Ongelmanratkaisua ja onnistumisia

Viidennen kurssikerran hallitseva teema oli itsenäinen työskentely ja aiemmin opittujen metodien soveltaminen, mikä oli virkistävää vaihtelua aikaisempiin kurssikertoihin nähden. Tunnin jälkeen koin tehneeni valtavasti aivojumppaa sekä kokeneeni iloisia onnistumisen ja oivalluksen hetkiä.

Tälläkään kurssikerralla ei kuitenkaan kokonaan vältytty uuden oppimiselta, vaan tutustuimme puskurianalyysien toteuttamiseen. Tarkoituksena on luoda halutun kohteen ympärille puskuri eli bufferi, minkä jälkeen Spatial Query –työkalulla tarkastellaan bufferin sisään jäävien kohteiden määrää ja ominaisuuksia. Tyypillinen tutkimuskysymys on, kuinka paljon jotakin ilmiötä esiintyy tietyn välimatkan säteellä valitusta kohteesta. Puskurianalyysillä voidaan täten tarkastella vaikkapa kongressikeskuksen lähistöllä sijaitsevien hotellien määrää tai luoda suojavyöhyke jokilaaksolle. Analyysiä voidaan käyttää hyödyksi esimerkiksi kaupunkisuunnittelussa tai liiketoiminnassa, kun optimoidaan kunnallispalvelun tai liikkeen sijainti sen kohderyhmään nähden.

Kurssikerran harjoituksissa tarkasteltiin lentomelulle altistuvien ja tietyn välimatkan päässä asemasta asuvien ihmisten määriä. Harjoituksista kävi ilmi, että Helsinki-Vantaan ja Malmin lentokenttien melusaastealueilla asuu tuhansia ihmisiä. Ilmiö on haitallinen monesta näkökulmasta, mutta haittoja voidaan lievittää kaupunkisuunnittelun avulla (Salmi, Julia 2019):

”Kaupunkisuunnittelu vaikuttaa kuitenkin merkittävästi melusaasteesta kärsivien ihmisten määrään. Melulla on useita negatiivisia vaikutuksia ihmisten terveyteen, kuten lisääntyvä elimistön stressi ja heikentyvä unen laatu. Melusaasteen tutkiminen ja asutuksen sijoittaminen mahdollisimman kauas lentokenttien melualueesta on siis tärkeää.”

Pääpiirteissään itsenäistehtävien suorittaminen sujui hyvin. Työskentelyn avainasemassa oli ohjeiden huolellinen lukeminen ja tiimityöskentely vieruskaverin kanssa, mutta ennen kaikkea työskentelyäni edisti QGIS:n eri toimintojen ennakkoluuloton kokeileminen. Eri toimintoja kokeilemalla saa harvoin aikaan mitään haitallista tai peruuttamatonta, minkä lisäksi ymmärrys toimintojen sovellusmahdollisuuksista syvenee merkittävästi niiden eri ulottuvuuksia testatessa. Suurimmaksi ongelmakseni työskentelyssä osoittautui se, että ajattelen asioita liian monimutkaisesti. Ensimmäisessä itsenäisharjoituksessa esimerkiksi pelkän 65 db:n lentomelualeen valitseminen osoittautui omalla kohdallani hyvin paljon aikaa vieväksi prosessiksi, vaikka lopulta tajusin sen hoituvan vain muutamalla helpolla klikkauksella. Havaintoja ja vastauksia itsenäistehtävien kysymyksiin on kerätty tähän taulukkoon.

Itsenäistehtävien tärkein tarkoitus oli ymmärtää tekemäänsä, mutta konkreettisia karttojakin syntyi. Ensimmäisenä kotona tehtävänä itsenäistehtävänä tarkastelin pääkaupunkiseudun asuinrakennusten rakennusvuosia putkiremontin tarpeen näkökulmasta. Kuvan 1 kartta havainnollistaa pääkaupunkiseudun niin sanottua remontti-indeksiä eli sitä, millä alueilla on eniten putkiremonttia vaativia asuinrakennuksia. Näitä rakennuksia ovat erityisesti vuosina 1965–1970 rakennetut talot. Vilma Kaukavuori kuvailee ilmiötä pilke silmäkulmassa blogitekstissään Talojen suuret ikäluokat lähestyvät putkiremontti-ikää (2019): ”Nuo talot ovat kuin suuret ikäluokat. Ne ovat nyt saavuttaneet putkiremontti-iän ja jos remonttia ei ole vielä tehty, se on auttamatta edessä.” 

