Viimeistä viedään

Viimeinen kurssikerta on ohi ja tämän blogitekstin jälkeen voi vihdoin huokaista helpotuksesta pitkän ja kivisen PAK-tien tultua vihdoin päätökseen. MapInfon käyttämisen olisi varmaan tässä vaiheessa kurssia tarkoitus olla itsenäistä ja ainakin kohtuullisen helppoa. Tätä en valitettavasti ihan vilpittömästi voi allekirjoittaa, vaikka MapInfosta on tullut opittua yhtä sun toista kuluneiden viikkojen aikana. Viimeisellä kurssikerrallamme kuitenkin huomasin, että en olisi onnistunut tuottamaan tekemiäni karttoja ilman apua. Minulla on sama ongelma, jonka Vilja Jokinen oli havainnut; ”Mikäli jonkin MapInfon työkalun kanssa tulee vastaan jokin odottamaton ongelma, osaan harvoin ratkaista sitä itse.” (Jokinen, 2017). Onneksi huomasin kuitenkin myös hallitsevani MapInfon toimintoja, joita en tiennyt tai uskonut hallitsevani. Perustoiminnotkin alkavat pelittää rutiniilla jo melkein itsestään.

Viimeiseen kurssikertaan oli tarkoitus valmistautua jo etukäteen etsimällä käsiinsä itseään kiinnostavasta ilmiöstä haluamaltaan alueelta tilastotietoa, jonka pohjalta luotaisiin karttaesityksiä kurssikerralla. Tilastojen etsiminen osoittautui yllättävän vaikeaksi tehtäväksi. Itse päätin, että haluan tutkia alueena Eurooppaa, josta kuitenkin löytyi tilastotietoa suhteellisen helpolla. Lähteenäni käytin Euroopan tilastoja sisältävää sivustoa Eurostat (http://ec.europa.eu/eurostat). Sivustolta oli löydettävissä hyvin monipuolisesti tilastoaineistoja eri kategorioittain. Itseäni kiinnostivat tilastot Population and social conditions -kategorian alta. Onnistuin lataamaan haluamani tilastot sivustolta siistiin Excel-muotoon, eikä minulla onneksi tullut aineistojeni kanssa ongelmia kuten monilla muilla.

Saatuani tilastot Excel-muotoon ja siistittyäni taulukoista vielä kaiken ylimääräisen pois, oli aika pähkäillä miten saan tilastot MapInfoon. Sitä ennen oli kuitenkin hankittava vielä pohjakartta tuleville teemakartoille. Sen kanssa kohtasin hieman haasteita yrittäessäni googlailla Euroopan pohjakarttoja löytämättä mitään järkevää. Lopulta (Artun vinkistä) kuitenkin latasin Natural Earthista (http://www.naturalearthdata.com) maailmankartan ja rajasin siitä Euroopan valtiot – ja tadaa, pohjakartta oli valmis! Seuraavaa työvaihetta pohtiessani minuun iski, etten osaa käyttää MapInfoa itsenäisesti. Ehkä ongelma ei oikeastaan ole edes MapInfon käytössä, vaan siinä etten tiedä yleisesti, mitä aineistoille pitäisi missäkin vaiheessa tehdä. Onneksi Arttu auttaa hädässä. Tässä vaiheessa siis avasin Excel-tiedostoni MapInfossa ja päivitin pohjakarttaan lataamani tilastoaineistojen muuttujat, jotka olivat lähtömuutto ja köyhyyden tai syrjäytymisen riskissä olevat (%) Euroopassa. Sarakkeita päivittäessä piti olla tarkkana, että laittoi MapInfon yhdistämään tiedot oikean sarakkeen, esimerkiksi valtion nimen perusteella. Tämäkin selvisi minulle muutaman virheellisen yrityksen jälkeen.

Saatuani lataamani tilastot MapInfoon oikean taulukon uusiksi sarakkeiksi oli vihdoin mahdollista luoda teemakartta. Se sujui helposti ja kivuttomasti. Kuvasin kartallani siis kahta muuttujaa; pohjalla koropleettikartalla köyhyyden tai syrjäytymisen riskissä olevien osuuksia, ja toisena muuttujana symbolilla valtioiden lähtömuuttoa. Saatuani kartan valmiiksi huomasin kuitenkin ikäväkseni, ettei kuvaamillani muuttujilla ollut niin suurta korrelaatiota kuin olin kuvitellut… Tässä vaiheessa päädyin SPSS:ään laskemaan Pearsonin ja Spearmanin korrelaatiokertoimia, jonka jälkeen päätelmäni vahvistuivat eli muuttujieni korrelaatio ei ollut tilastollisesti merkitsevä. Takaiskun jälkeen päätin kokeilla olisiko korrelaatio suurempi jos vaihtaisin lähtömuuton tulomuutoksi. SPSS antoi minulle hieman suuremman korrelaatiokertoimen, joten kartta meni uusiksi ja vaihdoin lähtömuuton tulomuutoksi (kuva 1). Tästäkin huolimatta muuttujien välinen korrelaatio olisi voinut olla merkittävämpi, jolloin myös valmiista kartasta olisi saanut enemmän irti. Aina kuitenkin oppii jotakin uutta, ja tällä kertaa minä opin, että itselleni on vaikeaa keksiä kahta muuttujaa, jotka korreloisivat. Opin myös, että korrelaatiota olisi toki voinut tarkastella jo aineistojen valintavaiheessa niin oltaisiin säästytty ylimääräiseltä työltä ja tuskailulta.

Kuva 1. Köyhyyden tai syrjäytymisen riskissä olevat (%) 2014 ja tulomuutto 2014 valtioittain Euroopassa.

Vaikkei muuttujien korrelaatio kartallani ollut niin merkittävä kuin se olisi voinut olla, oli ilmiöitä kuitenkin mielenkiintoista tarkastella keskenään, ja yhteneväisyyksiäkin löytyi. Kartalta on ensimmäisenä helppo havaita valtiot, joissa on syrjäytymisen tai köyhyyden riskissä olevien ihmisten prosentuaalinen määrä on suurin; Espanja, Latvia ja melkein kaikki Itä-Euroopan valtiot, muun muassa Kreikka, Unkari ja Romania. Huomaan kuitenkin nyt, että valitsemani luokitus eli kvantiilit ei välttämättä ollut paras vaihtoehto, sillä ylin luokka on hyvin suuri (29,2 – 40,4%). Jokin syy kvantiilien valitsemiseen minulla kuitenkin on ollut, mutta sitä en tähän hätään muista 😀 Karttaa tarkasteltaessa voi havaita, että pääasiassa tulomuutto on melko pientä maihin joissa köyhyyden tai syrjäytymisen riskissä olevien osuus on suurin, ja vastavuoroisesti kun osuus on pienempi, on tulomuuttokin suurempaa. Poikkeuksia kuitenkin löytyy runsaasti, esimerkiksi Puolassa, Saksassa, Isossa-Britanniassa ja Espanjassa tulomuutto on suurta, vaikka köyhyyden tai syrjäytymisen riskissä oleviakin on suhteellisen paljon. Toki syitä Puolan ja Saksan suurelle tulomuutolle on helppo löytää, nimittäin runsaat pakolaisvirrat. En tosin ole varma, onko pakolaisia tai turvapaikanhakijoita laskettu tulomuuttotilastoon. Mielenkiintoista kartassa on myös se, että pohjoismaissa köyhyyden tai syrjäytymisen riskissä olevien osuus on poikkeuksetta alinta luokkaa, mutta tulomuutto on myös melko minimaalista verrattuna useisiin Keski- ja Etelä-Euroopan valtioihin. Lopputulemaksi voi kuitenkin myös todeta, että kuvaamieni muuttujien välillä ei ole kovin suurta yhteyttä, mikä on jo tutkimustulos itsessään.

Työttömien osuus (%) 2013 ja mielenterveys- ja käytöshäiriöihin liitettävät kuolemantapaukset 2013 valtioittain Euroopassa.

Toisessa kartassani halusin kuvata pohjalla Euroopan työttömyysprosenttia, mutta GIS-luokasta alkoi loppua happi, minä aloin väsyä ja näin ollen toisen muuttujan keksiminen tuotti edellisen kartan korrelaatio-ongelmien jälkeen hyvin paljon päänvaivaa. Sain idean, että olisin kuvannut työttömyyttä ja mielenterveysongelmia, mutta en löytänyt millään sopivaa tilastoa. Aikani tuskailtua löysin kuitenkin tilaston, jossa esitettiin mielenterveys- ja käytöshäiriöihin liitettävät kuolemantapaukset maittain Euroopassa. Se sai kelvata. Kävin läpi aineistojen kanssa saman rumban kuin edellisessä kartassa ja tuloksena oli kelpo kahden muuttujan teemakartta (kuva 2), jälleen alla koropleettikartta ja päällä symbolit.

