Suorastaan kihisin innosta saadessani kuulla, että kolmannellakin periodilla olisi geoinformatiikkaa käsittelevä kurssikokonaisuus! Joululoma tuntui tuskastuttavan pitkältä, kun tiesi mitä edessäpäin odottaa. Vihdoin kuitenkin tammikuun 17. päivä saapui kuin saapuikin ja pääsimme kurssitoverieni kanssa astumaan GIS -luokkan lämpöön malttamattomina oppimaan uutta.
Aamukahvista latautuneena olin valmis muutaman tunnin kestävään tutustumiseen geoinformatiikan maailmaan.
Kuten kahdella aiemmallakin GIS -kurssilla, myös GEM1 alkoi pienellä kertauksella jo aiemmin opitusta. Kävimme läpi paikkatiedon peruskäsitteitä sekä erilaisia esitystapoja, joita alalla käytetään. Johdannossa selostettiin myös kurssin suoritustapa, joka koostuu näistä luentojen pohjilta tehtävistä kirjoituksista ja kartoista laaditista blogiteksteistä. Blogin kirjoittaminen on täysin uutta itselleni, mutta vaikuttaa mielekkäältä, onhan myös mukavaa lukea samassa jamassa olevien kurssitovereiden aherruksesta samojen tehtävien parissa. Otan siis haasteen ilomielin vastaan!
Kurssilla käytämme ohjelmistoa nimeltä QGIS, jonka tunnistin heti lukuisista maantiedeaiheisista meemeistä, joita löytyy esimerkiksi Facebookista Geography memes for edgy teens-sivustolta, jota myös suosikkibloggaajani Eveliina Sirola bloginsa aloitusjulkaisussa mainostaa.
Jo ensiaskelista lähtien tiesin pitäväni ohjelmistosta. Aineistot ovat valmista dataa ja opeteltavaa on se, miten itse käyttäjä tätä massiivista tietomäärää hyödyntää.
En toki väitä, etteikö tehtävien kanssa sormi olisi mennyt suuhun pariinkin otteeseen, mutta vaikeuksien kautta voittoon sain kuin sainkin tarvittavat, mielestäni varsin kauniit kartat valmiiksi.
Ensimmäinen, typpipäästökartta valmistui luennon aikana, mutta viimeistelin sen lopulliseen muotoonsa myöhemmin kahvin voimalla mantsalaisten omalla Valopihalla.
Luennon aikana käytimme aineistoa, jonka avulla laadimme koropleettikartan Itämeren valtioiden typpipäästöistä. Aineistoina kartassa toimi HELCOM:in (Itämeren merellisen ympäristön suojelukomissio) kautta saadut tiedot valtioiden typpipäästöistä, Itämerta ympäröivien maiden rajat, Itämeren syvyystiedot sekä visuaalisena lisänä muun aineiston taustalla myös muiden Euroopan maiden rajat.
Tässä vaiheessa haluaisin moittia, miten QGIS tiedostot avatessaan antaa niille sattumanvaraiset väriyhdistelmät, luoden esimerkiksi tälläisiä hirvityksiä:
“Valmis! What’s next?”
Kartan työstäminen alkoikin siis rajulla väriopin kertauksella. Luennolla tehdyn työn sekä pienen hienosäädön jälkeen oma karttani lopulta näyttää tältä:
Karttahan on… kaunis. Valikoimani värit tuovat koropleettikartalle omaisen vaihtelun hyvin esille. Kartasta näkee, että Puolan vaikutus typpipäästöihin on muihin maihin verrattuna suurin. Suosittelen myös huomioimaan Venäjän tumma väritys verrattuna sen minimaaliseen rantaviivaan Itämeren kanssa.
