Month: December 2020

Så är de sista uppgifterna avklarade för denna kurs. Jag tycker att kursen har varit givande, meningsfull och jag har definitivt lärt mig en hel del om GIS programmet, ArcGis Pro. Kursen har behandlat många viktiga och användbara teman och analyser samt byggt en stark grund för framtida fördjupade geoinformatik kunskaper.

Denna vecka har vi fortsatt med temat interpolering och fördjupat oss i olika tillvägagångssätt i hur man väljer interpolerings metoden och verktyget för en speciell analys. Ofta används interpolering då man skall mäta olika fenomen i naturen men det är orealistiskt att mäta exakt varje punkt i terrängen. Oftast har man data från enskilda specifika observationspunkter och dessa punkter används som grunden till interpoleringen. Med hjälp av olika matematiska funktioner kan man göra välgrundade gissningar och förutspå värdet på ett område som inte har blivit mätt. Dessutom kan man räkna osäkerheten och sannolikheten för att gissningen är felaktig. Detta skapar ett pålitligt interpolerings lager som visualiserar kvantitativa variabler av t.ex ett fenomen i naturen. I och med att det finns flera interpoleringsmetoder är det ytterst viktigt att välja rätt metod då man gör en interpolering, annars kan resultatet bli felaktigt och visa skevhet. En metod för att veta vilken interpolerings metod som anpassar sig bäst för analysen kan räknas ut med att titta på variablerna; medelvärde, standardavvikelse, standardfel och kvadratiskt medelvärde samt av att iaktta cross validation grafen och verktyget.

I första uppgiften Interpolate temperatures using the Geostatistical Wizard skulle man skapa en kontinuerlig temperaturkarta över Afrika och Mellan Östern från punkt data. Jag använde både Inverse Distance Weighting och Kriging interpolerings metoderna för att skapa olika lager. Jag skapade två stycken IDW lager och två stycken Kriging lager. Sedan jämförde jag dessa fyra lager för att avgöra vilket var det lämpligaste lagret som motsvarade verkligheten mest. För att avgöra detta iakttog jag bland annat variablerna; medelvärde, standardavvikelse, standardfel och kvadratiskt medelvärde samt iakttog cross validation grafen.

På kartan nedan ser man ett tydligt naturgeografiskt mönster på temperatur skillnaderna. Öken områden så som Sahara  och Arabiska öknen befinner sig vid högtrycksbältet som har ett nästan konstant högtryck över sig med väldigt lite årlig nederbörd. Detta skapar en hög genomsnittlig medeltemperatur i området vilket synns på kartan. Sahel området söder om Sahara är en halvtorr gränszon som har något svalare klimat och mera nederbörd. Denna region ser man tydligt på kartan. Regnskogsområden vid ekvatorn har ett tropsikt klimat med väldigt mycket nederbörd och då också ett lite svalare klimat på grund av de konstanta lågtrycksbälte som befinner sig ovanför ekvatorn. Sydafrika som är beläget mer sydligt har ett subtropiskt klimat med svalare  temperatur. Längst kusten går den kalla bengualaströmmen vilket ger upphov till torrt och svalt klimat.

Karta 1. En interpolerad karta över temperaturskillnader i Afrika och Mellan östern. ArcGis PRO.

Jag skapade också ett kartlager som visar standard felet av resultatet. Då lade jag de observerade punkterna på kartlagret för att ytterligare visa korrelationen mellan standardfel och områden som inte har blivit mätta. Ju mörkare färg, desto högre standardfel. Man ser ett tydligt geografiskt mönster på kartan. Vid mer svåråtkomliga områden finns det betydligt färre obervationspunkter, t.ex Sahara öknen och Kongo-Kinshasa regnskogsområdet. Dessutom finns det nästan inga obervationspunkter i både Somalien och Jemen vilka är två krigszoner, den samhälliga situationen i dessa länder påverkar säkert möjligheten för att få pålitlig data.

Karta 2. En karta över standardfelen av temperatur gissningarna i den föregående kartan (karta 1.). ArcGis Pro.

Denna modell visar arbetsskeden i uppgiften. Den blåa rutan föreställer den givna datan och de röda ovalerna föreställer verktygen jag använde. De gråa ovalerna är specifika kommandon jag gjort inom verktygen som har haft en stor effekt på resultatet. Till sist visar de gula rutorna skapade lager medan den gröna rutan, Kriging Modified föreställer de lager vars resultat förställde verkligheten mest och hade bland annat minsta standardfelet. Alltså Kriging Modified interpoleringslagret valde jag att visualisera och ha som referenskarta för temperaturskillnader i Afrika och Mellan östern.

