Month: February 2018

Kuudennella luentokerralla lähdimme ulkoilemaan, mikä oli mukavaa vaihtelua. Käytimme kännykkään ladattavaa Epicollect5 -sovellusta ja keräsimme omaa aineistoa Kumpulan lähialueelta. Etsimme paikan, jonka sijainnin saimme tallennettua sovelluksen paikannuksella, ja vastasimme kysymyksiin mm. paikan turvallisuudesta ja viihtyvyydestä. Myöhemmin tunnilla katsoimme, miten pisteet sijoittuvat kartalla. Opimme siis tuottamaan omaa aineistoa.

Tämän jälkeen meitä odotti jälleen QGIS:n ihmeellinen maailma. Käytimme Go2streetview- liitännäistä, jonka avulla tutkimme haluamamme Helsingin keskustan alueen kaupallisuutta. Merkitsimme pisteitä, joille annoimme arvon 1-5 riippuen siitä, kuinka paljon kaupallista toimintaa näimme alueella. Tämän jälkeen vielä interpoloimme aineiston, jolloin kartalla näkyi tummempana alueet, joilla kaupallisuusaste oli suurempi.

Viimeisenä tehtävänä harjoittelimme aineiston hakemista netistä ja sen muuttamista sellaiseen muotoon, että sitä voi esittää QGIS:ssä. Haimme tietoa hasardeista ja tehtävänä oli tehdä niistä kartta, jota voisi käyttää opetustarkoituksiin. Tunnilla sain tehtyä kartan, jossa näkyi 2000-luvulla tapahtuneet maanjäristykset. Tuotokseni kuitenkin katosi, kun QGIS päätti kaatua oppitunnin viimeisillä minuuteilla. Tein kuitenkin luennon jälkeen kartan, jossa näkyvät sekä maanjäristykset että kerrostulivuoret. (Kuva 1)

Kartta on mielestäni kohtuullisen onnistunut. Selkeyden vuoksi päätin kuvata siinä vain 6.5-8 magnitudin maanjäristykset, sillä kuvaamalla myös 6.5 magnitudia heikommat järistykset, tuli kartasta liian täysi ja sekava. Yli 8 magnitudin järistyksiä ei ollut montaa, joten päätin jättää nekin pois. Kartasta näkyy silti olennainen eli se, millä alueilla maanjäristyksiä tapahtuu eniten ja missä ne ovat voimakkaimpia. Muutin maajäristyksien sijaintia kuvaavien pallojen kokoa ja väriä magnitudin mukaan. Päätin kuvata samalla kartalla myös kerrostulivuorien sijainnin, sillä niitä esiintyy eniten alueilla, joilla on myös paljon maanjäristyksiä. Ne näkyvät hyvin, sillä tein niistä kolmion muotoisia. Kartta voisi mielestäni soveltua hyvin opetukseen. Sillä voi näyttää, missä maanjäristyksiä esiintyy ja selittää, miksi kerrostulivuoret sijoittuvat samoille alueille. Niiden sijainnista voi nähdä myös litosfäärilaattojen reuna-alueet,

Kartassa näkyy, että maanjäristyksiä tapahtuu eniten Tyynenmeren tulirenkaan alueella Amerikkojen länsirannikoilla sekä Aasian mantereen itäpuolella Japanissa ja Filippiinien saaristoissa. Alueella tapahtuu jopa 90 % maanjäristyksistä ja siellä sijaitsee 75 % aktiivisista ja nukkuvista tulivuorista. Tämä johtuu siitä, että Aasiassa Filippiinien mereinen laattaa työntyy Euraasian laatan alle. Siellä on siis subduktio vyöhyke. Pohjois-Amerikassa Tyynenmerenlaatta ja Pohjois-Amerikan laattaa sivuavat toisiaan, ja Etelä-Amerikassa Nazca-laatta työntyy Etelä-Amerikan laatan alle. Sielläkin on siis alityöntövyöhyke. Karttani mukaan näillä alueilla on myös voimakkaimmat maanjäristykset, mikä johtuu juuri siitä, että laatat sivuavat toisiaan ja työntyvät toistensa alle. Voimakkaita järistyksiä tapahtuu myös Himalajalla, jossa kaksi mantereista laattaa törmää. Vaikka myös Atlantin valtameren poikki kulkee laattojen reunavyöhyke, siellä laatat erkanevat toisistaan, joten järistykset eivät ole yhtä voimakkaita. Hämäävää oppilaille voisi olla, että erkanemisvyöhykkeillä ei näy kartallani juuri ollenkaan maanjäristyksiä vaikka niitä tapahtuu siellä hyvin paljon. Ne ovat vain heikompia, kuin kartalla kuvaamani järistykset. Tuuli Lahin on blogissaan tehnyt kartan, joka näyttää ”kaikki yli viiden magnitudin maanjäristykset maailmankartalla vuodesta 2002 lähtien mitattuna.” Tästä kartasta näkee hyvin, että maanjäristyksiä tapahtuu runsaasti myös muualla kuin subduktiovyöhykeillä. Elli-Nora Kaarton tekemä kartta ”Kaikki maanjäristykset vuorokauden aikana 1.8.2016” havainnollistaa hyvin sitä, kuinka yleisiä maanjäristykset ovat ja kuinka suurin osa niistä ei aiheuta suurta katastrofia.

