Liikenteen kasvihuonepäästöjä ja ajoneuvoja maakunnittain Suomessa

Tämä kurssikerta yllätti minut iloisesti: pääsin huomaamaan, että vastoin kaikkia odotuksiani, lopulta opinkin käyttämään Qgissiä ilman, että täytyy pitää jotakuta kädestä kokoajan ja kysyä neuvoa. Päätin tehdä omat karttani, kuten otsikko kertookin, liikenteen kasvihuonepäästöistä ja ajoneuvoista Suomessa maakunnittain.

Aineistoja etsin Tilastokeskuksen sivuilta, ja lopulta sieltä valikoitui kaksi ja aineistoa.  Ajoneuvokanta alueittain (ml. Ahvenanmaa), 2011-2021 ja Kasvihuonekaasupäästöt maakunnittain, 2011-2019.  Kummastakin loin CSV-tiedoston Excelin avulla ja siirsin ne Qgissiin aiemmin kuntatietokannasta maakuntatietokannaksi muuttamaani tiedostoon. Kuntatietokanta tosiaan löytyi jo aiemmin koneelta toisen kurssikerran tehtävästä, mutta en käyttänyt sitä suoraan sellaisenaan, vaan käytin aikaa sen muokkaamiseen oikeaan muotoon. Tässäkin tuli itselleni yllättävä hetki, kun tajusin muistavani ulkoa, miten yhdistellä tietoja kätevästi tietokannassa. Muita teknisiä asioita, jotka onnistuivat helposti: pinta-alojen määrittäminen field calculatorilla ja attribuuttien yhdistely samaan tietokantaan. Lopputuloksena on tyytyväinen Kata, joka on tajunnut osaavansa käyttää Qgissiä. Ja tietenkin kartat. 

Kuva 1: Liikenteen kasvihuonekaasupäästöt maakunnittain 2019

Ensimmäisessä kartassa näkyy koropleettikarttana esitetty aineisto, jossa liikenteen kasvihuonekaasupäästöt vuodelta 2019 on esitetty tuhansina CO2-ekvivalentteina per asukkaat neliökilometria kohden. Tämä sen takia, että aineisto olisi vertailtavaa. Histogrammina on esitetty kokonaismäärä CO2-ekvivalentteja tuhansina tonneina.

Ongelma tässä kartassa on se, että kaikilla ei ole autoa. Osa käyttää julkisia, osalla ei vain ole autoa käytössä. Myös se, että esimerkiksi pääkaupunkiseudulla on helpompaa päästä esimerkiksi kauppaan ilman autoa, kuin Lapissa. (Ja näidenkin välillä huomaa koropleettikartasta, että silti Lapin päästöt näyttää hyvin pieniltä ja pääkaupunkiseudulla suurilta).

Tästä syntyi ratkaisu: tehdään toinen kartta!

Kuva 2: Liikenteen kasvihuonekaasupäästöt maakunnittain 2019, liikennekäytössä olevat ajoneuvot

Tässä kuvan 2 kartassa on edelleen sama koropleettikartta pohjalla, mutta siihen on lisätty toinen histogrammi edellisen tilalle: vuonna 2019 liikennekäytössä olleet ajoneuvot maakunnittain. Omasta mielestäni tämä selkeyttää erittäin paljon koropleettikarttaa ja tekee siitä helpommin tulkittavan. Esimerkiksi Lapin pieni päästömäärä on helpommin tulkittava, kun huomataan esimerkiksi Uudenmaan maakunnan ja Lapin maakunnan välillä oleva suuri ero ajoneuvojen määrässä.

Dataa ja maanjäristyksiä pisteinä

Tällä kurssikerralla seikkailtiin ulkona ja opeteltiin keräämään ja esittämään pistemuotoista dataa. Itse koin suuria ahaa-hetkiä kun seikkailin erilaisten maanjäristys– ja tulivuoridatojen kanssa ja lopulta sain ne itsekseni saatua kartalle ilman ihme taikatemppuja. Tarkoituksena oli tuottaa opetusmateriaaliksi soveltuvaa dataa karttamuodossa, ja koen onnistuneeni siinä ainakin jotenkin. 

