Suuri koitos

Ehdottomasti haastavin, mutta myös palkitsevin kurssikerta ja opiskelupäivä, jonka teemana kaverit ja sateinen perjantai. Erityisesti bufferointi ja kohteiden valitseminen eri menetelmilllä korostui kaikissa kohdissa. Lisäksi halu ratkaista asioita ja erityisesti oma motivaatio auttoi eteenpäin, mutta toisaalta nämä olivat koetuksella, kuten myös QGIS, joka kaatui useaan otteeseen. Tästä ainakin jäi käteen se, että tietoa kannattaa karsia, mikäli sitä ei käytä.

Tehtävissä yhdistyi GIS:sin peruspilarit: rasteriaineistot, vektoriaineistot ja jälkimmäisten analysointi. Kurssikerta alkoikin lämmittelytehtävällä liittyen viime kurssikerran Pornaisia käsittelevään osuuteen, mikä tuli todella tarpeeseen, sillä varsinaisissa tehtävissä lämmittelyn aikana opitut taidot sujuivat hyvin. Näitä taitoja ja työkaluja olivat mm. bufferointi ja kohteiden valitseminen sijainnin tai arvon perusteella.

Ensimmäisessä itsenäistehtävässä käsitellään lentokoneita, toisessa taajamia ja viimeisessä uima-altaiden tuomaa yleellisyyttä. Ensimmäiseen tehtävään siis.

Itsenäinen tehtävä 1

Tehtävä oli mukava aloitus itsenäisten tehtävien paketille, ja siinä pääsi hyödyntämään monenlaisia taitoja kiinnostavien aineistojen parissa. Tehtävä on jaettu kahteen osaan; ensimmäinen osa käsittelee Malmin ja Helsinki-Vantaan lentokenttiä ja toinen osa metro- ja juna-asemia. Molemmissa osissa suuressa roolissa on Buffer-työkalu, sekä Select by location & value -työkalut, mitkä mahdollistavat tehtävän tekemisen.

1. Lentokentät

Malmin lentokenttä

Malmin lentokenttä sijaitsee Lahden moottoritien ja Kehä I:sen kainalossa, Tattarisuon kupeessa Malmin itäpuolella. Lentokenttä otettiin käyttöön 16.12.1936 ja se vihittiin virallisesti käyttöön 15.5.1938 (Helsingin kaupunki 2015).

Malmin lentokentän pahimmalla melualueella, eli 2 kilometrin säteellä kentästä asui sen vielä ollessa käytössä 58682 ihmistä 4915 eri rakennuksessa. Kun tämä etäisyys kiitoradoista pienenee yhteen kilometriin, niin asukkaiden määrä tippuu 9027 asukkaaseen, jotka ovat jakautuneet 830 rakennukseen bufferivyöhykkeen alueelle.

Lentokentän käyttöönoton jälkeen alueelle, yhden kilometrin säteelle lentokentästä, on rakennettu 776 rakennusta, joissa asuu yhteensä 8839 asukasta. Vastaavasti 54 rakennusta on rakennettu ennen lentokentän valmistumista, joissa asuu yhteensä 188 asukasta. Malmin lentokenttä on siis verrattain vanha verrattuna alueen muihin rakennuksiin; noin 7% rakennuksista Malmin lentokentän ympäristössä on rakennettu ennen lentokentän valmistumista.

Rakennuksien käyttöönottovuoden pystyi suodattamaan bufferiin kuuluvista kohteista käyttämällä Select features by value -työkalua. Vieressä (Kuva 1) kyseinen tietopolku, jolla saa näkyviin bufferoidun vyöhykkeen kohteista ne rakennukset, jotka on rakennettu 1936 jälkeen.

Kuva 1. Hyödyllinen tietopolku QGIS:sissä

 

Malmin lentokentän alueelle on kuitenkin suunniteltu noin kolmen neliökilometrin laajuista asuinaluetta (Kuva 2), joka toisi asuntoja jopa 25 000 ihmiselle.

Kuva 2. Malmin lentokentän suunniteltu alue. Lähde: Helsingin karttapalvelu

Tutkitaan seuraavaksi PK-seudun asuinalueita vertaamalla Malmin suuniteltua aluetta muihin PK-seudun asuinalueisiin buffer-työkalun avulla. Lentokentälle suunniteltun alueen polygonin halkaisija sen pisimmästä kohdasta on 2,6 kilometriä, jota käytän verrattavana mittana. Nyt kuitenkin ympyrän (=bufferin) pinta-alaksi tulee noin viisi neliökilometriä, mikä on lähes kaksikertainen Malmin alueen alaan verrattuna.

