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.

 

Johdanto

Hei taas, ja tervetuloa lukemaan toista viimeistä kertaa blogiani tämän kurssin merkeissä. Pääsimme muodostamaan valtakunnan laajuiselle alueelle Thiessenin polygoneja, eri asteisia trendipintoja, etäisyyen käänteisluvun neliöllä painotetun keskiarvon pintaa (IDW) sekä spline-interpolointia. Mennään taustoihin ja tulosten pariin!

Taustaa

Ensimmäisenä luvassa oli luoda kuusi karttaa, jotka noudattaisivat peirnteisiä paikkatietoanalyysin interpolointimenetelmiä. Interpolointi toimii kompromissina, mutta on hyvä tunnustaa, että jokainen interpolointi tuottaa virheellisiä estimaatteja pohjautuen yleistyksen aiheuttamiin rajoitteisiin. Ennakkokäsitykset auttavat loogisen määrittelyn pohjana – interpoloinnin paikkatietoaineistoa tulkittaessa. 

Interpolointi voidaan tehdä deterministisellä tai geostatisella tekniikalla (Holopainen et al.  2015).Interpoloinnissa tunnettujen pisteiden arvoja käytetään arvioidakseen tuntemattomien alueellisten kokonaisuuksien arvot. Näin voidaan tehdä millä tahansa spatiaalisella pisteaineistolla, jotka voivat visualisoida sateita, korkeuksia tai kemiallisia pisteitä. Interpoloinnissa keskeistä on se, että onnistuminen riippuu todellisen arvon ja interpoloinnin eroavaisuudesta (Gunarathna et al. 2016). Ongelmana on valita sopiva interpolointimenetelmä. Sen tulee soveltua ominaisuusarvojen mallintamiseen, mutta silti hyödyntää tehokkaasti havaintopisteverkkoa. Osa menetelmistä sopii paremmin laaja-alaisten kokonaisuuksien trendiomaiseen vaihtelun kuvaamiseen, kun taas toiset pienimuotoisempaan paikalliseen vaihteluun. Interpoloinnissa pitkälti hyödynnetään spatiaalista autokorrelaatiota, jossa toisiaan olevien pisteiden arvot ovat samankaltaisempia lähempänä toisiaan kuin kaukana toisistaan (Holopainen et al. 2015).

 

Thiessenin polygoneissa pisteen ympärille muodostetaan vaikutusalue, joka laitetaan täsmälleen puoliväliin pisteiden välille.Pisteet sekä niiden väliin sijoittuvien poikkiviivojen leikkauspisteet muodostavat alueellisia kokonaisuuksia. Kun pisteitä on harvassa – syntyy laajoja alueita, kun taas tiheässä alueita pakkautuu tiiviimmin. IDW eli käänteisluvun neliöllä painotettu keskiarvo ottaa laskennassa huomioon lähimmät pisteet enemmän kuin kauempana olevat pisteet. IDW:n yhteydessöä tulee paikkatieto-operaattorin määrittää pisteiden arvot, jolloin keskihajonta todellisuutta vastaavan informaation ja estimaattien välillä pyritään saamaan vähäiseksi. Kysymys kuuluu sen mukaan, että halutaanko kunnioittaa oikeita arvoja vai riittääkö estimaatit? Spline-interpolointi taas on keskiarvoistava interpolointimuoto , jossa viivottimen  tapaan arvojen käyriä yhdistetään pisteiden välille (kuva 5).  Trendipinnat tuotetaan trendin mukaan, ja lämpötilatrendit tässä paikkatietoanalyysissä noudattavat pohjois-etelä-suuntaista trendisovitusta. Pisteille sovitetaan matemaattinen funktio tai regressiokaava trendipinnoissa, ja se sovitetaan mitattujen pisteiden välille – muodostaen joko lineaarisen tai kaarevan pinnan. Toisin sanoen keskiarvoistetaan numeeristen arvojen informaatiota, ja minimoidaan poikkeamat. Hyvä on pitää mielessä, että varsinkin trendipintojen kohdalla luonne voi olla niin karkean yleistävä, että visualisaatio ei välttämättä ole uskollinen mitatuille sääaseman arvoille tämän tehtävän kontekstissa.

IDW siis pohjautuu solujen samankaltaisuuden laajuuteen. Trendipinnoissa sovitetaan suora pinta matemaattisten funktioiden määrittelemänä. Splinessä arvoinnissa käytetään matemaattista funktiota, joka minimoi pinnan kokonaiskäyristymisen, joka johtaa siihen, että pinta kulkee tarkasti pisteiden läpi (Child, C. 2004).

Kuva 1. Tammikuun keskilämpötila Suomessa 2020 – Ensimmäisen asteen trendipinta -interpolointi.

Kuva 2. Tammikuun keskilämpötila Suomessa 2020 – Toisen asteen trendipinta -interpolointi.

 

Kuva 3. Tammikuun keskilämpötila Suomessa 2020 – Kolmannen asteen trendipinta -interpolointi.

Kuva 4. Tammikuun keskilämpötila Suomessa 2020 – IDW-interpolointi.

Analyysistä

Olennaista on huomioida, että tämän harjoituksen interpolointi tuotetaan trendipinnoissa ja IDW:ssä lokaalisti (kuvat 1-3), mutta splinessä globaalisti. Trendipinnoissa ja IDW:ssä interpoloinnissa pisteiden väliset tilakokonaisuudet ottavat huomioon lähimmän rasterimatriisin naapurin numeeriset arvot laskelmissa. Splinissä interpoloinnissa otetaan huomioon valtakunnallisen rasterimatriisin vaikutusalueen pisteet tasalaatuisemmalla painoarvolla kuin lokaalissa.

Pinta- ja yliarvioiden määrä riippuu suhteessa interpolointimenetelmään. Toki jokaisessa trendipinnassa keskiarvoistava luonne visualisoi karkean yleistyksen lämpötila-arvoista suhteessa esimerkiksi alkuperäiseen pistejakaumaan. Jos vertaamme todellisuutta lähimpänä vastaavaan IDW -interpolaation visualisaatioon – voimme huomata merkittäviä yleistyksen poikkeamia kahden välillä (kuva 4). IDW:ssä- keskihajonta suhteessa pisteiden arvoon oli alle 0,005, jonka vuoksi monipuoliset polygonimuodot visualisaatiossa ilmaisevat tarkemmin paikallisia variaatioita suhteessa kaikkiin muihin paikkatietoaineistoihin (kuva 5). Toisin sanoen sekä ala- että yliarvioita tapahtuu koko paikkatietoaineistoissa paikalliset tekijät huomioon ottaen. Yleistävässä aineistossa välttämättä eivät interpoloidut pinnat vastaa täysin celsiusasteiltaan sääasemien omia havaintoja, mutta selvästi IDW -interpoloinnissa johtuen omista määrittämistä arvoista, jotka tuottivat minimaalisen keskihajonnan – sääasemien keskilämpötilat olivat erittäin lähellä interpoloinnin arvoa. Esimerkiksi sääasema FID 154 – 7,7 celsiusasteen lämpötila asetti pienen ympäristön yhden luokan alemmas kuin laajemmassa sen ympäristössä.

