Loppu

Blogini on nyt valmis. Eli Miikka Kulpakon viisaita sanoja lainatakseni:

Moikka maailma! (Kulpakko 2017)

Lähteet:

Kulpakko, M. (2017). Moikka maailma! <https://blogs.helsinki.fi/mckulpak/2016/01/19/moikka-maailma/>. Luettu 19.3.2017.

Vol. 7

Tässä sitä nyt ollaan, viimeisen blogikirjoituksen parissa. Kurssin päättäjäisiksi saimme vapaat kädet tehdä teemakartta MapInfon avulla mistä tahansa aiheesta. Rajoituksia tietenkin oli, mutta periaatteena oli luoda kartta alueesta, joka on jaettu pienempiin alueisiin. Karttaan tulisi kaksi muuttujaa, jotka mielellään jotenkin liittyisivät toisiinsa.

Aineistoa on saatavilla ympäri nettiä valtavasti. Niin paljon että valinnan vaikeus oli todellista. Palloilin monen eri aiheen välillä miettiessäni lopullista teemaa. Taannoiselta New York-matkaltani oli jäänyt mielenkiinto kyseiseen kaupunkiin, ja ajattelin josko esim. New Yorkin kaupunginosista tai metrolinjasta olisi saanut tehtyä jotain mielenkiintoista. Yritin myös löytää aineistoa suomalaissiirtolaiden asuinpaikoista Yhdysvalloissa.

Lopulta nämä aiheet tyssäsivät siihen etten oikein löytänyt aineistoa fiksussa muodossa, ja kotoa käsin ei oikein voinut kokeilla aineiston soveltuvuutta MapInfoonkaan. Päätin sitten tehdä kartan jostain aiheista josta löytyy selkeät aineistot, ja alueesta josta pitäisi löytyä hyvä paikkatietokartta, jotta kurssikerta-aikaa ei menisi hukkaan. Toisen kurssikerran valinnanvaikeuksista oppineena päätin myös ettei tässä välttämättä ole fiksua yrittää luoda jotain maata mullistavaa. Keep it simple, stupid! Joten päätin tehdä kartan Euroopan maiden rannikoiden pituuksista sekä kalastusmääristä. Voila!

Kuva 1. Kalakartoista kaunehin

Kartan nappasin Natural Earth-sivuilta (Natural Earth), josta on ilmaiseksi ladattavissa maailman karttoja eri skaaloissa. Sieltä löytyy myös paljon erilaisia karttaominaisuuksia tekemään kartoista hienoja, mm. topografisia korkokuvia tai urbaaneja keskittymiä. Itse latasin aineistoja sen mukaan mikä kuulosti tarpeelliselta omaa karttaani varten, tietämättä kuitenkaan tarkkaan mitä pitäisi ottaa. Kokeilin ladata keskiskaalaisen peruskartan, valtioiden rajat sekä valtiot. En aluksi saanut niitä toimimaan, mutta olinkin vain ilmeisesti avannut ne ohjelmaan väärässä järjestyksessä. Lopulta MapInfo-workspace näytti jokseenkin tutunnäköiseltä, ja pääsin luomaan itse teemakarttaa.

Nappasin Euroopan maiden kalastustilastot Euroopan komission nettisivuilta (Eurostat). Aineisto sisälsi vuoden 2015 kalastusmäärät tonneissa EU:n ja joidenkin EU:n ulkopuolisten maiden (esim. Norjan) osalta. Toisaalta esim. Ukrainan tai joidenkin Balkanin maiden tiedot puuttuivat. Päätin etten lähde kaivamaan näitä tilastoja muilta sivuilta, sillä eri lähteiden tiedot eivät välttämättä olisi vertailukelpoisia.

Rannikon pituuden ajattelin olevan simppeli asia löytää, mutta se olikin yllättävän hankalaa. Ongelman syynä onkin ns. rantaviivaparadoksi, rantaviivalla ei ole yksikäsitteistä mitattavissa olevaa pituutta: pituus riippuu mittaustarkkuudesta (Wikipedia: Rantaviivaparadoksi). Eli Suomenkin rannikon pituus on hyvin erilainen, mikäli pituus lasketaan karkeasti Torniosta Venäjän rajalle, tai jos kaikki pienimmätkin luodot ja lahdet lasketaan mukaan.

Kuva 2. Rantaviivaparadoksi (Wikipedia)

Tämä tuli hyvin konkreettiseksi kootessani rannikkotilastoa. Ajattelin ensin käyttää CIA:n julkaiseman The World Factbookin tilastoja (CIA), mutta huomioni kiinnittyi siihen että Viron rannikko (3 794 km) oli sen mukaan kolme kertaa pidempi kuin Suomen (1 250 km). Siis mitä?! Sitten katsoin World Resources Instituten vastaavia tilastoja jossa Suomen rannikon pituus (31 119 km) olikin sitten kymmenkertainen Viroon nähden (2 956 km). Jopas on hätkähdyttävän käsittämätön ero. Valitsin luonnollisesti jälkimmäisen vaihtoehdon rannikkotilastoilleni, sillä se nyt vain kuulosti todenmukaisemmalta. Tätä hommaa tehdessä kyllä huomaa miten helposti kartalla voi ”valehdella”, tai ainakin tehdä siitä sellaisen joka korostaa kartantekijän ennakko-olettamuksia; sen kuin valitsee tilastoista sen joka istuu omaan maailmankuvaan parhaiten.

WRI:n tilasto (WRI) oli monta vuotta vanha, mutta rannikon pituus harvemmin muuttuu ajan myötä. Esim. Montenegron tietoja se ei sisältänyt, vaan se piti täydentää CIA:n puolelta. Venäjää en ottanut mukaan laskelmiin lainkaan, sillä verrattavissa olevia kalastustilastoja ei ollut saatavilla. Lisäksi kaikki Euroopan sisämaat olivat luonnollisesti vertailun ulkopuolella, sillä kalastustilastot koskevat nimenomaan merikalastusta.

Natural Earth-kartta kattaa koko maailman, mutta siitä oli helppo rajata pois muut paitsi Euroopan maat. Joistakin maista löytyi monta maayksikköä, sillä jotkut autonomiset saaret olivat listattuna valtioiden seassa. Aluksi en huomannut näitä, ja esim. Yhdistyneistä Kansakunnista oli kartalla neljä kalan kuvaa. Kurssilla aiemmin tutuksi tulleella Combine Objects-toiminnolla tästäkin selvittiin.

Kartasta tuli veikeän näköinen. Se sopisi varmaankin hyvin oppimateriaaliksi koska se on hyvin selkeä. Kalastusmäärän ja rannikon pituuden välillä on huomattava yhteys, joka tosin ei ole yksiselitteinen. Suomella ja Ruotsilla on hyvin paljon rannikkoa, mutta suhteessa vaatimattomat kalastusmäärät.  Näyttääkin siltä, että itse rannikon pituutta tärkeämpi kriteeri on pääsy hyville apajille – Atlantin rannikon mailla on rannikkoihinsa nähden suuret kalastusmäärät.

