6: Urbaania ristiretkeilyä ja hasardeja

Loppusuoralle on kaarrettu – tämä keskiviikkoinen aamu, ja samalla toiseksi viimeinen kurssikerta, polkaistiin käyntiin kevyellä happihyppelyllä, kun pääsimme itse keräämään dataa lähiympäristöstä Epicollect5-sovelluksen avulla. Itse toteutin tämän aamulenkkeilyn Haagassa kotini lähistöllä. Käytännössä siis jokainen kurssilainen keräsi sovelluksen tietokantaan tietoja yksittäisistä paikoista, joista arvioitiin esimerkiksi paikan turvallisuutta ja viihtyisyyttä. Tämän jälkeen nämä pistekohteet tuotiin QGIS:iin pääkaupunkiseudun kattavan karttapohjan kaveriksi. Pohja-aineiston tarkkuus yllätti: se esitti rakennukset todella yksityiskohtaisesti pieniä ulokkeita myöten (kuva 1).

Kuva 1. Yksityiskohtaista rakennusdataa Helsingin keskustasta

Uutena tuttavuutena tällä kurssikerralla tuli interpolointi, jonka avulla pisteaineistosta voi laatia esityksen, joka ottaa huomioon pisteiden tiheyden ja niiden saamien arvojen perusteella luo teemakartan, jolla voidaan tarkastella tietyn ilmiön laskennallista esiintyvyyttä niilläkin alueilla, joista dataa ei ole kerätty. Kurssikerran tarkasteltiin, kuinka turvalliseksi kurssilaiset kokivat tutkimiaan alueita (kuva 2). Interpolointi vaikuttaa kiinnostavalta työkalulta, jonka avulla voi päästä ilmiöiden “taakse” tutkimalla juurikin sellaisia alueita, joilta dataa ei ole.

Kuva 2. Pääkaupunkiseudun alueiden turvallisuus kurssilaisten kokemana. Mitä tummempi alue, sitä turvattomammaksi se on koettu.

Riskimaantiedettä ja pedagogiikkaa

Kurssikerran itsenäistehtävissä tarkoituksena oli tällä kertaa luoda kolme hasardeista kertovaa karttaesitystä, joita voisi käyttää opetustarkoituksessa. Hauskaa kuvitella itsensä maantieteen opettajan saappaisiin – vastuu opettaa ajantasaista informaatiota helposti omaksuttavalla tavalla on suuri. Tässä ajatusleikissä toimin lukion hasardimaantieteen kurssin opettajana, mikä olikin omia lempikurssejani koko lukion oppimäärästä (vanhan opsin käyneenä).

Ensimmäiseksi kartaksi laadin interpoloidun karttaesityksen 01.01.2018 – 25.02.2021 esiintyneistä maanjäristyksistä ympäri maailman (kuva 3). Itse interpoloinnissa päätin käyttää “Use Layer Extent” -valintaa, joka rajasi interpoloinnin itse pisteisiin. Render-tyypiksi valitsin jo tutun “Singleband pseudocolorin“.

Kuva 3. Maanjäristykset 01.01.2018 – 25.02.2021 Richterin asteikolla 6,0 – 7,9. Mitä tummanpunaisempi alue, sitä enemmän siellä on esiintynyt voimakkaita maanjäristyksiä. Lähde: USGS

Taustakarttana käytin kurssikerran aineistossa valmiina ollutta maailmankarttaa, jonka muutin mustavalkoiseksi ulkoasun selkeyttämiseksi. Maanjäristysdatan latasin Yhdysvaltain Geologian Tutkimuskeskuksen, eli USGS:n sivuilta. Lisäsin karttaan litosfäärilaattojen rajat, jotka latasin Githubista, sekä olennaisimmat leveyspiirit, jotka löytyivät Natural Earth Datan nettisivuilta “Small Scale Data 1:100m Physical Vectors” -paketista (Geographic Lines).

Suurin osa seismisistä ilmiöistä tapahtuu litosfäärilaattojen reuna-alueilla, kun laatat eivät pääse liikkumaan tasaisesti toisiinsa nähden, vaan juuttuvat kiinni toisiinsa. Tällöin laattojen välinen jännitys kasvaa, ja lopulta kallioperän rikkoutuessa tämä jännitys vapautuu maanjäristyksenä. Kuuden magnitudin maanjäristys lasketaan voimakkaaksi, ja se on tuhoisa noin 150 kilometrin säteellä; näitä tapahtuu noin 130 vuosittain. Yhdeksän magnitudin järistys taas aiheuttaa valtavat tuhot jopa tuhansien kilometrien alueella. Onneksi näitä tapahtuu vain keskimäärin kerran 20 vuodessa!

Kuva 4. Kerrostulivuorten sijainti maapallolla. Lähde: NOAA

Seuraavaksi lisäsin samaiselle karttapohjalle pisteaineiston kerrostulivuorista, jonka latasin National Oceanic and Atmospheric Administrationin (NOAA) sivuilta (kuva 4). Tämä havainnollistaa, kuinka tämä tulivuorityyppi esiintyy erityisesti mannerlaattojen saumakohdissa, alityöntövyöhykkeillä. Lisäsin karttapohjalle vielä pisteaineiston vuonna 2018-2021 havaituista tuhoa aiheuttaneista tsunameista, jonka datan latasin myös NOAA:n sivuilta (kuva 5).

