Tällä viikolla yhteinen luento-osuus ei pitänyt sisällään lainkaan teoriaa, vaan hyppäsimme heti harjoitusten syvään päätyyn. Päivän yhteisten harjoituksien teemana oli erilaisten tietokantojen yhdistäminen jo tässä vaiheessa tutuksi tulleen QGIS-ohjelman avulla. Harjoituksen pohjana käytimme Afrikan mantereen tietokantaa. Kyseiseen tietokannasta haluttiin kuitenkin muokata selkeämpi, sillä alkuperäisessä versiossa, jokainen saari oli eritelty omalle sarakkeelleen. Ensitöiksemme harjoittelimmekin, miten tietokannassa pystyy yhdistämään esimerkiksi samalle valtiolle kuuluvat saaret yhdeksi sarakkeeksi.
Seuraavana tehtävänämme oli muodostaa tietokantoja yhdistelemällä taulukko, johon oli koottu Afrikan valtioista tietoa mm. konflikteista, öljynporaus alueista sekä timanttikaivoksista. Tehtävänämme oli pohtia löytyykö näiden edellä mainittujen muuttujien väliltä korrelaatiota. Tietokantaa analysoidessa oli havaittavissa, että timanttikaivoksilla ja öljyntuotannolla oli yhteyttä Afrikan valtioissa esiintyneiden konfliktien määrään. Ei voida kuitenkaan todeta, että kyseiset tekijät lisäisivät suoraan valtioiden sisäisiä konflikteja. Tästä esimerkkinä toimi Tansania, jossa timanttikaivosten määrä oli verrattain suuri, mutta konflikteja alueella ei aineiston perusteella ole esiintynyt lainkaan. Yleisällä tasolla voidaan kuitenkin todeta, että timantti-ja öljytuotannon tuomat varat jakautuvat usein epätasaisesti valtioiden sisällä, joka puolestaan lisää tuloeroja ja kasvattaa konfliktien riskiä.
Tämän viikkoisessa itsenäisessä harjoituksessa tehtävänä oli laatia teemakartta, joka kuvaa Suomen valuma-alueiden tulvariskiä tulvaindeksiä käyttäen. Jotta tulvaindeksi saatiin selville, täytin ensin yhdistellä tietokantoja Afrikka-tehtävässä opituilla nikseillä. Tulvaindeksin selvittämisen kannalta merkittäviä muuttujia keskiylivirtaama (MHQ) sekä keskialivirtaama (MNQ). Tulvaindeksi saatiinkin muodostettua laskutoimituksella. Tulvaindeksin selvittämisen jälkeen visualisoin taulukon tulokset koropleettikartalle (Kuva 1.).
Luomastani tulvaindeksikartasta voi havaita tietynlaista yhtäläisyyttä eri alueiden tulvariskin suuruudessa. Ensimmäisenä havaintona voidaan todeta, että suurimmat tulvaindeksilukemat esiintyvät Suomen rannikkoseuduilla läpi koko maamme rannikon. Sen sijaan Keski- ja Itä-Suomessa. Rannikoiden suurempaa tulvariskiä voidaan selittää mm. sateen avulla. Mereltä tuleva kosteus luo rannikoille sisämaa enemmän sateita, jolloin myös tulvaindeksi on alueilla korkea.
Runsaiden sateiden lisäksi myös valuma-alueen järvisyysprosentilla (jota en valitettavasti onnistunut visualisoimaan) on vaikutusta valuma-alueen tulvaindeksiin. Karkeasti sanottuna korkea järvisyysprosentti vähentää alueen tulvaindeksiä. Tämä selittää sitä, miksi Järvi-Suomessa tulvaindeksi on huomattavasti esimerkiksi Pohjanmaata pienempi. Lisäksi Pohjanmaan vähäisen topografian myötä jokien virtaus on melko heikkoa, jolloin etenkin keväisin lumien sulaessa vedenpinta nousee kriittiselle tasolle.
Tämän viikon harjoitusten jälkeiset fiilikset ovat vähintäänkin aurinkoiset. Päivä päivältä ja viikko viikolta QGIS tuntuu tottelevan käskyjäni paremmin ja paremmin. Elena kiteyttääkin myös omia tuntemuksiani blogissaan kirjoittamalla ettei komentonappien määrä QGIS:ssä enää kauhistuta, vaan siihen on oppinut suhtautumaan “lapsenomaisella uteliaisuudella”. Matkani GIS-velhouteen on kieltämättä vielä pahasti vaiheessa, mutta koen oppimisprosessin suunnan olevan tällä hetkellä pitkälti nousujohteinen!
Lähteet
Elenan kurssiblogi – II: Projektiovääristymiää ja näkökulmia (31/1/2021). https://blogs.helsinki.fi/elfelena/2021/01/31/ii-projektiovaaristymia-ja-nakokulmia/ . (luettu 06/02/2021)