Luonnontieteiden ja metsätieteiden tiedekunta Faculty of Science and Forestry
GAMMASÄTEILYN MAASTOMITTAUS JA LEHTIALAINDEKSI PUIDEN KASVUMALLIN
PARANTAMISESSA Ossi Hämylä
METSÄTIETEEN PRO GRADU, ERIKOISTUMISALA METSÄNARVIOINTI JA METSÄSUUNNITTELU
JOENSUU 2020
TIIVISTELMÄ
Kasvun mallintamisella on tärkeä rooli hakkuiden, sekä muiden metsiin liittyvien toimenpiteiden ja investointien suunnittelussa. Se on myös käyttökelpoinen monissa sellaisissa sovelluksissa, joissa seurataan metsän rakenteen kehitystä. Suurille alueille yleistetyissä kasvumalleissa monet paikallisesti puiden kasvuun vaikuttavat piirteet jäävät huomioimatta, mikä aiheuttaa kasvuennusteisiin harhaa. Tämänkaltaista harhaa voidaan pienentää muun muassa lisäämällä malliin paikallisia olosuhteita edustavia parametreja.
Tämän tutkimuksen tarkoituksena oli parantaa puiden rinnankorkeusläpimitan kasvua estimoivaa epälineaarista sekamallia kannettavalla spektrometrilla tuotetuilla säteilyarvoilla sekä laserkeilausaineistosta johdetuilla lehtialaindeksiarvoilla. Näistä molemmilla on todettu olevan yhteys maaperän kosteuteen. Maaperän kosteudella taas on merkittävä vaikutus puiden menestymiseen ja se voi siten toimia yhtenä kasvua ennustavana parametrina.
Gammasäteilyarvot mitattiin kesällä 2019 Juupajoella kannettavalla spektrometrilla ympyräkoealoilta, joilta löytyy puuston mittaustietoa useamman vuoden ajalta. Samoille koealoille laskettiin myös lehtialaindeksit vuosien 2007 ja 2013 laserkeilausaineiston pohjalta.
Saatuja arvoja käytettiin mallinnuksen lisäparametrina ja näiden vaikutusta mallin tarkkuuteen arvioitiin.
Gammasäteilyllä tai lehtialaindeksillä ei tässä tutkimuksessa löytynyt läpimitan kasvuun tilastollisesti merkitsevää yhteyttä. Aiemmissa tutkimuksissa tällainen yhteys on kuitenkin pystytty havaitsemaan. Tässä tutkimuksessa aineisto kerättiin suhteellisen pieneltä alueelta, jolla olosuhteiden vaihtelu oli jokseenkin pientä. Aihe vaatii siis vielä lisätutkimuksia maantieteellisesti laajemmalla alueella, sekä puustoltaan ja kasvuolosuhteiltaan monipuolisemmalla aineistolla. Myös gammasäteilymittausten järjestelyihin tulisi tulevaisuudessa kiinnittää huomiota, jotta mahdollinen säätilan muutosten vaikutus saadaan minimoitua.
Avainsanat: Gammasäteily, lehtialaindeksi, kasvun mallintaminen, maaperän kosteus
ABSTRACT
Growth modeling has an important role in the planning of wood harvesting and other forestry operations and investments. It is also a useful tool in applications where development of forest structure is examined. In models generalized for large forest areas, not all local features affecting tree growth can be expressed. This leads to errors in growth estimates. One way to reduce these types of errors is to introduce new parameters that represent local growing conditions into the model.
The aim of this study was to improve a nonlinear mixed effect model for tree diameter increment at breast height using gamma ray measurements of a portable spectrometer as well as laser scanning-derived leaf area index. Both have been found to have a relationship with soil moisture. Soil moisture has a significant effect on tree vitality and therefore can be used as a growth estimating parameter.
Gamma radiation values were measured in the summer of 2019 in Juupajoki using a portable spectrometer. The values were collected from circular plots in which exists tree measurement data from several years. Leaf area indexes using laser scanning data from years 2007 and 2013 were also measured on said plots. Resulting values were used as additional parameters in modeling and their effect on the accuracy of the model was examined.
No statistically significant link to growth could be found from neither gamma radiation nor leaf area index in this study. However, in previous studies such relation has been identified. The data in this study was collected from relatively small area with diversity of growing stock and conditions relatively low. Therefore, this subject still requires further investigation with data collected from wider geographical range and with more diverse growth conditions.
Additionally, attention should be paid to the arrangements of gamma radiation measurements so that the potential effects of weather changes can be minimized.
Keywords: Gamma radiation, leaf area index, growth modelling, soil moisture
ALKUSANAT
Kiitokset Timo Tokolalle ja Ilkka Korpelalle gradun ohjaamisesta. Kiitän myös Lauri Korhosta avusta lehtialaindeksin laskemisessa, sekä Lauri Mehtätaloa avusta mallin rakentamisessa.
SISÄLLYS
1. JOHDANTO ... 6
1.1 Gammasäteily ... 7
1.2 Lehtialaindeksi ... 8
1.3 Kosteuden vaikutus kasvuun ... 9
2. AINEISTO JA MENETELMÄT ... 10
2.1 Puut ... 10
2.2 Laserkeilausaineisto ... 13
2.3 Gammasäteilymittaukset ... 13
2.4 Lehtialaindeksin laskeminen ... 16
2.5 Kasvumalli ... 18
3. TULOKSET ... 21
4. TULOSTEN TARKASTELU ... 23
5. KIRJALLISUUS ... 27
1. JOHDANTO
Puuston kasvun arvioiminen on keskeinen osa metsien inventointia, metsätalouden suunnittelua ja metsäntutkimusta. Metsätaloudessa kasvutietoa hyödynnetään, kun halutaan löytää paras mahdollinen ajankohta hakkuille, harvennuksille ja muille toimenpiteille, tai määriteltäessä metsän arvoa (Holopainen ym. 2010, Triviño ym. 2017). Eritysesti runkopuun kasvulla on metsätaloudellisesti merkittävä rooli, sillä rungon läpimitta osaltaan määrittää puun käytettävyyden jatkojalostuksessa (Mehtätalo 2002), mikä puolestaan määrittää sen taloudellisen arvon. Kasvutietojen avulla voidaan tämän lisäksi muun muassa tarkkailla metsien rakenteen kehitystä ja terveydentilaa (Pukkala ym. 2009, Hökkä ym. 2012, Pukkala ym. 2013, Heinonen ym. 2018).
Tässä tutkimuksessa puun rinnankorkeusläpimitan kasvun mallinnusta pyrittiin parantamaan huomioimalla maaperän kosteuden vaihtelu. Saatavilla olevan veden määrällä on oleellinen vaikutus puiden kasvuun (Kozlowski 1997, Chaves 2003, Possen ym. 2011, Wang 2016, Repo ym. 2017), minkä tekee sen mallintamisesta mahdollisen tavan parantaa kasvun mallintamisen tarkkuutta. Kosteusolosuhteita mallinnettiin maastossa maaperästä tehdyillä gammasäteilymittauksilla. Tämän lisäksi käytettiin myös laserkeilausaineistosta johdettua lehtialaindeksiä. Näillä molemmilla on todettu yhteys metsien kosteusolosuhteisiin (Hyvönen ym. 2003, Pohjankukka ym. 2014, Chen ym. 2015, Mattila & Tokola. 2019 Mohamedou 2019).
Kosteusolosuhteilla tulee olemaan merkittävä rooli metsien rakenteen kehityksessä tulevina vuosikymmeninä, sillä metsien kasvu ja ilmastonmuutos ovat vahvasti kytköksissä toisiinsa.
Ilmaston lämpenemisen vuoksi kuivuuden merkitys metsien kasvuun vaikuttavana tekijänä on todettu lisääntyneen jo viime vuosikymmeninä (Science daily 2019). Maailmanlaajuisesti kuivuusjaksojen määrän ja vakavuuden on todettu samoin lisääntyneen (Government of Canada 2020).
