“Mitä jos meteoriitti tippuu päähäsi” (Pariisin Kevät – Meteoriitti)

Lapsuudenmaisemia

Aloitimme kurssikerran ulkoilulla ja keräämällä yhteisen aineiston Epicollect5 -sovelluksen avulla. Tehtävänä oli arvioida kaupunkiympäristön viihtyvyyttä, turvallisuutta sekä “käyttöastetta” eli ohikulkijoiden ja ajanviettäjien määrää. Kävelimme parini kanssa märässä loskakelissä Kumpulan kampukselta Kätilöopistolle päin, mikä oli sinänsä hyvä valinta sekä siksi, että se poikkesi suurimmasta osasta muiden opiskelijoiden valitsemaa suuntaa ja samalla vei minut pienelle nostalgiamatkalle lapsuuteni maisemiin – asuimme aikanaan Kumpulanportin rumissa kerrostaloissa ja kävin ensimmäiset kouluvuoteni Kumpulan koulussa. Kumpulan koulurakennusta ei tosin enää ole, sillä se pistettiin maan tasalle useita vuosia sitten, mutta Kumpulantaival oli edelleen yhtä tuttu koulupolku ja etenkin Limingantien kauniit omakotitalot nostattivat mieltä muuten kurjassa säässä.

No joo, sitten asiaan 😀 Elickaes näistä Epicollectiin kerätyistä datapisteistä koostettiin sitten kokonainen aineisto, jonka sai ladattua ja liitettyä kätevästi QGISiin. Yhdessä tutkimme turvallisuusaspektia, sillä olimme kävelykierroksella arvioineet kaikkien valitsemiemme kohteiden turvallisuutta asteikolla 1 (huono) – 5 (hyvä).
Tähän käytimme ennestään tuntematonta QGISin Interpolointi -ominaisuutta, jolla voidaan luoda jatkuva rasterikartta valitulle alueelle ja jonka väriskaala muokataan kuvastamaan haluttua ominaisuutta parhaan mukaan.
Unohdin itse ottaa kuvan tästä vaiheesta, joten lainaan Aino Pahkalan tekemää kuvaa interpoloinnista (Kuva 1). Turvallisuusnäkökulmaan ja kunkin pisteen saamaan arvoon voi  vaikuttaa mm. liikenteen määrä, levottomuudet/häiriötekijät, epäsiisteys tai kevyen liikenteen kulkijan näkökulmasta vaarallinen reitti.

Kuva 1. Aino Pahkalan kuva perjantain kurssikerran yhteisestä Epicollect5-aineistosta tehdystä interpolointikartasta. Punainen väri kuvaa turvatonta aluetta ja sininen erittäin turvallista aluetta. Lähde: https://blogs.helsinki.fi/pahkalaa/
Maa järisee
Äkkiä minut työnnetään ulos tajunnan porteista
Äkkiä olen unohtanut kaiken
(Pariisin kevät – Seisminen järistys)

Varsinaisena kurssitehtävänä oli tuottaa mahdollisesti opetuksessa käytettävää karttamateriaalia erilaisista hasardeista, ja valitsin tehdä kolme erilaista teemakarttaa maanjäristyksistä, tulivuorista ja meteoriiteista. Tämäpä vasta hauskaa, sillä minustahan tulee vielä joskus isona bilsan ja mantsan ope! 😉

Maanjäristystehtävää tehdessäni huomasin, ettei valmiissa aineistossa ollut mannerlaattojen rajoja, joten etsin sellaisen GitHubista, joka tarjoaa monenlaisia ilmaisia vektoriaineistoja QGISiin. Mannerlaattojen sijainnit ja rajat ovat oleellisia maanjäristysten kannalta, ja olin melko ylpeä itsestäni että keksin etsiä sellaisen ja onnistuin jopa liittämään sen sujuvasti muuhun maanjäristyksien aineistoihin (Kuva 2). Koitan olla ylpistymättä liikaa, mutta kieltämättä tuntui hyvältä, kun huomasi oman ajattelun ja oppimisprosessin kehittyneen QGISin suhteen! 🙂

Kuva 2. Maanjäristykset sekä mannerlaattojen reunat maailmankartalla.

