Emman gisseilyt

Viimeisellä viikolla jatketaan interpoloinnin maailmassa ja tutustutaan erityisesti geostatisen interpoloinnin maailmaan.

Interpolointi suoritetaan determistisellä- tai geostatistisella menetelmällä. Deterministinen malli perustuu ennustettavan pisteen ympäristön mitattuihin arvoihin tai matemaattisiin funktioihin, joilla määritetään ennustuspinnan muoto.Geostatinen interpolointi hyödyntää matemaattisten mallien lisäksi tilastollisia malleja, jotka huomioivat spatiaalisen autokorrelaation (Holopainen, 2015). Spatiaalisessa autokorrelaatio on ajatus siitä, että sijainniltaan toisiaan lähellä olevat arvot ovat todennäköisemmin lähellä toistensa arvoja, kuin kauempana olevien pisteiden arvot (Burrough, 1987). Deterministinen interpolointi ei taas tunnista tätä autokorrelaatiota. 

Geostatisilla menetelmän avulla saadaan ennustuspinnan lisäksi tieto ennusteen luotettavuudesta (Holopainen, 2015). Geostatinen interpolointi perustuu semivariogrammiin, jonka avutta tutkitaan autokorrelaation ominaisuuksia ja olemassaoloa (Holopainen, 2015). Semivariogrammista nähdään, miten esimerkiksi etäisyyden kasvaessa spatiaalinen autokorrelaatio heikkenee, eli milloin ja miten varianssi kasvaa.

Ensimmäisessä tehtävässä luotiin Inverse Distance Weighted (IDW) ja Kriging -interpoloinnit. IDW-interpoloinnissa pisteen arvo johdetaan läheisten havaintopisteiden arvoista. Tässä menetelmässä määritettävälle pisteelle asetetaan paino, jonka määrä riippuu pisteen etäisyydestä toiseen tuntemattomaan pisteeseen. Mitä lähempänä estimoitavaa kohtaa havaintopiste sijaitsee, sitä voimakkaammin sen arvo vaikuttaa estimoitavan pisteen arvoon (Andik, 2015). Kriging-interpoloinnin perusajatuksena on, että analysoimalla ja mallintamalla spatiaalisen vaihtelun, voidaan kullekin havaintopisteelle määrätä optimaalinen paino ennustuspintaa laskettaessa (Holopainen, 2015).   

Tehtävän datana toimi kuukausien lämpötilamittauksia Afrikasta ja Lähi-Idästä. Ensin tehtävässä tutustuttiin dataan histogrammin avulla. Interpolointimenetemlät toimivat parhaiten, kun data on jormaalisti jakautunut. Tämän vuoksi interpoloinneissa käytettiin mittauksia elokuulta. Seuraavaksi luotiin pinta, jossa ennustettiin lämpötila-arvoja käyttämällä IDW interpolointia. Tämä tehtiin Geostatistical Wizard työkalun avulla, jolla voidaan valita haluttu interpolointimenetelmä ja muokata sen parametrejä. Työkalussa naapuruustyyppi vaihdettiin smoothiksi, jolloin ennustepinta on tasaisempi ja vähemmän rosoinen (kuva 1).

Seuraavaksi tehtiin toinen  IDW interpolointi, mutta optimoitu (kuva 2). Työkalulla voi myös vaihtaa interpoloinni voimaa. Jos voima on 0, on kaikilla naapuruston painoilla sama paino. Mitä korkeampi voima on, sitä nopeammin painot pienenevät etäisyyden muuttuessa. Geostatistical Wizard työkalulla voidaan kuvaajan avulla tutkia interpoloinnin luotettavuutta, kun siinä Siinä poistetaan yksi piste kerrallaan tietojoukosta ja jäljellä olevien pisteiden avulla ennustetaan poistetun pisteen arvo. Jos interpolointimalli on luotettava, jäljellä olevien pisteiden tulisi ennustaa tarkasti poistetun pisteen arvo. Kuvaajasta 1 näemme, keskiarvon, joka kertoo meille jos malli on liian vinossa ja ennustaa liian korkeita tai matalia arvoja. Keskiarvo on parhaimmillaan, kun se on lähellä 0. Näemme myös keskiarvon neliön. Mitä lähempänä se on 0, sitä luotettavampi malli on. Seuraavaksi interpolointeja vertailtiin käyttämällä cross validation työkalua. Työkalulla näemme, miten optimisoidun IDW-interpoloinnin keskiarvon neliö on pienempi kuin toisen interpoloinnin, jolloin se on malleista luotettavampi.

Seuraavaksi Geostatistical Wizard työkalulla suoritettiin kaksi Kriging-interpolointi, jolla koitettiin saavuttaa tarkempi mallinnus. Tämän interpoloinnin tulos oli huomattavasti yksinkertaisempi kuin IDW. Luotiin myös toinen Kriging-interpolointi, jossa malli optimoitiin ja naapuruston luokkakoko vaihdettiin kahdeksaan suuntaan (kuva 3). Yleensä luokkakoko on vain neljä. Nostamalla luokkakoko varmistetaan, että naapureita etsitään kaikkiin suuntiin ja lähellä olevilla pisterykelmillä ei ole kaikkea vaikutusta ennustettuun arvoon. Interpolointeja vertailtiin taas cross validation –työkalulla ja huomattiin, että toinen 8 luokkakoon interpolointi on luotettavampi kuin ensimmäinen interpolointi. Molemmat Kriging-interpoloinnit ovat luotettavampia, kuin IDW.

Lopuksi tehtävässä luotiin virhekartta (kuva 4), jolla mallinnetaan mallin epävarmuutta ja luotettavuutta. Virhekartan tummilla arvoilla on suurempi epävarmuus ja vaaleilla korkeampi luotettavuus. Kartasta näemme, miten suurimmat epävarmuudet ovat merialueilla. Tämä käy järkeen, koska näillä alueilla ei ollut mittauspisteitä. Kuva 5 kuvaa lopullista luotettavinta interpolointia.

Toisessa tehtävässä interpoloimalla etsittiin Madisonin kaupungista korkean lämpötilan alueita, joissa oli riskiryhmäläisiä. Histogrammin avulla paikannettiin korkeimpien lämpötilojen löytyvät kaupungin keskustasta. Seuraavaksi Geostatistical Wizard työkalulla tehtiin yksinkertainen Kringing-interpolointi (kuva 6), jossa asetettiin halutut parametrit ja mallinnus optimoitiin. Cross validation ikkunan error kohdasta näki, miten malli tasoittaa arvoja, eli aliarvioi suuria arvoja ja yliarvioi pieniä. Tässä tapauksessa tasoitus ei ollut suurta. Ikkunan normal QQ plot kohdasta näki, että mallinnuksen ennustus seuraa normaalia jakaumaa.

Seuraavaksi lämpötiloja mallinneettiin käyttämällä hienostuneempaa empirical Bayesian kriging (EBK) -interpolointia (kuva 7). EBK-interpolointi eroaa muista Kriging-interpoloinneista siten, että se jakaa aineiston pienempiin osiin ja tekee jokaiselle osiolle oman semivariogrammin. Tällä tavalla lokaaleja muutoksia pystytään paremmin mallintamaan (Gunarathna et al. 2016). Parametrejä muutettiin niin, että osajoukon koko oli 50, joka määrää pisteiden määrän kussakin osajoukossa. Tällä varmistettiin, että semivariogrammit arvioidaan riittävän paikallisella tasolla, mutta säilytetään tarpeeksi pisteitä osajoukoissa, jotta semivariogrammin parametrejä voidaan arvioida luotettavasti. Cross validation -ikkunan arvot osoittivat, että EBK-interpolointi on luotettavampi, kuin simple Kriging  -interpolointi. Error valikosta näkyi, että tämäkin malli tasoitti arvoja hieman.

Seuraavaksi käytettiin Extract By Mask –työkalua, kun kartalle lisättiin rasteritaso ja poistettiin siitä vettä läpäisemättömät alueet. Tämän tason ja sen kuvaajan avulla pystyttiin vertailemaan läpäisemättömien pintojen ja mitatun lämpötilan välillä. Kuvaajasta nähtiin, että muuttujien välinen suhde on lineaarinen. Seuraavaksi käytettiin EBK Regression Prediction –työkalua lämpötilamittausten interpolointiin käyttämällä läpäisemättömiä pintoja selvittävänä muuttujana. Tämän jälkeen EBK: n regressio-ennustetta verrattiin aikaisempiin interpolointeihin ja huomattiin, että regressio-ennuste oli tarkempi, kuin aikaisemmat Kriging-interpoloinnit.

Lopuksi lämpötilaa ennustettiin jokaisessa kaupungin blokkiryhmässä. Tästä näimme jälleen, että korkeimmat lämpötilat ovat kaupungin keskustassa. Lopuksi tehtiin kysely, jolla löydettiin korkean lämpötilan ja riskiryhmäläisten blokit. Tähän käytettiin Select Layer by Attribute työkalua. Kriteerien perusteella kaupungista löytyi 5 sopivaa blokkia (kuva 8).

Ja näin koko kurssi on tullut päätöksen. Mielestäni kurssi oli kokonaisuutena onnistunut ja opin monia uusia hyödyllisiä taitoja. Uskon, että tulevaisuudessa pystyn soveltamaan uusia opittuja asioista monipuolisesti.

