GIM2 – Viikko 3

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