Kaikki kirjoittajan Elias Annila artikkelit

Kurssikerta 7, Metsäpalot Yhdysvalloissa

Viimeisellä kurssikerralla luotiin kahden muuttujan teemakartta vapaavalintaisten aineistojen pohjalta. Halusin tutkia karttani avulla, kuinka kasvillisuustyyppi vaikuttaa maastopalojen esiintymiseen. Valitsin tutkimusalueekseni Yhdysvallat lukuunottamatta Alaskaa ja Havajia, koska tästä alueesta oli helposti saatavilla paloja käsittelevä MODIS aineisto vuodelta 2014, sekä alueen kasvillisuustyyppejä käsittelevä aineisto.

Paloja käsittelevä MODIS aineisto on pisteaineisto, jossa jokainen palo on kuvattu erikseen omalla pisteellään. Paloista on tallennettu aineistoon muutakin tietoa, kuten esimerkiksi lämpötila, mutta keskityin tässä vain palojen lukumäärän laskemiseen.

Ensimmäinen haaste tehtävässä oli aineistojen yhdistäminen MapInfossa. MODIS aineisto aukeni kiltisti, mutta kasvillisuustyyppejä käsittelevän aineiston kohdalla ongelmia aiheutti se, ettei aineisto ollut valmiiksi laitettuna mihinkään projektioon. Aineiston metadatasta kävi kuitenkin ilmi missä projektiossa aineiston pitäisi olla, ja näin oikea projektio löytyi ja aineistot saatiin osumaan kohdalleen.

Olin ajatellut esittää kartallani palojen määrän, joko jonkinlaisena kartogrammina, tai sitten luokitella aineiston, ja lisätä kasvillisuustyyppeihin palojen määrää kuvaavan rasterikuvion. Tarkastellessani kartalla päällekkäin kasvillisuustyyppejä sekä paloja, huomasin kuitenkin, että kasvillisuustyyppi ei selitä palojen esiintymistä kokonaan, vaan esimerkiksi suurten tasankojen ja itäisten lauhan vyöhykkeen metsien sisällä on suuria eroja palojen esiintymisessä. Toisaalta Kasvillisuus vaikutti joissakin tapauksissa vaikuttavan palojen esiintymiseen. Esimerkiksi autiomaassa, ei paloja ole kovinkaan paljoa, ja tarkasteltaessa suurten tasankojen, sekä pohjoisten metsien rajaa vaikuttaisi kasvillisuuden merkitys olevan varsin selkeä. Jotta saisin esitettyä kartalla palojen sijainnin paremmin, päätin tehdä kartasta yksinkertaisesti pistekartan, jossa jokainen palo esitetään omana pisteenään. Laskin sitten legendaan kullekin kasvillisuustyypille, kuinka paljon sen alueella paloja keskimäärin esiintyi neliökilometrillä. Koska käyttämäni aineistot (kasvillisuustyyppien nimet) olivat englannin kielisiä, päätin tehdä koko kartasta englanniksi.

Palotpisteina
Kuva 1. MODIS järjestelmän havaitsemat palot, sekä kasvillisuustyypit yhdysvalloissa.

Kartalla näkyy selkeästi kaksi laajempaa palojen keskittymää: suurten tasankojen itä-osissa, sekä itäisten lauhkean vyöhykkeen metsien kaakkois-osissa. Koska alueen kasvillisuus ei yksinään selitä palojen keskittymistä näille alueille, päätin etsiä muita selittäviä tekijöitä.

tmax_jul
Kuva 2. vuosien 1961-1990 heinäkuun keskimääräinen korkein lämpötila yhdysvalloissa, Lähde: CSU Spatial Climate Analysis Service 2000. www.climatesource.com
precipmean
Kuva 3 Vuotuinen sademäärä yhdysvalloissa, Lähde: Peter E. Thornton 2001, www.daymet.org

Yllä olevien karttojen perusteella vaikuttaisi siltä, että palot ovat keskittyneet alueille, joilla lämpötila nousee kesäisin riittävän korkeaksi, ja joilla on kasvillisuutta, joka voisi palaa. On kuitenkin mielenkiintoista, miksi suurten tasankojen länsi- ja keskiosissa paloja on huomattavasti vähemmän kuin itä-osissa. Tämä ei selity sademäärillä tai lämpötiloilla, sillä itä-osissa sataa itseasiassa enemmän, eikä lämpötiloissakaan ole havaittavissa mitään selkeää kohoumaa alueella, jolla paloja on sattunut selkeästi eniten. Syy saattaa löytyä ihmisen toiminnasta.

Kuva 4. Väentiheys Yhdysvalloissa, Lähde: Encyclopedia Britannica 2003
Kuva 4. Väentiheys Yhdysvalloissa, Lähde: Ensyclopedia Britannica

Tarkasteltaessa karttaa, jossa näkyy väentiheys yhdysvalloissa, havaitaan että suurten tasankojen länsi-osat ovat harvaan asuttuja. MODIS aineistossa näkyy kaikki palot, riippumatta niiden syttymisen syystä, ja siksi voikin olla, että aineistossa näkyy myös asutulla alueella tapahtuneita tulipaloja. Ihmisen toiminta on varmasti syynä myös useassa maastopalossa.

Näin kurssin lopulla omat tunnelmani MapInfon käytöstä ovat sen suuntaiset että harvemmin ohjelman käytössä enää ilmenee suurempia vaikeuksia, jotka eivät pikaisella googlaamisella selviäisi. Tämänkin viikon tehtävässä ylivoimaisesti suurin osa ajasta kului aiheeseen liittyvien aineistojen etsintään. En tiedä vaikuttiko tähän osaltaan Yhdysvaltojen käyttö kohdealueena. Varsinkin kasvillisuuteen liittyviä aineistoja etsiessäni tuntui, että tieto kyllä on olemassa, mutta sen löytäminen eri virastojen sekamelskasta oli varsin haasteellista. Myös Juha Lähteenmäki oli tehnyt kurssikerralla Yhdysvaltoja käsittelevän kartan, ja törmännyt samankaltaisiin ongelmiin datan etsinnässä. Toisaalta voin hyvinkin kuvitella, että on myös alueita, joilta aineistojen löytäminen on todella paljon vaikeampaa. Esimerkiksi Venäjältä, tai muista entisen Neuvostiliiton maista on varmasti ainakin kieltä osaamattoman vaikea löytää muuta, kuin globaalia kaukokartoitus aineistoa.

Kaiken kaikkiaan kurssi on ollut varsin mielenkiintoinen, joskin harjoitustehtävissä olisi voinut ehkä olla vähän enemmän vaihtelua. Nyt oli esimerkiksi mielenkiintoista viimeisellä kurssikerralla perehtyä johonkin itse valitsemaansa alueeseen, mutta varsin monella kurssikerralla on tarkasteltu joko koko Suomea, tai sitten pääkaupunkiseutua.

 

LÄHTEET:

Juha Lähteenmäki, Rajan ylityksiä USA:ssa – Kurssikerta 7, Juhan PAK-blogi 3.3.2015 luettu 5.3.2015

https://blogs.helsinki.fi/juhalaht/

Kasvillisuustyypit, CEC, luettu 27.2.2015

http://www.cec.org/Page.asp?PageID=122&ContentID=1329&SiteNodeID=498&BL_ExpandID=

MODIS aineisto, USDA forest service, luettu 27.2.2015

http://activefiremaps.fs.fed.us/data/fireptdata/modisfire_2014_conus.htm

Kurssikerta 6, Hasardit

Kuudennella kurssikerralla käytiin ensin ulkona keräämässä sijaintitietoa GPS:n avulla, erilaisista asioista Kumpulan lähistöllä. Tuotettu aineisto tuotiin sitten MapInfoon. Harjoituksessa sai vähän käsitystä minkälaisia mahdollisia haasteita GPS-pisteiden keräämiseen voi liittyä. Harjoituksessa kerättiin aineisto talteen vielä kynän ja paperin turvin, mutta kuten Leila Soinio toteaa blogsissaan, olisi varsin hyödyllistä osata tehdä tämä jollakin tehokkaammalla tavalla, jos aineistoa kerätään paljon.

