Month: November 2020

Tämän viikon harjoitustehtävissä tutustuttiin rasterimuotoiseen korkeustietoon pohjautuviin analyyseihin. Paikkatieto-ohjelmistolla korkeusmallista on mahdollista johtaa useita erilaisia johdannaisia, kuten korkeusprofiileja, näkyvyys- ja kaltevuusanalyysejä sekä hydrologisia veden valuntaan liittyviä analyysejä. Tämän kurssikerran harjoituksissa päästiinkin näkemään, miten monenlaista tietoa korkeusmallin pohjalta on mahdollista tuottaa ja mallintaa.

Kurssikerran ensimmäisessä harjoituksessa tehtävänä oli johtaa korkeusmallin avulla tietoa, joka auttaa paikantamaan mahdolliselle viinitarhalle sopivat paikat San Diegossa Kaliforniassa. Optimaalisen sijainnin tulee täyttää seuraavat ehdot: korkeus yli 200 metriä, kaltevuus 1,5–15 % välillä ja rinteen suunta kaakkoon, etelään tai lounaaseen päin.

Harjoituksessa lähtöaineistona toimi jo valmis DEM-korkeusmalli (Digital Elevation Model), joka tarkoittaa x-, y- ja z koordinaatit sisältävää, tunnettuun koordinaatistoon sidottua, maanpinnan korkeusvaihteluita kuvaavaa pintaa. Tässä harjoituksessa käytettävä DEM on rasterimuotoinen korkeusmalli, jossa z-koordinaatti on tallennettu pikselin ominaisuustietoon.

Ensimmäisessä harjoituksessa optimaalisen sijainnin määrittämisessä tarvittiin siis tietoa tarkasteltavan alueen rinteen kaltevuudesta (Slope). Tämän laskeminen onnistuu korkeusmallista peräkkäisten pikseleiden arvojen avulla. Kaltevuus lasketaan solun ja sen naapurisolujen korkeuseron avulla. Alueilla, joilla korkeustieto muuttuu paljon vierekkäisten solujen välillä, saadaan tulokseksi jyrkempi kaltevuus kuin alueilla, joissa korkeus muuttuu tasaisemmin.

Kaltevuustieto kertoo siis korkeuden ja etäisyyden muutoksesta tietyllä tarkastelualueella. ArcGIS paikkatieto-ohjelmistossa tämän kaltevuuden laskenta onnistuu valmiin funktion avulla, ja lopputuloksena saatu kaltevuustieto voidaan ilmoittaa joko kulma-asteina tai prosentteina (prosentti=korkeudenmuutos / etäisyyden muutos x 100). Kaltevuuslaskelmilla on useita eri käyttömahdollisuuksia, ja sen lopputuloksena saadun karttatason avulla on mahdollista jo havainnoida kartoitetun alueen maastonmuotoja.

Lisäksi sijainnin määrittämiseen tarvittiin tietoa rinteiden suunnasta, ja myös tämän johtaminen onnistuu korkeusmallin pohjalta. Rinteen suunta lasketaan vertaamalla solun korkeutta sen naapurisoluihin. Yleisesti ottaen, jos itään oleva naapurisolu on korkeammalla ja lännessä oleva naapurisolu on matalammalla, solulla on länteen päin oleva näkökohta. Harjoituksessa käytetyt rinteen kaltevuuden (Slope) ja suunnan (Aspect) laskennan työkalut käyttävät siis kumpikin naapurustoanalyysiä. Lopputuloksena syntyvässä karttatasossa rinteen suunta ilmoitetaan myötäpäivään kulkevina asteina välillä 0–360. Nämä numeeriset arvot voidaan liittää kompassin suuntiin niin, että esimerkiksi suoraan itään päin olevien solujen numeerinen arvo on 90 astetta. Tasaisille alueille (joiden kaltevuusarvo on 0) määritetään rinteen suunnaksi -1. (Esri, n.d.)

Kun korkeusmallista oli johdettu sekä rinteen kaltevuuteen että suuntaan liittyvä tieto, tuli kaikki kolme karttatasoa vielä yhdistää, jotta voitiin tunnistaa ne pikselit, jotka täyttivät kaikki hakukriteerit. Tämä onnistuu Raster Calculator -työkalulla, jossa on laskuoperaatioiden lisäksi käytettävissä erilaisia loogisia operaattoreita, joiden avulla rasteriaineistosta voidaan tunnistaa operaation ehdot täyttävät solut. Tässä harjoituksessa optimaalisten sijaintien määrittämiseksi operaationa toimi (“sd_elevation” > 200) AND (“sd_slope” >= 1.5) AND (“sd_slope” <= 15) AND (“sd_aspect” >= 112.5) AND (“sd_aspect” <= 247.5) -lauseke, jossa kaikkien ehtojen tulee täyttyä yhtä aikaa. 

Koska rasteriaineiston pikselit voivat kuvata vain yhtä muuttujaa ja saada kerrallaan yhden arvon, syntyy operaation lopputuloksena binäärikarttataso, jossa arvon 1 saavat ne kohteet, jotka täyttävät annetun lausekkeen ehdot ja arvon 0 ne kohdat, jotka eivät ole soveltuvia (kuva 1).

