Viidennellä harjoituskerralla tutustuimme perusteellisesti bufferointiin monipuolisten harjoitusten avulla. Aloitimme tutkimalla edellisellä kerralla aloiteltua Pornaisten rajauksen aluetta. Tutuiksi tulivat työkalut Fixed distance buffer, Spatial Query ja Statistic panel, joita tuli käytetyksi niin monta kertaa, että sen voi jo sanoa osaavansa unissaankin. Bufferointi oli sitä paitsi hauskaa: oli mielenkiintoista tutkia erilaisia vaikutusalueita ja sitä, kuinka moneen asukkaaseen eri ilmiöt vaikuttavat. Tämä on työkalu, josta uskoisin olevan valtavasti hyötyä tulevaisuudessa. Valitettavasti pelkkä hauskuus alkoi ja loppui bufferointiin, sillä muuten tehtävät olivat vasta-alkajalle monimutkaisia ja haastavia, piti todella keskittyä siihen mitä kysytään ja miten sen saa selville. Tehtäviä oli myös todella paljon, tämä oli tähänastisista ehdottomasti kaikkein suuritöisin harjoituskerta. Mutta tarkkuus on kehittynyt ja näiden em. työkalujen käyttö rutinoitunut (miltei) automaatioksi!
Ensimmäisessä tiebufferoinnissa piti olla tarkkana: kysyttiin ”Montako taloa rajatulla alueella on 100 m:n etäisyydellä tiestä?!”. Ensimmäisessä yrityksessäni sain tulokseksi 136, mutta kun tarkastelin saatua karttaa, huomasin etelälaidalla kahden talon jäävän kyllä tiebufferin sisään, mutta Pornaisten rajauksen ulkopuolelle. Eli tarvittiinkin vielä bufferoinnin lisäksi valmiin tiebufferin rajaamista Intersection -työkalulla, jotta tehtävänanto saadaan toteutettua oikein (kartta 1).
Alkuharjoitus:
Pornaisten rajauksen sisältä bufferoinnin tuloksia:
| Rakennuksia Pornaisten rajauksen sisällä yhteensä | 670 kpl |
| – niissä asukkaita yhteensä | 1680 as |
| Rakennuksia 100 m etäisyydellä tiestä | 134 kpl |
| Niissä asukkaita | 334 as. |
| – joka on % koko alueen väestöstä | 19,8 % |
| Rakennuksia 500 m etäisyydellä terveyskeskuksesta | 187 kpl |
| Niissä asukkaita | 473 as. |
| – joka on % koko alueen väestöstä | 28,1 % |
| Rakennuksia kauempana kuin 1km koulusta | 246 kpl |
| Niissä asukkaita | 611 as. |
| – joka on % koko alueen väestöstä | 36,3 % |
Kartta 1. Tarkkuutta vaativa tehtävä: kaksi taloa ei kuulukaan rajauksen joukkoon. (Se kolmas hengailee muutenkin bufferin ulkopuolella)
Itsenäistehtävä 1: Lentokentät ja asemat
Malmin lentokenttä
Seuraavaksi lähdettiin tutkimaan lentomelua Helsingin lentokenttien ympäristössä. Ensimmäisenä tutkittiin Malmin lentokentän melualueita 1:n ja 2:n kilometrin säteellä (kuvakaappaus 1.), sekä niiden alueella asuvien ihmisten määrää. Käytössä tutut työkalut Fixed Distance Buffer, Spatial Query ja Statistic Panel. Eli lisäharjoitusta ja toimintojen sujuvoittamista. Bufferointi sujuu jo todella hyvin, mutta analyysin tekeminen vaatii vielä miettimistä hetken verran.
Malmin lentokentän melualue
| 1 km melualueella asuvat | 8703 as. |
| 2 km melualueella asuvat | 56943 as. |
Kuvakaappaus 1. Malmin lentokentän 1 ja 2 km bufferit.
Helsinki-Vantaan lentokenttä
Seuraavaksi Helsinki-Vantaan kiitoratoja tutkimaan.
