Viimeinen kurssikerta

QGis-kurssi” alkaa olla lopuillaan ja olen siitä melko helpottunut, koska tämän syvemmälle QGis-maailmaan sukeltaminen ei olisi minulta onnistunut 

Viimeisen kurssitehtävän aiheen valinta osoittautui todella haastavaksi. Aloitin sen etsinnän ja pohdinnan jo ennen varsinaista kurssikertaa, mutta jouduin hylkäämään alkuperäisen ideani oikeastaan täysin, koska en löytänyt sopivaa aineistoa mistään. Selasin läpi erilaisia ”free GIS data” -sivustoja valehtelematta yli neljä tuntia. Alkuperäinen ideani olisi kuvannut suurimpien kaupunkien sijoittumista Afrikassa sekä jotakinkehityksen mittaria kuten hedelmällisyyslukua tms. Valitettavasti en vain löytänyt haluamaani. Se oli silloin suuri pettymys… Onnistuin kuitenkin löytämään todella hyvän aineiston Afrikan valtioista ja niiden rajoista sekä toisen aineiston maailman väkiluvultaan runsaimmista kaupungeista. Aineistojen muokkaamiseen meni myös aikaa, kun täytyi saada näkyviin vain halutut asiat. Onnistuin tällä kertaa siinä kuitenkin täysin itsenäisesti! 

Lopulta päädyin nykyiseen tuotokseeni, jossa vertailen Ranskan ja Nigerian suurimpien kaupunkien alueellista jakautumista sekä tieverkoston kehittymistä pohtien samalla hieman syitä sille.  

Kuva 1. Kartta Ranskan suurimmista kaupungeista ja tieverkosto
Kuva 2. Nigerian suurimmat kaupungit ja tieverkosto

 Kuvista 1 ja 2 tekee hyvin helppoja ja nopeita havaintoja kaupunkien sijoittumisesta sekä tieverkoston kehittymisestä. Nigeriassa tieverkosto on kaikista tiheintä rannikon läheisyydessä, jonne on myös kasvanut väkiluvultaan suurimmat kaupungit, kuten kaikista väkirikkain –Lagos. Kun taas Ranskassa suurimmat kaupungit sijaitsevat melko tasaisin välimatkoin ja hajautetusti ympäri maata, jolloin hyvien liikenneyhteyksien merkitys maan sisällä korostuu. Ranskan liikenneverkosta näkee myös sen, kuinkatasaisesti ja ”kauniisti” se on levittynyt Nigeriaan verrattuna.  

Ranskan infrastruktuuri ja kaupungit ovat ns. saaneet kasvaa ja kehittyä rauhassa vuosisatojen ajan, jolloin niistä on muodostunut kaunis verkkomainen kuvio. Se on myös sijaintinsa puolesta keskellä Euroopan taloudellisesti vilkkainta aluetta, jolloin hyvät liikenneyhteydet läpi maan ovat välttämättömät. Näiden liikenneyhteyksien varsille on kasvanut kaupunkeja, joista on osasta kehittynyt kulttuurillisesti erittäin merkittäviä alueita, kuten Pariisi ja Rivieran Cannes sekä Nizza. Ranska on myös Nigeriaan verrattunaerittäin vauras, jolloin toimivan tieverkoston ylläpito ja rakentaminen onnistuu helpommin. Myös monet yhteiskunnalliset tekijät vaikuttavat tieverkostojen ja kaupunkien rakentumiseen.  

Nigerian tieverkoston ja kaupunkien kehitys on ollut hyvin erilainen Ranskaan verrattuna. Valtio, johon onkohdistunut kolonialismin vaikutuksia ei pysty kehittymään infrastruktuuriltaan samankaltaiseksi kuin muut maat. Teennäisten valtionrajojen vetäminen ja kansojen jakaminen luonnottomilla vedoilla on johtanut moniin verisiin yhteydenottoihin ja yhteiskunnallisiin ongelmiin. Länsimaalaiseen valtionmalliin pakottaminen heijastuu luonnollisesti myös tieverkostoon ja kaupunkien sijoittumiseen. “Nopeasti” (vrt. Ranska) syntyneet suurkaupungit siirtovallan pohjalle eivät luo yhtä vakaata pohjaa kaupunki– tai infrakehitykselle.  

