Tytin blogi

Hei!

Viikolla kuusi tutustuimme interpolointiin, eli pisteaineistoista muodostettaviin paikallisiin jatkuviin pintoihin. Viikon aineistoissa oli Suomen säähavaintoasemat vuodelta 2020 (Rukan ja Saanan asemia lukuunottamatta), jokaisen aseman mittaamat keskilämpötilat 2020, Suomen rajat ja rasterimuotoinen Suomi_maski. Suomi_maski -aineisto aiheutti mittavaa päänvaivaa, sillä jostain syystä aineisto ei suostunut liittyä ArcGIS:iin Z-asemalta. Pitkän yrittämisen jälkeen sain aineiston näkyviin raahaamalla sen erikseen, tietokoneelle ladattujen tiedostojen kansiosta.

Tein onnistuneesti tietokantaliitoksen sääasemien ja kuukausittaisten keskiarvolämpötilojen aineistojen välille. Korjasin myös ohjeiden mukaisesti tammikuun lämpötilat numeeriseen muotoon. Korjausta tehdessäni muistelin ensimmäisen vuoden Maantieteen menetelmät -kurssia. Kvantitatiivista eli määrällistä tutkimusta tehdessä oli hyvin tärkeää, että syötetyt tiedot Excelissä tai muussa laskentaohjelmassa olivat numeerisessa muodossa. Tietokone ei kykene tuottamaan laskutoimituksia, jos syötetty aineisto on tekstimuotoista.

 

Voronoin diagrammit tammikuun keskilämpötiloja kuvattaessa

Thiessenin monikulmiot eli Voronoin diagrammit esittävät epäjatkuvaa pintaa, jossa jokaisen pisteaineiston ympärille luodaan alue, jonka reunoilta on lyhin matka havaintopisteelle. Sääasemien tapauksessa jokainen sääasema on piste, joten niiden sijoittelu Suomen kartalla vaikuttaa siihen, kuinka suureksi havaintoalue kasvaa. Kurssikirjallisuudessa Geoinformatiikka luonnonvarojen hallinnassa (Holopainen ym., 2015) on listattu Voronoin diagrammien heikkouksia, mutta myös parhain puoli. Diagrammit muodostavat “ennusteet” pisteaineiston jokaisen pisteen ympärille, eli kuvan 1. tapauksessa tammikuun 2020 keskiarvolämpötiloille säähavaintoasemien mukaan. Alueilla, jossa pisteitä on tiheämmin, ennuste on todennäköisemmin oikea, harvemmilla alueilla pisteiden välimatka voi aiheuttaa väärää tietoa. Polygoneilla ei kyetä sanomaan, onko alueen sisällä todellisuudessa vaihtelua. Kuvaa 1. tarkastellessa voidaan huomata, että Etelä-Suomessa on huomattavasti tiheämmin säähavaintoasemia kuin Keski-Suomessa, Pohjanmaalla tai Lapissa. Kirjallisuudessa mainitaan, että kaikesta huolimatta Voronoin diagrammit toimivat interpolointimenetelmistä parhaiten luokka-asteikollisia tunnuksia interpoloitaessa (Holopainen ym., 2015).

Hain lisätietoja interpolointimenetelmien sisällöistä. Sivustolta vanha.karelia.fi, 3.5 Interpolointi, löysin vahvistuksen, että Voronoin diagrammit ovat lokaaleja eli paikallisia menetelmiä. Koska havaintoasemien arvoja ei ole venytetty toistensa päälle, arvot ovat säilyneet samoina kuin aloitusaineistossa. Voronoin diagrammin käyttö lääketieteessä mahdollistaa esimerkiksi epidemian kulun mallintamisen (Karjalainen, E. ym, n.d.). Hyvin mielenkiintoinen tarina Voronoin diagrammien historiasta on John Snown (1854) osoittamasta koleraepidemiaan sairastuneiden ja tietystä kaivosta nostetun juomaveden yhteneväisyydestä. Diagrammien avulla hän rajasi, että koleraa tavattiin eniten asuinalueilla, joilla vettä nostettiin yhdestä tietystä saastuneesta kaivosta.

 

Ensimmäisen, toisen ja kolmannen asteen trendipintainterpolointi

Ensimmäisen-, toisen- ja kolmannen asteen trendipintainterpoloinnit ovat esillä kuvissa 2, 3 ja 4. Tein kuvien jälkeen taulukon 1., jossa vastasin harjoitusohjeessa annettuihin kysymyksiin.

Taulukko 1. Trendipintainterpolointien kysymykset ja vastaukset:

                                                  1. asteen                                      2. asteen                                         3. asteen 

Lokaali vai globaali?                globaali                                        globaali                                           globaali

yli- vai aliarvio?                         aliarvio                                         yliarvio                                            yliarvio

Säilyivätkö alk.arvot?                   ei                                                   ei                                                      ei

Mihin käytetään?                 Trendipintainterpolointia käytetään mallintamaan koko tutkimusalueen laaja-alaista vaihtelua ennen (tarkemman) paikallisen interpolointimenetelmän käyttöä (Tokola ja Kalliovirta, 2003).

Trendipintainterpolointi ei tosiaan tuota paikallista eli lokaalia tietoa, vaan hyvin yleispätevää eli globaalia tietoa. Ylempänä kuvatuista malleista kolmannen asteen trendipintainterpoloinnissa on eniten variaatiota, sillä pinta “taipuu” annettujen arvojen myötä kahdesti. Olen myös käyttänyt kuvassa kaksi erilaista luokittelutapaa, jonka vuoksi siinä on näkyvissä vain kahdeksan luokkaa. Kartat 2, 3 ja 4 olisivat paremmin verrattavissa, jos kaikissa olisi yhtäläinen luokittelutapa.