Bild 1. En modell på arbetskeden i uppgift 1. 

I den andra uppgiften Analyze Urban Heat Using Kriging skulle man skapa ett interpolerat kartlagret över stadsdelar i staden Madison, Wisconsin. Kartlagret skulle visualisera effekten av urban värmeö och visualisera temperaturskillnaden mellan centrumområdet i Madison och mer avlägsna områden runt staden. Sedan skulle man räkna ut vilka stadsdelar som har mer än 100 000 invånare som är över 65 år och bor i stadsdelar där medeltemperaturen är högre än ca. 27 grader celcius. Höga temperaturer under en längre tid kan vara en hälsorisk för åldringar, enligt Svenska Yle (den finskavärmeböljan har börjat kräva dödsoffer – hettan kan fortsätta i fyra veckor framåt 25.07.18) ökar långvariga värmeperioder dödligheten hos åldringar med 20% därför är det ytterst viktigt att prioritera åldringar under en värmebölja samt planera eventuella åtgärder. För att myndigheterna skall kunna förutspå och planera åtgärder för eventuella värmeböljor måste man först kartlägga dessa akuta områden. Då är interpolering ett utmärkt verktyg för att räkna ut och visualisera dessa områden samt var åldringar bor och i hurdan kvantitet inom riskzonen.

För att slutföra denna uppgift använde jag olika interpolerings metoder för att skapa olika lager. Dessa lager jämförde jag sedan för att avgöra vilket kartlager motsvarar verkligheten bäst (jag använde samma metoder som i första uppgiften för att avgöra vilket kartlager hade lägsta standardfelet).  Sedan använde jag diverse olika verktyg (se modellen nedan) för att skapa det slutgiltiga resultatet.

Modellen nedan visar arbetsskeden i uppgiften. De blåa rutorna föreställer data jag använde i uppgiften och de röda ovalerna föreställer verktygen jag använde. De gråa ovalerna är specifika kommandon jag gjort inom verktygen som har haft en stor effekt på resultatet. Till sist visar de gula rutorna skapade lager medan den gröna rutan längst ner är resultatet över temperaturskillnader mellan stadsdelar samt utmärker stadsdelar där det bor fler än 100 000 åldringar över 65 år.

Bild 2. En modell på arbetskeden i uppgift 2. 

Stadsdelar vars gränser är avgränsade med blå färg är stadsdelar som har en medeltemperatur över ca. 27 grader och 65 årigar vars invånarantal överstiger 100 000, detta kan man se från kartan nedan. Dessa är stadsdelar som myndigheterna bör övervaka under värmeböljor. Man ser tydligt att centrala business disriktet har högst temperatur vilket kan förklaras av urban värmeö fenomenet. Städer som är tättbebyggt med mycke betong, mörk asvalt och lite grönska har låg albedo effekt vilket innebär att de absorberar mera energi än reflekterar. Då stiger temperaturen på dessa byggnader och infrastrukturen vilket skapar en värmeö.

Karta 3. En interpolerad karta över temperaturskillnader i stadsdelar i Madison, Wisconsin samt stadsdelar som har fler än 100 000 invånare som är äldre än 65 år. 

 

Källor:

Granskog, S. 24.07.2018. Den finskavärmeböljan har börjat kräva dödsoffer – hettan kan fortsätta i fyra veckor framåt. Svenska Yle.https://svenska.yle.fi/artikel/2018/07/24/den-finska-varmeboljan-har-borjat-krava-dodsoffer-hettan-kan-fortsatta-i-fyra

Brander, N. Hiekka, S. Paarlahti, A. Ruth, C. Ruth, O. Zenit, Den blåa planeten. 2016) 

Denna veckas tema bestod främst av att lära sig använda 2D och 3D interpolation verktyg samt förstå vad korsvalidering är och hur algoritmen skall läsas. Jag tyckte inte värst mycket om denna veckas uppgifter, de kändes tråkiga och väldigt teoretiska.

