Tapion kurssiblogi

Ja näin koitti viimeinen kurssin harjoitusviikko! Kurssi sinetöidään samalla tavoin kuin edeltäjänsä, interpoloinnin merkeissä. Itse spatiaalisella interpoloinnilla tarkoitetaan ”jatkuvan pinnan muodostamista pisteaineistosta. Interpolointi perustuu oletukseen tarkasteltavan ilmiön spatiaalisesta autokorrelaatiosta eli siitä, että lähellä toisiaan olevat havainnot ovat keskimäärin samankaltaisempia kuin kauempana olevat havainnot” (harjoitusohje). Tehtävissä 1-2 käytettiin aineistoina Suomessa sijaitsevista sääasemista (198 kpl) ja niistä mitatuista kuukausittaisista keskilämpötiloista vuodelta 2020 ja Suomen rajaavaa viiva-aineistoa, tehtävässä 3 pääkaupunkiseudun maa-alueiden sekä suurimpien saarten rajoja ja typpidioksidihavaintojen keskiarvoja vuodelta 2019.

Tehtävä 1. Deterministiset interpolointimenetelmät

Homma laitettiin käyntiin tutustumalla deterministisiin interpolointimenetelmiin, jotka tarkoittavat ns. ei-statistisia menetelmiä, eli ne eivät hyödynnä tilastotiedettä: ne käyttävät vain pisteistä mitattuja arvoja, joiden perusteella muiden paikkojen arvot päätellään.

Ensimmäiseksi data esikäsiteltiin tekemällä tietokantaliitos saa_asemat.shp ja keskilampotilat_2020-taululle. Käytin itse tässä B-aineistoa sääasemista, ja luin vasta kaikkien toimenpiteiden jälkeen Olivian viestin, että olisi kannattanut käyttää korjattua Q-aineistoa… No, näillä mennään. Se hoitui näppärästi Join Field -työkalulla, jossa liitos tehtiin yhteisten kenttien FMISID avulla. Lisäksi lämpötila-arvojen sisältävien sarakkeiden tyyppi piti muuttaa interpolointia varten tekstistä numeeriseen float-muotoon. Tammikuun lämpötiloille luotiin uusi float-muotoinen sarake ja homma hoitui Calculate Field -työkalulla.

Ensimmäisenä interpolointimenetelmänä käytettiin Thiessenin polygoneita. Se on vektoripohjainen interpolointitapa, jossa pisteen (tässä tapauksessa sääaseman) ympärille rajataan polygoni, josta on lyhyempi matka tämän polygonin sisällä olevaan pisteeseen kuin mihinkään muuhun pisteeseen. Sääasemien väli siis jaetaan puoliksi, ja tästä kulkee Thiessenin polygonien rajat. Kyseessä on lokaali interpolointi, eli uusiin arvoihin vaikuttaa vain yksi / lähimmät pisteet, ja yhden pisteen arvon muuttaminen vaikuttaa lopputulokseen vain paikallisesti. Alie saa sisällä olevan pisteen ominaisuustiedot, eli interpoloidulla pinnalla on sama arvo kuin sääasemalla, eikä pinta sisällä yli- tai aliarvioita. Käytännössä tämä interpolointi tehtiin Create Thiessen Polygons -työkalulla, mikä oli vaivatonta. Clip-työkalulla interpolointi rajattiin Suomen alueelle suomi.shp-tason avulla, eli merellä olevat havaintopisteer ajattiin tarkastelusta pois. Kuvassa 1 on valmis kartta tästä. En asettanut mittakaavoja näihin koko Suomea koskettaviin karttoihin.

 

Seuraavaksi siirryttiin trendipintainterpolointiin. Se on rasterimuotoinen globaali interpolointitapa, eli yhden pisteen arvon muuttuminen vaikuttaa koko pintaan, ja se laskee havaintoaineistosta ”trendipinnan”. Trendipintainterpolointi hyödyntää polynomifuntkiota, jonka aste määritellään halutuksi kokonaisluvuksi – tässä harjoituksessa tehtin ensimmäisen, toiseen ja kolmannen asteen trendipintainterpoloinnit. Trendipinta yksinkertaistaa havaintoaineistoa, ja riippuen interpoloinnin asteesta, pinta sisältää ali- tai yliarvioita. Aineiston alkuperäiset arvot eivät aina säily. Ensimmäiseksi prosessointiasetuksista määritettiin tulosrasterin laajuudeksi sekä alueeksi, jolle analyysi suoritetaan (mask) suomi_maski. Itse interpolointi hoitui Trend-työkalulla, ja lopputulokset leikattiin Clip raster -työkalulla Suomen kokoisiksi. Kuvissa 2-4 on valmiit lopputulokset. Valitsin karttojen väriskaalaksi sinisestä (kylmin arvo) keltaiseen (lämpimin), ja luokkien jakotavaksi Natural Breaks, koska ne havainnollistavat mielestäni lämpötilat hyvin.

Seuraavaksi tehtiin Inverse Distance Weighted -interpolointi eli IDW. Kyseessä on rasteripohjainen lokaali funktio, jossa yksittäisen pisteen arvo johdetaan läheisten havaintopisteiden arvoista: mitä lähempänä havaintopiste on, sitä vahvemmin sen arvo vaikuttaa. Tässä interpoloinnissa voi muuttaa useita eri parametreja, kuten havaintopisteiden määrää tai maksimietäisyyttä muuttamalla.

Oivasti nimetyn Geostatistical Wizard -toiminnon avulla interpolointiprosessi pysyi keveänä ja käyttäjäystävällisenä. Kuvassa 5 on on käyttämäni parametrien arvot, joilla interpoloinnin Mean-arvoksi eli tuloksen yli-/aliarvioksi tuli vain vähän yli 0, eli mallinnus ei juurikaan vääristä arvoja ylöspäin. Tuloksena syntynyt taso muutettiin rasteriksi GA Layer to Raster -työkalulla ja leikattiin Suomen muotoiseksi. Kuvassa 6 on valmis visualisointi tästä.

Tehtävä 2. Spline -interpolointi

Seuraavaksi tutustuttiin Spline-interpolointiin. Se on lokaali ja myös deterministinen interpolointimenetelmä, joka minimoi pinnan kaarevuuden: ”Splinellä on alun perin tarkoitettu joustavaa viivoitinta, joka on voitu taivuttaa kulkemaan halutun pistejoukon kautta. Spline-funktiot ovat näiden joustavien viivaimien matemaattinen vastine” (harjoitusohje). Se käy hyvin vähitellen muuttuvien ilmiöiden interpolointiin; Weight-argumenttia muuttamalla lopputulosta voi pehmentää, ja Tension-optiolla interpoloinnista tulee ”karkeampi”. Tässä tehtävässä interpoloitiin vuoden 2020 jokaisen kuukauden keskilämpötilat Spline-menetelmällä. Mukaan otettiin tuttu ModelBuilder-ohjelma apukädeksi. Jokaisen kuukauden keskilämpötilat muutettiin numeeriseen float-muotoon, ja malliin lisättiin Add Field-työkalu jokaisen kuukauden lisäämistä varten. Samat toimenpiteet siis mitä aiemmin, mutta tällä kertaa jokaiselle kuukaudelle. Kuvassa 7 on valmis malli tämän maratonin jälkeen, johon kului melko paljon aikaa omien sekoilujeni (esim. samojen kuukausien interpoloiminen monta kertaa) takia. Onneksi visualisointi hoitui vaivattomasti valmiin tyylitiedoston ansiosta. Liitin nämä valmiit kartat samalle layoutille, joka on kuvassa 8.

Tehtävä 3. Kriging-interpolointi

Viimeiseksi interpoloinniksi tehtiin geostatistiset Kriging-interpoloinnit HSY:n aineistosta typpidioksidipitoisuuksista pääkaupunkiseudulla v. 2019. Tämä ilmanlaatu_2019-aineisto sisältää pisteitä kovin epätasaisesti: Helsingin keskustassa pisteitä on tiuhaan, ja etäälle mennessä ne harvenevat, mikä vaikuttaa interpolointien luotettavuuteen negatiivisesti. Geostatistisissa interpolointimentelmissä käytetään apuna tilastotiedettä, jossa mitattujen pisteiden avulla ennustetaan tilastollisesti, mitä muualla todennäköisesti on. Näistä selviää myös interpolointien virhemarginaalit. Kriging-interpolointi perustuu semivariogrammeihin, joiden funktio ei rehellisesti sanoen vielä auennut itselleni. Oheiskirjallisuudesta Krigingistä sanotaan seuraavaa: “Kriging-menetelmät on spatiaalinen interpolointimenetelmäperhe, jossa perusajatus on, että analysoimalla ominaisuuden spatiaalinen vaihtelu ja mallintamalla se, voidaan kullekinhavaintopisteelle määrätä optimaalinen paino ennustepintaa laskettaessa. Kriging-menetelmä eroaa liukuvien keskiarvojen menetelmästä siinä, että ryhmittäisyyden vaikutus otetaan automaattisesti huomioon ja ryhmän havaintoarvot saavat pienemmän painon, kuin vastaava yksittäinen havaintoarvo. Kriging-menetelmässä havaintoarvojen painot määrätään alueellisen vaihtelun perusteella.” (Holopainen et al. 2015)

Ensimmäiseksi typpidioksidiarvot muutettiin numeeriseen Float-muotoon, ja ilmanlaatu_2019-tasosta tehtiin histogrammi, joka visualisoi, miten eri arvojen määrä jakautuu (kuva 9). Ilmanlaatuaineiston huonoimmat, yli 33,88 µg/m3. arvot sijaitsevat ydinkeskustan ja Kallion alueilla (kuva 10). Parhaimmat, max 13,25 µg/m3 arvot taas sijaitsevat kauempana Helsingin keskustasta (kuvat 11-12).

 

 

Seuraavaksi tehtiin Simple Kriging -interpolointi Geostatistical Wizardissa. Vaihtoehdoksi valittiin Simple Kriging: Prediction, eli ennustepinta NO2-pitoisuuksille. Kriging sisälsi monia parametrejä, jotka jäivät vielä itselleni tuntemattomiksi, joten seurasin lähinnä manuaalisesti vain harjoitusohjetta, jonka mukaan määritin interpolointiasetukset. Tämän jälkeen samaisella ohjelmalla tehtiin Empirical Bayesian Kriging, joka on hiukan uudempi ja edistyneempi Kriging-menetelmä. Ohjeiden avulla tuloksista tuli melko luotettavia: Mean-arvot olivat lähellä nollaa, eli niissä ei juurikaan esiinny ali- tai yliarvioita.

