Hullua kyllä, kaikessa haastavuudessaan tämä kurssi opetti monenmoisia taitoja ja tietoja. Vaikka monta kertaa tulikin ajateltua, että näihin ohjelmiin ja välineisiin en enää koskaan koske, vaikuttavat ne nyt melko kelpo työkaluilta. Joka tapauksessa, tämän blogin rakentelu oli nyt tässä.
Viimeisellä kurssikerralla valmistettiin kurssin aikana opittuja taitoja hyödyntäen oma karttaesitys halutusta aiheesta. Valitsin aiheeksi kehitysmaalääketieteen kurssilla esille nousseen haasteen hyvinvoinnin epätasaisesta jakautumisesta Afrikassa, jota tarkastelin bruttokansantuotteen/asukas ja ylipainon prosentuaalisen osuuden näkökulmasta. Vaikka monet Afrikan valtioista voivat olla köyhiä, löytyy näistäkin valtioiden sisältä materiaalista hyvinvointia, joka tosin jakautuu epätasaisesti väestön kesken. Epätasaisen hyvinvoinnin jakaantumisen seurauksena näissä valtioissa voikin esiintyä rinnan niin köyhyyden ja puutteen aiheuttamia terveysongelmia kuin myös elintaso- ja elintapasairauksia. Kehitysmaatutkimuksessa puhutaankin kehittyvien maiden terveydenhuollon kasinkertaisesta taakasta, joka on seurausta niin matalasta kuin suhteellisen korkeasta elintasosta.
Karttaesityksen pohjaksi valitsin jo 3. kurssikerralla käsitellyn Afrikan kartan. Aineistoksi valitsin WHO:n tietokannoista ylipainon (BMI > 30) sekä bruttokansantuotteen dollareina asukasta kohden Maailmanpankin kehitystä mittaavasta tietokannasta. Muokkasin WHO:n tilastot helpommin käsiteltävään muotoon Excelissä ja yhdistin luodun taulukon jo 3.lla kurssikerralla käsiteltyyn tietokantaan Afrikan valtioista. Lopuksi valitsin karttaesitystä varten bruttokansantuotteelle viisi luokkaa, jotka esitettiin kartalla eri väreillä, ja ylipainon prosentuaalista osuutta kuvaavan pylväsdiagrammin. Maat, joista ei ollut saatavilla bruttokansantuotetta asukasta kohden, jäivät pois esityksestä, ja maista, joista ei löytynyt tietoa ylipainoisten suhteellisesta määrästä, jätettiin pylväsdiagrammi pois. Lisäksi muokkasin valmista karttaesitystä CorelDRAW-ohjelmalla, jotta sain lisättyä tiedon valtioista, joista tietoa ei ollut saatavilla, sekä siistittyä legendaa.
Kuva 1. Bruttokansantuote dollareina asukasta kohden ja ylipainoisten (BMI > 30) osuus väestöstä prosentteina Afrikan eri valtioissa vuonna 2011
Kartasta voidaan huomata, että ylipainoisten osuus väestöstä on suurin maissa, joissa myös bruttokansantuote asukasta kohden on suurempi. Valtioissa, joiden bruttokansantuote asukasta kohden on pieni, on myös suhteellisesti vähemmän ylipainoisia. Tarkasteltaessa puolestaan valtioita eri luokkien sisällä, esille nousee varsin suuriakin eroja ylipainoisten suhteellisessa osuudessa. Esimerkiksi Sierra Leonessa ylipainoisten suhteellinen osuus on varsin suuri, vaikka bruttokansantuote asukasta kohden onkin pieni, siinä missä samaan luokkaan kuuluvassa Keski-Afrikan tasavallassa ylipainoisten osuus väestöstä on hyvin pieni.
Tekemästäni karttaesityksestä jäi harmikseni osa valtioista pois, sillä niiden osalta ei tietoa ollut saatavilla WHO:n tietokannoissa. Monissa kehittyvissä maissa onkin varsin haasteellista arvioida ylipainoisten määrää, sillä niissä ei välttämättä ole kunnollista terveydenhuoltojärjestelmää tai terveystietojärjestelmää. Toisaalta jopa väestötiedot saattavat olla arvioita, sillä kattavaa väestölaskentaa ei välttämättä ole voitu tehdä. Toinen kartan luettavuutta heikentävä tekijä on CorelDRAW:lla muokattaessa muuttunut värimaailma ja tarkkuus. Kartasta tuli paitsi hieman sumea myös sen kaksi ylintä luokkaa muuttuivat sen verta samansävyisiksi, että niitä on miltei mahdotonta erottaa toisistaan.