Kuva 1: Maanjäristykset, yli 8 magnitudia
Kuva 2: Maanjäristykset, yli 7 magnitudia

 

Kuva 3: Maanjäristykset, yli 6 magnitudia
Kuva 4: Maanjäristykset, lisänä tulivuorien sijainti maapallolla

Karttasarjassa siis näkyy selkeästi, miten maanjäristyksien määrä kasvaa eksponentiaalisen näköisesti eri tarkasteluväleillä. Kuten kuvassa 1 näkyy, yli 8 magnitudin maanjäristyksiä ei ole valtavaa määrää, mutta kuvan 3 kartassa jo yli kuuden magnitudin mutta alle seitsemän magnitudin järistyksiä on valtavasti enemmän. Kartalta myös näkyy selkeästi maanjäristyksien tiheät esiintymät litosfäärilaatoilta, ja vain vähän järistyksiä muualta (muut jännitteet litosfäärilaattojen sisällä). Mielestäni Ali onnistui blogissaan ja kartoissaan tekemään tästä seikasta vielä selkeämmän, sillä hän oli loistavasti keksinyt lisätä karttoihinsa näkyviin litosfäärilaattojen raja-alueet. Tulivuorten sijainnit kuvan 4 kartassa auttavat myös hahmottamaan litosfäärilaattojen rajoja ja nekin kertovat paljon alueista, joille niitä syntyy. Toisaalta, tässä tulee ottaa huomioon litosfäärilaattojen erkanemisvyöhykkeet, kuten Islannin alueella näkyy kartoissa 3 ja 4: paljon tulivuoria, hyvin vähän voimakkaita maanjäristyksiä. Kartoista siis tekisi selkeämpiä tieto litosfäärilaatoista ja niiden kulkusuunnista. Myös suurempi aineisto maanjäristyksiä voisi selkeyttää, mutta ei liian suuri. Internetistä kaivoin tähän liittyen havainnollistavan kuvan. Kuvassa 5 on siis Peda.net-sivustolta kaivettu kartta maailmasta ja yli 4.0 magnitudin maanjäristyksistä. Kartta on hieman kömpelö ja niin on sanallinen esityskin, mutta ottamalla mukaan paljon isompi määrä, myös pienempiä, maanjäristyksiä, saadaan selkeä esitys litosfäärilaattojen reunojen ja maanjäristysten välille.

Kuva 5: Peda.net-sivustolta lukion opetusmateriaalia, maanjäristysten esiintyminen

Lähteet: https://peda.net/kotka/lukiokoulutus/karhulanlukio/opiskelu/oppiaineet/maantiede/gmmo2/maanj%C3%A4ristykset/m (Luettu 22.2.2022)

Ylikoski, A. (5.3.2022): Kurssikerta 6: Sään ääri-ilmiöitä ja maanjäristyksiä. Alin geoinformatiikkablogi 

Analyysitaitojen kehittelyä

Tällä kurssikerralla hyppäsimme analyysityökalujen käyttöön, ja mielestäni luennon toteutus ja tehtävät olivat erittäin onnistuneita: itse ainakin opin monimutkaisia prosesseja parhaiten silloin, kun en ole väsynyt ja pääsen itse ymmärtämään niiden tarkoitukset ja sen, mitä ne tekevät. Samalla, kun siis itse yritän saada niillä edes jotain aikaiseksi.

Taulukko 1: Tietoja kurssikerran tehtävistä

 

Suurin epävarmuus näissä tilastoissa oli taajamiin liittyvä, kun piti laskea alueiden määriä sen perusteella, montako prosenttia asukkaista on ulkokansalaisia. Sara on kuitenkin saanut taulukkonsa perusteella samaan suuntaan viittaavia tuloksia, joten uskon olevani ehkä oikeassa suunnassa. Tärkeintä ei kuitenkaan tainnut olla oikea vastaus, vaan tajuta tapoja selvittää näitä tietoja.

