Maatalousmaa vuonna 2020 aineisto kuvaa mahdollisimman kattavasti maankäytöltään maatalouteen kuuluvia alueita vuonna 2020, sisältäen sekä maataloustukia saavat alueet, että tukien ulkopuoliset alueet. Aineisto on koostettu käyttäen Ruokaviraston tuottamia perus- ja kasvulohkoaineistoja sekä Maanmittauslaitoksen tuottamaa maastotietokantaa. Peruslohkoaineisto on komission asetuksen 796/2004 ja neuvoston asetuksen (EY) N:o 1782/2003 20 artiklassa tarkoitettu viljelylohkojen tunnistusjärjestelmä. Järjestelmää käytetään EU:n pinta-alaperusteisen maataloustuen hallinnoinnissa. Aineisto käsittää vuoden 2020 peruslohkojen tilanteen 31.12.2020. Kasvulohkolla tarkoitetaan yhteen peruslohkoon kuuluvaa yhtenäistä aluetta, jossa kasvatat yhtä kasvilajia, useamman kasvilajin seosta tai jota kesannoidaan tai joka on erityiskäytössä. Yhdellä peruslohkolla voi olla yksi tai useampia kasvulohkoja. Kasvulohko voi kuulua vain yhteen peruslohkoon. Kasvulohkojen rajat ja samalla niiden pinta-alat voivat vaihdella peruslohkon sisällä vuosittain. Peltolohkorekisteristä on aineistoon otettu mukaan ne lohkot joihin yhdistyy kasvulohkoista tieto viljellystä kasvista. Aineistosta on tiputettu pois ei-maatalousaluetta olevat lohkot, esimerkiksi metsäiset alueet. Maanmittauslaitoksen Maastotietokanta on koko Suomen kattava maastoa kuvaava aineisto ja se koostuu erilaisista kohderyhmistä. Maastotietokannan Maatalousmaa -aineisto sisältää Maastotietokannan pellot, ja puutarhat. Niityt ovat erillinen kohdeluokka. Mammuttiprojektia varten MTK kohdeluokat Maatalousmaa (pellot ja puutarhat) ja Niitty yhdistettiin yhdeksi aineistoksi. Kohdeluokat on poimittu vuoden 2020 Maastotietokannasta, joka on saatavissa Paituli-palvelusta (poiminta tehty 19.04.2021). Kohdeluokat ja niiden kuvaukset löytyvät: https://www.maanmittauslaitos.fi/sites/maanmittauslaitos.fi/files/attachments/2018/03/Maastotietokohteet_0.pdf Peruslohkoaineistosta ja maastotietokannasta poimitut kohteet on yhdistetty siten, että maatalousmaa muodostetaan ensisijaisesti käyttämällä peruslohkoaineistosta poimittuja peruslohkoja. Tämän joukon ulkopuolelle jäävä maatalousmaa tulee maastotietokannasta. Aineistojen yhdistäminen on kuvattu tarkemmin tuotantokuvauksessa. https://geoportal.ymparisto.fi/meta/julkinen/dokumentit/maatalousmaa2020.pdf https://geoportal.ymparisto.fi/meta/julkinen/dokumentit/Metatietokuvaus_peltolohkorekisteri.pdf Aineisto kuuluu SYKEn avoimiin aineistoihin (CC BY 4.0).

