Tällä viikolla tehtävänä oli tehdä karttaa oman aineiston pohjalta. Itse valitsin aineistokseni Euroopan sairaalat. Aineistossani oli tietoa sairaaloista ja niiden sijainnit. Ensin lisäsin QGIS ohjelmaan nämä pisteet aineistostani ja sain ne näkyviin. Sitten yritin saada Euroopan karttaa taustalle, yritin useita eri karttoja kuten vektori ja rasteri muotoisia. Näiden lisääminen ei kuitenkaan onnistunut kovin hyvin. Sain kartat näkyviin, mutta ne eivät olleet samassa kohtaa pisteiden kanssa. Yritin lisätä karttoja ja sairaala aineistoa useita kertoja ja käyttää erilaisia projektioita ja erilaisia karttoja taustalla, mutta en saanut näitä silti osumaan toisiinsa. Alla olevasta kuvasta näkyy yksi esimerkki epäonnistuneesta osumisesta, pisteet näkyvät kartan alapuolella pienenä läikkänä ja kartta näiden yläpuolella. Kartta ei aina tullut samaan kohtaan vaan eri puolille pisteitä. Yleisesti kartta oli kuitenkin todella suuri verrattuna datani muodostamiin pisteisiin.

Alla olevasta kuvasta näkee datani muodostamat pisteet. Pisteet selkeästi muodostavat Euroopan kartan. Sairaaloita näkyy olevan Ranskassa erityisen paljon. Itseäni mietitytti miksi esimerkiksi Saksan ja Iso-Britannian kohdalla on kolo, ikään kuin siellä ei sairaaloita olisi.  Sivustolla, josta aineiston otin kuitenkin sanottiin, että kaikkia maita ei aineistossa vielä ole ja aineistoa päivitetään jatkuvasti/edelleen.  Sivuston mukaan tärkeimmät sairaalat on otettu. Tieto terveydenhoitopalveluista on saatu maiden omista rekistereistä ja ei välttämättä ole täysin oikeellinen.

Sivulta josta aineiston latasin oli kartta, josta pystyi nähdä miten nämä pisteet asettuvat Euroopan kartalle. Erityisesti kuitenkin esimerkiksi Ranska näyttää korostuvan aineistossa. Kartalla näkyy niin yksityisiä terveydenhoitopalveluita kuin julkisiakin.

 

Lähde:

https://ec.europa.eu/eurostat/web/gisco/geodata/reference-data/healthcare-services

Ensin tutkin hasardeja, jotka ovat yli 8 magnitudia ja ovat tapahtuneet vuosien 1980-2023 aikana (kuva 1). Minulla oli paljon ongelmia kun yritin siirtää tätä maanjäristysaineistoa Excelistä QGIS:iin. Aineistoa piti muokata niin, että osa pilkuista piti muuttaa pisteiksi ja lopuksi minun piti muuttaa longitude ja latitude arvojen pilkut takaisin pisteiksi, jotta QGIS ymmärtäisi niitä. Aluksi kun koitin näitä pilkkujen kanssa niin en saanut mitään pisteitä kartalleni näkyviin, mutta kun muutin nämä pisteiksi niin sain aineiston toimimaan. Kartan kanssa minulla oli ongelmia myös siinä, etten onnistunut saamaan mittakaavaa näkyviin. 

Kuva 1: Vuosina 1980-2023 tapahtuneet yli 8 magnitudin maanjäristykset.

Yritin tarkastella tulivuoria, mutta sivustolta tietojen saaminen Exceliin ei jostakin syystä onnistunut. Yritin myös tarkastella meteoriitteja, mutta sivu ei auennut, joten päätin tarkastella lisää maanjäristyksiä.

