Artikkeli 1 – reaktiopaperi

Koropleettikartat ovat tärkeä visualisoinnin väline erityisesti maantieteilijöillä ja yksi arkipäivässä eniten esillä olevista teemakartoista. Vaikka koropleettikarttojen koetaan olevan helposti tulkittavissa, niistä näkyvä tieto kertoo usein vain muuttujan alueellisesta jakautumisesta. Luokittelussa ja värien käytössä on paljon kuoppia, joihin kartan laatija voi kompastua, ja kuten Alina Ylimäki blogissaan toteaa, lopullisen tulkinnan kartasta tekee kuitenkin lukija, jonka kartanlukutaidot määrittelevät kartan informatiivisuuden (ylimäki 2017). Kahden päälleikkäisen koropleettikartan käytännöllisyyttä pohditaan Anna Leonowizcin artikkelissa ”Two-variable choropleth maps as a useful tool for visualization of geographical relationship” (Lenowicz 2006), jonka herättämiä ajatuksia ja reaktioita tulkitsen tämänkertaisessa blogitekstissäni.

Päällekkäisillä koropleettikartoissa esitetään kahta erillistä ilmiötä käyttämällä eri värisävyjä tai vaihtoehtoisesti rastereita (esimerkiksi viivoja ja pisteitä) tai kumpaakin. Alueen saama arvo ja sitä vastaava väri tai rasteri määritellään taulukolla, jossa muuttujia tarkastellaan y- ja x-akseleilla. Jos molemmat muuttujat jaetaan kolmeen luokkaan, tulee luokkia jo yhteensä 9, mikä on tulkittavuuden kannalta luokkien enimmäismäärä. Taulukosta nähdään myös, minkälainen korrelaatio näiden kahden muuttujan välillä on. Esimerkiksi syntyvyyttä ja kuolleisuutta esittävältä kartalta huomataan suoraan, missä luonnollinen väestönkasvu on voimakkainta.

 

Kuva 1. Taulukko havainnollistaa, kuinka 3×3-luokista saadaan lopullisesti yhdeksän eri luokkaa.
Kuva 2. Värit voi yhdistää taulukkoon myös rastereita apuna käyttäen, kuten tässä esimerkissä on tehty pisteitä käyttäen.

Artikkeli oli mielenkiintoinen ja ytimekäs, ja graafit ja kuvat olivat varsin hienoja. Artikkelin lukemista helpotti aiempi koropleettikarttatuntemus, sillä ymmärsin luokittelun ja värien käytön tärkeän roolin ja tiesin minkälaista informaatiota tämäntapaisilla kartoilla yleensä esitetään. Yhden muuttujan koropleettikarttoihin verrattuina näistä on helpompi nähdä, mikä on kahden muuttujan suhde toisiinsa. Saatat ihmetellä, etteikö samaa asiaa ajaisi kaksi vierekkäin olevaa yhden muuttujan karttaa. Se on toinen tapa esittää sama ilmiö, mutta joskus tulkittavuuden kannalta on paras vaihtoehto asettaa kartat päällekkäin. Yksinkertaisilta kartoilta tulkitaan helposti spatiaalista jakautumista ja kaksinkertaisilta taas muuttujien suhteita. Seems logical.

Kuva 3. Kahden muuttujan koropleettikartta Puolan keskiosien maakunnista. Muuttujina ovat maaseudulla asuvien asukkaiden osuus sekä alle 18-vuotiaiden asukkaiden osuus koko väestöstä prosentteina.

Yksilölliset kartanlukutaidot vaikuttavat tietenkin kartan tulkittavuuteen, mutta uskon teemakartanlukutaidon olevan yleisesti paremmalla tasolla kuin esimerkiksi vuonna 70- tai 80-luvuilla, jolloin artikkelin mukaan on todistettu kaksinkertaisten karttojen olevan vaikeita ymmärtää suuremmalle yleisölle. Lisäksi Leonowicz kirjoittaa, että tutkimuksessa käytettyjen karttojen luettavuuden huonous ei johtunut kartan lukijasta, vaan luokkien suuresta määrästä ja värivalinnoista.

Usein oletetaan, että kartasta luettava tieto on helposti nähtävissä ja omaksuttavissa, mutta näissä kartoissa vaaditaan enemmän kärsivällisyyttä ja halua ymmärtää. Myös niiden laadinta vaatii syvällisempää tutustumista aiheeseen, enkä tiedä, pystyisikö niitä luomaan esimerkiksi kurssin aikana käymällä MapInfo-ohjelmalla. Teoriassa todennäköisesti voisi, mutta en tiedä riittäisikö kärsivällisyyteni tässä vaiheessa vielä siihen.

