Month: February 2017

Ihanan kurssin kuudes opetuskerta alkoi reippaalla ulkoilulla hyytävässä Kumpulassa. Keräsimme ryhmäni kanssa kordinaattitietoja lähialueen roskiksista. Tapahtuman aikana ymmärsin hyvin Artun puheet paikantimien alkukankeuksista satelliittien etsimisen aikana, sillä etenkin aluksi pisteet vaikuttivat vertikaalisilta sijainneiltaan ja tarkkuuksiltaan hyvin epävarmoilta. Laitteen toiminta ja tarkkuus kuitenkin parani reippaasti tarkastelun aikana. Kirjatessa tuloksia Exceliin tapahtui yhden numeron kirjoitusvirhe, mikä heitti yhtä pistettä noin kymmenisen metriä etelään päin. Tällaisen inhimillisen virheen huomasi helposti näin pienestä aineistosta, mutta aloin pohtimaan, että laajemmissa aineistoissa voi inhimillisillä vihreillä olla merkittäviäkin vaikutuksia saatuihin tuloksiin.

Varsinaisena harjoitteluna kurssikerran itse tuotettavaa sisältöä varten geokoodasimme tietoja Helsingin pelikoneista Street-muotoiseen aineistoon. Itse saamani kokemus tästä harjoittelusta vaikutti jäävän hieman heikohkoksi, johtuen MapInfon ja käyttäjän välisistä ongelmista. Oli kuitenkin mielenkiintoista huomata, että minkälaisin eri menetelmin kohteita voidaan sijoittaa kartalle. Sinänsähän koko toimitus on aivan helposti nykyisin ymmärrettävää, pystyyhän esimerkiksi Google Mapsissa hakemaan kadunnumeron perusteella. Silti se, että pisteitä pystyy juuri vaikka kadunnumeron perusteella sijoittamaan kartalla oli mielenkiintoista ja avaa mahdollisuuksia tutkia aineistoja, missä esimerkiksi kordinaattitietoja ei ole saatavilla.

Tehtäviksi töiksi päätyi tällä kertaa kolme karttaa erilaisista hasardeista. Aineistot olivat netissä luokiteltavissa varsin monien eri ominaisuuksien perusteella, joten spesifimpienkin karttojen tekeminen jostain tarkasta aiheesta olisi ollut mahdollista, mutta tyydyin nyt varsin simppeleihin esityksiin. Myöskään valmiiden karttojen lopullinen ulkoasu on varsin huono. Työnteon loppupuolella alkoi ruokailu houkuttamaan ja halusin saada hommat valmiiksi joten tyydyin tekemään esimerkiksi selitteet Paintilla, mikä kyllä näkyy (kuva 1). Koin kuitenkin, että kurssikerran päätarkoituksena oli harjoitella aineiston tuomista ja sijoittamista kartalle.

Kuva 1. Blogin pitäjän tunnelmat legendoja valmistaessa.

Karttojen ulkonäköön olisin voinut käyttää enemmän aikaa, jos olisin lukenut ohjeita kurssikerran aikana ja kokeillut vinkkiä aineistojen laittamisesta ennen Exceliä Wordiin. Tällä ystävällisen kurssitoverini Timon heti kurssin jälkeen antamalla vinkillä olisin säästänyt huomattavasti aikaa ja hermoja, sillä Excelin tapa tehdä päivämääriä muistuttavista luvuista päivämääriä oli ärsyttävä ja siitä johtuvien virheiden korjaaminen vei huomattavasti aikaa, minkä olisi voinut käyttää muuhun työskentelyyn.

Netissä olevia aineistoja tutkiessani jäin pohtimaan niiden lisäkäyttömahdollisuuksia. Esimerkiksi harjoituksessa käytetyillä varsin tarkoilla tietokannoilla olisi mahdollista tutkia ilmiöiden spatiaalistemporaalista esiintymistä, etenkin jos otettaisiin mukaan pienemmänkin mittakaavan tapahtumat. Mietin myös, että esimerkiksi ajallisia muutoksia jonkin ilmiön esiintymismäärässä voisi olla helpompi ja nopeampi tutkia jollain ohjelmalla, millä pystyy luomaan karttoja massoittain tietyillä aikaväleillä, sillä MapInfon yksittäisesti luomilla kartoilla toiminta olisi hidasta ja kankeaa. Myös jonkinlainen automaattisesti karttoja aineistosta luova skripti voisi olla sopiva apuväline tehtävässä.

