Geoinformatiikan menetelmät 1 & 2

Tällä viikolla jatkoimme interpoloinnin parissa. Luennolla opimme determinististä ja geostatistisista menetelmistä ja näiden eroista. Deterministisillä menetelmillä tarkoitetaan hieman yksinkertaisempia menetelmiä, jotka eivät hyödynnä tilastotiedettä ja geostatistiset menetelmät puolestaan hyödyntävät tilastotiedettä. Geostatistisia menetelmiä käytettäessä on mahdollista tarkastella virhemarginaalia. Tällä viikolla vertailimme näitä menetelmiä ja ensimmäisessä tehtävässä determinististä menetelmistä käytettiin IDW interpolointia ja geostatistisista menetelmistä Kriging menetelmiä.

IDW- ja Kriging-interpolointien vertailua

Ensimmäisessä tehtävässä tarkasteltiin Afrikan ja Lähi-Idän lämpötilatietoja, jotka oli tallennettu pistemuotoon. Interpolointi onnistuu parhaiten tehtävänannon mukaan tiedoilla, jotka noudattelevat normaalijakaumaa (kuva 1). Näin ollen interpoloitavaksi kuukaudeksi valittiin elokuu.

Kuva 1. Tehtävässä yksi tarkasteltiin histogrammeja ja valittiin interpoloitavaksi kuukausi, jonka lämpötilat noudattelivat normaalijakaumaa.

Tehtävänannon mukaan usein tulee optimaalista interpolointitulosta varten kokeilla useampaa interpolointimenetelmää ja vertailla näiden luotettavuutta. Tässä tehtävässä toteutimmekin interpoloinnin usealla eri metodilla ja vertailimme näiden luotettavuutta. Tällä viikolla ymmärsin cross validation -diagrammeja viime viikkoja paremmin, kun tehtävässä tuli vertailla eri interpolointimenetelmillä tuotettujen karttojen cross validation -tietoja. Tehtävässä opastettiin vertailemaan esimerkiksi numeerista tietoa ja sitä, kuinka hyvin sininen ja harmaa viiva osuvat päällekkäin. Esimerkiksi root-mean-square on tarkoitus olla lähellä 0 ja tällöin interpolointi on luotettava. Diagrammeja kuvassa 2 vertailemalla voi tulla johtopäätökseen, että IDW Smooth optimized tuotti tällä aineistolla IDW Smoothia luotettavamman interpoloinnin. IDW Smooth optimized huomioi pisteiden etäisyyden tavallista IDW smoothia voimakkaammin.

Kuva 2. IDW Smooth optimized ja IDW Smooth cross validation -vertailut

Tämän jälkeen toteutettiin Kriging menetelmällä kaksi interpolointia, joita vertailtiin jälleen keskenään ja tämän jälkeen IDW interpolointiin. Vertailun tuloksena päädyimme käyttämään modifioitua Kriging interpolointia, johon oli muokattu muun muassa sektorien lukumäärää suuremmaksi ja näin ollen naapuriarvot tulivat tasapuolisemmin huomioitua. Kuten aiemmin mainittu, on geostatistisilla menetelmillä mahdollista tarkastella virhemarginaalia. Kuvassa 3 on kuvattu tummimman punaisella alueet, joilla interpoloinnin tarkkuus on heikoin. Kuvasta näkee selvästi, että interpoloinnin luotettavuus on heikompi alueilla, joilla ei ole mittauspisteitä.

Kuva 3. Virhemarginaali Kriging interpoloinnilla tehtävässä 1.

Kuvassa 4 on ensimmäisen tehtävän kartta interpoloituna modifioidulla Kriging menetelmällä.

Kuva 4. Ensimmäisen tehtävän interpolointi, jossa on kuvattuna Afrikan ja Lähi-Idän lämpötila elokuussa

Kriging vs. Bayesian Kriging

Toisessa tehtävässä interpoloitiin lämpötilakartta ja tämän perusteella tutustuttiin kaupungin alueisiin, joilla on korkein lämpötila ja paljon riskiryhmään kuuluvia ihmisiä, yli 65-vuotiaita, asukkaina. Tässä tehtävässä pitäydyttiin Kriging-menetelmissä. Ensin käytettiin yksinkertaista Kriging-menetelmää ja vertailtiin tuloksia Bayesian Kriging interpolointiin.

Luennolla oppimamme mukaan kriging interpolointi huomioi autokorrelaation, eli havaintopisteiden etäisyyden, interpolointia tuotettaessa. Kun etäisyys kasvaa, autokorrelaatio heikkenee. Kriging ja bayesian kriging eroavat toisistaan siten, että bayesian kriging ei tuota yhtä semivariogrammia vaan jakaa alueen osiin ja tulokset pohjautuvat useampaan semivariogrammiin.

Jälleen vertailimme cross-validation-tietoja ja totesimme tässä tehtävässä Bayesian Kriging interpoloinnin luotettavammaksi. Seuraavaksi toimme aineistosta tietoja, jotka osoittivat rakennettujen alueiden sijainnin. Tätä vaihetta en ymmärtänyt kovin syvällisesti, mutta käytännössä rakennetuilla pinnoilla ja lämpötilalla todettiin olevan positiivinen yhteys ja näin ollen rakennetut pinnat otettiin lopulta huomioon interpoloinnissa. Interpolointi, joka otti huomioon rakennettujen pintojen vaikutuksen lämpötilaan, oli luotettavin ja päädyimme jatkamaan työskentelyä tämän kartan parissa.

Tämän jälkeen halusimme esittää lämpötilatietoa kaupungissa asuinalueittain ja teimme hakuja, joilla identifioitiin alueita, joilla on korkea lämpötila ja paljon yli 65-vuotiaita asukkaita. Toisen tehtävän kartta on esitetty kuvassa 5. Kartassa on siis tietoa pelkästään lämpötilasta. Haku-toiminnolla saimme valittua alueita, joilla on paljon iäkkäitä asukkaita ja korkea lämpötila.

Kuva 5. Kartta Madisonista kuvaa asuinalueiden keskimääräistä lämpötilaa Fahrenheiteina 8.8.2016.

Tehtävä 2 oli jälleen monivaiheinen ja välillä ehdin pudota kärryiltä tehtävävaiheiden kanssa. Vaikka kurssin aikana monimutkaisia tehtäviä tehdessä on saattanut tuntunut siltä, etten ole ymmärtänyt mitään, on kuitenkin lopulta ymmärtänyt kaikista tehtävistä edes jonkin verran. Esimerkiksi tätä tehtävää tehdessä huomasin, että interpoloidun jatkuvan pinnan voi muuttaa aluemuotoiseksi tiedoksi, kuten kuvassa 5 on esitetty. Myös selittävä tekijä, kuten tässä tapauksessa rakennetut alueet, lisäävät interpoloinnin luotettavuutta.

Huomasin jossain vaiheessa kurssin aikana, että jos en ensimmäisellä viikolla ymmärtänyt jotain tehtävää tai menetelmää, siihen usein palattiin seuraavan viikon luennolla ja tehtävissä. Tämä toimi itselleni erittäin hyvin ja alun tuskailun jälkeen asiat usein selkenivät seuraavilla viikoilla. Tällöin eivät opetettavat asiat olleet enää uusia, vaan näihin oli saanut jo pienen maistiaisen edellisellä viikolla. Ehkäpä yhtenä tärkeimmistä kurssin opeista on ollut ArcGIS Pro -ohjelmistoon tutustuminen ja tähän olenkin saanut hyviä eväitä kurssin aikana. Tästä on hyvä jatkaa paikkatieto-opintoja tulevilla kursseilla.

Tällä viikolla siirryimme uuden teeman pariin, joka oli interpolointi. Tämän viikon luennolla opimme, että interpolointi perustuu matemaattisiin kaavoihin ja sillä tarkoitetaan paikkatietotyöskentelyssä havaintopisteiden perusteella muodostettavaa arviota tutkittavan ilmiön voimakkuudesta havaintopisteiden sisäpuolella. Interpoloitu kartta voidaan esittää jatkuvana pintana tietystä mitattavasta ilmiöstä yksittäisten pisteiden sijaan (Holopainen ym. 2015, 67-68). Esimerkiksi tämän viikon ensimmäisessä harjoituksessa muodostettiin interpoloimalla kartta, joka kuvaa liuenneen hapen pitoisuuksia meressä.

