Heta VS GIS

“Aika on mennyt niin nopeasti. On kuitenkin huojentavaa, että kurssi on kohta ohi. Työtä on nimittäin ollut paljon, eikä tehtävien teko ole todellakaan ollut helppoa.” Elida Peuhu 2022

Kurssin viimeinen viikko venähti pitkäksi, mutta tuotti lopulta hyvän lopputuloksen. Viimeisen harjoituksen tarkoituksena oli koota yhteen koko kurssin aikana opittuja asioita ja muodostaa vapaasti näiden pohjalta karttaesitys. Täysin vapaiden käsien antaminen oman karttaesityksen luomiseksi antoi paljon mahdollisuuksia, mutta tuotti myös harmaita hiuksia. Itselleni oli äärimmäisen vaikeaa päättää tarkkaa näkökulmaa esitettäväksi. Suurimmaksi haasteeksi muodostui siis punaisen langan löytäminen eikä niinkään karttaesityksen visualisointi.

Aluksi täytyi pohtia aluerajaus omaan karttatulkintaansa. Päädyin jo aika alkuvaiheessa rajaamaan aika pienen alueen, Helsingin kaupungin. Pieni ja itselleni tuttu alue toimi mielestäni hyvin ja lisäsi tarttumapintaa omaan analyysiin. Lopulliseen karttaani latasin aineistot Helsingin kaupungin karttapalvelusta. Latasin sivulta aineistot kaupunginosien rajauksista sekä metsäalueista. Hyödynsin myös kurssin harjoituksessa aiemmin käytettyä aineistoa pääkaupunkiseudun väestöstä. Taustakarttana hyödynsin ESRI:n omaa karttapohjaa.

Tavoitteenani oli tarkastella Helsingin asuinalueiden ja metsäalueiden välistä suhdetta sekä metsien saavutettavuutta. Päädyin toteuttamaan kartan siten, että laskin kaikille kaupunginosille metsäindeksin, jolla kuvaan alle 500 metrin päässä metsäalueista asuvien asukkaiden suhdetta kokonaisväestöön alueella. Indeksin laskin siten, että tein ensin buffer-analyysin, jossa loin 500 metrin etäisyydellä vyöhykkeet metsien ympärille. Buffereiden avulla loin erillisen karttatason, jossa näkyivät metsäalueiden läheisyydessä asuvat asukkaat. Tämän jälkeen yhdistin vielä sijainnin perusteella yhdelle tasolle kaupunginosat sekä erillisinä koko väestön ja metsien läheisyydessä asuvan väestön. Saatuani asukkaiden summat samaan attribuuttitaulukkoon, pystyin laskemaan metsäindeksin yksinkertaisen jakolaskun avulla. Tulokset visualisoin koropleettikarttana.

Kartalta voidaan nähdä, että metsien saavutettavuus suhteessa asukkaisiin on suhteellisen hyvä. Kartalta erottuu lähinnä ydinkeskustan alue, josta pääsy metsään on kaikilla asukkailla yli 500 metriä. Parhaiten edukseen erottuu puolestaan Laajasalon laaja alue, jossa kaikilla asukkailla metsään on matkaa alle 500 metriä.

Olen lopputulokseeni tyytyväinen ja erityisen iloinen siitä, että onnistuin löytämään selkeän aiheen josta toteuttaa karttani. Visuaalinen ilme kartoissani vaatii varmasti vielä viilausta, mutta mielestäni tuottamani esitykset ovat selkeitä ja helposti luettavissa. Aleta kirjoitti blogissaan hyvin siitä, miten itsenäisen tehtävän suorittaminen toi onnistumisenkokemuksia ja iloa. Haastavan kurssin päätteeksi on helpottavaa huomata, että oppi on kertynyt matkan varrella. Oma intoni geoinformatiikkaa kohtaan ei ole kurssin aikana laantunut, vaikka tietämykseni on syventynyt aiheesta siinäkin määrin, että olen huomannut myös omien kykyjeni rajallisuuden ja asiaan kuuluvat haasteet. Olen kuitenkin valmis haastamaan itseäni myös jatkossa ja kehittämään taitojani kohti gis-velhoutta!

