Month: February 2017

Neljännellä kurssikerralla oli tarkoituksena tehdä ruutukartta ja kokeilla eri ruutukokoja ja niiden toimivuutta tietyn ilmiön kuvaamisessa. Loin ensin ruudukon, liitin siihen pääkaupunkiseudun väestötietokannan ja tein siitä teemakartan. Tein ruututeemakartan ulkomaalaisten määrästä Helsingissä. Kokeilin eri ruutukokoja, mutta lopulta päädyin 500 metrin ruutukokoon. Kilometri tai sitä suurempi ruutukoko olisi mielestäni liian yleistävä ja esimerkiksi 250 metrin ruutukoko saattaisi olla turhankin tarkka. Olisin halunnut hyödyntää suhteellisia lukuja, mutta sellaisia ei löytynyt valmiista tietokannasta enkä silloin tajunnut, että voisin ne varmaan itsekin laskea. Kun on kyse ulkomaalaisten absoluuttisista määristä, on aika selvää että mitä suurempi kaupunginosa on kyseessä, sitä enemmän on myös ulkomaalaisia asukkaita.

Kartasta voi nähdä, että keskittymiä on paljon: mm. Kallio, Konala, Vuosaari, Kontula, Pihlajamäki ja Kannelmäki. Laajin keskittymä näyttäisi kuitenkin olevan Kontulan ja Mellunmäen metroasemien läheisyydessä. Kartasta näkee, että keskittymät ovat pääosin raideliikenteen varrella. Tässä pitää myös huomioida, että näillä alueilla asuu muutenkin paljon ihmisiä. Ilmiötä on hankala sen enempää pohtia, kun kartassa ei näy prosenttiosuuksia enkä tehnyt erikseen karttaa, joka kuvaisi suomalaisten määriä Helsingissä.

Karttani voisi olla luettavampi. Siitä on nimittäin vaikea hahmottaa selkeitä eroja alueiden välillä ja ylipäätään sitä, millä alueilla keskittymät sijaitsevat. Vaikka kartassa näkyy suurimmat tiet ja kuntarajat, oli pakko tarkistaa Google mapsista mitä alueita osa keskittymistä ovat. Tälle aineistolle oleellista olisi ollut juna- ja metroraiteiden lisääminen karttaan ja ehkä joidenkin keskittymien nimeäminen. Karttaselitteessä voisi lukea mitä nuo eri viivat merkitsevät. Näin jälkeenpäin ajatellen, olisi kannattanut varmaan myös lisätä kartan selitteeseen ruutukoko, jotta kartan hahmottaminen helpottuisi.

Datan luokituksen olisi voinut tehdä myös paremmin, sillä tällä hetkellä erot alueiden välillä eivät erotu kunnolla. On monta aluetta, jotka hyppäävät esiin, mutta ei vain yhtä tai muutamaa selkeää aluetta. Korkeinta luokkaa olisi voinut supistaa. Informaatioarvo tässä kartassa ei ole ehkä paras mahdollinen, mutta siitä ainakin näkee hyvin, millä alueilla ulkomaalaisia ei asu lähes lainkaan.

Ruututeemakartalla voi mielestäni esittää absoluuttisia arvoja, mutta vain jos se on mielekästä esitettävän ilmiön kannalta. Omaan aiheeseeni se ei mielestäni sovi, sillä siinä pitää ottaa huomioon suomalaistenkin osuus, jotta ilmiötä voi analysoida kunnolla. Kuten Hilkka Pajukangas blogissaan huomauttaa, absoluuttisten arvojen esittäminen suhteellisten sijaan voi johtaa kartantulkinnan virheisiin (Pajukangas, 2017).

Ruututeemakartalla voidaan osoittaa ilmiön alueellisuus tarkemmin kuin perinteisessä koropleettikartassa. Koropleettikartta on kuitenkin helpommin luettava kun taas ruututeemakartassa luettavuutta vähentää pikselimössö. Koropleettikartan voi halutessaan rajata kaupunginosittain, mikä voi olla usein järkevää. Ruututeemakartta toisaalta on joustava, sillä aluerajoilla ei ole merkitystä ja ilmiön alueellista jakautumista voi esittää koropleettikarttaa tarkemmin.

