Kurssikerta 3

Hellou!

Kirjoitan tätä postausta nyt uusin aivoin ja silmin, kun eilen QGis jälleen koetteli hermojani. Olin poissa viime kurssikerran ja maannut nyt neljä päivää flunssan kourissa – ja tästä syystä saan selkeästi QGis:in vihat niskaani.

Viikon tavoitteena oli edelleen oppia käsittelemään tietokantaa, muun muassa järjestelemään ja karsimaan sen sisältämiä tietoja haluamansa mukaan. Suuressa osassa kurssikertaa oli Join-toiminnon käyttö, jota itse olen odottanut tapeltuani kyseisen toiminnon kanssa ensimmäisen kurssikerran itsenäisissä tehtävissä. Tähän liittyi myös tietokantojen sarakkeiden tietojen päivittäminen ja uusien sarakkeiden luominen laskutoimitusten avulla, jota olemmekin jo päässeet aiemmin harjoittamaan. Lopuksi tälläkin kertaa sai keskittyä visualisoimaan teemakarttaa.

Tehtävä Afrikka

Ensiksi käsittelimme Afrikan valtiot sisältävää tietokantaa, johon oli tarkoituksena liittää tiedot esimerkiksi väestöstä, yleisesti internetiä käyttävästä väestöstä, Facebookia käyttävästä väestöstä ja timanttikaivosten sekä konfliktien sijainnista ja lukumäärästä.

Kurssikerran ensimmäisessä osassa harjoiteltiin Select features by value-toimintoa, jonka avulla pystytään yhdistämään tietoja yhdistävän tekijän perusteella. Itselläni tähän liittyvä Merge selected features-toiminto hälytti virhekoodia, enkä päässyt eteenpäin lukuisista yrityksistä huolimatta. Tälle onneksi oli ohjeissa vaihtoehtoinen toiminto, jossa tietokannan kohteet voidaan yhdistää kerralla saraketietojen pohjalta Dissolve-toiminnolla hämäävästä nimestä huolimatta. Tällä valtioiden tiedot nivoutuivat nätisti omiin sarakkeisiin.

Afrikka-tietokantaan tuotiin muita aineistoja Join-toiminnolla, jonka jälkeen tarkastelin Field calculator-toiminnon avulla esimerkiksi sitä, kuinka moni Afrikan väestöstä käyttää internetiä verraten koko väestöön ja kuinka iso väestöstä käyttää puolestaan Facebookia. Näitä tietoja voidaan pitää jonkinlaisena kehityksen mittarina.

Kuten kuvassa 1 näkyy, loin tarkastelluista muuttujista Afrikan maanosaa kuvaavan kartan. Kartasta pystytään havainnoimaan öljykenttien, konfliktien ja timanttikaivosten sijainti valtioihin nähden.

Ongelmaksi minulle harjoituksessa koitui osuus, jossa ideana oli tiedon tuottaminen tietokantaan sijainnin perusteella. Count points in polygon-toiminto oli vielä melko helppo ja sain hyvin näkyviin esimerkiksi timanttikaivoksten määrän valtioittain. Uniikkeja yksilöllisiä konflikteja en enää osannut tietokannasta selvittää ja Join attributes by location (summary)-toiminto, jonka avulla olisi pystynyt tarkastelemaan polygonien määrää polygonin sisällä, ei tuottanut tarvitsemiani tuloksia. Kun yritin tätä jälkimmäistä, se purki joka kerta yhdistämäni valtiot taas lähtöpisteeseen, eli aivan kuin en olisi suorittanut Dissolve-toimintoa alussa.

No, pois teknisestä puolesta. Tehtävänä oli pohtia, mitä tiedoilla voisi tehdä tai päätellä, kun tietokannasta löytyy muitakin muuttujia, kuten konfliktin tapahtumavuosi ja laajuus kilometreinä, timanttikaivosten löytämisvuosi, kaivausten aloitusvuosi ja tuottavuusluokittelu, öljykenttien löytämisvuosi, poraamisvuosi sekä tuottavuusluokittelu ja internetkäyttäjien lukumäärä eri vuosina.

Pelkästään näitä muuttujia sekä karttaa tarkastelemalla, voitaisiin tehdä oletuksia muuttujien yhteyksistä. Konfliktien aikana kaivosten ja öljykenttien tuottavuusluokitus voisi olla huonompi. Lähdin hakemaan inspiraatiota Turkka Häkkisen blogipostauksesta. “Mielenkiintoisen tarkastelun konfliktien vaikutukselle tuottavuuteen saa myös esille tarkastelemalla tilanteita, joissa konflikti sattuu löydöksen ja ensimmäisen tuotantovuoden välille tai näkyy öljykenttien tuottavuusluokittelussa.” Häkkinen huomauttaa. Tämä on erittäin hyvä näkökulma, mikä ei itselle heti tullut mieleen. Konfliktialttiissa valtioissa luonnonvarojen hyödyntämisen ja vaurastumisen lisääntyminen voi edesauttaa konfliktien syntyä.

