GIS-jatkokurssi Syksy 2016
GIS-jatkokurssi Opettajat: Mikko Kesälä, Harri Antikainen Vastuuhenkilö: Jarmo Rusanen Suorittaminen: viikkotehtävät Materiaali: GIS-analyysimenetelmät ArcGIS 10.2.1 -ohjelmistolla Löytyy mm. kurssihakemiston alta (C:\UserData\GISjatko2015) Myytävänä paperikaupassa (?)
Kurssin tavoitteet Opiskelija tuntee keskeiset GIS analyysimenetelmät, ArcGIS ohjelmiston käytön perusteet ja yleisimmät paikkatietoaineistojen tyypit. Opiskelija pystyy soveltamaan GIS menetelmiä ja aineistoja itsenäisesti eri tutkimustilanteissa. Sisältö: GIS jatkokurssilla käydään läpi keskeiset ihmis ja luonnonmaantieteen GIS menetelmät ArcGIS ohjelmistolla.
GIS-harjoitusten ohjelma Päivä Maanantai 12.9, 19.9, 26.9, 3.10 (9.15 12) Tiistai 13.9, 20.9, 27.9, 4.10 (9.15 14) Keskiviikko 14.9, 21.9, 27.9, 5.10 (9.15 14) Torstai 15.9, 22.9, 28.9, 6.10 (10 14) Osio Luennointi ja opastus tehtäviin Ryhmä 1 -harjoitukset Ryhmä 2 -harjoitukset Opastusta
GIS-harjoitusten ohjelma viikoittain Viikko 37-viikko (12.9 15.9) Aihe Yleiset kurssiasiat, verkostoanalyysit 38-viikko (19.9 22.9) Rasteri ja 3D-analyysit 39-viikko (26.9 29.9) 40-viikko (3.10 6.10) Jatkuu rasteri ja 3D, tehtävien mallivastauksia Spatiaalinen autokorrelaatio ja GISautomatisointi
Viikkotehtävät Viikkotehtävissä tehdään luennoilla käytyjä ArcMap-tehtäviä Jokaisesta tehtäväkokonaisuudesta kirjoitetaan n. ½-sivua (n. 2-sivua / viikko) Kirjallisissa vastauksissa voi olla esimerkiksi Yleisellä tasolla tehtäväaiheesta Analyysityökalun ominaisuuksista ArcMap-ohjelmistossa Vastaus tehtävään tai tehtävässä syntyneen karttakuvan tulkinta Huomioita tehtävästä tai analyysityökalusta Kirjallinen suorite tehtävistä palautettava viimeistään seuraavan viikon maanantaina tulostettuna. Muista laittaa paperiin oma nimi Vaikuttaa 100 % arvosanaan Tarkastuksessa huomioidaan, että on tehnyt tehtävät sekä huomioidaan onko ymmärtänyt ja osannut tehtävät.
Muista rekisterifiksi Kun olet kirjautunut koneelle, aja C:\-hakemistosta: arcgis_10.3_geodatabase_fiksi.reg Vasta tämän jälkeen käynnistä ArcMap!! Rekisterifiksi on ajettava joka käynnistyskerta uudelleen
Verkostoanalysointi ja Saavutettavuus
Saavutettavuuden määritelmä Saavutettavuus on se mitta, jonka verran maankäytölliset liikennejärjestelmät mahdollistavat yksilöiden (joukon) tai hyödykkeiden päästä toimintoihin tai kohteisiin käyttämällä eri liikennemuotoja tai niiden yhdistelmiä (Geurs & Ritseman van Eck 2001, suomennos: Kotavaara et al. 2012) Saavutettavuudessa on yleensä kyse kahden paikan joko matkallisesta tai ajallisesta etäisyydestä (tie/polku)verkostoa pitkin Toisaalta verkostoon voidaan liittää muuta siihen liittyvää ominaisuustietoa (esim. CO 2 -päästöt), jonka määrä eli ominaisuuden kvantitatiivinen tieto on tarkastelussa kahden pisteen välisessä verkostossa.