Viitteet:
Pajukangas, H. (2017). Kurssikerta 4. – Ruutukarttoja ja paluu menneisyyteen. <https://blogs.helsinki.fi/pajukahi/2017/02/20/4-ruutukarttoja-ja-paluu-menneisyyteen/>.

Kolmannella kurssikerralla teimme kaksi tehtävää: tarkastelimme tilastoja Afrikkaan liittyen (timanttikaivoksia, konfliktitapahtumia, öljynporausalueita ja taistelujen maksimilaajuuksia) ja teimme tulvaindeksikartan. Kurssikerralla harjoittelimme mm. tietokantaliitoksia ja ulkoisen tietokannan liittämistä MapInfoon, erilaisten kyselyjen tekemistä aineistolla ja uusien tietokantojen luomista. Käytössäni oli tietokannat Afrikan timanttikaivosten, öljykenttien ja taistelukenttien sijainneista, jotka liitin MapInfossa siistittyyn tietokantaan Afrikan valtioista. Laskin näiden muuttujien lukumäärät kullekin valtiolle.

Kurssikerran jälkeen piti pohtia mitä tehtävässä annetuilla Afrikkaan liittyvillä lisämuuttujilla voisi tehdä ja päätellä. Kaikki tehtävässä annetut muuttujat ovat jollain tavoin hyödynnettävissä ja niitä voi pohtia ajallisesti ja alueellisesti. Olisi mielenkiintoista nähdä ajallisesti, miten timanttikaivosten löytämisvuosi ja kaivausten aloitusvuosi ovat suhteessa konfliktien tapahtumavuoteen. Sama myös öljykenttien tapauksessa. Onko konflikteja syntynyt enemmän ennen vai jälkeen näiden löytämisen? Kristiina Koivu toteaa blogissaan, että kiistellyt luonnonvarat ovat usein konfliktien taustalla ja hän antaa mielenkiintoisen esimerkin Sierra Leonen sisällissodasta, jossa timanttikaivosten tuotoilla rahoitettiin kumpaakin osapuolta (Koivu, 2017). Voisi siis kuvitella, että konflikteja on syntynyt enemmän niiden luonnonvarojen löytämsivuosien jälkeen.

Timanttikaivosten/öljykenttien tuottavuusluokittelu eri vuosina olisi mielenkiintoista verrata konfliktien tapahtumavuosiin.  Voisi kuvitella, että tuottavuuden ollessa alhainen, taloudellinen tilanne on huonompi, jolloin ihmisiä ehkä irtisanotaan ja konflikteja olisi enemmän. Seuraavaksi olisi kiinnostavaa nähdä, miten laajalle konfliktit ovat levinneet: sisältyvätkö kyseiset kaivokset tai porausalueet taistelualueiden sisälle. Internetkäyttäjien lukumäärää voidaan käyttää, jos halutaan katsoa miten konfliktit vaikuttavat lukuihin: kasvaako vai väheneekö internetkäyttäjien lukumäärä.  Ja onko toisaalta internetkäyttäjien suuri määrä vaikuttanut konfliktien syntyyn eri vuosina. Toisaalta voidaan pohtia, tuovatko timantti- tai öljyvarat rikkautta maahan ja sitä kautta lisäävätkö nämä internetkäyttäjien määrää.

Tietokantojen kanssa leikkimisen jälkeen tein kartan, joka esittää tulvaindeksin ja järvisyys-prosentin Suomessa eri valuma-alueilla. Kuten kartassa näkyy, kyseessä on selkeä negatiivinen korrelaatio, sillä siellä missä järvisyys-prosentti on suurin, on tulvaindeksi pienin. Tässä on järkeä, sillä järvet tasoittavat tulvahuippuja ja pienen järvisyysprosentin omaavilla alueilla ei ole paikkaa minne ylimääräinen vesi voisi varastoitua.

Rannikolla tulvaindeksi on suurempi myös, koska meritulvat vaikuttavat niihin. Rannikoilla on suurimmat joet, jotka myös tulvivat herkemmin kuin järvet. Rannikoilla on myös aika paljon asutusta, mikä taas tarkoittaa enemmän rakennettua pinta-alaa, joka ei ime vettä. Pieni järvisyys-prosentti yhdistettynä rannikkoalueeseen suurentaa tulvaindeksiä. Myös Pohjanmaan alavat alueet lisäävät tulvariskiä. Kristiina Koivu pohti blogissaan, että Pohjois-Suomessa routa myös estää veden imeytymistä ja keväisin sulamisvedet ovat suuria, minkä takia tulvaindeksi on suurempi (Koivu, 2017). Tämä kävisi järkeen. Kartta on mielestäni onnistunut ja osoittaa hyvin vesivarastojen tärkeyden. Uskon, että tietokantaliitosten tekeminen tulee olemaan tärkeä taito jatkossakin.

