LASERKEILAUS HAKKUUALOILLE JÄTETTYJEN SÄÄSTÖPUIDEN TUNNISTAMISESSA
LAURI HELENIUS
Pro gradu -tutkielma Itä-Suomen yliopisto Ympäristö- ja biotieteiden laitos
Biologia 2021
ITÄ-SUOMEN YLIOPISTO
Ympäristö- ja biotieteiden laitos, biologia
HELENIUS, LAURI: Laserkeilaus hakkuualoille jätettyjen säästöpuiden tunnistamisessa Pro gradu -tutkielma (40 op),
Huhtikuu 2021
Avainsanat: Säästöpuut, laserkeilaus, yksinpuintulkinta
--- TIIVISTELMÄ
Avohakkuiden tiedetään johtavan rakenteeltaan yksinkertaisiin metsiin, joissa useat
monimuotoisuuden kannalta tärkeät rakennepiirteet ovat hyvin vähäisiä. Muutokset metsien rakenteessa heijastuvat myös lajistoon ja tällä hetkellä metsäelinympäristöjen muutokset ovat yleisin syy lajien uhanalaistumiselle Suomessa.
Avohakkuiden negatiivisia vaikutuksia voidaan vähentää jättämällä hakkuualoille säästöpuita, joiden tarkoitus on tuoda talousmetsiin samoja rakennepiirteitä, joita esiintyy luonnonmetsissä.
Säästöpuiden vaikuttavuus on kuitenkin riippuvainen niiden myöhemmästä dynamiikasta.
Esimerkiksi kookkaat elävät puut ja kaatuneet puut tarjoavat resursseja eri lajiryhmille.
Suomessa säästöpuut todetaan hakkuun yhteydessä, mutta myöhemmin niiden tilaa ei seurata.
Tässä pro gradu -tutkielmassa tarkastellaan harvapulssiseen laserkeilausaineistoon perustuvan yksinpuintulkinnan tarkkuutta säästöpuiden havaitsemisessa. Lisäksi tarkastellaan miten
yksittäisen puun ominaisuudet vaikuttavat sen löytymiseen. Menetelmä voisi tuoda nopean ja kustannustehokkaan keinon säästöpuiden tilan seuraamiseen.
Tutkielman maastoaineisto on kerätty syksyllä 2019 Project Fire tutkimusalueelta Lieksassa.
Yhteensä puut inventointiin 12 koealalta, joissa havaittiin 1387 elävää, pystyyn kuollutta ja pökkelöksi murtunutta puuta, jotka pystyttiin varmuudella yksilöimään. Latvuston korkeusmallit ladattiin metsäkeskuksen metsään.fi palvelusta. Korkeusmallin resoluutio on 1 m * 1 m.
Yksinpuintulkinta tehtiin R-ohjelmalla käyttäen Watershed segmentointia, jossa latvustonkorkeusmallin paikallinen maksimikorkeus tunnistetaan puun latvaksi ja sille
segmentoidaan latvus. Algoritmin tunnistamat puut ja maastossa havaitut puut tuotiin samalle tasolle Esrin ArcMap ohjelmaan, jossa puiden sijainti- ja pituustietoa hyödyntäen algoritmin tunnistamat puut yhdistettiin maastossa havaittuihin puihin. Tilastollinen analyysi tehtiin
logistisella regressioanalyysillä, jossa puun havaitsemista selittäviksi muuttujiksi valittiin puulaji, puun tila (elävä, pystyyn kuollut, pökkelö), puun pituus ja puun kasvaminen yksin tai osana puuryhmää.
Tutkimuksessa havaittiin 25,52 % kaikista puista. Suurimman selitysarvon puun löytymiselle antoi sen kasvaminen yksin tai osana puuryhmää. Myös puun tila ja puun pituus olivat
tilastollisesti merkitseviä tekijöitä, mutta niiden selitysarvo oli pienempi. Puulaji ei tämän tutkimuksen mukaan ollut puun löytymisen kannalta tilastollisesti merkitsevä tekijä.
Tulosten perusteella menetelmä sopii parhaiten yksittäin kasvavien elävien puiden
havaitsemiseen. Sen sijaan ryhmässä kasvavat puut havaitaan heikommin ja havaitsematta jää myös kookkaita puita. Myös kuolleet puut havaitaan heikommin. Tämän tutkimuksen perusteella menetelmän käytännön toimivuutta on osin hankala arvioida, koska osalla koealueista säästöpuut sijaitsivat tiheissä ryhmissä, jotka eivät kaikilta osin vastaa tavanomaisiasäästöpuukäytäntöjä.
Myös käytetyn laserkeilausaineiston matala resoluutio todennäköisesti vaikutti tuloksiin heikentävästi.
UNIVERSITY OF EASTERN FINLAND
Department of Environmental and Biological Sciences, biology
HELENIUS, LAURI: Laser scanning to identify retention trees left in logging area MSC. Thesis (40 cp),
April 2021
--- SUMMARY
Clear cuts are known to lead forest whit simply structure and minor amount of biological
legacies. These changes affect to forest species. Today changes in forests structures are the most common cause of endangerment in Finland.
The negative effects of clear cuts can be reduced by leaving retention trees in the logging areas.
The purpose of retention trees is to bring some structures of natural forest into commercial forests. However, the effectiveness of the retention trees depends on their later dynamics. For example, large living trees and fallen trees provide resources for different species groups. In Finland retention trees are counted during clear cuts but their dynamics are not widely
monitored. The aim of this master´s thesis is to study the accuracy of individual tree detection- method based on low-pulse laser scanning data in the detection of retention trees. In addition, we look at what factors influence the detection of single tree. Method could provide a quick and cost-effective way to monitor the status of retention trees.
The field data of this study was collected in autumn 2019 from the Lieksa Project Fire research area. Trees were inventoried from a total of twelve experimental areas. Totally 1387 living trees, snags and logs were observed and identified with certainty. The canopy height models were downloaded from metsään.fi database provided by Finnish Forest Centre. The resolution of canopy height model is 1 m. * 1 m.
Individual tree detection was performed by using R-program and Watershed segmentation.
The algorithm interprets the local maximums as top of the tree and and segment the crown for it.
The trees identified by the algorithm and the trees detected in the terrain were brought to the same level in Esri's ArcMap program. Trees identified by the algorithm were combined with the trees detected in the terrain using the location and length information of the trees. Statistical analysis was performed by logistic regression analysis, in which tree species, tree condition (living, snag, log), tree length, and tree growth alone or as part of a tree group were selected as explanatory variables for tree detection.
In this study, a total of 25,52 % of the trees were detected. The greatest explanatory value for finding a tree was given by its growth alone or as part of a group of trees. Tree condition and tree length were also statistically significant factors, but their explanatory value was lower.
According to this study, the tree species was not a statistically significant factor in finding the tree.
Based on the results, the method is best suited for detecting living trees growing individually.
In contrast, trees growing in the group are less noticeable and large trees are also not detected.
Dead trees are also less noticeable. Based on this study, it is difficult to assess the practical functionality of the method in part, because in some of the experimental areas the retention trees were located in dense groups, which do not fully correspond to the usual retention tree practices at the moment. The low resolution of the laser scanning material used was also likely to have a detrimental effect on the results.
Sisällysluettelo
1. JOHDANTO ...4
1.2 Tutkielman tarkoitus ja hypoteesit...5
2. SÄÄSTÖPUUT ...6
2.1 Säästöpuiden ekologinen perusta...7
3. LASERKEILAUS ... 12
4. AINEISTO JA MENETELMÄT ... 14
4.1 Tutkimusalue ja kenttätyöt ... 14
4.2 Laserkeilausaineisto ... 17
4.3 Aineiston käsittely ... 17
4.4 Logistinen regression ... 21
5. TULOKSET ... 22
6. TULOSTEN TARKASTELU ... 26
7. JOHTOPÄÄTÖKSET ... 28
KIITOKSET JA LOPPUSANAT ... 29
LÄHDELUETTELO ... 29
4 1. JOHDANTO
Tasaikäisrakenteinen metsätalous, jossa puuntuotanto perustuu kiertoajan lopussa tehtävään avohakkuuseen, on ollut vallitseva tapa käsitellä Suomen ja muun Fennoskandian talousmetsiä 1950-luvulta alkaen. Tasaikäisrakenteisen metsätalouden suosiminen johtuu taloudellisista seikoista, jossa puuntuotanto saadaan maksimoitua käytettyihin panostuksiin nähden, mutta sen kääntöpuolena ovat negatiiviset vaikutukset metsäluonnon monimuotoisuudelle (Kuuluvainen ym.
2019). Huolimatta vaihtoehtoisten metsänkasvatustapojen, erityisesti eri-ikäisrakenteisen metsänkasvatuksen, yleistymisestä avohakkuun arvellaan kuuluvan suomalaiseen metsänhoitoon myös tulevaisuudessa (Luke).
Suomen metsäalasta on suojeltu noin kuusi prosenttia. Suojelualueet keskittyvät Lapin, Pohjois- Pohjanmaan ja Kainuun maakuntiin, joissa metsämaasta on suojeltu noin kahdeksan prosenttia.
Etelä-Suomen alueella suojellun metsämaan osuus on ainoastaan kolme prosenttia metsäpinta- alasta (Luke 2019). Tilanne on samansuuntainen kaikissa Pohjoismaissa, joissa noin 90 % kaikesta metsämaasta arvioidaan olevan metsätalouskäytössä. Koska suojellut alueet ovat usein pieniä ja heikosti toisiinsa kytkeytyneitä, ei niiden uskota pystyvän turvaamaan kaikkea metsäluonnon monimuotoisuutta. Viime vuosikymmeninä onkin yritetty löytää keinoja, joilla talousmetsien monimuotoisuutta voidaan lisätä (Gustafsson ym. 2010).
Yksi yleisimmistä keinoista pyrkiä vähentämään metsätalouden negatiivisia vaikutuksia on välttää täysiä avohakkuita ja jättää hakkuualueille säästöpuita ja säästöpuuryhmiä. Säästöpuita on esitetty maailmanlaajuiseksi ratkaisuksi sovittaa yhteen usein ristiriitaisena pidetyt tavoitteet tehokkaasta puuntuotannosta ja ekologisten arvojen turvaamisesta (Lindenmayer ym. 2012).