Tältäkin teemakartalta on ensimmäisenä helppo havaita valtiot, joissa työttömyysprosentti on suurin tai pienin. Ylimmän luokan (16,3 – 17,3%) työttömyysprosentti vallitsee Espanjassa ja Kreikassa ja alimman luokan (2,4 – 4,8%) Norjassa, Islannissa, Saksassa, Itävallassa, Tsekissä ja Romaniassa. Mielenterveys- ja käytöshäiriöihin liitettäviä kuolemantapauksia on kuitenkin selkeästi eniten Iso-Britanniassa, Saksassa ja Pohjois-Irlannissa. Kyseisillä muuttujilla ei siis välttämättä ole kauheasti tekemistä toistensa kanssa. Olisinkin halunnut tarkastella masentuneiden tai mielenterveyshäiriöistä kärsivien määrää kuolemantapausten sijasta, joka ei olisi varmasti ollut kovin kaukaa haettua. Tilastojen löytäminen oli vain todella haastavaa puuhaa, joten näillä mentiin. Kaikesta huolimatta karttani on ainakin omasta mielestäni mielenkiintoinen, vaikkei muuttujat korreloisikaan paljoa keskenään. Kuitenkin on havaittavissa, että useissa matalimman työttömyysprosentin valtioissa (mm. Norja, Tsekki, Itävalta, Islanti) myös mielenterveys- ja käytöshäiriöihin liitettäviä kuolemantapauksia on huomattavan vähän.

Olen samoilla linjoilla viimeisellä kurssikerralla luomistani kartoista kuin Iivari Laaksonen; ”Viimeisen kurssikerran kartat eivät mielestäni ole mitenkään erityisen onnistuneita, mutta kai niitä ihan kohtalaisiksi voi kuvata.” (Laaksonen, 2017). Vaikka minusta tuntuu, etten vielä hallitse MapInfon käyttöä täysin sujuvasti, olen kuitenkin oppinut PAKin aikana todella paljon uutta, niin MapInfon teknisistä ominaisuuksista kuin maantieteellisestä ajattelusta, alueellisista ilmiöistä ja niiden hahmottamisesta ja etenkin (teema-)kartografiasta. Kurssi on ollut kaikessa haastavuudessaan ja työläisyydessään myös hyvin antoisa ja antanut minulle syvemmän katsauksen kaikkeen siihen, mitä paikkatieto pitää sisällään. Olenkin kurssin aikana oppinut ymmärtämään miten älyttömän laaja asia paikkatieto on, kuinka suuri sen potentiaali on ja miten paljon se tulee mahdollistamaan tulevaisuudessa. Vaikka koen paikkatiedon ja paikkatieto-ohjelmat hyvin haastavina, niin on se samalla mielestäni hyvin mielenkiintoista. Mitä luultavimmin tulen jatkamaan sen parissa opiskelua (ja taistelua) tulevaisuudessakin. Kiitos kurssista Arttu! 🙂

Lähteet

Causes of death — mental and behavioural disorders, Eurostat <http://ec.europa.eu/eurostat/statistics-explained/index.php/File:Causes_of_death_%E2%80%94_mental_and_behavioural_disorders,_residents,_2013.png>

Immigration, Eurostat <http://ec.europa.eu/eurostat/web/products-datasets/-/tps00176>

Jokinen, V. 2017. Kurssikerta 7: Viimeinen ehtoollinen (1.3.2017) <https://blogs.helsinki.fi/jokinenv> Luettu 3.3.2017

Laaksonen, I. 2017. 7. Kurssikerta (2.3.2017) <https://blogs.helsinki.fi/iilaakso> Luettu 3.3.2017

Natural Earth <http://www.naturalearthdata.com>

People at risk of poverty or social exclusion, Eurostat <http://ec.europa.eu/eurostat/web/products-datasets/-/tsdsc100>

Unemployment rate, Eurostat <http://ec.europa.eu/eurostat/web/products-datasets/-/med_ps421>

Geokoodausta ja hasardikarttoja

Toiseksi viimeinen kurssikerta alkoi vajaan tunnin reippailulla aurinkoisessa kevätsäässä. Keräsimme GPS-paikantimella jonkin tietyn kategorian pisteiden sijaintitietoja. Oma ryhmäni päätti kerätä Kumpulan kampuksen läheisyydessä olevien bussipysäkkien koordinaatteja. Kirjasimme ylös kymmenen bussipysäkin x- ja y-koordinaatit, korkeuden merenpinnasta ja GPS-signaalin tarkkuuden mittaushetkellä. Kerättyämme kohteiden sijaintitiedot harjoittelimme niiden tuomista MapInfoon ja niiden kartalla esittämistä Create Points -toiminnon avulla. Harjoitus oli yllättävän helppo ja oli kiva huomata miten (melko) yksinkertaisesti on mahdollista käydä itse maastossa keräämässä tietoa ja tuottaa niistä samantien uutta materiaalia MapInfon avulla.

Jatkoimme saman teeman parissa, mutta valmiiden aineistojen pohjalta. Geokoodasimme (Geocode-toiminto) Excel-aineistojen pohjalta MapInfoon muun muassa kaikki pääkaupunkiseudun pelikoneet pistekartan muotoon. Harjoituksen pohjana käytimme melko tarkkaan paikannukseen pystyvää ns. Street-muotoista tietokantaa. Ilokseni voin rehellisesti todeta, että kerrankin kurssikertamme sisältyi sellaisista toiminnoista, joita osasin käyttää ongelmitta ja ymmärsin ne täysin. Näin ollen tehtävätkin sujuivat melko mutkitta.

Kurssikerran itsenäistehtävät koskivat opetuskäyttöön tarkoitettujen hasardikarttojen luomista. Tarkoitus oli myös hakea aineisto MapInfon ulkopuolelta ja tuoda se ohjelmaan muutamien muutosten myötä Excelin kautta. Tällä kertaa aineistoa ei siis annettu meille valmiina tarjottimella, vaan saimme itse nähdä hieman vaivaa sen hankkimiseksi. Itse tein jopa 5 karttaa, tarkastellen eri magnitudien vahvuisia maanjäristyksiä, tulivuorten sijoittumista ja meteoriittihavaintoja maapallolla.

Ensimmäinen karttani esittää yli 4.5 magnitudin maanjäristykset maapallolla vuodesta 2002 lähtien (kuva 1). Kartta on kokonaisuudessaan ja yksinkertaisuudessaan toki informatiivinen, mutta yli 4.5 magnitudin maanjäristyksiä on tapahtunut maapallolla niin paljon vuodesta 2002 tähän päivään saakka, että ne kaikki on turha esittää samalla kartalla. Olisin mieluummin voinut valita kartalleni tarkasteltavaksi yli 4.5 magnitudin maanjäristykset esimerkiksi viimeisen kymmenen vuoden ajalta, jolloin karttaa olisi myös helpompi lukea ja siitä voitaisiin tehdä enemmän tulkintoja. Nyt kartta esittää suuria kolmiokasoja, joista ei tulkinnallisesti saa kovin paljoa irti. Toisaalta toki kartta esittää selkeästi miten hurjan paljon yli 4.5 magnitudin maanjäristyksiä maapallolla esiintyy, ja mihin ne enimmäkseen klusteroituvat. Kartalta on myös mahdollista tulkita litosfäärilaattojen saumakohtien sijaintia melko yksiselitteisesti.

Kuva 1. Yli 4.5 magnitudin maanjäristykset maapallolla vuodesta 2002 lähtien

Toinen maanjäristyksiin liittyvä karttani puolestaan esittää yli 6.0 magnitudin maanjäristykset maapallolla vuodesta 2002 lähtien (kuva 2). Kyseisen kartan informaatioarvo on mahdollisesti jo hieman suurempi kuin edellisen, sillä 6 magnitudin maanjäristykset ovat kuitenkin merkittävästi voimakkaampia ja harvinaisempia kuin 4.5 magnitudin järistykset. Jälleen minun on kuitenkin todettava, että olisi ollut fiksumpaa luoda tämäkin kartta esittämään 6.0 magnitudin järistyksiä viimeisen kymmenen vuoden ajalta. Kuten edellisessä kartassa, tässäkin on ongelmana symbolien liian isot kasaantumat alueilla, joilla maanjäristyksiä on havaittu todella paljon. Toisaalta se kuitenkin paljastaa, missä maanjäristyksiä tapahtuu eniten ja itse asiassa ilmaisee tämän melko havainnollisestikin. Minulle sattui pieni huolimattomuusvirhe ja kyseisellä kartalla symbolien väri on hieman vaaleampi kuin kahdella muulla kartalla. Yritin muuttaa väriä huomatessani virheeni, mutta siihen eivät taitoni riittäneet, vaikka kuinka pähkäilin. Noh, tekevälle sattuu! Symbolien koon olen kuitenkin kaikilla kartoilla tahallani skaalannut magnitudien mukaiseksi, se ei ole siis virhe vaan täysin laskelmoitu toimenpide. Verratessa 6.0 magnitudin maanjäristysten karttaa 4.5 magnitudin karttaan, voi huomata, etteivät litosfäärilaattojen saumat erotukaan enää yhtä hyvin. Ehkä olin siis turhan kriittinen 4.5 magnitudin järistykset esittävää karttaani kohtaan ja sen informaatioarvo onkin melko korkea.

