Kuukausi: helmikuu 2022

Kurssikerta numero 6 alkoi mukavalla reippailulla talvisessa säässä. Reippailun ideana oli itse kerätä sijaintitietoa, jonka pystyy siirtämään kartalle. Sijaintitiedon keräämiseen käytettiin Epicollect5-nimistä sovellusta, joka oli minulle jo entuudestaan tuttu Maantieteelliset kohteet lähiympäristössä -kurssilta. En kuitenkaan tiennyt, että sovellukseen merkityt kohteet voi siirtää oikealle kartalle ja näin tutkia kohteita ja kohteiden ominaisuuksia kartalla. Olikin mielenkiintoista oppia tämä seikka!

Itsenäistehtävä hasardeista

Kurssikerran itsenäistehtävänä oli puolestaan ladata internetistä hasardeihin liittyvää pistemuotoista tietoa ja luoda hasardien esiintymistä kuvaavia karttoja. Koska luonnonmaantiede ei ole ykkösjuttuni, päädyin tekemään tehtävän esimerkkinä annettua ideaa mukaillen. Latasin maanjäristystietokannasta kolme eri tiedostoa, jotka sisältävät tietoa aikavälillä 1.1.2000-22.2.2022 esiintyneistä yli 8 (kuva 1), 7 (kuva 2) ja 6 (kuva 3) richterin magnitudin maanjäristyksistä (event type: earthquakes). Lisäksi latasin tulivuoritietokannasta tiedoston, joka käsittää kaikki maapallon tuolivuoret.

Pelkät numerot eivät välttämättä aiheesta tietämättömälle kerro, miten richterin asteikko toimii. Asteikko perustuu kymmenkantaiseen logaritmiin. Kun magnitudi kasvaa yhdellä, niin maanliikkeen muutos on kymmenkertainen ja vapautuneen energian määrä nousee 32-kertaiseksi. Yli 8 richterin magnitudin maanjäristykset ovat asteikolla tuhoisimpia ja ne aiheuttavat tuhoa ja kuolemia hyvin laajalla alueella. Niitä tosin esiintyy keskimäärin alle kolme vuodessa. 7-7.9 richterin magnitudin maanjäristykset aiheuttavat vakavaa tuhoa sekä kuolemia laajalla alueella ja niitä esintyy keskimäärin 3-20 vuodessa. 6-6.9 richterin magnitudin maanjäristykset aiheuttavat puolestaan keskinkertaista tuhoa asutuilla alueilla ja niitä esiintyy keskimäärin 20-200 vuodessa. (Rafferty, 2020).

Ensimmäisessä kuvassa maanjäristyksiä esittäviä pisteitä on vain vähän, toisessa kuvassa niitä on selvästi enemmän ja kolmannessa kuvassa jo reilusti. Kuvat kertovat siitä, että kaikkein tuhoisimpia maanjäristyksiä esiintyy verrattain harvoin, mutta keskimääräistä tuhoa aiheuttavia puolestaan jo useampia vuodessa. Voisi siis todeta, että kuvat esittävät hyvin edellisen kappaleen faktatietoa.

Maanjäristysten ja tulivuorten esiintymisalueet

Tuhoa aiheuttavia maanjäristyksiä esiintyy eniten litosfäärilaattojen reunavyöhykkeillä, joissa litosfäärilaatat liikkuvat toisiinsa nähden. Litosfäärilaattojen reunavyöhykkeisiin liittyvät puolestaan tulivuoret, joita esiintyy etenkin laattojen alityöntö- sekä erkanemisvyöhykkeissä. Tulivuorenpurkakset voivat laattojen liikkeiden ohella aiheuttaa maanjäristyksiä. Maanjäristys- ja tulivuorikarttojen avulla voisikin havainnollistaa ja opettaa myös litosfäärilaattojen toimintaa ja niiden vaikutusta maanjäristysten ja tulivuorten esiintymiseen. Kun vertaa kuvaa 4, joka esittää litosfäärilaattoja ja niiden reunoja, kuviin 1-3, huomaa, että maanjäristyksiä ja tulivuoria on eniten litosfäärilaattojen reunavyöhykkeissä. Etenkin kuvasta 3 huomaa maanjäristysten esiintyvyyden olevan suurinta Tyynenmeren alueella: tätä litosfäärilaattoihin kytkeytyvää aluetta kutsutaankin Tyynenmeren tulirenkaaksi.

