Jokien pohjaeläimistön vertailuolojen määritys ekstrapoloivalla mallinnuksella

Pro gradu -tutkielma

Jokien pohjaeläimistön vertailuolojen määritys ekstrapoloivalla mallinnuksella

Assi Teittinen

Jyväskylän yliopisto Bio- ja ympäristötieteiden laitos

Akvaattiset tieteet

30.05.2021

JYVÄSKYLÄN YLIOPISTO, Matemaattis-luonnontieteellinen tiedekunta Bio- ja ympäristötieteiden laitos

Akvaattiset tieteet

Assi Teittinen: Jokien pohjaeläimistön vertailuolojen määritys ekstrapoloivalla mallinnuksella

Pro gradu -tutkielma: 53 s., 4 liitettä (20 s.)

Työn ohjaajat: FT Heikki Hämäläinen, FT Dos. Jukka Aroviita Tarkastajat: FT Dos. Salme Kärkkäinen, FT Dos. Kristian Meissner Toukokuu 2021

Hakusanat: Ekologinen tila, ennustava mallinnus, joki, luokittelu

Jokien ekologista tilaa arvioidaan ensisijaisesti biologisiin muuttujiin ja niiden tyyppikohtaisiin vertailuoloihin perustuen. Suomessa savimaiden jokityypeistä ei ole riittävän luonnontilaisia vertailupaikkoja ja vertailuolojen asettamisessa käytetään siksi turve- ja kivennäismaiden vertailupaikkojen aineistoa, ilman tutkittuja perusteita. Tämän takia luokittelu on mahdollisesti epäluotettavaa ja ongelma korostuu, koska savimaiden joet ovat eniten muutettuja ja kunnostusta vaativia vesimuodostumia. Tässä tutkimuksessa testattiin jokien luontaisiin ominaisuuksiin ja valuma-alueen maankäyttöön (viljely- ja asutusalue sekä ojitettujen turvemaiden osuus) perustuvaa logistista regressiomallinnusta jokien pohjaeläimistön vertailuolojen (lajien havaitsemistodennäköisyyksien, pc) ennustamiseksi käyttämällä muiden kuin vertailupaikkojen aineistoa ja ekstrapoloimalla vertailuoloihin. Lisäksi tarkasteltiin, eroavatko mallinnetut pc - arvot ja niihin perustuvat tilaluokituksessa käytettävät ekologiset laatusuhteet (ELS) nykykäytännön mukaisista. Testijokityypille ennustetut pc -arvot osuivat hyvin lähelle havaittuja ja niistä lasketut (tyyppiominaisten taksonien esiintyminen) ELS -arvot olivat käytännössä samat kuin tyyppiperusteiset.

Savimaiden jokityypin lajikohtaisten mallien pc ennusteet erosivat huomattavasti tyyppiperusteisista arvoista, mutta koska niistä lasketuissa ELS -arvoissa ei ollut merkittävää eroa, oli tilaluokittelun lopputulos sama. Tulosten perusteella lajien havaitsemistodennäköisyyksien ja todennäköisesti muidenkin luokittelussa käytettävien yhteisöpiirteiden ennustaminen vertailuoloissa onnistuu, vaikka vertailupaikkojen aineistoa ei olisi käytössä.

UNIVERSITY OF JYVÄSKYLÄ, Faculty of Mathematics and Science Department of Biological and Environmental Science

Aquatic Sciences

Assi Teittinen: Estimating reference conditions of benthic invertebrates in rivers using extrapolation modeling

MSc thesis: 53 p. 4 appendices (20 p.)

