Minerval's blog

Joulun lähestyessä saapuu myös tämän kurssin viimeinen kerta. Täytynee sanoa, että kurssin aikana olen huomannut suurta kehitystä GIS:iin liittyvien asioiden ymmärtämisessä, eivätkä tehtävät tunnu enää niin ”etäisiltä” ja monimutkaisilta. Tällä kertaa kurssitehtäviä oli kaksi, joista ensimmäinen sujui mutkitta ja toisen kanssa kävin pientä taistelua, jonka voin omaksi ilokseni kertoa päättyneen voittoon!

Ensimmäisessä tehtävässä tutustuttiin lämpötilan interpolointiin Afrikassa. Datassa oli näytteitä ympäri Afrikan maanosaa, joista jokaisessa oli kuukauden keskilämpötila. Näistä tehtiin aluksi histogrammeja (kuva 1) ja vertailtiin esimerkiksi tammikuun ja elokuun lämpötiloja, joista huomattiin, että elokuussa jakauma oli normaalimpi.

Tämän jälkeen tehtiin analyysi, joka ennustaa lämpötiloja ympäri Afrikkaa ja Lähi-itää. Tämä onnistuu geostatiikalla, joka perustuu siihen, että asiat ovat mitä todennäköisimmin samankaltaisia kuin sitä lähellä olevat mitatut arvot. Tähän käytetään Geostatistical Wizard -toimintoa, joka sisältää useita interpolointi keinoja, mutta ensiksi käytetään IDW:tä (Inverse Distance Weighting), joka on yksi simppeleimmistä interpoloinnin metodeista.

Alussa on tärkeää, että datoissa käytetään samoja projektoreita, jotta lämpötilojen ennustaminen olisi spatiaalisesti mahdollisimman paikkansa pitävä. IDW interpoloinnilla tehtiin sekä Smooth että Smooth Optimized. Jotta näistä kahdesta tiedettäisiin kumpi on luotettavampi, verrataan niiden Root-Mean-Square:a Cross Validationillä, sillä mitä lähempänä nollaa luku on, sitä luotettavampi se on. Tässä tehtävässä paremmaksi osoittautui Smooth Optimized.

Toisena käytetään Kriging –metodia, joka on huomattavasti vähemmän yksinkertaisempi, kuin aikaisempi IDW, sillä painoarvot lasketaan sekä näytteiden välisistä riippuvuuksista että kohteiden välisisistä riippuvuuksista. Jälleen verrataan Cross Validationillä Kriging Default ja Kriging Modified, joista huomataankin, että niiden arvot ovat hyvin samankaltaisia, mutta erottavana tekijänä voidaan pitää Root-Mean-Square:a, jolloin paremmaksi valitaan Kriging Modified.

Äsken luotua Kriging Modified –layeria tarkatellaan Standard Error –toiminnolla (kuva 2), joka kertoo epävarmuudet ennustetuissa arvoissa spatiaalisesti. Kuvassa näkyvät tummanpunaiset alueet ovat niitä, joilla epävarmuus on suurinta. Tässä voidaan nähdä selkeä ero mantereen ja meren välillä, joka johtuu suurimmaksi osaksi siitä, että merestä ei ole otettu näytteitä tätä dataa varten.

Ensimmäinen tehtävä saatiin lopulliseen muotoonsa kuten kuvassa 3. Kuten ehkä oletettavaa on, päiväntasaajalla on selkeästi lämpimin alue.

Toisessa tehtävässä selviteltiin interpoloinnin avulla lämpötilojen jakautumista kaupungissa ja vielä tarkemmin vanhemman väestön keskuudessa. Näin tiedostetaan alueet, joissa ikääntyneet ihmiset saattavat olla riskin alaisia lämpöaaltojen aikaan. Urbaaneilla alueilla lämpötilat saattavat nousta hyvinkin korkealle kuumina aikoina. Tähän vaikuttavat esimerkiksi pinnat kaupungeissa, jotka imevät itseensä lämpöä sekä kasvillisuuden vähäisyys. Kaupunkien ympärillä saattaa esiintyä Heat Island –ilmiö. Tästä voi lukea lisää esimerkiksi osoitteesta https://www.epa.gov/heatislands/learn-about-heat-islands.

Aluksi aineistosta tehtiin histogrammi, jota voi tarkemmin katsoa kuvasta 4. Poikkiviivat histogrammissa edustavat keskiarvoa, mediaania ja keskihajontaa.

Seuraavaksi keskitytään taas interpolointiin ja tarkemmin Kriging sekä EBK –metodeihin. Kuten ensimmäisessä tehtävässä, taas vertaillaan näiden kahden tulosta toisiinsa ja valitaan se, joka sopii paremmin tehtävään. EBK metodin interpolointi tulos on tarkempi, erityisesti standard errorsia vertaillessa. EBK käy yleisestikin ottaen silloin, kun käsitellään pieniä aineistoja, kuten tässä tehtävässä. Suurin ero näiden kahden metodin välillä on se, että EBK:ssa ei tarvitse määritellä/laskea erikseen semivariogrammia, kuten muissa kriging metodeissa, vaan sen oletetaan automaattisesta olevan kuten ennustettu ( Täältä lisää tästä ). Kummastakin metodista tosin voidaan huomata, että kaupunki keskusta on alue, jossa lämpeneminen on pahimmillaan.

Seuraavaksi karttaan lisätään uusi rasterilayer, josta nähdään läpäisemättömät alueet. Tähän käytetään ArcGis:istä haettavaa dataa nimeltä ”USA NLCD Impervious Surface Time Series”, joka kattaa koko Yhdysvallat, minkä vuoksi käytetään Exract by Mask-toimintoa, jolla saadaan rasteriaineisto vain meidän rajaamalle alueelle. Näin saadaan datasta huomattavasti pienempi.

Jotta saadaan vielä selville, että läpäisemättömille tasoilla ja lämpötilojen kohoamisella urbaanilla alueella on riippuvuutta, selvitetään tämä tekemällä kuvaaja, josta voidaan tulkita riippuvuutta paremmin. Aluksi pitää kuitenkin saada näytepisteiden ja läpäisemättömän layerin arvot samaan uuteen layeriin, jonka voi tehdä Exract Values to Points -toiminnolla. Tästä voidaan jatkaa edelleen Scatter Plotin tekoon (kuva 5). Kuvaajasta huomataan selkeä positiivinen riippuvuus lämpötilan ja läpäisemättömän pinnan välillä.

Seuraavaksi käytetään EBK Regression Prediction –toimintoa, jotta voidaan hyöydyntää läpäisemättömiä pintoja selittävänä muuttuja lämpötilamittausten interpoloinnissa. Aiempaan kahteen Kriging-metodiin verrattuna, uusi layer on hyvin samanlainen, mutta siinä on enemmän tarkkuutta.

Kun meillä on interpoloinnilla saadut lämpötilaoletukset, voidaan niistä laskea keskiarvo jokaiselle korttelille. Ensiksi pitää saada Zonal Statistics as Table –toiminnolla kortteleihin lämpötilan keskiarvo, jonka jälkeen tämä attribuuttitaulukko voidaan liittää korttelilayeriin. Lopputulos on kuvan 6 mukainen. Kuten siitä nähdään, kaupungin keskiosissa on kaikista kuuminta.

