Kuukausi: helmikuu 2023

Heippa!

Tällä kerralla kävimme kampuksen ja Arabianrannan alueella keräämässä dataa Epicollect5 -sovelluksen avulla. Itse tulen Helsinkiin kaukaa pohjoisesta (Hyvinkäältä), enkä tuntenut tutkimaamme aluetta juurikaan. Oli siis hyvä että matkassa oli kurssilaisia, joille se oli tuttu. Epicollect5 on aika huippu sovellus. Oli helppoa ja hauskaa kerätä sen avulla paikkatietoa. Pisteaineiston voi sitten ladata palveluun, josta sen näkee kartalla. Siihen voi liittää myös ottamiaan kuvia kohteista. Aloin heti suunnitella, että seuraavalla ulkomaan matkalla voisin yhdistää ottamiani kuvia kartalle Epicollectin avulla.

Arvioimme eri kohteiden turvallisuutta ja viihtyisyyttä. Reilun 45 minuutin ulkoilun jälkeen palasimme luokkaan, ja avasimme palveluun lataamamme pisteaineiston csv:nä QGISissä. Teimme tälle sitten interpoloinnin (josta otin näyttökuvan, jota en sitten enää löytänytkään koneeltani).

*

Seuraavaksi tutkailimme hasarderja: maanjäristyksiä, tulivuoria sekä meteoriittitörmäyksiä. Kuvassa 1 on maailman seismisten hasardien alueet, eli ne alueet, joilla on paljon tulivuoria ja maanjäristyksiä.

 

Latasimme kolmesta eri palvelusta eri hasardeihin liittyvää aineistoa. Kuvassa 2 olen esittänyt pistekarttana vuosien 1898-2012 maanjäristykset, joiden magnitudi on vähintään 7. Nämä maanjäristykset ovat erittäin voimakkaita, ja aiheuttavat vakavaa tuhoa laajoilla alueilla (britannica.com).

Vertaamalla kuvaan 1 nähdään, että maanjäristykset ovat kasautuneet seismisesti aktiivisille alueille. Magnitudin 7-8 järistyksiä on eniten, niin paljon että ne osittain peittävät suuremmat järistykset. Kun esitetään vain 8 ja sitä suuremman magnitudin järistykset (kuva 3), nähdään, että määrä on huomattavasti pienempi. Kartasta näkee, että yli 9 magnitudin järistyksiä on ollut vain yksi. Tämä tapahtui Japanissa vuonna 2011.

 

Sitten tarkastelin tulivuoriaineistoa. Kuvassa 4 olen esittänyt maapallon tulivuoret. Kuvasta erottuvat taas hyvin mannerlaattojen saumakohdat, joissa on paljon sekä maanjäristyksiä että tulivuoria. Kuvassa 5 ovat tulivuoret, joiden viimeisin purkaus on ollut vuoden 1963 jälkeen. Tästä näkee jälleen, miten kohteet karsiutuvat: melko pieni osa tulivuorista on purkautunut viime vuosikymmeninä.

Lopuksi tutkailin vielä meteoriitteja. Kuvassa 6 on pistekartalla kaikki tunnetut maahan pudonneet meteoriitit vuoteen 2013 mennessä. Kuvasta näkee, kuinka tiheään meteoriitteja putoilee. Suurin osa niistä on kuitenkin hyvin pieniä. Kun tätä vertaa karttaan 7, jossa on esitetty vain yli 10 000 kg:n meteoriitit, huomaa, kuinka harvinaista on että meteoriitit olisivat massaltaan näin suuria. Kuva 5 myös havainnollistaa sitä, että meteoriitteja havaitaan ja löydetään useammin sieltä, missä myös ihmisiä on enemmän. Harvaan asutuilla ja autioilla alueilla näyttää siis olevan vähemmän meteoriitteja, vaikka niitä todennäköisesti putoaa niihin saman verran kuin muuallekin.

 

Mielestäni tekemäni kartata sopivat varsin hyvin näiden hasardien kuvaamiseen. Ne tuovat esille myös sen faktan, että mitä suurempi hasardi, sitä harvinaisempi se on. Toisaalta olisin voinut tehdä myös karttoja joissa esitetään samaan aikaan eri hasardeja. Niin ne olisivat helpommin vertailtavissa. Olisin voinut kokeilla myös erilaisia aluejakoja. Esimerkiksi Kerttu oli esittänyt pohjoisen ja eteläisen pallonpuoliskon tulivuoret erillisillä kartoilla.

