Datan sekä karttojen tuottamista ja interpolointia.

Tänään harjoittelimme paikan ominaisuustiedon keräämistä luonnossa ja sen hyödyntämistä paikkatietosovelluksessa. Keräsimme ryhmän kanssa luonnossa eri kohteista ominaisuustietoa, mikä oli rentouttava keino aloittaa aikainen aamu. Kerätty data siirrettiin koneelle, ja se näkyi pisteinä kartalla.

Kokeilimme csv muotoista tiedostoa (comma separated values), joka koostuu tekstimuotoisesta datasta, jonka osat ovat erotettu pilkulla. Harjoittelimme interpolointia kerätyn datan avulla

Koska käytimme pistemuotoista aineistoa, interpolointi on hyvä keino nähdä arvojen jakautumista kartalla. Interpoloinnissa arvioidaan ja lasketaan uusia arvoja valmiina olevien pisteiden väliin. Se tuottaa rasterimuotoisen pinnan.

Esimerkissämme interpolointi menetelmä laskee olemassaolevien arvojen perusteella missä väliin jäävissä arvoissa on turvattomia ja turvallisia alueita. Se kerää lähellä olevat pisteet ja toisaalta kauempana pisteistä se vaikuttaa vähemmän. Se siis laskee, millainen vaikutualue pisteillä  on turvallisuuden suhteen.

Hasardi kartat

Sitten pääsimme tuottamaan omia karttoja, joiden olisi tarkoitus esittää luonnonhasardeja selkeästi, jotta sillä voisi opettaa asiaa koulussa. Valmiiksi annettujen aineistojen lisäksi Natural Earth:ista löytyi hyvälaatuista globaalia dataa tätä varten. Vapaavalinnaisuuden mukaan lähdin tuottamaan ensin kartan maanjäristyksistä.

Ensin ajattelin, että ottaisin aineiston pitkältä aikaväliltä, josta näkisi varmasti, missä päin on yleensä kovia maanjäristyksiä. Kuitenkin otin 10 vuoden aikaväliltä omasta syntymävuodestani lähtien, sillä halusin kartalle vähemmän pisteitä.

Matalemman magnitudin maanjäristyksiä ja siitä ylöspäin on kartalla paljon, ja ne muodostavat selkeitä linjoja, kulkien litosfäärilaattojen mukaisesti. En kuitenkaan löytänyt netistä aineistoa litosfäärilaattojen rajapinnoista, jolloin kartta olisi opettanut tästä asiasta hyvin. Kuitenkin kartta on opettavainen siinä mielessä, miten järistykset sijoittuvat ja minkälaisen suhteen kovimpien maanjäristyksien ja muiden järistysten sijoittumisesta voi nähdä.

Kun maanjäristys karttaa vertaa litosfäärilaattojen karttaan voi huomata niiden yhteyden. Tämä tapa voisi olla jopa hauskempi oppimismielessä, kun yhteyksiä ja eroja tulee tulkita erillisillä kuvilla. Kuitenkin kartta 2 tuottaa yhtä hyvää informaatiota litosfäärilaattojen rajapinnoista kuin kuva 3.

Sitten tein edellisen maanjäristyskartan pohjalle uuden kartan, johon lisäsin tulivuorten sijainnit. Kartta 4. on opettavainen siinä mielessä, että siitä näkyy tulivuorten ja maanjäristysten yhteys. Kuitenkin voi huomata, että tulivuorten sijainti ei aina johdu litosfäärilaattojen läheisyydestä kuten maanjäristysten usein johtuu. Esimerkiksi Afrikan keskellä on paljon tulivuoria.

Kiitos Turkka Häkkisen, sain viimeiselle kartalle idean esittää pistemäinen tieto suuruusjärjestyksessä. Turkan blogissa Viikko 6, hän käytti kokoeroja kuvaamaan maahan pudonneiden meteoriittien painoa. Visuaalisesti pidin tästä ilmeestä, se oli helppo tehdä ja se lisäsi oman karttani luettavuutta myös. Kokeilin hyödyntää tätä luokittelutapaa kuvaamaan maailman väestöä. Toin materiaalia Natural Earthin tietokannoista, joista käytin “most populated places” -dataa.

