Drone-kuvamateriaalin hyödyntämi- nen tuulituhojen arvioinnissa
Nina Mikkola
OPINNÄYTETYÖ Helmikuu 2022
Metsätalouden tutkinto-ohjelma 19AIM
TIIVISTELMÄ
Tampereen ammattikorkeakoulu Metsätalouden tutkinto-ohjelma 19AIM
MIKKOLA, NINA:
Drone-kuvamateriaalin hyödyntäminen tuulituhojen arvioinnissa
Opinnäytetyö 56 sivua, joista liitteitä 2 sivua Helmikuu 2022
Opinnäytetyö laadittiin Suomen metsäkeskuksen tilauksesta. Työn lähtökohtana oli Metsäkeskuksen dronella tehtyjen uudistamisjäljen tarkastusten ilmakuva-ai- neisto, jossa havaittiin merkittävä määrä reunapuuston tuulituhoja. Metsäkeskus halusi selvittää, paljonko tuulenkaatoja sisältäviä kohteita on ja paljonko niistä löytyy kaatunutta puuta kuutiometreinä. Työhön sisällytettiin lisäksi välivarastot eli puutavarapinot, koska kaikki kaatunut tai kaadettu tuore puutavara riittävän suurina määrinä sisältää riskin kaarnakuoriaisten iskeytymiseen terveisiin puihin.
Aineisto toimitettiin Metsäkeskukselta työn tekijälle ja se oli otos ilmakuvia, joissa oli mukana alkuperäisen uudistuskuvion rajat. Yhteensä kuvia tutkittiin 110 kpl.
Kuvien inventoinnissa hyödynnettiin QGIS-paikkatieto-ohjelmistoa ja kuvat in- ventoitiin yksitellen. Mahdolliset tuulenkaadot ja puutavarapinot mitattiin puula- jitietoineen ja lisättiin kuviin shapefile-tasoina.
Inventoiduista 110 kohteesta 33 kpl sisälsi puutavaraa kaatuneena tai puutava- rapinoina. Tuloksista ilmeni, että kuusen kuutiometrimäärät ylittyivät 11 kohteella suhteessa metsätuholain asettamiin raja-arvoihin. Männyllä selkeitä määrällisiä ylityksiä ei ollut. Tuulituhoja selittävät syyt, kuten puulaji, kehitysluokka, alueelli- nen topografia ja tuulen suunta näkyivät tuloksissa samansuuntaisina kuin aiem- missa tutkimuksissa. Ainoastaan maantieteellinen sijainti poikkesi niistä. Opin- näytetyön tuloksissa maan keskiosassa oli selvästi enemmän tuulenkaatokoh- teita.
Opinnäytetyön johtopäätöksinä voidaan todeta, että inventoinnissa tuulenkaatoja ja puutavarapinoja löytyi merkittävä määrä suhteessa metsätuholain asettamiin raja-arvoihin. Metsäkeskus valvoo metsätuholain toteutumista ja työn perusteella drone-kuvaus toimii erinomaisena valvonnan työkaluna myös tuulituhojen ja väli- varastojen osalta. Työssä pohditaan myös käytännön toimia drone-kuvauksen hyödyntämiseksi, koska näin tarkka mittaaminen ja kirjaaminen ei ole työproses- sina tehokasta. Voidaan myös todeta, että ilmaston lämpenemisen takia tuulitu- hojen tarkempi seuranta tulee olemaan tulevaisuudessa tarpeen.
Asiasanat: drone-kuvaus, tuulituhot, metsätuhot, paikkatieto
ABSTRACT
Tampereen ammattikorkeakoulu
Tampere University of Applied Sciences Degree Programme in Forestry
MIKKOLA, NINA:
Using drone aerial photographs to evaluate tree wind falls
Bachelor's thesis 56 pages, appendices 2 pages February 2022
This bachelor’s thesis was ordered by Finnish Forest Centre. It is based on aerial photographs of forest regeneration stands taken by drones. Several wind dam- ages in the edge of renewal forest stands were noticed in the photographs. Finn- ish Forest Centre was interested to find out with the help of the photographs the amount of wind falls as well as the amount of wood material in cubic meters. Piles of round wood were also included in this study. A large amount of fallen or cut round wood can increase the risk of bark beetles in healthy trees.
Data, a sample of aerial photographs, was delivered from the Finnish Forest Cen- tre to the study writer. 110 photographs were studied totally in this thesis by the study writer. QGIS- geographic information system was used to inventory all the photographs one by one. Windfalls and piles of round wood were measured and tree species in those subjects were identified. New information was saved as a new shapefile-layer in QGIS.
Fallen or cut round wood were found in 33 stands of total 110. Results show that in cubic meters there were 11 stands, where the amount of Norway Spruce ex- ceeded the limits of Forest Damages Prevention Act. For Pine, there were no such excesses. The facts that explain the wind falls, such as tree species, devel- opment class, areal topography and direction of wind, were quite similar as they were in earlier studies. Only geographical location differed from those. The results of this thesis appear that most of the wind falls were located in the middle areas of Finland instead of south.
There was a significant number of windfalls and piles of round wood, exceeding the limit values of Forest Damages Prevention Act. It also seems that aerial pho- tographs taken by drones can be an effective tool for supervising wind falls and piles of round wood. In this study, there has also been considered practical measures utilizing drones because precise measurement and documenting is not effective enough. Because of global warming it will be necessary to follow up wind falls even more in the future.
Key words: drone aerial photography, wind falls, forest damages, spatial infor- mation
SISÄLLYS
1 JOHDANTO ... 6
2 KAUKOKARTOITUS METSÄN INVENTOINNISSA ... 7
2.1.Yleistä kaukokartoituksesta ... 7
2.2.Kaukokartoituksen hyödyntäminen ... 8
3 DRONE TYÖVÄLINEENÄ ... 9
3.1.Laitetyypit ... 9
3.2.Drone-kuvaaminen ... 10
3.3.Metsäkeskuksen tilaamat kuvauslennot ... 11
4 METSÄTUHOLAIN VAATIMUKSET JA LAIN VALVONTA ... 14
4.1.Lain tavoitteet ... 14
4.2.Lain valvonta ... 14
5 DIGITARKASTUKSET METSÄKESKUKSESSA ... 15
5.1.Tarkastusten taustaa ... 15
5.2.Tarkastusten kohteet ja tavoitteet ... 15
5.3.Tarkastusprosessin kulku ... 16
5.4.Toimitettava tieto ja sen hyödyntäminen ... 18
6 PAIKKATIETOJÄRJESTELMÄ METSÄTIEDON TYÖVÄLINEENÄ .... 20
6.1.Paikkatietojärjestelmä ja paikkatieto ... 20
6.2.Paikkatiedon hyödyntäminen ... 20
7 TUULITUHOT ... 22
7.1.Tuulituhot Suomessa ... 22
7.2 Puulaji ja tuulituhot ... 23
7.3.Metsänhoito ja tuulituhot ... 24
7.4.Maantieteellinen sijainti ja alueellinen topografia ... 25
7.5.Ilmastonmuutos ... 26
7.6.Reunavaikutus ... 26
6.7. Tuulituhojen seuranta ... 27
7.7.Hyönteis- ja sienituhot seurannaistuhoina ... 28
8 TUTKIMUSAINEISTO JA TUTKIMUSMENETELMÄ ... 29
8.1.Tutkimusaineisto ... 29
8.2.Tutkimusmenetelmä ... 29
9 TUTKIMUSTULOKSET ... 37
9.1.Tuulenkaatojen ja puutavarapinojen osuus aineistosta ... 37
9.2.Kaatuneen puuston ja puutavaran määrät ... 38
9.3.Tuulituhojen esiintymiseen vaikuttavat asiat ... 40
9.4.Työmäärä ... 46
10 JOHTOPÄÄTÖKSET JA POHDINTA ... 47
LÄHTEET ... 52
LIITTEET ... 55
Liite 1. Tuulenkaatojen ja puutavarapinojen tilavuudet (m3). ... 55
Liite 2. Tuulensuunta ja metsänhoitotoimenpiteet naapurikuvioilla. .... 56
1 JOHDANTO
Suomen metsäkeskus aloitti droneilla tehtävät metsälain (1093/1996) mukaiset valvontatarkastuskuvaukset vuonna 2020. Ensimmäisen vuoden aikana dronella kerättiin tarkastustiedot yhteensä noin 1200 kohteelta, joiden pinta-ala oli yh- teensä noin 2000 hehtaaria. Tarkastuksista valtaosa kohdistui uudistushakkuisiin ja pienempi osa nuoriin taimikoihin ja harvennushakkuisiin. Kerätyn tarkastusai- neiston yksi päätuotteista on jokaiselta kohteelta dronella kuvattu ortoilmakuva, joka tarkoittaa yksittäisistä ilmakuvista tehtyä yhdistelmää, joka kattaa laajoja, maantieteellisiä alueita. (Maanmittauslaitos n.d.). Metsäkeskuksen kuvausyrityk- seltä tilaamat ortoilmakuvat kattavat yleensä vähintään 20–30 metrin puskuri- vyöhykkeen tarkastuskuvion rajojen ulkopuolelle. Tarkastuskauden 2020 aikana Metsäkeskuksessa kiinnostuttiin kuvien hyödyntämisestä myös reuna-alueiden osalta.
Erityisesti tuulenkaatojen kartoitus reunametsistä ja havupuutavaran välivarasto- jen seuranta hakkuualojen reunamilta voi tuoda huomattavan lisäarvon tarkas- tuksille. Laki metsätuhojen torjunnasta (1087/2013) velvoittaa poistamaan met- sästä vahingoittuneen havupuuston, jos sen määrä ylittää metsätuholaissa mää- ritellyt rajat. Samoin havupuusto on kuljetettava pois välivarastosta metsätuho- laissa annettuihin määräaikoihin mennessä.
Tässä opinnäytetyössä keskityttiin kartoittamaan drone-tarkastuskuvista tuulen- kaatoja ja puutavaran välivarastoja. Työn tavoitteena oli selvittää, kuinka suuri osuus digitarkastuskohteista sisältää tuulenkaatoja ja puutavaran välivarastoja sekä inventoida tuulenkaatojen ja välivarastojen kokonaismäärä tarkastusaineis- tossa. Tutkimuksessa selvitetään myös tuulituhojen syntymiseen vaikuttavia te- kijöitä, joita ovat mm. alueelliset erot, reunametsän puustotiedot sekä reunamet- sän mahdolliset käsittelyt. Työn tarkoituksena on myös arvioida, kuinka työllis- tävä tällainen inventointi on prosessina sitä silmällä pitäen, että Metsäkeskuk- sessa jatketaan tällaista drone-kuvien hyödyntämistä heidän omassa toiminnas- saan.
2 KAUKOKARTOITUS METSÄN INVENTOINNISSA
2.1. Yleistä kaukokartoituksesta
Kaukokartoitus tarkoittaa tietojen keräämistä sähkömagneettisen säteilyn avulla ilman fyysistä kosketusta tutkittavaan asiaan. Kaukokartoitusjärjestelmä koostuu eri työvaiheista, joita ovat tiedon hankinta, siirto, tallennus, esikäsittely, tulkinta sekä tulosten esittäminen. Menetelmä voidaan jakaa aktiiviseen ja passiiviseen kartoitukseen. Aktiivisissa kaukokartoitusjärjestelmissä on oma säteilylähde va- laisemassa kohdetta. Aktiivisia järjestelmiä ovat esimerkiksi tutka ja laserkeilaus.