Supervisors: PhD Heikki Hämäläinen, PhD Docent Jukka Aroviita Inspectors: PhD Docent Salme Kärkkäinen, PhD Docent Kristian

Meissner May 2021

Keywords: Assessment, ecological status, predictive modelling, river

The ecological status of rivers must be assessed primarily based on biological variables and their type-specific reference conditions. In Finland, true reference sites do not exist for the river types with catchments dominated by clay soils. Therefore, reference conditions for these rivers have been formed using data from the reference sites of rivers of other catchment geology types, without scientific rationale, potentially making the classification unreliable. The most altered rivers and therefore rivers to be managed are found from regions with clay soils, which highlights the issue. Logistic regression modeling based on the natural characteristics of rivers and the land use of the catchment area (agricultural, urban and drained peatlands) was tested to determine the reference conditions (species probability of capture, pc) for benthic invertebrates, using the data from impacted sites and extrapolating to reference conditions. The modelled reference conditions (pc) and the observed to expected or Ecological Quality Ratios (EQR) status based on them and used in the status assessment were assessed to detect if they differ from those of current practice. The estimated pc values for the test-river type were very close to the observed and the EQRs calculated from them were practically identical to the type-specific ones. The pc values predicted using the models developed to the clayey soil river type were remarkably different from the presently used, but because the EQRs did not differ significantly, the result of status assessment is the same. Based on the results it is possible to estimate the probabilities of capture of benthic invertebrates, and probably other community descriptors used in assessment, even without data from reference conditions.

SISÄLLYSLUETTELO

1 JOHDANTO ... 1

1.1 Ihmisen aiheuttamat häiriöt ja niiden vaikutus pohjaeläimistöön ... 1

1.2 Jokien ekologisen tilan arviointi Suomessa ... 4

1.3 Biologisten vertailuolojen määritys ... 7

1.4 Savimaiden jokien luokittelun ongelma ... 10

1.5 Työn tavoitteet ja tutkimuskysymykset ... 11

2 AINEISTO JA MENETELMÄT ... 13

2.1 Aineisto ... 13

2.2 Menetelmät ... 16

3 TULOKSET ... 21

3.1 Pienten kivennäismaiden jokien pohjaeläimistön vertailuolojen mallinnus IMP-aineistolla ... 21

3.2 Pienten kivennäismaiden jokien pohjaeläimistön vertailuolojen mallinnus IMP- ja REF-aineistoilla ... 24

3.3 Pienten kivennäismaiden jokien mallien validointi ... 25

3.4 Pienten savimaiden jokien pohjaeläimistön vertailuolojen mallinnus IMP- aineistolla ... 27

3.5 Pienten savimaiden jokien pohjaeläimistön vertailuolojen mallinnus IMP- ja REF-aineistoilla... 30

3.6 Pienten savimaiden jokien mallien validointi ... 33

3.7 Happamien sulfaattimaiden yhteys O/E-suhteisiin ... 37

4 TULOSTEN TARKASTELU ... 39

4.1 Mallinnuksen toimivuus vertailuolojen määritykseen ... 39

4.2 Mallien validointi ja erot tilaluokituksissa eri menetelmillä ... 43

4.3 Mallinnuksen haasteet ... 44

4.4 Happamat sulfaattimaat ... 46

4.5 Johtopäätökset ... 46

KIITOKSET ... 47

KIRJALLISUUS ... 48

LIITE 1. Mallinnetut lajien havaitsemistodennäköisyydet pienten jokien vertailuoloissa ... 54

LIITE 2. Mallien ennustavien muuttujien kertoimet ... 64

LIITE 3. Pienten savimaiden jokien IMP-paikkojen O/E-suhteet ... 67

LIITE 4. Litorina-alueen kuvat ... 69

1 JOHDANTO

1.1 Ihmisen aiheuttamat häiriöt ja niiden vaikutus pohjaeläimistöön

Ihmisen toiminta vaikuttaa voimakkaasti makean veden ekosysteemeihin (Sala ym.

2000, Dudgeon ym. 2006, Vörösmarty ym. 2010). Elinympäristöjen huonontumista aiheuttavat monet tekijät yksin tai vuorovaikutuksessa. Siihen voi liittyä suoria vaikutuksia, jotka johtuvat esimerkiksi jokiuomien perkauksesta tai epäsuoria vaikutuksia, jotka johtuvat toiminnasta jokien valuma-alueella (Dynesius ja Nilsson 1994, Vörösmarty ym. 2000, Wagenhoff ym. 2012). Suurimmat uhat jokiekosysteemeille ja niiden biodiversiteetille ovat hydromorfologinen muuttuminen sekä maankäytöstä johtuvat häiriöt (Malmqvist ja Rundle 2002, Vörösmarty ym. 2010). Maankäyttö, kuten maatalous, metsätalous ja asutus vaikuttavat jokien elinympäristöön pääasiassa aiheuttamalla muutoksia valumaan, lisääntyneellä eroosiolla ja sedimenttikuormalla sekä lisäämällä ravinnekuormaa ja saasteiden määrää veteen (Waters 1995, Paul ja Meyer 2001, Allan 2004).

