Geographical Ilari Systems

GIM2 – Interpolointi

Seuraavassa harjoituksessa interpoloidaan lämpötila-aineistoa Ilmatieteenlaitoksen säähavaintoasemilta, sekä Helsingin seudun ympäristöpalveluiden ilmanlaatuaineistoa pääkaupunkiseudulla. Suomen laajuisia lämpötila-aineistoja vuoden 2020 tammikuulta interpoloidaan kolmella deterministisellä interpolointimenetelmällä:

Thiessenin polygoneilla havaintopisteiden lähimmille alueille luodaan polygonit, jotka saavat lämpötila-arvon lähimmän havaintopisteen mukaan. Eri asteen trendipintainterpoloinnilla arvioidaan ja yksinkertaistetaan havaintoaineistoa ennen monimutkaisempia interpolointimenetelmiä. Inverse Distance Weighted, eli IDW-interpolointimenetelmällä otetaan huomioon havaintopisteiden etäisyys toisiinsa, mahdollistaen tarkasteltavan ilmiön paikallisen vaikutuksen määrittämisen. Spline-interpoloinnilla minimoidaan pinnan kaarevuus, luoden paikallisia pistejoukkoja myötäileviä joustavia arvoja, samanarvonkäyriä.

Pääkaupunkiseudun ilmanlaatuaineistot interpoloidaan kahdella geostatistisella interpolointimenetelmällä, jotka ottavat spatiaalisen autokorrelaation huomioon, eli havaintopisteiden etäisyyden vaikutuksen tarkasteltavaan ilmiöön. Simple Kriging-interpolointimenetelmä tuottaa verrattain matemaattisesti yksinkertaisempia tuloksia tarkastelualueelta interpoloinnista syntyvän standardivirheen taasen pysyessä pienempänä, kun taas Empirical Bayesian Kriging-interpolointimenetelmä tuottaa matemaattisesti monimutkaisempia arvopintoja suuremmalla standardivirheellä.

Kuva 1. Lämpötilainterpolointia Thiessenin polygoneilla. Lähde: Ilmatieteenlaitos

 

Trendipintainterpoloinnin parametreissä laskettavan polynomifunktion aste, Polynomial order, hyväksyy näemmä vain kokonaislukuja 1-12. Arvo yksi asettaa täysin tasaisen tason interpoloitaville arvoille, arvon ollessa kolme ja siitä ylöspäin pinnat lähtivät kaartumaan kovemmin mitä korkeampi arvo oli. Yrityksenä ymmärtää trendipintaintepolointia paremmin, nappasin sääasema-aineistosta kourallisen lähekkäisiä sääasemia joissa keskilämpötila-arvovaihteluja voisi helposti vertailla attribuuttitaulukosta ja sen jälkeen lähteä katsomaan mitä trendipintainterpolointi lähtee tekemään pienemmällä alueella, ja miten eri asteiden interpoloinnit vaikuttavat.

Sattumanvaraisesti Etelä-Suomesta kaapatut sääasemapisteillä tammikuun keskilämpötila ei vaihdellut juuri yhtä astetta enempää, matalimman arvon ollessa -0,5 astetta Joutsan Savenahon havaintopisteellä ja korkeimman, +1,7 astetta, Tampereen Tampella. Korkeimman keskilämpötilan havaintopisteet on visualisoitu tummanpunaisella pisteellä, liukuen aina valkoiseen matalimpien arvojen pisteillä. Negatiivisia arvoja ei Polynomial order suostu ymmärrettävästi vastaanottamaan, mutta nollannen asteen interpoloinnilla saatiin nätti koko Suomen kattava interpolointi arvolla 0,777779-0,777778. Neljännen asteen interpoloinnilla saatiin jo verrattain villiä trendipintaa, ja melkoisia ääriarvoja: Tammikuun keskilämpötilat vaihtelevat yksistään Inarin alueella -19324 asteesta +7433 asteeseen. Environmentseista Maskin poistamalla sai korkeamman asteen interpoloinnit taasen vähän erilaisia kurveja, vaikka oman järjen mukaanhan Mask määrittää vain raja-arvot sille, kuinka kauas rasteri piirretään, eikä sen tulisi vaikuttaa mitenkään itse interpoloituihin arvoihin?

Kuva 2. GIF-animaatio eri asteen trendipintainterpoloinnista. Lähde: Ilmatieteenlaitos

 

Kuva 3. GIF-animaatio 0-5 asteen trendipintainterpoloinnista kourallisella sääasemista. Lähde: Ilmatieteenlaitos

 

IDW-interpoloinnin parametrejä määrittäessä Power-funktion optimointi antaa arvon muiden parametrien mukaan optimoidun arvon, joka on hieman kolmea korkeampi Neighbor-typen ollessa Standard, Smoothille antaen arvoksi 4. Arvo vaihtelee myös riippuen Sector typestä ja naapureiden määrästä, mutta pyörii kolmen ja neljän välillä. 20:stä ylöspäin lopputuloksena on melko kulmikkaita ja suoria raja-arvoja,  yhdellä jo varsin pehmeästi liukuvia. Cross Validationin regressiosuoran saa myötäilemään aika hyvin referenssisuoraa, kunhan power-arvon optimoi jokaiselle parametrille. Negatiivisimpien arvojen kohdalla väistämättä näyttää tulevan hitusen, taulukon taasen kertoessa että kaikista 179 pisteestä interpoloidessa vain 11 arvolle tulee positiivista heittoa yli 1, kun taas negatiivisista vain viidelle. Kaikista pisteistä keskimääräiseksi heitoksi tulee positiiviset 0,03635, joka miltei triplaantuu kun interpolointi-poweriksi vaihtaa optimaalisen neljän sijaan kolme, joten saanen olla tyytyväinen.

Lämpötilainterpoloinnin myötä tahdoin päästä testailemaan Raster Functionsien Analysis-valikon Heat Indexiä. Varsin yksinkertainen työkalu joka vaati vain rasterit lämpötilasta ja suhteellisesta kosteudesta, joka löytyi avoimena aineistona ilmatieteenlaitokselta. 10 km x 10 km kokoista suhteellisen kosteuden rasteria oli saatavilla vain vuosittaisena keskiarvona, mutta työkalu lähti silti testiin vaikka keskimääräiset lämpötilat olivatkin vain tammikuulta. Työkalun ajettuani ulos tuli nättiä, vaikkakin raskasta rasteria joka pitkälti myötäili IDW-interpolointia, erona kuitenkin se, että suhteellinen kosteus vaikutti ääriarvoihin: IDW:ssä skaala oli +4,0 – -13,3, kun taas lämpöindeksillä arvoiksi tuli +2,55 – -16,21. Ääriarvot löytyivät Hangonniemen nokasta ja Utsjoen Kevolta. Tarkemmin aineistoon en kuitenkaan päässyt enää tutustumaan, näet lähetti lämpötilaindeksi ArcGIS:ini loputtomaan kuolonkierteeseen, josta pelastuttiin vasta lataamalla vanha backup, jossa en tuota kohtalokasta työkalua vielä ollut ajanut.  Tähän ehkä kuitenkin vielä palaan, kovasti tahtoisin päästä tarkastelemaan vuotuista muutosta lämpöindekseissä, aineistoa ollessa saatavilla aina vuodesta 1961.

Hetkeä myöhemmin olinkin jo tarkastelemassa vuotuista muutosta lämpötilaindekseissä. Käytössä siis Ilmatieteenlaitoksen 10 km x 10 km suhteellisen kosteuden että lämpötilan rasterit vuodesta 1961 vuoteen 2020. Pienen pähkäilyn päätteeksi selvisi myös, että datan arvot oli piilotettu ovelasti bandseihin, joita löytyi 356, yksi vuoden jokaiselle päivälle. Ensimmäisellä bandsilla lämpöindeksin laskeminen tuottikin siis joka vuoden tammikuun lämpötilaindeksin. Oman järjen mukaan bandsit tulisi juntata yhteen kullekin rasterilla vuotuisen keskiarvon laskemiseksi, ArcGIS:n tapauksessa tämä tapahtui Composite Bands-työkalulla. Kaksi aineistoa joista tulisi laskea keskiarvot 365(+1) bandsista 10 km x 10 km pikseleille koko Suomen alueelle, ja toistaa tämä seitsemälle vuodelle: 2020, 2010, 2000, 1990, 1980, 1970 ja 1961, ja vielä juntata Heat Indexin läpi, ilman täyttä varmuutta siitä että koko työkalulla tai käsitellyllä aineistolla minkäänlaista korrektia dataa. Suuremmitta kikkailuitta aineistosta sai kuitenkin seuraavanlaisen kivan visuaalisaation vuoden 2020 tammikuun päivittäisistä keskilämpötiloista Suomen laajuudelta:

 

Kuva 4. GIF-animaatio tammikuun 2020 jokaisen päivän keskilämpötilasta. Lähde: Ilmatieteenlaitos

 

Kuva 5. Karttasarja Suomen kuukausittaisista keskilämpötiloista Spline-interpoloinnilla. Lähteet: Ilmatieteenlaitos, ESRI

 

Taulukko 1. Interpolointimenetelmien vertailua

 

Ettei spatiaalinen autokorrelaatio unohtuisi interpoloinnista, interpoloidaan seuraavaksi kahdella geostatistisella Kriging-interpolointimenetelmällä; Simple Krigingillä ja Empirical Bayesian Krigingillä. Interpoloitavana aineistona toimii HSY:n ilmanlaatua indikoivat mitta-aineistot typpidioksidipitoisuuksista vuodelta 2019 pääkaupunkiseudun 58 mittausasemalta. Mittausasemista on kirjattu typpidioksidipitoisuuksien lisäksi mittauspisteen mittausympäristö, tuulettuvuus sekä liikennemäärät. Ymmärrykseni mukaan ilmanlaatu voi vaihdella ajallisesti ja alueellisesti hyvinkin paljon, joten oletan että arvot ovat keskiarvoistettuja pidemmältä havaintojaksolta eri vuorokaudenaikoihin ja mittauspisteet ovat sijoitettu edustamaan alueen keskimääräistä ympäristöä. 58 mittausasemaa ei myöskään millään pysty kattamaan koko pääkaupunkiseutua siten, että jokaiselta alueelta saataisiin luotettavia arvoja interpoloinnilla, mutta työkaluna ilmanlaadun suuntaa antavan vaihtelun tarkastelulle aineisto varmasti toimii melko luotettavasti.

