Neljännen viikon harjoituksessa palattiin jälleen Kevon luonnonpuistoon ja rasteriaineistojen pyörittelyyn. Tällä kertaa päästiin tutkimaan CORINE Land Cover -aineistoa ja tutustumaan ModelBuilderin kanssa soveltuvuusanalyysin tekoon toisen viikon harjoituksessa luotuja karttatasoja hyödyntäen. Tehtävät olivat sopivan helppoja ja ModelBuilderin visuaalisuuden astuessa kehiin oli työvaihteita tavallista kevyempi hahmottaa.
Harjoitus alkoi samalla tavalla kuin viime viikollakin, eli tutustuttiin aineiston metatietoon. Tällä viikolla aineistona oli CORINE Land Cover 2018. Tiedot löytyivät suoraan tiedontarjoajan eli SYKEn sivuilta. Aineisto on tehty EU-ystävälliseksi viimeisimpien standardien mukaan ja se on muodostettu suoraan lähdeaineistojen ominaisuustiedot yhdistämällä. Kyseisiä lähdeaineistoja ovat maastotietokannan image2017-satelliittimosaiikki sekä vuoden 2016 peltolohkorekisteri ja rakennus- ja huoneistorekisteri. Kurssikerralla käytetty aineisto on leikattu koko Suomen aineistosta, eikä siinä välttämättä edes ole tietoa kaikilta aineistona käytetyiltä tasoilta. Alkuperäisessä CORINE Land Cover 2018 -kartassa on 49 luokkaa eri ominaisuustiedoille, jotka esiintyvät kartalla eri väreinä. Harjoituksessa Kevon alueella näistä esiintyy vain 19.
Harjoituskerran aineistossa maanpeiteaineisto oli liian suuri vaikkei koko Suomea kattanutkaan, joten harjoituksen aluksi siitä leikattiin clip-työkalulla jotain edellisen kerran karttatasoa hyödyntäen juuri oikean kokoinen ja muotoinen alue. Tämän jälkeen palattiin Geoinformatiikan menetelmät 1 -kurssilta tutun Join-toiminnon äärelle. Tämä toimi tietysti nyt hieman eri tavalla, koska käytettiin eri paikkatieto-ohjelmaa. Sain ongelmitta attribuuttitaulukon auki ja uudet tiedot lisättyä sinne, vaikka Geoprocessing-työkalussa lukikin table field siinä missä ohjeessa puhuttiin output fieldistä.
Syntyi CORINE Land Cover -kartta, jossa väreille löytyivät selvät selitykset (Kuva 1). Suurin osa alueesta näyttäisi olevan varvikkoja ja nummia, Kevon tapauksessa varmaan lähinnä varvikkoa. Poikkeamat tähän löytyvät uomien ympäristöstä, minne puusto ja osa kalliomaasta keskittyy. Suurin osa puustosta on lehtimetsää, kuten jo viime viikon harjoituksessa todettiin. Kalliomaat löytyvät uomien eteläpuolelta ja puustot pohoispuolelta. Auringon tulokulmalla voi olla jotain tekemistä asian kanssa, sillä alati varjossa oleva puoli uoman rinnettä on kasveista paljas. Kalliomaata on myös muualla kuin uomien luona. Tällöin niiden yhteydessä esiintyy niukkakasvustoistoista kangasmaata ennen vaihettumista varvikoksi. Avosoita taas esiintyy kosteikkojen, järvien ja uomien yhteydessä sekä myös yksinään. Kuvan 3 korkeuskäyristä voi tulkita, että suot esiintyvät matalemmilla alueilla.
Kuva 1. CORINE Land Cover 2018 -aineisto visualisoituna Kevon luonnonpuiston alueelta. Kartalle lisättyt uomat ovat toisen kurssikerran tehtävän uomat100k-tasolta.
Soiden yhteydessä kartalla näkyy valkoisia alueita, vaikken jättänyt mitään valkoiseksi. Klikkaamalla pikseliä se kertoo, olevansa ”Harvapuustoiset alueet, cc 10-30%, kivennäismaalla”. Tämän olin värjännyt keltaiseksi. ArcGis temppuilee.
