Viimeinen kurssikerta

 

Viimeisen kurssikerran ennakkotehtävänä oli hankkia itsenäisesti paikkatietoaineistoja, ja laatia niiden pohjalta jotain julkaistavaa. Toisin sanoen, vapaat kädet. Koska internet on pullollaan mielenkiintoista dataa, oli ennakkotehtävä varsin haastava. Ideoita syntyi monia, ja kävinkin muutaman viranomaisen sivuilla ennen lopullisen päätöksen tekemistä. Tutustuin muun muassa argentiinalaisviranomaisten keräämään dataan, mutta .shp-muotoinen tarjonta oli kohtalaisen niukkaa ainakin viranomaisten omilla sivustoilla. Laajin valikoima oli Argentiinan puolustusministeriön alaisuudessa toimivalla valtion maantieteellisellä instituutilla.

Kohtuullisen internetissä seikkailun jälkeen päädyin takaisin pohjoiselle pallonpuoliskolle Yhdysvaltain itärannikolle. Esimerkiksi New Yorkin kaupunkisuunnitteluviraston Bytes of The Big Apple-projekti tarjoaa suuren määrän avointa dataa. New Yorkin osavaltion terveysviranomaisen alaisuudessa toimiva Department of Mental Health (toim. huom. Nimi oli ennen Department of Mental Health and Mental Hygiene) ylläpitää lemmikkikoirarekisteriä. Vapaasti ladattava tietokanta sisältää noin 122 000 riviä ja 16 saraketta, mikä on omiaan pistämään QGISin julmasti polvilleen. 122 000 rekisteröityä koiraa lähes yhdeksän miljoonan asukkaan kaupungille tuntuu aluksi melko pieneltä määrältä (noin 0,01 koiraa/asukas). Esimerkiksi Helsingissä on arviolta jopa 30 000 koiraa (Helsingin Uutiset 26.8.2017). Vaikka osavaltion lain mukaan koiran rekisteröimättä jättämisestä voidaan tuomita sakkorangaistukseen, vain noin 20% koirista rekisteröidään (lähde). Tiiviillä kaupunkirakenteella ja kerrostalovaltaisuudella voidaan toki olettaa olevan vaikutusta ihmisten intoon hankkia lemmikkejä, jotka vaativat päivittäistä ulkoilutusta.

Aineistoon suhtautuminen on hankalaa, koska sitä ei voi pitää kovin edustavana otoksena kaikista New Yorkin koirista. Se voi kuitenkin antaa suuntaa: tiedetään, että New Yorkissa on yhteensä arviolta noin 425 000 koiraa. Tämä voidaan ottaa huomioon laskuissa, esimerkiksi suhteutettaessa väestöön. Koirat on rekisterissä sidottu sijaintiin usealla tavalla. Itse valitsemani postinumeroalueisiin (Zip code) perustuva aluejako osoittautui jälkikäteen hankalaksi vaihtoehdoksi, Yhdysvaltain postiviranomainen kun ei julkaise tarkkoja postinumeroalueita. Näppärä tapa olisi ollut käyttää niin sanottua Neighbourhood Tabulation Area -järjestelmää, joka on edellämainitun kapunkisuunnitteluviraston kehittämä pienaluejako. Zip-alueista löytyy kuitenkin lähes todellisuutta vastaavia shapefileja, joten vaihtaminen kesken projektin ei tuntunut järkevältä, varsinkaan kun olimme jo Artun kanssa pyöräyttäneet koko aineiston Mapinfo-ohjelman kautta järkevään muotoon. (Kiitos Arttu)

 

Ensimmäinen visualisointi

 

Ensimmäinen onnistunut visualisointi kertoo suuntaa antavan koirien määrän asukasta kohden postinumeroalueittain. Karttaan tulee suhtautua äärimmäistä kriittisyyttä noudattaen: alueelliset erot koirien rekisteröimisen yleisyydessä on muuttuja, joka vaikuttaa tietoon huomattavasti.

