Month: February 2020

Kuudes kurssikerta lähti liikkeelle urheilullisissa merkeissä. Kyseisellä kurssikerralla oli tarkoituksena käyttää ite kerättyä dataa. Jännää eikö! Datan keruu tapahtui EpiCollect-apin avulla. Kiersimme Kumpulan alueella ja keräsimme appiin pisteitä valituista kohteista käyttämällä pisteen koordinaatteja. Lisäsimme myös pisteen kohdetietoihin tietoja alueen turvallisuudesta, houkuttelevuudesta jne.

Kulussa keräsimme kaiken datamme yhteen yhdeksi tietokannaksi ja siirsimme sen QGIs:iin. Flaminia Puranen kuvasi hyvin blogissaan kokemustaan EpiCollect-apin käytöstä. “-sen keräämää dataa oli miellyttävää käsitellä jo senkin takia, että kerätyt tiedot esimerkiksi eri paikkojen turvallisuudesta (joka perustui ryhmämme opiskelijoiden arviointiin) pystyi sijoittamaan itselle tuttuihin paikkoihin”. Kerätty data interpoloitiin ja siitä tehtiin havainnollistava karttaselitys, jossa punaiset alueet koettiin turvattomimmiksi ja siniset alueet turvallisimmiksi (kuva 1). Hämmästyin hieman siitä, miten nopeasti dataa pystyi keräämään.

Tämän jälkeen jatkoimme samankaltaiset pistekarttojen tekemistä. tein karttoja maanjäristyksistä, kalderatulivuorista ja meteoriittien iskeytymispaikoista.  Aloitin etsimällä tietoja kyseististä luonnonmaantieteellisistä ilmiöistä ja kopioin löytämäni tiedot Excel-taulukkoon. Excelissä muutin kaikki pisteet pilkuiksi ja laitoin kunkin tiedonmurusen omaan soluunsa. Tämän jälkeen tallensin taulukkotiedon CSV-muotoon ja siirsin tietokannan QGIS:iin. Kotitehtäväksi jäi kolmen kartan luominen.

Kotitehtävissä käytin pohjana maailmankarttaa. Tässä kohtaa kohtasin ensimmäisen haasteen. Mikko Kangasmaa kertoi blogissaan samasta tuskasta “Mittakaavaa kyseisiin karttoihin ei voinut laittaa, sillä kartan projektion takia mittakaava vaihtelee pohjois-eteläsuunnassa. Kangasmaa tavoin meinasin laittaa karttoihin janamittakaavan, joka näytti sataa metriä. Kuten Janina Vikman toteaa blogissaan ei GIS- ohjelmaan kannata aina sokeasti luottaa.

Koitin tuottaa karttani niin, että ne soveltuisivat hyvin esimerkiksi opetuskäyttöön tekemällä niistä mahdollisimman yksinkertaisia ja selkeitä visuaalisesti. Kuvassa 2 näemme maailmalla tapahtuneiden yli 6 magnitudin maanjäristysten sijoittumisen vuosina 1980-2013. Kyseisestä kartasta voimme nähdä, että järistykset sijoittuvat pitkälti litoosfäärilaattojen saumakohtiin ja muille tuliperäisille alueille. Kuvasta 3 näemme, miten yli 6 magnituden maanjäristykset vuosina 2010-2020 sijoittuvat pitkälti samoille alueille, kuin kuvan 2 järistykset.

Kuvasta 4 näemme, miten kalderatulivuoret sijoittuvat litoosfäärilaattojen saumakohtiin ja muille tuliperäisille alueille maanjäristysten tavoin.

Viimeisimpänä tehtävänä oli etsiä netistä kartta, joka kuvasi samaa hasardia kuin jokin omista kartoista. Päätin verrata maahan iskeytyneiden meteoriittien karttoja. Jo ensisilmäyksellä voi huomata, että netistä löydetty kartta (kuva 6) on paljon runsaampi, kuin oma karttani (kuva 5) iskeytymien suhteen.  Uskon tämän johtuvan siitä, että karttani ei esitä iskeymiä niin pitkältä ajalta kuin citylabin kartta.

Voi myös olla mahdollista, että kuvan 5 kartan pohja-aineisto oli vanhaa tai väärää tietoa. Ristiriitaista tässä on se, että kuvan 5 otsikko on “kaikki tunnetut maahan iskeytyneet meteoriitit”. Ristiriidan vuoksi en käyttäisi kuvan 5 karttaa opetuksessa.

