NEW YORK TIMES, EVERY CITY, EVERY BLOCK

New York Timesin interaktiivinen karttapalvelu Mapping America: Every City; Every Block tarjoaa kortteleittain/ blokeittain tietoa Amerikan väestön etnisyydestä, tuloista, kodeista sekä koulutuksesta (The New York Times).

Tarkemmin ottaen palvelussa voidaan tarkastella seuraavia Yhdysvaltojen sisäisiä seikkoja:

  1. ”rotujen” alueellista jakautumista absoluuttisesti, pisteinä esitettynä                              (valkoisten, mustien, latinojen, aasialaisten ja muiden kesken)
  2.  kunkin “rodun” suhteellista osuutta alueittain
  3.  kotitalouksien absoluuttisia tuloja ja niiden eroja
  4.  kotitalouksien suhteellisia keskimääräisiä tuloja
  5.  kotitalouksien keskimääräisten tulojen muutosta vuodesta 2000
  6.  alle 30 000 dollaria tienaavien (köyhien) suhteellista määrää
  7.  yli 200 000 dollaria tienaavien (rikkaiden) suhteellista määrää
  8.  keskimääräistä talojen arvoa
  9.  talojen arvon muutosta
  10.  keskimääräistä vuokratasoa
  11.  keskimääräisten vuokrien muutosta vuodesta 2000
  12.  30 % tuloista vievän asuntolainan yleisyyttä
  13.  30 % tuloista vievän asuntolainan yleisyyden muutosta
  14.  samaa sukupuolta olevien pariskuntien alueellista jakautumista
  15.  lukiosta valmistuneiden osuuden eroja alueellisesti
  16.  vähintään kandidaatin tutkinnon suorittaneiden henkilöiden osuutta alueittain
  17.  vähintään maisterin tutkinnon suorittaneiden henkilöiden osuutta alueittain
  18.  yksityiskouluun kuuluvien peruskoululaisten osuutta alueittain

Palvelun sisältämä paikkatietomuotoinen tieto perustuu väestönlaskentaan; Yhdysvaltojen väestörekisterikeskuksen ylläpitämän American Community Surveyn (ACS) tietoihin vuodesta 2005 vuoteen 2009.

SWOT

STRENGTHS

Palvelun avulla voidaan helposti saada yksityiskohtaista korttelipiiriskaalalla esitettävää tietoa, joka on lisäksi melko ajankohtaista, ja hyödyntää sitä vastaavia teemoja koskevassa tutkimuksessa. Jatta Lahtinen nostaa blogissaan esimerkiksi latinalaisen väestön yleistymisen Amerikassa: ”Yhdysvalloissa latinalaisten osuus on ylittämässä valkoisten osuuden koko maassa, joten palvelun avulla on sujuvaa tarkastella, missä latinot ovat suhteellisesti ylittäneet jo valkoisten osuuden esimerkiksi kaupunginosissa tai ylipäätänsä yksittäisessä kaupungissa” (Lahtinen, J., 2014).

Palvelua käytettäessä, havaitaan sen helppokäyttöisyys ja myös visuaalinen onnistuneisuus. Esimerkiksi värien käyttö on esteettisesti onnistunutta ja kartan zoomaaminen on sujuvaa eikä jumita samalla tavalla kuin esimerkiksi suomalainen Geologiset aineistot –palvelu.

WEAKNESSES

Vaikka aiemmin mainitsin, että tiedot ovat melko ajankohtaisia sijoittuessaan 2000- luvulle, voisivat ne toki olla ajankohtaisempiakin. Varsinkin ajan kuluessa tiedot vanhenevat entisestään, ja ellei palvelua päivitetä, eivät tiedot ole enää kovinkaan kiinnostavia. Todennäköisesti sitä tullaan kuitenkin päivittämään.

Tiedot perustuvat otoksiin, mikä tuottaa virheellisyyttä aineistoon. Jessica Järvinen tiivistää päätelmänsä tästä seuraavasti: ”Mitään korrektia dataa sivustolla ei siis ole, eikä sivustolla näy linkkejä metadataan, joka on Census Bureaun keräämää. En siis luokittelisi sivustoa kovinkaan luotettavaksi, vaikka tiedot varmasti ovatkin huolella kerättyjä ja oikein esitettyjä. Tieteellistä tarkkaa tutkimusta tästä aineistosta ei voisi tehdä, mutta suuntaa-antavina tietoina ne kelpaavat” (Järvinen, J., 2014). Datan pohjalta tehtävässä tutkimuksessa onkin syytä ottaa kyseinen seikka huomioon. Esimerkiksi erilainen väestöntiheys ja väestön luonne (esim. ikärakenne) eri alueilla vääristää absoluuttisina arvoina esitettyjä tietoja. Etenkin harvan asutuksen alueilla tiedot saattavat olla hyvin totuudesta poikkeavia, mikä palvelussa mainitaankin.

Etnisyyttä koskevan datan kohdalla kohdataan myös toinen ongelma, nimittäin rotujen luokittelun oikeellisuus. Kuten Henri Järvisalo blogissaan toteaa: ” -etnisten ryhmien jakautumista tutkittaessa tulee ensin linjata, miten etniset ryhmät erotellaan toisistaan. Etnisyyteen kuuluu muutakin kuin ihonväri, mutta Mapping American tapauksessa etnisten ryhmien luokkajako perustuu lähinnä ihonväriin ja muihin ihmisen ulkoisiin piirteisiin. Kulttuurien sulatusuuninakin kutsutussa Yhdysvalloissa etniset ryhmät ovat sekoittuneet voimakkaasti ja ainakin itselläni menisi sormi suuhun määrittäessä selkeästi afroamerikkalaisen ja lumeen täydellisesti maastoutuvan skandinaavin lasta joko tummaihoisten tai valkoisten kategoriaan. Vai onko valkoinen perimäaines pilattu heti, jos lapsen ihossa on hiukankin enemmän melaniinia?(Järvisalo H., 2014). Palvelusta ei selviäkään tarkemmin millä metodeilla rotujaottelu on tehty.

Kuten monissa muissakin tilastoissa, myös palvelun hyödyntämissä on virhemahdollisuus, johtuen tietojen tahallisesta vääristelystä. Tämä ei ole kuitenkaan varsinaisesti Mapping America- palvelun “vika” vaan valtiokohtainen, paikoin vielä nykypäivänä vaikeasti hallittava seikka.

Lisäksi tiedot on sidottu hieman epäloogiseen aluejakoon, sillä vaikka yksityiskohtaisen tiedon tarjonta on selvä vahvuus, blokki on kuitenkin hieman epämääräinen käsite ja alueiden koot vaihtelevat suuresti. Lopuksi on pakko vielä mainita monia muita kurssilaisia häirinnyt mittakaavan ja pohjoisnuolen puuttuminen, mihin rehellisesti sanottuna en itse kiinnittänyt huomiota ensin, koska  mielestäni niiden olemassaolo ei palvelun tarkoituksen kannalta ole olellista, vaikka hyvään karttaan kuuluukin.

OPPORTUNITIES

Palvelu on sinänsä merkittävä askel paikkatiedon tuomisessa laajaan julkiseen käyttöön. Aiheita lisäämällä olisi mahdollista tarjota entistä kattavampi aineisto eri tutkimuslaitoksien käyttöön. Yksilötasolla informaatiota voi puolestaan käyttää esimerkiksi asuinalueen valinnan tukena. Myös erilaiset yritykset sekä julkinen sektori voivat hyödyntää tietoja toimintansa kehittämisessään, mistä seurannee monenlaisia vaikutuksia, siis myös tehokkuutta ja hyvinvointia edistäviä. Kolikolla on kuitenkin aina kääntöpuolensa. Osa palvelun käytön seurauksista on haitallisia riippumatta juurikaan siitä mikä taho sitä hyödyntää. Esimerkiksi yritykset käyttävät tietoa tietenkin voiton maksimointiin ja yksilöt omaan napaansa tuijottaen, kumpikin taho piittaamatta siitä edistävätkö esimerkiksi rikkaiden ja köyhien välistä polarisaatiota, vai eivätkö. Tästä enemmän seuraavaksi.

THREATS

Palvelun tietolähteenä toimivaa ACS- väestönlaskentaa kuvataan Väestörekisterikeskuksen nettisivuilla seuraavasti:

“The American Community Survey (ACS) is an ongoing survey that provides data every year — giving communities the current information they need to plan investments and services” (United States Census Bureau).

Lausahduksen mukaan tiedot laaditaan yhteisöille palvelujen ja investointien suunnitteluun. Voidaan vain pohtia mitäköhän tämä lie käytännössä tarkoittaa? Tietojen helppo saatavuus on nimittäin toisaalta vahvuus mutta toisaalta uhka. Kuka vain voi saada tietoja, ja käyttää niitä haluamiinsa tarkoituksiin. Esimerkiksi erilaiset ääriliikkeet voivat hyödyntää tietoja omien tarkoitusperiensä mukaan, mistä ei seuraa välttämättä yhteiskunnallista tietoutta kehittäviä asioita. Tai jos ei mennä aivan näin radikaaleihin asioihin, palvelu mahdollistaa vaikkapa sen, että kuka tahansa yksilö voi melkeimpä tarkistaa naapurinsa tulotason tai seksuaalisen suuntautumisen. Ihmisten oikeus yksityisyyteen on siis täten myös vaarassa menettää merkitystään. Suomessa tietojen, etenkin väestötietojen, saatavuus onkin huonompi, osaksi juuri yksityisyydensuojan vuoksi. Lisäksi tällainen helppo tietojen saatavuus ruokkii asuinalueiden maineiden kehittymistä, ja täten edistää segregaatiota, mikä onkin kiihtyvä ongelma Yhdysvalloissa.

Lähteet:

Järvinen J., 2014. Mapping America: Every City, Every Block ja SWOT-analyysi. <https://blogs.helsinki.fi/jessicaj/2014/02/23/mapping-america-every-city-every-block-ja-swot-analyysi/>. 10.3.2014

Järvisalo H., 2014. Kohti vuotta 1984. <https://blogs.helsinki.fi/hpjarvis/2014/02/27/jaahas-kalenteri-nayttaakin-vuotta-1984/>. 10.3.2014

Lahtinen J., 2014. New York Times, Every City, every block. <https://blogs.helsinki.fi/jattalah/2014/02/25/new-york-times-every-city-every-block/>. 10.3.2014

The New York Times. Mapping America: Every City, Every Block. <http://projects.nytimes.com/census/2010/explorer>. 10.3.2014.

United States Census Bureau. <http://www.census.gov/acs/www/about_the_survey/american_community_survey/>. 10.3.2014

Seitsemäs kurssikerta

Seitsemällä eli viimeisellä kurssikerralla ja siihen valmistautuessamme opettelimme paikkatietoaineiston tuottamisprosessia entistä perinpohjaisemmin ja keräsimme aineiston aivan itse, oman mielenkiinnon mukaan sekä sen mukaan mitä netistä onnistuimme löytämään.

