Ensimmäinen luento: koropleettikarttojen tekoa

Typpipäästöistä tehty koropleettikartta

Ensimmäisellä luentokerralla käytimme valmista aineistoa, jonka muokkasimme määrälliseksi alueluokituskartaksi. Kartassa valmiina oleva tieto typpipäästöistä muokattiin sopivaan muotoon ja luokiteltiin niin, että jokaista luokkaa kuvasi eri väri. Tuloksena on kuvan 1 eri maiden typpipäästöjen prosenttiosuuksia esittävä kartta. Luennolla tehty harjoitus oli mielestäni vaikeustasoltaan sopiva, QGIS-ohjelmistoa ensi kertaa käyttäneenä. Se opetti perustaitoja ja tutustutti projektien luomisprosessiin. QGIS ohjelmistona näyttää sisältävän paljon ominaisuuksia, eikä itselleni aina ollut selkeää, mikä painike teki mitäkin. Luennolla selitettiin asiat kuitenkin selkeästi ja toistettiin tarvittaessa. Jouduinkin kysymään muutamaa asiaa useampaan kertaan, mutta luennon lopussa opetetut asiat tuntuivat jo helpoilta ainakin suurimmalta osin. Ensimmäiseltä luennolta opin perusasioita; attribuuttitietojen tarkastelua ja hieman niiden muokkaamista, sekä kartan ulkoasun muokkaamista.

Olen tyytyväinen luennolla tekemääni koropleettikarttaan (kuva 1). Verrattuna esimerkiksi CorelDRAWiin, jolla tein karttoja Tiedon esittäminen maantieteessä -kurssilla, oli legendan ja mittakaavan tekeminen nopeaa. QGISin attribuuttitaulukko ja sen muokkaaminen Field Calculatorilla olivat sellaisia työvaiheita, jotka tuntuvat hankalimmalta muistaa ja hallita näin jälkikäteen katsottuna, vaikka karttaa tehdessä eniten ongelmaa tuottivat kartan ulkonäölliset seikat.

Katsojalle, joka ei ole nähnyt aineistoa, selittää legenda mielestäni hyvin kartalla näkyvät värit. Typpipäästöjä kuvaava väri eroaa selkeästi muiden maiden vihreästä väristä, ja luokat on helppo erottaa toisistaan kartalla. Kartta 1 on luennon jälkeen tekemäni versio, jonka järvien väriä muokkasin ja johon lisäsin paikkojen nimiä. Huomasin, että jos lukija ei tiedä kartassa näkyviä maita nimeltä pelkästään karttaa katsomalla, ei kartassa ole oikein informaatioarvoa hänelle. Senpä takia tein luennon jälkeen kokonaan uuden kartan, kun aiempaa en sitten muistanutkaan tallentaa. Opinpa samalla tallentamisen tärkeyden silloinkin, kun luulee olevansa täysin valmis. Myöhemmin saattaa huomata, että työssä on vielä muokattavaa. Onnistuin kuitenkin parantelemaan karttaa ja mieleeni muistui myös asioita, jotka olivat ensimmäiseltä luentokerralta unohtuneet. Jouduin kertaamaan esimerkiksi sen, kuinka Itämeren maihin kuulumattomat maat saatiin takaisin näkyviin tekemällä duplikaatti alkuperäisestä tasosta. Näin ollen kartan uudelleen tekeminen oli hyödyllistä. Olin myös ennen toista yritystä lukenut muiden kurssilaisten blogeja ja Ville Väisäsen blogitekstistä lukiessani tajusin, miksi kartassani järvet näyttivät vievän niin paljon tilaa. Muutettuani ääriviivat läpinäkyviksi näytti lopputulos edellistä paremmalta.

Kuva 1. Itämerta ympäröivien maiden typpipäästöt prosentteina.

 

Karttaa tarkastellessa huomaa, että suurimmat päästöt ovat Puolassa ja sen jälkeen suurimmat päästöt löytyvät Venäjältä ja Ruotsista. Pienimmät päästöt ovat Virossa, kun taas Suomi on typpipäästöjen osalta Latvian kanssa samassa luokassa. Tämä tuli minulle yllätyksenä.

Itsenäinen harjoitustehtävä

Itsenäisen harjoitustehtävän tekemiseen oli muutamia vaihtoehtoja. Halusin kokeilla vaikeampaa vaihtoehtoa ja etsin netistä tiedon maidontuotannosta litroina kunnittain. Ensimmäisenä ongelmana tuli se, ettei QGIS suostunut avaamaan tiedostoa. Luennolla oli mainittu siitä, kuinka jotkin tiedostojen päätteet saattoivat olla hämääviä. Näin oli tässäkin tapauksessa, ja vaikka lataamani tiedoston päätteenä oli csv., ongelma korjautui kun avasin sen toisessa ohjelmassa ja tallensin sen uudella nimellä csv tiedostoksi. Onnistuin netin ohjeiden avulla liittämään tiedoston kuntakarttaan, mutta tuotujen tietojen muokkaaminen ei jostain syystä onnistunut. Päädyin parin päivän kokeilujen jälkeen toteamaan, että järkevintä on laskea vaikeustasoa ja tehdä kartta jo valmiiksi annetusta aineistosta. Kokeilin muutamia eri karttavaihtoehtoja, ennen kuin päädyin tekemään koropleettikartan eläkeläisten prosenttimääristä (kuva 2).

Kartasta näkee eläkeläisten prosenttimäärän olevan suuri varsinkin Itä-Suomessa, Keski-Suomessa ja Itä-Lapin seutukunnalla sekä Torniolaakson seutukunnalla. Pääkaupunkiseudulla määrä on luonnollisesti vähäinen. Vähäisiä määriä eläkeläisiä löytyy myös muualta Suomesta, mm. Oulusta ja Rovaniemeltä.

Kuva 2. Suomen kuntien eläkeläisten prosenttimäärät koropleettikartalla. 

Tähän karttaan olen ensimmäiseen karttaan verrattuna tyytyväisempi. Löysin tutkiessani erilaisia tyylejä pohjoisnuolta varten ja osasin tällä kertaa lisätä N-kirjaimen pohjoisen merkiksi. Koska kartalla ei ole muita elementtejä, kuten vesistöjä tai muita maita, esittää kartta mielestäni asiansa vielä paremmin. Päätin tässä välttää punaista, oranssia tai vihreää väriä, sillä ne antavat joko negatiivisia tai positiivisia mielikuvia esitettävästä ilmiöstä. Nyt karttaa tarkastellessa mietin, olisiko sittenkin ollut järkevämpi vielä muokata vaaleinta väriä toiseksi. Toisaalta olisin joutunut muokkaamaan kaikkia väriä asteen tummemmaksi, mutta toisaalta täysin valkoinen väri antaa itselleni sellaisen kuvan, että alueella on tyhjää. Ilman legendaa voisi esimerkiksi ajatella, ettei valkoisilla kunnilla ole ollenkaan eläkeläisiä, tai että tietoja eläkeläisten määrästä ei ollut saatavilla.

Samojen toimintojen kertaaminen vielä kolmannen kerran auttoi tuomaan unohdetut asiat mieleen ja myös pitämään luennolla opitut asiat muistissa.

Lähteet

KK1_Harjoitus 1 -materiaalit.

Väisänen, V., 2021. QGIS-hommat tulille. Luettu osoitteessa https://blogs.helsinki.fi/villvais/ 24.1.2021.

Vastaa

Sähköpostiosoitettasi ei julkaista.