Aineiston analyysiä ja buffereita

Tällä kerralla kävimme QGIS:illä läpi clip, intersect ja buffer toimintoja. Sen lisäksi tutuksi tuli analyysien teko ja arvojen laskeminen sekä tulosten tarkastelu aineiston pohjalta. Käytin monta kertaa valintatyökalua, jolloin pystyin tarkastelemaan esimerkiksi tiettyjen asukkaiden lukuarvoja eri alueiden sisällä.

Miia Vuolle blogitekstissään Kurssikerta 5 (2023) toi esille alla olevan kuvan (kuva 1) mukaisesti erilaiset analyysimenetelmät. Vuolle ajatteli analyysimenetelmistä samoin kuin itsekin. Ne olivat loppujen lopulta ihan ymmärrettäviä ja yksinkertaisia. Kuva 1 havainnollistaa hyvin erilaiset menetelmät, joista muutamaa kokeilimme tällä kerralla.

Kokeilimme clip-toimintoa viime kerran Pornaisten kartta-aineistolle. Toimme pellot aineistoon, jotka clip-toiminnolla poistettiin muualta kuin Pornaisten rajatusta alueesta. Clip toimii kuten piparkakkumuotti ja poistaa muotin ympärillä olevat asiat. Intersect-toiminto oli sitten hieman hankalampi ymmärtää. Tällä tominnolla pyrittiin saamaan kahden alueen yhteiset muuttujat näkyviin ja poistamaan muut. Tätä olisi voinut käyttää samaan tarkoitukseen. Testasin tätä toimintoa myöhemmissä tehtävissä, joten siitä kohta lisää.

Bufferointia

Kokeilin buffer-toimintoa itse piirtämilleni teille, joiden ympärille tein noin kilometrin leveän vaikutusalueen. Sitten valintatyökalulla tutkin, kuinka monta itse piirtämääni rakennusta ulottuu vyöhykkeen sisälle.

Tutkin myös bufferilla montako taloa löytyy 500 metrin päästä terveyskeskuksesta, josta havainnekuva (kuva 3). Vielä statistics paneelista tarkastamalla löytyi 244 taloa 808:sta. Teimme bufferilla myös 1km koulun ympärille ulottuvat talot, joita minulla oli 562 ja ympärille jääviä taloja oli 246.

Siirryimme uuteen aineistoon ja tutkimme lentokenttien vaikutusalueita. Tutkimme entisen Malmin lentokentän vaikutusaluetta. Kilometrin päässä sijaitsevia asuintaloja Malmin lentokentästä oli yhteensä 802. Kahden kilometrin päässä asuinrakennuksia on taas 4882. Tämä toteutettiin niin, että piirrettiin lentokentän kiitoratojen suuntaiset viivat, joiden ympäri bufferoitiin alue. Alueesta tarkasteltiin talojen määrä.

Itsenäistehtävä 1

Sitten siirryimme tekemään itsenäisesti tehtäviä, mikä alkuun järkytti. Nopeasti mieli muuttuikin tyyneksi, sillä sain tehtävät onnistumaan. Aloitin tutkimaan Helsinki-Vantaan lentokenttäaluetta samoilla periaatteilla:

2363 ihmistä asuu alle 2km päässä lentokentästä, joista 598 asuu lentomelualueella (kuva 4). Lentomeluaineisto tuotiin valmiina kartalle. Prosentuaalisesti siis 25% asuu lentomelualueella kaikista ihmisistä, jotka asuvat lentokentän lähialueella. Tässä käytin intersect-toimintoa, sillä halusin ottaa laskuihin mukaan melualueen sekä lentokentän bufferoidun alueen yhteiset asukkaat.

Sitten tuli tarkastella, kuinka monta ihmistä asuu vähintään 55DB melualueella. Heitä oli 1780. Ensin valitsin muuttujat  attribuuttitaulukosta, jossa oli 3 luokkaa. Valitsin 55, 60 ja 60 DB melualueet. Näistä valitsin select by location toiminnon avulla asukkaat valitsemillani DB alueilla, jolloin sain tuloksen statistics taulukkoon. Luku olisi tietenkin pienempi, jos olisin valinnut tulokset violetilta lentokentän 2km läheiseltä alueelta (kuva 4).

