Pahoitteluni, etten jaksanut perehtyä blogin raapustamiseen enkä varsinkaan väkinäisten viittausten ja lähdeluetteloiden keksimiseen. Lisäksi työelämässä SWOT-analyyseja tehneenä jo pelkkä kirjainyhdistelmäkin saa ihon kananlihalle, joten jätin senkin tekemättä – vilkaisin toki Mapping America -palvelua ja muiden siitä kirjoittamia analyyseja. Sanoisin, että tylsää luettavaa, joten sekin puolsi päätöstä, etten ainakaan lisää mitään tähän kuollettavaan tylsyyteen. Mainittakoon kuitenkin, että Jurilla oli mukavan ytimekäs analyysi aiheesta.

Viimeisellä kerralla saimme käsitellä omaa aineistoa. Oma aineistoni ei aivan kohdannut blogitehtävän vaatimuksia, mutta koska osallistuin kurssille juuri siksi, että saisin oman datani esitettyä juuri siten miten haluan, kiersin tehtävänantoa.

Kuva 1. ITP-poijujen matkoja Pohjoisella jäämerellä (ja yksi joka melkein saavutti Pohjois-Atlantin).

Ensinnäkin: minulla on hieno kartta Pohjoisesta jäämerestä (kiitos Jakobsson et al., 2008), jolle halusin saada datani näkyviin. Rekisteröidessäni karttaa MapInfoon valitsin polaariprojektion ja näpyttelin kaikki kartalla näkyvät leveys- ja pituuspiirien risteykset, yhteensä 23 pistettä. Valitettavasti 60 leveyspiiri jää juuri kartan reunojen ulkopuolelle, joten sen avulla ei saanut pisteiden määrää kasvatettua. Kuvan 1 mukaan 23 pistettä näyttäisi kuitenkin riittävän: yhtään pistettä ei ainakaan osunut mantereille! Huomaa että tuo toinen punaisella merkitty ITP (olisi pitänyt numeroida nämä sittenkin karttaan!) todellakin lakkasi toimimasta, ajelehti jään mukana Grönlannin ja Huippuvuorten välistä etelään ja heräsi jälleen henkiin Islannin pohjoispuolella, mittasi siellä hetken ja katosi lopulta jään sulaessa alta.Kuvassa 1 on siis esitettynä ITP (Ice-Tethered Profiler) -poijujen havaintopisteet. ITP-poijut asennetaan merijäähän, jonka mukana ne ajelehtivat ja mittaavat jään alapuolella vaijeria pitkin kulkevan anturin avulla meriveden lämpötilaa ja suolaisuutta aina 700 metriin asti (Pohjoinen jäämeri on 3000-4000 metriä syvä, joten tämä on vain pintaraapaisu). Kuva laitteesta löytyy täältä. Dataa saa täältä. Samalla sivulla olevaan karttaan on piirretty jään keskimääräistä ajelehtimista kuvaavat vektorit, jotka ehkä hieman selittävät omassakin kartassani näkyvien poijujen matkaa. Lisää ITP-poijuista voi lukea Krishfield et al. (2008) artikkelista.

En asemoinut karttaani kaikkia ITP poijuja, joiden keräämää dataa käytän. Ensinnäkin kätevät (valmiit) paikkatiedostot puuttuivat 15 ensimmäiseltä poijulta ja toiseksi ne menivät jo nyt melko pahasti päällekkäin. Havaintopisteiden sijaan aloinkin pohtia, miten MapInfoa voisi hyödyntää niiden esittämisessä.

Koska merenpohjan topografia, etenkin harjanteet, vaikuttaa Tyynen ja Atlantin valtamerien sisäänvirtausten leviämiseen Pohjoisella jäämerellä ja koska nämä sisäänvirtaukset eroavat melkoisesti niin suolaisuuden kuin lämpötilansakin suhteen (ja muun muassa myös ravinteiden, mutta niitä poijut eivät mittaa), horisontaaliset suolaisuus ja lämpötilaerot ovat Pohjoisella jäämerellä huomattavat. Siksi merkitsin karttaan alueiksi Pohjoisen jäämeren eri altaat: Kanadan, Makarovin, Amundsenin ja Nansenin altaat (Kuva 2, alueet näkyvät lopullisessa kuvassa paljon himmeämpinä kuin MapInfon näkymässä). Ajattelin tehdä helpon harjoituksen ja laskea kuinka monta havaintopistettä kussakin altaassa on, mutta tähän harjoitus sitten tökkäsikin: koska jokaisen ITP-poijun mittauspisteet ovat erillisissä tiedostoissa (yksi ITP-poiju voi mitata useammassa tuhannessa pisteessä), en saanut kerralla valittua pisteitä kuin yhdestä tiedostosta. En tiedä onko tähän olemassa muuta keinoa kuin yhdistää kaikki mittauspisteet samaan tiedostoon? Dataa käsitellessäni ainakin Excelissä on monesti tullut riviraja vastaan, joten en tiedä ymmärtäisikö Excel näin pitkää tiedostoa (MapInfo tosin taitaa kyetä lukemaan myös teksti-tiedostoja, joissa vastaavaa ongelmaa ei ole). No, päätin olla tuhraamatta enempää aikaa tiedostojen muokkaukseen.

Kuva 2. Suurennos kuvasta 1 eli varsinaisenen tutkimusalueeni.

Tässä vielä esimerkiksi pätkä tiedostosta, joka sisältää tiedot ITP51:n tekemistä havaintopisteistä (itse havainnot ovat vielä erikseen omissa tiedostoissaan, joita kertyy kaikki poijut mukaanlukien yli 72 000).

