Month: December 2020

Kurssin viimeinen viikko jatkui interpolointien parissa. Vedimme tällä viikolla viivan determinististen sekä geostatististen interpolointien välille, ja käsittelimme niiden eroavaisuuksia. Viime viikko keskittyi pääasiassa deterministisiin interpolointimenetelmiin, kuten IDW- ja Kernel-interpolointiin. Deterministinen interpolointi ei hyödynnä tilastotiedettä samalla tavalla kuin geostatistinen interpolointi, vaan rakentuu lähinnä vierekkäisten mittauspisteiden arvojen perusteella. Geostatistinen interpolointi ottaa puolestaan kattavammin huomioon muuttujien spatiaalisen vaihtelun. Interpolointi painottuu tällöin spatiaaliseen autokorrelaatioon ja tilastotieteeseen. Spatiaalisen autokorrelaation ideana on, että kohteet jotka ovat lähekkäin toisiaan, ovat enemmän riippuvaisia toisistaan kuin kaukana sijaitsevat kohteet. Spatiaalinen tilastotiede (johon geostatistinen interpolointi pohjautuu) olettaakin, että tällaista riippuvuutta esiintyy luonnossa. Menetelmä mahdollistaa siksi myös virhemarginaalien tarkastelun, ja tulosten validiteetin kattavamman arvioinnin.

Viikon harjoitustehtävät painottuivat pääasiassa geostatistiseen kriging-interpolointiin. Vertasimme ensimmäisessä tehtävässä (Interpolate temperatures using the Geostatistical Wizard) IDW- ja kriging-interpolointia. Toisin sanoen tutkimme miten deterministinen interpolointi ja geostatistinen interpolointi käytännössä eroavat keskenään ja mitä samankaltaisuuksia niillä mahdollisesti on. Kriging-interpolointi huomioi spatiaalisen autokorrelaation voimakkuutta ja ulottumista, jolloin sen avulla voidaan myös laskea todennäköisyyksiä, virheitä sekä luotettavuutta. Sanoisin siis hypoteesina jo nyt, että kriging-interpolointi osoittautuu tehtävässä “paremmaksi” menetelmäksi tulosten tarkasteluun. Vertailimme tehtävässä näitä kahta menetelmää interpoloimalla dataa Afrikassa tehdyistä lämpötila mittauksista.

Ensin loimme datan perusteella histogrammin lämpötilamittauksista, sillä lämpötilojen jakautumista on helpompi tutkia sen avulla. Tämä työvaihe tuli tutuksi jo viime viikon harjoitustehtävissä. Histogrammia tutkiessa voidaankin huomata, että elokuun lämpötilat seuraavat aika hyvin normaalijakaumaa, jolloin myös geostatistinen interpolointi on kaikista tehokkainta. (Pakko myöntää etten vieläkään pienen pohtimisen jälkeen ole täysin varma miksi interpolointi on tällöin tehokkainta, näin kuitenkin todettiin tehtävässä.) Tämän havainnon jälkeen suoritimme ensin IDW-interpoloinnin elokuussa mitatuilla arvoilla. Suoritimme kaksi IDW-interpolointia, joista toista on optimoitu dataan sopivammaksi muuttamalla tiettyjä parametreja (kuva 1).

Kuva 1. Vasemmalla on IDW smooth -taso ja oikealla  IDW Smooth Optimized -taso. (Lähde: Esri Academy – Interpolate temperatures using the Geostatistical Wizard)

Kuten kuvasta 1 voidaan todeta, punaiset alueet (eli korkeimmat lämpötila estimaatit) kattavat nyt kartalla laajemman alueen. Tasot ovat muuten hyvin samanlaisia ja on hyvin vaikea spontaanisti sanoa, kumpi näistä on luotettavampi. Tutkimme siksi tuloksia seuraavaksi ristiinvalidoinnin avulla. Keskityimme tarkkailemaan tasojen neliöllistä keskiarvoa (root mean square). Mitä lähempänä keskiarvo on nollaa, sen täsmällisempi taso on. Nopean ristiinvalidoinnin perusteella voidaankin sanoa, että IDW Smooth Optimized -tasolla on pienempi virhemarginaali ja sitä voidaan siksi pitää luotettavampana.

