Author: Selenius

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

Tämän viikon harjoitukset käsittelivät näkyvyysanalyysejä ja jakaantuivat neljään osaan. Miljöönä oli jälleen Kevon kanjonin seutu. Ennen harjoituksia perehdyin lukemistoon, joka oli jälleen ote teoksesta Geoinformatiikka luonnonvarojen hallinnassa (Holopainen M. ym., 2015, s. 87-91), kappaleesta 9: Näkyvyys ja maisema-analyysi. Kappaleen sisältö toistui myös luennolla ja syvennyin analyyseihin jälleen käytännössä harjoitustehtävien kautta.

Tutkin harjoituksissa LOS (Line of sight)-analyysia ja tein sen pohjalta mobiililaitteiden  katve- ja kattoalueita arvioivia mallinnuksia. Käytin kahta Maanmittauslaitoksen (MML) aineistoa. Toinen aineisto sisälsi alueen puhelinmastojen sijainnit sekä arviot niiden antennien korkeuksista. Lisäksi käytin myös uutta, edellisillä viikoilla käytettyä KevoDEM-mallia tarkempaa korkeusmallia alueelta.

Osa 1: Line of sight-analyysi

Tein ensimmäisenä LOS-analyysin alueelta ja digitoin vaellusreitin Kevon tutkimusasemalta Karigasniemen parkkipaikalle. (Kuva 1) Reitti kulkee alueen polkuja pitkin ja hyödynsin sen tekemiseen OpenStreetMap-taustakarttaa. Vesistöt ylittävissä kohdissa on silta. Lisäsin korkeusmallin tueksi myös rinnevarjostuksen ja säädin läpinäkyvyyden sopivaksi.

Osa 2: GSM-signaalit

Toisessa tehtävässä tarkastelin alueen matkapuhelinverkkojen GSM-signaalien kattavuutta ja tein kuuluvuudesta näkyvyysanalyysin visibility-työkalulla, jonka pohjalta jatkoin tulosten käsittelyä. Tutkin aluksi Suomen matkapuhelinverkkojen kattavuutta yleisesti puhelinoperaattori Elisan sivuilta. Kuten kuvasta 2 näkyy, matkapuhelinverkot kattavat suurimman osan myös aivan pohjoisimmasta Suomesta. Katvealueita on jäänyt tuntureiden seudulle, mutta näitä lukuunottamatta 4G- ja 5G-verkot kattavat lähes koko Suomen, joskin 5G-verkot keskittyvät selvästi Etelä-Suomeen ja niitä on vielä huomattavasti vähemmän kuin 4G-verkkojen kattamia alueita. Tässä harjoituksessa selvitän matkapuhelinten kuuluvuutta ensimmäisessä osassa digitoidulla vaellusreitillä. 

Selvitin alueen mastojen kuuluvuusalueet näkyvyysanalyysillä visibility-työkalulla. Syötin työkalun tietoihin puhelimen potentiaalisen käyttökorkeuden (2m maan pinnasta), mastojen korkeuden sekä niiden teoreettisen maksimikantaman etäisyytenä, joka oli 35km. En kuitenkaan ole aivan varma, kuvaako teoreettinen maksimikantama todellisuutta, vai kutsutaanko sitä harjoituksessa teoreettiseksi koska kantama ei vastaa todellisuutta. Voisin kuvitella, että oikeiden puhelinmastojen kantama voisi olla mahdollisesti tätä laajempi. Tällä oli kuitenkin merkitystä lähinnä harjoitusten todenmukaisuuden arvioinnin kannalta, joka oli toissijaista kun tarkoituksena on harjoitella analyysien tekemistä.

Saatuani näkyvyysalueet selville (Kuva 3), uudelleenluokittelin tulokset reclassify-työkalulla sen mukaan, kuuluvatko ne kuuluvuusalueelle vai eivät. Muunsin tason vektorimuotoon (raster to polygon) ja tein päällekkäisanalyysin (erase) saadakseni selville vaellusreitille osuvat katvealueet. 