KUVAUS: Karttatason kohteet ovat peräisin LUMO-asukaskyselystä marraskuulta 2024. Aineisto on kerätty Fiilis-karttakyselyllä (Ilmasto- ja ympäristöpolitiikan yksikkö). Kysely oli osa lumo-ohjelman päivityksen vuorovaikutusprosessia. Vastaajaa pyydettiin merkitsemään kartalle pisteitä tai alueita, joissa on havainnut 1) myönteisiä muutoksia tai 2) kielteisiä muutoksia luonnon monimuotoisuudessa viimeisen neljän vuoden aikana. Kartalle sai myös merkitä pisteitä tai alueita, joissa olisi halukas itse toimimaan luonnon monimuotoisuuden parantamiseksi. Kyselyn vastaajamäärä oli 570 hlö. Kyselyyn pystyi vastaamaan joko suomeksi tai englanniksi. Vastaajien anonyymit taustatiedot on tarvittaessa saatavilla datan yhteyshenkilöltä. KATTAVUUS: Tampere YLLÄPITO: Kyseessä on poikkileikkausaineisto (Aineisto ei päivity). KOORDINAATTIJÄRJESTELMÄ: Aineisto tallennetaan ETRS-GK24 (EPSG:3878) tasokoordinaattijärjestelmässä. GEOMETRIA: vektori (pisteitä ja alueita) SAATAVUUS: Aineisto on katsottavissa kirjautuneille käyttäjille Oskari-karttapalvelussa. AINEISTOSTA VASTAAVA TAHO: Tampereen kaupunki, Ilmasto- ja ympäristöpolitiikan yksikkö

Tämän aineiston tarkemmat metodikuvaukset löytyvät artikkeleista (Holmberg et al. 2023, Junttila et al. 2023). Tässä on kuvattu aineistoa ja sen valmistelua. Tarkoituksena on ollut tuottaa alueellista tietoa maanpeitteen merkityksestä kasvihuonekaasupäästöihin Suomessa. Lähtöaineisto ja metodit rajoittavat tarkkuutta, mutta aineisto soveltuu paikallisten, esimerkiksi maakuntatason ilmiöiden tarkasteluun. Aineisto edustaa lyhyttä ajanjaksoa. Maanpeiteaineisto perustuu rekisteritietoihin ja kaukokartoitusaineistoon vuosilta 2015-2020, lukuun ottamatta maaperäaineistoa, jokia ja järviä. Aineisto on rasterimuotoista ja tallennettu GeoTiff-formaatissa, joka on yhteensopiva useimpien paikkatieto-ohjelmistojen kanssa. Greenhouse gas net emission intensities by land cover category in Finland The methods related to the data published herein are described in detail in the associated publications (Holmberg et al. 2023, Junttila et al. 2023). This file describes the datasets and the data preparation steps. The aim of this data publication is to provide regional assessments of the role of land cover in greenhouse gas emissions in Finland. The results in the publications are reported for the large administrative divisions, the NUTS 3 regions of mainland Finland (Statistics Finland 2023a). While limited by the accuracy of the methods and source data involved, these data can also be used for more local assessments, e.g., at the scale of municipalities. The data represent a temporal snapshot of land cover. Except for the soil maps, rivers and lakes, all land cover data are from the period 2015-2020 and are based on registry data or remote sensing. Data format. The data are distributed as GeoTiff raster files, which can be read using most GIS-software.

