Month: November 2022

Kolmas viikko jatkoi edellisen viikon Kevon kanjonin seudun rasteriaineistoilla ja kurssikerran lukemisto oli jo edellisellä viikolla käsittelemäni katkelma teoksesta Geoinformatiikka luonnonvarojen hallinnassa (Holopainen M. ym., 2015, s. 51-53 & s. 61-65). Materiaalit alkavat olla jo aika tuttuja, sillä samaa teosta käytettiin jo ensimmäisestä viikosta lähtien. Lukemistoa tärkeämpiä materiaaleja tällä viikolla olivat harjoituksen aineistojen metadata-tiedostot. Viikon harjoitukset tehtiin Luonnonvarakeskuksen aineistoilla, jotka kuvasivat alueen puustoon liittyviä tietoja. Harjoitus jakaantui viiteen osaan:

• Datan tarkastelu
• Kokonaisbiomassan laskeminen eri puutyypeille
• Etäisyysbufferit uomille
• Biomassan tilastollisten tunnuslukujen laskeminen etäisyysvyöhykkeittäin
• Latvuspeittävyyden laskeminen korkeusluokittain
• Bonus: Puuston keskipituus etäisyysvyöhykkeittäin.

Harjoituksissa pääsi jonkin verran toistamaan samoja työvaiheita, mikä auttoi muistamaan prosessia. Raportteja kirjoittaessa olen myös huomannut, kuinka työvaiheiden läpikäyminen auttaa jäsentämään prosessia kokonaisuutena ja sitä kautta opittua on helpompi painaa mieleen. Joten jäsennellään tämäkin viikko.

Biomassan laskeminen ja tulosten tarkastelu

Tutkin harjoituksessa männyn, lehtipuiden ja kuusen kokonaisbiomassaa ja vertailin tuloksia keskenään. Tarkastelin alkuun jälleen datan metatietoja, joista selvisi aineiston spatiaalinen resoluutio, joka oli 16x16m / pikseli. Biomassan yksikkö 10kg/ha, mutta muokkaan sen analyyseissa muotoon t/ha, jotta tulosten tarkastelu on selkeämpää. Aineisto on Luonnonvarakeskuksen tuottamaa ja se on osa kuntakohtaisia metsävara-arvioita. Biomassa-aineistojen koostamiseen on hyödynnetty laserkeilainmateriaalia kahdesta keilaimesta sekä Landsat 8-satelliitin laserkeilaimesta. Biomassan selvittämistä varten on hyödynnetty biomassamalleja sekä koepuista mitattuja tietoja, kuten yhteenlaskettua puuaineen tiheyttä. Aineistot ovat peräisin vuodelta 2019.

Laskin männyn, kuusen ja lehtipuiden kokonaisbiomassan raster calculatorilla ja muutin ne muotoon t/ha. Visualisoin biomassaa kuvaavat kartat männyille ja lehtipuille, joista kuvat alla.

Tarkastelin biomassojen määrää ja sijoittumista sekä vertailin lajien välisiä eroavaisuuksia. Yllä olevien mäntyjen ja lehtipuiden biomassaa tarkastelevien karttojen lisäksi tarkastelin harjoituksia tehdessä myös kuusen biomassaa alueella. Kaikkien lajit keskittyvät selvästi kanjonin uomien läheisyyteen. Männyn yhteenlaskettu biomassa on kaikista suurin ja se on levittäytynyt alueelle tasaisesti ja tiiviisti. Seuraavaksi eniten alueella on lehtipuiden biomassaa ja kuusen kaikista vähiten. Mänty on Suomen yleisin puulaji eikä se ole nirso elinympäristön suhteen, mikä selittää sen runsasta esiintyvyyttä. Lehtipuiden kategoriassa taas on summattuna usean lajin biomassa, joten ne ylittävät kuusen, vaikka se onkin männyn jälkeen Suomen toiseksi yleisin puulaji. 

