Categories
Uncategorised

Geoinformatiikan menetelmät 2 – Raportti 7

Johdanto

Kurssin viimeisellä eli seitsemännellä viikolla aiheena olivat geostatistiset interpoloinnit. Aiemmin tutuksi tulleisiin deterministisiin interpolointimenetelmiin verrattuna geostatistisissa interpoloinneissa erona on se, että ne käyttävät apunaan tilastotiedettä. Tilastotiedettä hyödyntäen menetelmissä siis ennustetaan mitattujen pisteiden arvojen perusteella se, mitä muualla tutkimusalueella todennäköisesti on.

Deterministiset ja geostatistiset interpolointimenetelmät eroavat siis toisistaan ja ne soveltuvat erilaisten datojen interpolointiin. Kurssikerran kirjallisuudessa oli esimerkki, jossa interpolointimenetelmiä oli tutkittu osana pohjaveden suolaisuuden tutkimusta. Lopputuloksena geostatistiset interpolointimenetelmät ja tarkimmin vielä EBK (eli Empirical Bayesian Kriging) oli kyseisessä tutkimuksessa paras menetelmä, koska kyseinen menetelmä oli luotettavin (Gunarathna ym., 2016). Luotettavuutta ja mahdollisten virheiden vähyyttä oli tarkasteltu menetelmän virhemarginaalin avulla.

Geostatistiset menetelmät perustuvat spatiaaliseen autokorrelaatioon eli maantieteen ensimmäiseen lakiin. ”Lain” mukaan kaikki riippuu toisistaan, mutta toisiaan lähellä olevat kohteet ovat enemmän toisistaan riippuvaisia kuin kauempana olevat. Spatiaalisessa tilastotieteessä siis hyödynnetään tätä olettamusta.

Interpolointimenetelmänä kurssikerran harjoituksissa käytettiin kriging-interpolointeja. Kyseisten interpolointimenetelmien lopputuloksista voidaan esimerkiksi laskea todennäköisyyksiä, virheitä ja interpoloinnin luotettavuutta. Aineistot, joiden avulla interpolointeja suoritettiin olivat mielestäni mielenkiintoisia, joka lisäsi omalta osaltaan harjoitusten kiinnostavuutta.

Ensimmäinen harjoitus

Seitsemännen kurssikerran ensimmäisen harjoituksen tarkoituksena oli vertailla näitä kahta eri interpolointimenetelmää. Harjoituksen aineistona oli Afrikan lämpötiloja esittäviä pisteitä, jotka interpoloitiin sekä IDW-interpoloinnin että kriging -interpoloinnin avulla.

Interpoloinnit toteutettiin jo aiemmalla kurssikerralla tutuksi tulleen Geostatistical Wizard -työkalun avulla. Työkalussa molempia interpolointimenetelmiä tarkasteltiin vaihtamalla niiden arvoja. IDW-interpoloinnista tehtiin kaksi versiota, jossa oli käytössä hieman eri asetukset, jotka vaikuttivat siihen, mitä olemassa olevia pisteitä interpolointi painottaa ja kuinka paljon. Interpolointien suorittamisen jälkeen lopputuloksia vertailtiin cross validation -ikkunan avulla.

Myös kriging -interpoloinnista tehtiin kaksi eri versiota, joita vertailtiin. Toinen tehtiin optimoinnin avulla ja toisessa muokattiin naapuruston vaikutusta, jotta yhden suunnan naapuripisteet eivät vaikuttaisi niin paljon lopputulokseen.

Kuva 1. Ensimmäisen harjoituksen kartta.

Geostatistical Wizardin käyttö on helppo suorittaa ja optimoinnin avulla interpoloineihin saa arvot, jotka ainakin sopivat kyseiseen menetelmään. Työkalussa on kuitenkin paljon erilaisia arvoja, joita voi myös manuaalisesti säätää. Osa näistä arvoista ja niiden vaikutuksista jäivät hieman epäselviksi. Toisaalta ymmärsin mitä tehtävissä säädettävillä arvoilla, kuten naapurustoa säätämällä, oli tarkoitus saavuttaa, joten ainakin työkalun perusominaisuudet tulivat tutuksi.

 

Toinen harjoitus

Toisessa harjoituksessa etsittiin lämpösaarekkeita Madisonin kaupungin alueelta. Tehtävän alussa tutustuttiin aineistoon erilaisten kaavioiden, kuten histogrammin, avulla sekä kerrottiin taustatietoja lämpösaarekkeiden vaikutuksista esimerkiksi vanhempiin ihmisiin.

Interpolointimenetelminä tehtävässä käytettiin kriging -interpolointia. Ensin tehtiin yksinkertainen kriging -interpolointi, jonka jälkeen suoritettiin Empirical Bayesian kriging -interpolointi. Interpoloinnit toteutettiin taas Geostatistical Wizardin avulla. Interpolointien jälkeen lopputuloksia vertailtiin.

Bayesian kriging -interpolointi eroaa normaalista kriging -interpoloinnista siten, että siinä ei käytetäkään yhtä ja samaa semiovariogrammia koko tutkimusalueelle. Kyseinen interpolointimenetelmä siis jakaa datan pienempiin osiin ja luo jokaiselle osalle oman semiovariogrammin.

Menetelmien vertailussa cross validation -ikkunan avulla huomattiin, että EBK:n avulla saatiin hieman oikeampia lämpötila-arvoja esittävä kartta. Erot arvoissa eivät olleet toki kovin suuria ja visuaalisesti tarkasteltuna interpoloiduissa kartoissakaan ei ollut havaittavissa suuria eroja.

Interpolointien jälkeen käytettiin vielä EBK regression -työkalua, jonka avulla lämpötilojen interpolointeihin yhdistettiin dataa selittävästä tekijästä. Työkalun avulla siis poistettiin kartalta vettä läpäisemättömiä pintoja, kuten asfalttipintoja. Se, miten työkalun matemaattinen toiminta tapahtuu, jäi itselleni hieman epäselväksi, mutta sen ymmärtäminen ei tainnut ollakaan ihan keskeisin osa tehtävää.

Kuva 2. Toisen harjoituksen lämpötilakartta.

Kuva 3. Toisen harjoituksen lämpötilakartta alueittain.

