Blogi on valmis arvioitavaksi

kuten otsikko kertoo…

Kurssikerta 7: Voilà, fini, terminé!

Totuuden hetki, mitä olen kurssin aikana oppinut?

Tällä viimeisellä kurssikerralla piti sitten koota yhteen kaikki (tai lähes kaikki) kurssin aikana opitut taidot ja hyödyntää näitä oman kartan tekemisessä aivan ensimmäisestä kirjaimesta lähtien. Piti siis hakea tietokannat itse, tai luoda ne yhdistelemällä olemassa olevia tietoja, ja sitten tuoda mapperiin ja liittää kartalle. Tarkoitus oli hakea tarvittavat tiedot jo ennen kurssikerran alkua, mutta noh, viime viikon kiireiden takia tämä tehtävä jäi itsellä viikonlopulle, joka sekin meni hujauksessa ja lopulta aloin etsimään tilastoja klo 12 illalla samalla kun katselin Oscars-gaalaa, mikä ei myöskään ollut hyvä yhdistelmä. Lisäksi kun pää löi tyhjää aiheen keksimisen kannalta, niin taistelu loppui siihen, että kolmelta yöllä annoin kummankin osalta periksi ja jätin aineiston haun aamulle. Klo 8 aamulla tilastojen ja kartan kimppuun, jes, mutta sain kuin sainkin tehtyä!

Aiheideoita oli kyllä monia jo viime viikolla tullut mieleen, mm saamenkielisen alueen laajuuden tutkiminen mm saamenkielisten paikannimien ja henkilöiden sijainnin perusteella. Oisin varmasti bufferoinut väestöä paikannimien mukaan (–> saamenkielen vaikutusalue? ) ja jotenkin käyttänyt pistetietokantoja. Tämä projekti päättyi siihen, etten löytänyt väestötietokantoja pistetietoina. Mielessä kävi myös ilmanlaadun ja autojen määrän välisen yhteyden tutkiminen Euroopan alueella, mutta lopulta aloin tunnilla etsiä tietoja Eurostat sivun kautta Euroopan unionin valtioiden urbanisoitumisasteen ja maataloustuotteiden tuottamisen välisestä korrelaatiosta. . Oletuksena tässä taustalla on se, ettei urbaani väestö työskentele maatalouden parissa, jolloin minua kiinnosti tietää kuinka tuottavaa korkean urbanisaatioasteen omaavien valtioiden maatalous on ja toisaalta kuinka tuottavaa ei-yhtä-urbanisoituneiden valtioiden samaiset luvut ovat.  Samalla selviää valtioiden omavaraisuus suhteessa maataloustuotteisiin, jotka tutkimuksessani ovat: vihannekset, hedelmät, vehnä, vilja (kyllä, ne oli erikseen Eurostatin tilastoissa. Vehnä on merkityksellinen, joten se esitetään toisista lajikkeista erillään), peruna ja sokerijuurikas. Ja tässä, hyvä herrasväki, on valmis tuotos!

Kuva 1: EU-jäsenmaiden urbanisoitumisaste sekä maataloustuotteiden tuottomäärät vuoden aikana, sekä väestömäärät maittain. Tiedot perustuvat vuoden 2011 tietoihin. Lähde: Eurostat.

En jokaisen maan kohdalta ala selittämään auki tilannetta, mutta kaava jota ajattelin on kutakuinkin tämän kaltainen:

Urbanisoitumisaste suuri + tuotto suurta = Maaseudun väestön osuus on pieni ja maanviljelyksessä on käytössä korkeaa teknologiaa. Maa on maataloustuotteiden osalta omavarainen, mahdollisesti myös vientiä ulkomaille.
Urbanisoitumisaste suuri + pieni tuotto =Tuotto on pientä joko tuottajien vähäisen määrän, keskinkertaisen teknologian tai maanviljelyyn sopivan maaperän puuttumisen takia. Maa joutuu ostamaan tuotteita ulkomailta.
Alhainen urbanisoitumisaste + suuri tuotto = Maaseudun väestön osuus on suuri, maatalouden osuus taloudesta on myös suurta. Maa on maataloustuotteiden osalta omavarainen ja mahdollisesti myös vie tuotteita ulkomaille.
Alhainen urbanisoitumisaste + pieni tuotto = Maaseudun väestön osuus on suuri, pieni tuottavuus saattaa jälleen johtua alhaisesta teknologiasta tai huonosta maaperästä. Lisäksi on huomioistava se mahdollisuus, että maanviljelijät tuottavat ainoastaan omaan käyttöön. Maa on mahdollisesti omavarainen maataloustuotteiden osalta, riippuen väestömäärästä.
Yksipuolinen tuotanto =varma tuonti muiden tuotteiden kohdalla, vientiä omasta tuotannosta.
Monipuolinen tuotanto= varma omavaraisuus ja mahdollisesti vientiä.
Lisäksi on tarkasteltava maan väestömäärää, suuri väestö vaatii tietysti enemmän ruokaa kuin pieni väestö, mikä myös vaikuttaa omavaraisuuteen.

Näiden huomioiden perusteella voidaan sanoa, että Ranska, Saksa, Turkki ja Puola vaikuttavat melko omavaraisilta, tosin Ranskan ja Saksan urbanisoitumisaste on melko suuri, mutta maataloustekniikkakin on siellä tehokas. Kartasta näkee myös melko selkeästi, että Länsi-Eurooppa on urbanisoituneempi kuin itäinen, poikkeuksen sääntöön tekee kuitenkin Portugali ja Irlanti. Jäkimmäisten maataloustuotantokin on melko alhainen, jolloin maat tukeutuvat varmasti tuontitavaraan. Toisaalta näiden väestömäärä ei ole räjähdysmäinen.. Pohjoisessa on huomioitava kasvukauden pituus, joka on paljon keskistä Eurooppaa pienempi, mikä vaikuttaa myös tuottavuuteen. Vaikka hyvää viljelymaata olisikin tarjolla, ei kaikki kasvit pärjää kylmässä ja pimeässä. Suomen pinta-alasta noin 8 % on maanviljelyksessä josta okerijuurikas ja viljat vievät suurimmat viljelyalat (MMM, 2011). Islanti ja Norja nojaavat täysin tutkittujen tuotteiden osalta tuontitavaraan.

Ajattelin vielä tutkia maataloustuottajien lukumäärää näissä EU-maissa sekä maanviljelyssä käytettyä kokonaispinta-alaa, mutta koska Eurostatin sivulla on paljon pieniin osiin pilkottua tietoa ja oikean tiedon löytäminen monesta tietostosta yhteenlaskemalla on työlästä, en tähän kuitenkaan jaksanut ryhtyä. Onneksi voin kuitenkin tässä viitata Markus Auvisen tutkimuksiin, jossa hän on juurikin tutkinut muun muassa maataloustuottajien lukumäärää. Hänen kartastaan nähdään, että esimerkiksi Puolassa ja Romaniassa on paljon maataloustuottajia (siinä 2,5 – 4 miljoonan paikkeilla), lisäksi huomioitavaa on, että näiden koulutustausta on hyvin vaatimaton, monet toimivat pelkän käytännön opin kautta. Tuottavuus on kuitenkin melko suurta, mikä saa ajatukseni vaeltamaan kysymykseen ympäristöystävällisestä maataloustoiminnasta näissä maissa. Esimerkiksi Itämeren nitraattien, fosforin ja torjunta-aineiden, kuten DDT:n, kuormituksesta varsinkin Puolaan osoitetaan usein syyttävällä sormella. Euroopan komission maatalousaiheisen julkaisun mukaan maatalous muodosti 6 % Puolan BKT:sta vuonna 1998, samalla kun maataloustuottajien osuus oli lähes 27 % väestöstä (CEC Reports, 1998). Juuri tuottajien suuri määrä kielii alhaisesta tehokkuudesta, maa on kuitenkin perustuotteiden osalta omavarainen. Auvisen karttaan vielä viitaten mainitsen maataloustuottajien koulutustason olevan korkea Ranskassa ja Saksassa, ja lisäksi maataloustuottajien määrä on näissä maissa huomattavan pieni verrattuna maan koko väestöön (joka näkyy omassa kartassani). Maatalouden tuottavuus on siis hyvin korkea, tiedon kautta on maata pystytty hyödyntämään maksimitasoon, maatalous on monipuolista ja varsinkin Ranska on yksi maailman tärkeimmistä maataloustuotteiden viejistä (Globalis.fi). Toisaalta näiden maiden yleinen vauraus vaikuttaa esimerkiksi käytössä oleviin maatalouskoneisiin periaatteella mitä kalliimpi sen tehokkaampi. Vaurauden merkitystä korostaa myös Auvisen kartasta saatava tieto luomutuotannon osuuden suuresta määrästä juuri Saksassa ja Ranskassa (sekä Pohjoismaissa!) verrattuna Itä-Euroopan pieniin osuuksiin. Luomutuotanto on kallista.
Tuolta sivulta löysin myös muuta mielenkiintoista tietoa näin jälkeenpäin jo oman karttani tekemisen jälkeen ja pystyin tekemään tällaisen viljellyn maan pinta-alaa kuvaavan kartan (kuva 2). Jippii! Siitä voitte sitten katsella esimerkiksi aiemmin käsitellyn Puolan maankäyttöä, josta maatalous vie 51-68 % kokonaispinta-alasta. Saksan kohdalla 34-51 % pinta-ala tuottaa enemmän kuin Puola, vaikka maataloustuottajia onkin huomattavasti vähemmän. Koulutuksen ja vaurauden merkitys nousee tässä selkeästi esille.

Kuva 2. Maataloudessa käytetyn maapinta-alan osuus valtion kokonaispinta-alasta vuonna 2009. Lähde Globalis.fi.

Aiheesta olisi mielenkiintoista jatkaa vaikka kuinka kauan, mutta jottei Arttu alkaisi repiä hiuksia päästään mun pitkiä tekstejä lukiessaan päätän kuitenkin lopettaa tähän lisäten vielä nöyrimmät kiitokseni kurssista. Karttojen tekeminen ja kurssi oli kokonaisuudessaan erittäin mielenkiintoista, opetus loistavaa, ja todellakin koen ymmärtäväni ainakin osan MapInfon salaisuuksista. Tästä on hyvä jatkaa eteenpäin. Anna kiittää ja niiaa.

Lähteet:

Eurostat. Statistics. European Comission.
[25.2.2013] http://epp.eurostat.ec.europa.eu/portal/page/portal/statistics/themes

MMM=Maa- ja Metsätalousministeriö (2011). Maatalous/Maataloustuotanto. Valtioneuvosto.
[27.2.2013] http://www.mmm.fi/fi/index/etusivu/maatalous/maataloustuotanto.html

CEC Reports (1998). Agricultural Situation and Prospects in the Central and Eastern European Countries -Poland. European Comission.
[27.2.2013] http://ec.europa.eu/agriculture/publi/peco/poland/pol_en.pdf

Globalis.fi. Ranska (2006). Suomen YK-liitto.
[27.2.2013] http://www.globalis.fi/Maat/Ranska

Auvinen, M. (2013). Maataloustuottajien lukumäärä ja koulutus. Paikkatiedon hankinta, analyysi ja kartografia 2013. 25.2.2013.
[27.2.2013] http://blogs.helsinki.fi/markusau/files/2013/02/ORG2005EU2.jpg

Meteoriittihyökkäys!

Vai osui Artulla ”sattumalta ”silmiin sivusto tunnetuista meteoriittikraatereista, jonka tietojen perusteella pitäis sit alkaa väsäämään extrakarttaa… tässä alkaa kyllä tuntua vedättämisen makua, mutta menenpä leikkiin mukaan. Pahimmillaan saattais jopa oppia jotakin.

Kopioin taulukon tunnetuista meteoriittikraatereista suoraan nettisivuston palvelusta Meteoritessize ja muokkasin sitä excelissä niin, että mapperi pystyisi lukemaan tietoja paremmin. Piti mm muutamat tuhatta pilkkua poistaa grammoista ja muuttaa pilkut pisteiksi nettiosoitteista, mutta onneksi excel osasi hoitaa tämän puolestani, joten siinä ei nokka kauaa tuhissut. Avasin taulukon mapperiin ja rekisteröin pisteet aiemmin käytettyyn WORLD-tietokantaan longitude/latitude WGS 84 projektioon, kun ei muuta tietoa annettu. Loin ensinnä kartan meteoriittikraatereiden sijoittumisesta:

Kuva 1. Maapallon tunnetut meteoriittikraaterit. Lähde: Meteoritesize

Havainnot:
Merellä ei ole meteoriittikraatereita. Tämä ei kylläkään tarkoita sitä, että kaikki meteorit jotka maahan asti pääsevä tarkoituksellisesti hakeutuisivat kohti maata ihan vain kiusaksi, vaan tämä johtuu siitä, ettei meren pohjia ole helppo tutkia. Meren pohjalta löytyisi itse asiassa enemmän kraatereita kuin maan päältä, sillä merien pinta-ala on suurempi kuin maan (70 % maapallon pinta-alasta), jolloin meteorit todennäköisimmin osuvat mereen.

Mantereilla kraatereiden esiintyminen on jakautunut epätasaisesti niin, että joillakin osilla mantereista on enemmän ja tiheämmässä kraatereita kuin toisilla. Tämä johtuu siitä, että suurin osa kraatereista ovat hyvin vanhoja. Ne alueet, joilla on runsaasti kraatereita, ovat mantereiden vanhimpia osia, eli kilpialueita/kratoneita, joihin myös Suomi kuuluu. Arkeinen kallioperä kerkeää olemassaolonsa aikana keräämään enemmän kraatereita kontolleen, tai toisin sanoen, näitä alueita ovat meteorit pystyneet pommittamaan kauemmin kuin nuorempia maa-alueita, jolloin kilpialueilla on sekä hyvin vanhoja kuin nuorempiakin kraatereita, kun taas nuoremmilla alueilla on paljon kilpialueita nuorempia kraatereita. Antarktis on jäänne vanhaa Gondwana –mannerta, mutta täältä löytyy merkillisen vähän kraatereita ottaen huomioon mantereen iän. Tämä johtuu siitä, että Antarktiksen päällä on mannerjää, joka peittää kraaterit alleen, eikä näitä ole sen takia päästy tehokkaasti tutkimaan.