Näin kartta syntyi (aineiston valmistelun eli mapinfolla geokoodaamisen jälkeen):

• Yhdistin postinumeroalueet yhtenäisiksi alueiksi Dissolve-toiminnolla.
• Seuraavaksi Count points in polygon -toimintoa käyttäen selvitin postinumeroalueiden koiramäärät
• Loin uuden kentän nimeltä “laskpop”, eli laskennallinen asukasluku, jossa asukasluku on suhteutettu suurin piirtein vastaamaan koirien otosta (Kuva 2)
• Käyttämällä kaavaa “(KOIRAT/LASKPOP)*1000” sain visualisoitavaa dataa: koiria/1000 as.
• Koska kyseessä on suhdeluku, käytän Jenksin luokittelua

 

 

Painotan vielä, että tähän karttaan ei pidä luottaa sokeasti, koska sen luomiseksi on täytynyt tehdä melko rankkoja oletuksia. (!!!)

 

Alun perin minua kiinnosti ajatus siitä, mitä koirat voivat kertoa väestöstä: voisiko koirista kerätyn tiedon perusteella päätellä jotain myös niiden omistajista? Näkyykö säännöllinen lenkittäminen terveystilastoissa, tai voisiko rotujen perusteella päätellä jotain asuinalueista? Esimerkiksi noutajat ovat suosittuja lapsiperheiden keskuudessa: muodostaisivatko noutajien määrä suhteutettuna väestöön samanlaisen karttakuvion kuin lasten osuus kokonaisväestöstä?

Vastaus ensimmäiseen kysymykseen: tätä on tutkittu, ja on näyttöä siitä, että koiran omistamisella on vaikutusta niin fyysiseen (Ham & Epping, 2006) kuin psyykkiseenkin (Knight & Edwards, 2008) terveyteen. Vastaus toiseen kysymykseen: selvitetään.

Vaan eipäs selvitetäkään: kokonaisen illan etsimisen jälkeen kulttuurierot realisoituvat. Verrattuna Suomeen väestöä koskeva avoin data on rapakon takana todella heikkolaatuista. Koska alkuperäinen suunnitelma ei toteutunutkaan, päätin muuttaa selvityksen suuntaa. New Yorkin kaupunkisuunnitteluviraston ylläpitämä puisto- ja virkistysaluetietokanta(Kuva 4) on erittäin tarkka, ja vapaasti ladattavissa.

 

 

Tämän tietokannan alueella halusin selvittää, missä koirilla (ja miksei heidän omistajillaankin) on parhaat oltavat.( Yksi mielenkiintoinen vaihtoehto olisi ollut lisätä päälle toinen tietokanta paloposteista ja lyhtypylväistä, jotka varmasti ainakin koirien näkökulmasta lisäävät ympäristön viihtyisyyttä.) Oheinen kartta (Kuva 5) on toteutettu samalla idealla kuin kurssikerta 3:n valuma-aluekartta (Eveliina Sirolan valuma-aluekartta), joskin tällä kertaa visualisoitavaa muuttujaa (eli viheralueiden osuutta pinta-alasta) ei visualisoida diagrammein, vaan perinteisenä koropleettikarttana.

 

Tarkoituksenani oli laatia myös tilasto, jossa olisi visualisoituna kunkin alueen suosituin koirarotu. Tämä osoittautui kuitenkin tietokantateknisistä syistä suhteellisen haastavaksi (vaikka keksinkin, että tekstimuotoisen rotusarakkeen olisi voinut SPSS-ohjelmalla muuttaa numeeriseksi). Suurin osa tietokantaan rekisteröidystä koirista oli kuitenkin saanut arvon “Mixed/Other”, joten päätin lopuksi avata eri koirarotujen suosiota sanallisesti. New Yorkissa erityisen suosittuja ovat pienikokoiset koirarodut, kuten yorkshirenterrieri, maltankoira ja chihuahua. Tämä on ymmärrettävää: pienikokoiset koirat ovat huomattavasti yksiö- ja metroyhteensopivampia kuin esimerkiksi alaskanmalamuutit tai tanskandoggit. Toisaalta myös perinteisesti suositut koirarodut, kuten labradorinnoutajat, kultaisetnoutajat ja saksanpaimenkoirat ovat tilastossa vahvasti edustettuina. Rotukoirien kysyntä on alueella kovaa, ja pentujen hinnat nousevat helposti useisiin tuhansiin dollareihin. Tämä on murheellisella tavalla paradoksaalista, sillä kaupungin eläinsuojelujärjestelmä on ylikuormittunut, ja etenkin sekarotuisia kodittomia koiria on paljon.

