7. kurssikerta: paikkatietoa italialaisittain

Seitsemäs kurssikerta oli aikamoista puurtamista alusta loppuun. Valmiita ohjeita ei juurikaan ollut, vaan saimme hankkia aineistot ja luoda kartan itse, omin neuvoin. Ongelmaksi muodostuikin heti alussa runsaudenpula vaihtoehdoissa. Ensimmäinen pulma oli valita sopiva alue. Mietin hetken eri vaihtoehtoja, mutta lopulta valinta oli selvä: Italia. Jakson aikana olen Italian alkeet -kurssilla oppinut yhtä sun toista Italiasta, ja siksi halusin tutustua valtioon vielä lähemmin. Huomattavasti vaikeampaa oli valita, mitä teemoja haluan kartalla esittää. Löysin tieni Italian tilastokeskuksen Istatin sivustolle, jossa oli tarjolla kaikkea mahdollista tietoa Italiasta eri aluetasoilla. Koska olen itse kesällä menossa turistiksi tähän saapasvaltioon, päätin liittää kartan jollain tavalla turismiin. Sopivaksi muuttujaksi löysin maakuntakohtaista tietoa hotelliyöpymisten määristä. Määrä kertoo melko yksiselitteisesti alueen suosituimmuudesta turistien keskuudessa.

Nyt kun olin löytänyt alueen ja yhden sopivan muuttujan, aloin valmistella karttaa. Latasin Natural Earth -sivustolta vektoriaineiston, josta sain Italian maakuntien rajat. Aineisto näytti talukkomuodossa olevan kunnossa ja maakuntajako vastasi onneksi Istatin käyttämää jakoa. Latasin Italian kartan taustalle maailmankartan, jotta valtio ei näyttäisi leijuvan ilmassa. Muutin kuitenkin värejä vaaleiksi, jotta tausta ei veisi liikaa huomiota.

Aineiston tuominen Istatista MapInfoon vaati kuitenkin hieman enemmän työtä. Tiedot sai sivulta ladattua suoraan Exceliin, mutta tietokanta vaati muokkaamista. Natural Earthin ja Istatin käyttämät nimien kirjoitusasut eivät vastanneet toisiaan, joten joitakin niistä piti muutella käsin. Aineisto vaati muutenkin viilausta ennen siirtämistään MapInfoon. Tietokantojen yhdistämistä pähkäilin aika kauan, sillä Natural Earthin tietokanta sisälsi enemmän kohteita kuin toinen. Sain kuitenkin yhdistettyä aineistot oikein maakuntakoodin avulla.

Seuraavaksi oli aika keksiä jonkin muuttuja hotelliyöpymisten kaveriksi. Päädyin esittämään kartalla matkailijoiden riesoja eli taskuvarkaita. Halusin tarkastella, onko taskuvarkaita enemmän matkailijoiden suosimilla alueilla.

Käytin naurettavan paljon aikaa kokeilemalla erilaisia karttasymboleja taskuvarkauksille, ja vihdoin ja viimein päädyin karkuun juoksevaan tikku-ukkoon. Sen hyvänä puolena on ainakin se, että symbolien kokoerot näkyvät selkeästi. Lisäksi toimintaa eli liikettä kuvaava symboli herättää aivoissa voimakkaamman reaktion. Luin joskus tutkimuksesta, jossa kerrottiin liikettä esittävien liikennemerkkien toimivan muita paremmin juuri tästä syystä. Ehkä kartoissakin pitäisi enemmän käyttää toiminnalisia symboleita tylsien palluroiden sijaan, jotta lukijan aivot jaksaisivat keskittyä kartan analysointiin.

Kartassa on paljon hyvää, mutta myös puutteita. Ensinnäkin unohdin kokonaan pohjoisnuolen. Häpeä. Toiseksi koropleettikartan kahden ylimmän luokan väritykset eivät erotu toisistaan kovin hyvin; ylimmän luokan väriä olisi pitänyt muuttaa tummemmaksi. Lisäksi legendan luvut olisi voinut esittää miljoonina eikä tuhansina, niin luvut olisi helpompi käsittää.

Suurin ongelma kaikista on kuitenkin se, että koropleettikartta esittää absoluuttisia arvoja. Kun tein karttaa, minulla oli mielessä tälle ratkaisulle jokin hyvä perustelu… Mutta enää en tajua, mikä se olisi voinut olla – olisi vain pitänyt suhteuttaa arvot vaikkapa maakunnan pinta-alaan. Ehkä mahdollisesti kenties voisin kuitenkin perustella tekemääni ratkaisua sillä, että jos arvot olisi suhteuttanut pinta-alaan, suuret maakunnat vaikuttaisivat todellista vähemmän matkailluilta. Esimerkiksi suuressa Lombardian maakunnassa sijaitsee yksi Italian tärkeimmistä matkailukaupungeista, Milano, mutta muuten maakunta on paljolti vuoristoa ja vähemmän matkailijoiden suosimia alueita. Siksi hotelliyöpymisten määrä olisi laimentunut, jos sen olisi suhteuttanut pinta-alaan. Se olisi kuitenkin ollut pienempi paha kuin se, että nykyisessä kartassani maakuntia on vaikeampi vertailla keskenään.

VALMIS_ITALIA

Kyllä kartasta sentään silti jotain voi tulkita. Taskuvarkauksia tapahtuu suhteellisesti hyvin vähän eteläisessä Italiassa, Pohjois-Italiassa puolestaan selvästi enemmän. Jako etelän ja pohjoisen välillä on selvä. Eteläinen Italia on maaseutumaisempaa, joten siellä taskuvarkailla ei ole yhtä hyvät edellytykset toimia kuin suurkaupunkien täyttämän pohjoisen ihmisvilinässä.

Turismin ja taskuvarkauksien välillä on havaittavissa melko selvää korrelaatiota. Ei korrelaatio täydellinen ole, mutta selvästi ainakin suurimmat suhteelliset taskuvarkausmäärät ovat juuri turistien eniten suosimilla alueilla. Taskuvarkaita on siellä missä turistejakin.

Korrelaatiota olisi ollut mielenkiintoista tarkastella visuaalisen analyysin täydennykseksi tilastollista analyysiä käyttäen, esimerkiksi SPSS:ssä. Niin on viisaasti tehnyt ainakin Niko Pelkonen, joka on päätynyt tekemään Excelissä korrelaatioanalyysin kahdelle muuttujalle, kun koki, ettei kartan sisältämä informaatio heti täysin avautunut. Itsekin voisin varmasti kertoa nyt enemmän tutkimistani muuttujista, jos olisin tehnyt saman. Minusta on muillakin kurssikerroilla usein tuntunut siltä, että karttaa lukiessa on helppo tehdä vääriä johtopäätöksiä, kun korrelaatiota kahden muuttujan välillä voi tarkastella kartalta vain visuaalisesti. Omaa hypoteesia tukevat kohdat huomataan helpommin, ja vastaavasti hypoteesin vastaiset arvot sivuutetaan. Yritän olla kriittinen omiakin tuotoksiani ja hypoteesejani kohtaan, enkä sortua helppoihin tulkintoihin. Mutta myönnän, se on vaikeaa. Olisi varmasti hyödyllistä aina tehdä kunnollinen korrelaatioanalyysi, kun esittää kartalla kahta muuttujaa, niin kartan voisi sen avulla suunnitella paremmin (tai jopa hylätä kokonaan, jos muuttujilla ei näytä olevan minkäänlaista yhteyttä keskenään).