Säästöpuiden vaikutus monimuotoisuuden turvaamisessa on kuitenkin paljolti riippuvainen niiden dynamiikasta. Elävät ja kuolleet puut hyödyttävät eri lajistoa. Samoin on merkitystä sillä, onko kuollut puu pystyssä vai kaatunut sekä sillä, mikä on kuolleen puun lahoamisaste.
Arvioitaessa säästöpuiden hyötyä monimuotoisuuden turvaamisessa, onkin ensiarvoisen tärkeää tietää, mitä niille tapahtuu myöhemmin (Hämäläinen ym. 2016). Tietoa säästöpuiden dynamiikasta tarvittaisiin myös jo hakkuun suunnitteluvaiheessa, jossa säästöpuille tulisi määrittää tavoitteet, eikä jättää niitä kaavamaisesti (Keto-Tokoi 2018).
Säästöpuiden dynamiikkaan on kohdistettu joitain tutkimuksia. Tutkimuksia on tehty esimerkiksi Suomessa (Hämäläinen ym. 2016, Heikkala ym. 2014), Ruotsissa (Hallinger ym.
5
2016, Jönsson ym. 2007, Esseen 1994), Latviassa (Straupe & Liepa 2018) sekä Virossa (Rosenvald ym. 2008). Laajaa seurantaa säästöpuihin ei kuitenkaan kohdistu, niiden määrä todetaan hakkuun yhteydessä, mutta myöhemmin niiden tilaa ei seurata.
Laserkeilaus otettiin Suomessa käyttöön metsävarojen tutkimuksessa 2000-luvun alkupuolella ja 2010-luvulta alkaen se on ollut merkittävässä osassa operatiivista metsäsuunnittelua.
Laserkeilauksen etuja ovat kustannustehokkuus, koska sen avulla voidaan korvata aikaa vieviä ja kalliita maastomittauksia. Yksinpuintulkinnalla puun ominaisuuksia voidaan mitata suoraa pistepilvestä, eikä maastotöitä tarvita lainkaan. Laserkeilausaineiston käsittely voidaan myös hyvin pitkälti automatisoida, jolloin subjektiivinen tulkinta ja siitä mahdollisesti johtuvat virheet vähenevät (Holopainen ym. 2013).
1.2 Tutkielman tarkoitus ja hypoteesit
Tämän tutkielman tarkoitus on tutkia harvapulssisen (0,5 pulssia/m2) laserkeilausaineiston tarkkuutta hakkuualoille jätettävien säästöpuiden havaitsemisessa. Menetelmänä käytetään Hyypän ja Inkisen (1999) kehittämää latvuston korkeusmalliin perustuvaa yksinpuintulkintaa.
Loka-marraskuussa 2019 suoritettiin maastoinventointi Lieksassa Project Fire tutkimusalueella.
Yhteensä inventoitiin 12 koealaa, joilla havaittiin 1387 elävää, pystyyn kuollutta tai pökkelöksi murtunutta säästöpuuta. Maastoaineistoa käytetään verrokkina tutkittaessa mikä osuus puista pystytään havaitsemaan laserkeilausaineistosta. Laserkeilauksen on suorittanut Metsäkeskus vuonna 2015.
Latvuston korkeusmalliin perustuvan yksinpuintulkinnan tarkkuutta ei ole aiemmin tutkittu säästöpuilla. Useat tutkimukset ovat kuitenkin osoittaneet, että laserkeilauksen avulla havaitaan parhaiten suurikokoiset puut, joiden latvukset ovat selkeästi erotettavissa toisistaan.
Tutkimuskysymyksiä on kaksi.
1. Mikä osuus kaikista puista havaitaan laserkeilausaineistosta.
2. Vaikuttaako puulaji, puun tila (elävä, pystyyn kuollut, pökkelö), puun pituus ja muiden puiden läheisyys puun löytymiseen.
Muuttujia tarkastellaan yksittäin ja niiden yhteisvaikutuksia pyritään havaitsemaan logistisen regressioanalyysin avulla.
6 2. SÄÄSTÖPUUT
Säästöpuulla tarkoitetaan hakkuun yhteydessä alueelle jätettävää puuta, jota ei ole tarkoitus poistaa missään vaiheessa, vaan sen annetaan kasvaa, kuolla ja lahota metsään. Säästöpuut tuleekin erottaa hakkuualueille joskus jätettävistä siemenpuista, jotka yleensä poistetaan taimettumisen alettua (Äijälä ym. 2019). Ensimmäiset säästöpuut jätettiin 1980-luvulla ja Suomessa ne ovat yleisesti olleet osa metsänhoitoa 1990-luvun puolivälistä alkaen. (Kuuluvainen ym. 2019).
Metsälaki ei velvoita jättämään hakkuualueelle säästöpuita, vaan ne ovat metsänomistajan päätösvallassa oleva vapaaehtoinen luonnonhoitotoimi. Säästöpuiden jättäminen on kuitenkin ehto Suomessa käytössä olevien metsäsertifikaattien PEFC:n ja FSC:n myöntämiselle (Äijälä ym.
2019).
PEFC sertifikaatti on yleisesti käytössä Suomalaisissa yksityismetsissä. Sen piirissä on noin 18 miljoonaan hehtaaria, mikä vastaa yli 90 % kaikista Suomen talousmetsistä (PEFC). Myös Metsähallituksen omistamia metsiä hoidetaan PEFC sertifikaatin vaatimusten mukaisesti (Metsähallitus).
Tällä hetkellä PEFC sertifikaatti velvoittaa jättämään hakkuualalle hehtaaria kohden vähintään kymmenen elävää puuta, joiden rinnankorkeusläpimitta on vähintään kymmenen senttiä.
Säästöpuut voidaan keskittää leimikkotasolla, jolloin säästöpuut voidaan keskittää yhteen tai muutamaan säästöpuuryhmään tai jättää säästöpuita tasaisesti koko hakkuualalle. Säästöpuina tulee suosia monimuotoisuuden kannalta tärkeitä puita kuten vanhoja järeitä puita, kookkaita haapoja ja puumaisia pihlajia ja raitoja. Näiden puuttuessa säästöpuuksi voidaan kuitenkin jättää mikä tahansa vähimmäisläpimitan täyttävä puu, jolla katsotaan olevan edellytykset kasvaa vanhaksi ja kookkaaksi puuksi. Lahopuun lisäämiseksi osa säästöpuista voidaan kaataa pökkelöiksi (PEFC metsäsertifioinnin kriteerit 2014).
Kriteereihin on kuitenkin tulossa muutos. Syksyllä 2020 uudet standardiehdotukset lähtivät toiselle lausuntokierrokselle. Jos muutokset hyväksytään tulevaisuudessa sertifikaatti edellyttää, että hakkuualalle jätetään vähintään kymmenen elävää ja kymmenen kuollutta säästöpuuta, joiden rinnankorkeusläpimitta on vähintään 15 cm. Jos metsässä ei ole tarpeeksi kuollutta puuta ehdon täyttämiseksi, tulee ehto täyttää tekopökkelöitä luomalla (PEFC kriteerien tarkastustyö 2019).
7
FSC on käytössä pääasiassa metsäyhtiöiden omistamissa metsissä ja sen kautta on sertifioitu noin 2 miljoonaa hehtaaria metsää. Säästöpuiden osalta FSC edellyttää, että alueelle jätetään hehtaaria kohden vähintään kymmenen elävää puuta, jonka rinnankorkeusläpimitta on Etelä- Suomessa vähintään 20 cm ja Pohjois-Suomessa vähintään 15 cm. Jos alueella on rinnankorkeusläpimitaltaan yli 10 cm kuollutta puuta, tulee sitä säästää metsänhoitotoimenpiteiden yhteydessä vähintään 20 kappaletta hehtaaria kohden (FSC).
Myös FSC standardeja ollaan uusimassa ja ehdotuksen mukaan säästöpuiden vähimmäismäärä olisi tulevaisuudessa kaksikymmentä puuta hehtaaria kohden. Puolet puista tulisi täyttää nykyiset läpimittavaatimukset puolet tulisi olla rinnankorkeusläpimitaltaan yli kymmenen senttimetriä.
Myös monilla metsäyhtiöillä on omia luonnonhoito standardeja, jotka kuitenkin pitkälti pohjautuvat sertifikaattien kriteereihin. Esimerkiksi Metsähallitus hoitaa omistamiansa metsiä ympäristöoppaan (Kaukonen ym. 2018) avulla. Metsähallitus on linjannut jo tässä vaiheessa, ettei se poista omistamistaan metsistä kuollutta puustoa.
Suomessa käytössä olevat säästöpuumäärät ovat kansainvälisessä vertailussa matalia. Jos puita jätetään hakkuun yhteydessä PEFC sertifikaatin minimimäärä, vastaa se noin 2 % hakkuuta edeltäneen puuston tilavuudesta. Esimerkiksi Ruotsissa hakkuissa jätetään noin 11 % alasta käsittelemättä, minkä lisäksi hakatulle alalle jätetään noin kymmenen säästöpuuta hehtaaria kohden (Gustafsson ym. 2020).
2.1 Säästöpuiden ekologinen perusta
Luonnonmetsien dynamiikkaa säätelevät luontaiset häiriöt. Häiriö määritellään tapahtumaksi, jossa puuston rakenne muuttuu melko äkillisesti siten, että kasvutilaa ja resursseja vapautuu ja metsän pienilmasto muuttuu. Häiriöt voivat johtaa pienaukkodynamiikkaan, jossa puita kuolee yksittäin tai pienissä ryhmissä esimerkiksi tuhohyönteisten tai patogeenien vaikutuksesta. Häiriöt voivat olla myös hyvin laajoja ja tappaa puustoa jopa satojen hehtaarien alueella (Kuuluvainen 2004). Boreaalisella havumetsävyöhykkeellä suuret häiriöt, joissa metsä uudistuu laajalta alueelta, ovat tyypillisesti olleet voimakkaita metsäpaloja (Kuuluvaien & Aakala 2011, Wallenius 2008).