Sedimentaatio on yksi suurimmista häiriötekijöistä jokien eliöyhteisöille (Matthaei 2010, Wagenhoff ym. 2012). Maatalouden lisäksi metsien hakkuut ja metsäteiden rakentaminen lisäävät sedimenttikuormaa jokiin, sillä puiden juuret sitovat maaperää sekä ehkäisevät eroosiota ja sedimenttien huuhtoutumista (Vuori ja Joensuu 1996, Hassan ym. 2005). Suomessa laajalti ojitettujen turvemaiden ojat ovat myös alttiita eroosiolle, ja ne voivat kuljettaa suuria määriä sedimenttiä mukanaan jokiin (Vuori ja Joensuu 1996). Jokeen valuva sedimentti täyttää karkeamman aineksen väliin jäävät raot, ja tukahduttaa selkärangattomien pohjaeläinten elinympäristöä (Wagenhoff ym. 2012, Jones ym. 2014, Mustonen ym. 2016), sekä muuttaa joen virtaamaa ja rakennetta (Turunen ym. 2019). Hienojakoisen aineksen kerrostumisen epävakaus estää sammalkasvuston muodostumisen sekä pohjaeläinten kiinnittymisen pohjaan (Lecerf ja Richardson 2010, Louhi ym. 2017).

Kiintoaineen ja ravinteiden kuormituksen seurauksena puron pohjalla tapahtuva

hajotustoiminta voi tehostua, hapenkulutus lisääntyä ja happipitoisuus pienentyä, mikä heikentää niiden pohjaeläintaksonien elinolosuhteita, jotka hengittävät ruumiinsa ympärillä olevan happikerroksen avulla (Aroviita ym. 2021).

Turvemaiden ojituksien vaikutukset vähentävät pitkäikäisten (yli vuoden elävät), pohjaan kaivautuvien, suurikokoisten ryömivien, lepomunia lisääntymisstrategiana käyttävien ja ravintonsa kaapivien lajien runsauksia (Rajakallio ym. 2021). Lisäksi se voi haitata joen ekosysteemiprosesseja, kuten lehtien hajoamista (Lecerf ja Richardson 2010, Louhi ym. 2017).

Rehevöittäviä aineita eli typpeä ja fosforia, kulkeutuu vesistöihin pistekuormittajista, kuten jätevedenpuhdistuslaitoksilta ja teollisuudesta sekä hajakuormituksena esimerkiksi maa- ja metsätaloudesta, turvetuotannosta ja asutuksesta (Thornton ym. 1999, Moss 2018). Teollisuuden ja yhdyskuntien aiheuttamat ravinnekuormat ovat vähentyneet merkittävästi jätevesien puhdistuksen tehostuttua viime vuosikymmenien aikana (Ekholm ym. 2012, Haaranen 2012). Suurin ihmistoiminnan aiheuttama vesistöjen ravinnekuormituksen lähde Suomessa on ylivoimaisesti maatalous, josta aiheutui arviolta 62,6 prosenttia fosforikuormituksesta ja 51,5 prosenttia typpikuormituksesta vuonna 2019. Metsätalouden osuus fosforikuormasta oli 12,4 prosenttia ja typpikuormasta 10,5 prosenttia vuonna 2019 (Finér ym. 2020, Anonyymi 2020). Maataloudesta johtuva hajakuormitus aiheuttaa jokien fosfori-, nitraatti- sekä kiintoainepitoisuuden nousua (Ekholm ym. 2000, Sponseller ym.

2001). Lisäksi jokien lämpötila voi nousta rantavyöhykkeen puuston poiston takia (Turunen ym. 2021).

