Month: November 2020

Tällä viikolla tutustuimme erilaisiin korkeusmalleille tehtäviin analyyseihin ja muunnoksiin. Luennolla kertasimme muun muassa mitä korkeusmallit ovat (DEM, DTM ja DSM) ja miten niitä tuotetaan. Lisäksi tutustuimme korkeusmallien tietorakenteisiin ja puhuimme hieman interpoloinnista, jota voi luontaisesti soveltaa myös korkeusmalleihin. Täysin uusia käsitteitä tällä viikolla oli korkeusprofiilin konveksisuus ja konkaavisuus, joita käytetään kuvaamaan pinnan viettoa. Konveksi profiili on kupera ja konkaavi profiili on kovera. Tähän kaikkeen liittyen työpajoissa tehtiin kaksi eri tehtävää. Tehtävät tuntuivat suhteellisen helpoille ja niitä oli ihan mukava tehdä.

Ensimmäisessä tehtävässä (Terrain Analysis Using ArcGIS Pro) harjoiteltiin pääasiassa slope, hillshade ja aspect -tasojen tekoa. Slope kuvaa rinteen jyrkkyyttä eli korkeuspinnan vieton suuntaa. Se lasketaan joko asteina tai prosentteina ja saa informaatiota ympäröivien solujen korkeustiedoista. Aspect kuvaa puolestaan rinteen suuntaa/sijoittumista. Aspect on hyödyllinen, kun tutkitaan ilmakehän ilmiöiden vaikutusta alueeseen (esimerkiksi miten aurinko tai tuulet vaikuttavat). Aspect on myös kytköksissä ympäröiviin soluihin. Tämän takia rajatun alueen reunojen solut voivat antaa vääristynyttä tietoa, sillä niillä on ympärillä vähemmän soluja, joista ottaa informaatiota. Rinteiden viettoa ja suuntaa voidaan myös määrittää hillshade -työkalun avulla, jolla tehdään alueesta varjostuskuva. Tästä lisää myöhemmin 🙂

Eli tehtävänantona oli etsiä potentiaalisia alueita viinitarhalle San Diegossa. Kriteereitä oli kolme: “elevation above 200 meters”, “slope between 1.5 percent and 15 percent” ja “some southern exposure”. Tällä kertaa aloitin tehtävän kiinnittämällä huomiota metadataan, koska tuntuu että en ole aikaisemmilla viikoilla tätä oikein tutkinut. Esri Academyn tehtävät sisältävät suoraan kaikki tarvittavat datasetit, ja välistä jää siis tarkempi aineistoon tutustuminen. Tehtävien suorittaminen voi tämän takia äkkiä muuttua vain aivottomaksi klikkailemiseksi (niinkuin tämän viikon toisessa tehtävässä tuntui käyvän). Käytimme tehtävässä datana NED:n (National Elevation Dataset) korkeusmallia, jotka jakaa ja tuottaa USGS (United States Geological Survey). Ennen tehtävän tekemistä tutustuttiin myös datassa käytettyihin yksiköihin ja koordinaatistoon, jotta näiden kanssa ei syntyisi kiusallisia virheitä. 

Tehtävä suoritettiin binäärisenä analyysinä raster calculator -työkalulla. Yhdistimme kaikki aikaisemmin luetellut ehdot ja saimme jotakuinkin tällaisen funktion: (“sd_elevation” > 200) & (“sd_slope” >= 1.5) & (“sd_slope” <= 15) & (“sd_aspect” >= 112.5) & (“sd_aspect” <= 247.5). Tässä kohtaa ArcGIS kaatui ensimmäistä kertaa koko kurssin aikana. Onneksi tiedostosta löytyi tuore backup ja pääsin jatkamaan siitä mihin jäinkin. Funktio teki tehtävänsä, jonka jälkeen meillä oli kartalla kaikki potentiaaliset alueet, jotka täyttävät viinitarhan rakentamisen ehdot. Lopputuloksen visualisoin tehtävänannon mukaan. Tuntuu että tehtävät rakastavat väriä “mars red”, joka nyt myös tälläkin kartalla (kuva 1) loistaa läsnäolollaan. Käytin tällä kertaa enemmän aikaa ArcGIS:n toimintojen tutkimiseen ja sain jopa luotua tuloksista jonkun näköisen kartan pohjoisnuolineen ja mittakaavoineen. Legendan tekeminen tuotti vielä paljon vaikeuksia, mutta olen nyt hieman viisaampi tämän suhteen ja pienellä harjoittelulla saan varmasti kasaan varteenotettavan kartan. 

Kuva 1. Potentiaaliset alueet viinitarhalle. (Lähde: Esri Academy – Terrain Analysis Using ArcGIS Pro)

Seuraavaksi teimme hieman lisävisualisointia, jota varten käytimme resoluutiolta pienempää dataa. Loimme sen avulla hillshade-tason, korkeuskäyrät ja teimme tietynlaisen näkyvyysanalyysin (viewshed). Näille kaikille löytyi oikeastaan suorat komennot tai työkalut ArcGIS:stä. Hillshade -työkalulla voidaan luoda realistisen näköinen mallinnus alueen pinnanmuodoista (kuva 3). Saatu tulos ilmentää miltä pinta näyttäisi, jos se valastaisiin jollain valonlähteellä. Valonlähteen suunta eli atsimuutti ja valon lähteen korkeus eli altitudi vaikuttaa tulokseen suuresti. Yleensä atsimuuttia kuvataan 351 asteesta, eli valonlähde on luoteessa. Tämän on todettu olevan kaikille helpoin tapa lukea hillshade dataa, vaikka oikeasti valonlähde (auringonvalo) paistaa vain harvoihin paikkoihin tästä suunnasta. Luennolla kannustettiin kokeilemaan hillshaden -tason luomista toisella atsimuutilla ja näinpä siis tein. 🙂 Loin tason, jonka atsimuutti on 135 eli valonlähde tulee kaakosta (kuva 2). 