Lähteet:

Ylimäki, A. (2017) Kurssikerta 1 ja toinen kurssikerta                          https://blogs.helsinki.fi/alinayli/    Luettu 27.4.2017

Leonowicz, A. (2006) ”Two-variable choropleth maps as a useful tool for visualization of geographical relationship” 30.3.2006 <https://moodle.helsinki.fi/pluginfile.php/1537276/mod_resource/content/0/KK2/Geog_033_037_spalvotas.pdf>    Luettu 28.4.2017

Seittemäs kerta – Grande finale

Tiedon etsiminen on ensisijaisesti SINUN (eli minun) tehtäväsi. Tehtävänä seitsemännellä ja viimeisellä kurssikerralla oli tuottaa itse kerätystä aineistosta tehty julkaisukelpoinen karttaesitys. Tähän asti olimme olleet opettajan antamien valmiiden aineistopakettien hellässä huomassa, joten sekä kartta-aineiston että tilastoaineiston hankkiminen kuulosti uhkaavasti siltä, että nyt lähdetään seikkailemaan mukavuusalueen ulkopuolisille alueille.

Olin oikeassa, sillä taulukoiden ja datan viidakossa samoaminen kesti näköjään toista kuukautta. Lisäksi julkaisukelpoisen kartan luomiseksi tälläkin kerralla vaadittiin yhden huonon ja epäinformatiivisen kartan teko, jonka kautta taistelin tieni epäonnistumisistani oppineena voittoon! Alkuperäinen ideani oli tehdä teemakartta Euroopan maiden jätteistä, jossa on esitetty pylväiden avulla eriteltynä vaaralliset jätteet, esimerkiksi kemikaalit, ja ei-niin-vaaralliset kotitalousjätteet. Pohjaksi olisin taiteillut koropleettikartan bruttokansantuotteesta nähdäkseni, onko näiden muuttujien välillä korrelaatiota. Päätin mennä helpoimman kautta pohjakartan valitsemisessa, sillä käytin aikaisemmalla kurssikerralla käytettyä maailmankarttaa. Siitä tuli pelkkä harjoittelukartta, muttei suinkaan hyödytön harjoitusta ajtellen. Aineistoja löytyi mukavan kattavasti Euroopan komission eurostat tilastotietopalvelusta, kun oli oppinut käyttämään palvelua.

Selailtuani muiden kurssilaisten kaunopuheisia blogeja minulle valkeni, kuinka tylsän aiheen ja alueen valitsin. Esimerkiksi Jussi Torkko on ottanut tekstiinsä mukaan hyviä pohdintoja siitä, Miten ottaa mukaan monipuolisesti eri toimintatapoja kuten puskurointia tai geokoodausta (Torkko 2017). Erityisen hieno oli myös Torkon 3D-kartta Kenian väestöntiheydestä ja koulun alottavien määrästä suhteessa opettajiin piirikunnittain. Aikataulun ja innostuksen salliessa teen toisesta kartastani kiinnostavamman.

Tällasen sekametelisopan sain aikaan:

Kuva 1. Karttaesitys Euroopan maiden 15-29-vuotiaiden osuudesta väestöstä sekä eri ikäluokkien köyhyys- ja syrjäytymisvaarassa olevat osuudet.

Lopullinen karttani esittää 15-29-vuotiaan väestön osuutta koko väestöstä suhteessa eri ikäluokkien riskiin joutua köyhyysrajan alle tai syrjääntyä. Vaikka kartasta ei sinänsä opi mitään, niin sen tekoprosessin aikana huomasin ärsyyntyväni aina vähemmän ja vähemmän MapInfoon, ja opin monia uusia toimintoja, esim. sarakkeen tietojen muuttamisen suhteellisiksi luvuiksi jakamalla ne koko väestöllä. Koropleettikartalla eri alueiden tulee olla vertailukykyisiä, joten absoluuttisia arvoja ei siinä voi hyösyntää yksinään. Kartta on kylläkin muulla tavalla vääristynyt, sillä tiedot 15-29-vuotiaasta väestöstä oli vuodelta 2014, mutta koko väestö, jolla luku jaettiin, oli vuodelta 1994. Se on tällä hetkellä sellainen kun on, joten älkää ottako karttaa totuutena. Kaikista valtioista ei ollut dataa saatavilla, eikä kartasta voi muutenkaan tehdä suuria yleistyksiä.