Kaupunkeihin kohdistuu myös nykyisin hyvin erilaisia paineita ja haasteita, jotka vaikuttavat puolestaan niiden kehittymiseen. Nigerian räjähdysmäisesti kasvanut väkiluku on kasvattanut suurimpia kaupunkeja hurjasti. Tämän huomaa myös kuvasta 2, jossa tieverkosto rannikkokaupunkien ympärillä vaikuttaa vain harmaalta möykyltä.  

Lopetukseksi täytyy mainita, että huolimatta palautuspäivästä ja -ajankohdasta on työ ollut “valmiina” jo kauan. Uuden periodin alkaessa unohdin vain, etten ollut vielä palauttanut työtä blogiini.

Kumpulan turvallisuus ja tulivuoria

Tällä kurssikerralla olimme ensimmäisen tunnin keräämässä ”pisteitä” lähialueelta arvioiden sen turvallisuutta sekä viihtyisyyttä. Tämän jälkeen tarkastelimme kerättyjä pisteitä yhdessä ja loimme niistä kartan, joka näyttäytyi aluksi hyvin mielenkiintoiselta mustavalkoisuudellaan, mutta muutimme pisteiden arvot luokitelluksi, jolloin kartan värisävyt muuttuivat havainnollisimmiksi. Kuvassa 1 punaisella värillä on kuvattu turvattomaksi koettuja alueita, kun taas vihreät ovat turvallisia. Sininen väri lähinnä ”täyttää” pisteettömät/tarkastelemattomat alueet. Mielestäni tämänkaltaiset harjoitukset ovat erityisen hyviä, koska niissä tulee itse koettua aineiston keruu, jolloin sen näkeminen valmiina tuotoksena on ns. antoisampaa.

Kuva 1. Kumpulan lähialueen turvallisuuden kokemukset

Seuraavan tehtävän kanssa minulla oli aluksi suuria vaikeuksia, mikä ei sinänsä ollut kovin yllättävää. En tiedä kuinka kauan tarvitsisin harjoitusta QGissillä, etten unohtaisi sen toimintoja… En muun muassa muistanut, että tietyt luvut erotellaan puolipisteellä. Tämän jälkeen aineisto avautui kauniisti taustakartan päälle.

Itsenäisenä tehtävänä oli tarkastella opetusmielessä kolmea eri hasardia tai ymmärtääkseni samankaltaista hasardia, mutta eri alueilla. Itse valitsin ”opetusaiheekseni” tulivuoret. Näistä tein kolme eri karttaa QGissillä, joihin valitsin maapallolta kolme eri aluetta, joilla tulivuorten synty selittyy eri tavoilla.

Kuva 2. Alaskan tulivuoret

Ensimmäinen alueeni on Alaska. Tällä alueella tulivuorten synty selittyy alityönnöllä. Se liittyy myös Tyynenmeren tulirenkaaseen. Alaska on mielestäni erittäin hyvä esimerkki, koska Aleuttien saariketju noudattaa litosfäärilaattojen reunaa. Esimerkki olisi tällöin hyvin havainnollistava ja yksinkertainen malli alityönnöstä.

Kuva 3. Havaijin saariryhmän tulivuoret

Toiseksi alueeksi valitsin Havaijin saariryhmän, joka on syntynyt kuuman pisteen päälle keskelle litosfäärilaattaa. Tämä esimerkki havainnollistaisi erityisen hyvin laattojen liikettä.

Kuva 4. Atlantin valtameren tulivuoret

Kolmas alueeni on Atlantin valtameri ja sen tulivuoret. Ne ovat syntymekanismeiltaan aiempiin verrattuina jälleen täysin erilaisia ja siksi hyvä valinta opetukseen. Nämä tulivuoret ovat syntyneet laattojen erkanemisvyöhykkeelle, jossa syntyy uuttaa merenpohjaa. Yhdessä näiden kolmen eri alueen avulla voisi selittää maapallon litosfäärilaattojen liikkumisen ja painovoiman sekä magman virtausten vaikutuksen niihin. Opettaa näin perusteet maapallon kuorikerroksen liikkeistä ja sen vaikutuksista maan pinnan muutoksiin.

Opetuskartoissa olisi kuitenkin hyvä olla näkyvissä laattojen saumakohdat, kuten myös Ulrika Ainasoja toteaa blogissaan. Se havainnollistaisi ilmiötä ja helpottaisi sen opetusta sekä ymmärrystä.