Legenda on oikein onnistunut. Yksittäisen kalasymbolin koosta on hankala arvioida maan kalasaalista, mutta kalojen kokoja voi helposti verrata toisiinsa. Käytin niissä neliöjuuriskaalaa jotta pienimmätkin symbolit näkyisivät paremmin. Yritin saada näkyville vielä pienempää kokoa kuin 50 000 tonnia, jotta aivan pienimpien maiden saalismääriä voisi yrittää arvioida. Valitettavasti MapInfo ei näytä taipuvan enempään kuin kolmeen kokoesimerkkiin. Käytin rannikko-koropoleettien osalta luonnollista jakoa. Tällä kertaa muokkasin kuitenkin kategorioista manuaalisesti mukavan pyöreät luvut. Ja näin – viimeinen kartta on valmis.

Mitä tästä kurssista jäi käteen? Uskoakseni aika paljonkin. MapInfo ei ymmärtääkseni ole enää kovinkaan kovassa huudossa GIS-maailmassa, mutta käsittääkseni perusperiaate on vähintäänkin samanlainen muissakin GIS-ohjelmistoissa, joten niiden oppiminen on varmasti tämän jälkeen nopeaa. MapInfo-velhoksi en vielä menisi itseäni tituleeraamaan. Moni ominaisuus on ehtinyt tulla tutuksi, mutta on tässä ohjelmassa vielä hyvin paljon opeteltavaa. Varsinkin jos haluaa osata tehdä teemakarttoja mistä aiheista tahansa, ilman opettajan lempeää avustusta ja valmiiksi pureskeltuja materiaaleja.

Kuten Heidi Kiviaho ansiokkaasti toteaa, tärkeintä olisikin ehkä tällä hetkellä yrittää ylläpitää taitoja, joita on nyt oppinut. Jos vuoden päästä seuraavan kerran käytän Mapinfoa niin olen luultavasti unohtanut suurimman osan, mutta sitten voin palata katsomaan opettajamme antamia ohjeita ja niiden avulla pääsen varmasti taas mukaan toimintaan. (Kiviaho 2017).

Lähteet:

Kiviaho, H. (2017). Viimeistä viedään – sekä muutama tirautettu kyynel… <https://blogs.helsinki.fi/heivalto/2017/03/10/viimeista-viedaan-seka-muutama-tirautettu-kyynel-kesken/> Luettu 19.3.2017.

Eurostat (2017) < http://ec.europa.eu/eurostat> Luettu 19.3.2017.

Wikipedia: Rantaviivaparadoksi (2017). <https://fi.wikipedia.org/wiki/Rantaviivaparadoksi>. Luettu 19.3.2017

Natural Earth (2017). <http://www.naturalearthdata.com>. Luettu 19.3.2017

CIA (2017). The World factbook – Coastline. <https://www.cia.gov/library/publications/the-world-factbook/fields/2060.html>. Luettu 19.3.2017

WRI (2000) Coastal and Marine Ecosystems — Marine Jurisdictions: Coastline length. <https://web.archive.org/web/20120419075053/http://earthtrends.wri.org/text/coastal-marine/variable-61.html>. Luettu 19.3.2017

Vol. 6

Kuudetta kurssikertaani varjostaa se tosiasia että olin luennon aikana toisella puolella Atlanttia. No, ohjeet olivat tuttuun tapaan hyvin yksityiskohtaisia, joten tämä ei oikeastaan haitannut. Ryhmäulkoilu Kumpulassa GPS-paikantimen kanssa, sekä siihen liittyvä paikkatietotyöskentely, jäi tosin valitettavasti tällä kertaa väliin. Kyseistä harjoitusta olisi kyllä ollut todella hankala toistaa omin päin.

Harjoitustehtävä Helsingin seudun pelikonetilastojen avulla osoitti miten Excel-pohjaista tietoa saadaan ”geokoodattua” pisteiksi teemakartalle katuosoitteiden avulla. Harjoitus osoitti myös miten normaalia on että kahdessa samaa aihetta käsittelevissä aineistoissa on pieniä eroavaisuuksia – Excelissä saattaa osoite olla ”Tennispalatsin aukio” ja paikkatietoaineiston tiestössä vastaavasti ”Tennispalatsinaukio”, joita sitten pitää korjata ja kohdistaa manuaalisesti. Ja jos jo Helsingin kadunnimissä tulee vastaan eri versioita, voin vain kuvitella millainen jorpakko joku vähänkin epämääräisempi aineisto voi pahimmillaan olla.

Itse blogitehtävä oli tällä kertaa sellainen, että saimme tuottaa kolme valinnanvaraista karttaesitystä luonnonhasardeista, joita voisi opettajana käyttää tuntiopetuksessa. Aineistoina olivat maanjäristykset, tulivuoret sekä meteoriitit, joista jokaisesta on olemassa tietokantoja netissä. Aineistoja ei tälläkään kertaa annettu meille hopeatarjottimella, vaan niitä sai luvan kerätä itse ja muokata vielä Excelillä sellaiseen muotoon että tiedot ovat järjestyksessä. Välillä tämä Microsoftin lahja maailmalle halusi välttämättä muunnella esim. numeroita päivämääriksi. Tarkkuus on tässäkin kaiken A ja O.

Ensimmäinen karttani käsittelee maanjäristyksiä. Halusin luoda kartan jossa näkyy maailman isoimmat maanjäristykset, joten rajasin aineistosta kaikki tunnetut vähintään 8 magnitudin maanjäristykset ja toin ne maailmankartalle. Järistykset noudattavat selkeästi n.s. Tyynenmeren tulirenkaan muotoa, vaikka ne eivät itsessään muodostakaan kauhean yhtenäistä rengasta. Mikäli karttaan olisi otettu mukaan pienempiäkin järistyksiä, muodostaisivat ne kauniimman yhtenäisen renkaan Tyynenmeren ympärille, ja kartalla näkyisi varmaankin myös muun maailman maanjäristyksiä.

Kuva 1. Maailman yli 8 mg maanjäristykset

Koululaisille voisi kertoa Tyynenmeren tulirenkaasta ja sen syistä, ja siitä miksi maanjäristyksiä yleensä tapahtuu. Tähän tarkoitukseen olisi tosin parempi, mikäli karttaprojektio olisi sellainen jossa Tyynimeri on kartan keskipisteessä. Myös magnitudi-asteikkoa kannattaisi avata, ja huomauttaa että magnitudi ei itsessään kerro kaikkea maanjäristyksen vakavuudesta, vaan myös esim. sillä on merkitystä, kuinka lähellä maan pintaa järistys tapahtuu.

Toisen kartan teemana on meteoriitit. Tähänkin olen valinnut havainnot suurimmista meteoriiteista, ja edelliseen karttaan verrattuna tässä on mukana kahta erityyppistä kohdetta – maasta löytyneet meteoriitit jotka on ajoitettu löytövuoden mukaan, sekä havaitut meteoriittien putoamiset joissa putoamisvuosi on tiedossa. Kartta sisältää nimenomaan suurimmat olemassa olevat meteoriittimöhkäleet – eli listalta ei löydy kaikkein suurimpia historian saatossa maapalloon iskeneitä meteoriitteja, joista on jäljellä enää kraatterit.

