SWOT-analyysi: New York Times, Every City, every block

New York Timesin ylläpitämä internet-sovellus ”Mapping America: Every city, every block” kartoittaa eri väestönlaskennan tietoja Yhdysvaltojen sisällä. Kartat on jaoiteltu etnisiä taustoja, tuloja, asumista ja koulutusta käsitteleviin teemoihin. Tehtävänämme oli tehdä sovelluksesta SWOT-analyysi, joka siis puntaroi sovelluksen sisäisiä vahvuuksia ja heikkouksia sekä ulkoisia mahdollisuuksia ja uhkia.
Ensi silmäyksellä karttapalvelu vaikutti ulkoisilta ominaisuuksiltaan hyvältä; kartat olivat selkeitä, helppokäyttöisiä ja miellyttivät silmää. Karttaa pystyi zoomailemaan helposti ja ilmiöistä sai tietoa aluejaoittain. Aihealueellisesti palvelu jäi kuitenkin heti arveluttamaan. Heti ensimmäinen kartta käsitteli etnisten ryhmien jakautumista alueellisesti; mustien, valkoisten, aasialaisten, latinoiden ja muiden etnisten ryhmien ryhmittymistä koostui kaikki ensimmäisen teeman kartat. Aihe on toki mielenkiintoinen sillä alueellinen segregaatio on silmiinpistävä, mutta tuleeko tällainen tieto olla koko kansan ulottuvilla ja onko siitä enemmän hyötyä vai haittaa? Johanna Hakanen pohdiskelee myös blogissaan sitä, ovatko tämän kaltaiset kartat soveliaita: ”En ole koskaan nähnyt vastaavaa karttaa, ja voin vain kuvitella millaisen haloon sellainen herättäisi esimerkiksi Suomessa. Tietysti kulttuuriset taustat Suomella ja Yhdysvalloilla ovat hyvin erilaiset. ” Toinen arkaluontoinen aihe on eräässä kartoista käsiteltävä homoseksuaalisten parien osuus väestöstä alueittain. Moni voi tulkita tämän niin, että tämän prosenttiosuuden ollessa suurempi tietyllä alueella on myös homoseksuaalien määrä suurempi. Näin arkaluontoisten aiheiden kartoittaminen tuskin koskaan kuitenkaan tuottaa täysin todellisuutta vastaavaa dataa. Tällaisten rasismia ja syrjintää synnyttävien ilmiöiden sijoittaminen tarkasti pienille alueille voi aiheuttaa pahimmillaan jopa väkivaltaa kyseisillä alueilla. Myöskään alueiden tulotaso ei ole mikään vähiten arkaluontoinen aihevalinta. Natalia Erfving käsittelee blogissaan tulotasoerojen kartoittamisen ongelmia: ”Sivustolla oli esim. kartta ihmisten keskimääräisistä tuloista, josta pystyi nähdä hyvinkin tarkasti, missä kaupunginosissa asuu esim. todella rikkaita ihmisiä. Tällainen karttaesitys mahdollistaisi silloin helposti esim. murtovarkauksien suunnittelun. Toisaalta koen, että tällaiset asiat ovat usein jo valmiiksi ihmisten tiedossa, eli tieto siitä mitkä alueet ovat varakkaita ja mitkä eivät, joten en tiedä lisääkö tällainen sovellus lopulta rikosten määrää.”
Sovelluksen avatessaan uppoutuu helposti suoraan ihmeellisten karttojen maailmaan ja tekstiosuudet jää huomaamatta. Sivuston ylälaidassa on teksti, jossa huomautetaan siitä, etteivät kartalla esiintyvät luvut ole tarkkoja vaan perustuvat näytteisiin ja arvioihin. Koska kartta on myös tottumattomien kartanlukijoiden käytössä, voi monilta jäädä teksti lukematta ja koska New York Times on yleisesti luotettavana koettu lähde, on todennäköistä että lukuja pidetään tarkkoina tilastotietoina. Arvioiden epätarkkuutta olisi voinut mielestäni vielä alleviivata tekstiä korostamalla esimerkiksi alleviivaamalla tai fontin väriä muuttamalla. Lähteenä saatuihin tuloksiin näyttäisi olevan ”All American Survey”-sivusto vuosilta 2005-2009 . Yksityiskohtia on selostettu melko vähän ja sivusto on melko yksinkertaistettu todennäköisesti jotta selaaminen olisi mielekästä vähemmänkin älykkääseen käyttöön. Eniten muuttujat vääristyvät harvoin asutuilla alueilla. Sovellusta kannattaakin käsittääkseni käyttää lähinnä ilmiöiden tutkimiseen suurissa keskuksissa.

Varsinaisen SWOT-analyysin esitän alla:

Sisäiset vahvuudet:
Palvelu on helppokäyttöinen ja visuaalisesti miellyttävä. Kartat ovat tavallisten kansalaisten käytössä ja teemat täsmäävät todennäköisesti kohderyhmän kiinnostuksen kohteiden kanssa. Palvelussa tietoa voi hakea haluamaltaan alueelta ja karttan zoomaaminen käy nokkelasti. Kartat ovat selkeitä ja haluamansa teeman kartta on helppo löytää palvelusta. Lisäksi karttoja on helppo vertailla keskenään ja alueilta on helposti hahmotettavissa suurpiirteisesti ilmiöiden alueellinen jakautuminen.

Sisäiset heikkoudet:
Karttojen tiedot esitetään arvioina ja ne rupeavat olemaan osittain varmasti melko vanhentuneita. Mahdollisuus virhetulkintoihin on siis melko suuri varsinkin kun käyttäjänä ei toimi harjaantunut kartanlukija. Koropleettikartat ovat varsinkin pienille alueille zoomatessa melko epäselviä, värisävyt eivät erotu selkeästi. Aluejaot ovat erikokoisia sen mukaan, onko alueella suuri vai pieni väestöntiheys.

Ulkoiset mahdollisuudet:
Tieto on kaikille avoinna ja vapaasti käytettävissä. Kartat voivat auttaa esimerkiksi muuttopäätöksiä tehdessä. Karttojen avulla voi analysoida esimerkiksi segregaation voimakkuutta ja sijoittumista jolloin ilmiöön on helpompi puuttua. Myös eri muuttujien keskinäistä korrelaatiota tarkastellen on helppo tehdä päätelmiä ilmiöiden suhteesta toisiinsa. Aiheet ovat yleisesti ajateltuna melko kiinnostavia ja julkaisijankin ollessa tunnettu, voisi palvelun kuvitella saavuttavan suuret yleisöt.

Ulkoiset uhat:
Tietoja voi helposti tulkita ja käyttää väärin kun aineisto on kaikille avointa. Kun annetaan homoseksuaalisten ja eri etnisten ryhmien edustajille selkeästi omat asuinalueensa, on aina riski siihen että tietoja käytettäisiin näitä ryhmiä vastaan. Lisäksi vähemmistöryhmien edustajat voivat olla tällaisten karttojen julkaistamista vastaan. Myös segregaatio voi syventyä entisestään kun muuttopäätöksiä tehdään sen mukaan, että on muutettava ”omiensa” alueelleen. Tällaisten seuraamusten vuoksi Suomessa todennäköisesti pidetään ainakin tämänkaltaiset tiedot jonkin verran suojattuna.

Lähteet:

Erfving, N. 2014. Kurssikerta 7: Ajatuksia Internetin paikkatietosovelluksesta “Every city, Every Block”.<https://blogs.helsinki.fi/nataliae/>. 13.3.2014.

Hakanen, J. 2014. SWOT-analyysi New York Timesin karttapalvelusta. <https://blogs.helsinki.fi/johakane/>. 13.3.2014.

 

7. kurssikerta: Viimeinen koitos

Viimeisen teemakartan aiheen valinnan ja siihen tarvittavien aineistojen kerääminen oli jo täysin omalla vastuullamme. Se tuntui melko luonnolliselta lopetukselta kurssille, jonka tavoitteena on ollut oppia luomaan karttoja alusta loppuun itsenäisesti. Viimeisellä opetuskerralla emme enää käyneet vaiheita yhdessä läpi niin paljon, vaikka neuvoja tuli kyseltyä sitten senkin edestä.