 

Viittaukset:

Andik, H., Eslami, H. Evaluate the spatial variability of EC and TDS in groundwater of Dez irrigation network. Journal of Scientific Research and Development. 2015; 2 (5) 95-98.

Burrough, P. A. 1987. Principles of Geographical Information Systems for Land Resources Assessment. Monographs on Soil and Resources Survey No 12. Oxford Science Publications. 194 s.

Gunarathna, M & Nirmanee, K & Kumari, M. (2016). Are Geostatistical Interpolation Methods Better than Deterministic Interpolation Methods in Mapping Salinity of Groundwater?. International Journal of Research and Innovations in Earth Science Volume 3, Issue 3, ISSN (Online) : 2394-1375.

Holopainen et al. (toim.). (2015). Geoinformatiikka luonnonvarojen hallinnassa. Helsingin yliopiston metsätieteiden laitoksen julkaisuja 7. 

 

Tällä viikolla tutustuttiin 3D-mallinnukseen a spatiaaliseen interpolointiin, sekä sen erilaisiin toimintamalleihin.

Spatiaalisen interpoloinnissa pistetiedosta muodostetaan aluetietoa ja arvioidaan niiden pisteiden arvoja, jotka ovat tunnettujen pisteiden välillä. Interpoloinnissa muodostetaan jatkuva pinta hyödyntämällä paikkaan sidottuja havaintopistetietoa (Holopainen, 2015). Sitä siis käytetään, kun ennustetaan solujen arvoja sijaintipaikoissa, josta puuttuvat näytepisteet. Pisteiden kuvaava muuttujan tulee olla spatiaalisesti jatkuva kuten sää, eli se saa jonkin arvon jokaisessa pisteessä. Tunnettujen pisteiden sijaintitiedon tulee olla luotettava, jotta sitä voidaan käyttää paikkatietojärjestelmässä. Ne perustuvat spatiaaliseen autokorrelaatioon eli alueiden väliseen riippuvuuteen. Spatiaalisessa autokorrelaatio on ajatus siitä, että sijainniltaan toisiaan lähellä olevat arvot ovat todennäköisemmin lähellä toistensa arvoja, kuin kauempana olevien pisteiden arvot (Burrough, 1987). Interpolointi suoritetaan determistisellä- tai geostatistisella menetelmällä. Deterministinen malli perustuu ennustettavan pisteen ympäristön mitattuihin arvoihin tai matemaattisiin funktioihin, joilla määritetään ennustuspinnan muoto. Geostatisessa menetelmässä käytetään tilastollisia malleja, jotka huomioivat autokorrelaation. Sen avulla saadaan ennustuspinnan lisäksi tieto ennusteen luotettavuudesta (Holopainen, 2015).

Interpolointi on lokaalia tai globaalia riippuen kohteen koosta. Lokaali interpolointi on paikallisella tasolla ja siinä käytetään vain yksittäisiä pisteitä. Globaali interpolointi taas vaikuttaa koko alueeseen ja siinä on kaikki alueen pisteet käytössä. Interpolointimenetelmiä on erilaisia ja jokainen tuottaa eri pintoja. Mikään niistä ei kuitenkaan ole koskaan täysin oikeassa. Menetelmiä ovat esimerkiksi trendipinta-, IDW- ja Spline-interpolointi. Malleissa havaintopisteet interpoloidaan rasteripinnalle. Valittaessa sopivaa menetelmää on otettava huomioon tutkimuksen tavoite, lähtöaineisto, havaintopisteiden säännöllisyys, määrät ja sijoittuminen kartalla (Holopainen, 2015).  Valittavan menetelmän täytyy sopia halutun ominaisuuden mallinnukseen ja samalla käyttää hyödyksi käytössä olevaa havaintopisteverkkoa.

Ensimmäisessä tehtävässä analysoitiin Chesapeake Bayn suistosta kerättyjä veden laatua koskevia tietoja ja verrattiin niitä liuenneen hapen määrään vedessä. Aluksi tutkiin ja kartoitettiin happitason dataa käyttämällä histogrammia (kuvaaja 1) ja line chartia (kuvaaja 2), joiden avulla selvitettiin datan sopivuus interpolointia varten. Histogrammilla voidaan  tutkia miten logaritminen tai neliöjuurinen muutos vaikuttaa dataan.  Histogrammista nähtiin, miten hapen vaihtelu eri tasoilla tutkimusalueella. Suoran kuvaajassa mallinnettiin liuenneen hapen muutossa ajassa. Line chartista näki selkeitä korrelaatioita kuukausien ja veden hapen liukenemisen välillä. Huomasin, että kesällä 2014 liuenneen hapen määrät olivat hyvin vaarallisella tasolla. Kuvaajassa ongelmana oli se, että se näytti vain lahden keskiarvon. Tämän vuoksi histogrammi on oleellinen, koska siitä näki kaikki lahden liuenneen hapen muutokset ja mahdolliset “kuolleet” alueet. Histogrammista huomattiin, että vaaralliset hapen tasot olivat vain hetkellisiä, eikä pitkäkestoisia.

 

Seuraavaksi kuolleet alueet vuodelta 2014 ja 2015 paikannettiin interpoloinnin avulla käyttämällä Geostatistical Wizard työkalua. Siinä valittiin haluttu inerpolointimenetelmä, joka tukee esteitä. Este on mitä tahansa, mikä aiheuttaa välitöntä muutosta datan arvossa. Menetelmäksi valittiin Kernel-interpolaatio, koska se mahdollistaa ominaisuustietojen säilyttämisen. Menetelmässä määritetään kahden sijainnin lyhin etäisyys käyttämällä suoria viivoja, jotka eivät saa ylittää estettä. Tehtävän esteenä käytettiin suiston maa-alueita. Tällöin varmistettiin, että etäisyydet laskettiin vesistöä pitkin, eikä esimerkiksi maa-alueen halki. Tulokseksi saadaan näkyviin liuenneet happitasot tutkimusalueella kesältä 2014 (kuva 1) ja 2015 (kuva 2)

Tämän jälkeen vertailtiin interpoloinnin tuloksia käyttämällä cross validation työkalua. Siinä poistetaan yksi piste kerrallaan tietojoukosta ja jäljellä olevien pisteiden avulla ennustetaan poistetun pisteen arvo. Jos interpolointimalli on luotettava, jäljellä olevien pisteiden tulisi ennustaa tarkasti poistetun pisteen arvo. Vertailun tuloksia tulkittiin interpoloimalla keskimääräiset happikatoalueet molemmilta kesiltä ja vertailemalla niitä keskenään. Tulokset näyttivät, että kesän 2015 interpolointi on todennäköisemmin ennustaa vähemmän virheellisesti turvallisten happitasojen määrää, joissa todelliset tasot ovat epäterveellisiä tai vaarallisia (kuva 3). Lopuksi molempien kesien tuloksista visualisoitiin posterina käyttämällä layout-työkalua.

 

Toisessa tehtävässä 3D-mallinnettiin geostatinen interpolointi Monterey Bayn happimittauksista, jolloin huomioon otettiin vesistön syvyys. Jokaisella veden “korkeudella” oli oma tasonsa. Liikkeelle lähdettiin tutkimalla  liuenneen hapen mittaustuloksia eri syvyyksissä paikallisella tasolla. Apuna käytettiin jälleen histogrammia, jossa muunneltiin dataa interpolointiin sopivaksi interpolointi toimii parhaiten, jos data on normaalisti jakautunut (kuvaaja 3). Tällöin logaritminen muutos sopi datalle parhaiten. Hapen ja korkeuden välistä muutosta tutkittiin myös luomalla scatterplot (kuvaaja 4), josta todettiin että happitaso oli korkeampi lähellä pintaa ja laski tasaisesti mentäessä alaspäin.

 

Seuraavaksi interpoloitiin happiarvot jatkuvaksi 3D-malliksi, joka ennusti liuenneet happitasot koko tutkimusalueelle. Tähän käytettiin empirical Bayesian Kriging 3D (EBK3D) geoprosessointityökalua, jonka avulla luotiin geostatiilinen taso. Tämä taso kuvasi ainoastaan veden pintaa. Tämän takia luotiin  Oxygen Prediction -taso, jossa nähtiin happimuutokset pohjaan asti 32. eri tasolla (kuva 4). Happimuutoksista eri tasoilla luotiin animaatio. Seuraavaksi cross validation –työkalulla katsottiin, että ennustaako rakennetun 3D-malli happitasoja oikein. Lopuksi tulokset visualisointiin voxel-tasoksi, jossa dataa visualisoidaan 3D-muodossa (kuva 5).

Spatiaalista intrpSpatiaalista interpolointia voitaisiin esimerkiksi hyödyntää, kun tutkitaan lämpötilan muutosta korkealla rinteellä. Interpolointi olisi lokaali ja geostainen, jolloin saataisiin tietoa ennustuksen luotettavuudesta. Rinteellä voisi sijaita satunnaisia lämpötilamittareita, joiden avulla voidaan estimoida muiden pisteiden lämpötiloja. Geostatistical Wizard –työkalulla valittaisiin interpolointimenetelmän, joka tukea esteitä, koska lämpötila haluttaisiin arvioida vain puuttomilta alueilta. Tällöin käytettäisiin Kernell interpolaatiota. Cross validation –työkalulla testattaisiin mallin luotettavuutta ja sitä, miten malli esiintyy käytännössä. Lämpötilan muutos rinteellä voitaisiin interpoloida jatkuvaksi 3D-malliksi käyttämällä empirical Bayesian Kriging 3D (EBK3D) geoprosessointityökalua. 3D-malliin luotaisiin taso, josta nähdään 45 eri lämpötilatasoa.

