Johdanto
Hei, ja tervetuloa viimeisen blogipostauksen pariin. Toinen periodi lähestyy loppuaan, ja vuoden vaihteessa tapahtuu siirtymä kolmannen periodin kursseihin. Viimeisenä, mutta ei vähäisimpänä, pääsemme soveltamaan kursseilta opittuja asioita. Tervetuloa seuraamaan laskettelukeskuksen suunnittelua paikkatietomenetelmin!
Aineiston keruusta ja vektorianalyysistä
Alussa oli luvassa aineiston keruu. Paikkatietoikkunasta tuli poimia sopiva kumpare, perusmäki tai muu korkean gradientin pinnanmuoto, joka soveltuisi laskettelukeskuksen tarkoituksiin. Itse asetin ensimmäisen ehdon korkeuden suhteen, jonka myötä halusin suunnitella laskettelukeskuksen yli 300 metrin korkuiselle rinteelle.
Paikkatietoikkunasta pystyi valtakunnan laajuiselta maastokartalta valitsemaan korkeuskäyrien perusteella sopiva pinnanmuoto, mutta päätin soveltaa opittuja vektorianalyysin taitoja sopivan rinteen löytämiseen. Latasin Paituli -latauspalvelusta Maanmittauslaitoksen maastokartan, jossa geopaketoidussa zip-tiedostossa oli useita shapefile -layereitä. Layerit koostuivat vektoirmuodoista. Aineiston tuottovuosi oli 2020, ja mittakaava 1:100 000. Layerit sai ETRS-TM35FIN -koordinaattijärjestelmässä, joka takaa datan integroitumisen osana eurooppalaista viitekehystä ja havaintoverkkoa. ETRSTM35FIN -koordinaattijärjestelmä on liitetty Euroopan deformoitumattomaan osanan, ja sillä pyritään minimoimaan eri epookeista johtuvien paikannustarkkuuksien epävarmuutta. Koko paikkatietoanalyysin koordinaattijärjestelmäksi vakiintui ajantasainen ETRSTM35FIN. Seuraavaksi latasin maastomallin Savukoskelle, joka kattoi myös Sodankylän maakunnan itäisen osan. Molempien karttalehtien vertikaaliset ja horisontaaliset pituudet vastasivat toisiaan. Tieverkostoille laskin 20 kilometrin euklidisen etäisyyden kattavan puskurivyöhykkeen, josta leikkasin intersect -toimminnolla suodatetut vaarat pinnanmuotoja kuvaavasta pisteaineistosta (kuva 1). Digitoin Savukosken taajamaan pisteen, josta laskin jatkumona aiemmalle vektorianalyysille puskurivyöhykkeen, joka oli laajuudeltaan 20 kilometriä. Puskurivyöhykettä hyödyntäen määritin sen pituuden pisteulottuvuuksien ulkorajaksi, jolloin sain kattavasti selville sopivat vaarat – lähellä Savukosken taajamaa. Valitsen Iso Marjavaaran 19 kilometrin päässä Savukoskesta – johtuen erinomaisesta saavutettavuudesta autoteitse kohteeseen (kuva 2).
Kuva 1. Tieverkon puskurivyöhykkeet ja Intersect -analyysillä leikatut vaikutusalueen sisälle rajatut vaarat.
Kuva 2. Sopivan vaaran löytäminen toisella puskurivyöhykeanalyysillä ja kaksoisleikkauksella.
Aritmeettisin operaatioin rasterianalyysiä
Leikkaamalla korkeusmallin rasterimatriisi vastaamaan harjanteiden rajavyöhykkeitä – sain käsiteltäväksi tarkan alueellisen pinnanmuotojen kuvaavan kokonaisuuden Iso Marjavaarasta (kuva 3). Seuraavana oli luvassa visuaalisella ohjelmointikielellä ehtolauseiden rakentaminen – Slope eli rinteen viettosuunnan ja jyrkkyyden määrittämiseksi. Jyrkkyys laskettiin prosentteina ja uudelleenluokiteltiin neljään luokkaan tuottaaksen eri väreillä visualisoidut vaikeusasteet. Mitä jyrkempi rinne on (90 astetta rinne pystysuunnassa ja 0-astetta täysin vakaa) – sitä haastavempi rinne on laskettelijalle (kuva 4). Ehtolauseiden tuottaman visualisaation myötä pystyttiin helposti digitoimaan reitit, jotka leikkasivat rinteen jyrkkyyden eri rasteriarvoja.