Kuvaamalla tulivuoret samalla kartalla, oppilaiden olisi helpompi nähdä yhteys tulivuorien ja maanjäristysten välillä. Jälleen kerran laattojen liikkeet ovat keskeisessä asemassa. Kerrostulivuoria syntyy ennen kaikkea subduktiovyöhykkeillä, joissa mereinen laatta työntyy mantereisen alle. Mereinen laattaa sulaa astenosfäärissä ja kuuma magma syövyttää tiensä maanpinnalle synnyttäen tulivuoren. Alityöntövyöhykkeillä syntyy paljon kerrostulivuoria, sillä laava on jäykempää ja sitoo paljon kaasuja. Tällöin purkaus on usein räjähdysmäinen. Kerrostulivuoria ei synny yhtä paljon laattojen erkanemisalueilla, sillä laava purkautuu maankuorien välisistä raoista ja on juoksevampaa. Himalajalla ei tulivuoria näy, vaikka siellä on voimakkaita maanjäristyksiä. Tämä johtuu siitä, että siellä törmäävät laatat ovat kumpikin mantereisia, jolloin kumpikaan ei painu toisen alle ja sula astenosfäärissä.

Nämä kaikki asiat voisi opettaa tekemäni karttaa hyödyntäen. Opetustarkoituksissa kartta toimisi tosin vielä paremmin, jos samassa yhteydessä näyttää myös litosfäärilaattoja kuvaavan kartan tai mahdollisesti kuvata niitä samassa kartassa. Näin oppilaat näkisivät, miksi maanjäristykset ovat juuri tietyillä alueilla. Tätä pohtiessani mietin, että litosfäärilaattojen reunavyöhykkeitä kuvaavaa vektorimuotoista aineistoa saattaisi olla jo aivan valmiina tarjolla. En ollut väärässä! Google-haulla ja muutamalla klikkauksella olin saanut karttaani vielä laattojen reunavyöhykkeetkin esille. (Kuva 3) Vielä parempi olisi kartta, jossa näkyisi myös mihin suuntaa laatat liikkuvat suhteessa toisiinsa (Kuva 2), sillä siinä näkyisi hyvin subduktiovyöhykkeet, mikä selittäisi myös kerrostulivuorten sijoittumista.

Onneks musta ei tuu opettajaa!

 

LÄHTEET:

Tekniikan maailma. Tyynenmeren ”tulirenkaan” tulivuoret pelottelevat taas – uusin hälytystila julistettiin Japanissa. (12.10.2017)
https://tekniikanmaailma.fi/tyynenmeren-tulirenkaan-tulivuoret-pelottelevat-taas-uusin-halytystila-nostettiin-japanissa/ (luettu 23.3.2018)

USGS. Google Earth/KML Files
https://earthquake.usgs.gov/learn/kml.php (luettu 23.2.2017)

Science Learning Hub. Plate tectonics. (21.7.2007)
https://www.sciencelearn.org.nz/resources/339-plate-tectonics (luettu 23.2.2018)

ABC News. Volcanoes: How often do they erupt and what happens when they do? (22.11.2017)
http://www.abc.net.au/news/science/2017-11-22/volcanoes-heres-what-happens-when-they-erupt/8997014 (luettu 23.2.2018)