Kuusen niukkaa biomassaa selittää myös se, että laji on mäntyä vaativampi elinympäristönsä suhteen. Kuusi tarvitsee riittävästi kosteutta ja pinta-alaa, niinpä se onkin sijoittunut muita lajeja selkeämmin kanjonin välittömään läheisyyteen kapeana nauhana. Kuusen esiintyminen keskittyy etenkin alueen koillisosiin, joissa myös veden virtaama on suurempi ja kosteutta on enemmän saatavilla.

Kevon kanjonia ympäröi luonnonpuisto, joten sen läheisyydessä ei ole merkittävää asutusta, metsätaloutta tai rakentamista, joka vaikuttaisi lajien esiintyvyyteen. Kuusen leviämiseen on kuitenkin vaikuttanut muiden alueiden metsätalous, joka suosii mäntyä. Niinpä kuusi on levinnyt Lapin pohjoisosiin metsätalouden suosimia lajeja hitaammin. Lisäksi lajien sijoittumista ohjaa auringonvalon määrä sekä maaperän ominaisuudet, kuten ravinteisuus ja maastonmuodot. Lehtipuut hyötyvät auringonvalosta havupuita enemmän ja ovat myös ravinteiden suhteen vaativampia. Kaikkien lajien esiintyvyyteen vaikuttaa negatiivisesti myös alueen pohjoinen sijainti, sillä puut eivät menesty parhaiten Lapin karuissa olosuhteissa.

Etäisyysbufferit uomista ja tilastollisten tunnuslukujen laskeminen

Tässä vaiheessa pääsin hyödyntämään edeltävän viikon uomat 100k-tasoa. Uutena työkaluna käytin tällä viikolla euclidean distancea, jonka avulla loin etäisyysrasterit uomille (Kuva 3). Luokittelin luodut etäisyysrasterit edellisistä harjoituksista tutun reclassify-työkalun avulla. Luokittelin etäisyysrasterit 200m välein uomasta viiteen eri luokkaan. Näiden luokkien pohjalta laskin biomassojen tilastollisia tunnuslukuja ja kokosin ne taulukoiksi alle. 

Taulukko 1: Männyn biomassan tilastollisia tunnuslukuja etäisyysvyöhykkeittäin
Etäisyysvyöhyke	Keskiarvo (t/ha)	Minimi (t/ha)	Maksimi (t/ha)
0-200m	0,58	0	72,83
200-400m	4,88	0	74,32
400-600m	0,60	0	73,72
600-800m	0,33	0	80,63
800-1000m	0,32	0	67,73
1000-1200m	0,40	0	65,51

Taulukko 2: Lehtipuiden biomassan tilastollisia tunnuslukuja etäisyysvyöhykkeittäin
Etäisyysvyöhyke	Keskiarvo (t/ha)	Minimi (t/ha)	Maksimi (t/ha)
0-200m	0,56	0	32,23
200-400m	4,14	0	65,58
400-600m	1,22	0	39,49
600-800m	0,81	0	38,73
800-1000m	0,86	0	39,26
1000-1200m	0,31	0	13,49

Taulukko 3: Kuusen biomassan tilastollisia tunnuslukuja etäisyysvyöhykkeittäin
Etäisyysvyöhyke	Keskiarvo (t/ha)	Minimi (t/ha)	Maksimi (t/ha)
0-200m	0,04	0	6,44
200-400m	0,52	0	35,22
400-600m	0,02	0	11,53
600-800m	0,01	0	7,35
800-1000m	0,02	0	6,16
1000-1200m	0,04	0	8,07

Taulukoiden esittämiä tuloksia tarkastellessa huomaa, että kaikkia puutyyppejä sijaitsee enemmän kanjonin läheisillä vyöhykkeillä ja vähemmän kaukaisemmilla. Kaikkien lajien biomassaa sijaitsee selvästi eniten toisella etäisyysvyöhykkeellä kanjonista, eli 200-400m uomista katsottuna. Nämä poikkeuksellisen suuret arvot nostavat myös biomassojen keskiarvoja.