Kuva 5. Tuhoa aiheuttaneet tsunamit 2018-2021. Lähde: NOAA

Karttojen informatiivisuus

Valitsin näille kartoille esitettäviksi ilmiöiksi sellaisia hasardeja, jotka korreloivat toistensa kanssa. Sekä maanjäristysten, tulivuorten ja tsunameiden spatiaaliseen esiintyvyyteen vaikuttaa vahvasti litosfäärilaattojen sijainti ja erityisesti niiden reunakohdat, minkä takia halusinkin lisätä nämä laatat visualisoituna kartoille. Tsunameita syntyy merenalaisten maanjäristysten, maanvyörymien tai tulivuorenpurkausten seurauksena, minkä takia ne näyttävätkin osuvan yks-yhteen litosfäärilaattojen reunakohtien kanssa.

Käyttäisin näitä kuvia tukena oppitunneilla, joissa käsitellään litosfäärilaattoja, laattatektoniikkaa, mannerliikuntoja ja hasardeja yleisemminkin. Jätin tällä kertaa kartoista pois pohjoisnuolet ja legendat, koska karttapohjoista ei maailmankartassa tarvi ilmaista, ja kartoissa esiintyvät elementit selittäisin suu-sanallisesti – tosin näin jälkikäteen mietittynä maanjäristyksiä kuvaavaan karttaan voisi liittää legendan, joka selittää, että mikä väri kuvaa minkäkin magnitudin järistystä.

Näillä karttapohjilla voisi tutkia myös ihmistoiminnasta aiheutuvia hasardeja ja sosiaalisia riskejä, kun nämä omat esimerkkini nyt keskittyvät luonnonmantsan pyhimpään, jo yläkoulusta tankattuun ytimeen. Maailmankartassa voisi tutkia vaikkapa historian suurimpia öljyonnettomuuksia, joista tehdyn teemakartan esimerkki on täällä.

Suosittelen vilkaisemaan Ilarin ammattitaitoisia karttaesityksiä ja kattavia pohdintoja näihin liittyen! Lisäksi blogitekstissään Henna käy läpi innostavalla otteella konkreettisia esimerkkejä siitä, miten Epicollect5-sovellusta voi hyödyntää opetuksessa, sekä mistä asioista hasardimaantieteen opetuksessa voi oppilaiden kanssa keskustella.

Vielä vähän tämän hetken tuntemuksista. Kuten Roni kiteyttää blogissaan, jatkuva etäelämä todellakin syö pitkällä aikavälillä jaksamista.  Kuten viime viikkoina mediassa on keskusteltu, niin pitkään jatkunut etäopetus tuntuu hurjan kuormittavalta – minun ja tuhansien muiden korkeakouluopiskelijoiden mielestä. Kotona olevat virikkeet ja häiriötekijät ajavat turhan usein keskittymiskyvyn kauas kartoista ja geoinformatiikasta. Edes pari kertaa viikossa olisi hienoa päästä opiskelemaan täältä yksiön neljän seinän sisältä muualle, kuten kampukselle tai kirjastolle. Etäopetuksen “hybridimalli” olisi itselleni toimivin; osa luennoista voisi olla nykyisen kaltaisesti etänä, mutta juuri tällaiset käytännön tekemistä vastaavat kurssit olisi hyvin tärkeä pitää livenä opettajan ohjaamana. Nyt on vain tärkeää olla armollinen itselleen ja tehdä opintojen vastapainoksi jotakin sellaista jossa ajatukset saa ihan muualle – itselleni tällaisia aktiviteetteja ovat esimerkiksi juoksulenkkeily ja ruoanlaitto. Onneksi alati lähestyvä kesä tuo valoa konkreettisesti ja symbolisesti.

Lähteet

Bird, P. “An updated digital model of plate boundaries”, Geochemistry Geophysics Geosystems, 4(3),  2003

Github, Tectonic Plates. Luettu 28.02.2021. <https://github.com/fraxen/tectonicplates>

Kurvinen, R. Viides kurssikerta 19.02.2021. Luettu 28.02.2021. <https://blogs.helsinki.fi/ronikurv/>

Leino, I. Kuudes kurssikerta. Luettu 28.02.2021. <https://blogs.helsinki.fi/ilarilei/>

National Oceanic and Atmospheric Administration (NOAA). Luettu 28.02.2021. <https://www.ngdc.noaa.gov/ngdc.html>

Natural Earth Data. Luettu 28.02.2021. <https://www.naturalearthdata.com/downloads/110m-physical-vectors/>

Sanaksenaho, H. Nykypäivän koulumantsaa! Luettu 28.02.2021. <https://blogs.helsinki.fi/hennablog/>

USGS Earthquake Hazards Program. Luettu 28.02.2021. <https://earthquake.usgs.gov/earthquakes/search/>

World Ocean Review: Oiling the Oceans (2014). Luettu 28.02.2021. <https://worldoceanreview.com/en/wor-3/oil-and-gas/oiling-the-oceans/>

5: Pit stop analyysien merkeissä + itsereflektointia

Tällä viikolla koittikin jo viime kerralla mainostettu itsenäisempi kurssikerta. Kurssikerran aluksi kuitenkin käytiin yhteistuumin läpi erilaisia QGIS:llä tehtäviä paikkatietoanalyysejä, ja tässä jälleen Pornaisten alueen kartta toimi testialustana. Teiden pituuksia laskettiin ”Sum line lengths” -toiminnolla, ja ”Intersection” ja ”Clip” -työkalujen avulla laskettiin pinta-aloja piparkakkumuotin tavoin. Tuttuja asioita ”Johdatus geoinformatiikkaan” -kurssilta, jotka nyt konkretian kautta itse tekemällä saivat lihaa luidensa ympärille. Puskuroinnin eli bufferoinnin avulla tarkasteltiin esimerkiksi, kuinka monta asukasta asuu lähellä Pornaisten läpi kulkevia pääteitä.

