Its ready..

Seikkailut MapInfon kanssa ovat tulleet tältä erää päätökseen! Tuntuu siltä, että jotain on jopa jäänyt päähän ja siinä tärkeässä roolissa on ollut tämä kurssin aikana päivitelty blogi. Analyysitekstien lisäystapa näin kaikkien nähtäville on toiminut tehokkaana motivaattorina ja myös pistänyt arvoimaan omia tuotoksia kriittisesti, kun on pystynyt vertaamaan omia ajatuksia muiden kurssilaisten blogien sisältöön. Näin omaan ajatusten juoksuun on saanut uudenlaisia puolia ja myös kartografisiin ulottuvuuksiin on tullut paljon uutta tietoa. Suurin kiitos kurssilla opituista taidoista kuuluu kuitenkin Helsingin Yliopiston Arttu Paarlahdelle, jonka tapa opettaa ja olla opiskelijoiden tukena on mahtavaa. Ties millaisiin kysymyksiin on aina kerta jälkeensä saanut vastauksen.

Ensi syksynä päästäänkiin sitten käsiksi vanhempien opiskelijoiden puheiden mukaan siihen “oikeaan” paikkatieto-ohjelmaan. Taidokkaan Pyry “Karttavelho” Poutasen sanoja lainaten: “Seuraava askel bittimaantieteessä lienee ArcGIS, bring it on!”

So lets bring it on!!

Artikkeli 2: Mapping America: Every City, Every Block

Kurssin toisessa artikkelissa saimme tehtäväksi tarkastella New York Timesin paikkatietomuotoista palvelua Yhdysvaltojen ja tehdä palvelusta SWOT-analyysi tiedon saatavuuden näkökulmasta (Strengths, Weaknesses, Opportunities, Threats). Palvelussa on on tarjolla otantojen avulla vuosina 2005-2009 kerättyjä, arvoituja tietoja maan ihmisrotujen ja etnisyyksien jakautumisesta, erilaisia kuvauksia ihmisten tuloista, kiinteistöistä ja perheiden rakenteista sekä myös erilaisia kuvauksia eri asteiden koulutuksen jakautumisesta. Palvelu on hyvä kirjo ja esitys yhdysvaltojen monipuolisuudesta valtiona. Sen kautta pystyy hyvin ymmärtämään maan kulttuurien kirjon, mutta myös tuloerojen järisyttävän vaihtelun ja esimerkiksi paljon ansaitsevien asukkaiden suuren määrän joillain alueilla.

SWOT-analyysi terminä ja analyysin tekovälineenä oli melkoisen vieras omalla kohdalla ja tarkastelinkin hieman ennen omaa toteutusta muiden kurssilaisten toteutustapoja (sisältöä kuitenkaan suuremmin lukematta). Pyry Poutanen oli esimerkiksi valinnut hyvän lähestymistavan väliotsikkojen avulla ja tätä päätin lähteä myös itse soveltamaan, tarkastelemalla aihetta analyysin yksi osa kerrallaan.

Ehdottomaksi vahvuudeksi tiedon saatavuudessa palvelussa nousee aineiston laajuus ja etenkin sen tarkkuus. Tietojen kerääminen on arvoiden tekemisestä huolimatta ollut kovan työn takana ja silti aineistoa on tarjolla lähimmälle tasolle tarkentaessa korttelin tarkkuudella ja hieman epätarkemmin lähempääkin. Tämä tarkkuus siis toki vain pisteaineistoa esittävissä kartoissa. Laajuuttaa kuvaa myös etnisiä ryhmiä tarkasteltaessa, kuinka esille on tuotu valkoihoisten ja mustien lisäksi vahvasti maassa edustettuina olevat “hispaani” ja aasia–taustaiset. Näiden avulla esimerkiksi Los Angelesin alueella pystyy näkemään eri väestöryhmien keskittymisalueiden jakautumisen selvästi (Kuva 1.).

Untitled

Kuva 1. Etnisten ryhmien jakautuminen Los Angelesin alueella. Keskittymät ryhmien välillä on selvästi nähtävissä.

Näin kehittyneemmälle kartanlukijalle ärsyttäväksi heikkoudeksi melkein samantien karttaa lähemmillä tarkkuusasteilla tarkasteltaessa tuli mittakaavan puuttuminen. Isompia alueita kuvatessa puuttuminen ei niinkään häiritse, mutta pienempää aluetta tarkasteltaessa on vaikeaa käsittää ja arvoida kuinka suurista määristä väestöä minkäkin kokoisella alueella puhutaan, kun teiden pituuksia ei pysty arvioimaan. Palvelun selväksi heikkoudeksi voi myös sanoa aikaisemmin ylistämääni arvointia, koska lukijalle ei tarkemmin tarjota tietoa millaisista otannoista oikeastaan on kyse. Onko arviot tehty satojen ihmisten vai satojen tuhansien ihmisten kartoittamisen perusteella? Tämä tuo karttoihin selvää tulkinnanvaraisuutta: Ovatko kartalla näkyvät tiedot oikeaa todellisuutta?

Mahdollisuuksia pohtimaan lähtiessä mieleeni tuli karttojen visuaalisen esittämisen tarjoama potentiaalisuus. Karttojen avulla ilmiöitä pystytään kuvaamaan sanoja paljon tehokkaammin ja myös helpommin ymmärrettävästi. Näinpä palvelussa olevaa paikkatietomuotoista ainestoa pystyy käyttämään hyvin osana tosiasioiden esittämistä, joilla pystyisi vaikuttamaan ihmisten käsityksiin omasta maastaan. Tuloeroja ja koulutusta esittävät kartat toimisivat esimerkiksi hyvin, jos tietoisuutta maan sisältämistä eroista haluttaisiin tuoda esille. Kun esitettyjen sanojen tueksi on esittää luotettavaa visuaalista dataa, nousee ihmisten mielenkiinto ja usko samantien. Väestödata toimisi myös hyvänä apuvälineenä herättämään ajatuksia maassa jatkuvasti kasvasta segregaatiosta. Tästä hyvä esimerkkinä kuva yksi Los Angelesista.

Mielestäni vahvimpana uhkana palvelun tiedonsaatavuudesta toimii oikeastaan sen suurin vahvuus, eli aineiston laajuus. Koska aineisto on näinkin laaja, tulee ihmisten tietoon ehkä liikaakin omasta asuinalueesta ja eri väestöryhmien keskittymisestä. He saattavat tämän kautta tuntea kuuluvansa huonommin asuinympäristöönsä tai vaihtoehtoisesti olevansa kauhuissaan mitä omassa naapurustossa onkaan. Pahimmasta päästä olevana esimerkkinä on ehdottomasti saman sukupuolen talouksia kuvaava kartta. Kartalta on todella tarkastikin nähtävissä mille alueille homoparit ovat keskittyneet asumaan. Tämä voi olla paha uhka saman sukupuolen edustajille pyrkimyksessä olla osana yhteiskuntaa, kun keskittymisalueet ovat rasistisilla heteroseksuaaleilla tiedossa. Anniina Miettinen tuo blogissaan hyvin esille havaittavissa olevat segregaation uhat: “Palvelu on omiaan tukemaan segregaatiota entisestään. Kuka vaan voi muuttaessaan tarkistaa että uudella asuinalueella ei varmasti asu homopariskuntaa, eikä tummaihoisia, eikä köyhiä. Onhan se ehkä toisinaan mielekästä, että vaikka New Yorkiin muuttava kiinalainen voi tarkistaa missä päin on muita kiinalaisia. Monelle yksilölle on varmasti kiva ja helppo ratkaisu mennä “omiensa joukkoon”, mutta se ei kyllä pidemmällä tähtäimellä edistä tasa-arvoista yhteiskuntarakennetta.”. Tämän kautta siis tietyille alueille muuttamisen välttäminen on mahdollista ja eriytyminen tuntuu vain lisääntyvän, kun tiedossa on rasismia vahvistavia tietoja asuinalueesta ja luotetaan enemmän tuttuun ja turvalliseen seutuun, jossa tiedetään oman etnisen ryhmän olevan vahvasti edustettuna.

Verratessa palvelua suomalaiseen käytäntöön tilattavasta, yksityiskohtaisesta aineistoa, on New York Timesin palvelusta jäävä kuva vapaampi. Yhdysvallat on iso maa ja mielestäni siellä toimii hyvin, että kaikki pystyvät ottamaan selvää oman asuinalueensa tiedoista arvioiden kautta, koska tarkempi kartoittaminen olisi todella työläs ja resursseja vaativa prosessi. Tietojen luovuttaminen laajalle väestölle yksitellen suomalaisella tavalla olisi myös haasteellista. Palvelu tuo esille maailmassa olevia tosiasioita, joita ihmisten on hyvä tietää maastaan ja asuinalueestaan – johonkin pisteeseen saakka. Moni on sanonut, että tieto lisää tuskaa ja tätä lausahdusta myötäillen liian tarkasti yhteiskunnalle herkkien aiheiden liian helppo esille tuominen voi tuottaa huonoja seurauksia. Suomi voi ottaa palvelusta mallia yleisimpien teemojen osalta, kuten tuloerojen ja koulutuksen. Olisi hienoa jos saatavilla olisi näin helppo teemakarttapalvelu – vai onko sellainen jo täällä pohjolassakin?

Lähteet:

Miettinen, A. (2014). SWOT, New York Times. <https://blogs.helsinki.fi/mianmian/2014/02/28/swot-new-york-times/> 7.3.2014.

Poutanen, P. (2014). Mapping America: Every City, Every Block. <https://blogs.helsinki.fi/pyrypout/2014/02/20/mapping-america-every-city-every-block/> 28.2.2014.

The New York Timesin paikkatietopalvelu. (2014). Mappin America: Every City, Every Block. <http://projects.nytimes.com/census/2010/explorer> 28.2.2014.

 

 

KK7: Omien taitojen testaus itse hankitulla aineistolla

Seitsemäs kurssikerta, kurssin seitsemännellä viikolla oli viimeinen laatuan ja tarjosikin kirsikkana kakun päälle omien taitojen testausta, kun tuntiin liittyen annettiin jo etukäteistehtävänä etsiä vähintään kahdesta muuttujasta ja n. 20-30 alueesta tietoa sekä myös vähintään bittimuotoinen kartta MapInfon käsittelyä varten. Etukäteen kerättyjen tietojen pohjalta kurssikerralla pääsisi tehokkaasti analysoinnin ja karttojen tuottamisen kimppuun. Tehtävän tuoman uuden haasteellisuuden lisäksi se oli myös äärimmäisen mielenkiintoinen, koska nyt pääsisi selvittämään tuloksia aidosti itse hankitun tiedon kautta ja työtä saisi tehdä aiheen parissa, joka itseä kiinnostaa.