Kasvupaikkaa ohjaavista tekijöistä lajien sijoittumiseen vaikuttaa erityisen voimakkaasti maaston muodot. Siksi lajit suosivatkin toista etäisyysvyöhykettä, joka sijaitsee riittävän kaukana kanjonin jyrkistä rinteistä, mutta riittävän lähellä hyötyäkseen kanjoniin virtaavasta vedestä. Maastonmuodot vaikuttavat myös sen ravinteikkuuteen, sillä jyrkistä rinteistä maan eloperäinen ja ravinteita sisältävä kerros huuhtoutuu helposti pois. Niinpä kasvupaikan suhteen vaativammat lehtipuut ovatkin sijoittuneet vielä havupuita selkeämmin hieman etäämmälle kanjonin välittömästä läheisyydestä.

Latvuspeittävyys eri korkeusvyöhykkeillä

Seuraavaksi tarkastelin alueen puuston latvuspeittävyyttä eri korkeusvyöhykkeillä. Tämän selvittämistä varten lisäsin projektiin tarvittavat rasteriaineistot latvuspeittävyydestä ja sovelsin aikaisempiin työvaiheisiin annettuja ohjeita. Samaan tapaan kuin uomien ja etäisyysrastereiden kohdalla, luokittelin nyt etäisyyden sijasta KevoDEM-korkeusmallin neljään eri korkeusvyöhykeluokkaan. Korkeusvyöhykkeet kuvaavat korkeutta merenpinnasta. Näiden korkeusluokkien mukaan laskin latvuspeittävyyden prosenteissa eri puustoille ja kokosin tulokset taulukoiksi sekä visualisoin niistä kartat.

Tarkastelin jälleen metadatasta, kuinka latvuspeittävyyttä esittävät aineistot on luotu. Latvuspeittävyyden määrittäminen on osa Luonnonvarakeskuksen viiden vuoden välein tehtävää valtakunnallisten metsien inventointia (VMI). Latvuspeitto on saatu selville projisoimalla latvuspeittävyys vaakatasoon koepinta-alalle ja mittaamalla sen peittävyys prosentteina välillä  0-99. Myös tämä aineisto on peräisin vuodelta 2019.

Taulukko 4: Havupuiden latvuspeiton tilastollisia tunnuslukuja korkeusluokittain.
Korkeus merenpinnasta	Keskiarvo (%)	Minimi (%)	Maksimi (%)
0-200m	8,02	0	50,00
200-300m	4,75	0	46,00
300-400m	5,40	0	47,00
400-500m	7,14	0	20,00

 

Taulukko 5: Lehtipuiden latvuspeiton tilastollisia tunnuslukuja korkeusluokittain. (Korkeus merenpinnasta)
Korkeus merenpinnasta	Keskiarvo (%)	Minimi (%)	Maksimi (%)
0-200m	15,13	0	51,00
200-300m	8,08	0	49,00
300-400m	6,63	0	42,00
400-500m	7,50	0	20,00

Sekä havu- että lehtipuiden latvuspeitto on korkeimmillaan ensimmäisessä korkeusluokassa 0-200m. Tämä käy järkeen, sillä mitä korkeammalla puut sijaitsevat, sitä enemmän ne altistuvat kasvua heikentäville luonnonolosuhteille, kuten kylmälle lämpötiloille ja kovalle tuulelle. Kuten odotettua, lehtipuiden latvuspeitto on havupuita suurempi, sillä lehdet ovat neulasia suurempia. Tämä pitää paikkansa kuitenkin vain kesäisin, sillä puiden pudottaessa lehtensä tilanne kääntyy talvisin päittäin.

Bonustehtävä

Pienenä bonuksena näpyttelin myös puiden keskipituuksien tilastollisista tunnusluvuista taulukon.

Taulukko 6: Puuston keskipituuksien tilastollisia tunnuslukuja etäisyysvyöhykkeittäin uomista.
Etäisyysvyöhyke	Keskiarvo (dm)	Minimi (dm)	Maksimi (dm)
0-200m	3,04	0	116,00
200-400m	20,94	0	143,00
400-600m	4,89	0	136,00
600-800m	3,24	0	111,00
800-1000m	3,511904	0	118
1000-1200m	1,89677	0	84

Puiden keskipituutta kuvataan desimetreinä. Suurimmat keskipituudet sijoittuvat toiselle etäisyysvyöhykkeelle uomista katsottuna ja pääsääntöisesti arvot pienenevät mitä kauempana uomista ollaan. Tämä ei yllätä, sillä aikaisemmista analyyseistä on käynyt ilmi, että kaikki lajit viihtyvät eniten uomien läheisyydessä ja erityisesti toisella etäisyysvyöhykeellä sen kasvuolosuhteiden vuoksi.