Uutena työkalunani on filtteröintitoiminto, jonka useiden kokeilujen (ja tuskastumisen) jälkeen löysin, eli helpoimmin vähintään 55dB alueella asuvien määrän sain valitsemalla Filter -toiminnon Query Builderin, johon syötettiin lauseke ”Meluaste >= 55”, jolloin toiminto blokkasi 50 dB:n alueen pois Spatial Queryn käytössä. Varmaan muitakin tapoja on paljon, mutta tämä toimi tässä hyvin.
Tilapäisen, Tikkurilan suunnasta laskeutumiseen käytetyn kiitoradan vähintään 60 dB:n melualueen vaikutuksen sai selville bufferoimalla 6,5 km pituisen ”apuviivan” määrityksellä 500 m bufferi, jolloin tuloksena oli kiitoradan päästä 7 km pitkä ja 1 km leveä melualue tehtävänannon mukaan (kartta 2).
Helsinki-Vantaan lentokenttä
| Alle 2 km etäisyydellä kiitoradoista asuvat | 10315 as. |
| -joista on % 65dB alueella | 0,26 % (9 rakennusta) |
| Vähintään 55dB alueella | 11913 as. |
| Tilapäinen kiitorata, vähintään 60dB alueella | 12455 as. |
Kartta 2. Helsinki-Vantaan kiitoradan 2. käytöstä Tikkurilan yli suuntautuvista nousuista aiheutuvan vähintään 60 dB:n melualueen laajuuden tarkastelua.
Asemat
Asemaharjoituksessa pääsin jälleen käyttämään lempityökaluani, eli bufferointia. Bufferointi ja saadusta bufferista kyselyitten suorittaminen alkaa jo sujua, ja tuntuu hyvin tarkoituksenmukaiselta. Kyselyiden suorittamisessa haparointia on vielä runsaastikin, mutta toisaalta jos en ole esimerkiksi muistanut edellisessä tehtävässä käytettyä työkalua/toimintatapaa, tai se ei ole toiminut (kuten minulla Join attributes by location!), olen hakenut päättelemällä uusia, ja löytänyt muutamia oikein näppärästi toimivia työkaluja (kuten em. Query Builderin) ja niiden soveltamiskeinoja. Jotkut niistä ovat olleet ehkä hankalampia, kuin asiaan tarkoituksenmukaisin työkalu/reitti, mutta ovat yhtä kaikki silti toimineet. Suurin muutos on ollut paitsi tuttujen ja paljon käytettyjen toimintojen automatisoituminen, myös kokeilurohkeuden kasvaminen: en enää pelkää räjäyttäväni koko QGISiä kokeilemalla vierasta toimintoa. Olettaen tietenkin, että olen muistanut tallentaa sekä projektin että haluamani layerit ennen uhkarohkeita kokeiluja. Läksy, joka on pitänyt oppia monen kantapääkokemuksen kautta…
Samoja työkaluja pääsin taas käyttämään tässä tehtävässä (kuvakaappaus 2).
Juna- ja metroasemat
| Alle 500 m säteellä juna- tai metroasemasta asukkaita | 106691 as. |
| -joka on % alueen kaikista asukkaista | 21,8% |
| -joista % on työikäisiä asukkaita | 68,5% |
Kuvakaappaus 2. Tutkimusalueen taajama-asteen ja asemien lähiasutuksen (500 m) tutkimista.
Itsenäistehtävä 2: Taajamat
Taajama-tehtävästä saamani 97,6% taajama-aste näytti silmämääräisesti hyvältä, ja ainakin tilastokeskuksen tiedoista löytyi samansuuntainen prosenttiluku (Tilastokeskus 2016). Pääkaupunkiseudulla taajamaksi lasketaan liki kaikki asuinrakennuksia sisältävät alueet. Koska tulokseni oli hieman Tilastokeskuksen lukemaa pienempi arvo, hain syytä siihen etsimällä saamistamme materiaaleista metadataa, josta olisi nähnyt miltä vuodelta materiaaliemme pks_vaki -tiedot ovat, mutta löysin vain materiaalien lähteen, josta ilmeni, että tiedot päivitetään joka kevät edellisen vuoden lopun arvoilla (SeutuCD2016). Ehkä parin vuoden väestönkasvu selittää hienoisen eron omani ja Tilastokeskuksen tuloksen välillä?
