Tänään pääsimme itse datan keruuseen, mikä toi flashbackit lukion maantiedon neljänteen kurssiin, jossa lähdimme tämän kurssikerran kaltaisesti ulos reippailemaan. Oltiin Roosan kanssa itseasiassa samassa lukiossa (ja ehkä samalla kurssilla) ja hänen blogissaan on myös linkki siellä tekemäämme projektiin!

Käytimme datan keruuseen Epicollect5 sovellusta. Kävelin sellaisen 2,5km lenkin ja sain kun sainkin 10 pistettä kartalle kerättyä. Aika tosin meinasi loppua kesken, kun päädyin hieman harhailemaan ympäriinsä. Latasimme aineiston QGIS:iin missä pystyimme käsitellä sitä pidemmälle. Interpoloin aluksi aineiston niin, että kartalla näkyi väreittäin kuinka turvalliseksi opiskelijat olivat tunteneet olonsa eri pisteissä (Kuva 1.)

Antti pohtii blogissaan tarkemmin, millä alueilla turvattomuutta eniten esiintyy ja mitkä seikat tulokseen voivat vaikuttaa.

Kotitehtäväksi saimme etsiä tietoa eri hasardeista ja tehdä tietojen pohjalta kolme karttaa, joita voisi käyttää myös opetuksessa. Toisin sanoen tavoitteenani oli luoda mahdollisimman selkeä, mutta informatiivinen kartta!

Aloitin tehtävän tekemisen tarkastelemalla seismologista toimintaa maapallolla. Hain datan Northern California Earthquake Data Centerin sivuilta, jossa seismologista dataa pystyi etsimään esimerkiksi eri aikaväleillä tai eri voimakkuuden mukaan.  Päätin etsiä tietoa kaikista yli 7.5 richterin maanjäristyksistä aikavälillä 1990-2020. Halusin aikavälistä hyvin lyhyen, jotta saisin käsityksen siitä, kuinka paljon voimakkaita maanjäristyksiä on ilmennyt viimeisen kolmenkymmenen vuoden aikana.

Kartan teko kävikin todella nopeasti, joten lisäsin mukaan vielä toisen tietokannan; tällä kertaa tulivuorista (Kuva 1). Päätin tarkastella kaikista maailman kolkista Aasiaa ja tarkemmin vielä Japanin ympäristöä, sillä minua kiinnosti todella paljon minkälainen yhteys tulivuorilla ja maanjäristyksillä alueella on.  Aasia sijaitsee Tyynenmeren tulirenkaan alueella, joten alue on hyvinkin hasardiherkkä.

 

Myös Liisa on blogissaan tutkinut Aasian aluetta, mutta hieman pidemmällä aikavälillä ja tuonut kiinnostavia pointteja esiin mm. infrastruktuurin heikkoudesta alueella ja tästä seuraavasta haavoittuvuudesta hasardeille. Yritin aluksi interpoloida kartan, mutta siitä tuli ehkä hieman sekava, joten päätin sitten esittää kartan ihan vain ilman kyseistä vaihetta. Antin blogissa kartta on kuitenkin interpoloitu!

Kuvan 1. symboli “vulkaaninen toiminta” on sen niminen, sillä pelkkä “tulivuoret” ei olisi ollut tarpeeksi kuvaava. Aineistossa oli nimittäin  perinteisten tulivuorien lisäksi myös mm. kalderoita ja tuhkakartio, joiden symboli on nyt sama. Kartalta voidaan hyvin huomata, että moni tulivuorista seuraa jonossa toisiaan. Tälle selitys löytyy laattatektoniikasta, sillä juuri jonon kohdalla sijaitseva Tyynenmeren mannerlaatta tunkeutuu sekä Euraasian että Filippiinien mannerlaatan alle. Kuvaa voitaisiin käyttää opetuksessa esimerkiksi koekysymyksessä, jossa voitaisiin kysyä tulivuorten ja mannerlaattojen yhteyttä toisiinsa.