Ilmastonmuutos tulee vaikuttamaan metsäelinympäristöihin ja sitä kautta niiden kasvuun ja puulajisuhteisiin. Suomessa lisääntynyt lämpösumma ja pidempi kasvukausi on ennustettu lisäävän yleisesti metsien kasvua koko maan alueella. Toisaalta kuusten määrän on ennustettu vähenevän lisääntyvien kuivuusjaksojen vuoksi ja korvautuvan koivuilla erityisesti Etelä- Suomessa. Puiden kasvulla on myös osuutensa ilmastonmuutoksen hillinnässä, sillä puut
sitovat kasvaessaan itseensä ilmakehän hiilidioksidia. (Kellomäki ym. 2008, Kellomäki ym.
2018).
Metsien kasvua voidaan estimoida tilastollisella mallinnuksella käyttäen apuna metsässä mitattuja koealoja. Suurille alueille yleistetyt mallit eivät kuitenkaan kykene ottamaan huomioon kaikkia paikallisesti kasvuun vaikuttavia tekijöitä. Metsiä kuvaavia tunnuksia mallinnettaessa samankaltaisilla arvoilla on lisäksi taipumusta esiintyä spatiaalisesti lähellä toisiaan ja suurille alueille rakennettujen mallien harhaisuudessa esiintyy alueellista vaihtelua (Kangas & Korhonen 1995, Räty 2011). Tällaista vaihtelua voidaan vähentää esimerkiksi tuottamalla erillisiä malleja useammalle alueelle tai ottamalla muuten spatiaalinen naapurusto huomioon. Parannusta voidaan saada aikaan myös käyttämällä sellaista mallinnustapaa, joka huomioi satunnaisen vaihtelun (Kangas & Korhonen 1995). Mallin tarkkuutta voidaan lisäksi parantaa lisäämällä malliin parametrejä, jotka edustavat paikallista vaihtelua aiheuttavia tekijöitä (esim. Mohamedou 2019).
Gammasäteilyn ja lehtialaindeksin käytettävyyttä puiden läpimitan kasvun kalibroimisessa on aiemmin tutkinut Mohamedou (2019). Tässä todettiin, että sekä gammasäteilyllä että lehtialaindeksillä voidaan pienentää läpimitan kasvuennusteen harhaa männyllä ja lehtipuilla.
Mohamedoun (2019) tutkimuksessa gamma-arvot tuotettiin ilmasta käsin tehdyillä mittauksilla ja suhteellisen suurella resoluutiolla. Maastokäyttöisellä gammamittarilla pystytään tuottamaan mittaustietoa lähempänä maan pintaa, sekä kohdistamaan mittaustiedot paremmin yksittäisille koealoille. Kohdistetun mittaustiedon odotetaan edustavan paremmin paikallisia olosuhteita ja näin parantavan estimointitarkkuutta. Tämän lisäksi maastossa tehdyt mittaukset tarjoavat mahdollisuuden tarkastella säteilyarvojen vaihtelua koealojen sisällä.
1.1 Gammasäteily
Luonnossa esiintyvän gammasäteily on peräisin avaruudesta tulevasta kosmisesta säteilystä, sekä maaperässä ja ympäristössä olevista radioaktiivisista aineista. Ympäristössä esiintyviä säteilyn lähteitä ovat muun muassa kalium, torium ja uraani. (STUK 2019). Gammasäteily on suurienergistä ja kykenee läpäisemään monia eri aineita. Läpäisyn yhteydessä absorboituvan säteilyn määrä riippuu läpäistävän aineen koostumuksesta. (Kleppinger & Yates. 1987).
Koska maaperän koostumus vaihtelee, myös maaperästä pinnalle kulkeutuvan gammasäteilyn voimakkuus vaihtelee. Tätä voidaan käyttää hyväksi, kun halutaan saada tietoa maaperästä ja sen ominaisuuksista. Gammasäteilyä on esimerkiksi käytetty apuna maaperän Ph-arvon ja savimäärän ennustamisessa (Huang ym. 2014), maaston kulkukelpoisuuden arvioimisessa (Mattila & Tokola. 2019) ja arvioitaessa maaston sopivuutta männyn kasvatukselle (Hyvönen ym. 2003). Maaperän kosteus korreloi negatiivisesti maan pinnalle kulkeutuvan gammasäteilyn voimakkuuden kanssa (Hyvönen ym. 2003, Pohjankukka ym. 2014, Mattila & Tokola. 2019), joten gammasäteilyä mittaamalla voidaan saada tietoa maaperän kosteusolosuhteista.
1.2 Lehtialaindeksi
LAI, eli lehtialaindeksi tuottaa tietoa kasvien yhteyttävän osan, eli vihreän lehtialan määrästä.
Määritelmänä se tarkoittaa puolta lehtialan määrästä pinta-alaa kohden (Chen & Black 1992).
Lehtialaindeksin mittaamisen voi jakaa suoriin ja epäsuoriin menetelmiin. Suorat menetelmät ovat yleensä työläitä ja tuhoavia menetelmiä, joissa lehtiala mitataan suoraan lehdistä.
Epäsuorissa menetelmissä lehtialaindeksi taas voidaan approksimoida esimerkiksi valokuvien tai laserkeilausaineiston pohjalta. Ne ovat suoriin menetelmiin verrattuna vähemmän työläitä, mutta sisältävät myös monenlaisia haasteita. Näitä ovat esimerkiksi lehtien ja puisten osien erottaminen toisistaan, lehtien epätasaisen jakautumisen sekä lehtien vaihtelevien kulmien ottaminen huomioon. (Yan ym. 2019).
Laserkeilausaineistosta johdettu lehtialaindeksi voidaan mallintaa selittämällä maastossa mitattuja lehtialaindeksiarvoja pistepilvestä lasketulla latvuspeittävyysindeksillä (Korhonen ym. 2011). Latvuspeittävyyttä voidaan esittää usealla eri tavalla: Sitä voidaan mitata vertikaalisena peittävyytenä (Vertical Canopy Cover tai VCC), jolloin mitataan latvusten maanpintaa peittävän alan suhteellista osuutta. Toinen tapa on mitata latvuspeittävyys sen perusteella, kuinka suuri osa taivaasta on kasvillisuuden peitossa yhdestä pisteestä katsottuna (Angular Canopy Closure tai ACC). Tällöin peittävyyttä on tarkasteltava useasta kuvakulmasta käyttäen esimerkiksi ’kalansilmäkuvia’ (esim. Korhonen ym. 2011). VCC edustaa pääosin vallitsevan latvusjakson aiheuttamaa peittävyyttä, kun taas ACC huomioi myös vallitsevan kerroksen alle jäävän kasvillisuuden. Siksi ACC myös edustaa paremmin metsän sisäisiä valo- olosuhteita. (Jennings ym. 1999).
Lentolaserkeilauksessa pistepilvi tuotetaan ylhäältä päin ja useimmiten suhteellisen kapealla keilauskulmalla, joten se soveltuu paremmin VCC:n kuin ACC:n mittaamiseen. Latvuksen sisäistä aukkoisuutta voidaan kuitenkin mallintaa myös laserkeilausaineiston avulla. Tällainen peittävyysindeksi soveltuu hyvin LAI:n mallintamiseen. (Korhonen ym. 2011).
Lehti on puiden yhteyttävä osa, joten lehtialalla on luonnollinen yhteys puiden kasvuun ja elinvoimaisuuteen. Lehtialan yhteys puiden kasvuun ei kuitenkaan ole täysin yksiselitteinen.