Jostain syystä ensimmäisellä yrityksellä koropleettikartan värit suostuivat näyttäytymään vain niissä valtioissa, joissa ei ollut päällä pylväitä. Huoh.. Noniin se olikin vaan sen takia että layerit oli väärässä järjestyksessä 😀 Se ei siis kaatanut maailmaa, mutta monta tuntia MapInfon parissa saa mitättömätkin jutut tuntumaan suurilta vastoinkäymisiltä.

nyyh :'(

Lähteet:

Torkko, J. (2017). Seitsemäs kurssikerta: Mombasa blogs.helsinki.fi/torkjuss/  Luettu 24.4.2017

People at risk of poverty or social exclusion (2015)  ec.europa.eu/eurostat/data/database Luettu 24.4.2017

Child and youth population  by sex and age (2015)   ec.europa.eu/eurostat/data/database Luettu 24.4.2017

Kuudes kerta – reippailua, geepeeässää ja hasardeja

Lähdimme Kumpulan talviseen ja aurinkoiseen ympäristöön keräämään sijaintidataa GPS-laitteen avulla. Tallennettavat pisteet sai ryhmän kesken valita, ja päädyimme valitsemaan Limingankadun keltaiset talot. Välillä oli hankala päättää, onko talo ollut joskus keltainen, vai onko se ruskea tai valkoinen. Onneksi se ei ollut tehtävän pääpointti. Käytännössä kuljetimme mukanamme GPS-laitetta ja kirjasimme paperiseen taulukkoon x- ja y-koordinaatit, korkeuden sekä talon numeron. GIS-luokassa taulukkoon kirjatuista koordinaattipisteistä koottiin excel-taulukko, minkä alkoi tapahtua taikoja. Tuttuun MapInfo-ohjelmaan tuotiin tämä excel-taulukko, ja ohjelmalle selitetiin, mitkä ovat mitäkin koordinaatteja ja valittiin pohjakarttaan sopiva projektio. Pohjana käytettiin Helsingin seudun karttaa. Ja voi pojat! Kartallahan näkyi nämä kirjaamamme pisteet, ja lisäksi iskimme GPS-laitteen kiinni koneeseen, jolloin pystyimme selvittämään myös kulkemamme reitin.

Tutkimme myös pelikoneiden sijoittumista Helsingin seudulle ja geokoodasimme pisteaineistoa. Aineistosta löytyi pelikoneiden osoitteet ja postinumerot sekä muuta tietoa mm. pelikoneen ominaisuuksista. En tiennyt hedelmäpelin olevan virallinen kategoria pelikonepiireissä 😀 Ohjelma osasi sijoittaa pelikoneet karttaan osoitteiden mukaan, kun olimme käyneet ensin korjaamassa aineistosta muutaman kadunnimen kirjoitusasun.

Itsenäistehtävä: Hasardit ja niiden alueellinen esiintyminen

Tämän kerran itsenäistyön tehtävänanto oli seuraava: ”Tuota kolme karttaa joiden teemana ovat hasardit. Tavoitteenasi tuottaa materiaalia, jota voisit opettajana käyttää tuntiopetuksessa.” Materiaalisen tuottamisen jälkeen ohjeeksi oli annettu: ”Ihaile tuloksiasi, tai mieti mikä meni pieleen.”

Kuva 1. Maanjäristykset maailmanlaajuisesti välillä 1.1.2002-24.2.2017

Visuaalisesti kartta on mielestäni aika hauska, ja kertoo hyvin maanjäristysten sijoittumisesta maapallolla. Pisteet olisivat voineet olla reilusti pienempiä, sillä nyt niiden koko ei vastaa järistyksen laajuutta. En jostain syystä saanut mittakaavaa sijoitettua kartan alapuolelle, joten se on nyt hyvin kyseenalaisesti osaksi kartan päällä. Ja miks tonne silti tulee viis metriä tyhjää tilaa sen alle?

Karttaa tukemaan tarvittaisiin esimerkiksi taulukko tai kaaviokuva maanjäristyksen oikeasta voimakkuudesta ja vaikutuksista, sillä oppilaiden on varmasti haastava ymmärtää aluksi logaritmista asteikkoa. 5,5-6 magnitudin maanjäristyksiä tapahtuu vuosittain noin 500, ja ne voivat aiheuttaa vahinkoa taloihin ja muihin rakenteisiin. Yli seitsemän magnitudin maanjäristys on taas hyvin voimakas ja johtaa laajaan tuhoon (http://www.geo.mtu.edu/UPSeis/magnitude.html).

Kuva 2. Tulivuorten sijoittuminen maapallolle. Lähde: https://catalog.data.gov/dataset/global-volcano-locations-database

Tässä paljon tarkemmassa ja muutenkin tyylikkäämmässä kartassa näkyy tulivuorten sijoittuminen ympäri valtakuntaa. Kuten valveutuneimmat oppilaat voivat nähdä, tulivuorten ja maanjäristysten sijoittumisella on selvä yhteys. Näiden kahden kartan tarkateluun voitaisiin ottaa mukaan siis vielä kartta, jossa näkyisi mannerlaattojen saumat ja saumojen laatu (onko kyseessä esim. erkanemis-, alityöntö- tai hankaussauma).