Päiväntasaajalla ja 0-meridiaanilla on kertynyt suoraan linjaan kraatereita. Tämän kohdalla jouduin hieman miettimään ja etsimään tietokannasta virheitä, mutta tietokannan tietojen perusteella olettaisin kyseessä olevan yhden tai useamman meteorin rikkoutuminen ilmakehään osuessaan ja kappaleiden sinkoutuminen ympäristöön. Mielenkiintoista on kuitenkin edelleen se, miten ne ovat voineet päätyä samalle linjalle, kuvion pitäisi olla pyöreämpi. Tietokannan mukaan esimerkiksi päiväntasaajalle osuneet kappaleet ovat kaikki nimeltään Y-74593 meteoreja, erotuksena on kahden viimeisen numeron muuttuminen, joten kyseessä on varmasti samasta meteorista lähtöisin olevia kappaleita. Myös löydettyjen meteoriittien jäänteet ovat samaa materiaalia (esimerkkitapauksessa H6). Todennäköisintä on, että tarkka leveyspiirin (tai pituuspiirin) määritys on epäonnistunut, jolloin on merkitty 0. Tähän tietokantaongelmaan en itse voinut vaikuttaa, sillä kyse on aineistossa olevasta virheestä.

Loin vielä omaksi huviksi teemakartan massaltaan yli 10 kilon meteorin aiheuttamien meteoriittikraatereiden jakaumasta (Kuva 2). Mielenkiintoista on, että suurimmat kraaterit sijaitsevat kaikki melko samoilla kohdilla, tarkkaa pommitusta on siis ollut! Massa vaikuttaa liike-energiaan suoraan verrannollisesti ja liike-energia vaikuttaa puolestaan syntyneen kraaterin ja tuhojen laajuuteen (Lehtinen, 1998). Meteorin koko määrittelee myös kraaterin koon niin, että kraateri on 10-50 kertaa meteorin läpimittaa suurempi. Näin tuhoihin vaikuttaa sekä meteorin koko (läpimitta), massa (joka on riippuvainen materiaalista), sekä nopeudesta. Kartassa olevat massaa esittävät kraaterit kertovat siis suuntaa-antavasti alueella ilmeneistä tuhoista. Mielenkiinoista on, ettei tällä kartalla ole Jukatanin niemimaalle osunutta meteoriittia, joka oli osasyyllisenä Permi-Triaskauden joukkosukupuuttoon, jossa dinosaurukset katosivat. Aliisa Priha on maininnut samasta asiasta ja hän on myös jaksanut etsiä syyn tähän alkuperäisestä tietokannasta: Chicxulubin kraaterin meteoriitin massatiedot puuttuvat! Tässä on hyvä muistutus lähdekriittisyydestä, kuten on myös nämä merkilliset 0-pituus- ja leveyspiirin kraatereiden koordinaattitiedot, aina pitäisi tarkistaa mistä lähteestä tiedot ovat peräisin. Käykääpä muuten katsomassa Aliisan karttaa, todella kauniin näköinen ja selkeä! Omassa teemakartassani on ehkä turhan paljon meteoriitteja merkittynä, olisi voinut vielä enemmän karsia suurempimassaisiin meteoriitteihin.

Kuva 2. Yli 10 kilon meteorien meteoriittikraaterit massan mukaan luokiteltuna.

Tietojen perusteella voisi vielä jakaa SQL-selectillä meteorit kahteen ryhmään näiden koostumuksen mukaan, eli rauta- ja kivimeteoriitteihin, mutta koska useimmissa tapauksessa iron-tunnuksen jälkeen on vielä tarkentava selitys, tai sitten kyseessä on rauta-kivi-meteoriitti, ei täydellistä jakoa pysty tekemään, ainakaan nykyisillä taidoillani. SQL-selektillä voisi varmasti jollain tavalla erotella “iron” -alkuiset nimet materiaali-sarakkeessa, mutta en tällaista toimintoa onnistunut tekemään vaikka mitä kikkailuja yritin. Yli 35 000 kohteen aineistossa ei mielellään lähde itse laskemaan materiaalijakautumista. Lisäksi on paljon meteoriittejä, joille on annettu pelkkä koodi materiaaliksi, eikä näistä pysty ilman tarkempaa tutkimista sanoa kummasta materiaalista nämä koostuvat. Mutta jos jako pystyttäisiin tekemään, voitaisiin tutkia rauta- ja kivimeteoriittien sijoittuminen ja mahdollisesti pohtia näiden alueelle aiheuttamia tuhoja. Rautaytimiset meteoritit aiheuttavat enemmän tuhoa ympäristöön, sillä ne ovat massaltaan tiheämpiä eivätkä ne mene helpolla rikki maan ilmakehässä.

Huomio termeistä:
Kratoni = Mantereellisen kuoren alue, joka on säilynyt tektonisesti stabiilina (deformoitumattoma) ainakin 500 miljoonaa vuotta.
Meteori = Maan ilmakehässä liikkuva Meteoroidi
Meteoriitti = Maan pintaan osunut Meteori
Meteoroidi = Avaruudessa liikkuva möhkäle, koostumukseltaan joko kivi, rauta tai sekoitus näistä.

Lähteet:

Meteoritessize (2013). Google Fusion Tables.
[25.02.2013] https://www.google.com/fusiontables/DataSource?docid=1vHSvjNgCIl6kRhFXPHhvESnnYx_ShToJWtWdjm8#rows:id=1

Geologia.fi. Geologian verkkoaineisto. Suomen Kansallinen Geologian Komitea (SKGK).
[26.02.2013] http://www.geologia.fi/index.php/2011-12-21-12-30-30/2011-12-21-12-36-55/kratonit

Lehtinen, M. (1998). Meteoriittitörmäyskraaterit-maan ja taivaan kohtauspaikat. Teoksessa Lehtinen, M., P. Nurmi & T. Rämö (toim.): Suomen kallioperä: 3000 vuosimiljoonaa, 329-341. Suomen Geologinen Seura ry. Helsinki.
[26.2.2013] http://www.geologinenseura.fi/suomenkalliopera/CH12.pdf

Priha, A. (2013). Meteoriitteja! (mutta ei sitä yhtä suurta). Aliisan paikkatietoblogi. 20.2.2013.
[27.2.2013] http://blogs.helsinki.fi/apriha/

Kurssikerta 6. Opetusmateriaalia maanjäristyksistä

Kuva 1. Alle 5 magnitudin järistykset vuonna 2008. Siniset tähdet ovat alle 70 km syvyydessä ja vihreät yli 70 km syvyydessä sattuneet järistyksiä. Lähde: ANSS

Toiseksi viimeisellä kurssikerralla pääsimme harjoittelemaan itse haetun tiedon tuontia mapperiin. Aamu alkoi hauskasti pienellä ulkoilulenkillä, jolloin saimme hakea GPS-laitteella sijaintitietoja itse valitseman teeman mukaan. Haetut koordinaatit kirjattiin exceliin ja taulukko tuotiin MapInfoon ja pisteet sijoitettiin mapperin maailmaan Helsingin aluekartan päälle. Yllättäen kaikki hakemamme pisteet sijoittuivat kohdilleen kartalla, oli hauska tutkia tekemämme reitin kuviota kartalla. Harjoittelimme myös sijaintipisteiden geokoodausta osoitetietojen perusteella. Tämä toiminto ylitti ymmärrykseni, vaikka ohjeita seuraamalla sainkin pisteet paikoilleen. Pitääpä tuota toimintoa harjoitella jatkossa niin ehkäpä senkin sitten ymmärtäisi paremmin.

Kuva 2. Järistykset voimakuudeltaan 5-7 magnitudia vuonna 2008. Vihreät tähdet ovat alle 70 km, keltaiset 70-150 km ja oranssit yli 150 km syvyydessä ilmenneitä järistyksiä. Lähde: ANSS

Varsinaisena tehtävänä tuli hakea Northern California Earthquake Data Centerin ylläpitämältä maailman maanjäristyksiä listaavalta ANSS-sivustoltatilastotietoja maanjäristyksistä itsemääritellyn ajanjakson ajalta ja luoda näiden pohjalta karttasarja, jota voisi käyttää opetuksessa. Tehtävänannossa oli annettu esimerkkinä esittää kolmen kartan sarjana maanjäristysten vaiheittainen lisääntyminen magnitudien, eli maanjäristysvoimakkuuden mukaan, mutta itse en pidä tällaista sarjaa hyvänä tapana opettaa maanjäristyksistä ja niiden syntytavoista, sillä maanjäristysten voimakkuus on riippuvainen maanjäristyskeskusta ympäröivän kiviaineksen ominaisuuksista, ja siitä ajasta, jonka aikana maanjäristysalue kerää energiaa. Mutta kuten ohjeissakin sanottiin, maanjäristykset ovat moninainen ilmiö johon liittyy muitakin ilmiöitä, jolloin nämä tulisi yhteyden havaitsemisen takia esittää mielestäni yhdellä kartalla. Onneksi Teemu Karhu on ollut kanssani samaa mieltä, sillä hänkin on ollut huolissaan erillisillä kartoilla esitetyistä järistyksistä ja suosisi yhdellä kartalla esittämistä, jolloin “huomio kiinnittyisi kuitenkin oleellisiin kohtiin, eikä ”satunnaisiin” järistyskohteisiin ympäri maailmaa. Maanjäristysten keskittyminen tietyille alueille korostuisi” (Karhu, 2013). Kuvissa 1-3 on esitettynä maanjäristysten voimakkuus näiden syvyyden mukaan kolmessa kartassa niin, että jokainen kartta esittää yhtä järistysvoimakkuutta ja luokat syvyyden vaihtelua. Kuvat 1 ja 3 eivät juurikaan anna järistysten syntyalueesta tietoja, mutta kartasta 2 on jo nähtävissä järistysten syntyalueen yhteys mannerlaattojen reunojen kanssa.

Kuva 3. Yli 7 magnitudin järistykset vuonna 2008. Oranssit tähdet ovat alle 70 km ja punaiset yli 70 km syvyydessä ilmenneitä järistyksiä. Lähde: ANSS

Kun kartalla esittää maanjäristysten esiintyminen näiden syvyyden mukaan saadaan samalla tietoa näiden esiintymisympäristöstä. Tällaista karttaa voidaan sitten verrata magnitudeja esittävään karttaan ja miettiä ilmiöiden välisiä korrelaatioita. Kuvassa 4 olen esittänyt vuodesta 2008 lähtien rekisteröityjen maanjäristysten esiintymisen näiden syvyyden mukaan. Tähdet esittävät maanjäristyskeskuksen, eli fokuksen/episentrumin sijainnin. Vihreät tähdet tarkoittavat matalia, alle 50 km syvyydellä esiintyviä, keltaiset 50-150 km syvyydellä ja punaiset syviä, yli 150 km syvyydellä esiintyviä maanjäristyksiä. Toisessa kartassa on esitettynä maanjäristysten magnitudit niin, että vihreällä on esitetty heikot, alle 5 magnitudin järistykset, keltaisella 5-7 magnitudin järitykset ja punaisella voimakkaat yli 7 magnitudin järistykset (kuva 5). Pieniä järistyksiä syntyy paljon enemmän kuin suuria järistyksiä, ne ovat normaaleja mannerlaattojen liikkeisiin liittyviä “oireita”. Sen sijaan suuret järistykset kuuluvat lukkiutuneiden mannerlaattojen laattojen irtoamiskamppailuun. Siinä mielessä järistyksen voimakkuus kertoo laattaympäristöstä, sillä kuten kartasta 5 näkee, voimakkaita järistyksiä ilmenee eniten subduktiovyöhykkeellä (lisää jäljessä), kun toinen laatta joutuu sukeltamaan toisen alle, eikä jähmeä kiviaines ole kovinkaan taipuisa antamaan myöden, jolloin tapahtuu lukkiutumista. Kartat 1-3 ja 4-5 eivät ole aivan täysin vertailukelpoisia, sillä tein ne eri päivinä ja muistiini liikaa luottaen laitoin niihin eri luokitukset, minkä tarkkasilmäisimmät varmasti heti huomaakin. Mielenkiintoista on myös, että Atlantilta on kadonnut melko paljon maanjäristyspisteitä karttojen 4 ja 5 välillä, tähän en osaa antaa selitystä, tietoja on selvästi jäänyt huomaamattani jonnekin nurkkaan lojumaan. Tarkempaa työtä seuraavalla kerralla…

Kuva 4. Vuonna 2008 sattuneet maanjäristykset niiden syvyyden mukaan. Vihreät tähdet kuvaavat alle 50 km syvyyden, keltaiset 50-150 km syvyyden ja punaiset yli 150 km syvyyden järistyksiä. Lähde: ANSS

Näiden karttojen perusteella oppilaat tulevat toivottavasti tekemään seuraavanlaisia huomioita:
Maanjäristyksiä esiintyy usein samoilla alueilla ja nauhamaisina jaksoina ja ne ovat epätasaisesti jakautuneita. Maanjäristysten syvyys vaihtelee ja osissa alueista on nähtävillä syvyyden lineaarinen muuttuminen niin, että mereisellä alueella järistykset ovat matalia ja mantereella järistykset syvenevät. Miksi syviä järistyksiä on vain tietyillä alueilla? Voimakkaita järistyksiä tapahtuu yleensä myös alueilla, joilla on syviä järistyksiä. Mistä nämä havainnot johtuvat?

