Välillä sitä vaan miettii, miten joku voi tietää ja osata ohjata mitä pelkän nopean näyttökuvan perusteella ArcGisissä on vikana :)))
No, taistelu jatkuu …
Interpolointia
Tällä viikolla hakattiin läpi erilaisia interpolointi menetelmiä. Interpolointihan noin niikuin yksinkertaistettunakin kuulostaa haastavalta; pisteaineistojen perusteella muodostetun jatkuvan pinnan analyysi. Vanha tuttu spatiaalinen autokorrelaatio, eli naapureiden samankaltaisuus verrattaessa kauempiin pisteisiin pätee niin interpoloinnissa, kuin suomalaisessa kulttuurissakin.
Tällä harjoituskerralla käytettiin yhteensä neljää eri interpolointi meneteltää. Jokainen menetelmä on eritelty raportissa omaksi osiokseen. Toiset osoittautuivat helpommiksi tulkita ja toteuttaa kuin toiset, mutta tulipahan yritettyä.
Deterministinen interpolointi – Thiessen
Mitä tulee mieleen otsikosta? No lähinnä se filosofinen oppi, jonka mukaan kaikilla ja kaikella on syynsä. Saattaa selittää myös sitä, miksi en ole GIS-guru… Seuraavaksi syy-seuraus-suhteisiin.
Koko harjoituksen aineistona käytettiin Suomesta kerättyjä säähavaintoainestoja, jotka olivat jo valmiiksi pistemuotoisia. Kun aineistoille oli tehty tarvittavat toimenpiteet, ne olivat valmiita käytettäväksi itse interpolointiin.
Ensimmäinen menetelmä on siis Thiessenin polygoni, jolla muodostetaan havaintopisteiden ympärille alue. Tältä rajatulta alueelta on lyhin matka kullekin pisteelle, jolta rajaus on suoritettu. Alueet voivat olla eri kokoisia ja mallisia, riippuen havaintopisteiden välisistä etäisyyksistä.
Kuva 1. ensimmäinen interpolointi; thiessenin polygon
Thiessenin polygon on luultavasti lokaali menetelmä, vaikka yhden pisteen siirtäminen vaikuttaakin sen ympärillä oleviin pisteisiin, ei kuitenkaan aivan koko alueelle. Onko pinnalla ali- tai yliarvioita, voi olla kumpiakin, sillä kategorioita on vain 5, jolloin jotkin alueet on jouduttu pyöristämään jompaan kumpaan suuntaan. Tämän takia myös pisteiden alkuperäisissä arvoissa voi olla heittoja.
Thiessenin polygonia voisi soveltaa esimerkiksi tutkimalla erilaisten ravintoloiden asiakaskunnan sijaintia, sillä oletuksella, että ravintoloiden menu ja hinnasto vastaavat toisiaan ja asiakkaat käyvät lähimmässä ravintolassa.
Visualisointi oli yllättävän haastava, sillä toisaalta, mitä suuremmat arvot, sitä tummempi väri valitaan sitä kuvaamaan. Kuitenkin suurimmat arvot tässä tammikuun säähavainnoista tehdyllä kartalla ovat pakkasarvoja, joten tulisiko tummepi väri kuvastaa kylmintä vai lämpimintä arvoa? Valitsin valkoisen kuvaamaan kylmää ja sinisen lämmintä, mutta olis toiminut hyvin myös toisin päin.
Deterministinen interpolointi – trendipinta
Toisena menetelmänä trendipintainterpolointi, jolla voidaan yksinkertaistaa havaintoaineistoa. Tällöin saadaan minimoitua pinnan ja havainnointipisteiden väliset poikkeamat.
Kuva 2. ensimmäine trendipinta
Kuvat 3 ja 4. lisää trendipintaa
Interpolointi toteutettiin ensimmäisen (kuva 2), toisen (kuva 3) ja kolmannen asteen trendipintaintrepoloineilla. Näissä erona oli siis “polynomic order” kohdan arvon vaihtaminen ArcGisissä, eli pinnan monimutkaisuuden arvon muuttaminen. Tällä tavalla vertaillaan arvojen esiintymistä vaakasuoralla, kallistuneella ja taipuneella tasoilla.
Trendipintainterpolointi on globaali menetelmä, jossa yhden pisteen arvojen muuttuminen vaikuttaa koko alueen pinnan muuttumiseen. Koska tällä menetelmällä yksinkertaistetaan arvoja, niissä on ali- tai yliarvioita ja havainnointipisteiden arvot voivat poiketa trendipinnan arvoista. Tällaista menetelmää voisi käyttää esimerkiksi kasvillisuuvyöhykkeiden tutkimiseen ja esittämiseen.
