Lopputaistelu: Koulutusaste ja Trumpin nousu Yhdysvalloissa

Seitsemän viikon intensiiviperehdytys QGIS:n ja geoinformatiikan saloihin huipentui tulikokeeseen. Jos pari viikkoa sitten nimesin viidennen kurssikerran itsenäisen harjoituksen saunoja ja uima-altaita sisältävistä rakennuksista Everestikseni, niin tällä kerralla kiivettiin Olympukselle. Ensimmäinen haaste oli matkata Marsin kamaralle (tietoaineiston etsintä, keräys ja muokkaus) ja lopulta piti kavuta itse vuorelle (karttojen esittäminen). Ontuvat, joskin virkistävät kielikuvat sikseen.

Tehtävänantoa noudattaen pohdin omia kiinnostuksen kohteitani. Kurssilla oltiin tähän mennessä käsitelty pääkaupunkiseutua, Suomea, Eurooppaa ja Afrikan valtioita. Nyt, kädet vapaina minua kiinnosti ryhtyä tutkimaan erilaisia aineistoja Yhdysvalloista. Globaali kulttuurimme on jo harmillisen Amerikka-keskeistä, mutta kartografian näkökulmasta maa on jaettu mukavasti osavaltioihin ja dataakin maasta löytyy. Lisäksi näin Euroopassa sijaitsevan sosiaalidemokraattisen valtion kansalaisena monet Yhdysvalloissa tapahtuvat ilmiöt ovat välillä jopa järjenvastaisia.

Tietoaineiston runsaus on sekä siunaus että kirous, kuten kurssilla on jo opittukin. Avattuani Yhdysvaltojen ”tilastokeskuksen” eli Census Bureaun sivut ymmärsin loikanneeni suohon. Sivuston käyttöystävällisyys oli kaukana logiikasta. Puistatti. Perääntyminen ei kuitenkaan ollut vaihtoehto. Ken leikkiin ryhtyy, hän leikkiinsä kuolkoon. Todettakoon, että tunneissa mitattuna käytin pelkästään sivuston tutkailuun, aineiston selvittämiseen ja muokkaamiseen enemmän aikaa kuin yhteenkään muuhun yksittäiseen kurssitehtävään. Kun vaikkapa latasin koulutusasteita sisältävän taulukon, ei latausvaiheessa ollut mahdollisuutta suodattaa pois ominaisuuksia. Sivuston tuottama csv-tiedosto sisälsi käsittämättömän määrän dataa, jotka oli vielä koodattu aivan järkyttävillä otsikoilla. Tämän vuoksi itse kartat voisivat olla edustavampia.

Mitä aineistoista sitten sai irti? Päätin tarkastella koulutustasoa osavaltioittain (Educational Attainment 2018) ja vertailla sitä vuoden 2016 presidentinvaalien äänestystuloksiin. Koko maailmaa säväytti tuo neljän vuoden takainen marraskuu, jolloin Donald Trump marssi valitsijamiesäänten saattelemana Valkoiseen taloon. Värikoodatut kartat tulosten jakautumisesta osavaltioittain ovat tuttuja ja helposti löydettävissä parilla klikkauksella. Itse halusin selvittää, kuinka äänet jakautuvat eri koulutusasteet huomioiden ja olisiko muuttujien välillä yhteyttä. Jotta tämä olisi mielekästä, täytyi väkiaineistosta suodattaa tarkasteluun äänioikeutetut ikäryhmät eli käytännössä 18 vuotta täyttäneet. Census-aineistossa ikäkohortit on jaoteltu jo valmiiksi kätevästi, joten tämä oli melko yksinkertaista. Jotta aineisto olisi kartografisesti esittämiskelpoista, suhteutin laskutoimintoja hyödyntämällä tietyn koulutustason saaneet henkilöt koko osavaltion väkimäärään kyseisessä ikäkohortissa.

Pohjakarttana käytin Yhdysvaltojen osavaltiot jaottelevaa shapefile-tiedostoa, jonka latasin myös valtion virallisesta lähteestä. Etuna oli se, että tiedosto sisälsi osavaltioiden nimet, joita hyödyntämällä saatoin suorittaa CSV-tietokantojen yhdistämistä kätevästi.

Presidentinvaalien äänimäärät löysin melkoisen Google-savotan jälkeen (Official 2016 Presidential General Election Results). Halusin esittää kartalla ehdokkaiden varsinaista äänimäärää prosentuaalisesti, en pelkästään valitsijamiesten osuutta. Lopullisissa vaaleissahan oli ehdolla muitakin, joiden kesken äänet jakautuivat. Nämä äänimäärät ovat toki hyvin marginaalisia. Tulokset eivät olleet esitetty helposti kopioitavissa muodossa, joten jouduin kömpelön manuaalisesti luomaan CSV-taulukon, johon tuotin pääehdokkaiden saamat ääniosuudet osavaltioittain. Taulukon toin tutun Joins-komennon kautta koulutusastetietoja sisältävään shapefile-tiedostoon.

Kaikki kurssityöt olivat sujuneet varsin ongelmitta QGIS:n toimivuuden kannalta. Nyt lopputaistelussa rupesin vasta kohtaamaan ikäviä vastoinkäymisiä. Ohjelma ryhtyi kaatumaan oikein urakalla ja kadotin tietokantoja tuon tuosta. Kyyneleet eivät olleet kaukana. Lopulta kuitenkin saavutin vuorenhuipun, uupuneena ja turhautuneena, mutta ihmeen helpottuneena.

Tuotin muutamankin erilaista näkökulmaa edustavan karttaesityksen. Ensimmäisessä kartassa osavaltiot on värikoodattu sen mukaan, kumpi vaalien pääehdokkaista sai prosentuaalisesti enemmän ääniä (Kuva 1). Päällä ympyrädiagrammina eri koulutusasteita edustavien asukkaiden osuus. Esitys onnistuu varsin hyvin kuvaamaan vaalitulosta ja koulutuksen jakautumista osavaltioissa, mutta ei vielä paljasta mitään näiden kahden ilmiön välisestä mahdollisesta yhteydestä. Ympyrädiagrammeja on lisäksi kovin haastava tulkita tällä zoomausasteella.

Kuva 1. Yhdysvaltojen 2016 vaalitulokset osavaltioittain ja koulutusasteiden osuudet äänioikeutetussa väestössä. (klikkaa suuremmaksi)

Seuraavissa kartoissa tarkensin kartan esittämään vain mantereista Yhdysvaltoja. Jos Alaskan ja Havaijin olisi halunnut mukaan, kuten kuvassa 1, niin tulostusalue kasvoi liian laajaksi. Ongelmaan lienee ratkaisu, mutta päätin nyt oikoa mutkia. Kokonaisuuden kannalta näissä esitystavoissa ei menetetä oleellista tietoa. Kuvassa 2 esitetään vähintään alemman korkeakoulututkinnon (Bachelor’s Degree) omaavien henkilöiden osuus osavaltioittain ja äänten jakautuminen ympyrädiagrammeina. Nyt kartalta erottuvat jo sellaiset osavaltiot, joissa yli 20 % äänioikeutetusta väestöstä on kandidaatintutkintoa vastaava tai korkeampi.