Koska Kriging ei tee ennustepintaa havaintoaineiston ulkopuolelle, niin tasot muutettiin vastaamaan koko pääkaupunkiseutua. Kartat visualisoitiin HSY:n ilmanlaatuluokkia mukaillen, jossa 40 µg/m3 pidetään raja-arvona huonolle ilmanlaadulle – tässä aineistossa niitä ei onneksi ole. Kuvassa 13 on valmiit lopputulokset Kriging-interpoloinneista.

 

Mitä jäi käteen?

Spatiaalinen interpolointi on kiehtova työkalu, jonka avulla voidaan tehdä mitä monipuolisimpia spatiaalisia ja temporaalisia ennustuksia ja mallinnuksia muutaman valmiin lähtöarvon avulla. Ne pitävät sisällään monia parametrejä, joiden toiminnallisuuden sisäistämiseen menee oma aikansa – näin kurssin loppupuolella tuntui, että aika kävi vähiin tämän viimeisen harjoituskerran parissa. Erityisesti Kriging-interpoloinnin salat jäivät itselleni vielä hämärän peittoon, mutta eiköhän tulevilla gis-kursseilla niihinkin perehdytä vielä tarkemmin.

Kokonaisuudessaan kurssi tarjosi kattavasti lisää työkaluja gis-pakkiin, ja ArcGIS:iin tutustuminen toi varmuutta ja innostusta gis-opintojen jatkamiseen. Toki harjoituksia tehdessä usein epävarmuuden tunteet ovat läsnä, mutta kun ongelmat lopulta ratkeavat (jos ratkeavat), niin se on palkitsevaa – tällä kurssilla selkeät ja yksityiskohtaiset harjoitusohjeet säästivät monilta negatiivisilta emotioilta. Kiitos antoisasta kurssista!

 

Lähteet

Holopainen et al. (2015). Geoinformatiikka luonnonvarojen hallinnassa. Helsingin yliopiston metsätieteiden laitoksen julkaisuja 7. s. 67-80

Tällä viikolla olikin vuorossa itsenäisempää työskentelyä. Tehtävänantona oli etsiä sopiva paikka uudelle laskettelukeskukselle, tehdä alueella eri paikkatietoanalyysejä eri toimintojen sijoittamista varten ja visualisoida lopputulos karttaesitykseksi. Olen itse lasketellut vain kerran elämässäni, joten kokemusta laskettelukeskuksista tai tietoa siitä, miten niiden eri toiminnot sijoitetaan intuitiivisesti, ei itselläni juurikaan ole, mutta harjoitus oli joka tapauksessa hauska ja luovuutta ruokkiva.

Homma lähti käyntiin Paikkatietoikkunan selaamisella. Selattavaa riittikin koko Suomen laajuisesti, mutta tein alustavan aluerajaukseen Pohjois-Suomeen, jossa esiintyy yleisesti enemmän maaston korkeusvaihtelua kuin Etelä-Suomessa. Korkeuskäyrien avulla päädyin Kemijärven länsipuolelle, Enijärven eteläpuolella sijaitsevalle muutaman mäen muodostamalle kokonaisuudelle (kuvat 1 & 2), ja laskettelukeskuksen ristin nimellä Encore. Alueen suurin mäki on nimeltään Pohjaslaki, joka ulottuu korkeimmillaan noin 170 metrin korkeuteen.

 

 

Latasin alueen sisältävän Maanmittauslaitoksen 10 m x 10 m -resoluutioisen korkeusmallin Paitulista ja toin sen ArcGIS:iin. Ensimmäiseksi lisäsin kartalle korkeuskäyrät sisältävän layerin Contours-työkalulla (kuva 3). Työkalun käyttö oli helppoa ja entuudestaan tuttua – määritin korkeuskäyrien väliksi 10 metriä, koska näillä korkeusvaihteluilla se tuntui olevan passeli välistys. Tein alueelle myös rinnevalovarjostuksen Hillshade-työkalulla visualisoinnin tueksi (kuva 4).

Näiden toimenpiteiden jälkeen ajoin alueelle Slope-työkalun, jonka avulla pystyin tarkastelemaan eri rinteiden jyrkkyyksiä asteina. Eri luokkia tuli tälle tasolle 11 kappaletta, joten päätin uudelleenluokitella sen jo tutuksi tulleella Reclassify-työkalulla. Kuvassa 5 on tämä uudelleenluokiteltu taso ja kuvassa 6 uudet luokat. Viimeisen luokan, eli 45-100 asteen rinteitä tämä alue ei sisältänytkään yhtään.

Näiden luotujen tasojen avulla pystyinkin aloittamaan itse laskettelukeskuksen suunnitteluprosessin ja digitoinnin pariin. Itse digitointi ArcGIS:llä oli tuoreessa muistissa viime viikolta, joten sen toteuttamisessa ei ollut hankaluuksia (muita mokia kyllä tuli, niistä hetken päästä…) Päätin sijoittaa rinteiden tasaisille alueille parkkipaikan sekä tilaa ravintoloille ja majoituspalveluille – nämä digitoin yksinkertaisina polygoneina, enkä lyönyt lukkoon, että mihin tarkalleen mikäkin ravintola ja majapaikka sijoittuvat. Nämä polygonit edustavatkin vain alustavia aluevarauksia 😊

Digitoin laskettelukeskus Encoreen johtavan tien lähimmältä isolta väylältä, Kemijärventieltä, joka sijaitsee laskettelukeskuksen eteläpuolella. Hiihtohissit digitoin niin ikään katkoviivoina. Itse laskettelurinteet jaoin kolmeen eri haastavuusluokkaan – helpot, keskivaikeat ja vaikeat rinteet – aiemmin uudelleenluokittelemani slope-tason avulla. Pidin digitoidessa siis tämän tason auki, ja jaottelin rinteet niiden jyrkkyyden mukaan eri haastavuusluokkiin. Digitoinnin aikana olisi kuitenkin ollut järkevää heti aluksi asettaa tämä slope-taso osittain läpinäkyväksi, koska nyt en nähnyt alueen vesistöjä, jonka takia osa hisseistä alkoi vesialueilta ja niin ikään osa rinteistä päättyi vesistöön (kuva 7)! Vaikka talvella nämä vesialueet ovatkin jäässä, ei tämä suunnitelma ole kovinkaan intuitiivinen tai käyttäjäystävällinen.

 

Ei muuta kuin rinteiden reitit ja hiihtohissit uusiksi. Kuvassa 8 on valmis kartta Encoresta ja sinne alustavasti kaavailtujen toimintojen sijainneista. Kuvassa 9 on samainen alue 3D-versiona, jossa vaihdoin taustakartaksi Imagery-kartan. Pisimmästä rinteestä tuli noin 1210 meträ pitkä (toiseksi pohjoisin keskivaikea rinne).

 

Itse visualisoinnista tuli todella yksinkertainen, ja esimerkiksi laskettelurinteitä olisi voinut digitoida alueelle enemmän. Pohjaslaen alue ei todellisuudessa liene ihanteellinen laskettelukeskukselle, koska alueella on paljon vesistöä ja melko vähän tasaista aluetta palveluiden sijoittamista varten. Lisäksi muistin jo tässä raporttia kirjoitellessani, että todella lähellä tätä uuden laskettelukeskuksen aluetta sijaitsee Pyhätunturin laskettelukeskus, ja Google Maps antoikin etäisyydeksi linnuntietä noin 30 kilometriä. Melkoinen lasketteluklusteri kehkeytyisi siis tästä alueesta.

Tämän viikon harjoitustyön hiomista olisi voinut jatkaa loputtomiin, mutta tässä vaiheessa aikapaine tuli vastaan, jonka johdosta oma työni jäi mielestäni melko yksipuoliseksi ja simppeliksi. Tein alueelle myös Aspect-tason, joka selvensi rinteiden viettosuunnan, mutta en oikeastaan hyödyntänyt sitä laskettelukeskuksen toimintoja suunnitellessani; hyödynsin siinä lähinnä vain korkeuskäyriä ja uudelleenluokiteltua slope-tasoa. Työn tekeminen hahmotti ja kertasi kuitenkin ArcGIS:n keskeisimpiä ominaisuuksia – yleisimpiä rasteri- ja vektorianalyysejä, digitointia sekä karttojen visualisointia niin 2D:nä kuin 3D:näkin.

Tämän viikon harjoituksen aihe oli mielenkiintoinen ja luova: harjoituksessa tutkittiin Kevon kanjonin alueen mobiililaitteiden kuuluvuusalueita. Näitä alueita selvitettiin ArcGIS:n Visibility-työkalun avulla. Päästiinpä tällä viikolla myös nostalgisiin TEM-kurssin tunnelmiin vaellusreitin digitoimisen parissa!

Harjoitusaineisto sisälsi Maanmittauslaitoksen Kevon alueen korkeusmallin, joka on laajempi edellisten viikkojen korkeusmalleihin verrattuna. Lisäksi aineisto sisälsi Kevon alueen linkkimastot pisteaineistona (Maanmittauslaitos).

 

1. Näkyvyysanalyysin valmistelu ja reitin digitointi

Ensimmäisenä päästiin työntämään kädet saveen ja muistelemaan menneitä, kun suunniteltiin ja digitoitiin vaellusreitti Kevon tutkimusasemalta Karigasniementien parkkipaikalle. Open Street Map tarjosi polkureitit, joita pitkin sitten päästiin tuttuun kliksuttelun makuun. Itse digitointi oli tuttua puuhaa vuoden takaiselta Tiedon esittäminen maantieteessä -kurssilta. Tähän aikaa meni arviolta noin tunti. Digitonnin jälkeen valmis reittiviiva muutettiin kolmiulotteiseksi korkeusmallia mukailevaksi viivaksi Interpolate Shape -työkalun avulla. Kuvassa 1 on karttakuva korkeusmallista sekä digitoimastani vaellusreitistä, jonka pituudeksi muodostui 65,65 km (Measure Features -työkalu).

 

 

2. Kuuluvuusalueet

Seuraavaksi ryhdyttiin viikon pääteeman kimppuun, eli GSM-verkon tutkimiseen vaellusreitin alueella. Analyysissa oletettiin yksinkertaisuuden vuoksi, ”että GSM-signaalit eivät kuulu maastoesteiden taakse” (harjotusohje), koska niin sanottu suora yhteys (line-of-sight) puhelimen ja tukiaseman välillä takaa parhaan mahdollisen signaalin.