Lähteet:
Obesity (body mass index ≥ 30),age-standardized (%) Estimates by country (2017). WHO – Global Health Observatory data repository. Luettu 13.3.2017 http://apps.who.int/gho/data/node.main.A900A?lang=en
Databank – World development indicators (2017). Maailmanpankki. Luettu 13.3.2017 http://databank.worldbank.org/data/reports.aspx?source=2&series=NY.GDP.PCAP.CD&country=
Tämä kurssikerta aloitettiin pienimuotoisella kenttäretkellä yliopiston lähiympäristöön. Tarkoituksena oli opetella keräämään paikkatietoa GPS-laitteen avulla jostakin alueella esiintyvästä ilmiöstä kuten vaikkapa bussipysäkeistä, mainoksista tai pyöräparkeista. Havaintojen tekemisen jälkeen niiden koordinaatit syötettiin MapInfoon, jolloin havainnot voitiin liittää kampuksen ympäristöä kuvaavaan karttaesitykseen. Harjoitukseen käytettävissä ollut rajallinen aika tosin tarkoitti, etteivät havainnot olleet erityisen kattavat, mutta tehtävä harjaannutti GPS-laitteiden käyttämiseen. Tällaiselle paikkatiedon keräämiselle ja esittämistavalle on tulevalla biologilla varmastikin käyttöä. Tämän lisäksi kurssikerralla kokeiltiin pisteaineiston geokoodausta ja esittämistä kartalla tutkimalla rahapeliautomaattien sijoittumista Helsingin alueella niiden katuosoitteiden perusteella.
Blogia varten harjoiteltiin erilaisten karttojen tekemistä luonnonhasardeista, kuten maanjäristyksistä, tulivuorista ja meteoriiteista. Tätä varten MapInfoon tuotiin pisteaineistoa erilaisista Yhdysvaltalaisista palveluista, kuten Berkeleyn yliopiston Northern Californian earthquake data centerin maanjäristystietokannasta sekä NOAA:n tulivuoritietokannasta, jotka sisälsivät näistä aineistoista paitsi koordinaattitietoa myös tapahtumien ajankohdat. Näin esimerkiksi maanjäristyksistä voitiin laatia karttaesityksiä tietyille ajanjaksoille. Tätä varten aineisto täytyi kuitenkin ensin muokata sopivaan muotoon Excelissä, sillä esimerkiksi päivämäärissä käytetyt erilaiset merkintätavat olisivat aiheuttaneet ongelmia.
Kuva 1. Tunnetut tulivuoret ja niiden sijainti
Tein ensimmäiseksi karttaesityksen tunnetuista tulivuorista ja niiden sijainnista. Tulivuoret sijoittuvat yleisesti ottaen mannerlaattojen saumakohtiin, törmäys- ja erkaantumisvyöhykkeille. Näillä alueilla laattatektoniikan aiheuttama kitka tai mannerlaattojen erkaantuminen synnyttää tulivuoritoimintaa. Tämä ei kuitenkaan selitä kaikkia kuvan 1 tulivuoria. Osa tulivuorista sijaitseekin mannerlaattojen keskellä tai erityisissä kuumissa pisteissä, kuten Havaijin tulivuoret. Näitä tulivuoria varten tarvitaankin omat selitysmallinsa.
Kuva 2. yli kolmen magnitudin maanjäristykset vuoden 2015 ensimmäisellä neljänneksellä
Tämän jälkeen tein karttaesityksen maanjäristyksistä, jotta tulivuorten ja maanjäristysten maantieteellistä sijaintia voisi vertailla keskenään. Valitsin aineistosta varsin lyhyen ajankohdan, vuoden 2015 ensimmäiset kolme kuukautta, jotta käsiteltävää pisteaineistoa ei olisi kertynyt ylenmäärin. Tämän lisäksi valitsin kuvattaviksi maanjäristyksiksi kaikki yli kolmen magnitudin järistykset, jälleen rajatakseni kuvattavaa aineistoa kohtuullisemmaksi. Myös maanjäristykset sijoittuvat pitkälti mannerlaattojen saumakohtiin, erityisesti törmäysvyöhykkeille. Maanjäristyksiä näyttäisi tapahtuvan paljon samoilla alueilla, joilla esiintyy myös tulivuoria. Molemmat ovatkin usein seurausta laattatektoniikasta. Erityisen paljon niin tulivuoria kuin maanjäristyksiä näyttäisi esiintyvän Tyynenmeren ympärillä. Tätä aluetta kutsutaankin nimellä Tyynenmeren tulirengas.
