Month: February 2020

Viimeisenä kurssikertana vuorossa oli oman karttaesityksen tuottaminen. Valitsin tarkasteltavaksi alueeksi Afrikan valtiot, joita olimmekin tutkineet jo aiemmalla kurssikerralla. Halusin tuottaa kartan, jossa vertailen valtioiden välistä kehitystä inhimillistä ja sosiaalista hyvinvointia kuvaavien muuttujien avulla. Aineistokseni otin Maailman pankin tietokannasta löytyvän YK:n Agenda 2030 kestävän kehityksen tavoiteista kootun tietokannan ja YK:n inhimillisen kehityksen indeksin tietokannan. Keräsin näistä isommista tietokannoista haluamani Afrikan valtioita koskevat muuttujat ja liitin ne csv. tiedostona ja Join-toimintoa hyödyntäen QGISissä olevaan taustakarttaan. (Sustainable Development Goals 2019, Human Development Data 1990–2018.)

Ensimmäisessä karttaesityksessäni halusin tarkastella valtioiden välisiä eroja inhimillisen kehityksen indeksin avulla (Human Development Index, HDI) (kuva 1). Inhimillisen kehityksen indeksi kuvaa valtioiden kehitystasoa eliniän, koulutuksen sekä elintason (BKT/henkilö) avulla asteikkolla 0–1, jossa 0 on alin taso ja 1 on korkein. Inhimillisen kehityksen indeksi kuvaa jo osaltaan väestön tietotasoa lukutaidon ja koulutuksen osalta, mutta halusin lisäksi tarkastella samalla kartalla, kuinka suuri osuus valtioiden västön yli 15-vuotiaista on lukutaitoisia. Lukutaitoisten osuus on kuvattu teemakartan päällä ympyrädiagrammeina, jotka on suhteutettu muuttujan suuruuteen (Tilastokeskus.)

Inhimillisen kehityksen indeksi on mielekäs tapa tarkastella valtioiden eroja, koska se huomioi talouden mittareiden lisäksi hyvinvoinnin ja inhimillisen kehityksen. Ensimmäisestä karttaesityksestä voi nähdä, että suurimman osan Afrikan valtioista HDI-indeksi on alle 0,55, jota pidetään muihin maailman valtioihin verratessa matalan kehityksen tasona. Kehittyneimmät valtiot löytyvät taas Pohjois- ja Etelä-Afrikasta, ja näissä myös lukutaitoisen väestön osuus on noin 80–95 %. Lukutaito onkin kehittyvissä maissa tärkeässä roolissa niin köyhyyden poistamisessa, naisten aseman parantamisessa kuin demokratian lisäämisessä.

Aineiston kokoamisen osalta kohtasin haasteita siinä, ettei kaikista tarkastelemistani muuttujista löytynyt tieto samalta vuodelta, vaan kartoissa esitetyt tilastot on kerätty vuosilta 2014–2018. Tilastotietoja ei myöskään löytynyt kaikista maista ja erityisesti Somalian ja Länsi-Saharan osalta tilastotiedoissa oli puutteita. Saatavilla olevien tilastojen ollessa puutteellisia, heikentää se tietysti osaltaan myös maiden välistä vertailtavuutta.

Tein myös toisen karttaesityksen Afrikan valtioiden lapsikuolleisuudesta (alle 5-vuotiaat lapset) ja sairaanhoitajien sekä kätilöiden määrästä 1000 asukasta kohden (kuva 2). Kätilöillä on tärkeä rooli äitiys- ja lapsikuolleisuuden vähentämisessä, ja lisäksi heidän määränsä kertoo valtion kehitystasosta sekä terveydenhuoltopalveluiden laadusta ja saatavuudesta. Lapsikuolleisuuden määrään valtioissa vaikuttaa tietysti kuitenkin myös monet muutkin tekijät kuten puhtaan veden, ravitsemuksen ja lääkkeiden saanti. (Laakso 2019.)

Toinen karttaesitykseni näyttää, että lapsikuolemat keskittyvät etenkin Saharan eteläpuoliseen Afrikkaan, joista kartalta hälyttävästi nousevat ainakin Chad, Nigeria ja Keski-Afrikan tasavalta. Matalimmat lapsikuolleisuus luvut ovat puolestaan Pohjois-Afrikan valtioista Egyptissä, Libyassa, Tunisiassa ja Algeriassa.

