Artikkelit kirjoittajalta Jyrki Kangas

Tutkimuksen tavoitteena oli selvittää, kuinka luotettavasti ilmasta käsin kerätystä harvapulssisesta laserpisteaineistosta voidaan ennustaa kuviokohtaisia puustotunnuksia. Maastoaineistona käytettiin 472 koealan puustotietoja, jotka oli mitattu 67 kasvatus- ja uudistamisvaiheen kuviolta. Kaukokartoitusmateriaalina käytettiin laserpisteaineistoa, jonka tiheys oli keskimäärin 0,7 pulssia neliömetrille. Tutkimusaineisto kerättiin elo–syyskuussa 2004 UPM-Kymmene Oyj:n omistamalta tilalta Varkaudesta.

Tutkimuksessa sovelletun tilastollista mallinnusta käyttävän lähestymistavan toiminta perustuu siihen, että regressioyhtälöillä lasketaan laserpisteaineistosta puustotunnukset. Työssä laadittiin malleja puustotunnusten ja laserpisteparvesta lasketun korkeusjakauman tunnusten välille koealatasolla. Laadituilla regressioyhtälöillä ennustettiin metsikkökuviolle, käyttäen koko kuviolle osuneita laserpisteitä, puuston keskiläpimitta, keskipituus, runkoluku, pohjapinta-ala ja tilavuus. Mallit tuottivat laadinta-aineistossaan edellä mainituille puustotunnuksille seuraavat absoluuttiset ja suhteelliset keskivirheet (RMSE): 1,9 cm (9,5 %), 1,9 m (5,3 %), 274 kpl/ha (18,1 %), 2,0 m²/ha (8,3 %), ja 19,9 m³/ha (9,8 %). Saadut tulokset ovat erittäin tarkkoja ja verrattuna SOLMU-muotoiseen maastossa tehtävään kuvioittaiseen arviointiin selvästi tarkempia. Esitetty inventointimenetelmä on edelleen kehitettynä erittäin lupaava vaihtoehto metsäsuunnittelun metsänmittaustehtävään Suomessa.

• Suvanto, Sähköposti: aki.suvanto@joensuu.fi
• Maltamo, Sähköposti: ei.tietoa@metsatiede.org
• Packalén, Sähköposti: ei.tietoa@metsatiede.org
• Kangas, Sähköposti: ei.tietoa@metsatiede.org

Tutkimuksessa esitetään delfi-tekniikan ja HERO-nimisen heuristisen optimointimenetelmän tavoiteanalyysiosan yhteiskäyttöön perustuva ekologisen biodiversiteettiasiantuntemuksen mallintamismenetelmä. HEROssa sovellettua tiedustelutekniikkaa käytetään menetelmässä delfin iteratiivisuusperiaatteen mukaisesti. Delfi-tekniikka muodostaa menetelmän lähestymistavan asiantuntemuksen kokoamiseen ja mallinnusprosessin kehikon. HEROn tiedustelutekniikka tuo menetelmään analyyttisen otteen, joka delfistä itsessään puuttuu. Esitetyllä menetelmällä tuotettu malli voidaan sellaisenaan integroida metsäsuunnittelun optimointilaskelmiin.

Ekologisen asiantuntemuksen mallinnuksen tarkoitus on helpottaa ekologisen tietämyksen akuuttia tarvetta ja empiirisen tutkimuksen tuottamien, suunnittelulaskelmissa käyttökelpoisten mallien puutetta nopealla ja halvalla tavalla. Mitä tahansa asiantuntemusaineistoon pohjautuvaa mallia on perusteltua käyttää vain kunnes riittävään empiiriseen aineistoon pohjautuvat luotettavammat mallit ovat valmiit.

Kaikkiaan 11 asiantuntijalta tiedusteltiin näkemykset biodiversiteetin komponenttien tärkeyksistä tietyn metsäalueen monimuotoisuuden vaalimisessa sekä alueen hyvyyden muutoksesta komponenttien arvojen muutoksen funktiona. Asiantuntijat olivat huomattavan erimielisiä siitä, mikä on tärkeää alueen hoidossa ja käytössä biodiversiteetin vaalimisen näkökulmasta. Mallinnusprosessin aikana näkemykset lähenivät jossain määrin toisiaan, mutta yhteisesti hyväksyttävän kompromissin löytäminen ei ollut mahdollista. Tulos ilmentää yhteisesti hyväksytyn biodiversiteettimittarin puutetta sekä subjektiivisen harkinnan osuutta biodiversiteettiarvioinneissa toistaiseksi.