Lähteet:

Ulrika Ainasoja, ”Itse kerätyn datan käsittelyä ja hasardikarttoja”, Luettu 2.3.2020

https://blogs.helsinki.fi/ulrikain/

Lentokenttiä ja taajamia

Olin poissa tällä kerralla sairastumisen takia, joten tästä päivityksestä tulee hieman lyhyehkö. Kuulin kuitenkin, että kurssikerralla kuulemma jatkettiin viime kerran työtä, mutta lopulta se hylättiin jostakin syystä kokonaan ja siirryttiin seuraaviin tehtäviin…

Harjoitustehtävissä oli paljon bufferointia. Maija Tapio on selittänyt bufferoinnin perusidean blogissaan ytimekkäästi ja selkeästi: ” Bufferointi tarkoittaa tietyn kokoista aluetta tai vyöhykettä, joka luodaan jonkin kohteen ympärille”. Aluksi se oli aivan mahdotonta itselleni ilman apua tai aikaisempaa kokemusta. Onneksi Siiri Nyman sekä Ulrika Ainasoja ystävällisesti auttoivat minua. Heidän avullaan opin sen nopeasti ja osasin tehdä tehtävät melko hyvin ilman suurempia ongelmia. Bufferointi oli loppujen lopuksi aika mukavaa puuhaa.

Ensimmäisessä tehtävässä tutkittiin HEL-VAN:taan sekä Malmin lentokenttien melun vaikutusalueella asuvien ihmisten lukumääriä sekä prosentuaalisia osuuksia alueen kokonaisväestöstä. Kun sai hoidettua tehtävän ensimmäisen osion, olivat sitä seuraavat melko helppoja, sillä ne noudattivat pitkälti samaa työkaavaa. Myös asematehtävä oli mieleiseni sen yksinkertaisuudesta johtuen. Vihdoin tuntui, että QGissillä työskentely sujui mukavan jouhevasti ilman suurempia ongelmia.

Tunne ei kuitenkaan kestänyt kovin kauaa… Siirtyessäni seuraavaan tehtävään taajamista olin taas tilanteessa, jossa tuijotin tietokoneen näyttöä ymmälläni. Näissä tilanteissa tekee aina mieli luovuttaa ja jatkaa myöhemmin -se on kuitenkin suuri riski. Tällä kertaa jatkoinkin tehtävän parissa -tosin hyvin uupuneena ja edelleen hieman kipeänä. Edistyminen oli hitaanlaista. Tässä vaiheessa myös QGis alkoi sekoilemaan, eikä esimerkiksi näyttänyt tietoja taajamien ulkopuolella asuvista kouluikäisistä, vaikka olin valinnut ne ja kyseiset alueet näkyivät valittuina. Sain tässä vaiheessa avukseni Siirin Nymanin, joka suoritti ihmeen ja pian pystyin taas jatkamaan. Tehtävän viimeisessä vaiheessa työskentelimme taas yhdessä selvittäen ulkomaalaisten prosentuaalisia osuuksia. Näiden tehtävien jälkeen en enää, hieman heikon oloni takia, jaksanut jatkaa tehtävien tekoa. Valitettavasti itsenäisten tehtävien viimeinen osuus jää itseltäni tekemättä, koska en osannut tehdä kyseisiä tehtäviä.

Huolimatta tästä koen silti, että olen kehittynyt valtavasti QGissin käyttäjänä. Enää sen avaamisen jälkeen en tuijota tietokoneen ruutua peloissani -tai no, aina silloin tällöin… En koe olevani kovinkaan lahjakas tietoteknisten asioiden kanssa, joten ohjelman käytön opettelu on ollut erittäin haastavaa ja turhauttavaa. Osaan kuitenkin monia temppuja ohjelmalla. Tämän hetkisiin QGis -taitoihini kuuluu muun muassa ominaisuuksien tai alueiden valinta aineistosta ja niistä uuden tason luominen -extract by locationia olen oppinut käyttämään hyvin. Myös aineistoon viiva-, piste- ja polygoni”merkintöjen” luonti onnistuu samoin kuin bufferointi. Näiden lisäksi myös muita… Alla taulukko saamistani tuloksista itsenäistehtäviin.

