Kuvaton kurssikerta 5
Karttakuvia ei valitettavasti tällä kerralla tuotettu, eivätkä yritykseni ottaa näyttökuvia tuoreista töistä onnistunut (mystistä kylläkin), mutta lisään edellisvuoden kurssikerralta otetun näyttökuvan tekstin elävöittämiseksi.
Yhdessä opeteltiin ottamaan haltuun sekä muotti & taikina eli Clip & Intersection-työkalua sekä bufferointityökalua Pornaisten alueen harjoitusmateriaalilla. Asukkaat Pornaisten valmiiksi merkattuihin taloihin luotiin laskentataulukon Math -> Rand toiminnolla, jolle määritettiin minimiksi 1 ja maksimiksi 8. Tällöin QGIS arpoo satunnaisesti jokaiseen merkattuun asutuskohteeseen asukkaita yhdestä kahdeksaan henkilöä, ja tuloksissa voidaan käyttää melko hyvällä keskiarviolla saatuja lukumääriä.
Näillä ominaisuuksilla saatiin yhdessä Select-työkalun kanssa tietoa mm. tietyllä etäisyydellä valitusta kohteesta asuvasta väestöstä. Select-työkalu osoittautuukin erittäin monipuoliseksi ja käteväksi kaikenlaisen tiedon tutkimisessa QGISillä.
Bufferityökalulla voidaan helposti tarkastella valitusta kohteesta tietyllä etäisyydellä sijaitsevia muita kohteita tai ominaisuuksia, ja se sopii siksi hyvin esimerkiksi kaupunkisuunnittelun työkaluksi. Pidin Miian käyttämästä käsitteestä “vaikutusalue”, ja tulin pohtineeksi myös hänen pointtiaan siitä etteivät ilmiöiden vaikutusalueet ole yhtä symmetrisiä ja sieviä kuin mallinnetussa QGIS-kartassa. QGISsissä tietenkin joudutaan jo ihan käytännön syistä yksinkertaistamaan vaikutusalueiden muotoa, ja luonnollisestikin esimerkiksi maaston muodot, rakennukset sekä esimerkiksi vesistöt vaikuttavat eri ilmiöiden vaikutusalueisiin.
Esimerkkinä tästä voisi olla esimerkiksi radio- tai tietoliikennemaston kuuluvuus tietyn matkan päähän. Elisan sivuilta voi tutkia kartan avulla, missä kaikkialla 5G mobiilidatan verkkoyhteys toimii, ja esimerkiksi Helsingin, Sipoon ja Pernajan kohdalla rannikolta kuuluvuus ulottuu pitkälle merelle saakka (Kuva 1). Tämä johtuu oletettavastikin siitä, ettei merellä ole samalla tavalla maastonmuotoja tai rakennuksia jotka estäisivät 5G verkon etenemistä.
Itsenäistehtävät
Bufferointi, alueiden piirtäminen ja valintatyökalun monipuolinen käyttö olivatkin myös itsenäistehtävien keskeisimpiä juttuja, joilla kartoitettiin mm. lentokentän melualueilla asuvien asukkaiden määriä.
Lentokenttätehtävässä piirrettiin käsin vektoritason työkalulla “Add Polygon” Malmin lentokentän kiitoradat. Kiitoradoista tein ensin 2km ja sitten 1km bufferit selvittääkseni, paljonko ihmisiä asuu Malmin lentokentän melualueella (55dB 2km säteellä ja 65dB 1km säteellä). Buffereiden luonnin jälkeen käytetään taas Select-työkalua ja valitaan select by location väestö jotka osuvat tai ovat bufferialueiden sisällä. Selvisi, että 2km säteellä Malmin lentokentästä asuu 58 871 asukasta ja 1km säteellä 9149 asukasta.
Helsinki-Vantaan lentokentän tehtävässä lähdin kulkemaan ns. takalisto edellä puuhun, kun kiinnitin liikaa huomiota tehtävänannossa mainittuun Tikkurilan alueeseen ja yritin rajata aineistosta vain Tikkurilan postinumeroiden alueet ja tehdä päällekkäisten päällekkäisiä valintoja. Lopputuloksena QGIS kaatui ja tein tehtävän osittain uudestaan.
Tie onneen piili uuden layerin luomisessa sekä uuden ominaisuuden löytämisessä select-työkalusta. Loin uuden layerin jolle piirsin kolmannesta kiitoradasta poikkeussuunnan 7km viivan ja sille 500m bufferin (Kuva 2). Tämän jälkeen valitsin selectillä by value väestötietokannasta postinumeron mukaan 01300 ja 01301, jonka jälkeen tein select by location väki/poikkeussuunnan bufferialue ja klikkasin selection työkalun valikosta kohdan “Modify current selection by -> selecting within current selection”, jolloin sain sisäkköisen valinnan tehtyä ja tietää nimenomaan Tikkurilan alueella asuvien meluhaistasta kärsivien määrän, mikäli koneet laskeutuisivat poikkeussuunnasta.