Lyhyt kurssin yhteenveto

Kurssin alussa etänä suoritettava GIS-kurssi kuulosti haastavalta, mutta näin kurssin jälkeen se sujui paremmin kuin aluksi ajattelin. Opin uusia asioita ja ymmärsin ainakin perusasiat eri kurssikerroilta. Suoritetut harjoitukset olivat myös pääosin mielenkiintoisia, vaikkakin osa melko pitkiä. Paras puoli kurssissa oli taas, kuten muissakin GIS-kursseissa, karttojen visualisointi. Visualisoinnissa voi kokeilujen avulla havainnoida tehtyjä työvaiheita ja muutenkin kokeilla erilaisia visualisointimenetelmiä ja väriyhdistelmiä. Visualisointiin voisi myös käyttää hyvinkin paljon aikaa ja usein lopputulosta voisi vielä parantaa, kuten tämän raportin kuvassa 1 legendan lämpötilatiedoista voisi vähentää näkyviä numeroita.

Kuva 4. GIS-blogi part 2 matkalla joululomalle.

Lähteet

Gunarathna et al. (2016). Are Geostatistical Interpolation Methods Better than Deterministic Interpolation Methods in Mapping Salinity of Groundwater? International Journal of Research and Innovations in Earth Science 3(3), 59-64

Moodlen luentodiat

<https://moodle.helsinki.fi/course/view.php?id=41841#section-10>

Categories
Uncategorised

Geoinformatiikan menetelmät 2 – Raportti 6

Lyhyt johdanto kurssikerran teemaan eli interpolointiin

Kuudennella viikolla aiheena oli tutustua erilaisiin interpolointimenetelmiin. Paikkatietojärjestelmät perustuvat sijainniltaan tunnettuihin tietoihin. Tiedot eivät ole kuitenkaan aina alueellisesti kattavia, joten jotta alueita voidaan kuvata tarkemmin, niin käytetään spatiaalisen interpoloinnin menetelmiä. Spatiaalisessa interpoloinnissa tiettyyn paikkaan sidottuja havaintopisteitä käytetään muodostamaan jatkuva pinta interpoloinnin avulla.

Spatiaalinen interpolointi perustuu siis havaintoon, jonka mukaan toisiaan lähellä sijaitsevat pisteet ovat arvoiltaan suurella todennäköisyydellä lähellä toisiaan verrattuna kauempana toisistaan oleviin pisteisiin. Tätä ilmiötä kutsutaan spatiaaliseksi autokorrelaatioksi, jota pyritään mallintamaan itse erilaisissa interpolointimenetelmissä.

Interpolointimenetelmiä on monta ja aina oikean valitseminen ei ole helppoa. Menetelmän tulee soveltua halutun ominaisuuden mallintamiseen ja sen tulee pystyä hyödyntämään tehokkaasti käytettyjä havaintopisteitä ja niiden sijainteja. Menetelmistä osa soveltuu paremmin laajempien trendinomaisten vaihteluiden kuvaamiseen ja toiset pienimuotoisempien paikallisempien vaihteluiden kuvaamiseen (Holopainen ym., 2015).

Ensimmäinen harjoitus

Kurssikerran ensimmäisessä harjoituksessa tuli tutustua dataan eli happipitoisuuksiin Chesapeakenlahen alueella. Valmiissa datassa happipitoisuuksia oli esitetty eri puolilla lahden aluetta pisteiden avulla. Harjoituksen alussa dataa tutkittiin kaavioiden avulla. Kaavioiden avulla tutkittiin happipitoisuuksia eri vuosina, jotta saatiin selville, että itse analyysi tuli toteuttaa vuoden 2014 aineistosta, jossa tutkitut happipitoisuudet olivat huonommillaan. Vuoden selvittämisen jälkeen toisella taulukolla tutkittiin vielä tarkemmin eri osia lahden alueella.

Tämän jälkeen päästiin tekemään interpolointia. Interpolointi tehtiin Geostatistical Wizard -työkalun avulla, jonka avulla siis saatiin interpoloitu taso, josta näkyi happitasoiltaan ”kuolleet alueet” (dead zones).

Interpolointimenetelmänä tehtävässä käytettiin Interpolation with barries -> Kernel Interpolation. Kyseinen menetelmä on trendipintainterpolointia, joka toteutetaan tietyllä alueella sijaitsevien toisistaan lyhyillä välimatkoilla sijaitsevien pisteiden interpolointiin. Menetelmä myös sopi hyvin tähän tehtävään, sillä tehtävän alue, eli lahti, jossa on kapeita vesialueita maan vieressä, sopi hyvin menetelmän käyttöön näiden veden ja maan rajojen takia.

Tehtävässä tutkittiin menetelmää syöttämällä erilaisia arvoja General Properties sektiossa, visuaalisia muutoksia tarkasteltiin kartasta. Tarkastelun avulla selvitettiin muun muassa sitä, painottaako interpolointi jotain alueita vahvemmin kuin toisia. Esimerkiksi yksi parametri, jonka muokkaamista kokeiltiin, oli bandwith, joka mittaa sitä, kuinka kaukaiset havaintopisteet otetaan huomioon. Parametrin arvoja muokkaamalla interpoloinnista voi suurilla arvoilla tulla liian yleistetty ja pienillä taas karttaan voi syntyä katvealueita.

Tehtävän loppupuolella aineistoa tarkasteltiin vielä cross validation ikkunan avulla. Ikkunan avulla pystyttiin selvittämään muun muassa mahdollisia virheitä. Tehtävän lopussa vielä visualisoitiin ja luotiin kartat annettujen ohjeiden perusteella (kuva 1).

 

Kuva 1. Ensimmäisen harjoituksen kartta, vihreät alueet kuvaavat happipitoisuuksiltaan hyviä ja punaiset huonoja alueita.

Toinen harjoitus

Kurssikerran toisessa harjoituksessa tutustuttiin 3D-aineistojen interpolointiin. 3D-aineistojen interpoloinnissa interpolointi voidaan tehdä esimerkiksi eri korkeuksille erikseen, kuten tehtävässä tulikin tehdä. Tehtävässä selvitettiin sitä, miten syvemmät alueet vaikuttavat alueen happipitoisuuksiin.

Tehtävän alussa ensimmäisen harjoituksen tapaan ensin tarkasteltiin erilaisia kaavioita, joiden avulla aineistoon tutustuttiin. Kaavioiden avulla tarkasteltiin esimerkiksi juuri mainittua happipitoisuuden ja syvyyden välistä eroa. Tarkastelussa havaittiin muun muassa se, happipitoisuudet ovat alhaisimmillaan noin 600 ja 1000 metrin syvyydessä ja 1000 metristä syvemmälle mentäessä ne hiljalleen taas nousevat.

Harjoitus toteutettiin Empirical Bayesian Kriging 3D työkalun avulla. Työkalun parametrejä muokattiin annettujen ohjeiden mukaisesti. Työkalun lopputuloksena syntyi geostatistinen taso, jota tarkasteltiin muokkaamalla ja visualisoimalla sitä. Tämän jälkeen tarkasteltiin vielä luodun mallin tarkkuuttaa ja arvioitiin sen virheiden suuruutta.