Sovellus oli menetelmän ensimmäinen kokeilu. Menetelmä osoittautui kehityskelpoiseksi, joskin jatkokehittelyä tarvitsevaksi. Menetelmän jalostaminen on tarpeen erityisesti mallinnusprosessin loppuvaiheessa sellaisia tilanteita varten, missä asiantuntijoiden yhteisen näkemyksen löytäminen on vaikeaa.

• Kangas, Sähköposti: jyrki.kangas@metla.fi
• Mononen, Sähköposti: ei.tietoa@metsatiede.org

Artikkelissa esitetään HERO-nimisen heuristisen optimointimenetelmän sovellus vuorovaikutteiseen metsäsuunnitteluun. Vuorovaikutteisessa eli interaktiivisessa yksityismetsien suunnittelussa metsänomistaja ja suunnittelija käyttävät suunnitteluohjelmistoa yhteisessä suunnitteluistunnossa toistaen suunnittelulaskelmia tarvittaessa useaan kertaan.

Metsänomistajan tavoitteet pyritään kuvaamaan mahdollisimman kattavasti jo ensimmäisessä suunnittelulaskelmassa. Ohjelmistolta saatavan välittömän palautteen pohjalta voidaan muuttaa tavoitemuuttujiksi määriteltyjä metsää ja sen kehitystä kuvaavia tunnuksia sekä niiden tärkeyssuhteita, jos laadittu suunnitelma ei tyydytä metsänomistajaa. Tavoitemuuttujia ja niiden painoarvoja tai muita optimoinnin perusteita muutetaan kunnes aikaansaatu suunnitelma tyydyttää metsänomistajaa. Suunnittelulaskelmien myötä opitaan tilan tai metsäalueen tuotantomahdollisuudet ja nähdään miten erilaiset metsän hoidon ja käytön tavoitemallit vaikuttavat metsästä saataviin hyötyihin sekä metsän kehittymiseen.

Vuorovaikutteista optimointia testattiin Pohjois-Karjalan metsälautakunnan yksityismetsien metsäsuunnittelun kehittämishankkeessa. Kymmenen metsänomistajaa osallistui testiin. Useimmille testiin osallistuneista metsänomistajista kyettiin tuottamaan ensimmäistä suunnittelulaskelmaa tyydyttävämpi suunnitelma muuttamalla optimointitehtävää yhteen tai useampaan kertaan, mikä osoittaa vuorovaikutteisen suunnittelun hyödyllisyyden. Vuorovaikutteisuus parantaa asiakaslähtöisen suunnittelun edellytyksiä.

• Kangas, Sähköposti: jyrki.kangas@metla.fi
• Pukkala, Sähköposti: ei.tietoa@metsatiede.org
• Pykäläinen, Sähköposti: ei.tietoa@metsatiede.org

Metsäsuunnittelussa pyritään valitsemaan tietylle metsäalueelle kiinnostavien muuttujien – esimerkiksi tulojen – suhteen optimaalinen käsittelyohjelma mahdollisista vaihtoehdoista. Optimin valintaa voivat rajoittaa reunaehdot, kuten vaatimukset metsien käytön kestävyydelle. Metsien kehitysennusteiden epävarmuutta ei useimmiten oteta huomioon optimaalista käsittelyohjelmaa valittaessa. Tällöin optimiratkaisun arvo saatetaan yliarvioida, eivätkä asetetut rajoitteet välttämättä toteudu. Kun suunnitelmaa laaditaan tavoitteena säilyttää alueen eläin- tai kasvipopulaatioiden elinvoimaisuus tai jopa lisätä sitä, on epävarmuudella vielä ratkaisevampi merkitys kuin perinteisiä puuntuotannollisia tavoitteita tarkasteltaessa. Jos tavoitteena on esimerkiksi maksimoida metsästä saatavat nettotulot siten, että jokin eläinlaji säilyy elinkykyisenä, keskimääräinen populaation koko tulisi olla sitä suurempi, mitä suurempi on epävarmuus populaation kehityksestä tulevaisuudessa. Näin voitaisiin minimoida populaatioiden tai jopa koko lajin häviämisen riski. Tässä katsauksessa esitellään erilaisia populaatioiden kehitystä kuvaavia mallityyppejä sekä mahdollisuuksia niiden soveltamiseen metsäsuunnittelussa. Erityistä huomiota kiinnitetään populaatioiden häviämisriskien tarkasteluun suunnittelulaskelmissa.

