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.

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.

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.

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.

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.

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

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

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.

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.

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.

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.

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.

Lähteet:

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

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

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.

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.

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.

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.

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.

Lähteet:

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

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

Kurssin viimeinen kartta  – ilmansaasteita ja terveysvaikutuksia

En päässyt osallistumaan kurssikerralle, toisaalta se ei ollut haitaksi, sillä tämä kurssikerta oli täysin itsenäistä toimintaa. Kerran teemana oli oman kartan tuottaminen oma-aloitteisesti alusta loppuun. Koin ensin intoa, kun sai vapaat kädet ja pääsi käyttämään luovuutta. Kuitenkin oli vaikea päästä alkuun, koska katsoessa muiden postauksia ajattelin, että vaihtoehtoja on niin paljon, joten mistä osaan valita?

Luukaksen blogia lukiessani ajattelin, että voisin myös tehdä kartan Helsingistä ja hänen blogistaan sain idean etsiä aineistoa hri:n sivuilta. Päädyin lopulta etsimään tietoa ilmanlaadusta ja mihin se voisi linkittyä, no liikenteeseen tietenkin.

Alkuperäinen suunnitelmani tälle kartalle oli esittää Helsingin ilmansaasteiden sekä teiden yhteyttä. Kuitenkaan en löytänyt shp muotoista ladattavaa aineistoa ilmansaasteista. Yritin ladata excel-muotoisena ilmansaastedataa QGIS:iin niin pitkään, että oli pakko luovuttaa. Löysin sitten samaan kategoriaan kuuluvan aineiston typen oksidien liiallisesta määrästä ilmassa shapefilena.

Huono ilmanlaatu voi aiheuttaa ihmisille vakavia terveyshaittoja. “Typen oksidit ovat haitallisimpia liikenteen päästöjä, sillä ne aiheuttavat hengitystiesairauksia”, kerrotaan Gasumin nettiartikelissa Liikenteen päästöt täytyisi saada kuriin heti. Siksi halusin kartalla myös esittää, kuinka paljon ihmisiä asuu näillä alueilla, joissa typen päästöt ovat olleet erittäin korkealla.

Kartalta voi huomata, että Helsingin keskustan isoimmat tiet, kuten iso osa Mannerheimintietä, ovat niitä, joissa typen vuosiraja-arvo on ylittynyt. Tämä siis johtuu suuresta liikennemäärästä alueilla.

Voidaan huomata, että ihmisiä asuu paljon 100 metrin etäisyydeltä näistä teistä, joista pääsee paljon typen oksideja alueen ilmaan. Yhteensä näillä alueilla asuu 12 517 ihmistä. Kuitenkin isojen teiden vieressä asuu niin moni helppojen kulkuyhteyksien vuoksi. Asun itsekin noin 400 metrin päästä tällaisesta suuresti päästöjä lisäävästä tiestä, ja olen kokenut ilmansaasteista aiheutuvia terveysongelmia. Muutin viime syksynä Kotkasta Helsinkiin ja ilmanlaadun muutos oli merkittävä, mikä näkyi esimerkiksi ihoni kunnossa.

Mielestäni kartta on informatiivinen siinä mielessä, ett siinä näkyy ilmansaastevaikutukset konkreettisesti suurien teiden läheisyydessä asuviin ihmisiin. Ilmansaasteen ovat uhka ilmastollemme, mutta kuitenkin myös meille itsellemme suoranaisesti.

Käytin pohjakarttana aiemmin kurssikerralla 4. käytettyä Helsingin alueen pohjakarttaa sekä pääkaupunkiseudun asukkaiden dataa. Lisäsin siihen tiet sekä typpioksidin vuosiraja-arvon ylitysalueet. Tieaineiston löysin HRI:n ja typpiaineiston HSY:n sivuilta. Molemmat aineistot olivat Shapefile muodossa, jonka osasin lisätä helposti QGIS sovellukseen.