Sääasemien pinta-alan ollessa melko pieni suhteessa neliökiometrin kokoiseen alueeseen- ei kaikkia spatiaalisia ja temporaalisia variaatioita ympäristössä voida ottaa huomioon. Makro-, Meso-, ja Mikro-ilmastot vallitsevat eri alueellisissa kokonaisuuksissa, ja täten lämpötila vaihtelut voivat jopa neliökilometrin kokoisella alueella vaihdella runsaasti. Kaupunkien mesoilmastoon vaikuttavat esimerkiksi antropogeenisten vaikutteiden kirjo, kuten asfaltilla päällystetyt tiet sekä autojen aiheuttamat kasvihuonekaasut, jotka nostattavat paikallisia lämpötila – yhteenvaikuttaneena kaupunkisaarakeilmiön kanssa esimerkiksi. Lämpötilojen ääriarvot tasoittuvat kausittain ja vuosittain metsissä voimakkaasti verrattuna avoimiin eliympäristöihin, Metsien mikro-ilmatoihin vaikuttavat latvustojen alla varjossa olevat viileämmät alueet (Luoto, M et al. 2021) ja metsätyyppi, kuten karukkokankaat, kuivahkot kankaat, lehtomaiset kankaat tai lehdot (Meri Lindholm & Pirjo Hellemaa. 2018).

Yleistystä tarvitaan, ja interpolointi soveltuu erinomaisesti tutkimuskysymykseen, jossa halutaan saada pitkän aikavälin temporaalisista muutoksista selvää lämpötilojen suhteen – niin edullisesti kuin aikaa säästäväksi. Spatiaalisella roolilla voi siis olla yllättävän minimaalinen vaikutus kokonaiskuvaan nähden. Myös niin laajalla mittakaavalla yleistys on olennaista, sillä alueellisia kokonaisuuksia kartoittava sateliittii liikkuu kauemmalla elliptisellä radalla – tuottaen karkeampi resoluutioisen aineiston eri maan segmenteistä.  Toisin sanoen, jos kyseessä on laajan mittakaavan tutkimushanke, jossa tavoitteena on selvittää holistisesti alueellisia variaatioita – voi interpolointi olla hyödyllistä. IDW -interpolointi soveltuu esimerkiksi eri tutkimustarkoituksiin, ja yleistysarvoa säätämällä tutkimustarkoituksen mukaisesti voi saada viitteitä makro-, meso-, ja mikroilmastollisista muuttujista.

Itse tuottamat paikkatietoaineistot sisältävät runsaita variaatioita eri tutkimuskysymysten nimissä. Yleiseen temporaalisen muutoksen alueellisessa tarkastelussa soveltuu mainiosti trendipinnat ja spline-interpolointi. Tarkempien esimerkiksi makro-, meso-, ja mikro-ilmastollisten muuttujien spatiaalisten ja temporaalisten variaatioiden selvittämiseen sopii esimerkiksi IDW:n visualisaatio.

 

Kuva 5. Kartografinen aikasarja Kainuun maakunnan itäosan lämpötiloista vuonna 2020 – Spline -interpolointi.

 

 

 Yhteenveto

Tekstissä tuli käsiteltyä olennaiset interpoloinnin käsitteet sekä ulottuvuudet geoinformaattisen tutkimuksen kontekstissa. Kiitos ajastasi, näemme viimeisen kerran ensi viikolla!

 

Kirjallisuus

Frenne, Pieter & Lenoir, Jonathan & Luoto, Miska & Scheffers, Brett & Zellweger, Florian & Aalto, Juha & Ashcroft, Michael & Christiansen, Ditte & Decocq, Guillaume & De Pauw, Karen & Govaert, Sanne & Greiser, Caroline & Gril, Eva & Hampe, Arndt & Jucker, Tommaso & Klinges, David & Koelemeijer, Irena & Lembrechts, Jonas & Marrec, Ronan & Hylander, Kristoffer. (2021). Forest microclimates and climate change: Importance, drivers and future research agenda. Global Change Biology. 27. 10.1111/gcb.15569. 

Olli Ruth & Anna-Maria Virkkala et al. 2018. Helsingin yliopiston maantieteen osaston opetusmonisteista 47. 1-152.

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.

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.

Childs, C. Interpolating surfaces in ArcGIS Spatial Analyst. ArcUser July-September 2004, 32-35

 

 

Johdanto

Hei, ja tervetuloa jälleen seuraamaan kurssiblogiani! Viidennes viikko käynnissä, joka tarkoittaa uusia hasteeita ajankohtaisimpien tehtävien muodossa. Mennään suoraan asiaan!

Digitointia – vaellusreitin laatiminen

Karttatasoon digitoitiin vektorimuotoisia kohteita, joihin tallentuu ominaisuustietoa määritetyn koordinaatiston ja lisäksi korkeustiedon – Z-akseliin tietorakenteen  – mukaisesti. Syntynyt vektori muodostaa korkeustason, johon voi lisätä 3D-graafista ulottuvuutta korkeusmallien huomioimiseksi. Lopputuloksena oli digitoitu viiva Kevon tutkimusasemalta (69.7569°, 27.0100°) Kevon luonnonpuiston läpi Karigasniementien parkkipaikalle (69.3935°, 26.1131°), jonka pituus oli 65038,51 metriä eli noin 65,51 kilometriä (kuva 1). Johtuen Modelbuilderillä luotujen telttapaikkojen polygonien pienestä läpimitasta – en pystynyt niitä lisäämään karttatasolle laajasta tarkastelualueesta johtuen. Telttapaikat olisivat tuoneet oleellista tietoa retkeilijälle, joka pitkän matkan taittuessa varmasti väsyy. Huomina myös Kevon kanjonin sijainti napapiirin (66,56083° pohjoista leveyttä) pohjoispuolella, ja vuonna 2016 – 52 päivän mitattu kaamosaika Utsjoen kunnalle. Riippuen vuoden ajankohdasta – voisi patikoijalle olla erittäin suurena hyötynä tieto mahdollisista telttapaikoista.

Kuva 1. Kevon kanjonin poikki digitoitu vaellusreitti.

Katvealueen laatiminen

Seuraavaksi pääsimme overlay-analyysin keinoilla selvittämään ne reitin osat, jotka jäivät puhelimen kuuluvuuskantavuuden ulkopuolelle. Sateliitin signaaliin vaikuttavat useat eri tekijät, kuten sateliittien määrä maan elliptisellä radalla sekä niiden sijainti. Tarkkuuteen vaikuttavat ilmakehällisten tekijöiden, kuten ionosfäärin sähköisesti varautuneiden ionien ja troposfäärin aiheuttaman kantoaaltojen taitevaikutusten lisäksi pinnanmuodot sekä referenssipisteiden eli tukiasemien määrä tarkastelualueella (Poutanen, M. 2016). Vaihtelevat pinnanmuodot ja tiheä latvusto voivat vaikuttaa signaalien kantavuuteen vastaanottimeen, jolloin yhteyttä pahimmillaan ei muodostu. Mastot-karttatason attribuuttitaulukon mukaan OBJECTID 7, 8, 3 ja 4 väliin jäävät laajimmat katvealueet. Katvealueiden pinta-ala laajenee suhteessa etäisyyteen näihin antenneihin, mutta poikkeuksia löytyy, kuten Karigasniementien parkkipaikalla sijaitseva katvealue, joka sijaitsee melko lähellä OBJECTID 7 ja 8 antenneja. Yhteensä 54% – 65 kilometrin pituisesta vaellusreitistä sijaitsee katvealueella – noin 35 kilometriä kokonaisuudesta (kuva 2). 

