GIM2, Harjoituskerta 7 – 12.12.2023

Viimeistä viedään

Viimeisellä harjoituskerralla lähdimme soveltamaan aiemmin kurssilla oppimaamme ja saimme itse etsiä aineistoa, josta tuottaa analyysejä. Tehtävänä oli tehdä kuvitteellinen uusi laskettelukeskus jonnekin päin Suomea, mikä kuulosti mielenkiintoiselta. Kaikenlaiset suunnittelutehtävät ovat mieluisia, ja minulla onkin ajatuksena suuntautua suunnittelumaantieteen puolelle. Tehtävä oli todella hyvä harjoitus aikaisempien analyysien kokeiluun. Tehtävässä pääsi myös testailemaan, mikä analyysi on soveltuvin erilaisiin tarkoituksiin, ja oikeasti pohtimaan, mitä haluaa saada selville ja miten sen voi toteuttaa.

Laskettelukeskus Tervolan Vammavaaraan

Keskuksen sijoituksessa oli otettava muutamia seikkoja huomioon. Tuli ottaa huomioon rinteen jyrkkyys, pituus ja suuntautuvuus sekä esimerkiksi tiestö, muut laskettelukeskukset ja sopiva alue parkkipaikoille ja palveluille.

Etsin sopivia paikkoja Paikkatietoikkunan datan perusteella. Pitkän mietinnän jälkeen tulin siihen lopputulokseen, että sijoitan laskettelukeskuksen Tervolan kuntaan Lapin lounaisosaan. “Vammavaaran” huippu sijaitsee noin 200 metrin korkeudella ja on suurikokoinen mäki aivan Kemijoen läheisyydessä. Vammavaaran lähellä kulkee isompia teitä, ja lähellä on joitain asuinrakennuksia ja taajamia. Antaisin laskettelukeskukselle kuitenkin uuden nimen vanhan mäen nimen sijaan, sillä “Vammavaara”, voi antaa negatiivisia mielikuvia ihmisille.

Kuva 1. Vammavaaran laskettelukeskuksen rinnekartta sekä rinteiden jyrkkyydet. Kaksi hiihtohissiä vievät melkein Vammavaaran huipulle asti. Rinteitä on erilaisia ja jyrkimmät niistä sijaitsevat etelärinteillä.

Perustelut

Laskettelukeskuksen tuli sijaita kauempana muista jo olemassaolevista laskettelukeskuksista, jotta perustaminen olisi kannattavaa. Google Maps:ista tarkistaen lähimmät hiihtokeskukset sijaitsevat Rovaniemen Ounasvaaralla ja Kemin Kallissa, joihin kumpaankin on Vammavaarasta noin 50km matkaa.

Rinteen jyrkkyys tuli olla vähintään 15% ja enintään 45% (Ski.fi). Vammavaaran rinteet ovat kaikki yli 15%, mutta jyrkempiä mäkiä on vain muutama. Ajatuksena minulla oli tehdä sellainen laskettelukeskus, johon mahdollisimman moni pääsee laskemaan. Rinteiden tuli olla sopivan pitkiä, jotta laskettelu ei olisi tylsää ja Vammavaaran rinteet ovatkin itä- ja länsipuolella kilometrin luokkaa (Kuvat 2. ja 3.). Lisäksi keskus oli hyvä suuntautua etelään päin, jotta aurinko paistaisi mahdollisimman paljon rinteelle luoden mukavat lasketteluolosuhteet.

Kuva 2. Rinteen korkeus länsirinteellä.
Kuva 3. Rinteen korkeus etelärinteellä.

Mielestäni tärkeää on myös, että keskus sijaitsee lähellä isompia teitä, jotta sinne pääsee mahdollisimman monesta suunnasta ja pidemmältäkin matkalta. Mäen länsipuolen vieressä kulkee isompia ja pienempiä teitä, ja taajamatkin sijaitsevat suhteellisen lähellä. Näiden kaikkien seikkojen perusteella päädyin siihen, että laskettelukeskus tulisi sijoittaa länsirinteelle. Länsirinteiden jyrkkyysvaihtelut ovat parhaimmat ja matkat olivat tarpeeksi pitkiä. Länsipuolelta osa rinteistä voi suuntautua myös etelään päin.

