Kaikki loppuu aikanaan…

Kuva 1. Maanviljely Euroopassa. Viljelykelpoinen maa kuvattuna koropleettikartalla, karjan runsautta mitataan rastereilla ja maatalouden aiheuttamat päästöt ilmoitettu pylväsdiagrammeilla. Kartalta voi nopeasti todeta Skandinavian olevan epäsuotuisaa aluetta viljelyyn (kylmyys, maaperä), kun taas parhaat alueet löytyvät tasaisilta alueilta Keski-Euroopasta ja Etelä-Euroopan suotuisa ilmasto lisää tuotantoa siellä.

Nyt on koittanut myös viimeisen PAKin aika. Viimeisen kerran haasteena meillä oli tuottaa teemakarttaesitys tai kaksikin kokonaan itse haluamastamme aiheesta ja maailmankolkasta. Itsenäinen työskentely ei ole vahvimpia osa-alueitani, mutta pienoisten alkuvaikeuksien (ja laskuhumalan jälkeisten tunnelmien) jälkeen tuotin toisen kartan kokonaan itse ja lopputulokseenkin olen melko tyytyväinen. PAK on siis selkeästi tehnyt tehtävänsä ja arvioin omat MapInfo-skillsini nyt melko sujuviksi (suomeksi: yksi hermoromahdus per kartta). Vielä riittää siis parannettavaa ja itsenäisesti tehdessä huomasi omien rajallisten taitojen tulevan vastaan monessakin kohtaa.

Kartan teko aloitetaan käyttötarkoitukseen sopivien, tuoreiden ja luotettavien aineistojen etsinnöistä. Aiheen ja datan ensimmäiseen karttaan keksin ja löysin nopeasti, sillä tiesin mitä halusin kuvata. Huomasin kuitenkin kaiken datani olevan tallennettu .png kuvaformaattiin, jota ei voi kopioida muutoin kuin käsin. Tähän sitten vierähtikin hyvä tovi ja Excelkin päätti kaatua välissä. Vihdoin sain hyvän datani siistiin Excel-taulukkoon ja oli voittajafiilis. Kuten Valtteri Lehto kirjoittaa osuvasti blogissaan: “Kun taulukot ja aineistot ovat kunnossa, onnistuu esimerkiksi näennäisesti haastavalta vaikuttava teemakartan luonti vain parilla klikkauksella” ja homma toimii myös päin vastoin: “jos taulukko vuotaa kuin Huuhkajien puolustus, ei siitä saa toimivaa karttaa väännettyä edes Paarlahden Arttu.” Ei sitä paremmin olisi voinut muotoilla. Toisaalta olimme jo Artun kanssa kuluttaneet kaikki voimani taulukon kanssa tappeluun ja viedessäni sen MapInfoon ei voimia teemakartan tuottamiseen enää löytynytkään, mikä myös näkyy lopputuloksesta (kuva 1).

    Kahden muuttuja koropleettikarttani on hieman sekava ulkoasultaan, eikä niin informatiivinen kuin pitäisi. Syy johtuu pieleen menneestä luokittelusta. Erityisesti viljelykepoista maata kuvaavan muuttujan keskimmäinen luokka on aivan liian suuri (lähes koko KeskiEurooppa kuuluu siihen), mikä laskee kartan informatiivistä arvoa. Eroja olisi saanut enemmän esiin kasvattamalla luokkamäärää, mutta tämä ei ollut vaihtoehto, sillä kuvasin karjan määrää per hehtaari rasterilla ja liian monta luokkaa (rasterit ja koropleetti päällekkäin) olisi vain hypnotisoinut lukijan silmät ja tehnyt kartasta vaikeasti tulkittavan. Alun perin tarkoituksena oli kuvata karjan absoluuttista määrää MapInfon Individual teemakartalla (esim. Yksi lehmäsymboli vastaa 10 000 teuraseläintä). Kuitenkaan Individual luokittelusta ei löytynyt sopivaa symbolia ja jouduin tyytymään rastereihin sekä samalla

muuttamaan muuttujan suhteelliseksi (eläimiä/ maatalouskäytössä oleva hehtaari), vaikka tämä oudompi muuttuja ei oikein aukea sellaisenaan lukijalle. Lisäämällä maatalouden päästöt kartalle halusin tutkia, onko joissakin maissa vähemmän maataloutta, mutta edistymättömän tekniikan takia suhteellisen suuret päästöt tai toisin päin. Esimerkiksi Tanskassa ja Alankomaissa näyttäisi olevan paljon maataloutta ja alhaiset päästöt verrattuna esimerkiksi Ranskaan ja Saksaan, mutta voidaan suoraan todeta tämän johtuvan valtioiden pinta-alaerosta. Päästöjenkin pitäisi siis olla suhteutetttuna pinta-alayksikköön, jotta asiasta voitaisiin jotain päätellä, mutta todennäköisesti EU-alueella vallitsee sen tason direktiivit ettei kovin suuria eroja maatalouspäästöissä pääse syntymään.

Karttatulkintaa häiritsee myös puutteelliset tiedot liian monesta valtiosta, minkä takia ne kuvautuvat valkoisella. Visioni kartasta saadessani idean eroaa suuresti lopputuloksesta, mikä kertoo vielä vajavaisista taidoista, kärsimättömyydestä ja ohjelman rajoitteista (ne lehmäsymbolit!). Myönnetään, ettei aineistokaan ollut ehkä ihan osuvin mahdollinen. Pylväissä esimerkiksi Iso-Britannian arvot ovat kuvautuneet neljästi, Espanjan ja Kyproksen kahdesti, johtuen itsehallinnollisista alueista. Tämä johtaa lukijaa harhaan ja muuttaa kartan ulkoasua, mutten osannut tehdä ongelmille mitään.

Yllätyksenä tuli, että kaksi karttaa pitäisi saada aikaiseksi. Toisella kartalla halusin tutkia naisten lukutaitoisuuden tai koulutusasteen korrelaatiota elinajanodotteeseen Saharan eteläpuolisessa Afrikassa. Taisteltuani World Bankin datapalvelun kanssa oman aikani totesin aluerajauksen tekemisen minun teknisillä taidoillani mahdottomaksi ja tyydyin tekemään toisenkin kartan Euroopasta.

Kuva 2. Bruttokansantuote per henkilö suhteutettuna Euroopan keskitasoon on kuvattu koropleettikartalla ja turvapaikkahakemusten lukumäärä näkyy mustilla pylväillä.

Kokonaan itsenäiseen tuotokseen (kuva 2) olen aika tyytyväinen, kauneuspilkkuna häiritsevät taas muutamat ylimääräiset pylväät muistuttamassa minua kehittymisen tarpeesta. Minua kiinnosti tarkastella pyrkivätkö turvapaikanhakijat varakkaimpiin EU-maihin vai onko esimerkiksi maantieteellisellä sijainnilla vaikutusta asiaan. Yllätyin Iso-Britannian, Ranskan ja Italian verrattain alhaisesta sijoittumisesta indeksoidussa bruttokansansantuotteessa (valtiossa tuotettujen tuotteiden ja palveluiden yhteenlaskettu arvo kyseisen vuoden aikana) per capita (/hlö). Sen sijaan Itä-Eurooppa erottuu odotetusti keskimääräistä alhaisemmalla bruttokansantuotteella, eikä alueelle jätetä paljon turvapaikkahakemuksia, sillä monet pyrkivät pidemmälle Keski-Eurooppaan tai Skandinaviaan.

Unkari erottuu kartalta selvänä poikkeuksena; sinne on tullut Saksan jälkeen eniten turvapaikkahakemuksia vuonna 2015, vaikka valtion bruttokansantuote on selvästi heikompi verrattuna muihin runsaasti turvapaikanhakijoita vastaanottaneisiin maihin. Suhteutettuna valtion väkilukuun Unkariin on tullut eniten turvapaikanhakijoita koko Euroopassa, Ruotsi pitää toista sijaa. Yhtälö Euroopan tasolla matalasta BKT:sta ja eniten turvapaikanhakijoita vastaanottaneesta maasta (johtaa räjähdysvaaraan eli) ei miellytä Unkaria, eikä ainakaan kohenna valtion taloustilannetta. Unkarin maahanmuuttovastainen pääministeri Viktor Orban onkin ollut yksi äänekkäimmistä pakolaisuuden rajoittamisen puolestapuhujista ja pakolaisten olot Unkarissa ovat puhuttaneet ihmisoikeusjärjestöjä. Unkari on Afganistanista ja Syyriasta lähtöisin olevien pakolaisten reitin varrella Saksaan ja muualle Keski-Eurooppaan. Pakolaisten suureen virtaan kyllästynyt Unkari tukki reitin Keski-Eurooppaan pahimman pakolaiskriisin aikaan vuonna 2015 ja rakensi aidan Serbian vastaiselle rajalle sekä säännösteli pakolaisten maahantuloa. Toinen alhaisen BKT:n  ja suhteellisesti paljon turvapaikanhakijoita vastaanottanut valtio on Kypros. Tämänkin selittää maantieteellinen sijainti Lähi-idän ja Schengen-alueen välissä. Toisaalta korkean BKT:n valtioihin, joiden sijainti on kaukainen Lähi-idästä katsottuna (Norja, Islanti, Irlanti, Suomi), on tullut vain vähän turvapaikkahakemuksia.

