Viimeistä vaille valmista

Näin loppui taas tämäkin kurssi. Viimeinen tehtävä ei kuitenkaan ollut helpoimmasta päästä vaikka saimmekin kolme eri vaihtoehtoa, joiden mukaan toimia. Itse valitsin vaihtoehdon 1, jossa tehtävänä oli tehdä kartta tai karttasarja, jossa esitetään kaksi eri muuttujaa. Kuulostaa simppeliltä, mutta ongelmia muodostuu silloin kun aineisto pitääkin etsiä itse.

Aineistojen löytäminen oli hiukan haastavaa, etenkin kun aineistoa lähti etsimään ilman ideaa siitä mitä oikeasti halusin tehdä. Kuten myös Sara blogissaan kertoi, minäkin latasin koneelleni useamman eri aineiston. Osa näistä oli hyödyllisiä, osa ei. Koska olen itse eniten kiinnostunut ympäristöstä ja etenkin ilmakehästä, halusin löytää aineistoa tähän liittyen. Päädyinkin sivustolle jossa oli paljon tietoa USA:n ilmanlaadusta eri aikoina. Tein hiukan tyhmästi ja siirsin tietoa QGIS ohjelmaan tarkistamatta tiedoston kokoa… No ainakin nyt tiedän että miljoona riviä sisältävä tiedosto saattaa olla hiukan liian iso käsiteltäväksi sellaisenaan.

Sain kuitenkin muokattua USA:n ilmanlaatu indeksistä kertovaa tiedostoa niin, että myös QGIS suostui kanssani yhteistyöhön. Tarvitsin karttaani kuitenkin myös toisen muuttujan, joten päätin verrata ilmanlaatuindeksiä väestöntiheyteen. Ensimäinen karttani on vuodelta 2018 (kuva 1). Kartassa on nähtävissä ilmanlaatuindeksin korkein mitattu arvo vuoden 2018 aikana USA:n eri osavaltioissa. Poistin kartasta “irrallaan” olevat osavaltiot kuten Alaskan, sekä Havaijin, koska kartasta tuli näin helpommin esitettävä.

Kuva 1. Ilmanlaatuindeksin korkeimmat mitatut arvot USA:n osavaltioissa vuonna 2018

Mainitsin yhdessä aiemmassa blogipostauksessani, että koen pylväiden ja diagrammien lisäämisen karttaan hiukan haastavaksi. Tästä syystä päädyinkin esittämään toisena attribuuttina osavaltioiden asukastiheyden, jolloin voin harjoitella tätä taitoa. En omasta mielestäni saanut vieläkään tekstiä sekä numeroa näkymään kartassa hienosti, mutta tekemällä oppii. Koska blogiohjelma ei ollut kanssani samaa mieltä kartan estitämisestä täytyy karttaa zoomata jotta numeroarvot näkyvät hyvin. Olen myös tietoinen että kaikkien osavaltioiden asukastiheydet eivät näy, mutta yritin parhaani ja katsoin mihin se riittää, kuten Suomalaiset aina urheilukisoissa.

Jotta tekemästäni kartasta saisi jotain kerrottavaa päätin tehdä kartan myös vuoden 2008 tietojen pohjalta (kuva 2). Asukastiheys ei ole suuresti muuttunut kymmenessä vuodessa, mutta pieniä muutoksia on kyllä havaittavissa esimerkiksi South Dakotan osavaltiossa.  Jälkiviisaana on hyvä todeta, että kartat olisivat vähemmän hämääviä, väritykset olisi toutettu samoilla indeksirajoilla molemmissa kartoissa. Nyt nopealla vilkaisulla muutokset näyttävät suurilta, mutta niiden tulkitsemiseen meneekin hiukan kauemmin. Huomattavin ero kuitenkin on se, että arvot ovat pienempiä vuonna 2018 kuin vuonna 2008. Eri osavaltioiden välille on myös muodostunut suurempia eroja vuosien aikana. Vuoden 2008 kartasta voidaan huomata, että suurin osa osavaltioista osuu väliin 71-114, kun taas vuoden 2018 kartassa välillä 87-108 on eniten osavaltioita. Kymmenen vuotta sitten tuohon kategoriaan kuului 17 kartalla näkyvistä osavaltioista, kun taas viimevuonna suosituinpaan haarukkaan osui vain 11 osavaltiota.

Kuva 2. Ilmanlaatuindeksin korkeimmat mitatut arvot USA:n osavaltioissa vuonna 2008

 

Viitteet:

Sara Immonen, Viimeinen kurssikerta https://blogs.helsinki.fi/immsara/ (luettu 21.3.2019)

USA:n järvet ja joet: https://www.naturalearthdata.com/downloads/10m-physical-vectors/10m-lakes/

USA:n osavaltiot: https://www.naturalearthdata.com/downloads/10m-cultural-vectors/

USA:n väkiluku osavaltioittain: https://www.infoplease.com/us/population/us-population-state-1790-2015

Ilmanlaatuideksit: https://aqs.epa.gov/aqsweb/airdata/download_files.html

Tulivuoria ja maanjäristyksiä

Kurssikerran aluksi opettelimme käyttämään Epicollect5 –sovellusta, jota olin itse käyttänyt jo aiemmin. Oletettavasti opiskelijoille haluttiin siis todistaa, että dataa on helppo kerätä myös itse eikä kaikkea tietoa tarvitse kaivaa netin uumenista. Alun opiskelun jälkeen opiskelijat kuitenkin ohjattiin nettiin etsimään tietoa hasardeista, joista tämän kerran kartat oli tarkoitus tehdä.

