About Antti Kinnunen

First-year geography student from the University of Helsinki. My road to university was not the most usual path, as I first studied safety and security in VARIA Vocational College after middle school, before shifting to high school of Tikkurila after the 2nd year. Graduated from high school in spring 2011 after which I went on to serve in the compulsory military service for 1 year. Worked as a warehouse worker before applying to university in spring 2013, and got in on my first try. In geography I'm most interested in things regarding environment, natural resources and sustainable development. Stuff that I'm into in my free time includes fishing, hiking and especially the sport of MMA in which I compete as a professional.

Kurssikerta 7 – HIV:sta ja BKT:sta Saharan eteläpuolisessa Afrikassa

Viimeisen kurssikerran tehtävänä oli tuottaa oma teemakartta vapaasti valitusta aiheesta. Tarkoituksena oli esittää kartalla alue, joka jakaantuisi edelleen pienempiin osa-alueisiin ja luokitella näitä osa-alueita vähintään kahden muuttujan suhteen. Tehtävänannon ollessa näin lavea olivat mahdollisuudet lähes rajattomat, ja itsellänikin välkkyi mielessä ideoita Euroopan pohjavesivaroista maittain aina Pohjoismaiden vesivoimaloiden sijainnin suhteesta lohijokien esiintymiseen.

Lopulta päädyin kuitenkin tekemään karttani Saharan eteläpuolisen Afrikan BKT:sta suhteessa HIV-kuolleisuuteen vuodelta 2011 maittain. Halusin muuttujien korreloivan ainakin jollain tasolla keskenään ja hypoteesina oli, että korkea BKT/as. vaikuttaisi AIDS:in letaaliuteen vähentävästi, sillä korkean tulotason maiden asukkailla olisi paremmat mahdollisuudet ostaa itselleen mm. lääkkeitä ja sairaanhoitopalveluita.

Pohjakarttana käytin jo aiemmin kolmannella kurssikerralla datan yhdistämisharjoituksen yhteydessä laadittua karttaa Afrikasta, ja tilastot BKT:sta sekä HIV-luvuista löytyivät Maailmanpankin sekä AVERtin sivuilta. Aluksi jouduin jälleen muokkaamaan hieman tilastoja Microsoft Wordilla etteivät Excelin tunnetusti mainiot automaattiset korjaukset olisi korjanneet 1,000-muotoisia tuhatlukuja muotoon 1 yms pientä hienosäätöä. Korjauksien jälkeen kopioin aineistot Exceliin jossa tein niistä taulukot. Tämän jälkeen suoritin laskutoimituksen jossa jaoin jokaisen maan AIDS-kuolemat sen HIV:ta sairastavien lukumäärällä ja kerroin saadun osamäärän sadalla. Näin sain selvitettyä kunkin maan HIV:n “letaaliusindeksin”, eli sen prosenttiosuuden, joka sairastuneista kuoli AIDS:iin yhtenä vuonna. Lopuksi yhdistin letaaliusindeksin ja BKT:n/asukas vuodelta 2012 yhteen taulukkoon ja toin tämän taulukon MapInfoon uudeksi tietokannaksi. Yhdistin sen jo olemassaolevaan tietokantaan Afrikan valtioista ja karsin pois turhat Pohjois-Afrikan valtiot joista ei ollut tilastotietoa, jotteivat ne teemakartan laatimisvaiheessa olisi sotkemassa luokittelua. Tämän jälkeen yksinkertaisesti loin koropleetti-pylväsdiagrammi-karttayhdistelmän jossa pohjaväri kuvaa HIV:n letaaliusastetta ja pylväs maan bruttokansantuotetta asukasta kohden laskettuna. Lopputulos näytti tältä:

Saharan_eteläpuolinen_Afrikka_HIV_BKT

Kuva 1. Kartta AIDS:in letaaliudesta ja BKT:sta Saharan eteläpuolisessa Afrikassa maittain.

Karttaa tarkastelemalla huomataan, miten korkeimman kuolleisuuden maissa BKT/as. on aina alhainen, kun taas matalan kuolleisuuden maissa se ei sen sijaan aina olekaan välttämättä korkea. Tästä voi päätellä että BKT ei ainakaan suoraan korreloi AIDS:in letaaliuden kanssa, vaan muilla tekijöillä kuten seksuaalivalistuksella, kampanjoilla ja humanitäärisellä avulla on suurempi vaikutus. Jos sen sijaan nämä toimet eivät tuota toivottua tulosta, vaan HIV-tapausten määrä edelleen kasvaa, voidaan korkealla BKT:lla kenties paikata tilannetta ostamalla lääkkeitä sekä terveydenhuoltopalveluita. Matalan tulotason maissa väestöllä ei ole varaa näihin, ja se heijastuu tilastoihin synkempinä kuolleisuuslukuina.

Kartalta voi huomata myös Mauritaniasta Burundiin ulottuvan “AIDS-vyön”, jolla kuolemantapausten määrä suhteessa tartuntoihin on huomattavasti korkeampi kuin aivan eteläisimmässä Afrikassa. Tämä on mielenkiintoinen ilmiö, sillä AVERT:in tilastojen mukaan sekä absoluuttisesti että suhteellisesti suurin osa HIV-positiivisista asuu eteläisen Afrikan valtioiden alueella. Ilmiötä saattaa selittää eteläisen Afrikan HIV-tilanteen saama suurempi kansainvälinen huomio, joka on johtanut avun keskittymiseen alueelle, ja näin kuolemantapausten vähenemiseen. Ainoa korkean letaaliusindeksin maa eteläisessä Afrikassa on erillään mantereesta sijaitseva Madagaskar, jonka luonnonkatastrofien runtelemaan heikkoon tilanteeseen ei ole länsimaissa vielä havahduttu. Mielenkiintoinen tilanne on myös Keski-Afrikassa sijaitsevilla naapurivaltioilla Ruandalla ja Burundilla, joiden letaaliusindeksit ovat aivan erilaiset; Ruandassa yksi Afrikan alhaisimmista ja Burundissa vastaavasti korkeimmista. Molemmat maat ovat kärsineet toistuvista konflikteista historiansa aikana, mutta Ruandan sisällissota 1990-luvulla sai enemmän kansainvälistä huomiota, joka sattaa osaltaan selittää eroavaisuuksia AIDS:iin kuolleisuudessa. Myös Ruandan korkeampi BKT/as. selittää tilannetta.

Teknisesti olen karttaan erittäin tyytyväinen. Se on mielestäni selkeä esitys molemmista muuttujista ja ääripäät on helppo poimia silmämääräisestikin esille. Tällä kertaa muistin jopa tunnin lopuksi ujuttaa mukaan pohjoisnuolen sekä mittakaavan, voi tätä riemua! Päätin nimetä kartalle vain mielenkiintoisimmat, korkeimman/matalimman BKT:n sekä letaaliusindeksin omaavat valtiot selvyyden vuoksi, sillä kaikkine valtionnimineen kartasta olisi tullut melkoisen sekava. Jätin kartasta pois Pohjois-Afrikan valtiot, sillä erilaisen historiansa ja kulttuuripiirinsä takia niiden tilanne eroaa oleellisesti Saharan eteläpuolisesta Afrikasta, eivätkä luvut näin olisi vertailtavissa. Toisaalta voisi olla mielenkiintoista nähdä, miten nämä tekijät vaikuttaisivat BKT:seen sekä HIV-tilastoihin.

