Month: December 2020

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.