Kuva 3. Korkeusmalli Iso Marjavaarasta – Savukoskella.
Kuva 4. Rinteen vaikeusaste Iso Marjavaaralla
Laskettelukeskuksen suunnittelussa halusin myös selvittää oivat paikat parkkipaikalle ja laskettelukeskuksen rakennukselle. Asetin ModelBuilderillä ehdot, jotka uudelleenluokittelulla palauttivat 0 tai 1 arvon riippuen ehtojen täyttymisen asteesta. Esimerkiksi rakennuksen tuli sijaita korkeintaan 10 asteen jyrkkyydessä ja alle 100 metrin korkeudessa (kuva 5). Rakennuksien tuli suuntautua etelään. Parkkipaikan tuli sijaita korkeintaan 200 metrin päässä hiihtohissin alkupisteestä, mutta laskin etäisyysmittarilla lähimmän referenssiarvon suhteessa hiihtohissiin – tielle (kuva 6). Referensispisteen myötä pystyin asettamaan ehdot parkkipaiaklle, jonka jyrkkyys rinteellä tuli olla vain 0-3 astetta ja suuntautua itään. Raster to polygon muunnoksen yhteydessä ehdot täyttävien polygonien rakennetta hyödynnettiin alueellisena segmenttinä parkkipaikan ja lomakeskuksen suunnittelulle. ModelBuilderillä asetetut uudelleenluokittelut sekä aineistomuutokset toimivat osana rasterianalyysin kirjoa viimeisessä tehtävässä. Loppuvisualisaation kannalta ArcGis Pron 3D-ympäristössä pystyin visualisoimaan raakasuunnitelman laskettelukeskuksen perustamisesta Iso Marjavaaralle kuva 7). Digitoin teitä Maanmittauslaitoksen tieverkoston jatkumoksi, jotta kattava kuva tierakenteen ulottuvuuksista alueella olisi mahdollisimman selvä – saavutettavuuden selvittämiseksi.
Kuva 5. ModelBuilderillä asetetut ehdot rakennuksille ja parkkipaikalle.
Kuva 6. Ehtolauseet täyttävät polygonimuodot suhteessa referenssipisteeseen.
Kehitysmahdollisuudet paikkatietoanalyysissä
Paikkatietoanalyysiä tuotokselle olisi voinut vielä enemmän pidemmälle. Hydrokemiallisten parametrien spatiaalisen hajonnan selvittämiseksi Gunarathna käytti useita puolivartiodiagrammeja hyödyntävää Bayesian Kriging -interpolointimenetelmää pohjaveden laadun selvittämiseksi Keski- ja Pohjois-Sri Lankan alueella (Gunarathna et al. 2016). Tarkan interpoloinnin luomiseksi Daniel Krigen ja Georges Matheronin kehittämä Kiring -menetelmä olisi toiminut, mutta oman analyysin kannalta myös Spline -interpolointi olisi toiminut todella hyvin. Kartografisen aikasarjan olisi voinut laatia esimerkiksi lineaarisella tai kubisella spline -menetelmällä, jolloin pisteiden välisen interpolointipinnan kaarevuus olisi antanut merkittäviä temporaalisia viitteitä esimerkiksi lumensyvyyksistä Iso Marjavaaralla vuoden aikana. Kriging olisi toiminut erittäin hyvin, sillä spatiaalisen autokorrelaation määrittäminen lumensyvyksien välille eri kuukausina olisi voinut antaa viitteitä esimerkiksi lineaarisuudesta eri interpolointiarvojen välillä, jolloin mahdollisesti myös lumensyvyyksien aniso- tai isotropiasta olisi voinut saada merkittäviä viitteitä eri kuukausien ajalta. Lumensyvyyksiä selvittää esimerkiksi Ilmatieteiden laitos, ja siihen liittyvän tiedon myötä pystyy päättelemään laskettelukeskuksen käytettävyyttä eri vuodenaikoina.