Huomasin tehtävän tekemisen jälkeen Gaius Erikssonin tehneen saman tehtävän omassa blogissaan (2024), mutta verrattain helpommalla tavalla: hän oli laskenut asukastiheyden olemassa olevan alueen pinta-alan avulla ja yksinkertaisesti verrannut sitä muihin alueisiin, mikä oli mielestäni oivaltava tapa. Päädyin kuitenkin käyttämään aikaisemmin mainuttuja mittoja ja luomalla niiden avulla vyöhykkeitä.

Ensimmäisenä tarkasteltavana alueena on Tapanilan / Malmin keskustan alue. Loin bufferin satunnaiseen kohteeseen, mikä tuotti säteeltään 1,3 kilometrin ympyrän. Tämän jälkeen riitti valita ympyrän sisälle jäävät kohteet Select by location -työkalulla, minkä jälkeen Statistic panelista pystyi tulkitsemaan valittujen kohteiden (bufferin sisällä olevien) tilastotietoja eri muuttujien (sarakkeiden) osalta. Kuvasta 3 huomataan, että Tapanilan alueen bufferin sisään jäi 2820 asuinrakennusta, joissa kaikissa asui yhteensä 20614 asukasta, siis hieman alle 5000 vähemmän kuin verrattavan Malmin lentokentän suunnitellulla alueella. Huomioitavaa on , ettei Malmin lentokentän alue ole säännöllisen muotoinen ja siten sen todellinen halkaisija ei ole 2,6 kilometriä.

Kuva 3. Vasemmalla statistics panel, keskellä Tapanilan/Malmin keskustan alue ja oikealla suunniteltu Malmin alue nykyisine rakennuksineen (pisteet).

Valitsin toiseksi alueeksi Tikkurilan keskustan alueen, jolla asuu satunnaisesta pisteestä mitattuna 1,3 kilometrin säteellä 19642 asukasta 1558 rakennuksessa (Kuva 4), mikä on yli 5000 asukasta vähemmän kuin suunnitellulla Malmin alueella ja toisaalta tuhat vähemmän kuin Tapanilan alueella.

Kuva 4. Tikkurilan alueelle muodostettu vyöhyke buffer-työkalulla

 

 

 

Valitsin vielä viimeiseksi verrattavaksi kohteeksi Pakilan alueen (Kuva 5), jossa asuu edellisten vyöhykkeiden kanssa saman kokoisella alueella 14768 ihmistä 2917 rakennuksessa.

Kuva 5. Pakilan alueelle muodostettu vyöhyke buffer-työkalulla

Kun verrataan eri bufferoituja alueita ja niiden asukkaiden määrää, niin mikään valituista alueista ei tule lähelle Malmin alueen lukuja. Huomioitavaa on kuitenkin valittujen alueiden luonne: esimerkiksi Pakila on lähes kokonaan omakotitaloaluetta, minkä huomaa esimerkiksi rakennusten suuresta lukumäärästä (n. 3000), kun esimerkiksi Tikkurilan keskusta alueella rakennuksia on puolet vähemmän, mutta asukkaita yli 5000 enemmän.

Kuva 6. Taulukko tuloksista.

Jos olisin tehnyt tehtävässä jotain toisin, niin olisin laskenut bufferin 300 metriä pienemmällä säteellä, jolloin sen pinta-ala olisi ollut suunnilleen sama kuin Malmin lentokentän alueen tai tehnyt kuten Gaius.

Helsinki-Vantaan lentokenttä

Tässä tehtävässä keskitytään meluvyöhykkeisiin, jotka ovat mielenkiintoinen tarkastelun kohde. Meluvyöhykkeitä on yhteensä neljä: 50, 55, 60 ja 65 desibelin vyöhykkeet. Kokonaisuudessaan lentomeluvyöhyke on suunnilleen x:n muotoinen alue, joka ulottuu lounas-kaakko suunnassa noin 33 kilometriä pitkälle ja 5 kilometriä leveälle alueelle, ja luode-kaakko suunnassa noin 16 kilometriä pitkälle ja 2 kilometriä leveälle alueelle.

