Uusiutuvaa energiaa, koulutusta ja kaiken oppinut minä!

Ennen viimeistä kurssikertaa tehtävänämme oli etsiä vapaasti dataa, jota haluaisimme kartalla esittää. No, dataahan on ihan liikaa. Annetuista lähteistä löytyi jo paljon tietoa, joten keskityin etsimään sieltä jotain kiinnostavaa, alueeksi valitsin Euroopan kun satumme nyt täällä Suomessakin siihen kuulumaan.

Uusiutuva energia on ollut viime aikoina paljon puheenaiheena, joten päätin tutkia jotain siihen liittyvää. Tietoa uusiutuvan energian muodoista ja käytöstä löytyikin hyvin kattavasti. Ajattelin, että uusiutuvan energian käytön mahdollistamiseksi varmastikkin valtion koulutustaso pitäisi olla kohtuullisen korkea, jotta resursseja taloudellisesti ja osaajien suhteen löytyisi tarpeeksi. Yhdistin siis koulutuksen ja uusiutuvan energian käytön prosentuaalisesti valtioittain, jotta voisin tarkastella onko muuttujien välillä havaittavissa jotain korrelaatiota.

Kartalla itseäni ehkä hämmästytti lähinnä Saksan tilanne. Tilastojen mukaan Saksassa, sekä uusiutuvan energian, että korkeakoulutettujen suhteellinen määrä on melko pieni. Perehdyttyäni asiaan (Wikipediaan köh) löysin kuitenkin tätä tukevia tilastoja lisääkin (kuva 1). Joten tulkitsen, että Saksan villitys uusiutuvaa energiaa kohtaan on uusi trendi, jota se on mediassa tuonut paljon ja mielellään esille.  Tämän vuoksi päässäni oli käsitys uusiutuvan energian suurestakin osasta Saksan energian kulutuksessa.

Ger energy consumption

Kuva 1. Uusiutuvan energian prosentuaalinen osuus energian kulutuksesta Saksassa

Kolmannen asteen koulutuksen saaneiden aikuisten osuus on Saksassa myös verrattain pieni (vuonna 2011, 31%). Kartalla (kuva 2) esitetyn tilaston kohderyhmässä tarkastellaan 30-34-vuotiaiden koulutustasoa, tämän ikäiset olisivat korkeakouluista valmistuneita, työikäisiä. En tiedä asiasta tarpeeksi analysoidakseni asiaa enempää, mutta yksi mahdollinen selitys voisi olla Saksaan työn perässä tulleiden maahanmuuttajien suuri määrä. Näillä maahanmuutajilla ei välttämättä ole kolmannen asteen koulutusta ja ehkä suuri osa tästä ryhmästä kuuluu myös tarkasteltavaan ikäluokkaan.

Kuva 2. Kolmannen asteen koulutus ja uusiutuvan energian käyttö (2011)

Kuva 2. Kolmannen asteen koulutus ja uusiutuvan energian käyttö (2011)

 

Viimeinen blogipostaus tältä erää ainakin oli siis nyt tässä! Kurssi oli erittäin antoisa ja tunnen oppineeni paljon. Välillä MapInfo tuotti tuskan kuumotusta, välillä asiat sujuivat ihan sattumalta yllätäin helposti ja välillä voi sanoa jopa tunteneensa onnistumisia. Tilastotietojen tarkastelu karttojen muodossa oli mielenkiintoista, aiheet ovat mielestäni antaneet paljon mietittävää monenkin asian kantilta. Yhdyn samaan mielipiteeseen myös Sonja Pietiläisen kanssa, että “Muiden blogien lukeminen on tuonut myös arvokkaita uusia näkökulmia omiin ajatuksiin”.

Mielestäni on ollut erittäin kivaa muuttaa ja yhdistellä ainakin itsestäni melko tylsähköä numeerista tilastojen sekamelskaa kartografisiksi esityksiksi. Luulen, että ainakin hyvin tehdyiltä kartoilta informaatio välittyy helpommin ymmärrettävästi ja laajemman lukijakunnan saavuttaen. Otsikkoon viitaten pitää ehkä myöntää, että ehkä ihan kaiken oppinut en vielä olekkaan, sillä HotLink ja HTML-toiminnon opettelu jäi vähän vaiheeseen, kun onnistuin epähuomiossa saamaan linkin vain avaamaan oman kansion työpöydältä. Mutta melkein kuitenkin.

Hyvillä mielin eteenpäin!

 

 

Lähteet:

Mapping America: Every City, Every Block

Tutustuimme rapakon takana toimivaan Every City, Every Block- palveluun, jonka tehtävänä on esittää erilaisia väestöä koskevia muutujia koko Yhdysvaltojen laajuudelta. Teemakartoissa on aluerajoina piirikunnat ja kutakin teemaa koskeva paikkatieto on sidottu erilaisiin koropleettiteemakarttoihin ja pisteteemakarttoihin. Tarkastelussa ovat mm. koulutus, tulot, asuminen ja etnisyys.

Heti ensimmäisenä palvelun avatessaan eteen lävähtää hyvin värikäs kartta New Yorkin etnisistä ryhmistä ja niiden alueellisesta jakautumisesta kaupungissa. Kartta näyttää sinäänsä kivalta ja värikkäältä, mutta ehkä osin kulttuurieroista Suomen ja Yhdysvaltojen välillä johtuen kyseinen erottelu hieman tarkemmassa tarkastelussa hämmästyttää. Suomessahan usein erotellaan väestöä lähinnä kielen perusteella, tai jaolla kantaväestöön ja ulkomaan kansalaisiin. Toisaalta alueelliset erot ovat Jenkeissä etnisten ryhmien välillä niin merkittäviä, ainakin New Yorkia tarkastellessa, että varmasti alueelliset erot ovat siellä kaikkien tiedossa joka tapauksessa, joten en tiedä muuttaako tämän tiedon julkinen esille pano alueellista segregaatiota tai asenteita mitenkään.