Yleisesti ottaen paikkatietoaineistojen analyysit vaikuttavat todella kiehtovilta kavereilta, joita voi hyödyntää mitä moninaisimpiin käyttötarkoituksiin alueiden tarkastelussa ja informaation haalimisessa. Visuaalisen analyysin, eli pelkän paikkatietoaineiston visualisoinnin tutkimisen avulla voidaan löytää esimerkiksi eri ilmiöiden klustereita. Laskennalliset analyysit taas tuottavat uutta tietoa matemaattisten operaatioiden avulla, joiden avulla voidaan tutkia vaikkapa matka-aikoja. Helsingin yliopiston Digital Geography Lab hyödyntääkin lukuisissa tutkimusprojekteissaan paikkatietoaineistojen erilaisia analyysejä; tutkimusteemat ulottuvat sosio-spatiaalisista suhteista ihmisen ja luonnon välisiin vuorovaikutussuhteisiin sekä uusiin datankeruumenetelmiin. Ehdottomasti tutustumisen arvoinen ryhmä!

Mahdollisuudet aineistojen ja datan tutkailuun ovat siis käytännössä rajattomat, ja odotankin innolla näiden analyysien lisähyödyntämistä ja sen oivaltamista, miten esimerkiksi erilaisia yhteiskunnallisia ongelmia voidaan ratkaista / lieventää paikkatietoanalyysien avulla, vaikkapa isompien kaupunkien segregaatiota. Analyysejä voipi siis hyödyntää arkipäiväisestä lähikaupan selvittämisestä kompleksisempien yhteiskunnallisten ilmiöiden käsittelyyn. Lotan blogissa on lisää kattavaa pohdintaa paikkatietoanalyyseihin liittyen!

Lentokenttiä, asemia ja taajamia

Itsenäistehtävät koostuivat näiden opeteltujen analyysityökalujen käytöstä, ja vastaukset annettuihin tehtäviin koostin taulukkoon (taulukko 1).

Taulukko 1. Koonti ensimmäisten itsenäistehtävien vastauksista

Itsenäistehtävät koostuivat pitkälti samoista tempuista mitä itse kurssikerralla harjoiteltiin; buffereiden tekoa kiitoratojen ja asemien ympärille, alueiden valitsemista ja tietokantojen analysointia. Iiris on päätynyt melko samankaltaisiin ratkaisuihin, mikä vahvistaa olettamustani siitä, että jotakin tein oikein. Toki pientä hajontaa on johtuen mm. itse piirretyistä kiitoradoista johtuen.

Päätin tutkia vielä näiden Malmin lentokentän alueen talojen rakennusvuosia. Itse lentokenttä on rakennettu 1936, jonka jälkeen kilometrin säteelle kentästä on rakennettu 733 rakennusta, joissa asuu 8603 asukasta. Tämän selvittäminen onnistui suodattamalla pks_vaki-tietokannasta sellaiset rakennukset, joiden käyttöönottovuosi on suurempi kuin 1936. Tehtävät antoivat kattavan kertauksen buffereiden ja muiden analyysien hyödyntämiseen. Blogissaan Juliana kuvaa tarkemmin työvaiheita, jotka näiden tehtävien ratkaisuun sisältyivät.

Molskis

Pulikoimisen ystävänä tartuin vielä itsenäistehtävään 4, jossa perehdyttiin tietokantaan pääkaupunkiseudun uima-altaista ja saunoista. Säästyin muutamalta harmaalta hiukselta Ilarin blogin ansiosta, koska sieltä bongasin vinkin, jolla “Join attributes by location (summary)” -toiminnon tarjoaman errorin sai ohitettua. Kullanarvoinen vinkki!

Ylipäätään uima-altaalla varustettuja rakennuksia löytyy pääkaupunkiseudulta 855 kappaletta (Statistics-paneeli), joissa asuu 12 170 henkilöä. Näistä omakotitaloja on 345 kappaletta, paritaloja 158, rivitaloja 113 ja kerrostaloja 181. Nämä tiedot selvitettiin pks_vaki-tietokannasta suodattamalla ”KATAKER”-sarakkeesta eri talotyyppien ”tunnisteet” (11, 12, 21 ja 39). Uima-allasrikkain pienalue pääkaupunkiseudulla on Lauttasaari, jossa uima-altaallisia rakennuksia näyttäisi olevan 53 kappaletta. Saunallisia taloja on 21 922 kappaletta, joka on 24,1 % kaikista pääkaupunkiseudun asutuista taloista. Tämä data kuvastaa hyvin kansamme rakkautta saunan lämpöön. Näiden tietojen pohjalta toteutin teemakartan (kuva 1).

Kuva 1: Uima-altaalliset rakennukset pk-seudulla pienalueittain. Taustakarttana OpenStreetMap; pylväiden koko kuvaa uima-altaallisten rakennusten absoluuttista määrää kyseisellä pienalueella

Havainnollistavien palkkien kokojen kanssa ja lukumäärien asettelun kanssa sai taas hetken tapella, mutta lopputulos lienee ihan mukiinmenevä tekele. Jostakin syystä en saanut jokaisen pienalueen lukumäärää kartalle näkyviin, mikä heikentää osaltaan kartan informatiivista arvoa. Yhdyn Villen haaveisiin zoomattavien, “interaktiivisten” karttojen tekemisen osaamisesta – vielä on matkaa kosolti kuljettavana tähän.