IDW-tasojen tutkailun jälkeen siirryimme kriging-interpolointiin. Geostatistisen luonteen takia kriging-interpolointi tarjoaa paljon enemmän tunnuslukuja ja muuttujia, joiden avulla datan luotettavuutta voidaan tutkia. Tehtävässä lueteltiinkin pitkä lista eri parametreja ja niiden vaikutuksia interpoloinnin tulokseen. Tämä oli omasta mielestäni erittäin hyödyllistä ja auttoi ymmärtämään interpolointi-prosessia edes jonkin verran syvemmin. Suoritimme siis kaksi kriging interpolointia: kriging default ja kriging modified. Alkuperäistä interpolointia modifioitiin mm. optimoimalla ja määrittämällä sen “sector type” niin, ettei yksittäisen suunnan naapureilla olisi yhtä isoa vaikutusta tuloksessa.

Kuva 2. Interpoloinnin tuloksena saatu Kriging modified -taso, josta on laadittu lämpötiloja mallintava kartta. (Lähde: Esri Academy – Interpolate temperatures using the Geostatistical Wizard)

Tämän jälkeen vertailimme tasoja ristiinvalidoinnin avulla. Tasojen tunnusluvut olivat niin lähellä toisiaan, ettei tässä tapauksessa ollut kirkkaan selvää kumpi on luotettavampi. Kriging modified -tasolla oli kuitenkin hieman parempi neliöllinen keskiarvo, ja tämän perusteella valitsimme sen kriging default -tason sijaan. Kun näitä molempia tasoja verrattiin puolestaan aikaisempaan IDW Smooth Optimized -tasoon, huomattiin että kriging-interpoloinnilla saadut tulokset olivat kaiken kaikkiaan tarkempia. Ihan viimeisenä laadimme vielä kriging modified -tasolle näppärän virhekartan (kuva 3), joka kuvaa interpoloinnin luotettavuutta eri puolilla karttaa.

Kuva 3. Virhekartta. (Lähde: Esri Academy – Interpolate temperatures using the Geostatistical Wizard)

Toisessa harjoitustehtävässä (Analyze Urban Heat Using Kriging) tutkimme lämpösaarekeilmiötä Madisonin kaupungissa, Wisconsinissa, ja sen vaikutusta kaupungissa asuviin – varsinkin riskiryhmään kuuluviin vanhempiin asukkaisiin. Tehtävässä hankalinta oli ehkäpä termien ja konseptien järkevä kääntäminen suomen kielelle. Käytimme tässäkin tehtävässä apuna kriging-interpolointia ja aloitimme ensin luomalla datan pohjalta histogrammin (kuva 4), jotta voitaisiin määrittää onko lämpösaarekeilmiö alueella edes todellinen. Nopean tarkastelun jälkeen voidaan todeta, että lämpösaarekeilmiö on havaittavissa, sillä alimmat lämpötilat sijoittuvat kaupunkia ympäröiville alueille ja korkeimmat lämpötilat kaupungin keskusalueille.

Kuva 4. Histogrammi datasta. (Lähde: Esri Academy – Analyze Urban Heat Using Kriging)

Tämän jälkeen suoritimme ensin (simple) kriging-interpoloinnin. Säädimme interpoloinnin parametrejä niin, että virhemarginaali olisi mahdollisimman pieni. Myös interpoloinnin tulosta tarkastellessa voidaan todeta, että lämpösaarekeilmiö on todellinen (kuva 5). Tehtävässä olennaista oli simple kriging -interpoloinnin vertaaminen bayesian kriging -interpolointiin. Näin lyhyesti selitettynä geostatinen interpolointi pohjautuu semivariogrammeihin (ilmaisevat riippuvuuden määrää datassa). Bayesian kriging -menetelmässä data jaetaan pieniin osiin, ja jokaiselle osalle luodaan oma semivariogrammi yhden koko datan kattavan semivariogrammin sijaan. Näin saadaan vielä tarkempi mallinnus datasta, jossa on yleensä pienemmät virhemarginaalit (kuva 5).

