nhaukka's blog

Viimeinen kurssikerta koitti ja olin innoissani lukiessani tehtävänantoa, vapaat kädet tuottaa kartta mistä tahansa aiheesta! Pohdin paljon erilaisia vaihtoehtoja ja tutkin eri valtioiden tilastoja. Suuren valikoiman vuoksi päädyin tutkimaan Tilastokeskuksen tietokantoja ja keskityin tutkimaan tietoja koulutuksesta, työllisyydestä sekä vaaleista. Valitsin ensimmäiseksi tutkimuskohteeksi vuoden 2018 presidentinvaalien äänestysprosentin sekä väestön työttömyysprosentin. Nopeaan tahtiin sain siirrettyä tiedot Exceliin ja luotua koropleettikartan äänestysprosenteista kunnittain. Ensimmäisenä ongelmana tuli vastaan alkuperäisten tietojen luokittelu; osa valitsemastani tietokannoista oli lajiteltu maakunnittain ja jotkut ainoastaan kunnittain tai vaalipiireittäin. Työmäärä olisi ollut turhan suuri, jos olisin lisännyt itse esimerkiksi maakunnat Excelissä kuntataulukkoon. Luin kolmannen blogipostaukseni Afrikka-harjoituksesta ja muistelin, miten saimme yhdistettyä tietoja. Ajatuksenani oli yhdistää kunnat (joihin olin laskenut vaalien äänestysprosentin) maakunniksi, jotta saisin liitettyä toisen tietokannan tähän (joka oli luokiteltu vain maakunnittain). QGis ei kuitenkaan suostunut tällaiseen toimintoon ja väitti syyksi kuntien erilaisen arvon. Tästä syystä en saanut toista muuttujaa tähän karttaan liitettyä (kuva 1). Kun lisää työttömyyttä kuvaavat pylväsdiagrammit, tulee kartasta lukukelvoton (kuva 2). Mikko Kangasmaa oli tajunnut rajata aluetta eteläiseen Suomeen, jolloin koropleettikarttaa pylväsdiagrammien kanssa pystyi tulkitsemaan.

Tutkin kuitenkin itse attribuuttitaulukon avulla näitä aineistoja, ja muutamaa poikkeamaa lukuun ottamatta yhtäläisyys löytyi työttömyyden sekä äänestysprosentin välillä. Kaikissa niissä kunnissa, joissa vuoden 2018 presidentinvaaleissa äänesti kunnan väestöstä yli 80%, työttömyysprosentti oli alle 2,73%. Suurin työttömyysprosentti löytyi Enontekijöiltä (9,07%), ja vaaleissa silloin äänesti väestöstä 67,2%. Rautavaarassa äänestysprosentti pysyi alle 60% ja työttömyys kunnassa 2018 oli 5,54%. Tässä on selvästi nähtävillä yhtäläisyyksiä, vaikka yhdellä kartalla tätä on hyvin vaikea esittää.

Mutkien kautta päädyin tekemään kartan Suomen vaalipiireistä, sillä tämä oli ainoa luokka, josta löysin yhteisiä tietokantoja. Yritin vaihtaa Tilastokeskuksen pohjakarttoja, mutta mistään en löytänyt karttaa, jossa kunnat olisi jo valmiiksi luokiteltu maakuntiin. Sain tehtyä onnistuneesti kartan (kuva 3), mutta vähäisen aluemäärän vuoksi kartta ei ole kovin mielenkiintoinen. Pohjakartta kuvaa vaalipiirien äänestysprosenttia ja pylväsdiagrammit vaalikuntiin kuuluvan väestön työttömyysprosenttia. Äänestys- ja työttömyysprosentti vaalipiireittäin muokkautuivat hyvin tasaisiksi, joka ei tosin yllätä Suomen kaltaisen yhteiskunnan takia. Tästä huolimatta yhtäläisyyksiä on huomattavissa; yleisesti ottaen vaalipiirit, joilla on pienin työttömyysprosentti, presidentinvaaleissa äänestäjiä oli prosentuaalisesti eniten.