Interpolointi voidaan jakaa globaaleihin ja lokaaleihin menetelmiin, joista lokaaleissa huomioidaan viereisten pisteiden arvot ja globaalissa kaikkien alueen pisteiden arvot. Useimmissa menetelmissä käytetään autokorrelaatiota, joka olettaa lähellä olevien pisteiden olevan merkitsevämpiä kaukana oleviin havaintopisteisiin verrattuna (Holopainen ym. 2015, 67-68).

Ensimmäinen tehtävä: liuenneen hapen pitoisuus interpoloimalla

Ensimmäisessä tehtävässä luotiin aluksi diagrammeja, joita tarkastelemalla oli helppo päästä selvyyteen alueen happipitoisuuden tilanteesta ja vuodenaikaisista vaihteluista. Interpolointi toteutettiin kahdesti, ensin vuodelle 2014 ja seuraavaksi vuodelle 2015. Toteutimme interpoloinnit hieman erilaisia työvaiheita noudattaen ArcGIS Pro:ssa harjoituksen vuoksi.

Ensin käytettiin Geostatical Wizardia ja Kernel Interpolointia, joka otti huomioon esteen eli tässä tapauksessa lahden (bay). Tällä työkalulla oli helppoa muuttaa sädettä, jonka sisällä naapuriarvot huomioitiin interpoloinnissa. Mitä pienempi säde oli, sitä vähemmän naapuriarvoja otettiin laskutoimituksissa mukaan. Jos säteen asetti liian pieneksi, ei interpoloinnista tullut jatkuvaa aluetta, vaan väleihin jäi tuntemattomia alueita, jotka eivät saaneet arvoa. Jos säde puolestaan oli liian suuri, tuli tulokseksi liian ”epätarkka” kartta, jossa oli liian paljon yleistyksiä. Vuoden 2015 kartan toteutimme niin ikään Kernel Interpoltaion with barriers -toiminnolla, joka haettiin tällä kertaa geoprocessing työkaluista. Tätä polkua käytettäessä työkalu ilmeisesti valitsee automaattisesti aineiston perusteella, mitä naapureita tulisi käyttää laskennassa, sillä siihen ei ollut mahdollista vaikuttaa itse tätä polkua seuraamalla.

Tämän jälkeen muutimme kartan vielä rasterimuotoiseksi ja toimme (import) tehtäväpaketin mukana ladatun tiedoston symbology-valikossa projektiin mukaan. Tämä sai kartan visualisoinnin muuttumaan liukuvaksi. Muokkasin vielä hieman kartan väritystä valiten sen siniseksi. Pohdin jonkin verran tulisiko happipitoiset alueet esittää tumman sinisellä vai vaalealla värillä, mutta päädyin esittämään happipitoiset eli hyvinvoivat alueet sinisellä ja happikatoiset alueet vaalealla maanläheisellä värillä. Kuvassa 1 on lopputulos tehtävästä yksi.

Kuva 1. Ensimmäisen tehtävän kartat, jotka kuvaavat liuenneen hapen määrää Chesapeakenlahdessa vuosina 2014 ja 2015.

Ensimmäisessä tehtävässä karttojen lisäksi tutkittiin myös cross-validation- ja error-taulukoita, joista luultavasti syvällisempään ymmärrykseen voisi auttaa tilastotieteen kurssit. Geoinformatiikka 2 kurssilla onkin jo aiemminkin selvinnyt, että tilastotiede tukee vahvasti geoinformatiikan tieteenalaa.

Tehtävä kaksi: Liuennut happi 3D-mallina interpoloituna

Tehtävässä kaksi selvitettiin niin ikään liuenneen hapen pitoisuuksia ja valmiiden mittausten perusteella interpoloitiin happipitoisuuden tasoja 3D-malliin. Käytimme Empirical Bayesian Kriging 3D -työkalua, johon valittiin mitatut happipitoisuuspisteet ja 3D-mallin vuoksi z-tietoa, eli tietoa syvyydestä tässä tapauksessa. Samalla työkalulla valitsimme kuinka monta naapuripistettä työkalu ottaa huomioon laskettaessa interpolaatioestimaatiota. Useiden työvaiheiden jälkeen loimme animaation happipitoisuuksista 3D-mallina, joka ladattiin erilliseen moodle-kansioon.

Lisäksi loimme isopleettitasoja, jotka kuvaavat samanarvon happipitoisuuksia eri syvyyksissä. Isopleettien luomiseen tutustuttiin jo tiedon esittäminen maantieteessä -kurssilla, joskin silloin piirsimme isopleetteja 2D-karttana itse CorelDraw-ohjelmalla asukastiheydestä.

Isopleetit on esitetty kuvissa 2-4. Punaisella värillä on kuvattu happipitoisimmat, keltaisella värillä keskiarvoiset ja vihreällä värillä vähähappiset alueet. Tämä väritys ei vaikuta jälkeen päin ajateltuna loogisimmalta mahdolliselta ja sen luultavasti muuttaisin, jos tekisin tehtävää uudelleen. Esimerkiksi ensimmäisessä tehtävässä väritys sinisestä vaaleaan voisi toimia myös tässä tehtävässä paremmin. 3D-malleista kuvissa 2-5 huomaa, että happipitoisimmat alueet sijaitsevat aivan vesistön pinnassa ja pohjalla ja vähähappipitoisimmat alueet keskisyvyyksissä.

Kuva 2. Happipitoisuus lähellä vesistön pintaa

 

Kuva 3. Keskiarvoinen happipitoisuus

Kuva 4. Vähähappisia alueita

Lähtöaineistona isopleettien muodostamiseen käytimme aiemmin luomaamme Voxel-karttatasoa. Voxel-taso luotiin Add voxel layer -työkalulla ja lähtöaineistona käytettiin pistetietoa happipitoisuudesta (kuva 5).

Kuva 5. Voxel-taso, joka kuvaa happipitoisuutta syvyyden mukaan.

Interpolointia ja tällä viikolla käyttämiämme työkaluja voisi käyttää useisiin paikkatietotöihin, joissa halutaan esittää kartta jatkuvana esityksenä tiedossa olevien mittauspisteiden perusteella. Tällaisia karttoja voisi maantieteessä olla esimerkiksi lämpötilan, ilmanpaineen tai korkeuden esitykset. Interpoloinnissa vaikuttaa olevan useita seikkoja, joita tulee huomioida ennen työhön ryhtymistä. Erityisesti maantieteelliset esteet ja suhtautuminen ympäröiviin mittauspisteisiin tulee huomioida tarkasti riippuen työtehtävästä. Kun interpoloinnin saloihin pääsee syvällisemmin sukeltamaan, on sillä mahdollisuus toteuttaa tarkkojakin esityksiä mitattavasta ilmiöstä. Kuten Holopainen ym. (2015, 67) toteavat, usein mittaaminen on työlästä ja kallista ja interpolointi on vastaus näihin haasteisiin. Kun tietyt edustavat pisteet on valittu mitattavaksi, voi muusta alueesta tuottaa vaikuttavan ja vakuuttavan interpoloidun esityksen.

 

KIRJALLISUUS

Holopainen, M., Tokola, T., Vastaranta, M., Heikkilä, J., Huitu, H., Laamanen, R. & Alho, P. (2015). Geoinformatiikka luonnonvarojen hallinnassa. Helsingin yliopiston metsätieteiden laitoksen julkaisuja 7. Luettavissa: http://hdl.handle.net/10138/166765. Luettu: 3.1.2020.

Tällä viikolla tutustuimme näkyvyysanalyyseihin ja 3D-analyyseihin. Jo viime viikolla tehtävissä oli pienet maistiaiset tämän viikon aiheista, kun viinitilalta haluttiin muiden kriteerien lisäksi näkyvyys tekojärvelle. Lopuksi tarkasteltiin myös 3D-näkymää valitulta sijainnilta. Tällä viikolla syvennyimme näihin aiheisiin.

Tehtävässä yksi tuli leirintäalueelle pystyttää valoja ja vertailla niiden valaisemaa aluetta, mikäli valot sijoitetaan 3 metrin tai 10 metrin korkeuteen. Tässä tehtävässä käytettiin pistetietona valojen sijaintipisteitä ja maaston (erityisesti rakennusten) muotojen tunnistamiseen Digital elevation model -karttatasoa. Viewshed-työkalu tunnistaa digital elevation model -karttatason perusteella mahdolliset esteet, kuten rakennukset tai mäet ja tämän perusteella laskee alueet, joille on tässä tapauksessa esteetön valaisu. Tällaisella työkalulla voidaan tarkastella esim. näkyvyyttä tai kuuluvuutta (esim. radiomaston).

