Mapping America: Every City, Every Block

Tässä viimeiseksi blogikirjoitukseksi jäävässä raapustuksessani käsittelen The New York Timesin julkaisemaa paikkatietopalvelua tiedonvälityksen kannalta ja lopuksi teen vielä pienen SWOT (Strengths Weaknesses Opportunities and Threats)- analyysin. Palvelussa esitellään Yhdysvaltojen väestöön liittyviä tietoja erilaisilla karttatasoilla, joita voi zoomailla ja tarkastella oman kiinnostuksen mukaan.

Aluksi huomasin Tiia Seeven tapaan palvelussa käytetyt hienot värit, jotka on taitavaa visuaalista silmää käyttäen aseteltu kartoille lukijaa miellyttämään. Täytyy myöntää, että itse aloin tämän vuoksi uskoa jo alussa palvelun tarjoaman datan luotettavuuteen, mikä varmasti onkin sen tekijöillä ollut tarkoituksenaan alun alkaenkin. Kuitenkin pian huomasin otsikon alla olevan tekstikentän, jossa kerrottiin datan olevan pikemminkin arvioita oikeasta tilanteesta eikä siihen pidä luottaa aivan sokein silmin. Vaikka data onkin peräisin varsin luotettavasta lähteestä, The United States Census Bureausta, juurikin tämä arvioihin perustuva informaatio jättää jälkeensä paljon kysymysmerkkejä kriittisen silmän omaavalle lukijalle. Hieno visuaalinen toteutus kuitenkin voittaa tällä kertaa, kuten Tiia toteaa blogissaan: “huomio on suhteellisen helppo sivuuttaa, vaikka se siinä keskellä näyttöä komeileekin.”

Palvelussa voi valita tarkasteltavakseen neljä eri teemaa: etnisyys, tulotaso, asuminen ja perheet sekä koulutus. Heti ensimmäisenä palvelun avautuessa silmille läjähtää kartta New Yorkin etnisestä jakaumasta kortteleittain. Tästä tuleekin heti mieleen, että eikös tällainen etnisen väestön jakautumisen esittäminen kartalla juuri vahvista alueisiin liitettyjä ennakkoluuloja? Esimerkiksi alue, jolla asuu kartan mukaan paljon tummaihoisia, ei todennäköisesti enää houkuta uusia, tällaisia alueita vältteleviä valkoihoisia sinne asumaan. Muutkin valittavat teemat herättävät saman kysymyksen: erityisesti asukkaiden tulo- ja koulutustasojen erot näkyvät kartalla varsin selvästi, mikä antaa esimerkiksi korkean tulotason kortteleista lukijalle varsin eliittivaltaisen kuvan. Tässähän on siis se mahdollisuus, että se voi peräti lisätä alueiden segregaatiota, mitä Samuli Massinenkin blogissaan pohtii: “Mielestäni tällainen tieto julkisessa, ilmaisessa palvelussa ei ainakaan edistä etnisten ryhmien keskinäistä myötämielisyyttä, päinvastoin. Vaarana on segregaation lisääntyminen ja alueiden leimaantuminen epäluotettavaan dataan perustuen.” 

Olisi myös mielenkiintoista tietää, millaisilla perusteilla eri teemojen karttojen kuvaamat aiheet on valittu. Minusta oli suorastaan hassua huomata esimerkiksi Housing and Families– teemaosaston karttavalikon “diversiteetti”: kaikki kuusi ensimmäistä suhteellisen samoin värein kuvattua karttavaihtoehtoa käsittelevät alueiden asumiskustannuksia, kun taas viimeinen, vihreällä värillään muista poikkeava kartta kuvaakin yhtäkkiä homopariskuntien määrää, jolla taas ei ole mitään tekemistä asumiskustannusten kanssa. Eikö siinä olisi voinut olla vielä karttoja, jotka kuvaavat vaikkapa esimerkiksi yksinhuoltajien, sinkkujen ja nelihenkisten perheiden määriä, jolloin kyseinen teemaosasto ei olisi niin kummastuttava ja räikeän asenteellinen?

Lisäksi joidenkin karttojen kuvaamien ilmiöiden värivalinnat herättävät helposti tietynlaisia mielikuvia ilmiöstä ja alueista joilla sitä esiintyy. Esimerkiksi Income- eli tulotaso-osiossa alle 30 000 dollaria ansaitsevia eli alimman tulotasoluokan kotitalouksia kuvataan huomiota herättävällä punaisella, kun taas ylimmän tulotasoluokan eli yli 200 000 dollaria ansaitsevia kotitalouksia kuvataan dollarinsetelin rauhoittavalla vihreällä. Punaisesta väristä tulee todella herkästi vaikutelma jonkinlaisesta vaarasta tai uhkasta, mikä ei varmasti saa varakkaampaa väkeä tämän palvelun nähtyään muuttamaan kyseisille hälyttävän punaisille alueille. Vastaavasti kirkkaimman vihreät alueet saattavat kenties jälleen synnyttää varsin negatiivisen vaikutelman eliitin asuinsijoista.

Mielestäni palveluun sopisi hyvin mahdollisuus vertailla kahta tai useampaa karttaa samanaikaisesti, jolloin eri ilmiöiden väliset yhteydet tulisivat paremmin näkyville tavalliselle sanomalehden lukijallekin. Esimerkiksi koulutus- ja tulotasokarttoja olisi kiva vertailla keskenään asettelemalla ne vierekkäin tai päällekkäisille karttakerroksille, jolloin ei tarvitsisi plarata useamman eri välilehden väliä tai vaihdella koko ajan karttoja keskenään. Toisaalta tämä ominaisuus vain todennäköisesti lisäisi tuulta purjeisiin ihmisille, jotka eivät näitä karttoja osaa kovin kriittisin silmin tarkastella, ja jotka omaksuvat karttojen kuvaamat varsin epämääräisiin lukuihin perustuvat tiedot sellaisinaan.

Tässä siis SWOT- analyysi kokonaisuudessaan:

Strengths  Ajankohtaisia aiheita, siisti, selkeä käyttää, visuaalisesti kaunis, lukijakunta kuuluisan sanomalehden vuoksi suuri

Weaknesses  Datan arvojen perustuminen arvioihin, värivalintojen todennäköinen asenteellisuus, ei tarpeeksi objektiivinen suhteessa kuvattuihin asioihin

Opportunities  Voi herättää lukijoissa mielenkiintoa yhteiskunnallisiin asioihin ja laajentaa maantieteellistä maailmankuvaa sekä kenties herättää keskustelua kartanlukukriittisyydestä. Lisäksi karttojen aiheet voivat jo itsessään kuohauttaa lukijayleisöä ja herättää sitä kautta keskustelua.

Threats  Voi vahvistaa alueiden segregaatiota ja niin sanottua valkoista pakoa sekä voimistaa tai jopa synnyttää uusia alueisiin liitettyjä uskomuksia ja mielikuvia.

Ainakin kyseisen Mapping America- paikkatietopalvelun perusteella  yhdysvaltalaisen paikkatietokäytännön ero suomalaiseen vastineeseen on melko suuri. Suomessa paikkatieto voi olla hyvinkin yksityiskohtaista maan talojen asukkaiden iästä rakennusten korkeuksiin, mutta tällainen tieto on suhteellisen vaikeasti saatavilla, ja siihen tarvitaan yleensä lupa. Ilmainen ja jokaisen kansalaisen käytettävissä oleva paikkatietodata käsitteleekin yleensä yleisiä väestötietoja sekä esimerkiksi maaperä- ja kasvillisuustietoja. Kyseisessä amerikkalaisessa paikkatietopalvelussa tietoa tarjotaan niinkin pienissä yksiköissä kuin kortteleittain, jolloin esimerkiksi omien naapureiden tai tuttujen tulotasoa voi tutkailla hyvinkin tarkasti, vaikkakin yksittäisten kotitalouksien tietoja ei palvelussa saa esille. Ilkka Saarisella on myös mielestäni hyvä näkökulma asiaan: “Kannatan yleisesti yhteiskunnallista avoimuutta, sillä se kasvattaa ihmisten valveutuneisuutta ja tervettä kriittisyyttä. Paikkatietopohjainen karttapalvelu omaa valtavan hyödyntämispotentiaalin kaikilla yhteiskunnan tarkastelutasoilla.” Tämä amerikkalainen karttapalvelukin on tosiaan omalla tavallaan ajatuksia herättävä, ja toivoisinkin suomalaisenkin median käyttävän interaktiivisia karttapalveluita hyödyksi enemmän, kunhan data on tarpeeksi luotettavaa ja selkeää.

