Category Archives: Uncategorized

KK7

Viimeinen viikko, LG JJE.

Tällä viikolla meillä on vuorossa itsenäisempää työskentelyä. Iso osa viikon tehtävän tekemiseen meni paikkatietoikkunan selaamiseen. Paikkatietoikkunan käyttäminen pitkästä aikaa tuntui hieman kankealta, enkä ollut löytää korkeuskäyrällistä karttapohjaa, sillä etsin sitä väärästä valikosta – karttavalikosta. Lopulta kuitenkin huomasin erillisen palkin ruudun alaosassa ja homma helpottui huomattavasti.

Anyways. Lähdin tarkastelemaan kotikorpikainuuta, sillä tiesin sen kuuluvan Vaara-Suomeen ja täten omaavan huomattavia korkeusvaihteluita. Tarkemmin sanottuna tarkastelin vielä vanhan kotikuntani Puolangan erinäisiä vaaranyppylöitä.

Hetken paikkatietoikkunaa selatessani löysin sopivan vaaran – Satasormen. Tulisin nimeämään tämän fiktiivisen laskettelukeskuksen myös kyseisen paikan mukaan. Ensimmäinen ajatus oli rakentaa kuvitteellinen laskettelukeskukseni Talkkunaharjun rinteille Satasormen viereen, mutta päädyin lopulta tutkimaankin tarkemmin Satasormea, sen rinteissä oli mututuntuman mukaan enemmän variaatiota. Ainakin näin päättelin paikkatietoikkunan korkeuskäyristä.

Tämä koko vaarakompleksi sijaitsee Puolangan kunnassa reilun parinkymmenen kilometrin päässä kuntakeskuksesta. Paikka on kyllä hieman huono ehkä perustaa uusi laskettelukeskus siinä mielessä, että Puolangalla sijaitsee jo valmiiksi Paljakka -niminen laskettelukeskus, kuin myös naapurikunnassa Hyrynsalmella, ns. “naapurivaaralla” Ukkohalla -niminen laskettelukeskus. Kyseiset kunnat eivät myöskään ole kauhean elinvoimaisia ja ovat suhteellisen kaukana kaupunkikeskuksista, joten asiakkaiden haaliminen alueelle saattaisi olla vaikeaa. Noh, joka tapauksessa halusin tutkia tarkemmin itselleni tuttuja seutuja ja konkretisoida harjoitusta tutkimalla entisen kotikuntani maita ja mantuja. Tärkeämpää tehtävässä on mielestäni osata käyttää GIS:iä kuin oikeasti syvällisesti analysoida luotua kokonaisuutta.

Kuva 1. Edellä mainittu vaarakompleksi esitettynä kartalla paikkatietoikkunassa.

Latasin kartan aineiston paitulista ja toin sen ArcGis:siin. Tämän jälkeen tein aineistosta vinovalovarjosteen (Hillshade) ja lisäsin aineistoon Contour -toiminnolla korkeuskäyrät. Määritin Slope- ja Aspect -toiminnoilla tämän oman vaarani rinteidenaukeamissuunnat, sekä näiden rinteiden jyrkkyydet. Alla kuva rinteen aukeamissuunnista ja selitteet. Tästä aspect-tasosta oli ehkä hieman apua siihen, kun mietti että miten rinteet suuntaisi, mutta en sitä kyllä mitenkään samanaikaisesti peilannut rinteitä piirtäessäni.

 

Kuvat 3 & 4. Aspect-taso ja sen selitteet.

Slope-työkalun mukaan Satasormen pohjoispuolella olevissa mäissä tuntui olevan kiitettävän paljon variaatiota. Alla kehno karttakuva (kuva 5) Satasormesta. Mitä tummempi alue on, niin sitä jyrkempi vaaran rinne on siltä kohdalta.

Sain vinkin viikon harjoitusohjeesta käyttää reclassify-työkalua, jotta voisin helposti määrittää rinteiden jyrkkyydet kartalle ja täten piirtää ne vain tämän perusteella. Ajoin reclassify -työkalun ja vaihdoin vielä väritkin rinteiden jyrkkyyttä vastaaviin väreihin. Tummanruskein väri alkuperäisessä slope-tasossa vastasi todellisuudessa punaista rinnettä sen luokittelun mukaan mitä laskettelukeskukset käyttävät. Seuraavaksi tummin väri taas vastasi sinistä rinnettä jne. Tämä uudelleen reclassify työkalulla määritelty slope-karttapohja on kuvattuna alla (kuva 6).

Taulukko 1. Reclassify-parametrit mitkä vastaavat rinteiden jyrkkyyksiä. Luvut vastaavat rinteiden jyrkkyysprosentteja.

0-2 vastaa kartalla (kuva 6) hiekankeltaista, mikä on ihan tasainen maa.

2-5 astetta vastaa kirkkaampaa keltaista, muhkurempaa maata.

5-15 vastaa vihreää, eli loivaa, erittäin helppoa mäkeä.

15-25 vastaa sinistä mäkeä, mikä on vielä helppo, mutta kuitenkin jyrkempi kuin vihreä mäki.

25-45 vastaa punaista mäkeä, mikä luokitellaan keskivaikeaksi rinteeksi.

45-100 taasen vastaa mustaa eli vaikeaa rinnettä. Tällaisia ei minun tutkimusalueellani esiintynyt yhtäkään kappaletta.

Kuva 5. Slope-työkalun alunperin visualisoimat jyrkkyyserot.

Kuva 6. Laskettelukeskusten käyttämän rinteenjyrkkyysskaalan mukaan uudelleen parametroitu Slope-alusta. Rinteiden piirtäminen kartalle oli helppoa tämän slope-alustan avulla.

Alla lopullinen karttaesitys (kuva 7), minkä sain luotua. Loin hotellit ja ravintolat lähelle alarinnettä, tasaisemmalle maastolle. Parkkipaikan sijoitin järvenrantaan. Mielestäni rinteistä pääosin tuli aika hyvän mittaisia – ehkä? En ole itse lasketellut ala-asteen jälkeen, mutta niiden pituuteen olen kohtuullisen tyytyväinen. Paikalle johtavan tien loin jonkin paikalle vievän valmiin maan/maastotien pohjalle. Alue jäi kyllä hieman pelkistetyn näköiseksi, mutta koen olevani siihen tarpeeksi tyytyväinen. Annan itselleni viikon tehtävästä arvosanaksi “ihan ok”.

Koitin avata karttaesityksen 3D-näkymässä, luoda uuden local scenen. Tämä ei kuitenkaan onnistunut ja lensin mereen päiväntasaajan tuntumaan. Loogisesti nopeasti pääteltynä tämä oli koordinaattijärjestelmän nollapiste, 0°N/S 0°W/E mistä käytetään nopean googlauksen mukaan nimeä null island, pieni hauska fakta tähän väliin. Eihän tietenkään png tiedostollani ole koordinaatteja. Siitä en ole varma, miten saisin koordinaatit valmiiseen karttaesitykseen, sillä KK7 databasesta ei löytynyt Layouttia jonka olisi voinut visualisoida 3D-tilassa. Ainoa, minkä sain näkymään 3D-tilassa oli alkuperäinen korkeusmalli, mutta en viitsinyt edes ottaa siitä screenshottia.

Kuva 7. Satasormen laskettelukeskus – hupia koko perheelle.

Ylipäätään tehtävän tekeminen aloittaminen tuntui vähän apua – sormi suussa ja suru puussa meiningiltä. Kuitenkin alkupaniikin jälkeen huomasin osaavanikin erinäisiä asioita ja viikkotehtävän loppupuolella karttakuvan luomista tehtävä tuntui rutiininomaiselta. Tehtävä taittui kuin taittuikin lopulta semihelposti, kun seurasi hieman edellisten viikon harjoitusohjeita ja omaa mutua. Kurssi on antanut ja opettanut paljon, mutta vielä on paljon opittavaa jäljellä.

Eipä siinä, näihin kuviin ja tunnelmiin & uusia GIS-haasteita kohti. Kiitos kurssista.

