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.