Tekijä: Katariina

Seitsemännen eli viimeisen kurssikerran tehtävänä oli tuottaa itse oma kartta datasta, joka itseään kiinnostaa. Jouduin tekemään kurssikerran kotoa käsin, ja vaikka monia asioita onnekseni muistinkin, vaikeuksia tuli rutkasti eteen. Vaikka QGISin mystinen kieli ei olekaan enää niin mystinen, on sen ymmärtämisessä yhä joitakin hankaluuksia. 

Suurimmaksi haasteeksi koitui ominaisuustiedon lataaminen QGISiin siten, että sitä pystyi hyödyntämään. Hankalaa oli myös datojen yhdistäminen ja oikeastaan moni muukin asia olisi vaatinut vielä auttavaa kättä. Vaikka tehtävänantona oli pääasiassa kartan tuottaminen alusta asti itse hakemista aineistoista, oli vaihtoehtona myös käyttää valmiita kurssilla käytettyjä aineistoja. Päätin kokeilla ja leikkiä valmiilla maailmankarttapohjalla. 

Tarkastelin mangrovemetsiä, sillä löysin kiinnostavaa ja ymmärrettävää dataa siitä täältä: https://gma-panda.opendata.arcgis.com/. Ongelmaksi tuli rasteriaineisto, sillä se ei näkynyt maailmankartalla, vaan siihen piti zoomata reilusti. Jokatapauksessa aineistoa oli kiinnostava tarkastella ja tutkia. Maailmankartasta havaitaan, että muun muassa Australiassa, Indonesiassa, Bruneissa, Brasiliassa, Meksikossa ja Nigeriassa on eniten mangrovemetsää. Brunein kartasta näkee mangrovemetsien sijoittuvan ainoastaan rannikolle. 

Kuva 1: Mangrovemetsäiset maat maailmankartalla.

Kuva 2: Mangrovemetsien sijoittuminen Bruneissa.

Kartat ovat mielestäni ok, ja olen tyytyväinen, että osasin tuottaa tällaista aineistoa täysin kotoa käsin ja vielä suhteellisen vähäisillä QGIS-taidoilla. Kartat eivät ole ihanteellisia esimerkiksi opettamiseen (sillä asteikot eivät ole kovin selvät), mutta uskon, että jo näillä eväillä tulevilla kursseilla pääsen todella pitkälle. 

Tämä kurssi on kieltämättä ollut antoisa ja tunnen oppineeni paljon. On ollut mukavaa päästä tutkimaan aineistoja ja kokeilemaan, miten esimerkiksi eri arvojen tai värien muuttaminen vaikuttaa kartalla esitettävän asian mielikuvaan. Erilaisten tiedostojen ymmärtäminen ja käsittely on tullut jokseenkin tutuksi. 

Blogin kirjoittaminen on ollut mukavaa, vaikka ajoittain tuntui, että eipä tässä paljoa sanottavaa löydy. Toisaalta on ollut hyvin kiinnostavaa lukea muiden opiskelijoiden blogeja ja tietää, ettei ole yksin kamppailussaan QGISin kanssa. Viimeisen kerran karttoja on ollut myös mielenkiintoista lukea. Esimerkiksi Meri Lehto (https://blogs.helsinki.fi/lehtomer/) on tehnyt hienon kartan liito-oravien esiintymisestä. Myös Arttu Granat (https://blogs.helsinki.fi/garttu/?lang=en) tuotti todella kiinnostavan kartan urbaanista asutuksesta ja väestöntiheydestä. 

Näissä tunnelmissa uusiin maisemiin! 🙂 

Viittaukset

Meri Lehto, https://blogs.helsinki.fi/lehtomer

Arttu Granat, https://blogs.helsinki.fi/garttu/?lang=en

Kuudennella viikolla pääsimme ulkoilemaan ja keräämään omaa dataa Epicollect5-sovelluksella. Keräsimme pistemuotoista dataa kampusta ympäröiviltä alueilta. Pohdimme muun muassa tiettyjen alueiden turvallisuutta ja viihtyvyyttä. Vaikka ulkona naamaan tuiskutti räntää ja lunta ja jotain siltä väliltä, saatiin kerättyä kattava ja monipuolinen aineisto. 