Tämänhetkiselläni paikkatieto-osaamisella osaan kertoa, että ensimmäisenä tärkeistä työkaluista QGISin käytössä ovat valintatyökalut, field calculator ja erilaiset analyysityökalut, kuten join-työkalut, joissa tietokantoja voidaan yhdistellä. Minulle on helpointa käyttää sellaisia työkaluja, jotka toimivat loogisesti eivätkä vaadi erityisosaamista tai pitkän kaavan kautta asioiden opettelemista ulkoa. Tälläisetkin siis onnistuvat, mutta ne eivät pysy päässä yhtä pitkään. Koen kaipaavani lisäharjoitusta ehkä eniten siinä, että ymmärtäisin täysin mitä erilaisilla työkaluilla tehdään. Tällä kurssikerralla koen saaneeni valaistusta useaan eri analyysityökaluun. Uutena asiana tuli puskurivyöhyketyökalu, joka onkin kätevä monessa eri asiassa. Sillä luodaan jonkin asian, kuten polygonin tai viivan, ympärille itse määritelty vyöhyke, joka muodostuu polygoniksi. Puskurivyöhykkeillä voidaan tutkia erilaisten ilmiöiden ja asioiden levinneisyyttä ja yleisyyttä.

QGISin avulla ongelmien ratkaisemiseen vaikuttaa moni asia, kuten saatavilla olevat aineistot, aineistojen laatu ja tekninen osaaminen. Ohjelman käyttäjän asettamat rajat ongelmien ratkaisuun ovat esimerkiksi osaamisessa, kyvyssä pohtia ja ajatella ja siinä, miten oppii soveltamaan erilaisia ohjelman työkaluja. Ohjelman erilaisilla työkaluilla on helppoa lopulta soveltaa aineistoja mihin suuntaan vain haluaa, joten sillä ei ole kauheasti rajoitteita siihen, mitä ongelmia QGISin avulla voidaan ratkaista.

Lähteet:

Virtanen, S. (luettu 21.3.2022): 5. viikko — Bufferit ja uima-altaat 

Rasteri- ja vektoriaineistoja

Tällä kurssikerralla sukelsimme rasteri- ja vektoriaineistojen pariin ruututeemakartoilla ja korkeusmalleilla.

Kuva 1: Pääkaupunkiseudun väestö ruututeemakarttana, lisätietona tiestö

Tuottamassani kartassa on ruututeemakarttana siis pääkaupunkiseudun väestö yhteensä, ja lisätietona tiestö alueella. Yhden ruudun koko on 1 km kertaa 1km. Kartasta nähdään siis tiheään ja harvaan asutut alueet ja tieinfrastruktuurin määrä alueilla. Kun vertaa esimerkiksi Helsingin keskustan tummansinisiä ruutuja johonkin pääkaupunkiseudun reunalla olevaan vaaleaan ruutuun, huomataan tiestön määrän ero selkeästi. Tiheään asutulla alueella tiestöä on paljon tiheämmin, kuin harvaan asutulla alueella. Toisaalta, asutus ei ole ainoa tiestöä määrittelevä asia, vaan myös esimerkiksi teollisuuskeskittymät tai muut ei-asuinalueet, mutta silti paljon teitä vaativat alueet, lisäävät tieinfrastruktuuria. Jotta kartta olisi mahdollisimman informatiivinen tämän suhteen, siihen olisi voinut lisätä maankäytön tapoja (myönnetään, tämän puute johtuu erittäin suuresta väsymyksestä) selventämään sitä, mikä muu kuin asutus vaikuttaa tiestön tiheyteen.