Kuvasta voidaan huomata, että vaikka vulkaanista toimintaa on paljon, ei todella suuria maanjäristyksiä alueella kuitenkaan ole. Pienempiä alle 7 magnitudin järityksiä kuitenkin alueella on enemmän, johtuen valtion sijoittumisesta laattojen risteämiskohtaan. Toisaalta magnitudiasteikolla seitsemän ja sitä isomman magnitudin järistykset ovat jo erittäin voimakkaita ja tuhoisia. Kahdeksan magnitudin järistykset tuottavat jo täydellistä tuhoa.

Seuraavaksi tarkastelin vielä meteoriittien törmäyspaikkoja maapallolla (Kuva 2). Olisin halunnut tehdä kartasta yhtä hienon kuin Ilarin blogissa interpoloimalla sen, mutta valitettavasti QGIS ei suostunut yhteistyöhön, vaan ilmoitti että interpoloinnissa kestäisi 600 minuuttia.. Lopputuloksena päätin sitten vain julkaista kartan tälläisenaan. En myöskään saanut maailmankartalle järkevää mittakaavaa tehtyä, mutta sama ongelma näytti olevan monella muullakin.

Olisin kovasti halunnut, että kartan interpolointi olisi onnistunut, sillä tällaisenaan kartta ei ole kovinkaan informatiivinen. Kartta kylläkin kertoo törmäyspaikkojen sijainnin, mutta ei esimerkiksi meteoriittien massaa, kuten Ilarin kartalla. Yritän koittaa interpolointia myöhemmin uudelleen ja jos onnistaa, päivitän tätä postausta!

Lähteet:

Ahokas, L. (26.2.2021) kuudes kurssikerta. Luettu 26.2.2021.

<https://blogs.helsinki.fi/ahokliis/2021/02/26/kuudes-kurssikerta/>

 

Harmonen, R. (23.2.2021) Kuudes kurssikerta. Luettu 24.2.2021.

<https://blogs.helsinki.fi/harmoroo/2021/02/23/kuudes-kurssikerta/>

 

Leino, I. (25.2.2021) Kuudes kurssikerta. Luettu 28.2.2021

<https://blogs.helsinki.fi/ilarilei/2021/02/25/kuudes-kurssikerta/>

 

NASA (2018) Meteorite Landings.

<https://data.nasa.gov/Space-Science/Meteorite-Landings/gh4g-9sfh>

 

NCEI Volcano Location Database. NOAA National Centers for Environmental Information. (2021)

<https://data.nodc.noaa.gov/cgi-bin/iso?id=gov.noaa.ngdc.mgg.hazards:G02135>

 

Northern California Earthquake Data Center. (2021) Historic ANSS Composite Catalog Search 

<https://ncedc.org/anss/catalog-search.html>

 

Paakkari, A. (26.2.2021) Viikko 6. Luento ja harjoitukset. Luettu 26.2.2021.

<https://blogs.helsinki.fi/anttipaa/2021/02/26/viikko-6-luento-ja-harjoitukset/>

 

 

 

Varoitus! Tämä postaus sisältää todella paljon työvaiheiden kuvailua ja tekstiä. Pääasiat , sekä tehtävänannot on boldattu, joten niiden välillä on helppo navigoida. 🙂 

Aloitimme luennon heti itse harjoitusten parissa. Aluksi teimme töitä toiminnoilla “sum line lengths”, “clip” ja “intersection”. Näin saimme kartan ulkoasua muokattua niin, ettei uuden tietokannan “pellot” ylittäisi Pornaisten rajoja ja teiden pituudet laskettua yhteen.

Yksi luennon uusista asioista, joita harjoittelimme oli bufferien käyttö. Bufferien avulla on mahdollista luoda vyöhykkeitä, jonka alueelta laskea arvoja. Teimme harjoitukseksi bufferin Pornaisten kartan tie-tasolle. Halusimme bufferin avulla laskea, kuinka moni asunto sijoittuu 100m  etäisyydelle teistä. Bufferin luominen oli todella helppoa, niin kuin myös komentojen esittäminen. Tuloksena oli taso, jossa 100 metrin etäisyydellä olevat talot on merkitty keltaisella (Kuva 1.)

