Kokonaisluvun muuttaminen QGIS:ssä

Tallensitko datan vahingossa kokonaisluvuksi, ja huomasitkin, että tarttis tehdä laskutoimituksia.. Ei hätää, Field Calculatorilla voi tehdä uuden sarakkeen, josta valitsee Fields and Values -kohdasta tiedot, jotka haluaa tallentaa toisessa muodossa (kuva1). Muista tällä kertaa tallentaa Desimaalilukuna (real) -ruksi!

Kuva 1. Näkymä QGIS -ohjelman Field calculatorista. Taustalla attribuuttitaulu.

Seitsemäs kurssikerta

Euroopan alueen tunnuslukuja

Ensin tein kartan Euroopan valtioiden BKT:sta. Sain kuvan 1, jonka mukaan BKT on suuri monissa Keski-Euroopan valtioissa. Saksa nousee selvästi esiin.

Kuva 1. Euroopan alueen BKT  (miljoonaa US dollaria) ”Jenks natural breaks” -luokittelulla. Datan lähde.

Mietin kauan, miten luokittelen aineistoa, sillä esimerkiksi Saksa tuntui kokoajan hyppäävän esille, ja monissa luokitteluissa esimerkiksi Norja jäi pois. Päätin käyttää Natural breaks (Jenks), joka etsii luokat, joissa sisäinen varianssi olisi mahdollisen pieni ja luokkien välinen suuri eli se yrittää erotella luokat toisistaan selkeämmin (Wikipedia).

Tämän avulla sainkin karttaan näkymään muitakin valtioita kuin Iso-Britannian, Ruotsin, Saksan, Ranskan, Italian ja Espanjan. Nämä hallitsivat kuvaa aika lailla esimerkiksi ”Pretty Breaks” tai tasavälisessä luokittelussa (kuva 2).

 

 

Kuva 2. Euroopan alueen BKT (miljoonaa US dollaria) tasavälisellä luokittelulla. Datan lähde.

Tein vielä kuvan miljardeina USD:na (kuva 3). Tällöin tieto on ehkä hieman luettavammassa muodossa, ja saa paremmin selvää eri numeroiden arvoista.

Olin myös kiinnostunut piirtämään työttömyysprosenteista kartan. Viimeaikaisten uutisten perusteella oli helppo uskoa suurempiakin yli 20% tietoja esimerkiksi Espanjasta ja Kreikasta (kuva 4).

Kuva 4. Euroopan alueen työttömyysprosentti ”Jenks natural breaks” -luokittelulla. Datan lähde.

Jostain syystä työttömyys -datassani ei ollut lainkaan monia Itä-Euroopan maita, enkä löytänyt nopeasti csv-tiedostoa, jossa ne olisivat olleet. En saanut tietoja helposti kaivettua netistäkään, joten jätin leikin sikseen tapeltuani datan kanssa jo aikamoisen ajan. Esimerkiksi Valko-Venäjän työttömyysprosentti oli jonkun tilaston mukaan 0,5%, mikä ei vaikuttanut uskottavalta.

Tein kartan myös väestöntiheydestä (kuva 5). Laskin itse tiheyden asukasluvun ja pinta-alan mukaan.

Kuva 5. Euroopan alueen väestöntiheys ”Jenks natural breaks” -luokittelulla. Datan lähde 1 ja Datan lähde 2.

 

Datan muokkauksen ongelmat

Suurin osa ajasta tuntui menevän datan muokkaamiseen. Aika hyvin löytyi netistä suoraan cvs-tiedostoja eri asioista. Mutta taulukkoja usein piti muokata omaan tarkoitukseen sopiviksi. Esimerkiksi poimia vain yhden tiedon per haluttu maa. Lisäksi välillä tiedot olivat tekstimuotoa, joten piti muokata ne lukuarvoiksi.

Ensin pakersin aika paljon liitosten kanssa tehdessäni Euroopan maiden BKT-karttaa. Piti taas muokata csv-taulukkoa, koska se oli taas laittanut saman sarakkeen tietoja viereisiin sarakkeisiin tulkitessaan maiden nimiä. Lisäksi piti muistaa korvata pilkut pois. Lopulta sainkin pitkään pakerrettuani nämä asiat toimimaan.

 

Muiden blogeista

Huomasin, että Sinillä ja Kim-Henrikillä oli hieman erilainen blogisivusto. He olivat tarkastelleet karttalehden alueen maankäyttöä. On mielenkiintoista, miten erilaisia juttuja QGIS:llä saa aikaan, kunhan osaa kaivaa datan jostain. Tosin nykyisessä avoimen datan ilmapiirissä se on entistä helpompaa. Tosin datan muokkauksessa haluttuun muotoon saa itselleen harmaan hiuksen jos toisenkin.

