Tämän kurssin viimeisellä viikolla saimme tehtäväksi suunnitella laskettelukeskus hyödyntäen kurssilla opittuja menetelmiä.

Alueen valinnan aloitin katselemalla paikkatietoikkunasta Pohjois-Karjalan alueelta eri vaaroja. Otin karttatasoihin näkyville maastokartan ja luonnonsuojelualueet, jotta laskettelukeskuksen konsepti ei sattuisi suojeltujen alueiden päälle.

Joensuun pohjoispuolella sijaitsevan Ahvenisen kylän läheltä löytyy vaara nimeltä Höllärinvaara. Valitsin tämän ideoinnin kohteeksi siksi, että korkeuseroa vaikuttaa olevan tarpeeksi, luonnonsuojelualueet eivät ole esteenä ja vaaralta on maisema Pielisenjärvelle.

Aluksi latasin paikkatietoaineistojen latauspalvelu Paitulista korkeusmallin. Korkeusmalli on tutkimusalueella neljässä eri osassa, joten yhdistin aineiston yhdeksi rasteritasoksi käyttämällä Mosaic to new raster –työkalua.

Jotta vaaran muotoa voisi tutkia paremmin, tarvitsin aineistoon Slope ja Aspect tasot. Niiden avulla pystyi paremmin hahmottamaan, mistä kohtaa vaaraa mahdollisten laskettelureittien olisi hyvä kulkea. Jotta järvimaisemaa voisi hyödyntää parhaiten, tulisi laskettelurinteiden sijaita vaaran itäpuoella.

Slope ja Aspect tasojen avulla pystyin arvioimaan sopivat laskettelureitit. Reiteiksi halusin yhden vaikeamman ja yhden helpomman.  Loin uuden vektoritason ja piirsin reitit.

Seuraavaksi halusin tietää, millaisia jyrkkyysarvoja reitit saivat. Nopean googlailun avulla paras työkalu tähän oli Add surface information, minkä avulla vektoreille voidaan laskea jyrkkyys- ja korkeusarvojen min, max ja keskiarvot.  Helpommaksi suunnittelemani reitti sai jyrkkyyden keskiarvoksi 12,18 ja vaikeampi reitti 18 (Kuva 1).

Kuva 1. Kartta konseptista laskettelukeskukselle

Vaaran ja järven välissä kulkee yksi yleinen tie. Tämän voisi siirtää kulkemaan lähempänä rantaa. Vastaavanlainen ratkaisu löytyy Kolin laskettelukeskukselta (Kuva 2), mikä olisi myös suurin kilpailija kuvitteelliselle laskettelukeskukselle.

Kuva 2. Kolin laskettelukeskus

Raporttiin olisin myös halunnut lisätä selaimessa katseltavan 3D-kartan projektista, mutta tämän jakamista en osannut. Kuvissa 3 ja 4 on kuvakaappauksia ArcGIS:in työpöytäversiossa olevasta 3D-kartasta. 3D-kartassa rinteen muodot hahmottuvat paremmin, ja esimerkiksi punainen reitti kulkee painanteen kautta, mitä en hahmottanut Slope-tasoissa. Todellisuudessa lasketeltaessa vauhtia olisi todennäköisesti tarpeeksi päästä loppuun saakka.

Kuva 3. Ote laskettelukeskuskonseptin 3D-kartasta

Kuva 4. Ote laskettelukeskuskonseptin 3D-kartasta

 

Harjoitus tuntui alkuun yksinkertaiselta, mutta sopivien analyysimenetelmien löytäminen harjoitusta varten oli haastavampaa kuin ajattelin. Harkitsin esimerkiksi näkyvyysanalyysin tuottamista, jotta laskettelureittien varrelta voisi löytää kohdat, mistä näkee järvelle. Reitit kulkevat kuitenkin suoraan järveä kohti, joten näkyvyys järvelle on todennäköisesti koko reitin varrella.

 

 

Tämän viikon oppimistavoitteina oli näkyvyysanalyysien tekeminen hyödyntäen rasteriaineistoja.

Harjoituksen aineisto koostui korkeusmallista ja linkkimastojen sijaintitasosta pistemuotona. Tämän harjoituksen tavoitteena oli luoda vaellusreitti Kevon luonnonpuiston läpi ja tutkia alueen linkkimastojen kattavuutta reitillä hyödyntäen näkyvyysanalyysia. Tämän jälkeen sijoitettiin teoreettinen uusi masto alueelle ja tutkittiin sen vaikutusta GSM-kuuluvuuteen reitillä.

Reitti kulkee aikaisemmissa harjoituksissa tutuksi tulleen Kevon kanjonin läpi, joten alueella esiintyy paljon korkeusvaihteluita ainakin Suomen mittasuhteissa. Koska harjoituksessa katsotaan nimenomaan mastojen suoraa näköyhteyttä reitille, on korkeusvaihteluilla tärkein merkitys. Todellisuudessa eri puhelinverkkojen kuuluvuuteen vaikuttaa muitakin tekijöitä.

Reitti digitoitiin kahden ennalta määritettyjen koordinaattien välille (Kuva 1). Tämä oli ensimmäinen kerta, kun tein ArcGIS:illä suoraan itse uutta vektoritasoa. Reitin määrittelin silmämukaisesti hyödyntäen korkeusmallia, siitä tehtyä rinnevarjostetta ja maanmittauslaitoksen maastokarttaa. Reitin pituudeksi tuli 60,7 kilometriä.

 

Kuva 1. Digitoitu vaellusreitti Kevon kansallispuistossa

 

 

Näkyvyysanalyysi tapahtuu käyttämällä Visibility-työkalua ArcGIS:ssä. Näkyvyysanalyysien toimintaperiaatetta kävimme läpi viikon luennolla. Lyhyesti, analyysi laskee tutkimuspisteestä poispäin solujen korkeuseron ja etäisyyden suhdelukua. Jos suhdeluku on suurempi kuin aikaisemmissa laskuissa, kohde on näkyvissä. Jos pienempi, kohde ei näy. Käytännössä katsotaan esimerkiksi rinteeseen päin. Näemme kohteen rinteen korkeimpaan kohtaan asti, mutta rinteen taakse emme. Vasta kun korkeus nousee taas korkeammalla kuin edellisen rinteen huippu, on olemassa näköyhteys.