Kartalta voi löytää maailman väkirikkaimmat alueet kuten Pohjois-Amerikan itärannikko, Itä-Aasia sekä Eurooppa. Kartasta voi huomata sen, että myös tulivuorten läheisyydessä asuu maailman eniten ihmisiä, esimerkiksi Kaakkois-Aasiassa etenkin Jaavan saarella. Alueella on paljon tulivuoria sekä ihmisiä. Kartalta voi jopa huomata litosfäärilaattojen saumakohtia, sillä tulivuoret tekevät joitrain selkeitä ketjuja kartalla, jotka yhdistyvät saumakohtiin. Tämän voi tarkistaa esimerkiksi vertaamalla kuvaa 3 karttaan.

Lähteet:

Häkkinen T. Viikko 6. (Viitattu 9.3.2023) https://blogs.helsinki.fi/turkkaha/2023/02/26/viikko-6/

Kuva 2: Geologia.fi, maan rakenne. (Viitattu 9.3.2023) https://th.bing.com/th/id/R.b81a632c9d7e1fa9387aaa81a485f32f?rik=D%2fzaLCjHeACRdQ&riu=http%3a%2f%2fwww.geologia.fi%2fwp-content%2fuploads%2f2018%2f05%2flaatat1.gif&ehk=kfUZaT9w7ugkAeAn3lUBalEwHwRsRMC7fwbAII902uE%3d&risl=&pid=ImgRaw&r=0&sres=1&sresct=1

Aineiston analyysiä ja buffereita

Tällä kerralla kävimme QGIS:illä läpi clip, intersect ja buffer toimintoja. Sen lisäksi tutuksi tuli analyysien teko ja arvojen laskeminen sekä tulosten tarkastelu aineiston pohjalta. Käytin monta kertaa valintatyökalua, jolloin pystyin tarkastelemaan esimerkiksi tiettyjen asukkaiden lukuarvoja eri alueiden sisällä.

Miia Vuolle blogitekstissään Kurssikerta 5 (2023) toi esille alla olevan kuvan (kuva 1) mukaisesti erilaiset analyysimenetelmät. Vuolle ajatteli analyysimenetelmistä samoin kuin itsekin. Ne olivat loppujen lopulta ihan ymmärrettäviä ja yksinkertaisia. Kuva 1 havainnollistaa hyvin erilaiset menetelmät, joista muutamaa kokeilimme tällä kerralla.

Kokeilimme clip-toimintoa viime kerran Pornaisten kartta-aineistolle. Toimme pellot aineistoon, jotka clip-toiminnolla poistettiin muualta kuin Pornaisten rajatusta alueesta. Clip toimii kuten piparkakkumuotti ja poistaa muotin ympärillä olevat asiat. Intersect-toiminto oli sitten hieman hankalampi ymmärtää. Tällä tominnolla pyrittiin saamaan kahden alueen yhteiset muuttujat näkyviin ja poistamaan muut. Tätä olisi voinut käyttää samaan tarkoitukseen. Testasin tätä toimintoa myöhemmissä tehtävissä, joten siitä kohta lisää.

Bufferointia

Kokeilin buffer-toimintoa itse piirtämilleni teille, joiden ympärille tein noin kilometrin leveän vaikutusalueen. Sitten valintatyökalulla tutkin, kuinka monta itse piirtämääni rakennusta ulottuu vyöhykkeen sisälle.

Tutkin myös bufferilla montako taloa löytyy 500 metrin päästä terveyskeskuksesta, josta havainnekuva (kuva 3). Vielä statistics paneelista tarkastamalla löytyi 244 taloa 808:sta. Teimme bufferilla myös 1km koulun ympärille ulottuvat talot, joita minulla oli 562 ja ympärille jääviä taloja oli 246.