Kuva 2. Yli 6.0 magnitudin maanjäristykset maapallolla vuodesta 2002 lähtien

Kolmannen karttani loin esittämään yli 8.0 magnitudin maanjäristyksiä vuodesta 2002 lähtien (kuva 3). Iivari Laaksonen oli tuottanut blogiinsa kartan tasan samasta aiheesta, ja olin samoilla linjoilla hänen kanssaan: ”Kartta on hyvin yksinkertainen eikä siinä ole edes yritetty esittää muuta dataa, koska halusin ihan omasta mielenkiinnosta tarkastella kyseistä teemaa” (Laaksonen, 2017). Kartta on yksinkertaisuudessaan kuitenkin havainnollinen kuvatessaan kaikki muutaman käden sormilla laskettavissa olevat yli 8.0 magnitudin maanjäristykset, jotka ovat viimeisen 15 vuoden aikana tapahtuneet. Kyseiset todella voimakkaat ja tuhoisat maanjäristykset näyttävät kartan pohjalta sijoittuvan tietyille alueille.

Kuva 3. Yli 8.5 magnitudin maanjäristykset maapallolla vuodesta 2002 lähtien

Kaikkien edellä mainittujen karttojen informaatioarvoa olisi lisännyt ainakin litosfäärilaattojen saumojen hahmottelu ja laattojen nimeäminen. Löysinkin Googlen syövereistä kuvailemani mukaisen kartan, jota voitte tarkastella tästä linkistä: http://worldlywise.pbworks.com/f/1275740400/plates.png Hahmottaessaan samalta kartalta litosfäärilaatat, maanjäristykset ja vielä tulivuoretkin kuten edeltävän linkin kartassa, oppilaiden on helpompi luoda kokonaiskuva maanjäristyksistä ilmiönä ja liittää ne laajempaan kontekstiin. Mahdollisesti omia karttojani havainnollisempi tapa esittää todella voimakkaita maanjäristyksiä olisi ollut esittää ne samalla kartalla (erotettavalla symbolilla) vähemmän voimakkaiden maanjäristysten kanssa, sillä yli 8 magnitudin maanjäristyksiä tapahtuu suhteellisesti niin vähän. Kuitenkaan 4.5 ja 6.0 magnitudin maanjäristysten kuvaaminen samalla kartalla ei ole kovin hyvä idea, sillä siitä kehkeytyisi niin järkyttävän sekava ulkoasu, ettei mitään rajaa. Havainnollisuuskaan ei varmasti olisi huipussaan.

Löysin Googlesta myös toisen mielenkiintoisen kartan, jota voisi käyttää opetustarkoituksissa (linkki: http://www.preventionweb.net/files/10562_Figure222.jpg). Kartta esittää maanjäristyksiin yhdistettävän kuolemanriskin jakautumista maapallolla. En ole varma, olisiko kartta kovin olennainen opetuskäytössä, mutta kiinnostava se ainakin on, ja antaa erilaisen näkökulman. Kartalta voi muutamalla silmäyksellä havaita maapallon alueet, joilla maanjäristykseen liitettävä kuolemanriski on todella suuri, muun muassa Indonesia, etenkin Jaavan saari ja Intian itäosa.

Lopuksi haluan vielä puhua meteoriittihavaintoja kuvaavasta kartastani (kuva 4). Ensimmäiset ajatukseni olevat, että sen informaatioarvo on pyöreä nolla. Sanni Väisäsen (blogi: https://blogs.helsinki.fi/sannivai) kanssa pohdimme kuitenkin, että loppujen lopuksi kartta onkin melko informatiivinen, ei ehkä meteoriittien putoamisen suhteen, mutta siitä voi tulkita muutakin. Meteoriittihavaintojen suuresta määrästä päätellen meteoriitit eivät pahemmin katso paikkaa maapallolle pudotessaan vaan ne voivat pudota mihin tahansa. Kartta kuitenkin esittää myös millä alueilla on ihmisiä ja resursseja havainnoimassa avaruudesta maahan syöksyviä meteoriitteja, ja missä taas ei. Esimerkiksi Amazonin sademetsä ja Siperian pohjoisosat erottuvat kartasta aukkoina, joista meteoriittihavaintoja ei ole. Tästä voi tulkita, että myös kyseisille alueille putoaa varmasti meteoriitteja yhtä lailla kuin muuallekin maapallolle, mutta havaintoja on mahdoton kirjata ylös ilman havainnoijaa.

Kuva 4. Meteoriittihavainnot maapallolla

Lähteet

Distribution of mortality risk associated with earthquakes <http://www.preventionweb.net/english/professional/maps/v.php?id=10562> Luettu 23.2.2017

Laaksonen, I. 2017. 6. Kurssikerta (22.2.2017) <https://blogs.helsinki.fi/iilaakso> Luettu 23.2.2017

The causes and effects of earthquakes and how people respond to them <http://worldlywise.pbworks.com/w/page/26834992/The%20causes%20and%20effects%20of%20earthquakes%20and%20how%20people%20respond%20to%20them> Luettu 23.2.2017

Bufferointia ja omat taidot testissä

Aika rientää, takana on jo viides kurssikerta eikä edessä enää montaa PAKin parissa vietettävää tuntia. Viidennellä kurssikerrallamme opettelimme vain vähän uutta ja keskityimme jo opitun (tai sen minkä meidän pitäisi osata…) soveltamiseen useiden erilaisten itsenäisesti suoritettavien tehtävien parissa.

Meille uusi tuttavuus MapInfon käytössä oli puskurianalyysi. Loimme puskurivyöhykkeitä muun muassa selvittääksemme kuinka moni ihminen asuu Helsinki-Vantaan tai Malmin lentokentän välittömällä 65dB melualueella, ja miten lentokoneiden laskeutumissuunnan muuttaminen vaikuttaisi melualueen asukkaiden määrään. Selvitimme bufferoinnin avulla myös hyvin yksinkertaisia asioita, kuten asukkaiden määrän tietyn matkan, esimerkiksi kilometrin etäisyydellä terveyskeskuksesta tai koulusta Pornaisissa. Bufferointityökalua oli mielestäni yllättävän helppo käyttää, ainakin huomattavasti helpompi kuin monia muita MapInfon toimintoja. Omasta mielestäni puskurianalyysien tekeminen oli suorastaan hauskaa puuhaa. Puskurivyöhykkeiden avulla on helppo tutkia useita hyvinkin erilaisia tekijöitä ja ilmiöitä. Tietyn etäisyyden päässä jostakin kohteesta asuvien ihmisten määrän lisäksi puskurianalyysilla voidaan selvittää esimerkiksi matkapuhelinverkon kattavuutta tai uutta moottoritietä kaavoitettaessa sen aiheuttamista meluhaitoista kärsivien asukkaiden määrää. Kuten Vilja Jokinen blogissaan toteaa antaen maantietelijöiden enemmistölle virkistävän erilaisen näkökulman, voisi puskuroinnin käyttökohde olla myös ”eläinten reviirien ja pesäpaikkojen sijoittuminen toisiinsa nähden tai suhteessa muihin lajeihin, vesistöihin tai muihin tekijöihin” (Jokinen, 2017). Puskurianalyysi antaa siis meille valmiudet tutkia jo olemassa olevia kohteita, mutta erityisen olennainen kyseinen paikkatietoanalyysi lienee uusien kohteiden suunnitteluvaiheessa, jolloin voidaan analysoida kuinka moneen ihmiseen jokin kaavoitettava kohde tulisi vaikuttamaan ja tehdä tarvittavia muutoksia ja lopullisia päätöksiä analyysin pohjalta.