Loppuosa luennosta olikin itsenäisten tehtävien tekemistä. Ensimmäisessä tehtävässä tuli luoda bufferi Malmin lentokentän kiitoratojen ympärille ja selvittää, kuinka monta ihmistä asuu kahden ja yhden kilometrin päässä lentoasemasta. Kahden kilometrin sisällä lentokentästä asuu 58922 ihmistä (Kuva 2).

Toistin saman pienemmällä alueella eli loin bufferin yhden kilometrin alueelle ja seuraavaksi käytin toimintoa “select by location”. Yhden kilometrin säteellä lentokentästä asuu noin 9182 ihmistä. Tein vielä saman Helsinki-Vantaan lentokentälle, jossa kahden kilometrin säteellä asui 11764 ihmistä.

Seuraavaksi piti selvittää kuinka monta ihmistä äskeiseltä 2 kilometrin alueelta asuu Helsinki-Vantaan lentokentän pahimmalla melualueella (65 dB). Valitsin aktiiviseksi kohdaksi meluaste-layerin ja valitsin “select by value” toiminnolla alueeksi vain 65 dB-alueet. Sen jälkeen käytin edellisten kohtien tapaan select by location -toimintoa ja kappas sain laskettua arvon kysymykselle. Pahimmalla melualueella asuu 303 ihmistä, joka prosentteina on kaikista kahden kilometrin  alueella asuvista ihmisistä on n. 2,6%. Vähintään 55dB meluhaitan alueella asuu 11923 ihmistä.

Toisessa harjoituksessa otettiin katse kohti kartan asemia ja luotiin näiden ympärille 500 metrin bufferit. Buffereiden alueelle sijoittui 111765 ihmistä. Kaikista alueen ihmisistä siis 21,6% asuu asemien läheisyydessä. Näistä ihmisistä työikäisiä oli 74989 ihmistä.

Seuraavaksi oli vuorossa taajamien kanssa työskentely. Tarkoituksena oli ensimmäisenä selvittää, kuinka monta ihmistä alueella asuu taajamissa. En ollut aivan varma, pitikö meidän käyttää Vantaa vai Pk-tietokantaa, joten pitäydyin tutussa Vantaan väestö -tietokannassa. Tämän kohdan suoritin taas kerran select by location -toiminnolla, joka sujui jo melkein automaattisesti! Tuloksena sain 74989 ihmistä, joka on n. 96%.

Koko tietokannan asukkaista kouluikäisiä on 58511 ja taajamassa asuvia kouluikäisiä on 50762. Taajaman ulkopuolisia kouluikäisiä on siis 58511-50762 = 7749/13,2%.

Itsenäiseksi tehtäväksi valitsin uima-altaiden ja saunojen parissa puuhailun.  Heti aluksi meidän täytyi laskea, kuinka monta uima-altaalla varustettua rakennusta PK-seudulla oikein olisi. Sanotaanko, että en tosiaan tehnyt tätä ehkä helpoimman kautta, tai niin kuin muut olivat tehneet, mutta laskin vastauksen vain field calculatorilla sum-toiminnolla. Vastaukseksi sain, että uima-altaita olisi 855 kpl ja jos nyt oletan, että jokaisessa asunnossa niitä on vain yksi niin silloin myös altailla varustettuja rakennuksia olisi tämän verran.

Taloissa, joissa on uima-allas asuu yhteensä 12 170 ihmistä.

Taulukossa 1. nähdään muidenkin tehtävien vastaukset. Teimme tehtävän yhteistyössä Liisan kanssa, joten sen takia samat taulukot. 🙂

 

Bufferien käyttö on itselleni yllättävän helppoa ja vaikka viime kurssikerralla peloteltiin tämän kerran olevan se kaikista vaikein, niin itsestäni tuntuu aivan päinvastaiselta. Kuten Sannakin blogissaan sanoo, ei oikeastaan minkään työkalun käyttö ole tuntunut vaikealta, mutta kun niitä harvemmin käyttää, saattaa moni asia unohtua.

Viimeiset tehtävät epäonnistuivat totaalisesti. Voin samaistua Roosan fiiliksiin tästä kurssikerrasta. Turhauttaa, että en osaa tehdä edes muiden mielestä helppoja tehtäviä. Vaikka yritin monta kertaa luoda kartan, jossa havannollistaisin uima-allasrikkaimman alueen en sitä vain yksinkertaisesti osannut tehdä. Loppujen lopuksi QGIS kaatui ja kadotti kaikki aineistotkin..