Kaupunkien valuma-alueilla läpäisemättömien pintojen ala kasvaa ja muuttaa purojen ja jokien hydrologiaa ja sitä kautta geomorfologiaa (Paul ja Meyer 2001).

Sadanta huuhtoutuu läpäisemättömiltä pinnoilta (asfaltti, betoni, rakennusten katot, yms.) suuremmalta osin ja nopeammin kuin luonnollisilta läpäiseviltä pinnoilta, mikä johtaa virtaaman lisääntyneeseen dynamiikkaan. Tulvien muodostuminen nopeutuu ja ne voimistuvat, kun taas kuivat kaudet kuivuvat entisestään (Espey ym. 1966, Hirsch ym. 1990). Lisäksi asutuksen ja teollisuuden

päästöt sekä valumat läpäisemättömiltä pinnoilta (hulevedet) lisäävät ravinteiden, torjunta-aineiden, metallien ja muiden epäpuhtauksien määrää. Muutokset voivat vähentää levä-, kala- ja vesiselkärangattomien eliöyhteisöjen rikkautta kaupunkien läheisyydessä olevissa virtaavissa vesissä (Paul ja Meyer 2001).

Pohjaeläimet ovat hyvin monimuotoinen vedenalaisilla pinnoilla elävä selkärangattomien eliöryhmä, jonka edustajat reagoivat elinympäristön muutoksiin nopeasti ja vahvasti (Rosenberg ja Resh 1993). Pohjaeläinlajisto vaihtelee suuresti olosuhteista, vesistötyypistä ja -vyöhykkeistä riippuen ja elinympäristön monimuotoisuus edesauttaa lajirikkaiden eliöyhteisöjen kehittymistä runsaiden saatavilla olevien resurssien vuoksi (Williams 1964, Vinson ja Hawkins 1998).

Merkittävin jokien pohjaeläimistöä säätelevä ympäristötekijä on virtaus, joka ei pelkästään kuljeta mukanaan happea ja ravinteita, vaan vaikuttaa myös pohjan laatuun sekä orgaanisen aineksen määrään ja siten pohjaeläimistön elinympäristöön. Useat lajit ovat sopeutuneet juuri tiettyyn virtaukseen ja niiden esiintymiseen voi vaikuttaa pienetkin muutokset virtausnopeudessa (Allan 1995).

Pohjaeläinlajeilla on erilaiset herkkyydet eri häiriötekijöille ja pohjaeläinten yhteisökoostumus voi heijastaa ihmisten aiheuttamia muutoksia, minkä vuoksi niitä käytetään yleisesti vesistöjen tilan arvioinnissa (Rosenberg ja Resh 1993).

Ihmisten aiheuttamien häiriöiden vaikutuksia pohjaeläimistöön on tutkittu paljon.

Turusen (2018) väitöskirjan mukaan vähäinenkin maataloudesta peräisin oleva hajakuormitus vähensi selkeästi selkärangattomien lajirikkautta. Joidenkin tutkimusten mukaan taas lievät häiriöt, kuten ravinnekuorma maataloudesta, voivat lisätä vesiselkärangattomien lajien määrää sekä runsautta (Death ja Winterbourn 1995, Aroviita ym. 2014). Rehevöitymisen seurauksena joen perustuotanto kasvaa, eloperäisen aineksen hajottaminen pohjassa nopeutuu ja perifytonin määrä lisääntyy. Biofilmiä ravinnokseen kaapivat pohjaeläimet runsastuvat, karkeaa detritusta käyttävien pilkkojien vähetessä. Myös pelloilta peräisin olevan hienojakoisen orgaanisen aineksen määrä lisääntyy, mikä voi edesauttaa ravintoa suodattavia pohjaeläimiä (Moss 2018).

Jokien happamoituminen vaikuttaa pohjaeläimistön rakenteeseen ja runsauteen.

Pohjaeläinten lajimäärien ja -runsauksien on havaittu pienenevän pH:n laskiessa huomattavasti (Hall ja Ide 1987, Hämäläinen ja Huttunen 1990, Rosemond ym.