Realistisuuden kannalta voi kyseenalaistaa katvealueiden sijaintia. Karigasniementien parkkipaikalta lähtevän polun alkuosassa on katvealue, johon mahdollisesti vaikuttaa kumpareiden aiheuttama heijastus. Radiosignaalit voivat kulkeutua esteiden taakse, kuten kaupungeissa ja metsässä. Näkyvyysanalyysissä, kuitenkin, huomioidaan LOS, eli suora yhteys, vastaanottimen ja tukiaseman välillä. Muihin katvealueisiiin vaikuttaa juuri sijainti suhteessa tukiasemaan latvuspeiton tiheyden, pinnanmuotojen ja troposfäärin muuttujien saattelemana. Vesihöyrypitoisuus voi aiheuttaa paikallista taittumista ilmakehän alimmissa kerroksissa kantoaallon liikkeen suhteen (Poutanen, M. 2016).

Parabooliset tai Yagi Uda laajatsuuntaiset antennit  takaavat hyvän lopputuloksen signaalin lähetyksessä. Toimivuuteen vaikuttaa radioaaltojen lähettimen ja vastaanottimen signaalin vastaanottokyky. Etäisyyden ja pinnanmuotojen kasvaessa informaation lähetyksen ja vastaanottimen oton välillä kohina vaikuttaa merkittävästi kantoaallon voimakkuuteen. Etäisyyden kasvaessa – paikoittain voi timeout toteutua, ja yhteyttä ei synny  – muodostaen katvealueen (Electrical Engineering. 2017).

Paikkatietoanalyysit ovat loppupeleissä yleistyksiä todellisen maailman attribuuteista, ja monimuuttujia ei saata olla riittävästi huomioituna todellisuutta vastaavan tiedon luomiseksi. Tiivistetysti hankalaa sanoa, että ovatko katvealueet täysin realistisia.

Kuva 2. Kevon kanjonin vaellusreitillä sijaitsevat katvealueet viivamuotona.

Katvealueista reitin näkyvyysanalyysi

 Seuraavaksi päästiin tekemään näkyvyysanalyysi  vaellusreitin katveosuuksien perusteella. Itse määritin alueen niin, että se kattasi kaikki näkyvät radiomastot. Visibility-työkalulla pystyi toteuttamaan näkyvyysanalyysin, jossa numeeristen tietojen puitteissa määritettiin näkyvyysarvo yksittäiselle rasterin pikselille – tässä tapauksessa vaellusreitin katvealueisiin pohjautuen. Antennin korkeudeksi määritettiin 70 metriä.

Jos määritämme värirampin loppupuolelle muusta värisävyn arvoista poikkeavat värit – voimme helposti havainnollistaa korkeimmat katvearvot karttatasolta. Ne sijaitsevat Kevon kanjonissa ennen uomien ensimmäisen asteiden haarautumispistettä – uoman eteläpuolella. Rasterin suurin arvo on 1772, eli numeerinen arvo ilmaisee sijainnin, josta näkyy parhaiten suhteessa digitoimaamme polun katveosuuksille (kuva 3). Tehtävän alussa laadimme ennusteen parhaimman maston sijoittamisesta, ja ennusteeni sijainti oli 7 kilometriä suurimmista arvoista lounaaseen. Käytin ennusteessa hyödyksi katvealueita reitillä, maaston pinnan muotoja ja verkkoyhteyden kantavuusrasteria. 

Näkyvyysanalyysissä hyödynettiin binääristä tierorakennetta, jolloin uudelleenluokittelemalla luodun katvealueen rasteritason – määritettiin 0-arvojen arvoiksi NODATA, ja 1 arvoille, jotka ovat ovat 1 suurempia. Oleellista on, että tiedon puuttuminen ja solun 0-arvo eivät merkitse samaa asiaa. Rasterin solun arvon puuttuminen vaikuttaa aineistolle tehtäviin operaatioihin (Holopainen et al. 2015)- jättäen huomioimatta täysin rasterivisualisaation NoData-aineiston kohdalla (kuva 3).

Uuden maston paras mahdollinen sijainti näkyvyysanalyysin jälkeen olisi 26,7805280°E, 69,5324237°N koordinaattipisteessä. Resoluution pienentäminen lisäsi laskentatehokkuutta, mutta samalla lisäsi karkeaa yleistystä yksittäisen pikselin ominaisuustietoihin. 90×90 metrin rasterilla informaatio visualisoituu, mutta spatiaalista variaatioita voi kantavuuden suhteen tapahtua. En usko resoluution karkeuden olevan merkillinen ongelma, sillä mitä todennäköisemmin variaatiot 90x90m pikselillä ovat silti melko pienet, jolloin laskennallisen tehokkuuden kannalta on järkevää toteuttaa yleistämistä karkeamman resoluution myötä. Rasterin ominaisuusarvot näkyvyysanalyysin mukaan vaihtelevat 0-1772 välillä, jolloin ihmissilmän tulkintakyky tulee myös ottaa huomioon. Todennäköisesti ei ihmissilmä voi pienempiä variaatioita yksittäisiltä pikseleistä huomata, joten yleistys on oleellista yksinkertaisemman visualiaation toteuttamiseksi.  

 

Kuva 3. Näkyvyysanalyysi Kevon kanjonin alueella suhteessa vaellusreittien katvealueisiin.

Kahden maston näkyvyysanalyysi

Aiempaan viitaten 54%-  65 kilometrin pituisesta vaellusreitistä sijaitsee katvealueella, kun 7 mastoon pystyvät käyttöliittymät muodostamaan yhteyden. Merkittävää kehitystä yhteyksien muodostumisessa tapahtuu, kun masto lisätään paikkaan, johon aiemmin laadittu näkyvyysanalyysi toteutettiin. Täten kantavuuksien katvealueiden suurimpaan leikkauspisteeseen muodostunut masto tarjosi laajoihin katvealueisiin verkkoyhteyden. Siksi vain 29.2% uuden maston sijoittamisen myötä polusta sijoittuu katvealueeseen (kuva 4).

Kuva 4. Näkyvyysanalyysiin pohjautuvan maston asennuksen jälkeen syntyneet katvealueet suhteessa seitsemän maston tuottamiin katvealueisiin.,

Lopuksi

Lopuksi, tuli paljon tehtyä kuvankäsittely analyysiä, johon rasteripohjaisen tiedon yleistäminen perustuu. Erilaisilla suodatuksilla, aluekohtaisella segmentoilla ja luokituksella – voidaan suorittaa rasteriyleistystä sekä paikallsella ympäristöä koskevalla ja alueellisella tasolla (Holopainen et al. 2015).

Lähdetietoja

Electrical engineering. 2017. Does altitude affect wi-fi signals? URL: Does altitude affect wifi signals? – Electrical Engineering Stack Exchange

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

Poutanen, M. 2016. Sateliittipaikannus. Geodeellinen laitos. 

 

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)

Johdanto

Hei taas! Vierähtänyt viikko viimeisestä luennosta. Tällä kertaa hommat jatkuvat rasteriaineistojen käsittelyn parissa. Mennään suoraan asian pariin.

