Euroopan köyhyys ja turismi

Viimeinen tehtävä kurssilla oli tuottaa karttoja haluamastaan aiheesta ja hakea itse tarvittavat aineistot työtä varten. Karttaesitystä varten tarvittiin pohjakartta, missä tieto esitetään sekä itse tieto valitusta aiheesta. Aloitin ennen kurssikertaa etsimään tietoa internetistä. Minua kiinnostavista alueista ei oikein löytynyt tarpeeksi tietoa, joten päädyin tekemään työni hieman tutummasta Euroopasta. Eurostat-palvelusta löytyi erittäin paljon Euroopan valtioita koskevia tilastoja, joista valitsin kaksi karttaani varten. Taulukoiota ei kuitenkaan ollut helppo siirtää sellaisenaan Exceliin vaan minun piti lopulta alusta asti tehdä uusi taulukko tietojen perusteella. Tämä vei hirvittävän paljon aikaa. Valmis taulukko olikin sitten ruokatauon aikana hävinnyt ja minun piti aloittaa työ alusta. No opinpa että kannattaa tarkistaa kaksi kertaa että työ on varmasti tallentunut.

Ensimmäinen tilasto koski Euroopan valtioiden asukkaiden riskiä tulla köyhäksi tai sosiaalisesti eristäytyneiksi. Nämä asukkaat katsottiin olevan vakavasti köyhtyneitä jos heillä ei ole varaa neljään seuraavista yhdeksästä asiasta: vuokraan, lämmitykseen, odottamattomiin kuluihin, syödä joka toinen päivä lihaa, kalaa tai muuta proteiinipitoista ravintoa, viikon lomaan poissa kotoa, autoon, pyykinpesukoneeseen, televisioon tai puhelimeen. Toinen tilasto koski Euroopan valtioiden 15-24-vuotiaita nuoria, jotka eivät opiskele tai käy töissä. Prosenttiluku kertoo näiden nuorten osuutta muista saman ikäisistä. Käytin pohjakarttana jo aikaisemmin kurssilla käytettyä maailmankarttaa, jonka rajasin käsittämään Euroopan alueen. Tilastoaineisto koskee ainoastaan EU-maita, joten kartassa (Kuva 1.) ei ole tietoa mm. Norjasta, Islannista ja Sveitsistä. Nämä valtiot ovat kartalla vaaleanpunaisella värillä.

 

 

Kuva 1. Kartta kuvaa Euroopan valtioiden asukkaiden riskiä köyhyyteen ja sosiaaliseen eristäytymiseen. Köyhyys_legenda

Kuva 1. Kuva esittää Euroopan valtioiden asukkaiden riskiä köyhyyteen ja sosiaaliseen eristäytymiseen.
Kuva 1. Kuva esittää Euroopan valtioiden asukkaiden riskiä köyhyyteen ja sosiaaliseen eristäytymiseen.

Mielestäni kartan värit kuvaavat hyvin valittua aihetta ja erottuvat selkeästi toisistaan. Toista muuttujaa kuvaamaan valitsemieni pienten ihmishahmojen kokoerot eivät oikein erotu, joten niille on melko hankala antaa arvoja. Niitä voi vertailla toisiinsa eli tulkita missä ilmiötä esiintyy enemmän kuin jossain muualla. Muuten symboli on hyvin aiheeseen sopiva.

Pienin riski köyhyyteen ja sosiaaliseen eristäytymiseen (14 – 19 %) Euroopassa on Ruotsissa, Suomessa, Tanskassa, Alankomaissa, Ranskassa, Tsekin tasavallassa ja Slovakiassa. Suurin riski (29 – 40 %) taas on Latviassa, Espanjassa ja Balkanin niemimaan EU-maissa.

Ihmishahmot näyttävät olevan suurimpia Italiassa, Balkanin niemimaan valtioissa, Espanjassa, Kyproksella ja Irlannissa eli näissä maissa nuoria on prosentuaalisesti eniten ilman työ- tai opiskelupaikkaa. Pienimpiä hahmot näyttävät olevan Ruotsissa, Tanskassa, Alankomaissa, Saksassa, Itävallassa, Sloveniassa ja Tsekin tasavallassa.

Korrelaatiota näillä kahdella muuttujalla näyttäisi olevan jonkun verran. Lähes kaikki valtiot, joissa on suurin riski köyhyyteen ja sosiaaliseen eristäytymiseen kuuluvat myös valtioihin, joissa on EU-maista prosentuaalisesti eniten työ- tai opiskelupaikkaa vailla olevia nuoria. Seitsemästä valtiosta, joissa köyhyyden ja sosiaalisen eristäytymisen riski on pienin neljässä myös opiskelu- tai työpaikkaa vailla olevia nuoria on vähiten. Naapurimaissa Slovakiassa ja Unkarissa on jotakuinkin saman verran työ- tai opiskelupaikkaa vailla olevia nuoria, mutta riski köyhyyteen ja sosiaaliseen eristäytymiseen on maissa aivan erilainen: Slovakiassa luku on 14 – 19 % kun taas Unkarissa se on 29 – 40 %.

Kartan tulkitseminen tuntuu hieman turhalta, koska toista muuttujaa kuvaavat symbolit ovat kooltaan vaikeasti toisistaan erottuvia. Jotain siitä kuitenkin voi saada irti.

Toisen kartan (Kuva 2.) tein samalta alueelta, mutta aihe käsitteli turismia.

Turismi_karttaVäkiluku_legenda

Kuva 2. Kuvassa näkyy EU-maiden väkiluvut ja niiden saapuvat ja lähtevät turistit.
Kuva 2. Kuvassa näkyy Euroopan valtioden väkilukuja ja niiden saapuvat ja lähtevät turistit.