Tehtävän tarkoitus oli nähdä kuumien kortteleiden lisäksi niiden iäkkäät asukkaat. Lopputulosta voidaan analysoida vielä Select Layer by Attribute avulla ja lisätään sinne ehdoiksi, että korttelin lämpötilan keskiarvon on oltava isompi kuin 81 fahrenheittia ja korttelissa on oltava yli 65 asukkaita enemmän kuin 100 000. Työkalu hakee meille kuvan 7 mukaiset alueet. (Esrin ohjeissa oli hieman vähemmän alueita, en tiedä onko vika minussa, vai ohjeissa :D)

Kuvan 7 tietoja voitaisiin hyödyntää esimerkiksi ennakoimaan tulevien lämpöaaltojen vaikutusta terveydenhuoltoon. Jos kaupungissa on useita sairaaloita, keskustan alueella olevat sairaalat voisivat lisätä resurssejaan aikoina, jolloin on erityisen kuuma, sillä lähtökohtaisesti iäkkäämpi väestö kärsii kuumuudesta enemmän. Kaupallisella puolella tätä tietoa voitaisiin käyttää esimerkiksi markkinointiin. Yrityksen, jotka tarjoavat esimerkiksi lämpöilmapumppuja voisivat kohdentaa markkinointinsa näille alueille.

Kurssi alkaa lähenemään loppua ja tämän GIS-gurun taidot sen kuin paranevat. Kuudennen viikon tehtävissä tutustuttiin interpoloinnin mielenkiintoiseen maailmaan.

Ensimmäisessä tehtävässä annettiin pohjustukseksi tieto siitä, että maataloudesta aiheutuvat ravinnepäästöt vaikuttavat happipitoisuuksiin ja aiheuttavat näihin ekosysteemeissä häiriöitä, jotka ilmenevät esim. happikatoalueina. Tehtävänä oli selvittää happipitoisuudet tasoina ympäri Chesapeak (Virginia, USA)  laaksoa ja  tarkoituksena oli verrata kesän 2014 ja 2015 tuloksia. Ensimmäiseksi tehtiin kaavio (kuva 1) liunneiden happimolekyylien keskiarvoista, mistä voidaan nähdä niiden selkeät syklit.

Kun dataa ollaan tutkittu eri kaavioiden avulla, voidaan siirtyä Geostatistical Wizard:in käyttöön. Sieltä valitaan Interpolation with barriers ja tarkemmin Kernel Interpolation. Kernel on parempi vaihtoehto tässä kuin esimerkiksi Diffusion, sillä Kernel on yleisempi ja sitä käytetään usein juuri näytteiden kanssa, jotka on otettu joensuusta. Asetuksia pitää hieman hienosäätää, mutta tuloksena on kartta, kuten kuvassa  2.

Tarkoituksena oli myös tutustua miten Geostatistical Wizard:issa voi tutkia kohdetta eri asetuksilla (välivaiheita on niin monia, että niitä on turha tässä käydä läpi).

Mitä punaisempi väri on, sitä suuremmat alueille on liuennut maataloudesta ravinteita. Tässä taas voidaan huomata kuinka tärkeä osa värityksellä on lopputuloksen kannalta ja kuinka tärkeää on lopullisessa tuloksessa määritellä oikeanlainen asteikko työlle, (sillä eihän tuosta muuten mitään ymmärtäisi).

Tämän jälkeen tutustuttiin myös vuoden 2015 dataan kaavioiden ja histogrammin avulla sekä tehtiin 2015 vuoden datalle Kernel Interpolation with Barriers. Tämän tarkoituksena on tehdä polynomifunktioon pohjautuva trendipintainterpolointi lyhyille pätkille ja monta kertaa peräkkäin.

Kun 2014 ja 2015 dataa vertailtiin Cross Validationin avulla, huomattiin, että 2015 vuoden data oli n. 10 % tarkempi kuin edellisen vuoden. Tämä voidaan todeta vertailemalla niiden Root-Mean-Square:a, joka on pienempi vuoden 2015 datan kohdalla. Tämä tosin johtuu todennäköisesti siitä, että vuonna 2015 otettiin enemmän näytteitä.

Kummatkin, sekä vuoden 2014 ja 2015 datat, exportataan rasterimuotoon ja ne avataan erillisiksi karttaikkuinoiksi ja siirretään layoutille (kuva 3). Kuvaan lisättiin asianmukainen legenda, pohjoisnuoli sekä mittakaavat. Kuvasta nähdään hyvin vertailtuna vuoden 2014 ja 2015 karttojen erot ravinnepäästöissä. Kartoissa ei näy hälyttäviä lukuja, sillä arvot pysyvät pääosin yli 5mg/L, joka on suositeltu raja näissä päästöissä. Kuitenkin joillain alueilla on huomattavasti enemmän parannettavaa.

Tehtävää voitaisiin soveltaa selvittämään happikatoja vesistöissä ympäri maailmaa. Jos halutaan tuodan aihe lähemmäs meitä ja konkreettisemmaksi niin voidaan ottaa tutkittavaksi meidän rakas meremme. Esimerkiksi Itämeren tutkimuksessa on havaittu happikadon olevan ilmiönä erittäin suuri ongelma ja sen on arvioitu olevan jopa Etelä-Suomen kokoinen (llppo Vuorinen (2017), Itämeren muuttuva ekosysteemi).

Toisessa tehtävässä tehtiin 3D-mallinnusta interpolointia Monterey laaksossa. Tarkasteltavissa oli taas hapen määrä tietyllä alueella laaksossa. Tehtävässä on paljon vaiheita, joten joudun niitä karsimaan tässä raportissa.

Lähtötilanne oli kuvan 4 näköinen. Aluksi tutkittiin ja testailtiin mitä 3D-mallille voi tehdä, miten pisteistä löytää mitäkin tietoa ja kuinka liikkua 3D-mallin sisällä.

Tämän jälkeen tutkittiin dataa tarkemmin attribuuttitaulukosta ja tehtiin taulukoita. Esimerkiksi kuvan 5 kuvaajasta nähdään hapen määrän ja syvyyden selkeä suhde. Hapen määrä on suurin pinnalla ja vähenee vähitellen. Pienimillään se on n. -600m – -800m syvyydessä.

Empirical Bayesian Kriging 3D -toiminnolla saadaan 3D-näkymässä aikaseksi tasoja, joita voi liikutella tässä tapauksessa ylhäältä alas ja samalla nähdään tasojen happipitoisuudet. Kun tästä muutetaan vielä metodi Equal Intervals:iin ja luokat 32:teen, saadaan jokaiselle tasolle näkyviin myös happipitoisuuden vaihtelu tasolla. 

Tehtävässä muutetaan data rastereihin, tutkitaan ennusteita ja sekä erroreita. Näiden monien ja pitkien vaiheiden jälkeen projektista tehdään animaatio Oxygen Prediction – layerista, joka saatiin aikaisemmista vaiheista ja analyyseista. Oma animaationi näkyy alla.

