Kiitos kurssista. PAK tuli hihat käärimällä päätökseen. Artulle loppuun kuvaterveisenä hihat käärinyttä duunarisakkia.

Lähde: https://s-media-cache-ak0.pinimg.com/736x/de/44/80/de44802c2e6f56a98546569023729ffa.jpg

Viimeinen kurssikerta häämöttää. Tällä kertaa pyyhkäistiin pöytä tyhjäksi ja aloitettiin kurssityön tekeminen nollasta. Ajan hermolla olevia ilmauksia käyttäen astuimme mukavuusalueen ulkopuolelle, tai niin sen ainakin koin.

Suuri osa tämän kerran harjoitusta oli aineiston etsintä ja hankinta. Tämä vaatikin huomattavan suuren osan kurssikerran työpanoksesta: maailma on täynnä dataa, mutta mistä sellaista, joka on sekä itselle kiinnostavaa että omiin tarkoitusperiin sopivaa? Internetsistä tietysti, ja lopulta helpoiten kurssiblogissa tarjotuista esimerkkilähteistä.

Käytin melkoisen ajan datanhankintaan. Asiaa ei auttanut se, että tein tämän useina eri päivinä pienissä osissa. Lopulta olin saanut kerättyä harjoitukseen dataa Kenian hyttyslajistosta (pienelle alueelle rajoittunutta tietoa, ei oikein optimaalinen tähän tarpeeseen), AIDS-tilastoista (no ei tämä aineisto nyt oikein toimi halutulla tavalla) sekä USA:n koulutuspolitiikasta ja opettajien sekä opiskelijoiden lukumääristä eri osavaltioissa. Kun törmäsin senkin kanssa seinään ilmiöiden visualisoinnissa, astuin lopulta tutummalle maaperälle ja nappasin haltuuni tietoa Euroopan suojelluista maa-alueista ja valtioiden väestöistä sekä pinta-aloista (Euroopan komissio 2016).

Tilastoaineiston hankkimisen jälkeen tarvitsin kartta-aineiston, jonka avulla visualisoida haluamiani ilmiöitä MapInfossa. Latasin sopivan Eurooppa-aineiston jo aiemmin kurssilla tutuksi käyneeltä Natural Earth -sivustolta (Natural Earth 2016). Nyt aineisto oli kasassa, joten itse käsittely ja visualisointi oli valmis alkamaan.

…ja sehän osoittautuikin haasteelliseksi. Muistiinpanoissani lukeva ”miksi tämä on taas näin vaikeaa?” palauttaa useita tuntemuksia mieleen. Uuden sarakkeen luominen taulukkoon ei onnistu. En tiedä miksi. ”Add field” vain puuttuu vaihtoehdoista.

Sain kuitenkin homman toimimaan SQL Queryllä. Jes! Aikansa kestäneen veivalun jälkeen sain luotua Euroopan suojelualueista uuden yhdistetyn taulukon, joka vastasi hankkimaani dataa paremmin kurssityön tarpeisiin. Taulukon tärkeintä sisältöä olivat kunkin EU-valtion kokonaispinta-ala sekä suojeltujen maa-alueiden pinta-ala.

Seuraavaksi yritin tuoda MapInfoon lisätietoa Excelistä. En saanut kuitenkaan yhdistettyä taulukkoa aiemmin luomaani yhdistelmään. Yrittäessä ohjelma herjasi virhettä ”You can only perform dynamic joins on base tables”. Ja mistähän nyt kiikastaa? Koin heureka-hetken, kun havaitsin etten ollut tallentanut syntynyttä .tab-tiedostoa uudelleen .tab:na, sulkenut sitä ja avannut uudelleen. Tämä aiheutti ongelman. En tiedä miksi, mutta em. liikkeillä ongelma lopulta väistyi.

Nyt onnistui. Uudessa taulukossa on tarvittavat tiedot, ja siitä voi piirtää tarvittaessa kartankin. Hienoa! Numeerisesti taulukkoa katsellen Espanja seisoo suojeltujen alueiden pinta-alan (km2) suhteen omassa luokassaan, Suomi tulee kaukana perässä.

Nyt kun data oli valmista, halusin tarkastella EU-valtioiden väestöntiheyden ja suojeltujen maa-alueiden pinta-alan välistä yhteyttä. Onko sellaista lainkaan? Jos on, millainen yhteys tekijöiden väliltä löytyy? Onko korkean väestöntiheyden valtioissa suojeltuja alueita vain niukasti?

Jaoin valtioiden pinta-alat aluksi neljään luokkaan, mutta viidennen luokan lisääminen ei sekavoittanut karttaa mielestäni lainkaan – päinvastoin, viisi luokkaa toi valtioiden välisiä eroja mielestäni realistisemmalla tavalla esille. Päädyin käyttämään viittä luokkaa ja luokittelun perusteena luonnollisia luokkavälejä (Natural break). Tuloksena syntyi harjoituskerran ensimmäinen kartta (Kuva 1).

Kuva 1. EU-valtioiden väestötiheydet ja suojeltujen maa-alueiden pinta-alat 2014.

Ensisilmäyksellä kartasta (Kuva 1) voidaan havaita, että Espanja erottuu suojelualueiden pinta-alaa tarkasteltaessa edukseen EU:n kruununjalokivenä. Espanjaa seuraavat määrällisessä suojelupanoksessaan mm. Ranska ja Puola. Suomi ja Ruotsi ovat suojelleet keskenään hyvin yhtäläisen määrän maa-alueitaan. Kun tarkasteluun lisätään valtioiden väestötiheyksistä kertova koropleettikartta, voidaan huomata että suojeltujen alueiden ala (km2) ja väestötiheys eivät kulje käsi kädessä: esimerkiksi Virolla, Latvialla ja Liettualla on todella vähäiset määrät suojeltuja alueita, vaikka väestöntiheys on matala. Välttävilläkin kartanlukutaidoilla huomaa, että väestöntiheyden ja suojellun maa-alan välisen voimakkaan korrelaation sijaan ilmiö on yksinkertainen: isoilla mailla on isot ympyrät. Tämä käy järkeen, sillä suojelluista alueista kertovat vihreät ympyrät (Kuva 1) eivät ole suhteellisia osuuksia valtion koko pinta-alasta, vaan absoluuttisia neliökilometrimääriä. Suuresta alueesta on helppoa suojella enemmän. Käy järkeen.

Havainnon siivittämänä halusin tehdä seuraavaksi kartan, jossa esitetään valtion pinta-ala ja suojeltujen alueiden pinta-ala (Kuva 2). Aineiston luokittelu eteni samoin kuin edellisessä kartassa: luonnolliset luokkavälit, viisi luokkaa, tuosta, avot.

Kuva 2. EU-valtioiden pinta-alat ja suojeltujen maa-alueiden pinta-alat 2014.

Tämä kartta (Kuva 2) käy järkeen hyvin intuitiivisesti. Kuten kartasta nähdään, pienen pinta-alan valtioilla (vaaleansiniset alueet) on myös vähemmän suojeltua maapinta-alaa. Ison pinta-alan omaavilla valtioilla (tummansiniset alueet) on suurimmat suojelualueet. Kartasta nousee kuitenkin esille havaintoa syventäviä mielenkiintoisuuksia, kuten se, että tummansinisissä valtioissakin on huomattavasti eroja: katso esimerkiksi Espanjan ja Ranskan vihreitä ympyröitä! Vaikka Ranska on pinta-alaltaan Espanjaa suurempi, on se suojellut huomattavasti pienemmän määrän maa-alueita. Toisaalta Ranskan väestö ja väestöntiheys ovat Espanjaa suuremmat (Kuva 1), olisiko tästä yhdeksi selittäväksi tekijäksi..? Todellisuudessa taustalla on paljon politiikkaa, lukuisia järjestöverkostoja sekä useita taloudellisia tekijöitä, mutta kartat antavat mielenkiintoista osviittaa suojelualueista niin kauan kun niitä ei näe yhtenä selittävänä tekijänä. Tällaisten yhteyksien tarkastelu on ollut läpi kurssin sen miellyttävintä antia – ilmiöiden sitomista yhteen ja esittämistä erilaisin tavoin erilaisiin tarpeisiin.

Viimeinen kurssikerta nitoi kurssin hyvin yhteen ja antoi loppuun järkevän haasteen. Lisäksi se raotti aavistuksen verhoa siitä, millaista paikkatiedon käyttäminen työmielessä todellisuudessa on, kun ohjeiden seuraamisen sijaan analyyseissä pitää kyetä itsenäisiin ratkaisuihin. Kuten kurssin aikana on tullut useasti selväksi, vaihtoehtoja on useita ja tapoja monia. Valinnoille täytyy kuitenkin kyetä löytämään aina mielekkäät perustelut. Sokkona arvotut luokittelutavat, esitettävät muuttujat tai graafiset ratkaisut eivät ole omiaan luomaan tehokasta kartografista viestintää. Kurssilla oli vahva yrittämisen ja erehtymisen ilmapiiri, minkä lisäksi harjoitukset opettivat paljon perustietoja ja -taitoja oikeutettujen valintojen tekoon paikkatiedon parissa. Näin jälkikäteen katsoen lähes kaikki ongelmat ratkesivat kuitenkin jollain tavalla – vaikka sitten puskemalla pari kertaa päätä seinään ja menemällä kiertotietä uudelleen.

Kuten Emil Ehnström (2016) blogissaan kirjoittaa, kurssin ehdotonta plussa-antia ovat olleet myös muiden opiskelijoiden moninaiset aiheet: ”On muuten hienoa nähdä, miten ihmiset ovat valinneet niin erialisia aiheita. Kaikki ovat jotenkin löytäneet oman kiinnostuksen kohteensa. Esimerkiksi Jasmiina Myllys, teki hienon karta Italian hotelliyöpymisistä ja taskuvarkaista, en olisi koskaan itse hoksannut tehdä sellaisesta aiheesta, minulla oli vaan mielessä vaalit, koulut ja konfliktit.” Tämä tuntui erityisen osuvalta suojelualueista kertovien karttojen teon jälkeen. Blogit ovat tarjonneet erinomaisen mahdollisuuden kurkkia omien kiinnostusten kohteiden ulkopuolelle.

Lähteet:

Ehnström, E. 2016. Viimeinen kurssikerta. Emil paikkatiedon maailmassa. <https://blogs.helsinki.fi/ehem/2016/03/12/viimeinen-kurssikerta/> Luettu 5.8.2016.

Euroopan komissio 2016. Eurostat, Luxemburg. <http://ec.europa.eu/eurostat/data/database>. Luettu 21.5.2016.

Natural Earth 2016. <http://www.naturalearthdata.com/> Luettu 21.5.2016.