Kuva 2. Maailman 100 suurinta meteoriittia.

Koululaisille tästä ainakin ilmenee se, kuinka valtaosa suurimmista meteoriiteista löytyy maastosta sen sijaan että niiden putoaminen havaittaisiin. Kartalta huomaa miten varsinkin Yhdysvalloista on löytynyt suuri määrä havainnoista. Ja vaikka havaittuja meteoriitteja onkin suhteellisen vähän löydettyihin verrattuna, sijoittuvat ne satunnaisemmin kartalle kuin löydetyt.

Oppilaille kannattaakin painottaa että, toisin kuin muut luonnonhasardit, voivat meteoriitit periaatteessa pamahtaa minne tahansa. Löydettyjen meteoriittien havaintokuviot riippuvat muista asioista. Mereen tippuneita ei tietenkään helposti löydetä. Karuilta alueilta kuten preerialta tai aavikolta on ehkä suhteellisen helppo havaita meteoriitteja, joka voisi ehkä selittää Pohjois-Amerikan havaintoja, ja Afrikan löytöjen painottumista Saharan ja Kalaharin alueille. Lisäksi toimiva valtiojärjestelmä (onko maassa tahoa jolle havainnoista voi raportoida, ja millä tavoin?) ja koulutus (tietous siitä mikä meteoriitti ylipäänsä on) johtavat siihen että suurempi osuus meteoriittihavainnoista tulee tutkituiksi. Pudonneista meteoriiteista huomaa että ne painottuvat pohjoisen pallonpuoliskon asutuille alueille. Erämaassa ei ole ketään näkemässä taivaankappaleiden osumista maapalloon, kuten Lappalaisen Jouko kiteyttääkin omassa blogikirjoituksessaan (Lappalainen 2017).

Kolmannessa kartassa pällistellään kahden tulivuorityypin sijoittumisia maapallolla. Kyseessä on kaksi tunnetuimmista tulivuorityypeistä, eli kerrostulivuoriksikin kutsutut stratotulivuoret sekä laakeat kilpitulivuoret.

Kuva 3. Maailman kilpi- ja stratotulivuoret

Koululaisille kannattaa kertoa tulivuorityyppien eroista ja synnyistä, ja miksi ne sijoittuvat kartalle niinkin eri paikkoihin. Tyynenmeren tulirengas tulee tässäkin tutuksi. Tärkeä huomio on myös se, että kerrostulivuoret ovat näistä kahdesta usein vaarallisempia ihmisasutukselle niiden räjähdysherkkyyden takia.

Laattatektoniikka liittyy niin vahvasti sekä tuolivuoriin että maanjäristyksiin, että siitä kertominen ja suurimpien mannerlaattojen törmäämis- sekä loittonemisvyöhykkeiden esittely auttavat oppilaita varmasti ymmärtämään aihetta paremmin. Lisälukemista aiheeseen löytää esim. alla olevan linkin takaa:

http://opinnot.internetix.fi/fi/muikku2materiaalit/peruskoulu/ge/ge1/3_planetaarisuus/362?C:D=ixX8.ixpG

Tämänkertaiset kartat olivat hieman kaksijakoisia toteutukseltaan. Kokeilin hieman erilaisia värimaailmoja, josta ehkä parhaimmat olivat meteoriittikartta selkeydellään sekä tulivuorikartta erilaisuudellaan. En tosin ollut tarkkana sitä tallentaessa, ja osa oikeasta laidasta jäi tallennusalueen ulkopuolelle. Legendat väsäsin jälkikäteen kuvankäsittelyohjelmalla, sillä ne olivat epähuomiossa jääneet MapInfossa tekemättä. No, eipä tuo oikeastaan haittaa, sillä MapInfo ei tuota hirveän kauniita legendoja. Nämä ehkä ovat selkeydellään parempia opetuskäyttöön.

Tiedon käsittely MapInfon avulla alkaa tässä vaiheessa olla omalta osaltani hyvällä mallilla, ja myös tiedon syöttäminen ohjelmaan sujuu kuin tanssi. Se mikä tässä vaiheessa on hankalaa on mielestäni eri projektioiden ja koordinaattien käyttö. Mikä projektio pitää valita missäkin tapauksessa, voiko väärällä projektion valinnalla olla katastrofaalisia seurauksia, ovatko koordinaatit oikeassa muodossa, mikä on longitudi ja mikä latitudi, jne. Tähän ei tietenkään auttanut GPS-harjoitukselta poissaolo.

Lähteet:

Lappalainen, J. (2017). Osa 6 – “Hit me like a meteorite, don’t let me go”. Luettu 17.3.2017. <https://blogs.helsinki.fi/ladjouko/2017/02/23/foxtrot/>

Vol. 5

Tällä kurssikerralla ei aiemmista tehtävistä poiketen tehty karttaa, vaan keskityttiin enemmän paikkatieto-ohjelman avulla tehtäviin analyyseihin ja laskelmiin. Meille tuli tutuksi MapInfon puskurointityökalu, jonka avulla esineiden kuten teiden tai talojen ympärille saadaan luotua vyöhykkeitä joiden kautta voidaan tarkkailla esim. melualueiden sisällä tai ”X metriä koulusta” asuvien määrää.

Työ aloitettiin jo edellisen kurssikerran lopulla, jolloin saimme tehtäväksi valmistella tämän kurssikerran kartan piirtämällä Pornaisen kartalle kunnan kaikki suurimmat tiet sekä keskusalueen jok’ikisen asuintalon. Naputtelu toi kummasti mieleen edellisen periodin TAK2-kurssin. Digitoinniksikin kutsuttu jalo taito taitaakin kuulua nykymaantieteilijän perustaitoihin.

Pornaisten kartalta tehtiin laskelmia siitä kuinka moni asuu sadan metrin päässä tieltä, kuinka moni asukas asuu alle 500 metrin päässä terveyskeskuksesta, ja kuinka monta prosenttia taloista on yli kilometrin päässä keskustan koulusta. Nämä taidot otettiin heti käyttöön kun päästiin itsenäistehtävien pariin.

Ensimmäisessä tehtävässä tutkittiin Malmin ja Helsinki-Vantaan lentomelualueita ja niiden sisällä asuvia ihmismääriä. Tehtiinpä myös laskelma kuvitteelliselle lentomelualuelle, mikäli lentokoneet laskeutuisivat poikkeuksellisesti väärästä suunnasta, jolloin Tikkurilan kaupunginosa jäisi melualueen alle. Lisäksi tutkittiin pääkaupunkiseudun juna-asemien lähistöillä asuvia asukkaita. Tässä alla olevassa taulukossa löytyy omat vastaukseni itsenäistehtävän kysymyksiin:

Taulukko 1. Itsenäistehtävä 1.

Toisessa itsenäistehtävässä tarkasteltiin pääkaupunkiseudun taajamia ja niiden asukkaita.