 

Lähteet

GDP / BKT -tiedoston hain csv-muodossa: https://datacatalog.worldbank.org/dataset/gdp-ranking Haettu 23.2.2018

Maiden kartat ja väestön tietoja sain (kurssiblogin linkki): http://www.naturalearthdata.com/ Haettu 23.2.2018

Työttömyystilastot: https://data.oecd.org/unemp/unemployment-rate.htm Haettu 23.2.2018

Pinta-alat: https://en.wikipedia.org/wiki/List_of_European_countries_by_area Haettu 26.2.2018

Kreikan työttömyys -uutinen: https://www.talouselama.fi/uutiset/kreikan-tyottomyys-laski-jalleen-yha-euroopan-korkein/c1e1195a-c941-3765-a594-ae8d2a233479  Luettu 26.2.2018

Espanjan työttömyys -uutinen: https://yle.fi/uutiset/3-9424834 Luettu 26.2.2018

Sinin blogi https://blogs.helsinki.fi/7k110738/  Luettu 5.3.2018

Kim-Henrikin blogi https://blogs.helsinki.fi/helanne/ Luettu 5.3.2018

Ylimääräinen pyrähdys Tiiran parissa

Tiiran väännöt

Yritin tehdä oman kartan lintuhavainnoistani Tiirassa, jotta näkisin, mistä alueilta pisteitä on tullut eniten.

Sainkin muutettua koordinaattijärjestelmät, kun tutkin asiaa ja huomaisin niiden olevan ETRS-73TM-FIN, jonka laitoin propertiesista oikein. Täten sain kartan tehtyä pienelle osalle havainnoistani (kuva 1). Tarkistin vielä, että havainnot osuvat oikein ja esimerkiksi Porkkalasta on tosiaan havainto.

Kuva 1. Tiiran havaintoja laitettuna 1 harjoituksen karttaan.

Seuraavaksi tein kaikista havainnoistani karttoja, ja sain kuvat 2 ja 3. Tiirasta ei saanut ladattua kaikkia samaan tiedostoon, joten kaikki vuodet piti latailla erikseen. Yhdistin ne itse samaan taulukkoon ja pakersin karttoja.

Kuva 2. Tiiran pääkaupunkiseudun havaintoja laitettuna Openstreetmap -karttaan.

Kuva 3. Tiiran havaintoja laitettuna Openstreetmap -karttaan.

Yllätyin, että olen tallentanut Tiiraan eniten havaintoja paikoista, joissa olen käynyt säännöllisesti tai joitain yksittäisiä mielenkiintoisia havaintoja. Siitä saa siis oikeastaan aika suppean kuvan lintuharrastuksestani. Pisteiden mukaan en olisi juuri havainnoinut lintuja eri paikoissa, ja havaintoja on aika vähän. Esimerkiksi Helsingin keskustassa olen käynyt bongaamassa joskus mandariinisorsaa Töölönlahdelta (23.04.2006).

 

Tulin, tiirailin ja voitin: ongelmat, jota Tiiran datassa kohtasin

En ollut varma, mitä koordinaatteja Tiira käyttää , enkä saanut plotattua pisteitä millekään kurssilla olleelle kartalle tai edes openstreetmapille. Yritin itse klikkailla koordinaattien ”on the fly” -muuttamista, muttei se onnistunut, joten kartta jäi tekemättä. Täytyy yrittää tätä vielä myöhemmin uudelleen. QGIS herjaa: ”latitude or longitude exceeds limits”. 

En löytänyt netistä helposti, miten voisin itse laskea uudet sarakkeet toisenmuotoisille koordinaateille. Koordinaatit ovat kuvassa 4 sarakkeissa ”Paikka” ja ”X-koord”. Lisäksi en aluksi huomannut, mitä koordinaatteja Tiira käyttää. Koordinaatiston keksin, kun laitoin johonkin koordinaattimuunnin sivustoille, ja sen perusteella huomasin, että koordinaatit ovat tiettyä muotoa.

Muokkasin tiedostoa vielä paremmin csv-muotoiseksi, jotta sain kaikki  X- ja Y- koordinaatit omiin sarakkeisiinsa, muttei se auttanut. Ongelma oli, etten itse osannut aluksi valita koordinaattijärjestelmää, jota QGIS käytti. Myöhemmin palasin asian kimppuun ja huomasin, että csv heittelee koordinaatteja mihin sattuu sarakkeisiin eli ne eivät pysy nätisti samoissa alekkaisissa sarakkeissa kaikki. 

   Kuva 4. Tiiran dataa attribuuttitaulussa.

 

The world is a hazardous place eli Kuudes kurssikerta

Pakkasen puremat

Tällä kertaa aloitimme reippailemalla Epicollect5:n kanssa. Kysymyksiin vastaaminen oli helppoa, mutta tulkinta haasteellista, sillä monet paikat olisivat sopivia hengailuun kesällä. Talvisessa noin kymmenen asteen pakkasessa ihmisillä oli lähinnä kiire paikasta toiseen: ainoa poikkeus tästä oli koirapuistossa ollut parivaljakko.

 

Kaupallisuus

Seuraavaksi piirtelimme pisteitä kartalle QGIS:n Google streetview’n pluginin avulla. Katselimme aluetta Helsingin keskustassa, ja mietimme pisteiden kohdalla arvoja kaupallisuudelle. Arvoja annettiin välillä: 1-5, joissa 1 = ei kaupallinen ja 5 = hyvin kaupallinen.

Näiden avulla piirrettiin Interpoloimalla alueita, joiden oli tarkoitus kuvata kaupallisuutta. Kuvassa 1 näkyy, että esimerkiksi risteysalueet voivat olla kaupoille parempia sijainteja.  Toisaalta  rajatun alueen eteläosassa sijaitseva puistoalue näkyy vähemmän kaupallisena alueena. Tällä alueella ei ollut hyvin kaupallisia alueita (arvo 5), sillä se ei ollut ihan ydinkeskustassa.

Kuva 1. Helsingin alueen kaupallisuus interpolointitehtävä.

