GIM2 – Viikko 7

Hei!

Viimeistä viedään!

Tällä viikolla oli edessä haastava tehdä: suunnitella laskettelukeskuksen toimintoja ArcGISissä itsenäisesti. Jäiks!

Laskettelukeskus vain aloittelijoille – järkeä vai ei?

Aloitin etsimällä laskettelukeskukselle paikkaa Paikkatietoikkunasta. Yhden epäonnistuneen kokeilun jälkeen kohteeksi valikoitui lopulta Sallan alueella oleva Ukerovaara. Ajatuksena olisi siis perustaa Sallaan kilpaileva laskettelukeskus. Ajattelin, että keskuksen kohderyhmää ovat aloittelevat laskettelijat, joten haluan sinne vain erittäin helppoja ja/tai helppoja rinteitä. Keskeinen valintakriteeri oli oikeastaan Ukerovaaran sileän näköiset rinteet, joita voisi olla mukava lasketella. (Alueella on oikeasti myös ojaa ja rakennuksia siellä, minne ajattelin rinteiden laskevan, mutta kuvitellaan tätä harjoitusta varten, että näin ei ole.)

Kun olin ladannut korkeusmalliaineiston alueesta ja avannut sen ArcGISillä, aloin etsimään sopivia rinteitä. Tämä tapahtui Slope-toiminnolla, sekä Reclassify-työkalulla, jonka avulla pystyin luokittelemaan rinteet vaikeusasteen mukaisesti neljään eri luokkaan.

Selvisi, että Ukerovaaralla on hyvin vähän erittäin helppoja rinnekohtia. Keskityin siis vain helppoihin rinteisiin. Keskivaikeita kohtia oli helppojen rinteiden alueella, joten karsitaan nuo kohdat soveltuvuusanalyysilla. Halusin myös rinteiden olevan mahdollisimman tasaisia, eli että rinnesuunta olisi reitillä mahdollisimman samankaltainen (ei siis suuria töyssyjä tms). Soveltuvuusanalyysin kriteereiksi tuli siis:

-alle 25% jyrkkyys, rinnesuunta luode, pohjoinen, länsi (nämä suunnat koska jo rinnevarjostuksesta näkee että tasaisimmat rinteet ovat tällä puolen vaaraa)

Soveltuvuusanalyysia varten yhdistin kriteerit täyttävät rasterit (Slope ja Aspect) Raster Calculatorilla. Muutin sitten vielä rasterit vielä vektorimuotoon Raster to Polygon-työkalulla. Tuloksena kuvan 1 kuvakaappaus, josta näkyy Ukerovaaran helppojen rinteiden alueet.

Kuva 1. Ukerovaaran helppojen laskettelurinteiden alueet soveltuvuusanalyysin jälkeen.

Digitoin kaksi erilaista laskettelureittiä, jotka eivät osu keskivaikeille kohdille. Näytti kuitenkin siltä, että alueen lähellä kulkeva rautatie on aivan turhan lähellä toista reittiä. Oletetaan että reitti ei saisi kulkea vaikkapa alle 100 m päästä rataa, ja tutkitaan bufferianalyysilla, osuuko se tälle vyöhykkeelle. Bufferianalyysi sen paljasti: toinen reiteistä kulkee turhan lähelle rataa. Tämän vuoksi leikataan Clip-analyysillä reittitasoa luodulla bufferilla. Leikatun tason attribuuttitaulukko kertoo, että liian lähellä rataa kulkee 287 metriä laskettelureittiä. Kun tämä vähennetään digitoidun reitin 737:stä metristä, niin jäljelle jää alle 500 metriä reittiä. Täytyy siis todeta, että sijainti tälle helpolle rinteelle on huono, ja vain toinen suunnittelemistani reiteistä voisi toimia.

Lopputuloksena tästä suunnitelmanpoikasesta voi todeta: aloittelijakeskuksen idea ei toimi, ja olisikin järkevää suunnitella Ukerovaaralle keskivaikeitakin rinteitä!

Kuvassa 2 vielä visualisoitu kartta molemmista reiteistä bufferin kanssa.

Kuva 2. Ukerovaaran suunnitellut helpot laskettelureitit.

Loppusanat

Tällä kurssilla on tullut niin paljon asiaa niin lyhyessä ajassa, että on ollut vaikeaa sisäistää tietoa sujuvaa itsenäistä työskentelyä varten. Siksi keskityin tässä tehtävässä mahdollisimman yksinkertaiseen analyysiin – tämäkin tehtävä oli minulle hyvin haastava. Oli vaikeaa keksiä mielekkäitä analyysejä, joita tässä olisi ollut järkevää soveltaa. Tehtävää hidasti sekin, että yritin ensin huonosti valitulla alueella, ja toisella yrityksellä Ukerovaarankin kanssa aloitin monia kohtia uudelleen alusta, kun en ihan hahmottanut, mitä olisi pitänyt tehdä. En siis sanoisi geoinformatiikan taitojani hyviksi: geoinformatiikka on aina ollut opinnoissa minulle vaikeinta. Toisaalta tällä kurssilla on ollut itselleni helpompiakin viikkoja, ja myös oppimisen iloa on mahtunut mukaan.