Mielestäni tämä oli tehtävän hienoin kohta, koska tällaista ei ole aikaisemmin päässyt kokeilemaan. Ja kuka nyt ei olisi innoissaan 3D-mallinnusvideosta, jonka on itse tuottanut???

Interpoloinnista yleisesti:

Interpoloinnissa on tärkeää tietää rasterien merkitys. Esimerkiksi ensimmäisessä tehtävässä datat exportattiin rastereiksi. Tämä tehtiin siksi, että interpoloitavat kohteet olisivat lähekkäämmin toisiaan, sillä näin saadaan kaikista todenmukaisin tulos. On sanomattakin selvää, että solut, jotka ovat lähimpänä otosta, omaavat mitä todennäköisimmin samanlaisia arvoja otoksen kanssa, kuin ne jotka ovat siitä kaukana. Jos kuvitellaan alue, joka voidaan jakaa 20 soluun ja näytteitä on alueelta vain 6 kappalletta. Solut joihin ei osu näytettä voidaan interpoloimalla laskea matemaattisesti ennustamaan todennäköisintä lukua perustuen lähimpänä oleviin näytteisiin.

Tällä viikolla tehtiin näkyvyysanalyyseja sekä lisää 3D-harjoituksia, jotka olivat ainakin minun mielestäni siistejä! Harjoituksia oli kolme ja lisäksi yksi bonustehtävä.

Ensimmäisessä tehtävässä tarkoituksena oli asettaa valot New Yorkin osavaltion itäiselle telttailualueelle, jotta telttailualue voisi vastaanottaa enemmän kävijöitä myös pimeään aikaan. Tehtävän alussa harjoiteltiin databasen käyttöä ja sinne tallennusta.

Tämän jälkeen datan, joka kertoo valojen sijainnista, attribuuttitaulukkoon lisättiin tietoja (OFFSETA = valopylväitten korkeus, AZIMUTH 1 ja 2 = missä kulmassa valo on ja RADIUS2 = kuinka pitkälle valon täytyy näkyä). Seuraavaksi harjoituksessa käytetiin viewshed –toimintoa, jotta saadaan näkyviin alueet, joihin valot osuvat ja mahdolliset päällekkäisyydet valokeiloissa etsitään raster functionsin avulla.

Seuraavaksi muutetaan OFFSETA attribuuttitaulukosta 3 -> 10, joka tarkoittaa, että valopylväät olisivatkin 3 metrin sijasta 10 metrin korkuisia. Uudelle datalle tehdään samainen viewshed -toiminto, jolloin tulos on kuvan 1 mukainen. Kun suoritetaan vielä raster functions –toiminto, saadaan lopputulokseksi kuva 2.

Harjoituksessa 2 tarkoituksena oli tehdä näkyvyysanalyysi siitä, millaisen näkyvyyden turvallisuudesta vastaavat henkilöt saisivat paraatista. Data esitettiin 3D-muodossa.

Ensiksi aloitettiin havainnollistamalla näköalaa katselupisteistä paraatireitille käyttämällä toimintoa Construct Sight Lines, jonka jälkeen tätä työstettiin vielä Line of Sight –toiminnolla, jotta saatiin äsken luotujen linjojen näkyvyys esille. 3D-karttaan ilmestyy sekä vihreitä, että punaisia viivoja (valitettavasti tästä ei tullut välivaihekuvaa), joista punaisia viivoja blokkaa jokin este, esim rakennus. Vihreät viivat ovat ne, joita tässä harjoituksessa haetaan.

Jotta viivoille saadaan haluttu 3D-ulottuvuus, käytetään toimintoa Add Z Information. Select by Attribute –toiminnolla karsitaan vielä viivat, jotka ovat kauempana kuin 1100 jalkaa (feet). Ohjeissa mainittiin, että mahdolliset paikalliset sääilmiöt saattavat vähentää näkyvyyttä, joten analyysit toistettiin, mutta näkyvyys vaihdettiin 600 jalkaan (feet). Lopullinen tulos oli kuvan 3 mukainen.

Harjoituksesta yksi ja kaksi mieleeni tuli, että tällaista näkyvyysanalyysia voisi käyttää myös esimerkiksi kun suunnitellaan valvontakameroiden sijoituspaikkoja.

Kolmas harjoitus keskittyä täysin 3D-maailman pariin. Aluksi opeteltiin lisäämään karttaan moniulotteisia karttasymboleja, kuten liikennevaloja, ja muutenkin syvennyttiin 3D-merkkien pariin. Karttaan myös lisättiin 3D-rakennusten aikaansaamat varjot (kuva 4).

Harjoituksen toisessa vaiheessa hahmoteltiin näkymää Berliinissä, jossa asemakaavaan lisättäisiin yksi rakennus (sinisellä). Ympärillä on esitettynä nykyiset rakennukset sekä puut tietyltä alueelta. Kuvasta 5 käy ilmi uuden rakennuksen paikka.

BONUS

Bonustehtävän tarkoituksena oli tutkia koulujen ja sairaaloiden välisiä matkoja, jos kyseiset tilanteet vaatisivat mediheliä. Harjoituksen ensimmäisessä osiossa käytettiin Eucledian –toimintoa, jotta saatiin havainnollistettua matka linnuntietä sairaaloista kouluihin ja lisäksi suunta sekä matkan pituus. Nämä tehtiin erikseen samalla toiminnolla (Eucledian). Divide –toimintoa käytettiin, jotta saatiin mailit osoitettua jalkoina (feet).

Jotta data saadaan kartalle mahdollisimman nopeasti luettavaksi, voidaan käyttää toimintoa Reclassify. Tämä mahdollistaa sen, että kartasta on helppo lukea etäisyyksiä, esimerkiksi värien avulla.

Raster functions –toiminnon avulla saadaan käännettyä tehtävässä data siten, että toisin kuin aikaisemmassa tilanteessa keskityttiin matkaan koululta sairaalaan, nyt halutaan tietää suunnat sairaalasta kouluihin, sillä tämä on lähtötilanteessa tärkeämpää. Toimintoon syötetään alla oleva kaava.

Con(("Direction To Hospital" > 0)  & ("Direction To Hospital"  <=  180), "Direction To Hospital" + 180, Con("Direction To Hospital" > 180,  "Direction To Hospital" - 180, 0))

Bonustehtävän loppuosio keskittyi löytämään mahdollisimman alhaisella kustannuksella mahdollisimaan turvallisen reitin voimalaitoksen ja voimajohdon välille eteläisessä Kaliforniassa.

DEM-aineiston avulla voitiin tehdä Slope –toiminnolla uusi layer, jossa näkyi maaston kaltevuus (kuva 7).

Karttaan lisättiin uusi database, joka on reclassify slope -taulukko. Tämän avulla tehdään alkuperäiselle datalle Reclassify by Table –toiminto, jotta saadaan kaltevuusasteikko järkevämmäksi.

Sama toiminto tehdään Land use –rasterille, mutta toisena datana käytetään newlanduse –dataa, jonka läpi täytyy ensiksi tehdä Calculate Statistics. Slope-aineistojen uudelleenluokittelu oli helppoa, sillä niiden muuttujat ovat jatkuvia, kun taas landuse -datan muuttujat ovat diskreettejä. Reclassify –toiminnon jälkeen saadaan uusi maankäyttöä kuvavaa data, jota voidaan käyttää hyödyksi myöhemmissä vaiheissa. Näin data on valmisteltu painotettuun etäisyysanalyysiin.

