Kurssikerta 2 – Päällekkäiset teemakartat

PAK-kurssi jatkui toisella kurssikerralla erilaisten teemakarttojen parissa. Perehdyimme edellistä kurssikertaa tarkemmin siihen, millaisia erilaisia vaihtoehtoja MapInfolla on tarjota kartografisia esityksiä varten. Ennen varsinaisen kurssikerran työn tekemistä harjoittelimme erilaisten esitystapojen luomista jo ensimmäisellä kurssikerralla käytetylle Suomen kunta-aineistolle. Kokeilimme mm. pylväs- ja ympyrädiagrammikarttojen, pistekarttojen ja päällekkäisten koropleettikarttojen luomista erilaisista aineistoista. Lisäksi kokeiluun pääsivät kaksi erilaista kolmiulotteista karttaa sekä muutama muu karttaesitys. Harjoitustehtävän avulla sain tuntuman erilaisten teemakarttojen tekniseen toteutukseen MapInfon avulla sekä hienoisen käsityksen siitä, minkälainen aineisto sopii mihinkin esitystapaan.

Kuten Sara Todorovic hyvin asian muotoili blogissaan, PAK-kurssin tarkoituksena on perehdyttää opiskelijat siihen, miten kartalla esitettävää tietoa hankitaan, käsitellään ja analysoidaan. Kaikki kartalle haluttava tieto ei suinkaan aina löydy yhdellä klikkauksella valmiina taulukoina MapInfosta, vaan tietoa on haettava muualta. Toisella kurssikerralla harjoittelimme nimenomaan sitä, kuinka MapInfoon saadaan tuotua uutta tietoa muualta.

Haimme tietoa Terveyden ja hyvinvoinnin laitoksen ylläpitämältä SOTKAnet-sivustolta, jonne on koottu runsaasti erilaista väestötietoa. Aineistot voi avata SOTKAnetin kautta Excel-muotoisina tiedostoina, jotka voi pienen hienosäädön jälkeen liittää MapInfoon ja hyödyntää kartografisen esityksen luomisessa.

Kurssikerran varsinaisena tehtävänä oli tuottaa kahden päällekkäisen teeman karttaesitys, joissa teemat tukisivat jollain lailla toisiaan. Aihe oli muutoin vapaa ja käytettävissä olivat sekä MapInfon kunta-aineistot että SOTKAnetistä löytyvät aineistot. Myös teemakarttatyypit olivat vapaasti valittavissa.

Koska aihe ei ollut sen kummemmin rajattu ja mielenkiintoisia aineistovaihtoehtoja löytyi paljon, oli edessä valinnanvaikeus. Lopulta päädyin kuitenkin tarkastelemaan osuutta lukion ensimmäisen ja toisen luokan opiskelijoista, jotka kärsivät kohtalaisesta tai vaikeasta ahdistuneisuudesta tai joilla ei ole yhtään läheistä ystävää sekä näiden ilmiöiden mahdollista korrelaatiota.

Tein ensimmäisen karttaesitykseni kuvaamaan ilmiöitä kunnittain. Pian kuitenkin huomasin, että ainakaan tähänastisilla taidoillani en saisi kartta toimivaksi kokonaisuudeksi. Kokeilin kartalle useita erilaisten teematyyppien yhdistelmiä, mutta kartta näytti aina vaan sotkuiselta, eikä siitä juuri saanut informaatiota irti. Antti Autio on pohtinut samaa ongelmaa ja kirjoittaakin blogissaan kahden eri ilmiön selkeän visuaalisen esittämisen olevan sitä hankalampaa, mitä rikkonaisempi ja rasteroitavien vyöhykkeiden kokojen suhteen vaihtelevampi kartta on.

Khaden muuttuja koropleettikartta

Kuva 1. Kohtalaisesta tai vaikeasta ahdistuneisuudesta kärsivät lukion 1. ja 2. vuoden opiskelijat (%) sekä ne, joilla ei ole yhtään läheistä ystävää (%) 2013. Lähde: MapInfo ja SOTKAnet.

Koska kuntatason tarkastelu ei tässä tapauksessa tullut kysymykseen, vaihdoin aluetasokseni maakunnat, jolloin kartastani (kuva 1.) tuli luettava. Olen kuitenkin sitä mieltä, että maakunta on kyseisten ilmiöiden tarkasteluun melko suuri alueyksikkö. Mikäli ilmiöiden korrelaatiosta haluttaisiin vetää luotettavia johtopäätöksiä, tulisi niitä tarkastella juuri esimerkiksi kuntatasolla. Maakunnittain tarkasteltaessa ahdistuneisuuden esiintymisestä ja ystävien puutteesta voi tehdä vain hyvin suurpiirteisiä päätelmiä.

