Paikkatiedon ja satelliittikuvainformaation käyttö metsäntutkimuksessa Tutkimuspäivä Rovaniemellä 1993 Ari Nikula, Aulis Ritari & Marja-Lea Lahti (toim.) Metsäntutkimuslaitoksen tiedonantoja 479 Kansikuva: Paikkatietoon liittyvän informaation hierarkiatasoja. Vesa Nivala & Kari Mikkola Paikkatiedon ja satelliittikuva informaation käyttö metsän tutkimuksessa Tutkimuspäivä Rovaniemellä 1993 Ari Nikula, Aulis Ritari & Marja-Lea Lahti (toim.) Metsäntutkimuslaitos, Rovaniemen tutkimusasema Rovaniemi 1993 Metsäntutkimuslaitoksen tiedonantoja 479 Nikula, Ari, Ritari, Aulis & Lahti, Marja-Lea. 1993. Paikkatiedon ja satelliitti - kuvainformaation käyttö metsäntutkimuksessa. Tutkimuspäivä Rovaniemellä 1993. Metsäntutkimuslaitoksen tiedonantoja 479. 110 s. ISBN 951-40-1329-8, ISSN 0358-4283. Julkaisun artikkelit perustuvat Rovaniemellä pidetyn tutkimuspäivän esitelmiin ja tietotauluihin. Artikkelit käsittelevät paikkatiedon ja satelliittikuvainformaa tion käyttöä metsäntutkimuksessa. Paikkatietojärjestelmiä on tarkasteltu METLAn omien maiden hallintajärjestelmänä, ilmastotekijöiden mallittamisessa ja Pallas-Ounastunturin kasvillisuuskartoituksessa. Satelliittikuvainformaation käyttöä on tarkasteltu osana valtakunnan metsien inventoinnin tietotuotantoa, Montsegorskin tuhoalueen muutosanalyysissä sekä hirvien ja porojen laidunalu eiden kartoittamisessa. Lisäksi artikkeleissa käsitellään paikkatietojärjestelmien virhelähteitä ja maaperän kosteuden kartoitusta metsänuudistamiseen liittyen. Avainsanat: paikkatieto, satelliittikuvat, metsäntutkimus, tutkimuspäivät Kirjoittajien yhteystiedot: Nikula, Ari, Ritari, Aulis & Lahti, Marja-Lea: Metsän tutkimuslaitos, Rovaniemen tutkimusasema, PL 16, 96301 ROVANIEMI, puh. (960) 336411, telefax (960) 3364640. Julkaisija: Metsäntutkimuslaitos, Rovaniemen tutkimusasema. Hyväksynyt: Tut kimusaseman johtaja Martti Varmola. Jakaja: Metsäntutkimuslaitos, Rovaniemen tutkimusasema, PL 16, 96301 ROVANIEMI, puh. (960) 336411, telefax (960) 3364640. Lapin Painotuote Oy Kemijärvi 1993 ISBN 951-40-1329-8 ISSN 0358-4283 3 Sisällys Lukijalle 4 Roiko-Jokela, P. Paikkatieto strategisena voimavarana 5 Paananen, R. & Nuutinen, T. Metsäntutkimuslaitoksen tutkimusmetsien tiedonhallinnan ja suunnittelun kehittäminen 8 Tomppo, E. & Katila, M. Satelliittikuvapohjainen valtakunnan metsien inventoinnin tietotuotanto 21 Mattila, E. Paikkatietojärjestelmien virhelähteistä 27 Eeronheimo, H. Paikkatietojärjestelmien käyttö luonnonsuojelualuiden perusselvityksissä - esimerkkinä Pallas-Ounastunturin kansallispuiston kasvillisuuskartoitus 42 Mikkola, K. Satelliittikuvien käyttö ympäristömuutoksen osoittajana - esimerkkinä Montsegorskin metsätuhoalue 52 Makitalo, K., Sutinen, R., Sutinen, M-L. & Panttaja, M. Metsämaan vesipitoisuuden luokitus dielektrisyyden ja gammasäteilyn avulla: potentiaalinen apuväline metsän uudistamisen suunnitteluun 62 Nikula, A. Satelliittikuvainformaation ja paikkatietojärjestelmien käyttö hirven ravintovarojen alueellisessa paikantamisessa 79 Ritari, A. & Nivala, V. Pohjois-Suomen numeerinen ilmastomalli mesoskaalassa 88 Colpaert, A., Kumpula, J. & Nieminen, M. Porolaidunten inventointi kaukokartoitusta ja paikkatieto järjestelmää käyttäen 99 Blauberg, K. Metsäntutkimuslaitoksen koetoiminnan tietojärjestelmän nykytila ja prototyyppi tulevaisuuden järjestelmästä 104 Ritari, A. & Nivala, V. Lämpösumman alueellinen vaihtelu Pohjois-Suomessa kymmenvuotisjaksona 1981-1990 106 Ritari, A. & Nivala, V. Tärkeimmät metsätalouskäyttöä rajoittavat aluevaraukset ja alueiden hallinta Pohjois-Suomessa 108 4 Lukijalle Metsätalouteen ja metsien käyttöön liittyvä tieto on aina ollut luon teeltaan paikkatietoa. Myös kaukokartoitusta metsien käytön suunnittelussa on käytetty hyväksi ainakin 1930-luvulta lähtien, esimerkiksi metsävero- ja metsätalouskarttojen valmistus ilmaku vien pohjalta yleistyi sotien jälkeen. Tavassa käyttää paikkatietoa on tapahtunut muutos viimeisen vuosikymmenen aikana. Aikaisemmista kartanvalmistusohjelmista on siirrytty kehittyneempiin paikkatieto-ohjelmistoihin (GIS = Geo graphical Information Systems). Tämän ovat tehneet mahdolliseksi nopea ohjelmistojen ja tietokoneiden kehitys sekä molempien hin tatason halpeneminen. Pelkkien teemakarttojen lisäksi nykyisillä ohjelmistoilla kyetään käsittelemään kartta- ja ominaisuustietoa yhdessä tietokantoina ja hallitsemaan paikkatietoon liittyvä topolo gia. Topologianhallinnan ansiosta paikkatieto-ohjelmistoja voidaan käyttää myös numeerisiin paikkatietoanalyyseihin. Rovaniemen tutkimusasemalle hankittiin ajanmukaiset paikka tiedon ja satelliittikuvien käsittelyyn tarvittavat työasemat ja ohjel mistot vuonna 1991. Paikkatiedon käsittely on sen jälkeen muo dostunut useissa hankkeissa merkittäväksi osaksi tutkimusmene telmiä. Lisäksi on nähtävissä, että paikkatiedon käsittelyn yleisty minen tutkimuksessa tuo mukanaan kokonaan uusia kysymyk senasettelulta, joihin perinteisillä tutkimusmenetelmillä ei olisi voi tu vastata. Tärkeää on myös se, että paikkatietoon perustuvien tutkimusten tulokset ovat menetelmineen periaatteessa suoraan sovellettavissa esimerkiksi metsätalouden suunnittelujärjestelmiin. Tämä tiedonanto koostuu Rovaniemellä 23.2.1993 pidetyn tut kimuspäivän esitelmistä sekä tietotaulujen lyhennelmistä. Tutki muspäivän aiheena oli "Paikkatiedon ja satelliittikuvainformaation käyttö metsäntutkimuksessa". Esitelmien ja tietotaulujen lisäksi aihetta käsiteltiin tietokonedemonstraatioiden avulla. Ari Nikula Aulis Ritari Nikula, A., Ritari, A. & Lahti, M-L. (toim ). Paikkatiedon ja satelliittikuvainformaation käyttö metsäntutkimuk sessa. Tutkimuspäivä Rovaniemellä 1993. Metsäntutkimuslaitoksen tiedonantoja 479: 5-7. 5 Paikkatieto strategisena voimavarana PENTTI ROIKO-JOKELA Metsähallitus PL 94, 01301 Vantaa EMAIL Pentti.Roiko-Jokela@metsa.fi Metsäorganisaatiossa tapahtuu merkittäviä muutoksia. Hierarkisia organisaatiorakenteita puretaan. Päätösvaltaa ja vastuuta hajaute taan. Tuloksellisuutta haetaan, mikä kaikkinensa merkitsee toi mintatavan olennaista muutosta. Uudessa toimintatavassa tehokkaalla tietojenkäsittelyllä ja tie donhallinnalla on keskeinen asema. Metsäorganisaatiossa paikka tiedon ja paikkatietojärjestelmän osuus vielä korostuu. Siksi on hyvä tarkastella - Mikä osuus paikkatietoasioilla on 90-luvun kovassa bisnesmaa ilmassa? - Ovatko paikkatietojärjestelmä ja sitä käyttävät sovellutukset sellaisia, että ne auttavat parempaan tuottavuuteen ja tehok kuuteen? - Saako paikkatietojärjestelmien kehittäminen osuutensa yhä niukkenevassa resurssijaossa? Paikkatietojärjestelmiin ja niitä käyttäviin sovellutuksiin on panostettu viime vuosina merkittävästi. Intoa on lisännyt tekninen kehitys, joka 80-luvun puolivälin jälkeen on ollut huikea. Tekniset työasemat ovat kehittyneet tasolle, josta osattiin vain unelmoida 5-7 vuotta sitten. Nykyisin on mahdollista prosessoida samassa standardityöase massa (HP9OOO/730) aitojen GIS-ohjelmistojen lisäksi myös monia paikkatietoon tukeutuvia asioita kuten - laskea vaativaa mallitusta ja simulointia (MELA), - tehdä kuljetusoptimointia ja vaativaa reitinlaskentaa (LOGIS TIIKKA), - käyttää rasteri- ja vektorimuotoista dataa. 6 Roiko-Jokela, P. Sama työasema voi toimia lisäksi tietokantapalvelimena ja oman lähiverkkonsa palvelimena. Erikoislaitteita ei tarvita. Paikkatiedon hallinta on kypsynyt laboratorioista käytäntöön sopivaksi nimenomaan UNIX-työasemaympäristössä. Tekniikka on kunnossa, mutta organisaation osaaminen ja kyky hyödyntää uutta teknologiaa on muodostunut ongelmaksi. Tämäkin osaltaan vauhdittaa vanhojen organisaatioiden murtumista. Näyttää siltä, että tietotekniikan nopea kehitys ei ole jättänyt aikaa strategisille pohdinnoille. Ainakin metsäalan organisaatioi den strategiset valinnat poikkeavat varsin paljon toisistaan. Yhtä läisyyksiäkin löytyy mm. Enso-Gutzeitilla ja Metsähallituksella. Molemmat ovat ennakoineet tulevan samalla tavalla ja ovat usko neet ns. avoimiin järjestelmiin. Työasemakokoonpano on sama, ja aikomus on hajauttaa järjestelmät aidon asiakas/palvelin -mallin mukaan. Metsäliitolla arkkitehtuurin painopiste on PC-lähiverkoissa ja mikroissa. Osalla organisaatioita Digitalilla on merkittävä osuus. Metsäntutkimuslaitoksen ja yliopistojen valintoja voisi luonnehtia sekastrategiaksi. Useat ratkaisut näyttävät varsin samanlaisilta. Olennaista kui tenkin on, minne strateginen tähtäin on asetettu. Ratkaisujen välillä saattaa olla suuria eroja, jos niiden hyötyjä tarkastellaan 3-5 vuoden kuluttua. Nyt on strategisten valintojen aika. Siksi tär keää ei ole vain paikkatieto vaan myös toiminnan kehittäminen paikallisesti, mikä jo sinällään tuo valtaosan hyödyistä ja varmis taa tuottavuuden nousun. Metsäorganisaatioiden muuttuessa tietojenkäsittelyn infrastruk tuuri tullaan myös uusimaan 90-luvulla. Valtaosa käytössä olevis ta järjestelmistä vanhenee muutaman vuoden sisällä. Mullistuksen merkkejä on jo nähtävissä. Tietoverkottaminen ja asiakas/palvelin -mallin mukainen arkkitehtuuri lyö vääjäämättä itsensä läpi halut tiin sitä tai ei. Paikkatietojärjestelmienkin osalta on erityisen tärkeää huolehtia varsinaisista käyttäjistä. Heille on luotava mahdollisuus - toimintansa kehittämiseen (motivaatio), - lisätoimintojen edulliseen liittämiseen, - liitettävyyteen viestinnän sekä muiden tietojen ja tekijöiden suhteen eli sopivuus muussa arkibisneksessä käytettäviin rat kaisuihin. Asiakas/palvelin -arkkitehtuuri on monella tapaa ideaalinen malli tällaisille integroituneille järjestelmille. Paikkatietojen hallinnalla on selvä strateginen merkitys metsä alalla tapahtuvaan muutokseen. Sen avulla voidaan päätöksen tekoa ja ongelmanratkaisua hajauttaa paikalliseksi vaarantamatta silti kokonaisohjausta. Toimiakseen paikkatietojärjestelmä edellyt 7 Metsäntutkimuslaitoksen tiedonantoja 479 tää uudenlaista johtamisjärjestelmää ja tehokasta viestintää eli nykyorganisaatioiden toimintatavan merkittävää kehittämistä. Tieto on strateginen voimavara. Varsinkin valtion omaisuuden hoitajana näen erityisesti luontotiedon strategisuuden kasvaneen viime aikoina. Huoli metsäluonnon moninaisuuden säilymisestä on tästä hyvä esimerkki. Paikkatiedon hallinnalla on paljon annet tavaa myös tähän tarkoitukseen. Nikula, A., Ritari, A. & Lahti, M-L. (toim.). Paikkatiedon ja satelliittikuvainformaation käyttö metsäntutkimuksessa. Tutkimuspäivä Rovaniemellä 1993. Metsäntutkimuslaitoksen tiedonantoja 479: 8-20. 8 Metsäntutkimuslaitoksen tutkimus metsien tiedonhallinnan ja suunnittelun kehittäminen RAITO PAANANEN 1 & TUULA NUUTINEN2 1 Metsäntutkimuslaitos, metsänkasvatuksen tutkimusosasto Unioninkatu 40 A, 00170 Helsinki EMAIL Raito.Paananen@metla.fi 2Metsäntutkimuslaitos, Joensuun tutkimusasema PL 68, 80101 Joensuu EMAIL Tuula.Nuutinen@metla.fi Johdanto Metsäntutkimuslaitoksen hallinnassa olevista maa-alueista noin 75 000 hehtaaria on talousmetsien luonteisia tutkimusmetsiä ja noin 65 000 hehtaaria luonnonsuojelulain nojalla perustettuja suojelualueita. Tutkimusmetsissä on noin 2 300 koetta tai pysyvää tutkimuskohdetta. Laitoksen uuden maa-alueohjelman (Metsän tutkimuslaitos 1993) mukaisesti alueiden käytön tavoitteena on edistää koetoiminnan ja tiedon tuottamisen välityksellä eko logisesti kestävän metsänhoidon toteuttamista, metsäluonnon monimuotoisuutta ja alkuperäisen metsäluonnon säilyttämistä Suomessa. Tutkimusmetsät muodostavat hyvän pohjan tutkimustyölle, koska ne turvaavat pitkäaikaisten kokeiden jatkuvuuden. Ne luo vat perustan ympäristön muutosten vaikutusten seurannalle ja mahdollistavat kokeiden järjestämisen tutkimuksen lähtökohdista. Omat metsät antavat myös hyvän mahdollisuuden tutkimustulos ten esittelyyn käytännön metsätalouden edustajille (Metsäntutki muslaitos 1993). Metsiä hoidetaan ensisijaisesti tutkimustoiminnan tarpeita var ten. Maa-alueiden tulee tarjota tutkimusmateriaalia mahdollisim man laajalti koko laitoksen toimialalle. Tämä edellyttää mm. met sien eri käyttömuotojen vaihtelun ylläpitämistä ja monimuotoisten metsiköiden kirjon luomista. Käyttömuotojen vaihtelu sisältää ver 9 Metsäntutkimuslaitoksen tiedonantoja 479 tailusarjan talousmetsistä maisema-, virkistys-, ja puistometsiin, luonnonsuojelualueisiin ja koskemattomiin luonnontilaisiin met siin (Metsäntutkimuslaitos 1993). Tutkimusmetsille on laadittu tutkimusalueittain metsätalous suunnitelma 10-20 vuoden välein metsätalouden tarkastuksessa. Tässä yhteydessä metsät on inventoitu metsikkökuvioittain. Kar tat, kartanselityskirjat sekä metsätaloussuunnitelman taulukot on tuotettu erillisillä ohjelmistoilla (Nalle-karttaohjelmisto, Tauno-tau lukko-ohjelmisto}, joita ei ole integroitu toimivaksi järjestelmäksi. Luonnonsuojelualueille on laadittu hoito- ja käyttösuunnitelmia sekä erillissunnitelmia. Alueita, joilla ei ole kokeita, käsitellään vuonna 1988 vahvistettujen metsänkäsittelyohjeiden mukaisesti. Nykyisessä järjestelmässä metsikkötietoja ei ole pidetty ajan tasalla, joten ne ovat yhtä vanhoja kuin kyseessä oleva metsä taloussuunnitelma. Vanhat kuviotiedot palvelevat huonosti sekä tutkijoita että tutkimusaluehallintoa. Kokeita koskevat tiedot ovat osin hajallaan eri yksiköissä ja tietoa kokeiden tarkasta sijainnista ei ole. Metsissä tehdyistä toimenpiteistä kertyvän historiatiedon varastointi on järjestämättä lukuun ottamatta manuaalista met sän viljelykortistoa. Tavoitteet Metsien käyttöön liittyvien tavoitteiden saavuttamiseksi kehitetään tiedonhallinnan ja suunnittelun työvälineitä ja menetelmiä. Kehit tämistyön keskeisenä osana on tutkimusmetsien operatiivisen metsätietojärjestelmän uusiminen. Sen ohella laaditaan mm. met sien uudet käsittelyohjeet. Tutkimusmetsien tiedonhallinta- ja suunnittelujärjestelmän kehittämisen tavoitteena on järjestelmä, jolla hallitaan metsävaro jen nykytila ja historia sekä mahdollistetaan metsien tutkimuskäy tön integroitu suunnittelu. Hankkeessa määritellään ja toteutetaan metsäsuunnitteluun soveltuva paikkatietojärjestelmä ja kehitetään menetelmiä, joiden avulla sen ominaisuuksia voidaan hyödyntää metsäsuunnittelussa. Järjestelmän päätoimintoja ovat kuvioittai sen metsävaratiedon hallinta, metsäsuunnittelu ja kokeiden hallin ta. Järjestelmällä pyritään edistämään metsien käyttöä koetoimin taan siten, että koetoiminta integroidaan tietojärjestelmän avulla muuhun metsien hoitoon liittyvien toimenpiteiden suunnitteluun ja toteutukseen. Monipuolinen ja ajantasainen luonnonvaratieto kanta helpottaa kokeiden sijoittamista ja suunnittelua. Tietokan taan kertyvät metsiköiden kehityshistoriaa kuvaavat tiedot toimivat tärkeänä taustatietona kokeiden suunnittelussa ja tieteellisiä johtopäätöksiä tehtäessä. 10 Paananen, R. & Nuutinen, T. Tässä esityksessä selvitetään kehittämistyön menetelmiä ja vai heita, kuvataan järjestelmän yleisrakenne ja eräiden osien toimin taperiaatteita. Tietojärjestelmäkehityksen menetelmät ja työkalut Ohjelmistot ja laitteistot Järjestelmän kehittämistyökaluiksi on valittu ARC/INFO-paikka tieto-ohjelmisto ja Ingres-relaatiotietokantajärjestelmä, joita käyte tään myös muissa METLAn järjestelmissä. Laiteympäristönä on UNIX-työasemaympäristö. Järjestelmän suunnittelun menetelmät Järjestelmän määrittelyssä ja suunnittelussa on käytetty lE-suun nittelumenetelmää. IE (Information Engineering) on amerikkalaisen James Martinin (Martin 1989) kehittämä systeemityömenetelmä, joka soveltuu sekä tietoarkkitehtuurien suunnitteluun että yksit täisten järjestelmien määrittelyyn ja suunnitteluun. Hankkeessa on ollut käytössä ko. menetelmään perustuva CASE-ohjelmisto (lEF, Information Engineering Facility), joka tukee formaalia sys teemianalyysia, dokumentointia sekä integrointia muuhun järjes telmäkehitykseen. Metsätiedon hallinnan työkalut Inventointilaskelmien ja metsäsuunnittelun kehittämisessä hyö dynnetään laitoksessa aiemmin kehitettyjä metsää kuvaavia malle ja (esim. Rummukainen & Alanne 1992) sekä metsätalouden suun nittelun erikoisohjelmistoja, MELA-metsäsimulaattoria ja JLP-opti mointiohjelmistoa. MELA on metsätalouden suunnittelun ohjelmis to, jonka perustoimintoja ovat käsittely- ja kehitysvaihtoehtojen simulointi laskentayksiköille (esim. käsittelykuvioille), talouden harjoittajan tavoitteen toteuttavan tuotanto-ohjelman valinta metsätalousyksikölle sekä tuotanto-ohjelman toteuttavan käsitte lyn valinta laskentayksiköille (Siitonen 1983). MELA koostuu kah desta erillisestä ohjelmasta: MELAVS (metsäsimulointi) ja MELATV (optimointi) (Siitonen 1992). JLP on suunnittelulaskelmien tekoon kehitetty lineaarisen optimoinnin ohjelmisto (Lappi 1992), joka sisältää optimointialgoritmin lisäksi käyttöliittymän. JLP-ohjelmis toa voidaan käyttää itsenäisenä tai upotettuna MELATV-ohjelman sisälle. 11 Metsäntutkimuslaitoksen tiedonantoja 479 Hankkeen organisointi ja vaiheet Organisointi Hanke on ajoitettu vuosille 1990-1993 ja tavoitteena on, että jär jestelmä on otettavissa käyttöön vuoden 1993 lopulla. Hanke on jaettu neljään osahankkeeseen: 1. järjestelmän tietomallit (metsänkasvatuksen tutkimusosasto), 2. metsäsuunnittelujärjestelmä (Joensuun tutkimusasema), 3. perustietojen hankinta ja hallinta (tutkimusalueyksikkö, tieto hallintoyksikkö, Joensuun tutkimusasema) ja 4. kokeiden sijaintitiedon hallinta (tietohallintoyksikkö). Esitutkimukset Vuosina 1990-1992 tehtiin esitutkimuksia Kolin ja Suonenjoen tutkimusalueiden aineistoilla (Nuutinen 1991, Nalli 1992, Nuuti nen 1993). Esitutkimuksissa kehitettiin metsäsuunnittelun mene telmiä ja testattiin paikkatietoteknologian toimivuutta siirtämällä vanhaa metsikkökuvioaineistoa Nalle- ja Tauno-järjestelmistä ARC/INFOon ja Ingresiin. Esitutkimuksissa todettiin, että paikka tietoteknologiasta on hyötyä erityisesti muiden kuin puuntuotan toon liittyvien arvojen huomioon ottamisessa. Lisäksi todettiin, että luonnonvarojen inventointia ja metsää kuvaavia malleja on kehitet tävä, jotta paikkatietoteknologiaa pystyttäisiin hyödyntämään mm. operatiivisessa suunnittelussa. Toiminto- ja tietoanalyysi Laitoksen tietojärjestelmästrategian rajausten pohjalta (Saarenmaa ym. 1990) analysoitiin tutkimusmetsiiin kohdistuvat toiminnot ja niiden kehittämistarpeet. Samalla kartoitettiin tutkimusmetsistä tarvittavien tietojen rakenne ja sisältö. Erityistä huomiota kiinni tettiin eri tutkimusalojen tietotarpeisiin. Analyysit tehtiin olemassa olevan kirjallisen materiaalin (Metsäntutkimuslaitos 1985, 1989 a, 1989 b) ja asiantuntijoiden haastattelun avulla. Analyysin tulokse na saatiin kokonaisjärjestelmän perustan muodostavat loogiset mallit tutkimusmetsien toiminnoista (toimintomalli) ja tiedoista (käsitekaavio). Toimintomalli laadittiin IE-menetelmän mukaisena toiminto hierarkiana (activity hierarchy). Käsitekaavio laadittiin ym. mene telmään sovitettua ER-mallia (Entity Relationship) käyttäen. ER malli on käsitemalli (conceptual data model), jolla voidaan kuvata 12 Paananen, R. & Nuutinen, T. tarkasteltavan alueen (tutkimusmetsien) "pienoismaailma" joukolla korkean tason loogisia käsitteitä, jotka ovat riippumattomia tieto kannan toteutustavasta. Käsitekaavioon määriteltiin järjestelmään sisällytettävät tietokohteet ja niiden väliset yhteydet. Osalle kohtei ta kuvausta tarkennettiin määrittelemällä myös ominaisuudet ja niiden arvoalueet sekä avainkentät. Inventointi- ja suunnittelu/askelmien kehittäminen Tietokannan rakenteen ja sisällön määrittelyn rinnalla rakennetiin inventoinnin peruslaskenta- ja metsäsuunnittelusovellusta. Inven toinnin peruslaskentajärjestelmä käsittää relaskooppikoealan ku vauspuiden muodostamisen puusto-ositteesta (keskipuusta) ja runkolukusarjasta sekä täydentävien tietojen (esim. tilavuus) ja kasvun laskennan kuvauspuille. Suunnittelusovelluksen periaat teita on kuvattu luvussa "Tiedonhallinta- ja suunnittelujärjestel män kuvaus". Koeinventointi ja tietokannan määrittely Tietoanalyysia tarkennettiin kuvioittaisen perustietovaraston tun nusten ja luokitusten yksityiskohtaisella määrittelyllä. Sen perus teella laadittiin kuvioittaisen inventoinnin maastotyöohje ja -lomakkeet. Inventointia testattiin kesällä 1992 osalla Kivalon tut kimusaluetta. Inventointimenetelmä perustuu ilmakuvilta tapahtuvaan ennak kokuviointiin ja maastomittauksiin. Maastossa kuvioilta (ns. peruskuviot) luokitettiin mm. maapohja ja kasvupaikka sekä mi tattiin relaskooppikoealoja tai taimikoissa kiinteäalaisia koealoja, jotka myös paikannettiin silmämääräisesti ilmakuville. Relas kooppikoealoilta määritettiin puusto-ositteittain pohjapinta-ala ja minimiläpimitta sekä pohjapinta-alan mediaanipuusta ositteiden keskipituus, keskiläpimitta ja ikä. Taimikoissa arvioitiin pohjapin ta-alan sijasta ositteittainen runkoluku. Tiedot merkittiin sellaisi naan lomakkeille. Osasta koealoja arvioitiin koealan keskipisteestä maaperän kerrosten paksuus ja otettiin maalajinäytteet. Lisäksi ao. koealoilta tehtiin kivisyysmittauksia. Koeinventointialueella sel vitettiin myös kokeiden paikantamiseen liittyviä kysymyksiä. Tehtyjen määrittelyjen ja kerätyn aineiston perusteella muodos tettiin tietokanta, joka käsittää kuvioihin liityvät sijaintitiedon koh teet ARC/INFOn tietokerroksina sekä kuvion ominaisuustiedot Ingres-tauluina. Myös kuvioilta mitatut puustokoealat vietiin tieto kantaan sellaisenaan. Karttatietojen digitoinnin yhteydessä voitiin laadittua kohdemallia verifioida ja tehdä siihen tarvittavia muutok sia. Koeinventointiaineistolla testattiin myös puustotietojen lasken taa. 13 Metsäntutkimuslaitoksen tiedonantoja 479 Tuotantojärjestelmän rakentaminen Vuoden 1993 aikana rakennettiin järjestelmän keskeiset osat val miiksi ja niitä testattiin Kivalon tutkimusalueen hoito- ja käyttö suunnitelman teon yhteydessä. Rakennettavat osat käsittävät taustatiedon hallinnan (esim. peruskartta-aineisto), peruskuvioi den sijainti- ja ominaisuustietojen sekä kokeiden sijaintitietojen tallennusosat, puustotietojen laskennan, perustulosteiden tuotta misen (mm. kartanselityskirja) sekä metsäsuunnittelun sovelluk sen. Tutkimusmetsien toiminto-ja kohdemalli Hierarkkisessa toimintomallissa on kuvattu ne loogiset toiminnot, jotka tuottavat tai käyttävät tutkimusmetsiin liittyvää (paikka-) tie toa. Teknisiä atk-toimintoja ei ole kuvattu kattavasti. Tutkimus metsien päätoiminnot on esitetty kuvassa 1. Käsitekaaviossa on kuvattu geometriset kohteet (paikkatieto ydin, spatial data kernel), niihin liittyvät ominaisuustietokohteet sekä niiden yhteydet. Paikkatietoydin muodostaa oman kohderyh mänsä, jonka ydinkohteita ovat piste, viiva ja alue. Määritellyt sijaintitiedon kohteet on kuvattu näiden kohteiden alakohdeluok kina. Alue-kohteen alakohteiden avulla on määritelty tarvittavat aluejaot. Vastaavasti viivat ja pisteet on pyritty ryhmittämään loogisesti yhteenkuuluviksi tasoiksi. Sijainti- ja ominaisuustiedon hallinnan toteutus eri järjestelmis sä (GIS, RDBMS) on huomioitu käsitekaaviossa. Esim. peruskuvio on jaettu kahdeksi sijaintia ja ominaisuuksia kuvaavaksi kohteeksi (kuva 2). Paikkatietoytimen ulkopuolella olevat kohteet kuvaavat niitä ominaisuustietoja, jotka liittyvät eri sijaintitiedon kohteisiin. Käsitekaaviosta on suoraan pääteltävissä eri kohteiden toteutus tapa. Paikkatietoydin-kohderyhmä toteutetaan GIS-tietorakenteina ja muut (ominaisuustiedot) relaatiotietokannan tauluina. Yhteys sijainti- ja ominaisuustietojen välille muodostetaan yksikäsitteisillä avaimilla (esim. kuviotunnus). Peruskuvion ohella keskeisiä geometrisia kohteita ovat kokeiden sijaintitiedon kohteet. Koeyksikköalue on rajattu alue, joka on yhtenäinen sekä alueellisesti että niiden ominaisuuksien ja toi menpiteiden suhteen, joita kulloinkin halutaan tutkia. Kokeen vaikutusalue (koemetsikköalue) on koeyksikköalueen ympärille rajattu alue, jonka rajauksesta ja käsittelyohjeista vastaa kokeen vastuututkija. Käsitekaaviossa on määritelty myös ne erilaiset hallinnolliset ja toiminnalliset erityisaluejaot, joita tarvitaan mm. suunnittelussa. Näitä ovat mm. erilaiset suojelualueet, kaava-alueet, vuokra 14 Paananen, R & Nuutinen, T alueet, maisemanhoito-, riistanhoito- ja virkistysalueet sekä erityi set biotoopit ja uhanalaisten eliölajien esiintymiskohteet. Erityyppi siä aluejakoja määriteltiin kohdemalliin yhteensä noin 20 kpl. ER-mallilla voidaan kuvata tietojen looginen ja staattinen raken ne ja yhteydet. Malli ei kuitenkaan sovellu sijaintitietojen tallen nuksessa ja käytössä tarvittavien ARC/INFOn tiedonkäsittelyope raatioden (esim. leikkaus, topologian muodostus) kuvaamiseen Näiden prosessien (esim. peruskuvioiden muodostamisen eri viiva ja aluetyypeistä) kuvaamiseen käytettiin tietovirtakaavioita. Kuva 1. Tutkimusmetsien päätoiminnot. Metsäntutkimuslaitoksen tiedonantoja 479 15 16 Paananen, R & Nuutinen, T Tiedonhallinta-ja suunnittelujärjestelmän kuvaus Kokonaisjärjestelmän rakenne Tiedonhallinta- ja suunnittelujärjestelmän ytimenä on luonnon varatietokanta, joka sisältää tutkimusmetsiin liittyvät sijainti- ja ominaisuustiedot. Niitä hallitaan relaatiotietokannan hallintajär jestelmällä (RDBMS) ja paikkatieto-ohjelmistolla (GIS). Kokonai suutta kutsutaan tässä paikkatietojärjestelmäksi. Paikkatietojär jestelmällä hallitaan sekä eri sidosryhmien tuottamia paikkatietoja (esim. peruskarttatiedot) että luonnonvarojen inventoinneilla han kittuja paikkatietoja (perusinventointi, koealamittaukset, kasvilli suuskartoitukset). Paikkatietojärjestelmän käyttöä varten tarvitaan siihen liittyviä metsäsovelluksia (esim. inventoinnin peruslaskenta). Metsäsuun nittelun sovellus käyttää paikkatietojärjestelmää kokoamaan eri tietolähteistä tarvittava metsän kuvaus sekä erityiskohteita (esim. kokeet, maisemanhoitoalueet) koskevat hoito-ohjeet ja suunnitel mat. Paikkatietojärjestelmän sekä sitä tukevien ja käyttävien met säsovellusten muodostamaa kokonaisuutta kutsutaan metsätieto järjestelmäksi. Metsikköhistorian hallinta paikkatietojärjestelmässä Metsiköiden kehitys- ja toimenpidehistoria on kokeiden suunnitte lun kannalta hyvin keskeinen tieto. Metsikkötiedon spatiaalisen ja temporaalisen hallinnan kannalta tiettynä ajankohteina tehtävä metsän inventointi edustaa hetkellistä poikkileikkausta metsän tilasta. Metsikön kasvusta aiheutuva muutos ei ole spatiaalinen ja voidaan ennustaa malleilla haluttuun ajankohtaan ja päivittää ominaisuustietoihin (puustotietoihin). Tehdyt metsänhoitotoimen piteet ovat hetkellisiä tapahtumia, jotka voivat aiheuttaa sekä spa tiaalisia että ominaisuustietojen muutoksia. Toimenpidehistorian ja peräkkäisten inventointien spatiaalinen hallinta voidaan ratkaista soveltaen ns. tila-aikakompositiota (space-time-composite). Menetelmän on esittänyt Langran (1992). Menetelmässä muodostetaan geometrinen yhdiste kumuloiduista muutoksista. Lähtökohtana on jonkin ajankohdan tilanne (kuvi ointi), joka kuvaa sen hetkisen kohteiden geometrian ja topologian. Jokainen muutos aiheuttaa kuvioiden pilkkoontumisen uusiksi kuvioiksi siten, että kullakin kuviolla on oma, muista poikkeava ominaisuuksien kehityshistoria. Metsikköhistorian periaatteellinen GIS-ratkaisu koostuu kol mesta osasta (kuvioinnista): 17 Metsäntutkimuslaitoksen tiedonantoja 479 1. Ajantasainen peruskuviointi kuvaa metsän tilan viimeisimmän saatavilla olevan tiedon mukaisena. Muutokset päivitetään heti sekä sijainti- että ominaisuustietoihin ja vain viimeisin kuvaus säilytetään. 