Month: March 2020

Kurssi on hyvä lopettaa tuntevan olevansa käsiin hajoavan vuoristoradan kyydissä. Aluksi kaikki vaikuttaa menevän hyvin ja QGIS:n käyttäminen tuntuu mutkattomalta. Vuoristoradan ensimmäiseen kaarteeseen saavuttaessa alkavat kuitenkin laitteen lahot rakenteet rikkoutua. Tässä vaiheessa tajuaa, että oma innovatiivisuus ja luovuus on kuivunut olemattomiin ja itsenäinen tehtävä tuntuu ylitsepääsemättömältä esteeltä. Eipä siinä auta muu kuin pysäyttää kyseinen laite ja hypätä pois kyydistä ennen kuin kirjaimellisesti putoaa korkealta ja kovaa. 

Viimeisen kerran tehtävänä oli laatia vapaavalintainen kartta jostain ilmiöstä ja etsiä itsenäisesti aineistoja sen toteuttamiseksi. Voi olla, että saatavilla olevan tiedon määrä lamautti minut ja siksi tehtävä tuntui ajoittain niin vaikealle. Alussa suunnitelmani olivat jopa harvinaisen selvät, sillä halusin pääasiassa tutkia Eurooppaa ja esittää erilaisia karttoja sen väestöön liittyen. Käytin kuitenkin kartan laatimiseen varatun luennon siihen, että etsin lisää tietoa eri aineistontarjoajien sivuilta koska en ollut mihinkään tyytyväinen. 

Kotiin päästyäni päätin palata takaisin lähtöruutuun ja aloittaa aineistojen etsimisen alusta.  Päädyin kaivamaan esiin Globaalit tutkimuskysymykset maantieteessä -kurssin esseet, sillä muistin erään kurssin aiheen käsitelleen metsien kehitystä. Tutkimme tuolloin ilmiötä Global Forest Change -tietokannan avulla (University of Maryland). Tietokanta oli omasta mielestäni hyvin visualisoitu ja suunniteltu. Sen avulla oli helppoa nähdä niin metsäpalojen kuin viljelyn vaikutuksen luonnontilaisiin metsiin globaalisti. Tietokantaa tutkiessa itseäni jäi kuitenkin askarruttamaan muutama asia. Global Forest Change -sivustolla nostettiin esiin Indonesia Riaun provinssissa metsän tuhoutumisen edenneen kiihtyvää vauhtia viime vuosikymmenellä pääasiassa viljelyn seurauksena. Päädyinkin siis lopulta luomaan karttasarjan, joka käsittelee Indonesian sademetsäalueita käyttäen Global Forest Change -tietokannasta ladattuja rasteriaineistoja eräänlaisena pohjana. 

Löysin Global Forest Watch -sivustolta tietokannan Indonesian palmuöljyplantaaseista sekä RSPO (Roundtable on Sustainable Palm Oil) eli kestävän tuotannon periaatteiden mukaisesti palmuöljyä tuottavista plantaaseista. Halusin näiden tietokantojen avulla tutkia miten palmuöljyviljelmät sijoittuvat alueella ja onko niillä selvää korrelaatiota suhteessa Indonesian luonnollisen metsäpinta-alan vähenemiseen. Lisäksi halusin myös selvittää RSPO-plantaasien osuuden alueen kaikista plantaaseista. 

Idea oli jopa suhteellisen mukiinmenevä, mutta itse toteutus koitui ongelmaksi kun tajusin, että kartat tulevat todennäköisesti vain näyttämään siltä, miltä ne alkuperäisessä tietokannassa (Global Forest Change) näyttävät. Karttojen laatiminen tuntui liian helpolle, sillä ilmiön esittäminen ei vaatinut suurempia välietappeja excelissä tai taisteluja QGIS:n eri työkalujen kanssa. En siis ole kovin tyytyväinen tuloksiin, mutta ainakin karttojen visuaalinen puoli on kunnossa. Palmuöljy tietokannan lisäksi latasin Natural Earth -sivustolta vektorimuotoisia tietokantoja maailman valtioista ja meristä. 

Kuva 1. Kuvassa esitettynä Indonesian luonnolliset metsät vuonna 2000 prosentteina. Lähde: Global Forest Change. 