Helsinki-Vantaan lentokenttä sijaitsee Vantaalla noin 8 kilometrin päässä Malmin lentokentästä luoteeseen. Helsinki-Vantaan lentokentän välittömässä läheisyydessä (etäisyys kiitoratoihin alle 2km) asuu 11603 ihmistä 2367 rakennuksessa. Pahimmalla Helsinki-Vantaan lentokentän meluvyöhykkeellä, eli 65 dB ja ylöspäin asuu 19 ihmistä 7 rakennuksessa, mikä on vain 0,16 prosenttia verrattuna edellisen kohdan asukkaiden määrään. 65 desibelin meluvyöhykkeen pinta-alan osuus muiden meluvyöhykkeiden pinta-alasta on 8,7 %. Vähintään 55 desibeliä ylittävällä Helsinki-Vantaan lentokentän melualueilla (55 dB, 60 dB & 65 dB) asuu yhteensä 11923 asukasta 1780 rakennuksessa.

Kuva 7. Taulukko edellisten kohtien tuloksista

Jos Helsinki-Vantaan lentokentän kiitoratojen suunta vaihtuisi, niin pääsuunnan vaihtaminen poikkeussuuntaiseksi (kaakko-luode) loisi uuden, vähintään 60 dB meluvyöhykkeen, jonka alueella asuisi 12393 asukasta.

Kuva 8. Helsinki-Vantaan lentoasema. Vaihtoehtoinen suunta kaakko-luode. Oikea lounas-koillinen. Lähde: Paarlahti 2024.

Alla vielä vaihtoehtoisen suunnan muodostama uusi, vähintään 60 desibelin meluvyöhyke:

 

 

 

Kuva 9. Vaihtoehtoinen meluvyöhyke Vantaan ja Helsingin yllä. Keltaiset pisteet rakennuksia. Sininen alue Malmin lentokentän suuniteltu alue.

Jos kiitoratojen suunta vaihtuisi, niin vähintään 60 desibelin melualueella asuvien ihmisten lukumäärä kasvaisi nykyisesti 2620 asukkaasta 12393 asukkaaseen, mikä tarkoittaisi vaikutusalueilla olevien asukkaiden määrän kasvamista lähes viisinkertaiseksi.

2. Asemat

Toisessa osassa alkoi todellinen paikkatietojumppa, joka jatkui viimeiseen tehtävään asti. Tehtävän teko oli todella palkitsevaa, joskin QGIS:sin kaatuminen koetteli hermoja. Tässä osiossa korostui järjestelmällisyys, sekä tuttuun tapaan bufferointi.

Kartan alueella alle 500 metrin päässä juna- tai metroasemasta asuu 111765 ihmistä. Kaikkiaan kartan alueella asuu 516193 ihmistä, joista alle 500 metrin päässä asemista asuvien ihmisten osuus näistä kaikista on 21,7 %. Työikäisten eli 15-64 vuotiaiden määrällinen osuus näistä alle 500 metrin päässä asuvista ihmisistä on 74989, ja prosenttiosuus a-kohtaan verrattuna on 67,1 %. Tämä tieto on koottu allaolevaan taulukkoon (Kuva 10).

Kuva 10. Juna- sekä metroasemat ja PK-seudun väestö

Osiossa ennen kaikkea bufferoitiin, mutta myös select by location -työkalun käyttäminen oli ratkaiseva tekijä. Lisäksi työikäisten määrän laskeminen edellytti uuden sarakkeen (työikäiset) laskemista käyttämällä summafunktiota pistetietokannan attribuuttitaulukossa. Oppiminen ei ollut yhtä suuressa roolissa tässä osiossa kuin lentokenttiä käsitellessä, mutta kertaus vahvisti kuitenkin muistijälkeä ja jotkut toiminnot tuntuivatkin jo hyvin hallussa olevilta.

Itsenäinen tehtävä 2

Nyt vuorossa on taajamia ja taajama-asutusta käsittelevä tehtävä, joka oli oma suosikkini. Tämän tehtävän tekemiseen meni yllättävän kauan, mutta toisaalta se myös opetti eniten.

Taajama

Tehtävässä alueena (taajama-alueet) toimii koko PK-seutu. Huomasin vasta jälkeenpäin, että tässä olisi pitänyt laskea osuudet käyttäen edellisten tehtävien rakennustietoja, jotka kattavat noin 60% kaikista PK-seudun rakennuksista. Nyt tehtävässä lasketaan aluksi osuudet jne. käyttäen kaikkia PK-seudun rakennusten tietoja ja lopuksi oikeilla tiedoilla.