2. Toteutetut toimenpiteet hallitaan yhdessä kuvioinnissa, johon toimenpidekuviot päivitetään em. space-time-composite -mene telmällä. 3. Eri ajankohtina tehdyt inventoinnit voidaan myös yhdistää yhteen kuviointiin samalla menetelmällä. Kuviointi kertoo met sän tilan eri inventointihetkinä. Metsäsuunnittelun sovellus Vaihtoehtolaskelmiin perustuva metsäsuunnittelu voidaan kuvata prosessina, jossa on seuraavat vaiheet: 1. Päätösanalyysi, jossa määritetään päätöksentekijän päämäärä ja tavoitteet eli tunnistetaan päätöksentekijät, päätöskriteerit ja päätöksentekijöiden preferenssit. 2. Vaihtoehtoisten suunnitelmien laadinnassa tarvittavien tietojen hankinta eli suunnittelunäkymän tuottaminen. 3. Vaihtoehtoisten suunnitelmien laatiminen siten, että vaihtoeh dot ovat tehokkaita päätösanalyysissä tunnistettujen tavoittei den suhteen ja vaihtoehdot on kuvattu siten, että päätöksen tekijä pystyy vertailemaan ja arvottamaan niitä. 4. Vaihtoehtoisten suunnitelmien vertailu ja arvottaminen. 5. Toteutettavan vaihtoehdon valinta. Suunnittelulaskelmien kehittämistyön periaatteita ja tuloksia ovat kuvanneet mm. Nalli (1992), Nuutinen (1988, 1989, 1990), Nuutinen & Pukkala (1992), Kangas ym. (1992) sekä Paananen & Nuutinen (1992). Vaihtoehtolaskelmien tekoon soveltuvaan suunnittelusovelluk seen kuuluvat 1) metsän ja toimintaympäristön nykytilan kuvaus, 2) suunnittelunäkymän tuottaminen, 3) vaihtoehtoisten suunnitel mien tuottaminen sekä 4) suunnitelmien havainnollistaminen. Suunnittelunäkymän tuottaminen on prosessi, jonka tarkoituk sena on tuottaa suunnitteluhetken käsittelykuviot (toimenpide kuviot) sisältävä GIS-aluejako. Suunnittelija käyttää metsän ja toi mintaympäristön nykytilan kuvausta apunaan löytääkseen ne hal linnolliset ja toiminnalliset erityisalueet, jotka vaikuttavat kulloi seenkin päätöksentekotilanteeseen (kuva 3). Vaihtoehtoisia suun nitelmia tuotetaan metsäsimulaattorista ja optimointiohjelmistosta kootun sovelluksen avulla ja suunnitelmia havainnollistetaan eri laisina raportteina ja teemakarttoina. 18 Paananen, R. & Nuutinen, T Kuviotunnus Kuva 3. Suunnittelukohteiden muodostamisperiaate. GIS- aluejaoista (suunnikkaat) ja niihin liittyvistä ominaisuustiedoista (neliöt) muodostetaan tarvittavat lähtötiedot suun nittelun laskentayksiköiksi. 19 Metsäntutkimuslaitoksen tiedonantoja 479 Paikkatietojärjestelmä palvelee suunnittelusovellusta varastoi malla paikkatietoja yleiskäyttöisessä muodossa, tuottamalla ajan tasaisen metsävaranäkymän ja tuottamalla teemakarttoja ja ra portteja puuntuotannon rajoitusalueista, pakollisista ja /tai kiireel lisistä hoitotöistä ym. erityissuunnitelmista sekä suunnitelmavaih toehdoista. Päätelmiä Järjestelmän kehittäminen on tähän mennessä osittanut sen, että GIS-teknologia on kypsynyt käyttökelpoiseksi eri lähteistä tulevan tiedon yhdistämiseen, hallintaan ja analysointiin. Suurimmat ongelmat liittyvät luonnonvarojen ajantasaisen, tarkan ja moni puolisen kuvauksen tuottamiseeen. Nykyiset metsän kehityksen ennustamismenetelmät eivät sovellu kaikkien erikoiskohteiden kuvaukseen. Eri tietolähteistä hankitut tiedot eivät ole välttämättä yhteismitallisia, niiden yhdistäminen on vaikeaa eikä tietoa ole vielä kattavasti saatavilla. Erityisesti erikoiskohteiden paikantami nen ja hoito-ohjeiden yhteismitallinen kuvaus eri organisaatioissa vaatisi kehittämistä yhteistyönä. Hankkeessa on myös tullut esille kuvioittaisen metsän inven toinnin ja metsäsuunnittelun menetelmäkehityksen puutteita. Perinteisellä inventoinnilla hankittu tieto ei täytä tutkimusmetsien käyttäjien tarpeita vaan useimmiten tarvitaan erillisinventointeja, kuten kasvillisuuskartoituksia. Paikkatieto-ohjelmistot tarjoavat myös joukon analyysityökaluja, joiden hyödyntäminen edellyttää tutkimusta ja kehittämistä. Kirjallisuus Kangas, J., Päivinen, R. & Varjo, J. 1992. Integroitu metsäsuunnittelu. Joen suun yliopisto, metsätieteellinen tiedekunta, tiedonantoja 2. 34 s. Langran, G. 1992. Time in geographic information systems. Taylor & Francis. Burgess Science Press, Basingstoke, Great Britain. 181 s. Lappi, J. 1992. JLP: A Linear Programming Package for Management Planning. Metsäntutkimuslaitoksen tiedonantoja 414. 134 s. Martin, J. 1989. Information Engineering I. Introduction. Prentice Hall, Englewood Cliffs, New Jersey. 178 s. Metsäntutkimuslaitos 1985. Metsäntutkimuslaitoksen hallinnon tietojenkäsit telyn kehittämissuunnitelma vuosille 1986-1990. Metsäntutkimuslaitoksen tiedonantoja 203. 45 s. 1989 a. Tutkimusaluetyöryhmän mietintö. 17 s. + liltt. 1989 b. Metsäntutkimuslaitoksen alueiden tutkimuskäyttöä koskeva ohjeisto. 6 s. + liitt. 1993. Metsäntutkimuslaitoksen maa-alueohjelma 1990-luvulla. Moniste. 19 s. + liitt. 20 Paananen, R. & Nuutinen, T. Nalli, A. 1992. Monikäytön suunnittelumenetelmä. Metsätalouden suunnittelun syventävien opintojen tutkielma. Joensuun yliopisto, metsätieteellinen tiede kunta. 65 s. + liitt. Nuutinen, T. 1988. Metsätalouden suunnittelujärjestelmä - METIK-sovellus. Julkaisussa: Kinnunen, H. & Nuutinen, T. (toim.). Metsätalouden tietojärjes telmät. Rovaniemellä pidetyn seminaarin esitelmät. Joensuun yliopisto, metsätieteellinen tiedekunta. Silva Carelica 10: 115-124. 1989. Combinatorial optimization in short-term forest planning. Joensuun yliopisto. Thesis for the Degree of Licentiate of Science in Agriculture and Forestry. 54 s. 1990. GIS in harvesting scheduling of private forests in Finland. GIS/LIS'9O Proceedings, s. 432^139. 1991. Utilizing relational database management system in timber sale plan ning. Julkaisussa: Saarenmaa, H. (toim.). Current advances in the use of omputers in forest research. Workshop of the lUFRO Working Party 54.11-03. Joensuu, Finland, 14.2.1991. Metsäntutkimuslaitoksen tiedon antoja 395: 42^19. 1993. Metsätietojärjestelmä - apuväline puukaupan suunnitteluun? Meridian käyttäjäpäivillä 19.-20.1.1993 pidetty esitelmä. 7 s. & Pukkala, T. 1992. Long-term forestry management with landscape illustra tions. Proceedings Joint FAO/ECE/ILO Committee. The use of information systems in forestry. Garpenberg, Sweden, 14.-18.9.1992. s. 14-27. Paananen, R. & Nuutinen, T. 1992. Metsäntutkimuslaitoksen tutkimusmetsien tiedonhallinta- ja suunittelujärjestelmähanke. Paikkatietomarkkinoilla 22.-23.9.1992 pidetty esitelmä. Moniste. 7 s. Rummukainen, A. & Alanne, H. 1992. Wood procurement in Finland by the year 2000. Seminar on the future of the forestry workforce Oregon State Univer sity, Corvallis, Oregon, U.S.A. 4.-8.5.1992. Moniste. 8 s. Saarenmaa, H., Lehto, K., Kaila, E., Salminen, H. & Pöntinen, J. (toim.). 1990. Metsäntutkimuslaitoksen tietojärjestelmästrategia. Työryhmän mietintö. Metsäntutkimuslaitoksen tiedonantoja 350. 82 s. + liitt. Siitonen, M. 1983. A long term forestry planning system based on data from the Finnish National Forest Inventory. Julkaisussa: Forest inventory for improved management. University of Helsinki, Department of Forest Mensu ration. 17: 195-207. 1992. MELA-käytön pikaopas. Metsäntutkimuslaitos. 8.9.1992. Moniste. 13 s. Nikula, A., Ritari, A. & Lahti, M-L. (toim). Paikkatiedon ja satelliittikuvainformaation käyttö metsäntutkimuksessa. Tutkimuspäivä Rovaniemellä 1993. Metsäntutkimuslaitoksen tiedonantoja 479: 21-26. 21 Satelliittikuvapohjainen valtakunnan metsien inventoinnin tietotuotanto ERKKI TO MP PO & MATTI KATILA Metsäntutkimuslaitos, Metsien käytön tutkimusosasto Unioninkatu 40 A, 00170 Helsinki EMAIL Erkki.Tomppo@metla.fi EMAIL Matti.Katila@metla.fi Johdanto Meneillään olevan 8. valtakunnan metsien inventoinnin kenttätyöt on aloitettu 1986 ja saatetaan päätökseen kesällä 1994. Maasto mittaukset perustuvat systemaattiseen ryväsotantaan perusmit tausyksikkönä rypään koeala. Valtakunnan metsien inventoinnin tavoitteena on ollut tuottaa objektiivista tietoa maan metsävaroista esimerkiksi metsäteollisuuden strategista suunnittelua varten, metsätalouden suunnitteluun suuralueilla ja metsäverotuksen perusteiksi. Maasto-otoksen harvuudesta johtuen on pienin mahdollinen tulosten laskentayksikkö ollut kooltaan 200 000 ha. Inventointi kierto yli koko maan on kestänyt kymmenen vuotta, mikä on vai keuttanut nopeiden muutosten seurantaa metsissä. Vuodesta 1989 lähtien tuloksia on laskettu ns. monilähteisellä inventoinnilla, joka käyttää maastomittausten lisäksi satelliittiku vatietoa ja numeerista karttatietoa. Uuden laskentamenetelmän on katsottu parantavan em. lohkoinventoinnin heikkouksia ja VMI:n tavoitteiden listaan on voitu lisätä ajantasaisen ja paikkaansidotun metsävaratiedon tuottaminen yli koko maan. Tietolähteet Satelliittikuvatieto Uudessa VMl:ssä on hyödynnetty Landsat 5 TM luonnonvarojen kartoitussatelliitin ottamia kuvia. Temaattinen kartoitin tuottaa 22 Tomppo, E. & Katila, M. tietoa kuudella kanavalla, joiden erotuskyky on 30 m. TM-kuvien etuna on halpuus ja suuri peittävyys (180 x 180 km) verrattuna esimerkiksi ranskalaiseen SPOT-satelliittiin (60 x 60 km). Heikkou tena on metsikkökuvioiden kokoon nähden suuri kuva-alkion koko ja epävarmuus pilvettömien kuvien saannista halutulle alueelle kunakin vuonna. VMI on aloittanut Teknisen Korkeakoulun kanssa yhteistutki muksen, jonka tarkoituksena on selvittää aktiivisten kaukohavain nointilaitteiden käyttömahdollisuuksia metsien inventoinnissa. Tällä hetkellä on saatavissa ERS-1 ja JERS-1 satelliittien SAR-tut kakuvia. Numeerinen karttatieto Luokituksen tarkkuutta voidaan parantaa, jos muut maankäyttö luokat saadaan erotettua metsätalouden maasta. Tätä varten monilähteisessä inventoinnissa on käytetty numeerista karttatietoa soista, pelloista, teistä (Maanmittaushallitus) ja taajamista sekä yksittäisistä asuinrakennuksista (Väestörekisterikeskus). Kartta tieto on oikaistu yhtenäiskoordinaatistoon satelliittikuvaa vastaa valla kuva-alkion koolla. Hankittu suo tie to on digitoitu lähinnä 1 : 100 000 yleistetystä peruskarttatiedosta. Alunperin sen avulla odotettiin voitavan tar kentaa luokitusta kohdentamalla suokoealat suoalueiden luokituk seen. Sittemmin numeerinen suokarttatieto on osoittautunut geo metrisesti varsin epätarkaksi ja sen käytöstä on pääosin luovuttu. Peltomaski ja tiet on digitoitu 1 : 50 000 peruskartan pienen nöksiltä ja ne ovat osoittautuneet varsin käyttökelpoisiksi. Ongel maksi on jäänyt peruskarttojen ajantasaisuus, sillä vanhimmat niistä on tehty 1960-1970 -luvulla. Uudessa topografisessa 1 : 50 000 kartassa karttaelementit toimitetaan digitaalisessa muo dossa ja teemoja on tulossa lisää, esimerkiksi suot, kalliot ja avo maat. Kartan julkaiseminen on käynnistynyt 1989 ja sarja valmis tuu koko Suomesta noin vuoteen 2000 mennessä. Vesialueet saadaan eroteltua kanavien kynnysarvoilla suhteelli sen luotettavasti suoraan TM-kuvalta. Turvetuotantolueet on erik seen tulkittu TM-kuvalta. Hallinnollisena tietona ja tulosten laskentayksikköinä on käytet ty numeerista kuntarajatietoa. Maastotieto Käynnissä olevan 8. VMI:n koealatiedot ovat peruskartalle paikan nettuja ja käyttökelpoisia maastotukiaineistoksi. Maastotiedot on muunnettu kuva-alkiokohtaisesti ja yhdistetty TM satelliittikuvan kanavien intensiteetteihin. Kuvatulkintaa varten inventoinnin 23 Metsäntutkimuslaitoksen tiedonantoja 479 maastotöissä on kuvattu koealalle lähimmän metsikön kuviorajan etäisyys ja laatu. Luokitusmenetelmä Kuvatulkinnan ensimmäinen vaihe on kuvan esikäsittely, 'oikaisu' karttakoordinaatistoon ja mahdollisesti kohinan tai raitojen poisto kuvalta. Seuraavat vaiheet ovat tulkinnassa käytettävien piirteiden (spektriset tai spatiaaliset) valinta, itse luokitus ja lopuksi saadun tulkinnan jälkikäsittely. Monilähteisessä inventoinnissa luokitusmenetelmänä on käytet ty ns. lähimmän naapurin sumeaa luokitusta (nearest neighbour). Jokaisen luokitettavan pikselin valittuja piirteitä verrataan maasto koealojen vastaaviin piirteisiin. Piirreavaruudessa n:n lähimmän koealan maastotiedot viedään luokitettavalle kuvanalkiolle painot taen niitä kääntäen etäisyyden neliöön piirreavaruudessa. Olete taan d(1) , p d(n) ,p , (d (I)tp <....< d (n) ,p ), n ~ 5-10 ja määritetään Määrätään estimaatti muuttujalle M missä M(j),p, j=l n, ovat kuvanalkion p piirreavaruudessa n:n lähimmän kuvanalkioiden muuttujan M arvot [l], Lähimmän naapurin menetelmällä voidaan yleistää luokitusku vaksi mikä tahansa VMI-muuttuja. Luokituksessa huomioon otet tavia ongelmia ovat maasto- ja kuvatiedon eriaikaisuus ja metsik kökuvioista johtuva rajakuvanalkioiden suuri määrä. Jälkikäsitte lyllä voidaan tuottaa luokituksesta esim. kuviokarttoja ja kuvion selityskirjoja. Tulkintatulosten tarkastelua Monilähteisen inventoinnin kuvatulkintaa on tehty vuodesta 1989 lähtien ja tähän mennessä luokitettu alue on n. 10 milj. ha kattaen Etelä-Suomen keski- ja itäosan. Luokitustuloksen harhattomuutta suuralueella on testattu esim. Keski-Suomen lautakunnassa ver taamalla puuston keskitilavuuden ja puulajien osuuden estimaat teja perinteisen lohkoinventoinnin estimaattiin (taulukko 1). Moni- 1 1 1 d Wi p ~ d 2 d 2 " "(O .p a (').p i m 1 24 Tomppo, E & Katila, M Lähteisen inventoinnin tulosestimaatit mahtuvat lohkoinventoinnin tulosten keskivirheen vaihteluväliin. Metsätalousmaan osuudessa ja sitä kautta puuston kokonaistilavuuksissa on havaittu lievää yliarviota. Syynä lienee numeerisen karttatiedon vajavaisuus muiden maankäyttöluokkien erottelemiseen. Taulukko 1. Maastomittauksiin (Ml) ja monilähteiseen inventointiin (MLI) perustuvat esti maatit puuston keskitilavuudelle puulajeittain metsä- ja kitumaalla, Keski-Suomen metsälautakunta (1 297 000 ha). Kunnittaisia metsävaratuloksia on verrattu metsälautakuntien aluesuunnittelun yhdistelmätuloksiin. Metsätaloussuunnittelun kuviottaisen arvioinnin tulokset perustuvat kuitenkin silmävarai seen arvioon ja kattavat vain osan kuntien metsistä. Näihin sisäl tyy myös yleensä lievä varovaisuusperiaate. Esimerkiksi Etelä- Pohjanmaalla aluesuunnittelussa puuston keskitilavuus oli noin 5 m3/ha pienempi kuin inventoinnin vastaava luku. Aluesuunnit telun peittävyys oli noin 50-70 %. Tulosten kuviokohtaista tark kuutta selvitetään parhaillaan. Uuden monilähteisen VMI:n tietotuotanto Uudella valtakunnan metsien inventoinnilla saavutetaan seuraavia etuja: 1. VMI:n tärkeimpien muuttujien estimaatit saadaan joka pistee seen koko maassa. Prosessoinnissa saadaan lisäksi kaikki VMI:n tulokset erillisille laskentayksiköille, esim. kunnat, met sätilat. 2. Muutosten, esimerkiksi hakkuiden seuranta paranee alueelli sesti ja ajallisesti, missä apuna ovat myös pysyviksi perustetut VMI-koealat. 3. Tulkin ta tulos on numeerisena ja yhtenäiskoordinaatistoon sidottuna 25 x 25 m kuvaelementin koolla. Se on siirrettävissä muiden käyttäjien tietojärjestelmiin. 4. Inventoinnin tulosta voidaan käyttää lähtötietona tai otanta kehikkona muissa tutkimuksissa. Puulaji m 3/ha Ml % m 3/ha MLI % Mänty 42,8 39,6 43,4 40,4 Kuusi 48,0 44,4 47,1 43.9 Koivu 14,2 13,2 13,9 12,9 Muu pl. 3,0 2,8 3,0 2,8 Yhteensä 108,1 107,4 100,0 25 Metsäntutkimuslaitoksen tiedonantoja 479 Satelliittikuvapohjaista metsävaratietoa on tuotettu vuodesta 1989 lähtien. Tavoitteena on saada vuoden 1993 loppuun mennes sä paikkaansidotut metsävaratiedot valmiiksi koko Etelä-Suomesta ja Kainuun metsälautakunnasta sekä koko maasta vuosikymme nen puoliväliin mennessä. Monilähteisessä inventoinnissa saadaan taulukkomuotoiset tulokset kaikista VMI:n muuttujista halutun kokoiselle laskenta yksikölle. Tähän asti peruslaskentayksiköitä ovat olleet kunnat, joille on laskettu metsävaratiedot taulukkoina. Jatkossa on tarkoi tus siirtyä pienempiin laskentayksikköihin, esim. metsätiloihin. VMI:n tärkein tietotuote on numeerinen tulkintakuva, jossa on 20-25 tärkeintä VMI maastomuuttujaa 25 x 25 m kuvaelementti koossa. Seuraavassa on esimerkki Keski-Suomen metsälautakunnan joistakin tulostiedoista. Syöttötiedot olivat: TM kuvat 188/16 ja 17 90-06-21, maastomittaukset 1991 ja numeerinen karttatieto. Edellä esitettyjen 'vakiotuotteiden' lisäksi voidaan asiakkaan toi veiden mukaan laskea muita teemoja. Kaikkiaan VMI-maastotie doissa on noin 200 muuttujaa. Kokonaan uutta tietoa voidaan tuottaa yhdistämällä muuta kuin VMI-tietoa tulkintatulokseen. Esimerkiksi puuston tilavuustiedoista ja kantohinnoista on lasket tavissa puuston hakkuuarvo. Tulokset esitetään kuvamuodossa tai taulukkoina halutuille osa-alueille - kunta, tila, metsikkökuvio. 1) boniteetti = 'verokasvu' (yksikkö = 0,1 m3/ha/v, suot +100) 2) harsuuntuminen asteikolla 1-7 (VMI-ohjeet) 3) keski-ikä puuston runkotilavuus (yksikkö = 2 m 3/ha) 4) mänty yhteensä 10) koivu yhteensä 5) mäntytukki 11) koivutukki 6) mäntykuitu 12) koivukuitu 7) kuusi yhteensä 13) muu puulaji yhteensä 8) kuusitukki 14) muu puulaji tukki 9) kuusikuitu 15) muu puulaji kuitu kasvu (0,1 m 3/ha/v) 16) kokonaiskasvu 17) männyn kasvu 18) kuusen kasvu 19) koivun kasvu 20) muiden puulajien kasvu 26 Tomppo, E. & Katila, M Satelliittikuvapohjaisen VMI:n tietotuotannon suurin yksittäi nen erillishanke on ollut maapohjan boniteettikartoitus veroluoki tusta varten. Luokitus tehtiin käyttäen erotteluanalyysiä. Luokitet tujen kuntien maapinta-ala oli 1,5 milj. ha. Muita tehtyjä tuotteita ovat suuralueen tulkin ta tulos puunhankinnan tietojärjestelmän osaksi ja vanhojen metsien kartoitus sekä paperille vedostetut kunnittaiset teemakartat. Monilähteinen inventointi käyttää DISIMP-kuvankäsittelyohjel mistoa ja tehdyt luokitukset ovat arkistoituna DISIMP-formaatissa VAX/VMS-käyttöjärjestelmässä DAT-nauhoilla. Tulkintatulokset ovat saatavissa rasterimuotoisina DISIMP-kuvina tai paperille tulostettuna. Tarvittaessa kuvatieto voidaan muuntaa vektorifor maattiin (ARC/INFO). Paperikartat tulostetaan VERSATEC 8960 elektrostaattisella tulostimella tilaajan haluamassa mittakaavassa. Kirjallisuus Tomppo, E. 1991 Satellite Image-Based National Forest Inventory of Finland. Julkaisussa: Proceedings of the symposium on Global and Environmental Monitoring, Techniques and Impacts, September 17-21, 1990 Victoria, British Columbia Canada. International Archives of Photogrammetry and Remote Sensing, Vol 28, Part 7-1: 419-424. 1992. Satellite Image Aided Forest Site Fertility Estimation for Forest Income Taxation. Tiivistelmä: Satelliittikuva-avusteinen metsien kasvupaikkaluoki tus metsäverotusta varten. Acta Forestalia Fennica 229. 70 s. Nikula, A., Ritari, A. & Lahti, M-L. (toim.). Paikkatiedon ja satelliittikuvainformaation käyttö metsäntutkimuksessa Tutkimuspäivä Rovaniemellä 1993. Metsäntutkimuslaitoksen tiedonantoja 479: 27-41 27 Paikkatietojärjestelmien virhelähteistä EERO MATTILA Metsäntutkimuslaitos, Rovaniemen tutkimusasema PL 16, 96301 Rovaniemi EMAIL Eero.Mattila@metla.fi Johdanto Kaukokartoituksen ja paikkatietojärjestelmien yhteys Paikkatietojärjestelmien tehtäviä ovat tietojen keruu, varastointi, manipulointi, analysointi ja havainnollinen tulostus. Järjestelmän osia ovat tietokoneohjelmisto, laitteet, tietokanta ja niitä käyttävät ihmiset. Järjestelmän tietokannassa on paikkatietoja ja niihin liittyviä ominaisuustietoja. Paikkatiedot ovat samaan koordinaatis toon sidottuja digitaalisia karttoja ja kuvia. Ominaisuustiedot kuvaavat paikkaan sidottujen kohteiden ominaisuuksia. Paikkatie tojärjestelmän perustamiskustannuksista 70-80 % aiheutuu tieto kannan koostamisesta. Suurin käyttökustannuserä koituu henki löstön palkkauksesta ja koulutuksesta. Paikkatietojärjestelmät ja kaukokartoitus ovat kaksi teknolo giaa, joiden odotetaan yhdessä ratkaisevan monia luonnonvarojen kartoitukseen ja seurantaan liittyviä ongelmia. Kaukokartoitusta tehdään sekä lentokoneista että satelliiteista. Ilmakuvia on käytet ty karttojen valmistuksessa puoli vuosisataa. Paikkatietojärjestel miin digitoidut kartat ovat siis epäsuorasti jo yhdistäneet nämä teknologiat. Pääosa ilmakuvista syntyy vielä analogiamuodossa, joten ne on digitoitava ennen paikkatietojärjestelmään liittämistä. Ilmakuvien digitointi jälkikäteen aiheuttaa aina lisäkustannuksia ja informaatiohäviötä. Organisaation perinteinen tietojärjestelmä saattaa toiminnalli sesti muistuttaa paikkatietojärjestelmää. Tästä hyvänä esimerkki nä ovat metsätalouden suunnittelu ja järjestely siihen liittyvine 28 Mattila, E. asiakirjoineen (Griess 1990). Tietojen kokoaminen tietokannaksi ja niiden käsittely tietokoneavusteisesti edistää metsätalouden inven tointi-, suunnittelu- ja seurantatehtäviä (Bitter 1992). Käytännön syistä siirtyminen paikkatietojärjestelmään on yleensä toteutettava asteittain. Operaatio vaatii huolellista suunnittelua, koska pelkkä tietokannan kokoaminen kestää vuosia (Jordan 1993). Siirtymä vaiheen pituus riippuu organisaation koosta ja tietokannan raken teesta. Metsällisen paikkatietojärjestelmän luonti alkaa metsä karttojen digitoinnilla, joka jatkuu koko suunnittelukauden, mikäli vanhoja karttoja ei digitoida. Tietokannan päivitys alkaa peri aatteessa heti siirtymävaiheen alussa. Vaikka onkin välttämätön, tietokannan luonti kuitenkin on vain yksi vaihe siinä prosessissa, jonka lopullisena tavoitteena on toimiva metsätalouden suunnitte lun paikkatietojärjestelmä (Crain & Mac Donald 1983). Luonnonvarasatelliittien aikakausi alkoi parikymmentä vuotta sitten. Satelliittikuva syntyy suoraan digitaalisessa muodossa, mikä helpottaa sen yhdistämistä paikkatietojärjestelmään. Luoki tustarkkuus ja erotuskyky ovat huonommat kuin ilmakuvilla, mikä on aiheuttanut sovellutusongelmia. Satelliittikuvan tulkin tatulos tulisi sovittaa yhteen muiden järjestelmän tietokerrosten kanssa, mikä asiallisesti merkitsee kuvan kaksi vaiheista luokitusta. Paikkatietojärjestelmän kuva-, kartta- ja korkeustietoja voidaan käyttää aputietoina satelliittikuvan luoki tuksessa ja luokituksen viimeistelyssä (Hutchinson 1982). Usein luokitustulos lisätään tietokantaan uudeksi tietokerrokseksi. Näin syntyy kaksipuolinen kanssakäyminen, joka hyödyttää sekä kau kokartoitusta että paikkatietojärjestelmää (Howard 1991, s. 229). Kaukokartoitusta ja paikkatietojärjestelmiä ovat eräät pitäneet jopa tulevaisuuden 'big science'-aloina (Jackson ym. 1986). Mulder (1986) arveli paikkatieto- ja asiantuntijajärjestelmiä käytettävän hyväksi kaukokartoituksessa 1980-luvun lopulla. Verstappen (1987) katsoi paikkatietojärjestelmiä tarvittavan runsaiden topo grafisten ja temaattisten kaukokartoitustietojen hyödyntämisessä. Ehlers ym. (1989) pitivät integraationa tarpeellisena ja kuvailivat sen kolmivaiheisena kehitysprosessina. Kuvatulkinnassa käyte tään 1990-luvulla Ryersonin (1989) mukaan asiantuntija- ja paik katietojärjestelmiä sekä mikrotietokoneita, mutta lisäksi myös visuaalisen analyysin merkitys on keskeinen. Leckie (1990) piti eri tietojen yhdistämistä paikkatietojärjestelmien kautta kaukokartoi tuksen menestymisen edellytyksenä metsätaloudessa. Singh (1990) piti tärkeänä, että lisätietojen sisältö ja merkitys tunnetaan hyvin, kun niitä käytetään hyväksi digitaalisen satelliittikuvan tulkinnas sa. Digitaalisten kuvien käsittelyohjelmistojen nopea kehitys on edistänyt kaukokartoituksen ja paikkatietojärjestelmien integraa tiota. Osana paikkatietojärjestelmää toimii yhä yleisemmin kuvan käsittelyohjelmisto tai erillinen kuvankäsittelyohjelmisto on tehty yhteensopivaksi jonkin paikkatietojärjestelmän kanssa. Raja kau 29 Metsäntutkimuslaitoksen tiedonantoja 479 kokartoituksen, paikkatietojärjestelmien ja kartoituksen välillä on hämärtynyt, kun nämä teknologiat ovat lähestyneet toiminnalli sesti toisiaan. Alunperin kaukokartoitus on selvästi tiedonhankin taa ja paikkatietojärjestelmät tiedonhallintaa. Parker (1988) koros taa kaukokartoituksen roolia vain yhtenä paikkatietojärjestelmien tietolähteenä. Hänen mielestään kaukokartoitustietoja pitäisi nimittää apu- eli lisätiedoiksi. Fisher & Lindenberg (1989) pitivät asiallisesti oikeimpana vuorovaikutusmallia, missä kaikki kolme teknologiaa ovat samanarvoisia ja kaikki kohtaavat toisensa pie nellä osa-alueella (three-way interaction -malli). Integrointisovelluksia luonnonvarojen kartoituksesta Jo 1980-luvun alussa Hutchinson (1982) toi esiin paikkatietojär jestelmistä saatavien lisätietojen käyttömahdollisuudet digitaalisen kuvan luokituksessa. Häme (1984) esitteli monilähteisen veroluoki tusmenetelmän, johon kaukokartoituksen ja paikkatietojärjestel mien yhteiskäyttö olisi soveltunut erinomaisen hyvin. Alaskassa tehtiin 1980-luvulla monilähteinen kasvillisuuden ja maaston kar toitus menetelmällä, jossa käytettiin hyväksi myös digitaalisia tie toja (Shasby & Carneggie 1986). Tässäkään yhteydessä ei vielä mainita paikkatietojärjestelmiä, vaikka ne ilmeisesti olivat kartoi tuksessa ainakin epäsuorasti mukana. Suoria kaukokartoituksen ja paikkatietojärjestelmien integrointisovelluksia alkaa esiintyä maaperä- ja kasvillisuuskartoituksissa 1980-luvun lopulla. Sovel lukset ovat lisääntyneet voimakkaasti vasta 1990-luvulla. Kaukokartoituksen ja paikkatietojärjestelmien integraatiosovel lusten aiheina on ollut mm. maankäyttöluokitus (Treitz ym. 1992), maaperäluokitus (Middelkoop ym. 1989), kasvillisuusluokitus (Cibula & Nyquist 1987, Chamignon & Maniere 1990, Lucas ym. 1990, Bolstad & Lillesand 1992 a, 1992 b), puulajiluokitus (Olesen 1991), metsikköboniteetin arviointi (Cook ym. 1989), puuston arvi ointi (el Deen 1991, Heist & Kooiman 1992), puustopääoman muu toksen arviointi (Maclean ym. 1992), ympäristön ja kasvillisuuden seuranta (Cihlar ym. 1989, St-Laurent ym. 1990), maaperän ja pohjaveden saastumisalttiuden arviointi (Thunnissen ym. 1992), hyönteistuhot (Chamignon & Maniere 1990), kasvillisuuden tuhou tuminen (Price ym. 1992) ja maaston kolmiulotteinen visualisointi (Murai ym. 1992). Metsätaloudellisia sovelluksia Indonesiasta mai nitaan maankäytön suunnittelu, metsävarojen seuranta ja metsä teiden suunnittelu (Susilawati & Weir 1990). Eliasson (1991) kuvailee Ruotsissa kehitettyä integraatiosovellusta, jota voidaan käyttää myös varsinaiseen metsätalouden suunnitteluun. Kana dassa New Brunswickissa on rakennettu ja ylläpidetty nimen omaan metsätalouden suunnittelua palvelevaa paikkatietojärjestel mää 1980 luvun alkupuolelta lähtien (Jordan 1993). 