Kurssikerta 6: Pisteaineistot kartalle sekä geokoodaus

Pisteaineiston tuottaminen Kumpulan kampuksen suojateistä

Kuudennella kurssikerralla opettelimme esittämään pistemäisiä kohteita kartalla Excelistä tuodusta datasta MapInfossa. Tätä tietoa pääsimme tuottamaan ihan itse, sekä keräämään internetistä. Ihan ensimmäisenä jalkauduimme kentälle keräämään GPS-paikantimella Kumpulan alueelta joitain pistemäisiä kohteita. Ryhmämme päätyi valitsemaan suojatiet kartoitettaviksi. Näistä kohteista keräsimme paikkatiedoiksi koordinaatit, korkeuden merenpinnasta ja laitteen tarkkuuden mittaushetkellä, sekä ominaistiedoiksi mm. ylitettävän tien vilkkauden tai liikennevalojen olemassaolon.

Palattuamme kurssisalin lämpöön siirsimme manuaalisesti tiedot Exceliin taulukkomuotoon, josta se oli helppo jatkokäsitellä MapInfossa. Siellä nämä jokaisen ryhmän tuottamat aineistot saimme kartoitettua pääkaupunkiseudun kartalle Create-Points-komennolla. Tätä lopputulosta oli mielenkiintoista tarkastella ja pohtia, johtuivatko pisteiden sijaintien heitot GPS:n, ylöskirjaajan, vai MapInfon käytössä tapahtuneista virheistä. Yleisolettamuksena voitaisiin pitää, että jos piste osui kartalla lähes sille tarkoitettuun kohtaan, virhe oli todennäköisesti GPS:n katteessa satelliitteihin. Jos piste lävähtikin johonkin ihan väärään paikkaan Helsingissä, todennäköisenä voitiin pitää, että olimme sekoittaneet esimerkiksi X- ja Y-koordinaatit keskenään. Tälläista huolimattomuusvirhettä lukuunottamatta pisteaineiston sijoittaminen kartalle oli yksinkertaisuudessaan hyvin mielekästä puuhaa. Näin tämän opittuani paljon mahdollisuuksia ominaisuuden hyödyntämisessä tulevaisuudessa.

Geokoodaten Helsingin pelikoneet

Toisella tunnin yhteisharjoituksella sijoitimme kartalle kaikki Helsingin pelikoneet geokoodaten. Geokoodaus tarkoittaa kohteen paikantamista sen ominaisuustietojen perusteella. Tässä tapauksessa käytössämme olivat peliautomaattien katujen nimet ja -numerot.  Lisäksi käytimme postinumerot sisältävää toista tietokantaa tukiaineistona poistamassa lopputuloksesta virheitä, kuten eri kunnassa tai kaupunginosassa sijaitsevia samannimisiä teitä. Ohjasimme myös pelikoneille tarkemman sijainnin ohjelman lisäasetuksista, koska käytössä olevilla ominaisuustiedoilla pelikoneet olisivat mätkähtäneet keskelle tietä, joka oletettavasti ei missään tapauksista ole todenmukainen vaihtoehto. Tämän jälkeen MapInfo kuitenkin ilmoitti, että osan tuloksista paikantaminen epäonnistui. Osan epäonnistuneista paikannuksista saimme onnistumaan, kun jätimme tukiaineiston eli postinumeroiden tarkistamisen pois. Vielä tämän jälkeenkään kuitenkaan MapInfo ei onnistunut paikantamaan kaikkia pelikoneita, jolloin jouduimme manuaalisesti valitsemaan kunkin peliautomaatin osoitetta vastaavan kadunnimen valikosta.

Meteoriitit internetistä kartalle

Itsenäistehtävässä tarkoituksena oli hyvin yleistetyin ohjein hyödyntää juuri oppimaamme tietoa paikkatiedon käsittelystä. Käytännössä tämä tapahtui Paarlahden antaman käskyn mukaan sijoittamalla jonkin hasardin pistemuotoista esiintymistä maailmankartalle. Tarkoitus tällä oli myös tuottaa opettajalle tuntiopetukseen soveltuvaa ja havainnoivaa materiaalia. Järjästäen jokainen muu luokkakaveri tuntui valinneen aiheekseen mannerlaattojen toimintaan liittyviä hasardeja, koska siihen oli valmiit ohjeet tarjolla, päätin haastaa itseni ja käyttää meteoriittitietokantaa. Koin vihdoin olevani kyllin “fiksu” MapInfon itsenäiseen käyttöön. Tosin fiksuksi en missään nimessä menisi itseäni kehumaan, sillä aihetta sen pahemmin tuntematta meteoriitit eivät olisi ehkä se ensimmäinen juttu josta lähtisin luennoimaan oppilaille.

Aineiston rajaaminen ei ollut teknisesti ottaen vaativaa, mutta järkevien rajausperusteiden keksiminen kolmea karttaa varten sen sijaan oli. Tarjolla oli sijaintitietojen lisäksi vain meteoriittien massat ja meteorityypit, jotka eivät kertoneet minulle oikeastaan mitään ja etenkin jälkimmäinen koodeineen on minulle yhä epäselvä. Kaivettuani asiasta tietoa internetistä, sain jonkunlaisen käsityksen meteoriittien massoista, joka auttoi minua rajaamaan yhteen karttaan aineiston yli 100kg painavista meteoriiteista. Toiseen karttaan jätin kaikki tiedetyt meteoriitit näkyviin ja kolmanteen vasta 1900-luvultä lähtien törmänneet. Itse karttojen tuottaminen oli melko yksinkertaista sitä mukaanlukematta, että tietokannan tuominen oikeassa muodossa Excalin kautta MapInfoon ei minulta onnistunut yrityksistä huolimatta, sillä ohjelma paremmalla reaktionopeudellaan päihitti minut muuttamalla kaikki pilkulliset luvut (TAAS SE PILKKU!!!!!! kts. edellinen kurssikerta) päivämääriksi. Paarlahdelta sainkin hyvän neuvon tuoda aineisto ensin NotePadiin tekstimuodossa, josta sen sai Excelin kautta avattua MapInfoon, jossa Create Points-komento kiltisti totteli minua ja loi allaolevat kartat:

Kuva 1. Kaikki tiedossa olevat maapalloon törmänneet meteoriitit

Kuva 1. Kaikki tiedossa olevat maapalloon törmänneet meteoriitit

Kuvan 1. kartalla on punaisin pistein merkattu kaikki tiedossa olevat meteoriittien törmäykset maapallolla. Luettavuus yksittäisten tapausten osalta on kartalla todella huono pisteiden runsaudesta johtuen. Yritin pienentää törmäyskohtia kuvaavia pisteitä, mutta fontin 7 jälkeen ne alkoivat mennä epäselviksi. Vaikka yksittäistapausten tarkastelu kartalta on mahdotonta, ajaa kartta mielestäni tehtävän siltä osin, että sen pistemassat osoittavat meteoriittien runsaan ja todellisen määrän kokonaisuudessaan, kuten myös Ella totesi blogissaan tutkimistaan tulivuorista: “Karttojen kautta ei siis kannata yrittää opettaa ulkoa esim. tulivuorten sijaintia, mutta globaalisti ne havainnollistavat maajäristysten sekä tulivuorten sijaintia melko hyvin.

Alueellisesti meteoriitit ovat kartalla jakautuneet mielestäni yllättävän epätasaisesti. Erityisesti Eurooppa ja Yhdysvallat näyttäisivät saaneet valtavat määrät meteoriittipommitusta muuhun maapalloon verrattuna. Myös maanosien sisällä meteoriittien törmäykset näyttävät jakautuneen epätasaisesti: Australiassa ja Etelä-Amerikassa etelään, Aasiassa Intiaan ja Japaniin sekä Afrikassa pohjois- ja eteläkärkiin. Lähes täysin ilman meteriittiiskuja näyttävät jääneen Amazonia, Siperia, Etelämanner, Kongojoen allas ja Pohjois-Amerikan koko pohjoispuolisko.

Kartan perusteella aloin ensin virheellisesti miettiä meteroiittien jakautumista maapallon liikeratojen ym. perusteella, sillä ensivilkaisulta saattaisi näyttää siltä, että meteoriittejä olisi törmännyt kaikkein vähiten napojen ja päiväntasaajan seutumille. Mutta koska en osaa perustella ilmiötä minkään hienojen fysiikan lakien mukaan, jätän asiasta pätemättä sen mahdollisuuden ollessa, että epäilykseni ovat aivan pielessä. Kun keskityin tarkastelemaan kaikkein tiheimmän ja harvimman meteoriittipommituksen saaneita alueita, huomasin selvän korrelaation asutustiheyden kanssa: Kaikkein tiheimmin asutuilla alueilla on myös meteoriittien törmäystiheys suurin ja periferioilla törmäyksiä on vähiten. Ennenkö kukaan vetää johtopäätöstä siitä, että ihmiset vetäisivät magneetin tapaan putoavia meteoriittieja puoleensa, täytyy minun todeta, että kartan legendassa olisi pitänyt mainita kyseessä olevan “kaikki havaitut meteoriitit”. On loogista ajatella, että siellä missä ihmisiä on eniten, herkimmiten myös huomataan meteoriittien saapuminen ja vastaavasti asumattomassa Siperiassa tai Etelämantereella ei kukaan ole havannoimassa jos sinne joku meteoriitti tömähtää. Tätä teoriaa tukee myös se havaintoni, ettei kartalla ole nimeksikään pisteitä merialueilla niiden kattavasta pinta-alasta huolimatta.

