Geoinformatiikan menetelmät

Viimeistä viedään! Tuntuu hassulta, että kirjoitan jo viimeistä blogitekstiä. Aika on mennyt niin nopeasti. On kuitenkin huojentavaa, että kurssi on kohta ohi. Työtä on nimittäin ollut paljon, eikä tehtävien teko ole todellakaan ollut helppoa. Kurssin viimeisellä tunnilla kartta tehtiin itse valitusta aiheesta ja alueesta. Aiemmin aihe, alue, aineistot ja tarkat ohjeet on saatu suoraan opettajalta, mutta tällä kertaa kaiken sai valita ja tehdä itse.

Tehtävän ensimmäinen osuus oli aineiston etsiminen. Kartan tekoon tarvittiin alue, joka jakautuu useaan osa-alueeseen sekä kaksi muuttujaa, jotka kartalle visualisoidaan. Olin aluksi aineistojen etsimisen suhteen täysin hukassa ja käytin siihen jopa parikin tuntia. Ideoita oli, mutta en silti tuntunut löytävän mitään sopivaa. Valitsin alueeksi koko maapallon ja osa-alueiksi valtiot, koska mielestäni globaalit ilmiöt ovat kiehtovia. Pohjakartan ja valtiorajat löysin Natural Earth-sivustolta. Muuttujat löysin lopulta sivustolta nimeltä The World Bank, josta löytyi kaikenlaista dataa ilmastonmuutoksesta terveyteen. Otin muuttujiksi Total greenhouse gas emissions (kt of CO2 equivalent) ja Population density (people per sq. km of land area), eli kasvihuonekaasupäästöjen kokonaismäärä ja väestöntiheys.

QGISiin siirtyessä alkoi vähän jännittää. Kartan tekeminen ilman tarkkoja ja ennalta määrättyjä ohjeita tuntui aluksi haastavalta, mutta päätin edetä rauhallisesti yksi vaihe kerrallaan. The World Bank-sivustolta ladatuissa aineistoissa ei ollut koordinaattitietoja, joten minun täytyi tehdä tietokantaliitos valtioaineiston kanssa. Käytin tässä apuna kolmannen kurssikerran Afrikka-tehtävän ohjeita. Päädyin tekemään väestöntiheydestä koropleettikartan, mikä on onkin tullut tällä kurssilla erityisen tutuksi. Kasvihuonepäästöt puolestaan kuvasin ympyröinä, jotka ovat ympyräkaavioita. En ollut aiemmin tehnyt ympyräkaavioita QGISissä, joten oli kiva lisätä karttaan jotain uutta opittua. 

Kuvan 1 kartta kuvaa mielestäni hyvin, kuinka väestömääriltään isoissa valtioissa syntyy myös paljon päästöjä. Esimerkiksi Intia ja Kiina ovat molemmat väestötiheitä maita, joissa kasvihuonekaasupäästöjä syntyy merkittäviä määriä. Toisaalta Venäjällä asuu paljon väestöä, mutta asukastiheys on pieni valtion pinta-alan takia. Eniten kasvihuonekaasupäästöjä maailmassa tuottavat Kiina, Yhdysvallat, Intia ja Venäjä.

Tarvitsin kartan teossa useampaan kertaan apua ja hyödynsin aiempien kurssikertojen ohjeita. Olen kuitenkin tyytyväinen, että sain kartan pääosin itse tehtyä. Teinhän kartan oman taitotasoni perusteella. Oli kiva huomata, kuinka paljon olen kehittynyt kurssin aikana. QGISiä on nykyään paljon helpompi käyttää, eikä se enää aiheuta hermoromahdusta joka kerta. En ehkä ole täysin tyytyväinen kurssisuoritukseen, mutta olen iloinen kehityksestäni ja ainakin olen oppinut paljon uutta. Pystyn samaistumaan Eeva Rakin tekemään oivallukseen: ”Kurssin aikana olen myös alkanut oppia luottamaan omaan harkintakykyyni, jonka koen tärkeäksi taidoksi geoinformatiikassa.” Toki joudun vieläkin kysymään apua ja mielipiteitä, mutta ehdottomasti vähemmän kuin alkukurssista.

