Tekijä: Pinja

Tällä kurssikerralla saimme vapaat kädet työskentelyn suhteen. Ainoa ohje oli aloittaa aineistojen etsiminen alussa. Hyvä, että tämä ohje annettiin (vaikka ”ajoissa” minun tapauksessani tyypillisesti tarkoittaakin edellistä iltaa), sillä kuten Tiina Aaltokin toteaa, vaikeinta oli löytää sopivia aineistoja. Kun aihepiiri voi olla mitä tahansa maan ja taivaan väliltä, oli vaikeaa alkaa rajaamaan, mistä haluaisi tehdä. Toisaalta pyrin myös miettimään, minkälaisen datan esittäminen on järkevää, ja miten useasta eri datasta saisi yhdistettyä toimivan kokonaisuuden.

Päädyin käyttämään Natural Earth Datalta lataamaani maailmankarttaa ja tutkimaan syntyvyyden ja koulutuksen yhteyttä. Ei siis mitään kovin uutta ja ihmeellistä sisällöllisesti, mutta QGIS-tasolla pääsin itseäni haastamaan. Suurin osa keräämistäni tiedoista oli Excel-muodossa (ja loput sitten suoraan csv), joten tarvittiin hermojaraastavaa kikkailua, jotta sain tiedot näkymään kartalle. Suurimmaksi ongelmaksi osoittautui eri tavoilla kirjoitetut paikkojen nimet. Vei aikansa ennen kuin ymmärsin, että Venäjä ei näy kartalla siksi, että csv -tiedostossa se on nimetty Russian Federationiksi ja kartan attribuuttitaulukossa pelkäksi Russianiksi. Loppujen lopuksi sain kuitenkin nämäkin kommervenkit setvittyä. Sillä halusin vielä harjoitella tietojen laskemista ja taulukoiden liittämistä, valitsin koulutusta kuvaaviksi tekijöiksi korkeakoulujen ja valtion asukkaiden välisen suhteen. Tietenkin mitattaessa väestönmuutosta ja syntyvyyttä olisi erityisesti naisten koulutus tärkeässä asemassa. Tätä kartta ei erikseen näytä. Lisäksi karttaa tulkittaessa on muistettava, että korkeakoulut ovat erikokoisia. Se, että Virossa on jokaista korkeakoulua kohden vähän ihmisiä, ei oikeastaan tarkoita, että korkeakoulujen saavutettavuus olisi huomattavasti huonompi.

Kartoista huomataan, että Keski-Afrikassa ja Lähi-Idässä syntyvyys on korkeaa ja korkeakouluja vähän suhteessa ihmisten määrään. Näillä alueilla väestönkasvukin on voimakkainta. On muistettava, että syntyvyyden/kuolleisuuden lisäksi väestönmuutokseen vaikuttaa myös muuttoliike. Esimerkiksi Australiassa ja Kanadassa syntyvyys on matalaa, vaikka väestö näyttäisikin kasvavan huomattavasti.

Samoin kuin Anna Avellan, mietin pitkään, onko tekemäni työ tarpeeksi haastava. Hän toteaa kuitenkin ”että ehkä tärkeintä olikin huomata, että en tarvinnut näiden karttojen tekemiseen sanallista tai kirjallista apua, vaan muistin ja löysin tarvittavat toiminnot itsenäisesti”. Tähän haluaan luottaa. Oli palkitsevaa huomata kurssin aikana tapahtunut kehitys. Varsinkin silloin, kun tekstitiedosto ei aluksi siirtynyt oikein, vaan näytti pelkkää tekstin sekamelskaa. Ratkaisu oli hengittää sisään ja ulos ja muistella opittua päättömän klikkailun ja lopulta avunanomisen sijaa.

Lähteet:
Aalto, T.  ”Oppiminen jatkukoon”
Luettu 2.3.2020
https://blogs.helsinki.fi/tidaalto/

Avellan, A. ”Lento QGIS 3.4.1 laskeutuminen”
Luettu 2.3.2020
https://blogs.helsinki.fi/avellana/