Yleislinjaltaan bruttokansantuotteella tai laajemmin valtioiden varakkuudella ja hyvinvoinnilla sekä turvapaikkahakemusten määrällä näyttäisi kartan mukaan olevan jonkinlainen yhteys. Totta kai myös sijainti, valtion maine, poliittinen linjaus turvapaikanhakijoihin, lainsäädäntö ja rajapolitiikka vaikuttavat siihen minne turvapaikanhakijat ensisijaisesti pyrkivät ja pääsevätkö he kohteeseensa. Kaikilla tekijöillä ei ole suoraa yhteyttä hyvinvointiin tai bruttokansantuotteeseen. Lisäksi monella on jo sukua tai tuttuja eniten turvapaikanhakijoita vastaanottaneissa valtioissa, kuten Saksassa ja Ruotsissa, ja uudet tulokkaat luonnollisesti haluavat samaan maahan maanmiehiensä ja tuttujensa kanssa.

Tähän karttaan (kuva 2) on hyvä päättää paljon antanut kurssi. ´Kartta ei ole läheskään täydellinen, mutta onnistuneeksi voisin sitä jopa kuvailla. Ja mikä parasta se on syntynyt täysin omin käsin ja voimin ilman sen suurempaa tuskaa tai kyynelvirtaa. Jo pelkästään tämän perusteella voisin sanoa kurssia onnistuneeksi puhumattakaan kymmenistä muista luomistamme ulkonäöltään, idealtaan, tekniikaltaan ja onnistumistasoltaan vaihtelevista karttaesityksistä, joista parhaat palat (tai ainakin osan) voit löytää blogini aiemmista postauksista. Alex Salminen kiteyttää loppukurssin tunnelmia osuvasti: “MapInfo alkaa kuitenkin tuntua koko ajan enemmän ystävältä, vaikka joka kurssikerran alussa minut valtaakin pieni pakokauhu ja ”mitä-mä-nyt-teen”-tunne. Kyllä tässä pärjäillään.” Kuten otsikko kertoo: kaikki loppuu aikanaan, niin myös tämänvuotinen PAKki. Näihin karttoihin, näihin tunnelmiin!

Lähteet

Talouselämä, <http://www.talouselama.fi/uutiset/unkari-ryhtyy-rakentamaan-jo-toista-raja-aitaa-pitaakseen-turvapaikanhakijat-poissa-6628272>, julkaistu 27.02.2017, luettu 02.03.2017

Eurostat, <http://ec.europa.eu/eurostat/statistics-explained/index.php/File:Number_of_(non-EU)_asylum_seekers_in_the_EU_and_EFTA_Member_States,_2014_and_2015_(thousands_of_first_time_applicants)_YB16.png>, julkaistu 16.03.2016, luettu 02.03.2017

Wikipedia, “Euroopan pakolaiskriisi” <https://fi.wikipedia.org/wiki/Euroopan_pakolaiskriisi>, viimeksi muokattu 14.02.2017, luettu 02.03.2017

Natural Earth, pohjakartta paikkatietomuotoisena <http://www.naturalearthdata.com/downloads/10m-cultural-vectors/>, ladattu 29.02.2017

Eurostat, “Livestock density index” (2010)<http://ec.europa.eu/eurostat/statistics-explained/images/7/78/Livestock_pattern_–_total_and_grazing_livestock_densities%2C_EU-28%2C_IS%2C_NO%2C_CH_and_ME%2C_2005-2010.png>, luettu 26.02.2017

Eurostat, “Emissions from agriculture” (2010)http://ec.europa.eu/eurostat/statistics-explained/images/f/ff/Emissions_from_agriculture_CH4_and_N20_%28kilotonnes_of_CO2_equivalents%29%2C_2010%2C_EU_27.png, luettu 26.02.2017

World Bank, “Agricultural land (% of land area)” (2014) <http://data.worldbank.org/indicator/AG.LND.AGRI.ZS> , luettu 29.02.2017

Eurostat, “Asylum and first time asylum applicants – annual aggregated data (rounded)” (2015) <http://ec.europa.eu/eurostat/tgm/table.do?tab=table&init=1&language=en&pcode=tps00191&plugin=1>, luettu 02.03.2017

Eurostat, “GDP per capita in PPS” (2015) <http://ec.europa.eu/eurostat/tgm/table.do?tab=table&init=1&language=en&pcode=tec00114&plugin=1>, luettu 02.03.2017

Alex Salminen, “Viikko 6: Suojateitä ja tulirenkaita”, julkaistu 27.02.2017, luettu 03.02.2017

Valtteri Lehto, “Kurssikerta 5: Soveltamisen tuska”, julkaistu 24.02.2017, luettu 02.03.2017

Keskiviikon geokoodausta

Kuva 1. Maanjäristykset ja tulivuoret samalla karttapohjalla kuvattuna. Kartalta hahmottuvat selvästi litosfäärilaattojen reunat, joten niiden merkitseminen ja nimeäminen kuvaan voisi tuoda kartalle lisää informatiivistä arvoa.

Tämän viikon kurssikerralla opettelimme liittämään koordinaattipisteitä kartalle MapInfossa. Aivan ensiksi saimme harjoitella itse keräämällä aineistolla, sillä meidät tungettiin armottomaan talven tuiskuun heti aamutuimaan. Oli tosin motivoivaa huomata, että aineiston kerääminen alusta alkaen itse toimi, kunhan Arttu ensin korjasi virheet 🙂 On melko ihmeellistä, miten numerosarjat (koordinaatit) saadaan muuttumaan pisteiksi pohjakartalle muutaman metrin tarkkuudella. Totta kai onnistuakseen pitää tietää mitä koordinaattijärjestelmää käytetään ja miten päin koordinaatit syötetään, mutta loppujen lopuksi prosessi oli melko simppeli ja voitiin toteuttaa vain yksinkertaisen Excel-tiedoston pohjalta. Loppujen lopuksi kyse on numeromuotoisen sijaintitiedon esittämisestä karttapohjalla, mikä ei olekaan sen kummempaa taikuutta, mutta havainnollisuuden suhteen ero on suurempi kuin yöttömällä yöllä ja valottomalla päivällä. Pitkät numerosarjat on hyvin vaikea mielessään sijoittaa minnekään päin Helsinkiä, vaikkakin numerot sisältävät tiedon etäisyydestä päiväntasaajasta ja keskimeridiaanista, mutta ovat vaikea käsittää sinällään, kun taas sijoitettaessa ne Helsingin karttapohjalle asia valkenee yhdellä silmäyksellä.

Myöhemmin teemakarttoja luodessamme hyödynsimme samaa tekniikkaa, mutta latasimme vain valmiiksi kerätyn laajan tai itse haluamallaan tavalla rajatun aineiston netistä. Pienten muokkausten jälkeen siitä sai luettavan Excel-tiedoston et voilà -dataa pystyttiin havainnollistamaan teemakartoilla.

Kuva 2. Informatiivisempi karttaesitys maanjäristyksistä; litosfäärilaatat näkyvissä ja nimettynä, subduktiovyöhykkeet korostettu ja erkanemissaumat merkattu, maanjäristysaktiivisuus näkyvissä. Kartta yhdistää fiksusti useamman tiivisti toisiinsa liittyvän ilmiön samaan karttaan, mikä tukee laajempaa ymmärrystä.
Kuva 3. Karttaraakile tulivuorista maapallolla. Kartan värimaailma ja symboliikka melko rauhaton, mihin olen tyytymätön. Olisin halunnut kuvata Tyynenmeren tulirengasta saman tyylisesti kartalla, mutta sopivaa taustakarttaa ei löytynyt enkä itse osaa sellaista vielä luoda.