Näkyvyyteen vaikuttaa todellisuudessa myös muitakin tekijöitä kuin maaston korkeus, esimerkiksi puut ja rakennukset. Tässä harjoituksessa huomioidaan vaan maastonkorkeus, puhelimen korkeus kädessä (2m) ja antennien korkeus. Analyysiin voitaisiin ottaa myös mukaan siis esimerkiksi puuston korkeuksia (Metsäkeskus 2023)

Visibility-työkalu antaa rasteritason, jossa jokaisessa solussa on tieto, kuinka moneen mastoon siitä on näköyhteys. Työkalussa määriteltiin myös maksimietäisyydeksi 35 kilometriä.

Kuuluvuudeksi meille riitti yksi masto, joten rasteritaso uudelleenluokiteltiin soluiksi, joissa on näkyvyys vähintään yhteen linkkimastoon. Tämän tason avulla pystyi päällekkäisyysanalyysin avulla vertaamaan aiemmin tehtyä reittiä, jotta nähdään kuinka paljon reitistä osuu alueille, joissa on näkyvyys linkkimastoihin (Kuva 2).

Kuva 2. Vaellusreitin GSM signaalien kuuluvuus digitoidulla reitillä

 

Oma reittini oli 60,7 kilometriä pitkä, josta kuuluvuusalueen ulkopuolella oli 58,4 kilometriä. Reitistä vain noin 4% oli siis matkapuhelinverkon alueella. Tulos ei ole todennäköisesti kovin realistinen, sillä kuuluvuuteen vaikuttaa monia muita tekijöitä. GSM-verkko ei perustu pelkästään suoraan näköyhteyteen, vaan myös monitieheijastuksia pystytään hyödyntämään yhteyksissä. Aiemmissa tehtävissä alueella on myös nähty olevan jonkin verran puustoa, millä voi myös olla negatiivinen vaikutus kuuluvuuteen.

Seuraavaksi halusimme luoda alueelle teoreettisen uuden linkkimaston, joka parantaisi reitin kuuluvuutta. Masto sijoitettiin silmämääräisesti, mistä voisi ajatella olevan eniten hyötyä kuuluvuuden parantamiseksi. Sijoitin oman mastoni koordinaatteihin 26.5197416°E 69.5751473°N  .

Tämän jälkeen teimme näkyvyysanalyysin, jossa etsimme sijainteja, joista näkee eniten reittiä (Kuva 3). Analyysin avulla huomaa, että suurin osa optimaalisista maston sijainneista ovat reitin läheisyydessä sen eteläpuolella. Suurin pikselin arvo analyysissä oli 2618. Oman mastoni sijainti tästä pikselistä oli noin 11 kilometrin päässä (Kuva 4), mikä ei siis ole kovin kaukana, mutta reitistä osa kulkee kanjonissa, mihin suoraa näköyhteyttä ei löydy edes alueen korkeimmista maastonkohdista.

 

Kuva 3. Näkyvyysanalyysi potentiaalisen maston sijainniksi

 

Kuva 4. Maston silmämääräisen sijainnin etäisyys parhaiten näkyvästä sijainnista.

 

Analyysissa käytimme pienempää resoluutiota työkalun nopeuttamiseksi. Pienentäminen vaikuttaa käytännössä parhaan sijainnin tarkkuuteen, mutta pienemmällä resoluutiolla saadaan kuitenkin jo hyvin selkeä kuva alueista mitä välttää ja mihin voisi kohdentaa tarkemman analyysin.

Toteutimme mastojen näkyvyysanalyysin uudestaan, mutta nyt ottaen huomioon myös oman maston. Samalla analyysillä katvealueiden pituudeksi tuli 55,5km (Kuva 5). Ensimmäisessä analyysissä (Kuva 2) katvealueiden pituus reitillä oli 58,4km. Masto parantaisi kuuluvuutta noin 2,9km, eli 4,8% koko reitin pituudesta.

Kuva 5. Uuden maston katvealueet vaellusreitillä.

 

Valitsemani reitti osui siis kokonaisuudessaan laajasti katvealueille ja oman maston lisääminen ei parantanut kuuluvuutta merkittävästi.

 

 

 

 

LÄHTEET:

Metsäkeskus 2023. Metsävaratiedot https://www.metsakeskus.fi/fi/avoin-metsa-ja-luontotieto/metsatietoaineistot/metsavaratiedot

 

Jatkoimme tällä viikolla rasterianalyysien kanssa. Tavoitteena oli tutustua lisää uusiin rasteriaineistojen työkaluihin ja oppia hyödyntämään ArcGIS:in ModelBuilderia työvaiheiden suunnitteluun.

Corine-maanpeiteaineisto

Tässä harjoituksessa käytimme soveltuvuusanalyysin osana Suomen ympäristökeskuksen CORINE -maanpeiteaineistoa. Corine aineisto on tuttu itselleni avoimen yliopiston kurssilta, jossa arvioitiin Turun kaupungin maanpeitetyyppien yhteyttä viihtyvyyteen. Viihtyvyyteen liittyvä aineisto oli taas opiskelijoiden keräämää arviointia.

Kyseessä on koko Suomen kattava maanpeiteaineisto minkä on tuottanut Suomen ympäristökeskus vuonna 2018. Luennolla  Aineisto on saatavilla sekä vektori- että rasterimuodossa.  Vektorimuodossa aineistossa pienin maastossa erottuva alue on vähintään 25 hehtaaria ja kapeimmillaan 100 metriä. Rasteriaineiston resoluutio on 20 x 20 metriä.

Lisäksi aineistossa on muutosta kuvaava aineistot vuosien 2012-2018 väliltä. Muutosaineistossa vektoriaineistossa on kaksi tarkkuustasoa, kansallinen muutosaineiston pienin kuvio on 0,5 hehtaaria ja eurooppalaisessa 5 hehtaaria.

Corine-aineisto on aluksi muokattava sopivaksi. Rajaamme aineoston tutkimusalueemme, eli Kevon kanjonin, mukaiseksi. Aineistossa on attribuuttitaulukossa lisäksi vain maanpeiteluokkia kuvaavat numerokoodit, joten lisäämme Join -työkalun avulla erillisestä Excel-taulukosta löytyvät suomenkieliset selitteet maanpeitteille. Molemmista taulukoista löytyvät samat koodit, joten yhdistely niiden avulla on helppoa. Nyt tasosta pystyy visualisoimaan kartassa alueen maanpeitteen (Kuva 1).