YLÖS, ULOS JA LENKILLE

Tällä kerta päivä alkoi poikkeuksellisissa tunnelmissa, kun hylkäsimme luokkahuoneen ja jalkauduimme hyhmäiseen tihkusateeseen. Tarkoituksena oli kerätä Epicollect5 -puhelinsovelluksen avulla tietoa Kumpulan ympäristön jalankulkijaviihtyisyydestä. Käytännössä hajaannuimme ympäristöön pienissä ryhmissä vastaamaan kysymyksiin ”Oleskeleeko täällä ihmisiä?” (hullukaan tässä säässä ulkona oleskele) ja ”Onko ympäristö kävellen helposti saavutettava?”. Ohjelma oli varsin näppärä ja vaikka olosuhteet eivät kannustaneet kovin pitkiin kävelyretkiin, keräsi ryhmämme mielestäni varsin kattavat tiedot. On kuitenkin muistettava se, mitä Heini Mäkelä huomauttaa blogissaan: keräämämme tiedot eivät tietenkään ole kovin objektiivisia, vaan hyvin subjektiivinen kokemus. Yhtenäistä monen ympäristökokemuksesta hänen mukaansa on, että risteysalueet koetaan keskimääräistä turvattomampina alueina. Erityisesti subjektiivisesta turvallisuudenkokemisesta kertoo kaikista turvattomimpana koettu Chemicumin sisäpiha, joka ei varmaan yleisillä objektiivisilla mittareilla värjääntyisi noin punaiseksi.

Reippailuosuuden jälkeen harjoittelimme keräämiemme tietojen visualisointia kartalla interpoloinnin avulla. Väreillä pystyimme näyttämään, erilaisten ominaisuuksien vahvuutta. Esimerkiksi alueen turvallisuudesta kertoessa väriskaala vihreästä punaiseen on hyvä: punainen on huomioväri ja kertoo vaarasta, vihreä taas turvallisuudesta. Jaottelu on varsin luonnollinen.

Kotitehtävänä tein kartat maanjäristyksistä viimeisen viikon aikana (kartta 2.), 1964 jälkeen purkautuneista tulivuorista (kartta 3.) sekä yhteen karttaan ennen ajanlaskun alkua sekä 1700 -luvulla viimeisen kerran (tiedettävästi) purkautuneista tulivuorista (kartta 4.). Maanjäristyskartta havainnollistaa, kuinka paljon mannerlaatat ovat liikkeessä päivittäin ja miten paljon tämä vaikuttaa ympäristöömme. Toisaalta sitä voi verrata karttaan tämän hetken aktiivisista tulivuorista, ja huomata yhteyden mannerlaattojen reuna-alueisiin. Kartta epäaktiivisista tulivuorista 1700 -luvulta ja ajanlaskua edeltävältä ajalta kuvaa muun muassa kuumien pisteiden liikettä, jonka myötä merellä syntyy saarikaaria. Karttojeni havainnollistavuutta olisi huomattavasti parantanut mannerlaattojen ääriviivojen lisääminen, kuten Joonatan Reunanen oli tehnyt. Hän toteaa myös, että mannerlaattojen liikesuuntien lisääminen voisi olla hyödyllistä.

 

 

 

 

LÄHTEET

Mäkelä, H. ” Epicollect5-sovellus, interpolointi ja cvs-muotoisen aineiston lataaminen internetistä”
Luettu 2.3.2020
https://blogs.helsinki.fi/mcheini/

Reunanen, J. ”Mun päähän sattuu.”
Luettu 2.3.2020
https://blogs.helsinki.fi/reunajoo/

Tällä kurssikerralla opettelimme bufferoimaan elementtejä kartalla ja analysoimaan erilaisia tuloksia. Pidin tunnista kovasti, sillä vaikka QGIS-osaamiseni on yhä melko rajoittunutta, oli hauska päästä ratkomaan ongelmia soveltamalla jo opittua.

Bufferointi osoittautui käteväksi ja helpohkoksi tavaksi kerätä tietoa, ja kun vauhtiin pääsi, saadun tiedon määrä oli suuri. Pihla Haapalo miettii blogissaan, että bufferointia voisi käyttää esimerkiksi tehtaan saasteiden leviämisen selvittämiseen tai kauppakeskuksen asiakaskunnan kartoittamiseen. Itse muistan lukion maantieteen kurssikirjassa olleen nodaalialueita havainnollistaneen kuvan, joka olisi helppo luoda bufferoimalla. Ongelman menetelmässä on ehkä se, ettei bufferointi ota huomioon muita aspekteja kuin etäisyyden. Maaston muoto saattaa vaikuttaa saasteiden leviämiseen paljonkin, tiestö taas ihmisten kulkemiseen. Puskurivyöhykettä voisi myös ehkä käyttää kaupunkiliikkumisen nopeuden arvioimiseen. Keskustassa liikkumisnopeus on kävellen keskimäärin sama koko ajan, joten tietyn kokoisilla renkailla voisi osoittaa, mitkä alueet ovat sijainnista tavoitettavissa alle viidessä minuutissa ja mitkä alle kymmenessä. Jonkin verran tällaisia karttoja olen nähnyt Keski-Euroopassa.