Hieman monimutkaisempaa oli geokoodaus. Eli muuten sama homma, mutta koordinaattien sijaan sijaintitietona on epätarkempi osoitetieto, joka voidaan sitoa kartalle Street- tietokannan avulla. Geokoodauskin onnistui moitteettomasti ja sen myötä on mahdollista havainnollistaa dataa hyvin monipuolisesti, sillä osoite on yksi perustiedoista ja sen tarkan ja kätevän paikannuksen myötä voidaan kuvata vaikka keskimääräistä kotitalouden kokoa kaupunginosassa tai miljoonaa muuta asiaa.

Harjoitusten jälkeen tavoitteena oli tehdä opetuskäytössä toimivia teemakarttoja hasardeista. Aineistojen lataaminen netistä sujui melko mutkattomasti, mutta hankalinta oli miettiä, mitä tietoa esittäisi kartalla maksimoidakseen sen informaatioarvon ja havainnollistavuuden ja mahdollisesti vielä antaakseen Heureka!- elämyksiä opiskelijoille kartan avulla. Tässä en koe onnistuneeni karttojeni kanssa. Halusin harjoitella kaikkien tietokantojen lataamista, sillä oloni oli hieman epävarma siitä aluksi, joten tein kartan eri aiheista (kuvat 3, 4 ja 5) ja lopuksi vielä halusin verrata maanjäristysten sijaintia tulivuorten sijaintiin (kuva 1) visualisoidakseni ilmiöiden päällekkäisyyttä ja vulkaanisuuden suurta määrää tektonisesti aktiivisilla litosfäärilaattojen rajapinnoilla. Vain yhtä ilmiötä esittävät kartat (3, 4 ja 5) ovat liian yksinkertaisia ja informaatioarvoltaan melko suppeita. Robinsonin projektiolla esitettyjen karttojen (3 ja 5) visualisointikin meni pieleen, sillä taustaväri on aivan liian hyökkäävä. Meteoriitteja kuvaava kartta taas on hieman irrallinen ja turha, vaikka visualisointi miellyttää enemmän silmääni.

Kuva 4. Suurimpien meteoriittien putoamispaikat. Yksinkertaisuudessaan kartan informaatioarvo on matala, sillä näkyvissä ei ole esim putoamisvuosia.

Karttaesitys, jollaisen olisin halunnut tehdä muistuttaa kuvaa 2. Ajatuksenani oli kuvata Tyynenmeren tulirenkaan tektonista ja vulkaanista aktiivisuutta, mutta taustakartoissa ei ollut vaihtoehtoa, joka olisi esittänyt Tyynenmeren kokonaisena (kuten kuva 2) enkä osannut luoda itse omaa taustakarttaa, joten jouduin tyytymään siihen, mitä sain aikaan valmiilla pohjalla (kuva 1).  Kuvassa 2 litosfäärilaattojen merkitseminen ja nimeäminen auttaa hahmottamaan ilmiötä laajemmin. Alueiden nimeäminen on keskeinen osa kartografista esitystä, sillä ilmiön alueellisuudesta on vaikea puhua, mikäli alueita ei ole nimetty kartalle. Enemmän maanjäristyksiä olisi voinut merkitä kartalle, tässä mielessä oma karttani on havainnollistavampi ja väreissäkin voisi olla kohentamisen varaa. Toisaalta mantereiden harmaa väri suuntaa huomion juuri esitettävään ilmiöön, mikä on hyvä. Maanjäristyksiä kuvattaessa olisi relevanttia huomioida myös niiden ihmisille aiheuttamat riskit, kuten Vilja Jokinen toteaa blogissaan, kartalle voisi merkitä suurimmat miljoonakaupungit ja arvioida niiden haavoittuvaisuutta maanjäristysten suhteen.

Kuva 5. Kohtuullisen voimakkaat maanjäristykset vuoden 2002 jälkeen. Järistykset noudattelevat selkeästi litosfäärilaattojen rajoja.

Mielestäni pedagogisesti hyödyllisintä on esittää paria toisiinsa kiinteästi liittyvää ilmiötä samanaikaisesti kartalla (kuten juuri vulkaanisuutta ja maanjäristyksiä) ja pohjalla vielä syy (litosfäärilaatat), joka ovat molempien prosessien taustalla. Näin opiskelija saa kokonaisvaltaisemman ja eheämmän käsityksen ilmiöistä ja voi visuaalisesti todeta niiden päällekkäisyyden ja voimakkuuden yhteisvaihtelun. Saara Varis kirjoittaa blogissaan aiheeseen liittyen: “Hahmottaessaan samalta kartalta litosfäärilaatat, maanjäristykset ja vielä tulivuoretkin –, oppilaiden on helpompi luoda kokonaiskuva maanjäristyksistä ilmiönä ja liittää ne laajempaan kontekstiin.” Visuaalinen esitys pureutuu muistiin ja kartalta voi itse tehdä omia tulkintojaan ilmiön alueellisuudesta ja voimakkuudesta. Asioiden esittäminen samalla kartalla herättää parhaimmillaan Ahaa- elämyksiä, mutta kartan selkeydestä ja luettavuudesta on huolehdittava, ettei esitys sekoita opiskelijaa ja ilmiöiden välillä on oltava yhteys. Lisäksi useat erilliset karttaesitykset voivat mennä mielessä sekaisin, eikä opiskeltavasta asiasta saa silloin yhtä kokonaisvaltaista kuvaa, onhan maantiede holistinen tieteenala, jonka tehtävistä yksi on yleistäminen.

Lähteet:

Kuva 2: Introduction to Earthquakes and Volcanoes <https://www.slideshare.net/kgphipps/introduction-earthquakes-and-volcanoes-presentation>, luettu 22.02.2017

Vilja Jokinen “Kurssikerta 6: GPS-paikannusta, pistekarttoja ja hasardeja“, julkaistu 22.02.2017, luettu 24.02.2017

Saara Varis, “Geokoodausta ja hasardikarttoja“, <https://blogs.helsinki.fi/saavaris/>, julkaistu 23.02.2017, luettu 24.02.2017

Bufferoinnin alkeet ja itsenäistä analyysiä

Tällä kurssikerralla opettelimme nopeasti bufferi-toiminnon käyttöä ja sen jälkeen pääsimme omin (ja Artun) avuin tehtävien kimppuun. Bufferointi on uusi, kätevä analyysin työkalu, jolla voi tutkia erityisesti aluekohteiden, kuten ostoskeskuksen, moottoritien tai koulun, vaikutuksia ympäristöönsä. Työkalulla voidaan määrittää halutun bufferin suuruus eli vaikutusalue tai vertailla erikokoisia buffereita keskenään. Ideana on tutkia nimenomaan puskurivyöhykkeen sisä- tai ulkopuolelle jäävää osuutta ja miten ne mahdollisesti eroavat toisistaan. Puskurivyöhykkeitä voisi hyödyntää selvittämään esimerkiksi kaivosten tai voimaloiden vaikutusalueita, erilaisia luonnonsuojelu vyöhykkeitä, joukkoliikenteen saavutettavuutta tai uusien toimintojen sijoittelun optimointia. Kaiken kaikkiaan työkalu on hyödyllinen ja monipuolinen, sekä melko yksinkertainen käyttää. Edellisiin oppimiimme analyysimenetelmiin bufferointi tuo aivan uusia ulottuvuuksia ja monipuolistaa tutkimusmahdollisuuksia.