Ensi viikolla viimeinen kurssikerta, palataan vielä silloin!

 

Lähteet:

https://www.britannica.com/science/earthquake-geology/Earthquake-magnitude

https://www.gfz-potsdam.de/en/gshap

https://blogs.helsinki.fi/rkerttu/2023/02/22/6-harjoituskerta-22-2-2023/

Moro!

Tällä kerralla opettelimme mm. bufferianalyysin tekoa, sekä kertasimme aiemmin harjoiteltua. Bufferianalyysi oli kiintoisa ja kätevä juttu oppia. Bufferianalyysilla voi tutkia esimerkiksi sitä, kuinka monta ihmistä asuu tietystä kohteesta vaikkapa 5 kilometrin sisällä. Tämä on hyödyllistä monella tapaa ja monella alalla. Yksi itsenäistehtävä valotti tätä hyvin: tutkimme, kuinka monta asukasta asuu Helsinki-Vantaan lentokentän pahimmalla melualueella. Tällaiset analyysit auttavat mm. kaupunkisuunnittelussa.

Suurin osa tunnista oli itsenäisiä tehtäviä. Itsenäistehtävät olivat minulle varsin vaikeita. Usein tuntuu, että osaan käyttää QGISiä vain kohta kohdalta-ohjeiden avulla, en vielä itsenäisesti. Tuntuu, etteivät QGISin miljoonat (?) eri toiminnot pysy mielessä, enkä aina hahmota, mistä minun edes pitäisi lähteä liikkeelle uuden tehtävän edessä. Oppimisen iloni koki tällä viikolla siis notkahduksen.

Noh, unohdetaan tämän viikon QGIS-angstit. Yritän katsoa asioita positiiviselta kannalta, ja listata joitakin asioita, jotka minulta jo sujuvat:

• Kurssin alussa kartan tekeminen New Print Layout -ikkunassa oli aikaa vievää. Nykyään se sujuu minulta ongelmitta.
• Tiedän mistä lisätä aineistoja QGISiin (rajapintojen kautta sekä vektori- ja rasteritasoina).
• Tiedän mistä saada sen viime kerran ärsyttävän violetin neliön pois! (magneettikuvake pois)
• Osaan tehdä temporary layerista pysyvän (ja tallentaa sen muualle kuin oletuksena tulevaan paikkaan, jonne ei ole käyttöoikeuksia…)
• Tehdä uuden tason, jonne tulee vain halutut kohteet (eli Save Selected Features as…)
• Laskea uusia muuttujia attribuuttitaulukkoon (Open field calculator)

Siinä muutamia taitoja, joista täytyy muistaa iloita!

Tässä vielä taulukko niiden tehtävien vastauksista, jotka sain tehtyä. Vertailin tuloksiani mm. Joelin vastaavaan, ja huomasin saaneeni joissain kohdissa aika erilaisia tuloksia. Ehken siis kaikkea osannut, mutta ainakin yritin.

 

Taulukko 1. Vastaus muutamaan kurssikerta 5:n tehtävään.

Lentokentät
Kuinka monta asukasta asui 2km sisällä Malmin lentokentän pahimmalta lentomelualueelta?	135187
Entä 1 km sisällä?	8889
Kuinka monta % asuu Helsinki-Vantaan lentokentän 65dB melualueella?	0.16 %
Kuinka monta asukasta asuu väh. 55 dB melualueella?	521
Asemat
Kuinka monta asukasta alle 500m päässä juna-tai metroasemasta?	111765
Kuinka monta % kaikista alueen asukkaista asuu alle 500m päässä?	21.60 %

 

Ensi kerralla suuntaamme ulos. Se on tervetullutta vaihtelua pelkälle koneella istumiselle!

Lähteet:

Schüle, J. (2023) MAA-202 Joel Schüle. Viikko 5. Blogisivusto. Viitattu 20.2.2023. https://blogs.helsinki.fi/jschule

 

Tällä kerralla sukelsimme rasteriaineistojen maailmaan. Teimme ruutukartan pääkaupunkiseudun väestömääristä 1 km x 1 km -ruutukoolla (kuva 1). Tämä saatiin aikaan luomalla ruudukko ja valitsemalla Select by location -toiminnolla sopivat kohteet, eli ne asutusta kuvaavat pisteet jotka osuivat ruudukon alueelle. Tässä oli monen monta välivaihetta ja aineistoa taidettiin karsiakin aika tavalla, mutta nämä yksityiskohdat ovat jo päässeet minulta unohtumaan.

