuus on pieni. Eurooppa erottuu kartasta alueena, jonka sekä väestöntiheys että urbaanin asutuksen osuus ovat suuria. Voisin perehtyä kuitenkin vielä tarkemmin, millainen asutus on World Bankin aineistossa luokiteltu urbaaniksi.

Kuva 1. Valtioiden väestöntiheys ja urbaani asutus vuonna 2020.

Kurssi on nyt siis paketissa (toivottavasti). Voin todeta oppineeni paljon QGIS-ohjelmasta ja GIS:n käytöstä ylipäätään. Kurssin aikana on vuodatettu runsaasti tuskan hikeä, mutta loppu hyvin kaikki hyvin. Vielä on kuitenkin paljon opittavaa, jos haluan suureksi paikkatieto-osaajaksi. Osaan mielestäni kurssin jälkeen työskennellä GIS:n parissa ainakin suurilta osin sillä tasolla, jolla aineenopettajan tulisi osata.

Kiitos kurssista!

Lähteet:

Elida Peuhu, https://blogs.helsinki.fi/elida/

Natural Earth

World Bank

 

6. kurssikerta: loppusuoralla!

Kuudes kurssikerta alkoi reippailulla, kun lähdimme pareittain keräämään dataa Kumpulan ympäristöön Epicollect5-sovellusta käyttäen. Kuten Taru Tornikoski toteaa blogissaan myös minä aion käyttää Epicollectia varmasti, kun toimin mantsan ja bilsan open tehtävissä tulevaisuudessa. Tuloksena saimme csv-muodossa pistedataa, jonka siirsimme QGIS:iin. Interpoloimme datan pohjalta alueiden turvallisuutta kuvaavan kartan (kuva 1), jossa punaisen värittämät alueet ovat kurssilaisten turvattomiksi kokemia alueita. Pisteet puolestaan kuvaavat kohtia, joissa kurssilaiset ovat täyttäneet kyselylomaketta. 

Itsenäisenä tehtävänä piti tuottaa kolme karttaa hasardeihin liittyen. Tein kartat magnitudiltaan eri asteisten maanjäristysten sijoittumisesta suhteessa tulivuoriin. Kuvassa 2 on kuvattuna magnitudiltaan yli 6 vahvuiset maanjäristykset aikavälillä 1900-2022, kuvassa 3 on magnitudiltaan 1-2 vahvuiset maanjäristykset kuluneen 30 päivän ajalta, ja kuvassa 4 on puolestaan kuvattuna magnitudiltaan 3-5 vahvuiset maanjäristykset viimeisen 30 päivän ajalta. Yllätyin suuresti siitä, kuinka paljon 1-2 ja 3-5 vahvuisia maanjäristyksiä tapahtuu maailmalla lyhyessäkin ajassa. Tämän takia valitsin kyseisten magnitudien järistysten datan aikaväliksi viimeiset 30 päivää.

Kuva 1. Alueiden turvattomuus
Kuva 2. Maanjäristykset yli 6 Richterin magnitudilla aikavälillä 1900-2022.
Kuva 3. Maanjäristykset 1-2 Richterin magnitudilla viimeisen 30 päivän ajalta.
Kuva 4. Maanjäristykset 3-5 Richterin magnitudilla viimeisen 30 päivän ajalta.

 