Laskin katvealueiden prosenttiosuuden reitistä, jota varten tarkistin reitin kokonaispituuden (61993,07m, eli n.60km) attribuuttitaulukosta. Sain tulokseksi, että katvealue kattaa reitistä 59,42%. Tehtävän tulokset eivät kuitenkaan ole aivan realistisia, sillä mallinsin signaalien kattavuuden Line of sight-analyysin avulla. Niinpä tulokset kuvaavat kattavuuden alueina, joilla ei ole esteitä tai katvealueita, kuten jyrkkiä rinteitä. Todellisuudessa signaalit pystyvät kuitenkin ulottumaan esteiden taakse, mutta yhteys on toki parhaimmillaan silloin, kun matkapuhelin ja masto ovat suorassa näköyhteydessä. Niinpä analyysin tulos kuvaa ennemmin ihanteellisimpia alueita matkapuhelinten käytölle.

Osa 3: Kuuluvuuden parantaminen uuden maston sijoittamisella

Harjoituksen kolmannessa osassa sijoitan alueelle uudelle sijainnille potentiaalisen maston ja pohdin, paraneeko kuuluvuus sen avulla. Tutkin alueen maastoa korkeusmallin avulla ja arvioin sen arvojen perusteella, mikä olisi paras paikka uudelle mastolle. Päätin sijoittaa sen kohtaan, joka korkeusmallista ja rinnevarjostuksesta manuaalisesti tarkasteltuna vaikutti olevan korkealla paikalla.

Seuraavaksi selvitin, osuiko arvio oikeaan. Tein näkyvyysanalyysin maaston korkeustietojen ja katvealueiden perusteella. Visualisoin tulokset ja arvion jälleen maston sijaintia korkeimpien arvojen perusteella. Tarkistin tason tiedoista korkeimman pikselin arvon, joka oli 1699. Harjoituksen ohjeet kehottivat etsimään kohdan explore-työkalulla, mutta käytin tässä vaiheessa työkalua nimeltä Find highest or lowest point, jonka löysin pikaisella google-haulla tarkoitusta varten. Sain tällä tavalla merkattua pisteen kartalle helposti ja pikselin arvo täsmäsi aiemmin selvitettyyn. Koska tämä 1699-pikseli oli analyysin perusteella paras paikka mastolle, visualisoin tulokset sen mukaan. (Kuva 6) Maston koordinaatit ovat 26°27’1″E 69°28’38″N / 26,4502526°E.

Tulos erosi melkoisesti aiemmin arvioidusta, sillä vaikka se sijoittui maantieteellisesti lähelle arviotani, oli se kuitenkin arvojen puolesta kaukana. Ehkä olisin voinut löytää paremman sijainnin vähän sinnikkäämmällä tarkastelulla, mutta koska tiesin että seuraavaksi paikka selvitetään analyysillä, päätin edetä. Arviointi ja tulokset kuitenkin havainnollistivat hyvin korkeusmallien hahmottamisen ongelmakohtia, sillä aivan kärjessä olevat maksimiarvot eivät korostu muusta ympäristöstä tätä tarkoitusta varten riittävästi.

Osa 4: Uuden maston vaikutus katvealueisiin

Tehtävän viimeisessä osassa selvitin, kuinka paljon vaellusreitin katvealueet vähenevät uuden maston sijoittamisen myötä. Toistin toisen osan vaiheet, eli tein näkyvyysanalyysin (tällä kertaa uuden maston kanssa), uudelleenluokittelin tulokset ja tein päällekkäisanalyysin erase-työkalulla saadakseni jälleen selville, miltä osin vaellusreitti on katvealueilla. Tulokset alla olevassa kuvassa 7.

Vaellusreitin katvealueet olivat uuden maston sijoittamisen jälkeen 38,13% vaellusreitistä. Ilman mastoa ne olivat 59,42%, joten maston sijoittaminen kyllä paransi tuloksia.