Lähteet:

Korpi, S. (16.2.2021). Osaamistason arviointia (vk 5). Luettu 18.2.2021

<https://blogs.helsinki.fi/sakorpi/>

Harmonen, R (18.2.2021) Viides kurssikerta: bufferointia. Luettu 23.2.2021

<https://blogs.helsinki.fi/harmoroo/>

Neljännellä kurssikerralla kävimme läpi suurimmaksi osaksi jo tuttua asiaa, eli piste- ja rasteriaineistoja. Kertaus on opintojen äiti, joten oli kiva virkistää muistia eri aineistojen suhteen.

Teoriaa, teoriaa…

Pisteaineistot ovat erinomaisia kuvaamaan esimerkiksi rakennuksia ja muita pistemäisiä kohteita. Vaikka piste itsessään vaikuttaa todella yksinkertaiselta täpältä kartalla, voidaan siihen tallentaa lukematon määrä tietoa, kuten esimerkiksi rakennuksen rakennusvuosi ja pinta-ala. Pisteaineistoista tarkin on laserkeila-aineisto, koska se sisältää miljoonia pisteitä ja sen raakaversiosta voidaan valikoida  monenlaisia asioita joita visualisoida, kuten rakennuksia tai kasvillisuutta. Pisteaineisto on kuitenkin vaikeampi esittää, kuin ruutuaineisto.

Ruutuaineistot ovat hyviä aineistoja, kun halutaan kerätä tietoa jostakin alueesta ilman valmista aluejakoa. Käyttäjä voi itse valita, minkä kokoisia ruutuja tarkastelee. Ruutuaineistot ovat kuitenkin huomattavan kalliita, mikä tekee niistä peruskansalaiselle vaikeamman “saavuttaa”.

Ruutuaineiston käsittely

Tunnin aikana harjoittelimme ruutuaineiston käsittelyä. Luennon aikana tutuiksi tulivat uudet työkalut kuten Vector Grid ja Select by Location. Loimme myös kurssimateriaalin avulla kartan, josta näkyy ruotsinkielisen väestön osuus pääkaupunkiseudulla. Tehtävänämme oli myös luoda kartta käyttäen jotain muuta attribuuttitaulukon muuttujaa ja oman luomukseni näette alla (Kuva 1).

Myös Liisa oli blogissaan tutkinut muunkielisen väestön määrää pääkaupunkiseudulla ja tykkään erityisesti hänen karttansa värimaailmasta, joka on kivan vihreä ja tekee kartasta helposti luettavan.

Kuvasta 1 voidaan huomata, että suurin osa muuta kuin suomea äidinkielenään puhuvasta väestöstä sijoittuu Helsingin, Espoon ja Vantaan alueille. Kuten Liisakin blogissaan mainitsi, on kartta melko yleistävä, ja koska esimerkiksi paikannimet puuttuvat kartalta kokonaan, ei sitä ole kaikkein helpoin lukea. Uskon, että henkilölle, joka ei paljoakaan tiedä pääkaupunkiseudusta, kartta ei antaisi paljoakaan irti.

Miksi muunkielinen väestö on keskittynyt kaupunkien katveeseen? Myös Annika on pohtinut samaa blogissaan. Vaikka karttaa on vaikeahko lukea, voidaan kuitenkin yleistiedon perusteella sanoa, että esimerkiksi työpaikat houkuttelevat asukkaita tietyille alueille. Kaupunkien läheisyydessä on luultavasti enemmän työpaikkoja, joissa työntekijä voi esimerkiksi käyttää vain englannin kieltä, kuin maaseudulla. Junaratojen vierustoilla asuinalueet kuten Kivistö Vantaalla ja Espoon Keskus Espoossa houkuttelevat muunkielisiä halvempien vuokrien avulla.