Lähteet:

Massinen, S. (2014). New York Times: Mapping America- SWOT- analyysi. 2.3.2014. <https://blogs.helsinki.fi/smassine/>

Saarinen, I. (2014). SWOT- analyysi; KYLLÄ vapaille paikkatietomarkkinoille! 2.3.2014. <https://blogs.helsinki.fi/ilkkasaa/>

Seeve, T. (2014). SWOT, suomeksi VHUM. 2.3.2014. <https://blogs.helsinki.fi/setiseti/>

The New York Times (2014). Mapping America: Every City, Every Block. 2.3.2014. <http://projects.nytimes.com/census/2010/explorer>

 

Kurssikerta 7: Viimeinen koitos kera USA:n maanvieremien

Viimeisellä kurssikerralla saimme viimein täysin vapaat kädet MapInfolla näpertelyyn. Ennen sitä jokaisen tuli päättää aihe/aiheet, joista tehdä oma karttaesitys. Lisäksi tunnille piti olla valmiina etsittynä aineistoa sekä tilasto- että karttamuotoisena, jotta homma saatiin tehokkaasti käyntiin. Pitkähkön ja vaivalloisen aineistokaivelun jälkeen päädyin tekemään karttani Yhdysvaltojen suurimmista maanvieremistä suhteessa asukastiheyteen osavaltioittain.

Itse aineiston etsiminen osoittautui koko kurssikerran haastavimmaksi osuudeksi: selaimen välilehtipalkki täyttyi nopeasti tiedotusblogin ja Googlen tarjoamista ilmaista GIS- dataa sisältävistä suhteellisen sekavista nettisivuista, joissa suorastaan vilisi mitä kummallisempia tiedostotyyppilyhenteitä ja aiheeni kannalta hyödyttömiä aineistoja. Lopulta minulla ei ollut aihetta lukuunottamatta minkäänlaista käsitystä siitä, millaisia aineistoja oikein olin napannut tietokoneeni näyttöön turtuneine silmineni, mutta seuraavana päivänä sainkin huomata niiden sopivan täydellisesti MapInfoon ja tarkoituksiini.
MapInfoon sujahtikin kätevästi Yhdysvaltojen kartta osavaltiojakoineen, maanvieremistä kertova tilasto sekä osavaltioiden väestötietoja sisältävä taulukko.

Karttani (kuva 1) siis kuvaa Yhdysvalloissa vuosina 1925-1998 tapahtuneita menetettyjen ihmishenkien ja taloudellisten vahinkojen kannalta suurimpia maanvieremiä sekä asukastiheyksiä osavaltioittain. Ajattelin näiden sopivan hyvin yhteen kartalla, koska silloin maanvieremiä voidaan tarkastella kätevästi hasardina.

Kuva 1. Yhdysvalloissa vuosina 1925-1998 tapahtuneet maanvieremät sekä asukastiheydet osavaltioittain.

Kuva 1. Yhdysvalloissa vuosina 1925-1998 tapahtuneet maanvieremät sekä asukastiheydet osavaltioittain.

Kartasta näkyy, että suurimmat väentiheydet (70-3410 as/km²) sijaisevat Yhdysvaltojen itärannikolla BosWashin megalopolin ja Floridan alueilla sekä länsirannikolla Kaliforniassa. Sen sijaan Yhdysvaltojen keski- ja muutama pala länsiosaa kuuluvat harvemmin asuttuun (0-20 as/km²) vyöhykkeeseen. Kiinnostavaa onkin huomata, että merkittäviä maanvieremiä on tapahtunut eniten Kalifornian suuren asukastiheyden alueella lännessä. Suuren asukastiheyden vuoksi maanvieremät voivatkin aiheuttaa Kaliforniassa suurta vahinkoa sekä taloudellisesti että ihmishenkienkin kannalta. Maanvieremiä syntyy maanjäristysten, järvialtaiden purkausten, rankkasateiden ja tulvien vuoksi, ja ne voivat erittäin nopeasti rinnettä alas valuessaan peittää alleen rakennuksia ja jopa ihmisiä. Kaliforniassa ja muualla Yhdysvaltojen länsiosissa Kalliovuorten jyrkät rinteet kasvattavat niiden riskiä huomattavasti, mikä on nähtävissä myös kuvien 1 ja 2 karttoja vertaillessa.

Kuva 2. Fyysinen kartta Yhdysvaltojen pinnanmuodoista.

Kuva 2. Fyysinen kartta Yhdysvaltojen pinnanmuodoista. Karttaan ei ole luettu mukaan Alaskaa, Puerto Ricoa ja Havaijia.

Kuvan 2 karttaa tarkasteltaessa onkin helposti nähtävissä, kuinka maanvieremiä kuvaavat pisteet seuraavat suurimpien rinteiden suuntaa. Kyseisessä kartassa ei Puerto Ricoa ja Havaijia näy, mutta niiden maanvieremät ovat johtuneet todennäköisesti rankkasateiden ja tulvien kostuttaman maa-aineksen valumisesta rinteitä alas. Vaikka tekemälläni kartalla ei esimerkiksi Yhdysvaltojen itäosissa ja Floridassa näy ainuttakaan maanvieremää, se ei tarkoita etteikö siellä niitä tapahtuisi. Kartallahan on loppujen lopuksi kuvattu vain vakavimmat seuraukset aiheuttaneet tapaukset.

Olin erittäin yllättynyt siitä, kuinka helppoa karttaa oli tehdä aivan omista aineistoista. Luomisprosessi sujui melkeinpä ongelmitta: ainoa kenties suurin kohtaamani vaikeus tuli tehdessäni asukastiheyssaraketta ja -teemakarttakerrosta. En löytänyt mistään osavaltioiden asukastiheyksiä kuvaavaa tilastoa, saati niiden pinta-alatietoja. Lopulta hoksasin opettajan neuvojen siivittämänä, että voin laskea väentiheyden jo olemassa olevasta tilastosta saatavien väkilukujen ja edellisen kurssikerran maailmankartan pinta-alatietojen avulla. Loppu sujuikin varsin keveästi, vaikkakin pieniä ongelmaisia tuli tulosteen tekemisessä. Hauskaa on myös huomata, että muutamalla muullakin, kuten Jasmin Bayarilla, on ollut samanlaisia kokemuksia: “Aluksi minulla löi ainakin tyhjää, mutta avustuksella karttaprojekti saatiin käyntiin ja loppujen lopuksi tietojen siirtäminen, päivittäminen ja itse teemakartan luonti tuntui sujuvan itse asiassa aika hyvin. Sanotaan näin, että kun MapInfo drive iski päälle, alkoi työ edetä sujuvasti!”

Olisi ollut myös mielenkiintoista tehdä kartta kyseisistä maanvieremistä ja niiden lisäksi eri karttatasolle maanvieremien eri todennäköisyydet koko Yhdysvaltojen alueella. Siten olisi ollut vielä helpompaa ja informatiivisempaa tarkastella maan maanvieremiä nimenomaan riskeinä, eikä tehdä suhteellisen hataria päätelmiä maanvieremien yleisyydestä muutaman merkittävän tapauksen perusteella.

