Kuukausi: helmikuu 2016

Viidennellä kerralla aloitettiin Pornaisten keskustasta. Edellisen kerralla viimeisenä työnä tehtiin uusiksi Pornaisten keskustan rakennukset ja tiet. Nämä tallennettiin MapInfoon kerroksiksi talot_pornainen ja tiet_pornainen. Lisäksi vielä haettiin pellot.tab tiedosto, jossa Pornaisten alueen pellot on esitetty. Tarkoitus oli edelleen opiskella tietokantojen käyttöä.

Puskuroinnin avulla voi laskea helposti esim. kuinka monta aluetta on tietyn rajan (puskurin) sisällä kohteesta. Pornaisten terveyskeskus ja koulu toimivat keskuksina, joiden ympäristöä tutkittiin puskureiden avulla. Puskuria tehtäessä tulee cosmetic layerin olla editoitavissa. Kun tämä oli tehty valittiin Pornaisten keskustan tiet ja ne bufferoitiin 100 m puskureilla. Tämän jälkeen voitiin tutkia, kuinka pitkästi tiestöä on tai kuinka monta rakennusta on 100m päässä teistä. Pornaisten terveyskeskuksen ympäristö tutkittiin 500 m säteellä ja koulu 1 km säteellä. Terveyskeskuksen ympärillä oli 181 rakennusta ja 1 km säteellä koulusta oli 409 rakennusta.

Tämän jälkeen siirryttiin itsenäistehtäviin, joita oli 3. Tehtäviä valmisteltiin lataamalla Vantaa.wor -työtila ja juna-asemat -tietokanta MapInfo-ohjelmaan. Vantaa.wor sisältää asukastietoja kuuden peruskarttalehden alueelta, pääosin Vantaan alueelta, mutta esim Malmin lentokenttä oli materiaalissa mukana.

Itsenäistehtävä 1

Ensimmäinen itsenäistehtävä sisälsi 2 osaa. Ensin tutkittiin lentokenttäalueita. Malmin lentokenttäalueelta piti muodostaa tietokanta, jossa oli esitetty nimenomaan kiitoradat. Työssä muodostettiin  2 km:n ja 1 km:n puskurialueet kiitoratojen ympärille, jotta voitiin selvittää, kuinka monta asukasta asuu näiden etäisyyksien säteellä kiitoteistä. Eli puskurit yhdistettiin Vantaa.wor työtilan tietoihin ja näiden leikkauksena saatiin tarvittavat asukastiedot.

2 km etäisyys Malmin kiitoradasta 57 183 asukasta

1 km etäisyys Malmin kiitoradasta 8519 asukasta

Helsinki-Vantaan lentoaseman kiitoradoille tehtiin vastaava tietokanta. Lisäksi ladattiin kentän ympäristöstä luotu lentomelu.tab -tietokanta, joka kertoi melurajat kentän ympärillä. Liittämällä taas Vantaan asukastietoja puskuriin ja lentomelu-tietokantaan saatiin selville, että

2 km:n säteellä kiitoradasta asuu 9299 asukasta

30 eli noin 0,3 % näistä asuu aluella, jossa melutaso ylittää 65 dB

575 asukasta asuu alueella, jossa lentomelu on vähintään 55 dB

Lisäksi tutkittiin Tikkurilan alueen asukkaiden tilannetta, jos kiitorata käännettäisiin vanhaan suuntaa. Tuloksesksi tuli 25 680 asukasta alueella, jossa melutaso olisi yli 60 dB 

Ensimmäisessä itsenäistehtävässä tuli myös tutkia alueen asemista tietoja. Puskuroimalla asemat saatiin selville, että