Muitakin seikkoja olisi hyvä ottaa huomioon, kuten maaperä, kasvillisuus, sekä tasaiset alueet parkkipaikoille. Tasaisia alueita rinteen juurella oli, mutta suuri osa niistä oli soita. Toisaalta tarkastelin, että useimmat alueen suot olivat jo ojitettuja, mikä antaisi sen kuvan, että niiden päälle voisi hyvinkin rakentaa. Keskuksen rakentamisessa tulisi tottakai myös ottaa huomioon kunnan vaatimukset rakentamiselle, mutta en mennyt niin pitkälle suunnitteluprosessissa tällä kertaa.

En sijoittanut kartalle palveluita, mutta ne voisivat sijaita rinteen ja hiihtohissien alkupäässä parkkipaikkojen yhteydessä kuten useimmilla hiihtokeskuksilla. Kuitenkin tulee ottaa huomioon se, että rinteet ovat todella pitkiä, jopa yli kilometrin pituisia, niin palveluita olisi hyvä olla myös rinteiden yläpäässä tai varrella. Tällöin pitäisi suunnitella myös kuljetus- ja pelastustie rinteen huipulle, joita en ottanut huomioon suunittelupiirroksessa.

Prosessi

Latasin Paitulista kaksi karttalehteä, jotka kattoivat alueen kokonaan. Käytin Maanmittauslaitoksen korkeusmallia. Kun aineisto oli paikkatieto-ohjelmassa, niin yhdistin ne yhdeksi karttalehdeksi Raster Functions -paneelissa Mosaic Raster -toiminnolla. Sitten tein Clip Raster -toiminnolla karttalehden ainoastaan alueen kattavan kokoiseksi. Nimesin tiedoston Clip_DEM10.

Tein ensin aineistolle korkeuskäyrät Contour-toiminnolla korkeusallin pohjalta. Toin ne kartalle visuaaliseksi elementiksi sekä hahmottamisen apuun, mutta en käyttänyt niitä analyyseihin.

Sen jälkeen tein rinteen jyrkkyyttä kuvaavan tason Slope-toiminnolla. Sen sai näkyviin prosentteina tai asteina, mutta kun oli annettu, että jyrkkyyden vaihteluväli tulee olla 15-45%, niin laitoin prosentteina. Sitten uudelleenluokittelin rinteen jyrkkyystasot laskettelurinteen rinneluokkien mukaan: 2,5,15,25,45 ja 100. eli yli 45 on liian jyrkkä, 15 on vihreä, 25 punainen, 45 musta (Kuva 1.).

Tein rinteen suuntautuvuustason Aspect-toiminnolla, josta näin, mihin ilmansuuntaan rinteen ovat suuntautuneita. Tein myös rinnevalovarjosteen harjoituksen vuoksi, jolla tarkastelin vielä rinteiden jyrkkyyttä toiselta kantilta. Käytin ensin oletusarvoja, joissa valo paistaa 45 asteen kulmassa luoteesta. Kuitenkin hyvänä huomiona oli, että oikeasti alueella aurinko paistaisi etelästä noin 40 asteen kulmassa, joten kokeilin näinkin. Azimunth 180: eli aurinko paistaa etelästä, ja Altitude 40: eli aurinko paistaa 40 asteen kulmassa.

Kun olin tarkastellut aineistoa eri karttatasoilla, päädyin tuottamaan eri rinnetasoista laskettelukeskuksen kartan. Loin jokaiselle rinteelle, hissille ja parkkipaikalle omat tasot (esimerkiksi punaiset rinteet omaansa), ja piirsin näihin tasoihin vektoreita ja polygoneja. Sitten halusin tuottaa myös 3D-kuvan rinteestä, jonka tein Interpolate Shape -toiminnolla. Tein 3D-rinteet korkeusmallin mukaan jokaiselle rinnetasolle, hiihtohissille ja parkkipaikalle erikseen, jonka jälkeen ne sai näkymään kartan Scene-tasolta tarkastelemalla.

Kuva 4. 3D-mallinnus Vammavaaran laskettelukeskuksesta. Kuva on lounaasta päin.

Lisää vektorianalyysejä alueesta

Viimeisenä aloin pohtimaan, mikä olisi hyvä vektorianalyysi tähän tehtävään. Vaihtoehtoja oli monia kuten maaperän, maanpeitteen, tuuliolosuhteiden, tiestön tai muun tarkastelu, joka liittyisi osaltaan laskettelukeskuksen sijoittamiseen ja rakentamiseen. Kuitenkin yritin ladata aineistoja monta kertaa, enkä löytänyt mistään syytä, miksi jostain syystä en pystynyt ladata esimerkiksi maaperäaineistoa GTK:n Hakku palvelusta. Corine-maanpeiteaineistokaan ei suostunut latautumaan vektorimuotoisena, tai jos latautui, se oli yksivärinen, enkä kyennyt vaihtamaan sitä alkuperäisiin oikeisiin luokkiin.

