Month: November 2022

Harjoituksen aineistona oleva KevoDEM-taso, on rasterimuotoinen digitaalinen korkeusmalli (DEM) Kevon kanjonin alueelta. Sen projisoitu koordinaattijärjestelmä on EUREF FIN TM35FIN. Korkeusmallin yksikkö on metri ja sen spatiaalinen resoluutio on 2 metriä. Tarkasteltavan alueen koko on 36 neliökilometriä. Aleen korkein kohta sijaitsee sen länsireunassa ja matalin kohta joen uomassa alueen koillisnurkassa.

Korkeusmallit

Harjoituksen ensimmäisessä osassa teimme vinovalovarjosteen ja korkeuskäyrät KevoDEM-aineiston pohjalta. KevoDEM-aineisto (kuva 1) on rasteriainesto, jossa pikselin väri kertoo kyseisen kohdan korkeuden maastossa. Mitä vaaleampi väri pikselillä on, sen korkeammasta kohdasta on kyse.

Kyseisestä mallista näkyy hyvin korkeuden vaihtelun karkeasti, mutta tarkempaan visuaalisen tarkasteluun malli on mielestäni huono. Tämä voisi johtua siitä, että aineisto on visualisoitu yhden värin tummuusskaalalla. Ihmisen silmä ei erota yhden värin sävyjä kovin tehokkaasti, joten toisiaan lähellä olevia sävyjä on vaikea erottaa toisistaan. Mallista on myös hankala havaita esimerkiksi rinteen suuntaa tai jyrkkyyttä. Aineisto voisi ehkä toimia paremmin suuremman alueen kuvaamiseen.

     
Kuva 1: KevoDEM korkeusmalli Kevon kanjonin alueelta.

Vinovalovarjoste tai rinnevarjoste (kuva 2) on korkeusmalli, joka visualisoi rinteiden suuntaa, jyrkkyyttä ja korkeutta. Kuvitteellinen aurinko paistaa 45 asteen kulmassa luoteesta, jolloin erityisesti luoteeseen ja kaakkoon avautuvat rinteet erottuvat selvästi. Vinovalovarjoste on mielestäni visuaalisesti hyvä korkeusmalli. Se näyttää pienetkin korkeusvaihtelut selvästi, ja sopiikin erityisesti pienempien alueiden tarkasteluun. Suurien alueiden tarkasteluun rinnevarjoste on liian tarkka eivätkä pinnanmuodot erotu enää. KevoDEM-malliin verrattuna rinnevarjosteessa alue vaikuttaa tasaisemmalta.

Kuva 2: Rinnevarjoste Kevon kanjonin alueelta.

Korkeuskäyräaineisto (kuva 3) on vektoriaineisto, jossa käyrien välillä maanpinnan korkeus muuttuu tietyn verran. Tässä tapauksessa 10 metriä. Mitä tiheämmässä käyrät ovat sen jyrkempi rinne on. Mallista näkee rinteen korkeuden, jyrkkyyden sekä suunnan. Kuvassa käyrien alla on rinnevarjostemalli.

Kuva 3: Korkeuskäyrät Kevon alueelta.

Teimme erikseen myös mallinnukset rinteen jyrkkyydelle ja suunnalle. Jyrkkyyttä kuvaavassa Slope-tasossa (kuva 4) tummin väri edustaa jyrkintä kohtaa. Mallinnuksesta voi havaita, että kanjonin reunat ovat alueen jyrkimpiä kohtia ja loivimmat kohdat sijaitsevat joenuomien välissä.

Kuva 4: Slope-taso kuvaa rinteen jyrkkyyttä.

Suuntaa kuvaavassa Aspect-tasossa (kuva 5) eri värit edustavat eri suuntia joihin rinne aukeaa. Esimerkiksi vihreät alueet ovat kaakkoon aukeavia ja violetit luoteeseen aukeavia rinteitä.

Kuva 5: Aspect-taso kuvaa rinteen suuntaa.

Hydrologinen mallinnus

Harjoituksen toisessa osassa tehtiin hydrologista mallinnusta. Rasteripohjaista hydrologista mallinnusta ovat veden valuntaan liittyvät analyysit, joissa eri tietolähteisiin perustuen arvioidaan yleensä pintavalunnan suuntaa ja määrää. (Holopainen ja muut, 2015).