2 km säteellä asuvien ihmisten lkm Malmin lentokentästä 57163
1 km säteellä asuvien ihmisten lkm Malmin lentokentästä 8711
2 km säteellä asuvien ihmisten lkm HEL-VAN:taan lentokentästä 10022
Pahimmalla melualueella asuvat (HEL-VAN) 324
Ihmisten lkm, jotka asuvat väh. 55 dB:n alueella lentokentästä 40694
Ihmisten lkm, jotka asuvat väh. 60 dB:n alueella lentokentästä 43036
Ihmisten lkm, jotka asuvat 500 metrin säteellä asemista 106691
Kuinka monta prosenttia väestöstä asuu alle 500 m asemista? 21,77%
Työikäiset ihmiset, jotka asuvat 500 metrin säteellä asemista 68,52%
Taajamissa asuvat asukkaat 96,1%
Taajamien ulkopuolella lapsien lkm 3727
Kuinka monella alueella ulkomaalaisten osuus >10% (lkm) 61
Kuinka monella alueella ulkomaalaisten osuus >20% (lkm) 21
Kuinka monella alueella ulkomaalaisten osuus >30% (lkm) 13

Lähteet:

Maija Tapio: “Analyysejä hampaat irvessä”, luettu 26.2.2020

https://blogs.helsinki.fi/tapiomai/

 

Vihdoin onnistun

Neljäs kurssikerta sujui itseltäni aikaisempia paljon paremmin! Kurssikerralla opimme mm. tietoa piste- ja ruutuaineistoista sekä niiden hyödyntämisestä QGis-ohjelmalla.

Kirjoitin hieman itselleni muistiin tietoa kummastakin aineistotyypistä.

Pisteaineistot ovat tarkimpia paikkatietoaineistoja. Niihin voidaan kerätä tietoa pistemäisistä kohteista, kuten rakennuksista tai eläinhavainnoista. Pisteet sisältävät mahdollisesti paljonkin tietoa, niin kuin saimme kurssikerran ensimmäisessä harjoituksessa huomata. Rakennuksista voidaan mm. kerätä ylös tieto niiden rakennusvuodesta, käyttötarkoituksesta tai niissä asuvista ihmisistä.

Ruutuaineistot ovat puolestaan tehokas tapa kerätä alueellista tietoa ilman valmista aluejakoa. Tällöin hyödynnetään ns. keinotekoista aluejakoa. Ne pohjautuvat yleensä pisteaineistoihin. Huonona puolena tällä aineistotyypillä on korkea hinta.

Ensimmäinen harjoitus perustui piste- ja ruutuaineistojen käytön opetteluun. Pysyin jopa kärryillä koko matkan! Aineistona meillä oli pääkaupunkiseudun väestö pisteaineistona. Yhteensä tietoa oli suunnattomasti ja avatessaan ensimmäisen kerran aineiston attribuuttitaulukon joutui jopa odottamaan pienen hetken sen latautuessa.

Kartan pisteiden päälle piirsimme itse ruudukon, johon yhdistimme pisteet. Ruudut, joilla ei ollut pisteitä karsiutuivat näin pois. Seuravaksi pisteiltä karsittiin ”turhaa tietoa” jättäen vain neljä tarkasteltavaa ominaisuuta. Tässä vaiheessa monelle tuli ongelmia. Itselläni kyseinen toiminto onnistui ilman sen kummempia ongelmia. Siinä kuitenkin kesti melko kauan. Lopulta sain aikaiseksi luotua kartan, jossa näkyy alueen asukkaiden lukumääräinen keskiarvo.

Kuva 1. Ensimmäisen harjoituksen tuotos

Toisessa kurssitehtävässä hyödynsimme rasteriaineistoa, jonka päälle ”asetimme” rinnevalovarjosteen. Täytyy myöntää, että tässä vaiheessa itselleni tuli hieman ongelmia, mutta kurssitoverini Siiri Nymanin avustuksella sain rinnevarjostuksen toimimaan rasteriaineistoisen kartan taustalla. Tämän jälkeen rajasimme Pornaisten alueen kartalta ja merkitsimme karttaan isoimmat tiet ja kaikki asuinrakennukset. Oletan, että tästä jatkamme ensi kerralla…

Kotitehtäväksi jäi itsenäisesti kartan luominen ensimmäisen harjoituksen aineistojen avulla. Tässä minulla oli valtavia ongelmia : D En meinannut muistaa paria vaihetta ja laitoin ohjelman suorittamaan toimintoja, joiden latautumisessa olisi luultavasti kestänyt useita tunteja. Päättelin, että ei näin… Lopulta sain kuitenkin kartan luotua, vaikka luovuttaminen kävi muutaman kerran mielessäni.

