The Final Countdown

Viimeisellä kurssikerralla työskenneltiin itsenäisesti omien aineistojen parissa. Aineistot ja tehtävän sai valita itse, joten päätin suunnata Keski-Suomen ja Pirkamaan rajamaille, Isojärven kansallispuistoon. Metsähallituksen Luontopalvelut on julkaissut Paikkatietohakemistossa (2021) rajapintapalvelun, josta voi käydä tutkimassa tai lataamassa Luontopalvelujen hallinnassa olevien luonnonsuojelualueiden luontotietoja. Aineisto muodostuu aluemuotoisista kohteista, ns. biotooppikuvioista, jotka muodostavat yhtenäisen kuvioverkon (Metsähallitus 2019).

En ole käyttänyt kovin paljon aineistoja rajapintojen kautta etenkään QGIS:lla, mutta aiemmat kokemukset ovat erittäin positiivisia. Niinpä hämmennys oli suuri, kun aineiston avaaminen ei tahtonut onnistua sitten millään. Rajapintapalvelussa oli lisäksi kaksi erilaista rajapintaa, WFS ja Esri REST. Näistä sain lopulta WFS:n kautta aineiston QGIS:n kartalle näkyviin. Jostain syystä aineiston käyttö oli kuitenkin niin tahmeaa, ettei edes attribuuttitaulua saanut auki, ja useamman (sadan) kohteen valinta kartalta hyydytti välillä koko ohjelman. Keksin, että jospa tallennan tarvitsemani alueen kuviot itselleni shapefileksi, ja teen tehtävän sillä. Muuten hyvä idea, mutta aineiston tallentaminen ei onnistunut, vaan tallennusoperaatio jäi pyörimään johonkin loputtomaan luuppiin ja oli pakko sulkea QGIS väkivalloin.

Lopulta päätin kokeilla, miten aineisto käyttäytyy ArcGIS Prossa. Tässä taas haasteena oli se, että minulla ei ollut aavistustakaan, miten Prossa saadaan rajapintayhteys muodostettua. Erinäisten vaiheiden jälkeen aineisto putkahti varsin nätisti kartalle ja sain myös tallennettua kaipaamani Isojärven kansallispuiston biotooppikuviot. Kävin vielä höysteeksi hakemassa SYKEn avoimista aineistoista valtion suojelualueiden rajaukset visualisointia varten.

Isojärven alue on minulle sattuneesta syystä melko tuttua, joten tiesin että alueella on korkeuseroja ihan mukavasti. Siksi halusin tehdä vielä korkeusmallin rinnevarjostuksien ja korkeuskäyrien kera. Tätä varten tarvittiin vielä Paitulin latauspalvelusta Maanmittauslaitoksen (MML) 2 m korkeusmalli sekä visualisointiin peruskarttalehtiä.

Päästyäni vihdoin tutkimaan itse aineistoa päätin visualisoida biotooppiaineistosta kansallispuiston metsätyyppejä (kuva 1) ja puulajisuhteita (kuva 2). Metsätyyppien kohdalla piti aineistosta hakea nimenomaan kivennäismaan kohteet eli jättää suo-, vesi- ja tiealueet visualisoinnista pois. Aineisto itsessään oli suhteellisen yksinkertainen ja helposti työstettävässä muodossa.

Kuva 1. Isojärven kansallispuiston metsätyypit. Aineisto: Maanmittauslaitos 2010 & 2016, Metsähallitus 2021, SYKE 2021.

Metsätyyppikartassa erottuu hyvin puiston keskiosan karumpi ja kallioisempi alue. Tämä näkyy osin myös puuston mäntyvaltaisuutena. Puiston luoteis- ja kaakkoiskulmissa on rehevämpiä lehtomaisia kankaita ja lehtojakin. Alueelle tyypillisesti rehevämmätkin alueet ovat usein kuusivaltaisia eli esimerkiksi lehto ei automaattisesti tarkoita lehtipuuvaltaista puustoa.

Kuva 2. Isojärven kansallispuiston puulajisuhteet. Aineisto: Maanmittauslaitos 2010 & 2016, Metsähallitus 2021, Suomen ympäristökeskus 2021.

Korkeusvaihtelujen visualisoinnissa tuli hyvin kerrattua rinnevarjostuksen ja korkeuskäyrien tekeminen korkeusmallin pohjalta. Alunperin tarkoituksenani oli käyttää 5 m käyrävälillä tehtyä korkeusmallia, mutta koko puiston alueen esittäminen kartalla vaati sellaisen mittakaavan, että kartasta tuli hieman tuhruinen. Siksi tein vielä käyrät 10 m käyrävälillä, mikä toimi visualisoinnissa mielestäni paremmin (kuva 3).

Kuva 3. Isojärven kansallispuiston korkeusvaihtelut. Aineisto: Maanmittauslaitos 2010 & 2016, Suomen ympäristökeskus 202

Korkeusvaihtelukartassa jäi vähän häiritsemään, että ihan koko kartan alueelta ei ole rinnevarjostusta eikä korkeuskäyriä. Tämä johtuu siitä, että en tullut ladanneeksi MML:n korkeusmallia näiltä ruuduilta. Puulaji- ja metsätyyppikartat onnistuivat minusta visuaalisesti ihan kivasti, puulajikarttaan muutin ko. tason hieman läpinäkyväksi, jotta taustalla olevat aineistot hieman näkyisivät läpi. Tämä tosin muutti tason jonkin verran himmeämmäksi verrattuna metsätyyppikarttaan.

