Kurssikerta 7- Näytön paikka

Seitsemännellä ja viimeisellä PAK- kurssikerralla tehtävänämme oli tuottaa vähintään kahden muuttujan teemakartta vapaasti valitusta aiheesta, ja täysin itse alusta loppuun, tiedonhausta visualisointiin. Tavoitteena oli kumuloida kaikki edellisten kurssikertojen MapInfo- tietotaito itsenäisesti laadittuun työhön.

Oman MapInfo- tasoni ja osaamiseni hyvin tiedostaen en lähtenyt haastamaan itseäni suurilla vaikeuksilla. Minulle tietokantojen tuominen ohjelmaan sekä niiden yhdistäminen alkuperäisiin oli kurssikerralla kimurantein osuus, johon halusin keskittää työskentelyenergiani. Hyödynsin valmista paikkatietosidonnaista Natural Earth- aineistoa jo ensimmäiseltä kurssikerralta. Kurssikerran kansiosta poimin maailmankartta-aineiston, josta rajasin oman tarkastelun kohteeksi Euroopan maanosan. Valitsin Euroopan ja siihen sidotun aineiston visualisointini kohteeksi, sillä halusin tarkastella useampaa aluetta muuttujineen valtiotasolla. Tärkein kriteeri valintaan oli kuitenkin kenties ennakkotietoni aineiston keruusta- työssä hyödyntämäni Euroopan tilastodatapalvelu Eurostat oli minulle nimittäin jo ennestään tuttu, mikä teki niin tarkastelualueen kuin informaatiolähteen valinnasta ja löytämisestä varsin helppoa. Eurostat- palvelun sisällä datan määrä oli huima, ja mielekkäiden, toisiinsa liittyvien teemojen löytäminen oli edellisestä huolimatta aikaavievää.

Kurssikerran saldona toteutin kaksi karttaa, joista ensimmäisen tekemistä aloitin jo hieman aikaisemmin omalla ajallani, sillä puutteelliset soveltamistaitoni ohjelmassa ilmenevät myös varsin hitaana työskentelynä. Ensimmäisessä teemakartassa tosin kaikki on hieman pielessä, ja siitä tulikin lähinnä eräänlainen harjoituskartta. Tästä huolimatta sen toteuttamisprosessi oli seuraavaa karttaa ajatellen hyvinkin hyödyllinen kokemus, ja siksi päätinkin puutteellisista informaatio- ja esteettisyysarvoistaan huolimatta sisällyttää sen blogitekstiini. Eurostat- palvelusta poimin käsittelyyni valtionsisäistä kokonaisköyhyystasoa sekä kasvihuonepäästöjä käsittelevät tilastoaineistot, jotka muokkasin Mapinfolle sopivaan muotoon Excelissä. Valitut teemat ovat kenties hieman omituiset, sillä halusin tarkastella muuttujia, joiden välillä ei vallitse ennestään tunnettua, ilmiselvää korrelaatiota. Tämän halusin selvittää itse, mikäli se visualisoituisi kartalle. Tällaista korrelaatiota ei kuitenkaan suoranaisesti kartalla ilmene, vaikka odotin puolittain Etelä-Euroopan raskaasti ja tiheämmin asutettujen valtioiden kasvavien väestömäärien sekä niiden löyhästi organisoidun teollisuuden ja liikennepolitiikan ilmentävän jonkinlaisia yhteyksiä. Tästä osviittaa antanevat kuitenkin Itä-Euroopan akselille sijoittuvat valtiot Baltiasta Kreikkaan, joissa sekä materiaalinen puutteenalaisuus sekä päästöjen tasot ovat melko korkeita. Halusin myös kuvata absoluuttisia ja suhteellisia muuttujia samalla kartalla. Huonosti valittujen muuttujien lisäksi jotkin valtiot eivät visualisoituneet kartalla, mikä alentaa huomattavasti kartan informaatioarvoa. Vasta myöhemmin huomasin, että molemmissa rinnakkain käsittelemissäni aineistoissa valtiokohtaiset muuttujatiedot eivät paikoin vastanneet toisiaan, mikä sittemmin synnytti huomattavia informaatioaukkoja esitykseen. Kartta on siis kerrassaan tietoarvoltaan epäkelpo ja rikkonainen mutta harjoitusta yhtä kaikki.

Kuva 1. Vakava materiaalinen puutteenalaisuus kaupungistumisasteen mukaan sekä kotitalouksien ja teollisuuden tuottamat kasvihuonepäästöt Euroopassa valtioittain.
Kuva 1. Vakava materiaalinen puutteenalaisuus kaupungistumisasteen mukaan sekä kotitalouksien ja teollisuuden tuottamat kasvihuonepäästöt Euroopassa valtioittain.

Seuraavaan tuotokseeni valitsin eurooppalaista taloutta käsittelevät teemat työttömyysasteista ja BKT:n muutoksesta valtioittain. Tässä suhteessa kuvaamani muuttujat ilmentävätkin jo välillään sosioekonomis-negatiivista korrelaatiota: valtioissa, joissa BKT:n kasvu on ollut suurinta, on vastaavasti työttömyysprosentti matalin ja toisin päin. Edellisen lisäksi kartan visuaalinen yleisilme kahden rasterin esityksineen on mielestäni melko selkeä ja siisti. Afrikan ja Aasian puoleisten valtioiden rajaaminen pois kartalta selkeyttää myös mielestäni lukijan tulkintaa. Kartta osoittanee melko odotetun tilanteen Euroopan suurimpien velkavaltioiden, esimerkiksi Espanjan, Portugalin ja Kreikan heikosta talouskasvusta. Toisaalta pohjoismaista Suomi ja paljolti uutisoitu vaikea laskusuhdanteemme paistavat kartalta. Yllättäviä ristiriitoja tarjoaa puolestaan esimerkiksi Iso-Britannia-  vaikka taloudellinen kasvu on maassa melko nopeaa tämän kartan perusteella, muistuttaa edellinen esitys, että tästä huolimatta kaupungistumisasteeseen suhteutettu yleinen huonovointisuus on maassa vielä korkealla. Myös Karoliina Bergström kuvaa laatimassaan kartassa eurooppalaista hyvinvointitasoa valtioittain köyhyyden ja sosiaalisen syrjäytymisen riskien valossa. Bergströmin kartta osoittaakin sangen yhtenevästi prosentuaalisesti suurimpien riskien kohdistuvan taloudellisesti heikoimmassa asemassa oleviin valtioihin Itä- ja Etelä-Euroopassa.

Kuva 2. Kokonaistyöttömyys ja BKT:n volyymin kasvu valtioittain Euroopassa. Harmaaksi värjätyistä valtioista ei dataa saatavilla.
Kuva 2. Kokonaistyöttömyys ja BKT:n volyymin kasvu valtioittain Euroopassa. Harmaaksi värjätyistä valtioista ei dataa saatavilla.