Toinen kurssikerran harjoitus liittyi osoitetiedon siirtämiseen kartalle. Harjoituksessa luotiin pelikonetietokannan koneille sijaintitieto osoitteen perusteella, hyödyntämällä tieaineistoa. Harjoitus oli mielestäni varsin mielenkiintoinen, sillä osoitetieto on sellaista tietoa, joka on monissa tapauksissa helposti löydettävissä, ja riittävän tarkka sijainnin määrittämiseen, joten sitä on hyvä osata hyödyntää.

Kuva1. Pelikoneiden sijainti Helsingissä
Kuva1. Pelikoneiden sijainti Helsingissä

 

Kurssikerran varsinainen harjoitus liittyi kuitenkin erilaisiin hasardeihin, ja tiedon hakemiseen ulkopuolisista tietokannoista. Tehtävänä oli laatia kolme kartta, jotka kuvaavat jotakin hasardeja, siten että niitä voitaisiin käyttää opetustarkoituksessa. Päätin esittää kartoillani maanjäristyksiä, ja koittaa erityisesti tuoda esiin sitä, kuinka tavanomainen ilmiö meille suomalaisille tuntematon maanjäristys maailmalla on.

Laadin siis kolme karttaa, joissa esitetään tänä vuonna (1.1.2015–20.2.2015) tapahtuneet eri voimakkuuksiset maanjäristykset. Luokittelin maanjäristykset niiden voimakkuuden mukaan Richterin asteikolla seuraaviin luokkiin: 2-4, 4-6, ja yli 6. Päädyin jättämään magnitudiltaan alle kahden järistykset pois, sillä niitä ei havaita ilman mittalaiteita, ja halusin esittää kartoissa nimenomaan, sitä kuinka useilla alueilla järistykset vaikuttavat ihmisten arkielämään.

Esitin kartalla myös aktiivisten tulivuorten (purkautunut vuoden 1964 jälkeen) ja kartoista havaitaankin järistysten ja tulivuorien esiintyvän usein samoilla alueilla.

Kuva 2. 1.1.2015-20.2.2015 voimakkuudeltaan 2-4 oleet maanjäristykset
Kuva 2. 1.1.2015-20.2.2015 sattuneet, voimakkuudeltaan 2-4 olleet maanjäristykset

Kuten kartasta nähdään viimeisen reilun puolentoista kuukauden aikana pääasiassa Länsi-Yhdysvalloissa, sekä Aleuuttien saarilla, on ollut useita yhteensä (1655kpl) magnitudiltaan 2-4 olleita järistyksiä. Vaikutuksiltaan magnitudiltaan 2-4 olevat järistykset ovat vähäisiä, mutta ne kuitenkin ovat sellaisia, että ihmiset tuntevat ne. Lähestyttäessä neljää alkavat järistykset olla jo sellaisia, että esimerkiksi pöydällä olevat esineet voivat täristä havaittavasti.

Kuva 2. 1.1.2015-20.2.2015 voimakkuudeltaan 4-6 oleet maanjäristykset
Kuva 3. 1.1.2015-20.2.2015 sattuneet voimakkuudeltaan 4-6 olleet maanjäristykset

Mielenkiintoista tällä kartalla, joka kuvaa magnitudiltaan 4-6 olleita järistyksiä on se, että järistyksiä on esiintynyt paljon sellaisilla alueilla, joilla ei ole havaittu lainkaan voimakkudeltaan 2-4 olevia järistyksiä. Esimerkkeinä läntinen Etelä-Amerikka, sekä Itä-Aasian saaret. Myös tämän voimakkuusluokan järistyksiä esiintyi runsaasti (1255kpl). Nämä järistykset ovat jo varsin huomattavia, ja ne vaikuttavat alueen ihmisten elämään voimakkaasti. Järistykset saavat asioita tippumaan hyllyiltä, ja voivat aiheuttaa merkittäviä vahinkoja huonosti rakennetuille rakennuksille. Kun ajatellaan, missä näitä järistyksiä esiintyy, voidaan todeta, että alueilla on slummityyppistä asutusta, jolle järistykset voivat siis aiheuttaa merkittävää vahinkoa.

Esimerkiksi vuonna 2011 sattunut Lorcan maanjäristys Espanjassa, oli voimakkudeltaan 5,1, johti yhdeksän ihmisen kuolemaan ja useiden vanhojen rakennusten sortumiseen. (Daily Mail)

http://upload.wikimedia.org/wikipedia/commons/2/28/Hundimiento_de_la_iglesia_de_Santiago_tras_el_terremoto_de_Lorca.jpg
Kuva 4. Lorcan maanjäristyksen aiheuttamia vaurioita vanhoissa rakennuksissa. (Wikipedia)

 

Kuva 2. 1.1.2015-20.2.2015 voimakkuudeltaan yli 6 oleet maanjäristykset
Kuva 5 1.1.2015-20.2.2015 sattuneet voimakkuudeltaan yli 6 olleet maanjäristykset

Kuten kartasta havaitaan, eivät magnitudiltaan yli kuuden olevat järistykset, ole jokapäiväisiä missäänpäin maailmaa. Järistyksiä on tänä vuonna tapahtunut pääasiassa läntisessä Eteleä-Amerikasssa, sekä Itä-Aasian saaristossa. Niitä on kuitenkin ehtinyt tapahtua tänäkin vuonna, jo 11kpl. Tämä on kuitenkin huomattava määrä, sillä näinkin voimakkaat järistykset ovat vaikutuksiltaan tuhoisia. Huonosti rakennetut sortuvat, ja maanjäristyksiä kestämäänkin suunnitellut rakennukset vaurioituvat. Voi johtaa kaupunkimaisella alueella tuhansiin kuolonuhreihin. Esimerkiksi Haitin vuoden 2010 maanjäristys oli voimakkuudeltaan 7.0 ja arviot kuolonuhreista vaihtelevat 100 000 – 160 000 välillä. (Wikipedia, Haiti earthquake)

http://upload.wikimedia.org/wikipedia/commons/9/90/EscombrosBelAir5_Edit1.jpg
Kuva 6. Haitin vuoden 2010 tuhoja. (Wikipedia)

 

Tänä vuonna, ei ole ainakaan vielä sattunut voimakkuudeltaan yli 8 olevia maanjäristyksiä, joten tein kartan, jossa esitetään kaikki 1900 luvulla tapahtuneet voimakkuudeltaan yli 8 olleet maanjäristykset.

1900-luvulla sattuneet, voimakkuudeltaan yli 8 olleet maanjäristykset
Kuva 7. 1900-luvulla sattuneet, voimakkuudeltaan yli 8 olleet maanjäristykset

Kartasta havaitaan, että järistyksiä on tapahtunut keskimäärin joka toinen vuosi. (49kpl) Vaikutuksiltaan yli näin voimakkaat maanjäristykset ovat erittäin tuhoisia. Useimmat rakennukset sortuvat ja tuho ulottuu laajoille alueille.

Kuva 8. Alaskan vuoden 1964 vaikutuksia. (Wikipedia)

 

Karttoja tarkastelemalla voidaan siis havaita, maanjäristysten olevan varsin merkittävä osa ihmisten elämää tälläkin hetkellä, useissa paikoissa maapallolla. Kartoista myös näkyy, että Tulivuoret ja maanjäristykset esiintyvät usein samoilla alueilla. Opetuksen näkökulmasta kartoista puuttuu kuitenkin oleellinen molempien hasardien esiintymistä selittävä tekijä, eli litosfäärilaattojen rajat. Tämä ei kuitenkaan ole välttämättä vain huono asia, sillä erityisesti kartasta, jossa kuvataan voimakkuudeltaan 2-4 olevia järistyksiä, näkyy hyvin kuinka sekä järistykset, että aktiiviset tulivuoret sijoittuvat linjamaisiin muodostelmiin. Tämä puolestaan voisi tarjota opetettaville mahdollisuuden oivalta yhteys ilmiöiden välillä itse.

