Monthly Archives: February 2018

Pirteänä pakkasessa, lopuksi lämmittelyä maanjäristyksillä eli kurssikerta 6.

Tänään tavoitteena oli siis:

  • oppia käyttämään Epicollect5-sovellusta pisteiden keräämisessä ja siirtämään kerättyjä tietoja kartalle
  • oppia tuottamaan pistemuotoista aineistoa kartalle eri tavoin
  • Oppia muokkaamaan muualta esim. internetistä löytyvää dataa sellaiseen muotoon, jotta se voidaan sijoittaa suoraan kartalle. Avainsanat tehtävässä: plot, csv-tiedosto eli comma separated values

Aluksi pääsimme kauniiseen ilta aurinkoon keräämään dataa eri paikkojen miellytävyydestä ajanvieton kannalta. Pakkanen saattoi rajoittaa ihmisten liikkumisintoa ulkona, joten tehtävä olisi ehkä mielekkäämpää toteuttaa kesällä, mutta anyway..

Epicollect oli minulle jo entuudestaan tuttu maantieteen didaktiikan kurssilta ja olen itse positiivisesti yllättynyt sovelluksen toimivuudesta ja monipuolisuudesta. (Mitä nyt vähän GPS lukema heitti, mutta pikkuvikoja… Johtui varmasti “älykkään” puhelimeni vaihtelevan laatuisista yhteyksistä) Se sopii hyvin maantiedon opetukseen, jos haluaa opettajana laittaa oppilaat harjoittelemaan paikkatiedon keräämistä ja opettaja saa tulokset ladattua helposti johonkin paikkatieto-ohjelmaan kartan tekoa varten. Sovellukseen kirjaudutaan google-tunnuksilla, jolloin voi luoda omia datan keruuprojekteja. Oppilaat pääsevät lisäämään aineistoa projektiin kirjautumattakin.

Pikkuisen hytisimme Miran kanssa, mutta hauskaa oli. Kiersimme 40 min Kumpulan alueella ja tietenkin biologeina teimme myös lajihavaintoja 😉 samalla, kun arvioimme erilaisia paikkoja meidän trooppisten kädellisten kannalta. Arttu vihjasi meille myös seuraavan esimerkkitehtävän avulla, ettei ulos ole aina pakko lähteä havaintoja tekemään, sillä QGISillä voi hyödyntää googlen katunäkymiä. Harjoitustehtävässä arvioimme Helsingin eri alueiden kaupallisuusastetta.

Ilta auringossa Kumpulassa

Internetistä dataa omaksi kartaksi

Tässä taas kurssilta saatu vinkki opettajille. Internetissä on sivustoja, joilta voi ladata ajantasaista aineistoa maapallon ilmiöistä. Esimerkiksi osoitteesta http://www.naturalearthdata.com/downloads/ löytyy ladattavaa aineistoa shapefile muotoisena, jolloin QGISiin avaaminen onnistuu.

Itse kopioin exceliin tiedot maanjäristyksistä vuodesta 2000 nykypäivään osoitteesta http://quake.geo.berkeley.edu/anss/catalog-search.html. Tiedot muunnettiin QGISin suosimaan csv muotoon ja eikun taustakartan päälle vain. Tuloksena minulla on tähän mennessä 2 karttaa.

Kuva 1. Vähintään 6 magnitudin maanjäristykset vuodesta 2000 nykypäivään

 

Kuva 2. Maanjäristysten syvyydet

 

Kartoista näkee jollakin tavalla missä on tapahtunut kaikkein voimakkaimpia ja syvimpiä järistyksiä. Nähdään myös, että voimakkuus ja syvyys eivät korreloi keskenään, sillä voimakkaimmat järistykset ovat eri paikoissa, kuin syvimmät. Vähintään 6 magnitudin maanjäristyksiä esiintyy selvästi eniten Tyynenmeren reuna-alueilla.

Faktaa maanjäristyksistä

Maanjäristys on seurausta maankuoren palasten (mannerlaattojen) liikkumisesta toistensa suhteen, usein kahden laatan sivuamisesta tai törmäämisestä, jossa kallioperän jännitys kasvaa ja kiviaines lopulta repeilee synnyttäen järistyksen. Repeäminen etenee nk. siirros tai murrosvyöhykettä pitkin maanjäristyslähteen eli hyposentrin ympärillä.