Yksityisyydensuojelun ongelmat tulevat myös palvelua tarkastellessa mieleen, ja Daria Tarkhova toteaakin yksityisyydensuojeluun liittyen blogissaan, että Tilastokeskuksesta on saatavilla jonkun verran aineistoa, mutta niinkuin paikkatiedon kursseillamme on useampaan otteeseen mainittu, tarkan paikkatiedon saatavuutta yleiseen käyttöön on [Suomessa] rajoitettu yksityisyydensuojelun vuoksi.” Every City- palvelussahan tiedot ovat tosin vain arvioita, joten periaatteessa yksityisyys ainakin siinä mielessä säilyy.

Palvelu on kuitenkin erittäin helppo käyttöinen ja näkisin tällaiset sovellukset yleisesti ottaen hyvänä suuntana paikkatiedon hyödyntämisessä ja erityisesti informaation viestinnässä asukkaille. Nykyään kaikista ihan tavallisiakin ihmisiä koskevista asioista on niin paljon tietoa, mutta se on usein liian vaikeasti löydettävissä tai vaikea selkoista, ettei asiaan perehtymätön siihen ikinä törmää.

Tutustuin tarkemmin korkeastikoulutetun väestön alueellisesta jakautumisesta New Yorkissa ja Los Angeleissa. Kartoista näkee heti näppärästi että esimerkiksi valitsemieni kaupunkien välillä on selvästi eroja. New Yorkissa vähintään maisterin paperit hankkineita ihmisiä asuu paljon aivan keskustassa Manhattanilla, kun Los Angelesissa taas korkeastikoulutetut asuvat väljemmillä seuduilla keskustan ulkopuolella. Tälläiset kaupunkeja koskevat erot ovat eritäin mielenkiintoisia ja kertovat paljon sekä kaupungin rakenteesta, että sen asukkaiden elämästä. Tietoa voivat hyödyntää niin asukkaat, kuin myös viranomaiset.

NY-education- masters or higher

Kuva 1. New York – Population masters or higher  (Every City, Every Block 2009)

Los Angeles-education-higher than masters

Kuva 2. Los Angeles – Population masters or higher (Every City, Every Block 2009)

 

SWOT-analyysi: Every City, Every Block- palvelusta

Strengths – Vahvuudet

  • muuttujien alueellista jakautumista pystyy tarkastelemaan hyvin läheltä, jopa katutasosta, jolloin mahdollistuu pienalueidenkin erojen vertailu.
  • myös USAn laajuinen tarkastelu mahdollista yleistävällä tasolla.
  • helppo käyttöinen, selkeä
  • julkinen ja yleiseen käyttöön asukkaille soveltuva
  • paljon mielenkiintoista tavallistakin ihmistä kiinnostavaa tietoa

 

Weaknesses – Heikkoudet

  • taustatietoja tilastotiedoista ei juuri ole saatavilla, joten paikkaansapitävyyttä on vaikea arvioida
  • ei ohjeita sovelluksen käyttöön tai lukuun
  • mainitaan tietojen perustuvan näytteisiin, mutta tätä ei tarkenneta mitenkään
  • sovelluksella ei kykene tarkastelemaan useita muuttujia päällekkäin
  • hyvin yleistävä – ei sovellu ammattimaiseen käyttöön
  • ei mahdollisuutta saada tietoja tilastoina omaan käyttöön

 

Opportunities – Mahdollisuudet

  • esitykset ovat visuaalisesti onnistuneina ja helposti lähestyttävinä hyvin ymmärrettäviä lukijalle
  • aineiston käyttö mahdollista esimerkiksi opetustarkoituksissa
  • viranomaiset voivat pohtia alueellisen eriytymistä kunkin muuttujan kohdalta ja etsiä syy-seuraus suhteita
  • tarjoaa mahdollisuuksi lisätutkimuksille aiheisiin liittyen, myös mahdollisuus vertailuun ja trendien tarkasteluun vuosien kuluessa

 

Threats

  • aineisto alkaa jo olla osin vanhentunutta ja tulee vanhenemaan vuosien saatossa lisää (kysely toteutettu 2005-2009)
  • mahdollisesti voi lisätä alueiden välistä segregaatiota, jos ihmiset haluavat sitä tähän tarkoitukseen käyttää
  • arviot voivat pahentaa ennakkokäsityksiä ja lisätä virheellistä tietoa
  •  toteutuuko yksityisyydensuoja?

 

 

Lähteet:

Kurssikerta VI: Kenttätöitä, maanjäristyksiä ja tulivuoria

Tällä kertaa pääsimmekin ulkoilemaan gps-laitteen kanssa (kuva1!), tarkoituksenamme kerätä ennalta valituista aiheista pistemuotoista paikkatietodataa. Kartoitimme ryhmäni kanssa mainosten sijaintia Kumpulan ja Arabian alueilla. Aiheestamme johtuen dataa ei ollut vaikea löytää ja retkemme oli erittäin onnistunut. Palattuamme luokkaan siirsimme tiedot exceliin ja sitten MapInfoon. MapInfon create points-toiminnon avulla siirsimme koordinaattipisteet kartalle, joka oli liitetty oikeaan koordinaatistoon.

2014-02-18-08.49.34

Kuva 1. Kenttäilyä ja paikkatietodataa gps:n kanssa (Helle Joose)

Harjoittelun jälkeen tehtävänämme oli tuottaa karttoja joiden teemana ovat hasardit ja pohtia erilaisten esitysten toimivuutta opettajan apuna tuntiopetuksessa.

