KK6: Etelänmatka ja opetuskarttoja

Alkulämmöt(jäätymiset)
Heti kättelyssä kurssilaiset passitettiin luokan lämmöstä takaisin maanantaiseen lumimyrskyyn keräämään paikkatietoa lähistön viihtyisyydestä Epicollect5-sovelluksella. Siinä tulikin otettua äkkilähtö etelän lämpöön eli ratikka Sörnäisiin, josta sai kerättyä varsin mielenkiintoista dataa. Myräkästä huolimatta harjoitus oli mielenkiintoinen ja opettavainen. Oli hienoa, kuinka nopeasti ja helposti tuore itse hankittu paikkatieto siirtyi QGisiin ja kartan muotoon. Lisäksi opimme uuden työkalun: interpoloinnin. Sitä käytetään pisteaineistoon, josta lasketaan pisteiden tiheys sekä arvioidaan niiden lukumäärä sekä pisteiden saamat arvot suhteessa aineiston puuttuviin tietoihin. Interpoloituun tasoon valitaan lopuksi aineistoon sopiva väri, sillä automaattinen tummanharmaa ei aina ole sopivin. Kurssikerralla interpoloimme keräämäämme aineistoon arvioidun turvallisuuden tunteen pisteittäin (Kuva 1).

Kuva 1. Turvallisuuden tunne asteikolla 1-5 kampuksen lähistöllä, maanantain kurssilaisten 21.2.2022 keräämän datan pohjalta

Opetuskarttoja
Olemme kurssilla tehneet karttoja hyvin pienistä alueista ihan kaupunginosatasolla, mutta nyt onkin vuorossa suurin skaala. Toteutimme nimittäin itsenäistyönä opetuskäyttöön tarkoitettuja globaaleja hasardikarttoja. Juurikin nämä erilaiset maailmankartat olivat maantieteellisen kipinän sytyttäjiä koulupolkuni alkumetreillä, joita jo pienempänä tutkailin suurella mielenkiinnolla. Siksi tämä tehtävä oli erityisen innostava ja lopputulemana syntyi varsin oppikirjamaisia karttaesityksiä. Toteutuksen pääpaino liittyi erityisesti visuaalisuuteen, sillä opetuskarttojen on ehdottomasti oltava selkeitä ja informatiivisia. Opettajana tulisi myös miettiä, kohdetta eli nuoria oppilaita, sillä kaikkia ei maantiede välttämättä kiinnosta. Karttojen tulisi olla siis ulkonäöltään mahdollisimman mielenkiintoa herättäviä.

QGIS tärisee ja maa järisee

Kuva 2. Vähintään neljän magnitudin maanjäristykset vuonna 2021. Lähde: https://earthquake.usgs.gov/earthquakes/search/

Hasardiksi valitsin maanjäristykset ja esittelen kolme karttaa, joilla ilmiötä opettajana käsittelisin. Maanjäristyksistä on hyvä ymmärtää Richterin asteikko, jolla niiden voimakkuutta mitataan. Se on kymmenkantainen logaritminen asteikko eli kuuden magnitudin järistys on kymmenen kertaa viittä magnitudia voimakkaampi. Kuutta magnitudia voidaan pitää rajana, jolloin puhutaan jo tuhoisista maanjäristyksistä. Suurimmat vahingot liittyvät infrastruktuuriin ja järistyksistä aiheutuvat kuolemat sortuviin rakennuksiin.

Ensimmäinen kartta (Kuva 2) esittää vuonna 2021 ilmenneitä vähintään neljän magnitudin maanjäristyksiä, joita esiintyi jopa 17299. Neljän magnitudin järistykset ovat sellaisia, joita voidaan havaita ilman mittalaitteita ja esiintyvät esim. ikkunoiden helinänä. Kartan ideana on havainnollistaa, miten yleisiä maanjäristykset ovat, ja toisaalta että tuhoisammat järistykset ovat harvinaisempia. Jokaiseen karttaan olen lisännyt mannerlaattojen rajat kuvastamaan niiden oleellista roolia maanjäristysten synnyssä ja esiintymisessä. Kartalla on mukana pienemmät järistykset, jotta voidaan huomata, että myös kauempana laattojen reunoista järisee. Ensimmäinen kartta on varsin ajankohtainen peruskartta. Juulia on blogissaan pohtinut hienosti ajankohtaisen tiedon pedagogista merkitystä mielenkiinnon herättäjänä opetettaville.

Astetta kovemmat järistykset

Kuva 3. Vähintään 6,5 magnitudin maanjäristykset vuodesta 1850 alkaen interpoloituna. Lähde: https://earthquake.usgs.gov/earthquakes/search/

Sitten hypätään suurempien eli vähintään 6,5 magnitudin maanjäristysten pariin. Kurssikerralla opeteltu interpolointi sopii hienosti esittämään voimakkaiden järistysten alueellista sijoittumista. Magnitudi 6,5 valikoitui osittain siksi, että sen interpolointi sopii hyvin yhteen pohjakartan kanssa. Tasan kuuden magnitudin arvojen interpolointi nimittäin peitti koko pohjakartan. Järistysdatan interpolointi maailmankartalle kesti lähemmäs tunnin ja fuksiläppärini kuulosti kiihdyttävän suihkukoneen turbiinilta, mutta ainakaan ei tietokone eikä QGis kaatunut. Kenties ruutukoko olisi voinut olla pienempi, mutta ainakin lopputuloksena syntyi varsin onnistunut kartta. Pohjakartan väriksi valitsin tummanharmaan, sillä järistykset näkyvät tällöin huomattavasti selkeämmin.