Kuva 5. Magnitudien mukaan luokitellut maanjäristykset vuonna 2008. Vihreät tähdet ovat alle 5 magnitudin, keltaiset 5-7 ja punaiset yli 7 magnitudin järistyksiä. Lähde: ANSS

Maanjäristyksiä esiintyy sekä mannerlaattojen reuna-alueilla, että näiden sisäosissa. Laattatektonisia ympäristöjä voidaan tutkia maanjäristysten avulla mittaamalla näiden syvyyksiä ja järistysten voimakkuuksia, mikä tapahtuu yleensä laskemalla järsitysten magnitudit, Richterin asteikko on varmasti monelle tuttu termi.

Laattatektonisia ympäristöjä on pääasiallisesti neljänlaisia:
1) Laattojen loittonemisvyöhykkeet, jotka voivat sijaita sekä mereisillä laatoilla että mantereisilla laatoilla. Keski-Atlantin selänne on kuuluisin merellinen loittonemisvyöhyke ja Itä-Afrikan ruhjelaakso puolestaan tunnetuin mantereinen loittonemisvyöhyke.
2) laattojen törmäysvyöhykkeet, jotka jaetaan kahden mantereisen laatan törmäysvyöhykkeeseen, mantereisen ja mereisen laatan ja kahden mereisen laatan törmäysvyöhykkeisiin, joista näitä kahta viimeksi mainittua kutsutaan subduktioksi.
3) sivuttaissiirrokset, eli transformisiirrokset, joissa laatat kulkevat toisiinsa nähden eri suuntiin. Kuuluisin sivuttaissiirros on Kalifornian San Andreaksen siirros.
4) laattojen sisäiset mikrosiirrokset, jotka ovat entisten laattojen jäännöksiä.

Maanjäristyksiä syntyy, kun maapallon vaipan vaippakonvektioiden liikuttamat laatat eivät pääse liikkumaan, vaan lukkiutuvat paikoilleen. Jähmeä kivi ei pääse irti vaan kiviaines taipuu ja lukkiutumaan kerääntyy energiaa, joka sitten purkautuu äkisti nykähtäen synnyttäen maanjäristyksen. Järistyksiä aiheuttaa myös tulivuorenpurkaukset, vesipatojen sortuminen ja voimakkaat räjäytykset.
Maanjäristysten syvyyden perusteella voidaan päätellä erilaisten laattareunojen sijainnin. Loittonemisvyöhykkeillä maan kuori on ohut, sillä näillä alueilla muodostuu uutta merenpohjaa, joka paksuuntuu vasta kauempana loittonemisvyöhykkeestä. Näillä alueilla esiintyy siis matalia, noin alle 70 km syvyisiä maanjäristyksiä, eivätkä ne usein ole kovinkaan voimakkaita, koska lukkiutumista ei juuri tapahdu. Törmäysvyöhykkeillä maankuori paksuuntuu ja järistykset saattavat esiintyä hyvinkin syvällä maan kuoressa. Varsinkin subduktiovyöhykkeillä kevyemmän laatan painuessa toisen alle voi järistyksiä esiintyä niinkin syvällä kuin 700 km syvyydessä, minkä jälkeen alas painuva laatta jo sulaakin kuumuuden ja paineen vaikutuksesta. Sivuttaissiirrosten yhteydessä on sekä matalia, että syviä järistyksiä riippuen lukkiutuman sijainnista. Laattojen sisäiset mikrosiirrokset voivat myös sijaita vaihtelevalla syvyydellä, nämä erottaa pistemäisinä kohteina laattojen keskiosissa.

Näin näiden karttojen avulla voidaan opettaa seuraavanlaisia asioita:
Mannerlaatat ja niiden sijainti, laattatektoniikkateoria ja vaippakonvektiot, jotka liikuttavat mannerlaattoja aiheuttaen sekä törmäyksiä että uuden merenpohjan syntymistä. Mannerten vaellus, eli Wilsonin sykli ja teoria supermantereista. Törmäyksistä aiheutuvat maanjäristykset ja niiden syntymekanismit.

Maanjäristyksiä ja niiden tuhoja tutkittaessa on hyvä ottaa huomioon näiden esiintymisympäristöjen asukasrakenne ja sosio-ekonominen tilanne. Kuten Kati Hiltunen sanoo blogissaan,

Täystuhoa tuottavia maanjäristyksiä on lukumääräisesti yllättävän vähän, vaikka onkin otettava huomioon, että pienempikin järistys kriittisellä alueella tuottaa valtavasti enemmän aineellista tuhoa kuin voimakas järistys asumattomalla alueella.” (Hiltunen, 2013)

Asukastiheyttä voi tutkia maanjäristysalueilla esimerkiksi tästä. Matalat, alle 70 km syvyydessä syntyneet järistykset ovat tuhoisimpia, näitä myös tapahtuu verrattain usein. Myös vuorokaudenaika vaikuttaa tuhojen laajuuteen, sillä rakennusten sisällä olevat ihmiset ovat vaarassa jäädä loukkuun romahtavien rakennusten alle, jolloin keskipäivä kaupunkien keskustoissa sekä yöaika tiheään asutetuilla alueilla ovat turvattominta aikaa. Rikkaimmilla alueilla on mahdollista rakentaa maanjäristyksille kestäviä rakennelmia kunnollisten ja teknisesti innovatiivisten perustuksien ja joustavien materiaalien kautta. Esimerkiksi Japani, joka on hyvin järistysherkkää aluetta, on rakennussuunnittelussaan käyttänyt tekniikkaa loistavasti hyväkseen. Rikkaammat alueet myös palautuvat nopeammin järistyksen jälkeen ja jälleenrakennus alkaa vauhdikkaasti, toisin on kehitysmaissa, joissa hasardien jälkeiset jälleenrakennukset voivat venyä moniksi vuosiksi. Salla Lohen nokkela lähestymistapa tähän tehtävään huomautti eräästä tärkeästä seikasta koskien maanjäristyksiä, nimittäin niiden rekisteröintiin liittyvän tekniikan kehitys, myös kehitysmaissa. Tietokantoja, kuten ANSS-sivustoa, ylläpitää tutkimuskeskukset, joilla on varaa toteuttaa tutkimuksia, ja tulokset ovat julkista tietoa ainakin hallituksille. Maanjäristykset tapahtuvat yleensä melko samoilla tavoilla samoilla alueilla, jolloin alueen järistyshistoriaa tutkimalla voidaan ennakoida seuraavan järistyksen tulo, esiintymispaikka ja voimakkuus ja tätä kautta varautua. Tosin tuhoja ei usein voida estää.

Lähteet:

Heikkinen, P. (2013). Maanjäristykset ja seismiset aallot. Dynaaminen Maa I, luentoaineisto. Helsingin yliopisto.

ANSS = Advanced National Seismic System (2012). Earthquake Maps and Lists. Northern California Earthquake Data Center.
[18.02.2013] http://www.ncedc.org/anss/maps/

Hiltunen, K. (2013). Kurssikerta 6. Maata järisyttäviä (hypoteettisia) opetuskarttoja ja toiveita tuovia tähdenlentoja. Katin paikkatietoblogi. 20.2.2013.
[27.2.2013] http://blogs.helsinki.fi/kahi/2013/02/20/kurssikerta-6-maata-jarisyttavia-hypoteettisia-opetuskarttoja-ja-toiveita-tuovia-tahdenlentoja/

Lohi, S. (2013). Kurssikerta 6. Dugtrio, use earthquake! Maantieteen amatööri. 27.2.2013
[27.2.2013] http://blogs.helsinki.fi/salohi/2013/02/27/kurssikerta-6-dugtrio-use-earthquake/

Karhu, T. (2013). Kurssikerta 6. Asiat kartalle. 24.2.2013.
[27.2.2013] http://blogs.helsinki.fi/teekarhu/2013/02/24/kurssikerta-6/

 

Mapping America – SWOT-analyysi yhdysvaltalaisesta väestötiedon paikkatietoaineistosta.

Yhdysvaltalaisessa New York Timesin tarjoamassa väestönlaskennan tietokannassa, Mapping America, voi tarkastella rotuun, tulotasoon, koulutukseen ja asumiseen liittyviä tietoja. Näiden yläkategorioiden alta voi valita vielä teemakarttoina esimerkiksi valkoihoisten tai latinalaisamerikkalaisten sijainti ja levittäytyminen USA:n valtion ja pienempien alueiden sisällä tai kotitalouksien tulojen muutos vuoden 2000 jälkeen. Tietokannassa on esitettynä keskiarvot vuosien 2005 – 2009 väestönlaskennasta ja tiedot on esitettynä joko koropleetti- tai pistekarttoina. Osoittimella voi lisäksi tutkia tarkempia tilastotietoja piirikunnittain ja näiden sisällä vielä alueittain. Karttapaikka on kaikkien kansalaisten käytössä, toisaalta tarjolla on varsin rajallisesti tietoa verrattuna suomalaisten tietokantojen  tarjontaan, joissa voi osoitteen tarkkuudella saada asukkaista tietoja, jos näihin pääsee käsiksi. Yhdysvaltalaisessa palvelussa voi karttakuvaa lähentää niin, että korttelin osoite näkyy, mutta ei enää tämän tarkemmin.

Kuvassa 1 on esitetty esimerkki palvelusta saatavasta koropleettikartasta, joka esittää maisterin tutkinnon suorittaneiden osuutta New Yorkin niemellä ja sen ympäristössä (kuva 1). Bronxin lounaispuolella on tummemmalla rajalla oleva alue, joka on esimerkki piirikunnan sisäiseltä alueelta saatavasta tarkemmasta tiedosta. Tältä Census Tract 131 -alueelta näkee vielä teeman mukaisesti maisterin, kandidaatin ja näitä alempien tutkintojen suorittaineiden osuuden, sekä yli 25-vuotiaiden määrän alueella. Tällaiset esitykset ovat vielä varsin yleisluontoisia, eivätkä suoraan osoita yksittäisten kotitalouksien koulutustasoa, kuten pistekartoista voi nähdä. Tosin palvelussa ei ollut koulutustietoja pistekarttoina, mutta esimerkiksi keskimääräisen tulotason pystyi palvelusta hakemaan pistekarttana (kuva 2). Tästä tuli mieleeni sama ajatus kuin mistä Henna Hovikin on ilmaissut huolensa, nimittäin miten tällaisten aineistojen julkaisemisessa otetaan huomioon ihmisten yksityisyys, sillä “palvelussa pystyy nimittäin hakemaan osoitteen tark[kuudella] aluetta ja tarkimillaan pystyy tarkastelemaan yksittäistä korttelia. Tietojen urkinta on siis selkein uhka, mikä palveluun liittyy.” (Hovi, 2013). Vaikka pistekarttaesityksessä yhtä pistettä vastaisikin 12 kotitaloutta, voi talon sijainnin kuitenkin nähdä. sAmoin voidaan miettiä suomalaisten palveluiden yksityisyydensuojaa, mutta usein hyvin tarkat pistetilastotiedot on Suomessa vain harvojen ja valittujen käytössä. USAlaisessa palvelussa on melko tarkkaa tietoa kaikkien saavutettavissa. Tästä olisi mielenkiintoista jatkaa alueiden rikostilastojen selvittelyyn esimerkiksi Susanna Räsäsen löytämän Yhdysvaltojen rikostilasoja käsittelevän paikkatietoaineiston pohjalta.  Etsimällä voi löytää hyvinkin tarkkaa tietoa, jos vain tietää mitä etsiä ja mistä. Tutkijoille tällaiset materiaalit ovat hyvinkin arvokkaita, mutta kuten Susanna huomauttaa blogissaan, “liika tieto lisää pelkoa ja tiettyjä asuialueita alettaisiin todennäköisesti karttaa entistä enemmän, jos niillä huomattaisiin olevan suuri määrä rikoksia” (Räsänen, 2013), jolloin voidaan miettiä tarkkojen tietojen esittämisen hyödyllisyyttä tavalliselle kansalaiselle.

Kuva 2. Tulotason jakautumien Chicagon ydinkeskustassa

SWOT-analyysissä tarkastellaan mahdollisuuksia, uhkia, vahvuuksia ja heikkouksia niin sisäisinä kuin ulkoisinakin tekijöinä. Tällaisen analyysin perusteella pyritään tunnistamaan vahvuudet ja mahdollisuudet ja toisaalta parantaa toimintaa huomioimalla uhat ja heikkoudet kehittämisessä. Mapping America paikkatietokanavan osalta nämä on esitetty alla olevassa taulukossa.

Taulukko 1: SWOT-analyysi Mapping America paikkatietopalvelusta

Sisäisiksi vahvuuksiksi olen maininnut tiedon esittämisen osakunnittain ja piirikunnittain, ja tilastotiedot kattavat koko Yhdysvaltojen valtion. Näin yleiskäsityksen alueellisista eroista saa melko helposti karttaa katsomalla ja lisäksi karttaa voi lähentää käsittämään vielä piirikuntien sisäisiä pienempiä alueita. Alueiden välisiä eroja ei enää pysty lähemmin tarkastelemaan, mutta tavalliselle kansalaiselle näin yksityiskohtaiset tiedot eivät välttämättä ole edes tarpeellisia. Vahvuuksia ovat myös valmiiden karttaesitysten tarjoaminen, jolloin vältytään monimutkaisilta klikkailuilta ja itsellekin päänvaivaa aiheuttaneilta luokkittelun määrittelyiltä. Tosin tästä on sanottava heikkouksissakin mainitusta ohjaamisesta, eli karttojen tekijät ovat jo valmiiksi valinneet luokittelut ja esitettävät tiedot, mitkä voivat ohjata käyttäjien mielikuvien syntyä. Myös valmiiksi annetut teemat suuntaavat tähän. Varsinkin eri “rotujen” levittäytymistä ja sijaintia esittävät kartat nostivat mieleeni uhan segregoitumisesta, kun käyttäjät tarkastelevat nätä karttoja saadakseen selville eri etnisten ryhmien sijaintia ja valitsevat näiden tietojen perusteella esimerkiksi itselleen asuinalueen. Tämän olen maininnut myös ulkoisissa tekijöissä sijaitsevissa uhissa.