Karttapohdintaa

Kuva 2. Tulivuoritoiminnan ja maanjäristysten alueellinen sijoittuminen.

Vaikka en ole suunnitellut pedagogisiin opintoihin suuntautumista, on karttoja silti mahdollista analysoida siltä kannalta.  Sinänsä ensimmäinen tulivuoritoiminnan ja maanjäristysten alueellista sijoittumista kuvaava kartta (kuva 2) on varsin toimiva. Sitä olisi helppo käyttää yhteistyössä esimerkiksi mannerlaattoja kuvaavan kartan (kuva 3) kanssa. Ongelmaksi kartassa nousee pisteiden sijoittuminen. Kahta varsin samoilla alueilla esiintyvää eri ilmiötä kuvatessa pisteet menevät helposti toistensa päälle, mikä vaikeuttaa havainnointia. Tällainen paljon eri kohteita omaava aineisto voisi sopia paremmin esimerkiksi pienemmän mittakaavan karttaan jostain tietystä alueesta (kuva 4).

Kuva 3. Mannerlaattojen sijoittuminen (Encyclopædia Britannica 2015).

Kuva 4. Maanjäristys- ja tulivuoritoiminnan alueellinen sijoittuminen (Silfverberg 2017).

Kuva 5. Rekisteröidyt maanjäristykset 1.1.2017-22.2.2017 ajanjaksolla.

Toinen alkuvuodesta 2017 tapahtuneita maanjäristyksiä kuvaava kartta (kuva 5) on mielestäni varsin samalainen kuin edellinen, mutta yhdellä muuttujalla. Tässäkin ongelmaksi nousee ilmiöiden kasaantuminen tietyille alueille johtuen kartan isosta mittakaavasta mikä vaikeuttaa havainnointia. Mielestäni yhtä muuttujaa olisi parempi tällaisessa mittakaavassa kuvata esimerkiksi dasymetrisellä vyöhykekartalla, mikä helpottaisi ilmiöiden voimakkuuksien ja esiintymisen visuaalista havainnointia. Tällaista voisi toteuttaa esimerkiksi varsin pienellä ruudukolla varustetulla korologisella matriisilla, missä värisävyt vaihtelisivat ruudukkoon osuvien kohteiden määrän mukaan.

 

Kuva 6. Tunnetut kilpi- ja kerrostulivuoret

Viimeisessä kartassa (kuva 6) onnistuin jotenkin tutkimaan miten ilmiöitä voisi esittää eri laadullisten ominaisuuksiensa perusteella. Ongelmaksi nousivat taas varsin samanlaiset asiat kuin edellisissä kartoissa. Kohteet sijaitsevat yllättäen varsin samoilla alueilla, ovathan ne molemmat tulivuoria, mikä taas johtaa siihen, että pisteet sijoittuvat päällekkäin ja sitä kautta vaikeuttavat havainnointia. Joitain alueellisia klustereita on kuitenkin havaittavissa. Nyt kuitenkaan kartta ei avaa varsinaisia mahdollisuuksia tutkia esiintymien syytä, vaan se vaatisi kaverikseen muita karttoja, joiden kautta voisi alkaa tutkia miksi asiat ovat näin.

Lähteet:

Encyclopædia Britannica (2015). Plate Tectonics. 12.2.2015 <https://global.britannica.com/science/plate-tectonics> Luettu 24.2.2017

Silfverberg, P (2017. Kuudes kurssikerta. 22.2.2017 <https://blogs.helsinki.fi/pasipasi/2017/02/22/kuudes-kurssikerta/> Luettu 27.2.2017

MapInfosta nousee taas vahvasti esille sen erilaisuus mihinkään aikaisemmin kokemaani tietokoneohjelmistoon. Se on perusrakenteiltaan ja käyttöliittymältään niin erilainen mihinkään aikaisempiin ohjelmistoihini verrattuna, että todennäköisesti pienetkin ongelmat paisuvat suuriksi kun niihin on haastava löytää sopivia ratkaisuja. Teoriassa on mahdollista, että lisäkokemus auttaa, mutta tämän jopa hieman tuskanhikisen kurssikerran jälkeen en ole enää varma mistään. Ja jollekin MapInfoa ohjelmoivalle henkilölle voisin esittää pyynnön Undo ja Redo komentojen kehittämisestä, sillä nyt pienetkin virheet kasatuvat korjausmahdollisuuksien vajanaisuuden vuoksi. Kuten Lappalaisen Jouko asian esittää, useimmissa ohjelmissa pääsee yllättävän pitkälle yrityksen ja erehdyksen kautta. MapInfossa tällä päätyy vain samaan umpikujaan (2017).