Käytännön tehtäviä oli mukava päästä pohtimaan, vaikka jotkut tekniset seikat aiheuttivatkin aluksi päänvaivaa. Näppituntuman saavutettuani tehtävät sujuivat melko sutjakasti kunhan piti itsensä kärryillä mitä oli kulloinkin tekemässä. Query eli valintatyökalu on mielestäni yksi kätevimpiä, yksinkertaisimpia ja mukavimpia ominaisuuksia käyttää. Sen avulla voi rajata haluamansa joukon koko aineistosta, jotka täyttävät tietyt ehdot ja mukaan voi liittää useita muuttujia ja alueellisia rajauksia. Kaikki perus piirtotyökalut ja teemakartat ovat nopeita ja helppokäyttöisiä ja jo pelkästään niiden avulla voi saada paljon aikaan. Teemakartat ovat käteviä visualisoimaan ilmiöiden alueellista voimakkuutta ja esittämään tilastotietoa helpommin käsitettävässä muodossa. Piirtotyökaluilla voi korostaa ja merkitä kartalle haluamiensa kohteiden sijaintia ja tämä täydentää hyvin esimerkiksi teemakarttaa.  Sigma-toiminnolla esiin saatavat taulukot ovat myös hyviä tiedonlähteitä, josta voi tulkita haluamiaan lukuja.  Monimutkaisimmalta vaikuttaa useiden taulukoiden ja tietokantojen yhdisteleminen ja samanaikainen hyödyntäminen hieman sekavassa ikkunameressä. Vielä se vaatii täyden keskittymisen ja enemmänkin, sillä aina ei muista mille tasolle tuli tehtyä ja mitä. Tietokantojen hallintaan tottuu varmasti vain harjaannuttamalla taitojaan. Toinen ärsyttävä ominaisuus on Ctr+Z pikanäppäinkomennon puuttuminen. Tämä nostaa verenpainettani ja harmaannuttaa hiuksiani. Tanja Palomäki kuvaa blogissaan saman puutteen aiheuttavan hänellekin epävarmuutta ja peruuttamattomuuden tunteen, eikä sen takia uskalla kokeilla kaikkia toimintoja, sillä takaisin ei ole paluuta. 

Kurssikerran harjoituksia ja niihin saamiani vastauksia voi tutkiskella seuraavan linkin takaa: https://helsinkifi-my.sharepoint.com/personal/kosokoso_ad_helsinki_fi/_layouts/15/guestaccess.aspx?docid=1d5f5c6a9a224422798f60952bfce3f1e&authkey=AbqorbUh5vbyDOdApRjobGw

Tehtävien lisäksi tein kartan uima-altaiden sijoittumisesta pääkaupunkiseudulla, mutta tälläkertaa kartasta ei tullut mielestäni julkaisukelpoinen ja Unicafen ruokala huusi nimeäni liian kovaa, että olisin jäänyt viimeistelemään karttaa.

Lappalaisen Jouko tarjoaa uusimmassa blogipostauksessaan antoisaa pohdintaa siitä, miksi vastaukset näyttävät juuri siltä miltä näyttävät. Lappalainen toteaa asutuksen olevan harvaa lentokenttien lähistöllä johtuen meluhaitoista ja rakennusmääräyksistä (Maankäyttö ja rakennuslaki, 2016). Tässäkin yhteydessä bufferointia on varmasti käytetty hyödyksi ja luotu suojapuskurivyöhyke meluisimmille alueille. Ei siis ole sattumaa, että Helsinki-Vantaan lentokentän ympäristössä yli 65 dB melusta kärsii vain 31 asukasta. Pyry Lehtonen huomauttaa omassa kirjoituksessaan lentokoneiden muuttaneen nousu- ja laskeutumissuuntaan, jotta Tikkurila säästyisi suuremmilta meluhaitoilta. Asiaa on siis maantieteilijöiden ja muiden asiantuntijoiden toimesta kartoitettu ja sen perusteella tehty päätöksiä, jotka tähtäävät miellyttävämpään elinympäristöön.

Taitavalla MapInfon käyttäjällä on käsissään hyvät keinot ongelmanratkaisuun. Ohjelman rajoituksia on sinällään hieman hankala pohtia, sillä en tiedä minkälaisia työkaluja muut paikkatieto-ohjelmat tarjoavat samoihin tarkoituksiin. Heikkouksia varmasti löytyy itse ohjelmastakin, mutta kattavilla taidoilla pääsee varmasti pitkälle. Paljon riippuu pohja-aineistosta, sen tarkkuudesta, keräämisajankohdasta, luotettavuudesta ja laadusta. Laaja, ajantasainen ja tarpeeksi tarkka ja luotettava aineisto on ennakkoedellytys hyvään ongelmanratkaisuun. Totta kai vajavaisia tietokantoja voi täydentää muualta saatavilla tiedoilla, mutta niiden yhteensovittaminen ei aina ole mutkatonta. Kuntarajat tai tilastointitapa ovat voineet esimerkiksi muuttua, mikä haittaa aikasarjojen rakentamista.

Lähteet:

Tanja Palomäki: “5. Kurssikerta“, julkaistu 15.02.2017, luettu 20.02.2017

Jouko Lappalainen: “Osa 5 – “Älä Hinkki masennu – sä et sentään asu Vantaalla”“, julkaistu 17.02.2017, luettu 20.02.2017

Maankäyttö ja rakennuslaki, 2016 http://www.finlex.fi/fi/laki/ajantasa/1999/19990132, luettu 20.2.2017

Pyry Lehtonen: “Kurssikerta V Law and Order edition”, <https://blogs.helsinki.fi/lepylepy/2017/02/15/kurssikerta-v-law-and-order-edition/>, julkaistu 15.02.2017, luettu 20.02.2017

 

Ruututeemakartat

Ajatuksia ruututeemakartoista

Tällä viikolla aiheenamme ovat ruututeemakartat. Ruututeemakartalla voi kätevästi yleistää hyvinkin tarkkaa aineistoa helpommin tulkittavalle tasolle. Keskeistä on säätää ruutujen kokoa niin, että suurimmat klusterit erottuvat selkeästi, mutta kartta ei ole liian raskas tai epäselvä lukea. Liian pienellä ruutukoolla yleiskuvaa ja spatiaalista jakaumaa on vaikea hahmottaa, mikä saa kartan vaikuttamaan sekavalta. Ensimmäinen tuottamani ruututeemakartta 250×250 metrin ruuduilla oli tällainen, eikä se siis täyttänyt tehtäväänsä havainnollistajana. Liian suuri ruutukoko taas tekee kartasta jäykän pikselimäisen ja tarpeeksi tarkkaa tulkintaa on mahdotonta suorittaa.

Ruututeemakartoilla voi esittää absoluuttisia arvoja, toisin kuin tavallisilla koropleettikartoilla. Ruutukartan pohjana on korologinen matriisi eli ruutujen koko on aina vakio, minkä johdosta absoluuttiset arvot ovat aina suhteutettu samaan pinta-alaan. Koropleettikarttojen pohjan taas on useimmiten hallinnollinen aluejako. Alueiden ollessa eri kokoisia olisi harhaanjohtavaa esittää absoluuttisia arvoja, vaan mielekkäintä on käyttää prosentteja tai tiettyyn pinta-alaan suhteutettua mittayksikköä. Aina ruututeemakartallakaan ei ole mielekästä esittää absoluuttisia arvoja. Ruudusta osa voi olla vesistöä tai muuta asumattomaksi kelpaamatonta aluetta ja tämä voi vääristää kartan lopputulosta laskemalla ruudun absoluuttista arvoa, vaikka osassa ruudusta tutkittava ilmiö olisi hyvin voimakas.

Ruututeemakartan antama informaatio on suurpiirteisempää kuin pisteteemakartan. Pisteteemakartta on tarkempi ja todenmukaisempi, sillä siinä osoitetaan asian absoluuttinen sijainti. Koropleettikartalla arvot koskevat tiettyä valmiiksi rajattua hallinnollista aluetta ja hallinnollisen alueen rajojen pysyessä muuttumattomina voidaan mittaustuloksia verrata helposti aiempiin. Ruututeemakartalla taas ruutujako on mielivaltainen, eikä aikaisempia vertailukohteita ole. Ruututeemakartan pienin yksikkö on ruutu, jota tarkempaa informaatiota kartalta ei saa. Tämän takia ruututeemakartat voivat vaikuttaa kököiltä ja vähemmän visuaalisesti kauniilta esityksiltä kuin esimerkiksi koropleettikartat. Toisaalta, kuten Vilja Jokinen kirjoittaa blogissaan, ruututeemakartalta informaatiota saa pienemmistä yksiköistä, kun taas koropleettikartan tiedot koskevat koko kuntaa tai muuta hallinnollista aluetta. Ruututeemakartat ovat kuitenkin erittäin käyttökelpoinen rautalankamalli yleistykseen ja informaation muuttamiseen helpommin tulkittavaan muotoon. Ruudut eivät noudata hallinnollisia rajoja tai ekologisia alueita. Niiden sattumanvaraisuus toimii sekä eduksi että haitaksi.

