KK7 – Sveitsin monikulttuurisuus

Viimeisellä kurssikerralla saimme vapaat kädet tehdä jostakin alueesta ja sen osa-alueista kartan, jossa on kaksi vapaavalintaista päällekkäistä teemaa. Alueen valinta oli minulle helppoa, ja valitsin alueeksi Sveitsin ja osa-alueiksi Sveitsin 26 kantonia. Olen puoliksi sveitsiläinen ja asunut Sveitsissä yhteensä neljä vuotta, lukuvuonna 2007-2008 sekä vuosina 2010-2013, joten tunnen alueen suhteellisen hyvin. Aloitin urakkani etsimällä tilastotietoa Sveitsin kantoneista, mitä löytyikin varsin helposti Sveitsin hallinnollisen Bundesamt für Statistik –viraston nettisivujen kautta (Bundesamt für Statistik 2014). Sivustolta löytyi Excel-taulukko, jossa oli kattavasti tietoa liittyen väestöön, kieleen, uskontoon, maankäyttömuotoihin ja moniin muihin indikaattoreihin. Ongelmana oli aluksi se, että Excel-taulukon tiedot olivat väärin päin, jotta ne voisi viedä MapInfoon, eli indikaattorit olivat vaakariveillä kun taas kantonit olivat pystysarakkeissa. Tähän löytyi kuitenkin onneksi varsin nopeasti ratkaisu, kun kysyin opettajaltamme Arttu Paarlahdelta neuvoa miten ne käännetään toisin päin.

Asuin Sveitsissä viimeiset kolme vuotta Baselissa, joka on saksankielistä aluetta, mutta sijaitsee Sveitsin luoteiskulmassa Saksan ja Ranskan valtioiden rajalla. Kiinnitin siellä asuessani erityisesti huomiota siihen, miten monikulttuurinen maa Sveitsi on. Koko maassa ulkomaalaisten suhteellinen osuus oli 23,3 % vuonna 2012, eli melkein neljännes (Bundesamt für Statistik 2014), mikä on enemmän kuin yhdessäkään toisessa eurooppalaisessa valtiossa (lukuun ottamatta kääpiövaltioita kuten Luxemburgia, Monacoa tai Liechtensteinia). Huomionarvoista on verrata tätä Suomen väestötilastoon, jonka mukaan Suomen väestöstä vuonna 2013 oli 3,8 % ulkomaalaisia (Tilastokeskus 2014). Halusin selvittää, miten ulkomaalaisten suuri osuus vaikuttaa Sveitsiin tarkasteltaessa erilaisia tilastollisia indikaattoreita.

Kartassani tarkastelin Sveitsin kantonien bruttokansantuotetta per asukas ja ulkomaalaisten osuuksia väestössä (kuva 1). Ulkomaalaisten osuudet kuvasin koropleettikarttana ja bruttokansantuotteen pylväsdiagrammeina. Jaoin koropleettikartan alueet viiteen tasamääräiseen luokkaan, joista löytyi melkoisia eroja. Vähiten ulkomaalaisia, 10,1 prosenttia, asuu Appenzell Innerrhodenin kantonissa, joka on pieni ja maatalousvaltainen kantoni Alppien juurella, kun taas eniten ulkomaalaisia, 39,7 %, asuu Geneven kantonissa, joka on monelle suomalaisellekin tuttu Cernin ja monien kansainvälisten järjestöjen kotipaikkana.

BKT per asukas ja ulkomaalaisten osuus Sveitsissä. Lähde: Bundesamt für Statistik (2014)

Sveitsin BKT per asukas vuonna 2011 ja ulkomaalaisten osuus Sveitsissä vuonna 2012. Lähde: Bundesamt für Statistik (2014)

Valitsin toiseksi teemaksi bruttokansantuotteen siksi, että halusin nähdä onko ulkomaalaisten osuudella väestössä ja BKT:lla yhteyttä. Karttaa tulkitsemalla voidaan havaita, että niillä on positiivinen yhteys toisiinsa. Suurin asukaskohtainen BKT, 157 000 frangia eli 129 000 € per henkilö on Basel-Stadtin kantonissa. Basel-Stadtin kantonissa on myös toiseksi suurin osuus ulkomaalaisia, 33,6 %. Baselin korkea bruttokansantuote johtuu lähinnä siitä, että kaupungissa ja sen ympäristössä on erittäin paljon lääke- ja kemianteollisuutta. Monet maailman suurimmista lääkefirmoista, kuten Novartis ja Roche pitävät päämajaansa Baselissa, ja molempien yhteenlaskettu liikevaihto on noin 110 miljardia dollaria (Novartis 2014, Roche 2013), mikä on lähes puolet Suomen bruttokansantuotteesta (The World Bank 2012). Tällainen voimakkaasti tietylle alueelle keskittynyt lääke- ja kemianteollisuus tarvitsee luonnollisesti myös paljon koulutettua työvoimaa, mikä selittää myös osaltaan sitä miksi Baselissa on suuri osuus ulkomaalaisia. Kuitenkaan läheskään kaikki Baselin ulkomaalaiset eivät ole hyvin koulutettuja saksalaisia tai ranskalaisia, vaan joukossa on myös hyvin paljon esimerkiksi entisen Jugoslavian alueelta tulleita maahanmuuttajia, minkä huomasin asuessani siellä. Sveitsin ulkomaalaisten suurin väestöryhmä italialaisten (292 000) ja saksalaisten (235 000) jälkeen on portugalilaiset (197 000 kansalaista). Entisen Jugoslavian (nyk. Serbia, Montenegro, Kosovo, Kroatia, Bosnia & Hertsegovina ja Makedonia) alueen kansalaisia taas on Sveitsissä yhteensä 278 000 (Statistik Schweiz 2014).

Kartalta voidaan kuitenkin myös havaita joitakin kantoneja, kuten Vaud ja Ticino, joissa on suuri suhteellinen osuus ulkomaalaisia, mutta joissa BKT per asukas on ennemminkin keskiluokkaa. Uskoisin, että näissä molemmissa kantoneissa ulkomaalaisten suuri määrä selittyy ennemminkin naapurimaiden läheisyyden takia, minkä takia Vaudissa on paljon ranskalaisia ja Ticinossa paljon italialaisia. Ticino on Sveitsin ainoa kokonaan italiankielinen kantoni, jonka eteläkärjestä on vain muutaman kymmenen kilometrin matka Milanoon, kun taas Vaudissa puhutaan pääosin ranskaa.

Toinen tekijä, joka uskoakseni selittää ulkomaalaisten levinneisyyttä, on suurten kaupunkien sijainti. Credit Suissen vuonna 2012 tekemässä tutkimuksessa selvisi, että ulkomaalaiset muuttavat yleensä kaupunkeihin, mikä johtaa siihen, että sveitsiläiset muuttavat enenevässä määrin kaupunkia ympäröivälle maaseudulle (Tagesanzeiger 2014).

 

Nyt kun tämä kurssikerta on saatu päätökseen, on hyvä tiivistää ajatuksia ja mietteitä, mitä tämä kurssi on herättänyt. Tämä oli ensimmäinen kerta, kun olen pitänyt blogia, ja siitä on ollut minulle paljon hyötyä. Vaikka blogin kirjoittaminen tuntui aluksi hieman vaikealta, muuttui se sitä helpommaksi, mitä pidemmälle kurssi eteni. Olen myös oppinut viittaamaan muiden teksteihin entistä paremmin. Muiden blogien lukeminen oli mielestäni erittäin hyödyllistä, sillä tällä tavoin sai uusia ideoita karttoihin ja tehtävänantoihin. Sonja Pietiläinen kirjoittaa blogissaan: ”… blogin kirjoittaminen on pakottanut tarkastelemaan niin opittua kun myös tarkasteluja ilmiöitä. Muiden blogien lukeminen on tuonut myös arvokkaita uusia näkökulmia omiin ajatuksiin.”

Mielestäni MapInfo ei edelleenkään ole mikään maailman käyttäjäystävällisin ohjelma, ja varsinkin ulkoasuun ja tietojen tallentamiseen liittyvissä asioissa koen sen välillä puutteelliseksi. Olen silti oppinut käyttämään sitä mielestäni hyvin ja osaan nyt tehdä sillä esimerkiksi erilaisia teemakarttoja tai puskurointikarttoja. Tuuli Toivosen laatimasta MapInfo-opetusmonisteesta (Toivonen, T. 1999) on ollut vaikeissa tilanteissa paljon hyötyä. Vaikka opetusmoniste on laadittu jo vuonna 1999, on se suurimmassa osassa MapInfon toimintoja edelleen ajankohtainen ja käyttökelpoinen.

Suuret kiitokset myös opettajallemme Arttu Paarlahdelle, jonka tekemät ohjeet ovat olleet selkeitä ymmärtää. Myös tehtävien teemat ovat mielestäni olleet vaihtelevia ja mielenkiintoisia.