Viimeisessä vaiheessa ensiksi Plus –toiminolla summattiin Landuse sekä Slope, jotta saatiin niiden Cost. Sitten käytettiin Cost distance –toimintoa, jolla saatiin aineistoon Direction ja Distance layerit. Näitä tarvittiin viimeiseen vaiheeseen, jossa Cost Path –toimintoon syötettiin haluttu lähtö paikka sekä Distance että Cost ja saatiin lopputulokseksi Least Cost Path. Kuvassa 8 näkyy sinisellä reitti näistä analyyseista saatu kustannustehokkain reitti.

 

 

 

 

Neljäs kurssikerta toi mukanaan korkeusmallien analyysejä sekä hydrologista mallintamista. Kurssikerta koostui kahdesta hieman pidemmästä päätehtävästä ja yhdestä yli neljän tunnin (ainakin itseltäni se vaati taukoineen PALJON aikaa) bonustehtävästä, jossa opeteltiin tekemään Taskeja.

Ensimmäisessä tehtävässä oli tarkoitus selvittää potentiaalisten viinitarhojen paikat San Diegossa, Kaliforniassa. Kriteereinä oli: 1) yli 200m korkeudessa, 2) maankaltevuus 1,5-15% ja 3) alueen täyty ”paljastua” etelän suuntaan. Jotta nämä kriteerit saadaan yhdistettyä, ne täytyy ensiksi eritellä layereiksi.

Aluksi korkeusrasterista erotellaan kaltevuus Slope-toiminnolla, jolloin saadaan kuvan 1 mukainen uusi layer.

Tämän jälkeen käytetään toimintoa Aspect, jotta saadaan haluttu ilmansuunnan mukainen kriteeri esiin. Myös ensimmäinen kriteeri (täytyy olla 200m korkeudessa) saadaan Elevation aineistosta käyttämällä Raster calculator. Toimintoon asetetaan ehdoksi, että Elevation > 200 ja samaiseen ehtoon lisätään myös kaltevuuden ehto ”sd_slope” => 1,5 ja sd_slope <= 15. Jotta saadaan viimeinen kriteeri täytettyä lisätään loppuun vielä etelään viittaavat luvut eli sd_aspect >= 112,4 ja sd_aspect <= 247,5. Näin saadaan kaikki alussa mainitut kriteerit toimintoon. Tulos on kuvan 2 mukainen, missä punaiset alueet täyttävät halutut kriteerit.

Karttaan lisätään vinovalovarjostus sekä korkeuskäyrät, jotka ovat 2D-mallinnuksia, mutta vinovalovarjostus antaa 3D-vaikutelman, jossa esimerkiksi korkeammat mäet erottuvat selkeästi. Karttaan lisättiin myös Contour list, jonka kriteeriksi asetettiin haluttu ”yli 200m korkeudessa” (tässä tapauksessa 656 feet), jotta alueet erottuvat kartasta selkeästi. Karttaan lisättiin vielä korkeuskäyrät 100 metrin välein.

Tämän jälkeen tarkasteltiin vielä mahdollisia viewshed alueita (keltaisella), joista näkee vesialtaalle. Kuvassa 3 on lopullinen tulos.

Lopputuloksen jälkeen kartan visualisointia tarkasteltiin vielä 3D-toiminnon avulla, joka näytti yhdestä kohdasta kuvan 4 mukaiselta. Mielestäni tämä oli koko tehtävin siistein osio, sillä itse tekemään karttaan pääsi ”sisälle” katsomaan millaisia korkeusvaihteluita sinne on muodostunut.

Tehtävässä kaksi oli tarkoitus noudattaa ArcGis -ohjelmassa olevia Taskeja, jotka auttoivat tehtävän suorittamisessa. Itse jouduin noin puolessa välissä tehtävää jättämään taskit pois, sillä ohjelma kaatui ja sen myötä taskit jotenkin sekoittuivat, mutta sain hyvin seurattua ohjeita Esrin sivustolta. Tehtävässä oli monta kohtaa, joten tekstistä saattaa tulla pitkä, vaikka se onkin hyvin tiivistetty.

Ensiksi aineistossa haettiin virtaussuuntia, mistä saadaan hahmotelma siitä, mihin vesi mitä todennäköisemmin virtaisi eri alueilla. Tämän jälkeen uudesta layerista saadaan toiminnolla Sink alueen sisäiset salaojitukset, minkä jälkeen nämä saadaan pois Fill-toiminnolla.

Seuraavaksi määritellään valuma-alue, mitä varten tarvitaan 5 vaiheitta: 1) Flow direction –tool, 2) Flow accumulation –tool, mikä kertoo kumuloituvan virtauksen 3) Measure distance –toiminto, millä nähdään nykyisen outlet pointin ja joen etäisyys toisitaan (n. 60m), 4) Snap tour point –toiminto, jonka avulla saadaan 60m etäisyydeltä yhdistettyä solu, jolla on suurin kumulatiivinen virtauma, 5) Watershed –toiminto.

Seuraavaksi tarkastellaan virtauksen nopeutta, jotta kaupungilla on tarvittava aika valmistautua mahdollisiin tulviin. Ensiksi haetaan Slope-toiminnolla maankaltevuuksia, minkä jälkeen lasketaan slope ja flow accumulation yhteen Raster Calculator:in avulla. Hahmotelman välivaiheesta näkee kuvasta 5. Tämän jälkeen lasketaan Velocity field ja sen ominaisuuksia muokataan vastaamaan enemmän todellisuutta.

Edellisten tietojen lisäksi tarvitaan tieto maaston vastuksesta, jotta saadaan oikea tieto virtauksen pituudesta. Kun tämä on saatu selville jälleen Raster Calculator:in avulla, voidaan laskea virtauksen aika. Aloitetaan Flow Lenght –toiminnolla. Tämä luo jokaiseen soluun arvon sekunneissa, mikä kertoo kuinka kauan aikaa menee, kunnes vesi virtaa outlet pointiin. Reclassify tool:illa luokitellaan aineisto järkevämmäksi, jolloin 27 eri symbolia kutistuu vain yhdeksäksi (karttaa helpompi lukea), kuten kuvassa 6.

Seuraavaksi aineistoa muokataan niin, että saadaan solujen data metreiksi, minkä lisäksi jokainen solu on kooltaan n. 30m x 30m, joten aineisto muokataan sopivaksi seuraavaa käyttöä varten, joka on tehdä aineistosta vielä kuvan 7 näköinen kuvaaja. Kuvaajassa on esitetty ajan ja outletpointiin kulkeutuvan sateen suhdetta (neliömetriä sekunnissa).

BONUS

Tehtävänanto oli mielestäni hauska, sillä tarkoituksena oli auttaa etsintäpartiota jäljittämään kadonnutta henkilöä Merced Lake High Sierra Campissa. Tehtävän tarkoitus on opetella itse luomaan taskeja ArcGis Pro:ssa.