FIN Järvien vesikasvillisuusvyöhykettä kuvaava aineisto 1971 suomalaisesta järvivesimuodostumasta. Aineisto on polygonivektorimuodossa, jossa yksittäisen järven vesikasvivyöhyke esitetään moniosaisena polygonina. Vesikasvillisuusvyöhyke koostuu ilmakuvilta erottuvasta vedenpinnan yläpuolisesta (ilmaversoinen ja kelluslehtinen) ja aivan vedenpinnan tasolle yltävästä uposlehtisestä kasvillisuudesta. Vesikasvillisuusvyöhykkeen ja järven 0–3 metrin syvyysvyöhykkeen perusteella järville on laskettu kasvittumisaste-niminen tunnusluku, jota käytetään järvien ekologisen tilan arvioinnissa kuvaamaan rehevöitymisen aiheuttamaa kasvillisuuden runsastumista. Vesikasvillisuusvyöhyke on analysoitu Picterra-yrityksen koneoppimismalleilla Maanmittauslaitoksen hallinnoimista väri-infra- eli vääräväriortokuvista vuosilta 2012-2023. Vyöhykkeen analysointi on rajattu 1.7.–10.9. otettuihin ortokuviin. Lisäksi analysointi on rajattu seuraaviin vesienhoidon suunnittelun 3. suunnittelukaudella määritettyihin järvityyppeihin: • Pienet humusjärvet • Keskikokoiset humusjärvet • Runsashumuksiset järvet • Matalat humusjärvet • Matalat runsashumuksiset järvet Aineisto sisältää 698 järvivesimuodostumalta ilmakuvatulkinnan useammalta vuodelta. Havaittu kasvittumisaste on laskettu niille 977 järvivesimuodostumalle, joilta oli saatavissa tieto 0–3 metrin syvyysvyöhykkeestä. Aineistoon on jätetty järviä ilman syvyysaineistoa ja siten kasvittumisasteen laskentaa siinä tarkoituksessa, jotta aineistoa voidaan tarvittaessa hyödyntää muuhunkin kuin kasvittumisaste-muuttujaan perustuvaan tila-arviointiin. Aineistolle on tehty silmämääräinen tarkastus virheellisten havaintojen poistamiseksi. Aineisto voi silti sisältää väärintulkintoja. Kasvittumisasteen luontaisen vaihtelun mallintamisesta saadut tunnusluvut, kuten odotetut kasvittumisasteet ja kasvittumisasteeseen perustuva ekologinen tilaluokka, ovat ympäristöhallinnon asiantuntijoiden katseltavissa Pisara-järjestelmässä. Käyttötarkoitus: Ympäristöhallinnon tehtävien tueksi vesien tilan arviointiin. Järvien ekologisen tilan arviointia tekevät asiantuntijat käyttävät paikkatietoaineistoa ilmakuvatulkinnan laadun arvioimiseen yksittäisellä järvellä. Asiasanat: kaukokartoitus, ilmakuvat, vesikasvillisuus, seuranta, ekologinen tila Lisätietoja: https://geoportal.ymparisto.fi/meta/julkinen/dokumentit/Jarvien_vesikasvillisuusvyohykkeet.pdf https://vesi.fi/aineistopankki/koneoppimispohjaiseen-ilmakuvatulkintaan-perustuva-jarvien-vesikasvillisuuden-tilanarviointi/ ENG This data describes lake macrophyte zone on 1971 Finnish lake waterbodies. The spatial features are represented as multi-part polygons. The attributes are in Finnish. The zone represents emergent and floating-leaved vegetation plus submerged vegetation just above the surface of water. Together with lake bathymetric data, the percentage of vegetated littoral (PVL) was calculated. The PVL is applied in ecological status assessment. Lake macrophyte zone was detected from color-infrared aerial orthophotos administered by the National Land Survey of Finland. The detections were performed with the help of a custom machine learning model trained using Picterra. The detections were applied to orthophotos in 2012-2013 which were filmed between 1st of July and 10th of September. The detections were limited to humic and humic-rich lake waterbodies. There are detections from multiple years for 698 lake waterbodies. Observed PVL were calculated on 977 lake waterbodies which have bathymetric data to identify the 0 to 3 meters deep littoral zone. To potentially utilize the data for more than just the PVL-based approach, the data also have detections on waterbodies without bathymetric data and therefore observed PVL. A visual inspection of the data has been performed to remove erroneous detections. The data may still contain misinterpretations. Purpose of use: Support of environmental administration in ecological status assessment. More information: https://geoportal.ymparisto.fi/meta/julkinen/dokumentit/Jarvien_vesikasvillisuusvyohykkeet.pdf https://vesi.fi/aineistopankki/koneoppimispohjaiseen-ilmakuvatulkintaan-perustuva-jarvien-vesikasvillisuuden-tilanarviointi/