1992). Lajien happamuuden sietokyky kuitenkin vaihtelee suuresti ja monet lajeista pärjäävät alle 5,5 pH:n vesissä (Hämäläinen ja Huttunen 1990), mitä pidetään kriittisenä rajana makeanveden happamoitumiselle (Johansson ja Nyberg 1981).

Litorina-merenpohjan alueella olevista happamista sulfaattimaista aiheutuu ongelmia maankohoamisen myötä, kun maaperän rikki ja rauta hapettuvat ja laskevat pH:ta. Vesistöille voi aiheutua vakavia haittoja happamuudesta valuman kautta happamien sulfaattimaiden osuuden ollessa 1 % valuma-alueesta (Sutela ym. 2012). Happamoituneissa vesissä usein myös alumiinipitoisuudet ovat kohonneet, mikä on haitallista monille pohjaeläimille (Herrmann 1987).

1.2 Jokien ekologisen tilan arviointi Suomessa

Joulukuussa 2000 voimaan astuneessa Euroopan Unionin Vesipuitedirektiivissä (VPD) asetetaan säännöt EU:n vesimuodostumien tilan huonontumisen pysäyttämiseksi ja Euroopan jokien, järvien ja pohjaveden ”hyvän tilan”

saavuttamiseksi vuoteen 2027 mennessä. VPD:n mukaan tilan arviointi tulee tehdä ensisijaisesti biologisiin muuttujiin perustuen ja vesimuodostumien ekologinen tila tulee arvioida tyyppikohtaisesti vertailuoloihin perustuen. Suomessa vesien tilan luokittelussa sovelletaan vesienhoitolakia (1299/2004), johon vesipuitedirektiivin asettamat kansalliset velvoitteet on sisällytetty. Vesien tilan arviointi ja luokittelu tehdään ihmisen toiminnasta johtuvien muutosten voimakkuuden perusteella kuuden vuoden välein. Arvioinnissa vesimuodostumien biologisia ominaisuuksia verrataan luonnontilaisiin saman tyyppisiin vesistöihin, joissa ihmistoiminnasta aiheutuneita muutoksia ei ole (vertailuolot) (Aroviita ym. 2019). Tästä menettelystä käytetään nimitystä vertailuololähestymistapa (Reference Condition Apporach, RCA, Hughes ym. 1986, Bailey ym. 2014). Tilan arvioinnin perusteella suunnitellaan tarvittavat toimet vesimuodostuman hyvän tilan saavuttamiseksi tai ylläpitämiseksi (Aroviita ym. 2019).

Vesimuodostumat tyypitellään maantieteellisten ja luonnontieteellisten ominaispiirteidensä mukaan samankaltaisten vesien ryhmiin, jotta kullekin tyypille voidaan asettaa tilatavoitteet, jotka vastaavat niiden luontaisia ominaisuuksia.

Suomessa jokien tyypittely tehdään valuma-alueen koon ja sen maaperän (turve, kivennäismaa, savi) perusteella. Jokityyppejä on yksitoista (Taulukko 1). Kullekin jokityypille määritellään tilaluokittelussa käytettävien muuttujien laskennalliset vertailuarvot, jotka edustavat erinomaisen ekologisen tilan luokkaa eli mahdollisimman luonnontilaisia olosuhteita, ja missä on enintään hyvin vähän ihmistoiminnasta johtuvia muutoksia. Ekologista tilaa mitataan poikkeamana näistä vertailuarvoista (Aroviita 2019).

Taulukko 1. Jokityypit

Jokityyppi Lyhenne Tyypittelytekijöiden viitteelliset raja-arvot

Muita tyypittelyssä huomioitavia tekijöitä

Pienet turvemaiden

joet Pt valuma-alue < 100 km²,

turvemaiden osuus > 25 % / veden luontainen väri > 90 mg Pt/l

maantieteellinen sijainti, korkeusasema, pienvedet

Pienet

kivennäismaiden joet

Pk valuma-alue < 100 km²,

turvemaiden osuus < 25 % / veden luontainen väri < 90 mg Pt/l

maantieteellinen sijainti, korkeusasema, pienvedet

Pienet savimaiden joet

Psa valuma-alue < 100 km², saviaineksella selvä samentava vaikutus vedenlaatuun

muusta kuin savimaista johtuva luontainen runsasravinteisuus, pienvedet

Keskisuuret turvemaiden joet

Kt valuma-alue 100–1000 km², turvemaiden osuus > 25 % / veden luontainen väri > 90 mg Pt/l

