Viikko 1. Tapaamme jälleen, QGIS

Suhteeni QGIS-sovelluksen kanssa on lievästi ilmaistuna monimutkainen. Tähän mennessä oma kokemukseni QGIS:istä on ollut, että sovelluksen kohtaloksi koituu sen oma kaikki voivaisuus. Mahdollisuus tehdä lähes mitä vain koskien karttoja, kuvanmuokkausta sekä tilastollista analyysiä, vähentää sen käyttäjäystävällisyyttä niin paljon, että kun kuulin tarvitsevani QGIS-sovellusta tällä kyseisellä kurssilla halusin itkeä, mutta onneksi turhaan.

Geoinformatiikan menetelmät 1:n ensimmäisellä tunnilla toteutettiin harjoitus, jossa luotiin eri Itämerta ympäröivien maiden typpipäästöjen prosentuaalista osuutta kuvastava kartta. Harjoitus auttoi hahmottaa paremmin QGIS toimintaa, kuinka valmiit aineistot saadaan tuotua sovellukseen ja kuinka ne siellä esiintyvät. Myöskin sovelluksessa tehtävä tilastollinen analyysi ja uuden aineiston luominen jo olemasta olevassa, tässä tapauksessa typpipäästöjen suhteellisen osuuden laskeminen kokonaismäärästä, oli jotain uutta, ja erittäin käytännöllistä oppia. Yllätyin positiivisesti kuinka laajat mahdollisuudet QGIS tarjoaa erinäisten ulkoasun muokkaamiseen, vaihtoehtojen ollessa hyvien piirto-ohjelmien tasoisia. Monipuoliset ulkoasunmuokkaus vaihtoehdot tekivät siitä kuitenkin hankala käyttöisen ja monimutkaisen, kaikkea muuta kuin käyttäjäystävällisen.

QGIS:illa oli myös hankaluuksia laskea suuria summia, sovelluksen antaessa vika-ilmoitusta saavutettuaan tietyn luvun, ja jouduinkin turvautumaan EXCEL-sovellukseen laskiessani perheiden yhteismäärää tehtävä 2. karttaa varten. Tässä kohtaa huomasin myös oman kehitykseni koskien eri sovellusten hyödyntämistä. Joutuessani ns. umpikujaan QGIS kanssa pystyin nopeasti soveltamaan toisen sovelluksen avulla, mitä en olisi tajunnut tehdä vielä puoli vuotta sitten.

 

HELCOM-alueen typpikartta

Kartta 1 esittää maiden tuottamia typpi päästöjä HELCOM-alueella. Väri gradientti kuvaa päästöjen määrää prosentteina. Suurimpia saastuttajia kartan mukaan ovat Puola suurimpana, sekä Latvia, Venäjä ja Ruotsi asettuen 8–13,3 % välille. Pienimmät saastuttajat ovat Suomi, Viro, Liettua, Saksa ja Tanska, joiden prosentit ovat 3,2–8,0 %. Päästöjen määrään vaikuttaa monia asia. Suurimmat typpipäästöjen säätelyyn vaikuttavat tekijät ovat maiden sisäinen politiikka ja ympäristölainsäädäntö, sekä kansainväliset sopimukset. Puolassa typen kokonaispäästöt jakaantuvat kolmeen eri kategoriaan, maatalous tuottaa 50 % typpipäästöistä, palamisreaktiot 26 % ja liikenne 22 %. (Bartnicki J. & Benedictow A. (2017))

HELCOM-alue käsittää käytännössä katsoen koko Itämeren, joka on erittäin haavoittuvainen ekosysteemi. Se on suhteellisen nuori, matala ja kapea meri. Itämeren valuma-alueen pinta-ala on 4 kertaa laajempi kuin itse meren, ja Tanskan salmien ansiosta siinä oleva vesi vaihtuu hitaasti. (Helsinki Commission (2004)). Typpi lisää rehevöitymistä Itämeressä toimien levien ja vesikasvien kasvua säätelevänä ravinteena. Rehevöityminen itsessään lisää happivajetta etenkin talvisin, kun jää peittää meren. Tämä johtaa helposti noidan kierteeseen, jossa happivaje lisää rehevöitymistä ja rehevöityminen happivajetta. Hapen puute vaurioittaa pohjassa eläviä lajeja ja aiheuttaa death zone-alueita. Rehevöityminen uhkaa myös Itämeren avain lajeja, jotka toimivat ekosysteemin kulmakivinä (Kiirikki M. (2008)).