Passiivisissa menetelmissä hyödynnetään kartoitettavien kohteiden lähettämää tai heijastamaa säteilyä, kuten auringonvaloa. Passiivisia kaukokartoitusmene- telmiä ovat esimerkiksi ilmakuvaus ja satelliittikuvaus. Yleensä kaukokartoituksen tukena käytetään maastossa mitattua referenssitietoa kuvatulkinnan oikeellisuu- den varmistamiseksi. (Kangas, Päivinen, Holopainen & Maltamo 2011, 129.)
Laserkeilaus on yleisesti käytetty aktiivinen kaukokartoitusmenetelmä metsä- alalla. Laserkeilaimessa on keilainosa, lasertykki sekä ilmaisinosa, joka tulkitsee vastaanotetun signaalin. Sen perusteella määritetään etäisyys kohteeseen. La- sertykin lähettämä pulssi osuu kohteeseen ja palaa takaisin ilmaisimelle. Tietä- mällä tykin sijainti voidaan määrittää kohteen ja laserin välisen pulssin kulkuaika.
Lasertykin asennon ja paikan perusteella mitattu etäisyys kohteeseen voidaan muuttaa kohteen korkeudeksi. Mittauksia tulkitsemalla voidaan tuottaa maasto- malli ja puuston latvusmalli, sekä niiden erotus, puuston pituusmalli. (Kangas ym.
2011, 138.)
Ilmakuvaus on passiivinen kaukokartoituksen muoto, jossa hyödynnetään foto- grammetriaa, eli kuvamittausta. Ilmakuvauksessa voidaan käyttää näkyvän valon tai lähi-infranpunan aallonpituusalueita. Lähi-infrapunan aallonpituutta käytettä- essä kuvatulos on ns. väärävärikuva. Metsätaloudessa väärävärikuvia käytetään paljon puustotulkinnassa, koska lähi-infrapunan aallonpituus erottelee lehti- ja havupuuston huomattavasti näkyvän valon aallonpituutta selkeämmin. Nykyään ilmakuvaukset kuvataan digitaalisella mittakameralla, jonka sensorina on CCD- ilmaisinmatriisi (Charge Couple Device). Digitaalisuuden ansiosta kuva voidaan
oikaista koordinaatistoon tunnettujen tukipisteiden, kameran kalibroinnin ja kor- keusmallien avulla. (Kangas ym. 2011, 136–137.)
Ilmakuva on keskusprojektio, jossa kauempana reunoilla olevat kohteet näyttävät pienemmiltä. Kaukokartoituksessa tarvitaan tarpeeksi suuri kuvapeitto, jotta ilma- kuvausta voidaan hyödyntää. Karttaprojektioon oikaistusta ilmakuvasta käyte- tään nimitystä ortokuva ja alueen peittävästä, karttaprojektioon oikaistusta kuva- peitosta ortomosaiikki tai ortomosaiikkikuva. (Haggrén & Honkavaara 2005.)
2.2. Kaukokartoituksen hyödyntäminen
Kaukokartoitustietoa hyödynnetään esimerkiksi peruskartoituksessa, maa- ja metsätaloudessa, veden eri olomuotojen kartoituksessa, numeerisessa sään en- nustamisessa sekä geologiassa. Suomessa taloudellisesti merkittävimmät käyt- tökohteet ovat maa- ja metsätalouden sekä peruskartoituksen tutkimuskohteet.
Maastoinventointi on hidasta ja kallista, joten kaukokartoitusmenetelmiä käyte- tään lisääntyvässä määrin. Niiden haasteita ovat mm. sääolosuhteet, kuten pilvi- syys, sekä kohteiden geometrinen erotuskyky ja tarkkuus. (Kangas ym. 2011, 129.)
Metsän kaukokartoituksessa tiedon tarkkuusvaatimus vaihtelee käyttökohteen mukaan. Pidemmän aikavälin strategisessa hakkuusuunnittelussa tärkeää on tie- don harhattomuus ja mitattujen puusto-ositteiden paikkansapitävyys. Puunkor- juun näkökulmasta tarvitaan tietoa kuvion puuston sisäisestä vaihtelusta. Kauko- kartoitustieto on luonnostaan paikkaan sidottua, joten sen avulla voidaan hallita kuvioiden sisäistä vaihtelua. Menetelmän suurimpana haasteena on riittävän tarkkuuden saavuttaminen. (Kangas ym. 2011, 142.)
3 DRONE TYÖVÄLINEENÄ
3.1. Laitetyypit
Dronen lennättämiseen on olemassa oma lainsäädäntönsä ja jokainen lento tulee suorittaa liikenne- ja viestintävirasto Traficomin määräämien ohjeiden mukaisesti rekisteröidyllä laitteella. Euroopan Unionin asetus yhtenäistää drone-lennättämi- sen kaikissa EU maissa. Asetus tuli voimaan 31.12.2020, mutta sen käyttöön- otossa on erilaisia siirtymäaikoja koneen koon ja käytön ammattimaisuuden mu- kaan. (Hassinen 2016, 5; DroneInfo 2021.)
Käytössä on erilaisia nimiä, lyhenteitä ja määritelmiä, joilla kuvataan maasta kä- sin lennätettäviä laitteita. UAS (Unmanned Aerial System) tai UAV (Unmanned Aerial Vehicle) on ilmassa lennätettävä laite, joka lentää automaattisesti ennalta määrätyn reitin satelliittinavigaation avulla, mutta on tarvittaessa myös käsin ra- dio-ohjauksella toimiva. RPAS (Remotely Piloted Aircraft System) käsittää edel- listen lisäksi myös käsin ohjattavat laitteet. Nimityksissä esiintyvä ’System’ tar- koittaa lennätettävän laitteen lisäksi koko ohjausjärjestelmää eli lentäjän työväli- neitä ja ohjelmistoja, joiden avulla hän lennättää laitetta maasta käsin. (Hassinen 2016, 7.)
Muotonsa ja ominaisuuksiensa perusteella laitteet jaetaan koptereihin ja lenno- keihin. Drone tai suomalaisittain drooni, tarkoittaa yleensä kopterimallista laitetta, mutta määritelmä on hieman epämääräinen ja sillä voidaan periaatteessa tarkoit- taa minkä mallista laitetta tahansa. Tässä työssä käytetään drone-nimitystä, koska termi on vakiintunut käyttöön Metsäkeskuksessa.
Kopterit ovat nykyään yleensä moniroottorisia multikoptereita, joissa joka toinen roottori pyörii myötäpäivään ja joka toinen roottori vastapäivään. Niiden etuna on pystysuora ilmaan nousu, eli ne eivät tarvitse varsinaista lentokenttää. Moniroot- torista dronea käytetään tyypillisesti valo- ja videokuvaukseen niiden ketteryyden takia ja koska niillä voidaan lentää kiinteäsiipistä mallia hitaammin. (Hassinen 2016, 32; DroneInfo 2021.)
Lennokit ovat yleensä ns. kiinteäsiipisiä, kaksisiipisiä malleja ja muistuttavat siis lentokonetta. Niiden ohjaus tapahtuu siivissä olevilla säädettävillä siivekkeillä.
Kiinteäsiipinen malli on perinteinen, niitä on ollut jo sadan vuoden ajan, ja ne ovat hyvin suunniteltuina vakaita ja helppoja lennättää. Kiinteäsiipisiä lennokkeja käy- tetään erityisesti laajojen alueiden mittaamiseen ja kartoittamiseen. (Hassinen 2016, 33; DroneInfo 2021.)
3.2. Drone-kuvaaminen
Drone-kuvauksessa kameralle asetetaan suuret vaatimukset. Sen tulee olla ke- vyt, mutta kestävä ja linssin tulee olla valovoimainen, jotta valotusaika olisi mah- dollisimman lyhyt. Linssin piirtokyvyn tulee olla hyvä ja kuvakennon koon tulisi olla mahdollisimman suuri. Lisäksi valotuksen ja etäisyyden mittausten tulisi ta- pahtua mahdollisimman nopeasti ja kuvaajan tulisi pystyä laukaisemaan kamera kauko-ohjauksella. Kameran virransäästö ja sammutus tulisi voida kytkeä pois päältä, jotta kamera ei sammuta itseään jo menomatkalla. Kaiken lisäksi tarvitaan mahdollisimman nopea muistikortti kuvien tallentamiseen. (Hassinen 2016, 43.)
Metsätalouden ilmakuvauksessa käytetään yleensä pystykuvausta, jossa kuvan kallistuma alle 5 astetta. Kuvaus suoritetaan jonoina, joissa kuvien pituuspeitto on vähintään 60 %. Tämä tarkoittaa sitä, että lentoreitillään kamera kuvaa seu- raavan kuvan niin, että siinä näkyy n. 60–80 % edellisestä kuvasta. (Hassinen 2016, 43.) Tarkastustoiminnan asiantuntija Lauri Haatajan (2021) mukaan drone- kuvauksessa pituuspeitto on yleisesti jopa 80 %. Sivupeiton tulisi olla tarkoissa kuvauksissa jopa 70 %, eli vierekkäisten lentoratojen kuvat menevät päällekkäin 70 %. (Haataja 2021.) Hassisen (2016) mukaan tällä varmistutaan siitä, että ku- van tarkkuus on joka kohdassa riittävä ja katvealueita ei tule. Käytännössä jokai- sen maastossa olevan kohdan pitäisi näkyä yhdeksässä eri kuvassa, jotta niistä voidaan muodostaa luotettavia kolmiulotteisia malleja, ortomosaiikkeja. (Hassi- nen 2016, 43.)
Kuvauksen onnistuminen vaatii paljon teknisiä ominaisuuksia, mutta onnistues- saan kuvan laatu on merkittävästi lentokonekuvausta parempaa ja tarkempaa.
Kuvassa 1 on esitetty myrskytuhosta kuvattu kuvapari, jossa vasemmanpuolei- nen kuva on kuvattu lentokoneella ja oikeanpuoleinen dronella. Resoluutio, eli kuvan erotuskyky, on dronella kuvatussa kuvassa satakertainen lentokoneesta kuvattuun verrattuna.
KUVA 1. Kuvapari lentokonekuvauksen ja drone-kuvauksen tarkkuuseroista.
(Paananen 2019.)
3.3. Metsäkeskuksen tilaamat kuvauslennot
Metsäkeskukselle kuvauksia tekee kaksi alan yritystä, joilla on osaaminen ja ka- lusto sekä itse drone-kuvaamiseen, että kuvien käsittelyyn ja tulkintaan. Haatajan (2021) mukaan Metsäkeskuksen kuvauslennot suunnitellaan etukäteen kuvaajan toimesta. Kuvaaja syöttää lentojärjestelmään kohteen tiedot, jotka saadaan Met- säkeskukselta. Käytännössä Metsäkeskus toimittaa kohteen, eli kuvion rajat paikkatietona sekä tiedon kohteen tarkastuslajista. Lennon suunnitteluun vaikut- taa se, onko kohde aukea vai harvennuskohde ja rajoittuuko se esimerkiksi ve- sistöön. Lennon ohjausjärjestelmällä muodostetaan lennon kaavio, jonka mu- kaan drone lentää (kuva 2). (Haataja 2021.)
