Rajan ylityksiä USA:ssa – Kurssikerta 7

Viimeistä tehtävää varten otin tarkasteltavaksi maahantulon USA:ssa. Alkuperäinen ajatukseni oli tarkastella rajanylityksiä ja raja-asemilla tilastoitua rikollisuutta, mutta jälkimmäisestä aiheesta ei löytynyt kelvollista aineistoa. Muutin hieman suunnitelmaani ja päädyin tutkimaan maahan saapumista ja rajanylityksiin liittyviä pakkokeinoja. Ensimmäisestä aiheesta löysin hyvän tilaston USA:n Department Of Homeland Security:n (DHS) sivuilta löytyvästä 2012 Yearbook of Immigrant Statistics:stä (OIS 2013). Kyseisen taulukkokirjan taulukko nro 30 esittää maahan saapuneita, ei-maahanmuuttajia tai pakolaisstatusta hakevia henkilöitä osavaltioittain. Jälkimmäinen aihe tuotti hieman enemmän päänvaivaa.

Yhdysvaltojen rajanylityksiä valvova rajavartiosto (Border Patrol) on osa DHS:a, mutta ei ole ainoa viranomainen joka osallistuu maahantulon kontrollointiin. Saman viraston Immigration and Customs Enforcement -osaston (ICE) kaksi toimijaa, Homeland Security Investigations (HSI) ja Enforcement and Removal Operations (ERO) toteuttavat myös seurantaa sekä suorittavat pakkokeinoja (vangitseminen, tutkinta, maasta poistaminen jne.), mutta pääasiallisesti sisämaassa eikä rajavyöhykkeellä (ICE 2015). Haasteen muodosti kuitenkin osavaltiorajoista poikkeavat toiminta-alueet sekä samojen henkilöiden mahdollinen tilastointi useaan kertaan (pidätetty, siirretty vankilaan, poistettu maasta jne.).  Päädyin tämän takia käyttämään ainoastaan rajavartioston toimintaan liittyviä tilastoja (OIS 2013, taulukot 35 ja 38) ja jätin huomoimatta laittomaan maahantuloon liittyvät jatkotoimenpiteet.

Laadin kartan missä esitetään maahan saapumisen määrää sekä rajavartiolaitoksen suorittamia pidätyksiä ja kielteisiä maahantulopäätöksiä (kuva 1). Tarkasteltava ajanjakso oli “tilivuosi” (fiscal year, tammikuusta lokakuuhun) 2012 ja rajasin aineistosta pois Alaskan, Hawajin ja Puerto Ricon lukemat.

Rajaylitykset ja niihin liittyvät valvontatoimet USA:ssa 2012

Kuva 1. Rajaylitykset ja niihin liittyvät valvontatoimet USA:ssa 2012.

Kuvassa esitetään koropleettisenä karttana maahantulo osavaltioittain, mistä näkyy selvästi isojen lentokenttien vaikutus (katso myös kuva 2). Osavaltioista New York, Illinois ja Florida erottuvat ympäristöstään juuri lentoliikenteen vuoksi. Myös Dallasin kenttä on voimakkaasti liikennöity, mutta koko Meksikon vastaista rajaa leimaa voimakas maahantulo (pl. New Mexicon osavaltio, mutta sillä on muita alueen osavaltioita vähemmän yhteistä maarajaa Meksikon kanssa. California on myös suositty kohde maahan tultaessa mutta osavaltion isoja saapumislukemia nostaa myös tiheästi liikennöity raja Meksikon kanssa. Suurten järvien alueella näkyy liikennöinti Kanadan ja USA:n välillä ja Nevadassa Las Vegasiin saapuvien matkustajien määrä.

Toisena kuvaajana kartassa osoitetaan rajavartioston tekemien pidätysten määrä pistetietona. Pidätykset on kirjattu rajavartiostosektoreittain (Wikipedia 2010 ja CBP 2015), joten esitystapa voisi tehdä hallaa esim. Havren valtavalle sektorille, mutta pidätysten keskittyminen Meksikon vastaiselle rajalle on selvästi havaittavissa. Rajavartioston tekemistä pidätyksistä lähes 98 % suoritettiin eteläisillä sektoreilla (Californian, Arizonan, New Mexicon ja Texasin osavaltioiden alueella). Rajavartioston kenttätoimistot antoivat myös kielteisiä maahantulopäätöksiä yhteensä 191622. Nämä keskittyvät myöskin etelärajalle, mutta Seattlen ja Buffalon toimistot erottuvat alueellisesti tarkasteltuna selkeämmin kuin pidätysmäärissä.

Busiest Commercial Airports in North America 2011

Kuva 2. Pohjois-Amerikan suurimmat lentokentät matkustajamäärien mukaan 2011 (Lucas 2012).

Harjoituksessa käytetty pohjakartta (USA osavaltioittain) löytyi Natural Earth Data -sivustolta, mutta johtuen ravavalvontasktoreista jouduin tehtävää suorittaessani opettelemaan erityisesti aluemuotoisten kohteiden piirtämistä ja muokkaamista. Tietokantojen käsittely tehtävässä sujui hyvin – siitä on ollutkin kurssin aikana paljon harjoituksia mutta samoin kuin Tiia Salmisella omassa työssään (2015) meni aikaa tehtävässä eniten ehdottomasti  tilastojen käsittelyyn ja erityisesti tiedon hakuun. Kartan visuaaliseen ilmeeseen olen tyytyväinen, mutta rajavartioston sektoreiden rajat voisivat olla ohuempia – tällöin ne saattaisivat olla erottumasta tarpeeksi osavaltioiden rajoista.

Ja kyllä, MapInfo tuli kurssin aikana tutuksi eikä enää aiheuta inhoreaktiota.

