Viimeinen kurssikerta

Nyt on Geoinformatiikan menetelmät 1 –kurssi tullut päätökseen. Tämä kurssi oli hyvin mielenkiintoinen, vaikka myöskin hermoja raastava ajoittain. QGIS-ohjelman käytöstä olisi vielä paljon opittavaa, mutta tästä on hyvä jatkaa, kun peruskomennot ovat jo pääosin tuttuja. Eniten koen oppineeni eri aineistojen hyödyntämisestä sekä yhdistämisestä ja muokkaamisesta, jotta ne kommunikoisivat toivotulla tavalla keskenään. Kuten Cardwell blogissaan mainitsee, kurssissa oli positiivista myös se, että tehtävien visuaalisesta puolesta sai päättää itsenäisesti omien mieltymyksien mukaan (Cardwell 2019).

 Viimeisimmällä kurssikerralla ei käyty läpi mitään uutta toimintoa vaan kurssikerran tarkoituksena oli hyödyntää jo aiemmilla kurssikerroilla opittuja taitoja oman työn parissa. Omaa työtä varten oli kurssin blogissa suhteellisen vapaat sekä joustavat ohjeet, mikä oli mielestäni positiivista, sillä sai tehdä työn itseä kiinnostavasta kohteesta. Itse päätin tehdä kartan missä käy ilmi Suomen syntyvyyden sekä kuolleisuuden tilanteet (Kuva 1 ja Kuva 2). Alkuun minulla oli ongelmia tilastoaineiston ja kartan yhteensovittamisessa, sillä tilastoaineiston kohdalla QGIS ei tunnistanut tiettyjä kirjaimia, jolloin aineiston kohteet eivät täsmänneet kartassa oleviin kohteisiin antaen tiettyjen kohteiden arvoksi ”null”. Muokkaamalla kuntien nimiä aineistoissa yhteensopiviksi sain ne toimimaan yhdessä.

Kuva 1. Kuolleiden määrä Suomessa kunnittain vuonna 2018.
Elävänä syntyneiden määrä Suomessa kunnittain vuonna 2018.

Kartoissa esitän syntyvyyden sekä kuolleisuuden tilanteen Suomessa kunnittain vuodelta 2018 (Kuva 1 ja Kuva 2). Olisin toivonut karttaan näkyvämpiä eroja, mutta etenkin pääkaupunkiseudun suuret lukemat aiheuttivat sen, että muun Suomen pienemmät lukemat osuivat luokituksessa samaan luokkaan. Jaoin lukemat seitsemään eri luokkaan juurikin sen vuoksi, että esiin tulisi enemmän eroja. Seitsemän luokkaa on omaan makuuni liikaa, mutta viidessä luokassakaan ei juuri tullut alueiden välille eroja. Karttoja ja luokittelua analysoimalla voidaan huomata joissain alueissa olevan kuolleisuutta enemmän kuin syntyvyyttä sekä syntyvyyden keskittyvän suurempien kaupunkien alueille. Tämä kuvaa hyvin nykyään voimakkaana ilmiönä esiintynyt maaltamuutto, joka käsittää suurentunutta muuttovoimaa maaseudun alueilta kaupunkeihin (Helminen & Ristimäki 2008).

 

Lähteet

Cardwell, Amelia 2019. Viikko 7: Yhdysvaltojen kultainen osavaltio. Amelian GIS-blogi. < https://blogs.helsinki.fi/amca/> Luettu 23.3.2019.

Helminen, Ville & Ristimäki, Mika 2008. Kyläasutuksen kehitys kaupunkiseuduilla ja maaseudulla. Ympäristöministeriö. Suomen ympäristö. Vol. 24. 8–11.