Mutta takaisin Italiaan. Vaikka muuttujien välillä vaikuttaa olevan korrelaatiota, ei voida varmasti tietää, onko niiden välillä myös syy-seuraussuhde. Matkailijoita on paljon maakunnissa, joissa sijaitsee isoja suurkaupunkeja. Näissä kaupungeissa taskuvarkailla on muutenkin hyvät mahdollisuudet toimia, paikallisväestönkin keskuudessa. Turistit kuitenkin usein kantavat mukanaan arvokasta omaisuutta, kuten kameroita, eivätkä ehkä osaa olla yhtä varuillaan taskuvarkaiden varalta. Siksi on hyvinkin mahdollista, että turistien määrä vaikuttaa suoraan taskuvarkaustilastoihin, jos kerran turisteilta on helpompi varastaa.

Nyt ainakin tiedän, missä maakunnissa pidellä erityisen tiukasti laukusta kiinni, kun juna kuljettaa tähän järjestäytyneestä rikollisuudesta tunnettuun mutta myös pikkurikollisuudesta kärsivään valtioon.

Hieman omituinen tunne, että kurssi on nyt ohitse. Tämän pitkän ja vaiheikkaan prosessin aikana olen ehtinyt muodostaa jo melko syvän ystävyyden MapInfon kanssa. Vaikka aluksi olinkin epäluuloinen ohjelmaraukkaa kohtaan, MapInfo osoittautui mainettaan ja ensivaikutelmaansa mukavammaksi yhteistyökumppaniksi. Kiitos Artulle siitä, että jaksoi johdattaa meidät rauhallisesti ja kärsivällisesti MapInfon ja paikkatiedon syövereihin ja siitä, että myös tarvittaessa veti meidät sieltä ulos ja käski tauolle. Monet parhaista ideoista syntyivät juuri silloin kun niitä ei yrittänyt liikaa houkutella esiin.

 

Lähteet

Istat. Sistema di Indicatori Territoriali. <http://sitis.istat.it/sitis/html/> Luettu 1.3.2016.

Natural Earth.  <http://www.naturalearthdata.com/downloads/10m-cultural-vectors/> Luettu 1.3.2016.

Pelkonen, Niko. Kurssikerta 7 – rikoksia ja patentteja (4.3.2016). <https://blogs.helsinki.fi/nikopelk/> Luettu 11.3.2016.

6. kurssikerta: GPS, geokoodaus ja gis-guruja

Kuudes kurssikerta alkoi piristävällä kävelyretkellä GPS-paikantimen kanssa. Tehtävänämme oli merkitä ylös joidenkin tiettyjen kohteiden sijainti Kumpulan lähimaastossa; meidän ryhmämme valitsi kohteeksi roskikset. Paikantimen avulla selvitimme ja tallensimme jokaisen roskiksen koordinaatit, ja merkitsimme ne varmuuden vuoksi vielä paperille. Luokkaan palattuamme kirjasimme tiedot Exceliin, toimme tietokannan MapInfoon, klikkailimme muutamia nappuloita – ja kas, eteemme aukeni nätti pistekartta kampusalueen roska-astioista. Kun annoimme MapInfolle koordinaattitiedot jokaisesta kohteesta, se viisaana ohjelmana osasi muuttaa kohteet pisteiksi pohjakartalle.

Yllätyimme siitä, kuinka tarkasti pisteet sijoittuivat oikeille kohdille kartassa, koska tietoja kerätessä aloimme vahvasti epäilemään GPS-laitteemme toimintakykyä. Pielessä näytti kuitenkin olleen vain korkeusmittaus, x- ja y-koordinaattien ollessa loppujen lopuksi ihan järkeviä.

Oli jännittävää päästä ensimmäistä kertaa itse tuottamaan paikkatietoaineistoa alusta loppuun, sijaintitiedon hankinnasta alkaen! Kun saimme vielä itse visualisoida aineiston kartalle, paikkatietoprosessi havainnollistui entisestään.

Tietoja voidaan sijoittaa kartalle myös muiden kuin koordinaattien perusteella, sillä kohteen sijaintitieto voidaan ilmaista myös esimerkiksi osoitteen avulla. Tällaisessa tapauksessa vaaditaan kuitenkin pohja-aineisto, johon osoitteet on myös kirjattu. Halutut tiedot voidaan paikantaa kartalle geokoodaamalla: ohjelma vertaa kummankin aineiston osoitetietoja keskenään ja asettaa sitten kohteet kartalle oikeaan osoitteeseen. Tällä menetelmällä saimme sijoittaa pelikoneita Helsingin kartalle.

Loppuajan käytimme tutustumalla tapoihin, joilla valmiiksi kerättyjä aineistoja saa muutettua MapInfon ymmärtämään taulukkomuotoon. Näitä tapoja meidän oli seuraavaksi itse sovellettava ryhtyessämme ratkomaan kurssikerran itsenäistehtävää. Tehtävänä oli luoda kolme opetustarkoitukseenkin soveltuvaa karttaa erilaisista hasardeista. Aineistot karttoja varten hankittiin netin eri palveluista, ja kaikki ne vaativat enemmän tai vähemmän muokkaamista ennen kuin olivat valmiita MapInfon käsittelyyn.

Valitsin omien karttojeni aiheeksi meteoriitit. Ensimmäiseksi tein kartan kaikista löydetyistä meteoriiteista. Pahoittelen jo nyt, että missään kartoista ei ole legendaa! Iso puute, mutta kaikkeen aika ei vain riitä. Legendoilla varustetut versiot kartoista päivitetään tänne ehkä vielä joskus.

Sanallisesti voin kertoa, että:

Piste = löydetty meteoriitti

Tähti = suuri, yli 3000 kg meteoriitti

Yli_3000_meteoriitit_PAREMPI

Kartalta nähdään, että meteoriitteja on tippunut maapallomme pinnalle melkoisesti. Koska meteorit putoavat sattumanvaraisiin paikkoihin, kertoo kartta enemmänkin ihmisen toiminnasta eli asutuksen ja tutkimuksen sijoittumisesta. Harvan asutuksen alueilla, kuten vuoristoissa ja jäätiköillä, meteoriitteja on löydetty vähemmän. Lisäksi kartta kertoo siitä, missä maasto on sellainen, että meteoriitit löytyvät helposti. Esimerkiksi Amazonin sademetsän tiheän kasvillisuuden joukosta meteoriitteja on varmasti miltei mahdotonta löytää, ja siksi alueelta on varsin vähän meteoriittihavaintoja. Sen sijaan aavikoiden aukessa maastossa ja jopa Etelämantereen jäälakeuksilla meteoriitit erottuvat ympäristöstään selvemmin. Myös ilmastolla on väliä: tietyissä olosuhteissa meteoriitit rapautuvat nopeammin, toisissa säilyvät pidempään.

Korostin karttaan tähdillä merkattuna isoimmat eli yli 3000 kiloa painavat meteoriitit. Tarkoituksena on osoittaa, että suuria meteoriitteja tippuu maanpinnalle hyvin vähän – 3 tonnia painavakin meteoriitti on oikeastaan melko pieni. Jokaisessa maanosassa on vain muutama senkään kokoinen löydös tai havainto, vaikka aineistoon on kerätty näitä havaintoja ainakin parinsadan vuoden ajalta.

