Toinen kurssikerta

PAK-kurssin toisella kurssikerralla aiheena oli erilaiset teemakartat ja niiden tuottaminen MapInfolla. Kun ohjelmassa aloittaa teemakartan luomisen, on ensin valittava visuaalinen tyyli. Harjoittelimme kaikkien eri tyylien käyttöä, esim. pylväitä, diagrammeja ja pistekarttoja. Näimmepä jopa, miten ohjelmassa onnistuu kolmiulotteisen karttakuvan luominen.

Kurssikerran itsenäisenä tehtävänä oli esittää kaksi erilaista, mutta toisiinsa jollain lailla liittyvää aineistoa samalla kartalla. Valitsin aineistoksi Suomen kuntien väestötiedot vuodelta 2015 ja rajasin tarkastelualueeksi Uudenmaan. Oli vaikea keksiä mitä kahta aineistoa vertailisi keskenään. Haasteena oli, kuten Jouko Lappalainen blogissaan mainitsee, aineiston vähäinen määrä, huono vertailtavuus ja, että suhteellisia ja absoluuttisia arvoja on mahdoton vertailla keskenään (Lappalainen 2017). Monien eri kokeilujen jälkeen päädyin kahteen koropleettikarttaan: Uudenmaan kuntien väestöntiheys väriskaalalla merkittynä ja työttömyysaste rasteroituna pisteillä. Tausta-ajatuksena tässä oli kysymys siitä, onko maaseudulla korkeampi työttömyysaste kuin kaupungeissa.

Ohjeiden mukaan käytin vain kolmea luokkaa kummassakin visualisoinnissa, jotta lopputulos olisi selkeä. Väestöntiheyden luokkien määrittämiseen käytin luonnollisia luokkavälejä, koska histogrammista näki aineiston olevan ryhmittynyt ja aukkoinen. Väestöntiheys vaihteli välillä 8-3302 as./km² (Lapinjärvi ja Helsinki). Työttömyysaste vaihteli kunnasta toiseen kattaen aika tasaisesti kaiken 4,1 prosentista 11,2 prosenttiin, ja siksi käytin luokkajakona kvantiileja.

Lopputulos on nähtävissä alla (Kuva 1). Kun kuvan tallensi MapInfosta png-kuvatiedostoksi, pisteiden ulkonäkö kärsi. Ei auttanut vaikka kuinka väänsi dpi-asetusta ylöspäin. Onneksi kuvasta nyt kuitenkin selvästi näkee mitkä kunnat kuuluvat mihinkin luokkaan.

Kuva 1. Väestöntiheyden ja työttömyysasteen välinen vertailu Uudenmaan kunnissa.

Mitä tästä nyt sitten voisi päätellä? Pääkaupunkiseutu on tiheimmin asuttua, mutta sillä esiintyy jo kaikkia kolmea työttömyysluokkaa. Kerava ja Järvenpää ovat myös melko tiheään asuttuja, ja niissä on keskiverto työttömyystilanne. Muut Uudenmaan kunnat ovat harvimmin asuttuja ja niissä työttömyystilanne vaihtelee tasaisesti. Havainnoissa voi päätellä, että työttömyyden ja asukastiheyden välillä ei ole yhteyttä Uudellamaalla.

Alueen reunoilla näyttäisi olevan suurimman työttömyyden kasautumista. Tämä saattaisi olla merkki etäisyydestä pääkaupunkiseutuun, jossa työpaikkoja on eniten. Tuusulasta ja Sipoosta vielä pääsee hyvin pääkaupunkiseudulle töihin, mutta Lapinjärveltä tai Karkkilasta se on jo paljon vaikeampaa. Hyvinkäällä ja Porvoolla nyt kaupunkeina pitäisi olla omatkin työpaikkansa, niin mitään kaikenkattavaa selitystä tästä ei saatu. Työttömyysasteeseen vaikuttaa hyvin monet asiat.

Lähteet:

Lappalainen, Jouko (2017). Osa 2 – “Sirpan kanssa landelle muutettiin”. <https://blogs.helsinki.fi/ladjouko/> Luettu 27.2.2017

Artikkeli 1 reaktiopaperi

Anna Leonowicz käsittelee artikkelissaan Two-variable choropleth maps as a useful tool for visualization of geographical relationship yhden ja kahden muuttujan koropleettikarttoja, niiden käyttötarkoituksia ja rajoitteita (Leonowicz 2006). Yhden muuttujan kartat ovat helppolukuisuudessaan hyödyllisiä, mutta soveltuvat huonosti kahden ilmiön suhteen tutkimiseen. Tähän on ratkaisuna kahden muuttujan koropleettikartat. Niitä laadittaessa on kuitenkin oltava huolellinen, jotta tulos ei ole hyvin vaikeasti tulkittavissa. Yhden ja kahden muuttujan karttojen ymmärrettävyyttä tutkittiin puolalaisilla ensimmäisen vuoden maantieteen opiskelijoilla. Opiskelijoiden ei ollut helppoa ymmärtää kahden muuttujan koropleettikarttoja, mutta he onnistuivat kuitenkin tutkimuksen tehtävissä. Tutkimuksen johtopäätöksenä näitä esityksiä voisi käyttää useamminkin, kunhan luokkien lukumäärä rajoitetaan korkeintaan kolmeen ja luokkien väritykset valitaan loogisesti.

Päällimmäisenä ajatuksena minulla on, että tällaiset karttaesitykset voivat tuoda lisäarvoa tiedon visualisointiin, mutta yleiseen käyttöön tästä menetelmästä ei silti ole. Maantieteen opiskelijoiksi valikoitunee karttojen tulkinnassa lahjakkaita nuoria, joten jos hekään eivät helposti hahmota kahden muuttujan esitystä, on turha kuvitella, että tästä saisi esim. populaareihin tiedelehtiin käyttökelpoista esitystapaa. Siispä tämän esitystavan rajaisin vain tiedeyhteisön käyttöön.