KUVA 2. Lennon suunnittelu ohjelmistolla. (Haataja 2021.)
Kuvauslento on automatisoitu ja kohteelle tullessaan lentäjän tehtävä on laittaa kone lentovalmiiksi, käynnistää lento-ohjelma ja valvoa lentoa. Dronen ohjausjär- jestelmä hoitaa nousun, lennon ja laskeutumisen automaattisesti. Traficomin määräysten mukaan dronen tulee olla koko lennon ajan lennättäjän näkyvissä.
Lentokorkeus on pääasiassa 100–150 m maanpinnasta. Lennättäjä on ns. ’neut- raali toimija’, hän ei välttämättä ole metsäalan osaaja vaan hänen tehtävänsä on lennättää kuvausdronea suunnitelman mukaisesti ja toimittaa tilattu data tulkintaa varten eteenpäin. (DroneInfo 2021; Haataja 2021.)
Drone-kuvauksen etuna on olemassa olevien laitteistojen monipuolisuus ja siir- reltävyys kohteelle. Laite kulkee auton tavaratilassa ja se on helppo toimittaa ku- vauspaikalle. Kuvaus on nopea tehdä, mikäli säätila on suotuisa ja valoa riittä- västi. Ohjelmistot, joilla lennot suunnitellaan ja data käsitellään ovat monipuolisia ja käytössä joustavia. Niillä on mahdollista tehdä sekä numeerista, että visuaa- lista tulkintaa. (Hassinen 2016, 8; Paananen 2019.) Haatajan (2021) mukaan drone on toiminnaltaan ketterä ja perinteistä maastotyötä huomattavasti nope- ampi tapa havainnoida tarkastettavia kuvioita.
Vuodenaika, tuuliolosuhteet ja valaistuksen vaihtelut luovat haasteita kuvaami- selle. Valaistus vaikuttaa etenkin varjojen muodostumiseen kuvattavien puiden rungoista ja muista kohteista. Toimintasäde ja akkujen kesto ovat rajalliset ja saattavat asettaa haasteita isompien kohteiden kuvauksille. Suurimpia haasteita ovat tällä hetkellä palvelutoiminnan vakiintumattomuus ja standardoinnin puute, joka näkyy kuvatuotteiden tilauksissa. Kuvien tilaajan tulee määritellä erittäin tar- kasti kuville asetettavat vaatimukset, jotta kuvia voidaan hyödyntää järkevästi.
Palvelutoiminnan vakiointia tarvitaan kuvattavien alueiden, kuvausajan, kuvaus- korkeuden sekä tavoiteltavan materiaalin ja sen tarkkuuden suhteen. (Paananen 2019.)
Metsäkeskuksen tilaamat kuvaukset tehdään kopterimallisilla droneilla, joiden etuna on hitaampi lentotapa verrattuna kiinteäsiipisiin droneihin. Hitaampi lento- tapa parantaa kuvauksen tarkkuutta ja se sopii pienempien alueiden tarkkaan kuvaukseen. Lisäksi kopterimallisilla päästään helpommin lähelle maanpintaa.
Esimerkiksi Kestävän metsätalouden rahoituslain (1094/1996) tarkastuksissa, eli Kemera-tarkastuksissa kuvataan kuviota kohti 5–10 pysäytyskuvaa hyvin läheltä puustoa. Tällöin drone laskeutuu hetkeksi puuston yläpuolelle kuvaamaan viisto- valokuvan, jolta metsänhoidon toteutusta voidaan arvioida tavallista, ylhäältä ku- vattua ilmakuvaa tarkemmin. Kuvion koko vaikuttaa mm. dronen akkujen kes- toon, lennon tarkkailuun Traficomin määräysten mukaisesti sekä tehokkaaseen ja taloudelliseen työskentelyyn. Metsäkeskuksen tarkastuskuvioiden keskikoko on korkeintaan 2 ha. (Paananen 2019; Haataja 2021.)
4 METSÄTUHOLAIN VAATIMUKSET JA LAIN VALVONTA
4.1. Lain tavoitteet
Laki metsätuhojen torjunnasta (1087/2013) astui voimaan vuonna 2013. Laista puhuttaessa käytetään yleisesti myös nimitystä metsätuholaki. Sen tarkoituksena on ylläpitää metsien hyvää terveydentilaa ja torjua metsätuhoja. Lakia sovelle- taan metsissä esiintyviin metsätuhoihin, puutavaran hakkuu- ja välivarastopaik- koihin sekä puutavaran terminaali- ja tehdasvarastoihin. Lakia on myös täyden- netty erinäisillä asetuksilla ja täydentävällä lailla.
Metsätalouden kannalta lakiin on kirjattu kolme tärkeää asiakokonaisuutta. Näitä ovat kaarnakuoriaisten ravintolähteitä karsivat lain kohdat havupuutavaran pois- kuljettamisen aikamääreistä (pykälä 3) sekä myrsky- ja lumituhojen torjunta (py- kälä 6), juurikäävän torjunta puun korjuussa (asetus juurikäävän torjumisesta) sekä korvausvelvollisuus vahingoista toiselle osapuolelle (pykälä 20). (Laki met- sätuhojen torjunnasta 1087/2013.)
4.2. Lain valvonta
Suomen metsäkeskus valvoo havupuutavaran poiskuljettamista sekä tuulituho- jen korjuuta. Valvontaa suoritetaan maastossa muiden tarkastusten yhteydessä (Haataja 2021). Lain metsätuhojen torjunnasta (1087/2013) mukaan 10 m3 ylit- tävä kuusi- ja 20 m3 ylittävä määrä mäntypuutavaraa tulee poistaa metsästä lain antamissa aikarajoissa. Määrät koskevat sekä tuulenkaatoja, että välivarastoja.
Maa- ja metsätalousministeriö valmistelee parhaillaan metsätuholain (1087/2013) päivitystä. Tämän opinnäytetyön kannalta keskeisiä muutoksia suunnitellaan mm. aluejakoon, joka määrittelee puutavaran poiskuljettamisen määräpäivät. Ilmaston lämpenemisen takia alueiden rajoja halutaan siirtää poh- joisemmaksi. Toisaalta taas yksittäisten mäntypuutavarapinojen tilavuus nousisi 50 kuutiometriin nykyisestä 20 m3:stä mikäli ne sijaitsevat vähintään 200 metrin päässä saman puulajin pinoista. (Torniainen 2021.)
5 DIGITARKASTUKSET METSÄKESKUKSESSA
5.1. Tarkastusten taustaa
Dronen hyödyntämisestä kiinnostuttiin Metsäkeskuksessa vuosina 2017–2018.
Ensimmäinen drone-kuvaukseen perustuva hanke, metsänhoidon laadun arvi- ointi dronea hyödyntämällä, alkoi vuonna 2018. Tavoitteena tarkastustoiminnan digitalisoinnille oli löytää ja kehittää uusia ratkaisuja metsätieto- ja tarkastustoi- minnan laadukkaaseen tuottamiseen. Dronen käytön hyötyinä pidetään Metsä- keskuksessa erityisesti tasalaatuista ja aikaisempaa tarkempaa tarkastustietoa sekä mahdollisuutta jakaa entistä yksityiskohtaisempaa tarkastusaineistoa asia- kaskunnalle. (Haataja 2021.)
Digitarkastukset aloitettiin Metsäkeskuksessa laajamittaisesti keväällä 2020.
Tätä ennen, vuoden 2019 aikana, oli toteutettu digitarkastusten kehittämisvaihe, jossa määritettiin mm. toimintamenetelmät ja kuvaustarkkuudet. Kehittämisvai- heessa luodut menetelmät toimivat tarkastuskuvausten runkona, mutta jatkoke- hittäminen ja laadun parantaminen jatkuvat myös varsinaisen tarkastustoiminnan aikana. Kuvauslentoja tehtiin ensimmäisenä varsinaisena toimintavuonna (2020) n. 1200 kpl. Pinta-alaa kuvauskohteilla oli noin 2000 ha. Tarkastuskuvauksia teki kaksi drone-tiedonkeräystä ja puustotulkintaa tekevää yritystä, jotka valittiin julki- sen kilpailutuksen perusteella vuonna 2019. Tällä hetkellä kuvauksia tilataan 1000–1500 kpl vuosittain. (Haataja, 2021.)
5.2. Tarkastusten kohteet ja tavoitteet
Tarkastukset kohdistetaan tällä hetkellä kolmeen tarkastuslajiin:
- Metsänkäyttöilmoituksen tarkastus hakkuun jälkeen ja kevennetty luontolaadun arviointi
- Korjuujäljen laatu
- Kemera-tuettuja taimikon- ja nuoren metsänhoitokohteiden kunnossa- pitovelvollisuuden tarkastus
Pääasiassa tarkastukset kohdistuvat uudistushakkuisiin. Ensimmäisenä vuonna tarkastuksista noin tuhat oli hakkuun jälkeisiä metsänkäyttöilmoituksen tarkastuk- sia. Kohteet sijaitsevat eri puolilla Suomea ja ne valitaan Metsäkeskuksessa pe- rustuen todellisiin, satelliittikuvilta todettuihin hakkuisiin. Lisäksi tehtiin harven- nushakkuiden korjuujäljen laadun tarkastusta sekä Kestävän metsätalouden ra- hoituslain (1094/1996) perusteella tuettuja taimikonhoitokohteita, eli Kemera- kohteita. (Haataja 2021.)
Haatajan (2021) mukaan digitarkastus-termiä käytetään Metsäkeskuksessa ku- vaamaan tarkastustoimintaa, joka lähtökohtaisesti voidaan suorittaa alusta lop- puun menemättä itse kohteelle tekemään mittauksia. Korjuujäljen tarkastuksesta puhutaan hybriditarkastuksena, koska se sisältää aina myös täydentävät mittauk- set maastossa. Digitarkastukseen sisältyy myös muita digitaalisia aineistoja, ku- ten satelliittianalyyseja ja CHM (Canopy Height Model) -latvusmalleja. Digitarkas- tusten tiedonkeruussa drone on oleellisin työväline. (Haataja 2021.)
Otetut kuvat ovat lisäksi Metsäkeskuksen tarjoama uusi palvelumuoto metsän- omistajille. Metsänomistaja saa omissa metsissään kuvatut drone-kuvat itselleen metsään.fi -palvelun kautta. Tarkastuksen jälkeen metsänomistajalle lähetetään tiedote, jossa kerrotaan myös kuvien viennistä metsään.fi -palveluun tilan tietoi- hin. Tiedot tarjotaan myös metsäalan toimijalle, joka kyseisen hakkuun on ope- roinut. Näin toimijat saavat lisätietoa esimerkiksi korjuun laadusta oman laadun- hallintansa tueksi. (Haataja 2021.)