Tyynenmeren tulirenkaalla esiintyy myös suuri osa maapallon tulivuorenpurkauksista. Tämä on nähtävissä hyvin Janne Turusen (22.2.2022) tekemissä kuvissa, joissa Turunen havainnollistaa maanjäristysten ja tulivuorenpurkauksien esiintyvyyttä maapallolla. Turunen on onnistunut tekemään visuaalisesti onnistuneet, hyvin ilmiötä havainnollistavat ja selkeät kuvat!

Loppupohdintaa:

Itsenäistehtävän tekeminen oli mielestäni helppoa ja mukavaa. Internetistä ladatun datan tuonti QGIS:iin oli vaivatonta. Helppoutta lisäsi se, että tehtävässä riitti esittää data pistemuotoisena eli sille ei tarvinnut tehdä QGIS:issä mitään. Ainoa pohdituttava asia liittyy kuvien havainnollisuuteen, sillä tuottamissani kuvissa tulivuoret tuntuvat peittyvän maanjäristyspisteiden alle kuvissa 2 ja 3. Päädyin kuitenkin siihen lopputulokseen, että koska tehtävässä oli tarkoitus esittää kuvasarja, riittänee varmaan hyvin, että tulivuorten sijainnit hahmottuu selvästi kuvassa 1.

Onneksi on enää yksi kurssiviikko jäljellä!

 

Lähteet:

Rafferty, J. P. (2020). Richter scale. Encyclopedia Britannica. Haettu 23.2.2022 osoitteesta https://www.britannica.com/science/Richter-scale

Turunen, J. (22.2.2022). Lumimyrskyjä ja maanjäristyksiä. Geoinformatiikan mystiset menetelmät. Haettu 23.2.2022 osoitteesta https://blogs.helsinki.fi/janneturunen/

Viides kurssikerta osoittautui yllättävän mukavaksi, sillä tällä kertaa viikon lähiopetuskerta vietettiin lähes kokonaan itsenäistehtäviä tehden. Neljä tuntia kului paljon nopeammin, kun joutui itse pähkäilemään, miten mikäkin tehtävä kannattaisi ratkaista. Ensisilmäyksellä tehtävät näyttivät haastavilta, mutta etenkin vierustoverin apu oli avainasemassa siinä, että tehtävien teossa pääsi sujuvasti liikkeelle. Loppujen lopuksi tehtävät eivät edes olleet niin vaikeita, varsinkaan viimeinen tehtävä, jonka jätin kotiin tehtäväksi. Tai, no, en voi tietää olenko tehnyt jotain kauheita virheitä tai mokia tehtävissä, mutta toivon todellakin etten ole.