IDW

Inverse distance weighting eli käänteisen etäisyyden menetelmä. Tavoitteenamme oli vaihdella Geostatical Wizardilla IDW:n arvoja, jotta kuvassa kuusi näkyvässä regressioanalyysissä saavutettaisiin mahdollisimman tarkasti viiteviiva. Esrin ArcGIS Pro -ohjesivustolla kerrotaan IDW -analyysistä, että valitun alueen läheisyydessä olevilla tutkimuspisteillä on enemmän painoarvoa, kuin kauempana olevilla pisteillä. En aivan ymmärtänyt tätä, kun tein tehtävää, joten todennäköisesti kuvassa 5. näkyvästä syystä minun karttakuvani 7. eri arvojen rajat ovat kaikki suuntautuneet tiheämmin länteen. Siirtämällä kursoria, olisin voinut siirtää painopistettä.

IDW on lokaali analyysi, vaikka mielestäni ainakin tässä itse tuottamassani kartassa se muistuttaa enemmän globaalia. Todennäköisesti sen tarkkuus olisi parempi, jos olisin saanut regressioanalyysiviivan kohtaamaan tarkemmin viiteviivaan. Arvelen, että tämä analyysi on hieman aliarvioinen ja alkuperäiset arvot eivät aivan kohtaa, sillä linjat eivät huomioi jokaista pistettä omina arvoinaan.

Spline

Viimeinen tehtävä aiheutti jännitystä ja kylmää hikeä. Ajoin jokaisen kuukauden tiedot ja vaatimukset Model Builderiin tuottaakseni sääkartat jokaiselta kuukaudelta vuodelta 2020. Onnistuin kuitenkin yhdellä kerralla, ja kuvassa 9. näkyy tuottamani 12 kuukauden keskiarvolämpötilat.

Splinellä tuotetaan pisteestä pisteeseen muotoja kartalle, joten analyysi on lokaali. Arvelen, että näin suuressa aineistossa on hieman yliarviota, ainakin keskiarvoja pyöristäessä. Alkuperäiset arvot ovat todennäköisesti säilyneet.

– Tytti N.

Lähteet:

3.5 Interpolointi. https://vanha.karelia.fi/metsa/paikkatietowww/Analyysi/Interpolointi.htm Lisätietoja: Tokola ja Kalliovirta 2003. Paikkatietoanalyysi. Helsingin yliopiston metsävarojen käytön laitoksen julkaisuja 34  Luettu 13.12.2023

3.5.2 Deterministiset interpolointimenetelmät. https://vanha.karelia.fi/metsa/paikkatietowww/Analyysi/IntpMenet1.htm Luettu 13.12.2023

Esri: “How inverse distance weighted interpolation works” https://pro.arcgis.com/en/pro-app/latest/help/analysis/geostatistical-analyst/how-inverse-distance-weighted-interpolation-works.htm Luettu 15.12.2023

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

 

Hei!

Viimeinen viikko Geoinformatiikan menetelmät 2 -kurssia polkaistiin vauhdilla käyntiin, kun tehtävänannoksi ilmoitettiin Suomen upein laskettelukeskus, tiesin heti, mitä lähden toteuttamaan. Forssan kaupungissa on toiminut Iso-Hunnarin laskettelukeskus vuosina 1985-1991. Forssan Lehdessä julkaistu artikkeli “Muistatko pusulenkin metsässä? – 1980-​luvulla kukoistanut Iso-​Hunnari oli laskettelukeskusten piskuinen edelläkävijä” (FL, 12.4.2020) haastattelee Iso-Hunnarin entistä osakasta, Erkki Tervomaata. Tervomaa muistelee, kuinka “Pohjois-Suomen isojen laskettelukeskusten rinteiden korkeuserot olivat suuremmat kuin Iso-Hunnarin pituus.” Korkeimmillaan kukkula on noin 132 metriä ja korkeusvaihtelua on alle 50 metriä. Päätin kuitenkin herättää tämän laskettelukeskuksen takaisin henkiin.

Latasin Paitulista rasterimuotoisen karttalehden L4221, jonka rajasin clip-työkalulla lähemmäs Hunnaria (kuva 1.). Näkyviin jätin hieman Helsingin ja Porin välillä kulkevaa 2. tietä, Loimijokea, Mäkilammin vesistön sekä Vieremän asuinaluetta.

Mahdollistaakseni sopivien laskettelureittien tuottamisen, ajoin karttalehdelle slope- eli rinteen jyrkkyys- ja aspect- eli rinteen viettosuunta -työkalut.

Lähdin pohtimaan sopivaa tapaa digitoida mielekkäät laskettelureitit. Vertailen rinteen viettosuuntia sekä pohdin turvallista jyrkkyyttä. Olen melko varma, että sopivia reittejä olisi ollut mahdollista kartoittaa esimerkiksi ModelBuilderissa komennoilla “Reclassify -> Slope -> Jyrkkyys <45”. * “Reclassify -> Aspect -> 337,5-22,5 = 1, muut arvot ja -1 = 0”, jolloin olisi voinut tarkastella mahdollisia rinteiden sijainteja pohjoisrinteille. Valitsemani mäennyppylä olisi kuitenkin niin pieni, että tiukat rajaukset olisivat luoneet mäenlaskupaikoista liian lyhyet. Päädyin digitoimaan kolme erilaista reittiä vapaalla kädellä. Haluan myös korostaa, että tällä kertaa viivan digitointi sujui huomattavasti paremmin, kuin viikolla 5.

Nautin kolmiulotteisen kuvan pyörittelystä, sillä saa konkreettista näyttöä omista valinnoista. Sain luokkakaveriltani Petralta vinkiksi nostaa rinteitä kuvastavia viivoja noin 10 metriä maanpinnan yläpuolelle, jotta ne tulevat näkyviin metsiköstä.

 

 

Koska digitoin jokaisen reitin vapaasti, seuraten vain rinteiden korkeusvaihtelua ja viettosuuntaa, syntyi rinteisiin hieman ylämäkiä. Se tuo kuitenkin laskettelukeskuksen henkeen sopivaa tunnelmaa, kun reitti ei ole syöksylaskua. Hunnarilla korkeusvaihtelu on myös niin kevyttä, ettei rinteen 3. 10 metriä ole oikeastaan mitään. Entisaikojen Hunnarilla laskettelureitit olivat vain 250-350 metriä pitkiä (FL 12.4.2020), minun digitoimani uudet rinteet ovat 620-800 metriä pitkiä.

