1. QGIS – painajaisten painajainen

 

”Jaahas, selvitäänköhän tästä” – oli ensimmäisen kurssikerran ajatukset tiivistettynä, kun QGIS-ohjelman syövereihin sukellettiin. Ohjelma tuntuu vaikealta ja miljoonat eri painikkeet, työkalut ja välilehdet tuntuvat pomppivan ruudulla eikä mitään kuitenkaan tapahdu. Vai tapahtuuko sittenkin?

Ensimmäisen Geoinformatiikan menetelmien tunnin tavoitteena oli tutustua QGIS-ohjelman käyttöön. Ohjelma on minulle aivan uusi, joten opettajan ohjeita piti seurata 120 prosenttisesti. Ei kun vain kädet saveen ja hommiin. Ensimmäisenä tutustuttiin Itämeren alueen typpipäästöihin ja yhteisen kliksuttelun ansiosta sainkin kuin sainkin siitä aikaiseksi kuvan 1 kartan.

Kuva 1. Ensimmäinen tehtävä: Itämeren alueen typpipäästöt valtioittain.

Ensimmäiseksi kartaksi ei hassumpi, sillä kyllähän siitä selvää saa. Parempikin se tietty voisi olla, sillä tarkasteltuani muiden blogien tuotoksia hoksasin, että esimerkiksi syvyyskäyrien merkintä ei välttämättä tuo mitään merkittävää informaatiota tutkittavaan aiheeseen. Tämän hyvän kehitysajatuksen toi esiin erityisesti Johanna Enström omassa blogissaan. Myös HELCOM-merialueiden info on jäänyt vähän kryptiseksi, sillä aineistoa tuntematon ei saa selville sitä, mitä HELCOM tarkoittaa. Lisäksi mittakaavan sekä legendan sijoittelu on vähintäänkin mielenkiintoista. Onneksi tästä on suunta vain ylöspäin!

Paitsi ettei ollutkaan. Hoksasin vasta viikkoa myöhemmin, ettei pelkkä tunnilla tehty kartta Itämeren päästöistä ollutkaan riittävä, vaan lisäksi pitäisi itsenäisesti tehdä samantyylinen teemakartta Suomesta. Koska vajaan viikon jälkeen kaikki opittu oli jo täydellisesti  pyyhkiytynyt muistista, turvauduin QGIS-raamattuuni eli Janne Turusen blogiin. Jannen pohdinnat ja selkeät etenemisvaiheet auttoivat silloin, kun tuntui siltä, ettei edes virallisia ohjeita seuraamalla saanut aikaiseksi muuta kuin turhautuneet itkupotkuraivarit. Eteenpäin kuitenkin jotenkuten päästiin, mutta koska koko aihe ja QGIS:n käyttöliittymä tuntuivat jo valmiiksi elämää suuremmilta haasteilta päätin suorilta käsin tehdä vaikeustason 1 tehtävän, jossa tehtäisiin kartta koko Suomesta. Ei kun vain aineisto auki ja hommiin.

Kuva 2. Kädet saveen – mikä ihmeen attribuutti taulukko (attribute table)?

Seuraava haaste olikin saada kuvan 2 attribute taulukon valtavasta informaation määrästä jotain konkreettista esiin. Taulukossa saatavilla oli pelkät lyhenteet eikä muuta metatietoa ollut tarjolla. Tämä hankaloitti aineiston tutkimista. Lopulta päätin lähteä tutkimaan avioerojen jakautumista Suomen sisällä, sillä sitä ei oltu lyhennetty, joten väärinymmärryksen vuoksi ei ainakaan mentäisi metsään. Seuraavana tehtävänä olisikin saada aineistot suhteutettua, sillä ilmeisesti absoluuttisia arvoja ei saa käyttää. Ihan en vielä saanut sitä langan pätkää kiinni, joka tämän selittää, mutta ehkäpä sekin lankakerä tulevaisuudessa näyttäytyy. 

Päätin tehdä teemakartan siitä, miten avioerojen lukumäärä jakautuu Suomessa. Tuhannen klikkauksen, muutoksen, yrityksen ja turhautumisen jälkeen sainkin kuin sainkin aikaiseksi jonkinlaisen kartan (kuva 3). Mutta siitä tulikin tilkkutäkki – mitä ihmettä????? Huomasin näin jälkikäteen, että Helmi Leinonen oli raportoinut blogissaan samasta ongelmasta. Itse kuitenkin luovutin asian suhteen ja yritin suosiolla toista muuttujaa.

Kuva 3. Avioerojen jakautuminen noin puolikkaassa Suomessa prosentteina.