Uhka mereltä?

Kuva 4. 2000-luvun suurimmat maanjäristysten aiheuttamat tsunamit. Lähde: https://www.ngdc.noaa.gov/hazel/view/hazards/tsunami/event-data?minYear=2000&causeCode=1

Edellisillä kartoilla on käyty läpi maanjäristysten perusasioita: sijainti, yleisyys, magnitudit ja suurimmat järistykset. Järistyksistä olisi hyvä tietää vielä ainakin, että niiden rinnalla kulkee muitakin geologisia uhkia, kuten tulivuoret. Päätin kuitenkin tarkastella tsunameja, joista löysin dataa NOAA:n eli Yhdysvaltain liittovaltion sää- ja valtamerentutkimusorganisaation sivuilta.  Kartalla (Kuva 4) esitetään 2000-luvun tuhoisimmat tsunamit, joiden aiheuttajana on maanjäristys. Kaukana mannerlaattojen reunoistakaan ei voi olla levollisin mielin sillä maanjäristykset ulottavat lonkeroitaan kauaskin veden avulla tsunamien muodossa. Asutetut saaret ja rannikot ovat erityisiä riskialueita, joissa tsunamit ovat pahimmillaan tuhoisia.

Reflektointia
Itse karttojen valmistusprosessi QGississä tuntui tällä kertaa todella helpolta tuttujen komentojen ja datan pyörittelyltä. Lopputuloksena syntyi kolme karttaa, joiden kanssa voisin lähteä varsin luottavaisin mielin opettamaan maanjäristysten ilosanomaa. Kartat ovat sisällöltään ja ulkonäöltään sopivan erilaisia, jolloin vaihtuvuus voisi pitää opetustilanteen yllättävyyttä ja mielenkiintoa yllä. Karttateknisenä asiana mainittakoon vielä, että mittakaavan lisääminen ei oikein tahtonut onnistua, mutta sallittakoon se tällä kertaa, kun kyseessä on täysi maailmankartta.

Osana tehtävänantoa oli myös etsiä netistä erilainen tapa esittää hasardeja ja verrata sitä omiin karttoihin. Löysin YouTubesta erinomaisen videoesityksen suurimmista maanjäristyksistä (yli 8 mag.) viimeisen sadan vuoden ajalta. Videot ovat nykyaikaa ja sen etuna on mm. maanjäristysten esittäminen yksi kerrallaan, jolloin kartta ei tukkeudu kaikista järistyksistä kerralla. Videon muodossa myös kronologinen järjestys käy hyvin ilmi. Kuvalliset kartat kertovat paremmin kokonaiskuvasta ja opettajan asemassa käyttäisin sekä kuvia että videoesitystä maanjäristysten esittämiseen.

Bonuskartta!

Kuva 5. Tilastoidut vähintään tuhatkiloiset meteoriitit. Lähde: https://data.nasa.gov/Space-Science/Meteorite-Landings/gh4g-9sfh

Tulipa tehtyä myös kartta suurimmista meteoriitti-iskuista painoluokittain (Kuva 5). Helmin blogista löytyy tarkempaa selontekoa meteorikartan kommervenkeista ja yhteenveto suuremmasta määrästä meteoriitteja. Aineistossa meteoriittien painot olivat grammoina, mutta muutin ne kilogrammoiksi selkeyden vuoksi. Toisin kuin katastrofielokuvissa, taivaankappaleet eivät iskeydy pelkästään Yhdysvaltoihin!  Kosmisia kivenmurikoita ropisee ilmakehään päivittäin, mutta edes kiloa suuremmat meteoriitit ovat jo harvinaisia. Suurin meteoriitti tähän mennessä on löydetty Namibiasta, joka on 60-tonninen Hoban-meteoriitti. Kenties merten syövereihin on satanut isompiakin meteoriitteja, mutta ne ovat välittömästi kadonneet syvyyksiin odottamaan löytäjäänsä.

Lähteet:
Geology.com, Hoba: The World’s Largest Meteorite. Haettu 24.2.2022 osoitteesta: https://geology.com/records/largest-meteorite/

Leinonen H, Viikko 6: hazardeja kaukomailla ja kantakaupungissa (2022): https://blogs.helsinki.fi/lehelmi/ Viitattu 24.2.2022

Salakka J, 6. kurssikerta (2022): https://blogs.helsinki.fi/gis-juulia/ Viitattu 24.2.2022

Wikipedia.org, (2021), Richterin asteikko. Haettu 24.2.2022 osoitteesta: https://fi.wikipedia.org/wiki/Richterin_asteikko

KK5: Buffereita ja altaita

Tämänkertainen maanantai-ilta jatkui viime viikolta tutuissa Pornaisten maisemissa, jossa harjoittelimme uutta toimintoa: bufferointia. Siinä on ideana määrittää alue vaikkapa pisteen, viivan tai polygonin ympärille ja selvittää esim. bufferoidun alueen sisä- tai ulkopuolelle jäävien kohteiden, kuten rakennusten määrää. Tämä työkalu olikin erinomaisen oleellinen kurssikerran itsenäistöiden kanssa. Edeltäneillä viikoilla olemme edenneet melko käsikädessä kulkeneen ohjeistuksen avulla. Nyt pääsimmekin itsenäisharjoitusten kera testaamaan miten QGis-siivet kantavat, ja ihan hyvin ne kantoivatkin. Ohessa on taulukoituna itsenäistehtäviin 1-2 selvittämäni vastaukset (Taulukko 1). En ala yksityiskohtaisesti käymään läpi jokaista kohtaa, mutta avaan joitakin havaintojani tehtäviin liittyen.

