Kurssikerta 6

Kuva 1. Interpoloitu karttataso, ‘kuinka aktiivisesti ihmiset käyttävät tätä aluetta'(Kumpulanmäki). Sininen=vähän, punainen=paljon.

Kurssikerran aluksi menimme ulos ja merkitsimme Kumpulanmäen alueella ylös arvioitamme eri paikkojen turvallisuudesta, houkuttelevuudesta ja ihmisten aktiivisuudesta asteikolla 1-5. Sitten interpoloimme lomakkeiden tulokset tietokoneella sävykartaksi. Jouduin tekemään kaiken uudestaan, kun Qgis ei ollut tallentanut interpoloituja tasoja, saadakseni tähän blogiin kyseisen kartan. Interpolointi itsessään ei ollut kovinkaan monimutkainen prosessi, kun valmiina oli taustakarttatasot sekä Epicollect5-kysely. Syntynyt kartta on mielenkiintoinen, haluaisin nähdä vastaavanlaisen kartan koskien esim. metsien viihtyisyyttä jollakin alueella.

Seuraavaksi toimme maanjäristys- ja tulivuoripistedataa USGS-sivustolta Qgisiin. En oikein oivaltanut miten pisteitä olisi voinut visualisoida näyttävämmin Qgisissä, mutta päädyin yksinkertaiseen pistevisualisointiin jossa pisteen sävy ilmoittaa järistyksen voimakkuuden. Pisteitä on kolmelta järistysvoimakkuudelta. Yritin tehdä kartan jossa olisi järistyksien lisäksi näkynyt toimivat tulivuoret, mutta Qgis ei jostain syystä suostunut tallentamaan layouttia, joten tämä jäi uupumaan.

Selkeästi eniten on heikoimpia, 6-6,5 richterin järistyksiä. Järistykset ovat keskittyneet mannerlaattojen alityöntövyöhykkeille, joissa on myös paljon tulivuoritoimintaa.

Opettamisen, esim. lukio- tai yläastetasolla, kannalta karttojen tulisi olla tarpeeksi yksinkertaisia ja niistä pitäisi olla mahdollista helposti osoittaa niiden tekoprosessi. Toisaalta kartoissa tulisi esitellä erilaisia tyylejä. Näiden karttojen avulla voi havainnollistaa maanjäritysten ja laattatektoniikan yhteyttä maailmanlaajuisesti sekä pohtia voimakkaiden järistysten harvinaisuutta heikompiin verrattuna. Itseltäni loppui tässä harjoituksessa vähän mielikuvitus, mutta otin kimmokkeen Aili Mikolan blogista(2024) vähän tarkentaa maanjäristysten karttakäsittelyäni.

Kuva 2. Maanjäristykset globaalisti 6-6,5 Richterin asteikolla, 1970-2024.

Kuva 3. Maanjäristykset globaalisti 6,5-7 Richterin asteikolla, 1970-2024.

Kuva 4. Maanjäristykset globaalisti yli 7 Richterin asteikolla, 1970-2024.

Seuraavaksi olen kiinnittänyt hieman huomiota lievien maanjäristysten esiintymiseen. Heikkoja maanjäristyksiä esiintyy yllättävän paljon esim. Kaliforniassa Yhdysvaltojen länsirannikolla. Tässä olen hakenut USGS:n maanjäristyshakukoneesta Kalifornian yli 1,0 richterin asteikolla tapahtuneet maanjäristykset viimeisen 7 päivän ajalta, taustana käytin Open Street Map:n maailmankarttaa. Olen tuonut mukaan maanjäristysten vastaavaa määrää kuvaavan kartan Southern California Earthquake Data Center:istä. Jälkimmäinen paljastaa että viikon voimakkaimmat maanjäristykset ovat olleet 3:n luokkaa richterin asteikolla. Valtaosa järistyksistä on hyvin pieniä.

Kuva 5. Maanjäristykset Kaliforniassa, 20.2-27.2.2024, yli 1,0 richterin asteikolla.

Kuva 6. Viimeisen viikon maanjäristykset Kaliforniassa, SCEDC.

