Month: December 2023

Posted on

Interpolointi (Viikko 6)

 

Tällä viikolla pääsimme käsittelemään interpolointia GIS:ssä. Interpoloinnin avulla voidaan arvioida olemassa olevien arvojen perusteella mittaamattomille alueille arvot.

 

Harjoituksessa tällä viikolla interpoloimme sääainestossa keskilämpötiloja käyttäen Spline, IDW, Trendipinta ja Thiessen -interpolointimenetelmiä. Tavoitteena on verrata näiden eri menetelmien lopputuloksia. Interpolointi ArcGIS:ssä onnistuu kaikissa näissä menetelmissä käyttäen valmiita työkaluja.

Thiessen -interpoloinnissa luodaan olemassa olevien pisteiden puoliväliin suoria viivoja, joista muodostuu alueet, jotka saavat arvokseen lähimmän pisteen arvon (Kuva 1).

Kuva 1. Thiessen -interpoloitu keskilämpötilakartta 2020.

 

Jokaisessa syntyneessä polygonissa on siis vain yksi piste. Eri interpolointimenetelmät voivat joko olla uskollisia alkuperäisen aineiston pisteille tai luoda arvoja alkuperäisen skaalan ulkopuolelle. Thiessenin menetelmässä polygonien arvot vastaavat aina olemassa olevien pisteiden arvoja, eli menetelmässä ei synny yli- tai aliarvioita. Koska menetelmässä käytetään vain olemassa olevia arvoja, on menetelmä myös lokaali. Eli yhden arvon muuttaminen vaikuttaa interpolointiin vain paikallisesti.

Tässä menetelmässä saadaan visuaalisesti selkeitä alueita, mutta menetelmässä etenkin kun tarkastellaan lämpötiloja, on ehkä liian selkeät rajat arvojen välillä. Menetelmä onkin parhaimmillaan, kun tarkastellaan koko Suomea kokonaisuudessaan. Mitä pienempää aluetta katsotaan, on menetelmän yleistys liian voimakasta.

 

 

Kuva 2. IDW-interpoloitu keskilämpötilakartta.

 

Kuva 3. ArcGIS:in Cross validation IDW-interpoloinnista.

 

IDW eli Inverse Distance Weighted interpolointi perustuu ajatukseen, että lähellä olevat asiat ovat enemmän samankaltaisia, kuin etäällä olevat. Menetelmässä voidaan siis määritellä itse, kuinka paljon läheisyydelle annetaan painoarvoa. Menetelmä on lokaali ja se voi tuottaa arvoja alkuperäisen vaihteluvälin ulkopuolelta. Alkuperäisiä arvoja menetelmä ei muuta.

ArcGIS:ssä IDW interpolointia on mahdollista säätää hyödyntäen Cross validation laadunvarmistusta (Kuva 3). Mitä lähempänä kuvaajassa asetusten tuottama regressiolinja on refrenssilinjaa, sitä todenmukaisempi on interpoloinnin tulos. Harjoituksen tuotoksena tulos on verrattuna Thiessenin menetelmään yksityiskohtaisempi (Kuva 2).

Kuva 4. Trendipintainterpolointi funktioiden 1-3 asteissa.

Trendipintainterpolointi antaa polynomifunktioon perustuen trendiarvot olemassa olevista arvoista. Menetelmä voi tuottaa arvoja alkuperäisen vaihteluvälin ulkopuolelta ja se muuttaa myös alkuperäisten pisteiden sijaintien arvoja.

Harjoituksessa käytettiin funktion asteita 1-3 (Kuva 4). Menetelmässä saadaan hyvin yleistetty kartta keskilämpötilojen jakautumisesta. Kaikissa funktioiden asteissa nähdään, kuinka lämpötilat laskevat kun edetään kauemmaksi merestä ja pohjoisempaan. Jos funktion asteiden muuttuessa interpoloinnista tulee monimutkaisempi ja epäluotettavampi, tässä harjoituksessa 1. asteen funktio tuottaa jo tuloksen, mistä keskilämpötilan muuttuminen alueellisesti on nähtävissä. Suomen sääkartoissa näkeekin usein samanlaisen trendin, lämpötilat laskevat sisämaahan ja pohjoisemmaksi mentäessä.

 

 

 

Kuva 5. Spline -interpoloidut keskilämpötilakartat.

 

Viimeisin harjoituksen interpolointimenetelmä oli Spline -interpolointi (Kuva 5). Tässä menetelmässä teimme jokaiselle kuukaudelle omat kartat. Työvaiheissa hyödynnettiin Model Builderia. Spline interpolointi luo samanarvonkäyriä, käyttäen alkuperäisiä pisteitä muuttamatta niiden arvoja. Käyrät kulkevat aina havaintopisteiden kautta.

Harjoituksessa tuotetuissa kartoissa nähdään Kuusamon seudulla eräänlainen kuumapiste. Tämä voi olla virhe interpoloinnissa, sillä alue on suhteellisen pieni ja se on aineiston raja-alueella, mikä lisää yli- ja aliarvioinnin todennäköisyyttä. Alueella on alkuperäisessä aineistossa kaksi mittausasemaa hyvin lähekkäin, mutta niiden arvoissa ei ole suuria eroja. Jokaisessa kuussa tätä merkittävää eroa ei myöskään ole, kuten huhtikuun ja kesäkuun kartoissa.

Eri sää ilmiöitä katseltaessa Spline ja IDW menetelmät tuottavat karttoja, joista voi osoittaa myös paikallisempia vaihteluita. Niiden todenmukaisuus ei välttämättä ole aina hyvä. Thiessen ja trendipinta molemmat antavat paremman kokonaisuutta kuvaavan kartan keskilämpötilojen vaihtelusta. Toisaalta IDW -interpoloinnissa voidaan nähdä myös trendipintakartan kaltainen trendi, joten käyttäisin ehkä tätä interpolointimenetelmää keskilämpötilojen vaihteluiden esittämiseen.

Posted on

Viikko 5: Näkyvyysanalyysit

 

 

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

Posted on

Rasterianalyysit osa 2 (Viikko 4)

 

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.