Toisessa kartassani (kuva 2) näkyy yli 8 magnitudin maanjäristykset ennen vuotta 1980. Näitä järistyksiä on selkeästi vähemmän kuin vuoden 1980 jälkeen, joka varmaankin selittyy sillä, että kaikkia aiemmin tapahtuneita järistyksiä ei ole taltioitu samalla tavalla. Järistysten paikat kuvassa 2 ovat kuitenkin hyvin samanlaisia kuin kuvassa 1. Värin olisin voinut valikoida tässä kartassa ehkä eri tavalla, jotta pisteet erottuisivat paremmin.

Kuva 2: Yli 8 magnitudin maanjäristykset ennen vuotta 1980

Kolmanteen karttaani halusin enemmän pisteitä ja siis suuremman aineiston. Aluksi koitin ottaa kaikki alle 8 magnitudin järistykset ja koitin erilaisia vuosilukuja, mutta aineisto oli aivan liian suuri, joten päädyin rajaamaan järistykset 5-8 magnitudin väliltä sekä vuosiksi laitoin 2012-2023 ja näin sain kohtuullisen kokoisen aineiston. Kuvassa 3 näkyy, miten laajemmin järistykset ovat asettuneet maailmankartalle. Maanjäristysten paikat ovat samanlaisia kuin aiemmilla kartoilla sekä tässä kartassa näkyy myös uusia paikkoja. Jotkut tietyt kuuluisat siirrokset näkyvät tässä kartassa selkeästi pisteiden suuren määrän ansiosta.

Kuva 3: 5-8 magnitudin järistykset vuosina 2012-2023

Tämän tunnin jälkeen bufferointi työkalun käyttö tuntuu selkeältä ja on hyvin muistissa. Samoin bufferoinnin jälkeen tapahtuvat analysoinnit Select by Location työkalun kautta. Erilaiset laskutoimitukset Field Calculatorilla tuntuvat myös tällä hetkellä toimivan hyvin, varsinkin verrattuna alku kurssiin.

Field Calculator soveltuu erilaisten aineistojen datan analysointiin. Sen avulla voidaan esimerkiksi tarkastella eri datojen sarakkeita suhteessa toisiinsa tai luoda uutta tietoa aiempien tietojen perustella.

Bufferointi soveltuu erilaisten analyysien tekoon, joissa halutaan tarkastella tiettyä kohdetta ja sen vaikutus aluetta esimerkiksi. Se soveltuu tämän viikon tehtävän lisäksi esimerkiksi matkojen mittaamiseen, jota konkreettisemmin voidaan tarkastella esimerkiksi siten, että mitataan paljonko ambulanssilla kestää päästä eri alueille.

QGISin käyttöä rajoittaa esimerkiksi se, mitä aineistoja itsellä on käytössä. Käyttö muuttuu myös hyvin rajalliseksi, jos data jota on hallussa ei ole sidottuna minkäänlaiseen sijaintiin. Vaikka QGISissä pystyy käsittelemään erilaisia taulukoita ja monenlaista sanallistakin dataa niin kaikki tämän on liitettynä johonkin tiettyyn sijaintiin ja ilman tätä sijaintia dataa ei voida sitoa mihinkään ja tämän kautta käsitellä. Aineistojen käyttöä voi rajoittaa myös jollain tasolla se, kuinka tarkasti aineistoa on otettu ja jos esimerkiksi kahdessa eri kartta aineistossa on käytetty erilaista pohjadataa tai erilaista tarkkuutta ja sen takia aineistot eivät sovi täysin yhteen.

Tunnilla tutustuttiin erilaisii QGIS työkaluihin. Tutustuimme clipped toimintoon, bufferointiin, intersectioniin sekä viivamaisten kohteiden pituuden mittaamiseen.

Lentokentät

Malmi

Tunnilla ensimmäinen itsenäinen tehtävä liittyi lentokenttien tarkastelemiseen. Ensimmäisenä piirsin Malmin lentokentän kiitoradat ja toteutin niille 2 km bufferointi vyöhykkeen. Asukkaita yhteensä 2 km säteellä Malmin lentokentän kiitoradoista on 4858. Kuvassa 1 näkyy tekemäni bufferointi ja sen sisäpuolelle jäävät kohteet. Tein myös samanlaisen bufferoinnin, mutta laiton säteeksi 1 km ja tässä vaiheessa asukkaitten yhteismääräksi tuli 796 kpl, tulosta voidaan tarkastella myös visuaalisesti kuvassa 2.

