Rakennetun alueen laajeneminen Suomen kaupunkiseuduilla – Kehitys vuosina 2000-2012
Notice bibliographique
Résumé
Kaupunkialueiden pinta-ala on laajentunut voimakkaasti viime vuosikymmeninä kaupungistumisen ja yhdyskuntarakenteen hajautumisen myötä. Tässä raportissa tutkittiin rakennetun alueen muutoksia Suomen 34 suurimmalla kaupunkiseudulla vuosina 2000–2012. Tavoitteena oli selvittää, mille maankäyttöluokille rakennettu alue laajeni ja kuinka suuri osuus asuinkerrosalasta kohdistui jo rakennetulle alueelle ja toisaalta aiemmin rakentamattomille alueille. Tarkasteluissa hyödynnettiin kaupunkiseutujen yhdyskuntarakenteen jaottelua jalankulku-, joukkoliikenne- ja autovyöhykkeisiin. Osana tutkimusta arvioitiin eri aineistojen käyttökelpoisuutta rakennetun alueen laajenemisen seurantaan. \nTulosten perusteella kaupunkiseudut kasvoivat 2000-luvulla pääosin ulospäin rakennetun alueen laajetessa kaupunkia ympäröiville erityyppisille metsäalueille. Autovyöhykkeiden metsäalueille rakentaminen korostui tarkasteltaessa sekä rakennetun maapinta-alan muutoksia että kerrosalan sijoittumista. Toisin kuin pienemmillä seuduilla, Helsingissä ja Tampereella kerrosalasta suhteellisesti suurin osa sijoittui joukkoliikennevyöhykkeiden jo aiemmin rakennetuille alueille. Rakennettu alue laajeni väes-tönkasvua nopeammin lähes kaikilla seuduilla - myös vähenevän väestön alueilla. \nCorine Land Cover (CLC) -aineisto soveltuu hyvin rakennetun alueen yleispiirteisten muutosten analysointiin, mutta tarkalla mittakaavatasolla aineiston käyttöön liittyy rajoituksia. Eri aineistoja yhdisteltäessä tulee ottaa huomioon niiden mittakaava. Erityisesti täydennysrakentamisen tulkinnassa on muistettava, että CLC-aineiston rakennettu alue sisältää myös paljon rakentamattomia alueita, jotka eivät resoluution takia erotu aineistossa.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,036 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».