Lahin, Tuuli. Kerta 6: Pisteaineistoa ja tulivuoria. (21.2.2018)
https://blogs.helsinki.fi/lahintuu/ (luettu 23.2.2018)

Kaarto, Elli-Nora. 6.kurssikerta: QGIS järisee (22.2.2018)
https://blogs.helsinki.fi/elkaelka/ (luettu 23.2.2018)

Viides kurssikerta takana ja jälleen ollaan opittu jotain uuttaa. Tällä kertaa tutustuimme buffer-toimintoon, jonka avulla voidaan tehdä puskurianalyysejä.  Sillä voi mm. määritellä jonkun kohteen vaikutusalueen tai katsoa, kuinka monta pistettä on tietyn kokoisen puskurivyöhykkeen sisällä. Juna-asemalle voidaan esim. tehdä 2km puskurivyöhyke, jolloin voidaan yhdessä pistetietokannan kanssa selvittää, kuinka monta ihmistä asuu 2km säteellä asemasta. Sini Virtanen pohti blogissaan monia muita tapoja käyttää toimintoa: ”Voisin ajatella niille käyttöä esimerkiksi ympäristövaikutusten arvioinnissa: kuinka laaja suojavyöhyke esimerkiksi luonnonsuojelualueen tai suunnitellun kaivoksen ympärille tulee jättää?”
Teimme tunnilla tehtäviä liittyen lentokenttien meluhaittoihin ja asemiin. Tehtävissä pääsimme opettelemaan buffer-toiminnon käyttöä ja se tulikin hyvin tutuksi. Vastaukset näihin ja muihin tekemiini tehtäviin listasin excel taulukkoon. (Kuva 1)

Valinnaisista tehtävistä tein ensimmäisen ja toisen. Päätin aloittaa helpoimmasta siltä varalta, että en osaisi vaikeampia tehtäviä. Ensimmäinen tehtävä osoittautui kohtuullisen helpoksi. Tiivistettynä tallensin eri ikäluokat omiksi tietokannoiksi ja selvitin niiden kokonaismäärän field calculatorilla. Yhdistin pisteaineiston koulupiiriaineistoon join attributes by location -toiminnolla.

Uima-allas -tehtävässä käytin search by expressions -toimintoa saadakseni esille asunnot, joissa on uima-allas. Tallensin tiedot omaksi tietokannaksi. Samalla tallensin myös asukasmäärän seuraavaa tehtävää varten. Tehtävän myötä varsinkin juuri search by expressions -toiminto, jonka olemassaolon olin jo iloisesti unohtanut, tuli hyvin tutuksi. Käytinkin sitä myös talotyyppien ja saunojen sijainnin selvittämisessä. Käytin myös join attributes by location -toimintoa yhdistääkseni pistetiedon pääkaupunkiseudun eri alueisiin. Lopputuloksena oli taulukko vastauksista sekä kartta, jossa näkyy uima-altaiden sijoittuminen pääkaupunkiseudulla. (Kuva 2)

Kartassa näkyy, että uima-altaita on selkeästi eniten Lauttasaaressa ja muutenkin Helsingin alue dominoi uima-altaiden määrässä.
Kartta itsessään on mielestäni selkeä ja helposti luettava. Kartan visualisoinnissa sain apua Eemil Beckeriltä, joka istu taistelun aikana vieressäni. Huomasin, että hän oli kuvannut uima-altaiden määrän näin ja totesimme kumpikin, että esitys oli selkeämpi ilman pylväitä. Eemil oli muutenkin korvaamaton apu tehtäviä tehdessä.

Tehtävien tekemisen jälkeen minulla oli varovaisen toiveikas olo. Tällä hetkellä QGIS:n käytössä on mielestäni vaikeinta tietää, mitä toimintoa tulisi käyttää milloinkin. Kun kohtaan uuden tehtävän, on ensimmäinen tunne yleensä epätoivo. Vaikeinta on päästä alkuun. Vaikka olisin edellisenä päivänä taistellut ohjelman kanssa koko päivän, tuntuu että seuraavana aamuna on jälleen lähtöruudussa. Toisaalta, kun pääsee vauhtiin, alkaa työ usein sujua hieman jouhevammin.