Kartan alueella 500 m säteellä asemista asui 80 551 asukasta

Alueella asui 478 458 asukasta, joten tämä on noin 17 % alueen asukkaista

Työikäisiä asemien lähellä asuvista oli 57 420, mikä vastaa noin 71 %:a

Itsenäistehtävä 2

Itsenäistehtävä 2 käsitteli taajamia samalla Vantaan alueella, ja tehtävää varten tuli ladata taajamat.tab-tietokanta muiden lisäksi. Tähän tietokanta tehtiin 4 uutta saraketta: asukkaat yhteensä, kouluikäiset, ulkomaan kansalaisten määrä ja ulkomaalaisten osuus väestöstä. Tämä voitiin tehdä  table structure- ja update column -komentojen avulla table-alasvetovalikosta. Tämän jälkeen piti selvittää seuraavat asiat:

                                              taajamat                                                               koko alue asukkaita                               411 945                                                                 478 458       koluikäisiä                             42 271                                                                     49 981   ulkomaan kansalaisia         27 912                                                                     31 456    ulkomaalaisten osuus            6,8 %                                                                      6,6 %

 

tehtävän alueen asukkaista asui taajamassa 411 945 eli noin 86 %

taajamien ulkopuolella asui 7710 kouluikäistä taajamien ulkopuolella eli noin 15 % kaikista kouluikäisistä

ulkomaalaisten osuus on yli 10 % 18 alueella, yli 20 % 5 alueella ja yli 30 % 4 alueella taajamista.

Itsenäistehtävä 3

Valitsin tehtävän KOULUT kolmesta vaihtoehdosta. Tähän tehtävään vaadittiin  pk_seutu.wor, Koulut.tab, koulupiirit.tab, pks_vaki.tab tietokannat. Tehtävänä oli tutkia Helsingin Yhtenäiskoulun seuraavan vuoden tarpeita. Ensin selvitettiin koulun sijainti verkkoselaimen avulla. Wikipedian mukaan ”Yhtenäiskoulu on Helsingin Käpylässä sijaitseva yhtenäiskoulu, jossa toimivat luokat ala-asteen ensimmäisestä lukioon, kaikki samassa rakennuksessa. Opettajat opettavat yli luokkarajojen. Peruskoulun rehtorina toimii Sari Sola ja lukion rehtorina Sari Tiitta. Peruskoulussa on noin 250 oppilasta ja lukiossa noin 160 opiskelijaa. Molemmat ovat Helsingin mittakaavassa suhteellisen pieniä”. Koulun osoite on Louhentie 3 , 00610 Helsinki. Oppilaat sijoitetaan periaatteessa asuinpaikan mukaan koulupiirinsä kouluun, mutta vanhemmat voivat hakea lapselle paikkaa mistä koulusta haluavat. Tehtävässä yhdisteltiin tietoja koulupiirit-tietokantaan väestö-tietokannasta

Helsingin Yhtenäiskouluun on tulossa ensi vuonna 14 (6-vuotiaat koulupiirin alueella) oppilasta.

Ensi vuonna pitää varautua 63 yläasteikäiseen oppilaaseen (13 – 15 vuotiaat)

kouluikäisiä lapsia ja nuoria on koulupiirissä 159 (asukkaita 1894) eli noin8 % asukkaista

Jos oletetaan, että prosentuaalinen osuus kouluikäisissä on sama myös muunkielisissä perheissä voidaan arvioida, että noin 9,2 muunkielistä koululaista asuu alueella, kun muunkielisten kokonaismäärä on 110. 

MapInfo-ohjelma sopii nähdäkseni hyvin nimenomaan tehtäviin, jossa tietoa pitää yhdistää monesta eri lähteestä. Toki MapInfolla voi pirtää helposti teemakarttoja ja -esityksiä, mutta Query- ja Table alasvetovalikot tarjoavat hyvät mahdollisuudet tietokantojen muokkaamiseen, yhdistelemiseen ja käsittelyyn. Lisäksi esim. puskurointityökalu on helppokäyttöinen ja tehokas. Valikkoja ja niiden eri ominaisuuksia ei millään ehdi käydä läpi riittävästi näin lyhyessä ajassa, mikä tarkoittaa, että tiedon sisäistäminen jää hieman heikoksi. Ehkä harjoitus 5 tyyppiset melko laajat itsenäistehtävät olisi ollut hyvä sisällyttää myös aiempiin tehtäviin.