Espoossa Otaniemi on maailmallakin tunnettu korkeakoulu, joten se houkuttelee alueelle paljon ulkomaalaisia opiskelijoita. Itä-Helsingissä halvat vuokrat ja muiden maahanmuuttajien muodostamat yhteisöt houkuttelevat alueelle uusia asukkaita. Helsingin Sanomissa on julkaistu kiinnostava artikkeli mikä havainnollistaa muunkielisen väestön sijoittumisen Helsingissä.

Korkeuskäyrien pariin

Aloitimme luennon toisen puoliskon tarkastelemalla Pornaisten peruskarttaa ja paria rasteriaineistoa. Aluksi tehtävänä oli muuttaa aineistojen koordinaattijärjestelmät tuttuun TM35-järjestelmään ja sen jälkeen yhdistää tasot virtual raster-toiminnon avulla. Tämän jälkeen teimme alueelle rinnevarjostuksen jonka jälki oli todella tarkkaa! Oli mielenkiintoista kuinka yksityiskohtainen aineistosta tuli, jopa peltojen pienet kyntöurat näkyivät.

Loimme kartalle myös korkeuskäyrät, minkä tekeminen oli yllättävän helppoa. QGIS kuitenkin latasi korkeuskäyriä aivan todella kauan, mikä johtui luultavasti suuresta aineistosta. Luodussa kartassa näkyivät sekä pohjakartta, rinnevarjostus, että uudet korkeuskäyrät (Kuva 2.)

Seuraavaksi saimme luvan kerrata TEM-kurssin saloja, nimittäin pääsimme kliksuttelemaan erilaisia kohteita kartalta. Voin sanoa, että pieni epätoivon äännähdys pääsi itseltänikin, kun tämän kuulin, mutta tehtävä sujui kuitenkin nopeahkosti (Kuva 3.)

Siinä kaikki tällä kertaa. Tsemppiä kaikille kanssaopiskelijoille! 🙂

Lähteet:

Innanen, A. (11.2.2021) Harjoitus 4: Väestöteemakartta ruutuaineistosta. <https://blogs.helsinki.fi/anninnan/>

Ahokas, L. (13.2.2021) rasteria ja muuta kivaa (neljäs kurssikerta). <https://blogs.helsinki.fi/ahokliis/>

Kuokkanen, K. (2020) Satatuhatta helsinkiläistä <https://dynamic.hs.fi/a/2020/helsinginkielet/>

 

En päässyt osallistumaan kolmannen kurssikerran liveluennolle, joten minulle jäi itseopiskeltavaksi tämän luennon aihe. Onneksi luennot olivat tallennettuja, joten pääsin näppärästi katsomaan ne Moodlen kautta, eikä tarvinnut ihan yksin käpristellä uusien harjoitusten kanssa.

Tällä kertaa emme tehneetkään töitä Suomen valtion kanssa, vaan hyppäsimme Afrikan mantereelle. Harjoittelimme aluksi samanlaisten sarakkeiden yhdistämistä niin, että myös laskemamme pinta-alat siirtyisivät sarakkeiden mukana. Tämä tehtiin siksi, että attribuuttitaulukossa oli jokaista valtiota todella monta riviä, koska jos valtiolla oli esimerkiksi saaria, näkyivät ne omina riveinään. Testasimme kahta eri toimintoa, dissolve ja aggregate, joista aggregate oli huomattavasti parempi tähän hommaan. Dissolve oli ihan hyvä, mutta se ei laskenut pinta-aloja yhteen vaan valitsi riveiltä suurimman luvun.

Harjoittelimme myös excel-aineiston liittämistä QGIS-aineistoon, joka kävikin yllättävän helposti, kun excel-tiedostosta muunnettiin csv-tiedosto. Lisäsimme aineistoomme myös muita tietoja, kuten tiedon internetin käytöstä valtioittain ja laskimme myös internetin käyttöasteen.

