Kurssikerta 7: Ikioma karttani

Kurssin viimeisellä kerralla tehtävänä oli laatia oma kartta kahdella muuttujalla oikeastaan ihan alusta asti. Olin alun perin miettinyt, että olisi hauska kokeilla bittimuotoisen kartan kiinnittämistä koordinaatistoon, mutta koska kartan piirtäminen kuulemma olisi kovin aikaa vievää, päädyin lopulta käyttämään Natural Earth-sivuston valmista paikkatietokantaa sekä pohjakarttaa.

Valitsin Afrikan tarkasteltavaksi alueeksi, koska tunnen Afrikan mantereen maat aika huonosti. Alue kiinnosti myös siksi, että maiden välillä usein on suuria eroja kun tulee muun muassa koulutukseen ja yleiseen kehitystasoon. On helppo ajatella että koko Afrikka on samalla viivalla, mutta näin ei kuitenkaan ole.

Tiesin että halusin tehdä karttani jostakin aiheesta, joka liittyisi jotenkin koulutukseen, mutta osoittautui aika vaikeaksi löytää dataa, joka käsittäisi kaikki Afrikan maat. Usein joku maa puuttui, ja lopulta jouduinkin tyytymään siihen, ettei ihan kaikkien maiden arvoja syystä tai toisesta saatu mukaan. Pitkän etsinnän jälkeen löysinkin internetisä tarpeeksi tietoa aikuisten (yli 15 v.) lukutaidosta, hedelmällisyysluvusta, aikuisten (yli 25 v.) koulutuksesta vuosissa sekä asukaskohtaisesta bruttokansantuotteesta (BKT), jotta pystyin laatimaan karttani .

Tietojen siistiminen Excelissä onnistui yleisesti aika hyvin, mutta hiukan ongelmia tuotti se, että Natural Earth-datassa oltiin käytetty hiukan erilaisia nimiä kuin muissa aineistoissa. Joten vaikka olinkin yrittänyt muuttaa ne samanlaisiksi, jouduin oikeastaan jokaisen taulukon kohdalla kirjoittamaan joitain arvoja manuaalisesti paikkatietokantaani. Muiden blogeja lukiessani huomasin, että myös Iines Lukkarisella, joka hänkin teki kartan Afrikasta kirjoittaa blogissaan siitä, että nimiä oli vaikea saada oikein (2016). Sarakkeiden lisääminen ja päivittäminen paikkatietokantaan sujui kuitenkin muuten aika hyvin.

Itse karttojen luontikin kävi aika helposti (MapInfon Create thematic map-työkalun avulla), ja olin siitä itse asiassa aika yllättynyt. Olen sittenkin tainnut oppia aika paljon, vaikka välillä on tuntunut etten koskaan opi käyttämään MapInfoa! 🙂 Kurssikerralla opin myös miten huonosti sijoitettuja pylväitä saa siirrettyä kartalla (hyvä ohje löytyy täältä). Molempiin karttoihin käytin Natural Break-luokitusta, koska tarkasteltuani aineistoani, huomasin että sekä hedelmällisyysluvun että lukutaidon jakautuminen oli aika epämääräinen. Se toimii mielestäni tässä ihan hyvin, vaikka pienin luokka ehkä on vähän liian laaja molemmissa tapauksissa. Ongelmaksi muodostui kuitenkin jälleen kerran se, ettei pylväsdiagrammin legenda-pylväs halunnut skaalautua kartan pylväiden mukaan. Joko se oli liian pieni, tai liian iso eikä ollenkaan vastannut kartalla näkyviä pylväitä tai niiden arvoja. Joten jälleen kerran muokkasin legendaa ja karttojen värejä jälkikäteen Photoshopissa, koska en ollut ihan tyytyväinen MapInfon tarjoamiin väreihin.

KK7_1VALMIS 2
Kuva 1 Kartta Afrikan maiden hedelmällisyysluvuista (synnytykset/nainen) sekä aikuisten (25 v. ->) keskimääräisestä koulutuksesta vuosissa.

Ensimmäinen kartta (Kuva 1) esittää hedelmällisyysluvun (odotetut synnytykset/nainen) maittain koropleettikarttana, ja aikuisten (yli 25 v.) keskimääräistä koulutusta vuosissa pylväinä. Mitä tummempi väri, sitä korkeampi hedelmällisyysluku, ja mitä korkeampi pylväs, sitä enemmän koulutusvuosia. Kun katsoo karttaa, huomaa aika selkeästi, että niissä maissa missä hedelmällisyysluku on korkein, myös aikuisilla yleensä on vähiten koulutusvuosia. Vuorostaan niissä maissa, missä hedelmällisyysluku on pienin, aikuisilla on keskimäärin enemmän koulutusvuosia takanaan. Tietysti myös poikkeuksia on (etenkin koillis-Afrikan maissa, kuten Sudanissa, Djiboutissa ja Eritreassa, koulutusvuosien määrä on alhainen suhteessa maan hedelmällisyyslukuun), mutta muuttujien välillä vaikuttaa selvästi olevan jonkinlainen yhteys. Onkin todettu, että koulutus vähentää hedelmällisyyslukuja ja lisää hyvinvoinita (Earth Policy Institute 2011). Tämä tuntuukin loogiselta, koska jos kouluttaudut monen vuoden ajan ja panostat uraasi, hankit todennäköisesti lapsia hiukan myöhemmin elämässä. Silloin ei vain ehdi saada yhtä monta lasta. Etenkin naisten koulutuksella on suuri merkitys hedelmällisyylukuun, joten olisi luultavasti ollut kiinnostavampaa tehdä kartta naisten, eikä molempien sukupuolien koulutusvuosista.

Olen aika tyytyväinen karttaani, koska se on mielestäni sekä helppo lukea, että väreiltään miellyttävä. Tietoa on ehkä kuitenkin vähänä liikaa, koska kartta on jotenkin vähän ahtaan oloinen. Etenkin maiden nimet tekevät kartasta hiukan sekavan oloisen, mutta uskoisin että Afrikan maat ovat monelle niin tuntemattomia, että nimistä on enemmän hyötyä kuin haittaa. Jälkikäteen ajateltuna olisi varmaan ollut fiksua asettaa 1 -2 kaksi lasta omaksi luokakseen, koska olisi ollut mielenkiintoista tutkia missä maissa väestönkasvu on taantuva.

KK7_lukutaito_bnp_NatBreakVALM 2 ny
Kuva 2 Kartta Afrikan maiden lukutaitoisten aikuisten (15 v. ->) osuudesta sekä asukaskohtaisesta BKTsta.

Toinen kartta (Kuva 2) esittää Afrikan maiden lukutaitoisten aikuisten (yli 15 v.) osuuden väestöstä koropleettikarttana, sekä maiden BKT asukasta kohti pylväinä. Mitä tummempi väri, niin sitä suurempi osuus väestöstä osaa lukea, ja mitä korkeampi pylväs, sitä korkeampi BKT/asukas. Kun karttaa katsoo, huomaa että niissä maissa, missä suurin osa asukkaista ovat lukutaitoisia, myös BKT/asukas yleisesti on korkeampi. Tämä viittaisi siihen, että rikkaammissa maissa ihmisillä on paremmin varaa kouluttautua, jolloin heidän myös on helpompi saada töitä, eli tienaavat aikuisinakin paremmin. Jos tulee köyhästä perheestä, on helppo kuvitella että kynnys kouluun jäämiseen on korkeampi, eikä perheellä todennäköisesti ole siihen varaa. Joseph Kaifalan (2011) mukaan koulutus toimii myös eräänlaisena kehityksen moottorina, ja niin kauan kuin koulutukseen ei panosteta, köyhyydestä ei päästä. Etenkin jos oppilaat joutuvat maksamaan kaikesta tilanne on hyvin epäreilu köyhille perheille. Kyseessä on siis eräänlainen oravanpyörä: köyhillä ei ole varaa koulutukseen, joten he pysyvät köyhinä, jolloin myöskin heidän lapsensa tulevat olemaan köyhiä, eikä kehitystä tapahdu. On kuitenkin hyvä muistaa ettei BKT/asukas kerro mitään siitä, miten rahat todellisuudessa jakautuvat, voi olla että maassa asuu muutama kovin rikas ihminen, ja hyvin monta hyvin köyhää.

Jos vertaa kahta karttaani toisiinsa, huomaa myös sen että suurin osa niistä maista, missä hedelmällisyysluku on korkein, kuuluvat myös niihin maihin joiden BKT on alhaisin. Köyhyys johtaakin usein siihen, että perheet hankkivat enemmän lapsia (Earth Policy Institute 2011).

Olen muuten aika tyytväinen karttaani, vaikka luokitusta olisi ehkä voinut miettiä tarkemmin….jälleen kerran pienin luokka on vähän turhan laaja. Väreihin ja kartan luettavuuteen olen kuitenkin tyytyväinen, vaikka maiden nimet, kuten toisessakin kartassa ehkä tekevät siitä hiukan sekavan oloisen. Mielestäni Nea Heikkilä (2016) oli tehnyt fiksusti, kun teki karttansa alueiden nimille oman taulukon, ja laittoi numerot kartalle nimien sijaan. Sitä ehkä minunkin olisi pitänyt kokeilla. Myös Iines Lukkarinen (2016) oli tehnyt kartan Afrikasta, mutta täysin eri teemalla kuin minä. Hänen karttansa esitti nimittäin Afrikan maiden sademetsän osuuksia sekä uhanalaisten lajien määriä. Aihe oli mielestäni mielenkiintoinen, ja pidin kartan ulkonäöstä sekä selkeydestä. Iineksen kartta on myös hyvä esimerkki siitä, että aina ei alueiden nimiä tarvita, ja että kartta usein on selkeämpi kuin siinä ei ole hirveän paljon tietoa. 🙂

Tunnen oppineeni kurssin aikana todella paljon, vaikka aina ei kyllä ole ollut helppoa työskennellä MapInfon kanssa. Uskoisin kuitenkin, että jos nyt kokeilisin tehdä alkukurssin tehtäviä uudelleen, ne eivät enää tuntuisi niin vaikeilta, kuin silloin tuntuivat. Vaikka kaikki karttani eivät kyllä ole kauhean esteettisiä, olen kuitenkin ylpeä siitä mitä olen saanut aikaiseksi.