Kuva 3. Tunnetut yli 8 magnitudin maanjäristykset vuosina 1900 – 2015
Viimeisenä karttaesityksenä tein kaikkia yli 8 magnitudin maanjäristyksiä vuosina 1900 – 2015 kuvaavan kartan. Näin suuret maanjäristykset ovat jo melko harvinaisia, sillä niiden syntyminen vaatii erityiset olosuhteet ja valtavasti litosfäärilaattojen jännitteisiin sitoutunutta energiaa. Tästäkin kartasta huomataan, että suurin osa esitettävistä maanjäristyksistä tapahtuu Tyynenmeren tulirenkaan alueella. Toisaalta kartasta nousee esille varsin yllättäviä sijainteja, kuten Portugalin rannikko.
Arvioidessani laatimieni karttojen käyttökelpoisuutta opetuksessa, jouduin toteamaan, että rajasin aineistoa ehkä turhankin paljon. Ottamalla enemmän tapauksia mukaan karttaesitykseen, olisivat mannerlaattojen rajat tulleet luultavimminkin paremmin esille. Toki esityksistänikin voi löytää mannerlaattojen erkanemis- ja törmäyskohtia, mutta ne eivät kuitenkaan tule yhtä selkeästi esille kuin esimerkiksi tässä wikipedian maanjäristyksistä kertovan artikkelin kuvassa: https://fi.wikipedia.org/wiki/Maanj%C3%A4ristys#/media/File:Quake_epicenters_1963-98.png
Lähteet:
ANSS Composite Catalog Search (2017). Northern California Earthquake Data Center. Luettu 10.3.2017 http://quake.geo.berkeley.edu/anss/catalog-search.html
Maanjäristys (2017). Wikipedia. Luettu 10.6.2017 https://fi.wikipedia.org/wiki/Maanj%C3%A4ristys#/media/File:Quake_epicenters_1963-98.png
Volcano Location Database Search (2017). NOAA – National Oceanic and Atmospheric Administration. Luettu 10.3.2017 http://catalog.data.gov/dataset/global-volcano-locations-database
Tällä kurssikerralla harjoiteltiin aineiston bufferointia MapInfossa, jota oli harjoiteltu jo aikaisemmin Pornaisten seudulla. Tehtävänä oli puskurointi toimintoa käyttämällä laskea, kuinka monta asukasta asuu tietyn välimatkan päässä Helsinki-Vantaan kiitoradoista sekä erilaisilla melualueilla. Apuna käytettiin piirtotoimintoa, jotta kiitoradan päähän tuleva melualue saatiin myös puskuroitua. Tämän lisäksi laskettiin myös kuinka paljon ihmisiä asuu tietyn välimatkan päässä juna-asemista. Toisessa tehtävässä puolestaan tarkasteltiin kuinka moni asui taajamassa, paljonko lapsia asui taajamassa ja kuinka monta taajamaa aineistossa ylitti tietyn ulkomaalaisten osuuden. Viimeiseksi tehtäväksi saattoi valita itse vaikkapa uima-altaiden määrän Helsingissä.
Bufferointi osoittautui käteväksi tavaksi rajata aineistoa tarvittavaan tarkkuuteen ja mahdollisti spatiaalisen analyysin aineistosta. Lentokenttien ympäristössä asuvien määrää pystyi arvioimaan teemällä niiden ympärille bufferialueen. Esitetyn tikkurilan ylitse lentävän lentoreitin vaikutusalueella asuvat henkilöt pystyttiin puolestaan laskemaan apuviivan avulla. Juna-asemia arvioitiin samaan malliin kuin lentokenttien ympäristöä: aineisto siis jaettiin bufferialueen avulla niihin, jotka asuivat pistemäisten juna-asemien ympärille määritetyn bufferalueen sisäpuolella ja niihin jotka asuivat sen ulkopuolella. Taajamia tutkittaessa aineisto puolestaan jaettiin osiin sen perusteella, asuivatko ihmiset taajamassa vai sen ulkopuolella. Omalla kohdallani tosin bufferointi osoittautui kohtuullisen hankalaksi ja oli varsin takkuista hommaa.
Kuva 1. Vastaukset bufferointitehtävän kysymyksiin.