Kurssikertaa varten tuli valita kartan teemat ja kerätä aineistoa valmiiksi, jotta kurssikerran ajan voisi käyttää tehokkaasti kartan luomiseen. Ennakkotyöt vaativat yllättävän paljon aikaa sillä teeman valitseminen oli hankalaa ja haluamani aineistot olivat muodossa, jotka vaativat että haen jokaisen arvon taulukkooni erikseen tilastosivustolta (PopulationHousingCensus). Pitkän ja toivottomalta tuntuvan selailun jälkeen päädyin tekemään karttaesitykseni Italian suurimpien hallinnollisten alueiden luonnollisesta väestönkasvusta ja ulkomaalaisten osuudesta vuonna 2011 (kuva 1). Päädyin valitsemaan kyseisen teeman kun huomasin että Italian aluejaossa maa on jaoteltu 20 osaan ja se ohjeiden mukaan oli sopiva määrä alueita. Muistelin sitten että Italiaa on usein käytetty malliesimerkkinä maasta, jossa luonnollinen väestönkasvu on negatiivista. Halusin tutkia sitä, vaikuttaako ulkomaalaisten osuus väestöstä väestönkasvuun. Hedelmällisyysluku oli tilastojen mukaan Italiassa korkeampi ulkomaalaisilla kuin kantaväestöllä, jonka takia oletin että ulkomaalaisten osuuden ja luonnollisen väestönkasvun välillä olisi positiivista korrelaatiota. Kartalla korrelaatiota ei kuitenkaan näy olevan, joten jonkin muun muuttujan vaikutus luonnolliseen väestönkasvuun näyttäisi olevan merkittävämpi. Ainakin joidenkin merkittävien kaupunkien (Milano, Rooma, Venetsia..) sijaitseminen alueella näyttäisi olevan luonnolliseen väestönkasvuun positiivisesti vaikuttava seikka.

Italiakartta

Kuva 1. Italian suurimmat hallinnolliset alueet, niiden sisäinen luonnollinen väestönkasvu sekä ulkomaalaisten osuus vuodelta 2011.

Kartassa esitän luonnollisen väestönkasvun koropleettimuodossa ja ulkomaalaisten osuuden pylväsdiagrammein. Luonnollisen väestönkasvun luvut olivat jakautuneet epämääräisesti (kuva 2), joten päätin kokeilla ensimmäistä kertaa käyttää luokitteluun tasavälisiä luokkia. Jälkikäteen mietittynä olisin halunnut kokeilla jotain uutta esittämistapaa pylväsdiagrammien sijaan. Aiemmilla kartoillani ei näy esimerkiksi ympyrädiagrammeja lainkaan, tosin niillä ei kyseistä ilmiötä olisikaan järkeä esittää. Tiia Seeve on esimerkiksi käyttänyt ympyrädiagrammeja kartoittaessaan Uuden-Seelannin taloussektoreita maakunnittain. Karttani aihe ei muutenkaan ole mielestäni järin kiinnostava, jonka vuoksi tämän viikon puuhastelu ei tuottanut minussa niin paljon innostusta kuin monina aiempina viikkoina. Varsinkaan kun kaipaamaani muuttujien välistä korrelaatiota ei näytä alueilla edes esiintyvän. Kun aiheen sai kerrankin täysin itse valita, olisi se toki kannattanut tehdä itseään kiinnostavasta aiheesta. Jonkinlainen lannistuminen taisi kuitenkin iskeä tilastosivustoja selaillessa kun sopivia taulukkoja ei tuntunut löytyvän lukuisienkaan napinpainallusten päästä. Ulkoisesti karttani näyttää melko lailla ensimmäisten kurssikertojeni tekeleiltä, joten vaikka tunnen oppineeni paljon, ei se näy tällä viikolla päällisin puolin. Kyllä tästäkin viikosta kuitenkin jotain jäi käteen; kartan koordinaatistoon liittäminen ja Natural Earth-datan hyödyntäminen aluejaoittelussa tuli tutuksi sekä vanhoja asioita sai vielä kerrattua. Se, että edellisten kurssikertojen asiat ovat kertaantuneet tulevilla kerroilla, onkin ollut olennainen osa oppimistani ja siksi pelkään hieman että viimeisen kurssikerralla esiintyneet uudet asiat jäävät unholaan kertauksen puutteessa. Pyrin kuitenkin muistelemaan uusia asioita vielä itsenäisesti varsinaisen kurssin loputtuakin.

Histogrammi_Italia

Kuva 2. Histogrammi Italian suurimpien hallinnollisten alueiden luonnollisesta väestönkasvusta vuonna 2011.

PAK-kurssin myötä suhtautumiseni karttojen luomiseen on rämpimisestä ja säheltämisestä huolimatta pysynyt positiivisena. Vaikka yksinkertaisiinkin asioihin menisi joskus tuhottomasti aikaa, niitä on yleensä ihan mukavaakin rauhassa selvitellä silloin kun aikaa vain riittää. Olen yllättävänkin paljon innostunut tietokoneella työskentelemisestä, vaikka se ei edelleenkään vahvinta alaani olekaan. Toinen kammotukseni on ollut tekstien luominen, jota en ole juurikaan harrastanut viimeiseen neljään vuoteen. Kun siis ensi kertaa kuulin, että meidän tulee kirjoittaa tekemisistämme julkista blogia, en ollut mielissäni. Viikkojen myötä kirjoittamisesta on tullut aina vain luontevampaa ja olen tyytyväinen siitä, että meidät patistettiin tähän, sillä kynnys tekstien kirjoittamiseen tulee todennäköisesti myös tulevaisuudessa olevan matalampi. Lisäksi muiden blogien lukeminen on ollut todella hyödyllistä ja toivonkin että tulevaisuudessakin kursseilla käytettäisiin tätä metodia. Olen myös päässyt yli GIS-pelostani ja jos uskoisin mielenterveyteni kestävän tietokoneiden oikkuja läpi loppuelämäni, voisin jopa harkita geoinformatiikkaa pääaineekseni.

Lähteet:

Histogram Tool. <http://illuminations.nctm.org/Activity.aspx?id=4152>. 5.3.2014.

Natural Earth (2014). Admin 1 – States, Provinces. <http://www.naturalearthdata.com/downloads/10m-cultural-vectors/10m-admin-1-states-provinces/>. 5.3.2014

PopulationHousingCensus (2014). < http://dati-censimentopopolazione.istat.it/Index.asp>. 4.3.2014.

Seeve, T. (2014). Kurssikerta 7: It’s the final countdown! Blog-blog-blooog-blooog! Blog-blog-blog-blog-blooog! <https://blogs.helsinki.fi/setiseti/> 10.3.2014.

 

 

Kurssikerta 6: Pisteaineistojen tuottaminen ja esittäminen kartalla

Kuudennen kurssikertamme aloitimme tehtävällä, jossa opimme itse keräämään ja tuottamaan paikkatietoa. Kävimme ryhmittäin koulun ympäristössä keräämässä pistetietoa valitsemistamme kohteista. Valitsimme omaksi tutkimusaiheeksemme pyörien parkkeerauspaikat koulun alueella. Kerättyämme koordinaatit syötimme tiedot MapInfoon ja opimme tuottamaan koordinaattien mukaan pistetietoa kartalle. X- ja y-koordinaatit olivat melko tarkkoja pienen pientä heittoa lukuun ottamatta. Sen sijaan gps-laitteen antamat korkeustiedot olivat hyvinkin virheellisiä; luvut saattoivat näyttää meidän kulkeneen kymmenen metriä alaspäin vaikka todellisuudessa olisimme vielä suunnilleen samassa paikassa tai siirtyneet jopa selvästi ylöspäin. Harjoitus oli joka tapauksessa virkistävä aloitus kurssikerralle. Opettelimme vielä luokassa lyhyesti geokoodaamisen salat harjoituksella, jossa yhdistimme Excel-tiedoston Helsingin pelikoneista MapInfon tietokantaan Helsingin teistä ja näin loimme pistekartan Helsingin karttapohjaan, jossa jokainen piste kuvaa yksittäisen pelikoneen sijaintia.

Itsenäistyönämme oli luoda kolme karttaesitystä hasardeista maailmankartalle. Ideana oli tuoda internetistä tietoja MapInfoon ja muokata tieto paikkatietojärjestelmässä käytettäväksi sopivaan muotoon, jotta kartan luominen aiheesta onnistuu. Tässä tapauksessa saimme linkit kolmeen internet-sivustoon, joihin oli kerätty taulukkomuotoista tietoa tulivuorista, maanjäristyksistä ja meteoriiteista. Apunamme käytimme Exceliä, missä muokkasimme taulukot käyttökelpoiseen muotoon. Avasimme sitten taulukot MapInfossa, jossa piirsimme kartalle pisteitä taulukkojen koordinaattipisteitä hyödyntäen. Tehtävänantoomme kuului se, että karttaesitykset olisivat sopivia opetuksessa käytettäväksi. Hyvän kartan tulisi siis olla sellainen, jota voisi käyttää esimerkiksi lukion hasardikurssissa opetettavan ilmiön havannoillistamiseen.