Valitsin ohjeiden mukaan molempien teemojen luokkien lukumääräksi kolme, mikä tosiaan näyttää olevan ehdoton maksimi kahden päällekkäisen koropleettikartan tapauksessa. Rasteripinnat, jotka kuvaavat muuttujaa ”ei yhtään läheistä ystävää” valitsin niin, että toista muuttujaa kuvaava väri näkyisi rasteripinnan alta mahdollisimman hyvin, eli pyrin valitsemaan mahdollisimman ”harvoja” rastereita. Kokeilin aluksi valita kolme pisterasteria eri tiheyksillä, mutta lopputulos oli hyvin epäselvä. Myös viivojen kanssa oli sama ongelma, joten päädyin keskenään erilaisiin rastereihin. Lisäksi yritin pitää värimaailman kartassa yhtenäisenä, mutta kuitenkin värien erotettavuuden toisistaan mahdollisimman hyvänä, ettei lukija joutuisi arpomaan rasteripinnan alta pilkottavaa väriä.

Ensimmäinen silmiini pistävä havainto kartalla oli, että Lappi, Keski-Pohjanmaa sekä Päijät-Häme kuuluvat kaikki ylimpään luokkaan kummankin muuttujan suhteen, eli näissä maakunnissa on sekä eniten ahdistuneisuutta että henkilöitä, joilla ei ole yhtään läheistä ystävää. Kuitenkin esimerkiksi Kanta-Häme kuuluu ahdistuneisuuden suhteen ylimpään luokkaan, mutta ”ei yhtään läheistä ystävää”-luokituksessa alimpaan luokkaan. Suurin osa niistä maakunnista, joissa on vähiten niitä henkilöitä, joilla ei ole yhtään läheistä ystävää, kuuluvat myös ahdistuneisuuden esiintymisen suhteen alimpaan luokkaan, mutta myös tässä on poikkeuksia Uudenmaan sekä juuri Kanta-Hämeen kohdalla.

Toisena huomioni kiinnittyi Suomen itäpuolen halki nauhamaisesti kulkevaan alueeseen, johon kuuluvat Pohjois-Karjalan, Pohjois- ja Etelä-Savon sekä Kainuun maakunnat. Nämä kaikki kuuluvat molempien ilmiöiden suhteen Alimpaan luokkaan, kuten myös Etelä-Pohjanmaan maakunta. Kartalta löytyy kuitenkin myös sellaisia maakuntia, joissa ahdistuneisuuden osuus on vähäisintä, mutta yhtään läheistä ystävää ei ole 6,3-7%:lla (keskimmäinen luokka).  Ilmiöiden välillä voi havaita pientä korrelaatiota, mutta kuten sanottu, kovin luotettavia johtopäätöksiä ei tätä karttaa tulkitsemalla kuitenkaan voi tehdä.

Artikkeli 1

 

Kahden muuttujan teemakartan luomisen ja analysoinnin lisäksi toiseen kurssikertaan liittyi myös kurssin tiedotusblogissa annettu artikkelitehtävä. Erilaisten teemakarttaesitysten pohdintaa tuli syventää lukemalla Anna Leonowiczin (2006) kirjoittama tieteellinen artikkeli Two-variable choropleth maps as a useful tool for visualization of geographical relationship. Artikkelissa tarkastellaan yksi- ja kaksiteemaisten koropleettikarttojen eroja luettavuuden ja niiden tuottamisen suhteen sekä eriteltiin melko kattavasti ohjeita, joilla kaksiteemainen kartta säilyttää selkeytensä ja luettavuutensa.

Tässä vaiheessa akateemisia opintoja ei englanninkielisiä tieteellisiä artikkeleita ole tullut luettua vielä kovin montaa. Siksi tuntui paikoin haastavalta yrittää poimia artikkelista kaikki merkittävät asiat ja muodostaa niistä yksi selkeä kokonaisuus. Artikkelin alkupuolella kerrottiin melko lailla samoja asioita päällekkäisistä koropleettikartoista sekä teemakartoista yleensäkin, joita olimme jo kurssilla käsitelleet. Hyvin toteutetuista kaksiteemaisista koropleettikartoista on yksiteemaisia karttoja helpompi tarkastella ilmiöiden välisiä vuorovaikutussuhteita. Myös luokkien lukumäärän pitäminen tarpeeksi alhaisena päällekkäisissä koropleettikartoissa (maksimissaan 3 luokkaa/teema) ja värien käyttö olivat tarkastelussa sekä artikkelissa että kurssilla. Mikäli luokkia on enemmän kuin kolme, kasvaa mahdollisten väri- ja rasteriyhdistelmien joukko niin suureksi, että kartta muuttuu epäselväksi ja informaatio ei välity.

