Puuston biomassadataa – rasterianalyysit tutkinnassa

Aineisto tälle kerralle on Luken (entinen Metsäntutkimuslaitos)
aineistojakelusta http://kartta.luke.fi/ Monilähteisen valtakunnan metsien inventoinnin (MVMI) kartta-aineisto (2019). Tutustuin hieman sen metatietoihin. Sen koordinaatistona on ETRS-TM35FIN. Aineiston tuottamisessa käytettiin Sentinel ja Landsat satelliitin keilaimen kuvaa. Satelliittikuvan piirteiden lisäksi käytettiin metsämuuttujien suuraluekarttoja piirteinä, tässä aineistossa puuston keskitilavuutta puulajeittain. Koealat otettiin vuosina 2015-2019, ja vuonna 2019 tehtiin tuloslaskenta. Kuva-alkion koko karttaprojektiossa on 16 m x 16 m. Ladattavissa kartoissa biomassat esitetään luokissa 10 kg/ha.

Ensin laskettiin eri puulajien kokonaisbiomassat Kevon alueella Raster Calculatorissa. Sitten laskettiin puulajien biomassat yhteen hehtaareissa. Tämä tuotti ensin ongelmia, jotka johtuivat väärään databaseen tallentamisesta. Kun aloin tallentaa tuotoksia vain geodatabaseen, sen jälkeen ei olekaan ollut ongelmia.

Vertailu kartalla

Kartoista näkee, että lähellä jokiuomaa, kokonaisbiomassa on suurinta. Esimerkiksi joissain kohdissa männyn biomassa on jopa 80%, mikä tarkoittaa, että mäntyä esiintyy tällä alueella paljon. Kuitenkin alue on yleisesti ottaen erittäin niukkapuustoista ja useimmilla alueilla puiden biomassa on lähelle nollaa. Huomasin vasta myöhemmin että olisin voinut lisätä karttoihin %-merkin havainnollistamaan, että puhutaan prosenttiosuuksista. Myös “Value” tekstin olisi voinut korvata tai ottaa pois. Mutta näistä opitaan taas ensi kerralle!

Vertailin luotuja tasoja keskenään: Kuusen suurin arvo oli pienin, vain 35 %, kun taas lehtipuilla oli 66 % ja männyllä suurin, 81 %. Kuusia ei esiinny niin kuivissa ympäristöissä, ja alue saattaa olla karu. Kuitenkin puut esiintyvät uoman läheisyydessä. Korkeusvaihtelut ovat suuret ja se voi vaikuttaa kuusen esiintyvyyteen, sillä niitä sijaitsee eniten matalimmilla (ja näin ollen kosteimmillakin) kohdilla. Puiden sijaintikin vaihteli. Kuuset viihtyvät varjoisimmissa paikoissa, ja rinnevalovarjosteen kanssa tutkailemalla huomasi, että kuusia oli eniten pohjoisrinteillä eli rinteillä, joilla ei paista aurinko niin paljon. Lehtipuita taas oli eniten etelärinteillä eli aurinkoisimmilla paikoilla.

Etäisyysvyöhykkeitä ja taulukoiden tarkastelua

Seuraava, mielestäni helpompi vaihe oli tehdä bufferi jokiuomalle ja uudelleenluokitella (reclassify) sen arvot. Tehtiin siis vyöhykkeitä jokiuoman ympärille tietyiltä etäisyyksiltä (noin 200 metrin välein). Tämä kaikki tehtiin niin, että se ottaa mukaan biomassa-tasot, jotta voidaan tarkastella kuinka paljon biomassaa on milläkin alueella.

Table to excel toiminnolla sain puulajien tilastollisten tunnuslukujen taulukot Excel muotoon. Mean tarkoittaa keskiarvoa, ja se ilmoitetaan prosenteissa. Taulukossa näkyy arvot 200-1300 metrin etäisyydeltä uomasta. Eniten puustoa on selkeästi uoman 200 metrin etäisyydellä. Esimerkiksi lehtipuita on keskimäärin 4,1 %. Tämä näkyi myös visuaalisesti kartalla, että mitä lähempänä uomaa ollaan, sitä enemmän puustoa on.

