tapiomai's blog

 

Viimeinen työkerta oli koko kurssin huipennus. Saimme viimein vapaat kädet hyödyntää oppimaamme ja tehdä mitä lystää. Päätin tarkastella pitkäaikaista pienituloisuutta, äänestysaktiivisuutta sekä puolueiden suosion jakautumista. Työtäni helpotti iloinen yllätys, Tilastokeskuksen vaalikartta-aineistot.

Saman pohjakartan sekä aineistojen lähteen vuoksi samaistun monilta osin Annika Reijosen blogissaan kuvaamiin haasteisiin. Minullekin ongelmia aiheutti CSV-muotoisen aineiston tuominen QGIS:siin. Satuin myös harmissani huomaamaan kesken kaiken, että pohjakarttani ja aineistoni olivat eri vuosilta. Tarkastalin vuoden 2019 vaaleja, mutta pitkäaikaista pienituloisuutta kuvaavat aineistoni kuvasivat vuotta 2017 ja kuntakartta vuotta 2015. Itse ratkaisin homman tekemällä kaiken uusiksi, jotta kaikki aineistot olisivat samalta vuodelta. Päädyin vuoteen 2015, lähimpään vuoteen jolta kaikki tarvittava löytyi kätevästi. Lisäksi minulla toki oli riesana myös omat henkilökohtaiset klassikko-ongelmani, kuten mittakaavan ja pohjoisnuolen sijoittaminen. Kurssi on nyt ohi, enkä vieläkään tiedä, minne ne olisi paras läntätä!

Ensimmäinen kartta (kuva 1) kuvaa pitkäaikaista pienituloisuutta ja toinen (kuva 2) äänestysprosenttia.  Tuumin, että näiden asioiden väliltä voisi löytyä yhteys. Osin näyttäisikin olevan niin, että alueilla, joilla on paljon pitkäaikaista pienituloisuutta äänestysprosentti on alhainen ja toisinpäin. Poikkeuksiakin kuitenkin löytyy runsaasti. Esimerkiksi Ahvenanmaalla äänestysprosentti on hyvin pieni muuhun Suomeen verrattuna, vaikka asukkaat vaikuttavat pärjäävän taloudellisesti varsin hyvin. Savukoski taas tarttui silmiini esimerkkinä kunnasta, jossa niin äänestysaktiivisuutta kuin pitkäaikaista pienituloisuutta kuvaava prosenttiluku ovat suurimmasta päästä.

Puolueiden kannatuksen jakautuminen osoittautui haasteelliseksi visualisoida koko Suomen tasolla. Päädyin lopulta rajaamaan tarkastelun Helsingin seutuun (kuva 3  ). Tuntuu luontevalta ajatukselta, että pitkäaikainen pienituloisuus vaikuttaisi siihen, mitä puoluetta äänestää ja olisi myös ollut mielenkiintoista nähdä, millä puolueilla on aktiivisimmat äänestäjät. Esimerkiksi puoluekannan valintaan kuitenkin vaikuttavat hyvin moninaiset tekijät, joten valitsemieni muuttujien ja esitystavan perusteella ei yksinään voi vetää juurikaan selkeitä johtopäätöksiä. Olen hiukan harmissani, etten löytänyt yksienkään muuttujien väliltä selkeää yhteyttä, mutta toisaalta havainto se oli tämäkin.

Tein lukuisia villejä kokeiluja yrittäessäni saada pienituloisuuden ja äänestysprosentin näkymään kartalla yhtä aikaa. Nuo kokeilut eivät olisi kelvanneet kuin Facebookin huonojen karttojen terapiaryhmään. Positiivista kuitenkin oli, että tulin samalla tutustuneeksi sellaisiin visualisoinnin työkaluihin, joita en muuten kurssin puitteissa olisi löytänyt, kuten erilaisiin pisteisiin ja viivoituksiin. Vaikka ne eivät osoittautuneet erityisen käteviksi juuri tässä yhteydessä, on käyttökokemuksesta varmasti hyötyä joskus myöhemmin. Viimeisen kerran puitteissa tuli siis paitsi kerrattua paljon vanhaa, myös opittua uutta!