maantieteellinen sijainti, korkeusasema

Keskisuuret kivennäismaiden joet

Kk valuma-alue 100–1000 km², turvemaiden osuus < 25 % / veden luontainen väri < 90 mg Pt/l

maantieteellinen sijainti, korkeusasema

Keskisuuret savimaiden joet

Ksa valuma-alue 100–1000 km², saviaineksella selvä samentava vaikutus vedenlaatuun

muusta kuin savimaista johtuva luontainen runsasravinteisuus

Suuret turvemaiden joet

St valuma-alue 1000–10000 km², turvemaiden osuus > 25 % / veden luontainen väri > 90 mg Pt/l

maantieteellinen sijainti, korkeusasema

Suuret

kivennäismaiden joet

Sk valuma-alue 1000–10000 km², turvemaiden osuus < 25 % / veden luontainen väri < 90 mg Pt/l

maantieteellinen sijainti, korkeusasema

Suuret savimaiden joet

Ssa valuma-alue 1000–10000 km², saviaineksella selvä samentava vaikutus vedenlaatuun

muusta kuin savimaista johtuva luontainen runsasravinteisuus

Erittäin suuret turvemaiden joet

ESt valuma-alue > 10000 km²,

turvemaiden osuus > 25 % / veden luontainen väri > 90 mg Pt/l

maantieteellinen sijainti, korkeusasema

Erittäin suuret kivennäismaiden joet

ESk valuma-alue > 10000 km²,

turvemaiden osuus < 25 % / veden luontainen väri < 90 mg Pt/l

maantieteellinen sijainti, korkeusasema

Lähde: Aroviita ym. (2019)

Ekologisen tilan luokittelussa käytettävät tekijät on määritelty Vesipuitedirektiivin liitteessä V. Jokien biologisiin tekijöihin kuuluvat vesikasvillisuus, pohjaeläimistö sekä kalasto. Ekologisen tilan luokittelussa käytetään biologisia laatutekijöiden lisäksi niitä tukevia hydrologis-morfologisia (esim. virtausolot) ja fysikaalis- kemiallisia tekijöitä (esim. näkösyvyys ja ravinneolot). Vesipuitedirektiivin (Euroopan yhteisö 2000) mukaan vesimuodostuma saavuttaa erinomaisen tilan, jos

”pintavesimuodostumatyypin biologisten laatutekijöiden arvot vastaavat kyseiseen pintavesimuodostumatyyppiin häiriintymättömissä olosuhteissa tavallisesti liitettyjä arvoja, ja niissä ei ole lainkaan tai on hyvin vähän merkkejä muutoksista”.

Jokien ekologisen tilan luokittelussa arvioidaan pohjaeläimistöstä koostumusta ja runsaussuhteita. Suomessa pohjaeläimistöä arvioidaan kolmella muuttujalla, jotka ovat jokityypille ominaisten pohjaeläintaksonien lukumäärä (TT), tyypille ominaisten EPT-heimojen lukumäärä (päivänkorento-, koskikorento-, ja vesiperhosheimot) sekä lajiston prosenttinen mallinkaltaisuus (PMA-indeksi) (Aroviita 2019). Tyyppiominaisilla taksoneilla tarkoitetaan niitä taksoneita, jotka on havaittu vähintään 40 %:ssa tyypin vertailupaikoista, ja niiden havaitsemisella mitataan yleisimpien lajien monimuotoisuutta ja taksonikoostumusta (Hämäläinen ym. 2007, Aroviita ym. 2008). Pohjaeläimistön lopullinen tilaluokka määräytyy arvioitavien muuttujien (TT, EPTh, PMA) skaalattujen ekologisten laatusuhteiden (ELS) keskiarvona. Pohjaeläintaksonien luokittelumuuttujat lasketaan koskipaikoilta käsihaavilla otettujen rinnakkaisnäytteiden kahden minuutin kokoomanäytteiden perusteella. Jokien koskipaikkojen pohjaeläimistön suuren

luontaisen alueellisen vaihtelun vuoksi tyyppikohtaiset vertailuolot on määritelty erikseen Pohjois- ja Etelä-Suomeen (Aroviita ym. 2019).

