Tulin kurssille ilman suurempia ennakko-odotuksia, mutta jo ensimmäisellä kerralla tajusin, että kurssi tulee suurella todennäköisyydellä tarjoamaan minulle haastetta. En ole koskaan ollut mikään näppärin tapaus tietokoneiden ja ohjelmistojen käyttäjänä, joten toivon oppivani kurssilla paljon uutta geoinformatiikan maailmasta, sekä saavani käytännön kokemusta kurssilla käytettävästä QGIS-ohjelmistosta.
Harjoitustehtävä
Pienien aineiston lataamiseen liittyvien alkuvaikeuksien jälkeen pääsin harjoittelemaan QGIS:in käyttöä harjoitustehtävän muodossa. Avuksi piti ottaa luentotallenne, joka olikin melko kätevä, sillä sen pystyi stoppaamaan haluamassaan kohdassa. QGIS sisältää todella paljon erilaisia toimintoja ja ominaisuuksia, joten sen sujuvaan hallintaan tarvitaan runsaasti harjoitusta ja toistoja. Hyvä puoli ohjelmistossa on kuitenkin se, että kun sen hallitsee, tarjoaa se todella monipuolisia mahdollisuuksia tiedon analysointiin ja esittämiseen.
Harjoitustehtävän pohjana käytettiin HELCOMin data- ja karttapalvelun aineistoja, jotka sisälsivät muun muassa tietoa Itämeren alueen valtioista ja niiden typpipäästöistä. Kun aineistot oli ladattu, harjoittelin niiden visualisointia ja samalla tutustuin QGIS:in toimintoihin. Harjoituksessa laskettiin myös uutta tietoa ominaisuustietotaulukkoon käyttäen jo olemassa olevaa tietoa. Tämän pohjalta saatiin taulukkoon uusi sarake, joka ilmoitti valtioiden osuudet typen kokonaispäästöistä. Tämä tieto on myös visualisoitu kartaksi (kuva 1).
Pidin erityisesti työkaluista, joilla karttaa ja legendaa pystyi muokkaamaan esitettävään muotoon. Omatekemään karttaan vaihtaisin vielä pohjoisnuolen, sillä karttaan valittu nuoli näytti muokkaushetkenä hienolta, mutta valmiissa kartassa se ei toiminutkaan yhtä hyvin.
Karttaa näin jälkeenpäin tarkastellessa myös värivalintoihin olisi voinut kiinnittää hieman enemmän huomiota. Karttaan valittiin vain ne valtiot, joilla mitattuja typen päästöjä oli enemmän kuin 0 ja ne esitetään väriskaalalla haaleanpinkki-oranssi-viininpunainen. Valtiot, jotka eivät olleet valittuna, mutta jotka näkyvät mukana valmiissa karttaesityksessä, näkyvät vihreällä. Mielestäni kartalta pitäisi vielä selkeämmin olla havaittavissa ne valtiot, joilla typen päästöjä ylipäätänsä oli. Ei-valittujen valtioiden esittäminen vihreän sijaan vaalealla sävyllä ja valittujen valtioiden esittäminen erilaisella punaisen skaalalla olisi tehnyt kartan esittämän ilmiön helpommin hahmotettavaksi.
Kartassa häiritsevää on myös alueella näkyvät mustien pisteiden rykelmät. Mustia pisteitä ei selitetä esimerkiksi legendassa, joten lukijan on todella vaikeaa ymmärtää, mitä ne ovat. Lisäksi ne tekevät kartasta suttuisen näköisen ja vievät huomiota pois kartan tärkeimmästä tiedosta, eli typen päästöjen osuuksista.
Tehtävä ja pientä analyysiä
Tehtävässä oli kolme vaikeusastetta ja valitsin näin alkuun suosiolla helpoimman vaihtoehdon. Siinä avasin QGIS:ssä Suomen kunta-aineiston ja harjoittelin erilaisia toimintoja. Onnistuin luomaan kaksi koropleettikarttaa, jotka esittävät muunkielisen väestön määrää kunnissa (kuva 2) ja muunkielisen väestön osuutta kunnan kokonaisväestöstä (kuva 3).
Ensimmäinen näistä (kuva 2) esittää absoluuttisia lukuarvoja, jolloin kartalla korostuu etenkin pääkaupunkiseutu, sekä yksittäisiä kuntia muualta Suomesta. Pääkaupunkiseudun voimakas erottuminen johtuu tässä tapauksessa etenkin siitä, että siellä myös väkiluku on suurin ja näin ollen mukaan mahtuu myös runsaasti muunkielistä väestöä. On myös huomioitavaa, että luokkien sisälläkin vaihtelu voi olla suurta. Suurimmassa luokassa, johon Helsinkikin kuuluu, vaihteluväli on 26 011 – 68 323. Teoriassa siis kaksi kuntaa, joiden välinen ero muunkielisissä voi olla jopa 30 000, voisivat kuulua samaan luokkaan. QGIS:n luokittelussa outoa on myös se, että seuraavan luokan alin raja-arvo on aina sama, kuin edellisen luokan ylin raja-arvo.