Lähteet:
Adult literacy rate, both sexes (% ages 15 and older) (2013). United Nations Development Programme
http://hdr.undp.org/en/content/adult-literacy-rate-both-sexes-ages-15-and-older Luettu 2.3.2016

Education Leads to Lower Fertility and Increased Prosperity (2011). Earth Policy Institute http://www.earth-policy.org/data_highlights/2011/highlights13 Luettu 15.3.2016

Fertility rate, total (births per woman) (2013). The World Bank. http://data.worldbank.org/indicator/SP.DYN.TFRT.IN Luettu 10.3.2016

GDP per capita (current US$) (2013). The World Bank. http://data.worldbank.org/indicator/NY.GDP.PCAP.CD

Heikkilä, N. (2016) 7. Viimeistä viedään https://blogs.helsinki.fi/neaheikk/2016/03/02/7-viimeinen-blogikirjoitus/ Luettu 14.3.2016

Kaifala, J. (2011). Africa Must Invest in Education to Overcome Poverty. http://mic.com/articles/2109/africa-must-invest-in-education-to-overcome-poverty#.bPTeIIrcV Luettu 15.3.2016

Lukkarinen, I. (2016) Kurssikerta 7: Afrikan sademetsät https://blogs.helsinki.fi/iirisluk/2016/03/10/kurssikerta-7-afrikan-sademetsat/

MapInfo Professional Help : Displaying the Lines, Nodes, and Centroids
http://www.helpdoc-online.com/SCS0001EN1A401P122~MapInfo-Professional-Help-en~Displaying-the-Lines-Nodes-and-Centroids.htm

Mean years of schooling (of adults) (years) (2013). United Nations Development Programme
http://hdr.undp.org/en/content/mean-years-schooling-adults-years Luettu 2.3.2016

Pohjakartta: 1:10m Cultural Vectors. Natural Earth.
http://www.naturalearthdata.com/downloads/10m-cultural-vectors/ Luettu 3.3.2016

Kurssikerta 6: Punaisia autoja ja hasardeja

Kuudes kurssikerta alkoi mukavasti pienellä ulkoilulla ja käytännön harjoituksella. Saimme nimittäin paperit ja GPS-laitteet käteen, ja kehotuksen menemään ulos rekisteröimään pisteitä Kumpulan alueella. Kivaa! Päätettiin sitten Jonin ja Elsan kanssa kartoittaa lähialueen punaiset autot. Kun palasimme sisälle, saimme ensin siirtää kerättyjen pisteiden koordinaatit Excel-taulukkoon, ja sen jälkeen aineisto tuotiin MapInfoon (tässä vaiheessa huomattiin tosin, että oltiin kirjoitettu x- ja y-koordinaatit paperille väärin päin, mutta onneksi se saatiin kierrettyä helposti). Itse pisteiden luominen kartalle osoittautui loppujen lopuksi yllättävän helpoksi (kerrankin jotain helppoa! 🙂 ). Oli myös tosi mielenkiintoista katsoa miten olimme kävelleet, kun vielä GPS-laitteen keräämät tiedot kulkemastamme reitistä tuotiin MapInfoon. Ennen kurssikerran varsinaisen tehtävää tutustuttiin myös geokoodaukseen aineistolla, joka käsitti Helsingin alueen pelikoneiden sijaintia.

Päivän itsenäistehtävänä oli laatia kolme eri karttaa, joita voisi käyttää jollakin tavalla opetuksessa. Teemana olivat hasardit, ja saimme Artulta linkit maanjäristys-, tulivuori- ja meteoriittitietokantaan. Näiden sisältämää tietoa ei kuitenkaan voitu hyödyntää suoraan, vaan se vaati ensin hiukan muokkausta Excelissä. Maanjäristysdataa muokattiin yhdessä, ja opin että tekstiä voi suoraan muuttaa taulukoksi (tosi kätevää, kunpa olisin tiennyt tämän jo aiemmin!). Sainkin haluamani tulivuoritiedon aika helposti tietokoneelle, mutta meteoriittitietokanta oli hankalampi tapaus. Siinä oli nimittäin kirjoitettu meteoriittien painosta kertovat luvut pilkkujen kanssa (eli kymmenen tuhatta → 10,000), mikä tuotti vähän ongelmia kun yritin saada aineiston sarakkeet järjestettyä oikein. Arttu neuvoi lataamaan meteoriittitietokanta suoraan csv.-muodossa, ja ensin se vaikutti toimivan, mutta sitten huomasin kyselyä tehdessäni että painoa ilmentävät luvut olivat menneet ihan sekaisin (varmaan ne pilkut sen tekivät, koska numerot eivät enää täsmänneet 🙁 ). Joten aloitin alusta ja loppujen lopuksi sain datan toimimaan Excelissä (poistin ensin kaikki pilkut, ja muutin sitten koordinaattien pisteet pilkuiksi), jess!

Kuva 1 Kartta yli 6 magnitudin maanjäristyksistä (2000 - 2015) sekä tulivuoret jotka purkautuneet vuoden 1964 jälkeen.
Kuva 1 Kartta yli 6 magnitudin maanjäristyksistä (2000 – 2015) sekä tulivuoret jotka purkautuneet vuoden 1964 jälkeen.

Ensimmäinen kartta on aika perinteinen (kuva 1), koska se kuvaa tulivuorten ja maanjäristysten sijoittumista maapallolle. Valitsin tarkastelun kohteeksi 2000 – 2015 sattuneet, vähintään kuuden Richterin järistykset, sekä ne tulivuoret jotka olivat purkautuneet 1964 tai sen jälkeen. Valitsin maanjäristysvuodet oppilaiden ikää ajatellen (se mitä on tapahtunut oman eliniän aikana varmaan kiinnostaa eniten), mutta tulivuorten aikaväliin en voinut juurikaan vaikuttaa tietokannan rajoitusten takia. Valmiissa kartassa tulivuoret on kuvattu keltaisina komioina, ja maanjäristysten pisteet ovat saaneet erilaisen koon sekä punaisen sävyn magnitudinsa mukaan.

Kuva 2 Mannerlaattojen reunat sekä liikkeet.
Kuva 2 Mannerlaattojen reunat sekä liikkeet.

Kun tutkii karttaa, huomaa, että maanjäristykset ja tulivuoret ovat kerääntyneet suunnilleen samoille alueille, ja usein muodostavat eräänlaisia ”ketjuja”. Kun karttaa vertaa mannerlaatta-karttaan (Kuva 2), onkin helppo huomata, miten nätisti hasardit kulkevat käsi kädessä mannerlaattojen reunojen kanssa! Etenkin Tyynenmeren tulirengas erottuu todella hyvin. Yksi tavoitteistani olikin havainnollistaa yhteys laattojen ja maanjäristyksen välillä, joten olen ihan tyytyväinen karttaan. Kartastani voi myös nähdä sen, että pieniä järistyksiä sattuu hyvin usein, mutta magnitudin kasvaessa niitä tapahtuu yhä harvemmin. Yritin pisteiden koon avulla havainnollistaa sen, että kun Richerin asteikolla arvo kasvaa yhdellä, maanjäristyksen voima kymmenkertaistuu.

Karttani muistuttaa muuten tätä karttaa aika paljon (Kuva 3). Kyseinen kartta kuuluu projektityöhön, joka on tehty lukion maantiedon kolmannen kurssin yhteydessä (Vestola 2003). Se on kuitenkin huomat

Tulivuoret_maanjär
Kuva 3 Kartta maanjäristyksistä ja tulivuorista joka paremmin soveltuisi opetuskäyttöön.

tavasti selkeämpi kuin omani, etenkin johtuen kartalle piirretyistä mannerlaattojen rajoista (tässä kartassa ei myöskään näy sitä mystistä tulivuorta Ruotsissa, joka on omassa kartassani selkeä virhe). Olisi myös voinut olla fiksua esittää karttani niin että Tyynenmeren tulirengas näkyisi kokonaisena, kuten myös Matilda Holkkola (2016) on tehnyt.

Vaikka muuten olen tyytyväinen karttaani, se on mielestäni vähän sekava koska se sisältää niin paljon informaatiota. Voi olla, että oppilaan olisi vähän vaikea tulkita karttaa, joten jos olisin opettaja, valitsisin varmaan jonkun hiukan yksinkertaisemman ja selkeämmän kartan. Olisin esimerkiksi voinut jättää tulivuoret pois, tai sitten kuvata kaikki tulivuoret samankokoisina pisteinä (eli ei mitään tietoa magnitudeista).

Kuva 4 Vähintään kuuden magnitudin maanjäristykset vuosina 2000 - 2015 sekä niiden syvyydet.
Kuva 4. Vähintään kuuden magnitudin maanjäristykset vuosina 2000 – 2015 sekä niiden syvyydet.

Toinen kartta (kuva 4) esittää samoja maanjäristyksiä kuin ensimmäinen, mutta tässä tapauksessa magnitudeista ei sanota mitään, vaan sen sijaan pisteiden värit kuvaavat maanjäristyksen hyposentrin (eli maanjäristyksen keskuksen) syvyyttä kilometreinä. 0 – 70 kilometrin välillä tapahtuvia maanjäristyksiä pidetään

Kuva 5. Laattojen liikettä ja vulkaanista toimintaa kuvaava kuva.
Kuva 5. Laattojen liikettä ja vulkaanista toimintaa kuvaava kuva.

matalina, 70 – 300 keskisyvinä ja 300 – 700 kilometrin syvyydellä tapahtuvia syvinä (Spence ym. 1989), joten valitsin luokituksen tämän mukaan. Spencen mukaan kaikki maanjäristykset, joiden keskus on syvemmällä kuin 70 kilometriä, sijaitsevat alityöntövyöhykkeillä, joten kartasta näkee tosi helposti missä kyseiset vyöhykkeet sijaitsevat. Kun karttani vertaa karttaan joka esittää mannerlaattojen liikkeitä, on helppo huomata että tämä pitää paikkansa. Kartasta näkyy siten myös hyvin, että alityöntövyöhykkeillä tapahtuu huomattavasti enemmän maanjäristyksiä kuin erkanemisvyöhykkeillä. Tämän ilmiön syytä voisi esimerkiksi pohta koulussa oppilaiden kanssa yhdessä toisen kuvan kanssa (Kuva 5), josta magman liikkeet maanpinnan alla ilmenee.

En itse ole aiemmin törmännyt karttaan joka esittäisi maanjäristyksien syvyyttä, joten mietin että vähän erikoisempi näkökulma voisi olla kiinnostava myös oppilaiden mielestä.

Metoriittien löytämispaikat meteoriitin painon mukaan.
Kuva 6. Metoriittien löytämispaikat meteoriitin painon mukaan.

Viimeinen karttani (kuva 6) esittää yli 100 kg painavien meteoriittien putoamispaikkoja (vanhin meteoriitti oli löytynyt 1500-luvulla). Mitä suurempi tähti on, sitä enemmän meteoriitti painaa. Kartasta näkyy aika selkeästi, että meteoriitteja on löytynyt erityisen paljon sellaisilta alueilta missä asumus on tiheää (eli todennäköisyys että joku löytää meteoriitin on iso). Vastaavasti harvaan asutuista alueista sekä merestä ei ole löytynyt juurikaan mitään. Näiltä alueilta voisi siis vielä löytyä vaikka mitä! Tuomas Pätäri (2016) kirjoittaa kuitenkin blogissaan, että meteoriittien ilmoitettu paino olisi jonkinlainen arvio alkuperäisestä kokonaismassasta, mikä tekee kartasta ehkä vähän epäluotettavan. Kuitenkin luotan siihen, että arviot ovat riittävän lähellä todellisuutta, jotta kartasta voisi olla jotain hyötyä. Siitähän kuitenkin näkyy aika selkeästi, että suuria meteoriittejä törmää maahan huomattavasti harvemmin kuin pieniä. Riskeistä puhuttaessa olisikin aina hyvä korostaa sitä, että vaikka kaikenlaisia vaaroja vaikuttaa olevan ihan järkyttävästi, niitä oikein tuhoisia ei kuitenkaan tapahdu kovinkaan usein. Kartan yhteydessä voisi olla kiva oppilaiden kanssa katsoa kuvia kraattereista ja löytyneistä meteoriiteista. Myös Jasmina Myllys (2016) oli tehnyt karttansa meteoriiteista, ja tehnyt monia hyviä havaintoja blogissaan. Etenkin pidin hänen kartastaan, johon myös meteoriittien löytämisvuodet oli merkitty.