 

 

 

 

KK6

 

Tällä viikolla meillä oli vuorossa erilaiset interpolointimenetelmät. Kurssikerran tehdyt interpoloinnit ovat muodostettu Ilmatieteenlaitoksen säähavaintoasemilta koottujen lämpötilamittausten kuukausittaisesta datasta vuodelta 2020.

Tehtävä 1.

Ensimmäinen käytettävä interpolointimenetelmä oli Thiessenin polygonit. Thiessenin polygonit rakentuvat niin, että jokaisen tutkitun pisteen ympärille rajautuu niin iso polygoni, että kahden vertailtavissa olevien pisteen välinen raja on yhtä kaukana kummastakin pisteestä. Thiessenin polygonit -interpolointimenetelmä on lokaali interpolointimenetelmä. Kun jokin arvo muuttuu, niin tämä vaikuttaa vain paikallisesti pienellä alueella karttaa, ei globaalisti. Kun valmiin interpolointikartan tuloksia verrataan alkuperäiseen aineistoon, voidaan huomata, että malli ei säilytä alkuperäisiä arvoja. Thiessenin polygoneilla voisi visualisoida esim. sairaalapalveluita suomen skaalassa.

Kuva 1. Thiessenin polygonit tammikuun keskilämpötiloista.

Seuraavaksi rakensin kolme erilaista trendi-interpolointikarttaa. Olisin halunnut pitää saman väriskaalan kaikilla kartoilla mikä ensimmäiseen trendi-interpolointikarttaan sattui, mutta en onnistunut sitä uudelleen löytämään ja siksi alemmissa kahdessa kartassa tämän värikkään skaalan sijaan on sinertävä teema.

Trendi-interpolointi, toisin kun thiessenin polygonit, on globaali interpolointimenetelmä. Yhden arvon muutos saa muutoksen aikaan koko kartan alueella. Trendi-interpoloinnissa luodaan matemaattinen pinta, mikä minimoi pinnan ja havaintopisteiden arvojen väliset poikkeamat eli residuaalit. Tämä minimointi siis pelkistää tuotettua karttakuvaa, käsittääkseni se voi tehdä niin molempiin suuntiin. Eli siis trendi-interpoloinnissa luotu pinta voi sisältää yli- tai aliarvioita suhteessa alkuperäisen pistedatan vaihteluväliin.

Kuva 2. Trendi-interpolointi 1

Kuva 3. Trendi-interpolointi 2

Kuva 4. Trendi-interpolointi 3

 

Kolmas kurssikerralla käytetty interpolointitapa oli IDW, eli Inverse Distance Weighted -interpolointia. IDW on lokaali funktio, yhden pisteen arvon muutos ei vaikuta suoraan kaikkiin muihin arvoihin, vaan pelkästään arvoihin kyseessä olevan pisteen lähellä. Ylipäätään koko IDW rakentuu niin, että tutkittujen pisteiden arvot johdetaan läheisten havaintopisteiden arvosta. Lähempänä olevat pisteet vaikuttavat voimakkaammin tutkimuspisteisiin, kuin kauempana olevat toiset tutkimuspisteet. Kaukana olevat pisteet voivat toki vaikuttaa toisiin näistä kaukana oleviin pisteisiin, jos nämä sijaitsevat maksimietäisyyden sisäpuolella. Vuorovaikutus on kuitenkin kuten jo edellä mainitsin, suurempi niillä pisteillä jotka sijaitsevat lähempänä toisiaan. IDW -interpolointimenetelmä ei säilytä alkuperäisiä arvoja ennallaan.

Kuva 5. IDW-interpoloitu karttaesitys tammikuun keskilämpötiloista.

Tehtävä 2. Spline -interpolointi

Tehtävässä kaksi käytimme spline -interpolointimenetelmää. Tehtävänämme oli rakentaa vuoden mittainen karttakooste vuoden 2020 kuukausittaisista keskilämpötiloista. Spline -interpolointi on lokaali interpolointimenetelmä. Spline interpolointi toimii hyvin vähittäin muuttuvien ilmiöiden interpolointiin, kuten tässä tehtävän tapauksessa keskilämpötilojen seuraamiseen ja kartoittamiseen. Spline -interpolointimalli säilyttää samat arvot mitä mitatuilla sääasemilla ne ovat olleet. Spline -interpolointimenetelmä soveltuu todella hyvin tähän tehtävään mihin sitä käytettiinkin, eli lämpötilojen kartoittamiseen.

Käytimme mallin luomiseksi apuna ModelBuilderia. Taistelin kovin pitkään ja hartaasti kyseisen työkalun kanssa, mutta sain kuin sainkin voitettua taiston ja luotua tämän kauniin karttaesityksen mistä olenkin suhteellisen ylpeä. Mittakaavan olisin voinut asettaa vielä vähän alemmas, lähemmäs pohjoisnuolta.

Kuva 6. Spline -interpoloitu keskilämpötilakartta vuoden 2020 mittausaineistoista.

 

 

KK5

Viikko viisi, eiköhän mennä

Tällä viikolla tehtävänämme oli tehdä erilaisia näkyvyysanalyysejä. Sitä ennen viikkotehtävien ensimmäisessä osiossa pääsimme kuitenkin puuhaamaan hieman digitoinnin parissa, sekä valmistelemaan dataa näin myöhempää varsinaista näkyvyysanalyysiä varten.

Tehtävässä yksi meidän täytyi luoda korkeusmalli ja digitoida oma itse valitsemamme vaellusreitti Kevon tutkimusasemalta Kevon luonnonpuiston kautta Karigasniementien parkkipaikalle.

Valmis, visuaalisesti silmää miellyttävä korkeusmalli muokattiin korkeusmalli_10m aineiston pohjalta. Lisäsin malliin myös hillshaden, joka korosti alueen maanmuotoja ja korkeuseroja. Eroa voi vertailla alla olevista kuvista (kuvat 1 & 2 ja 3).

Kuva 1. Pohjois-Lappia ilman hillshadetyökalua.

Kuva 2. Pohjois-Lappia hillshadetyökalun kanssa.

Kuten edellä jo hieman mainitsin, niin meidän täytyi itse määrittää oma vaellusreittimme. Päätin tehdä seuraavanlaisen reitin (kuva 3). Reitti digitoitiin ensiksi pelkkänä viivana kartalle, josta se sitten myöhemmin muutettiin maanmuotoja mukailevaksi 3D-malliksi Interpolate Shape -työkalulla. Mittasin measure features -työkalulla valmiin vaellusreittini pituuden ja sen arvoksi tuli lopulta 63,29km. Aikamoinen matka se on samoilla!

Kuva 3. Korkeusmalli & digitoitu vaellusreitti Kevon kanjonin tutkimusasemalta Karigasniemen parkkipaikalle.

Tehtävässä kaksi meidän täytyi määrittää kuuluvuusalueet digitoidun vaellusreitin suhteen. Tehtävä ns. meni hieman mönkään, enkä tajunnut vasta kuin jälkeenpäin mistä se kiikasti kun spekuloin asiaa kurssiassarin Ilarin kanssa. Alla kuitenkin kurssikerran tunnilla valmiiksi digitoimani viallinen kartta (kuva 4). Sen alla aidot katvealueet (kuva 5).

Tein työvaiheet juuri niin kuin ohjeissa luki ja yritin alottaa uudestaankin pariin otteeseen. Kuuluvuusalueet Layout-ikkunassa eivät kuitenkaan vastanneet kuuluvuusalueita varsinaisella kartta-alustalla (kuva 5). Tulimme Ilarin kanssa myöhemmin keskustellessamme lopputulokseen, että ilmeisesti valmista karttakuvaa visualisoidessani en ollut tajunnut sitä, että minulla oli aktivoituna vain osa käytettävissä olevista mastoista (käytin kenties 1kpl? Tai sitten minulta jäi valitsematta 1kpl).

Kurssikerralla, millä asiaa pohdimme ja milloin emme vielä saaneet tätä ongelmaa selvitettyä totesin Ilarille, että noh, teen nyt näin että edes saan jonkinlaisen karttaesityksen koottua tähän toiseen tehtävään. Noh tällaiseksi se sitten lopulta jäi – pahoittelut siitä. Alla visualisoituna “hirvitys” ja aidot katvealueet.

