Viidennen kurssikerran blogi

Tällä kurssikerralla oli oikein tuhdisti tekemistä. Puran asiat tänne blogiini pala palalta. Kartan tarjoilin jo alkuun “makupalana”.

Käsittelimme itse asiassa tieteessä hyvin tärkeää kysymystä – inklusiivisyys vs. eksklusiivisyys. Tämä on eri tieteissä tuttu ns. Vennin diagrammeista. Puskurivyöhykkeethän eli bufferit ovat eräänlaisia Vennin diagrammeja, joissa ympyrät tai muut bufferit mahdollisesti risteävät toisten bufferien kanssa. Tällöin ollaan A u B – eli A ja B -unionin tilanteessa. Jos taas ilmiö löytyy vain jommasta kummasta bufferista tms., ollaan A v B -tilanteessa. Sovelluskohteiden miettimisessä vain mielikuvitus on rajana – buffereita voidaan käyttää hyvin monipuolisesti.

Tällä kerralla kertasimme kautta linjan MapInfon käyttöä. Tärkeää oli ensinnäkin yrittää kunnolla ja keskittyä ja toisaalta osata myös kysyä vetoapua muilta. Sanoisin, että yhteistyöllä osasimme kokonaisuutena MapInfon käyttöä jo hyvin. Kukin osasi aina jotakin. Huomasin, että Selection queryjen tekemisessä tarvitsen vielä harjoitusta. Sinänsä valintakriteerien laatiminen – esim. työikäisen väestön laskenta – ei tuottanut pulmia. Usein ongelmana on kiirehtiminen, jolloin ei ehdi hahmottaa monimutkaisia tietokantoja. Tämä näkyi myös bufferien laatimisessa, jossa piti samalla hahmottaa, millaisista väestö- ja toisaalta talomääristä pk-seudulla puhutaan. Paikkatietoaineistot ovat ainakin tähän mennessä olleet riittävän kattavia esim. bufferianalyyseihin. Tosin ihmettelin juna-asematehtävässä, missä olivat kaikki asemat Oulunkylän eteläpuolella. Bufferianalyysi edellyttää sekä kokonaistilanteen hahmottamista että (yleensä) myös manuaalista työtä eli digitointia. Tämä on hyvä pitää mielessä, sillä manuaalinen työ voi aina tuottaa epätarkkuutta. Tilanne on vastaava pisteiden ja viivojen digitoinnissa. Viivojen kanssa epätarkkuudet syntyvät vierekkäisten alueiden rajoilla, jonne voi syntyä erilaisia ylimääräisiä säikeitä. Yleensäkin alueiden rajoilla joutuu olemaan tarkkana – mitkä pisteet kuuluvat mihinkin alueeseen. Kaiken kaikkiaan analyysin rajoitteet taitavat olla kunkin käyttäjän korvien välissä, jos välttämättä sielläkään. Karttojen visuaalinen ilme on tietty oma lukunsa, mutta karttojahan voi parannella Corel Draw:lla tarvittaessa, eli en näe siinäkään ongelmaa.

 

Kuva 1. Uima-altaiden määrä pääkaupunkiseudulla.

Tällä kerralla selvitimme lisäksi mm. lentomelualueen vaikutusta ympäröiviin asuinalueisiin. Itsenäistehtävänä tein Uima-altaiden ja saunojen määrää ja osuutta kartoittavan tehtävän. Kts. Kuva 1. ja PAK-Viitoskerran tuloksia painamalla allaolevaa linkkiä – sen avulla saa ladattua tiedoston. Html-muodossa en saanut tuotua tiedostoa blogiini. Kuten kuvasta 1 näkyy, kaikkein uima-allasrikkain alue pääkaupunkiseudulla on Lauttasaari.

PAK-Viitoskerran tuloksia:

PAK-Viitoskerran tuloksia

Kaiken kaikkiaan tämä oli hyvin mieleenpainuva kerta, jolloin todella sai kääriä hihat. Kiitos Taigalle ja kumppaneille yhteistyöstä!