Aluksi jaettiin katoamisalueen polut kuudelle eri etsintätiimille, jonka jälkeen tarkoituksena oli tehdä uusia taskeja johtolangoille rakentamalla ensiksi työnkulkua.

En koe tärkeäksi kertoa tänne task:ien rakentamisesta vaihe vaiheelta, sillä tehtävä oli hyvin pitkä ja task:ien tekemisen vaiheet toistivat paljon itseään. Olennaista on ehkä kertoa, että tehtävässä tehtiin sekä uusia task:eja ja task:ien sisällä vaiheita (steps). Tehtävää oli kiva tehdä, sillä samalla kun task:eja rakensi niin teki itse tehtävää, jolloin mielenkiinto pysyi yllä.

Tehtävän viimeisessä osassa, kun kadonnut henkilö oltiin löydetty, testattiin äsken luotuja task:eja erillisessä ArcGis projektissa. Lisäksi tehtävässä selviteltiin task:eihin mahdollisesti muodostuvia erroreita (kuva 10).

Kolmas viikko lähti käyntiin vielä rasterien parissa. Nyt alkoi jo vähitellen tuntumaan siltä, että tehtävien tarkoitusta ymmärsi paremmin enkä vain toistanut tehtävien ohjeita orjamaisesti. Tämän viikon tehtävät pyörivät hyvin pitkälti modelbuilderin ympärillä.

Ensimmäisessän tehtävässä jatkettiin valkopäämerikotkien optimaalisten elinaluiden löytämistä. Tehtävä oli kaksiosainen, missä ensiksi tehtiin Suitability model ja käytetiin Raster Calculator – toimintoa modelbuilderissa. Tehtävä jatkui ja saatua mallia tarkasteltiin Sensitivity  ja Error  analyysien avulla. Kuvassa 1 nähdään erot punaisella.

Toisessa tehtävässä käytetiin Weighted Overlay –mallia, jossa eri rasterikartoille laskettiin eri painoarvot. Tarkoituksena on saada arvot skaalautumaan paremmaksi. Jotta alkuperäiset arvot saadaan muutettua, käytetään toimintoja Reclassify ja Rescale by function riippuen datan alkuperästä. Nämä toiminnot mahdollistavat useamman rasteriaineston yhdistämisen analysoinnissa.

Kuvista 2 ja 3 näkee, että erilaisia aineistoja on helppo käsitellä, kun niitä voi tarkastella samassa skaalassa ja näin esimerkiksi väreillä ei voi huijata, koska kaikissa on sama asteikko (1-10). Kuvissa on esitetty rakennetun ympäristön ja järvien läheisyyden kriteereitä käyttäen alueiden sopivuus.

Tehtävässä kolme käytetiin toimintoa Weighted Sum. Toiminto lisää valittujen rasteriaineistojen painotetut arvot yhteen. Kaikki neljä (järvet, metsäisyys, pinnanmuodot ja rakennettu ympäristö) rasteriaineistoa valitaan toimintoon ja lopputulokseksi saadaan kuvan 4 mukainen SuitabilitySurface.

Tämän jälkeen mallista etsittiin Error –toiminnon avulla mahdollisia virheitä, jotka saattaisivat vaikuttaa lopputulokseen. Jos erot ovat huomattavia, saadaan selville olisiko esimerkiksi toisenlaista dataa parempi käyttää analyysissa alunperin. Kuvat 4 ja 5 eivät eroa toisistaan huomattavasti, mistä voidaan päätellä, että rasteriaineistot, joita käytettiin, olivat tähän sopivia.

BONUS

Tällä viikolla oli 3 pakollista ja 2 bonustehtävää, jotka päätin myös tehdä.

Ensimmäisessä bonustehtävässä jatketiin edelleen samaa aihetta ja tarkoituksena oli käyttää Locate Regions –toimintoa, joka lisättiin modelbuilderiin ja yhdistettiin rasteriaineistojen yhteiseen SuitabilitySurface layeriin. Kun tarkastellaan kuvaa 6, huomataan, että alueet, jotka saatiin toiminnon avulla karttaan täyttävät seuraavat kriteerit: 1) järvien läheisyydessä, 2) eivät ole rakennetussa ympäristössä ja 3) ne ovat kohtuullisen puuston alueella.

Toinen bonustehtävä oli jo mieluista tehtävää, sillä olin jo hieman kyllästynyt saman aihealueen ja aineston jankkaamiseen viime viikolta asti.

Alussa tarkoituksena oli tutkia kaasuvuotojen varalta kaasun tarkastuspisteitä ja niiden läheisyydessä olevia kouluja, joten näille tehtiin Buffer –toiminnolla bufferit modelbuilderissa, jonka jälkeen saatiin kuvan 7 näköinen tulos.

Tämän jälkeen tehtiin lyhyt harjoitus, jossa lisättiin Select by Attribute –toiminnon avulla joki näkyväksi kartalla, käyttämällä komentoa ”NAME is Equal to Cache La Poudre River”, joka oli aineistossa esiintyneen joen nimi.

Kuten jo alussa mainitsinkin, tällä viikolla tehtävät pyörivät pitkälti modelbuilderin parissa ja tässä tehtävässä rakenettiin pidempi malli, kuin mitä tähän mennessä on tehty. Kuvasta 8 voi nähdä mitä rasteriaineistolle tehtiin.

Viimeisessä vaiheessa ajettiin malli ja saatiin visuaalinen näkemys siitä, mitä juuri oltiin rakennettu. Saatu tulos oli kuvan 9 mukainen.

Viimeisen bonustehtävän jouduin tekemään täysin alusta, sillä tehtävä oli jäänyt kesken sillä välin, kun  tietokoneeni oli päättänyt aloittaa päivityksen ja uudelleenkäynnistämisen. Mutta tämähän vain tarkoitti vain lisäharjoitusta. Muuten tehtävät sujuivat jälleen mutkitta!

Toinen viikko starttasi erilaisten rasterianalyysien kanssa. ArcGis meni jo paremmalla rutiinilla, eikä toimintoja tarvinnut enää etsiä yhtä kauan kuin viime viikolla.

Ensimmäisessä tehtävässä käytettiin biomassaa kuvaavaa NDVI (Normalized difference vegetation index) toimintoa, jotta pystyttiin analysoimaan vihreää kasvillisuutta. Metadatana oli kahdelta eri vuodelta sateliittikuva, joista erilaisten toimintojen avulla analysoitiin tapahtunutta muutosta.

Erot saatiin näkyviksi käyttämällä  aluksi Difference -toimintoa, joka antoi kuvan 1 näköisen tuloksen. Kuvaa luetaan niin, että harmailla alueilla ei ole tapahtunut muutosta, kun taas mustat ja valkoiset alueet kertovat muutoksesta.

Seuraavaksi Difference kuvalle täytyi tehdä Reclassify -toiminto, jotta rasteriaineiston arvoiksi saadaan joko 1 – muutos tai 0 – ei muutosta ja näin saadaan huomattavasti selkeämpi kuva muutoksesta.

Tämän jälkeen attribuuttitaulukon parametreihin luokiteltiin muutokselle arvo 1 ja väriksi punainen, jolloin saatiin kuvan 2 mukainen tulos.