Tein ensin kartan vähintään 8 magnitudin maanjäristyksistä koko maapallolla ajanjaksolla 1950-2013 (kuva 2). Päätin esittää eri aikaväleillä tapahtuneet maanjäristykset eri väreillä, toisaalta erottavaksi tekijäksi olisi voinut valita myös magnitudi-voimakkuuden, mutta koska kaikki olivat jo erittäin voimakkaita järistyksiä, aika tuntui järkevämmältä. Näin kartasta voi halutessaan esittää esimerkiksi vain edellisvuosina tapahtuneiden järistysten sijainnin.

Tähän soveltuu erittäin hyvin pisteiden vieminen Google Earth-palveluun (kuva 3), jolloin yksittäisiä järistyksiä pääsee erittäin kätevästi tarkastelemaan läheltä. Pisteiden viminen tosin ei ohjeiden kertaamisesta huolimatta meinannut onnistua, mutta selvisi että ongelma oli vain ohjeiden lukijassa ja pienen opastuksen jälkeen siirto kävikin näppärästi.

Pistesijainnin lisäksi aluetta voi katsella satelliitti näkymästä, jolloin myös esimerkiksi katastrofi alueen maastoa ja väestön sijoittumista voi havainnoida. Google Earth mahdollistaa myös informaation näkymisen, jolloin kustakin sijainnista saa helposti näkyville magnitudit ja myös tapahtuma-ajankohdan. Tämä toiminto on mielestäni erittäin hyödyllinen opetusta ajatellen, maapallon pyörittely ja informaation etsiminen mahdollistaa myös oppilaiden interaktiivisen työskentelyn, jos heillä on mahdollisuus itse käyttää ohjelmaa.

Maanjäristykset_50_80_10_8Mag

Kuva 2. Maanjäristykset maailmalla 1950-2013, vähintään 8 Magnitudia

Earth_maanjäristykset_info

Kuva 3. Maanjäristyspisteet siirrettynä MapInfosta Google Earth-kartalle.

Mietin karttaa tehdessäni, että jotenkin maanjäristyksen kuvaaminen pelkällä pisteella tuntuu tavallaan väärältä, koska vaikutus voi usein yltää laajallekin alueelle. Tähän aineistoon MapInfolla nyt en parempaakaan vaihtoehtoa keksinyt. Yksi vaihtoehto voisi olla järistyspisteestä levittyvä ympyrä, jolloin ympyrän laajuus voitaisiin laittaa kuvaamaan järistyksen vahvuutta tai vaikutusalueen suuruutta. Se ei kuitenkaan välttämättä onnistuisi ihan helposti, sillä huomioon pitäisi ottaa karttaprojektion vääristävä vaikutus niin valtioiden pinta-aloihin, kuin myös ruutumuotoisen datan esitykseen.

Asiaa pohtii myös Joose Helle blogitekstissään todeten, että “Työläämpi, mutta ehdottomasti tyylikkäin tapa olisi ollut laskea jonkinlainen ruutukohtainen maanjäristysindeksiluku, joka ottaisi huomioon sekä maanjäristysten määrän, että voimakkuuden. Luku kuvastaisi siis maanjäristysten todellista “järistysvaikutusta” kyseisellä alueella.”

Otin esimerkiksi tähän yhden vaihtoehtoisen esitysmuodon Maptd:istä, jossa maanjäristys aktiivisuutta kuvataan värillä (kuva 3), mielestäni tämäkin on toimiva vaihtoehto. Kartassa tosin ei ole mitään legendaa joten värin vaihteluasteikosta ei pysty sanomaan mitään. Tähän karttaan on lisäksi merkitty ydinvoimaloiden sijainti.

Maanjäristykset_ydinvoimalat

Kuva 3. Kuva maanjäristyksistä ja ydinvoimaloiden sijainnista vertailua varten (Maptd.com)

Seuraavaksi tein kartan toisesta hasardista, eli tulivuorenpurkauksista. Tulivuorenpurkauksia esittävää karttaa (kuva 4.) ja maanjäristyksiä esittävää karttaa ei oikeastaan voi sinäänsä vertailla keskenään, koska tulivuorikartassa näkyy kaikki purkaukset vuoden 1964 jälkeen, kun taas maanjäristyskartalla on esitettynä vain yli 8 magnitudin järistykset vuoden 1950 jälkeen.

Kun kartat esittää yhdessä saattaa lukijalle siis tulla käsitys, että tulivuorenpurkaukset ovat paljon yleisempiä kuin maanjäristykset. Tämän olisi voinut välttää jos olisin tutustunut molempiin aineistoihin etukäteen paremmin. Tällöin olisin voinut valita ensinnäkin ajanjakson, joka olisi ollut mahdollista eritellä molemmista muuttujista, sekä miettiä maanjäristysten magnitudi arvoksi ehkä jonkin muun. Nyt maanjäristyskartan ideana oli esittää vain kaikista voimakkaimmat järistykset.

Tuliovuorenpurkaukset_1964jälkeen

Kuva 4. Tulivuorenpurkaukset vuoden 1964 jälkeen

Peruskartat toimivat hyvin opetuksessa demonstrointina litosfäärilaattojen reunoista ja näiden alueiden hasardialttiudesta.

Karttojen tekeminen oli kohtuu helppoa tällä kertaa ja oli mielenkiintoista käyttää ulkoisia lähteitä datan keräämisessä, jolloin homma tuntui realistisemmalta, kuin valmiita kurssikansion tilastoja käytettäessä. Tässä tehtävässä en tosin saanut omia huvin vuoksi netistä hakemiani pohjakarttoja toimimaan aineiston kanssa, jostain syystä yhdistäminen ei onnistunut ja lyhyen tappelun jälkeen tyydin käyttämään valmista kurssimateriaaleista löytyvää karttaa.