Kuva 3. Mannerlaattojen erkanemiskohta on merkattu kahdella vierekkäisellä viivalla ja alityöntövyöhykkeet paksummalla viivalla, jossa on pieniä kolmiomerkkejä. Lähde: http://earthscience.stackexchange.com/questions/3039/what-tectonic-structures-delineate-the-split-between-the-australian-and-indian-t

Ylhäällä näkyvässä kartassa näkyvät suurimmat mannerlaatat, ja kuvasta voidaan päätellä niiden liikesuunta. Pienet nuolevat indikoimaan suuntaa olisivat voineet olla hyvä lisä, kunhan ne eivät olisi heikentäneet kartan luettavuutta. Tässä kartassa on kuvattu Indo-Australian mannerlaatta yhtenäiseksi, mutta välillä Intian laatta kuvataan erikseen, sillä alueella näyttäisi olevan muutoksen tuulia ilmassa. Tieteen kuvalehti kirjoitti asian tiimoilta näin : “Huhtikuun 11. päivänä 2012 Sumatran edustalla Intian valtameren pohjassa sattui maanjäristys, jonka voimakkuudeksi mitattiin 8,6 Richterin asteikolla. Yleensä vastaava järistys merenpohjassa nostattaa aina tsunamin, mutta tällä kertaa aallot nousivat vain metrin korkeudelle. Geologien tutkimusten mukaan järistys viittaa siihen, että Indo-Australian laatta on halkeamassa kahdeksi laataksi.” Eroprosessi kestää vielä luultavasti miljoonia vuosia.

Kuva 4. Laavakenttien sijoittuminen maapallolle. Lähde: https://catalog.data.gov/dataset/global-volcano-locations-database

Samalla tavalla voitaisiin esittää eri symbolein erilaisten tulivuorityyppien esiintyminen maapallolla, kuten ylhäällä olevassa kartassa on esitettyä laavakenttiä. MapInfo-ohjelmassa kartanteon loppuvaiheessa, kun kartta ja legenda kootaan samaan ikkunaan,  kartalla olevat symbolit jostain syystä suurentuvat pohjakarttaan nähden (vrt. pikkukuvaan alla). Kartan luettavuuden parantamiseksi kannattaisi käyttää snipping tool -työkalua, ja myöhemmin liittää valmiiseen kuvaan karttaselite. Mittakaavankin voisi liittää myöhemmin, mutta janamittakaavaa käytettäessä on aina riski mittasuhteiden vääristymiselle.

Kuva 5. Miksiköhän MapInfo ei anna lopputulosta näiden kokoisilla ympyröillä?

MapInfon käyttö sujuu kohtuullisesti opettajien ohjeiden mukaan, mutta tälläkin tunnilla olen kadottanut punaisen langan monta kertaa, puhumattakaan itsenäisestä työskentelystä. Eri komentojen reittejä on mielestäni hankala hahmottaa ja muistaa. Kyse voi olla silkasta tottumattomuudesta kyseisten ohjelmien parissa..

Lähteet:

Berkeleyn yliopiston seismologisen laboratorion maanjäristystietokanta http://quake.geo.berkeley.edu/anss/catalog-search.html         katsottu 24.2.2017

catalog.data.gov/dataset/global-volcano-locations-database                      katsottu 26.2.2017

tieku.fi/luonto/luonnonkatastrofit/maanjaristys/indo-australian-laatta-halkeaa-keskelta-kahtia          luettu 26.2.2017

 

Neljäs kerta – Ruudut ei pue mua

Pakin neljännen kurssikerran teemana olivat erilaiset piste- ja ruututeemakartat. Pistekartat ovat tarkimpia mahdollisia paikkatietoaineistoja, joista tarkimpia aineistoja ovat laserkeilausaineistot, joissa lentokoneesta lähetetyn laserpulssin avulla saadaan hyvin yksityiskohtaista tietoa alueiden topografiasta eli pinnanmuodoista. Jussi Torkko on blogissaan kiteyttänyt laserkeilauksen hasteet ansiokkaasti näin: “Laserkeilaus on 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 (Torkko 2017).”