Kokonaisuudessaan mielestäni 6 kurssikerta oli opettavainen ja palkitseva. Yhdyn Elias Hirviksoksen blogin lopputekstiin; – karttani eivät ole mitään kaikista havainnollistavimpia yksilöitä, mutta ainakin sain kaikki QGIS-tehtävät tehtyä ja opin jälleen uutta.

Lähteet:

Flaminia Puranen. Maastosta kerätyn datan käyttö. ( luettu 19.2.2020)

https://blogs.helsinki.fi/flaminia/

Mikko Kangasmaa. Kenttätöitä ja hasardeja (6 kurssikerta). (Luettu 19.2.2020)

https://blogs.helsinki.fi/kanmikko/

Elias Hirvikoski. Kuudes. (Luettu 27.2.2020)

https://blogs.helsinki.fi/eliashir/

Päivä päivältä koen oppivani hieman (huom hieman) enemmän QGISin salaisuuksista. Ohjelman käsittely ja työkalujen yhdistäminen alkaa tuntua jo helpommalta jokaisella kurssikerralla. Huomaan, että osaan jo yhdistää aikasemmin opittuja asioitu uusiin tehtäviin ja luoda suurempia onnistuneita kokonaisuuksia itsenäisesti. Viidennellä kurssikerralla jouduin silti Aino Sainiuksen mukaan “käyttämään omia pieniä aivojani”. Nämä pienet, mutta tehokkaat aivot joutuivat kyllä koetukselle.

Tällä tunnilla harjoittelimme erilaisten vyöhykkeiden, eli buffereiden tekemistä. Mielestäni buffereita oli yksinkertaista tehdä, kun oli oppinut kaikki tarvittavat loitsut. Tämä ei kuitenkaan tarkoita, etteikö matkalla olisi ollut epäonnistumisia. Bufferin eli puskurivyöhykkeen avulla voi luoda halutun kokoisen vyöhykkeen tarkasteltavien kohteiden ympärille, minkä kautta pystyy tutkimaan eri kohteiden vaikutusalueita, kuten Pihla Haapalo blogissaan kirjoittaa.

Pikaisen bufferitunnin jälkeen luvassa oli itsenäistehtäviä, joissa piti hyödyntää juuri opittuja asioita liittämällä ne kurssilla aikaisemmin opittuihin asioihin. Mielestäni omien taitojen ja oppien soveltaminen sopi tälle kurssikerralle hyvin.

Buffereiden select atributer by location-toiminnon avulla tutkinlentokenttien vaikutusalueella asuvien ihmisten ja kotien määrää. tarkemmin tutkin lentokentän aiheuttaman melusaasteen jakautumista alueellisesti. Kaikki keräämäni tiedot löytyvät alla olevasta taulukosta (taulukko 1). Taulukosta löytyy myös vastaukset muihin itsenäistehtäviin.

Minulle itsenäistehtävien tekeminen oli haastavaa aika-ajoin. Tämä johtui pitkälti siitä, etten ollu aivan varma uusien toimintojen käyttötarkoituksista tai siitä, mihin ne parhaiten soveltuivat. Vähitellen omat aivosoluni yhdistivät kaikki voimansa ja tilanne ei vaikuttanutkaan enää epätoivoiselta.

Select by location -toiminto on osoittautunut hyvin käteväksi, sillä sen avulla pystyy valitsemaan toiselta tasolta olevista kohteista ne, jotka jäävät tarkasteltavan alueen sisälle. näin sanoo Venla Moisio blogissaan. Käytin tätä toimintoa useasti ja opin vähitellen soveltaaan ja yhdistämään sitä eri toimintojen kanssa.

Laura Hynysen tavoin olen oppinut käyttämään ja tarkastelemaan erilaisia tilastotietoja työn ohessa. Niitä pystyy kätevästi tarkastelemaan QGISissä valitsemalla sigma-toiminnon. Sen avulla pystyy tarkastelemaan erilaisia keskiarvoja ja summia. Tämän toiminnon avulla keräsin kaikki tietoni taulukkooni (taulukko 1). Sigma-toiminto oli mieluinen myös siksi, että taulukon tiedot pystyi suoraan kopioimaan Excel-taulukkoon yhden napin avulla.

