Ombrotrofikaation tutkiminen ilmakuvista ohjatulla luokituksella Pohjois-Karjalan soilla 1944–2017

(1)

Ombrotrofikaation tutkiminen ilmakuvista ohjatulla luokituksella Pohjois-Karjalan soilla 1944–2017

Juho Ervasti 267517 Itä-Suomen Yliopisto Historia- ja maantieteiden laitos Pro gradu -tutkielma Toukokuu 2021

(2)

ITÄ-SUOMEN YLIOPISTO

Tiedekunta

Yhteiskuntatieteiden ja kauppatieteiden tiedekunta

Osasto

Historia- ja maantieteiden laitos

Tekijä

Juho Ervasti

Ohjaaja

Timo Kumpula

Työn nimi

Ombrotrofikaation tutkiminen ilmakuvista ohjatulla luokituksella Pohjois-Karjalan soilla 1944–2017

Pääaine

Maantiede

Työn laji

Pro gradu- tutkielma

Päivämäärä

20.5.2021

Sivumäärä

57 + liitteet

Tiivistelmä

Ombrotrofikaatio on luontainen prosessi, jossa kasvillisuudeltaan saravoittoiset minerotrofiset suot tai suoalueet muuttuvat rahkasammalvoittoisiksi. Ihmisen toiminnan, kuten metsäojitusten kaivaminen on havaittu käynnistävän ja kiihdyttävän tätä prosessia. Ombrotrofikaatio on uhka luonnon monimuotoisuudelle, sillä minerotrofiset aapasuot ovat uhanalaisia ekosysteemejä. Rahkasammalista koostuva turve sitoo enemmän hiiltä, joten ombrotrofikaatio voi lisätä soiden hiilensidontaa.

Tässä pro gradu- tutkielmassa tutkittiin Pohjois-Karjalassa sijaitsevien kahdeksan eri tutkimuskohteen soilla tapahtunutta ombrotrofikaatiota kaukokartoitusmenetelmillä. Minerotrofiset alueet heijastavat vähän valoa, jolloin ne erottuvat kuvissa tummina. Rahkasammalet ja ombrotrofiset alueet erottuvat ilmakuvista kirkkaina. Alueiden välinen selkeä kontrasti mahdollistaa niiden muutosten tutkimisen ilmakuvista.

Aineistona käytettiin Topografikunnan tuottamia vuodelta 1944 peräisin olevia ilmakuvia, ja Maanmittauslaitoksen tuottamia vuoden 2017 ilmakuvia. Tutkimusalueen mukaisesti rajatulle ilmakuvalle suoritettiin Support Vector Machine- luokittimella ohjattu luokitus 1) vesirimpeen, 2) rimpeen, 3) välipintaan ja 4) mätäspintaan. Luokituksille tehtiin tarkkuudenarviointi. Lisäksi tutkimusalueille luotiin 2 m DEM- aineiston perusteella virtausverkostoanalyysi.

Luokituksen tulosten perusteella soilla on tapahtunut ombrotrofikaatiota. Minerotrofisten rimpien kokonaispinta-ala oli vähentynyt kaikilla paitsi kahdella suolla, ja näiltäkin soilta oli havaittavissa suon tietyissä osissa ombrotrofikaatiota. Tulosten perusteella ei pystytty kuitenkaan määrittämään tekijöitä, jotka aiheuttaisivat tai vahvistaisivat ombrotrofikaatiota.

Ohjattu luokitus osoittautui soveltuvaksi menetelmäksi, vaikka siinä ilmeni kuitenkin joitakin rajoittavia tekijöitä, ja menetelmä sopiikin parhaiten täysin puuttomille suoalueille, koska puusto aiheutti ohjatussa luokituksessa virheluokituksia. Luokitusten tarkkuudet olivat yhtä kuvaa lukuun ottamatta korkealla tasolla. Menetelmää voitaisiin jatkossa soveltaa myös aiheen tarkempaan tutkimiseen, esimerkiksi tarkempaan aikasarjatutkimukseen yksittäiseltä suolta.

Avainsanat

ombrotrofikaatio, aapasuo, keidassuo, minerotrofia, ombrotrofia, ohjattu luokitus, kaukokartoitus

(3)

Sisällys

1 Johdanto ... 1

2 Suomen suot ... 3

2.1 Ombrotrofikaatio ... 5

3 Kaukokartoitus ... 8

3.1 Ohjattu luokitus ... 9

4 Tutkimusalue ... 12

4.1 Ilajansuo ... 13

4.2 Kuuksensuo ... 13

4.3 Valkeasuo ... 14

4.4 Tervasuo ... 15

4.5 Kesonsuo ... 16

4.6 Korvilansuo ... 17

4.7 Haravasuo ... 18

4.8 Ruohosuo ... 19

5 Aineistot ja menetelmät... 21

5.1 Suopintaluokitus ... 21

5.2 Virtausverkosto ... 25

6 Tulokset ... 27

6.1 Ilajansuo ... 27

6.2 Kuuksensuo ... 29

6.3 Valkeasuo ... 31

6.4 Tervasuo ... 34

6.5 Kesonsuo ... 37

6.6 Korvilansuo ... 39

6.7 Haravasuo ... 41

6.8 Ruohosuo ... 44

6.9 Tulosten yhteenveto ... 46

7 Pohdinta ... 48

7.1 Ombrotrofikaatio ... 48

7.2 Menetelmän pätevyys ... 49

7.3 Tulosten merkitys ja jatkotutkimus ... 51

8 Johtopäätökset ... 53

Kirjallisuus ... 55

Liitteet ... 58

(4)

1

1 Johdanto

Suot ovat maailmanlaajuisesti tärkeitä ekosysteemejä, jotka ovat keskittyneet pohjoiselle pallonpuoliskolle. Vaikka soiden osuus maa-alueiden pinta-alasta on suhteellisen pieni noin 3 %, on niihin varastoitunut noin 30 % kaikesta maaperään sitoutuneesta hiilestä. Suoekosysteemit ovat siis erittäin tehokkaita ja tärkeitä hiilivarastoja. Loisel ym. (2014, 10) arvioivat 45° leveyspiirin pohjoisiin suoalueisiin varastoituneen hiilen kokonaismääräksi 436 gigatonnia. Soiden hiili on varastoitunut turvekerroksiin, jotka syntyvät epätäydellisen hajoamisen tuloksena kuolleista suokasveista (Rydin

& Jeglum 2013). Hiiltä sitoutuu merkittävästi enemmän rahkasammalista (Sphagnum spp.) muodostuneeseen turpeeseen (Loisel ym. 2014).

Ombrotrofikaatio on prosessi, jossa kasvillisuudeltaan saravoittoiset (Carex spp.) minerotrofiset suot muuttuvat ombrotrofisiksi soiksi, joiden pääkasvillisuustyyppi on rahkasammalet.

Ombrotrofikaatiota tapahtuu luontaisesti hitaasti, mutta ihmisen toiminnan, kuten metsäojitusten, on havaittu aiheuttavan ombrotrofikaatiota äkillisesti (Rydin & Jeglum 2013; Tahvanainen 2011). Koska ombrotofikaatio lisää rahkasammalkasvillisuutta soilla, se saattaa vaikutta myös hiilen sidonnan määrään suolla (Sallinen ym. 2019). Ombrotrofikaatio vaikuttaa siis hyvin todennäköisesti ilmastonmuutokseen, sillä rahkasammalten lisääntyminen lisää myös hiilen sidontaa suohon.

Suomessa suot ovat tärkeitä ekosysteemejä, ja kattavat noin kolmanneksen Suomen pinta-alasta (Ruuhijärvi 1978, 47; Paavilainen & Päivänen 1995, 11). Suot ovat Suomen luonnon suurin hiilivarasto, joten soiden käytön ohjaus on tärkeä keino säädellä Suomen ilmastovaikutuksia (Kaakinen & Salminen 2008, 121) Suomen suotyypit voidaan jakaa karkeasti aapa- ja keidassoihin.

Minerotrofisia aapasoita esiintyy yleisemmin Pohjois-Suomessa ja ombrotrofisia keidassoita Etelä- Suomessa, ja näiden suotyyppien esiintymisraja noudattelee suunnilleen 1100 lämpötilasumman rajaa (Ruuhijärvi 1960, 19; Ruuhijärvi 1978, 51). Ilmastonmuutoksen seurauksena erityisesti korkeilla leveyspiireillä lämpötilojen on ennustettu kohoavan, mikä todennäköisesti vaikuttaa myös suotyyppien levinneisyyteen (Stocker ym. 2013). Suomessa ihminen on hyötykäyttänyt soita mittavasti, ja esimerkiksi Aapalan ym. (1998) arvion mukaan ainoastaan kolmannes Suomen soista on nykyään luonnontilaisia. Myös ojittamattomilla suoalueilla on havaittu merkittäviä muutoksia, ja ojitukset vaikuttavat epäsuorasti myös ojittamattomiin suoalueisiin aiheuttamalla mm.

ombrotrofikaatiota (Sallinen ym. 2019; Tahvanainen 2011). Ombrotrofikaatio on siis uhka luonnon monimuotoisuudelle, koska ombrotrofiset suot ovat lajistoltaan köyhiä ja yksipuolisia. Lisäksi erityisesti eteläiset aapasuot ovat uhanalaisia (Ympäristöhallitus 2018).

(5)

2

Kaukokartoitusmenetelmät ovat tehokas tapa tutkia ilmasta havaittavissa olevia kohteita.