Latvuspeittävyys

Sitten sovellettiin aikaisemmin tehtyä. Laskettiin siis alueen latvuspeittävyydet. Puuston latvuspeittävyys VMI:ssa tarkoittaa koealan puuston vaakatasoon projisoidun latvuston peittämää osuutta koealan alasta. Latvuspeittävyys arvioitiin VMI10:ssä prosentteina (0-99) kiinteäsäteiseltä koealalta metsä-, kitu ja joutomaalla. (Monilähteisen valtakunnan metsien inventoinnin [MVMI] kartta-aineisto [2019]).

Kun latvuspeittävyyttä havainnollisti kartalla, huomasi, että arvot lähtevät -1 eikä nollasta. Tämä johtuu lähtöarvojen virheestä, kaikkien puiden latvus on pienempi kuin nolla. Kuitenkin muokkasin tämän kartalle luettavammaksi eli nollasta prosentista 50 prosenttiin.

Visualisoin karttojen luokkia hieman. Muutin niitä niin, että luokkia on viisi, jotta asia yleistyy hieman. Yleistämisen ideana on visualisoida tuotos niin, että
tärkein informaatio näkyy selkeästi. Ihminen voi hahmottaa vain 7–10 luokkaa yhtä aikaa (Holopainen et al. (2015). Geoinformatiikka luonnonvarojen hallinnassa. Helsingin yliopiston metsätieteiden laitoksen julkaisuja 7).

Sitten uudelleeluokiteltiin korkeusmalli korkeusluokkiin (200-500 metriä) ja esitettiin taulukoissa latvuspeittävyyttä näissä luokissa.

Taulukoista sekä kartoilta näkee, että latvuspeittävyys on suurempaa lehtipuilla. Taulukoista näkee myös, että 400m korkeudella on suurin latvuspeittävyys. Huomasin jälkikäteen, että taulukoissa on virhe, ja havupuiden taulukkoon on päätynyt edelleen minimiarvoiksi -1, mikä ei tietenkään voi oikeasti pitää paikkansa. Lisäsin jokiuomat kartoille, jotta niistä näkee, kuinka latvuspeittävyys on suurempi uoman läheisyydessä.

Kertaan vielä lopuksi luennolta opittuja/kerrattuja asioita. Aineisto voi olla epäjatkuva tai jatkuva. Esimerkiksi viimeisimmät kartat ovat jatkuvia, sillä arvot jatkuvat 0-50% välillä. Toisaalta epäjatkuva voisi olla esimerkiksi eri alueihin luokiteltu kartta.

Lokaalin kartta-algebran laskutoimituksissa yksi rasteri muuttaa arvoaan. Fokaalissa eli naapurustossa taas rasterin lähimmät rasterit muuttuvat yhdessä uudeksi rasteriksi. Zonaalissa eli alueissa rasterit muuttuvat alueen kaikkien rasterien arvojen mukaisesti. Ja globaalissa eli koko aineiston kattavassa laskutoimituksessa kaikki rasterit vaikuttavat kaikkiin ja muodostavat kokonaan uuden aineiston. Esimerkiksi jokiuoman buffereille tehtiin zonaali laskenta, joka tuotti alueittain uudet tiedot eri alueiden biomassoista.

Lähteet:

• Holopainen et al. (2015). Geoinformatiikka luonnonvarojen hallinnassa. Helsingin yliopiston metsätieteiden laitoksen julkaisuja 7
• Monilähteisen valtakunnan metsien inventoinnin (MVMI) kartta-aineisto (2019). http://kartta.luke.fi/

Sofia Salonen, Geoinformatiikan menetelmät 2 – MAA-221, syksy 2023

Rasterianalyysiin mukaan Model Builder

Tämän viikon harjoitus oli todella mieluisa. Pysyin kärryillä siitä, mitä tehdään ja miksi. Koska me teimme ison analyysin, johon lisäsimme monia eri tasoja ja niiden yhteyksiä, automatisoimme prosesseja (Model Builder), mikä nopeutti ja helpotti aineiston tuottamista. Käytimme tietokantaliitosta, eli kaksi aineistoa liitetään yhteen, jotta saadaan yksi aineisto. Toisesta esim. puuttuu jotain tai halutaan luoda monien aineistojen yhteisiä tekijöitä.