Reittien sijaintien selvittyä siirryin pohtimaan laskettelukeskuksiin tarvittavia lisätoimintoja. Päädyin digitoimaan alueelle parkkipaikan, kioskin ja infopisteen. Näiden lisäksi kaksi rinnehissiä ja valoja.

Katselin alueen pohjakarttaa ajamillani työkaluilla, ja asetin silmämääräisesti parkkipaikan, kioskin ja infopisteen. Ainoa ajatukseni oli, että näiden kohteiden tulee olla tasaisilla ja helposti saavutettavilla paikoilla. Kuvassa 5. näkyy valitsemani paikat. Tämän jälkeen, päädyin kuitenkin valmistelemaan käskyt ModelBuilderiin, jotta saisin tarkasteltua, mihin tietokone sijoittaisi parkkipaikan.

Katsoin mallia viikon neljä ohjeista, kun lähdin rakentamaan ModelBuilderia. Ajoin reclassify -toiminnot seuraavasti: Paitulista ladatun karttalehden clipattu versio, josta otin korkeudeksi max 90. Tässä vaihessa taisi mennä vikaan, sillä otin liian matalan alueen käyttöön.

Aspect -1 tai 90-270, muut arvot 0. Slope 10>. Näiden vaatimusten kertolasku, jonka lopputulokseksi syntyi kuva 7.

Omat huomioni: En rajoittanut vesistöjen läheisyyttä mitenkään, joten nyt parhaat rakennustilat ovat mukamas joen rannassa. Noin lähelle jokea ei kuitenkaan voi rakentaa, joten minun olisi pitänyt ajaa Loimijoelle bufferi, joka olisi muodostanut suojavyöhykkeen, jolle ei voi rakentaa. Minun ei olisi kannattanut laittaa niin alhaista korkeusarvoa, sillä Hunnarin pohjoispuolella on paljon tasaista maa-alaa, johon on oikeastikin rakennutettu. Toki, kuvasta neljä huomaa, että olen sijoittanut omissa ideoissani parkkipaikan vastakkaiselle puolelle Mäkilammia, kuin se tänä päivänä Forssassa on.

Halusin vielä testailla osaamistani, joten päädyin digitoimaan laskettelualueelle valaistuksen. Asettelin valoja jokaiselle rinteelle 50 metrin välein. Polygoneille en osannut asettaa pisteitä, joten ne asetin käsin. Tämän jälkeen ajoin viikolla viisi tuotetun näkyvyysanalyysin lamppujen valaistuksen määrää varten. Katsoin Ronghuanlightning.com sivulta, että noin 12 metriä korkeista lampuista syntyy noin 50 metrin valaisualue. Easyled.fi -sivustolla taas kerrottiin, että vuonna 2019 Taivalvaaran laskettelukeskukseen oli asennettu 18 metriä korkeat lamput. Näistä syistä päädyin asettamaan omille reiteilleni myös lamppuja 50 metrin välein, se olisi ainakin melko realistista.

Visibility -työkalulla asetin lamppujen korkeudeksi 18 metriä ja kantavuudeksi 50 metriä. Kuvassa 8. näkyy tuottamani visualisointi valaistuksesta.

Kiitos kurssista!

– Tytti N.

Lähteet:

Forssan Lehti 12.4.2020 “Muistatko pusulenkin metsässä? – 1980-​luvulla kukoistanut Iso-​Hunnari oli laskettelukeskusten piskuinen edelläkävijä”

https://www.forssanlehti.fi/paikalliset/4937199 Luettu 13.12.2023

https://fi.ronghualight.com/news/reference-data-of-height-and-wattage-of-solar-42326545.html Luettu 13.12.2023

https://easyled.fi/valaistusratkaisut/urheilu/laskettelurinteet-ja-hiihtokeskukset/ Luettu 13.12.2023

Geoinformatiikka luonnonvarojen hallinnassa, Helsingin yliopiston metsätieteen laitoksen julkaisuja 7. (Holopainen ja muut 2015)

Hei!

Näkyvyysanalyysin aloitus ja vaellusreitin digitointi

Viidennen viikon harjoituksissa jatkoimme Kevon kansallispuistoon tehtävien analyysien kanssa. Lataamassamme aineistossa oli rasterimuotoinen 10 metrin korkeusmalli sekä kuuluvuusmastojen sijainnit. Ensiksi visualisoin korkeusmallin ja rinnevarjostukset (kuva 1.), joiden jälkeen valitsin taustakartaksi Open Street Mapin. Tarkoituksena oli digitoida omavalintainen vaellusreitti Kevon tutkimusaseman ja Karigasniementien parkkipaikain välille. Digitoidessa oli huomioitava, että reitti on kululle mahdollinen, joten esimerkiksi jokien ylityskohdissa tuli todella olla siltoja. Tästä syystä Open Street Map toimi erittäin hyvin, sillä siihen oli jo valmiiksi merkitty olemassaolevia reittejä.

Kuvassa 2. on esillä digitoimani reitti, joka oli pituudeltaan noin 65 kilometriä. Lähdin ensin digitoimaan hieman suurempaa tietä pitkin, mutta päästäkseni kohti luodetta, siirryin digitoimaan pitkin Kevon reittiä. Luontoon.fi -sivusto kertoo, että Kevon reitin kokonaispituus on 63 kilometriä. Tästä voin siis arvioida, että laskelmani oman reittini pituudesta on todennäköisesti oikea. Digitoitu reitti tulee esittämään tärkeää osaa seuraavassa kuuluvuusalueiden tehtävässä.