“Itsenäistehtävä vahvisti uskoa omaan osaamiseen, ja oli ilahduttavaa huomata, että kurssilta todella oli jäänyt jotain käteen. Mielipiteeni geoinformatiikasta ei ollut vielä edellisten kurssien pohjalta ehtinyt kunnolla muotoutua, mutta nyt voin varmuudella sanoa, että haluan syventää osaamistani vielä lisää.” Aleta Friman 2022

 

Lähteet:

Friman A. (2022). Aletan GIS-blogi (luettu 16.3.2022)

Helsingin karttapalvelu (vierailtu 16.3.2022)

Peuhu E. (2022). Geoinformatiikan menetelmät (luettu 16.3.2022)

Kurssin lähestyessä loppuaan pääsimme harjoituskerralla virkistäytymään ulkona ja keräämään pisteaineistoa kampuksen läheisyydestä. Kauniina talvipäivänä ulkoilu teki hyvää ja oli inspiroivaa kerätä pisteitä, joita pääsi itse pyörittelemään QGis:illä. Kerätyn pisteaineiston pohjalta tarkastelimme Kumpulan alueen turvallisuutta. Teimme aineiston pohjalta interpoloinnin ja visualisoimme näin turvallisempana koettujen alueiden sijoittumista.

On mielenkiintoista pohtia kerätyn aineiston objektiivisuutta ja luotettavuutta. Kohteiden turvallisuuden sekä viihtyisyyden kokemukseen vaikuttaa valtavasti subjektiivinen kokemuspohja sekä ulkopuoliset tekijät, kuten sääolosuhteet. Meidän ryhmämme pääsi toteuttamaan aineiston keruun mitä kauneimpana aurinkoisena talvipäivänä, kun taas edellinen ryhmä oli joutunut tarpomaan ulkona lumimyräkässä. Kerätty aineisto oli myös kohtuullisen suppea ja sisälsi paljon katvealueita. Ali kirjoittaa blogissaan hyvin aineiston keruun haasteista.

“Kohteiden kerääminen osoittautui haastavaksi, sillä Kumpulan kampuksen lähellä on varsin vähän selkeästi rajattavissa olevia kohteita, jotka ovat yksittäistä penkkiä tai bussipysäkkiä merkittävämpiä. Lisäksi kohteiden viihtyisyyttä ja houkuttelevuutta oli hankalaa arvioida objektiivisesti sääolosuhteiden takia.” Ali Ylikoski 2022

Ulkoilun lisäksi viikon aihe tuntui virkistävältä edellisten viikkojen haasteiden jälkeen. Interpolointi on käsitteenä itselleni tuttu ja aineistojen pyörittely tuntui hyvin helposti lähestyttävältä. Itsenäistehtävänä oli tarkoitus tuottaa 3 karttaa, joissa esitetään eri hasardeja maailmankartalla. Leikittelin interpoloinnilla ja erilaisilla visualisoinneilla sekä tein muutaman yksinkertaisen pistekartan, joiden avulla voi tarkastella hasardien spatiaalista jakautumista suhteessa litosfäärilaattojen rajoihin.

Ensimmäisenä tein kartan, jossa voi vertailla raportoitujen maanjäristyksien voimakkuutta. Karttaa tarkastelemalla huomaa, että aineiston perusteella voimakkaita yli 6 magnitudin maanjäristyksiä esiintyy laajemmin, kuin 3-6 magnitudin maanjäristyksiä. Tulos hämmentää, koska maanjäristyksien yleisyys vähenee voimakkuuden kasvaessa. Pohdin, johtuuko ero aineiston virheellisyydestä vai siitä, kuinka aktiivisesti heikompia maanjäristyksiä on raportoitu suhteessa voimakkaisiin ja siten merkittäviin maanjäristyksiin.