Reflektoimista

Puoliväli on jo ylitetty tämänkin kurssin osalta. Paljon on opittu paikkatietoaineistojen käsittelyn perusteita QGIS-sovelluksella, ja paljon on vielä opittavaa – niin itse sovelluksesta, kuin koko paikkatiedon maailmasta. Tietokantojen sekä vektori- ja rasteriaineistojen käsittely, yksinkertaisten teemakarttojen teko ja perustoiminnot ovat toistojen avulla alkaneet hiljalleen painua selkärankaan – ohjeita kuitenkin tulee vielä tässä vaiheessa seurata tarkasti niin harjoituskerroilla kuin itsenäisten tehtävien parissa, koska oma osaamiseni ei ole vielä soveltavalla tasolla. Toistojen määrä korreloi osaamistason kanssa tämänkin ohjelmiston kanssa.

Tämä kurssikerta olikin itse asiassa itselleni inspiroivin tähän mennessä; paikkatietoanalyysit ovat hurjan laajoja ja monikäyttöisiä työkaluja, joita voi hyödyntää oikeastaan mihin tahansa asiaan ja ilmiöön, johon liittyy spatiaalisuus. Paikkatieto ja kaupunkisuunnittelu ovat mielestäni yksiä mielenkiintoisimpia teemoja maantieteessä, ja juuri näihin paikkatietoanalyysit liittyvät kiinteästi. Tulevia kujeita odotellen.

Lähteet

Digital Geography Lab, Helsingin yliopisto. Luettu 19.2.2021. <https://www.helsinki.fi/en/researchgroups/digital-geography-lab>

Häkkilä, J. 5: Bufferien käytön harjoittelemista. Luettu 19.2.2021. <https://blogs.helsinki.fi/julihakk/>

Leino, I. Viides kurssikerta. Luettu 19.2.2021. <https://blogs.helsinki.fi/ilarilei/>

Puodinketo, L. 5. kurssikerta: Pohdintoja. Luettu 19.2.2021. <https://blogs.helsinki.fi/lottapuo/>

Saavutettavuuden maantiedettä – Digital Geography Labin saavutettavuus- ja liikkumistutkimus: Pääkaupunkiseudun matka-aikamatriisi. Luettu 19.2.2021. <https://blogs.helsinki.fi/saavutettavuus/paakaupunkiseudun-matka-aikamatriisi/>

Turunen, I. 5. kurssikerta. Luettu 19.2.2021. <https://blogs.helsinki.fi/iiristur/>

Väisänen, V. Bufferointia ja putkiremontteja. Luettu 19.2.2021. <https://blogs.helsinki.fi/villvais/>

4: Ruuduista rastereihin

Tämä keskiviikkoinen aamu laitettiin vauhtiin tuttuun tapaan teoriapläjäyksellä, jonka virkaa tällä kertaa toimittivat piste- ja ruutuaineistot: niiden haaliminen ja hyödyntäminen. Mukana oli paljon kertausta lukion mantsan tunneilta ja ekan periodin ”Johdatus geoinformatiikkaan” -kurssilta, mutta tulipa joukossa uusiakin yksityiskohtia aineistoihin liittyen.

Ruututeemakartta on siitä hyvä karttatyyppi, että sillä pystyy esittämään absoluuttisia arvoja ruudujen yhtäläisten kokojen ansiosta – aikaisemmilla kerroilla koropleettikarttojen kanssa taiteillessa esitetyt luvut on pitänyt esittää suhteutettuina, esimerkiksi prosentteina, koska tarkasteltavat alueet ovat olleet keskenään hyvinkin eri kokoisia. Toisaalta rasteriaineiston tarkkuus on riippuvainen tarkasteluetäisyydestä, toisin kuin vektoriaineistolla. Rasteriaineisto onkin vektorimuotoista aineistoa raskaampaa, koska se sisältää kaikki aluetta kuvaavat elementit samassa kuvassa.

Harjoitusosuudessa hypättiin tutkimaan pääkaupunkiseudusta koostuvaa tietokantaa, jolle operoitiinn mitä erinäisimpiä temppuja. Aluksi alueen päälle luotiin ruudukko grid-työkalulla, jonka jälkeen peliin tuotiin massiivinen pääkaupunkiseudun väestöstä kertova tietokanta, johon on merkitty jokainen pk-seudun rakennus (joita onkin kevyesti yli 94500 kappaletta) sekä esimerkiksi niiden väestötiedot. Ruudukko sovitettiin sopivan kokoiseksi ”Select by location” -työkalun avulla, ja ”Join attributes by location” -toiminnolla tuotiin itse dataa ruutuihin. Näin saatiin aikaiseksi ruutuesitys, joka kertoo ruotsinkielisten asukkaiden määrän 1km x 1km -kokoisilla alueilla ruuduttain (kuva 1). Kartta itsessään ei ole lainkaan informatiivinen, koska se ei sisällä legendaa eikä muitakaan tarpeellisia kartan elementtejä, mutta liitinpä sen nyt mukaan todistusaineistoksi harjoittelusta.