 

Maailman hazardit

Seuraavaksi oli tarkoitus hakea eri nettisivustoilta tietoja ja muokata niitä tarpeen mukaan QGIS:lle sopiviksi annospaloiksi. Monet sivustot antavat tallentaa suoraan cvs-tiedostomuodossa, mutta osaa piti itse tallentaa ja muokata sopimaan QGIS:n suuhun.

Ensin tutkiskelin Artun johdolla maanjäristysaineistoja. Piirsin siitä ensin kuvan kaikista järistyksistä, joita sain haettua tietokannasta (kuva 2).

Kuva 2. Maanjäristykset maailmalla. Datan lähde.

Piirsin myös yli 8 magnitudin järistykset 1980-, joista tuli kuva 3. Halusin kuvalla 3 havainnollistaa sitä, missä on sattunut tuhoisempia maanjäristyksiä. Karttaa voisi käyttää opetuksessa havainnollistamaan sitä, missä on mahdollisuus suuremmalle vaaralle maanjäristyksien suhteen. Toisaalta pienemmän aineiston perusteella voisi etsiä artikkeleita asiaan liittyen, ja oppilaat voisivat selvittää, mitä alueella kävi. Esimerkiksi Meksikon järistyksestä löytyi artikkeli Ylen sivuilla (2017).

Kuva 3. Vuoden 1980 jälkeen tapahtuneet yli 8 magnitudin järistykset kartalla. Datan lähde.

Seuraavaksi minua kiinnosti, miten näiden aineistojen kanssa saa havainnollistettua esimerkiksi Tyynenmeren tulirenkaan sijaintia. Oletuksena oli siis, että tulivuoret ja maanjäristykset sijaitsisivat samoilla alueilla – niinkuin ne näidenkin datojen perusteella sijaitsevat. Tunnetut tulivuoret sijaitsevat suurelta osin samoilla alueilla mannerlaattojen törmäyskohdissa, joissa on myös paljon maanjäristyspisteitä (kuva 4).

    Kuva 4. Maanjäristykset ja tulivuoret maailmalla. Data: maanjäristykset ja tulivuoret.

Vertailin karttojani muiden karttoihin, ja huomasin, että Eveliina oli älynnyt muuntaa tulivuoren pisteen kuvat kolmioiksi, mikä oli vähän kuvaavampi tapa erottaa maanjäristykset ja tulivuoret. Lisäksi Eveliina oli huomannut erikoisen tulivuoren Ruotsissa, ja selvittänyt, että kyseessä oli virhe tulivuoren koordinaateissa. Meillä on tehty kartat samasta aineistosta, niin minulla on sama piste (kuva 4).

Liisa oli blogissaan selvittänyt ydinvoimaloiden sijaintia seismisesti aktiivisilla alueilla, mikä oli mielenkiintoinen tieto. Esimerkiksi juuri Tyynenmeren tulirenkaan liepeillä sijaitsee yllättävän paljon ydinvoimaloita. Mitenhän on otettu tämä huomioon suunnittelussa..

Ei kahta ilman kolmatta eli halusin tutkiskella vielä meteoriitteja eli maahan tippuneita taivaankappaleita (Ursa) maailmankartalla. Niistä sain kuvan 5.

Kuva 5. Meteoriitit kartalla. Lähde.

Meteoriittejen sijainnilla näyttäisi olevan kuvassa 5 väliä esimerkiksi Venäjän pohjoisosissa niitä ei ole niin paljoa, myös Tiibetin ylängöllä tai Brasilian keskiosissa ei näytä olevan meteoriitteja. Lieneekö kyseessä se, ettei ko alueilla juurikaan ole ihmisiä havainnoimassa ilmiöitä. Vai onko niin, että niillä ei voi havainnoida niin helposti muinaisiakaan meteoriitteja.

Sini oli keksinyt blogiinsa tiedon, että rapautumisolosuhteet vaikuttavat myös siihen, löytyykö muinaisia meteoriitteja.  Eli sademetsän kosteissa ja lämpimissä olosuhteissa meteoriitit rapautuvat nopeammin. Toisaalta Siperiassa on kylmää, joten sieltä luulisi löytyvän meteoriitteja.

Meteoriitteja halusin rajat yli 17 kg painoisiin, jotta saisin vähän suuremmat esiin, ja tein niistä kuvan 6. Kuvassa 6 on väärä sana ”meteori” legendassa, kun pitäisi olla siis ”meteoriitti”.  Kuva 6. Yli 17 kg painaneet meteoriitit kartalla. Datan lähde.

 

Datoilla voisi piirtää opetuskäyttöön erilaisia karttoja, joissa valitsisi itse näytettäviä asioita. Esimerkiksi tulivuoridatasta voisi piirrellä karttoja erilaisten tulivuorten sijainnista ja pohtia sitä oppitunnilla, miksi laakio- tai kilpitulivuoret sijaitsevat missä sijaitsevat. Toisaalta voisi myös tarkastella nykyiset vs muinaiset tulivuoret, ja kahden kartan perusteella voisi vertailla, miten hyvin ne vastaavat laattojen muinaisia liikkeitä ja havaita aktiivisten tulivuorten enimmäkseen olevan laattojen reunaosissa.