Tarkoituksena oli muodostaa karttoja, joita voitaisiin hyödyntää opetuksessa. Muistellessani lukiossa saamaani opetusta maanjäristyksistä ja tulivuorista, totesin suurimman osan esimerkeistä sijoittuneen Tyynelle valtamerelle. Päätinkin siis tarkastella Välimerellä sijaitsevia tulivuoria, sekä samalla alueella tapahtuneita maanjäristyksiä. Jaoin maanjäristykset kahteen eri luokkaa alle kuuden magnitudin järistyksiin (kuva 1), sekä yli kuuden magnitudin järistyksiin (kuva 2).

Kartoista voidaan huomata, että pieniä järistyksiä tapahtuu huomattavasti enemmän. Kartassa on esitetty pienet järistyksen kuluneen vuoden ajalta, kun taas voimakkaat järistykset ovat tapahtuneet viimeisen neljän vuoden kuluessa. Välimeren alue ei myöskään ole maanjäristysvapaata aluetta, vaikka suurin osa oppimateriaalista sijoittuukin ”mielenkiintoisemmille” alueille.

Kuva 1. Alle kuuden magnitudin maanjäristykset Välimeren ympäristössä vuoden 2018 aikana.
Kuva 2. Yli kuuden magnitudin maanjäristykset Välimeren alueella 2015-2019.

 

Osa maanjärsityksistä voi johtua läheisestä tulivuoresta, joten päätin muodostaa kartan, jossa on näkyvissä sekä maanjäristykset, että tulivuoret (Kuva 3).  Kartan tekemisen jälkeen huomasin, että ainakaan yksinkertaisella esityksellä näiden kahden välillä ei ole havaittavissa mitään korrelaatiota. Amelia on blogissaan verrannut tulivuorten, sekä maanjärsitysten sijainteja vielä litosfäärilaattojen reunojen sijainteihin. Jälkikäteen ajateltuna myös minun olisi kannattanut lisätä tämä informaatio karttoihini, jolloin ne ehkä olisivat hiukan kuvaavampia. Kartat ovat kuitenkin kuvaavia, jos opetuksen tarkoituksena on vain tarkastella maanjäristysten voimakkuuden vaikutusta niiden esiintyvyyteen.

Kuva 3. Välimeren alueen maanjäristykset, sekä tulivuoret.

 

Kartoillani ei sellaisenaan voi esittää mitään muuta maantieteellistä aihetta, ellei välimeren maiden alueille sijoittuvia tulivuoria oteta huomioon. Karttoja voisi kuitenkin muokata niin, että niiden avulla voisi tutkia kuinka monta ihmistä asuu alueella, jonne on kuluneen vuoden aikana osunut yli kuuden magnitudin suuruinen maanjäristys. Times of Malta -lehti on kirjoittanut sivuilleen artikkelin Välimeren eri maiden haavoittuvuudesta maanjäristyksen sattuessa. Tätä ei kuitenkaan suoraan ole mahdollista havainnollistaa itse tekemieni karttojen kautta. Välimeren alueelta ei myöskään löydy kovin montaa maanjäristyksiä tai tulivuoria kuvaavaa karttaa, joka on sinänsä hyvin yllättävää.

Lähteet:

Amelia Cardwell, Viikko 6: Maastossa seikkailua ja luonnonhasardeja, https://blogs.helsinki.fi/amca/ (Luettu 8.3.2019)

Maanjäristystietokanta, http://quake.geo.berkeley.edu/anss/catalog-search.html

Tulivuoritietokanta, http://catalog.data.gov/dataset/global-volcano-locations-database

Times of Malta,  No link between Spanish and Maltese quakes – seismologists, https://www.timesofmalta.com/articles/view/20110513/local/No-link-between-Spanish-and-Maltese-quakes-seismologists.365134 (luettu 8.3.2019)

Itsenäistä säheltämistä

Tämän viikon tehtävät olivat hyvällä tavalla erilaisia aiempiin tehtäviin verrattuna. Nyt, opastettujen tehtävien sijasta, viikkoharjoitus sisälsi ongelmia joihin opiskelijat saivat itse löytää/keksiä ratkaisun. Henkilökohtaisesti nautin tällaisesta tehtävätyypistä paljon enemmän, koska tehtävissä onnistuminen ilman apuja kasvattaa itsevarmuutta huomattavasti. Nyt myös tiedän paremmin mitkä osa-alueet QGIS-ohjelman toiminnoista hallitsen. Tai jos en tiennyt vielä kun itse tein tehtäviä, niin asiat selvisivät sillä välin kun autoin muita kurssilaisia. 🙂