Tekemiemme itsenäistehtävien pohjalta oli tarkoitus tuottaa taulukko, jossa selvitetyt tulokset käyvät ilmi. Tutkimme tehtävissä muun muassa Helsinki-Vantaan lentoaseman tiettyjen desibelien melualueilla asuvien ihmisten määrää (taulukko 1), Vantaan juna-asemien läheisyydessä asuvien ihmisten määrää (taulukko 2), sekä pääkaupunkiseudun uima-altaiden ja saunojen määrään liittyviä lukuja (taulukko 3). Ohessa liitettynä taulukot keräämistäni ja laskemistani tuloksista edellä mainituista tehtävistä. Aivan kaikkien tehtävien tuloksia en blogimerkintääni liittänyt, mutta tein tunnollisesti kaikki annetut tehtävät, vaikkei niistä tässä todistusaineistoa olekaan 🙂 Tein kirjallisten tehtävien lisäksi myös pylväsdiagrammikartan pääkaupunkiseudun uima-allasrikkaimmista osa-alueista (kuva 1). Kartta ei miellytä silmääni lainkaan, mutta puolustuksekseni on sanottava, että sen ulkoasusta oli haastavaa ellei mahdotonta saada hienoa, joten siedettävä sai riittää. Kartalla oli tarkoitus esittää pylväiden lisäksi myös uima-altaiden määrä numeroin, mutta kohtaamani teknisten ongelmien vuoksi päädyin jättämään ne pois. Vaikkei kartta ole suurin ylpeyden aiheeni, on siitä kuitenkin luettavissa sen esittämä informaatio jokseenkin hyvin. Itsenäistehtävät sujuivat minulta jotakuinkin hyvin, toki välillä sormi meni suuhun ja joutui kysymään apua Artulta tai kanssaopiskelijoilta. Yllätyin miten hyvin muistin MapInfon tiettyjen toimintojen käytön, sillä luulin etten osaisi lainkaan käyttää ohjelmaa ilman selkeitä ohjeita.

 

 

Taulukko 1.
Taulukko 2.
Taulukko 3.

Tämänhetkistä MapInfo-osaamistani kuvailisin hieman epävarmaksi, mutta muutamien työkalujen ja toimintojen käytössä alan jo saada jalansijaa. MapInfo on mielestäni monimutkainen ohjelma, enkä todellakaan voi sanoa pitäväni sen kaikista ominaisuuksista. Olen kuitenkin kurssin edetessä oppinut tulemaan paremmin toimeen sen kanssa, ja tietynkaltaisissa tehtävissä osaan mahdollisesti käyttää sitä itsenäisestikin. Paljon opittavaa kuitenkin riittää. Erityisesti yksi ominaisuus MapInfossa turhauttaa jatkuvasti, nimittäin se, ettei Undo-toiminto pelaa yhtä siirtoa pidemmälle. Olen samoilla linjoilla, kun Tanja Palomäki, joka toteaa blogissaan seuraavasti: ”Erityisesti turhautti se, etten uskaltanut kokeilla rohkeasti, kun tekoja ei pystynyt peruuttamaan tai palaamaan edelliseen tallennettuun kohtaan.” Sanoisin MapInfon keskeisimpien toimintojen olevan esimerkiksi kyselyjen tekeminen aineistolle (query), tietojen siirtäminen toiseen taulukkoon, tietojen päivittäminen taulukoiden välillä ja tietenkin teemakarttojen tuottaminen. Ainakin meille kyseiset toiminnot ovat tulleet melko tutuiksi. Työkaluista keskeisiä ovat tähän mennessä opitun MapInfon käytön perusteella valintatyökalujen ja zoomin lisäksi piirtotyökalut, Label-työkalu, pohjoisnuoli- ja mittakaava-työkalut, sekä uutena tuttavuutena bufferoinnin yhteydessä Boundary select. Itselleni on erityisen vaikeaa tietää miten aloitan aineiston käsittelyn MapInfolla. En yleensä ole varma mitä toimintoa juuri tietty toimenpide vaatii, tai varma edes siitä mitä toimenpiteitä minun pitäisi aineistolle suorittaa. Kun joku antaa minulle vinkin mistä aloittaa, pääsen yleensä vauhtiin ja oppimani palaa mieleen. Kun olen päässyt alkukankeudesta, osaan toimia yllättävän hyvin paljon käyttämiemme MapInfon-toimintojen ja työkalujen parissa, ainakin perusasioissa. Tilastoaineistoilla pelaaminen aiheuttaa minulle kuitenkin välillä paljonkin päänvaivaa. Haasteita tuottavat myös Select ja SQL Select -toiminnot, joiden käyttö ei itselleni ole vielä vakiintunut ja joiden kanssa saatan olla välillä hieman hukassa. On vain hyväksyttävä, että MapInfon käytön opetteleminen vie aikaa ja vaivaa, verrattuna esimerkiksi CorelDrawiin, jonka käytön itse opin hetkessä.

Kuva 1. Uima-altaiden määrä pääkaupunkiseudulla osa-alueittain.

Lähteet

Jokinen, V. 2017. Kurssikerta 5: Bufferointia ja järjen käyttöä (16.2.2017) <https://blogs.helsinki.fi/jokinenv> Luettu 16.2.2017

Palomäki, T. 2017. 5. Kurssikerta (15.2.2017) <https://blogs.helsinki.fi/ptanja> Luettu 16.2.2017

 

Ruututeemakarttoja joka lähtöön

Neljännellä kurssikerralla tutustuimme ruutukarttojen luomiseen jo tutun kaverimme MapInfon avulla. Lisäksi harjoittelimme uuden tiedon tuottamista tietokantaan ja seikkailimme MapInfon uusiin ulottuvuuksiin, joihin teimme vasta alkukatsauksen tutkimalla Pornaisten karttaa päällekkäin laserkeilatun topografisen kartan kanssa ja digitoimalla Pornaisen tiestön ja asuintalot. Ensivaikutelmalta MapInfo on digitoimisen osalta huomattavasti kömpelömpi kuin CorelDraw. Ensi kerta kuitenkin näyttää, mitä kaikkea keksimme digitoimallemme aineistolle tehdä ja mitä MapInfolla on meille tarjottavaa. Tätä odotellessa…

Kurssikerta koostui pääasiassa kuitenkin ruutukarttojen luomisesta. Tarkoituksena oli luoda kaksi eri ruutukoon karttaa, vertailla niiden hyviä ja huonoja puolia ja julkaista parempi versio blogissa. Itse loin kuitenkin kolme eri ruutukoon karttaa pääkaupunkiseudulta, kuvaten ulkomaalaisten absoluuttista määrää ruuduittain. Ensimmäisen tekemäni kartan ruutukooksi valitsin 800m x 800m ja toisen 250m x 250m. Tarkastellessani luomuksiani kuitenkin totesin, ettei kumpikaan miellytä silmääni erityisesti, ja sekä karttojen luettavuus että informaatioarvo voisivat olla paremmat. Etenkin suurimman ruutukoon kartta (kuva 2) häiritsi minua, sillä se kuvasi ilmiötä aivan liian laveasti eikä tarpeeksi yksityiskohtaisesti, ja kartan ulkoasusta tuli yksinkertaisesti ruma ja kehno liian suurten ruutujen vuoksi. Pienimmän ruutukoon kartta (kuva 3) taas kuvasi ilmiötä hieman turhankin yksityiskohtaisesti ja näin ollen lopputulos oli pikselinen ja sekava. Ulkomaalaisten lukumäärää tarkastellessa kyseinen ruutukoko on mielestäni liian pieni, eikä tarpeellinen tutkiessa ilmiötä kartalta. Näin ollen päätin valita kultaisen keskitien ja tehdä vielä yhden kartan, 500m x 500m ruutukoolla (kuva 1). Tästä kartasta kehkeytyikin ehdoton suosikkini, joka oli kaikilta osa-alueiltaan hyvinkin toimiva.

 

Kuva 1. Ulkomaalaisten lukumäärä 500m x 500m ruuduittain pääkaupunkiseudulla

Karttani esittää ulkomaalaisten määrän absoluuttisina lukuina pääkaupunkiseudulla. Kartasta on havaittavissa ulkomaalaisten asukkaiden alueellista klusteroitumista ja vastavuoroisesti alueita, joilla ulkomaalaisten määrä on pieni tai olematon. Ulkomaalaisten asukkaiden ei voi kuitenkaan sanoa muodostavan kovin selkeitä klustereita pääkaupunkiseudun alueella. Muutamia keskuksia kuitenkin on havaittavissa niin Espoossa, Helsingissä kuin Vantaallakin. Yllättäen kaikista vähiten ulkomaalaisia on kartan mukaan Vantaalla, vaikka itse olisin arvellut ulkomaalaisten määrän olevan siellä huomattavasti suurempi kuin Espoossa. Ulkomaalaisten määrää kartaltani tarkastellessani huomaan, että Helsingissä on ylivoimaisesti eniten ulkomaalaisia. Etenkin Helsingin niemellä, luoteis-Helsingissä ja hieman toisistaan erilleen jakautuvilla Itä-Helsingin alueilla ulkomaalaisten määrä on pääasiassa kahden ylimmän luokan mukaista. Syitä ulkomaalaisten suureen määrään pääkaupungissamme on varmasti lukemattomia, tältä istumalta mieleeni tulee muun muassa Helsingin lupaavat työmarkkinat, monikulttuurisuus, suvaitsevaisuus ja maahanmuuttopolitiikka, joka kohdistaa maahanmuuttoa pääkaupunkiseudulle, etenkin Helsinkiin. Mikäli kyse on vapaaehtoisesta maahanmuutosta, on Helsinkiin varmasti moniin muihin Suomen kaupunkeihin ja kuntiin verrattuna helppo integroitua.