 

Lähteet:

Maanjäristysdata: http://quake.geo.berkeley.edu/anss/catalog-search.html Haettu 19.2.2018

Meteoridata: https://fusiontables.google.com/DataSource?docid=1vHSvjNgCIl6kRhFXPHhvESnnYx_ShToJWtWdjm8#rows:id=1 Haettu 19.2.2018

Tulivuoridata: https://catalog.data.gov/dataset/global-volcano-locations-database Haettu 19.2.2018

Ursa: Määrittelyartikkeli: https://www.ursa.fi/extra/kosmos/m/meteori.html Luettu 19.2.2018

Yle 2017: Miksi maa järisi taas Meksikossa? https://yle.fi/uutiset/3-9841716 Luettu 19.2.2018

Sinin blogi: https://blogs.helsinki.fi/7k110738/ viitattu 26.2.2018

Liisan blogi: https://blogs.helsinki.fi/nliisa/ viitattu 26.2.2018

Eveliinan blogi: https://blogs.helsinki.fi/evsirola/ viitattu 26.2.2018

 

Pohdinta viidennestä kurssikerrasta

Kurssikerran asioiden pohtiminen tuotti päänvaivaa, sillä Statistics Panel ei aina suostunut näyttämään haluttua tietoa. Huomasin, että sen kanssa pitääkin olla tarkkana, että alasvetovalikosta on valittuna oikea kohta. Eli huomaisin uusien layereiden ym nimeämisen tärkeyden.

Kuten monipuoliset harjoitukset todistavat, puskurivyöhykkeiden avulla voidaan tarkastella melkein minkä vain asian sijoittumista ja erilaisia vaikutusalueita. Sillä voidaan myös tukea esimerkiksi kaupunkisuunnittelua luomalla alueita, joihin voidaan laittaa erilaisia vaatimuksia maankäytölle. Esimerkiksi vesiensuojelualueiden viereen rajennettaville rakennuksille voidaan määritellä erilaisia vaatimuksia.

Tuntuu, että monen QGIS -perustyökalun käyttö sujuu ihan hyvin, ja idea on hallussa. Esim. field calculator. Kotona tehtäessä hankaluuksia ja kaatumisia aiheuttaa enemmän vanha kotikone, jossa ei kauheasti riitä potkua nykyajan vaatimusten suhteen.

Perusjutut eli valintojen tekeminen, eri tasojen lisääminen ohjelmaan (shp-filet, rasteriaineistot) on helppoa, mutta esimerkiksi ”Join attributes by location” vaatii vähän mietiskelyä, mitä eri valinnat tarkoittavat (intersect , contains, …). Lisäksi on hyvä aina pohtia tarkemmin, mitä on tekemässä eikä vain hutkia menemään.

PPP eli Puskurointia ja Paljon Puhinaa (siis viides kurssikerta)

Back to Pornainen: teiden määrä ja peltoala

Kurssikerran aluksi jatkoimme viime kerran Pornaisten aineiston kanssa. Selvitimme teiden pituuden ja peltojen pinta-aloja (taulukko 1).

Ensin laskimme kaikkien peltojen pinta-alan, seuraavaksi Intersection –työkalulla laskimme Pornaisten rajauksen peltoalan. Molemmissa oli 47 peltoa eli kaikki pellot ulottuivat myös rajauksen alueelle, mutta osa niiden 10kokonaisalasta jäi rajauksen ulkouolelle.

Taulukko 1. Pornaisten aineiston analyysin tulokset.

  Tietä, km Peltoala, km2 Rajauksen peltoala, km2 Peltoa, kpl Rakennusta 100m tiestä, kpl Asukkaita 100m teistä, kpl
19 7,72 5,68 47 448 1 045

 

Bufferointiin tutustuminen: teiden läheisyyden vaikutus asukasmäärään

Kaupungistuminen on nykyaikainen ilmiö, ja suomalaisetkin haluavat asua kaupunkimaisissa ympäristöissä. Tämä liittyy myös elämäntapojen ja arvostusten muuttumiseen: yhä useampi haluaa nautiskella vapaa-ajastaan kahviloissa tai päästä helposti paikasta toiseen pyöräillen. Suurin ihmisiä houkutteleva tekijä on työpaikkojen sijainti. Myös lähipalveluiden saavutettavuus, hyvät joukkoliikenneyhteydet ja helppo asuminen houkuttelevat ihmisiä. (SYKE 2017).

Halusimme selvittää, mikä vaikutus teiden läheisyydellä on asukkaiden määrään. On Fixed buffer -työkalulla tarkastelimme vaikutusta: otimme 100m tiestä bufferiksi. Otimme dissolve resultin, sillä halusimme laskea kokonaisuutta ja kertaalleen tiedot emmekä jokaisen yksittäisen tien omaa tietoa.

Seuraavaksi katsoimme rakennusten sijoittumista teiden suhteen. Tulos (Taulukko 1): 448 rakennusta 664:stä sijoittui piirtämieni teiden läheisyyteen. Olin piirtänyt esiin pääteiden lisäksi myös asuinalueiden teitä taajamassa. Asukkaita oli 1588 koko alueella, ja valitulla bufferialueella asuu 1045 henkilöä eli hieman vajaa 2/3 asukkaista asui suurempien teiden lähettyvillä (taulukko 1).

Suurempien teiden varrella asuminen vaikuttaa saavutettavuuteen, ja taajama-alueella asuminen takaa usein peruspalveluiden läheisyyden. Lisäksi taajama-alueella on todennäköisemmin pyöräteitä, jolloin liikkuminen pyörällä tai kävellen on miellyttävämpää.