30 Mattila, E Entisessä Neuvostoliitossa on ollut automaattista kartoitusta, mutta kaukokartoituksen ja paikkatietojärjestelmien suorat inte grointisovellukset puuttuivat sieltä vielä 1990-luvun alussa (Solntseva & Tikunov 1991). Edellä mainituissa esimerkeissä käytetyt satelliittikuvat ovat yksinomaan Landsat- ja SPOT-satelliiteista. Satelliittikuvan spek trinen luokitus kärsii maaston topografiasta, joka vaikuttaa koh teen heijastusominaisuuksiin. Luokitustarkkuus on parantunut selvästi käyttämällä topografiatietoja muista lähteistä apuna luoki tuksessa (Cibula & Nyquist 1987, Cook ym. 1989, Lucas ym. 1990). Paikkatietojärjestelmien tietojen käyttö satelliittikuvan luo kituksessa saattaa muodostaa tiedonhallintaongelman. Tähän on etsitty ratkaisua kokeilemalla asiantuntijajärjestelmien päättely sääntöjen käyttöä luokituksessa (Middelkoop ym. 1989, Bolstad & Lillesand 1992 a, 1992 b). Maastokohteiden paikannustarkkuus vanhoilla kartoilla ja ilmakuvilla on huono. GPS (Global Positioning System) antaa mahdollisuuden määrittää satelliittikuvalta näky vien kohteiden sijainti riittävällä tarkkuudella. Tätä tekniikkaa ovat käyttäneet el Deen (1991) ja Treitz ym. (1992). Kasvillisuuden muutoksia voidaan yrittää kartoittaa moniaikakuvamenetelmällä, missä verrataan eri aikoina syntyneitä kuvia keskenään. Moniaika kuvamenetelmää ovat käyttäneet Maclean ym. (1992) ja Price ym. (1992) vaihtelevalla menestyksellä. Paikkatietojärjestelmiä voidaan käyttää alueellisten ilmiöiden analysointiin ja mallitukseen. Van Heist & Kooiman (1992) tutkivat polttopuutilannetta eräällä alueella Botswanassa biomassakartan ja väestötietojen avulla. Biomassakartan laadinnassa käytettiin Landsat MSS-kuvaa. Väestötietoina olivat taajamien sijainti ja väkiluvut. Tilannearvio syntyi vertaamalla polttopuun tarvetta sen määrään ja kasvuun, kun keruusäteeksi oletettiin 10 kilometriä. Thunnissen ym. (1992) selvittivät maaperän ja pohjaveden saastu - misalttiutta Hollannissa. Alttius riippuu suuresti maankäytöstä ja kasvillisuudesta, jonka kartoittamiseen käytettiin Landsat TM kuvamateriaalia. Muina vaikuttavina tekijöinä mallissa ovat maa perä, hydrologia, ilmasto ja saasteet, joita koskevat tiedot kerätään yhteen eri tietolähteistä. Tällä hetkellä on meneillään suurehkoja hankkeita, joissa hyö dynnetään kaukokartoitusta ja paikkatietojärjestelmiä. Trooppis ten sademetsien digitaalista karttaa koostetaan eräässä YK:n alai sessa instituutiossa (Jaakkola 1990). Toteutuessaan kartan katta vuus on yli miljardi hehtaaria. Yhdysvaltain metsäkartan laadin taan tähtäävä työ alkoi 1990 (Zhu & Evans 1992). Metsäala USA:ssa on 300 miljoonaa hehtaaria. USDA Forest Service, joka hoitaa USA:n kansallismetsiä (maa-ala 80 milj. ha), aloitti paikka tietojärjestelmien perustamisen 1988 (Lachowski ym. 1992). Kah dessa ensiksi mainitussa hankkeessa käytetään sääsatelliittikuvia (NOAA AVHRR). Forest Service käyttää Landsat- ja SPOT-satelliitti kuvia sekä myös ilmakuvia. 31 Metsäntutkimuslaitoksen tiedonantoja 479 Lähitulevaisuus Uuteen teknologiaan kohdistuvat odotukset ovat usein liian suuret. Tämä kävi toteen ensimmäisen sukupolven luonnonvara satelliittien kohdalla, koska niiden erotuskyky ei ollut riittävä kor vaamaan ilmakuvia käytännön sovellutuksissa. Toisen sukupolven satelliittien, joita ovat Landsat 4 ja 5 sekä SPOT, arveltiin tekevän läpimurron niiden olennaisesti parempien ominaisuuksien ansios ta. Erotuskyvyn lisääntyminen oli kuitenkin osin näennäistä ja suuresti kasvanut datamäärä on vaikeuttanut sen analysointia ja hallintaa. Yleensä dataa on pystytty keräämään paljon enemmän kuin on ollut valmiuksia sen täysimääräiseen hyödyntämiseen. Uudet tutkasatelliitit lisäävät tietovirtaa edelleen. Nyt paikkatieto järjestelmien oletetaan olevan ratkaisu tähän tiedonhallintaongel maan. 1990-luvulla kaukokartoituksen ja paikkatietojärjestelmien välistä vuorovaikutusta pidetään jo itsestään selvänä. Green (1992) luettelee tähän kehitykseen myötävaikuttaneina tekijöinä satelliittikuvien, tietokoneiden ja ohjelmistojen parantumisen, karttojen tarkkuuden arvioimismenetelmien kehityksen ja alan koulutuksen lisääntymisen. Käytännön sovelluksille on ominaista poikkitieteellisyys ja eri tietolähteisiin kohdistuva suuri tutkimustarve (Fabbri 1992). Tulevaisuudessa digitaalisten tietojen saatavuus paranee, laitteet ja ohjelmistot kehittyvät edelleen, digitaalisten paikkatietojen päivitys kaukokartoituksen avulla lisääntyy ja virheisiin tullaan kiinnittämään kasvavaa huomiota (Estes 1992). Paikkatietojärjestelmien tekniikka on hallinnassa, mutta vanho jen karttojen ja kuvien epätarkkuus muodostaa informaatio-ongel man' (Boulton 1989). Tulos ei voi olla parempi kuin syöttötiedot, mistä jokaisen tietojärjestelmän käyttäjän tulisi aina olla tietoinen. Epäonnistumisien positiivisena seurauksena on aloitettu järjestel mien kriittinen uudelleenarviointi, joka sisältää myös luotettavuut ta koskevat selvitykset. Paikkatietojärjestelmien potentiaaliset vir heet ovat aiheellisesti kasvavan huomion kohteena. Perustamisvai heessa usein yliarvioidaan laitteiden ja ohjelmien roolia järjestel mässä henkilöstön ja tietokannan kustannuksella. Osaaminen ja tietokannan sisältö ovat kuitenkin ratkaisevassa asemassa käyttö vaiheessa. Seuraavassa tarkastelussa pääpaino on käyttövaiheen virhelähteissä ja niistä erityisesti tietokannan sisältövirheissä. Tavoitteena on selventää virheiden luokittelua sekä kuvailla virhei den mittaustapoja ja tunnuslukuja. Virhelähteet Paikkatietojärjestelmän perustaminen on investointi, josta aiheu tuvat kustannukset tulisi kattaa järjestelmän tuotoilla tietyn ajan 32 Mattila, E sisällä. Perustamispäätöstä tulee edeltää huolellinen kustannus hyötyanalyysi. Välitön kustannuserä, laitteiston ja ohjelmiston hankintamenot, on vain 20-30 % kokonaiskustannuksista. Suun nittelun painopisteen tuleekin olla tietokannan luonnissa, yllä pidossa ja päivityksessä. Tähän liittyvät erottamattomasti henki löstön toimenkuvaa ja koulutusta koskevat kysymykset, joiden onnistunut ratkaisu on toimivan järjestelmän edellytys pitkällä tähtäimellä. Hankkeen alirahoitus, tietokannan heikkoudet, työ tehtävien huono määrittely ja koulutuksen puute voivat aiheuttaa viivytyksiä ja ehkäistä paikkatietojärjestelmän täysimääräisen hyväksikäytön (Winyoopradist & Hunter 1992). Uuteen teknologiaan on usein investoitu hatarin perustein varsinaista suorittavaa ja asiantuntevaa henkilöstöä kuulematta. Tästä seurauksena on hankkeen jonkinasteinen epäonnistuminen. Varoittavia esimerkkejä löytyy satelliittikuvien hyödyntämisen alu eelta (Meyer & Werth 1990). Paikkatietojärjestelmän käytössä syntyvät virheet voidaan jakaa käyttäjän tekemiin virheisiin, prosessointivirheisiin ja tietokannan sisältövirheisiin (Congalton & Green 1992, s. 17). Käyttäjän tulee olla tietoinen niistä tietokannan ominaisuuksista, jotka vaikuttavat ongelmien muotoiluun ja ratkaisuun. Vanhentuneet tiedot ja väärä mittakaava voivat antaa harhaanjohtavia tuloksia. Aineiston alu eellinen epäedustavuus heikentää aina tulosten käyttökelpoisuut ta. Aineisto voi olla myös epärelevanttia käsillä olevan ongelman ratkaisuun. Esimerkiksi ilma- tai satelliittikuvalta tehty kasvilli suusluokitus on johdettu eli epäsuora tietokerros, joka ei ole maastossa suoritetun luokituksen veroinen. Käyttäjän on tunnet tava hyvin tietokannan sisältö ja tietojen merkitys virheiden välttä miseksi. Koulutus ja kokemus vähentävät tämän virhetyypin esiin tymistä. Paikkatietojärjestelmän laitteet ja ohjelmat aiheuttavat proses soin tivirheitä. Lukujen esitystarkkuus tietokoneessa on rajallinen. Interpoloidut ja varsinkin ekstrapoloidut tiedot ovat epävarmoja menetelmästä riippumatta. Karttojen ja kuvien saattaminen digi taaliseen muotoon synnyttää virheitä, joiden suuruus riippuu lait teiden erotuskyvystä. Paikkatietojen tallennus- ja esitysmuotoon (rasteri vs. vektori) liittyvät ongelmat on tiedostettu varhaisessa vaiheessa. Muutoksia muodosta toiseen on tehtävä ja ne aiheut tavat aina virheitä (Estes 1992, s. 5, Congalton & Green 1992, s. 18). Näiden virheiden tuntemus ei ole riittävä. Sijainti- ja pinta alavirheet siirryttäessä vektorimuodosta rasterimuotoon ovat sitä suurempia mitä karkeampi rasteri on (Valenzuela & Baumgardner 1990). Tietokannan sisältövirheet voidaan jakaa tila- ja ominaisuusvir heisiin. Edellinen liittyy paikkatietoihin ja jälkimmäinen ominai suustietoihin. Bolstad & Smith (1992) tarkastelevat asiaa saman pääjaotuksen pohjalta käyttäen ilmaisuja 'positional accuracy' ja 'attribute accuracy'. Seuraavassa tarkastelussa käytetään termiä 33 Metsäntutkimuslaitoksen tiedonantoja 479 'tilavirhe' eikä 'paikkavirhe' tai 'sijaintivirhe'. Pisteen ainoa paikka tieto on sen sijainti jossakin koordinaatistossa. Janan sijainnin ja pituuden eli koon määrää kaksi pistettä. Käyrää viivaa voidaan likimain kuvata toisiinsa liittyvien janojen eli murtoviivan avulla. Murtoviivan sulkeutuessa muodostuu monikulmio. Tilan käsite kattaa sijainnin, koon ja muodon, mikä on ollut peruste tilavirhe termin valinnalle. Paikkatietojärjestelmien tilavirheet Maaston ja sitä esittävien digitaalisten mallien vertailu paljastaa tilavirheitä, joita voi syntyä kaikissa työvaiheissa. Kohteen muoto ja kokovirheet syntyvät pääosin maastotyövaiheessa. Paikannus tarkkuus maastossa riippuu työn tarkoituksesta ja kohteen laa dusta. Tarkin tulos saavutetaan geodeettisin menetelmin selvien maastokohteiden kartoituksessa. Toista äärilaitaa ilmeisesti edus taa metsäkuvioiden kartoitus. Tulevaisuudessa paikannustark kuus paranee, kun GPS-laitteet yleistyvät kentällä. GPS käyttää signaaleja useasta satelliitista sijainnin määritykseen. Teoreettinen tarkkuus on muutamia senttimetrejä, mutta käytännössä tark kuus muodostunee muutamaksi kymmeneksi metriksi (Gibbons 1992, s. 1255). Kartan tarkkuuteen vaikuttavat ilmakuvan geometria, maasto työ ja piirtäminen. Kartan piirrustusvaiheessa piirtoviivan paksuus ja mutkien oikominen aiheuttavat tilavirheitä. Valmiin kartan epä symmetrinen venyminen ja supistuminen vääristävät kartan infor maatiota. Tilatarkkuus huononee, kun kartta tai ilmakuva digitoi daan ja se viedään tietokannan koordinaatistoon. Kartan manuaa lisessa digitoinnissa syntyy virheitä samasta syystä kuin karttaa piirrettäessä. Mukaan tulevat myös prosessointivirheet, jotka mai nittiin jo edellä. Digitoitu kartta tai kuva ja suoraan digitaalisena syntyvä kuva on oikaistava paikkatietojärjestelmän koordinaatis toon. Koordinaattimuunnoksessa syntyy tilavirheitä, joista seuraa vassa hieman enemmän. Muunnosta varten valitaan kontrollipisteitä ja määritetään niiden koordinaatit molemmissa koordinaatistoissa. Koordinaattien määrityksessä tulee virheitä. Valitaan muunnosfunktio, jonka muoto riippuu mm. kontrollipisteiden määrästä. Funktion para metrit lasketaan kontrollipisteiden koordinaateista. Oikaisufunk tiota sovelletaan kaikkiin oikaistavan kartan tai kuvan pisteisiin kontrollipisteet mukaan lukien. Muunnoksen tarkkuutta kuvataan RMS-virheen (Root Mean Square) avulla, joka lasketaan kontrolli pisteiden 'todellisten' ja funktiolla laskettujen koordinaattien eroista. Odotusarvoisesti 68 % siirrettävistä pisteistä osuu enin tään RMS-virheen ilmaiseman matkan päähän 'oikeasta' paikasta uudessa koordinaatistossa. Virheen suuruus riippuu kontrollipis teiden edustavuudesta ja muunnosfunktion muodosta. Kontrolli 34 Mattila, E pisteiden koordinaattien määritysvirheet eivät sisälly RMS-virhee seen. Satelliittikuvan oikaisu käyttäjän koordinaatistoon tapahtuu myös kontrollipisteiden avulla. Suomen olosuhteissa Landsat TM -kuvan RMS-virheeksi muodostuu 0.5-1.0 kuvaelementtiä (15-30 metriä). Paikkatietokerroksia yhdistettäessä niiden tilavirheet kumuloituvat. Jos virheet eivät riipu toisistaan, RMS-virheiden neliöt voidaan laskea yhteen ja summan neliöjuuri on uuden ker roksen RMS-virheen estimaatti. Kun Lapissa verrattiin koealojen sijaintia ilmakuvilla ja samaan koordinaatistoon oikaistulla Landsat TM -kuvalla. RMS-virhe oli 62 metriä (Mattila 1992, s. 28). Jos oikaisun RMS-virhe on 30 m, kaikkien muiden virheiden yhteisvaikutus on 54 m. Tästä suuri osa ilmeisesti aiheutuu yhte näiskoordinaatistoa kuvaavan kaavion sijaintivirheistä ilmakuvilla. Ilma- ja satelliittikuvia liitetään paikkatietojärjestelmiin yhä enenevässä määrin. Kun ilmakuvan keskusprojektio muutetaan ortoprojektioksi, mittakaava tulee keskimäärin samaksi koko kuvalla. Tämä korjaus on välttämätön tarkoissa ilmakuvakartoi tuksissa. Ilmakuvassa on geometriavirheitä kallistumasta (poik keama pystykuvasta) ja maaston korkeusvaihtelusta johtuen. Bolstad (1992) on simuloinut näiden tekijöiden vaikutusta sijainti ja pinta-alatarkkuuteen. Sijaintivirhe kasvaa kallistuman ja kor keuserojen kasvaessa, mutta pienenee mittakaavan kasvaessa. Myös suhteellinen pinta-alavirhe kasvaa korkeuserojen ja kallistu man kasvaessa, mutta on mittakaavasta ja kuviokoosta riippuma ton. Virheiden suuruudesta johtuen Bolstad (1992, s. 379) varoitte lee monoskooppisesta ilmakuvatulkinnasta mittakaavaan ollessa pienempi kuin 1 : 20 000 tai korkeuserojen ollessa suuria. Hänen mielestään tämä on erityisen tärkeätä, kun tulkintatulos liitetään paikkatietojärjestelmään tai tavoitteena on tarkka pinta-alojen arviointi. Ilmakuvan oikaisu ja stereotarkastelu poistavat kallistu man ja korkeusvaihtelun vaikutukset. Ilmakuvan geometristen virheiden korjausmenetelmät ovat olleet jo pitkään tiedossa, mutta käytännössä usein osa korjauksista lyödään laimin (Bolstad & Smith 1992, s. 25). Satelliittikuviin tehdään automaattisesti tietty jä geometriakorjauksia ennen käyttöönottoa. Paikkatietojärjestelmään liitetyn kartan tai kuvan tilavirheiden lopullista suuruutta voidaan selvittää maastovertailulla. Valitaan joukko selviä pisteitä, joiden koordinaatteja paikkatietojärjestel mässä verrataan maastossa määritettyihin koordinaatteihin. Sijaintieroista lasketaan RMS-virhe, jota yleisesti käytetään kartan tarkkuuden tunnuslukuna. Menettely yliarvioi sijaintitarkkuutta, koska aineistona on vain selvästi erottuvia maastopisteitä. Mene telmä ei paljasta virheen rakennetta eli sitä, miten eri työvaiheet ovat myötävaikuttaneet virheen syntymiseen. Koko- ja muotovirheiden kvantifiointi maastossa on hankalaa. Niistä voidaan tehdä päätelmiä pisteiden sijaintivirheiden perus 35 Metsäntutkimuslaitoksen tiedonantoja 479 teellä. Vertaaminen muihin ilmakuviin tai karttoihin jättää niiden omat tilavirheet tarkastelun ulkopuolelle. Monikulmioiden koko tarkkuuden tunnuslukuja ovat pinta-alaerojen keski-arvo, hajonta, harha ja riippuvuus monikulmion koosta. Yhden kuvion muoto virhettä voidaan kuvata ns. epsilon-vyöhykkeen avulla. Vyöhyk keen leveys määritellään sellaiseksi, että kuvion oikea raja kulkee pääosin (esim. 95 % rajapisteistä) vyöhykkeen sisällä (Chrisman 1982, Dunn ym. 1990). Kuviojoukon muototarkkuudelle ei ole esi tetty yksiselitteistä tunnuslukua. Hyvä yleiskäsitys saadaan visu aalisella tarkastelulla esimerkiksi erotuskuvan avulla. Sotkas ym. (1992) käyttivät luokittaista vastinkuvioiden lukumäärää ja pinta alaa satelliittikuvaluokituksen muototarkkuuden kuvailuun. Paikkatietojärjestelmien ominaisuusvirheet Kohteiden ominaisuuksista kerätään tietoja maastossa ja kuvatul kinnalla. Ominaisuusvirheet jaetaan muuttujien mitta-asteikon mukaan kvantitatiivisiin ja temaattisiin virheisiin. Kvantitatiivisia virheitä syntyy paitsi maastossa ja kuvatulkinnassa myös lasken nassa ja tietoja yleistettäessä. Viimeksi mainittu virhelähde on sitä tuntuvampi, mitä vaihtelevampaa ympäristöä yritetään kuvata vek torimuotoisessa tietokannassa. Hyvä esimerkki on epätasainen metsäkuvio, jonka sisällä puuston määrän ja rakenteen vaihtelu on suurta. Kvantitatiiviset virheet ovat helposti todettavissa maas totarkistuksin, joiden perusteella lasketaan erojen keskiarvo ja hajonta sekä harha. Temaattinen eli kvalitatiivinen virhe, joka paremmin tunnetaan luokitusvirheenä, liittyy nominaali- ja ordinaaliasteikkojen muut tujiin. Luokitustarkkuuden selvittämiseksi laaditaan virhematriisi. Tarkastelussa olevat kohteet (koealat tai kuviot) taulukoidaan mat riisiin kartalla näkyvän tai kuvalta tulkitun luokan ja maastossa todetun oikean luokan perusteella. Virheettömät kohteet tulevat matriisin halkaisijalle. Yleensä tarkasteluun valitaan objektiivinen näyte, joka tekee tulosten tilastollisen analyysin mahdolliseksi. Näytteen valintaa ja tarkkuuden arviointia on käsitelty lukuisissa tutkimuksissa (esim. Hord & Brooner 1976, Ginevan 1979, Hay 1979, Rosenfield & Melley 1980, Aronoff 1982, Rosenfield 1982, Congalton ym. 1983, Congalton & Mead 1986, Story & Congalton 1986, Congalton 1988, Dicks & Lo 1990, Congalton 1991, Sotkas ym. 1992, Stehman 1992). Saman maastonäytteen kohteilla voi daan luonnollisesti mitata myös kvantitatiivisia virheitä. Kuvan liittäminen paikkatietojärjestelmään edellyttää tietoa sen temaattisesta tarkkuudesta. Luokitustarkkuuden arviointi tulisi aina tehdä ainakin osittain maastossa. Maastotyökään ei ole vapaa luokitusvirheistä. Satelliittikuvan vertaaminen yksinomaan ilma kuvaan tai karttaan, mikä käytäntö on ollut yleinen, ei anna oikea ta käsitystä tarkkuudesta. Dicks & Lo (1990) kuvailevat verifiointi 36 Mattila, E menetelmän, mikä perustuu sekä ilmakuvavertailuun että maasto tarkistuksiin. Thunnissen ym. (1992) toteavat digitaalisen verifioin tikartan antavan väärän kuvan luokitustarkkuudesta mm. tilavir heiden takia. Virhematriisista voidaan laskea erilaisia luokitustarkkuutta kuvaavia tunnuslukuja (Congalton 1991). Hallitsevaan asemaan on noussut Cohenin (1960) esittämä Kappa-kerroin. Sitä voidaan hyvin käyttää myös eri virhematriisien vertailemiseen, kuten Congalton & Mead (1983) ja Mattila (1985) ovat osoittaneet. Kappa kertoimia voidaan laskea erilaisia eri tarkoituksiin. Sotkas ym. (1992) määrittelevät kaksi kerrointa yksittäiselle luokalle, toinen yli- ja toinen alikartoitusta varten. Virhematriisia voidaan käyttää myös luokkien pinta-ala- ja osuus-estimaattien kalibrointiin (Dymond 1992, Czaplewski & Catts 1992). Dymond (1992) esittää myös yhtälön kalibroidun pinta-alaestimaatin RMS-virheen arvioi miseen. Conese & Maselli (1992) osoittavat, kuinka virhematriisin informaation käyttö maximum likelihood -luokitusalgoritmissa voi parantaa ohjatun satelliittikuvaluokituksen tulosta. Johtopäätöksiä Paikkatietojärjestelmät ja kaukokartoitus lisäävät merkitystään luonnonvarojen suunnitelmallisessa hoidossa ja käytössä. Asian tuntijajärjestelmien tuella tehtävät päätelmät ja päätökset eivät edellytä kaikkien asiaan liittyvien tietojen yksityiskohtaista hallin taa. Tiedonhallinnan tehostuminen tekee yhä suurempien tieto määrien hyödyntämisen mahdolliseksi. Mutta näiden uusien tek nologioiden potentiaaliset hyödyt eivät toteudu, elleivät taustalla olevat paikka- ja ominaisuustiedot ole riittävän luotettavia. Tietojen oikea käyttö edellyttää eri virheiden tuntemusta ja lisääntyvää koulutusta. Paikkatietojärjestelmän käyttäjän tulee olla tietoinen tietokan nan tietojen luotettavuudesta, koska se vaikuttaa ongelman asette luun ja ratkaisuun sekä johtopäätöksiin tila-analyysissä. Tulos ei voi olla luotettavampi kuin sen taustalla olevat tiedot. Paikkatietojärjestelmän tietojen käyttökelpoisuus riippuu eri virhetyyppien yhteisvaikutuksesta. Yksin ilmakuvien huonon geo metrian johdosta vanha kartta tai kuva voi olla niin epätarkka, että sen digitoiminen paikkatietojärjestelmään on kyseenalaista. Tieto jen vanhentuminen lisää sekä tila- että ominaisuusvirheitä. Van hojen tietojen käyttökelpoisuus on syytä harkita tapauskohtaisesti uuteen paikkatietojärjestelmään siirryttäessä. Tietokannan jatku valla päivityksellä on mahdollista hidastaa tietojen vanhentumista. Koko tietokerroksen ajoittainen uusinta on kuitenkin välttämätön tä ainakin paikkatietojen osalta. Tätä edellyttää myös tietokannan rakenteellinen uusiminen. 37 Metsäntutkimuslaitoksen tiedonantoja 479 Digitaalisten kuvien käyttö paikkatietojärjestelmän tietokerrok sina tulee kasvamaan mm. kustannussyistä. Tämä edellyttää lisääntyvää yhteistyötä kaukokartoituksen ja paikkatietojärjestel mien asiantuntijoiden välillä. Paikkatietojärjestelmien käyttäjät eivät ole aina ymmärtäneet varsinkaan satelliittikuvan merkitystä oikealla tavalla. Kaukokartoituksen edustajien mielestä kuva on sovitettava muihin paikkatietokerroksiin interaktiivisen prosessin kautta, mikä lähestymistapa paikkatietojärjestelmien edustajille on vieraampi. Paikkatietokerrosten hierarkinen järjestys, joko ekspli siittinen tai implisiittinen, vaikuttaa sovitusprosessin kulkuun. Yksi hierarkiaan vaikuttava seikka on luotettavuus. Paikkatietojärjestelmän tietoja voidaan käyttää aputietoina satelliittikuvaluokituksessa. Niitä ei saisi käyttää luokituksen var sinaisena tukiaineistona, kuten ennen on paljonkin tapahtunut. Toinen virheellinen käytäntö on ollut verrata luokitusta paikkatie tojärjestelmän tietoihin ikäänkuin ne olisivat oikeita. Näin on saatu harhaanjohtavia tuloksia, jotka mahdollisesti ovat hidastaneet tai ainakin vaikeuttaneet alan kehittymistä. Satelliittikuvan luokitus tulos voidaan liittää uudeksi tietokerrokseksi paikkatietojärjestel mään. Näin syntyy ns. johdettu tietokerros, jota ei saa käyttää ikäänkuin oikeata, maastossa tehtyä luokitusta. Tarkkuusanalyysin tulisi olla osa paikkatietojärjestelmän yllä pitoa. Analyysin kohteena ovat käyttäjät, koneet ja laitteet sekä varsinkin tietokanta. Tuotteen vertailu maastotodellisuuden kans sa paljastaa eri virhelähteiden yhteisvaikutuksen, mikä käyttökel poisuuden kannalta on olennaisinta. Maastotyön suuret kustan nukset ovat uusien tekniikoiden käyttöönoton pääkannustin luon nonvaratutkimuksissa. Kustannuksia voidaan alentaa maastotyön integroinnilla. Tämä tarkoittaa eri tehtävien suorittamista samalla maastokäynnillä samojen henkilöiden toimesta. Esimerkiksi satel liittikuvaluokituksen tukiaineiston mittauksen yhteydessä kannat taa samalla kerätä aineistoa luokituksen tarkkuuden arviointia varten. Integroitu tiedonkeruu edellyttää suunnittelun ja koulu tuksen lisäämistä. Paikkatietojärjestelmien yleistyessä niiden tarkkuuden määrit täminen objektiivisella ja yhdenmukaisella tavalla tulee yhä tar peellisemmaksi. Järjestelmän tuotteille asetettavat tarkkuustavoit teet riippuvat käyttötarkoituksesta. Tarkkuusstandardit helpotta vat tuotteiden vertailua ja hinnoittelua. Tarkkuuden osoittaminen ja sen selkeä kytkentä hintaan edistäisivät paikkatietojärjestelmien kehitystä. Teknologia on suhteellisen uusi, varsinkin kaukokartoi tuksen yhteydessä, joten tarkkuutta koskeva laatuajattelu on vas ta viriämässä. Toistaiseksi painopiste on ollut tuotteen ulkonäössä, ei tarkkuudessa. 38 Mattila. E Kirjallisuus Aronoff, S. 1982. Classification accuracy: a user approach. Photogrammetric Engineering and Remote Sensing 48(8): 1299-1307. Bitter, A. 1992. Ein flächenbezogenes Betriebsinformationssystem als Hilfsmittel fur Inventur, Planung und Kontrolle im Forstbetrieb. Julkaisussa: Sloboda, B. 1992. Zuwachsmess- und Auswerttechniken, klimaorientierte Wachstumsmodelle, Inventurmethoden und ihre Anwendungen. Schriften aus der Forstlichen Fakultät der Universität Göttingen und der Niedersächsischen Forstlichen Versuchsanstalt, Band 106: 134-147. Bolstad, P. 1992. Geometric errors in natural resource GIS data: tilt and terrain effects in aerial photographs. Forest Science 38(2): 367-380. & Lillesand, T. 1992 a. Improved classification of forest vegetation in northern Wisconsin through a rule-based combination of soils, terrain, and Landsat Thematic Mapper data. Forest Science 38(1): 5-20. & Lillesand, T. 1992b. Rule-based classification models: flexible integration of satellite imagery and thematic spatial data. Photogrammetric Engineering and Remote Sensing 58(7): 965-971. & Smith, J. 1992. Errors in GIS. Assessing spatial data accuracy. Journal of Forestry 90(11): 21-29. Boulton, A. 1989. Will supermaps solve the Forest Service's planning problems? Forest Watch, March 1989. s. 24-28. Chamignon, C. & Maniere, R. 1990. Forest cover type mapping and damage assessment of Zeiraphira diniana by SPOT 1 HRV data in the Mercantour National Park. International Journal of Remote Sensing 11(8): 1439-1450. Chrisman, N. 1982. A theory of cartographic error and its measure in digital databases. Proceedings, Auto-Carto 5, s. 159-164. Cibula, W. & Nyquist, M. 1987. Use of topographical models in a geographical data base to improve Landsat MSS classification for Olympic National Park. Photogrammetric Engineering and Remote Sensing 53(1): 67-75. Cihlar, J., D'lorio, M., Mullins, D. & St-Laurent, L. 1989. Use of satellite data and GIS for environmental change studies. Proceedings national conference on GIS, Ottawa, s. 933-943. Cohen, J. 1960. A coefficient of agreement for nominal scales. Educational and Psychological Measurement 20(1): 37-46. Conese, C. & Maselli, F. 1992. Use of error matrices to improve area estimates with maximum likelihood classification procedures. Remote Sensing of Environment 40: 113-124. Congalton, R. 1988. A comparison of sampling schemes used in generating error matrices for assessing the accuracy of maps generated from remotely sensed data. Photogrammetric Engineering and Remote Sensing 54(5): 593-600. 1991. A review of assessing the accuracy of classifications of remotely sensed data. Remote Sensing of Environment 37: 35^16. & Green, K. 1992. The ABCs of GIS. An introduction to geographic information system. Journal of Forestry 90(11): 13-20. & Mead, R. 1983. A quantitative method to test for consistency and correctness in photointerpretation. Photogrammetric Engineering and Remote Sensing 49(1): 69-74. & Mead, R. 1986. A review of three discrete multivariate analysis techniques used in assessing the accuracy of remotely sensed data from error matrices. lEEE Transactions of Geoscience and Remote Sensing GE-24: 169-174. , Oderwald, R. & Mead, R. 1983. Assessing Landsat classification accuracy using discrete multivariate analysis statistical techniques. Photogrammetric Engineering and Remote Sensing 49(12): 1671-1678. 39 Metsäntutkimuslaitoksen tiedonantoja 479 Cook, E., Iverson, L. & Graham, R. 1989. Estimating forest productivity with Thematic Mapper and biogeographical data. Remote Sensing of Environment 28: 131-141. Crain, I. & Mac Donald, C. 1983. From land inventory to land management: the evolution of an operational GIS. Julkaisussa: Wellar, B. (toim.). Proceedings of the sixth international symposium on automated cartography, Vol. 1: 41-50. Czaplewski, R. & Catts, G. 1992. Calibration of remotely sensed proportion or area estimates for misclassification error. Remote Sensing of Environment 39: 29-43. el Deen, M. 1991. The use of GIS, GPS and satellite remote sensing to map woody vegetation in Kazgail area, Sudan. ITC Journal 1991-1: 3-10. Dicks, S. & Lo, T. 1990. Evaluation of thematic map accuracy in a land-use and land-cover mapping program. Photogrammetric Engineering and Remote Sensing 56(9): 1247-1252. Dunn, R., Harrison, A. & White, J. 1990. Positional accuracy and measurement error in digital databases and land use: an empirical study. International Journal of Geographic Information Systems 4: 385-398. Dymond, J. 1992. How accurately do image classifiers estimate area? Inter national Journal of Remote Sensing 13(9): 1735-1742. Ehlers, M., Edwards, G. & Bedard, Y. 1989. Integration of remote sensing with Geographic Information Systems. Photogrammetric Engineering and Remote Sensing 55(11): 1619-1627. Eliasson, A. 1991. Integration of satellite remote sensing in a forestry oriented GIS. Scandinavian Journal of Forest Research 6(3): 413-423. Estes, J. 1992. Remote sensing and GIS integration: research needs, status and trends. ITC Journal 1992-1: 2-10. Fabbri, A. 1992. Remote sensing, geographic information systems and the environment: a review of interdisciplinary issues. ITC Journal 1992-2: 119-126. Fisher, P. & Lindenberg, R. 1989. On distinctions among cartography, remote sensing and geographic information systems. Photogrammetric Engineering and Remote Sensing 55(10): 1431-1434. Gibbons, G. 1992. The global positioning system as a complementary tool for remote sensing and other applications. Photogrammetric Engineering and Remote Sensing 58(8): 1255-1257. Ginevan, M. 1979. Testing land-use map accuracy: another look. Photo grammetric Engineering and Remote Sensing 45(10): 1371-1377. Green, K. 1992. Spatial Imagery and GIS. Integrated data for natural resource management. Journal of Forestry 90(11): 32-36. Griess, O. 1990. Die Forsteinrichtung. ein klassisches geographisches Informa tionssystem. Österreichische Forstzeitung 101(4): 12-14. Hay, A. 1979. Sampling designs to test land-use map accuracy. Photo grammetric Engineering and Remote Sensing 45(4): 529-533. Heist, M. van & Kooiman, A. 1992. Modelling fuelwood availability with GIS: a case study in Botswana. ITC Journal 1992-3: 277-284. Hord, R. & Brooner, W. 1976. Land-use map accuracy criteria. Photogrammetric Engineering and Remote Sensing 42(5): 671-677. Howard, J. 1991. Remote Sensing of Forest Resources. Theory and Applications. Chapman & Hall, London, First edition. 