Kartalla ympyrädiagrammin koko kuvaa turismin vilkkautta ja sektorit joko saapuvien tai lähtevien turistien määrää. Halusin lisätä toiseksi muuttujaksi valtioiden asukasluvut, jotta turismin määrää voisi verrata niihin. Tässä kartassa valtioiden väkilukuja ei kannata verrata toisiinsa, sillä luvut ovat absoluuttisia. Ne eivät kerro väentiheydestä, koska niitä ei ole suhteutettu valtioiden pinta-alaan. Suuren valtion sisällä on tavallisesti suurempi määrä asukkaita kuin pinta-alaltaan pienen valtion sisällä (ei toki aina). Mielekkäämpää on verrata turismin määrää asukaslukuun ja keskittyä turismia kuvaaviin ympyrädiagrammeihin.

Eniten turismia on Ranskassa, Saksassa, Iso-Britanniassa, Italiassa, Espanjassa, Turkissa ja Ukrainassa. Näistä valtioista Iso-Britanniasta, Ukrainasta ja Saksasta lähdetään enemmän turisteina muualle verrattuna maiden saapuvien turistien määrään. Muihin suuriin turistimaihin matkustaa enemmän turisteja kuin niistä lähtee turisteina pois.

Sekä lähtevän että saapuvan turismin yhteismäärä näyttäisi olevan positiivisesti korreloiva valtioiden väkilukuihin verrattuna. Mitä suurempi väkiluku sitä enemmän turismia. Poikkeuksena Valko-Venäjä, jossa turismia on vähemmän asukaslukuun ja muihin valtioihin verrattuna. Keski-Euroopan maista Sveitsissä, Itävallassa, Tsekin tasavallassa ja Unkarissa on suurinpiirtein samansuuruinen väkimäärä kuin Valko-Venäjällä, mutta niissä on monta kertaa enemmän turismia.

Oli mielenkiintoista etsiä itse tietoa ja huomata että pystyn tekemään niiden perusteella karttoja. Hienoin tunne on se kun muistelee miten rasittavaa oli aloittaa uuden ohjelman käyttö eikä oikeen mitään tuntunut hahmottavan ja vertaa sitä hetkeä tähän hetkeen, jolloin voin itse alusta loppuun asti tehdä kartan. Hieman pelottaa että tiedot ja taidot MapInfolla työskentelyyn unohtuu jos en silloin tällöin kurssin jälkeen verestä muistiani tekemällä karttoja. Pitääpä kokeilla tehdä uusi kartta kun aikaa on hieman kulunut ja testata jäikö taito pitkäaikaiseen muistiin niinkuin pyöräilyn tai viulunsoiton taito. Tärkeää olisi pitää taitoa yllä sillä siitä voi tulevaisuudessa olla hyötyä esimerkiksi työnhaussa, mistä Anni Heilalakin muistuttaa.

Lähteet:

Eurostat. (2016). <http://ec.europa.eu/eurostat/data/database> Luettu: 2.3.2016.

Heilala, A. (2016). Seitsemäs kurssikerta. <https://blogs.helsinki.fi/heanni/> Luettu: 10.3.2016.

 

 

 

Hasardeja opetuskartoilla

Kuudennen kurssikerran aloitimme kävelyllä aurinkoisena perjantaiaamuna GPS-paikantimet mukanamme. Merkkasimme sekä paperille että GPS-laitteeseen useita pisteitä matkan varrelta tarkoituksena siirtää ne tietokoneelle ja tarkasteltaviksi MapInfossa. Tein Excel-taulukon pisteiden koordinaattitiedoista ja vein sen MapInfoon. Tiedot olisi voinut viedä myös suoraan GPS-laitteesta piuhan avulla tietokoneelle. Teimme reitistä erilaisia esityksiä kuten viivan tai pisteitä kuvaamaan kuljettua reittiämme. Pistein kuvattu reitti oli mielenkiintoisempi, sillä se näytti reitin lisäksi kuljetun nopeuden. GPS-laite merkkaa säännöllisin väliajoin karttaan pisteen, jolloin hetket kun kävelimme reippaasti kuvautuivat kartalla harvoina pisteväleinä kun taas hetket, jolloin olimme pysähdyksissä tai viivyimme jossakin paikassa kauan kuvautuivat kartalla tiheänä pisterykelmänä.

Pisteitä voi myös tuoda MapInfoon internetistä löytyvistä aineistoista. Itsenäistyön teemana olivat hasardit ja niiden esittäminen kartoilla, jotka soveltuisivat opetuskäyttöön. Hain aluksi tietoa maanjäristyksistä Kalifornian yliopiston seismologisen laboratorion nettisivuilta, jossa oli mahdollista rajata hakua maanjäristyksen voimakkuuden, syvyyden, ajankohdan tai sijainnin perusteella. Haun tuloksena tuli taulukko, joka piti muokata siistimmäksi Excelissä jotta sitä voisi käyttää MapInfossa kartan tekemiseen. Toin pisteet ohjelmaan ja valitsin maanjäristystä kuvaamaan punaisen tähden. Punaisella kuvataan usein hasardeja, koska se yhdistetään vaaraan. Ensimmäinen kartta (Kuva 1.) kuvaa vähintään neljän magnitudin maanjäristyksiä vuoden 2016 alusta 26.2.2016 asti.

Maanjäristykset_kokeilu2
Kuva 1. Kuva esittää vähintään neljän magnitudin maanjärityksiä aikavälillä 1.1.2016-26.2.2016.

Karttani soveltuisi koulun oppitunneilla käytettäväksi, koska siinä näkyy selvästi maanjäristysten esiintyminen mannerlaattojen reunoilla, etenkin subduktiovyöhykkeillä. Tätä karttaa voisi käyttää siis myös laattatektoniikasta puhuttaessa, mutta esittää myös toinen kartta (Kuva 2.), jossa näkyy eri litosfäärilaattojen liikesuunnat ja subduktiovyöhykkeiden sijainnit.

Kuva 2.
Kuva 2.