Spatial query tuli hyvin tutuksi viimeisimmissä tehtävissä, mutta itselläni se menee usein sekaisin join attributes by location -toiminnon kanssa. Vaikka ymmärrän tavallaan niiden eron (join attributes by locationi luo täysin uuden layerin yhdistäen tietokannat), en aina hahmota kumpaa kannattaisi käyttää milloinkin. Välillä en myöskään hahmota pitäisikö minun käyttää search by expressions vai spatial query -toimintoa vaikka tässäkin tapauksessa ymmärrän toimintojen eron (toinen etsii kohteita ominaisuuksien ja toinen sijainnin perusteella). Todennäköisesti kyse on siis vain harjoituksen ja kertauksen puutteesta. Pienen mietinnän ja kokeilun jälkeen yleensä ymmärrän, mikä toiminto olisi paras valinta. Yleisesti ottaen siis ymmärrän, miten nämä perustoiminnot toimivat.
Tuttua alkaa olla kartan ulkomuodon muokkaus. Värit saa nopeasti vaihdettua, ja pohjoisnuolet yms. saa lisättyä jo rutiininomaisin ottein. Parhaimpien väriyhdistelmien, jotka kuvaisivat esitettyä ilmiötä parhaiten, valinta on kuitenkin välillä vielä hankalaa.

Kohta syömään ja uudelle GIS-luennolle! Jeah!

LÄHTEET

Becker, Eemil. Homma rupee sujumaan… (19.2.2018)
https://blogs.helsinki.fi/beemil/ (luettu 20.2.2018)

Virtanen, Sini. Verta, hikeä ja puskureita. (13.2.2018)
https://blogs.helsinki.fi/7k110738/ (luettu 20.2.2018)

Neljännellä kurssikerralla tutustuimme pisteaineistoihin ja ruutukarttojen tekemiseen. Pisteaineiston näkyvät kartalla yleensä pisteinä, joihin on liitetty sijainti- ja ominaisuustietoa. Ruutuaineistossa jokin alue jaetaan tasakokoisiin ruutuihin. Kun siihen yhdistetään pisteaineistoa, saadaan alueellista tietoa.

Kurssikerran ensimmäisen tehtävän tekemistä varten palasimme jälleen QGIS:n pariin, jonka avulla loimme kartalle 1000mx1000m ruudukon. Käytössämme oli myös tietokanta, jossa oli pistemäistä aineistoa kaikista pääkaupunkiseudun rakennuksista. Koska halusimme välttää turhat laskutoimitukset ja QGIS:n kaatumisen, karsimme pois ruudut, joilla ei ollut rakennuksia ollenkaan. Lopulta saimme kasaan ruutuaineiston, jossa oli pistemuotoisesta aineistoista saatua tietoa, jota lopuksi vielä visualisoimme kartalle. Visualisoimme kartan, jossa näkyi ruotsikielisten sijoittuminen pääkaupunkiseudulla.

Tämän jälkeen oli aika jälleen itsenäiselle työlle. Tuloksena oli 500m x 500m ruutukartta (Kuva 1), joka kuvaa yli 64-vuotiaiden sijoittumista pääkaupunkiseudun alueelle. Fiksuna tyttönä ajattelin, että eläkeikäisten määrää tulee ehdottomasti suhteuttaa ruudun koko väestöön. Noh, suhteuttaminen on toki usein fiksua ja esim. koropleettikartalla ei muuta kuin suhteellisia arvoja tulisi koskaan kuvatakaan. Tämä johtuu siitä, että alueet ovat eri kokoisia, jolloin ilman suhteuttamista on helppo tehdä vääriä tulkintoja. Koska ruutukartalla kaikki alueet ovat saman kokoisia, voi niitä vertailla paremmin keskenään vaikka siinä esitettäisiinkin absoluuttisia arvoja.