 

Lähteet:

Bundesamt für Statistik (2014). Regionalporträts: Kantone. http://www.bfs.admin.ch/bfs/portal/de/index/regionen/kantone/daten.html. Luettu 27.3.2014.

Novartis (2014). Media releases. http://www.novartis.com/newsroom/media-releases/en/2014/1757594.shtml. Luettu 27.3.2014.

Pietiläinen, S. (2014). Kurssikerta 7 – viimeistä viedään! https://blogs.helsinki.fi/sonjapie/. Luettu 28.3.2014.

Roche (2013). Zahlen und Berichte. http://www.roche.com/de/about_roche/at_a_glance/key_facts_and_figures.htm?tab=1. Luettu 27.3.2014.

Statistik Schweiz (2014). Migration und Integration – Indikatoren. http://www.bfs.admin.ch/bfs/portal/de/index/themen/01/07/blank/key/01/01.html. Luettu 27.3.2014.

Tagesanzeiger (2014). Studie: Ausländer ziehen in die Städte, Schweizer aufs Land. http://www.tagesanzeiger.ch/schweiz/standard/Auslaender-ziehen-in-die-Staedte-Schweizer-aufs-Land/story/18748903. Luettu 27.3.2014.

Tilastokeskus (2014). Väestö. <http://www.tilastokeskus.fi/tup/suoluk/suoluk_vaesto.html>. Luettu 27.3.2014.

Toivonen, T. (1999). MapInfo-opetusmoniste. Helsingin yliopiston maantieteen laitoksen opetusmonisteita 42. Helsinki 1999.

The World Bank (2012). Finland. http://www.worldbank.org/en/country/finland. Luettu 27.3.2014

 

SWOT – analyysi: Mapping America

Saimme erillisenä tehtävänä laatia SWOT-analyysi New York Timesin paikkatietopalvelusta Mapping America: Every City, Every Block (NYTimes 2014). SWOT – analyysi on Albert Humphreyn kehittämä arviointimenetelmä, jota käytetään usein strategisessa suunnittelussa. Sen nimi tulee sanoista Strengths = Vahvuudet, Weaknesses = Heikkoudet, Opportunities = Mahdollisuudet ja Threats = Uhat.

Juri Louhio kiteýttää osuvasti Mapping America –palvelun idean: ”New York Timesin palvelussa voi selata yksityiskohtaista Yhdysvaltain karttaa, jolle on väestölaskentatietojen perusteella sijoitettu erinäisiä muuttujia. Kartalla voi tarkastella korttelitasolla asti esimerkiksi väestön etnistä taustaa, koulutus- tai tulotasoa, sekä asuntojen keskimääräistä vuokraa.” (Louhio, J. 2014).

 

Vahvuudet

Palvelu toimii mielestäni hämmästyttävällä nopeudella ja vaivattomuudella, kun otetaan huomioon, että se kattaa koko Yhdysvaltojen alueen ja yli 300 miljoonaa asukasta. Palvelussa on paljon erilaisia vaihtoehtoja, lisäksi siirtämällä hiirtä kohteiden päälle saadaan vielä lisää tietoa. Palvelun 22 erilaista teemakarttaa on jaoteltu selkeästi neljään eri ryhmään, joten sopivan kartan löytäminen käy helposti.

 

Heikkoudet

Kaksi palvelun kartoista on toteutettu pistekarttana. Näistä toinen kuvaa ihmisten etnistä ryhmää, ja toinen kotitalouksien tulotasoa. Kun tarkastelin näitä karttoja tarkemmin, huomasin että pisteet eivät ole paikkatarkkoja, vaan ne sijoittuvat alueiden sisään satunnaisesti. Tämän voi havaita erityisesti harvaan asutuilla alueilla, joilla pisteet sijaitsevat hyvinkin hajanaisesti, siten että niitä on joka puolella suunnilleen yhtä paljon. Pisteet saattavat sijaita vaikkapa keskellä järveä, eivätkä näytä sijoittuvan teiden varsille, kuten yleensä asutuksella on tapana. Tottumaton lukija ei välttämättä huomaa tätä, vaan olettaa pisteiden olevan paikkatarkkoja, mikä saattaa aiheuttaa vääriä johtopäätöksiä kartan tulkinnassa.

Suuri heikkous on mielestäni myös mittakaavan puuttuminen, minkä takia on vaikeaa arvioida tuntemattoman alueen etäisyyksiä. Ainoastaan tieverkosto ja muut karttaelementit, kuten joet, järvet ja pellot antavat jotain vihjettä etäisyyksistä. Myöskään pohjoisnuolta ei ole merkitty karttoihin.

Kartalla näkyvät liikenneväylät ainoastaan kun karttaa tarkastelee lähempää, mutta jos zoomaa kauemmas ne häviävät. Mielestäni olisi havainnollista, jos suurimmat liikenneväylät näkyisivät kartalla myös kauempaa zoomattaessa, esimerkiksi tarkasteltaessa eri osavaltioita samalla kartalla tai koko Yhdysvaltoja.

 

Mahdollisuudet

Tavalliset kansalaiset voisivat käyttää palvelua hyödyksi esimerkiksi sopivan tai edullisen asuinalueen etsimiseen, tai yritykset, jotka tarvitsevat koulutettua työvoimaa, voisivat käyttää palvelua etsiessään sopivia toimipisteitä.

Palvelua voisi vielä laajentaa esittämään enemmän erilaisia teemoja. Tällä hetkellä palvelun teemat kuvaavat lähinnä väestön sosiaalisia eroja, mutta palvelua voisi vielä laajentaa esittämään enemmän erilaisia teemoja. Pyry Poutanen on esittänyt mielenkiintoisen mahdollisuuden palvelun kehittämiseen: ”Palvelua voisi kehittää myös luonnonmaantieteen puolella, valmis pohja kun on jo olemassa. Esimerkiksi keskeisistä ilmastotiedoista (lämpötilat, sademäärät) saisi melko havainnollistavia karttoja ja tiedot olisivat tarkkoja ja vertailukelpoisia koko alueella.” (Poutanen, P. 2014).

 

Uhat

Jotkut Mapping America – palvelun tarjoamat tiedot, (kuten esimerkiksi ihmisten etninen ryhmä tai seksuaalinen suuntautuminen) saattavat olla liian arkaluontoisia asioita esitettäväksi kartalla, joka on kaikkien saatavilla. Kuten Antti Kinnunen kirjoittaa: ”Vaikkei tiedoissa mitään varsinaisia sotilassalaisuuksia tai strategisesti tärkeää informaatiota ollutkaan voisivat esimerkiksi terroristijärjestöt käyttää dataa silti apuna iskujensa suunnittelussa. Tieto on kansainvälisesti saatavilla ja sen avulla voisi esimerkiksi keskittää iskut tiettyä etnistä ryhmää tai sosioekonomista luokkaa vastaan.” (Kinnunen, A. 2014).

 

Vertailu suomalaiseen käytäntöön

Suomessa erityisesti väestöä koskevaa tilastotietoa on erittäin hankala saada, eikä se ole kaikkien käytössä kuten Yhdysvalloissa. Tämä johtuu luultavasti ennen kaikkea vahvasta yksilönsuojasta, joka estää henkilötietojen käytön julkiseen tarkoitukseen

Suomessa lähimpänä tällaista paikkatietopalvelua on mielestäni Maanmittauslaitoksen ylläpitämä Paikkatietoikkuna. Vaikka palvelut ovat sisällöltään huomattavasti erilaisia, on niiden perusperiaate kuitenkin sama, eli molemmissa on mahdollista katsoa erilaisia valtakunnallisia teemakarttoja. Paikkatietoikkuna tarjoaa hieman enemmän mahdollisuuksia karttojen esittämiseen, niitä voi esimerkiksi säätää osittain läpinäkyväksi, jolloin on mahdollista esittää useampia teemoja samalla kartalla.

Toisaalta Paikkatietoikkunassa joitakin karttatasoja voidaan näyttää ainoastaan tietyillä mittakaavatasoilla, kun taas Mapping America – palvelussa kaikki teemat näkyvät kaikilla mittakaavatasoilla.

 

 

Lähteet:

Kinnunen, A. (2014). SWOT-analyysi: Mapping America- täsmällistä väestötietoa koko Kansan ulottuville. https://blogs.helsinki.fi/aekinnun/. Luettu 25.3.2014.

Louhio, J. (2014). N.Y.T.P.S.W.O.T.A.. https://blogs.helsinki.fi/jlouhio/. Luettu 25.3.2014.

NYTimes.com (2014). Mapping America – Census Bureau 2005-9 American Community Survey. http://projects.nytimes.com/census/2010/explorer. Luettu 25.3.2014.