Kuva 2. Vuoden 1900 jälkeen maapalloon törmänneet meteoriitit

Kuva 2. Vuoden 1900 jälkeen maapalloon törmänneet meteoriitit

Kuvan 2. karttaa luodessani kuvittelin luovani kvantitatiivisempaa aineistoa edelliseen karttaan verrattuna. Ajattelin, että kaikki 1900-luvulla ja sen jälkeen löydetyt meteoriitit olisivat tekniikan kehittyessä kaikkein tarkimpia ja varmimpaa tietoa, jos verrataan esimerkiksi monia satoja vuosia vanhoihin tarinoihin/arvioihin maapallolle pudonneista meteoriiteista. violetein pistein. Violettejen pisteiden lävähdettyä kartalle (älkääkä nyt kuulkaas aliarvioiko työtäni, ihan itse ne sinne taidoillani keplottelin, eivätkä ne sinne tuosta noin vain pelmahtaneet – ai miten niin olen ylpeä saavutuksistani?) heräsin siihen faktaan, että kartta muistuttaa erehdyttävästi kuvan 1. karttaa. Ensimmäinen reaktioni oli käydä tarkistamassa tuomani aineisto, josko olisin sittenkin vahingossa käyttänyt uudestaan edellisen kartan aineistoa kaikista meteoriiteista. Ihan oikeat tapaukset olin kuitenkin kartoittanut. Karttoja tarpeeksi päällekkäin syynäiltyäni havaitsin, että kyllä tästä kartasta muutamia pisteitä puuttuu edelliseen karttaan verrattuna.

Taas vääränä johtopäätöksenä voisi vetää vaikka sen, että meteoriitteja on yhtäkkiä alkanut sarjatulen tavoin saapumaan maapallolle vasta maagisen 1900-luvun taitteen jälkeen. Jospa kuitenkin keskityttäisiin ajattelemaan sitä edellisen kappaleen alussa mainitsemaani tekniikan kehitystä syynä tähän ja nyt jos joku sukulaiseni on onnistunut hakkeroitumaan vakoilemaan blogiani, niin heidät tuntien hän varmasti luulee minun viittaavan tällä teollistumisen mukanaan tuomaan ilmastonmuutokseen… Koska tunnetusti (ainakaan vielä) taivaalta tipahtelevien meteoriittien ei lasketa kuuluvan ilmastonmuutoksen lisäämiin sään ääri-ilmiöihin, voisin väittää kehittyneen tekniikan edistäneen meteoriittien rekisteröintiä. Lisäksi esimerkiksi väestönkasvulla ja sitä myötä väestön leviämisellä on voinut olla osuutta jyrkän havaintojenkasvun kanssa, kun taas esimerkiksi jääkausi on voinut puolestaan tuhota kaikki todisteet vanhimmista meteoriiteista. Näitä karttaa vertaamalla voidaan saada se mielikuva, kuinka paljon meteoriitteja on kaikenkaikkiaan maapallolle koko sen olemassaolon aikana pudonnut, jos pelkästään viimeisen n.100 vuoden aikana määrä on ollut noin huikea. Todellisuudessa tästä päätellen ensimmäisen kartan pitäisi lähestulkoon peittyä punaisiin pisteisiin merialueet mahdollisesti mukaanlukien.

Kuva 3. Yli 100kg maapalloon törmänneet meteoriitit

Kuva 3. Yli 100kg maapalloon törmänneet meteoriitit

Kuvan 3. kartassa esiintyvät kaikki yli 100kg painaneet meteoriitit pinkeillä pisteillä merkittynä. Valitsin aineiston massan ominaisuuden, sillä asiaa tutkittuani selvisi, että sen kokoiset meteoriitit alkavat olla pelkkää kiveniskua suurempia ja tuhoisampia. Pieniä meteoriitteja tipahtelee maapallolle vuosittain useita, mutta niiden koosta ja hajoamisesta johtuen niiden paikantaminenkin on hankalampaa, kuin tälläisten järkäleiden. Pisteitä on selvästi vähemmän edellisiin karttoihin verrattuna ja suhteessa eniten niitä näyttäisi sijoittuvan erityisesti Yhdysvaltojen keskiosaan. Kiinnitinmyös  huomiota siihen, että sitä verrattaessa kuvien 1. ja 2. Intian meteorikasaumaan, ei yli 100kg meteoriitteja ole sille alueelle törmännyt kuin yksi kappale. Tämä herättää minussa ihmetystä, sillä olisin odottanut kartalta alueellisesti tasaista jakautumista: Luulin, että suuret meteoriitit huomattaisiin satelliitein jopa Etelämantereen tyhjille jäätiköille tai valtameriin tippuessaan jo niiden kiitäessä maapallon ilmatilassa.

Käytin jokaisessa kartassa tarkoituksella samanmallista ja -kokoista palloa merkkinä meteorin törmäyskohdasta. Toivoin tämän helpottavan karttojen vertailtavuutta. Kahden ensimmäisen kartan osalta se ehkä toimikin, mutta tulokset eivät olleet yhtä tehokkaat kuin olisin odottanut. Luulin, että olisin kyennyt vertaamaan esimerkiksi sitä, voisivatko valtaosa ensimmäisen ja toisen kartan välillä olevista piste-eroista olla kolmannessa kartassa esiintyviä pisteitä; Onko ennen 1900-lukua rekisteröidyt meteori-iskut vain kaikkein suurimpia, eli yli 100kg meteoriitteja, joiden havainnoiminen jo tuolloin on ollut helppoa tai niistä on säilynyt suuri kraateri todisteena näille päiville. Koska karttojen välillä tämä vertailu on lähes mahdotonta, olisin voinut kokeilla asettaa pisteitä samalle kartalle tutkiakseni niiden yhteensopivuutta. Tai tehdä kartan maanjäristyksista ja verrata meteoriittikarttaani siihen, kuten Minni blogissaan keksi “Hypoteesinani oli, että niiden (meteoriittien) maahan iskeytyminen olisi aiheuttanut voimakkaita maanjäristyksiä...”

Kartat opetuksessa

Kuten edellä kävin asian selväksi, en ole millään tapaa asiantuntija meteoriiteistä puhuttaessa. En myöskään näe niiden olevan kovin hyödyllisiä tietosisältönsä puolesta, tai ainakaan sen esitetystä tarkkuudesta, vaikka toki joku meteoriittitietäjä voisi näistä joillekkin uteliaille naperoille näistä jotain kertoa. Minusta siihen ei kuitenkaan olisi, joten soveltaisin karttoja maantiedon opetuskäyttöön meteoriitti-teeman ulkopuolelta. Laittaisin oppilaat pohtimaan tekstissä kartoistani esille nostamiani asioita karttojeni toimivuudesta, ja sitä kautta kartanlukutaidosta:

  • Mihin virhearvioihin kartat voivat johtaa?
  • Mitä sellaista tietoa kartoista voi tulkita, jota ei ole niissä suoraan esitetty?
  • Millä keinoin kartoista olisi saatu informatiivisempia?
  • Miten kartan ulkoasu vaikuttaa sen välittämään tietoon?
  • Mitä kartantekijä olettaa lukijan tietävän ymmärtävän ennen karttatulkintaa?

Lisäksi kartoillani voisi vertailla hasardeja keskenään, kuten sijainteja ja niiden riippuvuuksia suhteessa toisiinsa tai tulkita eri hasardien luonne-eroja. Onko joillekkin alueille keskittynyt paljon eri hasardityyppejä? Millaisia riskien ja uhkien eroja luonnonhasardeilla voidaan tulkita olevan karttavertailun mukaan esimerkiksi ihmisen vaikutuksen, keston, koon, vaikutusalueen, torjunnan, moniulotteisuuden, toistuvuuden tai ennustettavuuden suhteen?

Kuva 4. Syklonit. http://opinnot.internetix.fi

Kuva 4. Pyörremyrskyt. Vertaamalla  meteoriittien ja pyörremyrskyjen esiintymistä maailmankartalla, voidaan havaita niiden alueellisuuden, sekä riskien ja uhkien eroja. Kuva: http://opinnot.internetix.fi

Mutta kuten Aino hyvin tiivistää: “Voisin siis harkita näiden karttojen hyödyntämistä opetuksessa, mikäli olisin sellaisen uravalinnan tehnyt. Tosin mikäli näin tekisin, joutuisin muokkaamaan tekemiäni karttoja, sillä en ole niihin täysin tyytyväinen. Kuitenkin olen edelleen sitä mieltä, etteivät ensimmäisen vuoden maantieteen opiskelijan kartat vielä voikaan olla aivan täydellisiä.” …ja vielä kun ymmärtäisi itsekin jälkimmäisen.