Näiden tiedostojen (mikäli ne kaikki olisivat olleet samassa tiedostossa siis) perusteella olisin voinut siis esimerkiksi havainnollistaa kuinka monta talvi ( Pohjoisella jäämerellä talveksi voidaan lukea päivät 1-150) ja kesä (päivät 200-300) havaintoa kullakin alueella on tehty tai minä vuonna milläkin alueella on tehty eniten havaintoja. Itseasiassa en edes halua esittää tätä informaatiota, sen sijaan olen kiinnostunut esimerkiksi kesäisen lämpötilaminimin syvyydestä, mutta sitä ei tiedostoissani (vielä) ole. Eli ensin pitäisi kirjoittaa ohjelma (vaikka MatLabille), joka käy läpi kaikki yli 72 000 tiedosta, etsii niistä lämpötilaminimin syvyyden ja tallentaa sen tiedostoon, josta sen voi MapInfossa yhdistää tässä tiedostossa annettuihin koordinaatteihin. Sen jälkeen voisin tarkastella lämpötilaminimin syvyysjakaumaa eri altaissa (lämpötilaminimin syvyyteen vaikuttaa ennen kaikkea pintakerroksen suolaisuus, joten myös tämä syvyys vaihtelee Pohjoisella jäämerellä).

Olisi siis pitänyt luoda itse tilastoitava tieto tälle kartalle, mutta nyt osaan tehdä sen mikäli tarve vaatii! Turhaa työtä kartan kuitenkin kuin ruttoa, joten mitään ylimääräistä en rupea tekemään pelkän kurssin vuoksi, vaan odottelen kunnes tiedän tarkasti millaisen kartan haluan.

Lähdeluettelo:

Jakobsson, M., R. Macnab, L. Mayer, R. Anderson, M. Edwards, J. Hatzky, H. W. Schenke, and P. Johnson (2008), An improved bathymetric portrayal of the Arctic Ocean: Implications for ocean modeling and geological, geophysical and oceanographic analyses, Geophys. Res. Lett., 35, L07602, doi:10.1029/2008GL033520.

Tällä kertaa tehtävänämme oli hakea internetistä tietoa ja esittää se MapInfon avulla eli käytännössä opimme esittämään mitä vain informaatiota kartalla. Tälläkin kertaa saimme tosin valmiin karttapohjan, johon oli ilmeisesti määritetty koordinaatisto jo valmiiksi. Luulen, että siinä vaiheessa, kun alan asettelemaan omaa havaintoaineistoani omalle karttapohjalleni, menetän hermoni MapInfoon :).

Saimme valita havaintoaineistoa maanjäristyksistä, tulivuorista ja/tai meteoriiteista. Kiinnostuin heti yhteisesti katselemistamme maanjäristyksistä ja etenkin ihmisten toimien (louhinta, ydinkokeet) aiheuttamista enkä edes vilkaissut muita tietokantoja (pääsin siis helpolla, koska muut tietokannat kuulemma vaativat hieman enemmän manipuloimista ennen MapInfoon siirtämistä).

Hypoteesini oli, että esimerkiksi ydinkokeista aiheutuneet maanjäristykset olisivat olleet yleisimpiä kylmän sodan kylmimpinä vuosina, 1950-1960 -luvuilla (kartta 1). Etenkin 1960-luvulla puhuttiin paljon Tyynellä valtamerellä tehdyistä ydinkokeista ja pelättiin niiden ympäristövaikutuksia, mutta ei sinne kovin monta pistettä tullut. (Tyynenmeren ydinkokeet olivat alkuperäinen syy värivalintaani: että pisteet erottuisivat merestä, mutta kuten myöhemmin tullaan huomaamaan, kaikki värit eivät olleetkaan niin kovin hyviä vaihtoehtoja.)

Kartta 1. Ihmisen toiminnan aiheuttamat yli 3 richterin maanjäristykset vuosina 1950-1970. Yli 6 richterin järistykset on merkitty tähdillä.

Aineistosta on oikeastaan mahdotonta erottaa ydinkokeita seuranneita räjähdyksiä muusta louhinnasta. Intuitiivisesti ajattelin, että ydinkokeista seuraa suurempi järistys kuin kevyemmistä kaivosräjähteistä, joten merkitsin erikseen yli 3 richterin ja 6 richterin räjähdykset. Tietenkin voimakkuuteen vaikuttaa käytetyn räjähteen määrä, sisälsi itse räjähde mitä tahansa, ja ainakin Tyynenmeren ydinkokeet aiheuttivat lähinnä vain 3-6 richterin maanjäristyksiä, mutta Japanin itäpuolella näkyy yksi yli 6 richterin järistys, joka todennäköisesti oli ydinkoe (kuka siellä keskellä merta mitään louhisi). Samoin Ranskan ensimmäinen ydinkoe Algeriassa vuonna 1960 aiheutti alle 6 richterin järistyksen. Sen sijaan Neuvostoliitto paukutti nähtävästi henkseleitään ja testasi asearsenaaliansa täydellä teholla: ainakin Novaya Zemlyan räjäytyksistä seurasi yli 6 richterin järistyksiä. Itse asiassa lueskelin tässä Alun Andersonin kirjaa Kun Arktis sulaa (2009) ja siinä kerrottiin suurimman ihmisen tekemän räjähteen (pitää tarkistaa ja lisätä paino tähän) räjäytetyn juuri Novaya Zemlyalla. Kirjassa myös todetaan, että Novaya Zemlyalla tehtiin yhteensä yli 2000 ydinkoetta! Niitä kaikkia ei kyllä minun kartallani näy (näistä ainakin osa tehtiin ilmassa). Valitettavasti Alun Anderson ei anna tälle tiedolle lähdettä enkä tähän hätään jaksa tonkia sattumanvaraisia lähteitä, joten alkuperäinen lähde jää hämärään.

Helsingin yliopiston seismologian laitoksen kokoamasta pienestä ydinkokeiden historiikista näkee, että ydinkokeita tehtiin myös ilmakehässä, joten kaikki ydinkokeet eivät ole rekisteröityneet maanjäristystietokantaan. Osittainen ydinkoekieltosopimus (Partial Test Ban Treaty, PTBT) tuli voimaan jo vuonna 1963, mutta täyskielto vasta 1996.

Vuosina 1970-1990 räjäyteltiin paljon, etenkin Venäjällä (kartta 2). Myös Tyynenmeren atolleilla ja Novaya Zemlyalla jatkettiin ydinaseiden testauksia, todennäköisesti myös Kazakstanin ja Kiinan järistykset ovat peräisin ydinkokeista (samat pisteet ovat näkyvissä jo kartassa 1). Myös Intia teki ensimmäisen ydinkokeensa vuonna 1974. Sen sijaan epäilyttää tehtiinkö Kalifornian aavikoilla ydinkokeita vai onko kyse useamman vuosikymmenen voimakkaasta louhinnasta?