Loppujen lopuksi jäi hieman epäselväksi, miten asukkaiden tulotaso korreloi HIV:n tuhoisuuden kanssa. Muuttujien välillä ei näyttäisi vallitsevan suoraa syy/seuraus-suhdetta, mutta jonkunlaista säännönmukaisuutta luvuissa on kuitenkin havaittavissa. Näin jälkiviisaana olisi ollut fiksua laskea esim. SPSS:llä muuttujille korrelaatiokerroin, joka olisi saattanut helpottaa karttatulkintaa huomattavasti. Kertoimen olisi myös voinut liittää valmiiseen karttaan selkeyttämään kuinka merkityksellinen muuttujien välinen riippuvuussuhde on.

Lähteet:

Kartat:

1. Afrikan pohjakartta: Map Library, Africa, Country Outlines, http://www.mapmakerdata.co.uk.s3-website-eu-west-1.amazonaws.com/library/stacks/Africa/index.htm (luettu 11.3.2014)

Verkkolähteet:

1. Avert, Africa HIV & AIDS Statistics, HIV and AIDS Statistics 2011, http://www.avert.org/africa-hiv-aids-statistics.htm (luettu 24.2.2014)

2. The World Bank, GDP per capita (current US$), GDP in 2012, http://data.worldbank.org/indicator/NY.GDP.PCAP.CD (luettu 24.2.2014)

 

 

 

 

 

SWOT-analyysi: Mapping America-täsmällistä väestötietoa koko kansan ulottuville

Strenghts

Ensimmäisenä vahvuutena palvelussa nousee esiin sen helppo saavutettavuus: paikkatieto on vain muutaman klikkauksen päässä tietokoneen aloitusnäytöltä, eikä monimutkaisten ohjelmien tai sovellusten asentamista vaaditaole tarvetta. Tämä tuo paikkatiedon jokaisen ulottuville, eikä se ole enää vain tavallisten kansalaisten näkökulmasta norsunluutorneihinsa linnoittautuneiden maantieteilijöiden etuoikeus. Palvelun vahvuuksia ovat myös saatavilla olevan aineiston monipuolisuus sekä selkeä esitystapa väestön jakautumisesta eri sosioekonomisten ja etnisten tekijöiden mukaan.

Weaknesses

Heikkouksista ensimmäisenä silmään pistää alueiden eri kokoisuus. Alueet ovat pienempiä suuren väestöntiheyden alueilla ja vastaavasti suurempia pienen väestöntiheyden alueilla. Tällä on varmaankin pyritty tasaamaan alueiden välisiä asukaslukuja, mutta lopputulos on hieman hämmentävä sekä harhaanjohtava. Ongelmana on myös tietojen perustuminen arvioihin, joka tuottaa aineistoon varmasti virheitä ja saattaa johtaa asiaan perehtymätöntä tulkitsijaa harhaan. Tämä mainitaan myös palvelun otsakkeessa tekstissä “Browse local data from the Census Bureau’s American Community Survey, based on samples from 2005 to 2009. Because these figures are based on samples, they are subject to a margin of error, particularly in places with a low population, and are best regarded as estimates.

Räikeimpänä ongelmakohtana voisi kuitenkin pitää seksuaalisten vähemmistöjen alueellisen keskittymisen esittämistä kartalla. Homoseksuaalisten pariskuntien esiintyminen alueella ei juurikaan korreloi sen sosioekonomisen statuksen kanssa, toisin kuin etnisten vähemmistöjen keskittyminen, joiden esittäminen kartalla on näin ollen perustellumpaa esimerkiksi alueellisen segregaation tarkastelun kannalta. Tämän tiedon julkistaminen saattaa aiheuttaa vain tiettyjen alueiden turhaa leimautumista, ja jopa suoranaisia ongelmia konservatiivisemmilla Yhdysvaltojen osa-alueilla. Etnisyyden ja seksuaalisen suuntautumisen kartalla esittämisestä koituvia ongelmia pohtii enemmänkin Anniina Miettinen blogikirjoituksessaan “SWOT, New York Times”, toteamalla mm. “Ajatus koko kansan karttapalvelusta on hyvä ja kaunis, tietoa saa ja pitää olla kaikkien saavutettavissa. On kuitenkin mielestäni kaikin puolin turhaa ja asiatonta että rotu, etnisyys ja seksuaalinen suuntautuminen ovat muuttujina tällaisessa palvelussa. Esimerkiksi  ulkomaalaisten osuudesta tietojen jakaminen on eri asia, mutta tällainen karttaesitys lietsoo ennakkoluulojen muodostumiseen ja nopeiden johtopäätösten tekoon vähäisen taustatuntemuksen pohjalta.”

Opportunities

Palvelun avulla kuka tahansa keskiverto internetin käyttäjä voi sukeltaa paikkatiedon ihmeelliseen maailmaan, ja suorittaa silmämääräisiä suuntaa-antavia analyyseja sekä tulkintoja esimerkiksi etsiessään itselleen houkuttelevaa, potentiaalista muuttoaluetta. Tämän kaltaisilla sovelluksilla mahdollistetaan ylipäätään paikkatiedon tuominen osaksi jokaisen ihmisen arkielämää, eikä tulevaisuudessa ole ollenkaan mahdotonta että suorittaisimme vastaavankaltaisia, joskin tarkempia analyyseja esimerkiksi älypuhelimellamme.

Toinen mahdollinen käyttötarkoitus tämän kaltaiselle paikkatietosovellukselle olisi esimerkiksi sen käyttäminen tutkimus- ja viranomaiskäytössä erilaisten spatiaalisten ilmiöiden, kuten juuri segregaation tunnistamiseen sekä torjuntaan.

Threats

Tämän kaltainen paikkatietosovellus saattaa myös lisätä alueellista segregaatiota. Sovellusta asuinalueensa valinnassa apuna käyttävät suuntaavat helposti oman sosioekonomisen ryhmänsä kansoittamille alueille ja vastaavasti karttavat huono-osaisempia, etnisten vähemmistöjen asuttamia alueita. Tämän kaltainen käytös on omiaan kiihdyttämään segregaatiota entisestään. Lisäksi asiaan perehtymätön saattaa tehdä kartalta virheellisiä tulkintoja jotka voivat johtaa vakaviinkin väärinkäsityksiin, jos kartasta vedettyjä johtopäätöksiä käytetään esimerkiksi radikaalin ääriliikkeen propagandan apuna.

Huomionarvoisen uhkakuvan muodostavat myös näin tarkan ja yksityiskohtaisen paikkatiedon Yhdysvalloista julkistamiseen liittyvät turvallisuusriskit. Vaikkei tiedoissa mitään varsinaisia sotilassalaisuuksia tai strategisesti tärkeää informaatiota ollutkaan voisivat esimerkiksi terroristijärjestöt käyttää dataa silti apuna iskujensa suunnittelussa. Tieto on kansainvälisesti saatavilla ja sen avulla voisi esimerkiksi keskittää iskut tiettyä etnistä ryhmää tai sosioekonomista luokkaa vastaan.

Suomeen malliin verrattuna tällaisessa käytännössä on sekä hyvät että huonot puolensa. Paikkatieto on vapaammin kaikkien saatavilla ja kynnys siihen pohjautuvien sovellusten käyttöön pienempi. Tietoisuuden lisääminen lisää myös paikkatietoa kohtaan tunnettua mielenkiintoa ja sen osaajien arvostusta mm. työmarkkinoilla. Toisaalta uhkakuvina ovat ongelmat tulkinnassa, erilaisten negatiivisten ilmiöiden paheneminen ja suoranaiset väärinkäytöksetkin. Myös tekijänoikeuksia voi olla vaikeampaa valvoa. Kaiken kaikkiaan paikkatiedon ja paikkatietojärjestelmien julkista käyttöä voi pitää lupaavana ja yleishyödyllisenä suuntauksena, kunhan pidetään huoli siitä, ettei julkaistava tieto ole liian tulenarkaa.