Visualisointi helpottaa tiedon tulkitsemista

Optimaalisen viinitarhan visuaalisen tarkastelun helpottamiseksi maastoa haluttiin vielä edelleen tarkastella kolmiulotteisemmin, ja tämän mahdollistaa korkeusmallista johdettu vinovalovarjostus (Hillshade) sekä korkeuskäyrät (Contour).

Vinovalovarjostus (Hillshade) on hyvä keino korostaa maaston korkeuseroja ja tarkastella maaston muotoja hyvin realistisesti (Antikainen, Määttä-Juntunen & Ujanen, 2015, s. 48). Hillshade-työkalulla korkeusmallin kuvaamaa korkeuspintaa valaistaan kuvitteellisella valonlähteellä/auringolla, joka luo valon ja varjon avulla illuusio rinteen suunnasta ja topografiasta. Itse työkalussa voidaan valita sekä valonlähteen suunta (Azimuth) että korkeus (Altitude). Valon tulosuunta ja -korkeus valitaan asteina: suunta määritetään pohjoisesta myötäpäivään (0–360 astetta) ja korkeus horisontista zeniittiin (0–90 astetta) (Antikainen, Määttä-Juntunen & Ujanen, 2015, s. 48). Nämä valinnat vaikuttavat suuresti lopputuloksena syntyvään visualisointiin. Kun valonlähteen sijainti on määritetty, algoritmi käyttää kaltevuutta ja rinteen suuntaa avuksi ja määrittää, kuinka kirkkaasti kukin lähtöaineiston solu valaistaan. Vinovalovarjoste täydentääkin kartan sisältämää korkeusinformaatiota.

Korkeussuhteiden havainnoinnin helpottamiseksi karttaesitykseen lisättiin myös korkeuskäyrät. Ne luodaan korkeustiedon pohjalta Contour-työkalun avulla, jonka loppuloksena syntyy vektorimuotoinen viiva-aineisto, jossa yksi viiva kuvaa absoluuttista korkeustietoa eli korkeuden samanarvonkäyrää (Antikainen, Määttä-Juntunen & Ujanen, 2015, s. 49). Pakollisia valintoja työkalussa on vain korkeuskäyrien tasoero eli käyräväli, mutta työkalun avulla voi lisäksi määrittää jonkun tietyn lähtökorkeuden (Base contour), josta korkeuskäyriä aletaan piirtämään (Antikainen, Määttä-Juntunen & Ujanen, 2015, s. 49).

Lopputuloksena syntyy korkeutta kuvaavat samanarvonkäyrät, jotka visualisoivat, miten korkea maasto on kyseisessä kohdassa. Korkeuskäyrät helpottavat siis korkeustiedon visualisointia sekä kartan tulkitsemista. Näitä samanarvonkäyriä voidaan korkeuden kartoittamisen lisäksi käyttää myös, minkä tahansa jatkuvista arvoista koostuvan pinnan kartoittamiseen, kuten sadannan tai ilmanpaineen.

Näkyvyysanalyysi tuo lisätietoa maisemasta

Harjoituksessa lisäkriteeriksi lisättiin, että mahdolliselta viinitarholta tulisi olla myös näkymä läheiseen Murrayn tekojärveen. Tämän hahmottamiseksi harjoituksessa suoritettiin näkyvyysanalyysi (Viewshed), jonka algoritmi tunnistaa lähtöaineistona toimivasta korkeusmallirasterista ne solut, jotka voidaan nähdä määritetystä havainnointipisteestä.

Näkyvyys lasketaan arvioimalla solujen korkeudet paikallisten horisonttien löytämiseksi. Paikallisen horisontin ulkopuolella olevat alueet voidaan sitten arvioida sen määrittämiseksi, ovatko ne näkyvissä vai eivät, ja jos on, edustavatko ne kauempana olevaa paikallista horisonttia. Viewshed-työkalu voi ottaa huomioon myös muita tekijöitä, kuten tarkkailijan korkeuden, käyttämällä erityisiä määritteitä, jotka voidaan lisätä tarkkailupisteen ominaisuustietoihin. (Esri, n.d.)

Harjoituksessa havainnointipisteenä käytettiin tekojärven keskelle lisättyä pistettä, josta käsin maisemaa tarkasteltiin. Lopputuloksena syntyi uusi rasteri karttataso, jossa kartan solut saivat arvot 0 = ei näy tai 1 = näkyy tarkastelupisteeltä. Tätä analyysiä olisi voinut vielä edelleen jatkaa suorittamalla karttatasoille lokaalin päällekkäisoperaation. Kertomalla yhteen sekä optimaalista viinitarhan sijaintia että tekojärven näkyvyysaluetta kuvavat binääriset karttatasot, olisi lopputuloksena saatu ne pikselit, joissa lopulta nämä kaikki ehdot olisivat täyttyneet. Mutta tämänkin lisäksi optimaalisen viinitarhan sijainnin määritämisessä, olisi lisäksi tarvittu tietoa muistakin muuttujista kuten auringon säteilystä tai etäisyydestä läheisiin teihin.

Tässä harjoituksessa tyydyttiin nyt tarkastelemaan näitä eri karttatasoja päällekkäin (kuva 2) ja arvioimaan optimaalisia sijainteja visuaalisen analyysin avulla. Lisäksi lopuksi analyysin tulokset viimeisteltiin vielä muutamalla 2D kartta 3D esitykseksi (kuva 3).