Muuttujikseni valitsin niinkin positiiviset aiheet kuin työttömyys ja rikollisuus Ranskassa. Ranska soveltui tehtävään oikeastaan hyvin koska suosituksena oli vertailtavuuden vuoksi valita alue, joka jakautuu noin 20-30 pienempään osa-alueeseen, ja Ranska jakautuukin 22 hallinnolliseen alueeseen, ellei merentakaisia alueita oteta laskuun (siis valtameren takaisia, Korsika on laskuissa mukana). Tilastotietoa kerättiin kahdesta muuttujasta ja lisäksi kartta tuli hankkia itse, mikä ei ollutkaan kohdallani niin helppo toimenpide. Meinasin ensin käyttää bittikarttaa, jonka olisin kytkenyt koordinaatistoon ja piirtänyt alueet vektorimuotoon, mutta kesken tämän toimenpiteen Arttu vihjaisi, että Ranskasta todennäköisesti löytyy valmiskin paikkatietokanta. Ja niinhän siitä tietysti löytyikin, pienen etsinnän jälkeen. Tosin valtio oli jakautunut valmiissa tietokannassa reilusti useampiin alueisiin, joihinkin departtementteihin tai vastaaviin, joten yhdistelin alueita Combine-toiminnon avulla ja bittikartasta mallia katsoen, kunnes lopulta sain käyttökelpoisen kartan.

Kaiken materiaalini löysin tiedotusblogissa mainittujen linkkien kautta (hienoa oma-aloitteisuutta..!) Puolustuksekseni sanon kuitenkin, että koin kauhean vapaudesta seuranneen valinnanvaikeuden miettiessäni aluetta ja teemoja, ja joku valinta oli lopulta vain tehtävä. Paikkatietokanta on peräisin ilmaista vektori- ja rasteridataa tarjoavan Natural Earthin aineistovalikoimasta (Natural Earth) ja bittikartan, jota hyödynsin hallinnollisten alueiden selvittämisessä, löysin maailman karttoja sisältävältä nettisivulta Maps of World. Tilastodatani puolestaan hankin maailman tilastokeskukset käsittävän linkin kautta, josta päädyin Ranskan kansallisen tilastoviraston, INSEE:n sivuille. Tilastot olivat tosin ranskaksi, joten jouduin vähän verestämään ranskantaitojani ja toivotaan, ettei tullut käännösvirheitä. Etsin tilastoja samalta vuodelta, mutta jouduin tyytymään vuoden poikkeamaan. Työttömyystilastot ovat vuodelta 2012 (INSEE, 2012), kun taas rikollisuudesta on tietoa vuodelta 2011 (INSEE, 2011).

Ainestojen hankinnan jälkeen oli vuorossa ominaisuustietojen liittäminen karttaan. Olin laatinut valmiiksi Excelillä sekä työttömyystiedot ja rikostiedot sisältävän taulukon, jonka liitin tietokantaliitoksella SQL-Selectiä käyttäen osa-alueet käsittävään tietokantaan. Käytin haussa identtisenä rivinä alueiden nimiä, minkä vuoksi tietokantaliitos ensin epäonnistui. Minulla oli nimittäin runsaasti pieniä puutteita kirjainten aksenttimerkkeihin liittyen, mikä selvisi tarkastelun jälkeen. Kannattaakin aina tarkistaa huolella, että liitoksen tuloksessa on saman verran kohteita, kuin siinä pitäisi olla. Tällöin varmistuu myös mahdollisten kirjoitusvirheiden olemassaolo.

Lopulta laadittiin kurssin vihoviimeinen teemakartta. Teemoista työttömyys on esitetty alueluokituskarttana ja rikosten määrä 100 000 asukasta kohden puolestaan pylväinä, koska absoluuttisten arvojen kuvaaminen pylväinä on järkevämpää kuin prosenttilukujen. Luokittelumetodina on käytetty kvantiileja aineiston vinouden vuoksi, ja luokkia on neljä, jotta kartta olisi sekä sopivan selkeä, että informaatioarvoltaan riittävä.

ranskajossanimet2

Kuva 1. Ranskassa työttömyyden ja rikollisuuden alueellinen jakautuminen korreloivat keskenään.

Kartasta havaitaan selvä positiivinen korrelaatio työttömyyden ja rikosten välillä. Sekä aivan Ranskan pohjoisosissa että eteläosissa molempien muuttujien suhteen asiat ovat muuhun maahan verrattuna huonosti. Pohjois-Ranskassa Pohjois-Normandian, Picardien, sekä Nord-Pas-De-Calaisin hallintoalueilla ja etelässä Välimeren rannikolla  Laguedoc-Roussillonin sekä Provence-Alpes-Cote D’Azurin hallintoalueilla työttömyys on kaikkein korkeinta, sijoittuen reilun 11 ja vajaan 14 prosentin väliin, ja omaisuusrikosten määrä on näillä alueilla myös suurinta verrattuna muuhun maahan. Ainoana selvänä poikkeuksena on kuitenkin Ile-de-Francen hallintoalue, eli pääkaupunkiseutu, missä työttömyys on alhaista, mutta rikosten määrä hyvin korkea, mikä onkin usein tyypillistä valtiosta riippumatta. Keskimäärin Ranskassa työttömyysaste vuonna 2012 oli reilut 10 %, mikä on selvästi suurempi kuin Suomessa. Kuten havaitaan, alueellinen vaihtelu on kuitenkin suurta, ja esimerkiksi Bretagnessa ja Pariisin metropolialueella työttömyysaste jää alle yhdeksän prosentin, mikä tosin on Suomeen verrattuna yhä korkea arvo. Työttömyys Ranskassa on lisäksi tällä hetkellä kasvussa, minkä vuoksi nykyiset työttömyyslukemat lieneevätkin hieman suuremmat kuin kyseiset parin vuoden takaiset.

Itse teemakartan laadinta sujui jo vanhasta muistista, eikä suurempia ongelmia ollut. Tästä voidaan päätellä, kun lisäksi muistellaan ensimmäisen kurssikerran tunnelmia, että kurssi on todella hoitanut tehtävänsä, nimittäin MapInfoon tutustuttamisen. Kuten Akseli Toikka blogissaan toteaa “MapInfo on kurssin aikana muuntunut pelottavasta kummajaisesta käyttökelpoiseksi työkaluksi tulevaisuutta silmälläpitäen” (Toikka A., 2014). Näin on todellakin asian kulma. Ensimmäisen kurssikerran avuttomasta minästäni on tullut hyvän opetuksen, kurssitoverien mahtavien blogitekstien ja ehkä myös hieman oman panoksen ansiosta jonkinmoinen MapInfo-osaaja. Ei siis ammattilainen, vaan osaaja, ei passaa mennä liioittelun puolelle! Vaikka tietyt MapInfon käyttömahdollisuudet jäivät osaksi vielä hämärän peittoon, Samuli Massista lainatakseni “Näen kuitenkin, että näiden seitsemän kurssikerran aikana olen oppinut todella paljon hyödyllisiä asioita, joita kykenen jatkossa hyödyntämään opinnoissani” (Massinen S., 2014). Lisäksi blogin kirjoittaminen on ollut erittäin mielenkiintoista ja antoisaa puuhaa, vaikka ensin ajattelin että eihän nyt herranjestas tällaisia amatööritekstejä kehtaa mihinkään internettiin laittaa! Vaikka merkinnät sisältävätkin hieman noloja ajatuksia ja mielipiteitä, Camilla Randin sanoin: “Kurssin avulla on myös oppinut myöntämään paremmin omia virheintään, ja huomannut kehittyneensä kaikilla osa alueilla ylipäätään” (Rand C., 2014). Kirjoittaminen onkin toiminut tehokkaana oppimispäiväkirjana monelta kantilta katsoen ja muiden kirjoitusten lukeminen on kehittänyt myös omaa ajatusmaailmaa odottamattomalla tavalla.

Lähteet:

INSEE (Institut National de la Statistiue et Études Économiques), (2012). Taux de chômage localisés. <http://www.insee.fr/fr/themes/tableau.asp?reg_id=99&ref_id=t_0707R>. 27.2.2014.

INSEE (Institut National de la Statistiue et Études Économiques), (2011). Direction Générale de la Police Judiciaire (DGPJ). Estimations de population.<http://www.insee.fr/fr/themes/tableau.asp?reg_id=99&ref_id=t_1701R>. 27.2.2014.

Massinen S. (2014). Seventh and final round – Kaikki hyvä loppuu aikanaan. <https://blogs.helsinki.fi/smassine/2014/03/01/seventh-and-final-round-kaikki-hyva-loppuu-aikanaan/>. 12.3.2014.

Natural Earth. States, Provinces. <http://www.naturalearthdata.com/downloads/50m-cultural-vectors/>. 27.2.2014.

Rand C. (2014). Kurssikerta 7. <https://blogs.helsinki.fi/camirand/2014/02/25/kurssikerta-7/>. 12.3.2014.

Toikka A. (2014). Seitsemäs Kurssikerta. <https://blogs.helsinki.fi/akto/2014/03/10/seitsemas-kurssikerta/>. 12.3.2014.

 

Kuudes kurssikerta

Kuudennella kurssikerralla opimme tuottamaan itse sijaintitietoa, tarkemmin ottaen käyttämään GPS-paikanninta, ja siirtämään tiedot Excelin kautta MapInfoon ja kartalle. Lisäksi opimme hyödyntämään netistä löytyviä valmiita pisteaineistoja ja muokkaamaan niitä kätevämpään muotoon, mistä ne voidaan sijoittaa helposti kartalle.

Aluksi lähdimme pienryhmissä Kumpulan lähimaastoon reippailemaan. Saimme mukaan GPS- paikantimen, jonka avulla meidän tuli kerätä sijaintitietoja joistakin kohteista. Jotkut ryhmät olivat järkevästi valinneet teemakseen esimerkiksi bussipysäkit, mutta me emme tällaista tajunneet, joten kohteemme ovat vähän sitä sun tätä Kumpulasta ja Arabianrannasta. Vaikka kukaan ryhmästämme ei ollut perehtynyt GPS-paikantimen käyttöön, ei sen peruskäyttö ollutkaan kovin vaikeaa. Tarkkuutta emme saaneet kuitenkaan mitattua oikein, ennen kuin toinen ryhmä, johon törmäsimme, näytti miten se olisi pitänyt kaivella laitteen uumenista (kiitos!). Tarkkuus paikantimessa on kuitenkin tyypillisesti kymmenen metrin luokkaa, eivätkä kohteiden sijainnit kovin paljon heittelehtineetkään lopulta kartalla (Kuva 1.). Korkeuden laite näytti automaattisesti, mutta tulokset olivat hieman epäilyttäviä, sillä laitteen mukaan olisimme olleet merenpinnan alapuolella, vaikka olimme ihan vasta olleet selvästi sen yläpuolella. Ilkka Saarinen hämmästelee samaa asiaa blogissaan vastaavasti: ”GPS – paikannin antoi läpi matkan jokseenkin ristiriitaisia tuloksia; etenkin korkeusluvut vaikuttivat vääristyneiltä, sillä esimerkiksi tasamaalla laitteen ilmoittama korkeusluku saattoi poiketa kymmenellä metrillä sadan metrin kävelymatkan aikana. Koordinaattitietojen kohdalla laite näytti kuitenkin antavan johdonmukaisia tuloksia” (Saarinen I., 2014).

kk6GPSpaikanninmittaukset2

Kuva 1. Kohteemme ja niiden sijoittuminen kartalle

Reippailun jälkeisiä toimipiteitä:

– Taulukon laadinta Excelissä. Sarakkeiksi asetettiin kohteen kuvaus, x-koordinaatti, y-koordinaatti ja korkeus. Kerääjän sarakkeen jätimme tyhjäksi, koska keräsimme tiedot yleensä yhdessä ja tarkkuutta emme tosiaan saaneet laskettua, sillä meillä ei ollut värinäytöllistä paikanninta, joka olisi näyttänyt suureen suoraan.