Taulukko 2. Itsenäistehtävä 2.

Kolmannen itsenäistehtävän sai valita itse kolmen vaihtoehdon väliltä. Itse valitsin kouluihin liittyvän tehtävän, jossa Helsingin Yhtenäiskoulun koulupiiristä sai tehdä ennustuksia tulevista oppilasmääristä. Tehtävä vaati hieman esityötä, sillä koulupiirit olivat aineistossa pelkkiä numerokoodeja. Lisäksi arviot koulun aloittavista sai tehdä iän mukaan, joka ei ole aivan luotettava tieto. Ala-aste aloitetaan yleensä sinä vuonna kun täytetään 7, mutta jotkut ovat aloittaessaan vielä 6-vuotiaita. Laskelmat ovat kuitenkin tehty suoraan iän perusteella, eli esim. a-kohdassa olen laskenut koulupiirin sisällä asuvat 6-vuotiaat.

Taulukko 3. Itsenäistehtävä 3.

Omia tuloksia oli mielenkiintoista verrata muiden vastaaviin. Tässä huomaa helposti että pienilläkin eroavaisuuksilla esim. siinä kuinka tarkkaan lentokentän kiitoradat digitoidaan voi johtaa huomattaviin eroihin asukasmäärissä, vaikka analyysi olisikin muuten tehty täysin samalla tavalla. Lisäksi ensimmäisen itsenäistehtävän Helsinki-Vantaan melualueiden analyyseissä olen saanut muihin verrattuna niin pieniä määriä että olen todennäköisesti tehnyt jonkun virheen laskelmissa. Tämän tyyppinen virhe olisi helposti voinut jäädä huomioimatta mikäli omia tuloksia ei olisi ollut mahdollista verrata muihin. Tässä korostuu yleisen tarkkaavaisuuden tärkeys. On tärkeää että ymmärtää mitä on tekemässä sen sijaan että vain seuraa ohjetta, ja jos tuloksista haiskahtaa pienikin outouden poikanen, kannattaa aineistoa vielä tarkastaa kriittisin silmin – voiko tämä tulos oikeasti pitää paikkansa?

Puskurivyöhyketyökalu vaikuttaa hyvinkin tärkeältä ominaisuudelta paikkatieto-ohjelmaa käyttäessä. Sitä voidaan käyttää suunnitellessa esim. uusia tuulivoimala-alueita, jossa monen kriteerin pitää täyttyä samanaikaisesti – pitää olla tarpeeksi tuulista, lähimpiin asukkaisiin ja luonnonsuojelualueisiin pitää olla tietty etäisyys mutta samalla etäisyys valmiiseen sähköverkkoon ja teihin pitää olla mahdollisimman pieni.

Näiden puskuriharjoitusten pohjalta on hankala mennä sanomaan mitään MapInfon reunaehdoista tai puutteista, mutta estealueiden käyttö voisi mahdollisesti olla sellainen. Jos vaikkapa mietitään etäisyyttä kouluun, niin etäisyys linnuntietä on usein aika huono määritelmä. Tiet eivät aina mene suoraan koululle, ja esteet kuten vesistöt voivat tehdä de facto etäisyydestä paljon pidemmän.

Lisäksi, kuten kouluesimerkissä, jotta voidaan tehdä kunnollisen arvion siitä kuinka moni aloitta koulun ensi kesänä tarvitaan paljon muutakin tietoa kuin pelkät koulupiirin asukastilastot. Oppilaat eivät välttämättä mene omaan lähikouluun, jotkut vuoden loppupäässä syntyneet saattavat mennä vasta ensi vuosikurssille, jne. Melualueiden laskentakin on oikeasti monimutkaisempi juttu kuin pelkän kiitoradan ympärille piirretyn suorakulmaisen puskurivyöhykkeen analyysi.

Olennaista tässä on pitää huolta siitä että tuntee aiheen tarpeeksi hyvin, muuten analyysi on laiskasti tehtyä ja tulokset epäluotettavia. Pahimmassa tapauksessa tulee levittäneeksi virheellistä tietoa, jonka perusteella voidaan esim. tehdä huonoja rakentamispäätöksiä. Toki teemakartat antavat myös oivan mahdollisuuden levittää tahallaan virheellistä tietoa, kuten Aku Suoknuuti huomauttaa omassa blogikirjoituksessaan (Suoknuuti 2017).

Oppimisen kannalta hankalinta tässä vaiheessa on tietty epätietoisuus siitä miten pihalla sitä vielä olisi ilman yksityiskohtaisia ohjeita mitä nappulaa pitää painaa missäkin tai mitkä asetukset ovat oikeita. Perusasiat kuten taulukoiden käsittely ja päivittäminen sekä peruslaskelmien teko alkaa kuitenkin tuntua jo jokseenkin helpolta.

Lähteet:

Suoknuuti, A. (2017). Hikeä ja kyyneleitä. Luettu 17.3.2017. <https://blogs.helsinki.fi/aksu/2017/03/15/hikea-ja-kyyneleita/>

Vol. 4

Neljännellä kurssikerralla harjoiteltiin ruudukkotyökalun käyttöä. Sen avulla voidaan luoda halutun kokoinen ruudukko kartan ylle, ja jokaisen ruudun rajaaman alueen sisältämät tiedot saadaan vuorostaan kätevästi laskettua MapInfon avulla. Tätä harjoiteltiin asukasruutujen kanssa pääkaupunkiseudun alueelta. Ruudukko on siksi hyödyllinen apuväline tilastoja ja teemakarttoja luodessa, että ne ovat identtisen kokoisia ja siten täysin verrattavissa toisiinsa. Esimerkiksi kuntien väkimääriä on huono verrata suoraan toisiinsa, sillä kunnat ovat hyvin erikokoisia yksikköjä.

Oma tämänkertainen itsenäisharjoitustehtävä on yksinkertainen. Halusin tietää missä päin Helsinkiä asuu eniten vanhuksia. Loin MapInfoon Helsingin kartan päälle 200x200m ruuduista koostuvan ruudukon. Käytettävissä ollut aineistomme sisälsi tarkkaa tietoa kaikista pääkaupunkiseudun asuntotaloista, esim. asukkaiden määrä per ikäluokka. Rajasin aineistosta pois kaikki alle 85-vuotiaat, ja postin kaikki ruudut joissa ei asu yhtäkään ikäihmistä. Tuloksena syntyi seuraava teemakartta, josta ilmenee yli 85-vuotiaiden absoluuttinen määrä per ruutu Helsingissä.

Jokainen ruutu jossa asuu yksikin yli 85-vuotias on merkitty kartalle. Väriskaala on harmaa-keltainen. Ajattelin sen olevan hyvin selkeä valkoisen pohjakartan päällä. Ongelmana on ehkä keltaisten luokkien samankaltaisuus – kahta keltaisen sävyä ei oikein erota toisistaan.