Tässä harjoituksessa tärkeäksi muodostui käytettävän lähtöaineiston laatu ja tarkkuus. Rasteriaineistoa käsitellessä aineiston tarkkuudella, spatiaalisella resoluutiolla, on muun muassa merkitystä sille, miten tarkkoja mallinnuksia ja analyysejä aineistosta on mahdollista tehdä. Toinen tekijä, joka vaikuttaa johdettujen rasterien laatuun, on naapuriruutujen määrä. Rasterin sisäpuolella olevilla soluilla on kahdeksan välitöntä naapuriruutua, mutta reunalla olevilla soluilla on vain viisi ja kulmasoluilla vain kolme vierekkäistä ruutua. Koska rinteen suuntaan ja jyrkkyyteen liittyvät analyysit käyttävät hyväkseen naapuriruutujen tietoja eli laskevat reuna- ja kulmasolujen arvot, analyysien luotettavuus on heikompi rasteriaineiston reuna- ja kulmasoluille, koska naapurisoluja on vähemmän. Tämä rajoitus tulee erityisesti tärkeäksi tarkasteltaessa johdetun rasteriaineiston reunalla olevia kohteita tai kun johdettuja rasteripintoja halutaan yhdistää.

Hydrologinen mallintaminen ja hydrografi-diagrammin luominen

Kurssikerran toisessa harjoituksessa tutustuttiin korkeusmallin pohjalta tehtäviin hydrologisiin mallinnuksiin. Tavoitteena oli arvioida veden virtausnopeutta ja tulvahuipun ajallista jakaumaa hypoteettisen tulvatapahtuman aikana Stowessa, Vermontissa mahdollisten tulvavahinkojen ehkäisemiseksi.

Harjoituksessa veden virtauksen mallintaminen aloitettiin korjaamalla korkeusmallissa olevia kuoppia, jotka voivat olla todellisia tai sitten korkeusmallissa olevia virheitä. “Kuopat” ovat pikseleitä, joiden kaikki naapuriruudut ovat sitä korkeamalla, ja tästä johtuen virtauksen mallintamisessa vesi ei pääse virtaamaan niistä eteenpäin. Tämä voi aiheuttaa virheitä mallinnuksessa, ja näiden kuoppien tunnistaminen sekä täyttäminen ovat tärkeä osa aineiston alkuvalmistelua. Kuoppia muodostavien pikselien täyttäminen tapahtuu paikkatieto-ohjelmistossa nostamalla näiden solujen korkeusarvot vähintään samalle tasolle yhden naapurisolun kanssa (Holopainen ym., 2015, s. 84).

Kun korkeusmallin kuopat on täytetty, onnistuu virtaussuunnan määrittäminen D8-virtaussuunta-algoritmin avulla (Holopainen ym., 2015, s. 134). Virtaussuunta määrittyy maksimaalisen korkeusarvon muutoksen mukaan jokaiselle ruudulle, ja veden virtauksen mallien avulla voidaan päätellä, mihin naapuriruutuun vesi siitä virtaa (Holoainen ym., 2015, s. 84). Lopputuloksena syntyy virtaussuuntagridi, jonka avulla pystytään edelleen määrittämään jokiverkon uomat sekä vapaasti valitun pisteen yläpuolinen valuma-alue (Holopainen ym., 2015, s. 134). Harjoituksessa virtaussuuntagridiä käytettiinkin  tarkastelun kohteena olevan Little River -joen purkupisteen yläpuolisen valuma-alueen määrittämiseksi.

Alueen virtaaman aikakäyrän määrittämiseksi tarvittiin lisäksi tietoa valuma-alueen veden virtausnopeudesta sekä kerääntymisajasta alajuoksulla sijaitsevaan purkupisteeseen (kuva 4). Näiden avulla voidaan ennustaa, missä ajassa vesi virtaa valuma-alueella ja saavuttaa purkupisteen mahdollisen rankkasateen jälkeen.

Valuma-alueen topografia- ja korkeustietojen pohjalta pystyttiin siis johtamaan useita pintavaluntaan liittyviä muuttujia ja mallintamaan veden virtausta hypoteettisen tulvatilanteen sattuessa. Näiden tietojen pohjalta pystyttiin luomaan virtaaman aikakäyrä (kuva 5), joka kuvaa veden virtausnopeutta (m²/s) ja tulvahuipun ajallista jakautumista tarkastellulla Little River purkupisteellä. Tämän perusteella tarkastellussa uomassa on yksi korkea tulvahuippu ja se saavutetaan 4 tuntia sateen jälkeen.

 

Lähteet

Antikainen, H., Määttä-Juntunen, H. & Ujanen, J. (2015).  GIS-analyysimenetelmät ArcGIS 10.2.1 -ohjelmistolla. Oulun yliopiston maantieteen laitoksen opetusmoniste no. 43. Haettu 27.11.2020 osoitteesta http://jultika.oulu.fi/files/isbn9789526207889.pdf

Esri. (n.d.). Terrain Analysis Using ArcGIS Pro.