GIM2 – Viikko 6

Hei!

Tällä viikolla aiheena oli interpolointi. Interpolointi perustuu spatiaalisen autokorrelaation periaatteelle, eli sille että lähellä toisiaan olevien pisteiden arvot ovat todennäköisemmin lähellä toisiaan kuin kauempana olevien pisteiden arvot. Yhtä pistettä vastaava arvo siis yleistetään tietylle pistettä ympäröivälle alueelle. Esim. maaperäkarttoja tuotetaan tällä tavoin: olisi mahdotonta ottaa näyte maaperän jokaisesta kohdasta, joten interpoloimalla yleistetään tämä pisteittäin kerätty tieto koskemaan laajempia alueita.

Globaalisissa interpolointimenetelmissä käytetään alueen kaikkien pisteiden havaintoja. Tällaisia ovat mm. trendipinta-analyysi, Fourier-sarjat. Paikallisissa menetelmissä käytetään vain naapuripisteiden havaintoja. Tällaisia ovat mm. splinit, liukuvien keskiarvojen menetelmä, kaksoislineaarinen interpolointi, sekä Kriging.

Interpolointitekniikoita on deterministisiä, joissa käytetään matemaattisia funktioita, sekä geostatistiset, joissa käytetään sekä matemaattisia että tilastollisia menetelmiä. (Holopainen ym., 2015)

Determinististä interpolointia

Harjoituksessa kokeilin deterministisiä interpolointimenetelmiä. Aloitin datan esikäsittelyllä: sarakkeiden yhdistämisellä sekä keskilämpötilojen muuttamisella numeeriseen muotoon. Ensimmäiseksi kokeilin Thiessenin polygonien menetelmää. Valitsin equal breaks -luokittelun lämpötiloille, sillä se tuntui ja näytti selkeimmältä (kuva 1). Thiessen-polygoneissa oletetaan, että paras ennuste tuntemattomalle pisteelle saadaan kopioimalla sitä lähimmän havaintopisteen arvo. Tämä on paras menetelmä luokka-asteikollisille muuttujille (Holopainen ym., 2015), mutta toimii tässäkin tapauksessa.

Kuva 1. Thiessen-polygonit keskilämpötiloista.

Seuraavaksi kokeilin globaaleja menetelmiä, trendipintoja. Globaali tarkoittaa siis, että jos yhden pisteen arvo muuttuu, se muuttaa koko outputin arvot. Nämä tuottavat rasteriaineiston, toisin kuin Thiessenin polygonit, jotka tuottavat vektorimuotoisen lopputuloksen. Kuvissa 2-4 on ensimmäisen, toisen ja kolmannen asteen trendipinnat tammikuun keskilämpötiloista Suomessa.

Kuva 2. Ensimmäisen asteen trendipinta keskilämpötiloille

Kuva 3. Toisen asteen trendipinta keskilämpötiloille.

Kuva 4. Kolmannen asteen trendipinta keskilämpötiloille.

En osaa sanoa, mikä näistä olisi paras. Ainoa ero mitä näen on, että ensimmäisen asteen trendipinta on suorarajaisempi. Ehkä kolmannen asteen näyttäisi jotenkin realistisemmalta kuin hyvin suorat rajat? (Huomasin, että tein jonkinlaisen virheen jossain kohtaa analyysia koska Suomen kartasta puuttuu itäisin nurkka.)

Seuraavaksi vuorossa oli Inverse Distance Weighted eli IDW-interpolointi. IDW on lokaali menetelmä, eli yhden pisteen muuttaminen vaikuttaa vain paikallisesti, ei koko lopputulokseen.

Säätelin asetuksia aluksi, ja paraskin tulos johon eri asetuksilla pääsin, valitettavasti vääristää hieman arvoja ylöspäin. IDW-interpoloinnin tulos on kuvassa 5.

Kuva 5. IDW-interpolointi tammikuun keskilämpötiloille.

Tämä näyttää jo lämpötiloille hyvinkin realistiselta ja sopivammalta kuin edelliset trendipinnat.

 

Spline-interpolointi

Lopuksi tein vielä Spline-interpoloinnin 12 kuukauden keskilämpötiloille (kuva 6).

Kuva 6. Spline-interpolointi vuoden keskilämpötiloille.

 

Lopputulos on huono, sillä ajan puutteen vuoksi en pystynyt visualisoimaan karttaa aivan loppuun, ja sen vuoksi esim. osa kartoista on eri mittakaavoissa. Tässä on myös niin monta lämpötilaluokkaa, että värisävyjä on vaikea erottaa toisistaan. Ehkä tämä ei siis ole kaikkein havainnollisin karttaesitys. Toisaalta kun samassa esityksessä on kaikki 12 karttaa, niiden kokonaisuus kuvaa ilmiötä varsin hyvin. Heti näkee, mitkä kartoista ovat ”kuumimpia” ja mitkä ”kylmimpiä”. Yksityiskohtaisempaa informaatiota varten tämä esitystapa ei kuitenkaan ole mielestäni paras tapa.