Näin jälkikäteen katsottuna karttani eivät ehkä ole niin käteviä opetuksessa, vaikka ovatkin ihan kiinnostavia. Jostain syystä tuuppaan ajattelemaan liikaa ja tekemään kartoista liian monimutkaisia. Mutta, vaikka tehtävä ei mennyt ihan nappiin, tunnen ainakin oppineeni paljon. Seuraavalla kerralla kun teen karttoja osaan tehdä ne paremmin…ainakin toivon mukaan. 🙂

Lähteet:
ANSS Catalog Search (2016). http://quake.geo.berkeley.edu/anss/catalog-search.html Luettu 1.3.2016

Holkkola, M. (2016) https://blogs.helsinki.fi/hcmatild/2016/02/26/kurssikerta-6-kartta-opetuskayttoon/ Luettu 4.3.2016

Global Volcano Locations Database (2015). http://catalog.data.gov/dataset/global-volcano-locations-database Luettu 1.3.2016

Meteoritessize (2016). https://www.google.com/fusiontables/DataSource?docid=1vHSvjNgCIl6kRhFXPHhvESnnYx_ShToJWtWdjm8#rows:id=1 Luettu 1.3.2016

Myllys, J. (2016) https://blogs.helsinki.fi/myllyjas/2016/02/27/6-kurssikerta-gps-geokoodaus-ja-gis-gurut/ Luettu 4.3.2016

Plates and plate boundaries. http://bcgeography.weebly.com/b1—features-associated-with-plate-tectonics.html Luettu 4.3.2016

Pätäri, T. (2016) https://blogs.helsinki.fi/ttpatari/2016/02/24/karttoja-kouluille/ Luettu 4.3.2016

Spence, W., Sipkin, S. A., Choy, G. L. (1989) Determining the Depth of an Earhquake. Earthquakes and Volcanoes 21: 1. http://earthquake.usgs.gov/learn/topics/seismology/determining_depth.php Luettu 4.3.2016

The Structure of Earth Briefly Described. http://ffden-2.phys.uaf.edu/webproj/212_spring_2015/Ariel_Ellison/Ariel_Ellison/page1.html Luettu 4.3.2016

Vestola, M. (2003) Maantiedon laaja projektityö. http://www.mvnet.fi/?osio=Tutkielmat&luokka=Lukio&sivu=GE3_-_Endogeeniset_hasardit Luettu 4.3.2016

Kurssikerta 5: Buffereita, analyysejä ja putkiremontteja

Tällä kurssikerralla tutustuttiin tarkemmin bufferointiin (eli puskurointiin) ja analyysien tekoon. Puskurin avulla on esimerkiksi helppoa tutkia sitä, miten monta kohdetta sijaitsee tietyn etäisyyden päästä jostain. Vaikka puskuroinnin toimintatapaa on aika helppoa ymmärtää, sanoisin silti, että tämän päivän tehtävien tekeminen oli hankalampaa kuin kaikkien aikaisempien! Jotenkin oli vähän eksynyt olo kun yritti koko ajan muistaa kaiken (myös aiemmilta kurssikerttoilta), mutta silti kaikki meni sekaisin ja tapahtui tyhmiä virheitä. On kuitenkin lohduttavaa tietää, että monen muunkin mielestä kurssikerran tehtävät vaativat vähän enemmän miettimistä (Rikberg 2016). Sain kuitenkin kaikki tehtävät tehtyä, ja toivottavasti enemmän tai vähemmän oikein (tosin kaikilla vaikuttaa olevan vähän erilaisia vastauksia). 🙂

TaulukkoKK5kuva
Taulukko 1 Harjoitustehtävien kysymykset ja vastaukset.

Aluksi harjoiteltiin puskurointia yhdessä viime kerralla digitoimamme aineiston kanssa, joka esitti Pornaisten keskustaa. Kokeilitiin muun muassa pinta-alojen laskemista, sekä tutustuttiin Boundary Select- ja Statistics-työkaluihin. Boundary Select- työkalulla voidaan valita kaikki tason kohteet, jotka sijaitsevat tietyn alueen, kuten bufferin, sisällä. Statistics-työkalun avulla voidaan tarkastella valittujen kohteiden tilastotietoja (esim. jos vaikka halutaan laskea bufferin alueella sijaitsevat talot yms.). Sen jälkeen olikin itsenäistehtävien aika.

Ensimmäinen harjoitus keskittyi Malmin ja Helsinki-Vantaan lenttokenttiin ja niiden melualueisiin. Ensin piirrettiin kiitoradat, jonka jälkeen niiden ympärille laadittiin erikokoisia buffereita. Sitten laskettiin miten moni ihminen asui bufferivyöhykkeellä/melualueella. Malmin lentokenttään liittyvät tehtävät olivat mielestäni aika helppoja tehdä, eikä piirtäminenkään ollut vaikeaa, mutta Helsinki-Vantaan liittyvät tehtävät olivat hiukan hankalimpia. Vaikein asia oli varmaan se miten saa laskettua ne ihmiset, jotka sekä asuvat 2 km säteellä lentokentästä että 65 dBin melualueella. Onneksi kurssikerran luuranko-ohjeesta löytyi siihen hyvät ohjeet (piti valita bufferin sisälle jäävät talot, ja avata niistä kokonaan uusi taso).

Sen jälkeen tutkittiin Vantaan juna-asemia, ja laskettiin muun muassa kuinka moni asuu 500 metrin säteellä juna-asemista, ja sitä kuinka moni näistä ihmisistä ovat työikäisiä. Tässä vaiheessa olin jo päässyt vauhtiin, eikä ongelmia juurikaan tullut (tai noh, jälkikäteen jouduin korjaamaan yhtä vastausta, koska olin lukenut kysymyksen vähän väärin. Ei siis kannata pitää liikaa kiirettä!). Työikäisten (15 – 64v) osuuden selvittäminen vaati hiukan pohtimista, ja lopulta tein niin että tallensin bufferin omaksi tietokannakseen, jonka jälkeen lisäsin tietokantaan uuden sarakkeen (jonka tiedot sain alkuperäisestä tietokannasta joka sisälsi tietoa Vantaan rakennuksista).

Toisessa itsenäisharjoituksessa katsottiin Vantaan alueen taajamia. Tämä tehtävä vaati hiukan enemmän aikaa, koska taajamatietokantaan piti ensin lisätä neljä uutta saraketta (asukkaita yhteensä, kouluikäiset, ulkomaalaisten määrä, ulkomaalaisten osuus). Sarakkeiden lisääminen meni helposti, mutta kesti hetken ennen kuin sain sarakkeiden tiedot laskettua ja päivitettyä oikealla tavalla (ensin esim. ulkomaalaisten osuus sarakkeessa ei näkynytkään prosentteja). Statistics-työkalusta oli paljon iloa tämän harjoituksen tehtävien teossa, koska sen avulla pystyi nopeasti ja helposti katsomaan eri sarakkeiden summia. Kun laskin alueita joissa ulkomaalaisia oli tietty määrä, tein erilaisia kyselyitä, ja valmiin ”queryn” sarakkeet sitten laskin (vasen alakulma). Kun tein laskulausekkeen tein kuitenkin sen virheen, että etsin alueita missä ulkomaalaisia oli tietty prosentti tai yli, eikä vain yli tietyn prostentin, kuten tehtävässä sanottiin. En tosin usko sen vaikuttavan kovinkaan paljon tuloksiin.

Kolmannessa ja viimeisessä itsenäisharjoituksessa saimme valita kolmen eri aiheen välillä. Päädyin tutkimaan putkiremontteja Helsingissä (tai noh, parissa kohdassa puhuttiin pääkaupunkiseudusta ja parissa pääkaupungista, joten menin vähän sekaisin, siksi vastaustaulukossani on tietoa molemmista alueista). Valitsin aiheen siksi, että serkkujen kerrostaloon on piakkoin tulossa putkiremontti (vaikka talo onkin huomattavasti vanhempi), joten se tuntui kiinnostavalta. Aluksi tehtävä tuntui ihan selkeältä, mutta parin epäonnistuneen yrityksen jälkeen jouduin antamaan periksi ja pyytämään Artulta apua. Taisi johtua siitä että siinä vaiheessa kello oli jo aika paljon, ja minä väsynyt, mutten jotenkin ollut tajunnut että voisin hyödyntää kyselyjä, ja niiden avulla päivittää tietoa pienalue-tietokantaan. Mutta sen jälkeen asiat alkoivat sujua paremmin, ja sain jopa kartan tehtyä! Lopuksi kokeilin myös erilaisten teemojen laittamista päällekkäin koropleettikarttani päälle (graduated, koropleetti) mutta pylväät toimivat mielestäni lopulta parhaiten.

KK5pylväätpääkorjattuVALMIS2
Kuva 1 Vuosina 1965- 1970 rakennettujen kerrostalojen osuus kaikista kerrostaloista pääkaupunkiseudulla, sekä sillä aikavälillä rakennettujen kerrostalojen lukumäärä.

 

Olen ihan tyytyväinen karttaani (Kuva 1), ja mielestäni se on aika selkeä (vaikka voi tosin vähän miettiä, miten paljon se oikein kertoo putkiremonteista). Kartasta siis näkyy koropleettikarttana (luokkajako Natural Break) vuosina 1965 – 1970 rakennettujen kerrostalojen osuus kaikista pienalueen kerrostaloista, ja pylväinä näkyy sillä aikavälillä rakennettujen kerrostalojen lukumäärä. Teoria siis oli, että 1965 – 1970 rakennetut kerrostalot alkaisivat nyt olla siinä kunnossa, että putkiremontti olisi tarpeen. Siksi laadittiin eräänlainen ”putkiremontti-indeksi” josta voisi nähdä millä alueilla putkiremonttifirmoilla tulisi olemaan hyvät apajat. Tosin todellisuudessa uskoisin, että kartta kertoo enemmän siitä, millä alueilla siihen aikaan on rakennettu eniten (eli kasvualueet), koska onhan ihan mahdollista että joidenkin talojen putket on jo ehditty korjata aiemmin yms. Myös Virve Norja (2016) oli tehnyt kartan samasta aiheesta kuin minä, ja karttamme näyttävätkin aika samankaltaisilta, vaikka olemme valinneet hiukan eri luokkavälejä ja värejä. Olen myös samaa mieltä hänen kanssaan siitä, että kartta toimii parhaiten kun nolla-arvoille ei anneta omaa väriä. Sen lisäksi taustakartan lisääminen oli mielestäni häneltä fiksu veto! Tosin se olisi ehkä ollut omassa kartassani hiukan liikaa yhdistettynä sekä koropleettikarttaan että pylväisiin.