– Pisteiden sijoittaminen kartalle. Ensin sijoitimme yhdessä toisten ryhmien tuloksia kartalle, jotta pääsimme tarkastelemaan muiden kohteita, ja niiden tarkkuuden heilahteluita, ja lopuksi sijoitimme omamme. Pohjana käytettiin pseutu.wor –työtilaa, joka sisälsi pohjakartan Kumpulan ympäristöstä. Excel-tiedostot avattiin MapInfoon, mutta ensin tarkistettiin data-aluedien vastaavuus ohjelmissa. Sitten käytettiin Create Points-toimintoa, jonka avulla saatiin pisteet näkymään kartalle.

– Pisteiden sijoittumisen tarkastelu. Kuten jo mainitsin, ryhmämme kohteet heittelivät melko vähän. Toisilla ryhmillä tarkkuuksissa oli paikoin selviä heittoja, esimerkiksi bussipysäkki Physicumin ja Chemicumin välissä, joka sisältyi meidänkin kohteisiimme, sijoittui eräällä ryhmällä Physicumin päälle. Artun mukaan paikantamisesta kahden suuren hyvin lähekkäisen rakennuksen välissä seuraakin usein vääristymiä sijaintituloksiin.

Toisessa yhteisharjoituksessa harjoittelimme geokoodausta, eli geograafisen paikkatiedon liittämistä mediaan (piti tarkistaa tuo sana Wikipediasta…). Tehtävässä tarkastelimme Helsingin pelikoneiden sijoittumista. Hyödynsimme kolmea eri aineistoa: Postinumero_Helsinki.WOR- työtilaa käytimme kaiken pohjana, mutta tietoa pelikoneista oli Excel-tiedostossa, joka tuotiin MapInfoon, ja sen aineisto voitiin paikantaa kartalle vain HELSINKI.tab-nimisen Street-muotoisen tietokannan avulla, joka sisälsi tietoa Helsingin teistä. Tämä oli mielestäni melko monimutkaista, koska harjoituksessa piti tehdä kaikenlaisia asetusmäärityksiä ynnä muita, joten meninkin metsään ensiksi. Meidän täytyi esimerkiksi muokata osoiteasetukset vastaamaan osoitteenmerkintätapaa Suomessa ja manuaalisesti määrittää epäonnistuneet paikannukset oikeiksi, jottei karttaan olisi tullut virheitä.

pelikoneet2

Kuva 2. Helsingin pelikoneet.

Lopulta pääsimme kurssikerran pääasiaan, eli itsenäistehtävään, joka sisälsi tällä kertaa hasarditeemakarttojen tekemistä. Epäonnistuneiden meteoriittiteemakarttojen laadintayritysten jälkeen, päätin keskittyä maanjäristysten voimakkuuden tarkastelemiseen alueellisesti (Kuvat 4-6) sekä tulivuorten sijoittumisen ja seismisten alueiden vertailemiseen keskenään (Kuva 7.).

Aineistona käytettiin neitistä löytyviä valmiita aineistoja: ANSS:n globaalia maajäristyslistaa (ANSS) sekä tulivuoritietokantaa, jota ylläpitää National Geophysical Data Center (NGDC). Etsin maanjäristystilastoista vuoden 1980 jälkeen tapahtuneet maanjäristykset voimakkuuksilla yli 6 Richteriä, yli 7 richteriä, ja yli 8 Richteriä, eli siis voimakkaat, hyvin voimakkaat ja erittäin voimakkaat järistykset (Helsingin yliopisto). Lisäksi analysoin viimeisen 50 vuoden sisällä tapahtuneiden järistysten ja tulivuorenpurkausten sijaintien yhteyksiä lisäämällä vuoden 1964 jälkeiset tulivuorenpurkaukset em. keskimmäiseen, eli yli 7 Richterin järistykset käsittävään karttaan.

Koska maanjäristykset syntyvät litosfäärilaattojen liikkeistä, ennen karttojen tarkastelemista on hyvä luoda katsaus litosfäärilaattojen saumakohtiin (Kuva 3.).

worldplates

Kuva 3. Maapallon suurimmat litosfäärilaatat. Lähde: USGS.

maanjäristys6richteriä2

Kuva 4. Vuoden 1980 jälkeen tapahtuneet 6 Richterin maanjäristykset. Tämän voimakkaita järistyksiä tapahtuu melko usein, ja myös alueilla, jotka eivät sijaitse litosfäärilaattojen rajoilla.

maanjäristykset7rihteriä

Kuva 5. Vuoden 1980 jälkeisten 7 Richterin maanjäristysten sijainti. Hyvin voimakkaita järistyksiä esiintyy voimakkaita selvästi vähemmän, ja vain laattojen reuna-alueilla, joilla liike on voimakkainta, eli Tyynenmeren tulirenkaan alueilla sekä Euroopan vuoristoista Himalajalle ulottuvalla vuoristoketjun alueella.

maanjäristys8richteriä

Kuva 6. Kahdeksan Richterin maanjäristykset, jotka ovat järisseet vuoden 1980 jälkeen. Erittäin voimakkaita maanjäristyksiä tapahtuu vain harvoin ja vain pitkään lukkiutuneissa litosfäärilaattojen kohdissa. 80-luvun jälkeen voimakkaimmat järistykset ovat sijoittuneet Indonesiaan, Japaniin, Oseaniaan sekä Latinalaisen Amerikan länsiosiin.

maanjär7richteriäjatulivuoret

Kuva 7. Vuoden 1964 jälkeen purkautuneiden tulivuorten ja vuoden 1980 jälkeen tapahtuneiden maanjäristysten sijainti. Kohteiden sijainnin välillä havaitaan runsaasti päällekkäisyyttä, etenkin Tyynenmeren tulirenkaan lähettyvissä, johtuen siitä että molemmat ilmiöt johtuvat mannerlaattojen liikkeistä, vaikkakin maanjäristykset suoraan ja tulivuorenpurkaukset välillisesti.

Karttoja oli lisäksi pyrittävä pohtimaan opettajan näkökulmasta. Olisivatko karttani käyttökelpoisia oppimateriaalina? Mielestäni ne antavat yleiskäsityksen kyseisten hasardien sijoittumisesta ja litosfääriaattojen liikkeen aktiivisuudesta, mutta yksittäin tarkasteltuna pisteet eivät ole tarpeeksi tarkkoja. Johanna Hakanen kehottaisikin tarkastamaan kohteiden sijainnin, huomattuaan yhden tulivuoren sijaitsevan aineistojen mukaan Ruotsissa (Hakanen J., 2014). Tarkkuus on kuitenkin aina sidoksissa kartan mittakaavaan ja epätarkkuuteen vaikuttaa myös hieman käyttämäni symbolit. Symboleina olisi voinut käyttää esimerkiksi pieniä pisteitä, jolloin ne eivät peittäisi niin suurta osaa kartasta pienuutensa ja pyöreän muotonsa ansiosta. Lisäksi ympyrä eroaisi paremmin tulivuoren symbolista, kuin nyt käytetty nelikulmio.Toisaalta symbolien suuruus on hyvä asia näkyvyyden kannalta.

Karttojen kautta ei siis kannata yrittää opettaa ulkoa esim. tulivuorten sijaintia, mutta globaalisti ne havainnollistavat maajäristysten sekä tulivuorten sijaintia melko hyvin. Lisäksi kartoilla voisi opettaa myös epätavallisemmalla tavalla mannerlaattojen liikkeeseen liittyviä asioita, sillä toisin kuin esimerkiksi kuvan 3 kartta, ne havainnollistavat myös laattojen liikkeen voimakkuutta maanjäristysten voimakkuuksien esittämisen kautta. Mielestäni hasardeja esittävät kartat ovat myös paljon kiinnostavampia kuin laattoja esittävät. Endogeenisten ilmiöiden opettamisessa olisikin mielestäni hyvä yhdistellä erityyppisiä karttoja: litosfäärilaattojen muotoa, niiden liikkeen suuntaa ja voimakkuutta kuvaavia karttoja sekä seismisten ja vulkaanisten hasardien jakautumista kuvavia karttoja, jotta ilmiöiden välisten yhteyksien oppiminen helpottuisi.

Lähteet:

ANSS. <http://quake.geo.berkeley.edu/anss/catalog-search.html>. 22.2.2014

Hakanen J., (2014). Kurssikerta 6: Pisteaineiston muodostaminen ja esittäminen kartalla. <https://blogs.helsinki.fi/johakane/2014/02/18/kurssikerta-6-pisteaineiston-muodostaminen-ja-esittaminen-kartalla/>. 22.2.2014

Helsingin yliopisto. Seismologian laitos. <http://www.seismo.helsinki.fi/fi/maanjtietoa/perustietoa/magnitudi.html> . 22.2.2014.

NGDC. Global Volcano Locations Database. <http://catalog.data.gov/dataset/global-volcano-locations-database>. 22.2.2014.

Saarinen I., (2014). Reippailua ennen loppukiriä. <https://blogs.helsinki.fi/ilkkasaa/2014/02/18/reippailua-ennen-loppukiria/>. 22.2.2014.

USGS. <http://geomaps.wr.usgs.gov/parks/pltec/>. 22.2.2014.

Viides kurssikerta

Viidennellä kurssikerralla harjoiteltiin bufferointia, eli suomeksi sanottuna puskurointia, eli tutkintaa mm. siitä, miten tietyn säteen sisäpuolelle sijoittuu tiettyjä kohteita. Puskurivyöhykkeitä voidaan hyödyntää monenlaisissa tutkimuksissa. Esimerkiksi, jos vaikkapa sattuisi ydinonnettomuus, tai ydinpommi laukaistaisiin, ja jos tiedettäisiin onnettomuuden voimakkuus ja millä säteellä vaikutukset näkyvät, MapInfolla tai vastaavalla ohjelmalla voitaisiin selvittää kuinka monta ihmistä asuisi alueella, jolla onnettomuudesta seuraisi hengenvaarallisia seurauksia.

Kuten jo edellisessä merkinnässäni mainitsin, harjoittelimme MapInfolla piirtotyökalujen käyttöä. Siis samanlaisten työkalujen käyttöä, mitä Corelissakin on, mutta MapInfon työkalut osoittautuivat hieman kömpelömmiksi luonnollisesti siitä syystä, ettei ole piirto-ohjelmasta kyse. Harjoittelimme piirtämistä ja bufferointia Pornaisten kunnan alueen käsittävän pohjakartan päälle, mihin ensin digitoimme tiet vektoriobjekteina ja asuinrakennukset pistemuotoisina objekteina. Sitten pystyimme tekemään bufferin ja laskemaan talot, jotka olivat tietyn säteen päässä teistä, ja analysoimaan asutuksen sijoittumista teiden varsille. Tarkastelimme samalla tavalla myös terveyskeskuksen vaikutusaluetta, sitä kuinka monta taloa sijaitsee alle 500 metrin päässä terveyskeskuksesta, kuten myös Pornaisen keskuksen koulun läheisyydessä sijaitsevien talojen osuutta kaikista keskuksen rakennuksista.

Seuraavaksi oli taas kerran itsenäisen työn vuoro. Tällä kertaa tehtävänä oli jopa kolme itsenäistehtävää, mikä tuottikin suurta huolen aihetta, sillä kaikki MapInfon mekanismit eivät rehellisesti sanottuna ole minulle vieläkään kunnolla auenneet. Vastaan tulikin monenmoisia ongelmia, mutta pienellä avulla, tai melko suurella oikeastaan, tehtävät valmistuivat kuitenkin loppujen lopuksi jotenkuten .