Tietoisuus alueellisista eroista voi pahimmassa tapauksessa syventää eroja ja johtaa juuri esimerkiksi segregoitumiseen ja tietojen väärinkäyttöön. Tämä tuli mieleeni varsinkin alueiden asuintalojen arvoa esittävän kartan kautta. Myyjä pystyy alueen maineeseen ja talojen arvoon perustuen nostaa oman kohteensa arvoa, vaikkei talo olisikaan toisten talojen arvoinen. Ulkoisen uhan palvelun käyttöön luo myös käyttäjien tietämättömyys kartalla esitettävästä tiedosta. Tämä uhka ei ole lähtöisin palvelusta itsestään, vaan sen luo käyttäjät itse. Ulkoisista mahdollisuuksista mainittakoon palvelun käytön helppous ja sen tarjoama ilmainen tieto, vaikka tieto onkin ennalta annettu ja rajallinen, on se kuitenkin hyvä väline käytettäväksi esimerkiksi opetuksessa.

Verrattaessa vielä suomalaisiin samankaltaisiin palveluihin, kuten Maanmittauslaitoksen tarjoama Paikkatietoikkuna, Tilastokeskuksen kansalaisen vaalikarttapalvelu, tai Tilastokeskuksen väestölaskentatietoja käyttävä karttasovellus, suomalaisissa palveluissa on paljon enemmän valinnanvaraa tietojen valinnassa, mutta samalla korostuu käyttäjän tiedot tai näiden rajallisuus, sillä palveluista ei saa irti juurikaan, jollei tiedä mitä tietoja haluaa etsiä, miten niitä saa ja miten saatuja tietoja tulisi tulkita. Tässä mielessä Yhdysvaltalainen Mapping America on helpompi käyttää, sillä se ei vaadi käyttäjältä muuta, kuin kartanlukutaitoa. Suomalaiset palvelut puolestaan tarjoavat käyttäjilleen enemmän vapauksia, mutta myös vastuuta.

Lähteet:

Mapping America: Every City, Every Block. Census Bureau’s American Community Survey, 2005-2009. The New York Times.
[17.02.2013] http://projects.nytimes.com/census/2010/explorer

Hovi, H. (2013). Tiedon saatavuus, SWOT-analyysi. Paikkatiedon hankinta, analyysi ja kartografia 2013. 18.2.2013.
[20.2.2013] http://blogs.helsinki.fi/henhovi/

Räsänen, S. (2013). SWOT-analyysi. Jälleen karttojen pariin. 17.2.2013.
[20.2.2013] http://blogs.helsinki.fi/suxrasan/

Kurssikerta 5: Bufferoidaan, SQL, bufferoidaan, SQL…

Harjoitus 5 aloitettiin oikeastaan jo viime kurssikerralla tuomalla karttalehti MapInfoon ja rekisteröimällä sen kulmapisteiden koordinaatit MapInfon avaruudessa oikeille paikoille, jolloin jokainen kartalla oleva piste saa oikean koordinaatin, jotka ohjelma siis laskee kulmapisteiden avulla.  Tuominen oli yksinkertainen homma, yhtä yksinkertaista ei kuitenkaan ole muistaa ulkoa kaikkia toimintoja, mutta onneksi ohjeet on tallessa ja käytettävissä. Tämän jälkeen kartalle, joka esitti Pornaisen aluetta, piirrettiin kömpelöllä vektoripiirtimellä tärkeimmät tiet ja pistepiirtimellä kaikki asutetut talot. Tästä tehtävästä opin ymmärtämään avonaisen vektoriviivan ja suljetus alueen piirtämisen eron ja tunnistamaan layer controllissa näkyvien symbolien merkityksen. Olinkin ihmetellyt miksi siellä jonkun tiedoston edessä on raksi, aivan kuin se olisi vioittunut tiedosto, mutta symboli tarkoittaakin vektoriaineistoa. Selvisipä tuokin.

Tämä kurssikerta jatkui tuon kartan työstämisellä. Tarkoituksena oli piirrettyjä teitä käyttäen määrittää kuinka monta rakennusta on 100 metrin säteellä pääteistä. Tämä tapahtui puskurointikomennolla. Tällöin syntyi alue, joka söi tiet sisäänsä ja peitti näiden ympäristön 100 metrin alueelta. Puskurivyöhykkeen sisään jääneet talot pystyi tämän jälkeen valitsemaan, kun talot sisältävä taso oli layer controllissa muokattavissa, ja näihin liittyviä tietoja hyödyntämään. MapInfossa, kuten Corelissakin, eri tietoja sisältävät tiedostot ovat kartalla kerroksittain, minkä näkee parhaiten juuri leyer controllissa. Jos taloja sisältävä kerros on jonkun toisen kerroksen alla, niin bufferoimisen jälkeen ja Boundary select –työkalua käytettäessä taloja valikoidessa ohjelma valitsee ylimmässä kerroksessa sijaitsevia ”ensisijaisia” kohteita, jolloin päällä oleva kerros on tehtävä ei-valittavaksi. Mutta jos taloja sisältävä kerros on ylimmäisenä (tai siis Cosmetic layerin alla oleva ensimmäinen kerros), niin mitään tällaista ongelmaa ei tule vaan talot valikoituvat ensisijaisina.

Minulla ei ollut aamutunneilla konetta käytössäni, mutta kurssikaverin näyttöä tihrustaen pysyi hyvin kärryllä. Operaatio on hyvin yksinkertainen ja kun tunnin päästä sain oman koneen, pystyin suoraan siirtymään itsenäistehtäviin, joissa hyödynnettiin tätä puskuritoimintoa. Tehtävissä joutui käyttämään paljon jo aiemmin opittuja toimintoja. Siitä nämä harjoitukset olivat juuri hyviä, että kun aiemmin oltiin vain toimittu ohjeiden mukaan ja ”matkittu” kaikkia klikkauksia, niin nyt joutui näitä tietoja soveltamaan ja miettimään itse, mitä tietoja tarvitsee ja miten näihin tietoihin pääsee käsiksi. Itsenäistehtävien ensimmäinen osio oli siinä mielessä helppo, että se toimi periaatteessa kokonaan bufferoimisen kautta ja hieman oli käytettävä SQL-select –toimintoa, jolla tietystä aineistojoukosta valitaan kriteereiden perusteella halutut tiedot. Lisäksi oli yhdisteltävä tietoja toisista tietokannoista, mikä on tässä vaiheessa jo helppo tehtävä. Tarkoituksena oli laskea Malmin ja Helsinki-Vantaan lentokenttien läheisyydessä asuvien ihmisten määrä 2 km säteellä ja rajata nämä vielä eri melualueasteiden mukaan. Yksi osa tehtävistä oli vielä laskea melualue itse, jolloin piirrettiin ”tie” kiitoradalta 7 km matkalta ja 1 km leveydeltä, puskuroidessa oli tämä otettava huomioon, joten 500 m puskurilla alueen pituudeksi tuli kiitoradan päästä 6,5 km.

Eniten tuli käytettyä juuri näitä aineiston jako ja valintatyökaluja, SQL-select ja muita select-toimintoja, jotka huomasin hyvin monipuolisiksi. Myös taitoni laskea uusia tietoja olemassa oleviin tietokantoihin jonkun toisen tietokannan perusteella parani, kun ensin olin laskenut nämä tiedot siihen tietokantaan, jossa tiedot sijaitsivat, ja vasta tämän jälkeen siirsin ne käsiteltävään tietokantaan. Ymmärsin hetken päästä, että saman voi tehdä myös Expressions –toiminnolla suoraan käsiteltävään tietokantaan, eikä ”työläitä” välivaiheita tarvita. Samalla pysyy tekeminen ja tavoite selvempänä mielessä, kun ei liian monessa kohdassa käsittele tietoja. Hieman jouduin katsomaan neuvoja varsinkin kurssikerta 3 ohjeista, miten tietokantoja käsiteltiinkään, mutta kun saman asian oli tarpeeksi monta kertaa toistanut, alkoi se syöpyä jo verkkokalvolle ja toivottavasti näköhermoja pitkin syvemmällekin.

Itsenäistehtävien toisessa osassa haastetta loi se, etten aluksi ymmärtänyt millaisten tietojen kanssa olin työskentelemässä. Lisäksi itselläni kävi ainakin alussa täysin samoin kuin mistä Ilppo Soininvaarakin on bogitekstissään tuskaillut, nimittäin erilaisten työkalujen toisiinsa sekoittuminen ja aloittamisen vaikeus. Varsinkin select -toimintoja on monenlaisia ja niiden käyttömahdollisuudetkin ovat niin laajat, että sopivan toiminnon valitseminen on oikeastaan se vaikein osuus. Vasta kun oikeasti ymmärtää mitä on tekemässä (eikä vain matki toimintoja ohjepapereista) avautuu “mäpperin” laajat mahdollisuudet. Oma heräämiseni tapahtui Helsingin seudun koulupiirejä ja näiden asukkaita käsittelevän tehtävän aikana. Tein oikeastaan kaikki oikeat toiminnot, kun rajasin alueen koulupiirin mukaan ja valitsin sillä alueella olevia asukastietoja, mutta en ymmärtänyt tuloksia, koska en ymmärtänyt käsittelemieni tietojen laatua, ja luulin tehneeni väärin. Arttu neuvoi minua juuri samalla tavalla kuin olin jo tehnyt, varmasti aamuväsymyksestä en tajunnut että koulupiirihän on alue… Joten rajaus sen mukaan. Lisäksi aineistossa kummitteli luku 999 999 999, joka vääristi aluksi tietoja. Näitä ei edes huomannut suuressa aineistossa, mutta jälleen tietojenrajaustyökalulla pystyi määrittelemään, ettei laskuissa ja rajauksessa huomioida näitä lukuja määrittelemällä käsiteltävien aineistojen suuruudeksi alle tuon 999 999 999, jolloin ne valikoituivat pois. Tämän jälkeen tietojen laskeminen oli helppoa. SQL-selectillä sai kaikki tarvittavat tiedot lasketuksi ja aina edellisestä tiedosta oli helppo siirtyä seuraavaan, muutamalla klikkauksella oli kaikki tiedot laskettuna. Lisäksi olen aina aikaisemmin tallentanut kaikki Queryt omaksi tietokannaksi ennen näiden hyödyntämistä esimerkiksi uusien tietojen laskemisessa, mutta opin tällä kurssikerralla, että näin ei tarvitse tehdä, jolloin laskeminenkin nopeutui.

Tehtävässä, jossa tuli tarkastella Helsingin alueen putkiremontteja, huomasin hyvän käyttötarkoituksen puskurivyöhykkeelle. Sen lisäksi, että sen avulla voi valita tietyllä alueella sijaitsevia kohteita, voi nämä kohteet sen jälkeen tallentaa omaksi tietokannaksi ja teemakartalla esittää vain nämä kohteet (esim 500 metrin säteellä kohteesta sijaitsevat talot) ja jättää kaikki muut ulkopuolella olevat kohteet näyttämättä. Lisäksi bufferointia voi käyttää syvällisimpiinkin analyyseihin, jollaisesta Nina Nordblad on maininnut esimerkkinä bufferien käytön suunnittelussa määriteltäessä esimerkiksi lastentarhojen sijoittamista suhteessa alueen väestörakenteeseen (Nordblad, 2013).

Kuvassa 1 on remontoitavien talojen jakautuminen esitetty kartalla (harmaat pisteet) ja lisäksi koropleettikarttana on esitetty remontoitavien asuinrakennusten määrä kaikista asuinrakennuksista. Tässä on siis myös esimerkiksi rivitalot otettu huomioon. Kartan luomisen aloittaminen oli aluksi hankalaa kun yritin liian monimutkaisesti lähteä kikkailemaan tietojen kanssa, enkä päässyt haluttuun lopputulokseen. Pienen mietintätauon jälkeen ymmärsin, että on jälleen lähdettävä laskemaan tietoja alueittain toisen tietokannan perusteella. Halusin laskea kaikkien eri alueilla sijaitsevien rakennusten määrän. Tein tämän luomalla uuden sarakkeen tiedostoon pienalueet, ja laskin sarakkeeseen Count-toiminnon avulla, eli asuntojen yhteenlaskettu määrä Väki-tiedoston perusteella. En aluksi meinannut uskoa tuloksia, koska en muistanut periaatetta, jolla tämä toiminto toimii. Ohjelma hakee kahdessa tiedostossa sijaitsevat yhteiset tiedot sarakkeiden nimen perusteella, eikä itse tarvitse määritellä mitä tietoa ohjelma lähtee hakemaan. Yhteinen sarake tiedostoissa oli KOKOTUN, eli asuinalueen tunnus. En ollut toimintoa tehdessäni aivan varma meneekö se juuri näin, mutta lopputulos näytti loogiselta, eli toiminto laskee kuinka monta kohdetta on samalla tunnuksella (kun jokaisella talolla on KOKOTUN juuri alueen mukaan). Tarkistin vielä että toiminto oli laskenut oikeat tiedot SQL-selectin avulla, jossa määrittelin ohjelman laskemaan tietyllä alueella sijaitsevat talot ja tulokset täsmäsivät.

Kuva 1. Pääkaupunkiseudun remontoitavat talot (harmaat pisteet) sekä remontti-indeksi.

Tein saman tempun remontoitavien rakennusten määrälle pienalueiden sisällä, kun olin ensin tallentanut tiedoston talot, jotka rakennettu välinä 1965-1970. Tarkistin tuloksen vielä SQL-selektillä, jossa kirjoitin Where Condition tilaan haluamani ehdot: rakennusvuoden ja asuinalueen, ja tiedot täsmäsivät. Olen ainakin nyt ymmärtänyt tiedon rajaamisen ja etsimisen keinot!