Ruututeemakartoilla voidaan loogisesti pohdittuna näyttää absoluuttisia arvoja sen takia, että kaikki ruudut ovat samankokoisia. Tämän takia arvot ovat verrattavissa keskenään ilman niiden suhteuttamista, kuten esimerkiksi täytyisi tehdä jos verrattaisiin ruutujen sijaan vaikkapa kaupunkien asukasmääriä (jolloin suhteutettaisiin asukasmäärä esimerkiksi kaupungin pinta-alan mukaan). Ruututeemakartan informaatioarvo verrattuna esimerkiksi koropleettikarttaan perustuu muun muassa sen samankokoisiin ruutuihin ja siihen, informaatio ei välttämättä ole rajattuna hallinnollisilla tai maantieteellisillä rajoilla, kuten aiemmin kurssilla tekemäni valuma-alueiden tulvaindeksien koropleettikartta. Ruututeemakarttaa on ehkä jopa helpompi lukea sellaisenaan verrattuna muihin teemakarttoihin, koska siinä on vain samankokoisia ruutuja ja niiden kokoja ei tarvitse vertailla. Toisaalta, ruututeemakartan sisältöä täytyy pohtia jopa tarkemmin avatakseen sitä, koska informaation esitys on pelkisetympi kuin vaikkapa koropleettikartassa, jossa alueet jaetaan mm. informaation mukaan, eikä alueelle välttämättä anneta informaatiota vasta kun alue on määritelty (vaikka tällaisiakin koropleettikarttoja on olemassa).

Kurssikerran toinen tehtävä liittyi Pornaisten alueeseen, korkeusmalliin siitä, ja tekniseen osaamiseen korkeuskäyrien ja rinnevarjostuksen tekemisen suhteen. Alempana on samalta alueelta kartalta kuvat 2 ja 3, joista voi verrata korkeuskäyriä. Kuva 3 on Paitulin aineistosta saadun karttalehden korkeuskäyrät, ja kuvan 2 korkeuskäyrät on Qgis-sovelluksella asetettu 5 m etäisyyksille.

Kuva 2: Pornainen, korkeuskäyrät

Kuva 3: Pornainen, korkeuskäyrät (Aineisto: Paituli)

Kuvista 2 ja 3 huomataan selkeä ero korkeuskäyrien tarkkuudessa. Ne vastaavat toisiaan, mutta Paitulista saadun aineiston korkeuskäyrät ovat selkeästi tarkemmat. Samanlaisen havainnon teki myös Annika blogissaan, eli en ole ihan niin huolestunut siitä, että olisin tehnyt jotain väärin itse korkeuskäyriä tehdessä.

Lähteet:

Leinonen, A. (luettu 21.3.2022): Ruututeemakarttoja ja korkeuskäyriä

Afrikan öljykenttiä ja Suomen valuma-alueita

Tällä viikolla päästiin taas leikkimään tutuksi tulleen Qgissin kanssa, Afrikan ja valuma-alueiden merkeissä. Mielestäni tärkein tällä viikolla oppimani asia tulevaisuuden kanssa (Qgis:in käytön suhteen) oli erilaisten alueiden (polygonien) yhdisteleminen. Luennolla muokkasimme ja rakensimme monimutkaisen tietokannan, ja lopulta käteen jäi kasa muokattuja karttoja, jotka kertoivat esimerkiksi konfliktien määrästä valtioittain Afrikassa, tai siitä, kuinka monta öljynporauskenttää kunkin Afrikan valtion sisältä löytyy. Tiedostot, joita käytimme ja sovelsimme harjoituksen lopussa, liittyivät timanttikaivoksiin, konflikteihin ja öljynporauskenttiin. Näistä kaikista oli tarkempiakin tietoja tallennettuna, joista voi päätellä, laskeskella tai analysoida monia muitakin tietoja. 

Konfliktien suhteen voidaan päätellä esimerkiksi yleinen määrä konflikteja vuosittain, tietyn laajuisten konfliktien määrän muuttuminen vuosien aikana (esimerkiksi, onko suuret konfliktit lisääntyneet, kuinka paljon laajoja konflikteja on verrattuna pienien konfliktien määrään). Aineistot menevät pitkälle historiaan, jonka vuoksi näitä tietoja voi myös vertailla esimerkiksi kolonisaation historiaan. 