Tarkastelin taustakarttaa, josta huomasin rakennuksien sijoittuvan laskettelukeskuksen läheisyyteen. Tästä olisi ollut kiinnostava tehdä esimerkiksi näkyvyys-tai kuuluvuusanalyysiä. Olisin ensin selvittänyt kuinka kovaa laskettelukeskuksen äänet kuuluu ja miten kauas, mikä olisi varmasti ollut haasteellisinta. Sitten olisin tehnyt bufferin keskuksesta lähtien, mistä voisi päätellä mahdolliset meluhaitat laskettelukeskuksesta asuintaloille.

Olisin voinut myös tarkastella, kuinka lähellä keskus sijaitsee esimerkiksi suurempia teitä, sillä silmäilemällä taustakarttaa, huomasin, että suurempi tie kulkee todella lähellä aluetta.

Mihin lopulta päädyin?

Päädyin tarkastelemaan maaperäaineistoa paikkatietoikkunasta käsin. Tästä päättelin, että laskettelurineet sijaitsevat pääosin kalliomaaperällä. Tästä innostuneena löysin Syke:n ladattavien aineistojen sivuilta aineiston valtakunnallisesti arvokkaista kallioalueista. Aineiston metatiedoista löysin, että se kattaa koko Suomen luonnon ja maisemansuojelun kannalta arvokkaat kallioalueet. Se toimii maa-aineislain ja rakennuslain mukaisten ratkaisujen kehittämisessä. Se on tärkeä aineisto myös maankäytön suunnittelussa, mutta sillä ei pääsääntöisesti ole juridista asemaa loppupeleissä.

Kuva 5. Maaperä keskuksen alueella on pääosin kalliomaata. Alueella on myös kivikkoista sekä hiekkamoreenista maata, ja alavammilla alueilla turvetta. Paikkatietoikkuna.fi

Löysin, että laskettelurinteet ovat vähintään 50m leveitä, joten tein jokaiselle bufferin, jossa näkyy rinteiden leveys. Tästä sain parametrit siihen, kuinka kattava laskettelukeskuksesta todellisuudessa voisi tulla. Sitten piirsin alueen rajat.

Kuva . Rinteiden ympärille 50 metrin bufferien jälkeen nähdään, missä rinteidein leveys vähintään kulkee.

Alueen rajat ja kallioperäaineistot laitoin lopulta päällekkäin Clip-työkalulla. Leikkasin kallioperäaineiston laskettelukeskuksen alueen muotoiseksi ja laitoin uuden tason sekä laskettelualueen tason päällekkäin tarkasteltavaksi.

Kuva . Laskettelukeskuksen alue on pääosin valtakunnallisesti tunnustettua arvokasta kallioaluetta.

Kuten kartasta voidaan huomata, laskettelukeskus sijaitsee pääosin valtakunnallisesti arvokkaalla kallioalueella. Vaikka laskettelukeskus sijaitseekin tällaisella alueella, se ei tarkoita, etteikö sen päälle voisi rakentaa. Kuitenkin kyseinen asia olisi hyvä ottaa huomioon ja siitä tulisi tehdä tarkempia selvityksiä rakennuttamista varten. Myös se, että onko alue järkevä paikka kalliomaaperältään lasketteluun voi olla myös kysymyksenä. Kuitenkin laskettelurinteet tulisivat kuluttamaan maaperää paljon, mikä haittaa sen säilyvyyttä. Toisaalta kalliomaa kuluu paljon hitaammin enkä osaa sanoa, kuinka paljon haittaa syntyisi.

Tämän analyysin tuottaminen oli mielestäni tärkeää ja järkevää laskettelukeskuksen perustamisen reunaehtojen etsimisen kannalta. Se antaa tärkeää tietoa alueen potentiaalisesta riskistä turmella valtakunnallisesti arvokasta kallioaluetta.

