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