Geoinformatiikan menetelmät 2 – Seitsemäs kurssikerta

 

Laskettelukeskus Croissant

Seitsemännellä kurssikerralla oli tehtävänä muodostaa soveltavasti oman näköinen kartta laskettelurinteiden muodossa. Tehtävässä ei ollut annettu valmista dataa, vaan se ladattiin Paituli-palvelusta. Oma datalähteeni sijoittuu Suomen käsivarteen Käsivarren erämaa-alueelle suhteellisen lähelle Kilpisjärveä. Laskettelurinne ei kuitenkaan sijoitu keskelle erämaata, koska sinne voisi olla erittäin vaikeaa kulkea, vaan lähelle Käsivarrentietä eli väylää E8.

 

Aineiston käsittely

Alueeni sijaitsi Paitulissa kahden karttaruudun alueella, joten latasin niistä molemmat tiedostoihini ja yhdistin ne ArcGis-sovelluksessa Mosaic-rasterifunktiolla. Yhdistelyn jälkeen leikkasin analyysille sopivan kokoisen alueen kurssin aikana erittäin tutuksi tulleella Clip-toiminnolla. Muokkaamisen jälkeen pääsinkin aloittamaan itse tehtävän. Tarkastelin aluksi alueen rinteitä ja niiden jyrkkyyksiä sekä alueen maastonmuotoja rinnevalovarjostuksen (kuva 1) ja korkeuskäyrien avulla. Päätin tämän perusteella mahdollisen haluamani tutkimuskohteen ja tein sille haluamani mallit slope- ja aspect-työkaluilla (kuva 2 ja 3).

Kuva 1 – Rinnevalovarjostus tutkimusalueelta.

 

Kuva 2 – Slope-työkalulla tehty kartta tutkimusalueen maastonmuodoista.

 

Kuva 3 – Aspect-työkalulla tehty kartta tutkimusalueen rinteiden avautumissuunnista.

 

Kuvassa 2 valitsemani tutkimuskohteeni näkyy kartan keskipaikkeilla ”croissantin” muotoisena rinteenä. Kuvasta myös näkyy sen selkeä erottuminen muista maastonmuodoista, mikä viittaa rinteen olevan tarpeeksi jyrkkä ja iso laskettelurinteelle. Kuvassa 3 puolestaan havainnollistetaan rinteiden avautumissuuntia eri ilmansuuntiin, jotka ovat merkitty räikeillä väreillä, jotta eri ilmansuuntiin kohdistuvat avautumissuunnat erottuisivat mahdollisimman hyvin toisistaan. Kolmannessa kuvassa analyysi ulottuu tutkimusaluetta isommalle alueelle, koska halusin vielä vertailla alueen muita mahdollisuuksia rinteen sijoittamiselle. Rajasin kuitenkin kolmanteenkin karttaan lopullisen tutkimusalueeni neliön muotoisin ääriviivoin.

 

Laskettelukeskuksen muodostaminen

Muokkasin seuraavaksi aiemmasta slope-tasosta uuden version reclassify-työkalulla, jolloin laskettelurinteiden jyrkkyys tulisi selkeämmin esille (kuva 4). Havainnoin uudesta kartasta myös mahdollisia tasaisia alueita laskettelukeskukseen johtavalle tielle sekä siellä sijaitsevalle parkkipaikalle. Otin alueella sijaitsevat järvet sekä tasaiset, tien ja parkkipaikan paikalle otolliset, alueet huomioon luokkien uudelleenluokittelussa.

Kuva 4 – Rinteiden jyrkkyyttä kuvaava kartta tulevan laskettelurinteen ympäristöstä.

 

Kuvassa 4 on merkitty sinisellä värillä alueen vesistöt ja valkoisella värillä tasaiset alueet. Rinteen jyrkkyyttä on puolestaan kuvattu harmaanruskean eri sävyillä, joista vaaleampi kuvastaa loivempaa mäkeä, kun taas tummempi jyrkempää. Havainnoin tielle otollisia tasaisia alueita kartalta ja parhaimmat kohdat sijoittuvat vasemmassa alakulmassa sijaitsevien kahden järven väliin ja siitä eteenpäin sivuten laskettelurinteen alapuolella olevaa mäkeä aina laskettelurinteen lähettyvyyteen. Tein lopuksi laskettelukeskuksesta, palveluista ja sinne johtavasta tiestä lopullisen kartan ja visualisoin sen haluamani näköiseksi (kuva 5).

Kuva 5 – Laskettelukeskus ”Croissant”.

 

Valmiiseen laskettelukeskukseen johtaa suhteellisen lyhyt tie isomman valtatien varrelta, joka on piirretty karttaan tummansinisellä viivalla. Alueella on myös paljon parkkitilaa autoille ja erillinen parkkeerauspaikka lähempänä järveä mahdollisille tila-autoille, kuten asuntoautoille. Parkkialueen vieressä on ravintola ja lisäksi kahviloita sijaitsee laskettelurinteen varrella sekä päällä. Laskettelukeskuksessa on sekä pieniä, että isompia mäkiä ja ne ovat kohtuullisen pitkiä ihaniin, talvisiin ja tunnelmallisiin lasketteluhetkiin. Rinteet sijaitsevat violetilla merkittyjen hissien väleissä ja niiden jyrkkyyksistä julkaistaan mahdollisesti pian tietoja Croissant-laskettelukeskuksen nettisivuilla. Rinteillä on monenlaisia hissejä: pienemmän mäen sompahissi, parkkipaikalta ylös johtava koppihissi, jossa on myös välietappi keskellä mäkeä. Välietapilta voi laskea takaisin parkkipaikalle tai vinosti pienemmän rinteen hissille. Rinteen korkeimmalta kohdalta voi laskea luoteeseen (aloittelijaystävällisempi) tai kaakkoon (vain kokeneille) ja takaisin ylös pääsee tuolihissin kuljettamana.

 

Loppusanat

Lopullisesta kartasta tuli aika yksinkertainen, mutta kuitenkin erittäin selkeä. Alueesta olisi voinut tehdä esimerkiksi 3D-kartan, mutta valitettavasti aika ei siihen riittänyt. Lisäksi karttakuvaan olisi voinut merkitä rinteiden laskettelujyrkkyyden niille annetuin värikoodein ja havainnollistaa laskettelureittien tarkempi sijoittuminen maastoon. Olisi voinut huomioida myös laskettelukeskuksen mahdollisia muita alueita, esimerkiksi pulkkamäille tai vaikka tasaista pintaa vaativille luistelukentille. Jokaisessa laskettelukeskuksessa on kuitenkin aina jotain parannettavaa, ja vähäisen ajan puitteissa pääsin kuitenkin suhteellisen pitkälle suunnittelussa 😀

 

Erilaisten yksinkertaisten karttojen tekeminen on helpottunut kurssin aikana merkittävästi, mutta syvällisempien karttojen tekemisessä tarvitsisin tarkemmat ohjeet. Itsenäinen työskentely kurssikerralla oli kuitenkin yllättävän mielekästä ja oli hauskaa päästä itse valitsemaan dataa mistä ikinä haluaakaan! Oli myös kivaa päästä pohtimaan itse, mitä analyysimenetelmiä aineistolle tulisi käyttää ja lopuksi vertailemaan kurssikaverini kanssa, tuliko kohteistamme samantyyppiset. ”Peruskarttojen” tekotaitoni ovat kehittyneet kurssin aikana merkittävästi, mutta parannettavaa löytyy syvällisempien karttojen tekemisessä. Toisaalta minulla oli tämän kurssin lisäksi huomattavan paljon muita kursseja ja niihin liittyviä suhteellisen työläitäkin tehtäviä, joten minulla ei ollut aikaa jäädä koulun jälkeen tekemään syvällisiä taitoja vaativia karttoja. Olen kuitenkin tyytyväinen, että olen jo tähän asti päässyt kurssilla. Kurssi on ollut erittäin opettavainen, mutta olen kuitenkin helpottunut, että se on nyt jotakuinkin paketissa ainakin raporttien osalta.

 

Kiitos kurssista!

 

 

Datan latauspalvelu:

Paitulin latauspalvelu, saatavilla: https://paituli.csc.fi/download.html

Geoinformatiikan menetelmät 2 – Kuudes kurssikerta

 

Suomen interpolointia

Kuudes kurssikerta oli erittäin työläs, toistava ja jokseenkin vaikea, mutta onnistuin kuitenkin siitä (jollain tavalla) suoriutumaan. Tehtävien aineistona käytimme pistemäisessä muodossa esitettyä Suomesta kerättyä säähavaintoaineistoa, joita tutkimme interpolointimenetelmien avulla. Toin aluksi tarvittavat tiedostot ArcGis:iin ja tein tietokantaliitoksen sääasematiedoston ja keskilämpötilojen välille, jonka lopputulosta käytettiin seuraavissa tehtävissä. Tehtävien interpolointimenetelmien tiedot on aluksi kirjattu taulukkoon 1.

 

Taulukko 1 – Tietoja tehtävässä käytetyistä interpolointimenetelmistä.

 

Suomi ja Thiessenin polygonit

Ensimmäisessä tehtävässä rajasimme havaintopisteiden ympärille alueet, joiden polygonin rajoilta on lyhyimmät matkat alueen sisällä olevaan pisteeseen, jolloin alue saa kyseisen havaintopisteen ominaisuustiedot. Tätä menetelmää kutsutaan siis Thiessenin polygoniksi. Käytimme analyysissa apuna säähavaintopisteitä ja tammikuun keskilämpötiloja. Tämä vaihe kurssikerralla oli vielä erittäin helppo, vaikka käytimmekin uutta työkalua kartan tekemisessä. Osiossa käytin myös tuttua Clip-työkalua saadun mallin leikkaamisvaiheessa ja lopuksi visualisoitiin valmis kartta (kuva 1) kuvaavasti.

Kuva 1 – Tiessenin polygon -menetelmällä tehty kartta sääasemien läheisyyksien keskilämpötiloista tammikuussa.

 

Minusta kuvan 1 karttaan kuvaavin väri määrittämään arvoja oli sinisen eri sävyt, mutta ne olisi voinut laittaa toisinpäin karttaan, jolloin sinisen tummin sävy kuvaisi suurimpia arvoja ja valkoinen pienimpiä. Toisaalta värit voidaan ajatella myös niin päin, että mahdollinen ”lumipeite”, joka viittaa kylmyyteen, kuvaisi valkoisia värejä ja tummempi väri ”ei niin lumisia” alueita.

 

Suomi ja trendipintainterpolointi

Seuraavaksi tehtiin analyysi käyttäen trendipintainterpolointia. Helsingin yliopiston laitoksen metsätieteiden julkaisuissa ”Geoinformatiikka luonnonvarojen hallinnassa” (julkaisut 7, 2015) kerrotaan itselleni aluksi vähän epäselväksi jääneestä trendipintainterpoloinnista:

”Yksinkertaisin tapa kuvata asteittaisia muutoksia on mallittaa niitä polynomiregressiolla. Ajatuksena on sovittaa viiva tai pinta pienimpien neliösummien avulla niin, että pinta tai käyrä poikkeaa mahdollisimman vähän havaintoarvoista. Spatiaaliset koordinaatit X ja Y oletetaan selittäjiksi ja kiinnostuksen kohde Z on selitettävä muuttuja (Burrough 1987).”

