Miten Helsinki on muuttunut vuosikymmenten aikana? Yhdistin avointa dataa ja uusinta 3D-paikkatietoteknologiaa ja lopputuloksena syntyi sovellus, jonka avulla voi ihmetellä 3D-maailmassa miten kaupunki on kehittynyt. Täältä pääset seikkailemaan sovellukseen, sekä lukemaan siitä miten sen toteutin.
Jatka lukemista ”Lennä vuoden 1943 3D-Helsingissä ja bongaa muutoksia nykyiseen”
Löytyykö pääkaupunkiseudulta lapsia, jotka asuvat alueella, jossa lähinkin leikkipuisto on kaukana? Toisinpäin ajateltuna voisi kysyä, että mihin tarvitaan uusia leikkipuistoja? Selvitetäänpä miten paikkatietoja käyttämällä kysymyksiin saa vastauksia.
Kahlatessani avoimen datan tarjontaa osui silmiini varsin kiinnostava tapaus! Helsingin kaupunki avasi koeluontoisesti datasetin pysäköintipaikkojen lukumäärästä Etelä-Helsingissä. Mielestäni Helsingissä on lähes poikkeuksetta vaikea löytää parkkipaikkaa kadun varresta riippumatta kaupunginosasta, mutta mitä sanoo data? Ehkä mielipiteeni on värittynyt vain siksi, etten ole kauhean vahva taskuparkkeerauksen suorittaja. Seuraavassa pysäköintianalyysi, jossa selvitän alueellisesti pysäköintipaikkojen lukumäärän suhteessa asukaslukuun.
Jatka lukemista ”Onko Helsingissä tarpeeksi parkkipaikkoja?”
Nopeasti laskeutuva pimeys, ja vilkkaasti liikkuvat hirvet ovat vaarallinen yhdistelmä tiellä liikkujille. Joka paikassa pitää toki ajaa varovasti, mutta voisikohan avoimesta datasta kaivaa esiin tietoa siitä, missä kolareita sattuu huomattava määrä?
Aluetehokkuus on tunnusluku, joka ilmaisee rakennetun kerrosalan määrän suhteessa maa-alaan. Tällainen tieto löytyy avoimena datana HSY:n rakennustietoruudukosta!
Tutkitaanpa mitä se pitää sisällään, ja miltä pääkaupunkiseudun aluetehokkuus näyttää. Mistä löytyvät tehokkaimmin rakennetut alueet, ja missä on vielä tilaa?
Jatka lukemista ”Onko pääkaupunkiseutu jo täyteen rakennettu?”
Kuulin jostain huhun, että pizzaa kuljetetaan yhä yksi tilaus kerrallaan monissa paikoissa. Varsinkin kiireisimpinä aikoina kannattaa yhdellä reissulla käydä viemässä useampi lätty useampaan osoitteeseen. Samalla tuli mieleen muutama muukin seikka, jossa paikkatietoteknologia voisi jeesata pizzaravintolan, tai muun siihen verrattavan bisneksen toimintaa.
Inspiroiduin Esrin esimerkistä Fight Child Poverty with Demographic Analysis ja päätin toteuttaa saman Suomesta. Esimerkissä analysoidaan demografiadataa, ja sen perusteella tunnistetaan potentiaalisesti apua tarvitsevia alueita. Monen lapsiperheen hätä on Suomessa todellinen. Jos haluat auttaa niin ainakin seuraavien linkkien kautta pääset eteenpäin:
Jos automatka kauppaan saa kestää maksimissaan kaksi tuntia, niin mistä kaikkialta voi vielä lähteä huristelemaan Tuuriin? Kaasujalkoja on tietysti eri painoisia ja keliolosuhteille ei aina voi mitään, mutta erittäin pätevän dataan perustuvan arvion saa käyttämällä ajoaikavyöhykeanalyysia. Ideana on hyödyntää dataa tieverkosta ja sen välityskyvystä eli nopeusrajoituksista. Jos saatavilla on ruuhkatietoja, niin niitäkin voi käyttää. Näytän seuraavaksi, miten ajoaikavyöhyke lasketaan.
Mistä löytyy Suomen korkeakoulutetut ja miten kouluttaneisuus jakautuu ympäri maata? Jakautuuko se tasaisesti, vai löytyykö korkeasti koulutettuja suurten kaupunkien ympäriltä? Kiehtova kysymys, joten yritetäänpä löytää siihen edes osittainen vastaus hyödyntämällä saatavilla olevaa avointa tilastollista demografiadataa. Tässä kirjoituksessa käytettyä menetelmää voisi yhtä hyvin soveltaa vaikka eri asiakassegmenttien maantieteellisen jakautumisen selvittämiseksi, jos sellaista dataa olisi saatavilla.
Paikkatieto-opas 