Kuukausi: marraskuu 2023

Hei taas!

Tällä viikolla jatkoimme rastereiden parissa. Ohjelmassa oli soveltuvuusanalyysiä ja Model Builderin käytön opettelua. Käytimme parin edellisen viikon aineistojen lisäksi tällä kertaa myös Corine Maanpeite 2018 -aineistoa. Syken sivut kertovat CORINE Land Cover 2018:n kuvaavan koko Suomen maankäyttöä ja maanpeitettä vuonna 2018. ”Sykessä EU:n Copernicus Land -hankkeessa tuotettiin Suomen alueelta maanpeiteaineistot sekä laadittiin maanpeitteen muutoksia välillä 2012-2018 kuvaavat aineistot. Aineistot luotiin kahdella tarkkuustasolla: toinen EU-vaatimusten mukaisesti ja toinen kansalliseen käyttöön. Aineisto koostuu rasterimuotoisesta paikkatietokannasta (erotuskyky 20 * 20 m) ja vektorimuotoisesta paikkatietokannasta, jossa pienin maastossa erottuva alue on vähintään 25 ha ja kapeimmillaan 100 metriä. Kansallisen muutosaineiston 2012-2018 pienin kuvio on 0,5 ha ja eurooppalaisen 5 ha. Aineisto on tuotettu Sykessä olemassa oleviin paikkatietoaineistoihin sekä satelliittikuvatulkintaan perustuen. Vektoriaineisto tuotettiin yleistämällä rasteriaineistoa EEA:n CORINE-sääntöjen mukiseksi.” Eri värit kuvaavat eri maanpeitteitä.

Kevon kanjonin maanpeite

Aloitin leikkaamalla maanpeiteaineiston vain Kevon kanjonia käsittäväksi. Tämä kannattaa, sillä se säästää sekä tallennustilaa että laskentavaiheissa aikaa. Sitten liitin merkkien selitteet excel-tiedostosta Add Join-toiminnolla. Karttavisualisointi on kuvassa 1.

Kuva 1. Kevon kanjonin alueen maanpeite.

Kuten kuvasta 1 näkee, suurin osa aluetta on varvikkoa ja nummea. Kallioisia alueita on etenkin kanjonin jyrkänteillä ja alueen korkeimmilla kohdilla (tämän huomaa, kun vertaa esim. viikon 2 korkeusmalliin). Kevon kanjoni on murroslaakso. Murroslaaksot ovat pitkiä kallioperän painanteita, joiden rinteet usein muodostuvat kalliojyrkänteistä (Aartolahti & Tikkanen, 2011). Pelkästään tätä karttaa katsomalla voisi siis jo päätyä johtopäätökseen, että kyseessä on murroslaakso. Murroskohdissa virtaavan joen lähistöllä kasvaa runsaasti lehtipuita. Tämä on odotettavissa, sillä puiden juuret vaativat vettä. Kauempana uomista onkin melko paljon niukkakasvustoista kangasmaata. Avosuota alueella on etenkin koillisosassa.

Tämä kartta tuo melko hyvin myös esiin sen, miten kartan visualisointi ja tulkinta vaikeutuvat, mitä enemmän havainnollistettavia luokkia on. Tässä maanpeitetyyppejä on 19. Värien valinta ja erottaminen toisistaan vaikeutuvat tällaisella määrällä. Olen kuitenkin tässä kartassa yrittänyt tuoda esiin selvästi ainakin ne maanpeitteet, joita on eniten ja joiden merkitys siis kokonaisuudelle korostuu.

 

Model Builder ja soveltuvuusanalyysi

Seuraavaksi loin Model Builderin, jonka avulla luotiin kriteerit Kevon kanjonin sopiville telttapaikoille. Model Builder automatisoi eri vaiheiden laskennan eli sujuvoittaa analyysejä, sekä visualisoi työn vaiheet. Tässä käytetyt kriteerit olivat varsin vaativia: 1. korkeus alle 260 metriä, 2. sijainti, jossa rinne suuntautuu välille itä – etelä – länsi, 3. maanpeite tulee olla lehti-, seka- tai havumetsä kivennäismaalla, tai lehti- tai sekametsä turvemaalla, 4. sijainti korkeintaan 200 m etäisyydellä vesiuomista, sekä 5. rinteen jyrkkyys saa olla maksimissaan 10 astetta.