Interpolointi ja pisteaineisto

Tämä kurssikerta oli toiseksi viimeisin kurssikerta ja viimeisin, missä käytiin uusia toimintoja läpi ohjatusti. Kurssikerta alkoi reippaalla aamukävelyllä harmaassa pakkassäässä, jonka tarkoituksena oli käydä keräämässä Kumpulan lähistöllä vähintään viidestä eri kohteesta tietoa. Tiedon keruussa apuna käytettiin puhelimeen ladattavaa Epicollect 5-sovellusta, johon piti aina uuden kohteen kohdalla päivittää paikannustiedot sekä vastata muutamaan kysymykseen liittyen muun muassa paikan turvallisuuteen. Sovellus oli hyvin yksinkertainen ja helppokäyttöinen.

Kaikkien opiskelijoiden keräämät paikkatiedot lopulta yhdistettiin muodostaen pistekartan, jonka tarkoituksena oli toimia pohjana interpoloinnin harjoittamiselle. Interpoloinnin avulla pystyimme tutkimaan pisteiden välistä suhdetta, jonka kautta myös sellaisille alueille, jossa kukaan ei ollut käynyt, saatiin esimerkiksi turvallisuuteen liittyvä arvio. Interpoloinnissa oli alkuun haasteita, sillä se ei ensiksi tahtonut toimia, mutta vika selvisi ja saatiin lopulta kuitenkin toimimaan. Värejä muuttamalla saatiin selkeä ja hyvin havainnollistava lopputulos. Lopputulos ei kuitenkaan kovinkaan todenmukainen ollut, sillä ihmiset arvioivat kohteita eri tavalla, toiset antavat herkemmin täysiä pisteitä kuin toiset, jolloin tulokset eivät ole välttämättä kovinkaan vertailukelpoisia sellaisenaan. Kuten Laapotti blogissaan mainitsee, myös joidenkin kurssilaisten keräämien pisteiden sijainti oli virheellinen, mikä puolestaan vaikutti aineiston luotettavuuteen ja kelpoisuuteen (Laapotti, Saaga 2019).

Seuraavaksi päästiin kurssikerran varsinaisen tehtävän kimppuun. Tehtävänä oli tällä kertaa tuottaa kolme karttaa, joiden teemana toimivat hasardit. Päätin keskittyä 5 – 6 magnitudin maanjäristyksiin ja niiden esiintyvyyteen kolmena eri vuonna (Kuva 1, Kuva 2 ja Kuva 3). Tarkoituksena oli vertailla, näkyikö muutoksia eri vuosien välillä. Vuoden 2000 ja vuoden 2018 välillä erot eivät olleet mahdottoman suuria, vaikka oli havaittavissa vuonna 2018 esiintyneen enemmän 5 – 6 magnitudin maanjäristyksiä kuin vuonna 2000. Vuonna 1950 puolestaan näyttäisin esiintyneen huomattavasti vähemmän tämän kokoluokan maanjäristyksiä, mikä oli mielestäni epäilyttävää, sillä pidän epätodennäköisenä, että maajäristyksien määrä olisi kasvanut 50:ssä vuodessa noin merkitsevästi. Todennäköisinä selittäjinä ovat viime vuosina merkitsevästi kehittyneet seuranta- ja tiedonkeruumenetelmät, joiden avulla pystytään seuraamaan sekä paikantamaan tarkemmin maailmalla esiintyviä maanjäristyksiä. Eli vuonna 1950 ei oletettavasti ollut tarpeeksi kehittyneet menetelmät näiden hasardien seurantaan tai niitä ei ainakaan seurattu yhtä tarkasti kuin 2000-luvulla.

Kuva 1. 5 – 6 magnitudin maanjäristykset vuodelta 1950.
Kuva 2. 5 – 6 magnitudin maanjäristykset vuodelta 2000.
Kuva 3. 5 – 6 magnitudin maanjäristykset vuodelta 2018

Kurssikerta oli mielenkiintoinen ja opettavainen. Oli myös kiva huomata, kuinka itselläkin alkoi kurssin myötä GIS:n käyttö sujumaan paremmin, vaikka ongelmitta ei selvitäkään. Mielestäni aamun kävelylenkki oli hieman turha ja sen ajan olisin mieluummin käyttänyt varsinaisen tehtävän tekoon, jolloin olisi jäänyt enemmän ohjeistettua kurssiaikaa sen tekemiseen.