– – –

Lähteet:

CBP = Customs and Border Protection (2015). Border Patrol Sectors. U.S. Customs and Border Protection. Department of Homeland Security. Luettu 26.2.2015. <http://www.cbp.gov/border-security/along-us-borders/border-patrol-sectors>

ICE = Immigration and Customs Enforcement (2015). What We Do – Overview. Department of Homeland Security. Luettu 26.2.2015. <https://www.ice.gov/overview>

Lucas, Brett (2012). Busiest Commercial Airports in North America – 2011. Transportation Mapping, Lucas Mapping Solutions. Luettu 3.3.2015. <https://lucasmapping.wordpress.com/services-offered-2/transportation-mapping/>

Natural Earth Data (2015). 1:50 m Cultural Vectors. Downloads. Naturalearthdata.com. Luettu 26.2.2015. <http://www.naturalearthdata.com/downloads/50m-cultural-vectors/>

OIS = Office of Immigration Statistics (2013). 2012 Yearbook of Immigrant Statistics. . Department of Immigration Statistics. Department of Homeland Security, USA. Heinäkuu 2013. Luettu 26.2.2015. <http://www.dhs.gov/sites/default/files/publications/ois_yb_2012.pdf>

Salminen, Tiia (2015.) Kurssikerta 7: Tilastoja Afrikasta. Biologin seikkailut Kumpulassa. Blogikirjoitus 24.2.2015. Luettu 3.3.2015. <https://blogs.helsinki.fi/tiisalmi/2015/02/24/kurssikerta-7-tilastoja-afrikasta/>

Wikipedia (2010). CBP Sectors Map. Luettu 26.2.2015. <http://commons.wikimedia.org/wiki/File:CBP_Sectors_Map.jpg>

Metoriittihavainnot – Kurssikerta 6

Kuudennen kurssikerran ensimmäisenä aiheena oli maantieteellisen tiedon kerääminen. Toteutimme pienryhmissä lyhyen harjoituksen, missä keräsimme GPS-vastaaottimella kohteita Kumulan alueella ja siirsimme saamamme tiedot taulukkoihin. Taulukoita voi käsitellä myöhemmin esim. MapInfossa tai ARCMapissa. Lisäksi harjoittelimme geokoodausta hyödyntämällä RAY:n materiaalia Helsingin pelikoneista. Geokoodauksessa mielenkiintoista oli taulukoidun postiosoitedatan perusteella tiedon liittäminen maantieteellisiin alueisiin – tietokantaan valmiiksi digitoidut teissä oli osoitetietoja, mihin yksittäinen pelikone voitiin liittää ja näin tarkastella mittaavaakin taulukkoaineistoa kartalla.

Varsinaisena harjoitteena teimme pistemuotoisen tiedon hakua internetistä ja tuotimme tästä tiedosta karttoja. Valitsin itse aiheeksi meteoriittien putoamispaikat. Pistemuotoisena pohjadatana käytin helmikuulta 2013 olevaa aineistoa, joka oli ladattavissa GoogleDocseista. Aineistossa oli tallennettu 34513 havaintoa metoriittien putoamispaikoista, havaintovuosista sekä metoriittien rakenteesta ja koosta. Tehtävänä oli laatia opetukseen kelpaavaa karttamateriaalia.

Ensimmäinen karttani (kuva 1) pyrkii havainnollistamaan meteoriittihavaintojen määrää. Koska 34513 havainnon esittäminen kartalla on hankalaa, päätin käsitellä ainoastaan vuoden 1900 jälkeisiä havaintoja. Niitä oli onneksi vain 33371…

meteoriitit 1900l löyd ja pud

Kuva 1. Metoriittihavainnot vuoden 1900 jälkeen. Kartassa on eroteltu meteoriitit, joista on putoamishavainto sekä ne meteoriitit, jotka on havaittu vasta putoamisen jälkeen.

Aineistossa oli kirjattu putoamishavainnot sekä vasta putoamisen jälkeen löydetyt meteoriitit (fell/found). Arizona State Universityn Center for Meteorite Studies (2015) avasi näiden kahden termin käyttöä. Tämän kartan tarkoitus olisi havainnollistaa, kuinka suhteellisen yleistä meteoriittien osuminen maapalloon on. Karttaa voisi käyttää esim. alustuksessa, jossa tarkastellaan meteoriittien rakennetta ja kokoa sekä niistä tehtyjä havaintoja.

Toinen karttani käsittelee meteoriittilöytöjä eri vuosisadoilla. Laadin kartan kolmiosaisena: löydöt ennen vuotta 1800, 1800-luvun löydöt ja löydöt 1900 vuoden jälkeen (kuva 2).

meteoriitit_eriaikakaudet

Kuva 2. Meteoriittilöytöjä eri aikakausilta.

Kartan tarkoitus on osoittaa, että suurin osa löydöistä tai havainnoista on tehty 1900 luvulla sekä havainnollistaa, miltä alueita löytöjä on kirjattu. Lienee epätödennäköistä, että esim. Afrikkaan meteoriitteja olisi pudonnut vasta vuoden 1900 jälkeen, jotan kartan avulla voidaan myös avata (länsimaista kehittyneiden maiden) maailmankuvaa ja sen aukenemista löytöretkien ja kolonialisoinnin myötä. Euroopan ja Pohjois-Amerikan havaintomäärä on suhteettoman iso verrattuna muuhun maailmaan. Toisaalta pienikin meteoriitti voi jäädä havaitsematta, jos se putoaa seudulle missä ei ole asutusta. Tässä kartassa on esitetty ainoastaan ne meteoriitit, joiden massa on vähintään kilo. Lisäksi alimmassa osassa kartaa on huomoitu ainoastaan ne meteoriitit, joiden havaintovuosi on tiedossa (tausta-aineistossa osa havainnoista oli kirjattu vuodelle 0 ja osa vuodelle 99999).

Kolmas karttani pyrkii olemaan luonnonmaantieteellisempi ja siinä osoitetaan 10 painonsa puolesta suurinta meteoriittilöydöstä (kuva 3).

10 isointa

Kuva 3. 10 suurinta meteoriittilöydöstä. Löydöksestä kerrotaan paikannimi, havaintovuosi ja meteoriitin paino tonneina). Lisäksi kartalla erotellaan löydetyt (punaiset merkit) meteoriitit ja yksi metoriitti, josta on putoamishavainto (vihreä merkki).

Tätä karttaa voisi käyttää lähteenä tehtävään, missä opiskelijat saisivat selvittää meteoriittitörmäysten vaikutusta ympäröivään alueeseen. Esimerkiksi Sikhote-Alinin meteoriitin putoaminen on havainnoitu vuonna 1947 ja sen putoamispaikalta on valokuvia (esim. tällä sivustolla). Myös suurimmasta meteoriitista, Hoban meteoriitistä on paljon kuvamateriaalia. Winslowssa, Pohjois-Arizonassa USAssa, on erittäin hyvin säilynyt Canyon Diablon metoriittikraateri. Paikan omilta nettisivuilta (Meteorcrater.com, 2015) näkyy hyvin, miten massiivinen törmäys on ollut ja mitä vaikutusta sillä on ollut. Arizona kuivana alueena on myös otollinen tutkijoille – kasvillisuus tai ihmisten jälki ei pääse peittämään kraateria.