Lopuksi:

Tälläkin viikolla sain kulutettua lukuisia työtunteja tehtäviin, taulukoihin ja karttavisualisointeihin. Tehtävän työvaiheet olivat kuitenkin melko selkeitä ja aikaa kului lähinnä työvaiheiden toistoon ja useiden karttavisualisointien hienosäätöön. Toiston ansiosta harjoituksen sisältö kuitenkin painui mieleen, mikä varmaan oli tarkoituskin. Etenkin aineistojen metadatan tarkastelu oli tällä kertaa jo helpompaa, vaikka yksikköjä pitikin välillä miettiä hetki. Oli myös hyvä käyttää samoja työkaluja kuin aikasemmillakin viikoilla, vaikka raster calculatorin kanssa joutuukin välillä kikkailemaan. Kaiken kaikkiaan viikko sujui kivasti, joten ensiviikkoon tältä erää.

Lähteet

Holopainen M., Tokola T., Vastaranta M.,  Heikkilä J., Huitu H., Laamanen R., & Alho P. (2015) Geoinformatiikka luonnonvarojen hallinnassa. Helsingin yliopiston metsätieteiden laitoksen julkaisuja 7 s. 51-53 & s. 61-65

 

 

Toisella viikolla alkoi osa kolmen viikon kokonaisuutta, jossa on käytössä osittain samat aineistot. Tämän luennon aiheena oli korkeusmallit ja hydrologinen analyysi. Kuten edelliselläkin viikolla, aiheeseen tutustuttiin jälleen maanantain teorialuennolla ennen varsinaisia harjoituksia. Lukemistona toimi ensimmäiseltä viikolta (ja fuksivuodelta) tuttu teos Geoinformatiikka luonnonvarojen hallinnassa (Holopainen M. ym., 2015, s. 51-53 & s. 61-65). Katkelmakin olivat osittain sama rasteriaineistojen leikkausanalyysejä koskeva osio. Aihe olikin tällä viikolla relevantimpi, sillä käsittelimme rasteriaineistoja.

Ja harjoituksiin

Aineistona toimi korkeusmalli (DEM) Kevon kanjonin alueelta Utsjoelta yhdessä maastokartan ja ilmakuvan kanssa. Tällä viikolla aineistoihin tutustuttiin hieman tarkemmin, sillä pääsin tutkimaan korkeusmallin metatietoja. Poimin sieltä ylös joitakin tietoja, jotka ovat koottuna alla olevassa taulukossa.

Taulukko 1: KevoDEM-tason metatietoja

Projisoitu koordinaattijärjestelmä	ETRS-TM35FIN
Korkeusmallin yksiköt (vaaka- ja pystysuunnassa)	Metri
Spatiaalinen resoluutio	2m x 2m
Alueen koko	36 km

Alueen korkeusvaihtelut aineistojen perusteella

Tutkin myös korkeimpien ja matalimpien kohtien sijoittumista alueella. Loin KevoDEM- tasosta vinovalovarjosteen ja lisäsin siihen korkeuskäyrät vertaillakseni näiden avulla mallien heikkouksia ja vahvuuksia. Kaikista malleista pystyi kuitenkin tulkitsemaan, että korkeimmat kohdat sijoittuivat alueen länsireunaan ja matalimmat kanjonin pohjalle, etenkin sen keskivaiheille. Alla pohdintaa näiden mallien välisistä eroavaisuuksista, vahvuuksista ja heikkouksista.

KevoDEM:

Tutkin korkeusvaihteluita ensin KevoDEM-tason kautta. Vaihtelua pystyi tulkitsemaan värivaihteluiden perusteella. Lisäksi kursoria liikuttelemalla näki alueen korkeuden myös metreissä ja diagrammin kautta. Malli on yksinään hiukan kömpelö, vaikka alueesta saakin yleiskuvan. Mallia käytettäessä värivalinnoilla oli suuri rooli sen toimivuuden kannalta.