Kuva 9. Litosfäärilaatat ja niiden liikesuunnat (Wikipeidia)
Kuva 9. Litosfäärilaatat ja niiden liikesuunnat (Wikipeidia)

Yllä olevasta kartasta nähdään litosfäärilaattojen sijainti, ja liikesuunta suhteessa toisiinsa. Vertaamalla karttaa maanjäristyskarttoihin havaitaan, että laattojen välisen sauman tyypillä, on selkeä vaikutus maanjäristyksen voimakkuuteen. Tosin tarkastelemamme maanjäristysaineisto, on kerätty niin lyhyeltä ajalta, että varmoja johtopäätöksiä ei pelkästään tämän aineiston perustella voitaisi tehdä.

Tarkasteltaessa voimakkuudeltaan 2-4 olevia järistyksiä totesimme niiden sijoittuneen pääasiassa Länsi-Yhdysvaltoihin, missä Tyynenmeren- ja Pohjois-Amerikan laatat hankaavat toisiaan vasten sivusuunnassa. Kun taas tarkastellaan alueita, joilla on esiintynyt voimakkaampia järistyksiä, havaitaan niitä olevan enemmän alueilla, joilla laatat liikkuvat toisiaan kohti. Esimerkkeinä Nazca-laatan ja Etelä-Amerikan laatan törmäyskohta, sekä Tyynenmeren laatan törmäys sen länsipuolella olevien laattojen kanssa. Kohdissa, joissa laatat erkanevat toisistaan havaitaan myös voimakkaampia maanjäristyksiä, mutta ei yhtä suuria lukumääriä. Tätä voi toisaalta selittää erkanemiskohtien sijainti valtamerten keskiselänteillä, mikä voi tehdä pienempien järistysten havainnoinnin haasteelliseksi.

Julia Keronen oli myös laatinut blogiansa varten kartan, josta näkyy viimeisen viiden vuoden aikana sattuneet voimakkuudeltaan yli 6:den järistykset. Kartasta saa samansuuntaisen kuvan laattojen liikesuunnan vaikutuksesta maanjäristyksiin. Eniten voimakkaita järistyksiä näyttäisi tapahtuneen yhteentörmäysalueilla, mutta niitä tapahtuu myös hankaus, ja loittonemisvyöhykkeillä.

LÄHTEET:

Wikipedia Richter magnitude scale

http://en.wikipedia.org/wiki/Richter_magnitude_scale

Wikipedia 2010 Haitie earthquake, luettu 26.2.2015

http://en.wikipedia.org/wiki/2010_Haiti_earthquake

Daily Mail,  “Spanish earthquake which killed nine and injured hundreds ‘was triggered by extraction of groundwater'” 21.10.2012, luettu 26.2.2015

http://www.dailymail.co.uk/sciencetech/article-2220892/Spanish-earthquake-killed-injured-hundreds-triggered-extraction-groundwater.html

Julia Kerolainen, “Kuudes kurssikerta: Pisteaineistoa ja hasardeja”, Julian PAK-blogi 25.2.2015, luettu 26.2.2015

https://blogs.helsinki.fi/juliaker/

Leila Soinio, “Kurssikerta – Geepeeässää ja luonnonhasrdeja”, 3.3.2015, luettu 5.3.2015

https://blogs.helsinki.fi/lsoinio/2015/03/03/kurssikerta-6-geepeeassaa-ja-luonnonhasardeja/

 

Kurssikerta 5, Analyysejä pisteaineistosta, sekä pohdintaa MapInfon Käytöstä

Viidennellä kurssikerralla suoritimme erilaisia analyysejä MapInfon avulla. Kurssilla on tähän mennessä käytetty MapInfoa kahdella toisistaan selkeästi poikkeavalla tavalla. Olemme käyttäneet sitä visuaalisten esitysten laatimiseen, sekä numeerisen vastauksen löytämiseksi johonkin kysymykseen. Esityksiä on laadittu lähinnä erilaisten teemakarttojen muodossa, kun taas numeerisia vastauksia haettaessa erilaiset valintatyökalut ja taulukoille suoritettavat yhdistämis- ja laskuoperaatiot ovat olleet pääosissa. Visuaalisia työkaluja on analyyseja tehtäessä käytetty lähinnä analyysissä käytettävien kohteiden valintaan, sekä digitointiin.

MapInfo tarjoaa näiden molempien tehtävien toteuttamiseen kohtalaiset työkalut, mutta molempiin on mielestäni olemassa tehokkaampiakin ratkaisuja. Piirtämiseen piirto-ohjelmat tarjoavat paremman ympäristön, ja taulukoiden datan manipuloinnissa MapInfon loputtomalta tuntuva valikoiden läpi kahlaus ja taulukoiden uudelleen availu, ei myöskään ole kovinkaan optimaalista. MapInfon vahvuus onkin siinä, että näitä työkaluja saadaan yhdisteltyä huomattavan helposti yhdessä ohjelmassa. Hyvänä esimerkkinä tästä toimii usein käytetty valintatapa, jossa taulukosta valitaan ne kohteet jotka sijaitsevat jonkin visuaalisen kohteen sisällä. (esim. boundary select) Toisaalta myös esimerkiksi teemakarttoja luotaessa MapInfon tarjoamat automaattiset työkalut nopeuttavat kartan tekoa todella paljon, verrattuna siihen että alueita rupeisi värittämään käsin jossakin piirto-ohjelmassa.

Millaisia ongelmia ratkaistaessa tästä työkalujen yhteiskäytöstä sitten on hyötyä? Esimerkkeinä voidaan tarkastella oheisen linkin takaa löytyvää taulukkoa viidennellä kurssikerralla ratkotuista ongelmista.

Kurssikerralla tutkitut kysymykset

Taulukossa on kuvattu ratkaistava kysymys, saatu tulos, sekä käytetyt metodit lyhyesti. Yhteistä ongelmille on, että halutaan valita pistetietokannasta tietyn alueen sisään jäävät alkiot, ja tehdä näihin alkioihin talletettujen tietojen kesken laskutoimituksia. Tällaisiin ongelmiin MapInfo tarjoaakin hyvät työkalut. Useissa kurssikerran ongelmissa käytettiin ratkaisussa puskurivyöhykkeitä kohteiden ympärillä. Jotta voimme käyttää tällaista menetelmää, täytyy aineiston, josta laskemme alkioita olla pistemäistä tarkkojen tulosten saamiseksi. Jos aineisto on esim ruutuaineisto, jää osa ruuduista osittain puskurivyöhykkeelle ja osittain sen ulkopuolelle. Jos ruutujen koko on riittävän pieni suhteessa puskurialueen kokoon (=vain hyvin pieni osa ruuduista joudutaan halkaisemaan) voidaan ruutuja joissakin tapauksissa käyttää, mutta tällöin tulosten tarkkuus heikkenee.

Tarkastellaan vielä lopuksi, kuinka kurssilla käytetyt MapInfon ominaisuudet vastaavat, sitä mitä Pitney Bowes (MapInfon kehittäjä) kertoo MapInfon käyttökohteista. Pitney Bowes listaa 6 MapInfon keskeistä ominaisuutta joita ovat:

  • ”Easy to learn, easy to use”
  • ”Comprehensive data compatibility”
  • ”Superb data creating and editing functions”
  • “Flexible map display and visualization options”
  • “Share your results”
  • “A complete suite to meet your needs”

Koska helppokäyttöisyydestä voi olla montaa mieltä, eikä se ole varsinaine käyttökohde en ota siihen tässä enempää kantaa. MapInfon pitäisi siis tukea runsaasti eri tiedostomuotoja tietokantojen, sekä karttojen suhteen. Kurssilla emme kuitenkaan ole juuri käyttäneet muuta, kuin Excel aineistoja, sekä jotakin rasterikuvaformaattia olevaa kartta-aineistoa. Tämä on ehkä hieman sääli, sillä muitakin vaihtoehtoja olisi runsaasti tarjolla. MapInfoon voisi myös tuoda esimerkiksi vektorimuotoista aineistoa, mitä kurssilla ei ole muistaakseni juuri käytetty, lukuunottamatta suoraan mapinfon omassa TAB tiedostotyypissä avattuja aineistoja (esimerkiksi tämän viikon melualueet). Toisaalta ehkä eri tiedostomuotojen kanssa kikkailu, ei ole kurssin oppimistavoitteiden kannalta kauhean oleellista.

