Month: November 2020

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.