Ensimmäiset työt

Ensimmäisellä kurssikerralla geoinformatiikan menetelmät kurssia teimme QGIS ohjelmalla kartan (Kuva 1.). Kartalla näkyy Itämeren rannikolla sijaitsevien maiden typpipäästöt prosenttiosuuksina kyseiseen vesistöön. HELCOM on suojeluyhdistys Itämeren maiden välillä.

Typpeä pääsee vesistöön eniten maatalouden tuotannosta. Viro erottuu selkeästi vähiten typpeä päästävänä maana. Toisaalta Viro on vähemmän asuttu ja vähemmän vauras maa kuin monet HELCOM maat. Suurimpina päästöjä tuottavina maina esiintyvät Ruotsi, Venäjä ja Puola, jotka ovat vauraita maita ja joiden väkiluku on korkea, jolloin maataloustuottoa on myös paljon. Suomestakin pääsee Itämereen paljon typpeä. Suomella onkin pitkä rantaviiva Itämereen, joka vaikuttaa asiaan paljon. Venäjä tuottaa paljon typpipäästöjä vesistöön, vaikka sillä onkin vain vähän rantaviivaa. Kuitenkin Venäjällä on paljon typpeä päästävää laivaliikennettä Itämerellä.

Tyyne Turusen blogissa (2023) Tyyne huomauttaa hyvin, kuinka luokkien koot eivät ole suhteessa samat, vaan niitä on jouduttu muokkaamaan, jotta kartta toimisi visuaalisesti hyvin. Samanlaista käytäntöä toteutin tehdessäni karttaa 2 (kuva 2). Tällöin se antaa mahdollisimman aidon kuvan kartan sisällöstä, kun luokkarajat ovat luonnollisesti jaoteltu aineiston arvojen mukaisesti.

Kotitehtävänä oli tehdä vapaaehtoinen koropeettikartta Suomen eri tilastoista valitsemalla. Ensin tein kartan ruotsinkielisten osuudesta Suomen kunnissa, mutta päädyin siihen tulokseen, että kartta näytti tylsältä, sillä ruotsinkielisiä on niin vähän. Siispä valitsin Suomen väkiluvun suhteutettuna eri kuntiin. Väkiluku oli aineistossa kokonaislukuina, joten muutin sen prosenttiosuuksiksi. Kartalla näkyy selvästi Etelä-Suomen asutustiheys korkeampana verrattuna esimerkiksi Itä-Suomeen ja Lappiin. Suuret kaupungit ja kaupunkiseudut näkyvät myös kuten Oulu, Helsinki, Espoo, Vantaa, Tampere ja Turku.

Ohjelman käyttäminen jäi kurssikerralla hyvin muistiin, joten prosenttiosuuksien laskeminen ja uuden sarakkeen tuottaminen onnistui hyvin. Katsoin ensin statistics paneelista Suomen tarkan väkiluvun ja laskentatyökalulla laskin prosenttiosuudet kullekin kunnalle. Sitten koostin niistä sopivat viisi luokkaa ja sopivat värit. Halusin värien olevan selvästi toisistaan erottuvia, mutta kuitenkin samaa sävyluokkaa, jotta vaihtuvuuden luokkien välillä huomaa selkeästi.

Opin sen, että kartan ulkonäkö värimaailmasta lähtien on tärkeä asia panostaa, sillä se vaikuttaa siihen, miten karttaa tutkii. Käytin karttaa 2 (kuva 2) tehdessä paljon aikaa sen visuaaliseen ulkonäköön, jotta se olisi katsojalle mieluinen. Luin muiden kirjoittamia blogeja ja huomasin, että Tatu Jentze kertoo blogissaan (2023) linkistä informatiiviselle ArcGIS Blogin sivulle How to Make Smart Color Choices in Your Maps. Tatu huomaakin hyvin, miten tärkeää on kartan suunnitteluvaihe, jossa suunnitellaan, mitä värejä kartassa kannattaisi käyttää. Värit antavat kartan lukijalle mielikuvan sen sisällöstä ja eri värit toimivat eri kartoissa eri tavoin.

Attribuuttitaulukon katsominen ja tutkiminen on nyt paljon helpompaa. Käsitteet esimerkiksi QGIS:issä selkenivät kurssikerran jälkeen kuten sarake ja paneeli. Myös aineiston lataaminen koneelle ja QGIS ohjelmaan on nyt paremmin muistissa. Koin, että ohjelman käyttö oli paljon selkeämpää kun kartan teki toisen kerran käyttäen samaa taktiikkaa kuin tunnilla tekemässä kartassa.

Kiva jos luit <3

 

Lähteet:

Jentze T. (24.1.2023). Luento 1 – 18.1.2023. MAA-203 Tatu. https://blogs.helsinki.fi/jentze/2023/01/23/luento-1-18-1-2023/

Turunen T. (24.1.2023) 1. harjoituskerta 18.1.2023 https://blogs.helsinki.fi/ttyyne/