Tein viime viikkojen tapaan ensimmäisestä tehtävästä työvaihekaavion. Huomasin jälkeenpäin, että olin sijoittanut ensimmäisen työvaiheen, jossa lisättiin tietoja attribuuttitaulukkoon, hieman hassusti, eikä se johda uusiin karttatasoihin tai työvaiheisiin. Tämän kohdan visualisoisin työvaihekaavioon uudelleen, jos tekisin vastaavaa alusta alkaen. Ilman valaistuksen tietojen (korkeus, valon tulokulma ja säde) lisäystä attribuuttitaulukkoon ei tehtävää olisi voinut suorittaa loppuun (kuva 1.)

Kuva 1. Tehtävän 1 työvaihekaavio.

Kuvassa 2 on visualisoitu kartta, jossa keltaisella on kuvattu alueet, jotka on valaistu vähintään kahdella valolla, kun valot on sijoitettu 10m korkeuteen. Tuntiopettajamme ovat kehottaneet meitä visualisoimaan karttoja mieleisellämme tavalla ja tällä viikolla rohkaistuin poikkeamaan Esrin ohjeista ja tekemään mieleisen ja omasta mielestäni loogisemman visualisoinnin ohjeeseen verrattuna. Ohjeita seuraamalla on helppo visualisoida kartta juuri niin kuin se ohjeessa on kerrottu, mutta kartan visualisoiminen itse on antoisampaa. Kuvassa 2 on taustalla ilmakuva ja hieman läpinäkyvällä keltaisella alueet, jotka on valaistu. Pieni miinus ilmakuvan päälle visualisoimisessa läpinäkyvällä värillä on keltaisen värin pienet sävyerot pohjakartan värin mukaan. Esim. kartan keskellä olevan vesialueen päälle keltainen väri piirtyy eri väriseksi, kun maa-alueille.

Kuva 2. Tehtävän yksi karttavisualisointi valaistuista alueista, kun valot on sijoitettu 10m korkeuteen.

Tehtävässä 2 tuli tarkastella paraatin kulkemaa tietä (viivaa) suhteessa katselupaikkoihin (pisteisiin). Aluksi pisteiden perusteella piirrettiin construct sight lines -työkalun avulla viivat kohti paraatin kulkemaa tietä. Tämä työkalu ei huomioi vielä mahdollisia näköesteitä, kuten rakennuksia. Line of sight -työkalu ajettiin seuraavaksi construct sight lines viivojen perusteella ja näin saatiin binääristä (1 ja 0) tietoa alueista, jotka ovat tai eivät ole mahdollista nähdä ihmissilmin (esimerkiksi rakennukset muodostavat näköesteen). Lopuksi haluttiin tietoa katselupisteen ja näköalueiden välimatkoista, jotka saatiin selville add z information -työkalun avulla. Lopuksi valittiin select by attributes -työkalun avulla alueet, joita ei voi nähdä näköesteen vuoksi (TarIsVis = 0 eli target is not visible) ja jotka ovat liian kaukana (Length3d > 1100). Nämä viivat poistettiin (delete features) ja tulokseksi saatiin kuvan 3 malli.

Kuva 3. Sinisillä viivoilla visualisoitu alueet, jotka on mahdollista nähdä hyvällä säällä katselupisteiltä.

Lopuksi tehtiin sama tehtävä uudestaan model builderissä ja muutimme näkyvyyden enimmäisrajaksi 600m edellisen tehtävän 1100m sijaan. Näin saatiin tietoa alueista, jotka on mahdollista nähdä huonommalla säällä (kuva 4). Loogisestikin ajateltuna huonommalla säällä näkyvyys on huonompi, joten katselualue on suppeampi toisessa kuvassa.

Kuva 4. Sinisillä viivoilla visualisoitu alueet, jotka on mahdollista nähdä huonolla säällä katselupisteiltä.

Kolmannessa tehtävässä harjoittelimme perustoimintoja 3D-ympäristössä. Ensimmäisessä osassa tutkimme ArcGIS Onlinea. Tarkoitus oli tutkia tietyn korttelin/talon 3D-näkymää. Kuvassa 5 on kuvakaappaus ArcGIS Onlinesta.

Kuva 5. ArcGIS Onlinen 3D-näkymä

Toinen ja kolmas osa kolmannesta tehtävästä suoritettiin ArcGIS Pro:ssa. Opimme lisäämään liikennevalot katukuvaan. Tämän onnistumiseksi tuli ensin lisätä Add system style -toiminnolla lisää 3D-symboleita kokoelmaamme. Tämän jälkeen etsimme valikosta liikennevalot ja lisäsimme ne risteykseen. Vielä piti asetuksia käydä muuttamassa niin, että liikennevalot näytetään oikeassa mittasuhteessa (Display 3D Symbols In Real-World Units). Ennen tämän asetuksen muuttamista liikkennevalojen koko vaihtui zoomatessa näkymää (kuva 6 ja 7).

Kuva 6. Liikennevalot katukuvassa ArcGIS Pro:ssa

Kuva 7. Kun liikennevalot asetettiin näkymään realistisessa kokoluokassa, ei niiden koko muuttunut zoomattaessa.

Tehtävän seuraavassa osiossa harjoittelimme lisäämään varjot. Tämä onnistui properties -> illumination -> shadow polkua noudattamalla. Valikossa oli mahdollisuus muokata esimerkiksi auringon tulokulmaa (kuva 8).

Kuva 8. Tehtävässä opimme lisäämään varjot 3D-malliin.

Viimeisessä vaiheessa teimme oman 3D-visualisoinnin. Tehtävässä suunniteltiin sijaintia uudelle rakennukselle. Tehtävänannon mukaan mallista tuli ilmetä uuden rakennuksen korkeuden suhde ympäröiviin taloihin ja puihin, sekä mallin tuli olla mahdollisimman selkeä ja siinä tuli olla vain vähän yksityiskohtia. Lisäksi sen piti olla ns. pienessä mittakaavassa, läheltä kuvattu. Myös tässä tehtävässä poikkesin hieman tehtävänannon ohjeista esimerkiksi talon värin ja puiden mallin suhteen. Lopputulos on kuitenkin samanlainen, kuin mitä tehtävässä pyydettiin visualisoimaan. Tässä tehtävässä tehtiin samanlaisia työvaiheita, kun aiemmissa 3D-tehtävissä. Lisättiin puita, muutettiin niitä realistisiin mittasuhteisiin ja lisättiin varjoja (kuva 9).

Kuva 9. 3D-malli kolmannen tehtävän viimeisestä osasta. Tehtävässä tuli esittää uuden rakennuksen sijaintia ja kokoa suhteessa ympäröivään alueeseen.

Suurena oppina viime viikon 3D-kokeiluihin verrattuna opin liikkumaan hiiren avulla 3D-ympäristössä. Saimme hyvän vinkin tuntiopettajalta, jonka mukaan hiiren rullaa klikkaamalla ja hiirtä pyörittelemällä liikkuminen 3D-ympäristössä on vaivatonta. Myös tietokoneeni ja ArcGIS Pro olivat yhteistyöhaluisempia tällä viikolla, eikä hitautta ilmennyt juuri lainkaan.

Tällä viikolla tehtäviä oli useampia ja ne oli jaettu tehtävien sisällä useampiin osiin. Tehtävät olivat kuitenkin melko kevyitä ja helppoja tehdä viime viikkoiseen hydrologiseen mallinnukseen verrattuna. Kun tehtävät olivat hieman kevyempiä, oli tilaa myös omalle pohdinnalle enemmän. Jäin pohtimaan esimerkiksi sitä, miten karttatasoja luodaan. Esimerkiksi tehtävässä 1, jossa oli valaistuksen sijaintipisteitä. Voisi kuvitella, että tällainen pistemuotoinen karttataso on melko helppo luoda. Näin ollen voisi sijoitella eri skenaarioissa valoja uusiin sijainteihin ja katsoa valaisualueita uudelleen. Pohdin myös sitä, olisiko esimerkiksi valaistustehtävää ollut mahdollista tehdä päinvastaisessa järjestyksessä. Siis niin, että valitaan alueita, joita halutaan valaista vähintään kahdella valolla ja sen jälkeen ohjelma kertoo sijainnit ja korkeuden, johon valot tulisi asettaa.