Kuva 1: Malmin lentokentän kiitoratojen bufferoitu alue 2 km säteellä ja sen sisään jäävät kohteet.

Kuva 2: Malmin lentoketän kiitoratojen bufferoitu alue 1 km säteellä ja sen sisään jäävät kohteet.

Helsinki-Vantaa

Kuva 3: Helsinki-Vantaa lentokentän välittömässä läheisyydessä asuvien määrä.

Kuvasta 3 voi nähdä, että Helsinki-Vantaan lentokentän välittömässä läheisyydessä asuu 2323 asukasta. Tein kiitoradoista alueet, jotka bufferoin 2 km säteellä ja tämän bufferin avulla laskin bufferin sisään jäävien asukkaiden määrän.

Seuraavaksi tarkastelin 2 km säteellä asuvien ja 65 dB alueella olevien määrää, joka on 17. Joten 17 asukasta 2323 asukkaasta prosentteina on. 17/2323×100=0,731…% eli 2 km säteellä Helsinki-Vantaan kiitoratojen asuvista ihmisistä noin 0,7% asuu myös 65dB eli pahimmalla melualueella.

Seuraavana kysymyksenä oli, kuinka monta ihmistä asuu vähintään 55 dB melualueella. Tämä käytännössä tarkoittaa siis ihmisiä, jotka asuvat melualueilla 55, 60 ja 65. Tällä alueella asuu 11 923 ihmistä. Tämän voi todeta myös kuvan 4 taulukosta.

Kuva 4: 55 dB, 60 dB ja 65 dB alueella asuvat ihmiset yhteensä.

Seuraavaksi piti selvittää, millainen melualue syntyisi ja paljonko asukkaita sen alle jäisi, jos kiitarata, jota ei normaalisti käytetä olisikin käytössä enemmän. Alueelle jäisi yhteensä 22 asukasta. Kun suoritin tätä tehtävää minun täytyi ensimmäiseksi luoda uusi Scratch Layer, jolla piirsin yksittäisen kiitoradan. Tämän jälkeen loin bufferin ja Select by Location työkalun avulla selvitin paljonko asukkaita jää tälle bufferin alueelle.

Kuva 5: Harvoin käytössä olevan kiitoradan melubufferi

Asemat

Ensimmäisenä piti selvittää kuinka monta asukasta asuu kartan alueella alle 500 m päässä lähimmästä juna-, tai metroasemasta. Ensimmäisenä tein bufferoinnin näille alueilla, joiden alueeksi laitoin 500 m. Sitten Select by Location työkalun avulla valitsin näiden buffereiden sisään jäävien asukkaiden määrän ja sain asukkaiden määräksi 110 805.

Alueella asuu yhteensä 516 193 asukasta, joista siis 110 805 asuu alle 500 m päässä lähimmästä juna-, tai metroasemasta, joten noin 21,5% alueen ihmisistä asuu alle 500 m päässä lähimmästä juna-, tai metroasemasta.

Seuraavaksi täytyi selvittää kuinka moni näistä 110 805 ihmisestä on 15-64 vuotiaita. Ensiksi laskin kuinka paljon asukkaista on 15-64 vuotiaita Field Calculatorin avulla ja tämän seurauksena sain uuden sarakkeen attribute taulukkooni. Tämän jälkeen yritin Select by Locationin avulla valita nämä 15-64 vuotiaat sekä asemoiden bufferit ja yhdistää nämä. Tämä ei kuitenkaan onnistunut mitenkään ja vaikutti siltä, että ongelma olisi niissä kohteissa jotka olin laskenut 15-64 vuotiaksi. Tarkastelin tarkemmin tätä kohdetta ja vaikutti siltä, että nämä olisi vain a kohdan kaikki kohteet. En osaa sanoa mikä meni vikaan, mutta jotain kuitenkin epäonnistui.