Kaikissa kartoissa käsitellään koko maapalloa tarkasteltavana alueena. Olisin halunnut laatia kartan jonkun tietyn maanosan meteoriittihavainnoista, mutta törmäsin samaan ongelmaan kuin Riina Koskela blogissaan (2015): valmiin kartan projektio ei näyttänyt hyvältä ja palasin takaisin tarkastemaan tapauksia isommassa skaalassa.

PS: Laura Hiltunen on löytänyt omaan blogiinsa (2015) mahtavan kartan, missä metoriittien koko ja putoamispaikka näytetään komean visuaalisesti ja kartan aineisto on vielä sama kuin mitä käytimme harjoitteessa. Kannattaa käydä katsomassa!

– – –

Lähteet:

Center for Meteorite Studies (2015). I want to find a meteorite; what should I look for? Terminology, Meteorite falls vs. finds. Arizona State University. Luettu 22.2.2015. <http://meteorites.asu.edu/meteorites/how-can-i-find-a-meteorite>

Hiltunen, Laura (2015). Kurssikerta 6. Lauran blogi, 17.2.2015. Luettu 3.2.2015. <https://blogs.helsinki.fi/lauhiltu/2015/02/17/kurssikerta-6/>

Koskela, Riina (2015). Kurssikerta 6: Piristävää vaihtelua. Riina & 38 päivää paikkatietoa, blogikirjoitus. Luettu 2.3.2015. <https://blogs.helsinki.fi/riinakos/2015/02/20/kurssikerta-6-piristavaa-vaihtelua/>

Meteorcrater.com (2015). Barringer Crater Company, USA. Luettu 2.3.2015. <http://meteorcrater.com/>

Bufferointia ja itsenäisharjoitteita – Kurssikerta 5

Viides kurssikerta sisälsi paljon harjoitteita, joita tehtiin pääasiassa omatoimisesti. Tämä tarjosi myös mahdollisuuden kokeilla, miten hyvin MapInfo oli näpeissä. Uutena asiana käsittelimme bufferointia eli puskurointia. Bufferoinnissa vektoriaineiston ympärille luodaan “vaikutusalue” ja näin voidaan selvittää alueen sisälle jäävien paikkojen tai kohteiden määrää tai tutkia niiden ominaisuuksia. Yksi sovellus bufferoinnille voi olla esimerkiksi teiden ympärille luotava puskuri, jonka alueelta etsitään kaikki yli 15 m korkeat puut jotka voivat kaatua myskyn aikana tielle. Tämä edellyttää, että puut ja niiden pituus on koodattu paikaktietokantaan. Toinen sovellus bufferoinnille voisi olla etäisyyksien laskeminen – kuinka helposti kohteet ovat saavutettavissa, jos kuluttaja ei suostu kävelemään 50 metriä kauemmas parkkipaikasta tai tieltä. Mirka Jokela-Määttä kirjoittaa muuten omassa blogissaan (2015) hyvin puskuroinnista ja käsittelee hyviä esimerkkejä puskuroinnin hyödyntämisestä.

Käytimme kurssikerran harjoitteissa Malmin ja Helsinki-Vantaan lentokenttiä tutkittavina kohteina ja harjoitukset sujuivat mielestäni hyvin. Itsenäisharjoitukseni käsitteli Helsingin Yhtenäiskoulun koulupiirin asukkaita ja koululaisia. Olen koonnut tehtävään saamani vastaukset alla olevaan taulukkoon ja verratessani niitä Suvi Heittolan blogissaan (2015) esittelemiin tuloksiin, vaikuttavat ne ainakin samanlaisilta.

Tunnuslukuja Yhtenäiskoulun koulupiirin asukkaista:
Asukkaita koulupiirin alueella 1897
Seuraavana vuonna koulun aloittavia eli nyt 6-vuotiaita 14
Seuraavana vuonna yläasteikäisiä eli nyt 12-14 -vuotiaita 62
Koulupiirin alueella asuvien kouluikäisten (7-15 vuotiaiden) määrä 159
Kouluikäisten osuus koulupiirin asukkaista 8,4 %
Muunkielisiä asukkaita koulupiirin alueella 110
Muunkielisiä kouluikäisiä koulupiirin alueella (1 9
(1 Oletettu, että muunkielisissä perheissä lasten ja aikuisten suhde on sama kuin kouluikäisten osuus koulupiirin asukkaista

Nyt kun MapInfoa on käsitelty kuukauden verran, huomaan että alussa sitä kohtaan kokemani vastenmielisyys on kadonnut ja ohjelma on tullut tutuksi. Edelleen suorituskertoja ohjelman parissa on vähän, joten joudun tarkastamaan monen asian ohjeista ennen tekemistä.

Erityinen huomio on, että paikkatietokannan merkitys on korostunut entisestään. Jos saatavilla ei ole hyvin laadittua tietokantaa tai aineistoa, ei ohjelmalla saa aikaan suuria. Olemme kurssin aikana kohtuullisen vähän koonneet omia tietokantoja – pääasiallisesti olemme saaneet tietokannat valmiina käyttöön tai muokanneet niitä hieman. Esimerkiksi GIS Lounge -verkkojulkaisussa R. N. Srivastava (2008) kirjoittaa aineiston laaduta. Hän käsittelee artikkelissaan lyheysti eri määritelmiä aineiston laadulle ja mainitsee myös metadatan. Käytimme tällä ja edellisellä kurssikerralla aineistoa, jossa tietokannan sarakkeet olivat koodattu lyhentein (esim. “KAVU“). Metadatalla voidaan tarkoittaa näiden lyhenteiden avaamista, mutta myös muuta tietoa, joka liittyy käsiteltävään aineistoon (sen keruutavat, keruuaika, aineistossa olevat erilaiset merkinnät jne.). Tähän asti olemme saaneet aineiston valmiina eteemme ja käyttäneet sitä ilman sen suurempaa kritiikkiä – jos ja kun jatkossa laadimme itse esityksiä tai karttoja paikkatiedon perusteella korostuu tämä lähdekritiikki ja käytetyn aineiston laatu entisestään.