Saavutettavuus käytännössä Saavutettavuudella on useita soveltamismahdollisuuksia, joista ehkä tunnetuimpia ovat kaupan sekä sairaaloiden ja terveyskeskuksien optimaalisten sijaintien määrittäminen Saavutettavuuslaskennalla voidaan myös määrittää ekosysteemipalveluiden sijaintia suhteessa ihmisten sijaintiin Liikuntapaikkojen sijoittaminen on tullut yhdeksi saavutettavuuslaskentojen soveltamiskohteeksi Käytännössä kyseisiä tutkimusasetelmia mallinnetaan paikkatiedon verkostotyökaluilla (Network Analyst), joista tärkeimmät toiminnot ovat reititys, palvelualueet ja sijoituspaikkaanalyysit
Terveydenhuollon saavutettavuus Perusterveydenhuollon Keskussairaalat (20) 24h päivystyspisteet (58) Synnytyssairaalat (30) Kartat: Tiina Huotari
Erikoissairaanhoidon saavutettavuus
Reititys (haluan luoda optimireitin kahden tai useamman pisteen välille) Kaikissa saavutettavuuslaskennoissa on aina mukana jokin tieto kahden pisteen välisestä reitistä. Näin ollen on suotavaa ymmärtää ensin kuinka reitti muodostuu ennen monimutkaisempia laskentoja Sopivin reitti muodostuu siihen asetetusta impedanssista. Reitti voi olla optimaalisin, jos se on lyhin (impedanssina matka), nopein (impedanssina aika) tai vaikkapa maisema-arvoiltaan miellyttävin (impedanssina maisema) Käytännössä tietokone laskee jokaiseen tieverkon päätepisteeseen impedanssin arvon, jonka pohjalta kone hakee optimaalisimman reitin. (Dijkstran menetelmä) Reititystä voidaan soveltaa maantieteellisen saavutettavuuden määrittämisessä, jossa lasketaan keskiarvoetäisyydet lähtöpisteen ja päätepisteiden välillä. Tosin reititystoiminnolla ei pystytä laskemaan reittejä usean lähtö- ja päätepisteen välillä, vaan se tehdään OD-matrix -toiminnolla.
Palvelualueet (Haluan visualisoida palvelualueen laajuuden / selvittää montako ihmistä asuu palvelualueella) Palvelualueella tarkoitetaan jonkin palvelun, toiminnan tai paikkaan sidotun ilmiön impedanssialueet. Sijaintipisteille voidaan määrittää esim. aika-alue (10min). Toisin sanoen, Service Area -toiminto luo alueen, joka on tämän määritellyn ajan sisällä. Pelkkien saavutettavuusalueiden määrittäminen on mielekästä, jos halutaan visualisoida palvelualue tai esimerkiksi laskea ihmisten määrä palvelualueen sisällä. Palvelualueen määrityksessä ei kuitenkaan huomioida lähempänä palvelua olevien ihmisten käyttävän todennäköisimmin palvelua kuin kauempana olevat. Näin ollen palvelualueen määritys ei anna tietoa palvelun käyttöasteesta. Potentiaalinen saavutettavuus laskee palvelun potentiaalisen kävijämäärän perustuen etäisyyden vaikutukseen liikkumiskäyttäytymisessä. Potentiaalisen saavutettavuuden kaava on johdettu monimutkaisempiin tapauksiin, jossa käyttöasteeseen vaikuttaa etäisyyden lisäksi palvelun vetovoimaisuus.