Homma aloitettiin näkyvyysanalyysilla, joka toteutettiin Visibility-työkalun avulla. Näkyvyysanalyysi ”määrittelee yhdestä tai useammasta pistekohteesta näkyvät alueet” (Holopainen et al.) Näkyvyysanalyysit voivat olla niin sanottuja Vievshed analyysejä, joissa on useita katselupisteitä, tai Line of Sight -analyysejä, joissa on yksi katselupiste (luentodiat).

Työkalussa oli monen monta eri parametria ja ominaisuutta, jotka kyllä tulivat tutuiksi, kun myöhemmin Visibility-työkalua käytettiin uudestaan (ja erinäisten ongelmien vuoksi toistojakin tuli runsaasti itselleni). Työkalu vaikuttaakin monipuoliselta ja se antaa melko tarkan lopputuloksen, kun työkaluun syötetään esimerkiksi korkeus maanpinnasta (tässä tapauksessa 2 metriä, jolla puhelinta voisi pidellä) ja maksimietäisyys (tässä tapauksessa 35 km, ”joka on ollut GSM:n teoreettinen maksimikantama”). Itselleni ei ihan auennut, että mitä analyysin tuloksena saadut seitsemän eri luokkaa tarkoittavat. Kenties sitä, että kuinka monen maston signaali aina tiettyyn rasteriin yltää?

Analyysin tekemisen jälkeen tämä rasteritaso muutettiin Reclassifyn avulla polygonitasoksi: 0-arvot, eli kuuluvuusalueen ulkopuoliset pikselit, saivat arvoksi NODATA, ja kaikki muut arvon 1. Tämä muutettiin vielä polygoniksi Raster to Polygon -työkalulla. Tämän jälkeen Erase-työkalun avulla selvitettiin vaellusreitin katvealueet, eli johon ei yhdenkään maston signaali yllä. Tämä työkalu poisti ne vaellusreitin osat, jotka olivat kuuluvuusalueen sisäpuolella ja jätti jäljelle vain reitin katvealueet. Kuvassa 2 on valmis lopputulos näiden analyysien jälkeen.

 

Vaellusreitin katvealueen pituus on 36,61 km, eli noin 55,8% koko vaellusreitistä. Analyysi antaa suuntaa-antavan arvion vaellusreitin GSM-kuuluvuudesta, mutta sitä voisi parantaa esimerkiksi ottamalla huomioon myös sen, että GSM-signaalit voivat kulkeutua maastoesteidenkin taakse esim. heijastumalla. Käytännössä en osaa sanoa, miten tämä otettaisiin huomioon. Ehkä vain suuntaa-antavasti pienentämällä katvealuetta jonkin verran?

 

3. Näkyvyysanalyysi reitin katvealueesta

Seuraavaksi päästiin leikkimään GSM-verkkoinsinööriä tms, kun tehtävänä oli sijoittaa alueelle yksi uusi tukiasemamasto sopivaan sijaintiin. Päätin sijoittaa maston tasaiselle alueelle lähelle vaellusreittiä (kuva 4).

Tämän jälkeen päästiin päästiin näkyvyysanalyysin pariin, mutta tällä kertaa vaellusreitin katveosuuksien pohjalta. Näkyvyysanalyysin pyörittämisessä menikin tovi aikaa, koska analyysi tehtiin koko vaellusreitin pituudelta. Tärkeää oli muistaa asettaa analyysin resoluutiota pienemmäksi, jotta analyysin laskentaan ei kuluisi monta päivää (itse asetin solukooksi 100), sekä Processing extent tutkittavan alueen kokoiseksi, kuten edelliselläkin kerralla. Kuvassa 5 on valmis lopputulos.

Totta puhuen nyt en ole varma, että mitä yksikköä kartassa esitetyt luvut ovat, eli mitä 1880 Observers tarkoittaa. Oletan kuitenkin, että mitä suurempi arvo, niin sitä parempi kuuluvuus tällä rasterilla on. Itse määrittelemäni uuden maston sijainti sijaitsee noin 9,87 kilometrin päässä suurimman rasterin 1880 arvosta (Measure distance; kuva 6). Ei hirveän kaukana siis, jes!

Resoluution pienentäminen luonnollisesti vaikuttaa analyysin tuloksen tarkkuuteen. Tässä analyysissa yhden rasterin koko oli 100 m x 100 m, kun aiemmassa näkyvyysanalyysissa se oli noin 10 m x 10 m. Analyysin tulos oli siis kymmenenkertaisesti karkeampi.

 

4. Uudet kuuluvuusalueet

Kun uusi tukiasemamasto on pystytetty, niin kuuluvuusanalyysi tehtiin uudestaan sisällyttäen mastot-tasoon uusi tukiaseman piste. Se lisättiin paikoilleen Create-työkalulla. Tämän jälkeen tehtävän 2 toimenpiteet tehtiin uudestaan. Työvaiheet eivät kuitenkaan omalla kohdallani sujuneet lainkaan yhtä jouhevasti kuin edellisellä kerralla – Visibility-työkalu huusi tuntematonta Erroria alvariinsa (kuva 7). Eteneminen vaati pari kertaa ArcGIS:n uudelleenkäynnistämisen (tästä tuli mieleen eräs sitsilaulu). Visibilystä on olemassa kaksi versiota, 3D Analyst Tool ja Spatial Analyst Tool, joista toinen ainakin tuntui toimivan paremmin tässä tapauksessa; sitä käytettäessä ei tullut Erroria. ModelBuilderin käyttö olisi ollut hyödyllistä ja jouheuttanut työskentelyä huomattavasti, mutta oppimiskokemuksena tämänkin voi ottaa.

 

Kuvassa 8 on valmis lopputulos tästä paremmasta kuuluvuusalueesta. Lisäsin viereen kuvan 2, eli GSM-verkon kuuluvuusalueen ennen uuden maston pystyttämistä. En tiedä miten olisin saanut kuuluvuusalueet selville muuten kuin Measure Features -työkalulla, joka valitsi kerrallaan vain osan polygoneista. Valitsin kummastakin kuuluvuusaluekartoista samat kolme polygonia, joista vanhan kuuluvuusalue on tämän mukaan kooltaan noin 3202 km², ja uuden koko noin 3318 km², eli kuuluvuusalue olisi uuden maston kanssa noin 4% kattavampi. Tämä ei tosin ole luotettavaa tietoa juuri edellä mainitun seikan takia.

BONUS: 3D-visualisointi

Tämän viikon bonus-tehtävä vaikutti sen verran mielenkiintoiselta, että päätin tarttua toimeen ja tehdä senkin. Aiheena oli tutustua ArcGIS:n 3D-ominaisuuksiin ja tehdä 3D-visualisointi Kevon kanjonin alueesta. Liitin tähän karttaan tasot sekä itse 3D-vaellusreitistä (keltainen viiva) että vaellusreitin katvealueista (punainen viiva). Näiden reittien korkeustiedot on saatu niiden geometrisista Z-arvoista. Muutin näiden viivatasojen Cartographic offset -parametreja kahdella metrillä, jotta ne erottuvat muusta maastosta hiukan paremmin. Kuvassa 9 on yksi osuus tästä reitistä – muistuttaa Google Earthin 3D-näkymän tutkailua.

Mitä jäi käteen?

Näkyvyysanalyysit ovat kiinnostavia työkaluja, joita voi hyödyntää moneen niin yhteiskuntasuunnittelussa kuin vaikkapa soveltaen tällaisessa puhelinverkon tukiasemien sijoittelussa, jolloin saadaan selville kuuluvuusalue. Itse tekemällä vasta ymmärtää konkreettisesti sen, kuinka monipuolisiin toimintoihin erilaisia paikkatietoanalyysejä voi todellisuudessa hyödyntää. Tämä innostaa ja inspiroi oppimaan lisää paikkatietoanalyysien tekemisestä ja niiden hyödyntämisestä mitä monipuolisimpiin teemoihin. Visibility-työkalun kanssa sekoilu muistutti ModelBuilderin kätevyydestä, ja sitä täytynee rohkeammin hyödyntää tarvittaessa tulevissa harjoituksissa!

 

Lähteet

Holopainen et al. (2015). Geoinformatiikka luonnonvarojen hallinnassa. Helsingin yliopiston metsätieteiden laitoksen julkaisuja 7. s. 87-91

Tällä viikolla jatkettiin rasterianalyysien parissa. Käsittelyalustana toimi SYKE:n toimittama CORINE Land Cover 2018, joka kuvaa koko Suomen maanpeitetta ja maankäyttöä vuonna 2018, kuitenkin tähän harjoitukseen rasterikartasta on leikattu vain osa Pohjois-Lapista. Tämä avoin aineisto koostuu sekä rasterimuotoisesta että vektorimuotoisesta paikkatietokannasta. ’rasteriaineiston spatiaalinen resoluutio on 20 x 20 m. Se on tuotettu SYKE:n valmiista paikkatietoaineistoista ja satelliittikuvatulkinnan pohjalta; vektoriaineisto taas on tuotettu yleistämällä rasteriaineistoa. Eri värit tarkoittavat eri maanpeiteluokkia.

Corine-aineiston muokkaus

Seuraavaksi Corine-aineistosta leikattiin Clip Raster -työkalulla Kevon kanjonin alueen kattava piparkakkumuotti, johon hyödynnettiin uomat_100k-aineistoa. Tälle leikatulle rasteriaineistolle tehtiin tietokantaliitos Add Join -toiminnon avulla. Aineistoon liitettin maanpeiteluokat sisältävä taulukko, jotka liitettiin yhteen rasteriaineiston Value-kentän ja taulukon Value-sarakkeita avainkenttinä käyttäen. Tämän johdosta rasteriaineiston attribuuttitaulu sai paljon lihaa luidensa ympärille, ja rasterikuva visualisoitiin tarkimman, eli Level4Suomi-sarakkeen perusteella. Kuvassa 2 on nähtävillä valmis karttavisualisointi.

Aineistossa on monta eri luokkaa samankaltaiselle maanpeitteelle, esimerkiksi lehtimetsät sekä kivennäis- että turvemaalla. Sisällytin karttavisualisointiin myös aiemman uomat_100k-aineiston. Päätin visualisoida nämä samat pääluokat samoilla väreillä. Kevon kanjonin alue koostuu pääosin varvikosta ja nummesta. Metsätyypeistä lehtimetsää on alueella etenkin, etenkin kanjonin välittömässä läheisyydessä. Myös sekametsää esiintyy laikuittain. Avosoitakin esiintyy alueella.