Valmiista kartasta on huomioitava:
Valkoisilla alueilla on alle 1 % remontti-indeksi. Remontti-indeksi osoittaa remontoitavien rakennusten määrän kaikista rakennuksista. Jos remontti-indeksi on korkea, mutta rakennuksia näyttää alueella olevan vähän tarkoittaa tämä, että suurin osa alueen rakennuksista on remonttikohteita. Lisäsin muutamia puoliksi sattumanvaraisesti valittuja paikannimiä osalle alueista ja mm oman asuinalueeni Etelä-Haagan merkitsin näkyviin ehkä itsellekin muistutukseksi, että remontti saattaa jossakin vaiheessa olla edessä, itse asiassa nyt keväällä tulee jo ikkunaremontti kolkuttelemaan. Lopputulos näyttää mielestäni hieman likaiselta harmaiden pisteiden runsauden takia, mutta sanoma varmasti välittyy.

Tein kokeilumielessä vielä yhden vaihtoehtoisen esityksen, jossa remontoitavat talot on esitetty pylväinä yhdessä rakennusten kokonaismäärän kanssa (kuva 2). Tästä näkee paremmin näiden kahden suhteen ja sen, että lännessä todellakin on paljon rakennuksia, mutta vain pieni osa on remontoitavassa kunnossa. Itä-Helsingissä puolestaan on sekä paljon rakennuksia että remontoitavia kohteita. Tämäkin kartta on hieman sekava alueiden pienen koon takia, tarkasteltavaksi olisi voinut valita vain tietyn alueen pääkaupunkiseudulta ja tehdä siitä kauniimpi esitys, mutta saa nyt kelvata.

Kuva 2. Pääkaupunkiseudun remontti-indeksi yhdessä remontoitavien talojen ja asuinrakennusten yhteismäärän esittävien pylväiden kanssa.

Remontoitavat kohteet keskittyvät Itä-Helsinkiin, Länsi-Helsingissä on joko uudempaa asutusaluetta tai sitten jo remontoituja rakennuksia. Edellisellä kurssikerralla mainitsin ulkomaalaisten suhteellisen määrän olevan suurempi juuri Itä-Helsingissä, mikä saattaa jo osaltaan kertoa asuinalueiden kunnosta (ehkä jälleen stereotypiaa, mutta usein ulkomaalaisten palkkapussi ei ole aivan korkeimmasta päästä). Kun sitten näitä alueita aletaan remontoida, on asukkaiden todennäköisesti haettava ainakin väliaikaista asuntoa muualta, mikä saattaa aiheuttaa ongelmia juuri ulkomaalaisten keskuudessa, sillä muilla alueilla vuokrataso on Itä-Helsinkiä korkeampi (SVT, 2012). Samoin voin edellisen kurssikerran jatkoksi heittää kysymyksen, onko rakennuksen iällä merkitystä asuinaluevalinnassa suomanruotsalaisten keskuudessa?

Kurssikerran tehtävien vastaukset

Lähteet:

SVT= Suomen Virallinen Tilasto (2012). Asuntojen vuokrat [verkkojulkaisu]. Liitetaulukko 10. Vuokraindeksi 2005=100, vapaarahoitteiset vuokra-asunnot. Tilastokeskus, Helsinki. [viitattu: 14.2.2013] http://www.stat.fi/til/asvu/2012/04/asvu_2012_04_2013-02-08_tau_010_fi.html

Nordblad, N. (2013). Kurssikerta 5. Bufferoinnin ja testin aika oli koittanut. Ninan paikkatietoblogi. 17.2.2013.
[20.2.2013] http://blogs.helsinki.fi/nnordbla/

Soininvaara, I. (2013). Kurssikerta 5, bufferointi ja hajotus. Ilppo Soininvaaran blogi. 14.2.2013.
[20.2.2013] https://blogs.helsinki.fi/ilbsoini/

 


Kurssikerta 4 ja kun maailma muuttui ruuduiksi

Kurssikerralla siirryttiin aiemmin käytetyistä koropleettikartoista ruutukarttoihin, jossa paikkaan sidottu tieto esitetään tasakokoisilta ruuduilta. Mitä hyötyä tästä on? No, koropleettikartalla tulee (itseäni toistaen) esittää ainoastaan suhteellisia arvoja, koska alueet eri kokoisia, rasterikartalla puolestaan pystytään esittämään myös absoluuttisia arvoja, koska alueet ovat kooltaan vakioita, jolloin niiden vertailu on mahdollista ilman väärinkäsityksiä. Tilastokeskuksen mukaan ruutukartoilla ei kuitenkaan olisi hyvä esittää suhteellisia tietoja, koska varsinkin jos ruudun koko on pieni ja kuvattavaa ilmiötä on vähän, niin vaihtelu voi korostua pienellä alueella liikaa (Tilastokeskus, 2003). Tästä johtuen ruutukartalla olisi hyvä esittää ainoastaan absoluuttisia arvoja asian ymmärrettävyyden takia.

Ruutukartta toimii periaatteeltaan seuraavalla tavalla:
Kartalle ladataan väestötietokanta pistetiedostona, jolloin esimerkiksi jokainen alueella oleva talo on esitettynä sen todellisen sijainnin mukaan. MapInfossa alueen päälle luodaan ruudukko, jonka yhden ruudun pituuden voi itse valita riippuen haluamastaan tiedonesittämistarkkuudesta. Tämän jälkeen pistetiedot liitetään ruutuihin, jolloin yhdelle ruudulle tulee esimerkiksi sillä alueella olevat väestötiedot.

Rasterikartoilla on ongelmana rajoille osuvat tiedot, koska ohjelma laskee nämä tuplana, jolloin sama tieto tulee lasketuksi kummallekin alueelle (tai pahimmassa tapauksessa neljälle alueelle, jos osuu risteyskohtaan). Mitä enemmän ruutuja on, eli mitä lyhyempi on yhden ruudun sivun pituus, sitä enemmän syntyy virheitä. Toisaalta suuremmilta alueilta ei pysty antamaan yhtä tarkasti tietoja, kun alueen sisälle hajautuneiden tietopisteiden ympärille jää paljon tyhjää tilaa, joilla ei esimerkiksi ole asutusta. Mitä tiheämpi ruutuverkosto, sitä tarkempaa tietoa, mutta virheiden määrä kasvaa juuri tuplakirjaamisen takia. Kompromissina on luotava ruutuverkko, jonka sivun pituus on  jotakin lyhyen ja pitkän väliltä. Toisaalta vaikka kahteen ruutuun olisi laskettu yksi piste tuplana, niin ei se suurten aineistojen tietokannoissa paljoa heilauta rajoja, joten mieluummin luodaan kartta tarkemmin kuin liiaksi yleistäen. Lisäksi pääkaupunkiseudulla alueelliset vaihtelut ovat hyvinkin suuria, joka jo itsessään puolustaa tiheämmän ruudukon käyttöä.

Näin ruutukartoissa mahdollisuuden tehdä kartan ruotsinkielisten sijoittumisesta pääkaupunkiseudulla. Absoluuttisten määrien esittäminen sopii siihen loistavasti, koska ruotsinkielisiä on väestöstä verrattain pieni määrä ja toisaalta vaihteluvälin pituus on suuri, eli on muutamia alueita, joilla ruotsinkielisiä on hyvin paljon ja paljon pienten määrien (alle 10 ruotsinkielistä) alueita. Koropleettikartalla tällaisten radikaalien erojen esittämien saattaa vääristää mielikuvia, mutta ruutukartat ovat siihen loistava väline. Kuvassa 1 on vielä erojen hahmottamiseksi histogrammi ruotsinkielisten jakaumasta pääkaupunkiseudulla.

Kuva 1: Histogrammi pääkaupunkiseudun ruotsinkielisistä. Luvut ovat absoluuttisia arvoja.

Kuten kuvasta näkee, ruotsinkielisten osuus on erittäin vinosti jakautunut, jossa pieniä arvoja on paljon ja suuria vähän. Tällöin on hyvä käyttää luokittelussa joko matemaattisia/aritmeettisia sarjoja tai luonnollisia luokkarajoja, käytän jälkimmäistä.

Loin kaksi karttaa, jotka esittävät ruotsinkielisten sijoittumista pääkaupunkiseudulla. Ponnistelin kovasti selkeän ja informarmatiivisen kartan luomisen kanssa, aineisto vaikutti minusta melko rajatulta, vaikka toisaalta olisi voinut yhdistellä eri tiedostoja ja luoda uusia tietoja. Päädyin kuitenkin tähän teemaan. Toisessa kartassa on esitetty pelkästään ruotsinkielisten määrä 250m x 250m ruuduilla (kuva 2). Esitystarkkuus on minusta sopiva, ja värit vaikuttavat rauhoittavilta, mutta mielestäni tämä kartta ei juuri kerro muuta kuin sen ilmeisen, että lähempänä keskustaa on tiheämmässä ruotsinkielisiä, ja muut tiheän asutuksen keskittymät sijaitsevat pääteiden varsilla, mikä koskee oikeastaan kaikkea asutuksen sijoittumista. Tähän karttaan olisi voinut vielä lisätä muutamia paikannimiä, mutta lisäsin päälle seutukunten rajat, jotta sijoittumisen voisi paikantaa helpommin. Kartasta näkee ruotsinkielisten sijoittumisen ensisijaisesti Helsingin keskustaan, sekä rannikkoalueelle että Hämeenlinnanväylän ja Vihdintien linjalle. Myös Kauniainen erottuu tiheänä ruotsinkielisten keskittymänä. Varsinkin rannikko- ja keskustasijoittuminen tuo mieleen suomenruotsalaisiin usein liitetyt stereotypiat siitä, että heillä olisi yleisesti enemmän varaa näihin alueisiin, rannikkoseudun ja kaupunkien keskustojen maan hinta kun on kovan arvostuksen takia korkea. Tosin historiallisista syistä näin saattaa ollakin, kuten Erkki Pihkala kirjoittaa Helsingin Sanomissa julkaistussa kirjoituksessaan “Suomenruotsalaisten vauraus ei ole sattumaa” (Pihkala, 2010).

Kuva 2. Ruotsinkielisten jakautuminen pääkaupunkiseudulla. Tummat alueet ovat tiheämmän asutuksen aluetta. Informaatio on esitetty 250m x 250m ruuduilla.

Tulotasojen jakautuminen alkoi jo teollistumisen alussa, kun Suomea ja liike-elämää hallittiin sekä koulutusta tarjottiin ainoastaan ruotsiksi. Ruotsalaiset yritykset valitsivat herkemmin ruotsinkielisiä parempiin tehtäviin ja nykyään monia ruotsinkielisiä helpottaa työelämän parhaimmille paikoille sijoittumisessa laajat verkostot, vähemmistöryhmänä ruotsinkieliset pitävät yhtä ja usein tuntemattomankin tuntee muutaman kaverin kautta. Suomenruotsalaisten varallisuudesta on tehty muutamia tutkimuksiakin, joista mainittakoon Anniina Virtasen esiinkalastama Jan Saarelan ja Fjalar Finnäsin tekemä tutkimus Interethnic wage variation in the Helsinki area (Saarela & Finnäs, 2004), jossa mainitaan myös se, että ruotsinkielisten työttömyysaste on suhteellisesti suomenkielisiä alempi. Jälleen ryhmän koko ja verkostoitumisen helppous vaikuttaa työllistymisen helppoudessa. Tuloerot ovat tosin kaventuneet, ja meneillään oleva lama vaikuttaa kaikkien väestöryhmien työllisyystilanteeseen, eikä ruotsinkielisten myyttisen suuri varallisuus ole ainoa selitys heidän sijoittumisessaa pääkaupunkiseudulla, kuten seuraavasta kartasta nähdään.

Lähdin tekemään tätä teemaa siitä mielenkiinnosta, että näkyykö ruotsinkielisten sijoittumisessa erityistä keskittymistä, eli onko näillä taipumusta etsiytyä alueille, joilla muutenkin asuu paljon ruotsinkielisiä. Tämän voi selvittää vertaamalla ruotsinkielisten sijoittumista ja toisaalta asutuksen yleistä sijoittumista. Olen esittänyt nämä kaksi tietoa samalla kartalla (kuva 3). Tämän kartan tein ruuduille kooltaan 500m x 500m, koska pienemmillä ruuduilla olisi kahdet rasterit sekoittuneet toisiinsa liikaa. Näin esitys on selkeämpi, mutta samalla myös tarpeeksi tarkka.

Kuva 3. Ruotsinkielisten sijoittuminen pääkaupunkiseudulla suhteessa asutukseen yleisesti. Kaikki asukkaat on merkitty täytevärillä ja ruotsinkieliset viivoituksella. Tiedot on esitetty 500m x 500m ruuduilla

Kartasta näkee, että ruotsinkielisiä on jakautunut samoille alueille kuin asukkaita muutenkin, tiheämmin asutetuilla alueilla on myös tiheämmin ruotsinkielisiä. Kauniaisen keskusta-alue tekee pienen poikkeuksen tähän. Asukkaita siellä ei ole yhtä tiheässä, mutta ruotsinkielisiä paljon, joten tästä voidaan päätellä, että kauniainen olisi yksi ruotsinkielisten keskittymisalueista. Lisäksi pientä eroa näkyy, kun verrataan Espoon tiheän asutuksen rannikkoaluetta ja Itä-Helsingin tiheän asutuksen alueita. Espoossa näillä alueilla on tiheässä myös ruotsinkielisiä, mutta Itä-Helsingissä ei juurikaan.  Tästä voidaan päätellä, että ruotsinkielisillä olisi tendenssiä etsiytyä asumaan tietyille samoille alueille, ehkäpä alueen maineen perusteella. Hyvämaineiset alueet ovat usein myös hieman muita alueita kalliimpia. Meri Lindholm on esittänyt blogikirjoituksessaan loistavan huomion siitä, että Itä-Helsingissä asukastiheyden määrää nostaa kerrostalovaltaisuus, kun taas varsinkin Espoon alue ja Vantaa rakentuu omakotitaloista. Ulkopaikkakuntalaisena en heti tullut ajatelleekseni tätä yksityiskohtaa. Suosivatko ruotsinkieliset siis omakotitaloasumista, vai onko sijoittumisen eroissa muita syitä? Verrattaessa ruotsinkielisten ja muunkielisten sijoittumista, esimerkiksi Santtu Kerkon tekemän kartan perusteella, huomataan, että ruotsinkielisten sijoittuminen on suhteellisesti enemmän lännessä, kun taas muunkielisten on idässä. Kerko pointeeraa myös, että Itä-Helsinkiä pidetään etnisesti monimuotoisempana ja sosioekonomisesti haasteellisempana alueena kuin länttä (Kerko, 2013), mikä tukisi omaa varallisuuden perusteella valikoituvan sijoittumisen hypoteesiani.  Tästä teemasta olisi mahdollista tehdä tarkempia selvityksiä muun muassa kyselyiden muodossa.