Sitten siirryttiin kurssikerran siihen varsinaiseen opittavaan asiaan, eli ModelBuilderin käyttöön ja sen kanssa soveltuvuusanalyysin tekoon. Soveltuvuusanalyysissä aineistoille asetettiin tietyt kriteerit ja poimittiin näin niistä kriteereille soveltuvat pikselit. Harjoituksessa etsittiin sopivaa telttailupaikkaa Kevolta. Analyysi on kiva jo siksikin, että saatua tietoa voi mennä vaikka itse kokeilemaan ensi vaellusreissulla! Kerrankin olisi huolella valittu telttapaikka.
ModelBuilder hämmensi minua aluksi, mutta opin sen käyttöön yllättävän nopeasti ja onnistuin kasaamaan vaaditun analyysin (Kuva 2). Suorastaan tykästyin tähän analyysintekotapaan. Visuaalisena oppijana hahmotin prosessin välittömästi paljon helpommin kun se oli muodoin, värein ja nuolin tuotu eteeni. Pidin kovasti myös validate-näppäimestä sen ystävällisen luonteen takia. Analyysin saisi varmaan suoritettua ilmankin ModelBuilderia, mutta näin se onnistui kätevästi ja ymmärrettävästi.
Kuva 2. ModelBuilder-tuotokseni.
Analyysi oli monivaiheinen, mutta simppeli, sillä suurin osa aineistoista vain luokiteltiin uudelleen, halutut arvot nolliksi ja kelpaamattomat ykkösiksi. Lopuksi kriteerit kerrottiin keskenään, jolloin ohjelma etsi jokaisesta tasosta samalla arvolla varustetut samat pikselit. Nämä muutettiin vielä vektorimuotoon ja visualisoitiin kartalle (Kuva 3). Taustakartaksi laitoin samaisen CORINE LandCoverin kaikista kurssilla pyöritellyistä karttatasoista, koska koin sen jotenkin edustavan aluetta maisemallisesti parhaiten. Lisäsin Päälle 2. kerralla luodut korkeuskäyrät auttamaan pinnanmuotojen hahmottamisessa.
Kuva 3. Analyysin mukaan sopivimmat telttailupaikat Kevolla.
Analyysissa huomioitiin korkeus, jyrkkyys, rinteen aukenemissuunta, maanpeite ja etäisyys uomista. Etäisyydellä uomista haettiin etäisyyttä vesistöistä. Tässä ei huomioitu alueen järviä ja kosteikkoja. Lisäksi voi olla, että joku uomista onkin ainakin osan vuodesta kuiva, sillä uomadataa ei ole maastossa varmistettu.
En ole ikinä ollut telttailemassa, mutta jos näiden lisäksi jotain haluaisin vielä telttailupaikalta, voisi analyysiä laajentaa ottamalla huomioon vaellusreitit, kasvillisuuden ja vesistön ominaisuudet. Kasvillisuusanalyysillä voisi etsiä esim. syötävien marjojen esiintymisalueita ja vesistön ominaisuuksilla varmistaa, että veden virtaus telttapaikan lähellä on sopiva.
Analyysi voi siltikin vääristyö todellisuudesta. Kävin luontoon.fi -sivustolta katsomassa, löytyykö alueelta telttapaikkoja. Ei löytynyt yhtään, mutta alueen keskellä juuri analyysin mukaan hyvällä telttapaikalla on pari nuotiontekopaikkaa. Eli siinä varmaan oikeasti voi leiriytyä! Muut analyysin ehdottamat telttapaikat ovat epäiltävissä, esimerkiksi pienempien uomien läheisyydessä olevat, sillä niissä ei ehkä oikeasti virtaa vettä.
Tällaisella analyysillä voisi saada vaikka mitä aikaan. Voisi selvittää esimerkiksi joillekkin rakennuksille ja palveluille sopivia paikkoja. Kevon aluelle ei olla mitään rakentamassa, mutta periaatteessa vastaavalla analyysillä voisi etsiä esimerkiksi jollekin harvinaiselle ja pesäpaikastaan vaativalle linnulle tai kasville todenäköisiä esiintymispaikkoja.
Tässä harjoitustehtävässä olin koko ajan perillä siitä mitä tapahtuu ja loppujen lopuksi eniten kärsivällisyyttäni söi layoutin kanssa säätäminen. Alkaa tuntua siltä, että gis on kivaa. Ehkä olen kuin olenkin oppinut jotain.