Finland transport data

Yleiskuvaus Tämä Feature Service sisältää tielinkkeihin liittyviä ajantasaisia tieverkon kohteita, jotka on ladattu Digiroad-aineistosta. Aineisto kuvaa tieverkon linkkejä ja niiden ominaisuuksia sekä tukee tieverkon sijainnin, hallinnollisen luokan, toiminnallisen luokan ja geometrisen rakenteen tarkastelua. Sisältö Tielinkkien ominaisuudet: tiedot linkin tunnisteesta, tiehen liittyvistä luokitteluista, ajosuunnasta, sillan tai alikulun tiedosta sekä tiennimistä. Sijainti- ja geometria-aineisto: tietoa linkin alku- ja loppupaaluista, sijainnin ja korkeuden tarkkuudesta, geometrian lähteestä sekä pituudesta. Päivitystiedot: aineistossa on päivitysajankohtaa kuvaava tieto, jonka avulla ajantasaisuutta voidaan seurata. Käyttötarkoitus Aineisto soveltuu tieverkon tarkasteluun, liikenne- ja logistiikka-analyysien taustaksi sekä paikkatietopohjaiseen tieverkkojen hallintaan ja visualisointiin. Päivitysajankohta näkyy kentässä “ladattu”.

Väyläviraston Digiroadin WFS rajapinnasta FME:llä tuodut ajantasaiset pääkatujen nimet Vaasassa. Aineistoa päivitetään säännöllisesti Digiroadista FME ajolla.

YleiskuvausTämä aineisto sisältää Digiroadista poimittuja pääkatujen nimeämistietoja. Kohteina ovat katujaksoihin liittyvät viivamaiset tie- ja katuosuudet, joille on tallennettu nimimuotoja suomeksi ja ruotsiksi sekä tieto aineiston latausajankohdasta. SisältöKatusimien tiedot suomalaisina ja ruotsalaisina nimimuotoina. Päivitetty lähdeaineisto, jossa latausajankohta on tallennettu kohteille. Viivamaiset kohteet, jotka kuvaavat katuosuuksien sijaintia ja pituutta. KäyttötarkoitusKatujen nimien tarkastelu ja hakeminen kartalla. Paikannukseen ja osoitetietojen tukemiseen liittyvät GIS-sovellukset. Kaupunkialueiden katuverkon nimeämistiedon hyödyntäminen suunnittelussa ja kartoituksessa. Aineistolähde ja käyttöoikeusLähde on Digiroad, Väyläviraston ylläpitämä tie- ja katuverkon aineisto. Aineistoa saa käyttää CC BY 4.0 -lisenssin mukaisesti.

Road network across the area tagged `highway=*`: motorways, residential streets, service roads, footways, and trails. Useful for routing, accessibility analysis, and evacuation planning. Coverage reflects where volunteer mappers have been active. Urban areas are usually well represented, remote areas may be sparse. Cross-check critical decisions with local field knowledge. - Source: OpenStreetMap, a free, collaborative world map - Tags: highway - Part of the country exports on HDX by HOT

Railway lines and stations tagged `railway=*`: rail lines, tram tracks, and stations. Useful for transport accessibility analysis and basemap context. Coverage reflects where volunteer mappers have been active. Urban areas are usually well represented, remote areas may be sparse. Cross-check critical decisions with local field knowledge. - Source: OpenStreetMap, a free, collaborative world map - Tags: railway - Part of the country exports on HDX by HOT

Airports and aviation infrastructure: airports, heliports, helipads, runways, terminals, and emergency landing sites tagged via `aeroway`, `building`, or `emergency`. Useful for logistics, evacuation routing, and aerial-response planning. Coverage reflects where volunteer mappers have been active. Urban areas are usually well represented, remote areas may be sparse. Cross-check critical decisions with local field knowledge. - Source: OpenStreetMap, a free, collaborative world map - Tags: aeroway, building, emergency - Part of the country exports on HDX by HOT

Sea ports, harbours and ferry terminals. Useful for maritime logistics, supply-chain analysis, and coastal access planning. Coverage reflects where volunteer mappers have been active. Urban areas are usually well represented, remote areas may be sparse. Cross-check critical decisions with local field knowledge. - Source: OpenStreetMap, a free, collaborative world map - Tags: industrial=port, harbour, port, amenity=ferry_terminal, building=ferry_terminal - Part of the country exports on HDX by HOT

This dataset provides detailed information on road surfaces from OpenStreetMap (OSM), distinguishing between **paved** and **unpaved** roads across the region. Surface classification is derived using a hybrid deep learning approach. For methodological details, see: http://arxiv.org/abs/2410.19874 Recently, we also published a new country-level dataset based on PlanetScope satellite imagery with near-complete coverage of all arterial roads. It is available on HDX under the name Finland **Planet** Road Surface. The corresponding paper is available at: https://arxiv.org/abs/2512.04092 Road Surface Statistics Approximately 0.6328 million km of roads are mapped in OSM in this region. Based on AI-derived estimates: - Paved roads: 0.1075 million km (16.9897%) - Unpaved roads: 0.2537 million km (40.083%) About 0.2717 million km (42.9273%) of road surface information is missing in OSM. To reduce this gap, the Mapillary-derived road surface dataset provides an additional 0.0006 million km (0.2079%) of the missing surface information. Intended Use This dataset supports transportation planning, infrastructure analysis, climate emissions assessment, and GIS applications. AI Features - **pred_class**: Model-predicted surface class ("paved" or "unpaved") - **pred_label**: Binary label (0 = paved, 1 = unpaved) - **osm_surface_class**: Surface classification derived from OSM tags - **combined_surface_osm_priority**: Combined classification prioritizing OSM - **combined_surface_DL_priority**: Combined classification prioritizing DL prediction - **n_of_predictions_used**: Number of predictions used for estimation - **predicted_length**: Predicted length based on DL estimation (meters) - **DL_mean_timestamp**: Mean timestamp of predictions used OSM Attributes - **name** - **name:en** - **name:* (local language)** - **highway** - **surface** - **smoothness** - **width** - **lanes** - **oneway** - **bridge** - **layer** - **source** Urban Classification Attributes - **continent** - **country_iso_a2** - **urban** (0 = rural, 1 = urban) - **urban_area** - **osm_id** - **osm_type** Data Sources The dataset originates from OpenStreetMap (OSM) and is augmented with deep learning predictions based on Mapillary street-level imagery, combined with the GHSU Global Human Settlement Urban Layer 2019 and AFRICAPOLIS 2020 urban layer. More HeiGIT datasets: https://data.humdata.org/organization/heidelberg-institute-for-geoinformation-technology More information: https://heigit.org/ Contact: communications@heigit.org