1.3 Biologisten vertailuolojen määritys

Vertailuololähestymistapaan perustuvassa vesistöjen tilan arvioinnissa arvioitavien tekijöiden arvoja verrataan arvoihin, joissa ihmistoiminnasta aiheutuneita muutoksia ei ole. Käsitettä ”vertailuolot” käytetään tietynlaisena standardina, joihin arvioitavia olosuhteita verrataan (Stoddard ym. 2017). Vertailuolojen kuvaamiseen valitaan luokittelumuuttujat, joille määritellään vertailuarvot vesityyppikohtaisesti. Vertailuolojen on oltava tarkkoja ja luotettavia, sillä koko luokittelujärjestelmä perustuu niihin (Vuori ym. 2006). Vertailuarvot ovat luokittelussa käytettäviä laskennallisia arvoja, jotka ovat pääasiassa ihmistoiminnan vähiten muuttamien vesimuodostumien havaintojen keskiarvoja tai mediaaneja (Aroviita ym. 2019).

Vesipuitedirektiivin liitteen II mukaan ”tyypille ominaiset biologiset vertailuolot voivat perustua joko vertailualueisiin, mallintamiseen tai näiden menetelmien yhdistelmään. Jos näitä menetelmiä ei voida käyttää, jäsenvaltiot voivat käyttää asiantuntijoiden arvioita olojen määrittelemiseksi”. Vertailuolojen perustuessa vertailualueisiin, ”on muodostettava jokaiselle pintavesimuodostumatyypille vertailualueverkko. Verkossa on oltava riittämä määrä erinomaista tilaa edustavia paikkoja, jotta vertailuarvojen luotettavuustaso on riittävä, ottaen huomioon kyseisen pintavesimuodostumatyypin erinomaista ekologista tilaa osoittavien laatutekijöiden arvojen vaihtelu”. Mallintamiseen perustuvassa vertailuolojen määrittelyssä voidaan käyttää ennustavaa mallinnusta tai takautuvia menetelmiä, joissa ”käytetään historiallista, paleolimnologista ja muuta saatavilla olevaa tietoa, ja niillä on saavutettava riittävä vertailuarvojen luotettavuustaso sen varmistamiseksi, että näin määritellyt olot ovat yhdenmukaisia ja soveltuvia kullekin pintavesimuodostumatyypille” (Euroopan yhteisö 2000). Suomessa on käytetty kaikkia edellä mainittuja menetelmiä vertailuolojen määrittelyssä, mutta

yleisimpänä on ollut vertailupaikkoihin ja vesialueiden tyypittelyyn perustuva menetelmä (Aroviita ym. 2019).

Sekä ennustavia että takautuvia mallinnustekniikoita on kehitetty vesistöjen arvioinnin tarpeisiin sekä vertailuolojen määrittelyyn (Wright ym. 2000). Sopivan menetelmän valinta riippuu saatavilla olevasta aineistosta, alueella olevien vertailukohteiden määrästä ja kyseessä olevan vesiekosysteemin tyypistä (esim.

järvi tai joki). Vertailuolojen mallintamiseen voidaan käyttää esimerkiksi monimuuttujamallinnusta, maankäyttöön perustuvaa mallinnusta ja paleolimnologisia menetelmiä (Soranno ym. 2011).