Näiden karttojen pedagoginen anti olisi pienten maanjäristysten yleisyyden ilmentäminen juuri San Andreaksen siirroslinjan alueella sekä erilaisten karttatyylien valitseminen esitykseen.

 

Lähteet:

-websivu United States Geological Survey, search earthquake catalog, tiedot haettu 21.2.2024,  <https://earthquake.usgs.gov/earthquakes/search/>

-Aili Mikolan blogi(2024): <blogs.helsinki.fi/maili/>

-Southern California Earthquake Data Center, websivustolla vierailtu 27.2.2024, <https://scedc.caltech.edu/index.html>

 

 

 

Ensimmäinen tehtävä sujui kohtalaisen sujuvasti. Pornaisten taajaman alueen väestöstä 74,5% asuu kauempaa kuin 1 km etäisyydellä Pornaisten koulusta.

Malmin lentokentästä 2km:n säteellä asuu 58769 asukasta, ja 1km:n säteellä asuu 9054 ihmistä.

Tähän asti lienen saanut oikeita vastauksia tehtäviin, mutta seuraavassa tajusin Veera Ala-Heikkilän blogia lukiessani että olen saanut ihan käsittämättömän suuria arvoja. Helsinki-Vantaan kiitotiestä 2 km:n säteellä asuu 160477(tämä on väärin) ihmistä. Oikea vastaus on n. 11000 hlöä. Laskelmieni mukaan 2 km:n säteellä asuvista asuu vähintään 65dB:n melualueella 0%.

N. 2600 ihmistä asuu vähintään 55dB melualueella.

Kaakkois-luoteissuunnassa kulkevan kiitoradan melualueen jatkeen(n. 7km x 1km) alueella asuu n. 14000 asukasta, rakennuksia on n. 2000 kpl (Tämä lienee oikein).

500m:n säteellä juna- ja metroasemista asuu yhteensä 111765 asukasta, 26,7% kaikista asukkaista. Seuraavassa jouduin turvautumaan luuranko-ohjeeseen. Join attributes by location-toiminnolla sain melko helposti tulokseksi seuraavan:

-67% alle 500m asemista asuvista on työikäisiä.

-96,2% koko alueen asukkaista asuu taajamissa

Seuraavassa tehtävässä olen määritellyt kouluikäiset 7-12-vuotiaiksi. Taajamissa asuu 34527 kouluikäistä, taajamien ulkopuolella asuu 12652 kouluikäistä, prosentteina jälkimmäinen on 26,8%.

En keksinyt miten ulkomaalaisten prosenttiosuuksia voisi laskea, tämän kohdan jätän tyhjäksi.

 

Helsingin yhtenäiskoulun koulupiiriin liittyvässä tehtävässä en aluksi meinannut onnistua valitsemaan asukkaita koulupiirin alueelta. Valitettavasti en löytänyt pk vaki-tiedoston julkaisuvuotta, mutta julkaisuvuotena koulupiirin asukkaista 14hlöä on 7-vuotiaita eli kouluun meno iässä.

Yläasteikäiset olen seuraavassa määritellyt 13-15-vuotiaiksi. Aineiston julkaisuvuonna ylä-asteen on aloittamassa 21 lasta.

Ala- ja ylä-asteikäisiä ovat 7-15-vuotiaat. Kouluikäisiä lapsia on yhtenäiskoulun piirissä 159 hlöä, eli n. 8,6% kaikista asukkaista.

Koulupiirin alueella asuu 69 ulkomaalaista henkilöä. Laskin koulupiirin täysi-ikäisten määrän(1568hlöä)  jotta saan kouluikäisten (159hlöä)  suhteen aikuisiin nähden. Suhdeluku on 10,1%. Ulkomaalaisia kouluikäisiä siis on tämän perusteella n. 7 henkilöä.  Suure taisi mennä pieleen, laskin ulkomaalaisten osuuden kun olisi pitänyt laskea muunkielisten osuus, mutta menköön…