Valo-olosuhteet vaikuttavat siihen, kuinka tehokkaasti puu kykenee hyödyntämään lehtialaansa. Lehtien pinnalle saapuvan valon määrään vaikuttaa yksittäisen puun tasolla latvuksen koko ja sen suhde lehtialaan. Puun omat oksat ja lehdet varjostavat toisiaan, minkä vuoksi saapuvan valon määrä ei ole kaikille lehdille vakio. Metsikkötasolla valon määrään vaikuttaa myös naapuripuiden aiheuttama varjostus. (Duursma & Mäkelä. 2007, Gspaltl ym.
2013). Metsien suurimmat puut pystyvät hyödyntämään lehtialaansa pienempiä puita paremmin johtuen vähäisemmästä latvustenvälisestä kilpailusta (Gspaltl ym. 2013).
Bioottiset tekijät, kuten puiden koko vaikuttaa metsien lehtialaindeksiin, mutta myös abioottisilla tekijöillä, kuten maaperän kosteudella, maanpinnan korkeudella, sekä lämpöolosuhteilla on siihen vaikutus (Liu ym. 2018). Puut vaikuttavat haihdunnan välityksellä maaperän vesitalouteen ja tätä kautta LAI:lla ja kosteudella on yhteys toisiinsa (Chen ym. 2015, Naithani ym. 2013). Suuressa mittakaavassa lehtialaindeksiä on pystytty käyttämään maaperän ravinteisuuden ja kosteuden mallintamiseen (Coops ym. 2012). Kosteuden ja LAI:n vuorovaikutuksella on kuitenkin myös puulajikohtaista vaihtelua (Naithani ym. 2013).
1.3 Kosteuden vaikutus kasvuun
Kosteusolosuhteilla on suuri merkitys puiden hyvinvointiin. Liiallisella kosteudella tai kuivuudella on molemmilla negatiivinen vaikutus puiden kasvuun. Kasvun kannalta optimaaliset olosuhteet vaihtelevat kasvatettavan puulajin mukaan. (Kozlowski 1997, Chaves 2003, Hynynen ym. 2010, Possen ym. 2011, Wang 2016, Repo ym. 2017).
Kuusi, hieskoivu ja haapa suosivat kosteampia kasvuolosuhteita kuin mänty ja rauduskoivu (Sutinen ym. 2002). Rauduskoivu kuitenkin menestyy parhaiten kosteilla mailla silloin kun maaperän vesimäärä pysyy sen sietokyvyn rajoissa (Possen ym. 2011). Koivuista hieskoivu kykenee menestymään rauduskoivua vaihtelevammissa olosuhteissa (Hynynen ym. 2010). Sillä
on myös rauduskoivua parempi kyky sopeutua tulvimiseen (Wang 2016).
Puilla on monia lajista riippuvia tapoja reagoida liialliseen veden määrään, joista yksi yleinen on juurten kuoleminen ja juuriston kasvun väheneminen (Kozlowski 1997). Liian suuren vesimäärän on todettu vähentävän juuriston biomassaa muun muassa kuusella, rauduskoivulla ja hieskoivulla (Possen ym. 2011, Wang 2016), männyllä (Repo ym. 2017), sekä haavalla (Possen ym. 2011).
Kasvit reagoivat kuivuuteen vähentämällä haihduntaa. Tämä tapahtuu sulkemalla ilmarakoja sekä pienentämällä lehtialaa. Samalla juurten kasvu suhteessa versojen kasvuun lisääntyy.
(Chaves 2003). Sekä männyllä että kuusella kasvu vähenee kuivuuden yhteydessä, mutta kuivuus vaikuttaa männyn kasvuun pidemmällä aikavälillä kuin kuusella (Zang ym. 2012).
Puulajikohtainen vaihtelu reagoimisessa kuiviin olosuhteisiin näkyy myös vertailtaessa rauduskoivua ja haapaa. Kuivissa olosuhteissa haapa tuottaa rauduskoivua enemmän runkopuuta ja juuristoa, kun taas rauduskoivu tuottaa haapaa enemmän lehtiä ja versoja.
Molemmissa kuivuus kuitenkin yleisesti vähentää kasvua. (Possen ym. 2011).
Mohamedou 2019 osoitti, että edustamalla maaperän kosteutta gammasäteilyarvoilla ja LAI:lla kasvuennusteen harhaa voidaan pienentää. Kyseisessä tutkimuksessa gammasäteily paransi ennustetta lehtipuilla ja männyillä, joista paras tulos saatiin lehtipuille. Myös LAI:lla todettiin olevan pieni vaikutus harhan pienentämisessä. (Mohamedou 2019)
2. AINEISTO JA MENETELMÄT
2.1 Puut
Tutkimusalue sijaitsee itäisellä Pirkanmaalla Juupajoen Hyytiälässä. Koepuut olivat noin 56 hehtaarin alueella viidelläkymmenellä yhdeksällä 11,28 metrin säteisellä ympyräkoealalla.
Koealat ovat pysyviä koealoja, joiden puista on tuotettu mittaustietoa kuuden vuoden välein metsätieteiden opiskelijoiden toimesta. Puut ovat yksilöllisesti numeroituja, joten niiden kehitystä on mahdollista seurata useamman vuoden ajalta.
Työn aloittamisajankohtana, kesällä 2019, koealojen puista merkittävä osa oli kaatunut metsätuhojen seurauksena, joten aineistosta käytettiin vuoden 2007 ja 2013 mittauksia.
Kasvutieto tuotettiin näiden kahden vuoden rinnankorkeusläpimittojen erotuksena. Malliin tuodut puutason tunnukset tuotettiin mallin alkutilanteesta eli vuoden 2007 mittauksista.
Kaksi koealoista jätettiin pois mallista. Ensimmäinen oli työn aloittamisajankohtana lähes puuttomalla alueella, mikä erosi selkeästi muista alueen koealoista. Toinen sijaitsi kuviolla, jolle oli tehty päätehakkuu vuosien 2007 ja 2013 välillä. Koealojen kasvupaikkatyypit (Cajander 1925) ovat pääosin mustikkatyyppiä ja puolukkatyyppiä. Koealoista yksi oli OMT tyyppiä, 44 oli MT tyyppiä ja 12 VT tyyppiä.
Koealojen puista otettiin malliin elävät puut, joista oli olemassa mittaustietoa vuosilta 2007 ja 2013. Kuolleet, kaatuneet ja katkenneet puut jätettiin pois laskennasta. Myös sellaiset puut, joiden mitattu läpimitta vuonna 2013 oli pienempi kuin vuonna 2007 jätettiin pois.
Mallintamista varten jäljelle jäi 800 mäntyä, 1264 kuusta ja 469 lehtipuuta. Alkutilanteessa männyt olivat rinnankorkeusläpimitaltaan keskimäärin varttuneen kasvatusmetsikön kokoluokkaa, eli noin 16,8 cm. Lehtipuut ja kuuset olivat vuonna 2007 keskimäärin nuoren kasvatusmetsikön kokoluokkaa. (Taulukko 1)
Taulukko 1. Koepuuaineiston läpimittojen jakaumat vuonna 2007, cm Mänty Kuusi Lehtipuu
n 800 1264 469
keskiarvo 16.79413 13.32397 12.22217 keskihajonta 5.894728 6.374926 6.015807
minimi 4.9 4.1 2.9
maksimi 42 38.5 42
Puuston koolla ja jakautumisella oli puulajikohtaisia eroja. Männyn läpimitat olivat melko normaalisesti jakautuneita eri läpimittaluokkiin. Kuusilla ja lehtipuilla pieniläpimittaisempia puita oli suhteellisesti enemmän. (Kuva 1). Runkotilavuuden suhteen männyn ja kuusen osuudet kokonaistilavuudesta olivat melko samanlaisia. Lehtipuiden osuus tilavuudesta oli selkeästi pienin. (Kuva 2)
Kuva 1. Koepuiden jakautuminen eri läpimittaluokkiin.