Lopuksi

Viimeinen kerta oli mielestäni todella hauska ja siinä sai soveltaa, kerrata ja näyttää mitä kurssin aikana on oppinut. Koin, että oikeiden ja hyvien aineistojen löytäminen analyysejä varten oli kaikkein vaikeinta, minkä olen huomannut aikaisemmilla kursseillakin. Kuitenkin kurssista jäi hyvä fiilis enkä vieläkään pelkää avata paikkatieto-ohjelmia. Nyt, kun osaa ja varsinkin ymmärtää jo hieman enemmän, tällaisten tehtävien teko alkaa tuntua jo ihan  kivalta!

Kiitos kurssista, Sofia <3

 

Lähteet:

Paikkatietoikkuna.fi

Ski.fi: https://www.ski.fi/keskusuutiset/rinteiden-vaikeusasteet-ja-opasteet/

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

GIM2, Harjoituskerta 6 – 5.12.2023

Interpolointi

Interpoloinnissa paikkaan sidottua havaintopistetietoa käyttämällä tuotetaan jatkuva pinta. Spatiaalisessa interpoloinnissa ennustetaan uusia arvoja mitattujen pisteiden välisille alueille. Perustuu havaintoon, että lähellä toisiaan sijaitsevien pisteiden arvot ovat suuremmalla todennäköisyydellä lähellä toisiaan kuin kauempana olevien pisteiden arvot (Holopainen et al. (2015)), aivan kuten maantieteen ensimmäinen laki saneleekin.

Interpoloinnissa tuotetaan uusi aineisto pisteistä alueiksi (vektorimuotoinen) tai pisteistä gridiksi (rasterimuotoinen). Pisteillä tulee olla spatiaalinen autokorrelaatio, jotta jatkuvan aineiston tuottaminen niistä olisi järkevää. 

Voisi ajatella, että bufferointi hyödyntäisi samaa tekniikkaa, vaikka ajatus onkin hieman samantyylinen. Kuitenkaan interpolointi ei ole sama asia bufferoinnin kanssa. Ne eroavat siinä, että bufferoinnissa pisteen, viivan tai alueen ympärille muodostetaan saman laajuinen alue joka puolelta. Tämä alue ei saa uusia arvoja, eikä arvoja tarvitse ennustaa, kuten interpoloinnissa.

Deterministiset interpolointimenetelmät

Iterpolointimenetelmiä on useita, mutta miten ne eroaa? Eroa on siinä, miten menetelmä estimoi uusia arvoja uusille rastereille. Uudet arvot käyttäytyvät eri tavoin siinä, ovatko ne uskollisia mitattujen rasterien arvoille vai ei.

Interpoloinnissa tuotetaan rastereita pistepilvestä, jolloin uuden pikseliruudukon arvot määräytyy kahden pisteen välisien arvojen perusteella. Nämä ehdot määräytymiselle vaihtelevat käytetyn menetelmän mukaan. Esimerkiksi jos viereisessä rasterissa arvo on 20, onko viereen tuleva uusi rasteri arvoltaan 21 vai 18? Tämä riippuu esimerkiksi siitä, onko käytössä ollut globaali vai lokaali analyysi. Joissain menetelmissä arvot voivat olla myös minimi ja maximi arvojen ulkopuolella. Jos maximi arvo olisi 20, interpoloitujen pikselien arvot voisi olla sitä enemmänkin esimerkiksi juuri 21.

Thiessenin polygonit

Thiessenin polygonit perustuvat siihen, että mitatun pisteen ympärille rajataan polygini, jonka rajat ovat lähimpänä alueen sisällä olevaan pisteeseen sekä viereisissä alueissa oleviin pisteisiin. Alue saa tällöin sisällä olevan mitatun pisteen ominaisuustiedot. Alue käyttää lokaalia tietoa ottaen vierekkäisiä pisteitä huomioon. Thiessenin polygonit ovat vektorimuotoista tietoa eroten muista kohta esitellyistä menetelmistä.

Kuva 1. Thiessenin polygonit luovat erilaisia polygineja, joiden arvot vaihtelevat lokaalisti ja spatiaalisesti koko alueella.

Trendipintainterpolointi

Tässä menetelmässä luodaan pisteille matemaattinen funktio ja pinta, josta menetelmä tekee trendin eli yleistyksen. Esimerkiksi on selkeä trendi lämpötilojen laskussa spatiaalisesti, mitä tämä menetelmä hyödyntää laskussaan.