Lähteet:

Google Fusion Tables (2013) Meteoritessize <https://www.google.com/fusiontables> 24.3.2014

Meteoriitit (2014) Meteoriittitutkimus <http://www.geologia.fi/index.php/2011-12-21-12-58-39/2011-12-21-13-00-04/meteoriitit> 24.3.2014

Pyörremyrskyt (2013) Riskien maantiede <http://opinnot.internetix.fi/fi/muikku2materiaalit/lukio/ge/ge3> 24.3.2014

Aalto, M. (2014) Kurssikerta 6: Pisteaineistojen tuottaminen ja esittäminen kartalla <https://blogs.helsinki.fi/mmaalto/> 13.4.2014

Heikkinen, E (2014) Kuudes kurssikerta <https://blogs.helsinki.fi/ellaheik/> 13.4.2014

Ruskomaa, A. (2014) Kurssikerta 6: Pisteaineistoja kartalla <https://blogs.helsinki.fi/ainorusk/> 13.4.2014

Kurssikerta 5: Bufferointi

Kun kerron jollekkin opiskelevani maantiedettä, muistan aina samaan hengenvetoon mainita, että ei, minusta ei tule kartografia, sillä maantiede on paljon muutakin kuin karttoja. Kuitenkin tämä TAK-kurssin parantama Jenni “vihaankarttoja” Lintunen sivupersoonani oli palata viimeistään viidennellä kurssikerralla. Ennen tuntia luennoitsijamme Arttu Paarlahti oli kehottanut syömään ja nukkumaan hyvin, sillä edessä olisi kurssin pahin rupeama. Varoitteluista huolimatta taisin doupata aamulla liian vähän kofeiinia suoraan suoneen, sillä tällä kertaa luovuttaminen tuntui ihan oikeasti vaihtoehdolta.

Teemana oli harjoitella bufferointia MapInfolla. Hampaankolossani kaiversi yhä vuoden 2012 pääsykokeen tehtävä, jossa en kyennyt tunnistamaan kyseistä ilmiötä esittävää kuvaa. Harjoittelimme bufferointia ensin edellisellä kurssikerralla digitoimallemme peruskarttalehdelle, josta bufferoimme tiet, eli loimme niille tietyn säteen kokoisen kehän ympärille, jonka sisälle jäävien talojen lukumäärä saatiin näin tietoon. Tällä olisi voinut selvittää esimerkiksi kuinka moneen asuintaloon liikenteestä johtuva melusaaste ylettyy tai kuinka moni ihminen asuu näiden teiden ulottuvissa. Toistimme saman puskuroinnin myös terveyskeskusten ja koulujen vaikutuspiiristä.

Bufferoinnilla tai tuttavallisemmin puskuroinnilla tarkoitetaan kartalla tutkitusta kohteesta tietyllä etäisyydellä olevien ilmiöiden rajaamista tarkasteltavaksi, esimerkiksi selvittääkseen lähikauppojen mahdollisen asiakaskunnan mainoskatkon pituisen kipaisumatkan säteellä. Tai hieman syvällisempiin asioihin, kuten Joose blogissaan pohtii: “Toinen haaste olisi kehittää bufferien luontiin ja ihmisten laskemiseen jonkinlainen makro, automatisoitu prosessi, joka tuottaisi tiedon eri etäisyyksillä asuvien ihmisten määristä. Näillä määrillä kerrottujen etäisyyksien yhteenlaskulla, ja jakamisella “määrien” lukumäärällä, jonka soisi lähestyä ääretöntä, saataisiin keskiarvo vähän samaan tapaan kuin keskiarvo noin yleisesti ottaen muutenkin lasketaan. Eri asia onkin sitten mihin saatua tietoa käytettäisiin. Ainakin sen vuosittaisia muutoksia olisi ihan mielenkiintoista tarkastella. Niin tai näin, olisipahan sekin yksi bufferoinnin hyödyntämiskohde”

 Lentokentät

Malmin lentokentän 2km melualueen asukkaat                                                    55 970

Malmin lentokentän 1km melualueen asukkaat                                                    8496

Helsinki-Vantaan 2km melualueen asukkaat                                                        10 074

Helsinki-Vantaan 2km ja 65dB melualueen asukkaiden osuus                            39 %

Helsinki-Vantaan vähintään 55dB melualueen asukkaiden osuus                       59 %

Tikkurilan suunnasta tulevan laskeutumisreitin melualueen asukkaat                12 480

Ensimmäisessä itsenäistehtävässä sovelsimme tähän astista oppimaamme MapInfosta ja keräsimme tulokset taulukoihin. Tarpeeksi kauan Excelin kanssa kikkailtuani (joten hyvä MapInfo, tämä ei johdu susta vaan musta; kuten huomaat en ole tullut kovin monen muunkaan kanssa toimeen) päätin ottaa Jessican blogista mallia ja yksinkertaisesti koota tulokseni vain allekkain. Ensin tutkin Malmin lentokentän melualuetta bufferoimalla sen kiitoradat 2km ja 1km säteellä. Tutkimukseni mukaan 2km etäisyydellä kiitoradasta on 55 970 asukasta ja 1km säteellä 8496 asukasta. Kyseinen harjoitus oli hyvin yksinkertainen perus bufferoinnin harjoitus, kuten edelliset yhteisharjoitukset, eikä siinä tarvinut vielä soveltaa muita temppuja tai menettää hermojaan.

Harjoituksessa tutkimme myös samaa ilmiötä Helsinki-Vantaan kiitoratoihin nähden, jossa asukkaiden määrä oli 2km säteellä huomattavasti vähäisempi kuin Malmilla, vain 10 074 asukasta ilmeisesti Vantaan haja-asutuksesta johtuen. Näistä asukkaista rajasin vielä lentomelu-tietokantaa apuna käyttäen ne asukkaat, jotka asuvat pahimmalla 65dB melualueella. Tehtävässä jouduin suorittamaan bufferoinnin vain tietokannan rajaaman alueen sisällä. Koska lentomelualue lentoreittien suunnista johtuen on ristikkäisen muotoinen, haasteena oli saada vain sen ja bufferointini yhteiseltä pinta-alalta asukkaiden osuus tietoon, jonka arvoksi sain noin 39 %. Vielä haastavampaa oli selvittää vähintään 55dB alueella asuvien osuus, jonka laskin olevan noin 59 %. Kyseinen desibelialue ei ollut tietokannassa yhtenäisenä alueena, vaan siihen kuului useampia sisäkkäisiä desibelialueita. Näiden alueiden yhtäaikainen valitseminen oli melko hankalaa, sillä esimerkiksi keploteltuani oikeat alueet valintaani, en meinannut millään saada niiden sisältä asuintaloja valittua. Vaikka lopulta sekin onnisti, on minulla yhä pimennossa miten sen teknisesti ottaen edes tein.

Helsinki-Vantaalla rakennusvaiheessa lentokoneet laskeutuivat poikkeusreittiä Tikkurilan suunnasta, jolloin melualue oli poikkeavassa suunnassa. Tehtävänä oli selvittää kuinka montaa asukasta vähintään 60dB lentomelu haittasi tällöin. Tätä varten meidän piti luoda lentokoneelle poikkeuksellinen laskeutumisreitin vaikutusalue 7km pituiselle ja 1km levyiselle kaistalle. Laskeutumisreittiä luodessa täytyi ottaa huomioon kartalle piirrettävän laskusuoran pituus, joka tietenkin on lyhyempi kuin sen 7km kokonaisvaikutusalue. Näin ollen oli oleellista huomioida piirtää ainoastaan 6km pitkä laskeutumisreitti, jonka säde 0,5km sen molemmissa päissä loi melualueesta tarvittavan pituisen. Tälle alueelle sain edellisessä vaiheessakin käyttämälläni, hieman haasteellisella päällekkäismenetelmällä melualueen asukkaiksi 12 480 henkilöä.

Juna-asemat

Alle 500m päässä asemasta asuvat Vantaalaiset                                              83 028

Alle 500m päässä asemasta asuvista työikäisten osuus                                  17,3 %

Alle 500m päässä asemasta asuvien osuus Vantaalaisista                              71,3 %

Harjoituksessa selvitettiin lisäksi kyseisen Helsinngin seudun kartan juna-asemien kattavuutta 500m, eli käytännössä lyhyen kävelymatkan etäisyydeltä. Tämä tapahtui bufferoimalla kaikki kartan juna-asemat ja tarkastamalla niiden alle jäävien asukkaiden lukumäärä, joka oli mielestäni noin 83 028 ihmistä. Tämä osuus oli koko alueen henkilöistä 17,3 %. Näistä selvitimme työikäisten eli 15–64-vuotiaiden henkilöiden määrän luomalla bufferista oman taulukon, johon lisäsimme kyseisen ikäisten henkilöiden sarakkeen. Näin sain laskettua heidän osuuden kaikista juna-asemien lähellä asuvien määrästä, joka oli noin 71,3 %.