Siirryimme uuteen aineistoon ja tutkimme lentokenttien vaikutusalueita. Tutkimme entisen Malmin lentokentän vaikutusaluetta. Kilometrin päässä sijaitsevia asuintaloja Malmin lentokentästä oli yhteensä 802. Kahden kilometrin päässä asuinrakennuksia on taas 4882. Tämä toteutettiin niin, että piirrettiin lentokentän kiitoratojen suuntaiset viivat, joiden ympäri bufferoitiin alue. Alueesta tarkasteltiin talojen määrä.

Itsenäistehtävä 1

Sitten siirryimme tekemään itsenäisesti tehtäviä, mikä alkuun järkytti. Nopeasti mieli muuttuikin tyyneksi, sillä sain tehtävät onnistumaan. Aloitin tutkimaan Helsinki-Vantaan lentokenttäaluetta samoilla periaatteilla:

2363 ihmistä asuu alle 2km päässä lentokentästä, joista 598 asuu lentomelualueella (kuva 4). Lentomeluaineisto tuotiin valmiina kartalle. Prosentuaalisesti siis 25% asuu lentomelualueella kaikista ihmisistä, jotka asuvat lentokentän lähialueella. Tässä käytin intersect-toimintoa, sillä halusin ottaa laskuihin mukaan melualueen sekä lentokentän bufferoidun alueen yhteiset asukkaat.

Sitten tuli tarkastella, kuinka monta ihmistä asuu vähintään 55DB melualueella. Heitä oli 1780. Ensin valitsin muuttujat  attribuuttitaulukosta, jossa oli 3 luokkaa. Valitsin 55, 60 ja 60 DB melualueet. Näistä valitsin select by location toiminnon avulla asukkaat valitsemillani DB alueilla, jolloin sain tuloksen statistics taulukkoon. Luku olisi tietenkin pienempi, jos olisin valinnut tulokset violetilta lentokentän 2km läheiseltä alueelta (kuva 4).

Sitten kysymyksenä oli: Kuinka monen ihmisen elämää vähintään 60dB lentomelu haittaisi Tikkurilassa, mikäli saapuva liikenne käännettäisiin jälleen laskeutumaan poikkeuksellisesta suunnasta (kaakosta luoteeseen)?

3912 ihmisen elämään vaikutti. Tein apuviivan (noin 7km pitkän) kiitoradasta kaakkoon päin. Sitten bufferoin tämän viivan 1km  ympäröivältä alueelta, jolloin sain noin 60DB lentomeluhaitta-alueen Tikkurilaan.

5396 ihmistä asuu alle 500 metrin päässä lähimmistä metro- tai juna-asemasta. Bufferoin ensin asemat tietokannan ympäriltä 500 metrin alueet näkyviin, jonka jälkeen valitsin ihmiset näiltä bufferoiduilta alueilta.

Kokonaismäärä kartan alueen asuntoja on 59 429, joten tuo valittu määrä (kuvassa 6 keltaiset pisteet) ihmisiä on prosentuaalisesti 5396/59429*100= 0,09 eli noin 1%.

Kaikki asukkaat alueella oli 111 765, joista 15-64v oli 74989 eli prosentuaalisesti 67%.

Itsenäistehtävä 2:

Kysymyksenä oli nyt pääkaupunkiseutujen taajama-alueet ja niissä asuvat ihmisryhmät. Noin 97% kaikista pääkaupunkiseudun asukkaista asuu taajama-alueella.

Laskin kuinka monta kouluikäistä asuu taajamien ulkopuolella. Ennakkoajatus oli, että heitä on vähän. Laskin pks-väki tietokannasta kouluikäisille oman sarakkeen, jonka tietoja sitten tarkastelin. Laskin, että kaikista yli 100 000 kouluikäisestä noin 3727 asuu taajamien ulkopuolella. Se on noin 4% kaikista kouluikäisistä.