Kartta 2. Ihmisen toiminnan aiheuttamat yli 3 richterin maanjäristykset vuosina 1970-1990. Yli 6 richterin järistykset on merkitty tähdillä.

Vuosina 1990-2010 räjäytykset vähenivät jälleen (kartta 3). Neuvostoliiton romahduksen myötä kaivostoiminta näyttäisi lakanneen lähes täysin (Siperiassa näkyy vielä jotain toimintaa) ja viimeinen ydinkoekin tehtiin vuonna 1990. Mainittakoon myös, että yli 6 richterin räjäytykset sijoittuivat yhtä lukuunottamatta vuosille 1990-1995, jolloin Neuvostoliiton lisäksi myös Yhdysvallat, Ranska ja Kiina tekivät viimeiset ydinkokeensa. Sen sijaan Pakistan aloitti testaukset vuonna 1998 ja Pohjois-Korea vuosina 2006 ja 2009.

Kartta 3. Ihmisen toiminnan aiheuttamat yli 3 richterin maanjäristykset vuosina 1990-2010. Yli 6 richterin järistykset on merkitty tähdillä.

En tiedä onko tällä karttasarjalla mitään muuta virkaa kuin että toistuvat räjäytyspaikat saa sarjan avulla paremmin näkyviin. Kartassa 4 osa järistyksistä peittyy, kun samalla paikalla testataan ydinaseita tai louhitaan vuosikymmenestä toiseen. Tällaisia paikkoja on esimerkiksi Novaya Zemlya, Kazakstan, Kiina ja Tyynenmeren atollit.

Kartta 4. Ihmisen toiminnan aiheuttamat yli 3 richterin maanjäristykset vuosina 1950-2010. Yli 6 richterin järistykset on merkitty tähdillä.

Näin jälkeen päin tuli mieleen, että opetuskäytössä olisi hyvä näyttää alkuun kartta, jolle kaikki järistykset olisi merkitty. Sitten oppilaat saisivat hetken miettiä, millä alueilla olevat järistykset olisivat geologisia ja mitkä antropogeenisa ja palautella sitä kautta mieliin mannerlaattojen saumakohtia. Toisaalta esimerkiksi Natalian kartassa, jossa ilmeisesti havainnollistetaan ainoastaan geologista alkuperää olevia järistyksiä, näkyy myös järistyksiä muun muassa Novaya Zemlyalla ja Tyynellä valtamerellä, joten voi olla, ettei tehtävä olisi kovin helppo. Joka tapauksessa karttaa voisi kokeilla jonkinlaisena johdantona aiheeseen. Samalla voisi vertailla luonnon ja ihmisen voimien mittelöitä ja miettiä mitkä muut tekijät vaikuttavat tuhoihin kuin pelkkä richterin asteikko. Sen jälkeen voisi sitten siirtyä näihin karttoihin – tosin en tiedä mihin oppiaineeseen tällainen karttasarja, jossa liikutaan maantieteestä poliittiseen historiaan, voisi liittyä.

Lähteet:

Alun Anderson (2009): Kun Arktis sulaa (engl. After the Ice: Life, Death, and Geopolitics in the New Arctic, ISBN: 9780061579073; ISBN10: 0061579076, Smithsonian, pp. 304)

Helsingin yliopisto, Seismologian laitos

Viidennellä kurssikerralla harjoittelimme puskurointia eli tapoja määrittää alueita, joita halutaan tarkastella.

En jaksanut väsätä luvuista taulokkoa, joten ne on tässä, kauniina sekamelskana tekstin seassa, var så god:

Ensimmäisessä tehtävässä tarkastelimme lentokenttien meluvaikutusta. Malmin lentokentä kiitoradoista 2 km säteellä asuu yhteensä 52 621 asukasta, 1 km säteellä enää vain 8156. Sen sijaan Helsinki-Vantaan lähistöllä, alle 2 km päässä, asuu huomattavasti vähemmän ihmisiä kuin Malmin lentokentän lähiympäristössä, vain 9729 asukasta. Pahimmalla, 65 dB:n, melualueella asuu 333 asukasta eli 3.4 % kaikista 2 km säteellä asuvista.

Ongelma ja sen ratkaisu: En onnistunut valitsemaan lentomelualueista alueita 55-65 dB, vaan laskin ensin pienimmän melualueen, 50 dB:n, asukkaat: 30 607 ja vähensin tämän kaikista 50-65 dB:n alueella asuvien määrästä, jolloin sain asukkaat vähintään 55 dB:n alueella: 11 370. Monimutkaista!

Mikäli lentokoneet laskeutuisivat kaakosta luoteeseen, tämä vaikuttaisi 24 129 asukkaan elämään. (Oletin, että 1 km leveä melualue tarkoitti vähintään 60 dB melua, koska lentomelu tiedostossa ei ollut tälle alueelle määrättyjä melualueita?)

Seuraavaksi tarkastelimme juna-asemia. Alle 500 m päässä juna-asemista asuu kartta-alueella 80 576 asukasta. Eli vajaat 17 % Vantaan 479 503 asukkaasta. Näistä työikäisiä (15-64-vuotiaita) oli 57 447 asukasta eli 71 %.

Selvittelimme vielä taajamien väestöpohjaa. Taajamissa asuu 414 371 asukasta eli aika monta prosenttia (86 %) kaikista asukkaista. Taajamissa asuu 42 323 kouluikäistä (7-15-vuotiasta). Tämä tarkoittaa, että 7596 kouluikäistä asuu taajamien ulkopuolella.

Taajama-alueeista kahdellakymmenellä ulkomaiden kansalaisten osuus ylittää 10 %, kuudella alueella määrä on yli 20 % ja neljällä alueella yli 30 %.

Taulukko olisi ollut kyllä kätevä verratessa lukuja toisten saamiin, mutta kävihän se näistäkin: ero esimerkiksi Samulin tuloksiin on mielestäni pieni tarkastelutavan epämääräisyyteen nähden ja erot jäävät pääosin alle 10 % ja ovat usein vain 5 %. Täytyy myös yhtyä Anniinan mietteisiin ja tunnustaa, etten jaksanut laskea laskuja MapInfossa vaan käytin siihen MatLabia, joka on mielestäni huomattavasti näppärämpi datan käsittelyssä. Todennäköisesti teen jatkossa tiedostot valmiiksi MatLabilla, vaikka esittäisinkin niiden sisällön MapInfossa.