Kartat havainnollistavat mielestäni hyvin selkeästi maanjäristysten ja tulivuorten sijoittumisen yhteyden. Järistykset sijoittuvat selvästi suurilta osin alueille, joilla on myös tulivuoria. Tällaiset kartat visualisoivat opeteltavaa asiaa, ja siitä voi jäädä pysyvämpi muistijälki kuin pelkästään teoriaa lukemalla. Kartat myös konkretisoivat opeteltavaa asiaa, ja oppilaalle voi jäädä mieleen ainakin missä päin maailmaa maanjäristyksiä esintyy runsaasti. Osa oppilaista voi tämän pohjalta pohtia esimerkiksi millaisia yhteiskunnallisia vaikutuksia järistyksillä on isossa osassa maailmaa. Suomessa isoja maanjäristyksiä ei esiinny, mutta kartan avulla oppilas voi muistaa, että maanjäristykset asettavat muualla suuriakin haasteita. Myös Taru Tornikoski oli tehnyt karttansa maanjäristyksien pohjalta. Olen samaa mieltä hänen kanssaan siitä, että maanjäristyskartat voisivat soveltua esimerkiksi oppitunneille, joilla aiheena on laattatektoniikka. Kartat sopivat tietenkin maantieteen opetuksessa monenlaisiin sekä luonnonmantsan että ihmismantsan aiheisiin. Tässä linkki karttaan, joka on tuotettu valtioiden epävakausindeksin pohjalta. https://fragilestatesindex.org/analytics/fsi-heat-map/ 

Lähteet:

Taru Rornikoski, https://blogs.helsinki.fi/tornitar/

 

 

5. Bufferointia ja toistoja

Viidennellä kurssikerralla mielestäni keskeisin uutena opittu asia oli bufferointi eli puskurivyöhykkeiden luominen. Bufferoinnin opettelu oli mielestäni suhteellisen selkeää, ja sitä tuli harjoiteltua itsenäisiä tehtäviä tehdessä runsaasti. Puskurivyöhykkeitä voidaan hyödyntää esimerkiksi tutkittaessa jonkin ilmiön esiintymistä jollain tietyllä säteellä jostain halutusta kohteesta. Esimerkiksi, kuinka monta asukasta asuu kilometrin säteellä Helsingin tuomiokirkosta. QGIS-ohjelmassa puskuroinnin kanssa voidaan käyttää valintatyökalua (select by location ja käänteinen valinta), jonka avulla esimerkiksi tuomiokirkosta kilometrin päässä asuva väestö voidaan valita ja tallentaa omaksi tietokannakseen ja tarkastella ominaisuuksia attribuuttitaulukon avulla. Tarkastelu voidaan toteuttaa myös suoraan statistics-työkalulla, eikä tällöin oman tietokannan luominen ole välttämätöntä. Bufferointia voitaisiin mielestäni hyödyntää esimerkiksi saasteiden leviämisen tutkimiseen. Kun saasteiden leviämisen puskurivyöhyke on luotu, voitaisiin esimerkiksi määrittää kuinka kauaksi saastuttavasta tehtaasta asutusta voidaan rakentaa. 

Osaan mielestäni QGIS-ohjelman perustaidot, ja erityisesti tämän kurssikerran tehtävissä käytetyt bufferointi- ja valintatyökalut ovat edellisiin kurssikertoihin verrattuna melko hyvin hanskassa. Tämä johtuu mahdollisesti siitä, että kyseisiä taitoja harjoiteltiin itsenäisissä tehtävissä toistojen kautta paljon. Kurssikerran intersection- ja clip-toiminnot jäivät myös osittain mieleen, mutta niiden käytöstä tarvitsisin vielä enemmän toistoja. Hallitsen mielestäni myös digitoinnin suhteellisen hyvin, koska sitä on tullut harjoiteltua muutamalla kurssilla aikaisemmin. Hallitsen myös mittaustyökalun ja field calculatorin käytön. En voi kuitenkaan sanoa olevani tässä vaiheessa suuri paikkatieto-osaaja. Olen biologian pääaineopiskelija, ja minulla on harjoitusta paikkatieto-ohjelmien käytöstä melko vähän. Voin suoralta kädeltä sanoa, että tarvitsen ihan kaikissa QGIS:n käyttötavoissa runsaasti harjoitusta, jotta voisin sanoa osaavani käyttää ohjelmaa sujuvasti. 