Lisäksi mielenkiintoa voisi oppilaiden keskuudessa herättää se miten useita maanjäristyksiä viimeisen kahden kuukauden aikana on maailmalla tapahtunut. Ne ovat vain olleet suhteellisen heikkoja järistyksiä. Keskikokoisia maanjäristyksiä (5,5-6 magnitudia) on useita satoja vuodessa kun taas voimakkaita maanjäristyksiä (yli 8 magnitudia) on vain viiden vuoden välein (Nurmi, M., 2016). Oppilaille pitäisi tässä yhteydessä tietysti kertoa myös että Suomessakin on maanjäristyksiä, mutta ne ovat hyvin heikkoja.

Toinen kartta (Kuva 3.) kuvaa yli kahdeksan magnitudin maanjäristyksiä kymmenen vuoden ajalta eli vuoden 2006 alusta alkaen.

Maanjäristykset_yli8mag_legenda

Kuva 2. Kuva esittää yli kahdeksan magnitudin maanjäristyksiä viimeisen kymmenen vuoden ajalta.
Kuva 3. Kuva esittää yli kahdeksan magnitudin maanjäristyksiä viimeisen kymmenen vuoden ajalta.

Tämä kartta tuo kontrastia edelliseen esittämällä, miten harvinaisia hyvin voimakkaat maanjäristykset ovat. Viimeisen kymmenen vuoden aikana on ollut vain muutama sellainen maanjäristys ja ne kaikki ovat tapahtuneet alityöntövyöhykkeillä. Tämän kartan lisäksi voisi oppilaille esitää valokuvan (Kuva 4.), jossa näkyisi mitä voimakas maanjäristys voi saada aikaan.

Kuva 4. Kuvassa näkyy miten maanjäristys voi aiheuttaa asfaltin halkeilua.
Kuva 4. Kuvassa näkyy miten maanjäristys voi aiheuttaa asfaltin halkeilua.

Aivan nuorimpia koululaisia ei välttämättä kannata järkyttää kuvilla, jotka esittävät romahtaneita taloja ja kuolleita ihmisiä vaan valita ennemmin kuvia, jotka esittävät aaltoilevia nurmikoita tai haljennutta asfalttia.

Kolmanteen karttaan (Kuva 5.) lisäsin maanjäristysten rinnalle meteoriittien iskeytymispaikat.

Maanjäristykset_meteoriiti_legenda3

Maanjäristykset_meteoriitit_2006_2016
Kuva 5. Kuva esittää enintään neljän magnitudin maanjäristyksiä vuoden 2016 alusta sekä meteoriittien tippumiskohtia vuodesta 2006 alkaen.

Tämä kartta osoittaa etteivät maanjäristykset ja meteoriitit liity toisiinsa. Siellä missä on eniten maanjäristyksiä ei ole eniten pudonneita meteoriitteja. Maanjäristysten sijaintiin on syynä mannerlaatat kun taas meteoriittien putoaminen on aivan satunnaista.

Aivan pohjoisessa sijaitsevat kaksi keltaista ympyrää herättävät ihmetystä. Ne näyttävät sijaitsevan kartan ulkopuolella. Voi olla että koordinaattitietoja Exceliin tuodessani kävi jokin pieni moka kun piti pisteitä muuttaa pilkuiksi ja päivämääriä numeroiksi.

Lähteet:

Brozinski, A. (2016). Laattatektoniikka. <http://www.geologia.fi/index.php/2011-12-21-12-30-30/2011-12-21-12-36-55/laattatektoniikka> Luettu: 9.3.2016.

Northern California Earthquake Data Center. (2016). <http://quake.geo.berkeley.edu/anss/catalog-search.html> Luettu: 26.3.2016.

Nurmi, M. (2016). Kurssikerta 6 Ulkoilua ja järistyksiä.<https://blogs.helsinki.fi/nurmaris/> Luettu: 9.3.2016.

Aulio, K. (2011). Maakamarassa syntyvästä otsonista ehkä mittari maanjäristysten ennustamiseen. <https://tiedebasaari.wordpress.com/tag/maanjaristykset/> Luettu: 10.3.2016.

 

 

MapInfolabyrintti

Viidennellä kurssikerralla opimme bufferoimaan eli luomaan halutun kokoisen alueen objektin ympärille ja tutkia ainoastaan niiden sisälle jääviä kohteita tai vaihtoehtoisesti niiden ulkopuolelle jääviä kohteita ja vaikkapa laskemaan bufferialueen kohteiden osuutta koko alueen kohteista. Bufferoinnin lisäksi teimme laskutoimituksia tietokantojen kohteiden avulla. Itsenäistehtävien tekeminen vaati aluksi paljon pohtimista ja välillä homma tyssähti pitkäksi aikaa paikoilleen kun jokin yksi valinta olikin väärin, enkä ymmärtänyt mitä pitäisi tehdä. Etsimällä toimintoja eri paikoista ja toistamalla samoja toimintoja eri tehtävissä alkoi loppua kohti kuitenkin hahmottumaan ohjelman rakenne ja mistä löytyy tarvittavat työkalut. Tässä taulukko vastauksistani tehtäviin, jotka liittyivät Malmin lentokentän lähellä asuviin ihmisiin, Helsinki-Vantaan lentokentän meluvyöhykkeisiin ja niiden alueella asuviin ihmisiin, Vantaan juna-asemien lähettyvillä sekä taajamissa asuviin ihmisiin sekä Helsingin yhtenäiskoulun koulupiirin sisällä asuviin ihmisiin.

Taulukko 1. Taulukossa näkyvät vastaukseni itsenäistehtäviin.

Taulukko

Mielestäni MapInfon tärkeimpiä toimintoja ovat uuden sarakkeen luominen sillä se luo alustan mihin voi tuottaa uutta tietoa, taulukon päivitys sillä se mahdollistaa tiedon tuomisen toisesta taulukosta tai saman taulukon tietojen perusteella laskutoimitusten tekemisen, Select ja SQL Select-toiminnot koska niiden avulla voi taulukoista etsiä kohteita tiettyjen ehtojen mukaan sekä show statistic-työkalu joka näyttää tietoja valituista kohteista. Toki teemakartan, legendan, mittakaavan ja pohjoisnuolen tekemisen mahdollistavat toiminnon ovat tärkeitä karttoja tehdessä.