Ensimmäisessä tehtävässä tutkimme lentokenttiä ja juna-asemia, ja niiden vaikutusalueita. Aineistona käytimme pääasiassa Vantaan kunnan asukastietoja sisältävää Vantaa.wor- työtilaa, sekä juna-asemista tietoa sisältävää juna-asemat -tietokantaa. Tutkimme sekä Malmin että Helsinki-Vantaan lentokenttiä.  Selvitimme vastauksia kysymyksiin kuten kuinka monta ihmistä asuu tietyn säteen sisällä lentokentän kiitoradoista ja kuinka monta prosenttia näistä taas asuu tietyllä melualueella (Taulukko 1.). Lisäksi selvitimme maksimissaan puolen kilometrin päässä juna-asemasta asuvien asukkaiden määrän, heidän osuuden koko alueen asukkaista ja työikäisten osuuden ko. joukosta (Taulukko 2.).

Taulukko 1. Lentokenttien vaikutusalueet. Lähes 10 tuhatta ihmistä asuu Helsinki-Vantaan lentokentän välittömässä läheisyydessä, mutta tästä määrästä vain 0,3 % kentän pahimmalla melualueella. Malmin kentän läheisyydessä asuu suhteellisesti paljon enemmän ihmisiä, mikä selittynee sen pienemmällä koolla ja alhaisemmalla vilkkaudella.

Taulukko1Taulukko 2. Juna-asemien vaikutusalueet. Vaikka tiedetään, että työikäisille julkisen liikenteen toimivuus on asuinalueen valinnassa merkittävä seikka, mielenkiintoista on, että työikäiset muodostavat jopa yli 70 % juna-asemista alle puolen kilometrin säteellä asuvasta Vantaan väestöstä.

taulukko1uusiToisessa itsenäistehtävässä tutkimme  taajamia. Käytimme tehtävän pohjana taajamat.tab -tietokantaa, johon päivitimme itse uutta saraketietoa Vantaan väestötietoa sisältävän tietokannan avulla. Tuloksista laadittiin taulukko (Taulukko 3.).

Taulukko 3. Vantaan taajamien väestötietoja. Vantaan väestöstä kokonaisuudessaan asuu taajamissa 86,4 %, mutta kouluikäisistä hiukan vähemmän: 84,9 %. Olisikohan tähän syynä vanhempien halu asua haja-asutusalueella rauhallisen ympäristön vuoksi?

taulukko3Kolmannessa itsenäistehtävässä aineistona käytettiin tietoa pääkaupunkiseudusta sisältävää pk.seutu.wor- työtilaa. Valitsimme vaihtoehtoisista teemoista yhden tai useamman pohdiskeltavaksi. Päätin ensin tehdä Koulut-harjoituksen olemassa olevan luuranko-ohjeen mukaan (siksi koska en olisi osannut ilman sitä!), mutta lisäksi innostuin harjoittelemaan lisää uima-allastehtävän avulla, sillä huomasin edistyneeni nähdessäni muiden blogeissa samanlaisia tuloksia, mikä tuntui hyvin epätodelliselta. Olin sittenkin oppinut jotain tästä suuresta mysteeristä nimeltä MapInfo! Tosin, on kai tunnustettava (koska karttani loistaa poissaolollaan), etten onnistunut saamaan siitä vielä esityskelpoista, mutta julkaisen sen myöhemmin, mikäli onnistun anelemaan neuvoja joltakin ystävälliseltä kurssitoverilta.

Koulut-harjoituksessa tutkimme Helsingin yhtenäiskoulun tarpeita aineiston keruuhetkestä seuraavana vuonna (Taulukko 4.) ja uima-allasharjoituksessa selvitimme altaiden määriä ja sijoittumista pääkaupunkiseudulla (Taulukko 5.).

Taulukko 4. Helsingin Yhtenäiskoulun lähitulevaisuuden näkymiä. Yhtenäiskoulun tulee valmistautua opettamaan vain kuuttatoista ekaluokkalaista, mutta 61:tä yläastelaista. Voidaan siis päätellä nuorison muodostavan koulupiirin väestöstä  lapsiin verrattuna luultavasti vähän suuremman osuuden. Yhteensä peruskoululaisia alueen väestöstä on noin 8 %.

taulukko4Taulukko 5. Pääkaupunkiseudun uima-altaisiin liittyviä faktoja. Seudulta löytyy yhteensä 856 allasta, mutta määrä ei kylläkään sisällä uimahallien tai kylpylöiden altaita. Altaista selvästi enemmistö sijaitsee omakotitaloissa, mutta luultavasti suurimmat altaat ja suurimmat uimarimäärät ovat kerrostaloissa. Altaiden kokoa ei nimittäin aineistoissa ole huomioitu.

Taulukko5Kyselyssä selvisi, että yhdessäkään talossa ei ole enempää kuin yksi uima-allas! Tämä on aika yllättävä uutinen, ja herääkin epäilys siitä, onkohan tämä todella totta, vai onko aineiston käsittelyssä tapahtunut virhe. Natalia Erfving miettii blogissaan myös luotettavuuskysymyksiä: ”- olen hyvinkin kriittinen saamiani vastauksia kohtaan, enkä lähtisi käyttämään niitä minkään analyysin pohjana. Tämä on sinällään hiukan huolestuttavaa, koska jatkossa pitäisi kyetä tekemään itsenäisesti laskelmia ja analyyseja ja tällöin myös luottaa saatuihin tuloksiin. MapInfon perusteisiin pitäisi siis ehdottomasti tutustua lisää ja haluaisin esim. selvyyden siihen, että mitä toimintoa kannattaa milloinkin käyttää taulukon päivittämisessä (count, value, sum jne.), jotta arvot menisivät aina oikein, eikä tarvitsisi pohtia jälkikäteen outoja tuloksia” (Erfving N., 2014). Natalia nostaa esiin tärkeän seikan, jota luultavasti suuri osa muistakin kurssilaisista minun lisäksi on pohdiskellut. Se, että välillä tehdään vain kuten käsketään, esimerkiksi valitaan ”count” koska ohjeissa lukee niin, eikä siksi että todella ymmärretään mitä sana tarkoittaa ohjelman toimintamekanismien kannalta, on toki välttämätöntä ohjelman käytön opettelussa, mutta pidemmän päälle olisi ihan suotuisaa opetella kunnolla myös ohjelman eri työkalujen merkitykset analyysien teossa.

Lisäksi MapInfon käyttökielenä toimiva englanti vaikeuttaa työkalujen toiminnan ymmärtämistä, ja aiheuttaa väärinymmärrysten kautta virheitä tulkintaan. Toisaalta on hyvä oppia ymmärtämään paremmin englanninkielistä termistöä, mitä esiintyy muissakin GIS-ohjelmissa, mutta jos haluttaisiin minimoida virheiden synnyn riski, olisihan se plussaa, jos kieleksi voitaisiin valita oma äidinkieli.

Harjoitusten tarkoituksena oli pakottaa meidät etsimään itse erilaisia reittejä ongelmanratkaisuun. Tämä oli toisaalta hyvä asia, mutta toisaalta huono, sillä välillä tehtävät keskeytyivät ainakin minun kohdallani täysin kun tuli jokin mahdoton ongelmakohta vastaan. Onnistumisen tunne on kuitenkin aina sitä mahtavampi, mitä itsenäisemmin on saanut tuloksia aikaan.

Mielestäni MapInfon hyödyllisimpiin työkaluihin kuuluvat mm. erilaisten kyselyjen tekeminen, mitä kautta voidaan yhdistellä eri alueiden sisältämiä tietoja ja saada helposti vastauksia kiinnostaviin kysymyksiin, jos aineistoa kyseisistä asioista on vain olemassa, ja sitä on tallennettu digitaaliseen muotoon. Itse en ole kuitenkaan kyselyjen teossa mikään mestari, vaikkakin koko ajan kehittynyt asiassa. Teemakarttojen tekeminen on myös eräs asia, joka on mielestäni kätevää ja lisäksi melko yksinkertaista MapInfossa. Piirtotyökalujen käyttö on ehkä kuitenkin minulle, kuten monelle muullekin yksinkertaisin asia, sillä lähes vastaavien piirtotyökalujen käyttö on jo opeteltu TAK- kurssilla Corelissa.

Kaikista vaikeimpia tehtäviä mielestäni ovat sellaiset, joissa tarvitsee tehdä monenmoisia vaiheita, ennen kuin lopullinen tulos on nähtävissä. Ongelma on oikeastaan sama kuin Johanna Hakasella, joka on pukenut ajatuksen hyvin lauseeksi: ”Suurimmat ongelmat Mapinfossa liittyvät minun kohdallani siihen, että ohjelma tuntuu epäjohdonmukaiselta, enkä oikein tiedä mistä suunnasta ongelmia pitäisi lähteä lähestymään” (Hakanen, J., 2014). Tämä tosin ei mielestäni johdu lainkaan puutteista matemaattisessa päättelykyvyssäni, ja tuskin Johannankaan kohdalla, vaan pikemminkin MapInfon kapulakielestä, ja sen työkalujen monipuolisuudesta. Ohjelmaa voidaan hyödyntää niin usealla tavalla, että välillä ajatusten solmuun meneminen on estämättömissä.

Vaikka monenlaiset analyysit ovatkin MapInfossa mahdollisia, ohjelman ongelmanratkaisumahdollisuudet ovat kuitenkin rajoitettuja. Ohjelma sisältää joidenkin työkalujen, esim. piirtotyökalujen, kohdalla liian rajoitetun määrän vaihtoehtoja sekä tiettyjä peruspuutteita, esimerkkinä toimikoon varsinaisen ”kumoa”-napin puuttuminen ohjelmasta, mikä on osoittautunut hyvin tuskalliseksi ajoittain. Aineistot ovat kuitenkin kaiken pohjana analyyseissa, joten niiden yksipuolisuus on mielestäni pahin rajoittava tekijä. MapInfo on kuitenkin siinä mielessä yllättävän kätevä väline, että eri tietokantoja voidaan sen avulla yhdistää, kuten kolmannella kurssikerralla havaitsimme. Timo Ijäs toteaa lisäksi blogissaan: ”Toinen ongelma voisi olla moraaliset seikat. Mitä aineistoa voi käyttää ja mihin tarkoitukseen? Lisäksi, käyttäjältä vaaditaan lähdekritiikkiä ja maalaisjärkeä. Kaikkiin lähteisiin ei voi luottaa ja saaduista laskujen tuloksista pitäisi olla jonkinlainen taju, minkälaista suuruusluokkaa niiden pitäisi olla” (Ijäs, T., 2014). Aineistojen käytössä on siis oltava huolellinen ja teräväpäinen!

Ohjelman käyttäjä rajoittaa myös ratkaisua, jos hän ei osaa käyttää monipuolisesti kaikkia työkaluja (mikä on tullut jo pariinkin otteeseen omakohtaisesti koettua), tai mikä vielä pahempaa, käyttää niitä oikein!

Lähteet:

Erfving N. (2014). Kurssikerta 5: Bufferointia, analyyseja ja arvauksia. <https://blogs.helsinki.fi/nataliae/2014/02/11/kurssikerta-5-bufferointia-analyyseja-ja-arvauksia/> 20.2.2014.