Tällä hetkellä tuntuu, että osaan aika hyvin tehdä erilaisia teemakarttoja (vaikka legendan mittakaavojen kanssa on ollut jonkin verran ongelmia). Olen myös ruvennut tajuamaan miten erilaisia kyselyjä voi tehdä (ja miten niitä voi tallentaa omiksi tietokannoiksi) ja nykyään uusien sarakkeiden lisääminen taulukkoihin tai niiden muokkaaminen ei tunnu mitenkään vaikealta. Myös Boundary Select- ja Statistics-työkalut, joihin tutustuttiin tänään ovat mielestäni helppoja käyttää sekä hyödyllisiä, koska niiden avulla voi helposti analysoida haluttuja kohteita. MapInfo ei siis tunnu ihan yhtä hankalalta käyttää kuin kurssin alussa, ja moni kysymysmerkki on hävinnyt, mutta en kyllä pärjäisi kovinkaan hyvin ilman ohjeita. Jostain syystä on aika vaikea muistaa ulkoa miten kaikkia asioita tehtiinkään. Joskus tuntuu myös siltä, ettei millään keksi mitä menetelmää käyttäisi että saisi jonkun ongelman ratkaistua. Tosin olen aika varma että jos vain harjoittelisin lisää asiat rupeaisivat pikku hiljaa sujumaan paremmin ulkomuistista.

Puskurivyöhykkeet ovat mielestäni aika käteviä, etenkin kun halutaan tutkia tietynlaisten kohteiden sijaintia suhteessa erilaisiin ilmiöihin. Tällaisia analyysejä, missä esim. asukkaiden lukumääriä tiettyjen etäisyyksien sisällä asemien ja lentokenttien kiitoradoista tutkittiin, tehtiinkin aika paljon kurssikerran harjoituksissa. Puskurivyöhykkeiden käytöstä voisi olla hyötyä myös muun muassa suunnittelussa (minne rakennuksia, esim. kauppoja tai kouluja pitäisi rakentaa), tai vaikkapa luonnonsuojelussa (esim. suojavyöhykkeidem laatiminen, etäisyydet tehtaista vesistöihin yms). Buffereiden avulla voidaan myös havainnoida projektioiden vaikutus kohteiden muotoihin ja kokoihin (Thierry_G 2014). Puskurivyöhykkeillä on kuitenkin myös rajoitteensa. Kuten Virve Norja (2016) blogissaan huomattaa, puskurivyöhykkeet ovat käytännöllisiä, mutta ne eivät aina välttämättä kuvaa todellisia vaikutusalueita todenmukaisesti. Tämä näkyi etenkin Helsinki-Vantaan melualueisiin liittyviin tehtäviin.

Tällä kurssikerralla huomasin selkeästi sen, miten itse ohjelman käyttäjä voi rajoittaa MapInfon kykyä ratkaista ongelmia. MapInfon avulla voi luultavasti tehdä suuria määriä erilaisia analyysejä ja esityksiä, mutta jos ei tiedä mitä eri työkalut tekevät, tai mitä ruutujen ruksiminen aiheuttaa, ohjelma tuntuu kankealta ja kömpelöltä. MapInfo ei siis ole kovinkaan intuitiivinen ohjelma, vaan usein asian oivaltaminen vaatii sen että joku toinen ensin näyttää esimerkkiä. Sanoisin, että MapInfoa käyttäessä pitää aina myös miettiä asioita jonkin verran itse, ohjelma ei tee itse kaikkea (mikä on sinänsä ihan hyvä, koska muuten kukaan ei oppisi mitään). Muutaman kerran minusta on kuitenkin tuntunut siltä, ettei ohjelma ole antanut minun tehdä kaikkea mitä haluaisin, mutta on aika vaikea sanoa jos se oikeasti johtuu siitä ettei MapInfo pysty siihen, vai siitä etten yksinkertaisesti tiedä miten se tehdään… Tällaisina hetkinä tulee usein vähän turhautunut olo. Tietysti myös aineiston tyyppi, tietomäärä ja tarkkuus vaikuttavat siihen millaisia analyysejä voi tehdä, joten kaikki ei ole ohjelmasta kiinni. Jos päivän harjoitusten pistekohteisiiin ei olisi tallennettu attribbuuttidataa (asukkaiden määrä, talon rakennusvuosi, asukkaiden ikä…) ei aineistolla olisi pystytty tekemään kauheasti mitään.

Jälleen kerran opin paljon uusia asioita (vaikka välillä kyllä tuntui etten koskaan saisi kaikkia tehtäviä tehtyä tai minkäänlaista karttaa aikaiseksi)…onneksi asiat eivät enää tunnu yhtä vaikeilta hyvin nukutun yön jälkeen. Jos MapInfo alkaa hermostuttaa, kannattaa siis hidastaa tahtia, tai jopa ottaa tauko, ja tehdä välillä jotain muuta. 🙂

Lähteet:
Norja, V. (2016). Viides kurssikerta – Bufferointia ja sekalaista hauskanpitoa MapInfon kanssa https://blogs.helsinki.fi/novino/2016/02/24/viides-kurssikerta-bufferointia-ja-sekalaista-hauskanpitoa-mapinfon-kanssa/ Luettu 26.2.2016

Rikberg, J. (2016). Kursgång 5: Buffertzoner https://blogs.helsinki.fi/jrikberg/2016/02/24/kursgang-5-buffertzoner/ Luettu 26.2.2016

Thierry_G. (2014). Distances on a world map: the classic geodetic blunder https://georeferenced.wordpress.com/2014/05/22/worldmapblunders/ Luettu 26.2.2016

Kurssikerta 4: Pisteistä ruutuihin

Neljännellä kurssikerralla jatkettiin tietokantojen käsittelyä sekä tutustuttiin pisteaineistoihin ja ruutukarttoihin. Ruutukartta on siis kartta, jossa esitetään paikkaan sidottua tietoa, vaikkapa pisteaineistoa, samankokoisten ruutujen avulla ruudukossa. Koropleettikartoista poiketen ruutukarttojen tekoon ei siis tarvita valmiita aluejakoja, joten ne soveltuvat hyvin absoluuttisten arvojen esittämiseen.

Päivän varsinaisena tehtävänä olikin laatia oma ruutukartta hyödyntäen annettua aineistoa, joka sisälsi pistemäistä tietoa jokaisesta pääkaupunkiseudun (Espoo, Kauniainen, Helsinki, Vantaa) asuinrakennuksesta ja sen asukkaista. Ruutukartan laatiminen MapInfossa oli loppujen lopuksi aika suoraviivaista: alue peitettiin ensin halutun ruutukoon ruudukolla, ja sen jälkeen jokaisen yksittäisen ruudun arvo määriteltiin sen sisälle jäävien pisteiden (tässä tapauksessa rakennusten) ja niiden tietojen avulla. Samalla pääsin kertaamaan aiemmin opittua uusien sarakkeiden lisäämistä ja päivittämistä tietokantoihin.

Asuinrakennus-tietokannasta löytyi tietoa muun muasta rakennuksen asukkaiden iästä, sukupuolesta ja kielestä, joten päätin, että tekisin kartan joka esittäisi eläkeläisten, eli yli 65-vuotiaiden, määrää pääkaupunkiseudulla. Tätä varten laadin uuden sarakkeen tietokantaan, ja laskulausekkeen avulla laskin jokaisen asuinrakennuksen 65-vuotiaat ja sitä vanhemmat asukkaat.

Kuva 1 Eläkeläisten lukumäärä pääkaupunkiseudulla. Ruudut: 250 x 250 m

Kokeilin ruutukartan tekoa kolmella eri ruutukoolla: 250 x 250 metriä, 500 x 500 metriä ja 1000 x 1000 metriä. Käytin jokaiseen karttaan Natural Break-luokkajakoa, eli luonnollisia luokkavälejä. Tämä johtui siitä, että kvantiileja hyödyntämällä korkeimmasta luokasta olisi tullut hyvin laaja, joten siihen mahtui hyvin paljon vaihtelua (eli kartoista olisi periaatteessa tullut melkein yksivärisiä).

Kuva 2 Eläkeläisten lukumäärä pääkaupunkiseudulla. Ruudut: 1000 x 1000 m

250 x 250 metrin ruutukoko tuntui minusta hiukan liian yksityiskohtaiselta (Kuva 1), koska kaikki puistot yms. rakennuksettomat alueet näkyivät turhan hyvin, ja tekivät kartasta vaikean tulkita ja fragmentaarisen. Ruudut olivat myös niin pienet, että niitä oli vähän vaikea nähdä. Kun ruutukoko on liian pieni, erilaisia trendejä yms. on myös vaikeampi havaita laajalta alueelta. 1000 x 1000 metrin (Kuva 2) ruutuja käytettäessä ongelma oli mielestäni vuorostaan päinvastainen, eli mittakaava oli aineistolle hiukan liian pieni. Yleistyksiä tehtiin paljon, ja ne alueet joilla kukaan ei todellisuudessa asu erottuivat aika huonosti. Samaten sellaiset ruudut, joiden alueilta löytyi alhainen määrä eläkeläisiä korostuivat tällä ruutukoolla mielestäni hiukan liikaa (vaikka ruudun alueella asuisi vain yksi eläkeläinen pikku mökissä, koko 1 km2 kokoinen ruutu värjäytyy). Koska 250 metrin ruudut tuntuivat liian pieniltä ja 1000 metrin liian isoilta, päädyin tekemään lopullisen ruutukarttani hyödyntämällä 500 x 500 metrin ruutukokoa (Kuva 3). 500 x 500 metrin ruutuja käyttäessä kartta oli mielestäni sopivan informatiivinen; ei liian yksityiskohtainen eikä liian yleistävä.

KK4eläke500_versi2pieni
Kuva 3 Valmis ruutukartta, joka esittää eläkeläisten lukumäärä pääkaupunkiseudulla. Jokaisen ruudun koko on 500 x 500 metriä.

Valmiista kartasta näkyy siis eläkeläisten lukumäärä pääkaupunkiseudulla esitettynä ruudukon avulla, jonka ruutukoko on 500 x 500 metriä. Lukemisen helpottamiseksi kartalle on myös merkitty Espoon, Vantaan, Kauniaisen ja Helsingin pienalueet, sekä kuntien nimet. Kartasta näkee nopeasti, että eläkeläisten määrä on alhaisin Espoon eteläosissa, Vantaan länsiosissa ja Helsingin itäosissa (eli Östersundomin läheiset alueet). Eläkeläisten lukumäärä on vuorostaan suurin eteläisessä Espoossa, Vantaan keskiosissa sekä monissa Helsingin osissa. Myös Kauniaisissa vaikuttaa asuvan hiukan enemmän eläkeikäisiä kuin sitä ympäröivällä alueella.

Uskoisin, että eläkeläisten määrä/ruutu monin paikoin suoraan liittyy alueen asukastiheyteen. Kun asutaan tiheästi, samaan ruutuun mahtuu nimittäin huomattavasti isompi määrä ihmisiä asumaan (esim. kerrostaloasuminen verrattuna omakotitaloasumiseen). Samaten harvaan asutuista paikoista löytyy yleensäkin vähemmän ihmisiä (eli silloin kaikkien ikäryhmien edustajia on vähemmän). Siinä tapauksessa suuri eläkeikäisten lukumäärä selittyisi yksinkertaisesti sillä, että kyseisten ruutujen alueella vain sattuu asumaan enemmän ihmisiä. Tämä selittää ainakin sen, miksi Helsingin alueelta monin paikoin löytyy niin monta eläkeläistä: kunnan väkiluku on huomattavasti isompi kuin ympäryskuntien.