Konfliktien ja internetin käyttäjien välillä voitaisiin havaita varmasti jonkinlainen yhteys. Internetin käyttäjiä voisi olla konfliktialttiissa valtioissa vähemmän suhteessa muihin valtioihin tai internetin käyttö konfliktivuosina vähenee. Timanttikaivosten ja öljykenttien tuottavuuden ja luonnonvaran hyödytämisen aloittamisen jälkeen internetin käyttäjäkunta on varmasti kasvanut vaurastumisen myötä.

Tehtävä tulvaindeksikartta

Viikon toisessa tehtävässä oli tarkoituksena luoda teemakartta, joka kuvaa Suomen valtion vesistöjen valuma-alueominaisuuksia, kuten tulvaherkkyyttä ja järvisyyttä. Järvisyys oli itselle melko tuntematon käsite, joka ei sinänsä kertonut mitään. Tieteen termipankissa sen määritelmä on seuraava: “Järvien prosenttiosuus valuma-alueen alasta”. Tulvaherkkyyttä tehtävässä kuvataan tulvaindeksinä, joka on tulvahuippujen ja kuivien kausien aliempien arvojen keskiarvot suhteessa toisiinsa. Luku kuvaa siis virtaaman vaihtelua verraten virtaaman huippua kuivimpaan aikaan.

Tehtävässä pääsin jatkamaan Join-toiminnon harjoittelua. Yleisesti kaikkia liitostoimintoja käytettässä on erittäin tärkeää, että tietokannoista löytyy yhtenäinen sarake ja että tietokantojen informaatiot syötetään toivottuun toimintoon oikein. Jouduin itse toistelemaan toimintoja useaan otteeseen ja aloittamaan alusta, koska QGis:in toiminta ei vieläkään ole minulle täysin selkeää. Lisäksi minulla oli taas monta turhaa tasoa mukana läpi harjoituksen, mutta edelleen, mielummin pelaan näin varman päälle.

Kuvassa 2 on tehtävässä luomani teemakartta, jossa tulvaindeksin voimakkuus on kuvattu eri oranssin sävyin. Kuvassa 3 on sama teemakartta, johon on lisätty järvisyyttä kuvaavat histogrammit, eli pylväskaaviot. Tallensin kaksi eri karttaa, jotta tulvaindeksiä kuvaavia luokituksia pystyy tarkastelemaan kunnolla. Mielestäni järvisyysprosenttia kuvaavat pylväät ovat hämmentäviä, koska prosenttilukuja ei ole esillä tai ne eivät ole kokonaisia sadan prosentin pylväitä. Nyt niitä pystyy vertailemaan vain toisiinsa. Suurin järvisyyttä kuvaava luku oli aineistossa 19,8 ja pienin 0, joten jos tuntee tietokannan valmiiksi, tulkitseminen on huomattavasti selkeämpää.

Pylväiden tuottamisen kanssa minulla oli suurin ongelma, jonka tajusin vasta pitkän kamppailun jälkeen. Järvisyyttä kuvaavat luvut olivat tekstimuotoisessa sarakkeessa, enkä vain löytänyt välivaihetta, jossa ne saisi desimaalimuotoon tuodessani aineistoa Excelistä. Omien googlettelujen ja Jentzen neuvojen jälkeen sain tietokannan sarakkeen muodon muutettua Toolboxista löytyvän Refactor-toiminnon avulla. Pylväät ilmestyivät ja olin iloinen. Luin Joona Korhosen blogipostauksesta, että muilla oli ollut samaa ongelmaa ja tämän huomaamiseen on hyvä muistisääntö. “Tämän vinkin muistan tästä eteenpäin harjoituksia tehdessäni: tekstimuotoisena numerot asemoituvat sarakkeen vasempaan reunaan, lukuarvomuotoisena sarakkeen oikeaan reunaan”, Korhonen vinkkaa.

Ja vihdoinkin oikeaan tehtävään, kartan sisällön pohtimiseen. Maallikkona kartoista voisi ajatella, että tulvaindeksi kuvaa tulvien voimakkuutta tai esiintymistä. Järvisyysprosenttia kuvaavien pylväiden voisi ajatella merkitsevän järvien ja vesistöjen määrää alueella. Yhteenvetona siis Etelä-Suomi, Turun seutu sekä Perämeren alue Oulun eteläpuolella olisivat kaikista tulva-alttiimpia alueita, juuri tuon rannikkosijainnin takia. Manner- sekä Itä-Suomessa voidaan maallikon silmin katsoa olevan enemmän järviä sen takia, että näiltä valuma-alueilta ei ole suoraa käyntiä mereen.

Työntäyteistä viikkoa! 🌊

 

Lähdeluettelo:

Häkkinen, T., #yhteisellämatkalla (QGIS:n parissa), viikko 3. (Viitattu 5.2.2023) https://blogs.helsinki.fi/turkkaha/2023/02/04/yhteisellamatkalla-qgisn-parissa-viikko-3/

Korhonen, J., Viikko 3. (Viitattu 5.2.2023) https://blogs.helsinki.fi/kojoona/2023/02/01/viikko-3/

Tieteen termipankki, Ympäristötieteet:järvisyys. (Viitattu 5.2.2023) https://tieteentermipankki.fi/wiki/Ympäristötieteet:järvisyys.