Luke
Silmäile
Hakuohjeet

Jukuri

Tervetuloa käyttämään Jukuria, Luonnonvarakeskuksen (Luke) avointa julkaisuarkistoa. Jukurissa on tiedot Luken julkaisutuotannosta. Osa julkaisuista on vapaasti ladattavissa. Luken muodostaneiden tutkimuslaitosten aikaisemmasta julkaisutuotannosta osan tiedot ovat järjestelmässä jo nyt ja kattavuus paranee jatkuvasti.

Kokoelmat

Viimeksi tallennetut

  • Kalanlajittelun nykytila ja kehitystarpeet Suomessa
    Hellström, Ella
    Luonnonvara- ja biotalouden tutkimus : 23/2026 (Luonnonvarakeskus, 2026)
    Kalanlajittelu on keskeinen työvaihe kalatalouden arvoketjussa, koska se vaikuttaa saaliin arvoon, jalostuksen sujuvuuteen, hävikin määrään sekä saaliin lajikoostumuksen raportointiin. Suomessa muun kuin troolatun pelagisen sekasaaliin lajittelu tehdään kuitenkin edelleen suurelta osin käsityönä. Käytännöt vaihtelevat pyyntimuodon, saaliskontekstin ja toiminnan mittakaavan mukaan. Monilajiset sekasaaliit, epätasainen kokojakauma ja kausiluonteiset saaliserät tekevät lajittelusta työvoimavaltaista ja voivat muodostaa pullonkauloja kalastuksen ja jalostuksen väliseen ketjuun. Tässä selvityksessä tarkastellaan kalanlajittelun nykytilaa ja kehitystarpeita Suomessa sekä sitä, missä kohdissa arvoketjua lajittelu muodostaa keskeisiä tuotannollisia ja taloudellisia haasteita. Selvitys perustuu puolistrukturoituihin asiantuntijahaastatteluihin, Kalaleader-aktivaattoreille suunnattuun kyselyyn sekä kalatalouden hankkeiden ja kirjallisuuden tarkasteluun. Aineistojen avulla muodostettiin kokonaiskuva lajittelun käytännöistä eri saaliskonteksteissa, lajittelun kustannusrakenteesta sekä teknologisten ratkaisujen ja kehittämistoiminnan nykytilasta. Tarkastelussa huomioitiin sekä pyyntivaiheessa että jalostuksen yhteydessä toteutettava lajittelu sekä niiden vaikutus kalatalouden arvoketjun toimivuuteen. Tulosten perusteella lajittelun keskeiset haasteet liittyvät sekasaaliiden käsittelyyn, kokoluokitteluun sekä lajittelun ajoitukseen kalastuksen ja jalostuksen välisessä ketjussa. Käsin tehtävä lajittelu on hidasta ja työvoimavaltaista. Usean henkilön työpanosta vaativassa lajittelussa kustannus voi nousta suureksi kalasta saatavaan tuottajahintaan nähden. Koneellisten lajitteluratkaisujen käyttöönotto riippuu vahvasti toiminnan mittakaavasta, sillä investointien kannattavuus edellyttää riittävää vuosivolyymiä ja käyttöastetta. Selvitys osoittaa, että lajittelun kehittämisen keskeiset pullonkaulat ovat Suomessa ensisijaisesti rakenteellisia eivätkä pelkästään teknologisia. Kehittämisen vaikuttavimmat kohteet liittyvät pyyntivaiheen käytännön ratkaisuihin, keskitettyihin käsittelypisteisiin sekä lajintunnistusta tukeviin teknologioihin, jotka voivat helpottaa saaliin koostumuksen tunnistamista ja raportointia suomalaisen kalatalouden mittakaavassa.
  • Kustannustehokkuutta maatalouden ilmastotoimiin tarjouskilpailumallilla : TARJOKE-hankkeen loppuraportti
    Wejberg, Henrik; Kekkonen, Hanna; Laurila, Marika; Ojanen, Hannu; Niskanen, Olli; Karhula, Timo
    Luonnonvara- ja biotalouden tutkimus : 18/2026 (Luonnonvarakeskus, 2026)