Holopainen,  M., Tokola, T., Vastaranta, M., Heikkilä, J., Huitu, H.,  Laamanen, R. & Alho, P. (2015). Geoinformatiikka luonnonvarojen hallinnassa. Helsingin yliopiston metsätieteiden laitoksen julkaisuja 7. Haettu 27.11.2020 osoitteesta http://hdl.handle.net/10138/166765

Kolmannella kurssikerralla jatkoimme työskentelyä valkopäämerikotkien pesimäpaikkojen tunnistamiseksi San Bernardinon kansallismetsän alueelta. Edellisellä kurssikerralla oli jo määritelty optimaaliselle sijainnille asetetut kriteerit, tutustuttu lähtöaineistoihin sekä laskettu niistä tarvittavia tietoja sekä rasteroitu koko aineisto. Tällä kurssikerralla jatkoimme kartografisen mallin rakentamista yhdistämällä ja analysoimalla karttatasoja näiden sopivimpien kohteiden tunnistamiseksi. (Holopainen, Tokola, Vastaranta, Heikkilä, Huitu, Laamanen & Alho, 2015, s. 94–95.)

Perinteinen kartografisen mallinnuksen esimerkki on sopivan paikan etsintä eri kriteerein, joka etenee analyysin määrittämisestä, tarpeellisten karttatasojen ja operaatioiden määrittämisen kautta lopputuloksen luotettavuuden, rajoitusten ja sopivuuden tarkistamiseen. Kartografinen mallinnus perustuu Tomlinin (1990) kehittämään kartta-algebraan, jossa karttakohteisiin liittyviä matemaattisia paikkatieto-operaatioita asetetaan ketjuksi siten, että edellisen toiminnon tulos on aina seuraavan syöte. Kartografista mallinnusta käytetään usein etsittäessä joitakin tiettyjä kriteereitä täyttäviä maa-alueita, kuten tässä tapaukessa valkopäämerikotkien optimaalisen pesimäpaikan määrittelyssä. (Holopainen ym., 2015, s. 95.)

Optimaalisen sijainnin määrittämisessä voidaan valita kolmesta eri soveltuvuusanalyysistä, joita ovat yksinkertainen/binäärinen (simple), painotettu (weighted) sekä sumea (fuzzy) analyysi. Kukin näistä eri soveltuvuusanalyyseistä muokkaa ja yhdistelee analyysissä käytettyä aineistoja eri tavalla sekä tuottaa erilaisen näkemyksen optimaalisista sijainneista. Kuhunkin analyysiin soveltuvan analyysin valinta riippuu siis siitä, miten halutaan, että eri karttatasoilla kuvatut kriteerit otetaan huomioon analyysissä sekä esitetään mallin lopputuloksessa.

Kolmannen kurssikerran ensimmäisessä harjoituksessa tutustuttiin yksinkertaiseen (simple) soveltuvuusanalyysiin, joka voidaan suorittaa binäärimuodossa olevalle rasteriaineistolle. Tämä analyysi soveltuu mallinnuksiin, joissa halutaan tunnistaa kohteet, jotka täyttävät yhtäläisesti kaikki asetetut kriteerit. Analyysissä sopivien alueiden paikallistaminen tapahtuu yhdistämällä kartta-algebran laskutoimitusten avulla numeerisessa muodossa olevia karttatasoja, joissa kukin karttataso esittää yh­tä muuttujaa (Holopainen ym., 2015, s. 99). Koska yksinkertaisessa soveltuvuusanalyysissä halutaan tunnistaa kohteet, jotka täyttävät kaikki kriteerit, käytetään karttatasojen yhdistämisessä kertolaskua.

Raster Calculator -työkalulla suoritetaan siis lokaali päällekkäisoperaatio, jossa jokaisen karttatason päällekkäiset solut kerrotaan, ja laskenta tapahtuu pikseli kerrallaan. Kertomalla yhteen binääriset rasterikarttatasot, joissa soveltuvat alueet on koodattu numerolla 1 ja ei soveltuvat kohteet arvolla 0, saadaan laskutoimituksen lopputuloksena kartta, jossa arvon 1 saavat vain ne alueet, jotka täyttävät yhtäaikaisesti kaikki annetut ehdot. (Holopainen ym., 2015, s. 98–99). Laskutoimituksen lopputuloksen saatu karttataso kuvaa kriteerit täyttäviä soluja, jotka sijaitsevat kolmen järven ympärillä pohjoisen ja koillisen suuntaisilla rinteillä metsäalojen sisällä (kuva 1).

Koska kaikkeen mittaamiseen tiedon keruuseen ja käsittelyyn liittyy kuitenkin monia virhelähteitä, joita ei pystytä koskaan täysin poistamaan, paikkatietoa tuotettaessa halutaan usein myös testata käytetyn lähtöaineiston sekä mallin tulosten luotettavuutta käyttäen herkkyys- ja virheanalyysejä.

Herkkyysanalyysi on mallin tuloksen epävarmuuden arvioimista. Sen avulla pyritään selvittämään, kuinka herkkä mallin tulos on käytettyjen lähtöoletusten muuttamiselle.  Osittaisherkkyysanalyysissä yhden muuttujan kriteereitä muutetaan kerrallaan ja lasketaan uusi optimaalinen sijainti näillä muutetuilla arvoilla. (Wikipedia, n.d.) Herkkyysanalyysin lopputuloksena saatua muutettua karttatasoa verrataan alkuperäiseen karttatasoon visuaalisesti sekä laskemalla näiden kahden karttatason välinen erotus. Jos kyseisen muuttujan lähtöoletusten muuttaminen muuttaa lopputulosta suuresti, voidaan sanoa, että tulos on herkkä kyseisen parametrin muutoksille.