Kuva 2. Vähintään alemman korkeakoulututkinnon omaavien osuus äänioikeutetuista ja 2016 vaalien ääniosuudet osavaltioittain. (klikkaa suuremmaksi)

Kahteen viimeiseen karttaan lisäsin jälleen elementtejä kokeilumielessä. Tulostin kunkin osavaltion nimen lyhennekoodin sekä korkean väestötiheyden kaupunkialueita ilmentävän aineiston (Urban Areas). Osavaltioiden nimet olivat melko hyvä lisä, sillä harva osaa paikantaa osavaltioita puhtaasti kartalta. Näin esitetty tieto saa tulkinnallista lisäarvoa, kun lukija saa käsityksen osavaltiosta.

Kuva 3. Matalan koulutusasteen omaavien henkilöiden osuus äänioikeutetusta väestöstä ja 2016 vaalien äänimäärät osavaltioittain. (klikkaa suuremmaksi)
Kuva 4. Ylioppilastutkinnon omaavien henkilöiden osuus äänioikeutetusta väestöstä ja 2016 vaalien äänimäärät osavaltioittain (klikkaa suuremmaksi).

Odotin itse selkeämpää yhteyttä koulutusasteen ja äänten jakautumisen välillä. Tämä osoittaa, että populismin ja Trumpin presidenttiyden taustalla vaikuttaa monia muitakin yhteiskunnallisia tekijöitä. Kartoilta voi tulkita, että korkeakoulutettujan osuus väestöstä koko Yhdysvalloissa on melko vähäinen. Vain kahdeksassa osavaltiossa tämä osuus on edes yli 20%. Joukossa on sekä osavaltioita, joissa Clinton on saanut suurimman osan äänistä (California, New York, Washington), että päinvastoin Trumpia kannattaneita osavaltioita (Texas, North Dakota). Itselleni mielenkiintoisin kartta on ehdottomasti matalan koulutusasteen osuuksia kuvaava (Kuva 3). Osavaltiot noudattavat melko hämmästyttävää jakolinjaa pohjois-etelä -suunnassa ja tähän on helppo yhdistää mielikuvia eteläisten osavaltioiden yhteiskunnallisesta asemasta ja niin sanotusta ”Raamattu-vyöstä”. Jos osavaltion äänioikeutetusta väestöstä kymmenen prosenttia (tai jopa yli) ei ole koskaan valmistunut ylioppilaaksi, on tällä merkittävä kulttuurinen vaikutus. Voidaan todeta, että suurelta osalta näiden osavaltioiden väestöstä puuttuu yleissivistävä koulutus kokonaan.

Teksas on erikoinen osavaltio koulutusastetta tarkasteltaessa. Siellä sekä korkeakoulutettujen että ylioppilastutkintoa vailla olevien täysi-ikäisten asukkaiden osuus on verrattain korkea asukaslukuun suhteutettuna. Tämä selittynee osavaltion korkealla väkiluvulla ja varsin laajalla kulttuurisella diversiteetillä. Teksasissa sijaitsee myös suuria kaupunkeja, kuten Austin ja Dallas. Austinin yliopisto sijoittuu viimeisimmässä QS World University Ranking –listassa maailman sadan parhaan yliopiston joukkoon.

Monenlaisista haasteista huolimatta sain tuotettua varsin informatiiviset kartat haluamistani ilmiöistä. Jos olisin tiennyt, mikä edessä odottaa, olisin ehkä valinnut eri lähestymistavat. Suomenkin tasolla koulutusasteiden alueellinen esiintyminen on mielenkiintoista tutkittavaa ja Anna Avellan (2020) tuottikin hyvin kiehtovia karttoja nuorten koulutustason vaihtelusta eri kunnissa Suomessa. Toisaalta olen iloinen, että ahersin sinnikkäästi Yhdysvaltoja koskevan aineiston kanssa. Opin hyödyllisiä työkaluja kookkaan tietoaineiston käsittelyyn ja jouduin paneutumaan niihin tapoihin, joilla käsittelemäni tiedot saisi visualisoitua kaikkein parhaiten. Jälkikäteen tajusin esimerkiksi, että koulutustasoaineisto on eri vuodelta (2018) kuin presidentinvaalit. Yhdenmukaisuuden vuoksi minunhan olisi tullut valita tilastoista vuonna 2016 kerätyt tiedot. Census Bureau tarjoaisi mahdollisuuden myös luoda vastaavia karttoja etnisyyden ja sukupuolen mukaan, mikä olisi ollut mahtava lisä. Tämä olisi tiennyt muutamaa lisätuntia aineiston parissa, mihin minulla ei yksinkertaisesti riittänyt enää puhtia saati aikaa.

Ilmiöiden maantieteellinen esittäminen erilaisin geoinformatiikan keinoin on jatkuvaa kompromissien tekoa. Tähän tiivistyy kurssilta saamani anti yhdessä lauseessa. Opin lukuisia hyödyllisiä taitoja, joita saan varmasti sovellettua aineenopettajana tulevaisuudessa.

Lähteet:

Avellan, A. (2020). Lento QGIS 3.4.1 laskeutuminen. Blogikirjoitus. 2.3.2020. <https://blogs.helsinki.fi/avellana/2020/02/26/lento-3-4-1-laskeutuminen/>

Educational Attainment (2018). United States Census Bureau. 27.2.2020. <https://data.census.gov/cedsci/table?q=United%20States&t=Educational%20Attainment&tid=ACSST5Y2018.S1501>

Official 2016 Presidential General Election Results. State Elections Offices. 27.2.2020. <https://transition.fec.gov/pubrec/fe2016/2016presgeresults.pdf>

TIGER/Line Shapefile, 2017, nation, U.S., Current State and Equivalent National. US Census Bureau, Department of Commerce. 27.2.2020. <https://catalog.data.gov/dataset/tiger-line-shapefile-2017-nation-u-s-current-state-and-equivalent-national>

Urban Areas. Natural Earth. 27.2.2020. <https://www.naturalearthdata.com/downloads/10m-cultural-vectors/10m-urban-area/>

Hasardia menoa

Poikkeuksellisesti tämä teksti ilmestyy kahdessa osassa, sillä sairastin oman maanantaisen kurssikertani kotona. Ainoa korvaustilaisuus saapuu vasta perjantaiaamuna, mutta en malttanut odottaa sinne asti itsenäisten tehtävien osalta. Ahersin siis hasarditehtävien parissa itsenäisesti ja päivitän tätä tekstiä myöhemmin Epicollect5-harjoituksen osalta.

Innostuin hasarditeemaisista tehtävistä välittömästi. Aineenopettajana tämä näkökulma oli minulle tietty sydänasia. Ehkä saisin tuotettua jopa karttoja, joita voisin itse joskus hyödyntää omassa opetuksessani. Ensimmäinen haaste oli jälleen aineiston suodattaminen ja vaihtoehtojen meressä pinnalla pysyminen. Maanjäristystietokanta oli valtava eivätkä univajeiset, flunssaiset aivoni oikein nauttineet valintojen lyömisestä lukkoon. Tahmeasti laadin toimintasuunnitelman: suodattaisin ensin ohjeen mukaisesti vuodesta 1985 eteenpäin tapahtuneet magnitudiltaan yli 8 maanjäristykset ja tutkisin miltä aineisto näyttää ja mitä mahdollisuuksia se tarjoaa.