Kuva 2. Kuvassa esitetty metsäpinta-alan väheneminen Indonesiassa vuosina 2000-2018 asteikolla 0 – 18. Lähde: Global Forest Change. 

Kuva 3. Palmuöljyplantaasit (oranssilla)  ja RSPO-plantaasit (punaisella) Riaun provinssissa Indonesiassa 2019. Lähde: Global Forest Watch. 

 

Kuva 4. Päätin esittää taulukossa kestävästi palmuöljyä tuottavien plantaasien määrän (RSPO) Indonesian muihin plantaaseihin verrattuna. Taulukossa on lisäksi myös muuta tietoa alueen viljelmistä. 

Alueen palmuöljy plantaasit	Alueen RSPO- plantaasit	Alueen kaikkien palmuöljyplantaasien pinta-ala yhteeensä	Kuinka monta prosenttia plantaaseista on vastuullisesti palmuöljyä tuottavia plantaaseja?
1845	78	152 001 km²	4,23 %

 

Kuva 5. Indonesian palmuöljyplantaasit (oranssilla)  ja RSPO-plantaasit (punaisella) 2019. Lähde: Global Forest Watch.

Kuten aikaisemmin totesin, kartat esittävät laajalti (kuva 1 ja kuva 2)  jo samalla formaatilla saatavilla olevaa tietoa. Motivoituneena muuttamaan tämän, päätin interpoloida molemmat tietokannat palmuöljyviljelmistä ja tutkia näin metsäpinta-alan vähenemistä. Tarkastelemalla kuvia 2 ja 5 voidaan jo todeta, että muuttujien välillä vallitsee spatiaalinen korrelaatio. Plantaasien sijainti ja luonnontilaisten metsien väheneminen kohdistuu samoille alueille. Interpoloidut kartat (kuva 6 ja kuva 7) vahvistavat tätä havaintoa, mutta tuovat esiin myös RSPO-plantaasien vaikutuksen aluetta ympäröiviin metsiin. Kuvasta 7 voidaan havaita, että alueilla joilla tuotetaan kestävästi palmuöljyä ei ole havaittavissa yhtä voimakasta metsäpinta-alan vähenemistä kuin muilla plantaasialueilla (kuva 6). On toki pidettävä mielessä, että osa plantaaseista tuottaa sekä RSPO:n kriteerien mukaista palmuöljyä ns. “normaalisti” tuotetun palmuöljyn lisäksi.  Tämä voi vaikuttaa interpoloinnin tuloksiin. 

Kuva 6. Riaun provinssi Indonesiassa. Tummansiniset alueet kuvaavat alueita, joihin suurimmat palmuöljyplantaasit sijoittuvat. Punaiset alueet kuvaavat metsien häviämistä vuosina 2000-2018. 

Kuva 7. Riaun provinssi Indonesiassa. Tummansiniset alueet kuvaavat alueita, joihin suurimmat RSPO-palmuöljyplantaasit sijoittuvat. Punaiset alueet kuvaavat metsien häviämistä vuosina 2000-2018. 

Kävin lopuksi tutkimassa muiden kurssilaisten blogeissa esiintyviä karttoja ja erityisesti esiin nousi Roni Lindholmin “Kurssikerta 7” -julkaisussa (29.2.2020) kaupunkipyöräilyä käsittelevä karttasarja.  Halusin mainita juuri kyseisen julkaisun, sillä kirjoittaja onnistui kiitettävästi laatimaan jotain mielenkiintoista ja uutta – tämä jäi itseltäni uupumaan. Karttoja oli antoisaa lukea ja niitä oltiin pohdittu hyvin blogissa. Olen samaa mieltä tulosten yllättävyydestä blogin kirjoittajan kanssa. 

Tähän loppuun haluan vielä nopeasti mainita päätökseen saatetusta kurssista hieman. Kaiken kaikkiaan kurssi oli todella antoisa ja pidin kurssin aikana tehdyistä tehtävistä. Karttojen laatiminen sekä QGIS:n toimintojen opettelu oli oikeastaan mukavaa vaihtelua pelkän pänttäämisen sijasta. Sanoisin hallitsevani QGIS:n käyttämisen tällä hetkellä suhteellisen hyvin, eikä ohjelmisto itsessään synnyttänyt suuria päänsärkyjä kurssin aikana. Tästä on hyvä jatkaa positiivisin mielin kohti seuraavia kursseja ja uusia haasteita. 