Harjoituksessa muutettiin optimaalisen pesimäalueen puuston latvuspeittävyyden määrää huomioimaan soveltuvuusanalyysissä alueet, jossa peittävyys oli 30–60 % (alunperin 20–60 %). Tällä muutetulla parametreilla laskettiin uusi karttataso, ja sitä verrattiin alkuperäiseen kuvassa 1 esitettyyn karttatasoon päällekkäisanalyysin avulla.

Näitä kahta binääristä karttatasoa vertaamalla (“Sensitivity_Surface” – “SuitabilitySurface”) != 0 operaatiolla saatiin lopputuloksena karttataso, jossa arvon 0 saa ne pikselit, jotka ovat kummassakin karttatasossa yhtäläiset ja arvon 1 ne pikselit, jotka osuvat vain toisen karttatason kohdalle. Lopputulos on esitetty kuvassa 2, jossa on punaisella kuvattu karttatasojen välinen erotus sekä mustalla alkuperäinen soveltuvuuskarttataso.

Virheanalyysillä voidaan puolestaan testata lähtöaineiston luotettavuutta ja sitä, kuinka suuri mittausvirhe käytetyssä lähtöaineistossa voi olla ennen kuin se vaikuttaa saatuun tulokseen (kuva 3).

Painotettu soveltuvuusanalyysi

Yksinkertaisen (simple) soveltuvuusanalyysin lisäksi optimaalisen sijainnin määrittämisessä voidaan käyttää kahta muuta soveltuvuusanalyysin muotoa, joista kumpikin muokkaa ja yhdistelee aineistoja eri tavalla. Kurssikerran toisessa harjoituksessa tutustuttiin tarkemmin painotettuun (weighted) soveltuvuusanalyysin, joka sopii analyyseihin, joissa halutaan valita alueita perustuen siihen, miten hyvin ne täyttävät asetetut kriteerit.

Tässä harjoituksessa lähtöaineistona toimi sama aineisto kuin aiemmassa harjoituksessa, mutta binäärisen aineiston sijaan painotetussa soveltuvuusanalyysissä aineisto uudelleenmuokataan arvoihin 1–10, jossa arvo 10 kuvaa soveltuvinta aluetta. Aineiston muokkaaminen voidaan tehdä uudelleenluokittelemalla Reclassify-työkalulla, joka soveltuu luokitellulle rasteriaineistolle tai uudelleen skaalaamalla Rescale By Function -työkalulla.  Rescale By Function -työkalu sopii jatkuvalle rasteriaineistolle, ja aineistolle,  jota ei haluta ryhmitellä uudestaan vaan ainoastaan skaalata rasterin arvot uudelleen. Soveltuvan työkalun valitseminen ja aineiston uudelleenluokittelu vaatiikin alkuperäisten lähtöaineiston arvojen, mitta-asteikon ja yksikön tuntemista, koska kaikki lähtöaineiston muuttujan ominaisuudet vaikuttavat käytettäviin analyyseihin, työkaluihin sekä lopputulokseen.

Harjoituksessa jokaisen neljän eri karttatason pikselien arvot uudelleen luokiteltiin tai skaalattiin vaihettumaan 1–10 välillä (kuva 4). Kartografinen malli voikin koostua useista karttatasoista, jotka kuvaavat mallissa käytettyjen muuttujien spatiaalista vaihtelua tutkittavalla alueella (Holopainen ym., 2015, s. 95). Koska kukin muuttuja on kuvattu omalla karttatasollaan, vaatii optimaalisten sijaintien tunnistaminen vielä kunkin karttatason yhdistämistä.

Karttatasoja yhdistettäessä painotetussa soveltuvuusanalyysissä kaikki analyysille asetetut kriteerit eivät ole yhtä tärkeitä vaan kullekin kriteerille asetetaan painokertoimet, joilla painotetaan eri kriteerien ja ominaisuuksien merkitystä. Kullekin karttatasolle lisätään siis oma painotuksensa, ja painotus voidaan asettaa joko Weighted Overlay tai Weighted Sum -työkaluilla, joista molemmat menetelmät käyttävät painotettuja lineaarikombinaatioita laskemaan uuden arvon kullekin solulle.

Weighted Overlay -työkalu soveltuu kokonaisluvuille, ja painotus perustuu suhteellisiin prosenttiosuuksiin. Karttatasoja yhdistettäessä kullekin karttatasolle asetetaan prosenttiosuus, jotka eivät  voi yhdessä ylittää 100 prosenttia. Weighted Sum -työkalun avulla voidaan taas asettaa päällekkäin useita rastereita kertomalla kukin karttataso sille annetulla painoarvolla ja sen jälkeen laskemalla kaikki karttatasot yhteen. Weighted Sum painotuksessa painoarvot voivat olla, mikä tahansa positiivinen tai negatiivinen desimaali- tai kokonaislukuarvo, eikä se rajoitu suhteelliseen prosenttiosuuteen. Tässä harjoituksessa sopivan sijainnin tunnistamisessa käytettiin Weighted Sum -työkalua painottaen eniten järven läheisyyttä sekä sijaintia kaukana alueista, joissa on ihmistoimintaa kuten rakennuksia ja teitä. Painotetun analyysin lopputuloksena syntynyt kartta esittääkin näiden kriteerien takia, valkopäämerikotkille sopivien pesimäpaikkojen sijaitsevan pääasiassa kartoitetulla alueella olevien järvien ympäristössä (kuva 5).