Tulivuoret halusin lisätä kartalle samanaikaisesti, sillä maanjäristysten ja tulivuorten maantieteellisen yhteyden osoittaminen visuaalisesti on yksi tehokkaimpia tapoja opettaa luonnonmaantieteellisiä endogeenisiä prosesseja. Kaikki maailman tulivuoret sisältävä aineisto oli mielestäni liian suuri oppimistavoitteiden kannalta. Aineisto sisältää esimerkiksi sammuneita tulivuoria ja visuaalisesta lopputuotoksesta tulisi helposti liian ahdas. Pelkistetyn ilmaisun ystävänä suodatin tulivuoria tunnetun aktiivisuuden mukaan ja valitsin vuoret, jotka ovat purkautuneet vuoden 1964 jälkeen. Aineiston tuominen taulukkomuotoon oli kuitenkin vaivalloisempaa kuin maanjäristystietokannasta. Tajusin nopeasti, että unohdin valita ruudun ”decimal separator is comma”. Johan rupesi vuoret näkymään halutulla tavalla. Vuoria oli nyt tietty jo liiankin vähän minkään kiinnostavan osoittamiseksi. Tämän kurssin viralliseksi mietelauseeksi voisi weboodiin lisätä ”QGIS: If at first you don’t succeed.”

Kokeilin eri tapoja visualisoida aineistoa ja koin tyytymättömyyttä. Kaikki tulivuoret ja esimerkiksi yli 6 richterin järistykset muodostivat päällekkäisyyksien vyyhdin. No, visuaalinen perfektionistini ei heti tajunnut, että tämähän ajaa viestin kotiin. Varsinkin koko maailmaa esitettäessä tiedon kasaantuminen on välttämätön seuraus. Päätin kuitenkin kokeilla aineiston rajausta ja suodatin tulivuoriaineistosta esiin vain ne tulivuoret, joiden tietokannassa tiedettiin purkautuneen aikavälillä 1500-1963. Tämä vaati hieman aikaa ja teknistä kikkailua. Samoin yhteneväisyyden vuoksi suodatin maanjäristyksistä esiin saman aikavälin tapahtumat ja magnitudikriteeriksi asetin 7 tai suurempi. Nyt karttoja katsellessani sain ajatuksen litosfäärilaattojen osoittamisesta. Oppimateriaalina laattarajojen lisääminen tekisi kartasta huomattavasti havainnollistavamman. Totesin mielessäni, että onpa harmi, ettei tällaista tietokantaa ollut tarjolla. Vasta muiden blogitekstejä lukiessani huomasin, että Vilma Koljonen oli ottanut härkää sarvista ja etsinyt omatoimisesti kyseisen tietokannan. En voinut jättää tilaisuutta käyttämättä, vaan ryhdyin itsekin googlettamaan ja vain muutamassa minuutissa löysin valmiin shapefilen laattarajoista (ladattavissa täältä). Kiitos Vilmalle inspiraatiosta!

Kuva 1. Lähihistoriassa purkautuneet tulivuoret ja suurehkot maanjäristykset. Maanjäristykset kuvattu pisteinä.
Kuva 2. Hiljattain tapahtuneiden suurten maanjäristysten sijoittuminen yhdessä lähihistoriassa purkautuneiden tulivuorten kanssa.
Kuva 3. Hiljattain tapahtuneet keskisuuret maanjäristykset ja lähihistoriassa purkautuneet tulivuoret.

Kokeilin maanjäristysaineiston interpolointia, niin että tiheys ja voimakkuus näkyisivät tiiviin pistekartan sijaan lämpökarttamaisena. Tämä ei minulta sujunut itseäni miellyttävällä tavalla. Ehkä lähiopetuksessa saan hyödyllisiä vinkkejä käytännön toteutukseen. Matti Katajisto onnistui luomaan varsin näyttävän kartan tällä menetelmällä. Oma tuotokseni on vähän sinne päin (Kuva 4). Maanjäristysten tiheys ja säännöllisyys tulivuorten kanssa Tyynellä valtamerellä havainnollistuu mukavasti. Kartasta on vaikea tulkita laajempaa maantieteellistä ilmiötä oppimisen kannalta mielekkäällä tavalla.

Kuva 4. Jokseenkin lämpökarttamaisesti interpoloituja maanjäristyksiä.

Tulivuorten, maanjäristysten niiden yhteyden syitä ilmentäviä karttoja löytää internetistä lukuisia. Itse hyödyntäisin opetuksessani mieluiten tällaista interaktiivista karttaa. Oppitunnin vetovoiman kannalta reaaliaikaisessa näyttämisessä ja kriteerien muuttamisessa on aina puolensa staattisiin karttoihin verrattuna. Tietysti molemmille on paikkansa. Minerva Laitinen esitteli blogissaan karttaansa, johon hän oli koonnut suurten järistysten kuolonuhrit ja taloudelliset tappiot. Tämä on nerokas idea ja yhdistää maantieteen opetuksessa tärkeitä ilmiöitä luonnon- ja ihmismaantieteen aloilta. Sijaistaessani maantieteen oppitunteja lukiossa olen tykännyt verrata oppilaiden kanssa maanjäristysten voimakkuuksia ja taloudellisia tuhoja eri maanosissa. Erityisesti Haitin järistyksen esimerkki on äärimmäisen havainnollistava kohdemaan resilienssistä ja järistyksen taloudellisten tuhojen merkityksestä. Siinä mielessä Laitisen karttaan lisäisin vielä esimerkkejä tällaisista järistyksistä.

Lähteet

Interactive Map of Active Volcanoes and recent Earthquakes world-wide. 20.2.2020. <https://earthquakes.volcanodiscovery.com/>

Katajisto, M. (2020). Tactical nuke inbound. Blogikirjoitus. 19.2.2020. <https://blogs.helsinki.fi/mattikat/2020/02/19/tactical-nuke-inbound/>

Koljonen, V. (2020). Raikasta ulkoilmaa! Blogikirjoitus. 18.2.2020. <https://blogs.helsinki.fi/vilmakol/2020/02/19/raikasta-ulkoilmaa/>

Laitinen, M. (2020). Happihyppelyn jälkeinen GIS-huuma. Blogikirjoitus. 20.2.2020. <https://blogs.helsinki.fi/minerval/2020/02/19/happihyppelyn-jalkeinen-gis-huuma/>

World tectonic plates and boundaries. GitHub. 19.2.2020. <https://github.com/fraxen/tectonicplates>

Valintojen maailma: bufferointia ja tietokantojen syväluotaavaa suodatusta

Ajolasit silmille ja kieli keskelle suuta! Viidennellä kurssikerralla kohdattiin vauhtia ja vaarallisia tilanteita, kun oli aika todella asettaa tähän asti kerätyt opit tulikokeeseen. Antoisinta itselleni oli tutustuminen moniin tärkeisiin työkaluihin, joita voisi hyödyntää esimerkiksi aluesuunnittelussa. Etäisyyksien määrittäminen eri palveluista ja asukkaiden laskeminen näiden etäisyyksien sisältä tuntui käytännönläheiseltä.

Tehtävänantojen kannalta tärkeimmiksi työkaluiksi osoittautuivat bufferointi ja attribuuttien valitseminen ominaisuuksien, kuten sijainnin mukaan. Nämä olivatkin kovassa käytössä ja tuottivat allekirjoittaneelle monia onnistumisen hetkiä. Bufferointi soveltuu lukuisiin käyttötarkoituksiin aluesuunnittelussa juuri sen vaikutusalueiden kartoittamista mahdollistavien ominaisuuksien vuoksi. Samaa oli pohtinut Pihla Haapalo (2020) blogissaan ja nimennyt yhdeksi esimerkiksi tehdasalueiden saasteiden leviämisen mittaamisen, joka juolahti itsellenikin mieleen! Vähitellen aloin todella ymmärtää tekemääni, enkä vain enää sokeasti seurannut ohjeita.