Kurssikerralla pohdin seuraavaa kysymystä “pohdi, kuinka realistisen tuloksen analyysi antaa ja miten sitä voisi parantaa.” pessimistisesti näin:

“Ei kauhean realistinen, jos dataa häviää jonnekin reclassify -vaiheessa.  Kuvista näkee, kuinka GSM_LOS -kantaman alue on paljon suurempi, mutta reclassify -vaiheen jälkeen data häviää jonnekin.” Vika oli kuitenkin minussa itsessäni. En kuitenkaan ikävä kyllä oikeastaan osaa heittää parannusvinkkejä. Käyttäjää voisi ehkä jotenkin koulia niin, että hän tajuaa katsoa kuinka monta mastoa on aktivoitu.

 

Kuva 4. Poikkeuksellisen katvealuerikas vaellusreitti Kevon kanjonin alueella.

Kuva 5. Kuvankaappaus käsittääkseni oikeista kuuluvuusalueista. 

Rehellisesti, nyt kun kirjoittelen raporttia valmiiksi yli kuukausi sen jälkeen kun viimeksi puuhasin tämän viikon tehtävän parissa, en ole varma kummasta katvealuereitistä olen luvun ottanut ylös. Luku minkä merkkasin ylös oli n. 41785m eli ~41,8km. Koko reitin pituus oli n. 63289m eli ~63,3km. Katvealueiden prosenttiosuus reitillä oli laskettuna 66,02%. Veikkaan, koska luku oli näin suuri, että kyseessä oli tämä vihreellinen karttaesitys, mistä puuttuu mastoja.

Tehtävässä kolme meidän tuli määrittää ensin silmämääräisesti uuden potentiaalisen maston sijainti, mutuilla hieman sitä, että mihin se olisi kannattavaa sijoittaa. Alla olevassa kartassa (kuva 6) olen merkinnyt ylös mutuilemani potentiaalisen mastonpaikan, kuin myös oikeasti optimaalisen mastonpaikan. Karttavisualisoinnissa olisin kyllä voinut laittaa potentiaalisen mastonpaikan pisteen vaellusreittiä ylemmälle tasolle, sillä nyt se jää hieman vaellusreitin alle varjoon. Oletan, että mitä enemmän observers -lukua kartalla on, sitä tummempi alue on ja sitä parempi paikka se mastolle on. Potentiaalinen mastonpaikkani ei ole huonoimmasta päästä, mutta sijaitsee kuitenkin kohtuullisen kaukana oikeasti parhaasta mahdollisesta uudesta mastonpaikasta.

Jotta tehtävän teko onnistuisi ja koneen laskentatehot riittäisivät, niin laskimme tehtävän näkyvyysanalyysin resoluutiota 10m x 10metristä alas 100 x 100 metriin. Luonnollisesti tämä tarkoittaa lopputuloksen sitä, että aineisto on karkeampi. Siitä en kuitenkaan ole varma, että kuinka paljon tämä käytännössä vaikutti aineiston tarkkuuteen.

Luulin ottaneeni koordinaatit mastonpaikoista ylös blogiini, mutta en näköjään niin ollut tehnyt. Niihin en pääse nyt ikävä kyllä käsiksi, mutta potentiaalinen, kuin myös optimaalinen mastonpaikka sijaitsevat jossain puolella pohjoista pallonpuoliskoa, hieman idässä Greenwichistä.

Kuva 6. Uuden tukiasemamaston määrittelyä ja karttavisualisointia.

 

Kurssikerran viimeisessä, eli neljännessä tehtävässä meidän oli määrä määrittää uudet kuuluvuusalueet niin, että uusi optimaalinen masto olisi lisättynä mukaan laskuihin, kun määritämme alueen kuuluvuutta. Ensiksi konkreettisesti lisäsimme maston aineistoon mukaan. Tämän jälkeen suoritimme samanlaisen näkyvyysanalyysin kuin tehtävässä 2 ottaen huomioon myös tämän uuden maston, kuten myös kaikki muutkin mastot. Koko vaellusreitin pituus oli edelleen n. 63.3km. Uuden katvealueen pituus oli uuden näkyvyysanalyysin myötä enää n. 6,9km. Tässä tapahtui siis HYVIN roima pudotus katvealueiden suhteen. Prosenttiosuudeksi katvealueille jää n. 11% koko vaellusreitin pituudesta. Toki pudotus ei olisi ollut ihan näin dramaattinen, mikäli tehtävä 2:n analyysi olisi oikein onnistunut. Alla (kuva 7) valmis karttaesitys uusista kuuluvuus-/katvealueista.

Kuva 7. Oikeasti kattava kuuluvuusaluekartta, missä kaikki potentiaaliset mastot ovat mukaanlaskettuina.

Tämän kyseisen viikon viikkotehtävät olivat monelta osin hieman farsseja, mutta ei auta – pää pystyyn ja uusia pettymyksiä kohti. Ainakin onneksi lopulta taidan ymmärtää tai ainakin luulen suurinpiirtein ymmärtäväni sen, että mistä nämä ongelmat/virheet johtuivat.

 

GIM2 KK4

GIM2 KK4 – Sopivan telttapaikan haravointia

Käsittelimme viikolla 4. Corine Land Cover 2018 -ainestoa. Kyseinen aineisto on muodostettu lukuisten eri paikkatietoaineistojen pohjalta. Keskeisimpinä paikkatietoaineistopalikoina Corine Land Cover 2018:lle on toiminut Maanmittauslaitoksen Maastotietokanta, Liikenneviraston Digiroad, Digi- ja väestötietoviraston Väestötietojärjestelmä (Rakennus- ja huoneistorekisteri), Maaseutuviraston peltolohkot vallitsevan kasvin mukaan, EU/Copernicus-ohjelman Imperviousness2015-aineisto sekä CLC2012. Aineiston muodostamiseen on käytetty myös muun muassa satelliittikuvista saatuja maanpeitetietoja, laserkeilausaineistoja ja manuaalisesti digitoituja satelliittikuvien pohjalta tulkittuja maankäyttömuotoja. Lopputuloksena saatiin luotua valmis rasterimuotoinen aineisto, minkä spatiaalinen resoluutio on 20m x 20m.

Rasteriaineistossa näkyvät eri värit tarkoittavat maankäyttöluokkia. Esimerkiksi sininen väri kuvaa vesistöjä, mitkä ovat ehkä helpoin maankäyttöluokka erottaa ensimmäisenä kartalta. Pääsimmekin tarkastelemaan tarkemmin näitä maankäyttöluokkia Kevon kanjonin alueella. Meidän täytyi käyttää jotain menneiden viikkojen aineistoa Kevon kanjonin alueelta, jolla rajaisimme tarkastelualueen maankäyttöluokkien määrittämiseen Corine-aineistosta. Käytin itse flow_100k aineistoa alueen rajaamisen määrittämiseen.

Yhdistin selkeyden vuoksi kaikki harvapuustoiset-, havumetsä-, lehtimetsä-, sekä sekametsäalueet ja sisämaan kosteikkoalueet yksiksi kokonaisuuksiksi karttaesitykseen. Alla kuva valmiista karttaesityksestä (kuva 1).

Kuva 1. Maanpeitetyypit Kevon kanjonin alueella.

Alueella on paljon varvikkoa ja nummea, suurin osa maankäyttötyypeistä asettuu tämän kategorian alle. Tämä karttaesityksen yleisin maankäyttötyyppi selittyy pitkälti alueen pohjoisella sijainnilla ja karuilla kasvuolosuhteilla. Varvikot ovat tyypillistä luontomaisemaa tällaisilla leveyspiireillä. Alueella on myös kohtalaisen paljon lehtimetsää. Suurin osa lehtimetsästä asettuu Kevon kanjonin välittömään läheisyyteen ja oletan että suojaavan kanjonin ja lehtimetsän välillä on jonkinlainen kausaaliketju. Alueella esiintyy kohtalaisesti niukkakasvuista kangasmaata ja kalliomaata. Alueella on myös muita pienempiä maankäyttötyyppiesiintyä, kuten vesistöjä ja havumetsää. Kaikki muut maankäyttötyypit voi bongata yllä olevasta karttaesityksestä (kuva 1).