Corine-maanpeiteaineisto

Kuitenkin ensin tarkastelimme pelkästään yhtä myöhemmin käytettävää aineistoa. Leikkasin Clip-toiminnolla jo valmiiksi leikattua Corine-maanpeiteaineistoa (Syke 2018), jotta se kattaa vain Kevon alueen. Se tehdään saman muotoiseksi kuin aiemmat aineistot Kevosta kuten Kevo DEM korkeusmalli.

Corine-maanpeite on itselle jo valmiiksi tuttu aineisto, sillä tein juuri toisella kurssilla kasvillisuuskartan Pyhtäällä sijaitsevasta alueesta. Corine-maanpeitekartta kattaa koko Suomen maankäytön ja maanpeitteen vuonna 2018. Se on tuotettu EU:n hankkeen ja vaatimusten mukaisesti.

Aineisto koostuu rasterimuotoisesta paikkatiedosta, joka on tuotettu Sykessä olemassa oleviin paikkatietoaineistoihin sekä pohjautuen satelliittikuvatulkintaan. Aineistossa on käytetty myös vektorimuotoista paikkatietoa, joka tuotettiin yleistämällä rasteriaineistoa (Syken metatietopalvelu, Corine-maanpeite 2018).

Rasteriaineiston värit kuvaavat maankäytön luokkia kuten niityt, joet ja avosuot. Värit ovat Euroopan laajuisesti samat, joten usein niitä käytetään niissä väreissä kun ne ovat luotukin. Kuitenkin tässä harjoituksessa käytin omia värejä harjoituksen vuoksi, ja koska tätä karttaa en tarvinnut tiettyjen värien puolesta seuraavissa kohdissa.

Maanpeite Kevon alueella on niukkaa, sillä se sijaitsee todella pohjoisessa Suomessa. Varvikot ja nummet, niukkakasvustoiset kangasmaat sekä kalliomaat ovat suurimmassa osassa alueella. Alueella on myös paljon lehtimetsää varsinkin jokialueiden lähettyvillä, sillä ne tarvitsevat kosteutta.

Soveltusvuusanalyysin tekoa mahdollisista telttapaikoista Kevon alueella tiettyjen kriteerien mukaan.

Ensin tuotiin kaikki tarvittavat aineistot ohjelmaan. Haluttiin siis yhdistää korkeusmalli, rinteen suunta ja jyrkkyys, kasvillisuus sekä jokiuomat yhdeksi tasoksi, josta voidaan katsoa näiden tasojen kaikille yhteiset arvot ja muodostaa niistä uusi telttapaikkoja kuvaava taso. Kuitenkin jokaista tasoa jouduttiin ensin uudelleenluokittelemaan, jotta se vastaa annettuja kriteerejä (esimerkiksi etäisyys joesta enintään 200 metriä).

Pohdintaa pikselien arvoista

Viimeisessä vaiheessa eri tasot kerrottiin yhteen, koska halutaan, että kaikki kriteerit toteutuu oikeissa pikseleissä. Joissain pikseleissä joidenkin tasojen arvot ovat 0 ja joidenkin 1. Tämä tarkoittaa sitä, että kaikki kriteerit eivät toteudu (koska arvo on 0). Jos yksikin arvo on 0, eli yksikin kriteeri ei toteudu, se ei riitä toteuttamaan kaikkia haluttuja kriteerejä. Näissä pikseleissä halutaan siis arvon olevan 0 viimeisellä luodulla tasolla. Vain niillä pikseleillä, joilla arvo on kaikissa tasoissa 1, halutaan uudelle tasolle arvo 1. Tämän vuoksi kertolasku on ainoa oikea laskemaan lopputuloksen.

Rasterimuotoisessa aineistossa jokaisella solulla on jokin arvo. Jos arvoa ei ole, solun merkintä on ”NoData”. Kuitenkaan se ei ole sama kuin solun arvo 0. Kun
esimerkiksi kaksi rasteritasoa yhdistetään, arvon puuttuminen vaikuttaa lopputulokseen. Jos toisen tason yhdessä rasterissa lukee “NoData”, ei myöskään lopputulosrasterissa voi olla arvoa. Jos siinä lukee 0, voi toisen tason arvo vaikuttaa lopputulokseen. Tärkeää onkin huomata arvottomien rasterien kohdalla, onko tieto hävinnyt operaatiossa vai oliko se alusta asti niin. (Holopainen et al. (2015). Geoinformatiikka luonnonvarojen hallinnassa. Helsingin yliopiston metsätieteiden laitoksen julkaisuja 7.)