Kuva 2. Pääkaupunkiseudun rakennusten keski-ikä ruudussa

Kartassa näkyy pääkaupunkiseudun rakennusten keski-ikä ruudussa. Tummemmat alueet osoittavat uudempia alueita ja päinvastoin. Olisin halunnut luoda hieman erilaisen luokkajaon, mutta sitä en onnistunut tekemään. Yritin kyllä… Joudun tyytymään tähän. Kartasta kuitenkin tulee mielestäni hyvin selkeästi ilmi alueen kehityshistoria. Keskusta on oleellisesti kaikista ”vanhinta” seutua ja taas idässä on uudempia asuinalueita. Haha huomaan taas, että unohdin pohjoisnuolesta N-merkin pois. No… Ehkä ensi kerralla muistaisin tämän asian.

QGis kaatuu, ja teen tämän postauksen aivan liian myöhään

Kolmannesta kurssikerrasta on kulunut jo tovi kun kirjoitan tätä. Onneksi itselläni on melko hyvä muisti ja kykenen kuta kuinkin muistamaan kurssikerran tärkeitä asioita.

Muistellessani kyseistä kurssikertaa tulee päällimmäisenä mieleeni suuri ärtymys. QGis kaatui ainakin kaksi kertaa ja jouduin aloittamaan toisen harjoitustyön monta kertaa alusta. Kärsivällisyyteni oli todellakin koetuksella. Ehkä se on syy, miksi olen vältellyt postauksen kirjoittamista näin pitkään.

Kurssikerralla ensimmäisen tehtävän aineistonamme toimi kartta Afrikasta. Harmikseni en tallentanut tätä karttaa. Yritin kyllä löytää valmista työtä koulun tietokoneelta, mutta istuin tunnilla oikealla reunalla ja nämä tietokoneet vaihtuivat tässä välissä. Karttani taisi hävitä siinä samalla. Uskon kuitenkin, että tulokseni oli melko samanlainen muiden karttoihin verrattuna, joten uskallan käyttää “lähteenä” toisen työtä. Sanya Schubak oli luonut erittäin hienon kartan Afrikasta. Karttaan on merkitty konfliktien määrä, timanttikaivokset, öljykentät ja yksittäiset konfliktit. Voisi helposti kuvitella selvää syyseuraus-suhdetta näiden konfliktien ja esimerkiksi timanttikaivosten välille, mutta asia ei ainakaan kartalla ole niin selkeä. Itse en juurikaan nää korrelaatiota ilmiöiden välillä.

Seuraavana tehtävänä oli luoda itsenäisesti tulvaindeksikartta Suomen alueelta. Tämä työ tuotti itselleni todella paljon vaikeuksia, lähinnä QGissin toimimattomuuden takia. Myös ohjelman käyttö oli haastavaa. Tehtävän ideana oli vertailla tulvaherkkyyttä ja kyseisen alueen valuma-alueominaisuuksia. Työssä täytyi yhdistää aineistoja ja suorittaa yksinkertaisia laskutoimituksia, jotka osoittautuivat ei niin-yksinkertaisiksi.  Aineistojen oikeaoppinen liitäntä oli itselleni koko tehtävän haasteellisin osuus. Muistan tehneeni liitoksen pari kertaa väärin ennen kuin sain apua ja pääsin vihdoin jatkamaan eteenpäin. Olin tässä työn vaiheessa erittäin sekaisin ohjeista ja siksi en muista niitä paremmin. Lopulta sain kuitenkin väsättyä kartan kuvaamaan näitä ilmiöitä. Kartan ulkoasu ei aivan vastaa toivomaani, mutta olin niin turhautunut sitä tehdessä, että en jaksanut panostaa siihen. Ihailen kovasti Riina Hiltulan luomaa karttaa. Olisinpa itse kyennyt samaan, mutta omat qgis-taitoni eivät vielä silloin siihen riittäneet.

Kuva 1. Tulvaindeksi kartta

Kartasta voi nopeasti sitä vilkaisemalla tehdä havainnon, että järvisyydellä ei ole mitään tekemistä tulvaherkkyyden kanssa. Suomen tulvaherkimmät alueet keskittyvät rannikolle.  Arvelen, että alava maasto ja veden ”säilytyspaikkojen” puutteellisuus mahdollistavat tulvaherkkyyden. Itä- ja Keski-Suomessa, joissa järvisyys on kaikista korkeinta on tulvaherkkyys erittäin alhainen. Myös tiheästi asutut sekä muokatut alueet lisäävät tulvaherkkyyttä.