Seuraavassa tehtävässä ja varsinaisessa telttapaikan haravoinnissa eli soveltuvuusanalyysissä telttapaikan suhteen haravoimme sopivia pystytyspaikkoja teltalle. Telttapaikan pystyttämiseen tietylle alueelle viikkotehtävässä oli useita eri kriteereitä;

  1. Telttapaikan tulee sijaita alle 260 metrin korkeudella.
  2. Leiripaikan on sijaittava sellaisella sijainnilla, missä rinteen aukeamissuunta suuntautuu välille itä – etelä – länsi.
  3. Telttapaikan maanpeitteen täytyi olla jokin seuraavista; lehti-, seka-, tai havumetsä kivennäismaalla, tai lehti- tai sekametsä turvemaalla.
  4. Leiripaikan täytyi sijaita maksimissaan 200 m päässä vesiuomista.
  5. Rinteen jyrkkyys sai olla korkeintaan 10 astetta.

Lisäsimme joka kriteerin omana vaiheenaan ModelBuilderiin ja käytimme

Teimme omat työvaiheet jokaisen kriteerin suhteen ModelBuilderissa ja lisäsimme nämä osaksi tätä suurta mallia, minkä määränä viime kädessä oli määrittää meille sopivat telttapaikat Kevon kanjonin alueelta. Alla kuva valmiista ModelBuilderkompleksista (kuva 2). Siniset pallukat edustavat kukin omia kriteereitään telttapaikkojen suhteen ja näistä on johdettu vaadittuja laskutoimituksia telttapaikkojen määrittämiseen. Kaikki nämä arvot kiedottiin yhteen lopulta raster calculaattorilla, jotta kaikki kriteerit saataisiin tarkasteltaviksi lopulta samanaikaisesti karttaesitykseen. Lopulta nämä laskutoimitukset muutettiin raster to polygon -toiminnolla valmiiksi telttapaikoiksi karttaesitykseen. Alla kuva valmiista karttaesityksestä, missä potentiaaliset yöpymispaikat sijaitsevat (kuva 3).

Kuva 2. ModelBuilderkompleksi, mikä määrittää potentiaaliset telttapaikat.

Kuva 3. Potentiaaliset telttapaikat valmiissa karttaesityksessä.

 

Mikään yllämainittu kriteeri ei ota kantaa siihen, millainen maasto on, onko siellä esim. isoja kiviä tai kaatuneita puita. Voisiko biomassa-aineistoista johtaa jonkinlaisen kriteerin joka ottaisi huomioon kaatuneet puut tai kuolleen biomassan maastosta? Muita huomioon otettavia kriteereitä voisi olla latvuspeittävyys, jos haluaa että teltta sijaitsisi esim. vähän puun suojassa.

Mietin, että voisiko vastaavanlaisella mallilla, hieman mukaillen todistella esimerkiksi kanjonin ja lehtipuiden esiintymisen välistä korrelaatiota kausaatioketjuksi?

Mielestäni karttaesitys onnistui ainakin pääpiirteittäin hyvin, kaikki kriteerit täyttyvät ja potentiaaliset telttapaikat näiden kriteerien suhteen löytyivät. Toki joen alajuoksulla etelämpänä päähaarasta osa telttapaikoista näyttää hieman sijaitsevan joen uomassa. Suurin osa telttapaikoista kuitenkin on ok. Olisin voinut tehdä karttaesityksestä vielä hieman isomman niin sitä olisi helpompi tutkailla näin jälkikäteen.

GIM KK3

Viikko kolme, biomassan ja latvuspeittävyyden tarkistelua.

Viikon ensimmäisenä tehtävänä oli tarkastella metadatatiedostoa. Tämä kyseinen tiedosto paljasti meille tärkeitä tietoja aineistosta, kuten sen, miten aineisto on tuotettu, mikä on biomassa-aineiston spatiaalinen resoluutio ja myös sen mitä yksikköä tämä biomassa on.

Biomassa-aineiston spatiaalisesta resoluutiosta ja biomassan yksiköstä. Kyseessä on rasterimuotoinen aineisto, jonka resoluutio on 16m x 16 m. Tiedosto mainitsee, kuinka vuoden 2009 & 2011 tulokset olivat 20m x 20m hilassa, mutta vuodesta 2013 alkaen siirryttiin käyttämään 16m x 16m hilaa. Tulokset ovat ETRS-TM35FIN-koordinaattijärjestelmässä. Biomassan yksikkönä toimii 10 kg hehtaarilta, eli 10 kg / ha.

Aineisto on tuotettu maastonmittauksien, satelliittikuvien sekä ilmakuvien avulla. Apuna kartoitukseen käytettiin mm. Sentinel-2A MSI- sekä Sentinel 2B-MSI-keilaimia, sekä Landsat 8-satelliitin OLI-keilaimen kuvaa.

Dataan tutustumisen jälkeen kävimme sen kimppuun. Laskimme biomassaositteista männyn kokonaisbiomassan ja muunsimme sen yksiköksi tonnia/ha sen sijaan että se olisi edellä mainittu 10 kg/ha. Männyn biomassadatan yksikön muuttamisen lisäksi vaihdoimme kaikkien muidenkin puulajien yksiköiksi 1000 kg/ha.

Kuva 1. Kevon kanjonin alueen biomassat lajeittain.

Kun eri puunlajien latvuspeittävyyttä ja biomassaa vertaillaan keskenään, voidaan huomata, että latvuspeittävyyden puolesta eniten kartalta vie pinta-alaa lehtipuut. Sen kokonaismääräinen biomassa on tosin ”vain” n. 65,580 kg / ha. Onko lehtipuiden kartalla näkyvä latvuspeittävyys suuremman näköistä sen takia, että lehtipuiden lehdet peittävät paljon paremmin maastoa kuin pienet havunneulaset? Yksittäinen lehtipuu ylhäältä päin kuvattuna täyttää isomman tilan kartalla kuin yksittäinen havupuu, oli se nyt kuusi tai mänty ja täten sen latvuspeittävyys on suurempaa. Kenties.

Männyn kokonaisbiomassa on kaikista suurin, n. 80,640 kg/ha ja se onkin täten vallitsevin puulaji alueella. Kaikista pienimmän kasvusiivun saa kuusi, minkä kokonaisbiomassa on n. 35,220 kg/ha. Syynä tälle voi olla se, että etenkin mänty ja kuusi taistelevat samoista kasvupaikoista ja mänty on ehtinyt levittäytyä alueelle ensin. Tästä en ole varma, mutta käsittääkseni mänty voi elää myös hieman vaativammissa olosuhteissa kuin kuusi, mikä voi olla osasyynä siihen miksi puulajien osuudet ovat menneet niin kuin ne kartalla osoittautuvat olevan. Omien, hyvin empiiristen mutuilujeni kautta muistelen esimerkiksi reissujani kun olen liikuskellut suoalueilla ja mielestäni suoalueilla ei oikein kasva kuusia, mutta mäntyjä soilla esiintyy kyllä. Kevon kanjoni ei kuitenkaan käsittääkseni ole suoaluetta, mutta käsivarren Lappiin sijoittuva railo omaa aika karut elinolosuhteet ja tällä on vaikutusta kuusen esiintymiseen alueella.

Seuraavaksi teimme pieniä etäisyysbufferileikkejä, jotta saisimme laskettua jokaisen puulajin omia tilastollisia tunnuslukuja taulukoihin. Alla kaksi kuvaa (2 & 3) välivaiheista, Euclidian distance -työkalusta, sekä reclassify -työkalusta, mitä käytimme apuna jotta pääsisimme eteenpäin taulukkojen teossa. Teimme bufferianalyysin jokaiselle puulajille, sekä siirsimme buffereiden avulla luomamme zonal statistics as tables -taulukot exceliin, missä muokkasimme nämä näteiksi ja enemmän informatiivisiksi. 