Poutanen, P. (2014). Mapping America: Every City, Every Block. https://blogs.helsinki.fi/pyrypout/. Luettu 25.3.2014.

Kurssikerta 6: Maanjäristyksiä ja tulivuoria

Kuudennella kurssikerralla emme jääneet yliopiston tietokoneluokkaan, vaan siirryimme raikkaaseen ulkoilmaan keräämään ryhmissä dataa GPS-paikantimen avulla. Olen käyttänyt GPS-paikanninta jonkin verran aikaisemminkin geokätköillessäni, joten sen käyttö ei ollut itselleni aivan uutta. Ryhmämme valitsi aiheeksi bussipysäkkien sijainnit, ja lähdimme etsimään niitä Kumpulan kampuksen lähiympäristöstä. Tehtävä tuntui mukavalta vaihtelulta tietokoneen ääressä istumiseen, ja löysimme lopulta yli kymmenen bussipysäkkiä, joista kirjasimme ylös koordinaatit, korkeuden merenpinnasta sekä lisätietoja. Tämän jälkeen päästyämme takaisin lämpimään kurssisaliin siirsimme tiedot Exceliin ja siitä edelleen MapInfoon karttapisteiksi. Harjoituksen tehtävänä oli näyttää, kuinka paikkatietokohtaista dataa voidaan itse kerätä, ja tehdä aineistosta karttoja melko pienellä vaivalla. Eetu Summanen kirjoittaa: ”Oli hienoa huomata kuinka pienellä vaivalla kerätyt pisteet saatiin siirrettyä koordinaattien avulla paikkatieto-ohjelmaan, kunhan ohjelman pohja-aineisto oli kunnossa (eli sijoitettu samaan koordinaatistoon oikein). Tämän opettaja oli tehnyt valmiiksi odottamaan workspace-muotoon, joten ei aikaakaan kun olimmekin jo toteamassa melkein kaikkien havainnoimamme pisteiden sijaitsevan juuri oikeissa paikoissa.” (Summanen, E. 2014).

Kurssikerran varsinainen itsenäistehtävä oli tehdä kolme pistekarttaa, joita voisi käyttää maantieteen opetuksessa. Aiheita olivat maanjäristykset, tulivuoret sekä metoriittikraaterit, joista valitsin maanjäristykset ja tulivuoret. Kaliforniassa sijaitsevan Berkeleyn yliopiston internetsivuilta löytyi tietoa maanjäristyksistä vuodesta 1898, ja tuloksia pystyi rajaamaan muun muassa järistyksen ajankohdan ja voimakkuuden mukaan (ANSS Catalog 2014). Tein yhden kartan yli 5 magnitudin järistyksistä, jotka ovat tapahtuneet vuoden 2010 jälkeen ja toisen kartan yli 7 magnitudin järistyksistä vuodesta 1900. Kolmanteen karttaan yhdistin nämä molemmat kartat, ja lisäsin vielä aktiiviset tulivuoret vuodesta 1900, joiden data löytyi Yhdysvaltain liittovaltion sää- ja valtamerentutkimusorganisaation (NOAA) nettisivuilta (Data.gov 2014).

Aineisto siirrettiin MapInfoon samalla tavalla kuin kurssikerran alussa siirsimme keräämiämme pisteitä karttakohteiksi. Ensin siirsin tiedot koordinaatteineen Exceliin, jossa loin tiedoista uuden Excel-tiedoston. Tämän jälkeen avasin Excel-tiedoston MapInfossa, jossa loin kohteista karttapisteet Create Points –komennolla. Aineisto oli melko helppoa tuoda MapInfoon, ainoat vaikeudet liittyivät itse asiassa siihen, että Excel muutti pisteitä sisältävät koordinaatit välillä päivämääriksi, minkä takia jouduin siirtämään datan ensin Wordiin, jossa muutin pisteet pilkuiksi ja vasta tämän jälkeen siirsin tiedot Exceliin. Kuten Ilkka Saarinen kirjoittaa: ”… yleistoimivuudeltaan mainio Excel kaatuu ajoittain omaan näppäryyteensä kuten automaattisiin solupäivityksiin, jolloin pisteitä (.) sisältävä aineisto (esim. yksittäisten hasardien desimaaleja sisältävät koordinaattitiedot) muuntuu ohjelmassa päivämääriksi ja tuhoten solujen informaatiosisällön. Onneksi ongelman kiertämiseen löytyy parikin helppoa vaihtoehtoa. Itse päädyin tekemään koko aineistoa koskevan piste-pilkku – muunnoksen Wordissa, jolloin tämän jääräpäinen sisarohjelma ymmärsi käsitellä koordinaattitietoja oikealla tavalla ja asettaa ne omiin sarakkeisiinsa.” (Saarinen, I. 2014).

Maantieteen opetuksessa on tärkeää selittää maanjäristysten skaala Richterin asteikolla, joka on logaritminen asteikko, ts. arvon kasvaessa yhdellä järistyksen voimakkuus on kasvanut kymmenkertaiseksi. Pyry Poutanen ottaa tämän esille blogissaan: ”Esimerkiksi logaritminen asteikko olisi tarpeen mukaan syytä selittää ja myös huomata havaintoja dramaattinen väheneminen, kun tutkitaan voimakkaampia järistyksiä, havainnot suunnilleen kymmenkertaistuvat, kun asteikolla siirrytään yksi luku pienempään päin. Richterin asteikko lienee monille tuttu, mutta sitäkin harvempi osaa selittää sen oikein: tulee siis varmistua siitä, että lukija ymmärtää, ettei järistyksen voimakkuus ole suoraan verrannollinen sen tuhovoimaan ihmisen näkökulmasta (vrt. Mercallin asteikko).”  (Poutanen, P. 2014).

Ensimmäisessä maanjäristyskartassa (kuva 1) esitän yli 5 magnitudin järistysten levinneisyyttä kartalla. Koska yli 5 magnitudin järistyksiä tapahtuu maapallolla keskimäärin 5-10 päivässä, rajasin maanjäristykset aikavälille 01.01.2010 – 19.03.2014, jottei pisteitä tulisi liikaa. Sain tällä rajauksella yhteensä 8552 maanjäristystä, jotka sijoitin kartalle pisteiksi. Kartalta voi havaita pisteiden muodostavan jonoja mannerlaattojen saumakohtiin, sillä maanjäristyksiä syntyy muun muassa mannerlaattojen liikkuessa toistensa suhteen. Löysin internetistä mannerlaattojen sijaintia ja liikettä havainnollistavan kartan (kuva 2), jota voisi hyödyntää opetuksessa vertailemalla sitä maanjäristyskarttaan. Maanjäristyskartalta voidaan havaita, että suurin osa maanjäristyksistä sijoittuu ns. Tyynenmeren tulirenkaalle (kuva 3), jossa tapahtuu laattojen yhteentörmäyksiä ja jossa mereinen laatta painuu mantereisen laatan alle (subduktiovyöhyke). 90 % maapallon maanjäristyksiä tapahtuu juuri tällä Tyynenmeren tulirenkaan alueella. Maanjäristyskartalta voi havaita lisäksi erkanevien laattojen saumakohdat, sillä niissä tapahtuvat järistykset ovat tyypillisesti alle 6 magnitudin järistyksiä. Esimerkiksi Atlantin keskiselänne, Afrikan laatta sekä Nazca-laatta erottuvat kartalta erittäin tarkasti pienten ja keskikokoisten maanjäristysten muodostamina jonoina. Kartalta voidaan havaita myös että maanjäristyksiä tapahtuu paljon Kiinan keskiosista Gibraltarin salmeen ulottuvalla alueella, jossa kaksi mantereista laattaa törmää toisiinsa.

Maanjäristykset vuodesta 2010

Kuva 1. Yli 5 magnitudin maanjäristykset vuodesta 2010.

Kuva 2. Maapallon mannerlaatat (JohoMaps 2014).

Kuva 2. Maapallon mannerlaatat (JohoMaps 2005).

Ring of fire

Kuva 3. Tyynenmeren tulirengas, jossa sijaitsee 90 % maapallon maanjäristyksistä (USGS 1999).