Pistetiedon tuottaminen oli melko yksinkertaista, joten oli hyvä keskittyä aiheenvalintaan ja siihen, että kartalta käy selkeästi ilmi se informaatio, mitä sillä on haluttu esittää. Esimerkiksi kurssikerralla yhdessä tekemämme kartta 6 magnitudin ja suurempien maanjäristyksien esiintymisestä 60-luvun jälkeen oli mielestäni visuaalisesti melko rönsyilevä, etenkin kun lisäsin siihen vielä tulivuoret. Päätin muuttaa karttaa sen verran, että esitin sillä vain yli 7 magnitudin järistykset vuoden 1964 jälkeen sekä tulivuorenpurkaukset samalta ajalta (kuva 1). Kartta näyttää hieman rauhallisemmalta, kun alle 7 magnitudin maanjäristykset eivät enää näy kartalla. Olin tässä vaiheessa sitä mieltä ettei kartta kuitenkaan muuttunut liikaa vaan maanjäristysten pääsääntöiset esiintymispaikat pysyivät samoina. Tyynenmeren tulirengas sekä Euraasian laatan eteläinen saumakohta ovat joutuneet eniten suurten maanjäristysten käsittelyyn. Kartasta nähdään myös selvästi se, että tulivuoret esiintyvät lähes poikkeuksetta alueilla joilla esiintyy myös maanjäristyksiä. Tulivuoria tarkastellessa on syytä ottaa huomioon Ruotsissa sijaitseva tulivuori, jota jo kurssikerralla ihmettelimme ja joka lienee virhelyönti tietokannassa. Hain tulivuoritietokannasta Ruotsissa sijaitsevia tulivuoria ja ilmeni, että Lakagigar-niminen tulivuori sijaitsee ohjelman mukaan Ruotsissa, vaikka sen todellinen sijainti on Islannissa. Alueet, millä maanjäristyksiä ja paikoittain myös tulivuoria esiintyy tiheimmiten, ovat litosfääriaattojen sauma-alueita, joiden törmäysvyöhykkeillä esiintyy laajasti niin tulivuoria kuin maanjäristyksiä. Lisäksi erkanemisvyöhykkeillä voi syntyä tulivuoria ja poikittaisvyöhykkeillä maanjäristyksiä. Tulivuoren purkaukset aiheuttavat usein maanjäristyksiä, joka on myös osasyy näiden ilmiöiden yhteyteen. Kuten monet kurssitoverinikin, myös minä koin tarpeelliseksi liittää kuvan 1 oheen internetistä löytyneen kuvan litosfäärilaattojen rajoista (kuva 2). Tulivuoria ja sitä myöten myös maanjäristyksiä voi syntyä myös maapallon sisäisiin kuumiin pisteisiin eli hot spot-alueille. Lisäksi laattojen sisäosissakin esiintyvät lohkoliikunnat voivat aiheuttaa maanjäristyksiä. Natalia Erfving mainitsi blogissaan, että olisi kiinnostavaa tutkia myös sitä, millä alueilla esiintyy pienempiä maanjäristyksiä, sillä niitä harvoin käsitellään koulussa. Näin on tehnyt Tiia Määttä blogissaan, jossa hän on esittänyt maailmankartalla yli 4 magnitudin järistykset 80-luvun jälkeen. Tiian kartalla havaintopisteitä on myös pitkin Eurooppaa. Monet opiskelijat ovat vierailleet näillä paikoilla, jolloin kartta muuttuu kenties omakohtaisemmaksi ja täten mielenkiintoisemmaksi. Myös litosfäärilaattojen saumakohtien yhteys maanjäristyksiin käy selkeämmin ilmi Tiian kartalla. Tämä sai minut miettimään sitä, olisiko sittenkin pitänyt esittää tekemäni yli 6 magnitudin maanjäristysten kartta litosfäärilaattakartan yhteydessä, jolloin yhteys laattojen saumakohtien ja seismisten ilmiöiden välillä olisi selkeämpi. Omalla kartallani ei tule ilmi että myös esimerkiksi Euraasian ja Pohjois-Amerikan sekä Afrikan ja Etelä-Amerikan laattojen saumavyöhykkeessä on laaja maanjäristysvyöhyke.

Maanjäristykset_TulivuorenpurkauksetKuva 1. Tulivuorenpurkaukset ja yli 7 magnitudin maanjäristykset vuodesta 1964 lähtien (ANSS Catalog 2014; Global Volcano Locations Database).

LitosfääriKuva 2. Maapallon litosfäärilaatat (Litosfäärilaatat ja niiden liikesuunnat).

Seuraavaa liikettäni suunnitellessani mietin, josko keksisin seuraavaan karttaan jonkin lisän, joka herättäisi opiskelijoiden mielenkiinnon jos esittäisin sen oppitunnilla. Natalian Erfvingin blogista sain lopullisen ideani seuraavaan karttaan; koska suuria tuhoja aiheuttavat hasardit ovat paitsi kamala, myöskin ihmisten huomiota ja mielenkiintoa herättävä ilmiö, päätin tehdä kartan aikamme pahimmista maanjäristyksistä ja lisätä vielä pahimmista onnettomuuksista muutaman tunnusluvun kartan reunoille (kuva 3). Tavoitteenani oli, että kartat eivät olisi turhan samankaltaiset vaan poikkeaisivat toisistaan ja pitäisivät näin oppilaiden huomion opetuksessa. Kartan kanssa aikani työskenneltyäni törmäsin tietoon, jonka mukaan vuonna 1964 Alaskassa esiintyi 9,2 magnitudin järistys, joka ei ollut päässyt mukaan karttaani (Wikipedia 2014). Suoritettuani maanjäristystietokannassa lisää hakuja tarkastaakseni asian, ei kyseistä järistystä ilmeisesti löytynyt koko tietokannasta. Taas kerran huomasin, että luotettavankin oloisissa aineistoissa voi olla virheitä. Tämän maanjäristyksen puuttuminen kannattaa siis ottaa huomioon kuvan 3 karttaa tulkitessaan. Oppitunnilla karttaa tutkiessa voitaisiin pohtia yhdessä sitä, mistä johtuvat suuret erot kuolleisuusluvuissa sekä taloudellisissa vahingoissa eri alueilla esiintyvissä maanjäristyksissä. Viimeistään tässä vaiheessa olisi hyvä pohtia myös mantereilla ja meressä esiintyvien maanjäristysten kulun ja seurausten eroja.

MaanjäristyksetYli8Kuva 3. Yli 8 magnitudin maanjäristykset vuoden 1964 jälkeen (ANSS Catalog 2014, Tekniikka&Talous (2011), Wikipedia (2014), Yle (2011)).

Viimeistä karttaa miettiessäni päätin vielä tutustua meteoriittiaineistoon. Valitsin aikavälikseni saman kuin edellisissä kartoissa, jotta kartat olisivat verrattavissa. Tutkin siis vuonna 1964 tai sen jälkeen maahan iskeytyneiden suurien, yli 70kg massaisten meteoriittien putoamispaikkoja (kuva 4). Hypoteesinani oli, että niiden maahan iskeytyminen olisi aiheuttanut voimakkaita maanjäristyksiä ja se näkyisi verrattaessa karttoja keskenään. Yllätyin kuitenkin huomatessani että alueilla joille meteoriitti-iskut ovat keskittyneet, on harvemmin esiintynyt suuria maanjäristyksiä. Ympäri Afrikkaa ja Yhdysvaltojen keskiosiin on iskeytynyt paljon meteoriitteja mutta maanjäristyskartoissa nämä alueet eivät erotu lainkaan. Suurimmat maanjäristykset näyttävät liittyvän siis todella maapallon sisäisiin, eivät ulkopuolisiin voimiin. Toinen hypoteesini oli, että vaikka meteoriittien iskeytymispaikat ovat todennäköisesti hajaantuneet tasaisesti ympäri mantereita ja merenpohjia, pisteitä ei esiinny paikoissa joissa ei ole asutusta tai tietokoneita ei juuri ole käytössä. Oletukseni pitää niiltä osin paikkoja, että meteoriittien löytöpaikkoja ei ole merkitty esimerkiksi napajäätiköille ja merenpohjiin. Olin kuitenkin yllättynyt siitä, että Afrikan kehittymättömienkin alueiden meteoriittilöydöt on merkattu tietokantaan. Nykypäivänä tutkijoita on kuitenkin lähetetty lähes joka puolelle maapalloa, jonka vuoksi kyseisetkin löydöt on todennäköisesti saatu paikannettua. Opetuksessa karttaa voisi käyttää niin, että opiskelijat joutuisivat pohtimaan juuri sitä, miksi meteoriitit näyttäisivät keskittyneen tietyille alueille maan päällä. Tavoitteena olisi saada oppilaat ymmärtämään, ettei karttoja tule uskoa sokeasti, sillä jokaisessa kartassa on virheitä virallisesta ulkoasustakin huolimatta.