Viimeisen tehtävän saimme valita kolmesta vaihtoehdosta. Itse valitsin PUTKIREMPPA-projektin, koska ostoaikeissa asuntoa etsivänä asia on itselleni jokseenkin ajankohtainen.

Vuosina 1965-1970 Helsingissä on rakennettu 5397 rakennusta, joista 1280 on kerrostaloja. Näissä kerrostaloissa on yhteensä 42 925 asuntoa, joissa asuu yhteeensä 71 066 asukasta. (Tein aiheesta kartankin, josta näkyi putkiremonttiyrityksille otolliset alueet, mutta olen hukannut sen jonnekin ja lisäksi blogistani on tila jo ylitetty, joten en edes saisi yhtään kuvaa lisättyä, joten olkoon.)

Edit: eikun kuva löytyikin! Yritin nimetä kaupunginosia, joilla putkiremontoitavaa on paljon. (Täytyy tosin todeta omasta kokemuksesta, että useimmiten taloyhtiöt lykkäävät remonttia niin pitkälle kuin mahdollista ja monissa 1960-luvun alkuvuosinakin rakennetuissa taloissa putkiremonttia vasta suunnitellaan, joten ihan pelkän rakennusvuoden perusteella ei remonttia voi ennustaa – ainakaan tarkasti.)

Lähivuosina putkiremontoitavien eli vuosina 1965-1970 rakennettujen kerrostaloasuntojen suhteellinen osuus Helsingin eri kaupunginosissa.

Tässä piti vastausten lisäksi pohtia omaa osaamista. No, suoraan sanottuna on vaikea kuvitella miten voisin käyttää puskurointia oman tutkimukseni (fysikaalinen oseanografia) parissa. Tietenkin voisin ottaa alueen ja tarkastella suolaisuuden tai lämpötilan keskiarvoa ja hajontaa sen sisällä, mutta ongelmaksi muodostuu se, että valtamerten suolaisuus ja lämpötilajakaumat eivät koskaan ole symmetrisiä jonkun keskipisteen suhteen. Tarkasteltava alue tulisikin määrätä jokien virtaaman, jään reunan, tunnettujen virtausten, vesimassojen horisontaalisen jakauman tai pohjan topografian mukaan. Tällöin alueen saa helpommin määrättyä MapInfossakin pelkästään piirtämällä valittu alue kartalle.

Olinpas negatiivinen tällä kertaa, en jaksa edes lähdeluetteloa väsätä :-).

Jee, askel kohti sitä mitä tarvitsen: itsemääräämisoikeutta! Opimme määräämään itse koordinaatiston valmiiseen karttapohjaan. Koordinaatiston mukaan kartalle voi siis piirtää minkä tahansa pisteen. Kovin näppärältä koordinaatiston määrääminen ei vaikuttanut: mitäs jos en tiedäkään kuvan pisteiden etäisyyksiä? Eikö olisi helpompaa antaa koordinaatit leveys- ja pituuspiirien mukaan, ne nyt sentään on yleensä karttoihin merkitty? Sen sijaan harvemmassa kartassa olen törmännyt etäisyyksiin päiväntasaajasta (kilometreinä) ja pallokoordinaatistossa moinen muunnos on kovin vaikea – varsinkin kun Maamme ei edes ole pallo!

Niin joo, ennen tätä koordinaatistojuttua leikimme hiloilla. Aineistona pääkaupunkiseutu ja sen asukkaat. Hiloja käytettäessä ongalmaksi muodostuvat ihmiset, jotka asuvat kahden – tai pahimmassa tapauksessa neljän – hilaruudun rajalla ja jotka siten lasketaan kahteen, tai jopa neljään, kertaan. Alkuperäisessä aineistossa näkyi 1 003 338 asukasta pääkaupunkiseudulla, mutta 500 m hilalla asukkaita olikin yhteensä 1 003 701 eli vajaa 400 ihmistä enemmän. 250m hilalla asukkaita oli jopa 1 004 873. Ongelma tiedostettu, siis hommiin.

Ajattelin jatkaa ensimmäisellä kerralla valitsemaani teemaa muunkielisten alueellisesta jakaumasta pääkaupunkiseudulla (ja etenkin Helsingissä). Hilakooksi valitsin 500 m, vaikka 250 m olisi ollut oikeastaan aivan yhtä hyvä. Kartastani (kuva 1) näkee hyvin, että punaisia (eniten muunkielisiä) ja sinisiä (vähiten muunkielisiä) ruutuja on usein vierekkäin. Eli verrattuna ensimmäiseen karttaani, asiat mutkistuvat ja saavat enemmän piirteitä eikä alueita olekaan enää niin helppo määritellä kokonaisuuksina.

Kuva 1. Muunkielisten osuus pääkaupunkiseudulla vuonna 2009 500 m ‘ 500 m hilaruudukolla ilmaistuna.

Ai ni, en tykänny absoluuttisten arvojen esittämisestä, koska sen mukaan keskustassa asuu paljon vanhoja, nuoria, muunkielisiä ja ruotsinkielisiä. Eihän siinä ole mitään informaatioarvoa! Yhtä hyvin olisin voinut piirtää kartan, jossa olisivat ne kaikki yli miljoona asukasta. Laskin siis suhteelliset arvot tähänkin karttaan ja esitin ne muokatuilla luonnollisilla luokkaväleillä. Eli en ehkä ihan ymmärrä, miksi hilaesityksessä absoluuttiset arvot olisivat hyväksytympiä kuin tavallisessa koropleettiteemakartassa. Täytynee vakoilla, mitä muut ovat asiasta tuumanneet… (Edit. En löytänyt lukemistani blogeista pohdintaa aiheesta, joten en minäkään jaksa pohtia!)