Kuvat 2 & 3, Euclidian distance -työkalun luoma bufferi vasemmalla. Saman pohjan reclassifikointioperaatio oikealla.

Taulukko 1. Lehtipuut. Taulukkojen luvut on pyöristetty toisen desimaalin mukaan.

Taulukko 2. Kuusipuut.

Taulukko 3. Männyt.

Taulukkojen yksiköt ovat samat; 1000 kg /ha, kuin ylemmissä kokonaisbiomassakartoissa. Taulukkojen mukaan mäntyä esiintyy selvästi eniten ja sen tunnusluvut ovat joka osiossa suuremmat kuin “kilpailijoillaan”. Kuusen tunnusluvut taas ovat häntäpäässä pienimpinä ja niitä on huomattavasti vähiten. Keskipaikkaa pitää lehtipuut.

Luulin taulukoita tehdessäni, että viimeisin luku kuvaa kokonaisbiomassaa. Kokonaisbiomassan tilalla luki SUM ja siitä tämä minun oletukseni lähti. Käsittääkseni näin ei kuitenkaan ole, mutta en viitsinyt enää alkaa rakentamaan uusia taulukoita tilalle, pahoittelut tästä. Toki en ole täysin varma onko tämä sitten väärinkään.

Seuraavaksi hieman latvuspeittävyydestä. Metadatatiedostoa tutkailemalla selviää, että latvuspeittävyyttä on arvioitu prosentuaalisesti ja nämä prosentit menevät välillä 0 – 99. Mieleeni muistuu kenttäkurssin oma vessapaperinhylsyn avulla tehty arviointi tietyn pisteen latvuspeittävyydestä. Kenties tähän on käytetty jotain hieman empiirisempää menetelmää, mutta käsittääkseni kyse on siis siitä, että latvuspeittävyys on arvioitu tietystä pisteestä latvuston alta. Latvuspeittävyys meinaa sitä, kuinka ison prosenttiosan puun latvusto peittää taivaasta tietyssä pisteessä. Alla luomani taulukot ja karttaesitys (kuva 4), mistä näkee lehtipuiden ja havupuiden välisen latvuspeittävyyden.

Millä korkeusvyöhykkeellä on suurin latvuspeittävyys? Onko lehtipuiden ja mäntyjen välillä eroa?
Muotoile tilastolliset tunnusluvut taulukoksi Excelissä ja liitä taulukko raporttiisi.
Voit halutessasi laskea saman myös kokonaisbiomassoille.

Taulukko 4. Lehtipuiden latvuspeittävyys.

Etäisyys uomasta, m MIN MAX Keskiarvo
0-200 0 51 15,13
200-300 0 49 8,08
300-400 0 42 6,63
400-500 0 20 7,5

Taulukko 5. Havupuiden latvuspeittävyys.

Etäisyys uomasta, m MIN MAX Keskiarvo
0-200 -1 50 8,02
200-300 -1 46 4,75
300-400 -1 47 5,4
400-500 0 20 7,14

Taulukoita tarkastellessa voi huomata, että suurin latvuspeittävyys osoittautuu olevan 0-200m päässä uomasta. Kaikista pienin latvuspeittävyys löytyy kauimmaisesta mitatusta luokasta, nimittäin 400-500m päässä uomasta. Jostain syystä havupuutaulukossa esiintyy -1 arvoja, esim. 0-200m kohdalla arvot vaihtelevat välillä -1 – 50. Vaihteluväli on kuitenkin suhteessa sama lehtipuutaulukon arvoihin, minkä vaihteluvälin kokonaissumma on myös 51 prosenttia. Molempien puulajien latvuspeittävyys on suunnilleen samanarvoista, kuten edellä mainitsin, 0-200m etäisyydellä uomasta on näiden eri lajien välinen latvuspeittävyys sama, 51%.  Kuitenkin 200-400m matkalla latvuspeittävyys vaihtelee muutaman prosentin verran, eli täysin samanlaista latvuspeittävyyttä lajeilla ei ole.

Koska latvuspeittävyys on suurinta kanjonin pohjalla tai sen välittömässä läheisyydessä, voimmeko kenties päätellä niin, että kanjoni tuo suojaa puille ja auttaa näitä kasvamaan?

Kuva 4. Karttaesitystä tehdessäni sain vain toisen legendan näkymään, tuon lehtipuiden legendan. Vaihteluväli molemmissa legendoissa oli kuitenkin sama, 51% joten uskon tuon yhden legendapalkin olevan tarpeeksi validi ja hyvä kuvaamaan kumpaakin karttaesitystä.

GIM2 KK1 2022

Ja niin GIM2, kohtaamme jälleen ensimmäisen viikon viikkotehtävien parissa. Ehkä tänä vuonna GIM is possible, we will see.

Tehtävä 1.

Ensimmäinen kurssikerta meni ArcGis Pro -paikkatietosovellukseen tutustumisessa. Puuhailimme erilaisilla työkaluilla ja ominaisuuksilla, mitä ArcGis Pro:lla oli tarjota. Viikon ja koko kurssin ensimmäisenä tehtävänä meidän oli visualisoitava oma mieleinen karttaesitys annetuista aineistoista, jotka liittyivät alueen maankäyttöön. Alla valmis karttaesitys, johon on liitetty alle legenda (Kuva 1).

Kuva 1. Pohjois-Helsingin kaupunkialueen maankäyttötavat visualisoituna kartalle.

Pyrin tutustumaan ArcGis Pro:hon kovin perinpohjaisesti ensimmäistä tehtävää tehdessäni ja innostuin leikkimään etenkin visuaalisilla elementeillä. Valitsin karttaesitykseeni fontiksi Comic Sans -fontin vähän meeminä, mutta mielestäni se kyllä näyttää karttaesityksessä myös ihan mukavalta. Iso miinus minkä tosin nyt vasta huomasin raporttia kirjottaessani on se, että en tajunnut sitä, että Vihdintie ja Lahdenväylä -legendamerkinnät eivät vastaa omia värejään kartalla. Mutta siis, Vihdintie on nyt tämä turkoosi vasemmanpuolimmainen tie, kun taas Lahdenväylä on tämä keltainen idemmässä sijaitseva tie. Pahoittelut tästä mokasta, ensi kerralla paremmin.

Eteenpäin, tehtävä jatkuu vielä. Ensimmäisen valmiin karttavisualisoinnin jälkeen lähdimme samassa tehtävässä vielä tarkastelemaan tarkemmin Vihdintien ja Lahdenväylän alueiden metadataa. Loimme bufferit näiden teiden ympärille (kuva 2), tarkastelimme valmistuneita attribuuttitaulukkoja ja veimme tämän aluedatan Exceliin. Excelissä loin kaksi piirakkadiagrammia, (Taulukot 1 & 2, alla) mistä näitä alueiden välisiä tietoja on helppo vertailla keskenään.

Kuva 2. Bufferialueet Vihdintien & Lahdenväylän ympärillä.

Taulukko 1. Vihdintien maanpeitteet

Taulukko 2. Lahdenväylän maanpeitteet

Tehtävänannossa kysyttiin, että mitä eroavaisuuksia huomaan, jos vertailen näitä tiealueiden attribuuttitaulukkoja keskenään. Noh, vertaillaas nyt sitten näistä valmiista Exceltaulukoista. Maankäyttö näiden alueiden välillä on hieman erilaista. Toisessa taulukossa – Vihdintiellä, ei ole peltoja laskettuna mukaan ollenkaan, kun taas Lahdenväylän taulukossa on. Oletan että Vihdintien bufferalueella on peltoa, mutta kuitenkin alle puoli prosenttia, miksi se näkyy 0% taulukossa. Muut maankäyttötyypit esiintyvät molemmissa taulukoissa. Maankäyttötavat ovat kohtuullisen samanlaiset, mutta eroja löytyy hieman, esimerkiksi puustoalueita Vihdintien bufferalueesta on 37%, kun taas Lahdenväylällä määrä on muutaman prosentin pienempi, 34%.