Ombrotrofikaatiota on tutkittu melko vähän kaukokartoitusmenetelmillä; poikkeuksena tähän on esimerkiksi Tahvanaisen (2011) tutkimus. Rahkasammalet heijastavat runsaasti valoa, ja saravoittoiset, märät minerotrofiset alueet heijastavat huomattavasti vähemmän valoa, jonka vuoksi näiden alueiden välinen kontrasti mahdollistaa minerotrofisen ja ombrotrofisen pinnan muutosten vertailun ilmakuvien avulla. Ohjattu luokitus on kaukokartoitusmenetelmä, jonka avulla ilmakuvat pystytään erottelemaan eri luokkiin pikseleiden tai pikseleiden muodostamien objektien avulla (Campbell 2007). Ohjatun luokituksen avulla pitäisi siis pystyä erottamaan suopinnasta minerotrofiset ja ombrotrofiset alueet ja vertaamaan muutoksia tarkastelemalla samaa suoaluetta eri vuosilta. Tämän pro gradu -tutkielman tavoitteena on hyödyntää kaukokartoitusmenetelmiä ombrotrofikaation tutkimisessa. Tutkimusalueena tutkielmassa oli Pohjois-Karjala, josta tutkimuskohteiksi valittiin kahdeksan eri suokohdetta.

Tutkimuskysymykset olivat:

1. Onko tutkimusalueiden soilla tapahtunut ombrotrofikaatiota?

a. Mitkä tekijät ovat vaikuttaneet ombrotrofikaatioon?

2. Onko ohjattu luokitus pätevä tapa tutkia ombrotrofikaatiota?

Tutkielmassa tavoitteena oli siis havaita ohjatun luokituksen avulla, oliko tutkimusalueilta valituilla soilla tapahtunut ombrotrofikaatiota. Tutkimuskohteiksi valittiin ominaisuuksiltaan (esimerkiksi ympäröivä maankäyttö) erilaisia alueita, jotta olisi mahdollista arvioida eri tekijöiden vaikutuksia tutkimuskohteissa mahdollisesti tapahtuneisiin muutoksiin. Tämän avuksi alueilta tehtiin myös kaukokartoitusmenetelmin valuma-analyysi. Tutkielman tavoitteena oli myös arvioida ohjatun luokituksen soveltuvuutta ombrotrofikaation tutkimiseen.

(6)

3

2 Suomen suot

Suot ovat kosteikkoja, joille on pääasiassa kasvimassan epätäydellisen hajoamisen takia syntynyt turvekerros, jonka tulisi olla määritelmästä riippuen 30–40 cm paksu (Rydin & Jeglum 2013, 2–4;

Sallinen ym. 2019, 1). Suon muodostuminen vaatii veden ylijäämää eli turpeen muodostaminen vaatii yleensä suuremman sademäärän kuin kokonaishaihdunnan, mutta turvetta voi syntyä myös, jos alueen vastaanottama valumavesi ylittää kokonaishaihdunnan. Suoalueiden pohjavesi on aina lähellä maan pintaa (Ruuhijärvi 1978, 47; Korhola & Tolonen 1998, 20; Paavilainen & Päivänen 1995, 79).

Soistumista tapahtuu pääosin kolmella eri tavalla: 1) primaarinen soistuminen tapahtuu, kun maa paljastuu jään tai veden alta ja suokasvillisuus valtaa alueen välittömästi, 2) metsämaan soistuminen tapahtuu, kun maanpinta ohjaa veden virtausta siten, että alue pääsee vettymään ja 3) vesistö kasvaa umpeen (Korhola & Tolonen 1998, 20).

Merkittävin soiden ominaisuus on korkea veden taso. Mikro-organismit käyttävät seisovaan veteen sitoutuneen hapen, jolloin turpeen muodostuminen voi käynnistyä hapettomissa olosuhteissa. Veden alkuperä, jonka mukaan suot voidaan jakaa kahteen eri tyyppiin, on tärkeä määrittelevä tekijä soille.

Minerotrofisiin soihin tulee minerogeenistä vettä ja ravinteita ympäröivältä mineraalimaalta.

Ombrotrofisiin soihin vettä ja ravinteita tulee ainoastaan sadeveden ja pölyn kautta. Näiden suotyyppien kasvillisuus on huomattavasti erilainen, ja minerotrofisista soista käytetäänkin joskus termiä sarasuo, ja ombrotrofisista soista termiä rahkasuo. Englanninkielisessä kirjallisuudessa minerotrofisista soista käytetään termiä fen ja ombrotrofisista soista termiä bog (Rydin & Jeglum 2013, 5–6; Kaakinen ym. 2008, 35).

Viileän ja kostean ilmaston sekä tasaisen topografian takia noin kolmannes Suomen pinta-alasta on suota ja soiden kokonaispinta-alan on arvioitu olevan n. 10 400 000 hehtaaria. (Paavilainen &

Päivänen 1995, 11; Sallinen ym. 2019, 1). Nykyään soista vain kolmannes on luonnontilaista (Aapala ym. 1998, 45). Suon hyötykäyttö vaatii yleensä aina ojitusta (Paavilainen & Päivänen 1995, 35).

Ojituksen välitön vaikutus suon hydrologiaan on pohjaveden pinnan lasku ja nopeampi valuma.

Turvemaan veden varastointikapasiteetti laskee ja ojitetun alueen huippuvirtaukset kasvavat.

Vedenpinnan lasku mahdollistaa aerobisen mikrobitoiminnan (Paavilainen & Päivänen 1995, 35; 88), joka lisää suohon sitoutuneen hiilidioksidin vapautumista ilmakehään. Toisaalta sama toimi aiheuttaa myös suon metaanin hapettumista, joka voi estää metaanipäästöjä. Soita on ojitettu maatalouden, turvetuotannon ja metsäteollisuuden tarpeisiin. Maataloussuot vapauttavat hiilidioksidia ja ilokaasua ilmakehään. (Paavilainen & Päivänen 1995, 35).

(7)

4

Soita on kuivattu viljely tarkoituksiin alkaen jo 1300-luvulla. Suomessa soita viljeltiin onnistuneesti jo 1670-luvulla, jolloin ojituksesta kuivanut suon pinta poltettiin, tasattiin ja lannoitettiin. Suomessa soita on raivattu pelloiksi yhteensä 0,7–1,0 miljoonaa hehtaaria. Soita raivattiin erityisesti väestönkasvun alkaessa yli 200 vuotta sitten ja toisen maailmansodan jälkeen. Nykyään soita ei enää raivata maatalouden käyttöön ja suuri osa raivatuista pelloista on jätetty viljelemättä. Soita on viljelyksessä noin 200 000 hehtaaria, joka on noin 10 % Suomen peltoalasta (Myllys 1998, 64; Myllys

& Soini 2008).

Suomen Luonnonvarakeskuksen (LUKE 2020) mukaan 53 % Suomen suoalasta on ojitettu. Suomen pinta-alasta yhteensä 78 % eli 22,1 miljoonaa hehtaaria on metsätalouskäytössä. Tästä alasta noin 4,5–4,8 miljoonaa hehtaaria, eli noin 20 % on ojitettua suota. Tämä ala on lähes puolet koko Suomen suomaasta (Kauppila ym. 2016, 1; Peltomaa 2007, 151–153). Ojituksessa alueen vedenpintaa lasketaan, jolloin maan ilmanvaihto varmentuu ja puuston juuristo ulottuu syvemmälle (Päivänen &

Paavilainen 1998, 75). Tämä voi mahdollistaa taloudellisesti kannattavan puuntuotannon ojitetulla suoalalla (Paavilainen & Päivänen 1995, 19). Puuston tilavuuden kasvu lisää myös alueen kokonaishaihduntaa. Ojituksen avulla lumen sulamisvedet valuvat nopeammin alueelta pois, mikä luo otollisemmat lämpöolosuhteet kasvaville puille (Peltomaa 2007, 153–154).

Soita ruvettiin ojittamaan metsätalouden käyttöön järjestelmällisesti valtion ja metsäteollisuuden mailla vuonna 1908. Ojitus käynnistyi myös laajemmin yksityisillä mailla metsänparannuslain myötä vuonna 1928 (Päivänen & Paavilainen 1998, 72). Vuonna 1964 alkoi voimakkain ojitusvaihe valtiollisen kehitysohjelman myötä (Peltomaa 2007, 153). Huippu saavutettiin vuonna 1969, jolloin ojitettu ala oli noin 300 000 hehtaaria (Päivänen & Paavilainen 1998, 75). Erityisesti puita kasvavia soita ojitettiin; avosoiden, ombrotrofisten soiden ja märkien minerotrofisten soiden ojitus oli vähäistä (Sallinen ym. 2019, 1). Metsäojituksilla oli merkittävä metsätaloudellinen vaikutus, ja puuston kokonaistilavuus kasvoi melkein 40 % kolmessakymmenessä vuodessa ja ojitus on tämän muutoksen päätekijä (Peltomaa 2007, 155). Toisaalta merkittävä osa ojituksista ei onnistunut, sillä vain 88,7 % ojitetuista alueista lasketaan nykyään metsiksi, ja suurella osalla metsittyneistä alueista ei ole metsätaloudellista arvoa (Sallinen ym. 2019, 14). Nykyään noin 800 000 hehtaaria suoalasta sopisi metsätalouden käyttöön, mutta uusien ojien kaivaminen on lopetettu 1990-luvulla (Peltomaa 2007, 157).

Soiden ojitus aiheuttaa merkittäviä muutoksia suon ekosysteemiin. Tulvimisen määrän lisääntymistä on pidetty yhtenä ojituksen haittavaikutuksena (Paavilainen & Päivänen 1995, 191). Ojituksen merkittävin ympäristövaikutus on humuksen, ravinteiden ja kiintoaineen lisääntyminen valumavesissä. Valumavedet saattavat muuttaa järven ravinnekoostumusta ja liuenneen hiilen määrää

(8)

5

(Kauppila ym. 2016, 1–2). Ojitetut alueet vaativat myös jatkotoimenpiteitä, kuten lannoitusta, joka aiheuttaa myös ravinteiden huuhtoutumista (Päivänen & Paavilainen 1998,76; 81–82).