 

P.S. Lähetin sähköpostia New Yorkin avoimen datan portaaliin. En ole vielä saanut vastausta, enkä täten voi kertoa portaalin periaatteista/anteliaisuudesta. Mutta jos alueen tarkastelu kiinnostaa, täältä voi pyytää käyttöönsä kaupungin viranomaisten keräämää dataa (vaatii perustelun).

 

Lähteet:

Argentiinan maantieteellinen instituutti (Instituto Geográfico Nacional): http://www.ign.gob.ar/content/datos-abiertos

Bytes of The Big Apple-projektin verkkosivut: http://www1.nyc.gov/site/planning/data-maps/open-data/bytes-archive.page?sorts[year]=0

Eveliina Sirola – Kurssikerta 3: https://blogs.helsinki.fi/evsirola/2018/01/31/kolmas-kurssikerta-afrikan-valtioita-ja-tulvaindekseja/

Ham, S. & Epping, J. (2006): Dog walking and physical activity in the United States. Preventing Chronic Disease, 2006 Apr;3(2):A47. verkkojulkaisu, 15.3.2006. https://www.ncbi.nlm.nih.gov/pubmed/16539788?report=docsum

Helsingin Uutiset (26.8.2017) https://www.helsinginuutiset.fi/artikkeli/553666-koirien-maara-kasvaa-helsingissa-jopa-asukaslukua-enemman-naissa-kaupunginosissa

Knight, S. & Edwards, V. (2008): In the Company of Wolves – The Physical, Social and Psychologial Benefits of Dog Ownership. Journal of Aging and Health. Vol. 20/4 s. 437-455  http://journals.sagepub.com/doi/abs/10.1177/0898264308315875

New York City Economic Development Corp (21.7.2017): New York City’s Dog Population (blogikirjoitus) https://www.nycedc.com/blog-entry/new-york-citys-dog-population

Kasinger, C. (2017) Meet The NYC Dog Who Stands on the Corner Offering Hugs. Rover Daily Treat, 2017.  https://www.rover.com/blog/louboutina-hugging-dog-manhattan-nyc/

 

Paikkatiedon elämänkaari

 

Kuudes kurssikerta oli jälleen uudenlainen, ja saimme tutustua paikkatiedon analysoinnin ja visualisoinnin lisäksi myös sen etsimiseen ja keräämiseen itsenäisemmin kuin aiemmilla kurssikerroilla. Käytännössä kolmen ja puolen tunnin aikana keräsimme hankimme paikkatietoa kolmella erilaisella

menetelmällä: jalkautumalla kentälle sekä fyysisesti että virtuaalisesti sekä hakemalla tietoa erilaisista tietokannoista. Kurssikerta alkoi virkistävällä jalkautumisella raikkaan helmikuiseen kampuksen lähiympäristöön. Ennakkoon puhelimiin ladatuilla Epicollect5-sovelluksilla keräsimme paikkatietoa Kumpulan kampuksen lähiympäristöstä: sijainti perustui GPS-mittaukseen (koska käytettävät laitteet olivat matkapuhelimia, on syytä olettaa, että niissä käytetään paikannukseen A-GPS -versiota.), sekä siihen yhdistettyyn kyselylomakkeeseen. Tarkoituksena oli siis sijainnin lisäksi kerätä ympäristöä kuvailevaa numeerista dataa. Sovelluksen käyttö oli helppoa, ja oli mukavaa huomata, että omien aineistojen kerääminen on parhaimmillaan yksinkertaista ja sujuvaa. Aamureippailun jälkeen siirryimme takaisin sisätiloihin, ja pääsimme tarkastelemaan keräämäämme paikkatietoa kartalla.