Huomasin myös, että visuaalinen ilme on minulle tärkeä ja perfektionistina keskityn siihen välillä liikaakin. QGISissä ja blogissa on niin monia erilaisia vaihtoehtoja ja mahdollisuuksia, jotka ovat välillä pistäneet pään pyörälle. Tämä on myös näkynyt karttojen ulkonäössä. Ehkäpä ensi kerralla karttojen tekeminen sujuu sulavammin.

Ymmärrän nyt vähän enemmän geoinformatiikasta, kiitos kaikille tästä kurssista!

Lähteet

Natural Earth (2022). Natural Earth II with Shaded Relief and Water. Luettu 2.3.2022. https://www.naturalearthdata.com/downloads/10m-natural-earth-2/10m-natural-earth-ii-with-shaded-relief-and-water/

The World Bank (2018). Population density (people per sq. km of land area). Luettu 2.3.2022. https://data.worldbank.org/indicator/EN.POP.DNST?end=2020&name_desc=false&start=1961&view=chart

The World Bank (2018). Total greenhouse gas emissions (kt of CO2 equivalent). Luettu 2.3.2022. https://data.worldbank.org/indicator/EN.ATM.GHGT.KT.CE?end=2018&most_recent_year_desc=true&start=1970&view=chart

Raki, E. (2022). Kurssikerta 7: Lopputaistelu, Oppimassa geoinformatiikkaa. Luettu 2.3.2022. https://blogs.helsinki.fi/eevaraki/

Tämän viikon aiheena oli pisteaineistojen esittäminen kartalla. Opimme keräämään aineistoa itse sekä etsimään sitä netistä. Oli mielenkiintoista oppia keräämään aineistoa omin päin, mutta myös aineiston etsiminen netistä oli uutta. Olemme aiemmin saaneet käyttöön valmiit aineistot, jotka opettaja on itse ennalta valinnut. Nyt aineiston sisältöön sai itse vaikuttaa, mikä saattaa toisaalta vaikuttaa myös tuloksiin. Tehtävien teko tuntui taas vaihteeksi yllättävän helpolta, mutta en toisaalta lähtenyt erityisesti kikkailemaan karttojen tekemisessä. Motivaation ja luovuuden puute ehkä vaikutti tähän…

Ulkoilua Kumpulan maastossa

Tämän viikon tunnilla pääsimme ulkoilemaan ja tuottamaan aineistoa itse. Opimme käyttämään Epicollect5-sovellusta, jonka avulla keräsimme pistemuotoista aineistoa Kumpulan alueelta. Kerätty aineisto sisälsi koordinaattitietoja sekä ominaisuustietoja esimerkiksi turvallisuuden tunteesta ja viihtyvyydestä. Aineiston kerääminen oli mielestäni mukavaa vaihtelua luokassa istumiselle ja lopputuntikin meni reippaammin, kun oli ensin päässyt ulkoilemaan. Latasimme kerätyn aineiston QGISiin ja visualisoimme siitä kartan, jossa kuvattiin turvallisuuden tunteita eri puolilla Kumpulaa. Tehtävä valaisi hyvin aineiston keräämiseen ja sen ohjelmaan lataamiseen liittyviä seikkoja.

Hasardit ja niiden alueellinen esiintyminen

Viikon kotitehtävä oli mielestäni todella kiehtova. Tehtävänä oli luoda kolme karttaa, joiden teemana oli hasardit. Otin tarkasteluun maanjäristykset, tsunamit sekä meteoriitit. Aineistot karttoihin löytyivät netistä eri sivustoilta. Aineistojen lataaminen oli yllättävän helppoa kunhan hakuun laittoi oikeat muuttujat. Aineistot avautuivat myös QGISissä todella sujuvasti, eikä ongelmia ollut oikeastaan lainkaan. Yllättävää.

Ensimmäiseen karttaan otin tarkastelun kohteeksi maanjäristykset. Kuva 1 kuvaa 2000-luvulla tapahtuneita yli 6 magnitudin maanjäristyksiä. Unohdin mainita kartan legendassa, että mainitut luvut tarkoittavat magnitudia, eli maanjäristyksen voimakkuutta. Latasin aineiston USGQ-sivustolta. Olisin halunnut ottaa pienempiäkin maanjäristyksiä mukaan, mutta pisteitä pystyi ladata kerralla vain rajallisen määrän. Sen takia otin mukaan vain yli 6 magnitudin maanjäristykset. Kuvasin maanjäristyksien voimakkuutta pisteiden koon ja värin avulla, eli mitä tummempi ja isompi piste, sitä voimakkaampi järistys. Mielestäni kartta on todella selkeä ja informatiivinen. Olisin kuitenkin halunnut lisätä karttaan litosfäärilaattojen rajat, kuten Roosa Kotilainen on blogissaan tehnyt. Ne olisivat olleet opetusmielessä todella hyödylliset ja kuvanneet hyvin maanjäristyksien sijaintia laattojen reunoilla. Karttaan on kuitenkin muodostunut pisteistä viivamaiset rajat litosfäärilaattojen rajoille, mikä havainnollistaa ilmiötä osittain.