Ongelmana on kuitenkin edelleen absoluuttisten arvojen esittäminen ruuduilla, jolloin kartasta ei pysty hahmottamaan suhteellisia eroja. Kummankin teeman luokkien rajat ovat melko laajat, jotta niiden perusteella voisi laskea kokonaisasutuksen ja ruotsinkielisten määrien suhteita. On vain loogista, että tiheän asutuksen alueilla on myös suhteellisesti enemmän ruotsinkielisiä. Paremman karttaesityksen saa näyttämällä asutuksen jakautumisen rastereina ja ruotsinkielisten määrän pisteinä, kuten Aliisa Priha on kartassaan tehnyt. Hänenkin esityksestään näkee ruotsinkielisten samanlaisen sijoittumisen, tosin hieman tarkemmin kuin itse käyttämilläni ruutujen pohjalta. Mielestäni on kuitenkin hyvä esittää myös alhaisempien arvojen luokkia kuin vain 50 asukkaan keskittymiä, jolloin näkee sen, että ruotsinkielisiä on sijoittuneina koko pääkaupunkiseudun alueille. Tosin Aliisan esityksestä näkee heti millä alueilla on enemmän keskittymistä.

Lähteet:

Pihkala, E. (2010). Suomenruotsalaisten vauraus ei ole sattumaa. Helsingin Sanomat 7.8.2010, pääkirjoitus.
[10.2.2013]http://www.hs.fi/paakirjoitus/artikkeli/Suomenruotsalaisten+vauraus+ei+ole+sattumaa/HS20100807SI1MA01u28

Tilastokeskus (2003). Ruutukartat. Tilastokeskuksen verkkokoulu.
[6.2.2013] http://www.stat.fi/tup/verkkokoulu/data/tkart/02/16/index.html

Saarela, J. & F. Finnäs (2004).  Interethnic wage variation in the Helsinki area. Finnish economic papers 17:1.
[10.2.2013] http://www.vasa.abo.fi/users/jsaarela/manuscripts/Finnish%20Economic%20Papers,%202004,%2017%281%29,%2035-48.pdf

Viitteet:

Lindholm, M. (2013). Kurssikerta 4. Ruutuja ja ässiä karttoja. Meri & Kartografian höyhensaaret (5.2.2013).
[10.2.2013] http://blogs.helsinki.fi/lime/

Priha, A. (2013). 4. Kurssikerta, tietoja ruudussa. Aliisan paikkatietoblogi (5.2.2013).
[10.2.2013] https://blogs.helsinki.fi/apriha/

Kerko, S. (2013). Absoluuttisen ja suhteellisen ambivalentti suhde. Santun analyysejä (9.2.2013)
[10.2.2013] http://blogs.helsinki.fi/skerko/

Kurssikerta 3: Afrikan mustan kullan lähteistä Suomen tulva-alueisiin.

Kurssikerralla harjoiteltiin pääsääntöisesti MapInfon tietokantojen käsittelyä, eli MapInfossa valmiiksi olevien tietokantojen yhdistämistä, tietokantoihin tietojen lisäämistä ja yhteen laskemista, sekä omien tietokantojen tuomista esimerkiksi Excelin tietokannoista. Tämän toiminnon oppimista olin odotellutkin jo ensimmäisestä kurssikerrasta lähtien, ja hyvä että se käytiin tässä vaiheessa läpi. Olisi myös mukava tietää, mistä Arttu hakee meille valmiiksi tarjotut tietokannat ja karttapohjat, mutta ehkä pitäisi pureskella tämä pala valmiiksi ennen kuin haukkaa seuraavan palan. Mulla vain on tapana ahmia, jos on hyvää tarjolla, ja MapInfosta on todellakin tulossa CorelDrawn tapaan yksi mielenkiintoisimmista ohjelmista, joita olen käyttänyt!

Tietokantojen käsittelyä harjoiteltiin Afrikan öljykenttiä, timanttikaivoksia ja konfliktialueita käsittävien tietokantojen kanssa. Tarkoituksena oli yhdistää relevantteja tietoja samaan tietokantaan tietojen helpompaa käsittelyä varten, sekä laskea uusia tietoja olemassa olevien tietojen perusteella, kuten esimerkiksi prosenttiosuuksia erilaisista tiedon jakaumista. Tällöin ei tarvitse olla samaan aikaan monta eri ikkunaa auki, mikä nopeuttaa työskentelyä ja auttaa pitämään kaikki narut sotkeentumatta käsissä. Tärkeimmiksi opetuksiksi muodostui aivan perusjutut (mutta hyvin tärkeät!), nimittäin, että on tärkeää tarkistaa minkä tekijän perusteella alkaa tietokantoja yhdistämään, sillä ohjelma etsii molemmista tietokannoista samalla nimellä meneviä tietoja ja yhdistää niiden pohjalta. Joten varsinkin omien tiedostojen tuomisessa on tarkistettava sarakkeiden nimien yhteensopivuus. Muutoin saattaa joitakin tietoja jäädä uuden tietokannan ulkopuolelle, eikä ohjelma edes herjaa, että jotakin jäi uupumaan. Lisäksi MapInfossa ei ole peruuta-toimintoa, joten on hyvä viljellä useasti ”Save copy as..”.

Tietokantojen yhdistämisen jälkeen oli aika tutkia aikaansaannosta. Öljykenttien, timanttikaivosten ja konfliktialueiden sijoittumisen vertailussa näkyi selvä kaavamaisuus: konfliktialueet sijaitsivat lähes poikkeuksetta samoilla alueilla kuin miten luonnonvarat olivat jakautuneet. Tästä voitaisiin vetää johtopäätöksenä, että näiden asioiden välillä saattaisi olla yhteyttä. Toisaalta Afrikan konflikteihin liittyy myös muita syitä, jotka tulisi huomioida ennen tuomiota, mutta luonnonvaroilla on niihin kyllä suuri vaikutus, varsinkin energiavaroilla. Mielenkiintoista olisi tutkia tietokantojen perusteella esimerkiksi konfliktien alkamisvuotta ja samalla alueella olevien timanttikaivosten/öljykenttien löytämisajankohdan välistä yhteyttä, onko näiden tietojen välillä korrelaatiota, eli johtaako uusien luonnonvarojen löytyminen maiden välisiin/sisäisiin konflikteihin. Sudanin sisällissodan yksi syy oli kiista Etelä-Sudanin öljyvarojen hallinnasta pohjoisen arabien ja etelän kristittyjen välillä (Sotarikokset ja etniset konfliktit repivät Sudaneita, 2012), mutta kuten mainitsin yllä, kiistojen syynä ovat muutkin kuin öljyvarojen epätasainen jakautuminen, kuten juuri kulttuuriset erot.

Kuva 1: Afrikan öljylähteiden, timanttikaivosten ja konfliktien määrät sekä internetin käyttäjien osuus vuonna 2012. Timanttikaivokset on merkitty tähdillä ja öljylähteet valkoisilla alueilla.

Lisäksi voitaisiin tutkia miten timanttikaivosten ja öljykenttien tuottavuusluokittelu korreloi internetkäyttäjien lukumäärän kanssa alueittain. Luonnonvarojen myynti, varsinkin energiavarat, tuottaa parhaimmassa tapauksessa hyvinvointia koko yhteisölle, mikä pitäisi näkyä tekniikan kasvamisena ja edelleen internetkäyttäjien lukumäärän nousuna. Oletuksena on positiivisen korrelaation löytyminen näiden kahden ilmiön välillä. Negatiivinen korrelaatio, jossa tuottavuusluokitus on korkea, mutta internetkäyttäjien määrä alhainen, saattaisi viitata varallisuuden keskittymiseen vain harvoille ja maan sisällä olevaan epätasa-arvoisuuteen ja korruptioon. Aiheeseen liittyen loin yksinkertaisen teemakartan juuri internetkäyttäjien suhteellisen osuuden jakaumasta Afrikan maissa sekä öljykenttien, timanttikaivosten ja konfliktialueiden sijoittumisessa (kuva 1). Hyvin useassa tapauksessa, varsinkin Pohjois-Afrikassa, on paljon öljykenttiä, konflikteja ja suuri internetinkäyttöosuus. Etelässä internetinkäyttöosuus vähenee, ja merkittävin havainto on Länsi-Afrikassa, jossa internetin käyttäjiä on Afrikan mittakaavassa suhteellisesti vähiten, mutta timanttikaivoksia on runsaasti. Täällä saattaa olla tilanne juuri edellä kuvatun lainen, eli varallisuus kerääntyy harvoille. Tosin timanttikaivosten ja öljykenttien lukumäärä ei suoraan kerro niiden tuottavuudesta mitään ja kyseessä saattaa myös olla jo ehtynyt lähde.

Afrikasta pohjoiseen Suomen vesistöihin

Kurssikerran toisessa osassa pääsimme kokeilemaan aiemmin oppimiamme taitoja tietokantojen käsittelyn kanssa. Saimme valmiit tietokannat Suomen valuma-alueista ja valumiin liittyvistä tiedoista, joita tuli yhdistellä eri tietokannoista yhdeksi tiedostoksi ja luoda sen pohjalta teemakartta Suomen valuma-alueiden tulvaindeksistä, joka tuli itse laskea tietokannasta ylivaluman ja alivaluman suhteesta, ja järvisyysprosentista, jossa tulvaindeksi näkyy rasteripintana (valitsin loogisesti vettä kuvaavan sinisen sävyjä) ja järvisyysprosentti on esitetty pylväinä valuma-alueittain (kuva 2). Luokitustavaksi valitsin geometriset ja matemaattiset keskiarvoihin perustuvat luokitukset aineiston vinon jakauman takia (kuva 3). Vaikka luokka-arvojen erot aluksi vaikuttavat liian suurilta, niin histogrammia katsottaessa huomaa, että suuria arvoja on tosiaan vain muutama, jolloin luokkarajatkin muuttuvat loogisiksi.  Pidin ensin pylväiden värinä tummansinistä, mutta kartasta tuli liian sininen, eikä alla olevia valuma-alueita näkynyt ja pylväät sekoittuivat valuma-aluerajoihin, joten vaihdoin pylväät turkooseiksi, mistä saattaa ehkä tulla mielleyhtymä rehevöityneisiin järviin, mutta esitys on ainakin selkeämpi. Nyt jälkeenpäin katsottuna olisi myös pitänyt muuttaa suurimman tulvaindeksin alueen väriä, sillä nyt se sekoittuu valuma-alueiden rajoihin eikä rajoja erota suuren tulvaindeksialueiden sisällä. Halusin myös saada pylväät järvien ja jokien päälle, mutta tämä ei ollut mahdollista, sillä olin lisännyt temaattisen kerroksen valuma-aluekartalle, eikä järvi- ja jokikerrosta pystynyt siirtämään temaattisten kerrosten väliin. Apua pyytämällä selvisi, että voi avata toisen valuma-alue –karttakerroksen ja tehdä pylväät erikseen siihen, jolloin myös järvet ja joet saa rasteripinnan ja pylväiden väliin. Tämä kerrosajattelu toimi, mutta eri tavalla kuin Corelissa, ja tämä on yritettävä muistaa jatkossa, kuten myös se että temaattiset kerrokset ovat kiinteinä niissä tiedostoissa, joiden perusteella ne on tehty. Joet ja järvet olisi tietysti voinut jättää kartasta pois sillä, kuten Katri Jurvakainen sanoo blogissaan, nämä lisäkuviot kartalla saattavat tehdä siitä sekavan, eikä järvien sijoittuminen valuma-alueilla anna enempää lisätietoa, kun alueilta on jo ilmoitettu järvisyysprosentti (Jurvakainen, 2013). Halusin kuitenkin lisätä järvet omalle kartalleni ihan vain mielenkiinnon takia. Olisin Katrin tavoin voinut vielä siirtää pylväitä paremmin toisistaan erottuviksi, varsinkin rannikon pienten alueiden kohdalta.

Kuva 2: Suomen valuma-alueet ja näiden tulvaindeksit sekä järvisyysprosentit. Valuma-alueiden lasku-uomat jakautuvat vedenjakajilla, jotka on merkitty karttaan tummansinisellä viivalla.

Kuva 3: Suomen valuma-alueiden järvisyysprosenttien frekvenssijakauman kuvaaja.

Valmiista kartasta näkyy järvisyysprosentti valuma-alueittain, sekä valuma-alueiden tulvaindeksit. Järvisyysprosentti kertoo valuma-alueella sijaitsevien järvien pinta-alan suhteen valuma-alueen pinta-alaan ja tulvaindeksi kertoo puolestaan kuinka moninkertainen tulvahuipun vesimäärä on joen keskimääräiseen virtaamaan verrattuna. Aineistossa suurin tulvaindeksi on yli tuhat kertaa normaaliin virtaamaan verrattuna. Kyseessä on siis suuret vesimäärät. Suurin Suomessa mitattu tulvavirtaama on ollut Kemijoen Taivalkoskella, 4400 m/s (Kopra, 2012).