Menetelmässä on arvokasta, että alueet saadaan jaettua yhdeksään luokkaan kahden muuttujan perusteella. Jos käytetään toiselle muuttujalle koropleettikarttaa ja siihen päälle toiselle muuttujalle esim. pylväitä, jää jälkimmäinen ilman luokittelua – ja lisäksi pylväiden kokoa voi olla kartalla hankala vertailla keskenään. Legenda on myös hieno mielestäni, koska siinä esitetään niin paljon informaatiota kerralla. Kun molempien muuttujien havainnot on jaettu kolmeen luokkaan, syntyy yhdeksän ruudun ”yhteisvaihtelu-luokat”. Legendassa näkyy havaintojen hajontakuvio, luokkarajat ja luokkien väritykset. Siitä voi tarkastella yksittäisiä pisteitä: huomataan, että yksikään Puolan keskiosien kunnista ei ole sellainen, että siellä olisi paljon nuoria ja vähäisin maalaisväestön osuus. Vain yksi kunta on vastakkainen, eli siellä on vähän nuoria ja korkea maaseutuasutuksen osuus. Legendasta näkee, että muuttujien välillä on lineaarinen korrelaatio.

Harmi, ettei MapInfolla tällaisia esityksiä ole mahdollista tehdä. Käytetyn paikkatieto-ohjelman työkalut ohjaavat ja rajoittavat kartan laatijan luovuutta. MapInfossa ainakin lopputulosten ilmettä ei voi juurikaan muokata. Esim. legendat näyttävät miltä näyttävät – edes niiden kokoa ei voi säätää fiksulla tavalla.

Lähteet:

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

PAK-kurssin avaus

Paikkatiedon hankinta, analyysi ja kartografia -kurssin ensimmäisenä tehtävänä oli tehdä koropleettiteemakartta Suomen kunnista tai Helsingin seudulta. Tein Suomen kuntien väestötiedoista kuntien väestöntiheyttä kuvaavan kartan.

MapInfo oli minulle entuudestaan tuttu, sillä Turun ammattikorkeakoulun kestävän kehityksen koulutusohjelmassa minulla oli kaksi GIS-kurssia, joilla käytettiin MapInfoa. Valmistumisen jälkeen en ole kuitenkaan ohjelmaa tarvinnut, joten kertaus olikin tarpeen. Taisi tunnilla tulla esiin myös toimintoja, mitä en ennen ollut käyttänyt.

Ensimmäisenä tehtävänä tunnin lopuksi tein koropleettiteemakartan, jolla on viiteen luokkaan jaettuna Suomen kunnat väestöntiheyden mukaan (Kuva 1). Käytin luokkarajojen määrittelyssä luonnollisia luokkia pyöristettynä lähimpään sataan. Kun aineiston luokittelussa käytetään luonnollisia luokkavälejä, ovat luokkien raja-arvot kohdissa, joissa aineistossa on aukkoja, eli eniten tyhjää havaintojen välillä. Tällöin vältytään aineistossa mahdollisesti olevien ryppäiden pilkkoutumiselta eri luokkiin.

Tuloksena saatu teemakartta antaa kuvan hyvin harvaan asutusta maasta. Harvimmin asuttujen kuntien luokkaan (0-100 as./km²) kuuluu 290 kuntaa, eli lähes kaikki Suomen kunnat. Moni kohtalaisen suuri kaupunki, kuten Jyväskylä, Joensuu, Kouvola ja Pori kuuluvat tähän alimpaan luokkaan. Tämä kuvastaa sitä, kuinka kaupungin laajat haja-asutusalueet voivat suorastaan häivyttää kaupungin näkyvistä kun tarkastellaan kuntien väestöntiheyksiä. Toisaalta ylimpään luokkaan Helsingin kanssa kuuluu myös 12 000 asukkaan Maarianhamina, koska se on pinta-alaltaan niin pieni. Näiden havaintojen perusteella esim. pistekartta voisi olla parempi tapa kuvata Suomen väestöntiheyttä, koska tällöin kunnan pinta-alalla ei ole niin suurta vaikutusta kaupunkien näkymiseen kartalla.

Tätä teemakarttaa voisi vielä muokata niin, että toiseksi ja kolmanneksi alemmat luokat värjäisi erottumaan paremmin alimmasta luokasta. Jos aiheeseen tutustuva nopeasti vilkaisee karttaa, jäävät helposti eri vihreän sävyt erottumatta toisistaan. Muut opiskelijat ovat käyttäneet kartoissaan yhden värin eri sävyjen skaalaa, ja sitä olisi voinut käyttää tässäkin. Tässä väriskaalassa on etuna, että se kuvaa hyvin kuinka paljon suuremmat väestöntiheydet huippualueilla on, mutta toisaalta ne olisivat erottuneet myös saman värin skaalalla hyvin. Toisaalta toisenlaisella luokittelulla olisi saanut eroteltua harvaan asuttuja alueita paremmin toisistaan. Sara Filla käytti samasta aiheesta tekemässään kartassa luokkajakoa, jossa harvemmin asutut alueet erottuvat hyvin toisistaan (Filla 2017). Luokittelutavan valinnassa olisi voinut käyttää histogrammia apuna – pitääkin harjoitella sitä seuraavalla kerralla.

Kuva 1. Suomen kunnat väestöntiheyden mukaan.

Lähteet:

Filla, Sara (2017). Kurssikerta 1: Väestön jakautuminen Suomessa. <https://blogs.helsinki.fi/sfilla/> Luettu 27.2.2017