Ulkomaalaisten %-osuudet tuottivat ensin oikeasti päänvaivaa: esim. Kauniainen ei halua ilmoittaa ulkomaalaisten osuuksia, vaan laittaa 9999… koodin. ”Muunkielisiä” Kauniaisista löytyi 418 asukasta, ja kun muiden pääkaupunkiseudun kuntien muun kielisten osuus korreloi yleensä ulkomaalaisten osuuteen ollen jonkin verran ulkomaalaisten osuutta suurempi, voisi Kauniaisista ehkä olettaa samoin, jolloin määrä voisi olla ehkä 500 tienoilla. Ehkä.
Ja sitten päästiin taas käyttämään filtteröinnin Query Builderia, Kauniaisten blokkaus kävi helposti määrittämällä ULKOKAN prosentti alle 99, jolloin Kauniaisten (ja esim. Helsinki-Vantaan transit-hallin ?) 999999.. arvot tippuivat pois.
Taajamien asukkaat
| Tehtäväalueen asukkaista asuu taajamassa | 97,6% |
| Kouluikäisistä asuu taajaman ulkopuolella | 3727 opp. |
| -joka on % alueen kaikista kouluikäisistä | 3,6% |
Ulkomaalaisten osuus alueella (Kauniainen poisluettuna: ei annettuja arvoja)
yli 10 % alueita 66 kpl
yli 20 % alueita 19 kpl
yli 30 % alueita 11 kpl
Itsenäistehtävä 3: Koulut
Tässä tehtävässä pääsi käyttämään jälleen tuttua Spatial Queryä ja sen jatkona Statistic panelia. Uusi lempitoimintoni Query Builder pääsi taas tositoimiin.
Tehtävä oli aiempiin verrattuna helppo, mutta vaati tarkkuutta tutkia tehtävänanto huolella, jotta lähti hakemaan oikeaa asiaa.
Analyysi aineiston oppilasmääristä näyttäisi nopeasti katsottuna siltä, että Käpylän alueella lasten määrä on vähentymässä Helsingin yhtenäiskoulun koulupiirissä. Yläasteikäisiä on vielä jokaisessa ikäluokassa kahdenkymmenen molemmin puolin, mutta nuorempia kohden määrä pienenee niin, että koulutiensä seuraavana vuonna aloittavia on vain 14 oppilasta, mutta kun tarkastelee nuorempiakin ikäluokkia, notkahdus näyttäisi olevan vain väliaikainen: nuorempien ikäluokat ovat jo hienoisessa kasvussa, 0-vuotiaita on jo 22, 2-vuotiaita 20, 3-vuotiaita 14, 4-vuotiaita 22 ja 5-vuotiaita 16. Pienin ikäluokka, 1-vuotiaat, on tosin vain 8 lapsen suuruinen. Ikäluokat näyttäisivät jatkavat orastavaa kasvuaan, kuten Helsingin kaupungin omat vuonna 2017 julkaistut tilastot osoittavat. Lapsiperheiden poismuutto alueelta on vähentynyt, eli perheet eivät enää siirrykään ympäryskuntiin lasten tullessa kouluikään (Helsingin kaupungin tila ja kehitys -raportti 2016).
Kaupungin opetustoimen johdolla on ollut asiaan jo pitkän aikaa myös selvästi ideologinen kanta, jonka mukaan Helsingin yhtenäiskoulu pitää lakkauttaa. Tämä ilmenee opetustoimen johtajan Suomen Kuvalehdelle antamasta haastattelusta (Suomen Kuvalehti 2009). Kuten Sini Virtanen blogissaan tuo esille, Yhtenäiskoulun, Koskelan koulun ja Käpylän Peruskoulun yhdistämisestä on käyty keskusteluja viime aikoinakin (https://blogs.helsinki.fi/7k110738/).
Tehtävän kaltaista analyysiä tarvitsee esimerkiksi päätettäessä koulupiirien tulevista jaoista sekä kunkin koulun aloittavien ensimmäisten luokkien määristä.