Lähteet:

Verkkolähteet:

1. Mapping America-paikkatietopalvelu, The New York Times, http://projects.nytimes.com/census/2010/explorer (luettu 4.3.2014)

2. Miettinen A., mianmian’s blog, SWOT, New york Times, https://blogs.helsinki.fi/mianmian/ (luettu 4.3.2014)

 

 

Tietokantojen luomista ja endogeenisia prosesseja

Kuudennella kurssikerralla pääsimme kirmaamaan raittiiseen ulkoilmaan GPS-paikantimien kanssa, mikä oli tervetullutta vaihtelua ainaiseen koneen ääressä nököttämiseen verrattuna. Ideana oli kerätä ominaisuus- ja koordinaattitietoja noin kymmenestä samanlaisesta, vapaavalintaisesta kohteesta, kuten ravintoloista tai bussipysäkeistä. Otimme ryhmämme kanssa kohteiksi bussipysäkit, joista keräsimme GPS-paikantimella koordinaatit sekä korkeuden merenpinnasta, ja ominaisuustiedoiksi syötimme itse pysäkin kautta operoivien linjojen lukumäärän sekä mahdollisten GPS-signaalin häiriöiden aiheuttajat, kuten viereisen korkean rakennuksen. Nämä tiedot syötettiin Exceliin ja sitä kautta siirrettiin MapInfoon tietokannaksi ja edelleen kartalle pisteiksi. Tämä kävi suhteellisen helposti “Create Points”-työkalun avulla. Lopputulos oli onnistunut ja havainnollisti hyvin, miten paikkatiedon kerääminen ja siirtäminen digitaaliseen muotoon käytännössä toimii. Ehkäpä kurssin mielenkiintoisin harjoitus tähän asti.

Kurssikerran itsenäistehtävänä oli tuottaa kolme erilaisiin luonnonhasardeihin (maanjäristykset, tulivuorenpurkaukset sekä meteoriittitörmäykset) liittyvää karttaesitystä ja julkaista ne blogissa. Erityispiirteenä oli se, että karttaesityksiä tulisi tarkastella luokanopettajan näkökulmasta ja näin ollen pyrkiä laatimaan karttoja, jotka olisivat mahdollisimman hyödyllisiä opetuskäytössä. Käytännössä karttojen tuottaminen hoitui hakemalla tietoa maanjäristys-, meteoriitti- sekä tulivuoritietokannoista, joiden linkit löytyivät moodlesta kurssikansiosta. Nämä tiedot tuotiin Exceliin, jossa ne muokattiin taulukoiksi ja siirrettiin edelleen MapInfoon karttaan sidotuksi paikkatietokannaksi. Ongelmallisen tehtävästä teki Excelin silmittömän ärsyttävä piirre tulkita 01.01.01-tyyppiset desimaaliluvut automaattisesti päivämääriksi ja muokata ne esim. muotoon “29 helmikuuta 1954”. Tästä kiusallisesta ongelmasta pääsi eroon kierrättämällä aineiston ensin Wordin kautta, jossa pisteet korvattiin pilkuilla. Tämän jälkeen tilastojen siirto Exceliin sujui kitkatta.
Omissa kartoissani päätin yhdistää maailman tulivuoret sekä tietokannan Richterin asteikolla yli kuuden, seitsemän ja kahdeksan magnitudin maanjäristyksistä vuoden 1980 jälkeen. Tarkoituksena oli luoda visuaalinen representaatio siitä, miten hyvin tulivuorten ja maanjäristysten keskeisimmät esiintymisalueet korreloivat keskenään, ja näin karttaesityksellä havainnollistaa kuvitteelliselle opiskelijalle niiden yhteys litosfäärilaattojen saumakohtiin. Bonuksena pelkkään jompaakumpaa ilmiötä esittävään karttaan verrattuna on se, että kartoissa näkyvät selvemmin myös valtamerten keskiselänteiden erkanemisvyöhykkeet, joilla esiintyy kyllä vulkanismia muttei juurikaan voimakkaita maanjäristyksiä, sekä mantereisten laattojen törmäysvyöhykkeet, joilla sen sijaan maanjäristykset ovat yleisiä vulkanismin puuttuessa lähes tyystin. Karttoja voisikin siis myös käyttää opetusmateriaalina litosfäärilaattojen rajavyöhykkeitä käsitellessä, jotta oppilaat saisivat konkreettisen kuvan siitä miten endogeeniset prosessit kytkeytyvät aiheeseen. Lisäksi uskoisin keskiverto yläastelaisen tai lukio-opiskelijan mielenkiinnon heräävän paremmin kun muuten kuivahkoon aiheeseen liitetään käsittämättömän coolit maanjäristykset ja tulivuoret.
Karttaesitykseni näyttivät tältä:
Tulivuoret_maanjäristykset_1 
Kuva 1. Maailman tulivuoret sekä yli 8 Richterin maanjäristykset v. 1980 jälkeen.
Tulivuoret_maanjäristykset_2
Kuva 2. Maailman tulivuoret ja yli 7 Richterin maanjäristykset v. 1980 jälkeen.
 
Tulivuoret_maanjäristykset_3
Kuva 3. Maailman tulivuoret ja yli 6 Richterin maanjäristykset v. 1980 jälkeen.
Kartoista näkyy hyvin, miten maanjäristysten määrä kasvaa dramaattisesti siirryttäessä asteikolla yksikin magnitudi alaspäin. Tämä johtuu Richterin asteikon logaritmisuudesta, eli kun magnitudi kasvaa yhdellä järistyksen voimakkuus kymmenkertaistuu. Kartoista käy hyvin ilmi, miten 6-7 magnitudin järistykset ovat huomattavasti yleisempiä kuin yli 7 magnitudin, ja miten yli 8 magnitudin järistykset ovat äärimmäisen harvinaisia. Lisäksi huomataan, miten maanjäristykset ja tulivuoret ovat keskittyneet eritoten Tyynen valtameren “tulirenkaan” ympärystöön. Muutenkin eritoten voimakkaat maanjäristykset seurailevat uskollisesti mannerlaattojen törmäysvyöhykkeitä, kun taas Atlantin keskiselänteen erkanemisvyöhykkeellä niitä ei esiinny juuri lainkaan.
Kartoista tyytyväisin olin kahteen ensimmäiseen, yli 7 ja 8 magnitudin järistyksiä esittäviin. 6 magnitudin maanjäristyksiä alkaa vuoden 1980 jälkeen olla niin valtava määrä, että karttaesitys muodostuu hieman epäselväksi. Toisaalta tämäkin voisi opetustarkoituksessa toimia hyvin osana karttasarjaa, jossa tavoitteena olisi esittää miten maanjäristykset yleistyvät magnitudin pienentyessä. Tässä tapauksessa olisi tosin ollut hyvä jättää tulivuoret kokonaan pois sotkemasta karttanäkymää. Olisin myös voinut merkitä eri vahvuisia maanjäristyksiä eri värein, kuten Aleksi Rautio on tehnyt omissa, blogissaan julkaisemissaan karttaesityksissä. Loppujen lopuksi olen kuitenkin suhteellisen tyytyväinen karttoihini.
Lähteet:
Verkkolähteet:
1. Global Volcano Locations Database (2013), National Geophysical Data Center, U.S. Department of Commerce, http://catalog.data.gov/dataset/global-volcano-locations-database (luettu 18.2.2014).
2. Northern California Earthquake Data Center (2013), Berkeley, University of California, http://quake.geo.berkeley.edu/anss/catalog-search.html (luettu 18.2.2014).
3. Rautio A., alerauti’s blog, Bussipysäkeistä maanjäristyksiin, https://blogs.helsinki.fi/alerauti/ (luettu 28.2.2014).
 