Esrin valmiit tehtävät ovat olleet mukavia tehdä ja niiden avulla olen oppinut perusteita ArcGIS Pro:sta. Vielä on kuitenkin vaikea kuvitella, miten paikkatietoalan työtehtävissä toimitaan. Mistä aineistot tulevat, tehdäänkö niitä itse ja jos tehdään niin miten?

Tällä viikolla tutustuimme korkeusmalleihin ja hydrologiseen mallintamiseen. Suoritettavana oli kaksi tehtävää, joista ensimmäisessä suunniteltiin sopivaa sijaintia viinitilalle ja toisessa toteutettiin pienen kaupungin hydrologinen malli korkeusmallin avulla.

Pääsin viime viikolla hyvään vauhtiin vuokaavioiden kanssa ja päätin jatkaa kokeilua tällä viikolla. Viime viikolla tein vuokaaviot varsinaisten karttojen tekemisen jälkeen, mutta tällä viikolla päätin kokeilla työvaihekaavion tekemistä samalla kun työstin karttaa, kohta kohdalta. Vaikka työvaihekaavion työstäminen samaan aikaan kartan kanssa on melko aikaa vievää, auttaa se hahmottamaan jo työskentelyn lomassa mitä on jo tehnyt ja miten on päässyt kyseiseen pisteeseen. Kaikissa työvaihekaavioissani suorakulmioilla on visualisoitu tiettyä karttatasoa ja ovaalilla muodolla on ilmaistu työvaiheita tai käytettyjä työkaluja.

Ensimmäisen tehtävän ensimmäisessä osassa selvitettiin binääristä 1 tai 0 (sopiva tai epäsopiva) aluetta viinitilalle. Työvaihekaaviosta (kuva 1) selviää, että kriteereitä muodostivat korkeus meren pinnasta, rinnejyrkkyys ja rinteen avautumisilmansuunta. Binäärinen sopivan ja epäsopivan alueen selvittäminen oli tuttua jo aiemmista tehtävistä. Näin ollen myös raster calulator oli tullut tutuksi. Samoin rinteen ilmansuuntien (aspect) kanssa työskentelimme jo edellisellä viikolla. Uutena työkaluna tehtävässä esiteltiin slope työkalu, jolla voi helposti määrittää sopivan rinnejyrkkyyden. ArcGIS Pro on tähän asti vaikuttanut hyvin helpolta käyttää. Esimerkiksi työkalut on nimetty selvästi (esim. aspect ja slope) ja niiden löytäminen on tehty helpoksi geoprocessing välilehden hakutoiminnon avulla.

Kuva 1. Työvaihekaavio ensimmäisen tehtävän ensimmäisestä osasta.

Kuvassa 2 on visualisoitu kuvan 1 työvaiheiden tulos, josta selviää sopivat alueet viinitilalle.

Kuva 2. Sopivat alueet viinitilalle, kriteereinä korkeus, rinnejyrkkyys ja rinteen avautumisilmansuunta.

Ensimmäisen tehtävän toisessa osassa luotiin korkeuskäyriä sekä rinnevarjostusta ja käytettiin työkalua, jolla saatiin selvitettyä alueita, joilta on näkymä tietylle toiselle alueelle (kuva 3). Tässä tehtävässä haluttiin sijoittaa viinitila alueelle, joka sopii ensimmäisen tehtävän ensimmäisen osion mukaan viinitilan sijainniksi ja lisäksi haluttiin näkymä tekojärvelle (Murray reservoir). Työvaihekaaviossa Murray reservoir karttataso (oikeassa yläreunassa, kuva 3) ei johda mihinkään työvaiheisiin, sillä se visualisoitiin karttaan, mutta sitä ei varsinaisesti käytetty työvaiheisiin. Näin ollen sen olisi voinut jättää myös työvaihekaaviosta pois.

Kuva 3. Työvaihekaavio ensimmäisen tehtävän toisesta osasta.

Kuvassa 4 on karttaesitys kuvan 3 työvaihekaavion lopputuloksesta. Alkuperäiset sopivat alueet oli ilmaistu punaisella värillä ja alueet, joilta näkisi tekojärvelle, ilmaistiin keltaisella värillä. Kun värit asetettiin läpinäkyviksi, ilmestyi kartalle oranssilla värillä sopivat alueet, jotka täyttivät molemmat kriteerit. Tässä tehtävässä oli tarkoitus myös tarkastella 3D-esityksenä sopivaa sijaintia viinitilalle, kun se oli ensin visualisoitu perinteisin menetelmin. Jostain syystä en saanut kuitenkaan tätä ominaisuutta hyvin toimimaan ja ohjelma alkoi toimimaan hyvin hitaasti yrittäessäni selvittää asiaa. Tämä 3D ominaisuus vaikutti ohjeen mukaan pätevältä työkalulta tällaisessa tehtävässä, jossa halutaan tarkastella lopullista näkymää. Jos visualisoisin karttaa uudelleen, huolehtisin, että legendassa esitettäisiin myös pohjakartan väriskaala. Pohjakartta kuvaa tässä tehtävässä korkeuksia. Visualisointi voisi näyttää myös paremmalta, jos pohjakartan esittäisi läpinäkyvänä, jolloin alkuperäinen peruskartta näkyisi taustalla ja esimerkiksi teiden nimet erottuisivat kuvasta.

Kuva 4. Kartta ensimmäisen tehtävän toisesta osasta. Sopivat alueet, jotka täyttävät tehtävän molemmat kriteerit, on ilmaistu oranssilla (keltainen ja punainen päällekkäin läpinäkyvänä)

Toinen tehtävä osoitti kunnolla, mihin GIS ja erityisesti ArcGIS Pro kykenee. Tehtävässä ydinajatuksena oli selvittää pienen kaupungin hydrologista mallia ja näin ollen ennakoida tulvien ajoittumista esimerkiksi rankkasateiden yhteydessä. Työvaihekaaviostakin (kuva 5) huomaa, miten monimutkainen tehtävä oli. Työvaiheita oli esimerkiksi rinteiden, valumasuuntien ja veden kertymän (accumulation) selvittäminen. Lisäksi täytettiin (fill) luennollakin mainittuja kuoppia (sinks). Parhaiten työvaiheet selviävät kuvan 5 työvaihekaaviosta.

Kuva 5. Työvaihekaavio tehtävästä 2.

Tiesin jo etukäteen aiemmista tehtävistä, että ArcGIS Pro voi välillä oikutella pilkkujen ja pisteiden kanssa. Välillä ArcGIS Pro haluaa pilkun ja välillä pisteen desimaaleja ilmaisemaan. Con työkalua käyttäessäni ja virheellisiä arvoja työkalulla karsiessani ei kuitenkaan tuntunut kumpikaan onnistuvan. Lopulta päädyin ohjeesta poiketen käyttämään con työkalua ensin karsimaan virtaaman ylärajan, jolloin desimaaleja ei tarvittu. Con työkalu toimi tässä toiminnossa oikein hyvin, joten jatkoin alarajan (0,02m/s) työstämistä. Lopulta kokeilin syöttää ensimmäiseen kenttään pisteen desimaalia ilmaisemaan ja toiseen kenttään pilkun, jolloin sain työkalun toimimaan (kuva 6).

Kuva 6. Kuvakaappaus ArcGIS pron con työkalusta ja sekavuudesta pilkkujen ja pisteiden välillä

Kuvassa 7 on visualisoituna useiden työvaiheiden jälkeen kartta, jossa on esitetty sekunteina aika, jonka vesi vaatii kulkeakseen alueen osista purkautumispisteeseen. Tummimmalla on piirtynyt alueet, joilta vesi kulkeutuu nopeimmin purkautumispisteelle.

Kuva 7. Tehtävän 2 kartta visualisoituna. Arvot mustasta valkoiseen ilmaisevat aikaa sekunteina veden valumiseen purkautumispisteeseen (punainen piste).