Taajama-asukkaat

Vantaan asukkaiden osuus taajamissa                                                              90,87 %

Taajamien ulkopuolella asuvat kouluikäiset                                                         42 383

Taajamien ulkopuolella asuvien kouluikäisten osuus kaikista kouluikäisistä       84,9%

Alueita, joilla ulkomaalaisten osuus yli 10%                                                         20

Alueita, joilla ulkomaalaisten osuus yli 20%                                                         5

Alueita, joilla ulkomaalaisten osuus yli 30%                                                         4

Toisessa erillisessä itsenäistehtävässä työskentelimme kyseisen alueen taajamia koskevien taulukkotietokantojen kanssa, joihin loin uusia sarakkeita asukkaiden-, kouluikäisten- ja ulkomaalaisten määrästä ja siirsin niihin tietoa, sekä näiden avulla tuotin uutta tietoa ulkomaalaisten osuuksista. Pahin painajaiseni oli siis toteutumassa, sillä tunsin MapInfon kanssa olevani eniten hukassa tehtävissä, joissa joutuu koskemaan tietokannan taulukoihin. Tuntui ettei mikään nappi näyttänyt tutulta ja kokeilemalla ei tapahtunut koskaan lähellekkään mitään halutunlaista. Tuntui, että vaivasin vain kokoajan vierustovereitani tai opettajaa kyselemällä tyhmiä. Kaikki muut tuntuivat etenevän tehtävissään, mutta minulle tämä tuntui ylitsepääsemättömältä esteeltä. Yritin pitää suuni kiinni, etten olisi räjähtänyt pitkin GIS-luokan seiniä, mutta tämä vain patosi turhautumistani. Lopulta luovutin. En tehtävän suhteen, vaan kysyin Paarlahdelta vihdoin (tai jälleen…) apua. Ja ongelman ratkaisuun meni sekunttikelloni mukaan 0,0149 sekuntia, kun Arttu korjasi taulukkoni rakenteen kokonaisluvuista desimaaleiksi. Sillä hetkellä silmissäni sumeni ja ainoa asia mitä saatoin ajatella oli se, että tuo kaikki ylitsepääsemättömät ongelmani aiheuttanut pilkku saisi tulla raiskatuksi ja sitä edistääkseeni aion tästälähtien nussia tuota pilkkua kyllä koko sen aiheuttaman henkisen kärsimykseni edestä.

Tässä vaiheessa oli pakko poistua takavasemmalle luokan ovesta jäähdyttelemään. En tiedä mikä salama kirkkaalta taivaalta minuun oli osunut, vai vaikuttivatko vessojen puhdistusaineet jotenkin positiivisesti aivoihini siellä tarpeeksi monta kertaa syvään hengitetlyäni itseäni kootessani, sillä luokkaan palattuani ymmärsin mitä mistäkin napista tapahtui ja ihan oikeasti osasin käyttää MapInfoa.  Laskin taajamissa asuvien osuudeksi alueella 90,87 % ja taajamien ulkopuolella asuvan 42 383 kouluikäistä, joka oli 84,9 % kaikista kouluikäisistä. Jessican vastauksiin näitä verrattuani näyttää siltä, että minulla olivat menneet taajamissa ja taajamien ulkopuolella asuvat koululaiset ristikkäin sekaisin. Kyseisellä kartalla puolestaan ulkomaalaisia on yli 10 % 20-alueella, yli 20 % viidellä alueella ja yli 30 % neljällä alueella.

 Pääkaupunkiseudun uima-altaat

Pääkaupunkiseudun uima-altaat                                                                         856

Uima-altaallisten talojen asukkaita                                                                     12 687

Uima-altaita omakotitaloissa                                                                               336

Uima-altaita kerrostaloissa                                                                                 186

Uima-altaita rivitaloissa                                                                                       114

Taloja, joissa yli 1 uima-allas                                                                               0

Kolmannessa itsenäistehtävässä voitontanssieni jälkeen tutkin pääkaupunkiseudun uima-altaiden määriä ja sijoittumista alueelle. Selvitin ensimmäisenä kuinka monta uima-allasta pääkaupunkiseudulta löytyy. Tämä yksinkertaiselta vaikuttanut operaatio taulukon tietojen summien tarkastelusta kuitenkin latisti tunnelman katosta lattiaan, sillä tiedot väittivät lukeman olevan 10 000 000 846kpl. Olin aivan varma että kyseessä on oma mokani, vaikka kuvittelin ihan oikeasti osaavani tehdä kaiken ihan oikein. Noin parinkymmenen yrityksen jälkeen aloin kuitenkin hahmottaa, että enintään kolme hiirenklikkausta vaativa operaatio ei ehkä mennytkään pieleen taidoistani huolimatta, vaan virhe voi olla myös tilastoissa. Olin saanut aiemmista onnistumisistani kuitenkin selvästi itsevarmuutta työskentelyyni MapInfon kanssa, sillä se, että löysin silkkaa uteliaisuuttani miten edetä tästä eikä menettää malttiaan oli minulle ennennäkemätön saavutus. Kun lopulta älysin järjestää taulukon uima-altaat suuruusjärjestykseen, niin siinä se ongelma komeili kirjaimellisesti kaikessa suuruudessaan: Ilmiselvä tilastointivirhe! 10 talon kohdalle uima-altaiden määräksi oli merkitty 999 999 999kpl. Korjasin kyseisen virheen taulukkoon ja merkitsin kyseisiin taloihin 0 uima-allasta, jolloin sain vihdoin yksinkertaisen vastauksen haettuun: asuintaloissa on 856 uima-allasta pääkaupunkiseudulla. En ollut kuitenkaan ihan varma oliko tämä oikea tapa toimia; mistä tiesin että tilastontivirheen kokeneissa taloissa ei ollut yhtään uima-allasta? Päätin kuitenkin, että kyseessä oli niin pieni osuus koko aineiston taloista, ettei se ehkä ollut kovin merkitsevää, kunhan suurempi virhe saatiin korjatuksi.

Uima-altaallisten talojen asukkaiden yhteismäärän sain valittua SQL-selectillä taulukosta vain ne taloudet, joissa uima-allas on ja tarkastelemalla tämän jälkeen taulukon tietoja, jossa asukkaiden summaksi ilmoitettiin 12 687. Filtteröimällä taulukkoa sain selville taulukon tiedoista, että noista taloista omakotitaloja on 336kpl, kerrostaloja 186kpl ja rivitaloja 114kpl. Kun alkuperäisen taulukon tiedot järjesti uima-altaiden määrän mukaan suuruusjärjestykseen, selvisi ettei yhdessäkään talossa ole enempää kuin yksi uima-allas. Tämä työvaihe oli oikein mielekäs ja yksinkertainen, siitä huolimatta että MapInfo kaatui lähes joka kerta filtteriä aktivoitaessa ja jokaisella kerralla vasta toinen yritys tuotti tulosta. Ohjelma, jota olin saman oppitunnin aikana kerennyt vihata niin paljon kuin tietokoneohjelmaa voi vihata, alkoikin näyttäytyä minulle ihan uudessa valossa. Asiaan saattaa toki vaikuttaa sekin, että vertailtuani tuloksiani muiden blogeissa ilmoitettuihin, sain todeta osuneeni jokaisessa tuloksessa oikeaan!

Kuva 1. Pääkaupunkiseudun uima-altaat

Kuva 1. Pääkaupunkiseudun uima-altaat

Loin aineistosta kartan, jonka pylväsdiagrammit kuvaavat uima-altaiden määrää pienalueittain. Karttaa luodessani käytin pylväisiin logaritmista luokittelua, jolloin uima-allasrikkaat alueet tulivat parhaiten esille. Pylväitä on miltei ainoastaan Helsingissä ja korkeimpia ne ovat sen laitamilla, jossa etenkin Länsi-Pakila, Lauttasaari, Marjanieni, Vanha Munkkiniemi ja Kulosaari sisältävät tässä järjestyksessä eniten uima-altaita. tulos ei ollut yllättävä niiden maineen ja varakkuuden huomioiden. Poistin kartasta sitä sekoittaneet nolla-arvot ja merkitsin kymmenen uima-allasrikkainta pienaluetta arvoineen karttaan. Nämä välivaiheet olivat yllättävän kivuttomia, sillä kaikeksi yllätyksekseni vektoritobjektit sijaitsivat loogisessa järjestyksessä Corelissa, jossa muokkaukset tein (Siitä huolimatta että Corel kaatuili jokaisen syöttämäni numeron jälkeen ja sain “muutamaan” kertaan tehdä hommat alusta. Tämän takia vain viisi pylvästä sai numeroarvon. Ja tähän liittyen pakko mainita, että Corelin toimimattomuudesta johtuen väsäsin kartan loppuun vasta palautuspäivänä 14.3. kello 23 jälkeen, jolloin minulle aukesi vasta karttojen käsittelyn helppous Corelissa. Se siitä helpotuksen tunteesta palautuksessa…) Kartta on mielestäni ulkoasultaan silti yhä melko epäselvä, sillä pylväiden asetteleminen noin tiuhaan ja pienille alueille on hankalaa. Väritys on kuitenkin onnistunut, vaikka punaiset numerot pistävät silmään. En kuitenkaan löytänyt parempaa väriä, jolla saada arvot erottumaan.