Kuva 5. Vasemmalla simple kriging -interpolointi ja oikealla empirical bayesian kriging -interpolointi. (Lähde: Esri Academy – Analyze Urban Heat Using Kriging)

Seuraavassa työvaiheessa käytimme EBK (empirical bayesian kriging) regression –työkalua. Tämän avulla sisällytimme interpolointiin dataa vettä läpäisemättömistä pinnoista, kuten asfaltoiduista teistä ja parkkipaikoista. Leikkasimme samalla myös tarpeetonta dataa extract by mask -työkalulla. Teimme datasta pistekaavion (kuva 6), joka osoittaa kytköksen mitattujen lämpötilojen ja vettä läpäisemättömien pintojen osuuksista. Pintojen huono absorptio ja suuri albedo vaikuttavat paikallisesti lämpötilaan sitä nostaen. Siksi mitä enemmän vettä läpäisemättömiä pintoja on, sitä korkeammat ovat mitatut lämpötilat.

Kuva 6. Pistekaavio vettä läpäisemättömien pintojen ja lämpötilojen suhteesta. (Lähde: Esri Academy – Analyze Urban Heat Using Kriging)

Pääsimme tekemään tehtävässä myös paljon ristiinvalidointia, kun päätimme mitä kriging-interpoloinnilla saaduista tuloksista on paras käyttää datan syvempään tarkasteluun. Kun olimme valinneet luotettavimman tuloksen, yhdistimme siihen dataa kaupungin alueista  ja tutkimme millä alueilla lämpösaarekeilmiö on voimakkainta. Näihin alueisiin tai niin sanottuihin “blokkeihin” oli sidottuna dataa myös alueen asukkaista. Tämän perusteella pystyimme identifioimaan alueet, joilla riskiryhmään kuuluvien asukkaiden osuus on huomattava. Valitsimme alueet valintatyökalun avulla ja annoimme ehdoiksi “mean is greater than 81” ja “densityover65 is greater than 100000”. Nän ArcGIS määritti alueet, joilla lämpötilan keskiarvo on yli 81 fahrenheitia ja 65-vuotiaiden asukkaiden asukastiheys on enemmän kuin 100000 (kuva 7).

Kuva 7. Yhdistetty data. Oikealla sinisellä alueet, jotka määritetiin valintatyökalulla. (Lähde: Esri Academy – Analyze Urban Heat Using Kriging)

Lähteet

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

Tehtävälähteet

Interpolate temperatures using the Geostatistical Wizard https://www.arcgis.com/sharing/rest/content/items/0eb5f9204170449da8230fe6a887e053/data

Analyze Urban Heat Using Kriging https://www.esri.com/training/catalog/5b4e36a842cbd2069a939171/analyze-urban-heat-using-kriging/

Kuva: NASA Earth Observatory, Chesapeake Bay

Tällä viikolla tutustuimme interpolointiin ja värikkääseen kirjoon erilaisia interpolointimenetelmiä. Luennolla käsiteltiin muun muassa trendipintainterpolointia, IDW-interpolointia (Inverse Distance Weighted) ja Spline-interpolointia. Käsittelimme myös miten spatiaalisen interpoloinnin laadunvarmennus voidaan suorittaa ristiinvalidoimalla (cross validation). Tällöin jätetään tahalleen osa havaintopisteistä interpoloinnin ulkopuolelle ja verrataan myöhemmin näiden havaintopisteiden arvoja niiden interpoloinnilla estimoituihin arvoihin. Interpoloinnin ideana (näin nopeana kertauksena) on siis määrittää mitattujen kohteiden pohjalta kohteiden välille tiettyjä oletusarvoja. Menetelmiä on useita ja ne vaihtelevat muun muassa interpoloitavan aineiston tai halutun lopputuloksen perusteella. Tällä viikolla olennaisimpia interpolointimenetelmiä oli Kernel-interpolointi ja 3D-interpolointi. 

