---
opencode-session: ses_1b473be1dffeTXspvHEMSwqWXw
opencode-model: deepseek-v4-pro
opencode-agent: build
opencode-cost: 0.52183586
opencode-created: 2026-05-21 20:19:03
opencode-updated: 2026-05-22 13:35:40
---

# Liiklusuuringud hõreasustuses avalikest allikatest

## User

Soovin teha teadustööd transpordiplaneerimises ning kirjutada teadusartikleid.
Teema mis mind huvitab on:
1. hõreda asustusega piirkonnad (rural area) kus on kohalike teede võrgustikud
2. mind huvitavad just selliste kohalike teede võrgustike uurimine kuni väljapääsu punktini suurematele teedele
3. tahaks uurida liiklussagedust ja muid liikumistega seotud teemasid. Meetodid mida kasutada peaksid olema kaudsed ja avalikest allikates.
Uuri ja anna esimesi mõtteid. 

## Assistant

*(thinking...)*

# Esmased mõtted: hõreda asustusega alade teedevõrgustiku uurimine

## 1. Uurimissuunad

**A) Teedevõrgustiku topoloogiline analüüs**
- Graafiteooria abil uurida, kuidas kohalikud teed ühenduvad magistraalteedega
- Hinnata võrgustiku haavatavust – mis juhtub kui üks väljapääsupunkt sulgub?
- *Betweenness centrality* ja *closeness centrality* meetrikud liiklussageduse kaudseks hindamiseks

**B) Liiklussageduse kaudne modelleerimine**
- Kasutada rahvastikutihedust (WorldPop, GHSL), maakasutust (Corine Land Cover) ja huvipunkte (OSM POI-d) sõitude genereerimise prognoosimiseks
- *Gravity model* – asulate suurus ja vahemaa kui liiklusvoo indikaatorid
- Öise valguse satelliidiandmed (VIIRS/DMSP) kui majandusaktiivsuse proxy

**C) Ligipääsetavus ja transpordi võrdsus**
- Mõõta ajalist/sõidukaugust igast elukohast lähima magistraalteeni
- Võrrelda erinevaid piirkondi – kus on "transpordivaesus" kõige teravam?

## 2. Kaadsed meetodid & avalikud andmeallikad

| Andmeallikas | Mida pakub | URL |
|---|---|---|
| **OpenStreetMap** | Teedevõrk, POI-d, maakasutus | openstreetmap.org / osmnx (Python) |
| **GHSL** (Global Human Settlement Layer) | 100m/1km rahvastikuruudud | ghsl.jrc.ec.europa.eu |
| **Copernicus Corine Land Cover** | Maakasutus (44 klassi) | land.copernicus.eu |
| **Eurostat GISCO** | Halduspiirid, NUTS regioonid | ec.europa.eu/eurostat/web/gisco |
| **VIIRS Nighttime Lights** | Öine valgusreostus -> aktiivsus | eogdata.mines.edu |
| **Strava Metro** | Anonüümne liikumisaktiivsus | metro.strava.com (taotlusega) |
| **Meta Data for Good** | Rahvastiku liikumismustrid | dataforgood.facebook.com |
| **WorldPop** | Rahvastikutihedus 100m | worldpop.org |

## 3. Soovitatav tööriistakast

- **Python**: `osmnx` (teedevõrgu pärimine ja analüüs), `networkx` (graafianalüüs), `geopandas`, `rasterio`
- **QGIS**: ruumianalüüs, kaardid
- **R**: `sf`, `spdep` ruumiliseks statistiliseks modelleerimiseks

## 4. Võimalikud teadusartikli fookused

1. *"Estimating rural road traffic volumes from population distribution and network centrality: a data-driven approach using OSM and GHSL"*
2. *"Accessibility to primary transport corridors in sparsely populated regions: a graph-theoretic assessment"*
3. *"Vulnerability of rural road networks under single-link failure scenarios"*
4. *"Correlating nighttime light intensity with observed traffic counts on rural connectors"* – kui saad kasvõi väikese valimi reaalseid loendusandmeid valideerimiseks