Eniten käytettyjen toimintojen joukkoon pääsivät: processing toolbox, spatial query, statistic panel, sekä join attributes by location. Etenkin ensimmäisenä mainitsemani työkalulaatikkon toiminta tuli tutuksi kun etsin “oikotie” toimintoja harjoituksessa esitettyihin ongelmiin. Osalla kerroista löysinkin hyvän työkalun, mutta muutamalla kerralla jouduin miettimään ongelmaa uudelleen. Hyödyllisin löytö oli “select attributes by value”, joka auttoi mm. uima-altaiden ja saunojen laskemisessa. Kun etsiskelin oikotietä onneen tulin löytäneeksi myös muita hyödyllisen kuuloisia työkaluja joista voisi tulevaisuudessa olla hyötyä. Yksi tällainen toiminto oli nimeltään convert geometry type, jolla voi muuttaa asioita mm. polygoneiksi.  Luentojen yhteydessä opetetut join attributes by location – sekä statistic panel -toiminnot vahvistivat myös asemaansa parhaiten osaamieni toimintojen yhteydessä, sillä niitä tuli käytettyä todella monta kertaa… Ehkä muutaman kerran myös “turhaan”.

Vaikka tehtävistä selvisi vain muutaman toiminnon avulla, oli virkistävää huomata kuinka helposti QGIS -ohjelman käyttäminen ylipäätään sujui. Ainoat onglemat muodostuivat ohjelman hitaudesta, joka hiukan turhautti etenkin silloin kun en ollut toiminnon oikeellisuudesta aivan varma. Kaipaisin kuitenkin vielä lisäharjoitusta pylväiden, sekä diagrammien lisäämisessä karttaan. Olen kyllä oppinut tekemään niitä, mutta lopputulos ei ole niin hieno kuin haluaisin sen olevan.

Ensimmäisessä harjoituksessa opettelimme bufferien eli puskurivyöhykkeiden käyttämistä. Buffer muodostaa kohteen ympärille halutun kokoisen vyöhykkeen, jonka avulla voidaan tutkia esimerkiksi kohteiden välisiä etäisyyksiä. Niiden avulla voidaan myös määrittää turvallisuusvyöhykkeitä esimerkiksi teiden tai lentokentän kiitoratojen ympärille. Puskurivyöhykettä voidaan käyttää myös luonnossa mittausten tekemiseen esimerkiksi silloin kun mittauksia halutaan tehdä tietyn pisteen läheisyydessä. Itsenäisharjoituksessa puskurivyöhykkeitä käytettiin määrittämään lentokentän lähellä asuvien ihmisten määrää, ja ne toimivatkin oikein hyvin siihen tarkoitukseen. Buffereita on myös mahdollista käyttää yksittäisten pisteiden tai numeroiden korostamiseen. Esimerkiksi uima-allas harjoituksessa (kuva 1) korostin uima-altaiden lukumäärät bufferin avulla, jolloin numeroita on helpompi lukea. Koostin blogin loppuun vastaukset tehtävien kysymyksistä, jotta ne eivät häiritse varsinaista kirjoitusta.

No millaisia ongelmia QGISin avulla voi ratkaista? Erittäin hyvä kysymys. Ensimmäisenä mieleen tulevat kaikki paikkatiedon käsittelyä ja mallinnusta vaativat ongelmat. Paikkatiedon käsittelyyn QGIS onkin loistava ohjelma, kunhan aineisto ei ole liian suuri. Ohjelman miinuspuoli onkin sen raskaus ja sen hitaus käsiteltäessä suuria aineistoja. Ohjelma saattakkin kaatua useita kertoja jos aineisto on liian suuri. QGISin hyvä puoli on se, että sinne kerätyn tai viedyn tiedon pohjalle on mahdollista yhdistää erilaisia valmiita karttapohjia kuten Open Street Map. Näin aineistoa voidaan esittää siistimmässä muodossa (tai ainakin helpommin paikannettavassa muodossa) vaikka alkuperäinen aineisto ei karttaa sisältäisikään. Suurin rajoitus ohjelman käytölle kuitenkin on käyttäjän rohkeus kokeilla ja selvittää QGISin toimintoja.