Seuraavaksi tein kartan meteoriittien löytämisvuodesta. Se kuvaa tarkemmin tutkimuksen etenemistä maanpinnalla:

Meteoriittien löytämisvuosi:

  • Ruskea: ennen vuotta 1900
  • Oranssi: 1900-luvulla
  • Vihreä: 2000-luvulla

Meteoriitit

Kartalta voi havaita, että meteoriitteja on kaukaisempina aikoina löydetty paljon ainakin Euroopassa, Intiassa ja Yhdysvalloissa (osa USA:n ruskeista pisteistä jää näkymättömiin oranssien taakse, mutta siellä ne ovat!). Yleisesti voidaan sanoa, että meteoriitteja on löydetty silloin paljon nykyisen länsimaisen kulttuuripiirin alueilta (lukuunottamatta Intiaa). Näissä valtioissa myös väentiheys ja kaupungistumisaste on ollut verrattain suuri. Varsinkin Euroopan suurta meteoriittilöydösten määrää selittää varmasti se, että luonnollista maastoa ja kasvillisuutta on hyvin vähän jäljellä. Ihmiset ovat levittäytyneet joka paikkaan ja samalla löytäneet meteoriitteja. Luonnollinen kasvillisuuskaan ei näillä alueilla ole ollut kovin tiheää. Vaaditaan myös, että ollaan tietoisia ja kiinnostuneita meteoriittitutkimuksesta, ettei taivaalta tullutta kappaletta sivuuteta vain tavallisena kivenä.

Oransseja pisteitä eli 1900-luvulla löydettyjä meteoriitteja on yhtä lailla paljon Euroopassa ja Yhdysvalloissa, mutta nyt myös muualla, ympäri maailmaa. 1900-luvulla kiinnostus avaruutta kohtaan kasvoi yleisesti, ja sen myötä myös meteoriitteja alettiin etsiä huomattavasti ahkerammin. Yksityiset keräilijät ovat löytäneet suuren osan meteoriiteista (McCall et al.). Varsinkin Yhdysvalloissa meteoriittien etsintä on ollut suosittua, ja se näkyy löydösten määrässä. Myös länsimaiset tutkijat alkoivat laajentaa tutkimusalueitaan muualle maailmassa 1900-luvulla.

Vihreitä pisteitä eli 2000-luvun meteoriittilöydöksiä tai -havaintoja tarkastellessa voi huomata muutamia keskittymiä. Nämä ovat varmasti alueita, joilla asiaa on alettu vasta lähiaikoina tutkia systemaattisesti. Yksikin tutkimusprojekti voi tuottaa huomattavan määrän uusia meteoriittilöydöksiä, ja tämä näkyy kartalla vihreiden pisteiden ryppäänä. Myös yksityisten keräilijöiden kiinnostuksen kasvu selittää löydöskeskittymien syntyä.

Kolmannessa kartassa keskityin vain yhden maanosan, Afrikan, meteoriittilöydöksiin. Halusin tarkastella lähemmin, millaisilta alueilta meteoriitteja on löydetty. Afrikka tuntui mielenkiintoiselta kohteelta tähän sen siirtomaahistorian vuoksi. Heti ensimmäiseksi nimittäin huomasin, että meteoriitteja on löydetty paljon Euroopan puoleisimmasta Afrikasta sekä Etelä-Afrikan tasavallasta.

Aikaisemmasta kartasta nähdään, että suurin osa Pohjois-Afrikan meteoriiteista on kuitenkin löydetty 2000-luvun puolella, ei siirtomaa-aikoina. Kuitenkin ainakin Etelä-Afrikasta meteoriittilöydöksiä on tehty jo yli sata vuotta sitten. Voisi arvella, että meteoriitteja on löytynyt siirtomaaherrojen myllätessä ja jyllätessä maata luonnonvaroja hyödyntäessään (=riistäessään) ja luonnonrikkauksia etsiessään.

Kuitenkin myös luonnonolot ja kasvillisuus ovat suuresti vaikuttaneet siihen, mistä meteoriitteja on löydetty. Jos karttaa vertaa Afrikan kasvillisuuskarttaan, yhteyksiä on havaittavissa selvästi. Sademetsäalueilta meteoriitteja ei ole löydetty paljonkaan, aavikoilta sitä vastoin melko suuria määriä.

Silti kartalta löytyy toisaalta myös aavikkoalueita, joilla meteoriittilöydöksiä ei ole. Taustalla on luultavasti alueiden pitkään jatkunut epävakaa tilanne: ne eivät ole olleet houkuttelevia tutkimusalueita, vaan tutkimus on keskittynyt mieluummin muualle.

Afrikka_kaikki_met_2

En oikein osaa sanoa, kuinka hyvin karttani soveltuisivat juuri opetuksen tarkoituksiin. Mielestäni kartoista tuli hyvin selkeitä ja ymmärrettäviä, joten ainakin sen puolesta niitä voisi opetukseen käyttää. Lähestymistapani aiheeseen ei kuitenkaan välttämättä ole niin olennainen; se karkaa maantieteestä ja hasardeista historian ja muun puolelle. En kuitenkaan halunnut tehdä tylsästi kopioita sellaisista kartoista, jonka tapaisia olen itsekin nähnyt oppikirjoissa (esimerkiksi tulivuorten ja maanjäristysten sijoittumisesta), joten päädyin vähemmän kuluneeseen aiheeseen eli meteoriitteihin.

Ongelmana on, että meteoriitit ovat luonnonilmiönä satunnainen: ne putoavat ihan minne sattuu. Esimerkiksi tulivuorten sijoittumista maapallolla ohjaavat tietyt syyt, mutta meteoriiteilla tällaisia ei ole. Siksi putoamispaikkojen esittäminen kartalla on turhaa, jollei mukaan oteta mitään lisänäkökulmaa. Käyttämässäni aineistossa on tietenkin vain ihmisen löytämät meteoriitit, joten tällainen lisänäkökulma löytyy itsestään, ja on luonnollista tarkastella ilmiötä yhteiskunnalisesta ja historiallisesta näkökulmasta. Se ei vain ehkä ole se tärkein asia, jota opiskelijoiden tulisi tästä hasardista tietää. Mutta kuten Anna Hakala on hyvin oivaltanut: “[oppilaille] voisi antaa mahdollisuuden oikeaan maantieteelliseen analyysiin antamalla heille tehtäväksi karttojen informatiivisuuden arviointia”. Ehkä kartoillani voisi havainnollistaa, että kaikki ei ole aina sitä miltä ensimmäiseksi näyttää, vaan ilmiön sijoittumisen taustalla voi olla moninaisia, vaikeasti löydettäviäkin syitä. Käyttökelpoisuuteen liittyviä epäilyksiä lukuunottamatta olen kyllä muuten tyytyväinen karttoihin (paitsi ne legendat…).

Tämä toiseksi viimeinen kurssikerta vahvisti sisälläni asustavan pienen gis-gurun itseluottamusta suuresti! Tajusin, kuinka pitkälle olemme kurssin aikana päässeet paikkatiedon ja MapInfon maailmassa etenemään. Tosin samanaikaisesti tuntuu, että olemme vasta päässeet alkuun. Ja niinhän se varmasti onkin, opittavaa kyllä riittää tulevaisuudessa. Mutta odotan sitä innolla!

 

Lähteet

Hakala, Anna. 6. kurssikerta (26.2.2016). <https://blogs.helsinki.fi/hakanna/> Luettu 27.2.2016.

McCall et.al. (2006). The History of Metoritics and Key Meteorite Collections. The Geological society, London.

5. kurssikerta: bufferointia ja panikointia

Viides kurssikerta sujui jo alusta asti tuskaisissa merkeissä. Luulin tallentaneeni kaikki edellisellä kerralla valmiiksi tehdyt aineistot, mutta enpä ollutkaan, en ainakaan oikealla tavalla. Pienen epätoivoisen etsintätuokion jälkeen luovutin ja nappasin osan tiedostoista kurssikerran valmiista aineistoista. Käyhän se näinkin.

Kurssikerran alkupuolesta käytimme hyvän tovin tutustuen MapInfon buffer-toimintoon ja sen erilaisiin sovellutuksiin. Kun objektin ympärille luodaan tietynkokoinen vyöhyke, voidaan tarkastella, millaisia kohteita sijaitsee tietyn etäisyyden päässä kyseisestä objektista. Harjoituksena laskimme esimerkiksi, kuinka monta taloa sijaitsee kilometrin säteellä koulurakennuksesta. Puskurivyöhykkeiden avulla voidaan siis selvittää myös tietyn kohteen saavutettavuutta.