Suomen suot voidaan jakaa karkeasti kahteen eri tyyppiin, keidas- ja aapasoihin. Lisäksi Pohjois- Lapissa esiintyy myös routaytimisiä aapasoita, joita kutsutaan palsasoiksi. Keidas- ja aapasoiden esiintymisalueiden raja noudattaa karkeasti 1100 lämpötilasumman rajaa. Keidas- ja aapasoiden raja kulkee Pohjois-Karjalan läpi, ja maakunnan eteläosa kuuluu tarkemmin ottaen viettokeitaiden alueeseen. Aapasoita esiintyy pohjoisessa ja ne ovat minerotrofisia, kun taas keidassoita esiintyy etelässä ja ne ovat ombrotrofisia. Yksittäisiä keidas- ja aapasoita esiintyy myös määritellyn esiintymisalueen ulkopuolella. Keidassoille tyypillisiä rakenteita on märät kuljut, ja kuiva mätäspinta eli kermit, jotka ovat sijoittuvat viettokeitaalla korkeuden mukaan rivimäisesti (Kaakinen ym. 2008, 35–36). Osana suurempaa keidassuota esiintyy yleensä myös minerotrofisia osia (Ruuhijärvi 1960, 19; Väliranta ym. 2016). Aapasuot ovat Suomen vanhimpia suotyyppejä. Niille tyypillisiä rakenteita on rimmet, jotka ovat märkiä suoalueita, joita erottaa toisistaan jänteet. Osa aapasoista on kehittynyt lopulta keidassoiksi ombrotrofikaation seurauksena (Kaakinen ym. 36; Virtanen 2008, 19; Suoseura 1995). Ombrotrofiset suot ovat kohonneita, jopa kymmenen metrin korkuisia soita. Niiden turvekerros koostuu pääasiassa osittain hajonneista rahkasammalista. Turvekerros voidaan jakaa kahteen toiminnalliseen kerrokseen: pinnalla olevaan akrotelmaan, ja alempana olevaan katotelmaan.

Akrotelma on muutaman kymmenen senttimetrin paksuinen ja se koostuu pääasiassa hajoamattomista ja hieman hajonneista rahkasammalista. Katotelma on akrotelman alapuolella, ja se koostuu turpeesta, joka pysyy jatkuvasti kosteana (Almquist-Jacobson & Foster 1995, 8; Ingram 1978, 226).

2.1 Ombrotrofikaatio

Ombrotrofikaatio on prosessi, jossa minerotrofinen suoalue muuttuu ombrotrofiseksi.

Suoekosysteemin muutokseen vaikuttavat sekä ulkopuoliset eli allogeeniset tekijät, että autogeeniset tekijät eli suon sisäiset prosessit (Rydin & Jeglum 2013, 128, 140; Tahvanainen 2011; Sallinen 2019).

Alhaisella veden tasolla rahkasammalilla on merkittävä kilpailuetu verrattuna sarakasvillisuuteen.

Suon kasvillisuus on siis hyvä indikaattori ombrotrofikaatiolle. Tahvanainen (2011) määritteleekin ombrotrofikaation rahkasuokasvillisuuden kehittymiseksi suoalueelle. Ombrotrofikaatio on osa normaalia soiden sukkessiota ja sitä voidaan pitää viimeisenä suon kehitysvaiheena (Rydin & Jeglum 2013, 128).

Almquistin & Fosterin (1995) mallin mukaan ombrotrofisen suon kehittyminen alkaa joko yhdestä pisteestä, jonka ympäroimä alue alkaa kohota tai useammasta pisteestä, jotka yhdistyvät ajan kuluessa

(9)

6

toisiinsa yhdeksi alueeksi. Tätä seuraa vertikaalisen kasvun vaihe, jossa katotelma paksunee ja suo kasvaa korkeutta, kunnes se saavuttaa korkeuden tasapainotilan, joka riippuu suon leveydestä. Tämän jälkeen suo saattaa alkaa kasvamaan leveyttä. Ombrotrofisen suon kehittymiseen vaikuttaa alueen topografia ja ilmasto. Suon pinnan noustessa pohjaveden mukana alueelle tulee vähemmän ravinteita, suon pH laskee ja hajoamisprosessit hidastuvat, jotka edelleen kiihdyttävät turpeen kerrostumista (Väliranta ym. 2016, Pastor ym. 2002). Ojitukset valuma-alueella aiheuttavat äkillisiä muutoksia myös ympäröivän suoalueen minerogeenisen veden valumisessa suoaltaalle, siten että minerogeeninen vesi valuu suolta poispäin. Tämä voi aiheuttaa merkittäviä ja nopeita muutoksia suoalueen kasvillisuudessa (Tahvanainen 2011, Sallinen ym. 2019, 17). Mikäli suon pinta nousee korkeammalle kuin sitä ympäröivä mineraalimaa, niin se ei saa enää minerogeenista vettä, vaan alue muuttuu hiljalleen ombrotrofiseksi. Käytännössä osa suoalueesta saa kuitenkin aina jonkin verran myös mineraalivettä, jolloin suoalue ei ole koskaan täysin ombrotrofinen, vaan suot koostuvat aina minerotrofisista ja ombrotrofisista osista (Rydin & Jeglum 2013, 128–129).

Ilmastonmuutokset voivat vaikuttaa ombrotrofikaatioprosessin käynnistymiseen. Muutoksen lämpimästä ja kuivasta ilmastosta viileämpään ja kosteampaan ilmastoon on osoitettu sattuneen yhtä aikaa ombrotrofisten soiden kehittymisen kanssa. Virtasen (2008, 19) mukaan ombrotrofikaatiota on vahvistanut menneisyydessä eniten sademäärän kasvu, ja leutojen talvien mahdollistama rahkasammalen kasvu. Ombrotrofisten soiden ikä vaihtelee huomattavan paljon, esimerkiksi Tolosen (1987) tutkimissa soissa Lammen alueella ikä vaihteli 1900–5600 bp välillä. Ombrotrofikaatiota tapahtuu jatkuvasti lähes kaikilla suoalueilla. Mikäli ilmasto tulevaisuudessa muuttuu viileämmäksi ja kosteammaksi, ombrotrofikaatio tulee todennäköisesti kiihtymään (Rydin & Jeglum 2013).

Allogeeniset tekijät kuten ihmisen tekemät ojitukset voivat kuitenkin aiheuttaa muutoksen suon vesitaloudessa ja pienikin muutos suon veden pinnassa voi käynnistää äkillisen ombrotrofikaatioprosessin, jossa sarakasvillisuus muuttuu rahkakasvillisuudeksi muutamassa vuosikymmenessä (Rydin & Jeglum 2013, 140–143; Tahvanainen 2011; Bellamy & Rieley 1967;

Hughes & Barber 2004).

Suot ovat tärkeitä ekosysteemejä erityisesti pohjoisella pallonpuoliskolla, koska niihin on sitoutunut merkittävä määrä hiiltä (Loisel ym. 2014). Ilmastonmuutoksen on ennustettu vaikuttavan eniten korkeilla leveyspiireillä ja aiheuttavan kasvillisuusalueiden siirtymistä pohjoiseen päin (Stocker ym.

2013). Minerotrofisten ja ombrotrofisten soiden raja tullee olemaan herkkä muutoksille. Suomessa ilmastonmuutos todennäköisesti johtaa korkeampiin vuosittaisiin keskilämpötiloihin, lumen määriin ja kokonaishaihduntaan, joista kaikki ovat merkittäviä tekijöitä soiden kehitykselle. Kasvukauden

(10)

7

pidentyessä suot tulevat todennäköisesti tuottamaan enemmän turvetta, jolloin turvekerros paksunee, joka yhtenä tekijänä mahdollistaa ombrotrofikaation (Väliranta ym. 2016, Virtanen 2008).

(11)

8

3 Kaukokartoitus

Campbell (2007) määrittelee kaukokartoituksen prosessiksi, jossa maanpinnasta saadaan tietoa hyödyntäen kuvia, jotka on otettu maanpinnan yläpuolelta. Kuvien ottaminen perustuu sähkömagneettiseen säteilyyn, jota maanpinta joko heijastaa tai säteilee. Ilmakuvien hyödyntäminen juontaa juurensa 1900- luvun alkupuolelle, ja ensimmäisen maailmansodan aikana lentokoneista otettuja ilmakuvia hyödynnettiin laajasti tiedustelukäytössä. Satelliittikuvaus on toinen kaukokartoitusmuoto, ja vuonna 1972 laukaistiin Landsat 1- satelliitti. Uudempia innovaatioita kaukokartoituksen alalla on laserkeilaus ja droonien hyödyntäminen kartoituksessa (Campbell 2007, 7–14).

Kuva 1. Sähkömagneettisen säteilyn ominaisuudet.

Sähkömagneettinen säteily tulee maapallolle Auringosta, ja se on energian aaltomaista virtausta ilmassa tai muussa väliaineessa, ja sillä on kolme ominaisuutta: aallonpituus, taajuus ja amplitudi.

Aallonpituus tarkoittaa kahden aallonharjan välistä pituutta ja taajuus kuvaa sitä, kuinka monta harjaa kulkee tietyn pisteen läpi tietyssä ajassa. Amplitudilla tarkoitetaan aallonharjan korkeutta.

Aallonpituutta voidaan kaukokartoituksen kannalta merkittävimpänä ominaisuutena.

Kuva 2. Sähkömagneettisen spektrin eri aallonpituusalueet (Campbell 2007)

Sähkömagneettinen spektri voidaan jakaa eri aallonpituusalueisiin. Jako on periaatteessa mielivaltainen, mutta säteilyn ominaisuudet vaihtelevat aallonpituuden mukaan. Kaukokartoituksessa

(12)

9

hyödynnetään lyhyimpiä mikroaaltoja, sekä ultravioletti-, infrapuna- ja näkyvän valon säteilyä (Campbell 2007, 29–33). Suotutkimuksessa on hyödynnetty lähinnä infrapunasäteilyä (esim. Glaser ym. 1981; Johansson ym. 2006), ja näkyvän valon säteilyä (esim. Laitinen ym. 2007).