Itse koen, että kartta on selkeä, se on puna-viher-sokeille soveltuva ja sisältää kartan minimivaatimukset: mittakaavan, pohjoisnuolen ja legendan. Informaatioarvoltaan se voisi kuitenkin olla parempi. Kartasta ei käy ilmi miltä vuodelta/vuosilta arvot ovat, taikka datan lähdettä. Myöskin karttaan merkittyjä typpipäästöjä ei ole määritelty, eikä kartta kerro mitä ne tarkalleen ottaen tarkoittavat. Jos karttaa tulkitseva henkilö ei ole syntynyt Euroopassa taikka Venäjällä, voi maiden tunnistaminen olla hankalaa, joten itse saattaisin lisätä maiden kohdalle niiden nimet. Myöskin Itämeressä näkyvät syvyyskäyrät ovat tarpeettomat, kun käsitellään eri maiden typpipäästöjä, ja niiden poistaminen selkeyttäisi etenkin saaristo Suomea visuaalisesti. Lisäksi pohjoisnuoli voisi osoittaa todelliseen pohjoiseen.

Säätämällä luokkien määrää ja luokkajaon tyyppiä (Natural brake, pretty brake jne.) voidaan saada aikaan huomattavasti erinäköisiä tuloksia, jotka voivat liioitella tai vähätellä eri maiden tuottamien typpipäästöjen määrää. Koen kuitenkin, että kuvan 1. kartta, jossa on käytetty 3 luokkaa ja natural brakes luokkajakoa, esittää ilmiön luotettavasti. Myös prosenttiluokkia kuvaavat värit sopivat mielestäni ilmiön teemaan, sen ollessa varsin negatiivinen. Alimman luokan (3,3–8,0 %) esittäminen valkoisen sijaan keltaisella antaa sille myös negatiivisen visuaalisen ilmeen, valkoisen ollessa usein neutraali ja puhtaaseen viittaava väri.

 

Karttoja kunnista ja mielenkiinnon aiheista

Viikon toinen tehtävä oli tuottaa Kunnat 2015 aineistosta karttoja, jotka käsittelivät haluamiani ilmiöitä. Valitsin helpomman toteutustavan ja päädyin tekemään kolme karttaa, jotka käsittelevät väestöntiheyttä, perheiden prosentuaalista jakautumista ja työttömyysprosenttia. Kotona tehdessäni karttoja Kunnat2015 aineistosta huomasin positiiviseksi yllätyksekseni, että tekeminen sujui paria pientä ongelmaa lukuun ottamatta sujuvasti ja viimeisen kartan kohdalla se oli jopa vaivatonta.

Kartat, jotka tuotin osana tehtävää 2. (Kuva 2, Kuva 3, Kuva 4) ovat selkeitä ja helppolukuisia ja sisältävät kaiken tarvittavan. Koitin valita kartan värit, jotta ne sopisivat mahdollisimman hyvin edustamaan valittuja ilmiöitä. Negatiiviseen ilmiöön, työttömyysprosentti, valitsin punainen-violetti gradientin, kun taas mielestäni positiiviseen ilmiöön, perheiden prosentuaaliseen määrään, valitsin valkoinen-vihreän gradientin. Erittäin neutraali ilmiö, väestöntiheys, on kuvattu valkoinen-keltainen gradientilla.

Samalla tavalla kuin kuvan 1 kartassa, näissäkin kartoissa ilmiön luotettavuuteen vaikuttaa luokkien määrä ja luokkajako. Luokkajako kaikissa kolmessa kartassa on natural brake, joka mielestäni antoi realistisimman kuvan ilmiöstä. Luokkien määrä vaihtelee karttojen välillä 5–9. Koska ilmiö oli kunta kohtainen ja kuntien määrän ollessa varsin suuri Suomen kohdalla, koin, että alle 5 luokkajaot eivät tuoneet tarpeeksi esiin kuntien välistä vaihtelua vaan yksinkertaisti tilannetta liikaa. Näin jälkikäteen tarkastellessa karttoja voin myös todeta, että 9 luokkaa työttömyysprosentti kartassa (kuva 2) on turhan paljon, sen taas saaden kaiken paitsi eteläisen Suomen näyttämään työttömyyden partaalla olevalta maaseudulta. Näin jälkikäteen laskisin luokkien määrän 7.

