GIM 2 viikko 3: Biomassoja ja latvuspeittävyyttä

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).

 

Kuva 1. Kevon kanjonin alueen kuusipuiden kokonaisbiomassa (1000 kg/ha)
Kuva 2. Kevon kanjonin alueen lehtipuiden kokonaisbiomassa (1000 kg / ha)

 

 

 

 

 

 

Kuva 3. Kevon kanjonin alueen mäntypuiden kokonaisbiomassa (1000 kg/ha)

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).

Kuva 4. KevoDEM-korkeusmalli

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).

Kuva 5. Sähköshokki mallia Euclidean distance
Kuva 6. Sähköshokki mallia Reclassify
Kuva 7. Eri etäisyysvyöhykkeiden värit (metriä)

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.

Taulukko 1. Kuusen tilastolliset tunnusluvut Kevon kanjonin alueella
Taulukko 2. Lehtipuiden tilastolliset tunnusluvut Kevon kanjonin alueella
Taulukko 3. Männyn tilastolliset tunnusluvut Kevon kanjonin alueella

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.

Kuva 8. Havupuiden latvuspeittävyys
Kuva 9. Lehtipuiden latvuspeittävyys
Kuva 10. Kaikkien puiden ja puulajien latvuspeittävyys

 

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

Kuva 11. Uudelleenluokiteltu KevoDEM: tummansininen = 200 mmpy, vihreä = 300 m, punainen = 400, turkoosi = 500

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).

Taulukko 4. Havupuiden latvuspeittävyys eri korkeusvyöhykkeillä. Minimiarvo -1 on hämmentävä
Taulukko 5. Lehtipuiden latvuspeittävyys eri korkeusvyöhykkeillä

 

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!

Kuva 12. Kevon kanjoni (Retkipaikka)

 

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

GIM 2 viikko 2: Rasterianalyysejä

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

Kuva 1. KevoDEM-korkeusmalli

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.

 

Kuva 2. Rinnevalovarjostus (Azimuth 315, Altitude 45): Aurinko paistaa luoteen suunnasta 45 asteen korkeudelta
Kuva 3: Rinnevalovarjostus (Azimuth 180, Altitude 35): Aurinko paistaa etelän suunnasta 35 asteen korkeudelta (realistisempi Suomen oloissa)

 

 

 

 

 

 

 

 

 

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.

Kuva 4. Korkeuskäyrät Contour-työkalulla

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).

Kuva 5. Korkeuskäyrät ja KevoDEM

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.

Kuva 6. Slope-taso, joka kertoo Kevon kanjonin ympäristön rinteiden jyrkkyyden
Kuva 7. Slope-tason monta eri luokkaa

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.

Kuva 8. Aspect-taso yhdistettynä korkeuskäyriin
Kuva 9. Aspect-tason luokat

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).

Kuva 10. Kevon kanjonin alueen kuopat

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

Kuvat 11-12. Esimerkkikuva keskeltä tutkimusaluetta Fill-työkalun jälkeen, virtaussuunnat: 1 = itä, 128 = koillinen. Korkeuskäyrät havainnollistamassa korkeusvaihtelua

 

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

Kuva 13. Valuma-alueiden rajat, pohjalla KevoDEM
Kuva 14. Alueen eteläosassa olevia epärealistisia valuma-alueiden rajoja

 

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.

Kuva 15. Uomat 100k
Kuva 16. Uomat 20k
Kuva 17. Uomat 1k

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.

Kuva 18. Raja-arvon 20 000 uomat peruskartan päällä punaisella
Kuva 19. Epäloogisia uomia raja-arvolla 1000

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

Kuva 20. Karttamallinnus Kevon kanjonin alueen mallinnetuista potentiaalisista uomista ja valuma-alueista, taustalla KevoDEM

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

GIM 2 viikko 1: ArcGis tutuksi

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.

Kuva 1. Kartan ensimmäinen versio

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.

Kuva 2. Kartta ensimmäisen tehtävän tarkasteltavasta alueesta

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.

Kuva 3. 250 metrin bufferit Lahdenväylän ja Vihdintien ympärillä
Kuva 4. Lahdenväylän sisääntuloväylän ympäristön maankäyttö 250 metrin etäisyydellä tiestä bufferianalyysia hyödyntäen
Kuva 5. Vihdintien sisääntuloväylän ympäristön maankäyttö 250 metrin etäisyydellä tiestä bufferianalyysia hyödyntäen

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.

Kuva 6. Kartta Kumpulan, Käpylän ja Toukolan alueiden maankäytöstä jaoteltuna ’Luontoon’ ja ’Rakennettu ympäristöön’
Kuva 7. Pylväsdiagrammit Kumpulan, Käpylän ja Toukolan maankäytöstä (%)

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