Kaikista eniten päänvaivaa kurssikerralla tuotti lentokoneen poikkeussuunnasta laskeutumisen aiheuttavan meluhaitan arviointi. Päädyin lopulta ensin mittatikulla mittaamaan 7km matkan uudesta laskeutumissuunnasta ja sitten piirtämään mitattuun talonkulmaan viivan, jonka bufferoin. En pidä keinoa tieteellisesti kaikista tarkimpana (vaikka lohduttaudun siihen, etteivät lentokoneetkaan millimetrin tarkkuudella samaa viivaa pitkin kentälle laskeudu), sillä oli mahdotonta arvioida viivan suoruutta suhteessa kiitorataan. Toisaalta arvoja tutkiessa, ne vaikuttavat ihan mukiinmenevän suuruisilta, enkä usko, että tapani ratkaista tehtävä oli huonoin mahdollinen.

etäisyys	Malmilta 2km	Malmilta 1km	HKIVantaalta 2km	HKIVantaa min 55dB	HKIVantaalta 65dB	HKIVantaalta toisesta suunnasta laskeutuminen	Asemalta 500m
Talojen määrä	743	200	172	6801	42	3609	5169
Asukkaiden määrä	8646	1335	836	43360	325	25819	106691

Taulukko 1. Lentokenttien bufferointituloksia

	ihmisten määrä	prosenttia kaikista alueen asukkaista (%)
etäisyys max 500m metro- tai juna-asemalta	106691	21,8
työssäkäyvien määrä asema-alueella (500m)	73108 (68,5% asema-alueen asukkaista)
taajamissa asuvat	473371	97,6
taajamien ulkopuolella asuvat kouluikäiset	1404	2,6

Taulukko 2. Asemalaskuja

Erityisen hyvin koen hallitsevani kartojen viimeistelyn julkaisumuotoon (legendan lisääminen, kuvaksi tuominen) sekä atribuuttitaulukoiden käytön (tiedon lisääminen, yhdistäminen). Vaikeinta yhä on tallennusnapin painaminen. Tällä kertaa ohjelma kaatui onneksi vasta, kun olin jo muutenkin saanut tehtävät suoritettua. Parasta QGisissä on, että suurin osa ongelmistani johtuu yksinkertaisesti vain tiedon puutteesta (ja unohtelusta: mistä tämän ja tämän tehtäväkentän saikaan auki). Youtube ja Google ovat ystäviä, ja niiden avulla monikin ongelma on selätetty. Toisaalta edelleenkään en ole keksinyt, miksi jotkin lataamistani aineistoista ilmestyvät koneelle aggressiivisen ERROR-viestin saattelemina. Tällöin ei auta kuin ladata tiedosto (viisi kertaa) uudestaan. Lopulta erroritkin luovuttavat ja Pks_vaki -vektorikartta avautuu koneelleni.

Helsingin Yhtenäiskoulun koulupiirin alueella	kpl	%
kuusivuotiaat	8
yläasteikäiset (13-15v)	44
peruskoululaisten osuus alueen asukkaista	140/1889	noin 7,4
muunkielisten lasten osuus	arviolta 8

Taulukko 3. Helsingin Yhtenäiskoulun koulupiirin arvoja

Kotitehtävänä selvitin Helsingin Yhtenäiskoulun koulupiirin asukas- ja oppilasmääriä. Tulokset on esitetty taulukossa 3. En keksinyt miten olisin helpoiten saanut selvitettyä pyydetyt tiedot, mutta luovuus kunniaan. Piirsin koulupiirin muotoisen valinta-alueen kartalle ja valittujen asukaspisteiden kautta sitten laskin manuaalisesti. Vastaukseni eroavat hieman esimerkiksi saman tehtävän tehneiden Saana Järvisen ja Fanny Brännbackin tuloksista, mutta onneksi ohjeessa sanottiin, että ratkaisutavan keksiminen on tärkeämpää kuin oikeat vastaukset… Epäilen myös, että olen tulkinnut jotain ohjetta eri tavalla. Uskoakseni QGis:issä on ominaisuus, joka näyttää myös valittujen kohteiden ominaisuudet niin, ettei niitä itse tarvitse laskea, ja tämä manuaalinen laskeminen (samoin kuin yläkouluikäisten arviointi, oppivelvollisuus päättyy 16 -vuotiaana, mutta suurin osa 9. luokkalaisista on 15 vuotiaita ison osan vuodesta!) on suurin virhemarginaalini. Näin pienellä alueella se kuitenkin toimi kohtalaisen hyvin, eikä tuottanut kuin ehkä kymmenen minuutin lisävaivan.