Mielestäni opin hyödyntämään myös muita kohteiden valitsemiseen tarkoitettuja toimintoja, kuten select features by value, invert feature selection ja deselect features from all layers.  Deselect features-toiminto on mielestäni erittäin tärkeä ja hyödyllinen hallita, sillä undo-toiminnon puuttuminen oli/on ollut turhauttavaa. Riina Hiltulan mukaan deselect features from all layers -toiminnon avulla saa kumottua ainakin joitakin huonoja valintojaan.

Kuin kuuta nousevaa odotan sitä päivää, kun QGIS ja minä kuljemme käsi kädessä. Välillä tuntuu sitä, että ohjelmisto tekee omia valintoja minulta kysymättä. Tällöin joudun hieman umpikujaan. Yritän silti muistaa, että nämä umpikujat syntyvät mitä todennäköisimmin omasta huolimattomuudestani. Usein pienet, mutta hyvin tärkeät asetukset ja toiminnot voivat unohtua, jolloin nostan molemmat käteni ilmaan itkien. Tästä huolimatta koen, että edistystä kurssien ensimmäisiltä tunneilta on tapahtunut.

Nyt esimerkiksi niin yksinkertaiset asiat, kuin aineiston lataaminen, purkaminen ja tuominen ohjelmaan sujuvat ongelmitta. Myös aineiston visuaalisen ilmeen muokkaaminen ja  new print layout– tason luominen ja väliaikaisten tasojen hallinta tuntuu sujuvat lähes automaattisesti, jolloin pystyn keskittymään oleellisempiin asioihin. Antibuuttitaulukon hallinta, tulkinta, muokkaaminen ja laskutoimituksien tekeminen on myös helpottunut huomattavasti. Tunnen, että osaan nyt paremmin käsitellä kurssikerroilla kohtaamiani monstereita.

Tästä kaikesta huolimatta paljon opittavaa ja taitojen hiomista on edessä. Pitää kuitenkin muistaa, että paljon on jo oppinut verrattuna aikaisempaan osaamiseen. Näillä mielin minulla on helpottunut ja luottavainen olo kohdatessani seuraavan kurssikerran monsterit. Pidetään siis pää kylmänä ja teekupit täytettyinä.

Lähteet:

Aino Sainius – Omat aivot käyttöön (luettiu 17.2.2020)

https://blogs.helsinki.fi/sainius/

Pihla Haapalo – Kädet ilmaan (luettu 17.2.2020)

https://blogs.helsinki.fi/haapalop/

Laura Hynynen – Peruspalikoilla kohti itsenäistä työskentelyä (luettu 17.2.2020)

https://blogs.helsinki.fi/lauravel/

Venla Moisio – Viikko 5-Bufferointiin tutustumista ja itsenäistä työskentelyä (luettu 17.2.2020)

https://blogs.helsinki.fi/moivenla/

Riina Hiltula – 5. kerta-itsenäisharjoituksia ja oivalluksia (luettu 17.2.2020)

https://blogs.helsinki.fi/hiltular/

 

 

 

Hypoteettisina oppimistavoitteina ruutukarttojen tekeminen, tiedon esittäminen, rasterit, pistemuotoiset aineistot ja stressinhallinta.

Hej alla! Neljäs kurssikerta alkoi taas iloisin mielin ja täysin teekupposin. Minun on valitettavasti kerrottava teille, että tämä iloisuus kuihtui pos melko nopeasti. En tahdo valehdella – tämä kurssikerta oli melko rankka. Tunteistani myöhemmin lisää, mutta nyt itse blogipostauksen asiaan.

Tunnilla keskityimme pistemuotoisiin aineistoihin, ruutukarttojen tekemiseen ja yleisen tiedon esittämiseen. Päivän tarkastelualueena toimi muun muassa Espoo (olen sieltä siis kotoisin <3). Keskityimme tarkemmin pääkaupunkiseudun väestötietokantaan. Opimme lisäämään pistemuotoiseen tietokantaan ruudukon ja valitsemaan halutut ruudut erilaisilla toiminoilla.