Aktivoiva alku kuudennelle kurssikerralle! Jakaudutaan ryhmiin, GPS:t käteen ja ulos hus! Siirryimme keräämään pisteaineistoa Kumpulan kampuksen lähiympäristöön. Tällä kerralla opeteltiin myös muokkaamaan verkkojen verkosta löytyvää aineistoa siten, että se voidaan visualisoida kartalle.

Keräsimme alun ulkoiluharjoituksessa 10 GPS-pistettä ympäristöstä. Päädyimme valitsemaan kohteiksemme liikunta/harrastuspaikkoja. Toimintaa havainnollistava kuva ryhmämme GPS:n käytöstä löytyy Hanna Parrin (2016) blogauksesta. Korkeudet merenpinnasta tuntuivat heittelevän laitteessa melkoisesti, mutta tämä ei ryhmän toimintaa haitannut. Palattuamme luokkaan teimme kerätyistä pisteistä Excel-taulukon, jonka avasimme MapInfoon. Ohjelman asetusten ja näppäilyjen kirjoittaminen auki ei ole blogireflektoinnin kannalta mielekästä, mutta kirjaan seuraavaksi oman muistin virkistämiseksi joitain ydinkohtia auki. Lukijana voit siis hypätä seuraavat ohje-osiot yli, jos tekniset yksityiskohdat eivät erityisesti kiinnosta.

Homma sujui jouhevasti näin: 1) Open –> .xls, 2) Table –> Create Points –> Projection –> Category: Finnish Coordinate Systems, KKJ (2003), Category Members: Finnish KKJ Zone 3 (EPSG 2393), 3) Table List –> drag & drop kartalle. Tadaa. Keräämämme pisteet ilmestyivät Kumpulaan.

Excelistä tuomisen lisäksi toimme tiedot myös suoraan GPS-laitteesta. Tämäkin toistettuna oman muistin virkistämiseksi: 1) Windows Start –> FME Quick Translator –> Translate –> Format: Mapinfo TAB, Dataset: omasta GPS:stä Garmin –> tiedostonnimi.gpx, Coord. System: LL-WGS84, 2) Dataset: mihin tallennetaan ja millä nimellä, Coord. System: Same as source, 3) OK.

Toimii. Mukava ja käytännönläheinen harjoitus.

GPS-pelailun jälkeen siirryttiin tarkatselemaan pääkaupunkiseudun pelikoneiden sijainteja. Tämäkin oli mukava harjoitus, mutta siitä ei löydy liikaa raportoitavaa. Muistamisen arvoista on, että ensimmäisellä yrittämällä kaikki pelikoneet eivät löytäneet tietään kartalle (82 not geocoded). Kun asetuksia muutettiin hieman ( [X] Use a Match Found in a Different Boundary), tulos oli sama: 82 not geocoded. Ei auttanut.

Parannukset löytyivät kuitenkin seuraavilla asetuksilla: 1) Table –> Geocode –> Refine Search with Table: none. Pelikoneita löytyi 34 lisää. 2) Table –> Geocode –> (O) Interactive –> OK. Näin saatiin loputkin puuttuvat (not geocoded) pelikoneet paikalleen! Interactive-toiminnon juju piilee sen insinöörihenkisessä ratkaisukeskeisyydessä: Interactive ehdottaa aina ratkaisua, kun se kohtaa ongelman. Esimerkiksi onko ”Tennispalatsin aukio” sama kuin datassa oleva ”Tennispalatsinaukio”? OK tähän, ja ongelma ratkeaa. OK-painikkeen näppäilyn kanssa on kuitenkin oltava tarkkana, sillä joissain kohteissa toiminto ehdottaa vääriä ratkaisuja; näin kävi esimerkiksi Ylä-Malmin torin ja Puistolanraitin tapauksissa. Tarkkana siis ja korjaamaan!

Pelailtuamme aikamme pelikonedatan kanssa siirryimme tämän kurssikerran harjoitustyöhön. Tavoitteena oli luoda kolme karttaa maanjäristyksistä, tulivuorista tai jostain muusta hasardista siten, että karttoja voisi käyttää oman opetuksen apuna. Harjoituksessa sovellettiin aiemmissa kohdissa opittuja taitoja (Create points ym.).

Toteutin harjoitustyön ohjeen ehdottamalla tavalla siten, että kolme karttaani esittävät eriasteisia maanjäristyksiä ja tulivuorten sijainteja. En kuitenkaan aloittaisi opetusmielessä suoraan näillä kartoilla. Oman kurssikertani aloittaisin opiskelijoiden herättelyksi ja aktivoimiseksi tyhjällä kartalla: missä päin maailmaa maanjäristyksiä esiintyy? Entä tulivuoria? Rohkeasti vain, ei tarvitse viitata, saa huudella paikkojen nimiä. Katsotaan minne päin karttaa tulee arvauspisteitä. (Ohjeiden Google Maps -vinkki oli muuten todella hyödyllinen. Hyvä että tällaisia sisällytetään harjoituksiin.)

Tämän jälkeen johdatteluna aiheeseen esittäisin kartan, jossa on pistemuodossa esitettynä kaikki >8 richterin maanjäristykset vuodesta 1980 nykypäivään (Kuva 1). ”Mut ope, miksi 1980?”. Koska 80-luku merkitsee monen suuren, kauniin ja tärkeän ilmiön alkamista.

Kuva 1. Maailmassa havaitut yli 8 richterin maanjäristykset vuodesta 1980 nykypäivään.

Opiskelijoiden kanssa voitaisiin pohtia, miltä kartta (Kuva 1) näyttää. Osuivatko aluksi tyhjään karttaan esitetyt arvaukset samoille kohdille kuin tämän kartan pisteet? Jos, niin millä alueilla? Mitä alueita ei arvauksissa mahdollisesti esiintynyt?

Kuten kuvasta havaitaan, voimakkuudeltaan rajut maanjäristykset ovat keskittyneet kovasti mm. Japanin, Kaakkois-Aasian, Tyynenmeren ja Etelä-Amerikan länsirannan alueille. Vaikuttaa siltä, että ne eivät ole sattumanvaraisissa paikoissa ympäri maailmaa. Miksi näin, opiskelijat hyvät?

Entä mitä tapahtuu, kun karttaan lisätään edellisten kylkiäisiksi myös kaikki >7 richterin voimakkuuden maanjäristykset? Joko arvaatte, mihin nämä sijoittuvat? Ilmestyykö johonkin päin maapalloa kokonaan uusi maanjäristyskeskittymä? Tämä nähdään seuraavasta kartasta (Kuva 2).

Kuva 2. Maailmassa havaitut yli 7 richterin maanjäristykset vuodesta 1980 nykypäivään.

Johan tuli pisteitä! Ensimmäisenä opiskelijat varmaan huomaavat, että näitä kooltaan hieman pienempiä pisteitä on huomattavasti enemmän. Mitä tämä tarkoittaa? Eikö kukaan halua viitata? No, tietysti sitä että voimakkuudeltaan suurimmat maanjäristykset ovat myös harvinaisempia kuin lievemmät, tämänhän varmasti tiesittekin. Kartasta ilmenee kuitenkin myös muita mielenkiintoisia ja huomionarvoisia havaintoja: maanjäristysten painopisteet ovat edelleen samat, mutta Oseania, Pohjois-Amerikan länsirannikko ja jossain määrin Keski-Aasia nousevat esiin uusina maanjäristysten hotspoteina. Mielenkiintoista. Jos vastausta ei tullut edellisen kartan kohdalla, voitaisiin pohtia uudelleen mistä tällainen alueellinen jakautuminen voisi kertoa? Ja tulevathan ne avainsanat sieltä esiin: mannerlaatat, niiden reuna-alueet ja liikunnot. Hyvä.

Tehdään vielä kerta kiellon päälle, ja lisätään voimakkuudeltaan yli 6 richterin maanjäristykset karttaan (Kuva 3).

Kuva 3. Maailmassa havaitut yli 6 richterin maanjäristykset vuodesta 1980 nykypäivään.

Nyt maanjäristyspisteitä alkaa olemaan jo melkoiset määrät. Useat uusista (pienimmistä) pisteistä ovat myös ihan uusilla alueilla: esille nousevat mm. Atlantti ja Balkanin niemimaa. Näistä huolimatta ensimmäisen kartan (Kuva 1) todella voimakkaiden maanjäristysten painopisteet näkyvät kartassa edelleen: niillä alueilla joilla oli voimakkaimmat järistykset, on myös eniten järistyksiä. Tämä käy mukavasti järkeen, kun mannerlaattoja pohdiskellaan yhdessä opiskelijoiden kanssa lämmintä dialogia henkivässä vuorovaikutuksessa.

Hypätään maanjäristyksistä hieman toiseen aiheeseen. Missä maailman tulivuoret mahtavat sijaita? Ai että samoilla alueilla kuin maanjäristykset? Katsotaanpa.

Kuva 4. Maapallon kaikki tunnetut tulivuoret kautta aikain.

Kyllä vain, tulivuoret sijaitsevat pitkälti samoilla alueilla kuin maanjäristyskeskittymätkin. Tässä vaiheessa olisi hyvä kysyä, mitä mieltä opiskelijat ovat kartasta? Herääkö tästä kysymyksiä? Jos ei, niin minäpä kysyn: onko kartta luotettava? Mitä arvelette Länsi-Euroopan tulivuorista? Kartat voivat johdattaa harhaan ja niillä voi myös tietoisesti hämätä. Tämä on tärkeää muistaa. Saman suuntaisia ajatuksia on esittänyt myös Vesa Nousiainen (2016) blogissaan: ”Ongelma kartoissani legendan puutteen lisäksi on aikaskaalan puuttuminen. – – Tulivuorista en tiedä, mitkä kaikki ovat aktiivisia ja mitkä jo kauan sitten sammuneita.” Tästä huolimatta kartta (Kuva 4) on mielenkiintoinen ja sitä voisi hyvinkin käyttää opetustarkoituksessa. Huonot ratkaisut ja niistä heräävät ahaa-elämykset ne vasta opettavaisia ovatkin.

Laitetaanpa kurssikertaa yhteen, ja niputetaan sekä kaikki edellä esitetyt maanjäristykset että tulivuoret yhteen karttaan:

Kuva 5. Kaikki maailman tulivuoret kautta aikain (punaiset kolmiot) ja yli 6 richterin maanjäristykset (oranssit pallot) vuodesta 1980 nykypäivään.

Kuten kartasta nähdään, kyllähän maanjäristysten ja tulivuorten sijainnit pitkälti toisiaan noudattavat, mikä käy oppimamme perusteella hyvin järkeen. Kartasta on syytä huomata, että tulivuoret peittävät alleen monia maanjäristyksiä, minkä lisäksi oranssit pallot kasautuvat päällekkäin: esimerkiksi >6 richterin maanjäristysten luokka (pienet pallot) näyttävät MYÖS yli 8 richterin järistykset. Tämä ei kuitenkaan muuta kartan välittämää viestiä dramaattisesti. Opetuksellisessa mielessä tunnin sisältö olisi ollut tähän asti puhdasta luonnonmaantiedettä, mutta mukaan olisi mielenkiintoista heittää hieman ihmistoimintaa. Katsotaanpa siis seuraavaa kuvaa:

Kuva 6. Joukkio kiipeämässä aktiiviselle tulivuorelle.