Elias Annila esittelee omassa blogissaan (2015) hauskasti MapInfon kehittäjän Pitney Bowesin väitteitä ohjelmasta ja vastaa niihin. Elias toteaakin, että “MapInfon vahvuus on nimenomaan sen monipuolisuus“. Olen samaa mieltä – MapInfo on monipuolinen työkalu ja sillä saa aikaan hyviä analyysejä, karttoja ja tuotteita – olettaen tietenkin, että lähtöaineisto on laadukasta. Elias on myös blogissaan erittäin ansioituneesti kirjannut esiin työvaiheet, joita hän on toteuttanut laatiessaan vastauksia kurssikerran kysymyksiin. Vastaavanlainen dokumentointi voisi helpottaa myös omaa työskentelyä jatkossa…

– – –

Lähteet:

Annila, E. (2015.) Kurssikerta 5, analyysejä pisteaineistosta, sekä pohdintaa MapInfon käytöstä. Eliaksen PAK-blogi, 16.2.2015. Luettu 17.2.2015. <https://blogs.helsinki.fi/eannila/2015/02/16/viides-kurssikerta-analyyseja-pisteaineistosta-seka-pohdintaa-mapinfon-kaytosta/>

Heittola, S. (2015). Kurssikerta 5 (10.2.2015). PAK-blogi, 10.2.2015. Luettu 17.2.2015. <https://blogs.helsinki.fi/heittola/2015/02/10/5-kurssikerta-10-2-2015/>

Jokela-Määttä, M. (2015). KK5: Oivalluksia_ja_ongelmia.wor. Paikannettua tietoa, 17.2.2015. Luettu 18.2.2015. <https://blogs.helsinki.fi/mijokela/2015/02/17/kk5-oivalluksia_ja_ongelmia-wor/>

Srivastava, R. N. (2008). Spatial Data Quality: An Introduction. GIS Lounge, 11.1.2008. Luettu 17.2.2015. <http://www.gislounge.com/spatial-data-quality-an-introduction/>

Ruutukartat ja pääkaupunkiseudun ajallinen kasvu – Kurssikerta 4

Neljännen kurssikerran aiheina olivat ruutukarttojen laatiminen ja rasterikarttojen käsittely MapInfossa. Ensimmäistä näistä aiheista lähestyttiin pääkaupunkiseudun tarkastelulla. Käytössämme ollut materiaali oli SeutuCD 2009:ltä.

Ruutukartta rakentuu grid-tietokantaan, mutta maantieteellisten formaalien alueiden sijasta käytetään määrätyllä ruutukoolla tehtyä ruudukkoa. Laadittuun ruudukkoon (ja sen takana olevaan grid-tietokantaan) voidaan liitttä esim. pistemäistä tietoa, kuten tässä harjoituksessa teimme. Pistemäisen tiedon visuaalinen esittäminen sellaisenaan kartalla on haastavaa – usein tietoa voi olla liikaa ja lopputulos on liian täynnä.

Ruutukartan ruutuihin voidaan laskea esimerkiksi niiden maantieteellisellä alueella olevan pistemäisen tiedon keskiarvoja. Esimerkkejä ruutukartoista voi olla MML:n korkeusmalli tai Suomen väestöstä laadittava YKR-väestöruudukko, jota käytimmekin viime syksyn TAK-kurssilla.

Laadin itse kurssikerran aikana kartan pääkaupunkiseudun ajallisesta kasvusta, jota kuvasin neliökilometrin kokoisten ruutujen rakennusten käyttöönottovuosien keskiarvolla (kuva 1).

PKSn ajallinen kasvu

Kuva 1. Pääkaupunkiseudun ajallinen kasvu – asutuksen tarkastelua neliökilometrin alueen rakennusten käyttöönottovuoden keskiarvon perusteella.

Valitsin neliökilometrin kokoiset ruudut ensisijaisesti visuaalisuuden takia – pienemmät ruudut olisivat tehneet kartasta liian sotkuisen ja vaikeasti luettavan. Kasvattamalla ruutukokoa olisivat tulokset mahdollisesti pyöristyneet liian paljon toisiaan muistuttaviksi. Sara Todorovic kirjoittaa tästä omassa blogissaan (2015) osuvasti mainiten yleistymisen ja kartan informatiivisuuden laskun. Ruuduille laskettiin keskiarvo niiden alueilla olevien rakennusten käyttöönottovuosista, tosin tätä ennen jouduin poistamaan laskennasta ne rakennukset joiden käyttöönottovuotta ei tiedetty (käyttöönottovuodeksi oli tällöin merkitty 9 999 999, mikä olisi vääristänyt keskiarvoa hieman…). Luokittelin saamani materiaalin seitsemään eri luokkaan ja valitsin luokkarajat vuosikymmenten mukaan.

Lopputulos on mielestäni mielenkiintoinen. Helsingin kantakaupunki erottuu selkeästi sinisenä, ennen vuotta 1950 rakennettuna alueena. Helsingin uudiskohteet Kalasatama,  Kumpulan kampus, Arabia, Viikki, Vuosaari ja Hernesaari näkyvät myös selvästi kartalta, samoin myös Sipoosta Helsinkiin liitettyjen alueiden uudisrakennus. Kuitenkin suurin osa ruuduista on 60- ja 70-luvuilla rakennettua aluetta. Mitä kauemmaksi keskusta-alueesta kuljetaan sitä enemmän ruutujen arvot vaihtelevat verratuna naapuriruutuihin. Tästä pohjoiset osat Espoota ja Vantaata ovat hyviä esimerkkejä.

Kartta esittää absoluuttisia arvoja joka voi olla koropleettisella kartalla haastavaa. Eveliina Ikonen mainitseekin omassa blogissaan (2015) ruututeemakartan olevan hyvä väline absoluuttisten arvojen esittämiseen. Nyt karttaa tulkittaessa tulee muistaa että ruudut kuvaavat keskiarvoja – ruutujen sisällä voi olla suurtakin vaihtelua mikä ei näy kartan lukijalle. Kartan visuaaliseen ilmeeseen olen tyytyväinen – luokkien suhteellisen runsaasta määrästä huolimatta kartasta näkee viuhkamaisen asutuksen leviämisen Helsingin keskustasta ulospäin sekä 80-lukua edeltäneen rakennusbuumin.

Kurssikerran toista aihetta käsittelimme Pornaisten karttojen avulla. Tehtävänä oli rasterimuotoisen peruskartan kiinnittäminen tiedossa olevien koordinaattien avulla ja tämän jälkeen kartan piirteiden digitointi. Hetken luulin, että toteutamme viime periodin työmäärän uudestaan, mutta huoli oli aiheeton. Karttaa kiinnitettäessä tarvitaan vähintään kolme kiintopistettä ja tarkkaa hiirikättä, mutta itse suoritus oli loppujen lopuksi helppoa ja loi uskoa siihen, että oman karttamateriaalin tuominen MapInfoon ei ole vaikeaa.

Mielenkiintoinen yksityiskohta oli, että kartalla, jota tässä tehtävässä käytimme, näkyy ensi viikonlopun laskiaismatkakohde – maatila Pornaisissa. Hyvä tietää, että sekin talo on nyt digitaalisessa muodossa.