420 s. Hutchinson, C. 1982. Techniques for combining Landsat and ancillary data for digital classification improvement. Photogrammetric Engineering and Remote Sensing 48(1): 123-130. Häme, T. 1984. Landsat-aided forest site type mapping. Photogrammetric Engi neering and Remote Sensing 50(8): 1175-1183. 40 Mattila, E Jaakkola, S. 1990. Managing data for the monitoring of tropical forest cover: the Global Resource Information Database approach. Photogrammetric Engi neering and Remote Sensing 56(10): 1355-1357. Jackson, M., Thomas, I. & Stewart, N. 1986. Report of a workshop on geographical information systems held in London on 13 Sebtember 1985. International Journal of Remote Sensing 7(6): 745-755. Jordan, G. 1993. Forest management and GIS in New Brunswick (1982-1992). UNB Forestry Focus 18(1). 4 s. Lachowski, H., Maus, P. & Piatt, B. 1992. Integrating remote sensing with GIS. Procedures and examples from the Forest Service. Journal of Forestry 90(12): 16-21. Leckie, D. 1990. Advances in remote sensing for forest surveys and management. Canadian Journal of Forest Research 20(4): 464-483. Lucas, L., Janssen, F., Jaarsma, M. & van der Linden, E. 1990. Integrating topo graphic data with remote sensing for land cover classification. Photo grammetric Engineering and Remote Sensing 56(11): 1503-1506. Maclean, A., Reed, D., Mroz, G., Lyon, G. & Edison, T. 1992. Using GIS to estimate forest resource changes. A case study in northern Michigan. Journal of Forestry 90(12): 22-25. Mattila, E. 1985. The combined use of systematic field and photo samples in a large-scale forest inventory in North Finland. Seloste: Systemaattisen ilma kuva- ja maastonäytteen yhteiskäyttö laajan metsäalueen inventoinnissa Pohjois-Suomessa. Communicationes Instituti Forestalls Fenniae 131. 97 s. 1992. Valtakunnan metsien inventointi ja kaukokartoitus. Julkaisussa: Nikula, A., Varmola, M. & Lahti, M-L. (toim.). Metsäntutkimuspäivät Rovanie mellä 1992. Metsäntutkimuslaitoksen tiedonantoja 437: 16-38. Meyer, M. & Werth, L. 1990. Satellite data: management panacea or potential problem? Journal of Forestry 88(9): 10-13. Middelkoop, H., Miltenburg. J. & Mulder, N. 1989. Knowledge engineering for image interpretation and classification: a trial run. ITC Journal 1989-1: 27-32. Mulder, N. 1986. What, where, when..., why? Extracting information from remote sensing data. ITC Journal 1986-2: 145-155. Murai, S., Xi, M., Viseshsin, S., Takagi, M., Honda, Y., Ochi, S. & Togunaga, M. 1992. Recent advances in 3D applications of remote sensing and GIS in Japan. ITC Journal 1992-1: 55-58. Olesen, H. 1991. SPOT data in the digital mapping of danish forests. Scandinavian Journal of Forest Research 6(2): 227-242. Parker, D. 1988. The unique qualities of a geographic information system: a commentary. Photogrammetric Engineering and Remote Sensing 54(11): 1547-1549. Price, K., Pyke, D. & Mendes, L. 1992. Shrub dieback in a semiarid ecosystem: the integration of remote sensing and geographic information systems for detecting vegetation change. Photogrammetric Engineering and Remote Sensing 58(4): 455-463. Rosenfield, G. 1982. Sample design for estimating change in land use and land cover. Photogrammetric Engineering and Remote Sensing 48(5): 793-801. & Melley, M. 1980. Applications of statistics to thematic mapping. Photo grammetric Engineering and Remote Sensing 46(10): 1287-1294. Ryerson, R. 1989. Image interpretation concerns for the 1990s and lessons from the past. Photogrammetric Engineering and Remote Sensing 55(10): 1427-1430. Shasby, M., & Carneggie D. 1986. Vegetation and terrain mapping in Alaska using Landsat MSS and digital terrain data. Photogrammetric Engineering and Remote Sensing 52(6): 779-786. 41 Metsäntutkimuslaitoksen tiedonantoja 479 Singh, A. 1990. Integration of Landsat digital data and ancillary data for improving automated classification of forest lands. The Indian Forester 116(1): 30-36. Solntseva, O. & Tikunov, V. 1991. The status of geographic information systems in the USSR. ITC Journal 1991-1: 34-38. Sotkas. P., Laaksonen, J. ja Kuittinen, R. 1992. Satelliittikuvan tulkintatark kuuden määrittäminen. Geodeettinen laitos, tiedote 5. 46 s. Srinivasan, A. & Richards, J. 1990. Knowledge-based techniques for multi source classification. International Journal of Remote Sensing 11(3): 505-525. Stehman, S. 1992. Comparison of systematic and random sampling for estimat ing the accuracy of maps generated from remotely sensed data. Photo grammetric Engineering and Remote Sensing 58(9): 1343-1350. St-Laurent, L., Dyer, J., D'lorio, M., Mullins, D. & Cihlar, J. 1990. Ecological, climatological, and satellite data for vegetation monitoring. Julkaisussa: Proceedings 2nd national conference on GIS, Ottawa, Canadian Institute of Surveying and Mapping, s. 1553-1566. Story, M. & Congalton, R. 1986. Accuracy assessment: a user's perspective. Photogrammetric Engineering and Remote Sensing 52(3): 397-399. Susilawati, S. & Weir, M. 1990. GIS applications in forest land management in Indonesia. ITC Journal 1990-3: 236-244. Thunnissen, H., Jaarsma, M. & Schoumans, O. 1992. Land cover inventory in the Netherlands using remote sensing: application in a soil groundwater vulnerability assessment system. International Journal of Remote Sensing 13(9): 1693-1708. Treitz, P., Howarth, P. & Gong, P. 1992. Application of satellite and GIS technolo gies for land-cover and land-use mapping at the rural-urban fringe: a case study. Photogrammetric Engineering and Remote Sensing 58(4): 439^4-48. Valenzuela, C. & Baumgardner, M. 1990. Selection of appropriate cell sizes for thematic maps. ITC Journal 1990-3: 219-224. Verstappen, H. 1987. Remote sensing applications: an outlook for the future. ITC Journal 1987-2: 157-164. Winyoopradist, S. & Hunter, G. 1992. Issues confronting GIS implementation in Thailand. ITC Journal 1992-3: 295-297. Zhu, Z. & Evans, D. 1992. Mapping midsouth forest distributions. AVHRR satellite data and GIS help meet RPA mandate. Journal of Forestry 90(12): 27-30. Nikula, A., Ritari, A. & Lahti, M-L. (toim.). Paikkatiedon ja satelliittikuvainformaation käyttö metsäntutkimuksessa. Tutkimuspäivä Rovaniemellä 1993. Metsäntutkimuslaitoksen tiedonantoja 479: 42-51 42 Paikkatietojärjestelmien käyttö luonnon suojelualueiden perusselvityksissä - esimerkkinä Pallas-Ounastunturin kansallispuiston kasvillisuuskartoitus HEIKKI EERON HEIMO Metsäntutkimuslaitos, Rovaniemen tutkimusasema PL 16, 96301 Rovaniemi EMAIL Heikki.Eeronheimo@metla.fi Johdanto Luonnonsuojelualueiden perusselvityksiä käytetään alueen luon non suojelun suunnittelussa, alueen opastuksessa, hoidon ja käy tön suunnittelussa sekä tarkempien tutkimusten taustatietona. Perusselvityksistä esimerkkeinä mainittakoon eliölajiston ja kasvi yhdyskuntien kartoitukset, geologiset perusselvitykset, ilmastotie dot, maankäytön historian, kulttuurihistorian ja maisemallisesti arvokkaiden kohteiden selvitykset (Sippola 1989). Perusselvitykset ovat usein aikaavieviä ja kalliita. Suojelualueen runkosuunnitelmaa laadittaessa vähimmäisvaatimuksena voidaan pitää alueen kasvillisuuden ja linnuston suojelun kannalta keskei simpien kohteiden selvityksiä sekä uhanalaisten lajien mahdollis ten elinympäristöjen kartoitusta (Luonnonsuojelualueiden hoidon periaatteet 1991). Tarkempia selvityksiä tarvitaan erityissuunnitel mien laadinnan pohjaksi. Suunnitelmien tarkoituksena on suojelu alueen käytöstä aiheutuvien vaikutusten minimointi. Pääsääntöisesti perusselvitysten tekemisestä vastaa luonnon suojelualueen hoidosta vastaava viranomainen. Viranomainen voi joko teettää ne ulkopuolisella taholla tai tehdä ne itse. Viranomai sen velvollisuutena on kuitenkin ylläpitää tarpeellisia tietoja ja tie dostoja esim. hoitamiensa alueiden perusselvitysten tuloksista (Luonnonsuojelualueiden hoidon periaatteet 1991). Useissa perusselvityksissä käsitellään tietoa, joka liittyy tiettyyn maantieteelliseen paikkaan. Keskeisiä ovat mm. kasvillisuustyypit, kasvien kasvupaikat, lintujen pesäpaikat, historialliset kohteet, 43 Metsäntutkimuslaitoksen tiedonantoja 479 geologiset muodostumat sekä maa- ja kallioperä. Näistä kaikista kertyy laaja tietovarasto, jota on hankala hallita perinteisin mene telmin. Paikkatiedon hallintaan tarkoitetut ohjelmistot ovat ratkai su tähän ongelmaan. Pallas-Ounastunturin kansallispuiston kasvillisuuskartoitus Pallas-Ounastunturin kansallispuiston kasvillisuuskartoituksen maastotyöt aloitettiin vuonna 1987 puiston pohjoispäästä (Eeron heimo & Sippola 1992, Eeronheimo ym. 1992). Kuvioiden rajaus perusteena oli vallitseva kasvillisuustyyppi. Vallitsevan kasvilli suustyypin ohella kuvioilta kirjattiin pienialaiset kasvillisuustyypit ja myös muita puiston hoidon ja tutkimuksen suunnittelua palve levia tunnuksia. Kartoituksen menetelmistä on kerrottu tarkemmin julkaisuissa Eeronheimo & Sippola (1992) ja Eeron heimo ym. (1992). Kartoituksen maastotyöt saatiin valmiiksi kesällä 1992. Kartoit tajien määrä kesää kohti vaihteli kahdesta kolmeen ja työkuukau sien määrä kahdesta neljään. Kansallispuiston 510 km 2 alan kar toitukseen osallistui kuuden kartoitusvuoden kuluessa viisi henki löä ja kenttätyökuukausia kertyi noin 20. Keskimääräinen kartoi tusvauhti oli näin ollen 1,3 km 2 päivässä. Yhteensä puistosta kuvioitiin noin 4 000 kasvillisuuskuvioa. Metsäkarttaohjelmistosta paikkatietojärjestelmään Jo kartoitusta suunniteltaessa lähdettiin siitä, että kartta toteute taan numeerisena. Koska paikkatietojärjestelmiä ei ollut käytettä vissä kartoituksen alkuvaiheessa, kartta-aineiston tallennus aloi tettiin Nalle-metsäkarttaohjelmistolla vuonna 1988. Nalle-metsä karttaohjelmisto oli suunniteltu vektorimuotoisten karttojen, lähin nä metsätalouskarttojen, tallennukseen ja tulostukseen (Mäkeläi nen 1988, 1989). Tavoitteena oli, että aineisto olisi myöhemmin siirrettävissä kehittyneempiin paikkatietojärjestelmiin. Tiedon hallinnan helpottamiseksi kansallispuisto jaettiin viiteen karttalehteen, joilla kartoitettava pinta-ala vaihteli 62 km 2 :sta 122 km 2 :iin. Kartta-ohjelmistoa käytettiin digitointiin, pinta-alojen las kentaan ja teemakarttojen tulostukseen. Perusdigitointiin ohjelma soveltui melko hyvin. Digitointivirheiden paikallistaminen ja korjai lu oli kuitenkin hankalaa. Karttalehtien laajuuden ja laitteiston hitauden vuoksi ohjelman käyttö oli hidasta ja virhetilanteita syntyi usein. Kuitenkin ohjelmalla pystyttiin tulostamaan teema karttoja, joista esimerkkejä on nähtävissä mm. kartoituksen väli raportissa (Eeronheimo ym. 1992). 44 Eeronheimo, H Vuonna 1991 Rovaniemen tutkimusasemalle hankittiin moni puolinen paikkatieto-ohjelmisto, ARC /INFO. Nallella digitoitu aineisto, kolmen karttalehden kasvillisuuskuvioiden rajat, siirret tiin ohjelmistolle vuoden 1992 keväällä. Tällöin luovuttiin myös Nalle-metsäkarttaohjelmiston käytöstä. Karttalehtien suuren koon vuoksi Nalle-aineistoon oli jäänyt paljon virheitä, joten aineistojen tarkistukseen kului runsaasti aikaa. Vuoden 1992 aikana suunni teltiin järjestelmän perusrakenne ja aloitettiin digitointi uudella ohjelmistolla. Vuoden 1993 aikana kehitetään karttatulosteita ja analyysimenetelmiä. Kasvillisuustietojärjestelmä Pallas-Ounastunturin kansallispuiston kasvillisuustietojärjestelmä koostuu paikkatieto-ohjelmistolla ylläpidettävästä karttatiedosta ja relaatiotietokantaan tallennetuista karttatietoon yhdistettävissä olevista ominaisuustiedoista. Kartan pohja-aineisto koostuu kan sallispuiston rajoista, puiston sisään jäävien yksityispalstojen rajoista, kuntien rajoista, teistä, järvistä sekä joista ja puroista, jotka on tallennettu karttatietokantaan omiksi kerroksikseen (kuva 1). Itse kasvillisuuskuvioinnissa käytetään hyväksi puiston rajoja ja vesistöjä. Kasvillisuuskartan karttalehtijako säilytettiin tietojen hallinnan helpottamiseksi. Karttalehtikohtainen kuvio määrä on 700-1 100 (sisältää vesistöt). Kuviot ovat yksilöitävissä kuvionumeron perusteella koko puiston alueella. Kasvillisuuskarttaan liittyvä ominaisuustieto on tallennettu paikkatieto-ohjelmiston ulkopuoliseen relaatiotietokantaan (kuva 2). Ominaisuustietoja ovat kuvion perustiedot (mm. kartoituspäivä määrä, paikan nimi, kartoittaja), kasvillisuustiedot (kasvillisuus tyyppi/-tyypit, kasvupaikkaryhmä, suoyhdistymätyyppi), puusto tiedot (puuston pohjapinta-ala, valtapuiden keskipituus, puulaji kohtaiset latvuspeittävyydet) ja muut tiedot (mm. epifyyttijäkälien runsaus, maaston kuluneisuus, tuulenkaatojen runsaus, havain not). Lisäksi tietokantaan on tallennettu tiedot käytetyistä luoki tuksista, kasvillisuustyyppien kuvauksia ja kasvillisuustyyppien ilmentämiä tekijöitä (esim. ravinteisuus, kosteus). Paikkatieto-ohjelmiston avulla karttatieto ja relaatiotietokannan ominaisuustiedot ovat yhdistettävissä toisiinsa kuvion numeron perusteella. Vaikka ohjelma pystyy käyttämään suoraan ulkopuoli sen tietokannan tietoja, tietohakujen helpottamiseksi ominaisuus tiedot on kuitenkin vielä tässä vaiheessa koottu yhteen ja muun nettu paikkatieto-ohjelmiston oman tietokannan tiedostoiksi. Var sinaisena ominaisuustietovarastona käytetään kuitenkin ulkopuo lista tietokantaa. Ominaisuustietoja käytetään hyväksi teemakart tojen tulostuksessa ja tietojen analysoinnissa. 45 Metsäntutkimuslaitoksen tiedonantoja 479 Kuva 1. Esimerkkejä kansallispuiston alueen paikkatiedoista. Eri karttakerrokset on ero tettu kuvassa tähdillä. Kasvillisuuskartoitushankkeessa kerättyä tietoa ovat kasvilli- ja lähteet, muu tieto on digitoitu olemassaolevilta kartoilta tai ostettu. 46 Eeronheimo, H. Kuva 2. Relaatiotietokantaan tallennetut kasvillisuuskuvioihin yhdistettävissä olevat kuvioiden ominaisuustiedot. Ominaisuustietoihin yhdistettävissä olevat tiedot (esim. luokitukset ja kuvaukset) on esitetty paksun viivan rajaaman alueen ulkopuolella. Järjestelmän käyttö kasvillisuuskartoitushankkeessa Tähän mennessä ohjelmistoja on käytetty lähinnä järjestelmän tie tovaraston kokoamiseen. Ominaisuustietojen tallennus tehdään normaaleilla editoreilla tekstitiedostoiksi, joista muokataan ohjel mallisesti tietokantaan syötettävät tiedostot. Tallennuksen jälkeen tietoja voidaan muuttaa suoraan tietokannassa siihen tehdyn yllä pitosovelluksen avulla. Kasvillisuuskarttojen tulostusasun suunnittelu on aloitettu vuonna 1993. Rovaniemen tutkimusasemalle on hankittu väri kopiokone, johon yhdistetyn prosessorin avulla sillä voidaan tulos taa myös grafiikkatiedostoja. Tulostimen hyvänä puolena voidaan pitää tulostuksen nopeutta, tulosteiden värien suurta määrää ja värien vedenkestävyyttä. Haittapuolena on kuitenkin tulosteiden pienehkö koko (A 3). Järjestelmän avulla karttoja voidaan tulostaa halutulla teemoituksella, halutuilta alueilta ja halutussa mittakaa vassa käyttötarkoituksen tarpeiden mukaisesti. Karttojen ulko asun suunnittelu vie kuitenkin runsaasti aikaa. Tästä syystä puis tosta suunnitellaan vakiokarttasarjat kolmeen eri mittakaavaan. Kasvillisuuskarttojen perussarja suunnitellaan mittakaavaan 1 : 20 000, jolloin yhdelle A3-arkille tulostetaan neljännes topo graflkarttalehden alueesta (25 km 2 ). Tässä mittakaavassa 38 karttalehteä kattaa koko puiston alueen (kuva 3). Mittakaavassa 45 Metsäntutkimuslaitoksen tiedonantoja 479 Kuva 1. Esimerkkejä kansallispuiston alueen paikkatiedoista. Eri karttakerrokset on ero tettu kuvassa tähdillä. Kasvillisuuskartoitushankkeessa kerättyä tietoa ovat kasvilli suuskuviointi ja lähteet, muu tieto on digitoitu olemassaolevilta kartoilta tai ostettu. 46 Eeronheimo, H, Kuva 2. Relaatiotietokantaan tallennetut kasvillisuuskuvioihin yhdistettävissä olevat kuvioiden ominaisuustiedot. Ominaisuustietoihin yhdistettävissä olevat tiedot (esim. luokitukset ja kuvaukset) on esitetty paksun viivan rajaaman alueen ulkopuolella. Järjestelmän käyttö kasvillisuuskartoitushankkeessa Tähän mennessä ohjelmistoja on käytetty lähinnä järjestelmän tie tovaraston kokoamiseen. Ominaisuustietojen tallennus tehdään normaaleilla editoreilla tekstitiedostoiksi, joista muokataan ohjel mallisesti tietokantaan syötettävät tiedostot. Tallennuksen jälkeen tietoja voidaan muuttaa suoraan tietokannassa siihen tehdyn yllä pitosovelluksen avulla. Kasvillisuuskarttojen tulostusasun suunnittelu on aloitettu vuonna 1993. Rovaniemen tutkimusasemalle on hankittu väri kopiokone, johon yhdistetyn prosessorin avulla sillä voidaan tulos taa myös grafiikkatiedostoja. Tulostimen hyvänä puolena voidaan pitää tulostuksen nopeutta, tulosteiden värien suurta määrää ja värien vedenkestävyyttä. Haittapuolena on kuitenkin tulosteiden pienehkö koko (A 3). Järjestelmän avulla karttoja voidaan tulostaa halutulla teemoituksella, halutuilta alueilta ja halutussa mittakaa vassa käyttötarkoituksen tarpeiden mukaisesti. Karttojen ulko asun suunnittelu vie kuitenkin runsaasti aikaa. Tästä syystä puis tosta suunnitellaan vakiokarttasarjat kolmeen eri mittakaavaan. Kasvillisuuskarttojen perussarja suunnitellaan mittakaavaan 1 : 20 000, jolloin yhdelle A3-arkille tulostetaan neljännes topo grafikarttalehden alueesta (25 km 2 ). Tässä mittakaavassa 38 karttalehteä kattaa koko puiston alueen (kuva 3). Mittakaavassa Metsäntutkimuslaitoksen tiedonantoja 479 47 1 : 50 000 yhdelle arkille mahtuu yksi viidestä kasvillisuuskartan tallennuksessa käytetystä karttalehdestä ja mittakaavassa 1 : 100 000 koko puisto (kuva 3). Pienimittakaavaisia tulosteita käytetään teemakartoissa, joissa yksityiskohtia on vähemmän kuin kasvillisuuskartassa ja joiden tarkkuusvaatimus ei ole suuri. Koska tietoa tullaan ylläpitämään jatkuvasti, kartoista on tulostet tavissa aina tuorein versio ja myös haluttu määrä kopioita. Järjes telmää käytetään myös kasvillisuustietojen havainnollistamiseen yhdistämällä tiedot maastomalliin (kuva 4). Järjestelmän avulla lasketaan perusanalyysinä kuviokohtaiset ja ominaisuuskohtaiset pinta-alat. Lisäksi tutkitaan mm. kasvilli suustyyppien ja metsänrajan sijoittumista topografisten tekijöiden suhteen ja kasvillisuustyyppien diversiteettiä erikokoisilla osa alueilla. Järjestelmän muita käyttömahdollisuuksia Kasvillisuuskuvointi tulee tässä vaiheessa muodostamaan kansal lispuiston paikkatietojärjestelmän peruskuvioinnin. Kartoituksen yhteydessä on digitoitu myös muuta kansallispuiston ja sen lähi alueen paikkatietoa, kuten alueen reitistö, palvelut (autiotuvat, nuotiopaikat, jne.) ja puiston osa-aluejaot. Lisäksi järjestelmästä käsin on käytettävissä mm. alueen maastomalli ja Landsat TM satelliittikuva (kuva 1). Järjestelmään on tarkoitus liittää myös mm. eläinten ja kasvien havaintotietoja, ilmasto-, maaperä- ja kallioperätietoja. Tärkeimmät järjestelmän käyttöalueet tulevat olemaan tutkimus ja opastus. Aineistoa on käytetty mahdollisten koealueiden etsin nässä, mihin se antaakin erinomaiset mahdollisuudet. Kasvilli suusaineistoa on myös mahdollista käyttää vertailuaineistona mm. tutkittaessa satelliittikuvien käyttömahdollisuuksia kasvillisuus kartoituksissa (Mosbech & Hansen 1992). Yhdistämällä kasvilli suusaineistoon kasvi- ja eläinlajien esiintymistietoja voidaan muo dostaa biodiversiteettitietokanta (Stoms ym. 1992). Eläinten elin ympäristöjen mallintaminen on mahdollista yhdistämällä eläinten havaintotiedot esim. kasvillisuus-, korkeus-, ilmasto- ym. tietoihin (Pereira & Itami 1991, Aspinall 1992). Kokoamalla tarkat perustie dot ja järjestämällä ne käyttökelpoiseen muotoon paikkatietojärjes telmäksi METLA tarjoaa myös laitoksen ulkopuolisille tutkijoille hyvät tutkimusedellytykset luonnonsuojelualueillaan. Opastustoiminnassa järjestelmää on käytetty opastuskarttojen teossa. Sitä voidaan käyttää myös muun opastusmateriaalin laa dinnassa ja vaikkapa opastustoimintaan kehitettävien multimedia sovellusten tarvitsemana tietovarastona. Kertynyttä tietoa ja järjes telmää on tarkoitus hyödyntää myös kansallispuiston hoito- ja käyttösuunnitelman teossa. 48 Eeronheimo, H. Kuva 3. Kansallispuistosta tehtävien eri mittakaavaisten vakiokarttojen karttalehtijaot. Yhdelle A3-arkille tulostettava alue on esitetty ristiviivoituksella. 49 Metsäntutkimuslaitoksen tiedonantoja 479 Kuva 4 Yhdistämällä kuviotiedot määstomälliio voidään t.hdä perspektiivikö.» aloeen """ kBak ° S ' a Teemoituksessa kuvataan alueen kasvillisuuden yleispiirteitä. Lisäksi kuvaan on piirretty korkeuskäyrät 50 m valein. 50 Eeronheimo, H Lopuksi Kasvillisuuskartoitushankkeen alkaessa tavoitteena oli numeeri nen kasvillisuuskartta Pallas-Ounastunturin kansallispuistosta. Uusien ohjelmistojen hankinnan myötä tavoitteet tullaan ylittä mään ja tuloksena saadaan kasvillisuustietojärjestelmä, johon on talennettuna myös muuta kasvillisuuteen liittyvää tietoa. Tietojärjestelmän käyttöä haittaa yksi paikkatiedon käyttöön yleisestikin liittyvä ongelma: käyttäjäystävällisen käyttöliittymän puute (Mark & Gould 1991). Tästä syystä paikkatieto-ohjelmistojen käyttö, niin myös Pallas-Ounastunturin kansallispuiston kasvil lisuustietojärjestelmän käyttö, vaatii pitkälle erikoistunutta henki lökuntaa. Käyttöliittymä voidaan kuitenkin ohjelmoida itse, mutta resurssien pienuuden vuoksi tähän ei kartoitushankkeessa ole ollut mahdollisuuksia. Kaikkia luonnonsuojelualueiden perusselvityksiä suunniteltaes sa olisi otettava huomioon nykyaikaisen tietojenkäsittelyn mahdol lisuudet. Aineiston keräys on suunniteltava siten, että se on tallen nettavissa numeeriseen muotoon. Osana selvitystä tulee olla paik kaan sidotun aineiston tallennus alueen paikkatietojärjestelmään. Itse selvityksen saama hyöty paikkatietojärjestelmästä ei välttä mättä aina ole merkittävää (esim. karttatulosteet). Kuitenkin alu een hoidosta vastaava viranomainen saa perusselvityksistä par haan mahdollisen hyödyn, mikäli kaikkien selvitysten aineistot tal lennetaan samaan järjestelmään. Tällöin niitä voidaan yhdistellä toisten jo tehtyjen ja myös tulevaisuudessa tehtävien selvitysten kanssa. Kirjallisuus Aspinall. R.J. 1992. Bioclimatic mapping - extracting ecological hypotheses from wildlife distribution data and climatic maps through spatial analysis in GIS. Julkaisussa: GIS/LIS 92 Annual Conference and Exposition, November 10- 12, San Jose, California, Vol. I: 30-39. Eeronheimo, H. & Sippola, A-L. 1992. Pallas-Ounastunturin numeerinen kasvil lisuuskartta. Julkaisussa: Nikula, A., Varmola, M. & Lahti, M-L. (toim.). Met säntutkimuspäivät Rovaniemellä 1992. Metsäntutkimuslaitoksen tiedonanto ja 437: 102-111. , Virtanen, R., Sippola, A-L., Sepponen, P., Salmela, S. & Pikkupeura, R. 1992. Pallas-Ounastunturin kansallispuiston kasvillisuus - Ounastunturin Pyhäkeron alue. Metsäntutkimuslaitoksen tiedonantoja 427. 119 s. Luonnonsuojelualueiden hoidon periaatteet 1991. Metsähallitus, Metsäntutki muslaitos. Luonnosmoniste 15.10.1991. 44 s. Mark, D.M. & Gould, M.D. 1991. Interacting with Geographic Information System: A Commentary. Photogrammetric Engineering & Remote Sensing 57(11): 1427-1430. Mosbech, A. & Hansen, B.U. 1992. Comparative vegetation mapping in Jameson Land, Eastgreenland, using LANDSAT TM and SPOT satellite data compared with classical mapping using false IR-airphotos and ground truthing. Julkai- 51 Metsäntutkimuslaitoksen tiedonantoja 479 sussa: Second Circumpolar Symposium on Remote Sensing of Arctic Environments, Tromso, May 4-6, 1992. Abstracts. The Roald Amundsen Centre for Arctic Research, University of Tromso. s. 69. Mäkeläinen, J. 1988. Nalle metsäkarttaohjelmiston tekninen käsikirja. Nalle opas osa 11, luonnos. Nalle v. 4.2 (C) Mh/Metla/Mmh 1988. Moniste. Metsä hallitus. Helsinki. 25 s. 1989. Nalle metsäkarttaohjelmiston opas. Osa I. Nalle v. 4.2. (C) Mh/Metla/Mmh 1988. Moniste. Metsähallitus. Helsinki 42 s. + 5 liites. Pereira, J.M.C. & Itami, R.M. 1991. GIS-Based Habitat Modeling Using Logistic Multiple Regression: A Study of the Mt. Graham Red Squirrel. Photogrammetric Engineering & Remote Sensing 57(11): 1475-1486. Sippola, A-L. 1989. Suojelualueiden hoidon ja käytön tutkimustarpeet. Research needs for management of protected areas. Julkaisussa: Poikajärvi, H., Sepponen, P. & Varmola, M. (toim.). Tutkimus luonnonsuojelualueilla. Research activities on the nature conservation areas. Folia Forestalia 736: 12-17. Stoms, D.M., Davis, F.W., Stine, P.A. & Borchert, M. 1992. Beyond the tradi tional map towards a biodiversity database. Julkaisussa: GIS/LIS 92 Annual Conference and Exposition, November 10-12, San Jose, California, Vol. II: 718-726. Nikula, A., Ritari, A. & Lahti, M-L. (toim.). Paikkatiedon ja satelliittikuvainformaation käyttö metsäntutkimuksessa. Tutkimuspäivä Rovaniemellä 1993. Metsäntutkimuslaitoksen tiedonantoja 479: 52-61 52 Satelliittikuvien käyttö ympäristö muutoksen osoittajana - esimerkkinä Montsegorskin metsätuhoalue KARI MIKKOLA Metsäntutkimuslaitos, Rovaniemen tutkimusasema PL 16, 96301 Rovaniemi EMAIL Kari.Mikkola@metla.fi Johdanto Uudet kaukokartoitusmenetelmät, erityisesti luonnonvaratutki mussatelliitit (LANDSAT, SPOT, NOAA AVHRR) ovat viime vuosina parantaneet suuralueiden ympäristömuutosten seurannan mah dollisuuksia ratkaisevasti (Lillesand & Kiefer 1987, Campbell 1987). Kartoitussatelliitit kiertävät maapalloa säännöllisin väli ajoin, ja saman satelliitin kuvamateriaali on tietyin toimenpitein keskenään kohtalaisen vertailukelpoista. Eriaikaisen kuvamateri aalin vertailuanalyyseillä voidaan usein kiistatta osoittaa mm. kas villisuusmuutokset - paitsi vuotuinen fenologinen vaihtelu, myös pitemmät trendit (Singh 1989). Erityisesti ihmistoiminnan aikaan saamat muutokset (trooppisten metsien hävitys, aavikoituminen, saastetuhot) on mahdollista kartoittaa kokonaisuuksina riippu matta hallinnollisista rajoista ja rajoituksista. Eriaikaisten satelliittikuvien välisen ajallisen vaihtelun voidaan päätellä koostuvan seuraavista komponenteista: 1) ilmakehän tilasta johtuvat erot, 2) kuvan rekisteröimisajankohdasta johtuvat erot (auringon kulma), 3) maaperän ja kasvillisuuden kosteudesta johtuvat erot sekä 4) ihmistoiminnasta (saasteet, metsien käsittely) tai luontaisista muutosprosesseista (metsäpalot) johtuvat erot maapinnan heijastamassa säteilyssä (Häme 1991). Tutkimukselli nen mielenkiinto kohdistuu useimmiten viimeksimainittuun kom ponenttiin. Muutosanalyysin tavoitteeksi voidaan määritellä tutki musongelman kannalta oleellisen tiedon eristäminen muusta eri aikaisen kuvadatan sisältämästä ajallisesta ja spatiaalisesta vaih telusta. 