Kuva 2. Vasemmalla atsimuutti on 315 astetta, oikealla se on 135 astetta. Tulkitsisin itse kuvia aivan erilailla. Kun atsimuutti on 135 astetta, maanpinnan painaumat näyttävät ainakin omiin silmiin kohoumilta. Tässä tilanteessa alakulman vesistöalue näyttää tasangolta tai jopa sandurilta. 

Kuva 3. Hillshade -taso, jonka päällä alkuperäinen korkeusmalli, jonka läpinäkyvyyttä ja visualisointia (värejä) on muokattu. 

Lisäsimme seuraavaksi tuotokseen korkeuskäyrät (kuva 4) niille suunnitellulla työkalulla ja teimme eräänlaisen näkyvyysanalyysin. Näkyvyysanalyysin (viewshed) avulla saadaan määritettyä solut, jotka voidaan nähdä tietystä tarkastelupisteestä. Tässä tilanteessa haluttiin määritellä solut, joista on hyvä näkyvyys Murray-tekojärvelle. Analyysin tuloksena saatiin hieman epämääräisen näköinen visualisointi tästä kaikesta (kuva 5). Tajusin tässä vaiheessa, että olisin voinut visualisoida lopputuloksen haluamallani tavalla, eikä tehtäviä olisi tarvinnut noudattaa niin tarkasti. Yritin tehdä myös lopputuloksesta jonkinnäköistä karttaa, mutta legendan luominen osoittautui taas sen verran hankalaksi että jouduin luovuttamaan. Analysoimme lopuksi tuloksia myös 3D-kartan avulla, joka sattuukin olemaan tämän blogipostauksen epävirallinen kansikuva. 

Kuva 4. Korkeuskäyrät

Kuva 5. Kuvassa punaisella potentiaaliset viinitarha-alueet, sinisellä Murray-tekojärvi ja keltaisella näkyvyysanalyysin tuloksena saadut alueet. Kartalla oranssit alueet täyttävät kaikki viinitarhan rakentamiseen annetut ehdot sekä tarjoavat hyvän näköalan tekojärvelle. 

Tämän jälkeen oli aika viikon toiselle tehtävälle (Predict Floods with Unit Hydrographs), jossa pääsimme tekemään hydrologista mallinnusta. Tehtävässä tehtiin eräänlaista tulvakartoitusta Vermontissa sijaitsevalle Stowen kaupungille. Tehtävän toteutus oli kummallinen ja erosi muiden tehtävien formaatista. ArcGIS toimi suoraan tietynlaisena portaalina tehtävän tekemiselle ja eri työvaiheet sekä työkalut ponnahtivat valmiina esiin ArcGIS:ssä omalle näytölle. Tämän takia tehtävän tekeminen tuntui hieman epäluonnolliselle. Tuntui ettei oikein mitään jäänyt mieleen, kun vain seurasi työvaiheita sokeana eikä päässyt ajattelemaan omilla aivoilla. 

Tehtävä alkoi “sink” -alueiden eli kuoppien paikantamisella ja poistamisella. Kuoppia esiintyy joissain DEM-malleissa ja ne ovat nimensä mukaisesti alueita, joiden elevaatio on alhainen niitä ympäröiviin soluihin verrattuna. Tällaiset kuopat ovat problemaattisia hydrologisessa mallinnuksessa, sillä vesi ei pääse valumaan kuopasta pois, ja tämä voi aiheuttaa tuloksissa erilaisia virheitä. Kun saimme kuopat poistettua, saimme uuden (kuopattoman) DEM-mallin, jota käytimme työskentelyn pohjana. Tästä lähti käyntiin monivaiheinen työsarja, jota ei enää edes meinaa muistaa. Määrittelimme seuraavaksi veden virtauksen suuntaa alueella (jotta saisimme selville valuma-alueen) ja tuloksena oli kiva värikäs kartta (kuva 6). 

Kuva 6. Veden virtausta kuvaava rasteritaso. (Flow direction) (Lähde: Esri Academy – Predict Floods with Unit Hydrographs)

Valuma-aluetta varten on myös tiedettävä laskujoen sijainti. Tämän määritettiin kumulatiivisten virtaamien ja useiden eri työkalujen avulla. Kun tämä oli tiedossa, saatiin muodostettua valuma-alue (kuva 7), joka kuvaa kaikkea sitä vesimäärää mikä kulkee alueelta laskujokeen. Valuma-alue on melkein koko Stowen kaupungin rajojen kokoinen ja jo nyt voidaan spekuloida suurten sademäärien tuottavan tulvia alueella. Seuraavana tehtävänä on laskea kuinka nopeasti vesi virtaa laskujokeen vertikaalisen nousun avulla. Tätä varten loimme alueelle tutun ja turvallisen slope-tason (kuva 8). Veden virtauksen nopeus saatiin nyt määritettyä slope-tasolla ja kumulatiivisella virtaamalla (kuva 9). 

Kuva 7. Stowen valuma-alue tumman lilalla, kaupungin rajat oranssilla ja laskujoki näkyy kuvassa valkoisena. 

Kuva 8. Slope-taso. Tummat alueet kartalla ovat jyrkempiä. 