Tarkastelun jälkeen päästiin käyttämään jälleen GIS-velho työkalua eli Geostatistical Wizardia, jonka avulla Empirical Bayesian Kriging 3D interpolointi toteutettiin. Interpoloinnin jälkeen se validoitiin, eli tarkasteltiin sen mahdollisten virheiden suuruutta.

Tehtävän lopussa lopputulos visualisoitiin vielä annettujen ohjeiden mukaisesti sekä animaationa että ns. Voxel layerina ja samanarvonpintoina (isosurfaces). Mikäli tehtävän aiemmissa vaiheissa ei ollut pitänyt taukoa, niin animaation toteuttamisessa siihen tarjoutui hyvä sauma, sillä animaationtuottamisprosessin lataaminen otti ajallisesti oman reilun akateemisen varttinsa.

Kuva 2. Voxel layer.

Tämän pienen pakotetun tauon ja animaation toteuttamisen jälkeen lopputulos visualisoitiin vielä Voxel layerina (kuva 2), jonka visualisoimisessa päästiin muun muassa leikkaamaan turhia kulmia luodusta tasosta pois. Viimeisessä vaiheessa luotiin myös happipitoisuuksien samanarvonpinnat (kuva 3).

Kuva 3. Samanarvonpinnat (isosurfaces).

Categories
Uncategorised

Geoinformatiikan menetelmät 2 – Raportti 5

Lyhyt johdanto viidennen kerran asioihin

Viidennellä viikolla aiheena olivat näkyvyysanalyysit sekä 3D-visualisointi. Näkyvyysanalyysit tarjoavat monipuolisia mahdollisuuksia, joihin analyysia voi käyttää. Näkyvyysanalyysien avulla voidaan muun muassa selvittää maisema-alueiden suunnitteluun ja metsänhoidon vaikutusten selvittämiseen. Analyysit sopivat myös rakennettujen ja rakentamattomien alueiden näkyvyystarkasteluihin (Holopainen ym., 2015). Myös luennolla esillä ollut kohteiden, kuten tehtaan, piilottaminen näkyvistä on yksi mielenkiintoinen mahdollisuus, johon analyysia voi käyttää.

3D-visualisoinnin avulla voidaan kuvata muun maussa kaupunkeja ja teemakarttoja. 3D-visualisoinnit sopivat myös aiemmin kurssilla esillä olleen korkeusmallin (DEM) visualisointiin.

Ensimmäinen harjoitus
Ensimmäisessä harjoituksessa tehtävänä oli suorittaa näkyvyysanalyysi, jonka avulla tarkasteltiin leirintäalueiden valojen kattavuutta. Koska valoja oli useampi, tehtiin näkyvyysanalyysi, joka sisälsi useita katselupisteitä eli kohteita.

Harjoituksessa käytettiin databasea, jonka kautta aineistot lisättiin harjoitukseen ja jonne luodut aineistot myös tallentuivat. Databasen käyttäminen oli kätevää juuri edellä mainittujen syiden takia. Aineistojen tallentuminen databaseen helpotti ja nopeutti työskentelyä. Toki databasen käyttämisessä tuli olla hieman perillä siitä, mihin aineistot ladatessa tallentaa, jotta ne löytää kun niitä tarvitaan.

Itse harjoituksessa leirintäalueen valojen näkyvyyttä muokattiin niiden attribuuttitaulukon kautta. Taulukon tietoja muokkaamalla vaihdettiin muun muassa valojen korkeutta, joka tietenkin vaikuttaa siihen, kuinka pitkälle valot valaisevat.

Attribuuttitaulukon tietojen muokkaamisen ohella harjoituksessa käytettiin muun muassa viewshed -työkalua. Työkalun avulla saatiin selville valaistu alue sekä alueet, joihin yltää useampi kuin yksi valo. Työkalun parametrejä muokkaamalla ja valitsemalla oikeat input ja output rasterit saatiin aikaiseksi kartta, josta näkyy että 10 metriä korkeat valotolpat valaisevat alueen kriteereiden mukaisesti.

Kuva 1. Ensimmäisen harjoituksen kartta.

Toinen harjoitus
Toisessakin harjoituksessa suoritettiin näkyvyysanalyysi. Tehtävänä oli analysoida paraatin turvallisuutta tarkkailevien henkilöiden näkyvyyttä suhteessa itse paraatin kulkuväylään. Ensin harjoituksessa luotiin näkyvyysanalyysi ja sen jälkeen analyysia vielä tarkennettiin määrittelemällä sille esteitä.

Lähtöaineistona harjoituksessa oli Philadelphian korkeusmalli (DEM), kaupungin rakennusten sijainnit, paraatireitin sijainti sekä paraatin tarkkailijoiden sijainti. Ensimmäinen tehtävä datan lataamisen jälkeen oli luoda näkyvyyttä kuvaavat viivat tarkkailijoiden ja paraatin reitin välille. Tämä toteutettiin Construct Sight Lines -työkalun avulla.

Työkalun avulla saatiin siis selville se, mitkä paraatin alueet ovat tarkkailijoiden näkyvissä. Tämän jälkeen Line Of Sight -työkalun avulla äsken luotuja näkyvyyttä kuvaavia viivoja tarkennettiin vielä esteiden eli rakennusten avulla. Lopputuloksena näkyvyyttä kuvaavat viivat olivat siis punaisia tai vihreitä, punaisten viivojen kohdalla tarkkailijoiden näkyvyyden peitti rakennus.

Viivojen lisämuokkaus jatkui Add Z Information -työkalun avulla. Työkalun avulla mitattiin viivojen pituus 3D:nä. Vielä tämän jälkeen analyysistä poistettiin viivat, joista tarkkailijat eivät nähneet paraatia. Aikaisempien rakennusten estämien viivojen lisäksi tässä vaiheessa otettiin huomioon kaikki liian kaukana tarkkailijoista olevat viivat, joita he eivät voisi enää nähdä.

Kuva 2. Toisen harjoituksen työvaiheet Model Builderissa.

Tehtävän viimeisessä vaiheessa suoritettiin vielä analyysi, jossa otetiin säätilat huomioon. Jos paraatipäivänä olisi esimerkiksi sumuinen tai sateinen keli, niin tarkkailijoiden näkyvyys olisi huonompi kuin kirkkaana päivänä.

Kuva 3. Toisen harjoituksen kartta.