Kuvassa näkyy turisteja matkalla Mt. Merapin huipulle. Jaavan saarella sijaitseva Mt. Merapi on Wikipedian mukaan Indonesian aktiivisin tulivuori. Siitä huolimatta – tai kenties juuri siksi? – se on erittäin suosittu kohde alueella matkailevien ulkomaalaisten keskuudessa. Merapin purkaukset eivät toki ole Krakataun vertaisia räjähdyksiä, mutta ne muodostavat joka tapauksessa merkittäviä riskejä lähiympäristön ihmisille. Merapi oli purkautunut edellisen kerran viikko ennen kuin aloitimme kiipeämään sen huipulle huhtikuussa 2014. Viimeaikaisen aktiivisuuden takia ei ollut takeita siitä, voiko kiipeämistä edes jatkaa huipulle asti, vai joudummeko pysähtymään välietapille. Kiinnostus oli kuitenkin valtava ja vaarantunne toi kiipeämiseen vain pientä lisäpotkua. Mt. Merapin esimerkki lukuisten muiden tulivuorien tavoin osoittaa, kuinka ihmiset tekevät valintoja ja päätöksiä luonnon hasardeista huolimatta, tai toisinaan jopa niiden rohkaisemina. Hasardit pelottavat ja kiehtovat useita ihmismieliä.

Matkailu ei kuitenkaan ole ainoa ihmistoiminnan muoto, jossa riskit ovat läsnä. Kurssikerran karttojen avulla voisi opetusmielessä tarkastella, miten väestöntiheys maapallolla sijoittuu suhteessa tulivuoriin ja maanjäristyksiin: asuuko suuren maanjäristysriskin alueilla vähemmän ihmisiä?

Kuva 7. Väestöntiheys maapallolla 1994 (Wikipedia).

Kartta on hieman vanhentunut, mutta sillä ei ole tässä yhteydessä merkitystä. Huomionarvoista on, että korkean tulivuori- ja maanjäristysriskin esiintymisalueet eivät suinkaan ole asutuksesta tyhjiä – lähes päinvastoin. Tästä voisi viritellä keskustelua siitä, mitkä tekijät oikeastaan vaikuttavat ihmisen asuinpaikan valintaan: maanjäristykset? Laskennalliset todennäköisyydet elämälle ja kuolemalle? Sattuma (syntymäpaikan muodossa)? Vaiko kenties sittenkin työpaikka, perhe ja suku..? Mikä määrittää muuttoliikettä ja asuinpaikan valintaa? Muistan omasta lapsuudestani hyvin keskustelun, jossa sukulaiseni totesi Japanista seuraavanlaisesti: ”onko ihmekään jos maanjäristys voi tuhota kodin kun asuu mannerlaattojen reunalla, miksi asua tuommoisella alueella?”. Silloin en osannut vastata kysymykseen. Nykyään kysymys huvittaa – niin, miksiköhän? Tätä voitaisiin opetusmielessä miettiä yhdessä.

Samaan hengenvetoon voisi tarkastella vielä eliniän odotetta maapallolla:

Kuva 8. Eliniän odote 2012 (TargetMap 2012).

Ihan alkuun voisi tarkastella karttaa ja sitä, kuinka järkevästi tai typerästi se on tehty ja värikoodattu. Noniin, sitten asiaan. Tulivuoret ja maanjäristykset saattavat tuntua niihin tottumattomille todella pelottavilta – mutta onko näillä riskialueilla matala eliniän odote? Kuten kartasta (Kuva 8) huomataan, näin ei systemaattisesti ole. Jälleen opiskelijoiden olisi hyvä miettiä ja antaa omia ehdotuksia siihen, mitkä tekijät vaikuttavat eliäniän odotteeseen ratkaisevasti. Määrittäisivätkö sitä maailman mittakaavassa merkittävästi sosiaaliset ja taloudelliset tekijät? Kenties maanjäristyksiä ja tulivuoria ratkaisevampia muuttujia ovatkin globaali politiikka, resurssien jakautuminen valtioiden kesken, (epä)oikeudenmukaisuus, terveydenhuolto tai ravinnon laatu ja määrä? Noniin, kello alkaakin olemaan jo varttia vaille. Jatketaan ensi kerralla. Kiitos oppitunnista!

Erittäin mielekäs kurssikerta käytännön GPS-kiertelyä, MapInfon käyttöä ja valmiiden tuotosten esitystä myöten.

Lähteet:

Nousiainen, V. 2016. Hasardeja. Eturivin paikkatietoa. <https://blogs.helsinki.fi/vmnousia/2016/03/22/hasardeja/> Luettu 9.6.2016.

Parri, H. 2016. Kurssikerta 6. Minustako tuntiopettaja? Karttablogi/Hanna. <https://blogs.helsinki.fi/hparri/2016/03/08/kurssikerta-6-minustako-tuntiopettaja/> Luettu 9.6.2016.

Targetmap 2012. Life expectancy 2012 report. <http://www.targetmap.com/ThumbnailsReports/23844_THUMB_IPAD.jpg> Luettu 10.6.2016.

Wikipedia 2016. Population density. <https://en.wikipedia.org/wiki/Population_density#/media/File:World_population_density_1994_-_with_equator.png> Luettu 10.6.2016.

”Tämän tehtävän avulla voit testata omaa osaamistasi ja MapInfon ymmärtämistäsi, ainakin osittain”. Sehän alkoi rohkaisevasti.

Viides kurssikerta oli omalta osaltani poikkeuksellinen, sillä olin palannut Vieraalta Maalta ja olin paikalla kurssisalissa. Poissaolot eivät olleet edistäneet kurssilla tarvittujen perustaitojen oppimista lainkaan. Käsittääkseni kurssikertaa oli myös alustettu jo edellistunnilla? Niin tai näin, kurssikerralla opeteltu bufferointi sujui alkuun yllättävän mukavasti, kunnes tehtävien mennessä eteenpäin ja kysymysten kasaantuessa aloin huomata sen hataran ja rakoilevan pohjan, jonka päälle koitin tätä oppia perustaa.

Puskurointi on lähtökohtaisesti mukavaa. Vaikka buffereiden käyttöä ja niihin liittyvää alkeellista analyysia on tullut harjoiteltua aiemmin Arc-ympäristössä, oli MapInfon hallitseminen taas yllättävän haastavaa. Aiemmin olen mm. selvittänyt puiden sijaintia Viikin kampuksen alueella ja näiden aiheuttamaa potentiaalista riskiä: suuret ja vanhat puut voivat kovalla tuulella kaatua niin rakennusten kuin kulkuteidenkin päälle. Ne harjoitukset sujuivat Arcilla mukavasti, mutta MapInfon käyttö takeltelee. Suurimmat ongelmat ovat heikoissa pohjatiedoissa: kun aiempia kurssitöitä ei ollut mahdollisuutta suorittaa kurssisalissa, missä apua olisi tarvittaessa tarjolla, jotkin toiminnot aiheuttavat siellä ja täällä tenkkapoon. Tällöin eteneminen tapahtuu aina vain yrityksen ja erehdyksen kautta, jos on tapahtuakseen lainkaan. Nämä oppimishaasteet ovat itse aiheutettuja, mutta lisäksi MapInfo tuntuu mielestäni edelleen tönköltä käyttää. QGIS ja ArcGIS tuntuvat puoleensavetävämmiltä, vaan tällä mennään. Hyvä oppia käyttämään myös MapInfoa.

Buffereita voi käyttää monipuolisesti hyödyksi erilaisissa analyyseissa. Puskureihin pohjautuvaa analyysia voisi käyttää esimerkiksi asukastiheyden ja infektiotautien leviämisriskin tarkasteluun, tai uuden kirjaston perusteltuun sijoittamiseen asukasmäärien, etäisyyden muista kirjastoista ja kulkuyhteyksien perusteella. Mahdollisuuksia tuntuu olevan lähes rajattomasti, jos tekninen suorituskyky ja työkalujen toimintojen tuntemus vain käyttäjän osalta riittävät. Käytettävä aineisto olisi kuitenkin hyvä tuntea – mitä dataa on kerätty ja millä tavoin se on tallennettu? Jos aineistoa ei ole ollut itse keräämässä, siihen olisi hyvä perehtyä edes silmäilemällä. Virheelliset solut tai puuttuva informaatio voivat pistää dataa selatessa silmään, ja ”0”, ”9999999” tai ”-” -kaltaisten arvojen moninaiset käyttötavat eri ohjelmistojen ja eritoten niiden käyttäjien välillä voivat aiheuttaa harmaita hiuksia, jos aineistoa ei vaivaudu vilkaisemaan ennen analyyseja laisinkaan. Näitä lapsuksiahan voi käydä jopa oman datan kanssa, sanovat.

Ensimmäiset lentokenttätehtävät menivät varsin mukavasti. Vastaukset paukkuivat helpohkosti heti kahteen ensimmäiseen kysymykseen. Tämän jälkeen pidin parin kuukauden luovan tauon, ennen kuin palasin tehtävän pariin. Keväisessä toukokuussa satakielen tärisyttäessä äänekästä kakofoniaansa ATK-luokan ulkopuolella mietin, meniköhän tämä bufferointi oikein tai ihan samalla tavalla kuin kurssikerralla helmikuussa olin tehnyt. Jonkinlaisia vastauksia MapInfosta kuitenkin irtosi, jopa lentokentältä juna-asemiin siirryttäessä. Pyöristin tulokset valmiiseen vastaukset (Taulukko 1) melko reippaalla kädella. Syy tähän oli yksinkertainen: pyöristykset ovat mielestäni kysymysten kannalta mielekkäät, eivätkä prosenttiyksiköiden desimaalit toisi mielestäni useimmissa yhteyksissä vastauksiin oleellista lisäarvoa.

Taulukko 1. Kurssikerran tehtävien vastaukset.

Taulukon tulokset vaikuttivat mielestäni MapInfolla harjoituksia väkertäessäni järkeenkäyviltä, mutta muiden blogeja lukiessani huomasin että vaihtelua on tullut erityisesti itsenäistehtävä 2:ssa. Tatu Leppämäen (2016) tulokset ovat hyvin erilaiset kuin omani. Toisaalta Tatu on ihmetellyt blogissaan omalta kohdaltaan samaa: mistä erot muihin ovat syntyneet? Niko Pelkosen (2016) taulukko näyttää sen sijaan taajamien osalta hyvin samankaltaiselta kuin omani. Ainoa ero löytyy ”Ulkomaalaisia >20%”-kohdassa, missä vastauksen arvo heittää vain yhdellä – voisi olla perua jopa jomman kumman näppäilyvirheestä. En ole vastauksineni siis ainakaan yksin.