Tehtävässä yksi käytetty Difference -toiminto oli erittäin kätevä näyttämään kahden eri ajankohdan välillä tapahtunutta muutosta. Voisin kuvitella sitä käytettävän myös esimerkiksi aavikoitumisen tutkimisessa.

Ensimmäisen tehtävän lopussa käytiin hieman läpi Function chainin tekemistä ja syvemmin siihen perehdyttiin tehtävässä 2. Tehtässä kaksi käytiin myös läpi sitä, miten ArcGisillä ratkaistavia spatiaalisia ongelmia kannattaa lähestyä ja mitä pitää ottaa huomioon. Varsinaista näytettävää minulla ei siitä ole.

Tehtävän kolme tarkoitus oli löytää potentiaalisia alueita valkopäämerikotkien habitaateista. Kriteereitä oli 4: tarpeeksi kaukana asutusta alueesta, ei liian tiheää tai väljää metsää, kahden mailin päässä järvestä ja koillisen suuntaisesti sijoittuvien aspektien mukaisesti.

Tehtävässä tarkoituksena oli tehdä Modelbuilderin avulla flow chart (kuva 3), jossa nähdään mitä metadatalle tehtiin, jotta saatiin kriteerien mukaiset tulokset.

Kun flow chart oli valmis se täytyi testata, eli >Validate > Run, jonka jälkeen saatiin kuvan 4 mukainen tulos.

Tehtävässä 4 tehtiin samanlainen flow chart modelbuilderilla, tätä olisi kai voinut vain jatkaa edellisestä tehtävästä, mutta itse tein sen alusta saakka. T

Tehtävässä toistettiin sama kuin edellisessä eli >Validate > Run. Tulos oli hieman sekalainen ja tarkoituksena on ilmeisesti jatkaa seuraavalla viikolla tästä, joten varsinaista lopputulosta ei saatu. Tulosta pystyi toki selkeyttää sulkemalla muita layereita pois ja tarkastelemalla vain yhtä kerrallaan. Tässä esimerkkinä mitä saatiin, kun asetettiin vaatimuksiin, että kohteiden täytyy olla 1 mailin päässä järvestä.

BONUSTEHTÄVÄ

Bonustehtävässä ei annettu heti vastauksia vaan annettiin ohjeet miten miettiä oikeanlaisia toimintoja. Tarkoituksena oli siis selvittää mitkä paloasemat ovat Wilsonin kaupungin eteläosassa sijoittuvat tietyille äänestysalueille. Ennakkoon tuli tietoa, että tehtävässä on bugi, joten se vaikutti lopputulokseen.

Karttaan lisättiin StudyArea, joka näkyy kartan eteläosassa neliönä, minkä jälkeen muutettiin Environmental settings. Spatial Join –toiminnolla saadaan vielä samaan layeriin äänestysalueet ja paloasemat, jolloin lopputulos (valitettavasti bugin kanssa) on kuvan 6 mukainen.

Tehtävässä oltaisiin voitu myös esimerkiksi etsiä äänestysalueelle olevia korkeakouluja, jolloin ehdokkaat olisivat voineet mennä kampanjoimaan kouluille ja hakemaan nuorten ääniä.

Tämä blogi toimii mainiona alustana tuleville raporteille Geoinformatiikan menetelmät 2 -kurssitehtävistä. Tällä viikolla saimme mahdollisuuden tutustua itselleni entuudestaan vieraisiin, mutta paljon puhuttuihin, ArcGis Online sekä ArcGis Pro -ohjelmiin.

Ensimmäinen tehtävä keskittyi lähinnä miten dataa ja karttoja käsitellään ArcGis Pro:ssa ja mistä löytää tarvittavia työkaluja. Näiden lisäksi käytetiin New Defenition Query –toimintoa, jonka avulla saatiin poistettua ylimääräiset rautatieasema symbolit, jolloin vain oikeat rautatieasemat jäivät näkyviin (kuva 1)

Kuva 1. Lähtötilanne ja lopputulos ”New Defenition Query”-toiminnon jälkeen.

Toisessa tehtävässä opeteltiin teoriassa erilaisten spatiaalisten suhteiden käyttötarkoituksia sekä tutkittiin attribuuttitaulukkoa. Päätin kokeilla ensimmäistä kertaa työvaihekaaviota (flow chart) tähän lyhyeen tehtävään, jossa käytettiin Select by features -toimintoa, jotta saatiin halutut alueet esiin kartasta.

Kolmannessa tehtävässä tarkoituksena oli kartoittaa Wilmingtonissa sijaitsevalle kuntosaliketjulle uuden kiinteistön potentiaalinen paikka. Tämä onnistui buffereiden avulla. Kuvassa 3 on tarkemmat menettelyt työvaihekaavion avulla.

Lopputulosta voitaisiin hyödyntää, esimerkiksi katsomalla Members datan attribuuttitaulukosta kaikki buffereiden ulkopuolelle jäävät asiakkaat ja hyödyntää heitä, esimerkiksi kyselyjen avulla, uuden salin sijainnin kartoittamisessa.

Tehtävä 4 oli muita tehtäviä jo selkeästi pidempi sekä haastavampi ja lisäksi sen suorittamisessa oli ilmennyt joitakin ongelmia jo ennen kuin pääsin sitä suorittamaan. Koska tehtävä oli sen verran pitkä ja työvaihekaavio sen verran uusi käsite, päädyin tässä  perinteisempään tapaan analysoida tehtävää.

Tehtävässä oli tarkoitus selvittää paikalliselle yritykselle, mihin heidän kannattaisi sijoittaa tehokkaammat tuuliturbiinit. Aluksi oli tärkeää, että kaikkea saatavilla olevaa dataa yhdisteltiin, jotta sitä pystyttäisiin käsitellä paremmin ja tarvittavia toimenpiteitä voitaisiin tehdä.

Kun alueelta oltiin kartoitettu siirtolinjat, joiden tuotto on yli 400 volttia ja näiden siirtolinjojen ympärille asetettu 10 mailin bufferit Buffer -toiminnolla ja näiden bufferoitujen alueiden sisältä kartoitettu jo olemassa olevien tuulifarmien sijainnit, joissa turbiinien siipien leveys on yli 100 metriä, saadaan kuvassa 4 näkyvä tulos.

Jotta tästä tilanteesta päästiin eteenpäin, täytyi ensiksi valita kaikki tähän asti hyödynnetty data ja yhdistää attribuuttitietoja spatiaalisiin tietoihin lisäämällä Build a query to find features – toimintoon kaikki tarvittavat tiedot, jotta optimaalisin alue löytyy.

Kuvassa 5 näkyvät alueet, jotka saatiin GIS:in avulla selville sekä niiden reitit Denveristä itse tuulifarmeille. Reitit saatiin Plan Routes -toiminnolla. Kartassa etelämmässä oleva kohde näyttäisi suotuisamalle lyhyemmän matkansa takia, mutta yritykselle jää vielä paljon pohdittavaa tavarankuljetuksen ja muun logistiikan kanssa siitä, mikä on järkevin valinta.