Korkeuskäyrät:

Korkeuskäyriä on vaikea tulkita ilman taustakarttaa, joten ne toimivat muiden mallien tukena.  Lähemmässä tarkastelussa ne helpottavat korkeuden hahmottamista. Käyrien lukeminen jyrkissä vaihteluissa voi kuitenkin olla välillä hankalaa, sillä se peittää aineiston osittain alleen ja ne sotkeutuvat toisiinsa. Tässä voi kuitenkin auttaa käyrien välien harventaminen. 

Vinovalovarjoste:

Vinovalovarjoste on mielestäni paras väline korkeusvaihtelun tulkitsemiseen visuaalisesti, sillä sen avulla on helppo hahmottaa alue yhdellä silmäyksellä. Sen voi myös lisätä muiden tasojen taustalle säätämällä läpinäkyvyyttä. Vinovalovarjosteen huono puoli voi kuitenkin olla siinä, että kontrasti saattaa toisinaan näyttää jopa liioitellulta. Valitsen sen kuitenkin mieluiten korkeuden tarkasteluun, toki käyttötarkoituksesta riippuen.

Slope ja Aspect

Loin KevoDEM-mallista slope- ja aspect-tasot, jotka kertovat rinteen jyrkkyyden ja rinteen viettosuunnan. Tarkastelin hieman rinteiden jyrkkyyttä (eli slope), joka kertoo sen asteina. Rinteiden jyrkkyys vaihteli aineistossa asteiden 1.72-90 välillä. Jyrkimmät rinteet ovat siis jopa pystysuoria ja loivimmat lähes tasaisia. Nämä jyrkimmät kohdat löytyivät arvatenkin kanjonin reunamilta, joissa sijaitsi myös korkeimmat kohdat.

Hydrologinen mallinnus

Slope- ja aspect-tasojen luomisen jälkeen siirryin tekemään hydrologista mallinnusta aineistojen perusteella. Hydrologinen malli auttaa tarkastelemaan veden virtaussuuntia valuma-alueella. Mallinnus perustuu pikselin ja sen naapuripikseleiden arvoihin, joiden mukaan määritetään veden virtaussuunta jyrkimpään alamäkeen. Hydrologinen mallinnus toimii nelivaiheisena operaationa, jonka aikana täytin aineiston kuopat, mallinsin virtaussuunnan, potentiaaliset virtausreitit ja kumulatiiviset virtausmäärät sekä määritin alueen vedenjakajat ja valuma-alueet. Alla pohdintaa joistakin välivaiheista.

Valuma-alueet

Yllä olevassa kuvassa on merkittynä valkoisella rajatut valuma-alueet. Valuma–alueiden jakautumiseen vaikuttaa merkittävästi Kevon kanjoni, jonka ansiosta merkittävin ja suurin valuma-alue sijaitsee alueen keskellä. Reunamilla valuma-alueet pirstaloituvat alueen pienempien huippujen ja rinteiden rajaamiksi. Nämä pienemmät valuma-alueet eivät kuitenkaan ole täysin realistisia, sillä mallinnus toimii veden virtaussuuntien ja -määrien perusteella. Niinpä mallinnus saattaa merkitä paikallisia maastonvaihteluita varsinaisiksi valuma-alueiksi, vaikka ne eivät todellisuudessa ole kovin merkittäviä. Yllä olevan kuvan ylä- ja alareunoissa voi havaita joitakin tällaisia alueita, joissa valuma-alueiden rajat sijaitsevat lähes kiinni toisissaan.

Uomat ja raja-arvot

Kuten valuma-alueita rajatessa, myös uomia mallinnettaessa tulokset voivat olla hieman vääristyneitä. Pienillä raja-arvoilla mallinnus voi merkitä karttaan sellaisetkin uomat, jotka voitaisiin enemmin laskea vain pieniksi painaumiksi. Pienillä arvoilla mallinnetut uomat saattavat olla myös muodoltaan virheellisä ja epäloogisen näköisiä. Siksi kannattaa suosia hieman suurempia raja-arvoja. Harjoittelin raja-arvojen säätämistä ja niiden vaikutusta voi vertailla kahden alla olevan kuvan perusteella. Viimeisenä mallinnuksen tuloksena syntynyt valmis kartta.