Kolmas harjoitus
Kolmannessa harjoituksessa tuli suunnitella 3D-kartta asuintalon rakennusta varten. 3D:n avulla voidaan visualisoida erilaisia kohteita, kuten esimerkiksi kaupunkien 3D-mallit. Ennen itse kartan suunnittelemista harjoituksessa esiteltiin erilaisia 3D-ympäristöjä. Erilaisten ympäristöjen, kuten lokaali ja globaali, ymmärtäminen on tärkeää, jotta voi toteuttaa analyyseja ja karttoja 3D:n avulla. Toinen esimerkki oli kartografinen ja fotorealistinen 3D-ympäristö.

Kuva 4. Esrin kokoama ohje, jossa näkyy vaiheet, jotka tulee suorittaa 3D-aineistojen kanssa työskennellessä.

Itse harjoituksessa ensin tutustuttiin 3D-ympäristöön Scene Viewerin avulla. Tämän jälkeen kartan suunnittelussa tuli lähinnä muokata valmista dataa selkeämmäksi, esimerkiksi pisteistä puita. 3D-aineistojen kanssa työskentely oli hauskaa ja myös nostalgista, sillä grafiikat toivat hieman mieleen 2000-luvun alussa julkaistut SimCity-pelit.

Erilaisten 3D-visualisointien avulla voidaan kuvata hyvin juuri esimerkiksi erilaisia kohteita kaupungeissa. Kuvassa 5 näkyy ehdotetun rakennuksen sijainti. Vaikka harjoituksen kaupunkina olikin Berliini, niin valitsin karttojen (kuva 5 ja 6) puiksi palmut, koska ne olivat mielestäni visuaalisesti hienot. Realistia ne eivät toki ole ainakaan vähään aikaan, ellei ilmastonmuutos ehdi nopeuttaa lämpötilojen nousua ennakoitua nopeammin.

Kuva 5. Kolmannen harjoituksen kartta.

Huono puoli 3D-aineistojen kanssa työskentelyssä oli se, että grafiikoista huolimatta ainakin itselläni fuksiläppäri otti oman aikansa ja kävi melko kuumana aineistojen kanssa työskennellessä ja niitä muokatessa. Toki tätä ongelmaa voi hieman helpottaa säätämällä näkyvissä olevien tasojen määrää.

Kuva 6. Ehdotetun rakennuksen sijainti vielä eri näkökulmasta eli toiselta puolelta jokea.

Categories
Uncategorised

Geoinformatiikan menetelmät 2 – Raportti 4

Johdanto

Neljännellä viikolla aiheena olivat korkeusmallille tehtävät analyysit ja hydrologinen mallintaminen. Digitaaliset korkeusmallit tarkoittavat digitaalisessa muodossa olevaa havaintoaineistoa tai matemaattista pintaa, joka sisältää x-. y- ja z-koordinaatit ja on sidottu tunnettuun koordinaatistoon. Digitaaliset korkeusmallit kuvaavat maanpinnan korkeusvaihteluita. Erilaisia korkeusmalleja ovat Digital Elevation Model, Digital Terrain Model ja Digital Surface Model. DEM tarkoittaa digitaalista (maanpinnan) korkeusmallia, DTM on yleistermi, joka kattaa kaikki maanpintaa kuvaavat aineistot ja DSM on digitaalinen pintamalli, joka sisältää muun muassa puiden ja rakennusten korkeudet.

Hydrologisessa mallintamisessa lähtökohtana on hydrologisesti korjattu korkeusmalli. Veden virtaus riippuu maan pinnan korkeusvaihteluista, malli kuvaa siis tätä vaihtelua. Hydrologisessa mallinnuksessa Flow Direction -taulukko on tärkeä. Taulukko määrittää virtaussuunnan jokaiselle siinä esiintyvälle ruudulle.

Mahdollisia virtaussuuntia on kahdeksan suhteessa lähimpään ruutuun, jos niitä on enemmän korkeusmalli sisältää ”kuoppia” eli Sinks. Kuopat voivat olla todellisia tai korkeusmallissa olevia virheitä, kuten kurssikirjallisuudessa kerrottiin. Jotta korkeusmallista saadaan hydrologiseen mallinnukseen soveltuva, niin nämä ”kuopat” tulee täyttää Fill -operaation avulla naapurustonsa tasolle.

Ensimmäinen harjoitus

Viikon ensimmäisessä harjoituksessa tuli etsiä viinitarhalle sopiva sijainti. Ehdot viinitarhan sijainnille liittyivät rinteen korkeuteen, jyrkkyyteen ja suuntaan. Tehtävän ensimmäisessä vaiheessa tuli tehdä taas binäärinen soveltuvuusanalyysi, joka oli tuttu jo aiemmilta viikoilta.

Kuva 1. Ensimmäisen harjoituksen ensimmäisen osat vaiheet.

Kuvassa 1 näkyy harjoituksen ensimmäisen osan vaiheet. Ensin siis tutkittiin rinteen korkeutta ja sen jälkeen valmisteltiin analyysia. Analyysia varten luotiin korkeutta, jyrkkyyttä ja suuntaa kuvaavat tasot, joiden avulla soveltuvuusanalyysi toteutettiin. Yksinkertainen soveltuvuusanalyysi toteutettiin raster calculator -työkalun avulla, jonka seurauksena saatiin tuttuun tapaan jaettua aineisto sopiviin ja ei sopiviin aluesiin.

Kuva 2. Ensimmäisen harjoituksen toisen osan vaiheet.

Harjoituksen toisessa vaiheessa työskenneltiin pienemmän alueen kanssa kuin ensimmäisessä vaiheessa, joten aluksi tutkittiin korkeamman resoluution avulla aluetta. Tämän jälkeen aluetta visualisoitiin vinovalovarjosteen avulla, jotta maaston korkeuserot erottuivat paremmin. Varjosteelle lisättiin vielä korkeuskäyrät, jonka jälkeen se viinitarhalle sopivia sijainteja visualisoitiin ja analysoitiin vielä lopuksi 3D:n avulla.

Kuvassa 3 näkyy harjoituksesta kartta, joka esittää viinitarhoille sopivia alueita. Näin jälkikäteen tarkasteltuna kartta voisi olla visuaalisesti vielä hieman parempi. Siitä muun muassa puuttuu kokonaan rinteen suuntaa kuvaavat käyrät, jotka olivat yksi ehdoista, jonka tuli täyttyä sopivan viinitilan alueille.

Kuva 3. Ensimmäisen harjoituksen kartta, josta näkyy viinitarhoille sopivat alueet.