Näissä kummassakin karttaesityksessä visualisoitavaa tilastotietoa etsiessäni korostui selvästi se, ettei aina haluttua tilastoaineistoa ole välttämättä saatavilla ja eri maiden välisissä tilastointitarkkuuksissa ja säännöllisyyksissä on paljon eroja. Varsinkin sairaanhoitajien ja kätilöiden määrien tilastotiedoissa oli puutteita, joten karttaesityksessä osasta valtioista tämän muuttujan tieto puuttuu.

Aineistopuutteista huolimatta olen erittäin tyytyväinen näihin karttaesityksiin. Ne kuvaavat selkeästi Afrikan valtioiden välisiä eroja ja tuovat esille sekä niitä valtioita, joissa kehityssuunta on jo positiivinen että osaltaan valtioita, joissa kestävän kehityksen tavoitteiden saavuttaminen kaipaa edelleen parannusta. Vastaavien karttaesitysten toistaminen olisi myös mielenkiintoista vaikka 10 vuoden välein, jolloin muuttujien kehitystä pystyisi tarkastelemaan myös pidemmällä aikavälillä.

Tiia Laisi (2020) olikin omassa blogissaan tuottanut erittäin mielenkiintoisen aikasarjan maailman väestönkasvusta vuosilta 1990 ja 2020, sekä vuoden 2045 väestöennusteesta. Laisin (2020) tuottamista väestökarttoista pystyy hyvin havaitsemaan, miten väestönkehitys on hyvin erilaista ympäri maailmaa ja miten väestökeskittymät ovat jatkuvassa muutoksessa. Mielestäni kartat soveltuvat hyvin myös opetuskäyttöön, jossa niitä voisi käyttää tausta-aineistona muun muassa pohdittaessa, millaisia seurauksia ja vaikutuksia väestönkasvulla tai toisaalta vähenemisellä on eri maihin.

Yhteenveto kurssilla opitusta

Näin viimeisen kurssikerran päätteeksi palasin vielä lukemaan ensimmäistä blogikirjoitustani ja kurssin alussa miettimiäni oppimistavoitteita. Mielestäni olen kokonaisuutena saanut hyvän käsityksen QGIS paikkatietojärjestelmän käyttömahdollisuuksista ja ominaisuuksista. Olen käytännön kautta huomannut, miten järjestelmä mahdollistaa alueellisten tietojen käsittelyn, analysoinnin sekä visualisoinnin selkeäksi karttaesitykseksi. Monet paikkatietoaineistoa koskevat käsitteet ja analyysitavat ovat konkretisoituneet kurssin harjoitusten kautta. Voinkin sanoa kurssin päätteeksi saaneeni erittäin hyvän peruskäsityksen ja opin geoinformatiikan menetelmistä.

 

Lähteet:

Human Development Data 1990-2018. (2019). Human Development Report 2019. United Nations Development Programme (UNDP). Viittauspäivä 26.2.2020. <http://hdr.undp.org/en/2019-report>

Laakso, T. (2019). Äitiys- ja lapsikuolleisuuden väheneminen on ollut ”huikaiseva menestys”, sanoo WHO – Silti joka 11:s sekunti joko äiti tai lapsi kuolee. Maailma.net. Viittauspäivä 26.2.2020.<https://www.maailma.net/uutiset/aitiys-ja-lapsikuolleisuuden-vaheneminen-on-ollut-huikaiseva-menestys-sanoo-who-silti-joka>

Laisi, T. (2020). Kurssikerta 7. Omia karttaesityksiä. Viittauspäivä 9.3.2020. <https://blogs.helsinki.fi/tlaisi/2020/02/26/viimeinen-kurssikerta/>

Sustainable Development Goals. (2019). The World Bank. Viittauspäivä 26.2.2020. <https://datacatalog.worldbank.org/dataset/sustainable-development-goals>

Tilastokeskus. Inhimillisen kehityksen mittaus. Viittauspäivä 26.2.2020 <https://www.stat.fi/tup/tietoaika/tilaajat/ta_04_02_melkas.html>

Kuudennen kurssikerran aluksi jalkauduimme GIS-luokasta ulos tekemään havaintoja ja aineistonkeruuta maastosta. Kiertelimme parin kanssa Kumpulan kampuksen lähimaastossa noin tunnin ajan ja tarkastelimme julkisten tilojen, kuten puistojen ja katujen, turvallisuutta ja viihtyisyyttä. Tekemämme havainnot keräsimme Epicollect5-sovellukseen, joka puhelimen GPS paikannuksen avulla sai tuotettua niistä suoraan pisteaineistoa. 

