Author: Sanna Korpi

Satoa AutoGIS 2 -kurssilta

Tässä blogissa on käsitelty aiemmin vain QGIS ja ArcGIS -ohjelmistolla tehtyjä analyysejä. Pythonia hyödyntävien geoinformatiikan kurssien tehtävät on palautettu toisaalle. Tässä kuitenkin yksi oma sovellus kurssilla AutoGIS 2 opituista asioista.

TAVOITE

Selvittää visuaalisesti miltä asuinalueilta kiipeilyn harrastajat pääsevät kulkemaan kiipeilyhalleille ruuhka-aikana julkisella liikenteellä 30 tai 45 minuutissa. Potentiaaliseen asiakaskuntaan oletetaan kuuluvan 20-49 vuotiaat kansalaiset.

DATA

• Kiipeilyhallien osoitteet
• Väestötietoruudukko 2020
• Matka-aikamatriisi 2018

TYÖNKULKU

• Väestötietodatan siivoaminen tehtävään sopivaksi.
• Puskurien luominen jokaiselle kiipeilyhallille erikseen (30min ja 45min puskurit)
• Päällekkäisanalyysi siitä, kuinka paljon kohdeväestöä kunkin puskurin sisälle mahtuu.
• Interaktiivisten karttojen luominen tuloksista.

Tarkempi työnkulku koodeineen on nähtävissä jupyer notebookissa githubissa.

TULOKSET

Karttavisualisoinnit hallien saavutettavuusalueista:

• 30min etäisyydeltä
• 45min etäisyydeltä

Kohdeväestön määrät per kiipeilyhalli:

 

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

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).

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.

Kurssi päättyy

Tämä on Geoinformatiikan menetelmät 2 -kurssin viimeinen harjoitusraportti.

Tällä viikolla ei ollut annettu lähtöaineistoja vaan ne piti etsiä itse. Tarkoituksena oli analyysien avulla etsiä laskettelukeskukselle sopiva paikka. Sopivan paikan kriteereitä olivat mm. sijainti teiden ja kaupunkien suhteen, lasketteluun sopiva maaston jyrkkyys ja maaston jyrkkyyden sopivuus parkkipaikalle ja rakennuksille, mieluusti rinteiden lähellä.

Alkukriteerit

Päätin etsiä kilpailevaa laskettelurinnettä Kolille. Kolin rinteet ovat melko jyrkkiä ja pelottavia aloittelijalle ja Loma-Koli on ollut viime aikoina suljettuna, jossa oli helpompia rinteitä aikaisemmin. Päätin siis etsiä erityisesti lapsille ja muille aloittelijoille sopivia pitkähköjä ja loivia rinteitä joista saisi muodostettua perheille kohdennetun matalan kynnyksen laskettelukeskuksen. Keskuksesta tulisi löytymään vihreitä ja sinisiä rinteitä.

Sijaintikriteeriksi otin 80km säteiset bufferit Kolilta, Juuasta, Nurmeksesta, Kuopiosta, Lieksasta ja Joensuusta ja laskin näistä päällekkäisanalyysillä alueen jossa jokainen bufferi leikkaa. Eli näistä Kolin ympäristön asumiskeskittymistä olisi kohtuullinen matka keskukseen. Talvella kulkee jäätie Vuonislahdesta Kolille joten Pielistä ei tarvitse kiertää.

Tein saadusta alueesta polygonin ja latasin paituli-palvelusta alueen korkeusmallit suurpiirteisesti. Leikkasin polygonin avulla turhat alueet korkeusmalleista pois.

Rinnekriteerit

Tein rinnejyrkkyyttä kuvaavan slope-analyysin korkeusmallille ja uudelleenluokittelin mallin siten että se korosti 10-25 asteen jyrkkyiset kohdat. Tämän analyysin avulla oli helppo havaita missä kohtaa ylipäänsä oli rinteitä alueella. Löysin muutaman sopivalta vaikuttavan mäen ja tein uudelleenluokittelun siten että omat asteluokkansa olivat 0-2, 2-5, 5-15, 15-25, 25-45, 45-100 astetta. Erityisen tärkenä negatiivisena kriteerinä pidin 0-2 astetta koska silloin vauhti pysähtynee kokonaan. Muutama potentiaalinen mäki piti hylätä siksi että niissä oli liikaa pysähtymiskohtia.

Sopivan mäen löydyttyä Juuan Siikavaaralta (suurin osa mäestä osui 5-25 asteeseen, kuvassa 1 kirkas vihreä ja sininen) leikkasin korkeusmallia pienemmäksi alueen ympäriltä ja aloin tarkastella sitä tarkemmin.

Verrokki – kelpo laskettelukeskus

En ollut varma minkä jyrkkyisessä rinteessä olen itse kokenut aloittelun helpoksi, joten otin verrokiksi Vihdin laskettelukeskuksen ja latasin Paitulista myös Vihdin keskuksen korkeusmallit. Vihdissä helpoin laakea rinne on 220m pitkä 20m korkeuserolla. Jyrkkyys vaihtelee 5 asteesta 10 asteeseen jyrkkyysanalyysin perusteella. Pisimmät Vihdin rinteet ovat noin 400m pitkiä ja korkeutta on 70m ala-asemalta huipulle. Näissä rinteissä jyrkkyys vaihtelee rajusti jopa 30 asteesta 5 asteeseen eivätkä sovi aloittelijalle kovin hyvin.

Mittailin valitsemaani mäkeä – Juuan Pirttilässä sijaitsevaa Siikavaaraa – ja huomasin ilokseni että kaavailemani päärinne oli 400-500m pitkä 70m korkeuserolla, eli melkein kuin Vihdissä, mutta tasaisemmalla jyrkkyydellä joka sopisi aloittelijalle. Lisäksi löysin paikan helpommalle lastenrinteelle, 144m pitkän 16m korkeuserolla olevan tasaisen jyrkkyisen rinteen joka vastasi hyvin Vihdin helppoa rinnettä.

Muut maantieteelliset ominaisuudet

Taustakartan (OpenStreetMap) avulla tarkistin että melkein perille asti kulkee oikea tie, vain pieni pätkä pitäisi tehdä lisää parkkipaikalle. Ojitettu kasvatusmetsä (ilmakuvan ja korkeusaineiston perusteella) tien vieressä olisi sopiva paikka parkkipaikalle. Jyrkkyys oli siinä kauttaaltaan 0-2 astetta. Rinne itsessään on puuston peittämä joten puita täytyisi kaataa paljon.

En halunnut suunnitella rinteitä suoraan etelärinteen auringonpaisteeseen talvien lyhyyden vuoksi, vaan halusin paikat länsi-  ja luoteisrinteeltä ensisijaisesti tai hieman pohjoiseen tai lounaaseen joustaen.

Rinteen yläpäässä oli yksi tasainen kohta johon sopisi hyvin rinnekahvila.

Tarkempi analyysi

Korkeusmallista sain aspect-työkalulla esiin rinteiden rintamasuunnat (kuva2). Tein päällekkäisanalyysin jolla sain näkyviin alueet joissa rinteen jyrkkyys pysyttelee 5-25 asteen välillä ja jotka suuntautuvat välille lounas-pohjoinen. Tämä onnistui uudelleenluokittelemalla halutut aineistot (slope, aspect) arvoilla 1 ja 0 jotka kuvasivat haluttuja ja ei-haluttuja arvoja ja sitten kertomalla tasot keskenään. Tuloksena tuli aineisto jossa arvo 1 kertoo sopivat alueet. Tämä analyysi oikeastaan vain vahvisti ajatustani siitä, mihin olin alunperinkin ajatellut silmämääräisesti sijoittaa rinteitä.

Tein korkeusmallin pohjalta myös korkeuskäyrät 2m korkeuseroilla työkalulla contour. Piirsin vektoriviivoina rinteet kartalle analyysien tulosten pohjalta ja myös korkeusmallia tarkastellen, ettei viiva kulkenut korkeuskäyrän suuntaisesti missään kohtaa, vaan pääosin kohtisuoraan korkeuskäyriä kohti. Jouduin yksinkertaistamaan mallia siten että annoin hieman rinteiden suunnalle myöten jotta reiteistä tuli sulavia eivätkä ne orjallisesti seuranneet pikselirajoja ja saattoivat kulkea myös alle 5 asteen jyrkkyisen lyhyen pätkän yli.