Kuva 1. CORINE-maanpeiteluokat Kevon kanjonin alueella

Maanpeitekartan visualisointi oli hieman aikaa vievää. Koska luokkia on monta ja halusin värien kuvastavan jokseenkin todellisuutta. Tämä ei kuitenkaan ole täysin mahdollista, jotta värit pysyisivät myös toisistaan eroavina. Tärkeämpää oli, että kartasta tuli visuaalisesti miellyttävä.

Vaikka lisäsimme aiemmin maanpeiteluokkien selitteet attribuutteihin, oli jokaisen pikselin arvo maanpeiteluokkien koodi, mikä näkyi karttaselitteessä. En kuitenkaan osannut muokata karttatulosteen selitteisiin maanpeiteluokkien suomenkielisiä nimiä suoraan. Netistä etsimällä vaikuttikin, että rasteriaineistossa selitettä on vaikea muuttaa muuksi kuin mitä solun arvo on. Päätin siis luoda rasteriaineistosta oman vektoritason, jossa selitteet sai helpommin muutettua. Kartassa visualisoituna ei myöskään ole väliä, onko aineisto todellinen rasteritaso vai pikselimäisiä polygoneja. Työkalussa Raster to Polygon täytyi vain ottaa pois simplify polygons toiminto, jotta solut eivät yhdisty ja pysyvät rasterin mukaisina. Myös karttatason export vaiheessa täytyi asettaa DPI tarpeeksi korkeaksi, jotta pikseleitä ei yhdisty.

Lopullisesta kartasta siis huomaa, että Kevon kanjonin alue on luokiteltu suurimmaksi osaksi luokkiin varvikot ja nummet, lehtimetsät kivennäismaalla ja niukkakasvustoiset kangasmaat. Verrattuna viime viikon tehtävän Suomen ympäristokeskuksen aineistoon, havumetsien määrä vaikuttaa hyvin vähäiseltä. Maanpeitteestä näkee myös, että lehtimetsät pärjäävät paremmin kanjonin valoisalla rinteellä. Havumetsä esiintyy taas enemmän varjoisammalla etelärinteellä.

Avosuota ilmenee myös paljon kartan koillisosan uomien läheisyydessä, mitä ilmenee vähemmän muualla. Avosoiden ympärillä ilmenee myös harvapuustoisia alueita enemmän. Mahdollisesti näiden alueiden uomiin on tullut aiemmin enemmän vettä, jotka ovat sitten soistuneet ja puuston määrä on vähentynyt.

Soveltuvuusanalyysi

Viikon harjoituksen tavoitteena oli löytää sopivia telttailupaikkoja Kevon kanjonin alueelta. Telttapaikan pitäisi täyttää seuraavat kriteerit:

1. Telttapaikan tulee sijaita alle 260 metrin korkeudella
2. Leiripaikan on oltava sijainnilla, jossa rinne suuntautuu välille itä – etelä- länsi
3. Leiripaikan maanpeite tulee olla, on lehti-, seka- tai havumetsä kivennäismaalla, tai lehti- tai sekametsä turvemaalla
4. Leiripaikan tulee sijaita korkeintaan 200 m etäisyydellä vesiuomista
5. Rinteen jyrkkyys saa olla maksimissaan 10 astetta.

Harjoitukseen tarvitsemme siis maanpeiteaineiston lisäksi tiedon korkeudesta, aspect-arvon, slope-arvon ja alueen uomat. Nämä olimme tehneet aikaisemmilla harjoitusviikoilla. Analyysia varten käytettiin ArcGISin Model Builder toimintoa, jolla työvaiheet voidaan suunnitella, tarkastaa ja toteuttaa. Jokaisen työkalun ja aineiston voidaan siis sijoittaa kaavioksi, jossa vaiheet tulevat visualisoiduksi (Kuva 2).

Kuva 2. Model Builder toiminto ArcGIS:ssä

Tiivistettynä haluamme jokaisesta rasteriaineistosta tietyt toivomamme kriteerit. Rasteriaineistossa voimme siis luokitella aineiston uudelleen käyttäen Reclassify-työkalua jossa haluamamme solujen arvot saavat uuden arvon 1 ja ja muut solut arvon 0. DEM-tasosta uudelleen luokittelemme siis kaikki solut alle 260 metrissä arvoksi 1. Aspect-tasosta otamme itä – etelä- länsi ilmansuunnat, jotka ovat asteina välillä 90-270. Maanpeitteestä haluamme metsäiset alueet. Myös rinteen jyrkkyyden saamme uudelleen luokittelulla, eli maksimissaan 10 astetta. Kaikista näistä syntyy siis uusi taso joka sisältää soluja arvoina 1 tai 0.

Uomien etäisyyden rajaamiseksi alle 200 metriin käytetään eri menetelmää. Uomat eivät ole rasteritasona, mutta  Euclidean Distance työkalussa saamme koko alueen muutettua rasteritasoksi, jossa jokainen solu sisältää etäisyyden lähimmästä uoman vektorista (Kuva 3).

Kuva 3. Välivaihe, etäisyys uomista Euclidean Distance -työkalulla.

 

Nyt voidaan käyttää Raster Calculator -työkalua rajaamaan uomista 200 metrin etäisyydellä olevat alueet. Tästä jää taso, jota voidaan käyttää loppulaskennassa sopiville telttailupaikoille.

Loppulaskentaan käytämme myös Raster calculatoria. Otamme jokaisen aiemmin tuotetun tason ja kerromme niiden arvot keskenään. Me haluamme alueet, joissa esiintyy kaikki kriteerit. Kaikkien tasojen solut ovat arvoina 0 = False, ei sopiva ja 1 = True, sopiva. Jos laskukaavassa esiintyy 0, on koko uuden tason solun loppusumma 0 eli ei sopiva telttapaikka.  Tämä ei siis toimisi esimerkiksi yhteenlaskuna, ellemme haluaisi skaalamaista karttaa telttapaikoista, missä esiintyisi myös osittain sopivia telttapaikkoja.