Viikon uutena aiheena oli bufferointi. Bufferoinnissa eli puskuroinnissa määritetään tietynkokoinen alue, esimerkiksi viivan tai polygonin ympärille. QGIS:issä tämä onnistuu buffer-työkalulla, joka osoittautui yllättävän helpoksi ja näppäräksi välineeksi. Syntynyttä aluetta kutsutaan puskurivyöhykkeeksi eli bufferiksi, jonka sisältä voidaan laskea esimerkiksi kohteiden tai muuttujien määriä. Esimerkiksi itsenäistehtävässä 1 (linkki tehtävän tuloksia esittävään taulukkoon alla) luotiin puskurivyöhykkeet Malmin sekä Helsinki-Vantaan lentokenttien kiitoratojen ympärille ja tutkittiin asukkaiden määriä näillä vyöhykkeillä. Lentokoneethan aiheuttavat melua nousu- ja laskuvaiheessa, minkä takia asuminen lähellä kenttää voi olla ikävää. Tehtävässä selvisikin esimerkiksi, että 2 km säteellä Malmin lentokentästä asuu merkittävä määrä enemmän ihmisiä kuin 1 km säteellä kentästä. Toisaalta tällaisen puskuroinnin voisi suorittaa ennen rakentamista, eli määritetään tietty melualue kentän tai kentän kiiroratojen ympärille, joille ei meluhaitan takia myönnetä rakennuslupia. Puskuroinnin avulla voi myös esimerkiksi selvittää, mille alueelle kannattaa vaikkapa suunnitella uutta kauppakeskusta: Kuinka monta ihmistä kauppakeskus palvelisi? Millainen ikäjakauma kauppakeskuksen vaikutusalueella on eli mitä palveluja kauppakeskuksessa kannattaisi olla?

Ensimmäisen tehtävän ekan osan suurimmaksi haasteeksi osoittautui luetunymmärtäminen. Tai siis kyllä, osaan lukea, mutta en esimerkiksi aluksi tajunnut yhtään, millaiset kiitoradat tehtävässä pitäisi muka piirtää tai mitä tarkoitetaan Tikkurilan laskeutumissuunnan melualueella… Vaikka toisaalta siis osaisikin käyttää QGIS-ohjelmassa tehtävän ratkaisemisene tarvittavia työkaluja ja toimintoja niin toisinaan niiden käyttäminen on yksinkertaisesti hankalaa, jos ei tajua, mitä tehtävässä tarkalleen ottaen tarkoitetaan jollakin asialla.

Ensimmäisen tehtävän toinen osa olikin jo sitten paljon helpompi. Tällä kertaa bufferit tehtiin metro- ja juna-asemien ympärille, ja niiden avulla selvitettiin asukkaiden ja työikäisten määriä asemien läheisyydessä sekä kuinka suuri osuus kaikista alueen asukkaista asuu asemien läheisyydessä. Ennen kuin työikäisten määrää asemien läheisyydessä pystyi tutkimaan, täytyi selvittää työikäisten kokonaismäärä käyttämällä jo tutuksi tullutta field calculator-työkalua. Tuo työkalu onkin varmaan yksi QGIS:in tärkeimmistä, sillä sen avulla voi esimerkiksi laskea eri sarakkeissa olevien muuttujien arvojen välillä laskutoimituksia ja luoda uusille arvoille uusi sarake taulukkoon.

Tehtävän 1 taulukko

(Huom. ainakin itselläni taulukot näyttävät siltä niin kuin pitääkin Windows-käyttöjärjestelmällä ja Chrome-selaimella, mutta Macilla ja Safarilla katsottuna joillakin riveillä teksti ylittää sarakkeiden rajat…)

Toisessa tehtävässä (linkki tulostaulukkoon alla) jatkettiin samalla teemalla eli bufferoinnilla ja bufferin hyödyntämisellä analysoinnin tukena. Tähän tehtävään liittyen tuli mieleen, kuinka tärkeää on myös osata käyttää QGIS:in valintatyökaluja. Tehtävässä piti esimerkiksi selvittää, kuinka monella alueella ulkomaalaisia asuu yli 10, 20 ja 30 prosenttia, ja tämähän onnistui kätevästi käyttämällä valintatyökalua, jolla pystyy valitsemaan alueet tietyn muuttujan arvojen mukaan.

Tehtävän 2 taulukko

Kolmas tehtävä jäi tosiaan kotiin tehtäväksi. Tässä saikin valita kolmen eri tehtävävaihtoehdon perusteella, ja valinta päätyi tottakai siihen, mikä vaikutti helpoimmalta. Päädyin siis tutkimaan uima-altaiden ja saunojen määriä pääkaupunkiseudun pienalueilla. Tässä tehtävässä ei edellisten tapaan tarvittu (ainakaan mielestäni, ellen ole sitten tehnyt tehtävää väärin) bufferointia, vaan selvitin uima-altaiden ja saunojen määriä pienalueilla valmiin pienalueita esittävän tietokannan avulla. Kuten edellisessä, myös tässä tehtävässä valintatyökalujen hallinta osoittautui tärkeäksi taidoksi. Linkki tehtävän tuloksia esittävään taulukkoon on alla.