Kuva 1: pistekarttaharjoitusta

Tuotimme pisteainestolle myös rasterimuotoisen interpoloinnin, jossa havainnollistimme paikkojen turvallisuutta. Aineistoa oli mielenkiintoista analysoida. Havaittiin muun muassa, että suunnilleen samasta paikasta kaksi ihmistä oli tulkinnut sen turvallisuuden eri tavalla . Aineistosta korostui myös muutama paikka, jotka oltiin merkattu muita turvattomaksi. 

Itsenäistehtävässä jatkoimme pistekarttateemalla. Tutustuimme hasardeihin maailmalla, kuten maanjäristyksiin. Valitsin voimakkaiden maanjäristysten (vähintään 6 tai 7) ja kerrostulivuorten sekä toisessa kartassa vedenalaisten tulivuorten tarkastelun. Janne Turunen muistuttaa osuvasti blogissaan (https://blogs.helsinki.fi/janneturunen/), että “tämä magnitudin kasvu tarkoittaa aina 10-kertaista maanliikkeen muutosta ja noin 32-kertaista vapautuneen energian määrän nousua numeron noustessa yhdellä”. Tällä rajauksella voidaan siis havainnoida vakavasti maanjäristysriskialttiit alueet hyvin. 

Maanjäristysaineiston lataaminen ei ollut vaikeaa, piti vain muistaa lataa se CSV tiedostona. Tulivuoriaineiston lataaminen oli hieman erilainen prosessi, sillä se ladattiin TSV tiedostona. Se toimi kuitenkin aivan yhtä hyvin, kunhan klikkasi pari lisäkohtaa QGISissä. 

Kuva 2: Kerrostulivuoret ja yli 7 magnitudin maanjäristykset 2000-2022. 

Kuva 3: Vedenalaiset tulivuoret ja 6-9 magnitudin maanjäristykset 2000-2022. 

Kuvan 2 kartasta voi mielestäni tulkita hyvin kerrostulivuorten ja yli 7 magnitudin maanjäristyksien korrelaation sekä hahmoittaa litosfäärilaattojen saumakohtia. Kuvan 3 kartasta taas voidaan hahmoittaa vedenalaisten tulivuorten sijoittuminen suhteessa 6-9 magnitudin maanjäristyksiin. Näiden kahden kartan avulla pystyy pohtimaan muun muassa sitä, missä kerrostulivuoret tai vedenalaiset tulivuoret voivat suuremmalla todennäköisyydellä aiheuttaa maanjäristyksiä alueilla. Esimerkiksi Etelä-Amerikassa Etelä-Amerikan ja Nazcan laatan törmäyssaumassa on selkeästi enemmän kerrostulivuoria linjassa maanjäristysten kanssa, kun taas keskellä Tyyntä valtamerta vedenalaisia tulivuoria on hieman enemmän linjassa maanjäristysten kanssa. Ihan mielenkiinnosta tutkin myös yli 8 magnitudin maanjäristyksien sijoittumista. 

Kuva 4: Yli 8 magnitudin maanjäristysten sijoittuminen ajoilta 1900-2022. 

Kartoilla voi tehdä suuripiirteisiä tulkintoja, mutta koska valtioiden rajat peittyvät runsaiden pisteiden alle, on tarkempia tulkintoja hankala tehdä. Kartoilta myös puuttuu merkittäviäkin tietoja, kuten rajaus aktiivisista tulivuorista (tietääkseni aineistosta ei voinut tällaista rajausta ainakaan valmiiksi luokiteltuna saada?). Pedagogisesta näkökulmasta kartat toimivat mielestäni kuitenkin ihan hyvin. Ne ovat yksinkertaistettuja ja helppoja tulkita. Käytin Robinsonin projektiota, sillä se on jotenkin itselleni visuaalisesti selkeämpi ja miellyttävämpi. Karttoihin olisi voinut liittää vektoritietona litosfäärilaattojen rajat, mutta en ollut varma, mistä sellaisen saisi liitettyä. 

Loppumietteitä

Kuudes kurssikerta oli mielestäni tähän asti mukavin, koska jotkin toiminnot olivat jo jättäneet muistijäljet ja olin hivenen itsevarmempi klikkaillessani QGISissä. Koin myös aiheet hyvin mielenkiintoisiksi ja oli virkistävää päästä itse keräämään dataa. Paljon – erittäin paljon – opeteltavaa vielä on, mutta QGISin mystinen kieli ei enää tunnu niin mystiseltä, joten ilahduttavaa edistystäkin on tapahtunut! 🙂 

Viittaukset

Janne Turunen, https://blogs.helsinki.fi/janneturunen/ 

 

Viidennellä kurssikerralla tutustuimme vielä tarkemmin bufferointiin, pisteaineistoon ja yleiseen ongelmanratkaisuun. Vaikka tehtävien tekemisessä tuntui pieni kiire, oli tehtävien tekeminen mielekästä ja kiinnostavaa. 