Kuva 1: Harjoittelua ruutuaineiston kanssa – ruotsinkielisten määrä 1 km x 1 km kokoisilla alueilla pääkaupunkiseudulla (vihreä/keltainen ruutu: enemmän ruotsinkielisiä asukkaita)

Teoria käytäntöön

Kotitehtävänä oli laatia toinen ruututeemakartta, jonka aiheeksi valitsin asukkaiden iän keskiarvon alueittain (kuva 2). Alkuun kuului luonnollisesti muutaman hetken verran sekoilua, mutta jälleen kerran yrityksen ja erehdyksen kautta, sekä huolellisen ohjeiden kertauksen jälkeen, toiminnot alkoivat iskostua syvemmälle takaraivoon. Ruudukon kooksi asetin tällä kertaa 1,5 kilometriä vaihtelun kunniaksi. ”Select by location” ja ”Join attributes by location” -toimintojen kanssa värkkäilyn jälkeinen lopputulos on nähtävillä alla. Luokkarajoiksi valitsin tällä kertaa  ”equal interval”, joka määritti luokkarajat mielestäni loogisiksi tasaluvuiksi.

Kuva 2: Pääkaupunkiseudun asukkaiden iän keskiarvo ruuduittain 1,5km x 1,5km alueilla (mukana vain ruudut, joissa oli asukasdataa)

Tein edelliselle kartalle kaveriksi toisen ruututeemakartan, joka kuvaa talojen rakentamisvuoden keskiarvoja (kuva 3) – tällä kertaa luokkarajojen arvoiksi valikoitui ”natural breaks”.

Kuva 3: Pääkaupunkiseudun talojen rakentamisvuoden keskiarvo ruuduittain 1,5km x 1,5km alueilla (mukana vain ruudut, joissa oli rakennusdataa)

Karttojen analysointia: sisältö

Kuten kuvasta 2 voi huomata, eniten pääkaupunkiseudulla on asukkaina 34-46 -vuotiaita henkilöitä. Tämä selittyy luonnollisesti pääkaupunkiseudun väestönjakaumalla (kuva 4). Erityisesti nuorempi väestö on asuttanut Helsingin keskusta-aluetta, mikä selittyy luultavasti nuoren väen halulla asua palveluita lähellä, tai ainakin hyvien liikenneyhteyksien varrella. Toisaalta asuntojen hinnat ovat tyypillisesti sitä kalliimpia, mitä lähempänä keskustaa ollaan. Opiskelija-asuntoja on erityisesti kampusten läheisyydessä, mikä osaltaan laskee iän keskiarvoa esimerkiksi Aalto-yliopiston lähettyvillä Otaniemessä.

Yllätyin siitä, että ruutuja, joissa asukkaiden keski-ikä on 22-34v, on vain pari hassua kappaletta. Toisaalta myös keski-iältään 70-82-vuotiaiden ruutuja on vain muutama, liekö näillä alueilla isoja vanhainkoteja ja kosolti muita vanhoille ihmisille tarkoitettuja asumisratkaisuja? Ruutujen koko on 1,5km x 1,5km, mikä vaikuttaa asiaan; tämän kokoiselle alueelle mahtuu paljon eri-ikäisiä asukkaita, joten enemmistönä toimivat 34-58-vuotiaat haukkaavat leijonasosan ruuduista itselleen. Ruutukoko voisi siis olla pienempi tarkempaa tarkastelua varten. Myös Annika on tutkinut pääkaupunkiseudun asukkaiden keski-ikää ruutukoolla 500m x 500m, mikä tarjoaakin havainnollistavampaa ja yksityiskohtaisempaa tietoa asutuksen jakautumisesta. Blogista löytyykin erittäin kattavaa pohdintaa ruututeemakartoista ylipäätään!

Talojen rakentamisvuoden valitsin toiseksi teemakartaksi, koska halusin vertailla, onko talojen ja niiden asukkaiden iällä mitään korrelaatiota. Vanhimpia taloja on Helsingin ydinkeskustassa, jossa sijaitseekin useita komean historian omaavia, jopa 1800-luvulta peräisin olevia kivitaloja, esimerkiksi Esplanadin arvokkaalla asuinalueella. Uudempia taloja taas sijaitsee paljon muun muassa Itä-Helsingin ja Vantaan alueella. Pääpiirteittäin rakennusten ja asukkaiden ikäluokat eivät juurikaan vastaa toisiaan, mitä arvelinkin: mieltymys uusiin, modernia tyyliä edustaviin taloihin ei katso ikää, niin kuin ei myöskään tykästyminen historian havinaa huokuviin asuinrakennuksiin. Lompakon paksuus sen sijaan määrää eniten ihmisten asumismuotoja ja -paikkoja – erityisesti kalliista asunnoistaan tunnetulla pääkaupunkiseudulla.

Kuva 4. Pääkaupunkiseudun kaupunkien ikäjakauma vuonna 2020, Tilastokeskus (StatFin)

Karttojen analysointia: ulkoasu

Valitsin kummankin teemakartan värisävyksi vihreän, mikä yhtenäistää karttojen sanomaa. Sekä asukkaissa että rakennuksissa käytin vaaleanvihreää väriä kuvaamaan nuorta ikää, ja tummempi väri kuvaa vanhempaa ikää. Kuten sanottua, ruutukoko voisi olla kummassakin kartassa pienempi, mikä havainnollistaisi esitettyjä muutujia vielä tehokkaammin. Nykyiselläänkin kartat kuitenkin mielestäni ilmaisevat pääpiirteittäin sen, mitä niiden pitääkin.