En tuottanut siis viimeiseksi työksi suuria hienouksia, mutta painottaakseni vielä hieman hataralla pohjalla olevaa MapInfo- osaamistani, pääsin ainakin toisessa kartassani tietyllä tapaa tavoitteisiini: sain tuotettua selkeän esityksen melko lailla alusta loppuun itse, ja tämä on kaikki mikä tällä hetkellä riittää minulle. Uskon, että palaan vielä MapInfon opinahjoon, jolloin on aika viedä paikkatieto-osaamiseni seuraavalle tasolle.

 

Lähteet:

 

Air emissions accounts by industry and households (2016). Eurostat. 2.3.2016. <http://ec.europa.eu/eurostat/data/database>

Bergström, K. (2016). 7 kurssikerta. Viimeinen puristus. Bekabeka´s blog. 15.3.2016. <https://blogs.helsinki.fi/bekabeka/>

 Harmonised unemployment rate by sex (2016). Eurostat. 3.3.2016. <http://ec.europa.eu/eurostat/tgm/table.do?tab=table&language=en&pcode=teilm020&tableSelection=1&plugin=1>

 Real GDP growth rate – volume (2016). Eurostat. 3.3.2016. <http://ec.europa.eu/eurostat/tgm/table.do?tab=table&init=1&plugin=1&language=en&pcode=tec00115>

Severe material deprivation rate by degree of urbanisation (2016) Eurostat. 2.3.2016. <http://appsso.eurostat.ec.europa.eu/nui/show.do>

 

 

 

 

Tiedotusblogin tehtävä- Konflikteja Afrikassa

Huomasin, että kolmannen kurssikerran yhteydessä käsitelty blogitehtävä on jäänyt uupumaan tuotoksistani, joten tässä kirjoitan siitä tiiviisti. Afrikka- aiheisen blogitehtävän tarkoituksena oli siis pohtia kolmannella kurssikerralla hyödyntämiämme aineistojen, kuten konfliktien, öljykenttien ja timanttikaivosten, alueellista sijoittumista toisiinsa nähden Afrikan mantereella sekä mitä mahdollisia yhteyksiä muuttujien välillä voitaisiin havaita ja mitä niistä voidaan päätellä.

Kurssiaineistoja Afrikan kartalla. (A. Paarlahti).

Kolmannen kurssikerran blogitekstissäni taisinkin jo mainita lyhyesti, että tarkastelemalla muuttujia ja niiden alueellisuutta päällekkäin, karttaa tulkitsevan huomio voi ensisijaisesti hakea alueellisia yhteyksiä kartalta esimerkiksi timanttikaivosten tai öljylähteiden sijoittumisen sekä konfliktien tapahtumapaikkojen välillä. Historiassa monet aseelliset konfliktit ovat kummunneet juuri ympäristöresurssien ja luonnonvarojen epätasaisesta jakautumisesta valtioiden kesken, mikä taas on aiheuttanut kiistoja osapuolten välillä. Blogitehtävän Afrikan karttaa tutkaillessa huomio voikin kiinnittyä esimerkiksi läntisen Afrikan timanttikaivoksiin tai Pohjois-Afrikan öljynporausalueisiin sekä näiden alueiden yhteydessä esiintyviin konfliktien hot spot- alueisiin.

Pelkästään kartalla esiintyvien symbolien perusteella emme kuitenkaan voi vielä johtaa korrelaatioita. Ajallisesti voinemme myös vertailla esimerkiksi rekisteröityjen konfliktien alkamisvuosia sekä kaivosten tai öljylähteiden löytämisvuosia. Lisäksi samanaikaisesti tarkastelun kohteena voisivat olla vaikkapa timanttiesiintymien löytämisvuodet sekä kaivausten aloitusajankohta, minkä avulla tuottavimmiksi ja kustannustehokkaimmiksi katsotut hankkeet voitaisiin seuloa aineistosta. Monimuuttujaisella teemakartalla esitettynä edellisten välisten, mahdollisten korrelaatioiden tarkastelu voisi olla mielekästä. On kuitenkin syytä muistaa, että ympäristöresurssien käyttöönotosta kummunneiden konfliktien sijainti ei välttämättä ole yhtenevä kaivosten tai öljykenttien sijoittumisen suhteen. Toisaalta myös konfliktien bufferoidut maksimilaajuudet hämärtävät tietoa siitä, mistä valtiorajat ylittävä yhteenotto on tarkalleen saanut alkunsa (Pelkonen, 2016). Lisäksi internetin käyttäjämääriä voitaisiin verrata esimerkiksi alueisiin, joissa konfliktit esiintyvät runsaslukuisina. Korrelaatiot edellisten välillä voisivat olla perusteltuja, sillä ilmapiiriltään poliittisesti tulehtuneet ja jännittyneet valtiot rajoittavat usein myös kansalaistensa mediavapautta muokkaamalla enemmistön asenteita haluttuun suuntaan.

 

Lähteet:

Paarlahti, A. (2016). Konflikteja Afrikassa. 15.3. 2016. <https://blogs.helsinki.fi/pak-2016/>

Pelkonen, N. (2016). Kurssikerta 3- Konflikteja ja valuma-alueita. Nikon PAK- blogi. 15.3.2016. <https://blogs.helsinki.fi/nikopelk/>

 

Kurssikerta 6- Hasardit maailmankartalla

Kuudennen kurssikerran aloitimme pienellä ulkoiluharjoituksella, jossa keräsimme GPS- paikantimella kampusalueen lähimaastosta valitsemistamme kohteista (ryhmällämme liikennemerkit) pistetietoa, eli koordinaatit sekä korkeuden merenpinnasta. Tehtävänä oli niin kutsuttu geokoodaus, eli pistemäisen tiedon siirtäminen kartalle edellisiä muuttujia taulukoimalla ja muokkaamalla. Tehtävä toimi pohjustuksena varsinaiselle blogitehtävällemme- siirsimme tilastoitua tietoa kolmesta eri hasardista ja niiden alueellisesta sekä ajallisesta jakaantumisesta pistemäisessä muodossa maailmankartalle.

Edellisen tavoitteena oli tuottaa melko tyypillinen ”oppikirjamainen” esitys valitun hasardin globaalista esiintymisestä valituin parametrein. Tuotoksen tulikin soveltua käytännössä opetusmateriaaliksi. Itse tarkastelin insentiteetiltään kahden eri suuruisten maanjäristysten esiintymistä eri ajanjaksoina. Valitsin järistykset tarkasteluni kohteeksi sekä siksi, että luonnonilmiön voimakkuudesta riippuen esimerkiksi sen infrastruktuurille tuottama tuho lyhyestä kestostaan huolimatta on kiehtovaa, että siksi koska maanjäristyksen säännöllisyys hasardina on puhtaasti johdettavissa sen taustalla vaikuttavista maantieteellisistä syy-seuraussuhteista. Toisin on esimerkiksi meteoriittien kohdalla, joiden törmäysten synnyttämät astrobleemit ovat syntyneet sattuman tuloksena, mikä taas ei mahdollista niinkään maantieteellisten säännöllisyyksien tai korrelaatioiden tarkastelua.