Kirjassa mainitaan myös, että menetelmä soveltuu paremmin laaja-alaiseen mallintamiseen, jossa maaston muodot vaihtelevat hitaammin. Uskoisin, että Suomi on tämän mallinnuksen käytössä toimiva ratkaisu.

 

Tehtävässä tehtiin 1., 2. ja 3. asteen trendipintamallinnuksia Trend-työkalun avulla. Nämäkin kartat (kuvat 2, 3 ja 4) ovat tehty tammikuun arvoilla. Minusta tämänkin menetelmän lopputuloksen kartoissa oli parhaimpana vaihtoehtona käyttää sinisen värin eri sävyjä, mutta tällä kertaa totesin, että olisi parempi käyttää kylmemmillä alueilla tummempaa väriä kuin lämpimillä. Eri trendipintainterpolointi asteiden kartat saavat tuloksissa pieniä eroavaisuuksia, vaikka niitä ei havaitsekaan niin hyvin silmämääräisesti. Arvot ovat kuitenkin jokaisessa kuvassa erilaiset.

Kuva 2 – 1. asteen trendipintainterpolointi kartta tammikuun keskilämpötiloista.

 

Kuva 3 – 2. asteen trendipintainterpolointi kartta tammikuun keskilämpötiloista.

 

Kuva 4 – 2. asteen trendipintainterpolointi kartta tammikuun keskilämpötiloista.

 

Suomi ja IDW (Inverse Distance Weighted -interpolointi)

IDW-interpolointimenetelmän avulla saatiin lopputulokseksi samankaltainen kartta, joka saatiin trendipintainterpoloinnista, mutta alueiden rajojen ääriviivat ovat hieman ”kurvikkaampia” kuin aiemmassa mallissa. Menetelmä keskiarvoistaa läheisimpiä havaintopisteitä käyttäen painokertoimina havaintopisteiden etäisyyden käänteislukua tai sen kerrannaista. Tässä tehtäväosiossa käytettiin Geostatical Wizard -työkalua, jossa oli paljon pureskeltavaa, mutta oli loppujen lopuksi suhteellisen helppokäyttöinen. Työkalun avulla kartasta saatiin halutun analyysituloksen mukainen, josta vielä Clip-toiminnon avulla leikattiin oikean muotoinen. Myös tässä kartassa käytettiin tammikuun keskilämpötilan arvoja. (Kuva 5).

Kuva 5 – IDW interpolointimenetelmän avulla saatu kartta tammikuun keskilämpötilojen vaihteluista.

 

Suomi, kuukaudet ja spline -interpolointi

Seuraavaksi siirryttiinkin vaativimpaan tehtävään tällä kurssikerralla. Tässä osiossa käytettiin spline -interpolointimenetelmää ja modelbuilderia. Tehtävän tarkoituksena oli laskea keskilämpötilat jokaiselle kuukaudelle alueittain. Valitsin väreiksi sinisen, valkoisen ja punaisen, jolloin lämpötilavaihtelu vaihtelee loogisesti niin, että punaisella kuvataan lämpimämpiä arvoja, kun taas tummemmalla sinisellä kylmimpiä. Tein kaikista muista kuukausista kartat paitsi tammikuusta, koska siitä oltiin tehtävän aikana tehty jo niin monia analyyseja. Modelbuilderin käyttö sujui yllättävän hyvin, vaikka alussa olikin joitain pieniä ongelmia. Lopputuloksen kartat näyttävät suhteellisen realistisilta, jolloin voisin uskoa, että tekemäni menetelmät ovat menneet oikein (kuva 6 ja modelbulder kuva 7).

Kuva 6 – Spline-interpolointi menetelmän lopputuloksena syntyneet kartat keskilämpötiloista kuukausittain.

 

Kuva 7 – Modelbuilderista otettu kuva spline-interpolointivaiheista.

 

Kurssikerta sujui ihan hyvin, vaikka tehtävien aikana olikin pienimuotoisia vaikeuksia. Olen kuitenkin huomannut edistymistä osaamisessani, vaikka en olekaan pitänyt geoinformatiikkaa minulle suunnattuna…

 

 

Käytetty kirjallisuus:

Holopainen et al. (2015). Geoinformatiikka luonnonvarojen hallinnassa. Helsingin yliopiston metsätieteiden laitoksen julkaisuja 7, saatavilla: http://hdl.handle.net/10138/166765

Geoinformatiikan menetelmät 2 – Viides kurssikerta

 

Näkyvyysanalyyseja Kevon kanjonin alueelta

Ajattelin viime kerralla, että päästäisiin jo näistä Kevon kanjonin alueelta tehtävistä raporteista, mutta täällä taas ollaan, samalla alueella, mutta tällä kertaa päätutkimuskohtamme ei ole uomat, vaan vaellusreitti. Tehtävän aineistoina toimivat Maanmittauslaitoksen pistemuotoinen data mastoista, joiden antennien korkeus on johdettu MLL:n laserkeilausaineistosta sekä rasterimuotoinen data korkeusmallista (10m).

 

Ennen tehtävän tekoa luin kurssikirjallisuudesta, mitä tehtävässä käytettävä näkyvyysanalyysi yleisesti tarkoittaa. Helsingin yliopiston laitoksen metsätieteiden julkaisuissa ”Geoinformatiikka luonnonvarojen hallinnassa” (julkaisut 7, 2015) kerrotaan näkyvyysanalyysin määrittelevän yhdestä tai useammasta pisteestä näkyvät alueet. Lisäksi käyttötarkoituksista kerrotaan näin:

”Sitä voidaan käyttää mm. maisema-alueiden suunnittelussa sekä metsänhoidollisten toimenpiteiden vaikutusten selvittämiseen. Analyysi sopii sekä rakennettujen, että rakentamattomien alueiden näkyvyystarkasteluihin.”

 

Kevon retkeilyreitti

Aluksi toin tehtävässä käytetyt aineistot ArcGis:iin ja muokkasin korkeusmallin haluamani näköiseksi. Tämän jälkeen piirsin vaellusreitin kartalle apunani muokkaamani korkeusmalli sekä Open Street Mapin karttapohja, josta seurasin Kevon vaellusreitin ääriviivoja. Kevon reitti on 63 kilometriä pitkä, joka sopi hyvin tehtävässä määritellyn reitin ideaalimittoihin. Valmis reitti näkyy kartassa näkyvällä värillä, jotta se erottuisi selvästi sitä ympäröivästä korkeusmallista (kuva 1).

Kuva 1 – Kevon vaellusreitti.

 

GSM- signaalien katvealueiden selvittämistä

Alueella maastonmuodot vaihtelevat jonkun verran, jolloin reitin varrella olevien mastojen GSM-signaalit eivät yllä kaikille alueille, kuten maastoesteiden taakse. Seuraavaksi selvitettiinkin reitin osat, jotka jäävät katvealueille. Näkyvyysanalyysi tehtiin Visibility-työkalulla, jonka lopputuloksen luokat muunnettiin tutulla Reclassify-työkalulla ja sen jälkeen saatu aineisto muutettiin Raster to Polygon -työkalulla vektorimuotoon. Saadulle lopputulokselle tehtiin vielä päällekkäisanalyysi Erase-työkalun avulla, josta saimme selville reitin osat, jotka jäävät kuuluvuusalueen ulkopuolelle. Saadussa kartassa (kuva 2) kuvataan punaisen eri sävyillä mastojen näkyvyysanalyysia ja vaellusreitin katvealueetkin ovat merkitty punaisella. Alkuperäinen vaellusreitti näkyy taustalla sinisellä. Kartassa on käytetty räikeitä värejä, jotta eri analyysien tulokset erottuisivat toisistaan sekä taustakartasta mahdollisimman hyvin.

Kuva 2 – GSM-signaalien kuuluvuusalueet ja Kevon reitin katvealueet.

 

Kartassa vaellusreitistä näyttää jäävän GSM-verkon katvealueeseen suurin osa, noin 70-80 prosenttia. Saatu tulos kuuluvuusalueista on suhteellisen realistisen näköinen, vaikka sitä voi olla vaikeaa tulkita. Näkyvyysanalyysin alueet sijoittuvat kartalle aika loogisesti, mutta alueita on yllättävän paljon. Toisaalta mastot on sijoitettu ilmeisesti maastonmuotojen korkeimpiin kohtiin, joista näkyvyys saattaa olla yllättävänkin pitkälle. Vaellusreitin katvealueet osuvat odotusten mukaisesti näkyvyysalueiden ulkopuolelle, jolloin voidaan varmistaa, että työkaluilla tehdyt analyysit ovat menneet oikein. Toisaalta kaikki punaisella merkityt reitin osat eivät välttämättä ole katvealueita, koska kuuluvuuden ei luulisi olevan täysin riippuvainen maastoesteistä. Lisäksi joissakin kohdissa reittiä katvealueen ja muun alueen väli on erittäin häilyvä, kuten lähellä reitin puoliväliä sekä reitin lopussa. Todellisuudessa katvealueet eivät välttämättä jakaudu kyseisissä kohdissa ihan kartan mukaisesti. Häilyvyyteen voi vaikuttaa esimerkiksi pienemmät mäet, jotka ovat määritelty maastoesteiksi aineistossa. Pienet mäet eivät kuitenkaan välttämättä vaikuta GSM-verkon kuuluvuuteen merkittävästi. Kokonaisuudessaan katvealueita kuvaava kartta vaikuttaa kuitenkin suhteellisen realistiselta.

 

Uuden tukiasemamaston sijoittaminen GSM-verkon kattavuuden parantamiseksi

Seuraavaksi luotiin uusi tukiasemamasto täydentämään näkyvyysanalyysia retkeilyreitin ympäristössä. Tavoitteena oli, että katvealueet retkeilyreitin varrella vähentyisivät. Uusi näkyvyysanalyysi tehtiin Visibility-työkalulla vaellusreitin katveosuuksien ja maston korkeustiedon perusteella. Tässä vaiheessa oli tärkeää tarkistaa työkaluun annettavat tiedot, koska monesti olin vahingossa laittanut jonkun tiedon väärään kohtaan, jolloin jouduin pyörittämään vaiheen monesti uudelleen sen epäonnistuessa kerta toisensa jälkeen. Realistiseen lopputulokseen kuitenkin päädyttiin, vaikkakin oma päätelmäni maston sijoittamisesta ei vastannut kovinkaan hyvin lopputulosta. Visualisoin kartan (kuva 3) niin, että korkeimman kohdan eli parhaimman tukiasemamastopaikan erottaa selkeästi muusta ympäristöstä.

Kuva 3 – Tutkimusalueen GSM-verkon uusi näkyvyysanalyysi.

 

Kartassa pieni vihreä alue kuvastaa maastonmuotojen korkeinta kohtaa, johon uusi tukiasemamasto tullaan sijoittamaan. Tämän kohdan koordinaatit ovat N693201,36 ja E264704,81. Muut alueen tulokset ovat puolestaan visualisoitu vaalean liilan eri sävyin. Oli oletettavaa, että masto sijoittuisi lähelle retkeilyreittiä ja tietenkin korkeimmalle kohdalle, mutta oma veikkaukseni maston sijoittumisesta, joka on merkitty karttaan mustana pisteenä, ei osunut ihan oikealle alueelle. Analyysia tehdessä muutimme resoluutiota niin, että uusi resoluutio oli 100, jotta ohjelma pyörittäisi analyysin paremmin. Resoluution pienentäminen ei kuitenkaan vaikuttanut visuaalisesti kovin merkittävästi analyysin tulokseen. Tuloksesta tuli erittäin selkeä ja helppotulkintainen.

