Month: November 2020

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.

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>

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.

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.