Tarkastelimme myös Afrikan valtioiden konflikteja ja mietimme niiden suhdetta esimerkiksi timanttilouhontaan. Huomasimme, että esimerkiksi Angolassa, jossa timanttikaivoksia oli peräti 43, oli konfliktivuosia 42. Vaikka emme voi olla varmoja onko näillä kahdella asialla kausaatiota, voi niillä olla jonkinlainen korrelaatio, sillä valtioissa joissa konflikteja oli huomattavan vähän, oli myös todella vähän timanttikaivoksia. Vaikka luulisi, että timanttien louhonta rikastuttaisi valtioita ja näin vähentäisi konflikteja, ei taulukon perusteella näin ole. Sannan blogissa onkin kerrottu ns. veritimanteista ja kuinka esimerkiksi Sierra Leonin sisällissotaa on tuettu alueen timanttikaivoksilla. Myös Time-magazine on julkaissut kiinnostavan artikkelin jossa käsitellään veritimantteja tai toiselta nimeltään konfliktitimantteja.

 

Kotitehtävänämme oli luoda kartta Suomen järvisyydestä, sekä laskea eri tietokantoja yhdistelemällä tulvaindeksi. Voin sanoa, että meinasin repiä viimeisetkin hiukseni päästä, kun avasin tehtävän pari päivää luennon jälkeen (päähän ei selvästikkään ollut ihan tarttunut opittu asia). Aluksi en löytänyt alikeskivirtaamaa, mutta sitten keksin katsoa eri tasojen attribuuttitaulukoita ja sieltähän se löytyikin (tietenkin..). Muistelin, että join-toiminnolla sai kaksi eri tietokantaa liitettyä toisiinsa ja näinhän kävikin, jes yksi askel eteenpäin!

Seuraavaksi laskin tulvaindeksin jakamalla keskiylivirtaaman keskialivirtaamalla. Termit olivat itselleni aivan hepreaa, joten eiköhän tsekata, mitä harjoituksen ohjeissa näistä kerrotaan. Okei, eli keskialivirtaama tarkoittaa alimpien mitattujen arvojen keskiarvoa jollain ajanjaksolla mitattuna. Ylikeskivirtaama taas tarkoittaa päinvastaisesti ylimpien mitattujen arvojen keskiarvoa. Tulvaindeksi vertaa näitä kahta arvoa toisiinsa.

Kuvassa 1. näkyy attribuuttitaulukko joins-toiminnon ja tulvaindeksin laskennan jälkeen. Lisäsin toisesta tietokannasta vahingossa pari saraketta, jotka olivat jo myös toisessa, joten esimerkiksi sarake “nimi” ilmenee taulukossa kaksi kertaa. No ainakin tulvaindeksi saatiin laskettua! Suurin tulvaindeksi taulukon mukaan löytyy Aurajoelta ja pienin Vuokselta.

Koropleettikartan (Kuva 2.) luominen tulvaindeksin pohjalta aiheutti aluksi päänvaivaa, kunnes muistin miten arvot saa esille kartalle ja sen jälkeen kartan viimeistely sujuikin hyvin. Sitten aloin tarkastelemaan karttaani tarkemmin ja huomasin, että se näytti erilaiselta kuin muiden opiskelijoiden. Kuten Tapiokin blogissaan ihmetteli, oli itsellänikin tulvaindeksin arvot hieman erilaiset. Voisiko tämä johtua esimerkiksi siitä että opiskelija on valinnut jonkin muun kuin “natural breaks”-kohdan karttaa väsätessään?

Seuraavaksi tehtävänä oli vielä lisätä samaan attribuuttitaulukkoon tieto alueiden järvisyydestä, joka oli alkuperäisesti exel-muodossa. Tämän jälkeen oli tehtävänä luoda teemakartta, josta järvisyys selkenisi diagrammeina. En saanut join-toimintoa millään toimimaan ja kahta tietokantaa näin ollen liitettyä toisiinsa. Yritin pyytää apua myös muilta opiskelijoilta, mutta en saanut karttaa tehtyä loppuun, koska vaikka join-toiminnon tein aivan ohjeiden mukaan, ei liitetty tieto järvisyydestä tullut näkyviin.

Lähteet:

Baker, A. Blood diamonds. Time Magazine.<https://time.com/blood-diamonds/>

Jantunen, S. (3.2.2021). Veritimanteista keskivirtaamiin. <https://blogs.helsinki.fi/smjantun/>

Turpeinen, T. (4.2.2021). 3: Konflikteja ja tulvaindeksejä <https://blogs.helsinki.fi/tapiotur/>