Taulukko 1. Tehtävien 1-2 ratkaisut

Kun laskettiin lentokenttiä ympäröiviä melualueita, piirrettiin lentokenttien radat käsin, joiden myötä bufferi-toiminto laski puskurivyöhykkeet tasan niin tarkkaan, kuin ne oli piirretty. Huomasin vierustoveri Helmin kanssa, että lopputuloksissamme oli marginaalista heittoa juurikin siksi, että piirtämämme kiitoradat olivat hieman erikokoisia. Tikkurilan suuntaisen poikkeusreitin määrite lienee hieman tulkinnanvarainen, joten päädyin piirtämään sen aina kiitoradan päätepisteestä kartan reunaan saakka. Sen sijaan asemien lähistöllä asuvien lukemissa ei ollut heittoja, sillä bufferit tehtiin valmiin asematietokannan ympärille. Muuten ensimmäiseen tehtävään ei liittynyt ihmeellisyyksiä ja laskutoimitukset alkoivat muodostua rutiineiksi Select Features-toimintojen kera. Lopuksi oli vielä taajamiin liittyviä tehtäviä. Kouluikäiseksi määrittelin 7-16-vuotiaat ja jäin miettimään, olisiko helpompi tapa taulukoida ikäryhmä, kuin latoa Fielf Calculatoriin: ikä 7 + ikä 8 + ikä 9 + jne…

 

Pk-seudun uima-altaat

Itsenäisenä tehtävänä päätin sukeltaa (:D) uima-altaiden maailmaan. Pääkaupunkiseudulta löytyy 855 uima-altaallista rakennusta, joissa pääsee lillumaan 12170 asukasta. Määrä on yllättävän suuri, sillä itse en ole törmännyt yksityisiin tai taloyhtiöiden altaisiin. Keskimäärin allasta kohden on noin 14 asukasta, jonka korkeahko määrä selittyy uima-altaallisilla kerrostaloilla, joita on 181. Uima-altaallisia omakotitaloja on puolestaan 345 ja rivitaloja 113. Sen sijaan löylyistä pääsee nauttimaan suurempi määrä ihmisiä, sillä pääkaupunkiseudulla on 21922 saunaa, eli suunnilleen joka neljännessä asutussa rakennuksessa (24,1%). Nämä lukemat olivat nopeita ja helppoja selvittää jo edellisistä tehtävistä tutuilla toiminnoilla.

Mutta siihen jäikin se helppo osuus, sillä koropleettikartan tuottaminen histogrammeineen muodostui aikaa vieväksi kinkkiseksi pähkinäksi. Tehtävänanto oli äärimmäisen yksinkertainen, mutta pienalueaineiston ja rakennusaineiston yhdistäminen ei meinannut luonnistua. Ongelmana oli virheelliset arvot pienaluetietokannassa. Bugin kanssa en ollut kuitenkaan yksin, sillä tämä kommervenkki näyttää piinanneen myös muita kurssilaisia. Mm. Ronja on blogissaan selvittänyt kyseisen ongelman ratkaisemista laittamalla QGisin ignooraamaan virheelliset arvot. Check Validity-toiminnon avulla sain errorit sivuutettua ja luulin olevani lähes valmis oikeanlaisen koropleettikartankin muodostuttua. Kuitenkin histogrammin kanssa sai vääntää ja kääntää yllättävän kauan. Koko tehtävän kanssa olikin suuresti apua YouTuben opetusvideoista sekä QGis-tutoriaalisivustosta. Netin syövereistä kannattaakin etsiä apua pulmiin, sillä sieltä voi löytää laadukkaita ohjeita sekä videoita. Lopulta sain kaiken tarvittavan tiedon kartografiseen muotoon (Kuva1).

Kuva 2. Uima-altaiden absoluuttinen määrä pienalueittain. Pohjakarttana OpenStreetMap.

Uima-allasrikkain alue on Lauttasaari 53 altaalla ja heti perässään Länsi-Pakila (52) sekä Marjaniemi (48). Näiden alueiden asukkaita lienee pandemiasta johtuneet uimahallien sulut haitanneet keskimääräistä vähemmän. Alueittain altaiden määrissä on paljon heittoa ja monessa paikassa onkin vain yksi allas. Kenties alueiden tulotasot vaikuttavat hitusen määriin, sillä ”tavallista” kiinteistöä rakennettaessa uima-allas ei liene ihan prioriteettilistan kärjessä. Jos visuaalisuutta mietitään, niin uima-altaita kuvaavat pylväät ja numeroarvot ovat melkoinen sotku erityisesti kartan keskiosassa. Onneksi lisänä on myös koropleettikartta, joten värienkin avulla pystyy lukumääriä tulkitsemaan. Aluksi mietin nimistön lisäämistä, mutta tällä pikselikoolla se olisi sekavoittanut lopputulosta entisestään. Siksi päädyin lisäämään pohjakartan OpenStreetMapista tuomaan hieman alueellista kontekstia pienalueruuduille. Se oli hyvin helppo lisätä QuickMapServices-lisätyökalun avulla.

Missä mennään?

