Kuukausi: helmikuu 2018

Kuudes kurssikerta alkoi auringon paisteessa ja päättyi maanjäristyksiin. Luennon ensimmäinen tehtävä oli kerätä paikkatietoaineistoa Kumpulan lähettyviltä Epicollect5 ohjelmalla. Tehtävä oli kiva toteuttaa ulkona auringonpaisteessa! Käytimme kännykän paikannusta ja vastasimme paikannuksen jälkeen muutamaan kysymykseen kohdealueesta. Kun palasimme koululle, yhdistimme aineistomme ja laadimme pistemuotoisesta aineostosta kartan. Kartasta pystyimme tutkimaan mm. alueiden turvallisuuden tuntua.

Seuraavaksi tutustuimme QGISin interpolointi toimintoon. Tutkimme valitun korttelin kauppojen määrää ja muodostimme pisteaineiston. Kun jokaiselle pisteelle annettiin numeroarvo, joka kuvasti kauppojen määrää, pystyimme interpoloimaan aineiston. Näin saimme suorakulmaisen tason, jossa näimme minne kaupat ovat keskittyneet.

Kurssikerran viimeinen ja varsinainen itsenäistehtävä oli tutkia maanjäristyksien esiintymistä maailmalla. Hain Pojois-Kalifornian maanjäristys datakeskuksen sivuilta* tilastot viimeisen 20-vuoden aikana tapahtuneista yli 6 magnitudin maanjäristyksistä. Kopioin tilaston Exceliin, jossa muokkasin tilastosta CSV-muotoisen aineiston. Hyödyntämällä maanjäristys tietokannassa olleita koordinatteja, pytyin muodostamaan QGISissä aineistosta pistemuotoisen paikkatietoaineiston. Lisäämällä vielä taustalle maailmankartta ja valtioiden rajat sekä luokittelemalla pisteaineisto magnitudin mukaan saatiin valmis kartta maanjäristyksistä (kuva 1).

Suurimpien maanjäristyksien sijoittuminen kartalla vastaa litosfäärilaattojen reunakohtien sijaintia. Maanjäristykset syntyvät, kun maankuoren murroksiin kertynyt energia ylittää kiviaineksen lujuuden ja jännitys purkaantuu. Litosfäärilaattojen reunakohdat ovat erityisen herkkiä suurille maanjäristyksille, sillä mannerlaattojen väliin kerääntyy helposti paljon energiaa.

”Maan litosfääri on muodostunut useista mannerlaatoista. Ne liikkuvat jatkuvasti astenosfäärin päällä, mutta kitka vastustaa niiden välistä liikettä, minkä seurauksena reunakohdissa syntyy usein maanjäristyksiä.” (Wikipedia, Laattatektoniikka)

Kuten kartasta voidaan todeta erityisesti mannerlaattojen alityöntö- ja sivuamisvyöhykkeillä, kuten Etelä-Amerikan länsirannikolla, Pohjois-Amerikan länsirannikolla ja itäisessä Aasiassa, esiintyy suuria maanjäristyksiä. Alityönnöllä tarkoitetaan tapahtumaa, jossa kaksi mannerlaataa törmää toisiinsa ja tiheämpi mereinen laattaa vajoaa harvemman mantereisen laatan alle astenosfääriin ja sulaa. Sulavasta laatasta vapautuva kosketeus mahdollistaa myös alityöntöauleiden vulkaanisuuden. Alityöntövyöhykkeistä kuuluisin on tyynenmeren tulirengas, jonka alueella tapahtuu noin 90% kaikista maailman järistyksistä.

”Roughly 90% of all earthquakes occur along the Ring of Fire” (National Geographic, Ring of Fire)

Tyynenmeren tulirenkaan alueella on havaittavissa monia alityöntövyöhykkeelle tyypillisiä muotoja. Esimerkiksi Aleutien vulkaaninen saarikaari Alaskassa ja Etelä-Amerikan länsirannikon mantereinen tulivuoriketju ovat esimerkkejä, kuinka eri alueilla alityöntö ilmenee.

* http://quake.geo.berkeley.edu/anss/catalog-search.html

Viitteet:

Wikipedia – Laattatektoniikka, https://fi.wikipedia.org/wiki/Laattatektoniikka, Luettu 22.2.2018

National Geographic – Ring of Fire, https://www.nationalgeographic.org/encyclopedia/ring-fire/, Luettu 22.2.2018

Viidennellä kurssikerralla perehdyttiin QGISsin puskuri-työkalun toimintaan ja kerrattiin aiemmin opittujen työkalujen käyttöä. Itsenäsitöiden tarkituksena ei ollut edellisten kurssikertojen tapaan luoda karttaesitystä, vaan kokea oivalluksia ja onnistumisen (sekä epäonnistumisen) hetkiä QGISsin parissa. Kurssikerran jälkeen oli uupunut, mutta oppinut olo.