Kuva 1. Pk-seudun väestömäärät ruutukartalla.

Kartasta näkee, että Helsingin alueella on kaksi ruutua, joissa asukasmäärä on vähintään 12164. Harvinta asutus on luonnollisestikin alueiden reunoilla, kauempana keskustasta.

Tein samasta aineistosta myös toisen ruututeemakartan, joka kuvaa ruotsinkielisiä pk-seudulla (kuva 2). Tämä kartta näyttää samansuuntaiselta kuin edellinen: eniten ruotsinkielisiä on siellä missä asutustakin on eniten.

Kuva 2. Pk-seudun ruotsinkieliset asukkaat ruutukartalla.

Mielestäni tekemäni ruutukartat ovat varsin selkeitä, mutta huomasin vasta jälkeenpäin, että niissä ei ilmene, ”milloin”. Eli vuosiluku olisi ollut hyvä niihin lisätä.

Ruututeemakartalla on hyväksyttävää esittää absoluuttisia arvoja, koska kaikki ruudut ovat täsmälleen samankokoisia, joten ruudut ovat keskenään vertailtavissa. Koropleettikarttaan verrattuna ruutukartta antaa tarkempaa tietoa ruutujen alueilta, mutta toisaalta se ei ole yhtä havainnollinen laajempia alueita tarkasteltaessa: ruudut eivät esim. kunnioita kuntarajoja. Pisteteemakarttaan verrattuna ruututeemakartta ei taas anna yhtä tarkkaa sijainnillista tietoa: pisteet voivat osoittaa hyvinkin tarkasti, missä jokin kohde on, mutta ruutu yleistää sen ruudun kokoiseksi. Sofia esitti blogissaan myös hyvän huomion siitä, että mitä suurempi ruutukoko, sitä kyseenalaisemmaksi tieto muuttuu.

Toinen tehtävä, jota teimme tunnilla, oli Pornaisten karttalehden korkeuskäyrät digitaalista korkeusmallia hyödyntäen. Tätä ennen täytyi liittää neljä korkeusmalli-aineistoa yhteen Build Virtual Raster -toiminnon avulla, sekä niistä tehdä rinnevarjostus Hillshade-analyysillä. Korkeuskäyrät toivat esiin mielenkiintoisia yksityiskohtia, kuten keidassuon. Toisaalta nämä digitaalisen korkeusmallin käyrät olivat niin yksityiskohtaisia, että ne eivät olleet kovin havainnollisia, vaan niitä tulisi pyöristää ja yleistää selkeämmän lopputuloksen saamiseksi.

Aloitimme myös digitoimaan teitä Pornaisten keskustan alueelle, mutta piirtotyökalun kanssa oli suurimmalla osalla ongelmia, eikä tämä tehtävä oikein edennyt. Kokeilin piirtämistä myös kotona, mutta edelleen kartalle ilmestyi violetti neliö, joka esti viivojen piirtämisen niihin kohtiin joihin olisin halunnut. Toivottavasti tämä asia ratkeaa ja pääsen jatkamaan tehtävää. Jotkut onnistuivat tekemään tämän tehtävän, olisi kiintoisaa kuulla miten onnistuitte!

Lähteet:

Salo, S. (2023). Kurssikerta 4. Sofia’s blog, blogisivusto. Viitattu 14.2.2023. https://blogs.helsinki.fi/sofisalo/

Moi taas!

Tällä kurssikerralla harjoittelimme mm. excel-taulukoiden liittämistä QGISiin, sekä aineistojen liittämistä toisiinsa Join-toiminnolla. Välivaiheita oli taas niin monta, että osa ehti minulta unohtua saman tien. Tällä kerralla keksin kuitenkin tehdä hieman omia muistiinpanoja vihkoon, mikä auttoi muistamista myöhemmin.