Kun ruutukarttaa vertaa oikeaan pääkaupunkiseudun karttaan huomaa selkeästi myös sen, että kartan tyhjät alueet yleensä sijoittuvat metsäalueiden tai muiden asumattomien alueiden päälle (. Hyviä esimerkkejä tästä ovat muun muassa Espoon Nuuksio, Helsingin Östersundom ja Santahamina, sekä Helsinki-Vantaan lentokenttä. Kiinnostavimmat alueet olisivat siis ne, jossa eläkeläisten lukumäärää joko on isompi tai pienempi kuin asukasmäärästä voisi olettaa. Näitä alueita on kuitenkin vaikeaa löytää ilman karttaa pääkaupunkiseudun asukasmääristä. Tämä on mielestäni yksi ruutukartan heikkouksista, koska jos valitsee kuvattavan aiheen vähän hassusti (kuten minä) karttaa voi olla hankala tulkita järkevästi, ellei käytössä ole toista karttaa joihin oman kartan tietoja voi verrata.

Myös Jasmina Myllys (2016) teki karttansa samasta aiheesta kuin minä, eli yli 65-vuotiaista, ja ruutukokoa lukuunottamatta karttamme näyttävätkin aika samanlaisilta. Myllys on myös tullut samaan päätökseen kuin minä, eli siihen, että eläkeikäisten lukumäärä pitkälti korreloi alueen väkiluvun kanssa. Hän kirjoittaa myös, että kartasta voisi olla hyötyä sellaiselle ihmiselle, joka on perustamassa vanhuksille suuntautuvaa yritystä ja etsii alueita missä mahdollisia asiakkaita olisi riittävästi. Ajatus on minusta oikein hyvä, vaikka itse en varmaan olisi tullut sitä ajatelleeksi!

Lukijaa ajatellen olisi varmasti ollut fiksua lisätä karttaan jonkun pienen sijaintikartan josta ilmenisi kuntien sijainti Suomessa (ja Kauniaisen kunnan nimi!). Karttani olisi myös voinut hyötyä jonkinlaisesta taustasta, joka olisi saanut vaaleimmat ruudut erottumaan paremmin, tai tiestön lisäämisestä (asutus kun tuuppaa keskittymään isojen teiden läheisyyteen), kuten Anu Wicklundin kartassa. Mutta, näistä puutteista huolimatta olen ihan tyytyväinen karttaan, koska luokkien värit erottuvat toisistaan hyvin ja karttaa on myös aika helppoa ymmärtää ja lukea (vaikkei se ehkä olekaan niin informatiivinen).

Mielestäni ruutukarttojen informaatioarvo on aika korkea, koska voidaan havainnollistaa vaihtelua myös erilaisten alueiden sisällä (jos siis esim. kuntien rajat tai muiden alueiden rajat kuvataan ruutuaineiston päällä). Sen lisäksi ruutuiainestosta voi helposti laatia yksityiskohtaisia karttaesityksiä, eikä tarvitse yleistää niin paljon kuin koropleettikartassa. Kuten Tuomas Tavi (2016) blogissaan kirjoittaa, ruutukartat kuvaavat todellisuutta paremmin kuin koropleettikartat, koska monet ilmiöt eivät loppujen lopuksi seuraa hallinnollisten alueiden, kuten kuntien, rajoja. Koropleettikartoissa ei myöskään voi esittää muita kuin suhteellisia arvoja johtuen karttatyypin vaatimasta valmiista aluejaosta (Koponen 2012). Mutta, jos halutaan kuvata kahden eri ilmiön suhdetta, olen kyllä sitä mieltä, että erilaiset koropleettikartta-yhdistelmät (joihin tutustuttiin toisella kurssikerralla) toimivat ruutukarttoja paremmin.

Vaikka ruutukartat vaativat hiukan enemmän omaa pohdintaa kuin koropleettikartat (etenkin kun ruudut ovat pienet), niitä on mielestäni silti helpompaa lukea kuin pistekartat. Tietysti pistekarttojen antama tieto on huomattavasti yksityiskohtaisempaa kun tulee kohteiden sijaintiin, mutta tämä ei aina tee hyvää kartan luettavuudelle. Yksittäisten pisteiden löytäminen ja laskeminen vie esimerkiksi paljon aikaa, jota kärsimättömällä lukijalla ei luultavasti ole. Kun pisteaineisto sen sijaan esitetään ruudukon avulla, siitä saa helpommin jonkinlaisen yleiskuvan. Yleensähän se menee niin, että kun yleistyksen taso nousee, informaation määrä laskee samalla kun luettavuus paranee. Ruutukarttaa laatiessa olisikin tärkeä miettiä käytettävää yleistyksen tasoa, eli ruutujen kokoa, tarkkaan.

Tunnin lopussa kokeiltiin myös rasterikuvan rekisteröintiä koordinaatistoon, sekä MapInfossa piirtämistä (mikä osoittautui hiukan hankalammaksi kuin CorelDrawissa piirtäminen, tuli piirto-ohjelmaa oikein ikävä). Siitä lisää ensi kerralla!

PS. Pahoittelut romaanin pituisesta tekstistä.

PPS. Kuten sanoin viime kerrankin jälkeen: tietokantoja muokatessa kannattaa olla tarkkana…muuten kaikesta tulee helposti yhtä sotkua. 😀

Lähteet:
Koponen, J. (2012). Lapsiperheiden kantakaupunki – vai väärin laadittu koropleettikartta? http://informaatiomuotoilu.fi/asiasanat/koropleettikartat/ Viitattu 15.2.2016

Myllys, J. (2016). 4. kurssikerta: pisteitä ja ruutuja. https://blogs.helsinki.fi/myllyjas/2016/02/12/4-kurssikerta-pisteita-ja-ruutuja/ Viitattu 15.2.2016

Pääkaupunkiseudun kaupunginosarajat – pienalueet (2014). Helsingin kaupungin kaupunkimittausosasto. https://www.google.com/maps/d/viewer?mid=zc1c-vV5SDsA.kXPKOc3_yYXw Viitattu 16.2.2016

Tavi, T. (2016). 4. Blogikirjoitus ̶  Ulkomaalaisten reikä Kauniaisissa sekä Libyan muuttuva tilanne. https://blogs.helsinki.fi/tugtavi/2016/02/15/4-blogikirjoitus-%CC%B6-ulkomaalaisten-reika-kauniaisissa-seka-libyan-muuttuva-tilanne/ Viitattu 15.2.2016

Wicklund, A. (2016). Kurssikerta 4 — Ruudukot ja rasterikartat MapInfossa. https://blogs.helsinki.fi/awicklun/2016/02/13/kurssikerta-4-ruudukot-ja-rasterikartat-mapinfossa/ Viitattu 15.2.2016

Kurssikerta 3: Tietokantaseikkailua

Kolmanella kurssikerralla keskityttiin tietokantoihin ja niiden käsittelyyn sekä rakenteeseen. Harjoittelimme kurssikerran aikana muun muassa tietojen yhdistämistä tietokannan sisällä, tietokantojen tuomista MapInfoon ja eri tietokantojen yhdistämistä (joko nimen tai sijainnin avulla). Opin myös miten uusia sarakkeita luodaan tietokantaan, ja sen miten uutta tietoa voi tuottaa laskulausekkeiden avulla. Tietokantoja käsitellessä kannattaa muuten olla huolellinen ja tuplatarkistaa että tiedot ovat varmasti oikein, koska muuten tulee helposti ongelmia (kuten minulle, kun laskulausekkeeseen eksyi väärän sarakkeen nimi…).

Aluksi harjoiteltiin Afrikan kartalla, sekä taulukolla johon oli koottu tietoa Afrikan maista. Aineistoon sisältyi maiden nimien ja koodien lisäksi myös tietoa muun muassa asukasmääristä ja internetkäyttäjistä. Taulukkoon tuotiin tunnin aikana myös tietoa siitä, kuinka monta öljykenttää, timanttikaivosta ja konfliktialuetta jokaisesta Afrikan maasta löytyy. Tämä tehtiin yhdistämällä kolme eri tietokantaa alkuperäiseen Afrikka-aineistoon kohteiden (öljykentät, timanttikaivokset, taistelukentät) sijainnin, ei nimen, avulla.

Kuva 1 Afrikan konfliktit, timanttikaivokset ja öljykentät. Konflikteja vaikuttaa olevan hiukan enemmän siellä missä luonnonvaroja on enemmän, mutta ne saattavat myös johtua muista tekijöistä. Kuvaa klikkaamalla kartta aukeaa isompana.

Kun tietokantaa ja siitä syntynyttä karttaa (Kuva 1) tarkasteli, huomasi aika nopeasti, että konfliktit ja luonnonvarat, etenkin öljy, monessa paikassa, vaikuttivat liittyvän toisiinsa: usein konfliktejä oli sitä enemmän, mitä enemmän luonnonvaroja alueelta löytyi. Tällainen trendi oli näkyvissä muun muassa Angolassa, Namibiassa ja Kongon demokraattisessa tasavallassa. Olenkin aina kuvitellut, että taloudellisesti arvokkaat luonnonvarat voisivat aiheuttaa konflikteja, joten tämä tuntui loogiselta. Mutta, myös poikkeuksia esiintyi jonkin verran: esim. Rwandassa, Tunisiassa ja Ugandassa konflikteja oli paljon, vaikka öljyä tai timantteja ei ollut. Kaikkein eniten konflikteja (104) löytyi esimerkiksi Etiopiasta, josta löytyy vain yksi ainoa öljykenttä. Onkin hyvä muistaa että Afrikasta löytyy myös muunlaisia luonnonvaroja kuin yllämainitut, ja että konfliktejä voi syntyä monesta eri syystä. Monilla mantereen ongelmilla on esimerkiksi juurensa kolonialismin ajoissa, ja etenkin köyhyys on vahvasti kytköksissä konflikteihin (Waller 2015). Joten, kuten Elsa Pakkasvirta (2016) fiksusti blogissaan toteaa, on hyvä muistaa että konfliktien takana yleensä on monta erilaista tekijää, eikä kartasta siksi kannata vetää liian hätäisiä johtopäätöksiä.

Yksi kurssikerran tehtävistä oli myös pohtia, mitä yllämainituilla tiedoilla voisi tehdä tai päätellä, kun tietokantoihin niiden lisäksi on tallennettu tietoa myös näistä muuttujista:

Konfliktin tapahtumavuosi
-Konfliktin laajuus/säde kilometreinä
-Timanttikaivosten löytämisvuosi
-Timanttikaivoksen kaivausten aloitusvuosi
-Timanttikaivosten tuottavuusluokittelu
-Öljykenttien löytämisvuosi
-Öljykenttien poraamisvuosi
-Öljykenttien tuottavuusluokittelu
-Internetkäyttäjien lukumäärä eri vuosina

Näiden tietojen avulla voisi varmasti tehdä kaikenlaisia mielenkiintoisia analyysejä. Tässä olisi muutama mieleeni tupsahtanut idea:
– Miten luonnonvaran löytämisvuosi liittyy konfliktien tapahtumaan? Ovatko konfliktit siis tapahtuneet luonnonvarojen löytämisen jälkeen vain ennen?
– Lisääkö timanttikaivoksen/öljykentän korkea tuottavuus konfliktiriskiä (eli vaikuttaako tuottavuus samalla tavalla kuin luonnonvarojen määrä)?
– Entä nostaako tuottava luonnonvara internetin käyttäjien määrää?
– Ovatko konfliktialueiden koot kasvaneet ajan myötä?
– Miten suuri osuus konflikteista sijaitsevat luonnonvarojen läheisyydessä?
– Konfliktien ja luonnonvarojen vaikutus internetin käyttäjämääriin (+ vai -?)