Jatkoin karttojen väsäämistä ja seuraavaksi yhdistin työttömien osuuden koulun lopettaneiden kesken. Karttaan 3 (kuva 4) valitsin pohjakartaksi tutkintoon johtavan koulutuksen keskeyttäjien määrän maakunnittain lukuvuotena 2016-2017, ja pylväsdiagrammit kuvaavat työttömien määrä prosentuaalisesti. Näin jälkikäteen mietittynä suurempi eroavaisuus olisi todennäköisesti ollut vertailemalla pelkästään lukiokoulutuksen tai ammattikorkeakoulutuksen keskeyttäneillä, kuin kaikilla koulutussektoreilla yhteensä. Tutkimalla pelkästään korkeakoulun keskeyttäjien määrää työttömyyteen, kartalta erottuivat suurimpien yliopistokaupunkien maakunnat, kuten Uusimaa, Varsinais-Suomi sekä Pohjois-Pohjanmaa. Tällä kartalla on huomattavasti enemmän vaihtelua kuin kartassa 2 (kuva 3), mutta yhtäläisyyttä muuttujien välillä ei löydy. Työttömien määrään on laskettu työikäiset, 18-64-vuotiaat, johon sisältyy myös paljon opiskelijoita. Tämä myös nostaa työttömien määrää maakunnissa. Työelämässä olevia opiskelijoita tutkin omalla kartalla (kuva 5), mutta lopputulos oli myös hyvin tasainen. Pohjakartta kuvaa koulun keskeyttäjien määrää ja ympyrädiagrammit työssäkäyviä korkeakoulusektorin opiskelijoita. Pylväsdiagrammeihin olisi tosin voinut lisätä prosentit, jotka kertovat kyseisen tiedon. Kartan attribuuttitietoja tutkiessa ilmeni, että Uudenmaan maakunnalla työssäkäyviä korkeakoulunaisopiskelijoita oli noin 61% ja miehiä 51%, kun taas Pohjois-Karjalassa luvut olivat 42% (naiset) ja 33% (miehet). Vaikka tältä kartalta näkee, ettei muuttujien välillä ole korrelaatiota, nähdään kuitenkin, että jokaisella kunnalla työssäkäyviä naisopiskelijoista on prosentuaalisesti enemmän kuin miehiä.

Lähteet

Kangasmaa, M. (2020). Vapaat kädet (Kurssikerta 7). Luettu 2.3.2020. https://blogs.helsinki.fi/kanmikko/

Tilastokeskus. (2019). Stat-Fin-tilastotietokanta. Luettu 28.2.2020. http://pxnet2.stat.fi/PXWeb/pxweb/fi/StatFin/

Aloitin tunnilla eri hasardien tutkimisen ja pohdin, mistä haluan kartat tehdä. Tietojen tuonti eri lähteistä QGisiin onnistui ongelmitta, jonka vuoksi kokeilin erilaisia vaihtoehtoja harjoitukseksi. Tein kokeiluna muutaman erilaisen karta, jossa oli useampi muuttuja. Ensimmäinen kartta (kuva 1) sisältää Yhdysvaltojen tulivuorten sijainnit sekä vuoden 2010 jälkeen tapahtuneet yli 5 magnitudin maanjäristykset. Halusin kartan avulla tuoda esille yhtäläisyyttä tulivuorten ja maanjäristysten välillä. Sillä pieniä maanjäristyksiä on tapahtunut niin paljon, että niiden esittäminen kartalla olisi ollut mahdotonta, rajasin alueen Pohjois-Amerikkaan. Kartta havainnollistaa haluttua asiaa hyvin, mutta on hieman tylsä ja on enemmänkin esimerkki koko aiheesta. Mittakaavaa en saanut oikein kartalle, sillä sen mukaan Yhdysvallat olisi noin 300 kilometriä itä-länsisuunnassa. Tämä ongelma on aikaisemminkin tullut itselläni vastaan satunnaisesti, ja vihdoin löysin toisenkin ihmisen törmänneen samaan ongelmaan! Joonatan Reunanen oli useampaa reittiä pitkin yrittänyt löytää ongelmaan ratkaisun, tuloksetta. Hyväksyin siis karttani, vaikka mittakaava puuttuikin. Tätä karttaa tehdessäni mietin, että olisi mielenkiintoista esittää myös alueet, kuinka pitkälle esimerkiksi maanjäristysaallot ovat vaikuttaneet. Tässä olisi voinut käyttää bufferointia apuna, mutta tämä jäikin haasteellisuuden vuoksi vain ajatustasolle. Anyway, jos tuollaisen kartan olisin saanut tehtyä, mittakaava olisi siinä paljon oleellisempi kuin kartassani 1.