Seuraavaksi tutustuimme pikseli- ja ruutuaineistoihin, ja pääsimme itsekin rämpimään MapInfon eri toimintojen suohon. Teimme yhteisesti ruutukartan Pääkaupunkiseudun väestöntiheydestä vuonna 2003. Ruutukartat ovat samankaltaisia aiemmin käsiteltyihin koropleettikarttoihin, mutta niissä ruudut ovat samankokoisia, ja kartalla voidaan esittää muutakin kuin suhteellista tietoa. Ruutukarttojen tulkinnassa pitää olla tarkkana, sillä ne eivät välttämättä kerro mitään suhteellisista osuuksista, jos on käytetty vain absoluuttisia lukuja aineistona!! Ruudut ovat hyvä tapa kerätä aineistoa, kun ei esimerkiksi ole tarkkaa tietoa aluejaosta. Näissäkin kartoissa niin luokittelua kuin ruutujen kokoa tulee miettiä tarkkaan, jotta kartalla saadaan paras luettavuus. Tunnin alussa laatimassamme kartassa ruutujen kokona käytettiin 500 m x 500 m alueita, mikä oli muistaakseni ihan jees. Ruutukartat ovat hyviä välineitä, kun tarkastellaan kuntien sisäisiä eroja ja klusteroitumista.

Alhaalla oleva kartta ei ollut tunnin itsenäistyö, mutta at the moment se on kurssikerran ainoa omin kätösin aikaan saatu visuaalinen tuotos. Lopputulos näyttää ensisilmäykseltä ihan pätevältä kartalta.

Kuva 1. Ruutukartta pääkaupunkiseudun asutuksen sijoittumisesta ja tiheydestä. Janamittakaava on 10 kilometriä.

Unohdin näköjään muokata legendan otsikon, mutta ruudut kuvaavat siis yhden 500 x 500 metrin alueella asuvaa väestöä. Kartan tulkittavuutta huonontaa huomattavasti, etten osannut poistaa mustia ääriviivoja ruuduista.. Mittakaavasta ei myöskään valitettavasti saa selvää, sillä kovasta yrityksestäni huolimatta en saanut aikaan isompaa mittakaavaa. Nolla-arvon saaneet ruudut poistettiin aineistosta kokonaan, jolloin pk-seudun ulkopuolella olevat ruudut poistuivat myös kokonaan, ja tietokannasta tuli huomattavasti kevyempi käsitellä. Valmiissa ruutukartassa on mielestäni kiva näkyä pohjakartta, joten voidaan päätellä, että missä alueilla on esimerkiksi rakennettu valtateiden läheisyyteen ja missä rakentamista tien viereen on vältetty.

Lähteet:

Torkko, J. (2017) Neljäs kurssikerta: piste- ja ruutuaineistoja. https://blogs.helsinki.fi/torkjuss/ Luettu 19.2.2017

Kolmas kerta – Rautalangan vääntöä

Pakin kolmannella kurssikerralla tarkoituksena oli tutustua tarkemmin aineiston käsittelyyn, yhdistämiseen ja muokkaamiseen MapInfo-ohjelmalla. Paikkatietokantojen käsittely MapInfolla on Arttu-open mukaan kuin rautalangasta vääntäisi; helppoa saada solmuun, hankala saada takaisin täysin suoraksi. Lisäksi taulukot ja tietokannat tarvitset kuulemma hoitoa ja ylläpitoa. Yritin parhaani mukaan ymmärtää tätä mysteeristä ohjelmaa, ja yhteistyömme sujuikin tällä kerralla yllättävän saumattomasti.

Harjoittelimme tietokantojen käsittelyä tietokannalla Afrikasta, mikä koostui hyvin yksityiskohtaisesta ja pirstaloituneesta kartasta sekä taulukosta kartan kohteista. Harjoitusten avulla taulukoiden luonne selkiytyi ja opimme kädestä pitäen esimerkiksi tuomaan yhden valtion kaikki kohteet (saaristot ja rannikon eri muodot) samaksi kohteeksi. Tunnistekoodit valitsemalla isosta aineistosta saatiin niputettua saman valtion eri osaset yhtenäiseksi kokonaisuudeksi. MapInfo kertoi muun muassa, että Egyptin valtio muodostuu yhden alueen sijaan 101 erilaisesta kohteesta.

Sama yhdistämisoperaatio tehtiin jokaiselle valtiolle ja lopullinen tulos oli kartta Afrikasta, jossa jokaisen valtion eri osaset näkyivät taulukossa omana yhtenä rivinään. Tämän jälkeen treenattiin absoluuttisten tietojen muuttamista suhteellisiksi, mikä on välttämätöntä, jotta voidaan tehdä visuaalinen esitys kartalla. Käytännössä esimerkiksi internetin ja facebookin käyttäjät jaettiin asukasluvulla, jolloin lukuja pystytään vertailemaan. Käsiteltäviä tietoja oli mm. konflikteista, timanttikaivoksista ja niiden perustamisvuosista, öljykenttien löytämisvuosista ja tuottavuusluokittelusta ja internetin käyttäjämääristä eri vuosina. Mitä näillä tiedoilla voitaisiin tuottaa?