Kuva 2. Koepuiden yhteenlasketut runkotilavuudet eri puulajeilla
2.2 Laserkeilausaineisto
LAI:n laskemista varten käytettiin laserkeilausaineistoja vuosilta 2007 ja 2013. Vuoden 2007 aineisto oli tuotettu heinäkuun alussa Leica ALS50 laserkeilaimella 800 metrin lentokorkeudelta. Keilauskulma oli tällä ±15° ja pulssitiheys 6 pulssia/m2. Vuoden 2013 aineisto oli keilattu kesäkuun puolivälissä Leica ALS60-keilaimella. Se koostui kahdella eri lentokorkeudella tehdystä keilauksesta. Ensimmäinen keilaus oli tehty 700 metrin korkeudelta pulssitiheydellä 10/ m2. Toinen oli keilattu 2 km korkeudelta pulssitiheydellä 5/ m2. Lopullinen tiheys tälle aineistolle oli siis 15 pulssia/ m2. Myös näissä keilauskulmat olivat ±15°.
2.3 Gammasäteilymittaukset
Koealojen gamma-arvot tuotettiin kannettavalla GEORADIS GT40 spektrometrillä (Kanavien määrä 1024 ja resoluutio 20 nanosekuntia). Säteilyarvot jakautuivat tässä kolmeen eri säteilyn raja-arvoilla muodostettuun luokkaan säteilyn alkuperän mukaan. Nämä olivat Kalium (γK), Torium (γTh) ja Uraani (γU). Mittalaite vastaanottaa spektrin ja luokittelee sen algoritmien avulla automaattisesti eri alkuaineille vertailemalla spektrin muotoa sisäiseen muistiin tallennettuihin malleihin.
Jokaisesta koealasta otettiin neljä mittausta ympyrän säteen puolivälistä, eli 5,64 metrin päästä koealan keskipisteestä kohti pääilmansuuntia. Jos mitattavassa pisteessä oli muusta koealasta selkeästi eroava kohta kuten tie tai kivi, mittauskohtaa tilanteen mukaan joko siirrettiin tai jätettiin mittaamatta. Spektrometrin annettiin kerätä dataa jokaisesta pisteestä viiden minuutin ajan. Mallin parametreiksi otettiin näistä koealakohtaiset keskiarvot. Mittaukset tehtiin aikaväleillä 15-20.07.2019 ja 22-24.7.2019. Säätila oli pääosin tasainen, mutta myös sateita esiintyi mittausajanjaksolla.
Mittauksissa löytyi säteilyarvoja melko laajalta alueelta, mutta keskimäärin vaihtelu oli suhteellisen pientä kaikilla ikkunoilla (taulukko 2). Mittaustulosten keskiarvoistaminen entisestään vähensi tätä vaihtelua (kuva 3). Vertailtaessa koealan sisäistä vaihtelua ja koealojen keskiarvoja keskenään ilmenee, että keskihajonta koealan sisällä on suhteellisen lähellä koealojen välistä keskihajontaa (Taulukot 3 ja 4).
Taulukko 2. Gammasäteilyarvojen jakaumat alkuperäisessä aineistossa.
K % Th, ppm U, ppm
Keskiarvo 0.95 6.97 9.12
Keskihajonta 0.52 2.89 2.33
Minimi 0 0 2.54
Maksimi 3.27 21.25 16.88
Taulukko 3. Gammasäteilyarvojen koealakohtaisten keskiarvojen jakaumat.
K % Th, ppm U, ppm
Keskiarvo 0.96 6.97 9.12
Keskihajonta 0.39 2.18 1.86
Minimi 0 0.65 2.99
Maksimi 1.77 12.15 12.11
Taulukko 4. Koealojen sisäisten keskihajontojen jakaumat.
K % Th, ppm U, ppm
Keskiarvo 0.32 1.77 1.38
Keskihajonta 0.22 1.30 0.85
Minimi 0 0.19 0.23
Maksimi 1.08 7.70 4.06
Kuva 3. Laatikko ja viikset- kuvio gammasäteilyarvojen jakautumisesta eri ikkunoilla.
Vertailtavana alkuperäinen aineisto ja koealoille keskiarvoistettu aineisto.
2.4 Lehtialaindeksin laskeminen
Laserkeilausaineistosta arvioitua latvuspeittävyyttä pystytään käyttämään regressioanalyysissä lehtialaindeksin selittäjänä, kun käytetään referenssiaineistona maastossa mitattuja LAI-arvoja (Korhonen ym. 2010). Tässä työssä käytettiin laserkeilausaineistoja vuosilta 2007 ja 2013.
Vuoden 2007 aineiston LAI:t laskettiin Korhonen ym. 2010 tekemällä mallilla. Vuoden 2013 aineistolle ei ollut olemassa valmista mallia, joten tälle malli tehtiin regressioanalyysillä vuonna 2011 mitattujen LAI-koealojen pohjalta.
Molempien laserkeilausaineistojen Z-arvot normalisoitiin vuonna 2010 tuotetun maanpintamallin avulla ja leikattiin koealojen alueelle. Laserkaiut jaoteltiin yksittäisiin, ensimmäisiin ja viimeisiin kaikuihin. Näistä jaoteltiin vielä erikseen maakaiut. Maakaiuiksi luokiteltiin kaikki alle 1,3 metrin korkeudella olleet kaiut.
Peittävyysindeksinä LAI:n estimoimiseen käytettiin Solberg ym. 2009 esittämää indeksiä SCI (kaava 1). Tämä on osoitettu toimivan hyvin lehtialaindeksin selittäjänä (Korhonen ym. 2010, Solberg ym. 2009).
Kaava 1.SCI- peittävyysindeksin laskeminen
𝑆𝐶𝐼 = 1 −
∑ 𝑆𝑖𝑛𝑔𝑙𝑒𝑔𝑟𝑜𝑢𝑛𝑑+0.5(∑ 𝐹𝑖𝑟𝑠𝑡𝑔𝑟𝑜𝑢𝑛𝑑+∑ 𝐿𝑎𝑠𝑡𝑔𝑟𝑜𝑢𝑛𝑑)∑ 𝑆𝑖𝑛𝑔𝑙𝑒𝑎𝑙𝑙+0.5(∑ 𝐹𝑖𝑟𝑠𝑡𝑎𝑙𝑙+∑ 𝐿𝑎𝑠𝑡𝑎𝑙𝑙)
2013 LAI-mallin laskemiseen käytettiin kahdeksaakymmentä vuonna 2011 mitattua LAI- koealaa. Laserkeilausaineisto leikattiin jokaisen LAI-koealan keskipisteestä kahdenkymmenen metrin säteeltä ja näistä niille laskettiin SCI:t. Peittävyysindeksiä käytettiin sitten LAI:n estimoimiseen lineaarisessa regressiomallissa, jossa leikkauspiste kulkee origon kautta. Tämä tehtiin kaavan 2 mukaisesti. Tätä mallia voitiin tämän jälkeen soveltaa puustokoealoille.
Kaava 2. Vuoden 2013 lehtialaindeksin laskemiseen käytetyn regressiomallin kaava.
𝐿𝐴𝐼 = 𝛽(ln(1 − 𝑆𝐶𝐼))
Kun lehtialaindeksi lasketaan kuvilta latvuksen aukkoisuuden perusteella, tulee puiden lehtipinta-alan lisäksi laskettua myös oksien aiheuttama varjostus. Lehtipinta-alan jakautuminen myös vaihtelee eri puulajeilla. (Stenberg 1996). Todenmukaisemman lehtialaindeksin saamiseksi koealojen puulajijakauma on siis syytä ottaa huomioon. Tämä tehtiin Korhonen ym. 2017 käyttämällä kaavalla, jossa effektiivinen LAI (LAIe) muutettiin todelliseksi LAI:ksi ottamalla huomioon havupuiden osuus puuston hehtaarikohtaisesta tilavuudesta (C) (kaava 3).
Kaava 3. Effektiivisen lehtialaindeksin muuttaminen todenmukaisemmaksi LAI:ksi.