Yksi rinne oli kokonaan 5-15 asteen alueella ja loputkin pääosin, mutta rinnekriteerien mukaan ne oli merkittävä siniseksi koska 15-25 asteen alueet olivat 50m leveämpiä eikä niitä voinut kiertää siis järkevästi. (kuva3) Yhden reitin jatkeen piirsin myös alueelle 25-45 astetta, jotta olisi pieni mahdollisuus harjoitella vähän jyrkemmässäkin laskemista. (kuva4)

Parkkipaikan ja rakennusten alustat olivat 0-2 asteen jyrkkyydessä.

Suunnitelma

Lopputuloksena syntyi neljän rinteen laskettelukeskus aloittelijoille. (kuva4, kuva5 ja kuva6)

Suunnitelman realistisuus

Koska rinteiden pituus, korkeusero ja jyrkkyys -laskelmat muistuttivat niin läheisesti Vihdin laskettelukeskusta, uskaltaisin luvata että rinneprofiilin puolesta paikka voisi oikeastikin toimia laskettelukäytössä. Kuitenkin todellisuudessa lähes jokaista laskettelumäkeä muokataan jonkin verran maa-ainesta siirtämällä ennen kuin profiilit oikeasti toimivat.

Analyysistä jäi kokonaan pois mahdolliset rajoittavat tekijät, kuten suojelualueet tai sopimaton maasto, esim. liian kosteat alueet. Jos analyysiä haluaisi parantaa, täytyisi etsiä aineistot joista selviäisi maaston kosteus ja suojelualeet. Rakentamisen osalta olisi myös hyvä tietää onko peruskallio lähellä yms. Rakennuttajaa saattaisi myös kiinnostaa alueen väestö tai tieverkon kunto.

GIS-taidot

Tehtävä oli huomattavasti vaikeampi kuin aiempina viikkoina, koska lähtöaineistot ja ennen kaikkea tarkasteltava alue piti löytää itse. Kaikista eniten meni aikaa mäen valintaan ennen kuin rinteitä saattoi alkaa tarkemmin edes analysoida. Itse analyysit sujuivat teknisesti ongelmitta. Ainoastaan kone ei meinanut kestää 3D-mallin pyöritystä. Monista opituista asioista oli hyötyä tässä tehtävässä.

Tämän viikon lähtöaineistona oli Kevon luonnonpuiston alueen korkeusmalli ja alueella sijaitsevien puhelinmastojen sijainnit. Digitoin tyypillisen vaellusreitin Kevon tutkimusasemalta Karigasniementien parkkipaikalle ja tutkin signaalin kuuluvuutta reitillä.

Vaellusreitti

Vaellusreitti seurailee OpenStreetMap:issa näkyvää reittiä ja tutkimusaseman läheisyydessä tietä. Reitille tuli pituutta 64,3km. (kuva1)

Kuuluvuus vaellusreitillä

Seuraavaksi tein näkyvyysanalyysin jokaiselta mastolta korkeusmallin perusteella. Mastojen korkeus otettiin huomioon samoin kuin puhelimenpitelijän kurottelu n. 2m korkeuteen maasta. Uudelleenluokittelin saadun mallin alueisiin joissa puhelin joko kuuluu tai ei kuulu lainkaan. Tällaisesta binäärisestä aineistosta oli helppo muodostaa polygonit. Polygonien avulla sain tehtyä päällekkäisanalyysin siten että katsoin mitkä kohdat vaellusreittiä ovat polygonien alla ja mitkä eivät. Tein uuden vaellusreittiviivan siten että laikkasin alkuperäisestä pois kaikki ne kohdat jotka ovat päällekkäin kuuluvuuspolygonien kanssa. Näin uusi viiva näytti kohdat joissa ei ole kuuluvuutta. Tämän viivan pituudeksi tuli noin 36,6km, eli noin 57% reitin pituudesta. (kuva2).

Vaikuttaisi siis siltä että kuuluvuus on melko huono reitillä. Toki tämä malli ei huomioi signaalien kimpoilua esim. kanjonin kellioseinämistä, eli todellisuudessa kuuluvuus voi olla parempi kuin tämä malli näyttää. Lisäksi digitoitu vaellusreitti ei  välttämättä vastaa riittävän tarkasti sitä missä reitti oikeasti kulkee joten mallissa on siinäkin vähän epätarkkuutta. Malli kertoo kuitenkin hyvin sen, että reitillä vaeltaessa on turha luottaa siihen että voi selailla esimerkiksi retkikartta.fi -palvelusta karttoja. Toisaalta se kertoo myös siitä että joitain paikkoja reitillä voi olla, joista esimerkiksi hätäpuhelun pystyy soittamaan. Jos samalla tekniikalla haluttaisiin tehdä hieman paremmin todellisuutta vastaava malli, voitaisiin kävelyaluetta laajentaa esimerkiksi tekemällä digitoidun polun ympärille 10m puskurivyöhykkeen ja laskea näkyvyydet siihen. Tämä tosin hidastaisi laskentaa hyvin paljon.

Uusi masto alueelle

Seuraavaksi aloin etsiä sopivaa paikkaa uudelle 70m pitkälle mastolle, jotta kuuluvuutta reitillä  voitaisiin parantaa. Ensin tutkin silmämääräisesti karttaa ja asetin oman arvaukseni hyvälle paikalle. Sitten tein uuden näkyvyysanalyysin jonka toteutin korkeusmallin perusteella ja käyttäen kohteena katve-alueita esittävää vaellusreittiviivastoa. Eli malli kertoi mihin kohtiin katvekohtia “näkyy” mistäkin. Mitä tummempi alue mallissa on, sitä useammasta pikselistä siihen kohtaan näkyy katvealueelta reitiltä. Eli tällainen kohta olisi optimaalisin uudelle mastolle. Optimaalisin kohta on koordinaateissa 69,532968°N, 26,781345°E. Mallin visualisoinnissa käytin kaikista optimaalisimmalle paikalle pinkkiä huomioväriä (kuva4). Oma arvaukseni jäi optimaalisimmasta paikasta lounaaseen tummanvihreällle alueelle, joten sieltäkin osa reitistä olisi tavoitettu.

Yritin ensin tehdä mallin modelbuilderin kautta jotta työvaihe olisi helppo toistaa, mutta tuloksessa tapahtui jotain omituista, sain rasteriaineiston jonka minimiarvo oli -2147483648 ja maksimi vastaava luku plus-merkkisenä. Jäi mysteeriksi mitä tapahtui. Laskenta vei myös niin kauan aikaa että seuraavaan yritykseen muutin solukoon 150:ksi ja sain nyt ilman modelbuilderia mallin toimimaan kohtuullisessa ajassa ja oikein. Rasterin suurimmaksi arvoksi tuli 1724. Mielestäni resoluution suurentaminen tai pienentäminen tässä mittakaavassa ja tähän tarkoitukseen, ei merkittävästi muuta tuloksia. Ehkä jos lopullista sijoituspaikkaa arvioitaisiin rakennuspiirustuksia varten, olisi hyvä tehdä sama analyysi vielä pienemmällä solukoolla jotta saataisiin mahdollisimman tarkasti paras paikka valittua.

Kuuluvuus jos masto lisättäisiin

Lisäsin mastodataan uuden maston paikan ja toistin aiemmat vaiheet vaellusreitin katvealueiden laskemiseksi. Tällä kertaa sain katvealueeksi 32% vaellusreitin pituudesta. Eli katveessa joutuisi kävelemään noin 21km 64 kilometristä. Visualisoin uuden maston vaikutukset siten, että vanhat katvealueet jotka olivat muuttuneet kuuluvuusalueiksi, esiintyvät keltaisena (kuva4).

Kuuluvuus parani noin 25-prosenttiyksikköä. Kun siis kuuluvuutta oli aluksi 27,7km matkalla (64,3-36,6km ) ja maston lisäämisen jälkeen 43,7km matkalla, niin kuuluvuus parani 1.58-kertaiseksi, eli kasvoi 58% alkuperäisestä.

 

Viikko 4

Tämän viikon lähtöaineistona oli SYKE:n tuottama CORINE maanpeite- ja käyttöaineisto joka koostuu erivärisitä rastereista jotka esittävät eri maankäyttö- ja maanpeiteluokkia (esim. rakennettu ympäristö, maatalous, harva puusto, avosuo, havumetsä kivennäismaalla jne.).
Luokat on muodostettu käyttäen useita eri paikkatietoaineistoja. Käytössä on ollut mm. Maanmittauslaitoksen Maastotetokanta, Liikenneviraston Digiroad, Digi- ja väestötietoviraston Väestötietojärjestelmän Rakennus- ja huoneistorekisteri.
Näitä paikkatietoaineistoja on yhdistetty Image 2017 -satelliittikuvilta tulkittuihin maanpeitetietoihin. Tulkinnan apuna on käytetty myös Luken VMI2015-aineistoja ja muita korkeus- ja maaperää kuvaavia tietokantoja.
Aineiston spatiaalinen resoluutio on on 20m x 20m.

