5. kurssikerta: Bufferointia, hikeä ja innostusta!

Viides kurssikerta oli mielestäni tähän mennessä hauskin ja innostavin, sillä pääsimme lyhyen bufferianalyysiperehdytyksen jälkeen testaamaan taitojamme MapInfon käytössä itsenäisten ja soveltavien analyysiharjoitusten avulla. Harjoitukset olivat juuri sopivan haastavia ja monipuolisia ollakseen mielenkiintoisia, ja ne kokosivat ja yhdistelivät kurssilla aikaisemmin harjoiteltua soveltavaksi kertauspaketiksi. Parasta oli, että tehtävärakenteet sallivat luovan päättelyn ja kokeilemisen, sillä erehtyminen, pähkäily ja oivallukset ovat valttia syvällisessä ja tutkivassa oppimisprosessissa.

Bufferi- eli naapuruusanalyysi on laskennallinen analyysitapa, jossa bufferoitavan kohteen ympäriltä lasketaan tietyn etäisyyden päässä olevat pisteet. Näiden pisteiden ja kohteen väliin muodostuvalta vyöhykkeeltä voidaan laskea erilaisia arvoja esimerkiksi asukaslukuun, infrastruktuuriin tai vaikkapa maankäyttöön liittyen. Yksi yleisimmistä bufferianalyysin hyödyntämistavoista liittyy riskien ja haittojen alueellisen ulottuvuuden kartoittamiseen: bufferianalyysin avulla voidaan luoda kohteen (esim. joki) ympärille halutun kokoinen vyöhyke (esim. kohonneen tulvariskin alueet), ja tämän jälkeen selvittää laskennallisesti vaikkapa riskivyöhykkeen alle jäävien alueiden väestöllisiä ominaispiirteitä. Tämän lisäksi bufferianalyysillä voidaan tutkia esimerkiksi päästöille tai melulle altistuvia alueita moottoritien lähiympäristössä, kuuluvuutta, yrityksen potentiaalisen toimipaikan läheisyydessä asuvien ja kohderyhmään kuuluvien asiakkaiden määrää tai vaikka luonnonsuojelualueen ja viljellyn alueen väliin jäävän siirtymävyöhykkeen biologista monimuotoisuutta. Analyysitavan huono puoli on sen yksiuloitteisuus: se mittaa ainoastaan horisontaalista etäisyyttä kohteesta jättäen huomiotta mm. vertikaalisen ulottuvuuden sekä sen, että bufferin sisäpuolelle jäävät alueet ovat harvoin homogeenisia. Säteen sisäpuolelle voi jäädä hyvinkin erilaisia alueita, ja esimerkiksi maastonkorkeuden vaihtelut vaikuttavat tulvaherkkyyteen ja kuuluvuuteen merkittävästi. Säteen perusteella muodostettu bufferi kuitenkin laskee saman tulvaherkkyysalueen sisään sekä alavat että korkeammat alueet, vaikka todellisuudessa alueet eivät käyttäydy tulvan sattuessa samalla tavalla. Tulvaherkkyyttä tarkasteltaessa jonkinlainen korkeusmallia myötäilevä spatiaalinen analyysi olisikin bufferointia parempi vaihtoehto.

Kurssikerran itsenäisesti suoritettavat tehtävät koostuivat bufferoimisesta, tietokantojen muokkaamisesta, kyselyistä, piirtämisestä, mittaamisesta ja laskutehtävistä. Alla on taulukoitu vastaukseni tehtävämonisteen kysymyksiin:

Kysymys Vastaus
Malmin lentokenttä
a) 1 km etäisyydellä asuvien määrä 8239
b) 2 km etäisyydellä asuvien määrä 53092
Helsinki -Vantaa
a) alle 2 km etäisyydellä asuvien määrä 9241
b) yli 65 dB melualueella asuvien määrä % 0,32 %
c) vähintään 55 dB melualueella asuvien määrä 11370
d) Tikkurilan hypoteettisella melualueella suvien määrä 12583
2. Asemat
a) alle 500 m päässä asuvien määrä 80576
b) alle 500 m päässä asuvien % osuus 16,80 %
c) työikäisten % osuus a-kohdan asukkaista 71,30 %
Itsenäistehtävä 2
a)Taajamissa asuvien % -osuus 86,40 %
b) taajamien ulkopuolella asuvien kouluikäisten määrä 7536 eli 15%
c) ulkomaalaisten osuus
Yli 10 % 19
Yli 20 % 5
Yli 30% 4
4.Uima-altaat
Pääkaupunkiseudulla uima-altaita yhteensä 856
Kuinka paljon asukkaita sellaisissa taloissa, joissa uima-allas? 12687
Kuinka moni taloista on
a) omakotitaloja 336
b) paritaloja 158
c) rivitaloja 114
d) kerrostaloja 186
Kuinka monessa talossa enemmän kuin 1 allas? 0
Uima-allasrikkaimmat alueet
1) Länsi-Pakila 52 allasta
2) Lauttasaari 51 allasta
3) Marjaniemi 46 allasta