PAK- kurssi itsessään on ollut todella opettavainen: tunnen hallitsevani MapInfon nyt huomattavasti paremmin kuin kurssin alussa ja uskallan myös luottaa itseeni sen parissa. Tämän jälkeen myöhemmin opeteltava ArcGIS on varmasti helppokäyttöinen, ja siihenkin voin syventyä melko turvallisin mielin.

Lähteet:

Erfving, N. (2014). Kurssikerta 7: BKT, vaarallinen jäte ja uusiutuva energia EU-maissa. <https://blogs.helsinki.fi/nataliae/>. Luettu 27.2.2014.

Landslide Events in the United States (2013). National Atlas of the United States. 25.2.2014. <http://nationalatlas.gov/mld/landslx.html>.

Tiger-Line Shapefiles Pre-joined with Demographic Data (2014). United States Census Bureau. 25.2.2014. <http://www.census.gov/geo/maps-data/data/tiger-data.html>.

Kuva 2: <http://geology.com/world/the-united-states-of-america-physical-map.shtml>. 27.2.2014.

 

Kurssikerta 6: Pisteaineistoja kartalla

Täytyypä sanoa jo tähän alkuun, että tämä kurssikerta oli kaikista mukavin tähän mennessä. Aamuvarhaisella pääsimme pienissä ryhmissä kiertelemään Kumpulassa etsien oman teemamme mukaisia kohteita ja merkitsemällä kyseiset pisteet GPS-laitteeseen ja paperille. Oma ryhmäni etsi mainospaikkoja, ja välissä jouduimmekin pohtimaan, ovatko lyhtypylväät varsinaisesti mainostuspaikkoja. Päätimme kuitenkin lopulta ottaa ne mukaan, koska mainoksiahan ne joka tapauksessa sisältävät. Luokan lämpöön saavuttuamme teimme keräämästämme aineistosta Excel-taulukon, jonka perusteella sitten tehtiin kartta MapInfolla.

2014-02-18 08.56.54

Kuva 1. Viipale ryhmäämme ahkerassa pisteenkeruussa.

Mainospaikkojen pisteitä kartalle liittäessä opimme käyttämään Create Points– toimintoa, joka oli yllättävän helppokäyttöinen, vaikkakin monella (minä mukaan lukien) pisteiden saaminen kartalle osoittautui varsin haastavaksi toimenpiteeksi. Tämän jälkeen vielä harjoittelimme geokoodausta, jonka sisimmät merkitykset totta puhuen jäivät minulle hieman pimeän peittoon. Onhan tässä vielä onneksi aikaa oppia sekin taito.

Seuraavana oli vuorossa itsenäistehtävät, joissa tuli tehdä kolme karttaa maanjäristyksistä, tulivuorista ja/tai meteoriittikraatereista maapallolla. Kovasti vulkanismista ja muista endogeenisistä ilmiöistä innostuneena valitsin luonnollisesti tulivuoret ja maanjäristykset aiheekseni. Dataa keräsimme erikseen linkatuilta sivuilta, jotka sujautin tämänkin kirjoituksen lähteisiin. Karttani (Kuvat 2 ja 3) maanjäristysten aikaväli on molemmissa sama, 1.1.1980-18.2.2014, mutta niiden voimakkuudet Richterin asteikolla ovat sen sijaan erit, yli 4 ja yli 8 magnitudia.

4 magnitudin maanjäristykset aikaväliltä 1.1.1980- 18.2.2014.

Kuva 2. Yli 4 magnitudin maanjäristykset aikaväliltä 1.1.1980- 18.2.2014.

Kuva 3. 8 magnitudin maanjäristykset aikaväliltä 1.1.1980- 18.2.2014.

Kuva 3. Yli 8 magnitudin maanjäristykset aikaväliltä 1.1.1980- 18.2.2014.

Jos olisin opettaja, käyttäisin varmasti vastaavia karttoja opetustyössäni, koska niissä näkyy selvästi järistysten yhteydet litosfärilaattojen saumakohtiin. Erityisesti 4 magnitudin järistyksiä kuvaavassa kartassa laattojen rajat näkyvät erittäin selkeästi, jolloin varsinkin visuaalisten oppijoiden oppimisprosessi tehostuu. Lisäksi kartasta näkyy hyvin laattojen keskelläkin sijaitsevia murros- ja siirroskohtia, joissa on ollut järistyksiä. Kartasta on myös hyvin nähtävissä, että niitä on tapahtunut huomattavasti eniten Tyynenmeren tulirenkaaksi kutsutulla alueella sekä Himalajan vuoriston ja Välimeren alueilla. Olisin ehkä kuitenkin voinut valita karttaan esimerkiksi yli kuuden magnitudin järistykset, kuten Natalia Erfvingkin on omassa  maanjäristyskartassaan tehnyt, sillä silloin siitä olisi tullut siistimpi ja helppolukuisempi. Myös järistyssymboleiksi valitsemani tähdet ovat ehkä sittenkin hieman liian “voimakas” valinta varsinkin oppilaita ajatellen, koska ne tekevät ilmiöstä aggressiivisemmanoloisen.

Kuvan 3 kartassa kahdeksan magnitudin järistyksiä on huomattavasti vähemmän, ja litosfäärilaattojen rajat eivät enää erotu. Yli 8 magnitudin maanjäristykset ovat olleet yleisimpiä Tyynenmeren tulirenkaan alueella, mitä voikin helposti korostaa tätä ja kuvan 2 karttaa vertailemalla. Samalla karttojen vertailulla voisin myös opetustyössäni huomauttaa kyseisen voimakkuuden järistysten harvinaisuudesta.

Edellisten lisäksi tein kartan (kuva 4) purkautuneista tulivuorista.

Kuva 4. Purkautuneet tulivuoret maapallolla.

Kuva 4. Purkautuneet tulivuoret maapallolla.

Tulivuoret selkeästi asettuvat jälleen litosfäärilaattojen rajakohtiin, erityisesti Tyynenmeren tulirenkaalle laattojen törmäysvyöhykkeille. Kuitenkin opetuksen kannalta olisi myös hyvä korostaa tulivuorten sijainti erkanemisvyöhykkeillä, kuten Atlantin keskiselänteellä. Johanna Hakanen on tehnyt tulivuorikartoistaan astetta mielenkiintoisempia ja opetusta syventävämpiä, sillä hän valitsi toiseen karttaan kerros- ja toiseen kilpitulivuoret: “Valitsin kerrostulivuoret ja kilpitulivuoret, sillä ne syntyvät ainakin tyypillisesti mannerlaattojen suhteen erilaisilla alueilla. Kerrostulivuoret syntyvät useimmin mannerlaattojen törmäysvyöhykkeillä ja kilpitulivuoret joko hot spoteissa tai joskus loittonemisvyöhykkeellä. Varsinkin toinen kartta — olisi myös hyvä esittää yhdessä mannerlaattoja ja niiden liikkeitä esittävän kartan yhteydessä. Tällöin yhteys kerrostulivuorten ja alityöntövyöhykkeiden välillä on hyvin helppo huomata.” Tämä on todella hyvä idea, ja käyttäisin myös itse niitä opetushommissa.

Siirsin tulivuoridatan MapInfosta vielä Google Earthiin, koska innostuin suuresti sen tarjoamista opetusmahdollisuuksista. Kuva siitä on alla.

Kuva 5. Purkautuneet tulivuoret Google Earth- näkymässä.

Kuva 5. Purkautuneet tulivuoret Google Earth- näkymässä.

Datan siirtäminen MapInfosta Google Earthiin vaikutti melko monimutkaiselta, mutta onneksi sain siihen tehokasta opetusta ja apua kullankalliilta kurssitoverilta. Innostuin pyörittelemään maapalloa tulivuorineen niin paljon, että lopulta se oli aivan ylösalaisin ja näkymässä avautui  Etelämanner tulivuorineen. Etelämantereen tulivuorille en ollut aiemmin uhrannut montakaan ajatusta, joten tämä löytö oli varsin mielenkiintoinen. Siinäkin tulivuoret sijoittuivat tyypillisesti laattojen reunakohtiin. Google Earth on erinomainen opetustyökalu, jonka avulla oppilaat voisivat tutkia tulivuorten lisäksi muitakin maantieteellisiä ilmiöitä, kuten esimerkiksi erilaisten luonnonvarojen ja vaikkapa ydinvoimaloiden levittäytymistä ja sijaintia.