Helsingin yhtenäiskoulun koulupiiri
| Koulutulokkaita ensimmäiselle luokalle seuraavana syksynä | 14 opp. |
| Yläasteikäisiä yhteensä koulussa seuraavana syksynä | 62 opp. |
| Koulupiirin kaikista asukkaista 7-15 -vuotiaita | 8,4% |
| Koulupiirin alueella muun kielisiä koululaisia (arvio) | 9 opp. |
Itsenäistehtävä 4: Uima-altaat, saunat (& ongelmat)
Tässä tehtävässä olisi ollut käyttöä Join layer by location -työkalulle. Mutta mutta: en ollut saanut sitä toimimaan, vaikka minkälaisilla asetuksilla yritin. Ensin ajattelin, että kyse on omasta osaamattomuudestani ja kokemattomuudestani, mutta kun sama virhekoodi ”-2147483645 See log for more details” toistui yhä uudestaan asetuksista ja arvoista riippumatta, asia piti lopulta selvittää. Logista katsomalla ei selvinnyt yhtään mitään järkevää. Lopulta virhekoodin googlettamisella asia selvisi Bug Report -keskustelusta https://issues.qgis.org -sivuilta: oma versioni QGISistä (2.18.15 Las Palmas) käyttää temporary layeriä (memory layer) oletuksena, ja siinä materiaaliemme 2.5D geometriadata ei toimi. Joined layer pitää tallettaa oikeasti, jotta Joined-työkalu toimisi. Virheen kanssa sai kyllä (taas!) kivasti menemään tunteja ennen kuin asia selvisi.
Positiivista: en näköjään ollutkaan ainoa jolla on ollut sama ongelma. Paras kommentti virhekoodikeskustelussa oli, että ette sitten viitsineet kirjoittaa virhekoodin sijaan yksinkertaisesti mainintaa, että versiossa 2.16 ja uudemmissa täytyy tallettaa suoraan varsinaiseksi layeriksi.
Tosiaan: miksi ei mainintaa? Olisi pelastanut minutkin pitkältä turhalta pähkäilemiseltä.
Ehkä tämä asia oli käsitelty meillä harjoituksissa, mutta uutta asiaa tulee niin valtava määrä kerralla, että ihan kaikki ei todellakaan jää kertakuulemalla -tai edes kahdella (tai kolmella, neljällä…) mieleen. Nyt piti mennä kokeilemalla ruohonjuuritasoa alemmas, pinnan alle.
Kuten Sini kirjoittaa omassa blogissaan (https://blogs.helsinki.fi/7k110738/) vastaavanlaisista ongelmista, olisi hienoa, jos QGISistä olisi jonkunlainen tiivistetty ohje keskeisistä toiminnoista, vaaranpaikoista ja niiden ratkaisuista.
Joten käytössä oli siis aluksi plan-B, eli innovoitu toinen reitti: otetaan pks_vaki ja laitetaan sille filtteri päälle eli UA =1 (Query Builder, jälleen!) jolloin Statistics Panel näyttää tiedot vain uima-altaallisista taloista. Statistics Panelista voi tämän jälkeen valita haluamansa kentän, esim. UA tai ASYHT ja tulokset näkyvät Value-kentässä.
Tämä työkalu on ollut näissä harjoituksissa todella helppo ja hyvä.
Uima-altaat
| Uima-altaalla varustettuja rakennuksia pk-seudulla | 855 kpl |
| – joissa asukkaita | 12170 as |
| – joista omakotitaloja | 345 kpl |
| – joista paritaloja | 158 kpl |
| – joista rivitaloja | 113 kpl |
| – joista kerrostaloja | 181 kpl |
| – lisäksi muut uima-altaalliset rakennukset | 58 kpl |
| Uima-allasrikkain alue: | Lauttasaari (51 kpl) |
| – muut alueet, joissa paljon u-altaita: | Länsi-Pakila (49 kpl) |
| Marjaniemi (44 kpl) | |
| Rakennuksessa sauna | 21922 kpl |
| – joka on % asutuista taloista | 24,2% |
Kartalla pyydetty pylväsdiagrammi ei ollut ollenkaan yhtä informatiivisen näköinen kuin koropleettikartta,
Samasta asiasta kirjoittaa blogissaan myös Eemil Becker (https://blogs.helsinki.fi/beemil/ ). Pylväät olivat vaikeammat kohdentaa mielessään oikealle alueelle kuin pisteet, joten valitsin malliksi tähän liitettäviksi kartoiksi sekä koropleettikartan (kartta 3.) että kokeellisen koropleettikartan ja pistekartan yhdistelmän, jossa näkyy myös jokainen uima-allas talotyypeittäin värisymboleilla eriteltyinä (kartta 4).