53 Metsäntutkimuslaitoksen tiedonantoja 479 Kasvillisuus säteilyn heijastajana ja absorboijana Auringon säteilyn energiamäärä on suurimmillaan aallonpituus välillä 700 -1 500 nm, joka osuu näkyvän valon ja lämpösäteilyn (infrapuna) välialueelle. Lehvästö absorboi ja heijastaa säteilyä sille ominaisella tavalla: yhteyttämispigmentit imevät tehokkaasti pu naista ja sinistä aallonpituutta ja hieman vähemmän vihreää. Infrapunan absorbointi ja muuntuminen lämmöksi edellyttäisi kasveilta tehokasta jäähdytysjärjestelmää. Infrapunasäteily kuiten kin sekä läpäisee kasvisolukon että heijastuu tehokkaasti takaisin, jolloin lämpöongelmilta vältytään (Zonneveld 1988 b). Kasvillisuuden tilan mittarina on usein käytetty punaisen ja lähi-infran suhdetta, joka yksittäisiä allonpituusalueita paremmin ilmentää solukossa ja yhteyttämispigmenttien määrissä tapahtuvia muutoksia. Pienikin muutos vihreästä ruskeaan muuttaa suhdet ta, ja esim. satelliittikuvista voidaan tällä menetelmällä paikantaa elinvoimaisuudeltaan alentunut kasvillisuus tai tuleentuvat vilja pellot. Yleisesti käytetty suhdeindeksi on NDVI, Normalised Differ ence Vegetation Index (ks. esim. Vogelmann 1990): lähi-infra - punainen / lähi-infra + punainen Eriaikaisista satelliittikuvista voidaan määrittää vastaavasti lähi-infran ja punaisen valon suhteiden (kasvillisuusindeksien) avulla kasvillisuuden tilassa tapahtuneita muutoksia (Eastman & McKendry 1991). Paitsi kasvillisuuden kuntoa, voidaan lähi-infran ja näkyvän valon heijastuksen avulla erotella esim. lehti- ja havupuuvaltaista kasvillisuutta (Päivinen & Rautiainen 1990). Lehtipuun lehden ohuen kutikulan eristämä solukko heijastaa lähi-infraa huomatta vasti havupuun paksukutikulaista neulasta tehokkaammin. Muutosanalyysin menetelmistä Satelliittikuvilta tapahtuvan muutosanalyysin vaiheita voivat olla eriaikaisten kuvien spatiaalinen korjaus, so. muuntaminen geo metrisesti yhteensopiviksi, spektrinen korjaus, so. säteilyarvo jakaumien yhteismitallistaminen, erojen eristäminen, johon on käytettävissä laaja kirjo tilastollisia ja monimuuttujamenetelmiä, erojen luokittelu ja tulkinta sekä lopuksi tulosten jalostus rapor teiksi ja karttatulosteiksi (Mulder 1988, Zonneveld 1988 a). Kaavio analyysin vaiheista on esitetty kuvassa 1. 54 Mikkola, K. Kuva 1. Esimerkki satelliittikuvilta tehtävän muutosanalyysin työvaiheista 55 Metsäntutkimuslaitoksen tiedonantoja 479 Spatiaalinen korjaus Eriaikaisten kuvien vertailu edellyttää vastinkuvaelementtien (pik selien) hyvin tarkkaa geometrista kohdistamista. Keskimääräisen kohdistusvirheen tulisi jäädä alle puoleen pikselin koosta, jotta kuvien erotusinformaatio kuvaisi todellista muutosta maastossa eikä erilaisesta kuvageometriasta johtuvaa eroa. Käytännössä koh distaminen suoritetaan etsimällä eriaikaisista kuvista joukko täs mällisesti määritettäviä maastonkohtia, esim tienristeyksiä, ja muodostamalla tämän pistejoukon avulla oikaisuun tarvittava funktio. Kuvankäsittelyohjelmistoissa tämä toiminto on melko pit källe automatisoitu. Oikaisun onnistumista voi testata tarkastele malla, esiintyykö vastinkuvista lasketussa erotuskuvassa, erityi sesti rajapinnoissa, systemaattista kohdistusvirhettä. Spektrinen korjaus Eriaikaisten kuvien spektrisiin eroihin vaikuttaa vahvasti esim. ilmakehän tilan vaihtelu. Ilman kosteus- ja pölypitoisuus ovat tär keimpiä vaikuttajia. Myös auringon kulma, maaperän kosteus ja kasvillisuuden vuodenaikainen kehitysaste ovat tärkeitä. Vertailta vien satelliittikuvien tulisi olla peräisin mahdollisimman tarkoin saman kasvukauden vaiheesta, ellei tarkoituksena ole nimen omaan kehitysasteen vertailu. Spektriset erot saman kuva-alan eri ajankohtien rekisteröintien välillä voivat olla luonteeltaan intensiteetistä riippumattomia (off set) tai intensiteetistä riippuvia (gain). Yksinkertaisimmin korjaus voidaan tehdä intensiteetistä riippumattomalle erolle korjaamalla jakaumaa heijastusarvojen keskiarvojen erotuksen suuruisella korjaustermillä. Intensiteetistä riipuva korjaus tehdään vastaavasti kertomalla korjattavat arvot lukujoukkojen välisen regressiosuoran kulmakertoimella. Käytännössä em. operaatiot suoritetaan laske malla kuvien väliset regressioyhtälöt kullekin kanavalle ja yhteis mitallistamalla kuvat näiden suoraviivaisten riippuvuusfunktioiden avulla. Jos muutosanalyysin kohteena on tietty maantieteellisesti määritelty alue, esim. teollisuuslaitoksen ympäristö, korjaus on laskettava "taustasta", so. todennäköisesti muuttumattomalta alu eelta. Jos taas kohteena on koko kuva-alan kasvillisuus, ilma kehän vaikutusta voidaan eliminoida korjaamalla heijastusarvoja esim. kirkasvetisten ja syvien vesialueiden pikseliarvojen perus teella. Jos regressiomenetelmää käytetään erojen tilastolliseen testaa miseen, on otettava huomioon kuvaelementtien vahva autokorre laatio, so. lähekkäisten elementtien arvot ovat vahvasti toisistaan 56 Mikkola, K. riippuvia. Tällöin myös regression residuaaliarvot voivat olla vah vasti autokorreloituneita, joka sotii menetelmän perusteita vastaan (Eastman & McKendry 1991). Ongelmasta selvitään summaamalla vierekkäisiä pikseleitä, kunnes autokorrelaatio vähenee. Erojen eristäminen Vertailukelpoisiksi saatettujen kuvien erojen tarkasteluun on tar jolla runsas joukko eritasoisia menetelmiä. Yksinkertaisin on kanavaerotusten tarkastelu, jolloin vastinpikselien erotuksista muodostettu kuva jo kertoo ainakin selkeät eroavaisuudet. Jos pai noa halutaan antaa enemmän alhaisille intensiteettiarvoille, voi daan vastaavasti yksinkertaisella jakolaskulla laskea eri vuosien vastinkanaville suhdearvot. Tehokkaampi tapa on laskea kasvillisuusindeksien erotuksia, joiden tulkinta voi olla helpompaa. Jos halutaan rajata tilastollises ti merkitsevä muutos esim. kasvillisuusindeksien erotuksen avulla, voidaan käyttää ns. kynnysarvomenetelmää (kuva 2). Erotuskuval le lasketaan keskiarvo ja keskihajonta, ja kuvasta rajataan esim. yli kahden hajontayksikön päässä keskiarvosta olevat erotusarvot. Jos erotuksen jakauma on normaali, voidaan ao. pikselien päätellä olevan tilastollisesti merkitsevästi muuttuneita ja ilmentävän siten maanpinnalla tapahtunutta muutosta. Kuva 2. Kynnysarvomenetelmä erotuksen luokittelussa. Yli ja alle 2 hajontayksikköä kes kiarvosta poikkeavat erotukset voidaan katsoa merkitseväksi muutokseksi. 57 Metsäntutkimuslaitoksen tiedonantoja 479 Monimutkaisemmista menetelmistä voidaan mainita muutos vektorianalyysi, jolla voidaan tarkastella useampien kuin kahden kuvan sisältämää muutoksen suuntaa ja rakennetta. Pääkompo nenttianalyysillä voidaan tehokkaasti etsiä kahden tai useamman kuvan useiden kanavien sisältämästä moniulotteisesta informaati osta ajallista vaihtelukomponettia. Pääkomponenttianalyysi toimii varianssia maksimoiden: ensimmäinen komponentti kuvaa suu rimman varianssin mukaan asetetulle suoralle projisoituja pikseli arvoja, ja tulkitaan käytännön analyyseissä useimmiten termillä "kirkkaus", eli kanaville yhteinen heijastusintensiteetti. Toinen komponentti ("vihreys") on edellisestä lineaarisesti riippumaton, ja käytännössä useimmiten kuvaa kasvipeitteen määrää. Muutosana lyyseissä, joissa eriaikaiset kuvat on yhdistetty pääkomponentti analyysin syötteeksi, kolmas, edellisistä riippumaton komponentti voi sitten kuvata ajallista muutosta. Parhaassa tapauksessa tulos on selvä ja herkästi muutosta indikoiva, mutta voi sisältää myös menetelmästä johtuvia vääristymiä. Monimuuttujamenetelmiin luetaan myös erityypiset ryhmittely analyysit, joilla pikselit kategorisoidaan tietyillä vhtäläisyyskritee reillä luokiksi. Eri ajankohtien spektrisesti mahdollisimman perus teellisesti yhteismitallistetut kuvat luokitellaan, ja vastinpikselei den luokkaeroja ristiin taulukoidaan. Etuna on suoraan saatava kvantifioitu informaatio, esim. kuinka suuri pinta-ala metsää tie tyllä alueella on palanut tai hakattu. Toisaalta tuloksen luotetta vuus riippuu täysin kuvien vertailukelpoisuudesta, eikä usein ole ilman perusteellista maastotarkastusta riittävä. Lisäksi kuvasta lasketut spektriset luokat eivät läheskään aina vastaa maan pin nalla käyttökelpoisia luokituksia (Singh 1989). Erojen tulkinta ja tulosten oikeellisuus Ympäristömuutosten tulkinta satelliittikuvien avulla on nuori tut kimushaara. Menetelmät ovat vakiintumattomia, ja tutkimus on usein vielä pioneerityön luonteista. Esimerkiksi kynnysarvoanalyy sien raja-arvojen valintaan ei ole juurikaan käytettävissä a priori -tietoa (Eastman & McKendry 1991). Muutoksen "merkitsevyys" on vaikeasti määriteltävä käsite. Tärkeintä on erottaa luotettavalla marginaalilla kuvien kohdistuksesta, geometrisistä virheistä, ilma kehän eroista, satelliittien kuvakeilainten epästabiilisuudesta ym. johtuva kohina varsinaisesta signaalista, maanpinnan heijasteen muutoksesta. Kuvatulkinnan luotettavuustarkastelun tueksi olisi aina oltava käytettävissä maasto tukiaineisto. Kvantitatiivinen luotettavuustar kastelu on jäänyt useissa viime aikojen tutkimuksissa puuttelli seksi (Singh 1989). Käytettävissä olevat resurssit ovat usein rajalli set ja ekstensiivinen maastotyö (esim. systemaattinen otanta) on kallista. 58 Mikkola, K. Maastoaineiston ja kuvatulkinnan tulosten ristiintaulukoinnista voidaan johtaa testisuure, ns. K-kerroin (kappa), jonka arvoa voi daan tarkastella esim. valittaessa optimaalisia kynnysarvoja. Esimerkki Montsegorskin ympäristömuutoksesta 1985-1989 Itä-Lapin metsävaurioprojektin kaukokartoitusosahankkeessa (Tik kanen & Varmola 1990, Mikkola & Ritari 1992 a, Mikkola & Ritari 1992 b) on alustavasti tarkasteltu Montsegorskin alueen ympäris tön muutosta LANDSAT-5 kuvamateriaalin (1985 ja 1989, kuva koodi 188-12) avulla (kuva 3). Aluksi kuvat kohdistettiin (spatiaalinen korjaus) 12 kontrollipis teen avulla, jotka valittiin selvästi kummaltakin kuvalta paikannet tavista maastonkohdista. Oikaisun onnistumista mittaava RMS testisuure (Residual Mean Square) sai arvon 0.4 pikseliä, eli geo metrinen virhe jäi alle puolen pikselin. Lineaarista kohdistusta hienosäädettiin vielä erotuskuvien silmävaraisen tarkastelun poh jalta. Regressiokorjausta varten kuva-alueen länsiosasta, Tuloma järven ja Suomen rajan väliseltä oletetulta tausta-alueelta rajattiin analyysin kohdealue. Saaduilla regressioyhtälöillä kuvat korjattiin spektrisesti vertailukelpoisiksi. Montegorskin ympäriltä rajattiin seuraavaksi n. 120 x 130 km kokoinen ikkuna varsinaisen muutosanalyysin kohteeksi. Eri kanavien erotuksia tarkasteltiin silmämääräisesti. Joitakin palo alueita, hakkuita ja rakennustoiminnan jälkiä lukuunottamatta erotuskanavilta ei voinut kovin hyvin paikantaa muutoksia. Olenogorskin avolouhosten kaivosten sivukivikasojen kasvu erottui mielenkiintoisena yksityiskohtana selvästi. Kasvillisuusindeksien erotuksesta laadittiin luokittelu yhden ja kahden hajontayksikön kynnysarvoilla (kuva 4). Luokittelun tuloksesta ei voi selvästi osoit taa tuhoalueen laajenemista; Montsegorskin etelä- ja lounaispuo lella näyttää tapahtuneen jonkinlaista laikuttaista taantumista, mutta pohjoispuolella ei ole havaittavissa erityisiä muutoksia. Kohonneita indeksiarvoja (positiivinen muutos) on havaittavissa erityisesti tunturialueilla. Tämä voi johtua kuvien rekisteröintiajan kohtien (9.7.1985 ja 5.8.1989) välisistä fenologiaerosta. Tunturi kasvillisuus lienee lyhyen kasvukautensa takia heijastukseltaan nopeasti muuttuvaa ja siten fenologiaerojen suhteen kriittistä. 59 Metsäntutkimuslaitoksen tiedonantoja 479 Kuva 3. Montsegorskin ympäristömuutoksen tarkastelussa käytetyt LANDSAT 5 -satelliitti kuvat vuosilta 1985 ja 1989. Sininen = kanava 1 (0.45-0.52 pm), vihreä = kanava 4 (0.76-0.90 pm), punainen = kanava 6 ( 10.4-12.5 pm). Tuhoalue erottuu punaisena läikkänä Montsegorskin pohjois- ja eteläpuolella. Siniset alueet ovat pilviä, kirkkaan vihreät lehtipuuvaltaista kasvillisuutta ja violetit korkeita tuntureita. 60 Mikkola, K. Kuva 4. Kynnysarvomenetelmällä luokiteltu v. 1985 ja 1989 kasvillisuusindeksien erotus Alustavista analyyseistä ei vielä voida tehdä johtopäätöksiä tuhon etenemisnopeudesta. Todennäköisesti saasteiden aiheutta ma muutos latvusten ja pintakasvillisuuden kunnossa ei ole selvä rajainen, vyöhykkeenä etenevä prosessi, vaan laaja-alainen, liuku varajainen ja mosaiikkimainen ilmiö, jonka luotettava osoittaminen ja eristäminen vaatii pitemmän aikasarjan havaintoja. Tulosten luotettavuustarkastelua vaikeuttavat seuraavat seikat: 1. Kunnollisia karttoja ei ole ollut käytettävissä Venäjän puolelta, jolloin maastohavaintojen paikannus on tehty satelliittikuvasta tehtyjen vedosten avulla, eikä tarkkuudessa ei ole päästy pikse litasolle (30 m). 2. Maastotukialojen kunnollinen keräys ei ole ajan ja resurssien puutteen takia ollut mahdollista. Esim. systemaattista maasto otosta on vaativuutensa takia mahdotonta toteuttaa Venäjän puolella. 61 Metsäntutkimuslaitoksen tiedonantoja 479 Useilla maastoretkillä on saatu selkeä kuva tuholuokitusten ja kasvillisuuden tilan yhtäpitävyydestä, ja saadut tulokset ovat osoittautuneet tavoitteet huomioon ottaen riittävän luotettaviksi yleisen kuvan saamiseksi Montsegorskin ympäristön metsien tilas ta. Muutosanalyysin luotettavuutta tukisi ratkaisevasti kesän 1993 kuva, jolloin kolmen kuvan (1985, 1989, 1993) pohjalta voitaisiin tehdä jo melko luotettava analyysi muutoksen nopeudesta. Kirjallisuus Campbell, J.B. 1987. Introduction to Remote Sensing. The Gulllford Press, New York. 551 s. Eastman. J. R. & McKendry, J. E. 1991. Change and time series analysis. Explorations in geographic Information systems technology, Volume 1. UNITAR Europen office, Switzerland. 85 s. Häme, T. 1991. Spectral interpretation of changes in forest using satellite scanner images. Seloste: Metsän muutosten spektrinen tulkinta satelliitti keilainkuvien avulla. Acta Forestalia Fennica 222. Ills. Lillesand, T.M. & Kiefer, R.W. 1987. Remote sensing and Image interpretation. 2. painos. John Wiley and Sons, New York. 721 s. Mikkola, K. & Ritari, A. 1992 a. Montsegorskin alueen metsävauriot - alustava satelliittikuvatulkinta. Julkaisussa: Kauhanen, H. & Varmola, M. (toim.). Itä- Lapin metsävaurioprojektln väliraportti. Metsäntutkimuslaitoksen tiedon antoja 413: 13-17. & Ritari, A. 1992 b. Satellite survey of forest damage in the Monchegorsk area, Kola Peninsula. Julkaisussa: Tikkanen, E., Varmola, M. & Katermaa, T. (toim.). Symposium on the state of the environment and environmental monitoring in Northern Fennoscandia and Kola Peninsula. October 6-8, 1992, Rovaniemi, Finland, s. 310-313. Mulder, N, J. 1988. Digital image processing, computer-aided classification and mapping. Julkaisussa: Kuchler, A.W. & Zonneveld, I.S. (toim.). Vegetation mapping, Kluwer Academic Publishers, Dordrecht, s. 269-316. Päivinen, R. & Rautiainen, S. 1990. Spectral reflectance of forest stands. The usability of remote sensing for forest inventory and planning. Julkaisussa: Proceedings from SNS/lUFRO workshop in Umeä 26-28 February 1990. Avdelningen för skoglig fjärranalys, Sveriges lantbrukuniversitetet, Rapport 4. s. 3-8. Singh, A. 1989. Digital change detection techniques using remotely-sensed data. International Journal of Remote Sensing 10: 989-1003. Tikkanen, E. & Varmola, M. (toim.) 1991. Research into forest damage connected with air pollution in Finnish Lapland and the Kola Peninsula of the U.S.S.R. Metsäntutkimuslaitoksen tiedonantoja 373. 160 s. Vogelmann, J.E. 1990. Comparison between two vegatation indices for measuring different types of forest damage in the north-eastern United States. International Journal of Remote Sensing 11-12: 2281-2297. Zonneveld, I. S. 1988 a. Interpretation of remote sensing images. Julkaisussa: Kuchler, A.W. & Zonneveld, I.S. (toim.). Vegetation mapping, Kluwer Academic Publishers, Dordrecht, s. 265-268. 1988b. Reflection, absorbtion and transmission of light and infrared radiation through plant tissues. Julkaisussa: Kuchler, A.W. & Zonneveld, I.S. (toim.). Vegetation mapping, Kluwer Academic Publishers, Dordrecht, s. 223- 231. Nikula, A., Ritari, A. & Lahti, M-L. (toim.). Paikkatiedon ja satelliittikuvainformaation käyttö metsäntutkimuksessa. Tutkimuspäivä Rovaniemellä 1993. Metsäntutkimuslaitoksen tiedonantoja 479: 62-78. 62 Metsämaan vesipitoisuuden luokitus dielektrisyyden ja gammasäteilyn avulla: potentiaalinen apuväline metsänuudistamisen suunnitteluun KARI MÄKITALO 1 , RAIMO SUTINEN2 , MARJA-LIISA SUTINEN1 & MARKKU PÄNTTÄJÄ 2 1 Metsäntutkimuslaitos, Rovaniemen tutkimusasema PL 16, 96301 Rovaniemi EMAIL Kari.Makitalo@metla.fi EMAIL Marja-Liisa. Sutinen@metla. fi 2 Geologian tutkimuskeskus PL 77, 96101 Rovaniemi EMAIL Raimo.Sutinen@gsf.fi EMAIL Markku.Panttaja@gsf.fi Johdanto Metsänuudistamisen onnistuminen edellyttää huolellista suunnit telua, jonka on perustuttava vankkaan tietämykseen toisaalta kas vupaikkojen ominaisuuksista ja toisaalta uudistamisessa käytettä vien puulajien kasvupaikkavaatimuksista. Lapissa metsänviljely on ollut pitkään lähes yksinomaan männyn viljelyä. Mäntyä kasvanei den kasvupaikkojen ohella myös luontaisesti kuusta kasvaneet kasvupaikat on pyritty viljellen uudistamaan männiköiksi. Männyn suosiminen on perustunut vanhoihin tutkimustuloksiin kuusikoi den hitaasta kasvusta ja uudistamisongelmista sekä männyn mui ta puulajeja paremmasta kasvusta kaikenlaisilla kasvupaikoilla (Heikinheimo 1920, 1922, 1939, Ilvessalo 1937, Siren 1955). Män ty on myös teollisuuden raaka-aineena ollut muita puulajeja arvokkaampi. Männyn viljely ei kuitenkaan ole ollut ongelmatonta, vaan viljely on paikoin toistuvasti epäonnistunut (Oikarinen & Norokorpi 1986, Norokorpi 1987). Maaperän epäedullisia fysikaalisia ominaisuuksia, maan suurta vesipitoisuutta, pientä ilmatilaa ja alhaista lämpötilaa pidettiin 63 Metsäntutkimuslaitoksen tiedonantoja 479 1960-luvun taimituhojen tärkeimpänä syynä (Lähde 1974, Pohtila 1977). Siihen asti yleisimmin käytetyn maanpinnan käsittelymene telmän, laikutuksen, arveltiin olevan riittämättömän etenkin kos teilla entisillä kuusimäillä. Auraus syrjäyttikin 1960-luvun lopulla laikutuksen ja siitä tuli vähitellen yleismenetelmä. Useiden tutkimusten mukaan aurauksella pystytään kuohkeut tamaan ja kuivattamaan maata, lisäämään maan ilmatilaa ja kohottamaan maan lämpötilaa (Mälkönen 1972, Leikola 1974, Kauppila & Lähde 1975, Mutka & Lähde 1977, Lähde 1978, Ritari & Lähde 1978, Lähde ym. 1981). Aurauksen on todettu myös lisää vän käytettävissä olevien ravinteiden määrää maassa mikrobitoi minnan vilkastumisen ansiosta (Palmgren 1984, Ritari 1985). Män nyn taimien alkukehitys auratuilla uudistusaloilla osoittautuikin hyväksi (Pohtila 1977, Mutka & Lähde 1977, Lähde 1978, Lähde ym. 1981, Pohtila & Pohjola 1985). Ensimmäisinä viljelyn jälkeisi nä kasvukausina taimet sekä pysyivät elossa että kasvoivat parem min aurausaloilla kuin laikutusaloilla. Aurauksen pitkäaikaiset vaikutukset eivät sen sijaan ole olleet yhtä kiistattomia, sillä aurausalueillakin taimia on tuhoutunut (Pohtila & Pohjola 1983, Mäkitalo 1990 a, 1990 b). Auratuilla aloilla tapahtuneisiin taimituhoihin on haettu selitys tä mm. maan ravinnetalouden häiriöistä, uudistusalan sijainnista ja maaston korkeudesta sekä lämpösummasta (Tikkanen & Raitio 1984, Tikkanen 1985, Pohtila & Pohjola 1983, Saarenmaa 1991, 1992, Valkonen 1992). Edellä esitetyillä selitysmalleilla ei kuiten kaan ole täysin pystytty selittämään aurattujen alojen taimien tuhoutumista. Lapin männynviljelyaloilla eri ajankohtina esiintyneistä tuhoista löytyy yhteisiä piirteitä. Niitä on ensinnäkin tavattu kylmien ja sateisten kasvukausien jälkeen. Taimia on tuhoutunut eniten enti sillä kuusivaltaisilla kasvupaikoilla, jotka usein sijaitsevat korkeilla alueilla ja joiden keskimääräinen lämpösumma on alhainen (Noro korpi 1971, Pohtila 1977, Pohtila & Pohjola 1983, 1985, Valtanen 1988, Mäkitalo 1990 a, 1990 b). Maalajiltaan tuhoalueet ovat useimmiten olleet hienojakoisia (Valtanen 1988). Edelleen yhteinen piirre on, että tuhoja on esiintynyt vielä vakiintuneiksi luokitelluis sa taimikoissakin, joissa taimet ovat olleet 10-15 vuoden ikäisiä ja 1-2 metrin pituisia ja siten juuri ylittäneet hankirajan. Taimien lopullisen tuhoutumisen aiheuttaja on usein ollut jokin sienitauti, yleensä männyn lumihome {Phacidium infestans Karst.) tai verso surma (Gremmeniella abietina Lagerb. Morelet) (Norokorpi 1971). Kuusivaltaisten metsien männyn viljelyissä on toisaalta saavu tettu hyviäkin tuloksia (Heikinheimo 1939). Kuusivaltaisista kas vupaikoista paksusammaltyypin (HMT) on havaittu esiintyvän maalajiltaan erilaisilla kasvupaikoilla (Sepponen ym. 1982). Luon taiset kuusikot kasvavat kuitenkin keskimäärin hienojakoisemmil 64 Mäkitalo, K., Sutinen, R., Sutinen, M-L. & Pänttäjä, M. la mailla kuin männiköt, ja vastaavasti kivennäismaan vesipitoi suus on kuusikoissa suurempi kuin männiköissä (Aaltonen 1936, Sepponen ym. 1979). Maan lajitekoostumus ja etenkin maan hie nojen lajitteiden osuus vaikuttaa voimakkaasti maan vedenpidä tyskykyyn ja vesipitoisuuteen (Viro 1962, Hillel 1971, Sepponen 1981, 1985). Hienojen lajitteiden osuuden on todettu vaikuttavan myös männyn viljelyn onnistumiseen Lapissa (Lähde & Siltanen 1973, Lähde 1974, Mäkitalo 1992; kuva 1). Maan vesipitoisuuden määrittäminen perinteisellä gravimetrisel lä menetelmällä (näytteenotto, punnitus märkänä, 24 tunnin uuni kuivatus 105 °C:ssa ja punnitus kuivana) ei hitaana ja kalliina sovellu metsämaan luokittelun pohjaksi. Maan vesipitoisuuden suuri kasvupaikkakohtainen spatiaalinen vaihtelu (Norden 1989, Magnusson 1992) heikentää edelleen gravimetrisen menetelmän taloudellisuutta. Maan lajitekoostumuksen määrittämisessä on samankaltaisia ongelmia. Metsänuudistamisen suunnittelun kannalta olisi olennaisen tärkeää pystyä luokittelemaan kasvupaikat Lapissa siten, että männyn uudistamiseen soveltumattomat kohteet voitaisiin tunnis taa. Jotta maan vesipitoisuutta voitaisiin tehokkaasti ja taloudelli sesti käyttää kasvupaikkaluokittelun tarkentamiseen, on se pystyt tävä määrittämään nopeasti ja luotettavasti maastossa in situ ja sen laaja-alaiset vaihtelut selvittämään kaukokartoitusmenetelmil lä. Kuva 1. Männyn paperikennotaimien elossaolon riippuvuus maan hienojen lajitteiden (<0.06 mm) osuudesta kulotetuilla ja laikutetuilla viljelyaloilla Lapissa 13 vuoden kuluttua viljelystä (Mäkitalo 1992). 65 Metsäntutkimuslaitoksen tiedonantoja 479 Tämän tutkimuksen tarkoituksena on selvitellä maan vesipitoi suuden vaikutusta männyn viljelyn onnistumiseen Keski-Lapissa ja kehittää geofysikaalisiin mittausmenetelmiin perustuva metsä maan vesipitoisuuden luokitus- ja kartoitusmenetelmä metsän uudistamisen suunnittelun apuvälineeksi. Koska sora- ja hiekka mailla männyn uudistamisessa ei yleensä ole ongelmia, keskityttiin moreenimaiden tutkimiseen. Aineisto ja menetelmät Tutkimusorganisaatiot Tutkimus liittyy osana Geologian tutkimuskeskuksen Pohjois-Suo men aluetoimiston hankkeeseen "Sähköiset menetelmät maaperä tutkimuksissa" ja Metsäntutkimuslaitoksen Rovaniemen tutkimus aseman hankkeeseen "Metsänviljely". Se toteutettiin kiinteässä yhteistyössä Metsähallituksen (Rovaniemi) metsätalouden suunnit - telutoimen kanssa. Tutkimuksessa käytettiin maastossa kerätyn aineiston lisäksi GTK:n matalalentogamma-aineistoa, METLAn vil jelykoeaineistoa ja Sodankylän hoitoalueen metsätalouden tarkas tuksen PATI-paikkatietojärjestelmän metsikkökuviotietoja. Tutkimusalueet ja -ajankohta Kaikki tutkimusten kohteiksi valitut alueet olivat olleet ennen uudistushakkuita puustoltaan kuusivaltaisia. Kohdealueet valittiin sekä metsähallituksen käytännön uudistusaloilta ja koealoilta (Hanhilehto, Vaalolehto, Varpupää, Äältövittikko ja Haipankuusik ko) että Metsäntutkimuslaitoksen koekentiltä Keski-Lapista (Pok saselkä) ja Sodankylän Pomokairan alueelta. Tässä tutkimusrapor tissa esitetään tuloksia Poksaselän koekentältä ja sen ympä ristöstä (muut kohteet ks. Sutinen ym. 1993 b). Poksaselässä tehtiin kaistaleavohakkuu talvella 1972. Kaistaleet muokattiin eri menetelmillä kesällä 1972. Vuosina 1973-1975 koe ruutuihin istutettiin ja kylvettiin mäntyä (Ritari & Lähde 1978, Mäkitalo 1983). Poksaselän viljelykokeet mitattiin viimeksi vuonna 1990. Maan vesipitoisuusmittaukset tehtiin kesällä 1992. Tutkimusmenetelmät Maan dielektriset ominaisuudet ovat radiotaajuuksilla 1 MHz -1 GHz riippuvaisia maan vapaan veden määrästä, joka on yleensä kyllästymättömilläkin maalajeilla 20-30-kertainen sitoutuneen (adsorptiovesi) veden määrään nähden. Koska maa-aines seoksena koostuu mineraalipartikkeleista (dielektrisyyskerroin e r = 4-7), 66 Mäkitalo, K., Sutinen, R., Sutinen, M-L & Pänttäjä, M ilmasta (er = 1) sekä sitoutuneesta vedestä (e r = 3,5) ja vapaasta ve destä (er = 80), on vapaan veden määrä ratkaiseva koko seoksen dielektrisyyden suhteen. Siten maa-aineksen in situ kokonaisdi elektrisyyden ja maassa olevan volymetrisen vesimäärän välillä on voimakas riippuvuus (Sutinen 1992). Dielektrisyys on käytetyllä taajuusalueella käytännössä riippumaton seoksen suolapitoisuu desta, joten se soveltuu kaikissa oloissa maan vesimäärän mittaa miseen. Dielektrisyysominaisuudet mitattiin tutkimuskohteella in situ paikaltaan käyttäen TDR (aikaheijastusmittaus) ja ECP (kapasi tanssimittaus) menetelmiä ja liikkeestä RSAD (pinta-aaltomittaus) menetelmää (Sutinen 1992, Sutinen & Hänninen 1991). Tässä tut kimuksessa käytettiin pääasiassa ECP-menetelmää, koska se mah dollistaa yksinkertaisen profiilin mittauksen. Kaikki mineraalit ja vastaavasti myös maa ja kallioperä ovat jos sain määrin radioaktiivisia. Vaikka eri kivilajit poikkeavat toisis taan gammasäteilyn määrässä (Lanne 1986), on moreeni eri kivi lajien sekoituksena esim. kalin (K) suhteen homogeeninen Pomo kairan alueella (kalia 0,3-0,4 %, Lestinen 1980). Siten säteilyn vai menemisen voidaan pääsääntöisesti katsoa johtuvan maan sisältä mästä vedestä (Zotimov 1971). Jo noin 10 cm vesipatsas vaimentaa 50 % säteilystä. Vastaavaan vaimennukseen tarvitaan 100 m ilmaa (Grasty 1977). Maan dielektrisyyden ja gammasäteilyn määrän välillä vallitseekin vahva riippuvuus (Sutinen ym. 1993 a). Mitä suurempi maan dielektrisyys (vesipitoisuus) on, sitä pienempi on maan säteilemän gammasäteilyn määrä. Gammasäteily voidaan mitata joko paikaltaan maastossa tai liikkeestä matalalentomittauksena. Tässä tutkimuksessa käytettiin GTK:n vuoden 1981 matalalentogamma-aineistoa, jossa lento koneen lentokorkeus vaihteli 30-50 m ja lentolinjaväli oli keski määrin 200 m. Lentogamma-aineisto tasoitettiin pikselikokoon 50 x 50 m. Gammasäteilyn maastomittauksiin käytettiin kannetta vaa gammaspektrometria. Tutkimuksessa esitetyt kartat tehtiin GTK:n ALKEMIA-ohjelmistolla. Tulokset Maan vesipitoisuus ja sen vaihtelu Maan vesipitoisuus oli Poksaselän koekentällä selvästi suurempi kuin vertailuna käytetyllä lajittuneella, luontaisesti mäntyä kasva valla hiekkakankaalla (kuva 2). Kaikissa Poksaselän ruuduissa maan dielektrisyyskeskiarvo ylitti arvon 10 ja kolmea ruutua lukuunottamatta arvon 15. Dielektisyysarvoja 10, 15, 20 ja 30 vas taavat tilavuusvesipitoisuudet ovat 15, 22, 28 ja 40 % (Sutinen 1992, s. 35). 67 Metsäntutkimuslaitoksen tiedonantoja 479 Kuva 2. Vasemmalla männyn turveruukkutaimien elossaolon kehitys Pomokairan Poksa selässä laikuissa, palteissa ja ketjujyrsinnässä ja oikealla samoista ruuduista mitattujen dielektrisyys- ja gammasäteilyarvojen välinen riippuvuus. Vertailuna havainnot Kitisen luontaisesti mäntyä kasvavalta lajittuneelta hiekkakankaalta. 