Opetuksessa olisi myös hyvä käyttää hyödyksi karttaa, jossa näkyy laattojen oikeat rajakohdat. Tällöin ne jäävät selkeämmin oppilaiden mieleen erityisesti edellisiin karttoihin verrattaessa. Internetistä löytämässäni kartassa (kuva 6) näkyy suurimmat tunnetut litosfäärilaatat sekä niiden väliset törmäys-,erkanemis- ja siirrosvyöhykkeet (siirrosvyöhykkeitä kartalla tosin näkyy vain yksi, San Andreasin siirros Kaliforniassa).

Kuva 6. Litosfäärilaatat ja niiden väliset törmäys-, erkanemis- ja siirrosvyöhykkeet.

Kuva 6. Litosfäärilaatat ja niiden väliset törmäys-, erkanemis- ja siirrosvyöhykkeet.

Lähteet:

ANSS Catalog (2013). Northern California Earthquake Data Center. 19.2.2014. <http://quake.geo.berkeley.edu/anss/catalog-search.html>.

Erfving, N. (2014). Kurssikerta 6: Maanjäristysten ja tulivuorten esittäminen pistekartalla. <https://blogs.helsinki.fi/nataliae/>. Luettu 19.2.2014.

Global Volcano Locations Database (2014). Data.gov. 19.2.2014. <http://catalog.data.gov/dataset/global-volcano-locations-database>.

Hakanen, J. (2014). Kurssikerta 6: Pisteaineiston muodostaminen ja esittäminen kartalla. <https://blogs.helsinki.fi/johakane/>. Luettu 19.2.2014.

Kuva: http://en.wikipedia.org/wiki/File:Plates_tect2_en.svg

 

 

Kurssikerta 5: Bufferointia ja analyysejä

Tämän kurssikerran teemana oli oppia ratkaisemaan ongelmia MapInfoon liittyen sekä testata omia opittuja taitoja. Aluksi kävimme läpi bufferointia eli puskurointia, jossa jonkin pisteen, viivan tai alueen ympärille luodaan halutun kokoinen vyöhykealue, jonka sisälle jääneitä haluttuja asioita voidaan kätevästi laskea ja analysoida. Aloitimme harjoittelun bufferoimalla ensin viime kerralla tekemiemme Pornaisen keskustan kartalla näkyviä teitä ja rakennuksia ja vastailimme yhdessä meille annettuihin kysymyksiin.

Bufferointi ei ollutkaan loppujen lopuksi niin vaikeaa, miltä se aluksi kuulosti. Mielestäni se on erittäin kätevä työkalu esimerkiksi melualueiden ja niiden asukasmäärien tutkimisessa, jota itse asiassa teimmekin myöhemmin itsenäisissä tehtävissä, ja vaikkapa erilaisten aikaetäisyyksien määrittelyssä. Olisi ihan mielenkiintoista tehdä bufferianalyysi esimerkiksi siitä, miten nopeasti ambulanssi saavuttaa eri kaupunginosissa asustelevat ihmiset, ja vertailla eri kaupunkien eroja.

Puskurointia voi soveltaa varmasti mitä monenkirjavimpiin tarkoituksiin. Yhden hyvän esimerkin, jota en olisi itse tullut ajatelleeksikaan, bongasin Pyry Poutasen blogista: “Puskurointia voi käyttää tehokkaasti myös vaaravyöhykkeiden kartoittamiseen ja pelastussuunnitelmia laadittaessa esimerkiksi ydin-, kemikaali- ja räjäytysturvallisuusasioissa. Uskon puskuroinnin mahdollisuuksiin myös sotilaallisissa tarkoituksissa, sillä esimerkiksi tukikohtasuunnittelussa on tärkeää joukkojen hajauttaminen ja toisaalta keskittäminen samanaikaisesti. Joukot ja materiaali ovat karttaan sidottuja objekteja ja elintärkeät toiminnot (muonitus, sairaanhoito IED:n purku yms.) pitää olla saavutettavissa ja esimerkiksi ilmaiskujen potentiaaliset tuhot minimoida (ympyräsäteinen tuhoalue).”

Bufferointiin perehtymisen jälkeen aloimme tehdä itsenäistehtäviä, joista opettajamme oli edellisellä viikolla pahaenteisesti varoittanut, Vastaukset laitoin Excelissä taulukkomuotoon, josta niitä voi halutessaan tarkastella (taulukko 1).

Taulukko 1. Vastaukset kurssikerran itsenäistehtäviin.

Taulukko 1. Vastaukset kurssikerran itsenäistehtäviin.

Ensimmäiset tehtävät menivät melko sujuvasti, mistä olinkin itse asiassa hieman yllättynyt. Kuitenkin turvauduin muutamaan otteeseen kavereiden ja annetun luuranko-ohjeen neuvoihin, kun tuntui etten päässyt millään eteenpäin. Kun nyt aikaisemmin opittuja asioita tuli soveltaa yhtä aikaa, jouduin oikeasti miettimään, mitä oikein piti tehdä.

Seinät tulivat vastaan yleensä select- ja SQL selectin kanssa sekä erilaisia tietokantoja yhdisteltäessä. Onneksi en ole ainoa: Ilkka Saarinenkin tuskailee blogissaan tietokantojen yhdistämisestä: –haluan lausua muutaman sanan tietokantojen yhdistämisestä, joka kohdallani edelleen osoittautuu aika ajoin hankalaksi, vaikka mielestäni ymmärrän tässä vaiheessa jo aika hyvin prosessin perusidean. Ajatuksen kadotessa tulee helposti tehtyä virheitä tärkeimpien hiirenklikkausten kohdalla. — Calculate valikko herättää minussa yhä edelleen pientä hämmennystä. Tässä tulee mielestäni valita Sum, sillä ohjelman tulisi laskea yhteen Pks_vaki tietokannan rakennuskohtaiset asukasluvut ja liittää nämä taajamatietokantaan.” Viimeisessä pääkaupungin uima-allasmääriä käsittelevässä tehtävässä törmäsin jatkuvasti tähän samaan ongelmaan, minkä takia en muun muassa saanut tehtyä tehtävänantoon kuulunutta karttaakaan. Homma tyssäsi siihen, että en millään saanut yhdistettyä Pks_Vaki- tietokannan uima-allastietoja Pks_pie- tietokantaan, jolloin olisin saanut ratkaistua jokaisen Helsingin kaupunginosan uima-altaiden määrän. Kokeilin Table Structuren ja Update Columnin Calculate- valikkojen kaikkia vaihtoehtoja, joista ensimmäisessä järkeen käyvintä olisi ollut valita Integer ja jälkimmäisessä Sum tai Count, koska halusin tietää uima-altaiden lukumäärät kyseisissä kaupunginosissa. Kaikista kokeiluistani huolimatta kaupunginosien uima-altaiden lukumäärät olivat aivan järjettömiä, eivätkä vastanneet lainkaan muiden saamia vastauksia. Kuitenkin muiden saman tehtävän valinneiden blogeja lukiessani huomaan, että he ovat onnistuneet kartan ilmeisen helposti tekemään. Mitä siis oikein tein väärin? Pitänee haastatella kyseisiä MapInfo-velhoja, koska tämä on varmasti todella helppo asia ja tärkeä ymmärtää jatkonkin kannalta.

SQL-selectin ja selectin käyttöön sain onneksi kaverin auliisti antamia neuvoja, jotka kuitenkin tähän päivään mennessä ovat tainneet jo vaipua unholaan. Kyseisten toimintojen ero ei vielä ole minulle oikein selvä, mutta eiköhän se sieltä vielä jonain aurinkoisena päivänä päähäni pälkähdä.