Omia MapInfon taitojani voisin pitää ainakin perusasioissa ihan tyydyttävinä. Etenkin kurssin alkupuolella tehdyt perushommat ja esimerkiksi teemakartat todennäköisesti hoituvat vielä varsin vaivatta etenkin nopean kertauksen jälkeen. Viimeisimmillä kurssikerroilla on kuitenkin ollut hieman vaikeampaa. Uusia asioita tuntuu tulevan varsin nopeasti, eikä vanhoja kerkeä/jaksa kerrata tarvittavia määriä, jotta ne jäisivät ns. lihasmuistiin. Etenkin eri päällekkäin olevat tietokantojen tasot ja kaikesta vaikutteita ottavat Queryt eksoottisina haastavat työskentelyn sujuvuutta. Myös jatkuva painiminen ohjelman pienten hienosäätöjen ja niistä koituvien ongelmien kanssa turhauttaa ja hidastaa töiden etenemistä.

Vaikka MapInfon käyttäminen saattaakin tuntua tällä hetkellä varsin tuskaiselta, siitä kyllä näkee silti potentiaalia. Sen antamat mahdollisuudet laskea ja analysoida aineistoja kartalla ovat ainakin allekirjoittaneelle henkilökohtaisesti aivan uusia kokemuksia. Asioiden alueellinen tarkastelu voi avata loistavia ongelmanratkaisumahdollisuuksia. Rajoitteena käytölle tulee todennäköisesti olemaan vain se, kuinka hyvin eri aineistot sopivat ohjelman ja muiden tietokantojen kanssa yhteen. Uskon, että asioiden välisiä yhteyksiä tulee olemaan jatkossakin hyvä pohtia myös ohjelman ulkopuolella, sillä MapInfossa on helppo vetää yhtäläisyyksiä täysin toisiinsa liittymättömien asioiden väliltä. Myös se tunne kun saa jotain vihdoin toimimaan on huumaava (kuva 1).

Kuva 1. Hyvin epätoivon hetkellä koetun onnistumisen tunnetta kuvaava kuva.

Varsinaisena kurssikerran työnä harjoittelimme puskurointia aka bufferointia. Periaatteessa selkokielellä puskuroinnilla on mahdollista tutkia eri kohteiden vaikutusalueita eri tilanteissa. Käytännössä nämä vaikutusalueet voivat vaihdella huomattavan erilaisista esimerkiksi luonnonilmiöitä tai vetovoimaa koskevista kysymyksistä vaikka matkapuhelinverkkojen kattavuuteen. Ennen bufferointia on kuitenkin oltava kattava aineisto tutkitusta aiheesta ja on osattava tehdä erilaisia laskutoimituksia, jotta uusia muuttujia saataisiin selville (Ylimäki 2017). Oma pohdintani nyt koettujen bufferointielämysten suhteen keskittyi siihen, että miten esimerkiksi MapInfolla on mahdollista bufferoida vaikutusalueita, mitkä eivät olekaan täydellisiä ympyröitä, tai miten ohjelmistolla on mahdollista ottaa huomioon esimerkiksi muut bufferin alaan vaikuttavat seikat, kuten esimerkiksi maasto. Esimerkiksi melun vaikutusaluetta tutkiessa olisi mielenkiintoista tietää pystyykö MapInfolla tai jollain toisella ohjelmalla ottamaan huomioon esimerkiksi rakennuskannan tai ympäristön vaikutuksen.

Kuva 2. Kurssikerran harjoitustöiden tuloksia

Varsinaisista kurssikerran tutkituista asioista (kuva 2) ei minulla ole paljoakaan sanottavaa, sillä huomio keskittyi lähinnä ohjelmiston kanssa painimiseen. Mielenkiintoista on ainakin taas vaihteeksi nähdä Malmin lentokentän esimerkissä kuinka paljon vaikutusala kasvaa etäisyyden neliönä. Toinen mielenkiintoinen seikka olisi nähdä juna-asemien läheisyydessä asuvien määrän kasvu kehäradan valmistuttua ja sitten, kun sen syrjäisempien asemien lähialueet on saatu rakennettua. Uskon asemien läheisyydessä asuvan väestön suhteellisen osuuden nousevan jopa oletettua voimakkaammin kehäradan vetovoiman ansiosta.