Kurssi lähenee jo loppuhuipennusta, joten nyt on hyvä paikka itsetutkiskelulle liittyen omaan QGis-osaamiseeni. Allasprojekti aiheutti minulle tähän mennessä sekä suurimman epätoivon että onnistumisen tunteen. Yksinkertaiselta vaikuttanut tehtävänanto osoittautuikin yllättävän mutkikkaaksi, kun ei ollutkaan yksityiskohtaisia ohjeita tehtävän tueksi. Ei auttanut muu kuin palata hakemaan inspiraatiota edellisiltä kurssikerroilta ja ihan vain kokeilla eri työkaluja. Tehtävä opettikin minulle, että datan käsittelyyn liittyvissä toiminnoissa on vielä paljon opittavaa. Usein huomaan myös päätyväni oikeaan lopputulokseen, mutten aivan konkreettisesti ymmärrä prosessia, joka siihen johti. Lopulta oli kuitenkin palkitsevaa selättää bugit, löytää oikeat työkalut ja saada uima-allastehtävä maaliin. Summa summarum: kohtalaisen vaikean ohjelmiston parissa on tullut työskenneltyä nyt noin kuukausi ja melko kokonaisvaltainen käyttövarmuus on alkanut rakentua. Toistoja on kuitenkin lyötävä sisään ja alettava paremmin muistamaan eri toimintojen salat ja käyttötarkoitukset.

Lähteet:

Ronja Sonninen (2022). Ronjan GIS-Blogi: https://blogs.helsinki.fi/sronja/ Viitattu 17.2.2022

Ujaval Gandhi, Handling Invalid Geometries (QGIS3) Haettu 17.2.2022 osoitteesta: https://www.qgistutorials.com/en/docs/3/handling_invalid_geometries.html

KK4: Ruudun takaa

Näin sitä ollaan jo kurssin puolivälissä, vaikka tuntuu kuin olisimme aloittaneet viime viikolla! Tällä kertaa dataa pyöriteltiin ruututeemakartalla ja myös rasteriaineistojen aika koitti vihdoin. Rastereiden maailmaan syvennyttiin Pornaisten alueella, josta tuotimme vinovalovarjosteita ja korkeusmalleja.

Ruututeemakartta rakennusten mediaani-iästä

Tein ruututeemakarttani pääkaupunkiseudun asuttujen rakennusten mediaani-iästä. Tämä tilasto oli itsessään äärimmäisen kiinnostava, joten oli mielekästä lähteä tutkailemaan rakennuskannan iällistä sijoittumista pääkaupunkiseudun alueella. Ydin-Helsingin infrastruktuuri on hyvin vanhaa ja perinteikästä, mutta pääkaupunkiseutu ympärillä laajenee kovaa vauhtia asukasmäärän kasvaessa. Näiden ennakkokäsitysten – ja olettamusten pohjalta pääsin itse kartan laatimiseen.

Ruutujen kooksi valitsin 500m X 500m, sillä halusin esittää aineistoa mahdollisimman tarkasti. Tämän uskon olevan pienin skaala, jota tämän kokoisella alueella on järkevää esittää. Työssä kertautui hyvin tällä kurssikerralla opittu Grid-toiminto sekä suurikokoisen aineiston vääntely ja kääntely. Pks_väki on massiivinen aineisto, josta valitsin KAVU-sarakkeen eli rakennusten käyttöönottovuotta merkitsevän datapaketin. Kyseisessä aineistossa oli 9999999-merkkisiä arvoja joidenkin rakennusten käyttöönottovuotena. Jotta nämä arvot eivät haittaa laskutoimitusta, sivuutin ne Select features by value -toiminnolla, jossa suodatin aineiston ”Less or equal than < 2015” ja pääsin eroon oudoista lukuarvoista. Mediaani luokituksena sopii hyvin vuosiluvun kaltaiselle kokonaisluvulle, josta ei haluta desimaaleja. Myös mahdollisesti lopputulosta vääristävät ääriarvot suodattuvat pois. Lopuksi vielä visuaalinen kaunistus ja lopputulokseen olen varsin tyytyväinen (Kuva 1).

Kuva 1. Asuttujen rakennusten mediaani-ikä pääkaupunkiseudulla ja kuriositeettina raideliikenteen verkosto asemineen

Ruututeemakartta on kenties monimutkaisempi tulkita, kuin tutumpi koropleettikartta, mutta mielestäni äärimmäisen informatiivinen. Se vaatii pidemmän ajan tarkastella, mutta ruututeemakartalla on mahdollista esittää tarkasti ja paljon tietoa. Jälleen värivalinnoilla on suuri merkitys lopputuloksen kannalta, jotta ruutuviidakko ei pistä katsojaansa shokkiin. Tässä kartassa olisi ehkä hyvä olla lisänä alueiden nimet, vähintään Helsinki, Espoo, Kauniainen ja Vantaa, kenties vielä tarkemminkin. Vaikka pääkaupunkiseutu on lähtökohtaisesti hyvin tunnettu alue, ei kartan laatija voi silti olettaa kaikkien tuotosta tulkitsevien pystyvän hahmottamaan alueita ilman selitteitä.