 

Tämän jälkeen siirryimme tutustumaan hieman erilaiseen tapaan tarkastella kaupunkiympäristöä. QGISin OpenStreetMap-laajennusta käyttämällä on mahdollista “liikkua” ohjelman katunäkymässä, ja kirjata tietoja samanaikaisesti QGISin avulla tietokantaan, esimerkiksi pistemuotoisesti. Harjoituksessa tehtävänä oli arvioida muutaman korttelin alueelta eri pisteistä avautuvan näkymän kaupallisuutta asteikolla 0-5. Valitsemani kortteli (ehdin tarkastella vain yhtä) oli Katajanokankadun, Kruunuvuorenkadun, Luotsikadun ja Kauppiaankadun väliin jäävä suurehko kortteli. Keräämisen jälkeen harjoittelimme itse keräämällämme aineistolla interpolointia (laskemaan arvoja pisteille, joista ei ole havaintoja). Tällainen kammiosta käsin tehtävä tutkimus mahdollistaa sen, että aineistoja voidaan kerätä tarkasti vaikka toiselta puolelta maailma. Toisaalta Street View-kuvat saattavat paikoin olla todella pahasti vanhentuneita, eivätkä täten sovellu ainakaan kaikkien asioiden tai ilmiöiden tarkasteluun.

 

Laattatektoniikka 101

 

Varsinaista blogitehtävää varten haimme tietoa erilaisista tietokannoista. Käytössä olevat kaksi tietokantaa tilastoivat tulivuorenpurkauksia ja maanjäristyksiä. Tehtävänä oli luoda karttasarja, jota voisi käyttää apuna opetuksessa. Pedagoginen lähestymistapa asettaa tietynlaisia rajotteita: esityksen tulee olla selkeä ja havainnollinen, eikä se saa sisältää liikaa informaatiota. Itse päädyin liikkumaan pitkälti altaan matalassa päässä, sillä oletuksenani oli, että opetus olisi suunnattu lukiolaisille tai perusopintovaiheessa oleville opiskelijoille. Korkealentoiset analyyist ovat toki vaikuttavia, mutta eivät välttämättä mahdollista suurinta pedagogista arvoa.

Ensimmäinen kartta (Kuva 1) on yksinkertainen heatmap, jossa havainnollistettavana ilmiönä ovat maanjäristykset (painotettu magnitudin mukaan). Heatmapit soveltuvat klustereiden tarkasteluun, mikä sopii teemaan hyvin: maanjäristyksiä tapahtuu toisilla alueilla selkeästi enemmän kuin muualla. Tämäntyyppisinä ne eivät kuitenkaan sovellu kovin tarkkaan analyysiin, mutta opetuksessa on tärkeää hahmottaa laajoja kokonaisuuksia ja oppia ymmärtämään niitä alueellisesti, on heatmap mielestäni toimiva ratkaisu.

 

Toinen kartta (Kuva 2) pyrkii havainnollistamaan mereisten ja mantereisten litosfäärilaattojen välisten törmäysvyöhykkeiden sijaintia, käyttäen eräänlaisena “proxyna” syviä maanjäristyksiä (engl. Deep-focus earthquake). Syviksi maanjäristyksi luokitellaan maanjäristykset, joiden hyposentrumi on yli 300 kilometrin syvyydessä (Spence, Sipkin & Choy, 1989). Niitä tavataan lähes ainoastaan törmäysvyöhykkeillä, ja ne soveltuvat näin ollen melko hyvin havainnollistamaan törmäysvyöhykkeiden sijaintia. Usein tällaiset mereinen-mantereinen törmäysvyöhykkeet ovat seismisesti hyvin aktiivista aluetta, ja maantietelijän tulee pystyä paikantamaan ne edes auttavasti. Maanjäristyksen syvyyttä esittää kartassaan myös Eemil.

 

Kolmas ja viimeinen kartta (Kuva 3) oli tämän kurssikerran visualisoinneista huomattavasti työläin. Mainittakoon heti aluksi, että tämänkään kartan pohjalta ei kannata lähteä tekemään mitään tarkkoja laskennallisia analyyseja: projektiona käyttämäni WGS84 käyttää mittayksikkönä asteita, eivätkä kartalle piirtyneet viivat siis ole keskenään vertailukelpoisia. Kartta on tehty käyttämällä Distance to nearest hub-analyysia, joka käytännössä piirtää viivan kahden vektoriobjektin välille. Tässä tapauksessa viivat on piirretty siten, että tulivuoritason pisteistä on piirretty viivat lähimpiin maanjäristystason pisteisiin. Kartan tarkoituksena on:

1. Havainnollistaa näiden kahden ilmiön alueellista yhteyttä

2. Saada opiskelija pohtimaan, miten litosfäärilaattojen keskellä sijaitsevat tulivuoret ja maanjäristykset syntyvät.

(3. Harjoitella distance to nearest hub -työkalun käyttöä)

Mielestäni tämä visualisointi sopii parhaiten toiseen kohtaan, sillä kaukana litosfäärilaattojen keskellä sijaitsevat tulivuoret on sen avulla helppo huomata viivojen muodostamien viuhkamaisten kuvioiden avulla. Seismisesti ja vulkaanisesti aktiivismmat alueet eivät tule yhtä selkeästi esille tässä visualisoinnissa.

