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.