Hakanen J. (2014). Kurssikerta 5: Bufferointia ja analyyseja, eli tuskaa ja ärsytystä. <https://blogs.helsinki.fi/johakane/2014/02/12/kk5-bufferointia-ja-analyyseja-eli-tuskaa-ja-arsytysta-2/>. 20.2.2014.

Ijäs, T., (2014). Kurssikerta 5. <https://blogs.helsinki.fi/timoijas/2014/02/19/kurssikerta-5/>. 20.2.2014.

Neljäs kurssikerta

Neljännellä kurssikerralla harjoittelimme ruututeemakarttojen laatimista MapInfolla. Ensin opettelimme tarvittavat mekanismit laatimalla kaikki yhdessä opettajan johdolla teemakartan pääkaupunkiseudun väestöntiheydestä, ja sitten oli vuorossa itsenäinen työskentely. Laadimme omavalintaisesta kaksi samanlaista karttaa, joiden ruutujen koko on kuitenkin erilainen. Harjoittelimme jo TAK-kurssilla ruutumatriisin pohjalta laaditun teemakartan laatimista, mikä oli jonkin verran erilaista tähän verrattuna, mutta myös samankaltaisuuksia MapInfon ja Corelin toiminnasta löytyi. Kaikki lähti siitä, että loimme ruudukon pääkaupunkiseudun käsittävän kartan päälle. Määritimme halutun ruutukoon samalla. Valitsin toiseen karttaani ruutukooksi 500 neliömetriä, ja toiseen yhden neliökilometrin. Täten ruudukot ovat tarpeeksi erilaisia, jotta niiden toimivuutta voidaan vertailla keskenään.

Seuraavaksi laadittuun grid-tietokantaan laadittiin uusi sarake, johon sitten siirrettiin toisesta tietokannasta halutut tiedot, ja sitten laadittiin teemakartat. Kyseinen tietokanta oli  pääkaupunkiseudun väestötietokanta, joka sisälsi rakennuskohtaiset vuoden 2009 väestötiedot. Teemakseni valitsin yli 85-vuotiaiden alueellisen jakautumisen pääkaupunkiseudulla. Kartat siis esittävät tämän ikäisten vanhusten absoluuttista määrää kussakin ruudussa. Ajattelin ensin, että neliökilometrin kokoisina ruutuina teemaa voisi olla mielenkiintoista tarkastella, koska usein tutkimuksissa alueita tarkastellaan neliökilometreittäin. Tämä osoittautui kuitenkin huonoksi ajatukseksi, sillä ikäihmiset ovat keskittyneet hyvin suppeisiin keskuksiin, kuten toisesta laatimasta kartastani havaitaan (kuva 1.). Tämä kartta, jossa ominaisuustieto on sidottu 500 neliömetrin kokoisiin ruutuihin, onkin paljon selkeämpi ja toimivampi. Olisikin voinut olla kiinnostavampaa vertailla 500 neliömetrin ruutukoon karttaa mieluummin esimerkiksi 250 metrin ruutuihin pohjautuvan ruututeemakartan kanssa, sillä se olisi tuottanut vielä tarkempaa tietoa vanhusten keskittymisestä, eikä sellaista pikselisotkua, mikä neliökilometrin kokoisista ruuduista seurasi.

Luokittelua varten vein aineiston histogrammityökaluun tarkasteltavaksi. Koska aiemmin kurssilla käyttämämme työkalu ei suostunut toimimaan, kokeilin Aleksi Raution blogissa mainittua Interactivate-sivuston histogrammityökalua, joka toimi erinomaisesti (Rautio, A., 2014). Histogrammi (kuva 2.) esittää siis kyseistä jakaumaa, ja siitä voidaan havaita, että hyvin pienillä arvoilla on suuri frekvenssi, kun taas ruudut, joissa asuu yli kolmenkymmentä ikäihmistä, ovat jo hyvin harvinaisia alueella. Histogrammista on jätetty nolla-arvot pois, sillä kyseinen frekvenssi oli moninkertainen muihin frekvensseihin verrattuna, ja koska kartassakin ruudut, jotka eivät sisällä yhtään yli 85-vuotiasta, esitetään valkoisina, niin kuin on tyypillistä.

histogrammiyli85v2

Kuva 1. Aineisto on hyvin vinosti jakautunut: hyvin laajalti 5oo neliömetrin kokoista ruutua kohden asuu korkeintaan muutama yli 85-vuotias.

Koska aineiston jakauma on hyvin vino ja epätasainen, päädyin luokittelussani kolmeen luokkaan ja itse määriteltyihin luokkarajoihin. Kolmen luokan käyttö selkeyttää karttaa, joka on jo valmiiksi hieman sekava ja vääristynyt ruutujen käytön vuoksi, ja itsemääritetyt luokkarajat mahdollistavat vinon jakauman helpomman tarkastelun, koska luokkarajat ovat 1-5 henkilöä, 5-20 henkilöä, 20-170 henkilöä. Luokissa on nyt kylläkin päällekkäisyyttä, mutta MapInfo ei jostain syystä suostunut luomaan toisenlaisia luokkia, tai sitten en vain ymmärtänyt miten se tehdään, mikä on ehkä kumminkin se todennäköisempi vaihtoehto. Tosin MapInfossa luokkarajat oli esitetty merkein “on suurempi kuin” ja “on pienempi kuin”, joten vaikka raja-arvo näyttää laatimassani luokittelussa kuuluvan kahteen luokkaan, voi olla että ohjelma käytti kuitenkin suljettuja välejä. Pitää selvittää tämä hämärä asia myöhemmin…

KK4_vanhukset_500m

Kuva 2. Pääkaupunkiseudun iäkkäimmät ihmiset

Tulkitessa kyseistä karttaa, havaitaan että ikäihmiset ovat keskittyneet selvästi Helsingin kantakaupungin alueille, missä myös palvelut ja liikenneyhteydet ovat kattavia. Tämä onkin luonnollista, sillä vanhetessa palveluiden läheisyys ja julkisen liikenteen käytön helppous nousevat merkittäviksi elämää sääteleviksi tekijöiksi, ja täten myös myötävaikuttavat muuttoon lähemmäksi keskuksia. Yli 65-vuotiaiden alueellista keskittymistä tarkastellut Minni Aalto pohtii blogissaan “Todennäköisesti monet eläkeikäiset ovat muuttaneet vasta vanhuudenpäivillään ydinkeskustan alueelle kun neliömäärän tarve on vähentynyt lasten muuttaessa pois (Aalto, M. 2014). Luultavasti yli 65-vuotiaille onkin käynyt aivan kuten Minni toteaa, ja tästä seuraten, ne näistä kyseisistä eläkeläisistä, jotka ovat yhä elossa 85-vuotiaina, asuvat yhä näillä samoilla ydinkeskustan alueilla.

Kartasta huomataan, että varsinkin Mannerheimin tietä seurailee pitkä kaistale, jolle suuri määrä alueen vanhuksista näyttää keskittyneen. Tämä voisi johtua siitä, että Mannerheimintien varakkaat asuinrakennukset ovat pitkään kuuluneet samoille suvuille, ja ovat tällä hetkellä hyvin iäkkäiden ihmisten omistamia. Yleistetysti tarkasteltuna Helsingin keskustasta seudun reuna-alueita kohti kuljettaessa vanhusten määrä vähenee kaikissa ilmansuunnissa. Helsingissä siis asuu selvästi enemmän vanhuksia kuin Espoossa tai Vantaalla.Toisissa kunnissa yli 85-vuotiaiden määrät näkyvätkin kartassa vähäisimpinä keltaisina neliöinä, jotka sijaitsevat rykelmissä, siitä syystä, että vanhukset ovat keskittyneet lähinnä kuntien suurimpiin keskuksiin, Espoossa esimerkiksi Tapiolaan sekä Espoonlahdelle ja Vantaalla keskustaan sekä Myyrmäen alueelle.

Halusin lisäksi selvittää, miten suuresti kartassa näkyvät vanhusten keskittymät heijastelevat pääkaupunkiseudun palvelutalojen ja hoitokotien sijaintia. Koska en tunne pääkaupunkiseutua juuri lainkaan, päätin luottaa tässä asiassa vanhaan kunnon Googleen. Googlettaessani vanhainkoteja havaitsin oletukseni, siitä että osa tummemmista kohdista sijaitsee palvelutalojen kohdalla, aivan oikeaksi ja siis selkeän yhteyden näiden asioiden välillä.

Ruututeemakartan heikkoutena on mm. se, että kartan lukeminen on erilaista, ehkä vaikempaa, kuin tavallisen koropleettikartan, sillä ruutuja on valtava määrä. Ruutukartan hyvä puoli on kuitenkin se, että sen avulla voidaan esittää yhtä suuriin alueisiin sidottua ominaisuustietoa, ja ruutujen kokoa säätelemällä saadaan erilaisia esityksiä aikaan. Koropleettiteemakartoissa tätä mahdollisuutta ei ole, vaan Pyry Poutasta lainatakseni “Perinteisen koropleettikartan yksi heikkous on se, että alueet on yleensä jaettu erikokoisiin alueisiin, jolloin absoluuttisten havaintojen esittäminen ei ole mielekästä” (Poutanen, P., 2014).

Tosin absoluuttisten havaintojen esittäminen ei ole kovin mielekästä muutenkaan tässä tapauksessa, kun teemana on mikä on. Kartta ei nimittäin kerro vain ja ainoastaan vanhusten asumissijainneista vaan myös kokonaisuudessaan seudun asumistiheydestä, sillä kartassa valkoisina kuvatut alueet, eli alueet, joilla ei asu lainkaan yli 85-vuotiaita, ovat myös useimmiten täysin asuttamattomia alueita. Tämä ongelma poistuisikin, jos absoluuttisten arvojen sijaan kartalla esitettäisiin suhteellisia arvoja, vanhusten osuutta koko väestöstä.

Karttaan olisi voinut lisätä jotakin nimistöä, ainakin kuntien nimet, jotta ne erottuisivat paremmin toisistaan. Hyvä lisä olisi ollut myös tieyhteyksien merkintä, mikä olisikin visualisoinut aiemmin mainitsemani selvän suhteen liikenteen solmukohtien ja ikäihmisten keskittymisen välillä, minkä itse selvitin muuta kautta. Hieman hämäävää on myös se, että tarkasteltavien kuntien ulkopuoliset alueet näkyvät kartassa myös valkoisena, mitä on käytetty kuntien sisällä erottamaan nollan yli 85-vuotiaan ruudut muista. Tämä aiheuttaa illuusion siitä, ettei pääkaupunkiseudun ulkopuolella asuisi lainkaan näin vanhoja ihmisiä. Lisäksi valkoisen värin käyttöä ei ole selitetty legendassa, mikä epäselveyttää entisestään asiaa. Ehkäpä muuttelenkin näitä asioita myöhemmin karttaan, mikäli aikaa on.

Kurssikerran loppupuolella harjoittelimme myös rasterikuvan rekisteröistä MapInfoon ja MapInfon piirtotyökalujen käyttöä, mutta harjoittelu jatkuu viidennellä kurssikerralla, joten tästä enemmän seuravassa merkinnässä!

