Month: February 2023

Viimeisen viikon harjoituksen tavoitteena oli kerrata opittua ja hyödyntää uusia taitoja itsenäiseen työskentelyyn analyysien parissa. Loin kuvitteellisen esityksen uuden laskettelukeskuksen sijainnista ja suunnittelin sinne erilaisia rinteitä, parkkipaikan, tien sekä hiihtohissin.

Lähdin liikkeelle etsimällä sopivaa sijaintia keskukselle paikkatietoikkunasta. Tarkastelin maastosta yli 260m korkeita mäkiä, joiden rinteet eivät näyttäneet liian jyrkiltä. Päätin tutkia Lappia, jossa suurin osa Suomen laskettelukeskuksista sijaitsee. Päädyin sijoittamaan keskuksen Pohjois-Lappiin, sillä siellä on harvempaa asutusta ja muuta ihmistoimintaa, jota keskuksen rakentaminen mahdollisesti häiritsisi. Sopivan oloinen alue löytyi Otsamonmäen lounaispuolelta läheltä Inarin kaupunkia. Alla kuvakaappaus sijainnista paikkatietoikkunassa.

Etsin saman sijainnin paitulista ja latasin sieltä tarvittavan karttalehden, jonka siirsin ArcGIS:in. Seuraavaksi loin siitä neljänneltä viikolta tuttuun tapaan slope- ja aspect-tasot, jotka kuvaavat rinteen jyrkkyyttä ja suuntaa. Lisäsin myös korkeuskäyrät ja rinnevarjostuksen, jotka havainnollistavat korkeusvaihteluita visuaalisesti.

Siirryin tekemään alueesta rasterianalyysiä näiden pohjalta. Luokittelin alueet viiteen luokkaan rinteen jyrkkyyden mukaan ja käytin tähän reclassify-työkalua. Visualisoin luokat haluamallani tavalla ja aloin hahmottelemaan laskettelukeskuksen rinteitä jyrkkyyden mukaan.

Sijoittelin yllä olevaan kuvaan rasterianalyysin pohjalta laskettelurinteet, hiihtohissin ja parkkipaikan sijainnit. Sijoitin parkipaikan vihreän rinteen kanssa samaan luokkaan kuuluvalle alueelle, jonka jyrkimmät kohdat ovat alle 15 astetta, eli alue on melko tasainen. En ole itse koskaan ollut laskettelemassa, joten sopivaa rinteen pituutta oli vaikea arvioida. Kaikilla suunnittelemillani rinteillä on kuitenkin pituutta yli puoli kilometriä, joten arvelen, että se riittää.  Kokeiltuani erilaisia taustakarttoja päädyin jättämään taustalle rasterianalyysin, sillä esimerkiksi satelliittikuvassa oleva puusto sai suunnitelman näyttämään sekavalta.

Koska tehtävä oli hyvin vapaamuotoinen, jäin miettimään, ovatko visualisointini riittävän selkeitä ja lähdinkö niiden kanssa oikeaan suuntaan. Omaan silmään lopputuloksena syntynyt esitys näyttää hieman erikoiselta, mutta ainakin siitä löytyy tarvittavat elementit. Visualisointia olisi voinut ehkä tukea paremmin 3D-mallinnus, josta oli esimerkkikuva harjoituksen ohjeissa. 

Lopuksi

Oli rohkaisevaa huomata, että jotain on kurssilta jäänyt käteenkin ja harjoituksen tekeminen onnistui melko helposti. Palautin mieleeni aiemmilta viikoilta tuttuja elementtejä, kuten slope- ja aspect-tasojen luomisen, reclassify-työkalun käytön, korkeuskäyrien ja rinnevarjostuksen luomisen sekä tietenkin myös digitoinnin. Karkeasti harjoituksen voisi jakaa rasterianalyysiin ja vektorianalyysiin. Visualisointi kuitenkin poikkesi aiemmilla kurssikerroilla tehdyistä, ja aluksi olikin vaikea hahmottaa, miltä lopputuloksen pitäisi näyttää. Toki tehtävänanto oli myös sen verran vapaa, että sitä oli varmasti tarkoituskin tulkita omalla tavallaan.

Lähteet

Paikkatietoikkuna, saatavilla osoitteessa: https://kartta.paikkatietoikkuna.fi/

Kuudes viikko ja aiheena tällä kertaa interpolointi. Luennolla esiteltiin erilaisia interpolointimenetelmiä, joita päästiin testaamaan käytännössä harjoitusten kautta. Aloitin aiheen käsittelyn lukemistosta, joka oli jälleen ote teoksesta Geoinformatiikka luonnonvarojen hallinnassa, tällä kertaa kpl 7. Interpoloinnilla tarkoitetaan matemaattisiin funktioihin perustuvia menetelmiä, joilla aineistoon luodaan rajoja havaintopisteiden välille. Arjessa interpoloituja karttoja näkee esimerkiksi säätiedotteiden yhteydessä.