Tehtävä ei päättynyt kartan laatimiseen, vaan tehtävä jatkui graafin visualisoimisella. Kuvassa 8 on esitetty diagrammina vesimassan kulkeutuminen ajan yksikkönä purkautumispisteelle rankkasateen jälkeen. Myönnettäköön, että en aivan täysin sisäistänyt vielä kaikkia vaiheita, joita suoritin graafin laatimiseksi, mutta on kuitenkin hienoa huomata, että paikkatieto-ohjelmilla voi tehdä näin monimutkaisia töitä. Vaikka rankkasateiden voimakkuuden koko saattaa vaihdella, saa graafista yleispätevää tietoa tulvahuipusta, joka sijoittuu tutkimusalueella 15 000 sekunnin eli noin neljän tunnin kohdalle sateen päättymisestä.

Kuva 8. Graafi veden valumisesta purkautumispisteelle kartan alueen osista.

Tällä viikolla jatkoimme siitä, mihin viime viikolla jäimme rasteriaineistojen kanssa. Jatkoimme tehtävää, jossa selvitettiin sopivaa elinympäristöä tietylle lintulajille. Muutimme aineistoja binary muotoon, jossa 1 vastaa sopivaa elinympäristöä tietyin kriteerein ja 0 epäsopivaa aluetta. Kriteereitä olivat rinnesuuntaus, järven läheisyys, rakennettu ympäristö ja latvuspeitto. Tämän jälkeen kerroimme raster calculatorissa tekijät keskenään (tässä tehtävässä: “%CanopyTrans%” * “%AspectTrans%” * “%LakeTrans%” * “%DevelopedTrans%”), josta saimme tulokseksi kartan, jolle piirtyi soveltuvat elinympäristöt lajille. Käytimme hyväksemme valmista kaavaa, joka oli rakennettu ModelBuilderiin. Näin ollen työvaiheita ei tarvinnut erikseen tehdä, vaan ArcGIS ajoi mallin kokonaisuudessaan läpi ja saimme visualisoidun kartan tulokseksi.

Kuva 1. Alueet, joilla lintulajille on suotuisat elinympäristöt

Tehtävä ei päättynyt tähän, vaan seuraavassa vaiheessa tuli vaihtaa latvuspeittävyyskriteeriä suppeammaksi. Alkuperäisen 20%-60% latvuspeittävyydestä vaihdoimme kriteerin 30%-60% modelbuilderissa reclassify työkalulla, joka oli assosioitu latvuspeittävyyden kanssa yhteen. Ajoimme jälleen mallin ja tulos on esitetty kuvassa 2. Kuvasta voi huomata, että kriteerin muuttaminen kymmenellä prosentilla vaikuttaa melko paljon lopputulokseen. Toisin sanoen suuri osa edellisen kartan sopivista elinympäristöistä oli latvuspeittävyydellä luokkaa 20%-30%.

Kuva 2. Punaisella alueet, joiden latvuspeittävyys on 20-30%.

Lopuksi testasimme vielä model erroria korvaamalla elevation yksikön model builderissa. Elevation korvattiin contents valikosta löytyvällä DEM_error yksiköllä. Tämän jälkeen malli ajettiin ja muokkasimme geoprocessing valikossa vielä käskyn muotoon (“Error_Surface” – “SuitabilitySurface”) != 0, jolloin saimme visualisoitua erotuksen suitability ja sensitivity kerrosten välille. Toisin sanoen tällä saimme tietoa siitä, miten herkkä malli on reagoimaan muuttujiin. Tuloksen mukaan sopivat elinympäristöt kaventuivat, mutta pääasialliset alueet sijaitsevat kuitenkin samoilla suunnilla.

Kuva 3. Erroranalyysin tulos

Toisessa tehtävässä jatkoimme saman aihepiirin ympärillä. Sen sijaan, että olisimme käyttänyt binäärisiä 0 ja 1 arvoja (sopiva ja epäsopiva), käytimme tässä tehtävässä painotettuja (weighted) arvoja kriteereille. Muutimme reclassify ja rescale by function työkalujen avulla kriteerit arvoiksi 1-10, jossa 1 kuvaa huonointa elinympäristöä tietyllä kriteerillä ja 10 parasta elinympäristöä. Esimerkiksi latvuspeitossa halusimme visualisoida parhainta elinympäristöä alueelle, jolla latvuspeitto on lähellä 45%. Tästä tehtävästä ei tullut vielä valmista karttaa tulokseksi, joten visualisoin draw.io sivustolla työvaihekaavion tehtävästä (kuva 4). Tämä todellakin helpotti ymmärtämään, mitä tehtävässä olimme tehneet. Vaikka työvaihekaavion laatimisen aloittaminen tuntui ylimääräiseltä ja raskaaltakin, uskon, että käytettyyn aikaan nähden sisäistin työvaihekaavion avulla tehtävän paremmin kuin ohjetta yksinään lukemalla.

Kuva 4. Työvaihekaavio tehtävästä 2.

Alla kuvaesitys erillisistä kartoista, joita tehtävästä 2 saimme (aspect, developed areas, canopy, lake) . Seuraavassa tehtävässä tulemme yhdistämään nämä kartat keskenään.

Kuva 5. Kriteeri liukuvana esityksenä visualisoituna kartalla: rinnesuuntaus

Kuva 6. Kriteeri liukuvana esityksenä visualisoituna kartalla: rakennetut alueet

Kuva 7. Kriteeri liukuvana esityksenä visualisoituna kartalla: latvuspeitto

Kuva 8. Kriteeri liukuvana esityksenä visualisoituna kartalla: järven läheisyys

Tämän viikon viimeisessä tehtävässä siis yhdistimme edellisen tehtävän kartat painotetuilla arvoilla. Kun pääsin työvaihekaavion kanssa vauhtiin jo edellisessä tehtävässä, jatkoin sen täydentämistä tässä tehtävässä. Kuvassa 9 on esitetty nämä työvaiheet, jossa kukin kriteeri sai painotetun arvon, joiden avulla visualisoitiin kartta lintulajille sopivimmista elinympäristöistä.

Kuva 9. Työvaihekaavio tehtävästä 2 ja 3 yhdistettynä

Kuvassa 10 on esitetty viime viikon ja tämän viikon useamman tehtävän tulos, jossa kuvataan lintulajille sopivimpia elinympäristöjä. Vihreimmät alueet ovat sopivimpia ja punaisimmat epäsopivimpia alueita. Jos vielä viime viikolla tuntui siltä, että en aivan täysin tiennyt mitä teimme ArcGIS:ssä, niin tämän viikon tehtävät onneksi selkeyttivät asioita ja työvaiheita.

Kuva 10. Painotetuilla keskiarvoilla laskettuna lintulajille sopivimmat elinympäristöt

Tällainen työskentely paikkatieto-ohjelmalla tuntui hyvin konkreettiselta ja realistiselta. Voisin kuvitella, että tällaisilla työvaiheilla voisi selvitellä hyvinkin monenlaisiin ongelmiin ratkaisuja. Harvoin kriteerien täyttyminen vaatii binääristä kyllä/ei vastausta, vaan ns. harmaita alueita on paljon. Tällaisilla painotetulla arvoilla ja liukuvalla 1-10 skaalalla työskentely on luultavasti usein hyödyllisempää. Tosin myös binäärisiä 0 ja 1 arvoja vaativia työtehtäviä on varmasti paljon ja tärkeintä lienee olevan tunnistaa missä tilanteissa tulee käyttää binäärisiä, milloin liukuvia ja milloin painotettuja arvoja paikkatietotyöskentelyssä.

Tällä viikolla tutustuimme rasteriaineistoihin, muokkauksiin ja analyyseihin. Tehtävistä ensimmäisessä tehtiin kahden rasterikartan perusteella uusi karttataso, jossa vertailtiin kasvillisuusmuutosta tietyllä alueella vuosien 2013 ja 2015 välillä. Aluksi loimme NDVI-työkalun avulla molemmille vuosille uudet karttatasot, jotka kuvastavat kasvillisuuden määrää alueella. Tämän jälkeen teimme ArcGIS Pro:ssa vähennyslaskun kyseisten vuosien karttatasoille, joten saimme tietää erotuksen kasvillisuuden määrässä vuosien välillä. Lopuksi vielä muutimme asetuksia siten, että kasvillisuuden määrän kasvu ja väheneminen visualisoitiin samalla värillä (reclassify), jolloin lopputuloksena saimme kartan, joka kuvastaa muutosta kasvillisuudessa vuosien 2013 ja 2015 välillä (kuva 1). Tällaisella työkalulla on myös mahdollista kuvata niin ikään kasvillisuuden vähenemistä tai lisääntymistä muuttamalla asetuksia haluamallaan tavalla. Kuitenkaan kovin yksityiskohtaista tietoa kasvillisuuden määrän vaihtelevuudesta ei ymmärtääkseni tällaisella työkalulla saa. Esimerkiksi kasvien biomassan laskemiseen vaadittaisiin lisää työvaiheita, mutta tiettävästi sekin onnistuu paikkatieto-ohjelmistoilla.