Timanttikaivosten suhteen voidaan taas päätellä tietoa esimerkiksi siitä, onko kaivausten aloitusvuoden ja tuottavuusluokittelun välillä korrelaatioita. Myös se tieto on mielenkiintoinen tässä, kuinka paljon timanttikaivoksia löydetään ja onko tässä jonkinlaista lineaarista yhteyttä vuosien välillä. Öljykenttien suhteen voidaan päätellä myös samankaltaisia asioita. 

Afrikka ei kuitenkaan ollut ainoa luennon aihe, vaan itsenäinen tehtävä Suomen valuma-alueista seurasi. Itselleni tämä oli mielenkiintoisempi aihe, ja pääsi soveltamaan äsken opittuja uusia tekniikoita. Tuloksena tästä on siis koropleettikartta, teemana valuma-alueiden tulvaindeksit eli periaatteessa kunkin valuma-alueen tulvaherkkyys virtaushuipussa, ja kirsikkana päälle vielä kunkin valuma-alueen järvisyysprosentti.

Kuva 1: Koropleettikartta valuma-alueiden tulvaindekseistä, valuma-alueiden järvisyys%

Kuvasta 1 siis huomataan, että siinä on Suomi ja tarkemmin Suomen vesistöjen valuma-alueet. Koropleettikartan väritys viittaa siihen, että mitä tummempi sininen alueella on, sitä suurempi on alueen tulvaindeksi. Esimerkiksi siis tarkoitetaan sitä, että keväällä lumien sulaessa, kun virtaushuippu saavutetaan, se on paljon korkeampi kuin mikä on virtauksen keskiarvo, ja tällöin usein tulvii. Näitä alueita on lähinnä rannikkoalueilla ja pohjoisessa. Järvisyysprosenttia esittävät diagrammit kunkin valuma-alueen kohdalla tarkoittavat yksinkertaisesti sitä, kuinka monta prosenttia valuma-alueen pinta-alasta on järviä. Tässä tulee huomata, että asteikko kulkee 20 prosenttiin asti.

Kuvan 1 kartasta voidaan tulkita pari asiaa. Ensinnäkin itselleni selkeimpänä, alueilla joilla on pienempi järvisyysprosentti, on suurempi tulvaindeksi. Esimerkiksi Järvi-Suomessa ja Kajaanin, Kuusamon sekä Kemijärven alueilla pohjoisemmassa näkyy selkeästi erittäin pitkiä järvisyysprosenttihistogrammeja. Näillä alueilla tulvaindeksi on myös selkeästi erittäin pieni. Rannikkoalueilla, joilla tulvaindeksi on suuri, on selkeästi pientä järvisyysprosenttia. Tästä voidaan päätellä se, että valuma-alueen järvien määrä luultavasti vähentää matkaa, jonka virtaava vesi kulkee ennen päätymistä suurempaan vesistöön, kuten järveen, eikä esimerkiksi mereen kulkiessa tulvi joessa. Vähäjärvisillä alueilla joet myös muodostavat luultavammin pidempiä ja suurempia verkostoja ilman välissä olevia järviä, jolloin myös virtaavan veden määrä on suurempi normaalistikin ja tulvaherkkyys kasvaa. Nuppu blogissaan päätyi samaan tulokseen, ja lisäsi vielä oivasti senkin, että esimerkiksi Pohjanmaan alavat maisemat vaikuttavat tulvaherkkyyteen.

Lähteet:

Häyhtiö, N. (luettu 21.3.2022): Melkein onnistui

Karttaprojektioita ja niiden aiheuttamia vääristymiä

Tällä kurssikerralla itselleni ainakin tuli vielä tutummaksi erilaiset karttaprojektiot. Jo lukiomantsasta alkaen olen niistä lukenut paljon, mutta oman koneen näytöltä niiden vaikutusten katseleminen oli jotain aivan muuta, kuin vain diojen katsominen niiden ominaisuuksiin liittyen.