 

Lähteet

 

Natural Earth

<https://www.naturalearthdata.com>

 

University of Maryland. Global Forest Change. 

<https://earthenginepartners.appspot.com>

 

Global Forest Watch

<http://data.globalforestwatch.org>

 

Lindholm, R. (29.2.2020). Kurssikerta 7. Blogikirjoitus.

<https://blogs.helsinki.fi/lroni/>

Kuudes kurssikerta alkoi raittiin happihyppelyn merkeissä. Aloitimme keräämällä pienemmissä ryhmissä tietoa Kumpulan alueelta Epicollect5 -paikkatietosovellukseen. Lisäsimme sovellukseen sijaintitieto sidonnaisia kohteita puhelimen GPS:n avulla. Lisätessä sovellukseen kohteita tuli vastata kysymyksiin alueen viihtyvyydestä ja turvallisuudesta, minkä perusteella tutkimme Kumpulan kaupunkikohteiden yleistä viihtyvyyttä. Pinja Laitinen tuo blogissaan “Ylös, ulos ja lenkille” esille Heini Mäkelän hyvän huomion siitä, että kerätty tieto ei ole kovin objektiivista, vaan enemmänkin juuri subjektiivinen kokemus alueesta. Eräs kysymyksistä oli kuinka turvalliseksi tuntee kyseisen alueen tai kohteen ja tämä voi riippua paljon yksilön omista kokemuksista. Määritetyistä kohteista voidaan oikeastaan nähdä, että Kumpulan kampuksen alueella tietty yksittäinen kohde on koettu hyvin turvattomaksi vaikka alueen muu ympäristö ollaan koettu pääasiassa turvalliseksi (kuva 2). 

Koska arvioimme myös kaupunkikohteiden viihtyvyyttä, on otettava huomioon arviointi hetkellä vallitsevat sääolosuhteet – jotka sattuivat olemaan harvinaisen surkeat. Kävelimme ympäri kumpulaa tihkusateessa ja ajoittaisissa jäätävän kylmissä tuulenpuuskissa. Jos olisimme arvioineet kohteet aurinkoisella ja lämpimällä säällä, olisi viihtyvyyden kokemus varmasti ollut erilainen. Väittäisin siis vahvasti, että viihtyvyyteen vaikuttaa epäsuorasti myös sää. Ulkoilun jälkeen asteltiinkin sitten takaisin luokkaan läpimärkänä. 

Kuva 1. Epicollect5-sovelluksesta QGIS:iin tuodut kohteet. 

Kun olimme saaneet datan kerättyä, toimme sen CSV (comma separated values) -muotoisena tiedostona QGIS:iin Epicollect5-sovelluksesta. Lisäksi avasimme muutaman muun tietokannan mm. Helsingin alueen tiestöstä ja rakennuksista. Kun olimme saaneet kerätyt kohteet kartalle, rupesimme tutkimaan visuaalisesti niissä koettuja turvallisuuden tunteita. Kohteiden ja koetun turvallisuuden välillä pystyttiin nähdä yhteys liikenneverkon kanssa. Keskimäärin hieman turvattomaksi koettiin risteykset ja suurien autoteiden varret. Turvalliseksi koetut paikat sijoittuivat puolestaan puistoalueille, Kumpulan kampukselle sekä Vanhankaupungin alueelle (kuva 2). Harjoittelimme lopuksi kohteiden interpolointia. Interpolointi määritti mitattujen kohteiden välille tietyn oletusarvon, minkä seurauksena saimme tulokseksi yhtenäisen kartan alueen turvallisuudesta. Kokeilimme myös miltä interpolointi näyttää eri arvoilla (kuva 3) ja voidaan, todeta että arvojen muuttaminen vaikuttaa selvästi lopputuloksiin sekä kartan luettavuuteen. 

 

Kuva 2. Interpoloitu kartta. Turvallisuuden tunteen kokeminen eri kohteissa Kumpulan alueella. Sininen kuvastaa turvallisimpia kohteita ja punainen turvattomampia kohteita. 