Koen hallitsevani auttavasti eri layereiden välisten toimenpiteiden logiikan, joskin mutkikkaissa operaatioissa voi olla vaikeuksia ja menee aikaa. Helpointa on käyttää työkaluja, joissa ei ole liikaa nippeleitä säädettävänä, haastavaa on juuri tietää, mitkä yksityiskohdat eri lomakkeissa vaikuttavat mihinkin toimintoihin. Niitä emme ole vielä paljoakaan käyneet läpi. Puskurivyöhyke-toiminto oli melko selkeä käyttää, ja sitä voi soveltaa kun täytyy rajata dataa jonkun säännönmukaisen tekijän vaikutusalueelle. Ensimmäisenä esimerkkinä tulee mieleen metsähakkuualueiden puskurivyöhykkeiden laskeminen esim. teiden ja vesistöjen ympärille. Toinen esimerkki voisi olla puskurivyöhykkeen laskeminen vaarantuneen eliölajin kuten liito-oravan esiintymispaikan ympärille.

Keskeistä kai paikkatieto-ohjelmien ongelmanratkaisukyvylle on ensinnäkin ohjelman helppokäyttöisyys – ohjelman ei tule vaatia yli-inhimillisiä it-taitoja käyttäjiltään. Sujuva paikkatieto-ohjelman käyttö vaatii toisaalta käyttäjältä perehtymistä ja aikaa. Sitten merkitsee myös aineistojen laatu, valmiiden aineistojen tulisi olla helposti saatavilla.

Seuraavassa tiedot taulukkomuodossa:

kk5 taulukot lop.

 

Lähteet:

-Veera Ala-Heikkilän blogi(2024), https://blogs.helsinki.fi/veeraala/

 

 

Tällä kurssikerralla opettelimme pisteteemakartan  informaation muuntamista ruututeemakartaksi. Pikku hiljaa tuntuu että alkaa sisäistää Qgis:n käskytystä. Monesti tuntuu että vaikka tunnilla käydään asiat läpi vaihe vaiheelta, löytyy saman asian tekemiseen usein vaihtoehtoisia tapoja. Tämä kartta havainnolistaa ruotsinkielisten henkilöiden lukumäärää pääkaupunkiseudulla 1km x 1km ruuduissa. Ruotsinkielisten määrä on melko suoraan verrannollinen väestöntiheyteen, kantakaupungissa on suurin lukumäärä ruotsia puhuvia. Poikkeuksena Kauniainen sekä Lauttasaari joissa on poikkeuksellisen suuri lukumäärä. Ruututeemakartta jakautuu samankokoisiin ruutuihin, joten absoluuttisten arvojen ilmaiseminen onnistuu, ruudut ovat keskenään vertailukelpoisia. Juuri vertailukelpoisuus tekee ruutukartasta ehkä käyttökelpoisemman kuin mitä tavallinen koropleettikartta, esim. kuntapohjalla, on. Myöskään pisteteemakartta ei kykene ilmaisemaan tarkasteltavan ilmiön jakautumista yhtä hyvin. Pallodiagrammit on vaihtoehto ruututeemakartalle, ja siinä voidaan absoluuttisten arvojen lisäksi ilmaista prosenttiosuuksia. Prosentteja toki voidaan ilmaista myös ruututeeman avulla.

 

Pyrin vähän soveltamaan opittuja työvaiheita. Tässä tulevat esille 350m x 350m ruuduissa asukkaiden lukumäärä pääkaupunkiseudun suuralueittain. Asteikko olisi voinut olla parempi, tässä asteikon yläpää on epätarkka, skaalan tummimman punainen sisältää 421-30244 asukkaan arvot, mistä johtuen suuri osa ruuduista näyttäytyy tummana. En kuitenkaan ruvennut korjaamaan tätä seikkaa. Suuralueiden värikoodit saattavat hämätä, mutta en keksinyt muutakaan keinoa havainnollistaa eri alueita. Rantaviiva on kuitenkin näkyvissä kartassa. 350m on melko suuri mittakaava ruudulle, kilometrin ruudut voisivat toimia paremmin, mutta toisaalta tämä tuo hyvin esiin pisteteemakartan yksityiskohtia. Vaikka jokaisen harjoituksen jälkeen on hieman viisaampi, on eri työvaiheiden ja tietokantakytkösten hahmottaminen edelleen välillä haastavaa, mutta aina voi kysyä, tyhmiä kysymyksiähän ei ole(;

 

Tässä Pornaisten vinovalovarjokuvista pelkistettynä korkeuskäyrät. Kuten kuvasta huomaa, ovat korkeuskäyrät melko pienipiirteisiä ja kulmikkaita verrattuna seuraavan kuvan pyöreämpiin peruskarttalehden korkeuskäyriin.