Teimme KevoDEM-aineiston avulla virtaussuuntia kuvaavan mallinnuksen (kuva 6), jonka avulla loimme valuma-alueet. Kuvassa (kuva 7) on valuma-aluetason pohjalla rinnevarjoste. Valuma-alue mallin resoluutio on 2 metriä, ja tarkemmalla tarkastelulla huomaa, että alueet ovat osittain epärealistisia. Pienemmällä resoluutiolla, samanlaisia virheitä ei ehkä tulisi. Tätä tekstiä kirjottaessani huomaan, että en ihan ymmärrä miten valuma-alueet ovat muodostuneet. Miksi suurin osa kuvasta on vain yhtä valuma-aluetta ja kuvan reunoilla on pieniä, jopa pikselin kokoisia alueita (kuva8)?

Kuva 6: Alueen virtaussunnat

Kuva 7: Valuma-alueet

Kuva 8: Lähempää tarkasteltaessa huomaa, että osa valuma-alueista on epärealistisia.

Lopuksi muodostimme virtaussuuntatason pohjalta mahdolliset joenuomat alueelle. Työkalussa oli mahdollista valita miten monesta pikselistä mahdollinen vesi virtaa toiseen pikseliin (kumulatiivinen raja-arvo). Suuremmalla arvolla on suurempi todennäköisyys, että uomassa virtaa oikeasti vettä ja virtaus on kovempaa. Käytin raja-arvoja 100 000, 10 000 ja 1000 (kuva 9). Näistä 1000 on todennäköisesti turhan pieni arvo ja sillä saadut uomat ovat epärealistisen näköisiä. Sadannasta riippuen arvolla 10 000 saadut uomat voivat olla realistisia ja arvo 100 000 näyttää vain suurimmat uomat. Kuvan perusteella suurimmalla arvolla luodut uomat näyttävät realistisilta, koska ne mukailevat korkeusmallia.

Kuvan pohjalla on KevoDEM-aineisto uudelleen visualisoituna. Jälkeenpäin ajateltuna tähän olisi sopinut korkeuskäyrätaso, jolloin rinteiden jyrkkyyden ja suunnan olisi hahmottanut paremmin.

Kuva 9: Mahdolliset uomat Kevon kanjonin alueella.

Lopuksi

Toisen viikon harjoitukset olivat mielestäni helpompia kuin edellisen viikon harjoitukset. Koin ymmärtäväni mitä tein ja sain tehtyä tehtävät tunnin aikana.

Lähteet:

Holopainen, M., Tokola, T., Vastaranta, M., Heikkilä, J., Huitu, H., Laamanen, R., Alho, P., 2015, Geoinformatiikka luonnonvarojen hallinnassa (s. 63), Helsingin yliopiston metsätieteiden laitoksen julkaisuja 7, Helsingin yliopiston metsätieteiden laitos, saatavilla: http://hdl.handle.net/10138/166765

Pitkästä aikaa taas geoinformatiikan parissa kurssilla Geoinformatiikan menetelmät 2. Käytämme tällä kurssilla harjoitusten tekemiseen ArcGis-ohjelmistoa, joka on maksullinen paikkatieto-ohjelmisto.

Jo ensimmäisten harjoitustehtävien aikana huomasin miten paljon selkeämpi ja helppokäyttöisempi ArcGis on QGis:iin verrattuna. Datan analysointi on mielestäni ArcGis:ssä paljon yksinkertaisempaa. Tarvittavat työkalut on helppo hakea ja niillä on selkeät nimet.

Toisaalta layout-välilehti, jossa kartat visualisoidaan, on hieman epäkäytännöllinen ja siinä on vähemmän ominaisuuksia esimerkiksi legendan muokkaamista varten. Toki vasta ensimmäisellä viikolla en voi väittää tietäväni tarpeeksi ohjelmasta, sen käyttöä pitää vielä harjoitella.

Clip-analyysi
Ensimmäisellä viikolla käytimme harjoituksissa clip- ja intersect-leikkausanalyysejä. Ensimmäisessä harjoituksessa käytimme clip-analyysiä. Clip analyysissä leikataan piste-, viiva- tai aluetyyppistä tasoa aluetasolla. Lopputuloksen syntyy taso, jossa leikattavasta tasosta on leikattu leikkaavan tason mukainen alue, jossa on vain leikatun tason ominaisuustiedot.

Ensimmäisessä harjoituksessa aineistona oli Helsingin maankäyttö (kuva 1). Loimme Vihdintielle ja Lahdenväylälle bufferit 250 metrin etäisyydelle, mikä onnistui kohtuullisen helposti. Bufferoinnissa luodaan kohteelle vyöhyke tietylle etäisyydelle. Esimerkiksi vektorimuotoisissa vyöhykkeissä saadaan tuloksena uusi vyöhykepolygoni, jonka äärireuna noudattaa haluttua etäisyyttä kohteesta (Holopainen ja muut, 2015).