Sillä jumituin maanjäristys- sekä tulivuoritietokantaan, halusin tuottaa kaikki kartat niistä. Kotona muiden blogeja selaillessa huomasin Vilma Koljosen löytäneen hyvän tietokannan litosfäärilaatoista, jota hyödynsin itsekin. Sillä NOAA:n tietokannassa tulivuoria pystyi etsimään niiden purkausajan perusteella, päätin rajata seuraavan karttani tämän mukaan; tuorein luokittelu D1 sisältää tulivuoret, joidenka viimeisen purkaus on tapahtunut vuoden 1964 tai sen jälkeen. Toinen kartta (kuva 2) sisältää D1-luokittelun mukaiset tulivuoret sekä samana aikana tapahtuneet yli 7 magnitudin maanjäristykset. Litosfäärilaattojen rajat kartassa tuovat erilaista ulottuvuutta ja tämän vuoksi kartta 2 on mielestäni hyvin onnistunut. Kartta havainnollistaa hyvin endogeenisia prosesseja ja toimisi hyvin opetuskäytössä.

Tutkiessani toista karttaani pohdin, miten saisin esitettyä aihetta toisella tavalla. Halusin tuoda esille Tyynenmeren tulirenkaan alueen, mutta sillä karttapohja on keskittynyt Atlantille, tuli taustaa muuttaa. Olisin toki voinut etsiä toisen karttapohjan, mutta menin vähän helpomman kautta. QGIS:iin muiden karttojen tapaan toin ensin tiedot USGS-sivustolta excelin kautta ja tein sopivan pistekartan. Kartalle toin tiedot vuoden 1900 jälkeen tapahtuneista yli 8 magnitudin maanjäristyksistä, jonka jälkeen CorelDRAW-ohjelmalla leikkaa–liimaa-menetelmän avulla loin lopullisen kartan 3. Tämä kartta soveltuisi hyvin opetukseen, jossa käytäisiin läpi laattatektoniikkaa. Karttaa voisi vielä soveltaa esimerkiksi merkitsemällä litosfäärilaattojen liikesuunnat sekä eri väreillä merkitä erilaiset saumakohdat. Toin netistä vielä kuvan, jossa kuvataan litosfäärilaattoja.

Lähteet

Geologia. (2018). Laattatektoniikka. Viitattu 27.2.2020. http://www.geologia.fi/index.php/2018/05/20/laattatektoniikka/

Koljonen, V. (2020). Raikasta ulkoilmaa! Viitattu 27.2.2020. https://blogs.helsinki.fi/vilmakol/

Reunanen, J. (2020). Mun päähän sattuu. Viitattu 27.2.2020. https://blogs.helsinki.fi/reunajoo/

World tectonic plates and boundaries. (2014). Viitattu 27.2.2020. https://github.com/fraxen/tectonicplates