Se, miksi ulkomaalaiset näyttävät klusteroituvan Itä-Helsingin alueelle, johtunee osittain juuri maahanmuuttopolitiikasta ja turvapaikanhakijoiden ja pakolaisten sijoittamisesta tietyille alueille. Itä-Helsingissä on myös halvempia asuntoja, jolloin sinne kohdistuu asumaan suuria määriä maahanmuuttajia, jotka ovat työttömiä tai pienituloisissa töissä. Kyseinen syy lienee pätevän myös moniin muihinkin pääkaupunkiseudun alueisiin, joissa ulkomaalaisten määrä on suuri. Tästä alkaa myös kierre, jossa ulkomaalaiset hakeutuvat samoille alueille, sillä he kokevat sopeutuvansa joukkoon paremmin siellä, kuin sellaisilla alueilla joilla asuu pelkästään kantasuomalaisia.

Vantaan ja Espoon alueella ulkomaalaisten määrä on huomattavasti pienempi kuin Helsingissä. Tämä johtunee osittain kaupunkien pientaloaluevoittoisuudesta. Monet suurkaupungeista Suomeen muuttavat ulkomaalaiset saattavat kokea omakseen asua kaupunkimaisilla kerrostaloalueilla ja vierastaa rauhallisella pientaloalueella asumista. Toki pientaloasuminen on myös useimmissa tapauksissa kalliimpaa kuin kerrostalossa vuokralla asuminen, mikä vaikuttanee myös asiaan. Toisaalta useat alueet Espoossa ja Vantaalla, jotka näkyvät valkoisina eli niissä ei asu lainkaan ulkomaalaisia, ovat kaiken kaikkiaan paljon harvemmin asuttuja kuin Helsinki, ja osittain täysin asumattomia. Tulkitessaan karttaani ja sen esittämää ilmiötä, tulee pitää mielessä, että ruututeemakartta esittää nimenomaan absoluuttisia arvoja eikä asukaslukuun suhteutettuja arvoja.

Karttani on sellaisenaan melko informatiivinen, joskin indeksikartta puuttuu. Kaupungit on kuitenkin nimetty, eli jonkinlaisella taustatiedolla voi helposti paikantaa kartan kuvaaman alueen sijainnin. Indeksikartta kuitenkin nostaisi vielä kartan pisteitä, eikä siitä ole ikinä haittaa tämänkaltaisissa pienehköjä alueita esittävissä kartoissa. Nimistön lisääminen, eli joidenkin kaupunginosien nimeäminen helpottaisi karttatulkintaa entisestään. Ainakin kaupunginosat, joissa suurimmat ulkomaalaisten asukkaiden muodostamat klusterit sijaitsevat olisi olennaista nimetä kartalle. Tällöin olisi helppo tarkastella muutamalla silmäyksellä missä päin pääkaupunkiseutua on erityisen paljon ja missä vähän ulkomaalaisia, jolloin myös kartasta saisi tulkinnallisesti enemmän irti.

Ruututeemakartta on perinteiseen koropleettikarttaan verrattuna tarkempi ja ehkä monipuolisempikin esitys. Koropleettikartan esittäessä ilmiötä jonkin hallinnollisen jaon perusteella ruututeemakartta esittää ilmiön vapaasti säädeltävien kokoisilla ruuduilla, jolloin ilmiö saadaan kuvattua halutessa hyvinkin tarkasti. Koropleettikartta rajoittaa ilmiön esittämistarkkuutta tiettyyn pisteeseen asti, mutta ruututeemakartassa kyseistä heikkoutta ei ole. Oma ruututeemakarttani esittää ilmiöt absoluuttisien arvojen avulla, kun taas koropleettikartta suhteellisina arvoina. Kyseinen ominaisuus vaikuttaa absoluuttiset arvot esittävän ruututeemakartan informaatioarvoon niin positiivisesti kuin negatiivisestikin. Plussana on kartan kyky esittää ilmiöt todella tarkasti, mutta miinuksena ilmiön mahdollinen vääristyminen, jollei lukijan kartanlukutaito ole huipussaan. Kun ilmiöt esitetään suhteellisesti, ei tule vaaraa siitä, että jokin alue vääristyy ympäristöönsä nähden esimerkiksi suuren asukastiheytensä vuoksi. Kyseinen ongelma tulee esiin omalla kartallani. Helsingin monilla asuinalueilla on yksinkertaisesti niin paljon asukkaita, että myös ulkomaalaisten asukkaiden todennäköisyys alueella on korkeampi, kuin alueilla joilla asuu huomattavasti vähemmän ihmisiä.

Pisteteemakartta puolestaan pystyy esittämään ilmiöitä ruututeemakarttaakin tarkemmin, sillä pisteiden avulla voidaan ilmaista ilmiön muuttujien tarkin mahdollinen sijainti ja samalla pisteen esittämän muuttujan absoluuttinen lukumäärä. Pistekartoilla ei kuitenkaan voida kuvata tarkasti rajattoman suuria alueita, mikä lieneekin karttatyypin heikkous verrattuna ruututeemakarttoihin. Jos pistekartalla yritetään kuvata liian suurta aluetta, pisteitä voi tulla liikaa tai vaihtoehtoisesti kartan luettavuuden vuoksi niitä on yleistettävä melko rajustikin, jolloin se ei kuvaakaan ilmiötä enää yhtä tarkasti. Esimerkiksi pääkaupunkiseudun ulkomaalaisten lukumäärää visualisoidessa ruututeemakartta on parempi vaihtoehto kuin pistekartta, sillä se esittää ilmiön tarpeeksi tarkasti, säilyttäen samalla kartan luettavuuden hyvänä.

Ruututeemakartan luettavuus on mahdollisesti heikompi muihin teemakarttoihin verrattuna. Ainakin koropleettikartat ovat helpommin ja selkeämmin luettavissa kuin ruututeemakartat, koska kuten jo edellä mainittua ruututeemakartat kuvaavat ilmiöitä tarkemmin. Toki ruututeemakartoissakin voi käyttää todella isoa ruutukokoa, mutta jos ruutukoko lähentelee jo esimerkiksi kuntien kokoa, on koropleettikartta parempi vaihtoehto. Koropleettikartalla ei kuitenkaan voi kuvata absoluuttisia arvoja, joten niitä esitettäessä tulisi valita ennemmin ruututeemakartta. Suhteellisen pientä aluetta kuvatessaan, hyvin laadittuna ja oikeilla värivalinnoilla ruututeemakartan luettavuus voi kuitenkin olla yhtä hyvä kuin koropleettikartan. Monimutkaisempiin ja harvinaisempiin teemakarttoihin, kuten grid-karttaan ja prismaattiseen karttaan, verrattuna ruututeemakartat ovat kuitenkin hyvin selkeitä ja niiden luettavuus on hyvä. Loppujen lopuksi ruututeemakartan, jonka luettavuus on ala-arvoinen eikä kartasta ota yksinkertaisesti mitään tolkkua, luominen on yllättävän haasteellista. Ruututeemakartta on loppujen lopuksi ehkä monimutkaisesta ensivaikutelmastaan ja pikselimäisestä ulkoasustaan huolimatta melko yksinkertainen ja kelvollinen karttatyyppi.