Tämän viikon tehtävät kuitenkin luonnistuivat itseltäni hyvin viimeistä koulu-tehtävää lukuunottamatta. Myös taajama-tehtävän viimeinen kohta jäi ratkaisematta jostain tuntemattomasta syystä. Tämä voisi johtua mahdollisesti taulukon oudoista arvoista. Selviydyin koulu-tehtävästä kuitenkin Elida Peuhun  blogin vinkkien avulla. Suuret kiitokset Elidalle! QGIS on aiheuttanut minulle runsaasti päänvaivaa, mutta ainakin tähän asti on selvitty mielestäni ihan hyvin. Enää kaksi kurssikertaa jäljellä! 

  1. Lentokentät ja asemat 

Kuinka monta asukasta Malmin lentoaseman pahimmalla melualueella? 58828 

Kuinka monta asukasta 1km säteellä Malmin lentoasemasta? 9049 

Kuinka monta asukasta Helsinki-Vantaan välittömässä läheisyydessä? 11758 

 Kuinka monta prosenttia edellisistä pahimmalla melualueella? 0,16% 

Kuinka monta asuu vähintään 55 desibelin alueella? 655 

Kuinka monen ihmisen elämää 60 desibelin melu haittaisi, jos lentoliikenteen suunta käännettäisiin laskeutumaan jälleen poikkeuksellisesta suunnasta? 29044 

Kuinka monta asukasta alle 500 metrin päässä asemasta? 111765 

Kuinka monta prosenttia kaikista asukkaista asuu alle 500 metrin päässä asemasta? 21,7% 

Kuinka monta prosenttia alle 500 metrin päässä asemasta asuvista työikäisiä? 67,1% 

 2. Taajamat 

Kuinka monta prosenttia asukkaista asuu taajamissa? 96,2% 

Kuinka monta kouluikäistä asuu taajamien ulkopuolella? 2267 

Kuinka monta prosenttia edellinen on kaikista kouluikäisistä? 3,9% 

Kuinka monella alueella ulkomaalaisia yli 10%…? Ei onnistunut 

3. Koulut 

Kuinka paljon Helsingin Yhtenäiskouluun uusia oppilaita omasta koulupiiristä? 14 

Kuinka montaa yläasteikäistä Yhtenäiskoulun on varauduttava opettamaan? 63 

Kuinka suuren osan kouluikäiset muodostavat alueen kaikista asukkaista? 8,4% 

Kuinka monta muunkielistä kouluikäistä alueella asuu? 9 

Lähteet:

Elida Peuhu, https://blogs.helsinki.fi/elida/

4. kurssikerta

Tehtävä 1: ruututeemakartta pääkaupunkiseudun muunkielisestä väestöstä

Neljäs kurssikerta keskittyi piste- ja ruutuaineistoihin sekä rasteriaineiston digitointiin. Kuvassa 1 on rakennustietokannan pohjalta tehty ruututeemakartta, josta ilmenee pääkaupunkiseudun muunkielisen väestön määrä ruudukoissa. Kuten Topias Vanhatalo kirjoittaa blogissaan, rakennustietokanta on pisteaineisto, joka sisältää tiedot jokaisesta rakennuksesta sekä tietoja esimerkiksi rakennusten asukkaiden äidinkielestä ja sukupuolesta. Ruututeemakartta voi mielestäni käyttää absoluuttisten arvojen esittämiseen. Myös Topias Vanhatalo on blogissaan samaa mieltä ja kertoo perusteluiksi, että ruututeemakartan avulla ilmiöstä saa yleiskuvan, jota voidaan tarvittaessa tarkentaa säätämällä ruutujen kokoa. Vanhatalon mukaan ruututeemakartan yleisyys on myös kyseisen kartan ongelma, ja että esimerkiksi koropleettikartalla ilmiötä voidaan kuvata tarkemmin.