Toinen harjoitus

Viikon toisessa harjoituksessa mallinnettiin pintavesien valuntaa, jossa lähtökohtana oli hydrologisesti korjattu korkeusmalli (eli DEM). Harjoituksessa käytettiin ArcGIS Pro:n Tasks -ominaisuutta. Omaisuuteen on automaattisesti luokiteltu työvaiheet, joten niihin tulee vain sijoittaa tarvittavat tiedot. Ominaisuutta käytettiin viisi kertaa, työvaiheet, joita tämän ominaisuuden avulla käytetiin näkyvät kuvista 4, 5, 6 ja 7. Työvaiheet aloitettiin aina samalla Create unit hydrograph at outlet -vaiheella. Lisäsin kuviin työvaiheiden oikealle puolelle myös tasojen nimet, jotka syntyivät työkalujen käytön seurauksena.

Toisen harjoituksen työvaiheet

Kuva 4. Toisen harjoituksen ensimmäisen vaiheen työvaiheet.

Ensin siis valmisteltiin digitaalinen korkeusmalli muun muassa täyttämällä löydetyt ”kuopat”, kuten kuvasta X näkee. Digitaalinen korkeusmalli on oivallinen työkalu, kun halutaan ymmärtää maan ominaisuuksia, kuten esimerkiksi virtaussuuntia ja jyrkkyyttä. Mallia voidaan hyödyntää myös moniin eri tarkoituksiin, kuten kurssikirjallisuudessa kerrottiin (Saraf, Choudhury, Roy, Sarma, Vijay & Choudhury, 2004). Tämän jälkeen tarkasteltiin veden virtaussuuntia ja alueita, johon se todennäköisimmin kerääntyy. Lisäksi tässä vaiheessa mitattiin matka Little Riverin ja sen hetkisen outlet pointin välillä.

Kuva 5. Toisen harjoituksen toisen vaiheen työvaiheet.

Kolmannessa vaiheessa mitattiin sitä, kuinka nopeasti vesi virtaa tutkitulle alueelle. Tätä mitattiin rinteen jyrkkyyden avulla. Loppuvaiheessa vielä muokattiin veden virtausnopeuksia, koska valmiit arvot olivat epärealistisia.

Kuva 6. Toisen harjoituksen kolmannen vaiheen työvaiheet.

Kolmannessa vaiheessa huomattiin se, että vesi virtaa nopeimmin lähellä ojia (streams). Neljännessä vaiheessa mitattiin sitä, kauanko vedellä kestää virrata halutulle alueelle mistä tahansa kartan alueelta. Loppuvaiheessa muokattiin virtausnopeutta kuvaavan rasteridatan tietoja, koska se sisälsi todella paljon yksittäisiä arvoja. Uudelleenluokittelun avulla helpotettiin siis tulevan analyysin tekemistä.

Kuva 7. Toisen harjoituksen neljännen vaiheen työvaiheet.

Viimeisessä eli viidennessä vaiheessa luotiin taulukko, josta näkee veden korkeuden sen laskupisteen kohdalla sateen aikana. Taulukkoa voi siis hyödyntää siihen, että tulvia voidaan ennustaa ja niihin voidaan varautua mahdollisimman hyvin.

Kuva 8. Toisen harjoituksen viimeiset työvaiheet.

Taulukko 1. Toisen harjoituksen lopputulos, eli taulukko joka esittää veden korkeutta.

 

Kuva 9. Lopun kevennys, tältä harjoitus kaksi näytti kesken työskentelyn.

Categories
Uncategorised

Geoinformatiikan menetelmät 2 – Raportti 3

Lyhyt johdanto kolmannen kurssikerran teemoihin

Kolmannella kurssikerralla jatkettiin edelliseltä viikolta tuttua teemaa eli rasterianalyyseja. Kurssikerran aineistot olivat myös samoja kuin edellisellä viikolla, eli harjoituksissa päästiin taas työskentelemään valkopäämerikotkien pesimäpaikkojen kanssa. Myös oheiskirjallisuus oli sama.

Kuva 1. Tämän näköisille kavereille harjoituksissa selvitettiin optimaalisia pesimäpaikkoja. (kuvan lähde)

Kurssikerran harjoituksissa luotiin niin ksinkertainen kuin painotettu soveltuvuusanalyysi. Kuten jo aiemmin kurssilla tuli ilmi, yksinkertaisessa soveltuvuusanalyysissa aineisto luokitellaan binäärisesti nolliin ja ykkösiin (ei-sopiva – sopiva). Se kertoo siis suoraan annettujen kriteereiden mukaisesti sen, sopiiko tietty alue vaatimuksiin vai ei. Painotetussa soveltuvuusanalyysissä aineisto luokitellaan esimerkiksi asteikolla 1-5, jossa suurimmat numerot tarkoittavat parasta sopivuutta. Painotetun soveltuvuusanalyysin avulla voidaan siis saada aikaan hieman kattavampia ja monipuolisempia analyyseja eri paikkojen soveltuvuudesta annetuille kriteereille.

Ensimmäinen harjoitus

Ensimmäisessä harjoituksessa tarkoituksena oli luoda yksinkertainen soveltuvuusanalyysi optimaalisten kotkien pesimäpaikkojen löytämiseksi. Harjoituksessa käytettiin taas Model Builderia, johon oli siis lisätty työkaluja. Tällä kertaa siihen lisättiin vielä raster calculator -työkalu, jonka avulla pystyttiin yhdistämään tasoja. Tasojen yhdistämisen jälkeen taas muokattiin kartan visuaalista puolta, jotta siitä erotti paremmin sopivat alueet.

Kuva 2. Ensimmäisen harjoituksen model builder.

Ensimmäisen harjoituksen toisessa vaiheessa tarkastelussa oli sekä sensitivity analysis että error analysis. Sensitivity analysis tarkastelee sitä, miten herkkä soveltuvuusanalyysi on muutoksille, jos sen yhtä parametriä muutetaan. ArcGIS Prossa tämä toteutetaan niin, että ensin muokataan parametriä, jonka jälkeen malli ajetaan ja siitä voi tarkastella mahdollisia muutoksia. Jos muutoksia tapahtuu paljon, niin kyseinen parametri vaikuttaa siis paljon mallin toimintaan.

Error analysis kertoo sen, kuinka paljon lähtöaineisto vaikuttaa mallin toimintaan. Error analysis toteutetaan muokkaamalla esimerkiksi lähtöaineiston arvoja, jonka jälkeen malli taas ajetaan ja mahdolliset muutokset tulevat esille. Itse harjoituksessa näitä harjoiteltiin muokkaamalla aineiston arvoja muun muassa reclassify -työkalun avulla.