Aineiston paras ilmanlaatu on mitattu Espoon Luukin mittausasemalla, jossa typpidioksidia havaittiin 5 µg/m3. Muita erityisen hyviä arvoja mitattiin Helsingin Vartiokylän, Pirkkolan, Helsinki-Vantaan lentokentän, Espoon Särkikujan ja Niittymaan mittauspisteiltä, joissa arvot olivat 11-13 µg/m3. Huonoimmat arvot, 38 µg/m3 ja 34 µg/m3 mitattiin Helsingin Pohjois-Esplanadilta ja Sörnäisten Rantatieltä. Seuraava karttasarja Simple Kriging ja Empirical Bayesian Kriging-interpolointien tuloksista ja niiden standardivirhekartat havainnollistavat hyvin miten eri menetelmin voidaan päästä erilaisiin tuloksiin. Simple Kriging-interpoloinnin tulos oli nimensä mukaisestikin hieman EBK:ta yksinkertaisempi, eikä huomioinut niin hyvin jatkuvia arvoja >30 µg/m3 mittauspisteiden välillä EKB:hon verrattuna, mutta tällä menetelmällä standardivirhe pysyi hyvin pienenä erityisesti aivan mitta-asemoiden tuntumassa, joissa ennustepinta oli luotettavimmillaan kummallakin interpolointimenetelmällä. Monimutkaisemmalla kaavalla toimiva EBK-interpolointi taasen tuotti hieman villimmän mallin, jota indikoi myös suurempi standardivirhekartta. Interpolointimenetelmien tuloksien todentaminen muualla kuin mitta-asemien välittömässä läheisyydessä olisi ollut kiinnostavaa ja konkretisoinut paremmin eri metodien tuottamaa tuloseroa, mutta mittapisteaineistosta olisi esimerkiksi pitänyt erotella esimerkiksi kehä 1:n tuntuman mittapisteet, interpoloida uudelleen pelkillä kaukaisimmilla ja keskustan mittapisteillä, jonka jälkeen tulokset olisivat verrattavissa suoraan poisjätettyjen mittapisteiden datan kanssa.

Kriging-interpoloinnin parametrejä määritellessä päästiin melko lähelle referenssisuoraa, missään kohtaa kuitenkaan sitä koskematta toisin kuin IDW:ssä, tulokset ovat hieman positiiviseen päin vääristyneet.

Simple Kriging tuotti havaintopisteiden ollessa 58 keskimääräiseksi standardivirheeksi 5,96 ja keskiarvon 0,258, EBK-interpolointi neljällä sektorilla samaisella havaintopistemäärällä keskimääräiseksi standardivirheeksi 6,18 ja keskiarvoksi 0,135, ja yhdellä sektorilla keskimääräiseksi standardivirheeksi 6,54 ja keskiarvoksi 0,456. Huolimatta siitä, että kaikkien määriteltävien interpolointiparametrien kanssa on auttamatta hieman hukassa, oli lopputuloksena kuitenkin ymmärrettävät ja loogiset lopputulokset pääkaupunkiseudun ilmanlaadusta:

Kuva 6. Ilmanlaatu pääkaupunkiseudulla Kriging-interpolointimenetelmin. Lähde: Helsingin seudun ympäristöpalvelut

 

Lähteet

ESRI. Light Gray Canvas.

Helsingin seudun ympäristöpalvelut. Havaintoasemat.

Helsingin seudun ympäristöpalvelut. Ilmanlaatu 2019.

Ilmatieteenlaitos. Keskilämpötilat 2020.

Ilmatieteenlaitos. Sääasemat.

 

GIM2 – Soveltava soveltuvuusanalyysi

Seuraavassa soveltavassa GIS-harjoituksessa on määritelty soveltuva sijainti laskettelukeskukselle ja digitoitu sille alustava malli. Korkeuseroiltaan verrattain rajoittuneesta Suomenmaasta on laskettelukeskuksen sijainniksi etukäteen määritelty käsivarren alue. Käsivarresta riittävän korkeat, laajat ja jyrkät tunturit on määritelty maanmittauslaitoksen Korkeusmalli 10 m. x 10 m. rasteriaineistolla sekä tarkempaa tarkastelua on tehty Korkeusmalli 2 m. x 2 m. rasteriaineistolla. Sopivan tunturin löydyttyä maastonmuotoja siirryttiin tarkastelemaan hieman kokeellisesti laserkeila-aineistolla.

Suomen Ympäristökeskuksen latauspalvelusta ladattu tuorein Corine land cover-aineisto oli saatavilla vuodelta 2018, sekä rasteri että vektorimuodossa. Kevyemmän käsittelyn takia käyttöön valikoitui 20 m. x 20 m. rasteriaineisto. Maanpeiteaineiston perusteella määriteltiin sopivat sijainnit laskettelukeskuksen infrastruktuurin rakentamiseen.

Ilmatieteenlaitokselta keskimääräinen lumen paksuus 2020-aineisto, multiband-rasteriaineisto 10 km x 10 km tilastoruudukoin, joka piti sisällään vuoden jokaiselle päivälle yhden kaistansa, eli 365 kaistaa plus yksi karkauspäivälle. 20 neliökilometrin rasteriruudukoilla ei suurempia paikallisanalyyseja lumipeitteen paksuudesta suoritettaisi, mutta aineiston tarkoituksena on lähinnä antaa suuntaa-antavaa arviota lumipeitteen keskimääräisestä paksuudesta ajallisella skaalalla tarkasteltavalla alueella. Aineistoa lumipeitteen paksuudesta Ilmatieteenlaitoksella löytyy aina vuoteen 1961-asti, joten aineistoilla voisi tehdä laajempaakin tarkastelua, vaikka vuotuisessa lumipeitteen muutoksessa.

Kevyempien korkeusmalliaineistojen lisäksi projektissa oli käytössä Maanmittauslaitoksen laserkeilausaineistoja vuodelta 2016, 3 km x 3 km ruudukoilla, yhteensä 9 neliökilometriä per ruudukko. Ruudukkoja neljä kokonaista sekä kaksi pienempää ruotsin puolelle yltävää suikaletta, yhteensä 56 neliökilometriä. Laserkeila-aineistoilla lähinnä luotiin kourallinen 3D-malleja sekä tarkasteltiin alueen puustoa, satelliitti- ja ortokuvien kanssa tämän jäädessä vain silmämääräiseksi. Pistepilven luokitteluarvoja on hyödynnetty alueellisten 3D-mallien luomisessa: pelkkää maanpintaa on mallinnettu vain maanpinnaksi luokitelluista laserkeilatuista pisteistä, sekä puustomallia kaikilla pisteillä. Tiedostomuodoltaan kompressoidut .LAZ-tiedostot on tuotu ArcGIS:iin, jossa ne on purettu luettavaan muotoon Convert LAS-työkalulla ja Create LAS-Dataset työkalulla yhdistetty yhdeksi aineistoksi. Yhdistetyssä aineistossa laserkeilapisteitä oli yhteensä 59 595 191 kappaletta, aineiston Display Limit ylsi aina 100 000 000 pisteeseen ja pisteiden renderöintietäisyys oli asetettu aina 1:100000:n, joten ymmärtääkseni aineiston olisi pitänyt renderöityä kauempaakin katsottuna. 59 miljoonaa renderöitävää, korkeusarvonsa mukaan väriskaalautuvaa pistettä taisi olla koneelle kuitenkin liiaksi.

Muita tehtävään soveltuvia avoimia aineistoja on saatavilla esimerkiksi Tilastokeskukselta, tilasto- sekä väestöruudukkoaineistot sekä Ilmatieteenlaitoksen kattavammat aineistot alueellisista sääolosuhteista, lumipeiteaineiston lisäksi muun muassa tuuliolosuhteista ja lämpötilasta. Luonnonympäristön rajoitteiden, kuten suojelualueiden ja arvokkaiden maastoalueiden määrittämiseen tarvittavat aineistot ovat saatavilla Suomen ympäristökeskukselta ja Luonnonvarakeskukselta. Tämän lisäksi avoimista aineistoista käytettävissä olisi esimerkiksi Väyläviraston tiestöaineistot, sekä rakentamiseen soveltuvien kallioperäalueiden määrittäminen Geologisen tutkimuskeskuksen aineistoista.

 

Laskettelukeskuksen sijoittamista olisi voinut lähestyä monelta, ehkä hieman taloudellisesti kannattavammalta kantilta, mutta tässä tapauksessa suurin painoarvo oli sillä, että sijainnin tuli olla itseäni kiinnostava geologisesti, että geomorfologisesti. Käsivarsi veti puoleensa, yleisalueeksi valikoitui kaikki Karesuvannosta luoteeseen. Maanmittauslaitoksen kymppimetrisellä korkeusmallilla koostettiin Mosaic-työkalulla koko Käsivarren kattava korkeusmalli, joka ajettiin Slope-työkalun läpi ja uudelleenluokiteltiin laskettelurinteiden jyrkkyysasteikon mukaan. Käsivarren erämääalueelle ei olisi menemistä vaikka melkoisia tuntureita sieltä löytyikin, Käsivarrentien tulisi olla melko lähellä, Saanatunturille en laskettelukeskusta lykkäisi, ja tunturin tulisi olla tarpeeksi jyrkkä sekä korkea, etteivät rinteet jäisi parin sadan metrin syöksylaskuiksi. Peräti päällystetyn tien varrelta löytyikin tuleva erälaskettelijan unelma; jykevältä Rommaenon-litodeemilta yli 730 metrin korkeuteen kohoava todellinen tonaliittijärkäle, Lammasoaivi-tunturi (Kuva 1.)

 

Kuva 1. Lammasoaivi-tunturi. Lähde: Maanmittauslaitos.

Tässä kohtaa todettakoon että taloudellisesti tuottavaa turistirysää kaavaileva voisi hyödyntää optimaalisen sijainnin määrittämisessä vaikka Tilastokeskuksen väestöruudukkoaineistoja, joiden perusteella luoda etäisyysvyöhykkeitä mahdollisimman lähelle suuria väestökehittymiä, luoda puskurianalyysein maksimietäisyydet pääväyliltä, pitää riittävää etäisyyttä nykyisistä laskettelukeskuksista Jyväskylän yliopiston Lipas-palvelun laskettelukeskukset sisältävillä Suomen liikuntapaikkojen avoimilla paikkatietoaineistoilla ja vasta tämän jälkeen soveltuvilta alueilta haravoida korkeusmalliltaan soveltuvia mäennyppylöitä laskettelukeskukselleen. Taloudellinen hyöty tai realistinen toteutus ei taasen omassa projektissani paljoa paina, nukun yöni paremmin tietäen ettei, hypoteettinen laskettelukeskukseni ei koskaan Lammasoaiville koskaan nouse, suurimman huolen ollessa se, että tuleekohan parkkipaikkani nyt viisisataavuotiaan poronerottelupaikan päälle. Markkinavoimat vaan ovat jo lonkeronsa Lammasoaivillekin ulottaneet, pyörii näet tunturin huipulla maailman ensimmäinen arktinen tuulivoimapuisto, joten eiköhän roottoreiden lomaan pari hiihtohissiäkin mahdu.

 

Ettei projekti jäisi ainakaan lähtöaineistojen tarkkuudesta kiinni, on korkeus- ja rinnemallit muodostettu laserkeilatuista aineistoista (Kuva 2.) Neljästä pienemmästä ruudukosta koostettu 18 neliökilometrin rajatusta LAS-datasetista on suoraan, ihan kokeilumielessä, tuotettu kuvanmukainen rinnemalli kevyessä 34 minuutin prosessointiajassa, joka pitää sisällään myös puut. Surface Slope-työkalun asetuksista rinteen arvoksi määräytyä nimenomaisesti jyrkkyysaste, mutta lopputuotoksessa arvot asettuivat 1-9 välille. Fuksiläppärin prosessorille armeliaana laser-aineistot on summattu LAS Dataset to Raster-työkalulla vähän kevyempään rasterimuotoon: Kahteen 0,5 m. x 0,5 m rasteriaineistoon, joista toinen on tuotettu pelkillä maastopisteillä ja toinen kaikilla pisteillä. Siinä missä Maanmittauslaitoksen 2 m. x 2 m. korkeusmalli ajaisi pitkälti samaa asiaa ja on valmiina pakettina ladattavissa, ovat omat tuotokseni kuitenkin 75% prosenttia tarkemmat spatiaaliselta resoluutioltaan, ja ottavat halutessani myös huomioon 47,55 metriä Lammasoaivin huipun yläpuolella pyörivät tuulimyllyjen roottorit.