Lopuksi

Analyysien tuloksista on hyvä huomata, etteivät tulokset ole realistisia kyseisissä harjoituksissa. Samoilla menetelmillä voitaisiin kuitenkin saada myös todenmukaisia tuloksia pienillä muutoksilla liittyen esimerkiksi signaalien heijastuvuuteen ja varmistamalla visibility-työkalun parametrit. Luokittelemalla arvoja tarkemmin voitaisiin monipuolisemmin arvioida verkon kuuluvuuden asteita alueittain.

Kaiken kaikkiaan näkyvyysanalyysien tehtävänkulku oli suoraselkäinen, mutta kohtasin joitakin ongelmia arvojen uudelleen luokittelussa ja viimeisessä vaiheessa, kun yritin saada mastot valittua mukaan analyysiin. Jostain syystä yksikään maston arvoista ei ollut valittuna ja jouduin käyttämään tähän vaiheeseen melkoisesti aikaa. Sain onneksi ongelman selvitettyä kurssikaverin avustuksella ja pääsin eteenpäin. Kurssin kuluessa on jälleen huomannut, kuinka tärkeää vertaistuki on.

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. 87-91

Telian kuuluvuusaluekartta, saatavilla osoitteessa: https://elisa.fi/kuuluvuus/

Tämän viikon aihe jatkoi edellisen viikon rasterianalyysiä Kevon kanjonin parissa. Käytin jälleen edeltäviltä viikoilta joitakin samoja aineistoja, joiden lisäksi käytin 2018 tuotettuja Suomen ympäristökeskuksen eli SYKE:n CORINE-maanpeiteaineistoja. Luokittelin ja visualisoin aineistosta maanpeitekartan, jota hyödynsin seuraavan vaiheen soveltuvuusanalyysissä. Soveltuvuusanalyysin avulla selvitin ja visualisoin potentiaalisia telttapaikkoja kanjonin alueelta. Bonuksena pohdin soveltuvuusanalyysin teoriaa myös helikoptereiden laskeutumispaikkojen kannalta ja jäsentelin sen avulla analyysin toimintaperiaatteita.

CORINE-aineisto

Aluksi tutkin hieman aineistoa, josta löytyi kattavat tiedot SYKE:n sivuilta. CORINE-aineisto kuvaa Suomen maanpeitettä ja maankäyttöä. Käytin harjoituksissa aineistona rasterimuotoista materiaalia, jonka resoluutio on 20 x 20m / pikseli. Tämän lisäksi aineistoon kuuluu myös vektorimuotoinen paikkatietokanta. Aineisto kattaa koko Suomen, mutta rajaan siitä clip-työkalulla käyttööni vain tarvittavan osion Pohjois-Lapista Kevon kanjonin alueelta.

Rasteriaineisto avautuu vihreän kirjavana karttana. Värit symboloivat eri maanpeitteitä ja maankäyttöä, jotka on jaettu viiteen pääluokkaan: rakennetut alueet,  maatalousalueet, metsät sekä avoimet kankaat ja kalliomaat, kosteikot ja avoimet suot sekä vesialueet. Harjoituksissa rajasin aineistosta alueen lisäksi myös sisältöä, jotta sain maanpeitteestä tarkasteltavaksi haluamani luokat.

Visualisointi ja tulosten tarkastelu

CORINE-aineisto sisältää useita luokittelutasoja, joista valitsin visualisointiin (Kuva 1) neljännen tason kansalliset luokat. Luokittelutaso käsittelee maanpeitettä ja hyödynnän sitä myös tehtävän seuraavassa vaiheessa soveltuvuusanalyysissä. Jotta sain yhdistettyä selitteen karttakuvaan, tein yksinkertaisen tietokantaliitoksen join-toiminnon avulla. Yhdistin rasteriaineiston attribuuttitaulukkoon excel-tiedostosta taulukon tiedot, joka sisälsi maanpeiteluokkien koodit ja niitä vastaavat nimet. Excel-tiedoston data on myös SYKE:n tuottamaa osana CORINE-aineistoa ja sain sen käyttööni valmiiksi käsiteltynä harjoitusten datakansiosta.