Kuten Tanja Palomäki pohtii blogissaan, annetuilla aineistoilla voisi tuottaa karttoja, joista näkyisi konfliktien, sekä timanttikaivosten ja öljykenttien sijainnit ja mahdolliset yhteydet. Jos yhteys löytyy, pystyy myös tarkastelemaan, kuinka yleisiä esimerkiksi konfliktit ovat öljykenttien löytyessä (Palomäki 2017).

Valuma-alueluokituskartta

Harjoitusten jälkeen tehtäväksi saimme laskea tulvaindeksit Suomen valuma-alueista ja liittää samaan taulukkoon järvisyysprosentit. Alun sähläykseen ja taulukon valmisteluun meni lähemmäs puoli tuntia, jonka jälkeen aloimme tekemään teemakarttaa aiheesta muistellen aiemmilla kurssikerroilla opittua. Sain aikaan tällaisen esityksen:

Kuva 1. Suomen valuma-alueet, joissa liila väri indikoi tulvaindeksiä, eli mitä tummempi sävy, sitä herkemmin alueella syntyy tulvia, ja järvisyysprosentit keltaisin pylväin.

Edelliskertoihin verrattuna käytin enemmän aikaa luokitteluvälien pohtimiseen, ja päädyin valitsemaan luonnolliset luokkavälit. Toinen hyvältä vaikuttava vaihtoehto olisi voinut olla tasavälinen luokkajako, mutta siinä tapauksessa pohjoisen ja etelän suuret valuma-alueet olisivat kuuluneet samaan luokkaan, mikä ei heijastele todellista tilannetta eikä näytä hyvältä. Ylimpään luokkaan kuuluu vain yksi alue, minkä takia olin vähällä luopua koko luokittelusta. Kokeilin myös eri luokittelua kuudella eri luokalla, jolloin olin jakaumaan tyytyväisin, mutta lopputulos olisi puuroutunut ja luokkia olisi ollut hankala erottaa. Pohjakartan värit koitin tällä kertaa säätää itse, ja kieltämättä onnistuin mielestäni aika mainiosti. Pylväiden väriksi valitsin maanläheisen murretun sinapinkeltaisen ilman kummempaa perustelua kuin sen sopivuus pohjavärien kanssa.

Harmikseni en onnistunut siirtelemään pylväitä, enkä tiedä onko se ohjelmalla edes mahdollista, joten ne peittävät paikoittain toisiaan tai ovat häiritsevästi osittain toisen valuma-alueen alueella. Pidin taustalla peruskartan valuma-alueiden ulottuvuuden hahmottamiseksi. Kartalta on myös hyvä nähdä, että rannikoiden valuma-alueet eivät rajaudu rantaviivaan, sillä osa sadannasta valuu suoraan mereen.

Mitä kartasta voidaan tulkita:

coming soon…

Lähteet:

Palomäki, T. (2017) 3. kurssikerta.  https://blogs.helsinki.fi/ptanja/

Luettu 7.2.2017

Toka kerta – Teemakarttojen kirjo

Voiko perjantai enää ihanammin alkaa!

Kuva 1. Veikeän näköinen grid-kartta Suomen väkiluvun jakautumisesta. Lähde: Kurssikerta 2. aineistot, Teemakarttoja.ppt.

Toinen kurssikerta lähti käyntiin Kumpulan GIS-labrassa hämäränä perjantaiaamuna 27.1. Kakkoskerralla katselimme Artun selostuksen säestämänä erilaisia teemakarttoja, joista uusia itselleni olivat mm. grid-kartta ja komiulotteiset prismaattinen kartta ja 3D-kartta. Luento-osuuteen taisi mennä suurin osa kurssikerran kestosta, mutta lopulta meidätkin laitettiin hommiin.

Harjoittelimme esimerkiksi pistekartan ja prismaattisen kartan tekoa samaisella MapInfo-ohjelmalla kuin viime kerralla. Vaikka opettajan ohjeet olivat mitä mainioimmat ja selkeimmät, sain itseni välillä kiinni haaveilusta, ja olinkin jo jäänyt pari vaihetta jälkeen. Kanssaopiskelijoiden vertaistuki oli korvaamaton apu tälläkin kerralla. Lopulta tunsin aidosti olevani kyvykäs luomaan muutakin kuin yksinkertaisimpia karttoja MapInfon avulla. Prosessoin oppimistani vertaamalla taitojani nyt ja ennen kurssin alkua ja hahmotukseni karttojen laatimisesta ja paikkatiedon olemuksesta paranee koko ajan.