Kameralla voidaan mitata sähkömagneettista säteilyä, joka pystytään tallentamaan ja esittämään digitaalisessa muodossa. Digitaalinen kuva koostuu pikseleistä, joissa kuhunkin pikseliin on tallennettu bitteihin binäärimuodossa pikselin kirkkausarvo. Pikseleillä on yleensä useampia kaistoja (eng. band), joita voidaan kerätä eri aallonpituusalueilta. Värikuvia varten näkyvän valon alueelta kerätään yleensä punaisen, vihreän ja sinisen valon kaistat. Kuvan piirtyessä nämä kaistat yhdistyvät, ja pikseli näyttäytyy tietyn värisenä tietokoneen näytöllä. Jokaisella kaistalla on oma kirkkausarvonsa, jonka skaala vaihtelee saatavilla olevista biteistä riippuen. Yleensä kirkkausarvot vaihtelevat 0–255 välillä (Campbell 2007, 101–104).

Ombrotrofikaatiota on tutkittu suoraan suhteellisen vähän kaukokartoitusmenetelmillä. Sallisen ym.

(2019) tutkimus sivuaa aihetta ja Granlundin ym. (2020) tutkimuksessa hyödynnetään hyperspektrikuvausta ombrotrofikaatioalueiden turvetyyppien tunnistamiseen. Ombrotrofikaation tutkimisessa ilmakuvia on hyödynnetty lähinnä Tahvanaisen (2011) tutkimuksessa, jossa hyödynnettiin ilmakuva-aikasarjaa Valkeasuolta vuodesta 1941 vuoteen 2005. Tutkimus perustui sara- ja rahkakasvillisuuden heijastuvuuskontrastiin. Vesialueet, ja märät minerotrofiset suot erottuvat ilmakuvissa tummina sävyinä. Rahkasammalet heijastavat huomattavan paljon valoa, jolloin ne erottuvat ilmakuvista kirkkaina sävyinä. Kirkkausero näiden kasvillisuustyyppien välillä on hyvin selkeä, jonka takia kontrastin vertailu on tehokas keino erottaa alueen pääkasvillisuustyyppejä. Tahvanaisen tutkimuksessa samalta alueelta vertailtiin useammalta vuodelta ilmakuvien kirkkautta, ja lisäksi alueelta kerättiin turvenäytteitä, joiden avulla suolla tapahtuneet muutokset varmistettiin.

3.1 Ohjattu luokitus

Digitaalisia kuvia pystytään luokittamaan jakamalla pikselit eri luokkiin. Pikselit ovat yleensä oma yksikkönsä, joilla on eri arvoja. Pikseleistä voidaan kuidenkin muodostaa ryhmiä vertailemalle kuvan pikseleitä ja yhdistämällä samanlaiset pikselit suuremmiksi kokonaisuuksiksi eli luokiksi. Luokat kattavat tietyn osan kartasta ja ne voidaan esittää eri symboleilla tai väreillä (Campbell 2007, 324).

(13)

10

Kuva 3. Esimerkki kuvan luokituksesta. Kuvassa on 6x6 pikselin ruudukko, jossa pikseleillä on arvoja väliltä 1–9. Kuva on luokiteltu luokkiin A ja B, jossa luokassa A on arvot väliltä 1–4, ja luokassa B arvot väliltä 5–9

Luokittelija (eng. classifier) on tietokoneohjelma, jonka avulla voidaan toteuttaa kuvan luokitus.

Luokitusmenetelmiä on kehitetty useita erilaisia, ja ne sopivat eri tilanteisiin. Ei ole siis olemassa selkeästi parasta luokitusmenetelmää, vaan luokitusta tehtäessä tulee valita tilanteeseen parhaiten sopiva menetelmä. Yksinkertaisin tapa on luokitella jokainen pikseli erikseen sen arvojen mukaan eri luokkiin (kts. kuva 3). Tämä menetelmä ei kuitenkaan huomioi pikselin ja sitä ympäröivien pikseleiden samankaltaisuutta. Kehittyneempi menetelmä on esimerkiksi alueellinen luokittelija, joka ottaa huomioon sekä pikseleiden arvon, että pinnan vaihtelut (Campbell 2007, 324–325).

Luokitusmenetelmät voidaan jakaa myös ohjaamattomaan luokitukseen ja ohjattuun luokitukseen.

Ohjaamaton luokitus ei vaadi juurikaan analyysin tekijän panosta, mutta ohjattu luokitus vaatii analyysin tekijää valitsemaan kuvasta alueita, joiden tiedetään kuuluvaan eri luokkiin. Näitä alueita kutsutaan tukialueiksi (eng. training samples). Ohjatun luokituksen etuna on se, että analyysin tekijällä on runsaasti kontrollia erilaisten alueiden täsmälliseen luokitukseen. Tämä mahdollistaa myös saman luokituksen muutosten vertaamisen eri aikoina. Analyysin tekijä pystyy myös havainnoimaan luokituksessa tapahtuvia virheitä ja korjaamaan niitä. Ohjatulla luokituksella on myös huonoja puolia. Luokkajako, joka kuvalle määrätään ei välttämättä vastaa luontaisia luokkia. Valitut tukialueet eivät myöskään välttämättä edusta tietyn luokan ominaisuuksia koko kuvan alueella.

Tukialueiden tarkka valinta saattaa myös olla aikaa vievää, eikä sopivia alueita ei myöskään välttämättä aina löydy. Lisäksi kuvassa saattaa olla tiettyjä erityisiä alueita, jotka jäävät luokittelematta, koska analyysin tekijä ei tunne niitä tai ne peittävät vain pienen osan kuvasta (Campbell 2007, 338–339).

Ohjatussa luokituksessa tukialueiden tulee olla mahdollisimman edustavia esimerkkejä eri luokkien ominaisuuksista, joten ne eivät voi sisältää epätavallisia alueita eivätkä ylittää eri luokkien rajoja.

Tukialueiden tulisi kattaa jokaiselle luokalle yhteensä vähintään 100:n pikselin alue. Tukialueiden valinnassa tulee huomioida niiden sijainti siten, että tukialueissa luokkia on edustettuna myös kuvan eri osista. Tukialueiden määrä tulisi olla vähintään 5–10, ja niiden pitäisi olla mahdollisimman homogeenisiä. (Campbell 2007, 338–341). Objekteihin perustuva luokitus (eng. Object-Oriented Classification) perustuu kuvien segmentointiin (kts. kuva 4). Kuvasta erotetaan homogeenisiä alueita,

(14)

11

jotka jaetaan objekteihin. Tämän jälkeen segmentoitu kuva luokitellaan käyttämällä eri luokitusmenetelmiä (Campbell 2007, 360–361).

Kuva 4. Esimerkki segmentoinnista Korvilansuolta. Segmentoinnissa ominaisuuksiltaan samankaltaisia pikseleitä on yhdistetty laajemmiksi alueiksi eli objekteiksi. Segmentointi tässä esimerkkitapauksessa on tehty melko alhaisella laadulla. Lähde: MML (Ortoilmakuvat)

Tutkielmassa käytettiin luokittajana tukivektorikonetta eli Support Vector Machinea (SVM).

Tukivektorikone on ohjatun koneoppimisen algoritmi, joka tukialueiden kaistojen arvojen mukaan perusteella rakentaa mallin, joka vertaa kuuluuko tietty pikseli yhteen kahdesta tukialueisiin perustuvasta kategoriasta (Cortes & Vapnik 1995, 1). Luokitin määrittelee algoritmin perusteella mihin luokkaan objektit kuuluvat.

Luokituksen onnistumista voidaan arvioida tarkkuuden arvioinnilla (eng. Accuracy Assessment).

Luokituksen korkea tarkkuus tarkoittaa, että tilastollisesti luokitetussa aineistossa on vain vähän vääristymiä. Luokituksessa esiintyy väistämättä virheluokituksia, joita syntyy esimerkiksi, mikäli kahden eri luokan spektriset ominaisuudet ovat samankaltaisia. Esimerkiksi betoni ja paljas graniitti saatetaan sekoittaa (Campbell 2007, 394; Story & Congalton 1986, 397).

Luokituksen tarkkuutta voidaan arvioida tarkastelemalla kahta kuvaa, joista ensimmäinen on arvioinnin kohteena ja toisen oletetaan olevan tarkka. Kuvasta voidaan valita näytepisteitä, joita verrataan tarkkaan kuvaan ja määritetään mikäli luokitus on ollut tarkka (Campbell 2007, 395–398).

Luokituksen yleinen tarkkuus voidaan laskea jakamalla oikeiden luokitusten määrä näytepisteiden kokonaismäärällä. Luokituksen tarkkuutta voidaan tarkastella tarkemmin luokkakohtaisesti virhematriisin (eng. error matrix tai confusion matrix) avulla, jossa kunkin luokan virheluokitukset ja tarkkuusprosentti esitetään taulukossa (Story & Congalton 1986, 397).

(15)

12

4 Tutkimusalue

Tutkielmaan valittiin yhteensä kahdeksan eri suota tutkimuskohteiksi. Kohteet sijaitsevat Pohjois- Karjalassa Ilomantsin kunnassa. Keidas- ja aapasuoalueen raja kulkee läpi Pohjois-Karjalan, ja alueella esiintyy molempia suotyyppejä (Ruuhijärvi 1960).