Bufferointia bufferointia

Viidennen kurssikerran teemana oli buffereiden eli puskurivyöhykkeiden luominen MapInfolla ja niiden käyttäminen erilaisiin analyyseihin. Puskurivyöhykkeellä tarkoitetaan tietyn kohteen, esimerkiksi pisteen, ympärille luotua tietyn kokoista ja muotoista aluetta. Käytännössä tämä tarkoittaa useimmiten ympyrän muotoista vyöhykettä, jonka säde on vakio (eipä se muuten ympyrä olisikaan, duh). Tältä alueelta voidaan sitten MapInfossa tietokantojen avulla poimia dataa ja suorittaa sillä erilaisia, bufferoituun alueeseen sidottuja analyyseja, kerrassaan nerokasta!

Kurssikerralla harjoiteltiin bufferointia aluksi Pornaisten karttapohjalla, johon oli jo edellisellä kerralla piirretty näkyviin suurimmat tiet sekä asuinrakennukset. Näiden luotujen tietokantojen avulla sitten suoritettiin analyyseja mm. siitä, kuinka moni asuinrakennuksista sijaitsee alle 500 metrin etäisyydellä terveyskeskuksesta. Harjoitus oli hyvin havainnollistava, ja bufferoinnista pääsi sen avulla nopeasti jyvälle.

Näiden yhteisten harjoitusten jälkeen siirryttiin itsenäisharjoituksiin, joita löytyikin melkoinen litania. Puskurivyöhykkeitä piirrettiin ja niiden avulla suoritettiin analyyseja mm. Helsinki-Vantaan lentokentän melusaaste-alueella asuvista, juna-asemista sekä taajamista. Harjoitukset tuntuivat alkuun melkoisen haastavilta, mutta pienen pohdinnan ja muutaman virheen jälkeen ne lähtivät sujumaan suhteellisen sulavasti. Välillä MapInfon koukerot saivat sormen menemään suuhun, eikä vähiten sen takia, että alueen saamat arvot riippuivat myös siitä, minkä tarkkuuden eli “smoothnesin” puskurivyöhykkeelleen valitsi. Käytännössä tämä tarkoitti esim sitä, kuinka monella kulmalla MapInfo piirsi “ympyrän” muotoisen bufferi-alueen, eli kuinka sulava kuviosta tuli. Riippuen näiden kulmien lukumäärästä jokin piste saattoi jäädä joko puskurivyöhykkeen sisälle tai sen ulkopuolelle, ja näin vaikuttaa olennaisesti lopputulokseen. Ohessa taulukko näissä tehtävissä saamistani vastauksista. Taulukosta puuttuvat seuraavan tehtävän putkiremontteihin liittyvät arvot, sillä jotenkin minulta pääsi täysin lipsahtamaan ohitse ohjeiden kohta, jossa nekin pyydettiin liittämään taulukkoon mukaan.

Tehtävä 1, Lentokentät
Kuinka monta ihmistä asuu Malmin lentokentän pahimmalla melualueella (2 km säde)? 55324
Kuinka monta ihmistä asuu Malmin lentokentän pahimmalla melualueella (1 km säde)? 8380
Kuinka monta ihmistä asuu Helsinki-Vantaan lentokentän välittömässä läheisyydessä (kiitoratoihin < 2 km)? 11089
Kuinka monta prosenttia asukkaista asuu pahimmalla melualueella (65 dB)? 3,40 %
Kuinka monta ihmistä asuu väh. 55 dB:n melualueella? 11370
Kuinka monen ihmisen elämää vähintään 60dB lentomelu haittaisi Tikkurilassa? 10998
Tehtävä 1, Asemat
Kuinka monta asukasta asuu kartan alueella alle 500m päässä lähimmästä juna-asemasta? 81549
Kuinka monta prosenttia kaikista alueen asukkaista asuu alle 500m päässä juna-asemasta? 17,20 %
Kuinka monta prosenttia alle 500m päässä asuvista on työikäisiä? 71,30 %
Tehtävä 2, Taajamat
Kuinka monta prosenttia Vantaan seudun asukkaista asuu taajamissa? 86,40 %
Kuinka monta kouluikäistä asuu taajamien ulkopuolella? 7536
Kuinka monta prosenttia luku on kaikista kouluikäisistä? 15,10 %
Kuinka monella alueella ulkomaalaisten osuus on >10% 20
Kuinka monella alueella ulkomaalaisten osuus on >20% 5
Kuinka monella alueella ulkomaalaisten osuus on >30% 4

Kuva 1. Taulukko itsenäisharjoitusten 1 ja 2 vastauksista (ei mitään hajua miksi näyttää tuolta, enkä pysty enää poistamaankaan blogista, olkoon.)

Itsenäisharjoitteiden alkueristä selvittyämme oli vuorossa grande finale, jossa saimme valita mieleisemme kolmesta aiheesta ja laatia siitä ohjeen mukaisen teemakartan. Käytännössä tämä tarkoitti armotonta kikkailua buffereilla ja tietokannoilla ennen kuin tulokset pystyi esittämään kartalla. Valitsin omaksi aiheekseni putkiremonttien määrän Helsingin alueen kerrostaloasunnoissa. Tehtävässä pyrittiin selvittämään todennäköisesti piakkoin putkiremontoitavien, 60-70-luvulla rakennettujen kerrostalojen ja niissä asuvien ihmisten lukumäärää sekä näiden putkiremonttitalojen suhteellista osuutta kaupunginosittain. Lopuksi laadittiin kartta “putkiremontti-indeksistä”, eli siitä, kuinka suuri osa tietyn pienalueen taloista on näitä todennäköisiä putkiremonttitaloja. Tällä pyrittiin selvittämään putkiremonttifirmojen tulevaisuuden “kuumia pisteitä”, eli alueita, joilla remonttien määrä tulee olemaan lähivuosina suuri.

Itsenäistehtävä onnistui muuten hyvin, mutta jostain syystä MapInfo ei suostunut antamaan pienalueille järkeviä putkiremontti-indeksi lukuja vaikka kuinka vääntelin ja kääntelin käyttämääni funktiota. Joissain tapauksissa se väitti, että alueen rakennuksista 115% olisi vuosien 1965-70 välillä rakennettuja kerrostaloja, mikä nyt ei näin äkkiseltään maalaisjärjellä tarkasteltuna voi yksinkertaisesti pitää paikkaansa. Painiskelin ongelman kanssa melko pitkään, kunnes lopulta luovutin ja päädyin esittämään asuntojen absoluuttisia määriä koropleettikartalla. Mielestäni tämä kuvaustapa vastasi myös hyvin tehtävänannossa esitettyyn kysymykseen “mitkä ovat alueet, joissa remonttifirmoilla tulee olemaan kissanpäivät”, sillä parhaimmat tuotothan nämä firmat saavat alueilta joilla putkiremontteja tehdään absoluuttisesti eniten. Kartta jäi ajanpuutteen vuoksi melko keskeneräiseksi raakaversioksi enkä pidä sitä tarpeeksi edustavana tässä blogissa esitettäväksi, mutta siitä on nähtävissä miten suurin osa putkiremonteista tullaan tekemään Itä-, Koillis- ja Pohjois-Helsingin kerrostalo valtaisissa lähiöissä, joissa näitä remontteja ollaan todennäköisesti lykätty mahdollisimman pitkälle muuta Helsinkiä keksimääräisesti heikomman sosioekonomisen statuksen takia. Myös Länsi-Helsingin varakkaammilta alueilta kuten Lehtisaaresta ja Munkkiniemestä löytyy sopivia kerrostaloasuntoja, mutta näillä alueilla voisi olettaa pääosan rakennuksista olevan vähintäänkin peruskorjattuja ja remonttitarpeen olevan näin ollen pienempi.