 

Itsenäisharjoitus 1:

  1. Lentokentät
    1. Malmin lentokenttä
      • Kahden kilometrin säteellä Malmin lentokentästä asuu 57 554 ihmistä.
      • Yhden kilomertrin päässä lentokentästä asuu 8 838 ihmistä.
      • Lentokentän ympäristössä olevista taloista 54 kappaletta on otettu käyttöön ennen Malmin lentokentän rakentamista ja 3 taloa on avattu saman vuonna lentokentän kanssa.
    2. Helsinki-Vantaan lentokenttä
      • Kahden kilometrin säteellä Helsinki-Vantaan lentokentästä asuu 11 264 ihmistä.
      • Pahimalla  65 dB melualuueella puolestaan asuu vain 31 ihmistä eli 0,24% alueen ihmisistä.
      • Ihmiset eivät kuitenkaan täysin välty melulta sillä vähintään 55dB alueella asuustaa 11 913 ihmistä.
      • Jos lentokoneet laskeutuisivat poikkeuksellisesta suunnasta koskettaisi meteli myös 12 650 ihmistä, jotka saavat nykyisellään viettää suhteellisen hiljaista elämää.
  2. Asemat
    1.  Vantaan asukkaista 106 691 henkilöä asuu alle 500m päässä lähimmästä asemasta.
    2. Tämä tarkoittaa että 21,77% ihmisistä elää juna-aseman lähellä.
    3. Juna-aseman lähellä elävistä ihmisistä 73 108 on työikäisiä.

Itsenäistehtävä 2:

  1.  Vantaan asukkaista 478 371 ihmistä asuu taajamassa, tämä on noin 97,6% kaikista alueen asukkaista.
  2. Vantaalla elää 60 251 kouluikäistä eli 7-16 vuotiasta, joista taajaman ulkopuolella asuu 1 551 koululaista.
  3.  Pääkaupunkiseudun taajamista yli 10% väkiluvusta on ulkomaalaisia noin 40 alueella, 20% noin  11 alueella ja 30% noin 6 alueella.

Uima-altaat ja Saunat

Pääkaupunkiseudulla on uima-altaita 855 asunnossa, joissa asuu 12 170 henkilöä. Näistä asunnoista 345 on omakotitaloja, 113 on kerrostaloja ja 181 on rivitaloja.

Uima-altaiden sijoittuminen on nähtävissä kuvassa 1. Omasta mielestäni kartta ei ole kaikkein nätein tällä kurssilla tekemistäni kartoista, mutta se esittää informaation toivotulla tavalla.  Eniten uima-altaita vaikuttiaisi olevan Lauttasaaressa. Toiseksi eniten uima-altaita on Länsi-Pakilassa. Tämä alue onkin juuri noussut uutisiin sen korkeakoulutettujen asukkaiden, sekä vähäisen työttymyyden seurauksena. Ei siis ole yllättävää, että juuri tällä alueella on kaikkein eniten uima-altaita. Seuraavaksi eniten uima-altaita omaavat pienauleet löytyvätkin meren läheidyysestä,  joka ei ole suuri yllätys. Alueilla, joissa taloista on merinäkymä, on kalliimpaa asua kuin alueilla ilman merinäköalaa. Osittain tästä syystä merenrannalla oleville alueille on muuttanut varakkaampia ihmisiä ja sinne on rakennettu enemmän yltäkylläisyyksillä varusteltuja asuntoja.

Kuva 1. Uima-altaiden lukumäärät ja niitä vastaavat pylväät pääkaupunkiseudun pienalueilla

Saunoja pääkaupunkiseudulla on hiukan enemmän kuin uima-altaita, sillä niitä on 21 922. Tämä tarkoittaa sitä, että sauna löytyy noin 24,2% pääkaupunkiseudun talosta.

Putkiremontit

Koko pääkaupunkiseudulla on rakennettu 6 286 asuinrakennusta vuosien 1965-1970 välillä. Helsingin alueella näistä taloistsa sijaitsee 2 094, joista kerrostaloja on 775 kappaletta. Putkiremontit ovatkin haitanneet tai tulevat haittamaan pääkaupunkiseudulla yhteensä 65 206 ihmisen arkea. Asuntojen määrässä mitattuna putkiremonttiin on menossa 39 002 asuntoa. Kuvassa 2  on nähtävissä putkiremonttia kaipaavien talojen määrät pääkaupunkiseudun pienalueittain.

Kuva 2. Putkiremonttia tarvitsevat talot pääkaupunkiseudun pienalueilla.

 

Lähteet:

https://www.is.fi/kotimaa/art-2000006000695.html (luettu 14.2.2019)

 

 

Rasterimuotoisia asukkaita

Neljäs kurssikerta eivätkä tehtävät vähene. Tällä kurssikerralla tavoitteena oli mm. oppia tekemään ruutukarttoja, käyttämään rasteriaineistoja ja piirtämään QGIS -ohjelmalla.

Ensimmäinen harjoitus pitikin sisällään pääkaupunkiseudulla asustavien ihmisten sijoittumisen tarkastelua ja mallintamista. Jotta annetuista materiaaleista saatiin kaunis ja informatiivinen kartta, täytyi aineistoja hiukan käsitellä. Alkuperäisesti asukkaiden jakautuminen alueella oli esitetty pisteiden avulla ja jokainen piste sisälsi myös paljon ns. turhaa tietoa, jota ei tässä harjoituksessa haluttu tarkastella. Jotta pistetietokannasta saatiin muodostettua rasterimuotoinen kartta, täytyi alueen päälle muodostaa vektorihila (englanninkielistä järjestelmää käyttäville tutumpi nimi on vector grid). Oikean kokoisen hilan muodostaminen vaati hiukan kokeilua ja mokaamista. Hilakoko ei saisi olla liian suuri, koska tällöin kartan antama informaatio vähenee. Toisaalta taas liian pieni hilakoko tekee kartasta liian yksityiskohtaisen jolloin sen tulkitseminen vaikeutuu. Puhumattakaan ohjelman hitaudesta, jos käyttäjä yrittää muodostaa liian tiheää ruudukkoa.