Seuraavana listassa Pitney Bowes lupaa erinomaisia datan luonti ja käsittelytyökaluja. Erinomaisuus on ehkä tässä yhteydessä markkinointi puhetta, mutta kurssilla on kyllä luotu jonkin verran uutta dataa vanhan pohjalta, sekä visuaalisia työkaluja, että taulukoiden manipulointiin käytettäviä työkaluja hyödyntäen.

Listassa seuraavana olevat visualisointityökalut, ja karttojen julkaisuun liittyvät työkalut ovat tulleet varsin hyvin tutuksi teemakarttoja tehdessä, ja kuten tämän blogipostauksen alussakin jo totesin, MapInfon vahvuus on nimenomaan sen monipuolisuus, mikä vaikuttaisi listan viimeisen kohdan perusteella olevan myös ohjelman kehittäjien tavoite.

 

Lähteet:

http://fi.wikipedia.org/wiki/Helsinki-Malmin_lentoasema, luettu 13.2.2015

www.hel.fi/hki/yhtenaisk/fi/YHTEYSTIEDOT, luettu 13.2.2015

Pitney Bowes, MapInfo Pro tuote-esittelysivu, luettu 16.2.2015

http://www.mapinfo.com/product/mapinfo-professional/

Kurssikerta 4. Ruututeemakarttoja

Neljännellä kurssikerralla laadittiin ruututeemakarttoja. Ruutukartan ero aiemmin laadittuihin koropleettikarttoihin on siinä, että niillä aluejako perustuu tasaiseen ruutujakoon, esimerkiksi hallinnollisten alueiden sijaan. Tästä seuraa, että ruututeemakartan kaikki alueet ovat yhtä suuria, toisin kuin koropleettikartassa. Tämän vuoksi ruututeemakartalla on mahdollista esittää myös absoluuttisia arvoja. Tämä ei kuitenkaan tarkoita sitä, etteikö myös suhteellisia arvoja voitaisi esittää ruututeemakartalla, ja se kumpi esitystapa valitaan, riippuukin siitä, mitä kartalla halutaan tuoda esille. Tästä lisää myöhempänä.

Ruututeemakarttaa laadittaessa aineistoa harvemmin on saatavissa suoraan ruutuihin jaettuna, mutta esimerkiksi pisteaineisto on helppoa muuntaa ruutuaineistoksi. Pisteaineistosta voitaisiin tietysti tehdä myös suoraan pisteteemakartta, mutta usein pisteiden suuri määrä johtaa siihen, ettei tämä ole järkevää. Kurssikerralla laaditussa kartassa meneteltiinkin niin, että pisteaineistosta yleistettiin ruutuaineisto. Yleistyksen astetta, eli ruutujen kokoa, valitessani kokeilin 500m ja 1000m sivunpituuksia, mutta totesin 500m olevan varsin sopiva esittämäni ilmiön, eli ulkomaan kansalaisten absoluuttisen määrän, kuvaamiseen. Vaikka ruudut ovat pienikokoisella kartalla varsin pieniä, suuremmat ruudut yleistävät ilmiötä niin paljon, että muodostuu vaikeaksi sanoa, missä niitä ulkomaan kansalaisia nyt sitten asuu.

UlkomaanKansalaiset500m
Kuva 1. Ulkomaan kansalaisten absoluuttinen määrä pääkaupunkiseudulla. Ruudun sivunpituus 500m.

 

Kartta toimii hyvänä esimerkkinä siitä, kuinka suhteellisen tai absoluuttisen aineiston käyttö vaikuttaa ruututeemakartassa. Koska karttani kertoo ulkomaan kansalaisten absoluuttisen määrän ruuduissa, kertoo ruutujen sijainti lähinnä, missä pääkaupunkiseudulla ylipäätänsä asutaan. Kartta ei siis ota mitään kantaa siihen, mitkä alueet ovat erityisen ulkomaalaisvoittoisia asukasprofiililtaan. Tämä ei kuitenkaan tarkoita sitä, että kartta olisi jotenkin huono, vaan että sen käyttötarkoitus on jokin muu, kuin asukasprofiilin tutkiminen. Jos esimerkiksi jokin yritys tai viranomainen haluaisi lanseerata jonkin erityisesti ulkomaan kansalaisille suunnatun palvelun, olisi heistä varmasti paljon kiinnostavampi tieto, mistä päin pääkaupunkiseutua löytyy suurimmat heidän asiakaskuntansa keskittymät. Palvelu kannattaisi tietysti sijoittaa sinne missä asiakkaita on absoluuttisesti eniten, vaikka alueella sitten asuisi paljon myös Suomen kansalaisuuden omaavia henkilöitä.

Jos haetaan syitä sille missä asuu eniten ulkomaalaisia, suurin vaikuttava tekijä on se, kuinka paljon alueella ylipäätänsä on asukkaita. Jos siis haluamme tutkia mitkä muut seikat vaikuttavat siihen mihin ulkomaalaiset päättävät asettua tulee tutkia ulkomaalaisten osuutta väestöstä. Laatiessani tällaista karttaa muodostui ongelmaksi, että joillakin alueilla ulkomaalaisten osuus nousi hyvin korkeaksi (jopa 100%) tätä selittää varsin pieni ruutujako, jossa on mahdollista että johonkin ruutuun jää esimerkiksi vain yksi talo jossa asuu pelkästään ulkomaalaisia.

Kuva 2. Ulkomaan kansalaisten osuus askukkaista pääkaupunkiseudulla. Ruudun sivunpituus 500m
Kuva 2. Ulkomaan kansalaisten osuus askukkaista pääkaupunkiseudulla. Ruudun sivunpituus 500m

Kun yksittäiset harvaan asutun alueen ruudut jätetään huomiotta, kartasta kuitenkin nähdään, että ulkomaalaisia on keskimäärin hieman suurempi osuus Matinkylässä, Espoon Keskuksessa, Espoonlahdessa, Vuosaaressa, Kontulassa, Itäkeskuksessa ja Mellunmäessä. Selittävänä tekijän tälle voisi olla esimerkiksi suuri vuokra-asuntojen osuus, sillä henkilö, joka ei aio oleilla maassa pysyvästi, tuskin haluaa ostaa omistusasuntoa. Myös joidenkin ulkomaalaisryhmien kohdalla esimerkiksi Helsingin keskustaan nähden edulliset asumiskustannukset ovat varmasti vaikuttaneet asuinpaikan valintaan. Karkeasti ottaen voitaisiin sanoa, että omakotitalovaltaisilla harvaan rakennetuilla asuinalueilla ulkomaan kansalaisten osuus vaikuttaisi olevan vähäinen.

Myös Otaniemessä ulkomaan kansalaisten osuus väestöstä on huomattavasti suurempi, tätä selittää TKK:lla opiskelevat vaihto-opiskelijat. Hämmentävästi ulkomaalaisia ei vaikuttaisi asuvan lainkaan Kauniaisissa. Syynä tähän on, ettei Kauniaisista ole ulkomaan kansalaisten määrää kertovaa dataa, vaan jokaiseen pisteeseen on ulkomaan kansalaisten kohdalle merkattu arvo 999 999 999.