Ensimmäinen tehtävä (Model Water Quality Using Interpolation) koostui monesta eri osasta ja tuntui, että tehtävää tehdessä kului pienehkö ikuisuus. Harjoittelimme tehtävässä pääasiassa Kernel-interpolointia, jota käytetään yleensä jos interpolointiin suunniteltu aineisto/pinta ei ole jatkuva, vaan siinä on tietynlaisia “esteitä”. Esteitä voi esimerkiksi olla korkeusmallissa esiintyvät korkeuserot eli erilaiset kohoumat tai vajoamat, joita voidaan käyttää rajamaan interpolointia. Ensimmäisessä harjoitustehtävässä tutkimme Chesapeakenlahden happitasoja (dissolved oxygen levels) vuoden 2014 ja 2015 kesinä. Chesapeakenlahti sijaitsee Pohjois-Amerikan itärannikolla ja tämän viikon raportin kansikuva onkin satelliittikuva kyseisestä lahdesta.

Ennen kuin pääsimme itse interpoloinnin pariin, tutkimme dataa erilaisia diagrammeja käyttäen. Loimme muun muassa viivadiagrammit ja histogrammit datasta, jotta voisimme tutkia sen ominaisuuksia. Diagrammin perusteella on helppo tutkia ensinnäkin voiko dataa interpoloida ja miten sitä kannattaa interpoloida. Tarkasteltu data koostui 1984 vuodesta asti mitatuista happipitoisuuksista sekä muista komponenteista. Kartalla kyseinen CSV-muotoinen data ilmenee siis vertikaalisesti, sillä eri vuosien mittaukset ovat “kasaantuneet” päällekkäin ja näyttäytyvät yhtenä pisteenä. En nyt syvennä miten loimme datasta diagrammit, sillä työvaiheiden syvempi selittäminen voi käydä hieman yksitoikkoiseksi. Sen sijaan näytän muutaman kuvan lopputuloksista 🙂

Kuva 1. Viivadiagrammi vuoden 2015 kesän mittauksista. (Lähde: Esri Academy – Model Water Quality Using Interpolation)

 

Kuva 2. Histogrammi vuoden 2015 kesän mittauksista. (Lähde: Esri Academy – Model Water Quality Using Interpolation)

Kun tämä oli tehty, aloitimme Kernel-interpoloinnin. Rajasimme interpolointia lahden rantaviivan avulla eli rantaviiva toimi aiemmin mainittuna “esteenä” (barrier). Erehdyin ensin poistamaan kaikki aikaisemmin tehtävässä määritetyt rajaukset, jonka takia tuli interpoloitua kaikki pisteet kesän 2014 ja 2015 mittauspisteiden sijaan (kuva 3). Huomasin tämän kuitenkin sen jälkeen, kun tehtävän luvut eivät enää sopineet omiin lukuihin datan ristiinvalidoinnissa. Pakitin muutaman työvaiheen taaksepäin ja sain onneksi interpoloitua datan oikein. Tutkimme ja vertailimme dataa tehtävässä siis ristiinvalidoinnin avulla. Työvaihe oli ehkä enemmän itsenäistä oppimista ja syvempää ymmärtämistä varten, joten en siitäkään rupea tässä nyt jaarittelemaan tai raportti venyy liian pitkäksi. Haluan sen sijaan esitellä hienoa layouttia (kuva 4), jonka pääsimme tekemään interpoloinnin tuloksista! Yritin viikolla 4 tehdä jotain vastaavaa, mutta en oikein onnistunut… Oli kiva saada nyt selkeät ohjeet layoutin tekoon niin voi tulevaisuudessakin luoda sellaisia enemmän 🙂

Kuva 3. Kernel-interpolointi koko datasta. Happipitoisuus on kokeimmillaan punaisilla alueilla. (Lähde: Esri Academy – Model Water Quality Using Interpolation)

Kuva 4. Tehtävän perusteella tehty layout tulosten vertailuun. (Lähde: Esri Academy – Model Water Quality Using Interpolation)