Keräsin järistysten esittämiseen tarvittavan datan Northern California Earthquake Data Centerin sivuilta, joissa oli hurjasti tilastoitua tietoa kaikensuuruisista järistyksistä aina 1800- luvulta asti. Keskityin voimakkuudeltaan vain melko suuriin järityksiin, sillä ajattelin aluksi, että datan suunnattomasta määrästä johtuen (koska melko pieniä järistyksiä sattuu päivittäin) esityksestä tulisi epäinformatiivinen. Nyt jälkikäteen näin asian päinvastoin- mikäli olisin rohkeasti tarkastellut insentiteetiltään heikompia järistyksiä, olisi esimerkiksi laattatektoniikan ja seismisyyden välisen korrelaation johtaminen kartoista ollut helpompaa tehden kartoista havainnollistavampia.

Kuva 1. Vähintään 8 magnitudin järistykset vuoden 1980 jälkeen.
Kuva 2. Vähintään 8 magnitudin järistykset vuoden 1900 jälkeen. Suurimmat järistykset keskittyvät Tyynenmeren tulirenkaan ja sen saarikaarien (Japani, Aleutit, Filippiinit) alueelle. Nähtävillä esimerkiksi Sumatran Andamaanienmeren (2004) ja Japanin Sendain (2011) järistykset.
Kuva 2. Vähintään 8 magnitudin järistykset vuoden 1900 jälkeen. Suurimmat järistykset keskittyvät Tyynenmeren tulirenkaan ja sen saarikaarien (Japani, Aleutit, Filippiinit) alityöntövyöhykkeille. Nähtävillä esimerkiksi Sumatran Andamaanienmeren (2004) ja Japanin Sendain (2011) järistykset.
Kuva 3. Vähintään 7 magnitudin järistykset vuoden 1900 jälkeen. Suuret järistykset osoittavat seismisen ja muun endogeenisen aktiivisuuden olevan voimakkainta litosfäärilaattojen saumakohdissa. Järistysten alueellinen jakautuminen kartalla rajaa Tyynenmeren ja Nazca- laatan sekä osia Atlantin keskiselänteestä.
Kuva 3. Vähintään 7 magnitudin järistykset vuoden 1900 jälkeen. Suuret järistykset osoittavat seismisen ja muun endogeenisen aktiivisuuden olevan voimakkainta litosfäärilaattojen saumakohdissa. Järistysten alueellinen jakautuminen kartalla rajaa Tyynenmeren ja Etelä-Amerikan laatat sekä osia Atlantin keskiselänteestä.
Kuva 4. Litosfäärilaatat, tunnetut siirrokset, vulkaanisesti aktiiviset alueet  ja syvänmerenhaudat sekä Tyynenmeren tulirenkaan alue, jolle noin 90 % maailman seismisestä aktiivisuudesta keskittyy. Lähde: http://pedalmag.com/rof/volcanoes/
Kuva 4. Litosfäärilaatat, tunnetut siirrokset, vulkaanisesti aktiiviset alueet ja syvänmerenhaudat sekä Tyynenmeren tulirenkaan alue, jolle noin 90 % maailman seismisestä aktiivisuudesta keskittyy. Lähde: http://pedalmag.com/rof/volcanoes/

Viimeinen esitykseni (kuva 3) valottanee kuitenkin edes hieman esimerkiksi mannerlaattojen sijoittumista suhteessa toisiinsa sekä laattojen reunavyöhykkeitä (kuva 4), missä seisminen aktiivisuus on luonnollisesti voimakkainta. Vaikka esittämäni järistykset kartalla ovat voimakkuudeltaan melko suuria, on mielenkiintoista nähdä, kuinka yhtä momenttimagnitudia alhaisemmat järistykset lisääntyvät jo melko huomattavasti kartalla, sillä niiden vapauttaman energian määrä on silti huikeasti 32 kertaa pienempi kuin yhtä magnitudia suuremmissa. Visuaalinen ero 7 ja 8 magnitudin välillä on siis melkoinen, varsinkin esiintymisten aikajaksoa pidentäessä. Myös magnitudia laskiessa ja aikaväliä pidentäessä Tyynenmeren tulirengas syvänmerenhautavyöhykkeineen muuttuu selkeämmäksi. Esimerkiksi Kanerva Matveinen on saanut tulirenkaan ja muiden mannerlaattojen saumakohdat näyttävästi esille kuvatessaan kaikki yli 4,5 magnitudin järistykset maailmankartalla. Tähän olisin siis itsekin voinut pyrkiä, jotta karttani visualisoisivat tehokkaammin (opetuskäytössä) seismisyyden ja laattatektoniikan välistä kausaliteettia. Huomioimalla myös vulkanismin eli datan tulivuorenpurkauksista olisin voinut havainnollistaa vieläkin tehokkaammin laattatektonisten ilmiöiden välistä yhteyttä. Jälleen kerran siis karttani näyttäytyvät informaatioltaan melko suppeina, joskin luettavuudeltaan yksinkertaisina. Tuottamani kartat eivät siis liene täysin soveltuvia opetusvälineiksi. (Pohjoisnuolet eivät myöskään ilmeisesti kuulu näihin maailmankarttaprojektioihin asteverkon jo osoittaessa kartan orientaation.)

Lähteet:

ANSS Catalog Search. Northern California Earthquake Data Center. 25.2.2016. <http://quake.geo.berkeley.edu/anss/catalog-search.html>

Matveinen, K. (2016). Kurssikerta 6- GPS- kävely ja hasardikarttoja opetuksen tueksi. PAK- kurssiblogi 2016. 29.2.2016. <https://blogs.helsinki.fi/kanervam/>

Ring of Fire. Wikipedia. 29.2.2016. <https://en.wikipedia.org/wiki/Ring_of_Fire>

Volcanoes. Pedal Magazine. 1.3.2016. <http://pedalmag.com/rof/volcanoes/>

Kurssikerta 5. Haasteita ja hektisyyttä

Viidennellä kurssikerralla jatkoimme työskentelyä edellisellä kerralla aloitetun tehtävän parissa. Viikon teemana oli siis buffereiden eli puskurivyöhykkeiden laatiminen tiettyjen alueiden tai objektien ympärille. Puskurointia hyödynsimme esimerkiksi asukaslukumäärän selvittämisessä tietynsuuruisella vyöhykkeellä. Tätä tutkimme laatimalla edelliskerran aineistoon, Pornaisten keskusta-alueelle, digitoimiemme kohteiden ympärille puskurivyöhykkeen, jonka jälkeen siirryttiinkin vauhdilla itsenäisharjoituksiin.