Visualisointi esittää talvisia lämpötiloja hyvin.
Deterministinen interpolointi – IDW
Tällä menetelmällä interpolointi toteutetaan keskiarvoistamalla läheisimpien havaintopisteiden arvot. Havaintopisteiden määrää tai etäisyyttä muuttamalla saadaan erilaisia tuloksia. Tällä interpoloinnilla päästiin vihdoin itse asiaan, eli sen mystisen GIS Welho toiminnon käyttöön.
Muutaman epäonnistuneen yrityksen sekä pienen tuskailun ja hermotauon jälkeen saatiin kuin saatiinkin kaiken maailman asetukset osumaan kohdalleen ja tulostettua ulos kartta, joka näyttäisi päällisin puolin olevan oikein interpoloitu.
Kuva 5. IDW interpolointi
IDW on lokaali interpolointi menetelmä. Yhden pisteen arvon muuttaminen ei vaikuta koko alueen arvoihin, vaan siirtää menetelmän luomaa haarukkaa ainoastaan kyseisen pisteen ja sen viereisten pisteiden kohdalla. Aineistolla tuskin on kovinkaan paljoa yli- tai aliarvioita. Myös havainnointipisteiden alkuperäiset arvot ovat pitkälti samat pinnalla.
Kartta näyttää omiin silmiin ihan onnistuneelta ja selkeältä tulkita. Toki legendan arvoja olisi voinut hiukan siistiä. Vaikuttaa silti ihan tammikuiselta Suomelta.
Deterministinen interpolonti – spline
Seuraavaksi suoranaisen työmaan kimppuun. Tässä vaiheessa voisin käyttää kortin; Apua olen humanisti, päästäkää minut pois! Sillä ei tämäkään ihan putkeen taas mennyt…
Tosissaan tehtävähän ei sujunut ihan ongelmitta… Onneksi kahden koneen voimin saatiin lainailemalla kasaan suht. koht. onnistunut interpolointi kaikkien 11 kuukauden osalta. (kuva 6) Lisäksi maaliskuulta vielä oma (kuva 7) erittäin taiteellinen versio. (en tiedä mikä meni taas vikaan)
Kuva 6. 11kk spline interpolointi
Tein interpoloinnin vain 11kk ajalta, sillä tammikuuta oli käsitelty jo niin paljon (eli unohdin napata sen kartan :D). Luulisin, että spline on lokaali meneteltä, koska yhden havaintopisteen arvon muuttuminen ei muuta toisten pisteiden arvoja, ainoastaan värikoodia/lämpövyöhykettä kyseisen pisteen ympäristöstä. Havaintopisteiden arvot pysyvät samoina pinnalla, sillä se huomioi ne tarkkaan ja tekee automaattisesti melko moniluokkaisen jaottelun. Eli suurempia yli- tai aliarvoja tuskin löytyy. Mielestäni tämä malli soveltuu parhaiten juuri lämpötilojen vertailuun,´.
Sanottavaa itse kartoista; no, en tiedä onko esimerkiksi toukokuun kartta kuinka luotettava. Vähän näyttää epäilyttävän suurilta lukemat Rovaniemen suuntamilla. Myöskin huhtikuun kohdalla on jokin outo läikkä käsivarren lapissa, joka olisi muka 15-20 asteinen. Sitten on aivan eri asia puhua maaliskuun kartasta, jonka ohjelma sylkäisi useamman yrityksenkin jälkeen omalle ruudulleni (kuva 7). Kauniin maanläheiset on värit, mutta muutenhan se on ihan metsässä, joten naapurilainausta harrastamaan.
Kuva 7. pieleen mennyt kartta maaliskuulta
Jos nyt ihan kaikkia pieleen menneitä yrityksiä ja tuskailuun kulunutta aikaa ei paljasteta, niin ihan kohtalainen raportti ja suoriutuminen. Tavallaan jopa ihan hauskaa saapua ihan liian aikaisin torstaina hakkaamaan konetta ja räpiköimään geoinformaattisessa verkossa, mutta samalla tuskastuttavaa, koska turhaudun siitä, etten ymmärrä tai muista koskaan yhtään sen enempää edellisen kerran harjoitteista ja toiminnoista.
Ehkä tää ei vaan oo mun laji :/