Aiemmin suuren mittakaavan häiriöiden uskottiin tuhoavan vanhan eliöyhteisön täysin.
Häiriön jälkeisen tilan ajateltiin olevan steriili alku. Alue tulisi vähitellen pioneerilajien
8
koloniasoimaksi ja toisiaan järjestelmällisesti seuraavien sukkessiovaiheiden kautta kehittyisi vanhan metsä kliimaksivaiheeseen saakka (Franklin ym. 2000). Avohakkuiden, jotka johtivat vanhan puusukupolven kuolemaan ja uuden tasaikäisen metsän syntymiseen, uskottiin jäljittelevän luontaista häiriödynamiikkaa hyvin ja siten sen ekologisten vaikutusten olevan vähäiset (Mielikäinen & Hynynen 2003).
Nykytietämys ei kuitenkaan tue tätä väitettä. Metsätalous on johtanut esimerkiksi metsien keski-iän voimakkaaseen laskuun. Etelä-Suomessa valtaosa metsistä on alle 80-vuotiaita (Luke).
Luonnonmetsissä vanhojen, yli 150-vuotiaiden, metsien arvellaan olleen hallitsevia (Pennanen 2002). Luontaiset häiriöt myös vaihtelevat aiheuttajaltaan, toistuvuudeltaan ja voimakkuudeltaan johtaen maisematasolla monimuotoiseen metsärakenteeseen, jota kaavamaisesti toistuvat avohakkuut jäljittelevät huonosti (Heikkala ym. 2016). Metsätasolla avohakkuiden on todettu maailmanlaajuisesti johtavan rakenteeltaan ja koostumukseltaan yksipuolisiin metsiin, joille tyypillistä on tasaikäinen puusto, järeiden puiden, lehtipuiden ja lahopuiden vähyys luonnonmetsiin verraten (Gustafsson ym. 2010). Muutokset metsien rakenteessa heijastuvat myös lajistoon. Viimeisimmän suomen lajien uhanalaisuuden arvion mukaan metsäelinympäristöjen muutokset ovat tällä hetkellä yleisin syy lajien uhanalaistumiselle. Metsien hoito- ja uudistamistoimet sekä vanhojen metsien, kookkaiden puiden ja lahopuun vähyys ovat ensisijainen uhanalaisuuden syy 833 lajille.
Sen sijaan luontaisia häiriöitä seuraavien metsien tiedetään jo nuorten sukkessiovaiheiden aikana olevan rakenteeltaan ja lajistoltaan hyvin monimuotoisia. Lajisto koostuu häiriön vapauttamista resursseista hyötyvästä lajistosta, generalistilajeista, mutta myös häiriötä edeltäneen vanhan metsän lajistosta. Syynä tähän on se, että voimakkaatkin häiriöt säilyttävät ainakin osan vanhan metsän piirteistä ja samalla luovat uusia rakennepiirteitä, joita avohakkuulla esiintyy vain vähäisissä määrin. Juuri erot monimuotoisuuden kannalta tärkeiden rakennepiirteiden määrässä selittävät eroja talousmetsien ja luonnonmetsien välillä etenkin nuorissa sukkessiovaiheissa (Swanson ym. 2010, Kouki ym. 2001, Franklin 2000). Esimerkiksi kuollutta puuta esiintyy luontaisten häiriöiden jälkeen tyypillisesti hyvin runsaasti, kun taas hakkuiden jälkeen sen määrä on yleensä hyvin vähäinen. Lisäksi hakkuissa pääosa kuolleen puun biomassasta koostuu järeiden runkojen sijaan kannoista, juurista ja pienikokoisesta hakkuutähteestä (Heikkala ym. 2014).
9
Kuolleen puun määrä monimuotoisuuden turvaamisessa on korostunut boreaalisella havumetsävyöhykkeellä, jossa se on avainresurssi. Noin 4000–5000 Suomessa esiintyvän lajin tiedetään vaativan sitä jossain elämänvaiheessa (Siitonen 2001).
Säästöpuiden ideana on tuoda metsiin samoja rakennepiirteitä, joita esiintyisi luontaisen häiriödynamiikan uudistamissa metsissä ja näin edistää usealla tapaa metsien monimuotoisuutta.
Ensinnä säästöpuiden ajatellaan toimivan “pelastusrenkaina” vanhan sukkessiovaiheen metsän lajistolle. Tällöin säästöpuut tarjoaisivat näiden lajien tarvitsemia resursseja, joiden avulla lajit selviytyvät metsän nuorien sukkessiovaiheiden ohi, vaikka olosuhteet yleisesti olisivatkin muuttuneet. Säästöpuilla pyritään myös monipuolistamaan nuorten kasvatusmetsien yksipuolista puustorakennetta jättämällä säästöpuiksi suuria ja vanhoja puuyksilöitä, lahopuita ja kolopuita.
Säästöpuilla voidaan myös monipuolistaa puulajirakennetta, mikä Suomessa tarkoittaa yleensä lehtipuiden, esimerkiksi haavan suosimista säästöpuuna. Säästöpuilla pyritään myös turvaamaan metsän lahopuujatkumo. Hakkuissa jätetyt kuolleet ja selvästi heikentyneet puut turvaavat elinmahdollisuudet lahopuusta riippuvaiselle nuoren sukkessiovaiheen lajistolle. Vastaavasti elinvoimaiset puut kehittyvät joko järeiksi ylispuiksi tai turvaavat lahopuujatkumoa sukkession alkuvaiheessa, jossa lahopuun määrä talousmetsissä ilman säästöpuita olisi hyvin vähäinen.
Säästöpuilla pyritään lisäämään myös elinympäristöjen kytkeytyneisyyttä. Tällöin säästöpuut tarjoaisivat paitsi elinympäristöjä, myös levittäytymisreitin lajistolle, joka vaatii esimerkiksi järeää puustoa tai lahopuita. Näiden lisäksi säästöpuilla voidaan turvata ekosysteemin toimintaa yleisemminkin, esimerkiksi ravinnekierron osalta. Säästöpuilla on roolinsa myös hakkuiden aiheuttamien maisemahaittojen vähentäjänä (Franklin ym. 2000, Gustafsson ym. 2010).
Laajoissa meta-analyyseissä (Rosenwald & Lohmus 2008, Fedrowitz ym. 2014) säästöpuiden on todettu lieventävän avohakkuiden negatiivista vaikutusta eri eliöryhmiin. Metsälajien laji- ja yksilömäärä oli aina suurempi alueilla, joille oli jätetty säästöpuilla, kuin täysin hakatuilla alueilla.
Sekä säästöpuiden määrä, että hakkuista kulunut aika nosti lajirunsautta. Fedrowitz ym. (2014) kuitenkin huomauttaa, että kaikissa tutkimuksissa, joissa käytettiin hakkaamatonta kontrollialuetta metsälajien määrä oli niissä suurempi kuin säästöpuuhakkuissa indikoiden, ettei säästöpuita jättämällä voida turvata kaikkien lajien vaatimia resursseja. Samoin useimmat tutkitut lajit olivat verrattain yleisiä, eikä analyysi näin anna tietoa säästöpuiden vaikutuksesta uhanalaiseen lajistoon.
Esimerkiksi Kuuluvainen ym. (2019) pitää Suomessa hakkuissa tyypillisesti jätettävää
10
säästöpuumäärää täysin riittämättömänä turvaamaan vaateliaan metsälajiston vaatimaa elinympäristöjen laatua ja jatkuvuutta.
Tämä on nähtävissä useissa tutkimuksissa. Esimerkiksi lahottajasienet (Kouki & Salo 2020), pyrofiiliset latikat (Heikkala ym. 2016) ja lahopuusta riippuvaiset kovakuoriaiset (Hyvärinen ym.
2006) hyötyvät säästöpuista, mutta lajisto on tyypillisesti melko tavanomaista. Harvinaisemman lajiston esiintyminen vaatii koealueiden polttamista. Hakkuut myös muuttavat merkittävästi metsän pienilmastoa. Esimerkiksi valon ja tuulen määrä nousee voimakkaasti, lämpötilat muuttuvat äärevimmiksi ja kosteuden määrä laskee. Nämä muutokset vaikuttavat lajistoon, jotka vaativat elinympäristökseen sulkeutuneen metsäympäristön olosuhteita (Fedrowitz 2014).
Suomessa varttuneissa tuoreissa kuusimetsissä tehdyssä tutkimuksessa tarkkailtiin erilaisten hakkuiden vaikutusta aluskasvillisuuteen (Vanha-Majamaa ym. 2017). Tutkimuksessa havaittiin, että avohakkuun ja säästöpuuhakkuun (hehtaarilla 3 kappaletta 10-20 m2 säästöpuuryhmiä, 7 % edeltäneen puuston tilavuudesta säilytetiin) vaikutukset aluskasvillisuuteen olivat liki yhteneväiset, eivätkä pienet säästöpuuryhmät säilyttäneet lajistoa. Erityisesti taantuivat lehti- ja maksasammalet, joiden runsaus ei palautunut kymmenen vuoden seurannan aikana. 25 sammallajia hävisi näiltä hakkuilta kokonaan. Putkilokasvit kestivät hakkuita paremmin, mutta niiden koostumus muuttui huomattavasti. Esimerkiksi mustikan biomassa väheni sekä avohakkuualoilta, että säästöpuualoilta noin 90 % pysyen matalana koko kymmenen vuoden seurannan ajan. Tyypillistä molemmille käsittelelyille oli heinien, erityisesti metsälauhan runsaus, joka säilyi koko seurannan ajan sekä valosta ja häiriintyneestä maaperästä hyötyvien lajien kuten vadelma ja maitohorsman runsaus. Tutkimuksessa todetaankin, ettei säästöpuilla voida estää osan lajien häviämistä ja kasviyhteisön muuttumista. Alkuperäisen kasviyhteisön säilyttämiseksi tulisi suosia poimintahakkuita tai pienaukkohakkuita.