Kuva 1. Asukastiheys pääkaupunkiseudulla 2013 ruututeemakartalla kuvattuna, lähde: Tilastokeskus

Tämänkertainen tuotos

Kurssikerta oli osaltani varsin produktiivinen; käärin hihat heti aamutuimaan ja rupesin hommiin. Sain aikaan yhteensä 4 ruututeemakarttaa, joista pari päätyi tänne esittelyyn. Toteutimme ensin mallikappaleen yhdessä 500×500 metrin ruutukoolla. Esitys oli havainnollistava, mutta vaikutti hieman turhan jäykältä makuuni. Päätin kokeilla seuraavaksi 250×250 metrin ruutuja, todetakseni että suurempi ruutukoko toimi huomattavasti paremmin. Palasin siis takaisin lähtöruutuun ja pyöräytin kartan pääkaupunkiseudun asukastiheydestä 2013 (kuva 1.) Valmista karttaa katsellessani totesin, että lopputulos on melko ennalta arvattava, epäkiinnostava, eikä edes visuaalisesti kaunis.

Toisen kartan tein pääkaupunkiseudun opiskelija-ikäisen väestön (18-24-vuotiaiden) jakautumisesta (kuva 2). Ennakko-oletuksenani oli nuorien keskittyminen halvoille asuinalueille kauemmas keskustasta ja kampusten läheisyyteen rakennettuihin opiskelija-asuntoihin. Yllätyksekseni suurin keskittymä nuoria osui keskustan kalliille asuinalueille, mutta verratessani karttaa koko pääkaupunkiseudun väestön jakautumiseen, tulos ei olekaan enää yllättävä. Keskustan alueella on luonnollisesti tiheimmin rakennuksia, intensiivisintä maankäyttöä sekä eniten ihmisiä ja samalla myös eniten nuoria. Nuorten prosentuaalisten osuuden esittäminen olisi tässä tapauksessa siis ollut järkevämpää kuin absoluuttisten arvojen. Nuorten klusteroitumista kampusten ympärille on vaikea havaita, sillä kampusten lähettyvillä asuu muutenkin paljon ihmisiä. Olisi relevanttia lisätä myös ammattikorkeakoulut kartalle, mutta niiden runsauden vuoksi se voisi heikentää kartan luettavuutta. Lisäksi on otettava huomioon, etteivät kaikki 18-24 vuotiaat ole opiskelijoita.

Karttojen visuaalisessa ilmeessä olisi parannettavan varaa. Asukasmäärää kuvaava punainen väri toimii paremmin kuin nuoria kuvaava sininen. Kartta saa ryhdikkäämmän ilmeen ja sitä on miellyttävämpi katsoa ja lukea. Asukastiheyttä kuvaavasta ruututeemakartasta puuttuvat otsikko, tietojen keräämisvuosi ja sijaintitieto esimerkiksi indeksikartta tai vähintäänkin maininta alueesta. Olisi myös hyvä nimetä suurimpia asutuskeskittymiä: Helsingin niemi, Kallio/Sörnäinen, Vuosaari, Matinkylä… Kaupunkien rajojen tuominen teemakarttatason eteen tai teematason säätäminen hieman läpinäkyväksi voisi myös mahdollisesti helpottaa kaupunginosien tunnistamista kartalta. Kumpikaan kartta ei saavuta täyttä potentiaaliaan, mutta tästä se kehitys lähtee. Seuraavista kartoista tulee jo varmasti entistä parempia.

Kuva 2. Ruututeemakartta pääkaupunkiseudun 18-24 -vuotiaiden sijoittumisesta. Helsingin yliopiston kampukset merkitty karttaan mustin symbolein. Asukastietojen lähde: Tilastokeskus (2013).

Lähteet:

Vilja Jokinen, “Kurssikerta 4: Ruututeemakartan luominen ja ulkomaiden kansalaiset pääkaupunkiseudulla”, <https://blogs.helsinki.fi/jokinenv/>, julkaistu 08.02.2017, luettu 08.02.2017

Tietokantojen käsittelyä

Kolmannella viikolla perehdyimme tietokantojen käsittelyyn. Nyt taidot on hallussa ja osaan yhdistellä tietokantoja toisiinsa, siivota niitä ja tuoda esimerkiksi tietoja Excelistä. Harjoittelimme muutamalla Afrikkaa kuvaavalla aineistolla ensin vähän eheyttämällä karttakuvaa ja myöhemmin liittämällä dataa toisista tietokannoista. Monia uusia toimintoja käyttäessä menee alkuun helposti sekaisin, mistä saikaan haluamansa toiminnon, mutta pohdinnan ja kokeilun jälkeen käyttö muuttuu sujuvammaksi ja uppoaa lopulta selkäytimeen.

 

Mitä voisi parhaimmillaan tehdä…

 

Käytössämme oli tietokantoja konflikteista, timanttikaivoksista ja öljykentistä alueella. Näillä tiedoilla voisi saada aikaan lukemattomia häikäisevän kauniita teemakarttoja ja vähemmän kauniita taulukoita. Vuosittain tilastoiduista konflikteista voisi esimerkiksi rakentaa videon asettamalla perättäin teemakarttoja joka vuoden tilastoista ja elävässä esityksessä kävisi hyvin ilmi, milloin missäkin päin on ollut eniten konflikteja ja onko trendi laskeva vai nouseva. Myös konfliktien alueellista jakaumaa voi tutkia aineiston avulla, kuten Saara Varis kuvaa blogikirjoituksessaan: “Konfliktien sijoittuminen kartalla paljastaa jo itsessään tietoa konfliktien alueellisesta klusteroitumisesta ja osoittaa alueet, joilla konflikteja on esiintynyt eniten. Kun sijaintitietoon lisätään tapahtumavuosi, voidaan päätellä konfliktin syitä ja on mahdollista yhdistää konflikti historiallisella aikajanalla suurempaan kontekstiin.” Konfliktin laajuuden mukaan voi skaalata merkkien koot kartalle ja tutkia esimerkiksi ovat konfliktien koot kasvaneet lähivuosina.

Yhdistelemällä tietokantoja voidaan tutkia, onko alueilla ollut konflikteja esimerkiksi timanttikaivosten tai öljykenttien löytämisvuoden ja avaamisvuoden välillä. Voisi kuvitella, että tieto hyödyntämättömistä arvokkaista luonnonvaroista saisi ihmiset ahneiksi, mikä lisäisi konfliktien määrää. Toisaalta konflikteja on voinut syntyä alueelle myös kaivosten tai öljykenttien seurauksena, mikäli ihmiset ovat olleet tyytymättömiä luonnonvaran tuottavuuteen (mukana aineistossa), työoloihin tai ympäristövaikutuksiin. Spatiaalis-kronologisella analyysillä näiden tietokantojen pohjalta voi selvittää, onko tällaisilla tekijöillä todellista yhteyttä. Havainnollistavan kuvan saa myös lisäämällä tiedot kartalle. Samankaltaisen videomaisen esityksen kuin konflikteista, voisi tehdä sekä öljykentistä että timanttikaivoksista luomalla vuodet järjestyksessä omille tasoilleen ja määrittämällä eriväriset symbolit esiintymän löytymiselle ja luonnonvaran käyttöönotolle ja skaalaamalla symbolien koon vielä esiintymien tuottavuuden mukaan. Lopuksi videota voi tarkastella esimerkiksi tekemällä kronologisen diaesityksen valmiista teemakartoista.

Internetin käyttäjien määrä on kasvanut Afrikassa räjähdysmäisesti. Yhdellä kartografisella esityksellä voisi kuvata koropleettikartalla nykyisten internetin käyttäjien määrää, prosentteina väkiluvusta. Mitä tummempi väri, sitä suurempi läpäisevyys. Samaan karttaan olisi mielenkiintoista laittaa kasvuprosentti, esimerkiksi vuodesta 2000. Tämän voisi toteuttaa pylväsdiagrammeilla, mutta kasvuprosenttien ollessa oletettavasti suuria, pylväiden korkeudet pitää skaalata huolellisesti etteivät ne peitä alla olevaa koropleettikarttaa. Lisäksi erityisesti Länsi-Afrikan rannikon pienien valtioiden kohdalla kartan luettavuus voisi kärsiä. On erityisen tärkeää ottaa huomioon että kaikki kartalla esitettävät luvut ovat suhteellisia (kuten prosentteja), sillä Afrikassa on hyvin eri kokoisia valtioita niin asukasluvultaan kuin pinta-alaltaan.