Analyysin paikka

Lopputulos on melko lähellä odotusarvoani. Vanhin rakennuskanta sijaitsee Helsingin ydinkeskustassa, jonka infrastruktuuri on vanhaa ja kulttuurisesti arvokasta, joten siellä ei juurikaan ole tilaa eikä mahdollisuuksia uusille rakennuksille. Ympäri karttaa on yksittäisiä ruutuja, jotka merkitsevät vanhempia rakennuksia, mutta näissä tapauksissa myös rakennuksien määrä on huomattavasti pienempi, jolloin jo yksittäiset talot vaikuttavat vahvasti mediaaniin. Yllättävää oli, että Espoon rakennuskanta on paljon vanhempaa kuin ajattelin. Tilastoista selvisi, että 70-luvun alkuvaiheilla Espoossa on ollut väestönkasvun ja asuntorakentamisen piikki, joka selittänee osin havaintoa. Espoossa valmistui myös paljon omakoti- ja rivitaloja kyseisenä aikana, mikä selittää 60-80 -lukujen tilastollista runsautta alueella. 60-luvulla alkoi myös lähiörakentamisen kulta-aika, jonka aikana valmistuneet betonikuutiot verhoavat erityisesti Espoota, Vantaata ja Itä-Helsinkiä.

Nuorin rakennuskanta sijoittuu Vantaalle ja Itä-Helsinkiin, jossa kasvupotentiaali on suurta, koska siellä on yksinkertaisesti tilaa sekä hyvät kulkuyhteydet raideliikenteen ja Kehäradan puolesta. Alueen asumiskustannukset ja halvemmat tonttien hinnat verrattuna Helsingin ytimeen puoltavat myös kehitystä. Lisäsin karttaani Helsingin kaupungin avoimen WFS-tietokantapalvelun kautta metro- ja junaradat asemineen. Nämä merkittävät raideliikenteen reitit ohjaavat vahvasti pääkaupunkiseudun kaupunkisuunnittelua, jonka keskiössä on erityisesti julkinen liikenne ja saavutettavuus. Ihan jo paljain silmin olen havainnut, että siellä missä on raideliikenteen pysäkkejä, on työmaita nostokurkineen rakentamassa kovaa vauhtia uusia kiinteistöjä. Tämä havainto korreloi varsin hyvin kartalla olevien junaratojen kanssa, mutta ei juurikaan länsimetron alueella. Tähän vaikuttanee se, että Pks_vaki tietokanta on vuodelta 2015, mutta länsimetron toiminta alkoi vasta 2017, joten tuoreemmalla datalla voisi saada muuttunutta tietoa.

Katariina on ruututeemakartassaan lisännyt pohjalle tiestön ja pohtii mielenkiintoisesti sen sijoittumista suhteessa rakennuksiin. Tämän takia on hyvä muistaa, että vaikka nykyisessä kaupunkisuunnittelussa painotetaan julkista liikennettä, on menneinä vuosikymmeninä rakennettu kaupunkeja autoilu edellä. Eivätkä autot mihinkään ole kadonneet vaan autoilu tieverkkoineen vaikuttaa vahvasti pääkaupunkiseudun rakenteeseen ja ihmisten liikkumisen siellä.

 

Korkeusmalleja rasteriaineistolla

Ruutujen maailmasta siirryttiin rasteriaineistojen pariin. Aineistoina toimi Pornaisten alueen peruskarttalehti sekä saman alueen korkeusmalli neljässä osassa. Rasteritasot yhdistettiin toisiinsa ja laitettiin oikean koordinaattijärjestelmän alle (vanha kunnon ETRS-TM35FIN), jonka jälkeen pääsimme käsiksi peruskarttalehden puuteeseen: korkeuskäyrät puuttuvat! QGissillä voi lisätä perinteisen malliset korkeuskäyrät tai vinovalovarjosteen. Seuraavaksi tarkastelen hieman näitä korkeusmalleja keskenään.

Kuva 2. Perinteiset korkeuskäyrät vs vinovalovarjostus.

Vinovalovarjoste on monille tutumpi nimellä rinnevarjostus karttapalveluissa. Se luo korkeusmallin pohjalta kolmiulotteismaisen mallinnuksen maastosta. Kaksi eri korkeusmallinnusta samalta Isosaaren alueelta kuvastavat hyvin perinteisten korkeuskäyrien ja rinnevarjostuksen eroa (Kuva 2). Rinnevarjostusta on tullut hinkattua enemmän kuin tarpeeksi luonnonmaantieteen kursseilla, sillä se on erittäin loistava työkalu pinnanmuotojen tarkempaan tutkimiseen. Oikeanpuoleisessa rinnevarjotuksessa näkyykin komeat De Geer -moreenit, joita peruskäyrillä ei näe. Nämä matalat moreeniselänteet ovat hyvä esimerkki vaikeasti havaittavista pinnanmuodoista, joiden tutkimista rinnevarjostus on merkittävästi auttanut. Myös karttalehdellä esiintyviä meandereita kannatta vilkaista rinnevarjostuksella, sillä karttalehden kapeat viivat eivät anna arvoa komeille jokien kulutustöille! 😊

Kuva 3. Maanmittauslaitoksen maastokartan korkeuskäyrät vs QGisin korkeuskäyrät

Lopuksi vielä Maanmittauslaitoksen peruskarttalehden korkeuskäyrien ja QGis Contourin vertailu Tornikallion kohdalta (Kuva 3). QGisin korkeuskäyrien väliksi laitoin viisi metriä ja tyyliksi valitsin katkoviivan, sillä halusin kokeilla miltä tämä tyylivalinta näyttää. Maanmittauslaitoksen korkeuskäyrät ovat tiheämpiä ja muodoltaan yleistetympiä, kuten Jessika blogissaan osuvasti kuvailee. QGissin korkeuskäyrät näyttävät omaan silmääni joka tapauksessa käyttökelpoisilta ja tarkkuudestaan huolimatta oikein selkeiltä!