Taajamissa asuu yhteensä 1001830 ihmistä, joka on 96,1% PK-seudun 1042440 asukkaasta. Kouluikäisiä (7-15-vuotiaita) taajamien ulkopuolella PK-seudulla asuu 3369. Kun sai valittua kaikki taajamissa asuvat ihmiset, pystyi käyttämään Invert selection -työkalua, mikä mahdollisti vain taajamien ulkopuolella asuvien tarkastelun statistics panelin avulla. Tämän kohdan vastaukset on koottu allaolevaan taulukkoon (Kuva 11):

Kuva 11. Taajamat PK-seudulla, sekä tietoa niiden asukkaista

Viimeisessä kohdassa piti laskea monella taajama-alueella ulkomaalaisten osuus on yli 10, 20 ja 30 %. Nämä vastaukset on koottu allaolevaan taulukkoon (Kuva 12). Osa taajama-alueista oli erittäin pieniä pinta-alaltaan, niin tästä syystä lisäsin eräiden taajamien koordinaatteja taulukkoon, sillä todennäköisesti harva tietää, missä Ultuna tai Luukki sijaitsevat.

Kuva 12. Taulukko taajamista PK-seudulla ja ulkomaalaisten kolme eri osuutta. Esimerkiksi Pikku Kuusisaaren osuus on yli 30 %, sillä saarella sijaitsee Indonesia suurlähetystö.

Taulukon lisäksi laadin kartan QGIS:sillä (Kuva 13), jossa nämä eri alueet on kuvattu. Se löytyy alta:

Kuva 13. Kartta ulkomaalaisten osuuksista 10, 20 ja 30 % luokittain PK-seudun taajamissa.

Tehtävän tekeminen (viimeinen kohta; ulkomaalaisten osuudet) tuotti haasteita, mutta olin päättänyt tekeväni tehtävän loppuun ja näin teinkin. Ensimmäisenä piti karsia attribuuttitaulukosta alueet/rakennukset pois, jossa ulkomaalaisten lukumäärä oli 999999999, kuten eräs rakennus Espoon Otaniemessä. Karsimisen jälkeen pystyin laskemaan uuteen sarakkeeseen tietoa todellisista ulkomaalaisten määristä.

Loin kaksi eri layeria käyttämällä Count points in polygon -työkalua. Ensimmäiseen laskin pisteet/taajama-alue kaikken asukkaiden mukaan ja toiseen laskin pisteet/taajama-alue ulkomaan kansalaisten mukaan. Asetin Weight fieldiksi ensimmäisellä countilla kaikkien asukkaiden lukumäärän ja toisella countilla ulkomaalaisten lukumäärän. Weight field laskee valitun muuttujan summan polygonissa eli tässä tapauksessa rakennukset yksittäisen taajama-alueen sisällä.

Tämän jälkeen yhdistin tasot Join attributes by location -työkalulla toisiinsa (yhdistin yhden sarakkeen) ja tarkistin valintatyökalua käyttämällä, että uudessa Joined-tasossa rivien tiedot vastasivat toisiaan erillisissä tasoissa, minkä jälkeen laskin ulkomaalaisten osuuden uuteen sarakkeeseen. Loput vaiheista hoituivat select features by value -työkalulla, ja loin jokaiselle prosenttiluokalle omat layerit.

Suoritin prosessin vielä kertaalleen, tällä kertaa oikeaa rakennusdataa (vaki_vantaa_font_point.shp) käyttäen. Nyt siis kartan alueella olevista rakennusten 516193 asukkaasta taajamissa asuu yhteensä 496555 asukasta, joka on 96,2 prosenttia kaikista kartan alueen asukkaista. Alla taulukko (Kuva 14) oikealla datalla suoritetuista laskelmista ulkomaalaisten osuuksista:

Kuva 14. Taulukko taajamien lukumäärästä ulkomaalaisten osuuden mukaan.

Ylläolevasta taulukosta huomataan, miten suurin osa taajamista, jossa ulkomaalaisten osuus on 10, 20 tai 30 %, sijaitsevat tehtävän kartan alueella (Bodominjärvi-Karhusaari länsi-itäsuunnassa ja Tuusulanjärvi-Viikki pohjois-eteläsuunnassa).

Itsenäinen tehtävä 4

Viimeiseksi itsenäistehtäväksi piti valita yksi kolmesta, joista valitsin uima-altaita ja saunoja käsittelevän tehtävän, mikä kuullosti todella mielenkiintoiselta. Alla taulukoituna (Kuva 15) tietoa uima-altaista ja saunoista PK-seudulla. Tehtävässä hyödynsin erilaisia valintatyökaluja laidasta laitaan.

