Tekijä: Jenna Nieminen

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.

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

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

 

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

Moikka vielä (viimeistä kertaa tämän kurssin merkeissä)!

Saimme tällä viikolla itse etsiä aineistoa ja päättää, millaisen karttaesityksen teemme. Ympäristötieteistä kiinnostuneena päätin tutkailla hieman kasvihuonekaasupäästöjä Suomessa. Latasin kasvihuonekaasupäästö-tiedostot Tilastokeskuksen Statfin-tietokannasta. Kasvihuonekaasupäästöt on ilmoitettu tuhansina tonneina CO2-ekvivalenttia. Päästöt on ilmoitettu ilman LULUCF-sektoria. Forest.fi-sivuston mukaan ”LULUCF tarkoittaa Euroopan unionin politiikkaa maankäytön, maankäytön muutosten ja metsien ilmastovaikutusten suhteen”. En saanut Tilastokeskuksen sivulta selville, miksi tämä sektori on jätetty tilastosta pois.

Ensin tarkastelin pylväsdiagrammin avulla khk-päästöjä aikavälillä 2010-2020 (kuva 1). Kuvasta näkee, että päästöt ovat vähitellen pienentyneet tällä aikavälillä. Pienimmillään ne olivat vuonna 2020. Ennen tätä Suomen päästöt eivät olleet alittaneet 50 000 tuhatta tonnia CO2 ekvivalenttia.

Kuva 1. Suomen kasvihuonekaasupäästöt 2010-2020.

Karttaesitykseen valitsin ajankohdiksi vuodet 2019 ja 2020, erityisesti koska on todettu päästöjen pienentyneen koronapandemian seurauksena 2020. Halusin visualisoida muutosta Suomen khk-päästöissä näiden vuosien välillä. Maakuntakarttapohjan latasin rajapinnan kautta niinikään Tilastokeskukselta.

Vaikka päästöt ovat ilahduttavasti jo olleet laskussa vuodesta 2010 eteenpäin, voi silti olettaa, että koronalla on ollut jotakin tekemistä vuoden 2020 ennätyksellisen pienten päästöjen kanssa, mm. liikenteen vähentymisenä.

Kuvassa 2 on esitetty suhteelliset kasvihuonekaasupäästöt tuhansina tonneina CO2-ekvivalenttia maakunnittain vuonna 2019. Kuvasta 1 näkee, että Uusimaa oli yllätyksettömästi suurin päästöjen aiheuttaja. Seuraavina tulivat Varsinais-Suomi, Pirkanmaa, Pohjois-Pohjanmaa sekä Lappi. Pienimmät päästöt sen sijaan olivat Ahvenanmaalla, Keski-Pohjanmaalla, Etelä-Savossa, Pohjois-Karjalassa ja Kainuussa.

Kuva 2. Suomen kasvihuonekaasupäästöt maakunnittain v. 2019.

Kun tein vastaavan koropleettikartan vuoden 2020 päästöistä, kartta näytti hyvin samanlaiselta. Vain Päijät-Häme siirtyi kategorian alemmas. Attribuuttitaulukosta kuitenkin näki, että päästöt olivat pienentyneet kaikissa maakunnissa. Siispä tein kartan, jossa prosenttiosuuksien pienentyminen on esitetty (kuva 3). Suurin muutos on tapahtunut Uudellamaalla, jossa päästöt pienenivät 3,4%.

Kuva 3. Suomen kasvihuonekaasupäästöjen pieneminen % vuonna 2020 verrattuna vuoteen 2019.

Koska päästöt ovat pienentyneet jo aiempina vuosina, tämä ei ehkä ollut järisyttävin karttaesitys. Mutta oli kiintoisaa tutkia päästöjen muutoksia ja harjoitella vielä koropleettikartan tekoa. Oli myös hauskaa lukea ja katsella kurssikaverien karttoja. Esim. Kiia oli tehnyt kartan vähän erikoisemmasta aiheesta, villisikaonnettomuuksista. Vaikka Kiia tuo esille sen, ettei hänen kartassaan riistaonnettomuuksia ole suhteutettu väkilukuun, oli silti kiintoisaa tietää, miten riistaonnettomuudet ja etenkin harvinaisemmat villisikaonnettomuudet ovat Suomessa määrällisesti jakautuneet.