– – –

Lähteet:

Ikonen, E. (2015). Kurssikerta 4 Ruututeemakarttoja ja karttakuvien rekisteröimistä. Even PAK-blogi, blogikirjoitus 9.2.2015. Luettu 12.2.2015. <https://blogs.helsinki.fi/eveliiik/2015/02/09/kurssikerta-4/>

Todorovic, S. (2015). Kurssikerta 4 – Ruutuja ja sensellaista. Saran blogi, blogikirjoitus 9.2.2015. Luettu 12.2.2015. <https://blogs.helsinki.fi/stodorov/2015/02/09/kurssikerta-4-ruutuja-ja-sensellaista/>

Afrikan kriiseistä tuhansien järvien maahan – Kurssikerta 3

MapInfon käyttämien tiedostojen tiedot on sisällytetty tiedoston mukana oleviin tietokantoihin. Teimme tietokantoihin liittyviä SQL-hakuja, joiden avulla relaatiotietokannassa olevia tietoja voidaan tarkastelun lisäksi myös muuttaa tai lisätä. Näitä tietokantoja, niiden muokkaamista ja niistä tehtäviä hakuja käsiteltiin kahden eri esimerkin kautta.

Ensimmäisenä esimerkkinä käytimme Afrikan maanosaa ja sen karttaan liittyviä tietoja. Nämä tiedot käsittelivät konflikteja, timanttikaivoksia ja öljykenttiä. Tietokantaan voidaan tallentaa esimerkiksi näistä ilmiöistä paljon tietoa – alueellinen sijainti, ajallinen kesto, ilmiön laajuus, alkamisajankohta, ilmiöön liittyviä suureita (esim. kuolleisuus, taloudellinen tuotto) jne.

Vastaavia tietoja voidaan myös ylläpitää toisenlaisessa tietokannassa, mutta MapInfon kaltaisten paikkatieto-ohjelmien etu verrattuna vaikkapa näiden ilmiöiden esittämiseen taulukkomuodossa on ilmiöiden alueellisuuden tarkastelussa. Ohjelma kykenee muodostamaan visuaalisen esityksen valtion tai muun alueen alueella olevista ilmiöistä ja karsimaan muut ilmiöt pois. Tällöin lopputuotoksena voi olla esimerkiksi kartta, missä esitetään Afrikan alueen timanttikaivokset, öljylähteet ja konfliktit laajuuksineen (kuva 1).

Afrikka-300x267

Kuva 1. Afrikan timanttikaivokset, konfliktialueet laajuuksineen ja öljylähteet (Paarlahti 2015).

Kuvaa katsomalla voi huomata, että timanttikaivokset sijoittuvat usein konfliktialueille tai että öljylähteiden alueilla käydään vähemmän konflikteja. Jokatapauksessa on selvää, että Afrikan manner on konfliktien aluetta.

MapInfo on siis hyvä alusta tämänkaltaisen esityksen laatimiselle ja alueellisen tiedon hallinnalle. Toisaalta MapInfo ei taida mahdollistaa 4D-tiedon esittämistä, missä ajallinen ulottuvuus voitaisiin liittää alueelliseen dataan. Näin voisi tarkastella öljylähteiden löytymisen ja niiden aikaansaaman tuoton vaikutsta ympyröivän alueen rauhallisuuteen eri ajanjaksoina tai konfliktien leviämistä vuosittain.

Täytyy myös muistaa, että kuvan 1 kartta ei kerro selityksiä tai korrelaatioita siinä esiintyvien ilmiöiden välillä. Timanttikaivoksella ja alueellisella konfliktilla ei välttämättä ole mitään yhteistä tekijää välillään sijaintia lukuunottamatta. Samoin maanosan tarkastelu vaikuttaa tarkastelun skaalaan – mitä isompi alue sitä enemmän esityksissä joudutaan yleistämään ja supistamaan jolloin yksityiskohdat tai ilmiöiden välinen hajonta katoavat. Juuso Korhonen kirjoittaa tästä aiheesta blogissaan (2015) muistuttaen osuvasti, että “Vaikka korrelaatiota ilmiöiden välillä onkinmielestäni tästä olisi typerää vetää liian suuria päätelmiä kausaliteetista. Ensisijaisiksi konfliktien syiksi tulisi hakea  sosiopoliittisiä syitä.”

Eräs mielenkiintoinen kartta Afrikan kriiseihin löytyy SiliconAfrica.com:n verkkosivuilta. Se on osa artikkelia, missä arvostellaan Ranskan toimia entisenä siirtomaaisäntämaana. Artikkeli ottaa  esiin erilaisen näkökannan kertoessaan entisten siirtomaamaiden edelleen Ranskalle maksamasta “siirtomaaverosta” ja pohtimalla yhteyksiä Afrikan maiden vallankumosten (=yksi konfliktin muoto) ja Afrikkaan sijoitettujen ranskalaisten sotilastukikohtien välillä. Kartan (kuva 2) informaatio aukeaa vasta artikkelin yhteydessä, mutta toimii mielestäni hyvänä esimerkkinä siitä, miten isoa ongelmaa (Afrikan konfliktit) voidaan lähestyä erilaisista suunnista.

French-military-bases-in-africa

Kuva 2. Ranskalaiset sotilastukikohdat Keski- ja Länsi-Afrikassa. (Koutonin 2014)

Afrikan lisäksi käsittelimme toisena esimerkkinä tulvaindeksiä ja järvisyyttä Suomen alueella. Tulvaindeksi on termi, jolla kuvataan tietyn uoman yli- ja alivirtaaman eli uoman tulva-ajan virtaaman ja kuivankauden virtaaman suhdetta toisiinsa. Lukema kertoo miten monikertainen tulvakauden virtaama on. Indeksiä voidaan laskea myös suhteessa joen keskimääräiseen virtaamaan.

Teimme nämä laskutoimitukset yhdistelemällä MapInfon tietokannoissa olevia tietoja. Samalla laskin eri valuma-alueille järvisyysprosentin, joka kertoo valuma-alueen pinta-alasta järvien peitossa olevan prosentin. Lopputulos on kuvassa 3.

valuma-alueet ja järvisyys

Kuva 3. Suomen vesistöjen valuma-alueiden tulvaindeksi ja järvisyysprosentti.