Toisessa tehtävässä (Interpolate 3D Oxygen Measurements in Monterey Bay) harjoittelimme 3D-interpolointia ja teimme näppärän video visualisoinnin interpoloinnin lopputuloksesta. Tämäkin tehtävä pyöri tietyn vesistön happipitoisuuksien selvittämisen ympärillä. Tutkimme Kaliforniassa sijaitsevaa Monterey lahtea ja päämääränä oli interpoloinnin avulla luoda happipitoisuuksia ennakoiva yhtenäinen taso. 3D-mallinnus mahdollisti tehtävässä datan vertikaalisuuden tarkemman tutkimisen. Aloitimme luomalla ensin mitatuista happipitoisuuksista histogrammin, joka tässäkin tapauksessa auttoi käsittelemään dataa sekä tutkimaan sen jakaumaa. Vielä kiinnostavampi ja visuaalisesti miellyttävämpi tarkkailumenetelmä oli datan pohjalta laadittu pistekaavio (kuva 5). 

Kuva 5.  Syvyyden (z) ja happipitoisuuden suhde pistekaavion avulla visualisoituna. Yleistettynä syvyyden laskiessa myös happipitoisuus laskee. (Lähde: Esri Academy – Interpolate 3D Oxygen Measurements in Monterey Bay)

Histogrammin ja pistekaavion tutkimisen jälkeen aloitimme varsinaisen 3D-interpoloinnin. Teimme tämän käyttämällä ArcGIS:n Empirical Bayesian Kriging 3D -työkalua. Tämä tehtävä (niin kuin edellinen) koostui myös monista eri työvaiheista ja erinäisistä aspekteista. Tässä raportissa on käyty näitä läpi erittäin pinnallisesti ja työvaiheista saisi kirjoitettua paljon enemmän. Niitä voisi käyttää huomattavasti laajemmin hyväksi omassa pohdinnassa ja harmittaa, etten itse tälle tasolle nyt tekstini kanssa yltänyt. Interpoloinnin jälkeen tapahtui tuttu ristiinvalidointi, jonka jälkeen puolestaan loimme animaation tuloksista (video 1). Animaatio oli erittäin helppo tehdä ArcGIS:n työkalujen avulla, vaikka ensin lisäsin ajatuksissani aivan liian monta freimiä ja animaation lataaminen kesti sen takia ihmeellisen kauan. Tämän jälkeen teimme interpoloinnin perusteella vielä vokseli-tason, jota trimmasimme niin, että alueet jotka eivät sisältäneet dataa leikattiin pois.  Lopputulos oli ihan kivan näköinen ja visualisoi selkeästi haluttua ilmiötä (kuva 6). 

Video 1. Animaatio interpoloinnista. (Lähde: Esri Academy – Interpolate 3D Oxygen Measurements in Monterey Bay)

 

Kuva 6. Vokseli-taso, joka kuvaa vesistön happipitoisuuksia vertikaalisuunnassa. (Lähde: Esri Academy – Interpolate 3D Oxygen Measurements in Monterey Bay)

Lähteet

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

Tehtävälähteet

Model Water Quality Using Interpolation https://www.esri.com/training/catalog/5a55259913a04b46905e98e2/model-water-quality-using-interpolation/

Interpolate 3D Oxygen Measurements in Monterey Bay https://www.esri.com/training/catalog/5c6ca9cb440a5667be0f45f3/interpolate-3d-oxygen-measurements-in-monterey-bay/

 

Viidennen viikon aiheena olivat näkyvyysanalyysit sekä 3D-visualisointi. (Jee!) Näkyvyysanalyyseillä tutkitaan, mitkä alueet tai kohteet on nähtävissä tietyistä katselupisteistä. Tätä voidaan soveltaa moneen oikean elämän eri tilanteeseen ja dilemmaan. Näkyvyysanalyyseistä on hyötyä esimerkiksi, kun halutaan perustaa erilaisia tähystyspaikkoja (niin rajavalvontaan kun lintujen tarkkailuun) tai puhelinverkon tukiasemia. Lisäksi niitä voidaan käyttää apuna tie- ja yhteiskuntasuunnittelussa. Yhteiskuntasuunnittelussa voidaan joko piilottaa tai tuoda esiin haluttuja kohteita. Näkyvyysanalyysit tehdään pääasiassa korkeusmallien avulla. Näkyvyys määritetään sen perusteella leikkaako katselupisteen ja tarkkailtavan kohteen välinen suora korkeusmalin. Näkyvyysanalyyseistä keskityimme sekä luennolla että viikon tehtävissä viewshed ja line of sight -analyyseihin. Pakko sanoa, että pidin tämän viikon tehtävistä todella paljon – lähinnä sen takia, että pääsi leikkimään 3D-visualisointien kanssa.