Kuva 5. Tutkimuskohteiksi valittujen soiden sijainti Ilomantsissa. Pohjoisin tutkimuskohde oli Tervasuo, ja loput seitsemän kohdetta sijaitsivat suhteellisen lähellä toisiaan. Lähde: MML (Yleiskartta, Kuntajako)

Tutkimuskohteiden tarkka sijainti näkyy kuvassa 5. Tutkimuskohteiden valintaa rajoitti vuodelta 1944 olevien ilmakuvien saatavuus alueelta. Kaikilla tutkimuskohteiksi valituilla soilla esiintyi selkeästi minerotrofisia osia ja rimpipintoja, sekä ombrotrofisia osia, eli rahkasammalista koostuvaa mätäspintaa. Tutkielmaan valittiin ominaisuuksiltaan erilaisia suoalueita. Näitä ominaisuuksia olivat pinta-ala, sijainti ja maankäyttö suon ympäristössä. Tarkemmin tutkimusalue rajattiin ArcGis Pro- ohjelmalla vuoden 2017 ilmakuvan avulla. Rajauksessa vältettiin puustoisia alueita, jotka aiheuttivat virheluokituksia. Seuraavissa alaluvuissa tutkimusalueet ja niiden olennaiset ominaisuudet on esitelty tarkemmin erikseen.

(16)

13

4.1 Ilajansuo

Ilajansuo sijaitsee lounaaseen Hattuvaaran kylästä. Tutkimusalue oli melko laaja, noin 266 hehtaaria.

Kuvasta 6 on huomattavissa, että suon itäosa on raivattu pelloksi. Suon kaakkoisosia on ojitettu runsaasti, ja ojitetut alueet ovat selkeästi metsittyneet. Tutkimusalueella on selkeästi erotettavissa laajahkoja rimpialueita suon länsiosissa luode-kaakko suunnassa ja suon keskellä pohjois-etelä suunnassa.

Kuva 6. Ilajansuon tutkimusalue (266,00 ha). Oikeanpuoleisesta kuvasta näkyy suolle raivattu pelto ja metsäojituksia. Lähde: Lähde:

MML (Maastotietokanta, Ortoilmakuvat) ja Topografikunta

4.2 Kuuksensuo

Kuuksensuon tutkimusalue on melko pieni, noin 26,81 hehtaaria, ja sijaitsee koilliseen Ilomantsin keskustasta. Koko suon ympäristö on ojitettu (kts. kuva 7), ja suon länsipuolella sijaitsevalle

(17)

14

Riihisuolle on perustettu turvetuotantoalue. Ojitetut alueet ovat selkeästi metsittyneet, ja tutkimusalueelle on levinnyt myös jonkin verran puustoa.

Kuva 7. Kuuksensuon tutkimusalue (26,81 ha). Oikeanpuoleisesta kuvasta erottuu alueelle perustettu turvetuotantoalue. Lähde: MML (Maastotietokanta, Ortoilmakuvat) ja Topografikunta

4.3 Valkeasuo

Valkeasuo sijaitsee lounaaseen Ilajansuolta. Tutkimusalue oli laaja, noin 191,86 hehtaaria. Suon itäosat on ojitettu, ja ojitetun alueen rimpien jänteille on levinnyt puustoa, minkä takia suon itä- ja kaakkoisosat ovat rajattu tutkimusalueen ulkopuolelle. Suon eteläosissa on erotettavissa laajoja rimpiä.

Suon itäosaan on kaivettu ojia (kts. kuva 8) vuosien 1944 ja 2017 välillä. Vuoden 2017 ilmakuvasta erottuu myös suon pohjoisosassa selkeä rimpialue, jota ei vuoden 1944 kuvassa näy. Suon pohjoispuolella on myös tehty jonkin verran ojituksia, samoin kuin länsipuolella. Laajin ojitettu alue on kuitenkin suon itäpuolella.

(18)

15

Kuva 8. Valkeasuon tutkimusalue (191,86 ha). Oikeanpuolimmaisesta kuvasta on erotettavissa suon itäosissa tehtyjä metsäojituksia.

Lähde: MML (Maastotietokanta, Ortoilmakuvat) ja Topografikunta

4.4 Tervasuo

Tervasuo on tutkimuskohteista pohjoisin, ja se sijaitsee lähellä Suomen ja Venäjän rajaa Ilomantsin koillisosassa. Tutkimusalueen pinta-ala oli noin 115,01 hehtaaria. Suon pohjois- ja eteläpuolilla on tehty ojituksia (kts. kuva 9). Tutkimusalue on rajattu ojitusten ja metsäalueiden mukaisesti.

Tutkimusalueella on erotettavissa eniten rimpialueita suon keskellä. Tummia rimpialueita näyttää erottuvan vuoden 2017 ilmakuvasta enemmän.

Rimpiä esiintyy myös suon pohjoisosassa, jossa erottuu yksi selkeä ohuehko rimpialue lounais- koillissuunnassa. Suon länsiosassa ja keskellä erottuvan metsikön länsipuolella kuvasta erottui joitakin ihmisen toiminnan merkkejä, jotka eivät olleet ojia ja joita ei ilmakuvan perusteella pystytty tunnistamaan. Nämä alueet jätettiin tutkimusalueen ulkopuolelle.

(19)

16

Kuva 9. Tervasuon tutkimusalue (115,01 ha). Vuoden 2017 ilmakuvasta on nähtävissä suon etelä- ja länsipuolella tehtyjä metsäojituksia. Lähde: MML (Maastotietokanta, Ortoilmakuvat) ja Topografikunta

4.5 Kesonsuo

Kesonsuo sijaitsee pohjoiseen Ilomantsin keskustasta. Suosta pohjoiseen virtaa Koitajoki.

Tutkimusalue oli kaikista alueista selkeästi suurin, noin 395,35 hehtaaria. Suolla on erotettavissa (kts.

kuva 10) paljon rimpiä. . Suon länsiosan jänteillä esiintyy paljon puustoa, mikä aiheutti ongelmia luokituksessa, jonka takia tutkimusalueeksi rajattiin suon itäosa.

Suon rimpirakenteet olivat tutkielman muista tutkimuskohteista hyvin poikkeavia, ja ne erottuivat ilmakuvista selkeästi veden peittäminä. Kuvasta 10 erottuu myös suon lähiympäristössä tehdyt ojitukset, joita on tehty jonkin verran Koitajoen pohjoispuolella ja hieman myös suon eteläpuolella.

Kesonsuo kuuluu Natura 2000- suojelualueeseen, joka on perustettu vuonna 1996. Suo on arvokas erityisesti linnustollisesti (Ympäristöhallitus 2020).

(20)

17

Kuva 10. Kesonsuon tutkimusalue (395,35 ha). Suolta on erotettavasti runsaasti vesirimpiä. Lähde: MML (Maastotietokanta, Ortoilmakuvat) ja Topografikunta

4.6 Korvilansuo

Korvilansuo sijaitsee itään päin Kuuksensuosta. Tutkimusalue on melko pieni, noin 23,55 hehtaaria.

Alueella oli jo vuonna 1944 kaivettu muutama oja, mutta vuoteen 2017 ojituksia on tehty huomattavasti enemmän. Suolla on erotettavissa koillis-lounaissuunnassa rimpialueita (kts. kuva 11).

Pohjoisin näistä alueista näyttää kuvien perusteella pienentyneen jonkin verran. Vuoden 2017 kuvasta on erotettavissa pieniä vesirimpialueita, joita ei vuoden 1944 kuvassa näy lainkaan.

Ojia alueelta erottuu jonkin verran suon itäpuolella. Suon länsipuolelle on kaivettu laajahko ojitusalue ja puuston määrä ojitetulla alueella näyttää lisääntyneen.

(21)

18

Kuva 11. Korvilansuon tutkimusalue (23,55 ha), Vasemmanpuolisesta kuvasta on huomattavissa, että suon pohjois- ja länsipuolella on kaivettu muutamia ojia. Lähde: MML (Maastotietokanta, Ortoilmakuvat) ja Topografikunta

4.7 Haravasuo

Haravasuo sijaitsee kaakkoon Koitereelta. Tutkimusalue oli melko laaja, noin 179 hehtaaria. Kuvasta 12 on nähtävissä, että alueella on tehty runsaasti ojituksia. Vielä vuonna 1944 erottuvat rimpialueet suon eteläosissa ovat selkeästi metsittyneet vuoteen 2017 mennessä. Suon poikki kulkee pohjois- eteläsuunnassa oja, ja suon länsiosaan on levinnyt runsaasti puustoa. Puusto aiheutti luokitusongelmia, jonka takia tutkimusaluetta rajattiin, ja suon länsi- ja pohjoisosa jätettiin alueen ulkopuolelle.

Suon eteläosissa erottuu, että ojia on kaivettu rimpienkin läpi. Etelä- ja länsiosan ojitukset ovat vuoden 2017 kuvan perusteella aiheuttaneet suon voimakasta kuivumista, sillä entisille rimpipinnoillekin on levinnyt puustoa. Suon itäosa, jossa kulkee kaksi ohuehkoa rimpialuetta on jäänyt kuvan 12 perusteella enimmäkseen tämän vaikutuksen ulkopuolelle.

(22)

19

Kuva 12. Haravasuon tutkimusalue (179,01 hehtaaria). Kuvia vertailemalla on huomattavissa vielä vuonna 1944 erottuvien suon eteläosan rimpien metsittyminen ojitusten seurauksena. Lähde: MML (Maastotietokanta, Ortoilmakuvat) ja Topografikunta

4.8 Ruohosuo

Ruohosuo sijaitsee etelään Haravasuolta. Tutkimusalueen pinta-ala oli kaikista kohteista pienin, noin 22,95 hehtaaria. Suon ympäristössä luoteessa oli kaivettu jo muutamia ojia vuonna 1944, mutta vuoteen 2017 mennessä ojia on kaivettu enemmän suon ympärillä ja ojitetut alueet ovat metsittyneet.