Lähteet:

Aalto M. (2014). Kurssikerta 4: Rasterikarttoja MapInfolla. <https://blogs.helsinki.fi/mmaalto/2014/02/04/55/> 8.2.2014

Poutanen, P. (2014). Kurssikerta 4 – ruututeemakartta. <https://blogs.helsinki.fi/pyrypout/2014/02/03/kk-4/>. 8.2.2014

Rautio A. (2014). PAK ja näin se jatkui teemakartoilla. <https://blogs.helsinki.fi/alerauti/2014/01/23/20/> 8.2.2014

 

Kolmas kurssikerta

Kolmannella kurssikerralla harjoittelimme MapInfolla erilaisten aineistojen käsittelyä, kuten niiden muokkaamista yksinkertaisempaan muotoon, yhdistelemistä mm. kyselyiden avulla, tuottamista vanhojen aineistojen avulla sekä siirtämistä muista ohjelmista paikkatieto-ohjelmaan. Tätä harjoittelimme ensin yhdessä Afrikka-harjoituksen parissa, ja lopulta itsenäisenä tehtävänä oli laatia taas uusi teemakartta, jonka kautta tällä kertaa analysoimme Suomen valuma-alueiden ja tulvaherkkyyden välistä suhdetta.

Afrikka

Afrikka-harjoituksessa eri tietokannat sisälsivät Afrikan öljykenttiä, timanttikaivoksia ja konfliktialueita koskevaa dataa. Alkuperäinen aineistomme oli hyvä tietokanta, joka sisälsi kuitenkin vain ja ainoastaan Afrikan valtioiden rajat ja nimet. Halusimme siis liittää siihen myös muuta tietoa, mikä tapahtui yhdistelemällä tietoa tietokantojen välillä sekä ohjelmasta toiseen. Harjoituksen kautta opimme esimerkiksi, että sellaisissa tilanteissa, joissa käsittelyyn halutut valtiokohtaiset ominaisuustiedot sijaitsevat useissa tietokannoissa, on tehokasta ensin yhdistää tiedot samaan tietokantaan ja vasta sitten jatkaa työskentelyä. Opimme myös mm. että tietokannat voidaan tuoda toisesta ohjelmasta toiseen vain jos molemmista taulukoista löytyy yksi pystysarake joka on lähes identtinen. On myös huomioitava, että taulukoiden tulee olla samanmuotoisia, mutta tämän asian voi toki muokata itse ohjelmissa.

Kun tiedot oli yhdistelty käyttökelpoiseen muotoon, laadimme lopulta kartan, jossa em. ominaisuudet on esitetty erilaisin symbolein (kuva 1.)

afrikka3

Kuva 1. Afrikassa öljyvarat, timanttilöydöt ja konfliktit ovat jakautuneet epätasaisesti.

Konfliktien suhde öljykenttä- ja timanttilöydöksiin

Kartasta havaitaan Afrikan öljyesiintymien painottuvan Pohjois-Afrikkaan ja Guineanlahdelle, kun taas timantteja on löydetty laajalta alueelta Saharan eteläpuolella, mutta kaikkein eniten eteläisestä Afrikasta. Paikoin löydösröykkiöiden kohdalta löytyy myös rypäs konfliktien symboleita, mikä kertoo siitä, että Afrikan timantti- ja öljykenttälöydökset sijaitsevat osittain samoilla alueilla kuin Afrikassa tapahtuneet konfliktit. Tämä on luonnollista, sillä konfliktit ovat ympäri maailman usein välillisesti tai välittömästi yhteydessä luonnonvaroihin liittyviin erimielisyyksiin. Osaksi selkkausten sijoittuminen näihin luonnonvaroihin nähden on kuitenkin riippumatonta, sillä konfliktiriskin suuruuteen vaikuttaa myös monet muut asiat, kuten maan väestön koko, etnisten ryhmien määrä valtiossa, konfliktikohteen etäisyys valtionrajasta sekä pääkaupungista ja väestön alueellinen hajaantuneisuus  (Hegre H. & C. Raleigh, 2006).

Olisikin mielenkiintoista tutkia MapInfon tai muiden paikkatieto-ohjelmien avulla tarkemmin kyseisten muuttujien välisiä suhteita, laatimalla niistä karttoja, joiden pohjalta johtopäätöksiä voitaisiin tehdä. Mikäli meillä olisi tietoa sellaisista asioista kuin tapahtuneiden konfliktien laajuus ja ajoittuminen vuosissa, timanttikaivosten tai öljykenttien löytämisvuosi, kaivausten tai poraamisen aloitusvuosi, tai tietoa löydösten tuottavuudesta, voisimme jo laatia monenlaisia karttoja näiden tietojen pohjalta. Esimerkiksi löydösten tuottavuudella lienee suora yhteys konfliktien laajuuteen, mikä näkyisi täten suorana korrelaationa karttoissa. Konfliktien, löydösten sekä kaivausten tai porausten ajoittumisesta puolestaan voitaisiin laatia mielenkiintoisia karttoja ja kronologisia janoja ynnä muita esityksiä. Jos meillä lisäksi olisi tietoa internetkäyttäjien eri vuotisista lukumääristä, voisimme analysoida valtioiden vaurastumisen yhteyttä em. seikkoihin. Kuten Aino Ruskomaa blogissaan lausuu: ”Olisi ollut mielenkiintoista pohtia Internetin tai Facebookin käyttäjämäärissä tapahtuneita muutoksia eri vuosina eri valtioissa ja tarkastella perustettiinko samoille alueille esimerkiksi timanttikaivoksia samoihin aikoihin. Se olisi saattanut kertoa vaurauden kasvusta” (Ruskomaa, A., 2014). Voitaisiinkin olettaa että, jos tutkisimme tietotekniikan yleisyyden suhdetta maiden vaurauteen ja lisäksi vaurastumisen suhdetta timantti- ja öljylöytöihin, saisimme luultavasti luotua valtiosta riippumattomia säännönmukaisia kuvioita.

Tulvaindeksikartta

Laadimme teemakartan, jonka avulla pystyimme pohtimaan Suomen eri alueiden tulvaherkkyyden sekä valuma-alueiden jakauman suhdetta toisiinsa. Tarkasteltaviksi muuttujiksi on siis valittu järvisyysprosentti sekä tulvaindeksi. Tulvaindeksi kuvaa nimittäin tulvaherkkyyttä hyvin, varsinkin kun se on laskettu tavalla, joka ottaa tulvien lisäksi huomioon myös kuivat kaudet. Tämä tapa selitetäänkin tiedotusblogissa seuraavasti: ”Tulvaa kutsutaan ylivirtaamaksi ja kuivaa kautta alivirtaamaksi. Tulvaindeksi vertaa näitä toisiinsa – – Tulvaindeksi on luku, jonka voi laskea ainakin parilla tavalla. Yksi tapa on laskea keskiylivirtaaman (tulvahuippujen keskiarvo) ja keskialivirtaaman (kuivien kausien alimpien arvojen keskiarvo) välinen suhde. Tällöin saadaan luku, joka kuvastaa virtaaman vaihtelua ja ottaa mukaan sekä kuivimmat kaudet että tulvaisimmat ajat.” (PAK- tiedotusblogi, 2014.)

Jotta pystyimme soveltamaan kurssikerralla oppimiamme asioita käytännössä, hyödyntämämme tiedot olivat useissa eri aineistoissa alun perin ja niitä täytyi yhdistää lopputuloksen aikaansaamiseksi. Keskiylivirtaamatiedot oli tuotava samaan tietokantaan, missä keskialivirtaamakin oli, jotta tulvaindeksi pystyttiin laskemaan kaavalla: MHQ/ MNQ. Tiedot järvisyysprosenteista olivat sen sijaan Excel- tiedostossa, eli yhdistäminen tapahtui eri ohjelmien välillä. Vasta tämän jälkeen pystyimme laatimaan teemakartan (Kuva 2.).

tulvaindeksijajärvisyys4

Kuva 2. Suomen valuma-alueiden tulvaherkkyys ja järvisyys

Tulvaindeksin luokittelussa metodiksi on valittu kvantiilit, sillä aineiston jakauma on vino, kuten kuvasta 3 näkyy. Luokkien määrän muutin alkuperäisestä viidestä neljään, sen vuoksi, että kaikista tulvaherkimmät alueet ovat ”pakkautuneet” yhteen Pohjanmaan ja Lounaisen Suomen rannikoille, joten viisikin luokkaa tässä tapauksessa on vaikea erottaa toisistaan. Järvisyysprosentit on kartassa esitetty pylväinä, joiden väriksi on valittu tyypillinen veden väri, sininen. Erottuvuuden vuoksi valitsin tulvaindeksin esitettäväksi punertavilla sävyillä, vaikka toki tämäkin muuttuja liittyy veteen.

tulvaindeksihistogrammi

Kuva 2. Tulvaindeksin jakauma on epämääräinen.

Lopuksi laadittiin legenda, joka selittää luokittelumetodin sekä järvisyyspylvään mittakaavan.Tiedoksi kaikille niille kurssilaisille, jotka hämmästelevät sitä, miksi MapInfossa legendasta välillä osa tekstistä jää uupumaan, kannattaa yksinkertaisesti legendan tyypiksi ”LEGEND DESIGNER FOR…” EI ” THEME LEGEND OF..”! Tämä ongelma on nimittäin vaivannut minua koko kurssin ajan, mutta nyt pulma ratkesi! Aivan viimeiseksi laadittiin sitten karttaan pohjoisnuoli, mittakaava ja otsikko sekä kartasta tuloste, mikä olikin jo tuttua puuhaa.

Kartan analysointia

Kartasta voidaan havaita maallikollekin selvä tosiasia, siitä että järvisyys on suurinta Järvi-Suomessa, kun taas tulvia esiintyy runsaimmin Pohjanmaalla, Suomenselän länsipuolella, missä järviä ei juuri ole, mutta jokia sen sijaan runsaasti. Tällaisilla alueilla virtaama vaihtelee suuresti, sillä järvet eivät ole tasoittamassa tulvahuippuja. Sellaisina aikoina, kun sateet ovat runsaita, tai lumet sulavat äkillisesti, vedenkorkeus voi nousta hyvinkin nopeasti, mistä seuraa väistämätön tulva näillä alavilla alueilla. Voidaankin ajatella yleistäen, että muuttujilla on käänteinen suhde toisiinsa: jos järvisyys on alueella suurta, tulvaindeksi on hyvin matala, mutta jos järviä ei ole, tulviminen on yleisempää.

Lähteet

Afrikan pohjakartta. <http://www.maplibrary.org/stacks/Africa/index.php> 28.1.2014

Hegre H. & C. Raleigh. Population Size, Concentration,  and Civil War. A Geographically Disaggregated Analysis (2006).

Konfliktien sijainnit.  <http://www.prio.no/CSCW/Datasets/Armed-Conflict/Conflict-Site/>.28.1.2014.

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

PAK- tiedotusblogi (2014). Tulvaindeksi. <https://blogs.helsinki.fi/pak-2014/>. 6.2.2014.

Ruskomaa, A. (2014). Kurssikerta 3: Datan lisääminen tietokantaan ja valuma-aluekartta. <https://blogs.helsinki.fi/ainorusk/2014/02/04/kurssikerta-3-datan-lisaaminen-tietokantaan-ja-valuma-aluekartta/>. 6.2.2014.

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

Timantit. <http://www.prio.no/CSCW/Datasets/Geographical-and-Resource/Diamond-Resources/>. 28.1.2014.

Öljyvarat. <http://www.prio.no/CSCW/Datasets/Geographical-and-Resource/Petroleum-Dataset/Petroleum-Dataset-v-12/>. 28.1.2014.