Lähteet:

Haapalo, P. ”Kädet ilmaan”
Luettu 23.2.2020
https://blogs.helsinki.fi/haapalop/

Järvinen, S. ”Josko sitä jo alkais oppimahan”
Luettu 25.2.2020
https://blogs.helsinki.fi/jarvsaan/

Brännback, F. ”Vecka 5”
Luettu 25.2.2020
https://blogs.helsinki.fi/brafanny/

Tällä kurssikerralla perehdyimme rasterikarttoihin. Ongelmaksi QGIS:in käytössä tällä kertaa muodostui (ilmeisesti) turhan heikko tietotekninen osaamiseni. Aineistojen lataaminen ohjelmaan sai aikaan vikailmoituksen ja lopputuloksena ohjelmassa oli kartta, muttei mitään sisältötietoja. Onneksi viisaammat tahot osasivat korjata ongelmani ja kun aineisto oli ladattu neljännen kerran, sain myös atribuuttitaulukkoon sisältöjä.

Tarkoituksena oli siis luoda ruudukko pääkaupunkiseudun kartan päälle ja kuvastaa jotain ilmiötä asuinrakennuksista saatuja tietoja käyttämällä. Itse tutkin miesten määrää pääkaupunkiseudulla. Jokainen ruutu kuvaa, kuinka monta miestä siinä yhteensä asuu. Huomattavan paljon miehiä asuu Helsingin kantakaupungin pohjoisosassa. Täytyy kuitenkin muistaa, että puhutaan maksimiarvoista, eli siitä, missä neliökilometrin ruudussa ovat miesvoittoisimmat rakennukset. Pinja Nivalainen oli tutkinut naisten ja miesten määrän välistä suhdetta. Hänen kartastaan on nähtävissä, kuinka läntisessä Helsingissä Otaniemen alueella miehiä on suhteessa enemmän kuin naisia toisin kuin muualla pääkaupunkiseudulla. Tämä johtunee siitä, että teknilliset alat ovat tyypillisesti olleet miespanoitteisempia. Omassa kartassani ei samaa huomaa yhtä vahvasti. Uskon tämän johtuvan siitä, että oma karttani ei ota huomioon ihmisten keskittymistä tietyille alueille. Kallio esimerkiksi on hyvin tiheään asuttua aluetta, jolloin siellä luonnollisesti asuu enemmän niin naisia kuin miehiäkin kuin vaikkapa Suomenlinnassa.

Voisin olla karttaan tyytyväisempikin. Vaikka se kuvastaa asiaa, se ei ole kovin selkeä johtuen lähinnä ehkä ruudukon väristä ja kuntien ääriviivojen puutteesta. Tuija Hyvättinen oli liittänyt omaan karttaansa Espoon, Helsingin, Vantaan ja Kauniaisten kuntarajat, ja tulos on erittäin hyvännäköinen ja selkeä. Hän toteaa itsekin sen helpottavan karttatulkintojen tekemistä, ja olen asiasta samaa mieltä. Tästä opin, että hyvään ulkoasuun kannattaa aina panostaa, ihan kartan sisällöllisenkin tulkinnan takia. Olisi ollut mielenkiintoista tutkia myös, miten tulokset muuttuisivat, mikäli rasteriruudukon kokoa muutettaisiin suuremmaksi tai pienemmäksi. Toki tämä 1km kertaa 1 km on ehdottomasti järkevin: ei liian pieni ollakseen epäselvä, mutta silti tarpeeksi tarkka.

Lopputunnin aikana teimme vinovalovarjostuksia Pornaisten karttaan. Karttalehdet ovat yleensä yksinkertaistetumpia kuin tällä tavalla luodut korkeuserot. Loimme myös piirtämällä seuraavaa kurssikertaa varten vektoritiedostot Pornaisten asuinrakennuksista ja suurimmista teistä. Terapeuttinen perjantaipäivän klikkailutuokio.