Kuvan 2 kartta kuvaa 2000-luvulla tapahtuneita tsunameja. Tällä kertaa pisteaineisto löytyi National Geophysical Data Center-sivustolta. Valitsin haun Validity-kohdasta 4 – Definite Tsunami, eli varma tsunami, ja latasin aineiston QGISiin. Delimited Text-toiminto tuli tällä viikolla tutuksi, ja osaan nyt avata sillä monenlaisia aineistoja. Tässä kartassa askelia olikin muutama enemmän kuin aiemmin, mutta erityisiä haasteita ei ollut. Olisin voinut visualisoida karttaa eri tavoin, kuten Heta Suutari on blogissaan tehnyt. Suutari on muun muassa loihtinut Heatmapin sekä itse nimeämänsä ”Keijukartan”. Opetusmielessä karttani kuitenkin havainnoi hyvin, kuinka tsunamit sijoittuvat tietysti aina rannikkoalueille.

Kolmannesta kartasta ei tullut sen ihmeellisempi. Kuvan 3 kartta sisältää vuoteen 2018 mennessä löydetyt meteoriittien putoamispaikat (Meteorite Landings). Data löytyi NASAn Open Data Portal-palvelusta, josta aineisto ladattiin suoraan. Aineisto oli (taas) helppo avata QGISissä. Karttaa tarkastellessa huomasin, että meteoriittien löytöpaikat ovat sijoittuneet maapallon läntisiin väestökeskittymiin, kuten Yhdysvaltoihin ja Eurooppaan. Maantieteellisesti vaikeasti saavutettavilla alueilla, kuten Amazonin sademetsässä, Himalajan vuoristossa tai Grönlannissa, ei meteoriittien putoamispaikkoja ole lähes ollenkaan. Aineistoa ei siis välttämättä ole kerätty tasaisesti kaikkialta maapallolta maantieteellisten esteiden takia. Näin jälkeenpäin mietittynä, olisin voinut lisätä karttaan esimerkiksi maapallon väestöntiheyden, joka olisi havainnollistanut paremmin opetusmielessä.

Pidin siitä, että tällä viikolla tehtävänanto oli melko avoin ja tehtävien teossa sai käyttää omaa luovuutta. Vaikken kovin luovaa työtä tällä viikolla tehnytkään, niin oli mielenkiintoista nähdä, kuinka paljon dataa netistä löytyy. Erilaisia mahdollisuuksia on niin monenlaisia. Ensi viikolla pääsemme viimeistä kertaan velhoilemaan QGISin parissa – sitä odotellessa!

Lähteet

Kotilainen, R. (2022). Viikko 6: Ulkoilua ja hasardeja, Roosan blogi. https://blogs.helsinki.fi/rokoro/

Suutari, S. (2022). 6. viikko: virkistys, Heta VS GIS. https://blogs.helsinki.fi/suutarih/

Tällä viikolla opin yhtä sun toista. Kerrankin tuntui, että opit meni perille ja siitä voin kiittää toistoja. Jouduin toistaa itsenäistehtäviä tehdessä samoja toimintoja aika lailla jokaisessa tehtävässä. Muutaman tehtävän kanssa oli ongelmia, joita en vieläkään ole ratkaissut. Tuntuu myös hassulta, kun tekstin tukena ei ole kuvia visualisoimassa ilmiöitä, mutta syy tähän on oma laiskuuteni. Tehtävien teko itsessään oli jo tarpeeksi haastavaa, enkä siksi jaksanut vaivautua lisäämään kuvia. Ohjeistuksessa luki, että saaduista vastauksista voi tehdä taulukon, mutta en mitenkään saanut taulukosta kivan näköistä, joten tällä kertaa pelkkä teksti saa riittää.