Visuaalisesti nämä piirakkamallit olisivat voineet siten olla parempia, jos olisin tajunnut vaihtaa värit piirakkapohjalta vastaamaan värejä, millaisina nämä maankäyttötavat esiintyvät oikeasti. Myöskin olisi ollut järkevää luoda mallit niin, että molemmissa malleissa samantyyppinen maasto on saman värinen jolloin vertailu olisi helpompaa. No ainakin se lukee siinä vieressä nätisti.

Tehtävä 2.

Kurssikerran toisessa tehtävässä meidän tuli tutkia maankäyttötapoja Kumpulan, Käpylän sekä Toukolan kaupunginosien alueella.

Meidän piti ensin erottaa nämä kyseiset kaupunginosat isommasta aineistosta “Select by attributes”-toiminnolla. Tallensimme kyseisten valitsemamme kaupunginosien datan käyttämällä toimintoa “Export Features”. Tämän jälkeen pääsimme käyttämään tehtävän ehkä keskeisintä työkalua: Intersect – työkalua. Käytimme tässä Intersect – leikkaamisessa Export Features-työkalulla luomaamme tasoa, sekä valmista maanpeite – tasoa. Tämän pohjalta syntyneeseen aineistoon yhdistimme dataa ryhmiksi kahteen luokkaan, luontoon ja rakennettuun maankäyttöluokkaan, käyttämällä Calculate Field-toimintoa. Vesistöt, Matala kasvillisuus, Avokalliot tai Puusto-alueet menivät luonto-maankäyttöosuuden alle, kun taas loput maankäyttömuodoista laskettiin rakennetuksi ympäristöksi. Myös kategoria “Muu paljas maa”, laskettiin mukaan rakennettuun ympäristöön, mikä  voi vääristää tätä rakennetun ympäristön osuutta kartalla. Toki rakennetun ympäristön ympärillä voi olla ja onkin paljasta maata, mutta luulen, että myös iso osa tästä paljaasta maasta kuuluisi ennemminkin luonto-aiheisen maankäyttötavan alle. Paljas maa on niin epämääräinen käsite, paljas metsän reunalla oleva maa ja paljas, kaupungissa työmaan alla auki revitty maa menevät molemmat käsitteen alle. Alla kuva (kuva 3) valmiista maankäyttömuotokartasta Kumpulan, Käpylän sekä Toukolan alueilta. Mielestäni siitä tuli ihan kohtuullisen selkeä.

Kuva 3. Kumpulan, Käpylän ja Toukolan kaupunginosien maankäyttötavat.

Intersect – ja Clip-toiminnot ovat molemmat leikkaavia paikkatieto-ohjelmatyökaluja. Niiden erona toimii se, että Clip-toimintoa käyttäessä syntyy karttataso, joka säilyttää vain lähtölayerin attribuuttitiedot, kun Intersect-leikkaus sisältää molempien tai useampien lähtölayereiden attribuuttitietoja.

Teimme näistä edellämainittujen kaupunginosien maankäytöstä myös pylväsdiagrammit, missä näkyy tarkemmin prosentuaalisesti se, kuinka maankäyttömuodot jakaantuvat ko. alueilla. Prosenttiosuudet ovat pyöristettyjä tasaluvuiksi isoimman desimaalin mukaan.

Taulukko 3. Kumpulan, Toukolan ja Käpylän maankäyttötavat prosenttiosuuksina Excel-pylväsdiagrammissa.

 

GIM2 Blogipostaus 2 KK2

 

Aloimme tekemään tällä viikolla rasterianalyysejä. Tällä viikolla työstimme vain yhtä projektia, minkä parissa meidän olisi tarkoitus häärätä seuraavat pari viikkoa.

Tuotuamme viikon aineiston ArcGIS Pro:hon tarkastelimme ensiksi tiedostojen metadataa. Testasimme esimerkiksi toimintoa, mitä aiemmin QGIS:ssä en ollut käyttänyt ja uskon että sitä ei QGIS:stä löydykään: Local Scene toimintoa. Tämä toiminto näyttää meille käsiteltävän kartta-alueen 3D-mallina, siistiä!

Metadataleikkien jälkeen rupesimme hommiin ja aloimme työstämään kurssikerran dataa. Aineistot olivat Utsjoen kunnan alueelta, Kevon luonnonpuistosta, vielä tarkemmin määriteltynä Kevon kanjonin alueelta.

Aluksi aloimme tarkastelemaan KevoDEM-karttatasoa. Meidän täyttyi selvittää tietyt määreet kurssikerran raporttia varten. Alla taulukko ko. vaatimuksista ja niiden vastauksista.

Korkeusmallin projisoitu koordinaattijärjestelmä EUREF-FIN TM35FIN
Korkeusmallin yksiköt vaaka- ja korkeussuunnassa Metrejä 1m x 1m
Korkeusmallin spatiaalinen resoluutio 2m x 2m
Mikä on alueen koko? 36 km², sqKm

Taulukko 1. Korkeusmalliin liittyvän tarkastelun pohjalta rakennettu taulukko.

Taulukkodatan etsimisen jälkeen loimme Hillshade-toiminnolla KevoDEM-karttapohjasta vinovalovarjosteen, mihin lisäsimme myös korkeuskäyrät Countour -toiminnolla. Alla kuvat 1 & 2, missä Hillshade esiintyy ilman korkeuskäyriä, sekä korkeuskäyrien kanssa.

Kuva 1. Hillshade -kartta-alusta yksikseen.

Kuva 2. Hillshade -alusta yhdessä korkeuskäyrien kanssa, mitkä on luotu Contour -työkalulla.

Hillshade-toiminto antaa kuvan miltä maanmuodot näyttäisivät pelkästään korkeutta ja muotoja taivaalta katsellessa. Mäkien huippuja ei kuitenkaan erota pelkästä hillshadesta vaan korkeuskäyrät auttavat hahmottamaan vielä tarkemmin alueen todellisen muodon.

Seuraavaksi pääsimme käyttämään Slope-työkalua. Johdimme korkeusmallin pohjalta Slope -tason, mikä kertoo meille tarkasteltavan alueen jyrkkyydestä. Vaihteluväli kartan pisteiden jyrkkyydessä oli 0 – 79 astetta. Mitä tummempi väri on, sitä jyrkempi rinne on. Valkoinen väri meinaa nollaa astetta, eli sitä että maanpinta on aivan tasainen. Pienin kartalla esitettävä jyrkkyyskulma on 1.72 astetta. Kartan jyrkimmät kohdat ovat luontaisesti kanjonin reunoilla, kanjonin molemmilla puolin. Alla (kuva 3) datapaneeli, mistä löysin tämän luvun, jyrkkyys yhtä suuri tai pienempi kuin 1,72 astetta. Toki kanjonin pohjalla ja muualla kartta-alustalla on tasaisia kohtia, minkä jyrkkyys voi olla jopa nolla, mutta koska ne eivät ole mäkiä, niitä ei mielestäni lasketa mukaan vertailuun. Jyrkin kohta löytyi sekä metadataa syvemmin tutkailemalla, että Image information työkalulla ja se oli tosiaan sen 79 astetta.

Kuva 3. Slope -työkalun luoman pohjan datapaneeli.

Kuva 3. Slope -työkalun luoman pohjan datapaneeli.

Kuva 4. Slope -karttapohja, jonka päällä valuma-aluevanoja.

Teimme myös toisen korkeusmallijohdannaisen, Aspect -tason, mikä kuvaa alarinteen ilmansuuntaa, sitä suuntaa minne päin rinne vie. (Kuva 5).

Kuva 5. Aspect -työkalun luoma kartta, mikä kuvaa rinteiden laskeutumissuuntia. Itsekseen siitä ei saa vielä paljon irti, mutta sitä voi vertailla esimerkiksi Hillshade -karttapohjaan muuttamalla alustaa läpinäkyvämmäksi, jolloin siitä saa enemmän irti. Arvoluokka -paneeli olisi ollut hyvin käytännöllinen liitettävä tähän tueksi.