The technical harvesting potential of logging residues and stumps from final fellings can be defined as the maximum potential procurement volume of these available from the Finnish forests based on the prevailing guidelines for harvesting of energy wood. The potentials of logging residues and stumps have been calculated for fifteen NUTS3-based Finnish regions covering the whole country (Koljonen et al. 2017). The technical harvesting potentials were estimated using the sample plots of the eleventh national forest inventory (NFI11) measured in the years 2009–2013. First, a large number of sound and sustainable management schedules for five consecutive ten-year periods were simulated for each sample plot using a large-scale Finnish forest planning system known as MELA (Siitonen et al. 1996; Redsven et al. 2013). MELA simulations consisted of natural processes and human actions. The ingrowth, growth, and mortality of trees were predicted based on a set of distance-independent tree-level statistical models (e.g. Hynynen et al. 2002) included in MELA and the simulation of the stand (sample plot)-level management actions was based on the current Finnish silvicultural guidelines (Äijälä et al. 2014) and the guidelines for harvesting of energy wood (Koistinen et al. 2016). Final fellings consisted of clear cutting, seed tree cutting, and shelter-wood cutting, but only the clear-cutting areas were utilized for energy wood harvesting. As both logging residues and stumps are byproducts of roundwood removals, the technical potentials of chips have to be linked with removals of industrial roundwood. Future potentials were assumed to materialize when the industrial roundwood fellings followed the level of maximum sustainable removals. The maximum sustainable removals were defined such that the net present value calculated with a 4% discount rate was maximized subject to non-declining periodic industrial roundwood and energy wood removals and net incomes, and subject to the saw log removal remaining at least at the level of the first period. There were no constraints concerning tree species selection, cutting methods, age classes, or the growth/drain ratio in order to efficiently utilize the dynamics of forest structure. The felling behaviour of the forest owners was not taken into account either. For the present situation in 2015, the removal of industrial roundwood was assumed to be the same as the average level in 2008–2012. Fourth, the technical harvesting potentials were derived by retention of 30% of the logging residues onsite (Koistinen et al. 2016) and respectively by retention of 16–18% of stump biomass (Muinonen et al. 2013). Next, the regional potentials were allocated to municipalities proportionally to their share of mature forests (MetINFO 2014). Subsequently, the municipality-level potentials were spread evenly on a raster grid at 1 km × 1 km resolution. Only grid cells on Forests Available for Wood Supply (FAWS) were considered in this operation. Here, FAWS was defined as follows: First, forest land was extracted from the Finnish Multi-Source National Forest Inventory (MS-NFI) 2013 data (Mäkisara et al. 2016). Second, restricted areas were excluded from forest land. The restricted areas consisted of nationally protected areas (e.g. nature parks, national parks, protection programme areas). References Äijälä O, Koistinen A, Sved J, Vanhatalo K, Väisänen P (2014) Metsänhoidon suositukset [Guidelines for sustainable forest management]. Metsätalouden kehittämiskeskus Tapion julkaisuja. Hynynen J, Ojansuu R, Hökkä H, Salminen H, Siipilehto J, Haapala P (2002) Models for predicting the stand development – description of biological processes in MELA system. The Finnish Forest Research Institute Research Papers 835. Koistinen A, Luiro J, Vanhatalo K (2016) Metsänhoidon suositukset energiapuun korjuuseen, työopas [Guidelines for sustainable harvesting of energy wood]. Metsäkustannus Oy, Helsinki. Koljonen T, Soimakallio S, Asikainen A, Lanki T, Anttila P, Hildén M, Honkatukia J, Karvosenoja N, Lehtilä A, Lehtonen H, Lindroos TJ, Regina K, Salminen O, Savolahti M, Siljander R (2017) Energia ja ilmastostrategian vaikutusarviot: Yhteenvetoraportti. [Impact assessments of the Energy and Climate strategy: The summary report.] Publications of the Government´s analysis, assessment and research activities 21/2017. Mäkisara K, Katila M, Peräsaari J, Tomppo E (2016) The Multi-Source National Forest Inventory of Finland – methods and results 2013. Natural resources and bioeconomy studies 10/2016. Muinonen E, Anttila P, Heinonen J, Mustonen J (2013) Estimating the bioenergy potential of forest chips from final fellings in Central Finland based on biomass maps and spatially explicit constraints. Silva Fenn 47. Redsven V, Hirvelä H, Härkönen K, Salminen O, Siitonen M (2013) MELA2012 Reference Manual. Finnish Forest Research Institute. Siitonen M, Härkönen K, Hirvelä H, Jämsä J, Kilpeläinen H, Salminen O, Teuri M (1996) MELA Handbook. Metsäntutkimuslaitoksen tiedonantoja 622. ISBN 951-40-1543-6.