Aiemmilta tunneilta tuttuja toimintoja, attribuuttitaulukkoa ja statistiikkapaneelia, käytettiin myös tällä kertaa. Erilaisten aineistojen, kuten rasteri- ja vektoriaineistojen, avaaminenkin tuntuu jo tässä vaiheessa helpolta. Tällä tunnilla käytimme QGISissä Buffer-, Intersection- ja Clip-toimintoja. Näistä tutuimmaksi tuli Buffer, jolla teimme puskurianalyysejä. Select by location- sekä Invert Feature Selection-toiminnot tulivat myös erityisen tutuksi ja niiden käyttö tuntuu nyt todella helpolta. Myös piirtäminen tuntuu nyt sujuvan helposti. 

Lentokentät

Ensimmäisessä tehtävässä tarkoituksena oli tutkia kahden eri lentokentän, Malmin sekä Helsinki-Vantaan, ympärillä olevia alueita ja niiden väestötietoja. Väestötiedot-aineisto sisälsi Vantaan väestötietoja rakennuksittain. Lisäksi analyysiä varten tarvittiin aineisto, joka sisälsi lentomeluvyöhykkeet.

Malmin lentokentän melualuetta pääsin tutkimaan puskurianalyysin avulla. Pahimmaksi melualueeksi lasketaan kaksi kilometriä kentästä, mutta tehtävässä laskettiin myös yhden kilometrin säde. Pääsin hyödyntämään piirtotyökalua kiitoratojen piirtämisessä. Sen jälkeen kiitoratojen ympärille luotiin puskurivyöhyke Buffer-työkalulla. Puskurivyöhykkeen sekä Select by location-toiminnon avulla pystyin tutkimaan vyöhykkeen sisään jääneiden asukkaiden määrää. Statistiikkapaneelista ilmeni, että kahden kilometrin säteen sisään jäi 58 814 asukasta, ja yhden kilometrin säteellä oli vain 8 954 asukasta.

Melualueita tutkittiin myös Helsinki-Vantaan lentokentän kohdalla. Kentän välittömässä läheisyydessä, eli kiitoradoista kahden kilometrin sisällä, asuu tekemäni puskurianalyysin mukaan 11 644 asukasta. Tutkin myös, kuinka monta prosenttia äsken mainituista asukkaista asuu myös lentokentän pahimmalla melualueella, eli 65 desibelin alueella. Vastaukseksi sain 17 asukasta, eli 0,16 %. Tehtävänä oli myös tutkia koko Vantaan väestöstä, kuinka moni asuu vähintään 55 desibelin alueella ja vastaukseksi sain 11 923 asukasta. Viimeisenä tehtävässä oli tarkoitus tutkia tilannetta, jossa saapuva lentoliikenne käännettäisiin laskeutumaan poikkeuksellisesta suunnasta. Jos näin tapahtuisi, jopa 26 782 asukasta Tikkurilassa kokisi haittaa 60 desibelin lentomelusta.

Asemat

Asematehtävässä tarkoituksena oli tarkastella juna- ja metroasemien läheisyydessä asuvaa väestöä. Aineiston mukaan Vantaalla asuu yhteensä 516 193 asukasta. Puskurianalyysin avulla selvisi, että jopa 111 765 asukasta asuu alle 500 metrin päässä juna- tai metroasemasta. Tämä luku on jopa 22 % alueen kokonaisväestöstä. Juna- ja metroasemien läheisyydessä työikäisiä, eli 15-64 vuotiaita, asuu 74 989, eli jopa 67 %.

Taajamat

Kolmannessa tehtävässä tutkimuskohteena oli taajamat. Taas samoja aiemmin käytettyjä työkaluja hyödyntäen sain vastauksen, jonka mukaan alueen kokonaisväestöstä 496 555, eli 96,2 % asuu taajamissa. Taajamien ulkopuolella kouluikäisiä (7-18 vuotiaita) asuu 2 675, eli kaikista kouluikäisistä noin 4 %. Suurin osa kouluikäisistä asuukin siis taajamissa. Sain vastauksen hyödyntämällä attribuuttitaulukkoa, johon laskin valmiiksi kouluikäisten määrän. Sen jälkeen käytin taas Select by location-toimintoa, joka valitsi kaikki taajamissa asuvat kouluikäiset. Invert Feature Selection-toiminnon avulla sain valituksi taajamien ulkopuolella asuvat kouluikäiset. Tehtävässä oli myös tarkoitus laskea kuinka monella alueella ulkomaalaisten osuus on yli 10%, 20% ja 30%. En kuitenkaan osannut laskea tätä, vaikka kovasti yritin. Ronja Sonninen kertoo kuitenkin blogissaan, kuinka tulos saatiin. Kannattaa käydä katsomassa!