Rasteriaineiston yksityiskohdista

Perusteista aloitetaan. Viikon tiedostot sai Luonnonvarakeskuksen, eli Luken,  avoimien aineistojen tiedostopalvelusta ETRS-TM35FIN-koordinaatistossa, joka pohjautuu EUREF-FIN geodeettiseen datumiin. Rasterimatriisissa yksittäiset pikselit visualisoivat 16 m x 16 m laajuista aluetta. Vielä vuoden 2009 ja 2011 tulokset tulivat 20 m x 20 m hilassa.  Melko karkean resoluution voi osittain selittää. Jos analyysissä on useita rasteritasoja mukana, joiden erotuskyvyt ovat erilaisia, on yhden tai useampien rastereiden solukokoa kasvatettava. Täten erotuskyky määräytyy karkeimman rasterin mukaan (Holopainen et al. 2015). Resoluutio myös vastaa inventoinnin puustohilaa kooltaan ja sijainniltaan (Seppo Kilpiäinen. 2022) ja puustotulkinnassa ja kuvioinnissa inventointiyksikkönä on 16 x 16 metrin hilaruutu (Holopainen et al. 2015).

 

Rasteriaineiston taustoja

Lyhyesti ehdin mainita Luken roolin viikon aineistojen käsittelyssä. Luke on hyödyntänyt vuonna 2019 Metsäntutkimuslaitoksen jakamaa avointa karttajoukkoa. Metlan laatimat maastotiedot, sateliittikuvat, numeeriset paikkatiedon avulla tuotetut metsävara-arviot ja karttamuotoiset metsävaratiedot on osa monilähteistä metsien inventointia. Luke hyödynsi 52 383 VMI-maastokoealaa paikkatietoaineistossaan (Luonnonvarakeskus. 2021). 

Luonnonvarakeskuksen tuotoksessa ennustettiin vuotuinen puuston tilavuuskasvuprosentti, tunnistettiin maastomittausten ja sateliittikuvan ajankohdan välille sijoittuneet uudishakkuut, jolloin puustotietoja muutettiin vastaamaan aukeiden alojen puustotunnuksia. Täydellisyyden perässä Luke on yhdistänyt vuoden 2013, 2015, 2017 ja 2019 koealatietoja (Luonnonvarakeskus. 2021).

Biomassakarttojen tekoa

Paikkatietoaineistojen myötä pääsimme hyödyntämään tyypillisiä karttatasoihin kohdistuvia operaatioita, joista merkittävin oli biomassatuotannon laskenta rasterimatriisissa kilogramman yksikössä suhteessa hehtaareihin. Rasteritietojen leikkausanalyysissä yleisiä operaatioita ovat summa, erotus ja jakolasku (Holopainen et al. 2015).

Biomassa-arvot vaihtelevat mäntyjen, lehtipuiden ja kuusen välillä visualisoituna kartalla. Jos tarkastelemme lehtipuiden biomassakarttaa, voimme huomata monimuotoisen biomassan levittäytymisen laajalla alueella kanjonin uomien ympäristössä (kuva 2). Biomassaltaan suurinta lehtipuustoa sijaitsee uoman yhteydessä – noin 0-500 metrin päässä uomien molemmin puolin etäisyysmittarilla tarkasteltuna. Eroja on huomattavissa verrattuna männyn biomassaan. Biomassatuotannoltaan, toisin kuin lehtipuilla, yksittäisten pikselien biomassan ominaisuusarvot ovat suuremmat, ja biomassan maksimiarvot hehtaaria kohden ovatkin 80,64 tonnia verrattuna lehtipuiden 65,58 tonniin (kuvat 1 ja 2. Taulukot  2 ja 4). Biomassatuotannoltaan monimuotoisimmat vyöhykkeet sijaitsevat uoman jyrkän gradientin yhteydessä. Biomassaa visualisoivat pikselit ovat kartalla leveydeltään keskimäärin noin 190 metriä – mahdollisesti viitaten jopa suurempiin biomassayksikköihin uomien yhteydessä männyillä kuin lehtipuilla (kuvat 1 ja 2). Biomassojen tn/h arvoja voi tarkastella keskiarvoina eri etäisyyksillä ja korkeuksilla. Keskiarvoista voi havaita biomassatuotannon laskevan etäisyyden ja maaston gradientin kasvatessa (taulukot 3-5).

Matalin biomassan produktiivisuus vallitsee kuusilla. Tämä on selitettävissä, sillä Suomessa ainoa luonnonvaroinen kuusilaji, metsäkuusi, kasvaa koko maassa pohjoisimpia Lapin maa-alueita lukuun ottamatta. Biomassan kannalta kattavimmat alueet sijaitsevat kanjonin ja vesistöjen yhteydessä – keskimäärin noin 120-150 metrin levyisellä vyöhykkeellä. Maksimi biomassan tuotantoarvo on vain 35,22 tonneina hehtaaria kohden (taulukko 1).

Kuva 1. Mäntypuuston biomassa Kevon kanjonilla.

 

Kuva 2. Lehtipuuston biomassa Kevon kanjonilla.

Kuuset vaativat paljon auringonvaloa. Lapissa talvi viipyy noin 7 kuukautta, ja Utsjoen lähistöllä sijaitsevassa Enontekiössä terminen talvi alkaa jo lokakuun puolessä välissä (Ilmasto-opas. 2022). Vuonna 2016 Utsjoella kaamos alkoi 26.11.2026, ja kesti 52 vuorokautta – pidempään kuin millään muulla Suomen kunnalla (MTV Uutiset. 2016). Nämä tekijät yhteenvaikutuksessa sen kanssa, että vettä huonosti läpäisevät maalajit, kuten moreeni, ja polygeneettinen maasto Kevon kanjonilla saa aikaan matalan biomassan produktiivisuuden kuusilla (Paikkatietoikkuna. Viitattu 17.11.23).

Taulukko 1. Kuusipuuston biomassan tilastolliset tunnusluvut eri etäisyysvyöhykkeillä.

 

Taulukko 2. Lehtipuuston biomassan tilastolliset tunnusluvut eri etäisyysvyöhykkeillä.

 

Taulukko 3. Lehtipuiden biomassan arvot eri korkeuksissa. 

 

 

Taulukko 4. Mäntypuuston biomassan tilastolliset tunnusluvut eri etäisyysvyöhykkeillä.

 

Taulukko 5. Mäntyjen biomassan arvot eri korkeuksissa. 

Latvuspeittoasteesta

On hyvä perehtyä latvuspeittävyyden määritystapoihin Luonnonvarakeskuksen paikkatietoaineistossa, koska latvuspeittokarttaa tarkastelemme pian. Latvuspeittävyydellä viitataan VMI:ssä puuston latvuston peittämään osuuteen koealan pinta-alasta prosentteina. Ylä-Lapissa – Kevon kanjonin alueella arvioitiin latvuspeittävyys koealalta kolmessa luokassa, jossa keskipiste sijaitse metsätalouden kannalta olennaisissa maa-alueissa. Ylä-Lapin latvuspeittävyyden laatimiseksi koealoille tehtiin selitettävien muuttujien avulla regressiomalli peittävyyden ennustamiseksi yhden prosentin yksikössä (Luonnonvarakeskus. 2021).

Latvuskartan yksityiskohtia

Pohjois-Kanadassa toteutettu tutkimus Yukon-joen ympäristöstä paljasti lehtipuiden olevan aliarvioituja sulamisveden varantoja boreaalisessa metsässä. Kyllästymistason lehtipuut saavuttavat lumien sulamisen ja lehtien puhkeamisen välillä, käyttäen hyväkseen jopa 21-25% saatavilla olevasta sulaneesta vedestä (Young-Robertson, J. M. 2016) . Ei yllätyksenä siis tule, että lehtipuilla veden määrä on merkittävä kasvutekijä – koivun tarvittaessa jopa 500 litraa vettä päivässä (Yleisraadio. 2019). Vesivarannon spatiaaliset variaatiot, täten, vaikuttavat lehtipuuston latvuston peittävyyteen Kevon kanjonin ympäristössä – selittäen suuren latvuspeiton uomien yhteydessä, ja vähentymisen siirtyessä kauemmas uomasta – esimerkiksi 400, 600 tai 1300 metrin etäisyysalueella (kuva 4). Rasterin arvoksi saadaan rasterimuotoisissa vyöhykkeissä etäisyys kohteesta soveltuen jatkoanalyyseihin (Holopainen et al. 2015).