Sijoituspaikka (Haluan selvittää, mikä on paras vaihtoehto liikuntapaikalle neljästä vaihtoehdosta) Sijoituspaikka-analyyseillä (Location Allocation) pyritään selvittämään esimerkiksi tietyn palvelun optimaalinen sijoituspaikka. Laskennassa tarvitaan mahdolliset sijoituspaikat (facilities) ja kysyntäpisteet mistä sijoituspaikka tulee saavuttaa (demand points), jotka ovat yleensä väestöpisteitä. Paras mahdollinen sijainti uudelle liikuntapaikalle voidaan määrittää, kun tiedetään kandidaattipisteet sekä asukkaiden määrä YKR:n ruutupisteissä Sijoituspaikka voidaan ratkaista esimerkiksi minimoimalla impedanssi siten, että mahdollisimman monella asukkaalla on mahdollisimman lyhyt matka uuteen uimahalliin. Ratkaisutapana on tässä minimize impedance. Muut ratkaisutavat löytyvät opintoprujusta
Verkoston valmistaminen / graafin luonti Graafin luonnissa määritetään yhdistävyydet C C = n i m j Cij C = yhdistävyysmatriisi i = lähtöpiste j = päätepiste n = lähtöpisteiden lukumäärä m = päätepisteiden lukumäärä Cij = yhdistävyys pisteiden välillä (0 = ei ole yhteyttä, 1 = on yhteys) j i A B C D A 0 1 0 0 A C D B 1 0 1 1 C 1 0 0 1 D 0 0 0 0 B
Lopuksi Tärkeänä osana verkostoanalyysi ja on itse verkosto, joka luodaan polyline-muotoisesta shape-tiedostosta Tähän liittyen, verkoston rakentaminen ja siihen liitettävien ominaisuuksien laittaminen on yleensä hidasta ja työlästä. Tie ja/tai polkuverkostoihin voidaan liittää todella monipuolisesti erilaisia ominaisuuksia (esim. CO 2 -päästöt) Verkostoanalyysit eivät rajoitu ainoastaan edellä käytyyn kolmeen verkostotoimintoon, vaan analyysityökaluilla on mahdollista etsiä lähin palvelu ja määrittää kohteiden keskinäistä saavutettavuutta. Ymmärrä tutkittava ilmiö ja mieti mihin kysymykseen haluat vastauksen sopivimman laskentatavan löytämiseksi!
Lähteitä Ala-Hulkko, T., O. Kotavaara, J. Alahuhta, P. Helle & J. Hjort (2016). Introducing accessibility analysis in mapping cultural ecosystem services. Ecological Indicators 66, 416 427. Geurs K. & J. Ritsema van Eck (2001). Accessibility measures: review and application. Evalution of accessibility impacts of land-use transport scenariosm and related social and economic impacts. RIVM report. Huotari, T., H. Antikainen, M. Pukkinen & J. Rusanen (2012). Synnytyspäivystyksen ja erikoissairaanhoidon palveluiden saavutettavuus. Sosiaali- ja terveysministeriön raportteja ja muistiota 29 Kotavaara, O., K. Korhonen, M. Miettinen, U. Lehtinen, T. Muilu, J. Juga & J. Rusanen (2014). Lähi- ja luomuruoan saavutettavuus Pohjois-Pohjonmaalla: RuokaGIS-hankkeen loppuraportti. MTT Raportti 152. Määttä-Juntunen, H., H. Antikainen, O. Kotavaara & J. Rusanen (2011). Using GIS tools to estimate CO 2 emissions related to the accessibility of large retail stores in the Oulu region, Finland. Journal of Transport Geography 19, 346 354. Rodrigue, J-P., C. Comtois & B. Slack (2006). The Geography of Transport Systems. Routledge, New York. 297s. Chen, A., C. Yang, S. Kongsomsaksakul & M. Lee (2007). Network-based Accessibility Measures for Vulnerability Analysis of Degradable Transportation Networks. Networks and Spatial Economics 7, 241 256.