Näin jälkikäteen huomaan töpeksineeni karttaa ja etenkin legendaa tehdessäni. Teemakartan fokus on Helsingin yli 85-vuotiaissa, mutta en ole karsinut aineistosta pois muualla kuin Helsingissä asuvat, vaan ainoastaan zoomannut kartan sellaiseksi jossa vain Helsinki on näkyvillä. No, toki kartasta saa sellaisenaan selville missä päin Helsinkiä asuu eniten senioreita, mutta legenda sisältää edelleen lukemat kaikista pääkaupunkiseudun ruuduista, joka kyllä hämmentää lukijaa.

Luokkajakaantumakin olisi varmasti erilainen jos se sisältäisi vain Helsingin asukkaat. Nyt se sisältää myös pientalorikkaampien Espoon ja Vantaan ruudut. Jakauma on siten hyvin vino – koko pääkaupunkiseudun alueelta löytyy yli 2000 ruutua jossa asuu 1-5 ikäihmistä, jonka jälkeen määrät tippuvat radikaalisesti, vaikka luokkavälit samalla levenevät. Korkeinta luokkaa, sisältäen ruudut jossa asuu 30-139 vanhusta, löytyykin vain 63 kpl. Luokkajako voisikin olla mielenkiintoisempi jos kaksi alinta luokkaa yhdistettäisi, ja korkein luokka jaettaisi kahtia, vaikka korkeimmista luokista tulisi silloin vielä pienempiä.

Keltaiset ruudut pakkautuvat selvästi Helsingin kantakaupunkiin. Tämä ei sinänsä yllätä – on hyvin loogista että alueilla jossa asukastiheys on korkein löytyy myös absoluuttisesti eniten vanhuksia. Olisikin mielenkiintoista tietää millä alueilla vanhuksien suhteellinen osuus on korkein, sillä sitä on mahdotonta tietää pelkästään tämän kartan perusteella. Onneksi siitäkin löytyy tutkimustietoa – Marika Sarkkinen on omassa harjoitustehtävässään tutkinut yli 70-vuotiaiden absoluuttisia ja suhteellisia osuuksia ympäri pääkaupunkiseutua. Hänen havaintonsa mukaan korkeimmat suhteelliset osuudet löytyvät kaupungin laidoilta, omakotivaltaisilta alueilta, vaikka korkeimmat absoluuttiset määrät sijaitsevatkin kantakaupungissa. (Sarkkinen 2017). Havainnot pitävät todennäköisesti paikkansa myös +85v -asukkaiden osalta.

Absoluuttiset arvot soveltuvat, kuten mainittua, hyvin ruudukkoaineiston kanssa työskentelyyn, sillä ruudut ovat kaikki samankokoisia ja siksi suoraan verrattavissa toisiinsa. Tämä ei tietenkään tarkoita että suhteelliset arvot olisivat ruutuja käyttäessä jotenkin absoluuttisia lukuja huonompia. Se, mikä esitystapa on parempi, riippuu täysin siitä mihin aineistoa halutaan käyttää. Jos halutaan löytää mahdollisimman hyvä paikka avata vaikkapa tekohammaskauppa, lienevät absoluuttiset luvut käytännöllisempiä, sillä asiakaskunnan kokonaismäärä on se olennainen tekijä. Eläkeläispuolue taas halunnee tietää millä alueilla vanhusten suhteellinen lukumäärä on suurimmillaan jotta vaalikampanjointi voidaan kohdistaa sinne missä ehdokkaiden läpipääsyn todennäköisyys on suurin.

Vaikka ruudukkoteemakartta muistuttaa hyvin paljon koropleettikarttaa, asettaa ruutujen olemus legendalle eri vaatimuksia jotta luettavuus olisi mahdollisimman hyvä. Ruudukkoteemakartan legendassa pitäisi nimittäin ehdottomasti olla selkeästi esillä ruudun koko. Nyt sitä ei löydy, ja ainoa mittakaava onkin jokseenkin oudosti 5 kilometrin pätkä joka on jaettu puoleen (2,5 km), neljäsosaan (1,25 km) sekä kahdeksasosiin (0,625 km). Kiitos siitä, mutta olisihan se kätevämpää jos 5 kilometrin jana olisi jaettu viiteen kilometrin pituiseen pätkään.

Lähteet:

Sarkkinen, M. (2017). Luento 4. Luettu 17.3.2017. <https://blogs.helsinki.fi/macsarkk/2017/02/10/luento-4/>

Vol. 3

Kolmannen kurssikerralla harjoiteltiin ulkopuolisen datan syöttämistä MapInfoon teemakarttojen avuksi. Itse luennolla käsiteltiin Afrikkaa. Aluksi tuotiin Excel-pohjaisia tilastoja Afrikan maiden internetin ja Facebookin käytöstä, joiden avulla tarkasteltiin valtioiden Internet- ja Facebook-läpäisyä, eli käyttäjiä per 100 asukasta.

Tiedot olivat kiinnostavia, vaikka tilastot eivät vaikuttaneet kovinkaan luotettavilta. Arvot näyttivät hyvin karkeilta arvioilta. Esim. Algeriassa on niiden mukaan 15 miljoonaa netin käyttäjää joista joka ikinen käyttää Facebookia. Toisaalta Sudanissa on 10 886 813 netin käyttäjää joista yksikään ei käytä Facebookia.

Afrikasta tehtiin myös toinen kartta jossa vertailtiin viimeaikaisia konfliktipaikkoja sekä timantti- ja öljyesiintymiä. Kartalla oli selvästi havaittavissa jonkin tasoinen yhteys näiden välillä, joka tietenkin on aivan loogista. Köyhässä maanosassa timantti- ja öljykentät ovat suunnaton rikkaus, ja arvokkaiden resurssien hallinta on hyvin perinteinen konfliktien syy.

Tilastoissa on saatavilla myös kaivosten ja kenttien löytämisvuodet, aloitusvuodet sekä tuottavuusluokittelut. Näiden tietojen perusteella voi tehdä vielä tarkempia analyysejä. Voidaan esim. katsoa kuinka konfliktialtis alue on ollut ennen luonnonvaran löytämistä, miten luonnonvaran löytäminen ja hyödyntäminen vaikuttaa konfliktien syntymiseen, tarkistaa aiheuttaako öljy- tai timanttilöydöt enemmän konflikteja, ja kuinka suuri merkittävyys tuottavuudella lopulta on konfliktien syntyyn.

Teemakartan luominen

Kurssikerran itsenäistehtävänä oli luoda teemakartta Suomen vesistöjen valuma-alueiden tulvaindekseistä sekä niiden järvisyysprosenteista, ja pohdiskella niiden yhteyttä toisiinsa. Kurssiharjoituksilta tutuksi tullutta tiedon syöttämistä toisesta ohjelmasta MapInfoon sai myös soveltaa teemakarttaa luodessa, sillä tämä oli ensimmäinen itsenäistehtävä jossa kaikki tieto ei ollut annettu valmiiksi kultatarjottimella MapInfo-tiedostoissa.