Tähän koropleettikarttaan olen tuonut Afrikan internetin käyttäjien määrät valtioittain. Arvot ovat vuodelta 2020. Olen yllättynyt että Pohjois- sekä Itä-Afrikassa on niin paljon internetin käyttäjiä, valtioissa kuten Mali, Sudan ja Uganda, jotka stereotyyppisesti luokittelisi köyhiksi valtioiksi. Kuten Veera Ala-Heikkilä blogissaan(blogs.helsinki.fi/veeraala)  toteaa, olisi mahdollista vertailla eri tekijöitä kartalla, kuten konflikteja, timanttikaivosten sijainteja ja internetin käyttöastetta ja yrittää löytää yhdistäviä tekijöitä näiden välillä. Tuntuu välillä että mielikuvitus loppuu tämän blogin kirjoittamisessa, mutta toisten blogeja lukemalla saa paljon hyviä ideoita, olkoonkin vaikka että se on ‘varastamista’. Lapin tulvaherkkä pohjoinen alue ei näy tässä skaalassa lainkaan.

Tässä näkyvät Suomen tulville herkimmät alueet koropleettikarttana. Pohjanmaan, Varsinais-Suomen ja Uudenmaan jokilaaksot ovat altteimpia tulville, johtuen virtaumia tasaavien järvien vähyydestä. Asteikko tai skaala olisi voinut olla tässä koropleettikartassa jyrkempi, että kontrastia olisi syntynyt enemmän.

En onnistunut luomaan mitään havainnollisempaa ympyrädiagrammistoa kuin tämä, tässä suhteessa lienee opittavaa. Tästä kuitenkin mielestäni näkyy suurin piirtein eri seutujen järvisyys, järvisintä on selvästi keskisessä ja itäisessä Suomessa ja toisaalta aivan pohjoisessa.

 

 

Lähteet:

-Veera Ala-Heikkilän blogi, <blogs.helsinki.fi/veeraala>

 

Olin aluksi hyvin epävarma tästä alustavasta tehtävästä, sillä kurssi jäi viime vuonna minulta kesken. Kurssilla edetään mielestäni melko nopeasti ja varaa aikailuun ei juuri ole. Ensimmäinen tehtävä kuitenkin sujui yllättävän hyvin. Koropleettikartta pitää sisällään valtioittaiset päästöt Itämereen. Karttani värimaailma näin jälkeenpäin arvioiden saattaa herättää poliittisia mielleyhtymiä(punainen=kommunismi). En onnistunut lataamaan kuvaa tarkemmalla resoluutiolla, joten kuva on tässä epätarkka. Kuvassa Puola pistää esiin suurimpana kuormittajana, Viro taas on pienin saastuttaja. Tätä ensimmäistä tehtävää tehdessä opin käytännössä Qgis:n perustoimintoja, ja opin myös yleisellä tasolla tietokoneella oppimisessa tarvittavia taitoja kuten tarkkaavaisuutta ja kokeilunhalua. Kuten myös Benjamin Lamberg (https://blogs.helsinki.fi/blamberg) on huomioinut blogissaan, karttaan merkityt päästölähteenä toimivat valtiot eivät välttämättä kata koko Itämeren valuma-aluetta. Mutta kaikkiaan olen suht tyytyväinen karttaan, onhan se ensimmäinen tekemäni kartta. Väriluokitusta olisi voinut kyllä säätää niin, että päästöjen nyanssit tulisivat paremmin näkyviin.