 

Lähteet:

Kurssikerta V: Bufferointia, uima-altaita ja pohdintaa ymmärryksen tasosta

Viidennellä kurssikerralla pääsimme itsenäisesti taistelemaan MapInfon kanssa erinäisiä harjoituksia tehden. Aluksi tutustuimme bufferointiin eli suomennettuna puskurointiin, joka osoittautuikin kohtuullisen helppokäyttöiseksi ja erittäin hyödylliseksi toiminnoksi.

Kuten Pyry Poutanen toteaa blogissaan Puskuroinnille voi keksiä lähes loputtomasti käyttötapoja”. Puskurointia voitaisiin käyttää kaupunkisuunnittelussa pelastusasemien/sairaaloiden/palveluiden sijoittelussa, katastrofien/saasteiden/melun vaikutusta mitattaessa ja esimerkiksi kaupallisiin tarkoituksiin, selvittämään kauppapaikan vaikutusalueella asuvien ihmisten määrää, mainostuksen kattavuutta yms. Bufferointia voidaan siis hyödyntää saavutettavuusanalyyseissä, eli alueellisen ilmiön tutkimisessa kun ilmiön vaikutusalue tiedetään ja halutaan selvittää vaikutusalueella olevan jonkin muuttujan esim ihmisten tai rakennusten määrä.

Linkin takana vastaukset tekemiini tehtäviin: Itsenäistehtävät bufferointiin liittyen

Tehtävien lopuksi loin vielä kartan uima-altaiden määrästä pääkaupunki seudulla. Tässä oli tarkoituksena oppia yhdistelemään dataa kartalle alueellisesti esitettäväksi. Pylväsdiagrammin sijaan käytin koropleettikarttaa, koska lähekkäin sijaitsevat pylväät kuvaavat mielestäni ilmiötä huonommin. Muutamat uima-allas määriltään rikkaimmille alueille on myös numeroin merkattu uima-altaiden tarkka määrä.

Uima-altaat_koropleetti3

Kuva 1. Uima-altaiden määrä pääkaupunkiseudulla

 

MapInfo alkaa tuntua harjoitusten myötä helpommalta käyttää ja ohjelman ymmärrys on ehdottomasti lisääntynyt. Tällä hetkellä koen MapInfon keskeisimmiksi työkaluiksi teemakarttojen luomisen, tietokantojen muokkauksen, sekä puskuroinnin. Ohjelmalla on suhteellisen helppo luoda selkeitä ja yksinkertaisia teemakarttoja, helppous riippuu tosin paljolti datan muodosta. Tietokantoja on suhteellisen helppo muokata, rajata tai laskea uusia tilastoja, mutta vieläkin aikaa kuluu siihen, että pohtii millä työkalulla mikäkin toiminto olisi kätevintä tehdä.

Teemakartat ovat visuaalisesti aika yksinkertaisia, mutta varmasti niillä voi haluamansa informaation välittää. Tässä suhteessa Corelin tapaiset piirto-ohjelmat ovat varmasti vahvemmilla, ohjelmien käyttöön yhdessä en ole liiemmin tutustunut, mutta sekin voisi tuoda lisää monipuolisuutta karttoihin.

Itselläni on ainakin vielä harjoiteltavaa aineistojen tuomisessa ja yhdistelyssä, sillä en saanut netistä hakemiani pohjakarttoja jostain syystä toimimaan aineiston kanssa ja hetken tappelun jälkeen tyydyin käyttämään valmista kurssimateriaalia. Ohjelma on myös kaatuillut aika ahkerasti viimeisimpien tehtävien kohdalla, mikä ei varsinaisesti ole lisännyt kiinnostusta sen käyttöön.

Lopputulokseen vaikuttaa kuitenkin mielestäni suuresti myös käyttäjän ymmärrys sekä ohjelmaa, että tutkittavaa ilmiötä kohtaan, jotta osaa valita oikeat analysointitavat ja luoda informaatioltaan paikkaansapitäviä ja selkeitä esityksiä.

 

Lähteet:

Kurssikerta IV: Ruudut riviin

Neljännellä kurssikerralla tutustuimme ruututeemakarttojen laadintaan ja esitystapaan. Lisäsimme pääkaupunkiseudunkartan päälle gridin, jonka ruutujen mukaan aineisto jakautui kuvaamaan ilmiön voimakkuutta.

Teimme ensin harjoituksen opiskelijoiden määrästä pääkaupunkiseudulla, jonka jälkeen valitsimme oman aiheen ruututeemakarttaa varten. Päätin tutkia pääkaupunkiseudun sukupuolijakaumaa asuinpaikan mukaan. Ruututeemakartassa (kuva 1) on esitettynä tällä kertaa miesten prosentuaalinen osuus asukasmäärästä. Jokainen ruutu kuvaa 500m² aluetta.

Ruututeemakartta ei ole mielestäni visuaalisesti kovin kummoisen näköinen, tähän voisi ehkä jossain määrin vaikuttaa ruutukoon ja väriskaalan paremmalla valinnalla. Tiia Määttä pohtii myös blogissaan ruutukoon merkitystä, “Lisäksi pienemmät ruudut ovat visuaalisesti kauniimman näköisiä kuin esimerkiksi 1000 x 1000- ruudut, koska pienemmät ruudut sulautuvat paremmin yhteen ja muodostavat liukuvamman väripinnan kuin suuret.”.

Vaikka ruututeemakartalla voisi käyttää myös absoluuttisia arvoja, kuvaamaani ilmiötä ajatellen prosentuaaliset osuudet antavat kartalle enemmän informaatioarvoa. Ruututeemakartta toimii mielestäni tilanteissa joissa halutaan esittää jokin asia melko yksityiskohtaisesti, jolloin voidaan valita pieni ruutukoko. Koropleettikartassa pienet ruutujen väliset erot taas sulautuisivat yhdeksi keskiarvoa kuvaavaksi alueeksi. Lisäksi ruututeemakartassa ei tarvitse seurailla mitään aluejakoa, kuten kunta- tai kaupunginosarajoja, vaan arvot perustuvat jokaisen valitun kokoisen ruudun maantieteelliseen sijaintiin.