Alueella on niukasti puita ja kasvillisuus on enimmäkseen varpuja. Niinpä selvästi vallitsevin maanpeiteluokka on varvikot ja nummet. Varvikoiden ja nummien jälkeen alueella on eniten harvapuustoisia alueita. Koska alue sijaitsee Pohjois-Lapissa, puuston vähyys ja varpuvaltaisuus ei ole yllättävää.  Kartan koillisosassa sijaitsee laikkuina Pohjois-Suomelle tyypillisiä suuria soita. Soiden lisäksi kartan keski- ja eteläosista löytyy myös muutama järvi. Kartalla on kohtuullisen paljon kalliomaita, jotka ovat myös Lapin karulle luonnolle tunnusomaisia. Sekametsät kivennäsmaalla-luokkaan kuuluvat alueet sijoittuvat kanjonin uomia myöten. Kuten edellisen viikon biomassa- ja puustoanalyyseistä kävi ilmi, myös maanpeitteitä tarkastellessa huomaa selvästi, kuinka kaikki alueen puulajit viihtyvät tiiviisti Kanjonin uomien ja niiden tarjoamien vesivarantojen läheisyydessä. Vaatimattomammat varvut taas ovat levittäytyneet alueelle tasaisesti kalliomaita ja vesistöjä lukuunottamatta.

Soveltuvuusanalyysi: telttapaikat Kevon kanjonilla

Harjoituksen seuraavan osan tavoitteena oli muodostaa aineistojen avulla karttavisualisointi, jossa on rajattuna telttailulle otolliset alueet. Telttapaikkojen soveltuvuutta arvioidaan soveltuvuusanalyysillä, jonka avulla rajaan tasoista tiettyjen kriteerien mukaiset alueet vaiheittain.

Toin tässä kohtaa projektiini uomat 100k-tason lisäksi myös toisen viikon slope- ja aspect-tasot. Telttapaikkojen suhteen huomioitavia asioita olivat korkeus, aspekti, maanpeite, etäisyys vesiuomista sekä rinteen jyrkkyys eli slope. Kerron lisää kriteereiden muokkaamisesta ja pohdin niiden tarkoituksenmukaisuutta tarkemmin alempana bonustehtävän yhteydessä.

Analyysissä hyödynnettiin model bilder-mallia. Model bilderin kautta oli helppo hahmottaa työvaiheita ja nähdä, missä mennään. Mallin käyttö oli hieman hidasta, mutta yksinkertaista. Alla kuva siitä, miltä prosessi näytti käytännössä.

Kuten kuvasta huomaa, käytin soveltuvuusanalyysissä eniten varsin tutuksi tulleita raster calculator- ja reclassify-työkaluja. Visualisoin analyysin tulokset, joista syntyi alla oleva sopivien telttapaikkojen sijaintia kuvaava kartta. (Kuva 3)

Soveltuvat telttapaikat ovat sijoittuneet lähelle toisiaan kartan koillisosiin kuivien uomien pohjalle. Telttapaikat muodostavat nauhan, joka etenee uomaa pitkin kartan keskivaiheille asti.  Alle 260m meren pinnasta sijaitsevien telttapaikkojen rajaaminen käy järkeen, sillä korkealla yöpyminen voi olla lämpötilojen vuoksi epämiellyttävää. Kuivat uomat tarjoavat myös suojaa. Maanpeiteaineistoja tarkastellessa selviää, että telttapaikat sijaitsevat metsäisillä alueilla ja kalliomailla. Kalliomaiden otollisuus telttailulle ei kuitenkaan ole aina ihanteellisinta, sillä maanaulojen kiinnittäminen kovaan maahan voi olla mahdotonta. Siksi analyysissä olisi mahdollisesti voinut rajata maanpeiteaineistojen luokkia vieläkin tarkemmin. Lisäksi telttapaikkaa valitessa maaston pienet vaihtelut ja pinnanmuodot ovat merkittäviä, joten analyysissä oltaisiin voitu käyttää vieläkin tarkempaa aineistoa.