Joissain tutkimuksissa säästöpuiden on osoitettu hyödyntävän myös harvinaisempia lajeja.
Esimerkiksi Martikainen (2001) tutki hakkuuaukoille jätettyjen haapojen vaikutusta haapaan yhdistetyn kovakuoriaislajiston runsauteen. Kontrollialueena toimivat vanhat kuusivaltaiset metsät, joissa oli runsaasti haapaa sekapuuna. Tutkimuksessa havaittiin, että hakkuualueille jätetyt säästöpuut pitivät yllä jopa uhanalaisten lajien populaatioita. Jossain tapauksissa jopa yksilö- ja lajimäärällä mitattuna monimuotoisempaa lajistoa, kuin kontrollialueet. Tässä tutkimuksessa on otettava huomioon, että useat koealueet sisälsivät hehtaaria kohden kymmeniä järeitä haapoja, eivätkä tulokset siten ole yleistettävissä tavanomaisiin hakkuisiin, joissa säästöpuiden määrä on
11
huomattavasti alhaisempi. Tutkimuksen perusteella Martikainen kuitenkin pitää mahdollisena, että haapaa säästöpuuksi jättämällä voidaan turvata kovakuoriaislajistoa eivätkä ne ole riippuvaisia vanhoista metsistä ainakaan siinä määrin kuin on oletettu.
Samankaltaisia tuloksia sai Junninen (2007), joka väitöskirjassaan tutki samoilla koealueilla kääpien monimuotoisuutta talousmetsissä. Junninen havaitsi, että säästöpuiksi jätetyt suurikokoiset kaatuneet haavat pitivät yllä erittäin monimuotoista kääpälajistoa, myös uhanalaisia lajeja. Lajiston havaittiin olevan monimuotoisempaa ja yksilömäärällä mitaten suurempaa kuin vastaavan kokoisissa ja lahoamisasteisissa haaparungoissa sulkeutuneessa metsäympäristössä.
Tulosten perusteella voidaan päätellä, että haavat säilyttävät lajiston, mutta mahdollistavat myös sukkession alkuvaiheen valoisista ja avoimista olosuhteista riippuvaisen lajiston esiintymisen.
Kuva 1. Lokakuussa 2020 hakkuun yhteydessä jätetty säästöpuuryhmä kuvattuna helmikuussa 2021. Neljä kuukautta hakkuun jälkeen kahdeksastatoista ryhmään jätetystä puusta on pystyssä kahdeksan.
Säästöpuiden merkittävyyteen monimuotoisuuden turvaamisessa vaikuttaa suuresti niiden dynamiikka. Useat tutkimukset ovat osoittaneet, että säästöpuuryhmiin kohdistuu ensimmäisten vuosien aikana suurta kuolleisuutta (kuva 1). Ensimmäinen säästöpuiden selviytymiseen liittyvä tutkimus tehtiin Pohjois-Ruotsissa 1986-1991 (Esseen 1994). Laajalle 41 hehtaarin kokoiselle
12
hakkuuaukealle perustettiin viisi koealaa, joiden koot olivat 1/16, 1/8, ¼, ½ ja 1 hehtaaria. Viiden vuoden seurantajakson päätteeksi säästöpuuryhmien keskimääräinen vuosikuolleisuus vaihteli 6,1 ja 20 % välillä. Korkein kuolleisuus oli pienimmässä säästöpuuryhmässä ja matalin suurimmassa säästöpuuryhmässä. Hakkaamattomilla kontrollialueilla puiden kokonaiskuolleisuus vaihteli viiden vuoden seurantajakson aikana ollen 2,5 - 5,7%. Suurin kuolleisuutta aiheuttanut tekijä oli kaatuminen juurineen. Tuloksissa on otettava huomioon, että tutkimusalue sijaitsi korkealla paikalla, jossa voimakkaat länsituulet ovat vallitsevia. Suurin osa puista tuhoutui ensimmäisenä syksynä, jolloin alueella puhalsi hyvin voimakkaat tuulet. Tulos kuitenkin osoittaa, että säästöpuiden kuolleisuus on huomattavasti suurempaa kuin puiden kuolleisuus hakkaamattomissa metsissä ja epäsuotuisissa sääoloissa säästöpuihin voi kohdistua hyvin suuri kuolleisuus, varsinkin pienissä säästöpuuryhmissä.
Samoihin säästöpuuryhmiin kohdistettiin myös pidempi seuranta vuosina 1991 - 2004. Tällä jaksolla säästöpuiden vuosikuolleisuus laski vaihdellen ryhmien välillä 1,2 - 3,9 %. Laskeneesta kuolleisuusprosentista huolimatta kuolleisuus oli edelleen huomattavasti suurempaa kuin kontrollialueilla, joissa vuosikuolleisuus oli keskimäärin 0,7 %. Tutkimuksessa havaittiin, että säästöpuuryhmien suuri kuolleisuus oli johtanut lahopuun määrän nousemiseen, mutta vastaavasti vähentänyt suurien puiden esiintymistä. Osa puista oli myös selvästi heikossa kunnossa ja lahopuujatkumon arveltiin jatkuvan niiden kuoleman myötä. Puiden runsas kuolleisuus kuitenkin aiheutti epäilyksen siitä, etteivät varsinkaan pienet säästöpuuryhmät enää turvaa lahopuujatkumoa 30-70 vuoden ikäisissä talousmetsissä, joissa lahopuun määrä on tyypillisesti hyvin vähäinen (Jönsson ym. 2007).
Samaan tulokseen tuli myös Heikkala ym. 2014, joka tutki säästöpuiden määrän ja kulotuksen vaikutusta puiden selviytymiseen. Varsinkin pienillä säästöpuumäärillä kulotus johti liki täydelliseen kuolleisuuteen muutaman vuoden sisällä. Polttamattomilla alueilla säästöpuut säilyivät paremmin ja kymmenen vuoden seurantajakson aikana niiden kokonaiskuolleisuus oli 34
%.
3. LASERKEILAUS
Laserkeilauksen perusperiaate on yksinkertainen (kuva 2). Keilausjärjestelmä koostuu laserlähettimestä, keilainosasta ja vastaanottimesta. Laitteisto keilaa maastoa laserlähettimen ampumilla infrapunapulsseilla, jotka keilainosa muuntaa lentosuuntaan nähden eri poikkisuuntiin
13
kulkevaksi keilaksi. Laserpulssi heijastuu kohteesta ja tallenninosa vastaanottaa palaavat laserkaiut. Koska keilaimen tarkka sijainti ja asento tiedetään GPS ja inertiajärjestelmien ansiosta, voidaan etäisyys kohteeseen laskea laserpulssin kulkuajan mukaan.
Kuva 2. Laserkeilauksen periaate. Kuvan lähde Liikennevirasto 2015
Laserkeilausta voidaan käyttää kahdella eri tavalla. Aluepohjaisella menetelmällä (Naesset 2002) tai yksinpuintulkinnalla (Hyyppä & Inkinen 1999). Aluepohjainen menetelmä perustuu keilauksesta saadun pistepilven ja koealoilta mitattujen muuttujien vahvaan tilastolliseen riippuvuuteen, jonka avulla puustotunnukset voidaan ennustaa suoraan laajalle alueelle.
Yksinpuintulkinnassa, puun ominaisuuksia tulkitaan latvuston korkeusmallin, CHM (Canopy Height Model), avulla. CHM muodostetaan maanpintaa kuvaavan DTM:n (Digital Terrain Model) ja ylimmistä heijastuksista muodostettavan DSM:n (Digital Surface Model) erotuksena. Latvuston korkeusmallin lokaalit maksimit ovat puita, joille voidaan mitata korkeus ja sen avulla ennustaa muita puustotunnuksia. Lokaalin maksimin kautta saadaan myös puun sijainti. Käyttämällä tiheää lasertaajuutta on mahdollista havainnoida kohteen ominaisuuksia myös suoraa 3D laserpistepilvestä. Pulssin tiheys on yksi merkittävimmistä tekijöistä siihen mitä piirteitä aineistosta voidaan erottaa. Yleisenä periaatteena esitetään, että aluepohjaiseen menetelmään riittää harvapulssinen, 0–2 pulssia neliömetriä kohden, aineisto, kun taas yksinpuintulkinnassa
14
pulssitaajuuden suositellaan olevan vähintään viisi pulssia neliömetriä kohden. Menetelmää voidaan tosin hyödyntää matalapulssisemmallakin aineistolla (Holopainen ym. 2013).
Yksinpuintulkintaa on tutkittu lähinnä metsätaloudellisista lähtökohdista. Useissa tutkimuksissa mielenkiinto on kohdistunut puiden löytymisprosenttiin vaihtelevassa boreaalisessa metsämaatossa sekä puuston kokonaistilavuuden arviointiin ja puiden tunnistamisessa käytettyjen algoritmien vertailuun (Kaartinen ym. 2012, Vauhkonen ym. 2011). Tällä hetkellä yksinpuintulkintaa ei käytetä operatiivisessa metsäsuunnittelussa. Ongelmana on puiden löytyminen sekä se, ettei useita puustotunnuksia voida luotettavasti johtaa puun pituuden perusteella. Yksinpuintulkinnan vaatima tiheä laserdata on myös kalliimpaa tuottaa (Kaartinen ym.
2012). Menetelmä on kuitenkin osoittautunut tehokkaaksi tavaksi havaita suurimpia puita, jotka muodostavat suuren osan puuston pohjapinta-alasta ja biomassasta. Suurilla puilla on myös merkittävä rooli puuston spatiaaliseen ryhmittymiseen. Ne myös toimivat elinympäristöinä useille metsälajeille (Jeronimo ym. 2018). Latvuston korkeusmalleista aikasarjoja muodostamalla pystytään myös havaitsemaan puuston muutoksia, kuten kasvua ja puiden kaatumista (Yu ym.
2004).
4. AINEISTO JA MENETELMÄT 4.1 Tutkimusalue ja kenttätyöt
Tutkimuksen maastoaineisto kerättiin Lieksassa sijaitsevalta Project Fire metsäpalotutkimusalueelta. Project Fire on laajan mittakaavan tutkimus, jossa tarkastellaan metsäpalon ja hakkuuvolyymin vaikutusta metsän uudistumiseen ja lajiston monimuotoisuuteen.