 

Korkeusmallien johdannaisten parissa puuhaamisen jälkeen pyhitimme jälkimmäisen osan GIS-sessiostamme hydrologiseen mallinnukseen ja etenkin valuma-alueiden tarkasteluun. Ensiksi määritimme virtaussuunnat Flow direction-työkalulla (kuva 6). Tämän jälkeen täytimme kartta-alueen kuopat (kuva 7) Sinks-työkalua käyttäen. Sitten loimme virtaussuunnat korjatuille korkeusmalleille Flow direction-työkalulla. Tämän jälkeen määritimme valuma-alueet Basins-työkalulla, muuttaen rasterimuotoisen lähtöaineiston vektorimuotoiseksi ja visualisoiden tuotoksen kartalla. Tämän jälkeen tarkastelimme vielä lopuksi potentiaalisten uomien potentiaalisia esiintymispaikkoja Flow accumulation, sekä Reclassify työkaluilla. Mitä suurempi Flow accumulation arvo pikselillä on, sitä todennäköisemmin kyseinen pikseli sijaitsee uomassa. Reclassify-toiminto taas rajaa sitä, kuinka herkästi nämä uomat esiintyvät valuma-aluekartassa. Käytin Reclassify-työkalussa kolmea eri arvoa potentiaalisten uomien etsimiseen, <2000, <10 000 sekä <100 000. Alla kuvat 8, 9 & 10, visualisoivat potentiaalisia uomia arvojen ollessa edellä mainitut.

Kuva 6. Flow direction -työkalun luoma kartta-alusta.

Kuva 7. Kevon kanjonin alueen kuopat visualisoituna kartalle.

Kuvat 8, 9 & 10. Uomat 2k, uomat 10k sekä uomat 100k.

Karttapohjia vertaillessa huomaa, että mitä pienempi arvo on, sitä herkemmin uomia tietenkin löytyy. Ongelmallista siinä on se, että jos arvo on liian pieni, niin työkalun luomat potentiaaliset uomat eivät vastaa enää todellisuutta. Kun uomia tarkastelee suhteessa hillshade -pohjaan, mikä näyttää alueen maanmuodot, eivät esimerkiksi uomat 2k -pohjan kaikki valuma-alueet noudata sen suuremmin maanmuotoja, vaan vettä valuu vähän kaikkialle. Ongelmallista on myös se, että kaikki uomat näkyvät samanarvoisina, ja jotkut hyvin pienet saumat missä vettä voi virrata näkyvät uomat 2k -alustassa yhtä merkittävinä kuin tämä suuri kanjoni, mikä on keskeisin uoma missä vedet virtaavat. Totuudenmukaisin käyttämäni valuma-alue -arvo oli kenties 10k. Se noudatti kanjonin maanmuotoja, mutta näytti myös hieman muita valuma-alueita, minne vesi valuu kanjonista, kun uomat 100k -alusta lähinnä mukaili vain kanjonin jyrkimpiä reuna-alueita. Toki, jokin arvo 10 000 – 100 000 välillä olisi voinut olla vielä parempi.

 

Tarkastelimme viikkotehtävässä alueen valuma-alueita, alla valuma-alueet visualisoituna kahdelle karttapohjalle mustalla värillä. Kuvassa 11. alueen valuma-alueiden rajat esiintyvät yhdessä sinisellä värillä näkyvien potentiaalisten jokiuomien kanssa, reclassifyarvon ollessa 10 000. Kartalla 12. valuma-alueet esiintyvät vain hillshade -työkalun päällä.

Kuvat 11. & 12. Valuma-alueen rajat esitettynä vaaleanpunaisella taustalla yhdessä potentiaalisten jokiuomien kanssa & Valuma-alueen rajat esitettynä Hillshade -karttapohjalla.

Osa valuma-alueiden rajoista on vahvasti vääristyneitä, mikä voi johtua siitä, että rasteriaineistoa muutetaan vektoriaineistoksi. Vastaavatko nämä neliön muotoiset vääristymät pikseleitä kartalla?

Kuva 13. Zoomattu vääristymä, mikä esiintyy valuma-aluevisualisoinnin eteläisessä alalaidassa.

GIM2 KK1

Kas niin uusi giskurssi, uudet kujeet, ja uusi GIS-sovellus!

 

Tämä on toinen gis-kurssini. En ole ennen ArcGis Pro – sovellusta, sillä viime GIM-kurssilla meillä oli käytössä QGIS. Näin ensikosketukseltaan tuntuu, että pidän ArcGis Prosta enemmän kuin QGIS:stä. Se tuntuu selkeämmältä ja jotenkin miellyttää visuaalisesti silmää enemmän. Toisaalta tähän voi vaikuttaa monet asiat, kuten kokemus jo jostain GIS-ohjelmistosta, jonka vuoksi nyt pitkän ajan jälkeen GIS:n uudelleen aloittaminen tuntuu helpommalta ja selkeämmältä, sekä se, että nyt teen tehtäviä paikan päällä lähiryhmässä, missä voin kysyä apua opettajilta tai kurssikavereilta pieniin ongelmiin mitkä hidastivat tehtävien tekemistä etäryhmissä!

 

Ensimmäinen tehtävä: Maanpeitetyypit visualisoituna kartalle

Ihan ensiksi harjoittelimme yksinkertaisten työkalujen ja ArcGis Pro – ominaisuuksien käyttöä. Toimme aineistoa sovellukseen ja väsäsimme itsellemme visuaalisesti miellyttävän kartan Helsingin seudusta, muokaten esimerkiksi aineistojen värejä ja viivojen kokoa. Kartta sisältää erilaisia maanpeite- ja maankäyttötyyppejä. Alla kuva (Kuva 1) valmiista kartasta.

Kuva 1. GIM2 kurssin ensimmäinen valmis kartta.

Tämän jälkeen teimme bufferit kartassa näkyvien Vihdintien ja Lahdenväylän ympärille. Leikkasimme nämä tekemämme bufferit sen jälkeen Clip-toimintoa käyttäen. Ikävä kyllä näistä bufferituotoksista en tajunnut ottaa kuvaa, mutta alla on molempien teiden bufferialueiden pohjalta rakennetut ympyrädiagrammit, missä maanpeitetyyppien osuus alueella näkyy prosentteina (Kuvat 2 ja 3). Rakensin taulukot viemällä bufferialueiden attribuuttitaulukot Exceliin csv-tiedostoina ja siellä muokkasin taulukot visuaalisesti miellyttävän näköisiksi piirakkadiagrammeiksi.

Kuva 2. Lahdenväylän bufferialueen maanpeitteiden prosenttiosuudet 250m säteellä. 

Kuva 3. Vihdintien bufferialueen maanpeitteiden prosenttiosuudet 250m säteellä.

 

Kurssikerran toisessa tehtävässä meidän tuli tutkia maankäyttötapoja Kumpulan, Käpylän sekä Toukolan kaupunginosien alueella. Meidän piti ensin erottaa nämä kyseiset kaupunginosat isommasta aineistosta “Select by attributes”-toiminnolla. Tallensimme kyseisten valitsemamme kaupunginosien datan käyttämällä toimintoa “Export Features”. Tämän jälkeen pääsimme käyttämään tehtävän ehkä keskeisintä työkalua: Intersect – työkalua. Käytimme tässä Intersect – leikkaamisessa Export Features-työkalulla luomaamme tasoa, sekä valmista maanpeite – tasoa. Tämän pohjalta syntyneeseen aineistoon yhdistimme dataa ryhmiksi kahteen luokkaan, luontoon ja rakennettuun maankäyttöluokkaan, käyttämällä Calculate Field-toimintoa. Vesistöt, Matala kasvillisuus, Avokalliot tai Puusto-alueet menivät luonto-maankäyttöosuuden alle, kun taas loput maankäyttömuodoista laskettiin rakennetuksi ympäristöksi. Myös kategoria “Muu paljas maa”, laskettiin mukaan rakennettuun ympäristöön, mikä  voi vääristää tätä rakennetun ympäristön osuutta kartalla. Toki rakennetun ympäristön ympärillä voi olla ja onkin paljasta maata, mutta luulen, että myös iso osa tästä paljaasta maasta kuuluisi ennemminkin luonto-aiheisen maankäyttötavan alle. Paljas maa on niin epämääräinen käsite, paljas metsän reunalla oleva maa ja paljas, kaupungissa työmaan alla auki revitty maa menevät molemmat käsitteen alle. Alla kuva (kuva 4) valmiista maankäyttömuotokartasta Kumpulan, Käpylän sekä Toukolan alueilta.