Lopuksi poistamme vielä uudelleenluokittelun avulla pois näkyvistä solut, joiden arvo on 0. Tämän jälkeen rasteritaso muutetaan polygoneiksi. Lopullinen työmalli Model Builderissa näyttää nyt kaikki tehdyt työvaiheet (Kuva 4).

 

Kuva 4. Harjoituksen työvaiheet Model Builderissa

 

Lopputuloksena on siis vektoritaso, jossa on polygoneina kaikki kriteerit täyttävät alueet. Tämän tason visualisoin alueelle, jossa polygoneja oli huomattavasti eniten (Kuva 5).

Kuva 5. Kriteerit täyttävät telttapaikat Kevon kanjonissa.

 

Sopivia telttapaikkoja löytyy siis kanjonin pohjalta eniten. Vain pieni osa kriteerien täyttävistä alueista löytyy korkeammalta. Osa polygoneista kanjonin pohjalla osuu myös maanmittauslaitoksen maastokarttapohjassa itse Kevojokeen, mikä ei olisi todellisuudessa hyvä telttapaikka. Tähän vaikuttaa varmasti eri menetelmät, miten maanpeiteaineisto ja maastokartat on tuotettu. Joen vedenpinnankorkeus myös vaihtelee, joten kovin tarkasti polygoneja ei kannata tulkita.

Osa polygoneista voisi mahdollisesti myös yleistää laajemmiksi alueksi, mutta tätä varten olisi hyvä tietää mikä kriteeri ei ole täyttynyt. Esimerkiksi rinteen ilmansuunnan arvo voi olla vain asteen ulkopuolella kriteeristä, mikä ei telttailun kannalta olisi suuri tekijä. Ehkä siis tässä tilanteessa voisi myös käyttää skaalamaista karttaa, missä näkyy myös osittain sopivat alueet.

Telttailupaikkoja voisi myös painottaa katsomalla retkeilyreittiä. Maanmittauslaitoksen maastokartassa retkeilyreitti kulkee kanjonin pohjoispuolella, joten telttailupaikoista voisi rajata pois kanjonin eteläpuolella olevat alueet.

Rasteritasojen kanssa työskentely voi vaatia useita työvaiheita eri tasoilla, sillä solut sisältävät vain yhden muuttujan. Toisaalta map algebra rastereilla on nopeaa, ottaen huomioon miten paljon tietoa käsitellään.

 

 

 

 

 

 

Tällä viikolla käsittelimme rasterianalyysejä. Harjoituksissa jatkoimme Kevon kanjonin alueen kanssa, tällä kertaa hyödyntäen Luonnonvarakeskuksen (Luke) vuonna 2019 tuotettua aineistoa valtakunnallisista metsävaroista. Kurssikerran kirjallisuutena on Helsingin yliopiston metsätieteiden julkaisema ”Geoinformatiikka luonnonvarojen hallinnassa” (Holopainen et al, 2015).

Alkuun tutustuimme aineiston metadataan.  Kyseessä on rasteriaineisto, minkä spatiaalinen resoluutio on 16 x 16 metriä. Tämä tuntui melko pieneltä tarkkuudelta, mutta minulla ei ole vielä kovin laajaa kokemusta rastereista. Kurssikirjallisuudessa  luvussa 2.3 Rasterimuotoisen aineiston resoluutio on kuvassa 2.5 näytetty neljä eri resoluutiota, josta pienin resoluutio on 8 metriä. Tähän ja omaan kokemukseeni suhteutettuna aineiston resoluutio on siis hyvin pieni. Tämä ei tietenkään yllätä, sillä alkuperäinen aineisto (harjoituksessa leikattu osa Kevon kanjonista) on koko Suomen laajuinen. Lisäksi kuvattava asia, eli metsät, ovat suuria ja mahtuvat hyvin 16 x 16m soluihin. Jokainen solu sisältää arvon biomassasta, mikä on muodossa 10kg per hehtaari.

Vuoden 2019 aineistossa on käytetty 5 kpl Sentinel-2A MSI-keilaimen kuvaa, 8 kpl Sentinel-2B MSI-keilaimen kuvaa ja 10 Landsat 8 OLI-keilaimen kuvaa. Yksi Sentinel 2B -kuva oli vuodelta 2018, muut vuodelta 2019. Kokonais karttaan on liitetty myös koealatietoja ja satelliittikuvia aikaisemmilta vuosilta (2013, 2015, 2017 ja 2019). Vuoden 2019 tulos vastaa kuitenkin 99,54 % koko kartasta. Aineistossa on lisäksi erilaisia ennusteita metsien kasvulle, jotka perustuu erilaisiin menetelmiin, kuten lähimmän naapurin interpolointiin.

Harjoituksessa käytettävä aineisto on jaettu biomassa, keskipituus ja latvus aineistoiksi. Lisäksi mänty, kuusi ja lehtipuut on jaettu erillisiksi tasoiksi biomassassa. Biomassa itsessään on jaettu puun eri osiin kuvaaviin tasoihin, kuten juuret ja latva.

 

Harjoitus

 

Tämän viikon harjoituksen tavoitteena oli tulkita tätä aineistoa käyttäen karttoja ja taulukoita. Aineisto vaati kuitenkin valmisteluita, ennen kuin kunnollisia tulkintoja pystyi tekemään. Rasteritasot näyttivät tällaisilta:

Kuva 1. Kuusien runkokuoren biomassa rasteri

 

Rasterista voi jo tulkita hieman alueellista jakautumista, mutta alkuun ainakin rasterien värit muokkasin selkeämmäksi.

Lisäksi näitä rasteritasoja on useita, joten työn alkuvaiheessa laitoin rasterit omiin ryhmiinsä (mänty, kuusi, lehtipuu). Näin työskentely oli siistimpää ja oli nopeampaa löytää tarvittavat tasot,

Metsien biomassa oli esitetty muodossa 10kg per hehtaari. Arvot rastereissa oli myös melko suuria, joten pienentämällä tätä muotoon tuhat kiloa per hehtaari käyttäen Raster Calculator –työkalua saadaan lukujen tulkitsemisesta helpompaa. Samalla rasterien biomassat saadaan laskettua yhteen (Kuva 2).

 

 

Kuva 2. Puiden biomassan (1000kg/ha) jakautuminen Kevon kanjonin alueella.