Minulle koitui hieman haasteita polyviivaa digitoidessani. Kun pysähdyin tallentamaan aikaansaamani, en osannut jatkaa täsmälleen samasta kohdasta / jatkaa samaa viivaa. Tästä syystä kuvassa kolme esitettävä vaellusreitin attribuuttitaulukko osoitti reitin pituuden kymmenenä lyhyenä pätkänä. Olisin voinut siirtää laskennan exceliin, mutta päädyin käyttämään käsilaskinta. Koska attribuuttitaulukossa pituudet näkyvät metreinä, plussasin kaikki yhteen ja jaoin 1000.

Vaellusreitin kuuluvuusalueet

Lataamassani aineistossa oli Kevon seudun yhdeksän puhelinkuuluvuusmastoa. Lähdin tuottamaan viimeviikosta tutulla ModelBuilderilla vaatimuksia mastojen kuuluvuusalueille, kuten maksimikorkeuden 70 metriä, minikorkeuden kaksi metriä ja maksimietäisyyden 35 kilometriä. Viidennen viikon kirjallisuudessa Holopainen, Tokola ja muut ovat kirjoittaneet Geoinformatiika luonnonvarojen hallinnassa -julkaisuun, että tätä kutsutaan vaikutusvyöhykkeeksi. Kirjallisuudessa kerrotaan, että vaikutusvyöhykkeelle on asetettu rajat ja se esittää lopputuotteena näkemäarvion. Tein ensin yhteen mastoon vaikutusvyöhykkeen ja näkemäarvio sujui onnistuneesti, joten ajoin työkalun kaikille mastoille (kuva 4.). Kun kuuluvuusalueet oli määritetty, oli aika ajaa vaatimukset digitoidulle reitille, jotta sain tuotettua katvealueiden prosenttiosuuden. Kuvassa 4. näkyy vaalealla vihreällä kaikki katvealueella olevat osat reitistä. Edelleen haasteena oli polyviivan hajanaisuus, mutta sain lopputulokseksi, että tässä vaiheessa katvealueille reitistä jää 53,9% eli lähes 54% (kuva 5.).

Valmistellussa karttakuvassa (kuva 6.) näkyy tummalla sinisellä reitin katvealueet ja vaalealla vihreällä kuuluvuusalueella olevat osuudet reitistä. Tutkimuslaitoksen läheisyydessä kuuluvuus on hyvää. Kanjonin retkeilyreitin keskivaiheilla ei kuitenkaan ole mastoja, joten siellä kuuluvuutta on hyvin lyhyillä alueilla. Laskelmieni mukaan kuuluvuutta on 46% reitin pituudesta. Mielestäni näkymässä vaihtelua on kuitenkin huomattavasti enemmän, kuin noin 50 / 50. Kuuluvuuden vaikutusvyöhykkeeseen vaikuttaa todennäköisesti eniten korkeusvaihtelut, sillä tumman vihreillä alueilla korkeutta on jopa yli 600 metriä. Kanjonin syvyys ja jyrkät rinteet haastavat kuuluvuutta.

Kuuluvuusalueiden kehittäminen

Harjoitusohjeessa pyydettiin valitsemaan todennäköinen paikka kuuluvuusmaston sijoitteluun, jotta se kykenee kattamaan mahdollisimman paljon katvealueita. Kuvassa 7. näkyy mustalla pisteellä, mihin sijoitin oman veikkaukseni. Nyt jälkikäteen osaan kuitenkin sanoa, että valitsemani paikka ei ole hyvä voimakkaiden korkeusvaihteluiden vuoksi. Ajoin koko vaellusreitin katvealueen ja vaatimukset Visibility -työkalulla kartalle. Kun ajo oli valmis, rajasin suurimman arvon sisältävän pikselin mahdollisimman pieneen kokoon, jotta sain selvitettyä tarkan paikan uudelle mastolle. Masto näkyy kuvassa 7. punaisella. Potentiaalisimman paikan koordinaatit ovat 26,7842119*E 69,5340773*N.

 

Seuraavaan vaiheeseen edetessä minulla kävi virhe, jota en osannut itse korjata. Menin painamaan Map -välilehden pois. Lähdin palauttamaan karttaa, mutta minulle tuntemattomasta syystä aiemman kartan geodatabase oli poistunut. Tätä en huomannut heti, vaan lähdin toteuttamaan neljännen tehtävän ohjeita. Ongelmat alkoivat, kun kartalleni ilmaantui huomattavasti suurempi alue kuin aiemmin, jolla näkyi 15 mastoa aiemman kymmenen sijaan. En pystynyt ajamaan uutta vaikutusaluetta vanhan vaellusreitin päälle, sillä ne olivat virheilmoitusen mukaan eri muodossa. Tämän vuoksi en osaa vastata viimeiseen kysymykseen, kuinka paljon katvealueita ja kuuluvuusalueita vaellusreitillä on uuden tolpan myötä?

Bonustehtävä: 3D-mallinnus

Pettymykseni vuoksi halusin yrittää bonustehtävää. Toin täysin uuteen karttaan vain korkeusmallin, rinnevarjosteet ja digitoimani reitin, joka näkyy oheisessa kuvassa yhdeksän hyvin ohuena vaaleanvihreänä viivana. Onneksi ArcGIS ei kaatunut ja sain nähdä kanjonin 3D-mallin itse digitoimallani reitillä. Kanjonin reunaa kulkeva reitti sisältää melko paljon korkeusvaihteluita.

Ensi viikkoon, Tytti N.

Lähteet:

Holopainen ja muut. (2015). Geoinformatiikka luonnonvarojen hallinnassa. Helsingin yliopiston metsätieteiden laitoksen julkaisuja 7

Luontoon.fi, Kevon reitit. https://www.luontoon.fi/kevo/reitit Viitattu 29.11.2023

Hei!

Rasterianalyysien jatkoa

Viikolla neljä tehtävinä oli jatkaa Kevon kanjonin seudun analysointia. Edellisviikkojen tuotettujen aineistojen lisäksi käytössämme oli CORINE maanpeiteaineisto 2018, joka oli ladattu Suomen ympäristökeskuksen sivuilta. Metatietojen mukaan aineisto on tuotettu useiden eri aineistontuottajien sisällöillä, kuten Maanmittauslaitoksen Maastotietokannalla, Liikenneviraston Digiroad -aineistolla sekä Digi- ja väestötietojärjestelmän rakennuskantatietojen avulla.