Valinnaiseksi tehtäväkseni valitsin tutkia uima-altaiden määrää ja alueellista jakautumista pääkaupunkiseudulla (vastaustaulukon itsenäistehtävä 4). Kyselyiden pohjalta tuli tehdä uima-altaiden määrää pienalueittain pylväsdiagrammeina ja absoluuttisina lukuarvoina kuvaava teemakartta (kuva 1). Tein kartan ohjeistuksen mukaan. Siitä tuli kuitenkin niin sekava ja sotkuinen, että päädyin poistamaan kaikki alle 10 jäävät numeroarvot kartalta. Niinpä karttani esittääkin vain kaikista uima-allasrikkaimpien pienalueiden allasmäärien absoluuttiset arvot. Pylväät jätin myös pienimpiä arvoja saaville pienalueille, mutta nolla-arvoja saavilta alueilta poistin sekä pylväät että numeroarvot.

Uima-altaiden määrä pks

Kuva 1. Uima-altaiden määrä pääkaupunkiseudulla pienalueittain.

Korostin absoluuttisia arvoja kirkkaanpunaisella, sillä ne eivät olisi muutoin erottuneet kartalta ollenkaan. Mielestäni kartta on edelleen epäesteettinen ja epähavainnollinen. Ilkka Saarinen ja Niklas Aalto-Setälä ovat päätyneet omien karttojensa osalta mielestäni toimivaan ratkaisuun: molemmat ovat päättäneet pienin vapauksin tehdä kartastaan absoluuttisia arvoja kuvaavan koropleettikartan pylväsdiagrammikartan sijaan. Vaikka absoluuttisia arvoja ei normaalisti tulisi esittää koropleettikartalla, on ratkaisu tässä tapauksessa havainnollinen ja toimiva, sillä tarkoituksena on vain näyttää kartalla uima-allasrikkaimmat pienalueet. Jos uima-altaiden määrä olisi esitetty suhteellisena lukuna jakamalla altaiden määrä asukasmäärällä, olisi kartoista tullut esiin toisenlainen ulottuvuus. Suhteelliset arvot olisivat saattaneet kuitenkin jättää kaikista uima-allasrikkaimmatkin alueet alimpaan luokkaan keskimääräistä suuremman asukasmäärän pienalueilla. Tämä olisi puolestaan kadottanut kartan alkuperäisen tarkoituksen, joten absoluuttisten arvojen käyttäminen on mielestäni ollut tässä tapauksessa todella perusteltua. Lisäksi koropleettikarttojen ulkoasu on katsojaystävällinen ja helppolukuinen, kun taas pylväskartastani on vaikea hahmottaa, mille alueelle kukin pylväs kuuluu.

Koen, että perustaitoni MapInfon käytössä alkavat olla jo kohtalaisen hyvät. Vaikka ongelmatilanteitakin tulee, itsenäinen työskentely tuntuu sujuvan suhteellisen mukavasti. Alun turhautuminen on vaihtunut kokeilevaan oikean työkalun etsimiseen (ja nettitutoriaalin selaamiseen, heh). Parhaiten koen hallitsevani erilaiset kyselyt (query) ja tietokantojen päivittämisen, vaikkakin sarakkeen tyypin valinta sekä datan tuontimuoto (value, sum, avg…) on välillä tuottanut päänvaivaa. Vastaan tulee myös jatkuvasti toimintoja, joita en ole vielä käyttänyt, ja monissa valintaikkunoissa on kohtia, joissa on valintana valmiiksi jokin automaattinen oletus. Näihin kohtiin ei ole tullut edes koskettua, ellei niiden käyttöön ole ollut selvää ohjeistusta. Tuntuu hieman häiritsevältä, että useinkin käyttämieni työkalujen valintaikkunoissa on valintamahdollisuuksia, joiden merkitystä en ole tullut tutkineeksi. Ehkäpä pääsen perehtymään niihin tarkemmin vielä ennen kurssin loppumista.