Keskityimme aluksi dataan Malmin ja Helsinki-Vantaan lentokenttäalueista. Tässä vaiheessa bufferointi tuli tutuksi, sillä sitä toimintoa joutui toistamaan moneen kertaan. Myös select by location -toimintoa tuli käytettyä runsaasti, joten siitäkin varmaan jäi jonkin tasoinen muistijälki.

Keräsimme ja yhdistimme dataa. Itsenäisessä osiossa piti ratkaista omin päin, miten selvitetään tietyt luvut tietyiltä vyöhykkeiltä. Aluksi, kuten varmasti kuuluukin, jouduin pähkäilemään paljonkin. Mutta kuten Aino Pahkala blogissaan (https://blogs.helsinki.fi/pahkalaa/) hyvin toteaa, itsenäistehtävien tekeminen oli “opettavaista, ja pakotti luoviin ratkaisuihin, jos oikeita toimintoja ei muistanut”. Hän selittää, ettei kurssikerralla ehdi keskittyä toimintojen muistamiseen, mikä on minustakin totta. Mutta kun aikaa oli itse pohtia, kokeilemalla eri toimintoja ja yrittämällä tulkita QGISin mysteeristä kieltä onnistuin selvittämään yhden itselleni hankalammista kohdista -fiilis oli todella hyvä. 

Kotona sitten tuotin taulukon keräämistäni tiedoista. Tehtävä 2 jäi vähän kesken, enkä kotona onnistunut sitä kunnialla loppuun saattamaan. Olen itse kuitenkin ihan tarpeeksi tyytyväinen jo selvitettyihin kohtiin. 

Taulukko: tehtävien vastauksia

Malmin lentokenttä
2 km säteellä asuvat	58807
1 km säteellä asuvat	9111
Helsinki-Vantaan lentokenttä
2 km säteellä asuvat	11774
65 db melualueella asuvien osuus	2,5%
väh. 55 dB melualueella asuvat	11 923
väh. 60 dB melualueella asuvat uudella laskeutumissuunnalla	18837
Asemat
väh. 500m säteellä asuvat	11765
osuus kaikista alueen asukkaista	21,6%
työikäisten osuus asukkaista	67%
Taajamat
taajamissa asuvien osuus	96,2%
kouluikäisiä taajamien ulkopuolella	2 267
näiden osuus kaikista kouluikäisistä	3,9%
ulkomaalaistaustaisia asukkaita	50308

Toiseksi itsenäistehtäväksi valitsin aiheen koulut. Onneksi bufferointi oli jotenkin jäänyt mieleen ja sain kerättyä vastaukset (alla). 

• Kuinka paljon Helsingin Yhtenäiskouluun on tulossa uusia koulutiensä aloittavia oppilaita aineiston keruuhetkestä seuraavana vuonna, sen omasta koulupiiristä?

14 ekaluokkalaista

• Kuinka suurta määrää yläasteikäisiä oppilaita Helsingin yhtenäiskoulun pitää varautua opettamaan seuraavana vuonna (oma koulupiiri)?

62 yläkoululaista

• Kuinka suuren osuuden koulupiirin alueella asuvista asukkaista muodostavat kouluikäiset lapset ja nuoret (ala-aste ja ylä-aste)?

~8,5%

• Kuinka monta muunkielistä kouluikäistä alueella asuu, jos oletetaan että muunkielisissä perheissä lasten ja aikuisten suhde on sama kuin edellisessä kohdassa laskettu? Luku on vain arvio, ei siis tarkka lukumäärä.

~10

Loppumietteitä

QGIS osaa yhä olla ajoittain aggressiivinen ja vaikea. Mutta joka kurssikerta tuntuu, että jotain pientä on kuitenkin jäänyt mieleen viimekerrasta. Se, miten se pieni muistettu asia saataisin etenemään on sitten eri asia. Jokatapauksessa odotan mielenkiinnolla ensikertaa ja sitä, mitä taikuuksia saamme ryhmässä mahdollisesti tuotettua. 🙂 

Viittaukset

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

Neljännellä viikolla tutustuimme tarkemmin rasteriaineistoon. Aluksi teimme kartan pääkaupunkiseudulta. QGISiin tuodussa datassa oli monia muuttujia mistä valita kartalla esitettävän. 