5.3. Tarkastusprosessin kulku
Tarkastuksiin valitaan kuviot samana vuonna kuin kuvaus suoritetaan. Valinnat tehdään vuoden aikana kahdessa tai kolmessa erässä. Ensimmäinen erä lähe- tetään kuvauksia tekeville yrityksille keväällä ennen kuvausten alkamista ja seu- raavat erät kesän kuluessa. (Haataja 2021.)
Kuvauksia voidaan suorittaa lehtipuun ollessa lehdessä ja ne aloitetaan Etelä- Suomesta edeten pohjoiseen kevään alkamisen mukaisesti. Lehdettömään ai- kaan kuvauksia on myös testattu, mutta toistaiseksi niiden luotettavuutta ei ole
saatu tulkinnassa riittävälle tasolle. Tulkinnan laatua varmistetaan maastomit- tauksilla. Esimerkiksi korjuujäljen tarkastuksen jälkeen tehdään aina myös keven- netty maastokäynti urasyvyyksien ja korjuuvaurioiden mittaamiseksi. Samalla otetaan relaskooppikoealoja drone-kuvauksen referenssiaineistoksi. (Haataja 2021.)
Satelliittikuvien perusteella rajatuista hakkuuaukeista valitaan n. 300 kpl sellaisia kohteita, jotka rajoittuvat metsälain tärkeisiin elinympäristöihin, muihin luontoar- voiltaan tärkeisiin kohteisiin tai ne rajoittuvat esimerkiksi vesistöön. Vesistöön ra- joittuvilla hakkuilla kuvaus kohdistetaan veden rajaan saakka, jolloin saadaan tär- keää tietoa vesistöjen suojakaistoista. Näiden kohteiden ympärille haetaan lähi- alueilta muita kohteita ja muodostetaan yhteensä n. seitsemän kohteen alueelli- nen rypäs, jolloin saadaan kuvaajalle järkevä kokonaisuus kuvattavaksi päivän aikana. Jokainen rypäs sisältää siis 1–3 tärkeää kohdetta (prioriteetti 1) ja loput ovat täydentäviä kohteita (prioriteetti 2). (Haataja 2021.)
Metsäkeskus toimittaa kuvausyritykseen kuvioiden tiedot, eli paikkatietoon sido- tun kuvion rajatiedon sekä tiedon kohteen ominaisuuksista. Kuvauksen jälkeen yritys tekee tulkinnan Metsäkeskuksen tekemän tilauksen mukaisesti ja lähettää aineiston pilvipalvelun kautta takaisin Metsäkeskukselle. Pilvipalvelusta aineisto integroidaan Metsäkeskuksen omaan järjestelmään. Aineistoa palautuu Metsä- keskukselle noin 200 kuviota kuukaudessa. (Haataja 2021.)
Tulkittua tietoa hyödynnetään kuvioiden tarkastusprosessissa. Tavoitteena on prosessiin valittujen kuvioiden tarkastus kokonaisuudessaan digitarkastustiimin työnä ilman maastotyötä. Metsäkeskuksessa työskentelee kymmenen henkilön digitarkastusten tiimi, joka tarkastaa tulkitut kuviot ohjeistuksen mukaisesti. Kuvio käydään läpi ja arvioidaan tarkistettavan toimenpiteen laatu. Pääasiassa kuvioi- den tarkastus suoritetaan täysin digitarkastustiimin omassa prosessissa, mutta jos lisätarkastukselle maastossa on tarve, kuvio ohjataan tarkastukseen alueen omille metsäneuvojille. (Haataja 2021.)
5.4. Toimitettava tieto ja sen hyödyntäminen
Metsäkeskuksen tilaama tietoaineisto vaihtelee tarkistettavan kohteen ominai- suuksien mukaan. Metsänkäyttöilmoituksen jälkeisiä digitarkastuksia uudistus- hakkuualoille tehdään eniten. Toimitettu tieto näistä tarkastuksista on taulukon 1 mukainen. Muissa tarkastuslajeissa toimitettava tieto on lähes identtinen, joten niitä ei esitellä tässä työssä.
TAULUKKO 1. Toimitettava tieto uudistushakkuutarkastuksissa (Haataja 2021)
Tieto Tiedostomuoto Tarkkuus
Ortomosaiikki (vain RGB) TIFF pikselikoko
1,5 cm x 1,5 cm tai 3 cm x 3 cm
Toteutuneet kuviorajat Shapefile, polygon Puusto (hakkuussa sääste-
tyt puut, ei uudistamis- puusto)
Shapefile, points puulaji, luokka, pituus, läpimitta määrittelyn mukaisesti
Ojat Shapefile, line -
3D mesh mtl, jpg, obj 1,5–2 milj. pintaa (face)
RGB -ortomosaiikki tarkoittaa ilmakuvakoostetta, joka on oikaistu karttaprojekti- oon ja jossa käytetään kolmen päävärin (RGB) värikaistaa. Värikaistalla tarkoite- taan kaikkia niitä värejä, joita voidaan toistaa, käsitellä tai siirtää tulkinnassa.
RGB tulee sanoista red, green, blue ja jokainen kuvan piste sisältää kolmen eri- värisen pisteen ryhmän. (Markelin 2007, 12–14.)
Hakkuun toteutuneet kuviorajat korjataan tulkinnan jälkeen metsätiedon järjestel- mään, mikäli ne poikkeavat lähtötiedosta. Ilmakuvauksessa ilmakuvien ja puus- totietojen avulla seurataan mm. säästöpuiden määrää, suojavyöhykkeiden jättä- mistä vesistöjen rantaan sekä metsälakikohteiden ja muiden arvokkaiden luonto- kohteiden säilymistä hakkuun yhteydessä. (Haataja 2021.)
Ojatietoa käytetään metsänkäyttöilmoitusten mukaisten uudistushakkuiden tar- kastuksessa maanmuokkauksessa mahdollisesti syntyneiden ojien vesiensuoje- lullisen vaikutuksen arviointiin. Kuvalta tulkitaan myös, onko vanhoja ojia kaivettu
maanmuokkauksen yhteydessä ja onko uudistamisalalta tarkoitus johtaa vesiä pois. Myös ojitusten kaivukatkoja ja lietekuoppia tarkastetaan kuvilta. (Haataja 2021.)
3D Mesh -kuva on pistepilvikuva, jonka avulla metsää pystytään mallintamaan.
Se on käytännössä kolmiulotteinen kolmioverkkomalli, joka mahdollistaa kolmi- ulotteisten mallien avaamisen, muokkaamisen ja tallentamisen koneella. Mesh - kuvan tarkkuutta säädetään tällä hetkellä tulkintayrityksissä ja Metsäkeskuk- sessa, ja sen hyödyntäminen on toistaiseksi vähäistä. (Haataja 2021.)
Jokaista Metsäkeskuksen lähettämää tarkastuskuviota kohti kuvausyritys palaut- taa yhden tiedoston takaisin Metsäkeskukselle. Mikäli kuvausta ei ole voitu tehdä, palautetaan kyseiseltä kuviolta sitä vastaava, kuvion tunnuksella merkitty txt-tie- dosto. Syyt kuvaamatta jättämiselle ovat Haatajan (2021) mukaan yleisimmin seuraavia:
- Lentokielto- tai rajoitetun lentoalueen läheisyys, kuten lentokentät, val- tion raja tai Puolustusvoimien alueiden läheisyys.
- Kohteelle pääseminen ei onnistu esimerkiksi lukitun puomin takia.
- Ryppään kuvaaminen on jäänyt kesken, kuvaamatta jäänyt kohde on prioriteetti 2 ryhmään kuuluva, eikä ole taloudellisesti järkevää palata alueelle yhden kohteen takia myöhemmin. Tyypillisesti nämä kuvaus- ten keskeytykset aiheutuvat sääolojen vaihteluista.
(Haataja 2021.)
6 PAIKKATIETOJÄRJESTELMÄ METSÄTIEDON TYÖVÄLINEENÄ
6.1. Paikkatietojärjestelmä ja paikkatieto
Paikkatietojärjestelmä on digitaalinen järjestelmä, jolla voidaan käsitellä eri tavoin paikkatietoa. Järjestelmällä voidaan mm. tallentaa, hakea, ylläpitää, analysoida ja tulostaa paikkatietoa. Paikkatieto koostuu aina sijaintitiedosta ja ominaisuus- tiedosta. Sijaintitietoa ovat esimerkiksi kohteen koordinaattitieto, kohteen geo- metriset ominaisuudet, kuten piste, viiva tai alue sekä kohteen topologiset omi- naisuudet eli niiden sijainti toisiinsa nähden. (Kangas ym. 2011, 125–126.) Omi- naisuus- eli atribuuttitietoa ovat puolestaan kohteen ominaisuuksiin liittyvät tiedot, esimerkiksi tuulenkaadon puulaji, puuluokka sekä pituus ja läpimittatieto.
Erilaiset paikkatietojärjestelmät, eli -ohjelmat ovat avain kaiken saatavissa olevan paikkatiedon yhtäaikaiseen ja täysimittaiseen hyödyntämiseen. Ilman karttakoor- dinaatistoon sidottua pohjaa tiedot olisivat erillisiä tietotasoja, joiden käsittely ja hyödyntäminen olisi aikaa vievää ja työlästä, käytännössä jopa mahdotonta. Par- tasen (n.d.) mukaan tietoa kerätään erilaisin menetelmin, kuten maastossa erilai- silla sovelluksilla tai sensoreilla tai sidosryhmiltä suoraan oikeassa muodossa.
Tämän jälkeen kerätyn tiedon hallinnointi ja analysointi tapahtuu paikkatieto-oh- jelmalla, joka mahdollistaa ajantasaisen tiedon kaikille käyttäjille. (Partanen n.d.)
6.2. Paikkatiedon hyödyntäminen
Tiedon analysointi on paikkatieto-ohjelman oleellinen osa. Analytiikan avulla tie- dosta voidaan tehdä uusia havaintoja ja löytää yhteneväisyyksiä ja kytkeytyvyyttä eri asioiden välille. Analyysien tuloksilla voidaan parantaa tiedon laatua ja tuottaa kokonaan uudenlaista tietoa päätöksenteon tueksi. Ne myös parantavat toimin- taympäristön ymmärtämistä ja tilanteiden ennakointia. Analyysin lopputulos voi- daan visualisoida kartalle ymmärtämisen helpottamiseksi ja visuaaliset karttaku- vaukset sopivat hyvin esimerkiksi viestinnällisiin tarkoituksiin. Paikkatiedon koko- naisvaltaista käyttöä ja hyödyntämistä voidaan esittää kuvassa 3 näkyvällä pro- sessikaaviolla. (Partanen n.d.)
KUVA 3. Paikkatieto-ohjelman käyttö ja hyödyntäminen (Partanen n.d.)