Toisessa kartassa (kuva 3) muunkielisten osuus on suhteutettu kunnan kokonaisväestöön. Tämä kartta näyttää varsin erilaiselta, kuin edellinen. Koska kartassa ei ole kuntien nimiä, on yksittäisten kuntien hahmottaminen ilman apukarttaa hieman ongelmallista. Kuitenkin suurpiirteisesti katsottuna muunkielisten osuus näyttää olevan korkea etenkin Pääkaupunkiseudulla, Turun saaristossa, Vaasan seudulla, sekä Lapissa. Erityisesti Pohjois-Lappi, joka kuului edellisessä kartassa pienimpään suuruusluokkaan, erottuu tällä kartalla voimakkaasti. Martta Huttunen esitti blogissaan kartan saamenkielisen väestön osuuksista, jossa näkyi selvää painottumista Lappiin. Tämä selittäisi muunkielisten suuria osuuksia pohjoisessa Lapissa myös omalla kartallani.
Muunkielisten osuus suhteessa kunnan väestöön, ja erityisesti Lappia koskeva saamenkielisten osuus sai kuitenkin aikaan myös hämmennystä. Ensinnäkään minulle ei ollut aluksi aivan selvää, tarkoitetaanko muunkielisillä samaa, kuin vieraskielisillä. Tilastokeskuksen määritelmän mukaan vieraskielisiksi lasketaan ne, joiden kieli on jokin muu, kuin Suomi, Ruotsi tai Saame (Tilastokeskus 2019). Aineiston ominaisuustietotaulukon tiedot olivat kuitenkin mielestäni ristiriidassa tämän kanssa. Otetaan esimerkiksi Enontekiö, jossa ominaisuustietotaulukon mukaan muunkielisten osuus oli 10,77%, eli kunta kuului näin ollen toiseksi korkeimpaan suuruusluokkaan. Kunnan väkiluvusta (1876 asukasta) muunkielisiä oli absoluuttiselta lukuarvoltaan taulukon mukaan vain 19 ja saamenkielisiä 198. Hämmentävää tässä oli se, etteivät saamenkieliset (198) näy muunkielisten kokonaismäärässä (19), mutta muunkielisten osuutta (10,77 %) laskiessa ne on ilmeisesti kuitenkin laskettu mukaan.
Lopputerkut
Opin viikon aikana QGIS:in perusteita, mutta ohjelmiston toimintojen sujuva käyttäminen ja logiikan ymmärtäminen on vielä hyvinkin hakusessa. Itse tehtävässä absoluuttisia ja suhteellisia lukuarvoja esittävien karttojen tarkastelussa huomattiin, kuinka erilaista mielikuvaa ne välittävät, vaikka kartoilla näkyvä tieto on johdettu samasta lähteestä. Huomio kiinnittyi myös luokkajakoihin ja niiden merkitykseen tiedon välittämisen kannalta. QGIS:in luokittelun ominaisuuksiin ja mahdollisuuksiin täytyykin tutustua jatkossa vielä paremmin.
Jäin myös miettimään sitä, kuinka tärkeää alkuperäisen aineiston tunteminen ja ymmärtäminen karttaa tehdessä on. Tässä tapauksessa käytössä oli vain ominaisuustietotaulukon lyhenteet, joiden perusteella oli pääteltävä, mitä kukin tieto tarkoittaa. En löytänyt alkuperäistä aineistoa, josta olisi ehkä voinut saada lisätietoa kustakin indikaattorista. Tehtävässä korostuikin kartan tekijän vastuu aineiston perusteellisesta tuntemisesta ja siitä, ettei hän valinnoillaan (tahallisilla tai tahattomilla) johda lukijaa harhaan.
Odotan innolla seuraavia haasteita ja toivon mukaan lisääntyvää ymmärrystäni QGIS:in, sekä paikkatietoaineistojen käytöstä!
Lähteet:
Huttunen, M. 22.1.2021. Harjoitus 1. Viitattu: 26.1.2021.<https://blogs.helsinki.fi/humartta/2021/01/22/harjoitus-1/>
Tilastokeskus. 2020. Vieraskieliset. Viitattu: 26.1.2021.
<https://www.stat.fi/tup/maahanmuutto/maahanmuuttajat-vaestossa/vieraskieliset.html>