Magnitudi on maanjäristyksen voimakkuuden suure. Asteikko on logaritminen eli magnitudi kasvaa yhden yksikön, kun maan liike kymmenkertaistuu ja seisminen energia kasvaa tällä välillä jopa 30 kertaisesti. Voimakkaita järistyksiä sattuu huomattavan harvoin verrattuna pieniin järistýksiin:

Maanjäristyksen syvyys kuvaa, kuinka monta kilometriä hyposentri on maanpinnan alapuolella. Matalimmat, eli lähellä maanpintaa sattuvat järistykset ovat erityisen tuhoisia. Tämä selittää tekemieni karttojen eron.

Jännitys hyposentrissä kasvaa erityisen voimakkaasti mannerlaattojen törmäysvyöhykkeillä. Tyynenmeren laatan ja muutaman pienemmän mannerlaatan välistä törmäysvyöhykettä kutsutaan Tyynenmeren tulirenkaaksi (Ring of Fire). Tämä Tyynenmeren rannikoiden muodostama vyöhyke on seismisesti aktiivisimpia ja n. 90 % maanjäristyksistä sattuu tällä alueella.

Jos karttojani käyttäisi opetustarkoitukseen, oppilaat voisivat pohtia niitä seuraavien kysymysten kautta ennen tutustumista edellä mainittuun teoriaan: Missä maanjäristyksiä sijaitsee? Kuinka voimakkaita kartan järistykset ovat? Järistyksen voimakkuuden ja syvyyden yhteys?

Lähteet:

Geotieteiden ja maantieteen laitos, Seismologian instituutti 2006, 22.2.2018. <http://www.helsinki.fi/geo/seismo/maanjaristykset/tieto/perustietoa.html>

U. S. Geological Survey, Earthquake Hazards Program, 22.2.2018. <https://earthquake.usgs.gov/>

Iki ihanat itsenäiset tehtävät eli kurssikerta 5.

Kurssikerralla harjoittelimme QGISin spatial query toiminnon sekä bufferoimisen käyttöä. Esimerkiksi kuvassa 1. on tehty terveyskeskuksen ympärille bufferi eli vyöhyke ja spatial querylla valittu ne asuinrakennukset jotka ovat tietyn matkan säteellä terveyskeskuksesta.

Kuva 1. Buffer ja spatial query

Taulukkoon on koottu itsenäisten tehtävien kysymykset ja vastaukset.

Taulukko itsenäisten tehtävien vastauksista

Pohdintaa itsenäisistä tehtävistä. Vastausten etsiminen QGISin avulla.

Bufferien tekeminen ja spatial query onnistuivat minulta hyvin. Desibelivyöhykkeiden erottamiseksi toisistaan kopioin desibeli-kerroksen pariin kertaan ja erottelin desibelialueen erilleen filter-toiminnolla. Valintatyökalujenkin käyttö onnistui hyvin. Dataa oli väestöä koskevassa taulukossa niin paljon, että tallensin siitä tarvitsemani tiedot uudeksi tasoksi. Tehtäviä tehdessä tuli kyllä ajatuskatkoja ja tein jotkin osiot ilmeisesti huolimattomasti. Esim. asemia koskeva tehtävä olisi varmaan pitänyt tehdä koko pääkaupunkiseudun väestöllä, ei vain Vantaan. Ulkokansalaisten prosenttiosuudet taajamissa oli tarkoitus laskea ja yritin tehdä sen join attributes by location toiminnolla, joka ei kuitenkaan jostain syystä suostunut toimimaan, ei vaikka korjasin taulokon virheellistä dataa.

Vastauksissa on siis virheitä. Esimerkiksi Mira oli selvittänyt taajama-asteen olevan todellisuudessa lähemmäs 100 %. Todennäköisesti taajama-aineistossa oli joitakin puutteita tai tein tehtävän väärällä väestöaineistolla.

Bufferi-toiminto eli puskurivyöhykkeiden tekeminen sopii hyvin tehtävissäkin esiintyneille vaikutusalueiden ja etäisyyksien tarkastelulle. Buffereita voi luoda myös eri muotoisia, mitä voisi hyödyntää esimerkiksi jonkin alueen suunnittelussa. Jos vaikka kartalle hahmotellaan uusi kauppakeskus tai bulevardi ja tehdään vaikutusalueesta bufferi, niin nähdään kuinka iso alue vaatii rakentemista, mitkä alueet jäävät uuden alle jne..