Tällä kertaa päästiin tutustumaan tietokantojen maailmaan: ainakin Excel-tiedostoja voi helposti liittää MapInfon tiedostoihin. Hieman mielenkiintoisempaa kuin pelkkien valmiiksi annettujen tiedostojen esittäminen kartalla, koska nyt sain kosketuspintaa siihen, miten MapInfoa voi käyttää omiinkin tarkoituksiin. (No, vielä monta kysymystä vastaamatta ennen kuin voin soveltaa sitä aineistoon, jota käsittelen. Suurin kysymyksistä on koordinaatit.)

Harjoituksena teimme tulvaindeksikartan (kuva 1). Kartan tekeminen vaati tiedostojen yhdistämis- ja manipulointitaitoja. Tulvaindeksi piti laskea: keskiylivirtaama jaettuna keskialivirtaamalla. Ei kovin haastavaa, mutta muistia vaativaa.

Kuva 1. Tulvaindeksi (keskiylivirtaama/keskialivirtaama) Suomen jokien valuma-alueilla sekä valuma-alueiden järvisyys (pylväät, %).

Tulvaindeksin frekvenssijakauma annettiin valmiina. En kyllä ymmärrä, miten tulvaindeksi voi olla negatiivinen? Eivät kai virtaamiltaan vähäisimmätkään joet virtaa  keskimäärin “vastavirtaan”? No, joka tapauksessa, näitä negatiivisia (pienin arvo -53, valmiissa histogrammissa ei näy käytettyä väliä) tulvaindeksejä näyttäisi olevan hyvin vähän. Sen sijaan pieniä arvoja on hyvin paljon ja frekvenssi pienenee kohti suuria indeksejä ja suurten arvojen välissä on suuria aukkoja. Melko epämääräiseltä siis näyttää. Valitsin silti kvantiilit luokitsuperusteeksi, koska se näytti kivoimmalta (olen hurjan tieteellinen näissä asioissa: estetiikka ja käytännöllisyys ennenkaikkea). Alueellisesti kartan väriskaala vastaa todellisuutta: suuressa osassa Suomea tulvaindeksi on pieni. Sen sijaan suuren tulvaindeksin kunnat ova pääosin pieniä ja vaikka niiden valuma-alueet ovat pieniä, tummimmalla sävyllä on ehkä väritetty turhan monta kuntaa. Toisaalta, fiksu lukija katsoo molempia, sekä legendassa esiintyvää lukumäärää että karttaa.

Pyry pohti blogissaan tulvaherkkyyden ja järvisyyden välistä yhteyttä ja totesi, että tulva-indeksi on pienempi alueilla, joilla on suhteellisen paljon järviä. Tällöin järvet säätelevät virtaamaa: keskiylivirtaama on pieni, koska järvet varastoivat valuma-alueilta vapautuneen veden, ja samoin keskialivirtaama on suuri, koska kuivina kausina järvet vapauttavat kertynyttä vesivarastoaan eteenpäin. Tällöin tulva-indeksi pienenee. Myös maaperä voi toimia samanlaisena virtaamien säätelijänä ja yhteyksiä voisi mahdollisesti löytyä Suomen pohjavesialueiden alueelliseen jakaumaankin? Esimerkiksi Lapissa, jossa lunta sataa paljon ja kevättulvien voisi siten olettaa nostavan tulva-indeksiä, pohjavesialueita näyttäisi olevan enemmän kuin järviä. Toisaalta Natalian kartassa, joka perustuu luonnollisille luokkaväleille, Lapissakin erot tulvaherkkyydessä näyttävät selittyvän alueiden järvisyydellä.

Se mitä kartalla ei näy ja mitä tulvaindeksi ei kerro, on alueen sensitiivisyys tulville. Periaatteessa voisin kuvitella suhteellisen pienenkin tulvaindeksin voivan aiheuttaa haittaa ihmisten asumuksille tai muulle toiminnalle mikäli muut olosuhteet voimistaisivat tulvan vaikutusta. Olosuhteista mieleen tulee ensimmäisenä maanpinnan topografia: alavilla seuduilla pienikin lisäys virtaamassa voi saada vedenpinnan peittämään suuren alueen kuten esimerkiksi Pohjanmaan pelloilla. Lisäksi topografia ja ihmisen tekemät muokkaukset vaikuttanevat jossain määrin myös jääpatojen muodostumiseen ja purkautumiseen. Esimerkiksi joku vuosi sitten johonkin Pohjanmaan jokeen rakennetun tulvavallin epäiltiin aiheuttaneen jäiden purkautumisen ja virtaaman leviämisen keskelle asutusta ennennäkemättömällä nopeudella (anteeksi huonomuistisuuteni, voisin yrittää etsiä linkkiä tähän uutiseen). Karttani mukaan näyttäisi kuitenkin siltä, että korkeimpia tulvaindeksejä esiintyy juuri matalapiirteisillä rannikkoalueilla, joille tulvavahingot ovat tyypillisiä.

(Logiikkani yrittää kyllä väittää, että virtaamien pitäisi pienentyä valuma-alueen pienentyessä, mikäli sadanta alueiden välillä ei vaihtele suuresti, ja että alamäkeen virtaavat joet kuljettaisivat vettä nopeammin kuin tasaisella maalla sijaitsevat joet – toisaalta tulvaindeksiin vaikuttava minimivirtaama on logiikkanikin mukaan pienin pinta-alaltaan pienellä ja tasaisella valuma-alueella, joten ehkä tulvaindeksiin vaikuttaakin enemmän minimivirtaama kuin maksimivirtaama? Tämän olisi varmasti nähnyt aineistoa tarkemmin silmäilemällä.)

Kartalla harjoittelin ahkerasti nimien asettelua, kun se oli viime kerroilla jäänyt vähiin. Siihenhän suurin osa ajasta tuhriintuikin. Luulen, että sain kaikki mahtumaan – ja samalla sain oppitunnin Suomen joista, joita en koskaan koulussa joutunut opettelemaan. Aikaa kului taas keskuspisteiden siirtelyyn, itäisessä Kymenlaaksossa ne menivät melko nätisti pinoon itsestään, Pohjanmaalla siirtelin joitain. Simojoen ja Kaakamojoen keskuspisteet ovat hankalasti rajalla enkä saanut niistä otetta. Tällainen nypläys ei ole mun heiniä, joten annoin asian olla.