Kuva 3. Interpoloinnin lopputulos, kun pisteiden väliseksi etäisyydeksi määritetään 10. 

Pakko sanoa, että interpolointi oli omasta mielestäni kurssikerran – ellei koko kurssin –  kiehtovin osuus. QGIS on ihmeellinen siinä mielessä miten esteettisiä karttoja sekä esityksiä sen avulla on mahdollista luoda ja miten monipuolisesti karttoja voi laatia, jos vain tietää mitä tekee. Kurssikerran itsenäisenä tehtävänä oli etsiä itse dataa ja laatia sen perusteella kolme luonnonriskejä ilmentävää karttaa. Tehtävä oli omakohtainen suosikki tähän mennessä ja katosin hetkeksi tietokantojen syövereihin ihailemaan saatavilla olevan tiedon määrää. Päädyin käyttämään kaikissa kartoissani NOAA:n (National Oceanic and Atmospheric Administration) tulivuoritietokantaa.

Etsin tietokannasta maailmanlaajuisesti merkittävimmät tulivuorenpurkaukset ja rajasin tapahtuma ajankohdaksi 1500 – 2020. Tietokanta sisälsi laajasti tietoa mm. purkausten uhriluvuista, taloudellisista vahingoista sekä purkausten voimakkuudesta VEI-asteikolla (vulkaaninen räjähdysasteikko). Tietokantaan oli merkattu myös aiheuttiko purkaus tapahtuessaan tsunamin tai maanjäristyksen. Olen itse todella kiinnostunut luonnonmaantieteestä ja varsinkin endogeenisistä prosesseista, siksi tietokanta oli itselleni kuin runsaudensarvi. 

Kuva 4. Merkittävien tulivuorenpurkausten uhrimäärät vuosina 1500-2020.

Muutin NOAA:n sivuilta saadun tietokannan excelissä CSV-muotoon ja siivosin sitä hieman, jonka jälkeen toin sen QGIS:iin. Päätin ensin laatia maailmanlaajuisen kartan 1500-2020 vuosina tapahtuneista merkittävistä tulivuorenpurkauksista ja niiden kuolonuhreista (kuva 4). Kuten lopputuloksesta huomataan, eniten purkauksiin liittyviä kuolemia on Karibianmerellä sekä Indonesiassa. Tietokannasta tarkasteltuna Martiniquessa tapahtunut Pelee-tulivuoren purkaus vaati 28 000 kuolonuhria, joka on maailmanlaajuisesti eniten tarkastellulla aikavälillä. Kyseinen tsunamin synnyttänyt purkaus tapahtui vuonna 1902 ja oli VEI-asteikolla 4. Indonesian alueella puolestaan katastrofaalisin tietokantaan merkitty purkaus on vuonna 1815 purkautunut Tambora-kerrostulivuori.  VEI-asteikoltaan Tamboran purkaus oli 5 ja sen seurauksena menehtyi noin 10 000 henkeä. 

Kun mietitään kartan soveltuvuutta opetustarkoitukseen voidaan kyseenalaistaa kartan selkeys. Sanoisin, että laatimani kartta on laajalti epäselvä ja sen luettavuus kärsii tämän takia. Tulivuoria kuvaavat kohteet peittävät toisensa ja karttaa on mahdoton tulkita pelkästään kuvasta vaan sen tarvitsee myös sanallista selittämistä. Kartan legendasta ei esimerkiksi tule esiin, että kyseessä on tulivuorenpurkauksiin liittyvät kuolonuhri määrät. On myös pidettävä mielessä että teknologian ja seurantalaitteiden kehittyessä tulivuorenpurkauksiin liittyvät kuolemat ovat vähentyneet, koska niihin ollaan voitu varautua paremmin. Tämän takia karttaa ei voida oikeastaan yleistää ja tutkia näin alueita, jotka kärsivät tulivuorenpurkauksista eniten. 

 

Kuva 5. Indonesiassa tapahtuneet merkittävät tulivuorenpurkaukset tapahtumavuoden mukaan (1500-2020). 