Tein lopulta taulukon saamistani tuloksista:
| Tehtävä | Vastaus |
| Asukkaat 2km säteellä Helsinki-Vantaan kiitoradoista | 11908 hlö |
| Montako % 2km säteellä asuvista asuu pahimmalla melualueella (65dB) | 303 hlö eli 2,54% |
| Montako ihmistä asuu vähintään 55dB melualueella? | 11923 hlö |
| Poikkeussuunnan melualueella asuvien ihmisten määrä | 13162 hlö |
| Pelkkä TiXi eli Tikkurilalaisten määrä poikkeussuunnan melualueella | 2345 hlö |
| Asukkaiden määrä 500m päässä juna-asemista | 11765 hlö |
| Enintään 500m päässä juna-asemista asuvien ihmisten osuus kaikista aineiston asukkaista | 21,65 % |
| Kuinka suuri osa enintään 500m päässä asuvista on työikäisiä? (15-64v) | 74989 hlö eli 67% |
Taa taa taajama
Taajamatehtävässä pääsin kikkailemaan vielä enemmän select työkalulla, kuten “remove from current selection” , select by expression ja value sekaisin sekä luomalla uusia sarakkeita attribuuttitaulukkoon. Nämä alkoivatkin jo sujua kohtuullisen hyvin, sillä kirjoitin myös muistiin kaikki vaiheet joita tein ja olen myös pitkin kurssia tehnyt muistiinpanoja erilaisista toiminnoista ja komennoista QGISille. Jonkin verran on vielä ongelmia joissakin yksittäisissä asioissa kuten attribuuttitaulukoiden päivittämisessä ilman apua.
Taajama-tehtävässä tein miljoona (lue: ainakin kymmenen) eri selections pyöritystä siten että väestön layerilla on valittuna taajamien sisään osuvat asuinyksiköt, joissa asuu yli 10% ulkomaisia asukkaita/kaikki asukkaat, loin uusia layereita näillä tiedoilla ja tallensin siten myös attribuuttitaulukkoon esimerkiksi sellaisen sarakkeen, johon oli laskettu koko väestötietokannasta ulkomaalaiset/kaikki asukkaat x100 jotta sain helposti prosenttiosuudet näkyviin suoraan attribuutteihin ja pystyin siten tekemään valintoja select-työkalulla ja luomaan omat layerit myös yli 20% ja 30% ulkomaalaisia/kaikki asukkaat valinnoilla.
(^okei pahoittelut koko kappaleen pituisesta virkkeestä, en oikeen itekään pysynyt mukana tässä mutta ehkä ajatuksenjuoksuani voi jotenkin seurata tuosta 😀 muistiinpanoistani suora lainaus siis ja tldr: oli monimutkainen ja monivaiheinen prosessi ja sain onneksi apua kaverilta kun kävin kysymässä mantsasohvilta <3 opiskelijayhteisöllisyys on parasta bestiä!)
Taajamatehtävän vastaustaulukko:
| Tehtävä | Vastaus |
| Montako % väestöstä asuu taajamissa? | 64 % |
| Montako kouluikäistä (7-15v) asuu taajamien ulkopuolella? | 2051 |
| Taajamien ulkopuolella asuvien kouluikäisten osuus kaikista kouluikäisistä | 3,80 % |
| Kuinka monella taajama-alueella ulkomaalaisten osuus on yli 10% | 161 |
| Kuinka monella taajama-alueella ulkomaalaisten osuus on yli 20% | 154 |
| Kuinka monella taajama-alueella ulkomaalaisten osuus on yli 30% | 137 |
Koulupiirit
Valitsin valinnaiseksi tehtäväksi koulupiirien tutkimisen. Sattumalta YNK eli Yhtenäiskoulu on vielä lähellä omaa lapsuudenkotiani, vaikka en YNKissä kouluja käynytkään. Edellisten tehtävien flowssa homma sujuikin mukavasti ja selectin, attribuuttitaulukon ja uusien layereiden pyörittely sujui vaivatta.
| Tehtävä | Vastaus |
| Kuinka monta lasta aloittaa YNKissä ensi vuonna ensimmäisellä luokalla? (eli koulupiirin 6v lkm) | 14 |
| Kuinka monta lasta aloittaa YNKissä ensi vuonna yläasteella? (eli koulupiirin 12v lkm) | 18 |
| Montako koulukäistä (7-15v) koulupiirissä asuu? | 159 |
| Mikä on kouluikäisten osuus kaikista koulupiirissä asuvista asukkaista? | 8,39 % |
| Montako muunkielistä kouluikäistä koulupiirissä asuu? | 24 |
Loppupohdinnat
Monet yksinkertaiset jutut sujuvat QGISin kanssa jo mukavasti ja tänä vuonna hommaa on myös ollut paljon mukavampaa ja helpompi tehdä kun saa käyttää koulun koneita eikä taistella kuolemaa tekevätn 10v vanhan maccini kanssa 😀 Lähiopetus on muutoinkin piristänyt ja helpottanut avun pyytämistä ja saamista, kun yhteinen kieli ei QGISin kanssa aina suju.
Olen melko samoilla linjoilla Henryn kanssa, joka pohti omia QGIS-taitojaan; vaikka jotkin työkalut ovat jo hyvin muistissa ja hallussa, on QGIS ohjelmana todella laaja ja siksi myös hankala käyttää. Dvs. QGISistä löytyy niin paljon ja monipuolisesti vaikka mitä, että valintaviidakkoa joutuu kyllä setvimään myös oikeita työkaluja etsiessä, ja Henry mainitsikin navigoimisen olevan välillä haastavaa. Henryn tavoin opin tällä kurssikerralla myös poistamaan virheellistä dataa attribuuttitaulukosta ja muokkaamaan tietokantoja siten, että niistä oli helpompi saada irti haluamiaan tuloksia.
Eiköhän tämä siis tästä!
Lähteet
Miia Mattilan blogi, Geoinformatiikan menetelmiä harjoittelemassa. https://blogs.helsinki.fi/mcmiia/category/bufferianalyysi/ Viitattu 4.3.2022
Elisa Oyj, kuuluvuus. https://elisa.fi/kuuluvuus/ Viitattu 4.3.2022
Henry Hemtmanin blogi, GIS-vandring. https://blogs.helsinki.fi/hemtmanh/2022/02/25/kursomgang-5-buffert-analyser/ Viitattu 4.3.2022