Kuva 1. Muunkielinen väestö pääkaupunkiseudulla

Kuvasta 1 voidaan huomata, että muunkielistä väestöä asuu melko tasaisesti pääkaupunkiseudulla. Muunkielistä väestöä on kuitenkin keskittynyt Helsingin keskustan, Itä-Helsingin ja Etelä-Vantaan alueille. Helsingin keskustan suuri muunkielisten määrä selittyy ainakin sillä, että keskustassa asuu ihmisiä enemmän ja tiheällä alueella. Keskustaan sijoittuvat myös monet yritysten toimistot, joissa työskentelee kansainvälisiä työntekijöitä. Itä-Helsingin ja Etelä-Vantaan suureen vieraskielisten osuuteen vaikuttaa mahdollisesti osittain ainakin alhaisemmat asumiskustannukset kuin muualla pääkaupunkiseudulla. Kartta on mielestäni visuaalisesti onnistunut ja helposti luettavissa, mutta pääkaupunkiseudun kuntien rajojen sisällyttäminen karttaan voisi lisätä kartan informatiivisuutta.

Tehtävä 2: Rasteriaineiston tuominen QGIS-ohjelmaan ja digitoinnin aloitus

Kuvassa 2 voidaan nähdä rajattu Pornaisten alue, jonka teiden ja asutuksen digitointia on aloitettu kurssikerran lopussa. Ennen digitointia olimme avanneet rasteriaineistot, yhdistäneet ne ja tuotimme lisäksi karttaan korkeuskäyrät ja rinnevarjostuksen havainnollistamaan alueen pinnanmuotoja. Tämän projektin parissa on kuitenkin tarkoitus jatkaa hommia seuraavalla kurssikerralla.

Kuva 2. Pornainen.

Lähteet:

Topias Vanhatalo, https://blogs.helsinki.fi/topiasva/

3. kurssikerta

Kolmannella kurssikerralla liitimme tietokantaan ulkoista tietoa excel-taulukosta, yhdistimme tietokantoja, tuotimme taulukkoon uutta tietoa jo olemassa olevan tiedon avulla ja päivitimme sarakkeiden tietoa muiden tietokantojen tietojen perusteella. Harjoittelimme näitä taitoja kurssikerralla tuottamalla Afrikasta kartan, josta ilmenee konfliktien ja öljykenttien sekä timanttikaivosten määrä ja sijoittuminen maanosassa (Kuva 1). Itsenäisenä harjoituksena tuotin kotona teemakartan Suomen valuma-alueista, tulvaindekseistä sekä järvisyydestä (Kuva 2).

Kuvasta 1 voidaan havaita, miten Afrikan konfliktit sijoittuvat kartalla suhteessa alueen öljykenttiin ja timanttikaivoksiin. Näiden luonnonvarojen käyttötapojen sekä konfliktien välille voidaan mielestäni vetää kartan perusteella yhteys. Konfliktit eivät kuitenkaan selity täysin öljykenttien ja timanttikaivosten perusteella, koska konflikteja on esiintynyt myös alueilla, joilla ei hyödynnetä lainkaan edellä mainittuja luonnonvaroja. Öljy- ja timanttiesiintymillä on kuitenkin historiallisesti ollut merkittävä rooli suurten konfliktien kehittymisessä, mutta kuten kartasta voidaan tulkita, konfliktien taustalla toimii myös muita selittäviä tekijöitä. Kuten Milla Sigg kirjoittaa blogissaan, luonnonvarojen esiintymisen kuvittelisi tuovan varallisuutta alueelle, mutta erityisesti kehittyvissä maissa se on johtanut usein ongelmiin.

Kuva 1. Afrikan konfliktit, öljykentät ja timanttikaivokset.

Kuvassa 2 on esitettynä Suomen valuma-alueiden tulvaindeksit. Lisäksi kartassa on eri alueiden järvisyysprosentit sekä joet ja järvet. Tarkkasilmäisimmät voivat huomata kartassani visuaalisesti ärsyttävän virheen. Järvisyysprosentteja kuvaavien histogrammien vasemmalle puolelle on jäänyt jonkinlaiset “väkkyrät”, joita en saanut millään poistettua. Vaikka väkkyrät näyttävät ärsyttäviltä, voidaan karttaa kuitenkin tulkita. Voidaan todeta, että tulvaindeksi on korkeampi rannikkoalueilla, joilla järvisyysprosentit ovat matalia. Kuten kartasta voidaan huomata, korkeimpien tulvaindeksien valuma-alueet sijaitsevat Länsi- ja Etelä-Suomen rannikoilla.