Itsenäistehtävää kolme aloittaessani korvissani kaikui helmikuussa kurssikerralla käyty keskustelu, jonka kirjoitin kärppänä ylös muistiinpanoihin:

-Opiskelija (tuskastuneena): ”Pitääks nää kaikki tehdä?!”
-Arttu: ”Ainakin kaks ensimmäistä, mieluiten kolmaskin.”

Meinasin mennä sieltä, missä aita on hyvin matala ja jättää kolmostehtävän tekemättä, mutta en sitten kuitenkaan pystynyt. Muutama aiempi tehtävä oli aiheuttanut tuskastumista, mutta kääritään hihat ja yritetään vielä.

Aloitin tehtävän valitsemalla aiheeksi koulut niiden yhteiskunnallisen painoarvon takia. Tämä yritys oli kuitenkin fiasko. Törmäsin luultavasti varsin yksinkertaiseen ongelmaan, joka ei lukuvuoden lopettavaa kenttäkurssia edeltävänä lauantai-iltana yksin ATK-luokassa enää vain ratkennut. Kiroilun määrä oli kasvava. Totesin, että uima-altaissa ja saunoissa on tietynlaista glooriaa, ”todellista luksuksen merkkiä”, kuten harjoituskerran ohjeessa todetaan, ja vaihdoin aihetta.

Se ei lähtenyt liikkeelle sen hienommin.

Tänään oli valtavaa turhautumista kartanteon kanssa. Luotava kartta oli kaiken lisäksi todella yksinkertainen, mikä harmitti entistä enemmän: mikä on jos ei tällaista edes saa väkerrettyä? Itsenäistehtävä 3 vei hirveän pitkän ajan, mutta lopulta sain vastaukset ulos ja kartan luotua (Kuva 1). Tässä näkyi juuri poissaolo kurssikerroilta: ongelmat eivät olisi vaikeita tai ylitsepääsemättömiä, jos ne olisi kohdannut joskus avun ollessa läsnä. Yksin tehdessä pienetkin tehtävän pysäyttävät ongelmat kasvavat suuriksi, ja tuntuu kuin hakkaisi päätä seinään. Kuten Miia Tennilä (2016) osuvasti blogissaan kirjoitti: ”kurssikerrasta jäi hyvinkin vaikea olo ja toivoin vain, että olisin pitänyt lomani, jollain toisella viikolla.” Niinpä.

Kuva 1. Uima-altaan sisältävät rakennukset pääkaupunkiseudun eri alueilla.

Kun tämän kurssikerran harjoitukset olivat pitkän työnteon jälkeen valmiit, totesin että kartasta puuttuvat pylväiden vierestä numeroarvot. Yritin hinkata tätä vielä useamman tovin, mutta en vain löytänyt arvot lisäävää asetusta MapInfosta – jokin yksinkertainen ”show values” tai ”show count record” piilossa silmiltäni? Noh, ei voi mitään. Kartasta siis puuttuvat numeroarvot, mutta uima-altaiden yleisyyttä pääkaupunkiseudulla – ja jopa niiden määriä – voi legendan ansiosta silti tarkastella aivan hyvin. Kuten kuvasta näkyy, suurin osa uima-altaista sijaitsee Helsingissä. Helsingin sisällä uima-altaiden tihentymä kiertää keskustan kehäradan kaltaisesti: suuria määriä löytyy mm. lännestä Lauttasaaresta, pohjoisesta Pakilan ja Tapaninkylän sekä idästä Kulosaaren ja Laajasalon alueilta. On kuitenkin huomattava, että kartta ei esitä uima-altaiden absoluuttisia määriä, vaan sellaisten rakennusten määrän, joiden sisällä on uima-allas. Kartan luokittelussa eroa ei siis tee se, sisältääkö rakennus yhden vai yhdeksän uima-allasta. Kaikkiaan jakautuminen on kuitenkin selvä: keskustan rakennuksista ei uima-altaita juuri löydy, kun taas etäämmällä keskustasta Helsingin reunamilla uima-altaita sisältäviä rakennuksia on huomattavasti runsaammin. Yllättävin havainto tässä oli itselleni Espoo: uima-altaat loistavat poissaolollaan laajalta alueelta.

Kartan jälkeen tuntui nautinnolliselta käyttää vain Select-työkalua ja kiskoa muutamat saunoja koskevat arvot ulos ohjelmasta. Vihdoin valmista.

Lähteet:

Leppämäki, T. 2016. Puskuroiden etiäpäin – 5. kurssikerta. PAKinoita kartoista. <https://blogs.helsinki.fi/leppatat/> Luettu 14.5.2016.

Pelkonen, N. 2016. Kurssikerta 5 – Bufferi Lohikäärme. Nikon PAK-blogi. <https://blogs.helsinki.fi/nikopelk/> Luettu 14.5.2016.

Tennilä, M. 2016. Raportti 5: bufferointia. mite’s blog. <https://blogs.helsinki.fi/mite/> Luettu 14.5.2016.

Tällä kertaa puuhattiin ruutukarttoja, kiinnitettiin rasterikarttoja koordinaatistoon ja tarkasteltiin pääkaupunkiseudun väkeä.

Alku sujui hämmentävän vaivatta. Kurssikerta sai hyvän startin. Ensin tosin huoletti, kun ohjeen suositus oli ”tarkista gridistä, että luomastasi uudesta sarakkeesta löytyy myös muita arvoja kuin pelkkiä nollia. Rullaile ikkunaa kärsivällisesti.” Rullailin kärsivällisesti. Pelkkiä nollia. Hetken päästä esiin alkoi tulla kuitenkin arvojakin, eli ei vastoinkäymisiä vielä, jes!

Harjoituskerran ohje meinasi johtaa harhaan: printscreenissä ollut ”Asukkaita > 0” sai lähes hämääntymään, mutta huomasin vaihtaa kohdan muotoon ”Väestö > 0” enkä seurannut sokeana lampaana. Ohje kehotti myös rastittamaan pois ”Replace Layer Stylen”, jonka jälkeen ”ruudut näyttävät siltä kuin niiden kuuluisi”. Selvä. Nyt seurasin sokeana lampaana. Mitäköhän tämä oikeastaan teki? Olisi tehnyt mieli ymmärtää.

Ruudukon luominen ja datan kerääminen grid-tietokantaan sujui ongelmitta. Harjoittelun tuloksena syntyi kartta, joka esittää pääkaupunkiseudun asukkaiden väestötiheyden 500 x 500 m kokoisilla ruuduilla (Kuva 1). Kartan värit ovat mielestäni järkevät, ja se esittää väkikeskittymät ja harvemmat alueet mielestäni kelvollisesti. Muutin taustalla olleen OSM-kartan mustavalkoiseksi, jotta olennainen (asukastiheydet) erottuvat valmiista kartasta paremmin. Aineiston luokittelussa kvantiilit (equal count) vaikuttivat tässä yhteydessä järkevältä vaihtoehdolta. Päädyin silti kuitenkin luonnollisiin luokkaväleihin (natural break), koska sillä on tullut ennenkin hyvää jälkeä ja se sai myös aikaan varsin tyydyttävän lopputuloksen. Kartassa näkyvät selvästi erityisesti kantakaupungin ja idän asutustihentymät, joissa asukkaita voi olla parhaimmillaan jopa yli 2000 yhden ruudun (500 x 500 m) alueella.

Kuva 1. Pääkaupunkiseudun asukastiheydet alueittain.

Pääkaupunkiseudun harjoituskartan jälkeen alkoi tämän kerran varsinaisen itsenäistyön tekeminen. Aihetta valitessani halusin esittää ulkomaalaisten ihmisten osuuden (%) koko väestöstä. Tein taulukkoon uuden sarakkeen onnistuneesti, mutta arvot näyttivät käsittämättömän samanlaisilta: kaikki hirveän pieniä. Vaan hups – unohtui kertoa sadalla. Nyt prosenttiluvut näyttivät järkevämmiltä.

…Vaan eivätpä näyttäneetkään. Taulukon loppupään lukemat olivat järjettömiä. Syyn etsiminen tuotti taas tulosta (alkaako tämä oikeasti sujua?): jotkut ULKOKANS-sarakkeen arvoista olivat 999999999, eli tieto luultavasti puuttui. Päätin vaihtaa karttani perustumaan taulukon viereiseen sarakkeeseen, joka on kuvattavana ilmiönä hyvin samankaltainen: muunkielisten osuus (%) koko väestöstä. Tässä vaiheessa tuli taas klassinen töksähdys: en vain saa millään haluamaani esitystä ”Pks_vaki”-taulukosta karttaan. Mikä ihme vialla? Muistiinpanoistani löytyi merkintä ”Kyllä v****aa taas, ei vain toimi”.

Pitkällisen MapInfon hinkutuksen, epäonnistumisten ja eksymisten jälkeen sain kaksi karttaa valmiiksi. Parempi niistä on esitetty alla (Kuva 2).

Kuva 2. Muunkielisten osuus väestöstä pääkaupunkiseudulla.

Kartta on ruutujen pakotetun muodon takia hieman nuhjuisen oloinen, mutta parempi kuin ensimmäisenä yrittämäni ruutukoolla 100 m. Se se vasta huono oli. Kartasta olisi luultavasti tullut esteettisesti vielä parempi jos ruutukokoa olisi kasvattanut 500 x 500 metristä vaikkapa kilometriin. Tämä olisi kuitenkin vaikuttanut kartan välittämän tiedon tarkkuuteen reilulla kädellä. Värit ja luokkien määrä ovat puolestaan mielestäni ok: kartasta on helppo hahmottaa, missä muunkielisiä on eniten.Suurimmat tihentymät löytyvät idästä, mutta myös ydinkeskustasta luoteeseen päin siirryttäessä muunkielisten osuus asukkaista kasvaa. Siellä täällä kartassa näkyy yksittäisiä tummansinisiä pisteitä, joissa muunkielisiä on jopa 47 – 100 %. Liekö tällaisten takana isojen ulkomaista alkuperää olevien perhekuntien tai tuttavapiirien keskittyminen hyvin pienelle alueelle? Tämä lienee yksi mahdollinen selitys. Äärisuurien arvojen vastapainona on syytä huomata myös kartan värjäyksen ”vähemmän kiinnostava” pää: suurinta osaa alueesta peittää kellertävä sävy, joka indikoi muunkielisten osuuden olevan alueella vain <5,8 %. Varsinaiseen pakokauhuun ei ole pääkaupunkiseudun kielikulttuurin suhteen aihetta siis Rajat kiinni -porukallakaan.