MapInfon tärkeimmät työkalut tuntuvat olevan juuri minulle ongelmaksi muodostunut tietokantojen yhdistely ja muokkaus sekä niiden analysointi erilaisilla tilastollisilla laskentatyökaluilla. Vaikka tällä kurssikerralla koin valaistuksen sijaan lähinnä pääni yläpuolella leijuvan tummanpuhuvan ukkospilven, on minunkin todettava, että takanamme on vasta vain viisi MapInfoa käsittelevää kurssikertaa ja kukaan meistä ei ole vielä sen asiantuntija. Opittavaa riittää, ja kuten Samuli Massinenkin blogissaan toteaa: “Tekemällä oppii MapInfon parissa parhaiten–.”

Lähteet:

Massinen, S. (2014). Fifth round – Bufferointia ja analyysejä <https://blogs.helsinki.fi/smassine/>. Luettu 15.2.2014.

Poutanen, P. (2014). Kurssikerta 5 – Itsenäistä ajattelua. <https://blogs.helsinki.fi/pyrypout/>, Luettu 14.2.2014.

Saarinen, I. (2014). KK5- Larppausta ja menneitä aikoja. <https://blogs.helsinki.fi/ilkkasaa/>. Luettu 15.2.2014.

Kurssikerta 4: Ruututeemakartta ja rasterikarttakuvan rekisteröinti

Tällä kerralla teimme ruututeemakartan aluksi pääkaupunkiseudun opiskelijoiden määrästä, minkä jälkeen saimme aloittaa itsenäisenä tehtävänä oman ruutukarttamme väkertämisen jostakin itse valitsemastamme aiheesta. Lisäksi kurssikerran loppupuolella kävimme vielä läpi rasterimuotoisen karttakuvan liittämistä ja rekisteröintiä koordinaatistoon sekä opeteltiin piirtämään MapInfon työkaluilla. Varsinaisesta “opettelusta” ei kuitenkaan ollut kyse, koska käytettävissä olevat välineet olivat CorelDraw:n jälkeen varsin yksinkertaisia. Rasterikuvan rekisteröinti tehtiin seuraavaa kurssikertaa varten, josta opettajamme jo etukäteen pahaenteisesti varoitteli.

Teemakarttani (kuva 1) aiheeksi valitsin ruotsinkielisten määrän pääkaupunkiseudulla. Ruudukko saatiin karttaan GridMaker- työkalulla, jolla valitsin ruutujen kooksi 200 m x 200 m, jolloin yhden ruudun pinta-alaksi luonnossa siis tuli 4 ha.

Pk_seutu_Ruotsinkieliset_2

Kuva 1. Ruututeemakartta ruotsinkielisten määrästä pääkaupunkiseudulla.

 

Kartassa näkyy, että ruotsinkielisiä on eniten Helsingin länsipuolella pitkulaisessa linjassa rannikkoa pitkin ja lähellä Helsingin keskustaa sekä Espoon eteläpuolella ja Kauniaisissa. Sen sijaan heitä on vähemmän Helsingin itäosissa, Vantaalla ja Pohjois-Espoossa. Lähellä Helsingin keskustaa on keskimääräistä kalliimpia ja kookkaampia asuntoja, ja kantakaupungin ulkopuolella rannikon tuntumassa isohkoja omakotitaloja, joihin monet varakkaat ruotsinkieliset perheet ovat asettuneet asumaan. Kuitenkin on otettava huomioon, että ruotsinkielisiä asuu myös varsin suomenkielivaltaisilla alueilla, kuten Itä-Helsingissä.

Lukijan kannalta olisi selkeämpää, jos ruutujen koot olisivat isommat, koska silloin karttaa olisi ehkä helpompi ymmärtää ja tarkastella. Toisaalta, mikäli lukija haluaa tutustua karttaan kunnolla, suhteellisen pienet neljän hehtaarin ruudut auttavat häntä näkemään niiden kuvaaman ilmiön suuruuden. Esimerkiksi suurimman luokan (57-255 as/4 ha) ruutuja tarkasteltaessa lukija ymmärtää helpommin, kuinka paljon esimerkiksi luokan ylin arvo 255 oikeasti on neljän hehtaarin alueella luonnossa. Jos tämän neljän hehtaarin ruudun arvoa vielä verrataan esimerkiksi yhden neliökilometrin alueeseen, ilmiön suuruus tulee yhä selvemmäksi. Lisäksi pienemmät ruudut ovat visuaalisesti kauniimman näköisiä kuin esimerkiksi 1000 x 1000- ruudut, koska pienemmät ruudut sulautuvat paremmin yhteen ja muodostavat liukuvamman väripinnan kuin suuret.

Mielestäni ruututeemakartta on hieman vaikealukuisempi kuin perinteiset koropleettikartat, koska siinä teeman ilmiö(i)tä kuvataan absoluuttisilla luvuilla, mitä täytyy aina miettiä pikkuisen pidempään. Ruotsinkielisten levittäytymisenkin syitä pohdiskellessa koropleettikartta olisi hyödyllisempi, mitä myös Minni Aalto eläkeläisten määrää käsittelevässä blogikirjoituksessaan pohdiskelee: “Lisäinformaatiota karttaan toisi se, jos eläkeläisten määrä olisi jollain tavalla suhteutettu kokonaisväkilukuun. Absoluuttisia arvoja kiinnostavampaa olisi mitata eläkeläisten prosenttiosuutta väestöstä kullakin alueella. Tällöin karttaan oltaisi voitu lopuksi lisätä sellaisia kohteita jotka ovat todennäköisesti vetäneet puoleensa juuri eläkeläisiä näillä alueilla.” Prosenttimuotoista numeroaineistoa on myös tässä tapauksessa maallikon helpompi ymmärtää ja lukea. Toisaalta, mikäli halutaan kuvata vain ja ainoastaan ruotsinkielisten asukkaiden lukumäärän jakautumista alueella, ruututeemakartta on hyvä valinta.

Lähteet:

Aalto, M. (2014). Kurssikerta 4: Rasterikarttoja MapInfolla. <https://blogs.helsinki.fi/mmaalto/>. Luettu 5.2.2014.

Kurssikerta 3: Datan käsittelyä ja tulvakartan tekemistä

Kolmannella kurssikerralla opettelimme tietokantojen siistimistä, yhdistämistä ja muokkausta MapInfolla. Oppimista oli paljon, mutta saimme onneksi hyvät ohjeet paperille tulostettuna. Asiat vaikuttivat minusta melko haastavilta ja ne menivät keskenään sekaisin, joten seurailinkin monisteen kärsivällisiä opastuksia ajoittain jokseenkin tuskastuneena.

Lopputulokseksi kuitenkin sain kaikkien muiden tapaan opettajan avustuksella aikaan uuden tietokannan ja teemakartan, jossa kuvataan Afrikassa esiintyvät timanttikaivokset, öljylähteet, konfliktit ja niiden laajuus sekä internetin ja Facebookin käyttäjien lukumäärät. Tietokannasta ja sen perusteella tehdystä kartasta (kartta PAK- tiedotusblogissa, kuva 1) voidaan päätellä kyseisten ilmiöiden välisiä suhteita.

Kartassa näkyy esimerkiksi yhteys timanttikaivosten ja konfliktien välillä: suurin osa timanttikaivoksista sijaitsee alueilla, joilla esiintyy paljon laajamittaisia konflikteja.

Afrika

Kuva 1. Kartta Afrikan timanttikaivoksista, öljylähteistä ja konflikteista sekä niiden laajuudesta. (Paarlahti, A.)