Periaatteena on löytää pienimmän neliösumman menetelmällä polynomifunktio, jonka kuvaama pinta olisi mahdollisimman lähellä havaintopisteiden arvoja. Menetelmä on keskiarvoistava ja pyrkii minimoimaan poikkeamat. Se ei ole uskollinen jo tiedetyille arvoille. Menetelmä on globaali eli ottaa huomioon koko interpoloitavan alueen, ja jos yhtä arvoa muuttaa, muuttaa tällöin kaikkia.

Esimerkiksi lämpötiloissa on selkeä lasku, joten trendipinnan ensimmäinen aste kuvaa jo hyvin lämpötilojen muuttumista Suomen mittakaavassa (Kuva 2.) Jos pisteiden Z arvot vaihtelee, voi käyttää 2 asteen funktion kuvaamaa pintaa, jolloin pinta kaareutuu ja näin ollen pisteet on lähempänä pintaa. Asteen lisääminen aina auttaa löytämään parhaiten pisteiden todelliset arvot, mutta liian pitkälle mentäessä lopputulosta on vaikeampi ymmärtää, laskeminen menee ylisuorittamiseksi eikä enää yleistä tarpeeksi.

Trendipintainterpolointi tehtiin Suomi-maskille, joka ei ollut täysin Suomen muotoinen, mutta se oli rastereilla kuvattu. Sen jälkeen käytettiin Clip-toimintoa muuttaen aineisto vektorimuotoisen Suomen mukaan oikean muotoiseksi.

Kuva 2. Trendipintainterpolointi 1. asteen polynomifunktiolla muodostaa selkeän ja suoran trendin lämpötilojen muutokselle noustessa Etelästä Pohjoiseen.
Kuva 3. Asteen muuttaminen vaikuttaa lopputulokseen. Polynomifunktion järjestysluku (esim. 2) tarkoittaa toisen asteen polynomifunktiota ja näin ollen pinta on kallistunut, mikä vaikuttaa arvoihin.
Kuva 4. Kolmannen asteen trendipinnassa lämpötilatrendit ovat kaareutuneet entisestään ja kuvaavat parhaiten sitä, miten lämpötilat oikeasti jakautuvat Suomen sisällä. Tämä johtuu siitä, että pinta minimoi entisestään poikkeamia mitattujen pisteiden välillä.

IDW – Inverse Distance Weighting

Käänteinen etäisyyttä painottava, mitä lähempänä pisteet on, sitä enemmä vaikuttaa lähialueiden pisteisiin, lokaali, lasketaan: pisteen p naapuripisteen arvo jaetaan sen etäisyydellä pisteeseen, ottaa ns huomioon lähimmät pisteet ja keskiarvoistaa niistä uuden pisteen (määritetään kuinka isolt alueelt extent esim 2 ekana), pehmentää, idw pysyy min ja max arvojen välissä koko ajan, eikä osu ikinä pisteisiin?

idw kokeilin että power optimoi muokkasi tuloksen parhaaksi, naapuruustyyppi ollessaan standardi ja sektorien tyypin ollessa 1, regressioviiva sininen oli lähimpänä harmaa viiva referenssiä. root mean square oli 0,60 lähimpänä 0, mikä pitää olla lähes 0. mean on 0,04 eli tosi lähellä nollaa mutta vääristää arvoja ylöspäin koska 0 yläpuolella.

Kuva 5. IDW-menetelmä tuottaa tarkempaa tietoa ja huomioi lokaalisti pisteiden arvot muodostaen uuden rasteripinnan.

Visualisoinnissa käytin kaikkiin karttoihin Natural breaks Jenks, 10 eri luokkaa, sinisestä valkoisen kautta punaiseen ja siirsin värejä niin, että valkoisin on 0 kohdalla. Muutin arvoja niin, että niissä on vain yksi desimaali.

Eri lämpötilakartat eroavat visuaalisesti selkeästi käytetyn menetelmän mukaan. IDW tuottaa esimerkiksi lämpötilasaarekkeita, mikä tarkoittaa sitä, että arvoja ei ole pehmennetty ja yleistetty niin paljon ja menetelmä on ollut vaativampi toteuttaa. Siinä kunnioitetaan eniten mitattujen pisteiden arvoja. Kuitenkin aineiston uuden arvot voi heitellä, jos mitatut pisteet eivät ole jakautuneet kovin tasaisesti.