Esimerkiksi blogissaan Anna Makkonen (https://blogs.helsinki.fi/annmakko/?lang=en) käytti muuttujana ruotsinkielisten osuutta pääkaupunkiseudulla ja tuotti siitä kartan. Karttaa on mielenkiintoista analysoida, sillä se on selkeä ja monella tapaa erilainen kuin vektoriaineisto. Muita muuttujia oli muun muassa ulkomaalaistaustaustaisten osuus pääkaupunkiseudulla. Tehtävä oli mielenkiintoinen, mutta tämänkin tehtävän vaiheiden muistaminen kotona on todella vaikeaa. 

Toinen tehtävä keskittyi yksittäiseen pieneen kuntaan (Pornainen) ja siitä kerättyyn laserkeilausaineistoon. Tämä tehtävä oli minusta kiinnostava, sillä karttaa tarkastellessa huomasin, kuinka mielekästä on tarkastella pinnanmuotoja rinnevarjoituksella verrattuna ns. tasaiseen karttapohjaan. Blogiin liittämässäni kuvassa (tekstin alla) on sekä rinnevarjostus että korkeuskäyrät peruskarttalehdellä. Kuva on sen verran pieni ja korkeuskäyrät suhteellisen paksuviivaiset, että sitä on kokonaisena hankalahko tarkastella. Zoomatessa sitä on kuitenkin hyvin mielenkiintoista analysoida, sillä alueen pinnanmuodot näkyvät korkeuskäyrien ja rinnevarjostuksen yhteiskartassa paljon selkeämpinä.

Laserkeilaus on kiinnostanut minua pitkään ja on siksi mielekästä nähdä, kuinka sitä ohjelmistolla analysoidaan. Käsittääkseni tehtävää jatketaan pidemmälle seuraavalla viikolla (viikko 5), joten aineisto QGISillä piti tallentaa huolellisesti. Tallentaminen siten, että aineisto pysyy vahingoittumattomana ei kuitenkaan ole ollenkaan niin yksinkertaista kuin se kuulostaa. Jokainen taso kuului tallentaa jotenkin erikseen tietyssä muodossa. Toivotaan siis, että työtä tosiaan pystyn jatkamaan siitä, mihin lopetin.

Viittaukset

Anna Makkonen, https://blogs.helsinki.fi/annmakko/?lang=en

Kolmannella viikolla perehdyimme ulkokautta tuotuun dataan Afrikasta ja Suomesta.

Ensin keskityimme Afrikkaan ja Afrikan valtiokohtaisiin konflikteihin suhteessa mm. timanttikaivoksiin. Tämä tehtävä oli mielenkiintoinen, sillä konfliktien ja kaivosten määrän välillä voitiin havaita yhteys. Yhteys ei silti viittaa kausaatioon. Esimerkiksi Etiopiassa, jossa on suhteellisen vähän arvokkaita kaivannaisia, konflikteja on hyvin runsaasti. 

Joitakin vaikeuksia koitui ensimmäistä harjoitusta tehdessä. Yksi näistä oli, ettei tietyt työkalut olleet saatavilla johtuen ongelmista datan tuonnissa (pakattu kansio on purettava ennen lataamista -vaikka QGIS aluksi tunnistaa aineiston, se ei toimi täydellisesti). Ongelmia tuli myös matkaan kun erikseen tallennettua tasoa ei pystynyt zoomaamaan. Se taas johtui siitä, että taso oli tallennettu Geopackage:na, joka ilmeisesti ei kaikissa tietokoneissa toimi kovin hyvin. Tiedosto oli muutettava shapefileksi, joka on mahdollisesti yleisin QGIS:issä käytettävä tiedostomuoto. 

Toinen tehtävä oli Suomen tulvaindeksistä ja järvisyydestä. Piti tuottaa koropleettikartta tulvaindeksistä. Aloitus oli minulle hieman hankalaa, sillä Afrikan harjoitusta tehdessä tuntui olevan niin paljon välivaiheita, etten muistanut, mistä lähdettiinkään liikkeelle -siis mistä pitikään klikata ja mikä muuttaa miksi? Onneksi lähiopetuksessa ehti selvitä moni kysymyksistä. Kuten se, että aluksi ei muuteta itse datan muuttujaa, vaan sitä, missä muodossa se halutaan lisätä taulukkoon. 