Ohuempi maaperä, vähentynyt maaperän ravinteiden varanto rajoittavat juurten kasvua kasvavan korkeuden myötä. Altistuminen vahvoille tuulille vahingoittaa puita ja fotosynteesiin kykeneviä fysikaalisia piirteitä puustossa korkeilla korkeuksilla – selittäen sekä havu- että lehtipuuston vähäisyyden korkeammilla rinteillä (taulukot 3, 5, 6 ja 7). Korkeilla korkeuksilla ilman alhaisempi tiheys ja paine tuottavat matalat hiilidioksiditasot ja hitaamman transpiraation, mitkä hidastavan puuston kasvunopeutta (Song, Y et al. 2022), (Coomes, D & Allen, R. 2007). Kuitenkin havupuiden piirteet, kuten  neulanmuotoiset ikivihreät lehdet sekä kapeampi solurakenne tekevät niistä sietoisimpia kuivuudelle tai kylmyydelle (Song, Y et al. 2022) – selittäen sen, miksi havupuiden latvuston peittävyysaste on laajempi kanjonin ympäristössä korkeissa paikoissa ja suurempien etäisyyksien päässä uomasta kuin lehtimetsissä (Taulukko 6 ja kuva 4). Latvuspeitoissa on ilmaistu latvuston peittämään koealan pinta-alan prosenttien keskiarvoina taulukoissa 6 ja 7. Latvuspeiton keskiarvo pysyy vakaana gradientin kasvatessa molemmissa puustotyypeissä – jättäen huomioimatta puuston määrän supistumisen uomasta kauemmas mentäessä.

Taulukko 6.  Havupuiden latvuspeite Kevon kanjonin alueella.

 

Taulukko 7. Lehtipuiden latvuspeite Kevon kanjonin alueella.

 

Kuva 3. Lehtipuiden latvuspeite Kevon kanjonin alueella.

Kuva 4. Havupuiden latvuspeite Kevon kanjonin alueella.

 

Lopuksi

Tämmöistä tänään! Tuli analysoitua latvuspeittoastetta ja biomassaa paikkatietomenetelmin Kevon kanjonin alueella. Toivottavasti oli mukavaa luettavaa. Kiitän ajastasi, ensi kertaan.

 

Tiedonlähteitä

Coomes, David & Allen, Robert. (2007). Effects of size, competition and altitude on tree growth. Journal of Ecology. 95. 1084 – 1097. 10.1111/j.1365-2745.2007.01280.

Forrest, D. (2021). Does individual-tree biomass growth increase continuously with tree size? Forest Ecology and Management. Volume 481. 118717. ISSN 0378-1127. https://doi.org/10.1016/j.foreco.2020.118717.

Geologian tutkimuskeskus. (Viitattu 17.11.23). Maankamara -karttapalvelu. URL: https://gtkdata.gtk.fi/maankamara/

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.

Ilmasto-opas. (2022). Pohjois-Lappi – Jäämeren vaikutuksessa. URL: https://www.ilmasto-opas.fi/artikkelit/pohjois-lappi-jaameren-vaikutuksessa

Katherine A McCulloh, Steven P Augustine, Alex Goke, Rachel Jordan, Christopher P Krieg, Kimberly O’Keefe, Duncan D Smith, At least it is a dry cold: the global distribution of freeze–thaw and drought stress and the traits that may impart poly-tolerance in conifers, Tree Physiology, Volume 43, Issue 1, January 2023, Pages 1–15, https://doi.org/10.1093/treephys/tpac102

Luonnonvarakeskus. (2021). Monilähteisen valtakunnan metsien inventoinnin (MVMI) kartta-aineisto 2019. URL: https://ckan.ymparisto.fi/dataset/monilahteisen-valtakunnan-metsien-inventoinnin-mvmi-kartta-aineisto-2019

MTV Uutiset. (2016). Kauanko teillä vielä on pimeää? Utsjoella aurinko nousee seuraavan kerran tammikuussa. URL: https://www.mtvuutiset.fi/artikkeli/kauanko-teilla-viela-on-pimeaa-utsjoella-aurinko-nousee-seuraavan-kerran-tammikuussa/6169836

Nauman,F. (2022). How High Altitude Affects Plants. URL: https://lawnlove.com/blog/how-high-altitude-affects-plants/

Otto Saikkonen. (2021).  Kuusen kasvu luonnontilaisissa metsissä. Helsingin yliopiston metsätieteiden laitoksen julkaisuja. 4-46.

Rytter L., Ingerslev M., Kilpeläinen A., Torssonen P., Lazdina D., Löf M., Madsen P., Muiste P., Stener L.-G. (2016). Increased forest biomass production in the Nordic and Baltic countries – a review on current and future opportunities. Silva Fennica vol. 50 no. 5 article id 1660. https://doi.org/10.14214/sf.1660

Seppo Kilpiäinen. (2022). Metsämaa ja kestävä metsänhoito webinaari 18.2.2022. Metsäkeskus. URL: https://tapio.fi/wp-content/uploads/2022/02/Kilpiainen_Korjuukelpoisuuskartat.pdf

Song, Y., Sterck, F., Zhou, X., Liu, Q., Kruijt, B. and Poorter, L. (2022), Drought resilience of conifer species is driven by leaf lifespan but not by hydraulic traits. New Phytol, 235: 978-992. https://doi.org/10.1111/nph.18177

Yleisradio. (2019). Havupuilla on keväällä kova jano ja koivu tarvitsee 500 litraa vettä päivässä – lue 5 faktaa puiden elämästä. URL: https://yle.fi/a/3-10752868

Young-Robertson, J. M., Bolton, W. R., Bhatt, U. S., Cristóbal, J., & Thoman, R. (2016). Deciduous trees are a large and overlooked sink for snowmelt water in the boreal forest. Scientific reports, 6, 29504. https://doi.org/10.1038/srep29504

Johdanto

Hei, tervetuloa takaisin GIS menetelmät 2-kurssiblogin pariin. Viikon tauolla oltiin, ja nyt pääsee taas kirjoittamaan omista tuotoksista ja analyysistä. Tervetuloa!

Korkeusmallin tarkastelua

Aloitetaan aluekohtaisilla yksityiskohdilla. Käytämme harjoituksessa oikeankulmaista lieriömuotoista Transverse Mercator projektia (Holopainen et al. 2015). Suomessa Kevon kanjonia Utsjoen kunnassa kuvaava KevoDEM on melko paikallinen aluekokonaisuus, johon soveltuisi ehkä enemmän geodeettisen datumin EUREF-FIN omaava ETRS-TM35FIN. Eri datumeissa maapallon pinnan kuvaus vaihtelee referenssiellipsoidin mukaan, joka määritetään päiväntasaajaa vasten kohtisuorassa olevan säteen ja maapallon litistymistä kuvaavan kertoimen avulla (Holopainen et al. 2015).