68 Mäkitalo, K-, Sutinen, R., Sutinen, M-L. & Pänttäjä, M Poksaselässä maan vesipitoisuus myös vaihteli enemmän kuin vertailualueella. Kun hiekkamaan dielektrisyysarvot olivat 5-7, vaihtelivat mittausarvot Poksaselässä 8:n ja 38: n välillä. Ruutujen sisäisen vaihtelun suuruudessa oli huomattavia eroja. Esimerkiksi ruudussa 2573 havaintojen vaihteluväli oli 5 ja ruudussa 675 vas taavasti 25. Männyn viljelyn onnistuminen ja maan vesipitoisuus Poksaselän koekentällä maan vesipitoisuuden vaikutus taimien elossaoloon oli selvin laikutusruuduissa (kuva 2). Mitä suurempi maan vesipitoisuus oli, sitä aikaisemmassa vaiheessa taimet olivat tuhoutuneet. Kesä 1974, jolloin ruudut 2074 ja 2474 viljeltiin, oli poikkeuksellisen sateinen (Ritari & Lähde 1978). Vesipitoisuudel taan suurimpaan ruutuun (2074) istutetuista taimista kuoli 40 % heti ensimmäisen kasvukauden aikana. Kuivimmassa ruudussa (2474) taimet säästyivät pitkään kokonaan tuhoilta. Palleaurauksella ja ketjujyrsinnällä käsitellyissä koeruuduissa ei maan vesipitoisuuden ja taimien elossaolon välinen riippuvuus ollut yhtä selvä kuin laikutusruuduissa. Tuloksia tulkittaessa on otettava huomioon se, että vesipitoisuusmittaukset tehtiin kaikissa ruuduissa koskemattomasta maasta. Palleauraus- ja jyrsintäruu duissa maankäsittely on todennäköisesti etenkin ensimmäisinä viljelyn jälkeisinä vuosina vaikuttanut taimen kasvukohdan vesi pitoisuuteen. Taimet pysyivät pisimpään elossa kuivimmissa ruu duissa. Lopputuloksena kaikissa maankäsittelyruuduissa oli tai mien täydellinen tuhoutuminen. Männyn luontainen esiintyminen ja maan vesipitoisuus Metsähallituksen PATI-paikkatietojärjestelmästä saatujen kuviotie tojen perusteella tarkasteltiin männyn esiintymistä maan vesipitoi suuskartalla, joka oli laadittu lentokoneesta mitatun gammasätei lyn avulla (kuva 3). Gammasäteilyä läpäisemättömät vesistöt ja suot näkyvät kartalla sinisinä ja suorat säteilylähteet, avokalliot ja rakat, tummanruskeina. Näiden kahden ääripään väliset sävyt kuvaavat maan vesipitoisuuden tasoa. Metsikkökuvion keskipis teeseen sijoitetun pallon avulla on ilmaistu männyn esiintyminen (minimipohjapinta-ala 1 m2 /ha) ja pallon koolla männyn osuus kuviolla kasvavan puuston pohjapinta-alasta. Männyn luontainen esiintyminen kangasmailla on tarkastellulla alueella rajoittunut kasvupaikoille, joilla maan gammasäteilyarvot ovat korkeat eli maa on suhteellisen karkearakeista ja kuivaa. Suuri osa männiköistä sijaitsee korkeilla maastonkohdilla. Monien 69 Metsäntutkimuslaitoksen tiedonantoja 479 ravinteiden, kuten esim. fosforin, pitoisuudet moreenissa ovat GTK:n Pomokairan alueelta tekemän geokemiallisen kartoituksen mukaan mäntyalueilla pienimmillään (Lestinen 1980). Kuva 3. Männyn luontainen esiintyminen kangasmailla Pomokairassa. Männyn esiintymi nen kuviolla on ilmaistu kuvion keskipisteeseen sijoitetulla pallolla, jonka koko ilmai see männyn osuuden (%) kuvion pohjapinta-alasta (m 2 /ha, minimi 1 m2/ha). Kartta pohjana on lentogamma-aineiston pohjalta laadittu gammasäteilykartta, jossa maan säteilemän gammasäteilyn määrä kasvaa (maan vesipitoisuus pienenee) värisävyn muuttuessa sinisestä punaiseen. Poksaselän koekenttä on rajattu karttaan viivalla. 70 Mäkitalo, K., Sutinen, R., Sutinen, M-L. & Pänttäjä, M Luokiteltu vesipitoisuuskartta Lentokoneesta matalalentomittauksena mitattua gammasäteily aineistoa verrattiin Poksaselän koekentällä maastossa mitattuihin dielektrisyys- ja gammasäteilyaineistoihin. Maastomittauksilla tar kennetun matalalentomittausaineiston pohjalta laadittiin viiteen maan vesipitoisuusluokkaan luokiteltu kartta mittakaavaan 1 : 20000 (karttalehti 3733 02, Poksaselkä). Luokitusta testattiin maastomittauksin Haipankuusikossa, Poksaselän pohjoispuolella sijaitsevalla karttalehdellä (3733 03). Maastomittauksilla mitatut vesipitoisuudet vastasivat luokitellun kartan arvoja, joten matala lentomittauksena mitatun gammasäteilyaineiston voidaan katsoa soveltuvan maan vesipitoisuuden kuvaamiseen karttalehtimitta kaavassa (Sutinen ym. 1993 a). Kuvassa 4 on esitetty em. luokiteltu vesipitoisuuskartta, jossa maan vesipitoisuus kasvaa siirryttäessä punaisesta väristä sini seen. Kartan luokitus on tehty tämän ja muiden tutkimusten (Sutinen ym. 1993 a, 1993 b) perusteella siten, että kukin luokka vastaa tiettyä maan vesipitoisuuden vaihtelualuetta ja männyn viljelyn onnistumisen tasoa. Kartassa tummanpunainen väri edus taa voimakasta säteilylähdettä, joka voi olla esim. avokallio tai rakka. Vaaleanpunainen väri edustaa männyn viljelyyn soveltuvaa maan vesipitoisuusaluetta. Keltaisella alueella männyn viljelyn onnistuminen arvioidaan epävarmaksi ja vihreällä alueella viljely todennäköisesti epäonnistuu. Vesistöt ja suot näkyvät kartassa sinisinä. Tulosten tarkastelu Nyt tutkituilla kohteilla ei voimaperäisellä maanmuokkauksella kaan kyetty parantamaan ratkaisevasti männyn taimien elossa pysymistä kasvupaikoilla, joilla maan vesipitoisuus on suuri (ks. myös Sutinen ym. 1993 b). Aurauspalteista tehtyjen dielektrisyys profiilien (Sutinen ym. 1993 b) perusteella näyttääkin siltä, että pit källä aikavälillä, 10-20 vuoden kuluessa, palteiden vesitalous palautuu lähes aurausta edeltäneeseen tilaan humuskerroksen hajotessa, palteiden tiivistyessä ja maan vettä johtavien kapillaari yhteyksien palautuessa. Aurausaloilla on palteen ja vaon välisen korkeuseron todettu pienenevän puoleen 15 vuoden kuluessa aurauksesta (Kellomäki 1972). Noin 70% tasoittumisesta tapahtuu viiden ensimmäisen kasvukauden aikana, jolloin myös pääosa pal teiden alaisista humuskerroksista hajoaa (Kellomäki 1972, Ferm & Sepponen 1981). Aurausjäljen tasoittuminen onkin pää-asiallisesti palteen tasoittumista vakojen tasoittuessa vain vähän (Ferm & Sepponen 1981). Palteiden tiivistymisen ja humuskerroksen hajoa misen lisäksi myös eroosio nopeuttanee kasvipeitteettömien paltei den tasoittumista ensimmäisinä muokkausta seuraavina vuosina. 71 Metsäntutkimuslaitoksen tiedonantoja 479 Kuva 4. Luokiteltu gammasäteilyyn perustuva vesipitoisuuskartta, jonka luokitus on laadit tu kuvaamaan männynviljelyn onnistumismahdollisuuksia (luokka 1 (sininen): suot ja vesistöt, luokka 2 (vihreä): viljely epäonnistuu, luokka 3 (keltainen): viljelyn onnistu minen epävarmaa, luokka 4 (vaaleanpunainen): viljelyn onnistumismahdollisuudet hyvät, luokka 5 (punainen): avokallio tai rakka). Poksaselän koekenttä on rajattu kart taan viivalla. 72 Mäkitalo. K , Sutinen, R , Sutinen, M-L. & Pänttäjä, M Maan vesipitoisuuden kasvaessa maan lämpötila laskee. Run saasti hienoja lajitteita sisältävillä mailla saattaa maassa esiintyä ajoittain myös hapettomuutta. Nämä seikat heikentävät männyn taimien juuriston ja verson kuntoa ja kasvua. Hapettomien olosuh teiden merkitys taimelle riippuu mm. hapettomuuden esiintymisen ajankohdasta ja kestosta sekä puulajista. Kasvukauden aikana ja juurten kasvun ollessa voimakkaimmillaan lyhytaikainenkin maan hapettomuus voi vaikuttaa taimien fysiologiseen tilaan epäedulli sesti (Kozlowski 1986). Juuriston toiminta (veden ja ravinteiden otto) estyy, yhteyttäminen vähenee ja yhteyttämistuotteiden kulje tus häiriintyy. Puulajien sopeutuminen ja sopeutumismekanismit maan hapet tomuuteen vaihtelevat. Kotimaisista havupuulajeistamme kuusen juuret kestävät hapettomia olosuhteita huonosti, mutta kuusi pys tyy jälkijuuriensa avulla sopeutumaan märille kasvupaikoille. Männyllä ei sen sijaan näytä olevan keinoa selviytyä, jos maan vesipitoisuus on suuri ja kasvualusta ajoittain hapeton (Lähde 1974. Pernu & Ritari 1978, Magnusson 1992). Männyn taimien heikentyminen voi johtaa taimien tuhoutumiseen esim. versosur matuhon seurauksena. Hienojakoisilla mailla myös roustetuhot ovat yleisiä, mikä heikentää edelleen männynviljelyn onnistumis mahdollisuuksia (Ritari & Lähde 1978, Mäkitalo 1983). Hieskoivu on eräiden tutkimusten mukaan (Huikari 1959) sopeutunut kuus ta ja mäntyä paremmin kosteille kasvupaikoille. Sopeutumismeka nismia ei kuitenkaan vielä täysin tunneta. Hieskoivun kyky kuljet taa happea versosta juuristoon voi selittää osan ilmiöstä (Grosse ym. 1992). Ritarin & Lähteen (1978) mukaan maan ilmatila oli Poksaselän koekentällä sateisena kesänä pientareessa, laikussa ja koskemat tomassa maassa ajoittain alle 10 %, mitä pidetään juurten toimin nan ja kasvun kannalta liian pienenä. Vaikka aurauspalteessa maan ilmatilan on ensimmäisinä kasvukausina todettu olevan lähes optimaalinen juurten kasvulle, ei aurauksen ole soistuneilla kankailla todettu vaikuttavan aurausjälkien välisen alueen vesi talouteen ja ilmanvaihtoon merkittävästi (Mannerkoski & Möttönen 1990, Mannerkoski 1991). Vedenvaivaamilla kasvupaikoilla män nyn taimien juuristo ei todennäköisesti pysty kasvamaan riittävästi aurausvakojen välialueille. Mikäli myös palteen vesitalous ajan myötä kehittyy epäedulliseen suuntaan, ei männyn taimien menes tymiselle enää ole edellytyksiä. Ilmiön merkitys korostunee pohjoi silla ja korkeilla alueilla, joilla suuri osa männyn uudistamisen kannalta ongelmallisista kuusivaltaisista metsistä sijaitsee. Kyl mässä ja humidisessa ilmastossa taimien kyky hoitaa vesitaloutta haihdunnallaan lienee rajoitettu. Maan vesipitoisuuden on todettu olevan tärkein maan kaasu jenvaihtoon vaikuttavista tekijöistä (Magnusson 1992). Vesipitoi suutta säätelee pitkälti moreenin tekstuuri, johon puolestaan vai kuttavat kivilajikoostumus sekä preglasiaalisten rapaumatuottei 73 Metsäntutkimuslaitoksen tiedonantoja 479 den, lähinnä savimineraalien, määrä. Tämän tutkimuksen tulokset viittaavat siihen, että maan vesipitoisuus on Keski-Lapissa sekä männyn luontaisen esiintymisen että viljelyn onnistumisen kannalta kriittinen tekijä. Pomokairan tutkimusalueella männyn luontainen esiintyminen näyttää rajoittuvan pääsääntöisesti Pomovaaran graniittimassiivin päälle. Graniitin rakenne on karkea ja siitä syntyvä moreeni ei voi jäätikkökuljetuksessa jauhaantua lähtömateriaalin tekstuuria (ns. terminal grading) hienommaksi. Graniitista muodostuneen karkean moreenin vesipitoisuus on pieni. Pomovaaran tapauksessa kalliopaljastumien ja rakkojen runsaus lakialueilla osaltaan takaa veden tehokkaan virtauksen. Ravinteiden osalta "graniittinen moreeni" on huomattavasti ympä röivien alueiden moreeneja köyhempää (Lestinen 1980). Pomokairan Poksaselän tutkimusalueen kallioperä muodostuu kloriitti-amfiboliitti-liuskeista, joiden rapautumisen tuloksena mo reenissa on runsaasti hienojakoista ainesta (Pulkkinen 1988). Keski-Lapissa hienorakeisen moreenin vesipitoisuuden on todettu olevan erityisen korkea, mikä johtuu moreenin sisältämästä pre glasiaalisesta rapaumasta (Sutinen ym. 1993 a, 1993 b). Hieno rakeisen moreenin alueet ovat puustoltaan yleensä hieskoivun sekaisia kuusikoita. Yksittäisten mäntyjen esiintyminen alueen kuusikoissa selittyy todennäköisesti maan vesipitoisuudessa ha vaitulla suurella spatiaalisella vaihtelulla (Sutinen ym. 1993 b). Koitelaisenkairan Hanhilehdossa männynviljely oli toisella kulo tetulla ja kylvetyllä koealalla onnistunut hyvin ja toisella epäonnis tunut täysin (Sutinen ym. 1993 b). Onnistunut viljely selittynee koealan alla olevan gabron (Mutanen, suull.) karkealla rakenteella ja siitä syntyneen karkean moreenin pienellä vesipitoisuudella. Lisäksi eroosiota kestävän gabrokallioperän ansiosta Hanhilehdon hyvin taimettunut koeala on selvästi ympäristöään korkeammalla, mikä myös vaikuttaa edullisesti maan vesitalouteen. Epäonnis tunut viljelykoeala puolestaan sijaitsee liuskeiden päällä. Koealan moreeni on hienorakeisen lähtömateriaalin takia hienorakeista ja sen vesipitoisuus on suuri. Maan vesipitoisuuden vaihtelua tutkittiin kesällä 1992 myös Rovaniemellä GTK: n aluetoimiston pihalla sijaitsevalla referenssi koealalla. Maalajiltaan koeala on hiekkamoreenia. Mittausten perusteella voitiin todeta, että voimakkaan sateen seurauksena maan dielektrisyysarvot saattoivat karkeilla moreeneilla lähes kol minkertaistua (Sutinen ym. 1993 a). Vesipitoisuus kuitenkin stabi loitui noin vuorokauden kuluessa maan tekstuurille ja huokos tilalle ominaiselle tasolle. Voimakkaankaan sateen jälkeen karkea jakoisen hiekkamoreenin vesipitoisuus ei noussut Keski-Lapin tut kimusalueiden hienojakoisten rapakalliomoreenien tasolle. Toisaal ta hienojakoisten moreenien vesipitoisuus on käytännössä aina suuri ja vedenläpäisevyys heikko, joten sateiden vaikutus niiden vesipitoisuuteen on todennäköisesti hyvin pieni humuskerrosta lukuunottamatta. Sateiden vaikutuksen minimoimiseksi vesipitoi 74 Mäkitalo, K., Sutinen, R., Sutinen, M-L. & Pänttäjä, M suusmittaukset tehtiin Keski-Lapin tutkimusalueilla kuitenkin sateettomina sääjaksoina. Edellä esitettyjen tutkimustulosten perusteella näyttää siltä, että Keski-Lapin moreenit, joissa dielektrisyyskerroin er < 10 (vesi pitoisuus alle 15 % tilavuudesta), ovat männyn viljelyn kannalta suotuisia. Sen sijaan metsämaat, joissa s r >l5 (vesipitoisuus yli 22 % tilavuudesta), eivät soveltune männyn viljelyyn. Kuusen uudistamisen kannalta ne ovat vielä mahdollisia. Poksaselässä oli sekä kuusen luontainen uudistuminen (Mäkitalo 1987) että viljely (Mäkitalo, julkaisematon aineisto) onnistunut hyvin. Männyn vilje ly oli sen sijaan 16-18 vuoden kuluttua viljelystä täysin epäonnis tunut kaikissa maankäsittelyissä huolimatta taimien hyvästä alku kehityksestä (Mäkitalo 1983). Sutisen ym. (1993 b) mukaan kuusen istutus oli Pomokairan Äältövittikon koealalla onnistunut hyvin, kun sen sijaan viereisellä koealalla männyn viljely oli epäonnistu nut. Edellä esitettyjä päätelmiä arvioitaessa on huomioitava, että ne perustuvat vain muutamissa Keski-Lapin kohteissa tehtyihin havaintoihin, joita ei voida suoraan yleistää esim. siirryttäessä ete lään ja kivilajialueelta toiseen. Paitsi lähdemateriaali myös jäätikön liikedynamiikka säätelee moreenin rakennetta ja lajitekoostumus ta, jotka yhdessä topografian kanssa vaikuttavat kasvupaikan vesi talouteen. Maan vesipitoisuuden ohella sen ravinne- ja lämpöta lous, ilmastolliset tekijät, kuten lämpösumma, sademäärä ja ilmaston humidisuus sekä erilaiset tuhonaiheuttajat vaikuttavat metsänviljelyn onnistumiseen. Lisäksi viljelytavalla, viljelymateri aalin alkuperällä ja laadulla sekä viljelytyön laadulla on oma mer kityksensä. Maan sähköisiin ominaisuuksiin ja luonnon gammasäteilyyn perustuvien menetelmien todettiin soveltuvan hyvin metsämaan vesipitoisuuden määrittämiseen. Tutkimusaineiston pohjalta kehi tettiin menetelmä maan vesipitoisuuden luokittelemiseksi ja kar toittamiseksi metsänuudistamisen suunnittelun tarpeisiin. Mene telmässä käytetään pistekohtaista dielektrisyys /gamma -maasto aineistoa vertailuaineistona uudistusalakohtaisen tutkamittaus aineiston ja radiometrisen matalalentoaineiston digitaalisessa luo kittelussa ja tulkinnassa. Maan vesipitoisuusvaihtelut voidaan menetelmän avulla kuvata karttalehtimittakaavassa. Menetelmä mahdollistaa myös uudistusalakohtaisen ja tarvittaessa jopa taimi kohtaisen kartoituksen. Metodisesti tässä esitetty luokittelu mah dollistaa ns. hienoainesmoreenien kartoittamisen ja rajaamisen, joka perinteisin menetelmin ei ole taloudellisesti mahdollista. Met sätalouden paikkatietojärjestelmiin yhdistettynä maan vesipitoi suustietoa voitaneen metsänuudistamisen suunnittelun lisäksi käyttää hyväksi esim. metsäteiden suunnittelussa. 75 Metsäntutkimuslaitoksen tiedonantoja 479 Kirjallisuus Aaltonen, V.T. 1936. Kuusi männyn kilpailijana kasvupaikasta. Referat: Die Fichte als Konkurrentin der Kiefer um den Standort. Acta Forestalia Fennica 42(8). 39 s. Ferm, A. & Sepponen, P. 1981. Aurausjäljen muuttuminen ja kasvillisuuden kehittyminen metsänuudistusaloilla Lapissa 10 vuoden aikana. Summary: Development of ploughed tracks and vegetation on reforestation areas in Finnish Lapland during a period of 10 years. Folia Forestalia 493. 19 s. Grasty, R.L. 1977. Applications of gamma radiation in remote sensing. Julkai sussa: Schanda (ed.). Remote Sensing for Environmental Sciences. Springer - Verlag, New York. s. 257-276. Grosse, W., Frye, J. & Lattermann, S. 1992. Root aeration in wetland trees by pressurized gas transport. Tree Physiology 10: 285-295. Heikinheimo, O. 1920. Pohjois-Suomen kuusimetsien esiintyminen, laajuus ja puuvarastot. Referat: Vorkommen, Umfang und Holzvorräte der Fichten- Wälder in Nord-Finnland. Communicationes Instituti Forestalls Fenniae 3. 170 s. 1922. Pohjois-Suomen kuusimetsien hoito. Referat: Über die Bewirtschaftung der Fichtenwälder Nordfinnlands. Communicationes Instituti Forestalls Fenniae 5. 132 s. 1939. Kokemuksia paksu sammal tyypin metsien käsittelystä. Referat: Erfahrungen betreffend die Behandlung der Wälder vom Dickmoostyp. Silva Fennica 52: 121-139. Hillel, D. 1971. Soil and water. Physical principles and processes. Academic Press. New York. 288 s. Huikari, O. 1959. On the effect of anaerobic media upon the roots of birch, pine and spruce seedlings. Seloste: Kasvualustan anaerobisuuden vaikutuksesta koivun, männyn ja kuusen taimien juuristoihin. Communicationes Instituti Forestalls Fenniae 50(9). 15 s. Ilvessalo, Y. 1937. Perä-Pohjolan luonnonnormaalien metsiköiden kasvu ja kehitys. Summary: Growth of natural normal stands in central North- Finland. Communicationes Instituti Forestalls Fenniae 24(2). 168 s. Kauppila, A. & Lähde, E. 1975. Koetuloksia maankäsittelyn vaikutuksesta metsämaan ominaisuuksiin Pohjois-Suomessa. Summary: On the effects of soil treatment on forest soil properties in North-Finland. Folia Forestalia 230. 23 s. Kellomäki, S. 1972. Maanpinnan reliefin ja kasvillisuuden kehityksestä aurauk sen jälkeisinä vuosina Perä-Pohjolan metsänuudistusaloilla. Helsingin yli opiston metsänhoitotieteen laitoksen tiedonantoja 8. 56 s. Kozlowski, T.T. 1986. Soil aeration and growth of forest trees (Review article). Scandinavian Journal of Forest Research 1(1): 113-123. Lanne, E. 1986. Statistical multivariate analysis of airborne geophysical data on the SE border of the Central Lapland greenstone complex. Geophysical Prospecting 34: 1111-1128. Leikola, M. 1974. Maanmuokkauksen vaikutus metsämaan lämpösuhteisiin Pohjois-Suomessa. Summary: Effect of soil preparation on soil temperature conditions of forest regeneration areas in northern Finland. Communicationes Instituti Forestalis Fenniae 88(1). 33 s. Lestinen, P. 1980. Peurasuvannon karttalehtialueen geokemiallisen kartoituksen tulokset. Summary: The results of the geochemical survey in the Peura suvanto map-sheet area. Geokemiallisten karttojen selitykset, lehti 3723. Geologinen tutkimuslaitos. Espoo. 97 s. + liitt. 76 Mäkitalo, K., Sutinen, R., Sutinen, M-L. & Pänttäjä, M Lähde, E. 1974. The effect of grain size distribution on the condition of natural and artificial sapling stands of Scots pine. Seloste: Maan lajitekoostu muksen vaikutus männyn luontaisten ja viljelytaimistojen kuntoon. Commu nicationes Instituti Forestalls Fenniae 84(3). 23 s. 1978. Maan käsittelyn vaikutus maan fysikaalisiin ominaisuuksiin sekä männyn ja kuusen taimien kehitykseen. Summary: Effect of soil treatment on physical properties of the soil and on development of Scots pine and Norway spruce seedlings. Communicationes Instituti Forestalis Fenniae 94(5). 59 s. , Manninen, S. & Tervonen, M. 1981. Ojituksen ja muokkauksen vaikutus maan fysikaalisiin ominaisuuksiin sekä havupuiden taimien kehitykseen. Summary: The effect of drainage and cultivation on soil physical properties and the development of conifer seedlings. Communicationes Instituti Forestalis Fenniae 98(7). 43 s. & Siltanen, S. 1973. Männyn taimien kunto ja juuriston rakenne Pohjois suomessa. Summary: The structure of root system and the condition of the pine (Pinus silvestris L.) seedlings in northern Finland. Communicationes Instituti Forestalis Fenniae 78(7). 31s. Magnusson, T. 1992. Temporal and spatial variation of the soil atmosphere in forest soils of northern Sweden. Dissertation. Swedish University of Agricultural Sciences, Department of Forest Site Research. Stencil No. 22. Mannerkoski, H. 1991. Maanmuokkauksen vaikutus maan vesi-, happi- ja lämpötalouteen. Metsäntutkimuslaitoksen tiedonantoja 383: 43-51. & Möttönen, V. 1990. Maan vesitalous ja ilmatila metsäaurausalueilla. Summary: Soil water conditions and air-filled porosity on ploughed reforestation areas. Silva Fennica 24(3): 279-301. Mutka, K. & Lähde, E. 1977. Effect of soil treatment, liming, and phosphate fertilization on initial development of bare-rooted Scots pine seedlings. Communicationes Instituti Forestalis Fenniae 91(3). 57 s. Mäkitalo, K. 1983. Koetuloksia männyn viljelyn onnistumisesta eri tavoin käsi tellyllä paksusammaltyypin maalla Lapissa. Metsäntutkimuslaitoksen tiedon antoja 105: 98-110. 1987. Kuusen luontaisesta uudistamisesta korkealla paksusammaltyypin maalla. Metsäntutkimuslaitoksen tiedonantoja 278: 32-46. 1990 a. Artificial regeneration of Scots pine in Lapland. The Nordic post graduate course "Artificial regeneration of forest trees" held in Asker, Norway, October 28.- November 3. 1990. 10 s. 1990b. Maankäsittely- ja viljelymenetelmän vaikutus männyn viljelyn onnis tumiseen Lapissa. Metsäntutkimuslaitoksen tiedonantoja 362:109-120. 1992. Männyn viljelyn onnistuminen Lapissa. Metsäntutkimuslaitos, Rova niemen tutkimusasema. Moniste. 5 s. Mälkönen, E. 1972. Näkökohtia metsämaan muokkauksesta. Summary: Some aspects concerning cultivation of forest soil. Folia Forestalia 137. lis. Norden, L-G. 1989. Water use by Norway spruce - a study of two stands using field measurements and soil water modelling. Doctoral dissertation. Swedish University of Agricultural Sciences, Department of Forest Site Research, Umeä. Norokorpi, Y. 1971. Männyn viljelytaimistojen tuhoista Pohjois-Suomessa. Met säntutkimuslaitoksen tiedonantoja 2: 37-49. 1987. Metsänviljelyn onnistuminen korkeilla mailla. Metsäntutkimuslaitok sen tiedonantoja 278: 17-31. Oikarinen, M. & Norokorpi, Y. 1986. Vuosina 1956-65 viljeltyjen männyntaimi koiden tila valtion mailla Pohjois-Suomessa. Metsäntutkimuslaitoksen tie donantoja 222. 46 s. 77 Metsäntutkimuslaitoksen tiedonantoja 479 Palmgren, K. 1984. Muokkauksen ja kalkituksen aiheuttamia mikrobiologisia muutoksia metsämaassa. Summary: Microbiological changes in forest soil preparation and liming. Folia Forestalia 603. 26 s. Pernu, T. & Ritari, A. 1978. Vastusluotauksia Sodankylän Poksaselässä pohja veden esiintymisen selvittämiseksi. Abstract: Ground-water prospecting in North-Finland by means of resistivity soundings. University of Oulu, Department of Geophysics. Contribution no. 96. 15 s. Pohtila, E. 1977. Reforestation of ploughed sites in Finnish Lapland. Seloste: Aurattujen alueiden viljely Lapissa. Communicationes Instituti Forestalls Fenniae 91(4). 98 s. & Pohjola, T. 1983. Vuosina 1970-72 Lappiin perustetun aurattujen alueiden viljelykokeen tulokset. Summary: Results from the reforestation experiment on ploughed sites established in Finnish Lapland during 1970-72. Silva Fennica 17(3): 201-224. & Pohjola, T. 1985. Maan kunnostus männyn viljelyssä Lapissa. Summary: Soil preparation in reforestation of Scots pine in Lapland. Silva Fennica 19(3): 245-270. Pulkkinen, E. 1988. Effects of rock types on vegetation in Sattasvaara area Finnish Lapland. Nord 1990(20): 225-230. Ritari, A. 1985. Muokkauksen vaikutus paksusammalkuusikon maan ominai suuksiin. Lisensiaattityö. Helsingin yliopisto, metsänhoitotieteen laitos. 100 s. + liitteet. & Lähde. E. 1978. Effect of site preparation on physical properties of the soil in a thick-humus spruce stand. Seloste: Muokkauksen vaikutus paksu sammalkuusikon maan fysikaalisiin ominaisuuksiin. Communicationes Instituti Forestalls Fenniae 92(7). 37 s. Saarenmaa, L. 1991. Viljelyketjun valinta asiantuntijajärjestelmän avulla Pohjois-Suomessa. Summary: Choice of reforestation method based on an expert system in Finnish Lapland. Folia Forestalia 762. 49 s. 1992. Induktiivinen oppiminen metsänviljelyn tietokannan tulkinnassa. Met sähallituksen metsänhoitotöiden kirjanpitoaineistoon perustuva tutkimus. Summary: Inductive learning in knowledge acquisition from the forest regeneration database. A study based on the data collected by the National Board of Forestry. Helsingin yliopiston metsäekologian laitoksen julkaisuja 3. 173 s. Sepponen, P. 1981. Kivennäismaan raekoon tunnuksista ja niiden käyttökelpoi suudesta eräiden maan ominaisuuksien kuvaamiseen. Summary: Particle size distribution characteristics of mineral soil and their applicability for describing some soil properties. Silva Fennica 15(2): 228-236. 1985. The ecological classification of sorted forest soils of varying genesis in northern Finland. Seloste: Syntytavaltaan erilaisten lajittuneiden kangas metsämaiden ekologinen luokittelu Pohjois-Suomessa. Communicationes Instituti Forestalls Fenniae 129. 77 s. , Lähde, E. & Roiko-Jokela, P. 1979. Metsäkasvillisuuden ja maan fysikaalis ten ominaisuuksien välisestä suhteesta Lapissa. Summary: On the relationship of the forest vegetation and the soil physical properties in Finnish Lapland. Folia Forestalia 402. 31 s. , Laine, L., Linnilä, K.. Lähde, E. & Roiko-Jokela. P. 1982. Metsätyypit ja niiden kasvillisuus Pohjois-Suomessa. Valtakunnan metsien 111 inventoinnin (1951-1953) aineistoon perustuva tutkimus. Summary: The forest site types of North Finland and their floristic composition. A study based on the 111 national forest inventory (1951-1953). Folia Forestalia 517. 32 s. Siren, G. 1955. The development of spruce forest on raw humus sites in northern Finland. Seloste: Pohjois-Suomen paksusammalkankaiden kuusimetsien kehityksestä ja sen ekologiasta. Acta Forestalia Fennica 62(4). 408 s. 78 Mäkitalo, K., Sutinen, R., Sutinen, M-L. & Pänttäjä, M. Sutinen, R. 1992. Glacial deposits, their electrical properties and surveying by image interpretation and ground penetrating radar. Geological Survey of Finland. Bulletin 359. 123 s. & Hänninen, P. 1991. Radar profiling and dielectric properties of glacial deposits in North Finland. Proc. 6th lAEG Congress, Amsterdam. 2: 1045- 1051. , Hyvönen, E., Mäkitalo, K. & Sutinen, M-L. 1993 a. Soil classification using dielectric and gamma-ray moisture detection: Potential aid for forest regeneration. Käsikirjoitus. 9 s. , Hyvönen, E., Mäkitalo, K., Sandström, O. & Sutinen, M-L. 1993 b. Soil moisture requirements for Scots pine (Pinus sylvestris) and Norway spruce (Picea abies) regeneration in Central Finnish Lapland - dielectric and gamma radiation data classification. Käsikirjoitus. Tikkanen, E. 1985. Aurausalueen heikkokuntoisten männyntaimien ravinne taloudesta Pohjois-Suomessa. Summary: Nutrient metabolism of weakened Scots pine saplings on a ploughed site in northern Finland. Metsän tutkimuslaitoksen tiedonantoja 186. 23 s. & Raitio, H. 1984. Pohjois-Suomen aurausalueiden männyntaimien epänor maali kehitys ja olettamus sen syystä. Summary: A hypothesis on the cause of abnormal development of Scots pine saplings on ploughed areas in northern Finland. Metsäntutkimuslaitoksen tiedonantoja 165. 