Maallikkona kuvaa tarkasteltaessa järvisyydellä ja korkealla tulvaindeksillä vaikuttaa olevan yhteyttä. Valuma-alueilla, missä järvisyysprosentti on korkeahko (Keski-Suomi, Itä-Suomi) tulvaindeksi on suhteellisen matala (alle 20). Voimakkaan tulvaindeksin valuma-alueilla (tulvaindeksi vähintään 103) järvisyys on hyvin matalaa. Itse ymmärrän tämän ilmiön siten, että tulvahuippujen aikaan järvet varastoivat ja tasaavat uomien virtaamaa.

– – –

Lähteet:

Korhonen, J. (2015). Kurssikerta 3 ja timantit, öljy ja konfliktit.Juuson paikkatietopuserrus. Blogi, 5.2.2015. Luettu 10.2.2015. <https://blogs.helsinki.fi/juusokor/2015/02/05/kurssikerta-3-ja-timantit-oljy-ja-konfliktit/>

Koutonin, M. R. (2014). 14 African Countries Forced by France to Pay Colonian Tax for the Benefits of Slavery and Colonization. SiliconAfrica.com, 28.1.2014. Luettu 7.2.2015. <http://www.siliconafrica.com/france-colonial-tax/>

Paarlahti, A. (2015). Afrikkaa ja konflikteja. Paikkatiedon hankinta, analyysi ja kartografia 2015. Blogi, 30.1.2015. Luettu 7.2.2015. <https://blogs.helsinki.fi/pak-2015/>

 

Päällekkäisistä teemakartoista – Artikkeli 1

Anna Leonowicz käsittelee artikkelissaan (2006) kahden muuttujan visuaalista ilmaisua koropleettissa kartoissa. Artikkelin alussa Leonowicz pohtii koropleettisten karttojen problematiikka – hän väittää, että koropleettinen kartta kuvaa ilmiön voimakkuuden alueellista jakautumista helposti, mutta ei mahdollista helposti ilmiöiden vertailua. Syyksi hän kertoo lukijan havainnointikyvyn puutteen. Artikkelissa käytetään esimerkkinä Puolan väestöä ja kuvataan kahdella vierekkäisellä kartalla maaseudulla asuvaa osuutta väestöstä sekä alaikäisten osuutta väestössä. Molemmat kartat ovat helposti luettavissa, mutta niiden välisen suhteen näkeminen ei ole yksinkertaista. Leonowicz tarjoaa vaihtoehdoksi kahden muuttujan (eli esimerkissä maaseudun väestö ja alaikäinen väestö) esittämistä samassa kartassa hyödyntämällä erilaista tapaa rasteroinnissa.

Lopputuloksena hän esittelee yhdeksällä erilaisella rasteripinnalla toteutetun kartan, missä kirkas punainen väri kuvaa suurta maaseudulla asuvaa väestöä, kirkas sininen väri suurta alaikäisten osuutta ja tummat sävyt molemmissa muuttujissa korkeaa arvoa molemmissa muuttujissa. Lopputulos on kuvassa 1. Leonowicz käsittelee myös artikkelissaan mielenkiintoisesti eri sävyjen käyttöä.

Leonowicz_kartta

Kuva 1. Kahden muuttujan käyttö koropleettisessa kartassa. Ote Leonowiczin artikkelista.

Artikkelissa esitetään tutkimus karttojen luettavuudesta joko yhdellä tai kahdella muuttujalla. Tutkimuksen mukaan yhden muuttujan kartat ovat helpompia luettavia ja kuvaavat ilmiön alueellista jakautumista paremmin, mutta kahden muuttujan kartat ovat kiinnostavamman näköisiä ja kuvaavat ilmiöiden alueellista suhdetta paremmin.

Olen itse samaa mieltä tutkimuksen kanssa. Kahden muuttujan kartta sopii ilmiöiden välisen suhteen kuvaamiseen, mutta vaatii pidempää tarkastelua (karttalegendaa hyväksikäyttäen) kuin yhden muuttujan koropleettinen kartta. Kaiken kaikkiaan Leonowiczin esittämä menetelmä on mielenkiintoinen, samoin hänen huomionsa eri sävyjen merkityksestä lukijalle. Haasteita menetelmässä on yksittäisen muuttujan luokitteluun liittyen. Ensimmäinen haaste on luokkarajojen määrittämisessä (toisaalta sama ongelma toistuu lähes jokaisessa koropleettikartassa) mutta merkittävämpi ongelma on yhden muuttujan luokkien rajoittamisessa maksimissaan kolmeen. Jos luokkia on enemmän kuin kolme, tulee kartalle yli yhdeksän erilaista sävyä joka tekee kartasta vaikeasti luettavan. Toisaalta tulee muistaa, että kahden muuttujan kuvaaminen päällekkäin kartalla on tarkoitteukin ilmiöiden välisen suhteen ilmaisuun, ei yksittäisen ilmiön voimakkuuden esittämiseen.

– – –

Lähteet:

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

 

 

Rannikon rikollisuus ja asutuskeskittymät – Kurssikerta 2

Toiselle kurssikerralle saimme tehtäväksi laatia teemakartan, jossa mielellään esitetään kaksi teemaa päällekäin. Päädyin laatimaan kartan, joka vastaa hypoteesiini “Mantereella olevissa rannikon kunnissa rikollisuus kasvaa asuintiheyden myötä”.

Perustelen hypoteesin valintaani: tutkittava alue rajaantui rannikon kunniksi siksi, että halusin laatia muodoltaan Suomen kartasta eroavan kartan ja harjoitella sommittelua. Rikollisuutta mitataan tässä kartassa käyttämällä kahta MapInfosta löytyvää arvoa: tietoon tulleita rikoksia ja kunnan asukasmäärää. Halusin suhteellisen luvun (tietoon tulleita rikoksia / kunnan asukas), jotta runsasväestöiset kunnat erivät korostuisi suhteettomasti. Viimeisenä suureena käytin kunnan asukastiheyttä tutkiakseni sitä lisääkö tiivis asuminen Suomen mittakaavassa ihmisten rikollisuutta (katso esim. Stucky & Ottensmann 2009).

Usean kokeilun jälkeen lopputulos näyttää kartalla visualisoituna seuraavalta:

kartta2

Kuva 1. Rikollisuus suhteessa kunnan väestöntiheyteen Suomen rannikolla.

Kartalla on kaksi erilaista teemaa: 1) tietoon tulleita rikoksia / kunnan asukas ja 2) kunnan väestöntiheys asukkaina per neliökilometri. Petri Danielsson kirjoittaa blogissaan (2015) ensimmäisestä teemasta ansiokkaasti. Danielssonin laatimassa kartassa nousevat esiin samat huomiot kuin kuvan 1 kartassa – rikollisuus keskittyy suurien kaupunkien alueelle. Kuvasta 1 selkeästi erottuvat Helsinki, Turku, Pori, Vaasa, Oulu ja Kemi. Myös toinen ääripää, Pohjanmaan maaseutuvaltaiset kunnat erottuvat niin omassani kuin Danielssonin kartassa.