 

Uusi masto ja uudet kuuluvuusalueet reitille

Lisäsin uuden tukiasemamaston korkeimmalle (vihreä väri) kohdalle ja tein näkyvyysanalyysin uudelleen uusi masto mukaan luettuna. Tässä kohdassa työkalut eivät enää pelanneetkaan halutulla tavalla, enkä monen tunnin yrityksen jälkeen päässyt haluamaani lopputulokseen. Apukädetkään eivät osanneet auttaa minua tässä tilanteessa. Sain kuitenkin lisättyä uuden tukiaseman kartalle ja tehtyä näkyvyysanalyysin Visibility-työkalulla, mutta Reclassify-, Raster to Polygon- ja Erase-työkalut eivät enää tuottaneet haluttua tulosta jostain syystä. Lopulliseen tulokseen ei muodostunut retkeilyreitin katvealueita ja tulos näyttää siis kartalla keskeneräiseltä (kuva 4). Visualisoin kartan vielä lopuksi hieman selkeämmäksi (kuva 5). Tuloksen pystyy kuitenkin havainnoimaan kartalta: kaikki reitin osat, jotka eivät osu oranssille alueelle, ovat katvealueella.

Kuva 4 – Välivaihekuva saaduista tuloksista.

 

Kuva 5 – Tutkimusalueen uudet kuuluvuusalueet.

 

Tulos, sen puutteista huolimatta, on kuitenkin jotakuinkin realistinen, koska uusi masto kattaa aikaisempaa isomman kuuluvuusalueen reitille. Vaikka reitin katvealueita ei olekaan kartassa näkyvissä, voi kuitenkin silmämääräisesti arvioida, että vaellusreitin kuuluvuus on parantunut reitillä. Katvealueiden osuuden voisi arvioida uuden maston lisäämisen jälkeen olevan noin 60 prosenttia, kun se alussa oli noin 70-80 prosenttia. Kartassa on kuitenkin erittäin paljon parannettavaa. Katvealueiden havainnollistaminen reitin varrella olisi selkeyttänyt karttaa huomattavasti. Näkyvyysanalyysi näyttää viimeisissä kartoissa hieman erilaiselta kohdista, joista en olettanut sen muuttuvan. Tietenkin reitin kuuluvuusalueet parantuivat suurimmassa osassa reittiä, mutta reitin loppupää on hieman kyseenalainen.

 

Kurssikerran vaikeuksista huolimatta päädyin jonkunlaiseen lopputulokseen, joka on jo saavutus. Työkalujen käyttö on kuitenkin tässä vaiheessa selkeytynyt huomattavasti ja ne eivät ole (ainakaan yleensä) kovin tuskallisia käyttää. Toivottavasti ensi kerralla työkalujen kanssa ei tule ongelmia ja pääsen parempaan lopputulokseen.

 

 

Käytetyt lähteet:

Holopainen et al. (2015). Geoinformatiikka luonnonvarojen hallinnassa. Helsingin yliopiston metsätieteiden laitoksen julkaisuja 7, saatavilla: http://hdl.handle.net/10138/166765

Tehtävässä käytetty data:

Maanmittauslaitos, Mastot

Maanmittauslaitos, Korkeusmalli_10m

Geoinformatiikan menetelmät 2 – Neljäs kurssikerta

 

Lisää rasterianalyyseja Kevon kanjonin alueelta

Neljännellä kurssikerralla tutustuimme Kevon kanjonin alueen maanpeiteluokkiin ja sitä kautta mietimme otollisia paikkoja telttailulle. Tarvitsimme tehtävässä joitain aiempien kurssikertojen aineistoja sekä toimme ArcGis:iin uuden käsiteltävän Corine-aineiston. Olen viimeisen kolmen kurssikerran aikana ollut jokaisella vaan enemmän helpottunut siitä, että edellisen kerran ArcGis-projektini on tallentunut koneelle. Tällä kurssikerralla ohjelma ei myöskään kaatunut kertaakaan, joka oli toinen helpotukseni.

 

Corine-aineiston metatiedot

Tehtävässä käytetty Corine maanpeiteaineisto kuvaa koko Suomen maanpeitteitä ja maankäyttöä vuodelta 2018. Aineiston tuotanto perustuu SYKE:n paikkatietoaineistoihin ja satelliittikuvatulkintaan. Corine-aineisto kuuluu SYKE:n avoimiin aineistoihin, joita kaikilla on oikeus käyttää. Lisäksi aineiston tuotantohankkeesta kirjoitetaan näin metatiedoissa:

”SYKEssä EU:n Copernicus Land -hankkeessa tuotettiin Suomen alueelta maanpeiteaineistot sekä laadittiin maanpeitteen muutoksia välillä 2012-2018 kuvaavat aineistot.”

Rasteriaineistossa näkyvät eri värit tarkoittavat puolestaan kartan eri maanpeiteluokkia.

 

Corine-aineiston muokkaus ja maanpeitekartta

Aluksi muokkasin Corine-aineiston sopivaksi tutkimusalueelle Clip raster -työkalulla eli toisin sanoen rajasin aineiston tutkimusalueeni kokoiseksi. Tämän jälkeen muokkasin vielä aineiston attribuuttitaulua ja visualisoin kartan havainnollistavalla tavalla. Lopputulokseksi syntyi Kevon kanjonin alueen maanpeiteluokkakartta (kuva 1), joka kuvaa nimensä mukaisesti alueella esiintyviä maanpeiteluokkia ja niiden sijaintia. Kartan visualisoiminen oli suhteellisen työlästä, koska luokkien nimet piti kirjoittaa erikseen luokkajakoon numeroiden kohdalle ja värit kaikista lukista piti vaihtaa manuaalisesti. Lisäksi oli haastavaa löytää tarpeeksi toisistaan eroavia värisävyjä kuvaamaan arvoja loogisilla väreillä.

Kuva 1 – Kevon kanjonin alueen maanpeiteluokat.

 

Pinta-alaltaan suurin maanpeiteluokka tutkimusalueella on varvikot ja nummet, jota esiintyy eniten hieman kauempana uomaa. Varvikkojen ja nummien runsaampi esiintyminen hieman kauempana uomaa johtuu luultavasti alueen kosteustason mataluudesta. Uoman läheisyydessä puolestaan kosteustaso on korkeampi, jolloin sen ympärillä on enemmän kasvillisuutta ja kartan mukaan näillä alueilla esiintyy eniten lehtimetsää, joka on myös oletettavaa. Muita metsätyyppejä esiintyy alueella niukasti. Kartan oikeassa yläkulmassa voi kuitenkin huomata pieniä harvapuustoisia alueita soiden reunamilla, jossa kosteustaso on huomattavasti korkeampi. Korkeimmilla alueilla esiintyy kalliomaata ja niukkakasvustoista kangasmaata, joka johtuu alueen kuivuudesta. Toisaalta kalliomaata esiintyy myös alueen kosteimmalla alueella eli uomassa, jonka selityksenä voisi olla maaperän hioutuminen uoman vesivirtauksen vaikutuksesta. Uoman pohjahan on luultavimmin hiekkaa, joka aineistossa luokitellaan kalliomaaksi.

 

ModelBuilder ja telttapaikkojen sijoittaminen alueelle

Seuraavassa vaiheessa käytimme ModelBuilderia soveltuvuusanalyysissä, joka toimii visuaalisena työkaluna työvaiheiden havainnollistamisessa, prosessien ketjuttamisessa ja automatisoinnissa. Tehtävässä oli valmiiksi määritelty kriteerit, joiden mukaan luokittelimme alueita otolliseksi telttailupaikoille. ModelBuilderilla muun muassa uudelleenluokittelin tehtävässä tarvittavaa dataa ja määrittelin sopivia maanpeitetyyppejä telttapaikoille Reclassify-työkalulla. Reclassify-työkalu tuli kurssikerran aikana erittäin tutuksi, koska toistin samankaltaisia asioita sillä monet kerrat harjoituksen aikana.

 

Tehtäväosassa käytettiin myös muita työkaluja Reclassify-työkalun lisäksi. Esimerkiksi Euclidean Distance – ja Raster Calculator -työkaluilla sain rajattua leiripaikat korkeintaan 200 metrin päähän vesiuomasta, joka oli myös yksi tehtävän annetuista kriteereistä. Kun kaikki kriteerit oli saatu määriteltyä, liitimme ne yhteen yhdeksi rasteriksi Raster Caculator -funktiolla. Toiminnolla yhdistettiin telttapaikat tai otolliset telttapaikka-alueet “yhdeksi luokaksi”.

 

Käsitelin lopuksi vielä tulosrasteria luokittelemalla telttailuun sopimattomien paikkojen 0-arvot NODATA-arvoiksi. Helsingin yliopiston laitoksen metsätieteiden laitoksen julkaisuissa ”Geoinformatiikka luonnonvarojen hallinnassa” (julkaisut 7, 2015) kerrotaan lisää 0- ja NoData-arvoista:

”Rasterimuotoisessa esityksessä jokaisella solulla on jokin arvo. Jos tieto on puutteellista tai sitä ei ole, solu saa arvoksi merkinnän ”NoData”, tieto puuttuu. Tiedon puuttuminen ja solun arvo 0 eivät merkitse samaa asiaa.”

On siis tärkeää huomata erot tarkastellessa aineistoa tulosrasterin erinäisillä arvoilla. Lopuksi muokattu tulosrasteri muutettiin vielä vektorimuotoon Raster to Polygon -työkalulla ja lopullisena tuloksena muodostui ModelBuilderin havainnollistava mallikuva (kuva 2) sekä telttailualueiden näkyminen kartalla kriteerien mukaisesti (kuva 3).

Kuva 2 – ModelBuilderilla luotu malli telttapaikkojen määrittelyn työvaiheista.

 

Kuva 3 – Havainnollistava karttakuva telttailupaikkojen sijoittumisesta alueelle kriteerien mukaisesti. Sopivat telttailualueet näkyvät kartassa mustalla värillä.

 

Visualisoin lopputuloksen vielä selkeämmäksi kartaksi (kuva 4), johon laitoin näkyviin myös korkeuskäyrät sekä korkeusvyöhykkeet. Kartassa telttapaikka-alueet ovat melko ”yksittäisiä” ja pienehköjä, vaikka niitä onkin suhteellisen paljon. Karttaa voi zoomata isommaksi, jotta telttapaikat erottaa selkeämmin. Telttailupaikat vastaavat kriteerejä hyvin, koska ne ovat sijoittuneet lähelle jokea matalille ja tasaisille alueille. Lopputulos on mielestäni halutun lopputuloksen mukainen.

Kuva 4 – Telttailulle sopivat alueet Kevon kanjonin alueella.

