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