Yhteenvetona tästä kurssikerrasta voisi todeta, että aineistojen löytämisen, hakemisen ja lataamisen kanssa sai jumpata ihan huolella. Huomasin, että muillakin oli kulunut aikaa nimenomaan aineistojen etsimiseen. Esimerkiksi Juliana (Häkkilä 2021) oli tehnyt kunnioitettavan määrän taustatyötä aineistojen kanssa. Kun vihdoin sain tallennettua shapefilen Isojärven kansallispuiston kuvioista, tuntui että oltiin jo voiton puolella. Toki visualisointiin saa aina uppoamaan aikaa: kartan ulkoasua kun voisi helposti jäädä hieromaan loputtomiin.

Muutenkin hyvä ja antoisa kurssi! Myös itselleni asettama tavoite täyttyi eli pääsin askartelemaan QGIS:n kanssa koko rahan edestä 😊

Lähteet:

Häkkilä, J. 2021. Kurssiblogi. https://blogs.helsinki.fi/julihakk/ Viitattu 3.3.2021.

Maanmittauslaitos 2010. Peruskarttalehdet ilman korkeuskäyriä. Ladattu 2.3.2021 Paitulin latauspalvelusta <https://paituli.csc.fi/download.html> .

Maanmittauslaitos 2016. Korkeusmalli 2 m x 2 m. Ladattu 2.3.2021 Paitulin latauspalvelusta <https://paituli.csc.fi/download.html>.

Metsähallitus 2019. Valtion suojelualueiden biotooppikuviot, tietotuoteseloste. https://www.metsa.fi/wp-content/uploads/2020/09/Valtion_suojelualueiden_biotooppikuviot.pdf. Viitattu 2.3.2021

Paikkatietohakemisto 2021. Valtion suojelualueiden biotooppikuviot. https://www.paikkatietohakemisto.fi/geonetwork/srv/fin/catalog.search#/metadata/e3aa7b2a-e6e2-45dc-a29a-b64bcf2aba9f. Ladattu 2.3.2021

Suomen ympäristökeskus 2021. Ladattavat paikkatietoaineistot, valtion luonnonsuojelualueet. https://www.syke.fi/fi-FI/Avoin_tieto/Paikkatietoaineistot/Ladattavat_paikkatietoaineistot. Ladattu 2.3.2021.

 

Hasardihommia

Kurssin loppu lähestyy jo uhkaavasti, tällä viikolla oli toiseksi viimeinen kurssikerta. Sen kunniaksi pääsimme ulkoilemaan ja keräämään ihan itse harjoitusaineistoa. Sitä varten ladattiin puhelimeen Epicollect5-sovellus. Sovelluksen avulla kävin keräämässä lähimaastosta aineistoa kaupunkiympäristön viihtyvyydestä. Varsin näppärä systeemi, josta täytyy ehdottomasti vinkata parille opettajakaverille. Itse kaupunkiympäristössä liikkuminen oli tällä kertaa varsin hasardia hommaa, sillä alijäähtynyt vesisade oli kuorruttanut kaikki pinnat petollisen liukkaiksi.

Seuraavaksi siirryttiin toisenlaisten hasardien eli maanjäristysten ja tulivuorenpurkausten pariin. Kurssilta saimme linkit palveluihin, joista pystyi lataamaan aineistoja haluamillaan rajauksilla. Tavoitteena oli koostaa aineistoista aiheeseen liittyvää opetusmateriaalia. Tämä aiheuttikin hieman päänvaivaa, sillä en suoranaisesti ole maantieteilijä enkä etenkään pedagogi.

Päädyin havainnollistamaan kahdella kartalla, miten maanjäristykset (kuva 1) ja tulivuorenpurkaukset (kuva 2) sijoittuvan maailmanlaajuisesti. Maanjäristysaineistoon otin mukaan vain suurimmat eli yli 6 magnitudin järistykset. Toisaalta, jos olisin tehnyt oman visualisoinnin pienemmistä järistyksistä, olisi voinut huomata, että heikkoja järistyksiä esiintyy muuallakin kuin litosfäärilaattojen saumakohdissa, myös meillä Suomessa (Seismologian instituutti 2021).

Kuva 1. Yli 6 magnitudin maanjäristykset v. 1950-2021 (aineisto USGS 2021).
Kuva 2. Tulivuorien sijainti (aineisto NOAA 2021).

Maanjäristyksien sijaintien perusteella voi päätellä, missä sijaitsevat mannerlaattojen reunat. Karttoja silmäillessä voi myös huomata, että järistykset keskittyvät erityisesti alueille, joissa litosfäärilaatat törmäävät toisiinsa. Laattojen erkanemiskohdassa (esim. Atlantin keskiselänne) ainakin voimakkaimpia järistyksiä näyttäisi olevan vähemmän.

Tulivuoriaineisto näyttää äkkiseltään melko samanlaiselta, mutta karttoja tarkemmin tutkiessa voi huomata, että tulivuoret puuttuvat esimerkiksi Himalajan alueelta, jossa kaksi mantereista laattaa törmää toisiinsa. Tulivuoret kun sijaitsevat pääosin laattojen erkanemiskohdissa tai mantereisen ja mereisen sekä mereisten laattojen törmäyskohdissa (Peda.net 2021).