 

Lähteet

Laapotti, Saaga 2019. Saagan saaga. Ulkoilua ja intohimoa. < https://blogs.helsinki.fi/saagalaa/> Luettu 11.3.2019.

Bufferointia

Tällä kurssikerralla keskityimme analysoimaan valmiiksi annettua aineistoa luomatta karttaesitystä. Aineistoja yhdisteltiin ja rajattiin erilaisia ennestään tuttuja sekä ”uusia” työkaluja soveltaen. Puskurivyöhykkeiden käyttö oli yksi kurssikerran pääaiheita ja buffer-työkalua päästiinkin käyttämään monen tehtävän yhteydessä. Kuten Salmi blogissaan kertoo, puskurityökalu on monipuolinen ja monikäyttöinen työkalu (Salmi 2019). Puskurivyöhykkeiden käyttö mahdollistaa erilaisten ilmiöiden havainnollistamista sekä vaikutuslaajuuden arviointia, sillä sen avulla ja samalla muita aineistoja hyödyntämällä voidaan analysoida sekä arvioida esimerkiksi suunnitteilla olevan uuden kauppakeskuksen tai ruokakaupan todennäköisten asiakkaiden määrää tarkastelemalla tietyn etäisyyden säteeltä löytyvien ihmisten määrää.

QGIS on hyvin monipuolinen ohjelma erilaisine työkaluineen, josta löytyy apua monenmoisiin tehtäviin. Tällä hetkellä rajoittavin tekijä QGIS:n käytössä ovat omat puutteelliset taidot. Vaikka kurssilla ollaan käytetty monipuolisesti erilaisia työkaluja, löytyy QGIS:sta järjetön määrä työkaluja, joiden toiminnoista minulla ei ole mitään hajua. QGIS:n lataaminen omalle koneelle voisi olla hyvä idea, sillä kotona voisi sitten rauhassa tutustua paremmin QGIS:n erilaisiin työkaluihin.

Mutta sitten itsenäisiin tehtäviin! Ikävä kyllä QGIS kaatuili itselläni kurssikerran jälkeen monta kertaa, mikä hidasti tehtävien tekoa. Päätin jatkaa tehtävien parissa vasta seuraavalla viikolla ja yllätyksekseni tehtävien teko sujui pienen tauon jälkeen paljon paremmin ja sainkin jäljelle jääneen kolmannen tehtävän tehtyä ongelmitta (niin ainakin luulen). Pieni tauko teki terää, vaikka toisinkin olisi voinut käydä.  Itsenäisten tehtävien kanssa haasteita tuli lähinnä QGIS:n kaatuilun kanssa, mikä ikävästi aina keskeytti ajatuksia ja turhautti, sekä toisen tehtävän viimeisen osuuden kanssa, johon en saanut kovinkaan uskottavia tuloksia. Jonkin verran oli mielestäni tehtävänannossa tulkinnanvaraisia kohtia, kuten esimerkiksi se, että minkä ikäisiä ovat kouluikäiset. Googlen perusteella kouluikäiset ovat 7 – 16-vuotiaat ja sen mukaan tehtävän suoritinkin. Alla olevassa taulukossa näkyvät pääosa saamistani tuloksista (Taulukko 1).

Taulukko 1. Itsenäisten tehtävien vastaukset.

 

Lähteet:

Salmi, Julia 2019. Julian blogi. Osa5: bufferointia ja melusaastetta. <https://blogs.helsinki.fi/jhsalmi/> Luettu 20.2.2019.

