University of Helsinki
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