Tein vielä erikseen tarkemman kartan Väli-Amerikan alueelta (kuva 3), koska siinä saa havainnollistettua useampia ilmiöitä kerralla. Pienten Antillien saariketju Karibianmerellä ja sen syntymekanismit ovat varsin kiinnostava ja konkreettinen esimerkki, etenkin kun oheen liittää alueen syvyyskartan (kuva 4). Oikeastaan kuvaa 3 voisi käyttää vaikka koe/tenttikysymyksessä, jossa opiskelijan tehtävänä olisi nimetä ja selittää alueen ilmiöitä.

Kuva 3. Maanjäristykset ja tulivuoret Väli-Amerikan alueella (aineisto USGS 2021 ja NOAA 2021).

 

 

 

 

 

 

 

 

 

Kuva 4. Pienten Antillien syvyyskartta (aineisto: Research Gate 2021).

 

 

 

 

 

 

 

 

 

 

Näillä aineistoilla voisi siis opettajana havainnollistaa ainakin, mitä erilaisia laattojen liitoskohtia on olemassa ja mitä ilmiöitä milläkin alueilla voi ilmetä. Samalla voisi tietysti mainita erilaiset laattatyypit (mereiset/mantereiset), poimuvuoristojen syntymisen ym. Samoin muista hasardeista voisi mainita tsunamit, joita voi liittyä voimakkaisiin merenalaisiin järistyksiin, kun laattojen voimakas liike ”heilauttaa” vesimassaa ja aiheuttaa hyökyaallon (Korja ym. 2005). Oona (Jalkanen 2021) olikin käsitellyt blogissaan kiinnostavasti juuri tätä maanjäristysten ja tsunamien yhteyttä ja löytänyt vielä tsunamiaineistoakin visualisointiin!

Lähteet:

Jalkanen, O. 2021. Kurssiblogi. <https://blogs.helsinki.fi/jaoona/> Viitattu 25.2.2021

Korja, A., Heikkinen, P. & Karkkulainen, K. 2005. Dimensio 4/2005. <https://www.seismo.helsinki.fi/pdf/Maatarinaa.pdf> Viitattu 24.2.2021.

NOAA 2021. <https://www.ngdc.noaa.gov/hazel/view/hazards/volcano/loc-search> Aineisto haettu 23.2.2021.

Peda.net 2021 Pedagogiikkaa netissä. <https://peda.net/lohja/peruskoulut/ylakoulut/harjun-koulu/oppiaineet/erityisopetus/8-9-sl/amerikka/3eis2/lll/mannerlaatat> Viitattu 24.2.2021

Research Gate 2021. <https://www.researchgate.net/figure/Bathymetric-map-of-the-Lesser-Antilles-volcanic-arc-Location-of-Statia-is-shown-in-red_fig1_332877460/> Aineisto haettu 24.2.2021.

Seismologian instituutti 2021. Perustietoa maanjäristyksistä. <https://www.helsinki.fi/fi/seismologian-instituutti/maanjaristykset/perustietoa-maanjaristyksista-0#section-54379 > Viitattu 24.2.2021

USGS 2021. <https://earthquake.usgs.gov/earthquakes/search/> . Aineisto haettu 23.2.2021

Toisto on oppimisen äiti ja isä

Viidennellä kurssikerralla sain taas konkreettisesti huomata, kuinka asioiden ehkä loputtomaltakin tuntuva toistaminen on sittenkin hyödyllistä. Harjoituksissa tehtiin PALJON erilaisia kyselyjä ja hakuja aineistoihin – niin spatiaalisia kuin attribuuttihakujakin. Arcmapia paljon käyttäneenä tietyt QGIS:n toteutustavat ovat tuottaneet minulle päänvaivaa, kun blondin logiikka ei kaikilta osin toimi samalla tavoin kuin ohjelmistoinsinöörin. Haasteena on monesti ollut, kuinka päässä oleva selkeä visio muutetaan QGIS:n toiminnoiksi, jotka eivät siis ole aina ihan samanlaiset kuin vaikkapa Arcmapissa.

Tämän viikon harjoituksia askaroidessa havahduin siihen, että hämmentävästi asiat sujuvat nopeammin, kun niitä tekee n:nnettä kertaa peräkkäin. Luulen, että koin jopa hetkellisen valaistuksen noin 77 yrityksen jälkeen Join attributes by location -toiminnon kanssa: sen syvin olemus oli kirkkaana mielessäni ainakin jonkin aikaa eräänä helmikuun torstain iltapäivänä. Voi tosin olla, että ensi viikolla etsin sitä valaistusta uudelleen. Oli myös lohdullista lukea Sannan blogista (Korpi 2021), kuinka muillakaan ei ole aina helppoa muistaa, mistä kaikki edellisillä kerroilla käytetyt toiminnot löytyivätkään. 😀 Kyselyjen tuloksia voi tutkailla taulukosta 1 ja ao. kartoista. Ihan en ota vastuuta, että kaikki luvut ovat absoluuttisen oikeita, mutta ainakin niiden laskemishetkellä ne tuntuivat siltä.