Tunti alkoi lupaavasti ja viidennen kurssikerran tehtäviä oli kiva tehdä – bufferointi tuli uutena asiana, mutta muuten päästiin hiomaan jo tutuiksi tulleita taitoja. Vihdoin tuli fiilis, että jotain on tullut viime viikkojen aikana opittua. Attribuuttitaulukko ja siihen liittyvät toiminnot, tiedostojen tuonti ja yhdistäminen sekä monet toiminnot (kuten select by location, join attributes by location, select features by value) tuntuvat olevan jo hyvin hallussa. Olen myös vihdoin oppinut tarkistamaan aina koordinaattijärjestelmän eri tallennusvaiheissa, sillä se on pari kertaa aiheuttanut edellisissä harjoituksissa ongelmia. QGIS ei tunnu enää yhtään monimutkaiselta, kun tietää mitä tekee. Ohjelmistossa on tosin vielä paljon ominaisuuksia, joiden oppimista odotan.

Bufferointi kuulosti aluksi haastavalta mutta osoittautuikin erittäin yksinkertaiseksi ja hyödylliseksi työkaluksi. Pihla Haapalo totesikin bufferoinnin olevan hyvä keino selvittää kohteen vaikutusalueen. Tunnilla tehtyjen tehtävien lisäksi bufferointia voisi hyödyntää kaupunkisuunnittelussa sekä väestönsuojien tai eri palvelujen sijoittelussa. Tällöin voidaan selvittää montako ihmistä ja mahdollista asiakasta tietyllä alueella asuu.

Itsenäistehtäviä oli paljon, ja tehtävät lentokentistä ja niiden melusaasteista lähtivät mukavasti alulle. Tunnilla QGIS kuitenkin päätti alkaa temppuilemaan ja ohjelma kaatui. Ei siinä mitään, aloitin alusta. Yritin tallentaa tekemiäni muutoksia välillä, jotta ei tarvitsisi aloittaa lähtöpisteestä. Ohjelman kaatuessa toisen kerran QGIS ei suostunut tallentaa enää mitään töitä mihinkään, missään muodossa. Ohjelmiston virheraportti totesi pelkästään ” Easy fix? No”, jonka jälkeen pieni epätoivo iski.

Parin lepopäivän jälkeen päätin palata kotona itsenäistehtävien pariin ja sainkin loput tehtävät tehtyä. Olen suurimman osan tehtävistä ”joutunut” tekemään kotona, sillä en ole saanut tunnilla tehtäviä valmiiksi (ja omalla koneella eri ohjelmaversio). Tämä on tosin ollut hyödyllistä, sillä olen päässyt kertaamaan opittuja asioita, varsinkin, kun tunneilla harjoitukset on tehty yhdessä vaihe vaiheelta. Tämän vuoksi tuen Tomi Kiviluoman ajatusta, ”Vähitellen aloin todella ymmärtää tekemääni, enkä vain enää sokeasti seurannut ohjeita”.

Lähteet

Haapalo, P. (2020). Kädet ilmaan. Luettu 18.2.2020. https://blogs.helsinki.fi/haapalop/

Kiviluoma, T. (2020). Valintojen maailma: bufferointia ja tietokantojen syväluotaavaa suodatusta. Luettu 18.2.2020. https://blogs.helsinki.fi/tomingeoblogi/

Tässä harjoituksessa käytettiin osaksi jo tutuiksi tulleita työkaluja ja useita uusia asioita käytiin myös läpi. Jatkoin kotona tätä harjoitusta, sillä tuntui, että tunnilla käydyt asiat olivat unohtuneet saman tien. Tein muutaman harjoituksen, osa epäonnistui ja osasta tuli vain tylsän näköisiä – kunnes sain luotua pari ihan onnistunutta karttaa.