Joonas Alanko esittää blogissaan havainnon, että ulkomaan kansalaisten osuus on koko Suomea tarkasteltaessa, suurempi suurissa kaupungeissa. Tämä tukee ajatusta, siitä että ulkomaalaisten osuus on suurempi alueilla, joissa asuminen on tiiviimpää, vuokra-asuntojen osuus suurempi ja kulkuyhteydet hyvät. Kuten aiemmin jo totesinkin sama ilmiö on siis nähtävillä pääkaupunkiseudun sisällä.

Lähteet:

Joonas Alanko “Pak Kerta 4” 4.2.2015, luettu 10.2.2015

https://blogs.helsinki.fi/jbalanko/2015/02/04/pak-kerta-4/

Pistetietokanta pääkaupunkiseudun väestö rakennuksittain. (Tilastokeskus?)

 

Kurssikerta 3. Aineistojen yhdistely ja uuden tiedon tuottaminen

Kurssikerran alkuun harjoiteltiin eri aineistojen yhdistämistä ja harjoituksessa aineistona käytettiin Afrikan internetin käytöstä, luonnonvaroista ja konflikteista kertovia aineistoja. Taulukoiden yhdistely oli lähinnä MapInfon ja hieman SQL kyselyiden käytännön harjoittelua, mutta silti harjoituksen sivutuotteena saatiin kasaan varsin mielenkiintoinen aineisto. Aineistossa ei oltu eritelty konflikteja tai luonnonvarojen käyttöön liittyvää tietoa ajankohdan mukaan, mutta tässä blogimerkinnässä pohdimme, mitä aineistolla olisi voinut tehdä, jos siitä olisi saatu irti seuraavat tiedot:

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

Ensimmäisenä yllä olevaa listaa tarkasteltaessa tulee tietysti mieleen tarkastella, onko jollakin alueella luonnonvarojen (timanttikaivokset ja öljykentät) käyttöönotto johtanut konfliktin puhkeamiseen. Toisaalta voitaisiin myös tutkia luonnonvarojen tuottavuuden vaikutusta konfliktin laajuuteen. Aineisto olisi vieläkin mielenkiintoisempi, jos siitä selviäisi mahdollinen konfliktin päättymisvuosi, sekä luonnonvarojen kohdalla niiden hyödyntämisen loppumisen ajankohta. Näin voitaisiin selvittää myös päättyvätkö konfliktit sen jälkeen kun luonnonvarojen hyödyntäminen alueella lopetetaan.

Internetkäyttäjien lukumäärää on ainakin minun mielikuvituksellani vaikea nähdä konfliktien aiheuttajana, mutta se voisi hyvinkin olla mittari alueen varallisuudesta ja teknologisesta kehittyneisyydestä. Vertaamalla luonnonvarojen käyttöönoton aloittamista internetinkäyttäjämäärien kasvuun voitaisiin tutkia, kuinka alueen ihmiset mahdollisesti hyötyvät luonnonvarjojen käyttöönotosta. Voitaisiin myös pohtia vaikuttaako internetinkäyttäjämäärät siihen, kuinka hyvin konfliktista saadaan tietoa ja voisiko tämä mahdollisesti näkyä konfliktitilastoissa. Pekka Jalkanen tuo myös hyvän ajatuksen siitä, että internetin käyttäjäaste heijastelee koulutusastetta, vuoden 2013 blogitekstissään. Kuten Pekka mainitseekin, on ajatus järkeenkäypä, onhan lukutaito perusedellytys internetin käyttämiselle.

Kurssikerran toisena tehtävänä oli luoda kartta, josta selviää järvisyysprosentti sekä tulvaindeksi valuma-alueittain. Aineistoina tehtävässä oli valuma-alueittain luokiteltu aineisto, josta selvisi keskialivirtaama (MNQ) ja keskivirtaama (MQ), keskiylivirtaama (MHQ) aineisto, joka oli myös luokiteltu valuma-alueittain, sekä valmis tietokanta eri alueiden järvisyysprosenteista ja polygonitietokanta suomen järvistä. Ensimmäinen tehtävä oli siis yhdistää aineistot yhteen tietokantaan, jotta kartta saataisiin laadittua.

Tulvaindeksin laskemiseen tarvittavat tiedot saatiin varsin suoraviivaisesti virtaama-aineistoja yhdistelemällä, sillä aineistoissa oli käytetty samaa aluejakoa. Järvisyysprosenttia lisättäessä oli valmiissa tietokannassa käytetty samaa aluejakoa, mikä teki aineiston käytöstä myös suoraviivaista. Kun järvisyysprosenttia lähdettiin laskemaan digitoitujen järvien pinta-aloista, täytyi järvet ryhmitellä sen mukaan, minkä valuma-alueen sisään ne jäivät.

Koska minulla oli nyt käytössä kaksi eri lähteistä saatua järvisyysprosenttia eri valuma-alueille, täytyi seuraavakasi valita kumpaa aineistoa tulisin käyttämään varsinaisessa lopputuotoksessa eli teemakartassa. Tietokannan taulukkoa tarkastellessa huomasin digitoitujen järvien pinta-alojen perusteella lasketun järvisyysprosentin olevan kauttaaltaan hieman matalampi, mutta tämä ei vielä kertonut minulle mitään, siitä kumpaa aineistoa pitäisin luotettavampana. Kun laadin pylväskartogrammin, josta näkyi molempien aineistojen perusteella laskettu järvisyysprosentti, kävi selväksi, että digitoitujen järvien perusteella laskettu järvisyysprosentti oli huomattavasti alhaisempi niillä valuma-alueilla, jotka ulottuivat Suomen rajojen ulkopuolelle. Selitys tälle löytyi siitä, että järvi aineistossa oli ainoastaan Suomessa sijaitsevat järvet. Tästä syystä päädyin käyttämään valmiista tietokannasta saamiani järvisyysprosentteja, joiden olettaisin olevan luotettavampia niillä valuma-alueilla, jotka ulottuvat Suomen rajojen ulkopuolelle.

Kuva 1. Järvisyysprosentit valmiista tilastosta sekä digitoitujen järvien pinta-alan mukaan laskettuna.
Kuva 1. Järvisyysprosentit valmiista tilastosta sekä digitoitujen järvien pinta-alan mukaan laskettuna.
Järvet -aineistossa esiintyvien järvien sijainti Suomen rajojen sisäpuolella, vaikka valuma-alueet ulottuisivat rajojen ulkopuolelle.
Kuva 2. Järvet -aineistossa esiintyvien järvien sijainti Suomen rajojen sisäpuolella, vaikka valuma-alueet ulottuisivat rajojen ulkopuolelle.

Tuottamassani teemakartassa kuvataan järvisyysprosenttia pylväsdiagrammilla, ja tulvaindeksiä koropleettikartalla. Koropleettikarttaa laadittaessa päädyin luokittelemaan aineiston luonnollisten luokkarajojen perusteella, sillä aineiston jakauma oli vinoutunut varsin epäsäännöllinen. Päädyin viiteen luokkaan, sillä halusin pitää kartan luettavuuden hyvänä, ja mielestäni viisi luokkaa riitti tuomaan esiin tulvaindeksiin vaikuttavia tekijöitä. Ylimpään luokkaan tuli ainoastaan Aurajoen valuma-alue, joka on 1100 tulvaindeksillään selvästi muiden alueiden yläpuolella. (seuraava alue Halikonjoki 500). Tämä tarkoitti sitä että muu aineisto käytännössä jakautui neljään luokkaan. Mielenkiintoisesti jo aiemmin mainitsemassani Pekka Jalkasen blogissa Pekka oli päätynyt käyttämään samassa tehtävässä neljää luokkaa, perustellen asiaa sillä, että viidennen luokan lisääminen heikentäisi kartan luettavuutta. Verrattaessa minun ja Pekan tuottamaa karttaa täytyy minun ehkä myöntää, että erityisesti pienessä koossa neljä luokkaa tuo selkeämmän kontrastin Pohjanmaan ja etelä-rannikon valuma-alueitten välille, mutta toisaalta mielestäni käyttämäni viisi luokkaa tuovat selkeämmin esille erityisesti Pohois-Suomessa järvisyyden vaikutusta tulvaindeksiin. Hyvänä esimerkkinä Inarinjärvi ja ympäröivät alueet. Kai se mitä tästä pitää oppia, on se, että jo luokkarajoja valittaessa tulee kartan lopullinen käyttötarkoitus ja julkaisumedia pitää mielessä.