Lopuksi blogitehtävänannossa pyydettiin vielä pohtimaan bufferoinnin käyttötarkoituksia sekä MapInfon keskeisimpiä työkaluja. Samuli Massinen tuo esille monia hyviä puskurivyöhyköinnin sovelluksia kirjoittamalla blogissaan “esimerkkitapaustemme lisäksi bufferityökalua voisi hyödyntää myös luonnonkatastrofien vaikutusalueita määritettäessä. Puskurivyöhykkeiden avulla voidaan selvittää esimerkiksi kuinka laajalle alueelle tulva on levinnyt. Toimintoa voidaan toki käyttää myös hasardien ehkäisyssä esimerkiksi tarkastelemalla, mitkä alueet ovat tulva-alttiita ja missä on suurin väestöntiheys. Myös aluesuunnittelussa kaavoituksen ja infrastruktuurin kehittämisen parissa puskurointi on oiva työkalu. Samoin näen, että bufferoinnista on hyötyä kaupallisissa tarkoituksissa. Yritys voi esimerkiksi lisätä markkinoinnin volyymia alueilla, joissa potentiaalisten asiakkaiden määrä on suurin.” Näiden lisäksi itselleni tuli ympäristöasioista kiinnostuneena mieleen esimerkiksi bufferoinnin käyttäminen sen selvittämiseen, millaisia rakennuksia sijaitsee tietyn etäisyyden sisällä vesistöstä ja miten ne vaikuttavat siihen kohdistuvaan kuormitukseen. Sitä voisi myös käyttää riittävän suurien puskurivyöhykkeiden määrittämiseen suunnitteilla oleville pelloille tai vaikkapa luonnonsuojelualueille.

Oman kokemukseni ja osaamiseni perusteella MapInfon keskeisimmät työkalut tuntuisivat olevan erilaiset spatiaaliset analyysit, ominaistiedon eli datan yhdistäminen karttoihin sekä teemakarttojen laatiminen. Myös bufferointi vaikuttaisi melkoisen käyttökelpoiselta sovellukselta. Oma MapInfo osaamiseni on kuitenkin vielä lapsenkengissään, ja ohjelman hyödyllisimmät toiminnot selviävät varmasti vasta tulevaisuudessa sen käytön muodostuessa rutiininomaiseksi. Välillä tunnen myös olevani melkoisen hukassa ohjelman kanssa, mutta tämä selittynee sillä etten ole oikeastaan koskaan ollut mikään varsinainen tietotekninen velho. Tästä voikin päätellä että käyttäjän tietotekninen osaamistaso asettaa tiettyjä rajoitteita MapInfon käytölle. Kokonaisuutena ohjelmaan tutustuminen on kuitenkin ollut mielenkiintoista ja paikkatieto on avautunut minulle käsitteenä paremmin kurssilla tehtyjen harjoitusten myötä.

Lähteet:

Verkkolähteet:

1. Massinen S., Massisen maailma, Fifth round – Bufferointia ja analyysejä, https://blogs.helsinki.fi/smassine/ (luettu 21.2.2014)

 

 

 

 

Ruutukuosi ja MapInfo

Kurssikerralla harjoiteltiin tasakokoisiin ruutuihin eli korologisiin matriiseihin pohjaavien teemakarttojen laatimista MapInfolla. Tämä onnistui ohjelmasta löytyvällä Gridmaker-työkalulla, jonka avulla kartan päälle pystyi piirtämään tasakokoisista neliöistä koostuvan “ruutupaperin”, jolloin aineistoon liitettyä dataa pystyi analysoimaan ruuduittain, ja laatimaan siihen perustuvia karttaesityksiä. Ruutujen koko oli melko vapaasti päätettävissä, mutta suositus oli ettei alle 200×200 m ruutuja käytettäisi, sillä lopputuloksesta olisi tällöin hyvin hankala tulkita enää yhtään mitään.

Laadimme aluksi harjoituksena ruututietokantaan pohjaavan kartan pääkaupunkiseuden opiskelijoista ennen varsinaisiin tositoimiin siirtymistä; itse tuotettu teemakartta vapaasti valitusta (kuitenkin saatavilla olevan aineiston puitteissa olevasta) aiheesta pääkaupunkiseudulla. Jostain syystä hyvin monia opiskelutovereitani kiinnosti ruotsinkielisten alueellinen jakautuminen pääkaupunkiseudulla, ja varmaan kymmenen ensimmäistä lukemaani tähän kurssikertaan liittyvää blogikirjoitusta sivusi aihetta ainakin jollain tavalla. Itse päätin uida hieman vastavirtaan, ja valitsin karttani aiheeksi peruskouluikäisten suhteellisen osuuden väestöstä pääkaupunkiseudulla. Tämän luvun selvittäminenhän onnistui luomalla valmiiseen tietokantaan uusi sarake, jossa jaoin ruudun peruskouluikäisten määrän alueen koko väkiluvulla, ja kerroin saadun tuloksen sadalla. Lopuksi esitin saadut luvut kartalla 500×500 metrin ruutu-resoluutiolla. Lopputuloshan näytti tältä:

Peruskouluikäiset_pk-seudulla_map

Kuva 1. Peruskouluikäisten suhteellinen osuus väestöstä pääkaupunkiseudulla.

Varsinainen kurkkusalaatti. Valitsin väritykseksi dramaattisen skaalan vihreästä punaiseen (puna-vihersokeat kiittävät, pahoitteluni) lapsiperheiden varsinaisten “hotspottien” paremman erottuvuuden vuoksi. Mitään yksittäistä, valtavaa lapsikeskittymää ei pääkaupunkiseudulta ole havaittavissa, vaan nämä kuumat pisteet ovat jakautuneet melko tasaisesti Helsingin, Espoon ja Vantaan kesken. Sen sijaan Kauniaisissa peruskouluikäisten osuus jää ainakin tällä ruutujaolla huomattavan pieneksi. Alueen sosioekonominen status on perinteisesti ollut korkea muuhun pääkaupunkiseutuun verrattuna, ja ehkäpä tässä onkin huomattavissa asiayhteys; avain rikkauteen on olla hankkimatta lapsia joista aiheutuu vain turhia ylimääräisiä kuluja!  Vakavasti ottaen Kauniaisten vauras väestö on todennäköisesti jo reippaasti ohittanut tyypillisen perheenperustamisiän, ja peruskouluikäisten lasten osuus on näin ollen alueella vähäinen.