Halusin sitten vielä teiden lisäksi tehdä kartasta mielenkiintoisemman, joten otin kolmanneksi muuttujaksi asukkaat. Tein bufferin typen vuosirajan ylitysalueelle 100 metrin säteellä. Sitten halusin esittää asukkaat tämän bufferin sisällä. Valitsin väen bufferin sisältä select by location -toiminnolla ja käänsin valikoiman toisin päin. Sitten poistin valikoimat pisteet (ne, jotka eivät olleet bufferien sisällä).

Koin, että osa kurssin asioista jäi todella hyvin mieleen, joita toteutin tässä kartassakin. Kaikista vaikeinta oli tuoda aineisto netistä sovellukseen. Esimerkiksi excel-tiedoston muuttaminen oikeaan muotoon, jotta QGIS tykkäisi siitä, ei ollut jäänyt niin hyvin mieleen, enkä muista tehneeni sitä kertaakaan kurssilla, joten siksi sen kanssa oli ongelmia. Kuitenkin koko kurssista jäi käteen paljon ja olen jo askeleen lähempänä GISgurun titteliä!

Lähteet:

Helsinki region infoshare – Helsingin liikenneväylät https://hri.fi/data/fi/dataset/helsingin-liikennevaylat/resource/a678f192-871d-486d-b45b-32a3a343f85a

HSY – Pääkaupunkiseudun typpidioksidin vuosiraja-arvon ylitysalue https://www.hsy.fi/ymparistotieto/avoindata/avoin-data—sivut/paakaupunkiseudun-typpidioksidin-vuosiraja-arvon-ylitysalue/

Mickelsson, L. Viikko 7 (viitattu 13.3.2023) https://blogs.helsinki.fi/luukasmi/2023/03/07/viikko-7/

GASUM – Liikenteen päästöt täytyisi saada kuriin heti (viitattu 13.3.2023) https://www.gasum.com/ajassa/puhdas-liikenne/2019/liikenteen-paastot-taytyisi-saada-kuriin-heti/

Datan sekä karttojen tuottamista ja interpolointia.

Tänään harjoittelimme paikan ominaisuustiedon keräämistä luonnossa ja sen hyödyntämistä paikkatietosovelluksessa. Keräsimme ryhmän kanssa luonnossa eri kohteista ominaisuustietoa, mikä oli rentouttava keino aloittaa aikainen aamu. Kerätty data siirrettiin koneelle, ja se näkyi pisteinä kartalla.

Kokeilimme csv muotoista tiedostoa (comma separated values), joka koostuu tekstimuotoisesta datasta, jonka osat ovat erotettu pilkulla. Harjoittelimme interpolointia kerätyn datan avulla

Koska käytimme pistemuotoista aineistoa, interpolointi on hyvä keino nähdä arvojen jakautumista kartalla. Interpoloinnissa arvioidaan ja lasketaan uusia arvoja valmiina olevien pisteiden väliin. Se tuottaa rasterimuotoisen pinnan.

Esimerkissämme interpolointi menetelmä laskee olemassaolevien arvojen perusteella missä väliin jäävissä arvoissa on turvattomia ja turvallisia alueita. Se kerää lähellä olevat pisteet ja toisaalta kauempana pisteistä se vaikuttaa vähemmän. Se siis laskee, millainen vaikutualue pisteillä  on turvallisuuden suhteen.

Hasardi kartat

Sitten pääsimme tuottamaan omia karttoja, joiden olisi tarkoitus esittää luonnonhasardeja selkeästi, jotta sillä voisi opettaa asiaa koulussa. Valmiiksi annettujen aineistojen lisäksi Natural Earth:ista löytyi hyvälaatuista globaalia dataa tätä varten. Vapaavalinnaisuuden mukaan lähdin tuottamaan ensin kartan maanjäristyksistä.

Ensin ajattelin, että ottaisin aineiston pitkältä aikaväliltä, josta näkisi varmasti, missä päin on yleensä kovia maanjäristyksiä. Kuitenkin otin 10 vuoden aikaväliltä omasta syntymävuodestani lähtien, sillä halusin kartalle vähemmän pisteitä.