Tein ruututeemakartan muunkielisen väestön osuudesta pääkaupunkiseudulla, 1km x 1km ruuduilla sekä 500m x 500 m ruuduilla. Halusin nähdä, millainen vaihtelu näissä on ja miten kartan ulkoasu muuttuu. Yritin ensin tehdä harjoitusta 100m x 100m ruuduilla, mutta sen jälkeen, kun QGIS latasi ruudukkoa vaivaiset 1789,06 sekuntia ja jumittui tämän aikana, päätin vaihtaa isompaan ruutukokoon. Ensimmäinen tuottamani kartta (kuva 1) ei ole kovin informatiivinen, sillä kartta kuvaa pelkästään muunkielisten lukumäärää neliökilometreittäin ja luokat ovat kovin vaihtelevia. Kartta antaa osviittaa, mihin muunkieliset asukkaat ovat sijoittuneet pääkaupunkiseudulla, mutta luokkien ollessa isot, kartalta voi saada mielikuvan, ettei reuna-alueilla asu muunkielisiä. Kartoilla valkoinen alue kuvaa aluetta, jolla ei asu ihmisiä, kuten helposti tunnistettavissa oleva Helsinki-Vantaan lentokenttä. Kartalta nähdään, että muunkielisiä asuu paljon Helsingin keskusta-alueella, johon vaikuttaa yliopistojen sijainti sekä ruotsinkieliset asukkaat. Myös Itä-Helsinki sekä Koillis-Vantaa erottuvat kartalta, jotka edullisimpina alueina (verrattuna ydinkeskustaa) vetävät puoleensa enemmän pienituloisia maahanmuuttajia.

Kokeilin vielä 100m ruuduilla samalla teemalla ja laskin muunkielisten osuuden koko väestöstä. Kartta (kuva 2) kuvaa teemaa paremmin kuin ensimmäinen kartta, mutta on hieman sekavan näköinen. 500m x 500m ruutujen alue on pieni noin isolla kartalla, mutta hyvin yksityiskohtainen. Venla Moisilla oli hyvä pointti, että kartan havainnollistamista parantaisi kaupunginosien nimeäminen. Kaikille pääkaupunkiseutu ei ole yhtä tuttu eikä välttämättä osaa hahmottaa alueita tyhjältä kartalta.

Tuottamani kartat toimivat yhdessä hyvin, mutta ovat heikkoja yksin. Ruutukartta sopii kuitenkin hyvin näiden teemojen esittämiseen, sillä halutaan tutkia tietyn alueen ilmiön esiintymistä. Sillä on myös mahdollista esittää absoluuttisia arvoja, sillä kaikki ruudut ovat yhtä suuria, eikä alueiden koko väärennä tulosta. Koropleettikartta sopii paremmin isompien alueiden tutkimiseen, kuten ihan ensimmäisellä kurssikerralla tuottamani kartta ruotsinkielisten osuudesta Suomessa kunnittain. Tiina Aallon luoma kartta rakennusten rakennusvuosista on oiva esimerkki ruututeemakartalle, kun halutaan tutkia pientä aluetta. Tällöin pienet ruudut ovat hyödyllisiä, kun on mahdollista tutkia rakennusvuosia jopa kortteleittain. Tuottamani kartta 500m ruuduilla (kuva 2) on vielä luettava, mutta sitä pienemmät ruudut tutkimalla teemallani saattaa olla jo turhaa.

Lähteet:

Aalto, T. (2020). Perjantai on pelastettu. Luettu 14.2.2020. https://blogs.helsinki.fi/tidaalto/

Moisio, V. (2020). Viikko 4 – Ruudukoiden hyödyntämistä ja rasteriaineistoihin tutustumista. Luettu 14.2.2020. https://blogs.helsinki.fi/moivenla/

Kolmas kurssikerta oli mielenkiintoinen ja hyödyllinen – käsittelimme erilaisten aineistojen tuontia, niiden muokkaamista sekä käyttämistä QGis:issä. Ensimmäinen harjoitus alkoi tietokannan siivoamisella; Afrikka-tiedosto sisälsi yli 600 attribuuttitietoa, jotka nopeasti saatiin dissolve-toiminnolla yhdistettyä 53 riviin. Excel-tiedoston tuonnissa ja tietojen yhdistämisessä tuli olla tarkkana, että yhdistettävissä tiedoissa on yhteinen tekijä – tässä tapauksessa valtion nimi. Työskentely tähän asti oli yksinkertaista ja antoi paljon uutta tietoa ohjelmiston eri työkaluista ja niiden hyödyntämisestä.