Rasteri- ja 3D-analysointi
Rasteridata Yleisempiä ilmiöitä rasteriaineiston esittämisessä ja analysoinnissa ovat jatkuvat pinnat: Luonnonmaantieteelliset muuttujat (korkeus, lämpötila, lumen syvyys, saasteiden pitoisuudet yms.) Rasteriaineistosta analysoitu tieto (lajin levinneisyys, metsän kulkukelpoisuus, lajin leviämisreitit, potentiaalinen saavutettavuus) Vektoriaineistosta analysoitu rasteritieto (interpolointi, vyöhykeanalysointi, tiheyspinnat) Diskreetit pinnat esitetään joissain tapauksissa rasterimuodossa CORINE, maastokartat Joissain tapauksissa tiedon analysointia varten aineisto tulee muuttaa vektoriaineistosta rasteriaineistoksi ArcMap:ssa: toolbox Conversion tool To raster Teoriassa rasteriaineisto käyttää enemmän muistia kuin vektoriaineisto, mutta käytännössä rasteriaineistojen kanssa toimiminen voi olla mielekkäämpää riippuen tapauksesta. Esimerkiksi luonnonmaantieteellisten muuttujien käsittely ja muokkaaminen on mielekkäämpää monena rasterina kuin yhtenä isona taulukko/vektori-tiedostona
Heinän siitepölyn esittäminen rasterina
Rasterianalyysista Rasterianalysoinnissa ollaan kiinnostuttu tarkastelemaan Kahden tai useamman rasteriarvojen suhteesta Arvojen poikkeamasta suhteessa ympäristöön Rasterin arvoista halutulla alueella Ilmiön tiheydestä rasteripinnalla 32 76 23 634 50 43 32 7 23
Rasterien vertaaminen (Raster calculator) 32 76 23 5 99 43 32 + 5 = 37 76 + 99 = 175 23 + 43 = 66 634 50 43 65 37 87 634 + 65 = 699 50 + 37 = 87 43 + 87 = 130 32 7 23 422 8 3 32 + 422 = 454 7 + 8 = 15 23 + 3 = 26 Raster calculator:ssa voidaan laskea monimutkaisiakin yhtälöitä. Esimerkiksi edellä esitetty heinän siitepöly on laskettu kasvillisuus indeksi (EVI, enhanced vegetation index) arvoista lineaarisen regression kaavalla y = α + β 1 x 1 β n x n
Arvojen poikkeamat ympäristöstä (Focal statistic / filter) 32 76 23 634 50 43 Y = 50 - (32+76+23+634+43+32+7+23 / 8) = -58,75-58,75 32 7 23
Rasteriarvot tietyllyllä alueella (Zonal statistic / Tabulate area) 32 76 23 Summa: 32 + 76 + 23 + 634 + 32=797 Keskiarvo: summa / 5 = 159,4 yms-tietoja 634 50 43 32 7 23 Summa: 50 + 43 + 7 + 23=123 Keskiarvo: summa / 4 = 30,75 yms-tietoja Rasterien arvot voidaan laskea myös karkeampaan resoluution zonal statistic tai tabulate area toiminnolla. Luonnonmaantieteessä on usein tarpeellista. Zonal statistic = lähtörasterin tilastoarvot karkeammassa resoluutiossa tai halutulla alueella Tabulate area = lähtörasterin arvojen pinta-alat karkeammassa resoluutiossa tai halutulla alueella
Tiheyspinnat 4 3 0 3 2 1 0 1 0
Tiheyspinnat (point) Kohteiden määrä / pinta-ala = n/a = n/πr 2 500m 7 / π x 0,5 2 = 8,9 kpl/km 2
Tiheyspinnat (line) Kohteiden pituus / pinta-ala = d/a = d/πr 2 500m 2,5 / π x 0,5 2 = 3, 2kpl/km 2 den pituus säteen sisällä 2,5km