Matalemman magnitudin maanjäristyksiä ja siitä ylöspäin on kartalla paljon, ja ne muodostavat selkeitä linjoja, kulkien litosfäärilaattojen mukaisesti. En kuitenkaan löytänyt netistä aineistoa litosfäärilaattojen rajapinnoista, jolloin kartta olisi opettanut tästä asiasta hyvin. Kuitenkin kartta on opettavainen siinä mielessä, miten järistykset sijoittuvat ja minkälaisen suhteen kovimpien maanjäristyksien ja muiden järistysten sijoittumisesta voi nähdä.

Kun maanjäristys karttaa vertaa litosfäärilaattojen karttaan voi huomata niiden yhteyden. Tämä tapa voisi olla jopa hauskempi oppimismielessä, kun yhteyksiä ja eroja tulee tulkita erillisillä kuvilla. Kuitenkin kartta 2 tuottaa yhtä hyvää informaatiota litosfäärilaattojen rajapinnoista kuin kuva 3.

Sitten tein edellisen maanjäristyskartan pohjalle uuden kartan, johon lisäsin tulivuorten sijainnit. Kartta 4. on opettavainen siinä mielessä, että siitä näkyy tulivuorten ja maanjäristysten yhteys. Kuitenkin voi huomata, että tulivuorten sijainti ei aina johdu litosfäärilaattojen läheisyydestä kuten maanjäristysten usein johtuu. Esimerkiksi Afrikan keskellä on paljon tulivuoria.

Kiitos Turkka Häkkisen, sain viimeiselle kartalle idean esittää pistemäinen tieto suuruusjärjestyksessä. Turkan blogissa Viikko 6, hän käytti kokoeroja kuvaamaan maahan pudonneiden meteoriittien painoa. Visuaalisesti pidin tästä ilmeestä, se oli helppo tehdä ja se lisäsi oman karttani luettavuutta myös. Kokeilin hyödyntää tätä luokittelutapaa kuvaamaan maailman väestöä. Toin materiaalia Natural Earthin tietokannoista, joista käytin “most populated places” -dataa.

Kartalta voi löytää maailman väkirikkaimmat alueet kuten Pohjois-Amerikan itärannikko, Itä-Aasia sekä Eurooppa. Kartasta voi huomata sen, että myös tulivuorten läheisyydessä asuu maailman eniten ihmisiä, esimerkiksi Kaakkois-Aasiassa etenkin Jaavan saarella. Alueella on paljon tulivuoria sekä ihmisiä. Kartalta voi jopa huomata litosfäärilaattojen saumakohtia, sillä tulivuoret tekevät joitrain selkeitä ketjuja kartalla, jotka yhdistyvät saumakohtiin. Tämän voi tarkistaa esimerkiksi vertaamalla kuvaa 3 karttaan.

Lähteet:

Häkkinen T. Viikko 6. (Viitattu 9.3.2023) https://blogs.helsinki.fi/turkkaha/2023/02/26/viikko-6/

Kuva 2: Geologia.fi, maan rakenne. (Viitattu 9.3.2023) https://th.bing.com/th/id/R.b81a632c9d7e1fa9387aaa81a485f32f?rik=D%2fzaLCjHeACRdQ&riu=http%3a%2f%2fwww.geologia.fi%2fwp-content%2fuploads%2f2018%2f05%2flaatat1.gif&ehk=kfUZaT9w7ugkAeAn3lUBalEwHwRsRMC7fwbAII902uE%3d&risl=&pid=ImgRaw&r=0&sres=1&sresct=1

Aineiston analyysiä ja buffereita

Tällä kerralla kävimme QGIS:illä läpi clip, intersect ja buffer toimintoja. Sen lisäksi tutuksi tuli analyysien teko ja arvojen laskeminen sekä tulosten tarkastelu aineiston pohjalta. Käytin monta kertaa valintatyökalua, jolloin pystyin tarkastelemaan esimerkiksi tiettyjen asukkaiden lukuarvoja eri alueiden sisällä.