Toinen hieman erikoinen tapaus on Espoossa lähes Nuuksion korvessa sijaitsevat peruskouluikäisten korkeat suhteelliset määrät. Luulisi, että alueelta olisi vaikea saavuttaa mm. juuri koulu, sekä muut tämän ikäisille tärkeät palvelut. On kuitenkin huomattava, että arvojen ollessa suhteellisia pienen väestöntiheyden alueilla jo yksi tai kaksi lapsiperhettä saattaa muuttaa arvoja ratkaisevasti, ja tehdä ruudusta peruskouluikäisten “hotspotin”.

Anniina Miettinen esittää blogissaan kartan alle vuoden ikäisten absoluuttisista lukumääristä Helsingin alueella. Vertailemalla karttoja toisiinsa huomataan, etteivät aivan pikkulapsiperheet ja perheet, joilla on jo kouluikäisiä lapsia sijoitu aivan samoille alueille. Tätä ilmiötä selittänee imeväisikäisten lasten keskittyminen mm. opiskelijoiden suosimille asuinalueille, joilla asuu paljon hedelmällisimmässä iässä olevia nuoria aikuisia. Anniina pohtiikin ilmiötä blogissaan sanoin “Kantakaupungissa asuu myös paljon parhaassa lisääntymisiässä olevia nuoria aikuisia. Kartasta voisi päätellä, että lapsen saaminen ennen perheasunnon hankintaa on melko yleinen marssijärjestys. Todennäköisesti esimerkiksi kouluikäiset lapset eivät näy vastaavanlaisena piikkinä kantakaupungin alueella.” Komppaan Anniinnaa tässä päätelmässä. Karttojen rinnakkain vertailu tukee sitä hypoteesia, että ensimmäiset lapset hankittaisiin vielä opiskeluaikana, ja isompaan perheasuntoon muutetaan lasten ollessa jossain yhden ja seitsemän ikävuoden välillä.Tietty on hyvä pitää mielessä, että vertailtavat arvot ovat absoluuttisia ja suhteellisia, mutta jonkunasteisia suuntaa antavia päätelmiä kartoilta on mahdollista tehdä.

Itse kartan tekniseen toteutukseen olen suhteellisen tyytyväinen. Väriskaala oli mielestäni tarkoitukseen sopiva ja kuntarajat ilmentävät tarkasteltavan aineiston eli peruskouluikäisten alueellista jakautumista riittävän tarkasti. Lisäämällä kaupunginosien rajat tai nimet karttaan olisi lopputulos ollut luultavasti huomattavasti vaikeammin tulkittavissa. Pohjoisnuoli ja mittakaava unohtuivat tunnin loppukiireissä jälleen, mutta toisaalta uskoisin pääkaupunkiseudunkin olevan kartalta melko selvästi tunnistettavissa oleva alue sellaisenaankin. Mysteeriksi jäi, miksi kartalla on niin paljon nolla-arvon saavia ruutuja, jotka ilmenevät yllättävän suurina valkoisina läikkinä. Joko alueilla ei asu ainuttakaan peruskouluikäistä, olen itse mokannut funktion luomisessa tms inhimillisen virheen paikassa tai MapInfo on yksinkertaisesti itse päättänyt heittää matkalla muutaman kärrynpyörän. Pitäisin todennäköisimpinä kahta jälkimmäistä vaihtoehtoa.

Lähteet:

Verkkolähteet:

1. Miettinen A., mianmian’s blog, Kurssikerta 4. Ruututeemakartta, https://blogs.helsinki.fi/mianmian/ (luettu 13.2.2014)

 

 

 

 

Tulvaaaaaaa

Myös informaatiotulvaa. Kolmannen kurssikerran teemana oli MapInfossa karttaan liittyvien tietokantojen luominen, lisääminen ja päivittäminen. Apuna tässä käytettiin Exceliä sekä MapInfon omia Data- ja Query-valikkojen takaa löytyviä työkaluja. Harjoitusalustana toimi Afrikan kartta ja siihen liittyvä data, jota yhdisteltiin, lisäiltiin ja päiviteltiin opettajan johdolla. Kokonaisuudessaan aiheeseen oli flunssahuuruisena hieman vaikea päästä kiinni, ja se tuntui vaikeaselkoiselta sekä monimutkaiselta, mutta tunnin edetessä tietokantojen luominen alkoi pikkuhiljaa sujumaan.

Alla Arttu Paarlahden laatima kartta Afrikan konflikteista, sekä timanttikaivosten ja öljykenttien sijainnista. Nopealla silmäyksellä näillä näyttäisi olevan selkeä yhteys konfliktien sijoittuessa luonnonvarojen esiintymisalueiden yhteyteen, mutta on kuitenkin huomattava, että pohjana olleessa tietokannassa ei erikseen erotella konfliktien syttymisvuosia taikka timanttikaivosten sekä öljylähteiden löytämisvuotta taikka tuottavuutta. Näin niitä ei voida suoraan pitää syyllisinä konfliktien syttymiseen, eikä tämänkaltaista vertailua voi kartan pohjalta tehdä. Sinänsä aihe on kiinnostava, ja siihen olisi mielenkiintoista paneutua enemmänkin.

Afrika-300x267

 

Kuva 1. Arttu Paarlahden laatima kartta Afrikan konfliktien vaikutusalueista, sekä timanttikaivoksien ja öljylähteiden sijainneista (Paarlahti A. 2014).

Kurssikerran lopuksi laadittiin koropleettikartta tulvaindeksistä ja sen päälle pylväskartogrammi valuma-alueen järvisyydestä, jonka voisi näin nopealla päättelyllä kuvitella korreloivan ainakin jollakin asteella tulvimisinnokkuuden kanssa. Mielstäni tämä oli suorastaan ratkiriemukasta, sillä vihdoinkin päästiin esittämään luonnonmaantieteen ilmiöitä kartalla kulttuurimantsan sijaan, jota olen odottanut kuin hullu sitä kuuluisaa puuroaan. Pitemmittä puheitta tämä huikea mestariteos näytti seuraavanlaiselta:

Tulvaindeksi_järvisyys

Kuva 2. Tulvaindeksi ja järvisyys.

Kartasta on huomattavissa, miten tulvaindeksiltään tummanpuhuvimmat alueet sijaitsevat pääosin Turun, Vaasan sekä Pohjois-Pohjanmaan seuduilla. Näillä alueilla onkin huomattavissa keskimääräistä selkeästi vähäisempi järvien määrä, jonne mm. kevättulvien aikaan virtaavat tavallista suuremmat vesimäärät varastoituisivat. Jasmin Bayar tekee kuitenkin blogissaan ansiokkaan huomion “Korkea tulvaindeksi ei välttämättä tarkoita tulvia alueella, vaan myös joen virtaaman suurta kasvua sateiden aikana ja lumien sulaessa. Tulviminen riippuu joen uomasta ja jos virtaava vesimäärä ylittää uoman.” Mm. tästä syystä emme saa ihan joka kevät lueskella Helsingin Sanomista tai vastaavasta ajankohtaisesta kirjallisesta julkaisusta miten tulvavedet ovat jälleen saartaneet Turun Linnan.