Miesten osuus_koropleetti

Kuva 1. Miesten osuus asukasmäärästä

Kartalta nähdään, että suurimmilta osin sukupuolijakauma on melko tasainen, miehiksi itsensä ilmoittaa 40-50% asukasmäärästä. Eräät keskittymät, kuten Otaniemi, eroittuvat kartalta miesvaltaisempana. Trendi kartalla vaikuttaisi kuitenkin olevan se, että pääkaupunkiseudun rajoja lähestyttäessä miesten prosentuaalinen osuus kasvaa. Toisaalta ulkorajoja lähestyttäessä yleensäkin asukasmäärä laskee huomattavasti, jolloin luvut eivät enää kerro täysin kattavasti tilanteesta, ja ulkorajoilla onkin myös huomattavissa enemmän ruutuja joissa naisia on selvä 60-80 % enemmistö.

Lähteet:

Kurssikerta III: Tietokantojen yhdistely ja pylväsdiagrammien sekamelska

Kolmannella kurssikerralla pyrimme oppimaan tietokantojen käyttöä MapInfossa. Siistimme, yhdistelimme ja muokkasimme tietokantoja sopimaa paremmin tarkoitusperiämme varten. Yhdistettyämme tietokannat Afrikan maiden nimien perusteella, loimme teemakartan timanttikaivosten, konfliktipaikkojen ja öljylähteiden sijainnista (kuva 1).

Vastaavien tietokantojen avulla voisi yhdistella erilaisia muuttujia ja tutkia niiden välisiä korrelaatiosuhteita. Esimerkiksi luonnonvarjoen, kuten timanttikaivosten ja öljykenttien hödyntämisen vaikutusta yhteisön hyvinvointiin voisi tarkastella konfliktien muodossa. Kaivausten aloitusvuoden ja tuottavuuden vaihteluja voisi ajallisesti verrata kofliktien ajankohtiin.

Myös internetin käyttäjämäärien vaihtelua voisi verrata konfliktien ilmenemiseen ja pohtia lisääkö internetinkäyttö mahdollisesti yhteisön tietämystä omista oikeuksistaan ja aiheuttaa vastustusta hallitsevaa ryhmää vastaan, vai olisiko internetin yleisyys nimenomaan merkki rauhoittuneesta ja avoimemmasta politiikasta, jolloin konfiktit voidaan hoitaa ennen puhkeamista.

Afrikka konfliktit_kaivokset_öljylähteet

Kuva 1. Afrikka, konfliktit ja niiden laajuus, timanttikaivokset ja öljylähteet. (PAK Tiedotusblogi, 2014)

Harjoiteltuamme tietokantojen yhdistelyä, loimme oman koropleettiteemakartan Suomen päävaluma-alueiden tulvaindeksistä, johon lisäsimme pylväsdiagrammit kuvaamaan järvisyysprosenttia.

Kartan laatimisessa haastavinta oli saada pylväsdiagrammit näyttämään edes vähän järkeviltä ja ennen kaikkea tulkittavilta pienillä valuma-alueilla (kuva 2.). Pylväät olivat rannikkoalueilla lähes päällekkäin, jolloin tulkinta on kohtuu mahdotonta. Pyrin siksi vähän siirtelemään alueiden keskipisteitä, jolloin pylväät raahautuivat mukana hieman järkevämpiin paikkoihin. Homma onnistuikin yllättäen kohtuu helposti, vaikka olin aiemmin siinä luulossa että MapInfossa alueiden keskipisteet pitäisi raahata ensin haluamilleen paikoille ja vasta sen jälkeen laatia diagrammit. Joka tapauksessa tämä koropleettikartan ja pylväsdiagrammin yhdistelmä ei mielestäni ole kauhean helposti tai ainakaan tarkasti tulkittavissa, mutta antaa toki yleiskuvan tekijöistä ja mahdollistaa näin korrelaatiosuhteiden havainnoinnin.

Lisäsin lopuksi vielä Suomen valtion maarajat kartalle, sillä minua häiristsi niiden puuttuminen, koska valuma-alueet eivät tietenkään maarajoja noudattele.

Kuva 2. Tulvaindeksi ja järvisyysprosentti Suomen päävaluma-alueilla

Kartalta on tulkittavissa, että alueilla joilla järvisyysprosentti on suuri, on huomattavasti vähemmän tulvia, kuin rannikon pienijärvisillä alueilla. Kuten Jenni Kerola toteaa blogissaan, “Näillä alueilla [Pohjanmaa ja Etelä-Suomen rannikkoalue] ei ole järviä, jonne tulva-aikoina ylimääräinen vesi varastoituisi ja näin estäisi tulvia.”.

 

Lähteet:

Kurssikerta II: Artikkeli 1, reaktiopaperi: Koropleettikartat

Artikkelissa ”Two-variable choropleth maps as a useful tool for visualization of geographical relationship” (Geografija –lehti 2006) Anna Leonowicz käsittelee kaksi koropleettikarttaa päällekkäin yhdistävää karttaesitystä ja sen tulkintaan liittyvää tutkimusta.

Kahden muuttujan koropleettikartan tarkoituksena on esittää samalla kartalla kahden muuttujan maantieteellistä jakaumaa niin, että ilmiöiden suuruutta ja muuttujien suhteita olisi mahdollista tarkastella samalla kartalla.