Itsenäistehtävässä jäin pohtimaan, että koropleettikartallahan ei tainnut olla korrektia ilmoittaa absoluuttisia lukuja vaan mieluummin siksi jumppasin kaksi versiota: toisessa (kuva 1) on esitetty alueella olevien uima-altaallisten rakennusten lukumäärä, toisessa (kuva 2) suhteellinen osuus kaikista alueen rakennuksista. Visualisointityökalut tuntuvat näin äkkiseltään löytyvän helposti, mutta jos haluaisi vähänkään panostaa siihen, niin kyllä saisi uppoamaan aikaa karttojen tekemiseen. Ehkä on tullut välillä mentyä vähän siitä aidan matalimmalta kohdalta. Muutkin kurssilaiset, kuten Roosa (Harmonen 2021), oli huomannut että karttojen tekeminen on QGIS:ssa suht helppoa.

Harjoituksissa – ja muutenkin – bufferit ovat kaikessa yksinkertaisuudessaan ja monikäyttöisyydessään suosikkejani. Puroille voi laskea tietynlevyisiä suojavyöhykkeitä tai selvittää, kuinka monta talviasuttavaa rakennusta on saimaannorpan poikaspesien läheisyydessä ja sen perusteella miettiä vaikkapa potentiaalisen häiriön määrää norpan pesinnälle. Tai jos halutaan turvata Klobbenin merikotkan pesintärauha (STT Info 2021), niin millä alueella ei saisi liikkua, jos häiriöetäisyys on x m. Muistakaahan siis bufferit, kun liikutte Vanhankaupunginlahdella!

PS. Toivottavasti tuo linkki taulukkoon toimii teilläkin!

***

Taulukko 1.

Kuva 1.
Kuva 2.

Lähteet:

Harmonen, R. 2021. Kurssiblogi https://blogs.helsinki.fi/harmoroo/ .Viitattu 18.2.2021.

Korpi, S. 2021. Kurssiblogi https://blogs.helsinki.fi/sakorpi/ Viitattu 18.2.2021

STT Info 2021. Helsingin kaupungin tiedote 8.1.2021. <https://www.sttinfo.fi/tiedote/vanhankaupunginlahden-merikotkat-tarvitsevat-taas-pesimarauhan?publisherId=60577852&releaseId=69897919> . Viitattu 18.2.2021.

Ruutuleikkejä

Neljännellä kurssikerralla sukellettiin ruutu- ja rasteriaineistojen maailmaan. Tutkailtavana aineistona oli ns. Seutu-CD:n dataa eli tietoja pääkaupunkiseudun asukkaista vuodelta 2015. Tämä lähtöaineisto oli pistemäistä ja tarkoituksena oli jalostaa siitä ruutukohtaisia tietoja. Eikun hommiin!

Ruutuaineiston kätevä puoli on se, että kun ruudut ovat kaikki samankokoisia, voi niissä halutessaan esittää absoluuttisia arvoja tai määriä – toisin kuin koropleettikartoissa, joissa on syytä aina suhteuttaa luvut tavalla tai toisella.

Ensin tarvittiin tietysti ruudukko. Kurssikerralla tehtiin yhdessä ruudukko, jossa oli 1×1 km ruutuja. Siihen sitten laskettiin tietoja Join attributes by location -toiminnolla, jonka syvin olemus tuntuu ainakin minulle välillä vähän hämärältä. Näppärästi sillä sai kuitenkin koostettua jokaiseen ruutuun esimerkiksi lukumääriä eri kieliryhmien edustajista. Päätin kokeilla, pystyisikö ruutuaineiston perusteella löytämään alueita, joilla väestö on keskimäärin iäkkäämpää/nuorempaa. Aineistossa kun oli tietona kunkin rakennuksen asukkaiden keskimääräinen ikä. Keski-arvon laskeminen keskiarvosta kuulosti vähän hassulta, joten laskin pisteaineiston perusteella kunkin ruudun asukkaiden mediaani-iän. En tiedä, onko se tilastotieteilijän näkökulmasta kovinkaan järkevä tieto, mutta en antanut asian haitata.

Tein vielä toisen ruudukon, jossa ruutukoko oli 250m x 250m eli sama kuin Suomen ympäristökeskuksen (2021) YKR-aineistossa. Väestötietojen laskeminen tälle ruudukolle muuten kesti sen verran, että ehdin lounastamaan välissä.

En oikein meinnanut löytää omaa silmääni miellyttävää visualisointia tälle aineistolle. Isommille ruuduille lykkäsin taas kerran Open Streetmapin taustalle, sitä tosin olisi voinut ehkä ”haalistaa” hieman, jotta itse asia olisi päässyt näkyviin (kuva 1). Omasta mielestäni tämän kokoisilla ruuduilla kävi vähän niin, että tieto yleistyi liikaa. Tai ainakin, jos olisi halunnut visualisoida  vain Helsingin alueen tiedot. Kokeilin lisätietona kaupunginosia ja pienalueita, mutta päädyin lopulta suuralueisiin ja esittämään koko pääkaupunkiseudun samalla kartalla. Kyllähän tästäkin tietysti voi havaita, että iäkkäämpiä asukkaita löytyy esimerkiksi Espoon pohjoisosista. Tätä voisi selittää esimerkiksi omakotitalovaltainen asutus ja ylipäätään etäisyys ydinkeskustan houkutuksiin. Ruutukoko on tosin sen verran iso, että pienempipiirteinen alueellinen vaihtelu ei käy ilmi.

Kuva 1.