Taulukko 1:Saman alueen pituus ja pinta-ala Pohjois-Suomessa riippuen katsotaanko karttaa ellipsoidina (E) vai tasona (C), ja mitä karttaprojektiota käytetään.

Taulukossa 1 siis esitetään sitä, miten erilaiset karttaprojektiot vaikuttavat siihen, minkälaista informaatiota kartta välittää. Erot huomaa katsomalla karttaa ihan normaalistikin, mutta kun nämä erot siirtävät numeromuotoisiksi ja laittaa taulukoksi, sieltä erottuu selkeästi joitakin suuria vääristymiä. Esimerkiksi Mercatorin projektiossa (oikeakulmainen) huomataan suuria heittoja pinta-alan suhteen. Tämä oli kyllä mielestäni kuitenkin oletettavissa, koska Mercatorin projektio ei ole oikea-alainen projektio (kuten vaikkapa Bonnen tai Mollweiden projektio), vaan se on oikeakulmainen lieriöprojektio, jossa vääristymät kasvavat sitä mukaan, mitä kauemmas päiväntasaajasta kuljetaan. Mikään karttaprojektio ei varsinaisesti sellaisenaan anna epäluotettavaa tietoa, vaan erilaisissa tilanteissa tulee valita tarkoitukseen sopiva karttaprojektio. Esimerkiksi tässä Pohjois-Suomen tapauksessa Mercatorin projektio vääristää pinta-aloja paljon, mutta samanlaiset mittaukset lähempänä päiväntasaajaa eivät välttämättä olisi yhtä vääristyneitä.

Excel-taulukoiden lisäksi pääsimme leikkimään Qgis-ohjelmalla ja tuottamaan karttoja käyttäen erilaisia karttaprojektioita. Kartoissa eri värit kuvaavat pinta-alojen vääristymien suuruutta prosentteina, itselläni punainen tarkoittaa pientä vääristymää ja sininen suurta vääristymää.

Kuva 1: Kartassa näkyy prosenttimäärinä pinta-alan vääristumisen suuruus, kun vertaa Mercatorin projektiota ETRSTM35FIN-projektioon
Kuva 2: Kartassa näkyy prosenttimäärinä pinta-alan vääristumisen suuruus, kun vertaa Robinsonin projektiota ETRSTM35FIN-projektioon
Kuva 3: Kartassa näkyy prosenttimäärinä pinta-alan vääristumisen suuruus, kun vertaa Mollweiden projektiota ETRSTM35FIN-projektioon

Kuvista 1-3 huomataan jo heti kättelyssä selkeitä eroja eri karttaprojektioiden välillä. Lopuksi, ennen näiden tallentamista, siirsin kartat takaisin ETRSTM35FIN-projektioon karttakuvan selkeyttämiseksi (vinoutuneista Suomista saa hyvin erilaista informaatiota näihin verrattuna, mutta niistäkin sai omia huomioita tehtyä). Ensimmäiseksi itse ainakin pohdin Mercatorin ja Robinsonin projektioiden samanlaisuutta keskenään, ainakin niiden aiheuttamien vääristymien kannalta. Kummassakin huomataan vääristymien kasvaminen pohjoiseen kulkiessa, eli varsinkin Pohjois-Suomessa. Saman huomion teki Taru blogissaan. Vaikka kartalla nämä näyttävätkin samalta, tulee toki huomata erot prosenttimäärissä: Robinsonin projektion kohdalla suurin virhe on 1,416% ja Mercatorin projektion kohdalla 8,26%, joita kuvaa kuitenkin sama väri näillä kartoilla. Alueellista jakautumista näissä projektioissa selittää esimerkiksi Suomen pitkulainen muoto pohjois-eteläsuunnassa, etäisyys päiväntasaajasta ja kummankin projektion vääristymien määrän kasvaminen poispäin päiväntasaajalta kulkiessa.

Mollweiden projektio on oikea-alainen, toisin kuin Mercator ja Robinson, jolloin siinä pyritään saamaan pinta-ala mahdollisimman oikein. Lisään alle vielä kuvan 4 kuvaamaan sitä, miten Suomi näkyy projektiossa.