Maanpeiteaineiston käsittely ja kartan tuottaminen

Harjoitusten edetessä, olen alkanut ymmärtää, miksi aiemmat analysoidut aineistot kannattaa tallentaa selkeisiin paikkoihin. Lyhyen taistelun jälkeen sain liitettyä toisen viikon aineistopaketin tämän viikon sisältöön ja uomat_100k aineiston tuonti onnistui. En kokenut haasteita tämän osuuden tuottamisessa. Kuvassa 1. näkyy tuottamani karttavisualisointi Kevon kanjonin maanpeiteluokista. Legenda on edelleen hyvin ruma, mutta koen, että valikoin hyvät värit vastaamaan jokaista luokkaa. Luokkia on kuitenkin melko paljon ja näin suurimittakaavaisessa karttatulosteessa kaikki luokat eivät pääse näkyviin. Olisin siis voinut ilmaista legendassa vain näkyvissä olevat luokat.

Olen kuitenkin pohtinut, miksi tuottamani “Uomat_100k” on hyvin ohut viiva, enkä kykene voimistamaan sen ulkoasua. Johanna Hokkinen (2023) on kirjoittanut artikkelin “Paikkatietoaineistot ja attribuuttitiedot”, jossa hän määrittää vektori- ja rasteriaineistojen eroja. Tekstin ingressissä lukee “Paikkatietoaineistot jaetaan yleensä rasteri-ja vektoriaineistoihin. Vektoriaineistot koostuvat pisteistä, viivoista ja polygoneista, eli alueista. Rasteriaineistot koostuvat keskenään yhtä suurista, useimmiten neliön muotoisista pikseleistä.” Arvelen, että Uomat_100k aineisto voisi toimia paremmin, jos se olisi vektorimuotoinen. Silloin voisin suurentaa ja voimistaa sen ulkoasua. Tällä hetkellä aineisto on rasterimuotoinen, eli se mukailee ennalta määritettyä kokoa muihin pikseleihin verrattuna. Viikolla kaksi kyseinen aineisto olisi pitänyt muuttaa vektorimuotoiseksi, olen tainnut ohittaa kyseisen työvaiheen tai olen tuonut väärän aineiston tämän viikon harjoitustehtäviin. 

Soveltuvuusanalyysi

Seuraava tehtävä oli erittäin hyvä esimerkki, millaista työtä GIS-taitoinen maantieteilijä voi tehdä, sillä analysoimme Kevon kanjonista sopivat telttapaikat seuraavilla vaatimuksilla: 1. korkeus alle 260 m merenpinnasta, 2. itä-, etelä-tai länsirinteiden välillä, 3. maanpeitteenä kivennäismaata tai lehti- ja sekametsää turvemaalla, 4. korkeintaan 200 metrin etäisyys vesiuomiin ja 5. maksimissaan 10 asteen jyrkkyys.

ModelBuilderin käyttö hyvillä ohjeilla oli yksinkertaista, mutta melko hidasta, sillä aina uusia vaatimuksia lisätessä sovellus ajoi kaikki vaatimukset uudestaan. Kun lähdin ajamaan viimeistä vaatimusta, eli sopivia telttapaikkoja, ArcGIS kaatui. Onneksi olin tallentanut karttatulosteeseen jokaisen aiemman vaatimuksen, niin en menettänyt muuta kuin ModelBuilderissa näkyvät sisällöt. Ohessa kuvassa 2. kuitenkin viimeisen vaiheen ModelBuilderista havainnollistava kuva.

Tuotin kuvassa 3. näkyvään karttatulosteeseen punaisella kanjonista löytyvät sopivat telttapaikat ja lisäsin tulosteen oikeaan yläkulmaan indeksikartan. Olisi voinut olla kiva visualisoida myös jokin telttapaikka lähempää, mutta koin sen olevan melko turhaa tässä käyttötarkoituksessa, sillä tärkeämpää on esitellä, että kokonaisuus onnistui. Mielestäni sopivien telttapaikkojen analyysiä olisi voinut jatkaa asettamalla vyöhykkeitä esimerkiksi soihin ja aukeisiin alueisiin, ettei telttailu ole liian suojatonta.

Tällainen analyysi on erittäin hyödyllinen niin tavallisessa matkailussa, kuin maanpuolustuslaitoksen tarpeissa. Bonustehtävissä ehdotettiin sopivien helikopterien laskeutumispaikkojen analysointia, joka mahdollistaa nopean saapumisen tai esimerkiksi medihelin laskeutumisen alueelle. Muita hyviä analysoinnin aiheita ovat esimerkiksi verkkoyhteysmastojen sopivien paikkojen selvittäminen. Mastot tarvitsevat tasaisen ja uppoamattoman pystytyspohjan ja tarpeeksi aukeaa tilaa, eli esimerkiksi harvapuustoisia alueita kivennäismaalla tai niukkakasvustoiset kangasmaat. Jos pystytys ei vaadi kaivamista, myös kalliopohja toimisi. Maasto ei saa olla jyrkkä tai juurikaan viettää. Vesiuomien saavutettavuus ei välttämättä ole kynnyskysymys.

– Tytti N.

Lähteet:

Hokkinen, J. (2023) “Paikkatietoaineistot ja attribuuttitiedot”  https://storymaps.arcgis.com/stories/95682f2acf2348b89b550cd66fc5253b Viitattu 29.11.2023

Suomen ympäristökeskus (2023) “Corine maanpeite 2018” https://ckan.ymparisto.fi/dataset/%7B0B4B2FAC-ADF1-43A1-A829-70F02BF0C0E5%7D Viitattu 29.11.2023

Hei!