CORINE Kevon kanjonin alueella

Aluksi leikkasin aineistosta tämän viikon tehtävässä käytettävän alueen Kevon kanjonin kohdalta. Alueen luokkia tarkastellessa ei tullut suuria yllätyksiä. Rakennettua ympäristöä ei tällä alueella näkynyt joten pääasiassa luoakt liittyivät maanpeitteisiin. (Kuva1) Tarkasteltu alue sisälsi odotetusti enimmäkseen kalliota, varvikkoja ja nummia. Kuulostaa hyvin tunturialueelta. Lisäksi jonkin verran avosuota ja lehtimetsää kivennäis ja turvemalla. Myös pari pientä järveä ja joenuomia sekä pienissä määrin muita luokkia. Yksi yllättävä asia oli että kuinka vähän alueella näkyi havumetsää kivennäis- ja turvemaalla verrattuna lehtimetsään. Aiemman  viikon tehtävissä biomassa-aineistot olivat paljon enemmän tasapainossa lehti- ja havupuiden osalta. En löytänyt metatiedoista Syken sivuilta tietoa siitä miten näiden puiden määrät on mitattu. Ilmeisesti kyse on peittävyydestä koska ero on niin huikea. Jospa havupuut ovat alueella niin kapeita vaikeiden olosuhteiden vuoksi että jäävät pistemäisiksi kartalla.

Soveltuvuusanalyysi telttapaikoille

Soveltuvalle telttapaikalle asetettiin seuraavat kriteerit:

– alle 260 metrin korkeudella
– rinne suuntautuu välille itä – etelä – länsi
– lehti-, seka- tai havumetsä kivennäismaalla,
tai lehti- tai sekametsä turvemaalla
– korkeintaan 200 m etäisyydellä vesiuomista
– rinteen jyrkkyys enintään 10 astetta

Näitä tietoja varten tarvitsin lisäksi edellisviikkojen aineistoista rinteiden suunnat (aspect), rinteiden jyrkkyydet (slope), korkeusaineisto ja vektorimuotoinen aineisto alueen uomista (uomat100k).

Jokaisesta aineistosta tehtiin uudelleenluokittelut joissa määriteltiin kyseisen aineiston raja-arvon soveletuvuuksien mukaan. Eli esim. korkeusaineistosta arvot välillä 0-260m saivat arvoksi 1 ja loput 0 ja uomista tehdyn puskurirasterin  pikselit etäisydellä 0-200 saivat arvoksi 1 ja loput 0. Hahmottamisen apuna ja toistettavuuden vuoksi käytettiin ArcGis Pron ModelBuilderia joka osoittautui käteväksi työkaluksi (kuva2).

Nyt kun jokaisesta aineistosta oli saatu rasteriaineisto jossa arvona oli joko 1 tai 0 riippuen siitä soveltuuko kyseinen pikseli telttailuun, pystyin laskemaan uuteen rasteriaineistoon tulon näistä aineistosta. Tulon arvo määrää toteuttaako kyseinen pikseli kaikki annetut kriteerit telttapaikan sopivuuden osalta. Luokitellut aineistot siis kerrottiin keskenään RasterCalculatorilla. Eli esimerkisi jos jokin pikseli saa arvon 1 korkeus- , jyrkkyys-, rinteensuunta-, ja maanpeiteaineistossa mutta uoma-aineistossa 0, niin tällöin lopputuloksena on että kyseinen pikseli ei sovellu telttailuun koska 1*1*1*1*0=0 eli pikseli on liian kaukana uomasta.

Lopputuloksena sain siis rasteriaineiston joka koostui arvoista 1 ja 0. Uudelleenluokittelin tämän vielä siten että nollista tuli NODATA, joka helpotti aineiston muuttamista vektoriaineistoksi (polygoneiksi). Polygoneista tein lopulta varsinaisen visualisoinnin soveltuvista telttapaikoista (kuva3).

Kriteereistä ja aineistoista

Lopputuloksena sopivat telttapaikat näyttäisivät sijoittuvan suurilta osin kanjonin pohjalle. Mietin sitä kuinka hyviä nämä paikat todellisuudessa olisivat koska ne näyttävät olevan niin lähellä vesistöjä että maa voi hyvinkin olla kosteaa. Kosteikot eivät toki olleet mukana maanpeitekriteereissä, mutta monet metsäksikin luokitellut maastot voivat olla hyvin märkiä jos ne ovat matalalla veden äärellä. Itse olisin ehkä valinnut kriteereihin mukaan myös vähän korkeammalla olevat paikat. Ehkä jostain olisi voinut olla saatavissa kosteuteen liittyvää aineistoa jota olisi vielä voinut hyödyntää lisäksi. Olisin saattanut ottaa myös hietikot mukaan sallittuihin maanpeitteisiin. Toisalta sopiviin alueisiin oli otettu mukaan puustoa kivennäismaalla, joka saattaa ehkä tarkoittaa myös tunturikoivikkoa rakkakivikossa? Eli hieman tarkemmin pitäisi vielä tietää miten maanpeitteet oli luokiteltu jotta voisi sokeasti luottaa näihin tuloksiin ja mennä telttailemaan tiettyyn pikseliin.

Ilmakuviin ja maastokarttoihin verrattuna saadut telttapaikat vaikuttavat kuitenkin ihan kohtalaisen hyviltä. Tarkemman tuloksen saamiseksi asia olisi hyvä käydä varmistamassa paikan päällä. Pientä epätarkkuutta tuloksiin tuottaa myös aineistojen spatiaaliset resoluutiot. Korkeusrasteriaineisto oli hyvin tarkka (2m x 2m), jonka perusteella myös jyrkkydet ja rinteen suunnat on saatu, mutta CORINE-aineiston spatiaalinen resoluutio oli 20m x 20m joten se voi aiheuttaa epätarkkuutta lopputulokseen. Teltta mahtuu paljon pienemmälle alueelle kuin 20m x 20m eli paljon hyviä paikkoja on voinut myös jäädä tulosten ulkopuolelle.

Muita sovelluksia

Vastaavilla aineistoilla voisi myös etsiä esim. helikopterin hätälaskupaikkoja kun asettaisi kriteerit vain hieman toisin (esim. ei puustoa ja uomista pikemminkin kaukana kuin lähellä). Jos alueelle haluttaisiin rakentaa retkeilyinfraa, kuten tulipaikka, sillekin voisi etsiä sopivia alueita esim. maaston kaltevuuden ja uomien etäisyyden perusteella.

Havaintoja

Tämän viikon  tehtävissä käytettiin vanhoja tuttuja työkaluja mutta uudella tavalla. Oli hyödyllistä oppia tekemään asioita vähän tehokkaammin ja käyttää muokattuja rasteriaineistoja johonkin suurempaan kokonaisuuteen kuin vain yhteen visualisointiin tai muhun vastaavaan.

Viikko 3

Tämän viikon lähtöaineistona oli Luonnovarakeskuksen tuottamat rasteriaineistot biomassoista ja latvuspeitteistä. Aineiston spatiaalinen resoluutio on 16 m x 16 m. Aineisto on tuotettu yhdistämällä eri vuosien koealatietoja, satellittikuvia ja OLI-keilaimen kuvaa. Pääosin aineisto kuitenkin koostuu vuoden 2019 tuloksesta (99,54% metsäpikseleistä) jonka aineistona on olleet vuosien 2015-1019 koealatiedot. Osa aineistosta on siis vanhemapa perua mutta aineistossa on otettu huomioon puuston vuotuinen tilavuuskasvuprosentti. Lisäksi maastomittausten ja satelliittikuvien välillä tehdyt uudistushakkuut on tunnistettu ilma- ja satelliittikuvien perusteella ja aineistoon on tehty tätä vastaavat tarvittavat muutokset. Karttamuotoiset ennusteet on tuotettu ik-NN menetelmällä (ei parametrinen k:n lähimmän naapurin estimointimenetelmä). K:n arvona on käytetty enimmäkseen arvoa 5.