Kuva 9. Veden virtauksen nopeus. (Tummemmat värit edustavat hitaampaa virtausta ja vaaleammat nopeampaa virtausta). Tästä kuvasta ei tule ilmi, mutta virtaus on nopeinta joissa, jotka kulkevat Stowen kaupungin läpi. 

Näiden työvaiheiden jälkeen rupesimme luomaan isopleettikarttaa, joka kuvaa kuinka kauan vedellä kestää virrata tietyille alueille. Veden virtausaika saadaan selville jakamalla virtauksen pituus sen nopeudella. Käytimme tässä “flow length” -työkalua. Lopputuloksena oli taso, jonka rastereissa on tieto siitä, kuinka kauan vedellä kestää virrata rasterista laskujokeen. Arvot vaihtelivat välillä 0 – 47 000 eli vedellä kestää virrata paikoittain 0 sekunnista noin 13 tuntiin. Lopuksi käytimme “reclassify” -työkalua, jonka avulla saimme lopputuloksesta kasattua isopleettikartan (kuva 10). Ihan viimeisenä kasasimme kokoon taulukon tästä kaikesta (taulukko 1), jonka luomisprosessista en nyt enempää aijo selittää. Olisi joku kerta kiva sukeltaa vielä bonustehtävien pariin, mutta tuntuu että jo näiden tehtävien tekemisessä menee useita tunteja. Ehkä tekeminen nopeutuu kun ArcGIS tulee tutummaksi. 

Kuva 10. Tadaa! Valmis isopleettikartta virtausajoista (joka näyttää vähän hiili-möhkäleeltä) Tummemmat alueet edustavat lyhyempiä virtausaikoja ja vaaleammat alueet pidempiä. 

Taulukko 1. Y-akselin tunniste jäi kuvasta jostain syystä pois. Y-akseli kuvaa siis: “Discharge at outlet per unit of excess rainfall (square meters per second)”.

 

Lähteet

Holopainen et al. (2015). Geoinformatiikka luonnonvarojen hallinnassa. Helsingin yliopiston metsätieteiden laitoksen julkaisuja 7. 

 

Tehtävälähteet

Terrain Analysis Using ArcGIS Pro https://www.esri.com/training/catalog/57630436851d31e02a43f18f/terrain-analysis-using-arcgis-pro/

 Predict Floods with Unit Hydrographs https://www.esri.com/training/catalog/598a43865bed191d3a9bc732/predict-floods-with-unit-hydrographs/

 

Kuva 1.  Maistiainen tämän viikon tehtävistä. Taustalla vihreällä valkopäämerikotkalle suotuisat asuinalueet.

Kolmas viikko jatkui edellisen viikon soveltuvuusanalyyseistä. Tuolloin valmisteltu data voidaan nyt vihdoin koota yhteen ja määrittää San Bernardinon luonnonpuistossa alueet, joilla Yhdysvaltain kansallislintua tullaan todennäköisimmin tapaamaan (kuva 1). Luennolla puolestaan tutustuimme mm. metatietoon, muuttujiin sekä niiden ominaisuustaulukoihin ja koordinaatistoihin paikkatietojärjestelmissä. Lisäksi kävimme läpi rasteriaineistojen käsittelyssä olennaisia työkaluja, joista useampaa käytimme myös tämän viikon tehtävissä. Tällä viikolla ongelmaa tuntui tuottavan erityisesti valtava uuden tiedon määrä, sekä Esri Academyn käsitteiden ja konseptien järkevä kääntäminen suomen kielelle. Tiedon määrän takia tuntuu myös, että raportista tuli vähän turhan pitkä. Valkoisen paperin kammo ei auttanut asiaa, kun oma käsitys oleellisesta ja epäolennaisesta hämärtyi sen vaikutuksesta.

Criteria	Dataset
Far from developed areas	Land cover raster
Not too densely or sparsely covered by forest (ranging from 20 percent to 60 percent)	Tree canopy raster
Close to lakes (fewer than 2 miles)	Major lake polygons
Located on northeast-facing aspects	DEM raster (digitaalinen korkeusmalli)

Taulukko 1. Valkopäämerikotkan esiintymisen kannalta optimaalisten alueiden kriteerit ja niiden käsittelyyn tarvittavat aineistot. Lähde: (Esri Academy – Creating a Simple Suitability Model)

Pääsimme siis ensimmäisessä tehtävässä takaisin binäärisen soveltuvuusanalyysin pariin. Analyysin avulla määritämme valkopäämerikotkalle suotuisia asuinpaikkoja tiettyjen kriteerien perusteella (taulukko 1). Tehtävänannossa kerratiin ja syvennyttiin binäärisiin (binary) ja painotettuihin (weighted) soveltuvuusanalyyseihin. Kuten viime viikolla todettiin, binäärisessä analyysissä uudelleen luokitellaan solujen arvot binäärilukujen 0 ja 1 avulla. Tällöin luku 1 saa arvon “meets the criteria” ja luku 0 saa arvon “doesn’t meet the criteria”. Painotetun (weighted) soveltuvuusanalyysin avulla puolestaan annetaan eri painoarvot prosentteina eri rasterikartoille sen perusteella millainen lopputulos halutaan. Eli mitä korkeampi arvo, sen enemmän painoarvoa tasolla on. Tätä harjoittelimme myös viikon viimeisessä tehtävässä. Alapuolella havainnollistava kuva kyseisestä weighted overlay -prosessista.