Tavoitteina oli tutustua interpoloinnin menetelmiin, ymmärtää niiden toimintaperiaatteet sekä oppia automatisoimaan toistuvia työvaiheita modelbuilderillä. Modelbuilder olikin tuttu neljännen viikon harjoituksista, joissa sitä käytettiin soveltuvuusanalyysin tekemiseen. Harjoitus jakaantuu kahteen osaan: deterministiset interpolointimenetelmät sekä lopuksi spline-interpoloinnin automatisointi. Jälkimmäisen osan tavoitteena oli tehdä yhteensä 12 sääkarttaa modelbuilderin avulla. Lisäksi keräsin kaikista tällä kurssikerralla harjoitelluista interpolointimenetelmistä tietoja, jotka ovat koottuna taulukkoon raportin lopussa.

Osa 1: Thiessen, Trendipinta & IDW

Tein kolmesta deterministisestä interpoloinneista visualisointeja, joista ensimmäisenä oli vuorossa Thiessenin polygonit. Aineistona toimi Ilmatieteenlaitoksen keräämä Suomen säähavaintoaineisto vuodelta 2020. Thiessenin polygonit perustuvat havaintopisteen ympärille rajattuihin havaintoalueisiin, joissa polygonin rajoilta on lyhyin matka alueen sisällä olevaan pisteeseen. Tein visualisoinnit myös trendipintainterpoloinnista sekä inversed distance weighted, eli IDW-interpoloinnista. Trendipintainterpoloinneista tein kolme eri versiota. Alla kuvat näistä kaikista.

Tein 1., 2. ja 3. asteen trendipintainterpoloinnit. Tarkastelemalla näitä huomaan, että mitä korkeampi aste, sitä kaartuvampia interpoloinnin käyrät ovat. Koska käyrien kaartuvuus tarkoittaa suurempaa virheastetta, en käyttäisi menetelmää ainakaan näin pienelle alueelle. Ehkä sitä voisi hyödyntää esimerkiksi maailmankartoissa.

IDW-interpoloinnin tekoon hyödynsin Geostatistical Wizard-työkalua, joka paitsi kuulostaa hauskalta, oli myös helppokäyttöinen. IDW-interpolointi perustuu havaintoaineiston lähimpien pisteiden keskiarvoon, joiden avulla ennakoidaan tuntemattomien pisteiden arvoa. Menetelmän heikkous on taipumus yli- tai aliarviointeihin.

Osa 2: Spline-interpolointi

Toinen osa harjoitusta käsitteli spline-interpoloinnin luomista ja automatisointia. Spline on deterministinen interpolointimenetelmä, joka minimoi havaintopisteille luodun viivan kaarevuuden. Käytännössä harjoituksen tavoitteena oli interpoloida sääkartat vuoden jokaiselta kuukaudelta edellisissä tehtävissä käytettyjen säähavaintoaineistojen pohjalta.

Tehtävässä hyödynnettiin tuttua modelbuilderia, jonka kokoaminen oli teoriassa yksinkertaista, mutta todellisuudessa tästä tuli viikon harjoitusten aikaa vievin osuus. Ongelmia tuotti omien virheideni lisäksi ArcGIS:n mystiset bugit, joiden vuoksi aloitinkin tehtävän kokonaan alusta kahdesti. Lopuksi karttojen visualisointien hiomiseen kului myös aikaa, vaikka helpommallakin olisi toki voinut päästä. Onnistuin kuitenkin lopulta tuomaan modelbuilderilla tarvittavat kartat,  joista kuva alla.

Valitsin karttojen väriskaalaksi punaisen ja sinisen, sillä ne kuvastavat lämpötilojen ääripäitä hyvin. Toisaalta värit saattavat hieman ylikorostaa vaiheluita, mutta koin ne sopiviksi tähän käyttötarkoitukseen.

Tässä vielä taulukkoon koottuja tietoja viikon interpolointimenetelmistä:

Lopuksi

Kaiken kaikkiaan viikon tehtävät kääriytyvät lopulta pakettiin. Jälkikäteen tarkasteltuna suurimmaksi haasteeksi osoittautui jälleen aloittamisen vaikeus muiden kurssien tehtävien ja menojen lomassa. Olen kuitenkin tyytyväinen lopputuloksiin ja helpottunut, että viikon tehtävät on vihdoin tehty. Opin paljon uutta modelbuileristä, joskin kohtaamieni ongelmien syyt jäivät osittain arvoitukseksi. Välillä toistin jotain vaihetta tismalleen samalla tavalla menestyksettä, mutta viidennellä yrittämällä sama onnistuikin ilman mitään ilmeistä syytä.

Raporttia kootessa huomasin myös harmikseni muutamia huolimattomuusvirheitä ensimmäisen osion kartoissa. Kuvaan 3 oli esimerkiksi jäänyt vielä kehykset ja karttojen keskinäinen koko vaihteli bloginäkymässä, joten niiden tyyli ei ole keskenään yhtenäinen. Ulkoasusta olisi myös voinut tehdä hieman tyylikkäämmän. Olin kuitenkin tietoisesti jättänyt alkupään karttojen hiomisen hieman vähemmälle, sillä olin tehnyt ne pois alta jo muutama viikko sitten ja keskityin nyt vielä puuttuviin osioihin.

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. 67-80