Helsingin yliopisto
Neljännellä kurssikerralla tutustuttiin ruutukarttoihin ja rasteriaineiston kanssa työskentelyyn. Edellisiin harjoituksiin nähden nyt täytyi olla jo tarkkana prosesseissa käytetyistä luvuista, komennoista ja aineiston rajaamisesta, sillä ruutuaineisto sisältää helposti tuhansia tietueita. Ensimmäistä kertaa oli jo hyvät mahdollisuudet saada ohjelma kaadettua.
Harjoituksen tuloksena sain aikaan kartan, joka esittää muunkielisten suhteellisia osuuksia pääkaupunkiseudun väestöstä (kuva 1). Muunkielisillä tarkoitetaan muuta kuin suomea tai ruotsia äidinkielenään puhuvia, tosin kuten ensimmäisen kurssikertani blogissa totesin, on määritelmä usein epäselvä. En tiedä käytetyn aineiston metatietoja, joten en tiedä kuuluvatko saamelaiset muunkielisiin vai eivät. Se ei kuitenkaan ole pääkaupunkiseudulla tilastollisesti merkitsevää.
Ruutuaineistoissa olennaisinta lie ruutukoko ja sen vaikutus ilmiöiden esitettävyyteen. Valitsin karttaani 500 x 500 metrin ruutumatriisin, joka tuntui sopivalta koko pääkaupunkiseutua esittävälle kartalle. Kilometrin ruutukoko olisi yleistänyt jo liikaa ja pelkäsin, että pienemmällä ruutukoolla aineisto olisi ollut liian raskas prosessoitavaksi. Kokeilinkin soveltaa ohjeiden mukaisen 1 km ruudun jälkeen heti 100 metrin ruutuja mielenkiinnosta kahteen kertaan, mutta molemmilla kerroilla ohjelma kaatui. Kolmannella kerralla prosessi olisi saattanutkin onnistua tai olisin voinut rajata aineiston koskemaan vain Helsinkiä tai jotakin suuralueista. Olisikin mielenkiintoista vertailla samaa muuttujaa samalla luokittelulla mutta huomattavasti pienemmällä ruutukoolla jollakin alueella, kuten suuralueella ja verrata sitä ison kartan arvoihin.
Absoluuttisten arvojen esittäminen on ruutuaineistossa on toisinaan perusteltua, vaikkei sitä muissa tapauksissa suositellakaan. Ruutuaineistossa jokainen ruutu saa vain yhden arvon ja on jo itsessään yleistettyä tietoa. Siksi sillä onkin mielekästä esittää sellaisia muuttujia, jotka eivät ole pistemäisiä mutta eivät tasaisen jatkuviakaan, kuten koropleettikartat. Pistekarttaan verrattuna sijainnin tarkkuus on jonkin verran huonompi ruutukoosta riippuen, eivätkä ruudut noudata nimettyjen alueiden rajoja, kuten Ahonenkin (2019) toteaa blogissaan. Tässä tapauksessa absoluuttisten arvojen esittäminen tai ainakin esittävyyden kokeileminen olisi ollut näin jälkeen päin ajatellen järkevää, sillä nyt suuri osa korkeimman arvon saavista (100%) ruuduista on nyt sellaisia joissa asuu vain yksi asukas, joka sattuu olemaan muunkielinen. Toinen vaihtoehto olisi ollut poistaa kyseiset ruudut esityksestä, mikä toisaalta myös vääristää dataa. Esityksellisesti lisäarvoa olisi tuonut se, että tiedon selventämiseksi jokaisen luokan perään olisi merkitty kyseisten ruutujen lukumäärä sulkeissa. En ole kovin tyytyväinen siis valintaani esittää teemaa suhteellisina osuuksina (etenkin, kun kerrankin olisi voinut käyttää absoluuttisia arvoja) tai valittuihin luokkarajoihin.