Uusia toimintoja esiteltiin jonkin verran, ja ne olivat vielä hyvin mielessä, kun aloitimme itsenäistehtävien teon. Jotkin aiempien kurssikertojen asiat olivat kuitenkin jo päässeet painumaan aivoissa taka-alalle, minkä vuoksi tehtävät eivät oikein ottaneet sujuakseen. Keskittymiskyky oli koetuksella. Aivoni pyysivät aikalisää.

Rentouttavan ruokatauon pidettyäni palasin MapInfon ääreen. Tehtävät alkoivat luonnistua huomattavasti sutjakkaammin, ja pian olinkin jo suoriutunut ensimmäisistä puskuroinneista ja prosenttilaskuista.

Tässä itsenäistehtäviin saamani vastaukset kerättynä taulukkoon:

KK5_vast_taul_2

Nyt kun vastaukset ovat valmiina taulukossa, mietin, miksi ihmeessä niiden selvittäminen tuntui niin vaikealta. Prosessihan oli teknisesti aikalailla yksinkertainen (paria tehtävää lukuunottamatta). Luultavasti yritin kiirehtiä liikaa ja pitää mielessä liian monta asiaa samanaikaisesti. Muistutus itselleni ensi kerraksi: etene rauhassa.

Laskeskelun jälkeen oli taas hauska päästä tekemään karttaa. Tarkoituksena oli saada aikaan uima-altaiden lukumäärää pääkaupunkiseudun osa-alueilla kuvaava pylväskartta, mutta sellaista ette ikävä kyllä tule nyt saamaan. Pylväät olivat luonteeltaan niin ujoja, että yrittivät välttää huomiota muuttumalla läpikuultaviksi. Osa niistä jäi vielä lisäksi piileskelemään merialueiden taakse. Pitkän suostuttelun jälkeenkään en onnistunut houkuttelemaan pylväitä esiin, joten päätin antaa niiden mennä menojaan. Tässä siis alkuperäisen korvauksena koropleettikartta aiheesta. (Huom. muistin ainakin lisätä nimistöä kartalle!)

Uak2

Muiden blogeja silmäillessäni huomasin, että esimerkiksi Reetu Jormakka oli onnistunut tekemään aiheesta oikeanlaisen kartan. Pylväskartta kuvaa altaiden jakautumista paljon tehokkaammin, sillä aineiston korkeimmat arvot tulevat selkeästi esiin. Pienet, muutamaa allasta kuvaavat pylväät eivät myöskään kerää turhan paljon huomiota, toisin kuin koropleettikartan pienimpien luokkien väritys. Nyt kartastani saa hieman vääränlaisen kuvan altaiden sijoittumisesta; niitä vaikuttaa olevan enemmän kuin onkaan. Kartallani Helsinki ei myöskään erotu selkeästi muita uima-allasrikkaampana alueena, vaikka se todellisuudessa sellainen on. Jormakan kartasta taas näkee ensi silmäyksellä, että Helsinki on uima-altaiden kaupunki. Kuten myös Reetu blogissaan toteaa, uima-altaita on yllättävän vähän Espoossa. Luultavasti se johtuu siitä, että asutuskin on siellä harvempaa kuin Helsingissä.

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. Kun pitkään tuijottelee taulukoita ja numeroita, on helppo tehdä huolimattomuusvirheitä tai ajatusvirheitä. Toisaalta niiltä ei taida voida välttyä millään paikkatieto-ohjelmalla yhtään sen enempää. Täytyy siis aina muistaa tarkistaa, mitä on tullut näpyteltyä ja klikkailtua.

Monet MapInfon kömpelöt toiminnot harmittavat välillä edelleen, mutta niiden kanssa on oppinut tulemaan toimeen. Valinta- ja piirtotyökalut eivät enää onnistu minua hämmentämään. Tietokantojen muokkaaminen ja päivittäminenkin alkaa olla jo selkeää, samoin karttojen tekeminen. Tosin tällä kerralla uima-allaskartan kanssa tuli kyllä ongelmia. Mutta ainakin perusteet kartanlaadinnasta ovat hallussa. Jotkin hakutoiminnot ovat vähän päässeet unohtumaan, samoin monet tallentamiseen liittyvät seikat.

Kurssikerta ei ollut helpoimmasta päästä. Ja sen verran turhautuneita huudahduksia kaikui ympäri luokkaa, etten usko olevani yksin mielipiteeni kanssa. Oli kuitenkin hyväksi tehdä harjoituksia alusta loppuun itse, ilman tarkkaa ohjeistusta. Ohjeita kaavamaisesti seuratessa toiminnoista jää heikompi muistijälki, ja niiden mieleen palauttaminen myöhemmin on vaikeampaa. Ongelmien ratkaiseminen omaa luovuutta käyttämällä oli oikeastaan hauskaa! Toisaalta aloin myöhemmin miettimään, mahdoinko tehdä kaiken oikein, tai olisinko voinut saada saman lopputuloksen aikaan helpommallakin tavalla. Jotkin enemmän tai vähemmän unholaan jääneet toiminnot vaatisivat vähän kertausta. Nyt en ole enää varma, osaanko käyttää niitä kaikkia oikein.

 

Lähteet

Jormakka, Reetu. 5. Kurssikerta (18.2.2016). <https://blogs.helsinki.fi/jore/> Luettu 18.2.2016.

4. kurssikerta: pisteitä ja ruutuja

Neljäs kurssikerta aloitettiin tutustumalla piste- ja ruutuaineistojen ominaisuuksiin.

Pisteaineistot sisältävät tarkkaa tietoa pistemäisten kohteiden, kuten rakennusten, sijainnista. Näiden pisteiden pohjalta voidaan sitten rakentaa ruutuaineisto. Se on käytännöllinen silloin, kun halutaan tarkastella ilmiöitä muiden kuin hallinnollisten alueiden perusteella. Ja koska jokainen aineiston ruutu on samankokoinen, tiedon ei tarvitse olla suhteellista. Ruudukon avulla voidaan siis esittää myös absoluuttisia arvoja niin, että kartta on oikeasti informatiivinen.

Sitten oli tottakai taas aika harjoitella opittua käytännössä. Meille ystävällisesti valmiiksi laaditun workspacen avattuamme saimme eteemme kartan, johon oli pistemuotoisena tietona merkitty kaikki pääkaupunkiseudun asuinrakennukset.

Aloitimme yhteisellä harjoituksella, jossa laadimme kartan 20-vuotiaiden ruutukohtaisista määristä. Yllätyin, kuinka pienellä vaivalla kartta lopulta syntyikään. Aineistoimme näet oli aluksi vain rasteja kartalla (tai siltä se ensinäkemältä vaikutti), mutta jo lyhyen luomisprosessin jälkeen ruudulla komeili kaksikymppisten sijoittumista kuvastava värikäs ruudukko.

Melko pian siis paljastui, että kartan rastit kätkivät taulukkomuodossa sisäänsä paljon muutakin. Sijaintinsa lisäksi ne osaavat esimerkiksi kertoa jos jonkinmoista ominaisuustietoa edustamastaan rakennuksesta: esimerkiksi sen rakennusvuodesta ja asukkaiden iästä.

Ruututeemakartassa ruudukon koko vaikuttaa huomattavasti kartan ulkonäköön, luettavuuteen ja sen sisältämään tietomäärään.