 

 

 

 

Maanjäristyksiä kuvaavasta kartasta voidaan havaita, että suurin osa järistyksistä sijoittuu mannerlaattojen reunoille. Tätä voisi käyttää opetuksessa mm. kertomalla mannerlaattojen liikkeistä ja miten ne synnyttävät maanjäristyksiä eri puolilla maapalloa. Aineisto on toki rajattu alkavaksi vasta vuodesta 1900 tähän päivään saakka ja suodatettu tarjotusta datasta vain 6-9 magnitudin voimakkuuden järistykset, jottei datamäärä olisi massiivinen ja kartta-aineisto liian sekava luettavaksi koko maapallon mittakaavalla.

Kiinnostavaa olisi tutkia oppilaiden kanssa myös sitä, miksi muutamia järistyksiä on esimerkiksi tyynenmerenlaatan keskellä, missä saumakohtia ei ole lähimaillakaan. Voisiko mannerlaattojen liikkeitä havainnoida jotenkin konkreettisemmin? Millä tavoin maanjäristyksille alttiita alueita on rakennettu ja suunniteltu, jotta järistyksiin voisi varautua paremmin ja jokaisen tärinän jälkeen ei tarvitsisi rakentaa uudelleen?

Kun herään me hiivitään laaksoon
Tulivuoren juurella (Pariisin kevät – tulivuoren juurella)

Toiseksi tein kartan tulivuorten sijainnista suhteessa mannerlaattoihin. Käytin pitkälti samaa pohjaa kuin maanjäristyksissä, mutta tulivuoriaineisto piti itse ladata ensin .csv-tiedostoksi ja sitten syöttää QGISiin. Tässä tuli pieni hassu mutka matkaan, sillä vaikka tietokanta oli valmis ja sen olisi pitänyt toimia normaalisti, siinä olivat sijaintitiedot menneet hiukan sekaisin vuorten korkeuden kanssa ja lopputuloksena oli vain muutama hassu tulivuoren pisteaineisto maailmankartalla ja hämäävästi ainoastaan joko päiväntasaajalla tai 0-pituuspiirillä. Onneksi sain apua ja löydettiin aineiston bugi ja saatiin asia korjattua, jolloin lopputulos oli paljon järkevämpi 😀 (Kuva 3).

Kuva 3. Mannerlaatat, tulivuoret sekä orogeeniset alueet.

 

Tässä karttakuvassa näkyvät myös oranssilla orogeeniset alueet, eli sellaiset paikat joissa syntyy poimuvuoria mannerlaattojen liikkeiden seurauksena (Tieteen termipankki). Samalla voidaan siis havainnollistaa mannerlaattojen vaikutusta vuorien syntyyn sekä erilaisiin tulivuoriin. Tähän löysin hauskan käytännön kokeen, jolla voidaan yksinkertaisesti selittää miten poimuvuoret syntyvät mannerlaattojen törmöysvyöhykkeillä. Science for Kids -sivulta löytyy paljon muitakin hauskoja juttuja, joilla luonnontieteistä saa konkreettisempia esimerkkejä ja tehtäviä lapsille.

Opiskelijoilta tai oppilailta voitaisiin esimerkiksi kysyä, miksi kaikki tulivuoret eivät sijaitse mannerlaattojen saumakohdissa ja onko tulivuorten aktiivisuudessa eroja, jos verrataan keskellä mannerlaattaa sijaitsevaa tulivuorta saumakohdassa sijaitsevaan vuoreen.
Lisäksi maanjäristyksiä ja tulivuoria kuvaavia karttoja voisi verrata keskenään – huomaan esimerkiksi selkeän yhteyden orogeenisten alueiden ja maanjäristysten sijainnin välillä. Tämä onkin ihan loogista, sillä kun mannerlaatat törmäilevät ja poimuttuvat, on varmasti tärinätkin aikamoiset.