MeteoriititKuva 4. Vuonna  1964 tai sen jälkeen iskeytyneet yli 70kg massaisten meteoriittien löytöpaikat (Meteoritesize (2014)) .

Tämän viikon itsenäistehtävämme oli loppujen lopuksi teknisesti melko simppeli ja pidin lähestymistavasta, jossa mietimme karttojen esittämistä opetusmielessä. Aihe oli omasta mielestäni lukioaikoina hyvin kiinnostava ja pidän muutenkin enemmän maailmankarttojen kuin esimerkiksi pääkaupunkiseudun kartan tutkailusta . Oli myös hienoa oppia siirtämään tietoa internetistä MapInfoon, sillä karttaesityksiä voi sen taidon avulla tehdä melkeinpä mistä vaan aiheesta. Tällöin tulee erityisesti kiinnittää huomiota nettilähteen luotettavuuteen ja koordinaattien tarkkuuteen. MapInfo tuntui muutenkin jo lähestulkoon ystävältä näitä tehtäviä tehdessä ja voin siirtyä PAK-kurssin viimeisen viikon tehtävien pariin jo varsin hyvillä mielin.

Lähteet:

ANSS Catalog (2014). Northern California Earthquake Data Center. <http://quake.geo.berkeley.edu/anss/catalog-search.html>. 20.2.2014.

Erfving, N. (2014). Kurssikerta 6: Maanjäristysten ja tulivuorten esittäminen pistekartalla.  <https://blogs.helsinki.fi/nataliae/>. 20.2.2014.

Global Volcano Locations Database (2014). DATA.gov. <http://catalog.data.gov/dataset/global-volcano-locations-database>. 20.2.2014.

Litosfäärilaatat ja niiden liikesuunnat (2014). <https://www.google.fi/search?q=litosf%C3%A4%C3%A4rilaatat+ja+niiden+liikesuunnat&client=firefox-a&hs=y28&rls=org.mozilla:en-US:official&source=lnms&tbm=isch&sa=X&ei=o-oFU_C0D8mShQfv5oHgCA&ved=0CAkQ_AUoAQ&biw=1920&bih=936#facrc=_&imgrc=EHD66lbSlCApaM%253A%3BT8SqPAFa8jQXlM%3Bhttps%253A%252F%252Fpeda.net%252Fp%252Fvivhim%252Ftellus1-kopio%252Fluku_15%252Fmediamappi%252Fkuvat%252Fljnl2%253Afile%252Fphoto%252Ff9d8b83211ca08909e42d0c60320399f5eb12c53%252FGE1_litosfaarilaatat_ver2.png%3Bhttps%253A%252F%252Fpeda.net%252Fp%252Fvivhim%252Ftellus1-kopio%252Fluku_15%252Fmediamappi%252Fkuvat%252Fljnl2%3B751%3B480>. 19.2.2014.

Meteoritesize (2014). <https://www.google.com/fusiontables/DataSource?docid=1vHSvjNgCIl6kRhFXPHhvESnnYx_ShToJWtWdjm8#rows:id=1>. 20.2.2014.

Määttä, T. (2014). Kurssikerta 6: Pisteaineistoja kartalla. <https://blogs.helsinki.fi/timaatta/>. 20.2.2014.

Tekniikka&Talous (2011). Luonnonkatastrofien huikea hinta viime vuonna: 80 000 000 000 euroa. <http://www.tekniikkatalous.fi/energia/ymparisto/luonnonkatastrofien+huikea+hinta+viime+vuonna+80+000+000+000+euroa/a567397> 19.2.2014.

Wikipedia (2014). Chilen maanjäristys 2010. <http://fi.wikipedia.org/wiki/Chilen_maanj%C3%A4ristys_2010>. 19.2.2014.

Wikipedia (2014). Pitkäperjantain maanjäristys. <http://fi.wikipedia.org/wiki/Pitk%C3%A4perjantain_maanj%C3%A4ristys>. 19.2.2014

Wikipedia (2014). Sendain maanjäristys 2011. <http://fi.wikipedia.org/wiki/Sendain_maanj%C3%A4ristys_2011#Taloudellinen_vahinko>. 19.2.2014.

Yle (2011). Kaakkois-Aasian tsunamista viisi vuotta. <http://yle.fi/uutiset/kaakkois-aasian_tsunamista_viisi_vuotta/6051128>. 19.2.2014.

 

 

Kurssikerta 5: Bufferointia ja analyyseja

Tämän viikon teemana oli oppia tekemään MapInfolla buffereita, joiden avulla voidaan tarkastella muuttujia eri etäisyysvyöhykkeillä tietyistä havaintopisteistä. Tässä tapauksessa selvittelimme asukasmääriä lentokenttien ja juna-asemien läheisyydestä sekä taajamissa ja niiden ulkopuolella asuvien suhteellisia määriä. Ennen kun siirryimme näihin itsenäistehtäviin, teimme Artun opastuksella puskureita viime tunnin lopuksi valmisteltuun Pornaisten keskus-karttaan tutkien talojen määriä pääteiden, terveyskeskuksen ja koulun läheisyydessä. Kurssikerran haastavuudesta oli varoiteltu ja vaikka aluksi kurkin pelonsekaisin tuntein luokkahuoneen ovesta miettien uskallanko mennä sisään, oli kurssikerta oikeastaan mielestäni varsin hauska ja olin taas kerran innoissani siitä että meitä opetetaan tekemään näin siistejä juttuja. Vaikka meillä ei vieläkään MapInfon kanssa erityisen hyvin synkkaa eivätkä toiminnot ottaneet millään totellakseen, en ainakaan tuntenut olevani yksin ongelmien kanssa joita koko luokkahuone kirosi yhteen ääneen.

Ensimmäisenä tehtävänä saimme aloittaa puskuroinnin piirtämällä buffereita Malmin lentokentän ympärille. Ideana oli ottaa selvää, kuinka paljon eriasteisilla melualueilla lentokentän ympärillä asuu asukkaita. Malmin jälkeen siirryimme tekemään samankaltaisia bufferianalyyseja Helsinki-Vantaan lentokentälle. Puskuroimme myös jokaisen juna-aseman ja tutkimme näiden buffereiden asukasmääriä- ja tietoja.  Vaikka ohjeet olivat periaatteessa selkeät, suuren osan ajasta vei taas pienet virheet joita tein MapInfon kanssa ja jotka siten estivät eteenpäin siirtymisen. Tärkeintä kai joka tapauksessa on, että idea ja perustoiminnot tuli ymmärrettyä ja lopulta tehtävät myös tehtyä. Kuvassa 1 olen taulukoinut saamani vastaukset ensimmäiseen itsenäistehtävään.

Itsenäistyö1Kuva 1. Itsenäistehtävän 1 vastaukset.

Toisessa itsenäistehtävässämme otimme käyttöön taajamat-tietokannan ja lisäsimme siihen väestötietoa muista tietokannoista niin, jotta saimme väestötiedot vastaamaan taajamien tietoja. Selvittelimme sitten asukastietoja esimerkiksi yhdistelemällä ikäryhmiä. Tässä tehtävässä oli hauska huomata miten edellisillä kerroilla opitut asiat sujuvat jo melko luonnostaan, vaikkakin sitten vähänkin uudemmat asiat vievät vielä tavattomasti aikaa. Toisen itsenäistehtävän vastaukset ovat kuvassa 2.

Itsenäistyö2Kuva 2. Itsenäistehtävän 2 vastaukset.

 

Saimme vielä valita kolmesta viimeisestä tehtävästä mieluisimman. Itse päätin tehdä ensimmäisen tehtävän jossa otetaan tutkimuskohteeksi Helsingin Yhtenäiskoulun koulupiiriin kuuluvat koululaiset. Tehtävän teko taittui melko suoraviivaisesti aiemmin saamiemme oppien mukaan; koulupiirit -tietokantaan tuli lisätä yleisiä alueen väestötietoja ja joko ottaa taulukosta suoraan tietoja tai laskea ikäryhmiä yhteen tehtävänannon mukaan. Jos on ollut prosenttilaskut hakusessa, tuli niitäkin kerrattua tällä kurssikerralla. Tätä tehtävää tehdessäni pääsin vihdoinkin kokemaan sen tunteen kun kaikki sujuu melkeinpä ongelmitta. Vastauksista selviääkin sitten, voiko sellaista tunnetta ollakaan ilman että jokin meneekin pahan kerran pieleen. Kuvassa 3 siis vastaukset itsenäistehtävään 3.

