ArcGis – rasterianalyysi part. 2

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