Rakennetun alueen laajeneminen Suomen kaupunkiseuduilla – Kehitys vuosina 2000-2012
Bibliographic record
Abstract
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. Tulosten 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. Corine 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.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.059 | 0.012 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".