Yllä olevasta kartasta (kuva 3.) näkee, että paikat sijaitsevat alavilla alueilla, ei rinteissä, etelään suuntautuvilla kohdilla ja lähellä jokiuomaa. Kun kuvaa 3. vertaa kuvaan 1. voi huomata, että telttapaikat sijaitsevat usein lehtimetsäalueilla, aivan niin kuin haluttiinkin. En kuitenkaan laittanut maanpeiteaineistoa tähän karttaan (kuva 3.), koska omasta mielestäni se olisi sotkenut lopputuloksen, ja sitä voi kuitenkin vertailla edelliseen karttaan. Hieman kyseenalaistan telttailumahdollisuuksien soveltuvuuksien valikoinnin. Mielestäni niukkakasvustoiset kangasmaat tai rantahietikot olisivat hyvinkin voinut soveltua telttailuun. Kriteerien metatiedot ovat siksi tärkeitä. Millainen aineisto kartan takana onkaan ja mitkä ovat olleet syyt sen tuottamiseen.

Lopputulos näyttää mielestäni suhteellisen oikealta. Ainoastaan kyseenalaistan alueet, jotka näyttävät sijaitsevan veden päällä. Ymmärrän, että pohjakartta, jota olen käyttänyt on vektorimuotoinen eikä näin päde samoihin rasteriruutuihin kuin tuottamani vektoriaineisto telttapaikoista.

Osa alueista menee jokiuoman päältä. Kun tarkastelen esimerkiksi rinteen jyrkkyyttä kuvaavaa tasoa taustalla, huomaan, että alle 2 metrin kohdilla (vaaleimmat pikselit) telttapaikkojen taso näyttäisi yltävän myös. Myös Corine-maanpeiteaineiston kanssa telttapaikkojen soveltuvuustaso näyttää menevän vesialueiden kohdalla päällekkäin.

Uudelleenluokitteluvaiheessa siis ei annettu välttämättä kaikista tarkimpia parametrejä telttapaikkojen soveltuvuudelle. Jossain uudelleenluokittelussa on voinut myös itsellä käydä jokin virhe. Jos uoman uudelleenluokitusvaiheessa olisi etäisyydeksi jokiuomasta määrittänytkin enemmän kuin 1 mutta vähemmän kuin 200, olisi välttynyt jokiuoman päälleleikkauksesta.

Aineiston soveltaminen

Riippuen siitä, mitä aineiston käyttäjä haluaa telttapaikaltaan, aineistoa olisi voinut lisätä tuottaen vielä tarkempia alueita. Telttapaikan esiintymiseen olisi voinut vielä hyödyntää kriteerinä esimerkiksi lämpötilaa tai tuulisuutta. Tuulisuuden voisi saada esitettyä Ilmatieteenlaitoksen sivuilta tuuliatlas 250m mallilla (http://tuuliatlas.fmi.fi/fi/).

Tällaisella mallilla, jossa huomioitaisiin nämä samat kriteerit, voisi selvittää esimerkiksi mahdolliset rakennushankkeet. Tällöin siihen tulisi lisätä vielä ainakin maaperäaineisto. Tällä voisi selvittää myös tiettyjen kasvien selviytymismahdollisuudet alueittain, kun otetaan huomioon samat kriteerit ja myös maaperä mahdollisesti.

Lähteet:

• https://ckan.ymparisto.fi/dataset/corine-maanpeite-2018
• Holopainen et al. (2015). Geoinformatiikka luonnonvarojen hallinnassa. Helsingin yliopiston metsätieteiden laitoksen julkaisuja 7.