Samalla tämä oli ensimmäinen tehtävä jossa teemana oli aihe joka ei välttämättä aukene kaikille ilman jonkinlaista perehdytystä. Tulvaindeksillä määritetään alueen alttius tulvimiselle. Sitä voidaan laskea keskiylivirtaaman (MHQ) ja keskialivirtaaman (MNQ) suhteella, tai vaihtoehtoisesti keskiylivirtaaman ja keskivirtaaman (MQ) suhteena. Tässä harjoituksessa olen käyttänyt ensiksi mainittua suhdetta. Järvisyysprosentti on toki helpommin ymmärrettävissä – se on arvio siitä kuinka suuri prosentti alueesta koostuu järvistä. Itse kartta on kahden muuttujan teemakartta, jossa pohjalla olevat koropleetit kuvaavat tulvaindeksiä, ja siniset pylväät kuvaavat järvisyyttä.

Kartalta on selvästi havaittavissa negatiivinen korrelaatio muuttujien välillä. Järvisillä alueilla on käytännössä poikkeuksetta pienemmät tulvaindeksit kuin vähäjärvisillä alueilla. Suurimmat tulvaindeksit ovat rannikkoseutujen pienillä valuma-alueilla, varsinkin Turun ja Pohjanmaan seuduilla. Pienimmät tulvaindeksit ovat, vähemmän yllättäen, Järvi-Suomen kookkailla valuma-alueilla. Toisaalta Lapissa sekä järvisyys että tulvaherkkyys on kohtalaisen pientä.

Mitä tästä sitten on pääteltävissä? Suuren järvisyysprosentin yhteys pieneen tulvaindeksiin johtunee siitä, että vesistöt toimivat veden kerääjinä ja tulvahuippujen tasaajina. Valuma-alueen järvet ja suot keräävät satanutta vettä ja siten hidastavat valuntaa (Wikipedia: Valunta 2017). Tämä selittää myös Lapin pieniä tulvaindeksimääriä – Lapin järvisyys on verrattain pientä mutta siellä on paljon soita. Lisäksi muistelisin että savella on pieni vedenläpäisevyys, joka saattaa vaikuttaa savisten alueiden kuten Varsinais-Suomen tai Pohjanmaan tulvaherkkyyteen siten että satanut vesi ei imeydy maaperään yhtä nopeasti kuin karkeammilla mailla.

Teemakartassa tulvaindeksiä kuvaavat koropleetit ruskean eri sävyissä, ja järvisyyttä tummansiniset pylväät. Järvisyyspylväiden pylväät olivat aluksi hyvin leveitä, ja niiden automaattinen sijoittelu jättivät paljon toivomisen varaan. Varsinkin rannikon läheiset pienet valuma-alueet olivat hankalasti erotettavissa pylväiden alta. Tein niistä jokseenkin kapeat ja siirtelin niiden paikkapisteitä, jonka jälkeen lähes kaikki pylväät ovat selvästi esillä. Joillakin valuma-alueilla on toki niin pienet järvisyysprosentit ettei niillä hädin tuskin ole pylvästä lainkaan. Pienimpien pylväiden esiintuomisessa auttaa neliöjuuriskaalan käyttö, jonka avulla ne erottuvat paremmin (Ahonen 2017).

Pelkät teema-alueet olisivat jättäneet kartasta oudon näköisen, sillä valuma-alueet eivät luonnollisestikaan noudata valtion rajoja. Jotkut valuma-alueet ulottuvat Suomen ulkopuolelle, kun taas rannikolla on paljon alueita jotka eivät varsinaisesti kuulu mihinkään valuma-alueeseen. Syy tähän oli muistaakseni se että jotkut purot jotka liruvat suoraan mereen ovat yksinkertaisesti liian pieniä tähän tarkoitukseen. Tulkintaa auttamaan otin taustalle Suomen lähiympäristön kartan josta ilmenee merien rantaviivat. Meren väritin vaaleanvihreäksi ja maa-alueille annoin vaaleankeltaisen värin joka on selkeästi erillään koropleettien ruskeasta skaalasta. Visuaalinen ilme on mielestäni oikein onnistunut, mitä nyt pohjoisnuoli on tuttuun MapInfo-tyyliin harmittavan ruma.

Lähteet:

Ahonen, A. (2017). Kolmas kurssikerta: Tietokantojen kulissien takana. Luettu 17.3.2017. https://blogs.helsinki.fi/ahonenan/2017/02/07/kolmas-kurssikerta-tietokantojen-kulissien-takana/

Wikipedia: Valunta (2017). Valunta. Luettu 17.3.2017. https://fi.wikipedia.org/wiki/Valunta

Artikkelitehtävä

Ensimmäisessä artikkelitehtävässä on teemana kahden päällekkäisen muuttujan teemakartat. Anna Leonoviczin artikkelissa Two-variable choropleth maps as a useful tool for visualization of geographical relationship kerrotaan kuinka kahden muuttujan koropleettikartoilla on aiemmin ollut kyseenalainen maine.  Leonovicz ottaa esimerkiksi takavuosien Yhdysvaltojen väestönlaskentatilastot. Niissä käytettiin 4×4 muuttujan karttoja, eli alueita oli yhteensä 16. Molempien muuttujien pienin arvo oli keltaisella, ja joillakin oli hankala hahmottaa esim. vihreää väriä sinisen ja keltaisen yhdistelmäksi. Värien lukumäärä ja värityksen epäloogisuus saivat lukijat pitämään niitä sekavina ja hankalina. Leonovicz tutki tieteellisen kokeen avulla josko kahden muuttujan koropleettikarttoja saadaan helpommin ymmärrettäviksi paremman suunnittelun avulla, eli loogisemman värityksen ja harvemman luokan avulla.

Kokeessa haastateltiin 138 maantieteen opiskelijaa Varsovan ja Vilnan yliopistoista, jotka saivat tehtäväksi verrata kahta saman aineiston pohjalta tehtyä karttaesitystä toisiinsa; kahden muuttujan päällekkäistä koropleettikarttaa, ja kaksi erillistä yhden muuttujan koropleettikarttaa. Kahden muuttujan päällekkäisestä koropleettikartasta oli havaintojen mukaan helpompi havaita kahden muuttujan välisen spatiaalisen korrelaation, mutta hankalampi tulkita yksittäisten muuttujien esiintymisiä. Havainnot siis vahvistivat jossain määrin mielikuvaa kahden muuttujan päällekkäisten koropleettikarttojen heikosta luettavuudesta, mutta hyvällä suunnittelulla niillä on artikkelin mukaan käyttöarvoa mikäli kartalla halutaan osoittaa spatiaalista yhteyksiä. Tällöin luokkien määrä kannattaa olla maksimissaan 9, eli molemmilla muuttujilla saisi korkeintaan olla kolme tasoa.