Toisessa kartassa testaan luovuuteni rajoja tiedon visualisoinnissa. Tein interpoloimalla rasteripinnan, joka kuvaa yli 6 magnitudin maanjäristyksien voimakkuutta. QGis tarjoaa monipuoliset mahdollisuudet aineiston visualisointiin ja halusin kokeilla leikitellen erilaista lähestymistapaa. Kartta, jonka nimesin keijukartaksi on mielestäni todella söpö, mutta hyvin vaikeasti tulkittavissa. Legendassa esitetyt värisävyt eivät vastaa lainkaan kartalla näkyviä sävyjä ja karttaa tarkastelemalla on muutenkin hankala hahmottaa, mitä ilmiötä sillä olisi tarkoitus kuvata.

Tässä karttaesityksessä olen lisännyt pisteaineistona kartalle sekä raportoidut voimakkaat maanjäristykset että tulivuoret. Lisäksi kartalta löytyy litosfäärilaattojen rajat. Karttaa tarkastelemalla huomaa, miten sekä tulivuoret, että maanjäristykset klusteroituvat selkeästi litosfäärilaattojen rajavyöhykkeille ja etenkin laattojen törmäyskohtiin. Kartalla voi myös erottaa Tyynenmeren tulirenkaan eli Tyyntä valtamerta ympäröivän vyöhykkeen, johon liittyy suurin osa maapallon seismisestä ja vulkaanisesta aktiivisuudesta.

Viimeisellä kartalla tarkastelen tsunamien esiintymistä. Toin tsunamit pisteaineistona pohjakartalle ja suoritin sen perusteella heatmap-toiminnon. Toiminto loi uuden rasteripinnan tsunamien mukaisesti. Tämän kartan visualisoinaissa en keskittynyt leikittelyyn vaan pyrin luomaan informatiivisen lopputuloksen. Kartasta näkyy selkeästi miten tsunamituhot keskittyvät Kaakkoi-Aasian alueelle Tyynelle valtamerelle.

 

Lähteet:

Ylikoski A. (2022). Alin geoinformatiikkablogi (luettu 24.2.2022)

Kurssin 5. viikko oli yhteisöllinen kokemus. Harjoituskerralla harjoittelimme ohjatusti buffer-analyysien tekemistä aineistoon. Ketjutetut analyysit vaativat hieman pähkäilyä, mutta tuntui todella palkitsevalta saada tehtäviä suoritettua. Ensin harjoittelimme buffereita edellisellä kerralla digitoiduille aineistoille Pornaisten keskustasta. Analyyseissä tarkastelimme eri ikäluokkien sijoittumista teiden sekä palveluiden läheisyyteen.

Alkuharjoituksen jälkeen siirryimme tutkimaan pääkaupunkiseudun lentokenttien meluvyöhykkeiden vaikutusaluetta suhteessa ympärillä asuviin asukkaisiin. Loimme erikokoisia buffer-vyöhykkeitä sekä Malmin että Helsinki-Vantaan lentokenttien ympärille ja tarkastelimme vyöhykkeissä asuvien ihmisten määrää. Asukkaiden määrää tarkasteltiin myös meluvyöhykkeiden kautta päällekkäin ja pääsimme näin toteuttamaan myös intersection-analyysejä.

Analyysien ja datan pyörittelyssä huomasi, miten pienillä muutoksilla oli suuri merkitys tulosten kannalta. Varsinkin lentokenttätehtävän viimeisessä osassa, jossa oli tarkoituksena luoda meluvyöhyke hypoteettisen laskeutumisvyöhykkeen ympärille, huomasi suuria eroja tulosten välillä. Eroja synnyttivät muun muassa kiitoratojen piirtäminen polygoneina verrattuna viivoihin sekä apuviivan erityyppiset asettelut.

Itsenäisten tehtävien parissa päästiin kunnolla testaamaan kurssilaisten kärsivällisyyttä. Oli mielestäni tehokasta, että tehtävien ohjeistukset olivat hyvin riisuttuja ja tarvittavia toimintoja tuli pohdiskella itsenäisesti. En kuitenkaan olisi selvinnyt tehtävistä ilman kurssikavereitani. GIS-luokassa oli kova kohina käynnissä ja saimme onneksi yhdessä tehtävät tehtyä. Siiri auttoi minua tehtävien kanssa paljon ja kirjoittaa aiheesta blogissaan näin.