Sofia Salonen, Geoinformatiikan menetelmät 2 – MAA-221, syksy 2023

Hydrologiseen mallinnukseen

Tällä harjoituskerralla olin valitettavasti kipeänä, ja jouduin tekemään kaiken ilman ohjeistusta ja apua. Kuitenkin ymmärsin asiat ja sain kaiken tehtyä. Lähtöaineistoina tällä kertaa toimivat:

1. Korkeusmalli KevoDEM.tif (Digital Elevation Model)
2. Kevon alueen maastokartta Maastokartta.tif
3. Georeferoitu mustavalkoinen ilmakuva
vuodelta 2003 kevo_orto_2003.tif

Tarkastelin ensin Kevo DEM dataa ja aineiston tietoja. Korkeusmallin projisoitu koordinaattijärjestelmä on EUREF FIN TM35FIN, 3067, Transverse Mercator. Korkeusmallin vaakasuunnan, eli latitude, yksikkö on metri (1,0). Korkeussuunnassa, eli angular unit, se on aste (0,0174532925199433). Spatiaalinen resoluutio kerrotaan metreissä ja tässä aineistossa se on 2×2 metriä. Aineisto on myös 32 bittinen ja koko on 34,33 MB. Spatiaalinen resoluutio ilmaisee rasterikuvatiedoston sisältämän informaation määrän pikselien lukumääränä mittayksikköä kohti.  (Museovirasto, Digitoinnnin laadunhallinta). Alue on iso ja sen koko maastossa: 6km*6km = 36km*2.

Aineiston korkeimmat kohdat ovat korkeimmillaan 422 metrissä ja ne löytyy aineiston ulkoreunoilta pohjoisesta, idästä ja lännestä. Matalimmat kohdat taas löytyvät korkeita selänteitä halkovasta jokilaaksosta, jonka alin kohta on 145 metriä.

Pohjustusta

Sitten tehtiin rinnevalovarjostus. Käytin ensin oletusarvoja, joissa valo paistaa 45 asteen kulmassa luoteesta. Kuitenkin hyvänä huomiona oli, että oikeasti alueella aurinko paistaisi esimerkiksi etelästä 35 asteen kulmassa, joten kokeilin näinkin (azimuth  180, altitude 35).

Contourissa tuotettiin korkeuskäyrät 10 metrin välein, mikä oli mielestäni hyvä väli (olisi voinut olla jopa 15 metriäkin, sillä jyrkissä kohdissa tulee zoomata aika lähelle halutessaan nähdä käyrät). Muutin käyrät tummanruskeiksi, jotta ne erottuvat, mutta ovat luonnollisten korkeuskäyrien näköiset.

Verraten Kevo_DEM korkeusmalliin, vinovalovarjoste ja korkeuskäyrät tuottavat omasta mielestäni tarkempaa tietoa. Niistä (varsinkin korkeuskäyristä) näkee selkeät rajat jyrkille kohdille, korkeimmille ja matalimmille kohdille. Rinnevalovarjosteesta näkee hyvin pienempienkin uomien ja uurteiden sijainnin ja käyristä niiden syvyyden, kun taas Kevo_DEM korkeusmallissa ne ovat epäselkeitä. Kuitenkin Kevo_DEM sopii laajempaan tarkasteluun ja siinä näkyy väreillä korkeusvaihtelut alueellisesti jopa selkeämmin ja nopeammin, kun rinnevalolla tai korkeuskäyrillä.

Tehtyäni Aspect tason kevo_DEM aineistolle, saatiin erittäin värikäs rinteiden suuntia kuvaava aineisto. Kartta on vaikeammin tulkittavissa, kuin esimerkiksi rinnevalo- ja korkeuskäyräkartat ja siinä on vaikeampi erottaa esimerkiksi syvyyksiä. Siitä näkee eri väreillä rinteiden suuntia esimerkiksi pohjoisrinteet ovat vaaleansinisellä ja etelän punaisella, länsi tummansininen ja itä kellertävä/vihreä.

Hydrologinen mallinnus

Hydrologista mallinnusta lähetään suorittamaan niin, että vertaillaan rasterimuotoisen korkeusmallin pikselien arvoja niiden naapureihin. Virtaussuunta on se naapuri, johon arvo pienenee eniten, koska se on jyrkin vaihtoehto. Tässä ja mutamassa muussa asiassa tehdään olettamusta, jotta mallinnus voidaan kätevästi suorittaa.

Mallinnus tehdään näillä vaiheilla:

1. Kuoppien (Sinks) täyttäminen
2. Virtaussuunnan (Flow direction) mallinnus
3. Potentiaalisten virtausreittien ja kumulatiivisten virtausmäärien (Flow accumulation) mallinnus
4. Vedenjakajien ja valuma-alueiden määrittäminen (Basins)

Kuoppien tuninstaminen tehdään sinks työkalulla ja ne visualisoidaan vektorimuotoisiksi pisteiksi. Tästä huomaa, että kuoppia on paljon matalimmilla kohdilla sekä korkeilla kohdilla, muttei niinkään rinteillä.