Koulut

Kolmanneksi tehtäväksi valitsin koulutehtävän, koska sen tehtävänanto tuntui kaikkein selkeimmältä. Ensiksi tarkoitus oli selvittää kuinka paljon Helsingin Yhtenäiskouluun on tulossa uusia koulutiensä aloittavia oppilaita aineiston keruuhetkestä seuraavana vuonna, sen omasta koulupiiristä. Valitsin koulupiirit-aineistosta ensin Helsingin yhtenäiskoulun koulupiirin ja sitten etsin valitun alueen kartalta. Tein koulupiiristä oman tason, ja hyödynsin Select by location-toimintoa, jolla sain kyseisen koulupiirin asukkaat valittua. Koulu aloitetaan yleensä sinä vuonna, kun täytetään 7 vuotta, joten etsin statistiikkapaneelista alueen 7-vuotiaiden osuuden. Sain vastaukseksi 14.

Seuraavaksi piti laskea kuinka suurta määrää yläasteikäisiä oppilaita Helsingin yhtenäiskoulun pitää varautua opettamaan seuraavana vuonna omasta koulupiiristä. Yläasteikäiset ovat yleensä 13-15 vuoden ikäisiä. Laskin tämän samalla tavalla kuin edellisessä tehtävässä, mutta laskin kolme ikäluokkaa yhteen käsin. Tämän olisi varmasti voinut laskea attribuuttitaulukon laskimella, mutta luvut olivat pieniä ja peruslaskin on mielestäni helppokäyttöisempi. Sain lopulliseksi vastaukseksi 63 yläasteikäistä.

Kolmannessa tehtävässä piti selvittää kuinka suuren osuuden koulupiirin alueella asuvista asukkaista muodostavat kouluikäiset lapset ja nuoret (ala-aste ja ylä-aste). Laskin attribuuttitaulukon laskimella kaikki 7-15 vuoden ikäiset ikäluokat yhteen ja katsoin statistiikkapaneelista koulupiirin kouluikäisten kokonaissumman. Kouluikäisiä on koulupiirissä yhteensä 159, eli koko koulupiirin asukkaista 8,4 %. Tehtävässä piti myös laskea arvio siitä, kuinka monta muunkielistä kouluikäistä alueella asuu, jos oletetaan että muunkielisissä perheissä lasten ja aikuisten suhde on sama kuin edellisessä kohdassa laskettu. Käytin tässä siis hyväksi aiemmin laskettua 8,4 prosenttia. Koulupiirissä asuu 110 muunkielistä, joista 8,4 % on noin yhdeksän.

Olen yllättynyt, että osasin tehdä koko koulutehtävän itse. Selkeästi opin aiempien tehtävien tekemisestä jotain ja kehitystä on tapahtunut, koska aiempien kurssikertojen tehtävien kanssa olen aina tarvinnut muiden apua.

Loppusanat

Vieläkään ei tunnu, että GIS olisi mun juttu. On kuitenkin mukava huomata, kuinka QGIS alkaa tuntua tutummalta ja erilaisten toimintojen tekeminen sujuu pikku hiljaa vähän paremmin. Tuntuu, että olen parempi analysoimaan saatuja tuloksia kuin tuottamaan niitä. Vaikka ohjelman käyttö helpottuu ajan ja toistojen myötä, se silti aiheuttaa vähintään yhden hermoromahduksen joka viikko. Ensi viikkoon!

Lähteet

Sonninen, R. (2022). Tiedon analysointia, Ronjan GIS-blogi. Luettu 20.2.2022. https://blogs.helsinki.fi/sronja/

Tällä viikolla pyrin tehokkuuteen ja sainkin kartan valmiiksi jo tunnin aikana. Aiheena oli tällä kertaa ruutukartat, pistemuotoiset aineistot sekä rasteriaineistot. Pyrin erityisesti sisäistämään ja ymmärtämään tekemiäni valintoja QGISiä käyttäessäni, ja koen, että ymmärsin tällä kertaa hieman enemmän kuin aiemmilla kurssikerroilla.