Kuva 2. Weighted overlay -prosessia havainnollistava kuva. (Lähde: Luentodiat)

Tehtävänannossa painotettiin binäärisen analyysin kätevyyttä, kun halutaan määrittää soluja, jotka täyttävät kokonaan halutut vaatimukset. Binäärisiä rastereita voidaankin käyttää ns. “maskina” tai “maskirastereina”. Näiden avulla pystytään peittämään analyysin kannalta ei-halutut tai soveltumattomat alueet. Valkopäämerikotka esimerkissä maskina voitaidaan käyttää järviä mallintavaa rasteritasoa, ja peittää järvi-alueet antamalla niille arvo 0. Järvien pinta-alueita ei tarvita tarkastelussa, sillä nämä alueet eivät sovellu valkopäämerikotkan asuinalueiksi ja siksi ne on hyvä peittää. Vaikka binääriset soveltuvuusanalyysit ovat käteviä ja helppoja, niitä ei voi käyttää jos halutaan mallintaa jatkuvaa skaalaa. Tällöin on hyvä käyttää esimerkiksi “weighted” tai “fuzzy” -malleja.

Tehtävässä olennaisinta oli viime viikolla valmistellun datan yhdistäminen. Tasot yhdistettiin “suitability surface” -tasoksi, joka mallintaa kaikkia kriteerejä samanaikaisesti, ja jonka avulla voidaan nyt määritellä valkopäämerikotkalle optimaaliset asuinalueet. Data koottiin yhteen “raster calculator“ -työkalun avulla. Yhdistämisessä käytetään kertolaskua, sillä mikä vain luku kertaa 0 on 0. Näin saadaan kaikki halutut kriteerit esiintymään samanaikaisesti. Tasojen yhdistäminen tapahtui lähinnä modelbuilderissä eli muokkasimme työvaiheketjua (kuva 3) lisäilen sinne työvaiheita. Kun suoritimme ketjuun lisätyt työvaiheet “run” -komennolla, saimme vihdoin tason, joka mallintaa parhaimpia alueita. En pitänyt siitä, millaiseksi tehtävä käski karttaa tekemään, joten päätin visualisoida sopivat alueeet tummanvihreällä (kuva 4). 

Kuva 3. Ensimmäisen tehtävän työvaiheketju. Lähde: (Esri Academy – Creating a Simple Suitability Model)

Kuva 4. Binäärisellä soveltuvuusanalyysillä määritellyt kohteet. Tummanvihreät alueet ovat valkopäämerikotkan esiintymisen kannalta optimaalisia alueita San Bernardinon luonnonpuistossa.

Tutustuimme samassa tehtävässä käsitteisiin “sensitivity analysis” ja “error analysis”, jotka ovat relevantteja myös viimeisen tehtävän yhteydessä. Herkkyysanalyysillä määritetään kuinka suuri – tai millainen vaikutus – lopulliseen dataan on, jos muutetaan jotain mallin parametreistä. Parametriä muutetaan työvaiheketjussa, jonka jälkeen ketju suoritetaan uudestaan “run” -komennolla. Vaikutuksen arviointi tapahtuu visuaalisesti saaduista tuloksista. Jos tulos eroaa paljon alkuperäisestä, on se korkeasti sensitiivinen kyseiselle parametrille. Suoritimme herkkyysanalyysin tehtävässä modifioimalla CanopyTrans -layeria. Muutimme erästä luokkaa latvustonpeitettä kuvaavassa tasossa kymmenellä yksiköllä.

Virheanalyysissä tutkitaan miten alkuperäisten datasettien (esimerkiksi niiden arvojen) virheet vaikuttavat lopputulokseen. Kun virhe on “istutettu” modelbuilderin avulla, suoritetaan taas komennot ja analysoidaan lopputulosta visuaalisesti. Jos lopputulos on suuresti muuttunut, on hyvä vaihtaa datasettiä tai miettiä uudelleen miten alkuperäistä tulosta on tulkittava. Suoritimme virheanalyysin niin, että poistimme “elevation” -tason ja korvasimme sen “DEM_error” -tasolla, joka on harjoitusta varta vasten laadittu eri arvoja sisältävä taso. DEM:iä eli korkeusmallia voi muuttaa esimerkiksi +/- 1 metrin. Tällä muutoksella ei ollut suuresti vaikutusta verrattuna alkuperäiseen tulokseen.

Toisessa tehtävässä pääsimme käyttämään painotettua (weighted) soveltuvuusanalyysiä.  Tutkimme aivan samaa ilmiötä kuin aikaisemmin eli valkopäämerikotkalle optimaalisia asuinalueita metsästetään vieläkin. Latasimme datan Esri Academysta, joka sisälsi jo puolilleen valmiin työvaiheketjun. Käytimme “reclassify” -työkalua melkeinpä kaikkiin datan rasteritasoihin, jotta saisimme ne muokattua kriteerien mukaisiksi (taulukko 1). Esimerkiksi annoimme työkalun avulla skaalalla 1-10  niille soluille suurimmat arvot, joiden latvustopeite on lähellä 45%. Tämän avulla kriteeri “Not too densely or sparsely covered by forest” täyttyy. Kun tasoja oltiin muokattu kriteerien mukaisiksi, suoritimme työvaiheketjun ja pääsimme tutkimaan saatuja tuloksia (kuva 5).

Kuva 5. Kriteerien perusteella muokattu “aspect” -taso, joka kuvaa rinteen suuntaa.