Sitten tehdään virtaussuunnan mallinnus, jossa värikoodatuilla pikseleillä esitetään veden virtaussuunnat.

Sitten valuma-alueiden tuonti kartalle. Ne luodaan virtaussuunta datan pohjalta, josta oli kuopat täytetty. Sen jälkeen muutetaan polygoneiksi ja visualisoin lopuksi vain oransseiksi ohuiksi viivoiksi.

Alueen valuma-alueet ovat reunoilla ja ne ovat osa todella pieniäkin esimerkiksi 0,2 km*2. Suurimman osan kartan alueella kattaa yksi isompi valuma-alue. Kaikki pienimmät valuma-alueet eivät ole realistisia, sillä ne kulkevat pikseleiden suuntien mukaisesti ja osa näyttää olevan yhden pikselin neliön kokoisia eli todella pieniä. En tiedä, mistä häiriö johtuu, mutta selkeästi valuma-alueet menevät lomittain ja päällekkäin, mikä voi johtaa tilanteeseen.

Sitten tutiin uomat kartalle Flow Accumulation työkalulla, jossa uomat näkyivät valkoisella ja muut alueet mustalla. Valkoisella olevat pikselit saavat suurimman arvon, koska niihin valuu eniten vettä (niissä valuu) muista pikseleistä.

Sitten otetaan tarkasteluun vain potentiaaliset uomat, joissa valunnan määrä on suurin. Näkyviin halutaan ne pikselit, joihin virtaa ensin 100 000 muusta pikselistä vettä, jolloin saatiin näkymään suurimmat uomat. Tämä luodaan vektorimuotoiseksi. Sitten tarkastelin niitä, joihin valuu 5000 muusta pikselistä ja uomia tuli enemmän näkyviin. Tarkastelin myös 2000 sekä 10 000. Omasta mielestäni paras ja kuvaavin oli se, jossa uomiin virtasi 5000-10 000 eri pikselistä vettä, koska esimerkiksi  rinnevarjosteella ne uomat näkyvät selkeimmin.

Päällekkäin tarkasteltuna uomien kohdat muuttuvat esimerkiksi 5000 ja 10 000 uomien kohdalla. Tarkasteltaessa esimerkiksi 5000 raja-arvon tulosta, voi huomata, että uomat menevät päällekkäin ja epäloogisesti muodostaen pienien neliöiden muotoisia alueita. Tämä pätee jokaisessa raja-arvossa, mutta eniten niitä on pienempien raja-arvojen uomissa. Lisäksi niitä on eniten selkeissä pääuomissa kartalla. Kartan alimmissa kohdissa, ja niissä, jotka näkyvät myös 100 000 raja-arvon uomissa, on eniten häikkää.

Lopputuotokseen laitoin pohjalle korkeusmallin, 80% rinnevalovarjosteen, 10k uomat.

Sofia Salonen, Geoinformatiikan menetelmät 2 – MAA-221, syksy 2023

ArcGIS Pron syövereihin

Ensimmäisellä harjoituskerralla lähdettiin jo soveltamaan paljon aikaisemmilta kursseilta opittuja asioita ja lopulta syvennyttiin tuottamaan karttoja ja diagrammeja. Teimme ArcGIS:illä esimerkiksi buffereita ja päällekkäisanalyysejä.

ArcGIS oli itselleni täysin vieras alusta ja sen opetteluun aluksi meni hetki. Kuitenkin se osoittautui yhtä helpoksi ja jopa paremmaksikin kuin aikaisemmin käytössä ollut QGIS. Kaikki tehtävien työvaiheet onnistuivat suhteellisen hyvin ja apua tarvitsi vain pienissä yksityiskohdissa.

Viikon aihe

Viikon aiheena oli päällekkäisanalyysit. Ne ovat operaatioita, joissa käytetään eri karttatasojen sisältämien kohteiden välisiä sijaintisuhteita. Analyysimenetelmiä, joita käsittelimme harjoitustöissä oli Clip ja Intersect. Clip toimii kuten piparkakkumuotti ja poistaa muotin ympärillä olevat asiat. Intersect-tominnolla pyrittiin saamaan kahden alueen yhteiset muuttujat näkyviin ja poistamaan muut. Käytimme näiden menetelmien lisäksi Bufferointia eli etäisyysanalyysiä. Tässä analyysissä luodaan puskurivyöhyke jonkin aineiston (tässä tehtävässä viivan) ympärille.