Suhteeni MapInfoon

Kyseisillä harjoituksilla oli tarkoitus jouduttaa meidän itsenäistä työskentelyämme MapInfon parissa. Ylempänä kertomani käsittämättömän valaistumisen jälkeen etenkin viimeinen tehtävä täysin ilman ohjevinkkejä sai minut käyttämään myös omaa ajattelua ja ratkaisukykyä. Kun uskalsin ottaa hiiren käteeni ja tutkiskella mitä kunkin tehtävävalikon alta löytyy (tähän asti olin pelännyt Afrikan karttani kadotettuani napeista tapahtuvan jotain peruuttamatonta) huomasinkin asenteeni olleen aivan väärä. Tunneilla tehtyjen harjoitusten jälkeen ohjelman työkalujen käyttö on juurtunut johonkin syvemmälle aivokoppaan tai liikemuistiin, sillä tehtävien suorittaminen ei ollut enää niin ylitsepääsemättömän vaikeaa kuin olin asennoitunut. Käyttöä helpottaa myös huomattavasti se, kun on oppinut ymmärtämään kunkin napin nimen tarkoituksen, jotka eivät kieltämättä kuuluneet kurssin alussa englannin sanavarastooni.

Bufferityökalun käyttö puskurointtivyöhykkeen luomisessa ja sen tarkastelussa luonnistuu nyt minulta niin kuin myös erilaisten teemakarttojen luominen, taulukoiden ja niiden tietojen käsittely, sekä piste- ja vektorimuotoisten objektien piirtäminen rasterimuotoiselle kuvalle. Nämä paikkatiedon hankintaan ja analysointiin sekä kartografiaan liittyvät ominaisuudet alkavat olla hallinnassani tuottaakseni itse karttoja ja käsitelläkseni siihen liittettävää ominaistietoa. Undo-napin käyttäminen minulta ei kyllä onnistu vieläkään, saisikohan edes tästä syyttää jotain muuta (kuten ohjelmaa) kuin itseään? Korostan kuitenkin, ettei MapInfon käyttö ole osaltani vieläkään täysin ongelmatonta, vaikka tällä kurssikerralla edistyin isoin harppauksin. Urheillessani opin rakastamaan sitä poltetta lihaksissa jonka treenaaminen tuottaa, kun aloin ymmärtää että juuri sillä lihakset kehittyvät. Taidan olla löytämässä vastaavan MapInfon kanssa, jota tämänkertainen itsenäisharjoittelu edisti. Omatoimisuus ja oma ajattelu kunniaan. Timon sanoin “käyttäjältä vaaditaan lähdekritiikkiä ja maalaisjärkeä. Kaikkiin lähteisiin ei voi luottaa ja saaduista laskujen tuloksista pitäisi olla jonkinlainen taju, minkälaista suuruusluokkaa niiden pitäisi olla”.

Lähteet:

Järvinen, J. (2014) Kurssikerta 5: Bufferointi ja uima-altaat <https://blogs.helsinki.fi/jessicaj/> 12.3.2014

Helle, J. (2014) KK5: buffereita yms <https://blogs.helsinki.fi/joohelle/> 12.3.2014

Ijäs, T. (2014) Kurssikerta 5.<https://blogs.helsinki.fi/timoijas/> 12.3.2014

Kurssikerta 4: Ruutu- ja rasterikarttoja

Ruututeemakartta pääkaupunkiseudun alle kouluikäisistä

Tälläkertaa oli tarkoitus oppia kiinnittämään rasterikartta koordinaatistoon sekä piirtämään ruututeemakarttoja. Aloitimme jälkimmäisen työstämisen MapInfossa luomalla yhdessä Helsingin seudun väestöntiheyttä kuvaavan ruututeemakartan. Traumatisoiduttuani edellisillä kurssikerroilla, oli tämä luento mielestäni paljon miellyttävämpi kokemus (vertaa: valkotakkiskammoinen hammaslääkärissä). Gridin eli ruudukon luominen kartalle muistutti etäisesti sydänystäväni Corelin käyttöä, vaikkakin tätä seurasi hieman tunnelmaa latistanut datan kerääminen taulukkoon ja sitä kautta kartalle ruutumuotoon.

Ilman sen pahempia vastoinkäymisiä selvisin kuitenkin jopa meille annetusta itsenäisharjoituksesta, jossa tehtävänä oli luoda samalle alueelle jostain mielenkiintoisesta teemasta kaksi ruutukooltaan erilaista karttaa. Tämä siksi, jotta opimme hahmottamaan eri ruutukokojen vaikutuksen kartan välittämään informaatioon. Valitsin karttani teemaksi alle kouluikäiset lapset, eli 0-6-vuotiaat, jotka kokosin taulukosta kunkin ikäluokan kohdalta. Ensimmäisessä kartassani käytin ruutukooltaan 250x250m kokoista gridiä ja kokeen vuoksi toisessa selvästi suurempaa, kooltaan 750x750m gridiä. Näitä vertailemalla kykenin valitsemaan mielestäni ilmiön luonnetta paremmin esille tuovan kartan. Käytin molemmissa kartoissa samaa kvantiilia luokkaväliä, joka toi allekouluikäisten jakautumisen parhaiten esille aineiston oltua hyvin epämääriäisesti jakautunut.

Kuva 1. Ruututeemakartta alle kouluikäiset pääkaupunkiseudulla, grid 250m

Kuva 1. Ruututeemakartta alle kouluikäiset pääkaupunkiseudulla, grid 250m

Kuva 2. Ruututeemakartta pääkaupunkiseudun alle koulunikäisistä, grid 750m

Kuva 2. Ruututeemakartta alle kouluikäisistä pääkaupunkiseudulla, grid 750m

Mielestäni kartoista kumpikaan ei ollut erityisen onnistunut, vaan niiden välimuoto koon 500 gridillä olisi melko todennäköisesti ollut toimivin, jonka ruutukoosta esimerkiksi Piian blogissa on karttatuotos. Näistä vaihtoehdoista kallistuisin kuitenkin ehkä 1. kuvan 250 koon gridin puoleen, sillä kun tarkasteltavana alueena toimii Helsingin seudun kokoinen pienehkö alue, voi esitetty tieto olla melko tarkkaa. Olen kuitenkin sitä mieltä, että pienemmällä gridillä tehdyn kartan tieto on melkein jopa liian pistemäistä. Kuvan 1. kartassa asutuskeskukset ja niissä esiintyvät alle koulunikäiset lapset tulevat kuitenkin selvästi esille ryhmittyminä, eikä koko kartta värjäydy tasaisen ruskeaksi, kuten 2. kuvassa. 750m gridiä käyttämällä tieto on hyvin yleistettyä, jolloin esimerkiksi alueet joilla tutkimaani ikäryhmää ei esiintynyt, katosivat etenkin kartan eteläosista tyystin, vaikka näitä alueita aineistossa on ehdoton enemmistö.

Kartaltani voidaan nähdä alle kouluikäisten lasten painottuminen pääkaupunkiseudun eteläosiin keskusmaisiksi rykelmiksi, joiden ulkopuolella on 250m gridissä laajoja alueita, joissa alle koulunikäisiä ei ole yhtään. Tämä herätti minussa niin suurta epäilystä, että uskoin jo mokanneeni (johon ei tosin paljoa vaadita…) jotain tiedon käsittelyvaiheessa. Manuaalisesti tilastoaineistoa tarkasteltuani nollien huima määrä kuitenkin alkoi vakuutella minua siitä, että olin saanut tallennettua sen kartalle ihan oikein. Näin järjellä kun ajattelee, on 250x250metrin tutkimusalueruutu oikeastaan aika pieni alue, joka ihan hyvin voi olla taajamassa metsää tai vastaavaa. Näitä alueita on yllättävän paljon jopa Helsingin keskustassa, joiden voi havaita kulkevan nauhamaisia pohjois-etelä suuntaisia linjoja pitkin. Minulla heräsi kiinostus että muodostuuko tämä nauhamainen rakenne siitä, että tutkimani henkilöiden asutus keskittuu pääväylien varteen vai tietyn etäisyyden päähän siitä. Tutkailtuani karttan yhteensopivuutta maanteiden kanssa, päädyin siihen lopputulokseen, että alle kouluikäisiä lapsia ja täten lapsiperheitä asuu erityisesti OOOO

Karttaan pitäisi sisällyttää lukijaa ajatellen näin ollen tutkimuksen ulkopuolelle jääneet havainnot alueelta, eli todellisen väkimäärän ja ruutujen sisälle osuneiden tapausten erotus. Oman karttani jo valmistuttua huomasin Saaran blogista, että “Nimistö ja rautatiet auttavat hahmottamaan … asutuskeskittymiä.” Ihan uusi ja tuiki tuntematon asiako hei, kun ei tullut lisättyä niitä omalle kartalle! Lisäksi toimimattomuutta karttaani tuo mielestäni valitsemani ruskean eri sävyt, näyttävät mielestäni erheellisesti korkeuseroilta. Myönnän, että värivalintani olisi toki voinut olla parempikin; Lapsista kyseen ollen joku kivan värikäs vaikka, kuten kateellisena Jessican tekemää karttaa katselin hänen blogissaan. Hän käytti kartallaan useampaa eri väriä, eikä pelkkää liukuvaa värisävyjen skaalaa. En ollut tullut itse edes ajatelleeksi tälläista mahdollisuutta saavuttaakseen vieläpä selkeän lopputuloksen.

