Selkeyden vuoksi tehtävänannot ovat täsmälleen samassa muodossa, kuin ne on aiemmin tässä tutkielmassa esitelty. Joissain tehtävänannoissa viitataan tiettyihin kuviin (esim.
kuva 5.2), mutta oikeiden vastauksien kuvien numeroinnissa on käytetty poikkeavaa numerointia liitteen B mukaisesti. Tästä syystä oikeiden vastauksien yhteydessä kertaalleen esitellyt tehtävänannot poikkeavat kuvien numeroinnista.
1. Muodosta kuvaaja lämpötilan ja UV-indeksin välille käyttäen kesäkuun dataa.
Muodosta kuvaaja siten, että lämpötila on x-akselilla ja UV-indeksi y-akselilla.
Esimerkkivastaus:
Kuva B1. Lämpötilan ja UV-indeksin välinen riippuvuus kesäkuussa.
0 2 4 6 8 10 12
0 5 10 15 20 25 30
52
2. Lisää tehtävässä 1. muodostamaasi kuvaajaan akseleiden nimet ja skaalaa kuvaaja sopivaksi.
Esimerkkivastaus:
Kuva B2. Lämpötilan ja UV-indeksin välinen riippuvuus skaalattuna oikein kesäkuun mittausdatasta.
3. Muodosta kuvaaja lämpötilan ja UV-indeksin välille käyttäen heinäkuun dataa.
Nimeä kuvaajaan akselit ja skaalaa kuvaaja sopivaksi.
Esimerkkivastaus:
Kuva B3. Lämpötilan ja UV-indeksin välinen riippuvuus heinäkuussa.
0
53
4. Vertaa tehtävissä 2 ja 3 muodostamiasi kuvaajia. Pohdi, mistä erot voivat johtua.
Esimerkkivastaus:
Tehtävän 2 kuvaajasta voidaan huomata selvä riippuvuus lämpötilan ja UV-indeksin välillä. Tarkasteltaessa UV-indeksiä välillä 1-11 havaitaan selvä yhteys lämpötilan ja UV-indeksin välillä; mitä korkeampi lämpötila on, sitä suurempi on myös UV-indeksi. Koko mittausvälillä löytyy pisteitä, jotka poikkeavat selvästi muista pisteistä, mutta ne selittyvät sillä, että pyörä on ajanut esimerkiksi varjoisemmassa paikassa tai muuten mittausta haittaavassa ympäristössä.
Tehtävän 3 kuvaajasta nähdään saman suuntaisia havaintoja kuin tehtävän 2 kuvaajasta. Voidaan esimerkiksi helposti todeta, että matalammissa lämpötiloissa UV-indeksi on myös pienempi. Heinäkuun kuvaajasta matalampien lämpötilojen kohdalla UV-indeksin alhaisuus on selvempi kuin korkeammilla lämpötiloilla UV-indeksin suuremmat lukemat. Tämä johtuu siitä, että mittauspisteet ovat jakautuneet laajalle alueelle puhuttaessa suuremmista UV-indeksin arvoista.
Mittauspisteet ovat pakkautuneet hyvin lähelle indeksin arvoa 2. Suuri UV-indeksin alhainen määrä voidaan pohtia selittyvän poikkeuksen alhaisella lämpötilalla heinäkuussa. Kylmän ilmamassan takia pilvisyys on ollut luultavasti suurta, mikä selittäisi pientä UV-indeksiä. Heinäkuussa mittausdata on suurelta osin hajanaista ja selvää yhtenäistä linjaa on hankala löytää. Kuvaajan voidaan kuitenkin havaita olevan lievästi ”kallellaan” oikealle, mikä näkyy myös kesäkuun datassa. Heinäkuun osalta mittauspisteiden virheet voidaan selittää samoilla syillä kuin kesäkuun osalta vaikkakin vaihtelu on huomattavasti suurempaa kuin kesäkuussa.
5. Kuvassa 5.1 on esitelty suhteellisen ilmankosteuden ja lämpötilan välinen riippuvuus heinäkuussa. Kuvaajaan on myös merkitty korrelaatiokerroin. Mitä kyseinen korrelaatiokerroin tarkoittaa ja kuinka se voidaan kuvaajan avulla selittää?
54
Esimerkkivastaus:
Korrelaatiokerroin kuvastaa muuttujien välistä riippuvuutta toisiinsa.