Tehtävä 3 ja 4 tehdyt analyysit ovat yritys maailmassa hyvin tärkeitä nykypäivänä ja auttavat yrityksiä toimimaan kustannustehokkaasti säästämällä heiltä aikaa ja mahdollisia taloudellisia menetyksiä väärien olettamien pohjalta. Kuitenkin GIS:in avulla saadut tulokset eivät ole täysin valmiita ja käyttökelpoisia, vaan täytyy muistaa ottaa huomioon muitakin asioita.

Esimerkiksi tehtävässä 3 yrityksen täytyy ottaa huomioon, onko alueella, johon uusi kuntosali avattaisiin muita suuria kuntosaliyrityksiä tai onko alueen kiinteistöhinnat esimerkiski huomattavasti korkeammat kuin muualla ja voidaanko olettaa, että buffereiden ulkopuolelle jäävät asiakkaat eivät halua käyttää nykyisiä kuntosaleja esimerkiksi työpaikan sijainnin takia.

Niin se viimeinenkin kurssikerta koitti. Tällä kertaa tarkoitus oli tehdä ja luoda itse. Mitään tarkempia ohjeita ei annettu, vaan jokainen sai valita alueensa ja esitettävät aiheensa. Itse päätin heti alussa, etten käytä mitään kurssilla käytettyä aineistoa, vaan haen kaiken aivan itse (joka osoittautui erittäin haastavaksi, mutta palkitsevaksi)

Lähdin selamaan internetin syövereistä, jos sattuisin löytämään jonkin kiinnostavan alueen/valtion, josta olisi mielenkiintoista lähteä tutkimaan erilaisia aiheita. Etelä-Afrikkaan törmättyäni, päädyin lataaman monia erilaisia shapefile -tiedostoja, joissa oli hyvinkin erilaisia ratkaisuja hallinnollisten alueiden suhteen. Lopulta päädyin karttaa, jossa oli hyvin pieniä alueita, jotka jouduin karsimaan aineistosta, jotta saisin esitettyä muuttujani provinsseittain, kuten alla olevasta kuvasta (kuva 1.) näkyy. Tähän käytin kurssilla aikaisemmin opittuja ”Select features by value” ja ”Merge selected features” -toimintoja.

Tähän väliin vielä pieni maantieteellinen muistutus ettei kenellekkään tule epäselvyyksiä tai väärinkäsityksiä valkoisesta ”reiästä” tulkitessaan karttojen värejä. Reikä on Lesothon valtio, jota Etelä-Afrikka ympyröi.

Seuraavaksi oli vuorossa muuttujien valinta eli mitä haluaisin kartalla esittää. Ensimmäisenä mieleeni juolahti Etelä-Afrikassa ongelmat rikollisuuden ja väkivallan suhteen, joten aloin itsimään dataa niistä. Ongelmaksi muodostui hyvin nopeasti se, etten löytän vertailukelpoista dataa juuri mistään. Samaa muuttujaa oli hyvin hankala löytää tismalleen samanalaisena eri vuosilta.

Kuvissa 2 ja 3 on vertailtu Etelä-Afrikan erilaisten väkivaltaisuuksien hallitsemaa aikaa. Kuvassa 2 on kuvattu konfliktien määrää provinsseittain vuonna 1990, mista on raportoitu kuolonuhreja. Vuosi on siinä mielessä mielenkiintoinen, sillä silloin maassa hallinnutta rotuerottelupolitiikkaa eli apartheidia alettiin purkamaan. Tämä aiheutti maassa monta vuotta kestäneet levottomuudet.

Kuvassa 3 on esitetty vuoden ajalta (2018-2019) murhien määrät provinsseittain. Tänä vuonna (2020) Etelä-Afrikka kuuluu tällä hetkellä top 10 valtioiden joukkoon murhatilastoissa (WorldAtlas). Yksi selittävä syy tälle on maassa jatkuvasti kasvava ero rikkaiden ja köyhien välillä. Kuvasta 4 voi tarkastella köyhyyden sijoittumista maassa.

Kartoista voi nähdä, että Gautengissa ja KwaZulu-Natalissa on tapahtunut näinä ajankohtina eniten murhia. Pitää kuitenkin olla kriittinen, jos lähtee vertaamaan karttojen provinssien lukuja. Ei voida yleistää, että toiset provinssit olisivat olleet toisia väkivaltaisempia, sillä luvut eivät ole suhteellisia. Lisäksi datat ovat kuitenkin hyvin erilaisia. Kuvassa 2 on tarkasteltu konflikteja, joissa on kuolonuhreja, kun taas kuvassa 3 on listattu murhia. Aineistot ovat hyvin erilaisia sekä eri lähteistä, mutta silti mielestäni niitä oli mielenkiintoista verrata toisiinsa.

Kuvassa 4 on esitetty köyhyyden jakautumista provinseittain sekä asukkaiden etnisiä taustuja. Joitakin yhtenäisyyksiä tästäkin kartasta voidaan havaita. Esimerkiksi Western Capessa ja Gautengissa on vähemmän köyhiä ihmisiä, kuin muissa ja niissä on lisäksi suhteessa eniten valkoisia. Näiden provinssien köyhyysprosenttiin vaikuttaa myös varmasti niiden sisällä olevat suuret kaupungit Johannesburg (Gauteng) ja Kapkaupunki (Western Cape), joissa asuu paljon maan rikkaimpia ihmisiä. KwaZulu-Natalissa on huomattava määrä intialaistaustaisia. Tämä johtuu siitä, että siirtomaavallanaikaan intialaisia kuljetettiin Etelä-Afrikkaan sokeriplantaaseille töihin, jonka vuoksi heidän jälkeläisensä ovat muodostaneet itärannikolle suuren keskittymän.

Tässä kartassa ongelmana on myös vuosilukujen yhteensovitettavuus. Köyhyysprosentit ovat vuosilta 2014-2015, kun taas ihmisten etniset taustat ovat vuodelta 2011. Sen tuoreempia tietoja en löytänyt, joita olisin saanut sovellettua provinssien tasolla, joka tietysti vaikeuttaa analysointia.

Jos konfliktit aiheena kiinnostaa, kannattaa käydä katsomassa Pihla Haapalon blogista Euroopan konflikteista ja koetun onnellisuuden yhteyttä!

Lähteet: 

Haapalo, P. (2020) Onnellisuus, konfliktit ja viimeiset hetket. [blogikirjoitus] Luettu 27.2.2020. https://blogs.helsinki.fi/haapalop/

WorldAtlas, Murder Rate by Country. [Artikkeli] Luettu 27-2.2020. https://www.worldatlas.com/articles/murder-rates-by-country.html

Etniset taustat 2011. Luettu 24.2.2020. https://www.statssa.gov.za/publications/P03014/P030142011.pdf

Konfliktit vuodelta 1990. Luettu 24.2.2020. https://ucdp.uu.se/country/560

Murhatilastot vuodelta 2018-2019. Luettu 24.2.2020

https://africacheck.org/factsheets/factsheet-south-africas-crime-statistics-for-2018-19/

Heipparallaa! Tämän kurssikerran jälkeen jäi niin inspiroitunut olo, että päätin tehdä postauksen samana päivänä, jee!