Halusin seuraavaksi tutkia tulivuorenpurkausten tapahtuma ajankohtia. Kartalla (kuva 5) tummemmat siniset alueet ovat alueita, joilla on tapahtunut vanhimmat merkittävät tulivuorenpurkaukset ja vaaleat keltaiset alueet kuvaavat puolestaan uudempia tulivuorenpurkauksia. Kartan luokittelu voisi olla erilainen, sillä luokkaeroja on vaikea havaita kartalla niiden määrän takia. Muuten sanoisin, että kartta on suhteellisen informatiivinen. Kyseenalaistan silti sen käytettävyyttä tai tarpeellisuutta opetuksessa. Kartalta voidaan nähdä miten alueet ovat olleet eri aikoina aktiivisia. Interpolointi tason luokittelu saa kartan näyttämään sille, että tulivuorenpurkaukset ovat yleistyneet vuosien kuluessa. Todellisuudessa asia ei ihan ole näin. Kartalla näkyvät purkaukset ovat yhteydessä seurantateknologian kehittymiseen ja siksi purkauksia on vähemmän tarkasteluvälin alkuvuosilta.

 

Kuva 6. Vuosina 1500-2020 tapahtuneet merkittävät tulivuorenpurkaukset Etelä-Amerikassa mitattuna VEI-asteikolla. 

Päätin viimeisessä kartassa käyttää hyödyksi tietokantaan merkittyä VEI-asteikkoa. Lopputulosta voisikin käyttää mahdollisesti opetus tai havainnointi tarkoitukseen. Valmis kartta (kuva 6) havainnoi missä päin manteretta purkauksia on tapahtunut ja mitkä ovat niin sanotusti alttiitta alueita merkittäville tulivuorenpurkauksille. Kartan avulla voidaan tarkastellulta aikaväliltä paikantaa alueet, joissa tulivuorenpurkauksen voimakkuus on ollut suurin. Kartan ongelmana on kuitenkin sen vähäinen informaatio, sillä karttaa ei pystyisi lukemaan ilman kuvatekstiä. Tämä tuntuu olevan toistuva teema omalla kohdallani. Itse kartasta ei tule ilmi mitä ilmiötä kyseinen kartta käsittelee. Näin jälkikäteen mietittynä olisi ollut myös hyvä laatia karttoja eri muuttujien suhteen. Sain idean interpoloida kartan VEI-asteikon mukaan ja verrata sitä purkauksen uhrimääriin. Olisi ollut mielenkiintoista tutkia miten nämä muuttujat korreloivat keskenään. Lisäksi olisi ollut kiinnostavaa tutkia purkausvuosia ja verrata niitä kuolonuhreihin tai talodellisiin vahinkoihin. Näiden tutkiminen taitaa jäädä omaksi vapaa-ajan iloksi.

 

Lähteet

 

Laitinen, P. (2.3.2020). Ylös, ulos ja lenkille. Blogikirjoitus. 

<https://blogs.helsinki.fi/lempempi/> 

Mäkelä, H. (24.2.2020). Epicollect5-sovellus, interpolointi ja cvs-muotoisen aineiston lataaminen internetistä. Blogikirjoitus.

<https://blogs.helsinki.fi/mcheini/>

National Oceanic and Atmospheric Administration

<https://www.ngdc.noaa.gov/>

Viides kurssikerta jatkui edellisellä kerralla digitoitujen kohteiden analysoimisella. Olimme digitoineet Pornaisten alueelta rakennukset sekä tärkeimmät tiet, joiden avulla harjoittelimme pääasiassa QGIS:n bufferointitoiminnon käyttöä ja sen soveltamista. Tutkimme miten asutus sijoittuu esimerkiksi koulujen ympärille, teiden varsille ja terveysaseman läheisyyteen luomalla niiden ympärille halutun kokoisen puskurivyöhykkeen. Pohdimme tämän avulla kuinka suuri osa alueen asukkaista asuu kyseisten kohteiden välittömässä läheisyydessä. Bufferi-analyysin avulla näiden kysymysten selvittäminen oli helppoa. Puskurin luomisen jälkeen pystyi selvittämään sen sisälle jäävät kohteet “select by location” -toiminnolla ja vastaavasti puskurin ulkopuolelle jääviä kohteita oli mahdollista tutkia “invert selection” -toiminnolla.

 

Tehtävä 1 – Malmin lentokenttä 

 

Kuva 1. Malmin lentokentän ympärille luotu säteeltään kahden kilometrin kokoinen puskurivyöhyke ja sen alueelle jäävät kohteet (merkitty keltaisella). 