 

Toisessa kartassa kuvaan voimakkaita, yli 7 magnitudin järistyksiä maapallolla (kuva 4). Koska 7 magnitudin järistys on 100 kertaa voimakkaapi kuin 5 magnitudin järistys, on niiden keskimääräinen esiintyminen myös harvinaisempaa. 7,0-7,9 magnitudin järistyksiä esiintyy maapallolla vuosittain noin 18 kappaletta ja sitä suurempia 8,0-8,9 magnitudin järistyksiä noin kerran vuodessa. Valitsin aikarajaukseksi mittaushistorian alusta tähän päivään, eli 1900 – 2014, jolloin sain tulokseksi 680 kpl yli 7,0 magnitudin maanjäristystä. Kuvasin pisteet suurempina kuin edellisessä kartassa, jotta ne erottuisivat paremmin. Maantieteen opetuksessa selittäisin oppilaille erityisesti sitä, kuinka vaarallisia yli 7 magnitudin järistykset ovat asutukselle. Voimakkaiden maanjäristysten karttaa voisi vielä vertailla karttaan, jossa kuvataan maapallon asukastiheyksiä (kuva 5). Erityisen haavoittuvia ovat alueet, joilla asuu paljon ihmisiä ja joissa voimakkaat maanjäristykset ovat yleisiä. Tällaisia alueita ovat itäisellä pallonpuoliskolla esimerkiksi Indonesia, Filippiinit, Japani, Kiinan keskiosat, Pakistan, Iran ja Turkki sekä läntisellä pallonpuoliskolla koko Amerikan mantereen länsirannikko sekä Karibianmeren alue. Erityisesti alueilla, joilla maanjäristysten tuottamiin uhkiin ei ole kyetty varautumaan, kuten kehitysmaissa, niiden aiheuttamat kuolonuhrit voivat olla valtavia, kuten nähtiin Haitin maanjäristyksessä vuonna 2010, jossa kuoli yli 220 000 ihmistä tai Intian valtameren maanjäristyksessä vuonna 2004, jonka seurauksena syntynyt tsunami aiheutti yli 230 000 ihmisen kuoleman.

Voimakkaat yli 7 magnitudin maanjäristykset

Kuva 4. Yli 7 magnitudin maanjäristykset aikavälillä 1900-2014.

world-population-density-map

Kuva 5. Maapallon asukastiheydet (All that is interesting 2013).

Kolmanteen karttaan (kuva 6) yhdistin nämä kaksi aikaisempaa laatimaani karttaa ja lisäsin karttaan vielä tulivuoret, jotka ovat olleet aktiivisia vuoden 1900 jälkeen. Niitä löytyi yhteensä 437 kappaletta. Kuvaan tulivuoria kirkkaan keltaisella kolmiolla, jotta ne erottuisivat maanjäristyksistä. Oppilaille voisi havainnollistaa kartan avulla sen, että tulivuorilla ja maanjäristyksillä on selvä yhteys. Tulivuoret sijaitsevat pääasiassa mannerlaattojen saumakohdissa. Erityisen runsaasti niitä on Tyynenmeren tulirenkaassa, eli Aasian itärannikon saarilla kuten Indonesiassa, Filippiineillä ja Japanissa sekä Keski-Amerikassa ja Andeilla. Kuten Ilkka Saarinen blogissaan kirjoittaa, ”Esitys tukee edellä esitettyä mannerlaatta-maanjäristys-tulivuori yhteyttä, sillä valtaosa tulivuorista sijoittuu laattojen loittonemis- tai törmäysvyöhykkeille.” (Saarinen, I. 2014). Kartalta voidaan lisäksi havaita, että tulivuoria sijaitsee myös nk. kuumissa pisteissä (engl. hot spot). Esimerkiksi Havaijin saaret, Galapagossaaret ja Islanti ovat syntyneet valtamerilaattojen ylittäessä kuuman pisteen.

Maapallon tulivuoret ja maanjäristykset2

Kuva 6. Maapallon maanjäristykset sekä aktiiviset tulivuoret.

Tulivuorikarttaa tarkastelemalla voidaan kuitenkin havaita joitakin virheitä alkuperäisessä aineistossa. Huomioni kiinnittyi heti aluksi Ruotsissa sijaitsevaan tulivuoreen, sillä eihän Ruotsissa ole viimeisen sadan vuoden aikana purkautunut yhtään tulivuorta. Tulivuoren nimi oli vielä Lakagigar, joka on tunnettu aktiivinen tulivuori Islannissa. Tarkasteltuani alkuperäistä NOAA:n tuottamaa aineistoa, huomasin, että koordinaatit olivat muuten oikein, mutta virheelliset pituuskoordinaatit heittivät kohteen muutama tuhat kilometriä itään. Tämä opetti minulle, että tietoon pitää suhtautua kriittisesti, vaikka lähde tuntuisikin luotettavalta.

 

Lähteet:

All that is interesting (2013). An Informative Map Of Population Density. http://all-that-is-interesting.com/map-population-density. Luettu 19.3.2014.

ANSS Catalog (2014). ANSS Catalog Search. http://quake.geo.berkeley.edu/anss/catalog-search.html. Luettu 18.3.2014.

Data.gov (2014). Global Volcano Locations Database. http://catalog.data.gov/dataset/global-volcano-locations-database. Luettu 18.3.2014.

JohoMaps (2005). Tectonic Plates of the World. http://johomaps.com/world/worldtecton.html. Luettu 19.3.2014.

Poutanen, P. (2014). Kurssikerta 6 – Opettajan kengissä. https://blogs.helsinki.fi/pyrypout/. Luettu 19.3.2014.

Saarinen, I. (2014). KK6 – REIPPAILUA ENNEN LOPPUKIRIÄ. https://blogs.helsinki.fi/ilkkasaa/. Luettu 19.3.2014.

Summanen, E. (2014). KK6: Omin käsin kerätyn aineiston hyödyntäminen ja MapInfo opetuskäytössä. https://blogs.helsinki.fi/eesu/. Luettu 18.3.2014.

USGS (1999). Ring of Fire [This Dynamic Earth, USGS]. http://pubs.usgs.gov/gip/dynamic/fire.html. Luettu 19.3.2014.

Kurssikerta 5: Bufferointia

Viidennellä kurssikerralla tutustuimme muun muassa MapInfon bufferointi-toimintoon. Bufferointi, eli suomeksi puskurointi, tarkoittaa sitä, että MapInfo piirtää säteen avulla tietyn kohteen ympärille alueen, jonka avulla voidaan esimerkiksi laskea kuinka monta kohdetta alueen sisäpuolelle jää. Laskimme esimerkiksi Pornaisten alueella, montako taloa sijaitsee 500 metrin säteellä terveyskeskuksesta, tai montako taloa sijaitsee alle kilometrin etäisyydellä koulusta. Tällaiset työkalut ovat nykyään varmasti olennaisia, kun halutaan määrittää julkisten palveluiden sijaintia, tai halutaan tietää tarvitaanko kaupunkiin uusi palvelu, esimerkiksi terveyskeskus. Lisäksi voidaan vaikkapa arvioida koulumatkakuljetusten tarpeellisuutta pienellä paikkakunnalla. Itselleni tuli bufferoinnista mieleen tietokonepeli nimeltä SimCity, jota pelasin yläasteikäisenä. Ero on kuitenkin siinä, että SimCityn kaupungit olivat virtuaalimaailmassa, kun taas tässä pääsee kokeilemaan samanlaisia asioita käytännössä, mikä on mielestäni erittäin antoisaa. Asia on juuri kuten Aleksi Rautio blogissaan kirjoittaa: ”Mielestäni tämä kurssikerta oli mielekkäin tähän asti, koska kerrankin tunsin oppivani jotain, joka on oikeasti käytännöllistä ja pääsi itse miettimään ongelmiin ratkaisuja.” (Rautio, A. 2014).

Pornaisten jälkeen siirryimme hieman haastavampiin tehtäviin. Olen koonnut tehtävistä taulukon, joka löytyy täältä.

Ensimmäisessä tehtävässä piti laskea bufferoinnin avulla, montako ihmistä asuu yhden ja kahden kilometrin säteellä Malmin lentokentän kiitoradoista. Aluksi ihmettelin, kun saamani luvut olivat melko pieniä, mutta tämä johtuikin siitä, että olin laskenut aluksi ihmisten sijaan rakennuksien määrää. MapInfossa on kätevä työkalu tietokantojen analysointiin, nimeltä Statistics. Sen avulla voidaan saada yhteenveto kaikista tietokantojen tiedoista, tässä tapauksessa mm. eri ikäisten, eri kielisten tai ulkokansalaisten lukumääristä.

Malmin lentokentän bufferoinnin jälkeen laskimme Helsinki-Vantaan lentokentän läheisyydessä asuvien määriä, sekä sitä kuinka moni ihminen asuu pahimmilla lentomelualueilla. Selvisi, että vaikka kiitoratojen läheisyydessä asuu lähes 10 000 ihmistä, pahimmalla melualueella, eli yli 65 dB:n alueella asuu ”vain” 39 asukasta. Onneksi 65 dB:n alueella ei kuitenkaan asu enempää ihmisiä, ja rakennusteknisillä ratkaisuilla, kuten ikkuiden kolminkertaistamisella jne. voidaan auttaa paljon.

Lisäksi bufferoimme vielä Vantaan alueella olevia juna-asemia sekä laskimme kuinka suuri osa alueen asukkaista asuu taajamissa. Laskimme myös ulkomaalaisten osuuksia asuinalueilla.