Luomassamme harjoituskartassa käytetty 500 metrin ruutukoko oli sopiva, mutta isommallakin ruutukoolla pärjää mielestäni hyvin. Pienet ruudut ovat erityisen sopivia, jos aineistoa tarkastellaan sähköisesti niin, että karttaa voi zoomailla vapaasti. Silloin aineistoa on mahdollista tarkastella lähempää ja tarkemmin, esimerkiksi vain tiettyjen kaupunginosien sisällä. Tällöin on hyvä, että pieni  ruudukko mahdollistaa tarkan analyysin: jos ruutukoko on iso, esimerkiksi vain kaupunginosan sisäisiä alueellisia eroja ei voi havaita, sillä vain muutama ruutu voi peittää koko alueen.

Pienestä ruutukoosta ei kuitenkaan  ole kovinkaan paljon hyötyä silloin, kun kartta tallennetaan rasterimuotoisena kuvana. Pieniä ruutuja voi olla vaikea erottaa, ja kartta näyttää sekavalta. Myös Anni Heilala pohtii pikkuruutujen ongelmia blogissaan: “Pääkaupunkiseutu on hyvin iso, joten 250 x 250 m ruudut loivat mielestäni liian suuren hässäkän karttaan. Kyseistä karttaa oli vaikea tulkita, sillä arvot saattoivat muuttua huomattavasti viereisissä ruuduissa, tieto oli siis aivan liian tarkkaa näin laajalle kartalle.” Kartan mittakaava siis määrittää sopivan ruutukoon rajat.

Pienet ruudut saattavat siis olla ongelmallisia, mutta niin kyllä isotkin. Isoja ruutuja käytettäessä menetetään aina osa tiedosta, sillä alueelliset erot jäävät keskiarvojen ja summien jalkoihin. Toisaalta yleensä keskeiset asiat voi kuitenkin havaita aivan yhtä hyvin myös isompaa ruutukokoa käyttämällä. Isommat ruutukoot myös tekevät kartasta helpommin luettavan: ilmiöstä on huomatavasti helpompi saada yleiskuva. Sen kustannuksella osa alueellisista eroista kartalla häviää, mutta usein yleistäminen kannattaa. Riippuu siitä, mihin tarkoitukseen kartta tehdään.

Seuraavaksi saimme kokeilla omien siipiemme kantavuutta: tehtävänä oli laatia samantapainen kartta, mutta eri muuttujaa esittämään ja eri ruutukoolla. Koska olimme aikaisemmin tutkineet 20-vuotiaiden sijoittumista, päätin siirtyä ikähaitarin toiseen päähän ja tehdä kartan yli 65-vuotiaiden määrästä (1000m x 1000m ruuduilla).  Tarkoituksenani oli tehdä vertailun vuoksi samanlainen kartta alle 20-vuotiaiden määrästä, mutta vähän väsyneenä klikkaillessani useampikin asia meni pieleen ja kartasta tuli vain sekavaa sotkua (toivottavasti oli viimeinen kerta, kun joudun PAKin aamuryhmään). Siispä käteeni jäi loppujen lopuksi vain kartta yli 65-vuotiaiden määrästä. Yksinään, ilman vertailukohtaa,  kartta ei ole kovinkaan informatiivinen; yli 65-vuotiaita on määrällisesti paljon alueilla, jossa väentiheys on suuri. Kartan avulla ei siis juuri pysty päättelemään, missä vanhempia ihmisiä on paljon suhteessa muunikäisiin.

Kun tuskailin ääneen, että kartastani ei ole mitään hyötyä, ihana Marisofia viisaasti huomautti, että ainakin sen perusteella voisi arvioida sitä, minne sijoittaa vanhusten palveluja. Esimerkiksi silloin, kun yhden neliökilometrin alueella asuu parituhatta yli 65-vuotiasta, siellä taatusti riittää kysyntää kaikenlaisille vanhustenpalveluille terveyskeskuksesta mummojumppaan. Myös yrityksiä varmasti kiinnostaa, kuinka paljon tietynikäistä väestöä eri alueilla asustaa. Suhteelliset osuudet eivät ole niinkään tärkeitä, jos mietitään, onko alueella riittävästi asiakkaita yritykselle.

Grid100m_yli65v_määrä_VALMIS_2

Ulkonäkönsä puolesta kartta onnistui minusta hyvin. Keltaisen ja oranssin sävyt sointuvat harmaaseen taustaan ja myös erottuvat toisistaan tarpeeksi, niin ettei kartan tihrustamisesta saa päänsärkyä. Lukijan avuksi kartalle olisi voinut lisätä pääkaupunkiseudun kuntien nimet – nyt hieman hölmösti näkyvissä ovat vain Sipoo, Tuusula ja Kirkkonummi. Toki niiden perusteella voi päätellä, mitä  ruudukon alle jääneet kunnat ovat nimeltään, mutta silti. Olisi myös ollut järkevää laittaa legendaan “Yli 65-vuotiaita/ km²”, ruutuni kun ovat juuri neliökilometrin kokoisia. Nykyisessä kartassa jää hieman epäselväksi, mitä lukumäärät legendassa oikein tarkoittavat.

Kerrankin olin tyytyväinen myös MapInfon ehdottamaan luokkajakoon (natural break -menetelmällä).

Ruututeemakartat sopivat aineiston esittämiseen yleensä hyvin, mutta usein koropleettikartta saattaa olla havainnollisempi. Monesti on mielekästä vertailla keskenään juuri hallinnollisia alueita, ja siksi niiden käyttäminen kartan aluejakona on yleensä sopivaa. Ruututeemakarttaa voi olla vaikea lukea, kun pohjalla eivät olekaan tutut aluejaot.

Aineiston esittäminen ruudukolla kuitenkin avaa uusia mahdollisuuksia, koska kaikki ruudut ovat samankokoisia ja ne eivät riipu olemassaolevista aluejaoista. Lisäksi ruutujen kokoa voi vapaasti säätää niin, että ilmiö voidaan esittää juuri sopivalla tarkkuudella.

Kurssikerta havainnollisti mielestäni erityisen hyvin sitä, mitä paikkatieto käytännössä on. Ymmärsin entistä syvemmin sijainti- ja ominaisuustiedon suhdetta ja niiden lukuisia käyttötapoja. Pienet oivallukset matkan varrella ovat vähitellen yhdistyneet suuremmaksi ymmärrykseksi.

 

 

Timanttien, öljyn ja konfliktien Afrikka

Afrikka on monien luonnonrikkauksien maanosa. Lisäksi se on surullisenkuuluisa useista konflikteistaan. Olisikohan näillä asioilla siis yhteys toisiinsa?

taistelut-2

Ainakaan ensi näkemältä mitään selkeää yhteyttä ei ole havaittavissa. Öljykenttien lähistöt vaikuttavat muuhun mantereeseen verrattuna oikeastaan hyvinkin rauhallisilta. Tosin esimerkiksi Tunisiassa ja Nigeriassa öljykenttien ympäristössä on taisteltu, mutta vaikea sanoa, johtuuko se millään tapaa öljystä. Jos tiedossa olisi öljyn löytämisvuosi ja poraamisvuosi sekä konfliktin alkuajankohta, voitaisiin tarkastella paremmin öljyn ja konfliktien yhteyttä.

Jos konflikteja näyttäisi puhkeavan lähistöllä enemmän hieman öljyn löytymisen tai poraamisen aloittamisen jälkeen, voitaisiin arvata konfliktien johtuvan juuri öljyyn liittyvistä seikoista. Syitä konfliktiin saattaisivat olla esimerkiksi kiistat öljyn omistuksesta, maanomistusoikeuksista tai poraamisesta aiheutuvista ympäristöhaitoista.