Joka tapauksessa karttatasolla korkeusmallin yksiköt vaakasuunnassa ovat 7 710 000 metriä ja korkeussuunnassa 482 000 metriä. Korkeusmallin spatiaalinen resoluutio pikselillä on x- – ja y-akselilla 2 metriä. Tarkasteltava alue on pinta-alaltaan 36,08 neliökilometriä, joista korkein kohta on 422,735 metriä. Matalin taas 145,9 metriä. Korkeimmat kohdat sijaitsevat kanjonin ympäristössä. Korkein sijaisee karttalehden länsireunassa kanjonista luoteeseen haarautuvan kanjonin ja lounaaseen haarautuvan kanjonin välissä.

Korkeuskäyrät ja korkeusmalli – mitä eroa?

DEMillä tarkoitetaan korkeuden esitysmuotoa visualisoivaa paikkatietoaineistoa, joka on grid-muotoinen rasterimalli (Holopainen et al. 2015). DEMiä käytetään pinnanmuotojen syvälliseen ymmärtämiseen, esimerkiksi rinteen jyrkkyyden, suuntautuneisuuden ja kaarevuuden aiheuttamia vaikutusten ymmärtämiseen (A. K. Saraf et al. 2004). Käytetty korkeusmallipinta voidaan tunnettujen pisteiden avulla interpoloida. Pistemittaukset ja korkeuskäyrät toimivat lähtöaineistona usein (Holopainen et al. 2015). Tiedot ovat johdonmukaisia, sillä tarkoitus tehtävässä on ymmärtää valunnan ulottuvuuksia Kevon kanjonin alueella. Harjoituksen KevoDEM-korkeusmalli poikkeaa perinteisistä korkeuskäyristä siten, että korkeuskäyristä voi päätellä alueellisia korkeuseroja tarkemmin.

 Kevo-DEM korkeusmalli visualisoi korkeuseroja väriskaalalla, mikä nopeuttaa tiedon havainnollistamista ja sisällyttämistä. Aineistosta voidaan laatia rinnevarjoste. Rinnevarjoste tuotetaan laserskannauksella, josta pistepilvistä tuotetaan korkeusmallinnus, jolloin auringon paistaessa pohjoisesta voidaan paremmin alueellisia ulottuvuuksia 3D- tyyliin visualisoida. Nopeaan tahtiin ollaan siirtymässä paikkatietojärjestelmässä 3D- ja 4D-kuvauksiin (Holopainen et al. 2015).

 Riippuen havainnoitsijasta – korkeuskäyrillä korkeuserojen sisällyttämisessä voi mennä jonkin aikaa, mutta yksityiskohtaisempi rajaus korkeuksien väleillä tarjoaa käytännön kannalta hyödyllisempää tietoa käyttäjälle. Kevo-DEM korkeusmallin väriteema voi taata helpon sisällyttämisen, mutta yksityiskohtaisempien korkeuserojen havainnointi väriteemasta voi olla hankalaa havainnollistaa, ellei aseta useita värejä eri värisävyjen sijaan. Rinnevarjostus auttaa henkilöä havainnollistamaan 3D-ulotteisuuden vuoksi pinnanmuotoja paremmin, mutta heikkoutena on korkeustiedon puutteellisuus. Aineisto ei sisällä korkeusarvoja, vaan rinteiden suuntaa ja jyrkkyyttä visualisoivan harmaasävykuvan.

Hydrologiset systeemit ovat monimuotoisia. Tarve suurelle määrälle dataa on suuri johtuen hydrologisten systeemien monimutkaisuudesta, sillä kaukokartoitus itsessään ei riitä hydrologisen valunnan määrittämiseen esimerkiksi. Geoinformatiikan menetelmät sopivat täten suuren datan muokkaamiseen ja manipulointiin – tuottaen esimerkiksi integroituja spatiaalisia esityksiä, joka on tämän tehtävän päämääränä (A. K. Saraf et al. 2004).

Korkeusmallin johdannaiset

Slope eli rinteen vietto ja suunnan työkalulla karttatasolta voidaan havainnollistaa rinteiden jyrkkyydet eri kohdissa (Holopainen et al. 2015). Yleisin DEM-datatyyppi on slopen tuottaminen (A. K. Saraf et al. 2004). Jyrkimmät alueet ovat karttatason mukaan 90 metrisiä, kun taas matalimmat joko tai alle 1,72 metriä. Jyrkimmät alueet löytyvät kanjoniin suuntautuvan rinteen yhteydestä. Korkeita arvoja löytyy esimerkiksi kanjonin luoteisreunasta, joissa yli 60 metrin jyrkkiä rinteitä Image -information työkalun avulla voi löytää. Matalimmat rinteet taas löytyvät rinteiden huipuilta.

Aspekti on värikäs karttataso, joka ilmaisee rinteen suunnan ja valunnan ensisijaisen suunnan (Holopainen et al. 2015). Se soveltuu erinomaisesti jatkoanalyyseihin.

Valuma-alueet ja valuman suuntautuneisuus

Pinnanmuodot, joiden vaikuttamana vesi valuu tiettyyn vesistöön pidetään valuma-alueina. Uudet kartttatasot, jotka sisältävät korjatut virhekohdat (Kuopat) (Holopainen et al. 2015), aspektin eli rinteen suunnan ja rinteen jyrkkyyden kuvaavat nesteen loogisinta valumasuuntaa viivojen visualisoimana. Valuma-alueet osittain vaikuttavat realistisilta. Hypoteettisesti valuma-alueet sijaitsevat rinteiden huippujen ympäristössä. Näin vaikuttaa olevan kahdessa rinteessä – kanjonin pohjoispuolella, etelässä ja kaakossa (kuvat 1 ja 2). Vedet eivät kuitenkaan valu kanjoniin kuin vain koillisnurkassa, jossa yllä mainittu yksi rinteen jyrkimpiä kohteita sijaitsee kartalla. Emme tiedä minne vesi valuu, tai miltä pinnanmuodot näyttävät karttalehden pohjois-, etelä- ja kaakkoispuolella, jonne vesi valuu, joten emme pysty oikeastaan päättelemään valumaan vaikuttavia pinnanmuototekijöitä kuin vain pintapuolisesti.

Realistisuuden kannalta paikoittain valuma-alueiden viivojen suuntautuneisuudet ovat puutteellisia. Ongelmaan vaikuttavat karttalehden rajat. Valuma-alueiden päätepisteet eivät sijaitse karttalehdellä, joten Raster to Polygon muunnoksen yhteydessä oletetaan päätepisteen olevan karttalehden reunalla, johtaen väärään johtopäätökseen (kuvat 1 ja 2).

 

Kuva 1. Valuma-alueet ja uomat Kevon kanjonin alueella korkeusmallin ja rinnevarjosteen kera.

 

Kuva 2. Valuma-alueet ja uomat Kevon kanjonin alueella korkeusmallin, ortokuvan ja rinnevarjosteen kera.

