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.

Leave a Reply

Your email address will not be published. Required fields are marked *