 

Terveysaseman ja koulun lähellä

Pornaisten alueen asukkaista noin kolmasosa asuu maksimissaan puolen kilometrin päässä terveysasemalta eli 479 hlöä alueen 1588 asukkaasta, mikä on 30,2%. 193 rakennusta 664:stä eli 29% on maksimissaan 500m päässä terveysasemasta.

898 henkilöä alueen 1588  asukkaasta asuu maksimissaan kilometrin etäisyydellä koulusta, joten 43% asuu yli kilometrin päässä koulusta (kuva 1). Rakennuksia 422 on maksimissaan kilometrin koulusta, joten yli kilometrin päässä on rakennuksista 36%. Alueella yhteensä 664 rakennusta.

Kuten Sini blogissaan toteaa, niin suuri osa Pornaisten asutuksesta keskittyy peruspalveluiden läheisyyteen: koulun tai terveyskeskuksen lähelle.

Kuva 1. Pornaisten koulun alue.

 

Back to business [area]

Pääkaupunkiseudulla on kovia kasvupaineita, sillä Uudellamaalla tuotetaan vajaa 40% Suomen BKT:sta ja siellä asuu 29% Suomen väestöstä (Uudenmaan liitto 2016). Työpaikkojen läheisyys houkuttaakin ihmisiä alueelle. Muuttoliike luo suuria kasvupaineita asuintuotannolle, mikä tiivistää kaupunkirakennetta entisestään. Katseet luodaan tiukemmin aiemmin asuntorakentamisen ulottumattomissa oleville alueille, sillä niiden arvo nousee.

Tämä on johtanut myös siihen, että Malmin lentokenttäaluetta kaavaillaan asuintuotantoon, ja alueelle on suunniteltu 25 000 asukasta ja 2000 työpaikkaa (Helsingin kaupunki 2017). Alueen joukkoliikenteen suunnitellaan perustuvan raideliikenteeseen, ja se on noin kymmenen kilometrin päässä Helsingin keskustasta (Helsingin kaupunki 2017). Jos ajallinen ja helppo saavutettavuus taataan keskeisillä työssäkäyntialueille raideliikenteen valmistuttua, alueesta tullee suosittu asuinpaikka.

Kun alue suunnitellaan alusta alkaen tiiviiksi ja monipuolisia asuntoja tarjoavaksi, sillä lienee potentiaalia saavuttaa suosiota, jos joitain peruspalveluja on myös lähellä. Etenkin raideliikenteen läheisyys nostanee alueen arvostusta. Suunnitelmien mukaan raideliikenne halkoisi asuinaluetta mennen sen keskellä pohjois-etelä -suuntaisesti, ja raidetta ympäröivät alueet olisivat kerrostalovaltaisia (Helsingin kaupunki 2016). Lisäksi alueelle on myös suunniteltu pyöräteitä, mikä vaikuttanee myös alueen suosioon.

Taulukko 2. Malmin lentokentän vaikutusalue

Rakennukset 2km etäidellä Ihmisiä 2km etäisyydellä Rakennukset 1km etäisyys Ihmisiä 1km etäisyydellä
4 718 57 450 764 8 835

Taulukon 2 mukaan alueen suunnittelu nostaisi alueen asukasmäärää.

 

Helsinki-Vantaan lentokentän vaikutusalue

Seuraavaksi tutustuimme Helsinki-Vantaan lentokenttään, ja tarkastelimme rakennusten ja asukkaiden määrää sen lähettyvillä (Taulukko 3). Kiitoradoista enintään kahden kilometrin etäisyydellä aineiston mukaan on  4% alueen rakennuksista ja 2% asukkaista. Enintään kilometrin päässä kiitoradoista on 0,3% alueen rakennuksista ja 0,2% alueen asukkaista. Kaikkiaan alueella on 55 811 rakennusta ja 490 173 asukasta.

Taulukko 3. Helsinki-Vantaan lentokentän vaikutusalue.

Rakennukset 2km etäisyydellä, kpl Ihmisiä 2km etäisyydellä, kpl Rakennukset 1km etäisyys, kpl Ihmisiä 1km etäisyydellä, kpl
2 316 11 411 211 1 044

 

Tarkasteltaessa melutasoa ja tutkittaessa pahinta melutasoa eli 65 desibelin tasoa, tulokseksi tuli, että ko tason alueella on 10 rakennusta ja 29 henkilöä (taulukko 4). Eli 0,25% alle kahden kilometrin päässä asuvista asuu pahimmalla melualueella.

55 desibelin tai sitä enemmän melua kokee 193 rakennusta ja 622 henkilöä (taulukko 4), joka on 5,45% kahden kilometrin päässä kiitoradoista asuvista asukkaista.

Taulukko 4. Eri vaikutusalueilla olevien rakennusten ja ihmisten määrä.

65dB vaikutusaluella: 55dB-65dB vaikutusaluella
ihmisiä 29 622
rakennuksia 10 193

Lisäkiitoradan vaikutusalueella on 1 631 rakennusta ja 12 540 asukasta eli esim. verrattuna teht. 1 bufferiin: 12 540 asukasta vs 29 asukasta. On siis todella hyvä, että ko kiitoradankäyttöratkaisu oli vain väliaikainen, sillä meluhaittaa koki paljon suurempi ihmisjoukko.