Omassa kartassani on suhteuttamisen vuoksi esim. ruutu, jolla eläkeläisten määrä on 100%! Aika paljon mummoja ja pappoja tai ehkä kuitenkin ruudun sisällä sattuu olemaan vain yksi asunto, jossa asuu eläkeikäinen ihminen. Suhteellisen tiedon esittäminen ruutukartalla saattaa siis korostaa hämäävästi joitakin alueita. Niin kuin Tuuli Lahin blogissaan sanoo: ” – pääkaupunkiseudulla on haja-asutusalueita, joissa 500 x 500 metrin alueella saattaa olla vain yksi asukas.” Myös Eemil Becker pohti blogissaan suhteuttamisen ongelmia, mutta myös tapoja korjata niitä: ”Selkeyttääkseni esitystä olisin voinut esimerkiksi rajata kuvattavaa aluetta pienemmäksi ja pienentää ruutukokoa, tai jättää niitä ruutuja pois laskuista, joiden asukasluku on pieni.” Toisaalta myös absoluuttisien arvojen esittämisessä on ongelmansa. Se mm. korostaa automaattisesti Helsingin keskustan alueita, koska siellä on eniten ihmisiä. Tein vertailun vuoksi kartan myös absoluuttisilla arvoilla (Kuva 2). Siinä olen valitettavasti jättänyt kuntien rajat ruutuaineiston alle, mikä haittaa hieman eri kuntien vertailua.

Ensimmäisellä kartalla eläkeikäisten jakautuminen näyttäisi olevan hyvin tasaista eikä mitään selvää keskittymää ole havaittavissa. Toki joitain tummia pisteitä löytyy, mutta edellä mainitsemani ongelman vuoksi en ota niitä tässä huomioon. Eniten näyttäisi olevan ruutuja, joissa eläkeläisten osuus on 5-14 % ja toisiksi eniten ruutuja, joissa osuus on 14-32 %. Tilastokeskuksen mukaan koko Helsingissä yli 64-vuotaiden osuus 16,7, joten siihen verratessa tulos näyttää luotettavalta.
Toisella kartalla taas näkyy selvästi, että eläkeikäisiä on eniten Helsingin keskustan alueella sekä idässä Mellunkylän alueella ja Vantaalla etenkin Myyrmäen suuralueella. Espoossa korostuu erityisesti sen eteläiset alueet. Tilastokeskuksen mukaan Helsingissä eläkeläisten osuus koko väestöstä vuonna 2015 oli 19,4 %. Vastaava luku on Vantaalla 17,9 %, Espoossa 16,1 % ja Kauniaisissa 22,7 %.

Eläkeläisten osuus kuntien väestöstä, vaikuttaa niiden huoltotaseeseen ja siten koko kunnan talouteen. Yleisesti suomalainen väestö ikääntyy ja syntyneiden määrä on laskussa. Suuret ikäluokat alkavat jäädä eläkkeelle ja eliniänodote on kasvanut. Tämä johtaa siihen, että yhä pienemmän työssäkäyvien määrä suhteessa huollettaviin pienenee. Tilannetta tasoittaa hiukan maahanmuutto. Pääkaupunkiseudun tilanne huoltosuhteen kohdalla on tässä suhteessa parempi monessa pienessä kunnassa. Pääkaupunkiseudulle on paljon tulomuuttoa ja työttömyys on koko maan lukuihin verrattuna pieni.

Itse karttojen ulkonäkö ja otsikointi olisi voinut olla parempi. Ensimmäinen kartta kuvaa yli 64-vuotiaiden eli ns. eläkeikäisten määrää eikä eläkeläisten määrää, kuten otsikko sanoo. Myös mittajanassa on virhe. Toisessa kartassa kuntarajat ovat jääneet ruutujen alle.

Nyt tekis mieli mummon tekemää ruokaa…

LÄHTEET

Becker, Eemil. Ruutuja. (8.12.2018) https://blogs.helsinki.fi/beemil/2018/02/08/kurssikerta-4/ (luettu 10.2.2018)

Lahin, Tuuli. Kerta 4: Vastoinkäymisiä, mutta ei voittoja. (2.7.2018) https://blogs.helsinki.fi/lahintuu/2018/02/07/kerta-4-vastoinkaymisia-mutta-ei-voittoja/ (luettu 10.2.2018)

Tilastokeskus. Tilastoteemakartat.
http://tilastokoulu.stat.fi/verkkokoulu_v2.xql?course_id=tkoulu_teemak&lesson_id=4&subject_id=3&page_type=sisalto  (luettu 10.2.2018)

Tilastokeskus. Kuntien avainluvut. (2017)
https://www.stat.fi/tup/alue/kuntienavainluvut.html#?year=2017&active1=091&active2=049 (luettu 10.2.2018)

Findikaattori. Väestön ikärakenteen kehitys. (päivitetty 29.3.2017)
http://findikaattori.fi/fi/81 (luettu 10.2.2018)