Lähteet:

Aalto-Setälä, N (2014). Kerta 5. Bufferoimaan Mars! <https://blogs.helsinki.fi/niklasaa/2014/02/15/kerta-5-bufferoimaan-mars/> Viitattu 24.2.2014

Saarinen, I (2014). KK5 – Larppausta ja menneitä aikoja. <https://blogs.helsinki.fi/ilkkasaa/2014/02/13/kk-5-larppausta-ja-menneita-aikoja/> Viitattu 24.2.2014.

4. kurssikerta: Ruutua pukkaa!

Neljännellä kurssikerralla opettelimme ruututeemakarttojen tekemistä MapInfolla. Ruututeemakartoissa aineisto esitetään korologisella matriisilla eli koordinaatistoon sidotulla ruudukolla, jonka yksikköjen koko on vakioitu johonkin tiettyyn mittaan. Esitystavan ehdoton etu on se, että ruudukolla tietoa voidaan esittää yhtä aikaa sekä laaja-alaisesti että paikkatarkasti: ruutukartta on kuin tasakokoisiin ja pieniin yksiköihin pilkottu koropleettikartta, joka antaa yksityiskohtaista tietoa ilmiön esiintymistiheydestä ja alueellisesta jakautumisesta. Ruutukartta on kuitenkin usein koropleettikarttaa yksityiskohtaisempi ja paikkatarkempi, sillä sen yksiköt ovat tyypillisesti paljon koropleettikartan hallinnollisiin rajoihin perustuvia alueyksiköitä pienempiä. Tällöin ne myös kuvaavat ilmiön esiintymistä ja tiheyttä suhteessa eksaktiin sijaintiin koropleettikarttaa paremmin. Toisaalta ruutujako on ilmiöiden esiintymisen kannalta aivan yhtä teennäinen kuin hallinnollinenkin aluejako, ja liian suurella tai pienellä ruutukoolla voi kartasta tulla joko liian yleistetty tai aivan liian pikkutarkka. Loppujen lopuksi tässäkin esitystavassa informatiivisuus on siis täysin kartanlaatijan valinnoista kiinni.

Päädyin kokeilemaan väestöaiheisella teemakartallani kahta ruutukokoa. Ensin kokeilin pienempää, 250 m x 250 m kokoisista yksiköistä koostuvaa ruudukkoa. Lopputulos oli kuitenkin huono, sillä liian pieniä ruutuja oli hankala erottaa toisistaan. Ongelmaa eivät juuri helpottaneet edes voimakkaat luokkavärit, sillä värit puuroutuivat ja muistuttivat lopulta enemmän pisterykelmää kuin ruudukkoa. Tein kartan valmiiksi aikoen julkaista sen malliesimerkkinä oikein perusteellisen huonosti toteutetusta ruututeemakartasta. Corelin kautta pyöräyttäminen ja jpg:ksi tallentaminen vääristivät kuitenkin kartan alkuperäisiä värejä paljon, eikä ruututeemaa enää juuri tunnistanut pikselimössöstä. Esitys oli loppujen lopuksi niin järkyttävän laaduton, että päätin säästää blogiani (toivottavasti) lukevat herkät ja viattomat opiskelijasielut törkeän kartografisen häirinnän aiheuttamilta sydämentykytyksiltä. Ehkäpä pääsemme niihin vielä myöhemmin.

Karttani teemaksi valitsin alle kouluikäisten eli 0-6 -vuotiaiden määrän pääkaupunkiseudulla. Loin karttaa varten uuden ruudukon, jonka yksiköiden kooksi valitsin 500 m x 500 m. Valinta osoittautui onnistuneeksi: se toi ruutumaisuuden hyvin esiin pitäen kartan samalla kuitenkin riittävän tarkkana ja yksityiskohtaisena. Kokoluokan 1000 m x 1000 m ruudut olisivat varmasti olleet jo liian suuria ja yleistäviä, sillä ne olisivat olleet pinta-alaltaan nelinkertaisia suhteessa nykyisiin ruutuihin. Luokittelussa päädyin käyttämään kvantiileja, sillä kuten allaolevasta histogrammista (kuva 1) näkyy, aineisto jakautui vinosti. Kokeilin myös muita luokittelutapoja, mutta ne tuntuivat olevan entistäkin huonompia alueellisten erojen realistisessa esiintuomisessa. Nyt käyttämässäni luokittelussa ongelmaksi muodostuu eri luokkien luokkavälien pituuden keskinäinen suuri vaihtelu: pienimmässä luokassa luokkaväli on huomattavasti pienempi kuin suurimmassa.