Tulosten visualisointi osoittautui hiukan haastavaksi, sillä telttapaikkoja oli vaikea erottaa ympäröivästä kartasta. Valitsinkin värejä huolella ja päädyin yllä olevaan kokonaisuuteen. Päätin merkitä telttapaikat punaisella, sillä sinisen vastavärinä se erottuu kaikista parhaiten. Taustaksi valitsin yksivärisen sinisen, jotta huomio pysyy telttapaikkojen sijainnissa. Yksivärisen taustan miinuspuoli on kuitenkin se, ettei se havainnollista alueen korkeusvaihtelua mahdollisimman hyvin. Tässä tehtävässä kuitenkin tavoitteena on havainnollistaa max 260m korkeudessa meren pinnasta sijaitsevat telttapaikat, joista suurin osa sijoittuu kanjonin pohjalle. Niinpä korkeusvaihtelun hahmottaminen katseella kartasta on hieman toissijaista ja sen riittävään havainnointiin riittää jo nämä telttapaikkojen sijainnit itsessään.

Bonus: soveltuvuusanalyysin soveltaminen

Bonuksen pohdin edellisen vaiheen telttapaikoille tehdyn analyysin soveltamista vaihtoehtoisella tavoitteella ja siten erilaisilla kriteereillä. En kuitenkaan aivan ehtinyt toteuttamaan työvaiheita käytännössä ja visualisoimaan tuloksia, mutta tehtävän teorian ja vaiheiden tarkastelu oli hyvää kertausta soveltuvuusnalyysin työvaiheille. Tehtävän tavoitteena oli tehdä soveltuvuusanalyysi sopiville helikopterin laskeutumispaikoille. (Tai jollekin muulle tavoitteelle, päätin silti pohtia näitä helikoptereita.) Vertailen laskeutumispaikkojen kriteereitä telttapaikoissa huomioituihin seikkoihin ja kuvailen, millaisia aineistoja prosessissa tarvitaan.

Huomioon otettavat seikat paikkojen valitsemisessa ja suluissa tarvittava aineisto: 

Korkeus (KevoDEM-korkeusmalli)

Aineistosta rajattiin tässä vaiheessa telttapaikkoja varten alueet, jotka sijaitsevat max 260m korkeudella meren pinnasta. Niinpä telttapaikat sijoittuivatkin enimmäkseen kanjonin loivien rinteiden pohjalle.  Korkeuden rajoittaminen ei kuitenkaan välttämättä ole telttailun kannalta välttämätöntä ja sama pätee myös helikoptereihin. Kuitenkin laskeutumispaikalta luultavasti jatketaan matkaa jalan, joten korkeutta olisi syytä rajoittaa edes jonkin verran.

Rinteen suuntautuminen (Aspect-taso)

Rinteen suuntautuminen ei ole laskeutumispaikkojen kannalta oleellista, joten en rajaisi aineistoa sen mukaan. Pohdin tämän vaiheen tarpeellisuutta myös telttapaikkojen kohdalla, mutta ehkä tavoitteena oli valita mahdollisimman suojaisia sijainteja.

Maanpeite (Ensimmäisessä osassa luokiteltu CORINE-aineisto)

Maanpeitteellä on suuri vaikutus laskeutumispaikkojen soveltuvuuteen. Kuten telttapaikoissakin, alue ei voi sijaita kosteassa maastossa, kuten vesistöissä tai soilla. Tämän lisäksi laskeutumispaikoista tulisi karsia kaikki puita ja runsasta kasvillisuutta sisältävät ja epätasaiset alueet. Jäljelle jäisi varvikot ja nummet, niukkakasvustoiset kangasmaat ja kalliomaat. Tässä voitaisiin hyödyntää myös tarkempaa, paikallista pinnanvaihtelua kuvaavia aineistoja.