Tehtävän 3 (uima-altaat ja saunat) taulukko

Tehtävässä piti myös tuottaa kartta (kuva 1), joka esittää uima-altaiden määriä pienalueilla sekä numeroin että histogrammien avulla. Tehtävänannossa käskettiin lisäämään sekä pylväät että numeroarvot kartalle… Pohdin aluksi, pitääkö tehtävässä siis todella jokaisen alueen kohdalle kirjata numero. Tällöinhän valmis kartta olisi ollut mielestäni yhtä sekasotkua, sillä monet kartalla näyvistä alueista on hyvin pieniä ja toisaalta numeroiden täytyy olla tarpeeksi suurilla fontilla merkitty, jotta niitä näkee lukea. No, kompromissina tein sitten koropleettikartan vaikkei alueet olekaan tasakokoisia ja lisäksi lisäsin numeroarvot niiltä alueilta, joissa uima-altaita on eniten. Ne alueet, joilla ei ole pylvästä (tai viivaa), ei ole ollenkaan uima-altaita missään rakennuksessa tietokannan mukaan.

Tehtävän teon jälkeen ja tätä blogitekstiä kirjoittaessani huomasin, että Nea Tiainen (17.2.2022) oli tehnyt saman tehtävän ja onnistunut luomaan siistin ja hienon kartan niin, että numeroarvot todella ovat pienalueiden kohdalla. Tehtävänannon noudattaminen ja informatiivisen kartan tekeminen olisi siis ollut mahdollista.

Pieni haaste tehtävässä oli saada liitettyä pienalueita esittävään tietokantaan uima-altaita kuvaavat arvot. QGIS vain herjasi minulle ettei tämä onnistu. Tovin siinä yritin ja yritin uudestaan, kunnes tajusin lukea virheilmoituksen paremmin. Pienalueita esittävässä tietokannassa oli muutama kohde, jotka saivat virheellisiä arvoja eikä QGIS sen takia pystynyt tekemään tietokantaliitosta. Tämän sai onneksi korjattua antamalla QGIS:ille ohjeeksi ignoorata virheelliset arvot. Tämä näkyy myös kartalla niin, ettei kahdesta pienalueesta ole saatavilla tietoja uima-altaiden määrästä. Toisaalta ihan hyvä, että tällaisia ongelmia tulee esiin, sillä niiden selvittämisen kautta oppii aina uutta!

Tämän viikon tehtäviä tekiessä sain huomata, että QGIS-ohjelman käyttäminen alkaa pikku hiljaa sujua. Sanotaanko näin, että helpointa on sellaisten työkalujen käyttö, joita on tullut käytettyä eniten ja useamman kurssiviikon tehtävissä, sillä oppiminen tapahtuu toistojen kautta. Sen sijaan sellaisten työkalujen, joiden olemassaolo ja käyttö on käyty läpi monta viikkoa sitten ja joita ei sittemmin ole tarvinnut, käyttäminen on varmaankin hankalampaa ihan jo sen takia, että helposti unohtuu jopa niiden olemassaolo.

Vaikka kurssi on osoittautunut yllättävän mielenkiintoiseksi, voin helpottuneena sanoa, että onneksi ollaan jo selvästi voiton puolella, sillä jäljellä on enää kaksi kurssiviikkoa!