Kurssikerran alussa tutkitiin ja tulkittiin Malmin ja Helsinki-Vantaan lentokenttien aiheuttaman melusaasteen vaikutusta lentoasemien läheisyydessä asuvien ihmisten arkeen. Tarkastelin esimerkiksi, kuinka monta ihmistä asuu alueella, johon Helsinki-Vantaan lentomelu aiheuttaa yli 55dB meluhaitan (taulukko 1). Etäisyyksiä lentokentästä tarkasteltiin puskuri-työkalulla (bufferi), joka oli mielestäni helppokäyttöinen ja kätevä työkalu. Lentoliikenteen aiheuttaman melun alueellisia haittoja taas tutkittiin Express by value -työkalulla. Kyseisellä työkalulla voidaan valita helposti tilastoista vain toivotut lukuarvot perustuen lausekkeeseen, jolla halutaan karsia vastauksia. Esimerkiksi tutkittaessa vähintään 55dB melun aiheuttamia haittoja, Express by value kaavioon asetettiin lausekkeeksi ”greater than 55”, jolloin saatiin toivotut vastaukset. Tätä työkalua käytettiin Spatial queryn kanssa yhdessä ja ne toimivat molemmat erinomaisesti. Spatial query on erinomainen työkalu, kun halutaan tutkia, meidän tapauksessa, melualueen sisällä sijaitsevien asukkaiden määrää. Komentona käytettiin tutkittavan tilaston (asukkaiden määrää) sisältymistä (with in) 55db melualueeseen. Kun valittiin vielä sigma merkki valikosta, saatin vasempaan alakulmaan halutut tiedot valituista arvoista.

QGISsin käyttäminen tuntuu jo erittäin jouhevalta, eikä alkuvaiheiden ”mitä nyt pitikään tehdä… ei mitää käsitystä” fiilistä ole tullut ikävä. Viides kurssikerta oli tähän astisista kerroista rankin, ja töitä oli paljon tehtävänä. Luennolla käytiin läpi kaikki tärkeimmät työkalut ja muisteltiin, kuinka näiden yhteispeli toimii. Päälimmäiset ajatukseni ovat seuraavat: Spatial query -työkalun käyttö on avannut uusia ovia paikkatietoaineistojen käsittelyyn ja buffer-toiminto osoittautui helpoksi ja käteväksi. Myös field calculator on osoittautunut yhdeksi tärkeimmistä työkaluista QGISsissä. Field calculator on mielestäni parhaiten osaamani ja oivaltamani työkalu, ja saan monet ongelmat ratkaistua kyseisellä toiminnolla. Vasta nyt viidennellä kurssikerralla ymmärsin Express by value ja Express by fearure -toimintojen kätevyyden. Tarvitsen kyllä vielä näissä toiminnoissa harjoitusta, jotta niiden käytöstä tulee luontevampaa.

 

Neljännelle kurssikerralla tutusttiin ensimmäistä kertaa kurssin aikana rasteriaineistoon. Kurssikerran tavoitteena oli tuottaa ruudukkoaineisto, joka kuvastaa pääkaupunkiseudun jotakin väestöllistä tekijää. Alkuperäisessä aineistossa, josta työstin lopullisen kartan (kuva 1), pääkaupunkiseudun asuinrakennukset merkittiin pisteillä. Jokaiseen pisteeseen oli annettu ominaisuustietoa: kuinka monta ihmistä talossa asuu, minkä ikäisiä he ovat yms. Käyttämällä tätä ominaisuustietoa, laadin ruudukkomuotoisen kartan pääkaupunkiseudun eläkeläisten määrästä (kuva1). Jokainen ruutu on kooltaan 500m x 500m eli 0,25km^2. Määritin eläkeläisten iäksi yli 65-vuotiaat. Toki moni yli 65 vuotias on vielä töissä, mutta aineiston avulla ei töissä käyvien  määrää pystytty määrittämään. Kartta esittääkin paremmin eläkeikäisten määrän.

Päätin määrittää eläkeläisten määrän absoluuttisena lukumääränä, enkä prosenttiosuutena. Näin pyrin välttämään haja-asutuksesta aiheutuvan vääristymän. Tuuli Lahin pohti mielestäni omassa blogitekstissään hyvin prosenttiosuuksista aiheutuvaa ongelmaa, jota pyrin välttämään:

”Ongelmana tässä kartassa oli tietenkin se, että myös pääkaupunkiseudulla on haja-asutusalueita, joissa 500 x 500 metrin alueella saattaa olla vain yksi asukas. Joissain paikoissa tämä yksi asukas sattuu olemaan eläkeläinen, ja tällöin suhteutettu prosenttiluku eläkeläistenmäärässä on 100 %, jolloin kartalla ruutu näkyy tummanpunaisena. Tämä antaa virheellisen kuvan eläkeläisten sijoittumisesta.”

Kartasta (kuva 1) voidaan havaita eläkeikäisten keskittymiä. Esimerkiksi Espoonlahden alueella, Tapiolassa, Pohjois-Helsingissä ja erityisesti Itä-helsingissä on paljon yli 65-vuotiaita.

QGISsin käyttö alkaa tuntua jo erittäin helpolta ja luonnolliselta. Koen hallitsevani ohjelman käytön erittäin hyvin ja autan aktiivisesti luennoilla muita oppilaita QGISsin käytössä.

Viitteet:

Tuuli Lahin 2018: https://blogs.helsinki.fi/lahintuu/, luettu 9.2.2018.