Aluksi ajatuksena oli tuottaa aineistoa Kolumbiaan liittyvistä rikostilastoista, mutta espanjan kielen ymmärtäminen tuotti tässä vaiheessa liikaa ongelmia ja siirryin suosiolla Eurooppaan (tähän voikin todeta, että jo kielien alkeista olisi merkittävää hyötyä myös geoinformatiikassa!). Siellä oma kiinnostukseni heräsi Saksaa ja sen osavaltioita kohtaan. Keskeisenä Euroopan talousmaana Saksan väestörakenteet ja taloudelliset seikat kuulostivat mielenkiintoisilta. Asutuksen jakautuminen eri alueiden välillä oli myös kiinnostavaa.

Opettaja ohjeisti varaaman aineiston löytämiseen aikaa, joka osuikin hyvin naulan kantaan. Internetin maailmaan eksyy nopeasti etsimään monesta paikasta juuri sopivanlaista ainestoa ja aikaa kuluu huomaamatta. Lopulta kuitenkin onnistuin löytämään laajan googlettamisen ja vinkeiksi tarjottujen linkkien avulla muutamaankin karttaan tarvittavan määrän eri muuttujista kertovaa aineistoa. Eurostat, Saksan tilastokeskus ja City population tarjosivat hyvää ja luotettavaa aineistoa (Lähdeluettelo). Sainkin kasaan väestöstä tietoja eri vuosilta, työttömyysprosentteja ja osavaltioiden pinta-aloja, joiden avulla olisi mahdollista laskea väentiheyttä (Kuva 1.). Näillä tiedoilla pystyi hyppäämään hyvin taitojen testaamisen maailmaan kurssikerralla.

Untitled

Kuva 1. Tehtävää varten kerätty informaatio Saksan osavaltioista.

Tehtävän ensimmäisessä vaiheessa olisi bittimuotoisena hankittu kuva pitänyt liittää koordinaatistoon jo aiemmin käytetyn maailman maat sisältävän tietokannan avulla. Pystyin kuitenkin hyppäämään tämän vaiheen yli, kun Natural Earth tarjosi valmiiksi tehdyn vektorikartan maailmasta sisältäen kaikki osavaltiot ja provinssit. Tästä kartasta pystyi ilman suurempaa vaivaa select-toiminnon avulla valitsemaan Saksan osavaltioineen omaksi tietokannakseen niin, että kartalle näkyviiin uudessa tietokannassa jäi ainoastaan Saksan alue teemakartoitusta varten. Koska olin muokannut keräämäni aineiston jo MapInfoon sopivaan muotoon Excelissä oli myös sen lisääminen uuteen, Saksasta luotuun tietokantaan helppoa ja tehokasta. Natural Earthista tuotu tietokanta sisälsi myös ominaistietoa osavaltoittain ja näin mahdollisti tietokantojen yhdistämisen SQL-select toiminnolla, koska tarjolla oli molemmissa tietokannoissa samaa arvoa edustaneet sarakkeet eli osavaltioiden nimet. Haasteita ja luovuutta vaatisikin tällä kertaa eniten mahdollisimman hyvän ja informatiivisen kartan aikaansaaminen.

Mielenkiintoisimmaksi teemaksi aineistoa kerätessäni osoittautui seikka millä tavalla väkiluku näyttää muuttuneen osavaltioittain vuosien 1995 ja 2012 välillä. Joillain alueilla on pelkistä luvuista nähtävissä, että muutos on ollut vajaassa kahdessa kymmenessä vuodessa merkittävää luokkaa. Päätinkin lähteä käyttämään kartogrammissani väkiluvun muutosta vuodesta 1995 vuoteen 2012 pääteemana. Sopivaksi koropleettikartan väriskaalaksi koin punaisesta vihreään taittuvan, jaksoittaisen sarjan, jossa vihreä kuvaa positiivia väkiluvun muutoksia ja punainen negatiivisia (Kuva 2.). Luokkitteluasteikon päädyin myös vaihtoehtojen tarkastelun jälkeen luomaan itse, koska ei tuntunut tarkoitukseen sopivalta, jos keskimmäiseen luokkaan kuuluvat arvot olisivat sekä positiivisia ja negatiivisia. Näin pystyin varmistamaan, että vihreällä värillä kuvatut alueet todella olisivat positiivisia ja punaisella kuvatut negatiivisia. Itse luodun luokittelun avulla myös merkittävimmät muutosalueet sai rajattua järkevästi ylimpiin luokkiin. Näinpä siis satojen tuhansien muutokset sai rajattua hyvin erilleen kymmenistä tuhansista. Kaikkien osavaltioiden nimien lisääminen kartalle tuntui myös tärkeältä, koska suomalaiselle kartanlukijalle kyseessä saattaa olla melko vieras alue. En halunnut kuitenkaan jättää karttaa näin itsestäänselväksi, vaan halusin tarkastella toisen muuttujan kautta laajempaa spatiaalista ilmiötä Saksan alueella kartogrammin avulla. Tähän tarkoitukseen sopi loistavasti löytämäni aineisto osavaltoiden työttömyysprosenteista. Muuttovoitto- ja tappio vaikuttaa monesti melko suorasti alueen työpaikkoihin ja työttömyyteen, joten oli mielenkiintoista lähteä tarkastelemaan näitä kahta muuttujaa yhdessä. Sopivaksi kuvaustavaksi osoittautui pylväät kuvaamaan työttömyysprosentin suuruutta osavaltoiden välillä. Legendaan koin myös hyvänä lisätietona lisätä laajempaa tarkastelua varten Saksan valtion kokonaisväkiluvut tarkastellun ajanjakson alussa sekä lopussa ja kahden kokoiset pylväät työttömyysprosenttien osalta, jotta prosenttiluvun hahmottaminen olisi lukijalle vaivattomampaa.

Saksa_väestö_ja_työttömyys_viimenen

Kuva 2. Saksan väkiluvun muutos osavaltioittain vuosien 1995 ja 2012 välillä sekä työttömyysprosentit vuonna 2012. Nähtävissä on, että asukkaita menettäneillä alueilla työttömyys on alhaista, kun taas vahvoilla asukasluvun kasvualueilla myös työttömyyttä on havaittavissa enemmän.

Kartasta nähtävissä olevat tulokset olivat melko yllätyksellisiä verrattuna hypooteesiin, jota odotin tulosten antavan muuttujien välisestä suhteesta. Oman ymmärryksen mukaan esimerkiksi Suomessa raskaasta muuttotappiosta kärsivät alueet kärsivät myös suuresta työttömyydestä, kun väkiluvun laskiessa palvelut vähenevät ja alueen merkitys valtion talouden kannalta heikkenee. Löysinkin tähän mustaa valkoisella kunnat.net-sivustolta, josta on nähtävissä työttömyysprosentin kehitys Suomen maakunnissa. Tarkastelun tuloksena selvisi, että esimerkiksi tiheästi asutuilla alueilla, kuten Uudellamaalla ja Varsinais-Suomessa työttömyysprosentti on pienempi kuin harvemmin asutetuilla seuduilla. Tähän verrattuna olikin siis yllättävää, että taas Saksassa niillä alueilla, joilla väkiluku on viimeisen vajaan kahden kymmenen vuoden aikana kasvanut rajusti, on myös työttömyysprosentti selvästi suurempi kuin niillä, joissa väkiluku on laskenut selvästi. Esimerkiksi etelän suurissa osavaltoissa väkiluku on vähentynyt vähintään sadalla tuhannella asukkaalla, mutta työttömyys on silti todella alhaista luokkaa.

Vaikka tulos tuntuikin yllätykselliseltä, oli siihen olemassa kuitenkin myös pääteltävissä olevia syitä. Yksi tärkeä seikka mikä heikentää Suomen ja Saksan vertailukelpoisuutta, on väkiluvun suuri ero (alle kuusi miljoona vs yli 80 miljoonaa). Tämä seikka tuo Saksalle varmasti aivan erilaisia haasteita kansan työllistämisessä kuin pienellä pohjoisella kansalla. Väkiluvun suuruuden takia myös suuret keskukset ovat Saksassa paljon suurempia. Pienemmällä alueella on haasteellisempaa tarjota töitä kasvavalle väestömäärälle. Kolmantena seikkana on maan kokonaisväkiluku, joka on tarkasteltavan ajanjakson aikana vähentynyt yli miljoonalla. Tämä on saattanut joillain alueilla vähentää painetta työllistämiselle, kun väkiluku on myös luonnollisista syistä vähentynyt.

Työttömyyden osalta koin vielä hyvän aineiston käsillä olemisen takia hyväksi havainnollistaa työttömyysprosentteja koropleettikartan avulla osavaltoittain. Näin lukija ei ole pelkästään hieman epätarkkojen pylväiden varassa ja suurimman työttömyyden omaavat alueen ovat selvemmin nähtävissä:

Saksan työttömyysprosentti

Kuva 3. Saksan työttömyysprosentti osavaltoittain vuonna 2012.

Tästä kuvasta pystytään selkeästi vielä toteamaan, että työttömyys painottuu vahvimmin maan itäosiin. Karttoja vertailtaessa nähdään selvästi, että väkilukumuutoksellisesti positiivisilla alueilla on havaittavissa myös kaikista vahvinta työttömyyttä. Ilmiöitä liittyen Saksan väkilukuun ja työttämyyteen pystyisi vielä hyvin analysoimaan lisää jo oman aineistonikin avulla, jos laskettavasta asukastiheydestä muodostaisi koropleettikartan. Tämän avulla nähtäisiin miten maan työttömyys käyttäytyy tiheästi ja harvasti asutetuilla alueilla. On hienoa huomata, että oman mielenkiinnon heräämisen kautta ilmiöitä on kiinnostavaa lähteä selvittämään ja etsimään yhä uusia keinoja saatujen tulosten paikkaansa pitävyyden vahvistamiseksi ja niihin johtaneiden syiden löytämiseksi. Tämä kurssikerta sujuikin pääasiassa ongelmia ratkoessa ja erilaisia vaihtoehtoja teemakarttojen luomiseen kokeillessa eikä niin vahvasti kokoajan uutta luodessa.

Tässä vaiheessa kurssia, päättymisen häämöttäessä, voikin todeta, että viikkojen aikana on haltuun selvästi jäänyt peruspaketti MapInfon käyttöä varten. Myös yleisesti paikkatiedon ja geoinformatiikan ymmärtäminen laajana aihealueena on valottunut lisää räjähdysmäisesti. Kurssilla tarjottu opetus on ollut laadukasta ja itsenäiseen työskentelyyn harjoittavaa, jonka voi päätellä myös Natalia Erfvingin kommentista: “…vaikka alkuun ajattelin, että en ikinä oppisi luomaan tietokantoja itsenäisesti, näyttää sekin jo luonnistuvan jossain määrin.”.

Lähteet:

Bundesrat. (2014). Federal states. <http://www.bundesrat.de/cln_320/nn_11626/EN/organisation-en/laender-en/laender-en-node.html?__nnn=true> 22.2.2014.

City population. (2014). Germany. <http://www.citypopulation.de/Deutschland.html> 22.2.2014.

