Harjoitus 7

Viimeisellä kurssikerrralla tehtiin itse valittuja projekteja. Luin kurssikerran ohjeet tietysti vasta kurssikerran jälkeen, joten tekemäni projekti ei ehkä ihan vastaa annettuja ohjeita, mutta ehkä se kelpaa :))

Tutkin hetken, mitä dataa on helposti saatavilla ja löysin koralliriuttoja kuvaavan aineiston. Otin sitten selvää, koralliriuttojen suojelusta ja hain inspiraatiota, miten voisin analysoida aineistoa.

Reef Resilience Networkin mukaan merien suojelualueita (Marine Protected Areas, MPA) suunnitellessa olisi painotettava koralliriuttoja ja atolleja, jotka ovat yli 20km päässä muista vastaavista kohteista.

Otin tavoitteekseni erotella sellaiset koralliriutat tai atollit, jotka täyttävät yllämainitun kriteerin. Tehtävä kuulostaa helpolta ja helppo se varmaan onkin, mutta se osoittautui ainakin itselleni yllättävän haastavaksi. Koin kurssikerran aikana samanlaisia fiiliksiä kuin Joonas Lipponen kertoo omassa blogissan kokeneensa nimittäin sain koko kerran aikana tehtyä vain tämän yhden ainoan kartan, vaikka uskoin tehtävän olevan helppo.

Ongelmaksi osoittautui samaan layeriin kuuluvien vektorien erotteleminen toisistaan. Tein ensin kaikille kohteille 20km bufferin ja yritin sitten valita sellaiset kohteet, jotka ovat päällekkäin toisen kohteen kanssa. Googletukseni mukaan tämän olisi pitänyt onnistua helposti, mutta eipä onnistunutkaan. Lopulta sain muistaakseni Clip-työkalun avulla luotua oman layerin bufferien  leikkaavista alueista, joiden päällekäisyyttä analysoimalla sain valittua ne kohteet, jotka ovat 20km kilometrin säteellä toisesta kohteesta. Tätä kautta sain luonnollisesti valittua myös ne kohteet, jotka ovat yli 20km päässä muista kohteista ja tulos on nähtävillä alla olevassa kuvassa.

Vihreällä koralliriutat ja atollit, jotka sijaitsevat yli 20km päässä toisesta lähimmästä. Harmaalla muut koralliriutat ja atollit.

Vihreällä merkityt kohteet ovat sellaisia, minkä suojelua tulisi priorisoida.

Kokonaisuutena tästä projektista jäi vähän huono maku, kun tuntui, että tein yksinkertaisen asian tarpeettoman monimutkaisesti, mutta tulipahan lopulta ainakin tehtyä.

Lähteet

Lipponen, Joonas (2023). Viikko 7: Lopetus blogille. Joonaksen blogi. https://blogs.helsinki.fi/joblippo/

Reef Resilience Network. Critical Areas. https://reefresilience.org/management-strategies/marine-protected-areas-2/resilient-mpa-design/critical-areas/

Harjoitus 6

Tällä kurssikerralla harjoiteltiin pistedatan tuomista QGIS:iin internetistä csv-muodossa. Tämä tuntui aika helpolta, koska nettisivuilta, mistä dataa ladattiin, löysi helposti haluamansa datan ja QGIS osasi aika hyvin löytää csv-tiedostosta oikeat koordinaattisarakkeet.

Ensimmäiseksi toin maailmankartalle yli 6,5 magnitudin maanjäristyksiä kuvaavia pisteitä eri aikajaksoilta. Kuvassa 1. on maanjäristykset edellisen 30 päivän ajalta, mutta niitä on sen verran vähän, ettei tästä aineistosta ole esimerkiksi opetuksessa juurikaan hyötyä.

Kuva 1. Yli 6,5 magnitudin maanjäristykset viimeisen 30 päivän aikana.

Kuvassa 2. on maanjäristykset vuoden 1990 jälkeen ja tässä kartassa näkyykin jo selvästi alueet, missä maanjäristyksiä esiintyy ja missä niitä esiintyy kaikista eniten. Mielenkiintoista on, että kuva 2. ja kuva 3. näyttävät lähestulkoon samalta, vaikka kuvassa 3. on 90 vuotta enemmän dataa. Tämä viittaa ehkä siihen, että todellisuudessa havaintoja ei ole juurikaan ennen vuotta 1990 saatavilla, vaikka niitä pystyykin hakemaan.