Kuva 2. Laserkeila-aineiston kaikista pisteistä renderöintietäisyyden puitteissa koostettu korkeusmalli alueelta, jonne on epähuomiossa livahtanut myös taustalla olevan taustakartan Service Layer-lähde. Lähde: Maanmittauslaitos, ESRI

Masstorasterista on laskettu Hillshade 180 Azimuthilla ja 45 asteen tulokulmalla, eli mallin mukaan aurinko paistaa suoraan etelästä ja 45 asteen kulmassa, simuloiden keskimääräistä auringon paistekulmaa ja -suuntaa. Laskettelurinteiden kausittaisia valaistustarpeita ymmärräkseen tulisi ymmärtää myös pohjoiskalotin villejä vuotuisten valaistusvaihteluita, mutta suuntaa antavaa arviota tarjoavat nämä Hillshade-mallit 45 ja 20 asteen kulmista, joihin on mallinnettu myös rinteiden vastapuolelle jäävät varjot. Puuston alueellisen peittävyyden kartoittamiseen on sovellettu laserkeila-aineiston luokitteluja, eli pistepilviaineistosta on eritelty sekä kaikki pisteet että pelkät maastopisteet, jonka jälkeen molemmat rasterit on ajettu Change Detection-työkalun läpi, joka laskee molemmista rastereista pikseliarvot ja tuottaa uuden rasterin lasketulla erotuksella. Muutosrasteri on visualisoitu vihreäksi muutosarvojen mukaan edustamaan puustoa, rakennetun ympäristön ollessa vähäistä alueella. Vesistöt tuottivat laserkeila-aineistoista jäännöspisteitä, jotka erottuvat paikkapaikoin poikkeavin arvoin etenkin Muonionjoen varrella.

Laserkeila-aineistoista ja niistä mallinnetuista korkeusmalleista on koostettu kattava maastomallinnukseen keskittyvä karttasarja:

Kuva 3. Laserkeila-aineiston maastopisteistä johdettu Aspect Slope-aineisto, joka havainnollistaa rinteiden aukeamissuunnan ja suhteellisen jyrkkyyden. Lähde: Maanmittauslaitos

 

Kuva 4. Korkeusmalli 10 metrin korkeuskäyrin. Lähde: Maanmittauslaitos

 

Kuva 5. Korkeus- ja maastopisteiden rinnemallista koostettu allekirjoittaneen silmään varsin visuaalisesti miellyttävä maastomalli. Lähde: Maanmittauslaitos

 

Kuva 6. Kaikista laserkeila-aineiston pisteistä koostettu rinnemalli. Lähde: Maanmittauslaitos

 

Kuva 7. CORINE-maankäyttöluokkien mukainen maanpeitekartta ja laskettelukeskukselle kaavoitettu alue. Lähde: SYKE, OpenStreetMap

 

Kuva 8. Rinnemalli ja puuston mallinnusta. Lähde: Maanmittauslaitos

 

Kuva 9. Digitoitu laskettelukeskus idästä 3D Local Scene näkymässä. Lähde: Maanmittauslaitos, OpenStreetMap

 

Lähteet

ESRI. Light Gray Canvas.

Maanmittauslaitos. Laserkeila-aineistot W3332C1, W3332C2, W3332C3, W3332C4, W3332E1, W3332E2. 2016.

OpenStreetMap. OSM-Standard

SYKE. CORINE Land Cover 2018.

GIM2 – Näkyvyysanalyysit

Karigasniementieltä Kevon tutkimusasemalle Kevon luonnonpuiston läpi kulkevien vaellusreittien pohjalta on digitoitu mieluisa vaellusreitti läpi luonnonpuiston, joka suorimman reitin sijaan koukkaa tutkimusaseman tuntumassa nelostien kautta liftausmahdollisuutta varten, minimoidakseen maastossa vietetyn ajan, eli maksimoidakseen vaelluksen nautinnollisuuden (Kuva 1.) Vaellusreitille tuli yhteensä pituutta 66 kilometriä, ja alueella paljon aikaa paikkatietojärjestelmien kautta välillisesti viettäneenä todettakoon, että läpivaellus Kevolla on vaikuttanut hyvin houkuttelevalta, kunnes seuraavat analyysit toivat ilmi ettei vaellusreitillä ole täydellistä 4G-yhteyttä, saatika GSM-kuuluvuutta. Nämä vaellushaaveet murskattiin luomalla maastonmuotoja mukaileva vaellusreitti, jolle on luotu katve- ja kuuluvuusalueet mobiililaitteille korkeusmallin ja alueen linkkimastoaineiston perusteella.

 

Kuva 1. Digitoitu vaellusreitti Kevolla ja reitin lähtö ja loppupisteet alueen maastomallilla. Lähde: Maanmittauslaitos, OpenStreetMap

 

Alueelta on Visibility-työkalulla määritelty linkkimastojen korkeuden ja signaalin kulkuetäisyyden parametrein perusteella määritelty maastonmuodot huomioonottava GSM-signaalin teoreettinen kattoalue. Interpolate Shape-työkalulla kolmiulotteiseksi muutetulle vaellusreitille on päällekkäisanalyysilla yhdistetty katve- ja kattoalueet koko reitin mitalta. Nykyisillä linkkimastoilla 66 kilometrin vaellusreitillä 54 prosenttia reitistä on GSM-kuuluvuuden ulkopuolella, yhteensä 36,2 kilometriä. Yhteyksiä ulkomaailmaan arvostaville eränkävijöiden ja muiden alueelle sattuvien seikkailijoiden iloksi reitiltä on kuitenkin samaisella työkalulla tuotettu optimaalinen sijainti uudelle mastolle, joka kattaa mahdollisimman paljon reitin katvealueista. Keskelle tunturia isketyllä mastolla saavutettiin kuuluvuutta 45,5 kilometrin matkalle, ainoastaan 20,4 kilometrin osuuden vaellusreitistä jäädessä yhä katveeseen, yhteensä 31% reitistä. Kattavuus reitillä parani siis 23 prosentilla, ja tämän lisäksi kattoalueilla linkkimastoyhteyksien määrä parani huomattavasti, kuten havainnollistuu alla olevista kartoista.

 

Kuva 2. Näkyvyysanalyysi vaellusreitiltä ja uuden maston sijainti: 26,782 astetta itäistä pituutta, 69,533 astetta pohjoista leveyttä. Lähde: Maanmittauslaitos

Keskeisemmät analyysin tuloksen tarkkuuteen vaikuttavat tekijät ovat lähtöaineisto ja analyysissa käytettävä resoluutio. Kantiltaan 40 metrin solukoolla ajettu Visibility-analyysi prosessoi melko kauan ihan kiitettävän prosessointivoiman koneella. 20 metrin solukoon analyysi taasen ruksutti taasen vähän turhankin hitaasti. 40 metrin solukoko, siinä missä korkeusmallin 10 metrinenkin, on aina enemmän tai vähemmän keskiarvoistettu pinnanmuotomalli, jättäen pienemmät maastonmuodot pois aineistosta. Näillä parametreilla jokainen, pinta-alaltaan 1600 neliömetrin solu keskiarvoistetaan tasaiseksi tasoksi yhdellä korkeusarvolla, häivyttäen täysin alueen sisäiset paikallisemmat maanmuodot, kuten kuopat ja kummut. Paikallisten maastonmuotojen lisäksi analyysi ei ota huomioon myöskään puuston vaikutusta. Todellisuudessa signaalin kattavuus lienee kuitenkin hieman parempi kuin mitä analyysi antaa ymmärtää, GSM-signaalien kuitenkin heijastuessa ja kimpoillessa maastonmuodoista niillekin katvealueille, joissa suoraa yhteyttä torniin ei olekaan.

 

Kuva 3. Vaellusreitin kuuluvuus nykyisillä ja uudella mastolla. Lähde: Maanmittauslaitos

 

Kuva 4. Local Scene-työkalulla luotu 3D-malli kolmiuloitteisen vaellusreitin varrelta. 26,642 I, 69,527 P, 200 metriä maanpinnan yläpuolelta. Lähde: ESRI

 

Lähteet

ESRI. World Elevation Terrain 3D.

Maanmittauslaitos. Korkeusmalli 10 m. x 10 m.

Maanmittauslaitos. Mastot.

OpenStreetMap. OpenStreetMap Standard-taustakartta.

 

GIM 2 – Rasterianalyysi II

Rasterianalyysit jatkuvat kasvustoteemalla, tällä kertaa kotimaisista Luonnonvarakeskuksen puustoaineistoista siirrymme kohti laajempaa eurooppalaista skaalaa ja CORINE-maanpeiteluokka-aineistoa, joka ottaa projektissamme rasterimuodon 2 m. x 2 m. pikselikoolla. Aineistoa on käsitelty kevyempään muotoon rajaamalla se vain tarkastelualueelle Clip Raster-työkalulla, tehty tietokantaliitos Excel-taulukosta Join-työkalulla ja otettu aineiston attribuuttitaulukon sisältö tarkempaan tarkasteluun. Tämän jälkeen maanpeiteaineiston ja edeltävien harkkojen maasto- ja uomamallien perusteella on tehty soveltuvuusanalyysi telttapaikoille työvaiheiden virtaviivaistamiseen ja automointiin soveltuvassa ModelBuilderissa, jonka käyttöliittymän ESRI:n paikkatietojärjestelmäkonglomeraatti on näemmä tuonut leikkaa-liimaa toiminnolla suoraan alkuperäisestä 2000-luvun alun Microsoft Paintista.

 

Kuten kuva 1. ja taulukko 1. hyvin havainnollistavatkin, yli 60 prosenttia tarkasteltavasta alueesta on luokiteltu varvikoiksi ja nummiksi, pääasiassa kanjonia korkeammilla tunturilakeuksilla, joissa kasvualusta ei sovellu suuremmille puille, eikä maastonmuodot mahdollista soiden muodostumista. Täysin paljasta kalliomaata on vain tuntureiden huipulla, järvien ollessa taasen pitkälti jokien yhteydessä. Lehtimetsien osuus ja sijainti paisterinteillä korostuu edeltävän projektin mukaisesti, havu- ja sekametsien luokituksen jäädessä melko vähäiseksi verrattuna edeltäviin puustokarttoihin. Siinä missä Kevojoen kummallakin puolella olisi rantahietikoiksi luokiteltavaa maanpeitettä, on luokittunut kuitenkin vain joen kaakkoispuoli luokan mukaan.