Suomen metsäkeskuksen metsätiedon palvelupäällikkö Jorma Jyrkilän (2019) mukaan yhteistyö paikkatiedon aineistojen hankinnassa ja jakamisessa on avain toimivaan järjestelmään ja kattaviin tietokokonaisuuksiin. Vuonna 2020 on käyn- nistynyt poikkeuksellinen yhteistyöelin KALLIO. Se tarkoittaa kansallisia laserkei- laus- ja ilmakuvausohjelmia, jotka yhdistävät eri viranomaistahojen osaamisen yhteiseksi kokonaisuudeksi. Mukana KALLIOssa ovat maa- ja metsätalousminis- teriö, ympäristöministeriö, puolustusministeriö, Suomen metsäkeskus, Metsähal- litus, Ruokavirasto, Suomen ympäristökeskus sekä Maanmittauslaitos. (Jyrkilä 2019; Maanmittauslaitos 2020.)
Monet paikkatietotuotteet ovat nykyään ladattavissa avoimesti Internetistä ja myös ilmaisia paikkatieto-ohjelmia on käytettävissä niiden käsittelyyn, kuten esi- merkiksi Quantum GIS -ohjelma, eli lyhyesti QGIS. Numeerista paikkaan sidottua tietoa on Suomen metsistä tarjolla runsaasti. Tietoa on saatavilla myös avoimesti erilaisten rajapintojen ja karttapalveluiden kautta esimerkiksi Metsäkeskukselta.
Paikkatiedon asiantuntija Hannu Partasen (n.d.) mukaan paikkatiedon hyödyntä- minen lisää kustannussäästöjä ja parantaa kilpailukykyä sekä päätöksentekoa.
Toisaalta Kankaan ym. (2011, 127) mukaan paikkatiedon yleisinä haasteina ovat tiedon tuotantokustannukset ja laatu. Oletettavasti paikkatiedon laatu paranee ja kustannukset pienenevät menetelmien kehittyessä ja toiminnan yleistyessä. Hyö- dyntämisen tarve metsätaloudessa tulee kasvamaan jatkuvasti tiedontarpeen li- sääntyessä ja metsän eri käyttömuotojen monipuolistuessa.
7 TUULITUHOT
7.1. Tuulituhot Suomessa
Tuulet ja myrskyt aiheuttavat Suomessa eniten laajoja, yksittäisiä metsätuhoja.
Eri vuodenaikoina myrskytuulet puhaltavat eri ilmansuunnista ja vaikuttavat met- siin eri tavoin. Suomessa myrskytuhoja on eniten syksyllä ja alkutalvella, koska sateiden pehmittämä maa sitoo puiden juuria heikommin. Syysmyrskyt puhalta- vat pääsääntöisesti lounaan ja luoteen suunnalta ja ne saattavat kaataa metsää laajoiltakin alueilta. Erityisesti aukon reunoilta saattaa kaatua puita paljon. Kesä- myrskyissä tuuli puhaltaa tyypillisesti etelän tai kaakon suunnalta. Ukkosmyrs- kyissä puita kaatuu pitkinä, jopa satojen kilometrien mittaisina kaistoina. Puus- kainen tuuli kaataa ja katkoo yksittäisiä puita jo tuulen nopeuden kasvaessa yli 17 m/s. (Myrskytuhot n.d., Uotila, Kasanen & Heliövaara 2020, 22–23, 183.)
Suomessa käytetään tuuliasteikkoa (taulukko 2), jonka mukaan 10 minuutin kes- kituulen nopeuden ollessa 14–20 m/s puhutaan kovasta tuulesta ja 21–32 m/s myrskystä. Yli 33 m/s puhaltava tuuli on tuuliasteikon mukaan hirmumyrsky. (Il- matieteen laitos 2021.)
TAULUKKO 2. Tuuliasteikko 10 minuutin keskituulen nopeuksille. (Ilmatieteenlai- tos 2021.)
Tuulen nopeus m/s Kuvaus
0 tyyntä
1–3 heikkoa tuulta
4–7 kohtalaista tuulta
8–13 navakkaa tuulta
14–20 kovaa tuulta
21–32 myrskyä
≥ 33 hirmumyrskyä
7.2 Puulaji ja tuulituhot
Suomessa yleisimmät metsän uudistamiseen käytetyt puulajit ovat mänty (Pinus sylvestris), kuusi (Picea abies) ja rauduskoivu (Betula pendula). Uotilan ym.
(2020) mukaan Etelä-Suomessa kuusi on alttein tuulituhoille pinnallisen juuris- tonsa takia (kuva 4). Pohjoisessa Suomessa puolestaan mänty on alttiimpi, koska pohjoisessa männyn juuristo ei kasva niin syvälle kuin Etelä-Suomessa. Koivu ja muut lehtipuut kaatuvat helpommin kesän ukkosmyrskyissä lehdelliseen aikaan.
(Uotila ym. 2020, 183–184., Äijälä ym. 2019, 58–60.)
KUVA 4. Kuusen tuulenkaadot ovat yleisiä Etelä-Suomessa. Kuva Lempäälästä (Nina Mikkola 2021).
Kuusen tuulituhojen määrään Etelä-Suomessa vaikuttaa toisaalta myös sen alu- eellinen viljelyosuus, joka on mäntyä huomattavasti suurempi. Taulukko 3 osoit- taa, että Etelä-Suomen maakunnissa kuusen suhteellinen osuus metsän uudis- tamisessa on jopa ¾ kaikista uudistettavista puulajeista. (Suomen metsäkeskus 2021.)
TAULUKKO 3. Uudistamispuulajien suhteelliset osuudet vuoden 2020 metsän- käyttöilmoitusten mukaan (Suomen metsäkeskus 2021.)
Etelä-Suomen metsien liiallinen kuusettuminen voi olla etenkin ilmaston lämme- tessä ongelmallista. Koivuvaltaisista metsistä kolme neljästä uudistetaan kuu- selle ja karumpien kasvupaikkojen männiköistäkin viidennes uudistetaan kuu- selle. Kuusettuminen lisää metsätuhojen riskiä ja vähentää metsien monimuotoi- suutta. (Suomen metsäkeskus 2020.)
7.3. Metsänhoito ja tuulituhot
Tuulituhot osuvat etenkin varttuneisiin puustoihin niiden pituuden takia, mikä te- kee niistä taloudellisesti merkittävän tuhoriskin. Hyvien metsänhoidon suositus- ten (2019) mukaan yleisesti voidaan todeta, että metsien hoitaminen suositusten mukaan ehkäisee tuulituhoja, koska terve ja hyvässä kasvuvaiheessa oleva puusto kestää tuulta ja myrskyjä paremmin kuin riukuuntunut ja hoitamaton metsä. Toisaalta harvennus ja lannoitus ovat metsänhoitotoimenpiteitä, joiden
jälkeisinä muutamina vuosina metsä on erityisen altis tuulenkaadoille. Harven- nuksen tuulituhoalttius johtuu siitä, että tuuli pääsee paremmin harvennettuun metsään ja puuston juuristo ei vielä ole reagoinut muuttuneeseen ympäristöön.
Lannoitus puolestaan lisää kasvussa ensin latvusmassaa ennen kuin juuristo eh- tii mukaan kasvuvauhtiin. Kasvanut latvusmassa puolestaan lisää tuulikuormaa.
(Myrskytuhot n.d., Äijälä ym. 2019, 58–60.)
Tutkittaessa ilmaston lämpenemisen vaikutusta tuulituhoihin on huomattu, että erilaisilla harvennuksen voimakkuuksilla on vaikutusta tuulituhoalttiuteen. Har- vennusvoimakkuudella ja ajoituksella voidaan lieventää tai jopa välttää tuulituho- jen syntymistä. (Ikonen, Kilpeläinen, Strandman, Asikainen, Venäläinen & Pel- tola 2020, 697–698.)
7.4. Maantieteellinen sijainti ja alueellinen topografia
Maantieteellinen sijainti vaikuttaa tuulituhojen yleisyyteen alueellisen lämpösum- man ja ilmaston kautta. Tuulituhoja esiintyy vähiten maan ollessa jäässä. Eteläi- sessä Suomessa on koettu viime vuosina talvia, jolloin maa ei jäädy käytännössä ollenkaan, mikä lisää tuulituhoja erityisesti varttuneissa kasvatusmetsissä. (Uotila ym. 2020, 183–184.)
Vuonna 2017 tehty tutkimus vahvistaa maantieteellisen sijainnin vaikutusta tuuli- tuhojen syntymiseen ja puuntuotannon kohonneisiin riskeihin erityisesti eteläi- sessä Suomessa. Tosin kasvanut riski selittyy tutkimuksen mukaan osittain myös Etelä-Suomen kuusivaltaisella metsänkasvatuksella. Tutkimuksessa tutkittiin il- maston muutoksen voimakkuutta eri malleilla. Samalla huomattiin, että kuusen haavoittuvuus vähenee suhteessa mallin voimistumiseen. Toisin sanoen rajum- missa ilmaston muutoksen mallinnuksissa kuusen tuulituhoriski ei kasva sa- massa suhteessa, vaan vähenee. Tulokseen vaikutti ainakin osittain kuusen osuuden pieneneminen Etelä-Suomessa lämpimimmän mallin muuttaessa elinympäristöä kuuselle sopimattomammaksi. Koivulla puolestaan tuhoriski kas- vaa mallin voimistuessa, mutta vähenee yleisesti vuodenajan muuttuessa ja leh- tien pudotessa. (Ikonen, Kilpeläinen, Zubizarreta-Gerendiain, Strandman, Asikai- nen, Venäläinen, Kaurola, Kangas & Peltola 2017, 1638–1639.)
Pohjois-Suomessa pienemmän tuulituhoriskin syynä ovat erityisesti tuulta kestä- vämmän männyn yleisyys, mutta myös pohjoiselle alueelle tyypillinen, vähäi- sempi puiden pituuskasvu. Alueellisesti tuulituhoriskiin vaikuttaa myös metsän kasvupaikka, maaperä ja sen paksuus ja muodot, eli alueellinen topografia. (Iko- nen ym. 2017, 1642–1643; Uotila ym 2020, 183–184.)
7.5. Ilmastonmuutos
Ilmastonmuutos ja sen mukanaan tuoma Suomen alueellisen ilmaston lämpene- minen lisää puiden kasvua ja siten puuntuotannon määrää, mutta myös tuulitu- hoja ja niiden yleistymistä. Ne lisääntyvät, koska myrskyjä sattuu yhä useammin sulan maan aikaan. (Äijälä ym. 2019, 59; Ikonen ym. 2020, 697.)
Ikosen ym. (2020) tutkimuksen mukaan uudistamispuulajilla on vaikutusta tuuli- tuhojen kasvuun erilaisilla ilmaston lämpenemisen skenaarioilla. Tutkimuksessa todettiin, että männylle uudistaminen pienensi tuulituhoriskejä, kun taas kuuselle ja koivulle uudistaminen lisää tuulituhoriskejä, joskin koivun tuulituhoriskiin vai- kuttaa selkeästi vuodenaika ja puun lehdessä olo tai lehdettömyys. Tutkimus vah- vistaa yleiset käsitykset (esimerkiksi Uotila ym. 2019, 183.) puulajin vaikutuk- sesta tuulituhoriskiin. Tutkimus antoi kuitenkin myös uutta tietoa, jonka mukaan voimakkaimpien lämpenemismallien mukaan tuulituhoriski kasvaa merkittävästi puulajivalinnasta huolimatta. Ilmaston lämpeneminen sinänsä on siis erittäin mer- kittävä tuulituhoriski. (Ikonen ym. 2020, 685, 697–698.)