 

Viitteet:                                                                                                                                              Koivu, K. (2017). Kurssikerta 3: Tietokantojen käytön harjoittelua. <https://blogs.helsinki.fi/koivukri/2017/02/08/kurssikerta-3-tietokantojen-kayton-harjoittelua/>.

Toisella kurssikerralla tehtävänä oli opetella tekemään teemakartta käyttäen kahta eri teemaa. Kurssikerralla piti miettiä, millä tavoin päällekkäiset teemat kannattaa esittää ja millaiset luokkarajat sopisivat teemakarttaan.

Latasin aineistot Sotka-netistä excel-muodossa ja muokkasin eri aineistot eri excel-tiedostoihin ja poistin turhia tietoja, jotta aineistojen käsittely MapInfossa olisi sujuvampaa. Karttaa tehdessä liitin Sotka-netin aineiston maakunta-karttatasoon määrittämällä yhdistävän tekijän näiden tietokantojen välille, eli maakuntakoodin. Nimen perusteella yhdistys voisi mennä herkästi pieleen, jos maakunnan nimi on muotoiltu tietokannoissa eri tavoin.

Tein teemakarttani sisältäen kaikki Suomen maakunnat, sillä minua kiinnosti nähdä erot koko Suomen tasolla ja koko Suomen kuntien käyttäminen olisi tehnyt kartasta todella sekavan. Karttani teemat ovat äänestysaktiivisuus eduskuntavaaleissa ja pitkäaikaistyöttömät, % työvoimasta (kuva 1). Valitsin molempiin teemoihin luokkien määräksi kolme, jotta kartta olisi mahdollisimman yksinkertainen ja luettava. Tästä johtuen kartta ei näytä ilmiötä yhtä tarkasti kuin se voisi suuremmalla luokkamäärällä näyttää. Koitin aluksi tehdä pylväsdiagrammikartan, mutta eroavaisuudet näkyivät niin pienenä enkä osannut muokata pylväitä kunnolla, jolloin kartassa ei olisi ollut oikein järkeä.

Siispä tein päällekkäisen koropleettikartan, jossa on kaksi koropleettiteemaa päällekkäin. Rasteripintojen valitseminen oli haastavaa, sillä ne näyttivät kuvassa aivan erilaisilta kuin MapInfossa. Myöskin tiheät rasterit muuttivat taustaväriä. Saara Leppänen kirjoitti samasta havainnostaan blogissaan: “Kartan ongelmia ovat selvästi tiheimmän rasterin vaikutus värien luettavuuteen []” (Leppänen, 2017). Tästä syystä vaihdoin tiheät rasteriviivat harvempiin viivoihin.

Kuntatasolla Sotka-netin kartasta katsottuna pitkäaikaistyöttömyyden osuudella ja äänestysaktiivisuudella näytti olevan jonkinnäköinen negatiivinen korrelaatio. Maakuntatasolla ja kolmessa luokassa ero ei näy yhtä selkeästi. Maakuntien prosenttiosuuksia nostaa tai laskee suuret kunnat, mikä tekee kartasta neutraalimman. Tästäkin kuitenkin huomaa esimerkiksi rannikkoalueiden pienemmän työttömyysprosentin ja suuremman äänestysaktiivisuuden. Pohjois- ja Itä-Suomessa työttömyysprosentti on suurempi, mitä kuvittelisi muutenkin taantuvista alueista ja niissä myös äänestysaktiivisuus on pienempää. Tämä käy järkeen, sillä potentiaalisesti syrjäytyvillä ihmisillä yhteiskunnallinen vaikuttaminen on keskimäärin alhaisempaa.