 

Viitteet

Hiltula, R, ”Afrikan valtioita ja tulvaindeksi laskemista”,

https://blogs.helsinki.fi/hiltular/  8.2.2020

Schubak,S ” Viikko III – Onnistumusentunteita ja kiusallista naurua”,

https://blogs.helsinki.fi/sanya/ 18.2.2020

Toisen kurssikerran jälkeen…

Toisella kurssikerralla jatkoimme työskentelyä QGis:n parissa. Tällä kertaa pureuduimme syvemmälle sen ominaisuuksiin tarkastellen eri projektioiden välisiä eroja karttakohteiden mittauksessa. Olin kyseisellä tunnilla melko väsynyt, joten aivan kaikki asiat eivät valitettavasti painuneet mieleeni.

Minun täytyy tässä kohtaa perua edellisen päivitykseni sisältämät puheet siitä, että pärjäisin ohjelman kanssa hyvin – en pärjää. Tuntuu, että mitä enemmän tietoa tulee, sitä enemmän olen sen kanssa sekaisin. Täytyy kuitenkin yrittää opetella ohjelman käyttöä. Ehkä se jossakin vaiheessa alkaa tuntumaan tutummalta…

Tunnilla tehtävässä harjoitustyössä vertailin Robinsonin projektiota TM35-karttaprojektioon. Robinsonin projektio on maailmankarttoja varten suunniteltu karttaprojektio, jonka sisältämät vääristymät on haluttu saada mahdollisimman pieniksi. Tästä syystä se ei ole täysin oikeapintainen tai -kulmainen. Projektion vääristymät pinta-aloissa kasvavat navoille, jolloin myös Suomen pinta-ala on vääristynyt.

ETRS-TM35FIN on tasokoordinaattijärjestelmä, jota käytetään Suomen maastokartoissa. Myös siinä esiintyy mittakaavavirheitä, mutta ei läheskään niin huomattavia kuin Robinson karttaprojektiossa. Erot projektioiden esittämissä pinta-aloissa havainnollistuvat kuvassa 1, joka on tunnilla tekemäni harjoitustyö. Mitä tummempi alue on kartalla, sitä suurempi on ero eri projektioiden pinta-aloissa Suomen alueella. Tällä kertaa muistin värittää kuvan pohjoisnuolen näkyväksi.

Kuva 1.

Roosa Kinnusen päivitys toiselta kurssikerralta auttoi minua muistamaan myös toisen tunnilla toteutetun lyhyemmän harjoituksen, jossa tutkittiin Suomen kuntien pinta-aloja. Harjoituksen ideana oli tutustua ohjelman valintaominaisuuteen, jolla saa valittua etsimänsä kohteet halutuilla ominaisuuksilla. Esimerkiksi valitsimme tarkasteluun ne kunnat, joiden pinta-ala on suurempi kuin 5000 neliökilometriä.

 

Viitteet

Kinnunen, R, ”Selviänkö? Valintoja QGIS:n parissa”,

https://blogs.helsinki.fi/kroosa/, 1.2.2020

Ensimmäinen kurssikerta

Ensimmäisellä kurssikerralla tutustuimme QGis:n käyttöön. Itseäni hieman jännitti, miten selviytyisin ohjelman käytössä aikaisempien vaikeuksieni takia geoinformatiikan parissa. Onnekseni huomasin kuitenkin pärjääväni melko hyvin.

Ohjelman käytön opettelussa auttoi valtavasti yhdessä ja hitaasti läpi käyty ensimmäinen harjoitustehtävä. Sen jälkeen olin vähemmän hämmentynyt ohjelman monista ulottuvuuksista.

Erityisen sekavaksi koin attribuuttitaulukon ja sen käytön. Siinä tulee jatkossa varmasti vielä pieniä ongelmia, kun unohdan tiettyjen toimintojen käytön tai olemassaolon. Toisena ongelmana minulla oli Siiri Nymanin tavoin luokkajaon tekemisessä.

Toisena tehtävänä oli laatia itsenäisesti kartta Suomen alueelta käyttäen apuna Tilastokeskuksen aineistoja. Itse valitsin aineistoksi kesämökkien määrän kunnittain vuonna 2015 kuten kuvassa 1 näkyy. Kartta onnistui mielestäni ihan hyvin.

Kuva 1.

Lähteet:

Nyman, S. “Ensimmäinen kurssikerta”, 

https://blogs.helsinki.fi/nymsiiri/Luettu 27.1.2020