Kuva 2. Suomen valuma-alueiden tulvaindeksit.

Tälläkin kurssikerralla tuli lyhyessä ajassa paljon tietoa, ja opeteltavat asiat käytiin läpi luennolla melko mekaanisesti. Tämän johdosta QGIS:n käyttö oli jälleen kerran kotona melko kankeaa, mutta lopulta selvisin ja pääsin mielestäni hyväksyttävään lopputulokseen. Mielestäni tämän viikon keskeisin tavoite oli oppia yhdistämään eri tietokantoja, ja osaan ainakin tällä hetkellä tätä blogia kirjoittaessani sen melko hyvin. Viikon päästä voi olla taas eri tilanne, mutta toivotaan että edes jotain siirtyi pitkäaikaiseen muistiin.

Lähteet:

Milla Sigg, https://blogs.helsinki.fi/milsigg

Toinen kurssikerta: projektiot

Toisella kurssikerralla keskityimme projektioiden aiheuttamiin vääristymiin ja niiden havainnollistamiseen. Kuvassa 1 olen vertaillut, kuinka projektiot ETRS-TM35FIN ja Mercator vääristävät Suomen kuntien pinta-aloja. Kuvasta on nähtävissä, kuinka Suomen kuntien pinta-alojen vääristymät kasvavat kohti pohjoista. Tämä kaava on hyvin tyypillistä Mercatorille: pinta-alavääristymät kasvavat edettäessä kohti napa-alueita. Kuten  Lotta Sainio toteaa blogissaan, Mercatorin vääristymien kasvu kohti pohjoista johtuu siitä, että Mercator on lieriöprojektio. Legendan arvot ilmoittavat prosentteina, kuinka paljon Mercator vääristää pinta-aloja verrattuna ETRS-TM35FIN-projektioon. Kuvasta 1 voidaan huomata, että prosentuaalinen ero on suurimmillaan jopa 8 %:n luokkaa, mikä on hyvinkin merkittävä ero. Huomion arvoista on myös se, kuinka Pohjois-Suomen vääristymät ovat jopa kaksinkertaisia verrattuna Etelä-Suomen vääristymiin.

kmkmkmkm
Kuva 1. Mercatorin vääristymät verrattuna ETRS-TM35FIN.

Kuvassa 2 olen vertaillut Pattersonin ja ETRS-TM35FIN:n vääristymiä, ja voidaan huomata, että projektioiden vääristymien prosentuaaliset erot eivät ole läheskään yhtä suuria kuin Mercatorin tapauksessa. Huomasin nyt blogitekstiä kirjoittaessani, että vääristymäerot ovat itseasiassa melko minimaalisia, ja luokkien määrää olisi voinut vähentää reilusti. Kartta oli laadittu kurssikerralla, ja tallennettu kuvana onedriveen, joten kartan muokkaus ei ole enää mahdollista. Kartasta voidaan kuitenkin huomata, että myös Patterson vääristää Suomen kuntien pinta-aloja enemmän kuin ETRS-TM35FIN ja että vääristymäerot kasvavat edettäessä kohti pohjoista.

Kuva 2. Pattersonin vääristymät verrattuna ETRS-TM35FIN.

Kurssikerralla syvennettiin osittain jo viime kerralla opittuja QGIS-taitoja, mutta opittiin myös täysin uutta asiaa. Opin lisää kartalla tehtävistä mittauksista, eri valintatyökalujen käytöstä sekä field calculator-työkalun hyödyntämisestä. Olen aina tiennyt, että projektiot vääristävät pituuksia ja pinta-aloja kartalla, mutta yllätyin, kuinka suuria eroja eri projektioiden vääristymissä oikeasti onkaan. Tämän johdosta suhtaudun nyt projektioiden esittämään tietoon entistä kriittisemmin. QGIS-ohjelman käyttö, kuten muidenkin graafisten ohjelmien käyttö, voi olla pienistä yksityiskohdista tai juuri oikean napin löytämisestä kiinni. Tälläkin kurssikerralla opin paljon lisää QGIS:n käytöstä, ja osaan toivottavasti seuraavalla kurssikerralla käyttää ohjelmaa sutjakkaammin. Tästä on hyvä jatkaa kohti uusia haasteita.