Kurssikerran ensimmäiset kaksi tehtävää olivat kaikille yhteisiä, mutta suoritettiin itsenäisesti. Arvioimme Malmin ja Helsinki-Vantaan lentokenttien kiitoratojen melusaasteiden vaikutusalueita. Omat tulokseni on esitetty taulukoissa 1 ja 2. Suoritin mielenkiinnosta ensimmäisen lisätehtävän, jossa pyydettiin laskemaan Malmin lentokentän käyttöönoton jälkeen rakennettuja rakennuksia 1 kilometrin säteellä. Malmin lentokentällä aloitettiin liikennöinti joulukuussa 1936 (Malmin lentokenttä 2015). Suodatin pois rakennukset, joiden käyttöönottovuodesta ei ollut tietoa. Kävi ilmi, että suurin osa 1 kilometrin vaikutusalueella asuvista ihmisistä asuvat itse asiassa Malmin toiminnan alkamisen jälkeen valmistuneissa rakennuksissa.

Taulukko 1. Malmin lentokentän vaikutusalueen asukastilastoja
Taulukko 2. Helsinki-Vantaan kiitoratojen melualueiden tilastoja.

Helsinki-Vantaan melualueita oli selkeintä tutkia muokkaamalla tietokannan väriluokkia. Näin pystyi kartalta suoraan näkemään eri meluasteita kuvaavat alueet (Kuva 1).

Kuva 1. Havaintokuva melualueiden visualisoinnista ja rakennusten valinnasta alueella. (Klikkaa suuremmaksi.)

Huomasin Haapalon blogista, että lukumme 65 dB:n alueella asuvista henkilöistä poikkesivat merkittävästi. Kyseisessä tehtävässä kiitoradoista piti itse luoda uusi vektoritaso piirtämällä. Todennäköisesti olemme piirtäneet kiitoradat eri tyylillä ja tämä taas on vaikuttanut 2 kilometrin vaikutusalueeseen. Minulla tähän sisältyi vain 10 rakennusta, mikä selittää eroavaisuudet. Juna- ja metroasemien vaikutusalueissa luvut jo täsmäävätkin, mikä selittyy asematietokannan yhtenäisyydellä (Taulukko 3).

Taulukko 3. Vantaan juna- ja metroasemien vaikutusalueet.

 

Toisessa tehtävässä tarkasteltiin Vantaan alueen taajamia ja niiden asukastilastoja. Onnistuin luomaan uuden layerin vain niistä taajama-alueista, joilta tietokannasta löytyi käytettävää informaatiota asukkaiden lukumääristä. Tällaisia taajamia oli 343. Kouluikäisiksi laskin ikäluokat 7-16. Avainluvut löytyvät taulukosta 4. Tehtävä oli melko suoraviivainen ja minua ilahdutti, kuinka sujuvasti tietokantojen yhdistäminen, attribuuttien suodatus ja valitseminen sekä tietokantojen muokkaaminen laskutoimitusten avulla luonnistuivat.

Taulukko 4. Vantaan taajamien asukastilastoja kouluikäisten ja ulkomaalaisten osalta.

Minun Everestini: altaat ja saunat

Viimeinen itsenäistehtävä oli valinnainen ja otsikon perusteella päädyin uima-altaiden ja saunojen tutkimiseen. Ehdin paneutua tähän kunnolla vasta kotona seuraavana iltana. Stressihormonit juhlivat ja hammaslääkärit pudistelevat päätään, kun näkevät narskuneet hammaskruununi. Pienen läppärini tehot eivät nimittäin olleet optimaaliset pääkaupunkiseudun rakennustietokantaa pyörittämään. Itsepäisyyteni koittaa joskus turmiokseni, ei vielä tällä kertaa! Vaikeuksien kautta väsytysvoittoon.

Törmäsin ensimmäiseen virheviestiini: Feature (157) has invalid geometry. Please fix the geometry or change the Processing setting to the ”Ignore invalid input features” option. Execution failed after 31.04 seconds. Internetin syövereistä löytyvien huomattavasti taitavampien QGIS-maestrojen vinkkejä selailtuani löysin työkalun nimeltä Fix geometries. Ajoin polygoneja sisältävän pienaluetason kyseisen komennon läpi ja taikuus tepsi. En ole täysin varma geometrian luonteen ongelmasta, koska projektiot täsmäsivät kuin myös tietokantojen tärkeät attribuuttitiedot. Ongelma ilmeni kahden kaupunginosan polygoneissa, enkä päässyt jyvälle tarkemmin.

Tuotin laskemistani avainluvuista taulukon (Taulukko 4) sekä kartan eniten uima-altaita sisältävistä alueista (Kuva 2).

Taulukko 5. Uima-altaita ja saunoja sisältävien rakennusten avainlukuja pääkaupunkiseudulla.
Kuva 2. Pääkaupunkiseudun eniten uima-altaita sisältävät kaupunginosat. (Klikkaa suuremmaksi uuteen välilehteen.)
Kuva 3. Epätoivoinen yritys visualisoida uima-altaiden määrää.

Uima-altaiden määrää pääkaupunkiseudulla esittävä raakakartta on visuaalisesti varsinainen sekamelska (Kuva 3). Numeroa ilmaisevat labelit piti tuottaa kartalle erikseen pylväistä, ja olisi vaatinut melkoista kokeilua ja kikkailua, jotta niiden suhteelliset sijainnit saisi kohdalleen. Tarkastin vielä internetin vertaistukipalstoilta ja näin tosiaan vaikutti olevan. Päätin suodattaa karttanäkymään vain sellaiset pienalueet, jotka sisälsivät uima-altaallisia rakennuksia merkittävän paljon. Kriteeriksi valitsin yli 10 tällaista rakennusta. Lopputulos on jo paljon selkeämpi ja miellyttävämpi. Lisäksi haluttu ilmiö, eli uima-altaita runsaasti sisältävien alueiden sijoittuminen havainnollistuu. Pylväiden väriksi olisi pitänyt valita joku muu kuin sininen, joka sulautuu vesialueisiin.

Aiemmilla kurssikerroilla keskiössä on ollut kartografiset ratkaisut ja omien teemakarttojen tuottaminen erilaisista aineistoista. Nyt sukellettiin syvemmälle paikkatietoaineiston piirteisiin ja QGIS:in mahdollisuuksiin. Viimeistään näiden harjoitusten kautta opin ymmärtämään attribuuttien liittämisen yhteydessä tarvittavat geometriset predikaatit ja niiden keskinäiset suhteet. Edelleen tuplavarmistukset ovat tarpeen, mutta varmuus suorittamiseen on lisääntynyt eksponentiaalisesti. QGIS:in suurimmat sudenkuopat syntyvät sen luonteesta avoimen lähdekoodin ohjelmana, mutta toisaalta juuri tästä syystä apukin on lähellä. Pyörää ei tarvitse lähteä keksimään uudelleen, sillä joku on todennäköisesti kohdannut samat esteet ja toistanut samat virheet. Eri keskustelupalstoilta löytyykin nopeasti vertaistukea ongelmiin.

Lähteet

Haapalo, P. (2020). Kädet ilmaan. Blogikirjoitus. 12.2.2020. <https://blogs.helsinki.fi/haapalop/2020/02/12/kadet-ilmaan/>

Malmin lentokenttä. (2015). Rakennettu ympäristö ja kulttuuriympäristö – alustava arvokohteiden luettelo. Selvitys.