Asukkaiden iän keskiarvoa kuvaavan kartan “nuorin” arvo tosin sulautuu hyvin vaaleana turhan tehokkaasti taustaan, mitä olisin voinut fiksata. Jätin karttoihin näkyväksi joet ja järvet, jotka tuovat karttoihin vähän variaatiota – joet tosin näkyvät kartalla vain mustina viivoina, eikä legendassa ole niistä halaistua sanaakaan. Kaupunkien rajat auttaisivat hahmottamaan pääkaupunkiseutua paremmin, ja tärkeimmän nimistön lisääminen parantaisi muutenkin luettavuutta. Sannan blogi muistutti OpenStreetMapin hyödyntämisestä taustakarttana, jonka pluginin (QuickMapServices) olen itsekin ladannut – pitää vain vastaavaisuudessa muistaa käyttää sitä!

Bongasin Ilarin  blogista lukuisia tuhannen taalan vinkkejä karttojen ulkoasujen hiomiseen, kuten “pikimustien kohteiden muuttaminen harmaan sävyisiksi” (esim. alueiden rajat). Nämä havainnot korvan taakse laittaen on hyvä jatkaa!

Katse kohti Pornaisia

Kurssikerran toisella puoliskolla perehdyttiin rasteriaineiston käsittelyyn, ja tässä Pornaisten alueen peruskartta toimi testinukkena. Aluksi rasteriaineistot yhdistettiin virtual raster -toiminnon avulla sekä niiden projektiot vaihdettiin tuttuun ja turvalliseen TM35:een. Näin rasteriaineistot saatiin mukavan kompaktisti taustakartan alle nättiin muotoon. Seuraavaksi aineistolle lisättiin korkeuskäyrät, mikä hoituu Raster –> Contours-napin takaa, ja (hieman liioiteltu) rinnevarjostus, mikä puolestaan onnistuu rasterianalyysi-toiminnon alta (kuva 5). Lisäsin korkeuskäyrät ja rinnevarjostuksen itse kurssikerrankin aikana, mutta koska ne olivat scratch layereita, niin projektia uudestaan aukaistaessa ne olivat kadonneet kuin tuhka tuuleen. Alla olevat elementit lisäsin siis uudestaan, ja vastedes muistan toivon mukaan tallentaa tilapäiset layerit koneen muistille heti. Kuvassa 6 on Maanmittauslaitoksen maastokartta Pornaisten alueesta.

Kuva 5. Pornaisten alueen rinnevarjostusta ja korkeuskäyrät viiden metrin välein
Kuva 6. Maanmittauslaitoksen maastokartta Pornaisten alueesta (paikkatietoikkuna)

Pornaisten alue rajattiin, ja viime periodilta Temmistä tuttu kliksuttelu sai luvan alkaa, kun alueen rakennukset ja isoimmat tiet piirrettiin manuaalisesti, eli digitoitiin, uudelle shapefile-layerille (kuva 7). Aluksi homma sai aikaan vietnamilaisen flashbackin kaltaisia tuntemuksia, mutta A. Paarlahden tyyni neuvo suhtautua työhön ”meditatiivisella otteella” rauhoitti kohonneen verenpaineen ja karanneen sykkeen normaalilukemiin. Hommasta tulikin valmista verrattain nopeasti – urakan jälkeen tallensin heti teiden ja rakennusten scratch layerit pysyviksi layereiksi, koska ajatus bittiavaruuteen katoavista työn hedelmistä ei tuntunut lainkaan houkuttelevalta.

Kuva 7. Pornaisten alueelle manuaalisesti digitoidut tiet ja rakennukset, joita hyödynnetään ensi kurssikerralla

Tällä kurssikerralla tuli siis uutta asiaa laidasta laitaan. Kertaus kuitenkin on tässäkin tapauksessa opintojen äiti, vaikka samojen asioiden toisto tuntuukin aika ajoin turhauttavalta. Tehokkainta ja mieleenpainuvinta oppimisprosessia kuitenkin tapahtuu sen kuuluisan kantapään kautta. Ensi kerrasta lupailtiinkin Paarlahden toimesta tähän asti haastavinta ja oma-aloitteisinta – vajaa viikko tässä on kuitenkin aikaa jäähdytellä ja antaa juuri treenattujen asioiden hautua.

 

Lähteet

Innanen, A. Harjoitus 4: Väestöteemakartta ruutuaineistosta. Luettu 11.2.2021. <https://blogs.helsinki.fi/anninnan/2021/02/11/harjoitus-4-vaestoteemakartta-ruutuaineistosta/>

Jantunen, S. Ruutuleikkejä. Luettu 11.2.2021. <https://blogs.helsinki.fi/smjantun/2021/02/11/ruutuleikkeja/>

Kuntien avainluvut muuttujina Alue 2020, Tiedot ja Vuosi. Tilastokeskus, StatFin, Väestö. Haettu 11.2.2021 <http://pxnet2.stat.fi/PXWeb/pxweb/fi/StatFin/>

Leino, I. Kolmas kurssikerta. Luettu 11.2.2021. <https://blogs.helsinki.fi/ilarilei/2021/02/08/kolmas-kurssikerta/>

Maastokarttarasteri 1:50 000, Pornainen. Maanmittauslaitos, Helsinki 2007. ( <kartta.paikkatietoikkuna.fi> )

3: Konflikteja ja tulvaindeksejä

Heissan,

tämän kerran aluksi ei ollut erillistä teoriaosuutta, vaan hommiin ryhdyttiin heti tutkimalla Afrikan valtiot sisältävää tietokantaa. Harjoitusosuudessa yhdistettiin karttakohteita yhteen aluksi yksitellen (valtioittain) ”merge selected features” -toiminnon avulla. Kätevämmin homma hoitui kuitenkin ”dissolve”-toiminnolla, jolla yhdistäminen voidaan toteuttaa ilman, että jokaista kohdetta tarvitsee valita erikseen. Aggregate-toiminto osoittautui vielä kätevämmäksi kaveriksi tässä asiayhteydessä, kun sillä saa yhdistämisen lisäksi laskettua summia yhteen.