Kurssikerralla minulle tuli ongelma, että rajattujen muuttujien nimet eivät siirtyneet uuteen taulukkoon, joten en tiennyt mitä muuttujia käsittelin. Valitsin neuvotut muuttujat eli ruotsinkieliset, muunkieliset, kaikki yhteensä sekä ulkomaalaiset. Taulukkoni kuvastaa jotakin näistä muuttujista, mutta en osaa sanoa mitä niistä.

Kuvassa 1 olen käyttänyt 500 m x 500 m kokoisia ruutuja ja kuvassa 2 , 1 km x 1 km kokoisia ruutuja. Kuvassa 1 on muuttujana muunkielisten absoluuttiset määrät. Legendoista päätellen voisin sanoa, että olen valinnut eri muuttujat näihin karttoihin, joka tekee niiden keskenään vertailun hyvin vaikeaksi.

Lukijan voisi olla hyvä tietää näitä molempia karttoja tarkastellessa alueen väestön jakautuneisuutta. Molemmissa kartoissa on käytössä absoluuttiset luvut, joten on loogista, että suuria arvoja saavat molemmissa kartoissa juuri ne alueet, joilla ylipäätään on eniten ihmisiä. Jotta eri alueita voisi kunnolla vertailla keskenään näiden eri muuttujien kannalta olisi tärkeää, että tarkasteltavat luvut olisivat suhteellisia. Kuvassa 2 olisi myös tärkeää tietää mikä muuttuja kartassa on tarkasteltavana, jotta kartasta saisi mitään irti.

Ruututeemakartta verrattuna koropleettiteemakarttaan voi antaa hiukan kärjistetympiä tuloksia. Toisaalta koropleettiteemakartta samalla loiventaa tietyllä tavalla tuloksia. Ruututeemakartta ja koropleettiteemakartta samasta alueesta ja samasta aiheesta voivat näyttää jonkun verran erilaisilta juuri tämän takia. Kumpikaan näistä ei ole sinänsä toista parempi, mutta joskus on helpompaa tuottaa aineistosta esimerkiksi juuri toinen näistä karttatyypeistä.

Ruututeemakarttaa tarkasteltaessa on tärkeää ymmärtää, että ruuduista voidaan käytännössä tehdä minkä kokoisia tahansa ja ruutujen koon muuttamisella voidaan muokata tuloksia. Ruutujen kokoja muokkaamalla voidaan kärjistää tai neutralisoida alueiden eroja. Toisaalta myös yleisesti teemakarttoja koskeva luottavuus kysymys esimerkiksi luokkajaosta ja siitä miten ne on tehty vaikuttaa myös ruututeemakartoissa. Esimerkiksi luokkien kokoa muuttamalla kartan voi saada näyttämään miltä tahansa.

Mielestäni karttojeni visuaalinen ilme on sinänsä melko onnistunut. Olisin voinut miettiä esimerkiksi ensimmäisen kuvan kartassa luokkavälejä enemmän ja tehdä niistä tasaisemmat. Taustavärinä on hyvin samankaltainen vihreä kuin toisiksi pienimmän luokan vihreä väri joka tekee kartan yleisestä ilmeestä sekavan.

Kuva 1: Muunkielisten absoluuttinen määrä

kuva 2: jonkin ihmisryhmän absoluuttinen määrä

Kuva 1: Afrikan timanttikaivokset, konfliktit sekä öljykentät

Kuvassa 1 näkyy Afrikan timanttikaivoksia (sininen), konfliktien tapahtumapaikkoja (punainen) sekä öljykenttiä (oranssi). Kartan taustalla on myös tietokanta, jossa on tarkempia lukuja alueisiin, kaivoksiin, konflikteihin ja öljykenttiin liittyen.