Grid-kartan ja sen pohjalta tehtävän 3D-kartan teko oli tähän astisista kartoista haastavin. Sain aikaan taideteoksen, joka oli ikään kuin pallo täynnä kirkkaita värejä olisi läiskäytetty keskelle valkoista paperia. Värit olivat kartalla rajojen ulkopuolella. Toisella yrityksellä sain värit pysymään kiltisti rajojen sisäpuolella, mutta niillä oli taas oma tahto. Kolmannella kerralla sain jotakuinkin oikean näköisen tuloksen, mutta siinä vaiheessa olin jo auttamattomasti jäljessä muista kurssilaisista. Onneksi seuraavan harjoituksen teemakartan teossa onnistuin menestyksekkäämmin.

Tehtävänä oli luoda teemakartta, jossa koropleettikartan päälle luodaan toinen teema esimerkiksi rastereiden, pylväiden tai piirakoiden avulla. Anni Sarvanne avaa blogissaan kahden päällekäisen teemakartan tarkoitusta näin: “Joissain tilanteissa tällainen ilmiöiden riippuvuussuhdetta kuvaava informaatio on paljon arvokkaampaa, kuin pelkän yhden laskettavan ilmiön esiintymisen toteaminen tietyillä alueilla” (Sarvanni 2017). Kartan teeman valitseminen ei paljastunut olevan yhtä helppoa kuin ensimmäisellä kurssikerralla. Tässä lopputulos:

Kuva 2. Helsingin seutukuntien väestöntiheys ja alkutuotannon osuus elinkeinoista prosentteina.

Kartta on mielenkiintoinen, sillä siinä näkyy selvä korrelaatio väestöntiheyden ja alkutuotannon osuuden välillä. Vaikuttavatko nämä tekijät toisiinsa välillisesti vai suorasti vai onko kyseessä kenties silkka sattuma? Ja kumpi vaikuttaa kumpaan? On ymmärrettävää, että esimerkiksi Vantaalla ja Espoossa, joissa on suuret väestöntiheydet ei yksinkertaisesti mahdu olemaan paljon alkutuotannon työpaikkoja. Tulin siihen tulokseen, että alkutuotanto vaatii paljon maata, eikä ihmiset yleensä halua asua esimerkiksi kaivosten läheisyydessä, joten harvaan asutuissa “maaseutumaisissa” kunnissa Siuntiossa, Karkkilassa, Mäntsälässä ja Pornaisilla tulomuutto on pysynyt suhteellisen matalana. Toisaalta alkutuotannon työpaikat houkuttelevat varmasti työntekijöitä, mutta  kuntien välillä on myös varmasti pendelöintiä.

Päädyin kaikkien Suomen kuntien sijasta ottamaan kartan pohjaksi Helsingin seutukunnat, sillä halusin hieman vaihtelua ja loin koropleettikartan väestöntiheyden pohjaksi. Luokituksessa valitsin jopa seitsemän eri luokkaa, vaikka kuntia on vain 17. Tarkoituksena ei ole selvittää koropleettikartan luokituksen liukuvan värijärjestyksen pohjalta kunkin kunnan väestöntiheyksiä, vaan huomata kartalla esitettyjen muuttujien mahdollisia yhteyksiä keskenään.  Kuhunkin ryhmään tuli 1-4 kuntaa. Luokitteluun olisi voinut sopia paremmin kuusi tai viisi luokkaa, mutten käyttänyt aikaa luokkajaon pohtimiseen.  Värit erottuvat hyvin toisistaan, ja onnistuin liikuttelemaan kuntien nimiä sekä alkutuotantoa kuvaavia tehtaan symboleja hyville paikoille. Tehdassymbolit skaalautuvat alkutuotannon osuuden mukaan, minkä takia niille ei tarvitse miettiä luokitteluvälejä. Kartta oli suhteellisen vaivaton, ja olin tyytyväinen lopputulokseen. Entistä parempi kartasta olisi tullut, jos olisin luonut siihen indeksikartan, josta näkyy alueen sijainti Suomen kartalla. Toisaalta Helsinki ja sen seutukunnat on useimmille helppo sijoittaa kartalle. 

Lähteet:
Sarvanne, A. (2017). 2. Raportti – Ei näin. Luettu 5.2. https://blogs.helsinki.fi/sarvanni/

Kurssikerta 2. aineistot, Teemakarttoja.ppt. Luettu 5.2.

Eka kerta – Päivän sana on koropleettikartta

Ja eikun asiaan.

Tervetuloa lukemaan blogiani, jossa teen selkoa kurssin paikkatiedon hankinta, analyysi ja kartografia –kurssin (iha vaa pakki) tapahtumista sekä heijastelen omaa oppimisprosessiani tekemieni visuaalisten esitysten pohjalta. En kuitenkaan voi tietää varmaksi tulevasta, joten annetaan flown kuljettaa ja toivotaan parasta.