Seuraavaksi tarkasteltiin Afrikan valtioiden väkiluvusta tehtyä excel-taulukkoa, joka muutettiin csv-formaattiin. Tämän yhteydessä päästiin harjoittelemaan join-toimintoa, jota olinkin odotellut ensimmäisestä kerrasta lähtien. Tässä tapauksessa kyseisen toiminnon toimintaperiaate oli vain sykähdyttävän helppoa – kunhan ”join field” ja ”target field” täsmäsivät, niin kaikki pelitti. Kinkkisempi homma lienee, jos toista aineistoa pitäisi muokata eri muotoon, jos niissä ei olisi jo valmiina kahta samankaltaista fieldiä. Lisättiinpä soppaan mukaan tietokannat konflikteista Afrikan valtioissa, timanttikaivoksista sekä öljyesiintymistä.  Kurssikerran oppimistavoitteiksi oli listattu muun muassa tietokannan valmistelua, ulkoisen tiedon liittämistä tietokantaan sekä sarakkeiden tietojen päivittämistä muiden tietokantojen tietojen perusteella. Näistä sain nyt ainakin pintaraapaisun, ja toistojen avulla nämä toiminnot alkanevat hivuta selkärankaan. Todistusaineistoa en toiminnan sykkeen keskellä tajunnut tällä kertaa ottaa.

Afrikan tilanne: konfliktit, raaka-aineet ja internet

Tarkastelemalla tietokantoja konflikteista, timanttikaivoksista, öljykentistä ja internetkäyttäjien lukumäärästä vuositasoilla, saadaan selville kuinka hyvin nämä muuttujat korreloivat keskenään. Käsitän tässä yhteydessä konfliktit aseellisina konflikteina, jotka ovat johtaneet sotilaallisiin toimiin. Timanttikaivosten ja öljykenttien löytämisvuodet lienevät hyvin samankaltaisia konfliktien tapahtumavuosien kanssa, koska timantti ja öljy ovat erittäin haluttuja ja kalliita raaka-aineita, joiden varannoista tapellaan jopa sotimiseen asti. Internetkäyttäjien vuosittainen lukumäärä taas voi korreloida konfliktien tapahtumavuosien kanssa – sotaisalla alueella huomio on muualla kuin internet-verkkojen rakentamisessa. Ylen vuoden 2018 jutun mukaan Afrikan internetkäyttäjien määrä on kuitenkin yli kymmenkertaistunut reilussa vuosikymmenessä: kahdesta prosentista vajaaseen 25 prosenttiin. Internetin käyttäjien määrä onkin yksi oiva indikaattori valtioiden kehittyneisyyttä ja vakautta tarkastellessa.

Jos tietokantaan on tallennettu myös konfliktien laajuus kilometreinä, niin saadaan tietoa siitä, minkä valtioiden alueille nämä konfliktit ulottuvat. Näin voisi tarkemmin tarkastella sitä, sijoittuvatko konfliktit juuri timanttikaivosten ja öljykenttien läheisyyteen. Kunkin valtion tilanne on kuitenkin lopulta itsenäinen, eikä aina edellä mainittuja muuttujia voi verrata toisiinsa järkevästi – kriittisyys on avainasemassa näitäkin asioita tarkastellessa. Lotta Mattila on pohtinut etevästi blogissaan näitä syy-seuraussuhteita.

Kädet syvemmälle saveen

Varsinaisen luennolla tehtävän harjoituskartan jälkeen päästiin jälleen kerran itsenäisiin hommiin, kun tehtävänä oli luoda koropleettikartta Suomen vesistöalueiden valuma-alueominaisuuksista ja tulvaherkkyyksistä, eli tulvaindeksikartta. Tässä vaiheessa pidin suosiolla päivän jäähdyttelytauon, ja torstaina löimme Antin, Elenan ja Laurin kanssa viisaat päämme yhteen, kun kokoonnuimme yhteistuumin tehtävän teon merkeissä.

Onneksi tehtävänannon alussa oli selitetty käsitteet, koska itse ainakin tarvitsin vielä täsmentävää kertausta, jotta ymmärsin, mitä asiaa tässä ylipäätään ruvetaan visualisoimaan. Tulvaindeksi siis vertaa ylivirtaamaa (tulvaa) ja alivirtaamaa (kuivaa kautta) toisiinsa, eli se antaa luvun, kuinka moninkertainen virtaaman huippu on verrattuna kaikkein kuivimpaan aikaan tietyllä valuma-alueella. Valuma-alue taas on vedenjakajien rajaama alue, jolta kaikki vedet päättyvät samaan vesistöön.