Lähteet:

Lappalainen, J (2017). Osa 5 – “Älä Hinkki masennu – sä et sentään asu Vantaalla” 17.2.2017                    <https://blogs.helsinki.fi/ladjouko/2017/02/17/hotel/>  Luettu 22.2.2017

Ylimäki, A (2017).  5. kurssikerta: Bufferointia ja analyyseja. 17.2.2017 <https://blogs.helsinki.fi/alinayli/2017/02/17/5-kurssikerta-bufferointia-ja-analyyseja/> Luettu 22.2.2017

 

Tällä hyvinkin mukavalla kurssikerralla käsittelimme erilaisia piste- ja ruutuaineistoja. Erilaisista paikkatietoaineistoista pisteaineistot ovat kaikista tarkimpia. Kaikista tarkimmat pisteaineistot on mahdollista saada laserkeilauksella, esimerkiksi lentokoneen tai miehittämättömän lennokin avustuksella. Laserkeilaus on kuitenkin kallista ja sen siivoaminen on työlästä, sillä aineisto sisältää yleensä huomattavia määriä kohinaa eli muuttuvia kohteita, kuten esimerkiksi ihmisiä, kasvillisuutta ja autoja ym. Paras aika vuodesta suorittaa laserkeilausta on aikoina, jolloin puut ovat vielä lehdettömiä, eikä maa ole lumen peitossa.

Pisteaineistoilla voidaankin saada erittäin tarkkaa tietoa, mutta on myös tarpeellista löytää sopiva resoluutio, sillä aineiston koko kasvaa tarkkuuden lisääntyessä huomattavasti. Pisteaineisto soveltuu etenkin pistemäisten kohteiden, kuten rakennusten, havaintojen ja näytteenottopaikkojen kuvaamiseen. Hyvänä ominaisuutena pisteisiin on yleensä myös mahdollista tallentaa lisätietoa, mihin voidaan lisätä esimerkiksi kohteen ominaisuuksiin liittyviä asioita.

Valmiit pisteaineistot jalostetaan usein ruutuaineistoiksi. Ruutuaineisto on pisteaineistoon pohjautuva luonteva tapa kuvata informaatiota kartalla. Siinä ei myöskään tarvitse valmista aluejakoa, mikä helpottaa asioiden esittämistä. Ruutuaineistojen ongelmana voidaan pitää etenkin valmiiden aineistojen osalta niiden hintavuutta, mitkä voivat vaikeuttaa niiden käyttöä yksityishenkilöinä.

Kurssikerran tehtävät

Kurssikerran tehtäviin kuului ruutuaineiston esittämisen harjoittelu MapInfossa. Rekisteröimme myös kordinaatteja rasterimuotoiseen karttaan, jotta sitä olisi mahdollista käyttää paikkatietoaineiston pohjana seuraavalla kurssikerralla. Samalla harjoittelimme myös karttakohteiden lisäämisen perusteita MapInfossa. Käsittelimme tietokantoja sellaiseen muotoon, että ne voisi esittää ruutumuotoisesti ja tein teemakartan (kuva 1), mikä kuvaa alaikäistä väestöä itäisessä Helsingissä. Käytin pohjana 100m ruudukkoa, mikä on varsin pieni, joten rajasin tutkimusalueenkin suhteellisen pieneksi.

Kuva 1. Itäisen Helsingin 0-17 vuotias väestö absoluuttisina arvoina 100m ruudukossa.

Valmis karttani esittää siis Itäisen Helsingin 0-17 vuotiasta väestöä. Kartassa esitetyt arvot ovat absoluuttisia, joten kartan käyttötarkoitus on varsin rajattu. Kuten esimerkiksi Hanna Haurinen (2017) on blogissaan todennut omasta varsin samanlaisesta kartastaan, olisi ollut järkevää tehdä myös toinen suhteellisia arvoja kuvaava kartta, jolloin niitä olisi voinut vertailla. Nyt tekemääni karttaa voidaan pitää eräänlaisena väestöntiheyskarttana, sillä suhteellisista osuuksista ei ole tietoakaan.