Kuva 2. Model Builder analyysin vaiheista.

Model Builderin käyttö tuntui aluksi työläältä ja vaiheita oli monia, mutta sen toimintaperiaatteen tultua tutuksi se alkoikin tuntua varsin helpolta. Kuvassa 2 on havainnollistettuna luodun mallin vaiheet. Mallissa eri aineistojen arvot uudelleenluokiteltiin Reclassify-työkalun avulla vain 0:ksi tai 1:ksi, eli 0= sopiva alue, 1=ei sopiva. Mallin viimeisessä vaiheessa (Raster Calculator 2) kerrottiin kaikki eri kriteerit yhteen, koska näin saadaan lopputulos, jossa kaikki halutut kriteerit täyttyvät. Eli koska 0 = kriteeri ei täyty, ja 1 = kriteeri täyttyy, nämä tulee kertoa yhteen, jotta saadaan karsittua nollat eli ei sopivat alueet. Toisin sanoen näin syntyy lopullinen karttataso, jossa on vain arvoja 1. Lopullinen karttataso muutettiin vielä rasterista vektorimuotoon. Tämän lopputuloksen visualisoin kartaksi kuvassa 3.

Kuva 3. Kevon kanjonin sopivat telttapaikat.

Lopputulos näyttää mielestäni hieman oudolta. Sopivia telttapaikkoja on vähemmän, kuin mitä voisi odottaa. Toisaalta kriteereissä pitääkin olla vaativa: ei pelkästään telttailijoiden mukavuuden ja turvallisuuden vuoksi, vaan myös luonnon huomioimiseksi. Esimerkiksi karut ja kuivat luonnonalueet usein kestävät kulutusta huonommin kuin rehevämmät, joten tällaisia alueita ei tietenkään kannata kuormittaa telttailulla. Muita kriteereitä, joita telttapaikan valinnassa olisi voinut hyödyntää, olisivat myös vaikkapa aineistoja alueen eliöstöstä/eläimistöstä: jos alueella elää vaikkapa lajeja, joita ihmisten läsnäolo erityisen paljon häiritsee tai kuormittaa, tämä ei olisi sopiva telttapaikka. Vesistön läheisyys ei myöskään ole aina yksiselitteisesti hyvä asia. Tutkin netistä tietoa siitä, millainen olisi hyvä telttapaikka, ja Kaikokaipuu-blogissa mainittiin, että vesistöjen läheisyyteen pystytetty teltta voi kerätä kosteutta. Ehkä kriteeri voisikin olla tarkempi: tietyllä etäisyydellä uomasta mutta ei aivan kiinni siinä?

Vastaava malli soveltuisi muuhunkin. Sillä voisi selvittää vaikkapa vaarallisia paikkoja, joissa korkeus, jyrkkyys ja maanpeite luovat potentiaalisia vaaroja alueella kulkijalle. Tämä on kuitenkin vain teoreettisia. Parhaat telttapaikat tai potentiaalisesti vaaralliset paikat voi loppujen lopuksi parhaiten todeta ja varmistaa maastossa kenttätutkimuksena.

 

Lähteet:

Aartolahti, T. ja Tikkanen, M. (2011). Suomen geomorfologia. Geotieteiden ja maantieteen laitoksen opetusmonisteita 1. Helsingin yliopisto.

Millainen on hyvä telttapaikka? Blogikirjoitus. Viitattu 24.11.2023. https://kaukokaipuumatkablogi.net/teltat/millainen-on-hyva-telttapaikka/

Suomen Ympäristökeskus (2023). Corine maanpeite 2018. Viitattu 23.11.2023. https://ckan.ymparisto.fi/dataset/%7B0B4B2FAC-ADF1-43A1-A829-70F02BF0C0E5%7D

Hei!