Bufferointi on oiva tapa tutkia vaikutusalueita tai vaikkapa jonkin tietyn kohteen läheisyydessä asuvien ihmisten määrää. Käyttötarkoituksia saattaakin keksiä niin paljon, kuin vain soveltuvia kohteita ja ilmiöitä riittää. Esimerkiksi kaupallisten toimijoiden voi olla syytä tietää, kuinka monta asukasta tai asiakasta asuu tietyn matkan päässä kohteesta, toimintojensa sijoittamisen kannalta, tai kuinka monta kilpailijaa löytyy tietyn suuruiselta puskurialueelta. Puskurialueita voitaisiin käyttää myös vaikkapa suunnitellessa uusia asuinalueita: moottoriteiden ympäristössä voitaisiin bufferoinnin avulla esimerkiksi arvioida liikenteen melulle altistuvien rakennusten määrää. Tieteellisissä tutkimuksissa voitaisiin hyödyntää esimerkiksi leviämismalleja ja arvioida puskurialueilla, kuinka monta esiintymää sijaitsee alueiden sisäpuolella eli niiden vaikutuspiirissä. Esimerkkinä tällaisesta tilanteesta voisi olla vaikkapa jonkin lajin pesimisalueiden esiintyminen jonkin päästölähteen alueella. Toisaalta jonkin petolajin pesäpaikasta voitaisiin määrittää puskurivyöhyke sen liikkumisen perusteella. Tällaista tietoa voitaisiin käyttää vaikkapa suojelualuetta määritellessä tai kotieläinten suojaamiseksi saalistukselta.
Tällä kurssikerralla opeteltiin tekemään rasteri- ja ruutukarttoja MapInfon avulla sekä tarkasteltiin, miten hyvin ruutukartta soveltuu erilaisten ilmiöiden kuvaamiseen. Tähän tehtävään otettiin MapInfossa käyttöön uusi työkalu: Grid-maker. Työkalun avulla valitun kartan päälle pystyttiin luomaan halutun kokoinen ruudukko, jonka ruuduilla voidaan esittää alueellista tietoa halutulla tarkkuudella. Lisäksi tarkasteltiin miten erikokoiset ruudut soveltuvat tiedon esittämiseen. Siinä missä isommat ruudut saattavat sisältää paljonkin vaihtelua ruudun sisällä, voi ruutujen pieni koko tehdä kartasta hankalammin luettavan. Lopulta ruutujen koon kannalta on merkittävää se, mikä on tutkittava ilmiö sekä haluttu tarkkuus.
Valitsin karttaani varten tutkittavaksi ilmiöksi muun kuin suomen- tai ruotsinkielisten määrän pääkaupunkiseudulla. Kokeilin erilaisia ruutukokoja, mutta valitsin lopulta tätä blogia varten kartan, jossa käytin 300x300m ruutuja. Suuremmat ruudut olisivat yleistäneet liikaa ja hävittäneet osan yksityiskohdista. Kartassa käytettiin absoluuttisia arvoja, joten ruudut ilmaisevat vain muunkielisten absoluuttisen määrän ruudun alueella. Ruudut, joilla ei asunut lainkaan muunkielisiä, jätettiin tyhjäksi. Tällaisia valkoisina esitettäviä alueita ovat esimerkiksi Keskuspuisto ja Vanhankaupunginlahti, jossa ei muutoinkaan ole asutusta.
Kuva 1. Muun kuin suomen- ja ruotsinkielisten määrä pääkaupunkiseudulla 300x300m ruuduittain
Ruutukartta soveltuu hyvin ilmiöiden kuvaamiseen alueilla, joissa on paljon vaihtelua. Esimerkiksi hallinnollisia rajoja käytettäessä alueen sisäinen vaihtelu tasapäistyy, vaikka alueella voisi olla hyvinkin tiukkarajaisia ilmiöitä. Omassa kartassani käytetty 300m x 300m ruudukko toi ilmi alueellisia eroja, jotka olisivat kadonneet käytettäessä tarkasteltavana tasona vaikkapa kaupunginosia. Kun puhutaan Vuosaaresta kaupunginosana, jossa asuu paljon muunkielisiä kaupunkilaisia, ei välttämättä hahmoteta sitä tosiasiaa, että alueella on myös kohteita, joissa asuu verrattain vähän muun kuin suomen- tai ruotsinkielisiä. Toisaalta vielä pienemmällä ruudukolla olisi saattanut nousta esiin jopa talokohtaisia eroavaisuuksia muunkielisten määrässä, joskin näin tarkka esitystapa on harvoin tarpeellinen tutkittavan ilmiön kannalta.