Erfving, N. (2014). Kurssikerta 7: BKT, vaarallinen jäte ja uusiutuva energia EU-maissa. <https://blogs.helsinki.fi/nataliae/2014/02/24/kurssikerta-7-bkt-vaarallinen-jate-ja-uusiutuva-energia-eu-maissa/> 27.2.2014.

Eurostat. (2014). Unemployment statistics at regional level. <http://epp.eurostat.ec.europa.eu/statistics_explained/index.php/Unemployment_statistics_at_regional_level> 22.2.2014.

Kunnat.net. (2014). Työlliset ja työttömät. <http://www.kunnat.net/fi/tietopankit/tilastot/indikaatori/Sivut/ind.aspx?ind=7001&th=700> 26.2.2014.

Natural Earth. (2014). 1:10m Cultural Vectors. <http://www.naturalearthdata.com/downloads/10m-cultural-vectors/> 25.2.2014

Saksan tilastokeskus. (2014). Regional statistics. <https://www.destatis.de/EN/FactsFigures/CountriesRegions/RegionalStatistics/RegionalStatistics.html> 22.2.2014.

KK6: Omin käsin kerätyn aineiston hyodyntäminen ja MapInfo opetuskäytössä

Kurssin kuudennella viikolla pääsimme poikkeuksellisesti heti tunnin aluksi haukkaamaan noin tunnin ajaksi raikasta, aamun sumuista ilmaa niin tutuksi tulleesta gis-laboratoriosta, kun saimme tehtäväksemme kerätä pisteaineistoa ryhmissä valitsemistamme kohteista. Meidän ryhmämme päätyi keräämään aineistoa erilaisten mainosten sijainneista Kumpulan kampuksen ympärillä ja valinta osoittautuikin hyväksi ja tehokkaaksi. Alas Lahdentielle kävellessämme näköpiiriin kantautui heti monta erilaista mainosta. Aleksi Rikkisen sanoin “Tiedon keruu sujui rennoissa merkeissä joutuisasti, ja saimme tunnissa kerättyä noin 15 datapistettä.” Aineiston kerääminen sujui siis ilman suurempia ongelmia ja pian olimmekin jo palanneet tuttuun työympäristöömme Kampukselle. Gps-laitteella kerättyjen sijainti- ja ominaisuustietojen perusteella laadimme aineistosta Excel-taulukon, jotta aineiston lisääminen MapInfoon olisi mahdollista. Oli hienoa huomata kuinka pienellä vaivalla kerätyt pisteet saatiin siirrettyä koordinaattien avulla paikkatieto-ohjelmaan, kunhan ohjelman pohja-aineisto oli kunnossa (eli sijoitettu samaan koordinaatistoon oikein). Tämän opettaja oli tehnyt valmiiksi odottamaan workspace-muotoon, joten ei aikaakaan kun olimmekin jo toteamassa melkein kaikkien havainnoimamme pisteiden sijaitsevan juuri oikeissa paikoissa. Gps-laitteen toiminta pystyttiin siis myös toteamaan riittävän tarkaksi ihmisen toimintaan myös kertaheitolla.

Geokoodauksen huikaiseva maailma

Oman aineiston kerääminen oli hyvä johdatus kurssikerran muihin teemoihin, jossa Excelin ja MapInfon yhteistoiminta oli keskeistä. Kuinkas muuten sitä paremmin oppisikaan muokkaamaan ja sitä kautta saamaan toimivia tuloksia aikaiseksi, kuin itse luodun aineiston avulla.  Seuraavaksi kuitenkin siirryttiin jonkun muun arvostetulla työpanoksella kerättyjen aineiston käyttämiseen, kun lähdimme käsittelemään Helsingistä löytyviä pelikoneita. Harjoituksessa opettelimme Geokoodauksen perusteet eli tavan, millä pisteaineistoa saadaan sidottua jo olemassa olevan sijaintitietokannan avulla kartalle mahdollisimman tarkasti. Molemmista tietokannoista täytyy siis löytyä yhteneväisiä tietoja, jotta sijoittaminen ja kartalla esittäminen olisi mahdollista. Tarkimpana mahdollisena toimii pisteen mahdollisimman tarkka osoite, jos koordinaatteja ei ole tarjolla. Moni ihminen ei ole tietoinen asuintalonsa koordinaateista, mutta osoite kyllä suurimmalla osalla on yleensä muistissa, joten esimerkiksi haastatteluja tehtäessä haastateltavan kertovan osoitteen perusteella tietoa saadaan valjastettua kartalle. Itse koodaus oli suhteellisen monimutkainen toimenpide aiemmin opittuun ja taas kerran todella suuri ihmetys oli läsnä sitä kohtaan kuinka laajoja ja tarkkoja aineistoja paikkatieto-ohjelmat pystyvät käsittelemään. Riittävien aineistojen avulla saimme harjoituksen lopputuloksena pääkaupungin alueelle sijoitettua Excel-tiedostoon kerätyt pelikoneet ja kartalta pystyimme info-painikkeen avulla havainnoimaan tietyn pisteen ominaisuus tietoja, esimerkiksi liiketilaa, missä kone sijaitsee ja millainen pelikone ylipäätään on kyseessä. Geokoodausta täytyi kuitenkin hieman avittaa, jotta tuloksista saataisiin laajoja ja puuttuvia pisteitä olisi mahdollisimman vähän. Myös tietokannat ovat täynnä inhimillisiä virheitä, joka tässä tapauksessa näkyi osoitteiden kirjoitusulkoasujen eroissa. Lopuksi täytyi siis käydä ongelmakohdat vielä läpi ihmisaivojen toimesta, kun ohjelman automaattiset logaritmit eivät olleet saaneet aivan jokaista pistettä paikalleen kartalle.

Karttoja hasardi-oppitunnille

Tunnin lopuksi päästiin kurssikerran itsenäistyön pariin, jossa aiheena oli tällä kertaa yhdistää tunnilla opittuja taitoja pisteaineistoista opetukseen. Tehtävänä oli luoda kolme pisteaineistoa sisältävää karttaa koskien hasardeja, joko maanjäristyksiä, tulivuoria tai meteoriittien putoamispaikkoja. Aineistoa ei tällä kertaa ollut valmiina, vaan tehtävässä päästiin hyödyntämään internetissä tarjolla olevia aineistoja, jotka nekin pystytään Excelissä suoritetun muokkaamisen jälkeen tehokkaasti lisäämään paikkatieto-ohjelmaan, kunhan koordinaatit ovat vain tiedossa ja sopiva kartta-aineisto on tarjolla. Pohja-aineistona tarjolla oli tehtävään hyvin sopiva maailmankartta GS84-koordinaatistolla, johon sai lähteä lisäilemään omia pisteaineistoja.

Laadin omat karttani opetusta varten litosfäärilaattojen liikkeistä johtuvien hasardien johdatuksellinen oppitunti mielessäni. Kartoilla haluaisin havainnollistaa oppilaille ymmärrettävässä muodossa maanjäristysten ja tulivuorten keskeisen merkityksen ihmiskunnalle luonnokatastrofeilla. Tähän pääsisi tehokkaasti yksinkertaisesti kuvaamalla hasardien määriä ja sijaintia maailmankarttaa hyödyntäen ja myös niiden liittymistä toisiinsa. Ensimmäisessä kartassa (Kuva 1.) tuon yksikertaisesti esille tulivuorten sijainteja maapallolla asiaan sopivalla symbolilla, punaisella kolmiolla. Koin selkeät ja suuret otsikot kartoissa tällä kertaa tärkeiksi niiden käyttötarkoituksen takia. On mielestäni hyvä, että oppilas ymmärtää kartan sanoman helposti ja tehokkaasti juurikin vain karttaa katsomalla eikä ole liikaa opettajalta saatavien lisätietojen varassa.

Tulivuoret

Kuva 1. Maapallolta löydetyt tulivuoret (Volcano location database).

Kartta sopisi tulivuorten toiminnasta kertovaan oppituntiin ja oivasti niihin liittyvistä hasardeista kertovaan, kun puhutaan juuri kokonaisvaltaisesti litosfäärilaattojen liikkeistä aiheutuvista ilmiöistä. Kartan avulla saa tuotua tehokkasti esille maapallolta löytyvien tulivuorten kokonaismäärän ja myös sen, kuinka paljon niitä sijaitsee tiheästi asutetuilla, ihmisten hyödyntämillä alueilla. Tieteellisempää näkökulmaa on myös nähtävissä, koska etenkin laattojen törmäyskohdat hahmottuvat tulivuorten esille tuotujen sijaintien avulla. Tuotin kartan pääasiassa tulivuorten määrän havainnollistaminen mielessä ja se tulee mielestäni hyvin esille.

Toisessa tuotoksessa otin aiheeksi voimakkaat maanjäristykset ja niiden jakautumisen maapallolla 1900-luvulla:

maanjäristys 7mt valmis

Kuva 2. Kartta 1900-luvun vähintään erittäin voimakkaista (seitsemän magnitudia) maanjäristyksistä (ANSS).

Kartan avulla haluan herättää oppilaiden mielissä ajatuksia, kuinka merkittävästä uhkasta maajäristyksissä on kyse. Maanjäristys-oppitunnilla tulisi varmasti esille fakta järistysten erittäin vaikeasta ennustamisesta ja niiden todella nopeasta käynnistymisestä. Näiden tietojen pohjalta kartan esittäminen toimisi hyvänä sisäistysvälineenä, jotta oppilaat tajuaisivat kuinka suuri haaste ja jokapäiväinen riski maanjäristykset ihmiskunnalle ovat. Aikaväliksi valitsin järistykset 1900-luvun alusta alkaen, jotta hasardin laajuuteen saataisiin ulottuvuutta myös näin. Voimakkuudeksi valitsin 7 magnitudia, koska järistyksen ollessa vähintään näin voimakas, ovat seuraukset todella vakavia asutetulla alueella. Näiden valintojen avulla pystyy kartalla herättämään hyvin ajatuksia hasardin merkittävyydestä, koska kartalta on nähtävissä satoja erittäin tuhoisia maanjäristyksiä, jotka ovat kaikki tapahtuneet vain hieman yli sadan vuoden aikana. Ihmiskuntaa kohtaan syntyvän riskin suuruuden ymmärrystä pystyy vielä hyvin lisäämään muutaman maan pääkaupungin avulla, joita sijoittelin kartalle. On selvästi nähtävissä, että jotkut sijaitsevat hyposentrumien välittömässä läheisyydessä ja ovat jatkuvasti vaaravyöhykkeellä.