Kurssikerta sisältöineen oli minulle tähän asti kaikista haastavin. Mielestäni MapInfon vahvuudet nojaavat ensisijaisesti juuri tilastodatan muokkausmahdollisuuksiin sekä sen monipuolisiin visualisointimahdollisuuksiin. Tässä suhteessa olen kuitenkin melko avuton, ja omat puutteeni ohjelman käyttämisessä ilmenevät juuri tilastojen muokkaamisessa ja erilaisten tietokantojen yhdistelystä ”leikkaa- liimaa”- periaatteella. Tämä kurssikerta valotti erittäin hyvin, kuinka laihasti hallitsen edellisten soveltamisen. Tehtävänämme oli sekä bufferointia että kaikkea edellistä oppimaamme soveltaen kerätä vastauksia kerralla annettuihin kysymyksiin (taulukko 1). Tämä oli iso paketti kerralla selvitettäväksi, eikä ongelmilta vältytty. Nämä kokoavat harjoitukset osoittivat, että suurin ongelmani MapInfon soveltamisessa on siis kvantitatiivisen datan muokkaaminen, mikä sisältää lukusia välivaiheita sekä muistettavia komentoja, joita en selvästikään vielä hallitse. Vahvin osaamiseni on vielä alkeistasolla, ja perustuukin ”basic”- tason ominaisuuksiin, kuten koropleetti- tai matriisikarttojen sekä graafien laatimiseen. Lukujen pyörittelyn hallinta vaatii siis vielä pitkäjänteisyyttä ja intensiivistä perehtymistä, ennen kuin voin valjastaa MapInfon hallintaani.

Palatakseni hetkeksi kurssikerran varsinaiseen teemaan, puskurivyöhykkeiden soveltaminen datan keruussa on hyödyllinen taito. Itse puskurointi ei myöskään ole prosessina vaikea. Tekemiemme harjoitusten pohjalta tuli varsin selväksi, kuinka helposti esimeriksi rakennusten ja asukkaiden lukumääriä tai suhteellisia osuuksia voidaan selvittää aineistosta. Käytännössä puskurivyöhykkeitä voitaisiin mielestäni soveltaa esimerkiksi luonnonsuojelun, maatalouden ja rakennusteollisuuden tarpeisiin. Puskurointia soveltamalla voitaisiin esimerkiksi laatia tietynsuuruisia maa-aloja erottamaan toisistaan suojeltuja alueita ja alueita, joissa ihmisen täysipainoinen toiminta on sallittua. Toisin sanoen kahden alueen välille voidaan määrittää tietynlainen vaihettumisvyöhyke. Maataloudessa puskurointia voitaisiin hyödyntää esimerkiksi jättämällä reunavyöhykkeet kehystämään viljeltyjä alueita kemikaalien ja lannoitteiden ympäristöä kuormittavien vaikutusten vähentämiseksi. Teollisuus puolestaan voi arvioida ympäristöön kohdistamiaan melu- ja saastehaittoja suhteessa asutusalueiden viihtyvyyteen laskemiensa puskureiden avulla. Näitä käytännön sovellutuksia on puolestaan vaivatonta mallintaa ja visualisoida paikkatieto-ohjelmissa, kuten MapInfossa.

Niin hyödyllinen ja näppärä kuin MapInfo paikkatieto-ohjelmana onkin, palvelee se käyttäjäänsä täydellä kapasiteetillaan kuitenkin vain silloin kun käyttäjä on ohjelman herra, ei päinvastoin. Kuten edellä jo totesin, soveltuu ohjelma käytännön paikkatietoon sitoutuvien ilmiöiden yksinkertaistamiseen ja esittämiseen sekä reaaliympäristön mallintamiseen sen virtuaalivasteena varsin hyvin, mutta käyttäjän ollessa usein jo kokenut MapInfo- käyttäjä. Mielestäni amatööreille, jollaiseksi miellän myös itseni, MapInfo asettaa usein tasooni sopimattomia haasteita. Myös Jasmiina Myllys muotoilee asian varsin ytimekkäästi: ”Kurssikerran aikana minulle selkeni entisestään, että ehkä suurimmat rajoitteet MapInfon analyysimahdollisuuksissa johtuvat juuri käyttäjästä itsestään. Aloitteleva käyttäjä ei vielä osaa käyttää ohjelmaa tehokkaasti, ja konkarillekin voi sattua erehdyksiä.” MapInfo ei siis omastanikaan mielestä ole ohjelma johon rynnätä suin päin ilman syvempää perehtymistä. Toki meillä kaikilla oppimisnopeutemme ja –maneerimme vaihtelevat, mutta omalla kohdallani näen asian näin. Toivon, että tulevaisuudessa ymmärrän ja hallitsen ohjelman sovellusmahdollisuudet ja toiminnot kattavammin, sillä kaikesta huolimatta MapInfo lienee varsin kätevä työkalu, kun sen kanssa puhuu samaa kieltä.

 

Tehtävä 1
Malmi
Ihmisiä 2 kilometrin säteellä kiitoradoista 54 802
Ihmisiä 1 kilometrin säteellä kiitoradoista 7 802
Helsinki-Vantaa
Asukkaita 2 kilometrin säteellä kiitoradoista 9 042
65 dB melualueella asuvien osuus 0, 3%
Ihmisiä vähintään 55 dB melualueella 11 356
Asukkaita Tikkurilan 60 dB melualueella 11 261
Asemat
ihmisiä 500 metrin säteellä lähimmästä juna-asemasta 82 860
500 metrin päässä asemasta asuvien osuus kaikista asukkaista 17, 5 %
Työikäisten osuus 500 metrin säteellä asuvista 71, 3 %
Tehtävä 2
Taajamat
Taajamissa asuvien osuus 96, 0%
Kouluikäisiä taajamien ulkopuolella 1 658
Taajamien ulkopuolella asuvien kouluikäisten osuus kaikista kouluikäisistä 3, 3 %
Alueet, joissa ulkomaalaisten osuus yli 10 % 34
Alueet, joissa ulkomaalaisten osuus yli 20 % 11
Alueet, joissa ulkomaalaisten osuus yli 30 % 7
Tehtävä 3
Koulut
Seuraavan vuoden 1. luokkalaisia 14
Seuraavan vuoden yläasteikäisiä 59
Ylä- ja ala-asteikäisten osuus koulupiirin kaikista asukkaista 8, 1%
Muunkielisiä koululaisia alueella 7

 

Taulukko 1. Kurssikerran itsenäistehtävien tuloksia.

 

 

Lähteet:

 Myllys, J. (2016). 5. Kurssikerta: bufferointia ja panikointia. Jasmiinan PAK- blogi. 22.2.2016. <https://blogs.helsinki.fi/myllyjas/>

 

 

Kurssikerta 4. Pisteistä ruutuihin

Neljännellä kurssikerralla opimme kuvaamaan absoluuttisia arvoja kartalla ruutumatriisin avulla. Tehtävänä oli siis tuottaa ruutumuotoinen teemakartta valitusta teemasta matriisin pohjalta. Hyödynsimme työskentelyssä myös viime kurssikerralla opittuja taitoja lisäämällä ruudukkotietokantaan uutta informaatiota (uudet muuttujat), jonka pohjalta laadittiin lopullinen määrällinen alueluokituskartta.