Neljännen kurssikerran blogi

Neljännellä kurssikerralla harjoiteltiin ruutukarttojen tekoa ja uuden tiedon tuottamista MapInfossa maantieteellisten kohteiden avulla. Seuraavaa kertaa varten piti lisäksi harjoitella rasterikartan kiinnittämistä ohjelman koordinaatistoon, ja harjoittelimme seuraavaa kertaa varten myös digitoimista.

Varsinaisena tämän kerran luomuksena teimme kukin siis oman ruutukartan. Valitsin teemaksi yläkouluikäisten osuuden koko väestöstä pääkaupunkiseudulla. Tuloksena syntyi allaoleva kartta (Kuva 1.). Ruutukooksi valitsin lopulta 500 metrin ruudut. Mielestäni se on luonnollinen, helposti hahmotettava koko, joka mahdollistaa alueiden vertailun. Esim. 1 km:n kokoisista ruuduista saisi liian karkean kuvan. Päädyin luokittelussa neljään luokkaan. Kuten ruutukoon määrittely, kyseessä on visuaaliseen analyysiin perustuva ratkaisu. Viisi luokkaa tuottaisi ainakin tällä ruutukoolla nähdäkseni liian monimutkaisen kartan. Kartastani näkee, että lapsiperheet ovat sijoittuneet pääkaupunkiseudulla muualle kuin ns. Helsingin niemelle. Lapsiperheiden sijainti seuraa ainakin löyhästi moottori- ja pääväyliä. Kartassa näkyy hyvin Pohjois-Espoon harva asutus ja toisaalta esim. Vantaan maantieteellinen kaksijakoisuus.

Suurimmassa käyttämäni luokittelun kategoriassa on kieltämättä paljon haitaria – 15 – 67 prosenttia. Käytin luokittelussa Natural Break -jakoa. Ymmärtääkseni noin ison hajonnan syntyminen järkevimmälläkin jakomenetelmällä kuvastaa aitoa ilmiötä: Pk-seudun kotitaloudet – ja samalla monet pinta-alaltaan pienetkin asuinalueet ovat hyvin heterogeenisiä. Ruudukoilla voi kuvata myös absoluuttisia arvoja -tasakokoiset ruuduthan takaavat yhtenäisen lähtökohdan vertailulle. Päädyin kuitenkin käyttämään suhteellisia arvoja kartassani, sillä se mahdollisti paremman tilannekuvan saamisen. Mielestäni ruutukartta on oivallinen lisätyökalu aiemmin käyttämiemme karttojen ohelle. Sitä voidaan käyttää jonkin ilmiön tutkimiseen esim. koropleettikarttojen ohella. Sen luettavuus on parhaimmillaan yhtä hyvä. Allaolevan kartankin voisi tehdä myös koropleettina. Kumpaakin karttatyyppiä voidaan käyttää jopa rinnakkaiseen analyysiin.

Olen tyytyväinen allaolevaan karttaan. Mielestäni se on luettava ja samalla informatiivinen. Ainut, mikä harmittaa, on se, että sitä oli vaikea tuoda blogiin sopivan kokoisena. MapInfo oli kääntänyt Layout-ikkunan Landscape-muotoon, mutta sekään ei auttanut kuvaa blogiin siirtäessä. Onneksi .png-muodossa se on riittävän kokoinen. Kiinnitin kartassani huomiota tieverkon erottuvuuteen. Se auttaa ymmärtämään lapsiperheiden ja muunkin väestön sijoittumista pk-seudulle. Toki muun ikäisten sijoittuminen pk-seudulle ansaitsisi omat karttansa. Lisäksi olisi hyötyä esim. metsäalueiden vs. rakennettujen alueiden sijoittumisesta, työpaikkojen sijoittumisesta ja tietty koulujen sijoittumisesta. Koulut seuraavat lapsiperheitä yleensä viiveellä. Tätä ilmiötä olisi kiinnostava tutkia esim. pk-seudun rajoilla. Karttaani voi verrata hyvin esim. Anna Huusarin samalla kurssikerralla laatimaan karttaan, jossa hän esittelee 20-29 -vuotiaiden osuutta pääkaupunkiseudulla 250 m x 250 m -ruuduittain. Analyysiä toki hankaloittaa eri ruutukoot ja eri kategorioiden määrä. Karttoja vertaillessa huomaa kuitenkin, että nuoret aikuiset asuvat pk-seudulla keskittyneemmin tietyillä alueilla kuin yläkouluikäiset. Toisin sanoen perheet asuvat “hajautuneemmin” ympäri pk-seutua. Myös Tuulianna Herrasen kartta toimii hyvänä vertailukohtana omalle kartalleni. Hän kuvaa kartassaan 18 – 24 -vuotiaiden määrää pk-seudulla ruuduittain. Hän ei tosin kerro kartassaan, minkä kokoisia ruutuja hän käyttää. Arvioin niidenkin olevan 500 m -ruutuja. Vertaa karttaani myös Suvi Huovelinin karttaan, jossa hän esittelee pk-seudun omakotitalojen määrää. Selvää “overlap:ia” on havaittavissa suhteessa omaan karttaani.