 

Kiitokset kurssista!

 

Lähteet:

Tilastokeskus: StatFin-tietokanta ja WFS-latauspalvelu.

Annika Reijonen: viimeinen kurssikerta, viitattu 26.3.2020

Kuudennella kurssikerralla pääsimme heti aamusta virkistävälle kävelylle. Panokseni tosin jäi melko vähäiseksi kännykän protestoitua säätä sammumalla, mutta perusidea tuli tutuksi. Muun ryhmän keräämän pisteaineiston interpolointi onnistui muutamien vaikeuksien jälkeen.

Kurssikerran itsenäistehtävän aiheena on hasardit ja niiden maantieteellinen esiintyminen. Tehtävän tavoitteena on tuottaa sellaisia karttoja, joita voisi hyödyntää kouluopetuksessa. En aio itse opettajaksi, mutta oli silti mukavaa, että kartat tuli tässä tehtävässä suunnitella jotain tiettyä selkeää käyttötarkoitusta ja kohderyhmää varten. Väsättyäni viisi karttaa luin ohjeen huolellisemmin ja tajusin, että vähempikin olisi riittänyt. Tuntuu hassulta jättää aikaansaannokset  julkaisematta, kun nyt kerta näin niihin aikaa ja vaivaa, mutta enempi ei aina ole parempi. Jätin siis heikoimmat kartat pois.

Päätin esittää viimeisen 30 päivän aikana tapahtuneet maanjäristykset maailmankartalla (kuva 1). Valitsemani aineisto ei toki enää kuvasta viimeistä 30 päivää, mutta perusperiaate varmaan tulee selväksi. Valinta voi ehkä olla vähän tylsä, mutta mikäli nyt eläydyn opettajan rooliin hetkeksi, tuntui ajankohtaisen yleiskatsauksen esittely parhaalta vaihtoehdolta. Kuten myös Juho Leskinen, näkisin minäkin kartan esittelyn tilaisuutena keskustella hetken litosfäärilaatoista ja niiden reuna-alueista. Omassa kartassani järistyksiä on vähemmän kuin esimerkiksi Leskisen kartassa, joten litosfäärilaattojen reunojen sijainnit eivät ehkä ole niin helposti pääteltävissä. Siispä oikean vastauksen tultua ilmi kaivankin esiin ulkopuolisen tahon tekemän litosfäärilaattoja kuvaavan kartan (esim. http://www.geologia.fi/wp-content/uploads/2018/05/mannerlaatat_kutvonen.jpg. Kutvonen, GTK).

Maanjäristyskartasta näkyy, että etenkin Indonesiassa on ollut runsaasti yli 4,5 magnitudin maanjäristyksiä, joten se on sopiva kohde lähempään tarkasteluun (kuva 2). Halutessani voisin vaikka kerrata tulivuorten syntyä ja toimintaa.

Meteoriittien putoamispaikkoja kuvaava kartta (kuva 3) on rajattu kuvaamaan Pohjois-Amerikkaa. Ero Kanadan ja Yhdysvaltojen löytöjen määrissä on selkeä ja voisinkin pistää oppilaani pohtimaan syitä tälle.

Tein kartat viikkoja ennen blogitekstin kirjoittamista. Ajattelin siis, että esimerkiksi maanjäristyskartassa (kuva 1) olevat hyvin pienet, huonosti erottuvat pisteet eivät haittaa, koska luokassa näyttäisin kartat älytaululta tai valkokankaalta suuressa koossa. Nyt kun lähiopetus on poikkeustilanteen takia karsittu minimiin, mietin olisiko sittenkin ollut järkevämpää tehdä kartat lähtökohtaisesti miellyttäviksi lukea myös sylikoneen tai mobiililaitteen näytöltä. Tämä voisi olla parempi valinta paitsi historiallisen pandemian iskiessä myös ihan normaalitilanteessa, jos se älytaulu ei vaikka toimi tai haluaisin antaa karttaan liittyvän pohdiskelutehtävän kotitehtäväksi.