Toisessa tuotoksessa on myös nähtävissä voimakkaidenkin järistysten sijoittumisen avulla litosfäärilaattojen reunojen sijaintia maapallolla. Myös Tiia Määttä on tarttunut tähän teemaan blogissaan luomansa neljän magnitudin maanjäristyskartan kohdalla visuaaliset oppijat mielessään: “Erityisesti 4 magnitudin järistyksiä kuvaavassa kartassa laattojen rajat näkyvät erittäin selkeästi, jolloin varsinkin visuaalisten oppijoiden oppimisprosessi tehostuu.” Älyllisesti stimuloiden tämän kautta voisikin oppilailta kysyä, että olisiko näiden kahden hasardin välillä havaittavissa yhteyttä? Tämän seikan pohjalta laadin kolmannen tuotoksen, jossa esitän kartalla sekä tulivuorten sijainnit, että vähintään kuuden magnitudin maanjäristykset alkaen 1950-luvulta:

Maanjäristykset ja tulivuoret

Kuva 3. Maapallon tulivuoret ja kuuden magnitudin maanjäristykset vuodesta 1950. Ilmiöiden välillä on havaittavissa selvää yhteyttä.  (ANSS & Volcano location database).

Otsikoksi laitoin karttaan tällä kertaa jo itse esitetyn pääkysymyksen, jotta oppilas lähtisi miettimään juuri tätä asiaa. Maanjäristysten voimakkuudeksi valitsin tällä kertaa myös hieman alhaisemman, jotta niiden määrä olisi kartalla suurempi. Yhtä suurta aikaskaalaa ei myöskään tarvittu, koska hieman heikompia järistyksiä on tapahtunut eksponentiaalisesti enemmän vuodesta 1950 lähtienkin. Kun molemmat teemat tuodaan esille samassa kartassa, on yhteyden arviointi huomattavasti tehokkaampaa. Nähtävissä onkin selvää yhteyttä eri puolilla maapalloa ja tällä pystyttäisiin tuomaan lukiolaisellekin esille seikkaa, että monesti ilmiöt ovat riippuvaisia toisistaan. Karti Ruudun sanoja lainaten “…niillä on helppo havainnollistaa, miten tulivuoren purkaukset ja maanjäristykset esiintyvät samoilla alueilla.”

Karttoja voisi periaatteessa hyvin hyödyntää opetuksessa, joskin hieman paranneltuina versioina, sillä niillä on helppo havainnollistaa, miten tulivuoren purkaukset ja maanjäristykset esiintyvät samoilla alueilla.

Tuottamieni karttojen avulla pystyisi opettamaan hasardimaantieteen lisäksi parhaiten litosfäärilaattojen liikkeisiin liittyvää maantiedettä. Laattatektoniikkaa, törmäysten seurauksia ja sijoittumista, tulivuorten syntyä ja erilaisten tulivuorten sijaintia kartalla. Samoja aiheita blogissaan analysoinut Katri Ruutu totesi hyvin, että litosfäärilaattojen rajoja kuvaavan kartan käyttäminen opetuksen tukena olisi hyvä lisä luotuihin karttoihin, jotta nähtäisiin kunnolla missä laattojen rajat sijaitsevat. Hyvänä esimerkkinä tästä ja suuremman teemamäärän yhdistämisestä samalle kartalle toimii internetistä löytämäni maantiedeaiheisen blogin tuotos, joka kuvaa litosfäärilaattojen rajojen, maanjäristysten, tulivuorten ja myös yli miljoonan asukkaan kaupunkien sijaintia. Kartta ei ole kaikista kauneinta ja viimeistellyintä mallia, mutta sen avulla pystyy taas kerran heti ymmärtämään yhteyksiä kuvattujen elementtien välillä tekstiä tehokkaammin.

Lähteet:

ANSS. (2014). Northern California Earthquake Data Center. <http://quake.geo.berkeley.edu/anss/catalog-search.html> 18.2.2014.

Määttä, T. (2014). Kurssikerta 6: Pisteaineistoja kartalla. <https://blogs.helsinki.fi/timaatta/2014/02/19/kurssikerta-6-pisteaineistoja-kartalla/> 7.3.2014.

Rikkinen, A. (2014). KK6 – Ulkoilua ja tietokantoja. <https://blogs.helsinki.fi/alekrikk/2014/03/03/kk6-ulkoilua-ja-tietokantoja/> 7.3.2014.

Ruutu, K. (2014). Kurssikerta 6: Hasardeja pistekartalla. <https://blogs.helsinki.fi/karuutu/2014/02/21/kurssikerta-6-hasardeja-pistekartalla/> 7.3.2014.

Volcano location database. (2014). National Geophysical Data Center. <http://www.ngdc.noaa.gov/nndc/struts/form?t=102557&s=5&d=5> 18.2.2014.

Thomas, R. (2012). The Plate boundaries: The line of Prosperity and Fire. <http://thegeologieonthemove.blogspot.fi/2012/02/plate-boundaries-line-of-prosperity-and.html> 20.2.2014.

KK5: Bufferointia ja aitoa ajatustyötä

Viidennen kurssikerran aikana päästiin edellisistä kurssikerroista poiketen vahvemmin oman luomisen makuun ja omien aivojen käyttöön. Itsenäistyöskentelyä oli siis paljon tarjolla ja omaa aivokapasiteettia täytyi rassata huolella, jotta harjoituksiin sai puristettua loogisilta vaikuttavia lopputuloksia. Suuren itsenäistyöskentelymäärän kautta pääsi toteamaan hyvin oman taitotasonsa MapInfon käytössä ja näki hyvin millaisiin työtehtäviin kykenee itsenäisesti ilman jatkuvia opettajan hihastavetoja. Tämä oli myös hyvä tapa saada selville mitkä toiminnot vaatisivat vielä ymmärrystä. Kuten myös Natalia Erfving on blogikirjoituksensa “Kurssikerta 5: Bufferointia, analyyseja ja arvauksia” ensimmäisessä kappaleessa todennut, niin etenkin kurssikerran viimeisessä tehtävässä keskeissä roolissa ollut taulukkojen päivittäminen vaatisi parempaa ymmärrystä tulevaisuudessa, jotta aikaan saisi mahdollisimman luotettavia tuloksia.

Tunnin aluksi kuitenkin käytiin yhdessä läpi bufferointia eli ymmärrettävämmin suomeksi sanottuna puskurointia. Opettelimme siis selvittämään valitun kohteen tai kohteiden avulla sen saavutettavuutta “saavutusanalyysin” avulla. Kohteen ympärille siis piirrettiin MapInfon avulla yksinkertaisesti eri kokoisia ympyröitä, joiden avulla pystyttiin analysoimaan kuinka monta asukasta esimerkiksi terveyskeskus saavuttaa kilometrin säteellä sijainnistaan. Harjoitusaineistona käytettiin Pornaisten keskustan alueelle digitoituja teitä ja rakennuksia. Puskurointianalyysien avulla pystyi ymmärtämään kuinka tehokkaasti kartalta digitoituja kohteita pystyy yhdistämään paikkatieto-ohjelman avulla tehtäviin analyyseihin.

Tämän johdastusosion jälkeen päästiin itsenäistöiden pariin, joissa täytyi toden teolla yhdistää aiemmin opittuja asioita tällä kurssikerralla opittuun puskurointiin. Aivoja täytyi myös käyttää yksinkertaisten laskutoimitusten tekoon, kun monessa kohdassa haluttiin selvittää esimerkiksi jonkin alueen asukkaiden suhteellisia osuuksia kokonaisväestöön (Kuva 1.). Ensimmäisen itsenäistehtävän lentokentät olivat hyvä tapa startata puskuroinnin maailmaan, kun aiheena oli meluhaittojen laajuus. Meluhaitat ovatkin etenkin kaupunkialueilla tärkeä osa suunnittelua ja tähän paikkatietoanalyysit toimivat hyvänä apuna. Tämän jälkeen päästiin vielä pääkaupunkiseudun juna-asemien kimppuun, joihin puskuroitiin muun muassa 500 metrin ympyrät ja näin selvitettin asemien läheisyydessä asuvien asukkaiden lukumääriä. Julkisen liikenteen toimivuus ja saavutettavuus saatiin siis tuotua mukaan harjoitukseen. Pohja-aineistona käytettiin seutu cd:n asukastietokantoja, jonka avulla saatiin todenmukaista perspektiiviä asukkaiden määriin. “Boundary select” oli tärkeässä roolissa kaikissa harjoituksissa, koska tämän työkalun avulla saatiin valittua puskuroinnin sisäpuolelle jääneitä kohteita, tässä tapauksessa rakennuksia (asukkaita). Omien aivojen päättelykykyä täytyi hyödyntää osassa tehtäviä ja tämän takia tekeminen ei onnistunutkaan aivan hetkessä. Juuri opittuja asioita joutui yhdistelemään edellisiltä kurssikerroilta tarttuneisiin taitoihin.

Toisessa itsenäistehtävässä päästiin vielä taajamien pariin ja tehtävänä oli laskea taajamissa asuvia asukkaita ja muun muassa ulkomaalaisten osuuksia. Tehtävässä pääsi hyvin hyödyntämään aiemmin opittuja taitoja sarakkeiden luonnista ja niiden päivittämisestä laskutoimituksilla.

tulokset

Kuva 1. Itsenäistehtävistä aikaansaadut tulokset.

Viimeisessä itsenäistehtävien vaiheissa piti valita vähintään yksi aihe, jonka kohtia lähtisi tarkemmin toteuttamaan. Mielenkiintoni heräsi eniten pääkaupunkiseudun putkiremontteja kohtaan ja lähdinkin selvittämään, että millä alueilla Helsingissä rakennusmiehillä tulee olemaan “kissanpäivät” tulevaisuudessa putkiremonttien osalta. Tässä tehtävässä ei tarvittu niinkään tunnin alussa opittuja puskurointitaitoja vaan siinä harjoitettiin enemmänkin kokonaisvaltaisesti opittuja asioita. Tehtävän ensimmäiset kohdat hahmottuivat melko helposti ja vähäisellä painimisella, kun apuna osasi käyttää “SQL-select” työkalua. Tämä kuitenkin vaati laskutapojen oikein kirjaamista, jotta selville saataisiin tehtävän kannalta ensin tarvittavina vuosina rakennetut asuinrakennukset ja myöhemmin näistä asuinrakennuksista pystyttiin rajaamaan tarkemmin tarkastelussa olleitten kerrostalojen osuus. Ensimmäisiä kohtia enemmän haasteita asetti tehtävän viimeinen kohta, jossa haluttiin saada selville putkiremonttia vaativien kerrostalojen osuus kaikista pääkaupunkiseudun taloista. Tämän jälkeen tehtävänä oli vielä luoda koropleettikartta, josta selviäisi ne kerrostaloalueet, joissa remonttiurakoita on luvassa eniten. Tehtävässä oli hankalaa hahmottaa tapa, millä vaadittava ryhmä kerrostaloja saataisiin valjastettua tietokantaan omaksi sarakkeekseen, jotta suhteellista osuutta pystyi lähteä laskemaan. Piti myös tajuta laskea koko alueen kerrostalot omaksi sarakkeekseen. Pidemmän hetken ihmettelyjen jälkeen toimintatavat alkoivat onneksi hahmottua. Avain sanoja onnistumiselle olivat “query” sekä “count”. Haluttu ryhmä täytyi siis hakea selectillä, jolloin näistä muodostui uusi query. Tämän jälkeen nämä sai lisättyä tietokantaan muodostettuun sarakkeeseen päivittämällä sarakkeeseen tiedot tuosta querystä count-toimintatavalla, jolloin ohjelma laskee yksinkertaisesti havaintojen määrän. Onnistumisen varrella tärkeänä pointtina oli myös laskea nämä uudet sarakkeet ja suhteellinen osuus aluetietokantaan, joka sisälsi tiedot pääkaupunkiseudun osa-alueista. “Pks_vaki”-tietokanta oli siis väärä paikka yrittää saada laskentoja toimimaan puhtaan rakennusinformaation sekaan (pks_pie oli siis oikea paikka). Näin suhteelliset, prosenttiosuuksilta vaikuttavat luvut alkoivat vihdoin asettumaan paikoilleen ja teemakartan avulla harrastettava tulkinta olisi mahdollista. Pahimmiksi kriisipesäkkeiksi pääkaupunkiseudulla selvisivät muun muassa Kontula, Simonkylä, Keski-Vuosaari ja IIvisniemi. Kauniaisten alueella oli itselle hieman yllättävästi myös havaittavissa paljon remontin tarpeessa olevia kerrostaloja:

Pk putkiremppa

Kuva 2. Putkiremonttia tarvitsevien kerrostalojen osuus pääkaupunkiseudun kerrostaloista.