Tällä viikolla tutustuimme siis ruutukarttojen tekemiseen. Loimme ensin pääkaupunkiseudun kokoisen ruudukon, johon keräsimme tietoa pääkaupunkiseudun väestöstä. Tiedot löytyivät pääkaupunkiseudun väestötietokannasta, josta löytyi muun muassa ruotsinkielisten, ulkomaankansalaisten sekä koko väestön lukumäärät. Tiedot ovat vuodelta 2015. Teimme väestöntiheyskartan ruutuaineistoa hyväksi käyttäen. Lopuksi lisäsin karttaan vielä pääkaupunkiseudun pienalueet, jotta eri alueita olisi helpompi hahmottaa. En tiedä, oliko siitä kuitenkaan mitään hyötyä vai tuliko kartasta vain vaikeaselkoisempi. Yritin myös lisätä tiestöä, mutta kartasta tuli aivan liian sekava ja epäselvä.

Kuvan 1 karttaa tarkastellessa eri alueita on vaikea tunnistaa. Pienalueet eivät hirveästi selkeytä karttaa, mutta ainakin itselläni ne helpottavat hahmottamaan koko pääkaupunkiseudun rakennetta. Kartta olisi luettavampi, jos siihen olisi merkattu paikannimet sekä kuntarajat. Kuten Jeanette Hatanpää pohtii blogissaan, informatiivisuutta voisi myös lisätä esimerkiksi pienentämällä ruudun esittämän alueen kokoa. Tajusin myös jälkeenpäin, että käytin vahingossa kartan teossa punaista ja vihreää väriä, joten kartta ei ole punavihersokeille kovin luettava.

Valitsin esitettäväksi tiedoksi ruotsinkielisten osuuden väestöstä. Muutin luvut absoluuttisista suhteellisiin, joten kuvassa 1 esitetyt luvut ovat prosenttilukuja. Ne esittävät ruutujen sisällä olevien ruotsinkielisten määrän suhteessa ruudun kokonaisväestöön. Absoluuttisina arvoina kartta näyttää hyvin erilaiselta. Siinä ruotsinkielinen väestö on keskittynyt pääosin Helsingin kantakaupunkiin, kun taas suhteellisina arvoina ne ovat hajaantuneet ympäri pääkaupunkiseutua. Valitsin suhteelliset arvot, koska halusin tällä kertaa tarkastella erilaisia pääkaupunkiseudun keskittymiä ja syitä niiden taustalla.

Pääkaupunkiseudun isoimmat ruotsinkielisten keskittymät ovat Sipoossa ja Espoossa. Sipoon kunta on kaksikielinen ja sen asukkaista jopa 30 % on ruotsinkielisiä (Sipoo.fi 2021). Espoossa ruotsinkielisiä on lähes 7 % väestöstä (Espoo.fi 2021), mutta ruotsinkielinen väestö on jakautunut eri alueille. Vuonna 2013 suurin suhteellinen ruotsinkielisten osuus oli Kauniaisissa, Suvisaaressa sekä Espoonkartanossa (Helsingin sanomat 2013). Espoon kaupunginosien keskittymät näkyvät kartan länsiosassa tummempina alueina. Myös Vantaalla Helsingin pitäjän kirkonkylässä on paljon ruotsinkielisiä suhteessa sen väestöön. Senkin pystyy erottaa kartasta, yksittäisenä tummana ruutuna keskellä kuvaa.

Keskittymät Espoossa ja Sipoossa johtuvat ruotsalaisten siirtolaisten asettumisesta kyseisille alueille. Ruotsalaiset alkoivat asuttaa Espoota jo 1200-luvulla, kun taas Sipooseen ensimmäiset siirtolaiset saapuivat 1300-luvulla. Vielä vuonna 1920 Espoo oli alle 9 000 asukkaan maalaiskunta, jossa 70 prosenttia asukkaista oli ruotsinkielisiä. Espoosta tuli viime vuosisadan loppupuolella enemmistöltään suomenkielinen. Sipoosta puolestaan tuli kaksikielinen vuonna 1953, ja vuodesta 2003 suomi on ollut kunnan enemmistökieli (Wikipedia 2022). Ruotsalaisten siirtolaisuus on vaikuttanut merkittävästi esimerkiksi alueiden nimistöön ja tietenkin suomenruotsalaisten syntymiseen.