Entä miten toimi pienempi 250m x 250m ruudukko? Tätä tarkasteltuani totesin, että optimaalisin ruutukoko ainakin omaan visiooni olisi ehkä sittenkin ollut näiden kahden välimaastosta eli luultavasti puolen kilometrin ruudut. Toki tämä pienempi ruutukoko mahdollistaa asian hyvinkin yksityiskohtaisen tutkimisen, mutta onkohan lopputulos jo vähän liian ”silppua”…? Kuvasta 2 voi ehkä havaita kantakaupungin, Jätkäsaaren ja Vallillan ”nuorekkaat” alueet, mutta tämä vuoden 2015 aineisto ei ainakaan näin esitettynä vahvista esimerksi Töölön mainetta mummojen keskittymänä (Helsingin Sanomat 2016). Visualisointi ei mennyt tässä minusta nappiin, lopputulos on jotenkin sekava, vaikka koitin pitää kartan pelkistettynä. Ehkä se olisi sittenkin kaivannut jonkun tausta-aineiston. Ja kaupunginosien nimet olisivat voineet olla kenties paremmin luettavat.

Oli hauskaa ja lohdullista huomata, että Lotta (Puodinketo 2021) oli omassa blogissaan tehnyt hyvinkin samoja havaintoja ruutukoon vaikutuksesta kartan informatiivisuuteen. Tärkeintä kai ei sitä paitsi ollut tässäkään olla täydellinen vaan oppia jotain (virheistä)  😉

Kuva 2.

Kotitehtäväksi saimme vielä ladata Pornaisten alueen peruskarttalehden 5 metrin korkeuskäyrillä Paitulista tai MML:n aineistopalvelusta. Kurssikerralla tehtiin jo 2 metrin korkeusmallista omat korkeuskäyrät samalta alueelta. Näitä olikin ihan kiinnostava vertailla. Kuvasta 3 huomaa, kuinka peruskarttalehden korkeuskäyriä on siistitty ja yleistetty. Korkeusmallista tehdyt käyrät (kuvassa violetilla) sisältävät enemmän yksityiskohtia, jotka useimmissa tapauksissa ovat ehkä hieman turhia eivätkä välttämättä myöskään paranna kartan luettavuutta. Toisaalta taas innokas suunnistaja tai Lavinsuon ennallistamista suunnitteleva biologi saattaisi hyvinkin ilahtua tarkemmista korkeustiedoista.

Kuva 3. Kuvakaappaus peruskarttalehdestä. Violetilla omat 2m korkeusmallista lasketut korkeuskäyrät.

 

 

 

 

 

 

 

 

Lähteet:

Helsingin Sanomat 2016. <https://www.hs.fi/kaupunki/art-2000002925066.html>

Puodinketo, L. 2021. Kurssiblogi, <https://blogs.helsinki.fi/lottapuo/>

Suomen ympäristökeskus, YKR-ruutuaineisto 2021. https://ckan.ymparisto.fi/dataset/ykr-ruutuaineisto. Viitattu 11.2.2021

 

 

Veritimanteista keskivirtaamiin

Tämän viikon teemana oli tietojen yhdistäminen eri tietokannoista/tiedostoista. Tässä pääsikin jo kunnolla akateemisen askartelun pariin, kun sai yhdistellä tietoja taulukoista ja aineistoista toiseen. Lämmittelyksi oli tarjolla perustietoja Afrikan valtioista höystettynä internetin ja Facebookin käyttäjämäärillä sekä erilliset tiedot konfliktialueista, öljykentistä ja timanttikaivoksista. Näitä tietoja tarkemmin analysoimalla voisi saada kiinnostavia tuloksia luonnonvarojen vaikutuksista alueella tapahtuviin konflikteihin, niiden määrään ja kestoon.

Äkkiseltään voisi ajatella, että öljyn ja timanttien kaltaiset luonnonvarat toisivat valtiolle vaurautta ja vakautta. Näin varmaan joissain tapauksissa onkin, mutta esimerkiksi Sierra Leonen sisällissodan merkittävänä tekijänä on ollut alueen timanttikaivokset. Ei välttämättä niinkään suoraan taistelujen kohteena, vaan monitahoisten yhteiskunnallisten, sosiaalisten ja taloudellisten vaikutusten kautta (Dupuy & Malmin Binnigsbo 2007). Timantit mahdollistavat niin yksittäisen ihmisen nopean vaurastumisen kuin sotilaallisten toimien rahoittamisen, mikä epäilemättä altistaa niin paikallisille kuin laajemille konflikteille. Luonnonvarojen ja konfliktien keston välillä on myös havaittu olevan selkeä yhteys (Raleigh & Hegre 2005).

Internetin ja sosiaalisen median vaikutuksesta konfliktien syntyyn tai leviämiseen voisi myös löytyä kiinnostavia yhteyksiä. Ainakin ns. Arabikevään kansannousujen yhteydessä vuonna 2011 internetissä ja sosiaalisessa mediassa välitetyillä tiedoilla ja videoilla oli merkittävä rooli.  Sosiaalisen median kanavat kun eivät ole perinteisten medioiden tapaan vallanpitäjien hallittavissa (Heikkinen 2015).