 

Tehtävää oli helpotettu antamalla valmiit kriteerit telttapaikkojen sijainnille. Tehtävässä olisi kuitenkin voinut hyödyntää muitakin kriteereitä halutun leirintämukavuuden mukaisesti, kuten tuulisuutta tai maaperän kosteutta. Näissä esimerkeissä olisi tarvittu aineistoa alueen kosteustasojen sekä tuulisuuden keskiarvoista. Erityisesti kosteustasoihin vaikuttaa vallitsevat vuodenajat, jolloin myös vuodenaikojen vaihtelu tulisi ottaa huomioon aineistossa. Vastaavasti Kevon kanjonin alueella voisi tutkia monia muita asioita kuin telttailulle otollisia alueita. Esimerkkeinä voisi olla alueen eläimistön sijoittuminen valitsemalla tutkimuksenkohteeksi haluttu eläinlaji tai vaihtoehtoisesti kasvillisuuden sijoittuminen. Oikeastaan ModelBuilder-työkalun avulla tehtyyn tutkimukseen sopii lähes mikä vaan aineisto, kunhan se jollain tavalla esiintyy tutkittavalla alueella, jotta tutkimustuloksessa olisi jotain mielenkiintoista.

 

Googlailin lopuksi vielä tuloksieni pätevyyttä ja katselin erilaisia karttakuvia Kevon kanjonin alueen vaellusreiteistä. Telttapaikkojeni sijainnit näyttävät olevan samankaltaisia kuin retkikartoissa lukuun ottamatta alueelle tehdyn vaellusreitin yöpymispaikkoja (kuva 5). Tutkimusalueeni ei kuitenkaan välttämättä sijoitu juuri tuolle vaellusreitille, tai muullekaan reitille. Kuvahausta haetussa kuvassa huomaa myös ylempänä uoman varrella olevan telttailupaikkoja ainoastaan uoman läheisyydessä. Omat tulokseni vaikuttavat siis olevan päteviä.

Kuva 5 – Kartta Kevon luonnonpuiston retkeilyreitistä ja yöpymispaikoista. (Linkki kuvaan raportin lähteissä)

 

Tästäkin kurssikerrasta selvittiin ainakin omasta mielestäni suhteellisen ansiokkaasti. Joitakin vaikeuksia ilmeni kurssikerralla karttaa tehdessä ja työkaluja käyttäessä, mutta ne kuuluvat asiaan. Epätoivo ei päässyt tälläkään kertaa valloilleen!

 

 

Käytetyt lähteet:

Corine maanpeiteaineisto 2018 (SYKE), saatavilla: https://bit.ly/2PWqw0O

Holopainen et al. (2015). Geoinformatiikka luonnonvarojen hallinnassa. Helsingin yliopiston metsätieteiden laitoksen julkaisuja 7, saatavilla: http://hdl.handle.net/10138/166765

Luontoon.fi. Kevon kartat (Kartta Kevon luonnonpuiston retkeilyreiteistä ja yöpymispaikoista.), saatavilla: https://www.luontoon.fi/kevo/kartat

Geoinformatiikan menetelmät 2 – Kolmas kurssikerta

 

Rasterianalyyseja Kevon kanjonin alueelta

Kolmannella kurssikerralla tutustuimme erilaisiin rasterianalyyseihin ja analysoimme niistä syntyneiden karttojen lopputuloksia. Käytimme aineiston pohjana viime kerralla luotuja tasoja ja käytimme myös pohjakarttana samaa dataa Kevon kanjonin alueesta kuin viimeksikin. Toimme viime kerralla käsiteltyjen aineistojen lisäksi Luonnonvarakeskuksen (Luke) tarjoamia avoimia puustoaineistoja alueen eri puulajeista projektiin tutkittavaksi.

 

Käytetyn datan metatiedot

Aluksi tutustuin aineiston metatietoihin, jotta voisin saada tarkemman ja laajemman kuvan aineiston ominaisuuksista tutkimista ja analysoimista varten. Metatietojen mukaan aineiston spatiaalinen resoluutio on 16km x 16km ja aineistossa esiintyvän biomassan yksikkö on 10 kg/ha. Aineiston tuotannosta kirjoitetaan metatiedoissa muun muassa näin: ”Metsäntutkimuslaitos (Metla) kehitti niin sanotun valtakunnan metsien monilähteisen inventoinnin (MVMI) ja otti sen käyttöön vuonna 1990. Maastotietojen, satelliittikuvien ja muun numeerisen paikkatiedon avulla tuotetaan kuntakohtaiset metsävara-arviot ja karttamuotoisia metsävaratietoja.”

 

Kokonaisbiomassat eri puulajeille

Laskin aineiston puulajeille kokonaisbiomassan Raster Calculator -työkalulla, jonka tuloksien pohjalta muodostin vertailevat karttakuvat havainnollistamaan alueen biomassan jakaantumista (kuvat 1, 2 ja 3). Kuvissa vaaleampi väri kuvaa pienempää biomassan esiintymistä, kun taas värin tummentuessa biomassan esiintyvyys kasvaa. Biomassakarttojen perusteella lehtipuita (kuva 3) näyttäisi olevan visuaalisesti eniten alueella ja puusto on sijoittunut lähinnä isoimman uoman varrelle alankoon. Biomassan sijoittuminen alangolle on tyypillistä, koska alavammat alueet ovat kosteampia veden virtauksen ja kasaantumisen takia. Lehtipuita sijaitsee isoimman uoman ohella myös pienempien sivu-uomien varsilla niin kuin on oletettavaa.

 

Mäntyjä ja lehtipuita sijoittuu suhteellisen samoille alueille karttavisualisoinnin mukaan, mutta kuuset poikkeavat tästä (kuva 2). Kuusia on suhteellisesti huomattavasti vähemmän kuin muuta aineistossa esiintyvää biomassaa, ja sen huomaa karttavisualisoinnista muun muassa biomassan peittämien alueiden pienemmästä pinta-alasta sekä vaaleasta väristä. Isoja arvoja eli kartassa tumman vihreää väriä ei huomaa lähes ollenkaan kuusten esiintymistä kuvaavasta karttakuvasta. Kuusia ei myöskään esiinny läheskään yhtä paljon sivuomissa kuin muita puita. Selittävänä tekijänä kuusten pienemmälle esiintyvyydelle voisi olla kuuselle epäotolliset alueet ja havupuiden kasvaminen korkeammilla alueilla.

 

Uoman etäisyysbufferi ja latvuspeittävyys

Ennen latvuspeittävyystehtävään kunnolla siirtymistä, selvitettiin aineiston metatiedoista, miten latvuspeittävyys on arvioitu ja mitä se tarkoittaa. Löysin metatiedoista kaksi hyvää kohtaa kuvaamaan kysymystä:

”Puun elävien oksien biomassa sisältää kaikkien elävien oksien massan ilman neulasia tai lehtiä. Puun kuolleiden oksien biomassa sisältää elävien puiden kuolleiden oksien biomassan ilman mahdollisesti jäljellä olevia neulasia tai lehtiä. Puun lehvästön biomassa tarkoittaa elävien neulasten tai lehtien biomassaa.”

”Puuston latvuspeittävyys VMI:ssa tarkoittaa koealan puuston vaakatasoon projisoidun latvuston peittämää osuutta koealan alasta. Latvuspeittävyys arvioitiin VMI10:ssä prosentteina (0-99) kiinteäsäteiseltä koealalta metsä-, kitu ja joutomaalla. VMI11-koealoille ennustettiin latvuspeittävyys k-NN-menetelmällä VMI10-koealoja käyttäen. VMI9:ssä (Ylä-Lappi) latvuspeittävyys arvioitiin koelalta kolmessa luokassa, jos koealan keskipiste sijaitsi metsä-, kitu-, tai joutomaalla. VMI9 koealoille laadittiin regressiomalli latvuspeittävyyden ennustamiseksi yhden prosentin yksiköissä.”

 

Muodostimme uomastolle etäisyysvyöhykkeen, jota voi käyttää esimerkiksi puuston sijoittumisen havainnollistamisessa suhteessa uoman sijaintiin. Etäisyysvyöhykkeen muodostamisessa tarvittiin viime kurssikerralla luotua uomastoa, joista valittiin käytettäväksi raja-arvon 100k omaava uomasto. Bufferialueen tekemiseen 100k uomasto on kaikkein sopivin, koska pienemmät yksityiskohdat tekisivät vyöhykkeestä liian tarkan ja kartasta luultavasti tulisi epäselvä. Hieman ”epätarkemmat” uomat sopivat siis tähän tehtävään parhaiten. Bufferialuuen tekeminen olikin jo tuttua, joten tämä kohta meni nopeasti. Tein kartan (kuva 4) havainnollistamaan lehtipuiden jakautumista vyöhykkeittäin kanjonin alueella ja pohdin uomien läheisyyden vaikutusta lehtipuiden esiintymiseen.

Kuva 4 – Lehtipuiden etäisyys uomasta Kevon kanjonin alueella.

 

Kartassa (kuva 4) taustalla näkyy Euclidian distance -työkalulla tehty 100k uomien bufferialue, joiden etäisyysluokat ovat muokattu 200 metriin Reclassify-työkalulla. Etäisyysluokat ovat visualisoitu pienimmästä suurimpaan arvoon, sillä tavalla, että uomien läheisyydessä olevia arvoja kuvataan tummemmalla värillä, ja väri haalenee siirtyessä kauemmas uomista. Toisin sanoen tummemmalla värillä merkitään kartassa kosteampia alueita. Laitoin 100k uomat vielä selkeyttämään bufferikartan päälle uomien sijaintia. En pystynyt vaikuttamaan uomien väreihin ollenkaan, koska niiden värejä muokatessa ArcGis päätti kerta toisensa jälkeen kaatua. Liitin bufferikartan päälle lehtipuiden latvuspeittävyyden havainnollistamaan puiden sijaintia ja määrää. Lopullinen kartta havainnollistaa hyvin uomien vaikutusta lehtipuiden sijoittumiseen alueella. Kartasta selkeästi huomaa, että uomien läheisyydessä esiintyy enemmän lehtipuita, kun taas kauemmas siirtyessä lehtipuiden osuus vähenee huomattavasti, mikä selittyy kosteustason madaltumisella.

 

Tein myös alueesta vyöhykkeittäin (200, 400, 600, 800, 1000, 1300) taulukon (taulukko 1), jossa kuvataan puuston latvuspeittävyyttä eri etäisyysvyöhykkeillä. Taulukossa on esitetty eri alueiden maksimiarvot, joista voi päätellä, millä etäisyysvyöhykkeellä kunkin puulajin latvuspeittävyys saa suurimman arvon.

 

Taulukko 1 – Alueella esiintyvien puutyyppien latvuspeittävyys alueittain.

Eniten puustoa on selkeästi etäisyysvyöhykkeellä 200, joka on lähimpänä uomaa. Alue on tällöin kosteampaa, joka vaikuttaa puuston ja muun biomassan kasvavuuteen positiivisesti. Vähiten puustoa on puolestaan etäisyysvyöhykkeellä 1300, joka on kuivinta aluetta sen sijainnin ollessa kauimpana uomastosta. Kaikkien alueiden enimmäispuu on mänty, kun taas kuusta on vähiten jokaisella vyöhykkeellä.

 

Kurssikerran harjoitus onnistui mielestäni hyvin ja viime kurssikerran epävarmuudet katosivat tällä viikolla. Viime viikolla syntynyt suuri epätoivon tunne on nyt hieman pienentynyt.