Etäisyys uomista (Uomat 100k-taso)

Helikopterin on vaarallista laskeutua liian lähelle vesiuomia, joten pitäisin etäisyyden uomista samana kuin telttapaikoissakin, eli 200m niiden reunoista. Lisäksi pitäisi huomioida myös kuivat uomat ja niiden seinämien rinteiden läheisyys.

Rinteen jyrkkyys (Slope)

Rinteiden jyrkkyys vaikuttaa helikoptereiden laskeutumispaikkoihin enemmän kuin telttapaikkoihin, joissa sallittu maksimi oli 10 astetta. Rajaisin sen viiteen asteeseen.

Tulokset

Koska laskeutumispaikkojen suhteen rajoittavia tekijöitä on enemmän kuin telttapaikoissa, analyysin tuloksena saataisiin todennäköisesti paljon vähemmän soveltuvia alueita. Lisäksi pitäisi myös varmistaa, että kartassa näkyvät alueet ovat helikopterille riittävän suuria. Saman voisi toki tehdä myös telttapaikoille, mutta tuloksia tarkastellessa uskon, että kaikille alueille mahtuu tavanomaisen kokoinen teltta. Maanpeitteen rajaaminen karsii erityisen paljon helikoptereille potentiaalisia alueita. Tarkastelemalla kuvasta 1 alueen maanpeitettä, laskeutumispaikat sijoittuisivat mitä luultavimmin alueen niille kalliomaille, jotka sijaitsevat etäällä uomista.

Lopuksi

Tämäkin viikko kääriytyi pakettiin ilman sen suurempia vastoinkäymisiä. Harjoituksen vaiheet olivat selkeitä ja kohtuullisen aikaa vieviä, mutta kokonaisuus oli selkeä. Kuten viime viikolla, myös tämä harjoitus sisälsi samankaltaisten vaiheiden toistoa, joka auttoi muistamaan prosessia. Viikon päätteeksi hahmotan soveltuvuusanalyysin toimintaperiaatteita ja osaan soveltaa niitä tarvittaessa. Aineistojen metatietojen tarkastelu on luonteva osa prosessia, sillä tehtäviä tehdessä on välttämätöntä tietää, miten aineisto on koostettu ja mistä se muodostuu, jotta tuloksia voi analysoida mahdollisimman tarkasti. Tämän viikon perusteella osaan ainakin valikoida maastosta sopivan paikan helikopterille ja sitten vielä teltallekin. Ehkä tähän joskus tarjoutuu mahdollisuus. Ensiviikkoon!

Lähteet:

SYKE:n nettisivut: https://bit.ly/2PWqw0O

 

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

 

 

Seitsemännellä viikolla havahduin pahaenteiseen oireisiin ja tein positiivisen koronatestin. Luulin olleeni immuuni, mutta jouduin kuitenkin karanteenin vuoksi jäämään kotiin viimeisen luennon ajaksi kuin tavallinen kuolevainen. Sairastuminen kurssin loppumetreillä harmitti, sillä motivaationi saada jotakin aikaiseksi perustui osittain vertaistukeen ja -paineeseen. Samaan aikaan muiden kurssilaisten kanssa oli helpompi tarttua toimeen ja hoitaa tehtävät pois alta. Kurssin kuluessa olin ottanut tavaksi osallistua luentojen jälkeisiin hikipajoihin, joissa moni muukin teki harjoituksia. Gis-luokissa oli todella tunnelmaa. Viimeisellä viikolla se ei onnistunut, mutta palasin asiaan näin kesällä tarmokkaampana kuin koskaan.