Se että tutkimuksessa haastateltiin maantieteen opiskelijoita, olkoonkin ensimmäisen vuosikurssin, jättää pienen kysymysmerkin havaintojen ylle. Kirjoittajan mukaan opiskelijat eivät vielä olleet ehtineet tutustua eri kartografisiin esitystapoihin. Uskaltaisin vaan väittää että maantieteen opiskelijoiksi päätyneet ovat huomattavasti tavallista kansaa kartanlukutaitoisempia. Kuka nyt maantiedettä haluaisi tai edes voisi mennä opiskelemaan jos kartat olisivat täysin vieras käsite? Sikäli tutkimuksen havaintoja ei ehkä voida yleistää koko kansaa koskeviksi. Kartan kohdeyleisö määrittää mielestäni paremmin kahden muuttujan koropleettikarttojen käyttöarvon. Itse välttäisin kyseistä karttamuotoa jos yleisössä saattaa esiintyä puutteellista kartanlukutaitoa, ellei muuttujien välinen korrelaatio olisi poikkeuksellisen selkeä. Ovat ne kuitenkin niin hankalia satunnaiselle lukijalle. Lisäksi varsinkin värisokeille ne voivat olla hyvinkin ikäviä.

Yksi koropleettikarttojen suurimmista ongelmista, joka vielä korostuu silloin kun käsitellään kahta päällekkäistä muuttujaa, on tämä asia:

Sama väri siis saattaa näkyä kartassa aivan eri näköisenä eri puolilla riippuen siitä mitkä värit sitä ympäröivät. Ainakin omalta kohdaltani päällekkäisten muuttujien koropleettikarttoja pähkäillessä legendaa tarvitaan normaalia enemmän, sillä väriluokkia on niin monta eikä kaikkia nyanssieroja ole helppo päätellä pelkän kartan perusteella. Päällekkäisten koropleettikarttojen legendan pitääkin olla monipuolisempi kuin yksinkertaisen koropleettikartan. Se on itse asiassa enemmänkin matriisi sisältäen kaksi ulottuvuutta. Legendan on hyvä sisältää myös luokkien lukumäärät. Tieto siitä sisältääkö kartta 1 vai 10 kyseisen väristä aluetta helpottaa tulkintaa huomattavasti.

MapInfossa en ole tähän mennessä nähnyt mahdollisuutta luoda tämän kaltaisia kahden muuttujan väri-koropleettikarttoja, jossa siis molempia muuttujia kuvaa eri värit ja muuttujien yhteyttä eri värisävyt. Päällekkäisiä koropleettikarttoja voi toki luoda, mutta silloin toista muuttujaa kuvaa mustavalkoinen rasterikuvio värin sijaan. Rasterikuvio voi koostua esim. mustista pisteistä, joita esiintyy tiheämmin kun muuttuja kasvaa. Tämä tietysti rajoittaa teemakartantekijän vaihtoehtoja – hän ei välttämättä voi luoda juuri haluamansa näköistä teemakarttaa, vaan hänen on käytettävä sitä tapaa johon käyttämänsä ohjelmisto kykenee (tai vaihtaa ohjelmistoa jos tarve saada juuri oikeanlainen kartta on hyvin tärkeä). Mitä MapInfoon ja sen ominaisuuksiin tulee, niin kyseinen rajoitus ei välttämättä haittaa. Omasta mielestäni kahden muuttujan koropleettikartta, jossa päällekkäin ovat värit ja rasterikuviot, on jopa selkeämpi kuin kahden värin kartta. Eniten omaa mieltä miellyttää teemakartta, jossa koropleettien päällä on esim. erikokoisia symboleja tai diagrammeja. Niissä voidaan helposti keskittyä vain jompaankumpaan muuttujaan, ja samalla yhteydetkin korostuvat. Nämä kartat ovat myös helpompia saada värisokeille soveltuviksi.

Vol. 2

No niin, tässä sitä taas ollaan, uuden karttatehtävän parissa. Tällä kertaa jatkettiin siitä mihin edellisellä kerralla jäätiin, eli tehtiin teemakartta MapInfon avulla. Ennen kartan tekoa käytiin tietenkin läpi teoriaa. Aiheena oli kahden päällekkäisen teeman käyttö. Tällaisissa kartoissa pohjalla on yleensä koropleettikartta, jonka päällä on eri kokoisia pylväsdiagrammeja, ympyrädiagrammeja, pisteitä tai symboleja. Koropleetit nähdään ”selittävänä” tekijänä, ja diagrammit, pisteet tai symbolit kuvaavat selitettäviä ilmiöitä kuten tiheyksiä tai väestölukuja. On myös mahdollista luoda kartta jossa on kaksi päällekkäistä koropleettia, jossa esim. yhdet koropleetit ovat värillisiä ja toiset ovat kuvioita, jolloin niitä on mahdollista tarkastella samaan aikaan.

Päätin tehdä ympyrädiagrammikartan jostain Suomen maakunnasta. Halusin rajata alueen johonkin tiettyyn maakuntaan, sillä kahden päällekkäisen teeman tarkastelu koko Suomen alueelta tuntui hankalasti tulkittavalta kuntien (ja pallodiagrammien) valtavan määrän vuoksi. Teeman päättäminen olikin sitten todella hankalaa tällä kertaa, enkä meinannut millään keksiä teemaa joka olisi kekseliäs ja mielenkiintoinen ja joka myös tuottaisi sellaisen teemakartan josta olisi mahdollista tehdä visuaalisesti tulkintoja ja johtopäätöksiä. Lopulta tein kartan jossa verrataan avioliittojen ja avioerojen suhdetta kuntien väestön ikään Pohjois-Pohjanmaalla. Koropleetit kuvaavat yli 65-vuotiaiden osuutta, joissa tummempi väri tarkoittaa suurempaa osuutta. Koropleettien päällä olevat piirakkadiagrammit taas kuvaavat avioliittojen ja avioerojen suhdetta, jossa vihreä väri kuvastaa avioliittoja ja punainen avioeroja. Piirakan koko viittaa lisäksi avioliittojen ja avioerojen yhteismäärään. Voilà!

Ideana oli katsoa josko avioerojen määrä on suurempi kunnissa jossa on suhteessa paljon ikääntynyttä väestöä, kuten äkkiä voisi kuvitella. Tai näin ainakin itse olettaisin. Mitä tältä kartalta voi päätellä? No eipä paljoakaan, ei ainakaan mitään suoria johtopäätöksiä. Joitain merkkejä korrelaatiosta kartalla toki on – kunnat joissa on eniten avioeroja, eli joissa punainen piirakkapala on suurimmillaan, kuuluvat pääosin kahteen ylimpään koropleettiryhmään. Samalla niissä kunnissa jossa vihreä palanen on suurimmillaan on usein melko vähän yli 65-vuotiaita. Mutta merkittäviä poikkeuksiakin löytyy molemmin päin – esim. Utajävi kuuluu toiseksi vanhimpaan ryhmään, vaikka siellä on suhteessa vähiten avioeroja koko maakunnassa.

Kuntien välillä on ylipäätään aika pienet erot, ja useimmissa kunnissa avioliittoja on n. kaksin-kolminkertainen määrä avioeroihin verrattuna. Yksittäisenä kummajaisena mainittakoon Kärsämäki, jossa eroja näyttäisi olevan reilusti liittoja enemmän! Mitä ihmettä siellä oikein tapahtuu?!