 

Lähteet:

Harri Kutvonen, GTK

Juho Leskinen: Ei elämästä selviä hengissä, viitattu 20.3.2020

 

Viides kurssikerta oli karu paluu maan päälle ruutukarttojen herättämän varovaisen toiveikkuuden jälkeen. Päiväkin lähti käyntiin väärällä jalalla: tiet olivat täynnä loskaa, tee liian kitkerää ja tietokone kiukutteli heti aamusta. Vaikka tie gis-velhoksi on välillä kovin kuoppainen, selviämme siitä kuin suurten tarinoiden sankarit: toveriemme tuella ja silkalla jääräpäisyydellä.

Teistä puheenollen, ryhdyimme tarkastelemaan viime kerralla luotua aineistoa. Laskimme teiden pituudet, peltojen pinta-alat sekä opettelimme bufferoinnin perusperiaatteita. Bufferointi tarkoittaa tietyn kokoista aluetta tai vyöhykettä, joka luodaan jonkin kohteen ympärille. Mieleeni jäi lukion historiantunneilta, että bufferointia voidaan hyödyntää arvioidessa eri pommien kykyä aiheuttaa laaja-alaista tuhoa. Sitä voisi hyödyntää myös esimerkiksi jokiympäristöjen suojelussa, kuten Siiri Nyman ehdotti.

Omatoimisia tehtäviä tehdessä kaikenlaisia isoja ja pieniä ongelmia ilmeni pitkin matkaa. Esimerkiksi taajamassa asuvien koululaisten määrää selvitettäessä QGIS ryhtyi kiukuttelemaan. Kun yritin saada tiedot näkyviin, sainkin vain ilmoituksen tehtävän epäonnistumisesta. Siinä vaiheessa kurssitoveri sitten ystävällisesti ilmoitti, että tehtävään olisi pitänyt käyttää koko pääkaupunkiseutua koskevaa aineistoa, eikä vain Vantaata kuten edellisessä tehtävässä. Ei kun alusta. Oikealla aineistolla yrittäessä homma toimikin sitten paljon paremmin. Kutakuinkin tässä vaiheessa tulin sitten sotkeneeksi Exceliin luomani hauraan järjestyksen, koska en enää muistanut mitkä sinne kirjoittelemani tiedot olivat Vantaan ja mitkä koko pääkaupunkiseudun. Jos taulukosta siis löytyy jotain kummallista, voi virhe hyvinkin olla perua Excel-hämmennyksestä.

Ulkomaalaisten osuuksia koskevassa tehtävässä puolestaan halusin olla vähän erilainen ja tulkita tehtävänannossa mainittujen alueiden tarkoittavan asuinalueita. Päätin kokeilla Afrikka-työkerran Dissolve-toimintoa yhdistääkseni eri taajamien tiedot toisiinsa asuinalueittain. Kuten arvata saattaa, tämä lennokas idea epäonnistui heti alkuunsa, joten palasin nöyränä takaisin kuolevaisten joukkoon ja käytin ihan vaan niitä taajamia. Tai ainakin yritin. En tiennyt, mitä pitää tehdä, joten kokeilin muutamaa eri tapaa summamutikassa vailla kummoisia tuloksia. Saatuani apua käytin Join attributes by location (summary) -työkalua. Aiemmissa yrityksissä olin käyttänyt Join attributes by location -työkalua ja sen takia en saanut hommaa toimimaan. Olin myös tehnyt erheen siinä, että laskin ulkomaalaisten prosenttiosuudet ennen attribuuttitietojen yhdistämistä, jolloin arvot tietenkin muuttuivat täysin hyödyttömiksi heti seuraavassa työvaiheessa. Kun sitten lopulta kaiken hampaiden kiristelyn ja ystävien konsultoinnin jälkeen hoksasin homman juonen, oli onnistumisen riemu valtava.