Olisi mukavaa tietää miten tuon ulkokansalaisia koskevan tehtävän saa tehtyä. En tiedä oliko vika minussa vai datassa vai jossakin muussa?

Viitattu Mira Kylliäisen blogitekstiin:

Mira Kylliäinen. 18.2.2018. Buffereita ja uima-altaita 12.2.2018 <https://blogs.helsinki.fi/michemmi/2018/02/18/buffereita-ja-uima-altaita-12-2-2018/>

There and back again – eli vektorista rasteriin ja takaisin

Pääkaupunkiseutu

Pääakaupunkiseudulla tarkoitetaan Espoon, Vantaan, Kauniaisten ja Helsingin kaupunkien muodostamaa aluetta. Lähde: https://fi.wikipedia.org/wiki/P%C3%A4%C3%A4kaupunkiseutu

Tänään siirryimme harjoittelemaan rasterimuotoisen aineiston tekemistä ja esittämistä. Rasteriaineistossa tieto ilmoitetaan tietyn kokoisina ruutuina eli pikseleinä, joista kullakin on tietyn muuttujan suhteen jokin arvo, josta ruudun värisävy kertoo. Yleensä rasteriaineiston pohjana on jokin pistemuotoinen aineisto. Lähdimme tekemään omia rasterikarttoja pääkaupunkiseudun neljän kaupungin tietojen pohjalta. Lähtöaineisto oli vektorimuotoista: pisteitä, viivoja, alueita (Kuva1).

Kuva 1. Lähtöaineistossa neljän pääkaupunkiseudun kaupungin asuinrakennuksista oli koottu pisteaineisto ja jokaisesta rakennuksesta eli pisteestä oli ilmoitettu tietoja asukkaista. Mm. ikä, sukupuoli, kansalaisuus, äidinkieli.

Aineistossa oli todella paljon dataa, ja pelkäsimme QGISin kaatuvan jo pelkästä ajatuksesta käsitellä tätä massiivista aineistomäärää. Ongelman ratkaisemiseksi päätimme rajata datan määrää ja piirsimme ensin ruudukon (1000 x 1000m), ja rajasimme aineiston vain ruutuihin, jotka sisälsivät asukasdataa (Vector–>spatial query) (Kuva2.)

Kuva 2. Asukasdataa sisältävien ruutujen rajaaminen uudeksi ruudukoksi (new selection).

Nyt meillä oli kerättynä vain ne ruudut, joihin ylipäätään oli osunut taloja tietoineen (ruudukko 1000m). Nyt saatoimme helpohkosti luoda uusia ruutuaineistoja haluamistamme asukkaita koskevista tiedoista liittämällä 1000 x 1000m kohderuudukkoon esim vektoriaineistoa ruotsinkielisten asukkaiden lukumäärästä rakennuksissa (Kuva 3).

Kuva 3. Ruotsinkielisten määrästä kertovan ruudukon luominen. Join attributes by location- toiminto laskee yhteen kullekin ruudulle osuvien asuinrakennusten ruotsinkieliset asukkaat. Tuloksena ruotsinkielisten lkm kussakin ruudussa.

Nyt kun ruotsinkielisten määrä per 1 km2 visualisoitiin karttatasolla asteikollisella väriskaalalla, saatiin rasterimuotoinen karttakuva ruotsinkielisten jakautumisesta pääkaupunkiseudulla (Kuva 4.)  Ruotsinkielisten kuumat pisteet näyttäisivät olevan Kauniaisissa ja Helsingissä. 

Kuva 4. Ruotsinkielisten lkm/km2 pääkaupunkiseudulla.

Tein vastaavan rasteriaineiston naisten prosenttiosuudesta sekä ulkokansalaisten määrästä kussakin 1 km2 ruudussa. Naisten osuuden visualisoimiseksi liitin uuteen ruudukkoon tiedot koko asukasmäärästä, sekä naisten määrästä kussakin rakennuksessa. Kun näiden kokonaismäärät oli saatu kullekin ruudulle summana, naisten osuus laskettiin luonnollisesti SUM (naiset) / SUM (asukkaat) * 100 % (Kuva 5).