Sinä saatat olla juuri se, joka sattumalta minut pelastaa meteoriitin alta (Pariisin kevät – meteoriitti)

Lopuksi keskityin mannerlaatoista riippumattomaan hasardiin, eli maanpintaan törmänneisiin meteoriitteihin. Tässä karttakuvassa en siis käyttänyt muuta kuin meteoriittien putoamispaikoiksi merkattuja pisteaineistoja ja pohjakarttaa (Kuva 4).

Kuva 4. Maanpintaan törmänneet meteoriitit painoluokittain.

 

Meteoriitteja on aineistossa valtava määrä, ja pohdin, miten datasta saisi jotenkin kiinnostavamman. Pohdin mm. luokittelua törmäysvuosien mukaan, mutta attribuuteista löytyi myös tietona kunkin meteoriitin paino, mikä oli mielestäni aika mielenkiintoista. Varsinkin, kun pienimmät meteoriitit painavat omaa elopainoani vähemmän, mutta suurimmat ovat jo niin järjettömän kokoisia, että monet rekatkin jäävät niille kakkoseksi.

Lopullisesta tuotoksesta näkee, että onneksemme suurin osa maahan osuneista meteoriiteista on ollut kevyemmän sarjan edustajia, mutta muutama jössikkäkin on maahan törmännyt.

Tätä karttaa katsoessani en voi olla huomaamatta, miten mm. Amazonasin, Siperian ja Pohjois-Kanadan alueet ovat melkoisen paljaita, vaikka muutoin meteoriitit näyttävät tykittävän maata melkoisen tiheästi ja tasaisesti kaikkialla. Varmastikin aineiston keruuta hankaloittaa vaikeakulkuinen maasto ja muutenkin heikommin kartoitettu alue, koska kyse tuskin on siitä etteivät meteoriitit vain sattumalta olisi törmänneet juuri noille alueille, joilla ei ole tiheää ihmisasutusta tai muuta aktiivista ihmistoimintaa.
Tästä voisi myös tehdä tehtävän opiskelijoille: Pohdi, miksi näillä alueilla x, y ja z ei ole raportoituja/merkattuja maahan törmänneitä meteoriitteja.

Muuta pohdittavaa tai mahdollisia tehtäviä tekemistäni kartoista olisi kuvata mannerlaattojen erkanemisalueita tai niitä saumoja, joissa mannerlaatat liikkuvat sivuttain toisiinsa nähden ja vain raapivat toisiaan kyljestä. Erkanemisalueilta voisi esimerkiksi etsiä maanvajoamia tai muita geomorfologisia muodostumia (etsin tähän jonkun karttakuvan myöhemmin).

Lisäksi tulivuoriaineistoon voisi liittää myös dataa muutoinkin vulkaanisista alueista ja lajitella tulivuoria esimerkiksi aktiivisuuden perusteella.

 

Lähteet

Aino Pahkalan blogi, Geoinformatiikkaa: https://blogs.helsinki.fi/pahkalaa/ viitattu 4.3.2022

GitHub, tectonic plates free gis data: https://github.com/fraxen/tectonicplates viitattu 4.3.2022

Tieteen termipankki: Orogenia. https://tieteentermipankki.fi/wiki/Geologia:orogenia viitattu 4.3.2022

Science for Kids: How Folded Mountains Form. https://www.thechaosandtheclutter.com/archives/how-fold-mountains-are-made viitattu 4.3.2022

Valintaviidakko ja Vantaa

Kuvaton kurssikerta 5

Karttakuvia ei valitettavasti tällä kerralla tuotettu, eivätkä yritykseni ottaa näyttökuvia tuoreista töistä onnistunut (mystistä kylläkin), mutta lisään edellisvuoden kurssikerralta otetun näyttökuvan tekstin elävöittämiseksi.