Tällä viikolla paneuduimme rasteriaineistoihin ja niiden käsittelyyn ArcGIS Prolla. Rasteriaineistoja on monenlaisia: ilmakuvia, vanhoja skannattuja karttoja, mallinnettuja rasteriaineistoja, sekä interpolointien outputit. Rasteriaineistoja käsitellään paikallisilla, naapurusto-operaatioilla, vyöhykkeisillä operaatioilla ja globaaleilla operaatioilla. Näistä yksinkertaisint algebraa on paikallisissa operaatioissa: kohdakkain menevien rastereiden pikseleiden arvot lasketaan yhteen. Naapurusto-operaatioissa sen sijaan lasketaan keskiarvot tietyistä pikseleistä, kun taas vyöhykkeisissä tietyltä alueelta kaikkien pikseleiden summa yleistetään outputissa kaikkiin ko. alueen pikseleihin. Globaaleissa funktioissa yhteen pikseliin summautuu kaikkien pikseleiden summa.

Rasteriaineistoja voidaan luokitella jatkuviin ja epäjatkuviin. Jatkuvia ovat ne, joiden muuttujat ovat intervalli- ja/tai suhdeasteikollisia. Epäjatkuvissa eli diskreeteissä aineistoissa on nominaali- ja/tai ordinaaliasteikollisia muuttujia. Rastereita yhdistettäessä on niiden pikselikoko muutettava samaksi analyysejä varten. Ennen analyysiä käytettävät rasteripinnat täytyy myös rekisteröidä, eli kaikki rasterit pakotetaan kohdakkain niin tarkasti kuin mahdollista. (Holopainen ym., 2015)

Kevon kanjonin puuston biomassa

Tämän viikon harjoituksessa käytettiin Luonnonvarakeskuksen aineistoa ”Monilähteisen valtakunnan metsien inventoinnin (MVMI) kartta-aineisto 2019” vuodelta 2021. Aineiston spatiaalinen resoluutio on 16 m x 16 m. Biomassan yksikkönä on käytetty 10kg/ha. Aineiston tuottamisesta aineiston metatiedoissa kerrotaan: ”Vuoden 2019 tuloslaskentaan käytettiin yhteensä 52 383 VMI-maastokoealaa metsä-, kitu-, ja joutomaalta. Koealat olivat vuosilta 2015-2019 (VMI11 ja VMI12). Kuva-aineistona käytettiin 5 kpl Sentinel-2A MSI-keilaimen kuvaa, 8 kpl Sentinel-2B MSI-keilaimen kuvaa ja 10 (5 ylilentoa) Landsat 8 satelliitinOLI-keilaimen kuvaa. Yksi Sentinel-2B-satelliitin kuva oli vuodelta 2018. Muut kuvat olivat vuodelta 2019.”

Aloitin aineiston käsittelyn yhdistämällä ensin männyn seitsemän biomassaositetta niin, että yksi rasteritaso käsitti kaikki nämä tiedot. Tämä tehtiin Raster Calculatorin avulla. Sama toistettiin lehtipuiden ja kuusen biomassadatalle. Tässä kohdassa muutettiin myös biomassan yksikkö tonneiksi. Seuraavaksi visualisoin syntyneet tiedot. Tässä kohdassa väriskaala olisi ollut hyvä muuttaa, mutta minulta se unohtui. Tuloksena kuvat 1-3.

Kuva 1. Männyn biomassa Kevon kanjonissa.

Kuva 2. Kuusen biomassa Kevon kanjonissa.

Kuva 3. Lehtipuiden biomassa Kevon kanjonissa.

Tämä mustavalko-kartta ei ole kaikkein havainnollisin. Silti senkin avulla näkee, että Kevon kanjonin alueella suurin biomassa on lehtipuilla,  ja pienin kuusella. Vesistöjen läheisyydessä biomassaa on eniten. Kuusta on vähiten sen vuoksi, että Kevon kanjoni sijaitsee niin pohjoisessa, että kuusta on siellä vähän.

 

Etäisyysbufferit uomien ympärille

Seuraavaksi pääsin harjoittelemaan etäisyysbufferin tekoa. Projektiin lisättiin viime kerralla luotu uomatiedosto, jossa uoman oletetaan syntyvän vähintään 100000 pikselistä. Bufferin luominen onnistui Euclidian distance -työkalun avulla. Tämän jälkeen luokiteltiin rasterille etäisyysluokat. Laskin myös tilastolliset tunnusluvut näin syntyneille etäisyysvyöhykkeille (taulukot 1 ja 2).