Kun bufferointi oli tullut tutuksi, oli aika siirtyä opitun soveltamiseen itsenäisten tehtävien parissa. Käytimme itsenäisiä tehtäviä tehdessä erilaisia tietokantoja Vantaan alueesta, kuten  väestötietokantaa johon oli merkitty tietoa myös alueen rakennuksista ja esimerkiksi niiden käyttöönottovuosista. Pohjakarttana käytimme valmiita rasterimuotoisia tietokantoja. Pohdimme tunnilla yhdessä tehtäviä ja niiden toteutusta Tiina Aallon kanssa. Tiina keksi taulukoida saadut tulokset ja nähtyäni kuinka siistin lopputuloksen tästä sai aikaan, päätin myös laatia vastaavanlaisen taulukon omista tuloksista blogiin. Kunnia tästä kuuluu siis hänelle. 

Aluksi tutkittiin Malmin lentokenttää ja sen lähiympäristöä. Lentokenttä digitoitiin ensin omaksi kohteekseen, mikä mahdollisti puskurivyöhykkeen luomisen sen ympärille. Tämän jälkeen puskurivyöhykkeen ja kyselyjen avulla määriteltiin alueen väestöstä erilaista dataa tehtävänannon mukaisesti. Tehtävänä oli tutkia kuinka suuri osa alueen väestöstä asuu pahimmalla melualueella eli noin 2 km säteellä Malmin lentokentästä. Voidaan todeta, että kahden kilometrin etäisyydellä Malmin lentokentästä asuu huomattava määrä ihmisiä (kuva 2). Alue kattaa laajalti koko Malmin ja ulottuu jopa Kontulan sekä Jakomäen alueelle. Alueella on myös useampi koulu, joita lentoliikenteen melusaaste voi haitata. Kilometrin päähän lentokentästä ei puolestaan ole rakennettu niin paljoa. Alueelle osuu pääasiassa vain Sepänmäen asutusalue ja osa Tapanilasta. Siispä pahimmat meluhaitat jäävät kuitenkin suhteellisen vähäisiksi. 

 

Kuva 2. Taulukko Malmin lentokentän lähiympäristöstä ja lentokentän melualueista. Tiedot saatu Vantaan väestötietokannasta.

Vantaan asukkaat yhteensä	Vantaan rakennukset yhteensä	Asukkaat 1 km säteellä Malmin lentokentästä	Asukkaat 2 km säteellä Malmin lentokentästä
490 173	55 811	8 648	56 727

 

Innostuin tekemään myös aiheeseen liittyvän lisätehtävän. Tehtävä osoittautui vaikeammaksi kuin ajattelin, sillä en ollut vielä sisäistänyt kunnolla QGIS:n laskinohjelman käyttöä. Lisätehtävänä oli tutkia kuinka vanha Malmin lentokenttä on ympäristöönsä verrattuna ja ottaa selvää kuinka moni 1 km etäisyydellä olevista rakennuksista on rakennettu alueelle Malmin lentokentän käyttöönoton jälkeen. Päätin luottaa Wikipediaan, jossa Malmin lentokentän käyttöönottovuodeksi todettiin 1936. Määritin visuaalisella analyysillä atribuuttitaulukosta rakennukset, jotka oltiin otettu käyttöön ennen vuotta 1936 tai kyseisenä vuonna. Tämän jälkeen vähensin määrän 1 km säteellä olevista rakennuksista ja sain vastaukseksi 690. Kopioin tietokannan Exceliin, jossa laskin kyseisten rakennusten asukkaat. Lopputulokseksi sain yhteensä 8 420 asukasta. Tietokannassa ei ollut tietoa 12 rakennuksen käyttöönottovuosista, mutta tulosten perusteella voi todeta Malmin lentokentän olevan selvästi vanhempi kuin ympäristönsä. 

 

Helsinki-Vantaan lentokenttä 

Päätin esittää seuraavan tehtävän visuaalisesti. Käytimme samoja tietokantoja ja metodeja mutta lisäksi sovelsimme tietokantaa Helsinki-Vantaan meluvyöhykkeistä. 