Tuntuu että olen oppinut todella paljon tämän kurssin aikana MapInfo-ohjelmasta, mutta silti on sellainen mielikuva että ohjelmassa on vielä paljon työkaluja mitä en vielä osaa kuvitellakaan. Minulla ei siis ole vielä kovinkaan kokonaisvaltaista mielikuvaa ohjelmasta. Sirje Lappalainen pohti blogissaan että suurimman reunaehdon ohjelman käytölle luo käyttäjä itse. Olen asiasta samaa mieltä; MapInfolla olisi varmasti paljonkin annettavaa, mutta oma kykenemättömyys hahmottaa  ohjelman tarjontaa rajoittaa sen käyttöä.

Lappalainen, Sirje. (2016). Bufferointia, laskuja ja muuta mukavaa… <https://blogs.helsinki.fi/sirjelap/> Luettu 26.2.2016.

Ruututeemakartta

Olin kotona sairastamassa influenssaa neljännen kurssikerran aikana, joten ohjeistukset jäivät osaltani saamatta. Kokeilin kuitenkin moodlesta löytyvien ohjeiden mukaan tehdä kurssikerran harjoituksen.

Tarkoituksena oli tehdä ruutukartta Helsingin seudusta, jonka ruudut kuvaavat absoluuttisia arvoja ja jonka aiheen sai itse valita. Aineisto, joka meillä oli käytettävissä sisälsi Helsingin seudun asuinrakennukset pisteinä kartalla ja monenmoista tietoa rakennusten asukkaista, esimerkiksi tiedon rakennuksen rakennusvuodesta ja asukkaiden iästä kuten Jasmiina Myllys blogissaan selventää.

Ensimmäisessä kartassa jonka tein, pisteet kuvautuivat tähtisymbolein eivätkä ruudukkomuodossa niinkuin oli tarkoitus vaikka olin onnistunut lataamaan ruudukon ohjelmaan. Yritin muokata karttaa oikeanlaiseksi, mutta tällä kertaa aiheita oli ainoastaan yksi valittavana: väestö. Tein siitä kartan jossa ei ollut mitään ideaa.

Luovutin sen päivän osalta, mutta jatkoin urheasti seuraavana päivänä, sillä Karoliina, joka oli osallistunut tunnille oli lupautunut neuvomaan tehtävässä. Kävi ilmi, että olin valinnut väärät tasot työhöni ja niitä vaihtamalla sain nätin näköisen ruudukon luotua kartan päälle. Kaikki olikin vain kiinni parista hiiren klikkauksesta. Olisin halunnut muokata ruutuja suuremmaksi, mutta ohjelma herjasi että ruutuja on liikaa. Kun lisäsin pohjoisnuolen karttaan siitä tuli litteä ja kun venytin sitä se meni vinoon. Ohjelma ei suostunut lisäämään mittakaavaa, koska kuulemma asetuksissa sen pituus oli väärä (muistaakseni jotakin tällaista 4 cm = 7,691+e009 km). En saanut muokattua lukuja, joten jouduin jättämään mittakaavan pois. Muokkasin värejä oletusvärejä tummemmiksi, koska vaalein sävy ei erottunut tarpeeksi valkoisesta taustastaan. Vähensin luokkien määrää neljään, sillä näin pienien ruutujen hahmottaminen olisi vieläkin haastavampaa jos luokkia olisi viisi. Lisäsin tiestöä ja rautatiet, sillä koin niillä olevan vaikutusta 25-29- vuotiaiden asumiseen.

25-29paras
Kuva 1. Kuva esittää pääkaupunkiseudun 25-29-vuotiaiden lukumäärää.

25-29-vuotiaita asuu eniten Helsingin keskustassa sekä lähijunan ja suurien teiden varrella. Selkeästi erottuva poikkeus on Otaniemen tumman ruskea alue. Otaniemi ei ole junan tai suurimpien teiden varrella, mutta sielä asuu paljon nuoria Aalto yliopiston kampuksen takia.

Ruututeemakartan hyöty on siinä että se näyttää absoluuttisia arvoja hyvin pieniltä alueilta esimerkiksi 500m2 alueilta, eikä näiden alueiden tarvitse olla hallinnollisisa alueita. Aineiston pohjalta voisi tehdä kartan esimerkiksi Kallion 25-29-vuotiaiden asuntojen sijoittumisesta. Koropleettikartassa esitetty alue on jakautunut usein hallinnollisiin alueisiin, jotka ovat paljon laajempia alueita kuin millaisia tämän tehtävän aineiston pohjalta voisi tehdä. Lisäksi hallinnolliset alueet ovat erikokoisia, joten niitä ei ole mielekästä aina suoraan verrata toisiinsa vaan parempi on usein käyttää suhteellisia lukuja. Haasteita ruututeemakartan laatimisessa aineiston keruusta alkaen voi olla näin yksityiskohtaisen tiedon keruun vaatima pitkä aika. Lisäksi kun aineisto on kasassa sen prosessoiminen tietokoneella voi olla aikaa vievää.

Lähteet:

Myllys, Jasmiina. 4. kurssikerta: pisteitä ja ruutuja. (12.2.2016). <https://blogs.helsinki.fi/myllyjas/> Luettu 17.2.2016.