Korrelaatiokerroin on välillä [-1,1]. Korrelaatiokerroin 1 kuvastaa täydellistä lineaarista riippuvuutta muuttujien välillä. Korrelaatiokerroin -1 kuvastaa täydellistä negatiivista lineaarista riippuvuutta muuttujien välillä. Kyseinen korrelaatiokerroin 0,3168 tarkoittaa, että suhteellisen ilmankosteuden ja lämpötilan välillä on heikko lineaarinen riippuvuus. Muuttujien välillä on kuitenkin riippuvuutta ja muuttujat voidaan osittain selittää toistensa kautta.
Kuvaajasta nähdään, että kuvaajan muoto on laskeva. Tämä johtuu siitä, että korkea lämpötila ja matala ilmankosteus sekä matala lämpötila ja korkea ilmankosteus korreloivat keskenään. Korrelaatio ei ole kuitenkaan kovin vahva, johtuen kuvaajan suhteellisen suuresta hajonnasta.
6. Muodosta kesäkuun datasta kuvaaja PM10 päästöjen ja PM2,5 päästöjen välille.
Aseta PM10 päästöt x-akselille ja PM2,5 päästöt y-akselille. Nimeä akselit ja skaalaa kuvaaja sopivaksi. Muodosta lisäksi kuvaajaan PNS-sovitus sekä laita korrelaatiokerroin näkyviin. Voit halutessasi laittaa myös PSN-sovitussuoran yhtälön näkyviin.
Esimerkkivastaus:
Kuva B4. PM10 ja PM2,5 päästöjen välinen riippuvuus kesäkuussa.
y = 0,0793x + 0,4619
55
7. Valitse kaksi riippuvuutta, joita tarkastelet sekä kesä- että heinäkuun ajalta. Esim.
ilmankosteus ja lämpötila. Muodosta sekä kesäkuun että heinäkuun mittausdatasta riippuvuuksien välille omat kuvaajat. Vertaa saamiasi kuvaajia keskenään esimerkiksi korrelaatiokertoimien kautta. Mitä eroja havaitset? Mistä erot voisivat johtua? Kuvaajat kannattaa selkeyden vuoksi pitää erillään toisistaan.
Esimerkkivastaus:
Kuva B5. Ilmankosteuden ja lämpötilan välinen riippuvuus kesäkuussa.
y = -0,207x + 30,19 R² = 0,6912
13 15 17 19 21 23 25
20 30 40 50 60 70 80 90 100
Lämpötila [֯C]
Ilmakosteus [%RH]
56
Kuva B6. Ilmankosteuden ja lämpötilan välinen riippuvuus heinäkuussa.
8. Muodosta kuvaaja kesäkuun mittausdatan osalta paikkatiedon ja rikkioksidipäästöjen välille. Laita paikkatieto x-akselille ja rikkioksidipäästöt y-akselille. Tulkitse kuvaajaa muutamalla lauseella.
Esimerkkivastaus:
Kuva B7. Paikkatiedon ja rikkidioksidipäästöjen välinen riippuvuus kesäkuussa.
0
62,585 62,59 62,595 62,6 62,605 62,61 62,615 62,62 62,625
SO2 [ppm]
57
Kuvaajassa on kolme piikkiä rikkidioksidipäästöissä. Nämä voivat johtua siitä, että ilmanlaatupolkupyörän kulkemalla reitille on sattunut jokin poikkeuksellinen rikkidioksidinpäästölähde. Piikit voivat osittain olla myös mittausvirheen aiheuttamia.
9. Tee oheisen kuvan 5.2 mukainen kuvaaja kesäkuun mittausdatasta.
Esimerkkivastaus:
Kuva B8. Paikkatiedon sekä PM10 ja PM2,5 päästöjen välinen riippuvuus kesäkuussa.
10. Pohdi syitä tehtävässä 9. muodostamasi kuvaajan eroihin PM10 päästöjen ja PM2,5 päästöjen välillä.
Esimerkkivastaus:
Suurin PM10 päästölähde on katupöly. PM2,5 hiukkasten päästölähteitä ovat muun muassa liikenteen polttoaineet, renkaiden ja jarrujen kuluminen sekä tienpinnan kuluminen. Suurin PM2,5 päästölähde on kuitenkin puunpienpoltto. Erot
0 100 200 300 400 500 600
62,585 62,59 62,595 62,6 62,605 62,61 62,615 62,62 62,625 PM 10-päästöt ja PM 2,5 päästöt [μg/m^3]
Paikkatieto PM10 [μg/m^3] PM2,5 [μg/m^3]
58
kuvaajassa johtuvat siis luultavasti siitä, että PM10 ja PM2,5 päästöt tulevat samankaltaisista lähteistä, mutta niiden määrä eroaa toisistaan selvästi.