Suon keskiosissa on erotettavissa molempina vuosina rimpipintoja. Vuoden 2017 kuvassa erottuu selkeämmin vesirimpiä. Vuoden 1944 kuvassa on selkeämmin erotettavissa keidassoille tyypillisiä kermi- ja kuljurakenteita suon luoteisosassa.

(23)

20

Kuva 13. Ruohosuon tutkimusalue (22,95 ha). Vuoden 2017 kuvasta on huomattavissa metsäojitusten lisääntyminen suon ympärillä.

MML (Maastotietokanta, Ortoilmakuvat) ja Topografikunta

Kuvassa 13 vuoden 1944 ilmakuva on mosaiikki kahdesta kuvasta, jossa eteläisen kuvan laatu oli heikompi. Kuvanlaatu aiheutti ongelmia luokituksessa, joten siinä käytettiin laadultaan parempia ilmakuvia. Suon eteläpuoliset metsäalueet eivät kuitenkaan sisältynyt näihin kuviin, joten suon ympäristön havainnollistamiseksi kuvassa 13 käytettiin kuvanlaadultaan heikompaa kuvaa.

(24)

21

5 Aineistot ja menetelmät

Tutkielman aineistona käytettiin Maanmittauslaitoksen ortoilmakuvia, sekä laserkeilausmittausten perusteella tuotettua digitaalista korkeusmallia (DEM, Digital Elevation Model).

Maanmittauslaitoksen aineistot ladattiin Avoimien aineistojen tiedostopalvelusta. Tutkielmassa käytettiin väriortokuvia, jotka olivat peräisin vuodelta 2017. Ortoilmakuvien tarkkuus oli 0,5 metriä.

Lisäksi valuma-analyysia varten tiedostopalvelusta ladattiin kahden metrin DEM-aineistot, jotka olivat peräisin vuodelta 2016. Tutkimusalueiden esittelykarttoihin ladattiin maastotietokanta- aineisto, josta poimittiin ojat karttoja varten. Avoimien aineistojen tiedostopalvelusta ladattiin myös kuntajako- sekä yleiskartta-aineisto lähestymiskarttaa varten. Vertailukohteena tutkielmassa käytettiin vuodelta 1944 peräisin olevia ilmakuvia. Nämä olivat Topografikunnan tuottamia ja Itä- Suomen yliopistolle lahjoitettuja aineistoja. Ilajansuon, Tervasuon, Kuuksensuon ja Valkeasuon ilmakuvat olivat käsittelemättömiä, mutta loput yliopistolta tutkielmaan saaduista kuvista olivat valmiiksi oikaistuja.

5.1 Suopintaluokitus

Tutkielmassa tutkittiin soilla tapahtunutta ombrotrofikaatiota tarkastelemalla ilmakuvista havaittavissa olevia suopinnan muutoksia vuoden 1944 ja vuoden 2017 ilmakuvien välillä. Eri suopinnat luokiteltiin ohjatun luokittelun avulla. Luokittelussa käytettiin neljää eri luokkaa: 1) Vesirimpeä, 2) Rimpeä, 3) Välipintaa ja 4) Mätäspintaa. Vesirimmet määriteltiin luokittelussa alueiksi, joissa on selkeästi avovettä ja kasvillisuutta joko erittäin vähän tai ei lainkaan. Rimpipinnat ovat ilmakuvista selkeästi erotettavia alueita, joilla esiintyy vesirimmestä poiketen enemmän kasvillisuutta. Välipinnalla esiintyy vähemmän rahkasammalkasvillisuutta, ja enemmän mm. sara- tai muita ruohovartisia kasveja. Välipinta erottuu myös ilmakuvista hieman vaaleampana kuin rimpipinta, ja esimerkiksi keidassuo-osien kuljut luokittuivat välipinnaksi. Mätäspinta erottuu ilmakuvista selkeästi kirkkaimpana, ja se koostuu rahkasammalalueista. Tutkielman kannalta olennaisinta on havainnoida minerotrofisten alueiden eli käytännössä rimpipintojen muutoksia.

Ohjatun luokituksen työvaiheet on kuvattu vuokaaviossa kuvassa 14. Ennen varsinaista ohjattua luokitusta ilmakuvia tuli esikäsitellä. Osa soista sattui Maanmittauslaitoksen Avoimien aineistojen tiedostopalvelusta ladattujen karttalehtien leikkauskohtiin, jolloin palvelusta piti ladata useampi ilmakuva ja yhdistää ne Mosaic to New Raster -työkalulla.

(25)

22

Kuva 14. Vuokaavio ohjatun luokituksen työvaiheista.

Ilajansuon, Tervasuon, Valkeasuon ja Kuuksensuon vuodelta 1944 peräisin olevat ilmakuvat olivat käsittelemättömiä, jolloin ne täytyi oikaista luokittelua varten. Oikaisu tapahtui ArcGis Pron Georeference -ympäristössä. Kuvista valittiin 6–8 kontrollipistettä, ja oikaisu suoritettiin 2nd order polynomial -menetelmällä. Seuraavaksi suolta määriteltiin tarkempi tutkimusalue. Ohjatussa luokittelussa virhelähteiksi osoittautuivat yksittäiset puut ja puiset alueet, joten tutkimusalueen rajaamisessa pyrittiin välttämään puustoisia alueita. Tutkimusalue rajattiin luomalla vektorimuotoinen polygoni Create Feature Class -työkalulla, ja rajaamalla vuoden 2017 ilmakuvan pohjalta luokitteluun sopiva alue. Ilmakuvat leikattiin tutkimusalueen muotoiseksi luodun polygonin pohjalta Clip Raster -työkalulla. Vuoden 2017 ilmakuva muutettiin myös yksikaistaiseksi Grayscale -rasterifunktiolla.

Ohjattu luokitus tehtiin myös ArcGis Pro -ohjelmalla. Ensin ilmakuvilla tehtiin segmentointi luokittelutyökaluihin kuuluvalla Segmentation -työkalulla. Koska eri suopinta-alueet olivat monesti melko pieniä (esimerkiksi rimpipinnan keskellä olevat mättäät) niin segmentointi tehtiin suurella tarkkuudella. Spectral detail ja Spatial detail olivat molemmat 20, ja segmenttien minimikooksi pikseleinä määriteltiin viisi (kts. kuva 15).

Kuva 15. Yksityiskohta Ilajansuon vuoden 2017 ilmakuvan segmentoinnin tuloksesta. Kuvasta erottuu segmentointityökalun muodostaneet objektit. Segmentointi tehtiin korkealla tarkkuudella (vrt. kuva 4). Lähde: MML (Ortoilmakuvat)

(26)

23

Seuraavaksi tehtiin tukialueiden valinta. Tähän käytettiin Training Samples Manager- työkalua.

Tukialueet luotiin polygonimuodossa ilmakuvien pohjalta (kts. kuva 16).

Kuva 16. Esimerkki tukialueiden valinnasta Valkeasuolta. Tukialueita valittiin jokaiselta suolta jokaiseen luokkaan 10–20. Lähde:

MML (Ortoilmakuvat)

Segmentoinnin ja tukialueiden valinnan jälkeen suoritettiin varsinainen luokittelu. Tämä tehtiin Image Classification Wizard -työkalulla. Luokittelumenetelmäksi valittiin ohjattu luokittelu, ja luokittelutyypiksi Object Based -luokitus. Luokittajana käytettiin Support Vector Machine - menetelmää. Tämän jälkeen luokittelun onnistumista arvioitiin mm. vertaamalla eri vuosien välisten luokittelujen tuloksia, ja mikäli niissä oli havaittavissa selkeitä puutteita, niin tukialueiden valinta tehtiin uudestaan tulosten parantamiseksi. Kun tulokset olivat hyväksyttäviä, niille suoritettiin uudelleenluokitus. Virhelähteitä luokittelussa aiheuttivat erityisesti puut ja niiden varjot, jotka luokittuivat yleensä joko rimpi- tai vesirimpipinnoiksi. Puisia alueita pyrittiin sulkemaan luokittelun ulkopuolelle tutkimusalueen valinnan yhteydessä, mutta yksittäisiä puita väistämättä päätyi tutkimusalueelle.

(27)

24

Kuva 17. Esimerkki kuvien uudelleenluokituksesta. Vasemmalla on mustavalkoiseksi muutettu ilmakuva, keskellä on luokituksen alkuperäiset tulokset, ja oikealla on lopullin luokitus, jossa puiden aiheuttamat virheluokitukset on korjattu. Lähde: MML (Ortoilmakuvat)

Tällöin virheluokitukset täytyi korjata manuaalisesti Reclassifier- työkalulla. Luokitukset muutettiin ympäröivän suopinnan mukaisesti. Yleisimmin puista aiheutuneet virheluokitukset muutettiin välipinnaksi. Virheluokituksia aiheutti myös vanhojen ilmakuvien rakeisuus. Kuvassa 17. näkyy esimerkki Tervasuolta virheellisten luokitteluiden korjaamisesta. Virheellisesti vesirimmeksi ja rimmeksi luokittuneet puut korjattiin tässä tapauksessa välipinnaksi Reclassifier -työkalulla.

Viimeinen työvaihe luokituksessa oli tarkkuuden arviointi. Jokaiselle luokitetulle kuvalle luotiin ArcGis Pro:n Create Accuracy Assessment Points -työkalulla 100–111 näytepistettä. Näytepisteet valittiin käyttämällä Stratified random -menetelmää, eli pisteet jakautuivat satunnaisesti jokaiseen eri luokkaan, ja luokan pisteiden määrä vastasi sen pinta-alaa. Tämän jälkeen jokainen piste käytiin yksitellen läpi ja ne määritettiin manuaalisesti ilmakuvan perusteella luokkiin. Lopuksi luokiteltujen pisteiden pohjalta laskettiin virhematriisi Compute Confusion Matrix – työkalulla tarkkuuden arvioinnin mahdollistamiseksi.