Taulukko 1. Männyn tunnusluvut.

 

Taulukko 2. Lehtipuiden tunnusluvut.

 

Harjoitusohjeen seuraava kysymys oli kinkkinen: Mitä yksikköä keskiarvot ovat? Aiemmin biomassa muutettiin tonneiksi. Ovatko ne siis edelleen tonneja? (Olisi hienoa, jos vaikkapa palautteessa saisin kuulla, olenko ihan hakoteillä…)

Taulukoiden tietojen perusteella näyttää siltä, että 0-200 metrin vyöhykkeellä on eniten puustoa (sekä mäntyä että lehtipuuta): summa-kohdassa luku on suurin molemmissa taulukoissa tällä vyöhykkeellä. Vähiten puustoa on kaikkein kauimpana uomista.

 

Latvuspeittävyys Kevon kanjonissa

Aineiston metatiedot kertovat latvuspeitosta: ”Puuston latvuspeittävyys VMI:ssa tarkoittaa koealan puuston vaakatasoon projisoidun latvuston peittämää osuutta koealan alasta. Latvuspeittävyys arvioitiin VMI10:ssä prosentteina (0-99) kiinteäsäteiseltä koealalta metsä-, kitu ja joutomaalla. VMI11-koealoille ennustettiin latvuspeittävyys k-NN-menetelmällä VMI10-koealoja käyttäen. VMI9:ssä (Ylä-Lappi) latvuspeittävyys arvioitiin koelalta kolmessa luokassa, jos koealan keskipiste sijaitsi metsä-, kitu-, tai joutomaalla. VMI9 koealoille laadittiin regressiomalli latvuspeittävyyden ennustamiseksi yhden prosentin yksiköissä. Lehtipuuston latvuspeittävyyden osuus johdettiin koko puuston latvuspeittävyydestä käyttäen lehtipuuston pohjapinta-alan osuutta kuvion puustonpohjapinta-alasta. Taimikoissa käytettiin vastaavasti runkolukuja.”

Seuraavaksi tutkinkin havupuiden ja lehtipuiden latvuspeittoaineistoa, jota havainnollistavat kuvat 3 ja 4. Kuvista näkee, että havupuilla on alueella enemmän latvuspeittoa.

Kuva 4. Havupuiden latvuspeitto Kevon kanjonissa.

 

Kuva 5. Lehtipuiden latvuspeitto Kevon kanjonissa.

 

(Yritin tehdä taulukot myös korkeusvyöhykkeittäin biomassasta sekä latvuspeittävyydestä. Jostain syystä kuitenkin lehtipuiden taulukot olivat samanlaisia sekä biomassan että latvuspeiton osalta, vaikka käytin Zonal Statistics as Table -työkalussa eri tiedostoja. Lisään tähän vielä taulukot jos/kun saan asian ratkaistuksi.)

 

Lähteet:

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

Heippa!

Tällä viikolla aiheena olivat korkeusmallit ja hydrologinen mallinnus. Korkeusmalleja on monenlaisia, mm. DEM eli digital elevation model, jolla useimmiten tarkoitetaan yleisintä grid-muotoista rasterimallia. DTM:llä eli digital terrain modelilla sen sijaan tarkoitetaan yleisesti kaikkia maanpintaa kuvaavia aineistoja. DSM:ssä eli digital surfice modelissa ovat mukana maanpinnan lisäksi mm. puut ja rakennukset. CHM eli canopy surfice model puolestaan on puuston pituusmalli. Itselleni aivan uusia sanoja tällä viikolla olivat konveksisuus ja konkaavius. Konveksisuudella tarkoitetaan korkeusprofiilin kuperuutta, eli pintavalunta tehostuu tällaisella pinnalla. Konkaavius sen sijaan on korkeusmallin koveruutta kuvaava käsite, eli pintavalunta hidastuu konkaavilla pinnalla. (Muukkonen, 2023)