Ruututeemakartoissa huomioitavaa

Ruututeemakartalla absoluuttisten arvojen esittäminen on mielestäni melko ongelmallista ja sen hyväksyttävyys riippuu paljon tilanteesta. Koropleettikartalla kyseinen toiminta on kiellettyä, sillä erikokoiset alueet voivat luoda valheellisen kuvan kartan tulkinnassa, tästä päätellen ruutujen vakio koko tekisi absoluuttisten arvojen käytöstä mahdollista. Mietin kuitenkin sitä tekijää, että täysin “sattumanvaraisesti” sijoittuvat ruudut voivat sisältää kuitenkin hyvin eriverran esimerkiksi asukkaita, joka voi aiheuttaa tulkintaeroja. Jos teemana käyttää esimerkiksi kuolleiden määrää, voi kartta kokemattomalla lukijalle viestittää että esimerkiksi Helsingin seudulla aivan ydinkeskustassa kuoleminen on yleisempää kuin Espoon metsissä, vaikka suhteellisena arvona näin ei olisikaan. tämän välttääkseen lukijalle on tehtävä selväksi käytettyjen arvojen absoluuttisuus, jolloin kartta tuo hyvin ilmi tutkittavien yksiköiden todellista jakautumista alueelle. Ruutumallisessa teemakartassa heikkoutena on myöa ruutujen reunoille ja erityisesti kulmiin jäävät tulokset, jotka saattavat jäädä kokonaan pois kartalta.

Ruututeemakartan informatiivisuus on alueellisesti tarkempaa verrattuna perinteiseen koropleettiteemakarttaan, sillä perinteisessä kartassa tutkittavan ilmiön esiintymistä tarkastellaan aluejakojen perusteella. Näin esimerkiksi väestötiheyttä tarkastellessa haja-asutusalueet ja -keskittymät eivät tule alueiden rajojen sisällä ilmi, vaan koko alueen keskiarvoa kuvataan yleistetysti, sillä koropleettiteemakartassa on järkevää käyttää vain suhteellisia, eli alueen kokoon suhteutettuja arvoja. Jos koropleettikartalla olisi yritetty tuoda ilmi tutkimaani ilmiötä, olisi aluejako ollut melko hankalaa näin pienen tutkimusalueen sisällä. Koropleettiteemakartan olisikin ollut mielekkäämpää esimerkiksi pienempimittakaavaisella kuntakartalla esimerkiksi koko Uudenmaan kunnista. Siinä missä ruututeemakartassa säästytään alueiden rajaamisesta, ei ammattitaitoni (tai pikemminkin mielikuvitukseni) riitä siihen, miten ruututeemakartan voisi saada toimimaan hyvin pienimittakaavaisella kartalla, kuten esimerkiksi maailmankartalla. Kuinka pieni gridin olisi oltava, jottei yksi ruutu peittäisi kerrallaan esimerkiksi kovin montaa valtiota. Koropleettikartta on siinä määrin selkolukuisempi, että sen kokonaisuuden tarkastelussa tarvitaan mielestäni ehkä vähemmän tulkintaa kuin ruutumuotoisessa kartassa.

Pisteteemakarttaan verrattuna ruututeemakartta antaa laajempaa tietoa tutkittavan ilmiön vaihettumisesta. Pisteteemakartta kykenee esittämään ainoastaan pistemäistä tietoa pistemäisistä kohteista, kun taas ruututeemakartalla voidaan tuoda esille ilmiön voimakkuuksia sen luokkien avulla. Kurssin alussa valmistamamme pisteteemakartta ei myöskään osoittanut pisteillään ilmiön absoluuttisia sijainteja, vaan kuvasi ilmiötä lähinnä pisteiden määrällä. Tähän nähden ruututeemakartta antaa sijainniltaan tarkempaa tietoa. En tiedä, voisiko esimerkiksi maallikon silmin pistemäisten symbolien tulkitseminen olla kuitenkin helpompaa kuin karttakuvan, jossa on mosaiikkimainen pläjäys erivärisiä ruutuja. Ruututeemakartan luettavuus riippuu paljon tekijän ratkaisuista, kuten värienkäytöstä. Onnistuneella liukuvärillä tulkintaa kuten legendan tavaamista ei niinkään tarvita, vaan ilman sen suurempia kartanlukutaitoja visuaalisuus kuten värin vahvuus kertoo suoraan ilmiön vahvuudesta. Toki muissakin teemakartoissa kartan tekijän ammattitaito on paljon ratkaiseva tekijä, mutta näin melko amatöörinä en näkisi ruututeemakartan tekemistä teemakartoista vaikeimpina.

Rasterikuvan rekisteröinti

Kurssikerran leppoisuudesta kertonee myös se, että karttojen valmistuttua kerkesimme lopputunnista vielä käsitellä täysin uutta aihetta rasterimuotoisten kuvien rekisteröinnistä MapInfoon ja sille piirtämistä. PIIRTÄMISTÄ! Taas jotain Corelmaista toimintaa siis luvassa, melkein voin myöntää jo innostuneeni. Rekisteröinnillä tarkoitetaan käytännössä ruutumuotoisen aineiston avaamista MapInfoon niin, että se säilyttää koordinaattitiedot ja mahdollistaa näinollen esimerkiksi vektoriaineiston liittämisen päälle. Näinkin suuren kapasiteetin saamiseksi käyttöön, oli rekisteröinti hyvin yksinkertaista, sillä kartan nurkkakoordinaatit syötettyäni oli kuva valmis digitoitavaksi. Paarlahti esitteli meille MapInfon piste-, viiva- ja aluekohteisiin soveltuvia piirto-ominaisuuksia, joita hyväksikäyttäen merkitsin karttalehdeltä kaikki asuintalot pisteillä ja suurimmat tiet viivoilla. Me likes! Tunnilta jäi kerrankin hyvä maku suuhun, mutta valitettavasti luennoitsijamme Paarlahti varoitteli, että seuraavasta luennosta olisi tulossa varmasti kurssin vaativimpia… stay tuned, ensi postauksessa luvassa siis verta, hikea ja kyyneliä. Etenkin jälimmäisiä. Kyllä.

Lähteet:

Järvinen, J. (2014) Kurssikerta 4: Rasterikartat <https://blogs.helsinki.fi/jessicaj/> 11.3.2014

Heimola, P. (2014) 4. Kurssikerta <https://blogs.helsinki.fi/pheimola/> 11.3.2014

Mäntykoski, S. (2014) Kurssikerta 4. Ruututeemakarttoja ja karttakuvan rekisteröintiä <https://blogs.helsinki.fi/smantyko/> 11.3.2014

Allekouluikäiset, 31.12.2010 (2011). Väestörakenne 2010. Tilastokeskus, Helsinki

Artikkeli 1: Reaktiopaperi päällekkäisiä koropleettikarttoja käsittelevään artikkeliin

Ensimmäisen artikkeliharjoituksen tarkoituksena oli lukea Anna Leonowiczin kirjoittama ja 2006 julkaistu artikkeli ”Two-variable choropleth maps as a useful tool for visualization of geographical relationship”. Teksti käsittelee kahden päällekkäisen koropleettikartan käyttöä ja toimivuutta visuaalisena työkaluna maantiedossa, sekä lopuksi todistaa tehdyn kokeen avulla kahden muuttujan kartan tulkittavuutta; sen heikkouksia ja vahvuuksia.

Kahta muuttujaa yhtäaikaisesti kuvaava koropleettikartta on kiinnostava vaihtoehto tavalliselle koropleettikartalle, jossa kuvataan vain yhtä muuttujaa, sillä samalle kartalle kootut teemat tuovat paremmin ilmi näiden ilmiöiden välisiä maantieteellisiä suhteita paremmin kuin kaksi erillistä karttaa. Kuvittelin, että päällekkäisillä teemakartoilla tarkoitetaan kahden koropleettikartan yhdistämistä, joka kuulosti minusta hyvin yksinkertaiselta, mutta artikkelia selatessani huomioni kiinnittyi legendaan, josta en ollut saada mitään tolkkua. Jaahas… kyse ei siis ollutkaan alkuunkaan siitä mitä luulin. Itse asiassa tällaista karttaa en ole tainnut ennen ainakaan ajatuksen kanssa päästä lukemaan.

Useamman karttakuvan, kuten kahden erillisen koropleetin yhtäaikaisessa tarkastelussa ongelmana eri karttojen erilainen luokittelu sekä erot esimerkiksi värisävyissä ja grafiikassa, jotka voivat väärentää ihmisen visuaalista tulkintaa. Monimutkaisissa tutkimuksissa yhden muuttujan kartta ei riitä, kun tarvitsee huomioida useampaa ilmiötä ja niiden suhteita. Samalla kartalla lukija näkee ilmiöt samanaikaisesti ja hahmottaa paremmin niiden väliset kausaliteetit, joka on hyödyllistä etenkin jos ilmiöiden välinen suhde on tarkastelussa keskeinen asia tai kahta yksittäistä ilmiötä, jolloin kartan pääaiheen suhteen tärkeintä on muuttujien päällekkäisyys.