Lähteet:

https://fi.wikipedia.org/wiki/Yhtenäiskoulu

Neljännellä kerralla opiskeltiin piste- ja ruutuaineistojen käyttöä. Pisteaineistot ovat kaikkein tarkimpia paikkatietoaineistoja ja niillä voidaan esittää aineistoa melkein mistä tahansa. Pisteaineisto on usein lähtöaineistona  ja tieto voi olla peräisin vaikkapa laserkeilauksesta, joka on tarkin ja ehkä tärkein pisteaineiston lähde. Pisteaineisto sopii tietysti ennen kaikkea luontaisesti pistemäisten kohteiden kuvaamiseen. Tällaisia kohteita ovat esim. rakennukset, yritykset, eläinhavainnot tai tiedot näytteenottopaikoilta.

Ruutuaineistot ovat tehokas tapa kerätä tietoa alueelta, jos aluejakoa (esim. hallinnollinen) ei alueelta ole. Monet laajat aineistot ovat ruutupohjaisia. Usein lisenssin kallis hinta muodostuu esteeksi käytölle. Ruutuaineisto on usein pisteinä tallennettuja aineistoja.

Tunneilla aloitettiin työ lataamalla MapInfo-ohjelmaan pääkaupunkiseudun pohjakartta ja sille taustakartta (OpenStreetMap). Pääkaupunkiseudun väestötietokanta (Pks_vaki.tab) ladattiin myös ohjelmaan, jotta saatiin tilastotietoja mukaan tehtävään. Grid-maker -työkalulla tehtiin pääkaupunkiseudulle oma ruudukko, ja ruudun koko voitiin itse päättää ruudukkoa luotaessa. Kun ruudukko luodaan, syntyy automaattisesti myös tietokanta, joka sisältää ruudut ja niihin liitettävät tiedot. Tätä tietokantaa muokattiin ensin lisäämällä siihen sarakkeita, ja sitten liittämällä sarakkeisiin haluttu tieto väestötietokannasta. Kun uusi ruututietokanta oli valmis, tehtiin teemakartta, jossa esitettiin 20-vuotiaitten määrä ruuduissa.

Yhteisharjoituksen jälkeen kukin teki ruutukartalle kaksi teemakarttaesitystä erilaisin ruutujaoin halutusta teemasta, ja parempi esitys tuli julkaista blogissa. Valitsin omaksi teemakseni ruotsinkielisten naisten ja ruotsinkielisten miesten välisen suhteen.  Tein kaksi karttaa, joista toisessa ruudun koko oli 250 m x 250 m ja toisessa 500 m x 500 m.  Mielestäni ensimmäinen kartta oli parempi, vaikka ruudun pieni koko aiheuttaa lukemisvaikeuksia, jos kartta on pieni kooltaan. Valittu kartta on esitetty alla kuvassa 5. Kartassa on esitetty suhde ruotsinkielisten naisten ja miesten osalta. Tulos on vielä kerrottu sadalla. Jos miehiä ja naisia on täsmälleen yhtä monta on tulos siis 100. Jos tulos on yli sata, on naisia enemmän, ja, jos tulos on alle sata, on ruotsinkielisiä miehiä ruudussa enemmän. Punertavat sävyt kartalla indikoivat naisten suurta osuutta ja siniset miesten suurta osuutta. Jos suhde on lähellä tasapainoa on väri keltainen. Kartta näyttää selkeästi erot suhteessa. Suuria ja pieniä arvoja on kartalla melko paljon, mikä johtunee siitä, että näillä alueilla on hyvin vähän ruotsinkielisiä, ja näin erot voivat muodostua suuriksi, vaikka koko pääkaupunkiseudun alueella suhde on melko tasapainoinen. Luokat olisi varmasti voinut jakaa erilailla, koska nyt äärimmäiset luokat ovat luokkia, joissa suhde on todella suuri tai pieni. Esim. tummemman punainen luokka sisältää alueet, joissa naisia on 2,6 – 9 kertaa enemmän kuin miehiä. Kuten edellä todettiin, pieni ruutukoko aiheuttaa hieman liian korostuneita tuloksia.