Artikkelissa Lenowicz kertoo, kuinka kahden muuttujan kartat ajatellaan usein vaikeaselkoisiksi ja niiden käyttöä jossain määrin vältellään. Kuitenkin tapauksissa, joissa muuttujien välisiä suhteita halutaan tarkastella, yksinkertaisemmat yhden muuttujan kartat eivät välttämättä ole riittäviä. Lenowicz uskookin, että mikäli kahden muuttujan kartat suunnitellaan graafisilta ominaisuuksiltaan hyvin ja luokkien määrää vähennetään, karttojen luettavuus paranee.

Artikkelia lukiessani selitykset regressiokäyristä, jäännöksistä ja muuttujien suhteista vaikuttivat kummilta, mutta legendan ja kartat nähtyäni myös tekstiosuus selkeni. Esitetyissä teemakartoissa on hieman tavallisesta poiketen laitettu kaksi täysin eriväristä teemakarttaa päällekkäin, joilloin värien sekoitukset kortovat vahvasta suhteesta. Usein taas kartalla merkittävyys esitetään vahvalla värillä ja skaala kulkee tummasta, puhtaammasta sävystä vaaleaan, kun taas tässä kaksi vahvinta väriä ovat itseasiassa kauimpana korrelaatiosta ja kuvaavat jäännösarvoja.

Mielestäni artikkelissa esitetyistä kartoista yhtä muuttujaa kuvaavat kartat ovat selkeämmin luettavissa mikäli haluaakin tarkastella vain toista näistä muuttujista. Jos kuitenkin haluaa nimenomaan tarkastella kahden muuttujan suhdetta, on nämä yhdistävä kartta parempi. Kun kaksi eri teemaa esitetään vierekkäisillä kartoilla, niiden vuorovaikutussuhteen selvittämiseksi yritän joka tapauksessa siirtää ne päässäni päällekkäin nähdäkseni miten kukin muuttuja vaikuttaa jollain tietyllä alueella.

Kahden muuttujan karttaesitystä ymmärtääkseen on lukijan ymmärrettävä siirtää huomio heti legendaan, jottei saa täysin väärää kuvaa värien merkityksestä. Jonkinlaista kartanlukutaitoa siis tarvitaan, mutta mielestäni kyseinen esitys, jossa on vain kolme luokkaa kutakin muuttujaa kohden, on varsin selkeä. Havaintopisteiden näkyminen legendassa (kuva 1.) oli hyvä lisäinformaationlähde, en ole tällaisessa yhteydessä siihen aiemmin törmännyt. Kärsimätön lukija tietysti saattaa hämääntyä kartalla vaihtuvista värien määristä, eikä edes lue legendaa, jolloin informaatio jää harmillisesti täysin välittymättä.

Havaintopisteet_legenda

Kuva 1. Legenda ja havaintopisteet

Kattojen suunnitteluohjelmat rajoittavat esitystapaa joissain määrin, mutta toisaalta antavat mahdollisuuden asian kohtuullisen nopeaan kartografiseen esittämiseen. Ohjelma varmastikin ohjaa toteutusprosessia, mutta taitavalla käyttäjällä on varmasti paljon mahdollisuuksia kiertää ja keksiä luovia ratkaisuja ohjelman rajoittavuuden lyömiseksi.

Edellisessä postauksessa esittelemääni karttaan en ehkä käyttäisi kahden värin sekoitusta, koska kartan alueet ovat aika pieniä ja mielestäni se on nyt selkeämpi. Toisaalta näiden kahden esitysmuodon paremmuusjärjestys tulisi varmasti  esille vasta vierekkäin vertaillessa ja kuten Aleksi Rautio toteaa analyysissään, “Olisi mielenkiintoista kokeilla tämänlaisen kartan tekoa MapInfo:lla, koska henkilökohtaisesti koen väri/viiva-yhdistelmät kömpelöiksi.“, mielipide riippuu henkilöstä.

 

Lähteet:

Kurssikerta II: 1+1=1, Kaksi teemaa yhteen

Toisella kurssikerralla kävimme läpi kahden päällekkäisen teeman käyttöä teemakartoissa, sekä yhdistämällä erityyppisiä teemoja kuten pylväsdiagrammeja ja koropleetteja, että päällekkäisten koropleettikarttojen avulla. Teimme harjoitukset MapInfolla pylväsdiagrammi-, ympyrädiagrammi-, graduated-, piste-, individual- ja grid-kartasta. Grid-kartan pohjalta loimme myös 3D-kartan. Tarkoituksena oli oppia uusia aineiston esittämistapoja, tutustua ohjelman ominaisuuksiin paremmin ja perehtyä myös luokkarajojen määrittämiseen käsin.

Kurssikerran tehtävänä oli laatia teemakartta, jossa esitetään kahta teemaa päällekkäin. Ideana olisi käyttää teemoja joiden väliltä voisi löytää korrelaatiota. Päädyin valitsemaan karttatyypikseni kahden päällekkäisten koropleettiteemojen kartan. Tutkin kartalla veronalaisten tulojen ja tietoon tulleiden rikosten määrän mahdollista korrelaatiota Keski-Suomessa. Valitsin mainitut aineistot, koska rikoksien määrän vaihtelu alueellisesti on mielestäni kiinnostavaa, ja vaikka rikosten kanssa yleisesti ottaen paremmin korreloisikin työttömyysaste, halusin tällä kertaa tutkia jotain muuta suhdetta.