7.6. Reunavaikutus
Reunavaikutus tarkoittaa metsän reunan riskialttiutta tuulituhoille tilanteessa, jossa tuuli pääsee puhaltamaan aukealta puuston reunaan. Tällaisia tilanteita syntyy esimerkiksi hakkuuaukean tai muun rakentamattoman ja puuttoman alu- een, kuten pellon tai laitumen sijaitessa metsikkökuvion vieressä. Aukealla tuulen nopeus kasvaa ja reunapuusto kohtaa tuulen täyden voiman. Uudistusalan ra-
jauksessa tulisi huomioida reunavaikutus erityisesti korkeiden kuusikoiden koh- dalla. Mäkisessä maastossa uudistusalan raja tulisi viedä rinteen alaosaan asti.
(Uotila ym 2020, 183–184.)
Reunavyöhykkeen tuulituhoalttiutta voidaan ehkäistä jättämällä tuulensuoja- vyöhyke käsittelemätöntä metsää harvennuksen yhteydessä. Suojavyöhyke aut- taa silloin, jos puusto on ehtinyt jo sopeutua aukeaan reuna-alueeseen vahvista- malla reunimmaisten puiden juuristoja. Harvennus keskitetään kuvion muihin osiin ja tuulen kestävä reunapuusto jätetään käsittelemättä. (Varautuminen met- sätuhoihin 2014, 14.) Tuulensuojavyöhyke ei kuitenkaan yleensä auta, jos vierei- nen kuvio on juuri uudistushakattu ja reunapuusto ei ole ehtinyt tottua uuteen tilanteeseen. Tällöinkin suojavyöhyke saattaa silti toimia, koska hakkuukone ja poistettavien puiden korjuu ei vaurioita reunavyöhykkeelle jäävien puiden juuris- toja ja aiheuta puustolle lisäriskiä kaatua tuulessa.
6.7. Tuulituhojen seuranta
Tuulituhojen seuranta on metsänomistajan tehtävä. Omistajan vastuulla on myös korjata kaatunut puusto ja puutavarapinot pois metsästä, mikäli lain asettamat minimirajat ylittyvät. Käytännössä puutavarapinojen osalta vastuu on yleensä siir- tynyt hakkuuoikeuden omistajalle eli metsäyhtiölle, joka on ostanut puut metsän- omistajalta. Metsäkeskus seuraa tuulituhoja muiden metsätuhojen ohella myrs- kytuhohakkuiden metsänkäyttöilmoitusten perusteella. Lisäksi alueelliset metsä- neuvojat tarkastavat tarpeen mukaan myös mm. välivarastopinoja maastossa muiden tarkastustehtävien ohella. (Haataja 2021.)
Luonnonvarakeskus ja Suomen metsäsäätiö ovat laatineet yhteisessä Myrsky- puu-hankkeessa tuulituhoriski-karttapalvelun, joka perustuu maaperä- ja tuulitie- toihin, jotka on yhdistetty Metsäkeskuksen metsänkäyttöilmoituksiin ja valtakun- nan metsien inventoinnista saatuun metsävaratietoon. Karttapalvelu löytyy Luon- nonvarakeskuksen Metsäinfo-verkkosivuilta Metsätuhot-osiosta. Karttapalvelun laskenta laskee yksittäisen metsän tuulituhoriskin seuraavalle viidelle vuodelle ja auttaa metsänomistajaa suunnittelemaan ja toteuttamaan ennaltaehkäisevää
metsänhoitoa riskikohteille (kuva 5). (Suvanto 2018.) Karttapalvelun mukaan kar- tan antamia arvoja kannattaa tulkita suhteellisina eroina metsiköiden tuulituhoris- keissä. Eli tarkastella omia metsiköitä ja verrata karttapalvelun niille antamia suh- teellisia riskiarvoja toisiinsa. Karttapalvelun käyttöohjeessa myös todetaan, että ” Tuulituho ei välttämättä tarkoita metsikön täydellistä tuhoa, vaan tuhon aste voi olla myös pienempi.” (Tuulituhot 2019.)
KUVA 5. Esimerkkikuva tuulituhoriskikartan antamasta tuloksesta yksittäiselle alueelle. (Tuulituhoriskikartta 2019.)
7.7. Hyönteis- ja sienituhot seurannaistuhoina
Tuuli- ja myrskytuhojen jälkeen metsässä saattaa olla merkittäviä määriä kaatu- neita, katkenneita ja vaurioituneita tuoreita puita, jotka houkuttelevat ja mahdol- listavat monenlaisten tuhohyönteisten ja -sienien leviämisen metsikköön. Uudis- tamisen kautta tapahtuvan kuusettumisen ja ilmaston lämpenemisen takia erityi- sesti Etelä-Suomessa seurannaistuhot tulevat todennäköisesti lisääntymään tu- levaisuudessa.
Kuusettuminen lisää seurannaistuhoina erityisesti kaarnakuoriaistuhoja sekä kuusen juurikääpää. Kaarnakuoriaiset saattavat suurina populaatioina iskeytyä ympäristön terveisiin puihin ja tappaa niitä pystyyn. Kuusen juurikääpä pääsee leviämään itiöiden välityksellä esimerkiksi myrskyssä katkenneesta puusta juu- riston juuriyhteyksien kautta koko metsikköön. (Suomen metsäkeskus 2020.)
8 TUTKIMUSAINEISTO JA TUTKIMUSMENETELMÄ
8.1. Tutkimusaineisto
Tutkimuksen aineisto tuli valmiina Metsäkeskukselta. Otanta suoritettiin syste- maattisella otannalla Metsäkeskuksessa järjestämällä kuvat kuvatunnuksen mu- kaisesti järjestykseen, jonka jälkeen otokseen valittiin ensimmäinen kuva ja tästä eteenpäin joka 10. kuva. Nämä kuvat lähetettiin opinnäytetyön tekijälle pakattuina tiedostoina. Kuvamateriaali luokiteltiin salassa pidettäväksi, vaikka kuvista ei näy arkaluontaista tietoa, kuten omistaja- tai kiinteistötietoja. Aineiston käsittelyn ohessa kirjattiin muistiin mm. työhön käytettävää aikaa ja muita huomioita, joita voidaan käyttää tuulituhojen syntymiseen vaikuttavien tekijöiden arviointiin.
Aineisto lähetettiin sähköpostitse pakattuina tiedostoina neljässä erässä. Tiedos- tot purettiin ja tallennettiin tietokoneelle. Työn tekemisessä käytettiin ilmaista QGIS-paikkatietojärjestelmää. Jokainen yksittäinen tiedosto sisälsi 10–30 inven- toitavaa kohdetta ja jokaiselle kohteelle tiedostosta löytyi ilmakuva- ja aluetiedot, jotka toimivat QGIS-ohjelmassa tasoina. Alue-tieto tarkoittaa käsiteltävän metsän kuviorajoja.
8.2. Tutkimusmenetelmä
Aineiston kohteille luotiin QGISissä uusi shapefile-taso, jossa ominaisuustietoihin määritettiin tarvittavat sarakkeet ominaisuustietotauluun kaatuneiden puiden las- kentaan ja puutavarapinojen määrittelemistä varten. Lisätyt shapefile-tasot ni- mettiin seuraavasti: tuulenkaadot ja puutavarapinot. Tasot lisättiin jokaiselle in- ventoitavalle kohteelle, vaikka kaikilta kohteilta ei löytynyt tuulenkaatoja tai puu- tavarapinoja. Materiaali rajattiin noin sataan kuvaan systemaattisena otantana alkuperäisestä joukosta. Lopullinen otos oli 110 kuvaa.
Kuvassa 6 näkyy QGIS-ohjelma karttatasoineen. Selain -ikkunassa näkyy tieto- koneen tiedostoista haettu Metsäkeskuksen inventointikohde ja sen sisältämät
tiedostot. Tasot -ikkunaan on tuotu kyseiset tiedostot, joiden lisäksi apuna on pe- ruskarttataso. Tasoista tuulenkaadot ja puutavarapinot on siis lisätty inventointivaiheessa. Alue, eli metsikkökuvion rajat, sekä ilmakuva ovat Metsäkeskuksen toimittamia. Taustatasona apuna toimii peruskartta.
KUVA 6. Näkymä QGIS-ohjelmassa yksittäisen kuvan inventoinnissa. Tässä ku- vassa ei ole tuulenkaatoja tai puutavarapinoja. (aineisto: Suomen metsäkeskus.)
Yksittäisen kuvan inventointi aloitettiin avaamalla kuva QGISissä ja muokkaa- malla tasojen ominaisuudet sopiviksi ja tarkastamalla koordinaattitiedot. Ulko- asun muokkaamista vaati esimerkiksi alue- niminen taso, joka ohjelmaan avaa- misen jälkeen muokattiin läpinäkymättömäksi, jotta mahdolliset kuviolla olevat tuulenkaadot voitaisiin erottaa kuvilta (kuvat 7 ja 8).
KUVAT 7 ja 8. Alue -tason muokkaus läpinäkyväksi, jotta mahdolliset tuulenkaa- dot tai puutavarapinot havaitaan kuvion sisältä. (aineisto: Suomen metsäkeskus.)
Tasojen ulkoasun ja koordinaatiston muokkauksen jälkeen yksittäistä kuvaa tar- kasteltiin mahdollisten mitattavien tuulenkaatojen ja puutavarapinojen havaitse- miseksi. Käytännössä kuvaa tarkasteltiin riittävän läheltä, esimerkiksi mittakaa- vassa 1:100. Tarkastelussa laskettiin mahdolliset kaatuneet puut ja huomioitiin mahdolliset pinot. Huomioimatta jätettiin alle viiden kaatuneen puun ryhmät, sekä yksittäiset tuulenkaadot, mikäli ne olivat hajallaan ympäri kuviota ja niiden luku- määrä oli vähäinen, eli noin 1–8 kpl puita kuviolla.
Metsäkeskuksen ohjeistus oli arvioida kaatuneiden puiden merkittävyyttä nimen- omaan metsätuholain mukaisten määrien perusteella, eli 10 m3 hehtaarilla kuusi- puuta ja 20 m3 hehtaarilla mäntypuuta (Laki metsätuhojen torjunnasta 20.12.1087/2013). Kuvien inventoinnissa kävi pian selväksi, että kaatuneen puun määrää on mahdoton arvioida täsmällisesti pystyssä olevien puiden latvuksien peittäessä osan kaatuneista puista. Tästä syystä päädyttiin mittaamaan tuulen- kaadot jo viiden puun ylittäneistä määristä. Tässä työssä oli kyse nimenomaan reunametsien tuulenkaadoista, mutta mikäli tuulenkaatoja oli reunametsässä, otettiin huomioon myös kuviolla kaatuneet säästö- ja ylispuut, koska ne lisäävät mahdollista tuhoriskiä.