Kuva 1: Koropleettikartta tulvaindekseistä Suomessa.

Näin jälkeenpäin kun karttaa katselee, tulee mieleen, että olisi voinut tehdä kartasta selkeämmän jollakin tavoin. Muutoin olen ihan tyytyväinen siihen, mitä sain aikaan. Kartasta voidaan havaita tulvaindeksin olevan suurinta rannikkoalueilla ja ilmeisen vähäistä lapissa sekä itä-Suomessa (järvisuomessa). Roosa Kotilainen pohtii hyvin blogissaan (https://blogs.helsinki.fi/rokoro/), että tulvariski on kasvanut tiheään asutuilla seuduilla, eli ihminen voi myös omalla toiminnallaan lisätä tulvariskiä.

Yhä tuntuu, että datan käsittelyssä QGIS:issä on niin monia välivaihteita ja joitakin epäselviä prosesseja, ettei se etäältä kotoa vielä oikeastaan onnistu. Haastavammat (vapaaehtoiset) tehtävät jätän suosiolla toistaiseksi pois etänä tehtävistä harjoituksista, että pystyisin keskittymään päätoimintojen muistamiseen ja oppimiseen. Yksi näistä haasteista oli järvisyyttä kuvaava hirstogrammi, jota en onnistunut luomaan -pääni oli jo liian täynnä QGISin monimutkaisuuksia. Olen kuitenkin yhä toiveikas, että voin lähitulevaisuudessa siirtyä ns. “QGISin haasteisiin”. 

Viittaukset

Roosa Kotilainen, https://blogs.helsinki.fi/rokoro/

Toisella harjoituskerralla keskityimme projektioihin QGISillä. Projektioiden ymmärtäminen on olennainen osa maantieteellistä ymmärrystä, sillä ne ovat aina läsnä kartoissa ja aina joltakin osin vääristyneitä.

Projisointi tarkoittaa maapallon pinnan asettamista kaksiulotteiseksi tasoksi. Projektioita on suunniteltu monenlaisia ja tällä harjoituskerralla visualisoimme niiden vääristymiä Suomen kohdalla verrattuna TM35FIN projektioon, joka kattaa vain Suomen. Kuten Maiju Paronen blogissaan (https://blogs.helsinki.fi/pxmaiju/?lang=en) toteaa, TM35FIN on Suomessa yleisin käytetty karttaprojektio, sillä se vääristää vähiten mittoja Suomen alueella. 

Harjoitusten tekeminen oli mielestäni kiinnostavaa, sillä vääristymien visualisointi selkeytti projektioita ja projisoinnin vaikutuksia. Valitsin vertailtaviksi projektioiksi Mercatorin (kuva1), Aitoffin (kuva 2) ja Cassinin (kuva 4). Jokaisessa kartassa käytin kahdeksaa luokkaväliä, jotta kartat olisivat mahdollisimman tarkat. Toisaalta Victoria Rumbin toteaa hyvin blogissaan “Matka GIS-guruksi” (https://blogs.helsinki.fi/vrumbin/), että koska luokkavälit ovat tiheät, “ei arvoilla ole kovinkaan paljoa välieroa”.  Jos välejä olisi vielä enemmän, voisi kartasta tulla sävyjen kannalta epäselvä. Väripaletiksi valitsin sinisestä punaiseen vaihtuvan (sininen merkitsee suhteellisen vähän vääristymiä, punainen merkitsee eniten vääristymiä). 

Mercatorin projektio on oikeakulmainen lieriöprojektio. Maailmankartalla vääristää alueita sitä mukaan, mitä kauemmas päiväntasaajasta mennään. Tämä näkyy kuvassa 1 siten, että Suomen pohjoisosat ovat vääristyneimpiä (punaisella). Vääristymät ovat huomattavia: mitä pohjoisemmaksi mennään, sitä suuremmaksi pinta-ala muuttuu. Jos Mercatorin projektion vääristymistä ei ole tietoinen, kartan käyttäminen tieteellisesti tai uutisoinnissa voi vääristää todellisuutta moniulotteisesti.