Kuva 5. Helsingin, Espoon ja Vantaan alueilla on sekä ruutuja, joissa asukkaiden joukossa ei ole ollenkaan naisia että ruutuja, joissa kaikki asukkaat ovat naisia. Näyttäisi myös siltä, että Helsinki on lievästi muita naisvaltaisempi kaupunki tai ainakin siellä naisten alueellinen jakautuminen on tasaisempaa. Tulokseen toki vaikuttavat sekä asukastiheys että talojen osuminen ruuduille.

Kuva 6. Ulkokansalaiset ovat kartan perusteella varsin keskittyneet tietyille alueille. Toisaalta kun tarkastelee kuvaa 4. ruotsinkieliset ovat vielä keskittyneempiä. Ulkokansalaisia on eniten Helsingissä, mutta keskittymiä löytyy myös Espoosta ja Vantaalta.

Näin olimme luoneet vektoriaineistoista rasteriaineistoa. Harjoitus oli mielestäni hyödyllinen, sillä se auttoi ymmärtämään rasteri- ja vektoriaineiston keskinäistä yhteyttä ja rasteriaineiston visualisointia. Olisin vielä voinut tehdä toisella ruutukoolla vastaavat kartat ja tarkastellut pikselikoon vaikutusta visualisointiin. Ainakin Marita Selin on kaatuilutuskasta huolimatta saanut visualisoitua eläkeläisten määrän kahdella eri ruutukoolla. Ruutukoon suureneminen ainakin pienentää selvästi aineiston hajontaa, selkeyttää ja yksinkertaistaa karttaa. Luonnollisesti pienentämällä ruutukokoa löytyy enemmän sellaisia ruutuja, joilla ei ole eläkeläisiä.

Eveliina Sirola on kirjoittanut blogissaan ruutuaineiston ja pisteaineiston ominaisuuksista. Pisteainesto on kätevä visualisoitaessa kohteita, joilla on tarkka sijainti. Ruutuaineisto puolestaan sopii hyvin alueellisen tiedon esittämiseen.

Seuraavaksi avasimme QGISiin rasteriaineistoa, jossa neljä eri kerrosta sisälsivät maastoa koskevia tietoja. Nämä liitettiin yhteen Merge-toiminnolla (Kuva 7.), josta QGIS juuri ja juuri hieman ontuen selvisi. Tässä ehkä tuli ilmi se, miten paljon dataa rasteriaineisto sisältää verrattuna vektorimuotoiseen aineistoon.

Kuva 7. Rasteriaineistojen yhteenliittäminen

Yhteenliitoksen tuloksena saadulla rasteriaineistolla harjoittelimme rinnevalovarjostuksen visualisointia (Raster–>Analysis–>DEM–>Hillshade). QGIS osasi tehtä sen varsin vaivattomasti ja korkeuskäyrätkin sai näkyviin mukavasti.

Sitten takaisin vektoreihin. Lisäsimme rasteriaineiston yhteyteen kartan Pornaisista ja aloimme luomaan omia vektoriaineistoja karttatason päälle lisäämällä uusia shapefileja. Tarkoitus oli saada paikoilleen kaikki asuinrakennukset ja päätiet (Kuva 8). QGIS ei piirtämisen osalta ole ehkä yhtä evolvoitunut ohjelma kuin corel draw, mutta vaikutti kuitenkin toimivan tässä tehtävässä melko moitteettomasti. (Eikä edes kaatunut…)

Kuva 8. Pornaisten asuintalot ja päätiet.

“Tosi vähän, eli tosi paljon” – Arttu Paarlahti 5.2.2018, kurssikerta 4.

Lähteet:

Marita Selin (2018). Väestödata laittaa QGIS:n polvilleen eli neljäs kurssikerta. Blogikirjoitus 5.2.2018. <https://blogs.helsinki.fi/selkala/2018/02/05/vaestodata-laittaa-qgisn-polvilleen-eli-neljas-kurssikerta/>

Eveliina Sirola (2018). Neljäs kerta toden sanoo. Blogikirjoitus 7.2.2018. <https://blogs.helsinki.fi/evsirola/2018/02/07/neljas-kerta-toden-sanoo/>

 

Afrikka ja Suomen tulvariskialue-sähläämistä eli 3. kurssikerta

Afrikka

Aluksi harjoittelimme tietokantojen siistimistä datan yhdistämistoiminnolla. Esimerkkinä toimi Afrikan kartta, jossa pieniä saaria sisältävällä valtiolla oli tietokannassa tietoja moneen kertaan (koska valtiolla oli useita aluekohteita). Tietojen yhdistämiseen on ainakin kaksi tapaa: Merge Selected Features ja Dissolve.