Tesselaatio oli myös minulle uusi käsite. Sillä tarkoitetaan solujen peittämää pintaa, jossa solut eivät ole päällekkäin. Yleisimpiä tesselaatiotapoja on juuri tuo edellä mainittu rasterimuotoinen grid, sekä TIN, eli vektorikolmioihin perustuva korkeusmalli.  Korkeusmallin lähtöaineistona ovat yleensä joko pistemittaukset tai korkeuskäyrästö. Korkeuskäyrästön tapauksessa on hyvä käyttää myös tietoja ”kriittisten kohteiden” sijainnista (kuten korkeimmat kohdat), muuten tulee tasainen / keskiarvoistunut lopputulos. Korkeusmallista laskettavia tunnuslukuja ovat mm. rinteen jyrkkyys ja suunta, kuopat, ensisijainen tai satunnaistettu ensisijainen valumasuunta, sekä valuman leveys. Veden virtauksen malleissa on periaatteessa kahdenlaisia algoritmejä: single direction (SDA), jossa vesi voi virrata vain yhteen naapuriruutuun, ja multiple direction (MDA), jossa vesi voi virrata useampaan naapuriruutuun. Menetelmä antaa kuitenkin aina lähinnä teoreettiset uomat. (Holopainen ym., 2015)

Viikon harjoitus: Korkeusmallin tarkastelua

Tässä koottuna hieman metatietoja tämän viikon harjoituksessa käytetystä Kevon kanjonin DEMistä eli korkeusmallista.

• Projisoitu koordinaattijärjestelmä: EUREF FIN TM35FIN
• Korkeusmallin yksiköt: metrit
• Korkeusmallin spatiaalinen resoluutio: 2m x 2m
• Alueen koko: 6000 m eli 6 km
• Korkeimmillaan: 423 m
• Matalimmillaan 146 m

Kuva 1. Kevon kanjonin korkeusmalli.

Kuva 2. Kevon kanjoni vinovalovarjosteessa.

 

Kuva 3. Kevon kanjonin korkeuskäyrät (käyräväli 10m).

Metatietoihin tutustumisen jälkeen tutkailin DEMin lisäksi rinnevarjostetta ja korkeuskäyriä alueesta. Vertaillaanpa niitä. Kuvaa 1 tutkimalla voi huomata, että korkeusmallissa korkeuserot erottuvat varsin havainnollisesti (etenkin jos värit on valittu hyvin). Tässä tapauksessa tummanvihreä ja tummanruskea kertovat alueella olevan suuria korkeuseroja: tummanvihreät ovat matalimpia kohtia ja tummanruskeat korkeimpia. Vinovalovarjosteessa (kuva 2) erottuvat puolestaan tarkemmin maaston muodot. Kanjonin jyrkkyys tulee selvemmin esille, ja myös pieniä yksityiskohtia erottuu paljon enemmän kuin kuvassa 1. Korkeuskäyrät (kuva 3) tuovat esille myös yksityiskohtaisempaa tietoa kuin DEM (käyrien väli tässä on 10 metriä). Kanjonin jyrkkyys tulee siis tässäkin hyvin selkeästi esiin. Itseasiassa jyrkkyys on sitä tasoa, että 10 metrin käyrävälit sulautuvat paikoitellen toisiinsa ja lopputulos on hieman epäselvä.

Seuraavaksi tutkin rinteen jyrkkyyttä Slope-työkalulla. Tuloksena on alla oleva kuva 4. Kuvasta näkee, että jyrkkyys vaihtelee alueella paljon. Image informationia ArcGIS Prossa tutkiessa saa tietoonsa, että alueen jyrkkyys vaihtelee lähes tasaisista alueista enimmillään 79 astetta jyrkkiin rinteisiin.

Kuva 4. Kevon kanjonin rinteiden jyrkkyys.

Seuraavaksi loin rinteen suuntaa kuvaavan tason Aspect-työkalulla. Tuloksena on alla oleva hyvin psykedeelisen näköinen visualisointi. Eri värit kuvaavat tässä eri ilmansuuntia vasemman yläreunan taulukon mukaisesti.

Kuva 5. Kevon kanjonin rinnesuunnat.