Tiheyspinnat (Kernel) Pisteiden arvojen summa / pinta-ala = n/a = n/πr 2 500m 0,85 0,95 0,90 0,15 Pisteiden summa = 4,45 4,45 / π x 0,5 2 = 5,6 kpl/km 2 0,45 0,1 0,15 Pisteen arvo 1 0 500 m 500 m Rasterin keskipisteen etäisyys pisteeseen
Kustannuspinta-analyysit Kuvataan henkilön tai vaikkapa eliön kulkemisen vaikeutta maastossa rasteripinnalla. Voidaan tehdä reitinoptimointia maastossa tai eliön leviämismalleja Kustannus = solun / rasterin kulkemisen vaikeus Laskenta: tutkijan määritelmä kustannuspinta kumulatiivinen kustannuspinta lähtöpisteestä (etäisyys huomioitu) suuntarasteri kohti lähtöpistettä optimaalisin reitti päätepisteeseen
Kustannuspinnan laskenta Kaava: γ = x 2 (c 1 + c 2 ) Reitinvalintamahdollisuudet 1-vaiheessa: id 2 id 1 id 2 id 4 id 1 Id 2 id 3 id 1 Id 2 id 3 Id 2 id 1 id 3 Id 2 id 4 id 3 Reitinvalintamahdollisuudet 2-vaiheessa: id 2 id 1 (Pienin kustannus) Id 2 id 3 Id 2 id 1 id 3 Id 2 id 4 Id 2 id 1 id 4 id 1 id 2 c 2 = 2 c 1 = 2 Id 2 id 4 x = 25 Id 2 id 3 id 4 tai Id 2 id 1 id 4 x= 35,36 (sivun pituus) 25 2 (2+2) = 50 0 id 3 id 4 c 2 =3 c 2 = 4 35,36 2 + 3 2 = 88,4 25 2 2 + 4 = 75 c 1 =2 3-vaiheessa käydään iteroimalla kaikki loput vaihtoehdot läpi 50 0 c 2 =3 c 2 =4 50 + 25 2 + 3 = 2 112,5 50 + 35,36 2 + 2
3D Teknisesti korkeus (z) lisätään xy-koordinaattitietoihin, jolloin saadaan xyz-tietomuoto 3D-esitetään yleensä: Rasterikuvana (oikeat arvot, varjokuva, korostettuna rasterina) Korkeuskäyränä 3D-visualisoinnin sisältävillä ohjelmilla 3D-analysoinnit ovat: Korkeussumman laskeminen reitillä Rinteen kaltevuuden ja suunnat analyysit Näkyvyysanalyysit Hydrologiset analyysit Perustuvat rasterianalysointiin
Laserkeilaus (pistepilviaineisto) Laserkeilauksella tuotetaan 3D-tietoa maanpinnasta sekä myös sen yläpuolisesta alueesta (pääasiassa metsistä ja taloista) Tekniikkaa perustuu laserpulssin lähettämiseen, jonka takaisin säteilyn määrää mitataan lentokoneessa olevilla antureilla Käytännössä laserkeilausaineisto tuotetaan lentokoneella MML-toimesta sekä yksityisten yritysten toimesta lennokeilla Laserkeilaustiedosta on tehty tulvariskialuekartoituksia ja puuston määrän analysointia Koska laserkeilausaineisto on todettu löytävän lähes kaikki yksittäiset puut, oletettavaa on myös sen soveltuvan metsän kulkukelpoisuuden määrittämiseksi, jota voidaan käyttää maastonavigoinnin kustannuspinnan luomisessa.
LAS-analyysit Arc-ohjelmistossa ei ole juurikaan lasanalysointiin soveltuvia työkaluja RabidLasso-sivustolla on mahdollista ladata las-analyysityökalukansion. Työkalut ovat lisensoituja, mutta niitä voi vapaasti käyttää koulutuksessa ja testaamisessa LAS-analyyseillä voidaan esimerkiksi tuottaa korkeudesta rasteri- tai vektoriaineistoja, jolloin niille soveltuvia tiedon analysointimenetelmät on mahdollista käyttää HUOM! Laserkeilaus tuotetaan hyvin tarkkaa tietoa maasta, mikä mahdollistaa varsin tarkan tiedon tuottamista muilla työkaluilla aineistomuokkauksen jälkeen On tietenkin kiva myös 3D-visualisoida rakennuksia ja maastoa.