 

Kuva 1: Mercatorin projektio suhteessa TM35FIN projektioon

Aitoffin projektio on sovellettu projektio, jossa vääristymiä esiintyy maailmankartalla kaikkialla ja kaikilla osa-alueilla paitsi kartan keskipisteessä (päiväntasaajalla, nollameridiaanilla), mutta kokonaisuus on todenmukaisempi (MathWorks, 2021). Verrattaessa TM35FIN projektiota Aitoffin projektioon huomataan sama kuin Mercatorin projektiossa: mitä pohjoisemmaksi mennään, sitä vääristyneempi pinta-ala. Kuvassa 3 voidaan tarkastella Aitoffin projektion vääristymiä maailmankartalla Tissotin indikaattoreilla. 

Kuva 2: Aitoffin projektio suhteessa TM35FIN projektioon.

Kuva 3: Aitoffin projektion vääristymät maailmankartalla (Kunimune, Justin, Wikipedia Commons, 2018

Kiinnostava ja poikkeava projektio edellisiiin on Cassinin projektio. Cassinin projektio on poikittainen lieriöprojektio (ArcGIS Desktop, ArcMap 10.8). Se tarkoittaa, että maailman kartta on käännetty siten, että nollameridiaanista tulee “päiväntasaaja”. Näin vääristymiä on vähiten nollameridiaanin alueilla. Tämän takia Cassinin projektiota voidaan soveltaa parhaiten ns. pitkille alueille, ei niinkään leveille. Kuvassa 5 havainnollistetaan Cassinin projektion vääristymiä maailmankartalla Tissotin indikaattoreilla.

Kuva 4: Cassinin projektio verrattuna TM35FIn projektioon.

Kuva 5: Cassinin projektion vääristymät maailmankartalla (Kunimune, Justin, Wikipedia Commons, 2018

Loppumietteitä

Harjoitus projektioista ja niiden visualisoinnista oli oikeastaan kivaa -ehkä QGIS ei olekaan hullumpi. QGIS näyttää välillä uhkaavalta, mutta lähipetuksessa vähemmän. Harjoituskerran loppupäässä aloin jo aika sujuvasti toteuttaa erilaisia toimintoja päästäkseni haluamaani lopputulokseen. Odotan hyvillä mielin seuraavaa harjoituskertaa ja sitä, kuinka edellisessä blogitekstissäni mainitsema QGIS:in “kieli” avautuu yhä enemmän.

Viitteet

Maiju Paronen, https://blogs.helsinki.fi/pxmaiju/?lang=en

Victoria Rumbin, https://blogs.helsinki.fi/vrumbin/

MathWorks, 2021 https://www.mathworks.com/help/map/aitoff.html 

ArcMap Desktop https://desktop.arcgis.com/en/arcmap/latest/map/projections/cassini.htm 

Kuvien linkit

Aitoffin projektio File:Aitoff with Tissot’s Indicatrices of Distortion.svg – Wikimedia Commons

Cassinin projektio File:Cassini with Tissot’s Indicatrices of Distortion.svg – Wikimedia Commons

Aloittaessani tämän kurssin ajattelin, ettei tämä tule olemaan helppoa. Oikeassa olin. Käytin ensimmäiseen harjoitustehtävään kotona melkein häpeällisen kauan -tuijotin QGISin mystistä näyttöä tunnista toiseen. Lähiopetuksessa kaikki tuntui sujuvan ihan hyvin -nyt pää lyö tyhjää.

Onneksi joitakin blogitekstejä oli jo ilmestynyt, ja kävin lukemassa muiden fiiliksiä. Janne Turunen on kirjoittanut blogissaan “Geoinformatiikan mystiset menetelmät”  selkeästi, miten pääsi alkuun. Hänen liittämä kuva aloituksesta kuvatekstillä ”Tästä se lähtee” oli hyvä, sillä tiesin, että sama näkymä minullekin tuli ja niin rohkaistuin sukeltamaan tehtävän pariin. 

Ennen varsinaista kotona tehtävää harjoitusta toteutettiin kartta Euroopan alueelta. Tehtävä Euroopan typpilähteistä oli oikeastaan lähes mukava. Se oli selkeä ja monipuolinen. Tämä oli toki suurilta osin lähiopetuksen ansiota. Inhimillisiä ongelmia eteen kuitenkin tuli: järville jäi mustat rajat ja siksi näyttäytyivät aluksi aivan mustina. Mutta tämä oli helppo korjata. Opin paljon perusasioita jo ensimmäisellä kerralla: miten liitetään paikkatietoaineisto QGISiin, miten muuttaa projektioita ja mitä kannattaa asettaa valmiiksi esille perusnäkymään. 