Olisi ollut kiva näyttää myös ne joet, joiden valuma-alueista puhutaan, ja järvet, joiden suhteellisesta kattavuudesta on kyse, mutta silloin kartta olisi näyttänyt siltä, että madot syövät pylväitä (kts. kuva 2). Tosin, jos joet olisi halunnut näkyviin, olisi koropleettiteemakartan värit pitänyt valita toisin.

Kuva 2. Sama kuin Kuva 1, mutta joet on piirretty muun informaation päälle.

Hups: tehtävänannossa mainittiin, että järvisyysprosentin pylväiden mittakaava pitäisi olla näkyvissä. Huonosti luettu tehtävänanto enkä nyt tiedä auttaisiko se edes mitään. Lisään ehkä myöhemmin. Mittakaavan jätin tarkoituksella pois, koska kyllästyin MapInfon temppuiluun: se ei vain suostunut siirtämään mittakaavaa layout-ikkunaan samanlaisena kuin se näkyi muokkaus-ikkunassa. Sain tähän vinkin: zoomaus-ikkuna. Täytyy kokeilla toimiiko se.

Lähteet: en keksi mitään, jään miettimään

Sain vastauksen pariinkin viime kerralla askarruttamaan jääneeseen kysymykseen ja tällä kerralla oppimani perusteella voisin lisätä viime kerralla tekemääni karttaan myös esim. veronalaiset tulot, mikäli tieto olisi saatavilla Helsingin eri osa-alueille ja katsoa miten tämä vertautuu muunkielisen väestön osuuteen.

Nyt käsittelimme kuitenkin kuntien välisiä eroja. Esimerkkinä toimi Lappi, koska siellä kunnat ovat pinta-alaltaan suuria ja siksi helppoja. Näin syntyperäisenä pääkaupunkiseutulaisena ajattelin kuitenkin ottaa haasteen vastaan ja katsoa, miten ympyrä- ja pylväsdiagrammit mahtuvat Uudenmaan pikkuruisiin kuntiin. No, eivät kovin hyvin: ympyrädiagrammit joko peittivät kuntarajat kokonaan alleen tai olivat niin pikkuruisia, ettei niistä saanut tolkkua. Kuvasta oli vaikea saada selkeän näköistä, koska ympyrät olivat aivan vierivieressä. Luovuin siis ympyröistä (olisin toki voinut säästää tähän esimerkkikartan, mutta ei tullut mieleen ajoissa). Pylväsdiagrammeissakin tuli ongelmia: pylväiden leveyttä ei voinut säätää alle 0,25 (mikä lie yksikkö ollutkaan kyseessä?), jolloin kahden pylvään yhteenlaskettu leveys olisi ollut 0,5 – sekin liikaa pikkuruisille kunnille kuten Kauniasille.

Ratkaisu

Päädyin lopulta tekemään monta karttaa yhdellä pylväällä – ja sekin vaati melkoista jumppaamista kuntien keskipisteiden eli pylväiden sijaintien kanssa. Vaikka tämä ei ehkä ollutkaan harjoituksen tarkoitus, mielestäni ratkaisua tuki se, että vertailemani asiat eivät olleet suuruusluokiltaan vertailukelpoisia: esimerkiksi veronalaisia tuloja ja rikosten määriä ei edes ilmoiteta samoissa yksiköissä. Lisäksi osa käyttämästäni aineistosta annettiin vain suhteellisina osuuksina. Jätin tarkoituksella legendan pois, koska mielestäni edes summittaisen absoluuttisen arvon määrääminen oli sen avulla hankalaa. Sen sijaan halusin lukijan vertailevan alueiden suhteellisia eroja. Vertailu rinnakkain aseteltujen kuvien välillä on mielestäni melko vaivatonta.

Kuva 1a. Muunkielisen väestön suhteellinen osuus Uudenmaan kunnissa (värit) ja tietoon tulleiden rikosten lukumäärä (pylväät).

Kuva 1b. Muunkielisen väestön suhteellinen osuus Uudenmaan kunnissa (värit) ja korkeastikoulutettujen suhteellinen osuus väestöstä (pylväät).

Kuva 1c. Muunkielisen väestön suhteellinen osuus Uudenmaan kunnissa (värit) sekä veronalaiset tulot.

Kuva 1d. Muunkielisen väestön suhteellinen osuus Uudenmaan kunnissa sekä työssäkäyvien suhteellinen osuus.

Samalla jatkan hieman edelliselläkin harjoituskerralla esiin tulleesta aiheesta eli siitä, miten tilastot voidaan näyttää omien ennakko-oletusten värittäminä tai miten niitä voidaan käyttää vahvistamaan lukijoiden ennakko-oletuksia. Kuvassa 1a esitän muunkielisen väestön suhteellisen osuuden, joka on selvästi suurin Helsingissä, Espoossa ja Vantaalla, väheten mitä kauemmas pääkaupungista etäännytään. Samaan kuvaan on liitetty pylväsdiagrammi (poliisin?) tietoon tulleiden rikosten lukumäärästä. Kartan mukaan rikoksia tapahtuu selvästi eniten muunkielisen väestön “valtaamilla” alueilla. Kuvan 1b mukaan taas muunkielisten suosimilla alueilla väestö on puolestaan selvästi korkeammin koulutettua kuin muualla. Selvä korrelaatio sen sijaan puuttuu niin kuntien välisiä veronalaisia tuloja (Kuva 1c) kuin työssäkäyvien määrää (Kuva 1d) tarkastellessa (mitä nyt Espoossa, Kauniaisissa ja Kirkkonummella löytyy selvästi parempituloista väestöä). Huomaa, että kuvassa 1d kyllästyin lopulta siirtelemään pylväitä ja päätin kokeilla toista vaihtoehtoa: pylväiden ääriviivojen muuttamista valkoisiksi, jotta päällekkäisyys ei haittaisi niin paljon. Ei ehkä paras mahdollinen ratkaisu, mutta jätin esimerkiksi.

Yksi vaihtoehto olisi ollut esittää kaksi eri koropleettiteemakarttaa päällekkäin kuten esimerkiksi Laura teki. Itse pidän kuitenkin enemmän pylväistä, koska ne ovat intuitiivisesti tulkittavissa – ilman legendaakin.