Omalle kartalleni arvosanaksi antaisin näin peruskoulun ja lukion arvosteluasteikkoa lainaten yhdeksikön. Luotuani samasta ilmiöstä kolme eri esitystä eri ruutukoilla, huomasin kantapään kautta, että ruutukoolla on olennaisesti merkitystä. Teemakarttojen tuottamisesta olenkin oppinut sen, että paras mahdollinen kartta syntyy vain kokeilemalla erilaisia ratkaisuja. Ilman kartan ominaisuuksilla pelaamista ei yksinkertaisesti voi huomata mikä kartassa mättää ja mikä taas on kohdallaan. Olen tyytyväinen karttani ulkoasuun aina väriskaalasta pohjoisnuoleen asti. Nimistö on mielestäni hyvin luettavissa, joskin Helsinki hukkuu hieman erivärisiin ruutuihin. Legendan asettelu ja mittakaava miellyttävät myös silmääni. Kartan luettavuus on hyvä; eri luokat on helppo erottaa toisistaan onnistuneiden värien ansiosta ja ilmiön tarkastelu kartalta sujuu ilman päänvaivaa tai tuskailua, kuten pitääkin. Nyt karttaani tarkastellessa huomaan, että olisin mahdollisesti voinut valita hitusen pienemmän ruutukoon. Onneksi kartan tekemisessä kehittyy jatkuvasti ja virheistään voi oppia 🙂

Kuva 2. Ulkomaalaisten lukumäärä 800m x 800m ruuduittain pääkaupunkiseudulla
Kuva 3. Ulkomaalaisten lukumäärä 250m x 250m ruuduittain pääkaupunkiseudulla

Lähteet

SeutuCD’09, Helsingin Seudun Ympäristö (HSY)

Kolmas kurssikerta ja MapInfon teknisiä ominaisuuksia

Kolmannella kurssikerralla syvennyimme jälleen MapInfon saloihin ja opimme ohjelmasta täysin uusia ominaisuuksia. Viime kerran teemakartoilla pelailusta poikkeavasti keskityimme tällä kertaa lähinnä ohjelman teknisiin ominaisuuksiin, muun muassa yhdistämällä tietokantoja toisiinsa ja suorittamalla laskutoimituksia tietokantojen sisältämien muuttujien arvojen välillä. Tunnin lopuksi saimme tehtäväksi näyttää olimmeko oppineet mitään. Tarkoituksena oli yhdistää muutamien erillisten tietokantojen tietoja yhteen tietokantaan, tuoda ulkoisesta lähteestä (Excel) kokonaan uusi tietokanta MapInfoon ja viimeisenä tuottaa näiden tietojen pohjalta koropleettikartta, ja sen päälle pylväsdiagrammikartta.

Tulvaherkkyys ja järvisyysprosentit Suomen valuma-alueilla

Luomamme koropleettikartan aihe oli tulvaherkkyys Suomen eri valuma-alueilla, jotka siis muodostivat kartan aluejaon. Päällä olevat pylväsdiagrammit puolestaan kuvaavat valuma-alueiden järvisyysprosentteja. Maallikon asemasta kartasta on selkeää tulkita ensin eniten ja vähiten tulvaherkät valuma-alueet, joita tarkastellessaan huomaa myös heti, että tulvaherkimmät alueet sijaitsevat pääosin Pohjanmaalla, sekä Lounais- ja Etelä-Suomen rannikoilla. Muu Suomi, etenkin Keski-, Koillis- ja Itä-Suomi taas ovat vähiten tulvaherkkiä alueita. Lapin alueella tulvaindeksi on jotain ääriarvojen väliltä. Pylväsdiagrammeja tulkittaessa voi huomata vähiten tulvaherkillä alueilla olevan myös selvästi eniten järviä. Näin ollen maallikkokin voinee päätellä järvien määrän vaikuttavan tulvaindeksiin tasaamalla jokien virtaamaa. Kartalta voisi myös tulkita Pohjanmaan olevan erityisen tulvaherkkää aluetta, mutta syytä tähän ei maallikko välttämättä osaisi sanoa.

Sijainnin lisäksi tietokantoihin tallennetuista tiedoista voidaan saada pienellä pohtimisella ja analysoinnilla paljonkin irti. Pelkästään sijaintitiedoilla voidaan jo tehdä monia päätelmiä, mutta kun mukaan lisätään muutamiakin ominaisuustietoja, on tulkinta jo huomattavasti moniulotteisempaa ja antoisampaa. Sijaintitietoja ja ominaisuustietoja yhdistämällä päästäänkin paikkatiedon ytimeen ja saadaan siitä hyvin laaja määrä informaatiota irti. Se onkin yksi paikkatiedon hienoista ominaisuuksista. Tutkimme tunnilla Afrikan karttaa, johon oli merkitty valtioiden rajat, sekä konfliktit, timanttikaivokset ja öljykentät erilaisin symbolein. Kun kyseisiin muuttujiin liittyvät tietokannat hypoteettisesti sisältävät myös muunlaista informaatiota sijaintitietojen lisäksi, on aineiston tulkinta mahdollista viedä uudelle tasolle, jota seuraavaksi pohdin.

Kun tiedossa on konfliktin sijainnin ja alueellisen jakautumisen lisäksi myös konfliktin tapahtumavuosi ja laajuus kilometreinä, voidaan kyseisten tietojen avulla päätellä konfliktista yhtä sun toista. Konfliktien sijoittuminen kartalla paljastaa jo itsessään tietoa konfliktien alueellisesta klusteroitumisesta ja osoittaa alueet, joilla konflikteja on esiintynyt eniten. Kun sijaintitietoon lisätään tapahtumavuosi, voidaan päätellä konfliktin syitä ja on mahdollista yhdistää konflikti historiallisella aikajanalla suurempaan kontekstiin. Konfliktin säde puolestaan paljastaa enemmän konfliktin luonteesta. Mitä suurempi konfliktin säde on, sitä suurempaa aluetta ja näin ollen suurempaa osaa ihmisiä se koskettaa. Tästä voidaan mahdollisesti myös päätellä konfliktin olevan osa jotakin suurempaa kokonaisuutta ja sarjaa ongelmia. Mikäli konfliktin säde on hyvin pieni, voi se olla pientä yhteisöä koskeva sisäinen konflikti. Jos tietyllä alueella sen sijaan esiintyy paljon konflikteja, niiden tapahtumavuodet ovat lähellä toisiaan ja konfliktien säteet ovat suuria, voidaan konfliktien väliltä mitä luultavimmin löytää yhteys. Kyseisillä konflikteja koskevilla tiedoilla voisi esimerkiksi suorittaa tieteellistä tutkimusta, esimerkiksi paikkatietoanalyyseja konfliktien alueellisesta jakautumisesta ja niiden muodostamista klustereista.

Pelkästään timanttikaivosten sijaintitiedoista voidaan tulkita Afrikan suurimpien timanttiesiintymien sijoittuminen maanosassa, sekä niiden alueellinen jakautuminen koko maanosan ja myös valtioiden sisällä. Muista timanttikaivoksiin liittyvistä tiedoista voidaan helposti päätellä paljon Afrikan valtioiden siirtomaahistoriasta. Timanttikaivoksen löytämisvuosi ja kaivausten aloitusvuosi viestivät siitä, liittyykö kaivoksen perustaminen vahvasti siirtomaataustaan (onko kaivos perustettu siirtomaa-aikaan), vai onko se täysin valtion omasta toimesta perustettu. Kaivosten tuottavuusluokittelusta voitaisiin päätellä esimerkiksi kyseisen valtion kehittyneisyydestä, etenkin tekniikan ja infrastruktuurin osalta. Tuottavimpien kaivosten omaavilla valtioilla on todennäköisesti kehittynein kaivostekniikka ja parhaat kuljetusyhteydet kaivokselta liikenteen solmukohtiin. Tuottavuusluokittelusta voidaan myös toki päätellä yksinkertaisesti valtion vauraudesta ja asemasta maailmanmarkkinoilla. Edellä mainituilla tiedoilla voitaisiin esimerkiksi suorittaa analyyseja ja vertailuja Afrikan valtioiden luonnonvaroista ja niihin liittyvästä vauraudesta. Muihin tietoihin yhdistämällä voitaisiin tehdä myös analyyseja timanttikaivosten määrän ja tuottavuuden korrelaatiosta valtioiden vaurauteen ja esimerkiksi hyvinvointia koskeviin muuttujiin.

Öljykenttien sijainnista voidaan yksinään päätellä luonnonmaantieteellisiä seikkoja liittyen öljyn syntyprosessiin ja siihen missä öljykenttien esiintyminen on tiheintä ja missä harvinta. Öljykenttien löytämisvuodesta voitaisiin päätellä jälleen siirtomaahistoriaan liittyviä seikkoja; mitkä öljykentät on löydetty ensimmäiseksi, missä ne sijaitsevat ja kuka ne on löytänyt. Öljykenttien löytämisvuodet viestivät myös teknologian kehittymisestä; kun on alkanut löytymään paljon öljykenttiä lyhyen ajan sisällä, on todennäköisesti myös löydetty uusi tapa paikantaa niitä tai vähintäänkin selvitetty jotakin niiden esiintymisestä. Öljykenttien poraamisvuosi kertoo vastaavasti myös teknologian kehityksestä niin universaalilla tasolla kuin valtiotasollakin. Poraamisvuodet voivat myös viestiä valtioiden välisistä kehittyneisyyseroista, joissakin valtioissa öljynporaus on luultavasti aloitettu merkittävästi aikaisemmin kuin toisissa. Toisaalta myöhempi porausvuosi voi myös viestiä öljynporauksen haasteellisuudesta kyseisellä alueella. Porausvuotta on myös ehdottomasti syytä verrata öljykentän löytämisvuoteen, jotta vältytään virhetulkinnoilta. Tuottavuusluokittelu puolestaan kertoo timanttikaivostenkin tavoilla oletettavasti ainakin valtioiden kehittyneisyydestä ja resursseista. Toki tuottavuus viestii yksinkertaisesti öljyesiintymän suuruudesta ja sijainnin optimaalisuudesta öljynporauksen näkökulmasta.