 

Kuva 1. 13-16-vuotiaiden osuus pääkaupunkiseudulla 500 x 500 metrin ruuduittain. Osuudet vaihtelevat lähes nollasta prosentista aina 67 prosenttiin. Lähde: MapInfo 2017.

Lähteet:

Huusari, A. (2017). PAK-kurssin blogi. https://blogs.helsinki.fi/anhu/  Haettu 22.2.2017

Huovelin, S. (2017). PAK-kurssin blogi. https://blogs.helsinki.fi/suvihuov/ Haettu 22.2.2017

Herranen, T. (2017) PAK-kurssin blogi. https://blogs.helsinki.fi/tuuliann/ Haettu 22.2.2017

Kolmannen kurssikirjan blogi – Järvisyys ja tulvaindeksit Suomessa

Tällä kerralla aiheina oli mm. tietokantojen yhdistäminen MapInfossa ja ulkoisen tiedon liittäminen ohjelman tietokantaan. Harjoittelimme sitä Afrikan kartan avulla. Myöhemmin siirryimme tarkastelemaan Suomea valuma-aluekartan avulla. Tehtävänä oli laatia koropleettikartta, jossa Suomen valuma-alueita luokiteltiin niiden tulvaindeksi avulla. Siihen päälle liitettiin tieto valuma-alueiden järvisyydestä (%) pylväsdiagrammien avulla. Kts. Kuva 1.

Afrikan karttaa tutkimme mielenkiintoisen datan avulla: timanttikaivosten, öljykenttien ja taistelukenttien määrää ja sijaintia. Näistä tiedoista voisi saada irti monenlaista tärkeää analyysiä esim. YK:n eri alajärjestöjä varten. Kysehän on tietty myös monien eri Afrikan maiden talouselämän kehityksestä. Minulla ei ole tässä viime kerran Afrikan karttaa analysoitavana. On kuitenkin tiedossa, että esim. Kongon demokraattisessa tasavallassa on paljon sekä kaivoksia että taistelukenttiä. Öljykenttiä on puolestaan mm. Nigeriassa runsaasti, ja sielläkin on ollut levotonta jo monia vuosia. Konfliktien alkaminen voi hyvin olla yhteydessä esim. timanttikaivostoiminnan aloittamiseen, ehkä jo kaivosten löytymiseen. Näitä muuttujia voisi tutkia esim. viimekertaisilla kahden muuttujan teemakartoilla. Analyysia saisi aikaan mm. vertaamalla, miten tuottavia timanttikaivokset ovat ja miten laajoja kyseisten maiden mahdolliset konfliktit ovat olleet (alueellisesti). Myös internetin käytön poskettoman suuri kasvu kautta Afrikan vuodesta 2000 lienee yhteydessä paitsi taloudellisen toiminnan kehitykseen myös konflikteihin. Linkkitorneja on paha pystyttää, jos viereisessä kylässä tai lähiössä käydään aseellisia taisteluja!

 Kuva 1. Valuma-alueiden tulvaindeksi ja järvisyys (%).