 

Kuva 3. Taulukko Helsinki-Vantaan lentokentän lähiympäristöstä ja alueen meluvyöhykkeistä. 

Vantaan asukkaat yhteensä	490 173
Vantaan rakennukset yhteensä	55 811
Helsinki-Vantaan lentokentästä 2 km säteellä eli sen välittömässä läheisyydessä asuvat	10 299 asukasta 2 215 rakennusta
Pahimmalla melualueella (65 dB) asuvien prosentuaalinen osuus lentokentän välittömässä läheisyydessä asuvista	Edellisen kohdan asukkaista pahimmalla melualueella asuu 27. Prosentteina tämä on lähemmäs 3 prosenttia (2.6 %).
Vähintään 55 dB melualueella asuvat	Yhteensä koko melualueella (55dB – 65dB) asuu 11 913 ihmistä
Jos saapuva liikenne käännettäisiin laskeutumaan Tikkurilan yli, kuinka monen ihmisen elämää vähintään 60 dB lentomelu haittaisi Tikkurilassa*	Yhteensä 2 397 ihmistä

* Rajasin Tikkurilan väestön asutusalueiden perusteella ja otin rajaukseen mukaan Tikkurilan alueen, Hiekkaharjun, Jokiniemen, Kuninkaalan, Simonkylän sekä Viertolan. Koin että pelkän Tikkurilan alueen valitseminen tietokannasta ei olisi ollut kovin kuvaavaa.

 

Tehtävä 2 – Asemat

 

Kuva 4. Taulukko Vantaan asemista ja niiden lähiympäristöstä. Käytimme valmista tietokantaa Vantaan juna- ja metroasemista.

Alueen asukkaat yhteensä	490 173
Asukkaat, jotka asuvat 500 metrin päässä lähimmästä juna- tai metroasemasta	106 691
Asemasta alle 500 metrin päässä asuvien prosentuaalinen osuus alueen kaikista asukkaista	Noin 22% eli vähän yli neljäsosa
Työikäisten (15-64v) osuus alle 500 metrin päässä lähimmästä juna- tai metroasemasta asuvista	Yhteensä 73 086 asukasta eli noin 69%

 

Tehtävä 3 – Taajamien asukit 

Jatkoimme samoilla tietokannoilla mutta lisäksi tutkimme tietokantaa Vantaan taajamista. Ensin tuli määrittää kuinka moni tehtävän alueen asukkaista asuu taajamissa. Määritin tämän “select by location” -toiminnolla ja sain vastaukseksi 478 371, joka on huomattava osa alueen kaikista asukkaista (490 173). Seuraavaksi tuli puolestaan määrittää taajamien ulkopuolella asuvat kouluikäiset ja kuinka suuri osuus tämä on kaikista alueen kouluikäisistä. 

Koska tehtävänannossa ei määritetty kouluikäisten ikähaarukkaa, päädyin rajaamaan kouluikäiset peruskoululaisiin eli 7-16 vuotiaisiin. Tätä laskiessani sisäistin vihdoin QGIS:n laskinohjelman käytön. Kouluikäisiä on koko alueella yhteensä 60 922 ja taajamien ulkopuolella heistä asuu 1 556 eli noin 2.5%.

Viimeinen kohta tuotti eniten aherrusta ja siksi päätinkin käsitellä tehtävää blogissani hieman yksityiskohtaisemmin. Haluan esitellä kovan työn tulokset ja olla esimerkki siitä, mitä ei välttämättä kannata lähteä tekemään sillä olisin saanut saman lopputuloksen paljon yksinkertaisempaa metodia käyttäen. Viimeinen kysymys kuului: “Kuinka monella alueella ulkomaalaisten osuus on yli 10%, entä 20% tai 30%?” Tulkitsin kysymyksen siten, että kuinka monella taajama-alueella ulkomaalaisten osuus on x alueen asukkaista. Väestötietokannassa oli reilusti yli 200 kohdetta, joissa ei ollut tietoa ulkokansalaisista asukkaista mutta päätin kuitenkin käyttää saatavilla olevaa tietokantaa ja jättää kyseiset kohteet pois laskuista. Tämän seurauksena tuloksilla voi olla suuri virhemarginaali. 