Puulajien kokonaisbiomassakartat

Aloitin viikon tehtävän tuomalla Kevon kanjonin alueen kuusien, lehtipuiden ja mäntyjen biomassat ArcGIS:iin. Biomassa-aineiston spatiaalinen resoluutio on 16m x 16m. Biomassat olivat ositteina, kuten “neulaset” ja “kuolleet puut”. Luonnonvarakeskuksen aineistopankista ladatun aineiston metadatassa kerrottiin, että puulajien biomassa on suuruusluokassa 10kg / hehtaari. Käytin työkaluna Raster calculatoria, jonka avulla yhteenlaskin puulajien biomassaositteet lajeittain yhteen ja jaoin lopputulokset sadalla, jotta uusi kokonaisbiomassojen yksikkö oli 1000kg / ha. Kokonaisbiomassoista loin kuvassa 1. näkyvät kartat. Olin alunperin luomassa kartat, joissa olisin yhdistänyt vihreää ja punaista. Luettuani läpi kurssikerran diaesitykset, ymmärsin väriyhdistelmän ongelmallisuuden ja korjasin sen nykyiseen muotoonsa.

Kuvassa 1. näkyvistä kokonaisbiomassakartoista voidaan huomata, että lehtipuiden biomassaa on laajimmalla alueella. Tiheimmät lehtipuualueet sijoittuvat kanjonin etelärinteelle, johon aurinko paistaa eniten. Männyn biomassaa on puolestaan tiheimmin kanjonin pohjoisrinteellä ja männyn biomassan määrä kohoaa jopa 80 tonniin hehtaarilla. Kuusta Kevon kanjonissa on huomattavasti vähemmän, kuin kahta edellistä puulajia. Kuusi kasvaa usein pohjoisrinteellä, kuten myös Kevon kanjonin tapauksessa. Kevon kanjoni kuitenkin viettää jyrkimmillään jopa 90 astetta (ks. Edellisen harjoituskerran postaus, jossa tehty “Slope”-analyysi. https://blogs.helsinki.fi/tyttinyr/2023/11/11/gim2-viikko-2/ ), minkä vuoksi pinnanmyötäiset juuret omaava kuusi ei pärjää.

Etäisyysrasteri (intervalliasteikko) 200 metrin vyöhykkeillä

Seuraavaa harjoitusta varten toin edellisellä viikolla valmistellun Uomat-100k aineiston. Oheinen kuva 2. syntyi, kun käytin Euclidian distance -työkalua niin uomiin, kuin kokonaisbiomassakarttoihin. Työkalulla saavutettiin puulajien kokonaisbiomassojen määrät jaettuna kuudelle vyöhykkeelle, joista jokainen vyöhyke on +200 metriä Kevon kanjonin uomasta. Kurssikirjallisuudesta (Holopainen ja muut.) sain selville, että tällaista jatkuvaa aineistoa esittävää välimatka-asteikollista rasterianalyysiä kutsutaan myös termillä intervalliasteikko.

Huom. En saanut taulukoiden otsikkoa yläpuolelle, sillä taulukot on tuotu blogiin kuvina, mutta viittaan niihin silti taulukkoina. Taulukko 1. osoittaa, että lehtipuiden biomassaa on eniten kanjonin uoman lähistöllä, 200 metrin säteellä. Toisin kuin taulukosta 3. huomataan, että mäntyjen biomassaa on eniten 400 – 600 metrin päässä uomista. Lehtipuut kaipaavat valoa, jota ne saavat etelärinteellä, mutta ne kaipaavat myös kosteutta ja tasaisempaa lämpötilaa. Todennäköisesti uomassa pakkanen tai kuumuus eivät vaihtele niin voimakkaasti, kuin ylempänä rinteillä. Mänty kestää paremmin sään äärioloja ja kuivaa kasvualustaa esimerkiksi syvien juuriensa ja harvemman neulaspeitteen ansiosta.

Latvuspeittävyyden laskeminen eri korkeusvyöhykkeille

Luonnonvarakeskuksen aineiston mukana tulleessa “Monilähteisen valtakunnan metsien inventoinnin (MVMI) kartta-aineisto 2019” -metadata tekstissä kuvailtiin aineistoon kerätyn latvuspeiton arviointia “Puuston latvuspeittävyys valtakunnan metsien inventoinnissa tarkoittaa koealan puuston vaakatasoon projisoidun (heijastetun) latvuston peittämää osuutta koealan alasta.” Metadatassa kerrottiin, että aineistoa oli kerätty suurimmaksi osaksi satelliiteilla ja osittain ilmakuvauksella. Vaakatasoon heijastettu merkitsee siis todennäköisesti suoraan ylhäältä päin kuvattua. Tässä tapauksessa ilmakuvauksessa näkyvää latvuspeitettä verrataan koko kuvatun alueen pinta-alaan nähden.

Ohessa kuvassa 3. näkyy rinnakkain esitettynä vasemmalla yhteenlaskettu havupuiden latvuspeitto ja oikealla lehtipuiden latvuspeitto. Olen merkinnyt, että kuvissa näkyisi latvuspeittävyys prosentteina, mutten ole tiedon oikeellisuudesta täysin varma. Kartoista on kuitenkin mahdollista huomata, kuinka havu- ja lehtipuut kasvavat täysin päinvastaisilla puolilla kanjonia. Lehtipuiden latvuspeittävyys on myös voimakkaampaa, kuin havupuiden. Sen voi huomata suuremmasta määrästä tummaa vihreää oikeanpuoleisessa karttakuvassa.

Korkeusmallit tuotettiin intervalliasteikoita hyödyntäen, eli kanjonin matalimmasta, “nollakohdasta” alkaen vähintään 500 metrin korkeuteen. Kuvassa 4. on havainnollistava kuva, kun korkeusmalliin KevoDEM ajettiin reclassify -työkalu, millä asetin aineistoon neljä 0 – 500 metrin korkeusvyöhykettä.