Tämä havainnollistaneekin sitä, että muun muassa maanpeitettä tarkkailevan Landsat-kaukokartoitussatelliitin datasta tuotettu yhteiseurooppalainen Corine Land Cover-aineisto tuotetaan luokittelemalla ja keskiarvoistamalla alueen maankäyttöä, määrittäen yhden arvon joka pikselille, vaikka todellisuudessa joen kaakkoistörmä voisi olla tarkemmalla skaalalla sekoitus vaikkapa havupuuvaltaista kivennäismaata, rantahietikkoaja sisämaan kosteikkoa maalla. Kuuden vuoden välein pääasiallisesti satelliittikuvien visuaalisella tarkastelulla tuotettavasta Corine Land Cover-aineistosta Suomen ympäristökeskus tuottaa kuitenkin tarkempaa kansallista dataa muun muassa maanmittauslaitoksen ja luonnonvarakeskuksen kaukokartoitus- ja paikkatietoaineistoilla. Tässäkin harjoituksessa käytetty vuoden 2018 CLC-aineisto jäänee kuitenkin lajinsa viimeiseksi, uuden sukupolven yhteiseurooppalaisen maanpeiteseurantajärjestelmän ollessa jo kehityksessä.

 

Kuva 1. Tarkastelualueen maanpeite Corine land cover-luokituksella. Lähde: SYKE, Maanmittauslaitos

 

Taulukko 1. Maanpeiteluokkien jakautuminen tarkastelualueella. Lähde: SYKE

 

Seuraavan kartan sopivat sijainnit telttapaikalle Kevolla on määritelty eri aineistoja ristiintarkastelemalla soveltuvuusanalyysilla seuraavin vaatimuksin:

Telttapaikan tulee sijaita alle 260 metrin korkeudella, metsäpohjaisella maanpeitteellä, alle 10 astetta jyrkällä rinteellä ja enintään 200 metrin etäisyydellä vesiuomista, eikä se voi olla pohjoiseen avautuvalla rinteellä. Telttapaikalle soveltuvat alueet ovat koostettu useammasta aineistosta, joista on binäärisellä luokittelulla määritelty sopivat sekä sopimattomat sijainnit, jonka jälkeen niistä on mallinnettu soveltuvuusanalyysilla ne sijainnit, jotka soveltuvat telttapaikalle kaikkien aineistojen pohjalta. Telttapaikalle soveltuvat sijainnit saavat paikkapaikoin hieman kummallisia muotoja niiden ollessa muutettuna rasterimuodosta vektoreiksi. Rajoitteena toimii jälleen lähtöaineiston tarkkuus, osan polygoneista ollessa suoraan uomien päällä.

 

Kuva 2. Telttapaikat maastokartalla. Lähde: Maanmittauslaitos, ESRI.

 

Pääasiassa soveltuvuusanalyysi tuotti toivottavia tuloksia, joita voi käyttää ainakin suuntaa-antavana pohjana telttapaikan määrittelylle. Siihen, kasvaako juuri täydellisen telttapaikan päällä puu tai möllöttääkö siinä suurenmoinen siirtolohkare, ei aineisto ota kantaa. Lisäkriteereinä telttapaikalle voisi määrittää sen saavutettavuus esimerkiksi vesistöjen ja jyrkkien rinteiden rajaamana, riittävä koko teltalle, sijainnin suojaisuus tuulelta ja se, ettei teltta satu kuoppaan johon sateen yllättäessä kerääntyy kaikki vesi. Telttapaikan lisäksi soveltuvuusanalyyseja voi soveltaa kokonaisen vaelluksen suunnitteluun: Reitti on suunniteltavissa päiväkohtaisesti sopivaksi kuljetulta etäisyydeltään ja korkeusvaihteluiltaan, ruokailut on ajoitettavissa taukopaikoille joissa on saatavilla virtaavaa vettä ja sopivan suojaisaa, riippumaton voi iskeä kiinni vaikkapa reitin varteen sopivan puustoiselle ja suojaiselle alueelle, kahden riittävän suuren ja etäisyydeltään soveltuvien puiden väliin, jonka voi vaikka laserkeilausaineistosta määrittää. Sääaineistoista on selvitettävissä ajankohta vaellukselle jolloin keskimääräisesti sääolot ovat suotuisimmat lämpötilaltaan ja sateisuudeltaan, ja parhaat kala-apajat on haarukoitavissa vesistöaineistoista. Avoimia aineistoja löytyy miltei joka lähtöön innokkaalle vaeltajalle, ja seuraava kartta onkin väsätty helikopterein matkustaville eräilijöille: Aineistoista on määritelty maastonmuodoltaan tasaiset harvapuustoiset kivennäismaa-alueet riittävän etäällä jyrkistä rinteistä ja maastoesteistä, joista helikopterin laskeutumiselle riittävän suuret alueet on haarukoitu luomalla negatiivinen 15 metrin bufferi alueiden ulkoreunalle, tuottaen kummaltakin sivultaan vähintäänkin 30 metriä leveät laskeutumisalueet, jonne helikopteri ylipäätänsä mahtuisi laskeutumaan tunturituulessakin. Tämän lisäksi telttapaikkapolygoneille on laskettu etäisyys lähimpään kopteripaikkaan, joka tosin kulkee toistaiseksi vain linnuntietä ottamatta huomioon vesistöjä, jyrkkiä rinteitä ja muuta haastavaa maastoa.

 

Kuva 3. Teltta- ja helikopteripaikat maastokartalla. Lähde: Maanmittauslaitos, ESRI.

 

Lähteet

ESRI. Light Gray Canvas-taustakartta.

Suomen ympäristökeskus. Corine land cover 2018.

Maanmittauslaitos. Maastokartta.

Maanmittauslaitos. Korkeusmalli 2 m. x 2 m.

GIM2 – Rasterianalyysi I

Seuraavassa harjoituksessa perehdytään puustoon Kevon kanjonin tarkastelualueella. Digitaalisen korkeusmallin ja mallinnettujen uomien lisäksi lähtöaineistona toimii Luonnonvarakeskuksen avoimet puustoaineistot vuodelta 2019. Luonnonvarakeskuksen karttamuotoiset aineistot ovat rasterimuodossa 16 m. x 16 m. hilalla, luokiteltuina havu- ja lehtipuiden eri tunnusluvuin, joista tässä harjoituksessa perehdytään erityisesti latvuspeittoon, kokonaisbiomassaan sekä latvuskorkeuteen. Metsäntutkimuslaitoksen metsien monilähteiseen inventoinnin maastotietoihin, satelliittikuviin sekä muuhun numeeriseen paikkatietoon perustuen luonnonvarakeskus on tuottanut metsävaratiedot koko Suomeen, joista yhdeksän karttateemajoukkoa on saatavilla Kevon alueella. Biomassa-aineistoissa puuston biomassa esitetään luokissa 10 kg/hehtaarilta, latvuspeiton osuuden kokonaispinta-alasta ollessa taasen arvioitu puuston vaakatasoon projisoituun latvusmalliin koealalta, jonka perusteella on regressiomallin avulla arvioitu alueellisilta koealueilta (Luonnonvarakeskus, 2021). Lehtipuuston latvuspeittävyys on johdettu koko puuston latvuspeittävyydestä käyttäen lehtipuuston pohjapinta-alan osuutta koko alan puuston pinta-alasta.

 

Kuva 1. Puuston biomassajakauma tarkastelualueella. Lähde: Luonnonvarakeskus, Maanmittauslaitos

 

Karttasarjat puuston biomassasta ja latvuspeittävyydestä on tuotettu summaamalla biomassaositerasterit Raster Calculator-työkalulla puulajeittain sekä muutettu biomassa-arvo tonneiksi hehtaareissa. Kuvan 1. kokonaisbiomassakarttasarjassa havainnollistuu puulajien kokonaisbiomassaerot sekä niiden alueellinen jakauma. Ympäristönä tarkastelualue on varsin mielenkiintoinen, verrattain pienelle alueelle mahtuu paljon puuston levinneisyyteen vaikuttavia tekijöitä, kuten kasvualustan soveltuvuus, vaihtelevat vuotuiset sääolosuhteet ravinteiden ja veden saatavuus, saatavan valon määrä, rinteen jyrkkyys, tilalliset rajoitteet ja kilpailu kasvupaikasta. Ilmeisimmät erot puulajien välillä ovat puuston sijoittuminen verrattain matalille korkeuksille pääasiallisesti uomastojen läheisyyteen, lehtipuiden dominanssi ja kuusen verrannolinen vähäisyys, sekä karummissa kasvuoloissa selviävien havupuiden kokonaisbiomassan keskittyminen uomien kaakkoisrinteen puolelle, lehtipuiden taasen vaatiessa luoteisrinteiden parempaa valonsaatavuutta. Havupuiden kilpaillessa samoista kasvualueista, on kuusen kokonaisbiomassa jäänyt varsin vähäiseksi alueella, männyn ollessa valtapuuna kuusen kanssa jaetuilla kasvualueilla ja männyn kilpaillessa myös lehtipuiden kasvualueilla.

Taulukko 1. Biomassan jakautuminen etäisyysvyöhykkein. Lähde: Luonnonvarakeskus

 

Kuva 2. Puuston latvuspeitto tarkastelualueella. Lähde: Luonnonvarakeskus, Maanmittauslaitos

Latvuspeittoaineisto taasen havainnollistaa paremmin taasen korkeampien korkeusvyöhykkeiden puustoa: Siinä missä kokonaisbiomassakartoissa tunturialueiden puusto jäi miltei täysin pois asetettujen raja-arvojen takia, havainnollistuu havupuiden määrä korkeammilla alueilla paremmin latvuspeittokartoissa.

Taulukko 2. Latvuspeitteen jakauma korkeusvyöhykkeittäin

 

Lähteet

Luonnonvarakeskus. Puustoaineistot. 2019

Luonnonvarakeskus. https://www.luke.fi/tietoa-luonnonvaroista/metsa/metsavarat-ja-metsasuunnittelu/metsavarakartat-ja-kuntatilastot/. Noudettu 5.12.2021

Maanmittauslaitos. Korkeusmalli 2 m. x 2m. 2020

GIM 2 – Korkeusmalli ja hydrologinen analyysi

Projektin lähtöaineistona on käytetty digitaalista korkeusmallia Kevon kanjonin alueelta. Kahden metrin pikselikoon aineisto kattaa yhteensä 36 neliökilometrin kokoisen alueen, käyttää yksiköinään niin vaaka- kuin korkeussuunnassa yksiköinään metrejä ja on projisoitu ETRS-TM35FIN -koordinaattijärjestelmälle. Maanmuotojen havainnollistamiseksi korkeusmallista on tuotettu rasterimuotoiset johdannaiset: Vinovalovarjoste Hillshade-työkalulla, rinteiden jyrkkyysmalli Slope-työkalulla ja rinteiden suuntamalli Aspect-työkaluilla sekä vektorimuotoiset korkeuskäyrät Contours-työkalulla. Korkeusmallin ja sen johdannaisten pohjalta on mallinnettu alueen hydrologiaa: Uomat ja kuopat ovat mallinnettu korkeusmallista Flow direction- ja Sinks-työkaluilla. Mallinnettujen uomien perusteella on alueelle määritelty valuma-aluejako Basins-työkalulla sekä Reclassify-työkalulla luokiteltu uomia neljään luokkaan, riippuen siitä, kuinka suurelta alueelta uomaan vettä virtaa.