 

 

Käytetyt lähteet:

Luonnonvarakeskuksen (LuKe) avoimet puustoaineistot, saatavilla: http://kartta.luke.fi/

 

Geoinformatiikan menetelmät 2 – Toinen kurssikerta

 

Uomaston analyysia

Toisella kurssikerralla tutustuimme korkeusmalleihin ja hydrologisiin analyyseihin uomien merkeissä. Tutkittava aineisto sijoittui Kevon kanjonin alueelle, Kevon luonnonpuistoon, Utsjoen kunnan alueelle. Tehtävän tavoitteena oli tutustua erilaisten työkalujen käyttöön ja analysoida tutkimusalueen valuma-alueiden sijoittumista sekä potentiaalista jokiuomaverkostoa. Niin kuin kurssikirjallisuudessakin mainitaan, rasteripohjaiseen hydrologiseen mallinnukseen kuuluu veden valuntaan liittyvät analyysit, joissa analysoidaan pintavalunnan suuntaa ja määrää perustuen erilaisiin tietolähteisiin.

 

Alkutietoja käytettävästä korkeusmallista

Tehtävän lähtöaineistona käytettiin Maanmittauslaitoksen avoimesta datasta löydettyä korkeusmallia Kevon kanjonin alueelta. Korkeusmallin projisoitu koordinaattijärjestelmä on EUREF FIN TM35FIN ja sen yksiköt ovat metrejä (1,0). Tutkittavan alue on neliön muotoinen ja sen koko on kauttaaltaan 6km x 6km. Tehtävässä oli kysymys myös korkeusmallin spatiaalisesta resoluutiosta, johon sain vastaukseksi kaksi metriä.

 

Korkeuskäyrät ja rinnevarjostus analyysin tukena

Tehtävässä olennaista oli lisätä karttaan vinovalovarjostus ja vektorimuotoiset korkeuskäyrät (kuva 1) havainnollistamaan alueen maastonmuotoja. Rinnevarjostuksen laatimisessa käytettiin Hillshade-työkalua, kun taas puolestaan korkeuskäyriin Contour-työkalua. Tehtävässä käytettiin näiden lisäksi monia muita työkaluja, joiden toimintaan oli mielenkiintoista päästä tutustumaan.

Kuva 1 – Tutkittavan alueen maastonmuotojen havainnollistaminen vinovalovarjostuksen ja vektorimuotoisten korkeuskäyrien avulla.

 

Veden valumista kuvaavia analyyseja voi tehdä monenlaisia ja monen tyylisiä. Eri teemoihin voidaan siis käyttää erityylisiä karttakuvia riippuen siitä, minkä kokee havainnollistavan parhaiten tutkimuskysymystä. Toisin sanoen eri kartat ja esitysmuodot sopivat siis eri tutkimuskysymysten tueksi. Kuvat 2 ja 3 kuvaavat eri tavoin veden valumasuuntia ja valuma-alueita. Kuva 2 näyttää kuitenkin paljon räikeämmältä verrattuna kuvan 3 harmaaseen visualisointiin. Voidaankin siis sanoa, että visualisoinnilla on paljon merkitystä karttoja laatiessa ja niiden sanoman viestinnässä. Kuvan 2 kartan eri värit kuvaavat valumaa kunkin pikselin naapurustossa, ja lopputuloksen ainakin tässä tapauksessa tuleekin olla noinkin räikeä. Mielestäni kummatkin kuvien esitystavat ovat silti epäselkeitä ja hieman vaikeasti tulkittavia varsinkin henkilöille, jotka eivät entuudestaan tiedä aiheesta.

Kuva 2 – Valuma-alueen mallinnusta.

 

Valuma-alueet

Kuva 3 – Valuma-alueet rasterina 10k sekä 2000 raja-arvon uomastojen kanssa.

 

Uomat ja niiden suunnat havainnollistavat, mihin suuntaan vesi valuu. Kartasta (kuva 3) voi myös selkeästi erottaa mihin valuma-alueet muodostuvat. Lisäsin rasterimuotoisen valuma-alueen päälle uomat, jotta se havainnollistaisi mahdollisimman hyvin, missä kohdissa karttaa valuma-alueet sijaitsevat. Kartan keskellä näkyvään pääuomaan valuu vettä sivu-uomista ja se myös jakaantuu pienemmiksi uomiksi muodostaen pienemmät valuma-alueet. Valuma-alue voidaan nähdä isompana kokonaisuutena, jos aluetta tarkastellaan pienemmällä mittakaavalla.

 

Aineistossa voidaan myös huomata pieniä epäkohtia. Varsinkin kurssikerran harjoitusohjeessa olevassa kuvassa 13 mallinnetut valuma-alueet eivät näytä aivan realistisilta, koska mittakaavan voidaan katsoa olevan turhan suuri kuvaamaan veden valumista (kuva 4). Lisäksi jotkin uomat näyttävät aineistossa melko suorilta, mutta luonnollisessa ympäristössä niiden voidaan ajatella olevan mutkikkaampia ja epätasaisempia. Harjoitusohjeen kuvassa voi olla myös ongelmia valuma-alueiden määrittelyssä, jos esimerkiksi uomia ei ole osattu sijoittaa oikein tai ne ovat näyttäneet alkuperäisessä aineistossa epäselviltä. Voisiko myös rasteriaineistoon piirretyt vektorimuotoiset uomat aiheuttaa joissakin tilanteissa kuvan 4 kaltaisia ongelmia?

Kuva 4 – Kurssikerran harjoitusohjeen kuva 13, jossa huomaa ongelmia valuma-alueiden uomissa.

 

Kartan esitystapaan vaikuttavat myös yksityiskohtaiset tiedot ja esitysmallit. Jos uomien raja-arvoksi laittaisi 2000, kartta näyttäisi jokseenkin sekavalta (kuva 5), kun taas parempi vaihtoehto voisi olla 10 000 (kuva 6). Raja-arvo 100 000 puolestaan vaikuttaa olevan liian väljä. Uomien raja-arvosta 10 000 voi päätellä valumasuunnan samalla tavalla kuin raja-arvon ollessa 2000, joten pienempiä uomien yksityiskohtia ei tarvita karttaesitykseen ja niiden voidaan katsoa olevan turhia. Toisaalta aineiston esitysmuoto riippuu aina siitä, mihin sillä pyritään. Jos tutkimus kohdistuisi tarkemmin uomaston haaroihin ja aineiston pienempiin osa-alueisiin, olisi silloin raja-arvo 2000 parempi vaihtoehto. Minusta kuitenkin yleisessä karttaesityksessä on riittävää olla hieman pyöristetympi vaihtoehto uomastosta.

Kuva 5 – Kartan uomat raja-arvon ollessa 2000.

 

Kuva 6 – Kartan uomasto raja-arvon ollessa 10 000.

 

Tämän viikon harjoituksessa tehtiin paljon pohjatyötä ensiviikon harjoitusta varten ja uskon, että omakin käsitykseni saattaisi tulla muuttumaan joidenkin kohtien osalta ymmärrykseni kehittyessä. Oletan, että kurssikerralla tehdyt karttamallinnukset sekä eri työkalujen käyttämisestä muodostuneet uudet tasot tulevat käyttöön myöhemmässä vaiheessa ja niiden käyttötarkoitus avautuu minulle paremmin ensi viikolla.

 

En tosiaan tiedä, että ymmärsinkö tällä kurssikerralla mitään oikein…

(Epätoivon partaalla)

Geoinformatiikan menetelmät 2 – Ensimmäinen kurssikerta

 

Helsingin väylien päällekkäisanalyysit ja niiden analysoiminen

Overlay- eli päällekkäisanalyysissä yhdistellään ja vertaillaan päällekkäisten karttatasojen kohteita. Tuloksena syntyy karttakohteita, joissa keskeistä on aiheeseen liittyvien ominaisuustietojen liittäminen. Operaation tarkoituksena on kerätä uutta alueinformaatiota uusilta karttatasoilta.

 

Lahdenväylän ja Vihdintien bufferointi

Tehtävässä oli tarkoituksena kartoittaa Helsingin sisääntuloväylien maanpeite 250 metrin halkaisijalla. Toin tehtävälle määrätyt aineistot ArcGis-ohjelmaan ja loin väylille bufferialueet (kuva 1), selvittäen, mitä taustakartan aluetiedoista jää bufferin sisäpuolelle, lähelle tietä.

Kuva 1 – Vihdintien ja Lahdenväylän bufferoidut alueet

 

Kuvassa Vihdintietä on kuvattu pinkillä värillä, kun taas Lahdenväylää punaisella värillä. Kartasta näkyy, mihin alueille tiet ovat tarkalleen sijoittuneet Helsingissä. Itse bufferialueen sisällöistä saa selkeämmän kuvan, jos zoomaa hieman lähemmäs tutkimaan karttaa. Ensimmäisessä tehtävässä käytettiin clip-toimintoa, jonka tarkoitus on luoda uusi layer leikkaamalla piste-, viiva-, tai aluetyyppistä layeria aluetyyppisen layerin ulkorajoilla. Clip-toiminnon avulla saimme siis tehtävässä aikaan bufferialueet sekä niiden sisältävän tiedon.

 

Kun olin saanut haluamani kartan valmiiksi, aloin laskemaan bufferialueen sisälle jääneiden maankäyttömuotojen pinta-aloja. Keräsin ArcGis-ohjelman avulla tiedot pinta-aloista hehtaareina Add Geometry Attributes-työkalun avulla ja siirsin saadun aineiston Excel-sovellukseen. Muutin aineiston muodon prosenttiosuuksiksi ja tein sen jälkeen molemmista väylistä erilliset piirakkadiagrammit (kuva 2 ja kuva 3).

Kuva 2 – Vihdintien bufferialueen maanpeitemuotojen prosenttiosuudet.

 

Kuva 3 – Lahdenväylän bufferialueen maanpeitemuotojen prosenttiosuudet.

 

Vihdintien diagrammissa (kuva 2) selkeimpänä enemmistö maanpeitemuotona tien reunamilla on puusto ja toiseksi yleisin vettä läpäisemätön pinta. Vihdintien bufferialueella puolestaan prosentuaalisesti vähiten löytyy avokallioita ja vesistöjä, joita on yhteensä ainoastaan kolme prosenttia. Peltoja ei löytynyt merkittävästi kummastakaan bufferialueesta, joten päätin jättää ne diagrammeista kokonaan pois.

 

Lahdenväylän diagrammissa (kuva 3) suurimpien prosenttiosuuksien edustajat ovat puolestaan matala kasvillisuus sekä muut tiet. Vesistöt ja avokalliot ovat myös prosentuaalisesti vähäisiä Lahdenväylän alueella niin kuin Vihdintien alueellakin huomattiin olevan.

 

Maankäyttö Helsingin eri kaupunginosissa

Tehtävässä valitsimme Helsingistä kolme eri kaupunginosaa tarkastelun kohteeksi: Kumpulan, Käpylän ja Toukolan. Käytin tehtävässä samaa pohjakarttaa kuin aikaisemmassa tehtävässä, mutta toin ArcGis-ohjelmaan maanpeiteaineiston, jonka sain valitsemilleni kaupunginosille sopivaksi intersect-työkalulla. Helsingin yliopiston metsätieteiden laitoksen julkaisuissa ”Geoinformatiikka luonnonvarojen hallinnassa” (julkaisut 7, 2015) kerrotaan tarkemmin tehtävässä käytettyjen työkalujen toiminnasta. Intersectin eli kaksoisleikkauksen tarkoituksena on leikata pois kaikki piirteet, jotka eivät osu alueelle, jotka valitut karttatasot peittävät. Toisin sanoen kaksoisleikkauksen avulla saadaan rajattua halutuista aineistoista alueet ja tiedot, joita tarvitaan tehtävässä. Aiemmin käytettyä clip-toimintoa voidaan puolestaan kuvailla ”piparkakkumuotiksi”, jonka muodostama uusi karttataso sisältää pelkästään lähtötason ominaisuustietotaulun kentät.

