Viikko 1 – QGIS:n perusteita

Tästä alkaa blogin pitäminen kurssin Geoinfomatiikan menetelmät 1 parissa. Ensimmäisellä kurssikerralla opimme QGIS:n perus logiikkaa eli miten saadaan tuotua aineistoja ohjelmaan ja miten visualisoida ne niin, että lopputuloksen on toimiva kartta. Tehtävänä oli tehdä koropleettikartta Itämeren typpipäästöistä valtioiden prosentuaalisen osuuden mukaan (Kuva 1).

Ohjelmana QGIS oli minulle uusi, joten alku oli haastava, sillä erilaisia vaihtoehtoja ja toimintoja oli paljon. Onnistuin kartassa silti mielestäni hyvin seuraamalla ohjeita. Huomattavasti vaikeinta oli uuden sarakkeen teko tietokantaan sillä minulla ei ole aiempaa kokemusta attribuuttitaulukon käyttämisestä kartan tekoon. Ehkä tärkeintä, mitä kurssikerralla opin oli, että tällä määrällä dataa QGIS on hidas, joten liikkeissään kannattaa myös olla hidas ja odottaa rauhassa, että ohjelma on valmis seuraavaan toimintoon. Tallentaminen mahdollisimman usein on myös kannatettavaa.

Kuva 1. Itämeren valtioiden typpipäästönjen prosentuaaliset osuudet 2016

Valmis karttaa tulkitsemalla saa kuvan Itämeren typpipäästöjen jakautumisesta valtioittain. Kuten Iina Rusanan mainitsi merkittäviä typpipäästöjä aiheuttaa muun muassa maatalous, teollisuus, haja-asutus, metsätalous ja kalankasvatus, mutta päästöihin vaikuttaa myös ilmasta laskeutuva hajakuormitus, jota kasvattavat mm. liikenne ja maatalous kuten Riina Korhonen mainitsi.

Puola nousee selkeästi esiin kartalta suurimpana saastuttajana ja Viron fosforipäästöt taas ovat pienimmät. Saksan väkilukuun suhteutettuna alhaisia päästöjä selittävä tekijä on mahdollisesti se, että vain pieni osa Saksasta on osa Itämeren valuma-aluetta ja suurin osa Saksan typpipäästöistä päätyy lopulta muille merialueille kuten Iina Rusanen ehdottaa.

Samoin kuin Oulan Inkeröinen, Vilma Kaukavuori ja Riina Korhonen mietin, että päästöluokkien rajaus voisi olla eri. Esimerkiksi suurimman luokan vaihteluväli on 13.3 – 33.7 %, mikä ei anna tarkkaa tietoa siitä, millä tasolla Puolan typpipäästöt ovat, vaan absoluuttiset arvot voisivat olla informatiivisempiä. Askarruttamaan minua jäi myös pienin luokka 3.2 – 3.2 % varsinkin, kun seuraava luokka alkaa myös arvolla 3.2 %. Tämä johtuu varmaan osittain siitä, että alimmassa luokassa on vain Viro. Ehkä käyttämäni luokittelun sijaan, joku toinen olisi ollut toimivampi tämän aineiston esittämiseen.

Opettaja myös kehotti käyttämään pohjoisnuolta, josta löytyy jo valmiiksi N-kirjain, mutta halusin testata QGIS:n tekstin kirjoitus työkalua, joten lisäsin n kirjaimen erikseen pohjoisnuoleeni. Se myös näyttää minusta visuaalisesti paremmalta kuin valmiit vaihtoehdot eikä työkalun käytössä ei ollut mitään vaikeuksia vaan se muistutti hyvin paljon Corelin saman tyyppistä työkalua.

Halusin myös muuttaa legendan järjestyksen niin, että typpipäästöt ovat ylempänä ja syvyyskäyrät alempana, sillä se oli minusta paljon loogisempaa. Tämä tuotti ongelmia ja yritin muuttaa järjestystä, vaikka millä keinoin, kunnes lopulta tajusin, että koska ohjelma tekee legendan automaattisesti niin karttatasojen järjestystä muokkaamalla voisi ehkä vaikuttaa myös legendaan. En ole varma onko tämä ainoa tapa vai olisiko siihen ollut myös muita keinoja, mutta tämä toimi minulla.

Tällä kerralla oli tehtävänä tehdä myös toinen kartta ja valitsin vaikeustason yksi ja visualisoin jalostuksen prosentuaalisen osuuden kunnittain (Kuva 2). Kartta onnistui hyvin ja se näyttää, että teollisuuden prosentuaalinen osuus taloudesta on suurempi Länsi- ja Etelä- Suomessa ja taas vastaavasti osuus on pienempi Itä- ja Pohjois-Suomessa.

Kuva 2. Jalostuksen osuus prosentteina kunnissa

Nabila Nur on myös tehnyt kartan sanasta aiheesta ja suurin ero minkä löysin kartoista, oli juuri luokkien rajauksien erot. Me molemmat olemme jakaneet aineiston kuuteen luokkaan mutta, minulla luokka vaihtui noin kymmenen prosentin välein, mikä takia suurin luokkani on 49 – 58 %. Hänellä vastaava luokka on 33.9 – 57.9 %. Tämän takia hänen kartassaan alueelliset erot näyttävät vielä suuremmilta. Katsoin myös, että prosentin tarkkuus on tarpeeksi tarkka aineiston esittämiseen ja tekee legendasta selkeämmän.

 

Lähteet:

Rusanan, Iina. QGIS tutuksi

https://blogs.helsinki.fi/iinarusa/ (luettu 27.1.2019)

Korhonen, Riina. Kurssikerta 1

https://blogs.helsinki.fi/riinakor/ (luettu 27.1.2019)

Inkeröinen, Oula. Genesis – ensimmäinen kurssikerta

https://blogs.helsinki.fi/inkeroul/ (luettu 27.1.2019)

Kaukavuori, Vilma. Ensiaskelia geoinformatiikan menetelmäkurssilla

https://blogs.helsinki.fi/vilmakau/ (luettu 27.1.2019)

Nur, Nabila. Ensimmäinen kurssikerta

https://blogs.helsinki.fi/nabila/ (luettu 27.1.2019)