Lisäksi voisimme tarkastella, onko niissä öljykentissä, joiden ympäristössä on taisteltu, jotain erikoista. Esimerkiksi öljykentän tuottavuus saattaisi vaikuttaa siihen, syntyykö konfliktia vai ei. Jos kenttä on erityisen tuottava, se herättää varmasti suurempia tunteita ihmisten keskuudessa kuin matalatuottoisempi kenttä. Jos taisteluiden lähellä sijaitsevat öljykentät osoittautuisivat erityisen tuottaviksi, voitaisiin mahdollisesti päätellä tuottoisien öljykenttien johtavan konfliktien syntyyn.

Myöskään timanteilla ei näyttäisi olevan kovinkaan suurta yhteyttä taisteluihin. Suurimmassa osassa timanttikaivosten keskittymistä ei ole käyty yhtäkään taistelua. Taistelut näyttävät sijoittuneen melko tasaisesti lähinnä ympäri keskistä Afrikkaa, riippumatta timanttikaivosten sijainnista.

Toki timantit varmasti ovat ainakin osasyynä monien konfliktien syttymiseen, mutta koko manteretta esittävältä kartalta tätä on vaikea huomata, ainakaan silmämääräisesti. Samalla tavalla kuin öljyn kanssa, voisimme tarkastella konfliktien ja timanttien yhteyttä timanttikaivosten löytämisvuoden, kaivausten aloitusvuoden ja tuottavuusluokittelun perusteella.

Lisäksi, kun tiedossa on konfliktin laajuus, voitaisiin analysoida, ovatko timanttikaivosten läheisyydessä esiintyvät konfliktit muita pienempiä. Jos ne ovat, timanttikaivos voisi olla hyvä veikkaus konfliktin aiheuttajaksi. Kaivoksen aiheuttamat ongelmat ovat näet luultavasti suhteellisen paikallisia, minkä vuoksi konfliktit eivät leviä laajalle. Laajemmat, satojen kilometrien alueelle levittyvät konfliktit aiheutuvat mitä luultavimmin muista syistä, kuten valtiopolitiikasta tai ympäristökatastrofeista.

 

 

Lähteet

Heilala, Anni. Neljäs kurssikerta (10.2.2016). <https://blogs.helsinki.fi/heanni/> Luettu 12.2.2016.

Artikkeli 1

Artikkelissaan Two-variable choropleth maps as a useful tool for visualization of geographical relationship Anna Leonowicz (2006) pohtii kaksimuuttujaisten koropleettikarttojen soveltuvuutta kartografisiin esityksiin. Kahden muuttujan karttoja tarvitaan etenkin visualisoimaan muuttujien keskenäistä yhteyttä, sillä kahta yksimuuttujaista koropleettikarttaa on Leonowiczin mukaan yllättävän hankalaa verrata keskenään. Sen sijaan kun halutaan esittää kartalla ilmiöiden alueellista jakautumista, kannattaa käyttää yhden muuttujan karttoja.

Kaksimuuttujaisten karttojen kohdalla tulee olla varovainen: jos luokkia on liikaa tai jos värimaailma on huonosti suunniteltu, kartan lukeminen voi olla erittäin haastavaa ja johtaa siksi puutteellisiin tulkintoihin. Kuitenkin hyvinsuunnitellun kaksi muuttujaa yhdistävän kartan avulla voidaan visualisoida tehokkaasti muuttujien välistä lineaarista riippuvuutta ja myös poikkeamia tästä.

Artikkeli tuntui aluksi hieman vaikeasti lähestyttävältä, sillä itse en vielä lyhyellä maantieteilijän urallani ole kohdannut ongelmaa, jota Leonowicz pyrkii osittain artikkelin avulla ratkaisemaan. Kesti siis hetki ymmärtää, mihin kahden muuttujan koropleettikarttoja oikeastaan tarvittaisiin. Artikkeliin syventyessä aloin kuitenkin ymmärtää esitystavan edut; siitä saattaa vielä myöhemmin olla hyötyä.

Artikkelissa esitellyt kaksimuuttujaiset kartat asettavat tiettyjä haasteita lukijalle. Ensivilkaisulla koropleettikartta näyttää tavalliselta ja turvalliselta, mutta viimeistään legendan kohdalla ainakin tottumaton kartanlukija luultavasti hämmentyy. Legenda on oikeastaan koordinaatisto, johon havainnot on merkitty pisteinä. Yhden muuttujan arvot kuvataan x-akselilla ja toisen y-akselilla. Tällöin  muuttujien mahdollinen keskinäinen riippuvuus tulee esille pistejoukon sijoittumisesta. Koropleettikartan värit kuvaavat samanaikaisesti kahta muuttujaa yhdessä, eivät vain toista. Silloin yhdestä ainoasta väristä voi päätellä molempien muuttujien luokan. Jos väritys on hyvin ja loogisesti suunniteltu, kartan lukeminen voi olla yllättävän helppoa, ainakin kun on ensin tottunut esitystapaan.

Artikkeli sai miettimään, millaisia kartografisen esityksen mahdollisuuksia onkaan olemassa. On helppo turvautua yleisimpiin esitystapoihin, vaikka  mielikuvitusta käyttämällä voisi saada aikaan toimivampiakin tapoja esittää ilmiötä.

Varsinkin käytettäessä paikkatieto-ohjelmia jumiutuu helposti käyttämään ohjelmassa valmiina olevia toimintoja, sillä paikkatieto-ohjelmiin on ohjelmoitu rajallinen määrä visualisointitapoja. Edes esityksen värejä tulee harvemmin muutettua itse, vaan pysytään ohjelman tarjoamissa väripaleteissa. Puhumattakaan sitten siitä, että lähtisi kokeilemaan aivan uudenlaisten visualisointien luomista. Artikkeli saikin mieleni avoimeksi epätavallisempia kartografisia esitystapoja kohtaan.

Aloin pohtimaan, että hieman vaikeammin tulkittava esitystapa saattaa jopa loppujen lopuksi saada lukijan ymmärtämään kartan sisältöä paremmin. Silloin lukija ei nimittäin voi vain nopeasti vilkaista karttaa ja tehdä hutaistuja johtopäätöksiä, vaan hänen täytyy oikeasti perehtyä karttaan ja sen legendaan kunnolla. Silloin kartan sisältämä tieto jää ehkä paremmin mieleen.

 

Lähteet

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

3. kurssikerta: tietotulva tietokannoista

Kolmannen kurssikerran aloitimme tutustumalla karttojen rakennusmateriaaleihin, tietokantoihin. Aikaisemmin olimme keskittyneet enemmänkin lopputulokseen eli karttaan, mutta nyt pääsimme tarkastelemaan aineistoa niiden takana. Perehdyimme tietokantojen rakenteeseen,  niiden muokkaamiseen ja mahdollisuuksiin yhdistellä erilaisia tietokantoja toisiinsa.

Uusia toimintoja esiteltiin niin nopeasti, että aikaisemmin opittu tuntui katoavan heti mielestä uuden tilalta. Onneksi tiedot taisivat kuitenkin tallentua jonnekin, sillä kun saimme eteemme tietojen soveltamista vaativan tehtävän, sujuikin se yllättävän hyvin.

Tehtävänämme oli luoda taas uusi teemakartta, mutta tällä kertaa aineistot eivät olleet täysin valmiina. Eri tietokantojen tietoja täytyi ensin yhdistellä toisiinsa. Vaikka tietokannat kurssikerran aikana paljastuivatkin melko joustamattomiksi, esimerkiksi Excel-taulukon sisältämien tietojen lisääminen valmiiseen tietokantaan olikin yllättävän yksinkertaista.

Lisäksi laskimme tietokantaan uuden muuttujan, tulvaindeksin. Tulvaindeksistä tehtiin koropleettikartta, jonka aluejakona toimivat valuma-alueet. Pohjalla olevan koropleettikartan päälle lisättiin vielä valuma-alueiden järvisyysprosenttia kuvaavat pylväät, ja teemakartta olikin jo hienosäätöä vaille valmis.