Tästä jatkoimme sitten seuraavassa tehtävässä kuten binäärisen soveltuvuusanalyysin kanssa eli yhdistimme äskettäin “reclassify” -työkalulla muokatut tasot. Tasot yhdistettiin painotetun soveltuvuusanalyysin mukaisesti antamalla niille eri prosentteihin pohjautuvia arvoja. Analyysiä tehdessä pitää muistaa, että arvojen yhteenlaskettu osuus ei tule ylittää 100%. Kun eri tasot oltiin yhdistetty modelbuilderin avulla, saatiin yhteinen rasteritaso “suitability surface”. Skaalasimme rasteritason arvot käyttäen “percent clip” -skaalausta, joka poimii prosenttuaalisesti suurimmat ja pienimmät arvot, ja tekee niiden välissä oleville arvoille lineaarisen skaalauksen. Lopputulos oli ainakin subjektiivisesti sanottuna miellyttävän näköinen (kuva 6). 

Kuva 6. Painotetulla (weighted) soveltuvuusanalyysillä määritellyt kohteet. Tummanvihreät alueet ovat valkopäämerikotkan esiintymisen kannalta optimaalisia alueita San Bernardinon luonnonpuistossa. Lähde: (Esri Academy – Creating a Weighted Suitability Model)

Tämän jälkeen suoritimme herkkyys- ja virheanalyysin tulokselle. Teimme tämän kutakuinkin samalla taktiikalla kuin binäärisen soveltuvuusanalyysin kanssa. Toki prosessit erosivat toisistaan hieman, sillä painotettu soveltuvuusanalyysi skaalautuu jatkuvasti, kun taas binäärinen analyysi ei. Tässä tilanteessa herkkyysanalyysi voidaan toteuttaa muuttamalla joko yksittäistä parametriä, tai sitten jonkun tason painotuksen arvoa. Kahta tasoa muutetaan niin, että tasojen yhteenlaskettu prosenttiosuus on silti 100%. Muutimme “Developed areas” -tason arvoa luvusta 0.3 lukuun 0.2. Koska käytimme “weighted sum” -työkalua, ei kaikkien yhteenlaskettujen prosenttiosuuksien tarvinnut olla 100%. Virheanalyysin teimme samallalailla kuin binäärisessä soveltuvuusanalyysissä eli muuttamalla DEM-rasteria DEM_error -rasteriksi. Kummassakaan tapauksessa lopputulos ei juuuri muuttunut. Solujen välisten arvojen magnitudi muutui hieman ja tämä ilmeni esimerkiksi alueiden värien tummumisena.  Vaikutuksesta värierot kasvoivat, ja omasta mielestäni kartta näyttää nyt hieman dramaattisemmalta. Tarkkasilmäiset huomaavat tämän eron kuvissa 7 ja 8. Voidaan siis sanoa, että mallin herkkyys muutoksille (ainakin näiden muuttujien suhteen) on matala.

Kuva 7 ja 8. Yläpuolella on alkuperäinen “suitability surface” ja alapuolella on herkkyysanalyysin tuloksena saatu “sensitivity surface”. 

 

Lähteet

Holopainen et al. (2015). Geoinformatiikka luonnonvarojen hallinnassa. Helsingin yliopiston metsätieteiden laitoksen julkaisuja 7. 

MAA-221 Geoinformatiikan menetelmät 2 (syksy 2020) luentodiat, Opettaja Petteri Muukkonen

 

 Tehtävälähteet ja data

1.https://www.esri.com/training/catalog/5cad02009b1f4010cad9abdc/creating-a-simple-suitability-model/

2.https://www.esri.com/training/catalog/5cbf7e046b7be962098492f4/transforming-data-for-a-weighted-suitability-model/

3.https://www.esri.com/training/catalog/5cbf7e336b7be96209849309/creating-a-weighted-suitability-model/

Kuva 1. Kolmannen tuntitehtävän mukaan ArcGIS Pro:lla luotu rasterimuotoinen kartta (Lähde: Esri Academy – Preparing Data for a Suitability Model)

Kun ensimmäinen viikko painottui laajalti vektorimuotoisiin aineistoihin ja niiden kanssa työskentelemiseen, niin toinen viikko painottui luontaisesti rasteriaineistojen muokkauksiin sekä analyyseihin. Koen rasterianalyysien olevan hieman hankalampia kuin vektorianalyysien. Rasteriaineistot koostuvat useista ominaisuustietoa sisältävistä pikseleistä, jotka määräävät koollaan aineiston resoluution. Vektoriaineistoissa kohteet kuvataan pikseleiden sijaan pisteinä, viivoina tai polygoneina ja ne pitävät sisällään enemmän ominaisuustietoa, joka tekee niistä omasta mielestäni suoraviivaisempia analysoinnin kohteita.

Rasterimuotoisten aineistojen analyysit koostuvat jopa hyvin kompleksisista työvaiheista, jotka seuraavat tarkasti toisiaan ja muodostavat ns. työvaiheiden ketjuja (function chain). Kävimme luennolla läpi juurikin kuinka työvaiheita (ja työvaiheiden ketuja) voidaan tallettaa ArcGIS Pro:ssa eräänlaisiksi pohjamalleiksi (template). Ne auttavat ensinnäkin työvaiheiden seuraamisessa, mutta myös nopeuttavat työskentelyä paljon. Kävimme luennolla lisäksi läpi rasteriaineistojen visualisointia, värivalintojen tärkeyttä, sekä eri rasteriaineistojen esitysmalleja. Rasteriaineistoja laatiessa on turvallista luottaa ns. “intuitiivisiin väreihin” ja käyttää universaalisesti tunnettuja värejä symboloimaan eri kohteita. Lisäksi voidaan miettiä esitetäänkö tiettyä ilmiötä esimerkiksi luokittelemalla vai gradientilla. Tälle viikolle on siis luultavasti tiedossa kivoja ja esteettisesti miellyttäviä karttoja, jos viikkotehtävien tekeminen ei tuota suurempia ongelmia.