Lähteet:

Jessika Isomeri (2022), Jessikan GIS-hurvittelut: https://blogs-test.it.helsinki.fi/jessikangishurvittelut/ Viitattu 10.2.2022

Katariina Karvinen (2022), Katariinan blogi: https://blogs.helsinki.fi/karvkata/?lang=en Viitattu: 9.2.2022

Pekka Vuori (2020), Pääkaupunkiseudun asuntorakentaminen rikkoi ennätykset. Katsaus asuntotuotantoon ja väestökehitykseen vuosina 1961–2019, haettu 9.2.2022 osoitteesta: https://www.kvartti.fi/fi/artikkelit/paakaupunkiseudun-asuntorakentaminen-rikkoi-ennatykset

 

KK3: Hankaluuksia Afrikassa ja tulvii Pohjanmaa

Kurssikerran agenda:

Kolmannella kurssikerralla pyörittelimme valtaisaa määrää dataa Afrikan alueella. Harjoituksen pohjana toimi Afrikan valtiot sisältävä pohjakartta, johon yhdistelimme dataa konflikteista ja luonnonvaroista. Tarkastelimme tietokantoja myös internetin ja Facebookin käyttäjistä viimeisen 20 vuoden ajalta. Lopputulema näyttää kutakuinkin tältä (Kuva 1).

Kuva 1. Luonnonvarojen ja konfliktien esiintyminen Afrikassa

Mitä opin?

QGisin käyttövarmuus on parantunut minulla hiljalleen. Kokonaiskäsitys paikkatieto-ohjelman saloista on vahvistunut, jolloin totaalisen ymmärtämättömyyden sijaan alan oppia pieniä nyansseja kerta kerralta.  Tärkeimmät opit tällä kurssikerralla liittyivät valtavan datamäärän yhdistelyyn ja yksinkertaistukseen, joka tämän kerran tarkoituksena olikin.  Esimerkiksi dissolve-toiminnolla on erityisen kätevää ryhmittää mm. saman valtion lukuisat eri tietokantarivit yhdeksi, jolloin satojen tilastorivien sijaan on yksi per valtio. Samaan tapaan count polygons in points -työkalulla saa summattua vaikkapa Etelä-Afrikan timanttikaivokset.

QGisin kryptoniitti tuli tutuksi: kevyeltä vaikuttavien tietokantojen yhdistäminen join-toiminnolla laittaa koko ohjelmiston totaaliseen lukkoon, jolloin vain sen uudelleenkäynnistys auttaa. Join-toimintoa tuli käytettyä tämän blogitekstiprojektin yhteydessä arviolta kymmenisen kertaa ja noin puolet kerroista ohjelma kaatui. Ainoa konsti tämän failuren kanssa onkin muistaa tallentaa työ vähintään ennen yhdistämistä ja laittaa sormet ristiin.

Mitä data kertoo?

Luonnonvarat ja konfliktit seuraavat suhteellisen johdonmukaisesti toisiaan. Esimerkiksi valtioissa, joissa on paljon timanttikaivoksia on myös runsaasti konflikteja. Kaivosten/öljykenttien perustamisvuosissa sekä konfliktien esiintymisvuosissa on selkeästi havaittavissa yhteneväisyyttä. Toisaalta Etiopiassa ei ole merkittäviä luonnonvaroja, mutta eniten konflikteja: 104. Vaikka konflikteilla ja luonnonvaroilla on yhteys, on kuitenkin naivia ajatella niiden riippuvan pelkästään toisistaan. Konfliktien alkulähteinä toimivat mm. myös nälänhätä, kuivuus, korruptio ja epävakaat aluepoliittiset järjestelmät, joista aiheutuu jopa sisällissotia ja ääriryhmien väkivaltaisia toimia. Luonnonrikkauksistaan huolimatta Afrikkaa vaivaa erityisesti köyhyys, josta seuraavaksi lisää hieman tarkemmin.

Omatoiminen hifistely

Koska tykkään erilaisista tilastoista, tein omaksi ilokseni kartan (Kuva 2), jossa tarkastellaan konfliktien ja luonnonvarojen lisäksi äärimmäistä köyhyyttä. Äärimmäinen köyhyys on köyhyyden kovin luokitus, jossa ruokakunta elää alle 3,2 dollarilla päivässä. Näillä ihmisillä ei ole useimmiten mahdollisuutta hyvän elämän perusedellytyksiin, kuten koulutukseen, terveydenhuoltoon tai edes ravintoon. Äärimmäinen köyhyys esiintyy globaalisti erityisesti Afrikassa, joten ilmiötä oli mielenkiintoista visualisoida käyttämämme datan rinnalla. Liitin datan äärimmäisestä köyhyydestä csv-tiedostona alkuperäiseen Afrikka-tiedostoon, eikä QGis kaatunut kuin kerran, jee! Lopputuloksena on koropleettikartta köyhyydestä, jonka rinnalla esitetään timanttikaivosten, öljyesiintymien ja konfliktien sijainnit. Kartta ei ole visuaalisesti kaikkein selkein, mutta varsin informatiivinen.