Sitten kysymyksenä oli: Kuinka monen ihmisen elämää vähintään 60dB lentomelu haittaisi Tikkurilassa, mikäli saapuva liikenne käännettäisiin jälleen laskeutumaan poikkeuksellisesta suunnasta (kaakosta luoteeseen)?

3912 ihmisen elämään vaikutti. Tein apuviivan (noin 7km pitkän) kiitoradasta kaakkoon päin. Sitten bufferoin tämän viivan 1km  ympäröivältä alueelta, jolloin sain noin 60DB lentomeluhaitta-alueen Tikkurilaan.

5396 ihmistä asuu alle 500 metrin päässä lähimmistä metro- tai juna-asemasta. Bufferoin ensin asemat tietokannan ympäriltä 500 metrin alueet näkyviin, jonka jälkeen valitsin ihmiset näiltä bufferoiduilta alueilta.

Kokonaismäärä kartan alueen asuntoja on 59 429, joten tuo valittu määrä (kuvassa 6 keltaiset pisteet) ihmisiä on prosentuaalisesti 5396/59429*100= 0,09 eli noin 1%.

Kaikki asukkaat alueella oli 111 765, joista 15-64v oli 74989 eli prosentuaalisesti 67%.

Itsenäistehtävä 2:

Kysymyksenä oli nyt pääkaupunkiseutujen taajama-alueet ja niissä asuvat ihmisryhmät. Noin 97% kaikista pääkaupunkiseudun asukkaista asuu taajama-alueella.

Laskin kuinka monta kouluikäistä asuu taajamien ulkopuolella. Ennakkoajatus oli, että heitä on vähän. Laskin pks-väki tietokannasta kouluikäisille oman sarakkeen, jonka tietoja sitten tarkastelin. Laskin, että kaikista yli 100 000 kouluikäisestä noin 3727 asuu taajamien ulkopuolella. Se on noin 4% kaikista kouluikäisistä.

Vaikka kuinka mietin erilaisia keinoja, en osannut laskea alueellisesti ulkomaalaisten määrää taajamissa, joissa heitä on yli 10%, 20% ja 30%.

Pohdintaa

Kurssikerran jälkeen varsinkin puskurivyöhykkeen luonti selkeytyi hyvin. Bufferilla voi tutkia vaikutusaluetta: mitkä vain kaksi muuttujaa, jotka keskenään vaikuttavat toisiinsa. Esimerkiksi voidaan tutkia tulvavyöhykkeitä. Jokialueiden ympärille luodaan puskurivyöhyke, joka kertoo, mihin saakka joki yleensä tulvii.

Aineistojen tulee olla laskennallisia QGIS:iä käyttäessä. Aineisto tuottaa paikkaan sijoitettua kvantitatiivista tietoa.

Käyttäjä analysoi aineistoa aina eri tavalla. Subjektiivisuus näkyy siinä, että tekijä osaa myös käyttää paikkatieto-ohjelmaa eri tavalla. Joitain laskuja voisi laskea vielä tarkemmin, jos osaisi käyttää tiettyjä tarkempia tuloksia antavia komentoja.

Aineistot voivat toki olla virheellisiä, jolloin tuloskin on virheellinen. Eli kaikki ei aina riipu tutkijasta. Toki ihminen on voinut tuottaa aineistoja. Tulos riippuu siitä, miten tutkija tutkii alkuperäaineistoja. Kuten tehtäviä vertaillessa kurssikaverien omiin, huomasin arvojen heittelevän, sillä jokainen käytti omaa subjektiivista otetta analyysin tuottamiseen.

Koin tämän kurssikerran olevan kaikista mielenkiintoisin kaikista GIS-tunneista tähän mennessä. Pidin erilaisten tehtävien tekemisestä ja matemaattisesta laskemispuolesta. Koin myös, että olin muistanu aiemmilta tunneilta asioita niin, että QGIS:in käyttö onnistui todella hyvin. Onnistuin monta kertaa hyvin ja olin positiivisesti yllättynyt piileksivistä GIS-taidoistani.

Kiitos lukemisesta!

 

Lähde:

Vuolle M. 2023, Kurssikerta 5, viitattu 16.2.2023, https://blogs.helsinki.fi/mevuolle/2023/02/14/kurssikerta-5/

Kuva 1: https://www.slideserve.com/ketan/vector-geoprocessing