Itsenäistyö 3Kuva 3. Itsenäistehtävän 3 vastaukset

Kurssi lähenee loppua ja MapInfo on aiheuttanut jonkin verran vastarintaa, koska se on esimerkiksi Wordiin tai CorelDrawiin verrattuna tietyissä toiminnoissaan kömpelö. Kuitenkin, kuten Johanna Hakanenkin blogissaan kirjoittaa,  ” paikkatieto-ohjelmalle olennaisinta on kuitenkin toimivat työkalut erilaisiin analyyseihin ja kyselyihin, joihin muut ohjelmat eivät kykene.”  MapInfo on sisällöllisesti paljon enemmän kuin mikään muu tietokoneohjelma mitä olemme käyttäneet. Eri tietokantojen yhdistely ja niiden kartalla esittäminen ei ainakaan tähän mennessä ole onnistunut muilla ohjelmilla. Myös hakujen tekeminen on helppoa Query-toiminnoilla. Visuaaliset hienosäädöt kannattaa toki hoitaa esimerkiksi Corelilla, mutta senhän vuoksi meillä monta eri ohjelmaa onkin. Voisin kuvitella nimenomaan bufferianalyysien merkityksen olevan hyvin suuri monilla eri aloilla. Esimerkiksi tehtaita kannattaa rakentaa alueille joissa raaka-aineita löytyy lähistöltä ja asuinalueita suunnitellessa on hyvä tutkia sitä, millaisten virkistys- tai muiden palveluiden lähistölle asukkaita on kerääntynyt tiheimmiten.

Johanna mainitsi blogissaan myös sen, kuinka näpertelymme johtaa usein siihen, että kokeilemme kaikkea mahdollista saadaksemme haluamamme tiedot, emmekä loppujen lopuksi ymmärrä itsekään, kuinka loppujen lopuksi saimme vastauksen. Olen itse miettinyt samaa asiaa useampaan otteeseen. Rupesin kuitenkin viimeistään tällä kurssikerralla huomaamaan, että vaikka joka kerta uusi asia tuntuu yhtä lailla onnettomalta sähellykseltä, rupeaa pohjalla piilemään jo vanhan osaamista, eikä joka askelta tarvitse enää niin kovasti miettiä. Uskon siis että kaikki epätoivoinen rämpiminen johtaakin siihen että asiat ainakin loppujen lopuksi jäävät mieleen. Sen mahdollistaa se, että voimme päästä MapInfon kanssa uusiin ulottuvuuksiin vain käyttämällä aikaisemmin opittuja toimintoja. Asiaa tulee siis kerrattua aivan huomaamatta. Tällä kurssikerralla testattiin erityisen paljon sitä, miten pärjäämme itsenäisesti tehtävien kanssa. Kuten Pyry Poutanen blogissaan kirjoittaa, ” Kurssikerran tarkoitus ei varsinaisesti ollut tutkia näiden tehtävien aiheita, vaan potkia meitä opiskelijoita itsenäiseen ongelmanratkaisuun selvittäessämme vastauksia tehtävien kysymyksiin.”

Lähteet:

Hakanen, J. (2014). KK5: Bufferointia ja analyyseja, eli tuskaa ja ärsytystä. <https://blogs.helsinki.fi/johakane/>18.2.2014.

Poutanen, P. (2014). Kurssikerta 5 – Itsenäistä ajattelua.  <https://blogs.helsinki.fi/pyrypout/>. 18.2.2014.

Kurssikerta 4: Rasterikarttoja MapInfolla

 Neljännen kurssikertamme teemana oli luoda Grid Maker-työkalulla ruudukko MapInfon tietokantaan, tässä tapauksessa pääkaupunkiseudun ylle, ja luoda ruudukon avulla koropleettikartta. Tunnin lopussa opettelimme myös kartanpiirtoa MapInfolla ja koordinaattien merkitsemistä kartalle. Itsenäiseksi tehtäväksemme saimme kuitenkin koropleettikartan luomisen haluamastamme aiheesta. Tehtävää tehdessäni histogrammi-työkalu ja MapInfo päättivät yhteistoimin lakata toimimasta. Niin sitä käy kun kerrankin päättää tehdä tehtävät hyvissä ajoin. Loppujen lopuksi pääsin kuitenkin molempiin ohjelmiin taas käsiksi ja koropleettikarttojen luominen ja tulkitseminen sai alkaa.

Päätin kuvata koropleettikartalla eläkeläisten lukumäärää pääkaupunkiseudun eri alueilla. Koropleettiruudukon päätin tehdä 300mx300m ruuduilla, sillä mielestäni ne kuvasivat ilmiötä sopivan tarkasti ja terävästi. Aineiston ikäluokat oli jaettu 5 ikävuoden luokkiin, joten valitsin tarkkailtaviksi yli 65-vuotiaat henkilöt. Tein vielä erikseen koropleettikartan yli 60-vuotiaiden jakautumasta pk-seudulla, sillä osa tästäkin ikäluokasta on jo eläkkeellä. Näin nähdään vaikuttaako tämän ikäryhmän lisääminen eläkeikäisiin paljon koropleettikartan jakaumaan. Kuten kartoista nähdään (kuvat 1 ja 2), eroa ei juurikaan huomaa eli todennäköisesti 60-64-vuotiaat jakautuvat alueelle melko samalla tavalla kuin iäkkäämmätkin ihmiset. 60-64-vuotiaiden määrä voi myös olla sen verran pieni ettei sen vaikutusta huomaa kartasta. Oli niin tai näin, kuvista käy ilmi eläkeläisikäisten jakautuminen pääkaupunkiseudulla. Tästä lähtien käytän kuvan 2 tietoja eläkeläisten jakautumista analysoidessani.

Yli60vvKuva 1. yli 60-vuotiaiden jakautuminen pääkaupunkiseudulla.

eläkeikäset

Kuva 2. yli 65-vuotiaiden jakautuminen pääkaupunkiseudulla.

Grid-toimintoa käyttäessä ruudukon luomisessa on otettava huomioon virheen mahdollisuus. Laskettavan arvon osuessa ruudun reunaan tai kulmaan, se lasketaan jokaiselle ruudulle mihin sen voi tulkita kuuluvan. Laskin oman karttani virhelukeman eläkeläisikäisten määrästä; kun tarkkailin eläkeläisten määrää alkuperäisestä tietokannasta, lukema oli 132199. Laskiessani saman muuttujan ruudukosta, lukema paisui 136271:een. Eläkeläisten määrä lisääntyi siis 4072:lla ruudukoiden hämätessä ohjelmaa. Joidenkin luokkavälien ollessa hyvinkin pieniä voi yksikin ylimääräinen eläkeläinen helposti siirtää ruudun seuraavaan luokkaan. Tällä kartalla yksittäisen ruudun luokalla ei kuitenkaan ole suurta merkitystä kartalta esitettävien johtopäätöksien suhteen.

Histogrammin luodessani (kuva 3) huomasin eläkeläisten jakautuvan pääkaupunkiseudulla hyvinkin vinosti, esimerkiksi yhden eläkeläisen ruutuja on hyvin paljon verrattuna suurempien lukujen määrään. Päätin käyttää luokittelutapanani kvartiileja, jotka ovat osoittautuneet hyväksi luokittelutavaksi kovin monille karttatyypeille ja jakaumille. Tässä tapauksessa jokainen luokka esiintyy suurin piirtein yhtä suurena kartalla. Karttaa tulkitessa kannattaa siis ehdottomasti kiinnittää huomiota legendaan josta selviää, että luokkavälit ovat hyvinkin eri kokoisia. Ylin luokka poikkeaa luokkaväliltään muista luokista huomattavasti. Kvartiililuokittelusta huolimatta näin rajuja eroja olisi ehkä pitänyt pehmentää hieman supistamalla ylintä ja laajentamalla alimpia luokkia.

HistogrammieläkeläisetKuva 3. Histogrammi yli 65-vuotiaiden jakautumisesta pääkaupunkiseudulla

Kartalta (kuva 2) käy selkeästi ilmi eläkeläisten suosivan asuinpaikkavalinnallaan Helsinkiä. Tiheimmät asutuskeskukset eläkeläisten parissa sijaitsevat metro- ja junaratojen varrella ja ydinkeskustassa. Todennäköisesti monet eläkeikäiset ovat muuttaneet vasta vanhuudenpäivillään ydinkeskustan alueelle kun neliömäärän tarve on vähentynyt lasten muuttaessa pois. Esimerkiksi terveyspalveluiden tarve kasvaa monesti vanhalla iällä ja muidenkin palveluiden läheisyys helpottaa huomattavasti.