Lähde:

Tiainen, N. (17.2.2022). Viikko 5. Epätoivon buffereita. Melkein gis-guru siis itsekin. Haettu 17.2.2022 osoitteesta https://blogs.helsinki.fi/tiainea/

Neljännellä kurssiviikolla tavoitteena oli tutustua ruutu- ja rasterikarttoihin sekä pistemuotoiseen aineistoon. Viikon lähiopetuskerralla käytiin vaikka ja mitä uusia QGIS:in toiminnallisuuksia läpi. Kun joka viikolla käydään läpi liuta uusia toiminnallisuuksia, alkaa pikku hiljaa tuntua siltä, että miten minä nämä kaikki muistan, kun jokaisessa toiminnallisuudessa on miljoona kohtaa ja muistettavaa asiaa. Pitää varmaan vain toivoa sormet ristissä, että tulevaisuudessa pärjään niillä taidoilla, jotka ovat jotenkin onnistuneet tallentumaan aivojeni muistilokeroihin.

Pistemuotoinen aineisto on hyvin tarkkaa. Nimensä mukaisesti sitä voi kerätä pistemuotoisista kohteista, kuten väestöstä, rakennuksista tai luontohavainnoista. Käytännössä pisteaineistoa voi kerätä hyvin laajalti erilaisista kohteista – vain mielikuvitus on rajana. Pistemuotoista aineistoa voidaan esittää esimerkiksi pistekartalla: pistekartta on pistesymbolikartta, jossa pistemäisellä symbolilla esitetään kohteen sijainti ja laatueroasteikolla ilmoitettu ominaisuus (Sanastokeskus TSK, 2018).

Pistemuotoista aineistoa esitetään usein myös ruutukartalla. Ruutukartta on aluesymbolikartta, jonka alueet ovat tasakokoisia ruutuja valitussa koordinaattijärjestelmässä (Sanastokeskus TSK, 2018). Käytännössä pistemuotoista aineistoa voidaan esittää ruutukartalla esimerkiksi niin, että lasketaan yhteen tiettyä muuttujaa esittävän pisteiden määrä tietyssä ruudussa ja saatuja lukemia voidaan esittää koropleettikartan tavoin.

Ruotsinkielinen väestö ruutukartalla

Kurssin alkukerroilla tuli tehtyä muutama koropleettikartta, ja koska tällöin käytössä ei ollut ruutukarttaa vaan muuttujien määriä esitettiin erikokoisilla alueilla, oli tällöin tärkeää muistaa esittää muuttujia suhteututetuilla luvuilla. Ruutukartalla muuttujien esittäminen osuuksina ei ole välttämätöntä, sillä alueet ovat samankokoisia. Ruutukarttaan voi kuitenkin syntyä suuriakin eroja riippuen siitä, käyttääkö suhteutettuja vai absoluuttisia lukuja, ja siitä, millainen muuttuja on kyseessä. Tähän liittyen minua kiinnostikin selvittää, mitä eroja tai samanlaisuuksia ruutukartoissa on, kun esitetään ruotsinkielisten määriä absoluuttisilla arvoilla sekä suhteutettuna ruudun alueella asuvien määrään.

Kuva 1 havainnollistaa ruotsinkielisten osuuksia väestöstä ruuduittain. Karttaa tutkimalla voitanee sanoa, että mitään tiettyä ruotsinkielistä keskittymää ei pääkaupunkiseudulla ole. Vähiten ruotsinkielisiä asuu Koillis- ja Itä-Helsingissä sekä Länsi- ja Itä-Vantaalla. Tässä tapauksessa tulee kuitenkin huomioida, että jos ruudun alueella asuu vähän ihmisiä, esimerkiksi vaikka 10 ihmistä, jo muutama ruotsinkielinen nostaa osuutta verrattuna sellaiseen ruutuun, kuten Helsingin kantakaupungin alueelle osuvaan ruutuun, jossa asukasmäärä lasketaan tuhansissa.

Kuva 2 kuvaa ruotsinkielisen väestön määrää absoluuttisilla arvoilla. Jo ensisilmäyksellä näkee, että kartta on aivan erilainen verrattuna ensimmäisen kuvan karttaan. Oletettavasti kartasta huomaa, että eniten ruotsinkielisiä asuu Helsingin kantakaupungin alueella. Kauniaisissa on myös ruotsinkielisten keskittymä, samoin Matinkylä-Westend akselilla Espoossa sekä Vuosaaren alueella.