Konfliktien tapahtumavuoden kautta voidaan tarkastella konfliktien kestoa. Kesto voi kertoa myös konfliktin suuruudesta. Samalla alueella voi olla pienen ajan sisällä pienempiä konflikteja tai jotkin konfliktit voivat kestää jopa useita vuosikymmeniä. Kartalle nämä erilaiset konfliktit kuitenkin tulevat vain pisteinä, joka vääristää tietyllä tavalla eri alueita suhteessa toisiinsa ja toisaalta myös samanarvoistaa jokaisen konfliktin samankokoiseksi ja väriseksi pisteeksi.

Konfliktin laajuus/säde kilometreinä voi kertoa esimerkiksi siitä, kuinka moni ihminen on mahdollisesti joutunut konfliktin kohteeksi tai vaarantunut sen takia. Se voi kertoa myös ympäristötuhoista, jos alue on suuri niin ympäristötuhotkin ovat levinneet suuremmalle alueelle. Riippuu toisaalta myös paljon siitä, millä alueella konflikti on tapahtunut.

Timanttikaivosten ja öljykenttien löytämisvuodet voivat ajoitua esimerkiksi tiettyjen konfliktien alkamiseen, koska voi olla, että tällaiset resurssilöydöt ovat aiheuttaneet epävakautta alueelle ja näin mahdollisesti puhkaisseet esimerkiksi konfliktin. Konflikteja voi syntyä kun esimerkiksi mietitään sitä, kuka saa haltuunsa nämä varallisuudet.

Timanttikaivoksen kaivausten aloitusvuosi sekä öljykenttien poraamisvuosi voivat selittää erilaisten konfliktien kestoa tai muulla tavalla tiettyjen valtioiden kehityksen kulkua. Valtioiden kehitykseen nämä voivat vaikuttaa esimerkiksi suoraan parempina resursseina valtion budjetissa tai vauhdittaa valtion taloutta tai tehdä siitä kiinnostavamman kohteen ulkomaalaisille. Kaivokset ja öljykentät vaativat myös työntekijöitä, joka voi tietyllä tavalla houkutella alueelle ihmisiä, mutta toisaalta ajaa ihmisiä huonompaan tilanteeseen, jos he joutuvat työskentelemään huonoissa oloissa. Jos kaivos tai öljykenttä aiheuttaa ympäristölle tuhoa niin näiden vuosien avulla voidaan arvioida jollain tasolla tilanteen laajuutta ja pitkäkestoisuutta ja mahdollisten tuhojen suuruutta luonnolle. Esimerkiksi jos jokin huonosti ympäristömääräykset täyttävä kaivos on toiminut alueella 2 vuotta ovat tuhot todennäköisesti pienemmät kuin jos kaivos olisi toiminut samassa paikassa vastoin ympäristömääräyksiä 50 vuotta.

Timanttikaivosten ja öljykenttien tuottavuusluokittelu toisaalta kertoo siitä, kuinka paljon varallisuutta alueelta saadaan. Mitä tuottavammat kaivokset ja öljykentät ovat sitä enemmän ne varmasti herättävät kiinnostusta. Se voi hyvin myös aiheuttaa omistajuus kiistaa varannoista, joka voi synnyttää konflikteja.

Internetkäyttäjien lukumäärä eri vuosina voi kertoa esimerkiksi maan kehityksen tasosta. Kun internetinkäyttäjien lukumäärä kasvaa niin alueelle on saatu enemmän internetyhteyksiä ja laitteita, joilla päästä sinne.