Viimeisenä saimme valita kolmesta tehtävästä itsellemme mieluisimman, ja valitsin uima-altaita koskevan tehtävän. Aluksi laskin montako uima-allasta pääkaupunkiseudulla on. Kun MapInfon antama vastaus oli vähän yli 10 miljardia, päättelin, ettei tulos voi olla oikea ja tarkastelin tietokantaa tarkemmin. Sieltähän se syy löytyikin, nimittäin kymmenessä rakennuksessa uima-altaiden luku näytti lukua 999 999 999. Seuraavaksi minun vain täytyi poistaa nämä kymmenen rakennusta aineistosta, eli olettaa ettei niissä ole yhtään uima-allasta (mikä on tilastollisesti hieman kyseenalainen, mutta tässä tapauksessa ainoa vaihtoehto), ja tämän jälkeen sain vastaukset ihan oikein.

Lopuksi tein vielä pylväsdiagrammikartan uima-altaista pääkaupunkiseudun kaupunginosissa (kuva 1). Kartasta huomaa, että uima-altaita on eniten Helsingin alueella. Esimerkiksi Vantaalla ja Espoossa uima-altaita on vähän, vaikka siellä on paljon omakotitaloja, ja varsinkin Espoossa myös varakkaita asukkaita.

Lisäsin karttaan vielä rautatiet, ja muutin niiden ulkoasua hieman, lisäksi tein kuntarajoista paksumpia, jotta ne erottuisivat kunnolla pienalueista ja laitoin pohjalle vielä maankäyttöä kuvaavan kartan, jotta kartalle tulisi jonkinlainen pohjaväri. Tällä kertaa alueiden nimet eivät enää mahtuneet kartalle, mutta ehkäpä rautatiet auttavat alueiden hahmottamisessa.

Uima_altaat_pääkaupunkiseutu

Kuva 1. Uima-altaat pääkaupunkiseudun kaupunginosissa. Pylväiden korkeus kuvaa uima-altaiden lukumäärää.

Ongelmana tässä koko pääkaupunkiseudun kartassa on mielestäni se, että pienalueita on liikaa, jotta niitä voisi esittää pylväsdiagrammeina järkevästi. Sen takia tein vielä toisen samanlaisen kartan, jossa on pelkkä Helsingin alue (kuva 2). Lisäksi poistin kartoista ne pylväät, joissa ei ole yhtään uima-allasta, jotta kartasta tulisi vähän siistimpi.

Uima_altaat_Helsinki

Kuva 2. Uima-altaiden lukumäärä Helsingin kaupunginosissa.

Mielipiteeni MapInfosta muuttuu pikku hiljaa positiivisemmaksi, mitä enemmän sitä oppii käyttämään. Olen nyt alkanut ymmärtää, että MapInfolla samaan lopputulokseen voi päästä eri välivaiheiden kautta, kuten Christa blogissaan kirjoittaa: ”…Samalla kuitenkin huomasin, että tehtävien tekemiseen on monta eri ratkaisuvaihtoehtoa. Ei tietenkään ollut järkevää valita juuri sitä ratkaisua, joka vei neljä kertaa enemmän aikaa.” (Sallasmaa, C. 2014).

Huomasin vasta karttojen laatimista seuraavana päivänä, että olin unohtanut kartoista mittakaavan ja pohjoisnuolen. En kuitenkaan jostain syystä saanut palautettua karttoja samanlaisiksi kuin olin ne edellisenä iltana jättänyt, vaikka olin tallentanut ne workspace-muotoon, joten jätin mittakaavat ja pohjoisnuolet tällä kertaa pois.

 

Lähteet:

Rautio, A. (2014). Buffering for life! https://blogs.helsinki.fi/alerauti/. Luettu 15.3.2014.

Sallasmaa, C. (2014). 5. kurssikerta: Bufferointia ja taistelua. https://blogs.helsinki.fi/christas/. Luettu 15.3.2014.

Kurssikerta 4: Ruutukarttoja

Neljännellä kurssikerralla oli aiheena luoda ruututeemakartta vapaavalintaisesta aiheesta pääkaupunkiseudun alueelta. Tein kaksi erilaista karttaa. Toisessa kartassa kuvasin pääkaupunkiseudun väestön absoluuttista sijoittumista ja toisessa väestön ikäkeskiarvoja kuvattuna jokaisessa 500x500m ruudussa. Kurssikerran aluksi tein MapInfolla 500 x 500 metrin ruudukon pääkaupunkiseudun kuntien päälle (Helsinki, Vantaa, Espoo, Kauniainen). Tämän jälkeen minulla oli käytössä Helsingin seudun ympäristöpalvelujen tekemän SeutuCD´09:n tiedot koko pääkaupunkiseudun asukkaiden sijoittumisesta asuintalon tarkkuudella sekä tietoa em. asukkaiden iästä, sukupuolesta, äidinkielestä ja kansallisuudesta. Siirsin aineiston tiedot MapInfolla laatimaani ruudukkoon, eli tässä tapauksessa väestön lukumäärän sekä väestön ikäkeskiarvot. Lisäksi poistin ruudukosta ne ruudut, joissa ei asu ketään, jotta karttaa olisi helpompi lukea.

Tässä ovat valmiit karttani:

Pääkaupunkiseudun asukkaat3

Kuva 1. Pääkaupunkiseudun asukkaiden sijoittuminen.

Pääkaupunkiseudun ikäjakauma3

Kuva 2. Pääkaupunkiseudun asukkaiden ikäjakauma.

 

Väestökartassa (kuva 1)on neljä luokkaa, joiden luokkarajat määrittelin sadan asukkaan tarkkuudella. Lisäsin karttaan vielä suurimmat liikenneväylät, jotta seudun hahmottaminen kävisi helpommin. Ainoa asia, mikä kartassa mielestäni saattaa aiheuttaa epäselvyyttä on se, että kuntarajat ja tiet ovat molemmat kuvattu mustina viivoina, mutta MapInfo-taitoni eivät ainakaan vielä ole riittäviä sen muuttamiseen. Ensimmäinen mielikuva joka kartasta tulee mieleen on se, että väestö on keskittynyt kehä 3:en sisäpuolelle. Kehä 3:en ulkopuolella ruudut ovat lähes yksinomaan valkoisia, eli niissä asuu 0-100 asukasta. Poikkeus tästä on alueen kaakkoiskulmassa Vantaan Tikkurila ja Korso, jossa asutusta on enemmän. Asutuksen raja kulkee pääsääntöisesti hyvin tarkasti Kehä 3:n reittiä mukaillen; jos kartasta poistettaisiin liikenneväylät, voisi Kehä 3:n silti hahmottaa asutuksen sijoittumisen perusteella.

Olisi ollut mielenkiintoista lisätä karttaan vielä muitakin elementtejä tai liikenneväyliä. Kuten Katri Ruutu blogissaan kirjoittaa, ”…kartasta saisi tehtyä mielenkiintoisia tulkintoja, jos siihen esimerkiksi lisättäisiin rautatiet tai ostoskeskukset.” (Ruutu, K. 2014). Ilkka Saarinen oli mennyt vielä pidemmälle, ja julkaissut blogissaan karttaesityksen, jossa näkyvät ulkomaalaisten lukumäärä sekä rautatiet. Hän pohti rautateiden merkitystä ulkomaalaisten asumiseen seuraavalla tavalla: ”…ulkomaalaisten asuminen painottuu pääratojen varteen pääkaupunkiseudun itä- (Pihlajamäki-Mellunmäki) ja pohjoisosiin (Kannelmäki-Martinlaakso).” (Saarinen, I. 2014).

Toinen kartta (kuva 2) on myös mielenkiintoinen. Siinä jokaiseen ruutuun on laskettu keskiarvo ruudun sisällä asuvien henkilöiden iästä. Tein karttaan kolme luokkaa kvantiililuokituksen mukaan, eli että jokaisessa luokassa on yhtä monta tapausta. Valitsin luokkien väriskaalan vaaleansinisestä tummansiniseen, sillä vaaleansininen kuvastaa mielestäni lapsuutta, kun taas tummansininen enemmän kypsyyttä, mikä sopii hyvin teemaan.

Karttaa lukiessa täytyy ottaa huomioon, että luvut ovat ainoastaan keskiarvoja, eivätkä ne tarkoita, että jossakin ruudussa asuisi pelkästään sen ikäisiä ihmisiä, vaan asukkaiden todelliset iät voivat vaihdella hyvinkin paljon lukujen ympärillä. Joka tapauksessa voidaan ajatella, että keskimäärin ensimmäisessä luokassa asuu 3-34-vuotiaita, eli enimmäkseen lapsia, opiskelijoita ja lapsiperheitä. Toisessa luokassa on keskimäärin 34-51-vuotiaita, eli ihmisiä, jotka ovat yleensä jo vakituisessa työssä. Kolmannen luokan muodostavat keskimäärin 51-90-vuotiaat, joista osa on eläkeläisiä ja osa vielä työelämässä.

