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.