Ensimmäisessä tehtävässä (Performing Viewshed Analysis in ArcGIS Pro) selvitimme itäiseen New Yorkiin perustettavan leirintäalueen valaistusta, jotta alueen asiakkaat voisivat nauttia ulkoilusta myös auringon laskettua. Pääsimme harjoittelemaan tehtävässä viewshed -analyysia, joka siis pohjautuu laajemman tarkastelukohteen tutkimiseen useammasta katselupisteestä. Analyysi määrittää rasteritasolle (binääriset) näkyvyysarvot, jolloin arvo 0 symboloi alueita, jotka “eivät näy” ja arvo 1 alueita, jotka “näkyy”. Tämän perusteella voidaan erottaa alueet, jotka ovat valaistu ja määrittää samalla kuinka monta lamppua valaisee kyseisiä alueita. Ennen analyysiä muokkasimme hieman lamppuihin liittyvän datan atribuuttitaulukkoa haluttujen parametrien perusteella, ja analyysin jälkeen mallinsimme tuloksia matemaattisten rasterifunktioiden avulla.

Kuva 1. Viewshed-analyysin lopputulos. (Lähde: Esri Academy – Performing Viewshed Analysis in ArcGIS Pro)

Tehtävänannossa todettiin, että mahdollisimman suuri osa leirintäalueesta tulisi olla vähintään kahden lampun valaisema. Kuten kuvasta 1 näkyy, tuloksena saatu valaistu alue ei ole kovin suuri verrattuna leirintäalueen kokoon. Alueen valaistusta tulee siis lisätä huomattavasti, jotta se täyttäisi annetut kriteerit. Teimme tämän muuttamalla datan “OFFSETA” -muuttujaa kolmesta metristä kymmeneen metriin. Muuttuja määrittää tarkkailijan korkeuspisteen korkeusmallin perusteella. Mitä korkeammalla katselupiste on, sen laajempi näkyvyys alueesta teoriassa on. Tämän jälkeen suoritimme analyysin loput vaiheet uudelleen ja lopputuloksena saimme valaistumman leirintäalueen (kuva 2).

Kuva 2. Viewshed-analyysin lopputulos, kun “OFFSETA” on 10. (Lähde: Esri Academy – Performing Viewshed Analysis in ArcGIS Pro)

Viikon toisessa tehtävässä (Performing Line of Sight Analysis) suoritimme nimenmukaisesti line of sight -analyysin. Analyysissa tarkastellaan ilmiötä yhdestä katselupisteestä usean katselupisteen sijaan. Teimme analyysin 3D-visualisoinnin avulla ja täytyy sanoa, että oli tosi siistiä päästä käsittelemään tämän muotoista dataa. Tehtävänantona oli tutkia Philadelphiassa järjestettävän paraatin turvallisuutta kaupungin 3D-mallin ja muun ohessa olleen datan avulla. Näiden perusteella tuli määrittää paraatireitiltä kohteet, jotka turvamiehet tai -kamerat voivat nähdä valmiiksi määritellyistä katselupisteistä. 

3D-mallin kanssa työskenteleminen oli helppoa ja se mahdollisti datan sekä tuloksien monipuolisen tarkastelun. Aloitimme viewshed-analyysin ArcGIS:n Line of Sight -työkalulla, joka loi katselupisteiden ja tarkasteltavan kohteen (paraati) välille useita suoria (kuva 3). Määritimme analyysia tehdessä suorien keskeiseksi välimatkaksi 9 metriä. Tämän jälkeen lisäsimme suorien ominaisuustaulukkoon dataa niiden pituuksista myöhempiä työvaiheita varten.