“Nyt on takana 9 tuntia ruudun ääressä. En jaksanut tehdä enempää tehtäviä. Mulla tuli kiintiö aivan täyteen. Olen pahoillani kaikkien kurssikertalaisten puolesta!” Siiri Kokkonen 2022

Tehtävistä etenkin viimeinen eli tehtävä, jossa tarkasteltiin putkiremontteja Helsingissä, tuotti hankaluuksia. QGis:in “Join attributes by location (summary)”-työkalu tuntui vaikeaselkoiselta ja hankalalta hahmottaa. Kuitenkin yhteistyöllä tehtävä alkoi hahmottua. Saatuani omat tehtäväni tehtyä pääsin myös auttamaan muita tehtävän parissa ja toistojen kautta toiminnot selkenivät entisestään.

Tällä harjoitusviikolla opin erityisesti kärsivällisyyttä ja yhteistyön merkityksellisyyttä. Myös datan käsittely ja analyysit alkoivat jälleen hahmottua paremmin. Toistot, tauot ja sinnikkyys nousivat viikolla tärkeään arvoon.

 

Lähteet:

Kokkonen S. (2022).  leipä – 🙂 (luettu 24.2.2022)

Keskiviikkoaamuna pääsimme jälleen syvään päätyyn paikkatietoaineistojen kanssa. Edellisillä kurssikerroilla olemme keskittyneet vektorimuotoisiin aineistoihin ja nyt pääsimme tarttumaan myös rasterimuotoiseen paikkatietoon. Ennen rasterimuotoon perehtymistä syvennyimme vielä pisteaineistoihin ja harjoittelimme ruutuaineiston tuottamista. Katri kirjoittaa blogissaan hyvin pisteaineistojen hyödyistä.

“Pisteaineistot ovat kaikista tarkimpia aineistoja ja ne ovat datamäärän kannalta taloudellisia, koska ne ovat pieniä ja yksinkertaisia kohteita ja tarvitsevat vain yhdet koordinaatit, mutta niihin voi tallentaa paljon tietoa. Pisteaineistot soveltuvat hyvin pistemäisten kohteiden kuten rakennusten kuvaamiseen. Esimerkiksi laserkeilauksella tuotetut rinnevarjostusmallit ovat pisteaineistoja.  Laserkeilauksella voidaan löytää kohteita, joita on hankala havaita ilmakuvista tai maanpinnalta ihmisen näkökulmasta esimerkiksi metsän peitossa olevia rakennuksia.” Katri Hämäläinen 2022

 

Ruutuaineiston tuottaminen tuntui palkitsevalta. Ohjattuna prosessi tuntui selkeältä ja oman työnsä jäljen näki heti edessään. Tekemälläni kartalla esitän muun kielisten asukkaiden osuutta pääkaupunkiseudulla. Neliökilometrin kokoisessa ruudukossa näkyy muutamia klustereita, joihin on keskittynyt suuri osuus muun kielisiä. Ruutumuoto sopii mielestäni hyvin tämän tyyppisen tiedon kuvaamiseen, koska se on selkeä tapa kuvata ilmiön spatiaalista jakautumista. Ruutujen koon valinnalla kartan tuottaja voi hallita ilmiön visualisoinnin yleistystasoa.

Rasteriaineistoihin tutustuimme Pornaisten alueella. Kokosimme QGis-projektiin rasterimuotoisen pohjakartan sekä neljään osaan jaetun vinovalovarjosteen. Tässä kohtaa onhyvä muistaa karttaohjelmassa käytettyjen koordinaattien merkityksen. Rasterimuodossa tuodut aineistot eivät nimittäin automaattisesti löytäneet oikealle paikalleen, vaan tarvitsivat manuaalista ohjausta. Aineistojen löydettyä paikkansa, ne yhdistettiin ja siirryttiin tuottamaan uusia tasoja. Vinovalovarjosteen avulla loimme kartalle vektorimuotoiset korkeuskäyrät ja saimme näin korostettua karttalehden korkeussuhteita.