Tuomas Pätäri (2016) kirjoittaa mainiosti kurssikerran teemasta blogissaan: ”Ruutuaineiston hyvä puoli on se, että sen esittämät alueet ovat samankokoisia, eli määrällinen tieto on aina suhteutettu pinta-alaan. Näin esimerkiksi asukkaat voidaan esittää absoluuttisina arvoina, eli tiedon ei etukäteen tarvitse olla suhteellista (esim as/km2). Ruututeemakarttojen luettavuus ei kuitenkaan aina ole parhaimmasta päästä.” Toteamusta havainnollistaa parhaiten Tatu Leppämäki (2016), joka on toteuttanut ja vertaillut ansioituneesti erilaisia esitystapoja samasta aineistosta ruutu-, liukuvärjäys- ja koropleettikartan muodossa. Kuten Leppämäki blogissaan toteaa: ”Yhteenvetona väitän ruutukarttojen soveltuvan täsmällisimmän tiedon esittämiseen, mutta hukkaavan jouheasti helppolukuisuutensa siinä ohessa. Koropleettikartta on kadunmiehen valinta ja liukuvärjätty- eli grid-kartta näyttää kivalta seinällä.” Olen suurimmilta osin samaa mieltä.. On kuitenkin syytä nostaa esiin, että myös ruutukartan luettavuudessa voidaan saavuttaa hyvä taso, jos muista asioista (esimerkiksi aineiston paikallinen tarkkuus) voidaan tapauskohtaisesti joustaa.

Harjoituskerran loppupuolella harjoittelimme rasterikuvan rekisteröintiä karttapohjaan. Luulin että rekisteröinti toimi ihan hyvin, mutta sen jälkeen auennut ”karttaikkuna” oli tyhjä eikä Map –> Save Cosmetic Objects toiminut. Mikähän tässä taas oli? Suljin kaiken ja aloitin uusiksi. Nyt edes rekisteröinti ei onnistu.

Kuva 3. Taas menee vahvasti.

Käynnistin kaiken vielä kerran uusiksi. Rekisteröinti ei vain onnistu. Manailua siivitti virheilmoitus (Kuva 3), kunnes tajusin koordinaattisysteemin puuttuneen MapInfon uudelleenkäynnistämisen jälkeen. Sen korjattuani rekisteröinti onnistui. Pornaisten keskusta tuotti kuitenkin ongelmia, sillä sitä merkkaavan punaisen suorakaiteen sisällä ei vain näkynyt mitään. Onkohan kartan rekisteröinti edelleenkin väärin? Tämä oli taas näitä hetkiä jolloin olisi kaivannut avunkysymisen mahdollisuutta.

Lähteet:

Leppämäki, T. (2016). Teemoja ruuduittain ja kolmin kerroin – 4. kurssikerta. PAKinoita kartoista. <https://blogs.helsinki.fi/leppatat/2016/02/12/4-kurssikerta-tyon-alla/> Luettu 28.5.2016.

Pätäri, T. (2016). <https://blogs.helsinki.fi/ttpatari/2016/02/10/rakennusvuosia-ruuduittain/> Luettu 28.5.2016.

Taas mennään! Ja jälleen jotain uutta tällä kertaa: pääasiassa tietokantojen valmisteluja, liitoksia ja muokkauksia. Lopuksi myös teemakartan tekoa vanhoista kunnon valuma-alueista.

Kurssikerran alkupuoli oli ohjeistettu harjoitustyökerran työnannossa selkeästi. Tästä huolimatta tekeminen jumitti järjettömän paljon: taulukoiden yhdistäminen SQL Queryllä ei vain toimi. Mikä eteen? Kysy Artulta? No enpä kysy toukokuun pimenevässä illassa Viikin ATK-luokassa. Olisi tämän voinut helpommaksikin itselleen tehdä.

Angola näyttäytyi ihmeellisenä vaakaviivoituksena ”Afrikka”-browserissa. Luomassani ”Angola_yhdistetty”-browserissa ei sen sijaan näkynyt mitään tietoja. Ei edes vaakaviivoja. Kaikki alusta. Close all. Exit.

En tiedä mitä oikein kävi ja missä meni vikaan. Uusi yritys kuitenkin tuotti tulosta: ehkä ruksin ottaminen pois kohdasta Table –> Combine objects using Column –> Country [ ] Indexed? En tiedä, mutta nyt SQL Query toimi!

Ohjeiden seuraaminen ei tuottanut hankaluutta. Suurimmat vastoinkäymiset tulivat sen sijaan niinä hetkinä, kun jokin ei sujunutkaan yhtä kätevästi kuin ohjeessa, eikä apua ollut luvassa muuta kuin lukuisten epäonnistuneiden klikkailujen, googletusten sekä yrityksen ja erehdyksen kautta. Timanttikaivoksia, öljykenttiä ja konfliktialueita käsittelevä osio meni ensin aivan metsään. Taulukkoon ei ilmestynyt mitään. Pitkällisten yritysten jälkeen asia kuitenkin korjautui, kun vaihdoin Table –> Maintenance –> em. sarakkeiden tyypeiksi Character –> Float. Muutoksen jälkeen sain laskettua timanttikaivokset, öljykentät sekä konfliktialueet. Sitä helpotuksen määrää, kun jokin asia onnistui ja toimi. Tänä Herran hetkenä blogitekstiä kirjoittaessa – jonkin aikaa harjoituksen suorittamisen jälkeen – en kuitenkaan löydä numeerisia vastauksiani mistään. Muistan vain, että lukumäärien esiin saaminen onnistui moitteetta. Sen sijaan olen tehnyt aiheesta taannoin kartan (Kuva 1).

Kuva 1. Kartta Afrikan timanttikaivoksista, öljykentistä ja konfliktialueista.

Tämän täytyy olla huonoin kartta, jonka olen kurssin aikana tehnyt. Siitä puuttuvat paitsi Afrikan rajat, myös legenda, pohjoisnuoli ja mittakaava. Viisainta olisi jättää tällainen tekele postaamatta blogiin, mutta haluanpa näyttää mahdolliselle bloginlukijalle, että ei nämä aina mene muillakaan niin hienosti kuin tarkoitus oli. Tarkastaisin symbolien selitteet, mutta tällä Lammin biologisen aseman koneella ei ole MapInfoa. Siispä tyydyn toteamaan, että parahin lukija, älä tee tällaista.

Onnistuneemman kartan perusteella olisi mielenkiintoista tarkastella esimerkiksi öljykenttien/timanttikaivosten löytämisvuoden ja konfliktien tapahtumavuoden välistä yhteyttä, jos sellaista on lainkaan löytyäkseen. Konfliktien laajuutta (säde km) olisi myös mielenkiintoista tarkastella alueella esiintyvien öljykenttien ja timanttikaivosten summaluvun perusteella: ovatko konfliktit paisuneet kokomitaltaan suuriksi alueilla, joilla arvokkaita luonnonvaroja esiintyy laajalla alueella? Niin ikään öljyn ja timanttien kaltaisten rikkauksien tarkastelu yhdessä alueen internetkäyttäjien lukumäärään olisi kiintoisaa, sillä internetiin yhteyden saavien määrä nähdään tänä päivänä usein yhtenä alueen kehittyneisyyttä kuvaavana tekijänä: mitä useammalla asukkaalla on pääsy internetiin, sitä kehittyneempää alueen informaatioverkosto on. Vaan jakautuvatko rikkaudet infrastruktuuriin ja tavallisille kansalaisille, vai valuvatko ne harvojen valittujen taskuihin? Nämä ovat vain muutamien esimerkkien pintaraapaisu asioista, joita aineiston avulla voisi tarkastella. Atte Aholainen (2016) nostaa blogissaan esille muita mielenkiintoisia mahdollisuuksia: millainen on konfliktien keskimääräinen esiintymistiheys ennen ja jälkeen timanttikaivosten tai öljykenttien löytymistä? Myös Petra Saari (2016) on nostanut blogissaan esille hyviä kysymyksiä: miksi joihinkin timanttikaivoksiin ei liity konflikteja? Saaren (2016) arvion mukaan ”ne voivat olla huonosti tuottavia ja siten ei niin kiinnostavia”, mikä olisi ihmistoiminnan tuntien varsin uskottava selitys. Toisaalta, jos tällaista yhteyttä ei havaittaisikaan, herättäisi se aihetta lisäkysymyksille: selittääkö konfliktien puutetta jokin muu tekijä? Tällaista tarkastelua voisi käyttää hyvin opetustarkoituksessa keskustelun herättämiseksi.

Afrikan jälkeen harjoituskerta taipui tulvakartan puolelle. Harjoitustyönä luotavan kartan avulla oli tarkoitus ilmentää Suomen vesistöjen valuma-alueiden ominaisuuksia ja niiden tulvaherkkyyttä.

Tällä kertaa homma lähti jotenkin rullaamaan. Tietokantojen (”valuma-alueet” ja ”keskiylivirtaama”) yhdistäminen onnistui SQL-Selectillä yllättävän näppärästi ja kivuttomasti. Taulukkoon tuli turhaa tuplatietoa, kuten valuma-alueen ID-nro ja nimi, mutta ne eivät tässä yhteydessä haitanneet. Eteenpäin.

Myös tulvaindeksin lasku kullekin valuma-alueelle onnistui hämmentävän ongelmitta. Tadaa! Tosin juurihan sitä edellä Afrikassa harjoiteltiin (no en harjoitellut Afrikassa, heh-heh. Jätin väliin ja tein Suomessa.) Järvisyys-data jatkoi onnistumisten suoraa: myös sen tuonti ja yhdistäminen Excelistä sujui kauniisti. Kyllä ihmetyttää. Päädyin kuitenkin tässä vaiheessa hiomaan taulukkoa poistamalla duplikaatit, koska ne eivät miellyttäneet silmää. Tämän vaiheen aikana Excel tosin kaatui kolme kertaa, mutta johan siinä olikin raskas tiedosto käsiteltäväksi: melkein 80 riviä ja kaksi saraketta.

Kun aineisto oli saatu järkevään muotoon, tarkastelin sitä ensin silmämääräisesti. Aineistosta erottui kirkkaasti Aurajoki hurjan korkealla tulvaindeksillään (1100). Kuten kurssohjeessa annetusta histogrammista näkyy, tulvaindeksien jakauma on vahvasti vino vasemmalle ja Aurajoki aivan omassa yksinäisyydessään. Kokeilin ensin valitsemani luonnollisten luokkavälien (Natural Breaks) lisäksi muutamaa muuta luokittelua, mutta nämä olivat järjettömiä Aurajoen erityislaatuisuuden takia. Aurajoki saa histogrammin lisäksi pysytellä myös minun luokittelussa siellä omassa yksinäisyydessään.

Kun aloin tehdä karttaa, palasin ajassa taaksepäin, ja luin huolella kuinka toisen kerran ohjeessa lausuttiin: ”Kun käytetään päällekkäisiä teemoja, ei ole suositeltavaa käyttää kolmea useampaa luokkaa luettavuuden ja kartan selkeyden säilyttämiseksi. Tästä syystä harjoituksen molempien teemojen luokkien lukumäärä valitaan kolmeksi.” Vaikka tässä tulvaindeksin osalta viisikin luokkaa olisi epäilemättä hoitanut asiansa, niin minäpä menin kolmella! Äärevöitetään vähän karttaa ja eroja.