Alkuun en voi olla siteeraamatta Iivari Laaksosta, joka on omassa blogissaan pohtinut hyvin maantieteen ja paikkatiedon tulevaisuudennäkymiä näin: ”nykymaailmassa paikkatiedon hallitseminen on maantieteilijälle erityisen tärkeää esimerkiksi lisääntyvien paikkatietosovellusten myötä ja useat maantieteilijät työllistyvätkin paikkatietotehtäviin” (Laaksonen 2017).

Ensimmäisellä kurssikerralla keskiviikkona 18.1. kertasimme, mitä paikkatieto taas olikaan (sijaintitieto + ominaisuustieto) ja opettelimme Artun yksityiskohtaisia ohjeita noudattaen MapInfon käyttöä, teimme harjoituksena koropleettikartan ja lopuksi vielä yhden kartan vapaasti valitsemastamme aiheesta. Koropleettikartta on varmasti käytetyimpiä alueluokituskarttoja, ja sen pohjana käytetään valmiita hallinnollisia rajoja, Suomessa yleisimmin kuntarajoja.  Ongelmana Suomen kuntien rajoja käytettäessä voi olla suuri vaihtelu kuntien kokoluokissa, jolloin pohjoisen isot kunnat vetävät paljon huomiota itseensä koollaan, olivat ne sitten tummia tai vaaleita. Pienen asukasluvun takia kartta voi välittää vääristynyttäkin informaatiota, kun tutkitaan jonkin muuttujan osuutta alueelta, yleensä väestöstä.

Yhden asian opin heti kurssin ensimmäisillä kerroilla: kannattaa tallentaa tiedostot sellaisiin paikkoihin ja sellaisilla nimille, että se löytyy vielä myöhemminkin. Toisaalta kartan tekeminen uudelleen on aina lisää harjoitusta, mutta ei se kovin kivaa ole huomata, ettei muista edes tekemänsä kartan aihetta (ja sattumalta tehdä täysin samanlainen koropleettikartta). No, lopulta löydettyäni kartan pystyin vertailemaan karttoja ja tekemään joitain havaintoja.

Kuva 1. Alle 14-vuotiaiden osuus väestöstä kunnittain, % (2015)
Kuva 2. 0-14-vuotiaiden osuus väestöstä kunnittain, % (2015)

Luokittelussa on käytetty ohjelman ehdottamana viittä eri luokkaa, joihin aineisto oli jaettu tasamääräisesti eli kvantiileina. Luokittelu ei ole ihan okei. Tummien ja vaaleiden alueiden kontrasti näkyy kartalla voimakkaasti, mutta täytyy aina suhteuttaa kartalla esitettävään ilmiöön. Alimmassa luokassa 0-14-vuotiaita on neljästä kolmeentoista prosenttia koko väestöstä, ylimmässä yhdeksästätoista kolmeenkymmeneenviiteen, joten myös ero pienimmän ja suurimman välillä on merkittävä. Viimeisessä luokassa on suurin haarukka, ja luokitteluvälejä olisi pitänyt miettiä uudelleen. Visuaalisesti karttani ovat ihan ok onnistuneita, vaikka legendan, mittakaavan ja pohjoisnuolen olisi voinut sijoittaa vähän väljemmin.

Näitä kahta karttaa tarkastellessa kiinnitti enemmän huomiota esimerkiksi legendaan. Ensimmäisen kartan legendan otsikoksi olin valinnut ”0-14-vuotiaiden osuus väestöstä, %” ja jälkimmäisen kartan legendan otsikoksi ”Alle 14-vuotiaat kunnittain”. Jälkeenpäin ajatellen näiden kahden yhdistelmä ”Alle 14-vuotiaiden osuus väestöstä kunnittain, %” olisi ollut optimaalisin ja tarkin määritelmä. Myös aineiston vuosiluvun olisi voinut lisätä legendaan, kuten Anniina Ahonen on huomannut tehdä blogissaan (Ahonen 2017).

Kiinnitin huomiota myös sinällään neutraaleihin väreihin, vihreään ja siniseen, joista voi syntyä tietynlaisia assosiaatioita. Värien käyttöä on pohdittu paljon viime syksyn kursseilla, minkä takia niihin kiinnittää automaattisesti erityistä huomiota. MapInfossa värit voi valita tarjolla olevista skaaloista, joten se on hieman helpompaa kuin esim. Corelilla, jota olemme käyttäneet aikaisemmilla kursseilla. Muilta osin MapInfon käyttö tuntui vielä hieman kankealta.

Lähteet

Laaksonen, I. (2017). 1. Kurssikerta. 18.1.2017. https://blogs.helsinki.fi/iilaakso/

Ahonen, A. (2017). Ensimmäinen kurssikerta: Askelia paikkatiedon maailmaan. 24.1.2017. https://blogs.helsinki.fi/ahonenan/