 

 

Rastereissa näkyy nyt selkeämmin eri puulajien alueellinen jakautuminen. Lehtipuut ovat laajimmalle levinneitä, mutta männyn kasvualueet ovat tiheämpiä. Kuusen kasvu on taas alueella heikkoa. Kuusi tarvitsee paljon varjoa ja kosteutta, joten kuusi kasvaa muun muassa kanjonin varjoisalla rinteellä (Kuva 3). Muualla alueella ei oletettavasti ole tarpeeksi hyvä kasvuympäristö kuuselle.  Jokainen puulaji kuitenkin pärjää parhaiten kanjonin läheisyydessä.

Kuva 3. Kevon kanjoni (Retkipaikka.fi)

 

 

Koska kartoista nähdään mahdollinen yhteys kanjonin ja puiden levinneisyyden välillä, voidaan tätä tutkia paikkatietomenetelmillä. Viime harjoituksessa teimme DEM:in avulla alueesta uomavektoritason joita voimme hyödyntää. Uomien vektoreista saadaan etäisyyspainotteisen rasteritason käyttäen Euclidean Distance –työkalua. ArcGIS ilmoitti tässä vaiheessa, että tämä työkalu on poistumassa tulevassa päivityksessä ja se korvataan Distance Accumulation –työkalulla. Tästä saatava lopputulos luokiteltiin vielä 200 metrin luokiksi välillä 0-1300.

Seuraavaksi teimme Zonal Statistics -työkalussa taulukot, joissa puiden arvot on jaettuna etäisyysvyöhykkeisiin.  Taulukot pystyi tämän jälkeen tuomaan exceliin ja visualisoimaan (Kuva 4 & 5). Taulukoissa olevat arvot ovat samassa muodossa kuin aikaisemmin yhdistetyissä biomassa-rastereissa (tuhat kg/ha).

 

Kuva 4. Taulukot puulajien biomassoista 200m etäisyyksinä kanjonin uomista

 

 

Kuva 5. Latvuspeiton jakautuminen 100 metrin korkeuksiin 200-500 metrin välillä.

 

Taulukoista voi todeta saman, minkä karttojen avulla pystyi arvioimaan, eli puita kasvaa eniten uomien läheisyydessä 200 metrin vyöhykkeellä. Biomassan määrä vähenee, mitä kauemmaksi edetään uomista (Kuva 4).

 

Latvuspeitossa nähdään, että otollisin korkeus kasvulle on noin 400 metrin korkeudella (Kuva 5). Uomien pohjalla kasvua on vähiten, mutta yhtä vähän on myös 500 metrin korkeudessa kanjonin yläpuolella olevassa maastossa. Lehtipuut pärjäävät hieman paremmin eri korkeuksissa, kun havupuiden kasvu rajoittuu enemän 400 metrin korkeuteen. Latvuspeittoaineiston tuottamiseen Luke on käyttänyt arviointimenetelmää, jossa on käytetty vertauspohjana koealan metsien puita.  Latvuspeittävyys on siis arvioitu tilastollisesti keskiarvoja ja interpolointia käyttäen, eikä ole suora mittaustulos alueelta.

 

Tämän viikon harjoituksen aikana rasteriaineiston käsittely alkoi tuntua luontevammalta. Rastereissa painottuu etenkin metadataan tutustuminen, esimerkiksi rasterin kaistan arvot eivät ole itsestäänselviä. Tässäkin tehtävässä arvo oli 10kg/ha, mikä ei myöskään välttämättä kerro heti mitään, jos ei ymmärrä metsätieteitä.  Tällaisissa tilanteissa korostuukiin maantieteen poikkitieteellinen luonne.

 

 

 

 

 

 

 

 

 

Lähteet:

Holopainen, M., Tokola, T., Vastaranta, M., Heikkilä, J., Huitu, H., Laamanen, R. & Alho,
P. 2015. Geoinformatiikka luonnonvarojen hallinnassa. Helsingin yliopiston metsätieteiden
laitoksen julkaisuja 7: 1–152.

Retkipaikka.fi 2013. Kevon kanjoni kahdella tavalla. https://retkipaikka.fi/kevon-kanjoni-kahdella-tavalla-utsjoki/

 

Tähän blogiin kirjoitan myös ajoittain geoinformatiikan menetelmät 2 -kurssin viikkoraportteja. Ensimmäisen viikon käsittelin perinteisen raportin muodossa, mutta nyt toisen viikon harjoituksiin ajattelin hyödyntää tätä blogia.

Tämän viikon aikana käsittelimme DEM eli korkeusmalleja. Korkeusmalleja olen käyttänyt kerran aikaisemmin QGIS:ssä 3D-karttojen yhteydessä. Näistä opimme hyödyntämällä niitä hydrologisissa analyyseissa. Viikon kurssimateriaalissa onkin todettu, miten tärkeitä korkeusmallit ja GIS-menetelmät ovat hydrologisten mallien suunnittelussa. Kirjallisuudessa näitä hyödynnettiin pohjavesialueiden tunnistamisessa.

Valmistelevat työvaiheet

Harjoituksessa käsiteltiin Kevon kanjonia Utsjoella. Harjoituksen tavoitteena oli mallintaa valuma-alueet ja potentiaalinen jokiuimaverkosto. Lisäksi tavoitteena oli oppia metatietojen lukemista ja rasterityökalujen käyttämistä. Pohja-aineistona tehtävään oli valmis korkeusmalli, maastokartta ja ilmakuva tutkittavasta alueesta.

Metadatan avulla voidaan nähdä tiedostoista oleellisia tietoja, joiden tunteminen on tärkeää työskentelyn eri vaiheissa. Harjoituksen korkeusmalli on TM35-FIN koordinaattijärjestelmässä. Sen etäisyyksinä on käytetty metrejä. Spatiaalinen resoluutio on 2×2 metriä ja malli on 6 neliökilometrin kokoinen.

Tämän viikon harjoitus oli monivaiheinen, mutta silti melko suoraviivainen ja helppo. Korkeusmallista meidän täytyi luoda Slope (rinteen jyrkkyys) ja Aspect (rinteen suunta) tasot. Molemmille on ArcGIS:ssä omat työkalunsa samoilla nimillä.

