Kurssi alkaa lähenemään loppua ja tämän GIS-gurun taidot sen kuin paranevat. Kuudennen viikon tehtävissä tutustuttiin interpoloinnin mielenkiintoiseen maailmaan.
Ensimmäisessä tehtävässä annettiin pohjustukseksi tieto siitä, että maataloudesta aiheutuvat ravinnepäästöt vaikuttavat happipitoisuuksiin ja aiheuttavat näihin ekosysteemeissä häiriöitä, jotka ilmenevät esim. happikatoalueina. Tehtävänä oli selvittää happipitoisuudet tasoina ympäri Chesapeak (Virginia, USA) laaksoa ja tarkoituksena oli verrata kesän 2014 ja 2015 tuloksia. Ensimmäiseksi tehtiin kaavio (kuva 1) liunneiden happimolekyylien keskiarvoista, mistä voidaan nähdä niiden selkeät syklit.
Kun dataa ollaan tutkittu eri kaavioiden avulla, voidaan siirtyä Geostatistical Wizard:in käyttöön. Sieltä valitaan Interpolation with barriers ja tarkemmin Kernel Interpolation. Kernel on parempi vaihtoehto tässä kuin esimerkiksi Diffusion, sillä Kernel on yleisempi ja sitä käytetään usein juuri näytteiden kanssa, jotka on otettu joensuusta. Asetuksia pitää hieman hienosäätää, mutta tuloksena on kartta, kuten kuvassa 2.
Tarkoituksena oli myös tutustua miten Geostatistical Wizard:issa voi tutkia kohdetta eri asetuksilla (välivaiheita on niin monia, että niitä on turha tässä käydä läpi).
Mitä punaisempi väri on, sitä suuremmat alueille on liuennut maataloudesta ravinteita. Tässä taas voidaan huomata kuinka tärkeä osa värityksellä on lopputuloksen kannalta ja kuinka tärkeää on lopullisessa tuloksessa määritellä oikeanlainen asteikko työlle, (sillä eihän tuosta muuten mitään ymmärtäisi).
Tämän jälkeen tutustuttiin myös vuoden 2015 dataan kaavioiden ja histogrammin avulla sekä tehtiin 2015 vuoden datalle Kernel Interpolation with Barriers. Tämän tarkoituksena on tehdä polynomifunktioon pohjautuva trendipintainterpolointi lyhyille pätkille ja monta kertaa peräkkäin.
Kun 2014 ja 2015 dataa vertailtiin Cross Validationin avulla, huomattiin, että 2015 vuoden data oli n. 10 % tarkempi kuin edellisen vuoden. Tämä voidaan todeta vertailemalla niiden Root-Mean-Square:a, joka on pienempi vuoden 2015 datan kohdalla. Tämä tosin johtuu todennäköisesti siitä, että vuonna 2015 otettiin enemmän näytteitä.
Kummatkin, sekä vuoden 2014 ja 2015 datat, exportataan rasterimuotoon ja ne avataan erillisiksi karttaikkuinoiksi ja siirretään layoutille (kuva 3). Kuvaan lisättiin asianmukainen legenda, pohjoisnuoli sekä mittakaavat. Kuvasta nähdään hyvin vertailtuna vuoden 2014 ja 2015 karttojen erot ravinnepäästöissä. Kartoissa ei näy hälyttäviä lukuja, sillä arvot pysyvät pääosin yli 5mg/L, joka on suositeltu raja näissä päästöissä. Kuitenkin joillain alueilla on huomattavasti enemmän parannettavaa.
Tehtävää voitaisiin soveltaa selvittämään happikatoja vesistöissä ympäri maailmaa. Jos halutaan tuodan aihe lähemmäs meitä ja konkreettisemmaksi niin voidaan ottaa tutkittavaksi meidän rakas meremme. Esimerkiksi Itämeren tutkimuksessa on havaittu happikadon olevan ilmiönä erittäin suuri ongelma ja sen on arvioitu olevan jopa Etelä-Suomen kokoinen (llppo Vuorinen (2017), Itämeren muuttuva ekosysteemi).
Toisessa tehtävässä tehtiin 3D-mallinnusta interpolointia Monterey laaksossa. Tarkasteltavissa oli taas hapen määrä tietyllä alueella laaksossa. Tehtävässä on paljon vaiheita, joten joudun niitä karsimaan tässä raportissa.
Lähtötilanne oli kuvan 4 näköinen. Aluksi tutkittiin ja testailtiin mitä 3D-mallille voi tehdä, miten pisteistä löytää mitäkin tietoa ja kuinka liikkua 3D-mallin sisällä.
Tämän jälkeen tutkittiin dataa tarkemmin attribuuttitaulukosta ja tehtiin taulukoita. Esimerkiksi kuvan 5 kuvaajasta nähdään hapen määrän ja syvyyden selkeä suhde. Hapen määrä on suurin pinnalla ja vähenee vähitellen. Pienimillään se on n. -600m – -800m syvyydessä.
Empirical Bayesian Kriging 3D -toiminnolla saadaan 3D-näkymässä aikaseksi tasoja, joita voi liikutella tässä tapauksessa ylhäältä alas ja samalla nähdään tasojen happipitoisuudet. Kun tästä muutetaan vielä metodi Equal Intervals:iin ja luokat 32:teen, saadaan jokaiselle tasolle näkyviin myös happipitoisuuden vaihtelu tasolla.
Tehtävässä muutetaan data rastereihin, tutkitaan ennusteita ja sekä erroreita. Näiden monien ja pitkien vaiheiden jälkeen projektista tehdään animaatio Oxygen Prediction – layerista, joka saatiin aikaisemmista vaiheista ja analyyseista. Oma animaationi näkyy alla.
Mielestäni tämä oli tehtävän hienoin kohta, koska tällaista ei ole aikaisemmin päässyt kokeilemaan. Ja kuka nyt ei olisi innoissaan 3D-mallinnusvideosta, jonka on itse tuottanut???
Videon lisäksi aineistosta tehtiin Voxel layer, jonka avulla voidaan käytännössä nähdä 3D:nä kaikki oxygen preditions:it samassa kuvassa neliönä.
Interpoloinnista yleisesti:
Interpoloinnissa on tärkeää tietää rasterien merkitys. Esimerkiksi ensimmäisessä tehtävässä datat exportattiin rastereiksi. Tämä tehtiin siksi, että interpoloitavat kohteet olisivat lähekkäämmin toisiaan, sillä näin saadaan kaikista todenmukaisin tulos. On sanomattakin selvää, että solut, jotka ovat lähimpänä otosta, omaavat mitä todennäköisimmin samanlaisia arvoja otoksen kanssa, kuin ne jotka ovat siitä kaukana. Jos kuvitellaan alue, joka voidaan jakaa 20 soluun ja näytteitä on alueelta vain 6 kappalletta. Solut joihin ei osu näytettä voidaan interpoloimalla laskea matemaattisesti ennustamaan todennäköisintä lukua perustuen lähimpänä oleviin näytteisiin.