Luokittelutavan löytämiseksi määritin veronalaisille tuloille ja tietoon tulleille rikoksille histogrammit (kuva 1 ja 2). Rikokset oli tilastoissa esitetty kappalemäärinä, joten suhteutin määrät ensin kunkin alueen väestöön saadakseni aineistosta enemmän irti. Kuten histogramista voidaan todeta, molemmissa aineistoissa jakauma on epämääräinen. Veronalaisten tulojen luokittelutavaksi määritin kvantiilit (Equal Count), jolloin jokaisessa luokassa on lähes yhtä suuri määrän havaintoja. Tietoon tulleiden rikosten määrän luokitteluun taas valitsin luonnolliset luokkavälit, koska tilastoarvoissa oli nähtävissä suurien ja pienien arvojen irtaantuminen keskimääräisistä arvoista. Valitsin kumpaakin muuttujaa esittämään kolme luokkaa. Mielestäni aineistojen pohjalta arvioituna esitykseen tarvitaan kolme luokkaa, jotta alueiden väliset erot saadaan esille. Enkä kuitenkaan halunnut enempää kuin kolme luokkaa, välttääkseni lopputoloksessa enemmän kuin yhdeksän mahdollisen yhdistelmän aiheuttamaa sekamelskaa.

veronalaiset tulot

Kuva 1. Histogrammi, veronalaiset tulot (Tilastokeskus 2009)

Histogram_tietoon tulleet rikokset per 1000as

Kuva 2. Histogrammi, tietoon tulleet rikokset per 1000 asukasta (Tilastokeskus 2010).

Päällekkäisten koropleettiteemakarttojen esityksessä värien ja symbolien määrittäminen on kartan luettavuuden kannalta eriarvoisen tärkeää. Kahden teeman esittäminen samalla kartalla saattaa helposti tehdä esityksen eritäin sotkuiseksi, jolloin esitetty informaatio ei välity lukijalle. Pyrin valinnoillani siihen, että molemmat esitetyt teemat olisi mahdollista hahmottaa erikseen, sekä  mahdollisen korrelaation tarkastelemiseksi myös yhdessä.

Tulojen kuvaamiseen valitsin väriskaalaksi vihertävän, joka kuvaa mielestäni rahaa, ja päälle tulevan rikosten määrää kuvaavan teeman tyyliksi valikoitui läpinäkyvä rasteriteema. Rasteriteemojen ongelmaksi osoittautui mielestäni se, että tummimmat rasterit vaikeuttivat alla olevan teeman värisävyn tulkintaa, väri vaikuttaa sävyltään tummemmalta sen päällä olevien mustien viivojen tai pisteiden vuoksi.

Tulot ja rikokset per 1000as_koropleetti

Kuva 3. Koropleettiteemakartta, tietoon tulleet rikokset 1000 asukasta kohden ja veronalaiset tulot. (2009/2010)

Kartalta (kuva 3) on tulkittavissa, että suuri tuloisimmat (valtionveronalaiset tulot esitetty euroa/tulonsaaja) ovat keskittyneet Jyväskylän kunnan läheisyyteen. Varsinkin hyvien kulkuyhteyksien varrelle Jyväskylästä luonaaseen Tampereen moottoritien suuntaan, sekä pohjoiseen Oulun suuntaan. Kartan perusteella ei voi väittää tuloilla ja rikosten määrällä olevan selkeää korrelaatiosuhdetta, joillain alueilla (Jyväskylä, Äänekoski) sekä tulot että rikosten määrä ovat korkealla, toisaalta Kyyjärvellä tulot ovat alhaiset, mutta rikosten määrä asukasmäärään suhteutettuna suurta. Keskimäärin eniten rikoksia kuitenkin esiintyy alueilla joilla asuu parempi tuloisia, näillä alueilla on tietysti enemmän varastettavaakin kuin esimerkiksi maaseudulla.

Suurempi korrelaatio löytyisi varmasti tälläkin alueella mikäli verrattavina olisi esimerkiksi työttömyysaste ja rikosten määrä, kuten aiemmin mainitsinkin. Kyseiseen aiheeseen liittyen Natalia Erfving esittää blogissaan työttömyyden ja rikoksien määrän korrelaatiota ja toteaa, että “suurimmat rikollisuusmäärät löytyvätkin alueilta, joissa työttömyysaste oli myös korkeampi.”.

Opin tämän kurssikerran tehtäviä tehdessäni käyttämään MapInfoa huomattavasti sujuvammin, ohjelman pienet epäloogisuudet jotka aiemmin aiheuttivat harmia olivat nyt tuttuja ja niiden kiertäminen onnistui helposti. Aihetta valitessani kokeilin monenlaisia vaihtoehtoja aineiston sisällä, sekä esitystyyleissä. Aineiston ollessa kohtuu suppea en kuitenkaan löytänyt muutakaan kiintoisaa tarkasteltavaa, missä voisi edes jotenkin väittää mahdollisesti löytävänsä jotain korrelaatiota. Yritin kyllä saada avioeroja ja avioliittoja ja rikoksia korreloimaan vaikka minkä kanssa mutta ei.. Aineiston kanssa häslääminen oli kuitenkin hyödyllistä, karttojen luominen tuli nopeammaksi ja opin kiinnittämään huomiota erinäisiin piirteisiin kartoissa ja esitystavoissa ja löytämään näin sopivampia esitystapoja kahden eri ilmiön kuvaamiseen päällekkäin.

Lisäksi koitin myös monenlaisia luokkajakoja ja säädin luokkavälejä, oli mielenkiintoista huomata kuinka tässä aineistossa luokkavälien pienikin muutos käsin saattoi muuttaa teemakartan ulkonäköä erittäin paljon. Tämä huomio vahvisti sitä kuinka tärkeää esitystavan valinta on lukijan kannalta ja kuinka riippuvainen esitys voi tekijän omasta intressistä. Tilastollista informaatiota on helppo esittää, joko vahingossa tai tahallaan, myös niin, että lukija saa siitä täysin todellisuudesta poikkeavan käsityksen.