Voisin kuvitella, että suuri luonnonvarojen määrä/muutamat hyvin tuottavat luonnonvarat nostaisivat maan kehitystasoa, jolloin internetinkäyttäjienkin määrä pitäisi nousta (olettaen etteivät kansainväliset yritykset vievät suurimman osan voitosta…). Tosin kuvittelisin että luonnonvarat voisivat myös lisätä konfliktiriskiä, etenkin jos naapurimaat ovat köyhiä ja resurssien tarpeessa.  On myös todennäköistä että konfliktit saavat internetin käytön laskemaan, etenkin jos tietoyhteyksiä yms. tuhotaan. Olisikin mielenkiintoista nähdä, jos ja miten asiat oikein liittyvät toisiinsa!

Kurssikerran varsinaisena tehtävänä oli luoda kartta, josta ilmenisi sekä Suomen valuma-alueiden (tai itse asiassa päävesistöalueiden) tulvaindeksi että niiden järvisyys. Tämä tehtiin yhdistämällä ja käsittelemällä tietokantoja ohjeiden mukaan niin kuin oltiin juuri opittu. Tein tämän yhdessä vieruskaverin kanssa (en tajunnut kysyä nimeäsi, ilmoittaudu jos tunnistat itsesi!), ja homma sujui huomattavasti helposti kun löimme viisaat päämme yhteen! Tulvaindeksi laskettiin jakamalla keskiylivirtaama keskialivirtaamalla (MHQ/MNQ), ja koska tulvaindeksin jakauma oli kovin vino, päädyin käyttämään kvantiileja luokitteluun (Equal Count). Koska luokkavälit olivat aika hassut jouduin kuitenkin muokkamaan niitä hiukan, mutten ole vieläkään ihan tyytyväinen niihin.

KK3versio8pieni
Kuva 2 Suomen päävesistöalueiden tulvaindeksit sekä järvisyys (%). Kartasta näkyy myös joet sekä järvet.

Valmiista kartasta (Kuva 2) näkyy siis Suomen valuma-alueet sekä niiden tulvaindeksit (koropleettikartta)  ja järvisyys (pylväät, %). Mitä tummempi valuma-alue on, niin sitä korkeampi tulvaindeksi, ja sen myötä tulvariski, on. Valitsin sinisiä sävyjä, koska sinistä yleensä yhdistetään veteen.

KK3versio8pelkistetty
Kuva 3 Suomen päävesistöalueiden tulvaindeksit sekä järvisyys (%). Pelkistetty versio ilman järviä tai jokia.  Kuvaa klikkaamalla kartta aukenee isompana.

Kartasta näkyvät myös järvet ja joet, jotka lisäsin siksi, että niiden määrä ja sijainti kiinnosti minua. Ne eivät kuitenkaan tuo hirveästi lisää tietoa karttaan, kun järvisyysprosentti on jo merkitty siihen. Olisin siis yhtä hyvin voinut jättää ne pois, koska ne tekevät kartasta myös hiukan sekavan oloisen. Siksi tein myös pelkistetyn kartan, jossa jokia ja järviä ei näy (kuva 3). Kun vertaa muiden kurssilaisten karttoihin, huomaakin että useimmat ovat jättäneet järvet ja joet pois (esim. Pakkasvirta 2016). Muutenkin kurssilaisten kartat muistuttavat aika paljon toisiaan tällä kertaa, oikeastaan vain väritys ja luokkajaot eroavat toisistaan.

Kun tutkii karttaa, huomaa että tulvaindeksi on korkein Suomen rannikkoalueilla ja pohjoisosissa.  Sisämaassa valuma-alueiden tulvaindeksit ovat vuorostaan huomattavasti alhaisemmat. Järvisyys vaikuttaa hillitsevän tulvia, koska nillä valuma-alueilla joiden järvisyysprosentit ovat korkeimmat, on yleensä myös alhainen tulvaprosentti. Kaikilla korkean tulvaindeksin valuma-alueilla on vuorostaan alhainen järvisyysprosentti. Tämän lisäksi  niillä valuma-alueilla joilla on alhaisempi tulvaindeksi kuin naapurialueillaan, on myös korkeampi järvisyysprosentti. Eli jos järviä ja jokia on paljon, myös tulvariski on pienempi. Saman asian myös muutkin kurssilaiset ovat huomanneet, riippumatta luokkajaosta (esim. Marttila 2016). Tämä johtuu todennäköisesti siitä, että järvet, Jon Rikbergiä (2016) lainaten, ”ikään kuin jarruttavat veden virtausta”. Järvet siis nielevät kevät- ja syystulvien vedet huomattavasti paremmin kuin matalat joet, joissa vedenkorkeus saattaa nousta nopeasti (Närings-, trafik- och miljöcentralen 2013). Jos maa on kaltevaa, vesi valuu aika nopeasti pois, mutta jos maisema on tasaista, vettä kertyy helposti, jollloin tulvia syntyy.

Esimerkiksi Pohjanmaalla tulvat ovat tuttu ilmiö, etenkin keväisin ja syksyisin, koska virtaamaa tasoittavia järviä on aika vähän (Närings-, trafik- och miljöcentralen 2013). Koska alue sen lisäksi on alavaa, tulvien vaikutukset voivat olla hyvin laajat. Rannikkoalueilla tulvien riskiä lisää myös läheisyys mereen, mutta sisämaassa tulvat ovat yleensä seurausta rankkasateista tai sulavesistä.

Karttaa tutkiessa on myös hyvä muistaa, etteivät valuma-alueet noudata valtioiden rajoja. Esimerkiksi pohjois-Suomessa valuma-alueet jatkuvat Ruotsin ja Norjan rajojen ylitse. Rannikoiden valkoiset, ”tyhjät”, alueet eivät myöskään ole vahinko, vaan ne alueet joiden vedet valuvat suoraan mereen, eli rannikkoalueet, on jostain syystä tahallisesti jätetty pois (Paikkatietoikkuna 2016).

Olen tyytyväinen etenkin kartan värimaailmaan, mutta luokkajako (kuten aina) ja pylväiden päällekkäisyys sekä pienten arvojen vaikealukuisuus hiukan häiritsevät minua. Mutta, ehkä vielä jossain vaiheessa opin tekemään kauniita pylväskarttoja. Tämän kerran jälkeen tunnen ainakin ymmärtäväni MapInfoa ja sen mahdollisuuksia hiukan paremmin, tosin tarvitsen kyllä vielä ohjeista tukea ennen kuin tietokantojen kanssa seikkaileminen sujuu ulkomuistista.

PS. Jos siniset kartat (niin kuin minun) alkavat tympiä, kannattaa vilkaista Elsa Pakkasvirran tai Vesa Nousiaisen karttoja, joissa on käytetty vähän erilaisia värejä. Joskus rohkea värivalinta joka saa erottumaan joukusta voi kannattaa, vaikka kyseistä väriä olisikin vähän vaikeampi yhdistää kuvattavaan ilmiöön. 🙂

Lähteet
Nousiainen, V. (2016). Kolmas kurssikerta paikkatietoa. https://blogs.helsinki.fi/vmnousia/2016/02/07/kolmas-kurssikerta-paikkatietoa/ Viitattu 8.2.2016

Marttila, S. (2016). KK3: Tietotulvakarttoja. https://blogs.helsinki.fi/sallamar/2016/02/04/kk3-tietotulvakarttoja/ Viitattu 8.2.2016

Pakkasvirta, E. (2016). Kolmas kurssikerta – syvissä vesissä (heh) valuma-alueilla, Afrikassa ja muutenkin. https://blogs.helsinki.fi/elspakka/2016/02/04/kolmas-kurssikerta-syvissa-vesissa-heh-valuma-alueilla-afrikassa-ja-muutenkin-2/
Viitattu 8.2.2016

Rikberg, J. (2016). Kursgång 3. https://blogs.helsinki.fi/jrikberg/2016/02/04/kursgang-3/ Viitattu 8.2.2016

Valuma-aluejako (2016). SYKE. Paikkatietokkuna. http://www.paikkatietoikkuna.fi/web/fi/kartta Viitattu 8.2.2016

Waller, M. (2015). Köyhyyden poistaminen avain aseellisten konfliktien pysäyttämiseen. http://ydinlehti.fi/numero-2015-2/koyhyyden-poistaminen-avain-aseellisten-konfliktien-pysayttamiseen/ Viitattu 8.2.2016

Översvämningsskydd för småhus (2013). Närings-, trafik- och miljöcentralen. https://www.ely-keskus.fi/documents/10191/56139/EPO+Pientalon+tulvaopas+-svenska/dbf3ccc0-3c13-4ee9-b74c-70d19ca2dfdc Viitattu 8.2.2016

Artikkeli 1: Kahden muuttujan koropleettikartat

Artikkelissa ”Two-variable choropleth maps as a useful tool for visualization of geographical relationship” vuodelta 2006, A. Leonowicz kirjoittaa päällekkäisistä koropleettikartoista sekä niiden hyödyistä ja haitoista. Tämän tyypin kartoissa kahta ilmiötä esitetään samaan aikaan eri värein, jolloin tarkoituksena on kuvata muuttujien välistä suhdetta. Mutta, näiden karttojen sisältämä suurempi informaatiomäärä tarkoittaa myös sitä, että niitä voi olla huomattavasti vaikeampi tulkita kuin yhden muuttujan karttoja. Jotta lukija ymmärtäisi näkemänsä, kahden muuttujan koropleettikarttojen olisikin oltava graafisesti selkeitä eikä erilaisia väriluokkia saisi olla liikaa.

Kahden muuttujan koropleettikarttoihin en ole aiemmin törmännyt, joten niistä lukeminen oli oikein kiinnostavaa. Mielestäni onkin hyvä, että eri tapoja esittää asioita on olemassa, sillä hiukan erikoiset kuvaustavat yms. herättävät herkemmin ihmisten huomion. Jos koko ajan näkisi ainoastaan yhden tyypin teemakarttoja, voisin kuvitella että niihin turtuisi aika nopeasti! Kaikki kuvaustavat eivät myöskään sovi yhtä hyvin kaikille aineistolle, joten uskoisin että sekä kartan tekijä että lukija hyötyvät suuremmasta valinnanvarasta. Olen myös samaa mieltä kirjoittajan sekä Veera Karvosen (2016) kanssa siitä, että oikein tehtyinä kahden muuttujan koropleettikartat voivat toimia tehokkaina välineinä eri ilmiöiden yhteyksien kuvaamisessa. On nimittäin huomattavasti helpompaa nähdä muuttujien väliset suhteet jos ne näkyvät suoraan samasta kartasta, kuin jos on pakko katsoa kahta eri karttaa vierekkäin!