Ensimmäinen Esri Academy:n tehtävä (Processing Raster Data Using ArcGIS Pro) perehdytti rasteridatan käsittelyyn ja rasterityökalujen käyttöön. Kävimme tehtävässä pääasiassa läpi juurikin työvaiheiden ketjun muodostamista (kuva 1), sekä ketjun käyttämistä pohjamallina. ArcGIS:ssä on iso liuta erilaisia algoritmeja, joiden avulla voidaan tuottaa, käsitellä ja visualisoida rasteridataa. Pää meni välillä näistä kaikista toiminnoista pyörälle, ja vaatii kyllä hetken että ne siirtyvät säilömuistiin. Tehtävässä käsiteltiin kahta eri vuosina (2013 & 2015) otettua satelliittikuvaa samalta alueelta. Tarkoituksena oli tutkia vuosien välistä normalisoitua kasvillisuusindeksiä (NDVI, Normalized Difference Vegetation Index) ja sen avulla kasvillisuuden muutosta.

Kuva 1. Ensimmäisen viikkotehtävän työvaiheiden ketju eli “function chain” (Lähde: Esri Academy – Processing Raster Data Using ArcGIS Pro)

Loimme ensin NDVI-tasot satelliittikuvista, jonka jälkeen vähensimme ne toisistaan. Tuloksena saatu tasojen erotus kuvaa muutosta vuosien välillä. Tämän jälkeen annoimme datalle uusia arvoja “remap” -työkalun avulla: arvo 1 kuvaa “muutosta” ja arvo 0 kuvaa “ei muutosta”. Loimme tämän perusteella tasolle atribuuttitaulukon. Ilmiön visualisointi tapahtui punaviher-gradientilla, joka lopuksi sai vain “punaisena” esiintyviä arvoja. Eli punainen väri kartalla (kuva 2) kuvaa vuosien 2013 & 2015 välistä muutosta kasvillisuuden suhteen. Toivon todella, että tein tehtävän oikein. Hämmennystä aiheutti, kun tehtävän annossa puhuttiin “keltaisista alueista”, jotka mallintavat kasvillisuuden muutosta.  Eikö tämä ole juuri toisinpäin? Punaisella/vihreällä merkityt alueet kuvaavat muutosta ja keltaisella värillä kuvataan aluetta, joka ei ole muuttunu. Toisaalta saamassani lopputuloksessa ei ole muuta väriä kuin punainen, joten saattaa hyvinkin olla että taas on jotain mennyt harmillisesti pieleen.

Kuva 2. Ensimmäisen tehtävän lopputulos kartalla. (Lähde: Esri Academy – Processing Raster Data Using ArcGIS Pro)

Toinen tehtävä (Introduction to Suitability Modeling) tuotti aluksi hieman hämmennystä, sillä tehtävässä nostettiin esiin monta uutta käsitettä. Päätin jättää tämän informaatiopläjäyksen muhimaan hetkeksi mieleen ja palasin tehtävän pariin muutaman päivän tauon jälkeen. Luulen, että ymmärrän tehtävää nyt paremmin. Eli pähkinänkuoressa “suitability modeling” (tietynlainen soveltuvuus mallintaminen/soveltuvuusanalyysi) on prosessi, jossa yhdistellään erilaisia kriteeripohjaisia aineistoja, jotta saataisiin määritettyä tarkastellulle ilmiölle optimaalinen sijainti. Tehtävässä lueteltiin ainakin kolmenlaisia mallintamistapoja: “binary”, “weighted” ja “fuzzy”. Keskeisenä konseptina oli opetella ymmärtämään rasteriaineistojen ominaisuuksia, jolloin voidaan myös ymmärtää koko “suitability modeling” -prosessia (kuva 3).

Kuva 3. Miten “suitability modeling” -prosessia tulisi lähestyä. (Lähde: Esri Academy – Introduction to Suitability Modeling)

Kolmannessa tehtävässä (Preparing Data for a Suitability Model) pääsimme laittamaan opitun käytäntöön. Tehtävänantona oli määritellä valkopäämerikotkan esiintymisen kannalta optimaalisia alueita San Bernardinon luonnonpuistossa. Optimaalisille alueille oli paljon kriteereitä, joiden kaikkien oli toteuduttava (taulukko 1). Tehtävä suoritettiin kokonaan työvaiheiden ketjun avulla (kuva 4). Tämä osoittautui nopeaksi keinoksi analysoida dataa, sekä luoda uusia aineistoja sen pohjalta. Koska käsiteltäviä aineistoja oli tehtävässä paljon, oli prosessia helpompi hallita ketjun avulla. Aineistoja pystyi yhdistämään muutamalla klikkauksella haluttuihin toimintoihin, jotka “run” -komennolla suorittivat halutun toiminnon datalle (kuva 5).