27 s. Valkonen, S. 1992. Metsien uudistaminen korkeilla alueilla Pohjois-Suomessa. Summary: Forest regeneration at high altitudes in Northern Finland. Folia Forestalia 791. 84 s. Valtanen, J. 1988. Korkeiden maiden metsien uudistaminen Oulun läänissä. Summary: Stand reforestation at elevated sites in northern Finland. Folia Forestalia 718. 41 s. Viro, P. J. 1962. Forest site evalution in Lapland. Communicationes Instituti Forestalls Fenniae 55(9). 14 s. Zotimov, N.V. 1971. Use of the gamma field of the earth to determine the water content of soils. Soviet Hydrology: Selected Papers, issue nb. 4. s. 313-320. Nikula, A., Ritari, A. & Lahti, M-L. (toim). Paikkatiedon ja satelliittikuvainformaation käyttö metsäntutkimuksessa. Tutkimuspäivä Rovaniemellä 1993. Metsäntutkimuslaitoksen tiedonantoja 479: 79-87. 79 Satelliittikuvainformaation ja paikka tietojärjestelmien käyttö hirven ravintovarojen alueellisessa paikantamisessa ARI NIKULA Metsäntutkimuslaitos, Rovaniemen tutkimusasema PL 16, 96301 ROVANIEMI EMAIL Ari.Nikula@metla.fi Johdanto Hirvien metsätaloudelle aiheuttamiin tuhoihin on Suomessa kiin nitetty huomiota jo 1880-luvulta lähtien (ks. esim. Lääperi & Löyt tyniemi 1988 a). Taimikoiden hirvituhoriskiin vaikuttavia tekijöitä ovat alueen hirvikannan suuruuden ohella ravinnon laatu, yksit täisen taimikon ominaisuudet sekä hirvien elinympäristön raken ne. Eniten on tutkittu hirvien ravinnonkäyttöä (Kangas 1949, Sai nio 1956 a, 1956 b, Loisa & Pulliainen 1968, Pulliainen ym. 1968, Andersson 1971, Andersson & Markkula 1974, Löyttyniemi & Hil tunen 1978, Pulliainen 1980, Laine & Mannerkoski 1980, Salonen 1982, Haukioja ym. 1983, Löyttyniemi & Piisilä 1983, Rousi 1983, Niemelä & Danell 1988, Heikkilä 1990, 1991, Heikkilä & Mikkonen 1992). Hirven aiheuttamien taimikkovahinkojen määrää ja/tai tai mikon ominaisuuksien vaikutusta hirvituhoriskiin on myös selvi tetty useissa yhteyksissä (Löyttyniemi 1982, Löyttyniemi & Piisilä 1983, Löyttyniemi & Repo 1983, Lääperi & Löyttyniemi 1988 b, Heikkilä 1990, 1991, Heikkilä & Mikkonen 1992). Lähiympäristön vaikutusta taimikoiden hirvituhoriskiin, hirvien habitaatinkäyttöä ja alueen metsikkörakennetta on Suomessa käsitelty vain muuta missa tutkimuksissa (Kangas 1949, Loisa & Pulliainen 1968, Pulli ainen 1980, Ilvesniemi 1982, Repo & Löyttyniemi 1985). Tarkemmin on kuitenkin selvittämättä, miten tietyllä alueella olevien ravintovarojen sijoittuminen tai keskittyminen vaikuttavat samalla alueella sijaitsevien taimikoiden hirvituhoriskiin. Samoin alueen kuviorakenteen vertailut hirvituhoille alttiiden taimikoiden 80 Nikula, A. ja hirvituhoilta välttyneiden taimikoiden välillä puuttuvat. Tähän ovat olleet osaltaan syynä alueellisen tiedon keräämisen työläys ja spatiaalisten aineistojen analysoimiseen sopivien menetelmien ja tekniikoiden puute. Paikkatiedon hallintaan ja analysoimiseen tar koitettujen ohjelmistojen ja laitteistojen kehittyminen on tehnyt mahdolliseksi analysoida useiden paikkaan liittyvien ominaisuuk sien vaikutusta yksittäisten taimikoiden tai tietyllä alueella sijait sevien taimikoiden hirvituhoriskiin. Tässä tutkimuksessa on tarkasteltu hirvituhoriskin paikkatieto analyyseissä tarvittavan informaation tuottamista satelliittikuvalta käyttäen hyväksi paikkatietoaineistoa. Samalla on esitetty malli hirvituhoriskin analyyseissä tarvittavan informaation kokoamises ta ja liittämisestä paikkatietoaineistoksi. Tietoja voidaan käyttää edelleen analysoitaessa hirvituhoriskiin vaikuttavia spatiaalisia tekijöitä. Aineisto ja menetelmät Kenttäaineisto Vuonna 1988 Lounais-Lapissa sijaitsevalta Ilmola-Koroisen suun nittelualueelta mitattiin 156 satunnaisesti arvottua taimikkoa. Mitattujen taimikoiden määrä oli 17 % kaikista suunnittelualueen taimikoista. Suunnittelualueen pinta-ala on n. 5 200 ha. Jokaisesta taimikosta mitattiin yleistietona pääpuulaji, hirvi tuhon esiintyminen, aika hirvituhosta sekä pääpuulajin ja mahdol lisen lehtipuukerroksen keskikorkeus. Lisäksi jokaisesta taimikos ta mitattiin viisi systemaattisesti sjoitettua ympyräkoealaa, joiden säde oli 3,99 m. Ympyräkoealat sijoitettiin siten, että ensimmäinen tuli taimikon keskipisteeseen ja seuraavat siitä 35 m etäisyydelle yksi kuhunkin pääilmansuuntaan. Jokaiselta ympyräkoelalta las kettiin puulajeittain sekä hirven vioittamien että vioitukselta sääs tyneiden puiden lukumäärä. Mitattujen puiden korkeuden tuli olla välillä 0,5-3,0 m. Metsätalouden suunnittelutiedot Metsätalouden suunnittelua varten kootut alueelliset tiedot saatiin Lapin metsälautakunnan TASO-järjestelmästä (Tapion alueellinen suunnitteluohjelmisto). TASOon on suunnittelualueittani koottu kuvioittaiset tiedot kasvupaikasta, puustosta, monikäytöstä, eri tyispiirteistä, hakkuuehdotuksista sekä hoito- ja perusparannus ehdotuksista (TASO... 1987). Jokaisen kuvion TASOsta saadut ominaisuustiedot samoin kuin maastossa mitattujen kuvioiden ominaisuustiedot liitettiin tietokantaan kuvionumeron perusteella. 81 Metsäntutkimuslaitoksen tiedonantoja 479 Alueen digitoidut metsätalouskartat muunnettiin lohkoittain ARC/INFOn käyttämään muotoon ja jokaiselle kuviolle annettiin TASOa vastaava kuvionumero siten, että siihen liitettiin lohkoa ilmaiseva numero. Karttojen koordinaattitiedot muunnettiin kart takoordinaatistosta yhtenäiskoordinaatistoon muunnosohjelman avulla. Lopuksi jokaisen lohkon kartat liitettiin yhdeksi kartaksi. Satelliittikuvien luokittelu Landsat TM -satelliittikuvalta (rata 191, kuvauspiste 14, lohko A, kuvattu 20.7.1987) leikattiin suunnittelualueen kattava alue. Kuva kiinnitettiin tämän jälkeen yhtenäiskoordinaatistoon mittaamalla peruskartalta selvästi erottuvien maastonkohteiden paikat ja osoit tamalla niiden vastinpikselit satelliittikuvalta. Koordinaattien osoit tamisen jälkeen kuva oikaistiin käyttäen menetelmää, jossa oikais tun kuvan pikselien arvot saadaan jokaiselle kanavalle liittämällä niihin oikaistavasta kuvasta vastaavan kanavan lähimmän pikselin arvo (nearest neighbor interpolation). Oikaisun jälkeen luokittelu tehtiin erikseen pääkomponentti analyysin tuloksena saaduille ns. synteettisille kanaville, NDV indeksin avulla lasketulle kuvalle, tasseled cap -muunnoksen avul la lasketulle kuvalle ja raakakuvalle käyttäen kanavia 1-5 ja 7. Pääkomponenttianalyysillä voidaan laskea uudet, keskenään lineaarisesti riippumattomat kanavat, jotka ilmaisevat suurinta, toiseksi suurinta jne. kanavien säteilyarvojen vaihtelua. Pääkom ponenttianalyysi tehtiin käyttäen kanavia 1-5 ja 7. Analyysin kol me ensimmäistä komponenttia selittivät 97,65 % kuvan säteilyar vojen vaihtelusta ja näitä käytettiin varsinaisessa luokituksessa. NDV-indeksillä voidaan kuvata alueen yleistä "vihreyttä" ja se perustuu näkyvän punaisen ja lähi-infran (Landsat TM -kuvissa kanavat 3 ja 4) suhteeseen. Tasseled cap -muunnos on alunperin MSS-keilaimen kanaville laskettu ja sittemmin myös TM-keilaimelle tehty lineaarinen muunnos, jota käytetään yleisimmin maatalouden viljelyalueiden tarkasteluun. Muunnoksen tuottamat kanavat kuvaavat alueen vihreyttä, peitteettömän maaperän kirkkautta, keltaisuutta ja luo kittelematonta säteilyarvojen vaihtelua. Luokittelua varten maastossa mitatut kuviot jaettiin niiden sisältämän lehtipuumäärän perusteella neljään luokkaan; 2 500- 5 000 kpl/ha, 5 001-10 000 kpl/ha, 10 001-20 000 kpl/ha ja yli 20 000 kpl/ha. Kuhunkin luokkaan kuuluvista taimikoista puolet poimittiin satunnaisotannalla ARC/INFO-tietokannasta ja niiden kuviorajat osoitettiin luokittelussa käytetylle ERDASin SEED-ohjel mistolle (Erdas Field Guide 1991). SEED-ohjelma laskee kuviorajo jen sisältämien kuvaelementtien säteilyarvojen jakauman, jonka avulla muodostetaan kuvion ns. säteilyplirre (signature). Kuviorajat osoitettiin kullekin luokiteltavalle kuvalle erikseen. Lopuksi kunkin 82 Nikula, A. luokan säteilypiirteet yhdistettiin yhdeksi ERDASin SIGMAN-ohjel mistolla. Kuhunkin luokkaan kuuluvista taimikoista jätettiin puolet luo kittelun testaamista varten. Täten luokitteluun oli käytössä luo kassa 2 500-5 000 kpl/ha 9 taimikkoa, luokassa 5 001-10 000 kpl/ha 15 taimikkoa, luokassa 10 001-20 000 kpl/ha 28 taimik koa ja luokassa yli 20 000 kpl/ha 18 taimikkoa. Luokittelu tapahtui ERDASin MAXCLAS-ohjelmalla, joka käyt tää maximum likelihood -menetelmää (Erdas Field Guide 1991). Luokittelun onnistuminen tarkastettiin piirtämällä testiaineistona olleiden taimikoiden rajat kussakin luokassa luokitellun kuvan päälle ja laskemalla kuvion sisällä olleiden oikeaan luokkaan osu neiden kuva-alkioiden määrä. Luokittelu katsottiin oikeaan osu neeksi, mikäli kuva-alkioista yli puolet oli luokiteltu tarkastelun kohteena olevaan luokkaan. Virheluokituksissa kirjattiin ylös myös se, mihin luokkaan kuvio oli luokiteltu. Tulokset ja tulosten tarkastelu Luokittelun tulokset on esitetty kuvassa 1. Parhaiten luokitus onnistui kaikilla luokittelutavoilla, kun lehtipuun määrä hehtaaria kohden laskettuna oli yli 20 000 kpl (kuva 2). Tällöin myös suuri osa virheluokituksista sattui viereiseen luokkaan. Alimmissa lehti puuluokissa (alle 10 000 lehtipuuta/ha) luokittelun hyvä onnistu minen johtuu ilmeisesti siitä, että taimikoiden säteilypiirteet tule vat liian laajoiksi, mikäli pintakasvillisuutta ja muita taimikon säteilypiirteisiin vaikuttavia tekijöitä ei oteta huomioon. Käytetyt menetelmät osuivat oikeaan tiheimmässäkin lehtipuuluokassa vain noin puolessa kaikista tapauksista, mitä ei vielä voida pitää tyydyttävänä. Laskettaessa yhteen luokat 10 001-20 000 ja yli 20 000 lehtipuuta hehtaarilla, saatiin tiheimmän luokan säteily piirteiden avulla oikea tulos noin 2/3 luokitelluista taimikoista. Syitä luokittelutulosten suureen hajontaan on useita. ERDAS SEED -ohjelma käyttää kuvion säteilypiirteiden laskemisessa hyväkseen kaikkia kuvion sisään rajoittuvia kuva-alkioita, mikäli kuviot rajataan vektoriaineiston perusteella (Erdas Field Guide 1991). Käytetyssä taimikoiden inventointimenetelmässä puoles taan laskettiin lehtipuumäärä taimikon keskipisteestä. Tällöin var sinkin laajoissa taimikoissa puustomäärän vaihtelu ja toisaalta pienialaisissa taimikoissa kahden kuvion rajalle osuvien kuva alkioiden säteilyarvot voivat antaa kuviolle mittauskohdasta poikkeavan säteilypiirteen. Luokituksessa ei myöskään otettu huomioon taimikon muita heijastussäteilyyn vaikuttavia tekijöitä, jolloin varsinkin harvoissa taimikoissa alemman pintakasvillisuuden vaikutus nousee merkittäväksi. 83 Metsäntutkimuslaitoksen tiedonantoja 479 Useiden tutkimusten mukaan lehtipuuvaltaiset kuviot voidaan paikantaa satelliittikuvilta kohtuullisen luotettavasti. Hämeen (1984) mukaan Landsat MSS -kuvasta tehdyllä pääkomponentti analyysillä voidaan erottaa taimikoiden lehtipuusekoituksessa useita luokkia. Hirvituhoanalyyseissä tarvittava paikkatietoaineisto voidaan koota useista osista (kuva 3). Satelliittikuvainformaation käyttö esim. metsätalouden suunnittelutietojen lisäksi on tarpeellista, sillä metsätalouden suunnittelutietoja kerättäessä päähuomio on puuntuotannossa, jolloin esim. hirven kannalta tärkeät ravinto kohteet jäävät kirjaamatta. Tapion ohjeiden mukaan myös tapa, jolla kuviointi tehdään, jättää huomiotta hirvelle sopivat kohteet. Tämä johtuu siitä, että kuviot erotetaan kolmen päätekijän mukaan, jotka ovat puuston kehitysvaihe, toimenpidetarve ja maa pohja (TASO... 1987). Kuvioita muodostettaessa kirjattavien tun nusten määrä on pienempi ja suurpiirteisempi kitu- ja joutomailla, eikä esim. kehitysluokkaa merkitä muulla kuin metsämaalla tai metsitettävällä maatalousmaalla. Metsätalouden suunnittelutietojen käyttö osana paikkatieto aineistoa on kuitenkin perusteltua, sillä niihin voidaan liittää tie dot samoilla alueilla tehdyistä hirvituhoinventoinneista. Lisäksi vastaavat tiedot on tallennettu metsähallituksen PATI-järjestel mään, jolloin aineistoja yhdistelemällä ja satelliittikuvainformaatio ta käyttämällä alueiden tarkastelut voidaan tehdä maanomistajas ta riippumatta. Kuva 1. Testiaineiston osuminen eri lehtipuuluokkiin kussakin luokassa eri tavoin luokitel luissa kuvissa LAN = kanaviin 1-5 ja 7 perustuva luokitus, TCAP = tasseled cap -muunnos, PCA = pääkomponenttianalyysi, NDVI = natural differentation vegetation - indeksi. 84 Nikula, A. o c O <1) O (1) 0 CN 03 --i 3 E 0 § S -D « CO S. g" J? c 3 ro J S O) 3 > 1 B| §1 S 3 ro ro c c 2 m 0 "E S =* .2, (/) <5, 2 'ro c c : =* 0 0) w to -g «O O i = | (O § c ' 0) CD O (o Ö) « .™ a) u> 1 S j iSB M ~ => g. « ro 3 ro I. ro i" 3 | g ro 2 c 8 *» '"» 8 -s £ 3 «E ■t; a) o JS £ 3 3 c J a° esi to (TJ 0 2 > * 85 Metsäntutkimuslaitoksen tiedonantoja 479 ALUEEN RAVINTOVARAT Kuva 3. Hirvien taimikoille aiheuttaman riskin spatiaalisten tekijöiden analysoimiseen tar vittavan paikkatietokannan osat. Hirven käyttäytymiseen vaikuttavat spatiaaliset tekijät muodostuvat alueen ravintovaroista sekä häirintään, suojaan ja lepoon liittyvistä tiedoista. Kirjallisuus Andersson, E. 1971. Havaintoja hirven talvisesta ravlnnonkäytöstä ja vuorokau sirytmistä. Summary: Observations on the winter food and diurnal rhytm of the moose (Alces alces). Suomen Riista 23: 105-118. & Markkula, A. 1974. Hirven talviravinnon kemiallisesta koostumuksesta. Summary: The chemical composition of the winter nutrition of the moose. Suomen Riista 25: 15-19. Erdas Field Guide 1991. Second edition. Version 7.5, July 1991. 394 s. Haukioja, E., Huopalahti, R., Kotiaho, J. & Nygren, K. 1983. Millaisia männyn taimia hirvi suosii? Summary: The kinds of pine preferred by moose. Suomen Riista 30: 22-27. 86 Nikula, A Heikkilä, R. 1990. Effect of plantation characteristics on moose browsing on Scots pine. Tiivistelmä: Männyntaimikon ominaisuuksien vaikutus hirvituho alttiuteen. Silva Fennica 24(4): 341-351. 1991. Moose browsing in a Scots pine plantation mixed with deciduous tree species. Tiivistelmä: Hirven ravinnonkäyttö lehtipuusekoitteisessa mäntytai mikossa. Acta Forestalia Fennica 224. 13 s. & Mikkonen, T. 1992. Effects of density of young Scots pine (Pinus sylvestris) stand on moose (Alces alces) browsing. Tiivistelmä: Männyntaimikon tihey den vaikutus hirven ravinnonkäyttöön. Acta Forestalia Fennica 231. 14 s. Häme, T. 1984. Interpretation of deciduous trees and shrubs in conifer seedling stands from Landsat imagery. The Photogrammetric Journal of Finland 9(2): 209-217. Ilvesniemi, H. 1982. Hirvituhot koivun viljelytaimikossa. Konekirjoite. Helsingin yliopiston metsänhoitotieteen laitos. 53 s. Kangas, E. 1949. Hirven metsässä aikaansaamat tuhot ja niiden metsätaloudel linen merkitys. Summary: On the damage to the forests caused by moose, and its significance in the economy of the forests. Suomen Riista 4: 62-90. Laine, J. & Mannerkoski, H. 1980. Lannoituksen vaikutus mäntytaimikoiden kasvuun ja hirvituhoihin karuilla ojitetuilla nevoilla. Summary: Effect of fertilization on tree growth and elk damage in young Scots pine stands planted on drained, nutrient-poor open bogs. Acta Forestalia Fennica 166. 45 s. Loisa, K. & Pulliainen, E. 1968. Winter food and movements of two moose (Alces alces) in northeastern Finland. Annales Zoologici Fennica 5: 220-223. Lääperi, A. & Löyttyniemi, K. 1988 a. Hirvi ja metsätalous. Helsingin yliopisto. Maatalous- ja metsäeläintieteen laitos. Julkaisuja 13. 56 s. 1988 b. Hirvituhot vuosina 1973-1982 perustetuissa männyn viljelytaimikoissa Uudenmaa-Hämeen metsälautakunnan alueella. Summary: Moose (Alces alces) damage in pine plantations established during 1973- 1982 in the Uusimaa-Häme Forestry Board District. Folia Forestalia 719. 13 s. Löyttyniemi, K. 1982. Männyntaimikkojen hirvivahingot 1950-luvun alussa. Summary: Moose (Alces alces) damage in young pine stands in Finland at the beginning of the 19505. Folia Forestalia 503. 8 s. & Hiltunen, R. 1978. Monoterpenes in Scots pine in relation to browsing preference by moose (Alces alces). Seloste: Männyn monoterpeenikoostumuk sen vaikutuksesta hirven ravinnon valintaan. Silva Fennica 12(2): 85-87. & Piisilä, N. 1983. Hirvivahingot männyn viljelytaimikoissa Uudenmaan- Hämeen piirimetsälautakunnan alueella. Summary: Moose (Alces alces) damage in young pine plantations in the Forestry Board District Uusimaa- Häme. Folia Forestalia 553. 23 s. & Repo, S. 1983. Hirven ja valkohäntäpeuran aiheuttamat metsävahingot: tiedustelun tuloksia 1976 ja 1982. Metsäntutkimuslaitoksen tiedonantoja 103. 13 s. Niemelä, P. & Danell, K. 1988. Comparison of moose browsing on Scots pine (Pinus sylvestris) and lodgepole pine (Pinus contorta). Journal of Applied Ecology 25: 761-775. Pulliainen, E. 1980. Hirvieläinten talviset liikunnot ja ravinnonotto. Summary: Winter diet and movements of cervids. A review. Memorandum pro Societas Fauna et Flora Fennica 56: 51-58. , Loisa, K. & Pohjalainen, T. 1968. Hirven talvisesta ravinnosta Itä-Lapissa. Summary: Winter food of the moose (Alces alces L.) in eastern Lapland. Silva Fennica 2(4): 235-247. 87 Metsäntutkimuslaitoksen tiedonantoja 479 Repo, S. & Löyttyniemi, K. 1985. Lähiympäristön vaikutus männyn viljelytaimi kon hirvivahinkoalttiuteen. Summary: The effect of immediate environment on moose (Alces alces) damage in young Scots pine plantations. Folia Forestalia 626. 14 s. Rousi, M. 1983. Susceptibility of pine to mammalian herbivores in northern Finland. Seloste: Männyn alttius nisäkästuhoille Pohjois-Suomessa. Silva Fennica 17(4): 301-312. Sainio, P. 1956 a. Hirven talvisesta ravinnosta. Summary: On the feeding of elk in winter. Silva Fennica 88: 24 s. 1956 b. Hirven talvisesta ravinnosta. Suomen Riista 10: 129-135. Salonen, J. 1982. Hirven talviravinnon ravintoarvo. Summary: Nutritional value of moose winter browsing plants. Suomen Riista 29: 40-45. TASO 1987. Metsätaloussuunnittelun maastotyöohje. Keskusmetsälautakunta Tapio. 47 s. Nikula, A., Ritari, A. & Lahti, M-L. (toim ). Paikkatiedon ja satelliittikuvainformaation käyttö metsäntutkimuksessa. Tutkimuspäivä Rovaniemellä 1993. Metsäntutkimuslaitoksen tiedonantoja 479: 88-98. 88 Pohjois-Suomen numeerinen ilmastomalli mesoskaalassa AULIS RITARI & VESA NIVALA Metsäntutkimuslaitos, Rovaniemen tutkimusasema PL 16, 96301 Rovaniemi EMAIL Aulis.Ritari@metla.fi EMAIL Vesa.Nivala@metla.fi Johdanto Ilmaston laatu Pohjols-Suomessa määräytyy yleispiirteissään maantieteellisen sijainnin, mantereisuus-mereisyysasteen ja pin nanmuotojen perusteella. Suurin osa alueesta kuuluu pohjoisbore aaliseen kasvillisuusvyöhykkeeseen, jota luonnehtivat kylmät tal vet ja viileät kesät sekä kohtalaisen pieni sademäärä (Naturgeo grafisk... 1977). Mikrotasolla ilmastoon vaikuttaa myös paikalla oleva kasvillisuus. Alueellista ilmastotietoa kerää Suomessa lähinnä Ilmatieteen laitos. Eri tasoisia havaintoasemia, joista suurin osa sadeasemia, on 600 -700 kpl. Sääasemien havainnot välittyvät nopeasti käytet täväksi maailmanlaajuisessa sääpalvelussa. Ilmastoasemien tietoja käytetään ilmastopalvelun ja tutkimuksen tarpeisiin (observatoriot, lentosääasemat, automaattiset mittausasemat). Mitattuja tunnuk sia esitetään raporteissa aikasarjoina ja alueellisina yleistyksinä. Alueelliset tarkastelut on usein esitetty pienimittakaavaisella kart tapohjalla. Havainnoitavia suureita ovat mm. auringonsäteily, auringonpaisteen kestoaika, ilman lämpötila, ilmanpaine, tuuli, ilman kosteus, pilvisyys, sademäärä ja sääilmiöt (Ilmasto 1987). Kasvituotannon kannalta keskeisimpiä säätekijöitä ovat ilman ja maan lämpötila, sademäärä ja säteilyenergia. Kesäaikana tietyn kynnyslämpötilan ylittävät päivittäiset lämpötilahavainnot määrä välein summaamalla saatu lämpösumma korreloi kiinteästi kas vien vuosirytmin ja kasvun kanssa, ja lämpösummasta onkin muo dostunut eräs tärkeimpiä tietyn kasvupaikan ilmastoa vuoden tai sitä pitemmän ajan perspektiivistä kuvaava tunnus (esim. Hentto nen ym. 1986). Kynnyslämpötilana käytetään useimmiten +5 °C. 89 Metsäntutkimuslaitoksen tiedonantoja 479 Ongelmallista on kuitenkin kuvata riittävän täsmällisesti havainto asemien välissä olevien kohteiden sääoloja. Tasoitusmenetelminä on käytetty mm. graafista tasoitusta, aritmeettisia keskiarvoja, liu kuvia keskiarvoja, trendipintoja ja kriging-interpolointia (Kolkki 1966, Ojansuu & Henttonen 1983, Solantie 1990, Henttonen 1991). Tässä työssä havaintojen alueelliseksi tasoitusmentelmäksi valittiin kriging-interpolointi, joka toisin kuin muut käytetyt mene telmät huomioi paikallisen satunnaisvaihtelun ja mahdollistaa alu eellisen luotettavuustarkastelun (Oliver & Webster 1990, Hentto nen 1991). Kuukauden keskilämpötilan, lämpösumman ja pinnalle tulevan globaalisäteilyn laskenta Esitettävä numeerinen ilmastomalli on toteutettu keskilämpötilojen esilaskennan jälkeen UNIX-käyttöympäristössä toimivalla paikkatietojärjestelmällä (ARC/INFO). Mallin perusrakenne, so. kuukauden keskilämpötilan laskeminen tiettyyn maantieteelliseen pisteeseen noudattaa Laaksosen (1976 a) ja Ojansuun & Henttosen (1983) esittämiä periaatteita. Laskennan toteuttamisesta paikkatietojärjestelmässä seuraa monia etuja: tekijöiden lisääminen on joustavaa, tilastollisia tunnuslukuja ja testejä voidaan laskea alueellisina ja tulosten analyysissä voidaan hyödyntää sekä numeerista että visuaalista tarkastelua. Malli sisältää tässä vaiheessa seuraavat tekijät: kuukausittaiset ilman keskilämpötilat eri vuosilta havaintoasemilla, x-, y-koordinaatit ja vastaava korkeustieto, järvisyys ja merisyys. Säähavainnot ovat Ilmatieteen laitoksen havaintoasemilta, joiden lukumäärä normaalikauden 1962-1990 (WMO) lopussa oli tarkastelualueella 42 kpl (Ilmas tohavainnot 1963-1991). Vuorokauden keskilämpötilan laskentaa varten splini funktiolla tasoitetut kuukauden keskilämpötilat korjataan todellisten ja estimoi tujen keskilämpötilojen erotuksilla. Lämpösummakertymä saadaan jakaumaa koskevien oletuksien vuorokauden lämpösummakertymän odotusarvojen sum mana (Ojansuu & Henttonen 1983). Käytetty korkeusmalli on 200 x 200 x 200 m matriisiaineisto, joka on digitoi tu GT-kartta-aineistosta korkeuskäyrien välit interpoloiden. Maantieteellisen sijainnin ja korkeuden vaikutus on laskettu kuukausittain Laaksosen (1976 c) esittämien gradienttien perusteella. Merisyys ja järvlsyys on 5x5 km:n matrtlsiaineisto. GT-kartalla Suomi on jaettu 5x5 km:n ruutuihin. Kuhunkin ruutuun on sijoitettu systemaattisesti 9 pistettä ja meriin tai järviin osuneiden pisteiden lukumäärä on talletettu kusta kin ruudusta. Vaikutus kuukauden keskilämpötiloihin on laskettu Ojansuun & Henttosen (1983) kuvaamalla menetelmällä. Merisyyden ja järvisyyden vaikutus ta lämpötiloihin laajalla alueella ovat tarkastelleet aikaisemmin Laaksonen (1976 b) ja Solantie (1976). 90 Ritari, A. & Nivala, V. Soisuus sekä rinteen kaltevuusasteen ja suunnan (ekspositio) vaikutus ilman lämpötilaan liitetään malliin jatkossa. Eräiden teki jöiden maastoerotuskykyä harkitaan lisättäväksi uusien jo olemas sa olevien aineistojen avulla. Laskenta etenee kuvan 1 mukaan seuraavasti: Kuva 1. Keskilämpötilan ja lämpösumman laskenta paikkatietojärjestelmässä Lähtöaineistona ovat korkeuspisteistö, merisyys, järvisyys, maantieteellinen sijainti ja kuukausien keskilämpötilat havainto asemilla. Valmistelevassa vaiheessa talletetaan vuosittaiset kuukausien keskilämpötilat kullakin havaintoasemalla tietokantaan, esilaske taan korkeuden ja maantieteellisen sijainnin yhteisvaikutus 200 x 200 m ruuduissa (kuva 2), esilasketaan merisyyden vaikutus kuukausittain 200 x 200 m ruuduissa ja esilasketaan järvisyyden vaikutus kuukausittain 200 x 200 m ruuduissa (kuva 3). 91 Metsäntutkimuslaitoksen tiedonantoja 479 Kuva 2. Korkeuden ja maantieteellisen sijainnin (pohjoisuus) yhteisvaikutus keskilämpö tilaan heinäkuussa. Kuva 3. Merisyyden ja järvisyyden vaikutus kuukauden keskilämpötilaan heinäkuussa (vasen) ja syyskuussa (oikea). 92 Ritari, A. & Nivala, V. Varsinaisessa laskennassa poistetaan esilaskettujen tekijöiden vaikutus havaintoasemien kuukausittaisista keskilämpötiloista, tasoitetaan kuukausittaiset keskilämpötilat kriging (ordinary)- menetelmällä 200 x 200 m:n ruudukkoon, korjataan ruudukon keskilämpötilat summaamalla niihin esilasketut tekijät sekä lopuksi tasoitetaan ja korjataan kuukausittaiset keskilämpötilat ja lasketaan lämpösummakertymät. Kriging-tasoitus on laskentaintensiivinen, pitkälle kehittynyt interpolointiprosessi, joka generoi annettujen pisteiden z-arvoista (tarkastelumuuttuja) estimaatin pisteiden väliselle pinnalle. Muista interpolointimenetelmistä poiketen kriging mahdollistaa ensin ilmiön alueellisen käyttäytymisen tutkimisen ja vasta tämän jäl keen siihen parhaiten sopivan varianssimallin käytön. Trendipinta menetelmään verrattuna etuna on mm. se, että kauempana tar kastelualueella oleva vaihtelu ei vaikuta tuloksiin rajatulla paikalli sella tasolla, mikä on realistinen lähtökohta ilmastotiedon meso skaalamailituksessa (Oliver & Webster 1990). Kriging-menetelmät käyttävät alueellisen vaihtelun mallintami seen matemaattisia funktioita ja perustuvat alueellisen muuttujan teoriaan, joka olettaa, että z-arvojen alueellinen vaihtelu ilmiön ympärillä on homogeeninen (Matheron 1971). Aineisto, jonka joi denkin z-arvojen tiedetään olevan anomaliapiikkejä, ei sovellu sel laisenaan krigingillä suoritettavaan interpolointiin, mutta poikkea vat havainnot voidaan käytetyssä paikkatietojärjestelmässä rajata harkinnan mukaan laskennan ulkopuolelle (Grid... 1992). Vaihtelua mitataan käyttäen ns. semivarianssia, joka on puolet z-arvoparien keskimääräisestä neliöidystä erotuksesta. Tarkastelu tapahtuu luomalla erillinen semivariogrammi, jossa y-akselilla on semivari anssi ja x-akselilla etäisyys pisteiden välillä. Lyhyillä etäisyyksillä pisteiden välinen semivarianssi on pieni kasvaen etäisyyden lisään tyessä. Semivariogrammin luomisen yhteydessä saatava kynnys arvo (sill) ilmoittaa sen maksimietäisyyden pisteiden välillä, jonka jälkeen vaihtelu z-arvojen välillä ei enää korreloi alueellisesti (kuva 4). Kuvassa 5 normaalikauden 1961-1990 pienimittakaavainen lämpösummakartta on laskettu edellä kuvatulla mallilla vuosittais ten tulosten keskiarvoista, jolloin varianssimallit on voitu valita kuukausittain ja vuosittain. Tällöin on myös voitu käyttää hyväksi tasoituksessa lukumäärältään lisääntyneiden ilmastoasemien havaintoja sekä ottaa huomioon vuosittaiset alueelliset vaihtelut sääoloissa. 93 Metsäntutkimuslaitoksen tiedonantoja 479 Kuva 4. Keskilämpötilan semivarianssi etäisyyden funktiona (yläkuva) ja kahden eri tasoitusmallin varianssi alueellisena esimerkkiaineistossa heinäkuulta 1989 (alakuvat). 94 Ritari, A & Nivala, V Kuva 5. Lämpösumma Pohjois-Suomessa normaalikautena 1961-1990. Laskenta on tehty vuosittaisten tulosten keskiarvoista 200 x 200 m ruuduissa. 