I den första uppgiften ”Model Water Quality Using Interpolation” skulle man med hjälp av interpolation verktyget göra två interpolations kartor över mängden upplöst syre i Chesapeak Bay estauriet i östra USA år 2014 och 2015. Låg syrehalt i hav under en längre tid kan skapa syrefritt botten vilket innebär att det inte finns något syre på havsbottnet. Arter kan inte leva i dessa omständigheter vilket leder till artutdöd. En viktig anledning till syrefria havsbotten är övergödning; stora mängder näringsämnen hamnar i havet och ökar algproduktionen. Då algerna dör sjunker de till bottnet där nedbrytningsprocessen förbrukar syre. Orsaken till övergödning är antropogen verksamhet, bland annat utsläpp av avloppsvatten, gödsel från jordbruk eller avverkning av skog. För att minimera artutdöd till följd av syrefria botten är det ytterst viktigt att följa med syrehalten i vattendrag. Med att mäta syrehalten i vattendrag kan man med hjälp av geoinformatik skapa diverse kartor och grafer som visar tillståndet av vattendraget. Interpolation är till exempel ett sådant verktyg som lämpar sig utmärkt för att visualisera och analysera syrehalten i vattendrag.

Uppgiften bestod av att först göra ett linjediagram och ett histogram för att iaktta syrehalten i estauriet under ett kalender år. Det visade sig att under sommarmånaderna var syrehalten lägst. I och med den låga syrehalten fokuserade uppgiften på sommarmånaderna för att granska vattentillståndet för den perioden.

Diagram 1. Ett histogram över syremättnaden i Chesapeake Bay. ArcGis PRO.

För att skapa interpolations kartlagret från 2014 använde jag mig av Geostatistical Wizard för att slutföra analysen med interpolations with barriers verktyget. Detta skapade ett nytt interpolations kartlager där mängden syre i estauriet visualiserades med hjälp av en färgskala. Jag använde en annan metod för att genomföra interpolations analysen på vattentillståndet från år 2015. Via geoprocessing aktiverade jag verktyget kernel interpolation with barriers där jag slutförde analysen. Resultatet blev också en interpolations karta där syrehalten i vattendraget visualiserades med en färgskala. I uppgiften bekantade jag mig även med hur viktigt det är att välja rätt storleks omkrets runt alla observerade punkter för att uppnå en interpolations karta vars skala på värden löper jämnt.

Bild 1. Två kartor som visar syremättnaden i Chesapeake Bay sommaren 2014 och sommaren 2015.  ArcGis Pro.

Syrehalten I Chesapeake Bay hade inte en enorm skillnad mellan sommaren 2014 och sommaren 2015. Med hjälp av korsvalidering kunde man estimera prediktionsfelet i analysen.

Bild 2. Arbetsskeden och verktyg  i analysen ”Model Water Quality Using Interpolation”.

I den andra uppgiften skulle man göra en 3D geostatistisk interpolation på syrehalten i Monterey Bay, Kalifornien. Jag använde geoprocessings verktyget Empirical Bayesian Kriging 3D för att skapa de interpolerade kartlagren över syrehalten i havet. I denna uppgift gjorde man många små ändringar och det fanns många steg för att uppnå resultatet. Resultatet blev en animation av 3D kartlagren över syrehalten i havet.

När man iakttar resultaten visar det att syrehalten är högst närmast havsytan medan syrehalten sjunker rejält enda till 800 meters djup vartefter syrehalten ökar igen. Jag vet inte vad orsaken till detta är men det är absolut ett intressant resultat.

Andra delen av uppgiften bestod av att visualisera resultaten i ett voxel lager. För att skapa ett voxel lager använde jag GA Layer 3D To NetCDF verktyget. Det var relativt lätt att skapa lagret men uppgiften handlade mycket om hur man redigerar lagret och förändrar det visuellt. Till sist skulle man skapa isosurfaces av syremättnaden i havet.

Bild 3. Ett voxel lager som visualiserar syremättnaden i Monterey Bay, Kalifornien. ArcGis Pro. 

 

Källor:

Sveriges meteorologiska och hydrologiska institut, SMHI. Syreförhållandet i havet. 14.01.2014. https://www.smhi.se/kunskapsbanken/oceanografi/syreforhallanden-i-havet-1.5155

Sveriges meteorologiska och hydrologiska institut, SMHI. Källor till övergödning. 17.08.2009. https://www.smhi.se/kunskapsbanken/oceanografi/kallor-till-overgodning-1.6011