Ruutuaineistoja

Neljännellä kurssikerralla teemana olivat ruutuaineistojen teko ja käsittely. Tykkään ruutuaineistojen lopputuloksen selkeästä ulkonäöstä ja luettavuudesta ja niiden teossa onkin tärkeää otta huomioon millaisin värein ruutuja esitetään, jotta luettavuus olisi parhain mahdollinen. On kuitenkin otettava myös huomioon, että ruutuaineisto voi olla harhaanjohtava muun muassa vähäistä hajontaa sisältää aineistoa esittäessä. Kuten Amanda Ojasalo blogissaan kertoo, ulkoasua tarkastelemalla vaaleimman ja tummimman ruudun välillä helposti oletetaan olevan suurikin ero, vaikka todellisuudessa ero näiden ruutujen välillä ei välttämättä ole kovinkaan suuri, jolloin ruutuaineistosta voidaan äkkiseltään tehdä virheellisiä johtopäätöksiä (Ojasalo, Amanda 2019).

Lähdettiin liikkeelle pääkaupunkiseudun asukkaista tietoa sisältävästä pisteaineistosta, josta valitsimme itseämme kiinnostavammat aineiston osat luoden uusi taso, jossa ei muuta tietoa ollut, jotta aineiston käsittely olisi QGIS-ohjelmalle kevyempää. Tarkastelualueenamme oli pääkaupunkiseutu. Ruutuaineiston tuottamiseksi laadittiin vector grid -työkalulla ruudukko, jonka yksittäisten ruutujen koko oli 1km x 1km. Ruudut tallennettiin yksittäisinä yksikköinä (outouteen grids as polygons), sillä meitä kiinnosti juuri se, että mitä informaatiota mikäkin ruutu sisältää. 

Spatial query -työkalulla poistettiin tekemästämme ruudukosta tietoa tieto sisältämättömät ruudut, jotta aineisto ei olisi turhan raskas ohjelmalle. Minulla ei ole aikaisemmin QGIS kaatunut, mutta tällä kurssikerralla kävi vähän huonompi tuuri, onneksi kuitenkin vielä tehtävän alkuvaiheessa, jolloin en pahasti jäänyt jälkeen. 

Kurssikerran varsinaisessa tehtävässä piti hyödyntää esimerkkitehtävässä oppimamme toimintoja ja tehdä ruututeemakartta, joka käsittelisi itseämme kiinnostavaa aihetta. Valitsin tutkimusalueeksi pääkaupunkiseudun ja saman ruutukoon kuin aiemmassa tehtävässä. Aiheeksi valikoitui +85-vuotiaiden osuus pääkaupunkiseudulla (Kuva 1.). Minua kiinnosti tietää missä päin pääkaupunkiseutua esiintyy vanhempaa ikäluokkaa ja ovatko iäkkäämmät ihmiset keskittyneet selkeästi tiettyyn alueeseen vai onko hajontaa paljonkin. 

Kuva 1. +85-vuotiaita pääkaupunkiseudulla.

Valmiin karttani pohjalta voidaan huomata +85-vuotiaita olevan pääkaupunkiseudulla hyvin vähän, mikä hieman ihmetyttää minua. Luulen, että saatoin tehdä jotain väärin karttaa laatiessa, mutta en keksinyt mitä. Olisin kuvitellut +85-vuotiaita olevan reilusti enemmän, kuin mitä tämä aineisto antaa ymmärtää. Tässäkin tapauksessa tummimmat ruudut sisältävät ainoastaan 5-6 +85-vuotiasta. Olenkohan epähuomiossa tehnyt jotain väärin… Pitää vielä kerran ottaa tää tehtävä uusintaan. Tämän tekemäni ruutukartan perusteella +85-vuotiaita on eniten Espoon Otaniemen sekä  Olarin ja Helsingin Katajanokan, Mäkelänrinteen, Malminkartanon sekä Myllypuron alueella. Olisin kaivannut näin jälkiviisaana karttaani selkeämmän pohjakartan, joka kuultaisi ruudukon läpi. Näin eri ruutujen tarkat sijainnit olisi helpommin havaittavissa. Nyt oli itsellänikin vaikeuksia hahmottaa, missä eri kaupunkien ja kaupunkiosien rajat menevät. Koropleettikartta voisi olla tässä tapauksessa pätevämpi, sillä jaottelu alueisiin helpottaisi kartan luettavuutta, ruudut, kun voivat sijaita myös kahden eri alueen rajalla ja itseäni kiinnostaisi nimenomaan eri kaupunkialueilla asuvien +85-vuotiaiden määrä. Toisaalta koropleettikartalla olisi syytä käyttää suhteellisia lukuarvoja, sillä se ottaa huomioon alueiden kokoeroja (Tilastokeskus 2019).