Kuvassa 1 näkyy tekemäni harjoitus Afrikka-tietokannasta. Tietokanta sisälsi dataa konflikteista, timanttikaivoksista, öljyesiintymisistä, internetin käyttäjistä sekä muun muassa valtioiden väkiluvuista. Sillä konfliktien attribuuttitaulukko sisälsi tiedon konfliktien ajankohdasta, halusin tutkia niiden sijainteja vuosittain. Kuva 1 osoittaa, miten konfliktit, timantit sekä öljyesiintymät ovat jakautuneet alueella. Sillä kartta on hieman sekava useiden pisteiden takia, on hyvä ominaisuus, että legendassa luokkiin on mahdollista saada niitä kuvaavien määrä näkyviin. Kartalta on haastava hahmottaa eri värisiä pisteitä, jonka vuoksi toinen esitystapa olisi ollut parempi. Tiedoista kuitenkin nähdään, että konfliktien määrä Afrikassa on kasvanut vuosi vuodelta. Nopeasti katsottuna voidaan tulkita (ja olettaa karttaa katsomatta), että timanttien ja öljyn esiintymisellä sekä konflikteilla on korrelaatiota. Näin ei ole kuitenkaan kaikkialla; Etelä-Afrikassa esiintyy paljon timanttikaivoksia, Algeriassa sekä Libyassa öljyesiintymiä, eikä kummankaan alueella ole ollut monia konflikteja. Tässä tulee ottaa myös huomioon se, että milloin tiedot ovat julkaistu. Kartalle on merkitty konflikteja vuosien 1950-2010 välille, mutta timanttikaivoksista ei esimerkiksi ole metatietoja saatavilla.

Sain tulvaindeksit laskettua tuttujen laskumenetelmien avulla, johon tarvittavat tiedot keskiyli- ja keskialivirtaamasta löytyivät tietokannasta. Kuvan 2 koropleettikartan sain luotua nopeasti, mutta järvisyyttä kuvaavat diagrammit aiheuttivat turhaa epätoivoa. Järvisyys-aineiston sain tuotua QGis:iin Afrikka-tiedoston tavoin ja Excel-tiedoston muuttaminen csv-muotoon oli helppoa ja nopeaa. Ennen tiedostotyypin muuttamista tarkistin vielä excelistä jokien nimien täsmäävän QGis:in tietoihin. Kun oli aika luoda järvisyyden diagrammit, törmäsin samaan ongelmaan kuin Minerva Laitinen; pylväsdiagrammit eivät suostuneet tulla näkyviin. Monen yrityksen jälkeen kartalleni tuli 3 pylvästä näkyviin (kuva 3). Mihin loput pylväät jäivät, sitä en tiedä. Kuvasta 2 voi tulkita sen, ettei järvisyys lisää tulvaindeksin määrää; järviä on paljon Keski- ja Itä-Suomessa, mutta suurimmat tulvariskialueet ovat lännessä.

Värien käyttöä ja niiden merkitystä kartalla on syytä pohtia. Tätä asiaa oli myös Paula Allinen käsitellyt blogissaan. Koropleettikartassa (kuva 2) käytin aluksi sinistä väriä kuvaamaan tulvaindeksiä, sillä se tuli ensimmäiseksi mieleen vedestä. Olin kuvannut myös jokia sekä järviä eri sinisen sävyillä, jotka tekivät kuitenkin kartasta vaikealukuisen. Sillä kartan tarkoituksena on esittää tulva-alueita, vaihdoin sitä kuvaavat värit punaiseen, jotta ne erottuisivat paremmin kartalta. Allisella oli hyvä näkökulma värien käytöstä siinä, että punaista väriä käytetään usein vaaran värinä, joka sopii hyvin aiheeseen.