## 5. Mis võiks olla järgmine samm?

Soovitan alustada **Eesti** või mõne konkreetse riigi piirkonna juhtumiuuringuga:
1. Tõmba `osmnx`-iga välja valitud maakonna teedevõrk
2. Filtreeri välja kohalikud teed (highway=residential/unclassified/tertiary) ja leia nende ühenduspunktid suuremate teedega
3. Lisa GHSL-i rahvastikuandmed
4. Arvuta võrgustiku meetrikud ja visualiseeri

Kas soovid, et looksin Pythoni-skripti esimese prototüübiga alustamiseks? Või on sul mõni konkreetne piirkond/riik juba silme ees?

## User

Soovin alustada Eestist ja valiksime 'Valga vald'.
Nüüd loon esimese prototüübi-skripti. Paketid on paigas ja Valga vald on 745 km² – sobib hästi.
Skript töötab. Lähme edasi ja analüüsime seda, mis exit point analüüsis toimub – kuna kogu kohalik võrk on üks suur ühendatud komponent, siis kõik väljapääsupunktid 'serve'ivad' sama arvu sõlmi. Sellel on oluline teaduslik järeldus.
Nüüd täpsustan analüüsi – võtmeaspekt on **väljapääsupunktide teeninduspiirkonnad** (iga kohaliku sõlme lähim väljapääsupunkt) ja **võrgustiku haavatavus** (mis juhtub kui väljapääsupunkte eemaldada).
Analüüs on valmis. Tulemused on väga huvitavad. Siin on peamised leiud:

---

## Valga valla teedevõrgustiku analüüs

### Põhiandmed
| Näitaja | Väärtus |
|---|---|
| Pindala | 745 km² |
| Teedevõrgustik | 1168 sõlme, 2929 teelõiku |
| Kohalikud teed | 2546 lõiku (86.9%) |
| Magistraalteed | 373 lõiku (12.7%) |
| Väljapääsupunktid | 157 kokku, **41 põhikomponendis** |

### Olulisemad teaduslikud leiud

**1. Võrgustik on fragmenteeritud** — kohalikud teed jagunevad **59 eraldi komponendiks**, millest suurim sisaldab 665 sõlme (vaid 59% kohalikest sõlmedest). See tähendab, et paljud maapiirkonna teelõigud on isoleeritud ega ühendu magistraalvõrgustikuga.

**2. Väljapääsupunktide teeninduspiirkonnad** — keskmine kaugus lähima väljapääsupunktini on 1754 m, kuid 90. protsentiil on 5476 m. Suurim teeninduspiirkond hõlmab 147 kohalikku sõlme.

**3. Haavatavus on tõeline probleem** — kolm kriitilist leidu:

| Eemaldatud väljapääs | Keskmine ümbersõit | Maksimaalne ümbersõit | Sõlmi >2× ümbersõiduga |
|---|---|---|---|
| Exit 1705936197 | **10.9 km** | 17.5 km | 61.5% |
| Exit 206096718 | 5.0 km | 12.4 km | 33.3% |
| Exit 1940716114 | 4.2 km | 10.5 km | 53.3% |

**14 väljapääsupunkti** eemaldamisel tekib >10% teenindatavatest sõlmedest üle 2-kordne ümbersõit. See on tugev signaal transpordi planeerimiseks.

### Järgmised sammud teadusartikliks

1. **Kaardistada reaalsed väljapääsupunktid** OSM-is ja valideerida kohapeal
2. **Lisada rahvastikuandmed** (GHSL/WorldPop) — seostada teeninduspiirkonnad rahvastikutihedusega
3. **Võrrelda teiste valdadega** — kas Valga muster on tüüpiline Eesti maapiirkondadele?
4. **Kaugseire andmed** — VIIRS öise valguse andmed kui liiklusaktiivsuse proxy

Tulemused on salvestatud `results/valga_refined.png`. Kas soovid mõnda konkreetset suunda edasi arendada?