Lähteet:

Nivalainen, P. ”Kerta4”
Luettu 15.2.2020
https://blogs.helsinki.fi/npinja/

Hyvättinen, T. ”Rasterit kehiin!”
Luettu 15.2.2020
https://blogs.helsinki.fi/hytuija/

QGIS-ohjelman käyttö helpottuu. Nykyään ei ole mahdoton tehtävä tallentaa projekti kuvana tai ladata uutta tietoa alustalle. Äärimmäisen perusteitahan nämä ovat, mutta minun silmissäni kehitys on ollut huimaavaa.

Tavoitteena tällä kertaa oli luoda Afrikan timanttikaivoksia, öljyalueita ja konflikteja kuvaava kartta sekä myöhemmin Suomen valuma-alueita kuvaava väkerrys. Lähinnä harjoituksen tarkoitus oli opetella siirtämään tietoa taulukoista toiseen ja jäsentämään jo näkyvissä olevaa tietoa. Samanlaiselta epätoivolta kuin viime kerralla (tai ainakaan yhtä vahvalta heittäytymiseltä kohtalon käsiin ja umpimähkään klikkailulta) vältyttiin tällä kertaa.

Saadun tiedon määrä oli hirmuinen. Internetin käyttäjämäärän muutosta tutkimalla voisi ehkä tehdä jotain päätelmiä alueen teknologisen kehityksen suhteen, lähinnä katsottaessa muutoksen nopeutta ja suuria eroja. Tiina Aalto pohtii blogissaan, tätä samaa sekä sitä, kuinka konfliktialueista saatavalla tiedolla voitaisiin ennakoida pakolaisvirtoja. Jo kerätyillä tiedoilla timanttikaivosalueista voitaisiin mahdollisesti myös mallintaa, miten uudet timanttilöydökset voisivat vaikuttaa alueen kehitykseen.

Olen samaa mieltä kuin Joonatan Reunanen, joka toteaa öljykenttien läheisyydessä olevan yllättävän vähän konflikteja. Hän toteaa asian johtuvan mahdollisesti öljyn merkittävästä asemasta maailmantaloudessa.

Itsenäisenä tehtävänä loimme tulvaindeksiä ja järvisyysprosenttia kuvaavan kartan. Tulvaindeksi kertoo kuinka moninkertainen määrä vettä joessa virtaa tulvahuipun aikana. Se on suurimmillaan Pohjanmaalla ja Etelä-Suomen rannikolla. Pienimmillään se taas on Itä-Suomessa. Syy tähän on todennäköisimmin pinnanmuodoissa. Suomen länsipuoli on jääkauden seurauksena topografialtaan tasaisempi kuin itäpuoli. Hyvä huomio on myös Venla Moision toteama siitä, että järvi-Suomessa tulvaindeksi ei ole niin suuri mahdollisesti siksi, että järvien määrä tasaa jokien virtausta keräämällä ”ylimääräistä” vettä. Tästä syystä Pohjanmaallekin on rakennettu tekojärviä, kuten Uljuan tekojärvi. Kuten kartasta huomataan, siellä missä järvisyys on suurinta, on tulvaindeksi pienin. Tulvakausi on yleensä keväällä lumien sulaessa.

Lähteet

Aalto, T. ”Tietokannat tutummiksi”
Luettu 6.2.2020
https://blogs.helsinki.fi/tidaalto/

Reunanen, J. ”Beast mode on.”
Luettu 6.2.2020
https://blogs.helsinki.fi/reunajoo/

Moisio, V. ”Viikko 3 – Tietokantojen yhdistämistä ja laskutoimitusten tekemistä”
Luettu 6.2.2020
https://blogs.helsinki.fi/moivenla/

 

Toisen kurssikerran päätavoite oli perehtyä karttaprojektioiden vääristävään vaikutukseen kuvantamisessa.  Kuten Pihla Haapalo blogissaan toteaa, Suomi on pohjoisen sijaintinsa takia erinomainen esimerkkivaltio tätä varten, ja erot karttaprojektioiden välillä näkyvät erityisesti maamme pohjoisosissa.