Tämän hetkisen osaamiseni perusteella kokisin MapInfon keskeisimmiksi työkaluiksi Teemakarttojen luomistyökalun, tietokantojen muokkaustyökalut sekä puskuroinnin. Teemakarttatyökalun käyttö on osoittautunut erittäin käteväksi tavaksi tuottaa helposti vähintään jonkinnäköistä visuaalista tuotosta tarjolla olevista ominaistiedoista. Tämän esittämisen kautta tietokantojen kirjaimille ja luvuille saa ikään kuin “kasvot” aikaan ja ilmiöiden esiintyvyyden ja vaikutusten ymmärtäminen paranee selvästi. Jotta teemakarttoja pystyisi käyttämään mahdollisimman tehokkaasti ja myös monimutkaisempien ilmiöiden kuvaamiseen, on tietokantojen tehokas muokkaaminen tärkeää. Tämän koen onnistuvan etenkin mekaanisen työskentelyn osalta omalla kohdalla kiitettävästi, mutta varsinkin laskutoimituksia vaativat sarakkeiden päivityksen ja luomiset vaativat välillä pidempiäkin aikoja näin laskuasioita hitaasti hahmottavalle. Paikkatieto-ohjelmisto on kuitenkin ollut hyvä paikka yrittää viedä laskennallista ajatustyötä eteenpäin. Puskurointi tuli viidennellä kurssikerralla melko uutena asiana sitten pääsykokeisiin lukemisen ja nyt saikin vihdoin syvempää ymmärrystä asiasta tietoon. Jo yhden tunnin aikana alkoi hahmottua kuinka mahtavia ja kehittyvää ihmiskuntaa hyödyntäviä analyysejä puskuroinnin avulla voidaankaan saada aikaan, kunhan pohja-aineisto on kelvollinen ja ajantasalla.

Puskurivyöhykkeitä taidetaan pääasiassa hyödyntää juurikin saavutusanalyysien käytössä. Yhteiskunnassa viranomaisista lähtien monet tahot pääsevät hyötymään tästä paikkatieto-ohjelmien tekniikasta. Pelastusajoneuvojen kerkeämistä eri alueille pystytään määrittelemään, teleliikenneverkkojen kantavuutta kartoittamaan ja vaikka esimerkiksi kaupan alalla pystytään arvioimaan kuinka suuren asiakaskunnan perustettava liike pystyisi saavuttamaan tietystä pisteestä. Puskurianalyysit ovat myös käyttökelpoisia esimerkiksi jokien tulva-alueiden kartoittamisessa, kun uomasta pystytään puskuroimaan eri kokoisia alueita. Suunnittelu- ja kaavoitusmaailma hyötyy myös kovasti puskuroinnista, jolla pystytään määrittelemään esimerkiksi kesämökkien lailliset rakennusalueet riittävän kauas järvien rannoista tehokkaasti suuriltakin alueilta.

Jotta paikkatietojärjestelmällä saisi aikaan mahdollisimman monipuolisia ja haetun tuloksen kannalta hyödyllisiä analyysejä, on järjestelmän eri osien oltava riittävällä tasolla. Ohjelma täytyy olla tarpeeksi kehittynyt ja sisältää riittävästi toimintoja, jotta analysoinnista on mahdollista tehdä monipuolisuutta. Kehittyvä ja parantuva visuaalisuus on myös tärkeässä roolissa ohjelmissa ja niillä aikaansaatavissa luomuksissa. Ohjelmia tärkeämpiä ovat kuitenkin haettua tulosta varten kerätty aineisto, jonka laajuus määrittelee millaisia analyysejä on mahdollista suorittaa. Riittävän tarkan ja toimivan sijaintitiedon oiva yhdistyminen ominaisuustietoihin on perusta toimivalle analysoinnille. Kuitenkin aineistojakin tärkeämpää on käyttäjän tietämys ohjelmasta ja ymmärrys eri toiminnoista sekä myös luotavista analyyseistä ja tutkittavista ilmiöistä. Mitä monipuolisempaa ja paremmin hallussa olevaa käyttäjän toiminta ohjelman ja tutkittavan aiheen parissa on, niin sitä monipuolisempia ja vahvempia tuloksia on mahdollista saavuttaa.

Lähteet:

Erfving, N. Kurssikerta 5: Bufferointia, analyyseja ja arvauksia. <https://blogs.helsinki.fi/nataliae/category/kk5/> 6.3.2014

KK4: Ruutujen ja rasterikarttojen maailma

Neljännellä viikolla pääsimme taas läpikäytävissä aiheissa hieman pintaa syvemmälle, kun opettelimme luomaan tietokannan (ja kartan) päälle asetetun ruudukon avulla rasterein esille tuotavia teemakarttoja, joilla pystytään hyvin analysoimaan ja visualisoimaan ruuduittain erilaisia teemoja, esimerkiksi asukkaiden tiheyttä tai vaikkapa tietoa missäpäin asuu paljon esimerkiksi keski-ikäisiä. Ruudukko täytyy itse luoda MapInfossa ja tätä kautta pystytään arvioimaan myös minkä kokoiset ruudut ovat sopivia eri kokoisten alueiden analysointiin. Harjoituksessa käytettiin 500 metrin kokoisia ruutuja pääkaupunkiseudun ollessa analysoinnin kohteena.

Muodostunut ruudukko toimii luomisen jälkeen samaan tapaan kuin tavallinen muu tietokanta, joten tarvittavien tietojen lisäämistä varten oltiin jo aiemmin opittujen taitojen valossa hajulla siitä mitä pitää tehdä. Erityisen tärkeää oli muistaa uusia luotuja sarakkeita päivitettäessä, että ruudukkoon toisesta tietokannasta haettu ominaisuustieto lisättiin ruutuun eli maantieteelliseen sijaintiin komennolla “is within”. Näin isompaan karttaobjektiin saadaan lisättyä pienempään alueeseen sitoutuvaa tietoa.

Kun sarakkeiden tiedot oli saatu päivitettyä, sujui harjoituksen teemakartan tekeminen melko vaivattomasti ja haluttu opiskelijoiden tiheys pääkaupunkiseudalla saatiin selville.

Ruututeemakartta Lauttasaareen ruotsinkielisten osuudesta

Tunnilla yhdessä tehtyn tehtävän päätteeksi saimme tuttuun tapaan tehtäväksi lähteä koettelemaan juuri opittuja taitoja luomalla oma teemakartta valitsemastaan aiheesta. Vaihtoehtona oli analysoida jotain pienempääkin aluetta pääkaupunkiseudulta ja valitsinkin alueekseni Lauttasaaren, joka rupesi kiinnostamaan sen ruotsinkielisten asukkaiden johdosta. Mieleeni juolahti ajatus, että alueella ruotsia äidinkielenä puhuvat  voisivat  olla todennäköisesti painottuneet asumaan saaren länsiosiin, koska Lauttasaaren länsipuolelta löytyy lähempää selvästi vahvempia ruotsinkielisten yhteisöjä kuin idästä, lähimpinä Espoosta ja Kauniaisista. Näin ollen ruotsinkieltä puhuvat Lauttasaarelaiset liikkuisivat enemmän asioidessaan ja työtä tehdessään lännen kuin idän suuntaan.

Ensitöikseni Lauttasaaren rajauksen jälkeen omaksi tietokannaksi muodostin saaren ympärille sopivan kokoisen ruudukon. Ajattelin, että 100×100 metrin ruudut olisivat sopiva koko luokka melko pienelle saarelle, jossa kuitenkaan tarkemmasta ruudukosta tuskin olisi hyötyä. Kokeilin  teemakartan muodostamista myöhemmin 50×50 metrin ruuduilla, mutta kartan ymmärrettävyys muuttui selkeästi huonommaksi, joten päädyin käyttämään 100 metrin kokoisia ruutuja. Jotta ruotsinkielisten osuutta pääsisi selvittämään täytyi  luotuun ruututietokantaan lisätä sarake saaressa asuvista ruotsinkielisistä. Muodostin ensimmäisen teemakartan pelkästään tämän tiedon turvin ja selville sain siis absoluuttisesti saarella asuvien ruotsinkielisten määriä sen eri osissa. Tästä teemakartasta selvisi yksittäiset pisteet, joissa ruotsalaisia asui paljon, mutta mitää selkeää keskittyneisyyttä ei ollut nähtävissä ja kartta oli melko sekava. Totesinkin, että tiedon selvittämiseen voisi toimia paljon paremmin ja antaisi myös todenmukaisemman kuvan ruotsinkielisten asutuksen painotuksesta, jos niiden määriä vertaisi suhteellisesti kaikkii saarelta löytyviin asukkaisiin. Tietokantaan täytyi siis päivittää kaksi saraketta lisää, johon toiseen saataisiin tieto saaren asukkaiden kokonaismäärästä kussakin ruudussa ja viimeisenä muodostettuun ruotsinkielisten määrä suhteessa asukkaiden kokonaismäärään. Harjoituksen ohjeessa myös käskettiin valitsemaan teemaksi jokin sellainen minkä kanna ei joutuisi toistelemaan itsestäänselvyyksiä. Suhteellisen osuuden valitseminen toimi myös tähän huomattavasti paremmin, koska taustalla vaikuttavia muuttujia osuuksien muodostumiseen on heti paljon enemmän kuin absoluuttisissa arvoissa. Valitsin suhteellisia osuuksia kuvaavan väriskaalan vaihtuvaksi ääripäästä toiseen vihreästä punaiseen, koska tämän avulla kartalla on selkeästi nähtävissä vahvimpien alueiden lisäksi myös ne, joilla ruotsikielisiä asuu vähiten. Toisin sanottuna siis niin sanottujen “hot spottien” esittäminen oli tällä skaalalla tehokasta, kuten Antti Kinnunen blogimerkinnässään toteaa analysoidessaan peruskouluikäisten jakautumista pääkaupunkiseudulla: “Valitsin väritykseksi dramaattisen skaalan vihreästä punaiseen (puna-vihersokeat kiittävät, pahoitteluni) lapsiperheiden varsinaisten “hotspottien” paremman erottuvuuden vuoksi.” Näiden muutosten perusteella muodostui seuraavanlainen kartta (Kuva 1.):

Lauttasaari valmis

Kuva 1. Lauttasaaren ruotsinkielisten suhteellinen osuus kokonaisväestöstä.