Hieman alempien arvojen ruudut, kuten 10-50 prosentin muunkielisen väestön ruudut tuntuvat antavan paremmin kuvaa trendeistä: kantakaupunki ja muut keskukset erottuvat korkeammilla arvoillaan. Kantakaupunkia tarkastellessa suhteelliset arvot antavat paremmin kuvaa ilmiön jakaantumisesta – Ruoholahden ja Kalasataman seudut erottuvat korkeammilla arvoillaan. Näillä alueilla vieraskielisten edustamat kieliryhmät poikkeavat jonkin verran muista alueista, ja vallitsevina kielinä on venäjän lisäksi englanti ja espanja ja korkeakoulutettujen määrä on suurempi kuin esimerkiksi itäisen suurpiirin vieraskielisimmillä alueilla (Helsinki alueittain 2019). Uusille kasvualueille muutetaan tietotyön perässä.
Karttaa visuaalisesti ja sisällöllisesti tarkastellessa pääväylien muodostama verkosto hahmottelee pääkaupunkiseutua tuntevalle aluetta hieman mutta ei avaa esimerkiksi kuntien rajoja tai nimiä. Tuomalla suuralueiden nimet esitykseen yritin hieman helpottaa esittävyyttä, sillä pienalueiden nimistä olisi tullut liian pieniä. Espoon ja Vantaan kohdilla muutamat keskukset tulevat nimikoiduksi oikein ja oikeille kohdille, mutta Helsingin suuralueet (läntinen, eteläinen jne.) ovat hieman hämmentävät ja valinta ei siksi ollut kaikista toimivin.
Kurssikerran lopuksi tutustuimme myös rasteriaineiston kanssa työskentelyyn. Rinnevarjostusta olin tehnyt ennenkin, mutta piirtäminen QGIS:llä oli minulle jokseenkin uutta. Muistan piirtäneeni vain yksittäisiä viivoja, joten oli mielenkiintoista seurata miten omista piirtelyistä muodostui tietokanta.
Kuva 2. Peruskarttalehden korkeuskäyrärasteri ja korkeusmallista 5 metrin välein mallinnetut korkeuskäyrät.
Opimme myös, miten rasteriaineistosta on mahdollista mallintaa ominaisuuksia QGIS:ssä. Kuvassa 2 on visualisoituna peruskarttalehden korkeuskäyriä ruskealla (päällekkäisten rasteritasojen kanssa joutuu aina kikkailemaan, keksin vaihtaa korkeuskäyrärasterin valkoisen värin läpinäkyväksi, jolloin sain peruskarttalehteä taustalle näkyviin helpottamaan tulkintaa) ja laserkeilausaineistosta 5 metrin välein mallinnettua korkeuskäyrää vihreällä. Kuvan keskiössä on mielivaltaisesti valittu Kumpula, sillä sellainen hauska nimi sattui karttalehdeltä löytymään. ”Loogisilla” korkeusvaihteluilla, kuten korkeammilla mäillä, käyrät noudattelevat samoja linjoja, mutta esimerkiksi kuvassa näkyvä ojantörmä on visualisoituna vain mallinnuksessa. Mallinnuksen datassa on vain jonkin ajankohdan korkeudet, ja oja on saattanut hetkellisesti olla hyvin kuiva tai sitä ympäröivä kasvusto on tallentunut mallinukseen. Karttalehden korkeuskäyrissä puolestaan on otettu huomioon vain pysyvät ja relevantit korkeuserot ja siksi siitä on luotettavampaa tehdä päätelmiä. Toisaalta uuden laserkeilausaineiston perusteella voidaan havaita sellaisia uusia eroja, joita tulisi uusissa kartoissa huomata.
Ensi viikon bufferointeja odotellessa, heissulivei!
Lähteet:
Ahonen, P. (2019) Kurssikerta 4. Blogiteksti. https://blogs.helsinki.fi/piah/
Helsinki alueittain 2019. Helsingin kaupunki, kaupunginkanslia, kaupunkitutkimus ja -tilastot. Helsinki 2020.