Tekemäni kartta onnistui mielestäni hyvin. Olisi ehkä kuitenkin ollut hyvä lisätä näkyviin rantaviiva, niin tulvaindeksiä olisi voinut tarkastella laajemman kokonaisuuden tasolla. Silloin kartasta näkisi esimerkiksi sen, kuinka kaukana Lapin valuma-alueet sijaitsevat merenrannasta. Toisaalta kartta on kaikessa nykyisessä yksinkertaisuudessaan ainakin hyvin selkeä, joten huomio pysyy vain tarkasteltavassa ilmiössä.

Tulvaindeksi_ja_järvisyys

Huomasin tunnilla monien valinneen koropleettikartan väreiksi vesiteeman vuoksi sinisen sävyjä, mutta itse päädyin punaiseen. Punainen väri kuvastaa mielestäni hyvin tulvariskin aiheuttamaa mahdollista vaaraa (vaikka tosin tulvat Suomessa harvoin kovin haitallisia ovatkaan). Sininen väri tuntuu minusta vain liian rauhalliselta ja viileältä kuvaamaan niin isoa luonnonilmiötä. Järvisyyttä kuvaavat pylväät sen sijaan väritin sinisiksi, sillä tässä kohtaa mielleyhtymä sininen=vesi on hyvä huomioida, jotta kartasta tulee mahdollisimman helposti luettava.

Luokkarajojen määrittäminen osoittautui tämän kartan kohdalla haastavaksi. Kokeilin kaikkia MapInfon automaattisia luokittelumekanismeja, mutta mikään niistä ei mielestäni tuottanut toimivaa luokkajakoa. Päädyin siksi määrittämään luokkarajat käsin, aineiston jakaumaa kuvaavan histogrammin perusteella. Histogrammista nähdään, että suurin osa arvoista sijoittuu tulvaindeksien vaihteluvälin alempaan päähän ja että hyvin korkeita arvoja on vain muutama. Siksi päätin luokitella kaikki suurimmat arvot samaan luokkaan, vaikka sillä tavoin yksi, selvästi muita tulvaherkempi alue ei erotukaan kartalta. Esimerkiksi Anni Heilala oli kuitenkin päätynyt toisenlaiseen luokkajakoon: hänen kartassaan Aurajoen valuma-alue erottuu omana luokkanaan. Kyseisen valuma-alueen tulvaindeksi onkin muihin verrattuna niin moninkertainen, että ehkä se tosiaan olisi ansainnut oman luokkansa.

Lisäksi tein pienimmästä luokasta laajemman kuin MapInfo millään luokittelutavalla ehdotti, sillä siten tulvaindeksien absoluuttiset erot tulevat paremmin näkyviin. Kolme ensimmäistä luokkaa ovat kaikki samankokoisia, mutta ensimmäiseen luokkaan kuuluu reilusti eniten havaintoja. Siten kartalta voidaan helposti päätellä, että suurimmassa osassa Suomea tulvariski ei ole kovin iso. Jos osa näistä pienemmistä havainnoista olisi liitetty seuraavaan luokkaan havaintomäärien tasaamiseksi, vaikuttaisi tulvariski olevan monilla alueilla isompi ongelma kuin se todellisuudessa onkaan.

Kartalta on selvästi havaittavissa tulvaindeksin olevan korkein etelä- ja länsirannikolla. Sisämaassa tulvaindeksi on kaikkialla melko pieni. Järvisyyden ja tulvaindeksin välillä vaikuttaisi olevan selvä yhteys: mitä järvisempi alue, sitä pienempi tulvaindeksi. Järvet toimivat veden varastoina, joten jos alueella on paljon järviä, vettä ei yhtä lailla keräänny jokiin ja jokien virtaamat pysyvät alhaisempina. Rannikon pienillä valuma-alueilla järvisyyden ja tulvaindeksin välillä korrelaatio on selkeää, mutta Pohjois-Suomen suurilla valuma-alueilla tulvaindeksi ei ole suuri vähäisestä järvisyydestä huolimatta.

Oikeastaan odotan jo seuravaa kurssikertaa, jotta saan taas nähdä, mitä kaikkea hienoa voimmekaan MapInfon ja paikkatietoaineistojen avulla saada aikaan.

 

Lähteet

Heilala, Anni. Kolmas kurssikerta (2.2.2016). <https://blogs.helsinki.fi/heanni/> Luettu 4.2.2016.

2. kurssikerta: syventymistä teemakarttojen maailmaan

Toisella kurssikerralla jatkoimme MapInfon ja teemakarttojen parissa. Kävimme läpi erilaisia tapoja, joilla kahta muuttujaa voi esittää samalla kartalla. Yleensä se toimii helpoiten tekemällä pohjalle koropleettikartan yhdestä aiheesta ja lisäämällä sen päälle toista ilmiötä kuvaavia symboleita tai diagrammeja. Symboleita käyttämällä kartalle voi lisätä tietoa oikeastaan vain ilmiön likimääräisestä sijainnista ja määristä, mutta diagrammien avulla kartasta voi saada hyvinkin informatiivisen. Esimerkiksi ympyrädiagrammit voivat mahduttaa sisäänsä suuren määrän tietoa, esimerkiksi eri elinkeinojen suhteellisista osuuksista. Mutta kuten Helena Rautakoski osuvasti blogissaan toteaa: “Jos esimerkiksi diagrammit ovat liian suuria tai niitä on liian tiheästi, luettavuus kärsii.” Täytyy siis löytää tasapaino tietomäärän ja luettavuuden välillä.

Tuttuun tapaan harjoittelimme karttojen tekoa ensin yhdessä, ja sen jälkeen saimme täysin vapaalla tyylillä luoda oman kartan.

Täytyy kuitenkin myöntää, että en ole kovinkaan tyytyväinen omaan karttaani; huomaan siinä paljon parantamisen varaa. Kokeilin tunnilla useita eri vaihtoehtoja kartan muuttujiksi, mutta kiinnostavia ja toimivia yhdistelmiä oli vaikea löytää. Siinä etsiessä aika loppuikin kesken, ja päädyin nykyisiin valintoihini puolivahingossa. Olisi ollut tarpeen miettiä  huolellisemmin, millaisten muuttujien välillä voisi olla mielenkiintoisia yhteyksiä.

Tekemässäni kartassa on siis pohjalla kunnan huoltosuhdetta kuvaava koropleettikartta ja sen päällä yritystoimipaikkojen lukumäärää kuvaavia pylväitä. Rajasin kartan esittämään vain yhtä maakuntaa, Uusimaata, sillä koko Suomea kuvaavasta kartasta pylväitä olisi ollut vaikea erottaa.

kk2_kartta

Kartalta on nähtävissä, että huoltosuhde on alhaisin pääkaupunkiseudulla ja sen läheisyydessä. Kuljettaessa kauemmas pääkaupungista huoltosuhde kasvaa lähes vyöhykkeittäin. Päätin jakaa huoltosuhteen arvot neljään luokkaan, sillä näin pienessä, vain parikymmentä kuntaa sisältävässä aineistossa MapInfon oletusmäärä eli viisi luokkaa ei ollut tarpeen. Luokkarajat olisi kuitenkin ollut hyvä määrittää käsin, sillä nyt kartan luokkajakoa on vaikea hahmottaa. Esimerkiksi luokasta 1,01 – 1,09 olisi voinut tehdä luokan 1,00 -1,10, niin legendasta olisi tullut huomattavasti helppolukuisempi.

Sen sijaan ainakin kartan värit ovat mielestäni helppolukuisia: ilmiöstä on vaivatonta saada yleiskatsaus niin, ettei legendaa edes välttämättä tarvitse katsoa. Väreiksi olisi kuitenkin voinut valita vaikkapa sinisen sävyjä, ne olisivat soveltuneet kuvaamaan paremmin huoltosuhdetta. Keltaisen ja oranssin sävyt ovat ehkä hieman liian pirtsakoita siihen tarkoitukseen.