Kuva 1. Suomen tulvaindeksi kuvattuna koropleettikartalla ja järvisyys esitettynä pylväsdiagrammeilla.

Mitä oikeasti sain aikaan…

Kurssikerran varsinainen tuotos on kartta Suomen tulvaindeksistä ja järvisyydestä (Kuva 1). Kartan kelta-sini-vihreät värisävyt johdattelevat mielikuvat veteen liittyvään aihepiiriin, kuten Taiga Korpelainen osoittaa blogikirjoituksessaan “Osa 3 – Tietokantojen taikaa“. Valmista karttaa tutkiessani aihe ja perusidea hahmottuvat selvästi, mutta mittayksiköt jäävät epäselviksi. Suoralta kädeltä pystyy tulkitsemaan, että tulvaherkimmät alueet ovat vähäjärviset rannikot Pohjanmaalla ja Etelä-Suomessa. Lapissa tulvariski on myös kohtalainen, kun taas sisämaassa Etelä- ja Keski-Suomessa tulvat eivät ole uhka.

Pylväsdiagrammilla kuvattu järvisyys selittää hyvin vahvasti tulvariskiä ja siksi karttaa on helppo tulkita. Keski-Suomen valuma-alueilla on suuria järviä (Päijänne, Saimaa, Pielinen…), jotka pidättävät vettä ja tasaavat virtaamaa. Tällöin tulvariski ei pääse kasvamaan suureksi, vaikka virtaamassa olisikin paljon kausittaista vaihtelua. Sama ilmiö näkyy Lapissa; esimerkiksi Inarinjärven lähistöllä tulvariski on huomattavasti muuta Lappia vähäisempi. Yleisesti Lapissa tulvaindeksiä kasvattaa keväisin runsaan lumen sulaminen, varsinkin jos kevätsateet sattuvat samaan aikaan. Jääpatotulva voi syntyä, kun vielä sulamaton jää tukkii joen uoman ja estää vapaan virtauksen, milloin vesi tulvii yli äyräiden. Järvien vähyys lisää tulvariskiä. Suurimpien tulvariskien alueella järvisyys on ilmeisen alhainen. Virtaavaa vettä ei siis pääse varastoitumaan minnekkään, vaan se virtaa uomassaan kohti Itämerta, kunnes uoma käy liian ahtaaksi suurelle virtaamalle ja tulvii yli. Lumien sulaminen ja kevätsateet kasvattavat virtaamaa erityisesti. Lisäksi suurimman tulvariskin alueet ovat alavia maita, mikä tarkoittaa että tulvan sattuessa vesi leviää laajemmalle alueelle ja tulvan vaikutukset ovat siis suuremmat.

Muuttujien suhteen ja muiden selittävien tekijöiden pohtiminen on kohtuullisen helppoa, mutta muuttujien arvojen ymmärtämiseen tarvitaan hieman tiedonhakua. Tulvaindeksin lukuarvo, esimerkiksi sata, ei kerro minulle itsessään vielä mitään. Muistan laskeneeni tulvaindeksin jakamalla keskiylivirtaaman keskialivirtaamalla. Käytännössä tämä siis tarkoittaa suurimman virtaaman suhteuttamista pienimpään virtaamaan eli kuinka paljon virtaama vaihtelee kausittain. Loogista! Indeksin saama lukuarvo on siis tietenkin suhdeluku ja sillä selittyy aluksi minua hieman hämännyt yksikön puuttuminen. Järvisyysprosentti jää käsitteen tasolla niin ikään hieman hämäräksi. Voisin kuvitella sen tarkoittavan järvien pinta-alaa suhteutettuna kokonaispinta-alaan. Vahvistuksen tähän sain Tieteen termipankista: tarkemmin vielä valuma-alueen pinta-alaan. 20% järvisyys tarkoittaa siis viidenneksen valuma-alueen alasta olevan järviä. Tämä on suurimpia Suomessa esiintyviä järvisyysprosentteja. Nyt legendasta ilmenevät mittayksikötkin selkenevät pienen pohdinnan ja oikean päättelyketjun varmistamisen jälkeen.

Tulvaindeksi ja järvisyyskartta aukeni minulle pala palalta. Joitakin syitä ja seurauksia oli hyvin suoraviivaista lukea esityksestä (Kuva 1), mutta osaan piti hieman jumpata aivoja. Toivottavasti kaikki ei mennyt ihan metsään, tai vaikka järveen (Kuva 2)!

Kuva 2. Harmillisen rehevöitynyt järvi Nummi-Pusulassa, silti hyppääminen tänne mukavan saunan päätteeksi voisi piristää harmaata talvipäivää.

Lähteet:

 Saara Varis: “Kolmas kurssikerta ja MapInfon teknisiä ominaisuuksia”, <https://blogs.helsinki.fi/saavaris/2017/01/31/kolmas-kurssikerta-ja-mapinfon-teknisia-ominaisuuksia>, julkaistu 31.01.2017, luettu 07.02.2017

Taiga Korpelainen: “Osa 3 – Tietokantojen taikaa“,<https://blogs.helsinki.fi/ladjouko/>, julkaistu 07.02.2017, luettu 07.02.2017

Tieteen termipankki: <http://www.tieteentermipankki.fi/wiki/Ympäristötieteet:järvisyys>, luettu 1.02.2017

Kahden muuttujan koropleettikartat

Toisella kurssikerralla tutkailimme lisää MapInfosta löytyviä teemakarttatyyppejä. Kävimme läpi ja kokeilimme kartogrammeja pylväillä ja ympärädiagrammeilla, graduated-karttoja erikokoisine ukkeleineen, individual-karttoja luokkajakoineen, tiheyskarttaa, grid-karttaa, prismaattista esitystä ja vuorimaista 3D- karttaesitystä. Tunti laajensi käsitystäni teemakartoista ja MapInfolla oli mukava kokeilla kaikkea, vaikka luomieni kartografisten esitysten laadusta ja käytettävyydestä en menisi takuuseen. Loppukurssikerrasta pääsimme upottamaan kätemme saveen ja työstämään omaa karttaesitystä, jossa esitetään kaksi päällekkäistä koropleettikarttaa. Pointtina oli ymmärtää minkälaisten muuttujien esittäminen päällekkäin on ylipäätään järkevää ja onko niiden välillä nähtävissä korrelaatiota.

Anna Leonowiczin artikkeli “Two-variable choropleth maps as a useful tool for visualization of geographical relationship” sukeltaa syvemmälle kahden muuttujan koropleettikartan teoriaan. Luokkien määrän todetaan heti alkuun olevan hyvä rajoittaa yhdeksään (3×3). Huomaan ensimmäisen karttani sisältävän yhteensä 25 luokkaa, ja ymmärrän kartan levottoman ilmeen johtuvan juuri siitä. Kuten Iisa Hyypiä toteaa blogikirjotuksessaan liian suuren luokkamäärän huonontavan luettavuutta ja pienenkin luokkamäärän kanssa rastereiden valinnassa on oltava tarkkana. Lisäksi rasterit ovat muuttuneet monimutkaisemmiksi ja epäselvemmiksi blogiin tuotaessa. Uusiksi meni siis!

Korjattu kartta (Kuva 1.) tuo alueelliset erot esiin hyvin selvästi ja muuttujien yhteisvaihtelu on selvää. MapInfo -ohjelmassa pisterastereiden ero oli helposti luettavissa, mutta tuodessani kuvan blogiin rastereita on jostain syystä vaikea erottaa toisistaan. Luokkien vähentäminen paitsi selkeytti karttaa, se laittoi myös luokittelun uusiksi. Koulutuksen kuvaamiseen sopi luonnollinen luokkajako, mutta tulojen luokittelussa se ei toiminut. Yhden kunnan tulot olivat selvästi muita alemmat, mikä olisi luonut sille kokonaan oman luokan ja luokkamäärän rajoittuessa kolmeen tällainen jako olisi laskenut kartan informaatioarvoa. Päätin siis käyttää luonnollisen luokkajaon sijaan tasamääräistä jakoa, josta käy hyvin ilmi suhteessa korkeimmat ja matalimmat tulot. Myöhemmin tajusin, että kaikkien kuntien nimeäminen olisi ollut tärkeää näin rajatulla alueella. Saman toteaa Tanja Palomäki blogikirjoituksessaan “Toinen kurssikerta“.  Iisa Hyypiä ymmärtää nimistön esittämisen kartalla auttavan maantieteellistä hahmottamista ja analyysiä, etenkin jos alue on lukijalle ennalta tuntematon.