Kuitenkin, jos tietokanta sisältäisi myös tiedot konfliktien tapahtumavuosista ja timanttikaivosten löytämis- ja aloitusvuosista , voitaisiin pohtia tarkemmin niiden välistä korrelaatiota, kuten Natalia Erfvingkin mainitsee blogissaan: “Konfliktien tapahtumavuotta taas voitaisiin verrata timanttikaivosten kaivauksien ja öljykenttien poraamisen löytämis- ja aloitusvuosiin ja näin ollen nähdä, että onko nämä elinkeinomuodot mahdollisesti saaneet jonkin konfliktin syttymään.” Lisäksi olisi kiehtovaa verrata internet- ja Facebookin käyttäjien lukumäärää eri vuosina timanttikaivosten ja öljykenttien perustamisvuosiin sekä niiden tuottavuusluokitteluun. Voisi nimittäin ennen aiheeseen perehtymistä hyvinkin olettaa, että hyvin tuottavien timantti- ja öljykaivosten alueilla on enemmän internetkäyttäjiä kuin alueilla, joissa tuottavuus on huono tai esimerkiksi öljykenttiä ei ole lainkaan.

Varsinaisena itsenäisenä tehtävänä oli luoda Suomen tulvaindeksikartta (kuva 1) annettuja tietokantoja yhdistelemällä ja visualisoimalla.

Valuma_alueet_Suomi_2

Kuva 2. Suomen valuma-alueet.

Kohtasin pienehköjä ongelmia tietokantoja yhdistellessäni, mutta siitäkin huolimatta sain lopulta oman karttani valmiiksi. Näin jälkeenpäin karttaa tarkasteltuani huomasin sen värityksen olevan aika huono, koska erityisesti länsirannikon vaaleat alueet näyttävät vaaleankeltaisen (tulvaindeksi 0-30) sijaan valkoisilta, jota ei edes ole legendassa. Toisaalta suurimpien tulvaindeksien alueet erottuvat selkeästi, mikä ainakin maallikon silmin helpottaa lukemista. Kartta voi aiheuttaa muutenkin hieman kummastusta asiaan perehtymättömälle henkilölle, kuten Tuomas Lillebergkin blogissaan mainitsee: “Kartta esittää Suomen valuma-alueita. Maallikko ei sitä ehkä ymmärrä, ennen kuin sen lukee kuvan tekstistä. Ehkä on hieman yllättävää, että valuma-alueemme on suurempi kuin maamme rajat–“.  

Maantiedettä hatarastikin tunteva hahmoparka voi karttaa tutkiessaan melko helposti huomata, että tulvaindeksi on suurin jokisilla alueilla, kun taas alhaisimmat indeksit esiintyvät järvisillä alueilla. Esimerkiksi 110-150 ja 150-1100- indeksiluokkia on erityisesti Suomen länsirannikolla Oulusta etelään sekä etelässä Turun seudulla rannikon tuntumassa. Sen sijaan alhaisimman tulvaindeksin alueet sijaitsevat Itä- ja Keski-Suomessa sekä Lapissa järvisemmissä maisemissa. Maallikolle ei kuitenkaan välttämättä ole selvää, miksi Lapissa on vähäjärvisyydestä huolimatta alhainen tulvaindeksi aiemmasta poiketen.

Lisäksi jo käsite “tulvaindeksi” voi herättää kauhun tunteita hydrologiaa hyvin vähän tuntevalle henkilölle. Tulvaindeksi on kuitenkin loppujen lopuksi melko helppo ymmärtää: se saadaan yksinkertaisesti jakamalla keskiylivirtaama (MHQ) keskialivirtaamalla (MNQ), missä keskiylivirtaama tarkoittaa tulvahuippujen keskiarvoa ja keskialivirtaama kuivien kausien alimpien arvojen keskiarvoa. Minun tapauksessa tällainen luonnonilmiöihin liittyvä laskeminen ja sen pohdinta on kiehtovaa ja mukavaa vaihtelua varsin kulttuurimaantiedevaltaisen syksyn jälkeen.

Lähteet:

Erfving, N. (2014). Kurssikerta 3: tiedon lisääminen tietokantoihin ja valuma-alueteemakartta. https://blogs.helsinki.fi/nataliae/. Luettu 31.1.2014.

Lilleberg, T. (2014). 3. kerta: Mapinfoharjoitukset (teemana Afrikka ja Suomen vesistöt). https://blogs.helsinki.fi/tuomasli/. Luettu 31.1.2014.

Paarlahti, A. (2014). Afrikkaa. https://blogs.helsinki.fi/pak-2014/. Luettu 31.1.2014.

 

Kurssikerta 2: Artikkeli 1

Tällä kurssikerralla saimme vielä tehtäväksi lukea Anna Leonowiczin vuonna 2006 kirjoittama artikkeli “Two-variable choropleth maps as a useful tool for
visualization of geographical relationship”, jossa otsikonkin mukaan käsitellään kaksiteemaista koropleettikarttaa sekä arvioidaan sen hyödyllisyyttä ja ymmärrettävyyttä erilaisten ilmiöiden välisten suhteiden kuvaajana. Leonowicz on lisäksi liittänyt artikkeliin tutkimuksensa, jossa hän halusi selvittää, kuinka hyvin kartanlukijat ymmärtävät kaksiteemaista karttaa ja vertasi sitä vielä yksiteemaiseen karttaan. Aineistonsa hän sai tekemällä yksi- ja kaksiteemaisia koropleettikarttoja käsitteleviä kysymyksiä sisältävän testin kahdessa eri puolalaisessa yliopistossa opiskelleille ensimmäisen vuoden maantieteen opiskelijoille.

Artikkelissa todetaan lopulta kaksiteemaisen koropleettikartan olevan hyvä ja mielenkiintoinen vaihtoehto kahden, toisiinsa yhteydessä olevien ilmiöiden välisten suhteiden kuvaamiseen. Edellytyksenä tälle on se, että luokkia ei ole liikaa ja niiden värit ovat sopivia ja selkeitä, jolloin lukijan on helpompi nähdä kartalle päällekkäin asetettujen teemojen välisiä yhteyksiä. Olen itse samaa mieltä, sillä artikkelin lopussa olevia koropleettikarttoja ja niiden legendoja tarkastellessani havaitsin the U. S. Bureau of the Censuksen tekemien luokkavärityksien olevan hyvin vaikealukuisia. Lisäksi kyseinen taho oli päättänyt jakaa aineiston jopa 16 (4 x 4) luokkaan, mikä on aivan liikaa selkeän kartantulkinnan kannalta. Jos tällä luokitustavalla olisi vielä tehty kaksiteemainen koropleettikartta, sen ilmaisemien asioiden välisten suhteiden ymmärtäminen olisi ollut varmasti ainakin minulle hyvin haastavaa. Samaa olivat ilmeisesti Leonowiczin tutkimusaineiston lähteinä toimineet opiskelijaparatkin ajatelleet, sillä tutkimuksessa käytettiin samaa luokittelutapaa ja se todettiin suhteellisen vaikeaselkoiseksi.

Artikkelin koropleettikartan legendaa ja luokittelutapojen valintaa selittävää kappaletta lukiessani hieman hämmennyin. Legenda ei ollutkaan enää se perinteinen ja turvallinen laatikko, jossa jokainen kartalla esiintyvä symboli ja väri selitetään selkeästi omilla riveillään. Sen sijaan kohtasin x- ja y- akselien osittain rajaaman neliön, jonka läpi kulki lineaarinen regressiokäyrä. Neliö oli jaettu tässä tapauksessa yhdeksään (3 x 3) pienempään neliöön, jotka kuvaavat luokkia. Itse tekstiin en jaksanut niinkään sen monimutkaisuuden vuoksi keskittyä, mutta kuvia sinnikkäästi tutkiessani lopulta pääsin uskoakseni perille legendan toiminnasta. Regressiosuoran ympärillä olevat havaintopisteet asettuvat alla oleviin ruutuihin, jolloin niiden lukumäärät ruuduittain voidaan laskea ja ruudut saavat oman värinsä. Kuten Natalia Erfving blogissaan hyvin kertoo: “Näin ollen, esim. yläkulman tummanvioletti ruutu kertoo, että tällaiselta alueelta löytyy molempia muuttujia paljon, tässä tapauksessa nuoria ja maaseutuväestöä. Hyväksi tässä kartografisessa esityksessä koin havaintopistearvojen näkymisen legendassa. Jos kartanlukija ymmärtää lineaarisen regression teorian, voi hän jo näitä pisteitä silmäilemällä nähdä, onko ilmiöillä keskinäistä korrelaatiota.”