Kun otetaan tarkasteluun mukaan yritystoimipaikkojen määrää kuvaavat pylväät, voidaan havaita, että ainakin eniten yrityksiä sisältävissä kunnissa huoltosuhde on alhainen. Huoltosuhteen ja yritystoimipaikkojen välillä on kuitenkin melko hankalaa havaita kartalta mitään sen suurempaa yhteyttä. Ainkin osasyynä on se, että huoltosuhde on suhteellinen mutta yritystoimipaikkojen määrä absoluuttien muuttuja. Yritystoimipaikkoja ei ole siis suhteutettu kunnan kokoon tai asukaslukuun, minkä vuoksi eri kuntia on vaikea vertailla.

Toisaalta käyttämällä absoluuttisia lukumääriä saadaan selville se, mihin yrityksiä keskittyy juuri määrällisesti eniten eli minne yritykset näkevät kannattavaksi sijoittua. Kartalta on lisäksi mahdollista silmämääräisesti suhteuttaa yritysten lukumäärää kunnan kokoon. Esimerkiksi parhaaseen huoltosuhdeluokkaan kuuluvissa pienissäkin kunnissa yritysten määrää kuvaava pylväs on melko korkea, ainakin verrattuna muiden luokkien pienimpiin kuntiin.

Kartalta voidaan siis tehdä ainakin se johtopäätös, että yrityksiä on paljon alueilla, joissa taloudellinen huoltosuhde on kaikkein paras. Osittain tämä johtuu varmasti siitä, että suuri yritystoimipaikkojen määrä vähentää alueen työttömyyttä ja sitä kautta parantaa huoltosuhdetta, mutta luultavasti yritykset myös tarkoituksella hakeutuvat alueille, joiden väestö on aktiivista työelämässä.

Tämän kurssikerran jälkeen koen taas olevani parempi kartantekijä, sillä virheistä oppineena nyt tiedän, mitä seuraavalla kerralla tehdä toisin.

 

Lähteet

Rautakoski, Helena. Kurssikerta 2. Uudenlaista visualisointia (29.1.2016).<https://blogs.helsinki.fi/helenrau/> Luettu 31.1.2016.

1. kurssikerta: paikkatiedon perusteita ja tutustumista MapInfoon

Ensimmäinen kurssikerta aloitettiin kertaamalla paikkatietoon liittyviä käsitteitä ja teoriaa. Muistuttelimme mieleen muun muassa vektori- ja rasteriaineiston eroja sekä sijainti- ja ominaisuustietojen ominaisuuksia. Sitten seurasi tutustuminen itselleni täysin uuteen ohjelmaan, MapInfoon. MapInfo on paikkatiedon käsittelyyn tarkoitettu ohjelma, josta olemme vanhemmilta opiskelijoilta kuulleet kauhutarinoita ensimmäisistä opiskeluviikoista lähtien. Helpotuksekseni MapInfo kuitenkin osoittautui mainettaan mukavammaksi. Vaikka ohjelman ulkoasu on hieman vanhanaikainen ja toiminnot, kuten zoomaaminen, eivät ole kovinkaan intuitiivisia,  perustoimintojen käytön omaksui nopeasti.

Harjoittelun jälkeen loimme oppimiemme perustietojen avulla oman teemakartan MapInfossa. Teemakartan laatiminen yhdestä muuttujasta on ohjelmalla oikeastaan melko helppoa. Täytyy kuitenkin valita sopivat värit, jotka kuvastavat kartan esittämää ilmiötä mahdollisimman hyvin, ja päättää, miten aineisto luokitellaan. Luokitteluun vaikuttaa luokkien määrä sekä luokittelutapa. Luokat voidaan esimerkiksi muodostaa niin, että jokaiseen luokkaan tulee yhtä monta tapausta, tai niin, että luokkarajat sijoittuvat aineiston luonnollisiin rajakohtiin (natural break). Silloin samansuuruiset havainnot päätyvät samaan luokkaan. Tässä vaiheessa ongelmia tuotti se, etten oikein tiennyt, miten aineisto olisi järkevintä luokitella. Luokitteluperusteisiin täytyy jatkossa perehtyä enemmän, jotta kartta esittäisi asiansa mahdollisimman todenmukaisesti eikä harhaanjohtavasti.

MapInfolla karttoja voi tuottaa pelkkien tietokantojen pohjalta. Aineiston visualisointi teemakartoiksi kannattaa, sillä teemakartta on paljon taulukkoa havainnollisempi tapa esittää asineisto. Esimerkiksi tekemältäni työttömyysastetta kuvaavalta koropleettikartalta näkee heti, millä alueilla työttömyys on suurinta, ja alueelliset erot Suomen sisällä tulevat hyvin esille.  Pelkkää tekstiä ja numeroita sisältävästä tietokannasta olisi erittäin vaikea hahmottaa alueellisia säännönmukaisuuksia tai saada yleiskuvaa ilmiöstä, varsinkin kun tarkasteltavia kohteita eli kuntia on niin paljon. Kartalta sen sijaan voi yhdellä vilkaisulla saada kattavan yleiskuvan. Toisaalta on otettava huomioon, että kun aineisto esitetään kartalla luokiteltuna, osa tiedoista häviää. Kartalta ei voi lukea yhdenkään kunnan tarkkaa työttömyysprosenttia, vaan ainoastaan sen, mihin luokkaan se kuuluu.

Omaan karttaani valitsin siis tutkittavaksi muuttujaksi Suomen kuntien työttömyysasteen, sillä ajattelin, että siinä on luultavasti nähtävissä kartalla alueellisia eroja.

Kartasta onkin selvästi nähtävissä, että työttömyysaste on korkeampi itäisessä ja pohjoisessa Suomessa. Kaikkein alin työttömyysprosentti on etelä- ja länsirannikolla. Yksittäisiä poikkeuksia esiintyy eri alueiden sisällä, mutta muuten työttömyysaste lähes säännönmukaisesti kasvaa kohti sisämaata ja pohjoista. Työttömyysaste vaihtelee hyvinkin paljon, alle 2 prosentista yli 22 prosenttiin.

Työttömyysasteen vaihtelua selittää työpaikkojen keskittyminen tietyille alueille, yleensä muuttovoittokuntiin. Maaseutumaisemmilla alueilla vanhojen elinkeinojen, kuten monien alkutuotannon osa-alueiden ja tehdastoiminnan kannattavuus on huonontunut, jonka vuoksi työpaikkojen määrä on vähentynyt huomattavasti. Iso osa työpaikoista on keskittynyt palvelusektorille, jonka työpaikat sijoittuvat yleensä kasvukeskuksiin ja niiden lähistölle.

Työttömyys

Kaiken kaikkiaan ensimmäinen kurssikerta oli hyvin opettavainen ja tuntui avaavan oven ihan uuteen maailmaan. Ymmärrykseni paikkatiedosta syveni, ja tuntuu, että kaikki aikaisemmin opittu teoria alkaa linkittyä käytäntöön. Kuten Venla Salomaa blogissaan toteaa, paikkatietoon liittyvä prosessi on alkanut hahmottumaan vasta, kun on itse päässyt käytännössä siihen osallistumaan.

Toivottavasti meistä kuoriutuu kurssin aikana niitä sitsilaulustakin tuttuja gis-guruja!

 

Lähteet:

Salomaa, Venla. Ensin luulin että hyvin meni, sitten ei mennytkään (24.1.2016). venlasal’s blog.<https://blogs.helsinki.fi/venlasal/> Luettu 30.1.2016.