Harjoituksessa luotiin kaksi eri tasoa, ErrorDifference ja SuitabilitySurface. Nämä kaksi eri tasoa luotiin, jotta pystyttiin havainnoimaan syntyviä eroja, kun aineiston dataa muokataan yksinkertaisessa soveltuvuusanalyysissa. Keskeinen ero näiden kahden tason välillä on sen, että ErrorDifference -tasossa harvemmat solut lasketaan sopiviksi. Eron takana on selitys siitä, jotta yksinkertaisen soveltuvuusanalyysin solut lasketaan sopiviksi, tulee kaikkien annettujen ehtojen täyttyä. Yksinkertaisessa mallissa ei siis voi olla soluja, jotka ovat soveltuvuuden osalta tasoa ”ihan ok” toisin kuin painotetussa.

Kuva 3. Ensimmäisen harjoituksen lähennetty kartta, joka visualisoi Suitability Surface ja ErrorDifference -tasojen eroja.

Toinen harjoitus

Jotta eri tasoja voi yhdistää painotetussa soveltuvuusanalyysissa, niin ensin tulee muokata niiden sisältämät datat sopivaksi. Tätä harjoiteltiin tehtävässä kaksi. Sen jälkeen, kun datat oli tarkistettu, niin tehtävässä tuli muokata tasot uudelleenluokittelemalla ne arvoihin 1-10. Tehtävän tarkoitus oli siis valmistella data kolmannessa harjoituksessa toteutettavaa analyysia varten.

Kuva 4. Toisen harjoituksen jälkeinen model builder. Huomioitavaa seuraavaan tehtäväään verrattuna yksittäiset tasot.

Kolmas harjoitus

Kolmannessa harjoituksessa päästiin käyttämään tätä aiemmin muokattua dataa yhdistämällä luodut tasot yhdeksi tasoksi. Tasot yhdistettiin Weighted Sum -työkalun avulla. Työkalu lisättiin Model Builderiin ja aiemmat tasot yhdistettiin siihen. Tämän jälkeen Model Builder taas ajettiin, jolloin se lisäsi kartalle SuitabilitySurface nimisen tason, jota hieman muokkaamalla pystytiin kartalta näkemään valkopäämerikotkien optimaaliset pesimäpaikat. Optimaalisimpia paikkoja kartan (kuva 5) perusteella olivat Big Bear -järven ympäristö sekä kartan alareunan alueet.

Kuva 5. Kolmannen harjoituksen kartta, joka esittää soveliaita pesimäpaikkoja. Kuten legenda osoittaa, tumman vihreät paikat ovat parhaita ja tumman punaiset huonoimpia.

Harjoituksen loppupuolella aineistolle tehtiin vielä omat mallit sensitivity ja error -analyyseille. Sensitivity analyysin avulla voidaan nähdä vaikutukset lopputulokseen, kun muokataan luodun mallin parametrejä. Jos tuloksista on havaittavissa suuria eroja, niin malli on voimakkaasti sensitiivinen muokatulle parametrille. Error analyysissa taas voidaan havaita mahdollisten lähtöaineiston virheiden vaikutukset lopputulokseen.

Itse harjoituksessa luotuja malleja ja niiden vaikutuksia havainnoitiin liikuttamalla mallien synnyttämiä lopputuloksia toistensa päällä swipe-työkalun avulla. Lopputuloksissa harjoituksessa luotujen mallien välillä ei esiintynyt suuria vaihteluita. Tästä voi siis päätellä esimerkiksi sen, että lähtöaineisto oli hyvä eikä sisältänyt suuria virheitä.

Kuva 6. Kolmannen harjoituksen lopullinen model builder.

Ensimmäisen ja kolmannen harjoituksen model builderit ovat hyvin lähellä toisiaan, kuten kuvista 2 ja 6 näkee. Suurimpana erona on se, että kolmannessa harjoituksessa käytettiin uudelleenluokittelua raster calculator -työkalun sijaan. Myös viimeinen työkalu on eri harjoitusten välillä. Kolmannessa harjoituksessa tehtiin painotettu soveltuvuusanalyysi, joten työkaluna on weighted sum eikä raster calculator, kuten aiemmassa tehtävässä.

Rasteriaineistojen lyhyt yhteenveto

Viikon kaksi ja kolme harjoituksista lyhyesti tiivistetysti voisia sanoa, että rasteriaineistojen kanssa työskennellessä tärkeä tehtävä ennen analyyseja on muokata rasteriaineistot toisilleen sopiviksi. Rasteriaineistoihin liittyvässä oheiskirjallisuudessa puhuttiin rasteriaineistojen rekisteröimisestä, joka tarkoittaa sitä, että aineistot pakotetaan kohdakkain. (Holopainen ym., 2015, s.53). Rekisteröimisen avulla rasterisaineistot saadaan samaan koordinaatistoon. Tämä on tärkeää, koska analyyseista muodostuvien rasteriaineistojen koordinaatistot ovat riippuvaisia lähtöaineiston koordinaattijärjestelmästä.

Myös lähtöaineisto tulee valita sekä tarkastaa huolella esimerkiksi sen mahdollisten virheiden vuoksi. Tähän voi käyttää esimerkiksi harjoituksista tuttua error analyysiä. Myös rasteriaineistojen solujen tiedot tulee tarkastaa niiden koordinaatiston lisäksi. Esimerkiksi mahdollinen solun arvon puuttuminen vaikuttaa analyysien lopputulokseen.

Lähteet

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

<https://helda.helsinki.fi/handle/10138/166765>

Categories
Uncategorised

Geoinformatiikan menetelmät 2 – Raportti 2

Toisen viikon aiheena olivat rasteriaineistot. Rasteriaineistoja ovat esimerkiksi mitatut aineistot kuten satelliittikuvat, skannatut vanhat kartat sekä erilaiset mallinnetut aineistot kuten paikkatietoaineistojen output rasterimuodossa. Rasteriaineistoja voidaan luokitella esimerkiksi epäjatkuvaan ja jatkuvaan, yksikanavaiseen ja monikanavaiseen sekä analyyseihin kelpaavaksi dataksi ja taustakuvaksi.

Ensimmäisessä harjoituksessa tehtävänä oli käsitellä ja muokata rasteridataa ja sen tietoja ArcGIS Pron avulla. Rasteridatan käsittely voi olla erilaista. Käsittely voi olla yksinkertaista visuaalista ulkonäön muokkausta tai esimerkiksi datan koordinaattisysteemin vaihtamista. Itse tehtävässä tuli määrittää toimia, joiden avulla dataa muokattiin. Tehtävässä verrattiin eri vuosien maankäyttöjä, jotta pystyttiin selvittämään vuosien saatossa koituneet erot kasvillisuudessa.

Ensimmäisenä tehtävässä lisättiin NDVI indeksi molempien valmiiden vuosien karttatasoille. Lopputuloksena syntyi uudet tasot, joista näkyi kasvillisuus kummassakin tasossa. Seuraava vaihe oli erottaa näiden kahden eri vuotta esittävän tason erot Difference -työkalun avulla. Työkalu vähensi äsken luotujen tasojen lukemia ensimmäisistä alkuperäisistä tasoista.

