Ensimmäisellä Geoinformatiikan menetelmät 1 -kurssikerralla aloimme lähes heti toimiin QGis:in parissa. Sovellus oli entuudestaan tuttu MAA-104 -kurssilta, mutta selkäpiitäni karmivat muistot QGis:in vaikeakäyttöisyydestä. Tunnilla kävimme läpi sovelluksen käyttöä askel kerrallaan. Tunsin toivon kipinän nousevan QGis:in suhteen. Ensimmäisenä harjoituksena teimme havainnollistavan koropleettikartan HELCOM:in alueen maiden typpipäästö osuuksista Itämeressä. QGis:in käyttö oli huomattavasti helpompaa, kun sen käyttöä ja ominaisuuksia oikeasti ymmärsi. Sovellus antaa hyvin monipuolisen alustan datan esittämiseen ja muokkaamiseen, kun sitä oppii käyttämään. Aiemmalla kerralla, kun kamppailin QGis:in kanssa, ongelma johtui juuri tasojen käytöstä, mutta tunnilla pääsin jyvälle sovelluksen monipuolisuudesta ja virheistä joita välttää.
Kuva 1. Kartta HELCOM-alueen valtioiden osuudet typen päästöistä
Kartta onnistui mielestäni hyvin, ja siitä on helppo erottaa luokka-arvot suurimmasta saastuttajavaltiosta pienimpään. Kartasta puuttuu ratkaisevia tietoja, kuten maiden nimiä tai miltä vuodelta tiedot ovat. Myös symboleille, jotka kuvaavat typpipäästöjä, ei ole sen kattavampaa selitystä. Selkeästi suurin saastuttaja on Puola välillä 13,3-33,7% ja pienimpiä saastuttajia ovat muun muassa Suomi ja Viro välillä 3,2-8,0%. Puola on suuri maatalouden maa, joten voidaan päätellä, että suuret typpipäästöt johtuvat maataloudesta ja esimerkiksi siinä käytettävistä lannoitteista. Kaikki kartan valtiot tuottavat liikenteestä aiheutuvia päästöjä, jotka päätyvät Itämereen.
Suomen kuntien koropleettikartat
Itsenäisenä tehtävänä oli tehdä koropleettikartta Suomen kunta-aineistosta valitsemastaan muuttujasta. Päädyin tarkastelemaan kesämökkien sijoittumista Suomen kunnissa. Suuri osa tunnilla opetetusta oli unohtunut, joten palasin useasti tunnilla tehdyn tehtävin ohjeisiin. QGis:in vaivaton käyttö kaipaa siis paljon toistoa, sillä usein jos jumituin johonkin kohtaan, se johtui todella pienistä virheistä, jotka olivat unohtuneet. Tämä itsenäinen tehtävä oli siis hyvää jatkoharjoitusta sovelluksen käytöstä.
Kuva 2. Kvantiilikartta kesämökeistä Suomen kunnissa.
Kartasta voi havaita, että kesämökkejä on koko Suomen alueella laajasti. Selvästi erottuva suosittu kesämökkialue on kaakkoisessa Järvi-Suomessa. Vähiten kesämökkejä taas on Keski- ja Pohjois-Pohjanmaan alueella. Suosittuihin mökkikuntiin vaikuttaa ainakin vedenläheisyys, kuten Järvi-Suomesta sekä ranikkokunnista näkee.
Laatiessani karttaa QGis ehdotti kvantiililuokitusta, joka esittää selkeästi eron lähinnä vain kunnissa, joissa on vähän kesämökkejä. Korkeimmassa luokassa mökkien hajonta on väliltä 2295-8374, kun taas pienimmässä luokassa asteikko on 0-380. Kartasta ei siis voi erottaa esimerkiksi suosituinta kesämökki kuntaa, sillä korkeimmassa luokassa on liikaa informaatiota.
Kuva 3. Suomen kesämökit tasaisella luokka-asteikko kartalla.
Tasainen luokka-asteikko havainnollistaa selkeästi suosituimmat kesämökki kunnat, joissa mökkien määrä yltää jo 6699-8374 mökin kohdalle. Näitä kuntia ovat muun muassa Kouvola, Hämeenlinna, Parainen sekä Salo. Kesämökkien valtavan määrän takia on hankalaa löytää oikeanlaista luokka-asteikkoa havaintojen esittämiseen. Huomasin, että muutkin pohtivat tätä samaa asiaa, kuten Senja Mäkiaho blogissaan https://blogs.helsinki.fi/senjamak/. Senja oli havainnollistanut pylväskaavioilla eri mittaluokkien havainnollistamia ominaisuuksia.
Kuva 4. Natural breaks (Jenks) kartta Suomen kuntien kesämökeistä.
Päädyin Natural breaks (Jenks) luokitukseen, joka ehdottaa mahdollisimman luonnollista asteikkoa. Rehan Ahmand kirjoittaa artikkelissaan Jenks Natural Breaks – The Best Range Finder algorithm (4/2019) Natural breaks -luokittelun ominaisuuksista. Mielestäni tämä luokka oli paras muuttujan esittämiseen. Kartasta on nyt helppo tulkita kesämökkien sijoittuneisuutta.
“Natural breaks” are the best way to split up ranges. Best ranges imply the ranges where like areas are grouped together. This method minimizes the variation within each range, so the areas within each range are as close as possible in value to each other.”
Harjoitus auttoi oppimaan QGis:in käyttöä paremmin. Eri mittaluokkien vertailu auttoi ymmärtämään niiden sekä datan esittämisen tulkinnan tärkeyttä. Ensimmäinen viikko lähti hyvin käyntiin harjoituksia tekemällä. Edelleen kuitenkin tuntuu, että on paljon opeteltavaa QGis:in suhteen, sillä en muista monia sovelluksen ominaisuuksia ja toimintoja ulkomuistista.
Lähteet:
Mäkiaho. S. (2022)”Senjan seikkailut GIS maailmassa” Luettu 01/2022. https://blogs.helsinki.fi/senjamak/
Ahmad.R. (2019) Jenks Natural Breaks – The Best Range Finder algorithm. Luettu 01/2022. https://medium.com/analytics-vidhya/jenks-natural-breaks-best-range-finder-algorithm-8d1907192051