Kuva 1. Kasvillisuuden muutos vuosien 2013 ja 2015 välillä osassa Kalifornian rannikkoa.

Ensimmäisen tehtävän toisessa osassa tarkoituksena oli visualisoida sama kartta, mutta työvaiheet olivat erilaiset samaiseen lopputulokseen päästäkseen (kuva 2). Loimme toimintoketjun ArcGIS:n Function editorissa, tallensimme ketjun ja lopuksi ajoimme toiminnon, jolloin lopputuloksena saimme täysin samanlaisen kartan, kun tehtävän ensimmäisessä osassa. Erona oli työaika, joka jälkimmäisellä työtavalla oli huomattavasti lyhyempi. Tällaista toimintoa voisi käyttää ainakin silloin, jos täytyy tehdä useita karttoja samoilla työvaiheilla.

Kuva 2. Kuvakaappaus ArcGIS:iin luomastamme toimintoketjusta

Tehtävä kaksi oli kirjallinen ja se antoi taustatietoa tehtäviin 3 ja 4, jotka liittyivät toinen toisiinsa. Tehtävässä kolme johdettiin lähdeaineistoja sellaiseen muotoon, että niitä olisi mahdollista käyttää tehtävässä neljä. Tehtävässä muun muassa tarkastettiin solukoko ja projektio, jotka vastasivat tässä tehtävässä toisiaan jo valmiiksi. Lisäksi käytettiin kartta-algebraa ja euclidean distance työkalua tehdäksemme muutoksia nominaali (epäjatkuvan) datan ja jatkuvan datan välillä. Kuten edellisessäkin tehtävässä, myös tässä tehtävässä käytimme toimintoketjua, joka lopuksi ajettiin (run) ja lopputulokseksi saatiin kuva 3.

Kuva 3. Kartta tehtävästä 3

Tehtävässä 4 jatkoimme siis siitä mihin tehtävässä 3 jäimme. Tarkoituksena oli selvittää tietyn lintulajin tyypillisiä elinympäristöjä kenttätöitä varten. Tarkoitus oli tunnistaa alueita, jotka ovat kaukana rakennetusta ympäristöstä, 20-60% latvuspeiton metsissä, alle 2 mailin päässä järvestä, sekä koillisrinteillä. Tehtävässä oleellista oli muuttaa lähtöaineiston jatkuva (continuous) data muotoon 1 tai 0, jossa 1 vastaa sopivaa elinympäristöä ja 0 epäsopivaa elinympäristöä. Tähän käytimme jälleen reclassify ja kartta-algebra-työkaluja. Lopputulos on esitetty kuvassa 4.

Kuva 4. Tietyn lintulajin tyypillisiä elinympäristöjä.

Kartassa on läpinäkyvinä tasoina päällekkäin esitettynä lintulajin tyypillisiä elinympäristöjä. Mikäli karttatasot olisi vielä leikattu vastaamaan toisiaan niin, että kaikki kriteerit täyttyvät, olisi saatu tulokseksi selkeämpi esitys. Toisaalta tällaisenaan saa hieman enemmän tietoa vaikeammin tulkittavassa muodossa. Kun kaikki kriteerit on kartalla esitetty, voi karttaa tarkastella laajemmin ja pohtia voisiko laji elää myös sellaisilla alueilla, millä vaikkapa kolme neljästä kriteeristä täyttyy.

Ensimmäisellä kurssiviikolla tutustuimme ArcGISPro-paikkatietoalustaan. Tutustuaksemme ohjelmaan, teimme yksinkertaisia overlay- ja bufferointiharjoituksia. Tällaiset harjoitukset ovat jo aiemmilta paikkatietokursseilta tuttuja, mutta käytössä on silloin ollut QGIS-ohjelma.

Harjoituksia oli ensimmäisellä viikolla neljä. Ensimmäisessä harjoituksessa harjoiteltiin mittakaavan käyttöä ja karttatasojen ryhmittelyä. Tehtävässä muutettiin kartan asetuksia siten, että mikäli mittakaava on alle 1:2000 tai yli 1:50 000, rautatietä kuvaavat pisteet häviävät näkyvistä. Karttatasojen ryhmittelyn jälkeen ja uudet mittakaava-asetukset asetettua, ryhmän asetukset kumoavat yksittäisten karttatasojen asetukset. Kuvassa 1 on ensimmäisen tehtävän kartta visualisoituna. Mikäli mittakaavaa olisi muuttanut pienemmäksi, olisi rautatietä kuvaavat pisteet ja viivat hävinneet näkyvistä.

Toisessa harjoituksessa tehtävänä oli tehdä overlay-analyysi, jossa tarkasteltiin aluetta toisen alueen sisällä (within). Tehtävässä tarkasteltiin San Rafaelin aavikon pinta-alaa suhteessa kaikkiin Utahin osavaltion erämaa-alueisiin. Statistiikkapaneelista selvisi Utahin erämaa-alueiden pinta-ala, sekä valittujen San Rafaelin alueen pinta-ala. Kuvassa 2 on esitetty San Rafaelin alue Utahissa.

Tehtävässä kolme siirryttiin bufferianalyyseihin. Bufferoinnin ideana on muodostaa alue jonkin pisteen tai polygonin ympärille ja selvittää befferoidun vyöhykkeen avulla esimerkiksi vaikutusalueita. Tehtävässä kolme muodostettiin bufferoidut ympyrät kuntosalien ympärille ja selvitettiin katvealueelle jääviä kuntosaliasiakkaita ja näin ollen uuden mahdollisen kuntosalin sijaintia. Aivan näin yksinkertaista oikeassa elämässä uuden kuntosalin mahdollisen sijainnin pohtiminen tuskin on. Voisin kuvitella, että kaupungissa 5 mailin säteellä bufferoidut ympyrät eivät aina kuvaa parhaalla mahdollisella tavalla saavutettavuutta. Julkinen liikenne (esim. juna vs. bussi) vaikuttaa matka-aikoihin ja näin ollen saavutettavuuteen. Kyseisellä esimerkkialueella on myös vesiesteitä tai mahdollisesti muita maantieteellisiä esteitä, joita tulisi tarkemmissa analyyseissä huomioida. Myös ihmisten työpaikkojen sijainnit ja päivittäiset reitit vaikuttavat esimerkiksi kuntosalin valintaan.

Neljäs tehtävä oli jo selvästi pidempi ja monimutkaisempi, mutta Esri-harjoitusalustalla oli tähänkin tehtävään ohjeet kohta kohdalta. Ohjeet eivät olleet kuitenkaan toimineet aivan mutkattomasti, joten tuntiopettajamme olivat tehneet lisäksi moodleen ehdotuksia siitä, miten tehtävän saisi onnistuneesti maaliin. Tehtävä suoritettiin ArcGIS Pron sijasta ArcGIS Onlinessa.