Tähän loppuu tämä kurssi. Se on ollut välillä turhautumista aiheuttava, mutta samalla erittäin antoisa kurssi. Vaikka mielessä on kirkkaana kokemus siitä, kuinka vaikeaa QGISin käyttö välillä on, olen edistynyt paljon viikkojen 1 ja 7 välillä.

Kiitos kaikille lukeneille!

 

Lähteet:

Korpinen, K. (2023). Kurssikerta 7. GEOINFORMATIIKAN MENETELMÄT 1, 2023. Blogisivusto. https://blogs.helsinki.fi/kiiakorp/2023/03/03/kurssikerta-7/

https://forest.fi/fi/faq/mika-on-lulucf/#5a7e2216

 

Heippa!

Tällä kerralla kävimme kampuksen ja Arabianrannan alueella keräämässä dataa Epicollect5 -sovelluksen avulla. Itse tulen Helsinkiin kaukaa pohjoisesta (Hyvinkäältä), enkä tuntenut tutkimaamme aluetta juurikaan. Oli siis hyvä että matkassa oli kurssilaisia, joille se oli tuttu. Epicollect5 on aika huippu sovellus. Oli helppoa ja hauskaa kerätä sen avulla paikkatietoa. Pisteaineiston voi sitten ladata palveluun, josta sen näkee kartalla. Siihen voi liittää myös ottamiaan kuvia kohteista. Aloin heti suunnitella, että seuraavalla ulkomaan matkalla voisin yhdistää ottamiani kuvia kartalle Epicollectin avulla.

Arvioimme eri kohteiden turvallisuutta ja viihtyisyyttä. Reilun 45 minuutin ulkoilun jälkeen palasimme luokkaan, ja avasimme palveluun lataamamme pisteaineiston csv:nä QGISissä. Teimme tälle sitten interpoloinnin (josta otin näyttökuvan, jota en sitten enää löytänytkään koneeltani).

*

Seuraavaksi tutkailimme hasarderja: maanjäristyksiä, tulivuoria sekä meteoriittitörmäyksiä. Kuvassa 1 on maailman seismisten hasardien alueet, eli ne alueet, joilla on paljon tulivuoria ja maanjäristyksiä.

 

Latasimme kolmesta eri palvelusta eri hasardeihin liittyvää aineistoa. Kuvassa 2 olen esittänyt pistekarttana vuosien 1898-2012 maanjäristykset, joiden magnitudi on vähintään 7. Nämä maanjäristykset ovat erittäin voimakkaita, ja aiheuttavat vakavaa tuhoa laajoilla alueilla (britannica.com).

Vertaamalla kuvaan 1 nähdään, että maanjäristykset ovat kasautuneet seismisesti aktiivisille alueille. Magnitudin 7-8 järistyksiä on eniten, niin paljon että ne osittain peittävät suuremmat järistykset. Kun esitetään vain 8 ja sitä suuremman magnitudin järistykset (kuva 3), nähdään, että määrä on huomattavasti pienempi. Kartasta näkee, että yli 9 magnitudin järistyksiä on ollut vain yksi. Tämä tapahtui Japanissa vuonna 2011.

 

Sitten tarkastelin tulivuoriaineistoa. Kuvassa 4 olen esittänyt maapallon tulivuoret. Kuvasta erottuvat taas hyvin mannerlaattojen saumakohdat, joissa on paljon sekä maanjäristyksiä että tulivuoria. Kuvassa 5 ovat tulivuoret, joiden viimeisin purkaus on ollut vuoden 1963 jälkeen. Tästä näkee jälleen, miten kohteet karsiutuvat: melko pieni osa tulivuorista on purkautunut viime vuosikymmeninä.

Lopuksi tutkailin vielä meteoriitteja. Kuvassa 6 on pistekartalla kaikki tunnetut maahan pudonneet meteoriitit vuoteen 2013 mennessä. Kuvasta näkee, kuinka tiheään meteoriitteja putoilee. Suurin osa niistä on kuitenkin hyvin pieniä. Kun tätä vertaa karttaan 7, jossa on esitetty vain yli 10 000 kg:n meteoriitit, huomaa, kuinka harvinaista on että meteoriitit olisivat massaltaan näin suuria. Kuva 5 myös havainnollistaa sitä, että meteoriitteja havaitaan ja löydetään useammin sieltä, missä myös ihmisiä on enemmän. Harvaan asutuilla ja autioilla alueilla näyttää siis olevan vähemmän meteoriitteja, vaikka niitä todennäköisesti putoaa niihin saman verran kuin muuallekin.