Soveltuvuusanalyysin kimppuun

Aineiston muokkauksen ja visualisoinnin jälkeen päästiin itse viikon pääagendan pariin, eli telttapaikan valintaan. Tätä varten eri aineistoille asetetaan kriteerejä, ”joiden perusteella malli valikoi kaikki kriteerit täyttävät pikselit” (harjoitusohje). Tämä toimii siten, että halutut ominaisuudet muutetaan arvoksi 1 ja muut arvoksi 0. Soveltuvuusanalyysia varten työskentelytilaan lisättiin edellisten kurssikertojen aineistoja: KevoDEM-korkeusmalli, Aspect-taso rinteiden suuntaa varten, uomadata uomat_100k ja Slope-taso rinteen jyrkkyyttä varten. Sekä rinteiden jyrkkyys että rinteen suunta ovat johdannettu korkeusmallista. Lisäksi korkeusmallista voisi laskea esimerkiksi ensisijaisen valumasununan, valuman leveyden tai rinteen/valuman pituuden (Holopainen et al. 2015).

Telttapaikalle on monia kriteereitä, joista ensimmäinen on se, että sen tulee sijaita alle 260 metrin korkeudella. Tähän käytetään ModelBuilder-työkalua, jonka avulla työvaiheet havainnollistuvat sekä prosessit saadaan ketjutettua ja automatisoitua. ModelBuilderiin lisättiin korkeusmalli ja Reclassify-funktio, jossa itse aineiston luokittelu tehtiin. Kuvassa 4 on näiden toimenpiteiden jälkeinen tulos, jossa vihreällä näkyvät ne alueet, jotka sijaitsevat alle 260 metrin korkeudella.

Seuraava kriteeri on, että telttapaikan sijainnin rinteen tulee suuntautua välille itä – etelä – länsi. ModelBuilderiin lisättiin Aspect-taso ja tehtiin samat temput kuin äskenkin: arvot 90-270, eli idästä länteen, saivat arvon 1 ja muut arvon 0. Jostain syystä vesistöt saivat automaattisesti arvon -1. Kuvassa 5 on tummanpunaisella oikeaan suuntaan osoittavat rinteet telttapaikan suhteen.

Seuraava kriteeri on, että ”leiripaikan maanpeite tulee olla lehti-, seka- tai havumetsä kivennäismaalla, tai lehti- tai sekametsä turvemaalla.” ModelBuilderiin lisättiin CORINE-aineisto, ja Reclassifylla vaihdettiin sopivien maanpeitten arvoksi 1 ja muut nollaksi. Kuvassa 6 on tummansinisellä maanpeitteen puolesta sopivat paikat telttapaikalle.

Kriteerinä on myös, että ”leiripaikan tulee sijaita korkeintaan 200 m etäisyydellä vesiuomista”. Taas kerran uomat_100k lisättiin ModelBuilderiin, mutta tällä kertaa käytettiin Euclidean Distance -funktiota. Output cell sizen arvoksi laitettiin 10, ja tämän jälkeen Raster Calculatorilla laskettiin ne pikselit, jotka ovat korkeintaan 200 metrin päässä vesiuomasta. Kuvassa 7 on tummansinisellä kriteerin täyttävät kohdat.

Lopuksi rinteen jyrkkyys saa olla maksimissaan 10 astetta, eli arvoille 0-10 määritettiin uudeksi arvoksi 1.  Kuvassa 8 on vihreällä ne alueet jotka soveltuvat tähän kriteeriin.

 

Jokaisen toimenpiteen jälkeen piti muistaa painaa ylävalikosta ”Validate” ja ”Run”-näppäimiä, ja uudet karttatasot lisättiin vielä erikseen kartalle. Toimenpiteiden suorittamisessa kului luonnollisesti sitä enemmän aikaa, mitä enemmän käsiteltäviä tasoja oli. Mallin sai onneksi siistiin järjestykseen Auto Layout -painikkeella. Kuvassa 9 on mallin ulkoasu näiden kriteerien asettamisen jälkeen.

 

 

Tämän jälkeen Raster Calculatorilla lastettiin kaikki kriteerit yhdeksi rasteriksi, jotta sopivat telttapaikat saadaan selville. Calculatorilla kerrottiin jokainen uudelleenluokiteltu taso keskenään, jotta jäljelle jäivät vaan ne rasterimuotoiset alueet, jossa täyttyy jokainen asetettu kriteeri. Tämä tulosrasteri pyöräytettiin vielä Reclassifyn läpi, jossa telttailuun sopimattomien paikkojen 0-arvot muutettiin NODATA:ksi. Tämä lopputulos muunnettiin vielä vektorimuotoon Raster to polygon -työkalulla. Kuvassa 10 on lopullinen malli, jossa jostain syystä korkeuskriteeri on aivan erillään muista.

 

Kuvassa 11 on valmis karttavisualisointi sopivista telttapaikoista mainittujen kriteerien perusteella Kevon kanjonin alueella. Muina kriteereinä olisi voinut hyödyntää esimerkiksi telttapaikan suojuutta, johon olisi tarvittu aineistoa latvuspeitosta. Sehän olikin tehty aiemman viikon harjoituksessa.

Vastaavalla mallilla voisi selvittää vaikkapa soveltuvat lintujen pesimispaikat tai vaellusreitit, jos kriteeriksi asetetaan vähäinen korkeusvaihtelu. Lopputuloksen telttapaikat näyttävät sijoittuvat kanjonin välittömään läheisyyteen tai jopa itse kanjoniin. Kanjonissa yöpyminen ei liene ihanteellinen hotellihuoneiston veroinen kokemus.

Mitä jäi käteen?

Tällä kurssikerralla tuli siis tutuksi hyödyllinen ModelBuilder-toiminto, jonka avulla kartanteossa tarvittavia ketjutuksia voi suorittaa kätevästi. Toki näin ensituntumalla opetteluun meni aikansa, eikä tekeminen ollut täysin puhdasta suorittamista – vastoinkäymisiä tuli esimerkiksi liian pitkien tiedostonimien kanssa. Sopivien telttapaikkojen analysointi ja visualisointi oli hauska idea, joka konkretisoi työvaiheiden ketjutuksen tärkeyden!

 

Lähteet:

Corine maanpeite 2018. SYKE, Helsinki. 30.11.2021. <https://ckan.ymparisto.fi/dataset/%7B0B4B2FAC-ADF1-43A1-A829-70F02BF0C0E5%7D>

Holopainen et al. (2015). Geoinformatiikka luonnonvarojen hallinnassa. Helsingin yliopiston metsätieteiden laitoksen julkaisuja 7. s. 81-85

Tällä viikolla jatkettiin edellisen viikon tutuista teemoista, Kevon kanjonin alueesta ja rasterianalyyseistä. Tällä kertaa soppaan otettiin mukaan Luonnonvarakeskuksen tarjoamia avoimia rasterimuotoisia puustoaineistoja. Nämä aineistot tarjoavat tietoa alueen puuston biomassasta, keskipituudesta ja latvuspeitosta. Biomassa tarkoittaa tarkasteltavan elollisen asian yhteispainoa tietyllä pinta-alalla. Metatiedostosta LUETAMA-2019 selviää, että aineiston spatiaalinen resoluutio, eli kuva-alkion koko, on 16 m x 16 m ja biomassan yksikkö on 10 kg / ha. Tiedostossa on esitelty kattavasti se, miten aineisto on tuotettu: aineiston tuottamiseen on käytetty esimerkiksi ilma- ja satelliittikuvia sekä maastomittauksia.

Kokonaisbiomassan laskeminen

Ensimmäiseksi laskettiin eri puulajien kokonaisbiomassat kartan alueella. Se tehtiin Raster Calculator -työkalun avulla, jossa eri tasojen (esimerkiksi männyn juuret, neulaset, runkokuori jne.) sisältämät biomassaositteet summattiin yhteen. Lopputulos jaettiin vielä arvolla 100, jotta yksiköksi saatiin 1000 kg / ha alkuperäisen 10 kg / ha sijaan. Tämä tekee datasta helpommin ymmärrettävää. Tämä sama yhteenlasku tehtiin jokaisen puulajin (mänty, kuusi ja lehtipuut) kanssa, jonka jälkeen visualisoin tulokset kokonaisbiomassakartoiksi (kuvat 1-3).

 

 

 

 

 

 

 

Kartoista näkee sen, että Kevon kanjonin alueella lehtipuita on määrällisesti eniten, mutta männyn kokonaisbiomassan maksimiarvo on suurin (80 640 kg/ha). Kuusen kokonaisbiomassa-arvot poikkeavat suuresti muista maksimin ollessa vain 35 220 kg/ha. Biomassaositteita tarkasteltaessa voi huomata, että kuusipuiden latvojen biomassa on monta kertaa pienempi muihin puihin verrattuna (maksimiarvo 59 vs männyn 386 ja lehtipuiden 1525). Kevon kanjoni sijaitsee Utsjoella, eli se kuuluu kasvillisuusvyöhykkeeltään tundra-alueeseen. Alueella siis vallitsee ympärivuotinen ikirouta, eikä siellä luontaisesti kylmyyden takia ole paljon puustoa ja muutenkin kasvillisuus on kitukasvuista, mutta kanjonin suojassa sitä kasvaa jonkin verran. Kokonaisbiomassakartat värjäävätkin vihreiksi juuri Kevon kanjonin välittömän ympäristön (vrt. KevoDEM-korkeusmalli, kuva 4).

Etäisyysbuffereiden luominen ja tilastollisten tunnuslukujen laskeminen

Seuraavaksi soppaan otettiin mukaan viime kerralla luotu taso uomat_100k. Tälle tasolle luotiin etäisyysrasteri Euclidean distance -työkalun avulla. Tätä kutsutaan myös vaikutusalueanalyysiksi, ja ”rasterimuotoisissa vyöhykkeissä rasterin arvoksi saadaan etäisyys kohteesta, joten se soveltuu monipuolisimmin jatkoanalyyseihin” (Holopainen et al. 2015). Tämä taso luokiteltiin uudelleen 200 metrin etäisyysluokiksi 1200 metriin asti jo tutulla Reclassify-työkalulla. Tuloksena kummastakin työkalusta saatiin mukavat sähköshokin näköiset kartat, jotka siis tekivät alueen jokiuomien ympärille luokitellut aluevyöhykkeet (kuvat 5-7).

Näiden hienojen toimenpiteiden jälkeen ryhdyttiin taulukkojen pyörittelyyn, kun biomassoista tehtiin tilastolliset tunnusluvut eri etäisyysvyöhykkeille. Tämä tapahtui Zonal statistics as Table -työkalulla. Muotoilin taulukot Excelissä (taulukot 1-3). Taulukon tunnuslukuja on pyöristetty.