Järvisyysprosenttia kuvaavia pylväitä laadittaessa, suurimmaksi ongelmaksi muodostui pienempien valuma-alueiden ahtaus, mutta käyttämällä pieniä pylväitä saadaan pylväät erottumaan toisistaan kohtalaisesti. Koska kartalta ei ole tarkoitus tehdä mitään tarkempia mittauksia, ei mielestäni ole täysin tarpeellista saada pylväitä täysin erilleen vaan riittää, että karttaa katsomalla saa suurpiirteisen kuvan jonkin alueen järveisyysprosentista.

Kuva 3. Tulvaindeksi, ja järvisyysprosentti Suomessa valuma-alueittain
Kuva 3. Tulvaindeksi, ja järvisyysprosentti Suomessa valuma-alueittain

Karttaa tarkasteltaessa huomataan suuren tulvaindeksin omaavien valuma-alueiden olevan sellaisia, että ne eivät jatku laajoille alueille sisämaahan vaan ovat pienempiä alueita rannikon tuntumassa. Järvisyys prosentin ja tulvaindeksin korrelaatiota tarkastellessa havaitaan, että järvisemmillä alueilla tulvaindeksi on pienempi, kuin muutoin saman tyyppisillä alueilla joilla järvisyys on vähäisempää. Tässä erottuu hyvin järvisemmän Etelä-Suomen ja vähäjärvisemmän Pohjois-Suomen välillä. Havaintojen perusteella vaikuttaisi siltä, että laajoja alueita käsittävät valuma-alueet eivät ole niin herkkiä tulvimaan, koska paikalliset sateet eivät vaikuta suurempaan kokonaisuuteen yhtä voimakkaasti, kuin pienemmällä alueella. Toisin sanoen on todennäköisempää, että koko pienen valuma-alueen alueella sataa rankasti, kuin että koko suuren alueen alueella sataa rankasti. Järvisyyden vaikutus selittyy luultavasti sillä, että järvet varastoivat valuma-alueelle satavaa vettä, ja näin tasaavat virtaamaa.

Lähteet:

Pekka Jalkanen “PAK: Kurssikerta 3” Geosciencing and Cartography,  6.2.2013, Luettu 31.1.2015 https://blogs.helsinki.fi/pjalkane/2013/02/06/pak-kurssikerta-3/

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

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

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

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

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

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

Kurssikerta 2, Kahden muuttujan koropleettikartat

Kurssikerralla harjoiteltiin useamman teeman esittämistä samalla teemakartalla. Päätin tutkia teemakarttani avulla kaupunkiasumisen ja maaseutumaisen asumisen vaikutusta sairastamiseen Pohjois-Suomessa. Valitsin asumisen laatua kuvaavaksi mittariksi taajama-asteen (Tilastokeskus 2013), ja sairastamisen mittarina erikoiskorvattaviin lääkkeisiin oikeutettujen osuus väestöstä. (THL 2013) Päätin esittää teemat päällekkäisellä koropleettikartalla, siten että Taajama-astetta ilmaistiin värisävyllä ja lääkekorvauksiin oikeutettujen osuutta pisterasterilla. Luokkarajoja valittaessa tasaväliset luokkarajat ja kolme luokkaa toimi hyvin kummassakin aineistossa. Luokkien määrän pidin pienenä pitääkseni kartan luettavuuden siedettävänä.

Minulla oli hieman vaikeuksia rasterikuvion valinnassa, jotta rastereiden erot erottuisivat selkeäst, mutta toisaalta eivät peittäisi värejä alleen tiheimmässäkään luokassa. Erityisesti rasterikuvioiden erottaminen toisistaan oli erittäin hankalaa pienikokoisissa kartoissa. Tähän ongelmaan liittyen huomasin oman karttani tehtyäni Oskar Rönnbergin koulutusta ja tuloja käsitelleessä kartassa varsin näppärän ratkaisun ongelmaan.  Jättämällä pienimmästä rasteriluokasta rasteri kokonaan pois, saatiin kuvaan selkeästi kolme eri rasteriluokkaa, ilman että väreillä esitettyjen luokkien luettavuus siitä pahemmin kärsi. Kuten omassa kartoissanikin, ei pisterasterin luettavuus pienikokoisessa kartassa tästä kuitenkaan parantunut suuremmin.

Kuva 1. Erikoiskorvattaviin lääkkeisiin oikeutettujen osuus ja taajama-aste Pohjois-Suomessa.
Kuva 1. Erikoiskorvattaviin lääkkeisiin oikeutettujen osuus ja taajama-aste Pohjois-Suomessa.

Olin ajatellut että kaupungeissa ihmiset olisivat keskimäärin sairaampia, perustuen mielikuvaani siitä, että maaseudulla ihmiset elävät aktiivisempaa ja stressittömämpää elämää, mikä johtaisi pienempään sairastavuuteen. Kartalta kuitenkin näyttäisi siltä, että tilanne on pikemminkin päinvastoin. Kaupunkilaiset vaikuttavat käyttävän keskimäärin vähemmän lääkkeitä. Hetken tuloksia pohdittuani totesin että väestö on kaupungeissa keskimäärin nuorempaa, mikä selittää pienempää sairastavuutta. Testatakseni tätä ajatusta tein toisen kartan, josta näkyy eläkeläisten osuus (Tilastokeskus 2013) ja erityiskorvattaviin lääkkeisiin oikeutettujen osuus.

Kuva 2. Erikoiskorvattaviin lääkkeisiin oikeutettujen osuus ja eläkeläisten osuus Pohjois-Suomessa
Kuva 2. Erikoiskorvattaviin lääkkeisiin oikeutettujen osuus ja eläkeläisten osuus Pohjois-Suomessa

Tällä kertaa kartasta näkyy selkeä korrelaatio. Siellä missä on paljon eläkeläisiä, käytetään paljon lääkkeitä. Molempia karttoja tarkastelemalla voidaan myös todeta eläkeläisten osuuden olevan pienempi kaupungeissa, erityisesti Oulun alueella, mikä selittää alueen matalaa lääkkeiden käyttöä.

Jotta varsinaisesta ilmiöstä, jota halusin tutkia, eli kaupunkiasumisen vaikutuksesta sairastavuuteen, saataisiin parempi kuva, täytyisi lääkekorvauksia saavien osuudet ryhmitellä iän mukaan. Harjoitus oli kuitenkin sikäli informatiivinen, että siinä tuli hyvin esille, kuinka korrelaatio ei välttämättä tarkoita kausaliteettia, vaan taustalla voi vaikuttaa kolmas selittävä tekijä.

Artikkelihajroitus:

Kurssikerran toisena harjoituksena luimme Anna Leonowicz:in artikkelin “Two-variable choropleth maps as a useful tool for visualization of geographical relationship” (GEOGRAFIJA 2006). Kuten jo otsikosta havaitaan artikkeli käsittelee kahden muuttujan koropleettikarttoja, kahden ilmiön vuorovaikutuksen visualisoinnissa. Siinä käsitellään kahden värin käyttöä molempien muuttujien ilmaisussa kurssikerran harjoitustyössä käyttämäni väri-rasteri esityksen sijaan. Artikkelissa esitellään koe, jossa tutkittiin hyvin tehdyn kahden muuttujan koropleettikartan, sekä yhden muuttujan koropleettikartan kykyä esittää lukialle tietoa kahden ilmiön alueellisesta esiintymisestä, sekä korrelaatiosta. Kokeen lopputuloksena todetaan johtopäätöksissä yhden muuttujan karttojen antavan paremman kuvan ilmiön aluuellisesta esiintymisesta, mutta, että riittävän luettava kahden muuttujan koropleettikartta antaa paremman kuvan kahden ilmiön korrelaatiosta alueittain. Johtopäätöksissä todetaan myös, että kahden muuttujan kartoissa, on suuri vaara, että kartoista tulee epäselkeitä.