Vaikka kuinka mietin erilaisia keinoja, en osannut laskea alueellisesti ulkomaalaisten määrää taajamissa, joissa heitä on yli 10%, 20% ja 30%.

Pohdintaa

Kurssikerran jälkeen varsinkin puskurivyöhykkeen luonti selkeytyi hyvin. Bufferilla voi tutkia vaikutusaluetta: mitkä vain kaksi muuttujaa, jotka keskenään vaikuttavat toisiinsa. Esimerkiksi voidaan tutkia tulvavyöhykkeitä. Jokialueiden ympärille luodaan puskurivyöhyke, joka kertoo, mihin saakka joki yleensä tulvii.

Aineistojen tulee olla laskennallisia QGIS:iä käyttäessä. Aineisto tuottaa paikkaan sijoitettua kvantitatiivista tietoa.

Käyttäjä analysoi aineistoa aina eri tavalla. Subjektiivisuus näkyy siinä, että tekijä osaa myös käyttää paikkatieto-ohjelmaa eri tavalla. Joitain laskuja voisi laskea vielä tarkemmin, jos osaisi käyttää tiettyjä tarkempia tuloksia antavia komentoja.

Aineistot voivat toki olla virheellisiä, jolloin tuloskin on virheellinen. Eli kaikki ei aina riipu tutkijasta. Toki ihminen on voinut tuottaa aineistoja. Tulos riippuu siitä, miten tutkija tutkii alkuperäaineistoja. Kuten tehtäviä vertaillessa kurssikaverien omiin, huomasin arvojen heittelevän, sillä jokainen käytti omaa subjektiivista otetta analyysin tuottamiseen.

Koin tämän kurssikerran olevan kaikista mielenkiintoisin kaikista GIS-tunneista tähän mennessä. Pidin erilaisten tehtävien tekemisestä ja matemaattisesta laskemispuolesta. Koin myös, että olin muistanu aiemmilta tunneilta asioita niin, että QGIS:in käyttö onnistui todella hyvin. Onnistuin monta kertaa hyvin ja olin positiivisesti yllättynyt piileksivistä GIS-taidoistani.

Kiitos lukemisesta!

 

Lähde:

Vuolle M. 2023, Kurssikerta 5, viitattu 16.2.2023, https://blogs.helsinki.fi/mevuolle/2023/02/14/kurssikerta-5/

Kuva 1: https://www.slideserve.com/ketan/vector-geoprocessing

 

Rasteriaineistoa ja ruututeemakartta esityksiä

Tällä kurssikerralla perehdyimme rasterimuotoisen aineiston käyttöön QGIS-sovelluksessa.

Ruutukartassa alueen tiedot esitetään saman kokoisin ruuduin. Tilastokeskus esittää asian näin: “Aluejakona käytetään tilastoruudukkoa, joka  ei ole minkään hallinnollisen tai temaattisen jaon mukainen. Karttakoordinaatistoon perustuvat ruuduittaiset tilastoaineistot tarjoavat mahdollisuuden tarkastella alueellisia ilmiöitä hallinnollisista aluerajoista riippumatta”. Siis ruututeemakartta sopii erityisesti luonnonmaantoeteellisetn ilmiöiden tarkasteluun, jotka eivät noudata esimerkiksi valtioiden rajoja.

Ruutukartta on homogeeninen eli ruutukot eivät vaihtele ja siksi kartalla on luvallista esittää absoluuttisia arvoja. Onko tämä kuitenkaan järkevää?

Mielestäni ruurutukoko tekee paljon. Absoluuttisten arvojen esittäminen ruututeemakartalla on kyseenalaista, koska ruutualueiden absoluuttinen arvo on yleistys koko ruudun alueelta eikä näin välttämättä kerro koko totuutta. Jos on suuri ruutukoko, tulos on sitä kyseenalaisempi. Joissain vektorikartoissa taas alueiden rajat pyrkivät mahdollisimman tarkasti kulkemaan oikeiden rajojen mukaan. Verrattuna aikaisemmin tehtyihin koropleettikarttoihin, mielestäni rasteripohjainen aineisto ei ole alueiden jaossa yhtä tarkka.