Vaikka tällä artikkelissa esitellyllä tavalla tehty kaksiteemainen koropleettikartta onkin hyvin tehtynä oiva tapa kuvata kahden maantieteellisen ilmiön välistä suhdetta, kartografiaan suuremmin perehtymätön lukija ei saa siitä kovinkaan paljon mitään irti. Kartan legenda erikoisine väreineen on jo itsessään sen verran vaikealukuinen, että se jo saattaa pelottaa muutaman kartanlukijan niin sanotusti turvallisemmille vesille. Tällä kurssikerralla esitelty tapa tehdä kaksiteemainen koropleettikartta on mielestäni selkeämpi kuin artikkelin esittelemä tapa, koska sen tulkinta on mielestäni paljon helpompaa. Tunnilla tehdyssä kartassa oli selkeämmät rasteri- ja pisteväritykset, sekä ennen kaikkea helposti ymmärrettävä legenda. Joskus olisi tosin mielenkiintoista yrittää tehdä artikkelin mukainen kaksiteemainen koropleettikartta MapInfolla, jos se on ylipäänsä mahdollista. Tällöin oppisin varmasti paremmin, mistä tässä uudessa teemakarttatapauksessa on oikein kyse.

Lähteet:

Erfving, N. (2014). Kurssikerta 2: Artikkeli 1 – Kaksiteemainen koropleettikartta. https://blogs.helsinki.fi/nataliae/. Luettu 23.1.2014.

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

Kurssikerta 2: Teemakarttojen tekeminen MapInfolla

Toisella kurssikerralla kävimme aluksi opettajan avustuksella läpi erilaisten teemakarttojen tekemistä MapInfolla. Ohjelman käyttö selkiintyikin huimaa vauhtia pylväs- ja ympyrädiagrammi- sekä graduated-,piste-, individual- ja grid-teemakarttoja tehdessä. Lisäksi teimme harjoitusesimerkkiversiot prismaattisesta ja 3D-kartasta sekä kaksiteemaisesta kartasta, jossa siis oli päällekkäin kaksi koropleettiteemaa. Kaikkien karttojen tekeminen oli yllättävän helppoa ainakin ohjeita seuraillen, mutta erityisesti pylväs- ja ympyrädiagrammikarttojen tekemisen helppous loi ainakin minuun aivan uudenlaista luottamusta MapInfon käyttämiseen. 3D-karttojen ja prismaattisten karttojen tekeminen oli sen sijaan hieman monimutkaisempaa, mutta sen tulosten katsominen sitäkin palkitsevampaa.

Lopuksi saimme tehtäväksi luoda kaksiteemainen kartta täysin vapaavalintaisesta aiheesta. Meillä oli käytössämme Suomen kartta kuntajakoineen ja siihen liittyvä kuntiin jaettu tietokanta, jossa oli hyvin monipuolisesti tietoa jokaisesta kunnasta  väestöntiheydestä selvitettyjen rikosten lukumäärään. Itse päätin tehdä kartogrammin (kuva 1) Pohjois-Pohjanmaan väestöntiheydestä ja ikäjakaumasta vuonna 2011.PP3

Kuva 1. Kartogrammi Pohjois-Pohjanmaan väestöntiheydestä ja ikäjakaumasta kunnittain vuonna 2011.

Toinen teemoistani on siis väestöntiheys, jonka visualisoimisessa kohtasin tämän kurssikerran isoimman ongelman: edelliselläkin kurssikerralla käytetty histogrammityökalu ei sitkeästä yrittämisestä huolimatta suostunut jostakin toistaiseksi tuntemattomasta syystä toimimaan lainkaan, joten en voinut luoda histogrammia väestöntiheyden numeroaineistosta. En siis voinut luokittelutapaa valitessani olla täysin varma, mikä olisi ollut se oikea valinta. Lopulta päädyin kuitenkin tasaväliseen luokitukseen, koska silloin jokaiseen viiteen luokkaan tuli havaintoja, toisin kuin monessa muussa MapInfon tarjoamassa luokittelutavassa. Lopputulos näyttää varsin oikealta, sillä Oulu on kyseisen maakunnan keskus ja siellä väestöntiheys on luonnollisesti suurinta, kun taas esimerkiksi kauempana Oulusta sijaitsevat Siikalatva ja Pyhäntä ovat väestöntiheydeltään pienempiä. Oulun naapurikuntien Oulunsalon ja Kempeleen suuret väentiheydet johtuvat siitä, että ne sijaitsevat Oulun lisäksi lentokentän ja moottoritien läheisyydessä. Lisäksi Ylivieskan ja Nivalan luokittelussa toiseksi suurimmat väestöntiheyslukemat (20-95 as/km²) johtunevat alueella kulkevan rautatien ja sen varrelle perustetun rautatieaseman luomista hyvistä kulkuväylistä. Kuitenkin väestöntiheyttä kuvaavaan luokitteluun ei tosiaan kannata niin sataprosenttisesti luottaa luokittelutavan valitsemisessa ilmentyneiden vaikeuksien vuoksi.

Toisena teemanani on Pohjois-Pohjanmaan ikäjakauma, jota päätin kuvata ympyrädiagrammeilla kunnittain. Ikärakenne on jaettu kolmeen luokkaan: 0-14- vuotiaat, 15-64- vuotiaat ja yli 65- vuotiaat. Ympyrädiagrammien teko oli, kuten edellä mainitsinkin, yllättävän helppoa ja kivaa; MapInfo osoitti erityisesti tässä vaiheessa hyödyllisyytensä tietokantojen ja karttojen yhdistämisessä. Halusin vaihtaa ympyrädiagrammien sektorien värit sellaisiksi, että ne erottuvat ja sopivat mahdollisimman hyvin alla olevaan väestöntiheyttä kuvaavaan puna-keltaiseen väriskaalaan, jotta karttaa olisi mukavampi ja selkeämpi lukea. MapInfon tarjoamat oletusvärit nimittäin ovat yleensä sen verran räikeitä, että ne voivat haitata lukijan kartantulkintaa ja lukukokemusta. Jenni Kerolakin päätyy samaan ajatukseen: “Visuaalisuus on tärkeää teemakarttojen laadinnassa, sillä tietyt värit, muodot ja rasterit luovat tietynlaisia mielikuvia kartanlaadinnan tärkeimmälle henkilölle, eli lukijalle. Näin kartanlaatija voi vaikuttaa värivalinnoillaan lukijan mielikuvaan vaikkapa aiemmin hänelle tuntemattomasta ilmiöstä.”