Criteria	Dataset
Far from developed areas	Land cover raster
Not too densely or sparsely covered by forest (ranging from 20 percent to 60 percent)	Tree canopy raster
Close to lakes (fewer than 2 miles)	Major lake polygons
Located on northeast-facing aspects	DEM raster (digitaalinen korkeusmalli)

Taulukko 1. Valkopäämerikotkan esiintymisen kannalta optimaalisten alueiden kriteerit ja niiden käsittelyyn tarvittavat aineistot. Lähde: (Esri Academy – Preparing Data for a Suitability Model)

 

Kuva 4. Kolmannen viikkotehtävän työvaiheiden ketju (Lähde: Esri Academy – Preparing Data for a Suitability Model)

 

Kuva. 5 Kriteerien perusteella muokattu digitaalinen korkeusmalli (DEM). Värit havainnollistavat rinteen suuntaa. (Lähde: Esri Academy – Preparing Data for a Suitability Model)

Hämmennyin hetkeksi kun tehtävä loppui kuin seinään, mutta se jatkui seuraavassa viikkotehtävässä (Transforming Data for a Simple Suitability Model). Kolmannen tehtävän jäljiltä olimme saaneet aikaan kriteereitä mallintavat tasot (ns. “derived data”), joiden perusteella aineistoa oli vielä muokattava pidemmälle, että saataisiin selville optimaaliset alueet. Käytimme tässä “binary suitability modeling” -prosessia, jonka keskeinen idea oli siis antaa pikseleille/soluille binäärisiä arvoja: arvo 1 “suitable” ja arvo 0 “unsuitable”. Teimme kyseisen soveltavuusanalyysin kaikille tehtävän aineistoille. Lopputuloksena saatiin 4 erilaista tasoa, jotka täyttävät annetut kriteerit. Seuraavan viikon rasterianalyysi tehtävissä jatkamme aineiston kanssa työskentelemistä ja luultavasti yhdistämme aineistot  yhdeksi suureksi kokonaisuudeksi. 

Kuva 6. Tässä esimerkki “Land cover” -aineistosta, jota on muokattu niin, että annetut kriteerit toteutuvat. Kuvassa tummat alueet (“undeveloped areas”) toteuttavat annetut kriteerit, kun taas punaiset alueet (“developed areas”) kuvaavat kaupunki- ja teollisuusalueita. (Lähde: Esri Academy – Transforming Data for a Simple Suitability Model)

 

Lähteet

Holopainen et al. (2015). Geoinformatiikka luonnonvarojen hallinnassa. Helsingin yliopiston metsätieteiden laitoksen julkaisuja 7. 

 

Tehtävälähteet ja data

1. 1. https://www.esri.com/training/catalog/57e19a8eed0f3a861c100985/processing-raster-data-using-arcgis-pro/
   2. https://www.esri.com/training/catalog/5c08179b7351db0c2ab3fbf4/introduction-to-suitability-modeling/
   3. https://www.esri.com/training/catalog/5cad01dd9b1f4010cad9abc4/preparing-data-for-a-suitability-model/
   4. https://www.esri.com/training/catalog/5cad01b39b1f4010cad9ab56/transforming-data-for-a-simple-suitability-model/

 

Kurssi alkoi omalla kohdallani jännittävissä tunnelmissa, sillä viimeisestä suoritetusta GIS-kurssista on jo jonkin aikaa. Oli kuitenkin mukava huomata ettei kesäloma ollut pyyhkinyt kaikkea viime lukuvuonna opittua pois muistista. GIS:n pariin takaisin palaaminen ja viikkotehtävien tekeminen oli jopa virkistävää ja antoisaa muuten kovin teoriapainotteisten kurssien lomassa. Ensimmäisen viikon luento ja luentokirjallisuus (Holopainen et al, 2015) painottui lähinnä erilaisiin vektoriaineistojen päällekkäis-, leikkaus-  ja läheisyysanalyyseihin, joihin sitten syvennyttiin ensimmäisten viikkotehtävien parissa. 

Teimme viikkotehtävät ArcGIS Pro -ohjelmistolla, joka on itselleni aivan uusi tuttavuus, vaikka olen kuullutkin kyseisestä GIS-ohjelmistosta aikaisemmilla kursseilla paljon. ArcGIS:n käyttäminen onnistui kuitenkin ohjeiden avulla tehokkaasti ja erosi lopulta aikaisemmin käyttämästämme QGIS-ohjelmistosta yllättävän vähän. Ohjelmien käyttöjärjestelmien välillä oli jonkin verran eroja, mutta kaikki tutut komennot löytyivät lopulta tavalla tai toisella. Koska emme tämänhetkisen tilanteen takia voineet kokoontua kampuksen GIS-luokkiin työskentelemään, kokoonnuimme virtuaalisesti Zoomin välityksellä ja kävimme läpi Esri Academy:n valmiita GIS-harjoituksia. Valmiit tehtävät olivat onneksi hyvin suoraviivaisia ja eivät tuottaneet sen kummempia vaikeuksia. Esri Academy:n harjoitusten hyvä puoli on, että kurssin teemaan liittyvät käsitteet tulevat myös englanniksi tutuiksi. 

Kuva 1. Tehtävien visualisointia. Oikealla tunnuslukutaulukko.

Luennon aiheiden lisäksi kävimme tehtävien avulla myös läpi ArcGIS:n perustoimintoja, kuten tasojen yhdistämistä tai miten aineisto rajataan esimerkiksi mittakaavan mukaan. Toisessa viikkotehtävässä painotettiin eri ominaisuuksien spatiaalisten suhteiden ymmärtämistä, jolloin myös oikean elämän ongelmia voidaan ratkaista. Tästä esimerkkinä aineistojen analysoiminen niiden mahdollisten päällekkäisyyksien perusteella. Tehtävässä lueteltiin paljon eri komentoja, jolla tätä ilmiötä voidaan tutkia (touches, contains, intersects, overlaps, within, crosses). Tehtävän kysymys kuului kutakuinkin näin: “How many acres of proposed wilderness areas in Utah are located around San Rafael Swell?” Tätä oli helppo tutkia annetuista aineistoista “within” -komennon avulla, joka rajasi kaikista erämaa-alueista ne kohteet, joita ollaan suunnittelemassa San Rafael Swell:n alueelle (kuva 1). Valinnan jälkeen tutkimme aineiston tunnuslukutaulukkoa, jonka avulla oli mahdollista määrittää alueiden yhteenlaskettu pinta-ala. Utah:n alueelle on siis suunnitteilla noin 3 379 346 eekkeriä erämaa-aluetta, joista 272 811 eekkeriä sijaitsee San Rafaelin Swell:n alueella. 