Tulvaindeksi kertoo keskiylivirtaaman suhteen keskialivirtaamaan. Suurin tulvaindeksi oli Varsinais-Suomen alueella, Aurajoen valuma-alueella. Kyseessä oli todellinen outlier, ainut valuma-alue, jossa tulvaindeksi oli yli 1000. Kuten Iivari Laaksonen pohtii kurssiblogissaan, on mielenkiintoista huomata käänteinen suhde valuma-alueiden järvisyyden ja tulvaindeksin välillä – Järvi-Suomessa on matalimmat tulvaindeksit. Samoin Kanta-Hämeen, Pirkanmaan ja Satakunnan alueilla on korkeat järvisyysprosentit ja matalat tulvaindeksit. Suurimmat tulvaindeksit Aurajoen jälkeen ovat puolestaan Keski- ja Pohjois-Pohjanmaalla. Siellä on vähän järviä tasaamassa jokien virtaamahuippuja. Toisaalta etenkin Pohjois-Pohjanmaalla joet jäätyvät järjestään talvisin. Keväisin syntyy helposti jääpatoja, jotka aiheuttavat osaltaan tulvia. Samoin pohjoisessa on miltei takuuvarmasti lunta, jonka sulaminen voi aiheuttaa virtaamahuippuja. Olisi suorastaan yllättävää, jos Pohjanmaan joet eivät tulvisi. Puhutaanhan ns. tulvatasangosta (flood plain), jollainen syntyy tyypillisesti joen alajuoksulle. Pohjanmaan olosuhteet tarjoavat tulvatasangolle hyvät edellytykset.

Lähteet:

Laaksonen, I. (2017). PAK-2017 -kurssin blogi. https://blogs.helsinki.fi/iilaakso/ Haettu 4.2.2017

Toisen kurssikerran blogi

Toisella kurssikerralla harjoittelimme teemakarttojen tekoa. Siirryimme ns. seuraavalle levelille – useamman kuin yhden teeman kuvaamiseen kartalla. Tutkittavana alueena oli suuren osan kerrasta Lappi. Tutkimme mm. saamen- ja muunkielisten osuutta Lapin väestöstä. Oman teemakartan tekemiseen annettiin täysin vapaat kädet. Kävin läpi erilaisia vaihtoehtoja ja päädyin seuraavaan karttaan. Kurssikerran hengessä päätin kokeilla jotain itselleni uutta ja pilkkoa Suomen. Tutkin eteläisen Suomen osalta palvelualojen osuutta elinkeinoista ja toisaalta korkea-asteen tutkinnon osuutta väestöstä. (Kuva 1.)Kuten kuvasta 1. näkyy, rajasin Suomen siten, että Oulu ja sen olettamani vaikutusalue ei kuulu rajaukseeni. Oulu lienee tärkeä elinkeinokeskus koko pohjoiselle Suomelle, joten halusin rajata sen johonkin toiseen tarkasteluun. Kieltämättä tällainen pilkkominen voi näyttää hieman erikoislaatuiselta. Sen etuna on kuitenkin, että voi melko helposti erottaa yksittäisiä kuntia teeman tarkastelussa – ne ovat kyllin suuria. Kuvasta 1 erottuu esim. hyvin kaupunkiemme palvelualavaltaisuus. Erityisesti Helsingin seutu erottuu laajana palvelualakeskeisenä alueena, kuten myös mm. Kuopion seutu. Korkea-asteen koulutuksen saaneet keskittyvät kaupunkeihimme – käytännössä kaikki eteläisen Suomen kaupungit erottuvat korkea-asteen koulutuksen osuutensa mukaan – niissä se on tekemäni jaottelun korkeimmassa kategoriassa: 26 – 58 prosenttia väestöstä. Edelleen Helsingin seudun alueet erottuvat suomalaisittain laajana palveluvaltaisena, korkean koulutuksen saaneiden alueena. Myös Hämeenlinnan seutu ja ehkä yllättäen Kuopion seutu erottuvat tästä samasta syystä. Luokittelu ei ole helppoa, ja kuten tälle kerralle kuuluvassa artikkelissa luimme (josta alempana lisää) – yhdistelmäteemakartan teossa on oma hintansa: täytyy karsia informaatiota, jotta kartasta tulee luettava. Valitsemani luokittelu 3 x 3 tuottaa jopa yhdeksän eri koulutuksen ja elinkeinojen kombinaatiota. Siis aivan riittävästi ihmisen hahmotuskyvylle. Tällaisenaan karttani on nähdäkseni sopivan informatiivinen. Mietin myös teemaksi “Vähintään keski-asteen tutkinnon osuutta väestöstä”. Jos siitä teemasta olisi pitänyt muodostaa kolme eri kategoriaa, tulos olisi ollut karttana hieman lattea: Yli puolella väestöstä on vähintään keskiasteen koulutus.