Tämän myötä muodostuneesta uudesta tasosta erottui näiden kahden tason eroja. Toiseksi viimeisenä vaiheena uudelleen luokiteltiin rasteriaineiston pikseleiden arvoja paremman lopputuloksen saavuttamiseksi. Viimeinen vaihe oli symboloida viimeinen taso, jotta pystyttiin erottamaan, oliko kasvillisuudessa tapahtunut muutoksia. Lopputuloksessa (kuva 1) näkyy punaisella alueella muutoksia, joita on tapahtunut.

Kuva 1. Ensimmäisen tehtävän kartta, jossa näkyy alueet, joissa on tapahtunut muutoksia.

Ensimmäisen harjoituksen toisena vaiheena oli vielä luoda työvaiheiden ketju. Kuten luennolla tuli ilmi, ArcGIS Prossa on mahdollista tallentaa työvaiheketju pohjamalliksi, joka helpottaa työskentelyä. Toisen vaiheen lopputuloksena syntyi yksi taso, johon yhdistyi kaikkien käyttämien työvaiheiden lopputulokset. Tämä oli erona ensimmäiseen vaiheeseen, josta syntyi monta tasoa. Tiivistettynä harjoituksen ensimmäisessä vaiheessa siis analyysit tehtiin askel askeleelta ja toisessa vaiheessa toistettiin nämä työvaiheiden ketjun avulla.

Kurssikerran toisessa harjoituksessa tutustuttiin soveltuvuusanalyyseihin (suitability modeling). Eri ilmiöillä ja tutkittavilla asioilla on eri kriteerit, joiden tulee täyttyä kunkin asian kohdalla. Tehtävässä esimerkkinä oli valkopäämerikotkat, joille optimaalisten sijaintien tulee esimerkiksi sijaita lähellä suuria järviä. Kuvasta 2 näkyy vaiheet, jotka tulee suorittaa soveltuvuusanalyyseja tehdessä.

Kuva 2. Soveltuvuusanalyysien työvaiheet.

Kolmannessa harjoituksessa päästiin itse valmistelemaan dataa valkopäämerikotkien ihanteellisen asuinpaikkojen sijaintien avulla. Tehtävässä tarkoituksena oli suorittaa soveltuvuusanalyysi ja sen jälkeen käyttää eri työkaluja datan valmistamiseen analyyseja varten sekä viimeisenä vaiheena tuottaa lopullinen kartta aiheesta.

Tehtävässä valmiina olevat tasot esittivät järviä, maankäyttöä, puiden latvuston peittävyyttä sekä pinnan korkeuksia San Bernardinon kansallispuistossa Kaliforniassa. Koska tehtävässä oli käytössä monta eri tasoa, ensimmäinen vaihe oli tarkistaa ja muokata rasteriaineistojen koordinaattisysteemit samoiksi sekä tarkistaa niiden solujen koko (cell size). Näiden tulee olla toisiinsa nähden samoja, jotta eri tasoja voidaan analysoida ja käyttää. Aiheeseen liittyvässä Geoinformatiikka luonnonvarojen hallinnassa -kirjassa tässä yhteydessä puhuttiin rasteritasojen rekisteröimisestä.

Alkuvalmisteluiden jälkeen luotiin Model Builder, jonka avulla suoritettiin itse analyysit. Model Builder mahdollistaa monien työvaiheiden kokoamisen yhteen, joka helpottaa työskentelyä ja automatisoi laskennan. Model Builderiin lisättii kuvassa 3 näkyvät työkalut, joita muokattiin tehtävässä annetuilla arvoilla. Sen jälkeen, kun työvaiheet oli koottu Model Builderiin, se ajetaan. Tämän jälkeen ohjelma lisää automaattisesti työvaiheet itse työhön. Myös Model Builder on mahdollista tallentaa, jolloin sitä voidaan käyttää myöhemminkin.

Kuva 3. Kolmannen harjoituksen työvaiheita Model Builderissa.

Neljännessä tehtävässä tarkoitus oli muokata ja täydentää aiemmasta tehtävästä tutun binäärisen soveltuvuusmallin dataa uudelleenluokittelun avulla. Soveltuvuusmallissa aineiston soluilla on arvo 0 tai 1. Arvon 0 solut eivät täytyä annettuja ehtoja ja arvon 1 solut sopivat annettuihin ehtoihin. Tehtävässä neljä työskenneltiin siis samojen tasojen kanssa kuin kolmannessa tehtävässä.

Kolmannesta tehtävästä tuttuun Model Builderiin lisättiin useampaan kertaan reclassify -työkalu. Työkalut yhdistettiin aikaisempiin tasoihin ja sen jälkeen muokattiin työkalun arvoja annettujen ohjeiden mukaisesti. Ideana oli siis syöttää työkaluun tiedot, joiden täytyi täyttyä kotkille sopivien asuinpaikkojen löytämiseksi.

Esimerkiksi puiden lehdistö ei saanut olla liian harvaa tai peittävää (eli peittävyyden tuli olla 20%-60%), joten työkaluun syötettiin nämä luvut. Jokaisen tason kohdalla lisättiin uusi reclassify -työkalu, johon vaaditut arvot syötettiin. Kuvasta 4 näkyy valmis Model Builder, joka sisältää kaikki työvaiheet ja käytetyt työkalut.

Kuva 4. Harjoituksen lopullinen Model Builder.

Lopputuloksena Model Builderin ajamisen jälkeen syntyi uusia tasoja, joista näkyi alueet, joissa täyttyi annetut ehdot. Tasoja tarkkailemalla pystyttiin selvittämään se, täyttyivätkö annetut vaatimukset. Kuvassa 5 näkyy sinisellä värillä osa alueista, joissa puiden latvusto oli sopivan peittävää valkopäämerikotkien asuinpaikaksi.

Kuva 5. Sinisellä värillä latvustoltaan otolliset alueet valkopäämerikotkien asuinpaikoiksi.

Categories
Uncategorised

Geoinformatiikan menetelmät 2 – Raportti 1

Jatko-osat ovat harvoin edeltäjäänsä parempia. Varsinkaan silloin, kun alkuperäinenkään ei ole yltänyt klassikoksi. Toivottavasti tämä kurssi tekee kuitenkin poikkeuksen ja on edeltäväänsä parempi. Odotukset ovat hieman ristiriitaiset, sillä Geoinformatiikan menetelmät -kurssista on jo aikaa, joten sen kurssin asiat ovat ehtineet jo unohtua. Myös uusi paikkatieto-ohjelma ja etätyöskentely tuovat omat mausteensa keitokseen.