Kuva 2. Yli 6,5 magnitudin maanjäristykset vuoden 1990 jälkeen.
Kuva 3. Yli 6,5 magnitudin maanjäristykset vuoden 1900 jälkeen.

Kuvassa 4. on kuvattuna tulivuoret. Kun tätä karttaa verrataan maanjäristyskarttoihin huomataan odotetusti yhtäläisyyksiä. Maanjäristyksiä esiintyy jonkin verran kaikkialla mannerlaattojen saumakohdissa, mutta selkeästi eniten alityöntövyöhykkeillä. Tulivuoria esiintyy myös alityöntövyöhykkeillä. Näitä karttoja voisi käyttää opetuksessa havainnollistamaan konkreettisesti maanjäristysten ja tulivuorten esiintymistä alityöntövyöhykkeillä.

Kerttu Rinkinen vertaili omassa blogissaan eroja tulivuorten esiintymisessä pohjoisen ja eteläisen pallonpuoliskon välillä. Mielestäni oli mielenkiintoista, että tulivuorten esiintymisessä oli selkeä ero nimittäin pohjoisella pallonpuoliskolla oli huomattavasti enemmän tulivuoria. Voisikohan tämä johtua esimerkiksi siitä, että vedenalaisia tulivuoria on vaikeampi havaita ja eteläinen pallonpuolisko on suurelta osin vain merta?

Kuva 4. Tulivuoret

Etenkin maanjäristyksiä kuvaavia karttoja voisi käyttää mm. mannerlaattojen opetuksessa. Maanjäristyksiä kuvaavat pisteet mukailevat hienosti mannerlaattojen rajoja. Kuva 5. on Helsingin Sanomien kartta mannerlaatoista.

Kuva 5. Mannerlaatat. https://www.hs.fi/tiede/art-2000005487447.html

Kuvassa 6. on kuvattuna maahan iskeytyneitä meteoriittejä. Tästä kartasta voidaan ehkä lähinnä päätellä, missä meteoriittien iskeymiä on tutkittu eniten ja mistä niitä on helpoin havaita. Sen sijaan en uskaltaisi tämän kartan perusteella sanoa minne meteoriitteja todellisuudessa on tippunut eniten, koska paikoistaa kuten Amazonin sademetsä niiden jälkiä voi olla hankala löytää. Luultavasti tästä syystä Pohjois-Amerikka ja Eurooppa erottuvat tässä kartassa muista alueista.

Kuva 6. Meteoriitit

Lopussa vielä kuva pienestä interpolointityökalun testailusta, missä interepoloin maanjäristyksiä magnitudin mukaan. Kuva ei ole kovin informatiivinen, koska siinä ei näy edes mannerten rajoja, mutta ainakin ihan hauskan näköinen 🙂

Kuva 7. Interpoloidut maanjäristykset

Lähteet

Rinkinen, Kerttu (2023). 6. harjoituskerta 22.2.2023. Kerttu’s blog. https://blogs.helsinki.fi/rkerttu/

Harjoitus 5

Tällä kurssikerralla harjoteltiin mm. bufferointia, jonka koen olevan aika keskeisessä roolissa monissa GIS-analyyseissä. Tehtävänä oli luoda erilaisia bufferi-alueita Malmin ja Helsinki-Vantaan lentoasemien ympärille. Ideana oli selvittää kuinka paljon ihmisiä asuu lentokenttien meluhaitan piirissä. Tämä on yksinkertaisimpia bufferoinnin käyttötarkoituksia, mutta erittäin tehokas tämän kaltaisessa analyysissä. Alla olevassa taulukossa on 1km ja 2km säteellä lentokenttien kiitoradoista asuvien ihmisten määrät.

Seuraavassa taulukossa on eri kriteereillä tehtyjä bufferianalyysejä Helsinki-Vantaan lentokentästä.

Seuraavassa tehtävässä bufferoitiin juna- ja metroasemia ja selvitettiin kuinka vahvasti asutus keskittyy niiden läheisyyteen. Analyysin tuloksena selvisi, että yli 20 prosenttia annetusta väestöstä asuu asemien läheisyydessä ja, että asemien läheisyydessä asuvista n. 67 prosenttia on työikäisiä.

Mielestäni tässä analyysissä muuttujia on liian vähän, jotta kovin mielekkäitä johtopäätöksiä voisi tehdä. Samoin, kun kiinnostuksen kohteena on saavutettavuus ei pelkkä etäisyys ole aina kovin hyvä mittari vaan esimerkiksi matka-aika voisi toimia paremmin. Tässä tapauksessa matka asemilta on toki hyvin lyhyt, mutta etenkin pidemmillä matkoilla ei saavutettavuus välttämättä ole läheskään sama kahdesta yhtä kaukana sijaitsevasta pisteestä.