Päätin pitkän pohdinnan jälkeen hylätä taajama-alue luokittelun ja laskea asuinalue kohtaiset ulkokansalaisten osuudet. Tämä tuntui järkevämmältä sillä kysymyksessä ei spesifioitu mitä alueluokittelua käyttää. Koko urakkaan meni reilu tunti kun hain kohteita nimen perusteella ja yhdistelin niitä “merge” -toiminnon avulla. Yhdistettyjä asuinalueita oli lopulta 77 ja tietokantaan jäi paljon kohteita, joihin ei oltu merkitty asuinalueita. Päätin jättää kohteet pois laskuista, mikä puolestaan vaikuttaa myös tuloksiin. 

 

Kuva 5. Työlään prosessin tulokset. 

Laskin ulkokansalaisten prosentuaaliset osuudet koko asuinalueen väestöön verrattuna samaan atribuuttitaulukkoon (kuva 5). Lopputulokseksi sain, että alueita joissa ulkokansalaisten osuus on yli 10% on 21, alueita jossa osuus on yli 20% on 2 ja alueita jossa osuus on yli 30% ei ole yhtään. Tuloksia vääristää luultavimmin puutteet tietokannassa. Olisin voinut yhdistää alueet myös toisin ja hälytyskellojen olisi pitänyt soida ennen kuin aloitin yli tunnin kestävän merge-operaation. Lopputuloksessa kaikkia asuinalueita ei olla kuvattu ja tietyistä asuinalueista voi puuttua useita kohteita.

 

Tehtävä 4 – Uima-altaat ja saunat

Päätin esittää tämänkin tehtävän tulokset pääasiassa taulukossa, ettei blogiteksti venyisi liian pitkäksi. Kyseisessä tehtävässä käytin pääkaupunkiseudun väestö- ja rakennustietokantoja, sekä pääkaupunkiseudun aluerajauksia. 

 

Kuva 6. Taulukko pääkaupunkiseudun uima-altaista ja saunoista.

Pääkaupunkiseudun kaikki asutut talot	90 725
Pääkaupunkiseudun uima-altaalla varustetut talot	855
Asukkaiden määrä yhteensä uima-altailla varustetuissa taloissa	12 170
Uima-altaiden määrä erilaisissa talotyypeissä	Omakotitalot – 345 Paritalot – 158 Rivitalot – 113 Kerrostalot – 181
Saunojen määrä pääkaupunkiseudun taloissa ja niiden prosentuaalinen osuus kaikista alueen taloista	Sauna yhteensä 21 922 taloissa.  Tämä on noin viidesosa kaikista alueen taloista (24%).

Tehtävänä oli myös laatia kartta, joka kuvaa pääkaupunkiseudun uima-allasrikkaimpia alueita. Päätin ensin luoda “join” -työkalun avulla tietokannoista yhden aineiston, jotta pystyisin esittämään uima-altaiden jakautumista pääkaupunkiseudulla. Tulokset näyttivät kuitenkin hassuille ja olin todella epävarma olinko laatinut kartan oikein. Päätin hakea vertaistukea muiden kurssilaisten blogeista ja törmäsin Heini Mäkelän “Bufferointi ja kohteiden valinta” -blogikirjoituksessa (20.2.2020) esiintyvään karttaan samasta aiheesta ja yllätyin, kuinka traagisen erilaiset kartat olivat. Heinin kartta motivoi yrittämään uudelleen ja tämä palkittiin, sillä lopputulos näytti nyt paljon paremmalta. Tein alunperin väärin yhdistäessä tietokannat, sillä palatessani kurssin aiempiin tehtäviin tajusin että kartan voi laatia yksinkertaisesti “count points in polygon” -toiminnolla. Lopulta sain kartan näyttämään jotenkin oikealle (kuva 7.) Kuten huomataan, eniten uima-altaita on Lauttasaaressa, jossa määrä ylittää huimat 53. 

Kuva 7. Pääkaupunkiseudun uima-altaat alueittain. 

 

Lähteet

Aalto, T. (19.2.2020). Itsenäistä taistelua. Blogikirjoitus. 

<https://blogs.helsinki.fi/tidaalto/> 

Mäkelä, H. (20.2.2020). Bufferointi ja kohteiden valinta. Blogikirjoitus. 

<https://blogs.helsinki.fi/mcheini/>