Virhematriisissa riveistä erottuu alkuperäisen luokituksen tulokset. Sarakkeista erottuu ilmakuviin perustuvan manuaalisen määrityksen tulokset. Taulukossa 1 näkyy esimerkki virhematriisista.

Esimerkissä työkalu loi yhteensä 10 näytepistettä vesirimpiluokalle. Manuaalisen määrittelyn mukaan kahdeksan näytepistettä oli vesirimpeä ja kaksi pistettä oli todellisuudessa rimpipintaa.

Taulukossa diagonaalisesti erottuu oikein luokittuneiden pisteiden määrä.

(28)

25

Taulukko 1. Esimerkki virhematriisista. Virhematriisi kuvaa tarkkuuden arvioinnin tuloksia. (K. tarkkuus: käyttäjän tarkkuus, t.

tarkkuus: tuottajan tarkkuu, Kk. tarkkuus: kokonaistarkkuus)

Luokka Vesirimpi Rimpi Välipinta Mätäspinta Yhteensä K. tarkkuus Kk. tarkkuus

Vesirimpi 8 2 0 0 10 80,00 %

Rimpi 0 10 1 0 11 90,91 %

Välipinta 0 0 32 2 34 94,12

Mätäspinta 0 0 1 54 55 98,18 %

Yhteensä 8 12 34 56 110

T. tarkkuus 100,00 % 83,33 % 94,12 % 96,43 %

Kk. tarkkuus 91,37 %

Käyttäjätarkkuus (eng. user’s accuracy) lasketaan jakamalla oikeiden luokitusten määrä näytepisteiden kokonaismäärällä, esimerkiksi välipinnassa pisteitä oli yhteensä 34, joista oikein oli ilmakuvan mukaan 32 eli käyttäjätarkkuus = 32/34 = n. 94,12 %. Tuottajan tarkkuus (eng. producer’s accuracy) lasketaan jakamalla oikeiden määritysten määrä manuaalisten määritysten summalla luokasta. Esimerkiksi taulukossa 1 mätäspinnaksi määriteltiin ilmakuvan perusteella yhteensä 56 pistettä, joista 54 oli myös luokituksen perusteella mätäspintaa. Tuottajan tarkkuus saadaan laskemalla 54/56 = n. 96,42 %. Käyttäjän tarkkuus kuvaa siis luokituksen vääriä positiivisia tuloksia, eli esimerkiksi välipintaluokituksesta on jäänyt pois kaksi luokitusta. Tuottajan tarkkuus kuvaa vääriä negatiivisia tuloksia, eli rimpi- ja mätäspintaluokkiin on tullut virheellisesti ylimääräisiä pikseleitä, jotka todellisuudessa olisivat kuuluneet välipintaan.

Kokonaistarkkuus kuvaa koko kuvan luokituksen tarkkuutta. Se lasketaan jakamalla oikeiden luokitusten määrä näytepisteiden määrällä, eli esimerkiksi taulukossa 1 se laskettaisi seuraavasti:

8+10+32+54 = 104/110 = n. 94,55 %. Virhematriisi luotiin jokaisen tutkimuskohteen vuoden 1944 ja 2017 luokitusten tarkkuuden arvioinnin perusteelta.

5.2 Virtausverkosto

Virtausverkoston määrittelemiseksi luotiin ArcGis Pron Modelbuilder- ympäristössä työkalu (kts.

liite 9), joka määritteli DEM-rasterin perusteelta alueen valumaverkoston. Malliin syötettiin DEM- rasteri, jota muokattiin ensin Fill -työkalulla, joka täyttää maastossa mahdollisesti etenevät kuopat, joka vähentää niistä syntyviä virheitä mallissa. Sen jälkeen täytetylle rasterilla käytettiin Flow Direction -työkalua, joka laskee jokaiselle pikselille veden valumissuunnan, ja tuottaa sen pohjalta rasterin. Tällä valumasuuntarasterilla laskettiin veden kertyminen Flow Accumulation -työkalulla,

(29)

26

joka laskee kuinka monta pikseliä valuu jokaiseen pikseliin valumasuuntarasterin perusteella.

Kertymisrasterista poimittiin Raster Calculator -työkalun avulla sellaiset pikselit, joihin valuu yhteensä yli 1000 pikseliä. Raster Calculator -työkalussa käytettiin seuraavaa lauseketta: Con (”%Output accumulation raster%” > 1000,1). Tämä lauseke tuotti virtausverkoston, jossa on mukana ainoastaan uomat, joihin valuu vähintään 1000 pikseliä. Virtausverkostosta laskettiin virtausjärjestys Stream Order -työkalulla, joka määritteli eri uomilla virtausjärjestyksen mukaisesti eri arvon Strahler-metodilla. Tämän jälkeen luotu rasteri muutettiin vektorimuotoon Stream to Feature -työkalulla.

Kuva 18. Esimerkki työkalun tuottamasta virtausverkostosta Korvilansuolta. Kuvassa näkyy vektorimuotoinen aineisto, jossa viivan paksuus kuvaa virtausjärjestystä. Lähde: MML (Ortoilmakuvat, Korkeusmalli)

(30)

27

6 Tulokset

Edellisessä luvussa kuvailtujen menetelmien pohjalta saatiin suokohtaiset tulokset. Eri luokiteltujen suopintojen pinta-alat laskettiin ArcGis Pro- ohjelman Zonal geometry as table- työkalulla, ja ne muunnettiin hehtaarimuotoon. Tarkkuuden arvioinnin perusteella laskettiin virhematriisi. Vuoden 1944 ja 2017 tulosten perusteella laskettiin muutosprosentti, joka mahdollistaa vertailun eri soiden välillä. Tulokset taulukoitiin, ja seuraavissa alaluvuissa tulokset on esitetty suokohtaisesti.

6.1 Ilajansuo

Tutkimusalueen keskikohdilla oli selkeä rimpialue, joista erottuivat myös selkeät osittain mätäspinnan peittämät jänteet. Rimpialueita esiintyi myös selkeästi tutkimusalueen koillis- ja lounaisosassa. Valuma-analyysin mukaan (kts. liite 1) vesi valuu tummina erottuvien rimpialueiden mukaisesti.

Kuva 19. Ohjatun luokituksen tulokset koko Ilajansuon tutkimusalueelta. Yksityiskohta: kts. kuva 20. Lähde: MML (Ortoilmakuvat) ja Topografikunta.

Kuvaa 19 tarkastelemalla on huomattavissa, että erityisesti kuvan etelä- ja länsiosien välipinta-alueet ovat muuttuneet mätäspinnaksi. Koillisosan rimpipinnat ovat selkeästi pienentyneet. Ilajansuon länsi- ja eteläosissa esiintyi vuonna 1944 huomattavasti enemmän välipintaa, ja nämä alueet ovat laajalti

(31)

28

muuttuneet mätäspinnaksi vuosien 1944 ja 2017 välillä. Tämä selittää suurimman osan mätäspinnan merkittävästä lisääntymisestä. Ilajansuolla rimpien pinta-ala on pienentynyt noin 18 prosentilla (kts.

taulukko 2). Mätäspinnan pinta-ala on kasvanut noin 48 prosentilla.

Taulukko 2. Eri luokkien pinta-alan muutokset Ilajansuolla.

Vesirimpi (ha) Rimpipinta (ha) Rimmet yhteensä (ha)

Välipinta (ha) Mätäspinta (ha)

1944 9,14 ha 52,74 ha 61,88 ha 109,79 ha 94,34 ha

2017 5,24 ha 45,49 ha 50,73 ha 75,39 ha 139,88 ha

Muutosprosentti -42,66 % -13,74 % -18,01 % -31,33 % +48,27 %

Kuva 20. Yksityiskohta Ilajansuolta. Kuvassa on merkitty numeroilla 1-4 kohteita, joissa on tapahtunut selkeitä muutoksia. Lähde:

MML (Ortoilmakuvat) ja Topografikunta.

Kuvassa 20 näkyy yksityiskohta Ilajansuon tutkimusalueen keskiosilta. Muutos kuvan keskiosilla ei ole ollut kovin mittava, mutta esimerkiksi luode-kaakkosuuntainen rimpipinta on selkeästi ohentunut.

Lisäksi numeroilla 1, 2 ja 3 merkityillä alueilla on tapahtunut hyvin suuri muutos pääosin

(32)

29

rimpipinnasta väli- tai mätäspinnaksi. Toisaalta numerolla 4 merkitty rimpialue näyttää kasvaneen vuoteen 2017 mennessä.

Taulukko 3. Virhematriisi Ilajansuon vuoden 1944 kuvan luokituksesta. (K. tarkkuus: käyttäjän tarkkuus, t. tarkkuus: tuottajan tarkkuus, Kk. tarkkuus: kokonaistarkkuus)

Vesirimpi 8 2 0 0 10 80,00 %

Rimpi 0 20 0 0 20 100,00 %

Välipinta 0 1 39 1 41 95,12 %

Mätäspinta 0 0 5 30 35 85,71 %

Yhteensä 8 23 44 31 106

T. tarkkuus 100,00 % 86,96 % 88,64 % 96,77 %

Taulukko 4. Virhematriisi Ilajansuon vuoden 2017 kuvan luokituksesta. (K. tarkkuus: käyttäjän tarkkuus, t. tarkkuus: tuottajan tarkkuus, Kk. tarkkuus: kokonaistarkkuus)

Vesirimpi 10 0 0 0 10 100,00 %

Rimpi 0 15 2 0 17 88,24 %

Välipinta 0 0 26 2 28 92,86 %

Mätäspinta 0 0 2 51 53 96,23 %

Yhteensä 10 15 30 53 108

T. tarkkuus 100,00 % 100,00 % 86,67 % 96,23 %

Ilajansuon tarkkuuden arvioinnin tulokset ovat taulukoissa 3 ja 4. Kokonaistarkkuus oli hieman korkeampi vuoden 2017 ilmakuvassa. Tarkkuuden arvioinnin mukaan vuoden 1944 ilmakuvasta erityisesti rimmet luokittuivat tarkasti ja suhteessa eniten virheitä tapahtui vesirimpiluokituksessa.