 

Asemien läheinen ihmismäärä

Kokeilin Clip -työkalulla aseman lähettyvillä (500m päässä) olevaa asukasmäärää, ja sain 106 691 ihmistä (5 169 rakennusta). Koko väkimäärästä se on 22%. Vertasin tulostani esim. Sinin tulokseen. Hän oli saanut vastaukseksi 17%, mikä hieman ihmetytti minua, sillä kuitenkin kyseessä oli sama aineisto, eikä kumpikaan ollut itse piirtänyt mitään bufferoitavaksi, vaan asiat oli annettu ja tulos vain pitäisi tulla suoraan ja siis olla sama. (Pks_väki -tiedostosta laskiessani tulokseksi tuli 25% eli 265 201 ihmisistä asuu maksimissaan 500m päässä asemasta).

Muokkasin alkuperäistä tilastoa, ja otin vain sopivat arvot laskennan nopeuttamiseksi. Sitten laskin pelkät työikäiset uuteen shp-fileen. Silti laskutoimitus ”Join attributer by location” kesti suht kauan, mutta QGIS ei kaatunutkaan ihmetyksekseni. Tulokseksi tuli pitkien laskujen ja odottelun jälkeen 73 022 ihmistä eli 68% asemien lähevillä asuvista ihmisistä on työikäisiä.

Taajamaprosentti on 79%, mikä on melkein odotettu tulos, sillä keskimäärin taajamaprosentti on Suomessa 85% (Tilastokeskus 2016a). Tosin voisi olettaa, että se olisi suurempikin, sillä pääkaupunkiseudulla asukastiheys on huomattavasti suurempi kuin muualla. Löysinkin Tilastokeskuksen sivuilta (2016b), että Vantaan taajama-aste olisi 99,7% ja Helsingin 100%. Eli laskelmassani on ristiriitaisuutta Tilastokeskuksen tulokseen nähden.

Tein tuloksen vielä Spatial Queryllä, ja sainkin tulokseksi 85%, joten ”Join attributes” antoi pienemmän tuloksen. Tähän havaintoon päätyi Sinikin.

Seuraavaksi tarkasteltiin kouluikäisiä eli 7-16 -vuotiaita.  Vastauksena 54 979 koululaisesta 46 713 asuu taajamissa, joten taajamien ulkouolella tehtävän mukaan asuu 8 266 koululaista eli 15% koululaisista.

Koululaisista siirryttiin ulkomaalaisten osuuteen, jota en ensiksi saanut laskettua. Seuraavana päivänä kävin asian kimppuun uusin voimin ja sain jotain aikaiseksikin. Kuten taulukosta 5 näkee, niin alueella ei juuri ole taajamia, joissa ulkomaalaisten osuus olisi suuri. Katselin attribuuttitaulusta, ja sen mukaan oli 2 aluetta, joissa ulkomaalaisten osuus oli 100% ja muualla se vaihteli.

Taulukko 5. Ulkomaalaisten osuus taajamissa.

Ulkomaalaisten osuus Alueiden määrä Korjattu alueiden määrä % taajamista
>10% 39 38 4,2
>20% 11 10 1,1
>30% 7 6 0,7

Huomasin, että taulukossa olikin bugi, kun aloin ihmetellä, että on olemassa epämääräinen alue, jota en tunnistanut, jossa ulkomaalaisten osuus pomppasi esiin kauniisti, vaikka laitoin hakuun yli 90% ulkomaalaisia. Aloin tutkimaan asiaa tarkemmin, ja havaitsin, että alkuperäisessä attribuuttitaulukossa on vikaa ja niissä oli lukuna 99999999 (kuva 2). QGIS kaatuili, kun yritin poistaa nuo rivit Attribuuttitaulukosta. Vähensin sitten loppujen lopuksi tuloksistani tuon yhden alueen verran.

Kuva 2. Alue, jolla ulkomaalaisten määrä herätti ihmetystä.

Huomasin, että Fanni olikin tutkinut samaa, ja hän oli tunnistanut kyseessä olevan kunnan: sehän on Kauniainen. Tämän olisi tietysti voinut itsekin huomata postinumeron perusteella, jos olisi katsonut attribuuttitaulun sarakkeita tarkemmin. Lisäksi Fanni oli päätellyt, että kyseessä ei ole bugi, vaan tarkoituksena on, ettei asioita julkaista tarkkaa tietoa yksityisyydensuojan vuoksi.

 

Koulupiirit

Sain vastaukseksi 6-vuotiaita koulupiirin alueella on 14 ja yläasteelle siirtyy 18 lasta (taulukko 6). 7-9 -luokkalaisia 63kpl. 8% alueen asukkaista on peruskouluikäisiä. Muunkielisiä kouluikäisiä lapsia on alueella 9 kpl eli koulua käyvistä lapsista vajaa 6%.

Taulukko 6. Eri-ikäisten koululaisten määrät koulupiirin alueella.

Ikä Määrä
6 14
7 14
8 11
9 17
10 22
11 14
12 18
13 21
14 23
15 19
7-15v, yhteensä 159

Kuten Sinikin, minäkin hetken mietin, pitävätkö tulokset paikkaansa, sillä luokka-asteiden koot tuntuivat niin pieniltä. Mutta katsoin taulukosta muiden alueiden tietoja, ja havaitsin, että toisilla alueilla oppilaita oli vaihtelevasti, joten päättelin, että tulokset ovat ihan oikein. Tosin 6-vuotiaiden määrä on eri kuin esimerkiksi Sinillä.

