Alkoi mennä hermo

Näin sitä porskutetaan kovaa vauhtia eteenpäin, enää ei montaa kurssikertaa olekaan jäljellä! Fiilikseni ovat olleet tähän saakka melko tasaiset, mutta kyllä tämän kerran tehtävän kanssa meni tunteisiin. Eikä sillä hyvällä tavalla.

Jatkoimme viime kerralla valmistelemamme Pornaisten aineiston parissa. Tarkoituksena oli harjoitella puskurivyöhykkeiden tekemistä ja vyöhykkeisiin osuvien tietojen kartoitusta. Tarkastelimme kouluja ja terveyskeskuksia ja sitä, kuinka ne osuvat puskuroitujen teiden päälle.Tämä sujui ongelmitta ja oli jopa varsin mukavaa. Tuossa ohessa hieman kuvakaappausta luomastani taideteoksesta.

Tämmöiseltä näkymät näyttivät Pornaisten päädyssä

Pinja Laitinen postauksessaan pohtii puskurityökalun ja -analyysin käytettävyyttä. Etäisyys on tässä se ainut, jota tarkastellaan, mutta kuten hän mainitsi, ei muita puskurivyöhykkeen etäisyyteen vaikuttavia tekijöitä (kuten maaston korkeutta) oteta huomioon. Liikkumista helpottavat tai eriasteisista vaaroista varoittavat puskurikartat ovat omassa hommassaan erinomaisia, mutta kuten monissa asioissa, ei puskurianalyysi ole parhain aivan jokaisen muuttujan analysoinnissa.

Puskurointia harjoiteltiin sitten Helsinki-Vantaan ja Malmin lentokenttien meluarvioinneissa. Pahimpien melualueiden visualisoinnissa tämä työkalu toimi vallan mainiosti. Lentokenttien kiitoradat puskuroitiin ja tarkasteltiin, kuinka paljon asukkaita asuu kilometrin ja kahden etäisyydellä kiitoradoista.

Asukkaat Malmin lentokentän kiitoradan puskurivyöhykkeellä 
1 km 765
2 km 4724

 

Helsinki-Vantaan melua ja asutusta
Helsinki-Vantaan lentokentän tapauksessa tarkasteltiin meluhaittoja sekä sitä, kuinka monelle ihmiselle yli 60 desibelin meluhaitta olisi häiriöksi mikäli lentokoneita kulkisi poikkeuksellista reittiä Tikkurilan ylitse. Onhan tuossa muutama asukas, joiden elämään melu vaikuttaisi. Kyllä minuakin häiritsisi.  Alla taulukkoa ja yllä kuvakaappausta siitä, miltä puskurinäkymät näyttivät.
HKI-Vantaan asukkaat kiitoradan puskurivyöhykkeellä
1 km 204
2 km 2309
väh. 65 dB 41
väh. 55 dB 1728
väh. 60 dB Tikkurilassa 1800

Sitten siirryttiinkin asemiin, ihan kirjaimellisesti.  Tehtävässä oli tarkoitus kartoittaa, kuinka suuri osa alueen väestöstä osuu alle 500 metrin päähän joko juna- tai metroasemasta. Näitä ihmisiä oli 5169 kappaletta, prosenttiosuutena siis 9,27 %. Noh, nyt piti katsoa sitten kuinka monta prosenttia näistä oli työikäisiä (15-64v), mutta ongelmat alkoivat kavalasti hiipiä kohti. Tein uuden sarakkeen näistä työikäisistä, mikä onnistui, ja sitten select attributes -valintatoimintoa käyttäen yritin parhaani mukaan saada tuloksen käyttäen select attributes by location -painiketta, mikä sitten ei onnistunut.

Tässä asemien puskurointitehtävässä oli hyvä pistää merkille se, etteivät eri asemien puskurit ota toisiaan huomioon. Tässä tapauksessa siis yksi piste voi osua kahteen puskurivyöhykkeeseen jolloin se on laskettuna silloin kahteen kertaan. Luotettavan kartoituksen saamiseksi tällaiset harhakohdat olisi hyvä saada eliminoitua pois jollakin QGISin taikurimaisen sulavista komennoista.

No mutta, kuten postauksen otsikostakin voi päätellä, jossain vaiheessa se hermo sitten meni. En tiedä minne, mutta hatkat se otti ainakin luokasta A112. Itsenäistehtävä pääkaupunkiseudun saunoista ja uima-altaista vaikutti hauskalta,  joten lähdin puurtamaan sen parissa. Väestöaineistoa piti pienentää tutuin keinoin, ja sen pyöritteleminen sujui miltei moitteetta.

Uima altaita 855
Asukkaita näissä taloissa 12 170
Omakotitaloja 345
Paritaloja 158
Rivitaloja 113
Kerrostaloja 181
Sauna kaikista taloista 21 922
Taloja yhteensä 90 725

Taulukossa näkyy osuuksia siitä, kuinka monessa omakotitalossa, paritalossa jne. löytyy se hulppea uima-allas. Probleemat ilmenivät siinä vaiheessa, kun uima-altaat piti visualisoida pylväin sijoitettuna kaupungiosittain. Pääni sisällä ymmärsin, kuinka tämä tulisi toteuttaa, mutta käytännössä kartan luominen ei onnistunut, vaikka kokeilussa olivat join-, attributes by location – ja diagrammin piirtotoiminnot. Diagrammin luominen onnistui ja asetukset siinä olivat kohdallaan, mutta eihän siinä kartalla lopulta mitään näkynyt. 🙁 Selaillessani blogikirjoituksia samasta tehtävästä huomasin Tomi Kiviluoman ratkaisseen tämän pulman muutaman mutkan kautta, ja hänen kartassaan pylväät napottivat nätisti rivissä. Hyvä Tomi!

Pihla Haapalo onnistui esimerkillisesti visualisoimaan kartalle ulkokansalaisten osuuden Vantaan alueella. Hän kertoo muokanneensa legendan luokitteluasteikkoja classify-toiminnolla, joten arvot niissä eivät ole täysin luonnollisia. Haapalo siteeraa postauksessaan myös Vilma Koljosta, joka toi esille huomion liittyen siihen, että tällaisen classify-muokkauksen jälkeen ylimpien kategorioiden tulkintaan liittye epävarmuustekijöitä. Pohdin, voiko ongelmia muodostua siitä, jos QGIS ymppää liian suuren lukujoukon yhteen classify-luokkaan, eikä visualisointi sitten vastaa todellisuutta. Olisiko tapaus todenmukaisempi, jos jaon tekisi vaikkapa käyttäen Natural breaks -luokittelua?

 

Lähteet:

Haapalo, P. ”Kädet ilmaan”
Luettu 20.4.2020
https://blogs.helsinki.fi/haapalop/

Laitinen, P. ”Tämähän on ihan kivaa”
Luettu 20.4.2020

Tämähän on ihan kivaa

Kiviluoma,  T.  ”Valintojen maailma: bufferointia ja tietokantojen syväluotaavaa suodatusta”
Luettu 20.4.2020

Valintojen maailma: bufferointia ja tietokantojen syväluotaavaa suodatusta

 

Vastaa

Sähköpostiosoitettasi ei julkaista.