Tietoon tulleiden rikosten numeraalinen aineistoni poikkeaa Danielssonin aineistosta johtuen erilaisesta aluevalinnasta. Oma aineistoni oli epämääräisesti jakautunutta ja päädyin tämän takia luonnollisiin luokkaväleihin sen luokittelussa. Halusin lisäksi nostaa kurisioteettinä Virojoen kunnan omaan luokkaansa. Kunnassa tulee rikos tietoon per 0,48 kunnan asukasta, eli lähes jokaista kahta asukasta kohden tehdään poliisille rekisteröitävä rikos! Tämä lukema on kaksinkertainen verrattuna seuraavaan kuntaan tilastossa. Syy tähän tosin lienee Virojoen asemassa rajanylityspaikkana, jolloin rajanylityksiin liittyvät rikokset kirjataan tapahtuneiksi kunnassa. Lukema poikkeaa kuitenkin suuresti muusta aineistosta, mistä johtuen olen korostanut sen kartassa erillisellä värillä.

Suomen kunnat ovat esim. Keski-Eurooppaan verrattuna asukastiheydeltään pieniä. Tämä näkyy myös kartan toisessa teemassa. Olen valinnut asukastiheyden luokitteluun sovinnaisesti pyöristetyt luokkavälit ja luokkien jakoon olen käyttänyt seuraavia perusteita:

  • alle 160 asukasta / neliökilometri on aikaisemmin luokiteltu maaseuduksi (TEM 2013)
  • yksi uudemmista jakoperusteista on 300 asukasta / neliökilometri (Helminen 2013)
  • jako yli 1000 asukkaan ja alle 1000 asukkaan tiheyteen juontuu halustani korostaa Suomen matalaa asukastiheyttä – EU:ssa urbaaniksi keskustaksi luetaan ruutualue, jossa on yli 1500 asukasta neliökilometrillä (Eurostat 2014).

Edellämainittu jako on kuitenkin keinotekoinen ja tämä on tiedostettu karttaa laadittaessa. Asukastiheyksiä ja alueen urbanisaatiota mitataan yleensä ruutuina (250 m x 250 m tai 1000 m x 1000 m) joten koko kunnan luokittelu keskimääräisen asukastiheyden mukaan on epäreilua. Toisaalta se tuo esiin Suomen matalan asukastiheyden joka oli yksi tavoitteeni karttaa laadittaessa. Ainoastaan Helsinki jää korkeimpaan luokkaan (mutta jos Ahvenanmaa olisi mukana kartassa kuuluisi ylimpään luokkaan myös Maarianhamina ja Jomala!) ja alimmassa luokassa on suurin edustus.

Kun tarkastelen hypoteesia ei korkealla asukastiheydellä ja rikollisuudella ole selvää yhteyttä. Kemissä, Vaasassa, Turussa ja Helsingissä rikosten määrä / asukas nousee toisiksi ylimpään luokkaan (noin 1 rikos / 10 asukasta) ja alueiden asukastiheys on korkea. Toisaalta kuitenkin Pori, Oulu ja Kustavi ovat kuntia missä väljyydestä huolimatta rikosten määrä on korkea.

Loppupäätelmä oli hyvin odotettavissa. Rikollisuudella ja asuintiheydellä ei ole suoranaista korrelaatiota, vaan sosioekonomiset seikat vaikuttavat pelkkää asuintiheyttä enemmän. Myöskin käytettävässä aineistossa ei esim. väkivaltarikollisuutta erotella, vaan “Tietoon tulleet rikokset” – tilastoon kuulunee myös talousrikokset ja Virojoen kunnan kaltaiset poikkeavat huomiot. Talousrikokset keskittynevät luonnollisesti talouskeskittymiin eli kaupunkeihin, joten ne voivat myös vääristää tilastoa.

Kartan ulkoasuun olen tyytyväinen ja sommittelu onnistui edellistä kertaa paremmin. Kehämäinen muoto kartalla mahdollisti elementtien asettelun kartan sisäpuolelle. Päätin jättää muutaman suuremman asutuskeskittymän nimen karttaan näkyviin ilmaistakseni selvemmin sen sijaintia – kartan muoto kuitenkin poikkeaa tyypillisestä Suomen kartasta hieman. Poikkesin myös ohjeesta, jossa kahta päällekkäistä koropleettikarttaa käytettäessä luokkia ei saisi olla yli kolmea / kartta. Perustelu tälle on toisen teeman yleisin luokka jossa ei käytetä rasterointia ja ensimmäisen teeman kahden ylimmän luokan harva käyttö. Lopputulos on mielestäni edelleen hyvin luettavissa.

Yhteenveto:

10636007_10153132563592625_6157414586854713524_n

Kuva 2. Ote Satakunnan Kansasta. Lähdeviitteetön.

Huolimatta väljyydestä porilaiset ja oululaiset tehtailevat runsaasti rikoksia, eli eivät osaa elää muiden kanssa. Porilaisilla on myös muitakin ongelmia:

 

 

 

– – –

Lähteet:

Eurostat (2014). Glossary: Revision of the degree of urbanisation. European Commission, 19.12.2014. Luettu 23.1.2015. <http://ec.europa.eu/eurostat/statistics-explained/index.php/Glossary:High-density_cluster>

Danielsson, P. (2015). KK1 harjoitustyö: Poliisin tietoon tullut rikollisuus kunnittain. Paikka! Petri Danielsson, PAK-15 kurssiblogi. Luettu 23.1.2015. <https://blogs.helsinki.fi/pdaniels/2015/01/20/kk1/>

Helminen, V. (2013). Siirtyminen paikkatietoihin perustuvaan kaupunki-maaseutu luokitukseen – Kuntien luokittelusta paikkatietoperusteiseen aluejakoon. Kunnat.net artikkeli 2013. Luettu 25.1.2015. <http://www.kunnat.net/fi/tietopankit/raportit-artikkelit/2013/Sivut/2013-10-28-helminen.aspx>

Stucky, T. & Ottensmann J. (2009). Land use and violent crime. Criminology 47: 4, 1223 – 1264. Wiley Online Library. Luettu 23.1.2015. <http://onlinelibrary.wiley.com/doi/10.1111/j.1745-9125.2009.00174.x/abstract>