 

Tehtävän tavoitteena oli siis tarkastella Kumpulan, Käpylän ja Toukolan rakennettuja alueita verrattuna alueisiin, joissa esiintyy enemmän luontoa. Muutimme alkuperäisestä aineistosta koodin avulla tiedot muotoon ”rakennettu” sekä ”luonto”. Kaksoisleikkauksen ja aineiston muokkaamisen jälkeen syntyi haluamani näköinen kartta (kuva 4) ja sitä havainnollistava diagrammi (kuva 5).

Kuva 4 – Helsingin kaupunginosien, Kumpulan, Käpylän ja Toukolan maankäyttömuodot.

 

Kuva 5 – Pylväsdiagrammi Helsingin kaupunginosien maankäyttömuodoista (%).

 

Karttakuvasta ja diagrammista voidaan huomata alueiden maankäyttömuotojen olevan suhteellisen samankaltaisia. Jokaisessa valitsemassani kaupunginosassa luontoa on hieman suurempi prosentuaalinen osuus kuin rakennettua ympäristöä. Luontoa on eniten kuitenkin Toukolassa, joka oli mielestäni hyvin oletettavaa, kun taas vähiten Käpylässä. Karttakuva puolestaan havainnollistaa rakennetun alueen ja luonnon sijoittumista alueille. Aineistossa voidaan nähdä myös ongelmakohtia, kuten ”muu paljas maa”-luokan luokittelu ”rakennetuksi ympäristöksi”. Käsitteeseen ”muu paljas maa” voi muun muassa kuulua alueita, jotka silmämääräisesti voitaisiin luokitella luonnonmukaisiksi eikä niinkään rakennetuiksi ympäristöiksi. Voi siis olla mahdollista, että luokkaan kuuluu alueita niin rakennetusta kuin luonnonmukaisesta ympäristöstä.

 

 

Käytetyt lähteet:

Helsingin seudun maanpeiteainesto 2020 (HSY), saatavilla: https://kartta.hsy.fi/

HSY, saatavilla: https://kartta.hsy.fi/

Holopainen et al. (2015). Geoinformatiikka luonnonvarojen hallinnassa. Helsingin yliopiston metsätieteiden laitoksen julkaisuja 7, saatavilla: http://hdl.handle.net/10138/166765

Kurssikerta 7 – Viimeistä viedään

Keskiviikkoaamuja tulee ikävä!

Viimeisen kurssikerran tunnelmat ja mietteet

Viimeinen kurssikerta oli itsenäisesti tai ainakin lähes itsenäisesti suoritettava ja tällä kerralla työ piti tehdä ilman opettajajohtoista opetusta. Toki opettaja auttoi kuitenkin tarpeen tullen, jos näytti siltä, että on itkun partaalla, eikä muuten pääsisi eteenpäin. Oma kurssikertani sujui loppujen lopuksi ihan hyvin. Aluksi oli suunnitelmissa tehdä kartat valmiiksi ennen tiistain laskiaisriehaa, jolloin ei olisi tarvinnut tulla keskiviikkona kahdeksan aikaan aamulla istumaan silmät ristissä GIS-luokkaan. Suunnitelmani päättyi kuitenkin hyvin lyhyeen, kun maanantai-iltapäivällä asiat eivät luistaneetkaan haluamallani tavalla. En saanut aineistoja toimimaan ja useat aineistot eivät edes suostuneet aukeamaan QGIS-ohjelmassa. Aineistojen kanssa totisesti tuli itsetuhoisia ajatuksia ja loppujen lopulta kolmen tunnin turhan istumisen jälkeen luovutin maanantain osalta. Ainoaksi vaihtoehdoksi jäi raahautuminen keskiviikkona Kampukselle.

Keskiviikon kurssikerralla sain sekä aloitettua, että tehtyä loppuun työni. Tein yhteensä kuusi karttaa liittyen Afrikan metsien ja maatalouden viemään pinta-alaan sekä vertailin sitä yhdessä kartassa myös luonnonsuojelualueisiin. Kartat onnistuivat mielestäni kohtalaisen hyvin, mutta varmasti olisi myös paljon hiottavaa ja parannettavaakin. Kartoissa mittakaava on ehkä turha ja voi jopa olla vääristynyt, joten sen olisi voinut jättää kokonaan pois. Lisäksi huomasin, että alueita värin mukaan vertailtavissa kartoissa oli puutteita, koska dataa ei löytynyt kahdesta valtiosta, Etelä-Sudanista, eikä pienestä osasta Länsi-Saharaa. Laitoin viimeiseksi tekemääni karttaan taustavärin, joka kuvaa ”ei tietoa” -kohtaa legendassa. Olin jo ehtinyt tekemään muut samantyyliset kartat, enkä jaksanut korjata niitä enää monen tunnin luokassa istumisen jälkeen. Päätin siis jättää kohdat valkoisiksi ja selittää ne blogitekstissä.

 

Ja sitten loppukarttojen pariin!

Kurssikerran työ sisällytti ainakin joitain asioita, joita olen oppinut edellisillä kerroilla. Itse karttojen laatimisessa ei ollut suurempia ongelmia, mutta aineiston keruu tuotti haasteita. Ilmeisesti monella muullakin aineistojen keruussa ja mielenkiintoisen aiheen valitsemisessa oli ollut ongelmia. Muun muassa Salla Kärkkäinen kirjoittaa blogissaan ”Viikko 7: Grändi Finaale”, että aineistojen etsimisessä oli kulunut paljon aikaa.

”Tämän päivän neljästä tunnista kampuksella rehellisesti sanottuna melkein puolet meni siihen, kun tutkin erilaisia aineistoja ja kokeilin erilaisia pohjakarttoja.”

– Salla Kärkkäinen

Loppujen lopuksi sain kuitenkin löydettyä karttoihin sopivat aineistot ja pääsin viimein tekemään aineistoista itse haluamani kartat. Olen tyytyväinen, että sain kartat tehtyä, mutta niissä olisi vielä parannettavaakin. Kaikista kartoista tuli myös yksinkertaisia, mutta toisaalta omasta mielestäni yksinkertaisia karttoja on myös helpompi lukea ja tulkita. Halusin vielä blogitekstissä lyhyesti tulkita karttojen sisältöä sanallisesti.

Aloitin kartalla (kuva 1), jossa kuvataan Afrikan maatalouteen käytettävää pinta-alaa verrattuna metsäpinta-alaan muusta maa-alueesta valtioittain vuonna 2018. Käytin maataloutta kuvaavassa pylväässä keltaista väriä ja puolestaan metsiä kuvaavassa vihreää väriä. Kartasta saa hyvän kokonaiskuvan, vaikka kaikki pylväät eivät suostuneetkaan asettua täsmälleen niille paikoille kuin olisin halunnut.

Kuva 1 – Kartta pylväsdiagrammeilla Afrikan valtioiden metsien ja maatalouden pinta-aloista vuonna 2018.

 

Niin kuin on oletettavaa, maatalouden ja metsien pinta-alan osuus on korkeampia Saharan eteläpuoleisessa Afrikassa. Saharan pohjoispuolella on kuitenkin muutama valtio, kuten Tunisia, joissa maataloutta kuvaava pylväs on suhteellisen korkea. Googlasin Tunisian elinkeinomuotoja ja sain selville, että valtiossa maatalous on jopa kolmanneksi suurin talouden osa-alue. Löysin tiedon ”Globalis” nimisestä sivustosta, josta löytyy tietoa eri maailman valtioista. Kartasta voi huomata, että suurimmassa osassa Afrikan valtioista käytetään paljon maan pinta-alaa maatalouteen. Monissa Afrikan valtioissa maatalous onkin erittäin tärkeä elinkeino ja alueilla viljellään paljon esimerkiksi rahakasveja, kuten kahvia, jotka vievät paljon pinta-alaa maa-alasta ja muilta viljelykasveilta.

Valtioiden metsät saattavat kärsiä maataloudesta, kun niitä raivataan pois, jotta saataisiin lisää viljelymaata. Pylväistä voikin huomata, että suurimmassa osassa maita, joissa on paljon maataloutta, on suhteessa vähän metsiä. Puolestaan alueilla, joilla on metsäpinta-alaa enemmän, ei harjoiteta niin paljoa maataloutta. Näiden välillä huomaa siis selvän riippuvuuden. Alla on myös kuvat (kuvat 2 ja 3) maatalouden ja metsien pinta-alasta, jolloin muuttujia voi tarkastella myös erikseen eri värisävyjen avulla.

Kuva 2 – Kartta Afrikan valtioissa maatalouteen käytetyistä pinta-aloista vuonna 2018.

Kuva 3 – Kartta Afrikan valtioiden metsien pinta-aloista vuonna 2018.

 

Näissä kartoissa dataa ei näy alussa Etelä-Sudanissa eikä ainakaan osassa Länsi-Saharaa. Kartat kuitenkin havainnollistavat lisää aiempaa pylväskarttaa ja värit kertovat valtioiden todellisista metsien ja maatalouden pinta-aloista. Näin voidaan myös huomata mahdolliset pylväsdiagrammikartasta (kuva 1) saatavat ”vääristymät”, jos karttaa tulkitsee väärällä silmällä. Esimerkiksi diagrammikartassa joissain valtioissa näyttää, että metsiä olisi tosi vähän, vaikka todellisuudessa niitä voi olla paljonkin, kun tarkastelee karttaa 3. Täytyykin siis huomioida, että ensimmäisessä kartassa vertaillaan keskenään kahta muuttujaa ja pylväät määräytyvät niiden keskinäisen suhteen mukaan.

Tein myös samoista aiheista kartan pylväsdiagrammeilla (kuva 4) vuodelta 1990, jotta voitaisiin vertailla, miten eri vuosien maatalouden ja metsien pinta-alat eroavat toisistaan. Vuoden 2018 ja 1990 pylväät eivät kuitenkaan merkittävästi eroa toisistaan, mutta jos tarkasti katsoo, voidaan huomata erittäin pieniä eroja joidenkin pylväiden korkeudessa. Maankäyttö on pysynyt Afrikassa metsien ja maatalouden osalta kuitenkin suhteellisesti lähes samana vuodesta 1990 vuoteen 2018.

Kuva 4 – Kartta pylväsdiagrammeilla Afrikan valtioiden metsien ja maatalouden pinta-aloista vuonna 1990.

 

Olin yllättynyt, että viimeisen 30:nen vuoden aikana ei ollut tapahtunut merkittävää muutosta muuttujien kesken. Olisin halunnut ottaa vertailuun vielä vanhempaa dataa, mutta aineistosta ei löytynyt vanhempaa tietoa Afrikan valtioiden metsäpinta-aloista. Päätin sen sijaan tehdä vertailevan kartan ainoastaan maatalouden käyttämästä pinta-alasta vuosilta 1970, 1980 ja 1990 (kuva 5). Kartassa pylväät eivät jostain syystä suostuneet menemään kohdilleen, vaikka kokeilin kaikkia mahdollisia keinoja pylväiden sijainnin määrittämisessä. Merkitsin vuosia keltaisella, oranssilla ja punaisella värillä, jotka erottuivat kivasti ja selkeästi toisistaan.