Kurssikertaan liittyi vielä itsenäinen tehtävä, joista valitsin uima-altaita ja saunoja koskevan tehtävän. Tässä tarkoituksena oli analysoida uima-altaiden alueellista jakautumista pk-seudun sisällä sekä selvittää minkä tyyppisissä rakennuksissa uima-altaita on.

PK-seudun pienalueet ja niillä sijaitsevien uima-altaiden määrä numeroina sekä pylväinä esitettynä.

Olen samoilla linjoilla Tatu Jentzen kanssa siitä, että yksi tämän kerran tärkeimmistä työkaluista oli ehdottomasti Select Features by value -työkalu. Toinen googlettamalla löytämäni työkalu, mikä pelasti uhkaavasti kasvaneelta turhautumiselta oli Fix geometries -työkalu. En ole varma, mitä kyseinen työkalu tekee, mutta sen avulla olen päässyt eroon monien työkalujen herjaamista virheilmoituksista ja päässyt etenemään tehtävien tekemisessä.

Lähteet

Jentze, Tatu (2023). Itsenäistehtäviä olevinaan. MAA-202 Tatu. https://blogs.helsinki.fi/jentze/

Harjoitus 4

Ensimmäkisessä tehtävässä päätin kuvata eläkeläisten prosenttiosuuksia ruuduittain 1km x 1km ruudukossa. Ruudukossa, missä ruudut ovat saman kokoisia on mahdollista vertailla absoluuttisia lukuja, koska vertailtavien alueiden pinta-alat ovat yhtä suuria. Halusin kuitenkin itse kuvata prosenttiosuuksia, koska absoluuttiset luvut eivät ota huomioon alueella asuvien ihmisten kokonaismäärää, joten muuttujan vaihtelu saattaisi selittyä pelkästään väkimäärän vaihtelulla.

Mielestäni 1km x 1km ruudukko sopi kuvaamalleni muuttujalle hyvin, mutta esimerkiksi Lucas Yoni kuvaa blogissaan muun kielisten osuutta käyttäen 250m x 250m ruudukkoa, joka näyttää toimivan kyseisellä muuttujalla erittäin hyvin. Eri kokoiset ruudut muuttavat kartan luonnetta merkittävästi.

Kuva 1. Eläkeläisten prosenttiosuus 1km x 1km -ruudukossa.

Kuvasta 1. nähdään, että eläkeläisten osuus väestöstä on suuri erityisesti Helsingin kantakaupungissa ja sen ympärillä sekä Itä-Helsingissä. Kantakaupungissa asuminen saattaa selittyä palveluiden läheisyydellä sekä kerääntyneellä varallisuudella, mikä mahdollistaa asumisen alueella, missä asuntojen hinnat ovat hyvin korkeita.

Toisena tehtävänä oli muodostaa korkeuskäyriä. Kuvassa 2. on kuvattuna Pornaisten peruskarttalehden alueen korkeuskäyrät sekä isoimmat tiet.

Kuva 2. Pornaisten korkeuskäyrät sekä isoimmat tiet.

Mielestäni korkeuskäyrien muodostaminen oli todella suoraviivaista, kun tarvittava aineisto oli valmiina.

Lähteet

Yoni, Lucas (2023). Tää on oikeesti vähän siistiä. Lucaksen ensiaskeleet kohti GIS-velhoutta. https://blogs.helsinki.fi/luberger/2023/02/13/viikko-4-taa-on-oikeesti-vahan-siistia/

Harjoitus 3

Tällä viikolla tavoitteena oli pyöritellä lisää tietokantoja ja tehdä niille jälleen erilaisia toimintoja. Ensimmäisenä tehtävänä oli lisätä Afrikan valtiot sisältävään tietokantaan tietoja muista tietokannoista. Alussa painotettiin tietokannan käyttötarkoitukseen sopivaa kokoa ja tässä tapauksessa pienempi koko oli aivan riittävä.

Kun valtionrajojen tietokantaan oli liitetty tiedot, öljykentistä, timanttikaivoksista, konflikteista ja internetin käyttäjistä, pystyttiin niiden lukumääriä tarkastelemaan maakohtaisesti.

Kuva 1. Afrikan valtioiden rajat ja öljykenttien, timanttikaivosten sekä konfliktien sijoittuminen.