En ole kuitenkaan varma vain tämän kartan pohjalta, liittyykö äänestysaktiivisuus niinkään pitkäaikaistyöttömien osuuksiin vai ennemmin isojen kaupunkien kokoon. Esimerkiksi Keski-Suomessa ja Pirkanmaalla sekä äänestysaktiivisuus että pitkäaikaistyöttömyys on suurta. Tämä voisi johtua suurten kaupunkien, kuten Jyväskylän ja Tampereen vaikutuksista äänestysprosenttiin. Yleensä suurissa kaupungeissa yhteiskunnallinen vaikuttaminen on aktiivisempaa. Saara Leppänen teki oman karttansa työttömyysasteen ja korkeakoulutettujen suhteesta Suomessa (Leppänen, 2017). Näitä olisi hauska vertailla keskenään, mutta se on hieman haastavaa, sillä omassa kartassani aluejako on maakunnittain. Molemmissa kartoissa kuitenkin näkyy suurempi työttömyys esim. Itä- ja Pohjois-Suomessa, joissa vastaavasti toinen muuttuja on alhaisempi.

Näiden teemojen tarkastelu maakuntatasolla ei ole loppujen lopuksi niin järkevää. Alueellisia eroja on kuitenkin todella paljon maakuntien sisällä. Karttaa on hieman vaikea lukea, sillä rasteripinta ei ole yhtä looginen kuin esim. pylväsdiagrammi, joka on helppo tulkita heti ensisilmäyksellä. Hetken karttaa silmäiltyä kuitenkin informaatio selkiintyy ja karttaa on suhteellisen helppo tulkita.

Viitteet:                                                                                                                                    Leppänen, S. (2017). “Two-variable choropleth maps as a useful tool for visualization of geographical relationship” ARTIKKELI I & KURSSIKERTA II. <https://blogs.helsinki.fi/saaralep/2017/01/31/kurssikerta-ii/>.

Artikkeli 1

Artikkelissa Two-variable choropleth maps as a useful tool for visualization of geographical relationship (Leonowicz, 2006) kerrotaan kahden muuttujan koropleettikartan käytettävyydestä. Kahta erillistä koropleettikarttaa vertailtaessa helposti syntyy virhetulkintoja, joten kahden muuttujan kartat voivat olla ratkaisu tähän ongelmaan. Kahden muuttujan koropleettikartat ovat usein hankalasti tulkittavia, mutta Leonowicz todistaa tutkimuksessaan, että ne ovat joissain tilanteissa jopa helpommin ymmärrettäviä. Hänen tutkimuksensa osoitti, että yhden muuttujan koropleettikartoissa alueellinen tieto on helpompi lukea kun taas kahden muuttujan kartassa vastaavasti muuttujien välinen yhteys on helpommin ymmärrettävissä. Tämä kuitenkin vaatii, että kartan väriskeema on järkeenkäyvä ja, että luokkien määrä on rajattu neljään (2×2) tai yhdeksään (3×3).

Artikkelin esittämässä kahden muuttujan koropleettikartassa on helpompi tulkita muuttujien yhteyttä. Verrattuna omaan karttaani, artikkelin esimerkissä värien käyttö oli loogisempaa kuin minun käyttämäni rasteripinta. Rasteripinnassakin tosin pyrin loogisuuteen, mutta se ei ole yhtä helppo tulkita kuin värit. Artikkelissa esitelty legenda poikkeaa normaalista legendasta siten, että se on ruudukko, jossa on kaksi akselia, joista toinen muuttuja on x-akselilla ja toinen y-akselilla. Legendasta voi lukea kahden muuttujan suhteen kullekin värille.

Tällainen kartografinen esitys asettaa kohdeyleisölle enemmän vaatimuksia, sillä karttaa tulkittaessa pitää ajatella kahden muuttujan suhdetta ja legendaa pitää silmäillä tavallista enemmän. Lukijalla pitää olla aikaa ja jaksamista kartan tulkitsemiseen. Kahta muuttujaa esitettäessä pitää pohtia, halutaanko koropleettikartalla osoittaa ilmiön alueellista levinneisyyttä vai maantieteellistä suhdetta. Jos tavoitteena on jälkimmäinen, kahden muuttujan koropleettikartta on paras valinta. Uskoisin, että moni käyttäisi tällaista kartografista toteutusta, jos siihen olisi tottuneempi ja, jos se olisi helpompi toteuttaa paikkatieto-ohjelmassa.

Lähteet:                                                                                                                                          Leonowicz, A. (2006). Two-variable choropleth maps as a useful tool for visualization of geographical relationship.