Harjoituskerta 4. Telttapaikan löytäminen paikkatietomenetelmin ja maanpeiteaineiston käsittelyä!

 

Johdanto

Viikko 4 alkanut, ja tämä tarkoittaa uutta blogikirjoitusta. Tänään aiheena ovat maanpeiteluokkien tarkastelu ja parhaimman telttapaikan löytäminen paikkatietomenetelmin. Mennään asian pariin!

CORINE maanpeite 2018

CORINE maanpeite 2018 kuvaa Suomen maanpeitettä vuonna 2018. Se on tuotettu sekä Euroopalla vaatimuskehyksellä että kansallisen käytön perspektiivistä. Suomen maanpeitteen temporaalisia ja spatiaalisia muutoksia on Suomen ympäristökeskus tarkastellut erilaisten hankkeiden muodossa, joissa kerätään maankäyttö- ja maanpeitetietoa eri lähtökohdista ja menetelmillä. Vuoden 2018 maanpeiteaineisto on osa pitkän aikavälin eurooppalaista maanpeiteseuranaa, jossa muutostulkintaa on toteutettu vuoden 2000, 2006, 2012 ja 2018 paikkatietoaineistoilla.  CORINE maanpeite 2018 on digitoitu 1:100 000 mittakaavassa (Suomen ympäristökeskus. 2018).

Sateliittikuvat ja olemassa olevat paikkatietoaineistot ovat toimineet pohjana aineiston kehittämiselle. Vektoriaineistossa maankäyttöä kuvataan kolmitasoisella hierarkkisella luokittelulla, jossa mukana ovat viisi pääluokkaa. Pääluokat voidaan jakaa 15 alaluokkaan, ja kolmannella luokittelutasolla 44. Sekä antropogeenisiä vaikutteita kuvaavat tasot, esimerkiksi rakennettuun alueeseen liittyen että lujonnonmaantieteellisiä ominaisuusluokkia, kuten kosteikkoja ja metsätyyppejä visualisoidaan eri väreillä.  

Corine 2018 rasterimatriisin spatiaalinen resoluutio on 20 m – luoden pohjan kustannustehokkaalle kaukokartoitukselle. Vektorimuotoisia paikkatietokantoja on aineistossa, jossa pienin maastossa erottuva alue on vähintään 25 hehtaaria ja kapeimmillaan 100 metriä.

Maastossa tehtävät mittaukset ovat edelleen tärkeä osa luonnonvarojen hallinnan paikkatietosovelluksia, ja täten myös maaluokkatyyppien määrittämisessä. Monilähdeinventoinnilla voidaan yhdistää maastomittauksia ja kaukokartoitustulkintaa, ja saada aikaiseksi kustannustehokkuutta aineiston hankevaiheessa (Holopainen et al. 2015). 

 

Maankäyttöluokista

Metsäkasvillisuuden tyypittelyssä Suomessa on perinteisesti käytetty A.K. Cajanderin (1926, 1930) kehittämiä metsätyyppejä, jotka pohjautuvat kliimaksimetsiin. Kevon kajonin alue kuuluu Kalliolan Suomen kasvimaantieteellisen aluejaon mukaan Tunturi-Lappiin (Kalliola, R. 1973). Cajanderin luokitustapaa hyödyntäen voi lähestyä tulkitsemaan luokkatyyppien sijaintisuhteita. Rajanveto kasvillisuskartoilla topografisiin ja maankäyttöluokkiin on liukuva, ja sen vuoksi paikkatietoaineistossa on sovellettu Kevon korkeusmallia ja rinnevarjostetta pohjana syvällisemmän tulkinnan synnyttämiseksi. 

Kartasta voi havaita, että lehtimetsät kivennäismaalla ja turvemailla ovat spatiaalisesti laajempia vesistöjen yhteydessä. Suurempien etäisyyksien päässä, kuten 1300 metrin päässä lehtipuuston määrä laskee merkittävästi. Ohuempi maaperä, vähentynyt ravinteiden varanto maaperässä rajoittaa juurten kasvua kasvavan korkeuden myötä kanjonin ympäristössä. Tämän vuoksi niukkaravinteista kangasmaata ja harvapuustoista aluetta löytyy myös tunturien yhteydestä (kuva 1).  Pienempi vesivaranto lisää ilmakehällistä tarvetta vedelle, mikä johtaa paineen lisääntymiseen puuston ksyleemiin, eli kuljetuskudokseen. Tämän johdosta kudoksessa tapahtunut embolismi ja suonten onteloituminen vähentävät puuston kasvua veden vähäisyydestä johtuen useilla puustotyypeillä kauempana uomista (Dale, A. G., & Frank, S. D. 2022) . Polygeneettistä maastoa löytyy rinteiden yhteydestä, ja sen vuoksi sieltä löytyy kalliomaata. Nummeja ja varvikoita sijaitsee kuivuneilla turve- tai mineraalimaiden rinteillä. Matakasvuiset pensaat, ruohot ja soiden sammaleet, kuitenkin, pysyvät kosteina sateen ja sumun ansiosta (Woodland. Viitattu 23.11.23).  Sen vuoksi niitä löytyy runsaasti sekä kauempana uomista että suuremmilta korkeusasteilta (kuva 3).

Kuva 1. Corine-maanpeiteaineisto vuodelle 2018 Kevon kanjonin alueelta.

 

Telttapaikan löytäminen paikkatiedolla!