Viittaukset:

Burrough, P. A. 1987. Principles of Geographical Information Systems for Land Resources Assessment. Monographs on Soil and Resources Survey No 12. Oxford Science Publications. 194 s.

Holopainen et al. (toim.). (2015). Geoinformatiikka luonnonvarojen hallinnassa. Helsingin yliopiston metsätieteiden laitoksen julkaisuja 7. S, 76-80.

Tällä viikolla tutustuttiin paremmin näkyvyys- ja 3D-analyyseihin.

Näkyvyysanalyyseillä voidaan määrittää yhdestä tai useasta kohdasta näkyvät alueet. Analyysillä voidaan esimerkiksi suunnitella maisema-alueita ja se sopii rakennettujen, sekä rakentamattomien alueiden tarkasteluun (Holopainen, 2015. s,87.). Yleisimpiä näkyvyysanalyysejä ovat viewshed ja line of sight -analyysit (LOS). Viewshedissä tarkastelukohde on laaja ja kohteita voidaan tarkastella yhdestä tai useammasta pisteestä. Tarkemmin tarkastellaan näkyvyyden laajuutta. Analyysi tehdään rasteritasolle, eli se on binäärinen. Line of sight analyysissä on vain yksi tarkastelukohde, mutta yksi tai useampi tarkastelupiste. Tarkastellaan siis vain tiettyä kohdetta. Analyysissä on graafinen viiva kahden pisteen välillä. Viivasta nähdään mahdolliset näkyvyyttä tukkivat tekijät, kuten rakennukset. Tukkivat tekijät ovat 3D-muotoja, jotka asetetaan 2D-pohjakartan päälle ja näiden yhteistulos on 3D-kartta.

Ensimmäisessä tehtävässä tehtiin näkyvyysanalyysi, jossa oli useita tarkastelupisteitä. Tarkoituksena on viewshed työkalun avulla mallintaa valaistuksen kattavuutta leirintäalueella. Työkalun avulla kuvataan, miten hyvin ja mitä alueita valotolpat valaisevat. Datana tehtävässä toimi NY-DEM alueen korkeusmalli, joka sijaitsi analyysille välttämätöntä tietoa alueen korkeuseroista. Dataa olivat myös valotolpat ja leirintäalueen rajat.

Ensimmäiseksi tehtävässä muokattiin valotolppatason atribuuttitaulukon tietoja niin, että ne tukevat uusien valojen valaistusominaisuuksia. Tauluun lisättiin neljä uutta kolumnia, jotka kuvasivat valotolpan korkeuspistettä, tarkastelun laajuuden loppu- ja alkukulmaa, sekä näkyvyyttä. Seuraavaksi oli aika tehdä itse analyysi viewshed työkalulla, jossa mallinnettiin valotolppien valaistusolosuhteita ja valaistuskriteerejä. Tähän kohtaan tehtävä tyssäsi, koska koneeni ei millään löytänyt dataa VSPro.gdb:sta output rasteria varten. Yritin ladata datan monta kertaa uudestaan ja eri paikkoihin, mutta mikään ei toiminut 🙁 . Luin kuitenkin tehtävän ohjeet loppuun asti ja tarkastelin mallikuvia. Huomasin, että lopputuloksen kartta ei kuvannut valaistusta kovinkaan hyvin. Olisin itse visualisoinut karttaa helpommin ymmärrettäväksi muuttamalla symbology- kohdasta stretchin classifyiksi, jolloin kartalla näkyisi kaksi luokkaa – valaistu ja ei valaistu.

Toisessa tehtävässä tehtiin näkyvyysanalyysi, jossa oli vain yksi katselupiste. Eli kyseessä oli line of sight analyysi. Tarkoituksena oli tarkastella turvamiesten sijaintia suhteessa paraatin kulkuväylään. Opin käyttämään Construct Sight Lines (3D Analyst Tools) työkalua, jolla luotiin viivoja jokaisen turvamiehen näkökentästä suhteessa paraatin kulkuväylään (kuva 1). Työkalulla pystyi määrittämään viivojen välisen matkan (Sampling Distance). Seuraavaksi käytettiin sama työkalua, jolla tutkittiin ja visualisoitiin viivojen näkyvyyttä ja näkyvyyden esteitä. Parametreinä oli esimerkiksi korkeuserot, sekä rakennukset. Kuvassa 2 punaiset viivat kuvaavat estettyä näkyvyyttä ja vihreät viivat suoraa näkyvyyttä. Kuvan 2 kartasta näkee hyvin, miten nimenomaan rakennukset toimivat näkyvyyden esteinä.

Samalla luotiin TarIsVis atribuuttisarake, jossa on kaksi viivojen näkyvyyteen liittyvää arvoa: 1=näkyvä ja 0=ei näkyvä. Karttaan myös lisättiin jokaiseen viivaan 3D-elementtejä käyttämällä Add Z Information (3D Analyst Tools) työkalua, joka laskee 3D-muotojen ominaisuudet ja lisää tiedon atribuuttitaulukkoon. 

Seuraavaksi kartasta poistettiin punaiset viivat ja ne viivat, jotka ovat liian pitkiä hyvän näkyvyyden kannalta. Esimerkiksi huonojen sääolojen takia näkyvyys huononee, jolloin näkyvyyden etäisyyttä pitää muokata. Viivat poistettiin käyttämällä select by attributes työkalua, jossa pystyttiin asettamaan haluttuja ehtoja. Esimerkiksi “TarIs=0”, jolloin ei näkyvät alueet poistettiin tai “Or Length3D is greater than 1100, jolloin näkyvyyden etäisyys rajattiin 1100 jalkaan (kuva 3). Tässä vaiheessa koneeni taas jumitti, koska en löytänyt VisibilityAnalysis.tbx dataa mistään viimeistä tehtävän kohtaa varten :-). ArcGIS myös kaatui, jolloin en saanut poistettua kuvan 3 tummanvihreitä viivoja. Lopussa olisin poistanut kuvan 3 tummanvihreät viivat, jolloin turvamiesten näkyvyys olisi realistisesti kuvattu täyttämällä etäisyyden ehdot.

Viewshed työkalulla voitaisiin esimerkiksi mallintaa maanviljelyssä käytettävien sadettimien kastelun alueellista kattavuutta alueella, jossa on korkeita kasveja. Sadettimen vesisumun säde on 10 metriä. Voitaisiin tehdä analyysi, jossa mallinnetaan niitä alueita, jotka tulevat kastelluksi ja niitä jotka eivät, eli analyysi tehtäisiin rasteripohjalle ja se olisi binäärinen. Analyysin avulla voitaisiin tarkastella sadettimien optimaalista sijoittamista niin, että koko alue tulee tasaisesti kastelluksi, eikä kastelualueita mene päällekkäin. Analyysissä otettaisiin huomioon sadettimien korkeus ja maaston korkeusvaihtelut. Line of sight työkalulla voitaisiin jatkaa samaa analyysiä ja ottaa huomioon ne tekijät, jotka estävät sadettimien kastelun, eli korkeat kasvit. 

LOS analyysin jälkeen voitaisiin käyttää Add Z Information työkalua ja identifioida ne alueet, joilla on korkeita sadettimia blokkaavia kasveja. Tällöin näille alueille voisi sijoittaa korkeampia sadettimia, jolloin myös korkeat kasvit tulisivat kastelluksi. Tämä analyysi yhdistettäisiin jälleen viewshed analyysiin ja tarkasteltaisiin, ettei uusien korkeampien sadettimien kastelualueet mene päällekkäin vanhojen kanssa. Lopuksi voitaisiin käyttää select by attributes työkalua ja poistaa ne LOS-analyysin viivat (sadettimen vesisumun pituus), jotka ovat pidempiä kuin 10 metriä.

Kolmannessa tehtävässä harjoiteltiin 3D-karttojen visualisointia ja muokattiin valmista dataa ymmärrettäväksi. 3D-mallinnus auttaa paremmin ymmärtämään alueen piirteitä ja siinä on monia hyödyllisiä puolia. Tehdessä mallinnusta on tärkeää ymmärtää globaalin ja paikallisen ero. Tärkeää on myös valita, onko mallinnus kuvarealistinen vai kartografinen. Kuvarealistisessa mallinnuksessa kuva vastaa realistista näkymää, kun kartografinen mallinnus ei kuvaa mitään oikeaa objektia. Esimerkiksi tehtävässä 3.2 mallinnus oli paikallisella tasolla ja se oli kuvarealistinen.

Opin visualisoimaan karttaan vektoriobjekteja, kuten puita ja liikennevaloja, sekä muuttamaan objektien värejä. Tehtävässä 3.1 (kuva 4) visualisoitiin liikennevaloja ja opin miten Vary Symbology By Attribute painikkeesta voi vaihtaa symbolin rotaatiota. Symboli ilmeni kartalla 2D-muodossa, mutta se ei kuvannut symbolia realistisesti. Ongelmana symbolissa oli myös sen koon muuttaminen, kun zoomasi suuntaan tai toiseen. Tämä korjattiin asettamalla symboli realistiseen kokoon suhteessa sen ympäristöön. Realismin ArcGIS tekee kun valitsee tason ominaisuuksista Display 3D Symbols In Real-World Units:in.