 

 

Artikkeli 1.

Anna Leonowicsin artikkeli Two-variable choropleth maps as a useful tool for visualization of geographical relationship (Leonowics A., 2006) käsittelee samaa teemaa, mitä toisella kurssikerralla käsittelimme, eli kahden päällekkäisen teeman käyttöä teemakartassa. Artikkelissa pohditaan mm. sitä millaisia asioita tulee ottaa huomioon laadittaessa kahden teeman teemakarttaa, miten tavallisen yhden teeman teemakartan ja kahden teeman kartan käyttäminen eroavat toisistaan sekä sitä, kumpi on missäkin tilanteessa paras vaihtoehto.

Leonowicsin mukaan yksimuuttujaiset koropleettikartat eivät ole tarpeeksi kattavia, kun erilaisia kompleksisia ilmiöitä ja niiden suhteita täytyy visualisoida. Kahden muuttujan teemakartta onkin ratkaisu pulmaan, sillä myöskin helposti vertailtavien useiden koropleettikarttojen tuottaminen on vaikeaa. Tutkija määrittelee kahden muuttujan metodin saavutetuksi silloin, kun joka alueyksikkö peitetään kuviolla, joka edustaa molempien muuttujien kombinaatiota. Hän kuitenkin huomauttaa, että kartat esittävät vain ja ainoastaan molempien teemojen jakaumien suhteet. Itse ilmiöt täytyy tulkita toisistaan riippuviksi laajemmassa kontekstissa.

Kahden teeman teemakarttojen kompleksisuuden vuoksi niiden käyttöön liittyy tiettyjä sääntöjä, joita on ehdottomasti noudatettava, jotta kartan lukijoille välittyy edes suurin piirtein todenmukainen kuva esitettävästä asiasta. Ensimmäinen seikka liittyy luokkien määrän valintaan. Kun tavallisessa 1-muuttujaisessa teemakartassa luokkien määrä on usein rajattu viiteen, 2-muuttujaisen teemakartan maksimimäärä on 2 tai 3 luokkaa per muuttuja, sillä yhdistelmien määrän on oltava luettavissa. Nimittäin, jos molemmat muuttujat on luokiteltu kolmeen luokkaan, yhdessä niistä muodostuu 3×3= 9 kombinaatiota. Toinen seikka liittyy värien käyttöön. Värejä tulisi käyttää kartassa siten että molemmat muuttujat erottuisivat kartasta itsenäisinä, mutta muuttujien keskenäisen suhteen tulisi kuitenkin näkyä värien kautta. Lisäksi on tärkeää että kartografiassakin huomioidaan yleisesti hyväksytyt faktat värioppiin liittyen, sillä jos värien käyttö ei noudata perusvärioppia (kuten keltainen+ sininen= vihreä), ei kartassakaan ole mitään ideaa. Värien käyttö kuten muutkin kartografiseen toteutukseen liittyvät asiat ovat kuitenkin aina ohjelmaan sidoksissa; kukin paikkatieto-ohjelma tarjoaa omat vaihtoehtonsa teemakarttojen laadintaan, mikä siis mielestäni tarkoittaa sitä, että väline ohjaa kartanlaatijaa.

Kun laaditaan teemakarttoja kahdella teemalla, legenda on otettava erityisen tarkasti huomioon, koska se poikkeaa tavallisen teemakartan legendasta suuresti. Tavallisesti legendaa usein vain vilkaistaan, jotta kartan epäselville elementeille saadaan selitykset, mutta tässä tapauksessa legenda koostuu akseleista, jotka esittävät muuttujien käyttäytymistä. Vilna Tyystjärvi selventää blogissaan legendaa paremmin kuin itse osaisin: “Legendassa on siis pistekaavio, joka kuvaa vertailtavien ilmiöiden korrelaatiota tutkittavilla alueilla. Pisteiden lisäksi kaaviossa on väripaletti, joka koostuu kahdesta pääväristä ja niiden sekoituksista. Jos korrelaatio ilmiöiden välillä on vahva, värit sekoittuvat, kun taas heikossa korrelaatiossa toinen väreistä korostuu. Värien tummuudella taas kuvataan ilmiöiden voimakkuutta” (Tyystjärvi, V., 2014). Legenda vaatii lukijaltaan siis ylipäätään huomattavasti enemmän paneutumista verrattuna tavallisen teemakartan legendaan, sillä legendaa tulee oikeasti lukea eikä vain vilkaista.

Mielestäni Leonowicsin lausunnoissa on pienoinen ristiriita, sillä hän mainitsee, että kahden muuttujan koropleettikarttojen on tarkoitus esittää muuttujien välistä suhdetta, mutta että sillä voidaan esittää myös itsenäisiä muuttujia, kuten syntyvyyttä ja kuolleisuutta. Tulkitsinkin lopulta kirjoittajan tarkoittavan kenties, että parhaiten kahden teeman teemakartta toimii riippuvuussuhteiden selittämisessä, mutta tietyt käsitteet, jotka ovat pääteltävissä tasan kahden itsenäisen muuttujan avulla, kuten juuri luonnollinen väestönkasvu, ovat myös havainnoitavissa kahden teeman teemakartan kautta.

Artikkelista käy ilmi, että päällekkäisten teemojen koropleettikartat on todettu hankalasti luettaviksi tutkimusten kautta, mutta että tämä tosin johtuu pitkälti Yhdysvaltojen väestökeskuksen laatimista epäjohdonmukaisista kartoista, joissa värienkäyttöä ei ole harkittu kunnolla. A. Leonowiczin tekemä tutkimus, jossa Varsovan ja Vilnan yliopistojen maantieteen opiskelijat toimivat tutkimushenkilöinä, onkin osoittanut että kaksi-muuttujaiset kartat kertovat paremmin ilmiöiden suhteesta, mutta yksiteemaiset ilmiön jakautumisesta. Valittaessa yksiteemaisen ja kaksiteemaisen teemakartan välillä, tämä onkin huomioon otettava pääpointti. Kahden teeman teemakartta on suotuisa vaihtoehto, kun maantieteellisten ilmiöiden suhteita halutaan havainnollistaa, kunhan vain kartta on laadittu oikein, aiemmin käsiteltyjä sääntöjä noudattaen.

Lähteet:

Leonowics, A. (2006). Two-variable choropleth maps as a useful tool for visualization of geographical relationship. Geografija 42: 1, 33-37.

Tyystjärvi, V. (2014). Artikkeli 1:n pohdintaa. <https://blogs.helsinki.fi/tyvi/2014/02/08/artikkeli-1n-pohdintaa/>. 14.3.2014.

 

Toinen kurssikerta

Toisella kurssikerralla teemana oli kahden teeman teemakartat. Harjoittelimme kahden ominaisuuden esittämistä erilaisina teemakarttoina, sekä kahdella erityyppisellä teemalla tuotettuna, että päällekkäisten koropleettikarttojen laadintaa. Havaittiin, että MapInfolla voidaan laatia tavallisempien pylväsdiagrammi-, ympyrädiagrammi- ja pistekarttojen lisäksi myös epätavallisempia karttoja, kuten Graduated- karttoja, jotka kuvaavat absoluuttisia arvoja kunkin kohteen päälle merkityn symbolin koon avulla, Grid-karttoja, jotka ovat aineiston interpoloinnin kautta saatuja, liukuväreillä väritettyjä jatkuvapintaisia teemakarttoja, prismaattisia karttoja eli kolmiulotteisia karttoja, joissa alueelliset erot nousevat kartalta esiin naapurikohteista riippumatta sekä 3D- karttoja, jotka ovat Grid- kartan pohjalta laadittuja aidosti kolmiulotteisia karttoja.

Harjoitusten jälkeen laadittiin yksi teemakartta kahdella harkinnan myötä valitulla päällekkäisellä teemalla. Tarkoituksena oli käyttää kartan laadinnassa hyväksi kaikkea opittua osaamista mm. luokitteluun, värien valintaan ja aineiston tarkasteluun liittyen. Teemojen harkitseminen oli myös tärkeää, sillä niiden oli hyvä olla jollain tapaa toistensa kanssa korreloivia, jotta karttaa voitaisiin myös analysoida järkevästi. Aiheen valitseminen karttaan olikin vaikeaa, koska riippuvuussuhteiden löytäminen vaihtoehtoisten teemojen joukosta oli kaikkea muuta kuin helppoa. Anna Laitinen onkin pukenut sanoiksi blogissaan melko itsestäänselvän, mutta välillä helposti unohtuvan faktan: ”Vaikka karttojen rasteroinnit tai väritykset sopisivatkin yhteen, ei tämä välttämättä viesti suoraan ilmiöiden kausaalisuudesta.” (Laitinen, A., 2014)

Lukuisten epäonnistuneiden syy-seuraus- suhde-etsintöjen jälkeen valitsin teemakarttani aiheeksi väkiluvun ja elinkeinorakenteen välisen suhteen Pohjois-Savon kunnissa. Väkiluku on valittu esitettäväksi eri värisävyillä ja elinkeinorakenne piirakkadiagrammilla (Kuva 1.). Toisin sanoen pohjalla on Individual- kartta, eli kartta, jossa kukin erityyppinen tieto saa kartalla oman värinsä, ja sen päällä ympyrädiagrammikartta, jossa ympyrädiagrammit on jaettu neljään sektoriin: alkutuotantoon, jalostukseen, palveluihin ja muihin toimialoihin. Ympyrädiagrammit ovat keskenään samankokoisia, sillä ne on tarkoitettu esittämään pelkästään eri elinkeinojen osuutta kunnissa, ei mitään muuta. Väkiluku on esitetty melko neutraaleilla violetin eri sävyillä, ja piirakkadiagrammeissa on käytetty kirkkaampia, mutta taustakartan kanssa sopusoinnussa olevia värejä.

psavoluonluokkavälit4uusi

Kuva 1. Väkiluku ja elinkeinorakenne Pohjois-Savossa vuoden 2010 paikkeilla.

Väkiluku on luokiteltu neljään luokkaan ja luokitteluna on käytetty luonnollisia luokkarajoja. Kyseinen luokittelutapa on valittu siksi, että aineiston jakauma on epämääräinen, koska suurin Pohjois-Savon kunnista (Kuopio) poikkeaa väkiluvultaan suuresti seuraavaksi suurimmista kunnista. Itse asiassa ennen jakauman tarkastelua laadin kartan käyttämällä kvantiileja luokittelussa, mutta sitten vasta muistin tarkastella aineiston jakaumaa (tekemällä histogrammin Exelissä)(kuva 2.) ja huomasin että kvantiilien käyttö vääristäisi aineistoa suuresti luokittelemalla suurimman kunnan seuraavaksi suurimpien kuntien kanssa samaan luokkaan. Nyt karttaa sekä histogrammia vertailtaessa huomataan kartan esittävän aineiston jakauman suhteellisen todenmukaisesti, sillä Kuopion kunnalla on aivan oma luokkansa, ja seuraavaksi suurimmat, keskenään melko samankokoiset kunnat Iisalmi, Varkaus ja Siilinjärvi kuuluvat omaan luokkaansa sekä loput selvästi väkiluvultaan pienimmät kunnat on jaettu vielä puoliksi kahteen luokkaan. Luokkarajat ovat siis epäjatkuvia ja määräytyneet ”luonnollisiin aukkoihin” mikä antaa melko todenmukaisen kuvan kuntien kokojen eroista, ja sopiikin epämääräisiin jakaumiin. Tosin luonnollisten luokkarajojen käytön haittana on luokittelun epäsystemaattisuus ja keskenään erikokoiset luokkavälit, mutta systemaattisuus ei ole mielestäni tässä tilanteessa merkittävän tärkeää.

psavoväkilukudiagrammi

Kuva 2. Pohjois-Savon kuntien väkiluvuista laadittu histogrammi

Ennen kartan tarkastelemista on huomioitava, että kartta kuvaa kuntien väkilukua vain absoluuttisina arvoina, ei suhteellisina, mistä seuraa vääristymiä, sillä Pohjois-Savon kuntien koissa pinta-alan suhteen on suuriakin eroja. Asukastiheyden hyödyntäminen, eli asukkaiden määrä pinta-alaan suhteutettuna olisikin voinut olla parempi valinta. Lisäksi on huomautettava, että tiedot ovat hieman vanhoja, ja lisäksi vanhentuneita, sillä Nilsiän kuntaa ei ole enää olemassa, vaan se on liitetty Kuopioon. Nykyiset tilastot poikkeavat siis jonkin verran käytetyistä vuosien 2009 ja 2010 tilastoista.