11. Kirjaa itsellesi ylös pohdintojasi, miten paikkatieto voi vaikuttaa PM10 päästöihin ja PM2,5 päästöihin. Eli miten eri paikat Joensuussa ovat vaikuttaneet kyseisiin päästölähteisiin?
Esimerkkivastaus:
Hiukkasten päästöihin vaikuttaa polkupyörän kulkemalla reitillä esimerkiksi tienpinta, jolla on ajettu. Soratiellä katupölypäästöt ovat suuremmat kuin asfaltoidulla tiellä. Myös asutusalue vaikuttaa. Taajama-, maaseutu- ja kaupunkialueet poikkeavat toisistaan puhuttaessa PM2,5 ja PM10 päästöistä.
Kaupunkialueella autoista johtuvat PM2,5 päästöt lisääntyvät. Myös PM10 päästöt kasvavat, koska liikenne on vilkkaampaa kaupungissa kuin muualla.
12. Selvitä Google Maps -karttapalvelun avulla ilmanlaatupolkupyörän kulkemaa reittiä heinäkuun mittausdatan osalta.
Esimerkkivastaus:
Ottamalla heinäkuun mittausdatasta paikkatiedon kohdalta koordinaattitietoja ja liittämällä niitä Google Maps -karttapalveluun, saadaan muodostettua polkupyörän kulkemaa reittiä jo muutamalla mittauspisteellä.
59
Kuva B9. Näyttökuva Google Maps -karttapalveluksesta ilmanlaatupolkupyörän kulkeman reitin osalta.
13. Muodosta kesäkuun mittausdatan pohjalta kuvaaja paikkatiedon ja PM10 päästöjen osalta. Pohdi nyt uudestaan syitä, miten paikkatieto vaikuttaa PM10 päästöihin. Huomio, että tehtävässä 9:n ilmanlaatupolkupyörän kulkema reitti oli heinäkuun reitti.
Esimerkkivastaus:
Kuva B10. Paikkatiedon ja PM10 päästöjen välinen riippuvuus kesäkuussa.
0 100 200 300 400 500 600
62,585 62,59 62,595 62,6 62,605 62,61 62,615 62,62 62,625
PM10 [ug/m^3]
Paikkatieto
60
Peilaa tehtävän 11 vastaukseen: Hiukkasten päästöihin vaikuttaa polkupyörän kulkemalla reitillä esimerkiksi tienpinta, jolla on ajettu. Soratiellä katupölypäästöt ovat suuremmat kuin asfaltoidulla tiellä. Myös asutusalue vaikuttaa. Taajama-, maaseutu- ja kaupunkialueet poikkeavat toisistaan puhuttaessa PM2,5 ja PM10 päästöistä. Kaupunkialueella autoista johtuvat PM2,5 päästöt lisääntyvät. Myös PM10 päästöt kasvavat, koska liikenne on vilkkaampaa kaupungissa kuin muualla.
14. Valitse kaksi vapaavalintaista muuttujaa kesäkuun tai heinäkuun datasta.
Muodosta kuvaaja riippuvuuksien välille ja vastaa seuraaviin kysymyksiin kuvaajan pohjalta. Onko kuvaajassa havaittavissa mittauksessa esiintyneitä virhepisteitä? Mistä virhepisteiden syyt voivat johtua? Minkälainen korrelaatio kuvaajassa on riippuvuuksien välillä? Mistä kuvaajan muoto johtuu?
Esimerkkivastaus:
Mittavirheiden määrä kuvaajissa riippuu valituista muuttujista. Hyvin suurella todennäköisyydellä mittausvirheitä löytyy. Syitä mittausvirheille on useita, mutta suurimmat johtuvat ulkoisista tekijöistä. Esimerkiksi UV-indeksin kuvaajissa alhaiset UV-indeksin arvot, jotka poikkeavat muusta datasta, ovat selitettävissä mahdollisesti pilvisyyden avulla. Kun pilviä on paljon, UV-indeksi pienenee huomattavasti, sillä UV-säteily ei pääse maan pinnalle pilvimassan läpi niin helposti kuin kirkkaana päivänä. Kesäkuun mittausdatassa UV-indeksin useita mittauspisteitä on hyvin lähellä nollaa tai jopa nollassa, mikä viittaa siihen, että polkupyörä on laitettu varastoon, esimerkiksi yön ajaksi, ja mittaus on vahingossa jätetty päälle. Kuvaajan korrelaatio riippuu valituista muuttujista. Vertaa tehtävän 5 vastaukseen. Kuvaajan muotoon vaikuttaa ulkoiset tekijät ja se, onko muuttujien välillä riippuvuutta. Ulkoisia tekijöitä voivat olla esimerkiksi sääolot.