(Kouki 2013).
Alue sijaitsee eteläisen- ja keskiboreaalisen kasvillisuusvyöhykkeen vaihettumisvyöhykkeellä ja on kasvupaikkatyypiltään variksenmarja-mustikka tyyppiä. Alueen valtapuuna on mänty (Pinus sylvestris), muita puulajeja ovat kuusi (Picea abies), koivut (Betula spp.) haapa (Populus tremula) ja harmaaleppä (Alnus incana). Myös pajuja (salix sp.) ja pihlajaa (sorbus aucuparia) esiintyy vähäisessä määrin. Alueella on harjoitettu kaskiviljelyä 1800 luvulla. Sen jälkeen syntyneet metsät ovat pysyneet tehometsätalouden ulkopuolella. Niihin on kohdistunut vain poimintahakkuita, jotka
15
loppuivat 1950-luvulla. Kokeen alkaessa alueella kasvava metsä oli keskimäärin 150-vuotiasta (Hyvärinen 2006).
Koealat hakattiin talvella 2000–2001. Hakkuissa kuudelta koealueelta poistettiin kaikki puut.
Kuudelle koealueelle jätettiin eläviä säästöpuita 10 m3/ha ja kuudelle 50 m3/ha. Luvut vastaavat keskimäärin 3,5 ja 17,4 % hakkuuta edeltävästä puuston tilavuudesta. Lisäksi koeasetelma sisälsi kuusi kontrollialuetta, joista puita ei poistettu lainkaan. Kustakin ryhmästä puolet poltettiin seuraavana kesänä 2001 (Heikkala ym. 2014). Koeasetelma on havainnollistettu kuvassa 3.
Kuva 3. Project Fire koeasetelma.
Tämän tutkielman aineisto kerättiin kahdessa osassa loka- marraskuussa 2019. Koska tutkielman tavoitteena on selvittää kaukokartoitus menetelmien luotettavuutta säästöpuiden havaitsemisessa, ei mukaan otettu niitä koealueita, joille ei jätetty lainkaan säästöpuita, eikä kontrollialueita, joista puustoa ei poistettu lainkaan. Tutkimukseen sisällytettiin ne 12 koealaa, joille oli jätetty hakkuussa puuta 10 m3/ha tai 50 m3/ha. Metsähallituksen ja Tapion seurannan mukaan uudistushakkuille jätetään eläviä säästöpuita keskimäärin noin 3 % hakkuuta edeltävän puuston tilavuudesta. Tällä perusteella alueet, joille oli hakkuussa jätetty puuta 10m3/ha vastaavat parhaiten nykyisiä säästöpuumääriä. Tosin on otettava huomioon, että osa puista on jo kaatunut.
16
Säästöpuut jätettiin pääasiassa pieniin ryhmiin, joiden pinta-ala vaihteli 200m2 ja 500 m2 välillä.
Jokaiselle koealueelle jätettiin myös yksittäisiä säästöpuita (Hämäläinen 2016). Myöhempien häiriöiden vuoksi osa puista oli kaatunut ja aiemmasta säästöpuuryhmästä saattoi olla jäljellä enää yksittäisiä puita. Viimeisimmässä inventoinnissa Hämäläinen ym. (2016) havaitsivat, että puuston kuolleisuus oli huomattavasti suurempaa poltetuilla koealueilla. Niille oli tyypillistä myös pystyyn kuolleiden puiden suurempi määrä, kun taas polttamattomilla koealueilla tyypillisempää oli puiden kaatuminen juurineen. Pökkelöitä löytyi vähäisesti sekä poltetuilta, että polttamattomilta koealueilta (Hämäläinen ym. 2016). Heikkala ym. (2014) raportoi tutkimuksen pohjalta, että puiden kuolleisuus oli sekä poltetuilla, että polttamattomilla koealueilla suurempaa 10m3 koealueilla kuin 50 m3 koealueilla. Lisäksi havaittiin, että poltetuilla koealueilla elossa olevat puut olivat todennäköisesti suurikokoisia pienten puiden kuoltua palossa.
Kaikkineen käsittelyt tarjosivat monipuolisen kattauksen erilaisia olosuhteita. Poltetuilla 10m3/ha koealueilla suurin osa puista oli kaatunut ja pystyssä olevat puut yleensä selvästi erotettavissa. Varsinkin polttamattomat 50m3/ha säästöpuuryhmät saattoivat olla hyvinkin tiheitä ja sisältää useita latvuskerroksia. Osalle koealueista oli kehittynyt paikoin tiheää taimikkoa, joka vaikeutti erityisesti pienten pystyyn kuolleiden puiden ja matalien pökkelöiden löytämistä.
Koealat on inventoitu aiemmin vuosina 2001, 2005, 2008 ja 2011 (Hämäläinen ym. 2016).
Maastotyöhön valmistuttaessa hyödynnettiin vuoden 2011 inventointitietoja, jotka sisälsivät koealakohtaisesti tiedon puustosta. Puukohtaisesti on esitetty tiedot puulajista ja puun tilasta.
Puulajit oli eroteltu seuraavasti: 1. mänty, 2. kuusi, 3. rauduskoivu, 4. haapa, 5. muut lehtipuut. Säästöpuun tila oli jaoteltu seuraavasti 1. elävä puu, 2. kuollut pystypuu, 3. kaatunut puu, 4. pökkelö. Jos puu on kuollut, lomake sisältää tiedon minkä vuoden inventoinnissa tämä on havaittu. Lisäksi on merkitty puun korkeus metreinä ja rinnankorkeusläpimitta senttimetreinä.
Lisäksi jokaisen puun sijainnista oli tarkat koordinaatit (KKJ 4) Maastotyötä varten puiden ominaisuustiedot ja sijaintitiedot yhdistettiin samalle lomakkeelle.
Puut on merkitty maastoon vuonna 2001 (Hämäläinen 2016). Vanhat merkinnät eivät kuitenkaan olleet enää erotettavissa maastossa. Puiden yksilöinnissä käytettiin hyväksi vuoden 2011 inventointiin perustuvaa karttakuvaa, jossa puut on sijoitettu koordinaatistoon. Puiden paikannus aloitettiin GPS-mittauksella, jolloin saatiin varmuus siitä, mikä säästöpuuryhmä on kyseessä. Tämän jälkeen säästöpuuryhmästä etsittiin puu, joka pystyttiin varmuudella yksilöimään. Esimerkiksi pystyyn kuollut kookas puu säästöpuuryhmän laidalla. Kun yksittäinen
17
puu oli saatu varmuudella yksilöityä, alettiin karttaa apuna käyttäen liikkumaan puulta toiselle.
Mitatun puun tiedot merkittiin lomakkeelle ja mitattu puu merkittiin liidulla. Puiden yksilöinnissä käytettiin apuna tietoa puulajista ja sen rinnankorkeusläpimitasta.
Vuoden 2011 inventointitiedot sisälsivät tiedot 2742 säästöpuusta. Eläviksi, pystyyn kuolleiksi ja pökkelöiksi merkittyjen puiden tila tarkastettiin. Aiemmin kaatuneiksi merkittyjä puita ei tarkistettu vaan niiden luotettiin olevan oikein yksilöityjä. Elävien, pystyyn kuolleiden ja pökkelöiksi murtuneiden puiden tiedot siirrettiin maastolomakkeelta Microsoft Excel ohjelmaan, jonka mukautettu lajittelu toiminnalla aineisto lajiteltiin ensin puulajin ja sitten vuoden 2019 tilanteen mukaan. Lajiteltu aineisto on esitetty taulukossa 1.
elävä pystyyn kuollut pökkelö
mänty 559 136 10
kuusi 523 15 4
rauduskoivu 107 8 20
muut lehtipuut 2 3 2
yhteensä 1191 162 36
Taulukko 1. Tutkimusalueelta löytyneet
4.2 Laserkeilausaineisto
Laserkeilausaineisto ladattiin Metsäkeskuksen metsään.fi- palvelusta (https://www.metsakeskus.fi/fi/avoin-metsa-ja-
luontotieto/suorakayttoaineistot/paikkatietoaineistot) Aineisto on muokattu suoraa latvuston korkeusmalliksi, joten pistepilven käsittelyä ei vaadita. Latvuston korkeusmalli on laadittu aineistosta, jonka pistetiheys on vähintään 0,5 pulssia neliömetrille. Sen ruutukoko on 1 m * 1 m.
Laserkeilaus on suoritettu vuonna 2015. Koealueet sijaitsivat peruskarttalehdillä P5434F, P5434H, P6212B, P5443E, P5443G.
4.3 Aineiston käsittely
Aineisto käsiteltiin Esrin ArcMap-ohjelmalla. Käsittely aloitettiin digitoimalla koealueet. Tämän jälkeen ohjelmaan avattiin metsäkeskuksen sivuilta ladatut latvuston korkeusmallit, jotka leikattiin
18
Clip-työkalua käyttäen digitoiduilla koealuilla. Tuloksena oli latvuston korkeusmallit inventoiduille koealueille (kuva 4). Tämän jälkeen koealueet muunnettiin .asc tiedostoiksi ArcMapin text2ascii toiminnolla.
Kuva 4. Koealueen 23 leikattu latvustonkorkeusmalli.
Puiden tunnistamisessa käytettiin Hyypän ja Inkisen (1999) kehittämää muokattua Watershed segmentointia, jossa puiden löytyminen perustuu latvuston korkeusmallin lokaaleihin maksimeihin ja latvojen sekventointiin. Menetelmä on kuvattu yksityiskohtaisesti (Hyyppä ym.
2000).
Watershed segmentointi tapahtui R-ohjelmalla käyttäen ulkoisen rLidar kirjaston FindTreesCHM-funktiota (CRAN 2015). Lähdeaineistona toimivat ArcMapissa luodut .asc muotoiset tiedostot.
