Kuudennella kurssikerralla pääsimme itse keräämään aineistoa. 45 minuutin aikana meidän tuli kierrellä Kumpulassa ja sen lähialueilla luoden sijaintitietoon yhdistettävää dataa Epicollect5 -sovelluksen avulla. Tarkoituksena oli esimerkiksi arvioida julkisten ulkotilojen turvallisuutta, houkuttelevuutta kävelijöiden näkökulmasta sekä visuaalisuutta. Tuloksena syntyi vektorimuotoista pistedataa, johon sisältyi attribuuttitietoina edellä mainittuja arviointeja numeerisesti.
Kerätty data koottiin yhteen ja ladattiin .csv muodossa QGIS:iin tarkasteltavaksi. Taustalle tuotiin kartta alueesta teineen ja rakennuksineen, johon myös kerätyt pisteet sijoitettiin. Pisteitä muokattiin niiden attribuuttitietojen mukaan. Valitsimme pisteiden väriksi siirtymän vihreästä punaiseen (vihreä=turvallinen, punainen=turvaton) kuvaamaan kunkin pisteen alueella koettua turvallisuutta (Kuva 1). Seuraavaksi kokeilimme toisenlaista esitystapaa: interpolointia. Tässä yhteydessä käytimme punaisesta siniseen liukuvaa väriskaalaa. Teimme ensin yhteisesti interpoloinnin koetun turvallisuuden perusteella ja sen jälkeen itsenäisesti valitsemistamme aiheista. Valitsin aiheikseni houkuttelevuuden kävelijöiden näkökulmasta (Kuva 2) sekä visuaalisen miellyttävyyden (Kuva 3).
Kartoista voidaan havaita, kuinka turvattomuutta koetaan erityisesti vilkkailla risteysalueilla. Turvallisuutta koetaan taas vastaavasti rauhallisilla omakotitaloalueilla sekä esimerkiksi puistoissa. Kävelijöiden näkökulmasta houkuttelevimmat alueet ovat asuin- sekä puistoalueita. Vähiten houkuttelevimmiksi alueiksi koetaan suuret tiet ja risteysalueet. Visuaalinen miellyttävyys on suurimmillaan omakotitaloalueilla sekä puistoalueilla ja pienimmillään puolestaan kerrostaloalueilla sekä risteysalueilla.
Seuraavassa harjoituksessa harjoittelimme enemmän aineistojen käsittelyä ja muuntamista .csv muotoon Excelissä sekä niiden tuontia QGIS:iin. Haimme esimerkiksi Northern California Earthquake Data Center -sivulta maailman maanjäristyksiä koskevaa taulukoitua tietoa. Tämän jälkeen kopioimme aineiston Exceliin, jossa kielellisten erojen vuoksi pisteet tuli vaihtaa pilkuiksi sekä varmistaa sarakkeiden oikea jako. Näiden muokkausten jälkeen tiedosto voidaan tallentaa .csv muotoon ja avata QGIS:issä. Tässä tapauksessa jo valmiiksi avatun maailmankartan päälle saatiin pisteinä tiedot yli kuuden magnitudin järistyksistä vuosilta 1950-2012 (Kuva 4). Itsenäisenä harjoituksessa tein vastaavalla tavalla kartan Japanin tulivuorista (Kuva 5) sekä koko maailman meteoriittikraattereista (Kuva 6).
Yli kuuden magnitudin järistyksiä kuvaavasta kartasta (Kuva 4) voidaan päätellä, että suuria maanjäristyksiä tapahtuu eniten litosfäärilaattojen reuna-alueilla, erityisesti törmäys- ja alityöntövyöhykkeillä. Tutkiessani muiden maanjäristyksiä kuvaavia karttoja huomasin, että litosfäärilaattojen saumakohtien lisääminen kartalle olisi parantanut kartan ilmettä sekä ymmärrettävyyttä. Kuten Pihla Haapalokin toteaa, saumakohtien sijainnit eivät ole kaikille tuttuja ja niiden sijainnin tietäminen olisi erityisen tärkeää opetustarkoituksessa, kun tarkastellaan maanjäristyksiä. Näin kartalta voitaisiin huomata yhtäläisyyksiä saumakohtien ja maanjäristysten esiintymisen välillä.
Japani on tunnetusti tulivuorista koostuva saariryhmä, joten kartalla (Kuva 5) esiintyvät tulivuoret seuraavatkin hyvin Japanin saarten muotoa. Tässäkin yhteydessä litosfäärilaattojen sumakohtien esittäminen kartalla olisi ollut tärkeä lisäys opetustarkoituksen kannalta, sillä se olisi havainnollistanut tulivuorten sijoittumista erityisesti alityöntövyöhykkeille.
Meteoriittikraattereita kuvaavasta kartasta (Kuva 6) voidaan huomata, että niitä esiintyy lähes kaikkialla maailmassa. Havaintoihin kuitenkin vaikuttaa kraattereiden tunnistaminen meteoriittien aiheuttamiksi sekä tutkimukseen käytettävät resurssit. Yhdysvaltojen kraattereiden suurta määrää voisikin selittää, että kraattereita on kartoitettu varsin kattavasti. Myös maasto vaikuttaa kraattereiden havainnointiin, kuten myös Mikko Kangasmaa toteaa blogissaan. Esimerkiksi laajoilta metsäalueilta, kuten esimerkiksi Siperiasta, erityisesti vanhojen kraattereiden tunnistaminen voi olla hankalaa metsittymisen ja puuston vuoksi. Opetustarkoituksessa kartan avulla voitaisiin pohtia esimerkiksi juuri sitä, mitkä tekijät vaikuttavat kraattereiden sijainteihin.
Maanjäristyskartan avulla voisi myös opettaa sitä, miten eri alueilla esiintyvät maanjäristykset vaikuttavat ihmisiin (Kuva 7) sekä millaista taloudellista vahinkoa ne aiheuttavat ja pohtia niiden syitä. Esimerkiksi köyhillä, tiheään asutuilla alueilla uhriluvut voivat kasvaa hyvinkin suuriksi puutteellisen rakennustekniikan, tiheän asutuksen ja suuren väestömäärän vuoksi.
Lähteet
Kangasmaa, M. (19.2.2020) Kenttätöitä ja hasardeja (Kurssikerta 6). Luettu 23.2.2020
https://blogs.helsinki.fi/kanmikko/
Haapalo, P. (20.2.2020) Ylös, ulos ja ulkohommii. Luettu 24.2.2020
https://blogs.helsinki.fi/haapalop/
Hannah Ritchie and Max Roser (2020) – “Natural Disasters”. Published online at OurWorldInData.org.
Retrieved from: https://ourworldindata.org/natural-disasters [Online Resource] Luettu 24.2.2020