Kuva 1. Asukkaiden sijoittuminen pääkaupunkiseudun alueella 250 metrin ruudukolla.

Itse päädyin harjoituksessa tulkitsemaan pääkaupunkiseudun asukkaiden sijoittumista suurien teiden suhteen. Jotta vektorihilan merkitys tulisi parhaiten esille tein toisen kartan 250 metrin (kuva 1) ja toisen yhden kilometrin (kuva 2) ruudukolla. Omaan silmääni pienemmällä ruutukoolla tehty kartta on siistimpi, vaikka sen tulkitsemiseen meneekin hiukan kaemmin. Pienemmällä vektori hilalla tehty kartta kertoo tarkemmin millä alueella ihmiset asuvat kun taas suurempi vektorihila antaa asukkaiden sijoittumisesta paremman yleiskuvan. Koska molempien karttojen teossa käytetyt luokat ovat yhtä suuret saadaan hilakokojen välinen ero entistä paremmin esille. Pienemmän ruutukoon kartassa on nähtävillä suuria asumattomia alueita, joista suurin osa on puistoja. Näitä alueita ei kuitenkaan ole havaittavissa suuremman hilakoon kartassa juuri ollenkaan.

Kuva 2. Asukkaiden sijoittuminen pääkaupunkiseudun alueella yhden kilometrin ruutukoolla.

 

Jotta koko blogikirjoitus ei olisi täynnä ”itsestään selvyyksiä” haluan tarkastella asukkaiden sijouttumista suurimpien teiden suhteen. Pohjaan seuraavat havaintoni pienemmän vektorihilakoon karttaan, koska se on suurempaa hilakokoa tarkempi. Suurimmat tiet jakavat asukkaat siisteihin sektoreihin. Vaikka pääkaupunkiseudun asukkaista suurin osa asuu Helsingin ydinkeskustan alueella, on asukastihentymiä haviattavissa myös moottoriteiden välittömässä läheisyydessä. Oletettavasti ihmiset ovat valinneet asuinalueensa työmatkaa silmällä pitäen, sillä suurimpia teitä hyväksikäyttäen myös pitkä työmatka taittuu suhteellisen nopeasti. Huomion arvoista on myös pohtia miksi kartan pohjoisosassa on yksi 102-200 asukkaan alue, kun sen vieressä olevilla alueilla väkiluku on huomattavasti pienempi. On tietenkin mahdollista että piste on kartantekiijän virhe, mutta asialle voi olla toinenkin syy. Alueen sateellittikuvia tarkastellessani huomasin pisteen sijoittuvan Kanniston lähiöön. Lähiössä on lastentarha, sekä koulu ja paljon vierekkäin rakennettuja omakotitaloja. Kun tältä alueelta poistutaan paljastaa sateelliittikuva paljonpeltoa, sekä harvaan asuttuja alueita. Alue ei siis ole virhe vaan suunniteltu asutuskeskittymä.

Kun rasteriainesitoilla oli leikitty tarpeeksi oli kurssikerralla aika siirtyä seuraavaan aiheeseen. Tällä kertaa aiheena oli seuraavan kurssikerran valmistelu. Tutustuimme Pornaisten alueeseen erilaisten meille valmiiksi tehtyjen aineistojen kautta. Aineistojen tarkastelu tuotti itse kullekkin ongelmia vaikka tarkastelu toteutettiin seuraamalla yksityiskohtaisia ohjeita. Ilmeisesti QGIS -ohjelma oli jo kyllästynyt opiskeluun. Ongelmat kuitenkin selvitettiin ja tarkastselun jälkeen pääsimme piirtämään itse vektoritasoja. Eniten innostusta aiheutti pornaisten alueen talojen merkitseminen. Vaikka silmät ristissä talojen merkitseminen ei ollut kaikkein hohdokkainta puuhaa, ei se kuitenkaan ollut vaikeaa. Vektoritason luominen oli itse asiassa todella helppoa, kunhan sen logiikan ymmärsi. Toivottavasti seuraavan kurssikerran tehtävät ovat yhtä mukavia. 😊

Tietokantainen tulvaindeksi

Kolmatta viikkoa viedään ja QGIS -ohjelman tuntemus syvenee entisestään.