Seuraavaksi mallista täytyy täyttää depressiot eli kuopat. Osa kuopista voi olla vain virhelähteitä, osa todellisia. Tätä varten meidän täytyy tunnistaa virtaussuunnat, joka on työkalulla Flow Direction. Työkalu tunnistaa käyttäen eight-direction (D8) menetelmää, jossa jokaisesta rasterin pikselistä vesi voi virrata yhteen arvoltaan pienimpään pikseliin (Esri 2023).  Kun vedenvirtauksen suunnat on tunnistettu, voidaan pikseleistä päätellä kuopat, eli kohdat missä vesi ei virtaa toiseen pikseliin. Tähän on myös oma työkalu nimeltä Sinks.

Kuva 1. Sinks -työkalun tunnistamia kuoppia Kevon kanjonin pohjalla

 

Kuoppia on tunnistettuna paljon. Kuoppia on tunnistettu etenkin pysyvän veden läheltä (Kuva 1), kuten kanjonin pohjalta ja pienet lammet on myös tunnistettu useiden kuoppien rykelmiksi. Yksinäisiä kuoppia on myös alueella useita, jotka voivat olla virheellisiä.

Kuopat tulee täyttää ennen kuin mallinnamme vedenkulkua. Tämä onnistuu työkalulla Fill. Tuotoksena on korkeusmalli, jota käytämme uudelleen Flow Direction -työkalussa.

Hydrologiset mallit

Kuva 2. Basins -työkalun avulla tunnistetun valuma-alueet

 

Korjatun virtaussuuntatason avulla voimme mallintaa valuma-alueet Basin -työkalulla. Kanjonin alueella on yksi suurin valuma-alue, ja kartan reunoilla on pienempiä valuma-alueita (Kuva 2). Pienimmät valuma-alueet ovat todennäköisesti virheellisiä ja muodostavat suurempia alueita, mutta suurin kanjonin kattava valuma-alue on realistinen.

Seuraavaksi analysoimme mahdolliset uomat käyttäen Flow Accumulation -työkalua. Työkalusta syntyvää tasosta luokitellaan vielä Reclassify –työkalulla näytettävän veden virtauksen alaraja. Mitä pienempi luku, sitä enemmän potentiaalisia uomia saadaan näkymään.

 

Kuva 3. Tunnistetut uomat Kevon kanjonista raja-arvolla 100 000

 

Kuva 4. Tunnistetut uomat Kevon kanjonista raja-arvolla 2000

 

 

Kuva 5. Vertailu raja-arvojen 2000 ja 100 000 välillä

 

Korkeusmallista menetelmällä löydetään raja-arvolla 100 000 ainakin suurimmat uomat, jotka olisi myös pääteltävissä ortokuvasta (Kuva 3). Tässä vaiheessa täytyy todeta, että tämä mallinnusmenetelmä yleistää todellisuutta paljon ja kaikkia virtaukseen vaikuttavia tekijöitä, kuten eroosiota, ei voi ottaa huomioon.

Muutamia lyhyempiä uomia on tunnistettu, joita ei ympäristöstä voisi nopeasti päätellä, tai joista ei ole ainakaan selkeää jälkeä. Etenkin ortokuvan varjoisista osista on vaikea päätellä omin silmin veden kulkureittiä. Merkkejä liikkuvasta vedestä näkyy myös tunnistettujen uomien ulkopuolelta, jotka näkyvät ortokuvassa harmaina juovina.

Menetelmässä käytetty raja-arvo siis merkitsee kuinka tarkaksi uomien tunnistaminen halutaan. Raja-arvolla 2000 saadaankin tunnistettua myös pienempiä uomia, joita nähdään myös ortokuvissa (Kuvat 4 & 5).  Osa polygoneista on liian suoria, oletettavasti todellisuudessa vesi ei kulkisi näin.  (Kuva 6).  Joissakin kohtaa tunnistettu uoma kulkee oman ortokuvan tulkintani mukaan hieman eri kohtaa todellisesta uomasta. Toisaalta ilmakuvasta on vaikea erottaa näissä kohtaa selkeästi maastonmuotoa.

 

Kokonaisuudessaan harjoituksessa olevat menetelmät oli selkeitä ja niiden toimintaperiaatteet ymmärrettäviä. Mutta en ehkä vielä ensimmäisen työkerran jälkeen osaisi tehdä tätä ulkomuistista. Tähän vaikuttaa vielä ArcGIS:in uutuus minulle. DEM:it ovat kuitenkin hyvin kiinnostavia aineistoja käyttää. Sisällöltään ne ovat yksinkertaisia, mutta niiden hyödyntämisen eri mahdollisuudet ovat vaikuttavia.

 

Lähteet:

Esri 2023. ArcGIS Pro – How Flow Direction works. 16.11.2023

https://pro.arcgis.com/en/pro-app/latest/tool-reference/spatial-analyst/how-flow-direction-works.htm

 

 

 

 

 

 

 

Tällä kurssikerralla käsittelimme pisteaineistoja. Aluksi ajattelin pisteaineistojen olevan helpompia käsitellä, kuin mitä olimme jo aikaisemmin tehneet, mutta tehtävien aikana tuntui tulevan kuitenkin enemmän ajatustyötä. Osittain tämä varmaan johtui siitä, että pisteaineistoissa ei käy täysin samat työkalut kuin polygoneissa.

Kurssipäivän aluksi kävimme ryhmittäin tekemässä omia havainnointeja kampuksen lähialueista. Nämä havainnot saatiin suoraan puhelinsovelluksesta pisteaineistoksi. Olin itse aikaisemmalla geoinformatiikan kurssilla tehnyt jo samantyyppisen tehtävän, missä teimme oman asuinalueen viihtyisyydestä pisteaineistoa. Silloinkin jotenkin alitajuisesti pyrin tekemään havaintoja mahdollisimman hajautetusti, mikä ei välttämättä ole aina hyvä asia. Aineisto sitten interp

oloitiin, jotta saatiin näkymään havainnot lämpökarttana. Lämpökartat ovat hyvä tapa visualisoida etenkin suurien havaintomäären jakautumista.