𝐿𝐴𝐼 = (𝐿𝐴𝐼𝑒/0.56)𝐶 + 𝐿𝐴𝐼𝑒(1 − 𝐶)
Vuosille 2007 ja 2013 lasketut lehtialaindeksit olivat keskiarvoltaan samaa luokkaa (taulukko 5). Vuoden 2013 lehtialaindeksit ovat kuitenkin keskimäärin hieman suurempia ja näissä esiintyy myös suurempaa vaihtelua verrattuna 2007 arvoihin (taulukko 5 ja kuva 4).
Taulukko 5. Lopullisten lehtialaindeksien jakautuminen koealoilla.
LAI 2007 LAI 2013 Keskiarvo 2.220398 2.260137 keskihajonta 0.6487 0.884415 minimi 1.009326 0.031389 maksimi 3.449941 3.922508
Kuva 4. 2007 ja 2013 lehtialaindeksien jakautumisen vertailu laatikko ja viikset- kuviolla.
2.5 Kasvumalli
Kuuden vuoden kasvu estimoitiin käyttämällä epälineaarista sekamallia (Pinheiro & Bates 2000). Mallina käytettiin Pukkala ym. (2013) käyttämää mallia.
Epälineaariseen sekamalliin voidaan sisällyttää sekä kiinteitä että satunnaisia muuttujia.
Kiinteät muuttujat toimivat selittäjänä kaikille mallin parametreille. Satunnaiset muuttujat taas mallintavat vaihtelua aineiston sisäisten populaatioiden välillä. Tässä työssä käytetyissä malleissa koealaa käytettiin satunnaismuuttujana. Näin maleissa pystyttiin ottamaan huomioon koealojen sellaiset ominaisuudet, joita kiinteillä parametreilla ei kyetty huomioimaan.
Kasvu mallinnettiin männyille, kuusille ja lehtipuille erillisillä malleilla. Mallin muoto oli samanlainen männyllä ja kuusella. Lehtipuiden malliin lisättiin dummy-muuttujat, jotka kertovat, onko puulajina hieskoivu, haapa vai muu lehtipuu. Parannettuihin malleihin lisättiin parametreiksi gamma-arvot γK, γTh ja γU, sekä lehtialaindeksit vuosilta 2007 ja 2013.
Kaavojen parametrit on selitetty taulukossa 6. Tarkempi kuvaus kaavoista löytyy Pukkala ym.
(2013) artikkelista.
Taulukko 6. Kasvumalliin käytetyt puu- ja koealatason parametrit, sekä niiden selitykset.
Varsinaisessa mallissa käytettiin myös näiden muunnoksia.
Parametri Selite
dij rinnankorkeusläpimitta (cm)
OMTj OMT-kasvupaikkaa merkitsevä dummy-
muuttuja
VTj VT-kasvupaikkaa merkitsevä dummy-
muuttuja
G Koealan pohjapinta-ala m2/ha
BALpij Suurempien mäntyjen pohjapinta-ala
BALsij Suurempien kuusien pohjapinta-ala
BALhij Suurempien lehtipuiden pohjapinta-ala
SD Läpimittojen keskihajonta
Mallien selittäjistä otettiin mukaan tilastollisesti kaikista merkitsevimmät. Alkuperäisessä aineistossa esiintyi kasvuissa muutamia poikkeavia havaintoja, joiden poistaminen paransi mallinnuksen tarkkuutta huomattavasti (kuva 5).
Kuva 5. Pistekaavio kuuden vuoden kasvuista tarkasteltuna alkuperäisen läpimitan mukaan.
Mallista poistetut poikkeavat havainnot on merkitty punaisella.
3. TULOKSET
Lisäparametreilla pystyttiin parantamaan mallin tarkkuutta männyllä ja kuusella. Lehtipuiden osalta sekä gamma- että LAI- arvoilla oli hyvin heikko merkitsevyys.
Männyllä lisäparametrit eivät olleet tilastollisesti merkitseviä, mutta kuitenkin P-arvoltaan suhteellisen matalia. Männyn mallissa parhaat merkitsevyydet olivat gammasäteilyn Kalium- ja Torium-ikkunoilla. Lehtialaindekseistä paras merkitsevyys oli vuoden 2013 aineiston LAI:lla. Vuoden 2007 LAI:lla merkitsevyys oli huomattavasti pienempi, eikä sitä otettu mukaan lopulliseen malliin. LAI- ja gamma-arvot saivat suhteellisen pienet P-arvot, kun niitä käytettiin erillisissä malleissa. Jos sekä gammaa että LAI:ta käytettiin samassa mallissa, niillä oli P-arvojen suhteen toisiaan heikentävä vaikutus. (Taulukko 7)
Taulukko 7. Männyn kasvumallien kertoimet, keskivirheet ja p-arvot eri parametreilla.
Kuusen mallissa saatiin ainoa tilastollisesti merkitsevä vaikutus gammasäteilyn Kalium- ikkunalla. Korrelaatio oli tällä kuusen kasvun suhteen positiivinen. Tämä viittaa siihen, että alueen kuusille ylimääräinen kosteus toimii kasvua rajoittavana tekijänä. (Taulukko 8)
Muilla säteilyikkunoilla ei löytynyt merkitsevää yhteyttä kuusen kasvuun, joten on mahdollista, että kaliumin vaikutus on muusta kuin kosteudesta johtuvaa.
Alkuperäinen Gammoilla 2013 LAI:lla
kerroin keskivirhe p-arvo Kerroin Keskivirhe p-arvo Kerroin Keskivirhe p-arvo intercept -0.82857 0.744666 0.2662 -1.19352 0.789758 0.1312 -1.16358 0.768814 0.1306
√d 1.725908 0.323709 0 1.722041 0.324856 0 1.735858 0.325772 0
d -0.17474 0.035848 0 -0.18331 0.036155 0 -0.18597 0.036338 0
BALp/(√(d-1)) -0.03596 0.018633 0.054 -0.05097 0.017435 0.0036 -0.05226 0.017383 0.0027 sd_d_cm -0.07018 0.024854 0.0049
LAI 2013 0.045202 0.029628 0.1275
γK -0.166 0.11355 0.1442
γTh 0.039729 0.025961 0.1264
Taulukko 8. Kuusen kasvumallien kertoimet, keskivirheet ja p-arvot eri parametreilla.
Lisäparametrien vaikutus kuusen ja männyn malleihin oli molemmilla positiivinen. Niillä pystyttiin pienentämään sekä RMSE:tä että harhaa. Vaikutus oli kuitenkin hyvin pientä. Sekä kuusella että männyllä malli tarkentui millimetrin murto-osien verran. Kuusella vaikutus oli hieman suurempi kuin männyllä. (Taulukko 9)
Taulukko 9. RMSE:t ja harhat männyllä ja kuusella alkuperäisillä ja parannelluilla malleilla.
Mänty Kuusi
Alkuperäinen gammalla LAI:lla Alkuperäinen gammalla RMSE,
mm 7.496057 7.492873 7.495351 8.060995 8.050305
RMSE% 0.4649535 0.464756 0.4649096 0.5524888 0.5517561 BIAS, mm -0.1334048 -0.13857 -0.1370716 -0.1981501 -0.1844808 BIAS% -0.008274618 -0.0086 -0.008502058 -0.01358092 -0.01264405
Lopuksi tilastollisesti merkittävien lisäparametrien laatua kasvumallin selittäjänä tarkasteltiin lineaarisen sekamallin avulla. Siten pyrittiin selvittämään, onko näillä todellista vaikutusta kasvumallin harhan parantamisessa. Gamma- ja LAI- lisäparametreja käytettiin alkuperäisen mallin harhan selittäjinä ja näiden tilastollista yhteyttä tarkasteltiin.
Tuloksena oli, että lisäparametreilla ja mallin harhalla ei ole lainkaan tilastollisesti merkitsevää yhteyttä. Tämän perusteella gamman ja LAI:n käytettävyyttä kasvumallin parantamisessa ei voi tämän tutkimuksen perusteella todentaa.