Kuva 15. Taulukko saunoista ja uima-altaista PK-seudulla

Tiedon keräämisen lisäksi tehtävänä oli laatia kartta, joka kuvaa uima-altaiden jakautumista kaupunginosittain PK-seudulla. Alla valmis kartta:

Kuva 16. Uima-altaan kaupunginosittain PK-seudulla

Kartan laatiminen oli mukavaa puuhaa, johon liittyi paljon ongelmanratkaisua Heikin ja Antin kanssa. Kaupunginosien rajoja käsittelevää tiedostoa a_pks_pie.shp ei pystynyt hyödyntämään sellaisenaan, koska laskiessa sen geometeriaa ohjelma ei tunnistanut sitä polygoniksi. Etsin netistä tietoa, joka ohjasi käyttämään Fix geometries -työkalua (Handling Invalid Geometries). Valitsin parametriksi linework, minkä jälkeen työkalu loi uuden tason, jonka geometriat olivat korjattuja. Korjaamisen jälkeen: 1. count points in polygon (uima-altaat/kaupunginosa) ja 2. koropleetin muodostaminen ja kaikenlaiset loppuhiomiset.

Tehtävä opetti paljon ja antoi eväitä seuraavin koetuksiin niin hermojen kuin taitojen kannalta.

Itsenäinen tehtävä 3

Tehtävän aiheena on koulut ja koulupiirit, joista jälkimmäisistä piti tarkastella Helsingin yhtenäiskoulun koulupiiriä ja sen alueella asuvaa väestöä. Alla tuloksia QGIS:sillä tehdystä analyysistä taulukon muodossa:

Kuva 17. Helsingin Käpylässä sijaitsevan Yhtenäiskoulun koulupiirin väestö. Yhtenäiskoulussa on vuosiluokat 1-9. Yläasteikäisten määrä on joko 62 tai 81, riippuen lasketaanko vielä 16-vuotiaat yläasteikäisiksi. Kaksi viimeistää kohtaa on laskettu olettaen, että kouluikäinen on 7-16-vuotias.

Tehtävä oli yksinkertainen, joskin se vaati joidenkin asioiden oivaltamista, etenkin kysymysten sanamuotojen kanssa. Tiedon keräämiseen käytettiin samoja keinoja ja työkaluja kuin aikasemmin, mutta loin tälläkertaa enemmän uusia tasoja, sillä esimerkiksi tehtävässä käsiteltiin ainoastaan yhtä koulupiiriä ja siten HYK:in koulupiirin luominen omaksi tasoksi oli luontevaa. Eli jos jotain jäi käteen, niin tiedon karsiminen ja tiivistäminen.

Itsenäinen tehtävä 5

Viimeisenä silauksena (ja tehtävänä) on PK-seudun putkiremontit ja ne erityisesti vuosina 1965-1970 rakennetuissa kerrostaloissa osa-alueittain. Alla taulukko (Kuva 18), johon on koottu vastaukset kyseiseen tehtävään:

Kuva 18. Putkiremontit ja kerrostalot PK-seudulla

Taulukon laatimisen jälkeen piti laatia kartta, jonka päätin jakaa periaatteessa kahteen osaan: puhtaaseen koropleettikarttaan ja koropleetin ja numeroiden yhdistelmään. Alla ensimmäinen (Kuva 19) näistä kahdesta:

Kuva 19. PK-seudun vuosina 1965-1970 rakennettujen kerrostalojen putkiremontti-indeksi. %-luku on laskettu jakamalla alueella olevien em. aikana rakennettujen kerrostalojen määrä kaikilla osa-alueen talojen määrällä.

Kartta on lähes onnistunut kaikin puolin, ja olen siihen tyytyväinen, sillä se on visuaalisesti miellyttävä, sekä siitä voi tulkita osuuksia ja toisaalta lukuarvoja(kin). Jälkeenpäin ajateltuna kartta saattaa kuitenkin johtaa harhaan, sillä kerrostalon remontoitavuus-status on laskettu se pohjalta, että kerrostalossa on vähintään 1 remontoitava asunto. Siten Keski-Vuosaaren luku 102 ei siis kerro, että kyseisen osa-alueen 102 rakennuksen jokaisen asunnon putket pitäisi laittaa uusiksi. Tämän olisi voinut mainita itse kartassa.

Kartasta huomataan kuitenkin, miten remontoitavien talojen osuudet kasvavat kohti etelää mentäessä ja vähenevät pohjoista kohti mentäessä. Ensimmäinen luokkaraja ei ole kuitenkaan jatkuva legendassa näkyvän arvon perusteella, vaikka arvot ovat jatkuvia. Tämä saattaa hämätä joitakin.