Dissolve toiminto oli tässä tapauksessa kätevämpi, koska sillä pystyi käsittelemään koko Afrikan kartan kerralla (Kuva1.).

Kuva 1. Dissolve toiminnossa on oletuksena dissolve all, joka täytyi ottaa pois (muuten Afrikasta olisi tullut yhtenäinen tietoalue). Tiedot haluttiin yhdistää valtion nimen perusteella, jolloin country valittiin yhdistäväksi tunnukseksi.

Nyt kullakin valtiolla oli vain yksi tietorivi ja datan määrä väheni huomattavasti. Seuraavaksi liitettiin excel-tiedostosta aineistoa Afrikan tietokantaan. Excel muutettiin csv-muotoiseksi, jotta QGIS pystyi yhdistämään sen (Kuva2.).

Kuva 2. CSV-taulukon liittäminen QGISiin. Sarakkeiden erottelijaksi piti valita puolipilkku (semicolon) ja ruksia kohta no geometry, koska aineisto ei sisältänyt koordinaattitietoja.

Saatiin tietoja Afrikan valtioiden internetin ja facebookin käytöstä liitettyä karttakerroksiin. Sini Virtanen on liittänyt blogiinsa hyvän koropleettikartan Afrikan valtioiden facebook-käyttäjien osuuksista vuonna 2017. Algeriassa, Libyassa ja Tunisiassa näyttäisi olevan eniten facebook-käyttäjiä.Seuraavaksi oli tarkoitus tarkastella, kuinka monta timanttikaivosta, öljykenttää ja konfliktia kullakin Afrikan valtiolla on. Kaivokset ja konfliktit olivat pisteaineistoa, jolloin niiden määrä saatiin Count points in polygon-toiminnolla (Kuva 3.) Öljykentät olivat alueita , jolloin ne täytyi laskea Join attributes by location-toiminnolla (Kuva 4.)

Kuva 3. Count points in polygon

Kuva 4. Join attributes by location

Sini Virtasen blogissa  on hyvä karttakuva valtioiden luonnonvaroista ja konflikteista (Kuva5). Vaikuttaa kuvan perusteella siltä, että öljykenttien sijainnilla voisi olla jotain osuutta Algerian konflikteissa, mutta muuten luonnonvarojen sijainnille ja konfliktien määrälle on mahdotonta vetää yhteyttä. Muita maita, joissa konflikteja on ollut paljon ovat Chad(Tšad), Etiopia, Uganda ja Angola. Esimerkkejä maista, joissa konflikteja on ollut vähän ovat: Libya, Keski-Afrikan tasavalta, Botswana, Somalia ja Etelä-Afrikka.

Kuva 5. Lähde: Sini Virtanen (2018) <https://blogs.helsinki.fi/7k110738/>

Tekijöitä, jotka voivat vaikuttaa konfliktien määrään? Jokaisella valtiolla on varmasti useita omia taustavaikuttajia konflikteille. Bruttokansantuotteen vaihtelu: Taloudellisen tilanteen parantuessa eriarvoisuus voi kasvaa ja konfliktit lisääntyä, toisaalta huonossa taloustilanteessa köyhyys lisääntyy, mikä niin ikään voi johtaa konflikteihin, esimerkiksi jos maanviljely epäonnistuu sääolosuhteiden takia. Väestön lisääntyminen ja huono vesitilanne voivat johtaa konflikteihin. Actualixin karttojen mukaan esim. Etiopiassa maatalouden osuus bruttokansan tuotteesta on suhteellisen korkea, mikä voi lisätä konfliktiriskiä, jos olosuhteet maanviljelylle heikentyvät. Algeriassa sen sijaan bruttokansan tuote ei ole paljonkaan noussut vuonna 2014, vaikka maalla on hyvät öljyvarannot. Syynä saattaa olla öljyn hinnan lasku. Öljyn hinnassa tapahtuu jatkuvasti aaltoilua, mikä saattaa olla merkittävä syy konflikteille sen tuottajamaissa.