 

Lähteet:

Ojasalo, Amanda 2019. Amandan GIS blogi. Ruutuja. Luettu 12.2.2019.

Tilastokeskus 2019. Tilastokoulu. Tilastoteemakartta. Koropleettikartta. Luettu 12.2.2019.

Datalähteiden hyödyntäminen ja tietojen yhdistäminen QGIS:ssa

Tällä kurssikerralla käytiin läpi, miten erilaisista tietokannoista olevaa ominaisuustietoa voidaan hyödyntää ja yhdistää QGIS-ohjelmassa. Esimerkkitehtävässä käytettiin pohjana Afrikan karttaa, johon yhdistettiin eri tietokannoista peräisin olevaa tietoa Afrikassa esiintyvistä konflikteista, timanttikaivoksista sekä öljykentistä. Näitä tietoja yhdistelemällä ja analysoimalla oli mahdollista arvioida, miten eri lukemat korreloivat keskenään ja millä tavalla ne vaikuttavat alueen luonteeseen. Kuten Saaga blogissaan mainitsee, eri vuosien tietoja hyödyntämällä voidaan myös seurata jonkin alueen kehitystä (Laapotti, 2019).

Mitä enemmän kurssilla käydään erilaisia toimintoja ja datan hyödyntämismahdollisuuksia sitä vaikeammaksi eri toimintojen muistaminen muuttuu. Pitää myös myöntää, että tässä vaiheessa minulla on edelleen välillä vähän epäselvää, missä muodossa mitäkin pitää tallentaa ja miksi. Monesti kurssikerralla myös menee helposti joidenkin asioiden merkitykset ohi, kun yrittää vaan pysyä mukana tehtävän suorittamisessa. Esimerkkitehtävää tehdessä tipahtaa herkästi kärryiltä, jos jokin toiminto ei jostain syystä heti toimi tai jos jonkin menee itsellä epähuomiossa pieleen. Tästä syystä olisi tärkeää tehdä aktiivisemmin lisätehtäviä heti tunnin jälkeen, jolloin toiminnot ovat vielä tuoreessa muistissa ja samalla pohtia niiden merkityksiä ja käyttötarkoituksia.

Esimerkkitehtävän jälkeen tuli varsinaisen tehtävän aika. Varsinaisen tehtävän tarkoituksena oli tehdä tulvaindeksikartta Suomesta, jossa esitetään eri tietokannoista peräisin olevia tietoja hyödyntämällä ja yhdistelemällä myös eri alueiden järvisyysprosenttitietoja (Kuva 1).  Kuvaa 1 tutkimalla voidaan huomata tulvaherkkyyden korostuvan alueilla, joissa järvisyysprosentti on matala. Tulvaherkkyyttä esiintyy voimakkaimmin länsi- ja etelärannikkoalueilla, jossa järvisyysprosentti on hyvin matala ja jokia esiintyy runsaasti, jolloin ne herkästi tulvivat yli etenkin keväisin lumien sulaessa. Suurempien kaupunkien, kuten esimerkiksi Helsingin, seuduilla tulvaherkkyyttä lisännee huonosti absorboiva ihmisen toimesta muokattu maaperä. Suomessa tulvat ovat kuitenkin vähäisiä Keski-Eurooppaan verrattuna (Ympäristö.fi, 2013).

Kuva 1. Eri alueiden tulvaherkkyys ja järvisyysprosentit Suomessa.

 

Lähteet:

Laapotti, Saaga 2019. Kovaa hermojen koettelua. <https://blogs.helsinki.fi/saagalaa/>. Luettu 3.2.2019.