Kuten myös Natalia Erfving blogissaan painottaa, on otettava huomioon myös suuret asutuskeskukset yleensä, ikäluokkia huomioon ottamatta. Koska asutus yleensäkin keskittyy keskuksiin ja hyvien liikenneyhteyksien varteen, ei ole kovinkaan yllättävää että myös eläkeläisikäiset suosivat asutusta näillä alueella. Lisäinformaatiota karttaan toisi se, jos eläkeläisten määrä olisi jollain tavalla suhteutettu kokonaisväkilukuun. Absoluuttisia arvoja kiinnostavampaa olisi mitata eläkeläisten prosenttiosuutta väestöstä kullakin alueella. Tällöin karttaan oltaisi voitu lopuksi lisätä sellaisia kohteita jotka ovat todennäköisesti vetäneet puoleensa juuri eläkeläisiä näillä alueilla. Vertaillessani karttaani Natalian karttaan alle kouluikäisten määrästä pääkaupunkiseudulla, huomaan että asutuksen tiheysluokat jakautuvat kummallakin kartalla melko samantyyppisesti, varsinkin jos ottaa huomioon sen, että minun ylin luokkani on melko paljon laajempi. Nämä samankaltaisuudet näkyisivät todennäköisesti minkä vaan ikäluokan asutusjakaumaa tarkastellessa. Karttaan olisi toki voinut liittää myös esimerkiksi liikenneverkkoja tai suurimpia keskuksia jotta kartta selittyisi paremmin niillekin, jotka eivät pääkaupunkiseutua tunne.

Lähteet.

Erfving, N. (2014) Kurssikerta 4: Ruutuja, rasterikarttoja ja alle kouluikäisten määrä pääkaupunkiseudulla. <https://blogs.helsinki.fi/nataliae/>. 4.2.2014.

Histogram Tool. <http://illuminations.nctm.org/Activity.aspx?id=4152>. 3.2.2014.

Kurssikerta 3: Tietokantojen lisääminen ja tulvaindeksikartta

Kolmannella viikolla pääsimme opettelemaan tietokantojen lisäämistä paikkatietotaulukkoon muista taulukoista tai ohjelmista (tässä tapauksessa Excelistä). Aihe oli varsin mukaansa tempaava, sillä muutenkin harvinaisen pirteänä maanantaina pääsimme tutkimaan Afrikan karttaa, joka on mielestäni aina yhtä mielenkiintoista. Lisäksi on varsin inspiroivaa että kaltaiseni tietokonetampio pystyy tekemään jotain niin hienon kuuloista kuin lisäämään uutta dataa paikkatietojärjestelmään.

Yhteisenä harjoituksenamme tutkimme siis Afrikan karttaa ja yhdistimme samaan paikkatietotaulukkoon timanttikaivoksisten, konfliktien, öljykenttien ja Facebook-käyttäjien määrät eri Afrikan alueilla. Kyseiset muuttujat samassa taulukossa teki mielenkiintoiseksi se, että muuttujien välillä voisi kuvitella olevan jonkinnäköistä korrelaatiota. Timanttikaivos- ja öljykenttälöydökset tuovat vaurautta mutta aiheuttavat alueille usein konflikteja, jotka taas johtavat usein alueen köyhtymiseen ja huonoihin oloihin. Se, kuinka suurella osuudella alueen väestöstä on Facebook-tili, voi olla hyvä mittari siitä, ovatko löydökset vaikuttaneet alueen talouteen positiivisesti vai negatiivisesti. Myös vaurauden jakautuminen rikkaiden ja köyhien välillä on otettava huomioon analysoidessa korrelaatioita muuttujien välillä. Tässä tehtävässä emme korrelaatioita sen kummemmin tutkineet, vaan pointtina oli tietokantojen yhdistely MapInfon toimintoja käyttäen. Paikoittaisia epäselvyyksiä lukuun ottamatta toiminnot onnistuivat jo melko hyvin yksilötehtäväämme siirtyessä.

Itsenäisenä tehtävänämme oli luoda kartta Suomen valuma-alueiden tulvaindekseistä ja näiden valuma-alueiden järvisyysprosenteista. Tulvaindeksi laskettiin laskukaavalla keskiylivirtaama/keskialivirtaama, jossa keskiylivirtaamalla tarkoitetaan keskiarvoa ylimpien mitattujen virtaavien vesien määrästä ja keskialivirtaamalla keskiarvoa alimpien mitattujen virtaavien vesien määrästä. Tällä laskutoimituksella saadun sarakkeen lisäksi taulukkoon tuli lisätä myös sarake valuma-alueiden järvisyysprosentista.  Sen jälkeen kaikki tieto tarvittavaa karttaa varten olikin kerätty. Tarkistin vielä histogrammin avulla, millaisella jakaumalla valuma-alueiden tulvaindeksit kannattaisi luokitella (Kuva 1). Koska kyseessä on vino jakauma, päätin jakaa tulvaindeksit kvantiileittain. Jako lieni muuten järkevä mutta ylin luokka on erittäin laaja suurien ääriarvojen vuoksi. Yksinkertaisen ratkaisun ongelmaan löysin seuraavia karttoja ajatellen samanlaisten ongelmien kanssa painiskelleen Henri Järvisalon blogista: ”Kenties olisi ollut järkevämpää luokitella jakauma neljään kvantiiliin jättäen yksi selvästi korkeimman tulvaindeksin valuma-alue luokittelun ulkopuolelle ja määrittämällä tälle valuma-alueelle erikseen oma luokkansa.”

Kuva 1. Histogrammi Suomen valuma-alueiden tulvaindekseistä.

Kartan tekeminen rupeaa sujumaan jo melko kivuttomasti. Värimaailmaksi tulvaindeksejä kuvaamaan valitsin luonnollisesti sinisen eri sävyjä ja järvisyysprosentteja kuvasin vihreillä pylväillä (Kuva 2). Päätin siirtää tuotoksen CorelDrawiin hienosäätöä varten ja totesin sen olevan paikallaan, sillä Corel-taitoni olivatkin jo ruostumassa kovaa vauhtia. Muistia virkistettyäni pääsin kuitenkin muokkaamaan karttaa visuaalisesti miellyttävämpään suuntaan kuin mihin MapInfoa käyttäen olisin pystynyt.

Tulvaindeksi corel

Kuva 2. Suomen valuma-alueiden tulvaindeksit ja järvisyysprosentit.

Karttaa tulkitsessa päästään analysoimaan järvisyyden ja tulvaindeksien välistä korrelaatiota. Kartalta ei voi olla huomaamatta, että suurimpien tulvariskien alueilla järvien osuus on pieni. Tämä johtuu siitä että järvet toimivat vesivarastona tulvavesille ja sijaitsevat lisäksi yleensä alavilla alueilla, jolloin sadevesi jakautuu laajalle alueelle eikä näin ollen aiheuta yhtä rajua vesirajan nousua. Nämä matalan tulvaindeksin alueet sijaitsevatkin suurimmilta osin Järvi-Suomen alueella. Korkeiden tulvaindeksien valuma-alueet sijaitsevat lähinnä rannikko-Suomessa, joissa vesistöt koostuvat lähinnä joista. Jokien kyky varastoida vettä ei ole järvien tasoinen ja tulvat ovatkin todennäköisesti yleensä tulosta jokien tulvimisesta.  Näillä alueilla sademäärät lienevät muutenkin suurempia meren läheisyyden vuoksi.

Lähteet:

Histogram Tool. <http://illuminations.nctm.org/Activity.aspx?id=4152>. 27.1.2014.

Järvisalo, H. (2014). KK3: Afrikan timanttikentiltä Suomen valuma-altaisiin. <https://blogs.helsinki.fi/hpjarvis/>. 29.1.2014.

 

 

 

 

Kurssikerta 2: Artikkeli 1

Kurssin ensimmäisenä artikkelitehtävänä kurssilaisillemme annettiin luettavaksi Anna Leonowichin artikkeli ”Two-variable choropleth maps as a useful tool for visualization of geographical relationship”. Artikkelissa esitellään ainakin itselleni uusi kartografinen ratkaisu eli kahta muuttujaa kuvaava koropleettikartta. Leonowich pyrkii tekstissään sekä esittelemään kahden muuttujan koropleettikartan lukijalle että puntaroimaan yhden ja kahden muuttujan koropleettikarttojen toimivuutta keskenään. Vertailun helpottamiseksi kahta eri koropleettikarttamuotoa on esitelty puolalaisille maantiedon opiskelijoille. Oppilaat ovat saaneet tulkita niin yhden kuin kahden muuttujan karttoja ja arvioita niiden luettavuutta ja toimivuutta kyselyyn vastaamalla.