Ruutujen takaa

Silmäni kiiluivat innosta, kun luvassa oli vektori- ja rasteriaineiston parissa työskentelyä. Väestöruutuja luodessa QGIS:in grid –komento muistutti minua kovalevyllä valmistumista odottavasta kanditutkielmastani, jonka aiheena ovat väliaivojen hilasolut (engl. grid cells). Siihenpä yhtäläisyydet sitten jäivätkin. Tämän periodin maantieteen kurssirumba on hidastanut tutkielman etenemistä sen verran, että tuntui tarpeelliselta muistaa, mitä se tutkielma käsittelikään.

Jälleen tuli opittua, kuinka tarkkaan QGISin kanssa tulee käskyjä antaa. Väestöruudukon laatimisessa täytyi tuplavarmistaa komentovalikoiden esiasetukset. Suodatimme vain sellaisia ruutuja, joilta löytyy asukkaita pisteaineistona. Hetken aivopoimuja jumpattuani pääsin jyvälle aineiston luonteesta. Jostain syystä minun oli vaikea ymmärtää, että tietokanta sisältää tilastoja yksittäisistä rakennuksista. Muutaman epäonnistuneen join attributes -komennon jälkeen ja pari rautalangasta väännettyä laskukaavaa myöhemmin sain minäkin laadittua ihan kelpoja väestöruutukarttoja.

Artun johdolla selvitimme ulkomaankansalaisten ja muunkielisten asukkaiden jakautumista pääkaupunkiseudulla. Tehtävä oli ohjelman käytön kannalta oivaa harjoittelua, mutta lopullinen tuotos jäi omiin silmiin epäselväksi. Alkuperäisen aineiston oudot ”9999999”-luvut vääristivät suhdelukuja. Tärkeä oppitunti taas aineiston laadunvarmistuksesta. Joonatan Reunanen (2020) oli luonut mainion esityksen muunkielisten suhteellisesta osuudesta neliökilometrillä ja ansiokkaasti pohtinut ilmiön taustalla vaikuttavia yhteiskuntarakenteellisia syitä.

Itsenäisessä tehtävässä päätin luoda suuremmat väestöruudut, sillä 250 metriä osoittautui hankalaksi lukea lopulliselta tulosteelta. Kokeilin neliökilometrin kokoisia ruutuja, jotka näyttivät ensi yrittämältä paremmilta. Moni muukin kurssikollega oli valinnut saman mittayksikön (Hyvättinen 2020; Reunanen 2020). Neliökilometri toimi hyvin siitäkin syystä, että esimerkiksi asukastiheyttä pystyi vaivatta havainnollistamaan suoraan absoluuttisilla arvoilla kyseisen ruutuaineiston päälle (kuva 1).

Kuva 1. Pääkaupunkiseudun asukastiheys neliökilometrillä rakennuskohtaisesti mitattuna.

Kokeilin eri tietokantoja teemakarttani kanssa, kuten pienalueiden kuntarajoja sekä tiestöjä. Päädyin valitsemaan tiestön, joka tarjoaa mielestäni parhaiten lisäarvoa kartan tulkitsijalle alueen paikantamisesta. Pienalueiden rajat olivat visuaalisen ilmeen kannalta liian sekavat. Asukkaiden keskimääräisen iän alueellinen jakautuminen pääkaupunkiseudulla tarjoaa mielenkiintoista tietoa (kuva 2). Tuli mieleen laatia tämän kartan rinnalle samankaltainen kotitalouksien keskiansioiden perusteella ja pohtia iän ja tulojen maantieteellistä sijoittumista rinnakkain. Tarkemmin ajateltuna teemakarttani eivät ehkä noudata tehtävänantoa täydellisesti: iän alueellisen jakautumisen syyt ovat nopeasti ajateltuna melko ilmiselviä. Vanhimmat väestöruudut sijoittuvat selkeästi kehyskuntiin. Helsingissä suurin osa väestöruuduista on nuorekasta. Ikäluokka 44-50 on melko tasaisesti hajaantunut ympäri kuvattua aluetta, mikä kuvaa ehkä tässä iässä olevien kotitalouksien elämäntilanteiden moninaisuutta. Ikäluokkaan mahtuu perheellisiä, sinkkuja ja tuloeroissakin lienee iso haitari.

Pääkaupunkiseudun asukkaiden keskimääräinen ikä neliökilometrillä rakennuskohtaisesti mitattuna.

Lopputunti käytettiin Pornaisten tutkimiseen ja rasterimuotoisen laserkeilauskuvan parissa näpertämiseen. Korkeuskäyrien ja rinnevalovarjostusmallin luominen QGISillä sai itsessäni aikaan keskisuuren tajunnanräjäytyksen:

via GIPHY

Maanantai-iltana kello 19 kynnys saattoi olla häpeällisen matalalla. Tähän asti rinnevalovarjostuksella olen leikkinyt lähinnä Paikkatietoikkunassa, joten oli jännittävää kokea se enemmän hands on –meiningillä. Varjostuksen asetusten säätely ja viilaaminen se vasta huikeaa olikin. Rasteriaineiston päällekkäinen tarkastelu vektorimuotoisen peruskarttalehden kanssa havainnollisti aineistojen keskinäisiä eroja ja käyttötarkoituksia.

Lisäisin tähän kuvia työvaiheista ja korkeuskäyrien yhteensopivuudesta rasteriaineiston kanssa, mutta projekti jäi Kumpulan tietokoneen paikalliselle kovalevylle. Joten maanantaina sen pariin päästyäni heitän kuvat tänne. Ehkä.

Lähteet

Hyvättinen, T. (2020). Rasterit kehiin! Blogikirjoitus. 7.2.2020. <https://blogs.helsinki.fi/hytuija/2020/02/06/rasterit-kehiin/>

Reunanen, J. (2020). Posilla – vaikka väkisin. Blogkirjoitus. 7.2.2020. <https://blogs.helsinki.fi/reunajoo/2020/02/06/posilla-vaikka-vakisin/>

Konfliktitulvia vai tulvakonflikteja

Opit tietokantojen käsittelystä ja muokkaamisesta syventyivät, kun harjaannuimme uusien suodatus- ja yhdistelmätyökalujen käytössä. Hyödyllistä oli oppia, kuinka taulukko-ohjelmista tuodaan aineistoa käsiteltäväksi paikkatieto-ohjelmaan. Tämän myötä selveni todella se, millaista analysoitavaksi kelpaavan paikkatietoaineiston tulee olla. Kurssikerran tavoitteisiin kuului muun muassa tietokantojen muokkaus ja käsittely, uuden tiedon luominen ja liittäminen olemassaolevaan tietokantaan sekä monimuotoisempien teemakarttojen luonti.

Tutkimme Afrikan mantereella esiintyviä geopoliittisia ilmiöitä vapaasti saatavilla olevan tietokannan avulla. On tärkeä tiedostaa, että aineistoissa voi ilmetä inhimillisiä virheitä (näppäilyvirheet yms.), mikä tuli ilmi Djiboutin väkiluvun kohdalla. Päätin oman käden oikeudella muuttaa Djiboutin väkimäärää lisäämällä taulukon alkuperäisen luvun perään nollan. Tarkistin vuoden 2019 väkiluvun muutamastakin lähteestä. Myös Comorosin väkiluvusta oli jäänyt yksi numero merkitsemättä ja korjasin lähtöaineistoon tämänkin.