Artikkeli oli mielestäni erittäin mielenkiintoinen, erityisesti sen osalta kuinka se havainnollisti värien käytön merkitystä kahden ilmiön korrelaatiota esitettäessä. Ajatus siitä, että sen sijaan, että pyrittäisiin esittämään kahden ilmiön esiintymistä samalla kartalla, jotta lukija voisi sitten tulkita havaitaanko ilmiöiden välillä yhteyttä, estetäänkin kartalla suoraan väreillä ilmiöiden korrelaatiota, vaikuttaa mielestäni hyvinkin järkevältä. Erityisen hyvin tämä ajatus tuli mielestäni esille artikkelin kuvassa 4. jossa alueet, joilla molemmat ilmiöt esiintyvät samassa suhteellisessa suuruusluokassa, kuvataan A kohdassa harmaalla, minkään väriesityksen sijaan. Tälläisestä kartasta nähdään hyvinkin helposti onko kahden ilmiön välillä havaittavissa korrelaatiota joillakin alueilla, mutta toisilla ei. Kun A kohdan kuvaa verrataan B kohdan kuvaan tulee harmaan käyttämisen etu mielestäni erittäin hyvin esille. Vaikka B kohdan kuva rajattaisiinkin kolmeen luokkaan (jätettäisiin viher-kelta-puna –osio kokonaan pois) antaa harmaan käyttö mielestäni paremman kuvan, siitä missä ilmiöt esiintyvät yhdessä, kuin B kohdassa käytetyt sinisen eri sävyt.

Värien valinta kahden muuttujan koropleettikartassa A: J.R.Eyton (1984) B: Us Bureau of Census. Lähde: A. Leonowicz
Värien valinta kahden muuttujan koropleettikartassa A: J.R.Eyton (1984) B: Us Bureau of Census. Lähde: A. Leonowicz

Artikkelissa esitetty legenda on myös mielestäni mielenkiintoinen, silä tavanomaisesta legendasta poiketen, se sisältää olellista informaatiota itsessään, pelkän kartan tulkinnan helpottamisen sijaan. Legendan jokainen ruutu kertoo, mihin molempien muuttujien luokkaan se kuuluu. Toinen luokka luetan pysty- ja toinen vaaka-akselilta. Legendasta voidaan havaita yksittäisten aineiston alkioiden todelliset arvot, pelkän luokittelun sijaan. Se myös esittää 9 eri luokkaa varsin kompaktissa muodossa, josta on helppo havaita luokkien keskenäiset suhteet. Jos legenda olisi tehty samoin kuin yhden muuttujan koropleettikartoissa tyypillisesti on yhdekssällä erivärisellä laatikolla, olisi sen ymmärtäminen varmasti todella paljon vaikeampaa.

Kahden muuttujan koropleettikartan legenda. Lähde A. Leonowicz
Kahden muuttujan koropleettikartan legenda. Lähde A. Leonowicz

Artikkelissa minua jäi hieman hämmentämään luokkarajojen valinnassa käytetty metodi. Kuten legendastakin voidaan havainnoida tulee luokkarajat valita siten, että alueet joilla tutkittavat ilmiöt esiintyvät samassa suhteessa sijaitsevat kummankin muuttujan asteikolla samassa kohtaa, mutta miten nämä toimivat luokkarajat lasketaan jai hieman epäselväksi. Tähän varmasti vaikuttaa oma osaamattomuuteni tilastollisiin menetelmiin liittyvissä asioissa, sekä artikkelissa esiintyvien termien tuntemattomuus.

Kahden muuttujan koropleettikartta vaikuttaisi olevan joissakin tapauksissa varsin toimiva ratkaisu, mutta se vaatii, että kartan lukija ymmärtää mistä kartassa oikein on kyse. Käytännössä lukijan tulee itsekkin olla ollut tekemisissä tälläisten karttojen kanssa, eli kahden muuttujan koropleettikartan käyttö on hyödylistä lähinnä muille maantieteilijöille, tai muille asiaan perehtyneille henkilöille suunnatuissa esityksissä. Kartasta on mahdollista lukea tehokkasti paljon informaatiota, mutta se ei ole kovinkaan intuitiivinen ja kun myös legendan ymmärtäminen vaatii, sen että lukija tietää miten tälläistä legendaa pitäää oikein tulkita, ei tämä esitystapa tunnu kovinkaan toimivalta esimerkiksi sanomalehdessä tai muussa julkaisussa, jossa lukija helposti sivuttaa koko artikkelin, jos ei tunnu sitä heti ymmärtävän.

 

LÄHTEET:

O. Rönnberg, “Päällekkäiset koropleettikartat” Oskarin PAK-Blogi 23.1.2015 luettu 31.1.2015

https://blogs.helsinki.fi/oskaronn/2015/01/23/paallekkaiset-koropleettikartat/

Erityiskorvattaviin lääkkeisiin oikeutettujen osuus: THL, SOTKANET 2013.

Taajama-aste: Kunnat 2013 aineisto, Tilastokeskus

Eläkeläisten osuus: Kunnat 2013 aineisto, Tilastokeskus

A. Leonowicz, “Two-variable choropleth maps as a useful tool for visualization of geographical relationship” GEOGRAFIJA 2006, Nr. 42 sivut: 33-37.

https://moodle.helsinki.fi/pluginfile.php/888755/mod_resource/content/0/KK2/Geog_033_037_spalvotas.pdf

 

Ensimmäinen kurssikerta, Koropleettikartat ja MapInfon käyttö

Ensimmäisellä kurssikerralla käsiteltiin MapInfon peruskäyttöliittymää, sekä koropleettikartan laatimista MapInfolla. Koska olin käyttänyt MapInfoa jo aiemmin, tuli käyttöliittymä kerrattua melko nopeaan, ja suurin osa kurssikerrasta menikin koropleettikarttojen parissa.

Laadin kurssikerralla kaksi koropleettikarttaa, joista toinen käsittelee eläkeikäisten osuutta asukkaista Helsingin eri alueilla, ja toinen tehtyjen rikosten määrää suhteessa asukaslukuun Suomen eri kunnissa. Molempien karttojen laadinnassa keskeisin vaihe oli kartassa esiintyvien luokkarajojen määrittely.

Eläkeläisten osuus asukkaista Helsingissä alueittain
Kuva 1. Eläkeläisten osuus asukkaista Helsingissä alueittain (oletettavasti Helsingin kaupungin tilastokeskus)

 

Kuvatessani eläkeikäisten osuutta asukkaista päädyin tasaväliseen luokkajakoon, sillä tämä johti mielestäni informatiivisimpaan lopputulokseen. Tasaisia välejä käytettäessä värisävyn vaihtuessa on muutos edelliseen luokkaan nähden aina yhtä suuri, ja näin ei synny virheellistä kuvaa eri alueilla esiintyvistä eroista. Koska erot eri alueiden välillä eivät olleet hirvittävän suuria (5-25% asukkaista), eikä mitään luokkaa ollut erittäin suuressa osassa alueita, ei tasaisten välien käytölle ollut mielestäni mitään esteitä.

Kartasta voidaan havaita eläkeikäisten osuuden väestöstä olevan suurempi keskustan ja aivan syrjäisimpien alueiden välisillä alueilla. Kuitenkin siten, että keskustassa suurempi osa asukkaista on eläkeläisiä, kuin aivan uloimmilla alueilla. Voidaan myös havaita, että kaikkein kalleimmilla asuinalueilla eläkeikäisten osuus on suuri (Esim. Kulosaari, Kaivopuisto). Tätä selittää, se ettei nuorella väestöllä yleensä ole tarvittavaa varallisuutta asunnon hankkimiseen kaikkein kalleimmilta alueilta. Muutoinkin eläkeläisten suurta osuutta jollakin alueella, saattaa selittää myös muiden asukkaiden haluttomuus asua alueella, eikä niinkään alueen erityinen vetovoimaisuus eläkeläisiä kohtaan.