Kaikki kartalla esiintyvien kuntien ympyrädiagrammit ovat ensisilmäyksellä suunnilleen samanlaisia. Kaikissa kunnissa 15-64- vuotiaita on selkeästi eniten, ja 0-14- vuotiaiden sekä yli 65- vuotiaiden määrää kuvaavat sektorit ovat aikalailla samankokoisia. Kuitenkin diagrammien erot ilmenevät juurikin alimman ja ylimmän ikäluokan suuruuksia verrattaessa. Esimerkiksi yli 65- vuotiaita, joista useat ovat saavuttaneet jo eläkeiän, on enemmän erityisesti Utajärvi-Kuusamo- välillä, mikä johtuu kaukaisemmasta sijainnista Oulusta ja, kuten alla olevasta haaleankeltaisesta värityksestä huomataan, alhaisemmasta väestöntiheydestä (1-4 as/km²). Nuoret ovat siis muuttaneet pois suurempiin keskuksiin ja lähemmäs palveluita, jolloin jäljelle on jäänyt enemmän vanhuksia ja perheitä, jotka ovat halunneet siirtyä asumaan kauemmas keskustasta rauhallisemmille maaseutumaisille alueille. Sen sijaan 0-14- vuotiaiden osuus on suurempi erityisesti Oulun etelä- ja pohjoispuolen naapurikunnissa väleillä Lumijoki-Muhos sekä Haukipudas-Kiiminki. Nämä alueet ovat erittäin suosittuja lapsiperheiden keskuudessa, sillä ne ovat ikään kuin sekoitus maaseudun rauhaa ja kaupungin palveluja. Ne ovat myös melko kätevän matkan päässä Oulun tarjoamista laajemmista palveluista ja työpaikoista, joten pendelöinti on varsin yleistä. Kuitenkin on muistettava, että 15-64- vuotiaiden osuus on jokaisessa alhaisemmankin väestöntiheyden kunnassa suurin kaikista kolmesta. Kyseisen luokan osuus on suurin Oulussa, Oulunsalossa ja Kempeleessä, missä sijaitsevat myös suurimmat väestöntiheydet (95-115 as/km²).

Mielestäni kartastani tuli aika hyvä, vaikka vielä harjoitusta tarvitaankin. Erityisesti värimaailmat sopivat hyvin yhteen, mikä miellyttänee lukijankin silmää. Tätä postausta kirjoittaessani kuitenkin huomasin Raahe- nimen peittävän kyseisen kunnan ympyrädiagrammin osittain, minkä voisi vielä korjata. Ja luokitteluvirhe tulikin jo käsiteltyä..

Loppuun täytynee vielä huomauttaa, että vuoden 2013 alusta tapahtui kuntaliitos, jossa Haukipudas, Kiiminki, Oulunsalo ja Yli-Ii liittyivät Ouluun, joten kartalla näkyvät vuoden 2011 kuntarajat eivät enää pidä paikkaansa.

Lähteet:

Kerola, J. (2014). MapInfo ja teemakartta. https://blogs.helsinki.fi/jekerola/. Luettu 22.1.2014.

 

Kurssikerta 1: MapInfo ja koropleettikartan väkerrystä

Ensimmäisellä PAK- kurssikerralla opettajamme ehti vain käydä antamassa meille pientä ohjeistusta päivän neljän tunnin aherrukseen, joten teimme käytännössä melkein kaikki annetut tehtävät itsenäisesti kirjallisia ohjeita parhaamme mukaan noudattaen. Aluksi opettajan rohkaisemana avasimme oven MapInfo- karttaohjelman maailmaan: kävimme läpi ohjelman käytön perusasioita objektien liikuttelusta aina layereiden järjestelyyn. Aiemmin syksyllä TAK- kurssin temmellyksessä olimme saaneet varsin epämääräisen ja hermoja raastavan kuvan MapInfosta, mutta nyt sekin kuva alkoi haalistua ja muuttua hieman selkeämmäksi.

Varsinaisena aivosolujen käyttöä vaativana tehtävänä oli kuitenkin koropleettikartan luominen MapInfolla jostakin itse valitsemasta aiheesta. Päätin tehdä oman karttani Helsingin asutustiheydestä. Olimme opettajan avustuksella tuoneet MapInfoon pohjakartan Helsingin alueesta, johon pystyimme halutessamme liittämään omalta layeriltaan esimerkiksi kaupunginosajaot. Lisäksi saimme käyttöömme muun muassa kyseisiin kaupunginosiin liittyviä ominaisuustietoja taulukkomuodossa. Taulukosta sainkin kätevästi tiedot jokaisen kaupunginosan asukastiheydestä, minkä jälkeen liitin tehtävänannon mukaan kyseiset numeroarvot erilliseltä nettisivulta löytyvään histogrammityökaluun. Tarkoituksena oli tehdä histogrammi (kuva alla) teemakartan luokittelutavan valinnan helpottamiseksi.

hISTOGRAMMI

Kuva 1. Histogrammi Helsingin asukastiheydestä.

Kuten kuvasta näkyy, histogrammin jakauma on vino. Päätin siis valita luokittelutavakseni kvantiilit, jolloin joka luokassa on suunnilleen yhtä monta havaintoa. Sen jälkeen aloin tehdä varsinaista teemakarttaa (kuva alla) hyvinkin paljon annettuihin ohjeisiin tukeutuen. Tuloksena oli viisi melkein yhtä monta havaintoa sisältävää luokkaa, joiden väritys muuttuu tummanpunaisesta eli tiheimmästä vaaleanpunaiseen eli harvemmin asuttuun.

Helsingin asukastiheys

Kuva 2. Koropleettikartta Helsingin asukastiheydestä.

Kuitenkin jälkeenpäin luokittelutapaani tarkastellessani huomasin, että muuten luokat ovat hyvinkin melkein samansuuruisia 28-32 havainnon vaihteluvälillä, mutta keskimmäisessä luokassa eli 2000-3100 as/km2 havaintoja on vain 21. Olisin siis kenties voinut miettiä vielä hieman tarkemmin erilaisia vaihtoehtoja luokitteluun.

Näin nelisen kuukautta Oulusta tänne Helsinkiin muuttaneena en tunne Helsingin kaupunginosia erityisen hyvin, joten ehkä sitäkin ajatellen olisi ollut hyvä liittää karttaan myös kaupunginosien nimistöä. Aleksi Rautiokin pohdiskeli blogissaan samaa: “Kaupunginalueiden nimeäminen olisi mielestäni ollut mielenkiintoinen lisäkarttaan, koska se olisi selkeyttänyt karttaa paremmin lukijalle, joka ei tiedä Helsingin kaupunginosia, mutta nimet olisivat sotkeneet karttaa. Myös naapurikuntien nimien lisääminen olisi ollut ehkä Helsinkiä vähän tunteville lukijoille kiinnostava lisäys–.”

Kartasta näkyy asukastiheyden olevan suuri erityisesti Helsingin keskustan lähettyvillä ja siitä pohjoiseen. Suurimmat tiheydet näyttävät sijaitsevan suurten teiden läheisyydessä, esimerkiksi Vihdintien, Hämeenlinnanväylän ja Tuusulanväylän liepeillä. Tämän syynä onkin todennäköisesti juurikin niiden tarjoamat helpot kulkuyhteydet. Sen sijaan hieman harvempaa asutusta on esimerkiksi  Helsingin koillisosassa sekä Pohjois-Pasilasta pohjoisen ja luoteen suuntaan ulottuvalla alueella. Helsingin koillisosan harvemmin asutulla alueella (0-200 as/km²) sijaitsee muun muassa Sipoonkorven kansallispuisto ja alue on muutenkin metsäistä, mikä selittääkin tiheyden pienuutta. Kartta kuvaakin mielestäni hyvin Helsingin asutustiheyttä nimistön puutteesta ja luokittelutavan hieman epämääräisestä valinnastakin huolimatta.

MapInfon käyttö kaiken kaikkiaan tuntui aikamoisen haastavalta erityisesti objektien vaikean siirtelyn vuoksi, mutta myös siksi, että undo- toimintoa ei näyttänyt olevan lainkaan (tai sitten en puusilmilläni kyennyt tihrustamaan tarpeeksi tarkkaan). Varsinkin loppuvaiheen tulosteen tekemisessä layout- ikkunoiden kanssa näpertely tuntui hyvinkin vaikealta, mutta lopulta siitäkin selvisin jokseenkin hyvin. Ei se MapInfo loppujen lopuksi niin älyttömän vaikea olekaan. Kuten Antti Kinnunenkin blogissaan: “MapInfon tullessa tutummaksi ohjelmaksi myös sillä laadituista kartoista tulee varmasti suoranaisia mestariteoksia (or not).”

Lähteet:

Histogrammi: Histogram Tool. National Council of Teachers of Mathematics. http://illuminations.nctm.org/Activity.aspx?id=4152. 14.1.2013.