Kurssikerta 5

 

Viides kurssikerta keskittyi bufferointiin eli puskurointiin, joka onkin yksi paikkatieto-ohjelmien tärkeimmistä työkaluista. Bufferoinnilla luoda kohteiden ympärille vyöhykkeitä (buffereita) laskennallista tai visuaalista analysointia varten. Bufferoinnilla voidaan selvittää asioiden vaikutusalueita ja saavutettavuuksia. Klassikko esimerkki bufferoinnista voisi olla puhelinantennien katve-alueiden kartoittaminen.

Tällä kurssikerralla pyrittiin tekemään tehtäviä itsenäisesti. Ensimmäisessä tehtävässä tarkasteltiin lentomelua Helsingissä ja Vantaalla. Tehtävä meni käsittääkseni ihan hyvin ja ainakin osa saamistani tuloksista osoittautui samanlaisiksi kuin monen muun kurssitoverin blogeihinsa kirjaamat. Toisen tehtävän kohdalla aika loppui kesken ja jätin loput hommat kotitehtäviksi.

Malmin lentokentästä 2 km säteellä 69 571 ihmistä
1 km Helsinki-Malmin lentokentältä asuu 12 958 ihmistä
2 km Helsinki-Vantaan lentokentästä asuu 14 179 ihmistä
Pahimmalla melualueella (65 dB) asuu 31 ihmistä = 0,26%
Vähintään 55dB melualueella asuu 11913 ihmistä
Tikkurilassa melu haittaisi 26 167 ihmistä

taulukko 1.  Lentomelu. Saadakseni selville Tikkurilaan hypoteettisesti kohdistuvan meluhaitan tein 7 km pitkän ja 1 km leveän bufferin kiitoradasta kaakkoon. Bufferin alueella Tikkurilassa asuu eli melulle altistuu 26 167 ihmistä.

Avatessani jälleen QGISsin tuntui etteivät tehtävät oikein luonnistuneet. Viidennestä kurssikerrasta oli kulunut aikaa noin viisi viikkoa ja olin ehtinyt unohtaa paljon. Jouduin tuhlaamaan huomattavasti aikaa turhiin kokeiluihin kerta toisensa jälkeen. Tarvittavien ikäluokkien yhdistäminen uudeksi kentäksi ei onnistunut. Useimpiin kohtiin löysin kuitenkin lopulta vastauksen. Uima-allastehtävässä oli paljon apua muiden blogien lukemisesta. Erityisesti Meri Suppulan ja Vivi Tarkan blogit olivat tällä kertaa hyödyllisiä. Myös kurssikerran ohjeita ja googlea tuli jonkin verran luettua. Uima-altaalla varustettuja taloja löytyi pääkaupunkiseudulta 855 kappaletta. Tämän näki suoraan statistics panelista. Kun valitsi uima-altaalliset talot, näki statistics panelista myös, että uima-altaallisissa taloissa asuu yhteensä 12170 henkilöä. Uima-altaat talotyypeittäin löytyivät select/filtter features -toiminnolla. Tehtävässä tarvittava join attributes by location piti opetella uudestaan kokeilemalla. Aineiston visualisointi (kuva 1) onnistui, mutten enää jaksanut ottaa selvää miten kuvaan saa uima-altaiden numeroita tai pylväitä.

 

Asemat
a. 500 metriä asemista asuu 106691 ihmistä
b. eli kaikista alueen asukkaista noin 106691/490173=0,2176…=21,8%
c. a kohdan asukkaista työikäisiä
Taajamat
Asukkaista asuu taajamassa 90 725 / 87789 =0,9676… =97%

Taulukko 2. Asemat ja taajamat

Uima-altaalla varustettuja rakennuksia 855
Asukkaita taloissa, joissa on uima-allas 12170
Omakotitalot 345 uima-allasta
Paritalot 158 uima-allasta
Rivitalot 113 uima-allasta
Kerrostalot 181 uima-allasta
Saunat 21922
Saunalliset talot suhteessa muihin 21922/90725 = 0,241… =24%

Taulukko 3. Uima-altaat ja saunat.

Kuva 1. Uima-altaita pääkaupunkiseudun taloissa. Uima-altaat sijoittuvat melko epätasaisesti.

Lähteet:

Meri Suppulan blogi https://blogs.helsinki.fi/merisupp/2018/02/21/5-kurssikerta-vaihtelevia-tuntemuksia-bufferoinnin-lomassa/

Vivi Tarkan blogi https://blogs.helsinki.fi/vivitark/2018/02/20/search-attributes-by-expressions-vai-miten-sen-meni/

http://www.qgistutorials.com/en/docs/performing_spatial_joins.html

Leave a Reply

Your email address will not be published. Required fields are marked *