Eikö kuulostakin hauskalta? EI! Ladattuani aineiston QGIS.iin huomasin, että pallurat näytölläni kuvasivat pääkaupunkiseudun asuntoja. Tämän jälkeen loin kyseisen aineiston päälle km x km kokoisen ruudukon käyttämällä työkaluja →vector→ research tools→  create grid-toiminto. Tämän jälkeen oli aika poistaa turhat ruudut, joiden sisältä ei löytynyt yhtään asuntoja. Tämä tapahtui käyttämällä toimintoa select by location. Kaikki oli tähän asti sujunut kuin vettä vaan, mutta yllättäviä juonenkäänteitä oli edessä…

Ensimmäisen haasteen kohtasin, kun aineistojen projektiot ja koordinaatit olivat päin seinää. Tunsin itseni avuttomaksi, mutta en suostunut luovuttamaan tai näyttämään heikkouden merkkejä. Tämän katastrofaalisen ongelman saimme korjattua muuttamalla aineistojen projektioita ja valitsemalla itse QGIS:iin toisen projektion. Suuri juonenkäänne tapahtui, kun huomasin, että ruudukkoni oli päättänyt itsenäistyä ja lähteä kauas kotoa. Löysin tämän mielenvikaisen ja kiukuttelevan ruudukon noin 3000 kilometrin päästä Venäjältä. Loin pääkaupunkiseudun kohdalle uuden ruudukon ja annoin angstisen Venäjä-ruudukon elää omassa solukopissaan. Kuten Elias Hirvikoski blogissaan totesi “Eteenpäin on kuitenkin mummon mentävä myös lumettomassa talvessa”. Eliaksen mummon lailla nostin pääni ylös, täytin teekuppini ja lähdin kohti uusia haasteita parhaat sukset jalassa. Kaikki oli taas (hetkellisesti) ok.

Nopean epäonnistuneen hiihtolenkin jälkeen otin tilanteen haltuun ja aloitin ensimmäisen teemakartan tekemisen. Tästä eteenpäin työtahtini kiihtyi, koska tekeminen muuttui yllättävän helpoksi. Päivän suurimmat vastoinkäymiset oltiin kohdattu. Halusin vertailla pääkaupunkiseudun miesten (kuva 2) ja naisten (kuva 3) lukumäärää per km^2 absoluuttisina arvoina.

Kartat eivät suoraan kuvaa miesten ja naisten väestöntiheyttä ympäri pääkaupunkiseutua, mutta antavat tästä jonkinlaisen käsityksen. Tarkoitukseni kartoissa oli niiden keskinen vertailu. Olisin mielestäni voinut lisätä karttoihin enemmän luokkia, jolloin vertailu olisi ollut helpompaa. Vertaillessani karttojani huomasin myös, että ne näyttävät ensisilmäyksellä identtisiltä. Jos rakas lukija oikeasti perhedyt karttoihini yhtä silmänmulkaisua pidemmälle, tulet huomaamaan, että eroavaisuuksia kuitenkin on. Pidä siis räpsyttimet auki.

Miesten ja naisten jakautuminen pääkaupunkiseudulla on minun mielestäni mielenkiintoinen aihe. Huomasin esimerkiksi, että Otaniemessä on huomattavasti enemmän miehiä kuin naisia. Tämä todennäköisesti johtuu Aalto yliopiston tarjoamista teknisistä aloista. Miehet tunnetusti valitsevat pääaineekseen teknisiä aloja naisia enemmän. Tämänkaltainen miesvaltaisuus ei korostu muissa yliopistoissa yhtä paljon.

Haluaisin myös tuoda esille Santahaminan alueen. Tunnettu Santahaminan varuskunta on, yllätys yllätys, miespainoitteinen. Tämä ei kuitenkaan valitettavasti näy kartasta, koska valitsemani luokkavälit ovat niin suuren.

Kokonaisuudessaan neljäs kurssikerta oli aikalailla yhtä tunnemössöä. Kirjoittaessani tätä uskomattoman henkeäsalpaavaa blogin lopputekstiä tunnen itseni voittajaksi. Sain kaikki kurssikerralla vaaditut työt tehtyä ja jopa kirjoitettua tämän blogin heti kurssikerran perään. Tunnen, että osaan nyt paremmin työstää pisteaineistoja QGIS:issä, vaikka se aluksi tuntui lähes mahdottomalta monien kömmähdyksien takia. Luotan taas hitusen verran enemmän omiin gistaitoihini ja näen himmeän valon tunnelin päässä.

PS… tässä hieman tunnelmia kurssikerralta!

Mitä koneeni näkee….