Seuraavaksi luvassa on visualisaatio sopivien telttapaikkojen löytämiseksi Kevon kanjonin alueelta eri kriteerejä noudattaen. Käytimme visualisaation luonnissa ModelBuilderia. Ohjelmointikielten ehtolauseiden tyyliin builderin toimintatekniikka pohjautuu ehtoihin, joiden toteutuessa siirrymme seuraavaan lohkoon, ja ohjelman lopussa tuotamme visualisaation. Välivaiheisiin kuului korkeusmallien, aspektin eli alarinteen ilmansuunnan, slopen eli rinteen jyrkkyyden ja aiemman paikkatietoaineiston maaluokkatyyppien hyödyntäminen kriteereissä. Lasketut kriteerien binääriseet arvot toimivat pohjana ehtojen rakentamiselle, kun telttapaikkaa olemme löytämässä. Uomien euklidisten etäisyyksien määrittäminen on olennaista, sillä sopivat telttapaikat tulee löytää alle 260 metrin päästä uomasta. Lopussa rasterilaskurilla laskimme kaikki uudelleen tuotetut arvot.  Arvojen kertaaminen lopussa toteutuu sen vuoksi, sillä haluamme yhtenäistää joko kriteerit täyttävien tai ei-täyttävien pikselien ominaisuustiedot binääriseksi, jolloin boolean tietotyypin tyypin tapaan saamme ehdot täyttävän telttapaikan tai ei – 20 x 20 m rasterilla (kuva 3). Laskennassa jokaisen lähtömuuttujan solun arvot käydään läpi ja muodostetaan tulosrasteri operaation mukaan (Holopainen et al. 2015).

 

Kuva 2. ModelBuilderilla tehdyt vaiheet tulosten visualisointia varten.

 

Riittääkö tämä telttapaikan määrittämiseksi? Paikkatietoanalyysissä tulisi mielestäni huomioida eri pelastuslaitosten saavutettavuudet kohteeseen, jolloin vaikutusanalyysin puitteissa voimme leikkauspisteiden myötä laskea ne telttapaikat, joihin esimerkiksi pelastuskoptereiden saavutettavuus on nopeinta. Miksi ei myös voitaisi huomioida patikoijalle kiinnostavia kohteita vierailun kannalta? Esimerkiksi luonnonsuojelualueet, jotka voisivat olla polkujen kautta saavutettavissa telttapaikalta. Ongelmana on, että polut itsessään puuttuvat maastokartalta, ja voisivat olla olennainen osa paikkatietoaineistoa telttapaikkojen saavutettavuuden kannalta. Tämä vaatisi digitointia ja syvällistä perehtymistä alueen maaston piirteisiin. Kustannuspinta-analyysillä voidaan esimerkiksi optimi vaellusreitti määrittää, jos ongelmana on tien sijainnin määritys (Holopainen et al. 2015). 

Kuva 3. ModelBuilderillä aikaansaatujen telttapaikkojen visualisointi Kevon kanjonin alueella.

Vastaavilla malleilla voidaan selvittää useita eri asioita Kevon maastosta. Valuma-alueiden määritys toimi samankaltaisella tekniikalla kuin telttapaikkojen määritys, joten voisimme esimerkiksi eri tutkimusintressien mukaisesti laatia vektorimuotoista aineistoa kartalle. Missä esimerkiksi solifluktiota tapahtuu eniten rinteillä, ja missä kohdissa? Tämä ei voida kuitenkaan toteuttaa binäärisen arvojen muodossa, sillä haluamme syvällisempää tulkintaa solifluktion temporaalisista ja spatiaalisista variaatiosta. Missä mahdolliset vaaravyöhykkeet sijaitsevat polygeneettisen maaston tai tiuhan kasvillisuuden myötä retkeilijöille? Tarkemman tiedon valossa nämä voidaan muuttaa eri luokiksi (1-5 vaara-aste) tai binäärisiksi arvoiksi (0  – ei vaarallinen, 1 – vaarallinen).

Vektorimuotoihin liittyy silti ongelmakohtia. Euklidinen etäisyys määritettiin 0-260 metriksi, jolloin 0 metrin kohdalla telttailija kelluu vedessä (kuva 4). Huomioitavaa on myös uomien raja-arvot. Jos raja-arvoa lasketaan – saamme enemmän uomia näkyville, jolloin yhä useampi telttapaikka on veden kantamassa. Välttämättä 100k uoman raja-arvo ei riitä, jos oikein tarkkoja telttapaikkoja haluamme käyttäjälle laatia (kuva 5).

Kuva 4. Telttapaikkojen päällekkäisyys uomat -karttatason kanssa.

 

Kuva 5. Raja-arvojen lisääminen aiheuttaa useampia päällekkäisyyksiä telttapaikkojen ja uomien välillä.

 

 Lopuksi

Paljon tuli kirjoitettua ja analysoitua jälleen. Mielestäni kiinnostavin harjoitustehtävä tähän asti. Toivottavasti piditte lukemastanne, ja ensi kerralla uutta matskua tulee viikolla 48!

 

Kirjallisuus

Cajander, A.K. (1926). Metsätyyppiteoria. Acta Forestalia Fennica 29, 84 s. 

Dale, A. G., & Frank, S. D. (2022). Water Availability Determines Tree Growth and Physiological Response to Biotic and Abiotic Stress in a Temperate North American Urban Forest. Forests, 13(7), 1012. MDPI AG. Retrieved from http://dx.doi.org/10.3390/f13071012

Holopainen, M., Tokola, T., Vastaranta, M., Heikkilä, J., Huitu, H., Laamanen, R. & Alho, P. 2015. Geoinformatiikka luonnonvarojen hallinnassa. Helsingin yliopiston metsätieteiden laitoksen julkaisuja 7: 1–152.

Kalliola, R. (1973). Suomen kasvimaantiede. 308 s. WSOY, Porvoo.

Suomen ympäristökeskus. (2018). Corine maanpeite 2018. URL: Corine maanpeite 2018 – Corine maanpeite 2018 – Aineistot – Syken metatietopalvelu (ymparisto.fi)