Metode: Analyse av rovbasen
Problemstilling
Rovbasen er et register som for Nord-Trøndelag sin del inneholder store mengder data. Ved et oversiktskart over fylket blir punktene så tette av det blir vanskelig å virkelig se hvor det største rovdyrtrykket er. Ved å bruke GIS prøvde vi å lage en HotSpotanalyse som bedrer visualiteten til tettheten av tilfellene i Rovbasen. Dette vil også gi et bedre sammenligningsgrunnlag for år til år. Symbolisering av disse HotSpotanalysene er et diffust tema siden de lett kan manipuleres til å vise noe annet som er realiteten. Derfor har vi her lagt vekt på den symbolisering som viser forskjellene best ut ifra fra det som er inntrykket i forhold til punktdatasettet. Les mer om symbolisering.
Vi har fått en eksport fra saksbehandlerverktøy i rovbasen for Nord-trøndelag. For Nord-Trøndelag er det registrert 13289 poster i rovbasen, hovedsakelig fra 1991 opp til d.d. En del lokaliteter fra 1992 mangler stedfesting. Derfor ble de geografiske analysene av rovbasen kjørt i fra 1993 t.o.m. 2006. Dette var for å få en sammenhengende analyse. Av de 13289 postene i rovbasen var det 10269 som gjaldt tap av sau, hvorav 4487 av disse var dokumentert tatt av rovdyr. Rapporten fra Rovbasen ble tilrettelagt i Access hvor kolonner for X og Y koordinater ble brukt for å få dataene inn i ArcMap. Noen feil registreringer åpenbarte seg når vi fikk det inn i kartprogrammet. I 1998 var det 4 registreringer i Namsskogan som havnet i Østfold, disse har vi valgt å se bort i fra. Dette gjelder RovbaseID; KA80044-KA80047, ÅR; 1998, Dødsårsak; Ulv, Vurdering; Usikker, Funnsted; Holmen (Utmark).
Får å behandle så store datamengder blir excel fort uoversiktilig derfor la vi dataene inn access før videre behandling. Når vi hadde dataene i MS access kjørte vi noen SQL-spørringer (SQL: Structured Query Language) på databasen og fått fram en del nøkkeltall. For se syntaxen på SQL-spørringene og resultatene av spørringene se resultat..
For å prøve å visualisere dataene brukte vi punktdatasettet vi genererte fra accessdatabasen og testet forskjellige tetthetsanalyser. Til dette brukte vi tilleggsaplikasjonen til ArcMap Spatial analyst. Den har tre hovedtyper av tetthetsanalyser Euklidisk avstand, Point density og Kernel density. Vi gikk for Kernel Density testen. Den tilordner verdier til celler i et grid ved at det blir beregnet en kernel overflate, en søkeradius rundt objekter (punkt eller linje) der verdien er 1 i sentrum av radiusen, men minker til null i ytterkanten. Den endelige verdien som blir tilordnet hver celle i gridet blir beregnet ved å summere verdien i alle kernel overflater som dekker den aktuelle cellen i gridet. I analysen angir man en søkeradius. Hvis søkeradiusen stor, vil en i gridet få en overflate med myke overganger. Hvis søkeradiusen er liten vil en få et grid med store lokale variasjoner.
Modellen
For å dokumentere prosessen og for å ha mulighet til å kunne kjøre den flere ganger har vi laget en toolbox som inneholder ferdige script. Toolboxen kan importeres og brukes igjen senere av forvaltningen.
Etter å ha laget et punktdatasett av rovbaseregistreringen tok vi å hentet inn fylkespolygonet bufret det med 10 km. En del av registreringen som er gjort for Nord-Trøndelag ligger litt utenfor fylket. Spesielt i Lierne hvor en del av registreringen ligger på svensk side. Kernelanalysen tar høyde for punkt utenfor området når det beregner summen av hver rute. Men for å avgrense sluttfilen har vi klippet den til etter det buffrede fylkespolygonet. Som lagring av kartdataene valgte vi å bruke File Geodatabase FGBD. (ArcGis 9.2) Her la vi inn rovbasedataene og klippepolygonet. Vi opprettet i i tilegg en FGDB som kladdeområde for midlertidige filer. For at det ikke skulle bli noen unaturlige avslutninger på datasettet opprettet vi fire punkter godt utenfor Nord-Trøndelag som vi ga verdien "År"=9999.
Figur 1.
Rovbasedataene med de valgte parametrene som er definert. (De merket med P må defineres hver gang, men har default verdier). De fleste parametrene er tatt ut som egne objekter og er nøstet sammen i hovedverktøyet. "År" er definert som en liste med verdier fra 1993-2006. "Dødsårsak" er Rovdyret som er antatt skadevolder. "Vurdering" er om den er dokumentert eller antatt. Dette gjør at den plukker ut de punktene som vi ønsker å kjøre analysen på. I tillegg kommer parametere som er forteller hvor stor cellestørrelser rasteret skal ha "CellSize" (default=1000m) og "SøkeRadius" (default=10 000m). Først kjører den "Select layer by attribute" med den verdien som velges. Deretter kjøres det "Kernel Density" på de valgte punktene med den valgte "CellSize" og "SøkeRadius" se Kernel Density under verktøy. Rasteret basert på de valgte punktene blir lagret i FGDB-midlertidig og gitt filnavn etter hvilke parametre som er valgt. Ved å bruke %Var% i modellen henter den verdien fra parametrene. Dette brukes både til lage filnavn og nøste parameterene i spørringene. Når den har laget et raster av punktdataene som er valgt klippes rasteret "Edit by mask" etter klippeolygonet som er definert, deretter blir det lagret i samme FGDB som var utgangspunktet for dataene med filnavn etter parametervalg. Modellen er satt til å gjenta seg like mange ganger som det er lagt til år i listen "År"
Det er også lagt inn en modell som ikke har med valgbar dødsårsak. Her er det spurt ut alle rovydyrerelaterte dødsårsaker som standard. (Bjørn, Jerv, Gaupe, Ulv, Kongeørn, Fredet rovvilt og Rev).
Eksempler på lovlige verdier:
| Dødsårsak | Vurdering |
| Bjørn | Dokumentert |
| Jerv | Antatt |
| Gaupe | Usikker |
| Ulv | |
| Kongeørn | |
| Rev | |
| Fredet rovvilt | |
| Hund | |
| Ikke rovvilt | |
| Sykdom | |
| Ukjent | |
| Ulykke |
Eksempler på spørringer
Select by attribute :"År" = '%Div%' OR( "År" = '%År%' AND "Dødsårsak" = '%Dødsårsak%' AND "Vurdering" = '%Vurdering%' )
Filnavn midlertidig raster:
KernelD_%Dødsårsak%_%CellSize%_%År%_%Vurdering%
Filnavn utfil:
%Dødsårsak%_%CellSize%_%År%_%Vurdering%
For å laste ned modellene og se nærmere dokumentasjon se Last ned.
Visualisering
Vi definerte deretter en tegneregel med naturlige brudd med 15 inndelinger fra høyt (rødt) til lavt (blått) hvor vi tok utgangspunkt i dataene fra det året som hadde største verdier og brukte den samme inndelingen på alle rasterene for alle år med lik spørring. Vi eksporterte deretter ut et bilde for hvert år som ble tilrettelagt i et Java fadescript og som bildevisning. Les mer om symbolisering.
Gå til meny