Kurssikerran ensimmäisessä harjoituksessa leikimme hiukan tietokannalla, joka sisälsi tietoja Afrikassa tapahtuneista konflikteista, sekä alueella tehdyistä timantti- ja öljylöydöistä. Koska data sisältää tiedot siitä minä vuosina timantti esiintymät on löydetty, sekä milloin niitä on alettu kaivamaan, voidaan näitä tietoja verrata konfliktien tapahtumisvuosiin. Tietojen perusteella voitaisiin tutkia sitä, onko konflikteilla ollut vaikutusta timanttien kaivamiseen. Olisiko mahdollista, että timanttien kaivamista ei ole epävakaan tilanteen takia voitu aloittaa heti esiintymän löytämisen jälkeen vai onko epävakaata tilannetta pyritty tasaamaan kaivostoiminnan aloittamisella. Konfliktien ajoitusta on myös mahdollista verrata öljykenttien löytämisvuosiin. Datasta voisi siis tutkia myös sitä, onko konfliktien ajoituksessa havaittavaa yhteyttä öljykentän löytämiseen tai öljynporauksen aloittamiseen.

Konfliktit eivät kuitenkaan ole tietokannan mielenkiintoisin asia, vaan se sisältää myös öljykentän tuottavuusluokittelun, sekä internetkäyttäjien lukumäärän eri vuosina. Näiden tietojen avulla on siis mahdollista tutkia maiden vaurastumista. Internetin käyttäminen on yleensä rinnastettu vaurauteen, joten internetin yleistymisestä voidaan tehdä varovaisia oletuksia kansan vaurastumisesta. Data siis voi auttaa selvittämään onko öljy auttanut maata vaurastumaan, vai onko se vain lisännyt konfliktien määrää alueella. On tietenkin mahdollista, että maa on vaurastunut konflikteista huolimatta.

Kun luentokerran ensimmäinen harjoitus oli saatu hallintaan, oli aika selvittää mitä luennosta oikeasti jäi mieleen. Tuotimme siis kartan Suomen päävaluma-alueilla olevista tulvaindekseistä (kuva 1).  Tulvaindeksi laskettiin jakamalla keskiylivirtaama keskialivirtaamalla, eli jakamalla ylimpien mitattujen arvojen keskiarvo alempien mitattujen arvojen keskiarvolla. Simppeliä, eikös niin? Yksinkertaistettuna siis tulvaindeksi on joen (tai vastaavan virtaavan asian) kuivankauden ja tulvan välinen suhde. Jos tulvaindeksi on lähellä ykköstä ei virtaamassa tapahdu suurta vaihtelua kyseisen ajanjakson sisällä. Mitä suurempi tulvaindeksi on sitä suuremmat ovat vaihtelu vesistön virtaamassa. Tulvaindeksi ei voi olla pienempi kuin 1, koska keskialivirtaama ei voi olla pienempi kuin keskiylivirtaama.

Kuva 1. Tulvaindeksit Suomen päävaluma-alueilla, sekä eri alueiden järvisyysprosentit.

Kartan avulla voidaan siis tutkia millä alueella virtaama muuttuu voimakkaimmin, ja tämän tiedon avulla virtaaman vaihteluun voidaan varautua. Virtaama muuttuu kaikkein voimakkaimmin alueilla, jotka sijaitsevat meren rannalla. Alueet ovat myös hyvin jokisia, eivätkä alueet sisällä suuria järviä. Tulvaindeksiä voidaankin verrata myös alueen järvisyysprosenttiin, jonka siisti esittäminen kartassa oli todella haastavaa. Itse päädyin vaaleansinisiin pylväisiin, mutta pylväistä puuttuvat varsinaiset lukuarvot, jonka takia niitä on hiukan haastava tulkita. Kartasta voidaan kuitenkin tutkia järvisyysprosentin sekä tulvaindeksin suhdetta toisiinsa. Tulvaindeksi ja järvisyysprosentti vaikuttavatkin olevan kääntäen verrannollisia. Yksinkertaisesti siis järvisyysprosentin kasvaessa tulvaindeksi pienenee ja päinvastoin. Ahola Laura on blogissaan listannut hyvin syitä, josta tämä verrannollisuus voisi johtua. Ahola muotoileekin asian seuraavasti: ”Syy ilmiöön on esimerkiksi pinnanmuodoissa. Mitä tasaisempi maasto, sitä pienempi tai vähäisempi virtaama. Lisäksi jos alueilla on enemmän järviä, virtavedet varastoituvat niihin eikä tulvaindeksi ole korkea.”  Kaikki Aholan luettelemat syyt vaikuttavat todennäköisiltä syiltä miksi tulvaindeksi on pienempi suuren järvisyysprosentin omaavilla alueilla. Ylinen Kirsi mainitsee blogissaan myös yhden syyn Pohjanmaan jokien voimakkaaseen tulvimiseen: ” Kun siis yhdistetään lumien sulamisvedet ja tasainen maasto, on kasassa täydelliset ainekset tulvimiseen.”

Tähän loppuun on ehkä aiheellista huomauttaa, että mietin tietenkin ensin itse mahdollisia syitä aiemmin mainitsemaani verrannollisuuteen, ennen kuin viittasin muiden blogeihin.