 

Mielestäni tekemäni kartata sopivat varsin hyvin näiden hasardien kuvaamiseen. Ne tuovat esille myös sen faktan, että mitä suurempi hasardi, sitä harvinaisempi se on. Toisaalta olisin voinut tehdä myös karttoja joissa esitetään samaan aikaan eri hasardeja. Niin ne olisivat helpommin vertailtavissa. Olisin voinut kokeilla myös erilaisia aluejakoja. Esimerkiksi Kerttu oli esittänyt pohjoisen ja eteläisen pallonpuoliskon tulivuoret erillisillä kartoilla.

Ensi viikolla viimeinen kurssikerta, palataan vielä silloin!

 

Lähteet:

https://www.britannica.com/science/earthquake-geology/Earthquake-magnitude

https://www.gfz-potsdam.de/en/gshap

https://blogs.helsinki.fi/rkerttu/2023/02/22/6-harjoituskerta-22-2-2023/

Moro!

Tällä kerralla opettelimme mm. bufferianalyysin tekoa, sekä kertasimme aiemmin harjoiteltua. Bufferianalyysi oli kiintoisa ja kätevä juttu oppia. Bufferianalyysilla voi tutkia esimerkiksi sitä, kuinka monta ihmistä asuu tietystä kohteesta vaikkapa 5 kilometrin sisällä. Tämä on hyödyllistä monella tapaa ja monella alalla. Yksi itsenäistehtävä valotti tätä hyvin: tutkimme, kuinka monta asukasta asuu Helsinki-Vantaan lentokentän pahimmalla melualueella. Tällaiset analyysit auttavat mm. kaupunkisuunnittelussa.

Suurin osa tunnista oli itsenäisiä tehtäviä. Itsenäistehtävät olivat minulle varsin vaikeita. Usein tuntuu, että osaan käyttää QGISiä vain kohta kohdalta-ohjeiden avulla, en vielä itsenäisesti. Tuntuu, etteivät QGISin miljoonat (?) eri toiminnot pysy mielessä, enkä aina hahmota, mistä minun edes pitäisi lähteä liikkeelle uuden tehtävän edessä. Oppimisen iloni koki tällä viikolla siis notkahduksen.

Noh, unohdetaan tämän viikon QGIS-angstit. Yritän katsoa asioita positiiviselta kannalta, ja listata joitakin asioita, jotka minulta jo sujuvat:

• Kurssin alussa kartan tekeminen New Print Layout -ikkunassa oli aikaa vievää. Nykyään se sujuu minulta ongelmitta.
• Tiedän mistä lisätä aineistoja QGISiin (rajapintojen kautta sekä vektori- ja rasteritasoina).
• Tiedän mistä saada sen viime kerran ärsyttävän violetin neliön pois! (magneettikuvake pois)
• Osaan tehdä temporary layerista pysyvän (ja tallentaa sen muualle kuin oletuksena tulevaan paikkaan, jonne ei ole käyttöoikeuksia…)
• Tehdä uuden tason, jonne tulee vain halutut kohteet (eli Save Selected Features as…)
• Laskea uusia muuttujia attribuuttitaulukkoon (Open field calculator)

Siinä muutamia taitoja, joista täytyy muistaa iloita!

Tässä vielä taulukko niiden tehtävien vastauksista, jotka sain tehtyä. Vertailin tuloksiani mm. Joelin vastaavaan, ja huomasin saaneeni joissain kohdissa aika erilaisia tuloksia. Ehken siis kaikkea osannut, mutta ainakin yritin.

 

Taulukko 1. Vastaus muutamaan kurssikerta 5:n tehtävään.

Lentokentät
Kuinka monta asukasta asui 2km sisällä Malmin lentokentän pahimmalta lentomelualueelta?	135187
Entä 1 km sisällä?	8889
Kuinka monta % asuu Helsinki-Vantaan lentokentän 65dB melualueella?	0.16 %
Kuinka monta asukasta asuu väh. 55 dB melualueella?	521
Asemat
Kuinka monta asukasta alle 500m päässä juna-tai metroasemasta?	111765
Kuinka monta % kaikista alueen asukkaista asuu alle 500m päässä?	21.60 %

 

Ensi kerralla suuntaamme ulos. Se on tervetullutta vaihtelua pelkälle koneella istumiselle!

Lähteet:

Schüle, J. (2023) MAA-202 Joel Schüle. Viikko 5. Blogisivusto. Viitattu 20.2.2023. https://blogs.helsinki.fi/jschule