Vaikka kartta on sinänsä vajaa, olisi sille olemassa mahdollisia käyttötarkoituksia. Sen avulla olisi mahdollista tutkia esimerkiksi nuorisolle ja lapsille suunnattujen palveluiden kehittämistä, kun nähdään absoluuttisesti missä on paljon käyttäjiä. Esimerkiksi suunniteltaessa palveluita, mitkä vaatisivat tietyn määrän käyttäjiä vaikutusalueellaan toimiakseen, olisi absoluuttisisten arvojen tutkiminen hyödyllistä. Tällainen palvelu voisi olla esimerkiksi koulu ja absoluuttisen väestökartan, sekä liikennekartan kanssa olisi mahdollista suunnitella toiminnalle hyvää sijaintia.

Ruututeemakarttojen oma informaatioarvo on sinänsä myös kiinni käyttötarkoituksesta. Joissain tilanteissa valmiisiin aluejakoihin perustava koropleettikartta olisi todennäköisesti parempi. Koropleettikartasta näkee paremmin jonkin alueen kokonaistilan, ruutukartasta sen osa-alueiden tilanteen. Pistekarttaan verrattuna se on epätarkempi, mutta sen lukeminen ja informaatioarvo on suurempi. Se missä tilanteessa ruututeemakarttaa on syytä käyttää, on siis huomattavan tilannekohtaista, kuten melkein kaikissa muissakin karttatyypeissä. Ruututeemakartasta on myös helppo tehdä vahingossa liian pieniresoluutioinen isolla alueella, jolloin sen luettavuus voi muuttua huomattavankin heikoksi.

En myöskään ole tyytyväinen valmiin karttani väriskaalaan, sillä etenkin sen pienimpiä arvoja kuvaava värisävy on jo varsin lähellä karttapohjaa. Myös luokittelua olisi voinut harkita lisää, nyt viimeisin luokka on erittäin suuri muiden ollessa varsin pieniä. Kartasta silti näkee kuitenkin hyvin alueellisia keskittymiä esimerkiksi Vuosaaressa, Herttoniemessä ja Latokartanon alueella, mutta ilman suhteellisia osuuksia on ilmiöiden tarkempi tutkimus vaikeaa. Jos siis täsmällistä tarkoitusperää kartalle ei ole, olisi suhteellisia määriä kuvaavan kartan tutkiminen ainakin yleishyödyllisesti varmaan tärkeämpää.

 

Lähteet:

Haurinen, H (2017). Neljäs kurssikerta. 13.2.2017 <https://blogs.helsinki.fi/hhaurine/2017/02/13/neljas-kurssikerta/>  Luettu 15.2.2017

Jatkoimme tällä kurssikerralla MapInfon perusteisiin tutustumista. Merkittävä osa ajasta meni tietokantojen käsittelyyn. Tietokantojen käsittely voi olla tarpeellista, sillä ne voivat pirstaloitua. Muokkasimme eri kohteisiin pirstaloituneita tietokantoja yhteen, jotta niiden käsittely olisi helpompaa. Datan yhdistämistä voidaan kutsua myös datan aggregoitumiseksi.

Kurssikerran sisältöön kuului myös tietokantojen tuominen Excelistä. Eri ohjelmien välillä tapahtuva yhteistyö avaa lisämahdollisuuksia yhä laajempaan tietojen käsittelyyn. Yhdistäminen on mahdollista esimerkiksi vertailemalla yhteisiä muuttujia tietokannoissa. Tällaiseen tietokantaliitokseen sopivia muuttujia löytyy usein yleensä esimerkiksi dataa identifioivista nimikkeistä kuten nimistä ja id:istä. Tiedon hakeminen vanhemmista tietokannoista avaa mahdollisuuksia luoda aivan uusia tietokantoja.

Tulvaindeksi ja järvisyys

Kuva 1. Tulvaindeksi ja eri tavoin laskettu suhteellinen järvisyys Suomen ja lähialuiden valuma-alueilla.

