University of Helsinki
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