The EMODnet (European Marine Observation and Data network) Geology project collects and harmonizes marine geological data from the European sea areas to support decision making and sustainable marine spatial planning. The partnership includes 39 marine organizations from 30 countries. The partners, mainly from the marine departments of the geological surveys of Europe (through the Association of European Geological Surveys-EuroGeoSurveys), have assembled marine geological information at various scales from all European sea areas (e.g. the White Sea, Baltic Sea, Barents Sea, the Iberian Coast, and the Mediterranean Sea within EU waters). This dataset includes EMODnet seabed substrate maps at a scale of 1:30 000 from the European marine areas. Traditionally, European countries have conducted their marine geological surveys according to their own national standards and classified substrates on the grounds of their national classification schemes. These national classifications are harmonised into a shared EMODnet schema using Folk's sediment triangle with a hierarchy of 16, 7 and 5 substrate classes. The data describes the seabed substrate from the uppermost 30 cm of the sediment column. Further information about the EMODnet Geology project is available on the portal (http://www.emodnet-geology.eu/).

The Baltic Sea Impact Index is an assessment component that describes the potential cumulative burden on the environment in different parts of the Baltic Sea. The BSII is based on georeferenced datasets of human activities (36 datasets), pressures (18 datasets) and ecosystem components (36 datasets), and on sensitivity estimates of ecosystem components (so-called sensitivity scores) that combine the pressure and ecosystem component layers, created in <a href="http://www.helcom.fi/helcom-at-work/projects/holas-ii" target="_blank">HOLAS II</a> project. Cumulative impacts are calculated for each assessment unit (1 km2 grid cells) by summing all pressures occurring in the unit for each ecosystem component. Highest impacts are found from the cells where both are abundant, but high impacts can be caused also by a single pressure if there are diverse and sensitive habitats in the grid cell. All data sets and methodologies used in the index calculations are approved by all HELCOM Contracting Parties in review and acceptance processes. This data set covers the time period 2011-2016. Please scroll down to "Lineage" and visit <a href="http://stateofthebalticsea.helcom.fi/cumulative-impacts/" target="_blank">State of the Baltic Sea website</a> for more info.

