Ensimmäinen – ja toinen – kohtaaminen

Ensimmäinen kohtaaminen

Yhteinen polkumme QGISin kanssa ei alkanut odotetusti, kun ensimmäisellä luennolla sekä QGIS että Zoom kaatuivat ja tietokoneeni sanoi itsensä irti yli puoleksi tunniksi. Pääsin lopulta takaisin Zoom-luennolle ja päätin tarkkailla vain luentoa, jottei QGISin avaaminen johtaisi taas kaatumiseen.

Latasin QGISin samana päivänä myös avopuolison pöytäkoneelle ja osallistuin toisen ryhmän luennolle seuraavana päivänä. Nyt pystyin seuraamaan yhdellä koneella luentoa ja toisella tekemään itse QGIS-tehtävää, jes!

Ohjelmana QGIS on itselleni täysin uusi, ja kerralla tuli melko paljon opittavaa. Työkaluja sai etsiä muutamaan kertaan, että oli varmasti oikea käytössä ja sai monen mutkan kautta halutun lopputuloksen ulos ja vielä taittoon viimeistelyä varten. QGIS vaikuttaa kuitenkin melko intuitiiviselta, ja pöytäkoneella isosta näytöstä ja hiirestä oli todella hyötyä, sillä läppärillä touchpadilla räpeltäminen oli melko tuskaista.

Zoom-luennolla saatiin aikaiseksi Itämerta ympäröivistä valtioista kartta, josta käy ilmi kunkin maan osuus kaikista Itämereen päätyvistä typpipäästöistä värikoodauksen avulla (Kuva 1). Karttaa katsoessa kiinnitin jälkikäteen huomiota siihen, miten järviä on kuvattu vain osittain Pohjois-Euroopan alueella, ja ne näyttävät rajautuvan melko kummallisesti vain tietylle alueelle. Päättelin tämän johtuvan siitä, että karttaan on haluttu typpipäästöjen olennaisuuden takia merkata vain Itämeren valuma-alueella olevat vesistöt, sillä typpipäästöt päätyvät Itämereen pääasiassa valuvien vesien mukana. Tarkistin asian, ja kuinka ollakaan, epäilykseni osui oikeaan ja kartta Itämeren valuma-alueesta täsmää hyvin kurssikerralla tehdyn kartan järvien sijaintiin (Kuva 2).

Pohjois-Euroopan kartta joka on keskittynyt Itämeren ympärysvaltioihin. Typen päästöjen osuudet valtioittain on luokiteltu asteikoilla vaaleanpunainen 3,2-8, punainen 8-13,3 ja tummanpunainen 13,3-33,7. Vaaleanpunaisina eli typpipäästöiltään pieniosaisimpina valtioina on väritetty Saksa, Tanska, Liettua, Viro ja Suomi. Punaisella eli keskisuurilla päästöillä on väritetty Ruotsi, Latvia ja Venäjä. Ainoana suuripäästöisenä maana tummanpunaisena on värjätty Puola. Loput kartassa näkyvät Euroopan maat ovat taustakarttana ja väriltään vaalean vihreitä, sillä ne eivät ole osana typpipäästötilastoja.
Kuva 1. Luennolla tekemäni kartta Itämeren ympärysvaltioiden typpipäästöistä
Kuva 2. Itämeren valuma-alue. Lähde: Wikimedia Commons

Karttani ulkoasua näin jälkikäteen ajatellen olisi voinut hioa värien osalta, vaikka ne eivät räikeästi silmään satukaan. Lisäksi olen samaa mieltä Johannan kanssa siitä, että syvyyskäyrät olisi voinut jättää pois kartasta – ne eivät varsinaisesti tarjoa informaatiota, eivätkä ole kyseisen teemakartan kannalta oleellisia, kun halutaan tarkastella typpipäästöjä maittain.

Lopputulos on kuitenkin kohtuullisen hyvä ensimmäiseksi tuotokseksi QGISillä, ja olen oppimiini asioihin ja karttaani tyytyväinen.

Toinen kohtaaminen

Päättäväisenä, mutta valitettavasti melko myöhään pääsin aloittamaan kurssikerran kotitehtävää, jossa tarkoituksena oli tehdä koropleettikartta Suomen kunnista ja jostakin aineiston sisältämästä taulukoidusta tiedosta.

Koropleettikartta tarkoittaa teemakarttaa, jossa tilastoja esitetään aluejakoisesti, esimerkiksi kunnittain. Koropleettikartta on myös tyypillisesti luokiteltu, eli tarkasteltavan ilmiön numeeriset tilastotiedot luokitellaan tiettyihin ryhmiin ja näin eri alueiden eroja voidaan vertailla visuaalisesti keskenään. Tilastotieto koropleettikartassa luodaan yleensä suhteellisista lukuarvoista, kuten tarkasteltavan ilmiön osuus kokonaismäärästä; esimerkkinä väestöntiheys per väestö kokonaisuudessaan tai työttömyys per koko väestö. (Tilastokeskuksen Tilastokoulu, 2021)

Olin määrätietoinen siitä, että pärjäisin QGISin kanssa hyvin itsenäisesti, mutta QGIS ja huono muistini ottivat luuloni heti alussa pois. Melkein kaikkia askelia piti tarkistaa ja muistella kurssimateriaaleista, ja viimein onnistuin yrittämisen, epäonnistumisen ja oppimisen kautta luomaan haluamani kartan.