Kartasta havaitaan että väkiluvultaan rikkaimmat kunnat Varkaus, Siilinjärvi, Kuopio ja Iisalmi ovat myös hyvin palvelu- ja jalostusvaltaisia kuntia elinkeinorakenteeltaan alkutuotannon muodostaessa vain muutamia prosentteja niiden elinkeinorakenteesta. Pienemmän väkiluvun kunnissa alkutuotanto kattaa lähes poikkeuksetta paljon suuremman osuuden elinkeinorakenteesta. Jalostuksen osuus puolestaan ei näytä korreloivan juurikaan väkiluvun kanssa.  Kaikista maatalousvaltaisimpia kuntia ovat Maaninka, Vieremä, Vesanto ja Pielavesi, jotka kuuluvatkin väkiluvultaan alimpaan luokkaan. Tulokset eivät ole kovin yllättäviä, sillä korkean väkiluvun kunnat ovat myös hyvin kaupungistuneita, ja täten siirtyneet tertiääri- ja kvartäärituotantoon. Jalostuksen riippumattomuus väkiluvusta puolestaan johtunee siitä, että teollisuuden sijoittuminen ei niinkään seuraile väestökeskittymien sijoittumista, vaan tehtaat sijaitsevat usein ensisijaisesti hyvien kulkuyhteyksien lähettyvillä.

Laura Hintsanen toteaa blogissaan: ”Kahden teeman vuoksi kartan lukeminen vaatii hieman enemmän paneutumista kuin yksiteemaisen kartan lukeminen”, mikä pitää paikkansa. Kuitenkin jos tulkittujen teemojen välillä on tavoiteltu selkeä kausaalisuhde, ei paneutumisen pitäisi viedä kovin kauan aikaa, mitä se ei vienytkään.

 

Lähteet:

Hintsanen, L., (2014). Kurssikerta 2: Kahden teeman teemakartat. <https://blogs.helsinki.fi/lhintsan/2014/01/21/kurssikerta-2-kahden-teeman-teemakartat/>.31.1.2014

Laitinen, A., (2014). Toinen kurssikerta.  <https://blogs.helsinki.fi/annalait/2014/01/30/toinen-kurssikerta/>. 31.1.2014

Työssäkäyntitilasto  2009, Tilastokeskus.

Väestörakenne 2010, Tilastokeskus.

Ensimmäinen kurssikerta

Paikkatiedon hankinta, analyysi ja kartografia -kurssin ensimmäisellä kurssikerralla harjoiteltiin MapInfo-ohjelman käyttöä ja laadittiin sen avulla koropleettiteemakartta.

Kurssin ensimmäinen harjoitus oli itsenäistä tutustumista MapInfoon. Harjoituksessa opittiin mm. aineistojen avaamista, tietokantojen tarkastelua sekä työkalujen käyttöä. Havaittiin, että mainittu ohjelma on hyvin erilainen ohjelma aiemmin käytettyyn CorelDraw- ohjelmaan verrattuna. MapInfossa ei niinkään ole tarkoitus tuottaa itse aineistoja, vaan valmiita paikkatietoaineistoja käyttäen laatia erilaisia visuaalisia kokonaisuuksia, esimerkiksi teemakarttoja. Jasmin Bayar tiivistää hyvin ohjelman käyttöä: ”MapInfon käytössä on tärkeä ymmärtää, miten ominaisuustiedot eri tableteilla linkittyvät itse karttaan, ja miten näitä tietoja voi hyödyntää erilaisten karttojen luomisessa sekä tietojen hakemisessa” (Bayar, J., 2014).

Toisessa harjoituksessa tutustuttiin nimenomaan teemakarttojen laatimiseen ohjelmalla. Laadittiin omavalintaisesta aiheesta koropleettiteemakartta, jossa käytettiin Tilastokeskuksen keräämiä aineistoja (Tilastokeskus). Työni aiheena on muunkielisten kuin suomen- tai ruotsinkielisten ihmisten osuus Helsingin eri osa-alueilla. Teemakartta tehtiin yksinkertaisesti valitsemalla teemamalli, kartan aihe sekä luokitus. Ennen luokituksen valintaa, aineiston jakaumaa tarkasteltiin histogrammin avulla verkkosovelluksessa (Histogrammityökalu).

Kuva1. Histogrammi

Kuva1. Histogrammi osoittaa, että aineiston jakauma on vino.

Koska aineistoni jakauma on vino, päätin käyttää luokittelumetodina kvantiileja eli luokkia, joissa on sama määrä havaintoja. Käytettäessä kvantiileja kartan luokitus toimii usein visuaalisesti melko hyvin. Luokkien määräksi on valittu viisi, mikä tässä tapauksessa vielä juuri ja juuri toimii, mutta on ehdottomasti maksimiarvo kartan luettavuuden puolesta. Lopuksi lisättiin karttaan tietysti kartan peruselementit: pohjoisnuoli ja mittakaava. Sitten kartasta tehtiin tuloste, eli kokonaisuus johon lisättiin edellä mainittujen elementtien lisäksi kartan legenda ja otsikko.

Kuva2. Muunkielisten henkilöiden osuudet Helsingin eri osa-alueilla

Kuva2. Muunkielisten henkilöiden osuudet Helsingin eri osa-alueilla

Kartasta voidaan päätellä muunkielisten henkilöiden suosivan jostain syystä asuinalueenaan sekä läntistä Helsinkiä että suurta itäistä aluetta, jolla sijaitsee mm. Mellunkylä, Myllypuro ja Jakomäki sekä Vuosaaren läntinen osa. Alueita, joilla muunkielisten suhteellinen osuus on vähäinen, ovat mm. aivan itäinen Helsinki, pääosa saaristosta sekä Tuomarinkylästä Töölöön ulottuva kapea kaistale. Verrattaessa tilastoja ulkomaalaisten osuuteen eri osa-alueilla, mitä mm. Antti Kinnunen ja Aleksi Rautio tarkastelevat blogeissaan, huomataan hätkähdyttävä yhdenmukaisuus näiden kahden muuttujan kesken. Kinnusen mukaan ”- ulkomaan kansalaiset ovat keskittyneet erityisesti lähiöihin. Sen sijaan vasta Helsinkiin liitetyltä vauraalta entisen Sipoon alueelta ei pahemmin ulkomaan kansalaisia löydy” (Kinnunen, A., 2014). Aleksi Rautio vie pohdintaa pidemmälle ollessaan sitä mieltä, että “ulkomaiden kansalaisten jakautuminen selittyy alueiden alhaisen vuokratason takia, koska moni maahanmuuttaja on valitettavan pienituloinen” (Rautio, A., 2014). Voidaan olettaa, että osa ulkomaalaisista on muunkielisiä, vaikkeivat sanat tarkoitakaan samaa asiaa, ja täten ajatella että lausahdukset pätevät osaltaan myös muunkieliseen väestöön.

Kartan informaatioarvo on kuitenkin melko heikko sen vuoksi, että kartta esittää muunkielisten ihmisten osuutta määrinä, eikä suhteellisina arvoina kaupunginosien väestömäärin nähden. Kaupunginosan väri ei siis välttämättä kerro todellisesta muunkielisten osuudesta, vaan kokonaisuudessaan väestön määrästä alueella. Tämä todennäköisesti vääristää paikoin pahastikin kartan välittämää mielikuvaa, sillä esimerkiksi Helsingin saaristossa myös suomen- ja ruotsinkielisten henkilöiden määrä on vähäinen, ei vain muunkielisten. Vaikka kvantiilien käytön ansiosta kartan visuaalinen luettavuus on melko selkeä, nekin vääristävät kartasta välittyvää kuvaa, sillä aineisto on myös hieman epämääräinen vinouden lisäksi. Nimittäin, kun aineisto jaetaan luokkiin, joissa on sama määrä havaintoja, luokkarajat asettuvat sattumanvaraisesti siten, että kaksi toisiaan hyvinkin läheistä havaintoa saattaa joutua eri luokkiin, minkä luonnollisten luokkarajojen käyttäminen estäisi. Kanssani samaa aihetta tarkastellut Milla Kallio onkin käyttänyt kartassaan juuri luonnollisia luokkavälejä, minkä vuoksi kartamme poikkeavat toisistaan. Millan valinta on toimiva, sillä ”– kartta tuo ääriarvoja esille enemmän, jolloin keskiarvotuloksien vaihtelu jää vähemmälle huomiolle. Näin kartta tuo esille alueellista eriytymistä Helsingin sisällä” (Kallio, M., 2014)

Teemakartan laatiminen oli ensimmäinen MapInfolla laadittu harjoitus, ja ohjelman käytön huono tuntemus myös heijastuu karttani visuaaliseen ilmeeseen, johon en ole täysin tyytyväinen. Esimerkiksi mittakaavan ja pohjoisnuolen sijoittumista ei ole sommiteltu hyvin. Niiden asettaminen sopiviin paikkoihin olikin hankala tehtävä MapInfolla, koska ohjelma asetti ne hieman eri kohtiin kuin mihin olin ne tarkoittanut. Lisäksi kartan rajaaminen oli ongelmallista ja teknillisistä epäonnistumisista voisi mainita pahimpana mustan alueen kartassa, jonka ilmestyminen kartalle ei ollut lainkaan tarkoituksellista. Mutta ei alussa kaikki voi onnistua, tästähän se kehitys lähtee!

Lähteet:

Bayar, J. (2014). 1. kurssikerta 13.01 : MapInfon käyttö. <https://blogs.helsinki.fi/jasbayar/2014/01/14/5/>. 20.1.2014.

Histogrammityökalu. <http://illuminations.nctm.org/Activity.aspx?id=4152>. 14.1.2014.

Kallio, M., (2014). Kurssikerta I: MapInfon ihmeellisyydet. <https://blogs.helsinki.fi/mikamika/2014/01/20/18/> .20.1.2014

Kinnunen, A., (2014). First Lesson. <https://blogs.helsinki.fi/aekinnun/2014/01/14/3/>. 20.1.2014

Rautio, A., (2014). PAK ja näin se alkaa. <https://blogs.helsinki.fi/alerauti/2014/01/16/pak-ja-nain-se-alkaa/>. 20.1.2014

Tilastokeskus, Helsinki. Muunkielisten osuus, Helsinki alueittain.