Kuvassa 1 nähdään Suomen alueella olevat valuma-alueet sekä niiden tulvaindeksit. Mitä tummemmalla punaisella alue on sitä suurempi tulvariski alueella on. Kartan perusteella voidaan huomata, että meren läheiset valuma-alueilla on enemmän tummanpunaista, joka tarkoittaa siis, että näillä alueilla on suurempi tulvariski. Voisi olettaa, että meren läheisyys liittyy tulvimiseen ja osittain myös aiheuttaa sitä. Usein Suomen tulvista puhuttaessa nostetaan esiin Pohjanmaa ja tälläkin kartalla se nousee tulvaindeksissä. Tällä alueella merenläheisyyden lisäksi varmasti vaikuttaa alueen tasaisuus.

kuva 1: tulvaindeksi kartta 

 

Tunnilla vertailimme QGIS työkalujen avulla tiettyjen pisteiden välistä etäisyyttä sekä pinta-aloja eri projektioiden avulla (tiedot kerätty yllä olevaan taulukkoon). Jokaisesta eri projektiosta otetut mitata on mitattu samalta kohdalta, joten erilaiset mittaustulokset kertovat projektioiden eroista. Esimerkiksi pienin pituus on saatu ETRS TM35 projektiolla ja melkein kolminkertainen pituus samasta kohdasta Mercatorin projektiolla. Pienin pinta-ala saatiin Wagnerin projektiolla ja suurin Mercatorin. Erot eri projektioiden välillä olivat hyvin suuria, jopa monin kertaisia.

Kuvassa 1 näkyy miltä alueelta pinta-ala mitat on otettu. Kuvassa käytetty projektio on ETRS TM 35. Kuvassa 2 näkyy samassa projektiossa otettu pituusmitta.

Kuva 1: pituus, jota taulukossa käytetty

Kuva 2: Pinta-ala, jota taulukossa käytetty

 

Kuvassa 3 on vertailtu TM35 ja Robinsonin projektioita. Kartta on luotu siten, että molemmista projektioista on otettu jokaisen Suomen kunnan pinta-ala ja olen jakanut Robinsonin projektion pinta-alat TM35 projektion pinta-aloilla. Kartassa näkyy siis erilaisia kertoimia, että kuinka paljon suurempia Robinsonin projektioit ovat verrattuna TM35 projektioon. Minulla oli vaikeuksia aluksi vaihtaa Robinsonin projektio pohjakartasta pois, joten se on tällä kartalla siksi. Myöhempiin karttoihin onnistuin kuitenkin vaihtamaan mielyttävämmän projektion pohjaksi. En ole varma olisiko projektion pitänyt olla erilainen taustalla vai ei. Huomasin, että myös Liina Leisola oli käyttänyt eräässä kartassaan erilaista ja hieman silmiinpistävää projektiota ja miettinyt samaa asiaa kuin minä.

Kuva 3: TM35 ja Robinsonin projektioiden vertailua

 

Kuvassa 4 on vertailtu TM35 ja Mercatorin projektioita. Kartta on tehty samalla idealla kuin kuvan 3 kartta, mutta projektiot ovat vain erilaiset. Myös Sini Saarela oli vertaillut näitä kahta projektiota ja oli huomannut, että erot projektioiden välillä ovat hyvin suuria “jopa kahdeksankertaisia”. Itsekin huomasin tämän seikan ja se muistuttaa siitä, kuinka tärkeää projektio valinnat voivat olla.

Kuva 4: TM35 ja Mercatorin projektioiden vertailua

 

Kuvan 5 kartta on tehty täysin samalla idealla kuin kuvien 3 ja 4 kartat. Kartasta jostakin syystä tuli kuitenkin hyvin kummallisen näköinen. Tarkastelin lukuja joita olin saanut laskettua ja erona aiempiin olen laskenut luvut eripäin siten, että olen jakanut suuremmalla pienemmän, jolloin luvut ovat 1 alapuolella. Tämän ei kuitenkaan pitäisi aiheuttaa tällaista lopputulosta vaan normaalin kartan, vaikka luvut ovatkin erilaiset. Päättelin, että Wagnerin projektio on vain hiukan erilainen verrattuna Mercatoriin ja Robinsoniin jonka takia kartasta tuli kummallinen. Yritin muuttaa erilaisia määriä luokittelussa ja muutin värejä ja koitin laskea luvut uudelleen, mutta lopputulos oli kuitenkin tällainen.

Kuva 5: TM35 ja Wagnerin projektioiden vertailua

Tunnin alussa tutustuttiin GQIS ohjelmiston uusiin ominaisuuksiin. Esimerkiksi, miten aineistosta voi valita eri tavoin haluttuja alueita. Tunnilla harjoitteluna tehtiin halutusta Suomen maakunnasta tällainen valinta. Itse valitsin Päijät-Hämeen (kuva 1) ja lopputulokseksi sain kartan, jolla Päijät-Hämeen kunnat oli valittuna tieyllä värillä (omassa kartassani punaisella). Aineistosta valitseminen tiettyjen ominaisuuksien mukaan oli ohjeistuksen jälkeen melko helppoa ja uskon, että pystyn jatkossa myös itsenäisesti suorittamaan tämänkaltaisia tehtäviä.

Kuva 1: Päijät-Hämeen maakunnan kunnat Suomen kartalla

Tutustuimme myös rajapintoihin ja niiden käyttöä QGIS ohjelmistolla. Tietojen lataaminen onnistui ja onnistuin myös kokeilemaan erilaisia kohteita lisäämällä niitä itse kartalle. Kuvassa 2 on esimerkki tällaisesta kokeilusta, jossa olen lisännyt Väyläviraston datan mukaan Suomen tutkamajakat. Toisena harjoituksena tarkastelin viemäreitä (kuva 3), joita selkeästi oli enemmän, kuin tutkamajakoita Suomessa.

Kuva 2: Suomen tutkamajakat

Kuva 3: Suomen viemärit

 

Kotitehtävänä oli tarkastella Suomen kuntia oma valitseman muuttujan kautta ja tehdä kartasta mieleinen (kuva 2). Valitsin tarkasteltavaksi muuttujaksi kuntien syntyvyyden. Ongelmaksi minulle muodostui värit. Aluksi lähdin rakentamaan värejä sen mukaan, että niissä olisi kaksi eri väriskaalaa, plussan puolella olevat luokat vihreinä, nolla valkoisena ja mitä pienempi syntyvyys sen tummempi punainen. Se vaati jonkun verran värien kanssa säätämistä, mutta lopputulos ei ollutkaan niin hieno, kun olin sen päässäni kuvitellut. Tämän jälkeen tuskailin pitkään värien kanssa. Esimerkiksi koitin käyttää punaista niin päin, että alhaisempi syntyvyys olisi tummemmalla ja korkeampi aina vaaleammalla, lopulta tämäkään kartta ei miellyttänyt silmää. Koitin erilaisia värejä ja variaatioita ja päädyin lopulta siniseen. Ajattelen sen olevan suhteellisen neutraali siten, ettei se kerro niinkään erityisen hyvästä tai huonosta tilanteesta kuten vihreä tai punainen. Muut tekniset seikat kotitehtävän kanssa menivät hyvin.

Tutkin oman karttani ohella Aura Niskasen tuottamaa karttaa, jossa tarkastellaan yli 64-vuotiaiden osuutta väestöstä kunnittain (%). Huomasin kartoissamme yhtäläisyydeksi sen, että ne kunnat, joissa yli 64-vuotiaiden osuus oli suuri niin niissä yleensä syntyvyys oli myös pieni. Tätä voisi selittää se, että vanhat ihmiset eivät usein voi saada lapsia ja kun heitä on paljon niin se vaikuttaa myös syntyvyyteen.

Toisaalta kun vertasin karttaani Helmiemilia Malinin tuottamaan karttaa, jossa tarkasteltiin alle 15-vuotiaiden osuutta kunnissa niin huomasin paljon yhtäläisyyksiä oman karttani kanssa. Tätä voisi selittää se, että syntyneet menevät tähän alle 15-vuotiaiden kategoriaan ja jos he eivät ole muuttaneet alueelta heti pois niin se näkyy alueella. Syntyvyys vaikuttaa siis alueiden ikärakenteeseen, joka tästä voidaan huomata.

 

Kuva 2: Kuntien syntyvyys