Lähteet:

Allinen, P. (2020). Tietokantojen yhdistämistä ja tilastoista tietokantoihin. Luettu 4.2.2020. https://blogs.helsinki.fi/pallinen/

Laitinen, M. (2020). Konflikteja Afrikassa sekä QGis:in kanssa. Luettu 4.2.2020. https://blogs.helsinki.fi/minerval/

Toinen kurssikerta alkoi hyvin QGis:in parissa – asiat oli hyvin muistissa, sillä olin kotona tehnyt edelliskerran kartat loppuun. Tunnin aiheena oli eri projektiot ja niiden vertaaminen. Ensimmäisen kartan tekeminen onnistui aluksi hyvin, sillä teimme kaikki samaan tahtiin vaihe vaiheelta. Kun projektio oli vaihdettu Mercatorin projektioon, pinta-alat ja prosenttilaskut laskettu, oli aika luoda koropleettikartta.

Noh, tässä välissä oli tapahtunut jotakin mysteeristä, sillä tuottamani kartta näytti aivan erilaiselta verrattuna muihin. Tarkistin attribuuttitietoja ja huomasin prosenttilaskujen vastaukset eroavan paljon muista. Aloin sitten tutkimaan virhettä, ja piti palata monta vaihetta ja layeria taaksepäin. Tästä opin yhden asian – kannattaa tallentaa uusia versioita, kun tekee suuria muutoksia, kuten projektioiden vaihtamista. Olin tehnyt monta versiota eri kartoista ja projektioista, mutta jossain kohtaa olin tallentanut tekemiäni muutoksia edellisten Suomen kunta -karttojen päälle. Jouduin siis käytännössä aloittamaan alusta, sillä ensimmäisessä ETRS-89 -projektion pinta-ala laskuissa oli jokin yksittäinen pieni pilkkuvirhe, joka sekoitti jokaisen uuden kartan, jonka olin luonut.

Tunnin loppupuolella sain juuri valmiiksi kartan, joka ei ollut ihan nurinkurin. Kotona jatkoin tehtävää – yllättäen en taaskaan saanut avattua koululla tehtyjä harjoituksia, joten aloitin puhtaalta pöydältä. Tällä kertaa sain nopeasti luotua koropleettikartan ilman ongelmia, joka kuvaa Mercatorin ja ETRS-89 -projektioiden välistä vääristymää (kuva 1). Kotona tehdyt kartat tuotin Tilastokeskuksen vuoden 2015 tiedoilla, josta johtuu karttojen pieni erilaisuus muiden oppilaiden tuottamien karttojen kanssa. Kartasta 1 jäi kuitenkin uupumaan mittakaava ja luokkien monet desimaalit tekevät legendasta sekavan.

Nyt kun homma oli hallussa, tein vielä toisen vertailun Robinsonin projektion kanssa. Mielestäni kartta 2 on onnistunut, sillä luokkien määrä on sopiva ja selkeä. Koropleettikartassa (kuva 2) vertailin pinta-alan kokoa projektioiden välillä, ja ero oli yllättävä. Mikko Kangasmaa on oikeassa siinä, että projektion aiheuttamaa vääristymää ei voi huomata ohjelmassa, jonka vuoksi harjoitus oli äärimmäisen hyvä. Maria Palm oli tätä asiaa tutkinut taulukon avulla, joka havainnollistaa hyvin pinta-alojen vaihtelua eri projektioissa. Taulukon tiedot osoittavat, kuinka tärkeää on ymmärtää ja muistaa projektion merkitys kartassa.