Korkeussuhteiden tarkastelun jälkeen pääsimme valmistelemaan aineistoa seuraavan viikon harjoitusta varten. Tarkoituksena oli luoda viiva-aineisto Pornnaisten keskustan alueen tieverkosta ja pisteaineisto keskustan asuinrakennuksista. Rakastan digitointia, joten olin innoissani mahdollisuudesta kliksutella pitkästä aikaa. Digitointi rentoutti mieltä ja vähensi kurssiin liittyvää ahdistusta. Tuntui hyvältä saada tuotettua itse valmiiksi aineisto, jota pääsisi hyödyntämään tulevissa analyyseissä.

 

Lähteet:

Hämäläinen K. (2022). GIS-velhoksi – Tarinoita geoinformatiikan opiskelusta (luettu 23.2.2022)

Kolmannella harjoituskerralla syvennyimme attribuuttitauluun ja sen sisältämään informaatioon. Käsittelimme erityisesti tietojen yhdistämistä ja tallentamista järkevästi niputettuna. Attribuutti- eli ominaisuustietotaulu vaikuttaa ensisilmäyksellä pelottavalta datahirviöltä, mutta hetken tarkasteltuaan se selkenee merkittävästi. Tietojen yhdistäminen  ja niputtaminen onnistuvat näennäisen helposti karttaohjelmalla. Opastusta seuraamalla onnistuin tuottamaan harjoituskerralla kartan Afrikan mantereella raportoiduista konflikteista, timanttikaivoksista sekä öljyntuotantoalueista.

Kartalta voi tulkita öljyntuotannon ja timanttikaivosten yhteyttä konflikteihin. Nopealla tarkastelulla näyttää, että kaikki tarkastellut muuttujat klusteroituvat kartalla tietyille alueille. Lotta Sainio pohtii blogissaan hyvin kartan tulkintaa.

“On kuitenkin hyvä muistaa karttaa tulkittaessa, että asioiden välillä ei silti välttämättä ole suoraa yhteyttä. Konflikteihin voi vaikuttaa moni muukin asia kuin haluttujen luonnonvarojen esiintyminen, vaikka kartassa ei niitä näykkään. Kartan tulkinnassa on hyvä pitää mielessä kartan tekijän valinnat ja ottaa selvää taustatiedoista.” Lotta Sainio 2022

Itsenäisenä tehtävänä tuli tuottaa annetun aineiston perusteella kartogrammi Suomen alueen vesistöistä. Karttaan yhdistettiin taulukkotietoa sekä keskiylivirtaamasta että järvisyysprosentista. Keskiylivirtaaman avulla valuma-alueille laskettiin tulvaideksi, joka visualisoitiin koropleettikartaksi. Järvisyysprosentista tuotin histogrammit osaksi karttaesitystä. Tein lopullisesta tuotoksestani kaksi versiota. Ensimmäisessä versiossa jätin kartalle näkyviin kaikki vesistöt, jotta tarkasteltavia muuttujia voidaan vertailla ympäröivään vesistöön. Toisessa versiossa jätin vesistöt pois, jotta tarkasteltavat muuttujat tulevat selkeämmin esiin ja näin kartta on merkittävästi helppolukuisempi.

Kartta esittää Suomen alueen valuma-alueiden tulvaindeksiä ja järvisyysprosenttia. Koropleettikarttana visualisoitu tulvaindeksi kertoo valuma-alueen tulvaherkkyydestä. Kartalta näkee, että tulvaindeksi on erityisen korkea rannikkoalueilla ja, että Pohjois-Suomi on Etelä-Suomea herkempi tulvimiselle. Eroa selittää esimerkiksi lumen määrä ja sen sulamiseen liittyvät kevättulvat. Järvisyysprosentti on merkittävästi suurempi sisämaassa ja Itä-Suomessa. Kartalta voidaan tulkita, että korkea järvisyysprosentti madaltaa tulvaindeksiä alueellisesti.