Taulukkojen keskiarvot ovat samaa yksikköä kuin kokonaisbiomassat, eli 1000 kg / ha. Taulukon mukaan mäntypuita on jokaisella etäisyysvyöhykkeillä eniten (mikä on hämmentävää biomassakarttoihin peilattuna) ja kuusipuita taas jokaisella etäisyysvyöhykkeillä vähiten. Taulukon eri osista on hyvin lisätietoa ArcGIS:n omilla sivuilla (https://pro.arcgis.com/en/pro-app/latest/tool-reference/raster-analysis/zonal-statistics-as-table.htm).

Latvuspeittävyyden kimppuun

Seuraavaksi tutustuttiin Luonnonvarakeskuksen rasteriaineistoon puuston latvuspeittävyydestä edelleen Kevon kanjonin alueella. Puuston latvuspeittävyys VMI:ssa, eli Valtakunnallisessa metsien inventoinnissa (Luonnonvarakeskus), tarkoittaa tietyn alan puuston latvuksen peittämää osuutta. Metatiedostosta selviää, että se on arvioitu VMI10:ssä prosentteina (0-99). Latvuspeittävyys tarkoittaa sitä prosenttiosuutta, minkä tietystä pisteestä ylöspäin katsottuna puuston latvuus peittää – mitä isompi prosenttiosuus, sitä tiheämpi latvusto on.

Aineistopaketissa oli tiedostot kaikkien puiden ja puulajien yhteenlasketusta latvuspeittävyydestä, sekä lehtipuiden latvuspeittävyys. Raster Calculatorin avulla laskettiin havupuiden latvuspeittävyys vähentämällä kokonaislatvuspeittävyydestä lehtipuiden latvuspeittävyys. Kuvissa 8-10 on valmiit latvuspeittävyyskartat.

 

Palettiin tuotiin mukaan taas KevoDEM-korkeusmalli, joka uudelleenluokiteltiin Reclassify-työkalulla korkeusluokiksi 200 m, 300 m, 400 m ja 500 m merenpinnasta (kuva 11).

Tämän jälkeen havupuiden ja lehtipuiden latvuspeittävyyksien tilastolliset tunnusluvut laskettiin korkeusvyöhykeittäin tutulla Zonal statistics as Table -työkalulla, input rasterina käytettiin tätä äsken uudelleenluokiteltua KevoDEMmiä. Taulukoissa 4-5 on tunnusluvut Excelissä muotoiltuna (lukuja on pyöristetty).

 

Havupuiden latvuspeittävyyden minimiarvo -1 on hämmentävä, enkä osaa sanoa, mistä sen ilmestyminen johtuu. Korkeusvyöhykkeellä 0-200 m mpy on suurin latvuspeittävyys sekä havu- että lehtipuissa. Havupuiden latvuspeittävyys on korkeusvyöhykkeellä 300-400 suurempi kuin korkeusvyöhykkeellä 200-300, lehtipuilla taas toisin päin.

Loppukaneetiksi kuva Kevon kanjonista, jonka parissa tehdään hommia ensi viikollakin!

 

Lähteet

Zonal Statistics As Table (Raster Analysis). Esri, ArcGis Pro. 25.11.2021. <https://pro.arcgis.com/en/pro-app/latest/tool-reference/raster-analysis/zonal-statistics-as-table.htm>

Holopainen et al. (2015). Geoinformatiikka luonnonvarojen hallinnassa. Helsingin yliopiston metsätieteiden laitoksen julkaisuja 7. s. 61-65

Tällä viikolla aloitettiin muutaman viikon kestävä kokonaisuus, jossa luotavia aineistoja tullaan käyttämään myös parin seuraavan viikon harkoissa. Sukellamme rasterianalyysien maailmaan, jolla tarkoitetaan ”rasteriaineistojen vastinpikseleiden vertailua aritmeettisin ja loogisin operaatioin” (Holopainen et al.) Rasteriaineistossa jokaisella solulla onkin jokin arvo, ja jos se puuttuu, solu saa arvoksi merkinnän ”NoData”. Lähtöaineistona käytettiin Maanmittauslaitoksen avointa dataa, rasterimuotoista DEM-korkeusmallia Kevon kanjonin alueelta, Utsjoen kunnan alueelta. Lisäksi aineistona oli alueen 1:100 000 maastokartta ja mustavalkoinen ilmakuva. Korkeusmalliaineistosta johdannettiin monia eri työkalujen avulla useita karttaesityksiä, jotka paljastavat alueesta eri asioita.

Aineiston tarkastelua ja visualisointia

Kuvassa 1 on nähtävillä KevoDEM-korkeusmalli. Sen Properties-ikkunasta löytyy eri tietoja tästä tasosta: sen projisoitu koordinaattijärjestelmä on EUREF FIN TM35FIN. Yksiköt vaakasuunnassa ovat metrejä, ja korkeussuunnassa ilmeisesti metrejä merenpinnan yläpuolella (tätä tietoa en suoraan löytänyt Properties-ikkunasta). Korkeusmallin spatiaalinen resoluutio, eli pienimmän erottuvan kohteen koko (solun koko) on 2m x 2m. Alueen koko on noin 36 km², koska yhden sivun koko on noin 9 km. Alueen korkeimmat kohdat vaikuttavat olevan kanjonin vieressä kukkuloilla ja matalimmat kohdat luonnollisesti kanjonissa: korkein kohta on 422,735 mmpy  ja matalin kohta 145,9 mmpy – ruskeat kohdat ovat korkeita ja vihreät matalia. Alueella on siis liki 280 metriä korkeusvaihtelua.

 

 

 

 

 

 

 

 

 

 

Seuraavaksi tästä tasosta luotiin Hillshade-työkalun avulla vinovalovarjostus, joka on nähtävissä kuvassa 2. Vinovalovarjostuksella isoimmat korkeuserot erottuvat hyvin, mutta tarkkaa pinnanmuotojen tutkailua sillä ei voi kovin helposti tehdä. Tein vinovalovarjostuksen kahdella eri Azimuth ja Altitude –parametrien oletusarvoilla: ensimmäisenä oli oletukset 315 ja 45, toisena ”realistisempi” Suomen olosuhteisiin nähden, 180 ja 35 (kuva 3). Eri valaistusolosuhteet paljastavat kartalle eri painanteita.

Tämän jälkeen Contour-työkalun avulla luotiin alueelle korkeuskäyrät visualisoivat selkeästi Kevon kanjonin ympäristön pinnanmuotoja. Tässä tapauksessa valitsin käyräväliksi 10 metriä – tämä lukuarvo täytyy valita aina tutkittavan alueen mukaan. Jos alueella ei ole paljon korkeuseroja, silloin pienempi käyräväli riittää visualisoimaan korkeuseroja. Kuten kuvasta näkee, kanjonit reunat ovat niin jyrkkiä, että korkeuskäyrätasossa ne näkyvät vain paksuina ruskeina viivoina, kun korkeuskäyriä on niin tiuhasti. Selkeiten mielestäni alueen korkeutta visualisoi korkeuskäyrien ja alkuperäisen KevoDEM-korkeusmallin yhdistelmä (kuva 5).

Korkeusmallin johdannaiset

Seuraavaksi luotiin lisää tasoja palettiin Slope- (rinteen jyrkkyys) ja Aspect-työkaluilla (rinteen viettosuunta). Yleisesti ottaen työkalujen käyttö on ArcGis Prolla yksinkertaista ja samankaltaista eri työkalujen kesken: Input rasteriksi laitettiin lähtöaineisto KevoDEM, ja Output raster tallennettiin viikon kansioon, josta sen löytää myöhemmin. Kuvassa 6 on valmis Slope-taso.

Kuten kuvasta 7 näkee, tälle tasolle tuli oletusasetuksilla todella monta luokkaa. Nämä luokat kertovat asteina alueella olevan rinteen jyrkkyyden. Pienien värierojen takia rinteiden jyrkkyyttä on hyvin hankala tutkia silmämääräisesti asteen tarkkuudella, mutta yleispiirteisesti tämä karttataso kertoo sen minkä pitääkin. Rinteiden jyrkkyys vaihtelee 1,72 asteen ja 90 asteen välillä, eli kanjonin seinämät ovat lähes tulkoon pystysuoria.

Seuraavaksi luotiin rinteiden viettosuunnat kertova Aspect-taso (kuva 8). Tuloksena oli väripläjäys, jonka luokkien selitykset ovat nähtävillä kuvassa 9. Muutin tasoa läpinäkyvämmäksi, koska korkeuskäyriin yhdistettynä tätä tasoa on helpompi tulkita. Taso on luokiteltu eri värisiin luokkiin sen mukaan, minne ilmansuuntaan mikäkin rinne viettää.

Hydrologinen mallinnus

Sitten päästiin harjoituksen ”ytimeen”, eli hydrologisen mallinnuksen pariin. Tavoitteena on arvioida veren virtausta tällä tutkittavalla Kevon kanjonin alueella, ja käytännössä tämä tapahtuu vertaamalla yksittäisten pikselien arvoja niitä ympäröivien pikseleiden arvoihin. Veden potentiaaliseksi virtaussuunnaksi määräytyy se, jossa naapuripikselin arvo pienenee eniten, eli vesi virtaa ”jyrkimpään alamäkeen” (harjoitusohje).

Ensimmäiseksi Flow Direction -työkalulla tehtiin yksinkertainen valuma-alueiden ja virtojen mallinnus, jonka jälkeen Sink-työkalulla etsittiin alueen kuopat rasterimuodossa. Nämä kuopat muutettiin vektorimuotoon Raster to Point -työkalulla (kuva 10).

Hydrologisen mallinnuksen onnistuakseen nämä alueen kuopat pitää täyttää, joka hoitui Fill-työkalun avulla. Tästä syntyneelle tasolle tehtiin taas Flow Direction -työkalulla valuma-alueiden ja virtojen mallinnus

 

Seuraavaksi luotiin itse valuma-alueet Basin-työkalulla. Nämä rasterimuotoiset alueet muutettiin vektorimuotoisiksi Raster to Polygon -työkalulla, jonka lopputulos on kuvassa 13.

 

Valuma-alueita on tarkasteltavan alueen pohjois-, etelä- ja itäosissa rinteiden juurella. Valuma-alueet alkavat rinteiden päältä ja suuntautuvat rinteiden viettosuuntien mukaisesti. Kuvassa 14 on alueen eteläosassa olevia virheellisiä valuma-alueita. Nämä voivat kieliä ongelmista valuma-alueiden määrittelyssä tai vektorimuunnoksessa.

Lopuksi määritettiin alueen potentiaaliset uomat Flow Accumulation -työkalulla. ”Mitä suurempi Flow Accumulation -tason arvo on, sitä useammasta pikselistä vesi valuu kyseiseen pikseliin” (harjoitusohje). Reclassify-työkalun avulla tutkin eri rajauksien avulla, mitä uomia eri Flow Accumulation -tason arvot kartalle luovat.