Verratessani valmista ruutukarttaa esimerkiksi aikaisempiin MapInfolla laadittuihin koropleettikarttoihin, nousee muutama eroavaisuus esille näiden kahden teemakarttamuodon välillä esille. Huomataan tietenkin, että ruutukartta kuvaa esitettävää ilmiötä tai muuttujaa keinotekoisin, vakiokokoisin aluein (ruuduin) kun taas koropleettikartta rajaa kuvattavan ilmiön ennalta määrätyn aluejaon mukaan eli jako voi perustua esimerkiksi juuri kuntarajoihin. Mitä tulee esityskohtaiseen informaatioon, kuvaa mielestäni ruutukartta yksityiskohtaisemmin ilmiön alueellista jakautumista. Vaikka molemmat karttatyypit ovat esitettävien ilmiöiden alueellisuuden suhteen homogeenisiä (yhteen luokkaan kuuluvat arvot eivät ylitä alueyksikön rajoja), antaa ruutukartta realistisemman vaikutelman muuttujien arvojen alueellisesta muuntelusta, varsinkin pieniruutuiset esitykset.

Oman ruutukarttani laadin muunkielisten määristä pääkaupunkiseudulla. Ensimmäisessä harjoituksessa johdimme pääkaupunkiseudun väestötietokannasta informaatiota matriisiin. Tietokanta kuvaa pisteillä rakennuksia pääkaupunkiseudulla, ja väestötiedot saatiin siis siirrettyä matriisiin yksittäisten rakennusten perusteella- pistemäinen tieto muutettiin siis ruutukohtaiseksi. Tämän pohjalta oma kartta oli melko helppo luoda. Valitsemani ruutukoon taltiointi hieman unohtui, mutta spacing between lines- käskyllä 1000 metriä valintana tuotti 500 metriä x 500 metriä kokoisen ruudukon, oletan että muuntaessani 1000 metriä 750:een tuotin siis 0,75×500 eli 375 metrisen ruutukoon karttaani. Valmis ruutukartta tuotettiin tavallisella teemakartan avulla, kun muunkielisten määriä kuvaavat väestötiedot oli lisätty matriisiin.

Kuva 1. Muunkieliset pääkaupunkiseudulla.
Kuva 1. Muunkieliset pääkaupunkiseudulla.

Karttaani ja sen luettavuutta voisi parantaa vielä esimerkiksi lisäämällä siihen pienaluejaon mukaiset rajat, mikä helpottaisi muunkielisten määrien sisäistä vertailua pääkaupunkiseudulla. Lisäksi layereita olisin voinut asetella niin, etteivät ruudut peittäisi paikoin kuntarajoja. Edellisten jatkoksi legendan virheellinen informaatio pistää silmään- kartta kuvaa siis muun kuin suomen- tai ruotsinkielisten määriä koko pääkaupunkiseudulla eikä vain Helsingissä. Näin ollen tämä kartta ei lukeudu parhaimpiin tuotoksiini.

Kartta kuitenkin osoittaa suurimpien vieraskielisten asutuskeskittymien sijaitsevan pääkaupungissa keski- itä- ja pohjois- Helsingissä. Toisaalta myös Helsingin eteläosissa on havaittavissa vieraskielisten klustereita, mikä selittynee osittain esimeriksi keskusta-alueen suurlähetystöjen työntekijöillä. Kenties luokkien lukumäärää vähentämällä Helsingin itäosien ja Vantaan akselille sijoittuva vuokra-asuntovaltainen muunkielisten trendi olisi paremmin havaittavissa. Katja Vilkama mainitsee tutkimuksessaan (2011) etnisen ja kielimuureihin sidonnaisen segregaation selittävän osaltaan pääkaupunkiseudun vieraskielisten ja kantaväestön asuttamien alueiden välisiä eroja ja siten esimerkiksi karttani ilmettä: ” Vaikka kantaväestön ja maahanmuuttajien eriytyminen omille asuinalueilleen on seudulla kansainvälisiä esimerkkejä maltillisempaa, ovat erot asuinalueiden välillä vahvistuneet 2000–luvun kuluessa. Eriytyminen on voimistunut erityisesti kantaväestön valikoivan muuttoliikkeen sekä vilkkaan maahanmuuton seurauksena.”

Kuten aiemmin totesin, tässä karttatyypissä ruutukoko vaikuttaa sen luettavuuteen. Omassakin esityksessäni informaation visuaalista luonnetta voisi tarkentaa pienentämällä ruutukokoja. Toisaalta suuremmat ruudut mahdollistavat ilmiön vyöhykemäisen tarkastelun, mikä tekee sen visuaalisesta analyysistä ja arvioinnista sekä alueellisesta vertailusta vaivattomampaa. Marisofia Nurmi pohtii omassa blogitekstissään syvemmin myös koropleetti- ja ruutuesitysten tehokkuutta informaation välittäjinä ja kvantitatiivisen yleistysasteen roolia näiden karttatyyppien välillä: ”Esimerkiksi kuntien koot vaikuttavat koropleettikartoissa huomattavasti. Jonkin muuten hyvin kaupunkimaisen kunnan alueelle voi osua esimerkiksi suuri peltoalue, jolloin kunta vaikuttaa maankäyttömuotojensa perusteella maalaisemmalta, kuin pienialainen, mutta kauttaaltaan tiiviisti asutettu kunta.” Päätelmä on hyvin osuva- koropleettikarttojen noudattaessa tiettyjä aluejakoja, voivat ilmiöiden väliset suhteet kartalla vääristyä varsinkin suurten alueiden kohdalla, mikä heikentää esityksen informaatioarvoa.

Pistekartat puolestaan tarjoavat luotettavimmin tietoa ilmiöiden spatiaalisista suhteista mutta vakiokokoiset rasterit ruutukartoissa tekevät niistä tehokkaampia informaation välittäjinä, sillä mielestäni ruuduista muodostuva rasteripeitto antaa kokonaisvaltaisemman, helpommin tulkittavan kuvan ilmiön määrällisten tai laadullisten suhteiden vaihtelusta. Alueita tai pisteitä verratessa tulee myös huomioida, että pistekartat mahdollistavat yleensä vain absoluuttisten arvojen tarkastelun.