Vihoviimeiseksi kartaksi (Kuva 20) laadin edellisestä kartasta toisaalta parannetun, mutta toisaalta hieman huonomman kartan. Jotkut osa-alueet eivät näy kartalla, sillä muuten merkitsevät numerot (>0) eivät näkyisi kunnolla. Nyt toisaalta lukija saattaisi/saattaa luulla, että legendan alla muhii jonkun osa-alueen muodostama remonttiparatiisi, mutta näin ei ole. Lukuarvot näyttävät nyt myös rakennusten määrältä suurempien alueiden remonttitarpeet, jotka jäisivät muuten suhdeluvun taakse piiloon. Kyseinen kartta alla:

Kuva 20. PK-seudun vuosina 1965-1970 rakennettujen kerrostalojen putkiremontti-indeksi ja remontoitavat kerrostalot per osa-alue kokonaislukuna

Karttaa pystyy tulkita melko hyvin, joskin jotkut numerot eivät ole alueen sisällä, tai jossain alueella ei ole numeroita ollenkaan (koska siellä ei ole rakennuksia), kuten Maunulanpuiston ja Pohjois-Pasilan alueella. Keski-Vuosaari pitää vahvasti ykkösijaa halussaan tässäkin kartassa, hyvänä kakkosena Kontula ja Lauttasaari kolmantena

Pohdintaa

Kurssikerta opetti monia asioita ja taitoja, joiden koen olevan kriittisiä, kun paikkatietoa analysoidaan. Jokainen kurssikerta on vahvistanut omalta osin osaamistani, mutta etenkin tämän kerran asiat tuntuivat jääneen mieleen muita paremmin. Koen, että vahvuuteni QGIS:sissä on vektoriaineistojen analysointi, vektorigeometria ja erilaisten tasojen samanaikainen käsittely, sekä ominaisuuksen suodattaminen halutun muuttujan ja/tai sen arvon mukaan, esimerkiksi select by value -työkalulla tai field calculatorilla. Kuitenkin kolmannen kurssikerran Aggregate-työkalu tuntuu varsin tuntemattomalta, ainakin edellämainittuihin verrattuna – vaikka se oli oleellisessa roolissa kolmannella kerralla. Helpointa minulle ollut erilaiset laskuprosessit, vaikeinta kaikki mikä ei ole kivaa.

Viidennen, eli tämän kurssikerran asiat ovat olleet kuitenkin kaikista hyödyllisimpiä, joskin ilman perusteita niiden käyttö olisi sangen vaikeaa. Esimerkiksi bufferointi tuntuu äärimmäisen hyödylliseltä, ja sillä on monia käyttökohteita. Puskurivyöhykkeiden avulla voidaan valita alueen kohteet ja käyttää muita overlay-analyysejä, esimerkiksi laskea kuinka monta puuta suoran tien tieltä pitää kaataa ja paljon kyseisten puiden myymisestä saa rahaa, tai tutkia kuinka moni rakennus kuuluu joen tai rannikon tulvariskialueelle. Loppujen lopuksi puskurivyöhykkeitä käytetään melko samanlaisiin asioihin: jotain tiettyä osuutta halutaan tarkastella, ne halutaan lisätä tai poistaa. Monimuotoisuutta tuo kuitenkin itse työkalun monimuotoisuus, joka mahdollistaa erimuotoisten bufferien laatimisen.

QGIS on siitä hyvä kapistus, että se ratkaisee lähes kaiken, myös itse aineistoihin liittyvät ongelmat, vaikka aineisto onkin ohjelman ulkopuolinen. Ohjelmaa pitää vain osata käyttää, ja siksi oma motivaatio on tärkeässä roolissa QGIS:sin käytössä. Muita seikkoja ovat esimerkiksi oikea projektio, oikea kenttätyypppi ja oikea tiedostomuoto, jota QGIS tukee.

Lähteet:

Eriksson, G. (2024). Gaiuksen kurssiblogi: MAA202 Viides viikko. Viitattu 17.2.2024. MAA202 Viides viikko – Gaiuksen kurssiblogi (helsinki.fi)

Helsingin kaupunki (2015). Malmin lentoasema. Viitattu 17.2.2024. Liite.pdf (hel.fi)

Paarlahti, A. (2024). Kurssimateriaalit: Harjoitus5_2024. Viitattu 17.2.2024.