Paikkatiedon laadun ja tuloksien testaaminen virheanalyysin avulla

Myös painotetut soveltuvuusanalyysin tuloksien luotettavuutta voidaan testata käyttäen herkkyys- ja virheanalyysejä. Painotetun soveltuvuusanalyysin kohdalla herkkyysanalyysi voidaan kohdistaa joko aineistoa muokkaavaan uudelleenluokitteluun tai -skaalaukseen tai painotusarvoon. Herkkyysanalyysi tulee kuitenkin aina kohdistaa vain yhteen muuttujaan ja operaatioon kerrallaan, jotta voidaan tarkastella sen vaikutusta optimiratkaisuun.

Virheanalyysi kohdistuu sen sijaan lähtöaineiston luotettavuuden arvioimiseen aineistolle määritellyn luottamusvälin sisällä. Virheanalyysillä voidaan testata, miten aineistosta saatu tulos poikkeaa, jos lähtöaineistossa onkin jokin mittausvirhe (esim. ±1 metriä). Jatkuvasta lähdeaineistosta virheen vaikutus voidaan analysoida esimerkiksi satunnaisesti lisäämällä tai vähentämällä virhearvo (esim. ±1) lähtöaineiston soluista, ja tarkastelemalla muutoksen vaikutusta lopputuloksena saatuun karttatasoon (kuva 6).

Tässä harjoituksessa tyydyttiin tarkastelemaan herkkyys- ja virheanalyysin tuloksia visuaalisesti, mutta niiden erotuksen laskeminen olisi varmasti paljastanut tarkemmin, missä kohdissa kahden karttatason välisiä eroavaisuuksia esiintyi. Kummankin analyysin tulokset olivat visuaalisen tarkastelun perusteella hyvin lähellä alkuperäisen analyysin alueita, joten näiden harjoituksessa testattujen muuttujien, puuston latvuspeittävyyden sekä rinteen korkeusmallin, osalta mallin ja lähtöaineiston voidaan katsoa olevan luotettavia.

Tällä kurssikerralla vertaillut yksinkertainen  ja painotettu soveltuvuusanalyysi tarjoavat siis kumpikin mallin sopivimpien tai tärkeimpien kohteiden tunnistamiseksi maastosta, mutta kuhunkin tilanteeseen parhaiten soveltuva analyysitapa riippuu sekä asetetuista tavoitteista että lopputuloksena saadun tiedon tarpeesta. Yksinkertainen soveltuvuusanalyysi yksilöi ne alueet, jotka täyttävät yhtäaikaisesti kaikki annetut ehdot, mutta se ei anna informaatiota  alueiden keskinäisestä paremmuudesta (Holopainen ym., 2015, s. 99). Painotettu soveltuvuusanalyysi kuvaa sen sijaan paremmin alueiden välistä vaihettumisesta ja alueiden välisiä suhteita, ja visualisoi kartalle siten myös alueiden välistä paremmuusjärjestystä.

Lähteet

Holopainen,  M., Tokola, T., Vastaranta, M., Heikkilä, J., Huitu, H.,  Laamanen, R. & Alho, P. (2015). Geoinformatiikka luonnonvarojen hallinnassa. Helsingin yliopiston metsätieteiden laitoksen julkaisuja 7. Haettu 10.11.2020 osoitteesta http://hdl.handle.net/10138/166765

Wikipedia. (n.d.). Herkkyysanalyysi. Haettu 16.11.2020 osoitteesta https://fi.wikipedia.org/wiki/Herkkyysanalyysi

Toisen kurssikerran harjoituksissa tutustuimme rasteriaineiston datan hallintaan, analyyseihin ja visualisointiin. Rasterimuotoinen paikkatietoaineisto on pikselistä/soluista rakentuvaa kuvamuotoista paikkatietoaineistoa, joista yleisimpänä esimerkkinä ovat ilma- ja satelliittikuvat. Kurssikerran ensimmäisessä harjoituksessa tutustuimmekin satelliittikuvista tehtäviin rasterianalyyseihin.

Ensimmäisessä harjoituksessa lähtöaineistona toimi kaksi monikanavaista Landsat 8 satelliittikuvaa vuosilta 2013 ja 2015. Vertaamalla näitä kahta samalta alueelta eri vuosina otettua satelliittikuvaa haluttiin tunnistaa, oliko kuvatulla alueella tapahtunut maankäytön ja kasvillisuuden muutosta.