Kuva 5 – Kartta pylväsdiagrammeilla Afrikan valtioissa maatalouteen käytetystä pinta-alasta vuosina 1970, 1980 ja 1990.

 

Pylväiden tasaisuus hämmästytti minua, koska olisin olettanut vähän enemmän muutosta jompaankumpaan suuntaan. Suurimmassa osassa valtioita osuus on vuosina 1970, 1980 ja 1990 pysynyt suurin piirtein samana, mutta joitakin poikkeuksia kuitenkin löytyy. Esimerkiksi ilmeisesti Rwandassa maatalouteen käytetty pinta-ala on noussut 1970-1990 -luvuilla ja Mozambiquessa se on puolestaan laskenut.

Lopuksi minulle tuli mieleen, että luonnonsuojelualueet saattaisivat vaikuttaa metsien ja maatalouden pinta-aloihin valtioissa, joten päätin vielä hakea luonnonsuojelualueita kuvaavan aineiston ja vertailla sitä metsä- ja maatalouspylväisiin (kuva 6). Lisäsin tähän karttaan ”taustaväriksi” muut maailman valtiot ja rajasin viimeistelyvaiheessa alueeksi Afrikan seudun.

Kuva 6 – Afrikan valtioiden luonnonsuojelualueet sekä metsien pinta-alan suhde maatalouden käyttämään pinta-alaan vuonna 2018.

 

Kartasta voi huomata, että monella alueella, jossa on suurempi luonnonsuojeluprosentti, on myös enemmän metsäpinta-alaa ja vähemmän maatalouteen käytettyä pinta-alaa, niin kuin voidaankin olettaa. Tosin kartassa on myös monia poikkeuksia, joissa suojelualueiden osuus ei vaikuta yhtä paljon muiden muuttujien pinta-aloihin. Ei siis suoranaisesti voida sanoa, että luonnonsuojelualueprosentti korreloisi muiden muuttujien kanssa erityisen merkittävästi.

 

Lopputunnelmat tästä kerrasta ja koko kurssista

Alkuongelmia lukuun ottamatta kurssikerta sujui ihan hyvin. Tavoitteenani oli saada joku itseäni kiinnostava kartta aikaiseksi ja siinä myös onnistuin. Koko kurssin aikana olen kehittynyt valtavasti QGIS:in käytössä ja kurssin edetessä karttojen tekeminen sujui yhä paremmin ja paremmin. Kurssi loppui mielestäni aika nopeasti, juuri päästyäni vauhtiin QGIS:in kanssa. Kurssiin mahtui monia pitkiä koulupäiviä, kun jäimme varsinaisen session jälkeen istumaan gis-luokkaan, välillä tuskaisesti tekemään karttoja. Jokainen (tai ainakin lähes jokainen) käytetty työtunti vei itseäni kuitenkin eteenpäin oppimisessa. Loppujen lopuksi kurssista jäi hyvä mieli. Mahtavaa tunnelmaa rakensi luokassa myös ihanat kurssikaverit sekä mukava opettaja, jonka kärsivällisyys ei horjunut hetkeäkään.

Kiitos!

 

Näihin kuviin ja tunnelmiin 😊

 

 

Käytetyt lähteet:

Globalis – Tunisia (päivitetty 9.4.2015) (viitattu 3.3.2022), saatavilla: https://www.globalis.fi/Maat/tunisia

Kärkkäinen S. (2022) Viikko 7: Grändi Finaale (viitattu 6.3.2022), saatavilla: https://blogs.helsinki.fi/karkkais/2022/03/02/viikko-7-grandi-finaale/

Natural Earth, Large scale data, Countries (viitattu 2.3.2022), saatavilla: https://www.naturalearthdata.com/downloads/10m-cultural-vectors/

World Bank Open Data, Agricultural land (% of land area) (viitattu 2.3.2022), saatavilla: https://data.worldbank.org/indicator/AG.LND.AGRI.ZS?view=chart

World Bank Open Data, Forest area (% of land area) (viitattu 2.3.2022), saatavilla: https://data.worldbank.org/indicator/AG.LND.FRST.ZS?view=chart

World Bank Open Data, Terrestrial and marine protected areas (% of total territorial area) (viitattu 2.3.2022), saatavilla: https://data.worldbank.org/indicator/ER.PTD.TOTL.ZS?view=chartrg)

Kurssikerta 6 – Interpolointia vai ei?

”Ainiin se retki…”

Mikä tällä kertaa oli kurssikerran aihe?

Retkelle lähteminen voisi olla hyvä idea, jos olisi myös pukeutunut sen mukaisesti. Lähdimme siis toiseksi viimeisellä tunnilla nauttimaan raikkaasta talvisäästä. Viikon kestäneestä räntäsateesta ei enää näkynyt jälkeäkään ja pitkästä aikaa idea ulos menosta oli jopa ihan hyvä idea. Aloitimme kuitenkin kuuntelemalla opettajan johdatuksen, diasarjan (vai oliko siinä montaakaan diaa), tämän päivän aiheeseen. Se kertoi muun muassa julkisesta liikenteestä, rakentamisesta ja ennen kaikkea julkisista tiloista. Siispä lähdimme ulos tekemään pienimuotoista tutkimusta liittyen julkisiin tiloihin ja kaupunkisuunnitteluun.

Teimme viiden hengen ryhmässä noin tunnin kävelylenkin Arabianrannassa ja otimme yhdessä kuvia, osa samoista paikoista ja osa eri paikoista. Kävelylenkki oli kiva ja raitis ilma teki hyvää keholleni. Huonosti nukuttujen yöunien jälkeen käveleminen sai minut energisemmäksi ja loppuluennolla pysyin paremmin hereillä.

 

Tehtävien pariin!

Aamun kävely kauniissa maisemassa sai minut latautumaan kurssikerralle erittäin positiivisin mielin. Ehkä pitäisi alkaa kävelemään kampukselle? (No ei, vitsi vitsi, en kykenisi sellaisiin urheilusuorituksiin.) Kävelyn jälkeen aloitimme taas tehtävät QGIS:sin parissa. Koko kurssiryhmämme havainnot kerättiin yhteiseen tiedostoon ja sen jälkeen veimme keräämämme aineiston QGIS-ohjelmaan. Aineisto avautui pisteaineistona keräämistämme havaintokohteista, minkä interpoloimme kokemamme turvallisuudentunteen mukaan (kuva 1).

Kartassa punaiset alueet kuvaavat epäturvallisuuden tuntemusta ja sininen puolestaan turvallisuudentunnetta alueesta tai kohteesta. Havainnot jakautuivat Kumpulan kampuksen läheisyyteen suhteellisen tasaisesti ja saimme aineistoa lähes joka ilmansuunnasta. Epäturvallisimmat alueet sijoittuvat kartassa pääasiassa teiden varsille ja paljon rakennetuille alueille. Enemmän turvallisuudentunnetta puolestaan koetaan puistoalueilla ja luonnontilaisemmissa kohteissa. Tehtävässä erityisen mielenkiintoista oli tutkia, miten muut kurssikaverit kokevat turvallisuudentunteen kaupunkisuunnittelun eri kohteissa.

Kuva 1 – Interpoloitu kartta Helsingin turvallisuudesta kaupunkisuunnittelun kohteissa.

 

Mielestäni kartta onnistui visuaalisesti ihan hyvin ja interpoloiminen osoittautui yllättävän helpoksi. Jatkoin vielä interpolointitaktiikalla seuraavaan tehtävään (kuva 2), mutta lopputuloksesta tajusin, että interpoloiminen ei välttämättä sovi ihan jokaiseen karttaan yhtä hyvin. Minusta interpoloinnissa olisi hyvä olla kaksi vastakkaista ääripäätä, joita havainnollistetaan eri väreillä kartassa. Maailman maanjäristyskohtia kuvaavassa kartassa vertaillaan ainoastaan eri magnitudiasteisia järistyksiä, jolloin interpoloiminen on mielestäni vähän turhaa, kun saman tiedon voi esittää paremmin muulla tavalla, kuten pisteillä. Siksi lisäsin lopuksi interpoloinnin jälkeen karttaan vielä pisteet, jotta kartta olisi havainnollistavampi ja helpommin luettava. Kartassa vaaleammat alueet viittaavat pienempään magnitudiin ja puolestaan tummemman punaiset alueet suurempaan magnitudiasteeseen. Kartasta huomaa selvästi, että maanjäristykset keskittyvät mannerlaattojen saumakohtiin, joissa laatat erkanevat, törmäävät tai sivuavat toisiaan.

Kuva 2 – Interpoloitu kartta maailman maanjärsityskohdista mitattuna magnitudin mukaan.

 

Kartta ei miellytä visuaalisesti silmääni, enkä sanoisi olevani kovinkaan ylpeä lopputuloksesta. Ainakin opin sen, että joillekin aineistolle ei välttämättä kannata käyttää interpolointia. Lisäksi en saanut vaihdettua legendaan magnitudiasteikon sävyjä oikein, koska muokkasin oletusvärejä tehdessäni karttaa. Legendan kolme viimeistä kohtaa eivät siis pidä paikkaansa värien perusteella.

Seuraavaksi siirryin tekemään tulivuorikarttaa (kuva 3), joka esittää koko maailman eri tulivuorityyppejä alueittain. Niin kuin edellisessä kartassa, tässäkin laitoin näkyviin litosfäärilaatat, jotka havainnollistavat tulivuorten sijoittumista. Teimme karttaa yhdessä Katrin kanssa ja päätimme valita esitettäviksi tulivuorityypeiksi muista tulivuorista kalderat (vihreä piste), kilpitulivuoret (keltainen), vedenalaiset tulivuoret (sininen) ja kerrostulivuoret (punainen). Muita tulivuoria kuvataan kartassa violetilla värillä.

Kuva 3 – Maailman eri tulivuorityyppejä ja niiden sijainti.

 

Olen ylpeä, että saimme aikaan näinkin hyvän kartan, joka jopa miellyttää aika hyvin silmää. Käytimme eri tulivuorityyppien valitsemiseen aiemmilla kurssikerroilla opittuja taitojamme ja saimme onnistumaan haluamamme kartan suhteellisen vaivattomasti. Keksimme jopa aineiston avaamismenetelmän, jonka saimme toimimaan jotenkin ihmeellisesti vain pienellä vaivalla. Voisin sanoa, että olen oikeasti edistynyt QGIS:sin käytössä melko tavalla!

Viimeisenä tehtävänä teimme vielä (ei niin havainnollistavan) kartan tsunameista (kuva 4). Tässä vaiheessa motivaatio loppui omalla kohdallani täysin. Olimme olleet luokassa jo tosi pitkään ja nälkä oli kova, koska emme ehtineet UniCafeen syömään ennen sen kiinnimenoa. Sain kuitenkin aikaan edes tsunamien sijaintia kuvaavan kartan, jossa aineisto on esitetty muiden tämän kurssikerran karttojen mukaan pistemuotoisena.

Kuva 4 – Tsunamien esiintyvyys maailmalla.