 

Tietokannan muokkauksesta kartaksi

Kolmannella kurssikerralla kartan tekemisen lisäksi muokkasimme tietokantoja. Opettelimme MapInfon tietokantojen muokkausta ja uusien tietojen tuomista toisesta ohjelmasta (Excelistä) aluksi yhdessä. Lopputuloksena oli teemakartta, joka esitti Afrikan timanttikaivosten, öljykenttien ja konfliktien sijaintia. Kartalta voi huomata että joillakin alueilla, missä on paljon timanttikaivoksia on myös ollut paljon koflikteja, esimerkiksi Liberian ja Sierra Leonen alueella ja Angolassa. Sudanin ja Etelä-Sudanin rajan tuntumassa sijaitsevat konfliktipisteet herättivät minun sekä myöskin Karoliina Bergströmin huomion. Rajalla on öljyesiintymiä, mutta konfliktien määrään aleella vaikuttavat öljyporausalueiden lisäksi yhteiskunnalliset tekijät.

Tietokannasta joka meillä oli käytettävissämme oli tietoja mm. timanttikaivosten ja öljykenttien löytämisvuosista sekä konfliktien tapahtumavuosista. Lisäämällä nämä tiedot sijaintitiedon lisäksi karttaan voisimme paremmin päätellä mitkä konfliktit liittyvät timanttikaivoksiin. Jos jollakin alueella ei ole konflikteja ennen timanttikaivoksen tai öljykentän löytämistä, mutta niitä syntyi sen löytämisen jälkeen voimme hieman varmemmin olettaa konfliktien liittyvän timanttikaivokseen. Tietokannasta löytyi myös timanttikaivosten ja öljykenttien tuottavuuslukittelu, joka kartalle sijoitettuna voisi selittää esimerkiksi miksi Namibian rannikon timanttikaivoksiin ei liity konflikteja. Ne voivat olla huonosti tuottavia ja siten ei niin kiinnostavia.

 

Harjoiteltuamme tietokantojen muutoksia saimme kokeilla oppimaamme käytännössä. Latasin tietokannat koskien Suomen valuma-alueiden järvisyysprosentteja ja virtaamatietoja. Tehtävänä oli yhdistää eri tietokantojen tietoja ja laskea tulvaindeksi. Kaikki tietokantojen muokkaukseen liittyvät työvaiheet sujuivat yllättävän mukavasti, joten jotain oli jäänyt päähän aikaisemmin opitusta. Lopuksi tein kartan, joka esittää alueiden tulvaherkkyyttä ja niiden järvisyyttä.

 

Tulvaindeksit_järvisyys
Kuva 1. Kuva esittää Suomen valuma-alueiden tulvaindeksejä ja järvisyysasteita.

Suurimman tulvaindeksin omaavat valuma-alueet ovat Suomen rannikolla sijaitsevat valuma-alueet paria poikkeusta lukuunottamatta. Sielä, missä on suuri tulvaindeksi on pieni järvisyysprosentti ja sielä missä on pieni tulvaindeksi on suuri järvisyysprosentti.

Lähteet:

Bergstöm K. (2016). Konflikteja Afrikassa, tulvia Suomessa. <https://blogs.helsinki.fi/bekabeka/>, luettu 15.2.2016.

Artikkeli 1

Koropleettikarttoja käytetään paljon (Leonowicz A. 2006) esittäessä alueellista tietoa. Kahden eri ilmiön suhdetta toisiinsa voidaan esittää kahden erillisen koropleettikartan tai päällekkäisen koropleettikartan avulla. Päällekkäisen koropleettikartan vahvuudeksi voidaan lukea alueellisten suhteiden esittäminen kun taas kahden erillisen koropleettikartan vahvuudeksi voi lukea selkeän alueellisen jakautumisen esittämisen. Päällekkäinen koropleettikarttaa pidetään myös mielenkiintoisempana mutta toisaalta vaikeammin tulkittavana kuin kahta erillistä karttaa.

Tutustuin ensimmäistä kertaa päällekkäiseen koropleettikartaan tehdessäni sellaisen itse MapInfo-ohjelman avulla. Olin aikaisemmin nähnyt enemmän teemakarttoja, joissa koropleettikarttaan yhdistyy joko pistekartta tai pylväskartta. MapInfon avulla oli mahdollista tehdä päällekkäinen koropleettikartta vain niin että toinen tasoista saa läpinäkyvän rasteripinnan, mutta Anna Leonowiczin artikkelissa oli esitelty päällekkäinen koropleettikartta, jossa yksi taso saa punaisen eri tummuusasteet ja toinen sinisen eri tummuusasteet. Alueet, joilla nämä värit yhdistyvät saivat violetin värin. Alueellisten ilmiöiden suhteet ovat helpompi havaita päällekkäisestä koropleettikartasta, koska katsoja voi tutkailla yhtä karttaa kerrallaan. Kahden eri kartan esittäessä ilmiöiden suhdetta, joutuu katsoja jatkuvasti siirtämään katsetta kartalta toiselle ja vertailemaan niitä toisiinsa. Hyvin tehdyssä päällekkäisessä koropleettikartassa ei ole liian paljon luokkia, maksimissaan kuusi (3+3) ja värit on valittu niin, että jokainen luokka erottuu selkeästi toisistaan. Kahden erillisen kartan tulkinnassa voi saada paljon tietoa alueellista eroista vain nopealla vilkaisulla, koska usein käytetyt värin eri tummuusasteet ovat intuitiivisesti ymmärrettävissä. Päällekkäisen koropleettikartan tulkinnassa on hyvin tärkeä käyttää myös legendaa hyväksi, koska kartan kaksi eri väriä esittävät kahden eri asian voimakkuutta eikä pelkällä intuitiolla pärjää.

Lähteet

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

Taistelua MapInfon kanssa

Toisella kurssikerralla opin kuinka kahta eri muuttujaa kuvaavan teemakartan tekeminen onnistuu MapInfo-ohjelman avulla. Yhteisen opetusosuuden jälkeen saimme vapaat kädet soveltaa kaikkea ohjelmasta oppimaamme ja tehdä oma teemakartta. Tapoja kahden eri muuttujan kuvaamiseen yhdellä kartalla on monia, mutta yleisin ainakin meidän kurssilaisten keskuudessa oli esittää ensimmäistä muuttujaa koropleettikartan avulla ja toista muuttujaa joko ympyrädiagrammien, pylväiden tai toisen koropleettikartan avulla.