Kasvillisuudessa tapahtuneen muutoksen tunnistamiseksi kummallekin satelliittikuvalle laskettiin ensin vihreän kasvillisuuden määrään sekä kuntoon reagoiva NDVI (Normalized Difference Vegetation Index) eli normalisoitu kasvillisuusindeksi, jonka laskeminen perustuu kasvillisuuden heijastamaan valoon. Vihreät kasvit absorboivat valoa punaisella aallonpituusalueella (RED) ja toisaalta heijastavat voimakkaasti lähi-infrapuna-alueen säteilyä (NIR). NDVI-indeksin laskenta perustuu näiden kuvattujen aallonpituusalueiden väliseen suhteeseen, ja se kuvaa tehokkaasti elinvoimaisen kasvillisuuden määrää kartoitetulla alueella. (Keto, 2017, s. 15–16; Suomen ympäristökeskus (SYKE), n.d.)

Kasvillisuusindeksi-analyysin lopputuloksena syntyi kaksi uutta NDVI-indeksiä  kuvaavaa rasterimuotoista karttatasoa. Näiden karttatasojen välisen muutoksen tunnistamiseksi karttatasoja verattiin keskenään rasteriaineiston päällekkäisanalyysin avulla.

Rasteriaineiston päällekkäisoperaatiot jaetaan analyysin alueellisen laajuuden mukaan lokaaliin, fokaaliin, zonaaliin sekä globaaliin operaatioon/analyysiin. Valittu funktio vaikuttaa analyysin kohdistettavuuden lisäksi siihen, millaisia laskuoperaatioita  analyysillä on mahdollista suorittaa ja mitä arvoja operaation lopputuloksena syntynyt karttataso voi saada. Rasteriaineiston mitta-asteikko asettaa myös rajoitteita mahdollisille laskuoperaatioille, joten tärkeä osa rasteriaineiston datan hallintaan on myös tuntea käytettävän datan mitta-asteikko ja käyttömahdollisuudet. (Holopainen, Tokola, Vastaranta, Heikkilä, Huitu, Laamanen & Alho, 2015, s. 51–52, 62).

Harjoituksessa hyödynnettiin rasterianalyysin lokaalia paikallisfunktiota, joka suorittaa määrätyn operaation rasterin jokaiselle solulle yksi kerrallaan. Tyypillisiä rasterianalyysin paikallisfunktion operaatioita ovat summa, erotus, tulo, jakolasku, eksponentti/logaritmiarvot ja trigonometriset funktiot (Holopainen ym., 2015, s. 62).

Harjoituksessa lokaalin päällekkäisoperaation avulla laskettiin vuosien 2013 ja 2015 NDVI-indeksien välinen erotus (kuva 1). Lopputuloksena saadun karttatason pikselien arvot kuvaavat kasvillisuuden määrässä tapahtuneen muutoksen suuruutta.  Koska harjoituksessa oltiin kuitenkin kiinnostuneita vain siitä, oliko kuvatulla alueella tapahtunut muutosta, mutta ei sen suuruudesta, tuli päällekkäisanalyysin pohjalta saatu aineisto vielä luokitella uudestaan binääriseksi rasteriaineistoksi.

Uudelleenluokittelua voidaan käyttää, kun aineisto halutaan luokitella alkuperäisestä luokittelusta poikkeavalla tavalla (Holopainen ym., 2015, s. 55). Uudelleenluokittelussa rasteriaineiston pikseleiden arvot muutetaan uusiksi antamalla jokaiselle lähtökartassa olevalle arvolle, joku uusi arvo. Harjoituksessa muutoksen suuruutta kuvaava aineisto ryhmitteltiin/luokiteltiin niin, että kukin pikseli sai joko arvon 1 = muutosta tai 0 = ei muutosta. Lopputuloksena syntynyt karttataso yksinkertaisti karttaesitystä, ja kuvassa 2 näkyvällä kartalla on näkyvissä kaikki alueet, jossa on havaittavissa kasvillisuuden muutosta vuosien 2013 ja 2015 välillä.

Rasteriaineiston käsittelyä ja muokkaamista

Kurssikerran toisessa ja kolmannessa harjoituksessa käsiteltiin tarkemmin paikkatietoaineiston käsittelyä ja muokkaamista analyyseihin sopivaksi. Kummassakin harjoituksessa valmisteltiin aineistoa valkopäämerikotkille sopivien pesimäpaikkojen tunnistamiseksi San Bernardinon kansallismetsässä.

Kuten aiemmin kirjoitin, kaikkien paikkatietoaineistojen hallinta ja analyysointi lähtee aina liikkeelle jostain käyttäjän asettamasta kysymyksestä, johon halutaan löytää vastaus. Kysymykseen vastaaminen vaatii kuitenkin usein monien eri alueellisten kriteerien huomioimista, ja siten myös useiden paikkatietoaineistojen hyödyntämistä. Tämä korostuu varsinkin rasteriaineiston kohdalla, koska yksi rasterikarttataso voi käsittää vain yhden muuttujan.

Tässä harjoituksessa lähtöaineistona toimi kolme eri rasterikarttatasoa sekä yksi vektorikarttataso, joista jokainen kuvasi yhtä optimaalisen sijainnin löytämiseen tarvittavista muuttujista. Harjoituksessa monet optimaalisen pesimäsijainnin määrittämiseen tarvittavat kriteerit vaativat näiden kohteiden välisten etäisyyksien mallintamista, joka laskettiin suorittamalla muuttujille kustannuspinta-analyysi. Kustannuspinta-analyysin avulla valituista muuttujista saatiin mallinnettua erilaisia leviämismalleja.