Epicollect5-sovellus olikin yksinkertainen ja näppärä tapa tuottaa havainnointeihimme perustuvaa paikkatietoaineistoa, jota luokkaan palattuamme tarkastelimme ja hyödynsimme lisää. Kaikkien ryhmäläisten keräämien havaintojen avulla pystyimme tekemään pienimuotoista aluetutkimusta ja interpoloimalla havaintopisteiden välit saimme tuotettua karttaesityksen, joka kuvasi muun muassa miten turvalliseksi Kumpulan kampuksen lähiympäristö koetaan (kuva 1). Esimerkiksi jo tästä pienestä otannastamme nousi esiin, että Kustaa Vaasan tien ahkerasti liikennöity risteys koetaan vaaralliseksi.

Kumpulan kampuksen lähiympäristön turvallisuuden tarkastelun jälkeen siirryimmekin tarkastelemaan luonnonkatastrofeja ja riskejä globaalimmalla mittakaavalla ja erityisesti tarkoitus oli tuottaa opetuskäyttöön soveltuvia karttaesityksiä endogeenisten ilmiöiden esiintymisestä.

Ensimmäinen karttani (kuva 2) esittää päälle magnitudi 6 maanjäristyksiä viimeisen 20 vuoden aikana. Kartta visualisoi selvästi, miten suurin osa maanjäristyksistä tapahtuu litosfäärilaattojen saumakohdissa, joissa laatat työntyvät toistensa alle, erkanevat tai sivuavat toisiaan. Maanjäristyksiä tapahtuu myös laattojen sisäosissa, mutta huomattavasti harvemmin. Kartta visualisoi myös, miten pienempiä maanjäristyksiä tapahtuu usein ja isompia taas harvemmin. Voimakkaita magnitudi 6,0–6,9 maanjäristyksiä tapahtuu vuodessa noin 120 kun erittäin voimmakkaita ja tuhoisia  magnitudi 8,0 tai suurempia tapahtuu muutama.

Toisessa karttaesityksessäni (kuva 3) halusin tarkastella seismisyyttä ja vulkanismia Euroopassa. Opetuskäyttöä ajatellen monet ilmiöt saattavat usein konkretisoitua, kun niitä tarkastelee lähempänä omaa elin- ja kokemusympäristöä. Tämän kartan avulla pystyy hahmottamaan Atlantilla sijaitsevan Euraasian ja Pohjois-Amerikan laatan erkanemissauman sekä Välimerellä sijaitsevan Afrikan ja Euraasian laatan törmäyssauman. Karttaesityksestäni tosin uupuu näitä litosfäärilaattojen liikesuuntia ja rajatyyppejä ilmaisevat merkit, jotka on huomattavasti selkeämmin esitetty Johomaps-sivustolla sijaitsevassa kartassa (Johomaps).

Vuosina 2000–2020 tapahtuneiden maanjäristysten lisäksi kartalle on lisätty  lähihistoriassa tapahtuneet tulivuorenpurkaukset.  Karttaesityksestä olisi jo helppo pohtia vulkanismin ja seismisyyden yhteyttä laattatektoniikkaan ja lisäksi, millaisia uhkia nämä luonnonilmiöt aiheuttavat niiden esiintymisalueilla. Karttaesityksestä voisi tarkastella esimerkiksi erityisesti maanjäristyksille herkkää Välimeren aluetta, joka on myös suosittu lomakohde. Myös SHARE-projekti on selvittänyt Euroopan maiden seismisen hasardin tasoa ja projektin lopputuloksena syntynyt karttaesitys visualisoi hyvin riskialttiit alueet. SHARE-projektista voi lukea lisää täältä. (Giardini, Woessner & Danciu 2013.)

Suosittuja lomakohteita löytyy myös Aasiasta Tyynenmeren tulirenkaaksi nimitetyltä alueelta (kuva 4). Tyynenmeren tulirengas on nimitys alueelle joka kiertää Tyyntämerta. Alueella sijaitsee suurin osa maapallon aktiivisista tulivuorista ja siellä tapahtuu lähes 90 % kaikista maanjäristyksistä. (Yle 2017.)