Kahden muuttujan kartalla esitetään kahden eri muuttujan esiintymistä eri väreillä niin että mitä vahvempana kummankin värin kuvaama muuttuja kartalla esiintyy, sitä vahvemmin värit sekoittuvat keskenään. Muuttujat voivat olla joko toisistaan riippuvia tai riippumattomia. Kuten Hertta Lehvävirta blogissaan tiivistää aiemmin oppimamme, ”Edellisessä esitystavassa kartanlaatijan on kuitenkin tärkeää ymmärtää, mitä muuttujia on aiheellista tarkastella päällekkäin: olisi hyvä muistaa, että tilastollinen korrelaatio ei välttämättä kerro kausaalisuhteesta ja voi olla jonkin tarkastelun ulkopuolisen muuttujan tai toisaalta pelkän sattuman aiheuttamaa.” Kahden muuttujan koropleettikartalla on siis järkevää kuvata vain muuttujia joiden keskenäistä yhteyttä halutaan tarkastella.

Artikkelin esimerkkinä kahden muuttujan kartasta on kuva 3, jossa on ensin esitetty kaksi erillistä yhden muuttujan karttaa joista ensimmäinen kuvaa maalaisväestön osuutta ja toinen alle 18-vuotiaiden osuutta Masovian alueella Puolassa. Karttojen alapuolella on kahden muuttujan kartta jossa nämä muuttujat ovat esitetty yhdellä kartalla. Tätä karttamuotoa käyttäessään on kartografin oltava tarkka erityisesti värivalinnoissaan. Todennäköisesti kartan tulkitseminen on helpointa silloin kun sävyt vaihtuvat tasaisesti luokkien vaihtuessa. Värit kannattanee valita myös niin, että muuttujia kuvaavat värit ovat päävärejä (syaaninsininen, magentanpunainen tai keltainen), jolloin niiden sekoittuessa syntyvät värit ovat selkeitä ja kaikille tuttuja välivärejä. Artikkelin kuvassa värivalinta hämää itseäni sillä vaaleanpunaisen värin hahmottaa selvästi liilahtavana ilman että siihen olisi juurikaan sekoittunut sinistä. Voimakkaan korrelaation alueet taas ovat voimakkaan sinisen sävyisiä vaikka intuiivisesti tulkitsisin karttaa niin että violetit sävyt ja valkoinen viittaisivat korkeaan korrelaatioon. Tällöin muutenkin melko sekavan legendan sävyjä ei tarvitsisi vertailla karttaan yhtä intensiivisesti, sillä sävyt olisivat loogisia ja legendan vilkaisu alussa riittäisi kartan tulkitsemisessa tarvitsemien tietojen keräämiseen.

Legendan lukeminen on melko haasteellinen tehtävä jo itsessään; muutenkin uuden ja hankalan värimaailman tulkitsemisen lisäksi legendassa on piste kuvaamassa kutakin alueen kaupunkia ja matemaattisia merkkejä kuvaamassa keskihajontalukuja ja keskiarvoja. Lisäksi ruudut ovat erikokoisia jotta kaupunkien määrä jakautuisi tasaisemmin värien kesken. Luokittelumuotona on käytetty keskihajontaa. Legendan alapuolella on vielä matriisiruudukko, josta voi numeroarvoin lukea kunkin ruudun kaupunkimäärän. Näin ollen legendan informaatioarvo on melkoinen mutta tiedon määrän mukana kasvaa myös sen tulkitsemisen työläys.

Kahden muuttujan koropleettikarttojen valttina on esitetty muuttujien suhteiden kuvaus eikä tämän tyyppistä karttaesitystä oman järkeni mukaan kannata muuhun käyttääkään. Kun kartta on kartografisilta ratkaisuiltaan oikeanlainen ja tulkitsija osaa hommansa, pitäisi muuttujien korrelaatiosuhteen käydä ilmi kätevästi yhdellä kartalla. Monet vasta ensimmäisen vuoden opiskelijat olivat havainneet muuttujien suhteiden kuvaamisen olevan järkevää kahden muuttujan kartalla. Kartan tulkitsemisessa on kuitenkin ehdottomasti haasteensa. Uskon kuitenkin että suurin osa haasteista voitettaisiin tällaisten karttojen yleistämisellä. Hiemankin harjaantunut kartanlukija huomaisi todennäköisesti jo lyhyessä ajassa kahden muuttujan kartan tulkinnan käyvän luonnostaan. Tarvitaan pelkästään järkevät muuttujat, taitava kartografi ja totuttelua niin kahden muuttujan koropleettikartat ovatkin jo käyttökelpoisia karttoja muiden seassa.

 

Lähteet:

Lehvävirta, H. (2014). Näkökulmia kahden muuttujan koropleettikarttoihin. <https://blogs.helsinki.fi/herttale/>. 27.1.2014

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

 

Kurssikerta 2: MapInfon erilaiset teemakartat ja kahden teeman esittäminen samaan aikaan

Toisella viikolla tutustuimme kaikkiin MapInfossa mahdollisten eri teemakarttojen esittämismuotoihin. Tällä kertaa opetuksessa kärryillä pysyminen kävi jo helpommin ja MapInfo rupesi tuntumaan tutummalta ja loogisemmalta. Sen lisäksi että kävimme läpi eri teemakarttojen teknisen luomisen prosessit, opetettiin meille myös siitä minkä tyyppisten teemojen esittämiseksi kannattaa valita tietty esitystapa. Saimme myös vihiä siitä, miten eri teemojen tulisi olla suhteutettuna toisiinsa, jotta ne kannattaa esittää samalla kartalla.  Tähän liittyen saimme itsenäisen työmme, jossa tuli tehdä valitsemaltamme Suomen alueelta kartta, jossa tulee esittää kaksi eri teemaa. Laura Hintsanen tiivistää blogissaan kahden teemakartan luomisen seuraavasti: ”Kahta teemakarttaa päällekkäin kuvattaessa alimmainen kartta on yleensä koropleettikartta. Sen päälle voi helposti lisätä esim. pylväistä tai piirakoista koostuvan kartogrammin tai pistekartan. Myös kaksi koropleettikarttaa on mahdollista esittää päällekkäin. Tällöin niille valitaan värit tai rasterit, jotka eivät sekoitu keskenään eivätkä tee lopputuloksesta sotkuista tai epäselvää.”

Teemojen valitseminen tuotti minulle jonkin verran ongelmia ja käytin siihen huomattavasti enemmän aikaa kuin ensimmäisellä viikolla. Päätin tehdä teemakarttani Etelä-Savon kunnista, sillä ne olivat tulleet minulle hyvin tutuiksi TAK-kurssin aikana. Koska Etelä-Savossa, kuten valtaosassa muistakin kunnista, ongelmana on tappiomuutto sekä työttömyys, halusin alun perin kartallani esittää niiden suhdetta toisiinsa. Hypoteesinani oli että korkea työttömyysaste johtaisi asukkaiden muuttamiseen toisille paikkakunnille työpaikkojen perässä ja se taas johtaisi kyseisellä kunnalla tappiomuuttoon. Teinkin aluksi kartan jossa esitin koropleettipintana kuntien työttömyysasteita vuonna 2010. Toiseksi teemakseni esitin kuntien nettomuuttoa absoluuttisina määrinä käyttäen graduated-teemakarttaa joka on selkeä ja yksinkertainen menetelmä absoluuttisten arvojen esittämiseen kartalla. Kartta oli kuitenkin mielestäni hieman sekava koska varsinaista kunnan väestörakennetta ei kuvattu lainkaan. Vaikka absoluuttinen lähtö- tai tulomuuttajien määrä olisi vähäinen, voi se harvaan asuttujen kuntien kohdalla olla kuitenkin merkittävä. Samoin muuttajien luvun ollessa korkea on hyvä tietää onko luku kunnan asukkaisiin nähden yhtä lailla korkea. Tästä syystä päätin vaihtaa koropleettipinnan teemaksi väestöntiheyden (kuva 2). Vaikka jouduin luopumaan alkuperäisestä ideastani, uskon että kartta on nyt selkeämpi ja siitä voi selkeämmin tulkita muuttajien vaikutusta kunnan rakenteelle. Oletukseni oli että tiheän asutuksen keskuksilla muuttoluvut olisivat positiivisia ja harvan asutuksen alueilla negatiivisia kun pienten paikkakuntien asukkaat muuttaisivat suurempiin keskuksiin esimerkiksi työ- tai opiskelupaikkojen perässä. Oletus päteekin osittain, sillä tiheiten asuttujen keskusten, Savonlinnan ja Mikkelin, alueilla tulomuutto on suurinta. Harvaan asuttujen paikkakuntien välillä tulo- ja lähtömuuttoa on kuitenkin melko tasaisesti. Kyse on kuitenkin näin vähäisen asukasluvun alueilla yleensä yksittäisten henkilöiden muuttopäätöksistä jolloin luvut voivat heilahdella melko satunnaisesti.