Jälleen kerran itse kartanteon parissa tuli kuitenkin tenkkapoo. Miksi ihmeessä en saa tulvaindeksi-tietoja kartan muotoon haluamastani taulukosta – täytyykö niiden olla ”valuma-alueet”-taulukossa? Jämähdin tähän pitkäksi aikaa. En vain saanut koropleettikarttaa tehtyä. Suljin koneen, menin ulos kuuntelemaan saapuneita satakieliä ja jatkoin seuraavana päivänä.

Uusi päivä. Olipas se vaikeaa. Yhdistin taas SQL Selectillä ”valuma-alueet” ja oman uusimman tabini, ja sain aikaan yhdistetyn taulukon josta löytyivät valuma-alueet. Nyt Map –> Create thematic map –> Table: Selection from valuma-alueet –> Field: Join –> tulvaindeksi! Hahaa!

Luomani kartta ei kuitenkaan ollut tyydyttävä. Pienimmälle luokalle antamani valkoinen väri loi kuvan, ettei tulvaindeksiä ole alueilla olemassa lainkaan. Muutin värejä siten että pieninkin luokka on edes jotenkin sinisävyinen. Näin oli parempi.

Vaan voi pyhä sylvi että oli vaikeaa saada järvisyys-% ja sitä kuvaavat pylväsdiagrammit natsaamaan. Tein varmaan 10 SQL Selectiä ja kartta hävisi silmistä monta kertaa syystä minulle tuntemattomasta – olisi tämä varmasti helppoa jos osaisi. Taas meni kurssikerta todella yrityksen ja erehdyksen kautta. Lopulta muutaman oivalluksen jälkeen kartanteko onnistui. JES. Valmis tekele näyttää tältä (Kuva 1):

Kuva 1. Suomen valuma-alueiden tulvaindeksit (sininen värjäys) sekä järvisyysprosentit (pylväsdiagrammit).

Kartta on mielestäni onnistunut. Nyt valmista työtä katsoessa tulee mieleen, että järvisyysprosenttia ilmentäviä pylväitä olisi voinut hieman venyttää erojen näkyvyyden kasvattamiseksi, mutta käyvät ne tuostakin selväksi. Ei suuri vajavaisuus.

Tekstini meni tässä blogitekstissä aiemmin turhautumisen vallassa kuvailuksi, mutta nyt päästään pureutumaan itse asiaan: mitä tästä kartasta oikeastaan ilmenee? Valuma-alueiden tulvaindeksin ja järvisyysprosentin välillä vaikuttaa olevan selkeä yhteys. Niillä valuma-alueilla, joissa järvisyysprosentti on korkea, tulvaindeksi on matala. Toisinpäin ilmaisten tulvaindeksi-huiput saavutetaan alueilla, joissa järvisyys on vähäistä. Negatiivinen korrelaatio vaikuttaa vahvalta. Myös syy kartalla havaittavaan yhteyteen vaikuttaa ilmeiseltä: alueilla, joissa järviä on paljon, sateiden tai lumensulamisen aiheuttamat vesimassat varastoituvat paremmin tulvimatta yli äyräiden. Järvet siis tasaavat vesimäärän vaihteluita. Samaan johtopäätökseen oli blogissaan päätynyt Jasmiina Myllys (2016): ”Järvet toimivat veden varastoina, joten jos alueella on paljon järviä, vettä ei yhtä lailla keräänny jokiin ja jokien virtaamat pysyvät alhaisempina.” Kartasta huomaa, että maamme länsinnikolla tulvariskit ovat todellisia, vaikka ne eivät aiheuttaminsa vahinkojen puolesta yletäkään maailmalla esiintyvien, lukuisia ihmishenkiä vievien tulvien tasolle.

Kurssikerran yhteenvetona voisi todeta, että Afrikka tuotti tällä kerralla todella haastetta. Suomessa pysyminen olisi ollut varmasti helpompi valinta. Tällä kertaa ensimmäisen kerran blogituksesta oli kuitenkin todella hyötyä. Törmäsin sekä Afrikan että Suomen tulvaindeksin kohdalla pohjoisnuoli-ongelmiin, mutta muistin ongelman vanhastaan ja luin 1. kerran blogituksesta, miten se silloin ratkesi. Kirjoitin tuolloin kaukaa viisaasti ”Ohjelman työkalujen hallinta alusta alkaen säästää pitkällä kurssilla jatkossa hermoja.” Näin on. Tulevaisuuden Joni kiittää.

Lähteet:

Aholainen, A. 2016. Kurssikerta 3 – Tietokantojen yhdistämistä ja sen sellaista, 27.1.2016. Uusi blogipalvelut-sivusto. https://blogs.helsinki.fi/ammahola/2016/02/07/kurssikerta-3-tietokantojen-yhdistamista-ja-sen-sellaista-27-1-2016/

Myllys, J. 2016. Artikkeli 1. Jasmiinan PAK-blogi. <https://blogs.helsinki.fi/myllyjas/2016/02/03/3-kurssikerta-tietotulva-tietokannoista/> Luettu 22.5.2016.

Saari, P. 2016. Tietokannan muokkauksesta kartaksi. Karttoja, karttoja. <https://blogs.helsinki.fi/petrasaa/2016/02/15/tietokannan-muokkauksesta-kartaksi/> Luettu 22.5.2016.

Toisella kurssikerralla perehdyttiin teemakarttoihin, joissa on esitettynä kaksi teemaa yhdessä kartassa päällekkäin. Lisäksi tällä kerralla verestettiin syksyn TAK-kurssin muistoja aineiston luokittelun yhteydessä. Konkretiaa luokitteluun toi erilaisten luokittelujen havainnollistaminen karttojen muodossa MapInfossa.

Teemakarttojen tekoon sai tällä kertaa monipuolista treeniä. Tehtiin ennestään tutumpaa pylväsdiagrammia, ympyrädiagrammia, pistekarttaa, sekä nimiensä puolesta vähemmän tuttuja individual-, graduated- ja grid-karttoja. Alkusäikähdyksen jälkeen nämäkin osoittautuivat sisällöltään varsin tutuiksi: esimerkiksi grid-kartassa tuotettiin lopulta yksinkertaisesti liukuvärjätty kartta, jossa aineistoa interpoloidaan kahdella vaihtoehtoisella tavalla. Ei mitään järisyttävää siis sisällöllisesti. Harjoituksista prismaattinen kartta sekä 3D-kartta olivat sisällön puolesta uusimpia itselleni, ja tarjosivat lähestulkoon jännittäviä hetkiä MapInfon parissa: kolmiulotteisuus on vain niin in.

Tämän kerran itsenäistehtävässä tavoitteena oli tuottaa kartta, johon sai valita itse esitettävän ilmiön ja aineiston. Tavoitteena oli laittaa tietotaito kartan muotoon: löytää aivonystyröitä kutkuttavat tarkastelun kohteeh, luokitella aineisto järkevästi, valita ilmiön esittämiseen sopiva väriskaala ja tuottaa valmis kartta. Kurssikerran lisälukemiston hengessä teemakartassa tuli esittää kaksi teemaa. Koska Lapin alue on mielestäni kiinnostava, päätin käyttää kurssikerralla tarjottua Pohjois-Suomen karttaa, ja luoda siihen kuntakohtaisen tarkastelun työttömyysasteesta (2010) ja selvitettyjen rikoksien määrästä (2010) alueella. Loin alkuun työttömyysastetta ilmentävän tavallisen koropleettikartan sinistä väripintaa käyttäen. Tämän jälkeen lisäsin karttaan selvitetyt rikokset pistemäisenä kuviopintana. Valmis kartta on esitettynä alla (Kuva 1).

Kuva 1. Työttömyysaste ja selvitettyjen rikoksien määrä Pohjois-Suomen kunnissa vuonna 2010.

Työttömyysastetta kuvaava luokittelu (luonnolliset luokkavälit, kolme luokkaa) ja värjäys (sinisen sävyt) ovat mielestäni melko onnistuneet. Kartta näyttää kuntien väliset erot työttömyydessä selkeästi, joskin ehkä hieman korostaen. Sen sijaan selvitettyjä rikoksia kuvaava, tiheydeltään vaihteleva pistekuviopinta herättää enemmän mietteitä ja spekulaatiota. Luokittelin aineiston ensin viiteen luokkaan. Tämä ei osoittautunut lainkaan hyväksi valinnaksi, sillä jo kolmella luokalla pisteiden tiheyden erottaminen menee omalla kohdallani havaintojen prosessoinnin rajamaille: kartta on mielestäni OK, mutta pisteitä saa hetken aikaa todella tuijottaa, jotta selvitettyjen rikosmäärien erot käyvät ilmeisiksi. Viisi luokkaa olisi ollut tähän aivan liikaa.

Aineiston luokittelutavan valinnat menivät melko omalla painollaan. Kokeilin rikoksille ensin kvantiileja (equal count), mutta luonnolliset luokkavälit (natural break) tarjosi toimivamman vaihtoehdon. Tähän mennessä luonnolliset luokkavälit eivät vielä ole kurssiharjoitusten yhteydessä tuottaneet pettymystä. Ehkä myöhemmin kohdataan sellainenkin aineisto.

Kuten edellä sanoin, kartta (Kuva 1) on mielestäni kelvollinen. Siitä on kuitenkin huomattava muutamia seikkoja. Ensinnäkin kartassa esitetty selvitettyjen rikosten määrä on absoluuttinen, ei osuus tai suhdeluku. Toisin sanoen kartalla kunnan pistetiheyden määrää se, kuinka monta rikosta on selvitetty – ei se, kuinka monta rikosta kunnassa on tehty per asukas. Kuten kartasta näkyy, tiheimmät pistekuviopinnat löytyvät Rovaniemen, Kemin ja Tornion kunnista. Erityisesti Rovaniemen olisi voinut arvata ilman karttaakin: kyseessä on alueen väkiluvultaan isoin kaupunki, minkä voi ilman kristallipalloakin ennustaa lisäävän kunnassa suoritettavien rikosten määrää. Victoria Ollus (2016) esitti omassa blogissaan koropleettivärjäykseen ja pylväsdiagrammeihin nojautuvan kartan väkiluvun ja selvitettyjen rikosten yhteydestä Uudellamaalla, ja johtopäätös on samanlainen: siellä missä väkiluku on suuri, myös selvitettyjen rikosten määrä on suuri.