Alkuperäinen Gammoilla
kerroin keskivirhe p-arvo kerroin keskivirhe p-arvo
intercept 3.684419 0.604884 0 2.809455 0.655342 0
√d 0.160327 0.033863 0 0.487409 0.154117 0.0016
d -0.0418 0.020098 0.0377
ln(G) -0.40583 0.195897 0.0385 -0.39453 0.187318 0.0354 BALs/(√(d-1)) -0.08194 0.013547 0 -0.08183 0.013876 0
γK 0.253298 0.110675 0.0223
4. TULOSTEN TARKASTELU
Gammasäteilyn ja lehtialaindeksin yhteyttä ei voida tämän tutkimuksen perusteella todentaa.
Aikaisemmissa tutkimuksissa on kuitenkin näiden molempien hyödyllisyydestä löytynyt näyttöä (Härkönen ym. 2013, Mohamedou 2019), ja jonkinlaisia viitteitä kasvun ja mallinnettujen lisäparametrien yhteydestä voitiin löytää myös tässä tutkimuksessa.
Heikkoa tulosta saattaa selittää aineiston liiallinen samankaltaisuus kasvuolosuhteiden osalta.
Koealat sijoittuivat suhteellisen pienelle alueelle, joten kovin suurta paikallisten olosuhteiden vaihtelua ei voinut syntyä. Gammasäteilyarvojen heikko vaihtelevuus viittaisi myös siihen, että alue oli kosteusolosuhteiltaan suhteellisen homogeenista. Mittausten aikavälin sijoittuminen usealle päivälle saattoi myös mahdollistaa säätilan muutosten, kuten sateiden ja lämpötilan vaihtelun vaikuttaa maaperän kosteuteen ja siten vähentää mittaustulosten johdonmukaisuutta.
Koska työssä käytetty malli oli tarkoitettu yleistettäväksi suurille metsäalueille, monet yksittäisiin puihin koealan sisällä vaikuttavat tekijät jäävät luonnollisesti huomioimatta. Ainoita puutason tunnuksia tässä mallinnuksessa olivat puulajista sekä rinnankorkeusläpimitoista johdetut tunnukset.
Mallinnettaessa metsiä yksittäisen puun tasolla kuvion sisäisten olosuhteiden vaihtelun sekä puiden latvus- ja kilpailuaseman merkitys korostuu (Bugmann 2001). Tässä työssä yksittäisen puun kilpailuasema mallinnettiin puun pohjapinta-alan suhteena koealan pohjapinta-alaan kokonaisuudessaan, sekä suurempien puiden puulajikohtaisten pohjapinta-alojen summaan.
Oletuksena siis oli, että kilpailuolosuhteet ovat yhdenmukaisia koko koealan alueella.
Yksittäisen puun kilpailuasema voi kuitenkin vaihdella sen mukaan, miten se sijoittuu koealalle sillä esimerkiksi suurempien puiden aiheuttama varjostus tai juuriston kilpailuvaikutus ei välttämättä ole koealan alueella tasaista. Tämä aiheuttaa mallinnukseen harhaa erityisesti pienemmillä puilla. (Bugmann 2001).
Huolimatta edellä mainituista syistä koko koealan kattavista kilpailuominaisuuksista löytyi mallinnukseen tilastollisesti merkittäviä parametreja. Kilpailuaseman vaihtelevuudella saattoi kuitenkin olla vaikutusta tässä työssä tarkasteltavien parametrien, eli gammasäteilyn ja lehtialaindeksin merkitsevyyteen mallinnuksessa. Sekä gammasäteily- että lehtialaindeksiarvoja käsiteltiin ainoastaan koealatasolla. Maaperän kosteus ja lehtiala ei kuitenkaan vaikuta kaikkiin puuyksilöihin yhdenmukaisesti.
Kilpailu valosta vaikuttaa lehtialaindeksin ja kasvun väliseen yhteyteen: Varjostusvaikutusten vuoksi vallitsevan jakson puut pystyvät hyödyntämään lehtialaansa pieniä puita paremmin (Gspaltl ym. 2013). Tämän lisäksi puiden keskinäisten vuorovaikutusten vaikutus valo- olosuhteisiin tekee tarkasta puukohtaisesta mallinnuksesta monimutkaista. Myös koealaa laajemmalla tasolla ympäröivät olosuhteet voivat tehdä valo-olosuhteista epäsymmetrisiä.
(Bugmann 2001). Kilpailuasemalla on todettu olevan myös yhteys siihen, miten puut reagoivat muuttuviin kosteusolosuhteisiin (Linares ym. 2010, Primicia ym. 2015). Kilpailuasemaltaan heikommat puut on esimerkiksi todettu reagoivan kuivuuteen herkemmin kuin vahvoilla olevat puut (Linares ym. 2010).
Kosteuden mallintaminen koealatasoisilla parametreillä ei välttämättä ole tarkkuudeltaan tarpeeksi suurta, jotta yksin niillä voitaisiin mallintaa kasvua puutasolla. Maaperän kosteusolosuhteilla voi tapahtua paljon pienipiirteistä vaihtelua, mikä vaikuttaa voimakkaasti puiden kasvuun yksilötasolla. (Rabbel ym. 2018). Esimerkiksi maanpinnan muodot voivat aiheuttaa vaihtelua maaperän vesimäärässä ja sitä kautta puiden kasvussa pienelläkin alueella (Wei ym. 2018). Pienipiirteisten muutosten vaikutus pystyttiin myös havaitsemaan empiirisesti gammasäteilymittausten yhteydessä.
Metsien yleiset ominaisuudet, sekä puulaji vaikuttavat siihen miten siellä olevat puut reagoivat kuivuuteen (Lévesque ym. 2014, Jiang ym. 2016, Ashiq & Anand 2016, Zhang ym. 2018).
Yleisesti ottaen kuivat metsäalueet reagoivat kosteus- ja ilmasto-olosuhteisiin herkemmin kuin kosteat alueet (Lévesque ym. 2014, Ashiq & Anand 2016, Zhang ym. 2018). Suurin osa koealoista sijaitsi tuoreella kankaalla, jossa maaperän kosteuden vaihtelu ei välttämättä ole merkittävä kasvuun vaikuttava maaperän ominaisuus.
On myös mahdollista, että maaperän kosteusolosuhteet mitattuna yhtenä ajankohtana eivät ole yhtä merkittäviä puun kasvun vaihtelun kannalta kuin paikallisesti vaihtelevat sääolosuhteet.
Sään vaihteluiden vaikutus puun kasvuun voi kestää useamman vuoden ajan ja saattaa olla merkittävämpi kasvun vaihtelua selittävä tekijä kuin maaperän luontaiset kosteusolosuhteet (Lévesque ym. 2014).
Se miten puu reagoi kasvullaan ympäröivien olosuhteiden muutoksiin riippuu puulajista (Lévesque ym. 2014, Jiang ym. 2016). Reaktioissa esiintyy kuitenkin vaihtelua myös saman puulajin populaatioiden välillä (Lévesque ym. 2014, Jiang ym. 2016, Ashiq & Anand 2016).
Lisäksi puun iällä ja koolla on vaikutusta, miten ja kuinka voimakkaasti se reagoi olosuhteisiinsa (Zang ym. 2012, Zhang ym. 2018). Tämä saattaa osaltaan selittää kosteutta edustavien parametrien heikkoa merkitsevyyttä. Monessa metsän mallintamismenetelmässä
nuorten puiden ja lehtipuiden kasvun ennustamisen tarkkuus on muita puita heikompaa (Härkönen 2012). Läpimittojen painottuminen pieniin puihin lehtipuilla ja kuusilla saattaa siis olla myös osasyynä heikkoon tulokseen.