19
Koodin muokattavat parametrit ja tässä työssä käytetyt arvot olivat Minimum height of pixels to be included (10)
Window size for tree detection (3) Smoothing windows size (5x5) Filter (Gaussian)
Sigma0 (0,5) Sigma20 (0,5)
Sopivat arvot etsittiin kokeilemalla. Pikselin minimiarvo jouduttiin nostamaan 10 metriin, koska alueille oli kasvanut taimikkoa ja matalammilla arvoilla algoritmi alkoi tunnistaa näitä puita.
Minimipituuden nosto saattoi vaikuttaa erityisesti pökkelöiden löytymiseen.
Koodin lopputuloksena saatiin shapefile tiedosto löydetyistä puista (kuva 5). Shapefile avattiin ArcMapissa, jossa samaan ikkunaan tuotiin koordinaatit inventoinneissa havaituista elävistä, pystyyn kuolleista ja pökkelöiksi murtuneista puista. Puiden koordinaatit olivat muodossa KKJ3, joten niille tehtiin koordinaattimuutos muotoon ETRS-TM35FIN paikkatietoikkunassa https://kartta.paikkatietoikkuna.fi/ Puiden tunnistuksessa hyödynnettiin sekä tietoa sen sijainnista, sekä verrattiin puun maastossa mitattua pituutta algoritmin havaitsemaan pituuteen. Tieto siitä, oliko algoritmi havainnut puun vai ei, merkittiin Excel taulukkoon.
20 Kuva 5. Algoritmin koealueella 23 havaitsemat puut.
Aineistosta laskettiin myös uusia muuttujia. Maastossa havaittujen puiden ympärille muodostettiin Buffer-toiminnolla 3 metrin puskuri. Jos puskuri ei leikannut toisen maastossa havaitun puun puskuria, puu merkittiin yksin kasvavaksi. Koska maastoaineisto sisälsi erittäin vähän havaintoja muista lehtipuista, kuin rauduskoivuista yhdistettiin kaikki lehtipuut aineistossa yhteen.
21 4.4 Logistinen regression
Logistinen regressio on tavallisen regressioanalyysin erikoismuoto, joka sopii tilanteisiin, joissa selitettävä muuttuja on dikotominen, eli voi saada vain kaksi arvoa. Arvot koodataan yleensä luokkiin 0 ja 1. Selittävinä muuttujina voidaan käyttää sekä luokittelu-, välimatka- että suhdeasteikollisia muuttujia. Logistinen regressioanalyysi ei pyri ennustamaan määriä, vaan todennäköisyyksiä. Kyse on siis siitä, millä todennäköisyydellä tarkasteltavana oleva asia tapahtuu tai pätee. Tulokset kertovat, ovatko selittävät muuttujat yhteydessä tapahtuman todennäköisyyteen ja kuinka vahva mahdollinen yhteys on
Logistinen regressio esittää selittävän muuttujan vaikutuksen niin sanottuna vetosuhteena, joka on helpoin esittää esimerkin kautta.
Ajatellaan kuvitteellisen aineiston pohjalta, että elävän puun todennäköisyys löytyä on 80 % ja kuolleen puun 20 %. Veto muodostetaan vertaamalla tapahtuman todennäköisyyttä todennäköisyyteen, ettei sitä tapahdu. Elävillä puilla 0,8/0,2=4 ja kuolleilla puilla 0,2/0,8=0,16.
Edelleen voidaan laskea elävien ja kuolleiden puiden vetosuhde 4/0,16=25. Logistinen regressioanalyysi ei siis kuvaa eri muuttujien todennäköisyyksien suhdetta, vaan nimenomaan vetojen suhdetta, jotka voivat saada arvoja nollan ja äärettömän välillä. Vetojen suhde 1 tarkoittaa, ettei selittävän muuttujan muutoksella ole vaikutusta.
Selittävinä muuttujina käytettiin puulajia, puun tilaa vuonna 2019, puun pituutta ja puun esiintyminen yksin tai ryhmässä. Logistisen regressio suoritettiin IBM SPSS Statistic 27 ohjelmalla. Puun löytymistä tai löytymättä jäämistä selittävinä muuttujina käytettiin puulajia, puun tilaa vuonna 2019, puun pituutta ja puun kasvamista yksin tai ryhmässä. Analyysi tehtiin käyttäen Backward conditional-menetelmää, jossa mallin rakentaminen aloitetaan sisällyttämällä siihen kaikki selittävät muuttujat. Jos malli sisältää selittäjiä, jotka eivät ole tilastollisesti merkitseviä, tiputetaan joka kierroksella pois selittäjä, jonka vaikutus on vähäisin. Näin jatketaan, kunnes malli sisältää ainoastaan muuttujia, jotka ovat tilastollisesti merkitseviä.
22 5. TULOKSET
Maastoinventoinnissa havaittiin 1387 puuta. Näistä algoritmi tunnisti laserkeilausaineistosta yhteensä 354 puuta, mikä vastaa 25,52 % kaikista puista. Tunnistettujen puiden osuus koealoittain vaihteli 16,94 ja 82 prosentin välillä. (taulukko 2)
Koodi Nimi Säästöpuitam3/ha Poltettu Löydettyjen puiden osuus
A01 Joutenkangas 10 kyllä 66,66 %
A02 Nuutisenrasi 10 kyllä 33,33 %
A04 Hirsikangas 10 ei 35,30 %
A05 Neitijoki 50 kyllä 49,12 %
A06 Kuplavaara 50 ei 25 %
A08 Onkivaara 10 kyllä 23,08 %
A09 Liukusenvaara 50 ei 17,97 %
A11 Riihipetäikkö 50 kyllä 45,45 %
A12 Jeremianvaara 50 kyllä 82,00 %
A16 Salmivaara 10 ei 19,29 %
A23 Möyhkyrinkangas 50 ei 16,94 %
A24 Laakkosenaho 10 ei 31,25 %
Taulukko 2. Löytyneiden puiden osuus koealoittain.
Logistisen regressiomallin ensimmäisellä kierroksella malliin sisällytettiin kaikki muuttujat:
Puulaji, puun tila, puun pituus ja puun kasvutapa yksin vai ryhmässä. Näillä muuttujilla saavutettiin malli, joka luokitteli 82,8 % puista oikein. Puulaji (P 0,492) ei ollut tilastollisesti merkitsevä tekijä puun löytymisen kannalta ja se poistettiin mallista. Toisella kierroksella mallin tarkkuus oli 82,6 %. Sekä puun tila, puun pituus, että puun kasvaminen yksitäin tai ryhmässä olivat tilastollisesti erittäin merkitseviä puun löytymisen kannalta P>0,001 (taulukko 3). Malli toimi paremmin löytymättä jääneiden puiden ennustamisessa, jossa sillä saavutettiin 91,5 % tarkkuus.
Löytyneiden puiden osalta mallin tarkkuus oli 56,8 %
Suurimman selitysarvon puun löytymiselle antaa puun esiintyminen yksin tai ryhmässä.
Yksittäin kasvava puun veto tulla löydetyksi on logistisen regressioanalyysin perusteella liki kymmenen kertaa suurempi kuin ryhmässä kasvavalla puulla. Aineiston perusteella yksittäisen
23
puun todennäköisyys tulla havaituksi on noin 2,5 kertainen ryhmässä kasvavaan puuhun nähden (kuvaaja 1)
B S.E. Wald df Sig. Exp(B)
Kierros 1a
Puulaji -,083 ,121 ,471 1 ,492 ,920
Laatu2019 -,674 ,159 18,052 1 ,000 ,510
Puun pituus ,361 ,024 229,530 1 ,000 1,435
Ryhmässä 2,29
2
,296 60,093 1 ,000 9,895
Constant -
7,12 0
,540 173,872 1 ,000 ,001
Kierros 2a
Laatu2019 -,679 ,158 18,544 1 ,000 ,507
Puun pituus ,365 ,023 245,540 1 ,000 1,440
Ryhmässä 2,28
9
,295 60,361 1 ,000 9,866
Constant -
7,30 1
,473 238,450 1 ,000 ,001
Taulukko 3. Logistisen regressioanalyysin ennustefunktio ja kertoimet
Kuvaaja 1. Löytyneiden puiden prosenttiosuudet yksittäin ja ryhmässä kasvavilla puilla.
24
Logistisen regsessioanalyysin perusteella puun tila sai toiseksi suurimman selitysarvon ollen 0,507. Löytyneiden puiden suhteellinen osuus puun tilan mukaan on esitetty kuvaajassa 2.
Kuvaaja 2. Puiden löytymisprosentit puun tilan mukaan.
Puun pituus sai analyysissä selitysarvon 1,440. Alle 15 metrisistä puista valtaosa jää havaitsematta, mutta sitä pidemmillä puilla todennäköisyys tulla havaituksi alkaa kasvaa. Myös suurikokoisia puita jää kuitenkin myös havaitsematta (kuvaaja 3). Puiden pituuden vaikutus voidaan nähdä, myös kuvaajasta 4 jossa puun löytymistodennäköisyyden havaitaan kasvavan lineaarisesti koealueen puiden keskipituuden kasvaessa.
25
Kuvaaja 3. Logistinen regressiokäyrä 95 % luottamusvälillä. X-akselilla puun pituus ja y-akselilla puun löytyminen.
Kuvaaja 4. puiden löytymisprosentit suhteessa puiden keskipituuteen eri koealueilla.
26 6. TULOSTEN TARKASTELU
Puiden löytymisprosentti vaihteli koealojen välillä 16,94 prosentista 82 prosenttiin. Kaikkien puiden osalta saavutettiin 25,52 % löytymistarkkuus mikä on odotettua vähemmän. Pohjoismaissa vaihtelevissa metsäolosuhteissa tehdyissä tutkimuksissa on saavutettu kaikkien puiden osalta noin 30–50 % löytymisosuus (Ene ym.2012, Pitkänen ym. 2004, Maltamo ym. 2004).
Säästöpuiden odotettua heikompi löytyminen selittyy osin säästöpuuryhmien rakenteella.