    TARJOKE-hankkeen tavoitteena oli kehittää ja pilotoida tarjouskilpailumalli maatalouden turvemaiden ilmastotoimien mahdollisimman kustannustehokasta kohdentamista varten. Hankkeen lähtökohtana oli Suomen kansallisen ilmastopolitiikan sekä kansainvälisten sitoumusten asettamat tavoitteet ilmastonmuutoksen hillitsemiseksi ja sopeutumiseksi. Tavoitteiden saavuttaminen tulee edellyttämään merkittäviä toimia myös turvepeltojen päästöjä hillitsemällä. Vettämistoimet – vedenpinnan pysyvä nosto ojitetuilla turvemailla – ovat tiedetysti tehokkain keino vähentää turvepelloilta muodostuvia päästöjä. Nykyiset maatalouden ohjauskeinot, kuten CAP:n tarjoamat toimet, eivät ole toistaiseksi lisänneet vettämistoimien toteutusta. Lisäksi yleisen maatalouspolitiikan toimet yksistään ovat riittämättömiä maatalouden maankäytölle asetettujen ilmastotavoitteiden saavuttamiseksi. Tämän vuoksi tarvitaan muita, kansallisia mekanismeja vettämistoimenpiteiden jalkauttamiseksi. Tarjouskilpailu voisi olla yksi lisäkeino edistää vettämistoimia kustannustehokkaasti ja lisätä maanomistajien vapaaehtoista osallistumista. Tässä hankkeessa pyrittiin tarkastelemaan tarjouskilpailumekanismin käytännön toteutuksen vaiheita ja potentaalia vettämistoimien jalkauttamiseksi. Hankkeessa tarkasteltiin lisäksi nykyisiä kannustimia, sääntely- ja lupaprosesseja sekä transaktiokustannuksia, jotka voivat muodostaa esteitä toimenpiteiden laajamittaiselle käyttöönotolle. Hankkeen tavoitteena oli koota tietoa tarjouskilpailumallin hyödyntämiseen laajamittaisessa käytössä. Hankkeessa järjestettiin kohteille pilottitarjouskilpailu kohdennetusti Pohjois-Pohjanmaan maakunnassa. Pilottihaun tehtävänä oli kerryttää kokemuksia ja tunnistaa mahdollisia pullonkauloja tarjouskilpailumallissa, jonka päätuotteena ovat ympäristöhyötyjen saavuttaminen. Hankkeessa kehitettiin myös paikkatietoon perustuva priorisointikehikko, jonka tavoitteena oli löytää monihyötyisimmät vettämiseen soveltuvat turvepellot ilmasto-, biodiversiteetti- ja vesistöhyötyjen perusteella. Vaikka tarjouskilpailumalli havaittiin toimivaksi menetelmäksi kustannustehokkaiden ilmastotoimien kohdentamiseksi, hankkeessa tunnistettiin erityisesti hallinnollisia haasteita, joiden ratkaiseminen on keskeistä erityisesti tarjouskilpailumallin soveltamiseksi laajemmassa mittakaavassa. Lisäksi hankkeessa nousi esiin jo aiemmin tiedossa olleiden vettämisen toteutumisen esteinä tunnettuja käytännön toteutukseen liittyviä haasteita. Erityisesti maanomistajien hallinnollisen kuorman keventämiseen tulee tarjota ratkaisuja. Monihyötyisimmät vettämiskohteet sijaitsisivat erityisesti Pohjanmaan alueelle, mutta merkittäviä mahdollisuuksia on myös muualla Suomessa.
  • Electron spectral shape of the third-forbidden β-decay of 87Rb measured using a Rb2ZrCl6 crystal scintillator
    Belli, P.; Bernabei, R.; Cappella, F.; Caracciolo, V.; Cerulli, R.; Incicchitti, A.; Leoncini, A.; Merlo, V.; Nagorny S., S.; Nahorna V., V.; Nisi, S.; Wang, P.; Suhonen, J.; Ramalho, M.; Kostensalo, Joel
    European Physical Journal A (Springer Nature, 2026)
  • Survivorship of Total Hip Arthroplasty After Acute Hip Fracture and Failed Osteosynthesis Based on the Finnish Arthroplasty Register With a 4-Year Mean Follow-Up
    Honkanen, Jukka; Ekman, Elina; Kostensalo, Joel; Eskelinen, Antti; Mäkelä, Keijo; Laaksonen, Inari
    Journal of arthroplasty (Elsevier, 2026)
  • Multispectral airborne laser scanning for tree species classification: A benchmark of machine learning and deep learning algorithms