Yhdessä opeteltiin ottamaan haltuun sekä muotti & taikina eli Clip & Intersection-työkalua sekä bufferointityökalua Pornaisten alueen harjoitusmateriaalilla. Asukkaat Pornaisten valmiiksi merkattuihin taloihin luotiin laskentataulukon Math -> Rand toiminnolla, jolle määritettiin minimiksi 1 ja maksimiksi 8. Tällöin QGIS arpoo satunnaisesti jokaiseen merkattuun asutuskohteeseen asukkaita yhdestä kahdeksaan henkilöä, ja tuloksissa voidaan käyttää melko hyvällä keskiarviolla saatuja lukumääriä.

Näillä ominaisuuksilla saatiin yhdessä Select-työkalun kanssa tietoa mm. tietyllä etäisyydellä valitusta kohteesta asuvasta väestöstä. Select-työkalu osoittautuukin erittäin monipuoliseksi ja käteväksi kaikenlaisen tiedon tutkimisessa QGISillä.

Bufferityökalulla voidaan helposti tarkastella valitusta kohteesta tietyllä etäisyydellä sijaitsevia muita kohteita tai ominaisuuksia, ja se sopii siksi hyvin esimerkiksi kaupunkisuunnittelun työkaluksi. Pidin Miian käyttämästä käsitteestä “vaikutusalue”, ja tulin pohtineeksi myös hänen pointtiaan siitä etteivät ilmiöiden vaikutusalueet ole yhtä symmetrisiä ja sieviä kuin mallinnetussa QGIS-kartassa. QGISsissä tietenkin joudutaan jo ihan käytännön syistä yksinkertaistamaan vaikutusalueiden muotoa, ja luonnollisestikin esimerkiksi maaston muodot, rakennukset sekä esimerkiksi vesistöt vaikuttavat eri ilmiöiden vaikutusalueisiin.

Esimerkkinä tästä voisi olla esimerkiksi radio- tai tietoliikennemaston kuuluvuus tietyn matkan päähän. Elisan sivuilta voi tutkia kartan avulla, missä kaikkialla 5G mobiilidatan verkkoyhteys toimii, ja esimerkiksi Helsingin, Sipoon ja Pernajan kohdalla rannikolta kuuluvuus ulottuu pitkälle merelle saakka (Kuva 1). Tämä johtuu oletettavastikin siitä, ettei merellä ole samalla tavalla maastonmuotoja tai rakennuksia jotka estäisivät 5G verkon etenemistä.

Kuva 1. Elisan kartta 5G-verkon kuuluvuudesta. Lähde: https://elisa.fi/kuuluvuus/
Itsenäistehtävät

Bufferointi, alueiden piirtäminen ja valintatyökalun monipuolinen käyttö olivatkin myös itsenäistehtävien keskeisimpiä juttuja, joilla kartoitettiin mm. lentokentän melualueilla asuvien asukkaiden määriä.
Lentokenttätehtävässä piirrettiin käsin vektoritason työkalulla “Add Polygon” Malmin lentokentän kiitoradat. Kiitoradoista tein ensin 2km ja sitten 1km bufferit selvittääkseni, paljonko ihmisiä asuu Malmin lentokentän melualueella (55dB 2km säteellä ja 65dB 1km säteellä). Buffereiden luonnin jälkeen käytetään taas Select-työkalua ja valitaan select by location väestö jotka osuvat tai ovat bufferialueiden sisällä. Selvisi, että 2km säteellä Malmin lentokentästä asuu 58 871 asukasta ja 1km säteellä 9149 asukasta.