Kolmas karttaesitykseni (kuva 5) kuvaakin Kaakkois-Aasian puoleista osaa Tyynenmeren tulirenkaan alueesta, ja vertaamalla sitä Eurooppaa esittävään karttaan, on helppo hahmottaa, millainen ero alueiden välillä on arvioitaessa todennäköisyyttä maanjäristyksen tai tulivuorenpurkauksen toteutumiselle.

Kunkin alueen riskitasoon vaikuttaa kuitenkin riskin toteutumisen todennäköisyyden lisäksi alueen selviytymiskyky ja haavoittuvuus riskin tapahtuessa. Carita  Aapro-Koski (2020) toteaakin osuvasti blogissaan, että opetustilanteessa olisi hyvä myös pohtia, millaisia henkilö- ja aineellisia vahinkoja maanjäristykset aiheuttavat osuessaan tiheästi asutulle alueelle. Muun muassa Our World in Data -sivustolta löytyy Hannah Ritchien ja Max Roserin (2019) tuottamia informatiivisia diagrammeja eri luonnonkatastrofien vaatimista henkilövahingoista ja taloudellisista menetyksistä.

Yleistäen voidaan sanoa, että suurin osa taloudellisista vahingoista koskettaa kehittyneitä teollisuusmaita, kun taas suurin osa kuolonuhreista on kehittyvissä maissa. Tämä johtuu juuri infrastruktuurista ja siitä ettei kehittyvien maiden rakennuksia ole useinkaan suunniteltu kestämään maanjäristysten aiheuttamaa heiluntaa ja tärinää. Oikealla rakennussuunnittelulla on siis keskeinen merkitys sekä kuolonuhrien että taloudellisten menetysten vähentämisessä.

Lähteet:

Aapro-Koski, C. (2020). Kurssikerta 6: Karttoja opetustarkoitukseen. Viittauspäivä 22.2.2020. <https://blogs.helsinki.fi/aacarita/>

Giardini, D., Woessner J. & Danciu L. (2013). Seismic Hazard Harmonization in Europe (SHARE). Viittauspäivä 22.2.2020. <https://ec.europa.eu/programmes/horizon2020/en/news/safer-buildings-lower-risks-reducing-damage-caused-earthquakes-europe>

Johomaps. Tectonic Plates of the Earth. Viittauspäivä 22.2.2020. <http://www.johomaps.com/world/worldtecton.html>

NOAA Volcano Location Database Search. NOAA National Centers for Environmental Information (NCEI). Viittauspäivä 22.02.2020. <https://www.ngdc.noaa.gov/nndc/struts/form?t=102557&s=5&d=5>

Ritchie, H. & Roser, M. (2020).  Natural Disasters. Our World In Data. Viittauspäivä 22.02.2020. <https://ourworldindata.org/natural-disasters>

United States Geological Survey. Earthquake Catalog. Viittauspäivä 22.02.2020. <https://earthquake.usgs.gov/earthquakes/search/>

Yle. (2017). Miksi maa järisi taas Meksikossa? – Tunnetko Tulirenkaan ja Kookoslaatan? Viittauspäivä 22.2.2020. <https://yle.fi/uutiset/3-9841716>

Kurssin edetessä olemme yhä enemmän siirtyneet kohti paikkatietoaineistojen analyysi- ja muunnosmenetelmiä. Siinä, missä kurssin alussa lähdimme liikkeelle siitä, että visualisoimme valmista paikkatietoaineistoa, on nyt painopiste siirtynyt siihen, että oppisimme ja osaisimme valjastaa käytettävissä olevan paikkatietoaineistoja omiin tarpeisiimme ja tuottaa siitä uutta tietoa.

Keskeisiä ominaisuuksia paikkatietoaineiston käsittelyssä onkin siitä tehtävät analyysit ja kyselyt, joista tällä kurssikerralla tutustuimme tarkemmin vektoriaineiston perusanalyyseistä buffer- eli puskurivyöhykkeeseen ja päällekkäisanalyysin (overlay). Näitä analyysityökaluja voidaan hyödyntää sekä yhdessä että erikseen tuottamaan uutta paikkatietoa.

Puskuroinnissa valittujen vektorikohteiden ympärille määritetään halutun levyinen vyöhyke, josta syntyy uusi alue/karttataso. Yhdistämällä tähän päällekkäisanalyysi voidaan laskea, kuinka monta pistemuotoista kohdetta vyöhykkeen sisä- tai ulkopuolelle rajautuu. Näiden avulla voi siis tutkia erilaisten alueellisten kohteiden päällekkäisyyksiä ja yhteyksiä.