Lähteet:

Hirvikoski, E. Neljäs. https://blogs.helsinki.fi/eliashir/

 

Kolmas kurssikerta alkoi jällee optimistisin mielin. Yllätyksekseni tämä optimismi kantoi lähes kurssikerran viimeisille minuuteille asti. Onnistumisen tunne valtasi kehoni niin, että päätimme jopa rakkaan pöytätoverini Elias Hirvikosken kanssa koreografioida uuden tuuletustanssin. Tämän elämää mullistavan tanssiteoksen voi nähdä alla olevasta videosta.

Video 1. Elias Hirvikosken  ja Emma Wardin tuuletustanssi. Lähde: Elias Hirvikosken  ja Emma Wardin WhatsApp-keskustelu.

Tunnin aloitimme tarkastamalla Afrikan mannerta. Tarkoituksena oli tutkia ladatusta aineistosta paljastuvien timanttikaivoksien, konfliktien ja öljykenttien sijoittumista. Pian aineiston tietokannasta huomasi, että Afrikan valtiot olivat jakautuneet moneen eri osaan, joka tarkoitti korjaustöiden aloittamista. Laura Hynynen kuvaili blogissaan tätä korjailua “digisiivouksena”. Mielestäni tämä termi on osuva ja tarpeellinen ottaen huomioon kaiken “siivouksen” jota olen Hynysen tavoin joutunut tekemään CorelDraw-ohjelmassa. 

Koska valtiot olivat jakautuneet osiin oli niitä yhdistettävä. Tämä tehtiin lisäämällä QGIS:iin uusi työkalurivi, jonka nimi oli advanced digitizing toolbar. Tämän jälkeen valitsin ne kohteet, jotka halusin yhdistää. Tämä tapahtui käyttämällä merge-toimintoa. Pian viimeisetkin aivosoluni hoksasivat, että kyseinen merge-toiminto ei korjannutkaan kaikkia elämän ongelmiani – toiminnolla yhdistäminen tapahtui ominaisuus kerrallaan. Onko ärsyttävää? Olen täysin samaa mieltä. Nopean rukouksen jälkeen ongelmaan löytyi ratkaisu, nimittäin työkalu nimeltään dissolve. Käyttämällä tätä työkalua pystyin järjestämään kaikki Afrikan valtiot haluttuun järjestykseen muutamassa tuokiossa.

Yksi työn vaiheista oli erään Excel-taulukon tuominen QGIS-ohjelmaan. Voisi aluksi luulla, että tämä olisi helppoa kuin heinänteko. Rakas ystäväni tässä olisit väärässä. Excel ja QGIS eivät käyttäytyneet kuin kaksi marjaa. Riidan ratkaisuksi muutin Excel-taulukon comma separated values-tiedostoksi (tunnetaan kadulla nimellä csv). Csv on tunnettu katunokkeluudestaan, jolloin oli tärkeää tutkia taulukon tietoja tarkemmin niin, että Excelin ja QGIS:in taulukoiden tiedot kulkivat käsi kädessä toistensa kanssa. Tarkan observoinnin ja mahdollisten korjausten jälkeen Excel-taulukko tuotiin QGIS:iin ylpeässä ja loistokkaassa csv muodossaan. Tämän jälkeen taulukkotieto yhdistettiin muuhun aineistoon ja analyysin aloittaminen pistettiin tulille.

Aloin tarkastella timanttikaivoksien, konfliktien ja öljykenttien sijoittumista alueellisesti. Tarkoituksena oli myös tehdä korrelaatioita kolmen eri muuttujan kesken. Kuvasta 1 näemme, miten nämä muuttujat ovat sijoittuneet alueellisesti. Kartasta selkesäti näemme, miten konflikteja on eniten kehittyvissä maissa. Kyseiseen karttaan olisi pitänyt lisätä kunkin valtion kehitystä kuvaava indikaattori, joka oli tässä tilanteessa internetin suhteellinen käyttö väestössä. Tämä olisi antanut mahdollisuuksia tehdä yhä syvällisempiä korrelaatioita esimerkiksi konfliktien ja valtion kehittyneisyyden valtioiden kesken. Taino tästä en itseasiassa ole aivan varma, mutta Hynysen blogista näin, miten hän oli erinomaisesti visualisoinut ja pohtinut näitä korrelaatioita.