Helsinki-Vantaan lentokentän tehtävässä lähdin kulkemaan ns. takalisto edellä puuhun, kun kiinnitin liikaa huomiota tehtävänannossa mainittuun Tikkurilan alueeseen ja yritin rajata aineistosta vain Tikkurilan postinumeroiden alueet ja tehdä päällekkäisten päällekkäisiä valintoja. Lopputuloksena QGIS kaatui ja tein tehtävän osittain uudestaan.

Tie onneen piili uuden layerin luomisessa sekä uuden ominaisuuden löytämisessä select-työkalusta. Loin uuden layerin jolle piirsin kolmannesta kiitoradasta poikkeussuunnan 7km viivan ja sille 500m bufferin (Kuva 2). Tämän jälkeen valitsin selectillä by value väestötietokannasta postinumeron mukaan 01300 ja 01301, jonka jälkeen tein select by location väki/poikkeussuunnan bufferialue ja klikkasin selection työkalun valikosta kohdan “Modify current selection by -> selecting within current selection”, jolloin sain sisäkköisen valinnan tehtyä ja tietää nimenomaan Tikkurilan alueella asuvien meluhaistasta kärsivien määrän, mikäli koneet laskeutuisivat poikkeussuunnasta.

Tein lopulta taulukon saamistani tuloksista:

Tehtävä Vastaus
Asukkaat 2km säteellä Helsinki-Vantaan kiitoradoista 11908 hlö
Montako % 2km säteellä asuvista asuu pahimmalla melualueella (65dB) 303 hlö eli 2,54%
Montako ihmistä asuu vähintään 55dB melualueella? 11923 hlö
Poikkeussuunnan melualueella asuvien ihmisten määrä 13162 hlö
Pelkkä TiXi eli Tikkurilalaisten määrä poikkeussuunnan melualueella 2345 hlö
Asukkaiden määrä 500m päässä juna-asemista 11765 hlö
Enintään 500m päässä juna-asemista asuvien ihmisten osuus kaikista aineiston asukkaista 21,65 %
Kuinka suuri osa enintään 500m päässä asuvista on työikäisiä? (15-64v) 74989 hlö eli 67%
Kuva 2. Näyttökuva vuosi sitten kurssilla tekemästäni harjoituksesta, jossa mustalla Helsinki-Vantaan pahin melualue 65dB, violetilla 55dB ja vaalean keltaisella 50dB. Kirkkaan keltainen suorakulmio on 7km pitkä ja 1km leveä kaistale, joka kuvaa melualuetta poikkeussuunnasta laskeuduttaessa. Oranssit pisteet ovat tietokannan asuinkohteita pisteaineistona.

 

 

Taa taa taajama

Taajamatehtävässä pääsin kikkailemaan vielä enemmän select työkalulla, kuten “remove from current selection” , select by expression ja value sekaisin sekä luomalla uusia sarakkeita attribuuttitaulukkoon. Nämä alkoivatkin jo sujua kohtuullisen hyvin, sillä kirjoitin myös muistiin kaikki vaiheet joita tein ja olen myös pitkin kurssia tehnyt muistiinpanoja erilaisista toiminnoista ja komennoista QGISille. Jonkin verran on vielä ongelmia joissakin yksittäisissä asioissa kuten attribuuttitaulukoiden päivittämisessä ilman apua.

Taajama-tehtävässä tein miljoona (lue: ainakin kymmenen) eri selections pyöritystä siten että väestön layerilla on valittuna taajamien sisään osuvat asuinyksiköt, joissa asuu yli 10% ulkomaisia asukkaita/kaikki asukkaat, loin uusia layereita näillä tiedoilla ja tallensin siten myös attribuuttitaulukkoon esimerkiksi sellaisen sarakkeen, johon oli laskettu koko väestötietokannasta ulkomaalaiset/kaikki asukkaat x100 jotta sain helposti prosenttiosuudet näkyviin suoraan attribuutteihin ja pystyin siten tekemään valintoja select-työkalulla ja luomaan omat layerit myös yli 20% ja 30% ulkomaalaisia/kaikki asukkaat valinnoilla.