Selkeyssyistä päätin rajata pohjakartasta pois rantaviivan, valtioiden rajat sekä vesistöt. Näin jäljelle jäivät oikeastaan vain valuma-alueet sekä niihin liittyvä data. Kuten huomata saattaa päätin tällä kertaa sisällyttää lopputulokseen pohjoisnuolen sekä mittakaavan, sillä podin suoranaista häpeän tunnetta maantieteen opiskelijana kun ne viime viikon tekeleestäni puuttuivat. Väritys onnistui mielestäni kartassa hyvin, ja värit sopivat hyvin tulvimisalttiuden kuvaamiseen, sillä mikäs muu sinisestä väristä tulisikaan ensimmäisenä mieleen kuin vesi. Muutenkin olen kartan tekniseen toteutukseen yleisesti ottaen tyytyväinen, vaikkakin legenda olisi voinut olla isompi ja selvempi ja myös järvisyyttä kuvaavat pylväät ajoittain hieman puuroutuvat alueilla, joilla on useita eri valuma-alueita, kuten Kymijokilaaksossa kartan kaakkoiskulmassa.

Lähteet:

Verkkolähteet:

1. Bayar J., PAK-blogi/Jasmin, 3. Kurssikerta 28.01 : Tietokantojen data, https://blogs.helsinki.fi/jasbayar/ (luettu 3.2.2014)

Kartat:

1. Paarlahti A., Kartta Afrikan konflikteista, öljylähteistä sekä timanttikaivoksista, Paikkatiedon hankinta, analyysi ja kartografia-tiedotusblogi, Afrikkaa, https://blogs.helsinki.fi/pak-2014/2014/01/28/afrikkaa/ (luettu 3.2.2014)

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

Tietokannat:

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

 

Artikkeli 1-Kahden muuttujan koropleettikartat-värien muodostama funktio

Ihan alkuun anteeksi raflaavasta otsikosta. Artikkelissaan “Two-variable choropleth maps as a useful tool for visualization of geographical relationships” joka on julkaistu Liettualaisen Geografija-lehden numerossa 1 vuonna 2006 Anna Leonowicz pohtii kahden muuttujan koropleettikarttojen tuottamista, tulkintaa ja käyttömahdollisuuksia sekä niihin liittyviä ongelmia. Kirjoituksessaan Leonowicz käyttää pohjana Varsovan ja Vilnan yliopistojen ensimmäisen vuoden maantieteen opiskelijoilla teettämäänsä tutkimusta, jossa he arvioivat sekä yksi- että kaksimuuttujaisten koropleettikarttojen mielenkiintoisuutta ja selkeyttä esitettävän asian suhteen. Leonowicz toteaa, että vaikkakin kahden muuttujan koropleettikartoilla on helpompi kuvata riippuvuussuhteita kuin yhden muuttujan sisältäviä karttoja ristiin vertailemalla ovat ne huomattavasti yksimuuttujaisia karttoja vaikeaselkoisempia, ja niiden sujuva tulkinta vaatii näin ollen harjaantumista.

Omasta mielestäni artikkeli oli mielenkiintoista luettavaa. Kahden muuttujan koropleettikarttoja näkee käytettävän todella harvoin ja tällöinkin lähinnä kuriositeettina varsinaisen esitettävän tiedon yhteydessä. Osansa on varmasti Leonowicz:inkin artikkelissaan mainitsemilla, Yhdysvaltojen väestönlaskuviraston 1970-luvulla julkaisemien karttojen saamalla kielteisellä vastaanotolla, sekä myös sillä, että kahden muuttujan koropleettikartat saattavat olla asiaan vihkiytymättömälle tavalliselle kaduntallaajalle melko vaikeaselkoisiakin. Karttojen luettavuutta voi parantaa käyttämällä sopivaa määrää luokkia (2×2=4, low-high values tai 3×3=9, low-med-high values), sekä valitsemalla värit niin, että niiden sävyt ja tummuusaste kasvavat loogisesti pienimmästä luokasta suurimpaan. Ilmeisesti juuri tämä oli ongelmana Bureau of Census:in 70-uvulla tuottamissa kartoissa, sillä liian suuren luokkamäärän lisäksi niiden väritys oli huonosti valittu ja lukijaa harhaanjohtava.

Hyvin tehty kaksimuuttujainen koropleettikartta kuvaa kuitenkin mainiosti riippuvuussuhteita, ja niitä soisikin käytettävän nykyistä enemmän. Tietty pelkkä silmämääräinen tulkinta johtaa helposti harhaan, eikä kahden muuttujan koropleettikarttoja voisikaan sellaisenaan käyttää tarkasteltavan riippuvuussuhteen arviointiin. Niistä voi kuitenkin tehdä alustavia hypoteeseja kausaalisuhteista, ja laajemman aiheeseen liittyvän tutkimuksen yhteydessä ne sopivat mainiosti ilmiön havainnollistamiseen. Kahden muuttujan koropleettikartalla toteutuu eräänlainen versio yhtälöstä xy=?, jossa muuttuja x:n värisävy yhdistettynä muuttujan y värisävyyn määrää tuloksen ?, eli sen värisävyn jonka tarkasteltava alue saa kartalla. Kaksimuuttujaista koropleettikarttaa voisi näin ollen pitää eräänlaisena visuaalisena representaationa ensimmäisen asteen yhtälöstä, jossa numeroiden sijaan muuttujina toimivat värit.

Kohdeyleisöltä ja myös kartanlaatijalta tämänkaltainen kartografinen esitys vaatii tietynasteista kriittistä tarkastelua, sillä syy-seuraus-suhteita etsimään orientoitunut mieli alkaa helposti luoda ja “löytää” näitä yhtäläisyyksiä asioiden välillä, vaikkei näin olisikaan asian laita. Kahden muuttujan koropleettikarttaa tarkasteltaessa onkin hyvä pitää mielessä että kyseessä on korkeintaan suuntaa antava esitys aiheesta, ja varsinainen tarkempi tieto on hankittava muilla keinoin.

MapInfossa tuntui olevan hyvät mahdollisuudet kaksimuuttujaisten koropleettikarttojen laadintaan, ja odotankin mielenkiinnolla, päästäänkö niihin kurssin edetessä käsiksi enemmänkin. Aihe vaikuttaa mielenkiintoiselta ja sen potentiaali melkoiselta, sillä mikä alusta sopisikaan maantieteellisten riippuvuussuhteiden havainnollistamiseen paremmin kuin vanha kunnon teemakartta!

Lähteet:

Kirjallisuus

1. Leonowicz A., Two-variable choropleth maps as a useful tool for visualization of geographical relationships, Geografija 1/2006.

Teemailua MapInfolla

Toisen kurssikerran agendana oli tutustuminen erilaisiin teemakartta-malleihin ja niiden luomiseen MapInfolla. Valmiiden teemakartta-mallien kirjo MapInfossa oli melkoinen, ja kurssikerran aikana tutustuttiinkin mm. kaikkien tuntemiin koropleettikarttoihin, pistekarttoihin ja erilaisiin kartogrammeihin. Myös hieman harvemmin käytetyt teemakartat, kuten “liukuvärjätty” Grid-teemakartta ja sen pohjalta laadittu 3D-kartta tulivat tutuiksi. Erilaisia teemakarttoja ja niiden luomista MapInfolla käy erittäin ansiokkaasti läpi Jenni Kerola blogissaan https://blogs.helsinki.fi/jekerola/.