Lukijan näkökulmasta useamman muuttujan koropleettikartta on kuitenkin vaikeammin tulkittavissa kuin tavallinen koropleettikartta. Tulkintaa vaikeuttaa karttojen laatu kuten grafiikka ja liian suuri luokkamäärä, jotka saattavat tehdä kartasta vaikeaselkoisen. Luin Jessican reaktiopaperista hämäävistä vastaväripareista: “…värisävyinä käytetään vastavärejä, jolloin sekoittuvat ”korrelaatio” –luokat näkyisivät harmaina.” ja palasin lukemaan artikkelia. Jos luulin jo päässeeni näistä kartoista kärryille, tämä sekoitti minua entisestään, sillä olin ilmeisesti ohittanut sen ensimmäisellä lukukerrallani.

Artikkelissa tehdyssä tutkimuksessa annettiin koeryhmälle vertailtavaksi kaksi yhden muuttujan erillistä koropleettikarttaa sekä samasta ilmiöstä muodostettu yksi kahden muuttujan kartta, joiden tulkittavuutta verrattiin. Tulosten mukaan 90% koki yksiteemaisten karttojen välittämän informaation helpommaksi mieltää, mutta puolet koehenkilöistä kokivat ilmiöiden väliset suhteet helpommaksi havaita kahdesta erillisestä kartasta ja loput puolet olivat sitä mieltä että maantieteelliset ilmiöiden liittyminen toisiinsa oli helpompi nähdä kartalta jossa olivat molemmat muuttujat yhtä aikaa. Mielestäni tehtyä tutkimusta kuitenkin vääristi se, että koehenkilöinä toimivat juuri yliopistojen maantieteen opiskelijat. Vaikka kyseessä olikin ensimmäisen vuoden opiskelijat joilla ei ole niin paljoa kokemusta karttojen tulkinnasta, uskaltaisin kuitenkin väittää, että he ovat keskivertoa kiinnostuneempia ja jopa kyvykkäämpiä kartantulkintaan.

Kiinnitin huomiota, että useamman muuttujan koropleettikartassa on hyvin erilaisen näköinen legenda totuttuun verrattuna. Siinä missä tavallisen koropleettikartan legendassa on ainoastaan selvitettynä selkeästi kartassa ilmeneviä värisävyjä vastaavat lukuarvot, kahden muuttujan kartalla legendaa esittää tilastollinen hajontakuvio. Sen akselit kuvaavat kukin omaa muuttujaansa ja sen arvoa. Luokittelu jakaa suorakulmion vielä pienempiin laatikoihin, joista kunkin ala esittää omanlaistaan suhdetta eri muuttujien välillä. Legendaan muodostuva diagonaali mahdollistaa luokittelun, jolloin päälinjan laatikoihin osuvat arvot kuvaavat alueita joilla on tutkittavan asian osalta vahvat suhteet ja näin tukevat vahvasti ilmiöiden suhdetta, kun taas tämän linjan ulkopuolelle jäävät arvot kuuluvat luokkaan, jossa alueilla on erilaiset suhteet. Näitä tekijöitä ei kartanlukijan niin helposti ole oletettu kartalta huomaavan.

Henkilö, joka ei ymmärrä, mitä hajonta saati sitä kuvaava kaavio tarkoittaa, hämmentyy kartan lukukokemuksesta takuulla ja jää paitsi yhdestä oleellisimmista kartan tarjoamista tiedoista. Uskaltaisin väittää, että kovinkaan monelle asian perehtymättömälle kaavion lukeminen ei ole itsestäänselvyys. Vaikka itse olen jonkin verran opiskeluissani tavannut kyseisiä kaavioita ja opiskellut jakaumia, en ennen tekstistä legendan selostusta ollut ihan selvillä sen tarkoituksesta etenkään mustavalkoisessa muodossa olevasta kaaviosta ennen viimeisellä sivulla esitettyjä karttakuvia legendoineen. Värillinen karttakuva selvensi legendaa huomattavasti, mutta kuten Johanna toteaa blogissaan: “Kuten artikkelissakin mainitaan luokkien määrä tulisi olla maksimissaan 9, sillä sen jälkeen sekavuus riistää kaiken hyödyn, jota kartasta voisi muuten saada. Hyvä esimerkki tästä on artikkelin kuvan 4 kohta B, jossa 16 värin tilkkutäkki näyttää jo melko älyttömältä.” Kartan laatiminen vaatii siis todellista taitoa.

Kartografisena toteutuksena kahden muuttujan kuvaama kartta on toimiva vain huolellisesti toteutettuna. Tällöin kartan tuottamisessa välineellä, kuten paikkatieto-ohjelmalla on suuri merkitys tekijän lisäksi muodostuvaan karttaan. Toki kartalle kuvattavat ilmiöt ja niiden luonne määräävät paljon käytettävistä menetelmistä, mutta useammasta muuttujasta ollessa kyse välineen laadusta riippuu paljon, millainen kartta lopputuloksen syntyy ja kuinka lukukelpoinen se on. Käyttämälläni paikkatieto-ohjelmalla MapInfolla on mahdollista tehdä useita erilaisia teemakarttoja, joiden valmistamisen opimme toisella kurssikerralla. Tekemäni päällekkäisessä koropleettikartassa toin kuitenkin teemat selkeästi erilleen erilaisin rasterein, jotka selitettiin legengassa perinteiseen tapaan. Artikkelissa käsitellyn kaltaista karttaa minusta ei kyllä olisi laatimaan ainakaan tämänhetkisillä MapInfon käyttötaidoillani (tai taidottomuudellani). En edes tiedä, onnistuisiko se MapInfolla legendan laatimisesta puhumattakaan?

Taas yhden uuden teemakartan nähtyäni voin vain todeta Christan sanoin: “Kun katson omaa karttaani huomaan, että minulla on vielä paljon opittavaa.” Todella paljon.

Lähteet:

Sallasmaa, C. (2014) 2. kurssikerta: Kaksi päällekkäistä teemaa <https://blogs.helsinki.fi/christas/> 14.3.2014

Järvinen, J. (2014)  Artikkeli 1. <https://blogs.helsinki.fi/jessicaj/> 14.3.2014

Hakanen, J. (2014) Artikkeli 1 – Kahden muuttujan koropleettikartta <https://blogs.helsinki.fi/johakane/> 14.3.2014

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

Kurssikerta 3: Tietokantojen käsitteleminen

Jos edellisillä kurssikerroilla kuvittelin jonkun olleen hankalaa, niin olin kyllä ollut aivan väärässä. Tähän asti teemakartoille tuotava ominaisuustieto oli tarjottu valmiina tarjottimella, mutta kuten ei äidin tekemää kotiruokaakaan, tätäkään etua kestä ikuisesti, vaan tällä kertaa nenämme eteen lykättiin vain raaka-aineet. Niitä käyttäen oli tarkoituksena oppia tuomaan MapInfoon tietokanta, muokata se hyödylliseen muotoon ja yhdistelemällä siitä uutta tietoa taulukkoon.

Tietokantaharjoitus Afrikan kartalle

Saimme käyttöön aineiston, joka vaati meitä itse tekemään esivalmisteluja sen käyttöönottoa varten. Tämä tietokanta oli Afrikan kartta, joka sisälsi aluerajoja ja niiden nimiä. Tähän oli tarkoitus merkitä ulkoisesta tietokannasta konflikti-, timantti- ja öljyalueet. Ennen tietojen lisäämistä karttaan jouduimme kuitenkin yksinkertaistamaan kartan sisältämää tietoa, sillä esimerkiksi yhtäkään yksittäistä saarta ei oltu merkitty valtioilleen kuuluviksi. Manuaalisesti kyseinen operaatio olisi aivan liian epätarkkaa ja aikaa vievää, joten Paarlahden johdolla pari yksinkertaista hiirenklikkusta myöhemmin oli edessämme paljon tehokkaampaa aineistoa jatkokäsittelyä varten. Paitsi yksinkertaisuuteen en voi henkilökohtaisesti ottaa kantaa, sillä suoritin kyseisen operaation zombin lailla painamalla aina kutakin nappia käskyn käydessä asioista pahemmin mitään ymmärtämättä. Tiedän, että näitä juttuja oppii vain opettelemalla, mutta opeteltavast asiat taisivat olla (lähinnä vain pääkopassani) liian monimutkaisia opittavaksi yhden kerran jälkeen.