Useaan otteeseen pohdin geospatiaalisten rakenteiden muuttujien riittävyydestä laskettelukeskuksen suunnittelussa. Pienimuotoiset kosteikkoalueet Iso Marjavaaran ympäristössä luovat esteen rinteen välittömälle käytölle esimerkiksi laskettelutarkoituksiin, jolloin ne tulisi muuttaa turvekankaaksi ojittamalla tai kuivaamalla laskettelukeskuksen tarkoituksia täydentäväksi (Julia Kemppinen. 2018). Jouduin siis tekemään oletuksia mahdollisista toimeenpiteistä, joita seuraisi laskettelukeskuksen suunnittelun toimeenpanosta. Myös polygeneettisen maaston rooli esteenä laskettelukeskukselle jäi minulle epäselväksi. Pienimuotoista kalliomaata löytyi rinteen huipulta, ja oletin kalliomaan olleen minimaalisessa roolissa rinteen käytettävyyden kannalta laskettelutarpeisiin. Olisin voinut myös toteuttaa vastinpikseleiden asettamista ja vertailua overlayanalyysin keinoin, ja suorittaa esimerkiksi lokaaleja operaatioita pohjavedenpinnan määrittämiseksi vähennyslaskulla. (Der Kwast, H. 2019). Tällä olisi voinut saada esimerkiksi enemmän selvää alueen kosteikkojen ulottuvuuksista, ja lisätä pohdintaa laskettelukeskuksen sijoittamisen mahdollisuuksista Iso Marjavaaralle. Lokaaleissa operaatioissa kuvaelementtikohtaiset funktiot käyvät rasterin elementit yksitellen läpi (Holopainen et al. 2015).
Kuva 7. Iso Marjavaaralle suunniteltu laskettelukeskus – 3D-visualisaationa.
Lopuksi
Voin sanoa kohtuullisella itsevarmuudella, että paikkatietoanalyysi on tutumpi minulle käsitteenä sekä käytännön taitona. Overlayanalyysit, naapurusto, ja yhdistävyysanalyysit osana sekä sijainti- että ominaisuustietoihin kohdistuvaa analyysiä, tietokantakieli Oracle ja SQL osana ominaisuustietoihin kohdistuvaa analyysiä sekä formaatti- ja projektiomuunnokset osana sijaintitietoon kohdistuvaa analyysiä ovat pitkälti tulleet minulle tutuksi kurssin varrella. ArcGis Pro, ennen kaikkea, on yksi ohjelmistoista, jonka käytön suhteen voin olla itsevarmempi jatkossa. Yhä enemmän osaan soveltaa ja oivaltaa opittuja taitoja paikkatietoanalyysien täytäntöönpanossa erilaisissa tutkimuskysymyksissä.
Kiitän kaikkia blogia lukeneita, ja toivottavasti pääsitte kiinni pitkälti käsitellyistä aiheista. Kiitän viimeisen kerran ajastasi, kuulemiin!
Lähdetietoja
Gunarathna et al. (2016). Are Geostatistical Interpolation Methods Better than Deterministic Interpolation Methods in Mapping Salinity of Groundwater? International Journal of Research and Innovations in Earth Science 3(3), 59-64.
Hans Van Der Kwast. (2019). GIS Raster processing (theory).
Holopainen, M., Tokola, T., Vastaranta, M., Heikkilä, J., Huitu, H., Laamanen, R. & Alho, 2015. Geoinformatiikka luonnonvarojen hallinnassa. Helsingin yliopiston metsätieteiden laitoksen julkaisuja 7: 1–152.
Olli Ruth & Anna-Maria Virkkala et al. 2018. Helsingin yliopiston maantieteen osaston opetusmonisteista 47. 1-152.