Kartalta (Kuva 1.) voidaan lukea korkeakoulutuksen ja korkeampien tulojen keskittyvän pääosin samoille alueille. Molemmat ovat korkeimmillaan Turun läheisyydessä. Koulutuksen osalta tämä todennäköisesti johtuu Turun laajasta yliopisto- ja korkeakoulu tarjonnasta. Tulojen osalta ilmiö voi johtua siitä, että hyväpalkkaisimmat työt keskittyvät kaupunkeihin ja lähikunnista pendelöidään Turkuun töihin. Ilmeisesti myös korkeakoulutuksen voidaan päätellä johtavan mahdollisuuksiin ansaista paremmin. Toisaalta kartalta nousee esiin Varsinais-Suomen luoteisosan Uusikaupunki, jonka tulot sijoittuvat korkeimpaan luokkaan, mutta koulutus on keskitasoa. Tilanne on toisin päin Turun lähellä Paimiossa ja Ruskossa, joissa on paljon korkeakoulutettuja, mutta tulot eivät sijoittuneet ylimpään kategoriaan. Pidemmälle meneviä tulkintoja varten olisi syytä perehtyä aineistoon tarkemmin ja tutkia todellisia lukuarvoja aineistosta, eikä turvautua pelkkään kolmijakoiseen luokitteluun.

Leonowiczin käsittelemä kahden muuttujan koropleettikartta on monimutkaisempi esitys kuin kaksi koropleettikarttaa päällekkäin, vaikka luokkia tai mahdollisia luokkayhdistelmiä tuleekin molempiin yhtä monta. Tälläisen kartan legenda on esim. 3×3 ruudukko, jonka halkoo diagonaalisesti lineaarisen korrelaation viiva ja sen yläpuolelle jäävät positiiviset poikkeamat ja alapuolelle negatiiviset. Eniten havaintoja osuu lähelle lineaarista akselia, mutta toisaalta myös suuret poikkeamat ovat mielenkiintoisia tapauksia.

Kahden muuttujan koropleettikarttoja on monimutkaisempaa lukea kuin yhden muuttujan vastaavia. Toisaalta mielestäni ne ovat myös kartografisesti mielenkiintoisempia, mahdollisesti niiden harvinaisemman esiintymisen takia. Kahden muuttujan kartta edellyttää lukijalta jonkinlaista kartografista hahmotuskykyä ja mahdollisesti aiempaa karttojenlukukokemusta. Väärintulkinnan vaara kasvaa muuttujien lisääntyessä ja kartan monimutkaistuessa, kuten myös Leonowicz toteaa tutkimuksessaan. Kahden muuttujan kartalta alueellinen yhteys muuttujien välillä on jopa helpommin luettavissa kuin kahdelta erilliseltä koropleettikartalta (Kuva 1.). Yhden muuttujan kartat taas kuvaavat paremmin ilmiöiden alueellista jakautumista, kuten Leonowicz todistaa artikkelissaan Varsovan yliopiston maantieteen opiskelijoilla teettäneet tutkimuksen avulla.

MapInfon teemakarttatyökalulla ei ollu mahdollista luoda Leonowiczin esimerkin tapaista kahden muuttujan värisävyjen muodostamaa koropleettikarttaa. Tämä selvästi rajoittaa kartografin mahdollisuuksia vain päällekkäisiin koropleettikarttoihin (Kuva 1.). Toisaalta kahden muuttujan koropleettikarttojakin on varmasti mahdollista luoda yhdistelemällä eri ohjelmia tai vaikka kehittämällä uuden. Moni nykyihminen, itseni mukaan lukien, on tosin sen verran laiska ja kiireinen, että jättää asian sikseen ja tyytyy valmiisiin, nopeisiin teemakarttatyökaluihin. Käyttämämme ohjelmat siis ohjaavat, millaisia karttoja tuotamme, mutta silti ihmiset ovat luoneet ohjelmat, eikä mikään rajoita kehittämästä uusia, rajoittamattomampia paikkatieto-ohjelmia.

Lähteet:

Anna Leonowicz: “Two-variable choropleth maps as a useful tool for visualization of geographical relationship”, Kartografija, 2006

Iisa Hyypiä: “Päällekkäiset koropleettikartat: taloudellinen huoltosuhde ja eläkeläiset“, <https://blogs.helsinki.fi/hiisa/>, julkaistu 28.01.2017, luettu 30.01.2017

Tanja Palomäki: “Toinen kurssikerta “, <https://blogs.helsinki.fi/ptanja/>, julkaistu 29.01.2017, luettu 30.01.2017

Sotkanet: Verotulot, euroa/asukas 2014 <https://www.sotkanet.fi/sotkanet/fi>, luettu 25.01.2017

Suomen virallinen tilasto (SVT): “Oppilaitosten opiskelijat ja tutkinnot 2015”, <http://www.stat.fi/til/opiskt/index.html>, luettu 18.01.2017

 

Kuva 1. Teemakarttayhdistelmä korkea-asteen tutkinnon suorittaneista % (lähde: SVT, 2015) ja keskimääräisistä verotuloista € (lähde: Sotkanet, 2014) osoittaa koulutuksen ja keskimääräistä suurempien tulojen painottuvan samoille alueille Varsinais-Suomessa. Molemmat ovat korkeimmillaan Turun lähiseudulla. Selittäjänä voisi olla Turun yliopistot ja korkeakoulut.

MapInfon alkeet

Uusi vuosi alkoi paikkatiedon merkeissä ja sen uusia ulottuvuuksia tutkiessa. Nykyään jopa yli puolen kaikesta maailman datasta arvioidaan olevan paikkatietoa. Tutkittavaa ja erilaisia mahdollisuuksia riittää siis aivan valtavasti. Paikkatieto koostuu sijaintitiedosta eli yleisimmin koordinaateista ja tiettyihin koordinaatteihin tai koordinaattijonoihin liitetystä ominaistiedosta, joka voi olla esimerkiksi kuvailevaa tai luokittelevaa. Paikkatiedon mielekkäin, visuaalisin ja lukijaystävällisin esitystapa on kartta. Kaikki kartat ovat paikkatietoa, sillä ne antavat ominaistietoja (esimerkiksi nimet) kartalla esitettävistä kohteista. Informaatiota eri teemoista on myös helppo ja nopea omaksua kartografisen esityksen kautta, mikäli kartografiset perustaidot ovat hallussa. Digitalisaatio on tehnyt teemakarttojen luomisen hyvin nopeaksi ja vaivattomaksi kartografin näkökulmasta.Nykyään valtavia paikkatietoaineistoja voidaan hallita, käsitellä ja muokata erilaisiksi kartoiksi käden käänteessä, kunhan tietää mitä on tekemässä. Helppouden takia vaarana on omien aivojen jättäminen narikkaan ja näennäinen yliyksinkertaistaminen ja siitä seuraava lopputuloksen harhaanjohtavuus.

Ensimmäisellä kurssikerralla tutustuimme MapInfon tarjoamiin mahdollisuuksiin tutkia ja muokata paikkatietoa. Eri toimintoja harjoitellessa ohjelmat tuntuvat aina alkuun vanhoja tuttuja ohjelmia kömpelömmiltä, mutta niiden käyttöön tottuessa huomaakin useita käteviä piirteitä. Paikkatietokannat koostuvat aina useammista tiedostoista ja MapInfossa voidaan käsitellä näitä erityyppisiä tiedostoja: kartat ja taulukot, samanaikaisesti.

Teemakartan laatimiselle löytyy ohjelmasta oma yksinkertainen työkalu. Valmis ja viimeistellyn näköinen karttaesitys on vain muutaman klikkauksen päässä, prosessin nopeudesta sekä automatisoinnista ei voi kuin ällistyä. Verrattaessa vaivaa sekä tuskan hien määrää käsintehtyyn, piirrettyyn teemakarttaan, ero ei voisi olla suurempi.

Kuva 1. Korkea-asteen tutkinnon suorittaneiden osuus (%) 2015, lähde: SVT. Kartalta erottuvat yliopistokaupungit koulutettujen ihmisten keskittyminä tummimmalla värillä.