Tällä kerralla törmäsin tiettyihin ongelmiin MapInfon kanssa. Huomasin, että sekä Lapista että eteläisestä Suomesta tekemiäni Selection-karttoja ei pystynyt tallentaa mitenkään. Jos tämä on ongelma, johon ei ole ratkaisua, harmi juttu. Varaudun tallentamaan ja “exportoimaan” layout-ikkunan tulosteet jatkossa.

Toisella kurssikerralla oli siis luettavana Leonowiczin (2006) artikkeli “Two-variable choropleth maps as a useful tool for visualization of geographical relationship”. Artikkelinsa lähtökohtana hän kuvaa ongelmaa, joka yhden muuttujan koropleettikartoissa yleensä syntyy – ihmisen on vaikea havainnoida vertaillen kahta eri karttaa, vaikka niiden teemat nivoutuvaisivatkin yhteen. Ratkaisuksi Leonowicz tarjoaa kahden muuttujan koropleettikarttaa. Leonowiczin mukaan se parantaa kyseisten ilmiöiden tarkastelua. Valittujen muuttujien välillä on tosin oltava tällöin satunnainen yhteys (casual relationship) tai joissain tapauksissa molemmat muuttujat voivat olla itsenäisiä – esim. syntymien ja kuolemien määrä jossakin valtiossa. Tällöin muuttujia on siltikin mielekästä tarkastella yhtä aikaa kartalla.

Kuten artikkelissa todetaan, haasteena on tehdä kahden muuttujan kartoista helposti luettavia. Molemmissa muuttujissa saisi olla korkeintaan kolme luokkaa. Yhteensä tämä tarkoittaa 3 x 3 eli 9 eri kategoriaa. Se on vielä lukijan tavoitettavissa – sen sijaan 4 x 4 luokkaa tarkoittaisi jo 16 eri kategoriaa eli liikaa useimmille kartan lukijoille. Tämä havaittiin Leonowiczin mukaan jo 1970-luvulla. Tutkija on myös itse tutkinut asiaa ja havainnut, että huolellisella kartan suunnittelulla kahden muuttujan kartat esittävät ilmiöt hyödyllisellä tavalla. Artikkelissa esitellään metodi, jossa kahden muuttujan karttojen legendat ovat kaksiulotteisia koordinaatistoja, joissa muuttujat ovat omilla akseleillaan. Näin kaikki erilaiset luokkavaihtoehdot ovat nähtävissä. Tällainen legenda poikkeaa selvästi klassisesta karttalegendasta. Se myös edellyttää, että lukija ymmärtää tavan, jolla se on laadittu. Englanniksi puhutaan scattergram-kuviosta, suomeksi käsittääkseni hajontakuvio.

Kuten PAK-kurssimme Vilja Jokinen ja Sari Aroalho kuvaavat blogeissaan, kahden muuttujan koropleettikarttaa voi olla vaikea hahmottaa käsitteenä. Joidenkin helppojen esimerkkien kautta asia avautuu – todennäköisesti parhaiten suoraan karttoja katsomalla. Tämän huomasin myös blogini tämänkertaista karttaa laatiessani. Uskon, että loppujen lopuksi on kyse vain mielikuvituksesta – MapInfolla ja/tai ArcMapilla saa todennäköisesti toteutettua kaikki ne ideat, joita päähän pälkähtää myös kahta muuttujaa koskien!

Lähteet:

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

https://blogs.helsinki.fi/jokinenv/

https://blogs.helsinki.fi/aroalho/