Kuva 2. Tehtävien visualisointia. 

Kolmannen tehtävän tehtävänantona oli etsiä optimaalista paikkaa kuntosaliketjun uudelle kuntosalille. Tähdet kuvassa 2 merkitsevät jo valmiiksi olemassa olevia samaisen ketjun kuntosaleja. Tutkimme etäisyyksiä “proximity analysis” -metodien avulla eli vaikutusalueanalyysien avulla. Kuten kurssikirjallisuudessa todetaan, vaikutusalueanalyyseillä voidaan luoda tasoja, joissa on määritetty haluttujen kohteiden etäisyys tai hakea kohteet tietyltä etäisyydeltä (Holopainen et al. 2015). Haluttujen kohteiden etäisyys voidaan määrittää “buffer” -työkalun avulla. Se muodostaa kohteen ympärille vyöhykkeen, jonka leveyden voi itse määrittää. “Spatial query” -työkalut puolestaan auttavat hakemaan tiettyjä kohteita tietyltä etäisyydeltä kyselyiden muodossa. “Near” -työkalut laskevat suoraan etäisyyden haluttujen kohteiden välillä. Käytimme kyseisessä tehtävässä bufferi-työkalua, joka mahdollisti vyöhykkeiden luomisen kuntosalien ympärille ja näin niiden vaikutusalueiden analysoinnin suhteessa kuntosalien jäsenten sijaintitietoon. Kuten kuvasta 2 tulee ilmi, neljäs kuntosali kannattaa rakentaa jo olemassa olevien kuntosalien keskiöön, johon sijoittuu myös huomattava osa kuntosalin asiakkaista.

Kuva 3. Tehtävien visualisointia

Viimeinen tehtävä tuntui hieman hankalalta, sillä tehtävässä oli monta eri vaihetta. Tehtävänä oli määrittää uudelle tuulivoimalalle optimaalista paikkaa Coloradon osavaltiossa.  Tehtävä suoritettiin ArcGIS online:n avulla, joka toimi hieman erilailla kuin ArcGIS pro. Tuulivoimalan optimaaliselle paikalle lueteltiin useita ehtoja: 

1. • Tuulivoimalan tulee sijaita Coloradon osavaltiossa
   • Tuulivoimalan tulee sijaita piirikunnassa, jossa asukasluku on ainakin 20 000 (2010)
   • Tuulivoimalan tulee sijaita alueella, jossa tuulivoiman voimakkuus on asteikolla 4
   • Tuulivoimalan tulee sijaita 10 mailiin säteellä olemassa olevista suuremmista sähkölinjoista, joiden kapasiteetti on ainakin 400kV
   • Tuulivoimalan tulee sijaita 5 mailin säteellä olemassa olevista tuulivoimaloista, joiden tuulimyllyjen turbiinin roottorien halkaisija on vähintään 100 jalkaa

Tehtävä vaati siis paljon tasojen yhdistelemistä ja kyselyiden laatimista erilaisten toimintojen avulla. Tutuksi tuli myös bookmark-työkalu, joka mahdollisti tiettyjen alueiden ja mittakaavojen tallentamisen. Monivaiheisen prosessin lopputulos (kuva 3) oli omalla kohdallani hieman erikoinen. Kaikkien kyselyiden suorittamisen jälkeen sain vain yhden optimaalisen alueen tuulivoimalan sijainnille, vaikka mallivastauksessa alueita oli kaksi. Kuvaan 3 on merkitty punaisella alueet, jotka kyselyiden suorittamisen jälkeen olisi pitänyt jäädä jäljelle. En ole aivan varma mikä meni vikaan, mutta veikkaan että joku vaihe jäi huolimattomuudesta tekemättä. Tutkimme lopuksi etäisyyksiä Denverin kaupungista näille kahdelle tuulivoimala-alueelle, sekä alueiden pinta-aloja, mikä auttoi optimaalisen sijainnin määrittämisessä. Kävi ilmi, että alempi tuulivoimala-alue on kaupunkia lähempänä ja myös pinta-alaltaan suurempi, mikä tarjoaa enemmän mahdollisuuksia tuulivoimalan sijoittamiseen, sekä sen ylläpitoon. 

 

Lähteet

Holopainen et al. (2015). Geoinformatiikka luonnonvarojen hallinnassa. Helsingin yliopiston metsätieteiden laitoksen julkaisuja 7. 

 

Kuvalähteet

https://cdn.europosters.eu/image/1300/kuvatapetit/star-wars-return-of-the-jedi-i35531.jpg

 

Tehtävälähteet ja data

1. 1. https://www.esri.com/training/catalog/57630431851d31e02a43ee5e/managing-map-layers-in-arcgis-pro/
   2. https://www.esri.com/training/catalog/5d091b34b415216e8f174c41/understanding-spatial-relationships/
   3. https://www.esri.com/training/catalog/5f170c5c9a0e6512bd2bf913/introduction-to-proximity-analysis/
   4. https://www.esri.com/training/catalog/5b4e41df06b3cc4f1cc15df0/perform-a-site-suitability-analysis-for-a-new-wind-farm/