Kuva 2. Äärimmäinen köyhyys (2019) sekä luonnonvarat ja konfliktit Afrikassa

Mitä kartasta voi sitten päätellä? Ensinnäkin luonnonvarat eivät ole oikotie onneen ja kansalliseen vaurauteen kaikissa valtioissa. Esimerkiksi Kongon demokraattisessa tasavallassa 88.31% väestöstä elää äärimmäisessä köyhyydessä, vaikka heillä on 28 timanttikaivosta. Samankaltainen kahtiajako toistuu myös monissa muissa valtioissa. Nallekarkit eivät mene siis niin sanotusti tasan, ja todennäköisesti hikisimmän työn kaivoksilla tekevät ihmiset eivät saa ansaitsemaansa korvausta raatamisestaan. Myös konfliktit esiintyvät laajimmillaan Pohjois-Afrikkaa lukuun ottamatta keskisen Afrikan köyhillä alueilla ja luonnonvarojen yhteydessä. Köyhyys lisää taipumusta negatiivisiin sosiaalisiin lieveilmiöihin, kuten osallisuutta konflikteihin. Luonnonvaroista aiheutuvan taloudellisen hyvinvoinnin epätasa-arvoinen jakautuminen taasen on omiaan ruokkimaan konfliktien syntyä.

Öljy- ja kaasuesiintymät keskittyvät pääsääntöisesti Pohjois-Afrikkaan, jossa köyhyys on vähäisintä maanosassa, mutta konflikteja on sielläkin. Pohjois-Afrikan voisi luonnehtia olevan hieman lähempänä globaalia pohjoista eli länsimaista kulttuuria niin taloudellisesti kuin sosiaaliekonomisestikin.

 

Tulvii Pohjanmaa

Afrikan mantereelta hypättiin tulvivaan Suomeen, josta tehtävänantona oli laskea tulvaindeksi ja järvisyysprosentti eri aineistojen pohjalta. Tehtävä oli opitun kertausta tietokantojen yhdistämisestä ja laskutoimitusten tekemisestä, jotta halutut arvot saadaan lopulta esitettyä. Tämä harjoitus oli hyvin helppoa, kunnes oli aika esittää järvisyysprosentti diagrammina. Kamppailin huomattavan kauan, sillä jostain syystä vain kolmen valuma-alueen järvisyysprosentti esiintyi kartalla ja muut alueet näyttivät ”nollaa” (Kuva 3). Ratkaisuksi ongelmaan löytyi lopulta maapinta-alan mukaan ottaminen ja kas kummaa nyt diagrammit toimivat!

Kuva 3. Ongelma piirakkadiagrammin kanssa: ei toimi sitten mitenkään 🙁

Lopputulemana (Kuva 4) syntyi varsin informatiivinen kartta, jossa esitetään tulvaindeksi ja järvisyysprosentti. Valitsin järvisyysprosentin esittämiseen piirakkadiagrammin, joka on mielestäni siisti ja informatiivinen. Jannen blogista (KK3) sain inspiraation esittää piirakkadiagrammit, siten että niiden koko kasvaa, mitä suurempi järvisyysprosentti on. Tällöin kartta ei peity tarpeettomista diagrammeista vaan järvisimmät valuma-alueet korostuvat. Kaikki eivät esitä kartoillaan järviä ja jokia, jolloin lopputulos on huomattavasti siistimpi. Halusin kuitenkin sisällyttää ne karttaani, sillä vesistöjen esittäminen auttaa hahmottamaan, mistä ja miten vesi mahdollisesti tulva-alueille kulkeutuu.

Kuva 4. Valuma-alueiden tulvaindeksi ja järvisyysprosentti.

Johtopäätökset

Korkein tulvariski kohdistuu Pohjanmaan matalalle rannikolle ja Lounais- sekä Etelä-Suomen rannikolle. Tämä tehtävä palautti mieleen viime syksyn geomorfologian kurssilla käytyjä asioita, jotka osin selittävät tulva-alueiden sijaintia. Viimeisimmän jääkauden jälkeen alkoi voimakas maankohoaminen, joka aiheutti lasku-uomien kääntymisen nykyiselleen noin 6000 vuotta sitten. Maankohoaminen jatkuu edelleen ja vaikuttaa erityisesti Pohjanmaalla, missä hitaasti loivenevat joet muuttuvat tulvaherkiksi. Koska maa kohoaa läsnirannikolla, joet ovat pidentyneet, eivätkä ole ehtineet kuluttaa laaksoa alajuoksulle -> tulvariski kasvaa. On mukavaa huomata, kuinka eri kurssien asiat välillä yhdistyvät ja syventävät ymmärrystä syy-seuraussuhteista. 🙂

 

Lähteet:

Aartolahti T., Tikkanen M. (2011). Suomen geomorfologia. Geotieteiden ja Maantieteen laitoksen opetusmonisteita.
Ortiz-Ospina E., Roser M., (2019). Global extreme poverty. Haettu 1.2.2022 osoitteesta: https://ourworldindata.org/extreme-poverty

 

KK1: QGIS lämmittelyä, typpeä ja kuntadataa

Geoinformatiikan kurssi polkaistiin käyntiin ilahduttavasti lähiopetuksen merkeissä! Tällä kurssilla pääsemme kunnolla paikkatiedon maailmaan QGISin kautta, joka on ilmainen avoimen lähdekoodin ohjelmisto. Allekirjoittaneelle ohjelmisto on uusi tuttavuus ja odotan ottavani sen kokonaisvaltaisesti haltuun kurssin kuluessa. Paikkatieto-osaaminen on maantieteilijän valtti ja työkalupakkinsa keskeinen väline!