Ympäristö.fi 2013. Tulvien esiintyminen. <https://www.ymparisto.fi/fi-FI/Vesi/Tulviin_varautuminen/Olenko_tulvariskialueella/Tulvien_esiintyminen?f=Lapin_ELYkeskus&f=Lapin_ELYkeskus>. Luettu 5.2.2019.

Projektioiden vertailua

Toisen kurssikerran teemana oli tarkastella erilaisten projektioiden käyttötarkoituksia ja eroja muun muassa pinta-alojen laskemisessa sekä niistä aiheutuvia mahdollisia muutoksia tarkasteltavan kohteen luonteessa. Kuten Susanna blogissaan mainitsee, huomattavat erot eri projektioiden välillä sekä niiden vaikutus karttoihin ja paikkatietokantoihin jaksavat aina yllättää (Mäkelä, 2019).

Eri projektioiden etäisyys- sekä pinta-alaerojen hahmottamiseksi rajattiin pinta-alaa laskevan työkalun avulla Pohjois-Lapin kärjessä alue, suomineidon päälaki, sekä piirrettiin etäisyyttä laskevan työkalun avulla suora viiva Vaasasta Suomen itäisiin kohtaan. Seuraavaksi piti tarkastella, erilaisia projektioita käyttäen, millaisia eroja pinta-ala- ja etäisyystyökalujen antamissa lukemissa oli havaittavissa ja tehdä siitä taulukko (Taulukko 1).

Taulukko 1. Pinta-ala- ja etäisyyserot eri projektioiden välillä.

Seuraavaksi valitsin kaksi projektiota, joiden antamia pinta-aloja vertailin ETRS-TM35FIN-projektion ilmoittamiin pinta-aloihin. ETRS-TM35FIN on Suomessa käytetyin tasokoordinaatisto, sillä siinä Suomi kuvataan yhdessä projektiokaistassa, jolloin pinta-alalukemat saadaan paremmin vastaamaan todellisuutta (Maanmittauslaitos, 2010). Valitsemani projektiot olivat Sphere_Mercator sekä World_Winkel_I, sillä ne ovat yleisesti käytettyjä projektioita, joiden antamissa tuloksissa oli kuitenkin huomattaviakin eroja, kuten kuvasta 1 voidaan huomata. Etenkin Sphere_Mercatorin antamat lukemat erosivat hyvin merkitsevästi ETRS-TM35FIN projektion antamista lukemista. Kummankin vertailussa käyttämäni projektion kohdalla suurimmat pinta-alavääristymät kohdistuivat Pohjois-Suomeen Lapin alueelle. Ensiksi vertailin pinta-alojen prosentuaalista eroa näiden projektioiden välillä (Kuva 1 ja Kuva 2), minkä jälkeen vertailin näiden pinta-alaerojen aiheuttamia prosentuaalisia väestöntiheyseroja samaisten projektioiden välillä (Kuva 3 ja Kuva 4). Näitä lukemia oli mahdollista laskea hyödyntämällä tehtäväaineistossa olevia valmiiksi annettua lukemia pinta-aloista ja väestönmäärästä.

Kuva 1. ETRS-TM35:n ja Sphere_Mercatorin pinta-alaerot (%)
Kuva 2. ETRS-TM35:n ja World_Winkel_I:n pinta-alaerot (%)
Kuva 3. ETRS-TM35:n ja Sphere_Mercatorin väestöntiheyserot (%)
Kuva 4. ETRS-TM35:n ja World_Winkel_I:n väestöntiheyserot (%)

Oli mielenkiintoista huomata, kuinka paljon muun muassa väestöntiheyslukemat muuttuivat eri projektioita käyttämällä. Tämä vertailutehtävä toi jälleen kerran hyvin esille, kuinka projektion valinnassa on otettava huomioon projektion ominaisuuksien ja alueen sijainnin yhteensopivuus, jotta vältytään harhaanjohtavilta tuloksilta. Tehtävän tarkoituksena oli projektioerojen esiin tuomisen lisäksi myös opettaa tuottamaan tietoa olemassa olevien tietojen pohjalta, mikä on mielestäni hyödyllinen taito.