Ymmärrän matematiikkaa ainakin vähän, joten prosenttilaskut sun muut kyllä onnistuvat, mutta kaiken tietokoneisiin liittyvän kanssa olen auttamattoman surkea. Useimmiten siis hahmotan, millaisten prosessien läpi tiedot pitäisi tunkea, jotta haluttuun lopputulokseen päästäisiin, mutta en kuollaksenikaan muista millä työkalulla tehdään mitäkin saati osaa käyttää niitä. Parhaiten QGIS:issä pyörittelenkin Statistics-palkkia ja laskinta. Myös bufferointi sekä visuaalisen ilmeen säätely sujuvat ihan siedettävästi, kiitos lukuisten toistojen.

Kaikista epätoivon hetkistä huolimatta kurssikerta siihen liittyvine itsenäistehtävineen opetti paljon ja tarjosi myös onnistumisen hetkiä. Uusien hyvien ja huonojen kokemusten karaistamana suuntaan päättäväisin mielin kohti tulevaa ja kaukana häämöttävää gis-velhon uljasta titteliä.

 

Lähteet:

Siiri Nyman: Viides kurssikerta, viitattu 21.2.2020

Neljännellä kurssikerralla pyrin oppimaan menneisyyteni virheistä. Sain keskityttyä teoriaosion aikana paremmin, koska tein samalla muistiinpanoja. Paikkasin aiempien kertojen erheitä myös jäämällä heti työkerran jälkeen tekemään omalle ajalle jääneitä tehtäviä sekä suhtautumalla tallennusvaiheeseen suurella huolellisuudella.

Työkerran aluksi pääsimme virkistämään muistiamme siitä, mitä olivatkaan piste- ja ruutuaineistot. Pisteaineistot ovat kaikista tarkimpia paikkatietoaineistoja, joita käytetään tallennettaessa tietoa luontaisesti pistemäisistä kohteista, kuten rakennuksista. Toisaalta pisteaineistoihin kuuluu myös esimerkiksi laserkeila-aineistot, vaikka se ei äkkiseltään olisi itselle tullut mieleen. Ruutuaineistot puolestaan ovat käteviä silloin, kun kerätään alueellista dataa ilman valmista aluejakoa, mutta toisaalta ne tuppaavat olemaan varsin tyyristä lystiä.

Latasimme tuttuun tapaan vektoriaineistot, tällä kertaa pääkaupunkiseutua ja sen väestöä kuvaavat. Väestöä kuvaava pisteaineisto piti sisällään valtavat määrät tietoa. Siinä vaiheessa, kun löysin tietokannasta 16-vuotiaan itseni entisestä kotitalostani olin jo varsin iloinen kuullessani, ettei kaikkein uusimpia tietoja luovuteta ihan kenen vain käyttöön.

Lisäsimme neliökilometreittäin jaetun ruudukon, kevensimme pistetietokantaa laskutoimituksia varten ja laskimme mm. asukkaiden määrän yhteensä neliökilometriä kohden sekä miesten ja naisten määrät neliökilometriä kohden. Asukkaiden määrästä ruutua kohden laadittiin kartta (kuva 1) ja lisäksi saimme itse tehdä vielä toisen vapaavalintaisesta aiheesta. Itse päädyin tarkastelemaan pääkaupunkiseudun sukupuolijakaumaa testatakseni väittämää Otaniemen miesvaltaisuudesta.

Laskin miesten osuuden asukkaiden kokonaismäärästä neliökilometreittäin ja raportoin tulokset kuvan 2 kartan muodossa. Ensivilkaisu miesten osuutta kuvaavaan karttaan – vastedes “mieskarttaan” – osoitti, että erot ovat suurimmillaan pääkaupunkiseudun laitamilla. Väestökarttaa ja mieskarttaa rinnakkain tarkastellessa ero selittyy. Sukupuolijakauma näyttää kovin vinoutuneelta alueilla, joissa asukkaita on muutenkin vähän. Jos vaikka viidestä asukkaasta neljä on miehiä, vaikuttaa se mieskartalla siltä, että tuossa kohdassa olisi jokin valtava miesten keskittymä ja vastaavasti naisten kohdalla samoin.