Päätin tehdä kartan yli 65-vuotiaiden osuudesta kunnan väestöstä prosentteina. Onnistuin ulkomuistista luomaan attribuuttitaulukkoon uuden sarakkeen laskutoimituksen avulla (65-v-lkm/väestö * 100), mutta etsin melkoisen pitkään työkalua, jolla saisin laskemani taulukon tulokset näkyviin kartalle luokittain. Tukimateriaalia apuna käyttäen sain tehtyä luonnollisilla luokkaväleillä järkevän näköisen kartan. Lopputuloksena on selkeä kartta, joka ilmaisee värien avulla yli 65-vuotiaiden prosenttiosuuden kunkin kunnan kokonaisväestöstä (Kuva 3).

Huomasin, että Susanna oli muokannut asetuksista tilastonsa luvut yhden desimaalin tarkkuuteen, jotta legenda olisi helppolukuisempi. Ajattelin, että voisin itse hyödyntää samaa taktiikkaa, ja lopulta päädyin käyttämään kokonaislukuja, sillä desimaaleilla luettavuus oli edelleen melko sekava.

Kartasta voidaan nähdä, että erityisen vähäisenä yli 65-vuotiaiden osuus on suurissa kaupungeissa, varsinkin opiskelijakaupungeissa kuten Helsingissä, Turussa, Tampereella, Jyväskylässä, Kuopiossa, Joensuussa ja Oulussa. Mielenkiintoinen seikka on, että ne kunnat joissa on suhteessa eniten yli 65-vuotiaita ovat paikoin isommissakin ryppäissä tai ainakin useimmiten lähellä muita kuntia joissa prosenttiosuus on suuri. Näistä melkein kaikki ovat maaseutupainotteisia kuntia, joista nuoret muuttavat opiskeluiden ja töiden perässä suurempiin kaupunkeihin. Tämä luonnollisesti laskee yli 65-vuotiaiden osuutta suurissa kaupungeissa.

Kuva 3. Laatimani kartta vuoden 2015 aineiston pohjalta.

Ensimmäiseltä viikolta jäi käteen entistä suurempi innostus kartoista, joka syntyi alunperin jo Tiedon esittäminen maantieteessä -kurssilla. Kartat sinällään olivat tuttuja työkaluja suunnistuksen kautta, mutta nyt osaan tarkastella myös paljon yksityiskohtaisemmin karttojen yksityiskohtia, elementtien siisteyttä visuaalisella silmällä sekä karttaan upotettua paikkatietoa.

Tärkeänä harjoituksessa oli oppia muutamat perustyökalut QGISistä, ja uskon muistavani nyt ainakin suurimman osan kurssikerralla läpikäydyistä työkaluista ja kuinka niitä käytetään. Tilastopohjaisen aineiston takia myös attribuuttitaulukon ja niiden tietojen laskutoimitukset oli tärkeää ymmärtää, jotta tilastotietoa osaisi käyttää karttojen laadinnassa. Muutaman kokeilun jälkeen sain rutiinin laskutoimitusten tekemiseen, ja myös prosenttiosuuden laskutoimituksen oikein saaminen oli iloinen onnistumisen kokemus.

Toimintatapani ei varmaankaan ole vielä vakioitunut, mutta uskoisin luonteeni perusteella, että seuraavissa töissä etenen melko suunnitelmallisesti vaihe kerrallaan. Tällainen hitaampi eteneminen varmistaa sen, että pysyn mukana tekemissäni muutoksissa ja ymmärrän miksi jotakin tapahtui, sekä saan jonkinlaisen muistijäljen jokaisesta toimenpiteestä, kun ne on tehty tarkoitus edellä. Pidän kuitenkin mielen avoinna myös kokeilevalle tavalle oppia.

Jatkossa yritän myös pysyä paremmin aikataulussa viikottaisissa tehtävissä, jotteivät palautukset venyisi ja kasaantuisi hirveästi. Tuoreesta muistista tehdyt karttatyöt myös sujuvat paremmin, kun kurssikerrasta ja QGISin käytöstä ei ole useampaa päivää aikaa.

update tammikuu -22

Lueskelin vuosi sitten kirjoittamani blogitekstin läpi ja totesin, että muistin suurimman osan QGISin toiminnoista edellisen kurssiosallistumiseni perusteella – tämä oli lohdullista, sillä muistan miten niitä tuskailin aiemmin, ja nyt tuntui että pysyin hyvin kärryillä. Hitaan alun takia en kuitenkaan tehnyt uusia kuvia kurssikerroille, koska tuntui että en saanut kartasta järkevällä ajankäytöllä esteettisesti parempaa kuin aiemmin tekemäni.

Lähiopetus sykähdyttää, ja olen tämän kurssin saamasta erityisluvasta erittäin kiitollinen!

tumblr_n8vvg2FIuJ1tgifizo3_500.gif (500×200) | トトロ, アニメーション, 不思議な生き物
Kuvaus nolosta kuudennen vuoden opiskelijasta joka yrittää olla huomaamattomasti fuksikurssilla 😀

 

Lähteet:

Kurssimateriaali

Johannan blogi

Susannan blogi

Itämeren valuma-alue

Tilastokoulu

Minitotoro