Kartalta on vaikea havaita minkäänlaista korrelaatiota, tai tietyn ikäisen väestön keskittymistä tietylle alueelle. Ennakkoon olisin olettanut, että esimerkiksi lapsiperheet sijoittuisivat enimmäkseen alueen reunoille pientalovaltaisille alueille, mutta näin ei ole, vaan vaaleansinisiä ruutuja on ympäri pääkaupunkiseutua. Tämä johtuu varmaankin osaksi siitä, että opiskelijat, jotka varmasti ovat myös edustettuina 3-34-vuotiaissa, asuvat yleensä lähempänä keskustan kampuksia, jolloin luokan sisällä on luultavasti jonkin verran sisäistä hajontaa.

Tarkastelemalla erityisesti Kehä 1:en sisäpuolista aluetta ja Helsingin niemeä, voidaan kuitenkin havaita, että 34-51-vuotiaiden ruutuja on tavallista enemmän. Eräs selitys tälle ilmiölle voisi olla se, että ihmiset haluavat asua lähellä työpaikkoja, sillä suurin osa pääkaupunkiseudun työpaikoista sijaitsee Helsingin keskustassa.

 

Lähteet:

Ruutu, K. (2014). Kurssikerta 4: Ruutuja. https://blogs.helsinki.fi/karuutu/. Luettu 14.3.2014.

Saarinen, I. (2014). KK4 – RUUTUTEEMAKARTAT BLOGGARIN KÄSITTELYSSÄ. https://blogs.helsinki.fi/ilkkasaa/. Luettu 14.3.2014.

 

Kurssikerta 3

Afrikan konfliktit, luonnonvarat ja internetin käyttöaste

Kolmannella kurssikerralla yhdistelimme Excelissä olleita tietoja MapInfoon, mikä sujui suhteellisen vaivattomasti. Meillä oli aluksi käytössä yksityiskohtainen kartta Afrikasta, johon oli merkitty valtioiden rajat ja nimet. Aluksi tietokannassa oli yli 400 osaa, sillä jokainen pieni saari oli merkitty omaksi osaksi. Yhdistin osat valtioittain, siten että tietokannassa oli jokaiselle Afrikan 52 valtiolle ainoastaan yksi rivi, jotta tietokantojen yhdistäminen olisi helpompaa.

Tämän jälkeen tehtävänä oli yhdistää karttaan tietoa Afrikan valtioiden väestöstä ja internetin käyttäjien sekä Facebook -käyttäjien lukumäärästä valtioittain. Lisäksi meillä oli käytössä paikkatietoaineistoa Afrikan timanttiesiintymistä, öljylähteistä sekä konflikteista vuosina 1947-2005. Aineistossa oli tietoa mm. konfliktin tapahtumavuodesta, konfliktin laajuudesta, timanttikaivosten löytämisvuodesta, kaivausten aloitusvuodesta ja tuottavuusluokittelusta, öljykenttien löytämis- ja poraamisvuodesta sekä tuottavuusluokittelusta, ja lisäksi internetkäyttäjien lukumäärästä vuosien 2000 ja 2012 välillä. Näitä tietokantoja yhdistämällä saimme tehtyä kartan Afrikasta, jossa näkyivät timanttikaivosten, öljylähteiden ja konfliktien sijainnit. Opettajamme Arttu Paarlahti oli vielä lisännyt karttaan konfliktien laajuudet sinisenliilalla värillä (Kuva 1).

Afrikka

Kuva 1. Afrikan konfliktien laajuudet, timanttikaivokset ja öljyesiintymät.

 

Tätä karttaa tulkitsemalla, voidaan havaita että lähes koko Afrikassa on ollut konflikteja viimeisten 70 vuoden aikana. Kartassa ei tosin ole vielä arabikevään konflikteja vuosilta 2010–2013, jotka keskittyivät Pohjois-Afrikan valtioihin. Kartasta voidaan myös huomata, että lähes kaikki timanttikaivokset sijoittuvat konfliktialueiden sisälle. Suurin osa Afrikan maiden konflikteista on perua siitä, että eurooppalaiset siirtomaavallat piirsivät siirtomaidensa rajoja piittaamatta heimojen alkuperäisistä aluerajoista. Kun tähän vielä lisätään luonnonrikkauksien epätasainen jakautuminen, ei ole mikään ihme että konfliktit ovat sijoittuneet samoille alueille kuin timanttikaivokset.

 

Tulvaindeksikartta

Afrikka-kartan jälkeen siirryimme kotoisalle maaperälle ja aloimme tutkia Suomen valuma-alueita ja niiden tulvaherkkyyttä. Aihe on mielestäni mielenkiintoinen ja on hauska nähdä valuma-alueet kartalla. Jos valuma-aluekartan päälle laittaa Suomen valtion rajat, voi huomata, että molemmat sijoittuvat lähes samalle alueelle. Varsinkin itäraja kulkee lähes koko matkan myös valuma-aluerajoja pitkin, lukuun ottamatta Karjalan kannasta, jonne Vuoksen valuma-alue ulottuu. Tästä voi päätellä, että Suomen ja Venäjä raja on sovittu kulkemaan vedenjakajia pitkin, rajan itäpuolelta vedet virtaavat Jäämereen ja Vienanmereen, rajan länsipuolelta Itämereen. Ainoastaan Tornionjoen valuma-alueesta yli puolet sijaitsee Ruotsin puolella, ja Tenojoen valuma-alueesta myös noin puolet sijaitsee Norjassa, sillä nämä joet kulkevat valtioiden rajoja pitkin.

 

Valuma-aluekartalta erottuvat selkeästi suuret valuma-alueet, eli Vuoksen, Kymijoen, Kokemäenjoen, Kemijoen ja Tornionjoen valuma-alueet. Näistä suurimmat sekä pinta-alaltaan että keskivirtaamaltaan ovat Vuoksen ja Kemijoen valuma-alueet. Vuoksen valuma-alue on 68 500 km², mikä on viidennes koko Suomen pinta-alasta (tosin se sijoittuu osin Venäjän puolelle). Kemijoen valuma-alue taas sijaitsee lähes kokonaan Suomessa ja on 51 100 km², eli 15 % Suomen pinta-alasta. Niiden keskivirtaamat ovat kuitenkin lähestulkoon samat, Vuoksen keskivirtaama on 550 m³/s ja Kemijoen 540 m³/s. Jos vertaillaan valuma-alueiden keskiylivirtaamia, eli ylimpien mitattujen arvojen keskiarvoja, Kemijoki on kuitenkin ylitse muiden, sillä sen keskiylivirtaama on jopa 3000 m³/s. Suurin kokonaan Suomen puolella oleva valuma-alue on Kymijoen valuma-alue (37 000 km²). Se sijaitsee pääosin Päijänteen ympärillä, ja sen etelärajasta voidaan havaita selkeästi Salpausselän muodostama raja, jonka läpi se murtautui maankohoamisen seurauksena noin 6000 vuotta sitten.

 

Varsinainen tehtävä oli tehdä teemakartta, jossa tulvaindeksiä kuvataan koropleettikarttana ja valuma-alueiden järvisyyttä prosentteina pylväsdiagrammina. Laskimme MapInfolla valuma-alueiden tulvaindeksin (keskiylivirtaama jaettuna keskialivirtaamalla). Tulvaindeksin histogrammin perusteella jaoin aineiston viiteen luokkaan käyttämällä kvantiililuokitusta, eli jokaiseen luokkaan tuli suunnilleen yhtä monta havaintoa. Haasteena oli päättää oikeat värivalinnat, sillä mielestäni kumpaankin teemaan parhaiten sopii sininen väri. Valitsin lopulta tulvaindeksi-koropleettikarttaan sinisen värisävypaletin, ja pylväsdiagrammeihin tummansinisen värin. Lisäsin vielä pylväsiin valkoiset reunukset, jotta ne erottuisivat taustasta mahdollisimman hyvin. Olen jo oppinut käyttämään MapInfoa paljon paremmin kuin kurssin alussa, mutta vieläkin pitää yrittää totuttautua siihen, että esimerkiksi kumoa-toiminto (undo) toimii vain yhden siirron verran taaksepäin. Olen myös huomannut, ettei koropleettikartan väripaletteja pysty enää valinnan jälkeen vaihtamaan (paitsi muuttamalla yhtä väriä kerrallaan). Tehtyäni teemakartan olisin vielä halunnut muuttaa pylväiden sijaintia, mutta en löytänyt, mistä niitä voisi siirtää. MapInfo ilmeisesti laskee automaattisesti jokaisen alueen geometrisen keskipisteen ja sijoittaa pylväät siihen kohtaan, jolloin ne joissakin tapauksissa menevät alueen rajojen yli. Kaikesta huolimatta sain lopulta kartan valmiiksi (Kuva 2).