 

Korkeusmallit

Tarkastelualueen korkein kohta, 422,735 mmpy. sijaitsee karttalehden länsireunalla Fiellogahskáidi-tunturilla. Karttalehden matalimmat arvot, 145,9 mmpy. alueet sijaitsevat karttalehden koilliskulmassa jokilaakson pohjalla (kuva 1.)Pienen puljaamisen jälkeen ääriarvot karttatasolta pääsi visualisoimaan toivottavalla tarkkuudella (Kuva 1.) Symbology-valikosta vaihtamalla Stretch typen Minumum Maximum-arvoille. Rinteiden jyrkkyyksiä tarkastellessa kanjonin ja sen kahden suurimman sivu-uoman seinämien jyrkkyys on keskimääräisesti yli 45 astetta, karttalehden koilliskulman sivu-uoman rinteiden jyrkkyyden jäädessä noin 30 asteeseen. Alueen jyrkimmät rinteet ovat miltei 80 astetta jyrkkiä, kanjonin kaakkoisrinteen ollessa säännöllisesti hieman luoteisrinnettä jyrkempi, jyrkimmän rinteen sijaitessa karttalehden lounaiskulmassa kaakkoisrinteellä.

Rinnevarjostus auttaa visualisoimaan karttaa ja helpottaa pinnanmuotojen lukemisessa, visuaalisesti kuitenkin vääristäen karttaa, korostaen varjorinteitä enemmän. Aspect-työkalu toimii hyvin siinä mitä varten se on tehty, luokittelemaan ja visualisoimaan rinteiden suuntaa, kun sitä tarvitaan. Toimii hyvin laajempien ja pinnanmuodoiltaan suuripiirteisten alueiden tarkasteluun. Suuremman mittakaavan alueiden rinteiden suuntien toimii työkalulla myös melko hyvin, riippuen kuitenkin aina lähtöaineiston tarkkuudesta sekä tasaisempien pintojen luokittumisesta. Slope-työkalu taasen tuottaa mielestäni visuaalisesti miellyttävimmän ja neutraaleimman mallin pinnanmuotojen lukemiseen, sen vääristämättä jonkun suunnan rinteitä toisin kuin rinnevarjostus. Yhdessä kaikki kolme aineistoa sekä digitaalinen korkeusmalli saadaan pienellä visualisoinnin viilauksella toimimaan hyvin yhdessä, kuten hydrologisen mallinnuksen kartoissa havainnollistuu.

 

Hydrologinen mallinnus

Karttalehden aluetta hallitsee yksi päävaluma-alue, jonka pääuoma on Kevojoki. Valuma-alueita mallintaessa karttalehden pohjois- ja eteläreunalle muodostuu kuitenkin erikokoisia valuma-alueita, pinta-alaltaan 1,15 neliökilometristä aina yksittäisiin neljän neliömetrin pikseleihin, sekä kolmeen kahden valuma-alueen leikkauskohtiin muodostuviin 2,2 neliömetrin kolmioon, joiden syntyperä jäi mysteeriksi. Siinä missä pienemmät mallinnetut valuma-alueet myötäilevät tunnollisesti maastonmuotoja ja ovat jossain määrin realistisia pienemmällä skaalalla, mallintuisivat kuitenkin karttalehden reunojen valuma-alueet yhtenäisemmiksi, mikäli niitä mallinnettaisiin laajemmalla skaalalla. Vain karttalehden alueelta mallintaessa Basin-työkalulta jää täysin analysoimatta karttalehden ulkopuoliset alueet, luoden pieniä ja epäyhtenäisiä valuma-alueita karttalehden reunoille. Hyvin pienien valuma-alueiden synty pohjautunee taasen käytettyyn lähtöaineistoon, mallinnuksen tarkkuuden rajautuessa vain KevoDEM-aineiston 2 m. x 2 m. pikselikokoon.

 

Kuva 1. Mallinnetut valuma-alueet korkeusmallilla. Lähde: Maanmittauslaitos

 

Yhtälailla uomia mallintaessa yksi tarkkuutta rajoittavista tekijöistä oli lähtöaineiston pikselikoko. Korkeampien raja-arvojen uomat mallintuivat melko realistisesti näillä työkaluilla, joskin hieman kulmikkaiksi lähtöaineistosta johtuen. Pienempiä uomia tarkastellessa epäloogisuuksia alkoi löytymään lisää, kuten aivan vierekkäisiä uomia, uoman jakautumisia ja uudelleenyhtymistä, pieniä pikselikuutioita, sekä haasteita isompien uomien ja poukamien kohdalla. Pienimpien uomien raja-arvo valikoitui 10000 pikseliin, kahden hehtaarin valuma-alueiden ollessa rajatulla hydrologisella ymmärrykselläni realistia runsaiden sateiden aikaan. Tämä havainnollistui etenkin uomia ortokuvaan verrattaessa, jossa suuri osa pienemmistä uomista löysivät oman paikkansa maastonmuotojen välistä. Maastokartasta ei taasen pienempiä uomia ole merkattuna ymmärrettävistä syistä, mutta kartan korkeuskäyriä uomat kuitenkin noudattavat. Korkeammalla raja-arvolla uomat mallintuisivat varmasti paremmalla tarkkuudella: Mitä suuremmalta alueelta uomien muodostuminen lasketaan, niin sitä suuremmalla todennäköisyydellä kaikki vesi ei imeydy maaperään vaan pintavalunta jää riittäväksi muodostaakseen uomia. Jollain matemaattisella mallilla tämäkin lienee selvitettävissä, mutta vailla parempaa ymmärrystä ja kattavaa dataa alueen hydrologisista olosuhteista, jää tämä toistaiseksi mysteeriksi.

 

Kuva 2. Mallinnetut uomat korkeusmallilla. Lähde: Maanmittauslaitos

 

Lähteet

Maanmittauslaitos. Korkeusmalli 2 m. x 2 m. 2020

 

GIM2 – Päällekkäisanalyysit

Jo reilu vuosi sitten innokkaana paikkatieteilijän alkuna suuntasin yliopiston ohjelmistojakeluun jo orientaatioviikolla, aikeissa päästä sen paljon puhutun ArcGIS:n puikkoihin. Homma tyssäsi kuitenkin siihen, että vaikka ohjelmisto oli asennettuna niin lisenssi itsessään puuttui. Nyt kuitenkin on lisenssit, tämä lienee samankaltainen tunne kuin se tunne, jonka uuteen autoon juuri avaimet käteensä saaneet autoihmiset tuntevat.

Ensisilmäykseltä kaupallinen ArcGIS Pro on hieman laajempi, tyylitellympi ja käyttöliittymältään vähemmän kulmikas kuin tuttu ja turvallinen, simppelin sympaattinen QGIS. Siinä missä oletinkin ArcGIS Pro:n työkalutarjonnan olevan laajempi, pääsee avoimen lähdekoodin QGIS:n plugineilla myöskin aika pitkälle, kunhan niitä käyttämään oppii. Geomarkkinointityökalua tuskin QGISistä löytyy, Arcista moinen Workflow löytyy jo näemmä heti työkalupalkista Business Analystin nimellä. QGIS:ssä päällekkäisanalyysit ovat taannoin tuottaneet hieman ongelmia, Arcissa ainakin yksinkertaiset moiset näyttävät sujuvan melko kevyesti ja ongelmitta. Kiitosta ESRI:lle myös siitä, että attribuuttitaulujen muokkaaminen on tehty helpoksi Arcissa, tässäkin harjoituksessa käytetyt Calculate Field, Dissolve Fields ja Add, Calculate ja muut toiminnot löytyvät heti attribuuttitaulukon toolbarista, kun taasen QGIS:ssä törmää aina välillä No permission to edit layer-herjaan tai vastaavaan. Attribuuttiarvojen ystäville tarjolla myös aikamoiselta myllyltä vaikuttava Data engineering-työkalu, tähän tulee tutustua paremmin kun siihen soveltuva pulma löytyy.

Toolbareja haluaisin päästä muokkailemaan, toistaiseksi työkaluja saa kunnolla etsiä valikoiden kätköistä. Asetuksista näemmä löytyy tätä varten Customize the Ribbon-valikko, josta voi valikoida vaikka käytetyimpiä työkaluja ja toimintoja helposti saataville ja halutessaan myös ryhmittelemään työkaluja ja toimintoja. Tämän kaltainen Quick access toolbar tekisi työskentelystä sujuvampaa, esimerkiksi voisi luoda omat työkaluryhmät rastereille, vektoreille ja visualisoinneille. Komentorivipohjainen perintö näkyy vahvasti Arc-tuoteperheen ohjelmistoissa, ensimmäisen Python-pätkän tullessa vastaan jo ensimmäisessä harjoituksessa. Allekirjoittaneen vähäinen, mutta ei kuitenkaan olematon, koodauskokemus auttanee vähän Arcinkin kanssa. Kovemmissa koodikikkailuissa vaadittaneen vähän laajempaa ymmärrystä Pythonista, esimerkiksi tässäkin projektissa olisi asiansa osaava luonut koodinpätkät yksinkertaisille laskutoimituksille, kuten prosenttiosuuksien luomiselle maankäyttöluokille ja niiden osuuksille kaupunginosissa. Python Guideja tarjolla Youtubestakin tarkoituksella ArcGIS:lle, joten niillä pääsee ehkä perus else-if lausekkeita pidemmälle ainakin perustoiminnoissa. Muistutuksena itselleni myös se, että tiedostopolut, projektikansiot, folder connectionit ja muut kannattaa pitää Arcin kanssa kunnossa mikäli projekteistaan ja aineistoistaan vähänkään välittää, näistä olen kuullut kauhukuvia kantapään kautta oppineilta.

Seuraavaksi vielä ohjeistus siitä, miten sinäkin voit olla coolimpi ArcGIS Pro:n käyttäjä kuin GIS-luokan naapurisi: Settings > Options > Application > General > Application Theme > Dark. Seuraavaksi ohjelman käynnistäessä käyttöliittymä on tumma, eksponentiaalisesti coolimpi ja ennen kaikkea silmäystävällinen. Samoin tummasävyisten karttojen, kuten tämän pohjois-Helsingin maankäyttökartan (Kuva 1.), työstäminen lievittää huolta tappisolujen tulevaisuudesta ja säästää silmiä, jotta vapaa-ajalla vois katsoa lisää näyttöjä. Visuaalisesti miellyttävät kartat eivät ainoastaan miellytä visuaalisesti, vaan parantavat käyttökokemusta ihan käyttäjälähtöisestikin. Tätä siis tavoittelen, välttäen kuitenkaan monituntisia visualisointisessioita, joihin on melko helppo hukkua. Tämän projektin kartoissa lähinnä tummat taustakartat ja tummemmat sävyt, vitivalkoisen ja pikimustan välttäminen, ennemmin sävyjä lähempänä harmaita, hyvin yhteensopivien värien käyttö sekä ehkä aliarvostettuna visualisointikikkana Transparency, Layer ja Feature Blend. QGIS:ssä mikäli halusit säilyttää kohteiden väriskaalan ja samalla esim. kasvattaa pisteen kokoa attribuutin arvon perusteella, oli se todella uuvuttavan manuaalisen työn takana. Arcissa molemmat näemmä onnistuu samanaikaisesti, kuten Lahdenväylän ja Vihdintien ympäristöjen maankäyttökartoissa, joissa alemmissa kartoissa on häivytetty maankäyttöalueita POLY_Area-arvon mukaan, eli kuinka ison osan alueesta ne kullakin alueella kattavat. Toisen kaltaisella aineistolla varmasti havainnollistuisi paremmin, ja ilman että itse karttaesityksen helppolukuisuus kärsii, mutta onpahan tämäkin työkalu löydetty.