 

Uima-altaat ja saunat

Uima-altaita on yllättävän paljon asunnoissa pääkaupunkiseudulla (taulukko 7). Lisäksi saunoja on 21 922 asunnossa eli  24% asunnoista ja 91 075 asukkaalla eli 28% ihmismäärästä.

Taulukko 7. Uima-altaiden määrä alueella.

  Rakennusta % rakennuksista OKT Paritaloa Rivitaloa Kerrostaloa
Kpl 855 0,9 345 158 113 181
Henkilöä 12 170 1050 685 1 184 8 451

Uima-altaita on eniten muutamalla alueella. Suurin määrä on 53 alueen eteläosissa. Kuvasta 3 näkee alueellisesti uima-altaiden määrän ja saman tiedon pylväsdiagrammit kuvasta 4. Kuvasta 3 näkee paremmin niiden alueiden sijainnin, joissa uima-altaita on enemmän.

Kuva 3. Uima-altaiden lukumäärät alueittain. 

Kuva 4. Uima-altaiden määrä pylväsdiagrammeina.

Huomasin karttojeni olevan aika epäselvät verrattuna muiden tuotoksiin. Esimerkiksi Miialla  ja Eemilillä oli selkeämmin piirretyt kartat uima-altaista.

 

Kerrostalojen putkiremontit

Tutkiskelin putkiremonttiasiaa, ja tein tuloksista taulukon 8. Kuvan 5 perusteella remontoitavia alueita on esimerkiksi Myyrmäessä, Talissa, Kampissa, Vanhassa Munkkivuoressa ym. Kuvassa näkyy myös alueellinen kerrostalojen määrä.

Taulukko 8. 1965-1970 rakennettujen asuntojen tietoja.

Asuntoa Asukasta Kerrostaloa Asukasta Asuntoa
4 007 51 964 686 36 706 21 673

Kuva 5. Koropleettikartta remontoitavien kerrostalojen osuudesta kullakin alueella.

 

Viitteet:

Sinin blogi: https://blogs.helsinki.fi/7k110738/2018/02/13/verta-hikea-ja-puskureita/ Viitattu 14.2.2018

Miian blogi: https://blogs.helsinki.fi/miiafar-gis1/2018/02/19/viikko-5-analysointia-ja-buffereita/ Viitattu 20.2.2018

Eemilin blogi: https://blogs.helsinki.fi/beemil/2018/02/19/homma-rupee-sujumaan/ Viitattu 20.2.2018

Helsingin kaupunki 2016: Malmin lentokentän alueen kaavarunko. http://www.hel.fi/static/public/hela/Kaupunkisuunnittelulautakunta/Suomi/Esitys/2016/Ksv_2016-11-29_Kslk_38_El/518FF0E7-85AA-C9DA-A042-587273600005/Liite.pdf Viitattu 13.2.2018

Helsingin kaupunki 2017: Malmin lentokentän alue. https://www.hel.fi/helsinki/fi/asuminen-ja-ymparisto/kaavoitus/ajankohtaiset-suunnitelmat/malmi/ Viitattu 13.2.2018

SYKE 2017: Suomalaiset arvostavat kaupunkimaista asumista http://www.syke.fi/fi-FI/Tutkimus__kehittaminen/Rakennettu_ymparisto/Suomalaiset_arvostavat_kaupunkimaista_as%2843622%29 Viitattu 13.2.2018

Tilastokeskus 2016a: Väestötieteen perusteet. http://tilastokoulu.stat.fi/verkkokoulu_v2.xql?course_id=tkoulu_vaesto&lesson_id=5&subject_id=10&page_type=sisalto Viitattu 13.2.2018

Tilastokeskus 2016b: Kuntien avainluvut. https://www.stat.fi/tup/alue/kuntienavainluvut.html#?year=2017&active1=091&active2=092 Viitattu 13.2.2018

Uudenmaan liitto 2016: Uusimaa lukuina 2016. https://www.uudenmaanliitto.fi/files/18341/Uusimaa_lukuina_2016.pdf Viitattu 13.2.2018

 

Väestödata laittaa QGIS:n polvilleen eli neljäs kurssikerta

Säädöksi meni

Ensin tutustuimme pääkaupunkiseudun väkimäärään pisteaineiston kautta. PKS_vaki kertoo rakennuksista tietoa, ja se on merkitty pistein kartalle. Attribuuttitaulun mukaan se sisältää noin 92 000 riviä tietokannassa, ja se kertoo väkimäärän per rakennus ja muuta. Muuta tietoa on esimerkiksi sukupuoli, ruotsinkieliset ja iän keskiarvoa ym väestödataa.

Datan avulla voisi tehdä kaikenlaisia mielenkiintoisia karttoja ja tutkia monia asioita. Dataa voisi käyttää tutkittaessa esimerkiksi ihmisten asumista (minkälaisissa rakennuksissa nuoret asuvat) tai sijoittumista eri puolille kaupunkia (missä opiskelijat asuvat) kulttuurimaantieteessä taikka tutkittaessa esimerkiksi mahdollista korjausvelkaa eri puolilla kaupunkia.

