University of Helsinki
Tällä viikolla aiheena oli datankerääminen, tuonti QGISiin ja interpolointi. Vaihtelu arjesta jatkui tällä luennolla, sillä ensimmäinen puolisko käytettiin ulkona keräämässä dataa ryhmissä epicollect5 sovelluksen avulla. Oma ryhmäni keräsi 5 data pistettä reissun aikana melko vaihtelevista kohteista. Arvioitavana kohteista oli niiden turvallisuuden tunne, viihtyvyys ja ruuhkaisuus. Kaikkien ryhmien datat kerättiin yhdeksi tiedostoksi ja analysoitiin interpoloimalla se QGISissä
Valmis interpolointini näytti hyvin samalta kuin Eevan
Kuva 1. Eevan blogin kuudes kurssikerta interpolointi kerätystä datasta, https://blogs.helsinki.fi/terveeva/2024/02/23/geoinformatiikan-menetelmat-1-kuudes-kurssikerta/
Kurssikerran toinen polisko käytettiin itse hyödyntämällä dataa ja keksimällä omia keinoja esittää sitä. Taustakartaksi meille annettiin hyvin tarkka maailmankartta käyttäen robinssonin projektiota. Töitä tehdessä törmäsin kuitenkin ongelmaan Robinssonin projektion kanssa ja päädyin vaihtamaan sen WGS84 projektioon, jotta saisin haluamani datan toimimaan kartalla.
Innostuin itse kovasti interpoloinnista, joten päädyin yrittämään hyödyntää sitä loppu kurssin ajan, jotta saisin sen käytön lihasmuistiin. En koe sen olleen paras keino esittää haluamani data, mutta käytin tämä kurssikerran kokeilemaan sen rajoja.
Kuva 2. Interpoloitu kartta Afrikan meteoriitti iskuista vuosien mukaan.
Tämä oli ensimmäinen yritykseni käyttää interpolointia itsenäisesti ja se on mielestäni heikoin tuotos. Esitystapana interpolointi jättää paljon haluttavaksi kyseisen aineiston suhteen ja sen on melko turha. Yksinkertaisempi pistekartta, jossa pisteiden värit vaihtelisisvat toimisi paremmin esittämään halutun tiedon.
Kuva 3. Interpolointi Itä-Afrikan tulivuorien korkeuksista
Toinen yritys interpoloinnista on mielestäni jo paljon parempi. Data sopii paljon paremmin interpolointia varten ja haluttu visualisointi esiintyy hyvin. Korkeammat tulivuoret ovat keltaisesta punaisempia ja siniset ovat lähempänä merenpintaa tai jopa sen alla. Alueena Itä-Afrikka on myös kiinnostava tälle analyysille, sillä sen litosfääri laatta on eroamassa Afrikan laatasta. Eroamisen jättämät syvät alikot ja paikoittain korkeat tulivuoret luovat hyvän vaihtelun.
Kuva 4. Interpolointi maanjäristysten magnitudista Kaakkois-Aasiassa
Tästä viimeistestä interpoloinnista olen kaikista tyytyväisin. Valitsin dataksi maanjäristys dataa 2023-2024 väliltä ja halusin tutkia vain hyvin vahvoja maanjäristyksiä. Kaakkois-Aasia oli saanut haluamani magnitudisia järistyksiä eniten joten valitsin sen analyysia varten. Punertavat alueet näyttävät hyvin missä vahvimmat maanjäristykset ovat olleet ja sinisella merkatut ovat silti merkittäviä. mutta eivät niin tuhoisia kuin punaisella merkatut. Tajusin myös tätä karttaa tehdessä, miten saada taustakartan näkyville käyttämällä transparancy muuttujaa taustakartan kohdalla. Tämä toi mielestäni parhaan presentaation tälle kartalle, vaikkakin tulivuorten korkeusdata saattoi olla paras kaiken kaikkiaan interpolointia varten.
Olen tyytyväinen interpoloinnin käyttöön ja koen nyt ymmärtävän paremmin, miten hyödyntää sitä jatkoa varten. Se ei toimia kaiken datan kanssa ja se voi helposti hankaloittaa halutun ilmiön esiintymistä. Se on kuitenkin uusi työkalu pakissani ja koen pystyväni hyödyntämään sitä tulevaisuudessa.
Lähteet
Eeva’s blog, geoinformatiikan menetelmät 1, kuudes kurssikerta, 26.2.2024, https://blogs.helsinki.fi/terveeva/2024/02/23/geoinformatiikan-menetelmat-1-kuudes-kurssikerta/