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!