TEM = Työ- ja elinkeinoministeriö (2013). Tarjolla entistä tarkempaa tietoa kaupungeista ja maaseudusta. Tuö- ja elinkeinoministeriön uutiset 10.6.2013. Luettu 23.1.2015. <https://www.tem.fi/ajankohtaista/uutiset/uutisarkisto/uutiset_2013/tarjolla_entista_tarkempaa_tietoa_kaupungeista_ja_maaseudusta.110744.news>

 

 

Palvelusektorillakin käytetään MapInfoa? – Kurssikerta 1

Ensimmäisen kurssikerta koostui orientoinnista paikkatietoon ja ensimmäisistä MapInfo -tehtävistä. MapInfosta jäi myös minulle epäselvä kuva syksyn opinnoista, mutta tekemällähän oppii lisää ja uskon, että kurssin päätteessä MapInfon käyttö sujuu kuin leikki…

Teimme alkuun muutaman harjoitteen ohjelman käytöstä ja laadimme koropleettikartan Helsingin asukastiheydestä. Nopeasti joululoma oli tyhjentänyt pään – piti muistella koropleettikartan määritelmää, aineiston luokittelua ja luokkajakoa sekä värien, rasteroinnin ja muun visuaalisen kartografian oppeja.

kuva

Kuva 1. Helsingin asukastiheys pienalueittain.

Kuvan 1 kartan aineisto on luokiteltu kvantiileihin ja lopputulos kuvaa kohtuu hyvin keskusta-alueen suurempaa väestöntiheyttä ja lähiöasumisen väljyyttä.

Varsinaiseksi tehtäväksi saimme laatia vapaavalintaisen koropleettikartan Suomen kunta-aineistosta. Pyörittelin hetken ajatusta kuvata kuntien muuttoliikettä suhteessa niiden asukaslukuun, mutta päädyin kuitenkin yksinkertaisempaan vaihtoehtoon. Tein kartan palvelusektorilla työskentelevistä ihmisistä kunnittain. Tämä aineisto löytyi suoraan prosenttilukuna MapInfon materiaalista. Siirsin tiedon histogrammipalveluun ja tarkastelin tietoja siellä. Aineisto vaikuttaa olevan kohtuu normaalijakautunutta, joten päädyin luokittelemaan sen tässäkin tapauksessa kvantiileihin (tasamääräisiin luokkiin).

histogrammi

Kuva 2. Histogrammi palvelusektorilla työskentelevien osuudesta.

Luokittelun jälkeen säädin hieman kartan värisävyjä käyttäen hyväksi ColorBreweria. Lopputulos on kuvassa 3.

kuva2

Kuva 3. Palvelusektorilla työskentelevien osuus prosentuaalisesti.

Huomioitavaa on, että palvelusektori työllistää Suomessa enemmistön ihmisistä. Tarkastelemalla laadittua karttaa voi saada pelkän rasteroinnin perusteella vaikutelman, että vaaleilla aluilla palvelusektorin työllisten määrä oli pieni. Määrä on kuitenkin pieni vain suhteellisesti verrattuna alueisiin, joilla palvelusektorin työllisiä on runsaasti. Kun palvelusektoria verrataan alkutuotanto- tai teollisuussektoriin, on se aina huomattavan suuri. Koko Suomen keskiarvo palvelusektorilla työskentelevistä oli 73,1 % vuonna 2013 (STV 2013 : 78).

Karttaa tulkitsemalla erot kaupunkien ja erityisesti länsirannikon sekä Pohjanmaan välillä näkyvät selvästi. Lapin läänin korkeita lukemia voi selittää turismin suuri rooli ja perinteisen tuotantotalouden vähäiset työpaikat. Mielenkiintoinen yksityiskohta on verrata Uudenmaan alueen korkeaa palvelusektorilla työskentelevien osuutta alueen työttömyyteen – uutisoinnin mukaan työttömyys Uudenmaan palvelualojen entisten työntekijöiden keskuudessa on noussut voimakkaasti (Toivonen 2015). MapInfon käytössä oleva tieto on jo muutaman vuoden takaa (vuodelta 2011) joten kenties tämä kertoo työrakenteen muutoksesta – ainakin väliaikaisesti.

Toisaalta vertaamalla kuvan 3 karttaa Suvi Lämsän laatimaan kartaan (2015) Suomen työssäkäyvien osuudesta on vaikea tehdä suoria päätelmiä työllisyyden ja työttömyyden sekä palvelusektorin työllisyyden yhteyksistä. Uudenmaan, Tampereen ja Oulun seudulla työssäkäyvien osuus on suurempaa samoin kuin palvelusektorin työllistämien osuus. Taasen esimerkiksi Pohjanmaan alueella työssäkäynti on edelleen korkea verrattuna esimerkiksi Lappiin, mutta palvelusektorin työllistämien osuus on näillä alueilla päinvastainen – Lapissa korkea ja Pohjanmaalla suhteellisen matala.

Haasteita tuotti erityisesti kartan ulkoasu. Pohjoisnuoli on liian iso ja paksu sekä otsikko liian jykevä. Myöskin eri elementtien (esim. mittakaavajana ja legenda) sommittelu ei näytä hyvältä. Tekisi mieli laittaa tämä MapInfon piikkiin, mutta todellinen syy taitaa löytyä peilistä… Edelliset kartat olen laatinut CorelDrawlla, joka ei ole paikkatieto-ohjelma vaan soveltuu hyvin kuvankäsittelyyn ja sommittelu tuntui tällöin helpommalta. Ehkäpä maaliskuun alussa tämä (=kartan visuaalinen ilme) ei ole enää ongelma ja sommittelukin onnistuu paremmin.

Yhteenveto:

Eli heti ensimmäisellä kurssikerralla on hankittu paikkatietoa (kaivettu sitä esiin MapInfon syövereistä), analysoitu paikkatietoa (histogrammin kautta luokitteluun) ja tehty kartografinen esitys. Eiköhän tämä ole jo sitten tässä?

– – –

Lähteet:

Lämsä, S. (2015). Kurssi 1. Suomen työssäkäyvien osuus. Suvin Pakki blogi. 21.1.2015. <https://blogs.helsinki.fi/suvilams/2015/01/20/kurssi-1-suomen-tyossakayvien-osuus/>

STV 2013 = Suomen tilastollinen vuosikirja 2013. Tilastokeskus, Helsinki 2014.

Toivonen, J. (2015). Uudenmaan työttömyys kasvoi rajusti – erityisesti “ryhmä X” synkensi lukuja. Helsingin Sanomat, 20.1.2015. Luettu 20.1.2015. <http://www.hs.fi/tyoelama/a1421724057791>