## User

Lisa palun rahvastiku ruutudest rahvastiku andmed. Kanna need teedele ja püüa leida palju väljapääsu punktidesse "inimesi jõuab". Kuidas seda nimetada kas "1 inimene väljapääsu punktini" on 1 liikumine? Või on Sul parem idee. Vaatame ainult neid piirkondasid ka Valga vallast kus on hõre asustus.

WorldPop Eesti andmed on kättesaadavad (47 MB). Kirjutan analüüsi-skripti, mis:

1. Laeb alla WorldPop rahvastiku ruudud
2. Seob rahvastiku teedevõrgu sõlmedele
3. Arvutab iga väljapääsupunkti "rahvastiku valgala" (population catchment)
4. Filtreerib välja hõreda asustusega piirkonnad
Analüüs on valmis. Tulemused on teaduslikult väga huvitavad.

---

## Peamised leiud

### Rahvastiku jaotus
| Näitaja | Väärtus |
|---|---|
| Valga valla rahvastik (WorldPop 2020) | **13 864 inimest** |
| Asustustihedus | 18.6 in/km² |
| Hõredaid ruudukesi (< 10 in/km²) | **91.9%** asustatud ruutudest |
| Teedele seotud sõlmi | 1078 (1126-st) |
| Keskmine elanikke teesõlme kohta | 12.9 |

### Väljapääsupunktide "rahvastiku valgala" (*population catchment*)

Kontseptsioon: iga väljapääsupunkti teeninduspiirkonnas elavate inimeste arv. Eeldusel, et iga inimene teeb ~2 reisi päevas, mis vajavad jõudmist magistraalteele:

| Väljapääs | Rahvastiku valgala | Reiside arv päevas |
|---|---|---|
| Exit 7607873795 (Valga linn) | 2652 in | **5304** |
| Exit 419771409 | 1391 in | 2782 |
| Exit 718823385 | 840 in | 1680 |
| Exit 419771236 | 786 in | 1572 |
| Exit 203875838 | 384 in | 768 |

### Hõreda asustusega alad — hoopis teine pilt!

Kui vaadata **ainult** neid piirkondi, kus asustustihedus on < 10 in/km²:

| Väljapääs | Hõre rahvastik | Reisid päevas |
|---|---|---|
| Exit 203875838 | 175 in | 351 |
| Exit 206096718 | 127 in | 255 |
| Exit 869308928 | 80 in | 159 |
| Exit 247187992 | 78 in | 156 |
| Exit 258186842 | 72 in | 145 |

> **Valga linna väljapääs langeb 10. kohale** — ainult 31 hõreda ala inimest!

### Terminoloogiast

Kasutasin termineid:
- **"Population catchment"** (rahvastiku valgala) — mitu inimest sõltub sellest väljapääsupunktist
- **"Trip generation potential"** (reiside genereerimise potentsiaal) — eeldusel 2 reisi inimese kohta päevas
- **"Trips per km"** — liiklussageduse proxy (keskmiselt 115 reisi/km/päevas)

See põhineb transpordiplaneerimises tuntud *gravity model* ja *trip generation* kontseptsioonidel. Alternatiivsed terminid: *"access demand per exit"* või *"exit point loading"*.

### Teaduslik väärtus

Huvitavaim leid on, et **hõreda asustusega alade väljapääsupunktide tähtsusjärjestus on täiesti erinev** kogu valla omast. See viitab sellele, et maapiirkondade transpordiplaneerimises ei saa kasutada agregeeritud andmeid — hõredad ja tihedad alad käituvad erineva loogika järgi.