Tavoitteenani oli tehdä teemakartta, joka esittää uutta mielenkiintoista tietoa, enkä siis halunnut valita itsestään selvästi toistensa kanssa korreloivia aiheita. Koska aineisto oli rajallinen, osoittautui kahden eri teeman valinta vaikeaksi. Tein useita teemakarttoja ensimmäisellä kurssikerralla lataamani aineiston pohjalta, mutta mikään ei oikein onnistunut. Tallensin yhden töistäni ennen kahvitaukoa, mutta kun avasin ohjelman uudelleen, kaikki oli kadonnut. Lisäksi ongelmia aiheutti ympyrädiagrammien koon määrittäminen kartalla sekä legendassa. Jouduin useaan otteeseen aloittamaan alusta, koska aina jokin meni pieleen. Muutkin ovat ilmeisesti tuskailleet perustoimintojen kanssa, josta esimerkkinä seuraava lainaus Henrik Murdoch blogista: ”Ohjelman käyttö on kuitenkin hyvin hankalaa, ja valtaosa tehtävään käyttämästäni ajasta kului turhauttavaan toimintojen etsimiseen”. Koin valmiin aineiston liian suppeaksi, joten toin Sotkanetistä useita erilaisia aineistoja ja kokeilin tehdä niistä teemakarttoja. Oli hyvin vaikea valita esitettävät teemat, mutta lopulta päätin esittää kartan avulla koulutuksen vaikutusta hyvinvointiin. En onnistunut valintatyökalulla valitsemaan vain jotakin tiettyä aluetta Suomen kartalta, joten jouduin esittämään aineistoa koko maan laajuudelta. Valitsin maakunta-aluejaon sillä kunta-aluejolla tehdystä teemakartasta olisi tullut sekava koska alueita olisi ollut niin monta. Molempien teemojen aineiston hain erikseen Sotkanetistä ja toin Excelin kautta MapInfoon. Päätin esittää aineiston kahden päällekkäisen koropleettikartan avulla.Valitsin aineiston luokkien rajoiksi kvantiilit ja ajattelin tarkistaa niiden toimivuuden myöhemmin, koska en ollut varma tulisiko tästä kartasta se lopullinen. Tajusin että olin unohtanut varmistaa jakauman muodon vasta kun työ oli jo layout-ikkunassa viimeistelyä varten. Tarkistaessani jakaumat huomasin toisen olevan vino ja toisen epämääräinen. Tämän tyyppisiin jakaumiin kvantiilit onnekseni toimivat hyvin.

Molempiin teemoihin valitsin kolme eri luokkaa eli yhteensä niitä tuli kuusi. Jos luokkia olisi ollut useampi, luettavuus olisi kärsinyt. Valitsin sinisen eri värisävyt kuvaamaan korkea-asteen koulutuksen saaneiden 15 vuotta täyttäneiden osuutta maakunnissa ja läpinäkyvät rasterit kuvaamaan elämänlaatunsa hyväksi kokevien osuutta maakunnassa. Valmiit rasterivaihtoehdot olivat huonoja joten muokkasin niitä helpommin luettaviksi.

Kuva 1. Koropleettikartta kuvaa korkeakoulutuksen saaneiden ja elämänlaatunsa hyväksi kokevien osuutta maakunnissa.
Kuva 1. Koropleettikartta kuvaa korkeakoulutuksen saaneiden ja elämänlaatunsa hyväksi kokevien osuutta maakunnissa.

 

 

 

Visuaalista analyysiä kartalta

Eniten korkeakoulutuksen saaneita (28,1-38,7%) on Uudellamaalla, Itä-Uudellamaalla, Pirkanmaalla, Pohjanmaalla, Pohjois-Pohjanmaalla ja Keski-Suomessa. Vähiten korkeakoulutuksen saaneita (23-24,5%) on Kymenlaaksossa, Etelä-Savossa, Etelä-Pohjanmaalla, Keski-Pohjanmaalla, Etelä-Savossa, Pohjois-Karjalassa ja Kainuussa. Elämänlaatunsa hyväksi tuntevia on prosentuaalisesti eniten (63,5-66,9%) Uudellamaalla, Itä-Uudellamaalla, Pohjanmaalla, Etelä-Pohjanmaalla, Keski-Suomessa, Pohjois-Pohjanmaalla ja Lapissa. Vähiten elämänlaatunsa hyväksi kokevia (0-62,2%) on Etelä-Karjalassa, Pohjois-Karjalassa, Kainuussa, Päijät-Hämeessä, Pirkanmaalla ja Keski-Pohjanmaalla.

Kuudesta maakunnasta, joissa korkeakoulutettujen osuus on suurin, neljä sijoittuu korkeimpaan luokkaan koskien elämänlaadun hyväksi kokevia. Pirkanmaa kuuluu korkeimpaan luokkaan koskien korkea-asteen koulutuksen saaneita, mutta alhaisimpaan luokkaan koskien elämänlaatuun tyytyväisten osuutta. Kuudesta maakunnasta, joissa on alhaisin korkeakoulutettujen osuus, kolme kuuluu luokkaan, jossa elämänlaatuun tyytyväisiä on pienin osuus. Kaksi sijoittuu keskimmäiseen luokkaan ja yksi, Etelä-Pohjanmaa, luokkaan jossa elämänlaatuunsa tyytyväisten osuus on suurin. Kuudesta maakunnasta, jotka sijoittuvat tyytyväisyydessä korkeimmalle sijalle, vain yksi (Etelä-Pohjanmaa) sijoittuu korkeakoulutuksen saaneiden suhteen alhaisimpaan luokkaan. Kuudesta maakunnasta, jotka sijoittuvat tyytyväisyydessä alhaisimpaan luokkaan kolmessa ollaan vähiten tyytyväisiä elämänlaatuun.