Huolimatta liian monen luokan aiheuttamasta vääristymästä, on selvää, että suurimman työttömyysprosentin omaavat kunnat ovat pääasiassa maaseutu painotteisia kuntia ilman suurempia kasvukeskuksia, kun taas Uudenmaan alueen ja länsirannikon kasvukeskukset kykenevät työllistämään runsaasti ihmisiä. Tämä johtuu pääsääntöisesti siitä, että kasvukeskuksissa, joissa asuu paljon ihmisiä (kuva 3) sijaitsee myös paljon yrityksiä, sekä runsaasti palveluita jotka työllistävät paikallisia, kun taas harvaan asutulla seudulla työpaikkojen ja palveluiden määrä on alhaisempi. Yritysten ja palveluiden puute omalta osaltaan johtaa alueen asutustiheyden laskuun ihmisten muuttaessa töiden perässä kasvukeskuksiin.

Heta Suutari on myös julkaissut blogissaan väestöntiheyskartan, jossa tämä käyttää 4 luokkaa ja tasaisia luokkajakoja, jotka saavat aikaan voimakkaasti erilaisen väestöntiheyskartan. Suutarin kartta kuvaa mielestäni paremmin väestöntiheyden eroja kuntien välillä kuin oma karttani (kuva 3). Hän myös kiteyttää hyvin väestöntiheyden vaihteluiden syyt.

“Väestön sijoittumista kartalla selittää nyky-yhteiskunnan kaupunkilähtöisyys. Väestö keskittyy suuriin kaupunkeihin työ- ja opiskelupaikkojen perässä.” – Heta Suutari, (2022)

Henkilökohtaisesti mielenkiintoisin kartta on perheiden prosentuaalinen jakaantuminen kuntien kesken. Tein kartan jakamalla kunnissa olevien perheiden määrän koko Suomen perheiden määrällä (vuonna 2015) ja kertomalla tulokset 100. Oli odotettavaa, että pääkaupunkiseutu tulee korostumaan kartalla johtuen sen suuresta väkilukumäärästä, mutta muita positiivisia yllätyksiä olivat yksittäiset Keski-Suomen kunnat ja yksi pohjoinen kunta, jotka sijoittuivat toiseksi korkeimpaan luokkaan, 1,88–4,74 %. Tämä voi selittyä sillä, että perheet suosivat kasvukeskuksien lisäksi myös rauhallisempia, kuitenkin hyvät palvelut omaavia kuntia.

Lähteet:

Bartnicki J. & Benedictow A. (2017), EMEP/MSC-W report for HELCOM, (EMEP/MSC-W TECHNICAL REPORT 2/2017), Oslo: Meteorological Synthesizing Centre-West (MSC-W), (luettu 20.1.2021), saatavilla: https://helcom.fi/media/publications/Contributions-of-emissions-from-different-countries-and-sectors-to-atmospheric-nitrogen-input-to-the-Baltic-Sea-1.pdf

Helsinki Commission (2004), Nutrient Pollution to the Baltic Sea in 2000, (Baltic Sea Environment Proceedings No. 100), (luettu 20.1.2022), saatavilla: https://helcom.fi/wp-content/uploads/2019/10/BSEP100.pdf

Kiirikki M. (2008), Effects of Climate Change on Eutrophication in the Northern Baltic Sea, WWF, (luettu 20.1.2022), saatavilla: https://wwf.fi/app/uploads/7/u/k/5lexcirbjtl6ecudwvrsfrc/wwf_report_climate_balticsea_study_2008.pdf

Suutari H. (2022), 1. viikko: tutustuminen, Heta VS GIS-blogi, (luettu 23.1.2022), saatavilla: https://blogs.helsinki.fi/suutarih/