histogrammi kk4

Kuva 1. Histogrammi pääkaupunkiseudulla asuvien alle kouluikäisten määrästä 250 000 m² kokoisista ruutuyksiköistä koostuvalla matriisilla.

Lopulliseen karttaani (kuva 2) valitsin esitettäväksi ruutuaineiston lisäksi myös kuntarajat sekä suuralueet nimineen, jotta karttaa olisi helpompi tulkita ja ymmärtää. Kokeilin myös pienalueiden lisäämistä karttaesitykseen, mutta informaatioarvon kasvattamisen sijaan ne heikensivät sen luettavuutta. Myös Laura Hintsanen toteaa blogissaan pienalueiden lisäämisestä seuraavaa:

“Pienalueiden näkyminen kartalla teki esityksestä hyvin sotkuisen, eikä alueiden nimien sijoittamista kartalle voinut edes harkita. Suuralueiden avulla lukija pystyy hahmottamaan suurpiirteisesti myös pienempien alueiden sijainnin.”

Värien valinta tuotti jälleen ongelmia: koin, että riittävän erottuvien ja toisaalta liukuvasti muuttuvien värien sopivaa yhdistelmää oli vaikea löytää. Nyt karttaa katsoessani totean, että värit olisivat voineet olla voimakkaampiakin, sillä etenkin tummin luokka näyttää turhan haalealta. Mielestäni tällaisenaan kartan informaatioarvo on alueellisten erojen tarkastelun kannalta heikohko, sillä se kuvaa oikeastaan paremmin asutuksen yleistä jakautumista kuin lapsiperheiden suosimien alueiden sijoittumista. Kartalla kuvautuvat tummimpina tiheimmän asutuksen keskittymät eli käytännössä suuralueiden keskustat, joissa lapsiakin on luonnollisesti absoluuttisissa määrissä mitattuna eniten, vaikka lasten suhteellinen osuus asutuskeskittymän väestöstä olisikin pieni. Saman huomion on tehnyt blogissaan myös Natalia Erfving, jonka kartta havainnollistaa 1-6 -vuotiaiden määrää pääkaupunkiseudulla:

“- – jos ollaan kiinnostuneita vain siitä, missä lapsia on eniten, on tämä kartta hyvä tiedonlähde. Jos kuitenkin haluttaisiin tarkastella, että mitkä alueet  ovat  etenkin lapsiperheiden suosiossa, pitäisi lapsien määrä suhteuttaa väkilukuun. Näin näkyisi kuinka suuri osa väestöstä on lapsia, jolloin selviäisi, mitkä alueet koetaan esim. lapsiystävällisiksi. Absoluuttiset arvot ovat siis aina hiukan harhaanjohtavia kartoilla, joissa kuvataan jonkin ilmiön alueellista jakautumista.”

Kuten Nataliakin siis toteaa, on kartta oivallinen väline alle kouluikäisten lasten absoluuttisten määrien esittämiseen, mutta teemasta voisi tuoda esiin kiinnostavampiakin ulottuvuuksia suhteellisia arvoja hyödyntämällä. Kartoissamme on pieniä eroavaisuuksia, jotka liittyvät luokittelussa ja luokkamäärässä oleviin eroihin, mutta muuten kartat muistuttavat paljolti toisiaan. Mielestäni Natalian kartan sävyvalinta on onnistuneempi, sillä siinä eri luokat erottuvat paremmin kuin omassa kartassani. Oman karttani väriskaala on myös aivan liian lähellä merialueen sinistä sävyä.