Kotona minulla oli, lähiopetuksen jälkeen, ihan hyvä tunne QGISistä. Latasin QGISin ensimmäistä kertaa, ja se onnistui helposti. Avatessani attribuuttitaulukon näkymä oli hieman uhkaava: monien arvojen perässä oli turhan monta nollaa ja dataa valtavasti. Alkuun tulikin heti ongelmia toisensa perään ja välillä tuntui, että QGISillä on oma kielensä, jota minä en kertakaikkiaan ymmärrä.  Eräässä ilmoituksessa luki ”No root node! Parsing failed?”. Anteeksi mitä? 

Lopulta sain attribuuttitaulukkoon uuden sarakkeen luotua ja kirjallisten ohjeiden avulla pääsin eteenpäin. Valitsin esittämäkseni muuttujaksi kesämökkien määrän. Ehkä sen takia, että se oli selkeä, ja mielikuva kesämökeistä virkisti. Aloin oivaltamaan, miten QGIS toimii -aloin ehkä ymmärtämään sen kieltä. Yksi oivalluksista oli se, miten saan ns. koodattua kokonaismäärät suhteellisiksi attribuuttitaulukkoon. Toinen oli se, miten symboleita saa nopeasti, monipuolisesti ja kätevästi muutettua. Mielenkiintoista minusta oli kokeilla, kuinka eri väripaletit muokkaavat kartan “luonnetta” ja siten mielikuvia kartalla esitetystä asiasta. Esimerkiksi rajun punainen väri kielii heti vaarallisesta ja epätoivotusta ilmiöstä, kun taas sininen neutraalista. Epäloogiset väriyhdistelmät, kuten liila ja keltainen, voivat aiheuttaa hämmennystä.

Pian kuitenkin epäilyt taas nousivat pintaan: tajusin, etten ymmärrä suhteuttamiani arvoja. Ne eivät näyttäneet siltä, miltä niiden piti (ainakaan omasta mielestäni). Aloin miettimään, että ehkä olisi pitänyt tehdä se toisin tai ei ollenkaan. Yritin mennä muuttamaan tätä -mutta yllätyksekseni ja kauhukseni attribuuttitaulukko oli täysin muuttunut. Juuri kun asiat alkoivat näyttää jotenkin tutuilta. En osannut muuttaa näkymää, vaikka jo vaarallisen rohkeasti aloin klikkailemaan mitä erikoisempia symboleita. 

Tästä syystä en osannut enää muokata legendan arvoja. Niinpä jatkoin siten miten osasin. Väriksi asetin vihreän (assosioin sen kesämökkeihin ja luontoon), helposti liitin lopputulokseen pohjoisnuolen ja mittakaavan. Reunustin kartan. Mutta jos minulta kysyttäisiin, mitä tarkalleen legendan arvot tarkoittavat, rehellisesti, en voi sanoa aivan tietäväni. Tämä johtuu siitä, että suhteuttaessani arvoja tapahtui jokin virhe, jota en ole osannut toistaiseksi korjata. Kartasta voi kuitenkin päätellä tietyillä kunnilla olevan selkeästi suhteellisesti enemmän kesämökkejä kuin toisilla kunnilla. Esimerkiksi Utsjoella on suhteellisesti vähemmän kesämökkejä kuin Kuusamossa. Mittakaava ja pohjoisnuoli avaavat kartan alueen suuruutta ja suuntaa. Visuaalisesti koen ainakin jollakin tasolla onnistuneeni. Värivalinta on mielestäni kuvaava ja symbolien asettelu selkeä. Informaatioarvossa ei ole kehumista, mutta uskon kurssin aikana ymmärtäväni, miten korjata vastaavan ongelman. 

Lukuarvojen muuttamiset, niiden seuraukset ja mahdolliset peruuttamiset sekä QGISin taustalla tapahtuvat toiminnot toivon ymmärtäväni tulevilla kerroilla. Haluan oppia paremmin QGISin kieltä, joka on minulle vielä aivan uutta. Joka tapauksessa minusta on hienoa nähdä, miten ominaisuustietoa käytännössä visualisoidaan ja olen toiveikas, että kurssin lopulla osaan jo sutjakkaasti tuottaa koropleettikarttoja. 

Viittaukset

Janne Turunen, https://blogs.helsinki.fi/janneturunen/

Welcome to Blogipalvelut. This is your first post. Edit or delete it, then start blogging!