Aloimme tutkimaan pistetietoja ruudukossa. Piirsimme ruudukon, ja haimme Spatial Query –työkalulla pelkät ruudut, jotka sisälsivät PKS-tietoja. Tämä vähensi ruutujen määrän 40% alkuperäisestä noin 1900:sta ruudusta.

Minulla oli suuria vaikeuksia kurssikerralla, koska laskennat kaatoivat QGIS:n useampaan otteeseen. Yritin laskea lasten määrää alueella, mutta se osoittautui liian vaikeaksi tehtäväksi kaatuilun vuoksi, vaikka yritin jakaa laskutoimituksia. Hukkasin välillä dataa ja minulla oli suuria vaikeuksia saada minkäänlaisia karttoja tehtyä harjoituskerran aikana.

Päädyin laskemaan eläkeläisten määrää, mihin otin mukaan 65-vuotiaasta alkaen. Tein kartat sitten kotona, kun höyry oli vähän laskeutunut..

Sini Virtanen oli blogissaan ratkaissut kaatuilun rajaamalla laskettavia sarakkeita. Minulla niitä oli n. 20 mikä oli liikaa, vaikka itsekin rajaamista yritin (kaikki lasten ikävuodet 0-17 olivat eri sarakkeissa). Sen sijaan rajaamalla pelkät eläkeläiset sarakkeita tuli vain muutamia, ja sain tehtyä laskut.

 

Kartat and beyond..

Huomasin, että Sini Virtanen oli tehnyt kartan blogiinsa myös rakennusten käyttöönottovuodesta.  Hänen kartastaan näkee hyvin tiivistymisilmiön, jota kaupunkiseuduilla tapahtuu, kun tarvitaan lisää asuntoja kaupunkiin muuttaville ihmisille. Asutus leviää alkuperäisten asutuskeskusten ympärille ja rakentuu yhä tiheämmin.

Kuvassa 1 on eläkeläisten määrä 250m ruuduilla ja kuvassa 2 on heidän määränsä 1000m ruuduilla. Suurempi ruudukko toimii tässä esityksessä paremmin, sillä siitä saa helpommin selvää, missä on enemmän eläkeläisiä. 250m ruuduilla erot eivät kuvasta erotu niin hyvin ja yleiskuvasta kuvassa 1 saa sen käsityksen, että yli 65-vuotiaita olisi paljon.Kuva 1. Eläkeläisten määrä 250m ruuduilla pääkaupunkiseudulla.

Kuva 2. Eläkeläisten määrä 1000m ruuduilla pääkaupunkiseudulla.

Huomasin, että Eveliina Sirola oli myös saanut samansuuntaisia karttoja tarkastellessaan yli 60-vuotiaiden osuutta pääkaupunkiseudulla. Hän oli myös pohtinut eläkeläisten sijaintia ja tehnyt tarkastelun 500m -ruudukolla. Ehkäpä se olisi ollut hyvä kultainen keskitie 1000m ja 250m -ruutujen välissä.

 

Kartan tulkintaa

Espoossa on eläkeläisiä 16,1% väestöstä ja Helsingissä heitä on 19,4% Tilastokeskuksen (2016) mukaan. Kuvista 1 ja 2 voi saada sen käsityksen, että heitä olisi jotenkin erityisen paljon.

Dataa olisi ehkä pitänyt muokata paremmin kuvaamaan asiaa suhteellisesti, mutta silloin luvut saattoivat olla liian pieniä, ja jostain syystä tuli 0-rivejä paljon.

Tutkin asiaa internetin ihmeellisessä maailmassa ja huomasin, että pääkaupunkiseudulla asukkaiden määrä jatkaa ennusteiden mukaan kasvuaan. Myös eläkeläisten määrä lisääntyy.  Espoon kotisivuillakin todetaan suoraan: ”Ikärakenteessa suurin muutos tulee olemaan ikääntyneiden asukkaiden määrän ja väestöosuuden kasvu.”. Tämä tuonee haasteita palveluiden järjestämiselle. (Espoon kaupunki 2016).

Mielenkiintoista olisi, jos tutkittaisiin, miten tämä kehityskulku vaikuttaa siihen, missä eläkeläiset asuvat. Tosin lienee niin, että eläkeläiset asuvat samoilla alueilla, kuin työssäkäydessään elleivät muuta edullisempaan asuntoon esimerkiksi kauemmas työssäkäyntialueilta. Tosin eläkkeellä varmaankin palveluiden läheisyys on plussaa, kun on aikaa harrastaa ja toisaalta on erilaisia palvelutarpeita. Varmasti myös joukkoliikenteen käytön helppous ja saavutettavuus ovat tärkeitä tekijöitä myös eläkeläiselle asuinpaikan valinnassa eli esimerkiksi radanvarret houkuttelevat.

 

Linkit

Espoon kaupunki 2016: Väestöennusteet. http://www.espoo.fi/fi-FI/Espoon_kaupunki/Tietoa_Espoosta/Tilastot_ja_tutkimukset/Vaesto_ja_vaestonmuutokset/Vaestoennusteet(352) Viitattu 7.2.2018

Tilastokeskus 2016: Kuntien avainluvut. https://www.stat.fi/tup/alue/kuntienavainluvut.html#?year=2017&active1=091&active2=049 Luettu 5.2.2018

Sini Virtanen Luettu https://blogs.helsinki.fi/7k110738/ 7.2.2018

Eveliina Sirola https://blogs.helsinki.fi/evsirola/ Luettu 7.2.2018