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