Asia selviää kun tarkastellaan lukuja – avioliittoja on Kärsämäellä solmittu kyseisenä vuotena vain 1, ja eroja on tullut 2. Kyseessä onkin lähinnä pienen otannan aiheuttama tilasto-oikku, sattuma. Tämä onkin ehkä mielenkiintoisin asia jonka opin tämän kartan avulla – että on mahdollista, että joissain kunnissa on solmittu kokonaisena vuotena vain yksi avioliitto. Tämä toimi myös muistutuksena siitä, että itse lukuja kannattaa aina vilkaista sen sijaan että tuijottaisi vain diagrammeja. Tapausten vähyyden vuoksi ei yksittäisten kuntien välisten erojen tarkkailu johda luotettaviin havaintoihin, kuten Kristiina Koivu toteaa omassa blogikirjoituksessaan, jossa hän tutkii Uudenmaan kuntien syöpäindeksejä (Koivu 2017).

Kartalta on hankalasti luettavissa avioliittojen- ja erojen määrä, varsinkin kun pallon koko viittaa aina liittojen ja erojen yhteismäärään. Siksi kartta ei sovellu esim. pelkkien avioliittojen määrien vertailuun. Lisäksi legendan esimerkkipallukat ovat 1500, 750 ja 150 tapaukselle. Tämä ei auta lukijaa kovinkaan paljon silloin kun tapauksia on yhteensä 3, kuten Kärsämäellä. Määrien hankala luettavuus ei kuitenkaan mielestäni ole tässä tapauksessa kovinkaan suuri ongelma, sillä tarkastelussa on nimenomaan avioliittojen ja -erojen keskinäinen suhde, jolloin varsinaiset määrät ovat toissijaisia.

Värimaailma on mielestäni oikein onnistunut. Vaaleanpunaisesta tummanliilaan kulkeva koropleettiskaala on selkeä, ja kaikki koropleettiryhmät erottuvat tarpeeksi hyvin toisistaan. Pallodiagrammien värit ovat sinällään selkeät, joskin jälkikäteen kuulin hyvän syyn sille miksi puna-viherskaalaa pitäisi välttää: värisokeat eivät erota niitä. Tämä asia pitää muistaa tulevaisuudessa. Ongelmana on myös että kartan nimet ja viivat siirtyivät hieman kun muunsin kuvan kokoa, jonka vuoksi osa nimistä on hankalasti luettavissa. Niin, ja mittakaava ja pohjoisnuoli unohtuivat. Noh, parempi onni ensi kerralla!

 

Lähteet

Koivu, Kristiina (2017). Toinen kurssikerta ja harjoitustyöt. (27.1.2017). https://blogs.helsinki.fi/koivukri/ Luettu 16.2.2017

Vol .1

Hei vaan kaikille, ja tervetuloa blogini ihmeelliseen maailmaan. Sinähän olet mitä todennäköisimmin joku kurssikavereistani, mutta mikäli oletkin joku eksyksissä oleva ulkopuolinen, niin kerrottakoon että tämä blogi on käytännössä julkinen oppimispäiväkirja Helsingin yliopiston Paikkatiedon hankinta, analyysi ja kartografia –kurssille. Olet joka tapauksessa tervetullut.

Kurssin alkajaisiksi opeteltiin paikkatiedon peruskäsitteitä sekä MapInfo-paikkatieto-ohjelman käyttöä. Ja päästiinpä jopa ensimmäisen oman, tosin vielä kovin yksinkertaisen, teemakartan tekemiseen.

Itselleni entuudestaan tuntematon MapInfo ei ole aloittelevalle käyttäjälle ihan helpoimmasta päästä. Paikkatieto-ohjelman pyörittämiseen tarvitaan monta eri tiedostoa eri tiedostomuotoineen, ja tässä vaiheessa tuottaisi itselleni melkoisia hankaluuksia selittää esim. mikä on ”Workspace” (.wor) tai ”Table” (.tab). Nämä asiat epäilemättä selkiytyvät kurssin mittaan. Rasteri- ja vektoridatan ero on tuttu aiemmilta kursseilta, ja paikkatiedon perusperiaate vaikutti pääosin aika selkeältä.

Saimme materiaaliksi kartan Suomen kunnista ja niihin liittyviä perustietoja. Päätin luoda ensimmäiseksi työkseni koropleettikartan eri kuntien ruotsinkielisten osuudesta. Aloitin koko Suomen tasolta, joka kuitenkin osoittautui karttana aika mitäänsanomattomaksi, sillä materiaali oli hyvin vinoutunut – suuressa osassa maata kun ei asu käytännössä lainkaan ruotsinkielisiä. Tämän oli myös Suvi Huovelin pannut merkille omassa blogikirjoituksessaan; ”Kuten kartaltakin näkyy, ruotsinkieliset keskittyvät hyvin vahvasti tietyille seuduille ja tiettyihin kunttiin (sic). Toisaalta hyvin suuressa osassa Suomea ruotsinkielisiä on alle 2 prosenttia asukkaista” (Huovelin 2011). Sain selville miten aineistoa voidaan karsia, jonka avulla voidaan tarkastella koko Suomen sijasta esim. pelkästään yhtä maakuntaa. Päätin ottaa tarkasteluun Uudenmaan maakunnan, jossa tiesin ruotsinkielisten olevan tasaisemmin jakaantuneita. Tämä osoittautui histogrammia pällisteltyäni oikeaksi ratkaisuksi (histogrammia en valitettavasti älynnyt tallentaa). Uudellamaallakin on toki kuntia joissa ei käytännössä asu lainkaan ruotsinkielisiä, mutta suuressa osassa on sentään jonkinlainen kanta.

Värimaailmaksi valitsin sini-keltaisen, jossa keltainen väri merkitsee ruotsinkielisten suurta osuutta. Luokkajaoksi valitsin luonnollisen luokkajaon, jolloin luokkajako perustuu aineistossa oleviin luontaisiin homogeenisiin ryhmittymiin. Haittana on ehkä se, että luokat eivät ole yhtä suuria – oman karttani suurimmassa luokassa on yli neljä kertaa enemmän kuntia kuin pienimmässä. MapInfon automaattisesti laskemissa ryhmissä on myös oudohkot, desimaaleja sisältävät luokkarajat. Kartasta tuli sinällään hienon näköinen, mutta sen perusteella on mahdotonta vastata esim. kysymykseen ”kuinka monessa Uudenmaan kunnassa on ruotsinkielinen enemmistö?”. Tiedämme vain sen että kahdessa kunnassa on varmuudella ruotsinkielinen enemmistö, ja että 7 muussa kunnassa on 30.4-55.9% ruotsinkielisiä. Näin jälkikäteen olisi ehkä ollut luontevampaa asettaa omat, luonnollisiin luokkiin perustuvat tasalukuihin pyöristetyt luokkavälit. Niin tai näin, tässä viikon luomukseni.

 

Lähteet:

Huovelin, S. (2011). Pakki päälle ja menoksi! (1.9.2011 [sic])

https://blogs.helsinki.fi/suvihuov/ Luettu 13.2.2017.