Kuten fuksikollegani Elli-Nora Kaarto mainitsee bloginsa ensimmäisessä tekstissä ”1. kurssikerta: QGIS-ohjelmaan tutustumista”, QGIS-ohjelmassa, kuten muissakin vastaavissa lukemattomia toimintoja sisältävässä kokonaisuudessa, toisto ja virheistä oppiminen on luultavasti yksi merkittävimmistä oppimisen keinoista. Elli-Nora on luonut ensimmäisen tehtävän koropleettikarttansa samasta aiheesta kuin allekirjoittanut, eli Suomen kuntien eläkeläisten prosentuaalisista määristä. Olemme valinneet karttoihimme kuitenkin eri luokittelutavat eläkeläisten määrille.
Valitsin ohjelmiston tarjoaman Jenksin natural breaks -luokittelun, josta pienen taustatutkimuksen jälkeen opin myös käytettävän nimeä Jenks natural breaks classification method. Jenksin menetelmän avulla luokittelussa pyritään siihen, että verrattavia luokkia on yhtä suuri määrä ja luokkien väliset vaihtelut ovat mahdollisimman samansuuruisia. Karttani Suomen kuntien eläkeläisten määristä näyttää tältä:
Lopputuloksena syntyneessä kauniin pinkissä kartassa tummalla värjätyissä kunnissa eläkeprosentti on suurimmillaan.
Kartasta paljastuu eläkeprosentin olevan pienimmillään Uudellamaalla, Varsinais-Suomessa sekä Pohjois-Pohjanmaalla, erityisesti suurten kaupunkien läheisyydessä. Suuret eläkeläismäärät sijoittuvat erityisesti Itä-Suomen alueisiin sekä esimerkiksi Kainuuseen.
Kartan ulkoasu on mielestäni siisti ja helposti luettavissa. Johtopäätöksinä koropleettikartasta voi vetää esimerkiksi juurikin sen, että eläkeläisprosentti on pienempi suurten kaupunkien läheisyydessä sijaitsevissa kunnissa (Esimerkiksi kartassa selvästi vaaleampina erottuvat Helsinki, Tampere, Jyväskylä ja Oulu). Eläkeläisten suureen määrän tietyillä alueilla voi vastaavasti perustella kunnan etäisyydestä suuriin kaupunkeihin.
Tehtyäni aiheesta pientä taustatutkimusta, löysin Tilastokeskuksen julkaisun Suomen huoltosuhteesta vuodelta 2011. Artikkeliin sijoitetussa diagrammissa korkeimmilla väestöllisen huoltosuhteen saralla ovat juurikin ne alueet, jotkä värjäytyvät kartassani tummimmiksi. Väestöllinen huoltosuhde tarkoittaa työiän ulkopuolella olevien asukkaiden määrää verrattuna 18-67-vuotiaisiin, eli työikäisiin asukkaisiin.
Lähde: Tilastokeskus
Luennosta jäi itselleni mahtava fiilis. Opeteltavaa on paljon, mutta QGIS:n käyttö lähti hyvin käyntiin. GEM1 -kurssi tuntuu tähän mennessä mielekkäimmältä geoinfokurssilta!
XOXO
You know you love GIS
Antti
Lähteitä: Eveliina Sirola, Girl vs. GIS -blogi - May the best girl win., julkaistu 15.1.2018 - Viitattu 26.1.2018 Elli-Nora Kaarto, Ellin blogi - 1. kurssikerta: QGIS-ohjelmaan tutustumista, julkaistu 21.1.2018 - Viitattu 26.1.2018 ESRI GIS-dictionary, Natural breaks classification - https://support.esri.com/en/other-resources/gis-dictionary/term/natural%20breaks%20classification Viitattu 26.1.2018 Kaija Ruotsalainen, "Väestö vanhenee – heikkeneekö huoltosuhde?" - Tilastokeskus - www.stat.fi/tup/vl2010/art_2013-02-21_001.html julkaistu 2012, päivitetty 13.2.2013 - Viitattu 26.1.2018 Vaingisjuttuja -kuvan tausta: www.prettylovelypaper.co.uk/wp-content/uploads/2014/03/pink-pencils.jpg