Itsenäiseksi tehtäväksi meille jäi maanjäristyksien ja tulivuorien visualisointi jossakin päin maailmaa. Valitsin tarkastelualueekseni Uuden-Seelannin, sillä olen aikaisemmin tehnyt siihen liittyen tehtäviä luonnonkatastrofeista. Pisteaineisto maanjäristyksistä on melko laajalta aikaskaalalta saatavilla, joten ensimmäiseen karttaan visualisoin vuodesta 1964 eteenpäin olevia yli 5 magnitudin järistyksiä. Lisäksi kartassa on tulivuorenpurkaukset samalta ajalta.

Kuva 1. Pistekartta Uuden-Seelannin yli 5 magnitudin maanjäristyksistä ja tulivuorenpurkauksista 1964-2022.

Toisessa kartassa halusin näyttää maanjäristykset vuodesta 1900 alkaen. Koska pisteitä tulisi karttaan hyvin paljon, on järkevää “sulauttaa” pisteet lämpökartaksi, joka selkeyttää suurien pistemäärien jakautumista. Etenkin kun aluetta tarkastellaan koko Uuden-Seelannin näyttävässä mittasuhteessa, olisi päällekkäisiä pisteitä hyvin paljon. Lämpökartan päälle pystyi pisteaineistona näyttämään vielä voimakkaat yli 6 magnitudin maanjäristykset.

Kuva 2.  Lämpökartta Uuden-Seelannin maajäristyksistä vuodesta 1900 alkaen. Yli 6 magnitudin järistykset pisteaineistona.

Tehtävä oli tehdä karttamateriaalia, jota voisi käyttää opetustilanteissa. Itse muistan yläkoulun maantiedon tunneilta hyvin, kun opimme Tyynenmeren tulirenkaasta. Uuden-Seelannin geologinen aktiivisuus johtuu tästä Tyynenmeren ja Australian mannerlaattojen törmäyksestä (Kuva 3.)

Kuva 3. Kartta Australian ja Tyynenmeren laatan törmäysvyöhykkeestä Uudessa-Seelannissa (Te Ara – The Encyclopedia of New Zealand 2017)

Kartoilla voi siis havainnollistaa mannerlaattojen törmäysvyöhykkeen vaikutusaluetta Uudessa-Seelannissa. Järistysten ja tulivuorten sijainnit seuraavat siirroksen linjaa hyvin.

Rebekka puhui blogissaan omasta kehittymisestään, että miten omat tuotokset ovat näyttäneet jo enemmän kuin maantieteen oppikirjoissa (Ylätalo 2023). Itsekkin olen kysynyt välillä tuotoksistani mielipiteitä “maallikolta” ja usein yllättynytkin positiivisesta palautteesta. Ehkä tässä taustalla on ollut oma ennakkoluulo, että kirjoissa esiintyneet kartat ovat jotenkin vaikeita tai aikaa vieviä tehdä. Näin jo kuudennen kurssikerran jälkeen alkoi työskentely sujumaan jo paremmin.

 

 

Lähteet:

Ylätalo, Rebekka. 2023. Viikko 6 Hasardit. https://blogs.helsinki.fi/rebekyla/2023/03/02/viikko-6-hasardit/

Te Ara – The Encyclopedia of New Zealand. 2017. Plate boundary through New Zealand. Viitattu 1.3.2023. https://teara.govt.nz/en/map/4398/plate-boundary-through-new-zealand

 

Kurssikerran ensimmäisessä tehtävässä tarkasteltiin aineiston avulla lentomelualueita kahdelta eri lentokentältä. Malmin lentokenttä ei ole enää lentokäytössä, ja sen tilalle on suunniteltu uusi asuinalue. Taulukossa 1 näkyy mahdollinen asutustiheys tälle alueelle, joka on yllättävän suuri. Helsingin seudulta voi katsoa tilastokeskuksen väestöruutukantaa, jossa 1x1km ruudut ovat noin Malmin tulevan asuinalueen kokoisia. Väestöruututietokannassa on vain muutamia ruutuja, joissa asutustiheys on Malmin asuinalueen tasoisia. Aika intohimoinen projekti siis.

Lisäksi tarkasteltiin melualueita. Paljon ihmisiä kuitenkin asuu merkittävien desibelien alla. Finavia tarvitseekin lentomeluun liittyen Helsinki-Vantaalla paikkatieto-osaajia, tänäkin vuonna hakivat tuohon yksikköön harjoittelijaa.

 

Taulukko 1. Lukuja Helsinki-Vantaan ja Malmin lentoasemien melualueista.

 

Tehtävä jatkui lentoasemista juna-asemiin. QGIS:in avulla tarkasteltiin buffer-toiminnon avulla, kuinka paljon ihmisiä asuu 500 metrin etäisyydellä asemasta (Taulukko 2).

Taulukko 2. Juna- ja metroasemien lukuja pääkaupunkiseudulla.

 

Toisen aineiston tehtävissä tarkasteltiin väestön lukuja, jotka on sidottu asuinrakennusten pisteaineistoon. QGIS hyvin usein hidastui, sillä dataa tässä aineistossa on paljon. Tämän aineiston tehtävät vaativat siis paljon rajaamista, jota tein pääsääntöisesti valitsemalla aineistosta tarvittavilla ehdoilla halutut kohteet ja tehden niistä oman tason. Näissä ehtojen valitsemisessa hyvä tyokalu QGISissä olikin Select features by using an expression, jonka avulla pystyi yksinkertaisilla laskutoimituksilla rajaamaan esimerkiksi prosenttiosuuksia halutuista tiedoista. Taulukossa 3 näkyy taajaama-alueiden määriä, joissa on tietty osuus ulkomaalaisia.

 

Taulukko 3. Väestölukuja pääkaupunkiseudun taajaamista

 

Viimeisistä tehtävistä valitsin uima-altaita käsittelevän aineiston, jossa tehtävänä oli tuottaa lukujen lisäksi myös kartta (Kartta 1, Taulukko 4). Kartan tuottaminen oli melko vaikeaa, sillä taajaama-alueita on hyvin paljon. Lukujen ja pylväsdiagrammien näyttäminen samassa kartassa hankalaa, sillä etenkin Helsingin keskustassa alueet ovat pieniä. Pylväät ja lukuarvot eivät näy automaattisesti visuaalisesti selkeimmässä kohdassa. Kartta vaatii myös pääkaupunkiseudun hyvää tuntemusta, itse en vielä muutamankaan vuoden asumisen jälkeenkään kartasta osaisi kaikkia kaupunginosia tunnistaa. Eniten uima-altaita löytyy kuitenkin Lauttasaaren kaupunginosasta.