Valmiiksi tekemästäni kartasta (kuva 1) tuli lopulta visuaalisesti varsin miellyttävä. Siinä olevien pylväsdiagrammien värit erottuvat sävyiltään varsin hyvin alla olevasta koropleettikartasta. Visuaalisesti karttaa olisi mahdollista ehkä parantaa esimerkiksi laittamalla jokin mieto taustaväri kartan valkoisille alueille. Myöskin jos kartta ei sisältäisi järvisyyttä kuvaavia pylväitä, olisi siihen mielenkiintoista lisätä valuma-alueiden jokia. Parannettavaa olisi myös pylväiden sijoittelussa, sillä nyt ne ovat varsin usein todella ahtaasti tai päällekkäin, jolloin niiden informaatioarvo jää tiukasti sijoitelluilla alueilla varsin pieneksi. Pohdittava olisi kartasta myös aineiston luokittelu ja esitystapa, sillä nyt yksi ääriarvo tulvariskissä nostaa skaalan varsin suureksi. 180 – 1100 väli luokittelussa on varsin suuri, etenkin kun iso osa kohteista sijoittuu ihan sen alkupäähän.

Karttaa tehdessäni huomasin mielenkiintoisen seikan minkä lisäsin siihen. Järvisyyden suhteellista lukua laskettaessa sain eri tulokset, mikäli tulos oli laskettu aineiston perusteella tai jos käytin valmiiksi mukana tullutta lukua. Merkittävää on myös huomata alueiden koon vaikutus tuloksiin. Yleisesti pienen järvisyysprosentin omaavilla tai pienillä alueilla on aineiston perusteella laskettu järvisyysprosentti valmiina tullutta pienempi. Isommilla tai ison järvisyysprosentin omaavilla aluilla eri prosenttiluvut ovat taas lähempänä toisiaan tai aineiston perusteella laskettu on suurempi. Poikkeuksia tietysti löytyy. Hypoteesinani tähän ilmiöön on, että aineistossa on keskitytty enemmän isompiin kappaleisiin, jolloin pienillä alueilla olevat tai pienet kappaleet ovat jääneet pois. Tällöin nämä alueet saavat todellisuutta pienemmän järvisyysprosentin, kun taas isommat saavat todenmukaisemman.

Valmiista kartasta huomaa hyvin myös tulvariskin keskittymisen Itämeren rannikkoalueille. Kartassa näyttää myös olevan pieni tulvariski Lapissa, mutta oikeasti se on varsin lähellä Keski-Suomen tilannetta ja pienillä luokittelumuutoksilla se näyttäisi samalta. Kartasta voidaan myös olettaa, että järvisyydellä on jonkinasteinen korrelaatio tulvaindeksin kanssa, sillä pienen tulvaindeksin omaavat alueet ovat vaikuttavat pääosin myös ison suhteellisen järviosuuden omaavilta. Myös pinnanmuodot vaikuttavat paljon tulvimiseen ja Pohjois-Suomessa tulvaindeksi voisi olla nykyistä paljon korkeampi, jos maasto olisi tasaisempi (Saarinen, 2017). Huomattava on myös, että Etelä-Suomen tulvivammat seudut ovat suurimpien kaupunkialueiden lähistöllä (Lehtonen, 2017). Lehtonen sanoo syyksi tälle, että kaupunkialueilla vesi ei läpäise asfaltoitua pintaa, jolloin sen imeytyminen hidastuu ja tulvimisen riski kasvaa.

Ajatuksia muuttujista

Kurssikerran aineistossa pyydettiin myös esittämään ajatuksia erilaisista konflikteihin, timanttikaivoksiin, öljykenttiin ja internettiin liittyvistä muuttujista. Mahdollisuuksia on monia, sillä muuttujia on mahdollista verrata ja käyttää yhdessä toistensa kanssa montaa eri tarkoitusperää hakiessa. Esimerkiksi taloudellisten tapahtumien päivämääriä voidaan verrata konflikteihin ja niiden syntytaustaan. Jos tiedot laittaa kartalle, niin näkee myös alueellisesti niiden välisiä yhteyksiä. Yhteyksien etsimistä tulee yhä tarkempaa, mikäli sijaintitiedoissa on kunnolliset ajalliset määreet mukana ja niiden kehitystä voidaan seurata yksityiskohtaisesti.