Tekemässäni kartassa on kuitenkin hyvä muistaa, että ruutukartalla muunkielisten määrä on kuvattu absoluuttisilla arvoilla eikä suhteellisilla. Näin ollen saadaan kyllä tieto, missä asuu paljon muunkielisiä, muttei voida tietää asuuko alueella ylipäänsä paljoa ihmisiä. Koko asukasmäärään suhteutettu muunkielisten määrä sen sijaan ilmaisisi erikielisten kaupunkilaisten asumisvalinnoista ja toisi esille mahdollisia eroja ryhmien kesken. Tällainen suhteellinen arvo myös ilmaisisi, asuuko ruudulla muutoinkaan paljon ihmisiä. Toisaalta, vaikkapa muunkielisiä palveluja ja niiden sijoittumista suunnitellessa, voi olla hyvä tietää absoluuttisia muunkielisten määriä suhteellisten määrien sijaan. Lopulta karttaesityksen käyttötarkoitus määrittelee sitä varten valittavat esitystavat.
Kolmannella kurssikerralla opeteltiin muokkaamaan tietokantoja, yhdistämään kohteita sekä tietokantaliitoksia eri tietokantojen välillä. Aluksi tietokantoihin tutustuttiin tekemällä karttaesitys Afrikasta. Karttakohteita, eli Afrikan valtiota kymmenine saarineen, yhdistettiin, jotta useissa osissa ollut tieto saatiin yhtenäiseksi ja tietokantaan pystyisi lisäämään uutta paikkatietoa helpommin. Tämän lisäksi opeteltiin tuomaan tietokantaan uutta tietoa sekä laskemaan tietoa vanhan pohjalta. Lopuksi tietokantaan lisättiin paikkatietoa Afrikan öljy- ja timanttiesiintymistä sekä konflikteista, joihin liittyvässä tehtävänannossa pyydettiin tarkastelemaan, miten luonnonvarat ja konfliktit kytkeytyvät toisiinsa.
Kuva 1. Kuvakaappaus Afrikan luonnonvaroja ja konflikteja esittävästä karttaesityksestä
Tarkastelemalla konfliktien tapahtumavuotta, luonnonvarojen löytämisvuotta sekä eri luonnonvarojen tuottavuusluokitteluita voitaisiin löytää monenlaisia kytköksiä näiden ilmiöiden välillä. Konfliktit voivat toki olla seurausta luonnonvarojen löytymisestä, erityisesti mikäli alueella varallisuus jakautuu erityisen epätasa-arvoisesti tai siellä esiintyy jännitteitä jo entuudestaan. Luonnonvarat voivat myös mahdollistaa konfliktit ja niiden rahoittamisen. Useamassakin elokuvassa aiheena olleet veritimantit ja likainen kulta ovat yksi mahdollinen aseiden rahoituskeino. Toisaalta, konfliktit voivat myös estää luonnonvarojen hyödyntämisen. Monet suuret luonnonvarojen esiintymät sijaitsevat kohtuullisen rauhallisilla alueilla, mikä selittyneekin osittain sillä, että kaivosteollisuus vaatii usein paljon resursseja. Stabiilit yhteiskunnalliset olot voivat olla vaatimuksena luonnonvarojen laajamittaiselle hyödyntämiselle. Konfliktialueilla luonnonvarojen hyödyntäminen on tuskin erityisen teollistunutta vaan tapahtuu monesti ihmisiä ja luontoa hyväksikäyttäen. Tuottavuusluokittelua tarkastelemalla mahdollisesti kävisi ilmi, että konfliktialueilla sijaitsevien luonnonvarojen hyödyntäminen ei ole yhtä tuottavaa.
Tulvaindeksikartan tekeminen
Kurssikerralla opeteltiin myös laskemaan tulvimisriskiä kuvaava indeksi (keskiylivirtaama jaettuna keskialivirtaamalla) sekä laadittiin kuvan 2 mukainen karttaesitys, jossa laskettua tulvaindeksiä vertailtiin valuma-alueen järvisyyteen. Liittämällä tulvaindeksiä esittävään karttaan valuma-alueen järvisyys prosenttiosuutta esittävänä pylväsdiagrammina voitiin harjoitella, miten erilaisia esitystapoja yhdistämällä voidaan luoda toisiinsa liittyviä ilmiöitä kuvaava karttaesitys, jota on helppo lukea.
Kuva 2. Suomen suurimmille valuma-alueille laskettu tulvaindeksi ja järvisyys prosentteina
Kuvan 2 kartasta voidaan nopeasti huomata kuinka alueilla, joissa tulvaindeksi on suuri, on järvisyyttä kuvaava pylväsdiagrammi yleensä ottaen pieni. Valuma-alueet, joiden pinta-alasta on vähän järviä, näyttävät siis tulvivan pahiten. Kaikista pienin tulvaindeksi on valuma-alueilla, joissa järvisyysprosentti on suurin, kuten Järvi-Suomessa. Pahiten tulvivat valuma-alueet ovat paitsi vähä-järvisiä myös varsin pieniä ja sijaitsevat alavilla alueilla, kuten Pohjanmaalla ja Varsinais-Suomessa.