Tätä toimintoa hyödyntäen laskimmekin muun muassa Malmin lentokentän ja Helsinki-Vantaan lentoaseman melualueilla asuvien ihmisten määriä (taulukko 1), joukkoliikennepysäkkien vaikutusalueiden väestötietoja (taulukko 2) sekä taajamien väestötietoja (taulukko 3). Harjoitusten tulokset ovat nähtävissä taulukoissa.

Puskurivyöhyke ja päällekkäisanalyysityökalun avulla saatu paikkatietoaineisto tarjoaa siis monenlaisia käyttömahdollisuuksia paikkatietoperusteiseen optimointiin ja päätöksentekoon. Tällaisia paikkatietoaineistoanalyysejä voikin hyödyntää niin julkinen sektori kuin kaupalliset toimijat vaikutustenarvioinnissa, aluesuunnittelussa, saavutettavuutta arvioitaessa tai vaikkapa uuden kaupan sijaintia ja sen asiakaskuntaa selvitettäessä. Koska paikkatietojärjestelmien päätehtävä on helpottaa alueellisten ilmiöiden tarkastelua, ovat nämä analyysityökalut keskeisiä.

Itsestään tietysti paikkatietojärjestelmä ja sen työkalut eivät analyysejä pysty tekemään, vaan olennaiset osat kokonaisuutta ovat hyödynnettävät paikkatietoaineistot ja itse käyttäjät. Paikkatietoaineiston osalta huomioitavaa on muun muassa aineiston saatavuus, mahdollinen hinta, laatu ja luotettavuus. Myös aineiston kerääjän ja käsittelijän tarkkuudella ja ammattitaidolla on kriittinen merkitys siinä, millaisia paikkatietoaineistoja ja karttaesityksiä lopputuloksena syntyy. Paikkatietojärjestelmän käyttäjältä vaaditaankin ymmärrystä käsiteltävistä aineistoista sekä spatiaalisista analyyseistä.

Kurssikerran itsenäistehtävän kanssa tulikin tilanne, jossa tällaiselta aloittelevalta paikkatieto-osaajalta otettiin apupyörät pois ja edessä oli omien ongelmanratkaisutaitojen testaaminen QGISillä. Tehtävässä kartoitin vuosina 1965–1970 rakennettujen kerrostalojen määrää ja sijaintia sekä Helsingissä että koko pääkaupunkiseudulla (taulukko 4) ja visualisoin tulokset teemakartoiksi (kuva 1 ja kuva 2). Tällaisesta tiedosta voisi olla kiinnostunut esimerkiksi remonttiyritys, joka kartoittaisi itselleen asiakkaita linjasaneerausta  tarvitsevista taloyhtiöistä.

 

Karttaesityksen tuottamisessa oli avainasemassa aineiston suodattaminen ja valikoiminen isommasta pääkaupunkiseudun rakennuksia edustavasta pisteaineistosta. Suodatin aineistosta pienempiä osajoukkoja niiden sijainnin, käyttötarkoituksen ja rakennusvuosien perusteella, joita sitten tarkastelin ja muokkasin lisää erillisinä karttatasoina.

Myös Alex Nylander (2020) oli tarttunut tähän putkiremonttikohteita koskevaan tehtävään ja olen hänen kanssaan samaa mieltä siitä, että erityisesti haastetta lopulta aiheuttikin aineiston yhdistäminen samaan karttatasoon, jotta siitä sai suoritettua laskutoimituksia field calculator-työkalulla ja lopulta visualisoitua karttaesitykseksi. Itsellenikään ei meinannut aluksi muistua aiemmilta kurssikerroilta mieleen, miten sain yksittäisiä rakennuksia edustavan pisteaineiston määrän laskettua kaupunginosia kuvaavien polygonialueiden sisältä.

Kokeilin sekä Join attributes by location että Count points in polygon –toimintoa tähän ratkaisuksi, joilla kummallakin sai saman lopputuloksen, mutta joista jälkimmäinen oli tähän tehtävään lopulta ehdottomasti loogisempi vaihtoehto. Kun pistaineistojen määrät oli saatu polygonitason kanssa samaan tietokantaan onnistuikin niistä laskutoimitusten tekeminen jo paljon helpommin. Vielä ennen teemakartan visualisointia poistin tuloksista kaikki kohteet, joissa ei ollut lainkaan haluttuja kohteita eli 1965–1970 rakennettuja kerrostaloja. 