Lopuksi

Tämä viikko oli varsinaista GIS-talkoota, kun kirin kasaantuneiden tehtävien tekemisessä. Sairastuin erään luonnontieteilijöille suunnatun risteilyn jälkimainingeissa, minkä vuoksi en päässyt torstaina pienryhmäluennolle saati saanut tehtäviä heti pakettiin. Olin siitä hieman huolissani, mutta turhaan: tehtävien tekeminen vei aikaa, mutta ei tuottanut juurikaan ongelmia. Hydrologisen mallinnuksen ja korkeusmallien väliset eroavaisuudet oli melko helppo sisäistää. Muutamasta asiasta jouduin kysymään, mutta en onneksi törmännyt mihinkään ylitsepääsemättömään. Lisäksi GIS-tehtävien naputtelu öisellä kampuksella oli ihan tunnelmallista ja vieläkin hauskempaa silloin, kun seurana oli joku kurssikaveri.  

 

Lähteet:

Holopainen M., Tokola T., Vastaranta M.,  Heikkilä J., Huitu H., Laamanen R., & Alho P. (2015) Geoinformatiikka luonnonvarojen hallinnassa. Helsingin yliopiston metsätieteiden laitoksen julkaisuja 7 s. 51-53 & s. 61-65

Taas GIS:n pariin!

 

Viimeisimmästä GIS-kurssista on vierähtänyt hetki ja nyt palaan taas sen pariin ristiriitaisin tuntein. Suoritin edelliset kurssit kunnialla, mutta ei niistä sentään itsevarma olo jäänyt. QGIS:n sijaan tällä kurssilla käytetään ArcGIS:ä, joka on kuulopuheiden mukaan helpompi käyttää. Ensimmäisen luennon materiaaleja selatessa tulikin toiveikas olo, sillä harjoituksiin löytyi kattavat ohjeet, joilla voin valmistautua jo etukäteen. Ainakin omaa oppimistani tukee, kun osaan asettaa projektin välivaiheet kontekstiin sen perusteella, millaiseen lopputulokseen pyritään. 

Kurssi käynnistyi maanantain teorialuennolla, joka käsitteli overlay-analyyseja ja bufferointia.  Luentomateriaalien lisäksi aiheiseen pääsi tutustumaan myös kurssikirjallisuuden kautta, joka oli tällä viikolla katkelma teoksesta Geoinformatiikka luonnonvarojen hallinnassa (Holopainen M. ym., 2015, s. 60-65). Lukemisto käsitteli havainnollistavien kuvien kera vektori- ja rasteriaineistojen erilaisia overlay-analyyseja sekä niiden välisiä eroavaisuuksia. Ensimmäisen viikon harjoituksissa käytimme kahta näistä, eli clip- ja intersect-työkaluja vektoriaineistoille. Kerron analyysien toimintatavasta ja eroavaisuuksista lisää myöhemmin.

Ensimmäinen harjoitus

 

Harjoitusluennoilla päästiin analyysien pariin käytännössä. Ensimmäisen tehtävän tavoitteena oli bufferoida Vihdintien ja Lahdenväylän ympäristö sekä yhdistää niihin maankäyttöaineisto clip-työkalulla. Tarkastelin muokattujen alueiden pinta-aloja ja muunsin niiden yksiköt neliömetreistä hehtaareiksi. Lopuksi visualisoin buffereiden maankäyttöluokat prosenttiosuuksien perusteella. Ennen teiden bufferointia ja leikkaamista, visualisoin alueen maankäyttöluokat alla olevaksi kartaksi. Alla myös tehtävän lopullinen tulos, eli bufferoitujen teiden maankäyttö diagrammeina.