Valuma-alueen korkeampi järvisyysprosentti vaikuttaisi karttatarkastelun perusteella hillitsevän valuma-alueella esiintyvää tulvimista. Järvet toimivatkin puskureina, jotka toisaalta hidastavat veden virtausta ja toisaalta toimivat vesivarastoina, jotka tasaavat virtaaman vaihteluita. Esimerkiksi Pohjanmaalla, missä järviä on pinta-alasta varsin vähän, valuma-alueen vedet laskevat nopeasti pääuomaan. Kun puskureina toimivat järvet puuttuvat, voi vedenpinta nousta nopeastikin.
Muita tulvimiseen vaikuttavia tekijöitä korkean tulvaindeksin vesistöissä voi olla valuma-alueen muoto ja vuodenaikoihin liittyvät ilmiöt: Pyöreän muotoisilla valuma-alueilla sateet nostavat nopeasti virtaamia pääuomissa toisin kuin pitkillä ja kapeilla valuma-alueilla, toisaalta tulvimiseen vaikuttaa usein lumien sulaminen nopeasti keväisin ja esimerkiksi jääpatojen muodostumisen todennäköisyys.
Toisella kurssikerralla harjoittelimme teemakarttojen tekemistä MapInfo-työkalulla sekä kahden päällekkäisen teeman käyttöä. Tällaisten useampia päällekkäisiä teemoja sisältävien karttojen avulla voidaan helposti havainnollistaa toisiinsa liittyviä ilmiöitä ja niiden välistä korrelaatiota. Päällekkäisten koropleettikarttojen käyttöön liittyen oli lisäksi myös kotona luettava artikkeli, josta tuli erikseen kirjoittaa reaktiopaperi. Toisen kurssikerran aikana moni aikaisempi erhe ja mutka sai selityksen: olinkin onnistunut tekemään päällekkäisiä koropleettikarttoja vahingossa jo ensimmäisellä kurssikerralla. Harjoittelimme niin pylväs- ja ympyrädiagrammikarttojen kuin myös graduated teemakartan sekä piste-, individual- ja grid-karttojen tekemistä. Grid-karttaa pääsimme hyödyntämään vielä 3D-karttaa tehdessä. Tämän jälkeen tutustuimme Terveyden- ja hyvinvoinnin laitoksen tilasto- ja indikaattoripankkiin SOTKAnetin toimintaan.
Halusin kokeilla kurssikertaan liittyneen artikkelin innoittamana päällekkäisten koropleettikarttojen tekemistä, jotta kurssitehtävänä olleen artikkelin käsittelemiä päällekkäisten koropleettikarttojen ongelmia ja mahdollisuuksia saattaisi tarkastella omakohtaisesti. Tutkittavien ilmiöiden valinta oli varsin hankalaa, sillä SOTKAnetissä on valtava määrä erilaista tietoa. Valitsin SOTKAnetistä toisen koropleettikartan aineistoksi harkinnanvaraista psykoterapiaa saaneiden 25-64 -vuotiaiden määrän / tuhatta vastaavan ikäistä, sillä halusin nähdä miten kyseinen aineisto korreloisi kaupungistumisen ja kaupunkimaisen asumisen kanssa. Kaupungistumista kuvaamaan valitsin kunnat2011 -aineistosta palvelualojen osuuden kaikista työpaikoista. Palvelualojen osuus työpaikoista on varsin suuri kaupungeissa ja toisaalta palvelualojen osuus kertoo palvelujen, kuten myöskin mahdollisten mielenterveyspalveluiden, keskittymisestä ja monipuolisuudesta.
Kuva 1. Harkinnanvaraista psykoterapiaa saaneet 25-64 -vuotiaat / tuhatta vastaavan ikäistä ja palvelualojen osuus prosentteina kaikista työpaikoista
Tekemissäni päällekkäisissä koropleettikartoissa palvelualojen osuus on esitetty keltaisina, oransseina ja punaisina luokkina, kun taas psykoterapiaa saaneiden 25-64 -vuotiaiden määrä esitetään läpinäkyvänä viivateemaisena rasterikarttana. Vinoviivaista rasterikarttaa paremmin olisi kuitenkin voinut sopia pisteteema, sillä vinoviivat saavat kartan värit näyttämään huomattavasti tummemmilta, vaikka valitsinkin mahdollisimman ohuita (mutta edelleen selkeästi eripaksuisia) vinoviivoja. Tämä voi heikentää kartan tulkittavuutta. Valitsin ohjeiden mukaisesti kumpaankin teemakarttaan kolme luokkaa, sillä kartta oli sitä hankalammin tulkittavissa, mitä enemmän luokkia päällekkäisiin karttoihin lisäsi.
