University of Helsinki
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/