Tämä aihe vaatii vielä lisätutkimuksia maantieteellisesti laajemmalla aineistolla, sekä puustorakenteeltaan monipuolisemmilla koealoilla. Erityisesti kuivat kasvupaikat, joilla maaperän kosteuden merkitys kasvuun on suurempi, tulisi olla tulevissa malleissa paremmin edustettuna. Mallinnuksen rajaaminen ikärakenteeltaan ja kasvupaikaltaan yhdenmukaiselle aineistolle saattaisi auttaa gammamittausten merkityksen todentamisessa.
Sään vaihteluiden vaikutusta voitaisiin vähentää suorittamalla mittaukset lyhyemmällä aikavälillä. Tutkimusjärjestelyiden näkökulmasta tämä voitaisiin toteuttaa lyhentämällä gammasäteilynäytteiden mittausaikaa ja vähentämällä mittausten määrää koealalla.
Viiden minuutin aika yksittäisen mittauksen ottamiselle oli laitteen oletusasetuksen mukainen, eikä ole tietoa onko tällainen tarkkuustaso kasvun mallintamistarkoituksiin tarpeellinen.
Koealakohtaisten mittausten suuri määrä perustui lähinnä siihen, että näin koealan sisäisiä tilastollisia tunnuksia pystyttiin tarkastelemaan. Tulevaisuudessa tulisi pohtia mittaustarkkuuden ja ajallisen skaalan suhdetta aineiston laatuun.
Puiden kilpailuaseman huomioimista suhteessa lehtialaindeksiin puukohtaisena muuttujana tulisi harkita. Koska gammasäteilyarvoilla esiintyi koealansisäistä vaihtelua, tulisi pohtia voisiko näiden edustavuutta koko koealan alueella parantaa.
Puiden fysiologisilla ominaisuuksilla on yhteys maaperän kosteusominaisuuksiin ja ravinteikkuuteen (Coops ym. 2012). Siksi kosteusominaisuuksia edustavat parametrit saattaisivat toimia paremmin malleissa, joissa puiden fysiologia otetaan tarkemmin huomioon.
Kaukokartoitus on mahdollistanut puiden fysiologisten ominaisuuksien mallintamisen suhteellisen helposti ja nopeasti, mikä tekee siihen pohjautuvien menetelmien käyttämisestä varteenotettavan vaihtoehdon myös suuressa mittakaavassa (Härkönen 2012, Härkönen ym.
2013).
Kuivuuden vaikutus puiden kasvuun on havaittu lisääntyneen ilmaston lämmetessä (Science Daily 2019). Myös kuivuusjaksojen määrän ja niiden vakavuuden lisääntyminen on havaittu viime vuosikymmeninä ympäri maailmaa (Government of Canada 2020). Suomessa ilmastonmuutos on ennustettu vaikuttavan metsien kasvuun ja puulajisuhteisiin (Kellomäki ym.
2008, Kellomäki ym. 2018).
Metsien olosuhteiden ja käyttömuotojen muuttuessa pelkkään historiatietoon pohjautuva empiirinen mallinnus ei välttämättä enää tule olemaan paras mahdollinen tapa mallintaa metsien kehitystä (Härkönen 2012). Maaperän kosteuden mallintaminen gammasäteilyn avulla on yksi tapa huomioida muuttuvat olosuhteet.
Sekä empiirisissä että prosessipohjaisissa kasvumalleissa tarkkuus vaihtelee eri kasvupaikkatyyppien välillä. Kosteusolosuhteita mallintamalla tätä tarkkuutta saatetaan pystyä parantamaan. (Härkönen 2012). Siksi kosteusolosuhteiden hyödyntäminen mallinnuksessa on varteenotettava tutkimuskohde myös tulevaisuudessa
5. KIRJALLISUUS
Ashiq, M., Anard, M. 2016. Spatial and temporal variability in dendroclimatic growth response of red pine (Pinus resinosa Ait.) to climate in northern Ontario Canada. Forest Ecology and Management. 372: 109-119.
Bugmann, H. 2001. A review of forest gap models. Climatic Change 51: 259–305.
Cajander, A. 1925. Metsätyyppiteoria. Suomen metsätieteellinen seura.
Chaves, M., Maroco, J., Pereira, J. 2003. Understanding plant responses to drought - From genes to the whole plant. Functional Plant Biology.
Chen, J., Black, T. 1992. Defining leaf area index for non-flat leaves. Plant Cell Environ. 15 (4): 421–429.
Chen, M., Willgoose, G., Saco, P. 2015. Investigating the impact of leaf area index temporal variability on soil moisture predictions using remote sensing vegetation data. Journal of Hydrology 522: 274-284.
Coops, N., Waring, R., Hilker, T. 2012. Prediction of soil properties using a process-based forest growth model to match satellite-derived estimates of leaf area index. Remote Sensing of Environment 126: 160-173.
Drought is expected to become more frequent and severe in parts of Canada.
[Verkkodokumentti]. 2020. Government of Canada Saatavilla:
https://www.nrcan.gc.ca/climate-change/impacts-adaptations/climate-change-impacts- forests/forest-change-indicators/drought/17772. [Viitattu 26.10.2020].
Duursma, R., Mäkelä, A. 2007. Summary models for light interception and light-use efficiency of non-homogeneous canopies. Tree Physiology 27: 859–870.
Gspaltl, M., Bauerle, W., Binkley, D., Sterba, H. 2013. Leaf area and light use efficiency
patterns of Norway spruce under different thinning regimes and age classes. Forest Ecology and Management 288: 49–59.
Heinonen, T., Pukkala, T., Asikainen, A., Peltola, H. 2018. Scenario analyses on the effects of fertilization, improved regeneration material, and ditch network maintenance on timber production of Finnish forests. European Journal of Forest Research 137:93–107.
Holopainen, M., Mäkinen, A., Rasinmäki, J., Hyytiäinen, K., Bayazidi, S., Pietilä, I.
Comparison of various sources of uncertainty in stand-level net present value estimates. Forest Policy and Economics 12: 377–386.
Huang, J., Lark, R., Robinson, D., Lebron, I., Keith, A., Rawlins, Tye, B., Kuras, Raines, O., Triantafilis, J. 2014. Scope to predict soil properties at within-field scale from small samples using proximally sensed γ-ray spectrometer and EM induction data. Geoderma 232–234: 69–
80.
Hynynen, J., Niemistö, P., Vihreä-Aarnio, A., Brunner, A., Hein, S., Velling, P. 2010.
Silviculture of birch (Betula pendula Roth and Betula pubescens Ehrh.) in northern Europe.
Forestry 83(1):103-119.
Hyvönen, E., Pänttäjä, M., Sutinen, M., Sutinen, R. 2003. Assessing site suitability for Scots pine using airborne and terrestrial gamma-ray measurements in Finnish Lapland. Canadian Journal of Forest Research 33(5): 796-806.
Härkönen, S. 2012. Estimating forest growth and carbon balance based on climate-sensitive forest growth model and remote sensing data. Dissertationes forestales 138.
Härkönen, S., Tokola, T., Packalén, P., Korhonen, L., Mäkelä, A. 2013. Predicting forest growth based on airborne light detection and ranging data, climate data, and a simplified process-based model. Canadian Journal of Forest Research 43(4): 354-375.
Hökkä, H., Repola, J., Moilanen, M. 2012. Modelling volume growth response of young Scots pine (Pinus sylvetris) stands to N, P, and K fertilization in drained peatland sites in Finland.
Canadian Journal of Forest Research 42: 1359-1370.
Jennings, S., Brown, N., Sheil, D. Assessing forest canopies and understorey illumination:
canopy closure, canopy cover and other measures. Forestry 71(1):59-73.
Jiang, X., Huang, J., Stadt, K., Comeau, P., Chen, H. 2016. Spatial climate-dependent growth response of boreal mixedwood forest in western Canada. Global and Planetary Change 139:
141-150.