Valmiista päällekkäisistä teemakartoista pystyy varsin hyvin huomaamaan, että eniten harkinnanvaraista psykoterapiaa saaneita 25-64 -vuotiaita / tuhatta vastaavan ikäistä ovat alueilla, joilla myös palvelualojen osuus työpaikoista on suuri. Ainoastaan Lapissa sekä Mikkelin kohdalla tämä yhteys purkaantuu. Tämän lisäksi kartasta voi huomata kuinka Itä- ja Länsi-Suomi eroavat toisistaan: itään päin siirryttäessä harkinnanvaraista psykoterapiaa saaneiden suhteellinen osuus on yleisesti suurempi myös alueilla, joiden palvelualojen osuus kaikista työpaikoista ei kuulu ylimpään luokkaan.
Sitä, miksi eniten harkinnanvaraista psykoterapiaa saaneita tuhatta ihmistä kohden on yleisesti alueilla, joilla palvelualojen osuus kaikista työpaikoista on suuri, voi selittää paitsi kaupungistumiseen liittyvät ilmiöt myös palveluiden tarjonta. Harkinnanvaraiseen psykoterapiaan hakeutumiseen ja pääsemiseen voi vaikuttaa niin psykoterapeuttien määrä, kuin terapiaan ohjaavan hoitohenkilökunnan määrä. Sen sijaan, että verrattaisiin harkinnanvaraista psykoterapiaa saaneiden suhteellista osuutta ja palvelualojen osuutta kaikista työpaikoista, saattaisivat jotkin toiset muuttujat sopia paremmin syiden ja seurauksien hahmottamiseen.
Artikkeli 1. Anna Leonowicz: kahden muuttujan päällekkäiset koropleettikartat ja niiden hyödyllisyys
Toista kurssikertaa varten oli luettavana myös päällekkäisiä kloropeettikarttoja käsittelevä artikkeli, ”Two-variable choropleth maps as a useful tool for visualization of geographical relationship” (Leonowicz. Anna. GEOGRAFIJA. 2006. T. 42. Nr. 1.), joka havainnollisti hyvin päällekkäisten karttojen mahdollisuuksia kuten myös niiden Akilleen kantapäitä. Artikkelin mukaan päällekkäiset koropleettikartat ovat tehokkaampia esittämään alueellisia yhteyksiä ilmiöiden välillä kuin niiden alueellista jakautumista kartalla.
Artikkeli havainnollisti hyvin, miten tärkeää päällekkäisiä koropleettikarttoja tehdessä on pitää eri luokkien lukumäärät varsin vaatimattomina, sillä karttojen luettavuus kärsii luokkien lisääntyessä. Artikkeli myöskin osoitti hyvin, kuinka tärkeää on suunnitella päällekkäiset kartat huolella, jotta niistä saadaan mahdollisimman helposti luettavat ja informatiiviset. Artikkelin karttoja selvensi huomattavasti niiden legenda, mikä kieli puolestaan legendan merkityksestä karttoja suunniteltaessa. Artikkelin päällekkäisten koropleettikarttojen legenda oli poikkeuksellisesti kaksiulotteinen koordinaatisto, mikä teki legendan lukemisesta epäselvempää.
Toisaalta artikkelin esimerkkikartta, jossa oli kaksi väriä päällekkäin, oli omasta mielestäni huomattavasti hankalampi luettavuudeltaan kuin erikseen kahta muuttujaa kuvaavat kartat, joita saattoi vertailla vieritysten. Auta armias, jos lukija sattuukin olemaan vaikkapa värisokea. Tämän vuoksi päädyin itsekin käyttämään toisena päällekkäisenä koropleettikarttana läpinäkyvää rasterikarttaa, joka omasta mielestäni paransi luettavuutta, sekä mahdollisti ilmiöiden tarkastelun toisistaan riippumatta. Päällekkäiset koropleettikartat lienevätkin hyödyllisiä lähinnä kuvaamaan korrelaatiota, sekä mahdollista kausaliteettia, ilmiöiden välillä. Toki niiden avulla voi varmasti testata omia ennakko-oletuksia ja teorian mahdollista toteutumista sekä rajata tarkastelutasoa.