Kuvasarja 15-17 visualisoi sen, että mitä pienempi Flow Accumulation -tason arvo on, sitä enemmän työkalu piirtää kartalle uomia. Uomat 20k olisi tässä tapauksessa näistä kolmesta toimivin ja realistisin verrattuna maastokarttaan (kuva 18). Mitä pienempi raja-arvo on, sitä enemmän sitä enemmän on myös erikoisen muotoisia uomia (kuva 19). Tämä voi johtua esimerkiksi rasteriaineiston epätarkkuudesta.

Kuvassa 20 on valmis karttavisualisointi luoduista uomista ja valuma-alueista.

Huh, tulipas paljon tekstiä ja kuvia, mutta tämä harjoituskerta toimi hyvänä pohjana eri karttatasojen luomiseen ja hydrologisen mallinnuksen maailmaan! Tästä on hyvä jatkaa kohti tulevien viikkojen kujeita.

 

Lähteet

Holopainen et al. (2015). Geoinformatiikka luonnonvarojen hallinnassa. Helsingin yliopiston metsätieteiden laitoksen julkaisuja 7. s. 51-53

Kas niin, reilun puolen vuoden tauko geoinformatiikan menetelmiin perehtymisestä on vierähtänyt. Tällä Geoinformatiikan menetelmät 2 -kurssilla jatketaan oikeastaan siitä, mihin ensimmäisen menetelmäkurssin lopuksi jäätiin – esimerkiksi erilaisiin paikkatietoanalyyseihin syventymistä, ja lisäksi tutustutaan korkeusmalleihin ja interpolointiin. Päätin itse jatkaa raporttien kirjoittamisessa tämän kurssiblogin käyttöä, koska sen avulla on mukava reflektoida jo opittuihin asioihin. Kurssilla käytetään ArcGis Pro -ohjelmistoa, mikä ainakin ensituntumalta vaikuttaa selkeämmältä, helppokäyttöisemmältä ja kenties monipuolisemmalta ohjelmistolta kuin jo tutuksi tullut QGIS – ulkoasu muistuttaa hieman Microsoftin omia sovelluksia. Päätin itse vaihtaa etäryhmästä lähiryhmään, kun huomasin siellä vielä olevan paikan vapaana. Lähiharjoituskerrat tuovat mukavaa vaihtelua ja vuorovaikutusta kurssikamujen kanssa verrattuna pelkästään läppärin kanssa näpräilyyn. Olen innoissani kurssista ja siinä käsiteltävistä teemoista, ja uskon keväällä käydyn ensimmäisen gis-menetelmäkurssin tarjoavan hyvät eväät lähteä työskentelemään tämän kurssin puitteissa.

 

Tehtävä 1: Bufferointia

Viikon ensimmäisessä harjoitustehtävässä sukellettiin bufferianalyysien maailmaan tarkastelemalla Helsingin sisääntuloväylien, Lahdenväylän ja Vihdintien, ympäristöä ja maankäyttöä 250 metrin säteellä kyseisistä teistä. Aineistona harjoituksessa hyödynnettiin Helsingin seudun maanpeiteaineistoa 2020 (HSY), joka sisältää 9 eri maanpeiteluokkaa polygoneina, sekä HSY:n digitoimat viivat Lahdenväylästä ja Vihdintiestä. Koska ArcGis Pro on itselleni täysin uusi ohjelmisto, niin tämän viikon kummatkin harjoitustehtävät tein suoraan yksityiskohtaisia ohjeita hyödyntäen, ihan siitäkin syystä, ettei käytettävien työkalujen etsimiseen menisi turhan kauaa aikaa. Tavoitteenani onkin tulevissa harjoituksissa yrittää tehdä ne ennemminkin yleispiirteisiä ohjeita hyödyntäen, ettei tarvisi tukeutua pelkästään step by step -ohjeisiin. Uskoisin että sovelluksen käyttöliittymän sekä toimintojen sijaintien painuessa selkärankaan tämä onkin mahdollista.

Kuvassa 1 on näkyvillä ensimmäinen versio kartasta maanpeiteaineiston tuomisen ja sen visualisoimisen jälkeen. Päätin vielä myöhemmin muokata kartan värejä ja esimerkiksi muuttaa taustakartan värin harmaaksi, mikä selkeyttää tarkasteltavan alueen rajausta. Valmis kartta on nähtävissä kuvassa 2.

Kartanteon jälkeen olikin aika pureutua tehtävän ytimeen, eli bufferianalyysien tekoon. Bufferoinnin avulla “vektorimuotoisissa
vyöhykkeissä saadaan tuloksena uusi vyöhykepolygoni, jonka äärireuna noudattaa haluttua
etäisyyttä kohteesta” (Holopainen et al.) Bufferianalyysien teko oli yksinkertaista siihen tarkoitetun työkalun avulla – työkaluun syötettiin aineisto, jolle bufferi luodaan (Lahdenväylä ja Vihdintie), outputiksi uusi layer, jolle buffer tehdään, ja bufferin leveydeksi tässä harjoituksessa asetettiin 250 metriä. Tämän jälkeen maanpeiteaineisto leikattiin Clip-työkalulla, joka on jo iskostunut päähäni ”leikkaavana piparkakkumuottina”, joka luo uuden layerin leikkaamalla pohjalla olevan layerista bufferin muotoisen palan. Karttataso sisältää ainoastaan lähtölayerin, eli tässä tapauksessa maanpeiteaineiston, attribuuttitaulun kentät. Kuvassa 3 ovat nähtävillä bufferin tulokset.

Seuraavaksi vein buffereista tehtyjen layereiden attribuuttitaulukot Exceliin ja tein tuloksista piirakkadiagrammit. Kuten diagrammeista (kuva 4 ja kuva 5) näkee, Vihdintien ympäristössä on enemmän puustoa ja vettä läpäisemätöntä pintaa Lahdenväylän ympäristöön verrattuna. Lahdenväylällä puolestaan on enemmän avokalliota ja peltoa – tosin pelloksi luokiteltavaa aluetta on niin vähän, että se pyöristyi nollaan prosenttiin.

 

Tehtävä 2: Kaupunginosat ja Intersect

Viikon toisessa harjoitustehtävässä aineistona toimi maanpeiteaineiston lisäksi HSY:n luoma polygon-muotoinen aineisto Helsingin kaupunginosista. Tarkoituksena oli tutkia Kumpulan, Käpylän ja Toukolan alueiden maankäyttöä. Select By Attributes -työkalulla valittiin aluksi Kumpulan, Käpylän ja Toukolan sarakkeet ja nämä tallennettiin omaksi tasokseen. Seuraavaksi maanpeitetaso leikattiin kaupunginosatason mukaisesti Intersect-työkalulla. Intersect eroaa siis Clip-työkalusta siten, että sen luoman layerin attribuuttitaulu sisältää kummankin alkuperäisen layerin tietoja – yhdistettävät attribuutit saa itse valita. Samalla tavoin kuin Clip, Intersect rajaa aluetta toisen tason mukaan. Boolean-operaattorien mukaan Intersect toimii “and”-periaatteella

Tämän jälkeen maanpeiteaineiston luokat jaoteltiin kahteen luokkaan Calculate Field -työkalun avulla: ’luonto’ sisältää maanpeiteaineiston luokat vesistöt, matala kasvillisuus, avokalliot ja puusto, ’rakennettu’ sisältää kaikki muut, eli muu paljas maat, pellot, rakennukset, tiet ja vettä läpäisemätön pinta. Analyysin kannalta ”muu paljas maa”-luokan luokittelu tähän rakennettu ympäristö -luokkaan voi vääristää tuloksia, koska ”muu paljas maa” on käsitteenä niin epämääräinen, että se voi sisältää oikeasti luonto-kategoriaan kuuluvia alueita. Maanpeiteaineisto ”pohjautuu väri-infraortoilmakuvatulkintaan ja kuntien omiin paikkatietoaineistoihin” (HSY), jolloin esimerkiksi ilmakuvissa esiintyvät varjot hankaloittavat maanpeitteen tulkintaa ja luokittelua. Kuvassa 6 on karttavisualisointi näiden kolmen tutkittavan alueen maankäytöstä, ja kuvassa 7 tämä sama data Excelissä tehdyssä diagrammimuodossa.

Itse kartasta selviää suurpiirteisesti alueiden maankäytön jakaantuneisuus, mutta muuten se ei ole kovin informatiivinen eikä visuaalisesti miellyttävä – esimerkiksi Toukolan alueen muodostama piikki Vanhankaupunginselkään on epämääräinen ja vääristää tulosta. Diagrammeista selviää maankäytön pyöristetyt prosenttiosuudet.

 

Lähteet

Helsingin seudun maanpeiteaineisto. (2021). 09.11.2021. <https://www.hsy.fi/ymparistotieto/avoindata/avoin-data—sivut/helsingin-seudun-maanpeiteaineisto/>

Holopainen et al. (2015). Geoinformatiikka luonnonvarojen hallinnassa. Helsingin yliopiston metsätieteiden laitoksen julkaisuja 7. s. 60-65

Tässäpä vielä koottuna linkit jokaiseen blogitekstiini. Kiitos kurssista!

1: Tutustumista QGIS-ohjelmistoon

2: Projektioita ja Pohjois-Karjalaa

3: Konflikteja ja tulvaindeksejä

4: Ruuduista rastereihin

5: Pit stop analyysien merkeissä + itsereflektointia

6: Urbaania ristiretkeilyä ja hasardeja

7: La Grande Finale

Näin tultiin taas periodin ja samalla tämän kurssin loppuun. Tällä suurella finaalikerralla toiminta olikin täysin itseohjautuvaa; ohjeeksi oli annettu vain tehdä kartta tai karttasarja, jossa esitetään vähintään kaksi muuttujaa per kartta. Päätin heti tehdä aluerajauksen Eurooppaan, koska valtioita ja varieteettia tässä maanosassa on riittämiin.

Terveysmaantieteen ytimeen

Päätin heittäytyä tällä kertaa terveysmaantieteen pauloihin. Latasin karttapohjaksi Natural Earth Datan kartan “1:10m Cultural Vectors“, joka kattoi kaikki maailmamme valtiot. Vaihdoin projektioksi EPSG:3035-projektion, joka on sovitettu koko Euroopan alueelle ETRS89:n pohjalta. Suodatin attribuuttitaulukosta kaikki Euroopan valtiot ja poistin muut valtiot näkyvistä.