Valuma-alueet1

Kartalta voidaan havaita, että tulvaindeksi on suurinta Pohjanmaalla, missä on monia pienempiä valuma-alueita vierekkäin. Järvi-Suomen suuret valuma-alueet erottuvat taas kartalta vaaleina, ja niissä tulvariski on pientä. Kemijoen, Tornionjoen ja Tenojoen valuma-alueiden tulvaindeksi on toiseksi pienimmässä luokassa. Jos vertaillaan järvisyyttä ja tulvaindeksi, voidaan huomata, että tulvaindeksi on pienintä niillä valuma-alueilla, missä on paljon järviä. Muun muassa Vuoksen ja Kymijoen valuma-alueilla järviä on lähes 20 %. Ilmeisesti järvisyys rajoittaa tulvien esiintymistä. Kuten Niklas blogissaan kirjoittaa: ”…järvet sitovat hyvin vettä ja vähentävät veden virtaamista. Tulvaindeksin suuruus rannikkoseudulla on myös selitettävissä peltojen suurella määrällä ja soiden ja metsien vähäisellä määrällä, koska suot ja metsät sitovat vettä paremin kuin pellot on myös veden virtaaminen ja valuma vähäisempää alueella jossa on paljon metsää, soita ja järviä.” (Aalto-Setälä, N. 2014).

 

Lähteet:

Aalto-Setälä, N. (2014). Kerta 3. Tietokannat tutuiksi! <https://blogs.helsinki.fi/niklasaa/>.

 

Artikkeli 1

Toisen kurssikerran tehtävänä oli lisäksi lukea Anna Leonowiczin kirjoittama artikkeli ”Two-variable choropleth maps as a useful tool for visualization of geographical relationship” (Leonowicz, A. 2006), ja pohtia sen herättämiä ajatuksia. Artikkeli käsittelee sitä, miten kaksi koropleettikarttaa voidaan esittää samalla kartalla. En ollut aikaisemmin nähnyt tällaisia kahden teeman koropleettikarttoja, joten oli inspiroivaa nähdä koropleettikarttoja uudesta näkökulmasta.

Kaksiteemaiset koropleettikartat toimivat siten, että kaksi eriväristä koropleettikartta laitetaan yksinkertaisesti päällekkäin. Anna Leonowiczin artikkelin havainnekuvassa (Kuva 1) on kaksi punaisen ja sinisen eri sävyillä tehtyä koropleettikarttaa, joissa kummassakin on kolme luokkaa. Molemmat kartat kuvaavat Masovian aluetta Puolassa. Sininen koropleettikartta kuvaa maaseutuväestön suhteellista osuutta alueella, ja punainen kartta kuvaa alle 18-vuotiaiden osuutta alueen väestössä. Pienin luokka on molemmissa kartoissa väriltään valkoinen, keskimmäinen luokka on vaaleansininen (tai vastaavasti vaaleanpunainen) ja suurin luokka sininen, ja vastaavasti toisessa punainen. Kun molemmat kartat asetetaan päällekkäin, syntyy uusi kartta, jossa näkyvät molempien karttojen värien yhdistelmät. Näin kartassa onkin kolmen luokan sijaan yhdeksän luokkaa. Ne alueet, joissa on vähän maaseutuväestöä, sekä vähän alle 18-vuotiaita, ovat kaksiteemaisessa kartassa valkoisia, kun taas alueet, joissa maaseutuväestöä on paljon, ja joissa alle 18-vuotiasta väestöä on runsaasti, ovat kartalla violetteja, eli punaisen ja sinisen yhdistelmiä.

Masovia_kuva

Kuva 1. Leonowiczin artikkelin kaksiteemainen koropleettikartta.

 

Olennainen osa Leonowiczin kaksiteemaisia karttoja on myös niiden legenda, joka poikkeaa huomattavasti minulle aikaisemmin tutuista karttojen legendoista. Laura Hintsanen osasi tiivistää legendan idean itseäni paremmin, joten lainaan hänen blogiaan: ”Kaksiteemaisen koropleettikartan legendassa käytetyt värit tai rasterit esitetään neliönmuotoisena laatikkona, joka on pilkottu yleensä neljään tai yhdeksään pienempään laatikkoon (Leonowicz 2006, kuva 4). Laatikon voi kuvitella koordinaatistoksi, jonka x-akseli kuvaa toista teemaa ja y-akseli toista ja keskellä kulkee lineaarinen regressiokäyrä. Käyrä on nouseva, jos teemojen välillä on positiivinen korrelaatio (kun a lisääntyy, niin b lisääntyy) ja laskeva, jos korrelaatio on negatiivinen (kun a lisääntyy, niin b vähenee).”(Hintsanen, L. 2014).

Kaksiteemaiset koropleettikartat asettavat kartantekijälle huomattavasti suurempia haasteita kuin yksiteemaiset ”tavalliset” koropleettikartat. Niitä tehdessä on kiinnitettävä erityistä huomiota värien valintoihin, sekä luokkien määriin. Kuten Leonowicz artikkelissaan toteaa, kaksiteemaisten karttojen maine niiden vaikeaselkoisuudesta johtuu pääosin Yhdysvaltain väestönlaskentaviraston 1970-luvulla laatimista epäonnistuneista kaksiteemaisista kartoista. Näissä kartoissa luokkien määrä oli 4 x 4, eli 16, jotka oli hankala erottaa toisistaan. Lisäksi molemmissa muuttujissa käytettiin yhden värin eri sävyjen sijaan kahta väriä (toisessa punaista ja keltaista, sekä toisessa sinistä ja keltaista), mikä vaikeutti kartan lukemista entisestään.

Mielestäni kaksiteemaisten karttojen lukeminen vaatii enemmän totuttelua, kuin tavalliset yhden teeman kartat. Niistä kuitenkin selviää joitakin asioita paremmin kuin tavallisista kartoista, esimerkiksi esitettävien ilmiöiden riippuvuussuhde. Kaksiteemaiset kartat ovat myös haasteellisia kartantekijälle, ja ainoastaan käyttämällä oikeanlaista graafista esitystapaa ja rajoittamalla luokkien määrää, tällaiset kartat voivat olla tehokkaita.

 

Lähteet:

Hintsanen, L. (2014). Artikkeli 1: Pohdintaa kaksiteemaisesta koropleettikartasta. <https://blogs.helsinki.fi/lhintsan/>. Luettu 23.2.2014

Leonowicz, A. (2006). Two-variable choropleth maps as a useful tool for visualization of geographical relationship. Geografija 42: 1, 33-37. <http://vddb.library.lt/fedora/get/LT-eLABa-0001:J.04~2006~ISSN_1392-1096.V_42.N_1.PG_33-37/DS.002.1.01.ARTIC>

 

Kurssikerta 2: MapInfon muut teemakartat ja kahden päällekkäisen teeman käyttö

Toisella kurssikerralla pääsimme kokeilemaan, millaisia teemakarttoja MapInfolla voi tehdä koropleettikarttojen lisäksi. Teimme muun muassa pylväsdiagrammikarttoja, ympyrädiagrammikarttoja, graduated-teemakarttoja, pistekarttoja, grid-karttoja sekä 3D-karttoja. Liitän tähän blogimerkintään tekemäni graduated-teemakartan, jossa Pirkanmaan kuntien väkiluku on kuvattu ihmisen symbolilla, jonka koko kasvaa arvojen ollessa suurempia. Kartan pohjana on koropleettikartta kuntien väestöntiheydestä.

Pirkanmaa_väestö_graduated

Graduated-teemakartta Pirkanmaan kuntien väkiluvusta sekä väestöntiheydestä.

 

Varsinainen blogitehtävä joka meille annettiin, oli tehdä teemakartta, jossa on kaksi teemaa päällekkäin. Käytössämme oli kattava Tilastokeskuksen kuntakohtainen aineisto, johon kuului muun muassa väestöön, muuttoliikkeisiin, avioliittoihin, kieliryhmiin, koulutukseen ja työpaikkoihin liittyvää tilastotietoa. Mietin aika pitkään erilaisia vaihtoehtoja, mutta lopulta päädyin tekemään kartan Pirkanmaan kunnista, jossa yhdistyvät korkea-asteen tutkinnon suorittaneiden osuudet sekä asukkaiden valtioveronalaiset tulot, sillä halusin nähdä, onko niillä keskinäistä korrelaatiota.