• Kangas, Sähköposti: annika.kangas@metla.fi
• Kangas, Sähköposti: ei.tietoa@metsatiede.org

Metsätalouden laskentajärjestelmät pohjautuvat yhä enemmän simuloituihin metsien kehitysennusteisiin, mutta näin saatujen kehitysennusteiden ja -skenaarioiden luotettavuutta ei ole riittävästi tarkasteltu. Tässä artikkelissa esitellään erilaisten puustotunnusten ennustamiseen liittyviä epävarmuuden lähteitä. Lähinnä tarkastellaan mallien jäännösvirheiden ja kertoimien sekä malleissa tarvittavien lähtötietojen virheiden vaikutuksia saataviin ennusteisiin. Lisäksi tarkastellaan esimerkkilaskelman avulla virheiden vaikutuksia metsäsuunnitelmaan. Puustotunnusten ennustamisen lisäksi metsäsuunnittelussa aiheuttavat epävarmuutta esimerkiksi päätöksentekijän tavoitteiden analysointi ja kuvaaminen. Ennustamiseen ja suunnitteluun liittyvät erilaiset epävarmuustekijät ja niiden yhteisvaikutukset tulisikin tuntea nykyistä paremmin. Epävarmuus pitäisi myös pystyä kuvaamaan päätöksentekijälle tämän ymmärtämässä muodossa.

• Kangas, Sähköposti: annika.kangas@metla.fi
• Kangas, Sähköposti: ei.tietoa@metsatiede.org

• Kangas, Sähköposti: jyrki.kangas@metla.fi
• Hänninen, Sähköposti: ei.tietoa@metsatiede.org

• Laukkanen, Sähköposti: ei.tietoa@metsatiede.org
• Palander, Sähköposti: ei.tietoa@metsatiede.org
• Kangas, Sähköposti: ei.tietoa@metsatiede.org
• Kangas, Sähköposti: ei.tietoa@metsatiede.org

• Sironen, Sähköposti: ei.tietoa@metsatiede.org
• Kangas, Sähköposti: ei.tietoa@metsatiede.org
• Maltamo, Sähköposti: ei.tietoa@metsatiede.org
• Kangas, Sähköposti: ei.tietoa@metsatiede.org

• Kangas, Sähköposti: ei.tietoa@metsatiede.org
• Kangas, Sähköposti: ei.tietoa@metsatiede.org
• Pykäläinen, Sähköposti: ei.tietoa@metsatiede.org

• Leskinen, Sähköposti: ei.tietoa@metsatiede.org
• Kangas, Sähköposti: ei.tietoa@metsatiede.org

• Kangas, Sähköposti: ei.tietoa@metsatiede.org
• Leskinen, Sähköposti: ei.tietoa@metsatiede.org
• Pukkala, Sähköposti: ei.tietoa@metsatiede.org

• Kangas, Sähköposti: jyrki.kangas@upm-kymmene.com
• Uuttera, Sähköposti: ei.tietoa@metsatiede.org
• Wathén, Sähköposti: ei.tietoa@metsatiede.org
• Haapasalo, Sähköposti: ei.tietoa@metsatiede.org
• Laamanen, Sähköposti: ei.tietoa@metsatiede.org
• Soimasuo, Sähköposti: ei.tietoa@metsatiede.org
• Suutarla, Sähköposti: ei.tietoa@metsatiede.org
• Ärölä, Sähköposti: ei.tietoa@metsatiede.org

• Uuttera, Sähköposti: ei.tietoa@metsatiede.org
• Kangas, Sähköposti: ei.tietoa@metsatiede.org

• Kangas, Sähköposti: ei.tietoa@metsatiede.org

• Kangas, Sähköposti: jyrki.kangas@metla.fi
• Kangas, Sähköposti: ei.tietoa@metsatiede.org
• Pukkala, Sähköposti: ei.tietoa@metsatiede.org

• Kangas, Sähköposti: jyrki.kangas@metla.fi