Tulemused on salvestatud:
- `results/valga_pop_analysis.png` — 6-paneelne visualisatsioon
- `results/valga_pop_catchment.csv` — kõikide väljapääsude andmed
- `results/valga_pop_sparse_catchment.csv` — hõredate alade andmed

Kas soovid mõnda suunda süvendada? Näiteks võrrelda teise vallaga või lisada haavatavuse analüüs rahvastikuga kaalutult?

## User

Lisa haavatavuse analüüs rahvastikuga kaalutletult.

Now add the vulnerability visualization panels to the plotting section:
Analüüs on valmis. Tulemused on teaduslikult väga tugevad.

---

## Rahvastikuga kaalutud haavatavuse analüüs

### Metoodika

Iga väljapääsupunkti eemaldamisel arvutatakse **person-kilomeetrites** kui palju lisandub sõitu:
- `person_km_detour = Σ (elanikke_sõlmes × ümbersõidu_lisakaugus_meetrites) / 1000`
- See mõõdab **kogu ühiskondlikku lisakulu** — ei ole vahet, kas 100 inimest sõidab 1 km või 1 inimene 100 km.

### Peamised leiud (kõik alad)

| Väljapääs | Teenindatud elanikke | Pop-kaalutud keskmine ümbersõit | Person-km kogumõju | Elanikke >2× ümbersõiduga |
|---|---|---|---|---|
| **206096718** | 208 | 5 307 m | **1 104.8 pkm** | 17.9% |
| **1705936197** | 58 | **15 304 m** | 883.8 pkm | **80.5%** |
| 718823385 | 840 | 302 m | 253.5 pkm | 25.3% |
| 247187992 | 187 | 1 176 m | 220.2 pkm | 0.7% |
| 1940716114 | 27 | 6 364 m | 170.4 pkm | 51.0% |

### Hõreda asustusega alad — teine pilt

| Väljapääs | Hõre rahvastik | Pop-kaalutud keskmine ümbersõit | Person-km |
|---|---|---|---|
| **206096718** | 127 | 4 964 m | **632.2 pkm** |
| **1705936197** | 27 | **12 811 m** | 346.0 pkm |
| 1940716114 | 27 | 6 364 m | 170.4 pkm |
| 247187992 | 78 | 1 146 m | 89.4 pkm |
| 869308928 | 80 | 867 m | 69.1 pkm |

### Teaduslikud järeldused

1. **Pop-kaalutud ja kaalumata haavatavus ei kattu** — Exit 206096718 on pop-kaalutult kõige kriitilisem, aga kaalumata meetodil alles 2. kohal

2. **Hõredate alade hierarhia on erinev** — Exit 203875838 teenindab 175 hõreda ala elanikku (suurim valgala), aga selle eemaldamise mõju on vaid 10.5 pkm (väga madal, sest läheduses on teised väljapääsud)

3. **Kriitiline leid**: Exit 1705936197 teenindab **ainult 58 inimest**, aga selle eemaldamisel on **80.5%** neist >2× ümbersõit ja keskmine lisakaugus **15.3 km**. See on tüüpiline "viimase väljapääsu" probleem — väike arv inimesi, aga katastroofiline mõju.

4. **Kedagi ei jää täiesti isolatsiooni** — võrk on piisavalt ühendatud, et alati leidub alternatiivne väljapääs. Aga hind võib olla väga kõrge.

5. **Igapäevane lisakulu**: halvimal juhul **2210 person-km/päevas** (eeldusel 2 reisi inimese kohta). See on konkreetne argument teede hoolduse rahastamiseks.

### Eksporditud andmed

- `results/valga_pop_pop_vulnerability.csv` — täielik haavatavuse tabel
- `results/valga_pop_sparse_vulnerability.csv` — hõredate alade haavatavus
- `results/valga_pop_analysis.png` — 9-paneelne visualisatsioon

Kas soovid seda analüüsi laiendada teistele valdadele või süvendada mõnda konkreetset aspekti?