Lieksan tutkimusalueella säästöpuut jätettiin pääasiassa pinta-alaltaan 200–500 m2 ryhmiin. Sekä suuremman säästöpuumäärän, että polttamattomuuden on raportoitu laskevan säästöpuiden kokonaiskuolleisuutta (Hämäläinen ym. 2016, Heikkala ym. 2014). Tämä on nähtävissä myös tämän tutkimuksen kenttäaineistosta. Kolme polttamatonta koealaa, joille oli jätetty säästöpuita 50 m3/ha löydettiin 1056 säästöpuuta. Valtaosa inventoiduista puista kasvoi siis ryhmissä, jotka olivat verrattain tiheitä. Polttamattomuudesta johtuen elossa olivat myös pienikokoisemmat puut ja puuryhmissä näin ollen useampi latvuskerros. Useassa tutkimuksessa on havaittu, että puiden löytyminen on ongelma nimenomaan tiheissä puuryhmissä, jotka sisältävät useamman latvuskerraston (Jeronimo ym. 2018, Vauhkonen ym. 2012). Myös tässä tutkimuksessa ryhmässä kasvaneiden puiden tunnistustarkkuus (21,0 %) oli huomattavasti yksittäin kasvaneita puita (68,7
%) alhaisempi ja logistisen regressioanalyysin mukaan puun kasvaminen yksin tai ryhmässä selitti puun löytymisen parhaiten, kun kaikki muuttujat otettiin huomioon.
Puiden löytymättömyys tällaisissa olosuhteissa on helppo ymmärtää lasersäteen ja puun latvuston vuorovaikutuksen osalta. Valtaosa säteistä heijastuu ylimmistä latvuksista. Koska CHM laadittaessa huomioidaan vain ensimmäiset kaiut ja maanpinnasta tulleet kaiut jäävät hallitsevan latvuskerraston alapuolella sijaitsevat puut suurella todennäköisyydellä havaitsematta (Holopainen ym. 2013). Tällöin löydetyksi tulevat ainoastaan vallitsevan latvuskerraston suurikokoisimmat puut ja pienemmät puut havaitaan ainoastaan, jos vallitsevassa latvuskerrastossa on aukkoja (Jeronimo ym. 2018). Esimerkiksi Sohlberg ym. (2006) havaitsi dominoivista puista yli 90 % kun taas alemman latvuskerraston puista havaittiin ainoastaan 19 %. Myös Kaartinen ym.
(2012) havaitsivat tutkimuksessaan koealueesta riippuen 60–70 % ylimmän latvuskerraston puista, vaikka kaikkien puiden osalta päästiin vain noin 40 % tunnistustarkkuuteen.
Tässä tutkimuksessa puiden pituutta tutkittiin vain absoluuttisesti. Puita ei siis jaoteltu pituutensa mukaan eri latvuskerroksiin. Tarkastelemalla puiden pituuden ja löytymisen suhteen
27
luotua logistista regressiokäyrää voidaan kuitenkin havaita, että myös tässä tutkimuksessa löytyneet puut olivat pääasiassa suurikokokoisia. Myös puiden keskipituuden havaittiin nostavan puiden suhteellista löytymisprosenttia. Tämä johtuu siitä, että koealueilla, joilla puiden keskipituus on korkein alempien latvuskerrastojen puut puuttuvat ja jäljellä on enää kookkaita valtapuita.
Myös suurikokoisia puita jää kuitenkin havaitsematta. Tämä johtuu siitä, että tiheissä puuryhmissä ylin latvuskerros voi muodostaa hyvin tiiviin peitteen, jossa puiden latvukset kasvavat osin lomittain. Jos puut ovat pituudeltaan homogeenisia, voi yksittäisen puun tunnistaminen vaikeutua. Tämä korostuu aineistossa, jonka resoluutio on matala. Tutkimukset ovat osoittaneet puiden tunnistustarkkuuden nousevan merkittävästi, jos käytetty aineisto on resoluutioltaan 0,5 m tai tarkempaa (Stereńczak 2013). Samoin käytetyn Watershed segmentoinnin on havaittu helposti yhdistävän lähekkäin kasvavien puiden latvuksia yhdeksi puuksi (Yu ym.
2004, Hyyppä ym. 2001).
Tämän tutkimuksen mukaan pystyyn kuolleet puut löytyvät eläviä puita todennäköisemmin ja pökkelötkin vain hieman eläviä puita harvemmin. Tutkimuksia kuolleiden puiden havaitsemisesta latvuston korkeusmalliin perustuvilla menetelmillä on erittäin vähän. Syynä on se, ettei lahopuuta pystytä erottamaan latvuston korkeusmallista ja usein siihen ei edes kohdistu mielenkiintoa metsätaloudellisissa tutkimuksissa. Sohlberg (2006) havaitsi kuolleista puista vain 9 %.
Todennäköisesti kyse ei ole siitä, että kuolleet puut olisivat helpommin löydettävissä, vaan selitys liittyy edelleen Lieksan koeasetelmaan. Poltetuilla koealoilla puiden kokonaiskuolleisuus saattoi olla erittäin suurta ja johtaa liki kaikkien puiden kuolemaan. Koska käsittelystä oli maastoinventoinnin aikaan jo 18 vuotta, oli suuri osa pystyyn kuolleista puista jo kaatunut ja yhä pystyssä olevat puut olivat harvassa ja todennäköisesti kaikista suurikokoisimpia puita.
Mielenkiintoinen havainto oli se, että myös yksittäisiä puita jäi löytymättä. Löytymättömien puiden lähempi tarkastelu kuitenkin osoitti, että valtaosa näistä puista oli joko pituudeltaan alle 10 metriä tai kuolleita. Pikselit, jotka olivat alle 10 metriä, jouduttiin suodattamaan pois, koska osalle koealueista oli kehittynyt taimikkoa, joita algoritmi luokitteli puiksi. Kuolleiden puiden heikko löytyminen selittyy aineiston suodattamisella. Liika suodattaminen johtaa siihen, että algoritmi alkaa tunnistaa yksittäistä latvaa moneksi puuksi ja vastaavasti matalammassa suodatuksessa pienempien kohteiden erottelu hankaloituu. Kuolleiden puiden ja erityisesti pökkelöiden latva saattaa olla niin pieni, ettei algoritmi enää tunnista sitä puuksi. Eläviä yksittäin kasvavia puita jäi lopulta tunnistamatta 4 kappaletta.
28
Laserkeilausta ei ole aiemmin hyödynnetty säästöpuuryhmien inventointiin. Tutkimuksen ongelmana oli, että osa koealoista vastaa huonosti nykyisiä säästöpuumääriä ja käytänteitä.
Toisaalta nyt saatiin laaja skaala erilaisia koeasetelmia. Ongelmana oli myös se, ettei puiden numerointi ollut enää nähtävissä, mikä on voinut johtaa yksittäisten puiden väärään yksilöintiin maastossa. Samoin vanhat koordinaatit poikkesivat hieman puiden todellisesta sijainnista, mikä vaikeutti maastossa yksilöityjen ja algoritmin tunnistamien puiden parittamista. Kokeen toistaminen uusilla hakkuualoilla toisi lisätietoa sen luotettavuudesta tavallisemmilla säästöpuumäärillä.
Laserkeilaus on jatkuvasti yleistyvä tapa puustotiedon keräämiseen. Samalla myös tiheäpulssisen datan hinnat ovat tulleet alaspäin. Kansallisen laserkeilausohjelman pulssitiheys on jo nostettu tässä tutkimuksessa käytetystä 0,5 pulssista viiteen pulssiin neliömetrillä (Maanmittauslaitos). Tämän voi olettaa nostavan tunnistettujen puiden osuutta. Tosin latvustonkorkeusmalliin perustuvan yksinpuintulkinnan yhtä perusongelmaa, eli suurempien puiden varjostamien puiden havaitsematta jäämistä se ei poista.
7. JOHTOPÄÄTÖKSET
Laserkeilauksen käyttökelpoisuus säästöpuiden havaitsemiseen on tapauskohtainen ja riippuu säästöpuiden sijoittelusta. Tutkimus osoitti, että suurimmalla todennäköisyydellä löydetään suurikokoiset ja yksittäin kasvavat puut. Suurikokoisten järeiden puiden tiedetään olevan avainresurssi useille lajeille ja tuovan kuoltuaan metsään järeää lahopuuta, joten tieto niiden esiintymisestä on arvokasta. Laserkeilaus aineisto olisikin erittäin käyttökelpoista esimerkiksi tilanteessa, jossa seurataan vanhojen järeiden säästöpuiden löytymistä.
Puun kasvamisen ryhmässä havaittiin alentavan löytymistodennäköisyyttä huomattavasti.
Suurin osa havaitsematta jääneistä puista oli pienikokoista aluspuustoa, jonka ekologiset arvot ovat vähäiset. Ongelmana on kuitenkin, jos havaitsematta jää esimerkiksi kuollutta puustoa tai dominoivia puita, joiden latvuksia ei pystytä tunnistamaan omiksi yksilöiksi.
Suuretkaan säästöpuuryhmät eivät pääsääntöisesti pysty säilyttämään sulkeutuneen metsän pienilmastoa ja kasvillisuutta, mutta niiden jättäminen on perusteltua suurten säästöpuuryhmien suhteellisesti alhaisemman kuolleisuuden vuoksi. Nykysäädökset mahdollistavat säästöpuiden
29
keskittämisen leimikkotasolla säästöpuuryhmiksi. Lisäksi uusien sertifikaattivaatimusten vuoksi säästöpuiden määrä tulee jatkossa lisääntymään. Jos uudet säädökset ja tieto säästöpuiden dynamiikasta johtaa suurempien säästöpuuryhmien suosimiseen, soveltuu matalapulssinen laserdata heikosti niiden tilan seurantaan.
Yksinpuintulkinnan itsessään antama tieto on melko vähäistä. Menetelmän hyödyntämiseksi tulisi puut inventoida esimerkiksi hakkuun yhteydessä tai käyttää muutosten havaitsemiseen aikasarjaa.