Väestökartassa ruudut sisältänyt layer jäi meren päälle ja mieskartassa päinvastoin, minkä koin vaikeuttavan karttojen vertailua etenkin lähellä rannikkoa. En siis osannut vielä sanoa varmasti, pitikö teoria Otaniemen miesvaltaisuudesta paikkaansa vai selittäisikö harva asutustiheys senkin. Karttojen käytettävyyttä hankaloittivat myös niihin epähuomiossa valitsemani samat värisävyt.

Tein siis väestökartan uudestaan, paremmaksi, kauniimmaksi, ehommaksi (kuva 3). Sekään versio ei kuitenkaan ollut täydellinen: rajasin epähuomiossa yhden asutun saaren kokonaan pois. Eteenpäin, sanoi mummo helmikuisessa kurasäässä! Näillä mennään. Olen lopputulokseen huomattavasti tyytyväisempi kuin edelliseen versioon, ja nyt kartoista voi lukea (ainakin kun tarpeeksi läheltä katsoo), että Otaniemen asukkaista yli puolet ovat miehiä, vaikka siellä asuu reippaasti yli tuhat ihmistä. Otaniemen voi siis sanoa olevan miesvaltainen alue. Myös Emma Ward päätyi samaan lopputulokseen, vaikka menetelmämme poikkesivatkin jonkin verran toisistaan.

Työkerran lopussa siirryimme jo seuraaviin seikkailuihin. Lataamamme ja yhdistämämme korkeustietoaineistot sopisivat minkä tahansa minimalistista tyyliä edustavan trendikkään asunnon seinälle sisustustauluksi. Milloin tuo mestariteos toi mieleeni veden pinnasta heijastuvat puut, milloin taas sumua leikkaavat musteläikät! No, joka tapauksessa, tarkoitus oli harjoitella korkeuden visualisoimista erilaisin keinoin. Arvostelimme tietokoneen suoriutumista korkeuskäyrien kanssa ja huvittelin muuntamalla Pornaisista vuoriston.

Päivän meditointi- eli digitointiosuus puolestaan koetteli niskaa, rannetta ja kärsivällisyyttä. Siitäkin kuitenkin selvittiin jokseenkin kunnialla ja odotan mielenkiinnolla, mitä metkuja varten se aineisto luotiin.

 

 

Lähteet:

Emma Ward: Yllättäviä juonenkäänteitä neljännellä kerralla, viitattu 10.2.2020.

Kolmannella kurssikerralla siirryttiin suoraan toimintaan, joten allekirjoittanut ei tällä kertaa ehtinyt torkkua opetuksen aikana. Virkistävää vaihtelua tarjosi Afrikan tarkastelu Suomen sijaan. Afrikka-aineisto osoittautui hyvin yksityiskohtaiseksi. (Itse tosin pidin hauskana sitä, että esimerkiksi Gambiajokea polygonin reuna myötäili melko pitkälle sisämaahan asti, mutta sitten taas toisaalta Niilin kohdalla samaa ei oltu katsottu tarpeelliseksi.) Kartan polygonit oli lueteltu taulukossa erikseen, vaikka ne olisivat kuuluneet samaan valtioon. Irralliset polygonit siis piti yhdistää, “liimata” siten, että muun muassa Egypti olisi taulukossa yhtenäinen kokonaisuus.

Afrikan väkiluvut ja kehittyneisyyden mittareita sisältävä aineisto avattiin ensin Exceliin, sitten CVS-tiedostomuodossa Excelistä QGIS:iin muokkaamisen jälkeen. Sitä ennen aineistoa tuli kuitenkin hiukan muokata. Aineistot yhdistettiin valtioiden nimien avulla, joten ensin piti tarkistaa ja korjata manuaalisesti nimet täsmälleen samaan kirjoitusasuun kartta-aineiston nimien kanssa.

Aineisto piti sisällään esimerkiksi Internet-käyttäjien määrät sekä Afrikassa tapahtuneet aseelliset konfliktit. Konfliktien määrän sekä väestötietojen avulla voidaan esimerkiksi arvioida avuntarvitsijoiden määrää, kuten Tiina Aalto blogissaan ehdotti. Olisi myös kiinnostavaa selvittää, miten mahdollisuus netin käyttämiseen vaikuttaa konfliktien määrään, joskin siihen tutkimukseen eivät nämä muuttujat yksinään riittäisi.