    Taher, Josef; Hyyppä, Eric; Hyyppä, Matti; Salolahti, Klaara; Yu, Xiaowei; Matikainen, Leena; Kukko, Antero; Lehtomäki, Matti; Kaartinen, Harri; Thurachen, Sopitta; Litkey, Paula; Luoma, Ville; Holopainen, Markus; Kong, Gefei; Fan, Hongchao; Rönnholm, Petri; Vaaja, Matti; Polvivaara, Antti; Junttila, Samuli; Vastaranta, Mikko; Puliti, Stefano; Astrup, Rasmus; Kostensalo, Joel; Myllymäki, Mari; Kulicki, Maksymilian; Stereńczak, Krzysztof; Pires, Raul de Paula; Valbuena, Ruben; Carbonell-Rivera, Juan Pedro; Torralba, Jesús; Chen, Yi-Chen; Winiwarter, Lukas; Hollaus, Markus; Mandlburger, Gottfried; Takhtkeshha, Narges; Remondino, Fabio; Lisiewicz, Maciej; Kraszewski, Bartłomiej; Liang, Xinlian; Chen, Jianchang; Ahokas, Eero; Karila, Kirsi; Vezeteu, Eugeniu; Manninen, Petri; Näsi, Roope; Hyyti, Heikki; Pyykkönen, Siiri; Hu, Peilun; Hyyppä, Juha
    Isprs journal of photogrammetry and remote sensing (Elsevier, 2026)
    Climate-smart and biodiversity-preserving forestry demands precise information on forest resources, extending to the individual tree level. Multispectral airborne laser scanning (ALS) has shown promise in automated point cloud processing, but challenges remain in leveraging deep learning techniques and identifying rare tree species in class-imbalanced datasets. This study addresses these gaps by conducting a comprehensive benchmark of deep learning and traditional shallow machine learning methods for tree species classification. For the study, we collected high-density multispectral ALS data (>1000 pts/m2) at three wavelengths using the FGI-developed HeliALS system, complemented by existing Optech Titan data (35 pts/m2), to evaluate the species classification accuracy of various algorithms in a peri-urban study area located in southern Finland. We established a field reference dataset of 6326 segments across nine species using a newly developed browser-based crowdsourcing tool, which facilitated efficient data annotation. The ALS data, including a training dataset of 1065 segments, was shared with the scientific community to foster collaborative research and diverse algorithmic contributions. Based on 5261 test segments, our findings demonstrate that point-based deep learning methods, particularly a point transformer model, outperformed traditional machine learning and image-based deep learning approaches on high-density multispectral point clouds. For the high-density ALS dataset, a point transformer model provided the best performance reaching an overall (macro-average) accuracy of 87.9% (74.5%) with a training set of 1065 segments and 92.0% (85.1%) with a larger training set of 5000 segments. With 1065 training segments, the best image-based deep learning method, DetailView, reached an overall (macro-average) accuracy of 84.3% (63.9%), whereas a shallow random forest (RF) classifier achieved an overall (macro-average) accuracy of 83.2% (61.3%). For the sparser ALS dataset, an RF model topped the list with an overall (macro-average) accuracy of 79.9% (57.6%), closely followed by the point transformer at 79.6% (56.0%). Importantly, the overall classification accuracy of the point transformer model on the HeliALS data increased from 73.0% with no spectral information to 84.7% with single-channel reflectance, and to 87.9% with spectral information of all the three channels. Furthermore, we studied the scaling of the classification accuracy as a function of point density and training set size using 5-fold cross-validation of our dataset. Based on our findings, multispectral information is especially beneficial for sparse point clouds with 1–50 pts/m2. Furthermore, we observed that the classification error follows a power law ɛ(m)≈m−α as a function of the training set size m, and the classification error of the point transformer reduced significantly faster with increasing training set size compared to RF.