Lähteet:

Lotta Sainio, https://blogs.helsinki.fi/salotta/

Ensimmäisen viikon harjoitukset

Ensimmäisellä kurssikerralla lämmittelimme paikkatietotyöskentyä QGIS-ohjelman parissa. Harjoittelimme itse kurssikerralla kartan tekemistä tuottamalla HELCOM-alueen typpipäästöistä teemakartan (kuva 1). Kurssikerran jälkeen kotona piti tehdä koropleettikartta Suomen kunnista QGIS-ohjelmaa käyttäen. Kuvan 1 teemakartta jäi hieman keskeneräiseksi lähinnä legendan osalta, sillä legendassa osa selitteistä on englanniksi ja osa suomeksi. Toteutin kuvan 2 kartan tehtävänannon vaikeustason 1 mukaisesti.

Kuva 1. HELCOM-alueen typpipäästölähteet.

Opin tällä kurssikerralla ja kotitehtävän parissa lisää QGIS-ohjelman käytöstä. Olen käyttänyt kyseistä ohjelmaa aikaisemmilla kursseilla, mutta käyttö on kuitenkin jäänyt aikaisemmin hyvin vähäiseksi. Tällä kurssilla tämä varmasti on toisin. Sain kurssikerralla lisää varmuuttaa paikkatieto-ohjelmien käyttöön, ja muistutuksen siitä, kuinka yksityiskohtaista teemakarttojenkin laatiminen todellisuudessa on ja varsinkin silloin, kun kartassa on useita muuttujia. Varsinaisen tiedon sisällyttäminen karttaan on suhteellisen yksinkertaista, mutta kartan visuaalisen ilmeen viilaaminen voi olla hyvinkin pitkäjänteisyyttä vaativa prosessi. Uutta paikkatieto-ohjelmaa opeteltaessa yksittäisten nappien ja oikeiden komentojen löytäminen vie alussa aikansa, mutta työskentely ohjelman kanssa sujuvoituu harjoituksen myötä.

Kuva 2. Suomen kuntien työttömyys.

Kuvassa 2 näkyy kotitehtävänä tuotettu koropleettikartta Suomen kuntien työttömyystilanteesta. Mielestäni kartta kuvastaa onnistuneesti sinisen eri sävyillä kuntien työttömyystilannetta, mutta luokat olisi voinut ehkä tiivistää neljään eri luokkaan. Törmäsin samaan ongelmaan kuin Aino Pahkala omassa työssään, kun huomasin muuttujan arvojen olevan prosenttilukuja. Ohjeissa arvot muutetaan prosenteiksi, joten minun ei tarvitse tätä työvaihetta toteuttaa. QGIS antoi karttaa tehdessäni luokkavälit valmiina, ja mielestäni ne esittivät tiedon sopivalla tavalla. Luokat olisi kuitenkin voinut kenties määrittää tasaluvuin. Karttoihin voisi jatkossa lisätä myös kehyksen, joka tällä kertaa jäi uupumaan. Mielestäni kartan sisältämä tieto välittyy selkeästi ja onnistuneesti lukijalle. Kartasta voidaan nähdä, että Itä- ja Pohjois-Suomessa on runsaasti korkean työttömyyden kuntia, kun taas Länsi- ja Etelä-Suomi muodostavat matalan työttömyyden alueet. Kartasta voidaan havaita jopa tietynlaista vyöhykkeisyyttä. Kaiken kaikkiaan kuvan 2 kartta on mielestäni visuaalisesti selkeä, ja kartan tieto välittyy lukijalle. Tästä on hyvä jatkaa karttojen tekemistä tulevilla kurssikerroilla!

Lähteet:

Aino Pahkala, https://blogs.helsinki.fi/pahkalaa/