Viikko 7: Kurssi päätökseen interpoloinnin merkeissä

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.

Kuva 1. Tammikuun keskilämpötilat, Thiessenin polygonit

 

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.

Kuva 2. Ensimmäisen asteen trendipintainterpolointi
Kuva 3. Toisen asteen trendipintainterpolointi
Kuva 4. Kolmannen asteen trendipintainterpolointi

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.

Kuva 5. Geostatistical Wizard -asetukset
Kuva 6. Tammikuun keskilämpötilat, Inverse Distance Weighted

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.

Kuva 7. Valmis Model Builder -malli
Kuva 8. Vuoden 2020 kuukausittaiset keskilämpötilat, Spline-interpolointi

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).

 

Kuva 9. Histogrammi havaintoaineistosta
Kuva 10. Ilmanlaatuaineiston huonoimmat arvot turkoosina
Kuva 11. Ilmanlaatuaineiston parhaimmat arvot turkoosina
Kuva 12. Paras, max 9,13 arvo

 

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.

Kuva 13. Kriging-interpoloinnit pääkaupunkiseudun typpidioksidi-arvoista

 

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

GIM 2 viikko 6: Oma laskettelukeskus

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.

 

Kuva 1. Kaavailemani laskettelukeskuksen alue ArcGIS:n pohjakartalla
Kuva 2. Encoren maantieteellinen sijainti (Paikkatietoikkuna), koordinaatit: P 66° 46,374′ I 26° 48,381′

 

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).

Kuva 3. Korkeuskäyrät
Kuva 4. Rinnevalovarjostus

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.

Kuva 5. Uudelleenluokiteltu slope-taso: vihreä = tasainen, josta jyrkkenee –> keltainen –> sininen –> punainen
Kuva 6. Slope-tason uudet luokat

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.

Kuva 7. Moka digitoinnissa

 

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).

Kuva 8. Uusi laskettelukeskus ja sen kaavailtu sisältö
Kuva 9. Encore in 3D

 

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.

GIM 2 viikko 5: Vaellusreittejä ja katvealueita

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).

Kuva 1. Digitoitu vaellusreitti sekä korkeusmalli

 

 

  1. 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.

Kuva 2. GSM-verkon kuuluvuusalueet ja reitin katvealueet
Kuva 3. Yksityiskohta reitin ja GSM-verkon kuuluvuusalueen päällekkäisyydestä

 

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?

 

  1. 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).

Kuva 4. Uuden maston sijainti Vuogojärven kupeessa, maantieteelliset koordinaatit: 26,8651621°E 69,5763107°N

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.

Kuva 5. Näkyvyysanalyysi uuden tukiasemamaston asettamisen jälkeen

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!

Kuva 6. Punainen piste = suurin rasteriarvo, musta piste = oma uusi mastopiste

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.

 

  1. 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.

Kuva 7. Tuntematon error

 

Kuva 2
Kuva 8. GSM-kuuluvuusalueet ja katvealueet uuden maston pystytyksen jälkeen

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.

Kuva 9. 3D-karttavisualisointi vaellusreitin varrelta. Punainen viiva = kuuluvuusalueen ulkopuolella, keltainen viiva = kuuluvuusalueella

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

GIM 2 viikko 4: Telttaretkeilyä

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.

Kuva 1. Harjoituksessa käytettävä leikkaus CORINE-aineistosta

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.

Kuva 2. Kevon kanjonin alue CORINE-aineistolla
Kuva 3. Lähikuva kartasta itse kanjonin alueelta

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.

Kuva 4. Vihreällä maaston korkeuden puolesta sopivat telttapaikat
Kuva 5. Tummanpunaisella oikea rinteen suunta telttapaikalle. Vihreällä vesistöt, joiden arvosta tuli -1
Kuva 6. Tummansinisellä maanpeitteen puolesta sopivat telttapaikat
Kuva 7. Tummansinisellä uomakriteerin täyttävät paikat
Kuva 8. Vihreällä ne alueet, jotka ovat sopivan loivia telttapaikalle

 

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.

 

Kuva 9. ModelBuilder-malli 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.

Kuva 10. ”Koko heelahoito”

 

Kuva 11. Soveltuvat telttapaikat Kevon kanjonin alueella

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