Kartografisesta näkökulmasta tarkastellen eläkeikäisten osuutta kuvaava kartta onnistui mielestäni varsin hyvin. Se esittää tarkasteltavan ilmiön mielestäni helppotajuisessa muodossa ja siitä saa mielestäni yhdellä silmäykselläkin suhteellisen oikean kuvan siitä missä alueen väestöstä suhteellisesti suurin osa on eläkeikäisiä. Visuaalisesti kartta oli hieman haastava, sillä koska kyseessä oli koropleettikartta täytyi alueet tietysti värittää luokan kertovalla sävyllä, mutta jos olisin vain värittänyt alueet kokonaan, olisi Helsingin saaristossa olevia alueita ollut vaikea tunnistaa. Toisaalta jos nostin meren ja rantaviivan aluejaon yläpuolelle oli vaikea hahmottaa missä eri alueiden rajat kulkivat saaristossa, Erityisesti jos kaksi vierekkäistä aluetta kuuluivat samaan luokkaan. Päädyinkin kompromissiratkaisuun, jossa nostin meren ja rantaviivan alueiden täytevärin yläpuolelle, mutta jätin päällimmäiseksi alueiden rajaviivat, jotta eri alueiden rajat tulisivat selkeästi esille. Mielestäni tämä ratkaisu tarjosi varsin tyydyttävän kompromissin.

SuomenRikoksetKunnittain
Kuva 2. Tietoon tulleet rikokset sataa asukasta kohden kunnittain Suomessa (oletettavasti Tilastokeskus)

 

Rikosten määrää suhteessa väkilukuun esitettäessä päädyin hieman erilaiseen luokkajakoon. Aineiston jakauma oli voimakkaasti vinoutunut, siten että suurimmassa osassa kunnista oli rikosten määrä per 100 asukasta välillä 0-10, mutta joissakin kunnissa huomattavasti tämän välin yläpuolella. Tämä tarkoitti sitä, että tasavälistä luokkajakoa käytettäessä ei jokaiseen luokkaan olisi edes tullut yhtään kuntaa, ja kunnissa joissa rikollisuus oli vähäistä, ei eri kuntien välisiä eroja olisi tullut lainkaan esille. Toisaalta tasamääräistä luokkajakoa käytettäessä olisi ylimmästä luokasta tullut kohtuuttoman suuri. Tästä syystä päädyin käyttämään luokitusta, jossa rikosten määrä asukasta kohden kaksinkertaistuu luokasta toiseen siirryttäessä. Muiden blogeja selatessani huomasin myös Leila Soinion päätyneen saman tyyppiseen ratkaisuun oman ulkomaiden kansalaisten osuutta Suomen kunnissa käsittelevän, vinon jakauman omaavan, aineistonsa kanssa (Leilan blogi).

Aineiston jakaumaa tutkittaessa, ja sitä kautta luokkarajojen jakoperustetta valittaessa oli histogrammityökalu oiva apu, koska sillä oli helppo havainnoida nopeasti, kuinka eri kokoisilla luokilla luokkien määrä, ja tietyn luokan edustajien määrä vaihtelee .  Leilan blogissa on myös hyvä kuva, joka selventää histogrammin hyötyjä jakaumaa tutkittaessa.

Käyttämäni luokitus ei kuitenkaan ollut täysin optimaalinen sellaisenaan, sillä aineistossa oli yksi kunta, Virolahti, joka erottui selvästi muusta aineistosta. Virolahdella tehtyjen rikosten määrä sataa asukasta kohti oli 48, kun taas seuraavana aineistossa olleessa Tohmajärven kunnassa se oli vain 16, eli kolmasosa siitä mitä Virolahdella. Koska Virolahti oli ylimmässä luokassa yksinään, asetin ylimmän ja toisiksi ylimmän luokan välisen rajan seitsemääntoista kahdenkymmenen sijaan, jotta ei syntyisi virheellistä kuvaa, että jossakin toisiksi ylimmän luokan kunnassa rikosten määrä  sataa asukasta kohden yltäisi kahteenkymmeneen.

Kartasta näkyy rikollisuuden olevan yleisempää suurissa kaupungeissa, sekä EU:n ulkorajoilla, rajanylityspaikkojen läheisyydessä. Esimerkkeinä tästä Kilpisjärvi, Virolahti, Lappeenranta, Imatra ja Tohmajärvi. Erityisesti virolahden erottumista aineistossa selittää varmasti sen sijainti itärajalla ja vaalimaan rajanylityspaikan sijainti kunnassa. Kartta ei ota kantaa siihen minkälaista rikollisuutta poliisin tietoon on tullut, joten esimerkiksi Virolahdelle saattaa hyvinkin rekisteröityä kaikki Vaalimaalla tapahtuneet rajanylitykseen liittyvät rikokset, kuten salakuljetus tms. Tämä ei siis sinänsä kerro mitään esimerkiksi Virolahden turvallisuudesta asuinympäristönä. Myöskään ei ole todennäköistä, että rajakunnissa tapahtuneessa rikollisuudessa olisi kovinkaan usein tekijänä, taikka uhrina kunnan asukas, joten rikosten määrän vertaaminen asukaslukuun ei ehkä ole kovin mielekästä.

Kartta tarjoaa mielestäni varsin hyvän kuvan itse ilmiöstä muualla Suomessa, eli rikosten suhteesta asukaslukuun, mutta se vaatii saatteekseen kuvatekstin, jossa muistutetaan, ettei kartta tarjoa tietoa siitä minkä tyyppistä rikollisuutta kunnassa tapahtuu, tai esimerkiksi tietoa siitä onko rikollisuus kunnan asukkaiden vai sen ulkopuolelta tulevien henkilöiden tekemää, kuten on esimerkiksi rajalla sijaitsevien kuntien tapauksissa todennäköistä. Visuaalisesti kartta on suhteellisen helppolukuinen ja eri alueet erottuvat mielestäni hyvin. Värien valinnassa virolahti aiheutti hieman päänvaivaa, sillä suhteellisen pienikokoisena, oli hieman hankalaa havaita sen kuuluvan eri luokkaan, kuin toiseksi ylimpään luokkaan kuuluvat kunnat, joten päätin tehdä sävynmuutoksesta ylimmän ja toisiksi ylimmän luokan välillä hieman korostetumman, kuin mitä olin tehnyt muiden luokkarajojen kohdalla. Muutoinkin käytin kartassa kohtalaisen räikeitä sävyeroja, mikä on mielestäni perusteltua, sillä ero suurimman ja pienimmän luokan välillä on 12 kertainen. Pohjoisnuolen ja mittakaavan merkitystä tässä kartassa voidaan hieman miettiä, sillä voidaan mielestäni olettaa, että lukija tietää mikä pää suomesta on pohjoista kohti. Myöskään kuntien todellinen koko, ei ehkäpä ole kovin oleellista tarkasteltavan ilmiön kannalta. Kartta toimii mielestäni parhaiten kun ilmiötä halutaan kuvata karkealla tasolla, mutta toisaalta tämä mahdollistaa kartan selkeyden ja toimimisen varsin pienikokoisenakin.

Lähteet:

Eläkeläisten määrä ja asukasluku alueittain Helsingissä: Helsingin kaupungin tilastokeskus

Tietoon tulleet rikokset ja väkiluku kunnittain Suomessa: Tilastokeskus

Moikka Maailma ja MapInfo! (Leila Soinio 2015) Leilan paikkatietopulinaa. Luettu 21.1.2015
https://blogs.helsinki.fi/lsoinio/2015/01/19/moikka-maailma/