Laadin ensimmäisen kurssikerran aikana kolme koropleettikarttaa eri aiheista. Aineistona käytimme Tilastokeskuksen keräämää dataa Suomen kunnista vuodelta 2015.  Olennaista oli huomata, ettei kaikkia tietokannan ominaisuuksia ole mielekästä kuvata teemakartalla. Vain suhteutetut luvut, kuten prosentit, ovat vertailukelpoisia keskenään. Kuntien vaihtelevista pinta-aloista johtuen esimerkiksi väkilukua ei sovi kuvata sellaisenaan koropleettikartalla, mutta suhteutettaessa se pinta-alaan saadaan koropleettikarttaan sopiva arvo. Myös esimerkiksi syntyneistä saadaan käyttökelpoinen luku kunhan se suhteutetaan kunnan kokonaisväkilukuun.

Kartalla kuvattavan ominaisuuden valinnan jälkeen päästään vaikuttamaan kartan ominaisuuksiin, kuten väriskaalaan ja luokkajakoon. Tietyn ilmiön voimakkuuden vaihtelua kuvaamaan sopii hyvin saman värin eri voimakkuudet lähtien vaaleimmasta (ilmiö heikko) ja päätyen tummimpaan (ilmiö voimakas). Helposti toisistaan erottuvat värit ovat tärkeitä kartan luettavuuden kannalta ja on hyvä pitää värimaailma melko neutraalina kartografisia normeja noudattaen. Omiin karttoihini valitsin kelta-oranssin väriskaalan ja toiseen sinisen eri sävyjä. Molemmat toimivat mielestäni kohtuullisesti ja ovat hyvin luettavissa. Kelta-oranssi väriskaala korostaa kuitenkin ääriarvoja selvästi enemmän räikeämmän värin takia ja siksi silmääni miellyttää enemmän rauhallisempi sinisävyinen karttaesitys.

Vaihtoehtoja luokkajakoon löytyy MapInfosta useita. Kvantiilit ohjaavat jokaiseen luokkaan saman verran havaintoja, tasavälinen luokitus säätää luokat keskenään samansuuruisiksi, luonnollinen luokkajako etsii datasta aukkoja ja katkoo luokat niiden kohdalta. Lisäksi aineistoa voi luokitella keskihajonnan perusteella tai määrittää luokat itse käyttämällä esimerkiksi histogrammityökalua apuna. Histogrammityökalulla voi määrittää, onko aineisto normaalijakauman mukainen vai kenties vino tai epätasainen. Kvantiilit ja keskihajontaan perustuva luokittelu soveltuu pääsääntöisesti normaalisti jakautuneelle, tasaiselle aineistolle. Maantieteelliseen aineistoon sopii yleensä parhaiten luonnollinen luokkajako, sillä se ei katko toisiaan lähellä olevia esiintymäryppäitä keinotekoisesti. Kvantiili- tai tasavälisessä luokittelussa toisiensa kanssa hyvin samankaltaiset kunnat voivat joutua eri luokkiin, mistä voi seurata virheellisiä karttatulkintoja, joten valitsin karttoihini luonnolliset luokkävälit. Toki luonnollisia luokkia voisi muokata käsin niin, että luokkarajat olisivat hieman järkevämpiä eikä väliin jäisi aukkoja, mutten tehnyt näin.

Legenda syntyy automaattisesti ja siinä näkyy kuinka monta havaintoa kuuluu kuhunkin ryhmään. Tämä tarjoaa mukavaa lisäinformaatiota lukijalle, mutta voi myös sekoittaa ulkoasua hieman. Lisäsin vielä mittakaavan sekä pohjoisnuolen MapInfon omilla työkaluilla, niin kuin hyvään karttaan kuuluu. Erityisesti korkeakoulututkintoja kuvaavaan karttaan (Kuva 1.) olisin vielä voinut nimetä suurimmat keskittymät, sillä yliopistokaupungit ovat hyvin selkeästi nähtävissä kartalla. Kuten Iivari Laaksonen on blogitekstissään todennut: “Karttaan toisi lisäarvoa suurten kaupunkiseutujen merkitseminen näkyviin, jolloin asiaan perehtymätönkin saisi heti yleiskuvan Suomen tilanteesta.”, koskien luomaansa karttaa vuokralla asuvien osuudesta Suomessa 2015. Muuta arvokasta lisäinformaatiota olisi tuonut esimerkiksi merkitä kaikki Suomen korkeakoulutusta tarjoavat instituutiot samalle kartalle ja tarkastella tutkintojen alueellista jakaumaa niiden valossa. Suurin osa tutkinnon suorittajista jää varmastikin töihin näihin kaupunkeihin tai muuttaa mahdollisesti kehyskuntiin ja pendelöi sieltä käsin.

Kuva 2. Eläkeläisten osuus väestöstä (%) 2015, lähde: SVT. Kartalta näkyy, että eläkeläiset keskittyvät Keski-, Itä-, ja Pohjois-Suomen maaseudulle ja pienin osuus eläkeläisiä on suurissa kaupungeissa. Kartta muodostaa mielenkiintoisesti vastakkaisen karttaparin korkeakoulututkinnon suorittaneiden kanssa, Kuva 1.

Eläkeläisten ja korkeakoulututkintoja kuvaavat kartat toimivat itse asiassa hauskasti karttaparina täydentäen toisiaan. Tämän huomasin vasta tarkasteltuani valmiita teemakarttoja. Siellä missä on eniten korkeakoulutettuja (yliopistokaupungeissa ja kasvukeskuksissa) eläkeläisten osuus väestöstä on pienin ja toisin päin. Eläkeläisten osuutta kuvaavalla kartalla (Kuva 2.) korostuu autioituva ja kunnallisiin palveluihin taloudellista tukea tarvitseva Itä- ja Pohjois-Suomi. Kuten Johannes Vihervirta blogissaan toteaa koskien tekemäänsä teemakarttaa yli 65-vuotiaiden osuudesta; vaaleimmalla kuvautuvat yliopistokaupungit ja niiden ympäristöt. Näihin kuuluvat Pääkaupunkiseutu, Turku, Tampere, Vaasa, Lappeenranta, Jyväskylä, Kuopio, Joensuu, Oulu ja Rovaniemi eli täsmälleen samat alueet, jotka korostuvat korkeakoulutettujen kartalla. Vähiten korkeakoulutettuja on vastaavasti Keski-, Itä- ja Pohjois-Suomen maaseudulla, todennäköisesti heikkojen työllistymismahdollisuuksien takia.

Tehdyn harjoituksen myötä opin luomaan teemakarttoja MapInfo- paikkatieto-ohjelmalla ja käyttämään sen yksinkertaisimpia toimintoja. Koropleettikarttojen ominaisuuksia opin tarkastelemaan kriittisemmin ja kyseenalaistamaan enemmän. Olen kokeileva ja tekemisen kautta parhaiten asioita omaksuja oppija, mutta tarvitsen myös erityisesti tekniikkaa koskevia ohjeita ohjelmia käytettäessä. Spontaanisti kokeilemalla voi syntyä sattumanvaraisiakin oivalluksia ja huomata yllättäviä yhteyksiä asioiden välillä, kuten kävi vertaillessa valmiita koropleettikarttoja eläkeläisten ja korkeakoulutettujen osuuksista. Vaikka näillä kahdella tekijällä ei ole mitään selvää yhteyttä, muut tekijät selittävät karttojen yhteneväisyyttä. Kaupunkien vetovoimatekijät, kuten juuri yliopistot ja korkeakoulutettujen työmahdollisuudet toimivat nuoria aikuisia ja lapsiperheitä työntävänä voimana pois Itä- ja Pohjois-Suomen maaseudulta, jolloin samoille alueille jää suuri prosentti eläkeläisiä. Samantyylisiä yhteyksiä voisi todennäköisesti löytää myös esimerkiksi huoltosuhdetta tai valtion aluetukia kuvaavasta teemakartasta.

Lähteet:

Iivari Laaksonen: “1. Kurssikerta”, <https://blogs.helsinki.fi/iilaakso>, luettu 22.01.2017

Johannes Vihervirta: “Tutustuminen paikkatietoon ja MapInfo-ohjelmaan”, <https://blogs.helsinki.fi/johviher/>, luettu 25.01.2017

Suomen virallinen tilasto (SVT): “Oppilaitosten opiskelijat ja tutkinnot 2015”, <http://www.stat.fi/til/opiskt/index.html>, luettu 18.01.2017

Suomen virallinen tilasto (SVT): “Kelan eläkkeet”, <http://www.stat.fi/til/elakkk/index.html>, luettu 22.01.2017