Muodostetulta kartalta on suhteellisten osuuksien valossa nähtävissä asetetun hypoteesin kaltaista painottumista saaren länsipuolella, jossa on nähtävissä selkeästi enemmän punaista väriä eli ruotsinkielisten suurempaa osuutta, vihreän hallitessa keski- ja eteläosia. Tämä vain vahvistaa käsitystä, että saaren ruotsinkieliset todennäköisesti työskentelevät lännen “ruotsikielisvaltaisemmilla” alueilla ja tätä kautta myös asoivat enemmän siellä. Kartasta voi myös havaita ruotsinkielisten vahvimpien keskittymien sijaitsevan selvästi toisaalla muista keskittymistä, joita asuttavat todennäköisesti pääasiassa suomea äidinkielenä puhuvat. Äidinkielenä samaa kieltä puhuvat voivat siis sosiaalisten suhteiden kautta vetää samalle, pienellekin alueelle samankaltaisia ihmisiä, jotka suuremman joukon kehittyessä haluavat kenties eriytyä omaksi keskittymäkseen ja vaalia kulttuurinsa ominaispiirteitä vahvemmin.

Jotta kartta olisi mahdollisimman informaativinen ja lukijalle helposti ymmärrettävä, voisi se sisältää hieman nimistöä ja myös mahdollisesti indeksikartan sijainnin ymmärtämiseksi. Tämän avulla myös Espoo ja Kauniainen pystyttäisiin tuomaan esiin ruotsinkielisten yhteisöineen. Legendassa merkittyä ylintä prosenttiluokkaa pitäisi myös muokata, koska luokkaväli on tällä hetkellä lähes 80 prosenttia. Alueen yhdessä ruudussa kaikki kolme asukasta ovat ruotsinkielisiä eli suhteellinen osuus on 100 prosenttia, kun seuraavaksi suurin ruotsinkielisten osuus on tietokannassa hieman yli 60 prosenttia. Luokittelua tehdessä täytyy siis olla tarkkana ja mahdollisesti mitätöidä kartalta joitain tietoja, jotka loisivat väärän kuvan esitetystä informaatiosta. Tässä tapauksessa yhden ruudun tietojen poistaminen ei muuttaisi lähes lainkaan nähtävää lopputulosta.
Kuten itsekin kokeiluissanu huomasin, on absoluuttisten arvojen esittäminen ruututeemakartalla tulkinnan osalta hieman kyseenalaista. Jossain tietyssä pisteessä oleva arvo yleistetään laajemmalle alueelle, kun mielestäni se voitaisiin esittään yhtä hyvin esimerkiksi pisteiden avulla. Absoluuttiset arvot ruututemakartalla tuovat siis esiin usein itsestäänselvää aineistoa, jonka tarkkuus ei edes riitä kunnolliseen analysointiin. Ruututeemakartta kun on informaatioarvoltaan esimerkiksi koropleettikarttaa tarkempi, mutta pisteteemakarttaa yleistävämpi. Suhteellisten ilmiöiden kuvaaminen kuitenkin tuntuu toimivan tehokkaasti, koska ruutujen avulla saadan rajattua sopivan tarkka ja myös puolueeton jaottelu, jonka avulla saatuja tuloksia esitetään. Se antaa siis tarkempaan paikkaan sidottuja tietoja kuin esimerkiksi hallinnollisten rajojen mukaan muodostetut kartat ja kertoo näin ilmiöiden todellisesta luonteesta alueittain sitomatta niitä historiaan (jos kyseessä ei ole historiaa käsittelevä aineisto). Luettavuus on siis suhteellista ilmiötä käsiteltäessä hyvä ja tarkka, mutta jos samalla halutaan saada selville jotai muita tietoja kartasta, voi tulkinta olla ruutuja täynnä olevasta kartasta vaikeaa.
Lähteet:
Kinnunen, A. (2014). Ruutukuosi ja MapInfo. <https://blogs.helsinki.fi/aekinnun/2014/02/13/ruutukuosi-ja-mapinfo/> 6.3.2014

KK3: Tietokantojen käsittelyn lyhyt oppimäärä

Kolmannella kurssikerralla pääsimme kunnolla kiinni paikkatietojärjestelmiin keskeisesti liittyvään ominaisuustietoon. Tunnin aikana oppimamme keskittyi tapoihin muokata tietokantoja ja myös eri tietokannoissa olevan tiedon yhdistelymahdollisuuksiin.

Harjoitus lähti liikkeelle Afrikkaan liittyvän tietokannan avulla, johon sisältyi vain valtioiden nimet ja niille kuuluvat alueet. Ensimmäisenä toimenpiteenä opettelimme yhdistämään ja tätä kautta yksinkertaistamaan tietokannasta löytyvää tietoa, koska esimerkiksi monille maille kuuluvat saaret oli nimetty tietokantaan erikseen omalle rivilleen. Yhdistimme siis maan nimen perusteella jokaisen maan yhdeksi tietokannan riviksi sisältäen kaikki siihen kuuluvat alueet. Tämän jälkeen erilaisten ominaisuuksien lisääminen tietokantaan oli mahdollista juurikin maiden nimen perusteella. Alkuperäiseen tietokantaan lisättävästä tietokannasta pystyttiin sijoittamaan yhteisen nimittäjän (tässä tapauksessa maan nimen) perusteella tiedot koskemaan oikeaa maata. Opimme harjoituksen yhteydessä päivittämään tietokantoja niiden luomisen jälkeen ja tätä kautta muokkaamaan sen esittämää tietoa ja sitä, millä tavalla se tietoa esittää.

Harjoituksen aikana opettelimme myös lisää MapInfon ja Excelin yhteistoimintaa. Oli mahtavaa huomata, kuinka pienellä vaivalla Excelin avulla luotua ja muokattua tietoa pystytään tuomaan paikkatieto-ohjelmaan ja melko vähää työtä vaativan muokkauksen jälkeen käyttämään täysiverisesti kyselyjen tai analyysien tekemiseen. Etenkin Excelistä tuotujen tietojen pohjalta pystyttiinkin muodostamaan jälleen tietokantaan lisää sarakkeita ja näiden pohjalta melko yksinkertaisten laskukaavojen kautta myös uusia sarakkeita esimerkiksi internetin käyttäjien määrän muutoksesta, kun nyt saatavailla oli tieto määristä vuonna 2000 ja myös vuonna 2012. Lopulta tietokannasta oli saatu jo melko kattava paketti, mikä sisälsi väestönmäärän ja internetin käyttäjien lisäksi tietoja facebookista, timanttikaivoksista, konflikteista ja öljykentistä maakohtaisesti. Viimeisinä mainitut tiedot sisälsivät myös dataailmiöiden sijainnista, joten niitä pystyttiin esittämään visuaalisesti pohja-aineistona olleella kartalla (Kuva 1.).

afrikka

Kuva 1. Harjoituksen tuloksena luotu tietokanta ja kartta Afrikasta sisältäen konfliktit (vihreä), öljykentät (punainen) ja timanttikaivokset (musta)

Jos käytössä olisi ollut näiden tietojen lisäksi vielä esimerkiksi konfliktien tapahtumavuodet ja laajuudet sekä esimerkiksi timanttikaivosten löytämis ja kaivausten aloitusvuodet olisi ensinnäkin suorat päätelmämahdollisuudet paljon monipuolisempia. Näiden tietojen pohjalta pystyttäisiin esimerkiksi selvittämään onko historian konflikteilla ja timanttikaivoksilla ollut yhteyksiä. Koska nyky-yhteiskunnassa talous näyttelee erittäin keskeistä roolia, voidaan jo etukäteen olettaa uudenlaisten toimeentulolähteiden löytymisen ja epätasaisen jakautumisen aiheuttavan kiistoja kansakuntien välille ja luoden tätä kautta jopa konflikteja. Ilmiöita koskevat tarkemmat tiedot tietokannassa avaisivat myös uudenlaisia ovia paikkatietoanalyysien tekoon, kun esimerkiksi konfliktien laajuuden visuaalisella esittämisellä saataisiin selville onko tapahtuma-alueen sisällä havaittavissa uusia toimeentulonlähteitä. Tätä kautta johtopäätöksiä pystyttäisiin tekemään entistä paremmin esitettyjen ilmiöiden yhteydestä. Opettajamme Arttu Paarlahti on kurssin tiedotusblogissa luonut hyvänä esimerkkinä teemakartan juurikin konfliktien laajuudesta, josta voidaan nähdä laajojen konfliktien pitävän sisällään monia timanttikaivoksia. Kartasta voidaan myös nähdä, että suuri osa maanosan alueista on ollut vähintään yhden konfliktin vaikutuksen alla. Julius Krötzl on ottanut blogissaan huomion arvoisen asian vielä esille konfliktien levinneisyydestä: “Kartassa ei tosin ole vielä arabikevään konflikteja vuosilta 2010–2013, jotka keskittyivät Pohjois-Afrikan valtioihin.” Tämän hyvän huomion kautta oikeastaaan koko maanosa on siis ollut konfliktien vaikututuksen alaisena, kun kartasta voidaan nähdä, että pohjoisosissa  ei ennen viimeisiä vuosio ole ollut laajoja konflekteja.

Tulvaindeksikartan laadinta

Lopputunnista saimme tehtäväksemme käyttää hyödyksemme yhdessä opittuja taitoja ja luoda kartta, joka esittää Suomen tulvaindeksiä valuma-alueittain, yhdistettynä alueiden järvisyyteen. Pienten mietiskelyjen jälkeen oikeat tavat saada tietokannat esittämään tietoa tarvitulla tavalla alkoivat hahmottumaan ja pystyikin keskittymään tulvaindeksin laskemisen (ylivirtaaman ja alivirtaaman suhde) jälkeen visuaalisesti hyvin toimivan kartogrammin luomiseen. Väreiksi valitsin pohjalle vaiheittain vaihtuvan punaisen esittämään tulvaindeksi suuruutta, jonka avulla hälyttävimmät ja riskialtteimmat alueet tulevat selvästi esille kartasta. Aineisto oli jakautunut vinosti, joten kvantiilit olivat sopiva jaottelumenetelmä ja luokkien määränä viisi osoittautui neljää toimivammaksi, koska tämän avulla muutamat suurimman indeksin omaavat alueet saatiin tuotua näkyviin. Valuma-alueiden järvisyyttä esittäviin pylväisiin sopiva väri oli punaisen päälle hyvin sopiva ja vettä esittävä sininen (Kuva 2.).