 

Kuva 1. Helsingin pääsisääntuloväylät ja maanpeite kartalla. Lähde: ESRI, Helsingin seudun ympäristöpalvelut (2020)

 

Piirakkakaavion luomisessa ArcGISsin omilla työkaluilla halusin kokeilla, kokeilin, yritin saada toimimaan ja lopulta luovutin. Piirakkakaavioita maanpeiteaineistosta sai irti Symbologyn kautta, luoden kuitenkin pelkät yksiväriset piirakat esimerkiksi maanpeiteluokkien kokonaispinta-alasta, jolloinka piirakoita sai väännettyä ja käännettyä ja vaikka vaihtamaan kokoa arvon suuruuden perusteella. Attribuuttitaulukon kautta taasen piirakoita ei pystynyt lainkaan luomaan, vain perinteisempiä pylväsdiagrammeja, histogrammeja ja monenmoisia plotteja. Map-välilehden Inquiryn Infographicsia kokeilin myös, sitä kuitenkaan lainkaan ymmärtämättä. Työkalun mukaan Toukolan rakennettujen ympäristöjen polygonin vuosittainen ostovoima on 25800 euroa vuodessa per henkilö. ja tästä summasta 767 euroa kulutetaan vaatteisiin keskimääräisesti. Tähänkin työkaluun palannen ehkä vähän myöhemmin. Kuvan 2. mukaisen pylväsdiagrammin Lahdenväylän maankäyttöluokkien osuuksista sain aikaiseksi sentään ArcGIS:ssä, kuvassa 3. ollessa ohjeiden mukaisesti Excelissä tuotettu piirakkakaavio.

 

Kuva 2. Lahdenväylän ympäristön maankäyttöalueet taulukoituna. Lähde: ESRI, Helsingin seudun ympäristöpalvelut (2020)

 

Kuva 3. Vihdintien ympäristön maankäyttöalueet taulukoituna. Lähde: ESRI, Helsingin seudun ympäristöpalvelut (2020)

 

Sisääntuloväyläbufferien kaltaisesti seuraavasta kartasta (Kuva 4.) on Intersect-päällekkäisanalyysilla rajattu kaupunginosien spatiaaliselta laajuudelta (spatial extent) niitä vastaava alue maankäyttöluokitusaineistosta. Halusin säilyttää päällekkäisanalyysissa Output-tasosta maankäyttöluokat, joten onneksi osasin käyttää Intersect-työkalua (Holopainen et al. 2015), enkä esimerkiksi Clip-työkalua, joka olisi yhtälailla piparkakkumuotin lailla leikannut saman alueen Output-tasosta, kuitenkaan tuomatta sen attribuuttitietoja, tässä tapauksessa maankäyttöluokkia. Huh!

 

Kuva 4. Kumpulan, Käpylän ja Toukolan maankäyttö. Lähde: ESRI, Helsingin seudun ympäristöpalvelut (2020)

 

Maankäyttöä kartta-alueilta ja eritoten tutun Lahdenväylän varrelta tarkasteltaessa on todettava, etten laisinkaan ota selvää mitä kaikkea kuuluu, ja mitä ei kuulu Muun paljaan maan luokitteluun, joka on pinta-alaosuudeltaan melko vahvasti edustettuna kullakin tarkastelualueella. Itsessään jo Koskelan varikon maankäyttöluokittelu aiheuttaa suurta hämmennystä, parkkipaikat ja selvästi päällystetyt alueet lukeutuvat ymmärrettävästi vettä läpäisemättömiin pintoihin, mutta myös viereinen Annalan sorakenttä. Ratikkaraiteiden selvästi päällystetty alue kuitenkin lukeutuu Muuhun paljaaseen maahan, kuten talojen sisäpihat, muut kuin teollisuusrakennuksien parkkipaikat, Annalan kartanon viljelmäalueet sekä Annalan kentän viereinen nurmialue. Luokittelu sisältääkin näemmä jo nopealla tarkastelulla laajan skaalan maankäyttömuotoja, jotka eivät suoranaisesti lukeudu muihin luokitteluihin, eikä selvästi kata ainoastaan joko rakennettua tai luonnonympäristöä.

Muun paljaan maan mysteerejä jäljittäessäni matkani vei pääväylien ja Kumpulan lähimaastosta koko pohjoiseen Helsinkiin, jossa luokittelu lähti täysin laukalle. Tarkempaa tarkastelua varten puuhastelin rakennettujen ja luonnonympäristöjen luokitteluiden mukaisen kartan koko maanpeittoaineiston alueelta, josta yksinkertaisilla if-ehtolausekkeilla on eritelty myös vesistöt ja muu paljas maa erillisiksi luokikseen tarkastelun helpottamiseksi, muun paljaan maan ollessa kartalla korostettuna vaaleanruskeana (Kuva 5.) Contents-luettelosta Map-tason properties-valikosta karttanäkymää on käännetty -20 astetta alueen sovittamiseksi ja kartta on tuotu suoraan Share-työkalupalkin Export Map-toiminnolla. Kooltaan 20000 pikseliä x 10000 pikseliä kokoinen järkäle tuli verrattain vaivatta suoraan Exportin kautta, säilyttäen pienemmätkin kohteet ja soveltuen tarkempaankin tarkasteluun. Toivottavasti koko säilyy näin blogissakin, koska haluaisin esittää kysymyksen siitä, että mitä tapahtuu Muun paljaan maan luokitukselle junaraiteilla, valtaväylien varrella, messukeskuksella ja Malmin lentokentällä?

 

Kuva 5. Pohjois-Helsingin rakennetun ja luonnonympäristön luokittelu. Lähde: ESRI, Helsingin seudun ympäristöpalvelut (2020)

 

 

Lähteet

ESRI Dark Gray Canvas, ESRI

Helsingin seudun ympäristöpalvelut. Helsingin seudun maanpeiteaineisto 2020

Helsingin seudun ympäristöpalvelut. Helsingin seudun tieaineisto.

Helsingin seudun ympäristöpalvelut. Kaupunginosat.

Holopainen, M., Tokola, T., Vastaranta M., Heikkilä, J., Huitu, H., Laamanen, R., Alho, P. Geoinformatiikka luonnonvarojen hallinnassa. 2015. Helsingin yliopiston metsätieteiden laitoksen julkaisuja 7. Helsingin yliopiston metsätieteiden laitos. Helsinki.

Hei, ja tervetuloa aikamatkalle sadan miljoonan vuoden takaiseen Eurooppaan, eli: Ilarin pieni spatiotemporaalinen tutkielma peto- ja saalisdinosaurusten määrällisestä jakaumasta mesotsooisessa Euroopassa.

Geoinformatiikan menetelmäkurssi siivitti allekirjoittaneen melkoisiin paikkatietosfääreihin. Jo ennen viimeisiä kurssikertoja servereiden syvyyksissä lähti muhimaan jotain suurta, kuluneen kuukauden aikana sievoinen määrä ykkösiä ja nollia jo sinkoilikin ja koko kurssin lopputyöstä paisui melkoinen passion project. Dinoprojektin työnimikkeellä operoivaan uurastukseen on tähän mennessä uponnut varmasti lähemmäksi sata työtuntia, kantavana inspiraationa jonkinmoinen lapsenomainen viaton uteliaisuus aihepiiriä kohtaan, joka jo muksuna meikäläiseen varsin vahvasti leimaantui dinosauruskirjojen ja BBC:n dinodokkareiden myötä.  Itse kurssin lopputyöksi kuitenkin rajautui vain pieni osuus koko projektista: Alueeksi rajautui vain Eurooppa ja laaja-alaisemman tarkastelun sijaan keskittyy enemmänkin löytöpaikkoihin, aikakausiin, eri lahkoihin ja kallioperään. Tietokantojen penkominen ja QGIS:in naputtelu projektin parissa tuskin kuitenkaan jää tähän, vaan jatkuu niin pitkään kuin on jatkuakseen, ehkä päivitän uutta sisältöä vielä blogin jatkoksi, ehkä en.

Projektin pääasiallisena lähteenä toimii Paleobiology Database, sittemmin PBDB, voittoatavoittelematon kansalaisjärjestö, jonka tavoitteena on tarjota avointa taksonomista dataa kautta geologisten aikakausien globaalisti. PBDB:n aineistoista on noudettu data kaikista Euroopasta löydetyistä dinosaurusten fossiileista, yhteensä 3605 kappaletta. Aineiston noutotavan takia ja visualisointisyistä  kohdealueeksi on rajattu Manner-Eurooppa sekä Britteinsaaret. Venäjän, Huippuvuorten ja merentakaisten alueiden data on jätetty pois kartoista ja taulukoista, poislukien ensimmäisestä kartasta (Kuva 1.) Taustakarttana toimii pääasiallisesti Natural Earthin rasterit, ensisijaisesti 1:50 miljoonan Gray Earth.

Tutkimuskysymystä itsessään oli haastavaa määritellä, rajoittavina tekijöinä ollessa suhteellisen rajattu määrä dataa ja itsessään se, miten vähän loppupeleissä dinosauruksista, niiden käyttäytymisestä ja elinympäristöstä tiedetään, toistaiseksi. Yksi mahdollisista tutkimuskysymyksistä liittyi eri kokoisten lihansyöjädinosaurusten ja niiden saalisdinosaurusten alueelliseen jakautumiseen: esimerkkinä vaikka suurehkojen laumasaalistajien, kuten allosaurusten, alueellisen jakautumisen vertaaminen vaikka poikkeuksellisen suuriin petodinosauruksiin, kuten carcharodontosauruksiin, sekä mahdolliset eroavaisuudet niiden kuvitelluilta elinalueilta löytyneisiin saalisdinosauruksiin. Lisädatana näiden kanssa olisi voinut yhdistää vaikka dataa eri aikakausilla ja alueilla vallinneesta kasvustosta, esimerkiksi miten dinosaurusten lajijakauma eroaa alavammilla alueilla verratttuna metsäisiin alueisiin. Näiden pohdintojen pariin ei kuitenkaan vielä päästy, fossiilien ja tunnistettujen dinosaurusten rajatun määrän ollessa pääasiallinen este. Vaikka erityisen spesifit tarkastelukohteet jäivätkin toistaiseksi haaveeksi, mahdollisti lähtöaineisto kuitenkin laaja-alaisempaa tarkastelua dinosaurusten ajallisesta ja alueellisesta jakaumasta Euroopassa, sekä petodinosaurusten ja saalisdinosaurusten suhteellista jakaumaa aikakausittain ja alueittain, kallioperä- ja fossiloitumisympäristödataa ollessa myös sisällytettynä mukaan.

Kuva 1. Euroopasta löydetyt dinosaurukset maittain. Lähde: PBDB.