Biomassojen jakautuminen

Tarkastelin ensimmäiseksi biomassa-aineistoja. Laskin rasterilaskimella kokonaisbiomassat laskemalla yhteen kaikki lehtipuita koskevat biomassatiedot ja tein saman kuusi- ja mäntypuille. (Kuva1) Biomassat oli ilmoitettu yksikössä 10 Kg/ha mutta kokonaisbiomassat muutin yksikköön 1000Kg/ha.

Kun karttoja tarkastelee silmämääräisesti, kuusta on selkeästi vähiten sekä pinta-alaltaan että biomassan määrältä (maksimikin on vain 35 tKg/ha).
Lehtipuumassaa (tunturikoivua?) on mielenkiintoisesti eniten etelään osoittavalla rinteellä kun taas mäntyä ja kuusta on pohjoisrinteellä.
Uomassa hyvin lähellä vettä kuusen biomassa on suurimmillaan. Mäntyäkin on paljon lähellä vesistöä mutta mäntyä on yhtä paljon myös rinteellä.
Männyn biomassa-alue on yhtenäinen ja kauttaaltaan massaa on melko paljon. Lehtipuumassaa taas on laaajimmalla alueella mutta ei yhtä tiheästi eikä se voita kokonaisbiomassan maksimikilpailua per pikseli männyn kanssa. Lehtipuita näyttäisi silti olevan eniten kokonaisbiomassan perusteella. Vaikka suurimmat massat per pikseli ovat männyillä, lehtipuut ovat levittäytyneet laajemmalle alueelle.

Kuusia on selkeästi vähemmän kuin muita puulajeja koska kokonaisbiomassa jää niin alhaiseksi. En ole maantieteilijä mutta käsittääkseni maanpinnan korkeuden noustessa “kuusiraja” menee matalemmalla kuin “mäntyraja”, eli männyt  sietävät paremmin karuja tunturin olosuhteita kuin kuuset. Eli alue ei ole kuuselle enää tyypilinen kasvualue. Kuitenkin kanjonin pohjalla ja alarinteillä kuusikin on menestynyt jossain määrin.

Kartalta (kuva2) näkee selkeästi että kaiken kaikkiaan biomassat näyttäisivät keskittyvän uomien ympärille. Tarkastellaan siis sitä asiaa tarkemmin seuraavaksi.

Biomassat uomien etäisyysvyöhykkeillä

Hain viime viikon tehtävistä mallinnetut uomat (100k) ja tein etäisyysrasterin niistä. Uudelleenluokittelin etäisyysrasterin etäisyysvyöhykkeiksi 200m välein. Nyt pystyin laskemaan eri puulajien kokonaisbiomassat per etäisyysvyöhyke ja laatimaan tuloksista tilastolliset tunnusluvut (kuva3). Tilastollisissa tunnusluvuissa yksiköt ovat samat kuin aineistossa josta ne laskettiin, eli esim. keskiarvo on 1000Kg/ha. Siis yhden 16m x 16m alueen kuusibiomassa 200m vyöhykkeen sisällä uomasta on keskimäärin 0,52 1000Kg/ha eli 520 Kg/ha.
Toisin sanoen 16m x 16m alueella on keskimäärin 13,312kg kuusibiomassaa.

Tarkastelin kokonaisbiomassoja myös yhteisesti ja tein havainnnon että biomassan määrä yleisesti ottaenkin vähenee mitä kauemmas uomasta mennään (kuva4). Suurin ero on 200m ja 400m vyöhykkeiden välillä. Jokaisella vyöhykkeellä kuusen biomassaa esiintyy vähiten, mutta siinä on eroja, mitä puulajeja on eniten milläkin vyöhykkeellä (kuva5).

Biomassat eri korkeusvyöhykkeillä

Tarkastelin seuraavaksi biomassojen määriä korkeusvyöhykkeiden mukaan. Latasin viime viikon aineistoista Kevon alueen korkeusaineiston ja uudelleenluokittelin sen 100m välisiksi korkeusvyöhykkeiksi. Nyt pystyin tekemään etäisyysvyöhykkeiden kaltaiset laskelmat korkeusvyöhykkeiden mukaisesti (kuva6).

Kun uomien etäisyyde

n ja korkeusvyöhykkeiden mukaan lajiteltuja biomassoja vertailee, näyttää siltä että korkeus selittää puiden esiintyvyyttä enemmän kuin etäisyys uomista. Erityisesti kuvasta 7 nähdään että selkeästi biomassaisimmat rasterit osuvat 200m korkeusvyöhykkeelle ja sen alle. Uomien ympärillä ei päästä lähellekään yhtä suuriin lukuihin vaikka oltaisiin aivan uoman vieressä. Tämä selittynee sillä että kaikki kuvaan mallinnetut uomat eivät sijaitse matalalla. Kun vertailee käyriä kuvissa 4 ja 7 tai lukuja taulukoissa (kuvat 3 ja 6), voidaan havaita että korkeuden kasvaessa kaikkien puulajien esiintyvyys laskee. Sen sijaan etäisyyden kasvaessa vain lehtipuiden esiintyvyys laskee jatkuvasti, havupuilla määrä hieman vaihtelee. Korkeusbiomassataulukosta (kuva6) ja kuvasta8 voidaan myös tehdä päätelmiä että kuusi tosiaan viihtyy vielä hieman matalemmalla kuin mänty ja nähdään kuinka vähän kuusen biomassaa tosiaan on muihin nähden.

Vähiten biomassaa on siis  korkeimmilla alueilla ja eniten matalilla. Mitä etäisyyteen uomista tulee, niin siinä tapauksessa vähiten biomassaa on kaukana uomista ja eniten on lähellä uomia, joka osittain johtunee siitä että osa alueista lähellä uomaa ovat myöskin matalalla. Veden helpolla saannilla lienee myös vaikutuksensa asiaan.

Latvuspeittävyys

Tässä lähtöaineistossa latvuspeittävyydellä tarkoitetaan koealan puuston vaakatasoon projisoidun latvuston peittämää prosenttiosuutta koealan alasta. Käytännössä tämä tarkoittaa sitä, että jos maasta käsin katsoo taivalle ja näkee latvuksia osassa taivasta, tämä osuus on latvuspeitto. Eri VMI-maaluokille latvuspeittävyys on arvioitu hieman eri tavoin. VMI10:ssä arviointi tehtiin kiinteäsäteiseltä koealalta metsä- kitu- ja joutomaalla. VMI11-koealoille ennustettiin latvuspeittävyys VMI10 perusteella. VMI9:ssä latvuspeittävyys arvioitiin laatimalla regressiomalli peittävyyden ennustamiseksi (hieman eri ennuste aina jos koealan keskipitse sijaitsi metsä-, kitu- tai joutomaalla).

Aineistossa oli latvuspeittävyys koko puustolle ja lehtipuille. Laskin latvuspeittävyyden myös havupuille miinustamalla koko puuston peittävyydestä lehtipuiden peittävyydet. Kuusien ja mäntyjen peittävyyksiä en pystynyt erittelemään. Kuvista näkee hyvin sen miten lehtipuut ja havupuut viihtyvät eri rinteillä (kuva9).

Tarkastelin latvuspeittävyyttä myös korkeusvyöhykkeiden mukaisesti ja tein tuloksisata taulukon ja diagrammin (kuva10). Taulukosta nähdään että lehtipuiden latvuspeitto on havupuita suurempi vaikka havupuiden kokonaisbiomassa on suurempi. Lehtipuiden latvuspeitto on alhaisimmilaan 400m vyöhykkeellä kun taas havupuiden 300m vyöhykkeellä. Kummallakin lajilla peitto on suurimmillaan 200m vyöhykkeellä.

Sudenkuoppia matkan varrella

Aineiston käsittelyssä sai tällä viikolla olla erityisen tarkka yksiköissä ettei putoa itse kärryiltä mitä onkaan laskemassa. Oli myös vaikea hahmottaa onko saatu laskelma oikein kun rasteriaineiston tarkastaminen ei ole yhtä helppoa kuin attribuuttitaulun. Melkein kaikki käytetyt työkalut olivat uusia minulle, joten oli paljon opittavaa. Tulosteiden luomisessa oli suurimmat haasteet, kun vierekkäisten karttojen luominen ei ollutkaan yhtä helppoa kuin yksittäisten. Lisäksi opin paljon lisää puista ja maantieteestä ylipäänsä.

Raportin ohjeissa pyydettiin muutamaan kertaan mäntyjen latvuspeittävyyden tietoja. Tässä on kuitenkin esitelty vain lehti- ja havupuiden latvuspeittävyydet koska mäntyjä ei löytynyt aineistosta erikseen eikä saatavilla tiedoilla voinut helposti sitä laskea. Ylimääräisenä otin kuuset mukaan antamaan perspektiiviä malleille. Tuntuisi  väärältä arvioida puustoisuutta jättämällä yksi iso puuryhmä pois.