 

Kartoissa 2, 3 ja 4 voi huomata paljon samankaltaisuutta: maanjäristykset, tulivuoritoiminta ja tsunamit esiintyvät suurin piirtein samoilla alueilla eli mannerlaattojen saumavyöhykkeissä. Karttoja voidaan käyttää opetustarkoituksessa esimerkiksi näiden kaikkien ilmiöiden yhteyden selittämisessä ja havainnollistamisessa. (Tosin en käyttäisi karttaa 2 muuta kuin huonona esimerkkinä :D) Topias Vanhatalo oli laatinut kahdesta samasta aiheesta kartan kuin minäkin: maanjäristyksistä ja tulivuorista. Myös hän oli maininnut niiden yhteydestä blogissaan ”Kuudetta kertaa”:

” Maanjäristyksiä ja tulivuoria esiintyy paljon mannerlaattojen rajakohdissa, erittäin selvästi tämä näkyy muun muassa Atlantin keskiselänteen ja Tyynenmeren tulirenkaan yhteydessä. Etenkin Tyynenmeren tulirenkaan yhteydessä esiintyy todella paljon niin tulivuoria kuin myös maanjäristyksiäkin.”

Topias Vanhatalo

 

Lopputunnelmat

Kurssikerta venähti taas paljon, noin 8 tuntiin ja olo oli myös sen mukainen. Sain kuitenkin tehtyä kaikki kartat edes jollain tavalla, vaikka viimeisen kanssa loppuikin motivaatio pahasti. Oli kuitenkin kiva juttu, että saimme päättää itse tutkittavat kohteet, jolloin jokainen sai tehdä karttoja juuri omista mielenkiinnonkohteista. Tehtävissä oppi myös soveltamaan aikaisemmin opittuja taitoja ja oli ilo huomata sekä omaa, että kavereiden kehitystä QGIS:sin parissa. Vielä viimeiset pinnistykset ennen kurssin loppumista!

 

Näihin kuviin ja tunnelmiin 😊

 

 

Käytetyt lähteet:

Vanhatalo T. (2022) Kuudetta kertaa (viitattu 24.2.2022), saatavilla: https://blogs.helsinki.fi/topiasva/

 

Kurssikerta 5 – Tuskaisia työtunteja Helsingin seudun parissa

“Kertaus on opintojen äiti”

– Eeva Raki

 

Aloitustunnelmat

Jatkoimme viimekerralla aloitetun kartan tekemistä. En päässyt viime viikolla mukaan kurssikerralle, joka vaikeutti paljon tehtävien tekemistä. Siksi en ollut myöskään saanut aineistoa edes kokonaan kasaan, mutta onneksi tämän kerran tehtäväkansiossa oli valmis Pornaisten kartta. Viikon aikana kerääntynyt stressini hävisi siis tunnin alussa, alle kymmenessä sekunnissa. Joskus pitäisi oppia stressaamaan asioista vähemmän…

 

Kurssikerran tehtävät

Harjoittelimme puskurivyöhykkeiden tekemistä ensin Pornaisten karttaan, jonka jälkeen siirryimme Helsinki-Vantaan lentokenttäaineiston pariin. Teimme meluasteiden puskurivyöhykkeisiin liittyvän tehtävän, jota pohdimme yhdessä kavereiden kanssa ja onnistuimme tekemään sen luultavasti oikein. Teimme aineistojen ja kysymyksien perusteella alueesta kaksi karttaa (kuvat 1 ja 2).

Kuva 1 – Helsinki-Vantaan lentokentän puskurivyöhyke

 

Tehtävässä oli neljä kohtaa, joissa oli Helsinki-Vantaan lentokentän meluhaittoihin liittyviä kysymyksiä:

  • Tutki kuinka monta asukasta asuu Helsinki-Vantaan lentokentän välittömässä läheisyydessä?

Vastaukseksi sain (tai saimme), että yhteensä kahden kilometrin säteellä meluvyöhykkeellä asuu 10 547 ihmistä, joista meluisammalla vyöhykkeellä eli yhden kilometrin säteellä asuu 916 ihmistä.

  • Tutki kuinka prosenttia edellisen kohdan asukkaista asuu Helsinki-Vantaa lentokentän pahimmalla melualueella (65dB)?

65dB -alueella asuvia ihmisiä on aineiston mukaan yhteensä 303 asukasta. Jos se jaetaan 2 km kokonaisasukasmäärällä, saadaan 0,0287… = 2,9%

  • Kuinka monta ihmistä asuu vähintään 55dB melualueella?

Tulokseksi sain: 1 923 ihmistä asuu vähintään 55dB melualueella.

  • Kun lentokentän kolmatta kiitorataa rakennettiin vuonna 2002, laskeutuvat koneet lensivät tilapäisesti suoraan Tikkurilan yli, kartalla suunnassa kaakosta luoteeseen. Kuinka monen ihmisen elämää vähintään 60dB lentomelu haittaisi Tikkurilassa, mikäli saapuva liikenne käännettäisiin jälleen laskeutumaan poikkeuksellisesta suunnasta?

Tehtävässä piti tehdä puskurivyöhyke poikkeukselliselle lentoreitille ja erottaa sen jälkeen puskurivyöhykkeelle osuvien asukkaiden lukumäärä. Alla olevassa kartassa (kuva 2) sinertävä tai violetti väri kuvaa tehtävässä tehtyä puskurivyöhykettä, jonka sisäpuolella voi huomata saman värisiä palleroita, jotka puolestaan kuvaavat melualueen asukkaita. Näiden pohjalta sain tulokseksi, että lentoliikenne häiritsisi 27 191 ihmisen elämää.

Kuva 2 – Puskurivyöhyke vuoden 2022 tilapäisestä lentoliikenteestä

 

Puskurivyöhyketehtävien kanssa ei ollut suurempia ongelmia. Näin jälkikäteen mietittynä, ne osoittautuivatkin suhteellisen helpoiksi ja nopeiksi verrattuna päivän viimeisiin tehtäviin. Puskurivyöhykkeiden tekeminen iskostui myös mieleeni loppu elämäkseni, koska toistelin samoja vaiheita kerta toisensa jälkeen uudestaan ja uudestaan. Ainakin voin sanoa oppineeni jotain.

Teimme kurssikerralla myös yhdessä kavereiden kanssa tehtävän samaisen kartan juna- tai metroasemista ja niiden puskurivyöhykkeistä. Tehtävä oli samantyylinen kuin edeltäväkin ja sen tekeminen sujui sulavasti. Tunnelma oli tässä vaiheessa vielä ihan hyvä ja positiivinen. Oli myös ilo huomata kehitystä QGIS-ohjelman käsittelytaidoissani.

Viimeiseksi siirryimme uima-allas tehtävään. Tehtävä osoittautui vaikeammaksi ja sen kanssa tuli tuskaisen paljon ongelmia. Loppujen lopuksi istuimme 9 tuntia luokassa tekemässä tehtäviä. Olen kuitenkin tyytyväinen, että jäin luokkaan tekemään tehtäviä, koska kotona niiden kanssa painiminen ei olisi tuonut minulle muuta kuin päänsärkyä ja unettomia öitä. Siksi onkin hyvä, että olen ottanut tavaksi tehdä tehtävät suoraan ”virallisen” kurssiosuuden jälkeen.

”Minä en jätä huomiseen mitään, minkä voin tehdä tänään.”

– Pikku Myy

Isoin ongelmamme tehtävän aikana oli paikannimien, saunojen ja uima-altaiden yhdistäminen samaksi alueeksi niin, että myös saunojen ja uima-altaiden määrä summautuisi. Yhdistämisen jälkeen saisimme puolestaan tehtyä pylväitä kartalle. Olimme niin toivottomia, että päädyimme näpyttelemään paikkojen nimiä erikseen ja yhdistämään uima-altaiden ja saunojen määriä taulukkoon manuaalisesti. Olimme saaneet jo koko taulukon valmiiksi ja päässeet lähes maaliin asti, kun QGIS-guru Ilari sai ratkaistua ongelmamme. Tosin ratkaisu ei enää vaikuttanut meidän tilanteeseemme, koska olimme päässeet eteenpäin raskaalla näpyttelytavallamme. Ilmeisesti kuitenkin a_pks_pie aineistossa oli jotain vikaa, ja sen korjaaminen hoitui asetuksien kautta.

Settings > options > Processing > General > invalid features filtering > ignore ja kaikki onnistui parin alueen kohdalle tulevaa aukkoa lukuun ottamatta.”

Siiri Kokkonen

 

Seuraavaksi vielä kovalla vaivalla haetut vastaukset kysymyksiin:

  • Kuinka monta uima-altaalla varustettua rakennusta löytyy pääkaupunkiseudulta?

Pääkaupunkiseudulta löytyy yhteensä 855 uima-altaalla varustettua taloa. (Tulos oli erittäin yllättävä)

  • Kuinka paljon asuu asukkaita sellaisissa taloissa, joissa on uima-allas?

Asukkaita asuu saamiemme tulosten mukaan yhteensä 12 170 sellaisissa rakennuksissa, joissa on uima-allas.

  • Kuinka moni noista taloista on omakotitaloja? Entä kerrostaloja tai rivitaloja?

Omakotitaloja yhteensä on 345 kappaletta, rivitaloja 113 ja kerrostaloja 181 kappaletta.

  • Kuinka monessa talossa on sauna ja kuinka monta prosenttia se on kaikista asutuista taloista pääkaupunkiseudulla?

Saimme tulokseksi, että pääkaupunkiseudulla olisi 21 922 saunaa, joka on luultavasti 24,4% kaikista pääkaupunkiseudun taloista.

  • Mikä on kaikkein uima-allasrikkain osa-alue?

Teimme tästä kohdasta havainnollistavan kartan (kuva 3), jossa kuvataan uima-altaiden määrää eri kaupunginosissa. Kartta-aineiston mukaan eniten uima-altaita on ilmeisesti Lauttasaaressa.

Kuva 3 – Uima-altaiden lukumäärät eri pääkaupunkiseudun kaupunginosissa

– Tehnyt: Nea Tiainen, Katri Hämäläinen, Anni Leppä ja minä

– Apujoukkojakin oli paljon edellä mainittujen nimien lisäksi

 

Olen joka tapauksessa tyytyväinen, että sain tehtyä kavereiden avustuksella kurssikerran kaikki tehtävät. Karttojen ulkonäöt eivät ole parhaita mahdollisia, mutta kyllä niistä selvää saa. On kuitenkin tärkeintä, että haluttu asia välittyy lukijalle kartoista. Lisäksi eri QGIS-ohjelman työkalut ovat nyt alkaneet hahmottua minulle paremmin. Osaan käyttää jo monia työkaluja itsenäisesti, mutta joidenkin kanssa on vielä ongelmia niiden toimintojen ymmärtämisessä.

 

Lopputunnelmat

“Tää oli niin traumaattinen kokemus et mä varmaan unohdan kaiken heti”

– Katri Hämäläinen

 

Näihin kuviin ja tunnelmiin 😊

 

Käytetyt lähteet:

Kokkonen S. (2022) Kurssikerta 5: Lentokoneita ja kärsimystä (viitattu 17.2.2022), saatavilla: https://blogs.helsinki.fi/siirikok/

Sitaatit.fi, Muumi-sitaatit (päätoimittaja: Vesa Nippala) (viitattu 17.2.2022), saatavilla: https://sitaatit.fi/muumi-sitaatit/