Sitten alkoikin datan tuonti. Valitsin ensimmäiseksi muuttujaksi vähintään 16-vuotiaiden henkilöiden itse kokemansa terveydentilan. Kysely on vuodelta 2019, ja kyseessä on kvantitatiivinen tutkimus, jossa on hyödynnetty 5-portaista kyselylomakkeetta, jonka vastausvaihtoehdot (ilmeisesti kysymykseen “Millaiseksi koet oman tämän hetkisen terveydentilasi?”) ovat “very bad”, “bad”, “fair”, “good” ja “very good”. Nämä vastaukset on sitten pisteytetty asteikolle 0-100, ja näin Euroopan valtiot saivat oman “terveysindeksinsä”. Valitettavasti tässä tietokannassa ei ollut dataa kaikista Euroopan valtioista, vaan mukana oli vain 32 valtiota. Noh, voiton puolella kuitenkin.

Vein taulukon Exceliin, jossa muokkasin valtioiden nimet vastaamaan pohjakartan attributtitaulukosta löytyviä nimiä. Tallensin taulukon csv-muodossa, ja toin sen rakkaaseen QGIS:iin “Add Delimited Text Layer” -toiminnon kautta. Tässä kohti piti hiukan säätää valintojen kanssa, jotta sain taulukon tuotua järkevän näköisenä ohjelmistoon. Säädön jälkeen liitin taulukon karttapohjaan “Join layer”-toiminnolla valtioiden nimet sisältävät sarakkeet yhdistäen. Ulkoasumuokkausten jälkeen tuloksena olikin luokiteltu teemakartta (kuva 1).

Toiseksi muuttujaksi halusin jonkin terveydentilaan luultavasti korreloivan tekijän, joten tuumasin liittää mukaan vuoden 2014 vähintään 15-vuotiaiden tupakoimattomien henkilöiden prosentuaalisen määrän. Tässäkään tietokannassa ei ollut dataa kaikista valtioista, josta kartalla muistuttavat puuttuvat luvut esimerkiksi Sveitsin, Serbian ja Pohjois-Makedonian kohdilta. Tein tälle tietokannalle samat Excel- ja liittämistemput kuin edelliselle kaverilleen. Päätin visualisoida tupakoimattomien määrää kartalla ihan prosenttilukuina, koska valtioiden välisissä prosenttiluvuissa ei ole niin suurta eroa, että ne erottuisivat toimivasti esimerkiksi ympyrädiagrammein kuvattuna.

Itseäni yllätti, että näiden kahden muuttujan välillä ei ole selvempää korrelaatiota. Joissakin valtioissa on verraten paljon tupakoitsijoita, mutta asukkaat kokevat silti terveydentilassa varsin korkeaksi (kuten Kreikka). Toki tähän vaikuttaa epätarkka muuttuja; hyvälle terveydentilalle voi olla erilaiset kriteerit eri valtioissa, ja ympärillä vallitsevat kulttuuri- ja elintapatekijät vaikuttavat väistämättä yksilön omaan terveydenkuvaansa. Rajatumpi muuttuja / tutkimuskysymys toisikin selkeämpää dataa Euroopan valtioiden asukkaiden terveydentilasta.

Muiden kurssilaisten tuotoksia selaillessani mieleeni jäivät Saaran ajankohtaiset vaalikartat, Amandan Eurooppaa koskevat pohdinnat hiilidioksidipäästöihin ja pienhiukkasille altistumiseen liittyen, sekä Annikan esteettiset ja monipuoliset teemakartat Yhdysvalloista (kojoottikartta on yksi lemppareistani koko kurssin tuotoksista).

Drive safe!

Bongasin Alexanderin blogista upean gif-kartan piratismista, ja halusin tämän myötä kokeilla itsekin tehdä kurssin viimeiseksi karttaesitykseksi jotain erilaista.

Latasin Paitulista Tilastokeskuksen shp-muotoiset aineistot, jotka sisältävät “Suomessa poliisin tietoon tulleet ja Tilastokeskukselle ilmoittamat henkilövahinkoon johtaneet tieliikenteen onnettomuudet, joilla on koordinaattitiedot” (Tilastokeskus) vuosilta 2011-2018. En saanut jostakin syystä vuoden 2013 aineistoa ladattua, joten se nyt jäi uupumaan. Halusin vertailla Helsingin kantakaupungissa tapahtuneita liikenneonnettomuuksia eri vuosina, joista toteutin “lämpökartoista” koostetun gif-animaation (kuva 2).

Käytännössä asetin pohjakartaksi QuickMapServices-pluginista löytyneen Google Mapsin, koska koin sen olevan toimiva peruskartta tähän tarkoitukseen: tiet ja oleellisimmat maankäyttömuodot on syytä näyttää tieliikenneonnettomuuksista kertovassa kartassa. Toin eri vuosien pistemuotoiset tieliikenneonnettomuusaineistot QGIS:iin ja muutin ne heatmap- eli lämpökartta-muotoon. Tämä esittää onnettomuudet klustereina; mitä enemmän ja vakavampia onnettomuuksia pienellä alueella on sattunut, sitä tummemman punainen siellä oleva piste on. Aineistot sisältävätkin sarakkeen onnettomuuksien vakavuudesta asteikolla 1-3, sekä onnettomuustyypit on jaoteltu eri kategorioihin, jotka ilmaistaan numeroilla. Olisi kiinnostava tutkia eri vakavuuksia sekä onnettomuustyyppejä jaoteltuina yksittäisiin karttoihin; nyt esitin kartalla vain kaikki raportoidut tieliikenneonnettomuudet sen kummemmin jaottelematta aineistoa.

QGIS:ssä olisi itsessäänkin ominaisuus gif-kuvien tekoon, joka edellyttää, että käsiteltävänä on vain yksi tietokanta. Yritinkin yhdistää tietokantoja yhdeksi massiiviseksi yksilöksi MMQGIS-pluginin merge-toiminnon avulla, mutta lopputulos oli noin puolillaan ERROR-sarakkeita, joten päätin suosiolla toteuttaa tämän gifin “manuaalisesti” tekemällä jokaisesta eri vuodesta oman kartan, ja yhdistämällä ne gifmaker.me -nettisivulla. Tämä onnistui, koska tarkasteltavana oli dataa vain seitsemän vuoden ajalta – laajemmassa aineistossa tällainen manuaalinen toimintatapa ei tulisi kuuloonkaan.

Itse animoidusta kartasta voi havaita sen onnellisen trendin, että liikenneonnettomuudet ovat laskussa. Vuoden 2011 taulukossa onnettomuuksia on kirjattu 6399 kappaletta, kun vuoden 2018 taulukossa niitä on 4311 kappaletta. Tätä havaintoa tukevat Tilastokeskuksen tilastot liikenneonnettomuuksista, joiden mukaan kuolleiden määrä on vähentynyt muutamalla kymmenellä 2010-luvun aikana; valitettavasti vakavasti loukkaantuneiden määrässä ei ole näin suurta eroa. Erityisesti Helsingin ydinkeskustassa liikenneonnettomuuksia tapahtuu luonnollisesti verraten paljon suuren liikennemäärän takia. Eritoten sään ääriolosuhteet johtavat suureen määrään onnettomuuksia kaupunkikeskuksissa, kun joukkoliikenne takkuaa, eikä suuria lumimääriä saada tarpeeksi nopeasti pois liikennöidyiltä teiltä. Valtaosa liikenneonnettomuuksista tapahtuukin Suomessa talvisin liukkaina aikoina. Tämän vuoden aloittanut Toini-pyrykin teki tuhojansa, minkä huomasi tammikuun uutisoinnista.

Mitä jäi käteen? Ruusuja, ei risuja

Kurssi oli kokonaisuudessaan inspiroiva. QGIS:llä värkkääminen toi konkretian tasolle sitä teoriaa ja käytännön alkeita (TEM muistoissain), joita syyslukukaudella (ja lukion mantsan kursseillakin) käytiin geoinformatiikasta, paikkatiedosta ja tiedon visualisoinnista. Kurssi tarjosi pintakosketusta syväluotaavamman katsauksen paikkatietoaineistojen laatuihin, tietokantojen pyörittelyyn, vapaan lähdekoodin paikkatieto-ohjelmiston monipuolisiin toimintoihin ja karttojen ulkoasujen hiomiseen liittyen. En koe, että etäopetus olisi vaikuttanut oppimistuloksiin negatiivisesti – Arttu Paarlahti kävi rauhallisella ja varmalla otteella läpi kattavasti niin paikkatiedon teoriaa kuin QGIS:n monipuolisia toimintoja. Suuret kiitokset siitä! Ajoittainen turhautuminen ja raastavat virheilmoitukset olivat sen arvoista; kurssi kasvatti jo ennestään kiinnostustani geoinformatiikan maailmaan ja siihen liittyvin vapaavalintaisiin opintokokonaisuuksiin.

Tietotaidon karttumisen lisäksi kurssi on tarjonnut mahdollisuuden reflektoida omia opiskelu- ja oppimistottumuksiani. Julkisen blogin pitäminen asettaa omat työvaiheeni ja työskentelytapani läpinäkyviksi niin itselle kuin muillekin. Pelkässä teknisessä suorittamisessa ohjelmiston käyttämisen prosessointi jäisi melko hataraksi, kun ei tulisi mietittyä tarkemmin, että mitä tuli tehtyä. Kohtasin selvästi sen seikan, että ratkaisu ongelmiin löytyy usein juuri silloin, kun ei turhautumisen keskellä suostu antamaan periksi – viiden minuutin päästä tilanne voi olla jo paljon aurinkoisempi.

Lopuksi kiitän kanssakurssilaisia luovista blogeista, monipuolisista karttaesityksistä ja henkisestä vertaistuesta, jonka tärkeys nousee arvoon arvaamattomiin näin etäaikoina. On motivoivaa nähdä, kuinka kurssilaiset auttavat toinen toistaan ja antavat creditit niille, joilta on saanut vinkkejä omaan tekemiseen – ilmapiiri kurssilla on ollut erinomainen. Erityiskiitos lukupiirille (Antti, Elena, Ilari, Lauri, Maria) jaetuista vuortenhuipuista ja syvistä laaksoista. Tsemppiä lukuvuoden vikaan periodiin kaikille!

