Month: December 2022

Neljännen viikon harjoituksen aineistona oli Suomen ympäristökeskuksen Corine-maanpeite 2018-aineisto. Aineisto tuotettiin yhdistämällä satelliittikuvilta automaattisesti tulkittuja maanpeitteisyystietoja olemassa oleviin maankäyttöä ja maaperää kuvaaviin paikkatietoaineistoihin. (Syke, 2017)

Kevon maankäyttö ja maanpeite

Harjoituksen ensimmäisessä osassa muokkasimme ja rajasimme Corine-maanpeiteainestoa ja tuloksista visualisoitiin kartta (kuva 1). Aineiston muokkaamiseen kuului tietokantaliitos, jolla saimme merkkien selitteet aineistolle. Aineiston perusteella selvästi suurin osa alueesta on varvikoita ja nummia. Muita selvästi erottuvia alueita ovat niukkakasvustoiset kangasmaat korkeilla alueilla, lehtimetsät kivennäismaalla suurempien uomien ympärillä, avosuot alajuoksulla ja kalliomaat suurempien uomien ympärillä. En ole itse käynyt Kevolla koskaan ja olen nähnyt sieltä vain muutamia kuvia, mutta Corine-aineiston perusteella alue vaikuttaa hyvin karulta.

Kuva 1: Maanpeite ja maankäyttö Kevon kanjonin alueella (Syke, 2018)

Soveltuvuusanalyysi telttapaikalle

Harjoituksen toisessa osassa halusimme selvittää sopivat telttapaikat kanjonin alueelta. Käytimme tähän soveltuvuusanalyysiä ja teimme sen ArcGis:n ModelBuilderissa. Soveltuvuusanalyysissä aineistolle asetetaan kriteerit, joiden perusteella analyysi valikoi kriteerit täyttävät pikselit. Telttapaikan valintaan vaikutti tässä harjoituksessa maanpeite, rinteen jyrkkyys ja suunta sekä etäisyys joenuomasta. Käytimme aluksi Reclassify-työkalua kaikille telttapaikan valintaan vaikuttaville tasoille ja määritimme sopivien paikkojen arvoksi 1 ja epäsopivien 0. Lopussa kerroimme Raster Calculator:lla kaikki tulosrasterit keskenään, jolloin kaikki ne pikselit, joissa jokainen kriteeri saa arvoksi 1 saavat kerronnan jälkeen arvoksi 1 ja ovat sopivia telttapaikkoja. Mikäli aineistossa olisi ollut pikseleitä, joilla on arvo ”NODATA” eli pikseleillä ei ole arvoa tai se on puutteellinen, olisi pitänyt ymmärtää miten tällaisten pikselien olemassaolo vaikuttaa kyseiseen analyysiin, koska eri analyysit käsittelevät ”NODATA” arvoa eri tavalla (Holopainen ja muut, 2015).

Visualisoimme analyysin tuloksen kartaksi, josta näkyy sopivien telttapaikkojen sijainti (kuva 2). Tulos näyttää mielestäni järkevältä, mutta telttapaikan valintaan vaikuttavat myös muut tekijät, kuten metsän tiheys sekä maassa olevat puunrungot ja kivet sekä etäisyys merkatuista reiteistä.

Muita kriteereitä telttapaikanvalinnalle olisivat voineet olla esim. etäisyys autiotuvista tai merkatuista poluista ja aineistot näistä löytyvät netistä. Soveltuvuusanalyysillä voisi myös esimerkiksi selvittää hyvän sijainnin uudelle autiotuvalle tai uudelle merkatulle reitille.

Kuva 2: Sopiva telttapaikka Kevon kanjonin alueella.

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

Syke, 2017, Maankäyttö- ja maanpeiteaineistojen tuottaminen CORINE Land Cover 2018 -hankkeessa ja Copernicus Land -aineistojen validointi Suomessa, saatavilla: https://www.syke.fi/fi-FI/Tutkimus__kehittaminen/Tutkimus_ja_kehittamishankkeet/Hankkeet/Maankaytto_ja_maanpeiteaineistojen_tuottaminen_CORINE_Land_Cover_2018_hankkeessa_ja_Copernicus_Land__aineistojen_validointi_Suomessa

Kolmannella harjoituskerralla teemoina olivat puuston biomassa ja latvuspeittävyys. Aineistot ovat GEOTIFF-muodossa ja koordinaatistona on ETRS-TM35FIN. Kuva-alkion koko karttaprojektiossa on 16 metriä x 16 metriä. Aineisto on tuotettu laserkeilausaineiston ja satelliittikuvan perusteella. Aineiston teossa on myös käytetty maastomittausta.

Biomassa

Harjoituksen ensimmäisessä osassa visualisoitiin kartat kuusen männyn ja lehtipuiden biomassasta (kuvat 1–3). Puuston biomassa esitetään yksikössä 10 kg/ha. Karttojen perusteella (kuva 1) kuusen biomassa on selvästi pienin alueella, mikä voisi johtua esimerkiksi siitä, että ale on hyvin kuiva ja karu. Kuusi kasvaa voimakkaasti pohjoisen suuntaan avautuville rinteille maaston alaville kohdille. Tämä johtuu siitä, että kuusi pitää kosteasta kasvualustasta ja joenuomassa kosteutta on enemmän sekä pohjoiseen avautuvilla rinteillä haihdunta on vähäisempää. Kuusi on myös herkempi kylmyydelle kuin tunturikoivu, jolloin se ei kasva yhtä korkealla.