– – –

Toisena tehtävänä oli laatia tulvaindeksikartta Suomen valuma-alueista. Tätä jumppasin pääosin itsenäisesti. Aika kului kuin siivillä, kun laskeskelin järvisyysprosentteja ja yleistä tulvaindeksiä. Hauskana kuriositeettina mainittakoon Jänisjoen valuma-alueelle tullut huikea, lähes 500 %:n järvisyys. Pienen salapoliisityön jälkeen selvisi, että Laatokan geometria leikkasi hitusen yhdestä nurkasta ko. valuma-alueen geometriaa (kuva 1), jolloin laskutoimituksessa käytetty intersect-funktio laski Laatokan mukaan järvipinta-alaan. Tästä selvittiin onneksi pienellä geometrian fiksausoperaatiolla.

Kuva 1. Jänisjoen valuma-alueen geometria leikkaa Laatokan geometriaa.

 

 

 

 

 

 

Eniten päänvaivaa aiheutti kylläkin tehtävänannon histogrammi järvien pinta-alan osuudesta, joka oli tarkoitus liittää tulvaindeksikarttaan. En kertakaikkiaan ymmärtänyt, miten sellaisen olisi saanut tehtyä järkevästi ja etenkään niin, että se olisi ollut informatiivinen. Ville Väisänen (2021) oli kiertänyt haasteen käyttämällä järvisyysprosenttiin suhteutettuja ympyröitä, ja totesinkin tämän parhaaksi kompromissiksi, jos nämä kaksi asiaa pitäisi esittää samassa kartassa (kuva 2). Harjoitusmielessä tein myös oman visualisoinnin pelkästä järvisyysprosentista (kuva 3.)

Kuva 2. Valuma-alueiden tulvaindeksi laskettuna keskiylivirtaaman (MHQ) ja keskivirtaaman (MQ) suhteena. Lisäksi järvien osuus valuma-alueen pinta-alasta (järvisyys, %).

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Kuva 3. Järvien osuus valuma-alueiden pinta-alasta.

 

 

 

 

 

 

 

 

 

 

 

 

 

Näiden karttojen perusteella suurimmat tulvaindeksit (eli keskiylivirtaaman suhde keskivirtaamaan) ovat rannikon pienillä valuma-alueilla, joilla järviä on vähän. Pieni valuma-alue jo itsessään tasaa virtaamia vähän, järvet puolestaan toimivat eräänlaisina tulva-altaina keräten vettä ja siten hidastaen vesien valumista jokiin esimerkiksi keväällä lumien sulaessa. Myös maankäyttö vaikuttaa alueen tulvaherkkyyteen: rannikon maatalousalueet nopeuttavat todennäköisesti vesien valuntaa jokiin. Lisäksi Pohjanmaalla tulvaindeksiä kasvattavat luultavasti ojitetut suot, jotka eivät pidätä vettä samalla tavoin kuin luonnontilaiset suot. Pohjanmaan jokien virtaussuunta on pääosin kaakosta luoteeseen, jolloin lumet sulavat todennäköisesti aiemmin etelämpänä yläjuoksulla, mikä lisää tulvariskiä. Lapissa puolestaan Tornionjoen ja Kemijoen valuma-alueet ovat hyvin laajoja ja keräävät siis suuria vesimassoja etenkin keväisin. Lisäksi näillä alueilla on talvisin paljon lunta, joka saattaa sulaa keväällä hyvinkin lyhyessä ajassa, jolloin tulvien todennäköisyys kasvaa.

 

PS. Hollywoodin versio timanteista ja konflikteista:

Lähteet:

Dupuy, K. & Malmin Binningsbø, H. (2007). Power-sharing and Peace-building in Sierra Leone Power-sharing Agreements, Negotiations and Peace Processes. Center for the Study of Civil War, Oslo (CSCW),

Heikkinen, S. (2015). <https://yle.fi/aihe/artikkeli/2015/10/08/arabikevat-muutti-maailmaa-2011-taustalla-satojen-vuosien-historia>. Viitattu 3.2.2021.

Raleigh, C. & Hegre, H. (2005). Introducing ACLED: An Armed Conflict Location and Event Dataset Clionadh Raleigh Håvard Hegre Centre for the Study of Civil War International Peace Research Institute, Oslo Paper presented to the Conference on “Disaggregating the Study of Civil War and Transnational Violence”, University of California Institute of Global Conflict and Cooperation, San Diego, CA, 7–8 March 2005.

Väisänen, V. (2021). Kurssiblogi <https://blogs.helsinki.fi/villvais/> . Viitattu 3.2.2021.

 

 

Projektioita ja karttaharjoituksia

 

Toisella kurssikerralla aherrettiin eri karttaprojektioiden ja aineistojen visualisoinnin parissa. Projektiot ovat aina olleet minulle vähän sellainen välttämätön paha: niistä pitäisi olla jyvällä, mutta samaan aikaan tekisi mieli vältellä asiaa, koska se on hieman hankala ja vaatii siis aivojumppaa. Nyt jouduin siis tarttumaan härkää sarvista.

Tehtävä olikin lopulta varsin mielenkiintoinen ja opettavainen. Kaltaiselleni visuaaliselle ihmiselle asiat menevät perille parhaiten visualisoimalla – näin nytkin. Ensin siis tutkittiin eri projektion vaikutusta karttapinta-aloihin ja -pituuksiin. Tätä varten piirrettiin Suomen kartalle viiva ja alue, joiden pituus/pinta-ala kirjattiin eri projektioissa. ETRS89-TM35FIN on Suomen uusin virallinen karttaprojektio eli eurooppalaisen  koordinaattijärjestelmän ETRS89:n kansallinen realisaatio, jota suurin osa valtakunnallisista organisaatioista käyttää (Häkli ym. 2009). Tämän projektion lukuihin vertasin siis muita.

