Lämpötilojen interpolointia (vk7)

Tällä kertaa kertaa keskityttiin interpoloimaan sääasemilta mitattua lämpötiladataa. Ensin interpolointia tehtiin diskreeteillä menetelmillä (Thiessenin polygonit, spline ja eri-asteiset trendipinnat) ja sitten geostatistisesti (kaksi eri Kriging-menetelmää).

Keskilämpötilat interpoloimalla

Thiessenin polygoneilla ja trendipinnoilla on hyvä aloittaa aineiston tarkastelu erityisesti jos ei tiedä datasta vielä paljoakaan. Joissain tapauksissa ne sopivat myös hyvin lopputuloksen visualisointiin. Tässä tehtävässä tarkasteltiin kuukauden keskilämpötiloja Suomen sääasemilta mitattuna. Lämpötiloissa on havaittavissa lounais-koillis-suuntainen trendi joten trendipinnat sopivat hyvin keskilämpötilojen yleistarkasteluun. Tietynsuuntainen trendi oli havaittavissa jo ensimmäisenä tehdyistä Thiessenin polygoneista (kuva1). Trendipintojen asteluvun lisääminen ei tuonut tässä tapauksessa kovinkaan paljoa arvokasta lisätietoa tällä mittakaavalla (kuvat 2,3 ja 4). IDW-menetelmällä sen sijaan saatiin esiin paremmin esim. Oulun ympäristön lämpöisempi alue ja Keski-Suomen kylmempi alue joka poikkeaa hieman trendipintojen linjoista. (kuva5) Spline-metodilla paikalliset ääriarvot jäivät näkyviin (kuva6).

Alla olevassa taulukossa eritellään tarkemmin eri menetelmien ominaisuuksia ja käyttäkohteita:

 

Menetelmä Lokaali/

Globaali

Yli-/Ali-arvoita vaihtelu-välillä Alkup. arvojen säilyminen Käyttökohteet
Thiessenin polygonit Lokaali Vaihteluväli pysyy samana kuin alkup. datassa. Kyllä Havaintopisteet tasaisin välein ja sellainen muuttuja jolla ei ole suuria vaihteluita esim. maaston muodon mukaan esim. sademäärät. Hyvä myös aineiston alkutarkasteluun.
Trendipinta 1-aste Globaali Voi esiintyä jompaa kumpaa, riippuu datasta Ei Havaintopisteet ehkä satunnaisesti ja halutaan tietää yleinen trendi vaihtelusta.
Trendipinta 2-aste Globaali Voi esiintyä jompaa kumpaa, riippuu datasta Ei Aineistossa havaittu trendi ja halutaan visualisoida sitä joustavammin. Esim. mäntyjen esiintyvyys.
Trendipinta 3-aste Globaali Voi esiintyä jompaa kumpaa, riippuu datasta Ei Aineistossa havaittu trendi ja halutaan visualisoida sitä vielä joustavammin, esim. uv-säteilyn määrä.
IDW Lokaali Vaihteluväli hieman pienempi koska alkup.  datan min ja max jäävät ulos. Ei, mutta hyvin vahva vaikutus lähimmällä arvolla Havainnoissa on paikallista riippuvuutta mutta ei välttämättä tietyn suuntaista trendiä. Esim. jonkin mineraalin esiintyvyys
Spline Lokaali Vaihteluväli on sama kuin alkup. datassa Kyllä Havainnoissa ei ole suurta paikallista vaihtelua, esim. keskilämpötilat
Kuva1. Thiessenin polygonit
Kuva2. 1-asteen trendipinta
Kuva3. 2-asteen trendipinta
Kuva4. 3-asteen trendipinta
Kuva5. IDW
Kuva6. Kuukausikohtaiset lämpötilakeskiarvot vuodelta 2020

Visualisointi

Valitsin tammikuun aineiston visualisoinnin väriskaalaksi sinisen tummuusasteet koska sininen on mielletty yleensä pakkaslämpötilaksi lämpötilakartoissa. Jakotavaksi valitsin 7 kategoriaa koska suurempi määrä alkoi tuntua sekavalta ja pienempi määrä taas ei kuvannut alueellista vaihtelua enää järkevästi. Pelkkä gradientti taas ei tuonut esiin tasopinnan suuntaa joten kategorisointi oli oikeastaan välttämätöntä.  Polygonien visualisoinnissa väriskaalan looginen muuttuminen oli tärkeää että vierekkäin olevat tilkkutäkkimäiset kuviot saivat järkevät selitykset. Valitsin polygonien sinisen sävyksi hieman aggressiiviseman skaalan jotta sävyerot olisivat selkeämmät.

ArcGis ja interpolointi

Trendipintojen interpolointi oli suoraviivaista Trend-työkalulla, jolla sai asteet helposti määreltyä.

Spline-työkalu oli myös helppokäyttöinen mutta koska datan merkkijonomuotoisista arvoista piti laskea uusi sarake liukulukuna ennen työkalun käyttöä ja ajaa spline-analyysi jokaiselle kuukaudelle, oli kätevämpää tehdä ModelBuilderin avulla malli laskennasta (kuva8). Se kävi kätevästi yhdellä silmukalla joka kävi läpi lähtötaulukon sarakkeiden nimiä. Lopuksi tulostasoon liitettiin vielä symbologiaominaisuudet mukaan. Tuloksena saatiin 12 karttatasoa jotka oli sitten helppo visualisoida kun symbologiatkin oli jo valmiiksi toisiaan vastaavat (kuva6).

Kuva8. 12 kuukauden datan käsittely Modelbuilderissa

Ilmanlaadun interpolointi geostatistisin menetelmin

Seuraavaksi tarkasteltiin typpioksidipitoisuuksia pääkaupunkiseudulla. Mittauspisteet sijoittuivat epätasaisesti alueelle, joten geostatistiikalle oli selkeästi tarvetta kun aineisto oli tällä tavalla ongelmallinen. Lähtöaineistoa tarkastellessa oli  nähtävissä että  huonoimmat, yli 33,88 μg/m3, arvot sijaitsivat kantakaupungissa Sörnäisissä ja Esplanadilla, kun taas parhaimmat, max 13,25 μg/m3, arvot sijaitsivat kauempana keskustasta, lentokentän pohjospuolella, Lahnuksessa, Niittykummussa, Vartioharjussa ja Pirkkolassa.

Kriging-menetelmällä interpoloidessa ArcGis valmistaa suoraan myös keskivirhekartan. Tästä kartasta oli helppo yhdellä vilkaisulla nähdä, millä aluille keskivirhe oli pienimmillään, eli missä ennusteen antama arvo oli luotettavimmillaan. Luonnollisesti pienimmät keskivirheet olivat havaintopisteiden ympärillä ja näin ollen luotettavimmat ennusteet saatiin alueille, jossa mittauspisteitä oli lähekkäin. Matalimmat keskivirheet olivat lähellä kantakaupunkia ja Helsinki-Vantaan lentokentän itäpuolella (kuva8). Erityisesti virhe oli matala jos matalan vaihtelun alueella oli useampi mittauspiste lähekkäin.

Kuva8. Interpoloidut ilmanlaatumittaustulokset

Kurssi päättyy

Tämä on Geoinformatiikan menetelmät 2 -kurssin viimeinen harjoitusraportti.

Leave a Reply

Your email address will not be published. Required fields are marked *