 

Lähteet:

 

Nurmi, M. (2016). Kurssikerta 4- ahaa elämyksiä ja turhautumista. Nurmari´s blog. 14.2.2016. <https://blogs.helsinki.fi/nurmaris/>

 Vilkama, K. (2011). Yhteinen kaupunki, eriytyvät kaupunginosat? Kantaväestön ja maahanmuut- tajataustaisten asukkaiden alueellinen eriytyminen ja muuttoliike pääkaupunkiseudulla. Tutkimuksia 2011: 2. Helsingin kaupungin tietokeskus. 14.2.2016. <http://www.hel.fi/hel2/tietokeskus/julkaisut/pdf/12_08_31_Seudun_suunnat_3_art.pdf>

 

 

Kurssikerta 3. Taulukoita ja tilastoja

Kolmas kurssikerta oli laadultaan sangen tekninen ja melko haastava. Tavoitteenamme oli ulkoisen tiedon (taulukkomuotisen datan) tuominen MapInfoon, datan muokkaaminen ja yhdistäminen sekä sitä kautta uudenlaisen tiedon tuottaminen ohjelmassa. Toteutimme edellä mainitut ensiksi laajan harjoituksen avulla tarkastelemalla Afrikan mantereeseen liittyvää tilastotietoa.

Lähdimme liikkeelle hyödyllisellä harjoituksella tiivistää MapInfossa avattua taulukkotietoa Afrikan valtioista ja niihin kuuluvista kymmenistä osista. Käytännössä valitsimme maakoodin mukaan yhden valtion ja yhdistimme siihen kuuluvat datapartikkelit yhdeksi kokonaisuudeksi, mikä mahdollisti valitun tiedon yksinkertaisen muokkaamisen. Tämä lienee hyödyllinen taito, mikäli tilastoaineistoa käsittelee MapInfossa tulevaisuudessakin. Harjoituksessa myös toimme MapInfoon Excelistä taulukkodataa Afrikan valtioiden väkiluvuista ja muokkasimme sitä esimerkiksi lisäämällä ja yhdistämällä siihen Internetin käyttäjämääriin liittyvää tietoa sekä uusia sarakkeita. Tämän jälkeen tietokannat yhdistettiin erinäisillä lausekkeilla toisiinsa ja uusi, fuusioitu data oli valmis. Kaiken tämän lisäksi myös siirsimme tietoa eri taulukoiden välillä- tarkastelimme siis muun muassa timanttikaivosten, ilmenneiden alueellisten konfliktien ja öljylähteiden sijoittumista Afrikan kartalla ja tämän tiedon taulukoimista. Kaikki tämä vaati suurta keskittymistä, sillä välivaiheita ja –komentoja oli tämän tehtävän aikana lukuisia. Edellisten tietojen yhdistäminen ja vertailu saa pohtimaan mahdollisia syy-seuraussuhteita muuttujien välillä- korreloivatko esimerkiksi konfliktien alkamisvuodet (mikäli tiedossa) ja timanttikaivosten sijainnit toistensa kanssa?

Kurssikerran varsinainen itsenäisharjoitus oli laatia sekä Suomen tulvaindeksialueita että järvisyyden suhteellisia osuuksia kuvaava teemakartta edellisen harjoituksen pohjalta. Järvisyysprosentit toimme MapInfoon edellisen tapaan ulkoisesti Excelistä, kun taas tulvaindeksit tuli tuottaa itse MapInfossa laskemalla keskiylivirtaama- ja keskialivirtaama-aineistojen suhde. Visualisoinnissa käytimme tulvaindeksialueiden esittämiseen tavallista koropleettipohjaa, johon liitimme järvisyyttä mallintavat pylväät edellisen kurssikerran tapaan. Omassa tuotoksessani mietityttämään jäivät kiireen keskellä kartan visuaalinen ilme sekä pohja-aineiston luokittelu. Valitsin karttaani melko häthätää erilaisia sinisen sävyjä, joiden insentiteettiä muokkasin sekä koropleettikartan että pylväiden osalta. Esitystä nyt tarkastellessani olisin voinut lisätä sen tehokkuutta kenties valitsemalla pylväisiin toiset, pohjastaan erottuvat värit. Luokituksen saralla puolestaan päädyin luokkarajojen jakamiseen kvantiilein, sillä indeksijakauman ollessa selkeästi vino, lienee kvantiilit suositeltavin vaihtoehto. Luokkien epäsopusuhtaiset ja –tasaiset koot olisivat kenties kuitenkin kaivanneet pientä hienosäätöä niiden ylä- ja alarajojen osalta.

 

Kuva 1. Järvisyys ja tulvaindeksit Suomessa valuma-aluejaon mukaan.
Kuva 1. Järvisyys ja tulvaindeksit Suomessa valuma-aluejaon mukaan.

 

Valmis tai puolivalmis, karttani välittänee lukijalle silti olennaisen tiedon. Se osoittaa melko odotetusti korkeimpien tulvaindeksialueiden sijoittuvan Suomenlahden ja Pohjanlahden rannikkoalueille, missä maaston topografian vaihtelu on pienintä. Suomenselän erottaessa esimerkiksi Järvi-Suomen Vuoksen ja Kymijoen vesistöt sekä Kemi-Kokemäen –ja Oulujoen vesistöalueet toisistaan, ohjautuvat suurimmat laskujoet virtoineen myös kohti rannikkoalueita (www.peda.fi). Sisämaan järvisyydellä ja rannikoiden laskujoilla näyttää olevan yhteys kun tarkastellaan tulvaindeksejä. Aino Grönroos tiivistääkin blogitekstissään havainnon osuvasti: ” Muuttujien välillä vallitsee melko selkeä negatiivinen korrelaatio, eli tulvaindeksin kasvaessa järvisyys pienenee ja toisinpäin. Voidaan siis päätellä, että mitä enemmän järviä valuma-alueella on, sitä pienempi tulvaindeksi eli virtauksen vaihtelu”. Edelliset tekijät selittävät siis osaltaan esimerkiksi juuri Pohjanmaan kevättulvahuippuja, missä virtaama on keväisin myös lumien sulaessa suuri. Myös Ulla-Maija Rimpiläinen toteaa seminaarissaan ”Monimuotoiset tulvat” (2012) järvisyyden tasoittavan tulvahuippuja. Toisaalta Rimpiläinen myös huomauttaa, että tiiviiden rakennettujen ympäristöjen vettä läpäisemättömät pinnat lisäävät tulvariskiä. Tämäkin selittänee siis osittain esimerkiksi pääkaupunkiseudun korkeaa tulvaindeksiä.