Kuitenkin ruututeemakartta on luettavuudeltaan helppo. Eri väriset rasteriruudut yleistävät alueen ominaisuusjakoa. On helppo katsoa alueen eri ominaisuuksia sen tummuusasteikolla.

Aikaisemmin pidin vektorimuotoisen aineiston kanssa työskentelystä. Koen, että se on selkeämpi ja yleistettävämpi kuin monet rasteriaineistot. Tosin monissa rasteriaineistoissa tieto on tarkkaa, koska jos rastereita eli pieniä ruutualueita on paljon, alueesta on paljon alueellista tietoa.

Kartalla 1 näkyy kaikki PK-seudun asukkaat, joista suurin osa on sijoittunut Helsingin ydinkeskustaan.

Kartalla 2 näkyy PK-seudun kaikki yli 85-vuotiaat ja heidän sijoittumisensa. Suurin osa henkilöistä on sijoittunut myös Helsingin ydin keskustaan.

Kartat 1 ja 2 tein samalla ruutukoolla. Koin, että ruutukoko oli sopiva, jos halusi selkeän esityksen. Kuitenkin pienemmällä ruutukoolla kartta olisi ollut eri tavalla luettavissa. Pienempi ruutukoko olisi voinut olla tarkempi ja totuudenmukaisempi.

Jos sama aineisto olisi vektorimuotoisena esimerkiksi koropleettikartan muodossa esitettynä, olisi se omasta mielestäni selkeämpi. Kuitenkin jos ruutukoot olisivat kartalla 2 pienempiä, olisi se myös visuaalisesti mukavampi katsoa, ja ehkä totuudenmukaisempikin.

Pyrin tekemään molemmat kartat (kuva 1 ja 2) saman muotoisiksi ja näköisiksi. Näin niitä voi hyvin vertailla keskenään. Selkeästi karttoja 1 ja 2 tulkittaessa voi huomata, että yli 85-vuotiaat asuvat enemmän keskustassa. Koko PK-seutua tarkasteltaessa asutus on jakautunut tasaisemmin. Vanhemmat ihmiset asuvat usein hyvien kulkuyhteyksien päässä tai vanhainkodissa, mikä voisi selittää heidän asumisen jakautumista Espoon, Vantaan ja etenkin Helsingin ytimeen.

Lisäisin kartalle suurimmat tieliikenneväylät, jotta esimerkiksi kehätiet hahmottuisivat, josta voisi päätellä asuuko vanhemmat ihmiset lähellä hyviä tieyhteyksiä. Kartalle voisi lisätä myös hoivakoteja symboleilla, jotta voisi katsoa, kuinka moni vanhoista henkilöistä asuu vanhainkodissa ja kuinka moni kotioloissa.

Vaikka käytin kartoissa eri värejä ruuduissa, ovat ne kuitenkin lähivärejä väriympyrässä, joten visuaalisesti kartta on hyvin luettavissa. Myös erittäin tumma ero suurimman ja pienimmän luokan välillä auttaa hahmottamisessa, vaikka luokkien värit eivät olisikaan saman värin eri sävyjä.

Itse en tehnyt karttaa suhteellisten lukuarvojen mukaan, mutta lukemalla muiden blogeja huomasin eron absoluuttisesti ja suhteellisesti esitetyissä ruututeemakartoissa. Esimerkiksi Erikan blogissa (2023) kerrottiin kuinka visuaalisesti jakauma olisi hyvin erilainen kartoilla ja arvojen keskittymät täysin eri paikoissa, jos tutkittaisiin keskenään absoluutisia ja suhteellisia arvoja. Tämä olisi siitä syystä, että esimerkiksi ydinkeskustassa asuu paljon ihmisiä, mutta jokin tietty joukko samalla alueella on suhteellisen pieni. Toisaalta alueella, jolla asuu vähemmän ihmisiä, suhteellisesti sama joukko voisi olla alueella yleisempi ja täten arvo suurempi.