Luettuani Anna Leonowiczin artikkelin ”Two-variable choropleth maps as a useful tool for visualization of geographical relationship” (Leonowicz, A. 2006), innostuin itsekin kokeilemaan millaista on yhdistää kaksi koropleettikarttaa päällekkäin. Valitettavasti MapInfo ei  tarjoa kovin kattavia mahdollisuuksia kahden päällekkäisen koropleettikartan tekoon. MapInfolla voi kuitenkin tehdä päällekkäiset koropleettikartat siten, että toinen tasoista on rasterimuotoinen ja läpinäkyvä, ja sen alla oleva taso on värillinen. Päädyin tekemään kartat siten, että alla oleva värillinen taso kuvaa valtionveronalaisia tuloja, ja sen päällä oleva läpinäkyvä rasterimuotoinen taso korkea-asteen tutkinnon suorittaneiden osuuksia. Aluksi tein valtioveronalaisten tulojen koropleettikartan punaisen värin eri sävyillä, mutta se oli mielestäni liian hyökkäävän tuntuinen väri, joten päädyin vihreään, joka on mielestäni sopivan neutraali väri kuvaamaan tuloja.

Valitsin kumpaankin tasoon kolme luokkaa, sillä näin ollen yhteenlaskettuja luokkia tuli yhdeksän kun lasketaan kaikkien luokkien yhdistelmät yhteen (3 x 3). Kuten Anna Leonowiczkin artikkelissaan toteaa, kartat joissa on enemmän kuin yhdeksän luokkaa ovat liian monimutkaisia lukijoille. Luokittelin aineiston käyttämällä tasamääräistä luokitusta, eli jokaisessa luokassa on yhtä monta kuntaa. Lisäksi pyöristin valtioveronalaisten tulojen luokkarajat kymmenen euron tarkkuudella, jotta kartan luettavuus paranisi, mutta tällöin ylimpään tuloluokkaan tuli kuusi kuntaa ja alimpaan yhdeksän.

Alkuhypoteesini oli, että kunnissa, joissa suuri osa on suorittanut korkea-asteen tutkinnon, myös tulot ovat suuret. Tehtyäni kartan, huomasin, että tulot ja koulutus korreloivat itse asiassa voimakkaammin, kuin olisin uskonut. Kaikki kunnat, jotka kuuluvat ylimpään tuloluokkaan, ovat myös ylimmässä luokassa vertailtaessa korkeakoulutuksen suhteellista osuutta. Ilmiö toimii myös päinvastoin, eli niissä kunnissa jotka kuuluvat pienimpään kolmannekseen vertailtaessa korkea-asteen tutkinnon osuutta, myös tulotaso kuuluu pienimpään kolmannekseen.  Ainoastaan neljässä kunnassa (Mänttä-Vilppula, Ikaalinen, Orivesi ja Vesilahti) tulojen ja korkea-asteen tutkinnon suorittaneiden osuudet eivät korreloi voimakkaasti, ja sekin johtuu luultavasti siitä, että kuntia ei ole kaikissa luokissa sama määrä. Kartassa korkeimmat tulot sekä korkein osuus korkea-asteen tutkinnon suorittaneissa sijoittuvat maakuntakeskuksen, eli Tampereen seudulle. Tämän havaitsi myös Pyry Poutanen blogissaan tutkiessaan Keski-Suomen korkeakoulutettujen sijoittumista näin: ”Korkeakoulutettujen alueellinen jakautuminen oli odotetunlaista: Jyväskylä ja sen ympäryskunnat vetävät muita alueita selkeästi paremmin korkeakoulutettuja.”

Korkea-asteen tutkinnon suorittaneiden osuus sekä valtioveronalaiset tulot2

Lähteet:

Leonowicz, A. (2006). Two-variable choropleth maps as a useful tool for visualization of geographical relationship. Geografija 42: 1, 33-37. <http://vddb.library.lt/fedora/get/LT-eLABa-0001:J.04~2006~ISSN_1392-1096.V_42.N_1.PG_33-37/DS.002.1.01.ARTIC>

Poutanen, P. (2014). Kurssikerta 2 – teemakarttojen syvissä vesissä. https://blogs.helsinki.fi/pyrypout/. Luettu 23.2.2014.

 

 

Kurssikerta 1

Ensimmäisellä kurssikerralla opettelimme MapInfo:n käyttöä ja kertasimme ensimmäisen periodin TAK-kurssin asioita. MapInfo on mielestäni ainakin alkuun aika kömpelö ohjelma, mutta toivottavasti käyttö alkaa sujua paremmin kurssin edetessä. Ensimmäinen tuntimme oli sikäli erikoinen, että opettajamme oli kuumeessa ja joutui lähtemään jo ensimmäisen tunnin jälkeen lääkäriin, joten saimme puuhastella loput kolme tuntia itsenäisesti, mutta onneksi kurssikavereilta saattoi kysyä neuvoa tiukan paikan tullen.

Teimme luennon aikana erilaisia teemakarttoja Helsingin kaupunginosista. Käytössämme oli tietokanta, johon oli talletettu erilaisia tilastoja kaupunginosittain, mm. asukasluku, ulkomaan kansalaisten määrä, kouluikäisten määrä jne. Kotitehtävänä oli laatia vapaavalintaisesta aiheesta koropleettikartta. Pohdin monia eri vaihtoehtoja, mutta lopulta päädyin tekemään kartan Helsingin kaupunginosien asukastiheyksistä. Olen itse kotoisin Tampereelta (joskin asuin viimeiset kolme vuotta Sveitsissä), ja asunut Helsingissä vasta puoli vuotta, joten en tunne Helsingin eri alueita vielä kovinkaan hyvin. Siten oli mielenkiintoista havaita, minne päin kaupunkia väestö on sijoittunut.

Ennen aineiston luokittelua kopioin MapInfo:sta kaupunginosien asukastiheyslukuarvot, ja siirsin ne internetissä sijaitsevalle sivustolle (Shodor.org 2014), joka automaattisesti laatii annetun datan pohjalta histogrammin. Histogrammi näyttää tältä:

Capture

Kuva 1. Histogrammi Helsingin kaupunginosien asukastiheyksistä

Histogrammia tulkitsemalla voidaan havaita, että jakauma on vino. Aineiston alkupäässä havaintoja on runsaasti, mutta havaintojen määrä pienenee lähestyttäessä 8000 as/km2. Viisi tiheiten asuttua kaupunginosaa sijoittuvat melko suurelle skaalalle hajanaisesti 10 000 ja 31 000 as/km2 välille.

Koska halusin saada etenkin kaikkein tiheimmin asutut kaupunginosat kartalla näkyviin, päätin luokitella aineiston käyttämällä luonnollisia luokkavälejä. Tein tämän silläkin ehdolla, että kaikkein pienimpään luokkaan tulisi väistämättä paljon havaintoja. Lisäksi pyöristin saadut luokat lähimpään luvun 1000 kerrannaiseen, jotta kartasta saisi selkeämmän kuvan.

Helsingin asukastiheydet


Kuva 2. Helsingin kaupunginosien asukastiheydet

Kartan perusteella voidaan havaita, että Helsingin kaupunginosien asukastiheyden vaihtelu on suurta, vaihdellen asumattomista kaupunginosista kaupunginosiin, joiden asukastiheys on yli 30 000 as/km2. Jatta Lahtinen kirjoitti blogissaan osuvasti, että “suurin asukastiheys on sijoittunut lähelle suurimpia liikenneväyliä. Esimerkiksi Helsingin niemestä pohjoiseen kulkeva tiheän asutuksen rintama haarautuu kahdeksi erilliseksi haaraksi.” (Lahtinen J. 2014)

Suurinta asukastiheys on Kallion alueella sekä Kampin ja Punavuoren kaupunginosissa. Kalliossa sijaitseva Torkkelinmäki on Helsingin tiheiten asuttu alue, sen asukastiheys on 30 156 as/km2. Toiseksi ylimpään luokkaan, eli 5000-11000 as/km2, sijoittuu suurin osa kantakaupungin kaupunginosista, mutta myös monet kaupunginosat kehäteiden varrella, kuten Kannelmäki, Pohjois- ja Etelä-Haaga, Maunula, Ylä-Malmi, Pihlajamäki, Kontula ja Keski-Vuosaari.

Pienintä asukastiheys on saaristossa ja rannikolla, sekä Helsingin itäisimmässä osassa, eli alueessa, joka liitettiin Sipoosta Helsinkiin vuonna 2009. Myös Helsingin keskuspuiston alue erottuu kartalta harvaan asuttuna alueena, sekä Kluuvin alue ydinkeskustassa, jossa sijaitsee lähinnä kauppoja, liikenneinfrastruktuuria ja toimistoja.

 

 

 

 

 

Lähteet:

Lahtinen, J. (2014). Kurssikerta 1. https://blogs.helsinki.fi/jattalah/. 3.2.2014

Shodor.org (2014). Interactivate: Histogram. http://www.shodor.org/interactivate/activities/Histogram/. 2.2.2014