Thiessenin polygonit kuvaavat taas tarkemmin spatiaalista jakautumista lokaalisti, ja tämä menetelmä kunnioittaa mitattuja arvoja. Trendipinta taas kuvaa globaalisti ja yleistetysti aineistoa. Se on myös nopein kaikista menetelmistä varsinkin ensimmäisen asteen funktiolla. Riippuen millaista karttaa haluaa, voi jokainen näistä menetelmistä olla toimiva. Jos haluaa tarkempaa tietoa lokaalimmin jakautuneesta aineistosta, voi käyttää IDW tai Thiessenin polygoneja. Jos taas yleistetymmin, voisi käyttää trendipintainterpolointia.

Omasta mielestä kuvaavin selkein ja havainnollistavin näistä tähän tarkoitukseen olisi trendipinnan 3 asteen menetelmä, koska siinä kuvataan selkeästi lämpötilojen lasku noustessa pohjoiseen eikä se tuota yksittäisiä lämpötilasaarekkeita.

Spline

Spline-menetelmä on kuin joustava viivotin, se piirtää samanarvonkäyriä pisteiden välille pyrkien mutkattomuuteen. Se sopii vähittäin muuttuvien arvojen aineistoihin kuten juuri lämpötiloihin. Se on uskollinen mitatuille arvoille, koska kulkee niiden kautta.

On hyvä, jos pisteitä on tasasesti interpoloitavalla alueella, koska jos jossain on vähemmän, niin analyysistä tulee epäluotettavampi. Reuna-alueet on haastavia, kun ei ole enää mitattuja pisteitä mihin verrata.

Esimerkissä interpoloidaan keskilämpötilat vuoden 2020 jokaisen kuukauden ajalta. Voisi suorittaa erikseen jokaisen kuukauden, mutta nopeampaa kopioida vaiheet Model Builderissa ja tehdä ne samaan aikaan. Ensiksi siis jo muokatusta sääasema-aineistosta

Tekemäni Model Builder (Kuva 7.) ei ole kaikkein selkein, ja jouduin tekemään esimerkiksi tammikuun tason uudestaan. En myöskään saanut valmiiksi tuotettua tmluokat.lyr tasoa näkyviin millään kuukaudella. Aikakin tuli vastaan, niin en lähtenyt enää muokkaamaan aineistojen värejä uusiksi, niin valitettavasti jotkin kartat ovat epäselkeitä ja arvojen väritykset liian vaaleita eivätkä erotu hyvin valkoisesta taustasta. toisaalta kesäkuukausien kartat ovat todella punaisia ja niissäkään ei ole selkeästi näkyvissä lämpötilavaihtelut. Kuitenkin aikasarjasta näkee hyvin ajallisen muutoksen ja sen eron, mikä talvi- ja kesäkuukausien lämpötiloissa on.

Kuva 6. Splinellä tehdyt kartat Suomesta kuvaavat hyvin ja tarkasti vuoden lämpötilamuutosta.
Kuva 7. Model Builderin tekemät analyysit jokaiselle kuukaudelle.

 

Lähteet:

  • Holopainen et al. (2015). Geoinformatiikka luonnonvarojen hallinnassa. Helsingin yliopiston metsätieteiden laitoksen julkaisuja 7.

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

GIM2, Harjoituskerta 5 – 28.11.2023

Näkyvyys- ja kuuluvuusanalyysejä

Tämän kerran tarkastelussa oli, kuinka toteuttaa näkyvyysanalyysi ja esittää se kartalla. Kuinka hyvin siis näkee paikasta A paikkaan B ottaen huomioon erilaiset tekijät kuten topografian, rakennukset ja kasvillisuuden. ) Se määrittelee myös useammasta pistekohteesta näkyvät alueet (Holopainen et al. (2015)).

Tärkeää näkymien tietäminen on esimeriksi maisemaselvityksessä ja kaupunkisuunnittelussa, sekä tiesuunnittelussa. Esimerkkinä, jos aiotaan rakentaa uusi rakennus ja halutaan tietää, kuinka hyvin rakennukseen tai rakennuksesta nähdään alueelle, on järkevää tehdä näkyvyysanalyysi. Tämän toki voi toteuttaa 3D-näkymässäkin joillain sovelluksilla. Myös kuuluvuutta voidaan tehdä samantyylisellä analyysillä, kuten tämän kerran harjoituksessa.

Näkyvyysanalyysi Kevon luonnonpuiston reitillä ja kuinka hyvä matkapuhelimen kuuluvuus reitillä on.