 

Lähteet:

Grönroos, A. (2016). Kolmas kurssikerta. Aino´s blog. 7.2.2016.<https://blogs.helsinki.fi/ainogron/>

 Rimpiläinen, U-M. (2012). Monimuotoiset tulvat. Vantaan 1. tulvaseminaari: Tulvat ja niiden vaikutukset. 7.2.2016. <http://www.vhvsy.fi/files/upload_pdf/2034/Tulvin%20liittyvi%E4%20ilmi%F6it%E4%20jak%E4sitteit%E4.pdf>

Vesistöt (2014). Suomen joet ja järvet. Suomen maantieto. 7.2.2016. <https://peda.net/oppimateriaalit/e-oppi/ylakoulu/maantieto/suomi2/1jjjm/vesistöt-luonnos>

 

 

 

 

Artikkeli 1. Uusia ulottuvuuksia

Tehtävänämme oli toisen kurssikerran tuotoksen analysoinnin lisäksi myös perehtyä Anna Leonowiczin artikkeliin ”Two-variable choropleth maps as a useful tool for visualization of geographical relationship”(Geografija 2006), joka myös käsittelee kahden teeman käyttöä teemakarttaesityksessä samanaikaisesti. Artikkelissaan Leonowicz vertailee yhden ja kahden muuttujan teemakarttoja sekä esitettävän ilmiön alueellisen levinneisyyden että maantieteellisten muuttujien välisen yhteyden informatiivisuuden valossa. Leonowicz korostaakin jälkimmäisen mallin merkittävyyttä tulevaisuudessa entistä informatiivisempien karttojen tuottamisessa. Leonowicz myös tähdentää pohja-aineiston luokittelun sekä muuttujien väriarvojen kombinaatioiden merkittävyyttä kahden muuttujan teemakarttojen tulkinnassa.

Edelliseen blogitekstiini viitaten, kasvattaa kahden muuttujan esittäminen kartassa luonnollisesti sen informatiivisuutta. Toisaalta käsittelin yhden muuttujan esityksiä, joita laadimme esityksiimme kaksi. Kahden muuttujan teemakartat sitä vastoin Leonowiczinkin mukaan oikein laadittuina ja tulkittuina mahdollistavat esitettyjen maantieteellisten ilmiöiden välisen (mahdollisen) korrelaation tarkastelun, siinä missä yhden muuttujan teemakartat sopivat paremmin tarkasteltavan ilmiön spatiaalisen luonteen esittämiseen.

Kuten artikkelissa esitelty, Varsovan ja Vilnan yliopistoissa toteutettu, näitä karttoja vertaileva tutkimus myös osoitti, on yhden muuttujan karttaa myös yleisellä tasolla hieman helpompi tulkita. Tässä suhteessakin kahden muuttujan esityksissä niiden legendoilla ja niiden graafisella ulkoasulla on suuri merkitys informaation välittymisessä lukijalle. Legendan havaintopisteet siis visualisoivat kaksiulotteisesti esitettävien ilmiöiden välistä yhteyttä x-y-koordinaatiston tavoin. Legendan pohjalla voidaan ajatella olevan 4- tai 9- ruutuinen matriisi, joka määrää legendan luokkien määrän. Kaksiulotteisten värisävyjen sovittaminen luokkiin ei aivan avautunut minulle, vaikka käsitän teoriassa värisävyjen intensiteetin kasvavan tai vähenevän samalla periaatteella kuin havaintopisteidenkin arvot pysty- ja vaakasuunnissa. Sitä vastoin muuttujien välinen pistemäinen esitys on helppo ymmärtää.

Tämänhetkiset taitoni MapInfossa eivät riittäisi vielä kahden muuttujan esitysten toteuttamiseen, sillä osaan hyödyntää vain ohjelman valmiita työkaluja. Elementtien ja sävyjen muokkaus saati yhdistäminen eivät siis vielä kuulu taitorepertuaariini. Kahden muuttujan tarkastelu kuin yhtenä voi myös tuottaa haasteita. Liikkumavaraa työskentelyssä on siis vielä melko vähän, ja toiminkin tarjottujen sovellusten rajoissa. Toivon kuitenkin, että sovelluskykyni tuottaa entistä monipuolisempia karttoja lisääntyy käytännön kokemuksen karttuessa.

Lähteet:

Leonowicz, A. (2006). Two-variable choropleth maps as a useful tool for visualization of geographical relationship. Geografija 42/1: 33-37.

Kurssikerta 2. Tehokkaat teemakartat

Toisella PAK- kurssin kokoontumiskerralla emme niinkään syventyneet vielä uusiin MaInfon komentoihin taikka toimintoihin vaan jatkoimme edellisellä kurssikerralla oppimamme ohjelman perusteiden soveltamista. Tällä kerralla tarkoituksena oli tarkastella useamman laadullisen tai määrällisen ilmiön alueellista jakautumista Suomessa esimerkiksi valtio- tai maakuntatasolla samanaikaisesti. Tavoitteena oli siis käytännössä visualisoida MapInfossa tilastotietoa kahden erillisen teeman avulla ja tuottaa mahdollisimman informatiivinen esitys.

Käsittelimme siis teoriassa ja käytännössä uudenlaisia teemakarttavaihtoehtoja, joita MapInfo tarjoaa käyttäjälleen. Tavanomaiseen koropleettiesitykseen on mahdollista liittää varsin vaivattomasti erilaisia kuvaajia, kuten ympyrä- ja pylväsdiagrammeja, sekä muita elementtejä ohjelmassa. Näin MapInfossa on siis helppoa tuottaa mielenkiintoisia, kompakteja ja informaatioltaan tehokkaita teemakarttoja. Keskeisimpänä uutena taitoja opin rajaamaan pohjakartasta erillisen alueen omien valintakriteerien mukaan. Tällä kertaa käytin rajaamisen perusteena Suomen maakuntia, ja tämä rajaus oli helppo toteuttaa selvittämällä ohjelman infotyökalulla kuntien maakuntanumerot, joiden perusteella MapInfo rajaa halutun maakunnan työtasolle.

Kuva 1. Väestöntiheys ja väkiluvun muutos Päijät-Hämeessä.
Kuva 1. Väestöntiheys ja väkiluvun muutos Päijät-Hämeessä.

 

Esitetyistä teemavaihtoehdoista valitsin omaan karttaani tavallisen koropleetti(rasteri)esityksen lisäksi graduated- teeman, joka kuvaa ilmiön absoluuttisten arvojen esiintymistä alueella. Edellisen kerran tavoin käytimme esitysten aineistona kunnat 2015- nimistä aineistoa, josta poimin kaksi väestöteemaa esitykseeni, jossa yhdistyvät sekä kvalitatiivinen että kvantitatiivinen informaatio: väestöntiheys ja väkiluvun absoluuttinen muutos Päijät-Hämeen maakunnassa. Valmista karttaa jälkikäteen tarkastellessani olisin kenties voinut valita toisen värirasterin karttaani kuvaamaan väestöntiheyttä Päijät-Hämeen kunnissa. Väestönmuutosta symboloivien hahmojen puna-sininen värimaailma on kenties hieman ristiriidassa kelta-sinisen rasterin kanssa. Toisaalta rasteri on looginen- lämpimämpi-kylmempi sävyskaala luonnehtii selvästi väentiheydellisesti rikkaampien ja köyhempien kuntien eroja. Väestömuutosta kuvaavien symbolien koon ja numeerista muutosta luonnehtivan intervalliasteikon skaalasin loogisemmaksi (+/- 50-500 asukasta).  Kartan informatiivisuutta olisi voinut myös lisätä esimerkiksi nimeämällä esitetyn alueen kunnat.