Artikkelia lukiessani hämmennystä aiheutti erityisesti kaksiteemaiselle kartalle laadittu ruudukkolegenda. En ollut koskaan aikaisemmin nähnyt moista ja legendan toimintaperiaatteen suurpiirteinen ymmärtäminen vaati aikansa artikkeliin liitettyjen havainnollistavien kuvien tuijottelua. Myönnettäköön, että legenda ei lopultakaan ihan täysin auennut minulle. Perusideana siinä on kuitenkin se, että ruudukon alareuna on ikään kuin x-akseli ja vasen reuna y-akseli. Akselit kuvaavat kartan kahta eri muuttujaa ja ruutujen määrä muodostuu luokkamäärien mukaan. Jos esimerkiksi luokkien määrä on kolme, muodostetaan akseleille (3×3) yhdeksänruutuinen ruudukko. Teemakartan värit ovat legendassa niitä vastaavilla alueillaan.

Erikoiselta tuntui myös se, että kahta päällekkäistä teemaa voi kuvata sekoittamalla kahta eri ilmiötä ja niiden tiettyjä luokkia vastaavat värit yhdeksi väriksi. Idea on siinä mielessä kekseliäs, että tällöin vain yksi väri riittää kuvaamaan muuttujien suhdetta, mutta tällaisen kartan tulkinta aiheuttaa varmasti hankaluuksia, mikäli esitystapa ei ole ennestään tuttu. Myös Tuure Takala on pohtinut blogissaan hyvien pohjatietojen tärkeyttä tällaisten kartografisten esitysten ymmärtämiseen. Edellä mainitut esitystavat poikkeavat monella tapaa yleisesti käytetyistä koropleettikartoista, mikä vaatii lukijalta kykyä yhdistellä erilaisia asioita, jonka lisäksi esitys tulisi hahmottaa yhtenä kokonaisuutena.

Lähteet:

Autio, A. (2015). Kurssikerta 2. Antin paikkatietoblogi. https://blogs.helsinki.fi/anttiaut/ Luettu 27.1.2015

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

Todorovic, S. (2015). Kurssikerta 1 – Kartta vai kepponen. Saran Blogi. https://blogs.helsinki.fi/stodorov/ Luettu 27.1.2015

Takala, T. (2015). 2. Kurssikerta.  Takalan PAK-blogi. https://blogs.helsinki.fi/tevtakal/ Luettu 4.2.2015

Kurssikerta 1 – MapInfon perusteet ja teemakartta

Paikkatiedon hankinta, analyysi ja kartografia –kurssilla tuotetaan erilaisia karttoja ja perehdytään geoinformatiikkaan Mapinfon avulla. Tämä blogi toimii kurssitöiden julkaisun ja oman oppimisen prosessoinnin väylänä, sekä mahdollistaa vuorovaikutteisen opiskelun muiden kurssilaisten kanssa. Blogiteksteissä analysoidaan ja tulkitaan kurssilla tehtyjä karttoja sekä kirjoitetaan omaa oppimista tukevia pohdintoja.

Paikkatiedon hankinta, analyysi ja kartografia –kurssi aloitettiin kertaamalla, mitä kaikkea paikkatiedon käsite pitääkään sisällään ja millaisia ominaisuuksia paikkatiedolla on. Mieleen palauteltiin esimerkiksi rasteri- ja vektorimuotoisten aineistojen eroja.

Mapinfoa käytettiin jonkin verran tiedonhankinta, analyysi ja kartografia –kurssin ensimmäisen periodin osuudessa, mutta sen ominaisuudet olivat päässeet itseltäni unohtumaan lähes kokonaan, sillä Corel Draw – piirto-ohjelma on ollut Mapinfoa ahkerammassa käytössä kuluneen lukukauden aikana. Näiden kahden ohjelman ominaisuudet myös sekoittuivat keskenään ja otti aikansa, ennen kuin Mapinfon ja Corelin selkeimmät erot palautuivat mieleen. Mapinfon perusominaisuuksia kerrattiin Helsingin seudun paikkatietoaineistoon liittyvän harjoitustehtävän avulla.

Kun varsinaista kurssikerran tehtävää varten oli saatu riittävä preppaus ja Mapinfon perusteet olivat jotakuinkin selvät, oli aika aloittaa tehtävän tekeminen. Tehtävänä oli luoda koropleettikartta Mapinfolla Suomen kuntiin perustuvan aineiston avulla ja tarkastella erilaisia aineiston luokitteluvaihtoehtoja. Valitsin omaksi aineistokseni eläkkeellä olevien asukkaiden osuuden kunnan väestöstä vuonna 2011. Tarkastelin aineistoani histogrammityökalun avulla, josta sain selville aineistoni olevan normaalisti jakautunut. Sen perusteella päätin kokeilla luokitella aineistoni keskihajonnan mukaan.