Opin myös visualisoimaan illuminaatiota, jota voi muokata tason ominaisuusvalikosta. On hyödyllistä kuvata illuminaatio 3D:nä, jolloin valikosta valittiin Display Shadows In 3D-kohta. Valikossa pystyi myös muokkaamaan valon tulokulmaa. Tehtävässä 3.2 visualisoitiin rakennus 3D-ympäristössä, lisättiin vektoriobjektja ja harjoiteltiin varjostuksen käyttöä (kuva 5). Rakennuksen koon suhteessa ympäristöön hahmottui helpommin, kun ympäristöön lisättiin puita käyttämällä Display 3D Symbols In Real-World Units:ia.

3D-visualisointia voisi hyödyntää sadettimien kuvauksessa. Valitsisin mallinnukselle paikallisen tason ja tekisin siitä kuvarealistisen, jolloin alueen, objektien ja analyysien hahmottaminen helpottuisi. Sadettimille ja suurille kasveille voidaan etsiä sopivat kuvaavat symbolit ja esittää ne 3D-muodossa. Valaistusolosuhteet voitaisiin myös muokata 3D-muotoon, jolloin ne olisi helposti hahmotettavissa ja visuaalisesti mielekkäitä.

Mielestäni tämän viikon tehtävät olivat tarpeeksi haastavia ja niistä oppi hyvin käsiteltyjä asioita. Oli myös hauskaa pyöriä 3D mallissa, vaikka ohjelma lagasi raskaan tiedoston takia. Eli kaiken kaikkiaan onnistunut gissiviikko takana (jos ei lasketa mysteerisesti kadonnutta dataa…). Innolla kohti ensi viikkoa 🙂 .

Viittaukset

Holopainen et al. (toim.). (2015). Geoinformatiikka luonnonvarojen hallinnassa. Helsingin yliopiston metsätieteiden laitoksen julkaisuja 7. S, 87.

Tässä raportissa keskityn enemmän ensimmäiseen tehtävään, koska toisessa tehtävässä ArcGIS ei lopettanut kaatumista…

Tällä viikolla tutustutaan erilaisiin korkeusmalleille tehtäviin analyyseihin ja muunnoksiin. Korkeusmalli, eli maastomalli on digitaalinentasopinta, joka on koosutu interpoloiduista korkeuspisteistä. Korkeusmallien yleistermi on DEM (digital elevation model), mutta se erityisesti korkeuden esitysmuoto. Muita aineistoja ovat DTM maastomalli (digital terrain model), johon kuuluu kaikki maanpintaan kuuluvat aineistot ja DSM (digital surface model) jossa otetaan mukaan esim. Puiden ja rakennusten korkeus.

Korkeusmallia kuvataan tietyllä tesselaatiolla, eli solujen peittämällä pinnalla jossa solut ei mene päällekkäin. Korkeusmalleissa tesselaatioita on yleensä kahdenlaisia; säännöllisiin nelikulmioihin perustuba rasteriaineisto tai epäsäännöllisen kokoisiin komiovektoriaineistoihin (Holopainen, 2015). Hila-aineisto on tyypillinen vektorimuotoinen aineisto, jossa on rivejä ja sarakkeita säännöllisessä ruudukossa. Se sisältää myös atribuuttitaulukon, mitä ei taas löydy rasteri aineistosta. Tyypillisin näistä kahdesta on rastereihin perustuvat korkeusaineistot. Muita korkeusaineistoja on epäsäännöllinen kolmioverkko (TIN-malli) ja korkeuskäyräaineistot. TIN-mallissa pisteet yhdistetään kolmioksi, jolloin saadaan tieto esimerkiksi rinteen jyrkkyydestä kun nähdään kolmion pinnan kaltevuus.

Ensimmäisessä tehtävässä tutustuttiin korkeusmallien käsittelemiseen ja luotiin binäärinen soveltuvuusmalli optimaalisen sijainnin löytämiseksi. Sijainnin tuli täyttää rinteen jyrkyyteen ja avautumissuuntaan liittyviä kriteerejä. Tehtävä aloitettiin vetämällä korkeusdataa sisältävä taso pohjakartan päälle ja käytettiin transparency työkalua, jonka avulla saatiin säädettyä korkeusdatatason läpinäkyvyys 40%:iin. Tällöin oli mahdollista nähdä Montgomery field sd_elevation rasterin läpi. Korkeuspinnan kaltevuus lasketaan solun x ja sen naapurisolun korkeuseron muutoksen avulla ja muutosta kuvataan prosentteina tai asteina.

Korkeustiedosta voidaan laskea topografisia tunnuksia, kuten rinteen jyrkkyyttä tai suuntaa (Holopainen, 2015). Geoprocessing työvaiheessa opin käyttämään slope työkalua, joka kuvaa rinteen jyrkkyyttä. Se on yksi korkeusmallien tyypillisistä paikkatietotyökaluista. Työkalussa asetettiin halutut parametrit ja luotiin uusi taso, joka näyttää jyrkemmät rinteet tummalla väriskaalalla. Opin myös käyttämään aspect työkalua, joka kuvaa rinteen avautumissuuntaa (kuva 1). Avautumissuunta laskettiin samalla tavalla kuin slope työkalussa. Aspectin arvot soluille lasketaan 0°-360° välillä, missä pohjoinen on 0°, itä 90°, etelä 180° ja länsi 270°. Solut, jotka sisältävät tasaista aluetta saavat arvon -1. Slope työkalulla luotiin uusi taso, jossa eri värein kuvattiin pikseleissä olevien rinteiden suuntaa. Näiden vaiheiden jälkeen tehtiin sopivuusanalyysi, joka visualisoitiin. Kartassa (kuva 2) punaisella on kuvattu ne alueet, jotka täyttävät kaikki analyysin kriteerit.

Seuraavaksi tehtävässä käytettiin hillshade, contour lines ja viewshed työkaluja, joiden avulla visualisoitiin pienempää aluetta. Hillshade työkalulla luotiin uusi mustavalkokuva taso, jolla on mahdollista kuvata maan realistisia muotoja valaisemalla pintaa tietystä kulmasta. Valon sijainti määritetään valon suunnan ja tulokulman mukaan. Sijainnin määrittämisen jälkeen työkalu käyttää slope ja aspect dataa päättääkseen, miten kirkkaasti kukin pikseli valaistaan. Kirkkaus vaihtelee 0 (pimein) – 255 (kirkkain) akselilla. Hillshade tason päälle luotiin varjo reliefi efekti, jonka avulla voidaan visualisoida maan muotoja eri väreillä. Tämä tehdään, koska hillshade on mustavalkokuva ja vain valaisee alueen. Seuraavaksi käytettiin contour lines työkalua, jonka avulla rajattiin korkeuskriteerejä kattavia alueita (kuva 3). Työkalulla yhdistetään samanarvoisia pintoja luomalla viivoja, jotka näyttävät jatkuvan ilmiön esim. korkeuden arvojen muutosnopeuden. Mitä lähempänä viivat ovat toisiaan, sitä nopeampaa muutos on. Viivat myös kulkevat tietyn intervallivälin esim. 5 metrin mukaan.

Lopuksi etsittiin sopivaa sijaintia näkyvyyden suhteen (kuva 4). Tällöin käytettiin viewshed työkalua, jonka avulla voidaan identifioida syöttörasterin näkyvät solut jotka näkyvät useasta pisteestä. Jokainen ulostulorasteri saa tarkkailupisteiden määrää kuvaavan arvon, jotka luokitellaan “näkyvä” ja “ei näkyvä”. Näkyvyys lasketaan arvioimalla solujen korkeudet paikallisten horisonttien löytämiseksi. Lopuksi visualisoidaan 3D kartta (kuva 5), jossa näkyy kaikki halutut kriteerit. Tämä tehtiin vaihtamalla 2D kartan (kuva 4) koordinaattisysteemiä. 

Toisessa tehtävässä harjoiteltiin hydrologista mallinnusta, joka pohjautuu DEM aineistoon. Tarkemmin mallinnettiin pintavesien valuntaa ja nopeutta. Tärkeintä mallinnuksessa on hydrologisesti korjattu korkeusmalli. Mallin on hyvä olla grid-muodossa, koska silloin sille on helppo tehdä esimerkiksi naapuruusanalyyseja. Korkeusmallissa voi olla erilaisia virheitä, kuten kuoppia. Kuoppia voi esiintyä luonnostaan, mutta ne usein ovat vain virheitä datassa Tätä harjoiteltiin tehtävässä käyttämällä flow direction työkalua, jonka avulla voi paikantaa alueet joihin vesi ei pysty enää virtaamaan. Tämän jälkeen kuopat  voi paikantaa sink työkalulla ja poistaa käyttämällä fill toimintoa, jolla kuopat “peitetään”. Peiton jälkeen muodostui uusi DEM, jossa kuoppia sisältävät solut saivat alueen korkeusdatasta matalimman arvon. 