Valuma-alueen virtaamaan vaikuttaa valuma-alueen koko ja muoto, järvisyys, maaston muodot ja maaperä, alueen maankäyttö, eli kasvillisuus ja ihmisen toimet, sekä lumien sulamisvedet ja sateet (Korhonen, 2007). Sääoloista Suomessa on huomioitava, että noin puolet sadannasta haihtuu ja loput puolet muodostuu virtaamaksi. Tulvahuiput osuvat luonnollisesti keväälle, jolloin lumien sulamisesta muodostuu paljon sulamisvesiä, myös rankkasateiden yhteydessä muodostuu tulvia. Kooltaan suurempi ja muodoltaan pyöreämpi valuma-alue kerää vettä suuremmalta alueelta, mutta kerääntyminen tapahtuu pitkän ajan kuluessa ja vedet purkautuvat melko tasaisesti, kun taas pienempi alue ja muodoltaan kapeampi kerää vedet nopeasti ja muodostaa tulvan alajuoksulle. Kasvillisuus ja suot sitovat vettä, kuten myös järvet, jotka keräävät vedet väliaikaisesti. Huokoinen maaperä päästää veden lävitseen, jolloin syntyy maaperässä muodostuvaa pintavesi-, maavesi- ja pohjavesivirtausta. Kaikki näistä ylijäävä vesi muodostuu pintavirtaukseksi ja mahdollisesti tulviksi. Nämä tekijät eivät kuitenkaan näy nyt tehdystä kartasta, mutta ne toimivat taustatietoina tulvaindeksien erojen vertailuissa.

Kun jälleen tarkastellaan valuma-aluekarttaa, nähdään että tulvia muodostavia alueita ovat kapean valuma-alueen omaavat Pohjanmaan alueet, jossa järvisyysprosenttikin on alhainen. Karttaan on merkitty tummemmalla sinisellä Suomen vedenjakajat, jotka ovat ympäristöään korkeampaa aluetta ja jakavat vesien virtauksen eri puolilleen ja määrittävät jokien laskusuunnan. Pohjanmaalla Suomenselän vedenjakaja on lähellä rannikkoa ja yhdessä alhaisen järvisyysprosentin ja kapeiden valuma-alueiden kanssa tämä aiheuttaa tulvia. Pohjanmaalla on meneillään myös aktiivinen geologinen prosessi, jääkauden jälkeinen isostaattinen palautuminen, jossa painavan jään vaikutuksesta alas painuneet alueet kohoavat takaisin lähtötilaansa. Tämä kallistaa maata Pohjanmaalla, mikä vaikeuttaa jokien laskua mereen, sillä veden on noustava ylämäkeen, tällöin syntyy helpommin tulvia. Pohjoisessa Maanselkä -vedenjakaja jakaa virtausvedet etelään kohti Pohjanlahtea ja pohjoiseen kohti Jäämerta. Täällä ei juurikaan muodostu tulvia Lapin suurten soiden takia, jotka keräävät vettä, lisäksi Lapissa on myös suhteellisen suuret järvisyysprosentit, ottaen huomioon valuma-alueiden laajuuden.

Suomenselän pohjoispuoliset joet laskevat Pohjanlahteen ja eteläpuoleiset vedet laskevat Suomenlahteen. Tällä puolen on valuma-alueiden järvisyysprosentit suuremmat ja Keski-Suomen valuma-alueet ovat myös kooltaan ja muodoltaan suurempia, mikä viittaa pienempiin virtaamiin Suomenlahteen, ja tämä näkyy myös etelärannikon pienten valuma-alueiden tulvaindekseissä. Harvat suuren tulvaindeksin alueet selittyvät rannikkoalueen voimakkaalla rakentamisella, pienemmillä järvisyysprosenteilla ja Keski-Suomen valuma-alueiden järvien laskujokien kulkuna näiden alueiden läpi. Suvi Välimäki huomauttaa blogissaan osuvasti, että ” koska tulvatiedot ovat kartassa juuri valuma-aluetarkkuudella, ei siitä voida tarkemmin päätellä, missä valuma-alueen osassa tulvat tarkalleen ottaen ovat pahimmillaan”, jolloin ei myöskään voida tarkalleen tietää alhaisen tulvaindeksin omaavien valuma-alueiden mahdollisista tulvista (Välimäki, 2013).

Lähteet:

Afrikan pohjakartta:  http://www.maplibrary.org/stacks/Africa/index.php

Afrikan väestö-ja internetkäyttäjätiedot:  http://www.internetworldstats.com/stats1.htm

Joet ja järvet: Maanmittauslaitos 2011 http://www.maanmittauslaitos.fi/ilmaisetaineistot

Jurvakainen, K. (2013). Kolmannen kurssikerran tehtävä. Katrin karttablogi. 29.1.2013.
[30.1.2013] http://blogs.helsinki.fi/katrijur/

Kasvavat ja pienenevät luokkavälit. Tilastokeskuksen verkkokoulu. Tilastokeskus, Helsinki.
[29.1.2013] http://www.stat.fi/tup/verkkokoulu/data/tkart/02/11

Konfliktien sijainnit: http://www.prio.no/CSCW/Datasets/Armed-Conflict/Conflict-Site/

Kopra, H. (2012). Tulvat ja maanvyörymät. Retkellä Kuusamon joilla -blogi. 1.2.2012.
[30.1.2013] http://www.joet.info/tulvat.htm

Korhonen, J. (2007). Suomen vesistöjen virtaamat ja vedenkorkeuden vaihtelut. Suomen Ympäristö 45. Suomen ympäristökeskus, Helsinki 2007.
[30.1.2013] http://www.ymparisto.fi/download.asp?contentid=79918

Sotarikokset ja etniset konfliktit repivät Sudaneita (2012). Global.Finland – Ulkoministeriön kehitysviestinnän verkkojulkaisu. 5.6.2012
[29.1.2013] http://global.finland.fi/public/default.aspx?contentid=41010

Timantit: http://www.prio.no/CSCW/Datasets/Geographical-and-Resource/Diamond-Resources/

Valuma-alueet: Syken Oiva-tietokanta http://wwwp2.ymparisto.fi/scripts/paikkatieto.asp

Välimäki, S. (2013). Afrikka-aiheisen taulukkoaineiston käsittelyä MapInfolla ja teemakartta valuma-alueista. Paikkatiedon hankinta, analyysi ja kartografia. 30.1.2013.
[30.1.2013] http://blogs.helsinki.fi/suva/

Öljyvarat: http://www.prio.no/CSCW/Datasets/Geographical-and-Resource/Petroleum-Dataset/Petroleum-Dataset-v-12/

 

 

Artikkeli 1, kurssikerta 2 ja monimutkaisemmat kartat…

Oli jotenkin inspiraatio täysin poissa tällä kurssikerralla, kun piti tehdä kahden päällekkäisen koropleettikartan esitys. Tässä siis esitetään kahta ilmiötä samalla kartalla ja mietitään ilmiöiden välistä riippuvuutta. En millään meinannut keksiä sopivaa kombinaatiota, ehkä vaihtoehtoja oli liikaa, tai sitten ei vain löytynyt sellaista itseään kiinnostavaa aihetta. Huomasi ainakin sen, että on helpompi alkaa tekemään karttaa jostakin aiheesta, jota on ensin pidempään miettinyt/tutkinut, kuin että hatusta pitäisi yhtäkkiä vetää joku aihe. Päädyin kuitenkin tekemään esityksen korkeakouluasteen tutkinnon käyneiden osuudesta ja luonnollisen väestönlisäyksen yhteydestä Pirkanmaalla (kuva 1).

Kuva 1: Korkea-asteen tutkinnon suorittaneiden osuus sekä luonnollinen väestönlisäys Pirkanmaalla vuoden 2011 tietojen mukaan.

Kartan laatimisessa on edelleen samat ikuisuuskysymykset: millaiset luokkarajat on mielekästä luoda ja millä perusteella, ja minkälaiselta alueelta alkaa ilmiötä esittää. Kurssikerralta jäi epäselväksi, että pitäisikö kummankin ilmiön esittämisessä käyttää samanlaista luokitusta, vai pitäisikö se määritellä yksittäin kummallekin ilmiölle näiden histogrammien perusteella. Aineisto on eri ja jakautunut eri tavalla vaikka ilmiöillä saattaisikin olla yhteys, mutta jos yhteyksiä halutaan etsiä, niin eikö silloin pitäisi pyrkiä mahdollisimman samankaltaiseen luokitukseen eikä yrittää vaikuttaa lopputulokseen (yhteyksien mahdolliseen löytymiseen) vaikuttamalla luokkarajoihin?

Haasteena oli myös saada tehtyä mahdollisimman selkeä ja havainnollistava karttaesitys. Itsellä oli ainakin ongelmana saada koko Suomen kokoiselta alueelta mahdollisimman selkeä esitys aikaiseksi kun Suomen kokoisessa ja hajanaisessa valtiossa eri ilmiöiden arvojen alueellinen vaihtelu on kovin suurta. Tällöin joutui esimerkiksi pylväsdiagrammien pylväitä muokkaamaan rajusti, jotta pienimpienkin arvojen alueet tulisivat esille, mutta silloin suurempien arvojen alueiden pylväät peittivät lähes kokonaan alleen taustalla olevan rasteroidun koropleettikartan. Asiaa hankaloittaa myös Suomen kuntien määrä, jolloin pieniä alueita on runsaasti ja näiden alueiden tietoja esittävät muut esitystavat peittävät alleen toiset tiedot. Luotavasta kartasta riippuen voi tietysti käyttää erilaisia alueita, joilta informaatiota aletaan esittää, kuten maakuntia. Samaisen ongelman on huomannut myös Marko Tähtinen tekemänsä kartan kanssa, joka esittää 65-vuotiaiden ja eläkeellä olevien osuutta koko Suomen skaalassa. Hän myös pointeeraa, ettei maakuntatasollakaan välttämättä ole mielekästä esittää tietoja, sillä arvot saattavat vaihdella voimakkaasti myös maaseudun sisällä. Tällöin enemmistöarvot vetävät yksittäisen maaseudun saamaa arvoa tiettyyn suuntaan, mikä peittää alleen todelliset arvojen jakautumiset. Itse rajasin oman karttani käsittämään Pirkanmaan alueen kunnat. Tietojen peittymisen ongelman voi ratkaista myös tuplarasteroinnilla, jossa siitäkin saattaa aiheutua omat ongelmansa kartan luettavuuden kannalta, tai vaikkapa 3D kartan avulla, jossa alueilla on oma värinsä yhden esitettävän ilmiön kuvaamiseksi ja korkeus suhteessa toisiin alueisiin esittämään toista ilmiötä. Ongelmana on tässä taasen on se, että 3D -kuvat joudutaan näyttämään usein vain yhdestä kuvakulmasta kerrallaan, jolloin korkeiden pylväiden takana olevat alueet jäävät piiloon.

Saimme tätä blogimerkintää varten luettavaksemme Anna Leonowiczin artikkelin Two-variable choropleth maps as a useful tool for visualization of geographical relationship (Leonowicz, 2006), jossa esitellään kahden päällekkäisen koropleettikartan laadintaan liittyviä luomis- ja tulkintaongelmia. Ilmiöiden välisten korrelaatioiden ja niiden kartalla esittämiseen kahden värirasterin kautta Leonowicz esittää yhteisvaihtelukuvaajan käyttämistä (bivariate choropleth method tai two-variable choropleth method). Suomenkielistä nimeä piti hetki hakea, mutta kuvan perusteella kyseessä on yhteisvaihtelukuvaaja, jossa vaaka-akselilla esitetään yhden ilmiön arvoja ja pystyakselilla esitetään toisen ilmiön arvoja. Yhteisvaihtelukuvaaja lisätään legendaan, ja siinä käytetään arvojen esittämiseen samoja värirastereita, kuin mitä kartoissakin on käytetty, jolloin karttaa on helpompi tulkita (kuva 2). Legenda värjätään kartassa käytetyillä väreillä siten, että pystyakselille sijoitetaan vasemmalta oikealle arvojen värit suurenevassa järjestyksessä ja samoin vaaka-akselille alhaalta ylös arvot suurenevassa järjestyksessä. Lisäksi kuvaajaan asetetaan pisteitä kohtiin, joissa arvot kohtaavat ja syntyneestä kuvaajasta päätellään (tai lasketaan) ilmiöiden välinen korrelaatio, eli riippuvuus toisistaan.

Kuva 2: Kahden päällekkäisen koropleettikartan esitys Leonowiczin mukaan. Kuvassa näkyy yhteisvaihtelukuvaajan käyttö ja luominen legendassa ja sen hyödyntäminen kartan laadinnassa.

Tällaisen legendan käyttäminen poistaa aiemmin esittämäni ongelman rastereiden ja esimerkiksi pylväiden esittämisestä samalla kartalla, sillä se mahdollistaa kaksien rastereiden käyttämisen samalla kartalla tekemällä kartan tulkitsemisesta helpompaa. Tällöin ei myöskään tarvitse pelätä sitä, että kartalla olevat kuvaajat peittäisivät allaan olevia tietoja. Toisaalta on muistettava esittää rastereilla ainoastaan suhteellisia tietoja, jolloin tällä tavalla esitettävien tietojen vaihtoehtovalikoima kapenee. En esimerkiksi pystyisi muuttamaan omaa karttaani kahden päällekkäisen värirasterin koropleettikartaksi suhteuttamatta ensiksi luonnollista väestönlisäystä alueen väkilukuun.