Mercatorin lieriömäinen projektio on tunnettu siitä, että siinä pinta-alat vääristyvät, mitä lähemmäs maapallon napoja mennään. Tätä ominaisuutta on saatettu aikojen kuluessa hyödyntää hieman kyseenalaisissa tarkoituksissa eli on tietoisesti haluttu korostaa Eurooppaa ja Pohjois-Amerikkaa Afrikan ja Etelä-Amerikan kustannuksella (Maanmittauslaitos 2021). Toisaalta siinä alueiden muodot säilyvät likimain oikeina. Robinsonin projektio puolestaan ei vääristä pinta-aloja samaan tapaan kuin Mercator, mutta kuten kurssitoveri Harmonen (2021) toteaa, se onkin eräänlainen kompromissiprojektio, jossa on koitettu minimoida sekä muotojen että pinta-alojen vääristymät (Maanmittauslaitos 2021). Etenkin tilanteissa, joissa esitetään pinta-alaan suhteutettuja tietoja, on tilanteeseen sopivan projektion valinta erityisen tärkeää. Samaan asiaan on kiinnittänyt huomiota myös Amanda Salmensuu (2021) blogissaan.

Taulukoiden 1 ja 2 konkretisoivat, kuinka valtavia eroja voi tulla, jos projektion valinta ei mene ihan nappiin. Samoin huomaa, kuinka Mercatorin projektio oikeasti liioittelee pohjoisten (ja eteläisten) alueiden pinta-aloja. Nämä luvut siis tasoprojektiolta, ei ellipsoidin pinnalta mitattuina.

Taulukko 1.
Taulukko 2.

 

Samaan hengenvetoon tehtiin vielä aiheesta visualisoinnit. Näissä pääsi tekemään karttaharjoituksia sydämensä kyllyydestä 😊! Visualisoin eri projektioiden pinta-alaeroja verrattuna ETRS89- TM35FIN-projektioon (kuvat 1 ja 2). Lisäksi vertasin vielä Mercatorin pinta-aloja Robinsonin projektioon (kuva 3). Aika moninkertaisia lukuja, huh! Pohjois-Lapin kuntien pinta-alat ovat siis Mercatorissa esitettynä pahimmillaan yli 5-kertaisia verrattuna ETRS89-TM35FIN-projektioon.

Käytin visualisoinnissa seitsemää eri luokkaa, paljon sen enempää sävyjä ei olisikaan enää pystynyt erottamaan samalla väriskaalalla. Muutamalla luokalla taas alueelliset erot eivät olisi erottuneet ehkä yhtä hyvin. Kannattaa huomata, että vaikka väriskaala on kartoissa sama, lukujen asteikko on eri.

Lukuja ja projektioita pyöritellessä piti olla tarkkana, että vertailut tuli tehtyä oikein päin. Ihan en mene takuuseen, että illan hämyssä kaikki meni nappiin. Suosittelen siis suhtautumaan em. lukuihin terveen kriittisesti.

Kuva 1.
Kuva 2.

 

 

 

 

 

 

 

 

 

Kuva 3.

 

 

 

 

 

 

 

 

 

Ja loppukevennyksenä voi vielä hämmästellä, kuinka Suomi-neidon muodot kartalla muuttuvat eri projektioissa:

Suomi ETRS89-TM35FIN-projektiossa

 

 

 

 

 

 

 

Suomi Robinsonin projektiossa
Suomi Mercatorin projektiossa

 

 

 

 

 

 

 

Lähteet:

Harmonen, R. (2021). <https://blogs.helsinki.fi/harmoroo/>. Viitattu 30.1.2021.

Häkli, P., Puupponen, J., Koivula, H., & Poutanen, M. (2009). Suomen geodeettiset koordinaatistot ja niiden väliset muunnokset. Geodeettisen laitoksen tiedote 30, versio 10.12.2009. 126 s.

Maanmittauslaitos (2021). <https://www.maanmittauslaitos.fi/tietoa-maanmittauslaitoksesta/ajankohtaista/lehdet-ja-julkaisut/tietoa-maasta/maailma-venyy-ja-paukkuu.> Viitattu 30.1.2021

Salmensuu, A. (2021). <https://blogs.helsinki.fi/salmeama/>. Viitattu 30.1.2021.

Perusasioiden äärellä

Täällä sitä nyt ollaan, Geoinformatiikan menetelmät 1-kurssilla. Suunnitelmat tälle keväälle olivat ehkä hieman toisenlaiset, mutta… Koska QGIS on aukko sivistyksessäni ja koska monilla jatkokursseilla oletetaan, että QGIS on jo hallussa, päätin osallistua tälle ikään kuin paikkatietoasioiden peruskurssille ja perehtyä asiaan kunnolla ja ajan kanssa. Perusasioiden kertaaminenkaan ei kuulemma ole koskaan pahasta.

Ensimmäisen neljän tunnin jälkeen fiilikset ovat kaksijakoiset. QGIS:n käyttöliittymä tuntuu näin alkuun hieman karulta, ehkä vähän sekavaltakin. Toisaalta jos verrataan vaikkapa lähes paniikinomaiseen ensitapaamiseen ArcGIS Pron kanssa, niin tunnelma oli melko leppoisa. Logiikka tuntui paikoin jollain tapaa (ainakin ihan vähän) intuitiiviselta. Esimerkiksi karttatulosteen tekeminen oli lähes mukavaa ja perustoiminnot tuntuivat löytyvän jopa ilman ohjeita. Toivoa siis on!