Viikko 2

Tämän viikon tehtävässä kaikki lähtöaineistot olivat rasteriaineistoja Kevon kanjonin alueelta (ortokuva, korkeus ja maastokartta).

Korkeusaineiston metatietoja:

Koordinaattijärjestelmä: TM35FIN
Vertikaaliyksikkö: metri
Horisontaaliyksikkö: metri
Spatiaalinen resoluutio: 2m x 2m
Alueen koko: 6km x 6km

Aluksi tarkastelin korkeusaineistoa yleisesti ja eri symbologioilla pystyäkseni hahmottamaan sitä paremmin. Väritin korkeusaineiston lopulta viher-punaruskean sävyiseksi ja etsin korkeimmat ja matalimmat kohdat. Korkein kohta löytyi vasemmalta mäen hupulta (n. 422m) ja matalin oikealta kanjonin pohjasta ihan aineiston laidalta (n. 145m). Tein myös esimerkiksi rinnevarjostukset ja maaston kaltevuusanalyysin, jossa kukin pikseli kertoo mikä sen kohdan jyrkkyys on asteissa. Jyrkimmät kohdat löytyivä luonnollisesti kanjonin reunoilta, jotka pääsivät 70-79 asteen jyrkkyyteen, muuten kanjonin rinne oli n. 30-40 astetta. Ylängöllä ja kanjonin pohjassa kaltevuus vaihteli 0-10 asteen välillä pääosin.

Rinnevarjostus toi aidon näköisesti esiin maaston muodot. Joskin auringon suuntaa ja korkeutta siirtelemällä aikaan sai myös silmää hämääviä kuvia joissa uoma näytti olevan koholla. Löysin sopivan kulman auringolle noin 200 asteesta ja 35 asteen korkeudelta, jossa uoma näytti vielä aidolta. Maaston kaltevuusanalyysi toisaalta tuntui vielä informatiivisemmalta kuin rinnevarjostus. Siinä ei hämäänny varjoista jotka voivat saada esim. kanjonin näyttämään kapeammalta tai leveämmältä. Kaltevuusanalyysin viivojen avulla rinteiden muodot ja koot näyttivät todella realistisilta. Kuva oli myös paljon informatiivisempi maaston muotojen tarkasteluun kuin pelkkä väritetty korkeusaineisto. Lisäsin kuvaan vielä korkeuskäyrät niin sain erittäin hyvän kuvan maaston muodoista.

Valuma-alueiden ja uomien mallintaminen

Valuma-alueita ja uomia ei saa muokkaamattomasta korkeusaineistosta ihan suoraan ulos, vaan täytyy tehdä muutama askel ennen sitä.

Aluksi täytin korkeusaineistossa esiintyvät kuopat työkalulla Fill. Kuopat saa näkyviin Sinks-työkalulla. Sen jälkeen täytetystä korkeusaineistosta valuma-alueet saa esiin Basin-työkalulla ja uomat Flow accumulation -työkalulla. Kumpikin tuottaa omat uudet rasteriaineistonsa.

Valuma-alueet

Muodostunut rasteriaineisto on hyvä muuntaa vektoriaineistoksi (valuma-alueet polygoneiksi) havainnollistamisen helpottamiseksi.

Valuma-alueet jakautuivat siten että pienempiä alueita oli pohjoisessa ja etelässä ja keskiosa muodosti oman ison valuma-alueensa. Jos alueita zoomasi lähemmäs, saattoi havaita oudon muotoisia pieniä alueita. Tämä johtunee siitä että spatiaalisen resoluution ollessa 2m x 2m, ei voi olettaa että valuma-alueiden reunojen tarkkuus olisi ihan sama. Oudot muodot valuma-alueiden muodossa olivat juuri sitä kokoluokkaa, että  viiva saattoi kierrellä pikseleitä omituisesti. Epäilin aluksi outojen viivasotkujen johtuvan seonneesta rasteri-vektori -muunnoksesta mutta epäily osoittautui vääräksi rasterimuotoisia valuma-alueita tarkastellessa diskreetillä symbologialla. Samat pienet ja kippuraiset alueet löytyivät myös analyysin rasteriversiosta. Tässä voi olla kyse esimerkiksi siitä että maastossa voi olla vierekkäisiä uomia jossa 2m x 2m tarkkuus ei riitä kuvaamaan sitä mihin suuntaan maasto kallistuu. Tällöin vaihtelevassa maastossa joka toinen pikseli voi osoittaa eri suuntaan riippuen siitä mikä määritellään pikselin korkeusarvoksi (esim. pikselin keskikohta määrää pikselin arvon?).

Uomat

Uomarasteriaineisto kertoo pikselikohtaisesti kuinka monesta muusta pikselistä valuu vettä tähän pikseliin. Oikeastaan uoma on tässä vielä väärä termi, vaan pitäisi puhua vapaasti suomennettuna virtauskumulaatiosta. Uomat saadaan esiin kun aineisto luokitellaan uudelleen Reclassify-työkalulla. Työkalulla voi valita minkä arvoiset pikselit jätetään aineistoon ja mitkä pudotetaan pois. Valitsin ensin vain pikselit jotka ylittävät arvon 100 000. Muutin saadun rasterin vielä vektoriaineistoksi (viivoiksi) jotta sitä olisi helpompi tarkastella. Ilmakuvaan ja maastokarttaan vertaillessa paljastui että hyvin suurilta osin uomat osuivat niihin kohtiin joihin kartalla oli merkitty puroja, jokia tai lampia. Ne eivät kuitenkaan ulottaneet lonkeroitaan yhtä kauas kuin maastokartan siniset viivat. Tein toisen uudelleenluokittelun tällä kertaa arvolla 7000. Nyt maastokartan pienetkin kippurat tuli piirrettyä, mutta myös paljon muuta! Nyt näkyviin tuli ilmakuvasta havaittavat viirut ja painanteet. Ehkäpä vanhat kuivemmat uomat(?). Pieniä hiussuonia tuli sieltä täältä maastokartan puroja kohti. Tein vielä kolmannen luokituksen ja nyt arvolla 50 000 näkyvissä oli pääosin samat purot kuin maastokartalla, mutta joitain puroja uomamallinnus ei löytänyt lainkaan millään arvolla. Tekisi mieli käydä paikan päällä tarkistamassa onko maastokartassa virhe näissä kohdissa.

Uomien muodoissa ei näkynyt mitään valtavan yllättävää. On esimerkiksi ihan luonnollista että lammen läpi kulkee syvempi uoma jostain kohtaa. Jotkut uomat erottuivat esimerkiksi rinnevarjostuksesta selkeinä uomina kun taas toiset uomat olivat laakean kaltevan alueen keskivaiheilla ilman varsinaista syvempää painannetta. Selitys on kuitenkin looginen, että näiltä laakeilta alueiltakin rinne viettää aina jonnekin.

Kartalle päätin valita näkyviin arvot 100 000 ja 7000, koska ne toivoakseni esittävät hyvin sitä missä pääuoma menee ja mistä päin siihen valuu uomassa mahdollisesti virtaavat vedet. Luullakseni 7000 arvolla valittuja uomia ei maastossa välttämättä silmällä näe vaan se voi olla pieni virta sammalten ja kivien läpi kohti isompaa uomaa tai sitten kuivunut painanne. Väritetyn korkeusmallin lisäksi kartalla näkyy kaltevuusanalyysin tuottamat pinnanmuodot värien tummuutena.

Tämä blogi tulee sisältämään myös geoinformatiikan menetelmät 2 -kurssin tehtävät. Erona aiempaan kurssiin on se että QGIS-ohjelman sijaan käytössä on ArcGis Pro. Ohjelma on minulle uusi joten odotan mielenkiinnolla osaanko QGIS:in perustatietojen pohjalta käyttää sitä intuitiivesti vai täytyykö kaikessa turvautua ohjeisiin.

Viikko1

Tehtävä 1

Tehtävän aineistona oli  vektorimuotoiset aineistot maanpeitteistä Helsingin alueella sekä Lahdenväylän ja Vihdintien pätkät esittämässä kaupungin sisääntuloväyliä. Tiet oli esitetty viivoina ja piirretty HSY:n kartan pohjalta. Vihdintie-niminen pätkä oli jatkettu kaupungin päädyssä Huopalahdentiellä vaikka varsinainen Vihdintie jatkuu kaakon suuntaan liikenneympyrästä ja päättyy Mannerheimintiehen. Oletan tämän valinnan johtuvan siitä että valituista tienpätkistä saatiin suurinpiirtein yhtä pitkät. Joka tapauksessa ne esittävät hyvin sisääntuloväyliä vaikka Vihdintie-nimisen pätkän nimestä voidaan vääntää kättä.