Kaikki kuntien pinta-alat laskettiin valittuja projektioita kansainvälisesti viralliseen ETRS-TM35FIN -projektioon verraten. Olin aiemmin tiedostanut Suomen olevan pitkänomainen valtio, mutta erot eteläisten ja pohjoisten kuntien välillä pääsivät silti yllättämään. Koska yleensä verrataan Grönlannin kokoa Etelä-Amerikkaan, en osannut odottaa niin radikaalia eroa pelkästään kuntatasolla.

Itse vertailuprosentin laskemisen kanssa piti tuskailla, sillä lukion prosenttilaskukurssi ei valitettavasti ollut päällimmäisenä mielessä: Oonneksi ystäväni Google auttoi ja sain loppujen lopuksi oikeat tulokset attribuuttitaulukkoon. Tämä tuskailu ei kuitenkaan ollut mitään verrattuna siihe ntuskaan, joka syntyi halutun karttaprojektion metsästämisestä.

Tein pinta-alalaskut kahta eri karttaprojektiota (kartta 1, Mercator ja kartta 2, Robinson) ETRS-TM35FIN:iin verraten. Huomionarvoiseksi osoittautui karttavääristymän prosentuaalinen ero. Mercator venytti pohjoisen kuntia huomattavasti enemmän kuin Robinson. Esimerkiksi Inari on Mercatorin projektiossa useita satoja prosentteja suurempi, kun taas Robinsonin karttaprojektiossa ero on vain kymmeniä prosentteja.

Kartasta 2 erottuu selkeästi useampi kunta Keski- ja Etelä-Suomessa, joissa pinta-alan muutos näyttäisi olevan paljon suurempi muuhun ympäristöön verraten. Tämä johtuu luultavasti siitä, että tätä karttaa tehdessäni käytin alkuperäisenä, vääristymättömänä pinta-alana Suomen kunnat 2015 -tiedoston tietoja, kun taas itse kartta näyttää tuoreempaa 2020 vuoden tietoa. Kaikki kuntaliitokset eivät siis ole olleet mukana kunnan alkuperäistä pinta-alaa laskettaessa. Syy miksi käytin valmista tietoa enkä laskenut TM35FIN mukaista pinta-alaa kartalta on sama, mihin Enni Pyysalo oli kurssikerralla törmännyt. Vaikka mitä klikkaili, (ja kartta näytti oikealta) laski se pinta-alan väärällä projektiolla. Kun viimein sain edes Robinsonin toimimaan en uskaltanut enää muuttaa asetuksia palatakseni laskemaan muita pinta-aloja. Onneksi tämä vaikuttaa vain pariin yksittäiseen kuntaan, eikä koko lopputulokseen… Tekemällä oppii, jatkossa tällaiset virheet toivottavasti vältän.

Tiia Laisi oli myös käyttänyt Robinsonin karttaprojektiota vertailussa. Toisin ilmeisesti toiseen karttaan kuin minä, sillä tuloksemme ovat hyvin erilaiset. Tosin ottaen huomioon millaiset haasteet sain käydä läpi ennen kuin kartta edes ulkoisesti näytti oikealta, en yllättyisi, jos omat laskuni osoittautuisivatkin vääriksi. Joka tapauksessa oli mielenkiintoista nähdä, miten eri tavoin eri projektiot vaikuttavat pinta-alaan. Ero ei välttämättä ole alkuunkaan systemaattinen pohjoiseen päin venyminen.

Jännityksellä kohti seuraavaa kurssikertaa, toivottavasti silloin pysymme vain yhdessä projektiossa…

Lähteet

Haapalo, P. ”Qgis laskuja”
Luettu 31.1.2020
https://blogs.helsinki.fi/haapalop/

Pyysalo, E. ”Kurssikerta 2 -projektioiden vertailua”
Luettu 31.1.2020
https://blogs.helsinki.fi/enxen/

Laisi, T. ”Kurssikerta 2. Tietokannat ja karttaprojektiot”
Luettu 31.1.2020
https://blogs.helsinki.fi/tlaisi/

Ensimmäinen kertamme Geoinformatiikan menetelmät 1 -kurssilla koitti perjantaiaamuna. Olin etukäteen jännittänyt kurssin kulkua: GIS on minulle vielä melko uutta, ja pelkäsin tahdin olevan liian kova tai muiden olevan jotenkin yli-inhimillisen taitavia QGIS-ohjelman käytössä. Pelkoni osoittautui kuitenkin turhaksi. Aloitimme hyvin perusteista, ja sehän sopi minulle.