Kuva 4. Kumpulan, Käpylän ja Toukolan maankäyttötavat

Intersect – ja Clip-toiminnot ovat molemmat leikkaavia paikkatieto-ohjelmatyökaluja. Niiden erona toimii se, että Clip-toimintoa käyttäessä syntyy karttataso, joka säilyttää vain lähtölayerin attribuuttitiedot, kun Intersect-leikkaus sisältää molempien tai useampien lähtölayereiden attribuuttitietoja.

Teimme näistä edellämainittujen kaupunginosien maankäytöstä myös pylväsdiagrammit, missä näkyy tarkemmin prosentuaalisesti se, kuinka maankäyttömuodot jakaantuvat ko. alueilla. Prosenttiosuudet ovat pyöristettyjä tasaluvuiksi isoimman desimaalin mukaan.

Kuva 5. Kumpulan, Toukolan ja Käpylän maankäyttötavat prosenttiosuuksina Excel-pylväsdiagrammissa.

GIS – menetelmät kurssikerta 7.

Hei taas kaikki!

Kas niin. Viimeinen kurssikerta, tämän viimeisen blogipostauksen kirjoittamisessa kestikin tovi. Pohdin ja pähkäilin aineistojen parissa useita tunteja. Meinasin ensin lähteä tekemään karttaesitystä Amerikasta, sitten eksyinkin Kanadan kaupunkialueiden pariin Ronin blogista innostuneena. Koitin lähteä rakentamaan informatiivista karttaesitystä Vancouverista, mutta yritykseni Vancouverin tutkimisen parissa ei oikein ottanut tuulta alleen.

Lueskelin lisää kurssikaverieni blogeja ja hain inspistä viimeiseen blogipostaukseeni. Lopulta päädyinkin ihan kotimaan asioiden kanssa pähkäilemiseen. Käytin pohjakarttana ensimmäisen tai toisen kurssikerran(?) Suomen karttaa johon etsin lisättäväksi tietoa tilastokeskuksen maksuttomista tilastotietokannoista. Tämä pohjakartta on käsittääkseni saatu Paitulista.

Alla kuva (Kuva 1) kauniin rusehtavasta kartastani. Päätin tutkia, korreloiko kuntien väliset väkilukujen nettomuutokset keskenään Suomen kuntien keskivertoasukasta kohti määräytyvän BKT:n kanssa. Tulipas todella vaikea ja huono lause. Siis nuo tummat luvut merkitsevät kartalla sitä, että kuinka suuri prosenttiosuus kunnan keskivertoasukkaan BKT on suomen keskiarvosta. Keskiarvo kaikille Suomen ihmisille on siis 100. Sitä alempana olevat luvut merkitsevät sitä, että alueella tienataan vähemmän kuin Suomessa keskimäärin ja vice versa, isompi luku kuin 100 meinaa keskivertoa suurempia tuloja per asukas verrattuna koko maan keskiarvoon. Kartalla näkyvät kirkkaan vihreän ja kirkkaan punaisen väliset sävyt selittyvät helposti kartan legendasta, mitä punaisempaa alueella on, sitä enemmän alueelta muuttaa pois ihmisiä lukumäärällisesti, mitä vihreämpää, sitä enemmän alueelle muuttaa ihmisiä.

Alla olevassa kartassa näkyvät vain ne kaupungit, joista sain tiedon revittyä. Monet kunnat olivat liitettynä yhteen tai alueisiin, esimerkiksi “kehäkainuuksi”. Näitä en siis saanut helposti liitettyä, ainakaan näillä omaamillani GIS-taidoilla alkuperäiseen tietokantaan. Siispä monet kunnat ja kaupungit puuttuvat tältä karttaesitykseltäni. Toisaalta ehkä hyvä niin, nyt karttaa voi havainnoida ja se ei vaikuta ihan liian ruuhkaisalta, ainakaan omiin silmiini.

Noh, analysoidaan nyt tätä karttaesitystä. Äkkiä ainakin arvioiden, vaikuttaa siltä, että nettomuuton lisääntyminen kunnallisesti ei korreloi keskivertoa korkeamman BKT:n mukana. Esimerkiksi Oulu on selvä muuttovoittoalue, se hohkaa vihreimpänä pisteenä koko Pohjois-Suomen alueella. Kuitenkin monet Etelä- ja Keski-Suomen kunnat, missä tapahtuu selvää muuttotappiota, nauttivat suuremmasta keskimääräisestä BKT-luvusta. Voidaan siis ainakin nopealla analysoinnilla sanoa, että nämä kaksi tekijää eivät korreloi keskenään.

Kuva 1. Infograafinen karttaesitys kuntien välisestä nettomuutosta ja kaupunkien/kuntien BKT:stä suomen keskiverto-BKT:hen nähden. Lähde: StatFin – tilastotietokanta.

Kartasta tuli loppujen lopuksi ihan kelvollinen. Minulla oli suurimmat ongelmat aineistojen löytämisessä ja karsimisessa. Tämä oli oikeastaan suurimpia syitä sille, miksi päädyin tekemään kartan tilastokeskuksen aineistoista. Kun etsin tietoa Yhdysvalloista tai Kanadasta, tuntui vaikealta löytää mitään helppoja tietokantoja mitä voisi vertailla johonkin muuhun ilmiöön. Luin Pinjan blogista, kuinka hän oli tutkinut tupakoinnin ja koulutustason välistä yhteyttä, sekä yhteyttä myös tupakoinnin ja ihmisten keskivertotulojen välillä. En löytänyt oikein mitään vastaavanlaisia ilmiöitä, kuten Pinja oli tupakoinnin löytänyt ja vertaillut sitten tupakoinnin korreloimista muihin ilmiöihin. Tuntui, että aineistot johon ajauduin olivat tosi spesifejä tai monimutkaisia ja niiden vertaileminen muihin ilmiöihin olisi ollut hankalaa. Tilastokeskuksen aineistoista tiesin sen, että niitä osaan käyttää. Niissäkin kuitenkin oli se ongelma, että oli vaikeaa löytää kaksi ilmiötä, mitä kuvataan kunnallisesti ja mitä voitaisiin vertailla keskenään. No, lopulta sain kuitenkin kaksi ihan ehkä kelvollisesti vertailtavaa ilmiötä samalle karttaesitykselle. Vaikka nämä kaksi vertailtavaa asiaa eivät korreloineetkaan, olen tyytyväinen siihen, että onnistuin luomaan visuaalisesti suhteellisen informatiivisen ja toimivan kartan. 

Vaikka nyt tämä viimeinen blogipostaukseni jäi roikkumaan aika pitkäksi aikaa, olen ollut tyytyväinen tähän kurssiin, kurssin opetukseen ja siihen, että olen oppinut kuitenkin aika paljon erilaisia juttuja QGIS:n ja ylipäätään paikkatietosovellusten käytöstä. Kurssi tuntui paikka paikoin todella raskaalta ja raastavalta, mutta toisaalta kurssilla tapahtuneet onnistumiset, vaikeuksien kautta valmiiksi saadut blogipostaukset tuntuivat näiden vaikeuksien takia entistä makeammilta.

Kiitos kurssista Arttu!

Lähteet:

Pohjakartta – Paituli/Kurssikansio 1 tai 2.

Ronin blogi:

<https://blogs.helsinki.fi/ronikurv/> Luettu 7.4.2021

Pinjan blogi:

<https://blogs.helsinki.fi/pinhagg/> Luettu 9.4.2021

https://pxnet2.stat.fi/PXWeb/pxweb/fi/StatFin/StatFin__kan__altp/statfin_altp_pxt_12bc.px/table/tableViewLayout1/ – BKT-tilastot

https://pxnet2.stat.fi/PXWeb/pxweb/fi/StatFin/StatFin__vrm__muutl/statfin_muutl_pxt_11a2.px/ – Kuntien nettomuutto – tilastot