Mielestäni viikon tehtävä oli todella kiva! Kartan tekeminen oli yllättävän selkeää ja tiedon etsiminen oli mielenkiintoista. En meinannut malttaa lopettaa blogin kirjoittamista. Aloitimme tunnilla myös ensi viikon tehtävän valmistelemisen piirtämällä kartta-aineistoa. Piirsimme rajatulle Pornaisten alueelle erilaisia karttaelementtejä, kuten tiet ja talot. Teiden ja talojen piirtäminen muistutti paljolti Tiedon esittäminen maantieteessä-kurssilla tehtyä kartan digitoimista. Ensi viikolla jatkamme siis saman tehtävän parissa.

Lähteet

Hatanpää, J. (2022). Lasermiekkailua ja laserkeilausta, Fiilis on gis. Luettu 10.2.2022. https://blogs.helsinki.fi/hatanjea/

Helsingin Sanomat (2013). Nuoret perheet hakeutuvat Espooseen ja Kauniaisiin. Luettu 9.2.2022. https://www.hs.fi/kaupunki/art-2000002685757.html

Sipoo.fi (2021). Avainluvut. Luettu 9.2.2022. https://www.sipoo.fi/organisaatio/avainluvut/

Espoo.fi (2021). Väestö. Luettu 9.2.2022. https://www.espoo.fi/fi/vaesto

Wikipedia (2022). Espoo. Luettu 9.2.2022. https://fi.wikipedia.org/wiki/Espoo

Wikipedia (2022). Sipoo. Luettu 9.2.2022. https://fi.wikipedia.org/wiki/Sipoo

Kolmas viikko lähti reippain mielin käyntiin. Palasin kuitenkin karusti takaisin maan pinnalle, kun tämän viikon tehtävät raastoivat aivoja aivan uudella tavalla. Koin ongelmia muun muassa aineistojen avaamisen ja tietokantojen katoamisien muodossa. Luulin jo menettäneeni kaikki tuotokseni, mutta sain ne kuitenkin lopulta pelastettua.

Konflikteja, timantteja ja öljyä

Ensimmäinen tehtävä tuotettiin tunnin aikana. Loimme erilaisia tietokantoja yhdistelemällä Afrikan kartan (Kuva 1), johon on merkattu toisen maailmansodan jälkeen tapahtuneet konfliktit (punainen), öljyesiintymät (harmaa) ja timanttikaivokset (vaaleansininen). Attribuuttitaulukkoon kerääntyi paljonkin tietoa aiemmin mainittujen lisäksi muun muassa internetin käyttäjistä vuosilta 2000 ja 2020, Facebookin käyttäjistä vuodelta 2018 sekä valtioiden asukasluvut. Attribuuttitaulukosta ja kartasta pystyy tulkita eri muuttujien yhteyksiä. Karttaan on kuitenkin visualisoitu vain konfliktit, timanttikaivokset ja öljyesiintymien sijainnit.

Karttaa ja tietokantaa tutkiessa huomataan, että konflikteja tapahtuu usein öljyesiintymien ja timanttikaivoksien kanssa samoilla alueilla. Nämä muuttujat eivät kuitenkaan aina ole yhteydessä toisiinsa, vaan konfliktien syynä voivat olla muutkin syyt. Kuten Janne Turunen blogissaan kertoo: ”Konflikteja syntyy resurssien epätasaisesta jakautumisesta, mutta tärkeitä resursseja on muitakin kuin vain timantit ja öljy.” Ajatuksia herätti erityisesti Salla Kärkkäisen blogissa mainittu näkökulma: ”Mielenkiintoista on, että konflikteja on, vaikka timanttien ja öljyn ajattelisi tuovan varallisuutta alueelle. Syynä voisi olla se, että varallisuus jakautuu huonosti eri ihmisryhmien välille. Afrikan maat ovat vanhoja siirtolaismaita, ja se on jättänyt jälkensä niiden yhteiskuntiin.” Öljystä ja timanteista syntynyt varallisuus ei päädy paikallisten taskuun, vaan kasautuu joko valtion rikkaimmille tai rahavirrat kulkevat kokonaan ulkomaille. Tämä estää monien Afrikan maiden taloutta kehittymästä, mikä puolestaan lisää entisestään erilaisia konflikteja.