Analyysi

Lopputulokseni on, että sekä kartta 1a että 1b ovat harhaanjohtavia. Kuva 1a vahvistaa negatiivista käsitystä maahanmuuttajien rikollisuudesta kun taas Kuvan 1b perusteella voisi kuvitella maahanmuuttajien enemmistön olevan korkeastikoulutettuja. Sen sijaan lähemmäksi totuutta pääsee kuvan 2 avulla: sienne minne ihmiset keskittyvät, useimmiten kehittyy myös hyvin heterogeeninen väestöpohja. Siten rikoksien lukumääräkin olisi parempi antaa väkilukuun suhteutettuna.

Kuva 2. Muunkielisen väestön osuus Uudenmaan kunnissa (värit) sekä väkiluku (pylväät).

Extra-tehtävä

Jotten ihan miinukselle jäisi näistä yksinkertaisista kartoista, tein vielä monimutkaisemman piirakkakartan Lapin kuntiin, koska sinne mahtui paremmin (kuva 3). Tosin kainaloalueella tuli ahdasta ja ympyrät ovat pahasti päällekkäin. Kartan avulla ajattelin tarkastella työttömyysastetta suhteessa väestön ikärakenteeseen, mutta eihän se ihan niin mene… Työttömät kun kuuluvat yleensä juurikin työikäisten luokkaan, joten työttömyysasteeseen ei vauvojen ja vaarien osuus vaikuta. Joten se siitä analyysistä (no, voidaan ehkä mainita, että radikaaleja eroja väestörakenteesta ei löytynyt) enkä jaksanut vaivautua karttaa sen paremmin muokkaamaan. Esimerkiksi Tiian kartta on hieno esimerkki siitä, että pieniinkin kuntiin saa mahdutettua selkeitä ympyrädiagrammeja ja vielä paikannimistöäkin. Pitänee seuraavalla kerralla hieman harjaannuttaa omiakin taitoja objektien kokojen muokkaamisessa.

Kuva 3. Hienompi kartta kahdesta asiasta, jotka eivät liity mitenkään toisiinsa.

Lähteet:

Havaintoja MapInfosta

MapInfo oli itselleni ihan uusi tuttavuus – ja melkoisen positiivinen sellainen. Ainakin MapInfo vaikutti helpolta muihin itselleni entuudestaan tuttuihin kartanteko-ohjelmiin verrattuna. Vaikka kurssin kerrotaan soveltuvan ensimmäisen vuoden opiskelijoille, odotin jotain monimutkaisempaa ohjelmaa, kuten GMT tai R. Itse olen tähän mennessä tehnyt karttoja lähinnä MatLabin m-map työkalupaketilla ja yllätyinkin MapInfon muistuttavan enemmän Adobe Illustratoria. Samankaltaisuus tosin liittyy lähinnä ohjelmien käytettävyyteen, tasoihin ja erilaisiin työkaluihin, ei niinkään käyttötarkoitukseen. Samankaltaisuudet varmasti loppuivat ensimmäiseen kurssikertaan.

Mitäs me tehtiin ja siitä kummunnut kummastus

Ensitöiksemme otimme käsittelyyn Helsingin. Lisäsimme valmiiksi annetun kerroksen toisensa jälkeen – rantaviivan, kuntarajat, meret, joet, järvet, Helsingin osa-alueet – ja Itse valitsin koropleettikartan teemaksi “muunkielisten” alueellisen jakauman Helsingissä vuonna 2009 (Tilastokeskus, 2009). Jäin kuitenkin miettimään, mitä kaikkea MapInfossa on valmiina: Sisältääkö se kaikkien mannerten rantaviivat ja merenpohjan topografian? Entä pystyisinkö piirtämään karttapohjalle esimerkiksi satunnaisen havaintopaikan antamalla MapInfolle koordinaatit? Aloin jo epäillä soveltuuko MapInfo omiin tarpeisiini Pohjoisen jäämeren hydrografian tutkimuksessa. No, en ihan vielä jätä kurssia kesken, vaan katsotaan, saanko kysymyksiini vastauksia kurssin kuluessa.

Histogrammin analysointi

En löytänyt “kuvaohjetta”, jolla histogrammista (tehty Histogrammityökalulla, 2014) saisi kuvan (jos joku sellaisen löysi, niin saa kertoa, miten sellainen tehdään), mutta sain tulostettua .pdf-tiedoston. Sitä leikkelemällä onnistuin rajaamaan suhteellisen järkevän näköisen kuvan, vaikka x-akselin loppupää jäikin .pdf:stä puuttumaan ja tekstit näyttävät suhruisilta.

Kuva 1. Histogrammi muunkielisen väestön osuuksien jakaumasta Helsingin osa-alueiden välillä. (Klikkaa kuvaa niin saat näkyviin suuremman version, jos suurennan kuvan tähän, siitä tulee epätarkka: ensi kerralla täytyy siis tallentaa kuva suuremmalla resoluutiolla.)

Histogrammista näkyy, että jakauma on jokseenkin vino, sillä suurimmassa osassa kuntia muunkielisten osuus on kohtalaisen pieni (termissä “muunkieliset” lukija, jolla ei ole koko havaintoaineistoa käsissään, kohtaa ensimmäisen ongelman: muunkielisillä tarkoitetaan tässä siis muita kuin suomea tai ruotsia äidinkielenään puhuvia). Osa-alueita, joissa muunkielisten osuus ylittää 12 %, on melko vähän. Pelkän histogrammin perusteella kummastelee helposti, millä alueilla jopa 50 % asukkaista on muunkielisiä. Havaintoaineistoa tarkastellessani havaitsin, että näistä lähes kaikki ovat alueita, joilla on hyvin vähän asukkaita (kuten Roihupelto ja Herttoniemen teollisuusalue), joten muunkielisiä ei tarvitse olla kuin muutama nostamaan suhteellinen osuus korkeaksi. Tavallaan olisin halunnut saada tämän yksityiskohdan näkyviin kartallani osoittamalla, millä alueilla jopa 50 % asukkaista on muunkielisiä, mutta silloin muu informaatio olisi kärsinyt. (Toisella kurssikerralla tähän annettiinkin vastaus: graduated-teemakartta, jossa eri alueiden merkitystä voi korostaa esim. väestömäärää kuvaavan symbolin suhteellisella koolla.)