Jos ruutukartalla halutaan tarkastella esimerkiksi ruotsin kielisiä Helsingin alueella niin usein paljon tapauksia löytyy ruudusta jossa muutenkin asuu paljon ihmisiä. Todennäköisyyksien mukaan siis ei ole ehkä järkevää tutkia tätä käyttämällä ruututeemakarttaa. Toisaalta jos käyttäisi suhteellista menetelmää visualisoinnissa, olisi tulos eri. Omasta mielestä PK_seudun yli 85-v asukkaat on järkevää esittää ruututeemakartalla myös absoluuttisesti ja luettavuus on suhteellisen hyvä, jos kartalle lisäisi vielä joitain yllä mainitsemiani asioita.

Rasteriaineistosta korkeuskäyriä ja rinnevarjostusta

Teimme kurssikerralla rinnevarjostuksen Pornaisten  seudun rasterimuotoiseen aineistoon. Yhdistimme rasteriaineistoon korkeuskäyrät vektorimuotoisesta peruskarttalehdestä. Lisäsin karttaan 3 (kuva 3) korkeuskäyräaineiston, mutta rinnevarjostus ei ollut tallentunut, joten sitä en saanut mukaan. Kartalle tuli lisätä tiet sekä rakennukset, joiden kanssa oli paljon ongelmia, jotka lopulta sain näkyviin. Lisäsin myös joen.

Pornaisten Lampisuo on keidassuo, mikä näkyi selkeästi kartalla korkeuskäyriä tutkimalla. Korkeuskäyrät ovat osittain liiankin tarkat, mikä vaikeuttaa luettavuutta, esimerkiksi joissain kohdin kartalla ne näyttävät saahavan näköisiltä. Korkeuskäyristä huomaa joen molemmin puolin havaittavat erot. Joen toinen puoli on korkeusvaihtelultaan suurempi kuin toinen, mikä voi selittyä joen pengertämisestä ja läheisten peltojen urista.

Ensi kertaan!

 

Lähteet:

Lindblom E. 2023, 4. Kurssikerta (12.2.2023)

https://blogs.helsinki.fi/lierika/2023/02/12/4-kurssikerta/, viitattu 13.2.2023

Uuden tiedon tuottamista ja karttojen tekoa

Aineiston (Afrikka) ominaisuustietojen tulkintaa

Aloitimme kolmannen kurssikerran käsittelemällä tietokantoja. Kurssikerran aikana kertasimme tiedon yhdistämistä eri tietokannoista QGIS-soellukseen ja tuotimme laskemalla uutta tietoa ladattujen tietokantojen pohjalta.

Tutkimme Afrikkaa ja aineistoina käytimme timanttikaivosten ja öljykenttien sijaintia sekä konfliktien esiintymisiä eri Afrikan valtioissa (Kuva 1). Ensin voisi ajatella, että valtion varallisuus öljykenttien ja timanttikaivosten myötä lisäisi alueen konflikteja, muttei näin ole läheskään joka maassa. Esimerkiksi Afrikan pohjoisosan ölykenttäalueella Libyassa on ollut alueellisesti suhteutettuna vähän konflikteja verrattuna esimerkiksi vieressä sijaitsevaan Algeriaan. Toisaalta Etelä-Afrikan timanttikaivokset eivät ole merkittävästi lisänneet alueen konfliketja, vaikka alueella onkin ollut niitä jonkin verran. Kuten Afrikan sarvesta näkee, alueen monet konfliktit eivät näytä riippuvan varallisuudesta öljyssä ja timanteissa, vaan jostakin muusta. Syitä voi olla huono valtionjohto, köyhyys ja ilmasto-olot.