Se, kumpi näistä kartoista on havainnollisempi ja parempi, riippuu siitä, mitä kartalla on tarkoitus viestiä. Halutaanko kartalla esittää, miten paljon ruotsinkielisiä alueella asuu suhteessa muuhun väestöön vai halutaanko esittää, missä päin pääkaupunkiseutua ruotsinkielinen väestö asuu?

Tuottamani kartat ovat selkeitä ja esittävät haluttua asiaa. Helpottaakseni karttojen lukemista lisäsin niihin suuralueiden rajat; tosin suuralueiden rajat tuskin ovat kaikille niin tuttuja, että suuralueet automaattisesti tunnistaisi kartalta. Esimerkiksi Janne Turunen on tehnyt samasta ilmiöstä kartan blogiinsa (Turunen, 9.2.2022) ja kartta on selkeästi havainnollisempi, sillä hän on ollut fiksu ja lisännyt kartalle suuralueiden rajojen lisäksi niiden nimet.

Korkeuskäyrien tutkimista

Kurssikerran kotitehtävänä oli tutkia ja vertailla korkeuskäyriä. Laadin QGIS:illä korkeusmallin perusteella korkeuskäyrät 5 metrin välein peruskarttalehdelle. Lisäksi latasin Maanmittauslaitoksen sivuilta Pornaisten kohdalle osuvan peruskarttalehden. Zoomasin karttoja pienemmälle alueelle, jotta eroja pystyy paremmin tarkastelemaan.

Kuva 3 esittää karttalehteä, johon piirsin korkeuskäyrät 5 metrin välein ja kuvassa 4 käytetty karttalehti on puolestaan Maanmittauslaitoksen peruskarttarasteri. Karttoja tutkimalla huomaa, että kartoissa on ero korkeuskäyrien tarkkuudessa. Maanmittauslaitoksen kartassa korkeuskäyriä on enemmän eli ne on siis tiheämmin ja tarkemmin merkattu.

 

Lähteet:

Sanastokeskus TSK (2018). Geoninformatiikan sanasto. 4. laitos. TSK 51.

Turunen, J. (9.2.2022). QGIS – ruutuja ja rasterikarttoja. Geoinformatiikan mystiset menetelmät. Haettu 9.2.2022 osoitteesta https://blogs.helsinki.fi/janneturunen/

Kolmannella kurssiviikolla aiheena olivat tietokannat ja tavoitteena oli tietokantoihin liittyen oppia muun muassa yhdistämään ulkoista tietoa tietokantaan, yhdistämään tietokannan sisällä olevaa tietoa ja tuottamaan tietokantaan uutta tietoa vanhan tiedon avulla. Eri tietokantaharjoitusten parissa työskenneltyä lopputuloksena oli kuvan 1 kartta. Tällä kertaa siirryimme siis ainakin hetkeksi pois Suomesta!

Onnekseni olin ensimmäisellä kurssiviikolla ahertanut itsenäisten tehtävien parissa; tällöin olin tehnyt tehtävän, jossa piti liittää ulkoista tietoa olemassa olevaan tietokantaan. Kun olin sen jo kerran itsekseen tehnyt, oli mukava kun tunnilla pystyin rennosti seuraamaan, kun opettaja opetti juuri tätä asiaa. Välillä ekstratyö siis kannattaa, sillä siitä on parhaassa mahdollisessa tapauksessa hyötyä tulevaisuudessa.