Tehtävän alussa luotiin useita uusia tasoja, käytettiin filtereitä, luotiin bufferivyöhykkeitä, analysoitiin matka-aikoja ja yhdistettiin uusia tasoja toistensa kanssa. Lopputulokseksi saatiin optimaaliset alueet uuden tuulivoimalan rakentamiseen, joita tehtävän lopussa oli kaksi. Tässä tehtävässä uutta sijaintia mietittäessä oli huomattavasti enemmän kriteereitä täytettävänä kuin aiemmassa kuntosalitehtävässä.  Tehtävä vaikutti hyvinkin realistiselta ja käytettävät analyysit sopivilta tehtävän toteuttamiseksi. Uskoakseni analyysejä olisi ollut myös mahdollista suorittaa erilaisessa järjestyksessä, eikä onnistunut lopputulos olisi välttämättä vaatinut analyysien ja tasojen luomista juuri ohjeessa mainitussa järjestyksessä. Katsoin kuitenkin parhaaksi seurata näitä ohjeita yhdistettynä tuntiopettajien laatimiin lisäohjeisiin. Tehtävä oli monivaiheinen ja vaadittuja kriteereitä sijainnin suhteen oli paljon. Uskon, että kyseisten alueiden rajaaminen uuden tuulivoimalan sijainniksi ilman paikkatieto-ohjelman apua olisi ollut hyvin pitkä ja hidas prosessi. Lopuksi analyysien jälkeen kartasta tuli vielä laatia julkinen webversio, joka löytyy täältä: https://arcg.is/0n0LyW

Tuntiopettajamme näytti meille työvaihekaavion, jonka hän oli laatinut kyseisestä tehtävästä. Tämä selkeytti käsitystäni työvaihekaaviosta ja uskon, että tällainen työvaihekaavion laatiminen hyödyttäisi myös itseäni prosessin ymmärtämisessä. Ainakin ensimmäisen viikon tehtävät olivat hyvin yksityiskohtaisesti ohjeistettuja, joten omalle ajattelulle ei jäänyt paljoa tilaa ennen tehtävien tekemistä. Uskon, että työvaihekaavion laatiminen auttaa sisäistämään tehdyt tehtävät paremmin.

ArcGIS Pro vaikuttaa hyvin erilaiselta ohjelmalta aiemmin tuttuun QGIS-ohjelmaan verrattuna. Ehdottomana positiivisena puolena ArcGIS Prossa on ainakin se, että ohjelma ei kaatunut yhtään kertaa harjoituksia tehdessä. ArcGIS Pro vaikuttaa myös ensimmäisen viikon perusteella hyvin aloittelijaystävälliseltä ohjelmalta käyttää.

Viimeisellä kurssikerralla saimme vapaat kädet aiheen ja karttaesityksen suhteen. Saimme muutamia GIS- ja tilastotietoaiheisia linkkejä, joiden avulla oli helppo päästä alkuun. Kurssin aikana opimme QGIS:n hallinnan alkeita monipuolisesti, joten vain mielikuvitus oli rajana tämän tehtävän osalta.

Päädyin selaamaan muutamia sivustoja, jotka tarjoavat tilastotietoa maailman valtioista. Tilastokeskuksen sivuilta päädyin Gapminder-sivustolle, josta löytyi tietoja moneen lähtöön. Kuvassa 1. on esitetty koropleettikarttana maailman valtiot BKT:n (dollareina per asukas vuodessa) mukaan. Tummimman sinisellä on esitetty valtiot, joissa BKT per asukas on suurin. Punaisilla pylväsesityksillä on kuvattu maakohtaiset fossiilisten polttoaineiden palamisesta johtuvat CO2 päästöt. Kaikista valtioista ei ollut saatavilla tietoa muuttujista. Nämä valtiot on esitetty harmaalla.

Kartasta (kuva 1) voi huomata, että suurimmat CO2:n tuottajat eivät ole kaikista köyhimpiä tai rikkaimpia valtioita. CO2 päästöt eivät kartan perusteella näytä korreloivan BKT:n kanssa. Osa valtioista, joilla BKT per asukas on pieni, tuottaa hyvin vähän CO2 päästöjä. Kuitenkin suurimmat CO2 tuottajat näyttävät olevan valtioita, joissa BKT/asukas on pieni tai melko pieni. Kartan mukaan suurimmat CO2 tuottajavaltiot ovat pinta-alaltaan maailman suurimpia valtioita ja kyseisissä maissa (Venäjä, Kiina ja Intia) viime vuosien talouden kehitys on ollut nopeaa.

Viimeinen kurssitehtävä oli mielenkiintoinen, aluksi hieman ahdistavakin, kun vaihtoehtoisia suoritustapoja oli rajaton määrä. Tehtävän suorittaminen oli lopulta helppoa, sillä mikäli yhdestä kiinnostavasta aiheesta ei löytynyt tarpeeksi tietoa, pystyi aihetta vaihtamaan toiseen. Toinen tilanne voi olla myöhemmin työelämässä. Mikäli tehtävänä on tuottaa karttaesitys tietystä aiheesta, ei työnantajaa todennäköisesti lohduta aiheen vaihtaminen lennosta toiseen. Nyt kuitenkin voi opiskelijana keskittyä vielä nauttimaan yliopisto-opintojen tuomasta vapaudesta.

Kuten Anna Avellan ja Pinja Laitinenkin blogissaan pohtivat, myös itse epäilin karttani soveltuvuutta ”lopputyöksi”. Tein kuvan 1 kartan viimeisellä kurssikerralla. Kuitenkin vielä tänään eli viikko viimeisen kurssikerran jälkeen mietin, valitsenko kokonaan uudet muuttujat ja laadin uuden kartan. Päädyin kuitenkin esittämään alkuperäisen karttani alkuperäisillä muuttujilla tässä blogissa.

Kurssin aikana olenkin GIS-aiheisten kysymysten lisäksi pohtinut myös omaa ajankäyttöä ja sitä, mikä on riittävä taso, jota itseltäni vaadin esimerkiksi tällä geoinformatiikan ensimmäisellä kurssilla. Vaikka en tiedä sainko korkealentoisimpiin pohdintoihini selviä vastuksia, sain vastauksia tämän kurssin aikana moniin GIS-aiheisiin kysymyksiin. Tämä kurssi onkin hyvä päättää tähän ja suunnata katse kohti 4. periodia!

KIRJALLISUUS

Avellan (2020). Lento QGIS 3.4.1 laskeutuminen. 3.3.2020. https://blogs.helsinki.fi/avellana/

Gapminder (2020). 3.3.2020. https://www.gapminder.org/

Laitinen (2020). Viimeinen rutistus. 3.3.2020. https://blogs.helsinki.fi/lempempi/

Natural Earth (2020). 3.3.2020. http://www.naturalearthdata.com/

Kuudennella kurssikerralla pääsimme ulkoilemaan ja keräämään itse aineistoa Epicollect5 sovelluksen avulla. Muutaman hengen ryhmissä valitsimme Kumpulan ympäristöstä kohteita, joita arvioimme esimerkiksi viihtyvyyden, houkuttelevuuden ja turvallisuuden näkökulmasta. Ulkoilun jälkeen kokosimme datan yhteen ja interpoloimme QGISsä karttoja haluttujen muuttujien mukaan. Epicollect5 vaikutti käyttäjäystävälliseltä sovellukselta ja data taipui helposti kartoiksi QGISsä. Kyseistä sovellusta voisi ehdottomasti käyttää aineenopettajan työssä.

Varsinainen blogitehtävä liittyi hasardeihin. Valittavana oli maanjäristykset, meteoriitit ja/tai tulivuoret. Onnistuneita karttaesityksiä olivat tuottaneet esimerkiksi Flaminia Puranen ja Pihla Haapalo, joiden blogeista sain vinkkejä karttojen tuottamiseen. Kuvissa 1-3 on esitetty maanjäristyksiä vuosina 1950-2012. Kuvassa 1 on kuvattu yli 9 magnitudin järistykset, joita on tapahtunut vain kaksi.

Kuvassa 2 on kuvattu kaikki yli 8 magnitudin järistykset vuosina 1950-2012. Yli 8 magnitudin järistyksiä kyseisinä vuosina on tapahtunut 33.

Kuvassa 3 on kuvattu kaikki yli 7 magnitudin järistykset vuosina 1950-2012. Yli 7 magnitudin järistyksiä tapahtui 586 vuosina 1950-2012.

Kartoista voi jo ensisilmäyksellä huomata, että maanjäristykset tapahtuvat usein litosfäärilaattojen rajavyöhykkeillä. Tein aluksi kartat, joihin en ollut lisännyt litosfäärilaattoja. Kartat eivät kuitenkaan olleet yhtä informatiivisia kuin blogiini liittämät kartat, joissa litosfäärilaattojen rajat näkyvät.

Kolmea kuvaa vertailemalla voi myös huomata, että maanjäristysten lukumäärä kasvaa eksponentiaalisesti siirryttäessä magnitudin asteikolla kokonaislukuja alaspäin. Yli 9 magnitudin järistykset ovat todella harvinaisia. Sen sijaan pienemmän järistykset ovat melko tavallisia. https://earthquaketrack.com/ sivustolla voi havaita, että viimeisen 24h aikana voimakkain maanjäristys on ollut 5,1 magnitudia. Sivustolta selviää myös, että viimeisen vuoden aikana on tapahtunut yhteensä 62,830 järistystä.