Mielestäni karttani on kohtuu onnistunut ja selkeä, rasteriteemassa tosin olisi loogisempaa jos olisin kuvannut kaikki luokat diagonaaliviivoilla, yhden pisteluokan sijaan. Mutta mielestäni valmiissa valittavissa viivakategorioissa ei ollut sopivaa vaihtoehtoa. En halunnut tehdä ylimmästä luokasta vahvempaa/tummempaa ja pistekuviointi ei jostain syystä sovi silmääni, vaan eri sävyisillä pohjilla pisteiden tiheys ja koko sekottuvat keskenään.

Ilmiön pohdinnan laajentamiseksi suurempi alue olisi voinut tuoda lisää vertailukohteita. Nyt alueella on vain yksi suurempi kaupunki ja sen lähialueet, kiinnostavaa olisi saattanut olla valita alue jossa olisi monta kaupunkia ja niiden lähialueet, tällöin alueiden vertailussa olisi voinut mahdollisesti ilmetä samankaltaisuuksia.

 

Lähteet

  • Tietoon tulleiden rikosten määrä 2010. Tilastokeskus, Helsinki.
  • Veronalaiset tulot, tulonjakotilasto 2009. Tilastokeskus, Helsinki.

Kurssikerta I: MapInfon ihmeellisyydet

Paikkatiedon hankinta, analyysi ja kartografia-kurssin ensimmäisellä kurssikerralla tutustuimme MapInfo-ohjelman perusominaisuuksiin. Aiemmin syksyllä olimme jo hieman saaneet tuntumaa kyseiseen ohjelmaan, joten nyt ohjelman käyttö sujui jo hieman helpommin ja etenkin aiemmin tekemiltäni virheiltä saatoin ennakoimalla jopa välttyä.

Tehtävänämme oli luoda vapaavalintaisesta aiheesta koropleettiteemakartta. Valitsin aiheekseni muunkielisten asukkaiden prosentuaaliset osuudet Helsingissä alueittain, aineistona käytössä oli Helsingin osa-alueiden väestötiedot. Helsingin Kaupungin tilastojen mukaan kokonaisuudessaan Helsinkiläisistä 11% eli 63 475 on muunkielistä väestöä (2010/2011). Tarkasteltuani Helsingin osa-alueiden väestötiedoista saamaani tilastoja (kuva 1) huomasin, että muutamalla alueella Itä-Helsingissä asuu prosentuaalisesti selvästi enemmän muunkielisiä verrattuna muihin alueisiin. Siirtämällä tilaston histogrammityökaluun pystyin tarkastelemaan aineiston jakaumaa histogrmmina (kuva 2).

Kuva 1. Tilasto muunkielisten osuuksista alueittain (vain osa)

Kuva 2. Histogrammi muunkielisten osuuksista alueittain

Koska tutkimani prosentuaalisten osuuksien jakauma on epämääräinen, valitsin luokittelutavaksi luonnolliset luokkavälit. Ensin tein koropleettikartan neljäluokkaisella jaolla, mutta lopulta lisäsin vielä viidennen luokan, johon otin mukaan vain kaikista suurimmat tulokset. Tällä tavoin korostin suuria ääriarvoja, mikä tässä tapauksessa mielestäni tuo paremmin esille kiintoisimman informaation aineistosta, eli sen millä alueilla muunkielisten  prosentuaalinen osuus on huomattavan suuri ja missä taas huomattavan pieni.

Luokkavälejä muokkasin lopuksi niin että välit olisi helpompi lukijan ymmärtää, kun luvut ovat kokonaislukuja ja tässä tapauksessa viidellä jaollisia. Lisäsin mittakaavan, pohjoisnuolen ja hieman nimistöä kartalle, jotta alueiden sijainti olisi helpommin havannoitavissa. Tämäkään ei MapInfolla kuitenkaan ihan kivuttomasti onnistunut, sillä jostain syystä ohjelma suostui nimeämään Helsingin sisäisiä alueita vain kunnan nimellä, joten jotain kysymysmerkkejä jäi tästäkin toiminnosta.

Kuva 3. Koropleettiteemakartta muunkielisten osuuksista Helsingissä alueittain.

Kokonaisuutena onnistuin koropleettiteemakartan (kuva 3.) toteutuksessa mielestäni ihan hyvin. Tosin kuten Meri Korhonen blogissaan hienosti huomauttaa karttani ledendasta “hänen karttansa legenda kertoo kartan kuvaavan muiden kuin suomenkielisten osuutta eli muunkielisten lisäksi Millan aineistoon sisältyy mahdollisesti myös ruotsinkielisten osuus.”, ja tämähän ei tietenkään ollut tarkoitukseni, vaan legendassa otsikko on tosiaan väärin muotoiltu ja sitä tehdessäni olen ruotsalaiset täysin unohtanut.

Muuten kartta on mielestäni selkeä ja välittää sen informaation minkä halusinkin. Lukijalle teemakartan esityksellä, luokitusvälillä ja väreillä on tietysti suuri merkitys sen suhteen millaisen mielikuvan hän kartasta saa. Kuten aiemmin totesinkin tekemäni kartta tuo ääriarvoja esille enemmän, jolloin keskiarvotuloksien vaihtelu jää vähemmälle huomiolle. Näin kartta tuo esille alueellista eriytymistä Helsingin sisällä. Se onko tämä sitten hyvä asia vai ei riippuu vähän mitä piirteitä haluaa esille tuoda.

Aleksi Rautio ja Antti Kinnunen esittävät blogeissaan ensimmäiseltä kurssikerralta kartat ulkomaalaisten kansalaisten määrästä Helsingissä alueittain. Karttoja ei voi suoraa verrata tekemääni karttaan sillä heidän kartoissaan tarkastellaan henkilömääriä, ei prosentteja, ja muunkielisyys ja ulkomaalaisuus eivät ole sama asia, mutta samankaltaisuudet ja eroavaisuudet karttojen välillä antavat mielenkiintoista lisäinformaatiota alueista.

 

Lähteet: