KURSSIKERTA 7

Viimeinen kurssikerta kokoaa yhteen kaiken kurssin aikana opitun – kartan teon alusta asti itse. Päättötyössä teimme  vapaavalintaisesta alueesta, oli se sitten valtio, maakunta tai maanosa, kartan, jossa esitetään kaksi teemaa. Aineistot karttaan tuli etsiä itse internetistä – ladata, muuttaa MapInfossa tietokannaksi ja visualisoida kartalle.

Sinänsä tehtävänanto ei kuulosta niin pahalta. Todellisuudessa se on aika paha. Pelkästään aiheen miettiminen ja päättäminen vei minulta kaksi päivää tappelua internetin kanssa. Selaillessani muita kurssiblogeja huomasin, että monet potivat samaa ongelmaa. Esimerkiksi Kirsi koki samaa tuskaa kuin minä: valinnanvaraa on niin hirmuinen määrä!

Halusin ensimmäiseksi tehdä kartan Intiasta, sillä maa on minulle läheinen monista kulttuurisista ja “hengellisistä” (hah, en oo kuitenkaan mikään hippi) syistä. Löysin mielenkiintoisen aineiston Intian slummeista – kaikki slummit kaikissa osavaltioissa sekä niiden asukkaiden ikä- ja sukupuolijakauma. Wow. Mietin pitkään, että minkälainen aineisto sopisi slummien kanssa samalle kartalle, ja lopulta löysin mitä mielenkiintoisimman aiheen – eli Intian HNWI-dataa (high net-worth individuals = rikkaat ihmiset). Epäonnekseni olisin tästä herkkupalasta joutunut maksamaan 1 600 dollaria, joten jätin sen sikseen. Seuraavat kaksi tuntia tappelin kartan kanssa, jota en saanut haluamaani muotoon MapInfossa (liian suppeat ohjeet minulle), joten päätin haudata koko Intia-idean.

Päädyin valitsemaan toisen lempivaltioni, eli Nigerian. Kaikesta mediahömpötyksestä ja korruptiosta ja Boko Haramista ja muusta tietoisena pidän Nigeriasta, sillä lempikirjailijani on nigerialainen nainen Chimamanda Ngozi Adichie. Enivei, Afrikasta löytyy netistä hyvää karttamateriaalia, joten nokkelana tyttönä käytin avointa dataa hyväkseni.

Perustietoja Nigeriasta:

  • Pinta-ala: 923 768 km2
  • Väkiluku: 177 155 754 (sijalla 7)
  • Osavaltioita: 37
  • Pääkaupunki: Abuja
  • Virallinen kieli: Englanti
  • Etnisiä ryhmiä: 250

Sitten törmäsin toisenlaiseen ongelmaan. Nigerian tilastot ovat niin laajat, että en edes osannut kuvitella minkälaisista asioista voi tehdä tilastoja. Seuraava haaste on sitten karsia tuhansista vaihtoehdoista kaksi toisiaan täydentävää tietokantaa.

Valitsin tutkittaviksi teemoiksi:

1) Äärimmäisessä köyhyydessä elävien prosenttiosuus osavaltion väestöstä

2) Rikkaiden prosenttiosuus osavaltion väestöstä

Kuva 1. Nigerian äärimäisessä köyhyydessä elävien osuus sekä rikkaiden osuus osavaltioittain (NBS 2009)
Kuva 1. Nigerian äärimäisessä köyhyydessä elävien osuus sekä rikkaiden osuus osavaltioittain (NBS 2009)

Nigeria on maailman yksi nopeimmin kasvavista talouksista, ja Nigerian luonnonvarat ovat maailman ja erityisesti Afrikan mittakaavassa suuret. Tuotot ja rikkaudet kuitenkaan harvoin päätyvät kansalle, sillä ulkomaalaiset investoijat ja muutamat harvat eliittiin kuuluvat henkilöt hyötyvät luonnonvaroista eniten. Nigeriassa korruptio on myös suuri ongelma, sekä uskontojen (kristinusko ja islam) ja heimojen väliset kiistat.  Tulojen epätasainen jakautuminen lisää köyhien määrää Nigeriassa, sillä keskittyminen jatkuvaan talouskasvuun ja maailmankauppaan vie valtion keskittymisen pois ihmisten sosio-ekonomisen aseman parantamisesta. Nigeriaa myös kalvavat jatkuvat kapinallisten hyökkäykset, kuten Boko Haram on näyttänyt.

Kartallani kuvaan rikkaiden pienen osuuden osavaltioittain, sekä äärimmäisessä köyhyydessä elävien määrän osavaltioissa. Huomioitavaa on se, että yhteensä köyhien määrä on paljon suurempi, noin 70-80% luokkaa keskimäärin (Maailmanpankki). Kartallani esitän vain äärimmäisessä köyhyydessä, eli noin dollarilla tai sen alle elävien osuutta.

Mielenkiintoisin havainto on se, että alueilla joilla äärimmäisten köyhien osuus on suurinta, myös rikkaiden osuus on suuri. Erityisesti Etelä-Nigerian rannikko-osavaltioissa varallisuuserot ovat suuret. Rannikolla on suurkaupunkeja sekä suuri väestöntiheys, mikä voi selittää köyhien lukumäärää. Toisaalta myös työpaikkojen vähyys ja eliitin öljyvarat sijaitsevat rannikolla, mikä voi suurentaa eroa entisestään.

Pohjois-Nigeriassa on vähemmän rikkaita kuin etelässä, mutta köyhien suhteellinen osuus on suurempi. Äärimmäisessä köyhyydessä eläviä on vähemmän kuin urbaanissa ympäristössä, mutta maaseudun köyhyys ja infrastruktuurin sekä koulutuksen puute lisää köyhyyttä.

Valmis kartta esittää suhteellisten lukujen sijoittumisen kartalla hyvin, mutta liikaa informaatiota jää pimentoon (esimerkiksi köyhien kokonaisosuus osavaltioittain). Siksi liitin karttaan  muutaman linkin artikkeleista, jotka koskevat joko jotain tiettyä osavaltioita, tai sitten rikkautta ja köyhyyttä Nigeriassa. Artikkeleista selviää myös köyhyyden kokonaisosuus joissain osavaltioissa, mikä lisää kartankin informatiivisuutta. (Klikkailkaa karttaa mm. etelästä ja pohjoisosista, kyllä ne linkit löytyy 😀 Sivun alalaidasta näkee, kun kursori osuu alueelle jolla on linkki!)

Linkki karttaan:

Nigeria_blogi

Matka MapInfon ihmeelliseen maailmaan on nyt loppunut (ainakin hetkeksi), ja uskon saaneeni aika tiiviin mutta hyödyllisen paketin karttojen tekemiseen. Harjoitusta tarvitsen vielä paljon, mutta kun on ohjeet tallella niin niihin pystyy aina palaamaan mukavasti. HotLink-kuvan lisääminen blogiin oli yllättävän vaikeaa, ja jouduin turvautumaan vanhemman opiskelijan koodaustaitoihin tässäkin asiassa.

Kiitos vielä kurssilaisille mahtavista blogikirjoituksista sekä Artulle ikuisesta kärsivällisyydestä. So long!

 

– Sara

______________________________________________________________________

Kirjallisuus:

Administrative boundaries (2007). Map Library. <http://www.mapmakerdata.co.uk.s3-website-eu-west-1.amazonaws.com/library/stacks/Africa/Nigeria/index.htm> Luettu 5.3.2015

Berrebi, D. (2013). Poverty in Nigeria. Poverties.org. <http://www.poverties.org/poverty-in-nigeria.html> Luettu 5.3.2015

Kivistö, K. (2015). 7. kurssikerta- Uusiutuva energia EU:ssa ja Norjassa. Paikka, vaikka. <https://blogs.helsinki.fi/kzkivist/> Luettu 10.3.2015

Nigeria. Wikipedia (2015). <http://fi.wikipedia.org/wiki/Nigeria>  Luettu 5.3. 2015

Nigeria: Bayelsa state to speed up aid for oil spill victims. Irin news. 10.2.2012. <http://www.irinnews.org/report/94833/nigeria-bayelsa-state-to-speed-up-aid-for-oil-spill-victims> Luettu 5.3.2015

Nigerian National Bureau Of Statistics (2015). <http://www.nigerianstat.gov.ng/> Luettu 5.3.2015

Nigerian Statistical Data Portal (2015). <http://nigeria.prognoz.com/> Luettu 5.3.2015

Nigeria’s Wealth Gap (2014). Business Daily. BBC World Service. <http://www.bbc.co.uk/programmes/p02226p0> Luettu 5.3.2015

Subair, G. (2013). 70 million Nigerians are poor, says World Bank – Jigawa state poorest in Nigeria. Nigerian Tribune. 14.5.2013. <http://www.tribune.com.ng/news2013/index.php/en/news/item/11829-70-million-nigerians-are-poor-says-world-bank-jigawa-state-poorest-in-nigeria> Luettu 5.3.2015

Kuvat:

Boko Haram <https://abagond.files.wordpress.com/2014/05/boko-haram-map-of-attacks.jpg> Luettu 5.3.2015

Lagos’ slum. <https://tedconfblog.files.wordpress.com/2013/10/ted-talk-iwan-baan-066.jpg> Luettu 5.3.2015

KURSSIKERTA 6 – Geokoodausta ja pisteitä

Uudet asiat eivät toki loppuneet viime kurssikerralla, sillä viime viikolla tuli taas uusi osa-alue opeteltavaksi, nimittäin gps-paikannus ja geokoodaus. En olisi uskonut, että itsestäni olisi moiseen, mutta ulos me rämmittiin loskasadesäähän keräämään jonkin tietyn teeman mukaisia koordinaattipisteitä. Valitsimme ryhmäni kanssa aiheeksi Kumpulan lipputangot, ja 11 lipputankoa löydettyämme liukastelimme takaisin luokkaan tekemään aineistosta MapInfo-taulukkoa. Nolo kömmellys kävi kun sekoitimme y- ja x-koordinaatit keskenään, mutta ne sai onneksi muutettua kätevästi ilman sen suurempia haittoja.

Tämän jälkeen olikin helppoa muuttaa ihmeelliset koordinaatit kartalla näkyviksi pisteiksi (kuva 1) kuvastamaan lipputankojen sijaintia “create points” toiminnolla. Muuten meni ihan hyvin, paitsi että eräs piste lähti hiihtämään hieman liian etelään. Varmaankin joko kirjoitusvirhe tai sitten jotain muuta ufonkakkaa.

Kuva 1. Kumpulan lipputangot kartalla
Kuva 1. Screenshot: Kumpulan lipputangot kartalla

Maanjäristykset ja tulivuoret:

Kurssikerran itsenäistyönä oli tuottaa mahdollisessa tuntiopetuksessa käytettävä kartta (tai enemmän), joka soveltuu opetettavaan tarkoitukseen mahdollisimman hyvin. Käytössämme oli mm. Kalifornian yliopiston tuottamaa maanjäristysaineistoa sekä Yhdysvaltojen hallituksen tuottamaa tilastotietoa globaaleista tulivuorista. Lisäksi oli tietoa astrobleemeistä, mutta en käyttänyt aineistoa kartallani.

Tein vain yhden kartan (kuva 2), koska halusin yhdistää samaan karttaan sekä maanjäristysaineistoa että tulivuoriaineistoa. Päätin esittää kartallani yli 8. magnitudin maanjäristykset vuoden 1980 jälkeen kuvastamaan suurten maanjäristysten sijaintia kartalla. Liitin tärkeimmille alueille myös valtioiden nimiä, jotta sijainnit muistuisivat paremmin. Opetuksessa toki myös selitettäisiin, miksi tuhoisimmat järistykset sijaitsevat juuri näillä alueille.

Tulivuoriaineistoksi liitin aktiiviset tulivuoret (eli tulivuoret, jotka ovat purkautuneet vuonna 1964 tai sen jälkeen), mikä myös havainnollistaa tiettyjen alueiden erilaista riskialttiutta maailmalla (vrt. Eurooppa ja Kaakkois-Aasia), sekä antaa hieman käsitystä syy-seuraussuhteista liittyen maanjäristyksiin. Haluan kartallani korostaa äärimmäisten hasardien sijaintia ja sijaintien syitä. Ajattelin karttani sopivan lukio-opetukseen maanjäristyksiä ja tulivuoria käsittelevien tuntien opetusmateriaaliksi, koska se on tarpeeksi laaja näyttämään suurimmat hasardivyöhykkeet, mutta tarpeeksi selkeä ja yksinkertainen sisällöltään ja ulkonäöltään, jotta kartan sanoma välittyy lukijalle, jolle maanjäristykset ja tulivuoret eivät ole ennestään tuttuja.

Jos aikaa olisi ollut enemmän, olisin tehnyt tämän lisäksi kartan, jossa olisi enemmän maanjäristyksiä (4-6 magnitudista lähtien), koska sillon kartalta näkyisi selkeämmin maanjäristysten noudattavan laattarajoja.

Kuva 2. Tuhoisat yli 8. magnitudin maanjäristykset sekä aktiiviset tulivuoret
Kuva 2. Tuhoisat yli 8. magnitudin maanjäristykset sekä aktiiviset tulivuoret

Ennen kuin opettaa mitään maanjäristyksistä niin on hyvä opettaa litosfäärilaattojen rajat sekä selittää maanjäristyksen syntytavat – tämän jälkeen linkki maanjäristysten sijaintiin on selkeämpi ja sitä pystyy havainnollistamaan kartalla. Karttaa voisi käyttää myös aasinsiltana tsunameista opetettaessa – tsunamit johtuvat merenalaisista maanjäristyksistä, joita esiintyy eniten Kaakkois-Aasiassa Tyynenmeren tulirenkaalla. Kartalla linkki on selvä, ja opetusmateriaalina voisi lisäksi käyttää karttaa, jossa näytetään esimerkiksi vuoden 2004 Sumatran tsunamin leviämistä lähialueille, kuten kuvassa 3. Oskar Rönnberg on tehnyt hienon kartan tsunameista johtuvista maanjäristyksistä ja tsunameihin kuolleista ihmisistä, mikä on oivallinen opetusväline samalla kun opettaa maanjäristyksistä (Oskarin PAK-blogi).

Kuva 3. Sumatran vuoden 2004 tsunamin leviäminen tunteina järistyksen alkamisesta (http://www.aviation.go.th/rbm/tsunami_files/TsunamiSpread.jpg)

 

Lähteet:

ANSS Catalog Search. Northern California Earthquake Center. University of California (2015) <http://quake.geo.berkeley.edu/anss/catalog-search.html> Luettu 20.2.2015

Global Volcano Locations Database (2014). Data.gov.  <http://catalog.data.gov/dataset/global-volcano-locations-database>  Luettu 24.2.2015

Rönnberg, O. (2015). Kurssikerta 6: Opetuskarttoja. <https://blogs.helsinki.fi/oskaronn/> Luettu 24.2.2015

Weber, G. (2005). Earthquake and tsunami: Maps, charts and sequence of events. <http://www.aviation.go.th/rbm/tsunami_files/tsunami.htm> Luettu 24.2.2015

KURSSIKERTA 5 – Bufferointia ja analyysiä

Kurssikerralla pääsimme vihdoin tositoimiin MapInfon kanssa, kun saimme kasan itsenäistehtäviä tehtäväksi.

Tähänastinen MapInfo-osaamiseni on karttunut lähinnä viime kuukausien PAK- ja TAK-kurssien aikana tehdyistä töistä. Koen että visuaalinen hahmottamiseni on parantunut ja huomaan oppivani todella nopeasti uudet ominaisuudet. Harmittaa hieman tämä nopea tahti, sillä kertaus ei ole koskaan pahitteeksi. Esimerkiksi monet ominaisuudet, joita uskon tarvitsevani vielä myöhemmin, ovat kerran harjoittelun jälkeen jääneet unohduksiin. Toisaalta ohjeet voi aina kaivaa koneelta, olen vain laiska.

Joka tapauksessa, tuntuu että lukio-opetuksessa täysin hämärän peitossa olleet paikkatieto-opetukset erilaisista kyselyistä ja analyyseistä ja muista hassun ja vaikean kuuloisista sanoista alkaa selvetä. Tunne on hieno, sillä pystyn vihdoinkin ymmärtämään erilaisten kyselyjen merkityksen, esimerkiksi tällä kurssikerralla opetellun bufferianalyysin. Karttojen monikäyttö ja kuvan ja tiedon yhdistäminen eri karttaesityksiksi on todellakin valjennut minulle näinä kuukausina, ja uskon että tiedoista ja taidoista on minulle elinikäistä hyötyä. Harjoitusta vaan lisää!

Laskennalliset menetelmät -verkkokurssi auttoi minua excelin kanssa, ja senkin käyttö alkaa luonnistua pikkuhiljaa.

Kurssikerta viisi painottui bufferi- eli puskurivyöhykkeiden tekemiseen ja aineiston ominaisuuksien tutkimiseen bufferianalyysin avulla. Laskimme mm. että kuinka moni asukas asuu Malmin lentokentän meluvyöhykkeellä. Opin, että tämä työkalu on erittäin hyödyllinen myös ihan arkisten tilanteiden kartoittamisessa, esim. että kuinka moni ihminen asuu 500m päässä lähikaupasta tai postista jne. Kuten Joonas myös blogissaan (Alanko’s blog) pohtii, esimerkiksi ympäristövaikutusten arviointi on kätevä toteuttaa bufferianalyysin avulla.

MapInfo on hyvä työkalu yksinkertaisten karttaesitysten tekoon ja eri temaattisten ilmiöiden esittämiseen. Ohjelma ja sen työkalut rajoittavat tehtävän analyysin laatua – paremmassa ohjelmassa on luonnollisesti enemmän ominaisuuksia ja ehkäpä pidemmälle vietyjä automatisoituja toimintoja, joilla aineistoa voi käsitellä. Paikkatietoaineistot tietenkin määrittävät, kuinka laajoja ja tarkkoja analyysejä aineistolle voi tehdä – suppeat aineistot eivät anna tieteellisesti kovin luotettavaa kuvaa, vaikka karttaesityksestä tulisikin silmää miellyttävä. Käyttäjä ja käyttäjän paikkatieto-osaaminen määrittävät lopputuloksen, sillä käyttäjän kyky käyttää ohjelmaa ja paikkatieto-aineistoa on lopputuloksen kannalta kaikkein tärkein ominaisuus. Vaikka olisi kuinka hieno ja hyvä ohjelma ja laaja aineisto, käyttäjän osaamattomuus voi tehdä analyysistä huonon. Siksi osaaminen on tärkeää ja sitä pyrin kehittämään tällä kurssilla kuin myös vastedeskin.

Lopussa vielä taulukko tunnin itsenäistehtävien vastauksista.

 

Kuva 1. Taulukko itsenäistehtävän kysymyksistä ja vastauksista
Kuva 1. Taulukko itsenäistehtävän kysymyksistä ja vastauksista

 

Lähteet:

Alanko, J. (2015). Pak kerta 5. Alanko’s blog. <https://blogs.helsinki.fi/jbalanko/> Luettu 24.2.2015

KURSSIKERTA 4 – Ruutuja ja sensellaista

Kurssikerran tehtävänä oli tutustua ruututietokantoihin sekä muihin jänniin ruutukarttoihin. Tunnilla opettelimme ruudukon tekemistä sekä erilaisen tiedon esittämistä ruudukon avulla. Käytimme aineistona pääkaupunkiseudun väestötietokantoja (SeutuCD’09) ja laadimme tietojen avulla pääkaupunkiseudulta eri karttaesityksiä. Käytimme taas rakasta MapInfoa (joka taas vaihteeksi ei toiminut koneellani ja koneeni jumittui ja sain itkupotkuraivarin) ja syöksyimme vielä syvemmälle ohjelman ihmeellisiin syövereihin. Mielenkiintoista oli ymmärtää eri tietokantojen yhdistelemisen helppous ja käytännöllisyys uuden tiedon luomisessa. Itsenäisenä tehtävänä oli laatia yksi tai kaksi karttaa samoilla menetelmillä mitä käytiin tunnilla vapaavalintaisesta aiheesta.

Teemakartta

Tunnilla sain hienon idean toteuttaa kerrostaloasumista kuvaavan kartan ruutumenetelmällä. Ideani kuitenkin kuihtui edellä mainitusta syystä jota en viitsi toistaa, joten päädyin toisella kertaa aloittamaan alusta ja tekemään hieman yksinkertaisemman karttaesityksen. Valitsin esitettäväksi teemaksi 25-29-vuotiaiden osuuden pääkaupunkiseudulla, ja muutaman kokeilun jälkeen päädyin alkuperäiseen asetukseen, eli 500x500m ruutuihin. Kokeilin erilaisia luokittelutapoja, ja päädyin lopulta luonnolliseen luokitteluun ja neljään luokkaan. Koin että niin hajanainen aineisto on paras luokitella suoraan arvojen esiintymisen mukaan niin, että luokkajaot ovat kuitenkin kohtuulliset. Ensimmäisessä versiossani 25-29-vuotiaita näytti olevan todella paljon, mutta tähän karttaan, joka näkyy kuvassa 1, hajautin luokkajakoa tasaisemmaksi.

Kuva 1. 25-29-vuotiaiden lukumäärä pääkaupunkiseudulla 500m2 ruuduin.
Kuva 1. 25-29-vuotiaiden lukumäärä pääkaupunkiseudulla 500m2 ruuduin.

Kartalta näkee heti, että eniten kohderyhmään kuuluvia asuu Etelä- ja Keski-Helsingissä, sekä pohjoiseen mentäessä Koillis-Helsingissä ja Tikkurilassa. Vähiten kohderyhmään kuuluvia asuu Pohjois- ja Vanhan Espoon alueilla. Kohderyhmään kuuluvat ovat työikäisiä ja yleensä vastavalmistuneita tai opiskelevia nuoria. Monet työskentelevät ja opiskelevat pääkaupungissa työ- ja opiskelutarjonnan vuoksi. Alueilla, joilla kohderyhmään kuuluvia ei ole, kuten Espoossa ja Pohjois-Vantaalla, on vähemmän opiskelumahdollisuuksia ja työpaikkoja, sekä asutus on harvempaa ja pientalovaltaista. Oletettavasti alueilla asuu enemmän perheellisiä ihmisiä, joihin 25-29-vuotiaiden ikäryhmä siirtyy lähitulevaisuudessa.

Olisi ollut mielekästä saada suuralueiden tai pienalueiden keskusten nimiä kartalle (en siis osannut mutta ensi kerralla tulen osaamaan), jotta väestökeskittymiä olisi voinut tulkita hieman paremmin. Esimerkiksi olisi mielenkiintoista tietää missä tietyissä kaupunginosissa 25-29-vuotiaat asuvat, ja onko esimerkiksi yliopistokampusten lähettyvillä näkyvillä tietynlaista opiskelijavaltaisuutta (Otaniemi, Viikki ym.)

Ruututeemakartta on yksinkertainen tapa näyttää absoluuttista tietoa kartalla pienillä alueyksiköillä (500x500m). Tavalliseen koropleettikarttaan verrattuna ruututeemakartta antaa yksityiskohtaisempaa informaatiota, ja koska mitkään hallinnolliset rajat eivät rajaa tarkasteltavia alueita, se ei myöskään luokittele kokonaisia alueita mihinkään luokkaan.

Ruututeemakartta jakaa aineiston tasan vain kartantekijän itse päättämiin ruutuihin, ja tulkinta on näin vain kartanlukijan tehtävänä. Ruutujen koolla pystyy kuitenkin vaikuttamaan kartan luettavuuteen ja informaation tarkkuuteen, sillä jos esimerkiksi olisin tehnyt karttani 2x2km ruudukolle, tietoa olisi yleistetty liian paljon eikä kartta olisi ollut enää tarkoitustaan varten tarpeeksi informatiivinen.

Koen karttani olevan tarpeeksi ymmärrettävä ja helposti luettava, niin että käsittelemäni teema näkyy selkeästi ja on helposti luettava. Poistin ruudukosta mustat ääriviivat, mutta lisäsin karttaan pääkaupunkiseudun suuralueiden ääriviivat, jotta karttaa olisi helpompi hahmottaa. Värejä olisin voinut säätää hieman, sillä kuten Tonikin blogissaan toteaa, vaaleimmat sävyt eivät erotu tarpeeksi selväksi valkoisesta taustasta.

Semmoista tällä kertaa, toivotaan että onnetar on puolellani huomenna tunnilla – jos koneeni olisi nyt temppuilematta.

 

Lähteet:

Ruikkala, T. (2015). Kurssikerta 4 – Ruutuja, ruutuja ja Vantaan asumistiheyttä.  <https://blogs.helsinki.fi/ruikkala/> 9.2.2015.

 

KURSSIKERTA 3 – Timantteja ja tulvia

Kurssikerta 3 ei ihan mennyt minun osaltani nappiin. Ensimmäinen ongelma oli tietokone, joka jumitti jokaisen pienen painalluksen jälkeen, niinkin usein että monet ohjeista meni ohi korvien kun tappelin sen kanssa. Toinen ongelma oli keskittymiskyvyn absoluuttinen puuttuminen. En saanut mitään tehtyä loppuun asti suurista yrityksistä huolimatta, mutta lopulta sitä on pakko saada jotain aikaiseksi.

Kurssikerran ohjelmaan kuului mm. yksittäisen datan yhdistäminen suurempaan tietokantaan, jotta useampaa eri dataa pystyisi käyttämään samassa kyselyssä. Perehdyimme muutenkin MapInfon ihmeelliseen maailmaan tekemällä erilaisia kyselyjä ja sen semmoista. En kyllä muista enää yhtään mitään mitä oon tehnyt, aika paljon täytyisi harjoitella, jotta jäisi nuo asiat mieleenkin. Kivaa se on, mutta reeniä tarvitaan.

Afrikan timanttikaivokset, öljylähteet ja konfliktialueet

Teimme aluksi kartan Afrikan mantereesta. Ensin opettelimme tosiaan yhdistämään esimerkiksi kaikki Egyptin pikku saaret yhtenäiseksi Egyptiksi, sitten yhdistämään mm. internetin käyttäjien osuuden ja facebookin käyttäjien osuuden valtioiden tietokantoihin, ja lopuksi liitimme saamaan syssyyn myös Afrikan timanttiesiintymien, öljyesiintymien ja konfliktialueiden sijainnit.

Tehtävänä oli pohtia, mitä asioita voitaisiin tutkia Afrikan kartalta, jossa ovat näkyvillä timantti- ja öljyesiintymät sekä konfliktialueet. Tietokannat ovat tarkkoja ja ne muiden muassa kertovat tarkkoja kaivannaisten löytämisvuosia ja konfliktien laajuudesta ja alkamisesta kertovia tietoja. Tietoja voi yhdistellä ja niiden avulla voi mm. selvittää missä rauhanprosessien tarve on suuri tai vajaa (Ruutin Geoinformatiikka-blogi). Lisäksi tietoja yhdistelemällä voidaan pohtia, sijaitsevatko konfliktit kuinka lähellä kaivannaislöytöjä, ja pyrkiä löytämään yhtäläisyyksiä löydösvuosien ja konfliktien alkamiskohdan välillä.

Kartasta voisi myös päätellä eri konfliktien syntymiseen vaikuttavia tekijöitä. Esimerkiksi voisi olettaa että alueilla joilla on paljon arvokkaita luonnonvaroja olisivat myös konfliktialttiita, mutta syiden taustalle tarvittaisiin enemmän tutkimusta – konfliktien syyt ovat usein moninaiset johtuen erityisesti Afrikan valtionrajojen ja heimorajojen ristiriitaisuudesta. Lisäksi kartalta on hankala tulkita timanttikaivoksista ja öljylähteistä saatavan varallisuuden jakautumista – siirtyykö omaisuus ulkomaisille omistajille ja sijoittajille vai paikallisille, sekä että johtuvatko esiintymien lähellä olevat konfliktit paikallisten kahnauksesta vaiko jostain ihan muusta.

HS:n artikkelin mukaan (10.2.2015) suuret luonnonvarat, kuten öljy ja timantit, voivat hidastaa kehitystä ja jopa estää sen. Monesti kehityksen esteenä on heikko tai olematon hallinto ja demokratia, mikä lisää poliittista valtataistelua luonnonvarojen kustannuksilla. Artikkelin mukaan useat konfliktit, esim. Kongossa, rahoitetaan luonnonvarojen, erityisesti timanttien, avulla.

Internetin käyttäjien osuus yhdessä timantti- ja öljylöytöjen kanssa voisivat kuvata sekä alueen teknologista kehittyneisyyttä ja hyvinvointia sekä myös varallisuuseroja. Voisi mm. etsiä alueita, joilla teknologinen kehittyneisyys on heikkoa, mutta alueella on kaivannaisia, ja pohtia esiintyykö alueella tällöin konflikteja, sekä syitä konflikteille.

Kuten Veera blogissaan osuvasti toteaa, maat voisi jakaa erilaisiin luokkiin kaivannaisten esiintymisen perusteella, ja näin havainnoida esimerkiksi luonnonvarojen tai /ja konfliktien alueellisia eroja koropleettikartan avulla ja näin korostaa eroja valtioiden välillä.

Tulvaindeksikartta

Tätä tehdessä ongelmat siis kumuloituivat. Tehtävästä pystyi tekemään kaksi versiota, perusversion ja haastavamman version. Halusin tehdä haastavan version ja teinkin sitä niin pitkälle kuin pystyin, mutta MapInfo ei kestänyt niin suuria tiedostomääriä niin se kaatuili ja jumitti koko ajan. Joten luovutin ja tein perusversion (murh).

Tehtävänantona oli laatia kartta Suomen tulvaindeksistä sekä järvisyysprosenteista valuma-alueilla. Tulvaindeksiä kuvataan kartassa rastereilla ja järvisyyttä pylväillä (kuva 1).

Kuva 1. Tulvaindeksi ja järvisyys (%) Suomen valuma-alueilla
Kuva 1. Tulvaindeksi ja järvisyys (%) Suomen valuma-alueilla

Luokittelin aineiston tasavälisen luokittelun perusteella, sillä vaikka jakauma on vino, kvantiililuokittelulla ei saanut näkymään selkeästi alueiden välisiä eroja.  Selkeimpiä erottuvia alueita ovat Suomenlahden ja Pohjanlahden alueet Länsi- ja Etelä-Suomessa.

Suurin tulvariski on Pohjanmaan alueella, koska maasto on muutenkin alavaa ja sateet ja lumen sulamisvedet aiheuttavat tulvia mm. keväällä. Järvisyys on suurinta alueilla, joilla tulvaindeksi on pieni. Alueilla virtaamat ovat pienempiä. Esimerkiksi Keski- ja Itä-Suomessa järvisyys on suurinta, ja järvisyys pienenee pohjoiseen mennessä. Kartta kuvaa eri Suomen alueiden tulvaherkkyyttä, eli kuinka paljon keskiylivirtaama ylittää keskialivirtaaman. Käsitteet ovat tässä vaiheessa minulle vielä hieman outoja, mutta uskon että käytännön kokemuksen ja harjoittelun myötä myös nämä asiat, kuten MapInfokin, selkenevät minulle. Oppimassahan tässä ollaan.

 

Lähteet:

Niemelä, K. (2015). Öljyllä köyhäksi – mahtavat luonnonvarat ovat yleensä kirous. Helsingin Sanomat.  <http://www.hs.fi/tiede/a1423456365439> 10.2.2015.

Toivonen, V. (2015). KK3: Tietokantojen yhdistämisestä ja alituisesta mokailusta. Seikkailuja paikkatietojen maailmassa. <https://blogs.helsinki.fi/vtoivone/> 1.2.2015.

Uusitalo, R. (2015). Afrikan rikkaudet ja Suomen tulvariski; koropleettikartat visualisena työvälineenä. Ruutin Geoinformatiikka-blogi. <https://blogs.helsinki.fi/ruutuusi/> 1.2.2015.

KURSSIKERTA 2 – Teemaa teeman päälle

Kun olimme laatineet ensimmäisen kurssikerran harjoituskartat, pääsimme varsinaiseen aiheeseen, eli erilaisten karttaesitysten tekemiseen ja erityisesti eri tietokantojen yhdistämiseen kartogrammiksi tai muunlaisiksi teemakartoiksi.

Kurssikerralla 2 kävimme MapInfon kanssa läpi eri teemakarttatyyppien luomista ja työkaluja ja sitä, kuinkainternetistä haettua tilastotietoa pystyy liittämään karttaesitykseen. Harjoittelimme Pohjois-Suomen paikkatietoaineiston avulla mm. pistekartan, rasteriteemakartan ja kartogrammien tekoa. Kokeilimme myös 3D-karttojen tekoa.

Kurssikerran tehtävänä oli laatia teemakartta, jossa on kaksi teemaa päällekäin. Tehtävässä tuli käyttää hyväksi kaikkea tähän asti oppimaa tietoa, sekä kiinnittää erityistä huomiota värien käyttöön, visuaaliseen ilmeeseen ja luokittelutapaan.

Kahden teeman tuli jollain tavalla liittyä toisiinsa ja olla informatiivinen niin, että kartalta pystyy tarkastelemaan kahden ilmiön yhteneväisyyksiä ja eroavaisuuksia.  Karttaa pitää pystyä tulkitsemaan mielekkäällä tavalla, ja sen tulkitseminen ei saa olla vaikeaa tai epäloogista.

Kahden teeman valitseminen oli tuskallista, sillä teknisten ongelmien ja muutenkin kömpelön sähläyksen takia aikaa meni tunnilla hukkaan ja vaihtoehtojen runsaus vaikeutti valintaa. Päädyin kuitenkin yhdistämään Suomen kuntien työttömysasteen 30.12.2010 tilastotiedon perusteella sekä nettomuuttoluvut Suomen kunnissa vuonna 2013 (kuva 1). Tilastoissa on kolmen vuoden ero, mutta tätä tehtävää ajatellen ja tulkiten en tee siitä suurempaa huomiota. Jos kyseessä olisi vakavammin otettava kartta, laatisin sen saman vuoden tilastotietoja käyttäen. Työttömysasteen jaoin viiteen luokkaan ja käytin luokittelussa luonnollista jakaumaa. Näin tein siksi, koska jakauma on suhteellisen tasainen ja arvot jakautuvat tämän jaon mukaan tasaisesti viiteen luokkaan.

Tyottomyys_Nettomuutto2
Kuva 1. Työttömyysaste (%) 301.12.2010 tilastojen mukaan ja kokonaisnettomuutto vuonna 2013 Suomen kunnissa. Punaiset pallot tarkoittavat muuttovoittoa ja siniset muuttotappiota

Visuaalisesti viisi luokkaa miellyttävät silmää. Värin vaaleus- ja tummuusasteita tulkitsemalla voidaan huomata, että työttömyysaste on korkeampi Itä- ja Pohjois-Suomessa. Syitä ilmiölle voivat olla nykyinen talouslama ja siitä johtuvat irtisanomiset sekä elinkeinorakenteen muutos (esimerkiksi paperiteollisuuden väheneminen, maatalouden koneellistuminen tai työpaikkojen puute paikkakunnalla ym.). Vähiten työttömyyttä esiintyy eteläisillä ja läntisillä paikkakunnilla. Näillä alueilla taloudellinen tilanne saattaa olla parempi niin kotitalouksissa kuin kunnissa, työpaikkoja voi olla enemmän, mm. nuorille ja opiskelijoille  ja työttömyysturva sekä työttömien aktivointitoiminta voi olla paremmin järjestetty. Tilastokeskuksen raporttien mukaan vuonna 2010 työttömyysaste on tasaisesti laskenut (avoimia työpaikkoja on ollut edellisvuoteen verrattuna yhteensä 23% enemmän jokaisella vuosineljänneksellä), mutta vuoteen 2014 mennessä se on taas heikentynyt talouslaman vuoksi. Tilastokeskuksen mukaan vuonna 2014 avoimia työpaikkoja oli noin 13% vähemmän kuin edellisvuonna. Ongelma tämän teeman kanssa on se, että yhdistettynä pistekarttaan aineiston luettavuus kärsii – esimerkiksi Uusimaan työttömyysasteluvut eivät näy, koska päällä on pisteitä.

Kokonaisnettomuutto kuvaa kuntien muuttoliikettä. Punaiset pallot kuvaavat tilannetta, jossa kunta tekee muuttovoittoa – kuntaan muuttaa enemmän ihmisiä kuin sieltä lähtee pois. Siniset pallot kuvaavat päinvastaista tilannetta, eli muuttotappiota.

Selkein muuttovoittoalue on Uusimaa. Pääkaupunkiseudulle ja sen läheisyyteen muutetaan monesta syystä, esimerkiksi työn ja opiskelun takia. Muita selkeitä muuttovoittoalueita ovat suuret kaupungit, kuten Tampere, Oulu, Turku ja Joensuu, jotka ovat myös yliopistokeskuksia. Muuttotappioalueita on erityisesti Luoteis-Suomessa ja Lapissa. Muuttotappiollisia kuntia näyttää olevan kartalla jopa enemmän kuin muuttovoittokuntia, mikä kertoo paljon muuttoliikkeiden suunnasta maaseudulta kaupunkeihin ja suurkaupunkien lähikuntiin.

Nämä kaksi teemaa yhdessä antavat tietoa työttömyysasteen ja nettomuuton yhteydestä kunnissa. Päällisin puolin tarkasteltuna voidaan huomata, että useimmilla muuttotappioalueilla, esimerkiksi Venäjän rajan vieressä ja Pohjois-Suomessa on myös enemmän työttömyyttä kuin muuttovoittoalueilla Etelä-Suomessa. Näin ei kuitenkaan ole kaikilla paikkakunnilla, vaan esimerkiksi Pohjanmaalla työttömyystilanne on hyvä, mutta kunnat kärsivät silti muuttotappiosta. Tämä tuo esille myös kolmannen tuntemattoman ulottuvuuden. Erosta voitaisiin esimerkiksi olettaa, että kuntien vauraudella olisi merkitystä työttömyyden ja muuttoliikkeiden yhteydessä. Esimerkiksi Hanko, joka on vauras kunta mm. suomenruotsalaisväestön takia, ei kärsi työttömyydestä lähes ollenkaan, mutta on silti muuttotappioaluetta. Samoin Lieksassa Itä-Suomessa työttömyysaste on suuri, mutta alueella on muuttovoittoa.

Kahden teeman yhdistäminen on vaikeaa, ja loogisten ja johdonmukaisten yhteyksien löytäminen ja tulkitseminen on hankalaa. Taito vaatii paljon harjoittelua, ja sitä toivon että me teemme kurssin aikana enemmän. Huomasin, että kumpaakaan aineistoa ei pysty tutkimaan täysin täsmällisesti päällekkäisyyden vuoksi, ja luokkarajojen asettaminen vaatii vielä harjoitusta.  Harjoituksena kartta oli kuitenkin mielenkiintoinen ja kehittävä.

 

Lähteet:

Avoimet työpaikat 2010, 4. neljännes. Tilastokeskus. 22.1.2015. <http://tilastokeskus.fi/til/atp/2010/04/atp_2010_04_2011-02-16_tie_001_fi.html>

Avoimet työpaikat 2014, 3. neljännes. Tilastokeskus. 22.1.2015. <http://tilastokeskus.fi/til/atp/2014/03/atp_2014_03_2014-11-14_tie_001_fi.html>

 

KURSSIKERTA 1 – Kartta vai kepponen

Paikkatiedon hankinta, analyysi ja kartografia -kurssi, eli PAK, alkoi perinteiseen tapaan maantieteen osaston GIS-luokassa. Edellisessä periodissa suoritettu TAK (Tiedon hankinta, analyysi ja kartografia) oli opettanut meidät käyttämään Corel Draw -ohjelmaa, sekä oli tutustuttanut meidät karttojen laatimisen monimutkaiseen maailmaan. PAK-kurssilla tutustumista syvennetään ihan tiedon alkutekijöihin, eli siihen, miten kartalla näytettävää tietoa hankitaan, käsitellään ja analysoidaan.

Kurssikerta alkoi teoriaosuudella ja kertauksella paikkatiedon määritelmästä ja käytöstä. Kertaus oli erittäin tervetullutta, sillä suoraan lukiosta tulleelle opiskelijalle, kuten minulle, monet paikkatietoon liittyvät asiat tuntuivat aikaisemmin kaukaisilta ja monimutkaisilta. Ensimmäiset kaksi kurssikertaa ovat tarkoitettu MapInfo-ohjelmaan tutustumiseen ja erilaisten teemakarttojen laatimiseen.

Teimme kurssikerran aikana kaksi harjoitustehtävää. Ensimmäinen harjoitus piti sisällään MapInfon ominaisuuksiin ja työkaluihin tutustumista Helsingin kaupungin paikkatietoaineistoa hyväksikäyttäen. Laadimme eri tilastotietoon perustuvien tietokantojen avulla teemakarttoja, ja harjoittelimme mm. erilaisten aineistojen luokittelutapojen käyttöä ja merkitystä kartan tulkinnassa. Harjoitus oli mielenkiintoinen, ja se osoitti miten hyödyllistä paikkatieto on kun tutkii mitä tahansa ilmiötä. Tilastotiedon yhdistäminen sijaintitietoon, eli paikkatieto, valkeni minulle viimeistään tämän harjoituksen aikana.

Toisessa kurssikerran harjoituksessa piti laatia oma teemakartta käyttäen hyväksi Suomen kuntien paikkatietoaineistoa. Tilastotiedot löytyivät helposti MapInfosta yhden painalluksen takaa. Harjoituksen tarkoituksena oli oppia käyttämään MapInfoa itsenäisesti, ja soveltaa aikaisemmin tunnilla käytyjä asioita. Erityisesti luokkajakoja päätettäessä tuli kiinnittää huomiota kartan luettavuuteen ja tieteellisyyteen.

Valitsin teemakarttani (kuva 1) teemaksi korkea-asteen koulutuksen saaneiden määrän Suomen kunnissa vuonna 2013. Käytin aineistona jo seuraavan kurssikerran kuntatietoja (2013), vaikka ensimmäisen kurssikerran aineistona olivat vuoden 2011 aineistot.

Määritelmänä korkea-asteen koulutus tarkoittaa Tilastokeskuksen mukaan seuraavaa:

“Alimman korkea-asteen koulutus kestää 2-3 vuotta keskiasteen jälkeen. Näitä koulutuksia ovat esim. teknikon, merkonomin ja sairaanhoitajan tutkinnot, jotka eivät ole ammattikorkeakoulututkintoja. Alemman korkeakoulututkinnon suorittaminen vaatii 3-4 vuotta päätoimista opiskelua keskiasteen jalkeen. Alempaan korkeakouluasteeseen luetaan esim. ammattikorkeakoulututkinnot ja alemmat korkeakoulututkinnot. Ylemmän korkeakouluasteen tutkinnon suorittaminen vaatii pääsääntöisesti 5-6 vuotta päätoimista opiskelua keskiasteen jälkeen. Ylempään korkeakouluasteeseen luetaan esim. maisteritutkinnot ja lääkäreiden erikoistumistutkinnot.”

Kuva 1. Korkea-asteen tutkinnon saaneiden osuus prosentteina vuonna 2013. Lähde: Tilastokeskus (2013)

Aineiston luokittelu oli aluksi hankalaa. Kokeilin histogrammityökalun avulla jakauman muodostamista, ja koska arvoja on pienissä yksiköissä enemmän kuin suurissa, jakauma on laskeva. Kuitenkin halusin myös suurempien arvojen erottuvan omina alueinaan teemakartassani. Automaattiset luokittelutavat tekivät aineistolle niin, että pienille tuli harvempia luokkavälejä kuin suuremmille. Esimerkiksi suurin luokkaväli olisi ollut noin 20-56 prosenttia, ja pienin 9,6-12. Ongelmana tällaisessa tilanteessa on se, että alueilla, jotka kuuluvat suurimpaan luokkaan, saattaa olla arvoja joko pienimmän arvon kohdalla tai suurimman arvon kohdalla, jolloin sisäinen hajonta on suurta. Tällöin aineistosta ei voi saada täysin luotettavaa ja vertailtavaa tietoa. Päätin näin ollen lisätä suurempien arvojen erottuvuutta laatimalla luokka-arvot käsin. Esimerkiksi Hanna on blogissaan (Hannan blogi) käyttänyt MapInfon ehdottamaa luokkajakoa, jolloin kartasta näkyy suurimman luokan, eli kuntien, joissa on eniten korkeasti koulutettuja, olevan paljon suurempi kuin omassa kartassani.

Kartan tulkinnasta pitää aluksi mainita, että ensinnäkin koko aihe on hieman hämärä. Korkea-asteen koulutus ei monellekaan ehkä soita kelloa, sillä sen määritelmä ei olekaan niin yksinkertainen (ks. määritelmä yllä). Määritelmän mukaan korkea-asteen koulutukseen luetaan kaikki keskiasteen, eli esimerkiksi lukion jälkeen suoritetut tutkinnot. Tällä oletuksella kartalta voidaan karkeasti nähdä, että korkeasti koulutettujen osuus on suurempi etelässä kuin pohjoisessa, ja suurissa kaupungeissa ja kunnissa on ympäröiviin kuntiin nähden korkeammin koulutettuja. Tämä saattaa johtua suoraan yliopistojen ja suurien ammattikorkeakoulujen maantieteellisestä sijainnista. Esimerkiksi Rovaniemi ja Oulu erottuvat vaaleasta taustasta selkeästi Pohjois-Suomessa. Suurin luokka-aste, eli 35-56% erottuu selkeänä kirkkaanpunaisena läiskänään Helsingin seudulla. Pääkaupungin läheisyydessä sijaitsevatkin Suomen suurimmat yliopistot ja ammattikorkeakoulut, sekä myös työpaikat ja palvelut, joissa tarvitaan korkeaa koulutusta.

Kartan tekninen toteutus sujui hieman hutiloiden, mutta kuten sanonta kuuluu, tekemällä oppii. Odotan innolla uusia tehtäviä ja haasteita – GIS on kuitenkin tämän päivän ja tulevaisuuden kuuma peruna, joka kannattaa ottaa hyvin haltuun.

 

Lähteet:

Malinen, H. (2015). Ensimmäinen kurssikerta. Hannan blogi. 22.1.2015 <https://blogs.helsinki.fi/hzmaline/>

Koulutusaste. Tilastokeskus, Helsinki. 22.1.2015. <http://www.stat.fi/meta/kas/koulutusaste.html>