Edellisillä kerroilla käytetyn korkeusmallin avulla luotiin reitille korkeustiedot. Rinnevalovarjosteen sai helposti tuotua korkeusmallin rinnalle tuomalla sen “Raster functions” -paneelin kautta. Sitten sen muokkaminen onnistui kyseisen raster layerin ominaisuus -valikoista. Sitten “Layer Blend” eli tason yhteensopivuus korkeusmallin kanssa sovitetaan Multiply mallilla, jolloin nämä kaksi tasoa näyttivät yhdessä sopivilta.

Digitoin ensin reitin käyttäen apuna ArcGISPro:n valmiita karttatasoja, joista löysin kansallispuiston polkuja. Näiden päälle digitoin noin 65,6km pitkän reitin. Reitin pituus näkyi vaellusreitin 3D näkymän ominaisuustaulukosta.

Kuva 1. Digitoimani Kevon vaellusreitti Kevon tutkimusasemalta (pohjoisempi alkupää) luonnonpuiston läpi Karigasniementien parkkipaikalle.

Kuuluvuudet reitillä

Sitten kartalle tuotiin puhelinmastot, joihin käytettiin Maanmittauslaitoksen mastotietoja (mastojen korkeudet johdettu laserkeilausaineistosta). Luotiin näkyvyys puhelinmastoilta reitille, jonka avulla arvioitiin kuuluvuutta. Oletuksena siis oli, että signaali ei kuulu maastoesteiden toiselle puolelle, vaikka oikeasti heijatumalla kuuluukin. Käytin koko tehtävässä Model builderiä, joka toimi mielestäni helposti, nopeasti ja kivasti. Kuvasta 2. näkyykin työvaiheet selvästi Model Builderissä. GSM on siis signaali ja LOS tarkoittaa Line of sight.

Kuva 2. Model Builder näkyvyysanalyysin työvaiheista.

Sitten paikannettiin katvealueet ja luotiin uudelle mastolle kohta, joka tavoittaisi nämä paikat mahdollisimman hyvin (etsittiin siis maaston korkein kohta).

Visibility työkalun avulla tuotettiin taso, jossa näkyy mastojen näkyvyys. Monien eri parametrien määrittelyjen jälkeen saatiin kartalle tiedot alueista, joissa mastoista näkyy reitille. Näitä parametrejä oli esimerkiksi korkeusmallin rasterin pikselin koon muuttaminen niin, että se määritettiin samaksi tälle uudelle tasolle, jotta molemmat tasot vastaisivat resoluutiolta ja sijainniltaan toisiaan.

Tuotetussa karttatasossa pikselin arvo on se, kuinka monen maston tukiasemasta on esteetön näköyhteys kyseiseen pikseliin (matalilla kohdilla esimerkiksi 5).

Sitten kyseinen taso luokiteltiin uusiksi niin, että näkyvyys riittää, kun reitiltä näkee edes yhteen mastoon. Tämä halutaan yksinkertaiseksi karttaesitykseksi, jossa on vain arvot “näkyy” ja “ei näy”. Siksi pikselit, jotka saavat arvon 0 halutaan NODATA eli arvottomiksi ja ne jotka saavat enemmän ovat aina 1.

Sitten tuotettu rasteri muutettiin polygoneiksi eli alueiksi, jotta voidaan tehdä seuraava vaihe. Erase:n avulla poistetaan vektorimuotoisen vaellusreitin kohdalta vektorimuotoinen kuuluvusanalyysi. Tällöin jäljelle jää reitti, jossa ei ole mukana kohtia, joissa GSM_LOS aineiston arvoa ei ole (näkyvyyttä ei ole). Ne kohdat reitillä, joissa signaali kuuluu, ovat otettu pois.

Mikä yllätti, oli se, miten pitkällä matkalla signaali ei kuulu.  Tarkistin tämän luodun GSM_LOS tason avulla kun vertailin tätä pätkittäistä kuuluvuusanalyysin reittiä ja alkuperäistä vaellusreittiä keskenään. Tosiaan suurelta osalta matkaa kuuluvuus on nolla. Uuden pätkittäisen katvealuereitin pituus on 38km. Täten 27,5km reitiltä kuuluu signaali. Siis noin 75% reitistä on katvealueella.

Kuva 3. Reitin kuuluvuusalueet (valkoisella) ovat todella vähässä.