Ohessa olevissa taulukoissa neljä ja viisi on käynyt ikävä epähuomio, olen jakanut latvuspeittävyyden tunnusluvun sadalla taulukossa 4. “havupuiden latvuspeitto kanjonin korkeusvyöhykkeiden mukaan.” Kun kuitenkin huomioimme tämän virheen ja tarkastelemme molempia taulukoita samassa suuruusluokassa, eli taulukon 5. kaltaisesti, huomaamme, että molemmissa latvuspeittoa on eniten matalimmalla korkeudella, eli 0-200 metrin välillä. Vähiten puustoa ja latvuspeittoa on korkeimmilla, 400 – 500 metrin korkeudella. Korkeimmat kohdat ovat todennäköisesti kalliota, sekä jyrkkiä mäkiä ja kumpuja.

 

Tekstin tuottaminen tämän viikon harjoitukseen tuntui melko haastavalta, mutta pyrin viittaamaan aiempaa enemmän kurssikirjallisuuteen. Vaikka harjoituksessa jäi useampia tunnuslukuihin liittyviä epäselvyyksiä, koen kuitenkin ymmärtäväni nyt enemmän rasterimuotoisen aineiston käsittelyä ja toimintaa.

Seuraavaan kertaan, Tytti N.

Lähteet:

Holopainen et al. (2015). Geoinformatiikka luonnonvarojen hallinnassa. Helsingin yliopiston metsätieteiden laitoksen julkaisuja 7. Viitattu 23.11.2023

Luonnonvarakeskus (2019). “Monilähteisen valtakunnan metsien inventoinnin (MVMI) kartta-aineisto 2019”. Viitattu 23.11.2023

GIM2_2023 Luentomateriaalit viikko 3. Viitattu 23.11.2023

 

Hei!

Kuluneella viikolla ryhdyimme työstämään toisen viikon tehtäviä, joiden aiheena olivat korkeusmallit ja hydrologinen analyysi Kevon kanjonista. Tämä 24 neliökilometrin alue ajettiin harjoituksessa useiden eri työkalujen läpi, joiden avulla selvitettiin mm. alueen korkeuskäyriä, veden virtaussuuntia ja kanjonin uomien sijainteja. En ole selvästi edelleenkään sisäistänyt, että aineistot on meille tarjoiltuna Moodlessa, sillä seikkailin Paitulissa noin puoli tuntia ennen kuin pääsin aloittamaan työt. Tämän kanssa pitää todella tsempata…

Aineiston metatiedoista selvisi, että pohjakartta on transverse mercator / Gauss-Kruger projektio, jonka koordinaattijärjestelmä on EUREF-FIN. Resoluutio oli 32bit ja jos ymmärsin oikein, niin korkeusmalli on 2m x 2m. Ohessa kuvassa 1. olen ajanut aineiston päälle vinovalovarjostuksen (hillshade) ja korkeuskäyrät (contours). Kanjonin reunat näkyvät huomattavan jyrkkinä, kun korkeuskäyriä on tiheästi aivan vierivieressä. Vinovalovarjostukseen asetin “auringon” suunnaksi ohjeessa suositellun pohjoisen Suomen realistisemmat arvot. Kuvan 1. oikeassa reunassa huomaa, kuinka näillä työkaluilla ajettu aineisto ja pohjakartta eroavat toisistaan visuaalisesti. Vinovalovarjostuksen vaikutus korkeuserojen esittämiseen on huomattava. Päälle ajetut työkalut kuitenkin peittävät eri karttamerkit, joten molemmille karttatyyleille on omat käyttötarkoituksensa.

Ensimmäisen työvaiheen jälkeen siirryin tekemään johdannaisia tältä pohjalta. Slope eli jyrkkyys -työkalu tuotti kartalle visualisoinnin kanjonin jyrkkyydestä (kuva 2.). Jyrkimmillään eli tummanruskeissa kohdissa rinne viettää jopa 90 astetta. Tällä vaihteluvälillä loivia kohtia on huomattavasti tiheämmin, alkaen 1,72 asteesta.

Toinen johdannainen ajettiin, jotta kyetään osoittamaan kanjonin rinteiden viettosuunnat ilmansuuntien mukaan. Tätä pohjaa käyttämällä valmistelin myös harjoitustehtävien Hydrologinen mallinnus -vaiheessa virtaussuuntien mallinnuksen. Mallinnusta tehdessä tuli myös palautettua mieleen ensimmäiseltä harjoituskerralta tutun layoutin käyttö. Ohessa kuvassa 3. tuottamani korjatun korkeusmallin virtaussuunnat. Ongelmaksi tässä mallinnuksessa syntyy otsikon, legendan ja indeksikartan puute. Jos ei tietäisi kuvassa olevan Kevon kanjonin ennalta määritettyä aluetta, jolla esitetään virtaussuuntia ilmansuuntien mukaan, kartta olisi informaatioton. Turkoosille värille olisi ollut hyvä tehdä merkintä legendaan, että se merkitsee tasaista aluetta, jolla ei ole tiettyä kaltevuuteen liittyvää virtaussuuntaa.

Viimeisessä tehtävässä lähdin tuottamaan mallinnusta kanjonissa olevista uomista. Tässä vaiheessa oppituntia minulla oli aivan liikaa tasoja, joiden nimet olivat liian samankaltaisia. On mahdollista, että tasoja on mennyt sekaisin. Tuotin valuma-alueiden rajat, sekä uomat raja-arvoilla 100 000 (kuva 4.) eli hyvin todennäköinen uoma ja raja-arvolla 1000, eli enemmän visualisointia, mutta epävarmempi todennus (kuva 5.).

 

 

 

 

 

 

 

 

 

Kuvassa 5. valmistelin suuremmaksi karttakuvaksi pienimittakaavaisen lähikuvan, jotta sain uomat, että valuma-alueet näkyviin. Arvelen, että kuvassa 5. oleva raja-arvo 1000 on liian epätarkka. On epätodennäköistä, että todellisuudessa uomat noudattaisivat vastaavia linjoja.

Ensi viikkoon!

Tytti N.

Hei!