Tehtävänannossa oli jälleen kerran annettu vaihtoehtoisesti perusversio ja haastavampi versio, jossa järvisyysprosentti lasketaan itse sekä tulvaindeksi lasketaan käyttämällä kaavaa MHQ (keskiylivirtaama) jaettuna MQ:lla (keskivirtaama). Tartuimma härkää sarvista ja hyppäsimmä haastavamman version kimppuun.

Työnteko lähti käyntiin avaamalla Suomen päävaluma-alueita kuvaava kartta, jonka jälkeen siirryttiin valuma-alueiden (73 kpl) tarkempien pinta-alojen laskemiseen tutulla $AREA -komennolla, ja lisättiin se uuteen sarakkeeseen valuma-alue -layerin attribuuttitaulukkoon. Lukuisten laskutoimitusten (tulvaindeksit ja järvisyysprosentti) ja attribuuttitaulukoiden yhdistelemisen jälkeen tuloksena syntyi koropleettikartta, joka ilmaisee tulvaindeksin valuma-alueittain (kuva 1). Valitsin kartalle sinisen väriskaalan, koska se luonnollisesti kuvaa veteen liittyvää ilmiötä, sekä poistin näkyvistä järvet ja joet selkeyttämään lopputuloksen ulkoasua. Tulvaindeksini arvot kuitenkin poikkeavat suuresti monien muiden kanssakarttailijoiden tekeleistä, kuten Martan, mikä johtunee erilaisesta tulvaindeksin laskentatavasta; myös kaavalla MHQ/MNQ, eli keskiylivirtaama jaettuna keskialivirtaamalla, tulvaindeksi on mahdollista saada selville.

Kuva 1: Tulvaindeksit valuma-alueittain

Tämän jälkeen lisäsin karttaan vielä diagrammin (kuva 2), joka ilmaisee kunkin valuma-alueen järvisyysprosentin, eli järvien osuuden valuma-alueista. Tämä ei ollutkaan mikään helpoin nakki, vaan tekeminen hidastui huomattavasti, kun en tuntunut millään saavan diagrammia ylipäätään näkyviin kartalle. Ongelma ratkesi, kun hoksasin muokata diagrammin asetuksien size-osiosta maksimiarvon oikeaksi (20,42). Myös legendan symbolin kanssa oli oma taistelunsa. Nyt legendan symbolit eivät vastaa muodoltaan täysin kartan palkkeja (neliö vs. suorakulmio), mutta se antaa kuitenkin osviittaa eri kokoisten palkkien suuruusarvosta. Blogissaan Ville hyödynsi ympyrädiagrammin käyttöä, mikä näyttää hyvältä ratkaisulta.

Kuva 2: Tulvaindeksit ja järvisyysprosentit

Lopputulkintoja ja -pohdintoja maallikon silmin

Kaava MHQ/MQ kertoo valuma-alueen keskivirtaaman suhteen verrattuna keskiylivirtaamaan, eli maallikon kielellä: mitä tummempi alue, sitä enemmän siellä tulvii. Karttaa tarkastelemalla voi huomata, että tulvaindeksit ovat suurimpia Rannikko-Suomessa, etenkin alavalla Pohjanmaalla, jossa tulvavedet eivät pääse helposti valumaan esimerkiksi isompaan järveen. Rannikoilla oleva suurempi sademäärä vaikuttaa omalta osaltaan tulvintaan. Myös Etelä-Suomen suurten kaupunkien alueilla tulvaindeksit ovat verrattain suuria, mikä voi johtua tiiviistä rakentamisesta. Lapin tulvaindeksiä nostaa pitkälle kevääseen roudassa oleva maa, sekä sulamisvesien aiheuttamat tulvat.

Samanaikaisesti järvisyysprosentit ovat suurimpia alueilla, joissa on pienin tulvaindeksi, kuten Järvi-Suomessa. Järvisyysprosentti kertookin yksinkertaisesti sen, kuinka suuri osa tietyn alan pinta-alasta prosentteina on järviä. Kartoista jäi vielä puuttumaan tieto, että miltä ajalta nämä tulvaindeksit on mitattu. Helmin blogissa on todella kattavaa pohdintaa sekä Afrikan tilanteeseen että karttoihin liittyen, suosittelen lämpimästi tutustumaan!

Itse kartoista parantaisin vielä pienimpien palkkien kokoa, jotka nyt näyttävät vain viivoilta. Taustavaltioita voisi sumentaa (josta inspiroiduin Helmin blogista), ja lisäksi legendan, mittakaavan ja pohjoisnuolen voisi siirtää kartan sisään, etteivät ne leijuisi vain tyhjässä valkoisessa tilassa kartan ulkopuolella. Kehityskohteita tuleville harjoituksille siis riittää.

 

Lähteet

Huttunen, M. Harjoitus 3: Tiedon tuonnin tulvaa. Luettu 9.2.2021. <https://blogs.helsinki.fi/humartta/>

Lappalainen-Imbert, H. Kerta 3-Kun data ja kartta ovat erillään. Luettu 4.2.2021. <https://blogs.helsinki.fi/laphelmi/>

Mattila, L. Kolmas kurssikerta. Luettu 9.2.2021. <https://blogs.helsinki.fi/lottmatt/>

Väisänen, V. Valuma-alueiden tulvaindeksikartta. Luettu 4.2.2021. <https://blogs.helsinki.fi/villvais/>

YK: Yli puolet maailman väestöstä käyttää jo nettiä. Yle (7.12.2018), luettu 4.2.2021. <https://yle.fi/uutiset/3-10544479>