Kuva 3. Line of sight -analyysi. (Lähde: Esri Academy – Performing Line of Sight Analysis)

Koska tehtävässä on määritettävä mitkä paraatireitin kohdat voidaan nähdä katselupisteistä käsin, on seuraavaksi tehtävä hieman karsimista. Poistimme kaikki suorat, jotka leikkaavat matkalla jonkin rakennuksen sekä kaikki suorat, joiden pituus on yli 335 metriä. Suorille oli määritettävä jonkinlainen maksimipituus, sillä selkeälläkin säällä voi nähdä vain rajallisesti. Suorien poistaminen tapahtui Select By Attributes -työkalulla. Kun line of sight -analyysi suoritettiin, loi se automaattisesti attribuuttitaulukkoon TarIsVis-sarakkeen, joka ilmaisee arvoilla 0 ja 1 kohteen näkyvyyttä katselupisteestä. Tämän pohjalta oli valintatyökalulla helppo määrittää ne suorat, joiden TarIsVis arvo on 0 ja joiden pituus on enemmän kuin 335 metriä. Klikkasimme Delete Features -työkalua ja sanoimme hyvästit kyseisille suorille (kuva 4).

Kuva 4.  Line of sight -analyysi. Soveltumattomat suorat poistettu. (Lähde: Esri Academy – Performing Line of Sight Analysis)

Kuten kuvista huomaa, suorien määrä väheni huomattavasti alkuperäisestä. Karsimme aivan lopuksi vielä suoria hieman lisää sään muutosten varalta. Sade ja sumuisuus heikentävät näkyvyyttä huomattavasti eikä tällöin ole välttämättä mahdollista nähdä yli 300 metrin päähän. Siispä toistimme analyysin, mutta tällä kertaa asetimme suorien maksimipituudeksi 183 metriä (kuva 5).

Kuva 5.  Line of sight -analyysi. Suoria karsittu lisää. (Lähde: Esri Academy – Performing Line of Sight Analysis)

Viimeisessä tehtävässä (Authoring 3D Scenes) käytiin läpi vähän kaikenlaista liittyen ArcGIS:n 3D-malleihin. Objektina oli luoda oma “3D scene” ja tutustua tähän liittyen erilaisiin konsepteihin sekä yksinkertaisiin toimintoihin. Tehtävän johdannossa lueteltiin mihin kaikkeen ArcGIS:n 3D ominaisuutta voidaan käyttää, ja miten se voi mahdollisesti helpottaa sekä parantaa (elevate) datan visualisointia. 3D-visualisoinnin avulla voidaan nähdä muun muassa vertikaalisuunnassa päällekkäin oleva data sekä lisätä realistisuutta ympäristön visualisointiin. Oma 3D-visualisointi kiteytyi siihen, että loimme Berliinissä toimivalle kaupunkisuunnittelijalle 3D-mallin tietyn rakennuksen lähialueesta. Mallin tarkoituksena on tarkastella miten rakennuksen korkeus suhteutuu sitä ympäröiviin elementteihin (kuten muihin rakennuksiin tai kasvillisuuteen). Lisäilimme periaattessa vain valmista dataa omaan “new local scene” -karttaan ja symboloimme sitä 3D-visualisoinnin mukaisesti, sekä skaalasimme sen oikeaan mittakaavaan. Lopputulos oli ihan kivan näköinen (kuva 6). Tehtävä oli siis enimmäkseen vain 3D-visualisoinnin perusteisiin tutustumista 🙂

Kuva 6.  3D-visualisointia. (Lähde: Esri Academy – Authoring 3D Scenes)

 

Lähteet

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

Tehtävälähteet

Performing Viewshed Analysis in ArcGIS Pro https://www.esri.com/training/catalog/57d8718d8b3e1ff2376bf91c/performing-viewshed-analysis-in-arcgis-pro/

Performing Line of Sight Analysis https://www.esri.com/training/catalog/57fd7a465413c49402a2dd9b/performing-line-of-sight-analysis/

Authoring 3D Scenes https://www.esri.com/training/catalog/5e70eb2417148e49006ea3c6/authoring-3d-scenes/