Kartta 1. Uima-altaiden määrä pääkaupunkiseudulla

 

Taulukko 4. Lukuja pääkaupunkiseudun uima-altaista.

 

Tällä hetkellä tuntuu siltä, että työkaluja osaan käyttää, mutta aina ei muista tehtäväongelmissa muista kaikkien työkalujen olemassaoloa.  Voin siis joskus löytää johonkin ongelmaan ratkaisun “vaikean kautta” ja sitten myöhemmin muistaa jonkun QGIS-työkalun olemassaolon.

Tällä kurssikerralla käytetty puskurivyöhyke on hyvin monipuolinen työkalu monella alalla. Puskurivyöhykkeitä voidaan käyttää analyyseihin ja myös eri ilmiöiden visualisointiin. Itselleni tulee mieleen muun muassa maanjäristyksistä tehdyt vaikutusaluekartat, joissa puskurivyöhykkeillä näytetään etäisyyttä episentrumista.

Työkalujen nimet vaativat opettelua. Vaikka muistaisinkin jonkun hyvän työkalun, pitää silti se löytää toolboxista kaikkien muiden työkalujen joukosta. Ehkä jatkossa, kun oma työkalujen käyttötarve laajenee, pitää itselle tehdä jokin muistilappu näistä.

Miialla olikin blogissaan hyvä kuva näiden erilaisten rajaustyökalujen oppimiseen. Jotenkin nämä englannin kieliset tekniset termit eivät auta hahmottamaan, mitä tarkalleen ottaen tapahtuu. Usein olen tehnytkin niin, että kokeilen vaan, sillä peruuttaa voi aina jotenkin (Vuolle 2023).

 

 

Lähteet:

Vuolle, Miia. 2023. Kurssikerta 5. https://blogs.helsinki.fi/mevuolle/2023/02/14/kurssikerta-5/

 

Päivän alkuun käytiin läpi hieman pisteaineistoja ja ruudukoiden kanssa työskentelyä. Aineisto oli datan määrältään valtava ja omalla koneella kestikin pitkä tovi suorittaa tiettyä toimintoja. Ja aineistossa käsiteltiin vain pääkaupunkiseudun asukkaita. Voi siis kuvitella miten tärkeää on rajata käsiteltävää tietoa, kun paikkatieto-ohjelmistoilla tehdään vaikka koko Suomen väestöä koskevaa pisteaineistoa.

Kuva 1. Ruutuvektoreista muodostettu kartta tieliikenneonnettomuuksista pääkaupunkiseudulla 2021. (Tilastokeskus 2022)

 

Tehtäväksi jäi vielä toisen ilmiön kuvaaminen käyttäen ruudukoita. Koska meillä oli tehtävän aineistossa käytettävissä yksinkertainen vektoritaso pk-seudun tiestöstä, ajattelin käyttää sitä tieliikenneonnettomuuksien kuvaamiseen alueellisesti (Kuva 1). Tätä varten löysin Tilastokeskuksen tuottaman pisteaineiston tieliikenneonnettomuuksista vuonna 2021. Onnettomuuksia ei silmämääräisesti katsottuna ollut alueellisesti kovinkaan monta, joten päätin käyttää yhden neliökilometrin kokoisia ruudukoita. Väritykseksi ajattelin kokeilla 0 arvoille tumman sinistä, ja yli 1 arvon ylittäville ruuduille keltaiset värit, kuvaamaan ikään kuin lampun kirkkautta.

Kartassa olisi ollut hyvä tuoda esiin kaupunginosien nimiä. Mahdollisesti olisi hyvä myös näyttää kehätiet ja valtatiet erillisinä. Myöskin pienempiä teitä voisi myös näyttää.

Kartasta voidaan kuitenkin nähdä, että Helsingin keskustassa on ollut eniten tieliikenneonnettomuuksia. Olisin itse kanssa olettanut, että kehätiet, ainakin kehä 3, olisi näkynyt tilastoissa enemmän. Toisaalta kehätien tieliikenneonnettomuudet päätyvät helpommin otsikoihin, koska onnettomuudet korkeissa rajoituksissa ovat yleisin pahempia. Helsingin keskutassa sattuu taas paljon pienempiä törmäyksiä, mitkä eivät päädy uutisiin.

Tällainen ruututeemakartta on hyvä tapa yleistää pisteaineistoa. Jos olisin näyttänyt vain Tilastokeskuksen pisteaineiston, olisi siitäkin voinut tehdä toki samat johtopäätökset siitä missä onnettomuuksia on sattunut eniten. Mutta ruututeemakartta yhdistettynä tiestöön antaa mahdollisuuden löytää onnettomuus alttiit tiealueet.

Pääsimme tällä kertaa käsittelemään myös rasteriaineistoja. Minun mielestäni oli kiinnostavaa nähdä miten paljon tietoa “raa’assa” rasteriaineistossa voi olla. Käytimme siis rinnevarjostustoimintoa tehtävän rasteriaineistoon, , mutta ohjelman jälkeen paljastuukin todella paljon yksityiskohtaisempi näkymä alueen geomorfologiaan (Kuva 2).  Erot eivät blogissa näy niin suurena, kuin QGISissä. Työkaluja kyllä osaa QGISissä pyörittää, mutta välillä ei aina ymmärrä miten tai mitä oikeasti tapahtuu kun ohjelmassa painaa “Run”.

 

Anni mainitsi blogissaan tältä kurssikerralta, että hänellä on selitteiden kanssa kartan luonti vaiheessa ollut virheitä. Itsekkin olen huomannut tehtävissä joissa työvaiheita ja työkaluja on paljon, että tasojen nimeäminen ja turhien tasojen poistaminen on tärkeää. Karttaselitteen luomisessa jää muuten sitten paljon hommaa (Kåhre 2023).

 

 

Lähteet:

 

Kåhre, Anni. Viikko 4. https://blogs.helsinki.fi/kwanni/

Tilastokeskus. 2022. Tieliikenneonnettomuudet 2021. Luettu 16.2.2023 https://geo.stat.fi/geoserver/web/wicket/bookmarkable/org.geoserver.web.demo.MapPreviewPage?0&filter=false