Tämän jälkeen opettaja minä (itsepetos se pahin petos…) toin ulkoisista tietokannoista tarvitsemani ominaisuus- ja paikkatiedot tutkittavista ilmiöistä kartalle, jolloin lopputuloksena komeili eri tietokannoista koottu Afrikan kartta öljy-, timantti- ja konfliktiesiintymineen.. tai ainakin olisi pitänyt komeilla, sillä tässä vaiheessa edes hyvästejä kerkeämättä jättää karttani otti ja lähti, eikä senkoommin olla enää tavattu. Karttaan liittyen saimme tehtäväksemme analysoida sen käyttömahdollisuuksia. Hyväksikäytin tämän takia kolleegaani Dariaa, jonka blogista löytyvää hänen tekemäänsä loistavaa karttaa tuijottelin inspiraationlähteenä tehtävään. Kyseisistä tietokannoista löytyvät tiedot Arttu Paarlahden listan mukaan näistä tekijöistä:

  1. Konfliktin tapahtumavuosi ja laajuus/säde kilometreinä
  2. Timanttikaivosten löytämisvuosi, kaivausten aloitusvuosi ja tuottavuusluokittelu
  3. Öljykenttien löytämisvuosi, poraamisvuosi ja tuottavuusluokittelu
  4. Internetkäyttäjien lukumäärä eri vuosina

Havaintoni tietokantojen käyttömahdollisuuksista:

  • Öljy- ja timanttilöytöjen tietoja ja sijainteja hyväksikäyttämällä voidaan mahdollisten päätelmien avulla tehdä uusilta alueilta löytöjä
  • Edelliseen viitaten etenkin konfliktien ja internetin datan perusteella voitaisiin päätellä niiden noudatta diffuusiomalli
  • Konfliktien jälkivaikutusten arviointi ja havaitseminen helpottuu niiden tietoja ja alueita hyödyntämällä
  • Konfliktien, öljykenttien tai timanttiesiintymien väliset yhteydet – esiintyykö samoilla alueilla, eli onko esimerkiksi öljylähde voinut aiheuttaa konfliktin?
  • Valtioiden varallisuuden ja ulkomaankauppojen arviointi timantti- ja öljylöytöjen perusteella
  • Öljykenttien tuottavuusluokittelun ja viimeaikaisten öljykenttien löytämisen perusteella, mitkä maat ovat ovat kohtaamassa ensimmäisenä öljyn loppumisen?
  • Valtion kehityksen ja globalisoitumisen suunnan arviointi internetkäyttäjien lukumäärien (=kehitys?) sekä konfliktien (=kehittymättömyys?) perusteella
  • Kuten Sonja blogissaan ansiokkaasti pohtii, voisi datan perusteella tutkia sitä, että “On hyvin todennäköistä, että lähellä löytynyt timanttikaivos tai öljykenttä on ”patistanut” ihmisiä tai yrityksiä tutkimaan lähialueita entistä tarkemmin.

Tietokantojen tuominen teemakarttaan: Tulvaindeksi ja järvisyysprosentti

Seuraavassa harjoituksessa pääsin käyttämään juuri ohittamaani oppimaani tietokantojen käsittelyä. Tarkoitus oli luoda kartta Suomen vesistö-alueista ja tulvaherkkyydestä. Tiedot piti koota useasta erillisestä tietokannasta ja tiedostosta samalle kartalle, josta laskettiin alueen tulvaindeksi. Tämän fekvenssiajakaumasta oli annettu meille valmis histogrammi ajan säästämiseksi, jonka avulla pystyi valita oikean luokittelumetodin koropleettikarttaan. Histogrammi osoitti jakauman olevan vino, joten valitsin (kyllä, kehitystä kurssin aikana havaittavissa, enää ei tarvinut arpoa) kartassa käytettäväkseni luonnolliset luokkavälit. Niillä sain kartalla selvästi esille luokittain kaikkein tulvaherkimmät alueet aina vähemmän tulvaherkkiin alueisiin. Tälle kartalle lisättiin myös järvisyysprosenttia kuvaamaan pylväsdiagrammit. Itse teemakarttojen tekeminen alkoi olla osaltani mielekästä ja koin ymmärtäväni oikeasti mitä olin tekemässä. Itse tietokantaliitokset ja taulukkojen päivittäminen tuntui kuitenkin olevan hukassa ja ilman kirjallisten ohjeiden tarkkaa seuraamistani voitte olla aivan varmoja, että tätä en olisi ikinä saanut aikaiseksi:

Kuva 1. Kartta Suomen valuma-alueiden tulvaindeksi ja järvisyysprosentti

Kuva 1. Kartta Suomen valuma-alueiden tulvaindeksi ja järvisyysprosentti

Syntyneestä kartasta voidaan näin alkavan aluetieteilijän silmin tulkita alueen järvisyyden vaikutusta tulvimiseen. Alueet, joilla pylväsdiagrammi eli järvisyysprosentti on suuri, on myös melko järjestelmällisesti alempi tulvaindeksi, eli tulviminen ei ole siellä niin tyypillistä. Alueet joissa tulvaindeksi on suurin eli tulvat hyvin yleisiä, on hyvin matala järvisyysprosentin pylväsdiagrammi, eli järviä on vain vähän. Mitä enemmän alueella on siis järviä, sitä vähemmän on tulvia, koska järvet toimivat vesivarastoina, joihin esimerkiksi runsas sadevesi ja lumien sulavesi voivat varastoitua eivätkä tulvia maa-alueille. Alueilla joissa järvisyysprosentti on alhainen, ei vedellä ole paikkaa varastoitua, joten tavallista suurempien vesimassojen yllättäessä se tulvii maa-alueille usein.

Tulvaindeksi on kartan mukaan kaikkein suurinta Pohjanmaalla ja etelärannikolla. Jääkauden jälkeinen maankohoaminen näillä alueilla paljastaa jatkuvasti uutta maata merestä, jolloin jokien virtaama mereen hankaloituu, jopa pysähtyy tai kääntyy vastakkaiseen suuntaan, jolloin syntyy tulvia. Epäluonnonmaantieteilijänä veikkaisin jotain sen suuntaista, että pohjanmaan laakeilla mailla joet sulavat pohjoista nopeammin, joten sulat joet voisivat tuoda virran mukana alueelle jäälauttoja pohjoisesta. Nämä jäämassat tukkivat joet ja aiheuttavat tulvia. Järvisuomessa tulvaindeksi on kaikkein alhaisin sen järvisyyden takia, jossa vedellä on tilaa varastoitua. Pohjois-Suomessa tulvaindeksi on myös melko matala, joka ei kuitenkaan joka paikassa selity sen järvien määrällä, mutta tulvimista vähentää mahdollisesti kevään myöhäinen tulo, jolloin sulavesivirtojen reitti on selvä kohti Itämerta ja Jäämerta ilman jääpatoja.

Ja näin pädettyäni asiasta, josta en oikeasti tiedä yhtään mitään, onkin hyvä lukea aiheesta vasta jälkeenpäin esimerkiksi Ilkan blogista, jossa hän selvästi asiantuntevammin ottein kertoo: “Alivirtaama (NQ) edustaa kuivaa kautta, jolloin virtaavaa vettä on keskimääräistä vähemmän. Ylivirtaama (HQ) puolestaan kuvaa ”tulvakautta” eli ajanjaksoa, jolloin veden virtaus on keskimääräistä korkeampi. Yli- ja alivirtaaman keskimääräisten arvojen ositusta/suhdetta (MHQ/MNQ) kutsutaan tulvaindeksiksi ja se kuvaa alueen tulvaherkkyyttä (laskin tämän MapInfossa). Mitä suurempi tulvaindeksi on, sitä suurempi on keskiylivirtaaman suhde keskialivirtaamaan, toisin sanoen virtaavan veden määrä ja alueen tulvaherkkyys kasvavat indeksin kasvaessa”

Vaikka kuinka yritän, en voi olla kommentoimatta taas (voisinko viitata tässä tapauksessa itseeni ja kaikkiin edellisiin postauksiini?) karttani ulkonäköä, joka ei ole etenkään sommittelultaan onnistunut. Koen kehittyneeni MapInfon käytössä ainakin sen verran, että kartan tuominen kuvaksi alkaa olla lastenleikkiä (tyhmä vertauskuva, minä en ainakaan olisi osannut leikkiä MapInfolla lapsena…). Tästä huolimatta lopputulos on yhä etenkin asettelultaan kömpelö, sillä mittakaavan, legendan ja pohjoisnuolen hallitseminen tuntuu yhä ylitsepääsemättömän vaikealta. Ulkonäköä yritin hio myös valitsemalla tulvaindeksin väriksi sinisen, jonka tummuusasteilla voi mielestäni luoda kätevästi mielikuvia vedestä ja sen määrästä. Olisin kaivannut myös järvisyysprosenttiin jotain “veden väristä”, mutta asettamalla pylväät sinisiksi ne sekoittivat mielestäni kartan lukuselkeyttä, joten päädyin vihertävänsiniseen.

Lähteet:

Valuma-alueet (2013) Syken Oiva-tietokanta <http://wwwp2.ymparisto.fi/scripts/paikkatieto.asp>

Tiedonhankinta, analyysi ja kartografia (2014) Tulvanideksi.  <https://blogs.helsinki.fi/pak-2014/ > 30.1.2014

Tiedonhankinta, analyysi ja kartografia (2014) Afrikkaa. <https://blogs.helsinki.fi/pak-2014/> 30.1.2014.

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

Tarkhova, D. (2014) Paljon tietokantoja <https://blogs.helsinki.fi/tada/> 10.3.2014

Saarinen, I. (2014) KK3; (Paikka) TIETO LISÄÄ TUSKAA! <https://blogs.helsinki.fi/ilkkasaa/> 10.3.2014

Pietiläinen, S. (2014) Kurssikerta 3 ja datan syvä olemus <https://blogs.helsinki.fi/sonjapie/> 10.3.2014