 

Karttojen teossa käytetty aineisto ei ole täysin luotettavaa: erityisesti tulivuoriaineistoon oli jossain vaiheessa päässyt mukaan muutama virhe. Pyrin huomioimaan ja poistamaan tällaiset stiplaukset parhaan kykyni mukaan. Ohessa loppukevennyksenä esimerkki Keski-Ruotsista (Kuva 4). Oikeasti Islannissa sijaitseva, vuonna 1783 purkautunut, maailmanlaajuista tuhoa aiheuttanut ja miljoonia ihmisiä välillisesti tappanut Lakagigar oli aineistossa jostain syystä päätynyt Ruotsiin. Tämä on huomiotu kuvan 3 analyysissa.

 

 

Lähteet:

Eemil Beckerin blogi, kurssikerta 6.  https://blogs.helsinki.fi/beemil/2018/02/23/pedagogiset-katastrofit/

Spence, W., Sipkin, S. & Choy, G. (1989): Determining depth of earthquakes. Earthquakes and Volcanoes, Vol. 21 no. 1/1989.  United States Geological Survey, Washington D.C.  https://earthquake.usgs.gov/learn/topics/determining_depth.php

Wikipedia (en) – Laki: https://en.wikipedia.org/wiki/Laki

Wikipedia – A-GPS: https://fi.wikipedia.org/wiki/A-GPS

Ongelmanratkaisua paikkatietomenetelmillä

 

Tämä kurssikerta oli aiempia kertoja itsenäisempi: tehtäviä ei tehty step-by-step -tyylisesti, vaan aineiston lisäksi meille jaettiin joukko kysymyksiä, joihin oli etsittävä vastaukset erilaisin menetelmin. Tällainen ongelmanratkaisutyylinen opiskelu tuntui varsin kehittävältä ja hauskalta, kun tarvittavat taidot oli ensin hankittu. Aluksi tutustuimme kuitenkin puskureiden (engl. buffer) tekemiseen edellisellä viikolla digitoimamme aineiston avulla. Bufferoimalla pystytään luomaan tilapäisiä alueita, joiden avulla voidaan suorittaa erilaisia kyselyjä. Tämä yksinkertainen mutta tehokas taito laajensi ainakin omaa gis-osaamistani tuntuvasti.

Käytettävä aineisto koostui Vantaan (myös osia naapurikunnista) kattavasta rakennustietokannasta, taustakartasta, lentokenttien melualueista, (SYKE:n luokitukseen perustuvasta?) taajamatietokannasta ja juna-asemien sijainneista. Teimme myös itse analysointia varten buffer-alueita, joiden ominaisuudet perustuvat osittain itse digitoimaamme dataan, mistä johtuen vastaukset voivat hieman poiketa toisistaan.

Oheisessa listassa ovat vastaukseni kurssikerran kysymyksiin.

Lentokentät

 

• Malmin lentokentän melualue (2 km säteellä): 57576 asukasta
• Malmin lentokentän melualue (1 km säteellä): 8885 asukasta
• 1 km säteellä lentokentästä on 768 rakennusta, joista 710 (92,4%) on rakennettu vuoden 1936 (lentokentän valmistumisvuosi) jälkeen.
• Helsinki-Vantaan lentokentän välittömässä läheisyydessä (2 km säteellä kiitoratojen ulkoreunoista) asuu 3524 ihmistä. Heistä 31 (0,9%) asuu pahimmalla (65 dB) melualueella
• Vähintään 55 dB melualueella asuu 11913 ihmistä.
• Jos laskeutumissuuntaa muutettaisiin niin, että koneet laskeutuisivat etelästä, 60dB melualueella asuisi arviolta 12532 ihmistä.*

* Tämä perustuu oletukseen, että melualue on kiitoradan suuntainen, 7 kilometriä pitkä ja yhden kilometrin levyinen kaista.