Tässäpä kaikki Euroopasta löydetyt Dinosauria ylälahkon fossiilit plotattuna valtioittain kartalla. Lukumäärällisesti ylivoimaisesti eniten fossiileja on löydetty Espanjasta, jossa löydökset ovat  voimakkaasti klusteroituneet koillis-Espanjaan kolmeksi selkeäksi alueeksi. Isossa-Britanniassa suurin osa löydöksistä on keskittynyt eteläiseen Englantiin ja Portugalissa länsirannikolle, Ranskassa ja Saksassa löydösten ollessa jakautuneena laajemmalle aluelle. Näille alueille on myös sijoittunut korkeimpien fossiililöydösten klusterit, joista yhtenä huomattavimpana on mm. Koillis-Espanjan Tremp muodostelma. Läntinen Eurooppa on edustettuna kartalla voimakkaammin, poikkeuksena Romanian ja Puolan keskittymät, sekä Venäjän löydäkset, jotka sijoittuvat laajalle alueelle aina Kiinan rajalle asti ja Kamchatkan niemimaalle. Pohjoismaista ainoat löydökset sijoittuvat Etelä-Ruotsin ja Sjællandin tuntumaan, Huippuvuorilta löytyen Norjan ainoat fossiilit. Suomesta surukseni ei vieläkään ole löytynyt yhtäkään dinosaurusta, johon syy pitkälti selittyneekin seuraavalla kartalla:

Kuva 2. Eurooppalaiset dinosaurukset aikakausittain. Lähde: EGDI, PBDB

Tässäpä Euroopan dinosauria-lahkon fossiililöydökset pisteaineistona aikakausittain, sekä löytöjen mukaiset kallioperät. Kallioperäaineistona on käytetty EuroGeoSurvey:n (EGDI) yleiseurooppalaista IGME 5000-kallioperäaineistoa, joka on saatavilla avoimena WMS-tasona. Lähtöaineistosta on haarukoitu kallioperäalueet joista on löydetty dinosaurusten fossiileja, ja eri alueet on summattu samaksi tasoksi aikakausittain. Valtaosasta löydöksien sijainneista löytyi kallioperädataa, vaikkakin osa alueista oli niin pieniä etteivät ne välttämättä erotu pisteiden alta. Aikakausijaotellut fossiilit ja kallioperät natsaavat aikalailla täydellisesti, josta onkin pääteltävissä että totta tosiaan, liitukauden fossiileja on löydettävissä liitukautisesta kallioperästä (mikäli kallioperä mahdollistaa fossiloitumisen, eli on sedimenttikivipohjaista.) Kartta havainnollistaa mielenkiintoisesti Euroopan eri sedimenttikallioperien muotoutumista temporaalisella skaalalla, luoden mielenkiintoisia kallioperän vaihettumia esimerkiksi eteläisessä Englannissa tai Etelä-Ranskassa.

Mesotsooinen aikakausi oli geologinen ajanjakso 251 –65 miljoonaa vuotta sitten. Dinosaurusten valtakaudeksi mielletty ajanjakso on jaettu kolmeen kauteen, trias-, jura- ja liitukauteen. Triaskausi kattaa mesotsooisesta aikakaudesta 252–201 miljoonaa vuotta sitten, jurakausi 206–144 miljoonaa vuotta sitten ja liitukausi 144-66 miljoonaa vuotta sitten, joka päättyi liitukauden joukkosukupuuttoon, päättäen lentokyvyttömien (non-avian) dinosaurusten aikakauden.

Triaskautisia fossiileja Euroopasta on löytynyt tällä päivämäärällä (29.3.2021) 296 kappaletta, jurakautisia 1011 ja liitukautisia 2383. Triaskautisien fossiilien suurin keskittymä sijaitsee Etelä-Saksassa, jurakautisten fossiilien suurimman keskittymän sijaitessa Etelä-Englannissa, ja liitukauden fossiilien ollessa runsaimpia Koillis-Espanjassa. Englannissa, Ranskassa ja Saksassa on eritoten havaittavissa selkeää vaihettumaa aikakausien välillä, havainnollistaen hyvin mannerlaattojen liikkeiden tuomia muutoksia itse kallioperän muodostumisessa sekä itse dinosaurusten sijoittumisessa. Ohessa vielä yleisempien sedimentoitumisympäristöjen taulukko (Taulukko 1.).

Taulukko 1. Yleisimmät sedimentoitumisympäristöt. Lähde: PBDB

 

Seuraavassa osuudessa dinosauria-ylälahko jakautuikin viiteen erilliseen taksonomiseen alalahkoon: Teropodeihin, sauropodomorfaan, ornitopodeihin, thyreophoraan ja marginocephaliaan. Kyseiset viisi taksonomista alalahkoa kattoivat pitkälti miltei koko dinosauria-ylälahkon ja hallitsivat mesotsooista aikakautta aina liitukauden loppuun asti. Myöhäis-triaskauden herrerasauridae ja prosauropoda-alalahkot, sekä triaskauden heterodontosauridae-alalahko on karsittuna pois niiden harvinaisuuden ja verrattain lyhyen olemassaolon takia. Teropodejen lahkoon kuuluvat liskonlantioiset kahdella takaraajalla kävelevät, pääosin petodinosaurukset, kuten tyrannosaurit, spinosaurit ja raptorit kattavat dromeosaurit. Sauropodomorfiin kuului taasen liskonlantioiset nelijalkaiset kasvissyöjädinosaurukset, kuten pitkäkaulaiset sauropodit. Ornitopodeihin kuului linnunlantioiset kasvissyöjädinosaurukset, kuten Euroopassa yleiset iguanodonit. Thyreophora-lahkoon lukeutuvat taasen linnunlantioiset panssaridinosaurukset, kuten stegosaurit ja marginocephalia-lahkoon muut, ns. rajakalloiset linnunlantioiset kasvissyöjädinosaurukset, kuten ceratopsidit.

Kokonaisuudessaan teropodit kattavat noin 40 prosenttia kaikista Euroopasta löydetyistä dinosaurusten fossiileista: Trias- ja jurakaudella petodinosaurukset kattavat kullakin aikajaksolla 40 prosenttia kaikista löydetyistä dinosaurusten fossiileista, liitukaudella petodinosaurusten osuuden ollessa taas hieman alhaisempi, 32 prosenttia.  Määrällisesti liitukaudelle ajoitettuja fossiileja on Euroopasta löydetty runsaimmin, yhteensä 2398 kappaletta, antaen luotettavinta tarkastelupohjaa peto/saalisjakaumalle. Jurakaudelle ajoitettuja fossiileja on noin tuhat kappaletta ja triaskautisia kolmisensataa.

Kuva 3. Teropodit aikakausittain, 1259 fossiilia. Lähde: PBDB

Kuva 4. Sauropodomorpha aikakausittain, 923 fossiilia. Lähde: PBDB

Kuva 5. Ornitopodit aikakausittain, 770 fossiilia. Lähde: PBDB

Kuva 6. Thyreophora 218 fossiilia ja Marginocephalia 18 fossiilia, aikakausittain. Lähde: PBDB

 

Ornitopodien alalahkoon kuuluvien iguanodontia-osalahkon dinosaurukset ovat yksiä yleisimpiä Euroopasta löydettyjä fossiileja. 88 Euroopasta löydetystä iguanodontia-osalahkon fossiileista valtaosa sijoittuu Länsi-Eurooppaan ja ajoittuu varhaisliitukaudelle. Nämä keskikokoiset ja keskisuuret dinosaurukset olivat laumaeläimiä, kykenivät kulkemaan sekä neljällä että kahdella jalalla, ja olivat yksiä hallitsevimpia kasvissyöjiädinosauruksia varhaisliitukaudella. Runsaslukuisena laumadinosauruksena iguanodontiat toimivat mainiona tarkastelukohteena kasvissyöjädinosaurusten elinalueista, sekä saalis-petodynamiikkojen tarkasteluun. Alla olevat kartat (Kuva 7, 8) ovat koostettu löydetyistä iguanodontia-lahkon fossiileista aikakausittain, sekä samalta aikakaudelta iguanodontian hypoteettisten reviirien alueelta löydetyistä teropodeista.

Aikakausiin jaoteltuna varhaisliitukauden peto/saalisjakauma näyttää seuraavanlaiselta:

Berriasian-vaiheelle on ajoitettu Euroopassa yhteensä 238 dinosaurusta, joista 76 ovat teropodeja, jakauman ollessa 32 prosenttia. Valangian-vaiheella yhteensä on ajoitettu 132 dinosaurusta, joista 38 teropodeja, jakauman ollessa 28%. Hauterivian-vaiheelle on ajoitettu vain 30 dinosaurusta, joista 13 teropodeja, jakauman ollessa 43%. Barremian-vaiheelle on ajoitettu yhteensä 341 dinosaurusta, 144 ollessa teropodeja ja jakauma 42%. Aptian-vaiheelle on ajoitettu 301 dinosaurusta, joista 113 teropodeja, ja jakauma 37,5%. Olettamuksenani oli, että yksittäisiltä aikakausilta ja tarkemmilta tarkastelujaksilta jakauma vaihtelisi voimakkaammin ja olisi alttiimpi poikkeamien tuomille heitoille, mutta näin ei näyttäisi olevan.  Temporaalisella skaalalla, sekä suurella että pienelläkin, jakauma pitäytyy orjallisesti 30-40 prosentin tuntumassa. Koko mesotsooisen aikakauden peto/saalisdinosaurusten jakauma globaalisti onkin tarkalleen 40 prosenttia, PBDB:n aineistoihin ollessa kirjattuina kokonaisuudessaan 17570 dinosaurusta, joista 7090 on teropodeja.

Kuva 7. Varhaisliitukauden Iguanodontia-osalahkon dinosaurukset. Lähde: PBDB

Kuva 8. Varhaisliitukauden teropodit Iguanodontia-lahkon elinalueilla. Lähde: PBDB

 

Euroopan fossiilirikkaista alueista tarkempaan tarkasteluun valikoitui Koillis-Espanja, jonne on keskittynyt useita merkittäviä fossiilikeskittymiä Euroopassa, kuten Trempin ja La Huérguinan geologiset muodostumat. Merkittävän alueesta ei tee ainoastaan suuri keskittymä fossiileja, vaanM myöskin se, että miltei kaikki alueen fossiileista ajoittuvat liitukaudelle, mahdollistaen spekuloinnin siitä, millainen eläimistö ja ympäristö alueella vallitsi aikakautena. Korkeusprofiili on itse visualisoitu European Environment Agencyn korkeusrasterilla sekä hillshadella.

Runsas määrä alueen fossiileista on ajoitettu Barremian-vaiheelle, 129,4-125,0 miljoonaa vuotta sitten, jolloin Iberian niemimaata ja manner-Eurooppaa erotti matala meri. Alueen fossiileista suurella osalla sedimentoitumisympäristö on ollut juurikin rantavyöhykkeen tuntumassa, kuten lahtia, laguuneja ja tulvatasankoja, sekä poikkeamana yksittäinen korkean fossiilimäärän suo (Taulukko 2.) Eri aikakausina alueella vallinnut ja muuttuva rantavyöhyke havainnollistuukin hyvin seuraavista kartoista, mutta on havaittavissa myös muista.

Koillis-Espanjan Barremian-vaiheen fossiilien jakauma alalahkoittain seuraa melko tarkalleen yleistä lahkojakaumaa: Teropodeja alueelta on löytynyt 189 kappaletta, ornitopodeja 124, sauropodeja 57 ja thyreophoria 17, viitaten melko tasapainoiseen elinympäristöön peto- ja saalisdinosauruksien välillä. Jokaisesta saalisdinosauruksien löytösijainnista on löytynyt myös petodinosauruksia ja suuremmissa klustereissa peto/saalisjakauma on tasapainoinen. Koillis-Espanjan Barremian-vaiheen fossiileista 48 prosenttia edustaa teropodeja, myötäillen suuntaa-antavasti mesotsooisen aikakauden ja varhaisliitukauden peto/saalisjakaumaa myös alueellisesti. Karttasarjan viimeisessä kuvassa vielä alueen dinosaurukset lahkoittain, sekä sisällytetty alueen IGME5000-kallioperäkartta.