Kurssikerralla valmistimme ohjatusti annetusta datasta teemakartan Itämerta ympäröivien valtioiden typpipäästöistä. Tarkoituksena oli niin tutustua QGIS-ohjelmaan kuin oppia karttakuvaamisen hienosäätöjen merkitystä. Esimerkiksi teemakartan kategoriat voidaan jakaa monella eri tavalla. Tasaväli ei välttämättä ole paras tapa jaotella arvoja, jos yksi arvo on todella paljon muita suurempi. Värivalinnoillakin voi vaikuttaa kartan ilmaisevaisuuteen: epätoivottuja asioita kuvataan punaisella. Huomionarvoinen on myös Annika Luoman blogissaan toteama seikka, että koropleettikartan määritelmä tulee nimenomaan siitä, kuinka värin tummuudella kuvataan muutosta.

Kotona tehtäväksi jäi blogitekstin lisäksi QGIS-ohjelman asentaminen koneelle ja teemakartta. Vinkkinä sanottakoon, että jos yliopistolla harjoitellaan ohjelman käyttöä englanniksi, on järkevää myös kotona käyttää ohjelmaa englanniksi. Itsehän latasin QGIS:in suomeksi ja apinamenetelmällä jouduin opettelemaan sen käytön uudestaan. Toki Moodlessa julkaistuista ohjeista oli paljon hyötyä, mutta parhainkaan sanakirja ei kääntänyt englanninkielisiä käskyjä täsmälleen oikeilla termeillä suomeksi, enkä tässä vaiheessa enää muistanut kaikkia pienkuvakkeita. Positiivisesti ajatellen ovat kuitenkin QGIS-ohjelman peruskäskyt nyt todellakin opittu. Itse asetusongelman auttoi kanssaopiskelijani Paula Allinen myöhemmin ratkaisemaan. Kuten hän ensimmäisessä blogitekstissään esittelee, on hän perehtynyt QGIS:iin jo enemmänkin. Voin vain toivoa, että joskus osaan itsekin tehdä samanlaisia yleiskaavoituskuvia.

Tein teemakartan avioerojen suhteesta solmittuihin avioliittoihin. Aihe valikoitui sen perusteella, että halusin harjoitella uuden kentän luomista atribuuttitaulukkoon ja laskin -työkalun käyttämistä. Toisaalta halusin myös tehdä teemakartan, jollaista en aiemmin ole nähnyt: kielijakaumaa ja väestömääriä on tullut tuijoteltua jo maantieteen pääsykokeisiin valmistautuessa.

Kartta kertoo, erottiinko kunnassa vuonna 2014 suhteessa enemmän kuin mentiin naimisiin. Kaikista punaisimmalla ovat kunnat, joissa erottiin huomattavasti enemmän kuin solmittiin avioliittoja. Yllättävää tässä oli, että pääkaupunkiseudun kunnat eivät kuuluneet näihin kuntiin. Asia kuitenkin selittynee sillä, että pääkaupunkiseudulla asuu paljon nuoria, jotka solmivat ensimmäiset avioliittonsa. Helsingin mahtipontiset kirkot myös saattavat houkuttaa pariskuntia ympäryskunnista vihkiytymään Helsingissä. Suurin osa maata kuuluu keskikategoriaan, eli avioeroja on noin puolet siitä määrästä mitä avioliittoja solmitaan. Tilastollisesti tämä kuulostaa oikealta, sillä koko Suomessa noin puolet avioliitoista päättyy eroon. Vähiten avioeroja näyttää olevan Pohjanmaalla. Tämä selittynee sillä, että Pohjanmaalla asuu suhteellisen paljon evankelisluterilaisten herätysliikkeiden jäseniä. Vanhoillisimmissa herätysliikkeissä suhtaudutaan yleensä avioeroon melko nuivasti. Sen sijaa avioliittoja solmitaan paljon jo nuorena. Eniten erotaan Hyrynsalmessa, Sysmässä, Siikasessa ja Kärsämäellä.

Lähteet

Allinen, P. ”First things first, QGis”
Luettu 30.01.2020
https://blogs.helsinki.fi/pallinen/

Luoma, A. ”Kurssikerta 1: Tutustumista QGIS -ohjelmistoon”
Luettu 30.1.2020
https://blogs.helsinki.fi/luomanni/

https://www.vaestoliitto.fi/tieto_ja_tutkimus/vaestontutkimuslaitos/tilastoja/parisuhteet_ja_seksuaalisuus/avioerot/