Opin kuitenkin myös paljon uutta tietokantojen käyttämiseen ja hyödyntämiseen liittyen. Ehkäpä mielenkiintoisin asia, minkä opin, on tietokannan sisällä olevan, toistuvan tiedon yhdistämisen. Käytössämme oli siis tietokanta, jossa monet Afrikan maan toistuivat jopa kymmeniä kertoja, esimerkiksi siksi, että jokainen tietylle valtiolle kuuluva saari oli merkitty tietokantaan erillisenä kohteena. Jos tarkoituksena on nimenomaan tarkastella näitä kaikkia valtion kohteita erikseen, ei tässä ole mitään ongelmaa. Jos kuitenkin haluaa saada ja esittää tietoa koko valtiosta, on valtion erilliset kohteet yhdistettävä toisiinsa jonkin tunnuspiirteen, kuten valtion nimen, avulla. Yhdistämiseen on usempi toimiva keino, mutta tehokkaammaksi osoittautui Aggregate-työkalu, joka myös mahdollistaa esimerkiksi valtion eri kohteiden pinta-alojen summaamisen samalla kertaa.

Toinen mielenkiintoinen oppimani asia QGIS:in käytössä on, miten tietoa voi tuottaa tietokantaan sijaintiedon perusteella. Käytössämme oli konflikti-tietokanta, joka esittää sattuneita konflikteja Afrikan valtioissa. ”Ongelmana” tuossa tietokannassa oli se, että se tietenkin esitti saman vuoden aikana tapahtuneet erilliset konfliktit erillisinä. Tarkoituksenamme oli kuitenkin tarkastella alueiden jatkuvaa vakautta/epävakautta, minkä takia oli järkevää laskea tapahtumavuoden avulla, kuinka monena vuonna konflikteja on ollut. Aivan mahdollistahan on, että jossakin valtiossa on vaikka muutaman vuoden aikana ollut paljon konflikteja ja jossakin toisessa valtiossa taas vuosikymmenen ajan tasaisesti; ensimmäiseksi mainitussa on saattanut olla hetkellinen epävakaustilanne, jälkimmäisessä epävakaat olot ovat puolestaan olleet jatkuvampia.

Kuvan 1 kartan perusteella voisi päätellä, että timanttikaivosten ja öljykenttien määrä alueella on yhteydessä konfliktien määrään. Kartalla on kuitenkin myös sellaisia valtioita, joiden alueella joko on pelkästään timanttikaivoksia tai on ollut konfilkteja. Karttoja analysoidessa onkin tärkeää aina muistaa, voiko sen esittämiin muuttujiin vaikuttaa jotkin muut muuttujat, etenkin silloin, jos tutkitaan muuttujien välistä yhteyttä. Taru muistuttaakin oivasti blogissaan: Päättelyssä täytyy aina olla varovainen ja tulkita tuloksia, ei omaa maalaisjärjen ohjailemaa ajatusta siitä, että öljykentät ja timanttikaivosteollisuus varmastikin lisäävät köyhissä maissa levottomuuksia ja aseellisia konflikteja. Konfliktien esiintymistä selittäviä muita tekijöitä on varmasti useita, kuten valtion kehitys- ja taloustilanne, tulonjaon tasaisuus, poliittinen tilanne, muiden luonnonvarojen esiintyminen tai esiintymättömyys sekä etenkin tulevaisuudessa yhä vahvemmin ilmastonmuutos.

Myös itsenäisessä harjoitustehtävässä oltiin tietokantojen maailmassa. Tehtävänanto ja vaadittavat toimenpiteet vaikuttivat helpolta, mutta aivan helpolla en loppupeleissä päässyt. Karttaesitystä (kuva 2) varten piti laskea tulvaindeksi. Käytännössä se siis tarkoitti tietokantojen ja tiedostojen yhdistämistä ja pienen laskuoperaation suorittamista. Pitäisi olla helppoa! Muiden blogeja selatessa huomasin, että muiden kartat näyttävät tulvaindeksin osalta täysin erilaisilta. Olin onnistunut laskemaan indeksit väärillä muuttujien arvoilla… Noh, onneksi ongelma oli pieni ja se oli helposti ratkaistavissa. Isompi haaste liittyi kuitenkin visuaalisten histogrammi-pylväiden yhdistämiseen karttaan. Ensin en saanut kartalle mitään näkyviin ja hieman säädettyäni asetuksia sain vain leveitä viivoja… Katselin lumoutuneena Jessikan blogissaan esittelemää taidonnäytettä, ja ihmettelin, miten hän on saanut histogrammipylväät karttaan ja muutenkin silmää hivelevän kartan aikaan. Monia eri painikkeita ja kohtia, joissa arvon suuruutta pystyi muokkaamaan, muuttamalla ja paljon aikaa käytettyäni sain kuin sainkin oikeanlaiset pylväät karttaan. Tai ainakin toivon kovasti, että niiden oli tarkoitus olla edes jokseenkin tuollaisia.