Tuottamiani karttoja tarkemmin tarkastelemalla voi huomata, että voimakkaimmat maanjäristykset tapahtuvat heikkoja järistyksiä useammin usean litosfäärilaatan yhtymäkohdan läheisyydessä. Pienempiä järistyksiä puolestaan tapahtuu kaukanakin litosfäärilaattojen rajakohdista. Tuottamiani karttoja voisi käyttää kouluopetuksessa kuvaamaan maanjäristysten yleisyyttä ja maantieteellistä esiintyvyyttä, sekä litosfäärilaattojen sijainnin merkitystä.

KIRJALLISUUS

Earthquake Track (2020). Today’s Biggest Earthquakes. 28.2.2020. https://earthquaketrack.com/

Haapalo (2020). Ylös, ulos ja ulkohommiin. 28.2.2020. https://blogs.helsinki.fi/haapalop/

Northern California Earthquake Data Center (2020). Historic ANSS Composite Catalog Search. 28.2.2020. https://ncedc.org/anss/catalog-search.html

Puranen (2020). Maastosta kerätyn datan käyttö. 28.2.2020. https://blogs.helsinki.fi/flaminia/

Tällä kurssikerralla opimme uutena asiana bufferoimaan eli muodostamaan uuden alueen tietyn kohteen ympärille. Bufferoinnin avulla on esimerkiksi helppo selvittää ilmiön yleisyyttä alueella. Kuten Pihla Haapalo blogissaan muotoilee, bufferoinnilla voi tutkia kohteen vaikutusaluetta (Haapalo 2020).

Selvitimme kurssikerralla Helsinki-Vantaan ja Malmin lentokenttien 1 ja 2km säteen sisällä asuvien henkilöiden lukumäärää bufferoinnin avulla. Lisäksi selvitimme erillisen tietokannan avulla yli 55db ja yli 65db melualueella asuvien henkilöiden lukumäärää. Tässä tehtävässä en kohdannut suurempia hankaluuksia. Loin usein uuden aineiston, mikäli halusin esimerkiksi meluhaitta-aineiston osalta käsitellä vain yli 55db tietoja. Todennäköisesti olisin voinut säästyä ylimääräisiltä työvaiheilta, jos olisin perehtynyt tarkemmin asiaan.  Taulukossa 1 on esitetty tehtävän 1 vastaukset.

Taulukko 1. Tehtävän 1 vastaukset.

Toisessa tehtävässä tutkimme juna- ja metroasemista 500m säteellä asuvien osuuksia kaikista alueen asukkaista. Teimme tietokantaan aiemmin opittuun tapaan uuden sarakkeen, johon laskimme työikäisten lukumäärän ja vertasimme työikäisiä aseman ympäristössä asuvia kaikkiin aseman ympäristössä asuviin. Myös tässä tehtävässä bufferoimme asemien ympärille 500m säteen alueet, joiden avulla oli helppo tarkastella alueiden sisään jäävien asukkaiden lukumäärää ”select by location” toiminnon avulla.

Tehtävän 2 toinen osio käsitteli taajamia ja niiden asukkaita. Perusperiaatteeltaan suurin osa taajamatehtävästä noudatteli tehtävän aiempaa osiota. Valintoja tehtiin sijainnin perusteella ja asukkaiden yhteenlaskettuja summia tarkasteltiin ”statistics” näkymässä. Ulkomaalaisten asukkaiden prosenttiosuuksia laskettaessa taajamittain jouduin käyttämään hieman syvällisempää pohdintaa. Koska taajamat ulottuivat tutkimusalueen ulkopuolelle, tein uuden rajauksen ja ”intersection” toiminnolla onnistuin rajaamaan tutkittavat taajamat sopivaksi. Lopuksi taajamat ja niiden asukkaat yhdistettiin ja näin ollen onnistuin ymmärtääkseni laskemaan ulkomaalaisten osuudet prosentteina kullekin taajamalle. Tehtävän 2 vastaukset on esitetty taulukossa 2.

Taulukko 2. Tehtävän 2 vastaukset.

 

Tehtävistä 3-5 tuli valita vähintään yksi suoritettavaksi. Tehtävänannot luettuani paloin halusta selvittää, mikä on pk-seudun uima-allasrikkain osa-alue, joten päädyin tekemään tehtävän 4. Suurin osa tehtävän 4 osa-alueista sujui ongelmitta. Valintatyökaluja käytin tämänkin tehtävän tekemiseen monipuolisesti. Sijainnin, tietyn arvon tai klikkauksen perusteella valinta onnistuu nykyisin käden käänteessä.

Kohtasin ongelman vasta selvittäessä uima-altaiden lukumäärää kaupunginosittain. QGIS herjasi ”Join attributes by location (summary)” osiossa geometriaongelmaa. QGIS kehotti korjaamaan tietyn osa-alueen geometriaa tai tekemään valinnan, joka ohittaisi  ongelma-alueiden kohdalla laskutoimituksen. En onnistunut näissä QGISin ehdottamissa toimissa, joten latasin MMQGIS lisäosan, jonka avulla onnistuin laskemaan uima-altaiden lukumäärät kaupunginosittain. Kurssikerran 4 tehtävänannossa oli neuvottu kyseisen lisäosan käyttö. Ohjeet kurssikerroilta 3-5 olivat minulla ahkerassa käytössä muiltakin osin tämän viikon tehtäviä tehdessä. Tehtävän 4 vastaukset löytyvät taulukosta 3.

Taulukko 3. Tehtävän 4 vastaukset.

Viimeinen tehtävä oli laatia uima-altaista karttaesitys kaupunginosittain. Pylväsesityksen laatiminen oli tuttua jo valuma-alue -tehtävän osalta, joten siinä en kohdannut haasteita. Altaiden lukumäärää absoluuttisina arvoina oli yllättävän vaikea sovittaa karttaan pylväsesityksen kanssa. Molemmat esitykset toimivat moitteetta erillisinä tasoina. Huomasin kuitenkin, että lukuarvojen ja pylväiden sijaintia muuttamalla onnistuin sovittamaan molemmat informaatiot kartalle kohtalaisesti (kuva 1). Tehtävän tekemällä sain siis selville pk-seudun uima-allasrikkaimman asuinalueen, joka on Lauttasaari.

Huomasin myöhemmin, että Tomi Kiviluoma oli tehnyt saman tehtävän ja esitti tuotoksen blogissaan. Olisi ollut hyvä, jos olisin perehtynyt hänen blogiinsa ennen oman tehtäväni suorittamista, sillä  hänen visualisointinsa oli onnistunut erinomaisesti. Hän oli karttaesityksessä jättänyt alle 10 uima-altaan kaupunginosat esittämättä, mikä selkeytti karttaa (Kiviluoma 2020).

Tällä hetkellä QGISin valintatyökalut, bufferointi, laskutoimitukset tietokantoihin, tietokantojen tietojen yhdistäminen ja karsiminen ja karttaesitysten laatiminen tuntuvat luonnistuvan pääasiassa ongelmitta. Lisäharjoitus ei varmasti olisi pahitteeksi silti millään osa-alueella. Välillä pohdintaan, komentojen kokeilemiseen, epäonnistumiseen ja uudelleen yrittämiseen kuluu aikaa. Kun toistoja tulee tarpeeksi, alkaa paremmin hahmottaa kuhunkin tehtävään tarvittavat työvaiheet.

Tähän mennessä harjoittelemillamme työkaluilla on mahdollista tehdä monipuolisia laskutoimituksia ja karttaesityksiä käytännössä mistä vain muuttujasta. Esimerkiksi väestöstä on saatavilla paljon informaatiota, jota voi esittää sellaisenaan tai laskutoimitusten avulla jatkojalostaa saatavilla olevaa tietoa.

KIRJALLISUUS

Haapalo (2020). Kädet ilmaan. 12.2.2020. https://blogs.helsinki.fi/haapalop/

Kiviluoma (2020). Valintojen maailma: bufferointia ja tietokantojen syväluotaavaa suodatusta. 14.2.2020. https://blogs.helsinki.fi/tomingeoblogi/