 

Lähteet

Engelhardt, A. Lesson 7. The End of the Beginning. Luettu 6.3.2021. <https://blogs.helsinki.fi/alwengel/2021/03/03/lesson-7-the-end-of-the-beginning/>

Eurostat: Self-perceived health by sex, age and labour status. 2019. Haettu 5.3.2021. <https://ec.europa.eu/eurostat/databrowser/view/hlth_silc_01/default/table?lang=en>

Eurostat: Smoking of topacco products by sex, age and educational attainment level. 2014. Haettu 5.3.2021 <https://ec.europa.eu/eurostat/databrowser/view/HLTH_EHIS_SK1E__custom_644182/default/table?lang=en>

Heikkinen, S. Viimeinen kurssikerta. Luettu 5.3.2021. <https://blogs.helsinki.fi/heikkins/>

Innanen, A. Harjoitus 7: Karttoja omavalintaisista aineistoista. Luettu 5.3.2021. <https://blogs.helsinki.fi/anninnan/>

Natural Earth Data. 1:10m Cultural Vectors. <https://www.naturalearthdata.com/downloads/10m-cultural-vectors/>

Salmensuu, A. 7. Kurssikerta: Viimeinen harjoitus. Luettu 5.3.2021. <https://blogs.helsinki.fi/salmeama/>

Tieliikenneonnettomuudet (2011-2018). Tilastokeskus, Helsinki. Haettu osoitteesta <https://paituli.csc.fi/download.html>

Tieliikenteessä kuolleet ja vakavasti loukkaantuneet (2013-2020). Tilastokeskus. Haettu osoitteesta <https://www.liikenneturva.fi/fi/tutkittua/ajankohtaiset-tilastot>

Loppusuoralle on kaarrettu – tämä keskiviikkoinen aamu, ja samalla toiseksi viimeinen kurssikerta, polkaistiin käyntiin kevyellä happihyppelyllä, kun pääsimme itse keräämään dataa lähiympäristöstä Epicollect5-sovelluksen avulla. Itse toteutin tämän aamulenkkeilyn Haagassa kotini lähistöllä. Käytännössä siis jokainen kurssilainen keräsi sovelluksen tietokantaan tietoja yksittäisistä paikoista, joista arvioitiin esimerkiksi paikan turvallisuutta ja viihtyisyyttä. Tämän jälkeen nämä pistekohteet tuotiin QGIS:iin pääkaupunkiseudun kattavan karttapohjan kaveriksi. Pohja-aineiston tarkkuus yllätti: se esitti rakennukset todella yksityiskohtaisesti pieniä ulokkeita myöten (kuva 1).

Uutena tuttavuutena tällä kurssikerralla tuli interpolointi, jonka avulla pisteaineistosta voi laatia esityksen, joka ottaa huomioon pisteiden tiheyden ja niiden saamien arvojen perusteella luo teemakartan, jolla voidaan tarkastella tietyn ilmiön laskennallista esiintyvyyttä niilläkin alueilla, joista dataa ei ole kerätty. Kurssikerran tarkasteltiin, kuinka turvalliseksi kurssilaiset kokivat tutkimiaan alueita (kuva 2). Interpolointi vaikuttaa kiinnostavalta työkalulta, jonka avulla voi päästä ilmiöiden “taakse” tutkimalla juurikin sellaisia alueita, joilta dataa ei ole.

Riskimaantiedettä ja pedagogiikkaa

Kurssikerran itsenäistehtävissä tarkoituksena oli tällä kertaa luoda kolme hasardeista kertovaa karttaesitystä, joita voisi käyttää opetustarkoituksessa. Hauskaa kuvitella itsensä maantieteen opettajan saappaisiin – vastuu opettaa ajantasaista informaatiota helposti omaksuttavalla tavalla on suuri. Tässä ajatusleikissä toimin lukion hasardimaantieteen kurssin opettajana, mikä olikin omia lempikurssejani koko lukion oppimäärästä (vanhan opsin käyneenä).

Ensimmäiseksi kartaksi laadin interpoloidun karttaesityksen 01.01.2018 – 25.02.2021 esiintyneistä maanjäristyksistä ympäri maailman (kuva 3). Itse interpoloinnissa päätin käyttää “Use Layer Extent” -valintaa, joka rajasi interpoloinnin itse pisteisiin. Render-tyypiksi valitsin jo tutun “Singleband pseudocolorin“.

Taustakarttana käytin kurssikerran aineistossa valmiina ollutta maailmankarttaa, jonka muutin mustavalkoiseksi ulkoasun selkeyttämiseksi. Maanjäristysdatan latasin Yhdysvaltain Geologian Tutkimuskeskuksen, eli USGS:n sivuilta. Lisäsin karttaan litosfäärilaattojen rajat, jotka latasin Githubista, sekä olennaisimmat leveyspiirit, jotka löytyivät Natural Earth Datan nettisivuilta “Small Scale Data 1:100m Physical Vectors” -paketista (Geographic Lines).

Suurin osa seismisistä ilmiöistä tapahtuu litosfäärilaattojen reuna-alueilla, kun laatat eivät pääse liikkumaan tasaisesti toisiinsa nähden, vaan juuttuvat kiinni toisiinsa. Tällöin laattojen välinen jännitys kasvaa, ja lopulta kallioperän rikkoutuessa tämä jännitys vapautuu maanjäristyksenä. Kuuden magnitudin maanjäristys lasketaan voimakkaaksi, ja se on tuhoisa noin 150 kilometrin säteellä; näitä tapahtuu noin 130 vuosittain. Yhdeksän magnitudin järistys taas aiheuttaa valtavat tuhot jopa tuhansien kilometrien alueella. Onneksi näitä tapahtuu vain keskimäärin kerran 20 vuodessa!

Seuraavaksi lisäsin samaiselle karttapohjalle pisteaineiston kerrostulivuorista, jonka latasin National Oceanic and Atmospheric Administrationin (NOAA) sivuilta (kuva 4). Tämä havainnollistaa, kuinka tämä tulivuorityyppi esiintyy erityisesti mannerlaattojen saumakohdissa, alityöntövyöhykkeillä. Lisäsin karttapohjalle vielä pisteaineiston vuonna 2018-2021 havaituista tuhoa aiheuttaneista tsunameista, jonka datan latasin myös NOAA:n sivuilta (kuva 5).

Karttojen informatiivisuus

Valitsin näille kartoille esitettäviksi ilmiöiksi sellaisia hasardeja, jotka korreloivat toistensa kanssa. Sekä maanjäristysten, tulivuorten ja tsunameiden spatiaaliseen esiintyvyyteen vaikuttaa vahvasti litosfäärilaattojen sijainti ja erityisesti niiden reunakohdat, minkä takia halusinkin lisätä nämä laatat visualisoituna kartoille. Tsunameita syntyy merenalaisten maanjäristysten, maanvyörymien tai tulivuorenpurkausten seurauksena, minkä takia ne näyttävätkin osuvan yks-yhteen litosfäärilaattojen reunakohtien kanssa.

Käyttäisin näitä kuvia tukena oppitunneilla, joissa käsitellään litosfäärilaattoja, laattatektoniikkaa, mannerliikuntoja ja hasardeja yleisemminkin. Jätin tällä kertaa kartoista pois pohjoisnuolet ja legendat, koska karttapohjoista ei maailmankartassa tarvi ilmaista, ja kartoissa esiintyvät elementit selittäisin suu-sanallisesti – tosin näin jälkikäteen mietittynä maanjäristyksiä kuvaavaan karttaan voisi liittää legendan, joka selittää, että mikä väri kuvaa minkäkin magnitudin järistystä.

Näillä karttapohjilla voisi tutkia myös ihmistoiminnasta aiheutuvia hasardeja ja sosiaalisia riskejä, kun nämä omat esimerkkini nyt keskittyvät luonnonmantsan pyhimpään, jo yläkoulusta tankattuun ytimeen. Maailmankartassa voisi tutkia vaikkapa historian suurimpia öljyonnettomuuksia, joista tehdyn teemakartan esimerkki on täällä.

Suosittelen vilkaisemaan Ilarin ammattitaitoisia karttaesityksiä ja kattavia pohdintoja näihin liittyen! Lisäksi blogitekstissään Henna käy läpi innostavalla otteella konkreettisia esimerkkejä siitä, miten Epicollect5-sovellusta voi hyödyntää opetuksessa, sekä mistä asioista hasardimaantieteen opetuksessa voi oppilaiden kanssa keskustella.

—

Vielä vähän tämän hetken tuntemuksista. Kuten Roni kiteyttää blogissaan, jatkuva etäelämä todellakin syö pitkällä aikavälillä jaksamista.  Kuten viime viikkoina mediassa on keskusteltu, niin pitkään jatkunut etäopetus tuntuu hurjan kuormittavalta – minun ja tuhansien muiden korkeakouluopiskelijoiden mielestä. Kotona olevat virikkeet ja häiriötekijät ajavat turhan usein keskittymiskyvyn kauas kartoista ja geoinformatiikasta. Edes pari kertaa viikossa olisi hienoa päästä opiskelemaan täältä yksiön neljän seinän sisältä muualle, kuten kampukselle tai kirjastolle. Etäopetuksen “hybridimalli” olisi itselleni toimivin; osa luennoista voisi olla nykyisen kaltaisesti etänä, mutta juuri tällaiset käytännön tekemistä vastaavat kurssit olisi hyvin tärkeä pitää livenä opettajan ohjaamana. Nyt on vain tärkeää olla armollinen itselleen ja tehdä opintojen vastapainoksi jotakin sellaista jossa ajatukset saa ihan muualle – itselleni tällaisia aktiviteetteja ovat esimerkiksi juoksulenkkeily ja ruoanlaitto. Onneksi alati lähestyvä kesä tuo valoa konkreettisesti ja symbolisesti.

Lähteet

Bird, P. “An updated digital model of plate boundaries”, Geochemistry Geophysics Geosystems, 4(3),  2003

Github, Tectonic Plates. Luettu 28.02.2021. <https://github.com/fraxen/tectonicplates>

Kurvinen, R. Viides kurssikerta 19.02.2021. Luettu 28.02.2021. <https://blogs.helsinki.fi/ronikurv/>

Leino, I. Kuudes kurssikerta. Luettu 28.02.2021. <https://blogs.helsinki.fi/ilarilei/>

National Oceanic and Atmospheric Administration (NOAA). Luettu 28.02.2021. <https://www.ngdc.noaa.gov/ngdc.html>

Natural Earth Data. Luettu 28.02.2021. <https://www.naturalearthdata.com/downloads/110m-physical-vectors/>

Sanaksenaho, H. Nykypäivän koulumantsaa! Luettu 28.02.2021. <https://blogs.helsinki.fi/hennablog/>

USGS Earthquake Hazards Program. Luettu 28.02.2021. <https://earthquake.usgs.gov/earthquakes/search/>

World Ocean Review: Oiling the Oceans (2014). Luettu 28.02.2021. <https://worldoceanreview.com/en/wor-3/oil-and-gas/oiling-the-oceans/>