Lähteet:

Ahola Laura, Hermot koetuksella, https://blogs.helsinki.fi/lauahola/ (Luettu 1.2.2019)

Ylinen Kirsi, Sinä lähdet ja tulvii Pohjanmaa, https://blogs.helsinki.fi/yxkirsi/ (Luettu 1.2.2019)

 

Projektion tärkeys

Kun ensimmäinen kosketus QGIS:iin on tehty ja alkujärkytyksestä selvitty, on aika tarkastella karttoja erilaisten projektioiden kautta. Yleensä Suomea kuvataan ETRS89-TM35 projektion avulla, jonka johdosta sitä on hyvä käyttää vertailukoordinaatistona tutkittaessa projektioiden välisiä eroja. Oheiseen taulukkoon (taulukko 1) on listattu saman alueen pinta-alan suuruus ja Suomea Vaasan korkeudella halkovan viivan pituus eri projektioilla esitettynä. Taulukkoon on laskettu myös Pinta-alan suhde vertailukoordinaatistoon. Projektioista suurimmat erot pinta-alassa ovat Eckertin I projektion ja vertailukoordinaatiston välillä, kun taas Bonnen projektiota verrattaessa ETRS89-TM35 projektioon ero on pienin. Koska ainakin allekirjoittaneelle pinta-alan suuruuden hahmottaminen on haastavaa, näkyy projektioiden välinen ero parhaiten Suomen leveyden muutoksina. Vertailukoordinaatistoa tutkaillessa Suomen leveys on 1 116 kilometriä, mutta Mercatorin projektiolla Suomea tutkailtaessa onkin leveys enää 506 kilometriä. Eroa on siis kevyet 610km, joka saattaa olla ikävä yllätys matkaa suunnitellessa. Jos projektio valitaan ”oikein” on sen avulla mahdollista vaikuttaa suurestikin asiaan perehtymättömän henkilön mielipiteeseen. Esimerkiksi Eckertin I projektiolla esitettynä Suomi saadaan vaikuttamaan paljon todellista suuremmalta. Toisaalta taas Bonnen projektiota hyödynnettäessä voi houkutella kaverin kevyelle 506 kilometrin reissulle Suomen halki.

Taulukko 1. Taulukossa on vertailtu eri projektioiden vaikutusta pinta-alaan, sekä Suomen leveyttä Vaasan korkeudella eri koordinaatistoissa.

Jotta projektioiden aiheuttamat erot saadaan vielä selvemmin esille, on eroja hyvä tarkkailla värikkäiden karttojen kautta. Kartat auttavat myös hahmottamaan, sitä millä alueella projektioiden vaikutus on suurin. Ensimmäisenä vertailuun valittiin Lambertin oikeapintainen järjestelmä, sekä Mercatorin projektio. Vertailu suoritettiin laskemalla ensin kuntien pinta-ala ensin Lambertin projektiolla ja sen jälkeen Mercatorin projektiolla. Tämän jälkeen tuloksia verrattiin toisiinsa, jolloin saatiin selville pinta-alan suhteellinen muutos siirryttäessä Lambertin projektiosta Mercatorin projektioon. Ensin tulokset pyryttiin esittämään kartalla mahdollisimman selvästi (kuva 1.).  Kartasta onkin nähtävissä, että pinta-ala vääristyy tasaisesti sitä mukaa mitä pohjoisemmaksi Suomea liikutaan. Vääristymä vaikuttaa hiukan myös edellisen taulukon lukuarvoihin, sillä tarkkailtu pinta-ala on piirretty aivan Suomen pohjoisosiin.

Kuva 1. Pinta-alan suhteellinen muutos siirryttäessä Lambertin projektiosta Mercatorin projektioon

 

Järkevän esitystavan lisäksi erot haluttiin esittää myös hyvin dramaattisesti (kuva 2). Ainakin allekirjoittaneen tekemä dramaattisesta kartasta tuli hyvin ruma. Dramaattisuutta saadaan kuitenkin lisättyä valitsemalla luokkarajat esimerkiksi nätisti järkevien rajojen sijasta. Myös värien valitseminen epäloogisesti muodostaa kuvasta hiukan vääristävän. Nyt nimittäin vaikuttaa nopeasti katsottuna siltä, että suurimmat muutokset pinta-alassa ovat tapahtuneet Etelä-Suomessa.

Kuva 2. Pinta-alan suhteellinen muutos siirryttäessä Lambertin projektiosta Mercatorin projektioon esitettynä mahdollisimman dramaattisesti.

Koska mahdollisia projektioita on paljon enemmän kuin kaksi on myös hyvä tutkia pinta-alan suhteellista eroa myös jollain toisella projektiolla. Itse valitsin tarkasteluun Eckertin I:n projektion (kuva 3). Suhteellinen ero Lambertin ja Eckertin I:n projektion välillä on paljon pienempi kuin tutkailtaessa eroa Mertacorin projektion ja Lambertin projektion välillä. Muutos ilmenee kuitenkin saman suuntaisena molemmissa projektioissa, vääristymä nimittäin kasvaa pohjoista kohti siirryttäessä.

