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).