Hyödynsimme aineistoa internetin läpäisevyydestä (käyttäjämäärällä mitattuna), timanttikaivoksista, neljänkymmenen vuoden ajan ilmenneistä konflikteista ja öljykentistä. Konfliktien absoluuttisen lukumäärän suhteuttaminen aikaan oli opettavainen harjoite, joka tarjosi perspektiiviä yksittäisten konfliktien ajallisesta sijoittumisesta. Laadin pohjaksi koropleettikartan internetin läpäisevyydestä valtioittain ja lisäsin päälle vielä kaikki harjoituksessa käsitellyt aineistot (Kuva 1). Harjoituksen kannalta oli hyödyllistä kokeilla erityyppisten aineistojen samanaikaista esittämistä. Tätä kautta ymmärrys aineistojen tyypin vaikutuksesta sen esitettävyyteen syventyi. Lopputulos on kuitenkin melko sekava informaation tilkkutäkki, jonka trendejä on vaikea tulkita. Ilahduin onnistuessani laatimaan uniikeista konflikteista numeeriset merkinnät kunkin valtion kohdalle. Yritin vielä suodattaa nollat pois niin, että palluroita olisi ollut vähemmän, mutta tämä ei sujunut toivotulla tavalla.

Kuva 1. Internetin käyttäjien osuus väestöstä, timanttikaivosten lukumäärä, uniikit konfliktit ja öljykentät Afrikan valtioissa. (Kuva avautuu uudessa välilehdessä klikkaamalla)

Tarkemman tarkastelun kautta voi kartalta lukea muutamia mielenkiintoisia ilmiöitä. Konfliktien määrä näyttää olevan suhteellisen korkea niissä maissa, joissa internetin käyttöaste on pieni. Yhteys tuskin on kovin merkittävä, sillä konflikteja on tapahtunut myös korkean käyttöasteen maissa. Analyysia voitaisiin tarkentaa suhteuttamalla konfliktien määrä eri vuosina internetin läpäisevyyden ajalliseen kehittymiseen. Keski-Afrikassa sijaitsee runsaslukuisia timanttikaivoksia ja internetin käyttöaste jää tällä alueella pääasiassa alle 20 prosentin. Syitä näille yhteyksille on etsittävä alueen geopoliittisesta historiasta ja siirtomaasuhteista. Kartasta saisi vielä informatiivisemman, jos näitä ilmiöitä suhteuttaisi siihen, mikä valtio on toiminut kolonisoivana osapuolena ja minä ajankohtana timanttikaivokset on löydetty.

Ihmismaantieteellisten ilmiöiden tutkailu visuaalisesti geomedian keinoin on itseäni kiehtova osa-alue. Koin jälleen saavani tärkeitä työkaluja opettajuuden kannalta. Prosessit ovat kompleksisia ja harvoin on mahdollista selittää kahden yksittäisen muuttujan käyttäytymistä yksinkertaisella syy-seuraussuhteella. Timanttikaivostoiminta on kiistatta johtanut väkivaltaisiin yhteydenottoihin monissa Afrikan valtioissa ja käsite ”veritimantti” on asiaan perehtymättömällekin varmasti tuttu. Kaivostoiminnan vaikutukset paikallisiin yhteiskuntarakenteisiin ovat kuitenkin moniulotteiset. Kuten Kotsadam ym. (2017) ainutlaatuisessa tutkimuksessaan huomioivat, kaivostoiminnan ja naisiin kohdistuvan väkivallan yhteys riippuu paikallisen yhteisön kulttuurisesta kontekstista ja laajempien taloudellisten rakenteiden vakaudesta. Teemakarttoja tulkittaessa kriittinen lukukehys ja varovaisuus suorien johtopäätösten kanssa onkin oleellinen taito.

Itsenäistehtävän tarkoitus oli soveltaa edellä opittuja taitoja Suomen valuma-alueiden tulvaindeksin ja järvisyyden tarkasteluun. Ohjelmisto-osaamisen lisäksi nyt pääsi kertaamaan luonnonmaantieteellisiä käsitteitä. Yritin laskea järvisyyttä itse ”haastavan tehtävänannon” mukaan ja kiivaan taistelun jälkeen onnistuin ymmärtämään järvi.shp -tietokannassa esitettyä dataa ja yhdistämään siellä esitetyt järvien pinta-alat valuma-alueita esittävään tietokantaan. Varmistin tieteen termipankista, että järvisyys eli järviprosentti ilmaisee järvien pinta-alan osuutta vesistön valuma-alueen pinta-alasta. Näin järvisyyden sai selville yksinkertaisella laskutoimituksella. Tällä tavalla tuotettu aineisto on esitetty kuvan 3 kartassa. Täysin virheettä en tehtävästä suoriutunut, sillä nyt aineistosta löytyi Laatokan pinta-ala, joka loi haasteita järvisyyden vertailulle muualla Suomessa.

Lähinnä minua kiinnosti kokeilla tunnuslukujen itsenäistä laskemista, koska tehtäväohjeessa mainittiin valmiiksi annetun tietokannan arvojen olevan ”ehkä vähän mitä sattuu”. Itse laskemani pinta-alat ja eri tavalla ilmaistu tulvaindeksi tuottivatkin hieman erilaisen tuloksen kuin valmiista tietokannasta lasketut arvot. Erot näkyvät, kun vertailee kuvan 2 ja 3 esittämiä koropleettikarttoja.
Hienovaraisista eroista huolimatta haluttu ilmiö on tulkittavissa molemmista kartoista. Tulviminen on vähäisintä alueilla, jotka sisältävät eniten järviä ja vain lyhyitä jokia. Korkeimman tulvariskin alueet löytyvät luonnollisesti rannikkoalueilta aina Perämereltä Turun saaristoon ja Etelä-Suomeen. Myös Lapin Järvi-Suomea korkeampi tulvaindeksi erottuu erityisesti kuvan 3 kartassa luokkaerojen suuruusvälien takia. Monet kurssitoverit ovat ehtineet tehdä perusteellisia pohdintoja tulvimiseen vaikuttavista tekijöistä. Pohjanmaan korkea tulvaindeksiä selittää maanpinnan korkeusprofiilin alavuus yhdessä mereen virtaavien jokien kanssa. Järvien tehokkaan kyvyn säilöä vettä ja näin pienentää tulvimisriskiä ovat nostaneet esiin sekä Venla Moisio että Vilma Koljonen (2020.)

Kuva 2. Suomen valuma-alueiden tulvimisriski virtaaman huipun suhteena kuivimpaan aikaan (MHQ/MNQ) sekä järvisyys (klikkaa suuremmaksi).
Kuva 3. Suomen valuma-alueiden tulvimisriski keskiylivirtaaman suhteena keskivirtaamaan (MHQ/MQ) (klikkaa suuremmaksi).

Kartoiltani pystyy melko hyvin tulkitsemaan tulvimisen maantieteellistä sijoittumista Suomessa sekä tulvaindeksin ja järvisyyden välistä negatiivista korrelaatiota. Kuvan 3 kartan visuaalisuuteen panostin enemmän ja vaikka jätin järvisyysprosentit siitä pois, esittää se tavoiteltua ilmiötä selkeästi. Kuvan 2 kartan laatuun vaikuttivat jo väsymys ja näyttöpäätteen aiheuttama sokeus. Minun olisi pitänyt palata muokkaamaan erityisesti legendaa. Tältä kartalta jätin järvet elementtinä pois, koska ne mielestäni toivat karttaan ahtautta ja järvisyyttä ilmaisevat pylväät tuovat tiedon esiin. Päätän tekstini Laura Hynysen (2020) mainioon oivallukseen maantieteilijän subjektiivisuudesta ja valintojensa perustelun tärkeydestä. Lopulliset karttani kaipaisivat vielä visuaalisuutensa puolesta hiomista, mutta ainakin seison tietoa esittävien valintojeni takana ja osaan ne tieteellisestä näkökulmasta perustella.