Tuulenkaatojen mittaamiseen käytettiin QGISin mittaustyökalua. Kaatunut puu valittiin pistemäiseksi kohteeksi ja sille annettiin juokseva ID-numero avautuvaan ominaisuustietotauluun. Jokainen puu luokiteltiin puuluokkaan arvolla 1–3 seu- raavasti: 1. näkyy kokonaan (juurineen kaatunut)
2. näkyy osittain (juurineen kaatunut) 3. katkennut (osa puuttuu)
Puulaji arvioitiin silmämääräisesti hyödyntäen mm. rungon väriä sekä latvuksen ja oksien muotoa. Puulajitieto tallennettiin ominaisuustietoihin koodinumeroin seuraavalla periaatteella:
1. mänty 2. kuusi 3. koivu 4. haapa 5. muu 6. ei tietoa
Kuvassa 9 näkyy kokonainen, juurineen kaatunut kuusi ja sen ominaisuustieto- taulu. Kuvassa näkyvä punainen viiva on kuvion raja, eli kuusi on kaatunut kuvion ulkopuolelle rajan suuntaisesti.
KUVA 9. Tuulenkaadon mittaaminen alkaa id-numeron syöttämisellä sekä puu- luokan ja -lajin arvioinnilla (aineisto: Suomen metsäkeskus.)
Puun pituus mitattiin puun juurelta puun latvaan, mikäli molemmat olivat näky- vissä (kuva 10). Puun leveys mitattiin rinnankorkeudelta, eli 1,3 m puun juuresta.
Mikäli kyseinen kohta ei ollut näkyvissä, mittaus tehtiin ensimmäisestä rinnankor- keusläpimitan ylittävästä kohdasta, josta se pystyttiin luotettavasti suorittamaan (kuva 11). Jos puu oli katkennut, mitattiin leveys 1,3 metrin päästä paksuimmasta kohdasta. Mittaustulokset esitettiin yhden desimaalin tarkkuudella.
KUVA 10. Puun pituuden mittaus juurelta latvaan yhden desimaalin tarkkuudella (aineisto: Suomen metsäkeskus.)
KUVA 11. Puun leveyden mittaus. Tämän puun runkoa ei näy rinnankorkeuden kohdalta, joten mittaus tehtiin 3,9 m korkeudelta mittausperiaatteiden mukaisesti.
(aineisto: Suomen metsäkeskus.)
Puutavarapinojen osalta päädyttiin mittaamaan kaikki runkopuupinot huolimatta siitä, kuinka vanhoilta ne ilmakuvalla näyttivät. Energialatvusmassapinot jätettiin mittaamatta, koska laki metsätuhojen torjunnasta huomioi kaatuneen puun mää- rissä tyviläpimitaltaan yli 10 cm paksut kuoripäälliset puut (Laki metsätuhojen tor- junnasta 20.12.1087/2013).
Pinojen korkeutta ilmakuvista ei pystytä arvioimaan, joten työssä mitattiin pinon pohjan pinta-ala. Osa pinoista oli selkeästi vanhaa puuta, jolloin ne eivät ole uhka hyönteistuhojen leviämiselle. Koska osasta kuvia pinojen ikää oli mahdoton arvi- oida, mitattiin kaikki aineistosta löydetyt pinot. Kuvassa 12 näkyy esimerkki puu- tavarapinojen mittauksesta ominaisuustietotauluineen. Pinojen puulajit olivat sa- mat kuin tuulenkaadoissa ja niiden pinoluokat on jaettu seuraavasti:
1. tukkipino 2. kuitupino 3. energiapino 4. sekalainen
KUVA 12. Puutavarapinojen pinta-alan mittaaminen (aineisto: Suomen metsä- keskus.)
Aineisto inventoitiin erillisinä kuvina, eli erillisinä tiedostoina. Suuren kuva-aineis- ton käsittely yhtenä tiedostona QGIS-ohjelmalla olisi ollut monimutkaista. Mah- dollisten virheiden tai tietojen häviämisen vaikutus oli myös pienempi tällä tavalla.
Kuvatiedostot yhdistettiin vasta inventoinnin jälkeen. Tiedostojen yhdistäminen tehtiin QGISin vektorityökalulla ja lopputuloksena saatiin yhdistetyt tasot sekä kaikille kuvioille, jotka sisälsivät mitattuja tuulenkaatoja, että kaikille kuvioille, joissa oli mitattuja puutavarapinoja. Inventoitavan aineiston käsittelyn aikana tie- dot koottiin yhteen excel -tiedostoon.
Aineiston yhdistämisen jälkeen tuloksena oli tuulenkaadot_kaikki- ja puutavara- pinot_kaikki-tasot QGISissä. Näiden tasojen atribuutti- eli ominaisuustietotauluja täydennettiin uusilla sarakkeilla, joiden avulla mitattuja tietoja hyödynnettiin ta- voitteiden selvittämiseksi. Molempiin tasoihin luotiin kuviotason ID-numero, jonka avulla saatiin selville, montako tuulenkaatoa tai puutavarapinoa kyseisellä kuvi- olla oli. Kuvio ID auttoi myös analysoimaan puulajien tilavuutta yhdellä kuviolla Metsätuholain (1087/2013) asettamien raja-arvojen ylittämisen seuraamiseksi.
Tuulenkaadot-tasoon lisättiin tilavuuden laskemiseksi sarake, johon laskettiin Laasasenahon yksittäisen puun tilavuusyhtälöillä (kuva 13) tilavuudet jokaiselle
puulle puulajeittain. Laasasenahon tilavuusyhtälöt on määritetty kolmelle pää- puulajillemme, männylle, kuuselle ja koivulle.
KUVA 13. Laasasenahon tilavuusyhtälöt puulajeittain. (Kangas ym. 2011, 50.)
Tilavuudet tässä työssä laskettiin puulajeittain seuraavasti:
1. mänty – laskettiin männyn tilavuusyhtälön mukaan 2. kuusi – laskettiin kuusen tilavuusyhtälön mukaan 3. koivu – laskettiin koivun tilavuusyhtälön mukaan 4. haapa – laskettiin koivun tilavuusyhtälön mukaan 5. muu – laskettiin kuusen tilavuusyhtälön mukaan 6. ei tietoa – laskettiin kuusen tilavuusyhtälön mukaan
Edellä esitetyt valinnat haavan, muun ja ei tietoa -puulajien laskentayhtälöstä pe- rustuvat Metsätuholain (1087/2013) riskipuulajeihin. Haapa lehtipuuna ei ole kaarnakuoriaistuhoille riski, toisin kuin puut, joiden puulajista ei inventoinnissa pystytty varmistumaan ja jotka siten saattavat olla kuusia. Kuusen riskiraja kuu- tiomääränä on pienin kaikista puulajeista, toisin sanoen vähäinen määrä kuusi- puuta saattaa aiheuttaa hyönteistuhoriskin.
Puutavarapinojen mittaus tapahtui pinta-alana, koska pinon korkeutta ei pystytä ilmakuvasta mittaamaan. Laskennassa päädyttiin käyttämään yhden metrin pi- nokorkeutta, jotta saatiin kuutiomäärä jokaiselle pinolle. Oletuskorkeutena metri on hyvin todennäköinen. Puutavarapinojen kiintotilavuuden laskennassa käytet- tiin havupuilla keskiarvoisena kiintotilavuusprosenttina 63 prosenttia ja lehtipuilla 53 prosenttia. Pinotiheyttä mitattaessa kiintotilavuusprosentit vaihtelevat puuta- varan pituuden mukaan ja lisäksi huomioidaan puiden keskiläpimitan vaikutus, karsinta ja oksaisuus, mutkaisuus ja ladonta (Metsäteho 2018). Tässä mittauk- sessa on huomioitu ainoastaan keskimääräinen kiintotilavuusprosentti, koska puutavarapinon mittaus on joka tapauksessa arviointia ilman tarkkaa korkeustie- toa.
Tilavuudet tuulenkaadoissa puulajeittain, puutavarapinoittain ja kuviokohtaisesti kerättiin excel-tiedostoon, joka löytyy tämän opinnäytetyön liitteestä 1. Tiedos- toon merkittiin punaisella värillä Metsätuholain (1087/2013) raja-arvot ylittävät kuutiomäärät ja lisäksi keltaisella ne kuutiomäärät, jotka ovat lähellä raja-arvoja tai muuten on perusteltua epäillä, että raja-arvot saattavat ylittyä. Tällaisia ovat esimerkiksi tunnistamattomien puulajien puutavarapinot.
Lähellä raja-arvoa oleviksi tilavuuksiksi mukaan otettiin vähintään 75 % lain mää- rittämästä raja-arvosta sisältävät tilavuudet. Tällaiseen ratkaisuun päädyttiin, koska lähes kaikissa inventointikuvissa osa kaatuneista puista on peittynyt pys- tyssä olevien puiden latvusten alle ja todellinen tuulenkaatojen määrä on näin ollen mitattua suurempi. Puutavarapinojen osalta syynä tähän ratkaisuun oli pi- non korkeustiedon puute ja sen aiheuttama epävarmuus todellisesta puun mää- rästä.
Aineiston inventoinnin yhteydessä kirjattiin erilliseen taulukkoon yksittäiset kuvat ja niihin liittyvät huomiot, sekä arvioitu ajankäyttö yksittäistä kuvaa kohden (kuva 14). Tämä tiedosto oli apuna työn edistymisen hahmottamisessa ja yksittäisen kuvan löytymisessä ominaisuuksien perusteella. Taulukosta nähtiin myös suo- raan inventoinnin valmistuttua inventoitu kokonaiskuvamäärä sekä kohteet, jotka sisälsivät tuulenkaatoja ja puutavarapinoja. Käsittelyaika kirjattiin tunteina (h).
KUVA 14. Kuvakaappaus Aineiston käsittely -tiedostosta. Kuvatunnukset piilo- tettu. (aineisto: Suomen metsäkeskus.)
9 TUTKIMUSTULOKSET
9.1. Tuulenkaatojen ja puutavarapinojen osuus aineistosta
Työn tuloksissa on huomioitu sekä tuulenkaadot, että puutavarapinot, mutta tuulenkaatokohteet ovat Metsäkeskukselle tärkeämpiä tutkimuskohteina, koska puulajiltaan tunnistettavat tuulenkaadot ovat riittävän suurena määränä aina reaaliaikainen riski. Puutavarapinot sen sijaan saattavat olla vanhoja ja riskikohteina siten vaarattomia. Riittävän tuoreet puutavarapinot kuitenkin saattavat olla itsessään riski hyönteistuhojen leviämiselle tai ainakin lisätä tuulenkaatojen aiheuttamaa riskiä alueella.