Maanpeitteistä karttatuloste

Aineistoa ei tarvinnut juurikaan muokata informatiivisen kartan aikaansaamiseksi. Muutin polygonien ja viivojen väriä sekä ulkoreunojen rajauksia.

Kartan aineistosta pistää erityisesti silmään Helsingin keskuspuiston puustosta koostuvat yhtenäinen alue (Kuva1). On hienoa että niin iso viheralue on saatu säilytettyä – toivottavasti saadaan myös jatkossa. Myös Viikin pellot erottuvat kartalla hyvin. “Muuta paljasta maata” on myös yllättävän paljon. Lähemmän tarkastelun seurauksena selvisi että sillä tarkoitetaan lähinnä päällystämätöntä maata jossa ei kasva mitään, eli esimerkiksi hiekkakenttiä jotka tunnistin tietämistäni urheilukentistä. Myös ratapiha-alueet Pasilassa kuuluvat tähän luokkaan.

Sisääntuloväylien puskurointi

Seuraavaksi otin käsittelyyn viivamuotoiset sisääntuloväylät ja loin niille 250m suuruiset puskurit joka suuntaan (Kuva2). Tarkoituksena on tutkia maanpeitteitä sisääntuloväylien läheisyydessä, joten puskurien avulla sain leikattua maanpeiteaineistosta puskurien muotoiset palat Clip-työkalulla. Lisäksi laskin jokaiselle polygonille pinta-alat uudelleen joten sain attribuuttitauluun tiedot siitä kuinka monta hehtaaria on esimerkiksi puustoa Lahdenväylän puskurialueella.

Mitä aineisto kertoo

Jo pelkästään attributtitaulua katsomalla selviää että sisääntuloväylien läheisyydessä maanpeitteiden määrät eivät paljoa eroa toisistaan. Sen sijaan niiden jakautumisessa on suuria eroja jos tarkastelee karttaa. Esimerkiksi Vihdintien koillisen puoleinen osa on yhtenäistä metsäaluetta kun taas luoteisosa on rakennuksia ja katuja ja muuta päällystettyä maata. Lahdenväylän ympärillä metsäalueet ovat hajautuneempia. Riippuu siis analyysin lopulliesta käyttötarkoituksesta onko tämä menetelmä harhaanjohtava vai ei kun se kertoo vain pinta-aloista yhteensä, eikä maanpeitteiden jakautumisesta.

Latasin attribuuttitaulut csv-tiedostoina koneelle ja tein niistä piirakkadiagrammit RStudiolla (Kuva3 ja Kuva4), koska koneellani ei ole Exceliä. LibreOfficen ohjelmaa kokeilin kyllä lyhyesti mutta sen kaaviotoiminnoissa oli bugeja.

Kaavioista nähdään että Lahdenväylän ympärillä on vähemmän vettä läpäisemätöntä pintaa, mikä voi edesauttaa tulvien välttämisessä. Toisaalta sitä kompensoi hieman suurempi teiden määrä ympäristössä. Puustoa on ilahduttavan suuri osa molempien teiden varsilla joka voi vähentää pienhiukkaspäästöjen leviämistä asutusten ylle. Valitettavasti Vihdintien puskurialueen osalta puuston määrä tullee uusien asemakaavamuutosten myötä vähenemään merkittävästi. (Helsingin kaupunki 2018)

Piirakkadiagrammien vertailu vaatii tarkkaa silmää, joten tein analysoinnin avuksi ylimääräisen pylväsdiagrammin RStudiolla (Kuva5). Pylväsdiagrammi selkeytti eroja ja samalla vahvisti että olin kuitenkin hahmottanut piirakkadiagrammeja oikein.

Tehtävä 2

Tämän tehtävän aineistona oli maanpeiteaineiston lisäksi vektorimuotoiset kaupunginosat, joiden avulla leikkasin Intersect-työkalulla maanpeiteaineistosta alueet jotka vastasivat kaupunginosa-aineistosta valittuja alueita (Käpylä, Kumpula, Toukola). Intersectiä käyttäessä attribuuttitauluun saadaan molempien aineistojen tiedot, joten sinne tuli maanpeiteluokkien ja muiden lisäksi nyt kaupunginosien nimet. Clip-työkalulla nimet olisivat jääneet pois.

Tein karkeamman jaon maanpeitteisiin siten että vesistöt, matala kasvillisuus, avokalliot ja puusto vastasivat luokkaa “luonto” ja rakennukset, tiet, vettä läpäisemätön pinta ja muu paljas maa vastasivat luokkaa “rakennettu”. Tein jaon Python-koodilla. Tällä tavalla pääsin tarkastelemaan tämän alueen maankäyttöä eri näkökulmasta kuin ensimmäisessä tehtävässä (Kuva6).

Kuten kartalta näkee, Toukolan alueelle osuu paljon vesistöä joten luonnon osuus kasvaa sen myötä rakennetun ympäristön edelle. Muutoin Toukolan alue onkin melko rakennettua. Kumpulassa ja Käpylässä luonto jakautuu tasaisemmin rakennettuun ympäristöön verrattuna.

Lisää visualisointia

Laskin taas pinta-aloista prosenttiosuudet. Tämän vaiheen tein LibreOfficella. Päätin esittää tiedot samaan tapaan kuin edellisessä tehtävässä koska se sopii aineistoon hyvin. Tässä on erona vain että yksi kaupunginosa aina muodostaa sata prosenttia kun edellisessä tehtävässä Lahdenväylä muodosti oman 100% ja Vihdintie oman. Tein pylväsdiagrammin RStudiolla (Kuva7).

Diagrammista näkee hyvin että kaikilla alueilla yli puolet on luontoa, joskin Toukolan osalta se on suurelta osin merta. Sitä voi pitää hieman vääristävänä tekijänä koska vain osa asukkaista pääsee nauttimaan meriluonnosta veneestä käsin, joten suurimmalle osalle asukkaita Toukolan meriluonto tarkoittaa lähinnä ranta-kaistaletta. Kumpula puolestaan on kokonaan mantereen puolella ja siellä luonnon osuus on myös reilusti rakennettua suurempi. Se todennäköisesti näkyy ja tuntuu asukkaille enemmän jos tarkastellaan asiaa tästä näkökulmasta.

Luokittelun vaaroja

“Muu paljas maa” oli siis luokiteltu rakennetuksi ympäristöksi. Tutkin aineistoa löytääkseni ongelmakohtia mitä tämä luokittelu voisi tuottaa. Luonnollisia paljaan maan kohteita ei juuri tule mieleen hiekkarantoja lukuunottamatta. Ehkä metsä metsäpalon jäljiltä? Hiekkakuopat ja muut kasvillisuutta vailla olevat paikat pääosin ovat ihmisen aiheuttamia. Analyysin käyttökohteella on suuri merkitys siinä olisiko tämä merkintätapa ongelma vai ei. Jos maankäyttöaineistoa käytettäisiin asumisviihtyvyyden tutkimiseen niin olisi harhaanjohtavaa että urheilukentät, hiekkarannat ja muut avoimet alueet laskettaisiin samaan kategoriaan korkeiden rakennusten kanssa. Toisaalta taas jos tutkitaan alueita joissa ihminen on vaikuttanut ympäristöön, pitäisi rakennetuiksi kohteiksi valita myös matalan kasvillisuuden alueista puistot ja istutetut metsät. Mielestäni tämä nykyinen valinta että “muu paljas maa” kuuluu rakennettuun ympäristöön, toimi erinomaisesti valitulla alueella koska siinä ei esiintynyt suurissa määrin harhaanjohtavia laajoja hiekkarantoja tai muuta sellaista.
 