Lähdin yrittämään uuden muuttujan kanssa. Tällä kertaa valitsin kuntien väkiluvun määrän suhteessa koko Suomen väestöön. Kartta (kuva 4) ja sen tulokset näyttävät kyllä suhteellisen oikeilta, sillä tutkittaessa korkeimpiin prosentteihin päässeitä, ei siellä näytä olevan muuta kuin Helsinki. Legendan järkevöittäminen tuntui hankalalta ja nyt näin jälkikäteen sitä tarkastellessa, ovat isot harppaukset aika hölmöjä. Toisaalta prosentit havainnollistavat sen, miten vähän asutusta muualla Suomessa on verrattuna pääkaupunkiseutuun ja muihin yksittäisiin isompiin kuntiin, kuten Ouluun, Tampereeseen, Jyväskylään ja Turkuun.

Kuva 4. Jälleen uusi yritys. Kuntien väestön määrä suhteessa koko Suomen väestöön (%).

Yritin toteuttaa kuntien sisäistä vertailua kahden ja puolen viikon ajan siinä onnistumatta. Lopputulokset ovat nähtävillä yllä olevissa kartoissa. Lopulta nöyrryin ja laitoin opettajalle viestiä siitä, että en vain hoksaa tätä yksin. Kun laskelmaa katsottiin yhdessä oli ratkaisu ilmiselvä. Olin koko ajan jakanut haluamani tason (kuten kuvan 5 kartassa eläkeikäisten osuuden) itsellään, jolloin lopputulokseksi luonnollisesti tulee käsittämättömiä lukuja. Eläkeikäisten osuus pitikin siis, tietenkin, jakaa koko Suomen väestöllä. Näin jälkikäteen ajateltuna vastaushan on ilmiselvä, mutta hermorauniona nenän edessäkään seisovaa asiaa ei enää näe. Lopulta sain tehtyä alla olevan kartan (kuva 5) hyvinkin pienellä vaivalla.

Kuva 5. Viimein valmis! Eläkeikäisten osuus kunnan väkiluvusta prosentteina.

Nyt kun ylpeänä tarkastelen valmiiksi saatua karttaa eläkeikäisten osuudesta kuntien väkiluvusta on kartalta helppo nostaa esiin erityisesti opiskelukaupungit ja niiden kehyskunnat. Tällaisia alueita ovat esimerkiksi pääkaupunkiseutu ja Uusimaa laajemmin, Tampereen alue, Jyväskylän alue, Joensuu, Seinäjoki sekä Oulun suunta. Opiskelukaupungeissa on tyypillisesti enemmän nuorempaa väestöä, sillä monet jäävät valmistuttuaan myös työskentelemään opiskelupaikkakunnalle vähintään muutamaksi vuodeksi. Vanhin väestö on keskittynyt erityisesti Itä- ja Keski-Suomeen, jotka näyttävätkin olevan muuttotappioalueita. Näillä alueilla myös työpaikkoja on vähemmän, mikä selittääkin työikäisen väestön poismuuton.

Tarkastellessani tekemiäni karttoja näin jälkikäteen on helppo huomata, että niitä on tehty eri aikaan ja pitkien taukojen kera. Joissain on kehys, toisissa ei. Myös näkemykseni esimerkiksi mittakaavan pituudesta ja legendan sijainnista vaihtelevat. Sanoisin, että viimeisin lopputulos (kuva 5) on kaikkein selkein. Mitkään sivuelementit eivät ota suurinta roolia ja värit ovat selkeät. On hienoa huomata, miten olen oppinut ja kehittynyt kartan tekijänä jo muutaman harjoituksen jälkeen. Tulevaisuudessa osaan ainakin muodostaa QGIS:ssä olevista tuhansista tasoista suhteellisen siistin ja järkevän kartan. Siitä, jos mistä on tullut harjoitusta! Ja ehkäpä nyt saatuani oikeanlaisen kartan onnistuneesti tehtyä uskallan viimeinkin mennä nukkumaan ilman pelkoa siitä, että QGIS tulee yöllä ikävälle vierailulle.
Koskaan ei silti voi olla varma…

 

Lähteet:

Enström, Johanna (23.1.2022). (Toinen) Ensimmäinen kurssikerta. Johannan Geoinformatiikan menetelmien blogi. Saatavilla: https://blogs.helsinki.fi/joen/. Viitattu 2.3.2022.

Leinonen, Helmi (22.1.2022) GIM1: Round 2. Helmin mantsablogi. Saatavilla: https://blogs.helsinki.fi/lehelmi/. Viitattu 2.3.2022.

Turunen, Janne (20.1.2022). Kunnat2015 – eli kuinka opin jo lähes vihaamaan QGIS:iä. Geoinformatiikan mystiset menetelmät – blogi. Saatavilla: https://blogs.helsinki.fi/janneturunen/. Viitattu 2.3.2022.

Vastaa

Sähköpostiosoitettasi ei julkaista. Pakolliset kentät on merkitty *