This dataset represents the Integrated biodiversity status assessment for seals (grey seal, harbour seal and ringed seal). Status is shown in five categories based on the integrated assessment scores obtained in the tool. Biological quality ratios (BQR) above 0.6 correspond to good status. The status of the seals was assessed using four core indicators: population trends and abundance of seals, distribution of Baltic seals, nutritional status of seals, and reproductive status of seals. In the latter two only grey seals are considered for the 2018 State of the Baltic Sea report. The assessment is based on the one-out-all-out approach, i.e. the species reflecting the worst status in each assessment unit. This dataset displays the result of the integrated biodiversity status in HELCOM Assessment unit Scale 2 (Division of the Baltic Sea into 17 sub-basins). Attribute information: "HELCOM_ID" = ID of the HELCOM scale 2 assessment unit "level_2" = Name of the HELCOM scale 2 assessment unit "EcosystemC" = Ecosystem component analyzed "BQR" = Biological Quality Ratio "Conf" = Confidence of the assessment "Total_indi" = Number of indicators used "% of area assessed" = Share of the total assessed area "D1CX" = MSFD descriptor 1 criteria X "conf_D1CX" = Confidence for MSFD descriptor criteria X "Confidence" = Conifdence of the assessment ("high"/ "moderate"/ "low") "STATUS" = Status of the assessment (0-0.2 = not good (lowest score), 0.2-0.4 = not good (lower score), 0.4-0.6 = not good (low score), 0.6-0.8 = good (high score, 0.8-1.0 = good (highest score))

This dataset contains the ship accidents in the Baltic Sea during the period 1989 to end of 2023. It is constructed from the annual data collected by HELCOM Contracting Parties on ship accidents in the Baltic Sea and starting from 2019 from EMSA EMCIP Database extraction (for those Contracting Parties that are member of the EU). The accident data has been compiled by the HELCOM Secretariat and EMSA. According to the decision of the HELCOM SEA 2/2001 shipping accident data compilation will include only so-called conventional ships according to the Regulation 5, Annex I of MARPOL 73/78 - any oil tanker of 150 GT and above and any other ships of 400 GT and above which are engaged in voyages to ports or offshore terminals under the jurisdiction of other Parties to the Convention. According to the agreed procedure all accidents (including but not limited to grounding, collision with other vessel or contact with fixed structures (offshore installations, wrecks, etc.), disabled vessel (e.g. machinery and/or structure failure), fire, explosions, etc.), which took place in territorial seas or EEZ of the Contracting Party irrespectively if there was pollution or not, are reported. The dataset contains the following information: Unique_ID = An unique identifier consisting of 4 digit running number and the year of the accident Country Year Date = Date (dd/mm/yyyy) Time = Time of the accident (hh:mm) Location = Location of the accident (open sea / port / port approach, from 2019 -> open sea / port) Acc_Type = Type of accident Colli_Type = Type of collision / contact (with vessel / object) Acc_Detail = More information on the accident CauseDetai = Details on the accident cause Assistance = Assistance after the accident Offence = Offence against Rule Damage = Damage to the ship HumanEleme = Occurrence / Reason of human error IceCondit = Ice conditions CrewIceTra = Crew trained for ice conditions Pollution = Pollution (Yes/No) Pollu_m3 = Pollution in m3 Pollu_t = Pollution in tonnes Pollu_Type = Type of pollution RespAction = Response actions after the accident Cargo_Type = Type of cargo Ship1_Name = Ship 1 identification (Not published after 2018) Sh1_Categ = Ship 1 type (according to AIS category) Sh1_Type = Ship 1 more detail ship type category Sh1_Hull = Ship 1 hull construction Sh1Size_gt = Ship 1 GT Sh1Sizedwt = Ship 1 DWT Sh1Draug_m = Ship 1 draught in meters / category Cause_Sh1 = Cause of accidents from ship 1 Pilot_Sh1 = Presence of pilot on ship 1 Ship2_Name = Ship 2 identification (Not published after 2018) Sh2_Categ = Ship 2 type (according to AIS category) Sh2_Type = Ship 2 more detail ship type category Sh2_Hull = Ship 2 hull construction Sh2Size_gt = Ship 2 GT Sh2Sizedwt = Ship 2 DWT Sh2Draug_m = Ship 2 draught in meters / category Cause_Sh2 = Cause of accidents from ship 2 Pilot_Sh2 = Presence of pilot on ship 2 Add_Info = Additional information Latitude = Latitude (decimal degrees) Longitude = Longitude (decimal degrees) For more information about shipping accidents in the Baltic Sea, see the HELCOM annual reports: https://helcom.fi/helcom-at-work/publications/ https://helcom.fi/media/publications/HELCOM-report-on-Shipping-accidents-in-the-Baltic-Sea-2019-211207-FINAL.pdf