Viimeisen viikon tavoitteena oli luoda itsenäisesti mikä tahansa kartta, johon on itse etsinyt aineistot. Kun avasin QGIS:n jälleen, urakka osoittautui odotettua haastavammaksi. Selailin lukemattomia aineistoja ja kokeilin useampaa lähestymistapaa tehtävään. Aineistojen löytäminen oli kuitenkin hankalaa ja törmäsin aina lopulta johonkin ongelmaan, josta en päässyt itsekseni eteenpäin. Lopulta en saanut aikaan sellaista karttaa, jonka voisin tänne julkaista. Kurssilla on tullut opittua paljon, mutta kartan tekeminen omin päin, etenkin näin pitkän tauon jälkeen osoitti, että vielä on reippaasti kerrattavaa. Noh, toivon hartaasti, että tämä riittää arvosanan saamiseen. Jos ei, niin palaan asiaan vielä uudestaan. (Pidän sormia ristissä).  Kiitos kuitenkin kurssista ja näkemiin QGIS!

Ja suoraan putkeen julkaisen myös kuudennen blogin viidennen perään. Tätä kurssikertaa muistelen lämmöllä ja viides viikko on vain kaukainen kummitus muistoissa.

Kuudes luento starttasi reippaalla aamukävelyllä talvisessa maisemassa. Kävelyn tarkoitus oli kerätä materiaalia Epicollect5-sovellukseen. Tallensimme lähistöltä löytyviä kohteita ja arvioimme niiden ominaisuuksia. Kerätty aineisto havainnollistettiin kartalle ja samalla harjoiteltiin interpolointi-työkalua. Esimerkkinä harjoituksessa käytimme kohteiden arvioitua turvallisuutta, josta interpoloitiin vyöhykkeet kartalle. Tältä interpoloitu pisteaineisto näytti kartalla:

Ilmeisesti olin luennolla unohtanut lisätä karttaan olennaiset asusteet, kuten mittakaavan, legendan ja pohjoisnuolen. Kartalle merkityt pisteet ovat havainnointipisteitä ja värit punaisesta siniseen kertovat koetusta turvallisuuden tunteesta. (Punainen: turvaton, sininen: erittäin turvallinen) Pohjoinen löytyy kartan yläreunan suunnasta ja mittakaavaa voin vain arvailla.

Harjoituksia

Sitten taas harjoituksiin. Tällä kertaa tehtävänä oli luoda kolme karttaa luonnonkatastrofeista ja pohtia, kuinka karttoja voisi hyödyntää opetuksessa. Lisäksi harjoiteltiin datan itsenäistä etsimistä ja lähteiden hyödyntämistä. Tein kolme karttaa maanjäristyksistä ja tulivuorista.

Latasin maanjäristys-karttaan taustakartan lisäksi pisteaineiston tapahtuneista maanjäristyksistä. Lopuksi loin siitä heatmapin.

Sovelsin samaa kaavaa myös tulivuoriin. Tulivuoriaineiston lataaminen osoittautui kuitenkin mutkikkaaksi. Sain aineiston loputtoman painimisen jälkeen onneksi lopulta käyttöön, kiitos siitä Hetsille. Kartta kertoo tulivuorten sijainnin maailmassa. Käytin samaa väriä havainnollistaakseni maanjäristysten ja tulivuorten samankaltaista sijoittumista maailmassa, mikä tietenkin johtuu litosfäärilaattojen saumakohdista, joilla seismistä ja vulkaanista aktiivisuutta on kaikkein eniten. 

Kaikkia tekemiäni karttoja voidaan parhaiten hyödyntää maantieteen opetuksessa, kun halutaan havainnollistaa maapallon seismistä ja vulkaanista toimintaa. Kartoista voi havaita tulivuorten ja maanjäristysten esiintymispaikat sekä niiden sijoittumisen litosfäärilaattojen saumakohtiin. Ehkä niistä voisi olla jollekin opiskelijalle hyötyä vaikka lukio-opinnoissa.

Lopuksi

Kuudes kurssikerta sujui mukavasti ja sain tehtävät pakettiin ongelmitta (muistaakseni). Sitten onkin jäljellä enää viimeisen kurssikerran blogipostaus.