Seuraavaksi palasimme Suomeen ja teimme tulvaindeksikartan (kuva 1). Laskin keskiylivirtaaman ja keskialivirtaaman välisen suhteen eli tulvaindeksin, jonka saamaa arvoa kartassa kuvaavat punaisen eri sävyt. Kuvassa olevat haaleansinertävät pylväät kuvaavat järvisyysprosenttia. Diagrammien kanssa piti tapella aikansa ja legendan kanssa suorastaan alisuoriuduin, kun halusin siinä vaiheessa iltaa vain kotiin nukkumaan. Lisäksi palkit menevät suurilta osin matalinta luokkaa korkeamman tulvaindeksin alueiden päälle, mikä tekee kartasta vaikealukuisen. Tästä syystä ihailenkin Pihla Haapalon ideaa kuvata järvisyysprosenttia erisuuruisin palloin pylväiden sijaan.

Haastavasta luettavuudestaan huolimatta kartasta voi tulkita, että vähäinen järvisyys on yhteydessä korkeampaan tulvaindeksiin ja vastaavasti suuri järvisyys pienempään tulvaindeksiin. Syynä tälle voisi olla järvien virtaamaa tasaava vaikutus.

 

Lähteet:

Pihla Haapalo: Timanttikaivoksia ja tulvaindeksejä, viitattu 5.2.2020.

Tiina Aalto: Tietokannat tutummiksi, viitattu 21.4.2020

Toinen kurssikerta lähti käyntiin rajapintoihin tutustumisen merkeissä. Haimme tarvitsemamme aineiston, tässä tapauksessa Suomen kunnat WFS- eli Web Feature Service -palvelun kautta. Ensin harjoittelimme hetken polygonien valitsemista erilaisin työkaluin. Suhtauduin tehtävään asianmukaisella vakavuudella (kuva 1).

Seuraavaksi tarkastelimme Mercator-projektion Suomen kartalle aiheuttamia pinta-alan vääristymiä. Suomi-neidon siluetin ollessa varsin tuttu näkyi vääristymä paljaalla silmälläkin. Laskimme Mercator-projektion aikaansaaman vääristymän käyttäen vertailukohtana pinta-alat todenmukaisemmin esittävää ETRS-TM35 -projektiota ja loimme havainnollistavan kartan. Aluksi yritin hienoa liukuväriä, mutta se idea meni mönkään siinä vaiheessa, kun karttaan olisi pitänyt lisätä legenda, josta tuli varsin hämmentävä ja käyttökelvoton. Päädyin siten lopulta kuvan 2 kaltaiseen koropleettikarttaan.

Monien muiden kurssitovereiden, kuten Tiina Aallon ja Paula Allisen kartoissa oli pohjana Mercator-projektio eikä ETRS-TM35 kuten minulla. Tämä ratkaisu sopii mielestäni tarkoitukseen paremmin kuin omani. Kartastani käy kuitenkin loppupeleissä ilmi olennaisin: Mercator vääristää Suomen pinta-aloja sitä enemmän, mitä pohjoisemmassa ollaan.

Kaksi viikkoa myöhemmin ryhdyin tekemään samaa hommaa uudestaan eri projektioilla, eikä siitä tietenkään tullut yhtikäs mitään. En enää muistanut enää edes sitä miten rajapintaa hyödynnettiin. Yrityksen, erehdyksen sekä ohjetiedoston epätoivoisen tihrustamisen jälkeen sain lopulta jotakin aikaiseksi. Lopputulos on kuvan 3 kammotus.

Kartan mukaan oikeakeskipituinen tasoprojektio vääristää Suomen kuntien pinta-aloja huomattavasti vähemmän kuin Mercator. En kuitenkaan ole ihan varma, kuvaako kartta todella sitä, mitä sen pitäisi.