Kuva 9. Koillis-Espanjan Teropodit varhaisliitukauden Barremian-vaiheelta. Lähde: PBDB

Kuva 10. Koillis-Espanjan Ornitopodit varhaisliitukauden Barremian-vaiheelta. Lähde: PBDB

Kuva 9. Koillis-Espanjan Sauropodit ja Thyreophorat varhaisliitukauden Barremian-vaiheelta. Lähde: PBDB

Kuva 10. Koillis-Espanjan kallioperäkartta (IGME5000) Barremian vaiheen dinosauruksilla. Lähde: PBDB, EGDI

Projektini ylivoimaisesti suurin tavoite jäi kuitenkin toteutumatta: PBDB:n datan kätköistä löytyi kunkin dinosauruksen muinaiset sijaintitiedot, paleokoordinaatit. Näiden avulla voisin rekonstruoida muinaisten mannerlaattojen liikkeitä ja dinosaurusten alueellista jakautumista eri aikakausittain, rakentaa miltei 200 miljoonaa vuotta kattavan karttasarjan aina ensimmäisistä triaskauden protodinosauruksista aina liitukauden joukkotuhoon asti.  PaleoMap PaleoAtlas tarjosi rasterisarjan muinaisista mannerlaatoista, jonka lopulta osasin onnistuneesti georeferoida pohjakartan päälle. Paleokoordinaatit kuitenkin heittivät miltei kaikki dinosaurukset keskelle merta (Kuva 11, 12). Sijainnit eivät natsanneet millään aikakaudella, eikä minkäänkään valtion dinosaurusten kanssa. Latasin myös GPlates-ohjelmiston, jossa plottasin muinaiset mannerlaattarasterit pallopinnalle ja tallensin ja toin QGIS:istä paleokoordinaateiksi tallennetut dinosaurukset GPlatesiin (Kuva 13.) Epäilen että kyse on eroista projektioissa, jotka saattaisivat olla korjattavissa, tai virhemarginaalit edes minimoitavissa mikäli PaleoAtlaksen karttojen käyttämä projektio olisi tuotu ilmi missään, mutta ei. Tällä kertaa ja toistaiseksi en ole tarpeeksi taitava paikkatieteilijä ratkoakseni omatoimisesti tälläistä pulmaa, mutta vielä joskus.

Kuva 11. Liitukauden lopun (66 Ma.) dinosaurukset, nykyiset ja paleokoordinaatit. Lähde: PBDB

Kuva 12. Liitukauden lopun (66 Ma.) dinosaurukset, nykyiset ja paleokoordinaatit, georeferoitu. Lähde: PBDB, PaleoAtlas

Kuva 13. Epäonnistunut kartta GPlatesissa. Lähde: PaleoAtlas

 

Lähteet:

EuroGeoSurvey: European Geological Data Infrastructure (EGDI)

European Evironment Agency: https://www.eea.europa.eu/data-and-maps/data/digital-elevation-model-of-europe (Noudettu 14.3.2021)

Natural Earth: https://www.naturalearthdata.com/ (Noudettu 20.2.2021)

The Paleobiology Database: https://paleobiodb.org/#/

PaleoMap PaleoAtlas: https://www.earthbyte.org/paleomap-paleoatlas-for-gplates/ (Noudettu 10.3.2021)

Kuudes kurssikerta

Kuudennella kurssikerralla itsenäisen tehtävän työnanto oli hieman vapaamuotoisempi. Tehtävänannon hasardeista tarkasteluun valikoitui kaikki kolme, maanjäristykset, tulivuoret ja meteoriitit, NOAA:n  aineistoista tarkasteluun valikoitui myös tsunamidataa, joka tarjoaa kontekstia ja vertailupohjaa maanjäristyksien ja tulivuorten alueelliselle jakautumiselle. Datan tuominen QGIS:iin kävi näppärästi, ja vanhan ja uuden maanjäristysaineiston yhdistäminenkin onnistui lopulta ainakin jossain määrin Add Virtual Layer-komennolla.

Maanjäristys- ja tsunamiaineistoista aikajanaksi valikoitui 1960-2021: Data 60 vuoden ajalta tarjoaa riittävän luotettavan kokonaiskuvan hasardeista ilman että aineistot käyvät liian raskaiksi. Maanjäristysaineistoissa magnitudiasteikoksi valikoitui kuuden magnitudin maanjäristykset ja voimakkaammat, kuuden richterin ollessa tyypillinen rakennusvaurioiden raja-arvo. Yli kuuden magnitudin maanjäristykset ovat kuvattuna kartalla pisteaineistoja ja tiheyspintakartalla (Heat map) ja havainnollistavat maanjäristyksien alueellista jakautumista, voimakkaiden järistysten riskialueita ja ovat vertailtavissa tulivuorien, tsunamien ja mannerlaattarajojen kanssa. Tulivuoriaineistosta valikoitui aktiiviset kerrostulivuoret, jotka tyypillisesti purkautuvat tulivuorityypeistä väkivaltaisimmin ja sijaitsevat lähellä ihmisasutusta, mahdollistaen suuntaa antavan alueellisen riskianalyysin. Tsunamiaineistosta yli 80% kaikista tsunameista sijoittuvat Tyynen valtameren alueelle tai sen lähimaastoon, joten tarkasteluun valikoin alueelle keskittyneen kartan, joka tarjoaa myös hyvää vertailupohjaa maanjäristys-, tulivuori- ja mannerlaattarajakartalle. Kokonaisuudessaan karttojen pohjalta mielestäni pystyy analysoimaan useiden luonnonhasardien sijoittumista ja suurimpia riskialueita globaalisti, lähtöaineiston ollessa riittävän kattavaa ja karttojen ollessa pitkälti yksinkertaistettuja.

Kuva 1. Yli kuuden magnitudin maanjäristykset 1960-2021 ja aktiiviset kerrostulivuoret kartalla. Lähde: NCEDC, USGS, NOAA

Kuvassa 1. maanjäristysaineistoa on havainnollistettu interpoloimalla. Perinteistä Singleband grey/pseudocolor interpolointia en saanut millään toimimaan visuaalisesti miellyttävällä tavalla. Renderöintivaihtoehdoista vain Hillshade tuotti jossain määrin miellyttäviä tuloksia aineiston visualisointiin, mutta maanjäristyksien havainnollistaminen rinnevalovarjostuksella tuntui melkoisen laittomalta. Toimivampaan interpolointiin olisi varmasti kaivattu parempia jatkuvia arvoja ja laajempaa jakaumaa pisteillä. IDW interpoloinnin sijaan Heat Map toimi oikein hyvin tässä tapauksessa (Kuva 1).

Kuva 2. Yli kuuden magnitudin maanjäristykset 1960-2021. Lähde: NCEDC, USGS

Karttojen visualisoinnissa tällä kertaa lähdin testailemaan tummia pohjakarttoja. Lopputulokset miellyttävät ainakin itseäni, data tulee pohjakartalta esille mielestäni mukavasti, yleinen ulkoasu pysyy siistinä eikä värikontrasti käy liian hurjaksi. Tumma taustakartta tarjoakin melkoisen vapaat kädet aineiston visualisoinnissa ja värien käytössä.

Kuva 3. Tyynenmeren tsunamit vuosina 1960-2021. Lähde: NOAA

Taustakartoissa käytin Natural Earthin avoimia vektori- ja rasteriaineistoja. Pääasiallisina pohjina käytössä oli pienen mittakaavan Physical-tasot, mutta tsunamikartassa testailin keskimittakaavan topografiallisia rasteritasoja. Projektiotasona testiksi kokeilin Globe Builder-pluginia, Suomalaisen GISPO:n kehittämää pluginia joka mahdollistaa pallopintaisten tasojen luomisen QGIS:issä. Plugin itsessään oli melkoisen simppeli ja käytön oppi suhteellisen nopeasti, suhteellisen pienellä vaivalla sai aikaan melkoisen nättejä kuvan 3. mukaisia karttoja. Heti kun yliopisto sponsoroi allekirjoittaneelle ArcGIS Pro:n, lupaan väsätä yhtä hienon kartta-animaation tsunameista kuin tässä ESRI:n maanjäristysanimaatiossa.

Kuva 4. Mannerlaattarajat.

Hasardikarttojen kaveriksi kaipasin mannerlaattarajoja havainnollistavaa karttaa, ja avoimia vektoripohjia löytyi Githubista. Visualisoinnissa villiinnyin entisestään yön pikkutunteina, lopputuloksena tämä äärimmäisen cool Outrun-estetiikkaa uhkuva kartta. Mannerlaattarajakartta toimii melko keskeisenä vertauspohjana maanjäristys-, tulivuori- ja tsunamiaineistokartoille.

Kuva 5. Yli 50 kilon meteoriitti-iskut.

Muiden blogeista löytyi paljon hyvää settiä hasardeista: Antti oli ottanut tarkasteluun eri tulivuorityyppejä ja intohimolla interpoloinut  maanjäristyksiä kuluneen 15 vuoden ajalta, Sirkulta löytyi visuaalisesti varsin miellyttävä maanjäristyskartta kuluneelta kuukaudelta, Julianalta löytyi hyvää hasardipohdintaa Japanin alueelta ja Annikalta ja Rasmukselta löytyi nättejä ja informatiivisia karttoja maanjäristyksistä vähän pidemmällä aikajanalla. Hyvää pöhinää ja oivia vertailupohjia luonnonhasardeille eri alue- ja aikaskaaloilla!

 

Edit: Hups anteeksi jos tulee kaikki blogiviittaukset kerralla, löysin viittausilmoituslistan vasta nyt lol

 

Blogiviittaukset:

Annika Innasen GIM-blogi: https://blogs.helsinki.fi/anninnan/ (Haettu 28.2.2021)

Antti Paakkarin GIM-blogi: https://blogs.helsinki.fi/anttipaa/ (Haettu 28.2.2021)

Juliana Häkkilän GIM-blogi: https://blogs.helsinki.fi/julihakk/ (Haettu 28.2.2021)

Rasmus Sohlmanin GIM-blogi: https://blogs.helsinki.fi/sohlrasm/ (Haettu 28.2.2021)

Sirkku Pieniniemen GIM-blogi: https://blogs.helsinki.fi/sipisi/ (Haettu 28.2.2021)

 

Lähteet:

ESRI: Animated Maps: 120 years of Earthquakes (4K) https://www.youtube.com/watch?app=desktop&v=Zy7eQQkUaJo (Haettu 25.2.2021)

Maanjäristykset, ennen 2012: Northern California Earthquake Data Center https://ncedc.org/ (Haettu 25.2.2021)

Maanjäristykset, jälkeen 2012: United States geological Survey https://earthquake.usgs.gov/ (Haettu 25.2.2021)

Meteoriitti-iskut: Nasa https://data.nasa.gov/Space-Science/Meteorite-Landings (Haettu 25.2.2021)

Natural Earth: https://www.naturalearthdata.com/ (Haettu 25.2.2021)

Tsunamit: National Centers for Environmental Information https://www.ngdc.noaa.gov/ (Haettu 25.2.2021)