(^okei pahoittelut koko kappaleen pituisesta virkkeestä, en oikeen itekään pysynyt mukana tässä mutta ehkä ajatuksenjuoksuani voi jotenkin seurata tuosta 😀 muistiinpanoistani suora lainaus siis ja tldr: oli monimutkainen ja monivaiheinen prosessi ja sain onneksi apua kaverilta kun kävin kysymässä mantsasohvilta <3 opiskelijayhteisöllisyys on parasta bestiä!)

Taajamatehtävän vastaustaulukko:

Tehtävä Vastaus
Montako % väestöstä asuu taajamissa? 64 %
Montako kouluikäistä (7-15v) asuu taajamien ulkopuolella? 2051
Taajamien ulkopuolella asuvien kouluikäisten osuus kaikista kouluikäisistä 3,80 %
Kuinka monella taajama-alueella ulkomaalaisten osuus on yli 10% 161
Kuinka monella taajama-alueella ulkomaalaisten osuus on yli 20% 154
Kuinka monella taajama-alueella ulkomaalaisten osuus on yli 30% 137
Koulupiirit

Valitsin valinnaiseksi tehtäväksi koulupiirien tutkimisen. Sattumalta YNK eli Yhtenäiskoulu on vielä lähellä omaa lapsuudenkotiani, vaikka en YNKissä kouluja käynytkään. Edellisten tehtävien flowssa homma sujuikin mukavasti ja selectin, attribuuttitaulukon ja uusien layereiden pyörittely sujui vaivatta.

Tehtävä Vastaus
Kuinka monta lasta aloittaa YNKissä ensi vuonna ensimmäisellä luokalla? (eli koulupiirin 6v lkm) 14
Kuinka monta lasta aloittaa YNKissä ensi vuonna yläasteella? (eli koulupiirin 12v lkm) 18
Montako koulukäistä (7-15v) koulupiirissä asuu? 159
Mikä on kouluikäisten osuus kaikista koulupiirissä asuvista asukkaista? 8,39 %
Montako muunkielistä kouluikäistä koulupiirissä asuu? 24
Loppupohdinnat

Monet yksinkertaiset jutut sujuvat QGISin kanssa jo mukavasti ja tänä vuonna hommaa on myös ollut paljon mukavampaa ja helpompi tehdä kun saa käyttää koulun koneita eikä taistella kuolemaa tekevätn 10v vanhan maccini kanssa 😀 Lähiopetus on muutoinkin piristänyt ja helpottanut avun pyytämistä ja saamista, kun yhteinen kieli ei QGISin kanssa aina suju.

Olen melko samoilla linjoilla Henryn kanssa, joka pohti omia QGIS-taitojaan; vaikka jotkin työkalut ovat jo hyvin muistissa ja hallussa, on QGIS ohjelmana todella laaja ja siksi myös hankala käyttää. Dvs. QGISistä löytyy niin paljon ja monipuolisesti vaikka mitä, että valintaviidakkoa joutuu kyllä setvimään myös oikeita työkaluja etsiessä, ja Henry mainitsikin navigoimisen olevan välillä haastavaa. Henryn tavoin opin tällä kurssikerralla myös poistamaan virheellistä dataa attribuuttitaulukosta ja muokkaamaan tietokantoja siten, että niistä oli helpompi saada irti haluamiaan tuloksia.
Eiköhän tämä siis tästä!

Lähteet

Miia Mattilan blogi, Geoinformatiikan menetelmiä harjoittelemassa. https://blogs.helsinki.fi/mcmiia/category/bufferianalyysi/ Viitattu 4.3.2022

Elisa Oyj, kuuluvuus. https://elisa.fi/kuuluvuus/  Viitattu 4.3.2022

Henry Hemtmanin blogi, GIS-vandring. https://blogs.helsinki.fi/hemtmanh/2022/02/25/kursomgang-5-buffert-analyser/ Viitattu 4.3.2022