Miia Vuolle blogitekstissään Kurssikerta 5 (2023) toi esille alla olevan kuvan (kuva 1) mukaisesti erilaiset analyysimenetelmät. Vuolle ajatteli analyysimenetelmistä samoin kuin itsekin. Ne olivat loppujen lopulta ihan ymmärrettäviä ja yksinkertaisia. Kuva 1 havainnollistaa hyvin erilaiset menetelmät, joista muutamaa kokeilimme tällä kerralla.

Kokeilimme clip-toimintoa viime kerran Pornaisten kartta-aineistolle. Toimme pellot aineistoon, jotka clip-toiminnolla poistettiin muualta kuin Pornaisten rajatusta alueesta. Clip toimii kuten piparkakkumuotti ja poistaa muotin ympärillä olevat asiat. Intersect-toiminto oli sitten hieman hankalampi ymmärtää. Tällä tominnolla pyrittiin saamaan kahden alueen yhteiset muuttujat näkyviin ja poistamaan muut. Tätä olisi voinut käyttää samaan tarkoitukseen. Testasin tätä toimintoa myöhemmissä tehtävissä, joten siitä kohta lisää.

Bufferointia

Kokeilin buffer-toimintoa itse piirtämilleni teille, joiden ympärille tein noin kilometrin leveän vaikutusalueen. Sitten valintatyökalulla tutkin, kuinka monta itse piirtämääni rakennusta ulottuu vyöhykkeen sisälle.

Tutkin myös bufferilla montako taloa löytyy 500 metrin päästä terveyskeskuksesta, josta havainnekuva (kuva 3). Vielä statistics paneelista tarkastamalla löytyi 244 taloa 808:sta. Teimme bufferilla myös 1km koulun ympärille ulottuvat talot, joita minulla oli 562 ja ympärille jääviä taloja oli 246.

Siirryimme uuteen aineistoon ja tutkimme lentokenttien vaikutusalueita. Tutkimme entisen Malmin lentokentän vaikutusaluetta. Kilometrin päässä sijaitsevia asuintaloja Malmin lentokentästä oli yhteensä 802. Kahden kilometrin päässä asuinrakennuksia on taas 4882. Tämä toteutettiin niin, että piirrettiin lentokentän kiitoratojen suuntaiset viivat, joiden ympäri bufferoitiin alue. Alueesta tarkasteltiin talojen määrä.

Itsenäistehtävä 1

Sitten siirryimme tekemään itsenäisesti tehtäviä, mikä alkuun järkytti. Nopeasti mieli muuttuikin tyyneksi, sillä sain tehtävät onnistumaan. Aloitin tutkimaan Helsinki-Vantaan lentokenttäaluetta samoilla periaatteilla:

2363 ihmistä asuu alle 2km päässä lentokentästä, joista 598 asuu lentomelualueella (kuva 4). Lentomeluaineisto tuotiin valmiina kartalle. Prosentuaalisesti siis 25% asuu lentomelualueella kaikista ihmisistä, jotka asuvat lentokentän lähialueella. Tässä käytin intersect-toimintoa, sillä halusin ottaa laskuihin mukaan melualueen sekä lentokentän bufferoidun alueen yhteiset asukkaat.

Sitten tuli tarkastella, kuinka monta ihmistä asuu vähintään 55DB melualueella. Heitä oli 1780. Ensin valitsin muuttujat  attribuuttitaulukosta, jossa oli 3 luokkaa. Valitsin 55, 60 ja 60 DB melualueet. Näistä valitsin select by location toiminnon avulla asukkaat valitsemillani DB alueilla, jolloin sain tuloksen statistics taulukkoon. Luku olisi tietenkin pienempi, jos olisin valinnut tulokset violetilta lentokentän 2km läheiseltä alueelta (kuva 4).

Sitten kysymyksenä oli: Kuinka monen ihmisen elämää vähintään 60dB lentomelu haittaisi Tikkurilassa, mikäli saapuva liikenne käännettäisiin jälleen laskeutumaan poikkeuksellisesta suunnasta (kaakosta luoteeseen)?