 

Viikon harjoitus: Hydrologista mallinnusta

Tutkin myös alueen valuma-alueita (kuva 6, jossa myös mielestäni selkein jokiuomaesitys, josta lisää kohta). Valuma-alueet keskittyvät alueen pohjois- ja eteläpuolille. Moni valuma-alue näyttää myös epärealistisen pieneltä. Näin ollen epäilen, ettei tämä analyysi anna kovin realistista kuvaa Kevon kanjonin valuma-alueista. Tutkimalla Paikkatietoikkunan valuma-alue-karttatasoa näkeekin, että valuma-alueet ovat siinä hyvinkin erinäköisiä kuin tässä harjoituksessa saadut. Ne ovat suurempia ja halkovat aluetta, yhtyen jokiuoman keskellä (kuva 7).

Kuva 6. Kevon kanjonin korkeusmalli, uomat (sinisellä) sekä valuma-alueet (harmaalla).

Kuva 7. Kevon kanjonin alueen valuma-alueet (Paikkatietoikkuna)

 

Tutkin myös alueen uomia erilaisilla valunnan raja-arvoilla (kuvat 8-10). Kuvassa 8 on oletettu, että vain niistä pikseleistä, joihin virtaa vettä yli 2000 muusta pikselistä, muodostuu uoma. Kuvassa 9 oletusarvo on 10 000 pikseliä, ja kuvassa 10 oletus on 100 000 pikseliä. Mielestäni paras lopputulos on 10 000 pikseliä: siinä ei ole liikaa tai liian vähän uomia, joten lopputulos näyttää varsin selkeältä ja havainnolliselta. Uomat näyttävät näissä kaikissa kuitenkin mielestäni varsin loogisilta, seuraten paljolti maaston muotoja.

Kuva 8. Uomat, oletusarvo 2000 pikseliä

Kuva 9. Uomat, oletusarvo 10000 pikseliä

Kuva 10. Uomat, oletus 100000 pikseliä.

 

Lähteet:

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

https://kartta.paikkatietoikkuna.fi/

Muukkonen, Petteri (2023). Geoinformatiikan menetelmät 2. Luentosarja Helsingin yliopistossa

Hellurei!

Tällä viikolla palasin monen kuukauden tauon jälkeen geoinformatiikan ihmeelliseen maailmaan Geoinformatiikan menetelmät 2-kurssin merkeissä. Kurssin alussa mieleni täyttyy jännityksellä. Edessä on uuden ohjelman, ArcGIS Pron, opettelua sekä monimutkaisen kuuloisia analyysejä. Ei auta kuin ryhtyä harjoittelemaan!

Maanantain luennolla ja kurssikirjallisuuden avulla palauttelin mieleen jo ennestään hieman tuttuja päällekkäis- ja bufferianalyysejä. Torstain harjoitusryhmässä pääsin opettelemaan näitä käytännössä. Kurssikirjallisuus muistutteli, että yleisimpiä vektorianalyysejä ovat union, intersect, identity, ja erasecover. Näiden avulla karttatasoja yhdistellään tai rajataan erilaisiin tarpeisiin. Rasterianalyyseissä tämä tehdään aritmeettisesti, ja tässä käytettävät funktiot voidaan jakaa seuraavasti: paikalliset, lähiympäristön, vyöhykefunktiot ja koko alueen funktiot. (Holopainen et al., 2015).

Tehtävä 1. Helsingin sisääntuloväylien maanpeite

Tässä tehtävässä harjoiteltiin bufferianalyysiä sekä clip-leikkausanalyysiä. Harjoituksessa käytettiin maanpeite-aineistoa, jossa alueen maankäyttö oli luokiteltu yhdeksään luokkaan, sekä aineistoja jotka sisälsivät Vihdintien ja Lahdenväylän viivoina. Bufferianalyysi on etäisyysanalyysi, jonka avulla luodaan halutun alueen, pisteen tai viivan ympärille halutunlainen vyöhykealue. Tästä syntyy uusi taso, jonka avulla voidaan tehdä jatkoanalyyseja. Tehtävä jatkuikin clip-analyysilla, joka leikkaa piparkakkumuotillaan lähtötasoa niin, että syntyy uusi taso, jossa on vain lähtötason attribuuttitiedot. Tässä tapauksessa siis lähtötasona oli maanpeiteaineisto ja clip-tasona juuri luotu bufferi. (Muukkonen, luennot 2023)