 

Lähteet

Maanmittauslaitos, 2010. ETRS89 koordinaattijärjestelmä käyttöön. <https://www.maanmittauslaitos.fi/sites/maanmittauslaitos.fi/files/old/ETRS89koordinaattijarjestelma_kayttoon.pdf>

Mäkelä, Susanna 2019. Projektioita. <https://blogs.helsinki.fi/susanna-makela/> Luettu 28.1.2019.

QGIS-ohjelmaan tutustuminen

Ensimmäisellä kurssikerralla kävimme ensiksi läpi paikkatietoon liittyviä perusominaisuuksia sekä esittämistapoja, minkä jälkeen pääsimme tutustumaan QGIS-ohjelmaan ja sen käyttötarkoituksiin. QGIS on avoimeen lähdekoodiin perustuva paikkatieto-ohjelmisto, joka mahdollistaa geospatiaalisen informaation luomista, muokkaamista, visualisointia, analysointia sekä julkaisemista. (QGIS, 2019.)

Kurssin ensimmäisen tehtävän tarkoituksena oli tutustuttaa oppilaat QGIS-ohjelman perustoimintoihin käytännön kautta, samalla tehtävää suorittaen. Tehtävä käytiin läpi opettajan ohjaamana vaihe kerrallaan. Tämä oli minusta toimiva ja tehokas lähestymistapa, sillä erilaisten komentojen käyttötarkoitus jäi paremmin mieleen, kun niitä pääsi välittömästi hyödyntämään. QGIS-ohjelma vaikutti perusominaisuuksiltaan loogiselta sekä selkeältä, mutta ominaisuustaulukon tietojen muokkaaminen ja hyödyntäminen tarkoituksen mukaisesti vaatii vielä harjoittelua. Kuten Joonatan mainitsi blogissaan, lisätehtäviä olisi ollut järkevä tehdä heti ensimmäisen tunnin jälkeen samana päivänä, sillä osa opituista komennoista ehtivät unohtua, kun lisätehtävien pariin palasi muutaman päivän päästä.

Kurssikerralla tehdyn tehtävän aineisto sisälsi tietoa Itämeren valtioiden typpipäästöistä. Tarkoituksena oli tuoda aineiston sisältämä tieto karttaan selkeämmässä ja luettavammassa muodossa, minkä johdosta ominaisuustaulukkoon tehtiin uusi saareke, johon typpipäästöjen osuudet muutettiin prosenteiksi. (Kuva 1.) Kartan visuaalisuutta muokatessa kartassa käytettyjen värien tärkeys nousi merkitsevästi esiin. Saman värin eri sävyt itsessään kertovat paljon tai ainakin antavat ymmärtää paljon. On tärkeä pitää huolta siitä, että käytetty värinsävy ja sen sisältämä informaatio eivät ole ristiriidassa keskenään. Esimerkiksi vaalea sävy, tässä tapauksessa typpipäästöjen yhteydessä, oletetaan helposti viittaavan alaisempaan päästölukemaan, kun tumma sävy puolestaan oletetaan viittaavan suurempaan typpipäästöosuuteen. Jos sävyt olisivat kartalla toisinpäin, kartan luettavuus kärsisi merkitsevästi. Olen tehtäväni lopputulokseen tyytyväinen, vaikka parantamisen varaakin löytyy. Muun muassa mittakaavan olisi voinut sijoittaa alemmas kuvan alareunaan, jolloin taustalla olisi vähemmän tekijöitä häiritsemässä luettavuutta.

Kuva 1. Itämeren valtioiden typpipäästöt.

Lähteet:

QGIS, 2019. <qgis.org>. Luettu 21.01.2019.

Huhdanpää, Joonatan. Viikko 1: Tutustuminen QGIS-ohjelmaan ja ensimmäiset kartat. Luettu 28.1.2019