Aineiston luokittelu

Ohjeiden mukaan luonnolliset luokkavälit eivät sovi vinolle jakaumalle, mutta minusta niiden avulla sai parhaiten esiin alueelliset erot. Mietin myös kvantiileiden käyttöä, mutta pohtiessani kartan informaatioarvoa tavalliselle lukijalle, pidin luonnollisten luokkavälien prosentteja havainnollisempina: jos olisin laittanut yhtä suuren määrän havaintoja jokaiseen luokkaan, viimeiseen eli suurimpaan luokkaan olisi kuulunut mielestäni suhteettoman paljon alueita, vaikka, kuten jo totesin, lähes kaikilla Helsingin osa-alueilla muunkielisten osuus on kohtalaisen pieni. Tällöin suurin luokka (eli tummin väri) kattaisi suhteettoman suuren osan Helsinkiä ja lukija kauhistelisi maahanmuuttajien valtavaa määrää (hyvä esimerkki siitä, miten luokan valitsemisella voi manipuloida lukijan ajatuksia). Myös esimerkiksi rakkaan kotiseutuni, Itä-Helsingin, alueelliset erot olisivat hukkuneet kvantiileja käytettäessä. (Huomaa, että pyöristin desimaalit pois luonnollisista luokkaväleistä, koska ne eivät tuo mitään lisäarvoa.)

Kuva 2. Muunkielisen väestön osuus Helsingin eri osa-alueilla. (Klikkaa kuvaa niin saat näkyviin suuremman version, jos suurennan kuvan tähän, siitä tulee epätarkka: ensi kerralla täytyy siis tallentaa kuva suuremmalla resoluutiolla.)

Vertailua

Piian blogista näkee, millaisen kartan samasta aineistosta saa kvantiileja käyttämällä (ainakin minusta luokkaväli näyttää noudattavan kvantiileja, vaikka Piia ei asiaa blogissaan mainitsekaan). Sen sijaan Milla määritti jakauman enemmänkin epämääräiseksi kuin vinoksi ja päätyi luonnollisiin luokkaväleihin kuten minä. Tosin hänen karttansa legenda kertoo kartan kuvaavan muiden kuin suomenkielisten osuutta eli muunkielisten lisäksi Millan aineistoon sisältyy mahdollisesti myös ruotsinkielisten osuus.

Antti ja Aleksi tekivät karttansa ulkomaalaisten absoluuttisesta lukumäärästä. Kartoista käy hyvin ilmi, että esimerkiksi jo mainitsemani Itä-Helsingin teollisuusalueilla, joilla muunkielisten suhteellinen osuus on omalla kartallani suuri, lukumäärältään muunkielisiä on kuitenkin hyvin vähän eli alueet saavat Antin ja Aleksin kartoilla kaikkein vaaleimman sävyn.

Kartan havainnollisuus

Karttalla hahmottuvat hyvin alueet, joilla ei ole melkein lainkaan muunkielisiä (alle 3 %), muunkielisiä on jonkinverran (3 – 10 %), melkoisesti (10 – 20 %) ja paljon (yli 20 %) muunkielisiä. Huomaa, että “jonkinverran” -luokkaan kuuluu oikeastaan kaksi eri luokkaa (3 – 6 % ja 6-10 %). Mielestäni tämän luokan olisi voinut yhdistää yhdeksi luokaksi ja kuvata jakauman neljällä luokalla, kuten Johanna on tehnyt oman aineistonsa kanssa. Kartan luettavuus olisi parantunut luokkia vähentämällä. Samalla olisi painottunut, että valtaosa kunnista kuuluu juuri tähän helposti miellettävään alle 10 % -luokkaan, jossa muunkielisillä kuitenkin on näkyvä (tai kuuluva) asema.

Tummimmat alueet eli alueet, joilla on eniten muunkielisiä, keskittyvät Itä-Helsinkiin. Itä-Helsingissä on kuitenkin alueita, joilla muunkielisiä ei kovin paljoa ole: Tammisalo, Marjaniemi ja Vartiokylä. Lisäksi kartan mukaan Itä-Helsinkiin kuuluu myös Helsinkiin 1.1.2009 liitetyt entiset Sipooseen kuuluneet alueet (itähelsinkiläisenä ehdottaisin tälle alueelle omaa nimeä), joilla ei muunkielisiä juuri ole. Huomattavan vähän muunkielisiä on myös Pohjois-Helsingin omakotitalovaltaisilla alueilla kuten Tuomarinkylässä ja Pakilassa sekä saaristossa kuten Suomenlinnassa ja Santahaminassa. Muunkielisten vähyyden huomaa niinikään manteereessa kiinni olevillakin saarilla, Lauttasaaressa ja Kulosaaressa. Mikäli karttaan lisättäisiin vielä tietoa asumiskustannuksista, huomaisi, että kaupungin osa-alueiden välillä vaikuttavat etenkin taloudelliset ja sosiaaliset tekijät. Samoilla alueilla, joilla asuu paljon muunkielisiä, myös pienituloisten suomenkielisten osuus olisi luultavasti korkea.

Jälkiviisaus

Näin jälkeenpäin ajateltuna ainakin joitain Helsingin osa-alueita olisi voinut sittenkin nimetä. Koska kaikki nimet eivät mitenkään mahtuneet kuvaan, jätin ne kokonaan pois. Jos osan nimistä olisi laittanut paikalleen, edes hieman Helsinkiä tuntevan olisi helpompi arvuutella missä päin liikutaan. Toisaalta monet alueista, joilla on joko hyvin vähän (alle 3 %) tai hyvin paljon (yli 20 %) muunkielisiä, ovat hyvin pieniä, ja niiden nimeäminen siksi hankalaa, vaikka juuri nämä tapaukset luultavasti kiinnostaisivat lukijaa eniten.

Lähdeluettelo:

Helsingin osa-alueet 2009, MapInfo aineisto, Tilastokeskus, Helsinki (2009).

Histogrammityökalu, Illuminations Histogram Tool. National Council of Teachers of Mathematics (2014).