Näin ensimmäisellä kerralla strategianani oli vain seurata, mitä ope teki ja näytti. Oli ehkä helpompi keskittyä, kun ei yrittänytkään itse sählätä samaan aikaan samaa tehtävää. Toki strategian valintaan vaikutti myös se, että käytettävissäni ei ole kuin läppärin pienehkö näyttö. Positiivinen fiilis tuli lisäksi jo siitäkin, että joku oikeasti selitti ja näytti asioita eikä tarvinut yrittää itsekseen yritys-erehdys-metodilla. Ei tarvinut siis hakata päätä seinään eikä kirosanojakaan toistaiseksi kuultu (vrt. esim. Remote sensing-kurssin ekat harkat). Tehtävien askarointi jäi nyt pääosin seuraavaan päivään, mutta onneksi oli hyvät ohjeet.

Itse asia ei sisältänyt valtavasti uutta, tehtiin karttoja. Ekassa tehtävässä visualisoitiin typpikuormaa Itämeren rantavaltioissa (kuva 1). Ketään ei varmaan yllätä, että tämänkin kartan perusteella suurimmat päästöt tulevat Puolasta. Näin jälkikäteen kävi mielessä, että ehkä olisi voinut visualisoida toisin. Ainakin syvyyskäyrät häiritsevät jotenkin. Ne olisi ehkä voinut jättää pois, en tiedä onko niillä kovin paljon lisäarvoa tällaisessa mittakaavassa ja etenkin kun niistä ei käy ilmi absoluuttiset syvyysarvot mitenkään.

Kuva 1. Valtioden osuus (%) Itämeren koko typpikuormasta

Toisessa tehtävässä sai valita eri vaihtoehdoista. Csv-aineistojen tuomista netistä ja joinaamista toiseen aineistoon on tullut harvemmin tehtyä. Tätä oli siis pakko kokeilla. Päätin, että minua kiinnostaa vesistöjen osuus kuntien pinta-alasta. Eikun hakemaan tietoja Maanmittauslaitoksen sivuilta . Sieltähän ne löytyivätkin (Maanmittauslaitos 2020), mutta vaativat hieman jatkojalostusta excelissä, jossa laskin absoluuttisista pinta-aloista %-osuudet. QGIS:n help-tiedosto kertoi, miten csv-taulukko liitetään olemassaolevaan kuntatiedostoon. Klik-klik –>  valmista! Juu ei. Kartalla oli hämmentävän paljon kuntia, joista tieto näytti puuttuvan kokonaan.

Kohtuullisen aivojumpan jälkeen kävi ilmi, että kuntanumero (jota käytin aineistojen liittämisen avainkenttänä) oli kunta-aineistossa kokonaisuudessaan 3-numeroisessa muodossa (esim. 009 tai 076), hakemassani MML:n aineistossa taas alle sadan olevat kuntanumerot olivat 1- tai 2-numeroisia (esim. 9 tai 76). Siksi näille kunnille ei siis tullut tietoja csv-taulukosta. Näppäränä päätin korjata asian tekemääni csv-taulukkoon, mutta jostain syystä lisäämäni nollat hävisivät, kun toin aineiston QGIS:in. Kunnan nimeä taas ei voinut käyttää avainkenttänä, koska csv-tiedostossa ääkköset muuttuivat oudoiksi merkeiksi. Eipä auttanut kuin editoida kunta-aineiston kuntanumeroita ja poistaa niistä ylimääräiset nollat. Johan alkoi dataa löytymään! Sinänsä olisi hauska jatkon kannalta tietää, miksi nuo ääkköset käyttäytyivät noin oudosti csv-tiedostossani, esimerkiksi kaimalla (Korpi 2021) ei vastaavaa ongelmaa ollut.

Tämän jälkeenkin oli muutama kunta, joille tietoja ei tullut taulukosta (kuva 2). Tälle lienee selitys eri-ikäiset aineistot: harjoituksen kunta-aineisto on vuodelta 2015 ja käyttämäni MML:n aineisto vuodelta 2020. Vuoden 2015 aineistossa on kuntia, jotka ovat kuntaliitosten myötä lakanneet olemasta eikä niille siis löydy vastaavaa riviä MML:n aineistosta. Jos olisi jaksanut jumpata viimeisen päälle, niin olisin yhdistänyt kunta-aineistossa nuo kuntageometriat kuntaliitosten mukaan, mutta tässä vaiheessa alkoi laiskottaa. Tai sitten olisi voinut fiksuna etsiä MML:n sivuilta alunperinkin vastaavat tilastot vuodelta 2015…

Kuva 2. Vesipinta-alan osuus (%) kunnan pinta-alasta.

PS. Vesialueen pinta-alaan on summattu sekä meri- että makeanveden alueet.

Lähteet

Korpi Sanna (2021) <https://blogs.helsinki.fi/sakorpi/>

Pinta-alat kunnittain 1.1.2020. Maamittauslaitos (2020). 19.1.2021  <https://www.maanmittauslaitos.fi/sites/maanmittauslaitos.fi/files/attachments/2020/01/Vuoden_2020_pinta-alatilasto_kunnat_maakunnat.pdf>