Kuva 1: Kuusen biomassa Kevon kanjonin alueella.

Lehtipuut ovat puulajeista laajimmalle levinneitä (kuva 2), mutta niiden biomassa ei ole suurin. Lehtipuut ovat alueella suurimmaksi osaksi koivua ja tunturikoivua. Tunturikoivu selviää karuimmissakin olosuhteissa ja muodostaa puurajan tuntureiden rinteillä. Karttojen perusteella se suosii etelään aukeavia rinteitä.

Kuva 2: Lehtipuiden biomassa Kevon kanjonin alueella.

Männyllä on puulajeista eniten biomassaa alueella eli mäntyjä kasvaa alueella eniten (kuva 3). Kuusen tavoin mänty suosii joenuomaa, koska siellä on suojaisampaa. Mänty kasvaa kuitenkin hieman korkeammalla kuin kuusi ja se suosii lehtipuiden tapaan etelään aukeavia rinteitä.

Kuva 3: Männyn biomassa Kevon kanjonin alueella.

Biomassakarttoja tehdessäni en tajunnut, että legendassa arvojen vaihtelu näkyy huonosti ja että sen saisi helposti vaihdettua väriskaalan sijaan luokkiin. Karttoihin olisi myös voinut lisätä korkeuskäyrät, jolloin maaston topografia olisi tullut esiin. Tällöin olisi voinut pohtia tarkemmin esimerkiksi korkeuserojen, rinteen jyrkkyyden ja suunnan vaikutusta biomassaan.

Seuraavaksi teimme etäisyysvyöhykkeet joenuoman ympärille ja laskimme puiden biomassat, sekä biomassa-aineiston tilastolliset tunnusluvut kullekin etäisyysvyöhykkeelle. Kaikilla puulajeilla oli eniten biomassaa lähellä joenuomaa korkeintaan 200 metrin päässä uomasta.  Kuusella oli vähiten biomassaa 400–600 metrin (taulukko 1), lehtipuilla 1000–1300 metrin (taulukko 2) ja männyllä 600-800 metrin (taulukko 3) päässä joenuomasta.

Taulukko 1: Kuusen biomassa x metriä joenuomasta

etäisyys joenuomasta (m)	pinta-ala m^2	keskiarvo 1000 kg/ha	biomassa yhteensä 1000 kg/ha
200	11790592	0,524667	24164,61
400	9743872	0,022735	865,34
600	6970624	0,014772	402,24
800	4225024	0,018407	303,79
1000	2048256	0,03682	294,6
1300	848128	0,040857	135,36

 

Taulukko 2: Lehtipuiden biomassa x metriä joenuomasta

etäisyys joenuomasta (m)	pinta-ala (m^2)	keskiarvo 1000 kg/ha	biomassa yhteensä 1000 kg/ha
200	11790592	4,138736	190617,8
400	9743872	1,22399	46587,51
600	6970624	0,807521	21988
800	4225024	0,864474	14267,28
1000	2048256	0,562622	4501,54
1300	848128	0,312976	1036,89

 

Taulukko 3: Männyn biomassa x metriä joenuomasta

etäisyys joenuomasta	pinta-ala (m^2)	keskiarvo 1000 kg/ha	biomassa yhteensä 1000 kg/ha
200	11790592	4,884449	224963,1
400	9743872	0,598651	22785,87
600	6970624	0,327242	8910,47
800	4225024	0,324163	5349,98
1000	2048256	0,575089	4601,29
1300	848128	0,395518	1310,35

 

Latvuspeittävyys

Latvuspeittävyys tarkoittaa puuston latvuksen peittämää osuutta tarkasteltavasta alueesta. Latvuspeittävyys on esitetty aineistossa prosentteina. Visualisoin aineiston kartoiksi (kuvat 4 ja 5) ja laskin tilastolliset tunnusluvut aineistosta korkeusvyöhykkeille (taulukot 4 ja 5). Sekä havu- että lehtipuilla on suurin latvuspeitto vähintään 200 metriä joenuomasta.

Kuva 4: Havupuiden latvuspeittävyys (%)

Kuva 5: Lehtipuiden latvuspeittävyys (%)

Taulukko 4: Havupuiden latvuspeitto x metrin korkeudella merenpinnasta.

korkeus merenpinnasta (m)	pinta-ala (m^2)	keskiarvo (%)
200	1045504	8,023996
300	8386560	4,748901
400	25018624	5,402798
500	1175808	7,143044

Taulukko 5: Lehtipuiden latvuspeitto x metrin korkeudella merenpinnasta.

korkeus merenpinnasta (m)	pinta-ala (m^2)	keskiarvo (%)
200	1045504	8,023996
300	8386560	4,748901
400	25018624	5,402798
500	1175808	7,143044