Tehtävä oli mielestäni todella mielenkiintoinen. Pidin siitä, että kerrankin tutkimuskohteena oli jokin muu alue kuin Suomi. Erilaisten ilmiöiden välisten yhteyksien ja niiden syiden tutkiminen herätti paljon ajatuksia.

Suomen valuma-alueet

Viikon kotitehtävänä oli luoda Suomen valuma-alueiden tulvaindeksiä ja järvisyysprosenttia kuvaava koropleettikartta ja kartogrammi. Kartta luotiin hyödyntämällä jo melko tuttuja QGISin työkaluja, kuten attribuuttitaulukkoa, laskinta sekä tietokantojen yhdistelemistä. Pylväsdiagrammien luominen oli kuitenkin uutta. Karttaa varten täytyi laskea tulvaindeksi, yhdistää samaan taulukkoon alueiden järvisyysprosentti sekä luoda pylväsdiagrammi. Tuomas Hartikainen kertoo blogissaan tulvaindeksin perusteet: ”Tulvaindeksi saadaan laskettua, kun jaetaan keskiylivirtaama keskialivirtaamalla. Saatu luku kertoo siis joenvirtausnopeuden vaihtelun suuruuden. Mitä isompi on pienimpien ja suurimpien virtaamien ero, sitä suurempi on tulvaindeksi.”

Karttaa 2 tarkastellessa voidaan nähdä, että tulvaindeksi on suurimmillaan Länsi- ja Etelä-Suomen rannikkoalueilla. Meren läheisyys sekä erityisesti Länsi-Suomessa jokien runsaus vaikuttavat merkittävästi alueiden tulvaherkkyyteen. Pohjanmaa on laakeaa tasankoa, eli korkeusvaihteluita ei juurikaan ole. Sen takia joet virtaavat hitaasti. Alueen pinnanmuodot saavat joet tulvimaan herkästi. Pohjanmaalla tyypillisiä tulvia ovat keväällä tapahtuvat jääpatojen aiheuttamat hyydetulvat (Yle.fi, 2021). Ilmastonmuutos tulee vaikuttamaan omalla tavallaan Suomen tulviin, mutta sen tarkka vaikutus on vielä epävarma ja vesistöittäin vaihteleva. Varmaa kuitenkin on, että hulevesitulvien määrät suuremmissa kaupungeissa tulevat kasvamaan.

Järvisyysprosentti puolestaan on suurimmillaan Järvi-Suomen alueella, jossa on nimensä mukaan paljon järviä. Ne ovat syntyneet paikalleen jääkauden aikana mannerjään liikkeen ja sulamisen seurauksena. Myös Lapissa on korkea järvisyysprosentti. Järvisyysprosentti on selkeästi pienempi merkittävimmillä tulvariskialueilla ja näin myös tulvaindeksi on pienempi suurimmilla järvisyysprosenttialueilla. Järvisyysprosentilla ja tulvaindeksillä on siis selkeä yhteys. Järvet auttavat tasaamaan vesistöjen virtaamaa, koska ne toimivat sadevesivarastoina.

Näin jälkeenpäin ajateltuna viikon tehtävät olivat todella mielekkäät ja olen melko ylpeä valmiista kartoista. En kuitenkaan tiedä opinko itse kovinkaan paljon, kun kaverit avustivat karttojen luomisprosessissa niin paljon (KIITTI). Ehkä ensi viikolla syvennyn karttojen tekoon paremmin ja yritän käyttää omia aivojani.

Lähteet

Hartikainen, T. (2022). 3. kurssikerta, Maa-gis-ta menoa. Luettu 6.2.2022. https://blogs.helsinki.fi/tuomhart/

Kärkkäinen, S. (2022). Viikko 3: Toistojen kautta se avautuu!, Sallan kurssiblogi. Luettu 6.2.2022. https://blogs.helsinki.fi/karkkais/

Turunen, J. (2022). QGIS – rakastettuni, Geoinformatiikan mystiset menetelmät. Luettu 6.2.2022. https://blogs.helsinki.fi/janneturunen/

Yle.fi (2022). Ilmastonmuutos lisää Suomen sademääriä, ja näin se tuntuu eri maakunnissa – katso kotialuettasi lähivuosikymmeninä kohtaavat tulvariskit. Luettu 6.2.2022. https://yle.fi/uutiset/3-12112542