 

 Kuva 5. Ruotsinkielisten näisten määrä suhteessa ruotsinkielisten miesten määrään. Tulos on vielä kerrottu sadalla. Yli sadan oleva arvo (punainen väritys) kertoo naisvaltaisesta alueesta ja alle sadan (sininen väritys) miesvaltaisesta. Luku 100 kertoo yhtä suuresta naisten ja miesten määrästä.

Kolmannella kerralla pyrittiin tietokantojen käsittelyn oppimiseen ja tuli myös pystyä liittämään ulkoisen tietokannan tietoja muista ohjelmista MapInfo-ohjelmaan käytettäväksi. Tietokantojen yhdistäminen ja tiedon haku sekä uuden tiedon tuottaminen olemassa olevaan tietokantaan vanhan tiedon perusteella oli tavoitteena.

Tunneilla haettiin tietokanta Afrikka.tab MapInfon käytettäväksi kurssin yleiseltä verkkolevyltä. Tämän tietokannan avulla harjoiteltiin tietokannan muokkaamista niin, että liika informaatio tietokannasta poistettiin siten, että haluttu tieto säilyi. Seuraavaksi haettiin MapInfo-ohjelmaan excel-tiedosto Africa_population_internet.xls, jonka tiedot yhdistettiin aiemmin muokattuun Africa-tietokantaan SQL Select -toiminnolla. Sarakkeiden lisääminen taulukkoon oli myös oppitunnin aiheena. Tietokannat sisälsivät tietoja Afrikan valtioista muunmuassa konflikteista, timanttikaivoksista, öljylähteistä ja asukasmääristä.

Itsenäisenä tehtävänä 3. kerralla oli tulvaindeksikartan tekeminen. Työn tavoitteena oli vertailla Suomen vesistöalueidenvaluma-alueominaisuuksia ja tulvaherkkyyttä. Tulvaindeksi lasketaan keskiylivirtaaman (MHQ) ja keskialivirtaaman (MNQ) suhteena. Ylivirtaama tarkoittaa tulvaa ja alivirtaama puolestaan kuivaa kautta. Tämä virtaamavaihtelujen indeksi kertoo, kuinka moninkertainen on virtaaman huippu verrattuna kaikkein kuivimpaan aikaan. Tehtävässä käytettiin MapInfo-tiedostoa tulvaindeksi.wor ja siihen liittyviä tietokantoja valuma-alueet.tab ja keskiylivirtaama.tab. Myös excel-tiedostoa järvisyys.xls käytettiin tulvaindeksikartan tekoon. Tehtävässä piti yhdistellä tietokantojen dataa niin, että halutut suureet saatiin laskettua ja näytettyä kartalla. Koropleettiteemakartta tulvaindeksistä on nähtävissä alla olevassa kuvassa 3 ja lisäksi kartassa esitetään järvisyys prosentteina pylväsdiagrammiesityksenä.

Kuvan 3 kartalla on värein esitetty Suomen alueen valuma-alueiden tulvaindeksi eli herkkyys tulville. Mitä tummempi väri sitä herkemmin alueelle syntyy tulvia. Värien valinta on mielestäni onnistunut hyvin ja eri alueet on helppo erottaa toisitaan. Alueiden alta on helposti myös esrotettavissa rannikko, järvet ja joet. Luokkajako on muuten kohtuullisen onnistunut, mutta tummin ja tulvaherkin alue on tulvaindeksin suhteen todella iso 150 – 1100, kun muut luokat ovat paljon pienempiä. Näin ollen selkeästi eniten tulvista kärsivät alueet eivät ehkä selkeästi erotu kartalla. Tulvaindeksin osalta tulos on hyvinkin odotettu. Pohjanmaan alue on hyvin tulvaherkkää samoin kuin etelämmässä suurempien jokien alajuoksut ja rannikkoalueet. Järvisyysprosentti on kuvattu kuvassa vihrein pylväin. Väri erottuu pohjakartasta hyvin ja helposti luettavissa. Tulokset myös järvisyyden suhteen ovat hyvin selkeät. Suur-Saimaan ja Päijänteen vesistöalueet erottuvat järvisinä seutuina, joskin muitakin järvisiä alueita maastamme löytyy.