Kertaus on opintojen äiti, mutta tällä kertaa toistoja tuli niin tolkuton määrä, etten enää muista, mitkä yrittämistäni asioista lopulta toimivat. Jos nyt pitäisi tehdä samankaltainen tehtävä uudestaan, en luultavasti onnistuisi siinä yhtään nopeammin tai muutoinkaan paremmin. Suuntaan siis kohti tulevia koitoksia hitusen lannistunein mielin. Tarkoitukseni on seuraavien kahden viikon aikana varata kunnolla aikaa kurssitehtäviin ja perusteiden kertaamiseen, että saan kirittyä muuta ryhmää kiinni. Ehkä tämä tästä!

 

Lähteet:

Paula Allinen: Syvemmälle Qgis:n maailmaan, viitattu 5.2.2020

Tiina Aalto: Rajapinnalta pinta-alaksi,  viitattu 5.2.2020

Ensimmäinen blogipostaukseni lähtee maailmalle vasta nyt, vaikka kurssi geoinformatiikan menetelmistä on ollut meneillään jo yli kaksi viikkoa. Onnekseni ensimmäiseen työkertaan ja siihen liittyviin harjoitustehtäviin kuuluneet ilon, kauhun ja silkan hämmennyksen hetket ovat syöpyneet lähtemättömästi mieleeni, mikä on edukseni kirjoitusprosessin aikana. Työkerta lähti käyntiin varsin uneliaasti, mutta pian sitä kuitenkin piristyi tositoimiin päästyään.

Tutustuimme QGIS-ohjelman perusteisiin. Kävimme läpi aineistojen tuomista palveluun sekä muita perustoimintoja, kuten värien säätelyä. Yhteistyöstä ja vertaistuesta vierustoverien kanssa oli suuri apu, kuten myös esimerkiksi Elias Hirvikoski huomasi. Ensimmäinen Itämeren fosforipäästöjä koskeva harjoitustehtävä sujui omasta mielestä ihan jouhevasti, mutta jälkikäteen huomasinkin jonkin menneen tallentamisvaiheessa pieleen. En enää saanutkaan projektia auki ja luomani kartta viehättävine värimaailmoineen on nyt iäksi mennyt. Oliko tästä varoitettu? Mahdollisesti. Tiedänkö vieläkään, mitä tapahtui? En, mutta vastedes tulen tekemään kaikkeni estääkseni vastoinkäymistä toistumasta.

Seuraavaa tehtävää varten päätin tarkastella työttömyyttä Suomessa kunnittain vuonna 2015 (kuva 1). Kuten samaan ratkaisuun päätynyt Ulrika Ainasoja blogissaan avasi, päätös hyödyntää valmiiksi prosenttimuotoista tietoa säästi yhdeltä laskutoimitukselta.

Aineiston visualisoinnissa luotin luonnollisiin luokkarajoihin. Ero vaaleimman ja tummimman värisävyn välillä on jyrkkä ja punainen väri herättää mielikuvia vaarasta. Nähdäkseni nämä mielikuvat ja vihjaukset tukevat tässä tapauksessa kartan sisältöä, vaikka jonkun toisen mielestä voisin kaiketi syyllistyä ongelman liioitteluun. Suurimpien ja alhaisimpien työttömyysprosenttien välinen ero on kuitenkin suuri, joten voin mielestäni hyvällä omallatunnolla pyrkiä kiinnittämään lukijan huomion asiaan.

Alhaisimmat työttömyysprosentit löytyvät pääkaupunkiseudulta, Ahvenanmaalta ja Pohjanmaalta. Korkeita lukuja taas löytyy etenkin Suomen itä- ja pohjoisosista.

Ensimmäinen kurssikerta opetti muutamien perustaitojen lisäksi kantapään kautta sen, että tallennusvaiheessa tulee vastedes olla erittäin skarppi, ettei hukkaa ajalla, vaivalla ja rakkaudella tekemiä töitään. Lisäksi minulle tuli hyvin selväksi, että blogipostauksen tarpeettomasta lykkäämisestä seuraa vain henkisiä kärsimyksiä.

 

Lähteet:

Elias Hirvikoski: Ensimmäinen, viitattu 26.3.2020

Ulrika Ainasoja: QGIS ja koropleettikarttoja, viitattu 26.3.2020