Aloitimme kurssikerran ulkona keräten Epicollect5 -sovellukseen omia havaintojamme, joista työstemmi 45 minuutin happihyppelyn jälkeen oman tietokannan. Tätä hyödysimme kokeilemalla interpolointia QGis:issä. Noh, joko minä tein jotain väärää tai QGis ei halunnut tehdä yhteistyötä (vahva veikkaus ensimmäiseen), jonka vuoksi interpolointi jäi omalta osaltani hieman suppeammaksi. Mutta ei se mitään, sillä tunnilla tapahtui paljon muuta siistiä!

Tarkoituksena tämän jälkeen oli käyttää pohjana maailmankarttaa, johon lisättäisiin omavalintaisia hasardeja ja niille erilaisia esitystapoja. Karttojen tulisi olla sellaisia, joita voitaisiin käyttää opetuksessa hyödyksi. No, opettajaa minusta ei näillä näkymin ole tulossa, mutta silti uskon, että nämä kartat jollain tasolla olisivat toimivia. Ainakin niitä oli ihan hauska väsäillä.

Ensimmäinen tekeleeni löytyy allaolevasta (kuva 1) kuvasta. Kartalla on esitetty yli 4,5 magnitudin maanjäristyksiä viimeisen 30 päivän sisältä Väli- ja Etelä-Amerikan alueella. Jos haluat käydä katsomassa koko maailman mittakaavassa saman asia, kannattaa vierailla Otso Laakkosen blogissa.

Riippuen minkä ikäisille opetus tehtävänannossa on suunnattu, voisin esimerkiksi kuvitella karttaa käytettävän mannerlaattojen saumakohdista puhuttaessa. Kohderyhmä voisi olla yläaste, jossa käydään läpi miten saumakohdat näkyvät maailmankartalla tai yksinkertaisesti mistä alueen lähes järjestäytyneet maajäristykset johtuvat. Saumakohdista voi käydä katsomassa hyvän kartan Vilma Koljosen blogista!

Toinen kartta (kuva 2) kuvaa Indonesian tulivuoria sekä niiden viimeisintä purkausajankohtaa. Lisäksi päätin tämän kartan yhteyteen tuoda internetistä samantyyppisen esityksen (kuva 3), jossa on hieman eri informaatiota. Lisäksi netistä tuotu kartta on paljon visuaalisesti miellyttävämpi.

Ja sitten vielä viimeiseen karttaan (kuva 4). Tämän kartan tekemiseen käytin eniten aikaa, sillä minun piti etsiä lisää dataa aineistoon, jotta sain kuolonuhrit ja taloudelliset tappiot mukaan. Kartalla näkyy yli 9 magnitudin maanjäristyksen 1900-luvulta tähän päivään. Kuvaan on lisätty diagrammeihin kuolonuhrit sekä taloudelliset tappiot. Kuvaa voisi hyvin käyttää esimerkiksi lukio-opetuksessa. Tehtävässä voisi pohtia esimerkiksi Japanin maanjäristyksen taloudellisiin vahinkoihin liittyviä seikkoja tai Intian valtameren järistyksen kuolonuhrien suuruuden syitä.

Vaikka kohtasinkin matkallani vastoinkäymisiä, pidin silti tästä kurssikerrasta varmaan eniten tähän asti. Huomaan myös kehittyneeni erilaisten esitystapojen kanssa ja osaan jo käyttää niitä ilman sen kummempia ongelmia.

Lähteet:

Laakkonen, O. (2020).  6 kerta. [Blogipostaus]. Luettu 19.2.2020.  https://blogs.helsinki.fi/laxotso/

Koljonen, V. (2020). Raikasta ulkoilmaa!. [Blogipostaus]. Luettu 19.2.2020. https://blogs.helsinki.fi/vilmakol/

Express (29.9.2017). Bali volcano MAP: Shocking map shows why Indonesia faces world’s biggest volcano threat. Luettu 19.2.2020https://www.express.co.uk/news/world/860324/Bali-volcano-map-Indonesia-volcanoes-latest-maps-threat-Mount-Agung

Viides kurssikerta tuntui jo koettelevan vähemmän hermoja, ainakin ajoittain. Viha-rakkaussuhteena QGis:in kanssa on päässyt jo syvemmälle tasolle ja yhteinen sävel alkaa pikkuhiljaa löytyä. Tällä kertaa hyödynsimme QGis:in bufferointi -ominaisuutta ja tarkastelimme sen avulla esimerkiksi lentokenttien meluhaittoja.

Aluksi jatkoimme viime kurssikerralla aloitettua Pornaisten karttaa, johon olimme merkanneet jo tiet sekä rakennukset. Nyt tehtävänä oli selvittää kuinka paljon ihmisiä asui 100m päässä teistä sekä kuinka moni asuu yli 2km päässä koulusta.

Tämän jälkeen siirryimme pääkaupunkiseudulle ja erityisesti lentokenttäalueille. Tästä eteenpäin sai tehtävissä käyttää paljon hyödykseen Buffer – ja Select by location -ominaisuuksia. Tehtäviä oli sen verran, että niiden vaiheita on turha lähteä tähän runoilemaan. Kärsivällisyys kurssilla on kasvanut ja nykyään jaksan yrittää toimintoja uudelleen ja yhä uudelleen, kunnes keksin oikein ratkaisun pulmiin. Toisinaan olen hukassa sen kanssa, mitä kaikkea olen aineistolleni tehnyt, kun peruutusnappulaa ei ole ja pitäisikin kokeilla toista toimintoa, mutta uskon, että tämäkin alkaa luonnistua pikku hiljaa.

Bufferin käytön opetteleminen oli helppoa ja kivaa. Jos äkkiseltään pitäisi keksiä mihin buffereita käytetään, niin uskoisin, että pelastuslaitokset ja hätäkeskuskus käyttävät varmasti jonkinlaista bufferointia, jotta tietävät miten apu on nopeiten paikalla.

Attribuuttitaulukon laskutoimitukset ja fiksaaminen onnistuvat jo ”leikiten”. Lisäksi Select by location ja Select features by value -toiminnot alkavat käydä yhä tutuimmiksi. Parasta on oivaltaa milloin käyttää mitäkin toimintoa (toivon tämän tunteen yleistyvän vielä loppu kurssin aikana)!

Taulukko 1. Itsenäisiä tehtäviä koottuna.

Olen samaa mieltä Sonja Nylundin kanssa siitä, että välillä tunneilla seuraa sokeasti vain opetusta, eikä oikeastaan ehdi tiedostaa mitä juuri tein ja miksi. Tämän vuoksi ainakin itse olen kokenut, että parhaiten asiat jäävät mieleen kun niitä tekee muutaman päivän jälkeen uudestaan, eikä vain ”ulkomuistista”, sillä silloin joutuu oikeasti miettimään miten asiat kannattaa tehdä. Mutta kuten Aino Sainius kirjoittaa ”Kotona tehtävät työt vievät melkein 3 kertaisesti aikaa”.

Lähteet:

Nylund, S. (2020) Level 5: bufferointia. [blogipostaus]. Luettu 17.2.2020. https://blogs.helsinki.fi/sonysony/

Sainius, A. (2020) Omat aivot käyttöön. [blogipostaus]. Luettu: 17.2.2020 https://blogs.helsinki.fi/sainius/