Ensimmäisellä kurssikerralla kävimme läpi teoriaa paikkatiedosta ja sen olemuksesta sekä opettelimme käyttämään MapInfo -ohjelmistoa luomalla teemakartan Helsingin osa-alueista. Samalla kertasimme myös erilaisia aineiston luokittelutapoja. Lopuksi kävimme läpi karttojen muokkaamisessa tarvittavia ohjelmia ennen kuin aloitimme oman teemakartan tekemisen .
Oma kartta oli tarkoitus tehdä Suomen kunnista olevan aineiston perusteella, mutta, kokeiltuani tarkastella niin muunkielisten osuutta väestöstä, ansiotuloja kuin väestöntiheyttäkin, päädyin tekemään karttani Helsingin väestöntiheydestä. Käyttämällä aineistona kuntia, oli kartan lopputulos aina varsin samanlainen, jossa suurin osa Suomesta oli hyvin homogeeninen, minkä vuoksi päädyin tarkastelemaan pienemmän alueen sisäistä erilaistumista.
Pienimuotoisen harjoittelun jälkeen ryhdyin suunnittelemaan koropleettiteemakarttaa Helsingin väestöntiheyden jakautumisesta osa-aluettain. Ajatuksena oli verrata väestöntiheyden jakautumista erilaisiin kouluissa ja oppikirjoissa opetettaviin teoreettisiin malleihin kaupungeista, kuten Burgessin vyöhykemalliin ja Hoytin sektorimalliin sekä Harrisin ja Ullmanin usean keskuksen malliin. Laadin teemakartan jakaen aineiston viiteen eri luokkaan. Käytin jakoperusteena luonnollisia luokkia, sillä näin erot luokkien sisällä pysyivät kohtuullisina ja kartan värit erottuivat hyvin toisistaan, mikä mahdollisti erilaisten alueiden vertailemisen helposti. Erittäin tiheästi asutut asuinalueet, joita alueella oli vähän, erottuvat tällöin omina alueinaan, eivätkä ne joudu samoihin luokkiin selkeästi poikkeavien asuinalueiden kanssa, kuten luokitellessa aineistoa vaikkapa kvantiileihin. Luonnollisia luokkia käytettäessä aineistosta nousevat esiin myös todelliset erilaisten osa-alueiden ryhmät, jollaisia Helsingissä esiintyy.
Kuva 1. Asukastiheys Helsingissä 2011
Laatimaani karttaa vertailtaessa Burgessin tai Hoytin malliin täytyy muistaa, että kartassani tarkasteltiin vain asumisen ja väestöntiheydeltään erilaisten alueiden jakautumista Helsingin sisällä, kun taas Hoytin ja Burgessin mallit tarkastelevat erilaisia maankäyttömuotoja asumisen lisäksi. Näissä malleissa kaupunkia kuvataan siis erilaisten maankäyttömuotojen mosaiikkina. Tarkasteltaessa Helsingin osa-alueita pelkästään väestöntiheyden perusteella ei muista maankäyttömuodoista voida tehdä johtopäätöksiä. Asukastiheys kuitenkin noudattaa jokseenkin Hoytin sektorimallin mukaista jakautumista tiheimmin asuttujen alueiden seuraillessa kulkuyhteyksiä kuten metro- ja raidelinjoja. Tämä selittynee pitkälti kaupunkisuunnittelulla sekä alueiden historialla. Esimerkiksi keskustan kantakaupungin tiheimmin asutuilla alueilla asuntokanta on vanhaa ja asuntojen keskikoko pieni, kun taas kauempana keskustasta omakoti- ja pienkerrostalorakentaminen yleistyvät. Hoytin ja Burgessin malleja on lisäksi kritisoitu vanhentuneiksi. Siitä huolimatta, ne ovat mukana aina vain uusissakin oppikirjoissa.
Pelkän väestöntiheyden tarkasteleminen ei kuitenkaan kerro vielä erityisen paljoa teoreettisten mallien toimivuudesta Helsinkiä tarkasteltaessa. Aineistoa tulisi jaotella erikseen eri asumismuotojen mukaan sekä ottaa tarkasteluun mukaan erilaiset maankäyttömuodot, jolloin kaupungin erilaiset osa-alueet tulisivat paremmin esille. Asukastiheyden tarkastelu toimi kuitenkin hyvänä harjoitteluna MapInfo -ohjelmiston opettelussa, ja teoreettinen lähtökohta toi mielekkyyttä kartan tarkasteluun.