Lähteet

Hynynen, L. (2020). Lisää elementtejä analyysiin. Blogikirjoitus. 30.1.2020. <https://blogs.helsinki.fi/lauravel/2020/01/29/lisaa-elementteja-analyysiin/>

Koljonen, V. (2020). Tietokannoista käyttökelpoisia. Blogikirjoitus. 30.1.2020. <https://blogs.helsinki.fi/vilmakol/2020/01/29/tietokannoista-kayttokelpoisia/>

Kotsadam, A., Østby, G. & Rustad, S. A. (2017). Structural change and wife abuse: A disaggregated study of mineral mining and domestic violence in sub-Saharan Africa, 1999-2013. Political Geography 65, 53-65.

Moisio, V. (2020). Viikko 3 – Tietokantojen yhdistämistä ja laskutoimitusten tekemistä. Blogikirjoitus. 30.1.2020. <https://blogs.helsinki.fi/moivenla/2020/01/29/viikko-3-tietokantojen-yhdistamista-ja-laskutoimitusten-tekemista/>

Tietokantoja, tykytystä ja toiveita tulevasta

Yskähdellen käynnistynyt viikko 2 ja päänsärkyä voimistava GIS-kurssisalin ilma ei luvannut järin hyvää tälle toiselle kurssikerralle. Sivupoluille menee, mutta todettakoon tähän väliin, että kuluvan periodin maanantait ovat työkuvioiden ja muiden kurssiaikataulujen pakosta muodostuneet melkoisiksi maantieteen maratoneiksi. Olen vangittuna Physicumin käytäville ja saleihin kymmeneksi tunniksi kolmen eri kurssin kahleissa. Ammatillinen kehitys on minulle tärkeää ja haluan opettajana inspiroida oppilaitani myös tämän toisen opetettavan aineeni parissa. Täytyy kuitenkin myöntää, että tällaisina hetkinä vilpittömän motivaation löytäminen ei onnistu ilman merkittävää kortisolitason nousua. Noniin, ja asian äärelle!

Tutustuimme paikkatietoaineistojen palveluntuottajien monimuotoiseen maailmaan ja QGIS-ohjelman perusominaisuudet tulivat yhä tutummiksi kertauksen kautta. Valintatyökalujen kirjo tarjosi monenlaisia mahdollisuuksia ja tuntui hyödylliseltä tutustua erilaisiin aineiston suodatustapoihin (Kuva 1). Hyödyllisiksi nämä taidot osoittautuivatkin, kun ahersin Natura-alueiden suhteellisten pinta-alojen parissa, mistä lisää myöhemmin. Palvelimelta haetut tietokannat eivät sellaisenaan olleet muokattavissa, sillä ne ovat automaattisesti kirjoitussuojattu. Tietokanta täytyy siis tallentaa uutena layerinä, jotta ominaisuudet tulevat muokattaviksi. Tietokantojen hierarkiassa ja käytössä on työtapojen suhteen paljon samaa kuin biologisen tutkimuksen tietokantojen käytössä esimerkiksi R-ohjelmalla. Tarkoitan lähinnä sitä, että layereiden, projektien ja tietokantojen määrän kasvaessa on tärkeää olla perillä tiedostopolkujen keskinäisistä suhteista ja pysyä tarkkana nimeämiskäytännöissään.

Kuva 1. Kuvakaappaus QGIS-ohjelmasta. Suodatin aineistoista kaikki Suomen kunnat, joiden pinta-ala on pienempi kuin 500 km2.

Kartografisista valinnoista johtuvien vääristymien ja yleistyksien käytännön ymmärtäminen ovat maantieteellisen ajattelun kehittymisen kannalta keskeisiä. Siksi tällä kurssikerralla suoritetut eri projektioiden aiheuttamien vääristymien havainnollistaminen tuntui mielekkäältä oppimisen näkökulmasta. Käytännössä turhautumista kuitenkin aiheutti monet yritykset luoda laskukaavoja, kunnes tajusin operoineeni väärillä mittayksilöillä. Lisäksi projektiotyyppejä oli ohjelmassa listattuna sellainen määrä, että niiden läpikäyminen tuntui kehnolta ajankäytöltä.

Onnistuin lopulta luomaan visuaalisesti mielestäni onnistuneen kartan, joka havainnollistaa Suomessa yleisesti käytetyn TM35- ja tunnetusti napa-alueiden pinta-aloja vääristävän Mercatorin projektioiden eroja pinta-alaan (Kuva 2). Muokkasin väriskaalaa tarkoituksella, jotta vääristymän suuruusluokat eivät jättäisi ketään epäilyksen varaan. Valitsemani väriskaalat tuovat myös mukavasti esiin pohjois-etelä -suunnassa tapahtuvan vyöhykkeisyyden alojen vääristymässä. Jälkeenpäin ajateltuna minun olisi ollut hyvä valita itse tulosteenkin projektioksi Mercator, jotta erot näkyisivät värien lisäksi aloissa. Näin on tehnyt esimerkiksi Siiri Nyman (2020) ja valinta on mielestäni hyvin perusteltu.  Kuten Iida Kokkinenkin (2020) blogissaan oivaltavasti toteaa, TM35-projektio pyrkii minimoimaan projisoinnissa aiheutuvat virheet laaja-alaisesti (kulmat, pituudet ja pinta-alat) ja Mercator taas on häpeilemättömän oikeakulmainen.

Kuva 2. Mercatorin esittämien pinta-alojen ero prosentteina TM35-projektioon.

Lopuksi minua kiinnosti tutkia tarjotun aineiston perusteella Suomessa sijaitsevien Natura-alueiden absoluuttisia kokoja suhteessa kunnan kokonaispinta-alaan. Kuntia, joissa Natura-alueen osuus oli suuri (esimerkiksi yli 80%), on vain neljä. Olisin halunnut korostaa näitä kuntia nimeämällä ne kartalle erikseen. Onnistuin label-komennon avulla tämän tekemään ja vielä suodattamaankin haluttujen kuntien nimet. Törmäsin seinään aineiston koodauksen kanssa, sillä erikoiskirjaimet eivät näkyneet toivotulla tavalla. (Kuva 3.) Minulle oli jäänyt hämärä muistikuva maanantain kurssikerralta, että Arttu oli näyttänyt ratkaisun tähän, mutta juuri tuolloin olin tietysti keskittynyt näpertämään laskukaavojeni kanssa. Pikainen Google-tiedustelukaan ei auttanut asiaa, vaikka pääsin jyvälle aineiston koodauksen logiikassa. Päätin, että lopputulos ei tässäkään ole käytettyjen tuntien arvoinen, jos päädyn viettämään liikaa aikaa vinkkipalstojen syövereissä.

Kuva 3. Epäonnistunut yritys korostaa suuria Natura-kuntia nimeämällä ne kartalle.

Suhteutin siis kunnissa sijaitsevien Natura-alueiden pinta-alat kunnan kokonaispinta-alaan sekä TM35- että Mercatorin projektiossa. Kuuden kunnan osalta pinta-alaa koskeva aineisto puuttui, joten suodatin ne karttatulosteeseeni harmaalla värillä. Tämän onnistumisesta olin erityisen ylpeä, sillä toiminto vaati ensimmäisellä kerralla opittuja taitoja ja ne eivät olleetkaan vielä unohtuneet. Kartoista (Kuvat 4 & 5) käy selkeästi ilmi ylimalkaisesti vääristävän projektion vaikutukset kuvattavaan muuttujaan. Jos lukisimme pelkästään kuvan 5 mukaista Mercatorin pohjalta luotua karttaa, saisimme Natura-alueista mielleyhtymän, joka ei vastaa todellisuutta laisinkaan. Mercatorin pinta-aloja suurentava vaikutus vähättelee Natura-alueiden suhteellisia kokoja anteeksiantamattoman paljon. Pohjois-Lapin kuntien Natura-alueet kattavat valtaosan koko kunnan pinta-alasta, mutta Mercatorin pohjalta luotu kartta antaa käsityksen, että näin ei ole. Tämä havainto on tietenkin linjassa kuvassa 2 esitetyn vääristymän kasvun kanssa.