Kuva3. Tulvaindeksi koropleettikarttaesityksenä Suomen alueelta. Valuma-alueet ulottuvat kartalla myös Suomen rajojen ulkopuolelle. Kartalla lisäksi nähtävissä järvisyys eri valuma-alueilla prosentteina, ja pylvään korkeus kuvaa prosenttimäärää.

Konflikteja Afrikassa

Jatkotehtävänä blogissa oli miettiä, mitä muuta tunneilla tutkituista tietokannoista voisi saada irti. Pohdiskelun tueksi oli annettu allaoleva kartta Afrikasta. Kartalla on esitettynä tietokannasta saadut tiedot timanttikaivoksista, öljykentistä ja konfliktipaikoista ja -alueista.

 

Kartan antama ensimmäinen voimakas vaikutelma on se, että Afrikassa ylipäätään on hyvin vähän alueita, joita konfliktit eivät koskettaisi, vaikkakin viimeaikaisten konfliktien laajuus ei näin suuri olekaan. Afrikan siirtomaahistoria on ollut omiaan luomaan jännitteitä alueelle. Siirtomaa-aikojen hallintomallit ovat hiljalleen korvaantuneet enemmän paikallisilla hallintotavoilla, mutta esim. maanomistuskiistat ovat edelleen arkipäivää. Valtioiden rajat Afrikassa määriteltiin siirtomaa-aikana ja eurooppalaiset eivät kunnioittaneet heimorajoja rajoja vetäessään, mikä on jättänyt monille alueille etnisiä ja kulttuurillisia jännitteitä.

Kartalta näkee myös, että osa konflikteista on tapahtunut alueilla, joilla on myös taloudellista merkitystä. Timanttikaivosten ja öljyesiintymien hallinnasta on tietysti kiistelty ja se ehkä osaltaan vailuttanut konflikteihin alueella. Toisaalta varsinkin Pohjois-Afrikassa olevat öljyesiintymät ovat paljolti konfliktialueiden ulkopuolella ja melko asumattomilla seuduilla.

Toisella kurssikerralla tutkittiin aineiston visualisointia. Esitystavoista käytiin läpi pylväsdiagrammikartta, ympyrädiagrammikartta, graduated-teemakartta, pistekartta, individual-kartta, grid-kartta, prismaattinen kartta 3D-kartta sekä päällekkäiset koropleettikartat. Näiden esitystapojen avulla on melko helppoa esittää enemmän asoita kartalla niin, että selkeys vielä säilyy.

Tunneilla käytiin läpi ohjatusti kaikki eri karttatyypit ja katsottiin miltä ne näyttivät. Samalla oli hyvä tehdä karttoja selkeämmiksi säätämällä värejä, pylväskokoja ym.  MapInfo-ohjelmassa.

Opiskelijoiden omana tehtävänä oli luoda kartta, jossa oli kaksi teemaa päällekkäin. Tehtävässä tuli huomioida myös väritys, luokitteluperusteiden valinta ja aineiston tarkastelu. Aineistona piti käyttää Suomen kuntia tai osaa niistä.