Kartalta on nähtävissä hienoinen korrelaatio korkeakoulutuksen saaneiden osuuden ja elämänlaatuun tyytyväisten osuuden välillä. Korrelaatio ei kuitenkaan ole kovin suuri. Myöskään ei voida sanoa johtuuko ihmisten tyytyväisyys elämäänsä koulutukseen vai liittyykö onnellisuus muihin tekijöihin.

Kartta on melko helppolukuinen, väri- ja rasteriyhdistelmästä tuli yllättävän selkeä. Selkeyttä edistivät räätälöidyt rasterit. Liittäessäni karttaa tähän blogiin en kuitenkaan saanut kartasta tarpeeksi suurta vaikka yritin monin tavoin muokata karttaa. Jotkin yksityiskohdat jäävät vaikeasti tai jopa mahdottomaksi havaita jos karttaa yrittää tulkita blogista.

Turhauduin pariin otteeseen työtä tehdessäni. MapInfon käyttäminen ei tuntunut luonnistuvan, aiheiden valinta kesti kauan mikä aiheutti sen etten edes päässyt alkuun, tallennusten häviäminen harmitti enkä löytänyt joihinkin ongelmiin ratkaisua. En myöskään ole lopputulokseen erityisen tyytyväinen, koska teemojen aiheet ovat epämääräiset eikä välttämättä selitä toisiaan.

Hyvä puoli työn tekemisessä oli asioiden toistaminen useaan otteeseen, joten ehkä jotkin ohjelman toiminnot nyt jäivät mieleen.

 

Lähteet

Murdoch Henrik. PAK 2016 kurssikerta 2. (4.2.2016). <https://blogs.helsinki.fi/murdoch/>

 

Karttojen tekemistä MapInfon avulla

Aluksi

Tutustuin ensimmäistä kertaa MapInfo-ohjelmaan kolmannessa periodissa alkaneella Paikkatiedon hankinta, analyysi ja kartografiatunnilla. Kävimme aluksi yhdessä läpi ohjelman perustoimintoja, minkä jälkeen harjoittelin itsenäisesti teemakarttojen piirtämistä valmiin aineiston pohjalta. Ensimmäinen kartta oli koropleettikartta, joka esitti Suomen kuntien 0-14-vuotiaiden prosenttiosuutta koko kunnan väestöstä ja toinen ulkomaiden kansalaisten prosentuaalista osuutta Suomen kunnissa. Molempien esitysten aineistot olivat vuodelta 2015.

Olin syksyllä totutellut CorelDraw-ohjelman käyttöön ja muistissa oli sen perustoiminnot, joten MapInfon käyttäminen tuntui aluksi kankealta. Kartalla liikkuminen vasemmalta oikealle ja lähelle ja kauas ei onnistu hiiren pyörivällä nappulalla kuten CorenDraw-ohjelmassa vaan siihen on kolme eri työkalua. Tekemällä kuitenkin tottui näihin erilaisiin toimintoihin ja sain tuotettua kaksi erilaista karttaa.

 

0-14-vuotiaiden osuus Suomen kunnissa

Ensimmäiseen karttaan (Kuva 1.), joka kuvaa 0-14-vuotiaiden prosentuaalista osuutta Suomen kunnissa valitsin tietoja kuvaamaan yhden värin eri tummuusasteet. Suuren prosenttiosuuden omaava kunta on kartalla tumman violetti ja pienen prosenttiosuuden omaava vaalean violetti. Pienin luokka ei kuitenkaan saanut väriksi valkoista, koska silloin voisi syntyä mielikuva ettei kunnassa olisi yhtään 0-14-vuotiasta.

Kuva 1. Koropleettikartta kuvaa 0-14-vuotiaiden prosentuaalista osuutta Suomen kunnissa. Aineisto on vuodelta 2015.

 

 

Saman värin eri tummusasteiden käytössä tässä kartassa on se hyöty että tuloksia voi tulkita kartalta intuitiivisemmin verrattuna siihen että olisin käyttänyt eri värejä. Nopealla vilkaisulla voi havaita missä päin kuvattua asiaa on paljon ja missä vähän. Tatu Leppämäki pohdiskeli myös blogissaan käyttäisikö hän montaa väriä vai yhden värin eri sävyjä omassa kartassaan, joka esitti työssäkäyvien osuutta Suomen kunnissa: ”Toisaalta suosin – silloin kun käsitellään saman ilmiön eri vahvuista esiintymistä – yleensä yhtä väriä, sillä sävyerot ja aste-erot on helppo assosioida toisiinsa.” Hän päätyi myös käyttämään yhden värin eri sävyjä. Jos kartantekijä valitsisi tämäntyyppiseen aineistoon esimerkiksi punaisen kuvaamaan suuria prosenttiosuuksia ja vihreän pieniä prosenttiosuuksia joutuisi lukija vilkuilemaan legendasta mitä eri värit tarkoittavat. Joillekin vihreä voi kuvastaa hyvää, plussa tai paljon jotakin, jolloin kyseisen henkilön voisi olla hankala tulkita karttaa intuitiivisesti. Toki legendan avulla tietojen saaminen olisi mahdollista. Tatu ehdotti blogissaan usean eri värin käyttöä tilanteessa, jossa luokkia on niin monta että saman värin eri sävyeroja ei erota kartalta. Jos olisin jakanut aineiston kuuteen tai useampaan luokkaan olisin varmasti joutunut käyttämään eri värejä.