Ensimmäisellä kurssikerralla aiheena oli päällekkäisyys-, läheisyys- ja puskuri eli bufferanalyysit. Päällekkäisanalyysit pohjautuvat eri karttatasojen välisiin sijaintisuhteisiin. Niiden avulla siis vertaillaan ja yhdistellään toistensa kanssa päällekkäin olevien karttatasojen kohteita. Päällekkäisanalyysien seurauksena syntyy uusia karttakohteita, joilta saadaan myös uutta tietoa. Bufferanalyysien avulla luodaan puskureita eli vyöhykkeitä, joita voidaan hyödyntää esimerkiksi päällekkäisyysanalyyseissa. Bufferoinnin avulla siis luodaan uusi karttataso (layer), jota voidaan käyttää hyödyksi jatkoanalyyseissa.

Kurssin ensimmäisessä ja omalta osaltani aivan ensimmäisessä ArcGIS Pron avulla tehdyssä harjoituksessa tarkasteltiin karttakohteiden näkyvyyttä eri skaaloissa. Tehtävässä asiaa harjoiteltiin junaraiteiden ja -asemien avulla. Karttatasojen näkyvyydelle eri etäisyyksillä annettiin arvoja, joiden mukaan ne joko näkyvät tai ovat näkymättä itse kartalla. Esimerkiksi rautatiepysäkeille maksimiskaala, jolla ne näkyvät kartalla oli 1:50 000. Tämän jälkeen kartan tarkastelun selkeyttämiseksi luotiin yksi taso, joka sisälsi molemmat aiemmat tasot. Viimeisessä vaiheessa definition query -työkalun avulla vaikutettiin vielä kartan ulkonäköön siten, että näkyvistä poistettiin turhia tietoja.

Kuva 1. Harjoituksen 1 kartta.

Toisessa harjoituksessa tarkoituksena oli ymmärtää eri kohteiden ja datan suhteita toisiinsa. Karttoja luodessa eri kohteilla on erilaisia suhteita ja vaikutuksia toisiinsa. Kohteet voivat esimerkiksi koskettaa toisiaan (touches), ympäröidä toisiaan (contains) tai ristetä keskenään (intersects).  Tehtävässä oli tarkoitus selvittää Utahin erämaiden sijaintia. Sopivien erämaa-alueiden selvittäminen aloitettiin select by location -työkalun avulla, jonka avulla sopivat alueet selvitettiin. Tämän jälkeen mahdollisia alueita tarkasteltiin niiden attribuuttitaulukoiden avulla.

Kuva 2. Harjoituksen 2 kartta.

Kolmannessa tehtävässä tarkasteltiin eri karttakohteiden läheisyyttä toisiinsa. Läheisyyttä selvittäessä ensimmäisenä tulee olla olemassa kysymys, jota halutaan selvittää. Tässä tehtävässä se oli kuntosalien sijainti verrattuna kuntosalikävijöiden sijaintiin. Kysymyksen selvittämisen jälkeen data eli tiedot tulee muokata sopiviksi ja sen jälkeen suorittaa itse toiminnot, jonka jälkeen tulee vielä tarkastella saatuja tuloksia ja esittää ne kartalla järkevästi.

Tehtävän alkupuolella esiteltiin euklidinen ja geodeettinen etäisyys. Euklidisissa etäisyyksissä mitataan kahden eri kohteen lyhintä mahdollista etäisyyttä kartiolla. Tämä soveltuu pienillä alueilla toimimiseen. Geodeettisia etäisyyksiä mitataan geoidilla, eli mitataan kahden eri kohteen etäisyyttä toisiinsa kaarevalla pinnalla. Geodeettiset etäisyydet sopivat suurilla alueilla tehtävien analyysien käyttöön.

Itse tehtävässä ensin selvitettiin kuntosalilla kävijöiden lähin kuntosali käyttämällä läheisyyttä near -työkalun avulla. Kun kävijöiden lähin kuntosali oli selvillä, luotiin kuntosaleille 5 mailin vyöhyke, jonka sisään mahtuivat kuntosalin ”vaikutusalueelle” mahtuvat. Kuten kuvasta 3 huomaa, kuntosalin kävijöistä kaikille ei löytynyt sopivaa salia, joten tilanteessa uuden kuntosalin perustaminen olisi tarpeen.

Kuva 3. Harjoituksen 3 kartta.

Viimeisessä tehtävässä tarkasteltiin sopivaa sijaintia tuulivoimaloiden sijainnille. Ensimmäinen työvaihe oli selvittää sopivat sijainnit voimaloille annettujen kriteerien mukaisesti. Sijaintien selvittämiseksi luotiin filttereitä eri vaatimusten mukaisesti, luotiin vyöhykkeitä ja yhdisteltiin eri tasoja toisiinsa. Työvaihekaaviosta (kuva 4) näkyy hieman tarkemmin työvaiheita.

Kuva 4. Harjoituksen 4 alkuosan työvaihekaavio.

Voimaloille sopivien sijaintien jälkeen niille tuli vielä luoda sopivat reitit. Sopivien reittien selvittämiseksi kartalle ensin lisättiin merkki (pushpin). Tämän jälkeen suunniteltiin reitit näille merkityille kohteille annettujen vaatimusten mukaisesti. Vaatimuksiin kuului muun muassa se, että reitit alkavat Denverin State Capitol -rakennuksen luota ja reitillä ei ole muita pysähdyksiä kuin tuulivoimaloiden luona (max number of stops = 2). Tämän jälkeen suoritettiin analyysi ja luotiin vielä nettikartta. Tässä linkki karttaan: https://unihel.maps.arcgis.com/apps/ImpactSummary/index.html?appid=e53eceaeb3c143daac934b972271d1ea.

Kokonaisuudessaan kurssin ensimmäinen harjoituskerta jätti positiiviset tunnelmat ja ennen kurssia mielessä olleet negatiiviset puolet eivät ainakaan ensimmäisessä harjoituksessa tulleet esille. ArcGIS Pro jätti itsestään hyvän kuvan ja etätyöskentelyssä ei myöskään ilmennyt ongelmia. Parannuksena jatkossa karttojen legendan voisi mahdollisesti sijoittaa karttojen päälle, jotta itse kartat olisivat suurempia kuvissa.

Myös hieman haastetta raporttia kirjoittaessa tuotti harjoitusohjeiden englannin kieli. Ajoittain joidenkin paikkatieto-ohjelman työkaluiden tai harjoitusten termien kääntäminen suomeksi tuotti hieman hankaluuksia. Toisaalta ongelma ei ole kovin iso ja kenties termien kääntäminen helpottuu kurssin edetessä.