Kuva 4: Suomi Mollweiden projektiolla katsottuna

Kartalla näkyy tosiaan vaihtelua alueiden välillä, mutta kun tutkitaan vaihteluiden suuruutta, voidaan todeta sen olevan minimaalisen pientä. Vaihteluväli projektion aiheuttamista pinta-alojen vääristymistä vaihtelee 0,99324–0,99795% välillä. Tämä on erittäin pientä vaihtelua, ja käytännössä eroa pinta-alassa ei ole ollenkaan verrattuna ETRSTM35FIN-projektioon.

Lähteet:

Tornikoski, T. (21.3.2022): Aineistossa ajelehtimassa 

Suomen kunnat ja eläkeikäiset asukkaat

Kurssi lähti käyntiin vauhdikkaasti tekemällä, ja tällä kurssikerralla suurin osa läpikäydyistä asioista oli minulle tuttuja, mutta kertaus tuli kyllä tarpeeseen. Qgis-ohjelmaa olen käyttänyt aiemmin parikin kertaa toisella kurssilla, mutta sen käyttäminen ei ollut varsinaisesti helppoa ensimmäisilläkään kerroilla. Oivalluksia koin varsinkin erilaisten luokittelutyyppien kohdalla, kun pääsin tarkkailemaan jakoa tarkemmin histogrammin kautta.

Viikon harjoituksena tein Qgis-ohjelmalla Suomen kunnista koropleettikartan, jossa esitän muuttujana kunnassa asuvien yli 65-vuotiaiden osuuden kunnan kokonaisasukasmäärästä. Tätä tietoa voi hyödyntää muun muassa siinä, kun tutkitaan muuttohäviö/-voittokuntia tai huoltosuhdetta. Teknisesti onnistuin mielestäni kartan tekemisessä, mutta en ole varma, olisinko saanut kartasta mahdollisesti totuudenmukaisemman erilaisella aineiston luokittelulla tai luokkien lisäämisellä tai vähentämisellä. Mielestäni tapa, jolla ne esitin tässä (luonnolliset luokkarajat) näyttää sellaisen kuvan, minkälaisena olen tilanteen kuvitellutkin, mutta tiedän karttojen vääristävän todellisuutta joskus.

Tekemälläni koropleettikartalla siis näkyy Suomi jaettuna kuntiin, ja kunnat luokiteltu sen mukaan, kuinka suuri osuus kunnan asukkaista on 65-vuotiaita tai yli 65-vuotiaita. Kartalla näkyy paljon vaihtelua, mutta myös selkeitä ryhmittymiä. Esimerkiksi pääkaupunkiseutu näkyy erittäin vaaleana, josta voidaan päätellä esimerkiksi se, että pääkaupunkiseudulla on paljon työpaikkoja, joka houkuttelee tänne paljon työikäisiä ja työikäisten mukana lapsiakin. Eniten tummia sävyjä, eli suuria prosenttimääriä, näkyy Itä-Suomessa ja Pohjois-Suomessa. Tarkemmin vielä Pohjois-Karjalan, Kainuun ja Lapin alueella. Eläkeikäisten suuri määrä verrattuna muuhun väestöön ei ole hyvä asia. Tämä johtuu siitä, että usein tällaisilla alueilla työikäisten suhteellinen määrä on pienempi kuin mahdollisesti muualla, joka johtaa vähempään määrään verorahoja, joilla taas maksetaan esimerkiksi terveydenhuolto kunnassa. Suomessa onneksi jaetaan tällaisille kunnille muualta verorahoja, jotta juuri esimerkiksi terveydenhuolto pysyy kasassa.

Omasta mielestäni kartta on helposti luettavissa myös sellaiselle lukijalle, joka ei ole asiaan niin perehtynyt. Värit on laitettu selkeästi ja omasta mielestäni loogisesti vaaleasta tummaan sävyyn sinisenä sekä legendasta näkyy tarvittava tieto tarpeeksi selkeästi ilmaistuna.