3. Kurssikerta: Konfliktit Afrikassa ja tulvaindeksit Suomessa

Moikka!

Tämän viikon luennolla oppimistavoitteena oli tietokantojen muokkaaminen ja yhdistäminen niin, että niistä voitiin lopulta tehdä haluttuja teemakarttoja.  Harjoittelimme tietokantojen yhdistelyä erilaisten kyselyjen avulla sekä saraketietojen muokkaamista ja lisäämistä. Luennon seuraaminen oli huomattavasti helpompaa, kun sain käyttööni toisen näytön, eikä enää tarvinnut jakaa yhdelle näytölle eri ikkunoita.

Luennolla teimme harjoituksen Afrikkaan liittyvistä tietokannoista, jotka sisälsivät tietoa valtioiden rajoista, tapahtuneista konflikteista sekä timanttikaivosten ja öljykenttien sijainnista. Lopuksi lisättiin vielä tietokanta valtioiden väkimäärästä ja internetin käyttäjistä. Harjoituksen tekeminen kurssikerran aikana onnistui hyvin. Kokeilimme muun muassa työkaluja ”Count points in polygon” ja ”Join attributes by location (summary)”, joista ensimmäinen laskee tiettyjen pistemäisten kohteiden määrän valittujen polygonien sisällä ja jälkimmäinen polygonien määrää polygonien sisällä. Tein vielä myöhemmin harjoittelun vuoksi muokkaamistamme attribuuttitaulukoista koropleettikartan (kuva 1), joka kuvaa Afrikan internetin käyttäjiä suhteutettuna valtioiden väkilukuun. Kartasta voidaan huomata, että vain yhdessä valtiossa (Kenia) internetin käyttäjiä on 71-85% väestöstä  ja suurimmassa osassa valtioista käyttäjiä on alle 29% kokonaisväestöstä.

Kuva 1. Internetin käyttäjät Afrikassa vuonna 2020 suhteutettuna valtioiden kokonaisväestöön

Afrikka-tietokannoissa oli paljon tietoa edellä mainituista muuttujista. Muuttujia tutkimalla, voitaisiin tehdä monia päätelmiä valtion tilasta ja muuttujien välisistä yhteyksistä. Koska tietokannoista löytyy sekä konfliktien tapahtumavuodet että kaivosten ja öljykenttien löytämisvuodet, niiden välisiä yhteyksiä voitaisiin pohtia. Myös kaivausten ja poraamisten aloitusvuodet ovat voineet vaikuttaa konfliktien syntyyn. Internetinkäyttäjien lukumäärää eri vuosina voisi käyttää hyväksi valtioiden kehittyneisyyden mittarina, sillä se kertoo melko paljon valtion kehityksestä, kuten oli myös kurssikerran harjoitusmateriaalissa mainittu. Voitaisiin myös tutkia, miten konfliktit ovat vaikuttaneet internetin käytettävyyteen ja toisaalta sitä, onko internetin saatavuus vähentänyt konflikteja, jos sitä pidetään kehityksenmittarina.

Kolmannen luennon loppupuolella aloitimme tekemään itsenäisesti harjoitusta liittyen Suomen valuma-alueiden tulvaindeksiin. Ensin harjoituksessa laskettiin tulvaindeksit ja sen jälkeen attribuuttitaulukkoon lisättiin valuma-alueiden järvisyysprosentit. Järvisyysprosenttien lisäämisessä ongelmia tuli ääkkösten kanssa, sillä QGIS ei suoraan ymmärtänyt yhdistää liitettäviä nimiä alkuperäisiin ääkkösiä sisältäviin nimiin. Lopulta sain nimet kuitenkin liitettyä oikein ja pääsin kartan tekoon.

Tulvaindeksien perusteella oli helppo tehdä koropleettikartta (kuva 2) ja myös järvisyysprosenttien lisääminen pylväinä kartalle sujui melko helposti. Ongelmia tuotti kuitenkin järvisyysprosentin legendan muokkaaminen, enkä loppujen lopuksi keksinyt ratkaisua, jolla olisin saanut näkyviin luokittelumittarin. Jätin lopulta legendasta pois arvojen eroja selittävän kohdan. Huomasin myös Sannan törmänneen samaiseen ongelmaan, mutta hän oli Villen blogista neuvoa ottaneena tehnyt pylväiden sijaan ympyrädiagrammit kuvaamaan järvisyyttä. Sanna oli myös tehnyt järvisyysprosentista oman koropleettikarttansa, mikä kuvaa saman asian eri tavoin. Sitä olikin mielenkiintoista verrata omaan karttaan. Erillisestä järvisyysprosentti kartasta oli helpompi vertailla  eroja valuma-alueiden välillä.

Kuva 2. Suomen päävaluma-alueiden tulvaindeksit ja järvisyysprosentit

Laatimani kartta (kuva 2) on siis tulvaindeksikartta, joka kuvaa jokaisen Suomen päävaluma-alueiden virtaamien vaihteluja. Mitä tummemman sinisen sävyn valuma-alue on kartalla saanut, sitä suurempi on tulvaindeksin arvo. Valuma-alueiden välillä on suuriakin eroja, sillä alin luokka kuvaa arvoja 1-32 ja korkein luokka 500-1100. Kun tutkitaan samalla kartalla esitettyjä järvisyysprosentteja, huomataan, että tulvaindeksillä ja järvisyydellä on jonkinlainen yhteys. Alueilla, joilla järvisyysprosentti on verrattain suuri, on tulvaindeksin arvo melko pieni. Päinvastoin, jos järviä on alueen pinta-alaan nähden paljon, on tulvaindeksi melko korkea. Poikkeuksiakin löytyy, kuten voi huomata Tornionjoen valuma-alueen suhteellisen pienistä tulvaindeksistä ja järsivyysprosentista. Pienimmät järvisyysprosentit löytyvät rannikolta, joilla kuitenkin tulvaindeksi on suurempi verrattuna muuhun Suomeen. Syynä tällaiseen yhteyteen voisi olla, jokien suurempi määrä niillä alueilla, joilla järviä on vähemmän. Joet ovat herkempiä tulvimiselle, mikä selittäisi tulvaindeksin suuremmat arvot rannikolla, jossa järviä on siis vähemmän. Helmi olikin blogissaan pohtinut kattavasti sitä, miksi tulvaindeksi on suurempi juuri rannikolla. Hän mainitsi muun muassa asutuksen sijoittumisen, rannikoiden sateisuuden ja alavan maan. Nämä tekijät ovat varmasti merkittäviä mitä tulee tulvaindeksin suuruuteen.

 

Lähteet:

Jantunen Sanna (2021). https://blogs.helsinki.fi/smjantun/ (viitattu 4.2.2021).

Lappalainen Helmi (2021). https://blogs.helsinki.fi/laphelmi/ (viitattu 4.2.2021).

Väisänen Ville (2021). https://blogs.helsinki.fi/villvais/ (viitattu 4.2.2021).

Arttu Paarlahden kurssiharjoitus 3.

Leave a Reply

Your email address will not be published. Required fields are marked *