Seuraavaksi tehtävässä keskityttiin valuma-alueen rajaukseen. Tärkeä osa hydrologista mallinnusta on veden virtauksen mallintaminen, jota voi muun muassa tehdä  flow direction työkalulla. Kun ruudun viettosuunta naapuriruutuun nähden tunnetaan voidaan päätellä mihin ruutuun vesi virtaa ruudusta x. Voidaan myös päätellä kuinka monesta ja mistä ruudusta vesi virtaa ruutuun x. 

Tehtävässä flow direction työkalulla luotiin välikerros, jossa rajattiin vedenjakaja-alueita. Ne määritettiin virtaussuunnan (rasteritaso) ja uoman purkupisteen avulla.  Itse purkupisteet voidaan löytää käyttämällä flow accumulation työkalua. Watershed työkalu on toinen yleinen virtauksen mallintamiseen käytetty työkalu, jolla määriteltiin veden laskupisteeseen laskevat vesistöt.

Kun vedenjakaja-alue oli määritelty pystyttiin määrittämään veden virtausnopeus luomalla uusi rasteripinta, jonka tuli täyttää haluttuja kriteerejä. Virtausnopeuteen vaikuttaa rinteen jyrkkyys ja virtauksen akkumulaatio. Tähän käytettiin ensimmäisestä tehtävästä tuttua slope työkalua. Seuraavaksi määriteltiin veden virtausnopeutta luomalla isokronikartta (vakioaikaerokäyrä), jossa mitattiin kulunutta aikaa pisteestä a pisteeseen b.

Tässä vaiheessa ArcGIS kaatui jatkuvasti, enkä saanut tehtävää tehtyä loppuun. Luin kuitenkin ohjeet loppuun asti, jolloin opin käytetyistä menetelmistä. kaatuilemisesta huolimatta tästä viikosta jäi ihan hyvä fiilis! Koen oppineeni paljon, mutta voisin tulevaisuudessa pohtia enemmän työkalujen käyttöä esimerkiksi muihin tarkoituksiin.

Ensi viikkoon 🙂

Viittaukset:

Holopainen et al. (toim.). (2015). Geoinformatiikka luonnonvarojen hallinnassa. Helsingin yliopiston metsätieteiden laitoksen julkaisuja 7.

Tällä viikolla jatkettiin rasterianalyysien parissa <3

Ensimmäisessä tehtävässä tehtiin yksinkertainen soveltuvuusanalyysi, jossa yhdistettiin valmistettuja binääriaineistoja sopivan pinnan luomiseksi. Pinnan tuli täyttää halutut kriteerit. Binäärisessä tasoaa on kaksi arvoa:0 ja 1. Myöhemmin lopulliselle mallille tehdään herkkyys- ja virheanalyysi.

Ensin lähtöaineistoa käsiteltiin ja niille tehtiin analyyseja, sekä muokkauksia. Käyttämällä aspect työkalua lähtöaineistosta saadaan ikään kuin kaikki irti, eli se saadaan yksityiskohtaiseen muotoon. Tämän jälkeen käytettiin tuttua reclassify työkalua, jonka avulla tehtiin uusi analyysi ja kaikki tasot yhdistettiin yhdeksi binääriseksi tasoksi kertomalla ne keskenään. Työkalun avulla rasterin pikseleiden arvot voidaan muuntaa uusiksi arvoiksi, jolloin syntyy uusi rasteriainesto.

Tämän jälkeen tuloksia analysoidaan käyttämällä herkyys- ja virheanalyysiä.  Herkkyysanalyysissä muutetaan yhtä parametria ja testataan kuinka herkkä soveltuvuusanalyysi on muutokselle. Ensin testattiin mallin herkkyyttä muokkaamalla muunnosparametriä CanopyTrans tason reclassify (2) työkalusta. Tässä kohtaa tarkistettiin hyväksyttävän alueen vähimmäisarvo. Lopputloksessa (kuva 1) kartassa punaisella näkyy soveltuuus- ja herkkyyspintojen erot.

Tarkastellessani tuloksia huomasin, että soveltuvuutta kuvaavassa tasossa on vähemmän soluja, jotka nähdään sopivina. Jotta solu on sopiva, on kaikkien kriteerien täytyttävä yksitäisessä solussa.

Virheanalyysissä tarkastellaan kuinka paljon lähtöaineisto vaikuttaa soveltuvuusanalyysiin. Virheen vaikutusta voidaan analysoida lisäämällä tai vähentämällä (esim. + tai – 1 metri) arvoja soluista. Tämä tehtiin poistamalla Elevation datan muuttuja ja laittamalla paikalle DEM-lähdetietojoukko, joka yhdistettiin aspect työkaluun.

Lopuksi kartta visualisoitiin (kuva 2) niin, että 0 arvon solut ovat värittömiä ja muut punaisia. Kartassa näkyy sopivuus- ja herkkyysintojen muutokset punaisella. Karttaa tarkastellessa huomasin, että ErrorDifference tasossa on vähemmän optimaalisia soluja.

Toisessa tehtävässä valmisteltiin dataa painotettua soveltuvuusmallia varten. Painotetussa soveltuvuusmallissa aineisto luokitellaan asteikolle, jossa suurin arvo kuvaa parasta soveltuvuutta. Tässä tehtävässä tasot uudelleen luokiteltiin arvoihin 1-10 lopullista analyysiä varten. Uudelleenluokitus tapahtui käyttämällä tuttua reclassify työkalua, jossa jokainen solu sai jonkin arvon. Rescale By Function työkalua käytettiin määrittämään suurin asteikon arvo jokaiselle tasolle, jonka haluttiin täyttävän jokin kriteeri. Työkalussa pystyi asettamaan haluttuja parametreja. Tutuksi tuli myös binäärimaskin (?) lisääminen datalle. Sen avulla voidaan poistaa tai peittää ei haluttuja alueita (arvo=0) datasta. Maskin avulla voidaan myös parantaa datan käsittelyaikaa.

Tehtävän loppuvaiheessa ArcGIS kaatui jatkuvaksi, joten havainnollistava karttaesitys on otettu tehtävän ohjeista (kuva 3). Kartassa näemme hyvin luokituksen 1-10 tasot, jotka kuvaavat soveltuvuutta eri sävyillä. Kuvan 3 kartta havainnollistaa vain yhtä tasoa.

Kolmannessa tehtävässä yhdistettiin toisessa tehtävässä uudelleenluokitellut tasot yhdeksi tasoksi, jossa sopivuutta kuvattiin asteikolla 1-10.  Tasojen yhdistämiseksi käytettiin Weighted Sum työkalua, jossa tasot lisättiin yhteen, toisin kun binäärisessä mallissa tasot kerrottiin yhteen. Lisättäessä lasketaan yhteen kunkin tason solujen arvot. Weighted sum työkalulle asetettiin haluttuja parametreja. Tehtävässä uutena asiana tuli soveltuvuuspinnan venytystyypin muokkaaminen parempaa kartan visualisointia varten. 

Seuraavaksi lopulliselle mallille tehtiin virhe- ja herkkyysanalyysi. Painotetun soveltuvuusmallin herkkyyttä voidaan analysoida muuttaalla jotakin muunnostyökalun painoa tai yhtä parametria. Tässä tehtävässä muutettiin painoa, eikä parametria niin kuin ensimmäisessä tehtävässä. Tämän jälkeen malli voidaan suorittaa uudelleen ja tuloksia voi tarkastella silmämääräisesti. Jos tulokset muuttuvat huomattavasti painon tai parametrin muututtua katsotaan mallin olevan erittäin herkkä. Tässä kohtaa opin myös käyttämään ArcGIS:in swipe efektiä, jolla pystyi arvioimaan herkkyyden muutosta tarkastelemalla kahta tasoa samaan aikaan. Virhettä taas analysoitiin samalla tavalla kuin ensimmäisessä tehtävässä (kuva 4.). Lopuksi data visualisointiin ja muutoksia arvioitiin käyttämällä swipe efektiä.

Koen tällä viikolla oppineeni paljon käytännön teoriaa. Tehtävät olivat sopivan haastavia ja ArcGIS kaatui vain kerran <3. Uskon, että pystyn tulevaisuudessa  yhdistelemään monipuolisesti aikaisemmilla viikoilla opittuja asioita.

Till nästa vecka!

 

 

Andra veckan lähti liikkeelle lupaavissa merkeissä!  Tällä viikolla tarkoituksena oli tutustua rasterianalyysien maailmaan 🙂

Ensimmäisessä tehtävässä tarkasteltiin rasterifunktioiden käyttöä ja etenkin leikkausfunktioiden suorittamista. Tarkemmin opin luomaan omia toimintoketjuja, jonka pystyy luomaan vähintään kahdella funktiolla käyttäen function editor toimintoa. Toimintoketjuilla pystyy suorittamaan loputtomasti eri toimintoja, esimerkiksi leikausfinktioita. 