Nea Tiainen kiteyttää blogissaan hyvin Suomen Ympäristökeskuksen tietoja tulvariskiarviosta.  Suomen tulvariski on toistaiseksi kohtalaisen alhainen, mutta ilmastonmuutos tulee oletettavasti vaikuttamaan siihen negatiivisesti erityisesti rannikkoalueilla.

“Neljä vuotta vanhan Suomen Ympäristökeskuksen tulvariskiarvion mukaan moniin muihin maihin nähden Suomen tulvariskit ovat vähäisiä useiden virtaamia tasaavien järvien ja hyvän tulvariskien hallinnan ansiosta. Kuitenkin väestömuutokset ja talouskasvu lisäävät tulville altistumista ja haavoittuvuutta monilla alueilla. Pitkällä aikavälillä ilmastonmuutoksen ennustetaan kasvattavan tulvariskiä erityisesti merenrannikolla. Arvioiden perusteella Suomen tulvariskit kaksin- tai kolminkertaistuvat vuoteen 2100 mennessä. (Suomen Ympäristökeskus, 2018).”  Nea Tiainen 2022

 

Lähteet:

Sainio L. (2022). Mantsailua – Lotta Sainio (luettu 4.2.2022)

Suomen Ympäristökeskus (2018), Suomen tulvariskien ennakoidaan kasvavan tulevaisuudessa, SYKE.fi, (luettu 4.2.2022)

Tiainen N. (2022) Melkein gis-guru siis itsekkin (luettu 4.2.2022)

 

Kurssin toisella harjoituskerralla jatkoimme QGis:in parissa ja perehdyimme erityisesti karttaprojektioihin. Eeva Raki kirjoittaa blogissaan hyvin karttaprojektioiden tarpeellisuudesta. Maapallo on muodoltaa navoiltaa litistynyt geoidi, joten sen pintaa on mahdoton mallintaa tasolla virheettömästi. Erilaisten karttaprojektioiden avulla voidaan mallintaa maan pintaa halutulla tarkkuudella eri tarkoituksiin. Viikon harjoituksena vertailimme erilaisten karttaprojektioiden tuottamia pinta-alaeroja QGis:in avulla.

Ohjattuna karttojen pyörittely harjoituskerralla oli vaivatonta ja tuntui selkeältä. Kotona karttaohjelman pyörittely tuotti kuitenkin hankaluuksia. Kaikki yksinkertaiselta tuntuneet työvaiheet tuntuivat unohtuneen ja edessäni oli QGis, joka ei tuntunut antavan periksi haluamallani tavalla.

Onneksi kurssi tarjoaa mahdollisuuden yhteistyöhön ja pääsin pähkäilemään karttojen tuottamista muiden kurssilaisten kanssa. Erityisesti Tiitu auttoi minua hahmottamaan tarvittavat komennot ja sain tuotettua vielä kaksi pinta-aloja vertailevaa karttaa. Vertailin kartoissani TM35FIN projektioon sekä Winkel1-projektiota että Bonnen projektiota.

Kurssin toisella viikolla opin erityisesti käytännön asioita projektioista ja karttaohjeman pyörittelystä. Lisäksi opin yhteistyön tärkeydestä. On hyvä, että harjoituskerralla tehtyjä tehtäviä tulee toistaa kotona, niin asioita tulee kerrattua ja ne jäävät paremmin mieleen. Yksinkertaiset komennot voivat muuttua matkalla taistoksi, mutta niistäkin selviää apua pyytämällä.