Parannettiin kuuluvuutta lisäämällä uusi masto

Määritin ensin joten kuten sopivan kohdan uudelle mastolle korkeusmallista silmämääräisesti katsomalla. Sitten tein visibility toiminnon, jolla katsottiin näkyvyys vaellusreitin katveosuuksien ja maston korkeustiedon perusteella. Pikselin kokoa tuli muokata suuremmaksi, jotta ohjelma jaksaa nopeammin ja helpommin sitä pyörittää. Parametreihin laitettiin myös näkyvyys 2-70 metrin korkeudelta, koska masto on 70 metriä korkea ja ihminen noin kahden metrin korkuinen.

Se pyöritti todella pitkään ja hartaasti näkyvyysanalyysiä, joka kaikeksi onneksi onnistui ensimmäisellä kerralla. Huomasin jälkikäteen, että tein vahingossa suuremmalta alueelta analyysin, enkä vain reitin alueelta, mutta se ei kuitenkaan vaikuttanut lopputulokseen merkittävästi. Sitten etsin uuden tason tiedoista, että korkein arvo on 1939, joka tarkoittaa, että 1939 eri pikselistä reitillä on näkyvyys tähän pikseliin.

Sen jälkeen vain visualisoitiin kartta niin, että korkeimman arvon saaneet pikselit erottuvat selkeimmin. Kartan pikselien arvot kertovat, kuinka monesta pikselistä reitin varrella näkyy kyseiseen tiettyyn pikseliin. Yhden pikselin arvo on 1939, joka on suurin mahdollinen arvo. Tähän olisi siis paras sijoittaa masto. visualisoin kartan niin, että siihen jäi vain tämä 1939 arvo, jotta löysin kyseisen pikselin. koordinaatit tähän pisteeseen ovat 26, 7826767 astetta E, 69, 5334903 astetta N. Laitoin kohdalle pisteen. Tämän jälkeen visualisoin kartan vielä uudelleen lopulliseksi.

Kuva 4. Uuden maston sijainti vaellusreitin varrelle.
Kuva 5. Uuden maston paikan määrittämistä. Arvio uudelle mastolle oli hieman etelämpänä (turkoosi piste), ja uuden maston todellinen paras sijainti mustan merkin kohdalla.

Vertasin ensimmäisen pisteen paikkaa lopulliseen. Kuten kuvasta 5. näkyy, piste oli ihan hyvällä sijainnilla. Sen arvo oli 1649, mikä on suuri, muttei alueen suurin. Täten se ei kattanut niin paljon reitin alueita kuin uuden maston sijainti. Lopullinen piste sijaitsi enemmän reitin keskivaiheella, mikä oli ehkä paremmin sijoitettu.

Resoluution pienentäminen vähenti arvot 0-1939 välille eikä sitä suuremmiksi. Minusta se oli hyvä, jotta kartta pysyi luettavana eivätkä arvot olleet äärettömän suuret.

Kuuluvuus parani uuden maston myötä

Ne alueet reitillä, joissa on päällekkäin vanhojen sekä uuden maston katvealueet, ovat edelleen uuden maston pystyttämisen jälkeen katvealueita. Niin kuin kartasta huomaa, niitä on reitin varrella edelleen jonkin verran. Kuitenkin kuuluvuuden sisällä olevia kohtiakin on nyt enemmän.

Laskin, että ilman uutta mastoa, reitin kuuluvuus oli 75% katvealueilla. Uuden maston jälkeen kuuluvuus nousi ja katvealueet laskivat niin, että katvealueiden määrä kilometreissä oli 21km koko 65,5km matkalta, mikä on noin 32% koko reitin kuuluvuudesta. Tämä tarkoittaa sitä, että uuden maston myötä kuuluvuus nousi ja katvealueiden prosenttiyksikkö laski huimat 43 %-yksikköä.

Kuva 6. Signaalin kuuluvuus reitin varrella. Kartalla uuden maston kuuluvuusalueet ja uusi masto turkoosilla kartan keskiosassa.

Loin vielä Intersect-toiminnon avulla uuden tason, jossa oli yhdessä vain vanhojen mastojen sekä uuden maston yhteiset katvealueet (koska riittää, että kuuluvuus on edes yhdestä mastosta). Jostain syystä rinnevalovarjoste jäi puuttumaan kun exporttasin kartan tänne.

Kuva 7. Signaalin kuuluvuus reitin varrella uuden maston jälkeen.

 

Lähteet:

– Holopainen et al. (2015). Geoinformatiikka luonnonvarojen hallinnassa. Helsingin yliopiston metsätieteiden laitoksen julkaisuja 7.

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