Lopuksi kokeiltiin kahden tai useamman teeman yhdistämistä samalle kartalle, esimerkiksi yhdistämällä graduated-symboliteemakartta sekä pistekartta koropleettikarttaan. Lopputuloksena syntyi eri teemoja yhdistelevä kartta, jolta muuttujien väliset syy-seuraussuhteet olivat helposti havaittavissa, tai vaihtoehtoisesti eksyi totaalisesti MapInfon symboli- ja väriviidakkoon. Kurssikerran lopuksi saimme vielä tehtäväksemme laatia MapInfolla teemakartan, jossa esitettiin joko kaksi teemaa päällekkäin tai vaihtoehtoisesti prismaattisen- tai 3D-kartan. Kartalla esitettävien teemojen oli tarkoitus tukea edes jollakin tasolla toisiaan. Itse valitsin alueekseni Pohjois-Suomen, ja esitettäviksi muuttujiksi korkeakoulutettujen prosentuaalisen osuuden kunnan asukkaista koropleettikartalla, sekä kunnan työttömyysasteen prosentteina symbolikartalla. Lopputulos näytti tältä:

Korrelaatio_koulutus_työttömyysaste

Kartalla näyttäisi esiintyvän selvä yhteys korkeasti koulutetun väestön ja keskimääräistä alhaisemman työttömyysasteen välillä. Vastaavasti kunnissa, joissa väestön koulutustaso on alhaisempi myös työttömyyslukemat kasvavat suuremmiksi. Erityisen selvä tämä yhteys on Itä-Lapin kunnissa Savukoskella, Sallalla ja Pelkosenniemellä, joissa korkeakoulutettujen määrä on selvästi pienempi ja vastaavasti työttömyysaste suurempi kuin lähikunnissa Sodankylässä, Kittilässä ja Rovaniemellä. Huomionarvoisia ovat myös Ylä-Lapin kuntien, Enontekiön, Inarin ja Utsjoen erot koulutusasteessa ja työttömyydessä. Tilastollisen poikeeaman alueelle muodostaa Kemijärvi naapurikuntia korkeammalla koulutusasteellaan mutta vastaavalla työttömyysprosentillaan. Voi päätellä ympäryskuntien huonon tilanteen heijastuvan myös Kemijärvelle; kun ruohonjuuritason  työpaikat puuttuvat ei myöskään korkeammin koulutetulle väestölle synny samoissa määrin työtä. Kokonaisuudessaan voi mielestäni pitää siis selvänä, että työttömyydellä ja väestön koulutusasteella on Pohjois-Suomen kunnissa selvä yhteys.

Jätin kartasta pohjoisnuolen ja mittakaavan pois, sillä ajattelin Pohjois-Suomen olevan sen verran yleisesti tunnistettava alue, ettei niille olisi tarvetta. Kartan ympärille jäi kuitenkin sen verran tyhjää tilaa, että ehkäpä ne olisi voinut mukaan ujuttaa. Muuten teknisiä, jälkikäteen harmittavia fiboja tuli muun muassa siinä, että “Kemijärvi”-teksti jää symboli-ukkelin alle, ja korkeakoulutettujen asteen luokkajaot katkeavat hieman omituisissa kohdissa. Myös punaisen värin käyttöä korkeakoulutettujen asteen kuvaajana olisi voinut miettiä tarkemmin negatiivisen mielleyhtymän johdosta, sillä tuskinpa minkään kunnan johto kiljuu kauhuissaan väestön perusrakenteen koostuessa maistereista ja insinööreistä. Toisaalta punaisen voi mieltää myös keskittymistä kuvaavana värinä (usein maailmankartoissa suurimmat kaupungit on kuvattu punaisella) ja tältä kantilta tarkasteltuna se sopiikin karttaan mainiosti silmiinpistävimmän keskuksen muodostuessa yliopistokaupunki Rovaniemelle. Ja sitäpaitsi hei, niin kuin Jenni Kerolakin blogissaan totesi “Saatan olla hyvinkin väärässä, mutta oppimassahan sitä tässä ollaan!”

Lähteet:

Kartat

1. Kunnat 2011-pohjakartta, Paikkatiedon hankinta, analyysi ja kartografia 2014, HY-moodle-kurssikansio.

Tilastot

1. KK2-kansio, Kunnat 2011-taulukko, Paikkatiedon hankinta, analyysi ja kartografia 2014, HY-moodle-kurssikansio.

Verkkolähteet

1. Jenni’s pak, “MapInfo ja Teemakartta”, https://blogs.helsinki.fi/jekerola/, (luettu 24.1.2014)

 

 

First lesson

Ensimmäisellä oppitunnilla verestettiin ensimmäisen periodin TAK-kurssilla opittuja MapInfon käyttötaitoja sekä opittiin paljon uusia kikkoja ohjelmalla. Aavistuksen vaikeaselkoinen ja virheistä armottomasti rankaiseva MapInfo tuntui hieman kömpelöltä käyttää toisessa periodissa tutuksi tulleen Corel Draw-ohjelman jälkeen, mutta alkukankeuden jälkeen työskentely alkoi sujumaan suht koht jouheasti. Varsinaisena tunnin agendana oli tutustua MapInfon ominaisuuksiin teemakarttojen laadinnassa joihin ohjelma tarjosikin mainiot puitteet, sekä lopuksi tuottaa oma teemakartta valitsemastaan aiheesta. Itse valitsin aiheekseni ulkomaan kansalaisten lukumäärän Helsingissä kaupunginosittain.

MapInfosta valmiiksi löytyneen datan pohjalta laadittiin ensin histogrammi valmiilla histogrammi-työkalulla osoitteessa http://illuminations.nctm.org/Activity.aspx?id=4152. Syntyneen histogrammin pohjalta tehtiin tulkintoja aineiston jakautumisesta ja pohdittiin miten se kannattaisi luokitella. Oma aineistoni oli selvästi vinosti jakautunut niin, että pieniä arvoja oli eniten ja tapausten lukumäärä laski sitä mukaa kun siirryttiin kohti suurempia arvoja. Valitsin aineistoni luokittelutavaksi Kvantiilin luokituksen, eli jokaiseen luokkaan tuli suurinpiirtein saman verran havaintoja.

Histogrammi:
Histogrammi

Tämän jälkeen laadittiin MapInfolla teemakartta ulkomaan kansalaisten määristä eri Helsingin kaupunginosissa oman päätetyn luokituksen mukaisesti.  Lopputulos näytti tältä:

Ulkomaankansalaisetteemakartta

Kartasta näkyy miten ulkomaan kansalaiset ovat keskittyneet erityisesti lähiöihin. Sen sijaan vasta Helsinkiin liitetyltä vauraalta entisen Sipoon alueelta ei pahemmin ulkomaan kansalaisia löydy. Tietty karttaa tulkittaessa on huomattava, että kyseessä ovat absoluuttiset, eivät suhteelliset lukuarvot ja näin ollen joidenkin alueiden ulkomaalaisten vähäinen määrä voidaan selittää ylipäätään alhaisella väestöntiheydellä.

 

Itse karttaan en ollut hirveän tyytyväinen, osittain sen takia että Layout-työkalun käyttäminen oli MapInfossa yllättävän haastavaa ja kartasta ei tullut niin selkeää kuin olin toivonut.  Lisäksi pohjoisnuoli ja mittakaava tuli sijoitettua hieman hassuihin paikkoihin, mutta olkoot. MapInfon tullessa tutummaksi ohjelmaksi myös sillä laadituista kartoista tulee varmasti suoranaisia mestariteoksia (or not).

Lähteet:

Kartat

1. Helsingin pohjakartta, Paikkatiedon hankinta, analyysi ja kartografia 2014, HY-moodle kurssikansio

Tilastot

1. KK1-kansio, Helsinki osa-alueittain, Paikkatiedon hankinta, analyysi ja kartografia 2014, HY-moodle-kurssikansio

Verkkolähteet

1. Histogrammityökalu, http://illuminations.nctm.org/Activity.aspx?id=4152 (luettu 14.1.2014)