Tulvaindeksi valmis viimenen

Kuva 2. Suomen valuma-alueiden tulvaindeksi ja järvisyysprosentti.

Kun karttaa lähtee tulkitsemaan osuu silmään juurikin suurimman tulvaindeksin omaavat alueet ja nopeasti pystytään myös havaitsemaan, että nämä alueet sijaitsevat kaikki Suomen rannikkonalueilla, meren läheisyydessä ja niihin johtavien jokien ympäristössä. Samat alueet kuuluvat myös topografisesti Suomen alaviin seutuihin, jonka voi päätellä Matti Tikkasen laatimasta kartasta maamme korkeusvyöhykkeistä. Erityisesti Pohjanmaan tiedetään olevan pääsääntöisesti alavaa ja tasaista seutua, jossa tulvavesien on mahdollista levitä helpommin laajalle alueelle. Etelä-Suomen alueella havaittavat riskialueet ovat myös vanhaa subakvaattista aluetta ja näin johtopäätöksenä voidaan vetää, että topografisesti alavilla seuduilla on havaittavissa suurempi riski tulvimiselle. Rannikkoalueet ja niihin virtaavat suuret joet ovat enemmän tekemisissä myös veden kanssa ja näin eivät todennäköisesti pysty ottamaan vastaan yhtä paljon tulvavettä kuin kuivemmat, sisämaassa sijaitsevat alueet.

Järvisyysprosenttia ja tulvaindeksin suuruutta verrattaessa on havaittavissa, että mitä enemmän alueelta löytyy järviä, niin sitä pienempi riski on olemassa tulvimiselle. Järvien runsas määrä alueella kertoo epätasaisesta topografiasta, joka tehokkaasti estää tulvien leviämistä painautumien ja kohoumien vaihtelevuuden avulla, jollaiseen maisemaan myös monet järvet ovat voineet syntyä. Näin tulviva vesi ei pääse leviämään vaivattomasti yhtä laajalle kuin tasaisemmilla, alavilla alueilla, joilla järvien määrä on pienempi. Suuren tulvaindeksin omaavat alueet rannikoiden tuntumassa sisältävät kartalta tarkasteltuna pääasiassa selvästi vähemmän järviä kuin sisämään valuma-aluuet. Muutama poikkeusalue löytyy, joissa myös rannikolla järvisyys on suhteellisen korkeaa. Tähän voi vaikuttaa esimerkiksi paikallisesti epätasaisempi topografia.

Lähteet:

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

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

Krötzl, J. (2014). Kurssikerta 3. <https://blogs.helsinki.fi/krotzl/2014/03/01/kurssikerta-3/> 6.3.2014

Paarlahti, A. (2014). Afrikkaa. Paikkatiedon hankinta, analyysi ja kartografia 2014. <https://blogs.helsinki.fi/pak-2014/2014/01/28/afrikkaa/> 30.1.2014

Tikkanen, M. (1994). Suomen pinnanmuodot. Terra 106:3, pp. 181-192. <http://www.helsinki.fi/maantiede/arkisto/suomi.html> (linkki “Kuva 1.”) 2.2.2014

Timanttikaivokset. <http://www.prio.no/CSCW/Datasets/Geographical-and-Resource/Diamond-Resources/>

Syke. (2014). Valuma-alueet. Oiva-tietokanta. <http://wwwp2.ymparisto.fi/scripts/paikkatieto.asp>

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

 

 

 

Artikkeli 1 – Päällekkäisten koropleettikarttojen maailma

Ensimmäinen vahva reaktio hetken Anna Leonowiczin artikkelia, “Two-variable choropleth maps as a useful tool for visualization of geagraphical relationship”, luettuani ja sen esimerkkikuvia tarkasteltuani oli, että mihin tällaisia karttoja tarvitaan? Ensimmäisenä mieleen tullut ajatus oli, että tieteelliset yhteisöt pystyisivät kyllä varmaan ottamaan hyödyn irti tällaisista tuotoksista, mutta tavalliselle kansalaiselle ilmiöiden yhteyttä esiteltäessä tällaisella kartalla, saattaisi kartasta saatava tieto jäädä vajavaiseksi. Tämän päätelmän tein oman kokemuksen perusteella, kun jo hieman karttoja katselleelle maantieteen opiskelijallekaan kartan tarjoama tieto ei silmän räpäyksessä auennut. Jatkaessani lukemista aloin kuitenkin hieman ymmärtämään luokituksen merkityksen ja Puolan yliopistoissa tehdyn tutkimuksen kautta päällekkäin esitettyjen karttojen tarjoamia hyötyjä. Tämän kautta artikkelin varsinainen sanoma rohkaista alan ammattilaisia käyttämään enemmän tällaisia karttoja alkoi valkenemaan. Tavan käyttöä on tutkittu aikaisemminkin, josta myös Pyry Poutanen mainitsee hyvin blogissaan: “Yhdysvalloissa tehtiin vuonna 1981 tutkimus samasta aiheesta, mutta muun muassa huonojen värivalintojen takia tulokset eivät antaneet tietoa oikeasti laadukkaan kahden muuttujan koropleettikartan toimivuudesta, joten tutkimus uusittiin Puolassa laadukkaammalla kartalla”. Nytpä siis värien käytön ja toimivan luokittelun kautta on onnistuttu paljon paremmin. Artikkelissa tuotiin esille tärkeitä elementtejä, joiden avulla päällekkäisten karttojen hyödyn, tutkittaessa kahden ilmiön välistä yhteyttä, pystyin ymmärtämään.

Artikkelin kaltainen esitystapa kartografiaan omanlaisensa lisämausteen juurikin erilaisuutensa kautta. Kahta ilmiötä pystyisi kuvaamaan myös esimerkiksi kartogrammin avulla, mutta ilmiöiden yhteyden ymmärtäminen saattaisi olla enemmän aikaa vievää ja vaikeammin käsitettävää. Päällekkäisiä karttoja käytettäessä kartan ja legendan ymmärtäminen saattaa viedä hetken, mutta sen jälkeen juurikin ilmiöiden välistä yhteyttä on tehokasta ja nopeaa tulkita. Huomasin artikkelia lukiessani etenkin legendan selitykseen liittyvän tekstin ja käsitteiden olevan vaikeasti ymmärrettävää, joka kieliikin itse legendan monimutkaisemmasta rakenteesta. Tähän vaikutti varmasti myös asiasta tietämättömyys. Kartoissa esitettyjen legendojen ideana on ruutumatriisin kautta esittää ilmiöiden riippuvuutta värien reagoinnin kautta johtaen eri ruuduissa voimmakkuusiltaan erilaisiin riippuvaisuuksiin. Näin yhdessä ruudussa kaksi väriä vahvistavat toisiaan, vähemmän riippuvuutta esittävien ruutujen sisältävän enemmän toisen ilmiön väriä ja vain vähän toisen ilmiön väriä.

Vaatimuksiltaan artikkelin kaltaiset kartografiset ovat selkeinpiä yksitasoisia koropleettikarttoja vaativampia juuri kartan toimintatavan takia. Aiemmin tässä tekstissä toin jo esille ajatuksiani siitä, että tavallisella kansalaisella voisi olla vaikeuksia ymmärtää tällaisen kartan hyötyä ja se voisikin jäädä esimerkiksi päivälehden sivulla nopeasti lukematta. Päällekkäiset kartat soveltuvatkin mielestäni näin pääasiassa tieteen tarkoituksiin. Se mitä tulee päällekkäisten koropleettikarttojen muodostukseen, niin tuntuu asia näin hieman paikkatieto-ohjelman käyttöä tuntevalle pääasiassa melko helpolta toteuttaa, kunhan luokkien määrä on artikkelissa esille tuotujen (4 tai 9) sopivien määrien puitteissa ja värit yhteen sointuvia. Legendan muodostaminen tuntuu kuitenkin haasteelliselta ajatukselta, johon olisi varmasti käytettävä apuna jotain piirto-ohjelmaa.

Lähteet:

Leonowicz, A. (2006). Two-variable choropleth maps as a useful tool for visualization of geagraphical relationship. Lietuvos mokslų akademija, 2006.

Poutanen, Pyry (2014). Artikkeli 1- päällekkäiset teemakartat.<https://blogs.helsinki.fi/pyrypout/2014/01/21/artikkeli-1/> 28.1.2014

KK2: Teemakarttojen kirjoa

Kurssin toisella kurssikerralla oli aiheena erilaisten teemakarttojen ja yhdistelmäkarttojen laatimisen opettelua MapInfon avulla. Nyt kun vihdoin pääsi ohjatun opetuksen makuun, alkoi ohjelman käyttäminenkin sujua paremmin. Oli hienoa huomata ja havainnoida tunnin aikana, kuinka moninaisin tavoin paikkatieto-ohjelman avulla aineistoa pystytäänkään analysoimaan. Tuli opittua aivan uudenlaisia tapoja aineiston käsittelyyn ja sen ryhmittelyyn, joita ei omilla aivoilla ilman suuria tietomääria käsittelevää ohjelmaa olisi mahdollista muodostaa.

Kurssikerran aikana tuli ymmärrettyä paremmin erityisesti kahden teeman käyttäminen päällekäin yhdellä karttapohjalla ja tämän esittämistavan tehokkuus. Mahdollista oli yhdistää pohjalla olevaan koropleettikarttaan jotain ilmiötä kuvaavia erilaisia diagrammeja ja myös asettaa päällekäin kaksi eri teemaa kuvaavaa koropleettikarttaa rasteroinnin ja läpinäkyvyyden avulla. Näillä keinoilla pystyttiin hakemaan korrelaatiota joidenkin asioiden välille tai tarkentamaan diagrammein ja symbolein pohjalla koropleettikartalla kuvattua teemaa. Tämän kaltaisilla kartoilla pystytään havainnollistamaan käsiteltäviä teemoja yhdessä helposti ymmärrettävässä, visuaalisessa kokonaisuudessa.

Tehtäväksi saimme tunnin päätteeksi muodostaa valitsemastamme Suomen alueesta teemakartan, jossa olisi kaksi teemaa päällekäin. Oli myös suotavaa, että valitut teemat tukisivat jollain tavalla toisiaan. Valitsin alueekseni Etelä-pohjanmaan kupeesta löytyvän Satakunnan alueen, jonka elinkeinojakauma ja ihmisten koulutuksen taso alkoivat kiinnostamaan. Halusin selvittää, että miten elinkeinot jakautuvat Satakunnan alueella kunnittain suhteessa korkeakoulutettujen määrään.

