Toinen kurssikerta tuntui pääosin jo helpommalta. Vaikka opettelimmekin minulle uusia toimintoja, QGISsissä surffailu ja selailu kävi helpommin, ja silmä osasi hakeutua oikeisiin paikkoihin. QGISsin valintatyökaluja olin kyllä jo kokeillut viime viikon tehtävien yhteydessä, mutta nyt oli tarpeellista nähdä mihin niitä todellisuudessa voidaan käyttää.

Kävimme kurssikerralla läpi eri projektioiden vaikutusta mitattaviin asioihin, kuten pituuteen ja pinta-alaan. Alla olevassa taulukossa on esitetty saman matkan pituus ja saman alan pinta-ala eri projektioissa.

Taulukko 1. Saman matkan ja alan mitat eri projektioissa.

 

Seuraavaksi visualisoimme pinta-alojen eroja eri projektioissa suhteessa TM35FIN projektioon. Alla olevat kartat kuvaavat eroja väreittäin. Punaisella värillä kuvataan suurinta eroa ja sinisellä pienintä.

Kuva 1. Mercator vs. TM35FIN pinta-alakerroin.

Kuva 2. Robinson vs. TM35FIN pinta-alakerroin.

 

Kuten molemmista kartoista huomaa, erot kasvavat pohjoiseen päin mentäessä. Mercator-vertailussa erot ovat suuria, jopa kahdeksankertaisia. Robinsonin suhteen erot pienenevät, mutta siinäkin punainen (eli suurimmat erot) luokka kattaa suurimman osan. Tarkoituksenani oli tehdä vielä yksi vertailu, mutta yrityksistä huolimatta oli tämä prosessi viikon aikana jo unohtunut. Samasta ongelmasta luin Sannan blogista (saarinsa’s blog (helsinki.fi)). Kertausta siis tarvitaan!

Huomisella kurssikerralla keskityn siihen, että kirjaan mieleeni tulevia ajatuksia heti ylös. Tämä kuusi päivää kurssikerran jälkeen blogikirjoituksen tekeminen ei sovi minulle, sillä koen aineiston ja tekemisteni sanoittamisen hankalaksi ja ehkä muistikuvieni jopa hieman väärentyneiksi. Päällimmäisenä tunteena on edelleen halu oppia, sillä QGIS ohjelmana on kuitenkin niin monikäyttöinen ja sen osaamista usein myös (maantieteen) työpaikoilla edellytetään.

Seuraavaan kertaan!

-Sini

 

Kurssikerran ensimmäisellä luennolla alkujohdantojen jälkeen käytiin QGISsin kimppuun. Aineistona toimi Itämeren typpipäästöt, joista oli tarkoitus visualisoida typpipäästöjen määrää kuvaava kartta. Olen käyttänyt QGISsiä aiemminkin, tosin jo muutama vuosi sitten, joten ohjelman opettelu alkoi käytännössä ihan alusta. Tämä vaati herpaantumattoman huomioni, jottei mikään vaihe jäänyt välistä ja jotta työtä pystyi jatkamaan samanaikaisesti ohjeiden kanssa. Usko sanoitti blogissaan (Viikko 1 — QGIS tutuksi – Uskollinen GIS-blogi (helsinki.fi)) hyvin tätä epätoivon tunnetta, kun jokainen klikkaus täytyi tapahtua opettajan kanssa samaan aikaan, muuten oli hukassa.

Kuva 1. Typpipäästöt Itämeressä.

Jonkinlaisen kartan sain kun sainkin aikaiseksi. Kartasta erottaa, että suurimmat typpipäästöt ovat peräisin Puolasta. Jälkeenpäin tätä karttaa katsoessani, olisin voinut lisätä vielä maiden nimet, jotta tulkinta olisi mahdollisimman yksiselitteistä.

Kotitehtävässä minua hämmensi, kun layereitä oli vain yksi, enkä millään keksinyt miten pääsen visualisoimaan väkiluku-muuttujaa kaiken muun tiedon seasta. Ensimmäisellä yrittämällä epäonnistuin, kun en päässyt ajatuksesta että minun täytyy erottaa väkiluku-muuttuja omaksi tasokseen. Kurssikaverini neuvoista oppineena lopulta toisella yrittämällä löysin oikeat välineet. Täytynee ensi kerralla luottaa siihen, ettei minulta odoteta täysin uusien toimintojen käyttämistä, vaan todennäköisesti tehtävä onnistuu kurssikerralla saatujen ohjeiden mukaisesti.

Kuva 2. Suomen kuntien väkiluvut vuonna 2021.

Pyörittelin hetken aikaa eri vaihtoehtoja luokitteluille, kunnes kvantiilien mukaan jaetut luokat tuntuivat selkeimmiltä. En ole kuitenkaan täysin tyytyväinen luokkien jaotteluun. Isoin luokka käsittää kaikki kunnat, joissa väkiluku on ollut enemmän kuin 19000, ja tämä on mielestäni liian suuri vaihteluväli. Kun vaihteluväli on näin suuri, kuuluu esimerkiksi Rovaniemi ja Helsinki samaan luokkaan, vaikka todellisuudessa näiden väkiluvun erotus on lähes 600 000 ihmistä. Tätä en kuitenkaan osannut muuttaa, jääpähän jotain opeteltavaa seuraavallekin kerralle. Kartasta erottaa kuitenkin väestön keskittymisen maan eteläosaan, joka onkin Suomen väestön sijoittumisen keskeinen ominaisuus. Kartasta erottaa myös selkeästi esimerkiksi käsivarren alueen vähäisine asukkaineen, joka maantieteellisine oloineen ei ole suotuisin asutukselle. Itse tuloste olisi saanut olla suurempi, sillä nyt kuntien rajat eivät erotu toisistaan tarvittavan hyvin. No, kuten sanottu, jääpähän sekin opeteltavaksi. 🙂