Mielenkiintoista olisi tutkia myös esimerkiksi yleisen kehityksen etenemistä tutkimalla eri internetin käytön tunnuslukuja. Jos samoista muuttujista olisi myös alueelliset tiedot, olisi mahdollista selvittää onko kehitys edennyt tasaisesti vai esimerkiksi keskittynyt tietyille aluille tai ihmisryhmiin. Internetin käytön lisääntyessä myös esimerkiksi sen tuottamat tietomäärät lisääntyvät. Samalla on mahdollista luoda uusia käyttötapoja ja seurata niillä erilaisia ilmiöitä. Esimerkiksi konfliktien alueellista leviämistä ja esiintymistä voisi tutkia selvittämällä, milloin ja missä ihmiset alkavat ilmoittaa internetissä konflikteihin liittyvistä ilmiöistä. Myöskin jonkin alueiden internetin käytön tason laskemista seuraamalla voitaisiin selvittää missä erilaiset konfliktit alueellisesti sijaitsevat.

Lähteet:

Saarinen, E (2017). 3. Kurssikerta. 7.2.2017 <https://blogs.helsinki.fi/eemisaar/2017/02/07/3-kurssikerta/> Luettu 7.2.2017

Lehtonen, P (2017). 3. kurssikerta, datan muokkaaminen ja yhdistely. 3.2.2017 <https://blogs.helsinki.fi/lepylepy/2017/02/03/tiedon-hankintaa/> Luettu 12.2.2017

 

 

Lisätehtävänä luettava artikkeli oli Anna Leonowiczin kirjoittama “Two-variable choropleth maps as a useful tool for visualization of geographical relationship” (2006). Se käsittelee kahden muuttujan koropleettikarttojen luonnetta. Yhden ja kahden muuttujan kartat eroavat toisistaan pääasiassa käyttötarkoituksen ja ulkoasun puolesta. Kahden muuttujan kartoista on helpompi havaita muuttujien välisiä alueellisia yhteyksiä, kun taas yhden muuttujan kartoista on mahdollisuus havainnoida alueellista sijoittumista paremmin. Artikkelin mukaan erot luettavuudessa ovat varsin pieniä kahden muuttujan kartan ollessa vain hieman vaikeaselkoisempi, mutta samalla myös se oli myös tutkimusjoukon mielestä mielenkiintoisempi.

Maallikon näkökulmasta kahden muuttujan koropleettikartta todennäköisesti vaikuttaa ainakin nopealla katsomisella hyvinkin vaikeaselkoiselta. Kartan luku vaatii normaalia enemmän legendan tarkastelua, sillä erona yhden muuttujan karttaan pelkän värisävyn pohjalta on vaikeampi vetää johtopäätöksiä tarkasteltavasta kohteesta. Kartan värisävyjen valinnalla on myös muutenkin huomattava merkitys. Siinä pitäisi pystyä käyttämään värejä, mitkä eivät luo varsinaisesti sekoittuessaan uusia värejä, mikä vaikeuttaisi havainnointia.

Artikkelissa olleen esimerkkikartan (fig. 3) legenda on mielestäni varsin mielenkiintoinen. Aloin pohtia miksi yhden muuttujan koropleettikartoissa ei useammin esitetä yksittäisiä havaintoja legendan yhteydessä. Ainakin kohtalaisen pienessä tutkimusaineistossa voisi olla mielenkiintoista nähdä havaintojen jakautuminen luokkien keskellä. Kyseinen toimitus olisi kuitenkin erittäin tapauskohtainen, sillä kohteiden määrän kasvaessa jakaantumista luokkien sisällä olisi vaikea havainnoida.

Tämänhetkisen tietämykseni perusteella ei MapInfolla pysty valmistamaan artikkelin esittämiä kahden muuttujan karttoja. MapInfon tekemät kahden muuttujan koropleettikartat, missä toinen kohde esitetään rasteriviivoilla ovat kuitenkin mielestäni pohjimmiltaan varsin samanlaisia. Myös toisen kohteen esittäminen esimerkiksi määrän mukaan skaalautuvilla symboleilla on varsin toimivaa. Periaatteessa täydellisen hämmennyksen saamiseksi voisi esittää kolmea eri muuttujaa samaan aikaan, kahta värivalinnoilla ja yhtä rasteriviivoilla tai symboleilla.

Lähde:

Leonowicz, A (2006) Two-variable choropleth maps as a useful tool for visualization of geographical relationship.  https://moodle.helsinki.fi/pluginfile.php/1537276/mod_resource/content/0/KK2/Geog_033_037_spalvotas.pdf Luettu 12.3.2017