3912 ihmisen elämään vaikutti. Tein apuviivan (noin 7km pitkän) kiitoradasta kaakkoon päin. Sitten bufferoin tämän viivan 1km  ympäröivältä alueelta, jolloin sain noin 60DB lentomeluhaitta-alueen Tikkurilaan.

5396 ihmistä asuu alle 500 metrin päässä lähimmistä metro- tai juna-asemasta. Bufferoin ensin asemat tietokannan ympäriltä 500 metrin alueet näkyviin, jonka jälkeen valitsin ihmiset näiltä bufferoiduilta alueilta.

Kokonaismäärä kartan alueen asuntoja on 59 429, joten tuo valittu määrä (kuvassa 6 keltaiset pisteet) ihmisiä on prosentuaalisesti 5396/59429*100= 0,09 eli noin 1%.

Kaikki asukkaat alueella oli 111 765, joista 15-64v oli 74989 eli prosentuaalisesti 67%.

Itsenäistehtävä 2:

Kysymyksenä oli nyt pääkaupunkiseutujen taajama-alueet ja niissä asuvat ihmisryhmät. Noin 97% kaikista pääkaupunkiseudun asukkaista asuu taajama-alueella.

Laskin kuinka monta kouluikäistä asuu taajamien ulkopuolella. Ennakkoajatus oli, että heitä on vähän. Laskin pks-väki tietokannasta kouluikäisille oman sarakkeen, jonka tietoja sitten tarkastelin. Laskin, että kaikista yli 100 000 kouluikäisestä noin 3727 asuu taajamien ulkopuolella. Se on noin 4% kaikista kouluikäisistä.

Vaikka kuinka mietin erilaisia keinoja, en osannut laskea alueellisesti ulkomaalaisten määrää taajamissa, joissa heitä on yli 10%, 20% ja 30%.

Pohdintaa

Kurssikerran jälkeen varsinkin puskurivyöhykkeen luonti selkeytyi hyvin. Bufferilla voi tutkia vaikutusaluetta: mitkä vain kaksi muuttujaa, jotka keskenään vaikuttavat toisiinsa. Esimerkiksi voidaan tutkia tulvavyöhykkeitä. Jokialueiden ympärille luodaan puskurivyöhyke, joka kertoo, mihin saakka joki yleensä tulvii.

Aineistojen tulee olla laskennallisia QGIS:iä käyttäessä. Aineisto tuottaa paikkaan sijoitettua kvantitatiivista tietoa.

Käyttäjä analysoi aineistoa aina eri tavalla. Subjektiivisuus näkyy siinä, että tekijä osaa myös käyttää paikkatieto-ohjelmaa eri tavalla. Joitain laskuja voisi laskea vielä tarkemmin, jos osaisi käyttää tiettyjä tarkempia tuloksia antavia komentoja.

Aineistot voivat toki olla virheellisiä, jolloin tuloskin on virheellinen. Eli kaikki ei aina riipu tutkijasta. Toki ihminen on voinut tuottaa aineistoja. Tulos riippuu siitä, miten tutkija tutkii alkuperäaineistoja. Kuten tehtäviä vertaillessa kurssikaverien omiin, huomasin arvojen heittelevän, sillä jokainen käytti omaa subjektiivista otetta analyysin tuottamiseen.

Koin tämän kurssikerran olevan kaikista mielenkiintoisin kaikista GIS-tunneista tähän mennessä. Pidin erilaisten tehtävien tekemisestä ja matemaattisesta laskemispuolesta. Koin myös, että olin muistanu aiemmilta tunneilta asioita niin, että QGIS:in käyttö onnistui todella hyvin. Onnistuin monta kertaa hyvin ja olin positiivisesti yllättynyt piileksivistä GIS-taidoistani.

Kiitos lukemisesta!

Lähde:

Vuolle M. 2023, Kurssikerta 5, viitattu 16.2.2023, https://blogs.helsinki.fi/mevuolle/2023/02/14/kurssikerta-5/

Kuva 1: https://www.slideserve.com/ketan/vector-geoprocessing