Kartan yllättävyyttä ei voi kuitenkaan redusoida pelkkään väkilukuun. Tulosta voi lisäksi vääristää myös muun muassa virkavallan riittävyys: kokemukseni mukaan esimerkiksi Käsivarren alueella on vaikeaa saada ylinopeussakkoa, vaikka mittari huitelisi järjettömissä lukemissa. Tilanne on toinen Rovaniemen kaduilla. Voi toki myös olla, että Rovaniemellä, Kemissä ja Torniossa rikoksen suorittajat ovat laadultaan huonompia ja jäävät rötöksistään useammin kiinni. Tätä data ei kuitenkaan kerro.

Kartan vajeista huolimatta siitä voi tehdä jonkinlaisia johtopäätöksiä. Työttömyyden ja selvitettyjen rikosten yhteys ei kuitenkaan osoittaudu havainnollistuksen (Kuva 1) perusteella niin ilmeiseksi kuin olisi etukäteen odottanut: pistekuviot eivät ole järjestään tiheimpiä tummansinisissä eli niissä kunnissa, joissa työttömyysaste on suurin. Esimerkiksi edellä mainitut Rovaniemi ja Tornio sijoittuvat alhaisimman työttömyyden vaaleansiniseen luokkaan, mutta niistä löytyy silti suurimmat määrät selvitettyjä rikoksia. Monet työttömyydestä kärsivät kunnat, kuten Enontekiö, Savukoski ja Pelkosenniemi taasen sijoittuvat pienimpään selvitettyjen rikosten luokkaan. Näiden esimerkkien kautta käy ilmi parhaiten selvitettyjen rikosten ongelma, jonka edellä esitin: luvut eivät ole asukkaiden määrään suhteutettuja osuuksia. Jos kartassa olisi esitetty absoluuttisten selvitettyjen rikosmäärien sijaan niiden määrä per asukas, kartta olisi varmasti toisenlainen. Saman toteaa Victoria Ollus (2016) omassa blogissaan: ”olisi siis ollut järkevämpää käyttää suhteellisia arvoja, kuten rikoksia sataa tai tuhatta asukasta kohden.” Olettaisin, että yhteys työttömyyden ja rikosten välillä olisi tällöin ilmeisempi siten, että korkean työttömyyden kunnissa myös rikokset olisivat yleisempiä.

Tämä kurssikerta sujui teknisesti kohtalaisesti, vaikka diagrammista ja teemakartasta toiseen hyppiminen meinasikin aluksi tuottaa hankaluuksia. Naurettavan lopputurhautumisen tarjosi legendan lisääminen karttaan: miten voikin olla näin vaikeaa saada selite legend-ikkunasta valmiiseen karttaan? Turhautuneiden klikkailujen jälkeen muistin törmänneeni aiemmin samaan ongelmaan, kaivoin ensimmäisen kerran muistiinpanot esiin ja löysin sieltä ratkaisun: Layout-ikkunaan siirtyminen ratkaisi tämän osaltani erävoitoksi: Joni 1 – MapInfo 0. Luultavasti tämä on kuitenkin vasta alkua.

Lähteet:

Ollus, V. 2016. Toinen kurssikerta: Kaksi teemaa, yksi kartta. Victorian kurssiblogi. <https://blogs.helsinki.fi/ollus/2016/02/02/toinen-kurssikerta-kaksi-teemaa-yksi-kartta/> Luettu 22.5.2016.

Leonowiczin (2006) artikkeli kuvaa kaksimuuttujaisten koropleettikarttojen etuja, haittoja ja eroavaisuuksia perinteisiin yhden muuttujan esittäviin koropleettikarttoihin verrattuna. Tutkimuksen mukaan kaksi muuttujaa yhdessä kartassa esittävät koropleettikartat ovat lukijalle visuaalisesti mielenkiintoisempia. Lisäksi kahden muuttujan koropleettikartat esittävät selvemmin muuttujien välisiä suhteita ja riippuvuuksia. Niiden luettavuus on kuitenkin vahvasti riippuvainen kartan luovan henkilön ratkaisuista esimerkiksi värien ja luokittelun suhteen – huonoimmillaan kaksimuuttujaiset koropleettikartat koetaan hankalammaksi lukea kuin yhden muuttujan kartat. Tutkimuksen mukaan kaksimuuttujaiset koropleettikartat häviävät myös alueellisten jakautumisten esittämisen selvyydessä, vaikka kuvaavatkin riippuvuuksia yksimuuttujaisia karttoja paremmin. Artikkeli pyrkii tuomaan esille kaksimuuttujaisten koropleettikarttojen etuja sekä myös selvästi muuttamaan niistä vallalla olevia käsityksiä. Tämä käy ilmi paitsi rivien välistä, myös artikkelin lopettavasta virkkeestä ”we may hope that these results will encourage cartographers to use this form of visualization more often in practice” (Leonowicz 2006).

Artikkeli on melko lyhyt ja selkokielinen. Ensimmäinen sivu ja siinä oleva, jokseenkin redundantti Kuva 1, menivät hieman tunnustellessa mistä julkaisussa on kyse. Ensimmäisenä silmään pisti artikkelin avaava pitkä avauskappale, joka on lähes viitteetön. Kappaleen loppupuolella viitataan ensimmäisen kerran aiempaan julkaisuun. Myös myöhemmin käytetty ”This was proven experimentally” hymähdytti – prove on tieteellisissä julkaisuissa kova sana. Pikaisen googlauksen perusteella Geografija ei vaikuta aihepiirin kovimmalta julkaisusarjalta.

Toiselle sivulle päästessä aihe alkoi avautumaan, ja paperi rupesi tuntumaan hyvin ymmärrettävältä. Kuva 2 selvensi kaksimuuttujaisten koropleettikarttojen ideaa, ja luokittelun määrän rajaaminen neljään (2 x 2) tai yhdeksään (3 x 3) tuntui tekstin valossa hyvin perustellulta. Joukkoon mahtui hieman teknistä/mekaanista residuaalien esitystapojen kuvailua, mikä ei tuonut juurikaan lisäarvoa ymmärrykseen.

Kaksimuuttujaisen koropleettikartan todellinen idea ja luonne alkoi selvitä, kun artikkeli eteni Kuvan 3 käsittelyyn. Aluksi kuva tuntui epäselvältä. Sitten luin tekstiä eteenpäin, ja se tuntui hyvin selvältä. Erityisesti legenda aiheutti ensin hämmennystä, vaikka olikin lopulta varsin yksinkertaista luettavaa. Sen merkitys aukeni kartan ohella helposti, kun vaivautui katsomaan yllä esitettyjä yhden muuttujan koropleettikarttoja. Nämä selvensivät kuvaa huomattavasti. Lyhyesti referoiden kartassa on esitetty kaksi muuttujaa: maalla asuvien osuus väestöstä ja alle 18-vuotiaiden osuus väestöstä. Näitä muuttujia kuvaavat em. järjestyksessä cyaani ja magenta (mitä hittoa nämä värit edes ovat suomeksi?). Puhun siis sinisestä ja punaisesta. Kun muuttujat laitetaan yhteen koropleettikarttaan (Kuva 3), alueiden violetit värisävyt viittaavat muuttujien väliseen vahvaan korrelaatioon, punertavat virhevaihtelun positiivisiin jäännösvirheisiin ja siniset negatiivisiin jäännösvirheisiin. Tämä selviää nyt hyvin legendastakin, ja kartta on helposti luettavissa. Kuten legendasta käy ilmi, alle 18-vuotiaiden osuus väestöstä kasvaa maalla asuvan väestön osuuden kasvaessa, eli muuttujien välillä on positiivinen korrelaatio. Karttaa katsoen esimerkiksi Mazowszen kaakkoiskulman sinisellä alueella maalla asuvia ihmisiä on varsin paljon mutta alle 18-vuotiaita verrattain vähän; Varsovan koillispuolella sijaitsevalla vaaleanpunaisella alueella taas nuoria paljon vaikka maaseudulla asuvaa väkeä vähän. Monet alueet putoavat ”odotusten mukaisiin” violetteihin luokkiin.

Kuvaa 3 katsellessani vilkaisin myös Kuvaa 4. Tämän ensimmäinen kohta 4A oli selvä. 4B puolestaan kaikkea muuta – vaikuttipa sekavalta. Jätin sen sikseen ja jatkoin lukemista, vain huomatakseni että tekstissä oli noteerattu juuri sama: 4A on looginen ja luettava, mutta 4B väri- ja luokkavalintojen takia hyvin epäselvä. Ei ihme, jos tällaiset ratkaisut saavat kaksimuuttujaisen koropleettikartat vaikuttamaan vaikeaselkoisilta. Ratkaisujen ei pitäisi olla kiinni myöskään niiden teknisestä toteutettavuudesta, sillä tällaiset kartat ja luokittelut (Kuva 3, Kuva 4) ovat hyvin toteutettavissa varsin yksinkertaisillakin ohjelmilla. Vähemmän harjaantuneella käyttäjällä ohjelman tarjoamat helppokäyttötoiminnot ovat varmasti yksi valintoja ohjaava tekijä, jos valintojen pohtimista ei ole erikseen korostettu.

Tutkimuksen aineisto oli kerätty maantieteen fuksien parista. Lähtökohtaisesti maantieteen pariin hakeutuneet opiskelijat ovat kuitenkin oletettavasti muuta väestöä kartanluku-orientoituneempia, eikä artikkelin ”The students were at the beginning of the first year of studies, so they were not accustomed to cartographic presentation methods” (Leonowicz 2006) vaikuttanut riittävältä häivyttämään ajatusta siitä, että tutkimuksen yleistettävyys ei koske välttämättä kansan syviä rivejä, sitä suurta perusmassaa, joukkoa, joka kansakuntiamme harteillaan kannattelee. Tuoreiden opiskelijoiden kartanlukuvalmiudet olivat epäilemättä varmasti tavan kaduntallaajaa korkeammat.

Kuvien 5 ja 6 jakaumat olivat mukavat nähdä. Vaikka tilastollisesti merkitsevä p-arvo oli muutamasta paikasta saatukin kaivettua esiin, toivat histogrammit esille mielestäni opiskelijoiden kokemusten yhteneväisyyttä kuin eroavaisuutta kahden kartografisen esitystavan välillä. Erojakin kuitenkin löytyi, kuten aloituskappaleessa referoin.

Jasmiina Myllys pohtii blogissaan seuraavaa: ”Aloin pohtimaan, että hieman vaikeammin tulkittava esitystapa saattaa jopa loppujen lopuksi saada lukijan ymmärtämään kartan sisältöä paremmin. Silloin lukija ei nimittäin voi vain nopeasti vilkaista karttaa ja tehdä hutaistuja johtopäätöksiä, vaan hänen täytyy oikeasti perehtyä karttaan ja sen legendaan kunnolla. Silloin kartan sisältämä tieto jää ehkä paremmin mieleen.” Tämä oli mielenkiintoinen näkökanta, ja pitää varmasti paikkansa osalle kartanlukijoista. Oma ei-niin-valistunut arvaukseni on kuitenkin se, että muille kuin maantieteestä ja kartografiasta kiinnostuneelle vaikeammin tulkittava esitystapa johtaa päinvastaiseen reaktioon: se siitä, kartta veks, pois silmistä, pois mielestä, ei kinosta. Tämä on tietysti hyvin lukijakohtaista ja riippuvaista vastaanottajan valmiuksista ja motivaatiosta, mutta pitäisin henkilökohtaisena ohjenuorana kiinni siitä, että kahdesta muutoin tasavertaisesta vaihtoehdosta helpommin tulkittava esitystapa on aina mielekkäämpi.