Omassa kartassani esitin koropleettikartalla ruotsinkielisten asukkaiden osuuden Uudenmaan kunnissa. Kartassa oli toisena teemana ruotsinkielisten miesten ja naisten osuus Uudenmaan kunnissa. Karttaan on myös lisätty pohjoisnuoli ja mittakaava. Allaolevassa kuvassa 1 on esitetty tulokset ja kuvasta näkee, että ruotsinkieliset keskittyvät Uudellamaalla sekä länsiosaan (Hanko, Raasepori, Tammisaari) että itäosaan (Pernaja, Loviisa, Ruotsinpyhtää), kun taas Keski-Uusimaalla on selvästi vähemmän ruotsinkielisiä. Pääkaupunkiseutu on muuta rannikkoa vähemmän ruotsinkielistä, koska alueelle on muutettu muualta Suomesta paljon. Miesten ja naisten osuudet ovat ruotsinkielisillä melko tasan paitsi Helsingissä ja Porvoossa, joissa ruotsinkielisiä naisia on selvästi miehiä enemmän. Kartalla värien valinta on mielestäni ihan onnsitunut. Sen sijaan luokittelu voisi olla järkevämpi tehdä niin, että ylin luokka jakautuisi kahteen luokkaan esim. 35 – 50 % ja 50 – 66 % ja alimmat luokat voisi yhdistää yhdeksi 0,8 – 4 % luokaksi.

 Kuva 1. Ruotsinkielisten asukkaiden prosenttiosuus Uudenmaan kunnissa on esitetty värein. Kuvassa myös pylväsdiagrammin avulla esitettynä ruotsinkielisten miesten ja naisten osuus kunnissa.

Artikkeli 1

Kahden muuttujan koropleettikarttaa käsittelevässä artikkelissa tuotiin voimakkaasti esille kaksi asiaa. Kahden muuttujan kartta on hyvä esitettettäessä kahta toisestaan riippuvaa asiaa samanaikaisesti, mutta toisaalta kahden muuttujan esittäminen samassa kartassa tekee kartasta väistämättä vaikeammin tulkittavan ja vaatti luokittelulta ja värien valinnalta hyvää onnistumista.

Jos luokittelussa ja värien/legendojen valinnassa onnistutaan, saadaan kartalla esille selvästi enemmän tietoa ja varsinkin muuttujien välisen riippuvuuden toteaminen ja esittäminen voi onnistua paremmin kuin yhden muuttujan koropleettikartalla. Riippuvuus toki on hyvä saada kuvattua muullakin tavalla kuin vain kartalla, koska kausaalisuutta kartta ei sinänsä voi todistaa. Artikkelin kuvaamissa kokeissa tosin osa kokeeseen osallistuneista opiskelijoista ei pitänyt kahden muuttujan karttaa hyvänä esitystapana lainkaan. Omalla kohdallani jäi artikkelissa epäselväksi keskipoikkeamaan perustuvan luokittelun idea. Mielestäni luokittelu on huono, koska pisteet hyvinkin lähellä regressiosuoraa saavat arvon, joka kuvaa pienempää riippuvuutta kuin kaukana suorasta oleva piste toisaalla.

Kahden muuttujan karttojen legendat kuvaavat kahta asiaa, joten legendojen värien tulisi muuttua järkevästi kahteen suuntaan, jotta muutos on selvästi luettavissa. Niinpä usein käytetään värikartan diagonaalin yläpuolella esim. sinetäviä sävyjä ja alapuolella punertavia sävyjä, jotta muutoksen suunta nähdään helpommin. Legendoissa voi käyttää myös kuviointeja esim. ruutukuviota, erilaisia viivoituksia jne.

Kahden muuttujan koropleettikartan käytössä tulee olla varovainen. Esitettävien asioiden tulee sopia yhteen ja värien ja luokkien valinta on tärkeää. Tällaisten teemakarttojen esittämiseen liittyy aina riski. Kartan lukija liittää helposti omia mieltymyksiään ja ennakko-odotuksiian/-luulojaan luettaviin tuloksiin. Lukijalta edellytetään jonkin verran kokemusta ja tulkintataitoa, jotta kartan lukeminen ja tulkinta onnistuu hyvin.