Myös Joonatan Reunasen raportista sain oivallisia uusia näkökulmia omaan pohdintaani. Esimerkiksi, miten Itä-Afrikassa luonnonvarojen esiinytmisen ja konfliktie määrällä on selkeitä korrelaatioita. Reunanen toi myös esille öljyn tärkeän globaalin aseman yhteydessä konfliktien määrään.

Ensimmäisessä tehtävässä laskin myös kunkin polygonin (tässä tapauksessa Afrikan valtion) sisältämän konfliktien ja  timanttikaivosten määrä. Tämä toteutettiin käyttämällä toimintoa count points in polygon. Yllätykseksieni tämä onnistu ja atribuuttitaulukkoon pamahti haluttu tieto. Tämä tieto sitten asetettiin suuruusjärjestykseen. Huomautuksena, että tässä kohtaa aloin hieman pudota kärryiltä nähdessäni hälyttävän tyhjän teekuppini pöydälläni  – tämä tunnetusti aiheuttaa minussa ahdistusta ja saa keskittymiseni herpaantumaan(kuvittele ääniefekti: poliisiauton sireenin).

Korjattuani tämän kamalan teekuppi katastrofin toinen tehtävä kolkutteli jo ovella. Oli aika palata rakkaaseen Suomeen ja sukeltaa sen tulvaindeksien ja valuma-alueiden pariin. Tein muutamia laskelmia ja tulvaindeksikartan Suomen valuma-alueista. Prosessi oli samanlainen kuin Afrikka-tehtävässä, joten en tylsistytä arvoisia lukijoita toistamalla samoja työvaiheitani. Tein kyseisestä aiheesta kaksi kartta. Kuvassa 2 näemme tulvaindeksin koropleettikartana.  Karttojen tulvaindeksi kuvaa keskiyli- ja keskivirtaaman välistä suhdetta. Riina Hiltula selvensi tätä blogissaan kuvaillen tätä suhdetta niin, että kuinka suuri virtaaman huippu on verrattuna kuivimpaan ajanjaksoon. 

Kuvasta 2 näemme, miten kuvasin kuvasin tulvaindeksiä viidellä eri luokalla – mitä tummempi luokan väri on, sitä tulvaherkempi alue on. Kuvassa 3 yhdistin tekemäni histogrammin kuvaan 2. Tämä histogrammi kuvasi alueen järvisyyttä. Tässä kohtaa minun pitää antaa itselleni rakentavaa kritiikkiä, koska kuva 3 ei ole visuaalisesti parhaimmasta päästä. Histogrammini ovat aivan liian vaaleat suhteessa koko karttaan, jolloin histogrammeja on vaikea erottaa kartasta. Kirjoittaessani tätä blogia huomasin myös, etten lisännyt järvisyysprosenttia kuvaavan symbolin kuvan 3 legendaan…

Tuskin sitä nyt itkemään aleta, koska omista virheistä aina oppii. Olisin myös voinut tehdä histogrammien sijasta piirakkadiagrammin, mutta teisin jo, ettei tämä näyttäisi yhtä selkeältä kuin histogrammit. Tiina Aalto esitteli blogissaan piirakkakarttaansa ja kertoi, miten “diagrammeja on samalla kartalla liikaa, ja lisäksi ne peittävät koropleettikartan värit.”. Olen täysin samaa mieltä Aallon kanssa. Hänen histogrammikartastaan taas huomasin, miten histogrammit olisi pitänyt tuoda selkeämmin esille esimerkiksi valitsemalla oikean värin.

Kuvista 2 ja 3 näemme, miten tulvaherkimmät alueet sijoittuvat rannikolle ja etenkin alueille, joiden järvisyys on pienin. Tämä johtuu siitä, että järvet tasoittavat jokien virtausta keräämällä jokien vedet itseensä. 

Lähteet:

Laura Hynynen. Lisää elementtejä analyysiin. Käyty 3.2.2020.

https://blogs.helsinki.fi/lauravel/

Joonatan Reunanen. Beast mode on! Käyty 3.2.2020.

https://blogs.helsinki.fi/reunajoo/

Riina Hiltula. Afrikan valtioita ja tulvaindeksin laskemista. Käyty 3.2.2020.

https://blogs.helsinki.fi/hiltular/

Tiina Aalto. Tietokannat tutummiksi. Käyty 3.2.2020.

https://blogs.helsinki.fi/tidaalto/