Eniten 0-14-vuotiaita verrattuna muun ikäisiin prosentuaalisesti on väkirikkaimpien kuntien naapurikunnissa. On mielenkiintoista ettei suurissa kunnissa osuus ole niin suuri kun niiden viereisissä kunnissa. Esimerkiksi Joensuussa 0-14-vuotiaiden osuus on 12,5-15% mutta sen naapurikunnassa Kontiolahdessa osuus on 21,8-34,8%. Turussa osuus on sama kuin Joensuussa ja sen lähikunnassa Maskussa osuus on sama kuin Kontiolahdessa. Helsingissä osuus on myös sama kuin Joensuussa ja Turussa mutta sen ympäryyskunnissa osuus on 17,6-21,8%. Kirkkonummella, Pornaisissa ja Nurmijärvellä osuus yltää jopa 21,8-34,8%:iin. Lapsiperheet haluavat asua suuremmissa asunnoissa kuin mitä kaupungeilla on sopivaan hintaan tarjota, joten ne muuttavat kauemmaksi kaupungin keskustasta. Muutto ei kuitenkaan kohdistu turhan kauas, ettei työmatkasta kaupunkiin tule liian pitkä ja että ostokset ja muut palvelut jäävät sopivan etäisyyden päähän.

Toinen silmiinpistävä havainto kartalta on Pohjanmaan kuntien alueella oleva laaja tumma värisävy. Lestadiolaisuuden vaikutus Pohjanmaan kunnissa näkyy lasten suurena määränä kunnan muuhun väestöön verrattuna.

 

Ulkomaiden kansalaisten osuus Suomen kunnissa

Toisen kartan aiheeksi valitsin ulkomaiden kansalaisten osuuden Suomen kunnissa. Testasin aineiston jakaumaa internetistä löytyvän histogrammityökalun avulla ja huomasin jakauman olevan erittäin vino (Kuva 2.).

 

Kuva 2. Histogrammi kuvaa ulkomaiden kasalaisten osuutta Suomen kunnissa vuonna 2015. Aineisto on hyvin vinosti jakautunut. Suomessa on hyvin paljon kuntia, joissa on pieni osuus ulkomaiden kansalaisia ja vähän kuntia, joissa ulkomaiden kansalaisten osuus on suuri.

 

On hyvin paljon kuntia, joissa ulkomaiden kansalaisten osuus verrattuna Suomen kansalaisten osuuteen on pieni ja vain hyvin vähän kuntia, joissa ulkomaiden kansalaisten osuus on suuri. Käytin tähän vinosti jakautuneen aineiston luokitteluun kvantiileita. Tämä tarkoittaa sitä, että aineiston havainnot jaetaan luokiin siten että jokaiseen luokkaan tulee saman verran havaintoja. Koska aineistossani on paljon pieniä arvoja ja vähän suuria arvoja tuli pienien arvojen luokkarajat hyvin lähelle toisiaan (0,1-0,7 ja 0,7-1) ja suurien arvojen luokkarajat kauas toisistaan (2,3-12,4).

Aineistoa luokitellessani ja histogrammia käyttäessäni opin lisää aineiston jakautuneisuudesta ja luokittelusta ja siitä mitä luokkavälejä kannatta käyttää erilaisien jakaumien kanssa. Tämä asia on ollut minulle aikaisemmin epäselvää, joten hyvä että kertasimme sen.

Tähänkin koropleettikarttaan valitsin yhden värin eri tummuusasteet, koska kyse oli samantyyppisestä aiheesta kuin edellisessä kartassa eli tietyn väestön osan osuus koko väestöstä. (Kuva 3.).

Kuva 3. Koropleettikartta kuvaa ulkomaiden kansalaisten prosentuaalista osuutta Suomen kunnissa. Aineisto on vuodelta 2015.

Tällä kertaa valitsin puna-ruskean värin vaihtelun vuoksi. Kartan ulkoasu miellyttää silmää, mutta kun kartasta saatavia tietoja alkaa tarkemmin tutkia huomaa luokkien määrän olevan ehkä hieman liian suuri tämän tyyppiselle aineistolle. Neljä alinta luokka on hyvin lähellä toisiaan ja tekee kartan tulkinnasta raskasta. Tässä aineistossa olisi voinut riittää vain kaksi luokkaa: esimerkiksi 0,1-2,3% ja 2,3-12,4%.

Kartasta huomaa ulkomaiden kansalaisten osuuden olevan suurinta Suomen etelärannikolla, Ahvenanmaalla, rannikolla Vaasan etelä- ja pohjoispuolella ja yksittäisissä kunnissa eripuolella Suomea kuten Oulussa, Jyväskylässä ja Lappeenrannassa. Suomen etelärannikon suuret yliopistokaupungit Helsinki ja Turku sekä Vaasan, Oulun, Lappeenrannan ja Jyväskylän yliopistot saattavat osittain selittää ulkomaiden kansalaisten osuutta kyseisissä kunnissa, koska yliopistot houkuttelevat osaajia ympäri maailmaa. Kaupungit houkuttelevat myös runsaalla työpaikkojen määrällä ihmisiä sekä Suomesta että ulkomailta. Tilastokeskuksen mukaan Suomen maahanmuuttajista 27% oli venäläistaustaisia vuonna 2012 (Väestötilastot 2012) ja 67%:ssa Suomen kunnista Venäjä on yleisin taustamaa. Ainoastaan Ahvenanmaalla yleisin lähtömaa on Ruotsi. Kartalla näkyvissä tumman oransseissa kunnissa ulkomaiden kansalaisista enemmistö on venäläistaustaisia poikkeukena Ahvenanmaa, jossa enemmistö on ruotsalaistaustaisia.

Kokemukset

Hankalinta oli jakaumaan ja aineiston luokitteluun liittyvät asiat ja ohjelman hahmottaminen. Helpointa oli itse kartan tekeminen eli esimerkiksi värien valinta ja kartan peruselementtien lisääminen esitykseen.

 

Lähteet:

Leppämäki, T. (2016). Paikkatiedon maailmaan – 1. kurssikerta. <https://blogs.helsinki.fi/leppatat/> Luettu: 26.1.2016.

Väestötilastot (2012). Tilastokeskus. <http://www.stat.fi/artikkelit/2013/art_2013-09-23_008.html?s=0>
Luettu: 26.1.2016.