Selvitin histogrammi-työkalun avulla että Etelä-Savon kuntien väestöntiheys vuonna 2011 oli jakautunut vinosti niin että pienen väestöntiheyden kuntia oli paljon ja tiheään asuttuja kuntia enää harvakseltaan (kuva 1). Vinoon jakaumaan suositellaan käyttämään esimerkiksi sovinnaisia, pyöristettyjä luokkia. Päädyin käyttämään sovinnaisia luokkia niin että luokittelu korostaa sitä että suurin osa Etelä-Savon kunnista on erittäin harvaan asuttua mutta joukkoon kuuluu muutama suurempi keskus. Mikkeli on kunnista ylivoimaisesti tiheimpään asuttu, jonka takia sen oli mielestäni hyvä erottua kartalta omana luokkanaan.

Histogrammi 2

Kuva 1.Histogrammi Etelä-Savon kuntien väestöntiheydestä vuonna 2010.

 

Karttaa tekiessäni painiskelin pitkään värien ja symbolien kanssa. Punaisen värin valitsin lähinnä vaihtelun vuoksi, mutta mietin nyt näyttävätkö koropleetit kuvaavan jotain vaarallista ilmiötä värin vuoksi. Tiheyslukemat kun eivät kuitenkaan Etelä-Savon alueella viittaa kovinkaan katastrofimaiseen väestöräjähdykseen. Vielä enemmän pohdiskelin sopivia symboleita. Minusta oli hauska ajatus laittaa lähtömuuttoalueille kävelevä ihmissymboli ja tulomuuttoalueille seisova ihminen. Loppujen lopuksi en kuitenkaan tiedä tuliko karttaesityksestä sen myötä hieman turhan leikkisä. Mielleyhtymä toimii kuitenkin mielestäni tehokkaasti eikä legendaa tarvitse kahdesti vilkaista näitä gratuated-symboleita tulkitessaan.

VäestöntiheysmuuttoKuva 2. Etelä-Savon kuntien väestöntiheys ja kokonaisnettomuutto vuonna 2010.

Kartan tekeminen ei teknisesti tuntunut enää niin haastavalta kun ensimmäisen kurssikerran tehtävässä, sillä toiminnot olivat jo käyneet tutummiksi ja muistin pettäessä moodleen ja papereille kirjatut ohjeet löytyivät heti vanhasta tottumuksesta. Tehtävänanto oli kuitenkin haastavampi ja mielenkiintoisen ja selkeän kartan luominen kahdesta eri teemasta vaatikin huomattavasti enemmän pohdiskelua kuin yhden teeman kartta. Lopputulosta katsoessani olen vielä epävarma monesta asioista kuten väri- ja symbolivalinnoista ja siitä, olisiko kartan mielenkiintoisuutta kuitenkin lisännyt se, että muuttujien välinen suhde olisi ollut moniulotteisempi jolloin niiden välisen korrelaation tutkiminen olisi johtanut mielenkiintoisempiin tuloksiin.

Lähteet:

Hintsanen, L. (2014). Kurssikerta 2: Kahden teeman teemakartat. <https://blogs.helsinki.fi/lhintsan/>. 27.1.2014.

Histogram Tool. <http://illuminations.nctm.org/Activity.aspx?id=4152>. 20.1.2014.

Tilastokeskus (2010). Kokonaisnettomuutto.

Tilastokeskus (2010). Väestöntiheys.

 

Kurssikerta 1: MapInfon käyttäminen ja oman koropleettiteemakartan tekeminen.

Olen luonut tämän blogin Paikkatiedon hankinta, analyysi ja kartografia-kurssin tehtäviä varten, jotta voimme kurssin edetessä oppia myös toistemme tekeleistä. Vaikka julkisen blogin kirjoittaminen kuulosti aluksi ahdistavalta, uskon että ainakin itselleni on suureksi hyödyksi päästä vapaasti lukemaan myös muiden kurssilaisten tuotoksia.

Ensimmäisellä kurssikerralla kävimme läpi paikkatiedon perusteet ja harjoittelimme MapInfo-ohjelman käyttöä teemakarttojen luomiseen ja tulkitsemiseen. Olimme käyneet MapInfon perustoimintoja läpi lyhyesti myös TAK-kurssilla, mutta kertaus teki hyvää, sillä toiminnot tuntuvat edelleen melko vaikeilta ja välillä myös hieman kankeilta.   Kävimme läpi perustoiminnot Helsingin karttapohjaa käyttäen ja saimme lopputunnin tehtävänannoksi  luoda  itsenäisesti koropleettiteemakartta valitsemastamme aiheesta joko Helsingin tai koko Suomen karttaa käyttäen.

Koropleettikarttani (Kuva 2) aiheeksi valitsin eläkeläisten osuuden Suomen eri kuntien väestöstä vuonna 2010 (Tilastokeskus, Helsinki). Luokittelumuodon valinnassa käytin internetin histogrammi-työkalua johon syötin kuntien eläkeläisten määrän. Histogrammin mukaan aineisto oli normaalisti jakautunut eli suuri osa kunnista kuului luokkaan jossa eläkeläisten osuus on hieman alle 30 prosenttia kun taas luokkiin jossa on hyvin vähän tai paljon eläkeläisiä on huomattavasti vähemmän (Kuva 1).

histogrammi

Kuva 1. Histogrammi eläkeläisten osuudesta Suomen väestöstä kunnittain (2010).

Jakauman ollessa normaalisti jakautunut suositellaan luokittelumuodoksi valitsemaan joko kvantiileja, keskiarvoja tai hajontalukuja. Päädyin luokittelemaan eläkeläisten osuudet väestöstä kvantiileittain viiteen eri luokkaan. Kvantiileihin jaotellessa on vaarana että luokkien sisäiset erot ovat hyvinkin suuret mutta etuna on että jokaisen luokkaan sisältyy suurin piirtein yhtä monta havaintoa, tässä tapauksessa siis Suomen kuntaa. Valitsin viisi luokkaa jotta kartta olisi mahdollisimman havannoillinen. Christa Sallasmaa on tehnyt karttansa samasta aiheesta mutta valinnut vain kolme luokkaa kartalle. Christan kartta on tästä syystä omaa karttaani selkeämpi vaikkakin nopeasti katsottuna hyvin samannäköinen. En kuitenkaan usko että oma karttani on turhan sekava. Keskimmäisten luokkien värit eivät tosin erotu kovin hyvin toisistaan kun taas Christan kartassa erot ovat erittäin selkeät. Vihreän värin valitsin sillä se on värinä melko neutraali eikä siis herätä turhia mielikuvia jotta lukija pystyy alusta asti keskittymään olennaiseen eli kartan tulkitsemiseen legendaa ja sävyeroja tutkien. Kartalta voidaan tulkita että suurimmissa keskuksissa (Pääkaupunkiseutu, Tampereen ja Turun ympäristö, Oulun seutu…) eläkeläisten osuus on melko pieni kun taas erityisesti itäisessä Suomessa eläkeläisiä on väestön määrään nähden runsaasti.

Aaaaaa         Kuva 2. Eläkkeellä olevien osuus väestöstä Suomen kunnissa vuonna 2010.

Lopputulos on mielestäni melko hyvä vaikkakin hienosäätöä vailla. Mittakaava ja pohjoisnuoli näyttävät hieman keskeneräisiltä ja luokitteluakin voisi vielä miettiä siltä kannalta onko luokkia kuitenkin liikaa ja olivatko kvantiilit varmasti paras tapa kyseisen ilmiön esittämiseen. MapInfon käyttäminen koropleettikarttojen tekemisessä oli mielestäni yllättävän hermoja raastavaa, toiminnot eivät toimineet niin kuin olen muita ohjelmia käyttäessäni tottunut ja tuli myös hetkiä jolloin tipuin kärryiltä opetuksessa. Muun muassa mittakaavan ja pohjoisnuolen sommitteleminen ja kartan liittäminen blogitekstiin toivat yllättävän paljon päänvaivaa ollakseen loppujen lopuksi melko yksinkertaisia toimenpiteitä. Uskon ja  toivon kuitenkin loppukurssin aikana lukevani tätä tekstiä ja miettiväni että mikäköhän kumma siinä muka oli niin vaikeaa. Jo nyt uskon että jos tekisin vastaavan tehtävän uudestaan, sujuisi se paljon mutkattomammin.

 

Lähteet:

Eläkeläisten osuus väestöstä (2010). Väestörakenne 2010. Tilastokeskus, Helsinki. 13.1.2014

Histogram Tool. <http://illuminations.nctm.org/Activity.aspx?id=4152>. 13.1.2014.

Sallasmaa, C.(2014). Kurssikerta 1: MapInfoon tutustuminen ja koropleettikartta. <http.//blogs.helsinki.fi/christas/>16.1.2014.