Tehtävässä tarkasteltiin muutosta tekemällä leikkausanalyysi, jossa suoritettiin laskutoimituksia. Analyysi saatiin tehtyä toimintoketjun avulla (kuva 1). Muutos huomataan, kun kohdetta tarkastellaan eri aikoina samasta kohdasta. Tehdessäni toimintaketjua (kuva 1) opin käyttämään minus funktiota. Funktio on rasterianalyysin paikallisfunktio, eli kuvaelementtifunktio, koska siinä käydään solut läpi yksi kerrallaan (Holopainen, 2015, s. 62). Analyysin laskutoimituksessa raterit toimivat yhtälön muuttujina ja laskussa käydään läpi jokaisen rasterin solun arvo ja näin muodostetaan tulosrasteri (Holopainen, 2015, s. 62). Datasta siis vähentää toisen syöttörasterin arvon ensimmäisestä syöttörasterista solu kerrallaan. Tällöin luodusta erokuvasta on mahdollista tunnista positiivista tai negatiivista muutosta. 

Käytettäessä minus funktiota toimitusketjussa, käytetty data voi siis kuvata mitä vaan , kunhan se on tallennettu samasta kohdasta. Olisi esimerkiksi mahdollista tarkastella eri kaupunkien rakenteellista muutosta ajassa.

Toisessa ja kolmannessa tehtävässä käsiteltiin optimaalisen sijainni löytämistä soveltuvuusmallinnuksella, jossa yhdistetään eri aineistoja yhdeksi tasoksi. Kaikkien aineistojen pitää täyttää tietyt kriteerit, jotta prosessi toimii. Mallinnuksessa kuhunkin kriteereihin liittyvät tiedot  kootaan, johdetaan ja muunnetaan kriteerin käsitteellistä kuvausta kuvaavaksi tietojoukoksi. Tämän jälkeen nämä tasot yhdistetään, jolloin tuloksena näkyy ilmiölle sopivat sijainnit

Soveltavuusmallinuksella voitaisiin esimerkiksi etsiä optimaalisin sijainti aurinkovoimalalle. Sijainnin pitäisi täyttää seuraavat kriteerit: alue on suuntautunut etelään päin sellaisella kukkulalla, jonka rinne on vähintään 35°, alueen ympärillä ei ole suuria esteitä ja sähköverkkojen pitää olla saavutettavissa. Jokainen kriteeri olisi oma tasonsa, jolle voidaan myöhemmin tehdä eri analyyseja. Rinteen kaltevuus-tasolle voitaisiin tehdä oma toimintaketju, jossa käytettäisiin miinus funktiota. Funktion avulla pystyisi esimerkiksi näkemään, että onko sijainnin läheisyydessä tapahtunut rakenteellisia muutoksia, jotka voisivat tulevaisuudessa vaikuttaa aurinkovoimalaan. Voitaisiin muun muassa tarkastella kasvuston ajallista muutosta ja tehdä johtopäätöksiä siitä, että tuleeko kasvusto tulevaisuudessa olemaan estävä tekijä. Rinteen jyrkkyyden voisi selvittää tekemällä leikkausanlyysin.

Kolmannessa tehtävässä työskenneltiin tarkemmin lähdetietojen kanssa, kun niitä piti valmistella tulevia analyyseja varten. Tehtävä aloitettiin rakennettiin malli analyysiä varten käyttämällä model builder  toimintoa, johon myöhemmin lisättiin neljä eri syötetietoa. Välillä datassa voi olla informaatiot, joka ei ole hyödyllistä. Tällöin voidaan raster calculation työkalun avulla muodostaa ehdollinen lause, joka poistaa ne rasterit, jotka sisältävät ei haluttua tietoa. Viimeiseksi käytettiin Euclidean Distance työkalua, jolla voitiin muuntaa tasoja jatkuvan etäisyyden pinnaksi, jotka täyttivät halutut kriteerit. Lopuksi saattiin lähdetiedoista johdettu tietojoukko, joka yhistettiin aikaisemmin tehtyyn malliin (kuva 2).

Ehdollista lausetta voitaisiin hyödyntää esimerkiksi tarkastelemalla aurinkovoimalan optimaalista sijaintia. Lauseella voitaisiin esimerkiksi poistaa sähköverkko-tasosta ne solut, joissa ei kulje sähköverkkoja.

Neljännessä tehtävässä rakennettiin kolmannen tehtävän tietojen avulla binäärinen soveltuvuusmalli, jossa tieto muutettiin yhteiselle mittakaavalle. Tehtävässä hyödynnettiin reclassify työkalua, jolla pystyttiin uudelleen määräämään soluille binäärisiä arvoja, jotka tukivat aikaisemmin päätettyjä kriteerejä. Lopputulokseksi saatiin kaksi karttaa, jotka täytti kaikki halutut kriteeritn (kuva 3-4 ). Reclassify työkalua voitaisiin hyödyntää aurinkovoimala esimerkissä kun työskennellään rinteen kaltevuuden tietojen kanssa.

Toinen viikko päättyi hyvissä merkeissä! Opin paljon uutta ja hyödyllistä tietoa rastereista, eikä sen suurempia ongelmia tullut vastaan. P.s. pahoittelut siitä, eetä osa karttakuvista on Matias Sarajitson. Tämä johtuu siitä, etten muistanut esityksiä tehdä omiin karttoihin. Ensiviikolla ehkä vähän omaa pohjoisnuolta, mittakaavaa ja legendaa…

Mutta hei, vi ses nästa vecka!

ArcGIS tutuksi!

Ensimmäisellä harjoituskerralla tutustuttiin ArcGIS-ohjelmaan neljän eri tehtävän kautta. Jokainen tehtävä opetti yleisiä ja arvokkaita perustoimintoja, joita pystyi monipuolisesti soveltamaan.

Ensimmäisessä tehtävässä  tutustuttiin kartan layereiden, eli tasojen hallitsemiseen. Tasojen hallitseminen on edellytys karttojen visualisoinnille ja luomiselle. Harjoituksessa syvennyttiin erityisesti tasojen skaalan, yhditelemiseen ja määritelmäkyselyjen hallitsemiseen.

Tehtävän aineistona toimi Uudessa Seelannissa kulkevat junaraiteet ja niiden asemat. Tarkoituksena oli hallita asemien skaalaa  niin, että vain osa asemista ilmestyi kartalle kullakin skaalalla. Tämä saatiin aikaiseksi asettamalla junaraiteiden asema-tasolle minimi ja maksimi skaaloja käyttämällä  properties toimintoa. Seuraavaksi tutustuttiin group toimintoon, jolla pystyttiin yhdistämään eri tasoja ja näin asettaa skaaloja useammalle muuttujalle. Viimeisin toiminto, jota käytettiin oli definition query, jonka avulla pystyttiin suorittamaan määrittelykyselyitä. Kyselyn avulla oli mahdollista filtteröidä kartalle vain halutut kohteet, jotka tässä tapauksessa olivat juna-asemia (kuva 1). 

Toisessa tehtävässä harjoiteltiin spatiaalisten suhteiden ja ominaisuuksien analysointia ja kvantifiointia tekemällä läheisyysanalyysejä. Datan ominaisuuksien välisiä suhteita kutsutaan spatiaalisiksi suhteiksi, jotka tarjoavat visuaalisia perspektiivejä.

Uutena toimintona tuli vastaan select by location. Toimintoa käyttäessä piti valita oikea suhde (relationship), jonka avulla valittiin halutut alueet. Suhteeksi valittiin within, joka valitsi kaikki ominaisuudet, jotka olivat tietyn alueen sisällä. Seuraavaksi tutustuttiin toimintoon, jonka avulla määritettiin within toiminnossa rajatun alueen pinta-alan kokonaissumma. Apuna käytettiin atribuuttitaulukosta löytyviä tietoja. Pinta-alueen määrittämiseksi käytettiin filter by selection toimintoa, jonka avulla summaan lisättiin vaan valitut alueet (kuva 2).

Kolmannes tehtävässä harjoiteltiin läheisyysanalyysien tekemistä. ArcGISPro:ssa etäisyyttä pystytään mittaamaan euklidisesti tai geodeettisesti. Tässä tehtävässä käytettiin geodeettisia etäisyys määrityksiä, koska siinä mitataan kahden pisteen välistä etäisyyttä kaarevalla pinnalla. 

Aluksi käytettiin near työkalua, jonka avulla pystytään etsimään valittuja lähellä olevia kohteita atribuuttitaulukon ID:n avulla. Seuraavaksi käytettiin buffer työkalua, jonka avulla saatiin luotua uusi vyöhykepolygoni, joka noudatti haluttuja ääriviivoja (Holopainen, 2015, s. 64).Tässä tapauksessa jokaisen salin ympärille muodostettiin 5 mailin bufferi, jonka avulla nähtiin ne salin jäsenet, jotka asuivat yli 5 mailin säteellä salista (kuva 3). Viimeiseksi käytettiin Select Layer By Location työkalua, jolla saatiin valituksi ne jäsenet, jotka sijaitsivat 5 mailin bufferin ulkopuolella.

Neljännessä tehtävässä tutkittiin Coloradon aluetta, josta piti valita optimaalisia sijainteja tuulimyllyille. Optimaaliset sijaintien piti toteuttaa tietyt kriteerit. Tehtävässä harjoiteltiin muun muassa analyysien ja buffereiden luontia, sekä sijaintitietotyökalun käyttöä.