 

 

Ympyrädiagrammit eivät kuitenkaan tuntuneet parhaalta mahdolliselta tavalta havainnollistaa maankäyttöluokkien osuuksia suhteessa toisiinsa. Luokkia on niin monta, että niiden hahmottaminen pienestä ympyrästä on vaikeaa. Kokeilin myös lukuisia erilaisia väriyhdistelmiä, mutta ne eivät tehneet merkittävää eroa. Päätinkin siksi vertailun vuoksi tehdä molemmista myös vaihtoehtoiset diagrammit, jotka ovat mielestäni selkeämmät.

Toinen harjoitus

 

Toisessa harjoituksessa vertailtiin maankäyttöä Helsingin Käpylän, Kumpulan ja Toukolan alueella. Jouduin tekemään ensimmäisen tehtävän osittain uudestaan, koska leikkasin ensin epähuomiossa intersectillä väärän tason. Työvaiheiden toistaminen oli kuitenkin ihan hyvä juttu, sillä ainakin tehtävän kulku jäi paremmin mieleen.

Aineistona käytettiin Helsingin kaupunginosia sekä samaa maanpeiteaineistoa, kuin ensimmäisessä tehtävässä. Leikkasin ensin aineistoja intersect-työkalulla, minkä jälkeen uudelleen luokittelin arvoja field calculatorilla. Leikkaamalla aineistoja sain käytettäväksi tason, jossa on haluamani kaupunginosat sekä niiden maankäyttö. Lopuksi laskin alueiden pinta-alat, luokittelin ne luonnonympäristöihin ja rakennettuihin ympäristöihin sekä visualisoin tulokset.

Alla olevan kartan  luokat syntyivät siis, kun uudelleen luokittelin kuvassa 1 näkyvät maankäyttöluokat, joiden joukossa on myös muu paljas maa-luokka.  Muu paljas maa luokiteltiin uudelleen luontokohteeksi, mikä on osittain harhaanjohtavaa. Se nimittäin pitää sisällään kaiken sellaisen, joka ei lukeudu muihin olemassa oleviin luokkiin, eivätkä siis välttämättä ole luonnonympäristöksi laskettavaa. Tällaisia alueita voivat olla esimerkiksi joutomaat ja parkkipaikat. 

 

Clip vs. Intersect?

Käytin tehtävissä kahta eri overlay-analyysia. Ensimmäisessä harjoituksessa leikkasin clip-työkalulla Vihdintielle ja Lahdenväylälle luodut bufferit maankäyttötasosta. Clip toimii piparkakumuotin tavoin, jolloin pääsin tarkastelemaan maankäyttöä buffereiden kattamilla alueilla. Toisessa vaiheessa käytin intersectiä, jolla yhdistin halutut kaupungin osat maanpeiteaineistoon. Nopealla tarkastelulla näiden kahden työkalun ominaisuudet vaikuttavat varsin samanlaisilta. Suurimmat eroavaisuudet ovat kuitenkin siinä, miten työkalut muokkaavat tasojen attribuuttitaulukoita. Clip-työkalua käytettäessä vain lähtötason attribuutit tulevat lopputulokseen. Intersect taas yhdistää molempien tasojen attribuutit ja tasojen ulkoraja määräytyy leikkaavan polygonin perusteella. Eli kuten 2. tehtävässä tapahtuikin: intersectin jälkeen maanpeitetaso leikkaantui kaupunginosien mukaisesti.

Lopuksi

Kaiken kaikkiaan tehtävien työstäminen ja tuloksien visualisointi onnistui ja palauttelin mieleeni edellisiltä kursseilta opittuja asioita. Niinpä kurssin alku sujui mallikkaasti ja sain tehtävät pakettiin ilman sen suurempia ongelmia. Tähän loppuun sanoisin että ensiviikkoon, mutta julkaisen seuraavan viikon raportin tähän heti seuraavaksi. 

PS. pahoittelut sumuisista diagrammeista.

Lähteet:

Holopainen M., Tokola T., Vastaranta M.,  Heikkilä J., Huitu H., Laamanen R., & Alho P. (2015) Geoinformatiikka luonnonvarojen hallinnassa. Helsingin yliopiston metsätieteiden laitoksen julkaisuja 7 s. 60-65