Kuva 3. Pinta-alan suhteellinen muutos siirryttäessä Lambertin projektiosta Eckertin I:seen projektioon.

Toinen luentokerta siis valaisi kuinka tärkeää projektion huolellinen valinta on ja kuinka suurta vahinkoa tuloksiin voi tehdä hutiloimalla projektion valinnassa. Kurssi on myös pikkuhiljaa opettamassa sitä, että blogin kirjoittamista ei tarvitse pelätä. Ehkä jo ensi viikolla blogin kirjoittaminen sujuu ilman jännitystä.

Geoinformatiikan menetelmät 1, ensimmäinen luento

Geoinformatiikan menetelmät 1-kurssin ensimmäinen kurssikerta tarjosi suurimmalle osalle kurssilla olevista opiskelijoista ensi kosketuksen QGIS-ohjelmaan. Minulle tuo kosketus ei kuitenkaan ollut ensimmäinen, vaan olen kyseistä ohjelmaa käyttänyt jo muilla maantieteen kursseilla.

Luentokerran alkupuolella tutustuimme QGIS -ohjelman perustoimintoihin ja sen yleiseen käyttämiseen. Tämä toimi allekirjoittaneelle hyvänä muistutuksena siitä, miten ohjelmaa käytetään oikein. Varsinaisesti ensimmäinen luento ei tarjonnut minulle mitään uutta asiaa, mutta kertaus ei ikinä ole pahasta. Pystyin myös kertauksen ohella neuvomaan vierustoveriani ohjelman käytössä silloin kun hänellä oli kysymyksiä ohjelman toimimisesta. Vierustoverini Jaisa Nykänen kuvasikin epäsuorasti minua blogissaan ”gis-konkariksi”, vaikka en ainakaan vielä uskalla tätä väitettä allekirjoittaa.

Perusteiden opiskelun ohessa teimme kartan Itämeren typpipäästöistä vuonna 2016 (kuva 1). Kartassa on nähtävillä se mitkä maat aiheuttavat typpipäästöjä Itämereen, sekä maan aiheuttamien typpipäästöjen prosentuaalinen osuus kaikista päästöistä. Kartasta voidaan huomata, että suurimmat päästöt tulevat Puolasta, kun taas vähiten päästöjä mereen päätyy Virosta. Ei myöskään ole yllättävää, että Itämereen tulee päästöjä vain sen rannoilla sijaitsevista maista. Kartta on kuitenkin helpompi hahmottaa silloin kun kartassa ovat näkyvissä myös maat, jotka eivät aiheuta päästöjä Itämereen. Typpipäästöjen luokkarajat on valittu suhteellisen hyvin, sillä nyt kartasta on helposti eroteltavista se mihin suuruusluokkaan maat kuuluvat. Jos luokkarajat olisivat liian isot, saattaisivat monet maat kuulua samaan kategoriaan, jolloin niiden välisiä eroja olisi vaikea hahmottaa.

Kartasta olisi voinut poistaa pienimmät järvet, koska niillä ei ole merkitystä kartan esittämään ilmiöön ja ne saavat valmiin kartan näyttämään hiukan sekavalta. Jos kartassa ei olisi näkyvissä järviä olisi Itämeren alue vielä selvemmin erotettavissa ainoana vesialueena. Esityksestä olisi voinut myös poistaa meren syvyydestä kertovat käyrät sillä ne eivät erotu lopullisesta työstä. Käyrien näkyvyyteen on kuitenkin mahdollista vaikuttaa oikeilla värivalinnoilla, eli esimerkiksi tummemmilla viivoilla. Muilta osin kartta on kuitenkin suhteellisen onnistunut, vaikka pientä hienosäätöä onkin mahdollista tehdä loputtomiin.

Kuva 1. Typpipäästöt Itämeren alueella vuonna 2016

Koska harjoittelu ei ole koskaan pahasta Itämeren typpipäästöjen lisäksi opiskelijoilla oli mahdollisuus muokata karttaa Suomen kunnista (kuva 2). Kyseisessä tiedostossa oli hyvin runsas atribuuttitaulu, joten karttaan päätyvien tietojen valitseminen vaati paljon kokeilemista. Aivan jokaista tietoa ei ollut mahdollista liittää valmiiseen karttaan, koska siitä olisi tullut liian epäselvä. Tästä syystä päädyinkin tarkastelemaan vain yhtä atribuuttitietoa; väkilukua. Kunnan väritys kertoo siitä, kuinka paljon asukkaita kunnassa on. Väestöntiheydestä kertovat rajat olisi voinut muokata myös tasavälisiksi, mutta tällöin suurin osa kunnista olisi kuulunut samaan suuruusluokkaan. Kartta ei näin ollen olisi siis ollut yhtä informatiivinen.

Kuva 2. Kuntien väkiluvut vuonna 2015

 

Lähteet:

Nykänen, Jaisa Ensikosketus QGIS:iin, https://blogs.helsinki.fi/jaisa/ (Luettu 21.1.19)