Kustannuspinta-analyysin perusideana on laskea kumulatiivinen kustannus jostain tietystä pisteestä (tai pisteistä) käsin koko kustannuspinnan kattamalle alueelle (Antikainen, Määttä-Juntunen & Ujanen, 2015, s. 38–39). Kustannuspinnan muodostuksessa valitulla lähtöpinnalla kuvatut kohteet muodostavat nollatason, josta poikkeaminen aiheuttaa kustannuksia. (Holopainen ym., 2015, s. 101–102). Analyysin lopputuloksena syntyy kumulatiivinen rasteripinta, jonka jokaisen solun arvo edustaa solun läpi kulkemisesta aiheutuvaa yksikkökustannusta, eli siis kustannusta yhtä etäisyysyksikköä kohti (Antikainen, Määttä-Juntunen & Ujanen, 2015, s. 38–39). Tällä analyysillä myös yksi vektorimuotoinen karttataso saatiin muutettua rasterimuotoiseksi karttatasoksi eli rasteroitua, jolloin eri karttatasot olivat yhdistettävissä keskenään.

Jotta näitä eri karttatasoja voitiin edelleen yhdistää päällekkäisanalyysiä  ja optimaalisen sijainnin tunnistamista varten, aineistoa tuli yksinkertaistaa uudelleenluokittelun avulla. Uudelleenluokittelussa optimaalisen sijainnin täyttäville pikseleille annettiin arvo 1 ja ei soveltuville alueille 0. Eri päällekkäiset binääriset karttatasot on kuvattu kuvassa 3. Tämän harjoituksen aineiston spatiaalista mallintamista käsitellään lisää seuraavassa kirjoituksessa.

Työvaiheiden ketjuttaminen osa rasterityöskentelyä

Tämän kurssikerran harjoituksissa korostui erityisesti paikkatietoaineistojen käsittely ja muokkaaminen analyyseihin sopivaksi sekä eri työvaiheiden yhdistäminen monivaiheiseksi työvaiheketjuksi. Paikkatietoaineiston muokkaaminen ja analysointi vaatiikin useiden peräkkäisten työvaiheiden ketjuttamista. Kurssilla käytettävä ArcGIS paikkatieto-ohjelmisto tarjoaa oivallisen ModelBuilder-työkalun näiden yksittäisten työvaiheiden ketjuttamiselle sekä niistä muodostetun työvaiheketjun tallentamiselle järjestelmään myös myöhempää käyttöä varten.

Harjoituskerran tehtävissä huomasinkin ModelBuilder-työkalun etuina olevan muun muassa sen, että se auttaa hahmottamaan monivaiheisten työvaiheiden kokonaisuuden sekä varmistamaan, että kaikki tarvittavat työvaiheet tulee suoritetuksi. ModelBuilder-työkalu esimerkiksi vähentää paikkatietoaineiston käsittelyssä manuaalisen työn määrää, tekee työskentelystä systemaattisempaa sekä antaa mahdollisuuden korjata analyyseissä esiintyneitä virheitä ilman, että kaikkea tarvitsee aloittaa alusta.

Itsestään tietysti paikkatietojärjestelmä ja sen työkalut eivät analyysejä kuitenkaan pysty tekemään, vaan olennaiset osat kokonaisuutta ovat hyödynnettävät paikkatietoaineistot ja itse käyttäjät. Vaikka esimerkiksi työvaiheista muodostetun pohjamallin käyttäminen automatisoi ja nopeuttaa eri työvaiheita, vaatii se paikkatietojärjestelmän käyttäjältä kuitenkin ymmärrystä käsiteltävistä aineistoista, työvaiheiden järjestyksen merkityksestä että spatiaalisista analyyseistä.

Lähteet:

Antikainen, H., Määttä-Juntunen, H. & Ujanen, J. (2015).  GIS-analyysimenetelmät ArcGIS 10.2.1 -ohjelmistolla. Oulun yliopiston maantieteen laitoksen opetusmoniste no. 43. Haettu 12.11.2020 osoitteesta http://jultika.oulu.fi/files/isbn9789526207889.pdf

Holopainen,  M., Tokola, T., Vastaranta, M., Heikkilä, J., Huitu, H.,  Laamanen, R. & Alho, P. (2015). Geoinformatiikka luonnonvarojen hallinnassa. Helsingin yliopiston metsätieteiden laitoksen julkaisuja 7. Haettu 10.11.2020 osoitteesta http://hdl.handle.net/10138/166765

Keto, K. (2017). Kasvillisuuden kaukokartoitus. (Kandidaatintyö, Oulun yliopisto). Haettu 9.11.2020 osoitteesta http://jultika.oulu.fi/files/nbnfioulu-201703311417.pdf

Suomen ympäristökeskus (SYKE). (n.d.). NDVI (Normalized difference vegetation index)-indeksi korkearesoluution satelliittikuvamosaiikeista (2000 ja 2006).  Haettu 9.11.2020 osoitteesta http://wwwi4.ymparisto.fi/i4/fin/tietosivut/vacciaRsData_ndvi.html