Absoluuttisia arvoja esittävän kartan rajallisesta informaatioarvosta johtuen päädyin luomaan sen rinnalle suhteellisia arvoja kuvaavan kartan samasta aiheesta. Tämän tein jakamalla jokaisen ruudun alle kouluikäisten määrän kyseisen ruudun kokonaisväkimäärällä. Esitän kartat seuraavaksi peräkkäin, jotta niiden keskinäinen vertailu olisi mahdollisimman helppoa:

Uusi ruutukartta alle_kouluik

Kuva 2. Pääkaupunkiseudulla asuvien alle kouluikäisten lasten määrä absoluuttisina arvoina ruututeemakartalla. Kartan ruutukoko on 500 m x 500 m. Kuvassa suurimpia arvoja saavat suuret asutuskeskittymät eli käytännössä suuralueiden keskustat.

Kuva 3. Alle kouluikäisten lasten prosentuaalinen osuus väestöstä ruututeemakartalla esitettynä. Osuus on laskettu erikseen joka ruudulle jakamalla ruudun sisällä asuvien alle kouluikäisten määrä ruudun kokonaisväkimäärällä. Kartan ruutukoko on 500 m x 500 m. Tummina kuvautuvilla eli suurimpia arvoja saavilla alueilla lapsia on siis eniten suhteutettuna väkimäärään.

Huom! Jostain syystä kuva 3 on välillä kadonnut sivulta. Jos kuvaa ei näy, voit katsoa sen tästä linkistä: http://tinypic.com/view.php?pic=jtmdmw&s=8#.UwN0wRAWd49 

Jo nopealla vilkaisulla huomaa, että kartat eroavat toisistaan paljon – itseasiassa ne ovat lähes käänteiset. Absoluuttisia arvoja kuvaavalla kartalla suuria arvoja saavat alueet saavat suhteellisia arvoja esittävällä kartalla pieniä arvoja ja päinvastoin; esimerkiksi kuvassa 2 korkeimpaan luokkaan kuuluvat Helsingin keskustan ja sen lähiympäristön alueet putoavat kuvassa 3 matalimpaan luokkaan. Tämä tukee hypoteesiani siitä, että lapsiperheet hakeutuvat asumaan keskustan ulkopuolisille ja pientalovaltaisille alueille, joilla neliöhinta on tiheästi asuttuihin keskuksiin verraten keskimäärin alhaisempi. Tiiviimmän asumisen keskukset taas houkuttelevat lapsettomia, nuoria ja vanhuksia, joilla tilantarve on pieni eikä neliöhinta muodostu kynnyskysymykseksi asunnon hankinnassa. Oletan myös, että lapsiperheet ja lapsettomat suosivat ensisijaisesti eri asioita asuinpaikkaa valitessaan: siinä missä sinkku asettaa hyvät liikenneyhteydet sekä kulttuuri-, viihde- ja palvelutarjonnan etusijalle, painavat lapsiperheen vaakakupissa luultavasti eniten turvallisuus, rauhallisuus, luonnonläheisyys ja hinta.

Mielestäni suhteellisia arvoja esittävä kartta tuo alle kouluikäisten alueelliseen sijoittumiseen liittyvästä teemasta esiin mielenkiintoisen ulottuvuuden. Kartat tarkastelevat samaa aihetta mutta eri painotuksin, ja yhdessä esitettynä niiden informaatioarvo on  parempi kuin kummankaan yksittäin. Mielestäni esittämäni lähestymistavat tukevat toisiaan, joten ilmiön mahdollisimman realistiseksi havainnollistamiseksi on siis hyvä esittää molemmat kartat rinnakkain. Ilokseni voin tässä vaiheessa kurssia todeta, että MapInfon käyttö tuntuu jo huomattavasti helpommalta ja loogisemmalta kuin alkukurssista. Tietokantojen muokkaaminen ja tiedon siirto eri tietokantojen välillä tuntuu sujuvan ongelmitta, ja ohjelman kanssa pärjää luovaa ongelmanratkaisua vapaasti soveltamalla. Hyvästi siis MapTuska! Ehkäpä tässä on orastavan MapRakkauden siemen. 🙂

Lähteet:

Erfving, N. (2014): Kurssikerta 4: Ruutuja, rasterikarttoja ja alle kouluikäisten määrä pääkaupunkiseudulla. <https://blogs.helsinki.fi/nataliae/2014/02/03/kurssikerta-4-ruutuja-ja-rasterikarttoja-alle-kouluikaisten-maara-paakaupunkiseudulla/> Viitattu 18.2.2014.

Hintsanen, L. (2014): Kurssikerta 4: Rasterikarttoja. <https://blogs.helsinki.fi/lhintsan/2014/02/04/kurssikerta-4-rasterikartta/> Viitattu 18.2.2014.