Month: December 2022

 

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

 

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

 

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