Reflektointia

Aiemmasta osaamisesta oli suuri hyöty uuden ohjelman käytön opettelussa. Vaikka asiat löytyivät eri paikoista kuin mihin oli tottunut, tiesi kuitenkin mitä etsiä ja odottaa eri työkaluilta. Harjoitusta tehdessä en törmännyt ongelmiin. Datan visualisointi tosin on jännittävää; jos tulee valinneeksi hölmön tavan visualisoida, tulee samalla välittäneeksi väärää informaatiota kun totuus vääristyy katsojan silmissä.  Diagrammeja valitessa mietin tarkkaan mitä arvoja katsoja todennäköisesti haluaa datasta vertailla ja asetin ne arvot vierekkäin. Ensimmäisen tehtävän kohdalla tein oletuksen että kiinnostavaa on onko Lahdenväylän ympäristössä enemmän esim. puustoa kuin Vihdintien ympäristössä. Toisaalta aivan yhtä hyvin katsojaa voisi kiinnostaa enemmän vertailla vierekkäin onko Vihdintien varrella enemmän rakennuksia kuin puustoa ja matalaa kasvillisuutta.

Lähteet:

Helsingin kaupunki (2018). Kerro Kantasi – Vihdintielle ja Huopalahdentielle syntyy ilmastoviisas bulevardikaupunki – suunnitellaan yhdessä! Haettu 3.11.2021 osoitteesta: https://kerrokantasi.hel.fi/bulevardikaupunkia?headless=false&lang=fi

 

Kurssin lopuksi teimme omat kartat valitsemastamme aiheesta. Valitsin aiheeksi koulutuksen. Halusin vertailla löytämieni aineistojen avulla, onko koulupudokkaiden määrä suurempi sellaisilla alueilla joissa toisen asteen koulutusta ei ole tarjolla tai on vain vähän tarjolla. Koulupudokkailla tarkoitan tässä sellaisia nuoria jotka eivät ole peruskoulun jälkeen hankkineet muuta tutkintoa. Tilastokeskuksen sivuilta löysin tietokannat kaikista oppilaitoksista ja rajasin sen koskemaan vain lukioita ja ammattikouluja/-oppilaitoksia. (Tilastokeskus 2020) Tilastokeskukselta löytyi myös tiedot väestön koulutusasteesta jota löytyi kohdat “Ei peruskoulun jälkeistä tutkintoa” ja “Peruskoulun jälkeinen tutkinto”. (Tilastokeskus 2019) Koostin näistä ikäluokan yhteissumman ja laskin osuuden niille joilla ei peruskoulun jälkeistä tutkintoa ole. Otin ikäluokaksi käsittelyyn 25-29 -vuotiaat, koska nuoremmalla ikäluokalla voisi vielä olla koulutus kesken jos esimerkiksi miehillä armeija on hidastanut koulun aloitusta tai on pidetty välivuosia. Tiedot väestön koulutusasteeta ovat vuodelta 2019. Oppilaitosten määrät puolestaan ovat vuodelta 2015, jotta ne olisivat lähempänä sitä aikaa kun 25-29 -vuotiaat todennäköisesti ovat valmistuneet.

Teknisiä haasteita

Latasin aineistot pilkkueroteltuina tiedostoina ja taistelin hetken ääkkösongelmien parissa. Tein csv-tiedostoille ensin valintatyökalulla karsintaa jotta jäljelle jäi vain kuntien nimet ja yksi muuttuja per tiedosto. Jouduin siis tekemään erilliset csv-tiedostot muuttujille ei-pk-jälkeistä-tutkintoa, pk-jälkeinen-tutkinto ja oppilaitosten-määrät, koska muuten join-toiminto olisi kadottanut tietoja yhdistäessä kuntatiedostoon. Kuntatiedosto oli aiemmilla kurssikerroilla käytetty pohja, jossa on kuntarajat valmiina polygoneina ja yhdistäminen onnistui kunnan nimen perusteella. Tällä kertaa ei tullut ongelmia nimien yhdistämisessä.

Ennen yhdistämistä tein myös laskentaa kun halusin mm. laskea osuuksia ja yhdistää lukioiden ja ammattikoulujen määrät per kunta. Tämä aiheuttikin hieman enemmän työtä ja suuri osa kurssikerran ajasta kului pohtimiseen, miten saan calculatorilla nuo yhdistettyä. SQL-kielellä se olisi käynyt kätevästi ”SELECT SUM(oppilaitosten-määrä) FROM laitokset GROUP BY kunta” mutta QGIS ei sitä ihan suoraan ymmärtänytkään joten piti etsiä aika kauan tietoa kunnes löytyi komento joka toimi calculatorissa. SUM(oppilaitosten-määrä, kunta) oli lopulta taikasana. Eli GROUP BY menikin sulkujen sisään. Samalla olisi pystynyt filtteröimään jotain ulos mutta en sekaantunut enää siihen!

Visualisointi

Tulostettavien karttojen luominen sujui tällä kertaa jo tottuneesti. Vaikka muuttelin karttaa ja vaihdoin muuttujia kesken tulosteen luomista, sain ne kätevästi siirrettyä suoraan tulosteelle. Kahden muuttujan esittämisen vaikeudesta yhdellä kartalla peloteltiin etukäteen ja en ihmetelekään miksi. Päätin esittää asiat kuntatasolla vaikka Suomessa onkin kuntia melko paljon ja se hankaloittaa hahmottamista. Tein kuitenkin havainnon että koulupudokkaiden määrä vaihtelee todella rajusti kunnittain, joten maakuntakohtainen tarkastelu olisi tasoittanut lukumääriä liikaa. Nyt kun tähän vielä lisäsi tiedon oppilaitoksista, tuli kartasta melko ahdas. Sen vuoksi päätin vielä erotella pääkaupunkiseudun pienet kunnat omaksi leikkauksekseen.

Aluksi kokeilin näyttää oppilaitokset palloina (mitä suurempi pallo, sitä enemmän oppilaitoksia). Sain tästä idean lukiessani Alexanderin blogia jossa pallot toimivat hyvin järvisyyden mittarina. (Engelhardt 2021) Tässä ensimmäinen yritelmä:

Kuten näkyy, isot pallot vain peittävät alleen punaiset värit, joten ei tiedä mikä pudokkaiden ja laitosten määrän suhde on. Muutin pallot numeroiksi joka mielestäni selkeytti karttaa aika tavalla. Edelleen kaikista pienimmät kunnat jäivät hieman sotkuisiksi, esimerkiksi Maarienhaminan 2 oppilaitosta eivät näy kartalla tässä mittakaavassa kun muissa Ahvenanmaan kunnissa luku on 0.

Suomessa on niin paljon pieniä kuntia että se hankaloittaa kartan esittämistä näin. Annikalla (Innanen 2021) oli hyvä esimerkki siitä miten paljon helpommin kartan saa selkeäksi kun tarkastelee isompia alueita. Hänellä oli kaksi muuttujaa kuten minullakin mutta USA:n osavaltioihin jaettuna. Kartta oli selkeä ja informatiivinen!

Miten esittää tietoa

Kuten aiemmissakin postauksissa olen todennut, kaikista vaikein asia tällä kurssilla on ollut tilastotieteellinen puoli. Kuinka valita karttaan oikeat muuttujat ja oikea tarkasteluluku (osuus, lkm/neliökilometri, abs. lkm…). Osuus vaikutti turvalliselta idealta, mutta siinäkin oli pohtimista että mistä sen osuuden ottaisi. koko ikäluokasta joka olisi kaivettava eri aineistosta vai saman aineiston summasta. Päädyin käyttämään saman aineiston vastakkaista arvoa kokonaismäärän laskemisessa. Laskemani prosenttiosuus oli lopulta ei-peruskoulun-jälkeistä-tutkintoa / (ei-peruskoulun-jälkeistä-tutkintoa + peruskoulun-jälkeinen-tutkinto) * 100.

Oppilaitosten osalta päädyin käyttämään absoluuttista lukuarvoa per kunta, koska mielestäni se kuvastaa hyvin sitä että miten asian laita on jos valtavan kokoisessa kunnassa on vain yksi lukio. Tällöin matka sinne voi olla hankala vaikka oppilaitosten määrä väestöön nähden voisikin olla suuri. Kartan tarkastelijat ovat todennäköisesti suomalaisia ja osannevat itse hahmottaa sen että harvaan asutuilla paikoilla on vähemmän oppilaitoksia mutta silti väestöön nähden riittävästi. Harkitsin hetken oppilaitosten esittämistä oppilaitosten suhteellisena määränä väestöön nähden mutta hautasin idean koska se tuntui epäluonnolliselta ja vaikeasti hahmotettavalta tavalta. Kuitenkin Suomessa keskimäärin 2-asteen koulutukseen haluavat pääsevät koulutukseen ennemmin tai myöhemmin joten olisi ollut tässä kontekstissa omituista minusta katsoa sitä että missä kunnissa “mahtuu” oppilaitoksiin parhaiten.