 

Lähteet:

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

GIM2 – Viikko 5

Heippa!

Tämän viikon aiheena oli näkyvyys- ja maisema-analyysi. Näkyvyysanalyysilla saadaan selville ne alueet, jotka voidaan nähdä tietystä kohdepisteestä. Tällä on monenlaisia sovelluskohteita, ja se on hyödyllinen mm. maisemasuunnittelussa (Holopainen ym., 2015) Jonkin kohteen näkyvyyttä voidaan analyysin avulla niin parantaa kuin huonontaa, esim. jokin tuotantolaitos voidaan ”piilottaa” maisemaan.

Yleisin näkyvyysanalyysi on viewshed analysis, jossa mukaan otetaan useita katselupisteitä. Harvinaisempi versio on ns. line of sight -analyysi, jossa on vain yksi katselupiste. Menetelmästä tiivistäen voi sanoa, että jos etäisyyden ja korkeuden suhdeluku tietyssä pikselissä on suurempi kuin aiemmissa pikseleissä, kohde näkyy tuohon pikseliin. Jos taas pienempi, kohde ei näy.

 

Vaellusreitin kuuluvuusalueet

Harjoituksessa tutkittiin hypoteettisen vaellusreitin alueen mobiililaitteiden kuuluvuutta: kuuluvuuden katto- ja katvealueita. Aloitin tuomalla ArcGisiin korkeusmallin ja GSM-tukiasemamastot. Sitten visualisoin alueen korkeusmallin sekä digitoin vaellusreitin (kuva 1). Reitin pituudeksi tuli 62,986 km.

Kuva 1. Kevon kanjonin korkeusmalli ja keksitty vaellusreitti.

 

Näkyvyysanalyysissa kyse ei siis ole vain konkreettisesti näkymisestä, vaan myös vaikkapa kuuluvuus tai muun signaalin kulku on se, mitä näkyvyysanalyysin avulla selvitetään. Seuraavaksi tein Line of Sight -analyysin Visibility-työkalulla. Muutin rasterin polygonitasoksi, jossa kuuluvuusalueen pikselit saivat arvon 1 ja kuuluvuusalueen ulkopuoliset alueet arvon NODATA. Tuloksena on kuvan 2 kartta, jossa näkyy punaisella katvealueelle jäävät reitin osat.

Kuva 2. Keksityn vaellusreitin katvealueet.

 

Reitistä 39,309 km, eli n. 62% on katvealueella. (Tämä attribuuttitaulukon antama tieto on hieman hämmentävä, sillä kuvan 2 perusteella näyttäisi, että paljon enemmänkin kuin 62% on katvealueella.)

 

Parannettu kuuluvuus

Seuraavaksi parannetaan kattavuutta lisäämällä alueelle uusi tukiasemamasto. Tämäkin toteutetaan näkyvyysanalyysin avulla (kuva 3). Tutkittuani eri karttatasoja valitsin pisteen, joka voisi olla potentiaalisesti parhaita uudelle mastolle.

Kuva 3. Uuden maston sijainti ja näkyvyysanalyysin tulos.

Mustalla pisteellä on arvaukseni siitä, mikä olisi paras sijainti uudelle mastolle. Osuinkin aika lähelle, sillä analyysi antoi tulokseksi aivan lähellä olevan pikselin, joka näkyy kuvassa 3 haaleana mustan pisteen alapuolella koordinaattien kanssa. (En saanut näitä pisteitä näkyviin ilman, että muutin Raster Layer-välilehdeltä Layer Blendiksi ’Multiply’. Jostain syystä tässä ei auttanut edes ko. karttatasojen nostaminen Contents-paneelissa ylimmäiseksi. Siksi tämä kartta ei ole kovin kivan näköinen, mutta uuden maston ja arvauksen sijainti sentään tulee edes hieman näkyviin.) Uuden tukiasemapisteen koordinaatit ovat siis 69,5335510°N ja 26,7807641°. Uuden maston paras paikka löytyi niin, että etsittiin se pikseli, joka sai korkeimman arvon.

Tässä harjoituksen kohdassa resoluutio vaihdettiin 10 metristä 100 metriin. Tämä voi vaikuttaa analyysin lopputulokseen jonkin verran. Toisaalta käyttämäni teoreettinen tukiasemamaston kantama on 35 km, joten ehkä tässä mittakaavassa vaikutus ei ole niin merkittävä?

Lopuksi tein vielä uuden näkyvyysanalyysin, jossa tämä uusi masto oli mukana. Uuden maston avulla katvealueella oli nyt vain 23,357 km reitistä, eli 37% (kuva 4).

Kuva 4. Vaellusreitin katvealueet uuden maston lisäämisen jälkeen.

 

Lähteet:

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