Analyysien ja buffereiden tekemistä harjoiteltiin tekemällä yhdistämällä ja tekemällä muutoksia eri tasoja. Tasojen yhdistämiseen käytettiin muun muassa overlay layers ja union työkaluja. Buffer toimintoa käytettiin niihin tasoihin, jotka sisälsivät sijaintitietoa. Tässä tapauksessa vyöhyke haluttiin luoda tason Platts Transmission Lines ympärille. Ennen bufferointia käytettiin filter toimintoa, jonka avulla kartalle saatiin esitettyä vain halutut tiedot tasosta  Platts Transmission Lines. Seuraavaksi itse bufferi luotiin tekemällä analyysi, jossa muun muassa valittiin bufferin koko ja tyyppi . Filttereiden ja buffereiden käyttö jatkettiin niin kauan, kunnes kartalle saatii esitettyä halutut tiedot.

Sijainti-työkalua käytettiin eri atrubuuttitietojen ja alueellisten valintojen tekemiseen. Jotta tämä onnistuisi piti datalle tehdä erilaisia kyselyitä käyttämällä Build a query to find features ja Add Expression toimintoja, joiden avulla löydettiin kartalta halutut ominaisuudet. Lopulta  kartalle jäi vain ne alueet, jotka täyttivät kaikki työn kriteerit . Kullekin alueelle sijoitettiin tuulimyllyt. Lopuksi harjoiteltiin analyysin teko, jossa määritettiin optimaalinen reitti Coloradon keskustasta sijoitetuille tuulimyllyille käyttämällä plan routes  toimintoa (kuva 4).

Ensimmäisen viikon harjoitukset sujuivat onnistuneesti ja niistä selvittiin ilman suurempia hermoromahduksia. Aluksi ArcGIS:sin käyttäminen oli hämmentävää, koska ohjelma oli kokonaan uusi. Vähitellen tehtävien teko nopeutui, kun oppi tietyt perustoimminot ja niiden sijainnit. Kaikki neljä harjoitusta opettivat mielestäni hyvin niitä perusasioita, mitä ohjelmassa voi tehdä. Uskon, että pystyn seuraavissa tehtävissä soveltamaan oppimaani tietoa monipuolisesti.

Kohti seuraavaa viikkoa!

Viittaukset

Holopainen et al. (toim.). (2015). Geoinformatiikka luonnonvarojen hallinnassa. Helsingin yliopiston metsätieteiden laitoksen julkaisuja 7.

 

Kaikki taidot kehiin ja menoksi!

Viimeinen kurssikerta oli koittanut. Oli aika lentää pesästä ja itsenäistyä. Tämä tarkoitti oman kartan luomista käyttäen itse etsittyä dataa. Päätin tehdä finaalityöni Kiinan konflikteista. tarkemmin konflikteihin liittyvistä kuolemista.

Raskaan viimeisen kurssikerran työn aloitin etsimällä itselleni hyvän ja toimivan pohjakartan. Tuskallisten etsintöjen jälkeen löysin kartan sivustolta x. En valitettavasti enää muista kyseisen sivun nimeä, mutta vannon kautta kiven ja kannon, että lähteeni oli luotettava. Seuraavaksi etsin itselleni dataa, jonka voisin kuvata helposti pohjakartan päälle. Sitä siten etsittiinkin.Ymmärrän hyvin Katariina Kuusikeron tuskaa, kun hän blogissaan tuskaili samasta ongelmasta. En oikein tiedä mitä kävi, mutta mikään löytämäni data ei pelannut Qgississä! Monien tuntien ja kokeiluiden jälkeen löysin toimivaa csv-muotoista dataa Data.world-sivustolta. Päätin valita Kiinan konflikteja kuvaavan aineiston.

Ensimmäisessä kartassa näemme Kiinan konflikteissa tapahtuneet siviilikuolemat vuosina 1989-2017 (pahoittelut pohjoisnuolen olemattomuudesta ;D). Aineistoa oli mielestäni helpooa työstää Qgississä, toisin kuin muita kokeilemiani aineistoja. Aineistoa oli helppoa käyttää myös siksi, että siinä oli valmiiksi koordinaattitiedot. Tämä tarkoitti sitä, ettei minun pitänyt yhdistää kahta eri aineistoa saadakseni kuvaamani pisteet halutuille paikoille. Qgississä päätin kuvata siviilikuolemia pisteillä, joiden väri kuvasi kuolemien lukumäärää.

Kuvasta 1 näemme, miten suurimman konflikteissa aiheutuneet siviilikuolemat tapahtuivat Xinhuanin (164001 siviiliä) ja Beijingin (2600 siviiliä) alueella. Vuonna 1989 Beijingin Tiananmenin aukiolla tapahtui mielenosoitus, joka tunnetaan nimellä Tiananmenin aukion verilöyly. Mielenosoitus sai alkunsa 1980-luvulla tehdyistä talousuudistuksista, jotka synnyttivät inflaatiota ja korruptiota, sekä rajoittivat ihmisten poliittista toimintaa. Mielenosoitus tukahdutettiin sotilaallisesti. Kummallista on se, etten löytänyt Xinhuanin konfliktista mitään tietoa, vaikka siviilikuolemien määrä on huomattava.

Kuvassa 2 päätin kuvata Kiinan konflikteissa (v 1989-2017) tapahtuneista tuntemattomia kuolemia. Kartasta pomppaa automaattisesti esille Urumqi townissa, Xinjiangissa vuonna  2009 tapahtuneet Uiguuri-mellakat.

Olisin  mielestäni voinut valita karttojen aiheeksi jotain tärkeämpää. Esimerkiksi Laura Hynynen oli blogissaan tehnyt karttoja muovin kierrätyksestä ja uusiutuvasta energiasta. Mahdollisuuksia olisi varmasti ollut pilvin pimein, mutta minun kohdallani datanmetsästysjumalat eivät olleet puolellani. Olisin myös voinut valita sellaista dataa, jota pitäisi työstää Qgississä hieman enemmän. Siiri Nymanin blogista löysin erinomaisia karttoja, jotka kuvasivat valittua dataa monipuolisesti. Mutta hei, parempi tämä kuin ei mitään! Eikö?

Se oli sitten kait siinä – viimeinen blogipostaus. Olen oppinut tällä kurssilla hurjasti uutta. Tottakai ensimmäisenä mainittakoon Qgis ja muiden velhoisuustaitojen kehittyminen. Olen mielestäni saanut suuremman kokonaisymmärryksen siitä, mitä geoinformatiikka käytännössä on. Olen myös oppinut itsestäni uutta. Kurssi koetteli  hermojani ja paineensietokykyäni, mutta koin, että pysyin viileänä (suurimman osan ajasta) tilanteen sattuessa. Opin myös kurssikavereistani uutta, kun näin heidät helvetin reunalla Qgissin kaatuessa… Lopuksi haluaisin kiittää kaikkia kanssavelhoja ja Arttu Paarlahtea kaikesta kärsivällisyydestä, ymmärryksestä ja tuesta. Siis, kiitos.

Lähteet:

https://help.data.world/hc/en-us (conflict-data-for-china-1)

Katariina Kuusikero kurssikerta 7 ( Luettu 4.3.2020)

https://blogs.helsinki.fi/katakuus/

Laura Hynynen kurssikerta 7 ( Luettu 4.3.2020)

https://blogs.helsinki.fi/lauravel/

Siiri Nyman kurssikerta 7 ( Luettu 4.3.2020)

https://blogs.helsinki.fi/nymsiiri/

 

 

Kuudes kurssikerta lähti liikkeelle urheilullisissa merkeissä. Kyseisellä kurssikerralla oli tarkoituksena käyttää ite kerättyä dataa. Jännää eikö! Datan keruu tapahtui EpiCollect-apin avulla. Kiersimme Kumpulan alueella ja keräsimme appiin pisteitä valituista kohteista käyttämällä pisteen koordinaatteja. Lisäsimme myös pisteen kohdetietoihin tietoja alueen turvallisuudesta, houkuttelevuudesta jne.

Kulussa keräsimme kaiken datamme yhteen yhdeksi tietokannaksi ja siirsimme sen QGIs:iin. Flaminia Puranen kuvasi hyvin blogissaan kokemustaan EpiCollect-apin käytöstä. “-sen keräämää dataa oli miellyttävää käsitellä jo senkin takia, että kerätyt tiedot esimerkiksi eri paikkojen turvallisuudesta (joka perustui ryhmämme opiskelijoiden arviointiin) pystyi sijoittamaan itselle tuttuihin paikkoihin”. Kerätty data interpoloitiin ja siitä tehtiin havainnollistava karttaselitys, jossa punaiset alueet koettiin turvattomimmiksi ja siniset alueet turvallisimmiksi (kuva 1). Hämmästyin hieman siitä, miten nopeasti dataa pystyi keräämään.

Tämän jälkeen jatkoimme samankaltaiset pistekarttojen tekemistä. tein karttoja maanjäristyksistä, kalderatulivuorista ja meteoriittien iskeytymispaikoista.  Aloitin etsimällä tietoja kyseististä luonnonmaantieteellisistä ilmiöistä ja kopioin löytämäni tiedot Excel-taulukkoon. Excelissä muutin kaikki pisteet pilkuiksi ja laitoin kunkin tiedonmurusen omaan soluunsa. Tämän jälkeen tallensin taulukkotiedon CSV-muotoon ja siirsin tietokannan QGIS:iin. Kotitehtäväksi jäi kolmen kartan luominen.