Uomien raja-arvoista

Uomien raja-arvon valinta voi vaikuttaa merkittävästi lopputulokseen. Uomien määrä kasvaa, jos raja-arvoa alennetaan, ja päinvastoin kuin lisätään. Strahlerin ja Hortonin uomaluokitusten mukaisesti alempi raja-arvo tarkoittaa enemmän matalemman asteen uomia (A F. Arbogast. 2017). Paras raja-arvo riippuu kartan käyttötarkoituksista. Oletetusti, jos käyttäjälle riittää maastokartta, niin raja-arvo 100 000 soveltuu erinomaisesti karttaan – sisältäen pitkälti samat uomat. Jos haluaa uomat näyttämään täysin vastaavilta maastokarttaan – tulee raja-arvojen olla todennäköisesti 30 000-50 000 väliltä. Osa uomista ei näy maastokartalla, jos raja-arvo on  2000. Rinnevarjosteesta ja ortokuvista pystyi huomaamaan läpimitaltaan, kuitenkin, hyvin pieniä uomia. Vielä pienempien raja-arvojen uomat pystyi perustelemaan Flow direction -karttatasolta, jossa paikalliset variaatiot pinnanmuotojen suhteen vaikuttavat valuman ja uomien suuntautuneisuuteen (kuva 3). Pieniä epäloogisuuksia löytyi, kuten alla olevassa kuvassa suora uoman muoto, mikä on epätodennäköistä johtuen fluviaalisista kulutusvoimista (kuva 3). Käytännön kannalta yli 50 000 suuri raja-arvo soveltuu erinomaisesti esimerkiksi patikointiin. Hydrologisen analyysin kannalta pienimmät raja-arvot ovat merkittäviä valunnan spatiaalisten variaatioiden selvittämisessä.

 

 

 

 

Kuva 3. Uoman muodon kyseenalaistettavuus valuman suuntautuneisuus -karttatasolla.

Lopuksi

Kirjoitettavaa tuli jälleen melko paljon. Geoprocessing-työkaluja hyödyntäen pääsi monipuolisia analyysejä tekemään, ja nyt tiedon suhteen rikkaampana siirrytään uusiin haasteisiin. Kiitos ajastasi, näkemiin!

 

Kirjallisuus

Alan F. Arbogast. (2017). Discovering physical geography. Fourth edition.  Hoboken, NJ : John Wiley & Sons. 

K. Saraf , P. R. Choudhury , B. Roy , B. Sarma , S. Vijay & S. Choudhury (2004) GIS based surface hydrological modelling in identification of groundwater recharge zones, International Journal of Remote Sensing, 25:24, 5759-5770, DOI: 10.1080/0143116042000274096.

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.

Johdanto

Ensimmäisen viikon luennolla käsittelimme erilaisia paikkatiedon analyysimenetelmiä. Samalla tuli tutuksi uusi paikkatieto-ohjelma nimeltä ArcGis Pro. Asennuksen, tunnusten luonnin ja lisenssoinnin myötä sain vihdoinkin ladattua ohjelmiston, ja tässä ollaan. Mennään suoraan tehtävän pariin!

Paikkatietoanalyysistä kertausta

Paikkatietoanalyysin eri osa-alueet voidaan jakaa esimerkiksi paikkatietoihin kohdistuvaksi, ominaisuustietoihin kodistuvaksi, sijainti- ja ominaisuustietoihin kohdistuvaksi ja tulostuksen muotoiluun (Holopainen et al. 2015) .  Tämän viikon kannalta olennaisinta oli sijainti- ja ominaisuustietoihin kohdistuvat muutokset, joilla viitataan mallipohjaisiin analyyseihin, kuten overlay- ja naapurusto-operaatioihin. Tässä tehtävässä suoritimme overlay-analyyseja, joissa tärkeintä on vektorikarttatasojen päällekkäin asettelu sekä viiva- ja aluekohtainen analyysi (Holopainen et al. 2015). Overlay-analyysin lisäksi Pythonin ohjelmointikieltä pääsi käyttämään maanpeite-aineiston jaottelussa. Attribuuttitaulukkoon kohdistuvassa laskemisessa hyödynsimme ohjelmoinnin perustyökaluja: funktioita ja ehtolauseita, SQL-kyselyn tyyliin palauttaen määrittelemien ehtojen tulokset.

Paikkatietoaineistojen lisäksi tuli useita sektoridiagrammeja tehtyä, joista molemmat olivat vapaavalintaisia.

Overlay-analyysin tulokset

Ideana oli visualisoida Helsingin maanpeitteen eri tyyppejä paikkatietomenetelmin sekä sisääntuloväylien maanpeitteen tarkastelua Buffer-, Intersect- ja Clip-analyysin keinoin. Näin alkuun on hyvä perehtyä overlay-analyysin eri toimintoihin. Bufferoinnilla eli etäisyysvyöhykeanalyysillä viitataan valitun vektorikohteen vaikuttavuutta laskemalla euklidinen etäisyys kohteesta. Analyysin kannalta on olennaista tarkastella, mitä vaikutusalueeseen kuuluu. Voisimme esimerkiksi selvittää kiinteistöjä ja asukasmääriä vaikutusalueella. 

Intersect- ja clip saattavat mennä useilla sekaisin, sillä molemmilla leikataan karttatasoja. Ero kahden välillä vallitsee ominaisuustietoihin kohdistuvissa muutoksissa. Intersectillä luodaan aluekokonaisuus, joka säilyttää molempien alkuperäisten karttatasojen ominaisuustiedot, kun taas clipissä leikkaamme luodun karttatason laajemmasta kokonaisuudesta säilyttäen vain leikatun alkuperäisen layerin ominaisuustiedot. Leikkaus tapahtuu clipissä karttatason ulkorajoilla, kun taas intersectissä polygonit määrittävät tuloksen ulkorajat. 

Kartat

Seuraavaksi pääsette tarkastelemaan luotuja karttoja! Oheisista kartoista voi laatia useita johtopäätöksiä esimerkiksi Helsingin eri kaupunginosien maankäytöstä (kuva 1). Kuvassa 2 taas hieman yleistävämmin. Voimme havaita, että Helsingissä rakennetun asuinalueen maankäyttö on kohdistunut kaikista suuremmin Pasilan kaupunginosan ympäristöön, jossa viime aikaiset rakennushankkeet ovat kiihdyttäneet antropogeenisia vaikutteita (Helsingin Uutiset. 2023). Tämä näyttäytyy muun paljaan maan, kattavan tieverkon ja rakennusten määränä. Puuston määrään vaikuttaa viheralueiden sijoittelu, ja tästä syystä yllätyksenä ei tule pohjoiseteläsuunnassa kymmenen kilometrin pituisen Keskuspuiston puuston määrä. Laakson kaupunginosasta Helsingin pohjoisrajalle ylettyvä alue on suurin viheralue Helsingissä (Helsingin kaupunki. 2020).  Laajat peltoalueet  Itäsalmessa ja Helsinki-Vantaan lentoaseman matalan kasvillisuuden vyöhyke ovat myös huomattavia alueellisia ominaisuuksia.

 

Kuva 1. Maankäyttö tarkastelualueella Helsingissä.

 

Huomiona, että ensimmäisessä kuvassa selitteen tekstit eivät näy hyvin, ja tämän vuoksi tässä linkki kuvan avaamiseen uudella välilehdellä: Layout1-1.png (2480×1748) (helsinki.fi).