Asemat

 

• 500 metrin säteellä juna-asemista asuu 106691 ihmistä. Heistä työikäisiä oli 73108 (68,5%).**
• Taajamissa asuu 414 337 ihmistä. (84,5% kaikista aineiston asukkaista)
• Kouluikäisiä on alueella yhteensä 43786. Heistä taajamissa asuu 36830 (84,1%).***
• Taajamien ulkopuolella asuvia kouluikäisiä on 6956 (15,9%)
• Ulkomaan kansalaisia alueen väestöstä on väestöstä
  • yli 10% 39 alueella
  • yli 20% 12 alueella
  • yli 30% 7 alueella
• SYKE:n (?) alueita on aineistossa ytheensä 334 kappaletta.

** Tämä vaati pientä soveltamista: lähtöaineiston kavennus valitsemalla karkeasti junaratoja myötäilevä alue, niin että “turhat” pisteet eivät tulleet laskutoimitukseen mukaan. onnistui. alueen kokonaisväkiluku: 490 173

*** Taajamiin liittyvissä tehtävissä on huomioitava, että tulokset eivät vastaa todellisuutta, sillä monista yrityksistä huolimatta en saanut joitain alueita mukaan analyysiin. Näistä alueista ainakin kaksi oli suuria taajamia, joilla asuu paljon ihmisiä.

 

 

Koulupiirit

 

• Yhtenäiskoulun koulupiirin alueella asuu 14 seuraavana vuonna koulutiensä aloittavaa lasta.
• Yhtenäiskoulun pitää varautua opettamaan seuraavan vuoden aikana 63 yläasteikäistä oppilasta oman koulupiirinsä alueelta.
• Kouluikäisiä on alueen asukkaista 8,4%
• Alueella asuu noin 10 muunkielistä lasta.

 

Lukiessani muiden blogikirjoituksia huomasin, että tulokset saattoivat näyttää hyvinkin erilaisilta. Esimerkiksi Matti Moisalan blogissa olevat vastaukset ovat paikoin täysin erilaisia kuin omat tulokseni. Luulen, että vaihtelua selittää lähinnä eri aineistojen käyttö: aineistossa oli kaksi erilaista rakennustietokantaa: koko pääkaupunkiseudun kattava tietokanta sekä lähinnä Vantaaseen keskittyvä rajattu versio.

 

Tässä vaiheessa kurssia voi jo todeta, että oma paikkatieto-osaaminen alkaa laajentua: se ei enää rajoitu vain ohjeiden seuraamiseen, vaan sitä pystyy jo soveltamaan yksinkertaiseen ongelmanratkaisuun. Koen omaksi vahvuudekseni paikkatietoasioissa kokonaisuuksien hahmottamisen: pystyn ymmärtämään ja hahmottamaan melko laajoja systeemejä ja ilmiöitä ja syy-seuraussuhteita. Toisaalta tämä on myös heikkous: yksityiskohtien opettelu tuntuu vaivalloiselta, ja suurten kokonaisuuksien hahmottaminen vaatii paljon työtä ja jaksamista. Monipuolinen analysointi on avartanut myös omaa suhtautumistani GISiin ja saanut minut näkemään paremmin sen, että lopputuloksen ei tarvitse olla visualisoitua dataa sisältävä karttaesitys. Geoinformatiikasta on moneksi, ja se on tehokas tapa tuottaa uutta tietoa vanhan pohjalta: puskurivyöhykkeiden luominen on tästä oivallinen esimerkki: luomalla kuvitteellisia maantieteellisiä alueita voidaan saada tarkkaa tietoa alueista, ihmisistä ja monista ilmiöistä. Tämä kiteyttää mielestäni hauskalla tavalla koko maantieteen olemuksen: sen lisäksi, että voimme tuottaa “puhtaan maantieteellistä” tietoa, voimme maantieteen ja geoinformatiikan menetelmillä tuoda alueellista näkökulmaa täysin erilaisten ilmiöiden tutkimiseen. Tällaiset eri tieteenalojen ja tutkimuskenttien rajapinnat ovat mielestäni äärimmäisen kiehtovia, ja GISin avulla niitä on mielenkiintoista etsiä ja löytää.

 

Lähteet:

Matti Moisalan blogi: https://blogs.helsinki.fi/moisalam/ (Luettu 1.3.2018)