Tässä tehtävässä mielestäni korostui erityisesti se, miten aineiston käsittely saattaa vaatia useita eri välivaiheita ennen kuin se on käyttötarkoitukseen sopivassa muodossa. Toisaalta myös tietokantojen sisältämän tiedon monipuolisuus tuli esille ja sen useat eri muokkaus- ja analysointimahdollisuudet. 

Mielestäni QGIS vaatii kuitenkin käyttäjältään paljon asiantuntemusta ja perehtyneisyyttä sen ominaisuuksiin sekä tietämystä paikkatietoaineistosta. Siinä missä järjestelmä suorittaa monia toimintoja, tietokantaliitoksia ja analyysejä muutamissa sekunneissa, tulisi käyttäjän kuitenkin olla ohjaksissa arvioidakseen sekä hyödynnetyn lähdeaineiston luotettavuutta että järjestelmässä suoritettujen toimenpiteiden virheettömyyttä. Tähän mennessä koen kuitenkin vasta raapaisseeni QGISin toimintojen pintaa, ja tilanne on kohdallani varmasti enemmin niin, että QGIS vie minua 10–0 kuin toisin päin.  🙂

Lähteet:

Nylander, A. (2020). Kurssikerta 5: Buffereita ja väestöanalyysejä. Viittauspäivä 16.2.2020. <https://blogs.helsinki.fi/alny/2020/02/18/kurssikerta-5-buffereita-ja-vaestoanalyyseja/>

Tällä kerralla vuorossa oli pisteaineiston visualisointi ruututeemakartalla. Lähtöaineistonamme toimi pääkaupunkiseudun kuntien asuinrakennuksista ja asukkaista kerätty tietokanta, joka olikin massiivinen lähes 95 000 kohdetta sisältävä pisteaineisto (kuva 1). Näistä pisteistä jokainen kohde esitti todellista rakennusta ja piti sisällään tiedon muun muassa asuntorakennuksen rakennusvuodesta, rakennuksessa asuvien ihmisten määrästä sekä sukupuoli- ja ikäjakaumasta. Käytettävissämme oli siis erittäin paljon dataa.

Pisteaineiston etuna on tietysti tiedon tarkka paikannettavuus ja pistekartalla voikin esittää ilmiön sijoittumista, levinneisyyttä ja voimakkuutta. Jos aineistosta haluaa kuitenkin tunnistaa alueiden välisiä eroja tai keskittymiä, onnistuu se paremmin aluejakoon perustuvalla kartalla. Aluejakoon perustuvia karttoja ovat muun muassa aiemmilta kurssikerroilta tuttu koropleettikartta ja tällä kertaa vuorossa oleva ruutukartta.

Ruutukartassa tarkasteltu alue jaetaan tasakokoisin ruutuihin ja kartan aluejakona toimii nämä tilastoruudukot. Ruudut voivat olla kooltaan vaikkapa 250 m x 250 m, 1 km x 1 km tai 5 km x 5 km, eivätkä siis noudata mitään hallinnollista aluejakoa. Tästä syystä ruutukartta tarjoaakin hyvän keinon tarkastella alueellisten ilmiöiden leviämistä hallinnollisista aluerajoista riippumatta. Aiemmista blogijulkaisuista tutut koropleettikartat perustuvat aina sen sijaan johonkin valmiiseen aluejakoon.

Ruutukartta eroaa koropleettikartasta myös siinä, että sillä voi esittää sekä absoluuttisia että suhteellisia lukuja. Ruututeemakartta soveltuukin absoluuttisten arvojen, kuten väestömäärän, esittämiseen, koska ruudut ovat yhtä suuria, eikä niiden kokoero väärennä tulosta.

Tämän kurssikerran karttaesityksessäni päädyin esittämään miesten suhteellista osuutta väestöstä 1 km x 1 km kokoisilla tilastoruuduilla (kuva 2). Ennen teemakartan tekemistä karsin aineistosta pois kaikki kohteet, joissa väestömäärä oli ≤ 1, etteivät ne vääristäisi liikaa lopputulosta.