Lähteet:

Kangasmaa, M. (2020). Projektioita ja valintatyökaluja. Luettu 1.2.2020. https://blogs.helsinki.fi/kanmikko/

Palm, M. (2020). QGis-ohjelman syvällisempi harjoittelu. Luettu 1.2.2020. https://blogs.helsinki.fi/palmaria/

Ensimmäisellä kurssikerralla tutustuimme monille uuteen QGis-ohjelmistoon ja harjoittelimme ohjelman perus työkalujen käyttöä.  Pääsimmekin jo tekemään heti ensimmäistä harjoitustyötä, jonka tarkoituksena oli tuottaa kartta Itämeren valtioiden tyyppipäästöistä. Ohjelma vaikutti helppokäyttöiseltä, vaikka uusia ominaisuuksia tuntuikin löytyvän koko ajan lisää. Yllättävä ominaisuus ohjelmistossa oli värit ja kuinka ne vaihtelivat sattumanvaraisesti. Tyyliseikat oli tosin helppo ja nopea muokata mieleisekseen, jonka jälkeen siirryimme tutkiman attribuuttitaulukkoa. Taulukkoon loimme uuden sarakkeen, ja kätevän kentän arvon laskimen avulla laskimme valtioiden typpipäästöjen prosentuaalisen osuuden. Näin saimme luotua koropleettikartan (kuva 1).

Ohjelmistoa oppi käyttämään nopeasti, vaikka virheitä tapahtuikin alussa. Riina Hiltula oli tehnyt saman huomion, että ”kumoa” -ominaisuus puuttuu kokonaan, jota on tottunut käyttämään esimerkiksi muissa tekstinkäsittelyohjelmissa.  Taitto -osiossa, jossa kartta viimeisteltiin muun muassa legendalla, oli komentohistoria näkyvillä, jonka loppujen lopuksi sain myös työskentelytilassa näkyviin. Tämä helpottaa jatkossa palaamista edellisiin vaiheisiin, varsinkin, jos on sattunut huolimattomuusvirheitä. Ohjelmistossa on vielä paljon ominaisuuksia, joihin en päässyt tutustumaan, mutta tutkimalla lisää nekin tulevat tutuiksi.

Toinen harjoitus tapahtui itsenäisesti ja tässä pääsi harjoittelemaan edellisessä harjoituksessa oppimia taitoja. Tein koropleettikartan väestön ruotsinkielisestä osuudesta kunnittain (kuva 2), jonka kanssa ilmeni pieniä haasteita, sillä omalle koneelleni ladattu QGis toimi erittäin hitaasti eikä suostunut avaamaan tunnilla aloitettuja harjoituksia.

Valmis kartta on hieman harhaanjohtava, sillä kartalta näkee tällä hetkellä vain tiedon, missä päin ruotsinkielisiä asuu: Etelä- ja Länsi-Suomessa. Valmiin kartan legenda jäi hieman turhaksi, sillä huonon suunnittelun vuoksi lukuarvot eivät kerro juurikaan mitään loppujen lopuksi. Janina Vikman oli tehnyt kartan samasta aiheesta, ja hänellä oli hyvä havainto, että Pohjois-Suomen olisi voinut leikata pois; tällöin Etelä-Suomea olisi ollut helpompi tutkia. Toinen vaihtoehto olisi voinut olla muuttujien arvojen lisääminen, mutta sekin olisi tehnyt kartasta epäselkeän. Käytin ohjelman valmiiksi asetettuja luokkajakoja, joissa on suhteellisen isot vaihtelut, varsinkin, kun kartalla keskittymiä on vain muutama. Muokkaamalla näitä luokkia kartasta olisi saanut tehokkaamman ja helppolukuisemman.

Harjoittelemalla enemmän ohjelman käyttöä helpottaa se seuraavien töiden tekoa. Ensimmäiseksi kerraksi olen tyytyväinen aikaansaamieni karttojen suhteen, vaikka molemmista löytyykin parannuskohteita.

Lähteet:

Hiltula, R. (2020). Ensimmäinen kurssikerta – Tutustumista QGis:iin. Luettu 23.1.2020. https://blogs.helsinki.fi/hiltular/

Vikman, J. (2020). Ensimmäinen tunti ja QGis – ohjelman perusteet. Luettu 23.1.2020. https://blogs.helsinki.fi/jagvikma/

Welcome to Blogipalvelut. This is your first post. Edit or delete it, then start blogging!