Aineistona toimi tällä kertaa:

• Helsingin seudun maanpeiteainesto 2020 (HSY) https://kartta.hsy.fi/

• Lahdenväylän ja Vihdintien digitoinnit (HSY:n tieaineiston mukaan)

• Kaupunginosat, HSY https://kartta.hsy.fi/

Prosessi, tehtävä 1:

Ensimmäisessä tehtävässä loimme 250 metrin buffer-vyöhykkeet Vihdintien ja Lahdenväylän ympärille. Tämän jälkeen toimme maanpeiteaineiston, ja testasimme päällekkäisanalyysia. Teimme siis Clip-toiminnolla uuden layerin, jossa oli ainoastaan molempien teiden bufferien sisältämät maanpeitteet. Clip toimi tässä kohtaa hyvin koska tarvittiin juuri bufferin kokoinen piparkakkumuotti ottamaan toisen kartan tiedot muotin sisälle.

Sen jälkeen laskimme uudesta layerista pinta-alat hehtaareissa. Se tehtiin niin, että sovelluksen jo valmiiksi laskema pinta-ala metreissä muunnettiin hehtaareiksi ja tehtiin näin uusi sarake ominaisuustaulukkoon. Näistä tuloksista tehtiin taulukkolaskentaohjelmalla piirakkadiagrammit prosenttiosuuksineen.

Ominaisuustaulukot ovat osiltaan suhteellisen samaa luokkaa. Kuitenkin joissain kohdissa ne eroavat paljon esimerkiksi matalan kasvillisuuden kohdalla, joka on Lahdenväylällä paljon suurempi. Vihdintiellä ei ole ollenkaan peltoja, toisaalta Lahdenväylälläkin todella vähän. Lahdenväylällä on paljon enemmän avokalliota sekä muuta paljasta maata.

Prosessi, tehtävä 2:

Ensimmäisenä siivosimme kaupunginosa-aineistoa niin, että jäljelle jäi halutut alueet ja muodostimme näille oman tason. Sitten teimme Intersect analyysin maanpeite- ja kaupunginosa-aineistoille, jolla yhdistimme maanpeite aineiston kaupunginosien rajojen mukaan. Miksi ei käyttää uudestaan Clip-toimintoa sitten? Siksi käytimme nyt tätä, emmekä Clip-toimintoa, koska halusimme molempien aineistojen datat tästä Intersectionista eli leikkauskohdasta.

Näillä tiedoilla jaoittelimme maanpeiteaineiston vain kahteen luokkaan. Tämä oli varmasti nopeampaa näin, kun että olisimme siivonneet koko maanpeite aineistoa. Laskimella lasketulla koodilla saatiin uudet tulokset. Tätä en olisi osannut ilman suoraa kopiointia ohjeista, sillä pienikin virhe saattoi olla kohtalokas lopputuloksen kannalta. Lopputuloksesta visuoitiin kartta.

Lopuksi tehtiin diagrammi Toukolan, Kumpulan ja Käpylän maankäytöstä. Tähän laskettiin luonnon sekä rakennetun ympäristön pinta-alat ja vietiin taulukkolaskentaohjelmaan. Sekä kartasta, että graafisesta visuaalista voidaan huomata, että luonto on maankäytössä hieman dominoivampi tekijä. Luokan ‘muu paljas maa’ luokittelu joko luontoon tai rakennettuun ympäristöön on ongelmallista, sillä se voi olla molempia. Lukuun ottamatta teitä ja rakennuksia, paljas maa voi olla vaikka rakennettu leikkikenttä, asfalttia tai muuta aluetta. Siksi kartan kriittinen luku ja metatietojen selvittäminen on aina tärkeää, ennen kuin lähtee tekemään siitä johtopäätöksiä.

Paljon opittu ensimmäisellä kerralla, seuraavaan kertaan!

 

Sofia Salonen, Geoinformatiikan menetelmät 2 – MAA-221, syksy 2023