Pohdin muutaman päivän, kuinka lähtisin toteuttamaan “Geoinformatiikan menetelmät 2” -kurssin raportointia. Tavallisten PDF-tiedostojen palauttaminen tuntui tylsältä, kun niitä saa palautella muutenkin perin usein. Blogi on siis kuitenkin selkeä jatkumo viime kevääseen, joten täällä sitä ollaan jälleen! Tänään 1.11.2023 pääsin ihan ensimmäisenä treenaamaan omaa luetunymmärtämistäni. Ohitin täysin aineiston lataamisen, joten ensimmäinen kaksikymmentä minuuttia meni ArcGIS PRO:ssa pyöriessä. Kun palasin lukemaan ohjeet uudestaan ja sain aineistokin mukaan, oli aika ryhtyä töihin.

Tehtävissä oli mukavan selkeät ohjeet ja ensimmäinen tehtäväpaketti sujuikin melko jouhevasti. Ohessa kuvassa 1. esillä valmistelemani karttakuva Vihdintien ja Lahdenväylän bufferointiin liittyen. Ongelmiksi koin todella jäykät mittakaavat, sekä aineiston tekijöiden leimat, jotka onkin hävitetty kartoista. Hyvä asia oli, että muistin aiemmilta kursseilta kartoissa käytettäviä värimaailmoja, joten silmälle kartat tai legenda eivät käy liian raskaaksi kuvassa 1. ArcGIS PRO myös itse asetti legendan aakkosjärjestykseen. Muutamia huolitteluun liittyviä yksityiskohtia jäi vielä tässä vaiheessa tekemättä, mutta olen esimerkiksi iloinen mielestäni onnistuneesta indeksikartasta oikeassa yläkulmassa.

Tämän jälkeen siirryin harjoittelemaan Vihdintien ja Lahdenväylän bufferointia (kuva 2), clippausta ja niiden attribuuttitaulukkotietojen muokkaamista haluttuun muotoon. Asetin molemmille teille 250 metrin bufferit ja clippasin käyttööni vain tämän alueen sisällä olevat attribuuttitiedot maanpeitteestä. Pinta-ala muutettiin hehtaareiksi, sillä ArcGIS PRO tarjoaa pinta-alat oletuksena neliömetreiksi, joka ei tällaisessa mittakaavassa ole kovin järkevää. Kaikki halutut toimenpiteet onnistuivat melko vaivattomasti, mutta maanpeitekartan tyylin tuomisessa oli hieman haasteita, sillä en millään meinannut löytää import -painiketta.

Näiden harjoitusten attribuuttitaulukot muutin csv -muotoon ja onnistuin tuomaan ne Exceliin. Tuntemattomasta syystä Vihdintien attribuuttitaulukosta oli kuitenkin pudonnut pois “pellot” sarake, jonka lisäsin käsin jälkikäteen. Oheisissa kuvissa 4 ja 5 esitetään piirakkakaaviolla prosenttiosuudet Vihdintien ja Lahdenväylän bufferien sisällä olevista maanpeitteen osuuksista. Maanpeitteen osuudet näkyvät kuvissa myös hehtaarien mukaan attribuuttitaulukossa. Kun vertailen molempien alueiden attribuuttitaulukkoja, huomaan, että Lahdenväylän buffer-alueella on enemmän tiestöä, avokalliota ja muuta paljasta maata. Lahdenväylä kulkee rampilla yli useista muista teistä, sillä tällä suunnalla ovat tiet Lahteen, Tampereelle ja niiden jatkoreitteihin. Mielenkiintoista on, että Vihdintien ympäristössä on “Vettä läpäisemätöntä pintaa”. Merkitseeköhän se esimerkiksi kerrostalojen asfaltoituja pihoja?

Tehtävässä 2. lähdin toteuttamaan kolmen kaupunginosan eli Kumpulan, Käpylän ja Toukolan rajaamista muista Helsingin kaupunginosista. Intersect -työkalulla leikkasin valituista kaupunginosista ja maanpeitekartasta maantieteellisesti rajatut attribuuttitiedot. Aiemmassa tehtävässä opitun perusteella loin karttatulosteen suurimittakaavaisesta kartasta, sekä indeksikartasta (kuva 6.). Tässä vaiheessa luentoa oli jäljellä enää 30 minuuttia, joten karttatuloste kärsii esimerkiksi puutteellisesta mittakaavasta indeksikartassa. En ole myöskään täysin vakuuttunut, olisiko rajaamilleni kaupunginosille kuulunut asettaa maanpeite -pohjakartaksi myös, sillä nyt ne on vain värjätty. Näitä kehitetään jatkossa.

Intersect-työkalulla saavutin kahden erillisen tason tietojen yhdistelyn. Clip-työkalulla olisi saatu selville vain toisella tasolla olevia attribuuttitietoja. Seuraavaksi lähdin tuottamaan attribuuttitiedoista rajattua attribuuttitaulukkoa, jonka lopputulokseksi saan kolmen asuinalueen kaksi erilaista maanpeiteaineistoa: Luonto ja rakennettu. Kopioin koodin harjoitustehtävästä Calculate Field -työkaluun ja harjoitustunnin ohjaajan avustuksella sain koodin kirjoitettua oikein.

Tässä vaiheessa todennäköisesti epähuomiossa ohitin jonkun vaiheen, sillä minun lopputulokseni ei ollut tehtävän ohjeita vastaava. Halusin kuitenkin tuottaa oikeanlaisen kaavion, joten kirjasin oikeat tiedot käsin. Jätin kuitenkin epäonnistuneen attribuuttitaulukon näkyviin, jos sitä ehtii korjailla myöhemmin kurssin edetessä. “Muu paljas maa” -luokittelu voidaan todennäköisesti lukea niin luonnonmukaiseksi, kuin rakennetuksi ympäristöksi. Onko maa “paljas” esimerkiksi maastopalon vuoksi, tai se voi olla hiekkarantaa. Paljas maa voi myös olla tulevan rakennusprojektin pohjaa, jolloin se on ihmisen aiheuttamaa ja rakentamaa.

Lähdeluettelo:

MAA-221, Geoinformatiikan menetelmät 2: Luento 1 -diaesitys.

Helsingissä 2.11.2023

Tytti Nyrönen