Artikkelin karttojen legenda oli aika erikoinen, ja poikkesi aika paljon minulle tutusta ”symboli ja selitys”-legendasta, missä kaikki symbolit ja värit kuvataan luettelona selityksineen. Tässä tapauksessa legenda koostui siis 3×3 ruudukosta (tai 4×4), ja kartassa esitettyjen kahden muuttujan luokat kuvattiin sen x- ja y-akselilla (eli yksi muuttuja per akseli). Molemmille muuttujille oli annettu oma päävärinsä, tässä tapauksessa punainen ja sininen. Sen lisäksi jokaiselle luokkayhdistelmälle, eli ruudukon ruudulle (x * y), oli vuorostaan annettu omat värinsä, jotka muodostuivat päävärien erilaisista sekoituksista (eli eri punaisen, sinisen ja violetin sävyjä). Tämä kuulostaa varmaan vähän sekavalta, ja on pakko myöntää että minunkin oli ensin hiukan vaikea ymmärtää miten legendaa oikein pitäisi lukea (ja sitä vaikeampi, mitä enemmän värejä). Siksi Niko Pelkosen (2016) idea jonkinlaisen kuvaohjeen lisäämisestä legendan yhteyteen on minusta todella fiksu, ja uskon että se helpottaisi monen elämää. Koska sitten kun legendan jujun vihdoinkin tajuaa, huomaa ettei se loppujen lopuksi ollutkaan niin vaikeaa.

Kahden muuttujan koropleettikarttojen suurin ongelma onkin käsittääkseni se, että niiden ymmärtäminen (ja etenkin legendan ymmärtäminen) vaatii lukijalta huomattavasti enemmän omaa pohdintaa ja ajankäyttöä verrattuna yhden muuttujan karttoihin. Etenkin legendan ymmärtäminen voi olla haasteellista, mikä on ongelmallista, koska ilman sitä karttaa ei oikein pystytä tulkitsemaan. Jos lukijalla on kiire, tai aihe ei kiinnosta, onkin mahdollista että kartan sisältämä tieto ei hänelle avaudu ollenkaan. Siinä tapauksessa lukija saattaisi hyötyä enemmän yhden muuttujan kartasta, jota katsoessa ei tarvitse ajatella yhtä paljon. Uskoisin myös että tällaisen kartan laatiminen asettaa jonkin verran haasteita kartantekijällekin, koska ei varmaan ole helppoa päättää värien käytötstä tai uokkarajoista. Tutkiessani artikkelin kuvia huomasin itsekin tarvitsevani hiukan enemmän aikaa karttojen ymmärtämiseen kuin yleensä. Olen tosin aika varma siitä, että mitä enemmän tämän tyyppisiä karttoja näkee, niin sitä helpompi niitä on ymmärtää. Eli tässäkin tapauksessa harjoitus tekee mestarin.

Myös MapInfossa on mahdollista tehdä päällekkäisiä koropleettikarttoja, mutta ne eroavat jonkin verran artikkelin kartoista. Paikkatieto-ohjelmasta ei ensinnäkään vaikuta löytyvän ruudukko-legendaa vaihtoehtona, ja kartantekijän on turvauduttava erilaisiin rasteripintoihin kahden eri värin sekoitusten sijaan. Tosin MapInfo tarjoaa myös monta muuta vaihtoehtoista tapaa laatia kahden päällekkäisen teeman kartta, esim. yhdistelemällä piste-, pylväs- tai piirasdiagrammeja koropleettikarttoihin. Periaatteessa käytetty ohjelma siis hiukan rajoittaa kartantekijää (ja siten kartografista toteutusta) mutta uskoisin että motivoituneen ihmisen aina on mahdollista keksiä joku tapa kiertää ohjelman tuottamat esteet. Erilaisia kuvaustapoja on kuitenkin niin monia, että omalle aineistolle ihan varmasti löytyy joku toinen toimiva esitystapa siinä tapauksessa että alkuperäinen suunnitelma ei sittenkään toimi. Onkin hyvä muistaa että itse aineisto loppujen lopuksi rajoittaa ja määrittää valmiin kartan kuvaustapaa, luokkajakoa ja ulkonäköä huomattavasti enemmän kuin sen laatimiseen käytetty ohjelma.

Kahden muuttujan koropleettikartat voivat siis olla oikein kiinnostavia ja käytännöllisiä, etenkin jos halutaan kuvata kahden ilmiön välistä suhdetta. Mutta, ne vaativat kuitenkin enemmän aikaa ja pohdintaa sekä lukijalta että tekijältä, eikä niitä aina ole niin helppoa ymmärtää. Olen kuitenkin sitä mieltä, että niin kauan kuin niitä tehdään hyvin ja harkiten, tällaisista kartoista on enemmän hyötyä kuin haittaa. Olisin iloinen jos näkisin niitä tulevaisuudessa enemmän, koska silloin ehkä myös oppisin ymmärtämään niitä paremmin…

Lähteet:
Karvonen, V. (2016). Artikkeli 1. Kahden muuttujan koropleettikartta. VEERAN PAK-BLOGI. https://blogs.helsinki.fi/kveera/2016/02/01/artikkeli-1-kahden-muuttujan-koropleettikartta/ Viitattu 5.2.2016

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

Pelkonen, N (2016). Kurssikerta 2 – Teemaa teeman päälle. Nikon PAK-blogi. https://blogs.helsinki.fi/nikopelk/2016/02/02/kurssikerta-2-teemaa-teeman-paalle/ Viitattu 5.2.2016

Kurssikerta 2: Kaikenlaisia teemakarttoja

Toisen kurssikerran aikana tutustuttiin erilaisiin teemakarttoihin ja niiden käyttökohteisiin. Koska olin ollut sairaana ensimmäisenä kurssiviikkona, en ollut koskaan ennen käyttänyt MapInfoa ja olo oli aluksi hiukan eksynyt. Rupesimme aika nopeasti laatimaan erilaisia karttoja, ja huomasin että on aika helppoa jumiutua jos joku vaihe vahingossa jää väliin.

Pylväs-, piste- ja ympyrädiagrammeja olen nähnyt aika paljon aiemmin, mutta ”graduated”-tyypin kartta, jossa ilmiö esitetään sen arvojen mukaan muuttuvan symbolin avulla, oli minulle uusi tuttavuus. Myös Grid-teemakartta, jossa muuttuja kuvataan eräänlaisena liukuvärjättynä pintana, ja jota voidaan hyödyntää 3D-karttojen laatimiseen (wow!), oli mielestäni kiinnostava.

Kurssikerran tehtävänä oli tällä kertaa laatia kahden päällekkäisen teeman teemakartta. Tällainen teemakartta syntyy, kun yllä mainittuja teemakarttatyyppejä yhdistetään eri tavoin (usein koropleettikarttojen kanssa). Tämä on kätevää etenkin jos haluaa kuvata kahta toisiinsa liittyvää muuttujaa samaan aikaan. Myös kahta eri koropleettikarttaakin voi esittää päällekkäin, mutta kyseinen esitystapa tuntui minusta kuitenkin hiukan sekavalta ja vaikeasti luettavalta (Leonowicz 2006).

Pitkän pohdinnan ja muutaman kokeilun jällkeen (on todella vaikeaa valita joku tietty teema, kun on niin paljon kiinnostavia aiheita ja suurta valinnanvaraa!) päätin että tekisin kartan joka esittäisi rivi- ja pientaloissa asuvien asuinkuntien osuutta kaikista asuinkunnista (eli sekä asuntojen määrän. Valitsin nämä muuttujat, koska ne liittyivät selkeästi toisiinsa, ja ajattelin että voisi olla mielenkiintoista tutkia kuntien eroja asuinoloissa ja asuntomäärissä. Aineistot voisivat siis täydentää toisiaan. Sen lisäksi rivi- ja pientaloaineisto oli annettu suhteellisina arvoina, kun taas asuntomääräaineisto absoluuttisina arvoina, joten ajattelin että niistä voisi helposti laatia yhdistelmä koropleetti- ja graduatedkartasta. Tarkastelun kohteeksi valitsin tällä kertaa Uudenmaan kunnat, sillä kartasta olisi tullut kovin hankala lukea jos olisin käsitellyt koko Suomea.

Koska rivi- ja pientaloaineisto oli hyvin vinosti jakautunut, päädyin käyttämään Equal Count-luokitusta (eli kvantiileja, pyrkii tasaisiin havaintomääriin). Kokeilin myös luokituksen muokkausta käsin, mutten oikein saanut yhtään parempaa luokkajakoa aikaiseksi (mahdollisesti kokeilen uudestaan jossain vaiheessa, koska nyt kaikkein pienimmässä luokassa on aika paljon hajontaa). Luokkajakoja muokatessani huomasin myös yhden aika oudon asian; luulin että ranges-valikkoa muuttamalla myös itse kartan legenda olisi muuttunut, mutta jostain syystä jouduin sitäkin muokkaamaan manuaalisesti! Jos tätä ei huomaa voi vahingossa mennä niin että kartalla kuvatut värit eivät vastaa legendan kertomia lukuja. Eli pitää olla tarkkana.

KK2Versio2VALMISPIENI
Kuva 1 Uudenmaan kuntien asuntojen lukumäärä, sekä rivi- ja pientaloissa asuvien asuntokuntien osuus (%) kaikista asuntokunnista kunnittain (Tilastokeskus 2010).

Valmiista kartasta näkyy siis vihreän eri sävyinä rivi- ja pientaloissa asuvien asuntokuntien osuus kunnan kaikista asuntokunnista. Mitä tummempi väri, niin sitä suurempi osuus. Asuntokunnan muodostavat siis kaikki samassa asuinhuoneistossa vakinaisesti asuvat henkilöt (Tilastokeskus 2016). Kartasta näkyy myös asuntojen lukumäärät kunnittain erikokoisina, punaisina ympyröinä. Mitä isompi ympyrä, niin sitä enemmän asuntoja kunnassa on. Kuvasta löytyy myös eräänlainen sijaintikartta, josta näkyy Uudenmaan sijainti Suomessa. Idean sijaintikarttaan sain Veera Karvosen kartasta; hän oli mielestäni keksinyt niin hyvän tavan esittää maakuntansa sijainti, että päätin yrittää jotain samanlaista.

Rivi- ja pienatloissa asuvien asuntokuntien osuus on suurin Inkoossa, Siuntiossa, Lapinjärvessä, Askolassa, Pornaisissa, Pukkilassa ja Myrskylässä (tummimmat kunnat). Samojen kuntien asuntomäärät ovat myös pienimmät. Espoossa, Kauniaisissa, Vantaalla, Helsingissä, Keravalla, Hyvinkäällä ja Järvenpäällä on vuorostaan selkeästi pienempi osuus rivi- ja pientaloasumista kuin muilla kunnilla. Tosin näillä kunnilla, etenkin Espoolla, Vantaalla ja Helsingillä on selkeästi eniten asuntoja. Tämä voisi johtua siitä, että nämä kunnat (etenkin Helsinki) ovat enemmän kaupungistuneita, joten niissä asutaan tiiviimmin, usein kerrostaloissa, joihin mahtuu huomattavasti isompi määrä asuntokuntia kuin pien- ja rivitaloihin. Eli kun suurempi osuus asukkaista asuvat pien- ja rivitaloissa, yksittäisiä asuntoja mahtuu vähemmän samalle alueelle. Tämä tuntuukin aika loogiselta, eikä suurempia poikkeuksia tästä vaikuta Uudellamaalla olevan. Kauniainen muodostaa poikkeuksen, mutta pieni asuntomäärä johtunee eniten kunnan pienestä pinta-alasta. Järvenpään asuntomäärä on vuorostaan suhteellisen iso suhteessa kunnan pieneen pinta-alaan, joten voisi olettaa että se on aika tiiviisti rakennettu. Tosin on hyvä muistaa, kuten myös Tommi Toikkanen blogissaan huomauttaa, että kartasta on vaikea vetää johtopäätöksiä koska rivi- ja pientaloaineiston pienimmässä luokassa on hyvin paljon vaihtelua (omassa tapauksessani noin 45%!) (Toikkanen 2016). Uskoisin että myös kuntien asukasmäärät ja asukastiheys vaikuttaa saatuun tulokseen. Jos esimerkiksi vertaa Anu Wicklundin tekemään väestöntiheyskarttaan, huomaakin että ne paikkakunnat joilla on suurempi asuntolukumäärä yleensä myös on korkeampi väestöntiheys (Wicklund 2016).