Karttaan liittyen tarkoituksena olisi pohtia, miten järvisyys ja tulvaindeksi liittyvät toisiinsa. Vaikka luonnonmaantiede on mielenkiintoista, se ei todellakaan ole vahvinta osaamistani, sillä olen viime vuosina keskittynyt aivan muihin asioihin. Olen siis suoraan sanottuna  (mielestäni) unohtanut kaiken luonnonmaantieteeseen vähänkin liittyvän tiedon. Tulvaindeksihän vertaa ylivirtaamaa eli tulvaa ja alivirtaamaa eli kuivaa kautta toisiinsa. Käytännössä laskemani MHQ/MNQ-indeksi kuvaa, kuinka moninkertainen on virtaaman huippu verrattuna kaikkein kuivimpaan aikaan. Järvisyys puolestaan tarkoittaa, kuinka suuri osa valuma-alueen pinta-alasta on järviä.

Jos karttaa (kuva 2) nyt näillä edellä mainituilla tiedoilla sitten analysoi, niin voi sanoa, että mitä enemmän alueella on järviä, sen vähemmän siellä on tulvia, sillä virtaama on tasaisempaa. Kartalta näkee, että tällaisia alueita on etenkin Järvi- ja Itä-Suomessa sekä Lapissa. Sen sijaan rannikkoalueilla sekä Pohjanmaalla tulvaindeksi on korkea ja järvisyysprosentti matala. Pohjanmaan tilannetta selittänee laakeat maat ja peltoisuus, joiden takia vesi ei välttämättä virtaa yhtä vikkelästi kuin epätasaisemmassa maastossa. Esimerkiksi lumien sulaessa voi käydä niin, että vesi jää pellolle. Rannikkojen tilannetta selittäväksi tekijäksi olisin maininnut hulevesitulvat, mutta sitten pohdin, että niitä ei ehkä ole laskettu tulvaindeksiin mukaan, koska ne eivät sinänsä liity valuma-alueeseen. Hulevesitulvahan tarkoittaa tulvaa, jossa esimerkiksi rankkasateen jäljiltä hulevesiviemärit eivät ehdi niellä vettä tarpeeksi nopeasti vaan vesi kerääntyy maan pinnalle. Toinen veikkaukseni rannikoiden tulvimissyyhyn ovat aallot, merialueella kun ollaan.

Kaiken kaikkiaan tämän viikon teema oli mielenkiintoinen. Viikon harjoituksissa yhdistyivät sekä helppous että vaikeus. Välillä on mukavaa kun pääsee helpolla, mutta toisaalta välillä on hyvä vaivata myös aivonystyröitä!

Lähteet:

Isomeri, J. (1.2.2022). Viikko 3 – tietokantojen tulva. Jessikan GIS-hurvittelut. Haettu 2.2.2022 osoitteesta https://blogs-test.it.helsinki.fi/jessikangishurvittelut/

Tornikoski, T. (1.2.2022). Tietokantojen yhdistely – kaatumisia ja nousuja. Geoinformatiikkaa tutkimassa 🙂 – Geoinformatiikan menetelmät -kurssin blogi. Haettu 2.2.2022 osoitteesta https://blogs.helsinki.fi/tornitar/