Yhtenä Geoinformatiikan menetelmät -kurssin tavoitteena on ottaa haltuun QGIS paikkatietojärjestelmä, joka on suosittu avoimen lähdekoodin GIS-ohjelmisto. Paikkatietojärjestelmä eli GIS (Geographic Information Systems) mahdollistaa paikkatiedon tallentamisen, hallinnan, analysoinnin sekä esittämisen ja jo heti kurssin alkuun pääsimme tutustumaan, millaisia tiedon hyödyntämis ja analysointi mahdollisuuksia se tuo.
Kurssin ensimmäisenä harjoituksena harjoittelimme ohjatusti sekä vektorimuotoisen paikkatiedon hallintaa että esittämistä tuottamalla koropleettikartan Itämeren ympärysvaltioiden typpipäästöistä. Yksi paikkatietoaineiston keskeinen ominaisuus on sen sisältämä ominaisuustieto, joka voi olla esimerkiksi mittaustietoa. Harjoituksessa hyödynsimme ominaisuustietotaulukkoon tallennettua tietoa kunkin valtion mitatuista typpipäästöistä ja jatkojalostimme niitä laskemalla niistä suhteellisen osuuden määrän suhteessa valtioiden yhteenlaskettuun kokonaistypen päästömäärään. Tämän seurauksena tuotimme siis uutta ominaisuustietoa, jonka visualisoimme koropleettikartan muodossa (kuva 1).
Ensimmäisen harjoituksen kartasta on havaittavissa, että Itämeren alueen suurin typenpäästöjen aiheuttaja on Puola. Puolasta valuu Itämereen moninkertaisesti enemmän ravinteita kuin muista rantavaltioista ja sen osuus Itämeren päästöistä on noin 34 %. Siinä, missä kartta ilmaiseen suurimman typpipäästöjen lähteen se ei kuitenkaan avaa sen taustalla olevia syitä tai seurauksia.
Teemakartat ovatkin tehokas keino tuoda esiin usein vaikeasti hahmotettavia kokonaisuuksia, mutta ne myös vaikuttavat vahvasti niiden pohjalta muodostettuihin mielipiteisiin ja mielikuviin. Teemakartan visualisoinnilla on siis suuri vaikutus. Laura Hynynen (2020) toteaakin osuvasti Ominaisuustiedoista teemakartaksi -blogikirjoituksessaan, että kartta on onnistunut visuaalinen esitys silloin, kun jo ensikatsomalla tummuuserojen avulla hahmottaa, missä on jotakin enemmän ja missä vähemmän.
Toisena harjoituksena teimme itsenäisesti vastaavanlaisen koropleettikartan hyödyntäen Suomen kunnista vuonna 2015 kerättyä vektorimuotoista paikkatietoa. Visualisoin omassa kartassani eläkeläisten prosentuaalisen osuuden väestöstä kunnittain (kuva 2) ja valitsin luokkajaon neljään luokkaan käyttäen luonnollisia luokkarajoja. Koska luokittelu vaikuttaa ratkaisevasti koropleettikartan ulkonäköön, oli mielenkiintoista verrata tekemääni karttaa Flaminia Purasen (2020) samasta aineistosta tuottamaan karttaan.
Olimme kumpikin valinneet aineistollemme erilaisen luokittelutavan, mutta tästä huolimatta kummastakin kartasta nousi selkeästi esille eläkeläisten suuri osuus Itä-Suomessa, kuten Etelä-Savossa, Pohjois-Karjalassa ja Kainuussa.
Kokonaisuudessaan ensimmäisellä kurssikerralla tuottamani kartat ovat mielestäni kumpikin visuaalisesti ja teknisesti onnistuneita. Pyrin niin värien valinnalla kuin muillakin kartan peruselementeillä varmistamaan, että kartat kuvaavat esittämänsä ilmiötä selkeästi. Kuitenkaan sen tarkemmin kumpikaan teemakartta itsessään ei avaa ilmiöiden taustalla olevia syitä tai seurauksia. Tätä samaa pohti Tiia Laisi (2020) blogikirjoituksessaan todeten, että ”kartta kuvastaa ilmiötä, mutta ei tietenkään anna sille selitystä.” Jotta kummankaan kartoissa kuvaamani ilmiön, typpipäästöjen Itämereen tai väestön ikääntymisen, syy-seuraussuhteista voisi tehdä tarkempia päätelmiä tai analyysejä tulisi niitä tarkastella yhdessä muun ominaisuustiedon kanssa.
Lähteet:
Hynynen, L. (2020). Ominaisuustiedoista teemakartaksi. Viittauspäivä 21.1.2020. <https://blogs.helsinki.fi/lauravel/>
Laisi, T. (2020). Kurssikerta 1. QGIS- ohjelmistoon tutustumista. Viittauspäivä 21.1.2020. <https://blogs.helsinki.fi/tlaisi/2020/01/15/kurssikerta-1-qgis-ohjelmistoon-tutustumista/>
Puranen, F. (2020). Ensimmäisestä kurssikerrasta. Viittauspäivä 21.1.2020. <https://blogs.helsinki.fi/flaminia/>