Kartasta ei kuitenkaan tällä luokitteluvalinnalla tullut kovin mielekäs, sillä pienimpien arvojen luokka jäi lähes olemattomaksi ylimmän luokan havaintomäärän ollessa suhteettoman suuri. Sen sijaan, kun luokittelin aineiston kvantiilien perusteella, jakautuivat havainnot suhteellisen tasaisesti kaikkiin viiteen luokkaan ja kartasta (Kuva 1.) tuli peremmin tulkittava. Vaikka kvantiililuokituksella luodusta kartasta tuli visuaalisesti siisti, on kuitenkin syytä huomata, että luokkavälit ovat tässä luokittelussa hyvin epätasaiset.

Kuva 1. Eläkkeellä olevien osuus kuntien väestöstä (%) 2011. Lähde: Mapinfo

Kuva 1. Eläkkeellä olevien osuus kuntien väestöstä (%) 2011. Lähde: Tilastokeskus.

Merkittävät opiskelukeskukset (esim. Oulu, Tampere, Jyväskylä, pääkaupunkiseutu) sekä niiden ympäristöt erottuvat alimpaan luokkaan kuuluvina alueina kvantiilien perusteella luokitellussa karttatuotoksessa. Yliopisto- ja muissa merkittävissä opiskelukaupungeissa eläkeikäisten osuus on pieni, kun taas monissa maaseutukunnissa muuttotappio ja syntyvyyden vähemmyys suhteessa kuolleisuuteen pitävät eläkeläisten suhteellisen määrän kunnan väestöstä korkeana. Kartasta huomataan, että eläkeläisten suhteellinen osuus on suurin Itä- ja Pohjois-Suomessa.

Mapinfoa enemmän käyttäneet voivat ehkä havaita tekemästäni kartasta, että sen tekijä ei (vielä) ole kovin harjaantunut ohjelman käytössä. Legenda saattaisi kaivata pientä hienosäätöä ainakin siinä mielessä, että kuhunkin luokkaan osuvien havaintojen määrien ei välttämättä tulisi olla näkyvillä. Lisäksi vierekkäisten luokkien sävyerot eivät ehkä ole ihan riittävän selkeät, joten sävyjä olisi voinut muuttaa tai luokkien määrää pienentää. Juuso oli tehnyt oman karttansa samasta aineistosta kuin minä ja oli valinnut luokkien määräksi vain kolme, mikä näytti mielestäni erittäin toimivalta ratkaisulta. Kartasta välittyi lähes sama informaatio kuin omasta kartastani, mutta luokat on helpompi erottaa toisistaan.

Luokittelutapojen valintaa on harjoiteltu jo aikaisemmin tiedonhankinta, analyysi ja kartografia –kurssilla, jolloin tehtävänä oli valita vaalikarttoihin erilaisia luokituksia. Tämän tehtävän myötä luokittelun vaikutus kartan ulkonäköön avautui kuitenkin paremmin, sillä eri luokitusten kokeileminen aineistolle oli suhteellisen vaivatonta. Lisäksi tehtävää tehdessä tuli mietittyä, mihin eri tavalla jakautuneille aineistoille suositellut luokitukset perustuvat. Histogrammia tulkitsemalla ja jo etukäteenkin huonoksi valinnaksi ounastelemiani luokituksia kokeilemalla konkretisoitui, miksi kaikki luokitukset eivät tosiaan sovi kaikille aineistoille.

Histogrammia katsomalla on helppo ymmärtää, miksi esimerkiksi tasavälistä luokitusta normaalisti jakautuneelle aineistolle käytettäessä keskimmäiset luokat saavat suurimman osan havainnoista ja suurimpiin ja pienimpiin luokkiin jää vain vähän havaintoja. Kun voi vielä kokeilla ”huonon luokituksen” toteuttamista karttaesityksenä, saa sen soveltumattomuudesta tietylle jakaumalle lopullisen varmistuksen.

Luokitteluvalinnan pohtimisessa tuntuu olevan nyt paljon enemmän järkeä, kun ymmärtää hieman paremmin, miksi tietynlainen luokitus sopii tietyllä tavalla jakautuneelle aineistolle. Kun on käsitys siitä, mistä luokitteluvalinnan vaikutus kartan visuaaliseen ilmeeseen johtuu, on mielekkäämpää pohtia parasta luokitustapaa, eikä vain valita opettajan laatimasta suositustaulukosta sattumanvaraisesti mitä tahansa luokitusta.

Lähteet:

Korhonen , J. (2015). Juuson paikkatietopuserrus. https://blogs.helsinki.fi/juusokor/ Luettu 21. 1.2015.