Lopputuloksena syntynyt kartta kuvaa mielestäni onnistuneesti pääkaupunkiseudun sukupuolijakaumaa. Ruutukartan värityksessä päätin korostaa sinisellä värillä ruutuja, joissa miehiä on enemmän ja punaisella taas niitä, joissa naisia on enemmän. Lisäksi valitsin korostusvärin ruuduille, joissa naisia ja miehiä on suunnilleen saman verran. 1 km x 1 km kokoinen ruutu soveltui hyvin valitsemalleni aineistolle, koska se toi esille alueiden välistä vaihtelua säilyttäen samalla ilmiön paikannettavuuden niin, että kartalta on tunnistettavissa eri asuinalueet ja kaupunginosat.

Karttaesityksen heikkoutuna toisaalta on sen puutteellinen taustakartta ja siksi alueiden huono paikannettavuus ilman hyvää aluetuntemusta tai muuta apukarttaa. Kartan tulkintaa helpottaisi ehdottomasti tarkempi taustakartta, johon olisi merkittynä ainakin suurimmat liikenneväylät sekä isoimpien asutuskeskittymien nimistö.

Tuija Hyvättinen (2020) oli omassa blogissaan tarkastellut myös pääkaupunkiseudun sukupuolijakaumaa, ja voin yhtyä hänen tekemiinsä huomioihin, että pääkaupunkiseudun kunnista Helsinki näyttää olevan naisvaltaisin, kun taas Espoossa ja Vantaalla sukupuolijakauma on huomattavasti tasaisempi. Lieneekö tästä syy vai seuraus, että esimerkiksi Helsingin yliopiston tutkinto-opiskelijoistakin vuonna 2018 64 % oli naisia. (Helsingin yliopisto numeroina 2019.) Vastaavasti kartalta on myös tunnistettavissa miesvaltaisena alueena Aalto-yliopiston kampusalue Espoossa.

Myös Itä-Vantaa ja sieltä esimerkiksi Hakunila nousee kartalta alueena, jossa miesten osuus väestöstä on naisia suurempi. Tällä alueella on tunnistettavissa myös muita kehitystrendejä, kuten alhainen väestönkasvu ja väestön ikääntyminen (Parviainen 2019). Varmasti ainakin osittain alueen kehno maine vaikuttaa siihen, ettei alueella asu eikä sinne muuta enemmän pariskuntia ja lapsiperheitä, jotka osaltaan tasaisivat alueen sukupuoli- ja ikäjakaumaa.

Kaikissa karttaesityksissä siis se, mitä ja miten esitetään ja millä mittakaavalla vaikuttaa esitystavan valintaan. Harvoin mikään alueellinen ilmiö noudattaa ennalta säädettyä rajaa, ja siksi tällä kurssikerralla tarkasteltu ruutukartta on hyvä esitystapa, kun halutaan tarkastella ilmiön esiintymistä, leviämistä ja vaihtelua hallinnollisista rajoista riippumatta. Koropleettikartta on taas parhaimmillaan silloin, kun aluerajat liittyvät kuvattavaan ilmiöön tai tarkastellaan laajoja alueita. (Tilastokeskus a., Tilastokeskus b.)

Lähteet:

Helsingin yliopisto numeroina. (2019). Helsingin yliopisto. Viittauspäivä 6.2.2020. <https://www.helsinki.fi/fi/yliopisto/tutustu-helsingin-yliopistoon/helsingin-yliopisto-numeroina#section-11420>

Hyvättinen, T. (2020). Rasterit kehiin! Viittauspäivä 6.2.2020. <https://blogs.helsinki.fi/hytuija/2020/02/06/rasterit-kehiin/>

Parviainen, E. (2019). Vantaan väestö 2018/2019. Vantaan kaupunki. Tietopalvelu B4. Viittauspäivä 6.2.2020. <https://www.vantaa.fi/hallinto_ja_talous/tietoa_vantaasta/tilastot_ja_tutkimukset/vaesto_ja_ennuste>

Tilastokeskus a. Tilastoteemakartat: ruutukartta. Viittauspäivä 6.2.2020. <https://tilastokoulu.stat.fi/verkkokoulu_v2.xql?course_id=tkoulu_teemak&lesson_id=4&subject_id=3&page_type=sisalto>

Tilastokeskus b.  Tilastoteemakartat: Koropleettikartta. Viittauspäivä 6.2.2020. <https://tilastokoulu.stat.fi/verkkokoulu_v2.xql?course_id=tkoulu_teemak&lesson_id=4&subject_id=2&page_type=sisalto>