Kotitehtävissä käytin pohjana maailmankarttaa. Tässä kohtaa kohtasin ensimmäisen haasteen. Mikko Kangasmaa kertoi blogissaan samasta tuskasta “Mittakaavaa kyseisiin karttoihin ei voinut laittaa, sillä kartan projektion takia mittakaava vaihtelee pohjois-eteläsuunnassa. Kangasmaa tavoin meinasin laittaa karttoihin janamittakaavan, joka näytti sataa metriä. Kuten Janina Vikman toteaa blogissaan ei GIS- ohjelmaan kannata aina sokeasti luottaa.

Koitin tuottaa karttani niin, että ne soveltuisivat hyvin esimerkiksi opetuskäyttöön tekemällä niistä mahdollisimman yksinkertaisia ja selkeitä visuaalisesti. Kuvassa 2 näemme maailmalla tapahtuneiden yli 6 magnitudin maanjäristysten sijoittumisen vuosina 1980-2013. Kyseisestä kartasta voimme nähdä, että järistykset sijoittuvat pitkälti litoosfäärilaattojen saumakohtiin ja muille tuliperäisille alueille. Kuvasta 3 näemme, miten yli 6 magnituden maanjäristykset vuosina 2010-2020 sijoittuvat pitkälti samoille alueille, kuin kuvan 2 järistykset.

Kuvasta 4 näemme, miten kalderatulivuoret sijoittuvat litoosfäärilaattojen saumakohtiin ja muille tuliperäisille alueille maanjäristysten tavoin.

Viimeisimpänä tehtävänä oli etsiä netistä kartta, joka kuvasi samaa hasardia kuin jokin omista kartoista. Päätin verrata maahan iskeytyneiden meteoriittien karttoja. Jo ensisilmäyksellä voi huomata, että netistä löydetty kartta (kuva 6) on paljon runsaampi, kuin oma karttani (kuva 5) iskeytymien suhteen.  Uskon tämän johtuvan siitä, että karttani ei esitä iskeymiä niin pitkältä ajalta kuin citylabin kartta.

Voi myös olla mahdollista, että kuvan 5 kartan pohja-aineisto oli vanhaa tai väärää tietoa. Ristiriitaista tässä on se, että kuvan 5 otsikko on “kaikki tunnetut maahan iskeytyneet meteoriitit”. Ristiriidan vuoksi en käyttäisi kuvan 5 karttaa opetuksessa.

Kokonaisuudessaan mielestäni 6 kurssikerta oli opettavainen ja palkitseva. Yhdyn Elias Hirviksoksen blogin lopputekstiin; – karttani eivät ole mitään kaikista havainnollistavimpia yksilöitä, mutta ainakin sain kaikki QGIS-tehtävät tehtyä ja opin jälleen uutta.

Lähteet:

Flaminia Puranen. Maastosta kerätyn datan käyttö. ( luettu 19.2.2020)

https://blogs.helsinki.fi/flaminia/

Mikko Kangasmaa. Kenttätöitä ja hasardeja (6 kurssikerta). (Luettu 19.2.2020)

https://blogs.helsinki.fi/kanmikko/

Elias Hirvikoski. Kuudes. (Luettu 27.2.2020)

https://blogs.helsinki.fi/eliashir/

Päivä päivältä koen oppivani hieman (huom hieman) enemmän QGISin salaisuuksista. Ohjelman käsittely ja työkalujen yhdistäminen alkaa tuntua jo helpommalta jokaisella kurssikerralla. Huomaan, että osaan jo yhdistää aikasemmin opittuja asioitu uusiin tehtäviin ja luoda suurempia onnistuneita kokonaisuuksia itsenäisesti. Viidennellä kurssikerralla jouduin silti Aino Sainiuksen mukaan “käyttämään omia pieniä aivojani”. Nämä pienet, mutta tehokkaat aivot joutuivat kyllä koetukselle.

Tällä tunnilla harjoittelimme erilaisten vyöhykkeiden, eli buffereiden tekemistä. Mielestäni buffereita oli yksinkertaista tehdä, kun oli oppinut kaikki tarvittavat loitsut. Tämä ei kuitenkaan tarkoita, etteikö matkalla olisi ollut epäonnistumisia. Bufferin eli puskurivyöhykkeen avulla voi luoda halutun kokoisen vyöhykkeen tarkasteltavien kohteiden ympärille, minkä kautta pystyy tutkimaan eri kohteiden vaikutusalueita, kuten Pihla Haapalo blogissaan kirjoittaa.

Pikaisen bufferitunnin jälkeen luvassa oli itsenäistehtäviä, joissa piti hyödyntää juuri opittuja asioita liittämällä ne kurssilla aikaisemmin opittuihin asioihin. Mielestäni omien taitojen ja oppien soveltaminen sopi tälle kurssikerralle hyvin.

Buffereiden select atributer by location-toiminnon avulla tutkinlentokenttien vaikutusalueella asuvien ihmisten ja kotien määrää. tarkemmin tutkin lentokentän aiheuttaman melusaasteen jakautumista alueellisesti. Kaikki keräämäni tiedot löytyvät alla olevasta taulukosta (taulukko 1). Taulukosta löytyy myös vastaukset muihin itsenäistehtäviin.

Minulle itsenäistehtävien tekeminen oli haastavaa aika-ajoin. Tämä johtui pitkälti siitä, etten ollu aivan varma uusien toimintojen käyttötarkoituksista tai siitä, mihin ne parhaiten soveltuivat. Vähitellen omat aivosoluni yhdistivät kaikki voimansa ja tilanne ei vaikuttanutkaan enää epätoivoiselta.

Select by location -toiminto on osoittautunut hyvin käteväksi, sillä sen avulla pystyy valitsemaan toiselta tasolta olevista kohteista ne, jotka jäävät tarkasteltavan alueen sisälle. näin sanoo Venla Moisio blogissaan. Käytin tätä toimintoa useasti ja opin vähitellen soveltaaan ja yhdistämään sitä eri toimintojen kanssa.

Laura Hynysen tavoin olen oppinut käyttämään ja tarkastelemaan erilaisia tilastotietoja työn ohessa. Niitä pystyy kätevästi tarkastelemaan QGISissä valitsemalla sigma-toiminnon. Sen avulla pystyy tarkastelemaan erilaisia keskiarvoja ja summia. Tämän toiminnon avulla keräsin kaikki tietoni taulukkooni (taulukko 1). Sigma-toiminto oli mieluinen myös siksi, että taulukon tiedot pystyi suoraan kopioimaan Excel-taulukkoon yhden napin avulla.

Mielestäni opin hyödyntämään myös muita kohteiden valitsemiseen tarkoitettuja toimintoja, kuten select features by value, invert feature selection ja deselect features from all layers.  Deselect features-toiminto on mielestäni erittäin tärkeä ja hyödyllinen hallita, sillä undo-toiminnon puuttuminen oli/on ollut turhauttavaa. Riina Hiltulan mukaan deselect features from all layers -toiminnon avulla saa kumottua ainakin joitakin huonoja valintojaan.

Kuin kuuta nousevaa odotan sitä päivää, kun QGIS ja minä kuljemme käsi kädessä. Välillä tuntuu sitä, että ohjelmisto tekee omia valintoja minulta kysymättä. Tällöin joudun hieman umpikujaan. Yritän silti muistaa, että nämä umpikujat syntyvät mitä todennäköisimmin omasta huolimattomuudestani. Usein pienet, mutta hyvin tärkeät asetukset ja toiminnot voivat unohtua, jolloin nostan molemmat käteni ilmaan itkien. Tästä huolimatta koen, että edistystä kurssien ensimmäisiltä tunneilta on tapahtunut.

Nyt esimerkiksi niin yksinkertaiset asiat, kuin aineiston lataaminen, purkaminen ja tuominen ohjelmaan sujuvat ongelmitta. Myös aineiston visuaalisen ilmeen muokkaaminen ja  new print layout– tason luominen ja väliaikaisten tasojen hallinta tuntuu sujuvat lähes automaattisesti, jolloin pystyn keskittymään oleellisempiin asioihin. Antibuuttitaulukon hallinta, tulkinta, muokkaaminen ja laskutoimituksien tekeminen on myös helpottunut huomattavasti. Tunnen, että osaan nyt paremmin käsitellä kurssikerroilla kohtaamiani monstereita.

Tästä kaikesta huolimatta paljon opittavaa ja taitojen hiomista on edessä. Pitää kuitenkin muistaa, että paljon on jo oppinut verrattuna aikaisempaan osaamiseen. Näillä mielin minulla on helpottunut ja luottavainen olo kohdatessani seuraavan kurssikerran monsterit. Pidetään siis pää kylmänä ja teekupit täytettyinä.

Lähteet:

Aino Sainius – Omat aivot käyttöön (luettiu 17.2.2020)

https://blogs.helsinki.fi/sainius/

Pihla Haapalo – Kädet ilmaan (luettu 17.2.2020)

https://blogs.helsinki.fi/haapalop/

Laura Hynynen – Peruspalikoilla kohti itsenäistä työskentelyä (luettu 17.2.2020)

https://blogs.helsinki.fi/lauravel/

Venla Moisio – Viikko 5-Bufferointiin tutustumista ja itsenäistä työskentelyä (luettu 17.2.2020)

https://blogs.helsinki.fi/moivenla/

Riina Hiltula – 5. kerta-itsenäisharjoituksia ja oivalluksia (luettu 17.2.2020)

https://blogs.helsinki.fi/hiltular/