KIITOKSET JA LOPPUSANAT
Haluan kiittää työni ohjaajia Jari Koukia, Lauri Korhosta ja Teemu Tahvanaista suuresta avusta ja positiivisesta hengestä työn aikana. Lisäksi suuri kiitos maastoaineiston keräämisessä
auttaneelle Risto Ikoselle.
LÄHDELUETTELO
CRAN (2015) https://cran.r-project.org/bin/windows/base/old/
Ene, L., Næsset, E., & Gobakken, T. (2012). Single tree detection in heterogeneous boreal forests using airborne laser scanning and area-based stem number estimates. International Journal of Remote Sensing, 33(16), 5171–5193. doi:10.1080/01431161.2012.657363
Esseen, P.-A. (1994). Tree mortality patterns after experimental fragmentation of an old-growth conifer forest. Biological Conservation, 68(1), 19–28. doi:10.1016/0006-
3207(94)90542-8
Fedrowitz, K., Koricheva, J., Baker, S. C., Lindenmayer, D. B., Palik, B., Rosenvald, R.,
Gustafsson, L. (2014). REVIEW: Can retention forestry help conserve biodiversity? A meta- analysis. Journal of Applied Ecology, 51(6), 1669–1679. doi:10.1111/1365-2664.12289
Franklin J., Lindenmayer D., MacMahon J., McKee A., Magnuson J., Perry D., Waide R.,Foster D.
(2000) Threats of Continuity. Conservation in Practice 1 (1) https://doi.org/10.1111/j.1526- 4629.2000.tb00155.x
FSC 2011. Suomen FSC standardi
FSC 2019. Suomen metsänhoidon standardi ensimmäinen luonnos.
Gustafsson, L., Hannerz, M., Koivula, M. et al. Research on retention forestry in Northern Europe.
Ecol Process 9, 3 (2020). https://doi.org/10.1186/s13717-019-0208-2
Gustasson, L., Kouki, J., Svedrup-Thygeson A. 2010. Tree retention as a conservation measure in clear-cut forests of norhthern Europe: a review of ecological consequenses. Scandinavian Journal of Forest Research 25 (4): https://doi.org/10.1080/02827581.2010.497495
30
Hallinger, M., Johansson, V., Schmalholz, M., Sjöberg, S., & Ranius, T. (2016). Factors driving tree mortality in retained forest fragments. Forest Ecology and Management, 368, 163–172.
doi:10.1016/j.foreco.2016.03.023
Heikkala O., Seibold S., Koivula M., Martikainen P., Muller J., Thorn S., Kouki J. (2016) Retention forestry and prescribed burning result in functionally differentsaproxylic beetle assemblages than clear-cutting.Forest Ecology and Management 359, 51-58.
https://doi.org/10.1016/j.foreco.2015.09.043
Heikkala, O., Suominen, M., Junninen, K., Hämäläinen, A., & Kouki, J. (2014). Effects of retention level and fire on retention tree dynamics in boreal forests. Forest Ecology and Management, 328, 193–201. doi:10.1016/j.foreco.2014.05.022
Holopainen, M., Hyyppä, J. & Vastaranta, M. 2013. Laserkeilaus metsävarojen hallinnassa.
Helsingin yliopiston metsätieteiden laitoksen julkaisuja 5: 1–75.
Hyvärinen E. (2006). Green-tree retention and controlled burning in restoration and conservation of beetle diversity in boreal forests. https://doi.org/10.14214/df.21
Hyvärinen E., Juslén A., Kemppainen E., Uddström A., Liukko U-M. 2019. Suomen lajien uhanalaisuus – punainen kirja. Ympäristöministeriö ja Suomen ympäristökeskus.
Hyyppä J. & Inkinen M. 1999. Detecting and estimating attributes for single trees using laser scanner. The Photogrammetric Journal of Finland, Vol. 16, No. 2, 1999.
Hyyppä J., Schardt M., Haggrén H., Koch B., Lohr U., Scherrer H U., Paananen R., Luukkonen H., Ziegler M., Hyyppä H., Pyysalo U., Friedländer H., Uuttera J., Wagner S., Inkinen M., Wimmer A., Kukko A., Ahokas A., Karjalainen M. 2001. HIGH-SCAN: The first European-wide attempt to derive single-tree information from laserscanner data. The Photogrammetric Journal of Finland, 18
Hämäläinen A., Hujo M., Heikkala O., Junninen K., Kouki J. 2016. Retention tree characteristics have major influence on the post-harvest tree mortality and availability of coarse woody debris in clear-cut areas. Forest Ecology and Management 369, 66–73
https://doi.org/10.1016/j.foreco.2016.03.037.
Jeronimo, S. M. A., Kane, V. R., Churchill, D. J., McGaughey, R. J., & Franklin, J. F. (2018).
Applying LiDAR Individual Tree Detection to Management of Structurally Diverse Forest Landscapes. Journal of Forestry, 116(4), 336–346. doi:10.1093/jofore/fvy023
Junninen, K., Penttilä, R., & Martikainen, P. (2007). Fallen retention aspen trees on clear-cuts can be important habitats for red-listed polypores: a case study in Finland. Biodiversity and
Conservation, 16(2), 475–490. doi:10.1007/s10531-005-6227-6
Jönsson, M. T., Fraver, S., Jonsson, B. G., Dynesius, M., Rydgård, M., & Esseen, P.-A. (2007).
Eighteen years of tree mortality and structural change in an experimentally fragmented Norway spruce forest. Forest Ecology and Management, 242(2-3), 306–313.
doi:10.1016/j.foreco.2007.01.048
Kaartinen H, Hyyppä J, Yu X, Vastaranta M, Hyyppä H, Kukko A, Holopainen M, Heipke C, Hirschmugl M, Morsdorf F, Næsset E, Pitkänen J, Popescu S, Solberg S, Wolf BM, Wu J-C. An International Comparison of Individual Tree Detection and Extraction Using Airborne Laser Scanning. Remote Sensing. 2012; 4(4):950-974. https://doi.org/10.3390/rs4040950
Kaukonen, M., Eskola, T., Herukka, I., Karppinen, H., Karvonen, L., Korhonen, I., Kuokkanen P. ja Ervola, A. (toim.) 2018: Metsähallitus Metsätalous Oy:n ympäristöopas. 2. korj. painos 130 s.
Keto-Tokoi P. 2018: Tutkimustietoon perustuvia suosituksia vastuullisen metsänhoidon kehittämiseksi. WWF Suomen raportteja 37.
31
Kouki, J., S. Löfman, P. Martikainen, S. Rouvinen & A. Uotila 2001:
Forest fragmentation in Fennoscandia: linking habitat requirements of wood-associated threatened species to landscape and habitat changes.
– Scandinavian Journal of Forest Research Suppl. 3: 27-37.
Kouki, J. 2013: Nuoret luonnonmetsät metsien hoidon ja suojelun mallina - Uusia mahdollisuuksia metsäluonnon suojeluun talousmetsissä. - Luonnon Tutkija 117: 4-19.
Kouki J., & Salo K. 2020. Forest disturbances affect functional groups of macrofungi in young successional forests – harvests and fire lead to different fungal assemblages. Forest Ecology and Management 463:118039. DOI:
10.1016/j.foreco.2020.118039
Kuuluvainen T. & Aakala T. 2011. Natural forest dynamics in boreal Fennoscandia: a review and classification. Silva Fennica 45: 823–84
Kuuluvainen, T., Lindberg, H., Vanha-Majamaa, I., Keto-Tokoi, P., & Punttila, P. 2019. Low-level retention forestry, certification, and biodiversity: case Finland. Ecological Processes, 8(1), [47].
https://doi.org/10.1186/s13717-019-0198-0
Lindemayer D. B., Franklin J. F., Lohmus A., Baker S. C., Bauhus J., Beese W., Brodie A., Kiehl B., Kouki J., Martinez Pastur G., Messier C., Neyland M., Palik B. Svedrup-Thygeson A., Volney J., Wayne A., Gustafsson L. 2012. A major shift to the retention approach for forestry can help resolve some global forest sustainability issues. Conservation letters 5 (6):
https://doi.org/10.1111/j.1755-263X.2012.00257.x
Luonnonvarakeskus 2019. Metsien suojelussa suuria alueellisia eroja.
https://www.luke.fi/uutinen/metsien-suojelussa-suuria-alueellisia-eroja/
Luonnonvarakeskus. https://www.luke.fi/tietoa-luonnonvaroista/metsa/metsanhoito/metsan-jatkuva- kasvatus/
Maanmittauslaitos: https://www.maanmittauslaitos.fi/laserkeilaus-ja-ilmakuvaus
Maltamo, M., Mustonen, K., Hyyppä, J., Pitkänen ,J. Yu, X., 2004, The accuracy of estimating individual tree variables with airborne laser scanning in a boreal nature reserve. Canadian Journal of Forest Research,34, pp. 1791–1801
Martikainen, P. 2001. Conservation of threatened saproxylic beetles: significance of retained aspen Populus tremula on clearcut areas. Ecological Bulletins 49:205-218.
Mielikäinen K., Hynynen J. (2003). Silvicultural management in maintaining biodiversity and resistance of forests in Europe-boreal zone: Case Finland. Journal of Environmental
Management 67(1): 47-54 DOI: 10.1016/S0301-4797(02)00187-1 PEFC Suomi 2014. Suomen metsäsrtifioinnnin kriteerit. PEFC FI 1002:2014
PEFC kriteerien tarkistustyö 2019: Luonnos uudeksi PEFC FI –standardin kriteeristöksi.
Pennanen J. 2002 Forest age distribution under mixed-severity fire regimes – a simulation based analysis for middle boreal Fennoskandia. Silva Fennica 36.
Pitkänen, J., Maltamo, M., Hyyppä, J. Yu, X., 2004, Adaptive methods for individual tree detection on airborne laser scanner based canopy height model. International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences
Project Fire http://forest.uef.fi/jarikouki/project_fire.htm)
Rosenvald, R., Lõhmus, A. 2008. For what, when, and where is green-tree retention better than clear-cutting? A review of the biodiversity aspects. Forest Ecology and Management 255(1).
DOI: 10.1016/j.foreco.2007.09.016