Yhdistelmäkartassa on tieto paitsi vilkaisulla saatavasta yleisestä uima-altaiden määrästä kaupunginosa-alueella, myös tarkka tieto siitä missä ja millaisessa talossa uima-allas sijaitsee. Ainoa huono puoli on se, että kun kartta esitetään näin pienessä koossa, koropleettikartan värit eivät erotu pisteiden alta uima-allasrikkaimmissa ja pienipinta-alaisissa kaupunginosissa kuten Marjaniemessä. Toki tässä kartassa on päällekkäisyyttä, kun samaa asiaa kuvataan yhdessä kartassa kahdella tavalla, ja en tiedä sitten onko viisasta/sallittua. Toki pelkän pistekartankin olisi voinut vielä laittaa. Mutta tässä kaksi erilaista vaihtoehtoa vertailtavaksi:
Kartta 3. Koropleettikartta asuinrakennusten uima-altaiden määrästä.
Kartta 4. Koropleettikartan ja pistekartan (uima-altaat talotyypeittäin) yhdistelmä.
Harjoituksen 5. opettamat asiat ja niiden käyttö
Tässä harjoituksessa olen oppinut soveltamaan toisenlaisia työkaluja ja miettimään jo hieman luovia ratkaisuja teknisen ongelman kohdatessani. Myöskin rohkeuteni kokeilla eri työkaluja on lisääntynyt. Usein käytettyjen työkalujen käyttö on automatisoitunut jo sille tasolle, ettei tarvitse enää miettiä tai muistella, miten niitä käytettiin. Myös nopeus on hieman kasvanut. Mutta kokonaisuutena olen tuskastuttavan hidas edelleenkin: asioiden oppiminen kokeilemalla (yritys ja erehdys, erehdys, erehdys…) vie valtavasti aikaa. Sen takia palautukseni ovat valitettavasti kestäneet valtavan kauan.
Mutta QGIS alkaa tuntua jo tutummalta, vaikka paljon on vielä opittavaa, tutkittavaa ja kokeiltavaa.
Oppimiemme työkalujen käyttöä erilaisiin analyyseihin voisi esimerkiksi olla bufferoinnin käyttö erilaisten vaikutusalueiden tai saavutettavuuden analysointiin. Juuri koulualueiden määrittely, melumittaukset, matka-aikojen määrittämät saavutettavuustutkimukset voisivat olla esimerkkejä työkalun käytöstä.
Lähteet ja viitteet:
Helsingin kaupunki, Tietokeskus: Helsingin tila ja kehitys 2016.
http://tilajakehitys.hel.fi/vaesto_ja_vaestonkehitys_helsingissa julkaistu 26.1.2017
Suomen Kuvalehti. Helsingin kaupungin opetustoimen johtajan Rauno Jarnilan haastattelu vuodelta 2009. https://suomenkuvalehti.fi/jutut/kotimaa/talous/koulusaastot-helsinki-suoristeli-tilastoja-lasten-maara-kasvaakin/ (7.12.2009)
SeutuCD16: https://www.hsy.fi/fi/asiantuntijalle/seututieto/paikkatiedot/Documents/SeutuCD16_kirja.pdf
Tilastokeskus, Ulkomaan kansalaiset: https://www.tilastokeskus.fi/tup/maahanmuutto/maahanmuuttajat-vaestossa/ulkomaan-kansalaiset.html
Sini Virtasen blogi https://blogs.helsinki.fi/7k110738/ viitattu 16.3.2018
Bug Report -keskustelu https://issues.qgis.org katsottu 16.3.2018
Eemil Beckerin blogi https://blogs.helsinki.fi/beemil/ viitattu 15.3.2018