Kuva 1: Maankäyttö Helsingissä.

Sen jälkeen leikkasimme clip-analyysillä buffereiden mukaisen alueen karttatasosta, joka kuvasi Helsingin maankäyttöä. Saimme lopputulokseksi aluetason, jossa näkyi bufferialueen maankäyttö. Teimme analyysin tuloksista vielä graafisen esityksen, josta näkyy maankäyttö 250 metrin etäisyydellä Vihdintiestä ja Lahdenväylästä (kuvat 2 ja 3).

Kuva 2. Maankäyttö 250 metrin etäisyydellä Lahdenväylästä.

Kuva 3: Maankäyttö 250 metrin etäisyydellä Vihdintiestä.

Intersect-analyysi
Toisessa harjoituksessa käytimme intersect-analyysiä. Intersect-analyysi eroaa leikkaavasta clip-analyysistä niin, että leikkaamisen lisäksi analyysi yhdistää tasojen ominaisuustiedot. Intersect analyysissä leikkaamiseen voi aluetyyppisen tason lisäksi käyttää myös viiva- ja pistetyyppistä tasoa.

Leikkasimme intersect-työkalulla maankäyttöaineistosta Kumpulan, Toukolan ja Käpylän kaupunginosien mukaiset alueet. Seuraavaksi luokittelimme dataa niin, että saimme kunkin kaupunginosan maankäytön jaettua rakennettuun alueeseen ja luontoon. Käytimme tähän Python-ohjelmointikieltä. Onneksi koodi oli valmiina, ja sen saattoi vain kopioida ohjeista. Siitä huolimatta epäonnistuin tässä kohdassa, ja kuuden rivin sijasta sain yli 6000 riviä attribuuttitauluun. Teimme analyysin tuloksista kartan (kuva 4) ja graafisen esityksen (kuva 5).

Alkuperäisessä aineistossa maankäyttö oli jaettu puustoon, matalaan kasvillisuuteen, avokallioihin, vesistöihin, rakennuksiin, teihin, vettä läpäisemättömään pintaan ja muuhun paljaaseen maahan. Analyysin jälkeen luonto-luokkaan kuului puusto, matala kasvillisuus, avokalliot ja vesistöt ja rakennettu-luokkaan loput.

Muut alkuperäisen aineiston luokat ovat selkeitä mutta luokka ”muu paljas maa” on epämääräinen. Tarkastelin hieman luokkaan kuuluvia alueita, ja näitä olivat esimerkiksi urheilukentät ja piha-alueet. Nämä alueet ovat mielestäni ”vettä läpäisemätöntä pintaa” ja ne voi mielestäni luokitella hyvin rakennettuun alueeseen.

Iso osa luokkaan kuuluvista alueista oli kuitenkin epäselviä. Mietin muita mahdollisia alueita, joita luokkaan voisi luokitella. Kuuluvatko esimerkiksi hiekkarannat tai hiekkaiset parkkipaikat tähän? Sinä tapauksessa parkkipaikat ovat rakennettua aluetta ja mahdollisesti vettä läpäisemätöntä pintaa, mutta hiekkarantojen luokittelu ei ole ihan niin selvää.

Kuva 4: Maankäyttö Käpylässä, Kumpulassa ja Toukolassa.

Kuva 5: Maankäyttö Kumpulassa, Toukolassa ja Käpylässä.

Lopuksi
Minulla meni harjoitustehtävien tekemiseen yhteensä 7 tuntia. Tämä johtui varmasti osin siitä, että ArcGis on uusi ohjelma, jonka käyttö ei ole vielä kovin sujuvaa. Ohjeita oli välillä myös hankala ymmärtää ja olisin ehkä kaivannut erillisen ohjeen otsikolla ”ohjeet idiooteille”.

Harjoitusten tekemisen aikana en ollenkaan ymmärtänyt mitä teimme ja miksi. Sen takia virheitä oli hankala korjata, enkä kokenut oppivani mitään. Kun aloin kirjoittamaan tätä tekstiä ja palasin harjoituksen ohjeisiin sekä luennon materiaaleihin, ymmärsin lopulta (ainakin melkein) välivaiheet ja kokonaisuuden.

Lähteet:
Holopainen, M., Tokola, T., Vastaranta, M., Heikkilä, J., Huitu, H., Laamanen, R., Alho, P., 2015, Geoinformatiikka luonnonvarojen hallinnassa (s. 63), Helsingin yliopiston metsätieteiden laitoksen julkaisuja 7, Helsingin yliopiston metsätieteiden laitos, saatavilla: http://hdl.handle.net/10138/166765