Mitä kartta kertoo

En tiennyt etukäteen lainkaan minkälaisia “tuloksia” kartalta selviäisi. Valitsinkin tarkoituksella sellaisen aiheen, josta en tiedä lopputulosta etukäteen. Esimerkiksi väestöntiheys tai muuttoliike olisi ollut liian ennalta-arvattavaa. Toki oletin että jos oppilaitoksia ei ole kunnassa lainkaan, olisi myös pudokkaiden määrä suurempi. Mutta karttaa tarkastellessa näin ei taida ollakaan. Kartalta löytyy tasaisesti paikkoja joissa ei ole pudokkaita paljoa mutta oppilaitoksia ei yhtään ja toisaalta voi olla useampi oppilaitos mutta silti korkeahko pudokkaiden määrä. Eli se että oppilaitoksia on vähän, ei tunnu lisäävän pudokkaiden määrää, mutta jos vieressä on iso kunta jolla on paljon oppilaitoksia, viereistenkin kuntien pudokasmäärät laskevat.

Kartta kertoi myös jotain mielenkiintoista pääkaupunkiseudusta; näyttäisi siltä että Suomen muiden suurempien kaupunkien ympärillä pudokkaita on huomattavan vähän verrattuna siihen miten paljon heitä on pääkaupunkiseudulla jossa oppilaitostarjontaa on kaikista eniten. Eli pääkaupunkiseudulla suuri tarjonta ei auta asiaa samalla tavalla kuin muualla Suomessa.

Kartan tulkinta menee aika arvailuksi kun ei ole parempaa tilastotieteen osaamista, mutta pohdin myös ajatusta, että mahtaako punaisena hehkuvilla alueilla olla paremmat mahdollisuudet työlllistyä nuorena ja näin unohtaa koko 2-asteen koulutus. Tätä varten voisi alkaa piirrellä seuraavaa karttaa nuorten työnteosta ja vertailla sitä tähän.

Lopuksi

Tätä tehtävää tehdessä huomasi että kurssilla oli tullut opittua monta tapaa kikkailla tilastotietojen parissa. Yhdistelin eri tietoja keskenään, työskentelin eri tiedostomuotojen parissa, latailin sujuvasti WMS-tiedostoja etsiessäni sopivaa dataa karttaani varten ja käytin erilaisia visualisointeja testaillessani miten data näkyisi parhaiten. Lopuksi päädyin yksinkertaiseen malliin ja jätin hienot taustakartat ja muut pois koska kartalla oli jo niin paljon asiaa. Jotain asioita aiemmilta kerroilta oli ehtinyt jo unohtua mutta ne muistuivat nopeasti mieleen kun kävi lukemassa omia blogitekstejä ennen tehtävän aloitusta.

Kaiken kaikkiaan kurssilta jäi käteen hyvä pakillinen työkaluja joita voi käyttää omien karttavisualisointien luomiseen. Kurssi ei ollut mahdottoman raskas mutta silti salakavalasti oppi huomattavan määrän asioita lyhyessä ajassa.

Lähteet:

Engelhardt, Alexander (2021). Lesson 3. Blood Diamonds and River regimes. Haettu 28.2.2021 osoitteesta https://blogs.helsinki.fi/alwengel/

Innanen, Annika (2021). Annikan GIS-blogi. Haettu 4.3.2021 osoitteesta https://blogs.helsinki.fi/anninnan/2021/03/03/harjoitus-7-karttoja-omavalintaisista-aineistoista/

Tilastokeskus (2020)(1). Peruskoulut, lukiot, ammatilliset oppilaitokset ja kansanopistot opiskelijamäärillä mitatun oppilaitoksen koon mukaan, 2005-2020. Haettu 28.2.2021 osoitteesta: https://pxnet2.stat.fi/PXWeb/pxweb/fi/StatFin/StatFin__kou__kjarj/statfin_kjarj_pxt_125k.px/

Tilastokeskus (2019)(2). 15 vuotta täyttänyt väestö koulutusasteen, kunnan, sukupuolen ja ikäryhmän mukaan, 1970-2019. Haettu 28.2.2021 osoitteesta: https://pxnet2.stat.fi/PXWeb/pxweb/fi/StatFin/StatFin__kou__vkour/statfin_vkour_pxt_12bq.px/

 

Tällä kertaa harjoittelimme itse tiedonkeruuta epicollect5 -sovelluksella ja sen jälkeen käsittelimme dataa interpoloimalla siitä visualisointeja missä on tiedonkerääjien mielestä turvattomimmat alueet. Kartasta tuli näin melko informatiivinen. Innostuin aiheesta ja päätin tehdä tämän viikon varsinaisen harjoituksen käyttämällä interpolointia hyväkseni.

Maanjäristyksiä

Kokeilin kerätä tietoa maanjäristyksistä hieman eri magnitudeilla ja eri aikakausina. Lopulta päädyin käyttämään aineistoa ajalta 1980-2021 ja maanjäristyksiä magnitudeista 6.0 ylöspäin. Mielestäni se antoi hyvän kuvan siitä missä keskimäärin tapahtuu usein suhteellisen kovia maanjäristyksiä. Korkeimmilla magnitudeilla paikat eivät kuvastaneet yleisiä järistysalueita kovin hyvin.

Kartalla näkyy hyvin mannelaattojen reunat joissa järistyksiä yleensä tapahtuu ja röpelönä esiintymänä alueet joilla on paljon järistyksiä ja ne ovat erivahvuisia keskenään. Isot pallukat kuvastavat alueita joilla järistysten voimakkuus on tasainen (muutama järistys ja kaikki samoilla magnitudilukemilla) tai on sattunut vain yksi/pari järistystä. Tiheästi järisevillä alueilla kovemmat järistykset eivät pomppaa näkyviin vaan jäävät normaalin vaihtelun välillä ansaitsemaansa kohtaan muiden pienempien järistysten väliin.

Seuraavaksi etsin käsiini tietoja asukasmääristä, koska halusin nähdä kuinka paljon väestöä asuu potentiaalisilla järistysalueilla. Löysin tiedot csv-muodossa sivulta SimpleMaps (Simplemaps.com 2021) ja karsin pois kaikki alle miljoonan asukkaan kaupungit.

Datan käsittely olikin hieman hankalaa koska Aasia monopolisoi dataa niin voimakkaasti että oli hankalaa löytää kuvaaja jolla muutkin maailman kaupungit saisi näkyviin. Lämpökartta vaikutti ensin hyvältä idealta mutta se olikin lopulta vain yksi iso pallo Aasiassa! Lopulta päädyin käyttämään aiemmilta kurssikerroilta tuttua pylväsmallia jossa pylvään pituus kuvaa väestömäärää. Nähdään että Aasiassa ylipäänsä yli miljoonan asukkaan kaupunkeja on todella tiheään ja samoin järistysalueet ovat lähettyvillä. Erityisesti väkirikkaat Japani, Taiwan ja Filippiinit ovat järistysalueiden ympäröimiä. Väli-Amerikka pistää myös silmään järistyksillänsä ja muutamalla korkealla väestöpylväällä, samoin kuin Jakartan ja Singaporen alue.

Jäin pohtimaan kuvastaako karttani hyvin maanjäristysten esiintymistä ja voimakkuutta ja tulin siihen tulokseen, että ehkä se kuvastaa parhaiten esiintymistä. Vertailin omaa karttaa kurssikaverin Villen (Väisänen 2021) blogin karttoihin ja totesin että pallokuvioilla voi periaatteessa saada ilmaistua selkeämmin etenkin jos haluaa vertailla kahta asiaa keskenään kuten Ville oli tehnyt ja vertaillut tulivuorien ja maanjäristysten esiintymistä. Kuten Villekin, jäin kaipaamaan QGIS-ohjelmalta lisää visualisointityökaluja tätä tehtävää varten. En halunnut käyttää pelkkiä palloja (löysin myös muutaman muun yhtä huonosti sopivan symbolin) joten päädyin siksi interpoloimaan, mutta toisaalta lopputulos ei ehkä ole niin selkeä kun voisi olla.

Kartan avulla voitaisiin esitellä sitä miten järistysaltiilla alueilla moni suurkaupunki on ja kuinka vähän ja maltillisia järistyksiä esim. Euroopassa tapahtuu.

 

Lähteet:

SimpleMaps.com (2021). Haettu 23.2.2021 osoitteesta https://simplemaps.com/data/world-cities

Väisänen, Ville (2021). Villen GIS-blogi. Haettu 23.2.2021 osoitteesta https://blogs.helsinki.fi/villvais/