Valmis kartta osoittaa varsin selvästi Päijät-Hämeen väestöllisen keskusakselin sijoittuvan Hollolan, Lahden ja Nastolan kuntien alueelle. Sekä väestöntiheys että sen (positiivinen) muutos on ollut suurinta Lahdessa. Lahden aseman Päijät-Hämeen asumisen keskustaajamana vahvistaa myös Päijät-Hämeen verkkotietokeskus (www.verkkotietokeskus.fi), jonka mukaan Lahti on 6/2015 asti kartoitetun tiedon mukaan myös Päijät-Hämeen väkirikkain kunta noin 104:llä tuhannella asukkaallaan (tieto siis vuodelta 2015, vuoden 2016 alusta Nastolan kunta liittyi osaksi Lahtea, jolloin kuntaliittymän yhteenlaskettu väkimäärä kasvoi noin 120:een tuhanteen). Vuonna 2015 Lahdessa asui siis noin 51,4% koko Päijät-Hämeen väkiluvusta. Lahden väestölliseen elinvoimaisuuteen vaikuttanevat esimerkiksi sen logistisesti merkittävä sijainti sekä hyvät kulkuyhteydet Helsinkiin. Väestönmuutoksen- ja tiheyden perusteella kartta osoittaa P-Hämeen pohjoisimmat kunnat, kuten Padasjoen, Sysmän ja Hartolan, olevan epäsuorasti maakunnan suurimpia muuttotappio- sekä huoltosuhteen vinouma-alueita, joista työssäkäynti ja palveluhakuisuus suuntautunevat maakunnan keskustaajamaan.

 

Lähteet:

Päijät-Häme. (2015). Päijät-Hämeen verkkotietokeskus. http://www.verkkotietokeskus.fi/index.php/vaesto/82-vaeestoen-maeaerae/291-paeijaet-haemeLuettu 30.1.2016.

 

 

 

Kurssikerta 1. Perehtymistä paikkatietoon ja MapInfon perusteisiin

Ensimmäisellä PAK-kurssin kurssikerralla pääsimme käsiksi sekä paikkatiedon teoriaan että käytäntöön. Teorian puolella vertailimme pääosin rasteri- ja vektorimuotoisten paikkatietoaineistojen hyviä ja huonoja puolia sekä sovellusmahdollisuuksia. Palautimme mieliin myös paikkatiedon rakennepalikoiden, sijainti- ja ominaisuustiedon, perusominaisuuksia.

Kurssilla toteutamme karttoja ja muita esityksiä MapInfo- ohjelman avulla. Käytännön puolella perehdyimmekin MapInfon perustyökalustoon ja keskeisiin toimintaperiaatteisiin. MapInfo tarjoaa monia samoja sovelluksia kuin esimerkiksi edellisellä TAK- kurssilla käytetty Corel Draw. Yhtäläisyyksinä kyseisten ohjelmien välillä mainittakoon esimerkiksi karttatasot (layerit) erilaisten elementtien kuvauksessa. Myös monet MapInfon symboleista ja peruskomennoista vastaavat pitkälti Corel Drawia. Kenties suurimpana erona ohjelmien välillä lienee se, että MapInfossa erityisesti valmiin tilastoaineiston visualisointi lienee varsin vaivatonta. Siinä missä Corel tarjoaa käyttäjälleen hyvinkin vapaat kädet kartografisten esitysten tuottamiseen, MapInfo mahdollistaa tilastoaineiston (taulukkomuotoista ominaisuustietoa) luokittelun ja visualisoinnin valmiiden aluejakojen mukaan esimerkiksi koropleettikarttoja laadittaessa. Kokonaisuudessaan MapInfo vaikuttaa keskeisiltä toiminnoiltaan melko selkeältä.

Käytännön harjoituksena laadimme ohjelmalla koropleettiesityksen 0-14- vuotiaiden määristä kunnittain Suomessa vuonna 2015. Pääpiirteissään esityksen luominen oli melko yksinkertaista. Työvaiheisiin lukeutuivat mieleisen väriskaalan valitseminen kuvattavan ilmiön esiintymisasteen mukaisesti, sopivan aineiston luokittelutavan valinta (tässä tapauksessa suositeltiin luonnollisia luokkavälejä), ohjelman tuottaman legendan muokkaaminen luettavampaan muotoon sekä pohjoisnuolen ja mittakaavajanan siirtäminen karttatasolle. Kun aineistoa ei tarvitse manuaalisesti luokitella, legenda tuotetaan muokkausta vaille valmiina ja jopa janamittakaavan saa siirrettyä haluamassaan muodossa kartalle, antaa se melko automatisoidun kuvan MapInfon avulla työskentelystä. Tilastoaineiston sopivan luokittelutavan pohtimista on aina korostettu, ja tässä tapauksessa se jäi melko vähälle.

Oman koropleettikartan laadin työssäkäyvien ihmisten suhteellisista lukumääristä kunnittain vuonna 2015. Aineiston luokittelussa käytin edellisen harjoituksen tapaan luonnollisia luokkavälejä. Näin aineiston osajoukot eivät pilkkoudu, ja ilmiön jakautumista voidaan tukea maantieteelisillä selitysmalleilla. Toisaalta luokitus on epäsystemaattista ja havaintojakaumasta tulee epämääräinen (Kartografian perusteet 2015). Esimerkiksi annettua verkkohistogrammityökalua kannattanee hyödyntää kenties sopivamman luokittelutavan valinnassa tulevaisuudessa.

Kuva 1. Työssäkäyvien suhteelliset määrät kunnittain Suomessa vuonna 2015
Kuva 1. Työssäkäyvien suhteelliset määrät kunnittain Suomessa vuonna 2015

Valmis esitys antanee oletetun kuvan Suomen työllisyystilanteesta. Työssäkäyvien osuudet väestöstä ovat suurimmat pääkaupunkiseudulla ja länsirannikolla sekä maamme muissa suurimmissa keskuksissa, kuten Turussa, Tampereella ja Oulussa, joissa työ- ja ostovoimaa on enemmän. Huomionarvoista on Kittilän kunnan suhteellisen korkea työllisyysaste (59,6-64,7%), mikä selittynee esimerkiksi sesonkimatkailun, esimerkiksi laskettelun, tarjoamilla työpaikoilla talvikuukausina. Muut Pohjois- ja Itä- Suomen periferia- ja tukialueet kuuluvat työllisyysasteiltaan odotetusti alimpiin luokkiin (42,8-55,3 %).

Lähteet:

Kartografian perusteet 2015. Helsingin yliopisto, Helsinki. <http://www.helsinki.fi/maantiede/kurssit/TAK/Kartografian%20oppimateriaali/kartogrper/Kartoilla_viestiminen/viestim136.html> Luettu 23.1.2016.