Internetkäyttäjien lukumäärästä eri vuosina voidaan tulkita yksittäisen valtion teknologian kehitystä, mahdollisen digitalisaation etenemistä ja vastaavasti vertailla valtioiden välisiä eroja kyseisissä seikoissa. Internetkäyttäjien määristä voisi päätellä myös jotakin väestön ikärakenteesta ja taloudellisesta tilanteesta. Ei-työikäisestä väestöstä suurin osa tuskin kuuluu aktiivisiin internetkäyttäjiin. Huonossa taloudellisessa tilanteessa olevat kotitaloudet vähiten kehittyneillä maaseutualueilla eivät myöskään mitä luultavimmin saa edes mahdollisuutta internetin käyttöön.

Kaikki nämä tietokannat yhdistämällä voitaisiin toki tutkia myös muuttujien keskenäisiä suhteita, esimerkiksi tarkastella miten eri luonnonvarojen hyödyntäminen vaikuttaa konfliktien syntymiseen, kuten Iivari Laaksonen blogissaan toteaa (Laaksonen, 2017). Kun kyseessä on Afrikan kaltainen alue, jossa esiintyy useita arvokkaita luonnonvaroja, kuten öljyä ja timantteja, paikoin melko runsaastikin, on konfliktien syntyminen näiden luonnonvarojen vuoksi hyvin todennäköistä. Joidenkin Afrikan valtioiden resurssien ollessa puutteellisia, voivat kiistat arvokkaista luonnonvaroista eskaloitua konflikteiksi. Erityisesti jos luonnonvarat sijaitsevat kyseenalaisesti monen eri valtion alueella, on yhä todennäköisempää, että luonnonvarat aiheuttavat konflikteja kyseisten valtioiden kesken.

Lähteet:

Syken Oiva-tietokanta, nyk. Avoin tieto -palvelu <http://wwwp2.ymparisto.fi/scripts/paikkatieto.asp>

Laaksonen, I. 2017. 3. Kurssikerta (2.2.2017) <https://blogs.helsinki.fi/iilaakso> Luettu 7.2.2017

Syvemmälle teemakartografiaan

Toisella kurssikerralla tutustuimme läpikotaisemmin MapInfon teemakarttatyökaluun ja ohjelman mahdollisuuksiin tuottaa erilaisia teemakarttaesityksiä. Tarkastelemiamme teemakarttatyyppejä olivat muun muassa ympyrädiagrammikartta, graduated-teemakartta, 3D-kartta, grid-kartta, sekä prismaattinen kartta ja päällekkäiset koropleettikartat. MapInfon avulla on siis melko yksinkertaista tuottaa jos jonkinlaisia teemakarttaesityksiä. Kurssikerta toi minulle rutkasti lisätietoa teemakartoista ja niiden erilaisista esitystavoista, joita oli havainnollista tutkia käytännössä eli kokeilla jokaisen niistä luomista itse. Kurssikerran tavoitteena oli vielä luoda oma teemakartta, jossa esitetään kahta ilmiötä samanaikaisesti ja tarkastellaan niiden välistä mahdollista korrelaatiota (tavoitteena oli valita ilmiöt jotka korreloivat toisiaan). Itse päätin tehdä päällekkäisen koropleettikartan, jossa tarkastelin työttömyysprosenttia ja 65-vuotta täyttäneiden osuutta Pohjois-Karjalan maakunnassa (Kuva 1). Pienen taistelun jälkeen niin värien, rastereiden kuin luokkien määrän kanssa, sain lopputulokseksi omasta mielestäni yllättävän hienon teemakartan, joka esitti valitsemiani ilmiöitä havainnollisesti.

Artikkeli 1

Artikkeli “Two-variable choropleth maps as a useful tool for visualization of geographical relationship” (Leonowicz, 2006) käsittelee kahden muuttujan koropleettikarttoja, niiden ominaisuuksia sekä hyviä ja huonoja puolia, ja tarkastelee niiden käyttökelpoisuutta verrattuna yhden muuttujan koropleettikarttoihin. Artikkelissa todetaan kahden muuttujan koropleettikarttojen olevan hyödyllinen työkalu maantieteellisten suhteiden visualisoinnissa. Siinä missä tavallinen yhtä muuttujaa esittävä koropleettikartta esittää yhtä ilmiötä, ja mahdollistaa kahden kartan vertailun vain tarkastelemalla karttoja erikseen, luo kahden muuttujan koropleettikartta uuden ulottuvuuden kahden ilmiön samanaikaiseen vertailuun. Kahden muuttujan koropleettikartan avulla on mahdollista esittää kaksi ilmiötä samanaikaisesti ja näin ollen mahdollistuu myös niiden välisen suhteen tarkastelu. Kyseisessä karttatyypissä luokkien määrä on rajoitettu neljään (2×2) tai yhdeksään (3×3), jotta kartta on helposti tulkittavissa, eikä mene liian monimutkaiseksi.

Artikkelissa esitetty karttatyyppi tuo teemakartografiaan tehokkuutta. Kahden muuttujan koropleettikartan avulla on kätevää tarkastella ja vertailla kahta eri ilmiötä samanaikaisesti, jolloin karttatulkinta on tehokkaampaa verrattuna yhden muuttujan koropleettikarttoihin, joiden vertailu on työläämpää ja tehottomampaa. Kahden muuttujan koropleettikartta tuo kahden eri ilmiön välisen suhteen paremmin esille, sillä molemmat ilmiöt voidaan esittää samanaikaisesti ja lukija voi hahmottaa ne ja tulkita niitä samanaikaisesti. Kahden muuttujan karttojen luettavuuteen vaikuttaa olennaisesti artikkelin mukaan kuitenkin graafinen esitystapa. Kyseiset kartat voivat olla tehokkaita ainoastaan, jos kartan graafisuus on toteutettu asianmukaisesti ja luokkia on oikea määrä, eli tarpeeksi vähän. Artikkelin tutkimus osoitti, että kunnolla suunnitellut kahden muuttujan koropleettikartat voivat olla helposti ymmärrettäviä, ja hyödyllisiä visuaalisessa maantieteellisessä tutkimuksessa, etenkin kun pääasiallinen mielenkiinnon kohde on tarkasteltavien ilmiöiden välinen suhde.

Kahden muuttujan koropleettikarttojen legendassa ei tavallisempien koropleettikarttojen legendojen tavoin esitetä yksiselitteisesti vain luokkia ja niitä kuvaavia värisävyjä tai rastereita. Karttatyypin legenda perustuu artikkelin mukaan tilastolliseen hajontakaavioon, jossa jokainen akseli esittää yhden muuttujan arvoa. Kyseisen legendatyypin idean ymmärtäminen artikkelien ja kuvien perusteella oli itselleni aluksi haastavaa, mutta luettuani Sonja Koiviston blogitekstin aukesi legendan idea minullekin: ”Tälläisen kartan legenda on esim. 3×3 ruudukko, jonka halkoo diagonaalisesti lineaarisen korrelaation viiva ja sen yläpuolelle jäävät positiiviset poikkeamat ja alapuolelle negatiiviset. Eniten havaintoja osuu lähelle lineaarista akselia, mutta toisaalta myös suuret poikkeamat ovat mielenkiintoisia tapauksia” (Koivisto, 2017).

Kahden muuttujan koropleettikarttojen käyttöön liittyy kuitenkin ongelmia, etenkin lukijoiden tulkintaan liittyen. Karttojen tulkitseminen on huomattavasti haastavampaa kuin yksittäisen muuttujan koropleettikartan tai muiden yksinkertaisten teemakarttojen tulkinta, lukijan havainnointikyky on olennaisessa asemassa näitä karttoja tulkittaessa. Kartan perusidea on monimutkaisempi ja vaatii niin maantieteellistä kuin kartografistakin hahmotuskykyä ja legendan tulkitseminen niin ikään matemaattista hahmotuskykyä. Henkilö, jolla ei ole maantieteellistä taustaa voi tulkita ongelmitta tavallisia esimerkiksi sanomalehdissä esiintyviä yhden muuttujan koropleettikarttoja, mutta kahden muuttujan koropleettikartat saattavat tuottaa päänvaivaa jopa henkilöille, joilla on syvempi ymmärrys maantieteestä ja kartografiasta. En toki pidä itseäni kokeneena maantieteilijänä, mutta jonkinlaista kartografista osaamista minulta löytyy. Kuitenkin minulla oli vaikeuksia päästä sisälle kahden muuttujan koropleettikartan monimutkaiseen graafisuuteen ja sisältöön, ja ymmärtää miten ne käytännössä toimivat.