Tommi Toikkasen blogin kartta kuvaa myös samaa aihetta ja samaa aluetta kuin minun karttani (Toikkanen 2016). Meidän karttamme kuitenkin eroavat toisistaan vähän, sillä hän kuvaa asuntojen määrän pisteinä. Tämäkin toimii mielestäni ihan hyvin, vaikka yksi piste olisi ehkä voinut vastata hiukan pienempää asuntomäärää, koska nyt muutamassa kunnassa ei ole pisteitä lainkaan. Toikkanen on minusta poiketen myös käyttänyt luonnollisia välejä luokittelutapana, ja mielestäni tämä itse asiassa toimii hiukan paremmin, sillä hänen kartastaan erottaa Kauniaisen ja Järvenpään paremmin kuin omassa kartassani (eli niiden eron Helsinkiin, Espooseen ja Vantaalle näkyy selvemmin). Luokittelu on kyllä taitolaji!

Hiukan outoa luokkajakoa ja paikkakuntien nimien puuttumista (yritin saada ne sinne, mutten onnistunut, ehkä saan sen selvitettyä ja karttaa päivitettyä jossain vaiheessa) lukuunottamatta olen aika tyytväinen karttaani. Pidän sitä aika selkeänä, vaikka jotkut pisteet ovatkin hiukan turhan pienet, ja uskoisin että sitä on myös suhteellisen helppoa ymmärtää. Tällä kertaa tunnen myös onnistuneeni värien kanssa hiukan paremmin, joskin sininen ehkä olisi ollut neutraalimpi valinta (koska vihreä yhdistetään yleensä selkeästi positiiviseen ilmiöön, ja asumismuoto on aika neutraali asia, tosin jos asutaan rivitaloissa yms. elinympäristö on yleensä vähän vihreämpää kuin kerrostalokaupungissa). Myös MapInfo alkaa pikkuhiljaa tuntua hiukan helpommalta käyttää, joten mieliala on tällä hetkellä oikein hyvä. 🙂

Lähteet
Asuntokunta. Tilastokeskus (2016). http://www.stat.fi/meta/kas/asuntokunta.html Viitattu 3.2.2016

Asuntokuntien lukumäärä 31.12.2010. Asunnot ja asuinolot 2010, Tilastokeskus. Viitattu 3.2.2016

Karvonen, V. (2016). 2. Kurssikerta: Teemoista kartoiksi. VEERAN PAK-BLOGI. https://blogs.helsinki.fi/kveera/2016/01/29/2-kurssikerta-teemoista-kartoiksi/ Viitattu 3.2.2016

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

Rivi- ja pientaloissa asuvien asuntokuntien osuus asuntokunnista, % 31.12.2010.

Asunnot ja asuinolot 2010, Tilastokeskus. Viitattu 3.2.2016

Toikkanen, T. (2016). Kurssikerta 2: MapInfoa ja kaksitasoinen teemakartta. Tgtoikka’s blog. https://blogs.helsinki.fi/tgtoikka/2016/01/29/kurssikerta-2-map-infoa-ja-kaksitasoinen-teemakartta/ Viitattu 3.2.2016

Wicklund, A. (2016). Kurssikerta 1 – MapInfo ja teemakartat. Awicklun’s blog. https://blogs.helsinki.fi/awicklun/2016/01/28/7/ Viitattu 3.2.2016

Kurssikerta 1: MapInfoon tutustuminen

Sairastuin ennen ensimmäistä kurssikertaa, joten  katsoin materiaalit läpi ja tein harjoitukset myöhemmin kun olin taas terve. Itse asiassa tein toisen kurssikerran harjoitukset ennen ensimmäisen kerran, mutta selkeyden vuoksi kirjoitan kurssikerroista tänne blogiini numerojärjestyksessä.

Kurssikerran alussa puhuttiin muun muassa sijaintitiedosta, ominaisuustiedosta, rasteri- ja vektroimuotoisesta materiaalista sekä tasojen käyttämisestä. Nämä asiat olivat kaikki minulle entuudestaan tuttuja, joten teoria ei (onneksi) tuntunut mitenkään vaikealta. Tosin kertauksesta on aina hyötyä.

Yksi kurssikerran tavoitteista oli tutustua paremmin kurssilla käytettävään ohjelmaan, eli MapInfoon. En ole aiemmin käyttänyt MapInfoa, joten alussa ohjelma tuntui hiukan sekavalta kaikkine valikkoineen ja vaihtoehtoineen. Kuitenkin harjoituksia tehdessäni tunsin lopulta saavani siihen jonkinlaisen otteen. Ehkä tämä vielä tästä! Tosin minulla on vähän sama tunne kuin SPSS:ää käytettäessäni: en ole ihan varma mitä tai miten teen, mutta jotain kyllä tapahtuu!

Ensimmäisenä ”oikeana” tehtävänä oli laatia teemakartta, tässä tapauksessa koropleettikartta, jostain ilmiöstä. Koropleettikartta on siis kartta, jossa jotain tiettyä ilmiötä kuvataan suhteellisia arvoja ja tiettyä aluejakoa, kuten kuntajakoa, käyttäen (Helsingin yliopisto 2008a). Päätin tehdä kartan joka kuvaisi Suomen työttömyysastetta kunnittain, koska aihe on aika ajankohtainen (vaikka aineisto tosin on jo vähän vanhentunutta, vuodelta 2010).

HistogrammiKK1
Kuva 1 Histogrammi Suomen kuntien työttömyysasteen jakautumisesta. Y-akselilla kuntien määrä, x-akselilla työttömyysaste. Aineisto vaikuttaa seuraavan normaalijakaumaa aika hyvin.

Itse kartan teko ei ollut niin vaikeaa, kunhan painoi oikeita nappeja, mutta luokittelun teko ja luokittelutavan valinta olivat sitä hankalampia! Onneksi ohjeissa annettu taulukko ja kätevä histogrammityökalu auttoivat tekemään oikean (tai ainakin sinne päin) valinnan. Koska aineistoni näytti olevan aikalailla normaalijakautunut, päädyinkin käyttämään Equal Count-luokittelua, joka hyödyntää kvantiileja (Kuva1). Tämä luokittelu pyrkii yhtä moneen havaintoon/luokka, ja pitäisi sopia oikein hyvin työttömyysaineistoni normaalijakaumalle (Helsingin yliopisto 2008b). Tosin päädyin pienempään luokkamäärän kuin mitä histogrammissa näkyy, eli viiteen kymmenen sijaan. Jos luokkia olisi ollut kymmenen, oikeastaan jokaisella kunnalla olisi ollut eri väri, ja niitä olisi ollut vaikea erottaa toisistaan.

KK1valmisPIENI
Kuva 2 Työttömyysaste Suomessa vuonna 2010 (%). Työttömyyttä on eniten Suomen itä- ja koillisosissa.

Kartasta näkyy Suomen työttyömyysaste kunnittain vuonna 2010 (%), ja mitä tummemmalla värillä kunta on kuvattu, sitä korkeampi työttömyys kyseisessä kunnassa on. Kun tutkii karttaa, huomaa nopeasti että työttömyysaste on  korkein itäisessä ja koillisessa Suomessa, kun taas ongelma on pienin pääkaupunkiseudulla ja länsirannikolla. Tämä voisi johtua siitä, että työpaikkoja yksinkertaisesti on enemmän tarjolla näillä alueilla, samaan aikaan kun samat alueet ovat tiheämmin asuttuja, kuten Salla Marttilan laatimasta väestöntiheyskartasta näkyy. Kun vertaa omaa karttaani Sallan karttaan, huomaa että ne alueet jotka ovat harvemmin asuttuja usein myös kärsivät korkeammasta työttömyysasteesta. Tämä sopii hyvin yhteen sen mielikuvan kanssa, joka minulla on ollut Suomen työttömyydestä. Voisin kuvitella että moni muukin varmaan ajattelee pääkaupunkiseudun olevan houkuttelevampi alue kun tulee työllistymiseen, verrattuna Suomen pohjoisiin ja itäisiin alueisiin.

Myös Annamaria Rossi on tehnyt kartan joka esittää Suomen työttömyysastetta, ja meidän karttamme näyttävätkin ensisilmäyksellä aika samanlaisilta: vähiten työttömyyttä on pääkaupunkiseudun lähistöllä ja länsirannikolla. Tosin olemme käyttäneet hiukan eri luokkajakoa (Equal Count ja Natural Break), joten luokkavälimme eroavat jonkin verran toisistaan. Tässä tapauksessa suurempia eroja ei kuitenkaan ole tästä syntynyt karttojen välille.

Kartta on mielestäni aika selkeä (vaikkei aineistoa tuntisi entuudestaan), eikä sitä ole mielestäni kovinkaan vaikea ymmärtää.  Värit eivät ole silmiä liian rasittavia, mutta olisin kuitenkin voinut tehdä niistä hiukan haaleampia, koska nyt ne ovat aika raskaan oloiset. Karttakuvan laatu olisi myös voinut olla hiukan parempi, koska nyt pienempien kuntien värejä on paikoin hiukan vaikea erottaa (eli niistä tulee nopeasti ”pikselimössöä”. Koska en aiemmin ole sen enempää käyttänyt MapInfoa, tunnen kuitenkin olevani ihan tyytyväinen lopputulokseen.

Tänään opin siis paljon uutta, ja uskon että tämän jälkeen osaan tehdä erilaisia koropleettikarttoja. Kunhan tutustun MapInfoon paremmin, niin eiköhän tämä ala sujumaan! 🙂

Lähteet:
Koropleettikartat. Kartografian perusteet (2008a). Helsingin yliopisto, Helsinki. http://www.helsinki.fi/maantiede/kurssit/TAK/Kartografian%20oppimateriaali/kartogrper/Kartoilla_viestiminen/viestim97.html# Viitattu 1.2.2016

Luokitusmetodit: kvantiilit. Kartografian perusteet (2008b). Helsingin yliopisto, Helsinki. http://www.helsinki.fi/maantiede/kurssit/TAK/Kartografian%20oppimateriaali/kartogrper/Kartoilla_viestiminen/viestim133.html Viitattu 1.2.2016

Marttila, S. (2016). KK1: Tutustumista MapInfoon. Sallan PAK-blogi. https://blogs.helsinki.fi/sallamar/2016/01/25/kk1/ Viitattu 1.2.2016

Rossi, A. (2016). 1. Kurssikerta. JEA. ajrossi’s Blog. https://blogs.helsinki.fi/ajrossi/2016/01/21/1-kurssikerta-jea/ Viitattu 1.2.2016.