Tiedossa oli, että maamme läntiset alueet ovat vahvasti maatalousvoittoisia alueita ja näin hypoteesina koinkin, että alkutuotanto näyttelisi suhteessa vahvaa roolia myös Satakunnan alueella, joka sijaitsee hyvien savikkomaiden kynnyksellä. Hypoteesina oli myös, että todennäköisesti siellä, missä korkeakoulutettujen määrä on suurempi, on palveluyhteiskunta seutukunnan alueella vahvimmillaan.

Tällä kertaa teemakartan muodostaminen alkoi jo sujua ilman suurempia ongelmia ja pystyinkin keskittymään miettimään enemmän sen kuvaavuutta ja valittujen teemojen yhteensopivuutta. Corel Draw -piirto-ohjelman mukaan ottaminen kartan viimeistelyvaiheessa toi myös tarvittua laatua kartan viimeistelyyn ja ulkoasun muokkauksen helppouteen, saman asian oli todennut myös Pyry Poutanen ensimmäistä tehtäväänsä tehdessään: “MapInfossa mittakaavan ja legendankin laatiminen on mahdollista, mutta ne ovat mielestäni vaikeammin muokattavissa kuin manuaalisesti piirretyt, joten päätin siirtää kartan Coreliin ja tein mittakaavan ja legendan sillä.”

Tämän kautta ymmärsinkin paikkatieto-ohjelman olevan nimenomaan tietokannoista löytyvien tietojen käsittelyä varten, jonka aineistoa lähdetään sitten muokkaamaan visuaalisesti soveltuvampaan muotoon erillisen piirto-ohjelman avulla, kun Windows meta fileksi tallentamisen avulla se oli niin helppoa. Erityisesti legendasta sai Corelin avulla huomattavasti ymmärrettävämmän, kun MapInfossa sen muokkaamisen mahdollisuudet jäivät vielä arvoitukseksi. Mielestäni kartan visuaalinen ilme on kohdallaan, teemojen tulkinnan ollessa helppoa niin yksittäin kuin myös yhdessä.

Satakunta kartogrammi valmis

Kuva 1. Korkeakoulutettujen määrä ja elinkeinot Satakunnan alueella.

Kartogrammin pohjalla olevasta korkeakoulutusta kuvaavasta koropleettikartasta voidaan nähdä korkeakoulutettujen määrän olevan suurin Satakunnan suurimman kaupungin, Porin ympäristössä sekä eteläosissa Raumalla ja Säkylässä. Syitä Porin ympäristön korkeakoulutettujen määrään on varmasti kaupungin vetovoima ja tarjolla olevat työpaikat korkeakoulutetummille. Työpaikat toimivat yhtenä vahvana vetovoima tekijänä kaupungeille ja vetävät näin vahvasti korkeakoulutettuja puoleensa. Raumalta löytyvä korkeakoulutettujen suurempi määrä on tämän kautta selitettävissä. Säkylän tapaukseen vaikuttaa todennäköisesti myös kunnan alueelta löytyvä suuri varuskunta, joka tarjoaa työtä maanpuolustuskorkeakoulusta valmistuneille.

Satakunnan vähemmän koulutetut alueet sijaitsevat taas päinvastoin alueen pohjoisosissa, lähellä Pohjanmaan tasankoja, jossa maaseutun kulttuuri vaikuttaa enemmän, suurempien kaupunkien sijaitessa pidemmän välimatkan päässä.

Kun lähdetään vertaamaan elinkeinorakennetta korkeakoulutettujen määriin kunnittain, on tuloksissa havaittavissa pieniä poikkeuksia lukuunottamatta hypoteesin mukaista korrelointia. Palveluiden määrä elinkeinona on korkeimmin koulutetuilla alueilla  monin paikoin vahvastikin enemmän edustettuna verrattuna pohjoisen vähemmän koulutettuihin alueisiin. Myös tässä Pori erottuu joukosta, jossa alkutuotanto esittää jo lähes olematonta osaa elinkeinorakenteesta ja palveluiden määrä lähentelee 75 prosenttia. Muillakin korkeasti koulutetuilla alueilla palveluelinkeinojen määrä on selvästi yli 50 prosenttia ja alkutuotannon määrä maksimissaan kymmene prosenttia.

Tätä kautta verrattuna voidaan todeta vähemmän koulutetuilla alueilla rakenteen olevan vastakkaisen suuntainen, alkutuotannon ja teollisuuden ollessa tärkeä työnantaja ja palveluiden osuuden ollessa maksimissaan 50 prosenttia.

Tämän perusteella Satakunnan alueesta voi tehdä hypoteesin mukaisen johtopäätöksen, että korkeammin koulutetuilla alueilla on tarjolla paikoin selvästikin enemmän palvelualan työpaikkoja. Alkutuotannon ja teollisuuden työpaikkojen vaatimuksena on pääasiassa paljon alhaisempi koulutus kuin monilla palvelualojejn työpaikoilla ja näin vahvasti näiden elinkeinorakenteen osien alueilla ihmisten ei ehkä tarvitsekaan hakea korkeampaa koulutusta tullakseen toimeen.

Näihin johtopäätöksiin pääseminen olisi ollut melko haasteellista ilman tarjolla olevaa aineistoa ja varsinkin sitä analysoivaa paikkatieto-ohjelmaa. Tämän tehtävän pohjalta voin kyllä todeta, että paikkatieto-ohjelmien merkitys modernisoituneessa, digitaalisessa nyky-yhteiskunnassa on keskeinen.

Lähteet:

Poutanen, Pyry (2014). Kurssikerta 1 – koropleettikartta. <https://blogs.helsinki.fi/pyrypout/> 23.1.2014

 

KK1: Kurssin ensiaskeleet

Omalta osalta kurssi on lähtenyt käyntiin melko katkonaisesti lentojen ollessa etelän matkalta myöhässä ja myös opettajan valitettavan sairastumisen tuloksena. Mutta eipä tässä ole tarvinnut kuitenkaan kirvestä kaivoon heittää hyvien, itsenäistä työskentelyä varten moodlesta löytyneiden ohjeiden turvin. Täytyy varmaan kuitenkin vielä käydä hakemassa ymmärrystä väliin jääneestä teoria puolesta toisen ryhmän tulevalla, ensimmäisellä kurssikerralla.

Ensimmäinen “kurssikertani” alkoi kurssi aikana keskiössä olevan ohjelmaan, Mapinfoon tutustumisella. Tarjolla oli melko seikkaperäiset ohjeet perustoimintojen opettelemiseen ja vähitellen ohjelman sielunelämä alkoi hahmottumaan. Syksyllä TAK-kurssin ensimmäisessä jaksossa ohjelman opettelu jäi melko vähäiseksi, mutta nyt jo paremmin paikkatietoa ja tilastointia tuntevana alkoi ymmärrystä löytymään paremmin ja nopeammin.

Kurssikerran harjoituksen teemana oli laatia Mapinfon koropleettiteemakartta, jonka luokitus on mietitty histogrammin avulla parhaaksi mahdolliseksi. Keskityin harjoituksessa analysoimaan asukastiheytta Helsingin alueiden välillä ja näin ollen kopioin asukastiheyttä kuvaavan sarakkeen tiedot käytössä olleen palvelinpohjaisen histogrammityökalun (Histogram tool) tietokenttään. Histogrammin avulla saatiin kätevästi selville visuaalisuuden avulla minkälainen aineisto oli kyseessä ja Helsingin asukastiheyttä kuvaava aineisto osoittautui vahvasti vinoksi aineistoksi (Kuva 1.). Näin ollen kvantiilit eli määrältään mahdollisimman samankokoiset ryhmät olivat sopivin luokitteluperuste, jotta koropleettikartasta saataisin parhaiten kuvaava. Kvantiilijaon toimivuus ei ole kuitenkaan yksiselitteistä, jonka Hertta Lehvävirta tuo hyvin esille blogikirjoituksessaan “Ensimmäinen kurssikerta: tutustumista MapInfoon”, todeten Kvantiililuokittelun heikkoutena on luokkavälien pituuden suurikin vaihtelu luokittain. Tämä oli myös nähtävissä oman aineistoni ja koropleettikartan (Kuva 3.) kohdalla, jossa tiheästi asutussa Helsingissä korkeimman luokan vaihteluväli oli selvästi suurempi kuin alempien..

histogrammikuva

Kuva 1. Helsingin asukastiheyden aineistosta muodostettu histogrammi

Tämän tiedon pohjalta pystyttiin muodostamaan annettujen ohjeiden avulla Mapinfossa teemakartta, josta värien avulla on nähtävissä asutuskeskittymät. Taidot teemakartaan luontiin olivat kuitenkin vielä puutteellisiä näin vasta-alkajalla ja veikin aikaa, että onnistuin saamaan asukastiheyttä kuvaavat alueet näkyviin vain maa-alueiden osalta, aiemmissa vaiheissa merialueiden haitatessa tulkintaa, kun kartasta ei kunnolla pystynyt edes havaitsemaan missä päin mikäkin Helsingin alue sijaitsee (Kuva 2.)

Harkka 1B valmis

Kuva 2. Edelleen vaiheessa oleva asukastiheyttä kuvaava koropleettikartta.

Harjoitus 1B uusiksi tehtymuutetttu koko

Kuva 3. Lopullinen Helsingin asukastiheyttä kuvaava koropleettikartta

Syntyneesta kartasta voidaan tulkita asutuksen painottuvan kaupungin länsi- ja itäosiin, keskialueiden ollessa suhteessa vähemmän asuttuja. Helsingin keskustan alueen oletettu tiheä asutus on myös nähtävissä asutetun alueen eteläosissa, joka on saanut aikaan tiheän asutuksen jatkuvuutta ulosmenoväylien ja rautateiden varteen. Aineistoa ja Helsingin seutua huonommin tuntevalle käsitys alueen yksityiskohtaisemmasta  asukastiheydestä voi kuitenkin jäädä kartasta melko heppoiseksi. Tähän seikkaan koinkin nimistön lisäämisen karttaan hallitussa määrässä tärkeäksi, jota olisi voinut olla kuitenkin vieläkin enemmän, koska rakenteeltaan Helsinki on melkoisen mosaiikkimainen.

Tällainen tuotos onnistui ohjelman noviisikäyttäjältä, josta suunta ei taidakkaan olla kuin ylöspäin. Taidot ovat jo karttuneet melkoisesti ensi kosketuksesta, joten eiköhän jatkossa ole tarjolla paremmin tulkittavia tuotoksia.

Lähteet:

Histogramtool <http://illuminations.nctm.org/Activity.aspx?id=4152> 21.1.2014

Lehvävirta, Hertta (2014). Ensimmäinen kurssikerta: tutustumista MapInfoon. <https://blogs.helsinki.fi/herttale/> 23.1.2014

Päivitetty 23.1 10:25