Kahden muuttujan koropleettikartassa asianmukainen suunnittelu on todella tärkeää, sillä jos suunnittelu menee jossain kohtaa vikaan, vaikuttaa se etenkin näin monimutkaisessa karttaesityksessä kartan lopputulokseen ja voi johtaa tulkintaongelmiin ja väärintulkintoihin. MapInfolla pystyy luomaan vaikka minkälaisia teemakarttoja, mutta ainakaan tietääkseni kahden muuttujan koropleettikartan luomisominaisuutta ohjelmassa ei ole. MapInfon valmiilla teemakarttatyökalulla puolestaan on varsin helppoa ja yksinkertaista luoda teemakarttoja, eikä se vaadi kartantekijältä ylettömiä taitoja tai yksityiskohtaista suunnittelua, ja silti kartan lopputulos voi olla hyvinkin kelvollinen. Mahdollisesti kyseisestä syystä kahden muuttujan koropleettikartat ovat niin harvinaisia, sillä niiden tuottaminen vaatii paljon paneutumista ja energiaa, kun taas yksinkertaisempia teemakarttaesityksiä voi luoda napin painalluksella. Näin ollen on yksinkertaisesti vaivattomampaa ja turvallisempaa luoda karttoja niillä mahdollisuuksilla mitä valmiissa ohjelmissa on, sen sijaan että kehitettäisiin uusia, haastavia, monimutkaisia tapoja luoda komplekseja karttaesityksiä. Ohjelmat, joita karttatuotannossa käytetään ohjaavat tuotettavien karttojen ominaisuuksia, mutta toisaalta niin kartografia kuin paikkatieto-ohjelmatkin kehittyvät koko ajan ja kohta mahdollisesti on luotu ohjelma, jonka avulla kahdenkin muuttujan koropleettikartta on luotavissa suhteellisen helposti.

Lähteet

Koivisto, S. 2017. Kahden muuttujan koropleettikartat (25.1.2017) <https://blogs.helsinki.fi/kosokosoLuettu 27.1.2017

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

Väestörakenne, Tilastokeskus, 2017                                                                     <http://www.stat.fi/til/vaerak/index.html> Luettu 24.1.2017

Kuva 1. Pohjois-Karjalan työttömyysaste (%) 2010 ja 65-vuotta täyttäneiden osuus 2015

Ensimmäinen kurssikerta

Ensimmäisellä kurssikerralla tutustuimme pääasiassa paikkatieto-ohjelma MapInfon perusominaisuuksiin sekä käytön perusteisiin. Käytyämme perusteet läpi tavoitteena oli luoda oma teemakartta jostakin Suomen kuntien välillä tai vaihtoehtoisesti maakunnan sisällä tarkasteltavasta ilmiöstä. Teemakarttaa luodessa sai itse vapauden vaikuttaa niin tarkasteltavaan ilmiöön, ilmiön luokittelutapaan ja kartan värimaailmaan. Huomasin luokkarajojen ja värimaailman vaikuttavan kartan luonteeseen ja ilmiön esitystapaan melko radikaalisti, ja niiden olevan hyvin olennaisia teemakartan lopputuloksen kannalta. Esimerkiksi aineiston luokittelutapa saattaa muuttaa karttaa paljonkin ja joissain tapauksissa vääristää ilmiötä, minkä huomasin kokeiltuani kartassani eri luokittelutapoja. Siksi on tärkeää ymmärtää millaista luokittelutapaa tietyllä tavalla jakautuneessa aineistossa tulisi käyttää. Tähän apuna käytimme histogrammityökalua, jonka avulla oli mahdollista tarkastella millä tavalla aineisto on jakautunut, josta pystyi jälleen määrittelemään aineistolle sopivan luokittelutavan. Esimerkiksi oma aineistoni, ulkomaiden kansalaisten osuus kunnittain prosentteina vuonna 2015, oli selvästi vinosti jakautunut, joten valitsin aineiston luokittelutavaksi kvantiilit. Karttani luokat toimivat muuten hyvin, mutta ylin luokka on todella suuri, 2,3 – 12,4 %, mikä saattaa joissain kunnissa vääristää ulkomaalaisten osuutta suuremmaksi kuin se todellisuudessa on, mikäli osuus on aivan luokan alarajalla.

Rehellisesti sanottuna minulle oli uutta, että aineiston jakautuneisuus määrää luokittelutavan. Tiesin että väärä luokittelutapa voi muuttaa olennaisesti kartan ulkoasua ja vääristää ilmiötä, mutta minulle ei ollut ennestään selvää millä perusteella oikea luokittelutapa valitaan. Hyvä kuitenkin, että tämä selvisi minulle nyt, ja voin jatkossa teemakarttoja tuottaessani hyödyntää kyseistä tietoa ja näin onnistua luomaan yhä parempia ja informatiivisempia karttoja.

Teemakartassani esitetään ulkomaiden kansalaisten osuus prosentteina Suomen kunnissa vuonna 2015. Kartta esittää kunkin kunnan ulkomaisten osuuden eri värisävyjen avulla siten että mitä tummempi väri, sitä suurempi ulkomaalaisten prosentuaalinen osuus kunnassa on. Sanoisin teemakarttani olevan havainnollinen ulkomaiden kansalaisten osuutta tarkasteltaessa. Kartalta voi tulkita kuntien joissa ulkomaiden kansalaisten osuus on suurin sijaitsevan pääasiassa Suomen valtionrajojen läheisyydessä, etenkin Etelä- ja Kaakkois-Suomessa ja Pohjanmaalla. Tästä voi mahdollisesti päätellä Itä- ja Kaakkois-Suomen kuntien ulkomaalaisten olevan suureksi osaksi venäläisiä, ja läntisessä Suomessa ruotsalaisia. Etelä-Suomen kunnissa ulkomaisten osuus on myös huomattava, pääasiassa suurinta prosenttiluokkaa eli 2,3 ­– 12,4 %. Etelä-Suomessa ulkomaalaisten suuri osuus johtunee suurista kaupungeista, joiden läheisyyteen Suomeen tulevat siirtolaiset oletettavasti ensisijaisesti hakeutuvat. Suurten kaupunkien kuntien ohella tämä käsittänee myös niitä ympäröivät kehyskunnat. Ulkomaiden kansalaisten osuus on kartalta havainnoitaessa pienin karkeasti jaoteltuna Keski-Suomessa Jyväskylän seutua ja Pohjois-Pohjanmaalla Oulun seutua lukuun ottamatta, sekä eteläisessä ja itäisessä Lapissa.

Mielestäni karttani on visuaalisesti melko onnistunut esitys, joka kuvaa ilmiötä todenmukaisesti. Minulle tuli kuitenkin yllätyksenä, kuinka pitkään kartan visuaalisen ilmeen viimeisteleminen vei aikaa ja kuinka moni asia siinä tulee ottaa huomioon, kuten Sakari Sarjakoski blogissaan toteaa (Sarjakoski, 2016). Koen että kartta antaa havainnollisen kuvan esitetystä ilmiöstä myös lukijalle, jolle kartan aineisto on entuudestaan tuntematon. Kartan informaatioarvo on korkeahko, sillä jokaista kuntaa voidaan tarkastella sen ulkomaiden kansalaisten osuuden perusteella yksittäin, sekä muihin kuntiin vertaamalla. Voidaan joko vertailla vierekkäisiä kuntia tai ottaa vertailuun kuntia täysin eri puolilta Suomea, ja analysoida niiden välisten erojen syitä. Miinuksena kartassani sanoisin olevan jo aiemmin mainitsemani hyvin suuri ylin luokka, joka saattaa vääristää ilmiötä paikoittain. Kaiken kaikkiaan kartta kuitenkin esittää ulkomaiden kansalaisten osuudet selkeästi, jolloin myös ilmiöstä on mahdollista tehdä yksiselitteisiä havaintoja ja johtopäätöksiä.

Lähteet:

Väestörakenne, Tilastokeskus, 2017                                                                     <http://www.stat.fi/til/vaerak/index.html> Luettu 23.1.2017

Sarjakoski, Sakari, 2016. Kurssikerta 1 – Pakki auki (7.3.2016)
         <https://blogs.helsinki.fi/sasakari/Luettu 23.1.2017