Lähteitä Lillesand, T.M, R.W. Kiefer & J.W. Chipman (2004). Remote sensing and image interpretation. 5p. s.763. Wiley. O Sullivan, D. & D. Unwin (2010) Geographic Information Analysis. 2. painos, s. 432. Hoboken, John Wiley & Sons, Inc. New Jersey. ESRI. About analyzing imagery and raster data <http://desktop.arcgis.com/en/arcmap/10.3/manage-data/raster-andimages/about-analyzing-imagery-raster-data.htm> Rabidlasso GmbH. LAStools <https://rapidlasso.com/lastools/> Tiede, D., G. Hochleitner & T. Blaschke (2005). A FULL GIS-BASED Workflow For Tree Identification And Tree Crown Delineation Using Laser Scanning. <http://www.isprs.org/proceedings/xxxvi/3-w24/papers/cmrt05_tiede_et_al.pdf> ArcGIS Pro (2016). Use lidar in ArcGIS Pro. <http://pro.arcgis.com/en/proapp/help/data/las-dataset/use-lidar-in-arcgis-pro.htm> Etula, H & H. Antikainen (2012). Maaston kulkukelpoisuuden mallintaminen metsäsuunnittelijan näkökulmasta reitinoptimointia varten. Terra 124(1): 29 43 Ympäristöhallinto. Tulvakartoitus. <http://www.ymparisto.fi/fi- FI/Vesi/Tulviin_varautuminen/Tulvariskien_hallinta/Tulvariskien_hallinnan_suun nittelu/tulvakartoitus>
Spatiaalinen autokorrelaatio ja geostatistiikka
Spatial autocorrelation Tobler s law ( First Law of Geography ): All places are related but nearby places are more related than distant places (Waldo Tobler, 1970) Spatial autocorrelation is the formal property that measures the degree to which near and distant things are related Statistical test of match between locational similarity and attribute similarity (positive, negative or zero relationship)
Spatial autocorrelation Positive spatial autocorrelation occurs when features that are similar in location are also similar in attributes Negative spatial autocorrelation occurs when features that are close together in space are dissimilar in attributes Zero autocorrelation occurs when attributes are independent of location
Scale dependency Spatial autocorrelation is scale-dependent Negative spatial autocorrelation Positive spatial autocorrelation The presence of positive spatial autocorrelation can be an indication of inappropriate scale of analysis
Spatial autocorrelation in real-world data Example: A network of rain gauges 33 mm 27 mm 10 mm 7 mm 21 mm 15 mm 5 mm 5 mm 7 mm 10 mm 9 mm 16 mm 14 mm 20 mm 32 mm 44 mm 23 mm 28 mm Y: Difference in measured value No spatial autocorrelation Strong spatial autocorrelation Weak spatial autocorrelation X: Distance between any two measurement points
Signifigance Sometimes a problem Classic statistics: Assumption of independent sampling violated But often useful: Allows us to perform spatial prediction (spatial interpolation) Without spatial autocorrelation there would not be geography as we know it!
Testing for spatial autocorrelation Null hypothesis: Spatial randomness Values observed at one location do not depend on values observed at neighboring locations Observed spatial pattern of values is equally likely as any other spatial pattern
Testing for spatial autocorrelation Steps in determining the extent of spatial autocorrelation in the data: 1) Choose a neighborhood criterion Which locations/areas are linked? 2) Assign weights to the areas that are linked Create a spatial weights matrix, describing the distances between objects 3) Run statistical test (using the weights matrix) to examine spatial autocorrelation Most typically Moran s I
Spatial weights matrices Neighborhoods can be defined in a number of ways, for example: Binary connectivity based on contiguity w ij = 1 if regions i and j are contiguous, w ij = 0 otherwise Distance band Neighbors within the distance band considered as neighbors What distance to band use? Distance decay Same as above, but closer neighbors are weighted more than distant neighbors w ij = d ij -β, wij = exp[-βd ij ]