Kuva 4. Natura-alueiden suhteellinen koko kunnan pinta-alasta prosentteina TM35-projektiossa.
Kuva 5. Natura-alueiden suhteellinen koko kunnan pinta-alasta prosentteina Mercator-projektiossa.

 

Kartat ovat yksittäin tarkasteltuna varsin onnistuneita ja esittävät haluttua tietoja ja muuttujien suhteita tarkasti. Yhdessä esitettynä ne jättävät kuitenkin tulkitsijalle melkoisesti vastuuta, sillä yhteneväinen väriskaala ja -intensiteetti hämäävät herkästi siitä, että prosenteissa on valtava suuruusero. En itsenäisesti löytänyt tähän toimivaa ratkaisua, joten ehkä vastaavia ongelmia esitystavoissa käsitellään myöhemmin. Tajusin jälleen vasta blogitekstiä viimeistellessäni, että karttojen fontit ja legendat tulisi esittää suurempina yleisen luettavuuden helpottamiseksi. Ehkäpä ensi viikolla tämä oppi on iskostunut päähäni onnistuneesti.

Lähteet

Kokkinen, I. (2020.) Toinen tapaaminen arvon QGISin kanssa. Blogikirjoitus. 24.1.2020. <https://blogs.helsinki.fi/iixkokki/2020/01/24/toinen-tapaaminen-arvon-qgisin-kanssa/>

Nyman, S. (2020.) Toinen kurssikerta. Blogikirjoitus. 24.1.2020. <https://blogs.helsinki.fi/nymsiiri/2020/01/21/toinen-kurssikerta/>

Johdanto kurssille ja QGIS:in perusominaisuudet

Ensimmäinen kurssikerta toimi johdatuksena ja osittain kertauksena paikkatiedon eri muotoihin ja tapoihin analysoida ja käsitellä paikkatietoa. Käytännön työn osalta jouduin oppimaan paljonkin uutta ja teknistä asiaa, sillä QGIS-ohjelma ei ollut minulle entuudestaan tuttu. Tutustuimme eri paikkatietokantojen eroihin ja yleisimpiin tapoihin esittää paikkatietoa.

Kurssin menetelmät ovat hyödyllisiä, sillä koen tärkeäksi ja mielekkääksi tuntea niitä tapoja, joilla paikkatietoa voidaan manipuloida. Geomedian kriittinen lukutaito on olennainen osa henkilökohtaista ammatillista oppimista tulevana aineenopettajana. Erilaisia infografiikoita ja karttamaisia visualisointeja tulee vastaan nykyään lukemattomissa lähteissä sanomalehdistä virallisiin valtiollisiin julkaisuihin. Tunnistaakseen grafiikan laadinnassa käytettyjä motiiveja ja vääristymiä on tunnettava grafiikan laadintaan käytettyjä menetelmiä. Informaation kriittistä tulkintaa myös edesauttaa se, että ymmärtää, mitä muita esitystapoja olisi mahdollista käyttää.

Ohjelman teknisen puolen tullessa vähitellen tutuksi saimme tehtäväksi laatia teemakarttoja Suomen kuntien avainlukuaineistosta, joka oli Tilastokeskukselta ladattua dataa vuodelta 2015. Avainlukuja on tarjolla runsas valikoima ja oli haasteellista navigoida niiden läpi ja päättää oma mielenkiintonsa kohde.

Olen aina ollut kiinnostunut maiden ja kuntien välisistä ikärakenteiden eroista. Ryhdyin tutkimaan mahdollisuuksia tuottaa teemakarttoja pohjautuen tähän teemaan. Tilastokeskus on jaotellut kuntien väkilukuja monipuolisesti eri ikäryhmien mukaan ja vaihtoehtojen runsaus tuottikin haasteita laatia laadukkaita karttoja. Luettavuuden nimissä yhdelle kartalle on valittava vain yksi aineisto kerrallaan. Vertailukelpoisten karttojen täytyisi siis olla esitettynä vierekkäin niin, että kukin kartta sisältää koropleettisesti visualisoitua tietoa ikäryhmien osuuksista kuntien väkiluvuista. Kokeilin muutamia tapoja, mutta hetken rämmittyäni aineistorunsauden suossa päätin, ettei lopputuotoksen arvo vastaa siihen käytettyä aikaa (Kuva 1). Myöhemmin selaillessani muiden kurssilaisten blogitekstejä huomasin, että Carita Aapro-Koski (2020) oli toteuttanut oman teemakarttansa sukupuolten osuuksista eri kunnissa juuri tällaiseen vertailevaan tyyliin. Lopputulos on tyylikäs ja informatiivinen, joten ehkä itsekin tulevissa harjoituksissa harkitsen vastaavaa toteutustapaa.

Kuva 1. Kuvakaappaus epäonnistuneesta yrityksestä laatia ikäluokkakarttaa.

Yksinkertaisuus on kaunista ja päätin harjoittelun nimissä laatia teemakartan, jossa havainnollistetaan yhtä selkeää muuttujaa. Suomen tapauksessa kuntien väliset muuttoliikkeet ovat myös mielestäni kiehtova ilmiö ja arvelin, että maakuntien väestökatoa suhteessa kaupunkikeskusten vetovoimaan olisi mielekästä visualisoida.

Visuaalisesti lopullinen kartta (Kuva 2) onnistuu esittämään ilmiön halutulla tavalla. Punainen väriskaala toimii, sillä selkeät vetovoimaiset ytimet erottuvat kartalta merkittävällä tavalla. Lisäksi kartalta pystyy helposti tulkitsemaan Suomen suuret, alueelliset erot ja muuttotappiota kokevien kuntien suhteettoman suuren määrän koko muuhun maahan nähden. Kartta-aluetta olisi voinut myös suurentaa, sillä nyt pienimmät kunnat Etelä-Suomessa eivät oikein tahdo erottua. Tämän tajusin vasta liittäessäni kuvan tähän blogitekstiin. Luokkarajoja muokkasin hieman niin, että muuttotappiota kokevat kunnat ovat kokonaan omana, alimpana luokkanaan, jotta ne erottuisivat. Silti luokkien lukumäärät ovat sellaisenaan sekavat ja vaikeuttavat luettavuutta. Saman havainnon oli tehnyt Paavo Kettunen blogissaan (Kettunen 2020). Tasaluvut olisivat tehneet kartan sisältämästä informaatiosta tosiaan selkeämmän.

Kuva 2. Suomen kuntien nettomuutot

Lähteet

Aapro-Koski, C. (2020). Ensikosketus QGIS-ohjelmaan. Blogikirjoitus. 19.1.2020. <https://blogs.helsinki.fi/aacarita/2020/01/18/geoinformatiikan-menetelmat-1/>

Kettunen, P. (2020). Kurssikerta 1. Blogikirjoitus. 16.1.2020. <https://blogs.helsinki.fi/paavoket/2020/01/14/moikka-maailma/>