Kangas, A., Korhonen, K. 1995. Generalizing sample tree information with semiparametric and parametric models. Silva Fennica. 29(2): 151–158.
Kellomäki. S., Peltola, H., Nuutinen, T., Korhonen, K., Strandman, H. 2008. Sensitivity of managed boreal forests in Finland to climate change, with implications for adaptive management. Philosophical Transactions of The Royal Society B Biological Sciences 363(1501): 2341-51.
Kellomäki, S., Strandman, H., Heinonen, T., Asikainen, A., Venäläinen, A., Peltola, H. 2018.
Temporal and Spatial Change in Diameter Growth of Boreal Scots Pine, Norway Spruce, and Birch under Recent-Generation (CMIP5) Global Climate Model Projections for the 21st Century. Forests 9(3):118.
Kleppinger, E., Yates, S. 1987. Attenuation of Gamma Rays in Binary Compounds.
A Versatile Illustration of Beer’s Law. University of Kentucky.
Korhonen, L., Hadi, Packalen, P., Rautiainen, M. 2017. Comparison of Sentinel-2 and Landsat 8 in the estimation of boreal forest canopy cover and leaf area index. Remote Sensing of Environment 195: 259–274.
Korhonen, L., Korpela, I., Heiskanen, J., Maltamo, M. 2011. Airborne discrete-return LIDAR data in the estimation of vertical canopy cover, angular canopy closure and leaf area index.
Remote Sensing of Environment 115(4): 1065-1080.
Kozlowski, T. 1997. Responses of woody plants to flooding and salinity. Tree Physiology 17(7): 490.
Lagergren, F., Lindroth, A. 2002. Transpiration response to soil moisture in pine and spruce
trees in Sweden. Agricultural and Forest Meteorology 112: 67–85.
Lévesque, M., Rigling, A., Bugmann, H., Weber, P., Brang, P. 2014. Growth response of five co-occuring conifers to drought across a wide climatic gradient in Central Europe. Agricultural and Forest Meteorology. 197: 1-12.
Linares, J., Camarero, J. Carreira, J. 2010. Competition modulates the adaptation capacity of forests to climatic stress: insights from recent growth decline and death in relict stands of the Mediterranean fir Abies pinsapo. Journal of Ecology: 98: 592-603.
Liu, Z., Jianga, F., Zhua, Y., Li, F., Jin, G. 2018. Spatial heterogeneity of leaf area index in a temperate old-growth forest: Spatial autocorrelation dominates over biotic and abiotic factors.
Science of the Total Environment 634: 287–295.
Luonnon taustasäteily. [Verkkodokumentti]. 2019. STUK. Saatavissa:
https://www.stuk.fi/aiheet/sateily-ymparistossa/luonnon-taustasateily. [Viitattu 10.10.2020].
Mattila, U., Tokola, T. 2019. Terrain mobility estimation using TWI and airborne gamma-ray data. Journal of Environmental Management 232: 531–536.
Mehtätalo, L. 2002. Valtakunnalliset puukohtaiset tukkivähennysmallit männylle, kuuselle, koivuille ja haavalle. Metsätieteen aikakauskirja 4: 575–591
Mohamedou, C. 2019. Improving local forest growth prediction by terrainderived attributes, airborne γ-ray, and leaf area index. Dissertationes Forestales 268.
Triviño, M., Pohjanmies, T., Mazziotta, A., Juutinen, A., Podkopaev, D., Le Tortorec, E., Mönkkönen, M. 2017. Journal of Applied Ecology 54: 61-70.
Naithani, K., Baldwin, D., Gaines, K., Lin, H., Eissenstat, D. 2013. Spatial Distribution of Tree Species Governs the Spatio-Temporal Interaction of Leaf Area Index and Soil Moisture across a Forested Landscape. PLoS ONE 8(3): e58704.
Pinheiro, J., Bates, D. Mixed-effects models in S and S-PLUS. 2000. Springer.
Pohjankukka, J., Nevalainen, P., Pahikkala, T., Hanninen, P., Hyvönen, E., Sutinen, R., Heikkonen, J. 2014. Arctic soil hydraulic conductivity and soil type. recognition based on aerial gamma-ray spectroscopy and topographical data. Conference: 22nd International Conference on Pattern Recognition At: Stockholm, Sweden.
Possen B., Oksanen, E., Rousi, M., Ruhanen, H., Ahonen, V., Tervahauta, A., Heinonen, J., Heiskanen, J., Kärenlampi, S., Vapaavuori, E. 2011. Adaptability of birch (Betula pendula Roth) and aspen (Populus tremula L.) genotypes to different soil moisture conditions. Forest Ecology and Management 262:1387–1399.
Primicia, I., Camarero, J., Janda, P., Čada, V., Morrissey, R., Trotsiuk, V., Bače, R., Teodosiu, M., Svoboda, M. 2015. Age, competition, disturbance and elevation effects on tree and stand growth response of primary Picea Abies forest to climate. Forest Ecology and Management 354: 77-86.
Pukkala, T., Lähde, E., Laiho, O. 2009. Growth and yield models for uneven-sized forest stands in Finland. Forest Ecology and Management 258: 207–216.
Pukkala, T., Lähde, E., Laiho, O. 2013. Species Interactions in the Dynamics of Even- and Uneven-Aged Boreal Forests. Journal of Sustainable Forestry 32: 371–403.
Rabbel, I., Burkhard, N., Heye, B., Diekkrüger, B. 2018. Exploring the growth response of Norway spruce (Picea abies) along a small-scale gradient of soil water supply.
Dendrochronologia 52: 123–130.
Repo, T., Heiskanen, J., Sutinen, M., Sutinen, R., Lehto, T. 2017. The responses of Scots pine seedlings to waterlogging in a fine-textured till soil. New Forests 48: 51–65.
Räty, M. 2011. Methods in general model localization. Dissertationes Forestales 118.
Solberg, S., Brunner, A., Hanssen, K., Lange, H., Næsset, E., Rautiainen, M., Stenberg, P. 2009.
Mapping LAI in a Norway spruce forest using airborne laser scanning. Remote Sensing of Environment 113(11): 2317-2327.
Stenberg, P. 1996. Correcting LAI-2000 estimates for the clumping of needles in shoots of
conifers. Agricultural and Forest Meteorology 79(1–2): 1-8.
Sutinen, R., Teirilä, A., Pänttäjä, M., Sutinen, M. 2002. Distribution and diversity of tree species with respect to soil electrical characteristics in Finnish Lapland. Canadian Journal of Forest Research 32(7):1158-1170.
Yan, G., Hu. R., Luo, J., Weiss M., Jiang H., Mu X., Xie D., Zhang W. 2019. Review of indirect optical measurements of leaf area index: Recent advances, challenges, and perspectives.
Agricultural and Forest Meteorology 265: 390–411.
Wang, A. 2016. Effect of waterlogging on boreal forest tree seedlings during dormancy and early growing season. Dissertationes Forestales 224.
Water, not temperature, limits global forest growth as climate warms [verkkodokumentti].
2019. Science Daily Saatavissa:
https://www.sciencedaily.com/releases/2019/01/190116150639.htm. [Viitattu 26.10.2020].
Wei, L., Zhou, H., Link, T., Kavanaugh, K., Hubbart, J., Du, E., Hudak, A., Marshall, J. 2018.
Forest productivity varies with soil moisture more than temperature in a small montane watershed. Agricultural and Forest Meteorology 259: 211-221.
Zang, C., Pretzsch, H., Rothe, A. 2012. Size-dependent responses to summer drought in Scots pine, Norway spruce and common oak. Trees 26: 557–569.
Zhang, L., Jiang, Y., Zhao, S., Jiao, L., Wen, Y. 2018. Relationships between Tree Age and Climate Sensitivity of Radial Growth in Different Drought Conditions of Qilian Mountains, Northwestern China. Forests 9(3): 135.