95 Metsäntutkimuslaitoksen tiedonantoja 479 Rinteen suunnalla ja kaltevuudella on tunnetusti vaikutusta tarkastelupaikan ilmastoon jopa niin, että ilmastoa tarkoittava sana "kiima"- tulee kreikankielisestä sanasta viettää. Se, miksi ete lärinne on kesällä lämpimämpi kuin pohjoisrinne, voidaan selittää pääosin tulosäteilyeroilla (kuva 6). Kauniina kesäpäivänä globaali säteilyn ja maanpinnan läheisen ilmakerroksen lämpötilan välillä voidaan todeta kiinteä riippuvuus (Odin 1976). Advektiosta ja auringon säteilyn tulokulman muuttumisesta (hajasäteilyn osuus kasvaa) johtuen riippuvuus ei ole syksyllä enää yhtä selvä. Kun tarkastelu tehdään suurimittakaavaisena, on mahdollista tutkia ilmastotunnuksia sadoista metreistä muutaman kilometrin etäisyyksillä. Kuvassa 7 nähdään kaltevuuden ja eksposition vai kutus pinnalle tulevaan globaalisäteilyyn heinäkuussa Pallas- Ounastunturin kansallispuistossa. Aineisto pinnalle tulevan aurin gon säteilyn laskemiseksi kuukausikeskiarvoina on Sodankylän havainnoista vuosilta 1971-1980 (Tammelin & Hyvönen 1989). Verrattaessa alueen säteilykarttaa korkeusmalliin ja ottamalla huomioon edellä mainittu globaalisäteilyn ja maanläheisen ilma kerroksen lämpötilan välinen riippuvuus, todetaan jatkossa olevan tarve sisällyttää rinteiden kaltevuuden ja kaltevuussuunnan vaiku tus lämpötiloja käsittelevään ilmastomalliin. Kuva 6. Suoran auringonsäteilyn suhteellinen vuotuinen jakautuminen kalteville, eri suuntaisille pinnoille verrattuna vaakasuoran pinnan säteilyyn Helsingissä ja Sodan kylässä (Ilmasto 1987) 96 Ritari, A. & Nivala, V. Kuva 7. Pallas-Ounastunturin kansallispuiston korkeusvyöhykekartta (vasen) ja maanpinnalle tuleva globaalisäteily heinäkuussa (oikea). Tulosten tarkastelu Kuvatulla numeerisella ilmastomallilla voidaan tässä vaiheessa las kea vuosittainen keskilämpötila ja lämpösumma mielivaltaiseen pisteeseen, tarkastella paikkatietojärjestelmän avulla tilannetta laajalla alueella sekä muodostaa aikasarjoja yksittäiseen pistee seen. Kriging-menetelmä sopii lämpötilojen ja sadesummien alueel liseen tasoitukseen sekä teoreettisen perustansa että vertailututki musten perusteella (Henttonen 1991). Kun ilmastohavaintoja tule vaisuudessa tuotetaan havaintoasemille tai karkeaan hilaan jakau matietojen tai ennustemallien avulla (Posch 1992), voidaan tar kempi alueellinen data tuottaa kuvatulla mallilla. Soisuus on pinta-alallisesti järvisyyttä merkittävämpi tekijä Pohjois-Suomessa. Pienimittakaavaisessa tarkastelussa eri suun tiin viettävien rinteiden pinta-alat, rajauksista riippuen, eivät vält tämättä kompensoi toisiaan, jolloin alueelle ilman ekspositiokor jausta laskettu keskilämpötila voi olla harhainen. Jatkokehittelys sä malliin pyritään sisällyttämään soisuuden, kaltevuuden ja kal tevuussuunnan ohella myös muiden maaston muotojen sekä kas villisuustyyppien vaikutus. Tämä edellyttää säteily/energiatase mallin käyttöä. Perustietoina tarvitaan säteilyhavaintoja, korkeus malli, satelliittikuvainformaatiota (pintatyypit, albedot) sekä maa 97 Metsäntutkimuslaitoksen tiedonantoja 479 han ja kasvillisuuteen liittyvää parametritietoa (esim. Deardorff 1978, Parlow 1989). Mallin rakentamisen tulee perustua meteoro logisten ilmiöiden käyttäytymisen tuntemiseen eri mittakaavoissa ja todentamiseen mitatuilla aineistoilla. Lisää maastoaineistoja tar vitaan esimerkiksi energiatasemallien testaamiseksi ja käytetyn lämpötilan korkeusgradientin tarkkuuden arviointia varten tuntu rialueilla. Työssä käytetyt Laaksosen (1976 c) gradientit perustuvat Fennoskandian alueelta olevaan aineistoon, jossa ilmastoasemien korkeusvaihtelu on suurempi kuin pelkästään Suomen alueelta olevassa aineistossa (vrt. Ojansuu & Henttonen 1983). Yhdessä metsikkötason tietojen kanssa numeerinen ilmastomal li tarjoaa tutkimukselle ja käytännölle apuvälineen moniin sovel luksiin. Näitä ovat esimerkiksi maan ominaisuuksien vaikutuksen määrittäminen suhteessa kasvupaikan tuotoskykyyn, siemen keruualueiden rajaus ja tuleentumisen seuranta sekä ilmastomuu toksen vaikutuksen alueellinen ennakointi. Kirjallisuus Deardorff. J.W. 1978. Efficient prediction of ground surface temperature and moisture with inclusion of a layer of vegetation. Journal of Geophysical Research 83(4): 1889-1903. Grid Command References 1992. Environmental Systems Research Institute, Inc., Arclnfo Command References. 88 s. Henttonen, H. 1991. Kriging in interpolating July mean temperatures and precipitation sums. University of Jyväskylä, Reports from the Department of Statistics 12. 41 s. , Kanninen, M., Nygren, M. & Ojansuu, R. 1986. The maturation of Pinus Sylvestris seeds in relation to temperature climate in northern Finland. Scandinavian Journal of Forest Research 1: 243-249. Ilmasto 1987. Maanmittaushallitus ja Suomen Maantieteellinen Seura, Suomen Kartasto, vihko 131. 32 s. Ilmastohavainnot 1961-1990. Ilmatieteen laitos. Suomen Meteorologinen Vuosi kirja, niteet vuosilta 1963-1991. Kolkki, O. 1966. Taulukoita ja karttoja Suomen lämpöoloista kaudelta 1931- 1960. Liite Suomen meteorologiseen vuosikirjaan 65, osa la - 1965. 42 s. Laaksonen, K. 1976 a. Factors affecting mean air temperature in Fennoscandia, October and January 1921-1950. Fennia 145. 93 s. 1976b. Seasonal variations in the influence of seas and inland waters upon mean air temperature in Fennoscandia (1921-1950). Annales Academiae Scientiarum Fennicae A 111 120. 33 s. 1976 c. The dependence of mean air temperatures upon latitude and altitude in Fennoscandia (1921-1950). Annales Academiae Scientiarum Fennicae A 111 119. 19 s. Matheron, G. 1971. The theory of regionalized variables and its applications. Les Cahiers du Centre de Morphologie Mathematique de Fontainebleau, No. 5, Paris. 211s. Naturgeografisk regionindelning av Norden 1977. Nordiska Ministerrädet, Nord 1977:34. 2 tabeller, 3 kartor. 2. upplagan 1984. 98 Ritari, A & Nivala, V Odin, H. 1976. Skogsmeteorologiska faktorers förändring med kalhuggning. Del 1. Skogshögsskolan, Institutionen för skogsföryngring, Rapporter och Uppsatser 73. 237 s. Ojansuu. R. & Henttonen, H. 1983. Kuukauden keskilämpötilan, lämpösumman ja sademäärän paikallisten arvojen johtaminen Ilmatieteen laitoksen mit taustiedoista. Summary: Estimation of the local values of monthly mean tem perature, effective temperature sum and precipitation sum from the measurements made by the Finnish Meteorological Office. Silva Fennica 17(2): 143-160. Oliver, M.A. & Webster, R. 1990. Kriging: a method of interpolation for geographical information systems. International Journal of Geographic Information Systems 4(4): 313-332. Parlow, E. 1990. Spatial patterns of radiation fluxes using Landsat-TM-data and GIS-techniques. Proceedings of the 9th EARSeL Symposium, Espoo, Finland, 27 June-1 July 1989. s. 441-447. Posch, M. 1992. Ilmastogeneraattorin kehittäminen. Julkaisussa: Kanninen, M. & Anttila. P. (toim.). Suomalainen ilmakehän muutosten tutkimusohjelma. Tutkimusten väliraportit. Suomen Akatemian julkaisuja 2/92: 243-247. Solantie, R. 1976. Järvien vaikutus lämpötilan mesoskaala-analyysiin Suomes sa. Ilmatieteen laitoksen tiedonantoja 30. 72 s. 1990. The Climate of Finland in relation to its Hydrology, Ecology and Culture. Finnish Meteorological Institute. Contributions No. 2. 131 s. Tammelin, B. & Hyvönen, B. 1989. Laskennalliset auringonsäteilymäärät eri suuntaisille pinnoille Suomessa. Calculated solar radiation incident upon slopes of different oriented surfaces in Finland. Ilmatieteen laitos, Meteorolo gisia julkaisuja 8. 41 s. Nikula, A., Ritari, A. & Lahti, M-L. (toim). Paikkatiedon ja satelliittikuvainformaation käyttö metsäntutkimuksessa. Tutkimuspäivä Rovaniemellä 1993. Metsäntutkimuslaitoksen tiedonantoja 479: 99-103. 99 Porolaidunten inventointi kauko kartoitusta ja paikkatieto järjestelmää käyttäen ALFRED COLPAERP, JOUKO KUMPULA2 & MAURI NIEMINEN2 10ulun yliopisto, maantieteen laitos Linnanmaa, 90570 Oulu EMAIL Colpaert@oymnts.oulu.fi 2Riista- ja kalatalouden tutkimuslaitos, Porotutkimus Koskikatu 33 A, 9600 Rovaniemi Talvilaidunten liiallinen kuluminen on muodostumassa yhdeksi poronhoidon keskeiseksi ongelmaksi. Kehityksen syitä täytyy etsiä viime vuosikymmenen aikana kohonneista poromääristä ja ohjaile mattomasta laidunnuksesta. Porolaidunten käytön tulisi perustua ekologisesti kestävälle periaatteelle eli laidunten kulutus ei aina kaan jatkuvasti saisi ylittää niiden tuottoa. Toisaalta laidunten käyttö pitäisi pystyä mitoittamaan myös siten, että niistä saatu hyöty olisi suurin mahdollinen. Poromäärien sovittaminen edes teoreettisella tasolla laidunten määriin ja tuottoon nähden oikeaksi törmää kuitenkin aina yhteen suureen ongelmaan - erilaisten lai duntyyppien määrien selvittäminen ja laidunten paikantaminen tietyltä alueelta luotettavasti tuottaa vaikeuksia. Satelliittikuvien käyttö on yleistynyt luonnonvarojen kartoittamisessa ja seuran nassa mm. kehittyneiden tietokoneohjelmistojen ja parantuneiden tulostinlaitteiden ansiosta. Norjan alueella satelliittikuvien käyttöä on kokeiltu porolaidunten kartoittamisessa ja laidunten tilassa tapahtuneiden muutosten seurannassa hyvin tuloksin (Tommervik & Lauknes 1987. Johansen & Tommervik 1990, 1992). Myös Suo men poronhoitoalueella satelliittikuvien käyttöä kokeiltiin lähinnä jäkälälaidunten kartoittamiseen vuosina 1987-1989 (Rantanen ym. 1989). Jäkäliköiden kuluneisuuden ja keskeneräiseksi jääneen tul kintamenetelmän vuoksi laidunten tulkinta onnistui kuitenkin parhaimmillaan ainoastaan tyydyttävästi. 100 Colpaert, A., Kumpula, J. & Nieminen, M. Kesällä 1992 Oulun yliopiston maantieteen laitos ja Riista- ja kalatalouden tutkimuslaitoksen Porotutkimus käynnistivät tutki muksen, jonka tarkoituksena on inventoida kuuden eri paliskun nan syys- ja talvilaitumet satelliittikuvatulkinnan ja paikkatietojär jestelmän avulla. Tarkoitus on aluksi tehdä kustakin paliskunnas ta alueen kasvillisuutta vastaava laidunluokitus. Paliskunnan rajat, tärkeimmät tiet, asutus ja maatalouden alueet digitoidaan ja siirretään luokitelluille kuville. Tutkimus antaa tietoa kunkin palis kunnan porolaidunten määristä ja sijainnista. Myös tiestön, asu tuksen, maatalouden ja erilaisen rakennustoiminnan sijoittumista paliskunnalle tärkeisiin laidunalueisiin nähden selvitetään. Poro laidunten kuntoa ja ravintokasvien määriä selvitetään tutkimus paliskuntien alueilta maastossa inventoitujen koealueiden avulla. Tutkimus suoritetaan Oraniemen, Muotkatunturin, Pohjois-Sal lan, Alakitkan, Tolvan ja Hossa-Irnin paliskunnista. Näiden palis kuntien alueella on maastossa inventoitu kasvillisuutta erilaisilla laiduntyypeillä sijaitsevilta koealueilta kesinä 1987-90. Laidunluo kitukset tehdään Landsat-5 TM -kuvilta GRASS-ohjelmiston avul la. Menetelmänä käytetään ns. ohjattua luokitusta, joka perustuu "maximum likelihood" -algoritmiin. Kanavien 3, 4 ja 5 avulla tulos tetaan värikompositio, josta valitaan tiettyjä kasvillisuus- ja lai duntyyppejä edustavia, homogeenisia alueita luokituksen vertailu alueiksi. Ohjelmisto laskee kustakin vertailualueesta kaikkien seit semän kanavan säteilyarvot. Kun erilaiset, alueen tyypillisiä kasvil lisuus- ja laiduntyyppejä edustavat vertailualueet on valittu, voi daan koko kuvan luokitus aloittaa. Tällöin jokainen kuvan pikse leistä sijoittuu tiettyyn luokkaan. Kyseiset luokat on siis ennalta määrätty valittujen vertailualueiden perusteella. Luokittunut kuva oikaistaan Suomessa käytettyyn yhtenäiskoordinaatistoon. Val miiksi luokiteltu kuva siirretään ARC/INFO paikkatietojärjestel mään. Paliskunnan rajat, tiestö ja asutus digitoidaan ja siirretään luokitettuun kuvaan. Paliskunnan ja eri laidunluokkien pinta-alat lasketaan. Koordinaattipisteiden avulla selvitetään maastossa inventoitujen koealueiden jakaantuminen eri laidunluokkiin. Ravintokasvien määrät ja hehtaaribiomassat eri laidunluokissa lasketaan. Lähellä toisiaan olevia luokkia voidaan yhdistää ja luo kitettua kuvaa suodattaa selvemmän tulostuksen aikaansaamisek si. Laidunkarttojen tulostus tapahtuu ARC/INFO-ohjelmalla ja VERSATEC 3436 väripintapiirturilla. Luokituksen luotettavuutta voidaan tutkia maastokoealueiden avulla, mikäli niitä ei ole käytet ty apuna luokituksessa. Muuten luokituksen luotettavuus tarkis tetaan jälkeenpäin maastossa inventoitujen testipisteiden avulla. Oraniemen paliskunnan alueen syys- ja talvilaidunten luokitus on valmis. Syyslaitumia ovat kyseisessä luokituksessa etupäässä heinittyneet alueet, keskitalven laitumia kaikki kuivat kasvupaikat ja kevättalven laitumia vanhat kuusikot ja vanhat sekametsät. Eri 101 Metsäntutkimuslaitoksen tiedonantoja 479 luokkien pinta-alat on ilmoitettu taulukossa 1. Porolle tärkeiden syys- ja talviajan ravintokasvien peittävyydet sekä poronjäkälien pituudet eri laidunluokissa näkyvät kuvissa 1, 2 ja 3. Koska maas toon inventoituja koealueita ei suoranaisesti käytetty hyväksi Ora niemen alueen luokitusta tehtäessä, myös luokituksen luotetta vuutta on voitu tarkastella. Luokituksen yleinen luotettavuus näyt täisi olevan noin 85 %. Luokituksen lopullinen luotettavuus tarkis tetaan ensi kesän aikana. Oraniemen paliskunnan alueelta valmistunut porolaidunten luokitus osoittaa menetelmän soveltuvan hyvin erilaisten laidun tyyppien inventointiin paliskuntatasolla. Menetelmä yhdistettynä maastossa tapahtuvaan laidunten tilan seurantaan helpottaa poro määrien sovittamista laidunten määrään ja tuottoon nähden oikeaksi. Myös poronhoidon organisointi ja laidunten käytön suun nittelu helpottuu. Paliskunnille tärkeät laidunalueet pystytään myös entistä paremmin osoittamaan tutkimuksen keinoin. Taulukko 1. Luokkien pinta-alat ja prosenttiosuudet Oraniemen paliskunnassa. Luokat km 2 % Tuoreet ja kuivahkot kasvupaikat Heinittyneet alueet 777,71 19,90 Nuoret mäntymetsät 685,67 17,55 Vanhat sekametsät 254,55 6,52 Vanhat kuusikot 462,01 11,83 Kuivat kasvupaikat Hakkuualueet 58,21 1,49 Nuoret mäntymetsät 91,97 2,35 Vanhat mäntymetsät 59,48 1,52 Muu Lakialueet 16,68 0,43 Lehtipuustoiset alueet 131,50 3,37 Puustoiset suot 746,83 19,12 Avosuot 482,69 12,36 Peltoalueet 30,14 0,77 Vesi 45,67 1,17 Luokittelematon 63,48 1,62 Yhteensä 3 906,60 100,00 102 Colpaert, A., Kumpula, J. & Nieminen, M Kuva 1. Heinämaisten ja ruohomaisten kasvien yhteispeittävyys prosentteina (x ± SE) eri luokissa. Koealueiden lukumäärä (N) on ilmoitettu kunkin pylvään yläpuolella (F = 3,87, P = 0,001, varianssianalyysi). Kuva 2. Poronjäkälien yhteispeittävyys prosentteina (x ± SE) eri luokissa. Koealueiden lukumäärä (N) on ilmoitettu kunkin pylvään yläpuolella (F = 15,27, P < 0,001, varians sanalyysi). 103 Metsäntutkimuslaitoksen tiedonantoja 479 Kuva 3 Poronjäkälien keskimääräinen, elävän osan pituus millimetreinä (x ± SE) eri luo kissa. Koealueiden lukumäärä (N) on ilmoitettu kunkin pylvään yläpuolella (F = 11,89, P < 0,001, varianssianalyysi). Kirjallisuus Johansen, B. & Tommervik, H. 1990. Kartleggning av lavheier i Karasjok reinbeitedistrikt. Nasjonal konferanse om medisinsk bildebehandling og fj'ernanalyse, Tromso, 28-29 mai 1990. s. 76-81. & Tommervik, H. 1992. Mapping the reindeer grazing effects on the environ ment in Finnmark, northern Norway, using Landsat data (abstract). Second Circumpolar Symposium On Remote Sensing of Arctic Environments, Tromso, May 4—6, 1992. s. 35-36. Rantanen, M., Tomppo, E., Nenonen, S. & Nieminen, M. 1989. Porolaidunten inventointi kaukokartoitusta käyttäen. Tutkimusprojektin loppuraportti. Espoo. 68 s. Tommervik, H. & Lauknes, I. 1987. Mapping of reindeer ranges in the Kauto keino area. Northern Norway by use of Landsat 5/TM data. Rangifer 7(2): 2-14. Nikula, A., Ritari, A. & Lahti, M-L. (toim ). Paikkatiedon ja satelliittikuvainformaation käyttö metsäntutkimuksessa. Tutkimuspäivä Rovaniemellä 1993. Metsäntutkimuslaitoksen tiedonantoja 479: 104-105. 104 Metsäntutkimuslaitoksen koe toiminnan tietojärjestelmän nykytila ja prototyyppi tulevaisuuden järjestelmästä KAIBLAUBERG Metsäntutkimuslaitos, tietohallintoyksikkö Unioninkatu 40 A, 00170 Helsinki Metsäntutkimuslaitoksen hallinnollinen koerekisteri otettiin käyt töön syksyllä 1991, jolloin se korvasi vuonna 1981 valmistuneen "vanhan koerekisterin". Koerekisteriin on tallennettu 19.2.1993 mennessä 5 677 koetta, joka käsittää 5 776 koemetsikköä. Vanhin koerekisteriin tallennettu koe on vuodelta 1867. Metsänjalostuksen tutkimusosastolla on vastuulla 2 146 koetta, metsänhoidon tutkimusosastolla 1 213 koetta ja metsänarvioinnin tutkimusosaston vastuulla 862 koetta. Kolme suurinta tutkimus hanketta ovat: havupuiden jalostusaineiston testaaminen (1 152 kpl), ravinnetalouden hoito turvemailla (619 kpl) ja ulkomaisten puulajien viljely ja hoito (579 kpl). Metsäntutkimuslaitoksen koe toiminta kattaa kaikki maanomistajaryhmät, joista kolme suurinta ovat: Metsäntutkimuslaitoksen omat tutkimusmetsät ja luonnon suojelualueet (2 416 kpl), metsähallitus (1 844 kpl) ja metsäyrityk set (552 kpl). Koerekisterin tietosisältö jakaantuu kolmeen eri hierarkia tasoon, jotka ovat koe, koemetsikkö ja koeala. Koetasolle on tallen nettu kokeisiin liittyviä hallinnollisia tietoja, kuten kokeesta vas taava henkilö, METLAn vastuullinen organisaatioyksikkö, kokeen tarkoitus, tutkimuskohde sekä mahdollisesti julkaisutietoja. Koe metsikkötasolle on tallennettu esimerkiksi metsikön maanomista jatietoja, metsikkökuvaus, puustokuvaus, tietoja toimenpiteistä, koemetsikön sijaintikoordinaatit sekä tietoja mahdollisten tuhojen esiintymisestä. Koealatasolle on mahdollista tallentaa koeala kuvaus sekä koealan puustotunnukset, jos ne poikkeavat suuresti koemetsikön tunnuksista. 105 Metsäntutkimuslaitoksen tiedonantoja 479 Hallinnolliseen koerekisteriin tallennettujen kokeiden sijainti on määritetty tällä hetkellä vain tallentamalla vähintään koemetsiköi den keskipiste yhtenäiskarttakoordinaatistossa. Tämä mahdollis taa yksinkertaiset koordinaatteihin perustuvat haut tietokannasta. Sijaintitietoa voidaan hallita myös paikkatietojärjestelmän avulla. Tässä tapauksessa on mahdollista tehdä niin sijaintiin kuin omi naisuuksiin perustuvia hakuja tietokannasta ja tulostaa hakujen tulokset yhdessä muiden numeeristen kartta-aineistojen kanssa. Tietotauluissa esitettiin METLAn koerekisteriin tallennettujen kokeiden sijoittuminen Suomen alueella sekä teemakarttoja, jossa teemoitus on määritetty maanomistaja-, organisaatioyksikkö-, vas tuututkija- sekä tutkimuskohdekoodien mukaan. Tulevaisuudessa koerekisteriin on mahdollista liittää myös kokei den koejärjestelyjä kuvaavat koealakartat, jotka voidaan tarvittaes sa siirtää rajoitustiedoksi esimerkiksi metsätalouden suunnittelun tietojärjestelmiin. Tietokonedemonstraatiossa esitettiin prototyyppi tämänkaltaisesta järjestelmästä. Nikula, A., Ritari, A. & Lahti, M-L. (tokn.). Paikkatiedon ja satelliittikuvainformaation käyttö metsäntutkimuksessa. Tutkimuspäivä Rovaniemellä 1993- Metsäntutkimuslaitoksen tiedonantoja 479: 106-107. 106 Lämpösumman alueellinen vaihtelu Pohjois-Suomessa kymmen vuotisjaksona 1981-1990 AULIS RITARI & VESA NIVALA Metsäntutkimuslaitos, Rovaniemen tutkimusasema PL 16, 96301 Rovaniemi EMAIL Aulis.Ritari@metla.fi EMAIL Vesa.Nivala@metla.fi Lämpötilan alueellinen lyhytaikainen vaihtelu on jokaiselle tuttua säätiedotusten perusteella. Minkälaiseksi tilanne muodostuu kas vukauden aikana eri osoissa maata on heikommin tiedossa. Asiaa havainnollistaa vuosittaista lämpösummaa (kynnysarvo +5 °C) ku vaava karttasarja, joka on tuotettu paikkatietojärjestelmään liite tyn ilmastomallin avulla. Kuvissa la ja lb tarkastellaan lämpö summan alueellista vaihtelua esimerkkivuosina 1982 ja 1988 Poh jois-Suomessa (Ritari & Nivala 1993). Lähtötietoina käytetään pysyvien säähavaintoasemien (Ilmatieteen laitos) kuukausittaisia ilmanlämpötilakeskiarvoja kahden metrin korkeudella maanpin nasta. Laskennassa on otettu huomioon paikan maantieteellinen sijainti ja korkeusasema sekä meren ja järvien lähialuevaikutus. Alkuperäisen korkeusmallin pikselikoko on 200 x 200 m. Alueelli sen tasoituksen jälkeen tiedot voidaan laskea myös aikasarjana haluttuun pisteeseen. Kun paikkatietomatriiseilla tehdään laskentaoperaatioita, aineiston jatkojalostuksen tulokset voidaan esittää alueellisina. Tässä on käytetyn tekniikan eräs tärkeä ominaisuus. Kuva lc esit tää lämpösumman havaintopisteittäisen keskihajonnan kymmen vuotisjaksolta 1981-1990. Kuvassa ld näkyvät "lämpimimmän" (1988) ja "kylmimmän" (1982) vuoden lämpösummien erot. Kirjallisuus Ritari, A. & Nivala, V. 1993. Pohjois-Suomen numeerinen ilmastomalli meso skaalassa. Julkaisussa: Nikula, A.. Ritari, A. & Lahti, M-L. (toim.). Paikkatie don ja satelliittikuvainformaation käyttö metsäntutkimuksessa. Metsäntutki muspäivä Rovaniemellä 1993. Metsäntutkimuslaitoksen tiedonantoja 479: 88-98. 107 Metsäntutkimuslaitoksen tiedonantoja 479 Kuva la-d. Lämpösumman alueellinen vaihtelu Pohjois-Suomessa vuosina 1982 ja 1988 (kuvat a ja b), havaintopisteittäinen keskihajonta (kuva c) ja vuosien 1988 ja 1982 lämpösummaerot (kuva d). Nikula, A., Ritari, A. & Lahti, M-L. (toim ). Paikkatiedon ja satelliittikuvainformaation käyttö metsäntutkimuksessa. Tutkimuspäivä Rovaniemellä 1993. Metsäntutkimuslaitoksen tiedonantoja 479: 108-110 108 Tärkeimmät metsätalouskäyttöä rajoittavat aluevaraukset ja alueiden hallinta Pohjois-Suomessa AULIS RITARI & VESA NIVALA Metsäntutkimuslaitos, Rovaniemen tutkimusasema PL 16, 96301 Rovaniemi EMAIL Aulis.Ritari@metla.fi EMAIL Vesa.Nivala@metla.fi Metsäntutkimuslaitoksen Rovaniemen tutkimusasemalla on laadit tu numeeriset kartat tärkeimmistä aluevaraustyypeistä Pohjois- Suomessa (kuvat la, lb ja lc). Digitoinnin perusmateriaalina on käytetty alkuperäisen aineiston mittakaavassa olevia julkaistuja karttoja (Lapin seutukaavan ... 1990, Metsähallituksen metsät 1989-1991, Metsähallituksen metsät 1991, Seutukaavan ... 1990) sekä saatavilla olevaa muuta karttamateriaalia (mm. Ympäristö ministeriö). Maiden hallinnasta Pohjois-Suomessa on myös laadittu numee rinen kartta, joka perustuu pääosiltaan Lapin seutukaavaliiton vuonna 1980 julkaisemaan maanomistuskarttaan (Maanomis tus ... 1980) täydennettynä Metsäntutkimuslaitoksen ja opetushal lituksen hallinnassa olevilla alueilla (kuva ld). Numeerisesta kartasta voidaan tulostaa paikkatietojärjestelmäs sä eri mittakaavaisia ja eri tavoin kombinoituja karttoja. Alue varaus- ja muita paikkasidonnaisia tietoja yhdistämällä voidaan tehdä analyysejä, jotka eivät aikaisemmin olleet mahdollisia. Maan hallintaa ja omistusta sekä korkeusmallia käyttäen on mm. tarkas teltu korkeiden alueiden rajausvaihtoehtoja (Ritari & Timonen 1992). Maankäyttö- ja hallintatiedot ovat perusmateriaali, jonka avulla mm. metsävaratietoja on mahdollista laskea tarkoituksen mukaisissa ositteissa. Vastaavasti voidaan arvioida, täyttävätkö rajatut alueet ominaisuuksiltaan niille suunnittelussa asetetut tavoitteet. 109 Metsäntutkimuslaitoksen tiedonantoja 479 B Suojametsäalue 36600 km' H Erämaa- alue Kuva la-d. Kaavamääräysalueet Lapin läänissä (kuvat 1a ja 1b) sekä suojelualueet (kuva 1c) ja alueiden hallinta (kuva 1d) Pohjois-Suomessa. 110 Ritari, A. & Nivala, V. Kirjallisuus Lapin seutukaavan 4. osa. 1990. Lapin seutukaavaliitto, Kaavaselostus 80 s. + 6 karttaliitettä (1 : 200 000). Maanomistus ja maan hinta Lapissa 1980. Lapin seutukaavaliitto, Sarja A, Jul kaisu No. 28: 1-48 + karttaliite. Metsähallituksen metsät 1989-1991. Erikoispainos Suomen tiekartasta 1 : 200000. Maanmittaushallitus. 4 karttalehteä. Metsähallituksen metsät 1991. Pohjakartta 1 : 500 000, Karttakeskus. Ritari, A. & Timonen, M. 1992. Kehysmalli korkeiden alueiden metsänuudista mistutkimuksen suuntaamiselle. Julkaisussa: Nikula, A., Varmola, M. & Lahti, M-L. (toim.). Metsäntutkimuslaitoksen tiedonantoja 437: 133-142. Seutukaavan 1., 2. ja 3. osan yhdistelmäkartta 1990. Lapin seutukaavaliitto, Syyskuu 1990. Pohjakartta 1 : 200 000. Karttakeskus. 6 karttaa. Aineistot: Lapin Seutukaavaliitto, Metsäntutkimuslaitos, Opetushallitus ja Ympäristö ministeriö. Rovaniemen tutkimusasemalla ilmestyneet Metsäntutkimuslaitoksen tiedonantoja-sarjan julkaisut: N:o 6 Metsäntutkimuspäivät Rovaniemellä 1981.1981. N:o 35 Päivi Hänninen. Sammalen kemiallinen torjunta taimitarhalla. 1981. N:o 58 Pohjois-Lapin metsät. Metsäntutkimuspäivät Rovaniemellä 1982.1982. N:o 65 Yrjö Norokorpi ja Pentti Sepponen (toim.). Kilpisjärven alueen maankäytön yleissuunnitel ma. 1982. t\l:o 71 Päivi Hänninen. Alustavia päätelmiä kivivillan käytöstä männyntaimen kasvualustana muo vihuoneessa. 1982. N:o 77 Pohjois-Lapin metsien uudistaminen. 1982. N:o 95 Jarmo Nieminen. Varttuneet kontortametsiköt Kivalon kokeilualueella. 1983. N:o 105 Metsäntutkimuspäivät Rovaniemellä 1983.1983. N:o 148 Pentti Sepponen, Vuokko Pitkänen ja Helena Poikajärvi (toim.). Metsien kasvupaikkaluoki tus. Metsäntutkimuspäivät Rovaniemellä 1984.1984. N:o 157 Erkki Kaila ja Markku Taipale. TUTKA-tiedonhallintaohjelmisto. Tietokannan muodostus ja käyttö. 1984. N:o 165 Eero Tikkanen ja Hannu Raitio. Pohjois-Suomen aurausalueiden männyntaimien epänor maali kehitys ja olettamus sen syistä. Summary: A hypothesis on the cause of abnormal development of Scots pine saplings on ploughed sites in Northern Finland. 1984. N:o 186 Eero Tikkanen. Aurausalueen heikkokuntoisten männyntaimien ravinnetaloudesta Pohjois suomessa. Abstract: Nutrient metabolism of weakened Scots pine saplings on a ploughed site in Northern Finland. 1985. N:o 190 Erkki Kaila, Hilkka Kinnunen ja Tapio Timonen. 818-viitetietokantaohjelmisto. Tietokannan muodostus ja käyttö. 1985. N:o 196 Olli Saastamoinen ja Helena Poikajärvi (toim.). Tietojärjestelmien kehittäminen metsäalalla. Ajankohtaista tutkimuksesta. Metsäntutkimuspäivät Rovaniemellä 1985.1985. N:o 226 Timo Penttilä ja Mikko Honkanen. Suometsien pysyvien kasvukoealojen (SINKA) maasto työohjeet. 1986. N:o 242 Esa Taskinen ja työryhmä. Metsäkanalintujen elinympäristövaatimukset - kirjallisuuskat saus. 1986. N:o 243 Timo Penttilä ja Martti Varmola (toim.). Lapin kolmion puuntuotannolliset mahdollisuudet. 1987. N:o 253 Helena Poikajärvi (toim.). Metsäntutkimuspäivät Rovaniemellä 1986.1987. N:o 278 Hannu Saarenmaa ja Helena Poikajärvi (toim.). Korkeiden maiden metsien uudistaminen. Ajankohtaista tutkimuksesta. Metsäntutkimuspäivät Rovaniemellä 1987.1987. N:o 345 Anna-Liisa Sippola. Suojelualuetyypit ja kansallispuistojen suojelun toteuttaminen - kahdeksan esimerkkiä. 1989. N:o 347 Martti Varmola ja Pertti Palviainen (toim.). Lapin metsien terveys. Metsäntutkimuspäivät Rovaniemellä 1989.1990. N:o 362 Martti Varmola ja Tuija Katermaa (toim.). Metsänparannus. Metsäntutkimuspäivät Rovanie mellä 1990.1990. N:o 373 Eero Tikkanen and Martti Varmola (eds.). Research into forest damage connected with air pollution in Finnish Lapland and the Kola Peninsula of the U.S.S.R. A seminar held in Kuu samo. Finland, 25-26 May 1990.1991. N:o 378 Pentti Vitikka, Heikki Posio & Hannu Saarenmaa. Hyönteistuhoriski keinotekoisessa ylis puiden kelouttamisessa. Summary: Bark beetle damage in conjunction with artificial snag production in Finnish Lapland. 1991. N:o 407 Hannu Salminen & Tuija Katermaa (eds.). Simulation of Forest Development. Presentations from a symposium held in Saariselkä, Finland, October 12-14,1991.1992. N:o 410 Anna-Liisa Sippola & Juha-Pekka Rauhala. Acerbin keinosta Jerisjärven tielle. Pallas- Ounastunturin kansallispuiston historiaa. 1992. N:o 413 Heikki Kauhanen & Martti Varmola (toim.). Itä-Lapin metsävaurioprojektin väliraportti. Abstract: The Lapland Forest Damage Project - Interim report. 1992. N:o 427 Heikki Eeronheimo, Risto Virtanen, Anna-Liisa Sippola, Pentti Sepponen, Sinikka Salmela & Raimo Pikkupeura. Pallas-Ounastunturin kasvillisuus - Ounastunturin Pyhäkeron alue. 1992. N:o 437 Ari Nikula, Martti Varmola & Marja-Lea Lahti (toim.) Metsäntutkimuspäivät Rovaniemellä 1992.1992. Rovaniemi 1993 ISBN 951-40-1329-8 ISSN 0358-4283