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.