Huomioitavaa on kuitenkin paljaan maan luokittelu paikkatietoaineistossa. Jo Maanmittauslaitos totesi omasta 2018 seudullisesta maanpeiteaineistosta, että paljas maa ja muu vettä läpäisemätön pinta ovat ongelmallisia luokkia suhteessa toisiinsa. MLL myös kehotti käyttäjää käsittelemään molempia yhtenä luokkana (Maanmittauslaitos.  2018). Mikään paikkatietoaineisto ei ole täydellinen, ja sen myötä kritisoitavaa aineistoa on aina saatavilla. Ongelmallista kyseisessä tyypissä on sen liiallinen yleistävyys ja epäselvyys. Holopainen ja muut vuoden 2015 kirjassa “Geoinformatiikka luonnonvarojen hallinnassa” toteavat, että monimutkaisia asioita ymmärtääkseen ihmiset yrittävät yleistää niitä. Kartografisessa esityksessä riippuen analyysin painopisteestä – yleistyksen laajuus voi vaihdella. Kysymys herää siitä, että mitä muulla paljaalla maalla oikeastaan tarkoitetaan? Vettä läpäisemätön pinta on oma luokkansa, joten luokalla mahdollisesti voidaan viitata paljaan maaperän alueeseen, esimerkiksi rakennustyömailla. Yleistävä luonne on ongelmallinen, sillä muuten melko yksityiskohtaiseen kokonaisuuteen näin karkeat rajaukset ovat epäsopivia. Yleistys on johtanut siihen, että käyttötarkoitusta paikkatietoaineistolle on hankala määrittää. Rakennushankkeissa ja kaupunkisuunnittelussa monimutkainen kaupunkiverkosto sekä sen ominaispiirteet tulee tuoda esiin paikkatietoanalyyseissä.

Tämän tehtävän kannalta olennaista on myös tarkastella Helsingin sisääntuloväylien maanpeitettä, jota tarkastelimme puskurivyöhyke-, clip- ja intersect-analyysien keinoin. Puskurivyöhykkeellä pystyimme määrittämään vaikutusalueen 250 metriin. Maankäytöstä sisääntuloväylillä 250 metrin ympäristössä määritettiin sektoridiagrammit (Diagrammi 1 ja Diagrammi 2). Rakennusten ja paljaan maan laajuus oli yhteensä 30,13% Lahdenväylällä ja 33,85% Vihdintiellä (Diagrammi 1 ja Diagrammi 2). Rakennusten määrään saattavat vaikuttaa kaupunginosien asukasmäärä, mutta myös teiden maantieteellinen sijainti osana valtakunnallista tieverkkoa, esimerkiksi Lahdenväylä osana Valtatie 4:ää, jonka varrella ovat etelä-Suomen suuret kaupungit, kuten Lahti ja Mäntsälä. Vihdintie liittyy osaksi Valtatietä 2:ta, joka vie Poriin.  Valtatie neljän varrella sijaitsevat useammat suuremmat kaupungit saattavat toimia syynä myös peltojen suuremmalle prosentuaaliselle osuudelle Lahdenväylällä – maatalouden logistiikkakustanuksista johtuen! Luonnon ominaispiirteistä suurimman osan kattasi puuston määrä: 33,90% Lahdenväylällä ja Vihdintiellä 36,77% (Diagrammi 1 ja Diagrammi 2). Lahdenväylällä puustoon määrään vaikuttavat tien varrella esimerkiksi Viikin-Vanhankaupunginselän luonnonsuojelualueella sijaitseva Lammassaari ja Kuusijärven ulkoilualue. Vihdintiellä Riistavuorenpuisto ja Marttilan väljään rakennettu naapurustorakenne.

 

 

 

 

 

 

 

 

Diagrammi 1. Lahdenväylän maankäyttö prosentteina.

 

 

 

 

 

 

 

Diagrammi 2. Vihdintien maankäyttö prosentteina.

 

Toukolan, Kumpulan ja Koskelan maankäyttö

Kuvasta 3 voimme havaita karkean maankäyttöluokituksen Kumpulan, Koskelan ja Toukolan kaupunginosissa Hämeentien varrella Helsingissä. Kartan käyttötarkoitukset ovat rajalliset huomioiden luokitusten yksinkertaisuuden. Laajinta rakennetun alueen maankäyttö on Käpylässä (Diagrammi 3). Väljintä se on Toukolassa (Diagrammi 5). Huomioitavaa on Toukolassa meren osuus luonnollisena alueena, muodostaen kielekkeen kaakkoisreunaan (Kuvat 2 ja 3). Luonnon osuus on jokaisessa diagrammissa suurempi kuin rakennettu alue, mutta rakennetun alueen tulevaisuuden kehitysnosteet saattavat muuttaa asiaa – osittain johtuen Hämeentien sijainnista Helsingin ja Vantaan välisenä kulkuväylänä ja kaupunginosien läheisyydestä Helsingin keskustaan (Rakennuslehti. 2019), (Helsingin Uutiset. 2023), (Asuntomarkkina. 2022).

 

Kuva 2. Yksinkertaistettu maankäyttö Kumpulan, Koskelan ja Toukolan kaupunginosissa – kaupunginosat rajattuina.

 

Kuva 3. Yksinkertaistettu maankäyttö Koskelassa, Kumpulassa ja Toukolassa.

 

 

 

 

 

 

 

 

 

Diagrammi 3. Yksinkertaistettu Käpylän maankäyttö prosentteina.

 

 

 

 

 

 

 

 

Diagrammi 4. Yksinkertaistettu Kumpulan maankäyttö prosentteina.

 

 

 

 

 

 

 

 

Diagrammi 5. Yksinkertaistettu Toukolan maankäyttö prosentteina.

 

Yhteenveto

Tässä blogitekstissä tuli käsiteltyä olennaiset overlay-analyysin käsitteet sekä sovellettiin overlay-analyysin menetelmiä karttojen tuotannossa. Lisäksi paikkatietoaineiston ongelmakohtia, kuten paljaan maan pinnan-luokan epäselvyys ja yleistävä piirre analyysin kontekstissa, tuli käsiteltyä. Kiitos ajastasi, ensi kertaan!

 

Kirjallisuus

 

Bonnier Business Forum. (2022). Kaksi uutta kerrostaloa Helsingin Toukolaan. URL: Kaksi uutta kerrostaloa Helsingin Toukolaan – Asuntomarkkina ja maankäyttö

Helsingin kaupunki. (2020). Keskuspuisto – Helsinkiä halkova keskusmetsä. URL: Keskuspuisto – Helsinkiä halkova keskusmetsä | My Helsinki

Helsingin Uutiset. (2023). Kaksi uutta kerrostaloa Helsingin Toukolaan. URL: Kaksi uutta kerrostaloa Helsingin Toukolaan – Asuntomarkkina ja maankäyttö

Helsingin Uutiset. (2023). Tornitalojen rakentaminen alkaa Pasilassa – Hoasin suurimpaan kompleksiin tulee lähes 400 asuntoa. URL: Tornitalojen rakentaminen alkaa Pasilassa – Hoasin suurimpaan kompleksiin tulee lähes 400 asuntoa | Paikalliset | Helsingin Uutiset

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.

Maanmittauslaitos. (2018). Seudullinen maanpeiteaineisto 2018. URL: Peruspaikkatietojen tuottajien koekäyttöympäristö | Seudullinen maanpeiteaineisto 2018 (maanmittauslaitos.fi). Metatietoa muutettu 20.09.2023.

Rakennuslehti. (2019). Helsingin Kumpulaa odottaa mullistus: suunnitteilla asuntoja 1400 ihmiselle, arkkitehtuurikilpailu päätökseen. URL: Helsingin Kumpulaa odottaa mullistus: suunnitteilla asuntoja 1400 ihmiselle, arkkitehtuurikilpailu päätökseen | Rakennuslehti

Shivaji College. Viitattu 6.11.2023. Overlay Analysis in GIS. URL: 7da3d1789fe2bb41d4875946dfcb0243.pdf (shivajicollege.ac.in)

WSP Finland Oy. (2017). Elinkeinoelämän kuljetukset tieverkolla, volyymi- ja arvoanalyysi. URL: Haasta nykyhetki kuvittele huominen Luo tulevaa (ek.fi)