Inventoituja ortokuvia oli aineistossa kaikkiaan 110 kappaletta. Näistä kohteista 33 kpl sisälsi puutavaraa kaatuneena tai puutavarapinoina. Kohteista 21 kpl si- sälsi tuulenkaatoja niin paljon, että kohteen tuulenkaadot mitattiin ja tunnistettiin (kuva 15). 12 kohdekuviota sisälsi vähintään yhden puutavarapinon, jossa oli kuusta, mäntyä tai mahdollisesti jompaa kumpaa puulajia. Tuulenkaatokohteista kolme kohdetta oli sellaisia, joista löytyi tuulenkaatojen lisäksi vähintään yksi puu- tavarapino. Suhteellisina osuuksina aineisto sisälsi mitattavan määrän tuulenkaa- toja 19,1 %, välivarastoja 11,8 % ja 2,7 %:ssa tuulenkaatokohteista löytyivät mo- lemmat tutkitut asiat: tuulenkaatoja ja puutavarapino. Osa näistä kohteista oli kui- tenkin mitatulta kuutiomäärältään melko pieniä tai puulaji oli suurelta osin tai ko- konaan lehtipuuta.
KUVA 15. Kartalla näkyvät tuulenkaatoja sisältävät kohteet punaisella. (Maanmit- tauslaitoksen maastokarttasarja (rasteri) 11.11.2020 taustakarttana, kohteet Met- säkeskuksen aineisto)
Metsäkeskuksessa haluttiin arvioida kaatuneiden puiden merkittävyyttä metsätu- holain mukaisten määrien perusteella, eli 10 m3 hehtaarilla kuusipuuta ja 20 m3 hehtaarilla mäntypuuta (Laki metsätuhojen torjunnasta 20.12.1087/2013). Tä- män työn tuloksissa huomioitiin kuusipuu jo 7,5 m3 ja mänty 15 m3 määrillä sivulta 36 löytyvien perusteluiden mukaisesti. Lehtipuita ei ole huomioitu niissä tulok- sissa, joissa käsitellään metsätuholain mukaisia kuutiomääriä.
9.2. Kaatuneen puuston ja puutavaran määrät
Kuusen raja-arvo 10 m3 hehtaarille ylittyi tuulenkaatojen osalta neljällä kohteella ja lisäksi yksi kuvio on kuusen osalta lähellä raja-arvoa, 7,8 m3. Puutavarapinojen osalta yli 10 kuutiometrin kuusipuupinoja oli kuudella kohteella ja lisäksi tunnista- mattomia puupinoja oli seitsemällä kohteella. Tunnistamattomat pinot olivat tila- vuudeltaan arviolta 10–24 m3. Sellaisia kohteita ei ollut, joissa olisi ollut sekä suuri kuusen tuulenkaatojen määrä, että kuusen tai tunnistamattoman puulajin puuta- varapino.
Metsätuholain (1087/2013) mukainen raja-arvo männylle, 20 m3 hehtaarille, puo- lestaan ei ylittynyt selkeästi yhdelläkään inventoidulla tuulenkaatokohteella. Suu- rin männyn tuulenkaatojen tilavuus yksittäisellä kuviolla oli vain 7,7 m3. Tunnis- tettavia männyn puutavarapinoja oli vain kahdella kohteella, määrällisesti n. 11 m3 ja 13 m3. Kohteita, joissa havaittiin sekä männyn tuulenkaatoja, että mänty- puutavarapino, oli yksi. Siellä kaatuneen tai kaadetun puutavaran yhteenlaskettu tilavuus oli 17,3 m3. Mikäli mukaan lasketaan tunnistamattomat pinot olettaen nii- den olevan mäntyä, raja-arvon ylittäviä tai sitä lähellä olevia (15 m3 tai yli) kohteita on yhteensä 5 kpl.
Tutkitut kohteet olivat pinta-alaltaan keskenään erikokoisia siten, että kuvion kes- kikoko oli alle 2 ha. Kohteen pinta-ala vaikuttaa tuloksiin, koska metsätuholain raja-arvot on ilmoitettu hehtaaria kohden. Käytännössä kaikissa kohteissa, joissa tuulenkaatoja mitattiin, löytyi tuulenkaatoja rykelminä. Sellaisia kohteita ei ollut, jossa tuulenkaadot olisivat sijoittuneet hajanaisesti pinta-alaltaan suuren kuvion eri puolille. Tästä syystä voidaan olettaa, että kaikki kuutiometrimäärältään raja- arvot täyttävät kohteet ovat potentiaalisia riskikohteita.
Alkuperäiseen 110 kuvan inventointitulokseen suhteutettuna tulokset männyn ja kuusen osalta on esitetty taulukossa 4. Siitä nähdään, että männyllä tuulenkaa- tojen tai puutavarapinojen tilavuudet eivät olleet riski kaarnakuoriaisten leviämi- selle ja ainoastaan alle prosentilla kohteista männyn tuulenkaatojen ja puutava- rapinon yhteistilavuus nousi merkittäväksi suhteessa metsätuholain (1087/2013) määrittämiin raja-arvoihin. Mikäli tunnistamattomat puutavarapinot olisivat män- tyä, se nostaisi kaatuneen mäntypuutavaran määrän yli 15:een kuutiometriin 4,5
%:lla kohteista.
TAULUKKO 4. Tulokset männyn ja kuusen osalta suhteutettuna kokonaisinven- tointimäärään.
KOHTEET %
MÄNTY pelkät tuulenkaadot (15 m3 ylittävät*) 0,0
MÄNTY pelkät puutavarapinot (15 m3 ylittävät*) 0,0
MÄNTY tuulenkaato + puutavarapino (kun yhteismäärä ylittää 15 m3*) 0,9
KUUSI pelkät tuulenkaadot (7,5 m3 ylittävät*) 4,5
KUUSI pelkät puutavarapinot (7,5 m3 ylittävät*) 5,5
KUUSI tuulenkaato + puutavarapino (kun yhteismäärä ylittää 7,5 m3*) 0,0 EI TIETOA puutavarapinot, kun kohteella ei tunnistettavaa mänty- tai kuusi-
puutavaraa (pinojen koko 10–24 m3) 6,4
KOHTEET, joilla lehtipuutuulenkaatoja tai -puutavarapinoja 12,7 KOHTEET, joilta ei löytynyt tuulenkaatoja tai puutavarapinoja 70,0 KAIKKI INVENTOIDUT KUVAT (KOHTEET) KOKONAISMÄÄRÄ 110 KPL 100,00 (*75 % Metsätuholain (1087/2013) asettamasta raja-arvosta)
Kuusen osalta kaatunutta puutavaraa oli selkeästi enemmän. Metsätuholaissa määritelty määrä kuusen tuulenkaatoja, huomioiden laskelmissa käytetty 25 %:n varmuuskerroin, löytyi 4,5 prosentilta kohteista. Puutavarapinoja löytyi 5,5 % ja tunnistamattomia puutavarapinoja jopa 6,4 %. Sellaisia kohteita, joista olisi löyty- nyt sekä kuusen tuulenkaatoja, että tunnistettava kuusen puutavarapino ei sen sijaan löytynyt. Suhteessa kokonaisinventointimäärään kymmenen prosenttia kohteista oli siis sellaisia, joista löytyi metsätuholaissa huomioitava määrä kaatu- nutta kuusipuuta joko tuulenkaatoina tai puutavarapinoissa.
9.3. Tuulituhojen esiintymiseen vaikuttavat asiat
Kuviosta 1 käy ilmi, että mitatuista tuulenkaatopuista tilavuudeltaan 57,6 % oli kuusia, 21,5 % mäntyjä, 13 % koivuja, 7,7 % haapoja ja 0,3 % tunnistamattomia puita. Muita puulajeja ei ollut yhtään.
KUVIO 1. Suhteellinen kokonaistilavuus puulajeittain: tuulenkaadot
Puulajeista kuusi on riskialttein kaarnakuoriaistuhoille ja tästä syystä laki metsä- tuhojen torjunnasta asettaa velvoitteen korjata metsästä pois yli 10 m3 hehtaarilla ylittävät kaatuneet kuuset laissa annettuihin määräpäiviin mennessä (Laki met- sätuhojen torjunnasta 1087/2013). Tähän liittyen tärkeä havainto on kuusipuun määrä inventoiduissa puutavarapinoissa (kuvio 2). Suurin osa, 48 %, tunnistetta- vista puulajeista puutavarapinoissa oli kuusia. Toisaalta kuvaushetken aika ei ol- lut tiedossa kohteita inventoitaessa, joten ei tiedetä, olivatko puutavarapinot va- rastossa ns. luvallisesti vai oliko poiskuljetuksen määräpäivät jo ylittyneet.
KUVIO 2. Suhteellinen kokonaistilavuus puulajeittain: puutavarapinot
Puuston kehitysluokkaa aineistosta ei voida suoraan tulkita, mutta tuulenkaato- puiden läpimittatiedot antavat hyvän käsityksen metsiköiden rakenteesta ja kehi- tysasteesta (taulukko 5). Puuston pituus ei toimi luotettavana mittarina, koska mittauksissa oli paljon osittaisia rungon osia. Taulukon 5 puuston pituuden kes- kiarvo ei siis vastaa metsiköiden todellista keskipituutta. Keskiläpimitta oli mit- tauksissa hieman keskipituutta tarkempi tunnus, koska valtaosa puiden läpimi- toista mitattiin 1,3 metrin korkeudelta ja kuvan tarkkuus oli pääosin mittaukseen riittävä. Keskiläpimitta tuulenkaadoilla oli 19,94 cm ja se vastaa kehitysluokissa varttuneen kasvatusmetsän läpimittaa. Myös läpimitan mittauksissa oli kuitenkin epätarkkuutta puissa, joiden kohdalla kasvavan puuston latvukset peittivät oikean mittauskohdan eli rinnankorkeuden (1,3 m) sekä katkenneissa puun kappaleissa, joissa mittauskohta oli 1,3 m paksuimmasta päästä mitattuna.
TAULUKKO 5. Tuulenkaatojen pituus- ja läpimittatiedot
PITUUS m LÄPIMITTA cm
keskiarvo 12,53 keskiarvo 19,94
minimi 1,4 minimi 7,2
maksimi 31,5 maksimi 56,6
mediaani 12,1 mediaani 18,5
Tarkastelemalla tuulenkaatojen sijaintia ja kaatumissuuntaa suhteessa alkupe- räisen kohdekuvion sijaintiin voidaan selvittää todennäköinen tuulen suunta pui- den kaatumishetkellä. Liitteessä 2 on esitetty tuulenkaatojen sijainnin perusteella arvio tuulen suunnasta sekä kuvion tuulen vastaisen reunan mahdollisia metsän- hoitotoimenpiteitä metsänkäyttöilmoitusten perusteella.
Reilusti yli puolet kuvioista, joilta tuulenkaatoja havaittiin, näytti siltä, että puut olivat kaatuneet länsituulen vaikutuksesta. Toisin sanoen kaatuneet puut sijaitsi- vat pääsääntöisesti kuvion itäreunalla. Etelä- ja lounaistuuli näyttivät kaataneen puita yhteensä neljällä kuviolla ja pohjoistuuli yhdellä kuviolla. Suhteellisina osuuksina ilmaistuna länsituuli oli kaatanut puita 57 %:lla, etelä- ja lounaistuuli molemmat n. 10 %:lla ja pohjoistuuli 5 %:lla kuvioista (kuvio 3). Neljällä kuvioista (19 %) tuulenkaatojen sijoittuminen oli niin sattumanvaraista, ettei arviota tuulen suunnasta voitu tehdä.