Test for the presence of spatial autocorrelation Moran s I Classic/best measure of global spatial autocorrelation Ranges from -1 to 1 Getis-Ord Cold and hot spots cold spot: cluster of low values hot spot: cluster of large values
weight weight weight Conceptualization of spatial relationships Fixed distance band (sphere of influence) Each feature is analyzed within the context of those neighboring features located within the distance you specify for Distance Band or Threshold Distance. Neighbors within the specified distance are weighted equally. Inverse distance (distance decay) All features impact/influence all other features, but the farther away something is, the smaller the impact it has. Zone of indifference Combines the Fixed Distance Band and Inverse Distance models: Once the critical distance is exceeded, the level of influence (the weighting) quickly drops off. distance distance distance
Geostatistiikka Geostatistiikan tarkoituksena on spatiaalisen autokorrelaation funktion mallintaminen spatiaalista ennustamista varten spatiaalinen ennustaminen: ilmiön arvo on havaittu äärellisessä määrässä tutkimusalueen pisteitä ja näiden havaintojen perusteella arvioidaan, minkälaisia arvoja se voisi saada muissa pisteissä Käsittelee lähinnä spatiaalisesti jatkuvia prosesseja, eli muuttujia, joiden arvo on ainakin periaatteessa määritettävissä missä tahansa tutkimusalueen pisteessä esim. lämpötila, lumen syvyys, maaperän laatu
Geostatistiikan historiaa Taustat geologiassa ja kaivosteollisuudessa Perusajatuksen takana Daniel G. Krige, idean jatkokehittäjiä monia muitakin, erityisesti Georges Matheron Geostatistiikkaan perustuva interpolointi = kriging
Datan rakennekomponenttien tunnistaminen joku ilmiö Trendikomponentti Spatiaalisesti autokorreloitunut komponentti sijainti Autokorreloimattoman satunnaisvaihtelun komponentti
Interpolointimenetelmät ArcGIS:ssä Deterministiset menetelmät IDW (Inverse Distance Weighting) Spline Geostatistiset menetelmät Kriging
IDW Keskiarvoistava vaikutus, minkä takia interpoloidun pinnan arvojen vaihteluväli on pienempi kuin alkuperäisen aineiston vaihteluväli Lasketaan estimoitavan pisteen (rasterisolun) läheisten havaintopisteiden keskiarvo siten, että lähempiä pisteitä painotetaan enemmän kuin kauempana olevia pisteitä muuttujan arvo sijainti (1- ulotteinen)
Spline-interpolointi Paloittaisista splini-funktioista tuotetaan interpoloitu pinta Polynomifunktiot sovitetaan havaintopisteisiin Mahdollisuus säilyttää alkuperäisten arvojen vaihteluväli Topografiset pinnat Spline-interpolointitavat: Regularized (3.asteen polygoni) Tension (2. asteen polygoni, käyttää todellista enemmän pisteitä) z f(x) g(x) x
Kriging Perusperiaate: geostatistisia ilmiöitä ei voi mallintaa deterministisesti, vaan stokastisesti (eli mukana on satunnaismuuttuja) Laajasti tutkittu ja kehitetty menetelmä: erilaisia variaatioita on runsaasti Krigingin perusidea käytännössä sama kuin IDWmenetelmässä, mutta etäisyyspainotukset johdetaan geostatistisella analyysillä (spatiaalisen autokorrelaation mallintaminen) sen sijaan että ne vedettäisiin hatusta
Semivariogrammi-tekniikka Geostatistiikassa spatiaalisen autokorrelaation funktio pyritään löytämään semivariogrammi-tekniikalla Lähtökohtana havaintoaineiston kaikkein pisteiden yhdistäminen pistepareiksi: Muodostuu n(n-1) / 2 kpl pistepareja (n = havaintopisteiden lukumäärä) Jokaisen pisteparin osalta lasketaan Pisteiden välinen maantieteellinen etäisyys Semivarianssi tarkasteltavan muuttujan suhteen
Semivariogrammi-tekniikka Semivarianssi esitetään koordinaatistossa etäisyyden suhteen hajontakuviona Hajontakuvioon sovitetaan sopiva matemaattinen funktio Tämä funktio on spatiaalisen autokorrelaation käänteinen funktio semivarianssi (vaihtelun voimakkuus) etäisyys
Semivariogrammi eri tapauksia Erilaisia teoreettisia funktioita: Linear Spherical Exponential Gaussian
GIS-toimintojen automatisointi