Vuoden 2017 ilmakuvassa vesirimpien näytepisteistä kaikki olivat luokittuneet oikein ja suhteessa eniten virheitä oli tapahtunut rimpien näytepisteissä.

6.2 Kuuksensuo

Kuuksensuon tutkimusalue oli tutkielman toiseksi pienin. Kuuksensuon ympäristö on tiiviisti ojitettu, ja suon länsipuolella sijaitsee Riihisuon turpeentuotantoalue. Valuma-analyysin mukaan suolla vesi valuu suon pohjoisosista etelään ojitetulle alueelle (kts. liite 2). Vuoden 2017 ilmakuvasta on huomattavissa, että suolle on levittynyt melko paljon puustoa. Vuoden 1944 ilmakuvassa puita ei ole

(33)

30

havaittavissa juuri ollenkaan. Puut aiheuttivat paljon virheluokituksia vuoden 2017 ilmakuvaan, joten sille täytyi tehdä runsaasti yksityiskohtaisia uudelleenluokituksia.

Taulukko 5. Eri luokkien pinta-alan muutokset Kuuksensuolla.

1944 0,136 ha 5,5 ha 5,636 ha 13,21 ha 7,95 ha

2017 0,099 ha 3,19 ha 3,289 ha 10,03 ha 13,48 ha

Muutosprosentti -27,20 % -42 % -41,64 % -24,07 % +69,55 %

Taulukosta 5 on huomattavissa, että rimpipinnoissa on tapahtunut merkittävä pieneneminen vuodesta 1944 vuoteen 2017. Rimpien kokonaispinta-ala on vähentynyt yli 41 prosentilla. Myös mätäspinnan määrässä on tapahtunut merkittävä muutos, lähes 70 prosentin kasvu.

Kuva 21. Luokituksen tulokset Kuuksensuon tutkimusalueelta. Lähde: MML (Ortoilmakuvat) ja Topografikunta.

Kuvassa 21 näkyy luokittelun tulokset Kuuksensuolta. Vuonna 1944 suon luoteisosassa ollut laajahko rimpialue on hävinnyt käytännössä kokonaan, ja vuonna 2017 alueella on enimmäkseen välipintaa.

Suurin osa suolla länsi-itä suunnassa kulkevista rimpialueista on nähtävissä vielä vuonna 2017, mutta niiden kokonaispinta-ala on kuitenkin selvästi pienentynyt. Myös välipinnan määrä suon keskiosissa

(34)

31

on selkeästi vähentynyt, ja korvautunut mätäspinnalla, joka selittää suurimman osan mätäspinnan kasvusta.

Taulukko 6. Virhematriisi Kuuksensuon vuoden 1944 kuvan luokituksesta. (K. tarkkuus: käyttäjän tarkkuus, t. tarkkuus: tuottajan tarkkuus Kk. tarkkuus: kokonaistarkkuus)

Vesirimpi 10 0 0 0 10 100,00 %

Rimpi 0 21 0 0 21 100,00 %

Välipinta 0 0 48 1 49 97,96 %

Mätäspinta 0 0 3 27 30 90,00 %

Yhteensä 10 21 51 28 110

T. tarkkuus 100,00 % 100,00 % 94,12 % 96,43 %

Taulukko 7. Virhematriisi Kuuksensuon vuoden 2017 kuvan luokituksesta. (K. tarkkuus: käyttäjän tarkkuus, t. tarkkuus: tuottajan tarkkuus, Kk. tarkkuus: kokonaistarkkuus)

Vesirimpi 8 1 1 0 10 80,00 %

Rimpi 0 11 1 0 12 91,67 %

Välipinta 0 0 32 5 37 86,49 %

Mätäspinta 0 0 0 50 50 100,00 %

Yhteensä 8 12 34 55 109

T. tarkkuus 100,00 % 91,67 % 94,12 % 90,91 %

Tarkkuuden arvioinnin mukaan vuoden 1944 ilmakuvan luokituksessa esiintyi selkeästi vähemmän virheitä (kts. taulukko 6). Kokonaistarkkuus vuodelta 1944 oli korkea, noin 94 %. Virheitä tapahtui eniten mätäspinnan luokituksessa, joista osa oli luokittunut virheellisesti välipinnaksi. Vuoden 2017 ilmakuvan luokituksen tarkkuus oli selkeästi alhaisempi, noin 88,6 % (kts. taulukko 7). Suurin virhelähde oli välipinnan virheelliset luokitukset mätäspinnaksi.

6.3 Valkeasuo

Valkeasuolla oli laajoja rimpialueita etenkin tutkimusalueen eteläosissa. Suon itälaita on ojitettu ja sen johdosta laajalti metsittynyt, jonka takia tutkimusalue rajattiin näiden ojitusten mukaisesti.

Taulukosta 8 on huomattavissa, että Valkeasuon rimpipintojen kokonaispinta-ala on lisääntynyt noin 14 prosentilla 1944–2017 aikavälillä. Mätäspinta on vähentynyt hieman, mutta välipinnan määrässä ei ole tapahtunut merkittävää muutosta.

(35)

32

Taulukko 8. Eri luokkien pinta-alan muutokset Valkeasuolla..

1944 6,74 ha 28,58 ha 35,32 ha 61,21 ha 95,32 ha

2017 4,90 ha 35,48 ha 40,38 ha 61,69 ha 89,78 ha

Muutosprosentti -27,29 % +24,14 % +14,32 % +0,78 % -5,81 %

Kuva 22. Valkeasuon koko tutkimusalueen luokituksen tulokset. Yksityiskohta: kts. kuva 23, Yksityiskohta 2: kts. kuva 24. Lähde: MML (Ortoilmakuvat) ja Topografikunta.

Kuvasta 22 on nähtävissä, että rimpipintojen muutos on selkeästi vaihdellut alueella. Alueella erottuvat aukot olivat metsikköalueita, jotka rajattiin tutkimusalueen ulkopuolelle. Vuonna 1944 suon pohjoisosa oli pääosin rahkasammalpintaa. Kuvassa 23 on erotettavissa ainoastaan vähän rimpiä, mutta vuoteen 2017 rimmet ovat kasvaneet, ja kuvan keskiosille on selkeästi kehittynyt laaja rimpialue. Tämän kehityksen selittää todennäköisesti suon pohjoispuolella tehty ojitus (kts. liite 3 tai kuva 8).

(36)

33

Kuva 23. Yksityiskohta Valkeasuon eteläosista. Jänteet näyttävät rahkoittuneen, ja rimpialueet ovat selkeästi pienentyneet. Lähde:

MML (Ortoilmakuvat) ja Topografikunta.

Kuva 24. Yksityiskohta Valkeasuon pohjoisosista. Alueelle on luokituksen mukaan syntynyt kokonaan uusi rimpialue. Lähde: MML (Ortoilmakuvat) ja Topografikunta.

(37)

34

Suon pohjoispuolella tehdy ojitukset ovat todennäköisesti lisänneet suolle valuvan veden määrää ja aiheuttanut kyseisen muutoksen. Kuvassa 24 on nähtävissä, että suon eteläosassa jänteet ovat rahkoittuneet, ja rimmet pienentyneet. Kokonaisuudessaan Valkeasuon rimpipinnat ovat siis lisääntyneet, mutta tämä muutos on ollut selkeästi alueellista, koska suon eteläosien rimmet ovatkin selkeästi pienentyneet.

Tarkkuuden arvioinnin mukaan (kts. taulukot 9 ja 10) vuoden 2017 ilmakuvan luokituksen kokonaistarkkuus oli selkeästi korkeampi kuin vuoden 1944 ilmakuvan luokitus. Vuoden 1944 kuvassa mätäspintaa luokittui eniten virheellisesti välipinnaksi. Vuoden 2017 ilmakuvan luokituksen tarkkuus oli korkea ja virheitä oli ainoastaan yksittäisiä.

Taulukko 9. Virhematriisi Valkeasuon vuoden 1944 kuvan luokituksesta. (K. tarkkuus: käyttäjän tarkkuus, t. tarkkuus: tuottajan tarkkuus, Kk. tarkkuus: kokonaistarkkuus)

Vesirimpi 8 2 0 0 10 80,00 %

Rimpi 0 15 0 0 15 100,00 %

Välipinta 0 1 31 0 32 96,88 %

Mätäspinta 0 0 5 45 50 90,00 %

Yhteensä 8 18 36 45 107

T. tarkkuus 100,00 % 83,33 % 86,11 % 100,00 %

Taulukko 10. Virhematriisi Valkeasuon vuoden 2017 kuvan luokituksesta. (K. tarkkuus: käyttäjän tarkkuus, t. tarkkuus: tuottajan tarkkuus, Kk. tarkkuus: kokonaistarkkuus)

Vesirimpi 10 0 0 0 10 100,00 %

Rimpi 0 17 1 0 18 94,44 %

Välipinta 0 0 31 1 32 96,88 %

Mätäspinta 0 0 0 47 47 100,00 %

Yhteensä 10 17 32 48 107

T. tarkkuus 100,00 % 100,00 % 96,88 % 97,92 %

6.4 Tervasuo

Tervasuon tutkimusalue oli suhteellisen laaja. Alueella oli havaittavissa suon keskiosilla ja erityisesti eteläosissa rimpipintoja. Korkeusmallista ja valuma-analyysistä (kts. liite 4) oli huomattavissa, että