 

 

 

Toinen harjoitus oli melko helppo tehdä 1. kurssikerran aikana tulleen harjoituksen pohjalta. Edelleen, en onnistunut lataamaan kuvaa tarkemmassa resoluutiossa blogiin.
Kartassa voi havaita nuoren väestönosan keskittymisen läntiseen Suomeen. Pienin nuorison osuus (0-11,7%) on Itä- ja Pohjois-Suomessa tyypillisesti muuttotappiokunnissa. Helsingin, Turun, Tampereen, Kuopion, Joensuun, Rovaniemen ja Jyväskylän ja toisaalta länsirannikon alueella on korkea alle 15-vuotiaiden väestönosuus. Mm. Hyrynsalmella, Pelkosenniemellä ja Enonkoskella on alhainen nuorten osuus.
Yritin jonkin aikaa tehdä syventävää tehtävää, mutta jouduin toteamaan sen olevan hankalaa. En onnistunut muuntamaan excel-tiedostoa csv-muotoon.

 

Tässä tehtävänä oli luoda taulukko jossa näkyy Suomen kartalle piirretty jana sekä pinta-ala suhteutettuna eri projektioissa. Erot ovat huimia, riippuen projektiosta, johon TMS35FIN-projektiota verrataan. Prosentit on ilmaistu kunkin projektion suhteessa TMS35FIN-koordinaatiston lukemiin. Eniten lukemia vääristää Millerin projektio, pinta-ala vääristyy liki 400 prosenttia verrattuna TMS35FIN-projektioon. Samoin World Patterson-projektio vääristää paljon. LAEA Europe-projektio taas on hyvin paikkansapitävä eikä vääristä juuri lainkaan. Oleellista on siis käyttää pituuksien tai pinta-alojen mittaukseen soveltuvia projektioita.

 

W Pattersonin projektio vääristää pohjois-etelä-suunnassa niin, että etelärannikolla pinta-ala on 2,7-2,8-kertainen TMS35FIN-projektioon verrattuna. Pohjois-Suomessa pinta-ala on 3,1-3,8-kertaisesti vääristynyt. Patterson on sylinteriprojektio joka vääristää napa-alueita luonnollista suurempaan kokoon. Karttaa oli mielenkiintoista valmistella opetusryhmässä, ajoittain olin epätoivon partaalla, kun olin putoamassa kärryiltä Artun selostuksista, mutta aina jotenkin selvisin eteenpäin. Olen oppinut että spontaani kokeilu auttaa huomattavasti tietokoneella työskentelyssä. On ikäänkuin mahdollista lukea rivien välistä mikä on kulloinenkin työvaihe. En osaisi välttämättä selostaa tekoprosessia asiasta mitään tietämättömälle henkilölle, mutta spontaanilla intuitiolla todennäköisesti onnistuisin toistamaan tekovaiheet tarvittaessa. En keksi mihin kyseisiä karttatyyppejä voisi käytännössä käyttää, jos ei sitten karttaprojektioita käsittelevään tutkielmaan. Kartan valmisteleminen kuitenkin havainnollistaa, miten ketterä väline Qgis voi olla. Värit olisin vaihtanut päinvastaisiksi niin, että punainen merkitsisi suurinta vääristymää ja sininen pienintä.

 

Robinsonin projektio vääristää Pattersonia maltillisemmin Suomen alueita. Pohjoisessa vääristymä on n. 1,3-1,4-kertainen, etelässä vain n. 1,2-kertainen. Mielestäni 7:n gradientti toimii kartassa melko hyvin. Oleellista eri toimintojen hahmottamisessa lienee toisto sekä komentojen eri sijaintien löytäminen ohjelmasta. Robinson on ns. kompromissiprojektio jossa on otettu huomioon pituuspiirien kaventuminen napa-alueille edettäessä. Siinä kuitenkin pinta-alat vääristyvät jonkin verran, joskin maltillisesti, pohjoiseen päin mentäessä.

 

LAEA on kartioprojektio joka on uskollinen pinta-alojen suhteen. Suomen alueella vääristävyys on marginaalista, ollen kaikkiaan n. 0,004% luokkaa.

 

 

Lähteet:

-Benjamin Lambergin blogi, <blogs.helsinki.fi/blamberg>