Automatisointi Paikkatietotoimintojen automatisointi tulee tarpeelliseksi tapauksissa: Sama analyysi tai muu Arc:n toiminto tehdään useita kertoja Lopputuloksen saamiseksi tehdään useita analyysejä Arc:n analyysimenetelmissä ei ole käytössä toivottua analysointimenetelmää Arc:n analyysimenetelmät eivät tuota täysin toivottua lopputulosta ArcMap:ssa tiedon käsittelyä automatisoidaan: ModelBuilder-lisäosalla Python-skriptillä
ModelBuilder Itsenäinen graafinen käyttöliittymä osana ArcMap-ohjelmaa Perusperiaattena on yhdistellä Arc:n analyysitoimintoja esim. slope extract by Mask Focal statistic Vähentää ylimääräisten tiedostojen määrää Ei tarvitse tehdä useaan kertaan valintoja Muita ominaisuuksia: Iteroinnin lisääminen (tehdään sama analyysi usealle tiedostolle tai sarakkeelle, halutuille riveille) Ominaisuuksien hakeminen (Model only tools, tietojen kerääminen, laskeminen yms.) Toisen mallin tai skriptin tuominen malliin Mallin vieminen python-skriptiksi
Python-skriptaus Python on yleinen ohjelmointikieli, jolla pystyy tekemään esimerkiksi android-sovelluksia Python on suhteellisen yksinkertainen ohjelmointikieli, mutta ilman mitään ohjelmointikokemusta on vaikeaa lähteä itsenäisesti toteuttamaan skriptausta Perustuu ArcPy-nimisen kirjaston toimintoihin, josta löytyy dokumentointi sivustolta: http://desktop.arcgis.com/en/arcmap/10.3/analyze/arcpy/what-is-arcpy-.htm Python-skriptaus toimii myös ilmaisessa Qgis-ohjelmistossa, jossa paikkatietotoiminnot on koodattu PyQgis-nimiseen kirjastoon. Huom! Arc:n komennot eivät toimi Qgis-alustalla ja toisin päin http://docs.qgis.org/testing/en/docs/pyqgis_developer_cookbook/intro.html
Perusasioita ohjelmoinnista (Python-komentoja) Tietotyyppi int = kokonaisluku double = liukuluku str = teksti [] = lista Peruskomennot Kirjastojen tuominen import Tiedon määrittäminen ja käsittely pituus = 30 vastaus = 10 * pituus nimi = Kale Tiedon tulostaminen ja kysyntä print ( tulostetteva teksti ) nimi = input( anna nimi ) Tiedosto = arcpy.getparameterastext() Ehtolauseet If nimi = kale : pituus = 200 vastaus = 10 * pituus print vastaus Toistolauseet lista =[amme, vene, virsi] for nimi in lista: print nimi Tässä on vain muutamia esimerkkejä perusasioista. Alkuun pääsee esim. harjoittelemalla ohjelmointiputka.net - sivuston malleilla. Ohjelmoinnista (esim. paikkatiedon automatisoinnista) kiinnostuneiden kannattaa mennä tietojenkäsittelytieteiden kursseille. Yksi hyvä sivuaine geoinformatiikkaan suuntautuville.
QGIS Ilmainen paikkatieto-ohjelma, jonka voi ladata sivustolta: http://www.qgis.org/fi/site/forusers/download.html Qgis:n työkaluihin on integroitu r-skriptaus, Saga, Orfeo, GrassGIS, GDAL, TauDEM Lähes kaikki Arc:n toiminnot löytyvät myös Qgis-ohjelmistosta Myös mallin rakentaja löytyy Qgis-prosessointitoiminnoista, joka vastaa ominaisuuksiltaan lähes tulkoon Arc:n ModelBuilderia Käyttäjäystävällisyys ei ole ihan samalla tasolla Arc-ohjelmiston kanssa, mutta Qgis on helppo omaksua jos Arc-ohjelma on tuttu Suosittelen tutustumaan ja kokeilemaan! Yritykset ja oppilaitokset tulevat todennäköisesti vähitellen siirtymään Arc:sta Qgis:n käyttöön
Lähteitä Chaaban, F., H. Darwishe, Y. Battiau-Quenye, B. Louche, E. Masson, J. El Khattabi & E. Carlier (2012). Modelbuilder and Aerial Photographs to Measure Coastline Retreat and Advance: North of France. Journal of Coastal Research 28:6, 1567 1597. Flater, D. & N. Ahmed (2013). Using Python with ArcGIS. Esri International Developer Summit. Palm Springs, CA. <http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.644.7 111&rep=rep1&type=pdf> Sherman, G. (2014). The PyQGIS Programmer s Guide: Extending QGIS 2.x with python. Locate Press LLC Pimpler, E. (2013). Programming ArcGIS 10.1 with Python Cookbook Jennings, N. (2011). A Python Primer for ArcGIS. CreateSpace. ESRI (2016). What is ModelBuilder. <http://desktop.arcgis.com/en/arcmap/10.3/analyze/modelbuilder/ what-is-modelbuilder.htm>