Helsingin kantakaupunki on alhaisen remontti-indeksin aluetta, mutta lähiöissä on enemmän putkiremontin tarpeessa olevia rakennuksia. Ilmiö liittyy tiiviisti Suomen lähiöitymishistoriaan. 1960- ja 1970-luvut olivat lähiörakentamisen kulta-aikaa, jolloin pääkaupunkiseudun reuna-alueille rakennettiin runsaasti uutta kerrostalovaltaista rakennuskantaa (Kulttuuriympäristömme 2006).

Kuva 1. Pääkaupunkiseudun remontti-indeksi eli vuosina 1965–1970 rakennettujen asuintalojen määrä suhteessa kaikkiin asuintaloihin.

Hurahdin QGIS:n syövereihin ja päätin tehdä toisenkin vaihtoehtoisista itsenäistehtävistä. Työni tuloksena syntyi asuintalojen uima-altaiden määrää kuvaava kartta (kuva 2), johon on myös merkitty uima-altaiden absoluuttinen määrä histogrammeilla ja lukuarvoilla. Lukuarvot asettuvat harmillisesti päällekkäin pylväiden kanssa,  enkä millään löytänyt toimintoa, jolla asian saisi korjattua.

Uima-allasrikkaimmiksi osa-alueiksi osoittautuvat Lauttasaari ja Länsi-Pakila, minkä lisäksi aineistosta selviää, että yli puolet pääkaupunkiseudun asuintalojen uima-altaista sijaitsee omakotitaloissa.

Kuva 2. Uima-altaiden määrä pääkaupunkiseudun taloissa tai taloyhtiöissä.

Tehtävien lomassa aloin ensimmäistä kertaa kunnolla kiinnittää huomiota karttojeni ulkoasuun ja visuaalisuuteen. En todellakaan koe omaavani hyvää visuaalista silmää, mutta muiden karttoja katsellessa ja QGIS:n visualisointityökaluja tutkiessa alan päästä jyvälle siitä, millaiset kartat toimivat toisia paremmin. 

Yleisellä tasolla QGIS:n käyttö sujuu omalla kohdallani hyvin. Suurimmaksi haasteeksi osoittautuu työkalun ja menettelytapojen valinta tutkimusongelman pohjalta, sillä kaikkien työkalujen sovellusmahdollisuudet eivät ole vielä muistissa. Kun kohtasin ylitsepääsemättömältä tuntuvan esteen, strategiani oli yksikertainen ja tehokas: silmäilin aikaisempien kurssikertojen ohjeita ja etsin niistä jo unohtuneita työkaluja, joita voisi soveltaa nykyiseen ongelmaan.  Esimerkiksi Count polygons -työkalu oli kokonaan hävinnyt muististani, kunnes tarvitsin sitä remontti-indeksiä laskiessani. Maininta toiminnosta löytyi näppärästi kolmannen kurssikerran ohjeesta.

Suuri osa tähän asti käytetystä metodeista ja työkaluista on minulla kuitenkin hallinnassa. Hyvin oleellista QGIS:n käytössä on hahmottaa attribuuttitaulukon rooli ja sen potentiaaliset käyttömahdollisuudet. Taulukkoon voidaan laskea uusiin sarakkeisiin tietoa olemassa olevien sarakkeiden tiedoilla, tai taulukkoon voidaan tuoda kokonaan uutta tietoa esimerkiksi tietokantaliitoksilla Join-toiminnolla. Erityisesti itsenäistehtävissä toistuva kaava oli tiettyjen kohteiden valitseminen ja uuden tietokannan luominen niiden pohjalta, ja Select by Expression -työkalu tulikin erittäin tutuksi. Työkalulla voidaan suodattaa ja valita aineiston rivejä numeerisin perustein, mikä säästää paljon aikaa ja hermoja. Koen hallitsevani hyvin myös Spatial Query –kyselytyökalun, jolla tietokannasta saadaan valittua ja rajattua päällekkäin osuvia kohteita.

Lähteet

Kaukavuori, Vilma (2019). Talojen suuret ikäluokat lähestyvät putkiremontti-ikää. <https://blogs.helsinki.fi/vilmakau/>, luettu 17.2.2019.

Kulttuuriympäristömme (2006). Asuinrakentaminen Suomessa 1900-luvulla. <http://www.kulttuuriymparistomme.fi/fi-FI/Ajankohtaista/Artikkelit/Kaupunkiymparistot/Asuinrakentaminen_Suomessa_1900luvulla(37707)>

Salmi, Julia (2019). Osa 5: Bufferointia ja melusaastetta. <https://blogs.helsinki.fi/jhsalmi/2019/02/19/osa-5-bufferointia-ja-melusaastetta/>, luettu 10.3.2019.

2 vastausta artikkeliin “Ongelmanratkaisua ja onnistumisia”

Vastaa

Sähköpostiosoitettasi ei julkaista. Pakolliset kentät on merkitty *