Suomen tulvaindeksit ja järvisyys %

Päivän lopuksi (meni vähän yötöiksi..) piti tuottaa kartta Suomen valuma-alueiden tulvaindekseistä ja järvisyysprosenteista. Aineiston tuominen excelistä tuotti päänsärkyä, kun kirjaimet eivät koodautuneet QGISiin oikein. Itse ratkaisin ongelman lisäämällä excel-tiedostoon numerokoodin, jolla aineistot sai yhdistettyä kätevästi toisiinsa.

Virtaama Q tarkoittaa tietyn uoman poikkileikkauksen kautta tietyssä aikayksikössä kulkevan vesimäärän tilavuutta (m3/s). Virtaamaan vaikuttavat sadanta, haihdunta, valuma-alueen maantieteellinen sijainti, ihmistoiminta ja järvisyys. Suomessa virtaaman osuus vuosisadannasta vaihtelee välillä 40-60 %. Virtaamat ovat maassamme pienimmillään tyypillisesti talvella, kun vesi sitoutuu lumeen ja kesällä, kun haihdunta on suurta. Suurimmillaan virtaamat ovat puolestaan keväällä, kun lumet sulavat ja syksyllä, kun sataa melko paljon, mutta haihdunta on vähäistä. Ylivirtaamalla tarkoitetaan keskimääräisen virtaaman ylittävää vesitilavuutta ja alivirtaamalla alittavaa tilavuutta.

Tulvaindeksi lasketaan jakamalla keskimääräinen vuotuinen ylivirtaama keskimääräisellä vuotuisella alivirtaamalla eli MHQ/MNQ. Periaatteessa se siis kertoo, kuinka moninkertainen on ylivirtaaman tilavuus verrattuna alivirtaaman tilavuuteen keskimäärin vuodessa. Mitä korkeampi tulvaindeksi, sitä todennäköisemmin vesistöt tulvivat.

Kuva 6. QGISillä tuotettu karttakuva Suomen valuma-alueiden tulvaindekseistä ja järvisyydestä. Mitä korkeampi pylväs, sitä enemmän järviä.

Vaikuttaa siltä, että tulvaindeksillä ja järvisyydellä on käänteinen yhteys: Mitä enemmän järviä, sitä matalampi tulvaindeksi. Suurilla vesistöillä kuten järvillä onkin tulvimista puskuroiva eli ylivirtaamaa tasaava vaikutus, koska ne varastoivat veden väliaikaisesti ennen virtaamista jokien kautta mereen.

Korhosen (2007) mukaan Suomen vesistöt voidaan jakaa tyypillisten virtaamaolosuhteidensa mukaan kolmeen ryhmään: 1) Sisä-Suomen järvialueen vesistöt, joiden vuotuisen virtaaman vaihteluita suuret järvet tasaavat tehokkaasti 2) Suomenlahden ja Pohjanlahden rannikon pienet ja keskikokoiset joet, joiden valuma-alueilla on vähän järviä, jolloin virtaama vaihtelee voimakkaasti vuoden aikana. Tulvat ja kuivat kaudet ovat tavallisia. 3) Pohjois-Pohjanmaan ja Lapin suuret joet, joiden virtaama on melko suuri läpi vuoden, vaikka valuma-alueilla ei olekaan paljon järviä. Tulvaindeksikartalta nämä alueelliset erot ovat mielestäni melko selvästi havaittavissa (kuva 6.).

Lähteet:

Sini Virtanen (2018). Veritimantteja ja valuma-alueita. Blogikirjoitus 30.1.2018. <https://blogs.helsinki.fi/7k110738/2018/01/30/veritimantteja-ja-valuma-alueita/>

Actualitix- Statistics by coutry. 1.2.2018. < https://en.actualitix.com/country/afri/africa-growth-rate-of-gdp.php>

Korhonen Johanna (2007). Suomen vesistöjen virtaaman ja vedenkorkeuden vaihtelut. Suomen ympäristö 45/2007. SYKE. Helsinki 2007 <https://helda.helsinki.fi/bitstream/handle/10138/38428/SY_45_2007.pdf?sequence=3>