Näistä tiedoista pystytään tutkimaan onko esimerkiksi timanttikaivosten tai öljykenttien ja konfliktien esiintymisen välillä yhteyttä. Hypoteesina voisi arvella näiden muuttujien välillä olevan positiivista korrelaatiota.  Samoin voisi odottaa, että internetin käyttäjien määrä, joka kuvaa valtion kehityksen tasoa, olisi negatiivisesti korreloitunut konfliktien määrän kanssa.

Toisena tehtävänä oli laskea valuma-alueiden tulvaindeksi ja visualisoida se kartalle. Kuvassa 2. on havainnollistettuna tulvaindeksit. Voidaan huomata, että korkean tulvariskin alueet sijoittuvat pohjanmaalle ja Etelä-Suomeen, missä valuma-alueet ovat pieniä ja maa on tasaista.

Kuva 2. Suomen valuma-alueet ja niiden tulvaindeksit

Kuvassa 3. on edelliseen karttaan lisätty myös järvisyysprosentit, jotka kuvaavat järvien kattavuutta kokonaispinta-alasta. Huomataan, että järvisyysprosentilla ja tulvaindeksillä on selvä negatiivinen korrelaatio, sillä korkeimman tulvariskin alueilla järvisyysprosentti on hyvin matala ja toisin päin.

Kuva 3. Suomen valuma-alueet, niiden tulvaindeksit sekä järvisyysprosentit pylväinä esitettynä.

Kuten Milja Mäkinen toteaa blogissaan, runsaat sateet ja jääpatojen sulaminen aiheuttaa tulvia tasaisilla alueilla. Jääpatojen ja rankkasateiden aiheuttamat tulvat ovatkin ominaisia etenkin Pohjanmaan alueelle (Seppälä 2005). Järvien vähäisyys lisää tulvia, koska vesi ei pääse valumaan tehokkaasti pintavesiin.

Lähteet

Mäkinen, Milja (2022). Kurkistus Afrikkaan ja Suomen tulvarannikoille. Miljan matkassa GIS. https://blogs.helsinki.fi/mxmilja/

Seppälä, Matti (2005). The physical geography of Fennoscandia. Oxford University Press.

Harjoitus 2

Tällä kurssikerralla harjoiteltiin tietokantojen hallitsemista ja esimerkiksi eri tietokantojen yhdistelemistä. Opimme myös avaamaan tietokantoja rajapinnan kautta, mikä oli itselleni ihan uusi asia.

Harjoituksena tutkimme eri karttaprojektioiden välisiä eroja ja visualisoimme niistä karttoja. Ensimmäisenä vertailimme Mercatorin projektion ja TM35FIN projektion välisiä pinta-alaeroja. Mercator on oikeakulmainen projektio, mutta se vääristää pinta-aloja radikaalisti etenkin lähellä napa-alueita. Alla olevassa kartassa on visualisoitu Mercatorin ja TM35FIN:in pinta-alojen suhdetta. Vertaillessani tuloksiani muiden vastaaviin tuloksiin huomasin, että monen muun laskemat suhdeluvut olivat huomattavasti suurempia. Esimerkiksi Kiia Korpisen blogissa hän saa suhdeluvuksi suurimmillaan yli 8, kun itselläni suhdluku on suurimmillana vain vähän yli 3. Olen selvästi tehnyt jonkun virheen laskuissani 😀

Toisena projektiona vertasin Robinsonin projektiota samaan TM35FIN-projektioon. Tulokset näkyvät alla olevassa kartassa. Suhdeluvuista nähdään, että myös Robinsonin projektio vääristää pinta-aloja ylöspäin, joskin huomattavasti maltillisemmin kuin Mercator. Tämän projektion osalta lukemat vaikuttavat saman suuntaisilta kuin muilla, joten ne ovat luultavasti oikein.

Itse en ehtinyt tutkia muita projektioita, mutta esimerkiksi Anna Liljeforsin blogissa hän vertailee mm. Equal earth -projektiota, jonka pinta-alat ovat hyvin lähellä TM35FIN:in pinta-aloja kaikkialla.

Lähteet

Anna Liljefors (2023). Harjoitus 2. Anna’s Blog. https://blogs.helsinki.fi/annalilj/2023/02/01/harjoitus-2/

Kiia Korpinen (2023). Kurssikerta 2. Geoinformatiikan menetelmät 1, 2023. https://blogs.helsinki.fi/kiiakorp/