Harjoitus Itämeren typpipäästöistä

Ensimmäisessä harjoituksessa laadimme koropleettikartan Itämerta reunustavien valtioiden typpipäästöistä (Kuva 1). Harjoitus itsessään oli varsin simppeli, mutta se tutustutti monipuolisesti QGISin eri toimintoihin. Alkuun ohjelmisto tuntui aavistuksen sekavalta ja pienikin väärä klikkaus tuntui tekevän jonkin peruuttamattoman kämmin. Kuitenkin hetki hetkeltä sekä luotto sovellukseen että omaan osaamiseen kasvoi ja homma alkoi rokkaamaan.

Tärkeimpiä oppeja harjoituksessa olivat ohjelmistoon tutustuminen ja perusperiaatteiden haltuun ottaminen. Koska kyseessä on paikkatietosovellus, koordinaatit ja sijainti ovat oleellisia, joten on syytä varmistaa käyttävänsä aina oikeaa koordinaattijärjestelmää, tässä tapauksessa EPSG: 3035, joka sopii hyvin Euroopan alueelle sijoittuvien aineistojen esitysprojektioksi. ESRI-shapefile aineistot ladattiin vektoriaineistoina  ja pääsimme itse työn kimppuun. Aineistolle suoritettiin visuaalinen kaunistus, jonka jälkeen attribuuttitaulukkoon laskettiin erikseen prosentuaaliset typpipäästöt. Attribuuttien muokkaaminen ja jumppailu oli erityisen opettavaista osana ohjelmiston omaksumista.

Kuva 1. Itämeren typpipäästöjen osuus valtioittain.

Ensimmäisessä työssä kertautui myös hyvän kartan perusperiaatteet: legenda on informatiivinen ja kertoo selkeästi mistä kyseisessä esityksessä on kyse, pohjoisnuoli ja mittakaava on tietenkin aina oltava. Visuaalisuus on tärkeää karttoja esittäessä, erityisesti värivalinnoilla on merkitystä. Punainen väriskaala sopii hyvin negatiivisen ilmiön, kuten typpipäästöjen kuvaamiseen. Aluksi Itämeren ulkopuoliset maat olin värjännyt vihreäksi, mutta päädyin lopulta harmaaseen, sillä se sopii hyvin neutraaliksi väriksi valtioille, joista ei ole dataa. Vihreä väri voisi antaa muista valtioista virheellisen mielikuvan typpineutraaleina alueina, vaikka ne eivät suoraan Itämereen vaikuttaisikaan. Kartalla esitetään järvet, mutta myös joet voisivat olla siihen hyvä lisä, jolloin saisi osviittaa typpipäästöjen mahdollisista reiteistä Itämereen.

Rehevöityminen on Itämeren suurimpia ongelmia, joka johtuu liiasta ravinteiden määrästä, erityisesti typestä ja fosforista. Nämä kulkeutuvat Itämereen jäte- ja valumavesien mukana. Tämän seurauksena levien määrä on lisääntynyt ja meren pohjassa esiintyy happikatoa, jolloin ekosysteemin monimuotoisuus ja Itämeren hyvinvointi kärsivät. Kartasta voimme huomata, että suurin typen tuottaja on Puola, mutta myös Ruotsi, Venäjä sekä Latvia esiintyvät tilastoissa korkealla. Kamppailu Itämeren elvyttämiseksi on kuitenkin kaikkien valtioiden yhteinen tehtävä.

 

Soveltava tehtävä

Omavalintaisena lisätehtävänä tein koropleettikartan eläkeläisten prosentuaalisesta osuudesta kunnittain (Kuva 2). Hankalin osuus projektissa oli csv-tiedoston tuominen ja liittäminen kuntajako2015-pohjaan, jossa en ihan onnistunut melkoisen pyörittelynkään jälkeen. Käytin lopulta aineistosta valmiina löytynyttä dataa, mutta toivottavasti opin pian Join-toiminnon käytön. QGis-rupeaman alkumetreillä olen todennut, että myös epäonnistumisten avulla oppii lopulta ohjelman nyansseja kantapään kautta.

Kuva 2. Eläkeläisten prosentuaalinen osuus kunnittain. Vuoden 2014 tilastot vuoden 2015 kuntajaolla.

Väestön ikääntyminen on suuri haaste Suomelle jo nyt ja erityisesti tulevina vuosikymmeninä taloudellisesti ja huoltosuhteen kannalta. Eläkeläisten määrän esittäminen kuntatasolla näyttää informatiivisesti osviittaa ikäryhmien alueellisesta jakaumasta Suomessa. Kartasta voi nähdä selkeästi kuinka erityisesti pääkaupunkiseutu ja yliopistokaupungit nousevat esiin alueina, joissa eläkeläisten osuus on pienempi mm. nuorten suuresta määrästä johtuen. Korkeat eläkeläisten osuudet sijoittuvat erityisesti muuttotappiollisille maaseutualueille, kuten Itä- ja Pohjois-Suomeen.

 

Lähteet:

Rehevöityminen Itämerellä: https://itameri.fi/fi-FI/Luonto_ja_sen_muutos/Itameren_tila/Rehevoityminen

Tilastokeskus, Kuntien avainluvut: https://www.stat.fi/tup/alue/kuntienavainluvut.html#?year=2021&active1=SSS