Tutkailimme tunnilla Afrikan konflikteja, timanttikaivoksia ja öljynporausalueita, sekä näiden välisiä yhteyksiä. Laadin tästä kartan (kuva 1). Kartasta näkee, että konflikteja esiintyy usein siellä, missä on myös timanttikaivoksia ja öljynporausalueita. Toisaalta aineistossa on niin vähän muuttujia, että näiden ilmiöiden monimutkaiset syy-seuraussuhteet jäävät varsin epäselviksi. Kuten Susanne hyvin kiteytti blogissaan, nämä ”havainnot ovat yleistyksiä aineistojen pohjalta tehdyistä havainnoista”. On paljon sellaista, mitä aineisto ei kata. Jos aineistossa olisi tarkempaa tietoa esim. öljyporausalueiden tuottavuudesta ja löytövuosista ja tätä verrattaisiin konfliktien alkamisvuosiin ja kestoihin, antaisi tämä jo huomattavasti tarkempaa tietoa ilmiöiden yhteyksistä.

Kuva 1. Afrikan konfliktit, timanttikaivokset ja öljyesiintymät.

Tekemäni kartta on muuten mielestäni selkeä, mutta tekisin siihen joitakin parannuksia näin ”jälkiviisaana”. Muuttaisin esim. timanttiesiintymiä esittävien pisteiden muotoa, jotta ne olisivat selvästi erilaisia konflikti-pisteiden muodosta. Legendassa on myös hieman harhaanjohtava sanavalinta ”öljyesiintymät”, kun oikeasti kyseessä on öljynporausalueet.

Koska opettelimme Join-toiminnon käyttöä tällä viikolla, palasin vielä viikon 1 tehtävään, ja nyt osasin myös silloin liian vaikeaksi osoittautuneen vaikeustason 2 tehtävän! Osasin siis liittää Finstatin csv-muotoisen taulukon QGISiin ja sain Join-toiminnolla liitettyä Kunnat-aineistoon muuttujia. Hurraa! Liittämisessä ilmeni kuitenkin ongelma: Kunta-tietokannassa oli ääkkösiä, liitettävässä tietokannassa niiden paikalla kysymysmerkkejä. Liittäessä nimen perusteella ohjelma ei siis tunnistanut näitä kysymysmerkki-ääkkösiä. Kokeilin tietokannan lisäämistä uudelleen niin, että vaihdoin encoding-kohdassa olevan ”kielen”. Jouduin etsimään aika kauan, ennen kuin löysin sopivan, joka oli 819. Kävin lisäämässä tästä hienosta saavutuksestani kuvan kurssikerran 1 alle.

Viikon itsenäinen tehtävä oli Suomen valuma-alueiden tulvaindeksien laskeminen ja kartan tekeminen. Tehtävässä tuli soveltaa opittuja asioita mm. Excel-taulukoiden liittämisestä, Join-toiminnoista ja QGISin laskutoiminnoista. Koin tehtävän muuten varsin helpoksi, mutta jäin jumiin loppuvaiheessa, kun kartalle piti lisätä tulvaindeksien lisäksi valuma-alueiden järvisyys histogrammeina. Selvisi, että ongelmana oli se, että järvisyys-muuttuja oli minulla text-muodossa, vaikka sen olisi pitänyt olla desimaali. Poistin lisäämäni järvisyys-tietokannan, muokkasin excel-tiedostossa järvisyys-sarakkeen number-muotoon, ja latasin sen uudelleen csv-tiedostona QGISiin. Tadaa! Nyt järvisyys oli oikeassa muodossa, ja histogrammien lisääminen onnistui. Tuloksena on kuvan 2 kartta.

Kuva 2. Suomen valuma-alueiden tulvaindeksit ja järvisyys histogrammina.

Päätin poistaa lopullisesta kartasta järvet ja joet, sillä ne tekivät lopputuloksesta hyvin sekavan näköisen. Mielestäni oleellinen tulee tässä kartassa esiin, vaikka järvisyys erottuukin vähän huonosti pienemmillä valuma-alueilla. Histogrammi ei myöskään kerro prosentin suuruutta. Toisaalta, prosenttien lisääminen olisi tehnyt kartasta ehkä paikoitellen hyvin sekavan näköisen. Kartasta kuitenkin näkee, että pienimmät tulvaindeksit ovat usein alueilla, joilla on paljon järviä.

Ensi kertaan!

Lähteet:

Rautamo, S. (2023). Kurssikerta 3. Susanne’s blog. Blogisivusto. https://blogs.helsinki.fi/rautamos/