Lähteet:

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

Myllys, J. 2016. Artikkeli 1. Jasmiinan PAK-blogi. <https://blogs.helsinki.fi/myllyjas/> Luettu 29.4.2016.

PAK-kurssi on potkaistu nyt käyntiin. Lyhyen kurssijohdannon jälkeen aloimme tutustumaan paikkatietoihin ja kurssilla käytettävän ohjelman (MapInfo) perustyökaluihin.

MapInfon opettelu jatkoi pitkälti siitä, mihin edeltävällä TAK-kurssilla jäätiin CorelDraw:n kanssa. MapInfossa korostuvat samaan tapaan objektien käyttö ja ilmiöiden hahmottaminen tasojen kautta. Kurssikerran yhteisesti tehdyssä harjoituksessa laadimme teemakartan Suomen kuntien (2015) ruotsinkielisten asukkaiden %-osuuksista. Harjoitus oli MapInfon työkalujen rauhallista opettelua, mikä oli tervetullutta kurssin jatkoa ajatellen. Kartan laatimisessa pohdittiin hieman aineiston luokittelua, mutta maantieteellinen analyysi sai jäädä tässä vaiheessa vielä vähemmälle.

MapInfo vaikuttaa ohjelmana loogiselta. Monet sen toimintaperiaatteista ovat hyvin muita ohjelmistoja vastaavat: esimerkiksi Layer Control –osion vaihtoehdot ”Visible”, ”Editable” ja ”Selectable” ovat toiminnaltaan varmasti tuttuja jokaiselle TAK-kurssin käyneelle, vaikka symbolit ja selitteiden sanavalinnat saattavatkin erota hieman CorelDraw:n vastaavista. Kuten aina, moninaisiin valikkoihin ja työkaluihin totuttelu vie kuitenkin aikansa.

Jotkin yksinkertaiset toiminnot olivat MapInfossa aluksi haasteellisia. Esimerkiksi pohjoisnuolen yksinkertainen drag & drop –siirtäminen herätti parikin kysymystä ennen kuin sain sen toimimaan haluamallani tavalla. Ensimmäinen ongelma oli perustavanlaatuinen: nuoli ei liikkunut. Tähän löytyi ratkaisu Layer Controlin valinnoista (Editable). Kun nuoli vihdoin liikkui, se jätti jälkeensä alkuperäiselle paikalle ”varjon”. Tämä johtui siitä, että yksittäiseltä objektilta vaikuttava pohjoisnuoli koostui todellisuudessa lukuisista osista. Ongelma korjaantui, kun valitsin nuolen kartalta ”Select”-työkalun sijaan ”Marquee select”:llä, ja rajasin koko nuolen valittavan alueen sisäpuolelle. Pikkujuttuja, mutta hyviä testata ennen varsinaisten analyysien tekoa. Ohjelman työkalujen hallinta alusta alkaen säästää pitkällä kurssilla jatkossa hermoja.

Yhteisen harjoituksen jälkeen tehtävänä oli laatia koropleettiteemakartta vapaavalintaisesta aiheesta. Käytimme harjoitteen pohjana samaa tietokantaa Suomen kunnista 2015. Valitsin teemakarttani aiheeksi eläkkeellä olevien osuuden (%) kunnan asukkaista. Odotukseni olivat, että 1) suuret kaupungit erottuisivat kartasta muita alemman eläkeläis-osuutensa ansiosta ja että 2) Suomessa olisi havaittavissa ainakin lievä pohjois-etelä- tai itä-länsi -gradientti siten, että eläkeläisten %-osuus kunnan väestöstä kasvaisi pohjoiseen ja itään päin mentäessä. Gradientin ei kuitenkaan olettaisi olevan järin vahva, koska kuntia on Suomessa paljon (tässä 317) ja yksittäisen kuntien välillä on alueiden sisälläkin huomattavaa vaihtelua.

Ennen kartan laatimista tarkastelin aineistoa kurssimateriaaleissa tarjotun histogrammityökalun (Interactivate Histogram 2016) avulla. Valmista histogrammia (Kuva 1) voisi parantaa monin tavoin, mutta sen perusviesti tulee hyvin selväksi: aineisto on jokseenkin normaalisti jakautunut. Teemakartta-harjoitteen kannalta on epäoleellista, kuinka moneen luokkaan histogrammi on jaettu tai mitkä ovat eksaktit luokkien väliset rajat. Kuten kuvasta voi karkeasti nähdä, suurin osa Suomen kunnista putoaa jonnekin 20–36 %:n välimaastoon. Kaikista Suomen kunnista jopa 96:ssa eläkeläisten %-osuus on n. 25–31 %. Jos valitset siis Suomen kunnista yhden sattumanvaraisesti, keskimäärin noin joka neljännes sen asukkaista on eläkeläisiä. Tämä on tietysti karkea yleistys, mutta se on melko havainnollistava maamme väestörakenteesta: vähäisen syntyvyyden ja pitkän eliniänodotteen takia eläkeläisten osuus väestöstämme on kivunnut huomattavan korkeaksi.

Kuva 1. Histogrammi eläkkeellä olevien osuudesta (%) Suomen kunnissa 2015. Kuvaajassa on esitetty X-akselilla eläkeläisten osuus asukkaista (%) kussakin kunnassa ja Y-akselilla kuntien lukumäärä.

Histogrammin perusteella voi pohtia ja perustella valitsemiaan luokkajakoja aineistolle. Halusin, että erot näkyvät kartalla hieman korostetusti. Tästä syystä esimerkiksi tasaväliset luokat (MapInfossa Equal Ranges) olisivat huono valinta, sillä suurin osa Suomen kunnista osuu samoille keskivaiheille asteikkoa (Kuva 1). Tällöin erot kuntien välillä pikemminkin häviäisivät kuin korostuisivat. Kokeilin kartanluonnissa kvantiileja (Equal Count) ja luonnollisia välejä (Natural Break). Koska molemmat tuottivat jotakuinkin haluamani lopputuloksen, menin sieltä missä aita oli matala ja valitsin luonnollisiin väleihin perustuvan luokittelun Artun ohjeen mukaisesti: ”käyttäkää yleensä Natural Breakia, jos ette muuta keksi”. Valmis kartta (Kuva 2) vastaa odotuksia melko hyvin.

Kuva 2. Eläkeläisten osuus (%) asukkaista Suomen kunnissa 2015. Tummat värit kertovat eläkeläisten suurista määristä.

Kartta on jotakuinkin sellainen kuin odotinkin. Maassamme ei näy silmiinpistävää pohjois-etelä –suuntaista gradienttia, mutta eläkeläisten %-osuus asukkaista vaikuttaa olevan keskimäärin suurempi maamme itäosissa. Sen sijaan kaupungit erottuvat kartasta hyvin selvästi ja juuri odotetulla tavalla: mm. pääkaupunkiseudun, Turun, Tampereen, Jyväskylän, Oulun ja Rovaniemen alueet erottuvat muita kuntia vaaleampina. Menneistä kurssiblogeista oli hauska huomata, että kartta on huomattavan yhdenmukainen – vaikkakin erivärinen – muun muassa sellaisen kartan kanssa, jossa on kuvattu korkea-asteen suorittaneiden osuutta (%) asukkaista (Lohi 2013). Tämä ei ole tietenkään sattumaa, sillä kaupunkien vaikutus näkyy lukuisia eri ihmisryhmiä tarkasteltaessa.

Kartta (Kuva 2) on mielestäni yleisilmeeltään selkeä, ja se korostaa kuntien välisiä eroja. Valitsin käytettäväksi vain yhden värin (sininen) eri sävyjä, koska jotkin kahden värin yhdistelmät olivat hyvin epäintuitiivisia lukijalle. Selkeydestään huolimatta karttaa on kuitenkin syytä tarkastella kriittisesti ja huomata mm. sen luokittelu: kaksi kuntaa voivat olla keskenään hyvin eriväriset vaikka niiden välillä olisi vain noin 5 prosenttiyksikön ero (esim. 22,1 % ja 27,1 %). Toisaalta aineiston vaihteluväli on huomattava: kuntien välillä on merkittäviä eroja niiden 11,8 – 47,3 %:n välille asettuvilla eläkeläisten osuuksilla. Esimerkiksi listan kärkipaikalle 47,3 %:n eläkeläisten osuudellaan sijoittuva Luhanka tulee kohtaamaan jatkossa huoltosuhteen kannalta huomattavasti suurempia haasteita kuin Liminka, jossa eläkeläisiä on vain 11,8 % asukkaista.

Tämän harjoituskerran lopputuotteena syntynyt teemakartta (Kuva 2) on mielestäni melko onnistunut: siinä on esitetty vain harvoja elementtejä, ja kuvattu ilmiö tulee selvästi esille. Kartta mahdollistaa alueellisen tarkastelun lisäksi erilaisten arvausten ja/tai päätelmien teon. Toisaalta parantamisen varaakin aina löytyy. On perusteltua kysyä, antaako kartassa käytetty luokittelu realistisimman mahdollisen kuvan ilmiöstä, tai miksi tekijä ei vaivautunut lisäämään karttaan koordinaatteja. Vaikka jälkimmäiseen olisi helppo vastata, on erityisesti luokittelusta kumpuavien erojen häivyttäminen ja korostaminen lähes loputon keskustelun aihe. Kartan laatiminen on kompromissien tekoa, ja lopulta käyttötarkoitus ratkaisee kartan hyvyyden (Kartografian perusteet 2015). Teemakartastani tuli tällä kertaa tällainen.

Lähteet:

Interactivate Histogram (2016), Shodor, Durham (North Carolina). <http://www.shodor.org/interactivate/activities/Histogram/> Luettu 19.1.2016.

Kartografian perusteet 2015. Helsingin yliopisto, Helsinki. <http://www.helsinki.fi/maantiede/kurssit/TAK/Kartografian%20oppimateriaali/kartogrper/paasivu.html> Luettu 19.1.2016.

Lohi, S. 2013. Hyvää huomenta MapInfo: Harjoitus 1, yritys 1/2. Maantieteen amatööri. <https://blogs.helsinki.fi/salohi/2013/01/> Luettu 19.1.2016.

Test.

Test.

This is the test.

Kuva: http://static.giantbomb.com/uploads/scale_small/0/3042/248043-dopefish.gif