Kenties koko kurssihistorian pisimmän tauon jälkeen palaan jälleen kevään blogien pariin. Muistelen viidettä kurssikertaa ja sillä viikolla tekemiäni tehtäviä. Vaikka kurssista on jo melkoisen kauan, asiat palautuvat mieleeni hämmentävän kirkkaasti selatessani karttoja ja blogiluonnoksiani. Jatketaan siis muitta mutkitta takaisin GIS:n ihmeelliseen maailmaan. 

Viikon tavoitteena oli kerrata QGIS:in piirtotyökalujen käyttöä sekä harjoitella bufferointitoimintoa. Lisäksi luennolla harjoiteltiin karttakohteiden pituuksien laskemista sekä pinta-alojen summaamista. Tutuksi tulivat esimerkiksi intersection ja clip-työkalut.

Bufferointi osoittautui melko käteväksi käyttää. Toiminnolla on mahdollista laskea etäisyyksiä ja alueen sisään jäävien kohteiden lukumääriä ym. tietoa. Harjoittelimme toimintoa luennolla muutamilla harjoituksilla, joita tehtiin edellisellä kerralla luotuun karttaan. Sain kuitenkin käyttööni valmiiksi luodun aineiston, joten edeltävällä kerralla digitoitu luomus toimi lähinnä harjoituksena.

Harjoituksia ja harjoituksia ja harjoituksia

Tämän kurssikerran harjoitukset paljastivat kyntensä jo luennon aikana. Tässä kohtaa myös muistin taas, miksi blogini julkaisut saivat mittavan tauon juuri tämän luennon jälkeen. Harjoitukset olivat kolmessa osassa ja veivät melkoisesti aikaa. Onnekseni sain kuitenkin tehtävät tehtyä heti luennon jälkeen, joskin niistä kirjoittaminen jäi kesäloman hommaksi. Muistot tehtävien tekemisestä (traumat) ovat kuitenkin jo ajan haalistamia, joten alla tulokset koottuna: 

T.1.: Lentokentät ja asemat

Etenkin ensimmäisen taulukon viimeinen kohta aiheutti päänvaivaa. Laskin lopulta n. 3500m mittaisen viivan kiitoradan keskivaiheilta, ja bufferoimalla apuviivan pystyin laskemaan alueella asuvien lukumäärän. Tein tehtävää yhdessä muiden kurssilaisten kanssa ja piirsimme viivan hiukan eri tavoin, jolloin myös tulokset vaihtelivat melkoisesti. Sain tulokseksi 6424, mutta viivan piirtosuunnan vaihteluista riippuen summa olisi voinut olla hyvin erilainen. Ymmärsin kuitenkin mitä tehtävässä ajettiin takaa ja olin hyvin helpottunut kun sain sen tehtyä.

T.2: Taajamat

T.3: Uima-altaat ja saunat

Kolmannessa tehtäväosiossa aloitin putkiremontti-tehtävällä. Tein sitä tuntikaupalla, mutta jätin sen lopulta kesken ja lähdin kotiin nukkumaan. Seuraavana päivänä putkiremonttitehtävän jatkaminen tuntui suorastaan  vastenmieliseltä, joten tuoreilla aivoilla päätin aloittaa puhtaalta pöydältä uima-allastehtävän. Onneksi sen tekeminen oli vähemmän mahdotonta, ja sain sen tehtyä ilman kyyneleitä.

Lopuksi

Kaiken kaikkiaan 5. viikon harjoitukset vaativat paljon, mutta niitä tehdessä kyllä myös oppi jotakin. (Vielä näin kesälläkin muistan sentään osan asioista.) Pitkän odotuksen jälkeen sain viimein koottua tehtävien tulokset ja pääsin blogien kanssa eteenpäin, mikä on huojentavaa. Uskottelen tässä siis itselleni, että parempi myöhään, kuin ei milloinkaan.