 

Lähteet:

Liljeroos T. (2022) Tiitun Gisreissu (luettu 4.2.2022)

Raki E. (2022). Oppimassa geoinformatiikkaa (luettu 4.2.2022)

Geoinformatiikan menetelmät 1 -kurssi aloitettiin reippaasti ja ensimmäisellä kurssikerralla pääsimme jo tuottamaan omat koropleettikarttamme QGis-ohjelmalla. QGis on itselleni vielä kovin tuntematon, mutta onneksi tutustuminen aloitettiin ohjatusti askel kerrallaan. Alla näkyy kurssikerran aikana laatimani koropleettikartta, jonka lopputulemaan olen aika tyytyväinen. Kartalla on esitetty HELCOM-alueen typpipäästöjen määrää valtioittain. Mielestäni onnistuin kurssikerran rajoissa tuottamaan selkeän ja informatiivisen karttaesityksen. Toki esimerkiksi värisävyjen esteettisyyttä voisi tarkastella vielä uudelleen, mutta mielestäni valitsemani värit palvelevat hyvin tarkoitustaan tässä kartassa.

 

 

Kurssin ensimmäisenä tehtävänä tuli tuottaa annetun kunta-aineiston perusteella koropleettikartta. Kartalla esitettävän muuttujan sai valita itse. Tutkin annetun aineiston attribuuttitaulua ja päädyin visualisoimaan kuntien väestöntiheyttä. Mielestäni tämän muuttujan avulla voidaan tarkastella selkeästi Suomen väestöä ja sen sijoittumista. Yksinkertaisen karttaesityksen luomisessa pääsin hyvin kertaamaan ensimmäisellä kurssikerralla opittuja taitoja. Mielestäni lopputulema on selkeä ja informatiivinen.

Yllä näkyvässä koropleetti- eli alueluokituskartassa on visualisoitu Suomen kuntia niiden väestöntiheyden mukaan. Väestöntiheydeltään tiiviimmät alueet on visualisoitu kartalla tummemman vihreällä ja harvemmin asutut alueet vaaleammilla vihreän sävyillä. Kartalla erottaa selkeästi, miten väestö on keskittynyt Etelä-Suomeen sekä yliopistokaupunkien, kuten esimerkiksi Joensuun, Jyväskylän ja Oulun alueille.

Päädyin esittämään kunnat kartalla neljässä eri luokassa siten, että jokaiseen luokkaan kuuluu yhtä monta kuntaa. Päädyin tähän valintaan, jotta saisin kuntien väliset erot näkymään kartalla selkeämmin. Kokeilin myös jakaa luokkia ensin siten, että kaikkien luokkien suuruus olisi sama. Kuitenkin tällä tavalla lähes kaikki kunnat kuuluvat samaan luokkaan, joten kuntien välisiä eroja ei saada näkymään kartalla. Alla näkyy hahmotelma koropleettikartasta tasavälisellä luokituksella.

Väestön sijoittumista kartalla selittää nyky-yhteiskunnan kaupunkilähtöisyys. Väestö keskittyy suuriin kaupunkeihin työ- ja opiskelupaikkojen perässä. Katariina Karvinen on blogissaan kirjoittanut postauksen, jossa esittelee iäkkään eli yli 65-vuotiaan väestön osuutta kunnittain (Katariinan blogi 2022). Mielestäni on mielenkiintoista tarkastella näitä karttoja yhdessä. Kartoista näkyy selkeästi miten iäkäs väestö keskittyy erityisesti sellaisille alueille, missä väestöntiheys on alhainen. Tämä heikentää alueiden huoltosuhdetta.

Ensimmäinen viikko kurssilla loi hyvän pohjan oppimiselle. Olen motivoitunut oppimaan karttaohjelmien hallintaa paremmin, joten odotan kurssin tulevia haasteita innolla. Mielestäni ensimmäinen kurssikerta ja ensimmäinen harjoitus olivat hyviä tapoja tutustua kurssiin ja QGis-ohjelmaan. Samalla pääsimme kertaamaan paikkatiedon peruskäsitteitä. Opin ensimmäisellä viikolla erityisesti käytännön asioita liittyen QGis-ohjelmaan. Lisäksi alan hahmottamaan paremmin paikkatiedon rakennetta ja sen tilastollisia lähteitä.

 

Lähteet:

Karvinen K. (2022) Katariinan blogi (luettu 21.1.2022)

 

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