Päällekkäisten koropleettikarttojen tulkinnasta tekee hankalan juuri ilmiöiden välisen yhteyden hahmottaminen. Kartoista näkee usein yksittäisten tietojen alueellisen jakautumisen, jos karttaesitys on selkeästi toteutettu, mutta harjaantumattoman kartanlukijan saattaa olla hankala laskea mielessään yhteyttä. Tätä on painottanut myös Mikael Asikainen, sillä hyvin usein vaaditaan, että “lukijalla on oltava perustiedot teemakartografiasta saadakseen tarkoituksenmukaiset tiedot irti edes yhden muuttujan koropleettikartasta. Kahden muuttujan kartoissa tällainen tietämys on jo välttämätöntä”. Leonoeichin esittämän päällekkäisten koropleettikarttojen esitys taasen saattaa helpottaa yhteyden hahmoittamista kartan yhteydessä olevan legendan ansiosta, mutta yksittäisten ilmiöiden jakautuminen tutkimusalueella ei selviä yhtä helposti värien sekoittumisen takia, vaihettumisvyöhykkeelle syntyy erivahvuisia lilan sävyjä, ja tuloksena on värien sekamelska.

Tein kokeilumielessä excelillä yhteisvaihtelukuvaajan karttani informaatioista, ja sen perusteella pystyy helpommin hahmottamaan tietojen välisen yhteyden (kuva 3). Luonnollisen väestönlisäyksen arvot laskin suhteuttamalla ne alueiden väkilukuun. Tuloksesta näkee korkeakoulututkinnon omaavien osuuden korrelaation väestönlisäyksen kanssa. Kun korkeakoulututkinnon omaavien osuus kasvaa, kasvaa myös luonnollinen väestönlisäys kohti positiivisia arvoja. Korrelaatiokertoimen perusteella (R= 0,7037) ilmiöiden välillä olisi melko suuri positiivinen korrelaatio. Toisaalta kartasta nähdään arvojen todellinen jakautuminen: sekä korkeampien korkeakoulututkintojen osuudet että positiiviset väestönlisäysarvot sijaitsevat lähellä Tampereen keskusta, missä myös suurin osa korkeakoulututkinnon vaativista ammattialoista ja enin väestö sijaitsee. Kysymyksiä luo toisaalta Tampereen pohjois- ja eteläpuolella sijaitsevien alueiden alhaiset arvot. Vastauksena saattaa olla korkeakoulutuksen vaativien työpaikkojen puuttuminen tai pendelöintimahdollisuuksien vähäisyys.

Kuva 3: Yhteisvaihtelukuvaaja korkea-asteen tutkinnon suorittaneiden osuudesta ja luonnollisen väestönlisäyksen osuudesta Pirkanmaalla.

Marjut Pietiläinen (2006) esittää artikkelissaan Tasa-arvoinen suomineito, osa 1, että korkeasti koulutetut naiset jäävät usein toisia yleisemmin lapsettomiksi joko tahallisesti tai tahattomasti. Ylemmän korkea-asteen tutkinnon suorittaneista 45-49 –vuotiaista naisista oli lapsettomia noin 20% vuonna 2004 (Pietiläinen, 2006). Kun otetaan huomioon, että naisten keskuudessa on korkeakoulututkinnon suorittamien yleistynyt, voidaan olettaa, että tuo prosenttiosuus on noussut. Korkeasti koulutetut usein suunnittelevat perheen perustamista tarkemmin, Kansanterveyslaitoksen tekemän tutkimuksen mukaan (Koponen, Lindbohm & Sihvo, 2004) Suomessa vähiten raskauksien keskeytyksiä tekevät juuri korkeasti koulutetut.

Nollahypoteesina pidin sitä, että korkeamman koulutusasteen alueilla syntyvyyden ja kuolleisuuden ero ei olisi ollut niin suuri, sillä usein korkeamman koulutuksen omaavien hedelmällisyysluku on pienempi. Kuitenkin tulokset esittävät aivan toisenlaista trendiä, mutta tässä on otettava huomioon myös korkea-asteen tutkinnon omaavien sijoittuminen usein kaupunkien läheisyyteen, joissa on muutenkin suuri väkiluku sekä erilaisten koulutustaustojen omaavia henkilöitä, jolloin syntyvyyskin on kaupunkialueilla ja niiden vaikutusalueella suurta. Karttaesitys ei suoraan vastaa kysymykseen, onko näillä kahdella ilmiöllä vaikutusta toisiinsa.

Lähteet:

Leonowicz, A. (2006). Two-variable choropleth maps as a useful tool for visualization of geographical relationship. Geografija 42:1, 33–37

Pietiläinen, M. (2006). Tasa-arvoinen suomineito, osa 1. Tieto&trendit 6-7/2006. Tilastokeskus.
[27.01.2013] http://www.stat.fi/artikkelit/2006/art_2006-07-06_001.html?s=0

Koponen, P., M.-L. Lindbohm & S. Sihvo (2004). Raskaudet, synnytykset,
keskenmenot ja keskeytykset. Teoksessa Koponen P & R. Luoto (toim.): Lisääntymisterveys Suomessa. Terveys 2000 -tutkimus. Kansanterveyslaitoksen julkaisuja B5/2004. Helsinki 2004.
[27.01.2013] http://www.terveys2000.fi/julkaisut/lister.pdf

Asikainen, M. (2013). Artikkeli 1. PAK Mikael Asikainen
[27.01.2013] http://blogs.helsinki.fi/midasika/

Tähtinen, M. (2013). Kurssikerta 2 Kahden teeman kartat. Paikkatiedon hankinta, analyysi ja kartografia 2013.
[27.01.2013] http://blogs.helsinki.fi/mjtahtin/

Kurssikerta 1: Jälleentapaaminen MapInfon kanssa

Olin koko joululoman jännittänyt tämän kurssin alkua, sillä tiesin että me tullaan käyttämään MapInfoa, jota kerran pari kokeiltiin aivan syksyn alussa. Jännittänyt siksi, koska ihanan CorelDraw:n jälkeen kömpelön MapInfon ottaminen käyttöön jopa suorastaan pelotti, mutta samalla olin innostunut ohjelman kunnollisesta opettelusta. Ja itse asiassa tämä jälleentapaaminen MapInfon kanssa sujui varsin mutkattomasti! DorelDraw opetti hyvin kerroksellisuus -ajatteluun, eli siihen että kartan rakentamisessa tietoja esitetään eri kerroksissa ja näiden kerrosten keskinäisiä sijoittumisia vaihtelemalla saa erilaisia asioita näkyville. Tätä ajattelutapaa pystyi myös soveltamaan MapInfossa ja ohjelma avautui aivan uudella tavalla! Varsinkin eri tietojen etsiminen Workspace -tiedostosta ja näiden käyttäminen sujui paljon helpommin kuin ensimmäisellä kerralla.

Aloitimme harjoittelun kokeilemalla erilaisia toimintoja Helsingin seutukuntia esittävän kartan ja seutukuntiin liittyvien tietojen kanssa. Tämä toimi johdatuksena oman teemakartan luomiseen (joka sujuu paljon helpommin ja nopeammin MapInfossa kuin Corelissa!), jossa sai valita monista tiedoista itseään miellyttävän (mm. taajama-aste, korkeasti koulutettujen osuus). Valitsin esitettäväksi pitkän harkinnan ja erilaisten kokeilujen jälkeen 65 vuotta täyttäneiden osuuden koko väestöstä. Harjoituskartta on tyypiltään koropleettikartta, jolla tulee esittää ainoastaan suhteellisia tietoja, eli esim pinta-alaan suhteutettuja väestötietoja, sillä koropleettikarttojen pohjalla käytetään usein (kuten tässäkin tapauksessa) hallinnollisia alueita, joilta tiedot on helposti saatavilla, ja näiden alueiden pinta-alat vaihtelevat suuresti. Suhteutettujen tietojen käyttö tekee eri alueista toisiinsa nähden vertailukelpoisia.

Tietojen esittämiseksi kartalla on aineisto aluksi luokiteltava. Luokittelun apuna toimii aineistoon perustuva histogrammi, joka esittää arvojen jakauman. Histogrammi luotiin käyttäen yksinkertaista (helppo sanoa jälkeenpäin kun viimein sai sen toimimaan) verkkopalvelua, johon syötettiin halutut tiedot ja valittiin sopiva skaalaus (kuva 1.).

Kuva 1: Histogrammi 65 vuotta täyttäneiden osuuksien jakaumasta aineistossa. Kuvaajan vaaka-akselilla on kuvattu 65-vuotiaiden osuus (%) ja pystyakselilla näiden osuuksien omaavien alueiden lukumäärä.

Kuvasta nähdään, että aineisto on melko selvästi normaalisti jakautunut, minkä takia käytin aineiston luokitteluun kvantiileja, jotka jakavat aineiston niin, että jokaisessa luokassa on yhtä monta havaintoa. Tällöin saman värisiä alueita löytyy kartalta suunnilleen yhtä monta, oleellisinta on tarkastella luokkien vaihteluväliä (legendasta), mikä ilmoittaa tarkemmin kuinka paljon eri alueet eroavat toisistaan. Olisin halunnut käyttää luokittelussa keskihajontaa tai keskiarvoja, mutta tämä olisi vaatinut lausekkeen koodaamista MapInfoon, enkä alkeellisilla taidoillani olisi tähän kyennyt, joten saamme tyytyä kvantiileihin (jotka sopivat kyllä aivan yhtä hyvin normaalijakauman luokitteluun!).

MapInfossa häiritsee se, että esilaisia värivaihtoehtoja on paljon vähemmän käytettävissä kuin Corelissa. Tai ehkä opimme myöhemmin sekoittamaan erilaisia värejä toisiinsa muodostaen uusia värejä, kuten Corelissa … toivossa on hyvä elää.

Kuva 2: Teemakartta 65 vuotta täyttäneiden osuuksista koko väestöstä Suomen kunnissa vuoden 2011 väestötietojen mukaan.

Valmiista kartasta näkee yli 65-vuotiaiden sijoittumisen Suomessa (kuva 2.). Suhteellisesti eniten 65 vuotta täyttäneitä on Itä- ja Keski-Suomessa sekä Pohjois-Suomen eteläosassa, jossa näiden osuus nousee neljäsosaan koko alueen väestöstä. Muutamia suuren osuuden alueita on myös Länsi-Suomessa Porin ja Vaasan lähialueilla. Huomio kiinnittyy varsinkin vaaleisiin alueisiin Itä-Suomen tummien alueiden keskellä. Suomen maantietoa tuntevat tunnistavat alueet suuriksi kaupunkikeskuksiksi, joita myös Tuomas Väisänen on analysoinut omassa teksissään Kurssikerta 1, joka käsittelee työssäkäyvien osuutta väestöstä. Suuret kaupunkikeskukset vetävät työväestöä tarjoamiensa palveluiden ja työssäkäymismahdollisuuksiensa puolesta, sekä opiskelijoita monipuolisten koulutusmahdollisuuksien takia. Tällöin suurten keskuksien väestörakenne nuortuu asukasluvun ja nuorten suhteellisen osuuden kasvaessa ja vastakkaisena reaktiona keskuksien ulkopuolisten alueiden väestörakenne vanhenee, kun nuoret ja työssäkäyvät muuttavat muualle jättäen vanhemman väestön jälkeensä. Nykyajan trendinä on myös ns. vastakaupungistuminen, jossa ihmiset muuttavat takaisin maalle kiireisten kaupunkien ulkopuolelle. Tämä on mahdollista varsinkin eläkkeelle jääneille, joiden ei enää tarvitse huolehtia maalle muutosta seuraavista pidentyvistä työmatkoista. Tämäkin voi selittää suurten kaupunkien keskuksien ulkopuoleisten alueiden suhteellisesti suuremman iäkkäämmän väestön määrän.

Hyvän huomion on antanut myös Suvi Välimäki blogimerkinnässään Teemakartta korkeakoulututkinnon suorittaneiden osuuksista Suomen kunnissa muistuttaessaan, että suhteellisia tietoja esittävät kartat eivät kerro mitään absoluuttisista määristä, mikä on hyvä muistaa tutkittaessa esimerkiksi Lapin tietoja, jossa väestörakenne näyttää melko nuorelta, mutta jossa myös väestön absoluuttinen määrä on pienempi kuin esimerkiksi Etelä-Suomessa. Suhteellisten tietojen käyttö saattaa aiheuttaa haastetta tottumattomalle kartanlukijalle. Tulkinnassa tarvitsee myös ymmärrystä suhteellisten lukujen käyttäytymisestä.

Mielestäni lopputuloksesta tuli varsin selkeä. Valitsin luokkien määräksi kolme, sillä se antaa tarpeeksi tarkan kuvan tiedon välittymiseen ja samalla kartta pysyy luettavassa muodossa. Luokkia olisi voinut vielä lisätä yhdellä, jolloin luokkarajat eivät olisi eronneet aivan yhtä paljon kuin nyt, mutta yhtä hyvin olisi erot voinneet suurentua entisestään. Luokkarajoja olisi myös voinut pyöristää, jolloin turhat desimaalit olisivat jääneet pois. Karttaan olisi vielä voinut lisätä tunnetuimpien kaupunkien nimet, jolloin myös huonosti Suomen karttaa tunteva pystyisi lukemaan informaatiota paremmin. Näin pienessä kuvassa lopputuloksesta saattaisi tosin tulla epäselvä, mutta nimet olisi voinut sijoittaa Suomen ulkopuolelle ja osoittaa paikat viivoin.

 

Lähteet:

Kunnat 2011. Kurssiaineisto.

Illuminations: Histogram Tool. The National Council of Teachers of Mathematics.
[17.01.2013]  http://illuminations.nctm.org/ActivityDetail.aspx?ID=78

Tuomas Väisänen (2013). Kurssikerta 1. Paikannettua tietoa.
[17.01.2013] http://blogs.helsinki.fi/tuomvais/

Suvi Välimäki (2013). Teemakartta korkeakoulututkinnon suorittaneiden osuuksista Suomen kunnissa. Paikkatiedon hankinta, analyysi ja kartografia.
[17.01.2013] http://blogs.helsinki.fi/suva/