Tutkiessa Afrikan ominaisuustaulukkoa (Kuva 2), voi huomata, että maissa, joissa ei ole tapahtunut konflikteja, on joko todella vähän timanttikaivoksia tai ei yhtään. Taulukossa näkyy myös konfliktien määrän lisäksi se, monta vuotta konfliktit ovat kestäneet yhteensä. Jos taulukossa näkyisi vielä esimerkiksi konfliktin laajuus kilometreinä, voisi siitä päätellä, miten se on yhteydessä muihin konflikteihin ja kuinka tuhoisa se on ollut. Voisi siis olettaa, että näillä eri tiedoilla voisi olla mahdollinen yhteys.

Tulvaindeksi harjoitus

Tämän viikon harjoituksessa tutkimme Suomen tulvaindeksiä kartalla ja sen liittymistä Suomen järvisyyteen. Joona Korhonen blogipostauksessaan Viikko 3 (2023) selittää hyvin, mikä tulvaindeksi on: “Tulvaindeksi kuvaa joen virtaaman vaihtelua ja sen avulla on mahdollista selvittää kuinka moninkertainen on virtaaman huippu verrattuna kaikkein kuivimpaan aikaan”.

Meidän piti laskea QGIS:illä attribuuttitaulukkoon tulvaindeksi. Laskukaavana toimi keskiylivirtaama jaettuna keskialivirtaamalla, joiden  tiedot saimme aineistosta. Karttaa (Kuva 3) tehdessä virheellisesti kirjoitin valumaindeksi, mutta toisaalta idea on sama. Tulvaindeksi kuvaa virtaamavaihtelua ylivirtaamasta (tulvimisesta) alivirtaamaaan (kuiva kausi). Virtaama kertoo, kuinka paljon vettä kulkee tietyssä aikamääreessä uoman poikkileikkauksen läpi. Wikipedia (2020) kertoo, että “termi valuma taas tarkoittaa valuntaa alueen pinta-alaa kohden. Valuman tunnus on q ja yksikkö litraa sekunnissa neliökilometrillä.” Tulvaindeksi kartalla on kerrottu koroplettikartan muodossa ja alueet ovat jaettu eri valuma-alueisiin.

Jos maallikkona katson karttaa (Kuva 3), huomaan, että Turun ja Helsingin seudun alueet ovat tulvaherkimpiä, koska tulvaindeksi on näillä alueilla kaikista korkein (tumman sininen/musta). Kun taas keskisuomessa tulvaindeksi on pieni, jolloin tulvimistakin tapahtuu harvemmin ja pienemmissä määrin. Alueen topografiasta voidaan päätellä, että Turun seudulla on matalampaa kuin keski- tai pohjois-Suomessa, mikä vaikuttaa tulvaindeksiin. Myös pohjanmaalla kuten muuallakin rannikolla on erittäin matalaa, mikä johtaa siihen, että tulvaindeksi on suuri ja näin ollen tulvariski kasvaa.

Tulvaindeksi on pieni alueilla, joilla on suuri järvisyys. Ajattelisin juuri tästä sen, että järvistä vesi valuu kohti rannikkoa Itämerellä jokia pitkin, jolloin tulvaindeksi kasvaa, kun mennään kohti rannikkoa. Siksi karttaa katsoessa voisi olettaa, että järvisyydellä ja tulvaindeksillä on jokin yhteys.

Olen kokenut, että MacBookilla omalla koneella QGIS:in käyttö on haastavampaa. En saa avattua vanhoja keskeneräisiä tiedostoja, joita tuotan koulun koneilla ja jotka tallennan OneDriveen. Viimeksi QGIS jäi omalla koneella jumiin. Karttojen tekeminen koulun suurella näytöllä on paljon helpompaa ja tehokkaampaa. Kuitenkin hyvillä mielin ensi kertaan ja sormet ristissä ettei QGIS tule kaatumaan jatkossa!

 

Lähteet:

Korhonen J. 2023, blogipostaus: Viikko 3, https://blogs.helsinki.fi/kojoona/2023/02/01/viikko-3/

Wikipedia, Valunta 2020, https://fi.wikipedia.org/wiki/Valunta