Alla tiivistetysti työn vaiheet:

• vsualisoidaan maanpeiteaineisto ja väylät kartalle
• luodaan bufferi Vihdintielle
• leikataan maanpeiteaineisto luodulla bufferilla (clip)
• lasketaan pinta-alat hehtaareissa maanpeiteluokille
• toistetaan kolme edellistä vaihetta Lahdenväylälle

Kuva 1. Maanpeite ja Helsingin sisääntuloväylät

 

Tehtävän tarkoitus oli siis tarkastella maankäyttöä sisääntuloväylien alueella, ja tähän tarkoitukseen bufferi- ja clip-analyysit ovat erittäin käyttökelpoisia.  Analyysien avulla saatiin tiedot siitä, millaisissa suhteissa ko. väylien alueella (250 m bufferi) maata käytetään. Näistä tein vielä piirakkadiagrammit (kuvat 2 ja 3). Diagrammeista näkee, että molempien väylien alueella suurin maanpeitteen osa on puusto. Lahdenväylän alueella tiet ovat toiseksi suurin, kun taas Vihdintien alueella toiselle sijalle pääsee vettä läpäisemätön pinta. Diagrammit ovat varsin samannäköisitä, eli suuria eroja näiden väylien maankäytössä ei näytä tämän perusteella olevan. (Diagrammeissa olen käyttänyt eri värejä, mikä on huolimattomuusvirhe ja saattaa hankaloittaa hieman vertailua.)

Kuva 2. Maankäyttö Lahdenväylän alueella

Kuva 3. Maankäyttö Vihdintien alueella

 

Tehtävä 2. Toukolan, Kumpulan ja Käpylän maankäyttö

Seuraavaksi harjoiteltiin Intersect- ja Dissolve-toimintoja. Intersect on leikkausanalyysi, joka leikkaa pois ne leikkauskartan piirteet, jotka eivät osu liitettävien karttatasojen yhteiselle alueelle (Holopainen ym, 2015). Harjoituksessa käytettiin maanpeite-aineiston lisäksi kaupunginosat-aineistoa, josta valittiin analyysia varten vain Toukolan, Kumpulan ja Käpylän kaupunginosat. Dissolve boundaries-työkalun avulla yhdeksän maanpeite-luokkaa yhdistettiin vain kahdeksi: luonto ja rakennettu.

Työn vaiheet tiivistetysti:

• luodaan taso jossa vain 3 kaupunginosaa
• leikataan maanpeitetaso kaupunginosatason mukaan (intersect)
• visualisoidaan uusi taso maanpeitetason mukaisesti
• yhdistetään luokat kahdeksi Dissolve Boundaries -työkalulla
• visualisoidaan lopputulos (kuva 4)

Kuva 4. Kumpulan, Toukolan ja Käpylän maankäyttö

 

Lopuksi laskin vielä pinta-alat maanpeitteen luokille kaupunginosittain, ja tein tästä diagrammin (kuva 5).

Kuva 5. Käpylän, Toukolan ja Kumpulan maankäyttö

 

Clip- ja intersect-analyysien ero on siis se, että clip säilyttää vain lähtötason attribuuttitiedot, kun taas intersect säilyttää molempien tasojen tiedot.

Tässä tehtävässä maanpeite-luokat yhdistettiin niin, että lopputuloksessa on vain kaksi luokkaa. Muu paljas maa -luokka luokiteltiin rakennettuun ympäristöön. Tämä voi olla analyysin tuloksen kannalta ongelmallista, sillä ei ole tietoa siitä, onko ”muu paljas maa” todella rakennettua vai ei. Kuvasta 1 näemme, että muu paljas maa -luokka kattaa varsin suuriakin alueita, joten kuvan 5 diagrammit voisivat näyttää selvästi erilaisilta, jos tämä luokka olisi luokiteltu toisin tehtävässä 2.

 

Lähteet:

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

Muukkonen, Petteri (2023). Geoinformatiikan menetelmät 2. Luentosarja Helsingin yliopistossa