Ennustavien monimuuttujamallien avulla pystytään ennustamaan lajien luontaista esiintymistodennäköisyyttä tai oikeammin vakioituun näytteenottoon sidottua havaitsemistodennäköisyyttä, pc (esim. Moss ym. 1987, Rosenberg ym. 2000, Wright ym. 2000). Kolme yleisintä mallia ovat RIVPACS (River InVertebrate Prediction And Classification System), AusRivAS (Australian River Assessment System) ja BEAST (Benthic Assessment of Sediment), joissa kaikissa vertailukohteet luokitellaan monimuuttuja-analyyseilla samankaltaisen taksonomisen koostumuksen mukaisiin ryhmiin (Sorrano ym. 2011). Nämä ryhmät selitetään elinympäristöominaisuuksien perusteella esimerkiksi erotteluanalyysillä, niin että minkä tahansa paikan todennäköisyydet kuulua muodostettuihin biologisiin ryhmiin voidaan ennustaa paikan mitattujen ympäristömuuttujien perusteella. Kun ryhmien lajikoostumus ja paikan ryhmätodennäköisyydet tunnetaan, voidaan mallista johtaa kullekin paikalle sen odotettu lajikoostumus vertailutilassa. Paikan tilan arvioinnissa käytetään kahta eri menetelmää. RIVPACS- ja AusRivAs- tyyppisessä mallinnuksessa kohde katsotaan muuttuneeksi, jos sen havaittujen (observed, O) lajien määrä eroaa ennustettujen (expected, E) lajien määrästä. Tätä mitataan O/E suhteella. BEAST-mallissa kohde katsotaan muuttuneeksi, jos lajien määrä ja runsaus yhteisössä jää vertailukohteille määriteltyjen lajien 90 % todennäköisyysellipsien ulkopuolelle. Huonona puolena on mallien rakennuksen monimutkaisuus (Reynoldson ym. 1997). On lisäksi olennaista huomata, että myös nämä mallit perustuvat vertailukohteisiin (Wright ym. 2000), eikä niiden avulla

voida ekstrapoloida vertailuarvoja havaintoalueen ulkopuolelle. Siinä mielessä ne eivät poikkea tyyppiperustaisesta vertailuolojen määrittelystä.

Mallintamalla on kuitenkin mahdollista arvioida vertailuarvoja myös sen kaltaisille kohteille, joiden vertailuoloista ei ole enää saatavilla aineistoa. Maankäyttöön perustuvassa mallinnuksessa vesimuodostumien tietoja käytetään yhdessä ihmistoiminnan aiheuttamien häiriögradienttien kanssa jokien ja järvien biologisten sekä kemiallisten muuttujien takautuvaan ennustamiseen (engl. hindcasting).

Nämä mallit yhdistävät minkä tahansa yksittäisen vastemuuttujan yhteen tai useisiin ihmisen aiheuttamiin häiriömuuttujiin (Seelbach ym. 2002, Baker ym. 2005, Soranno ym. 2008). Yleisimmin paikkakohtaisia vertailuarvoja lasketaan regressiomallilla, joka sisältää sekä luonnolliset että ihmisten aiheuttamien häiriöiden muuttujat ja jossa ihmisen aiheuttama häiriötä mittaavien tekijöiden arvot asetetaan nollaksi, tai muuhun arvoon vertailutilaa vastaavaan tasoon (Baker ym. 2005, Soranno ym. 2008, Soranno ym. 2011). Tällaiset mallit toimivat parhaiten ja mittausepävarmuus pysyy pienempänä, jos mukana on vesimuodostumia, joihin kohdistuvat häiriöt ovat vähäisiä, eikä ennustusta tarvitse tehdä kauas havaintoaineiston vaihtelun ulkopuolelle (Soranno ym. 2011).

Paleolimnologista aineistoa voidaan käyttää vertailuolojen määrittelyssä (Seddon ym. 2019) sekä muilla menetelmillä määriteltyjen vertailuolojen validoinnissa (Jyväsjärvi ym. 2010). Vesimuodostumien sedimentistä kerätään biologisia muuttujia edustavia fossiilisia indikaattoreita, joiden avulla voidaan kuvata vallinneita olosuhteita ja eliöyhteisöjen rakennetta (Cohen 2003, Jyväsjärvi ym.

2010). Paleolimnologisilla menetelmillä saadaan totuudenmukaisesti kuvattua biologisia olosuhteita ennen ihmisten aiheuttamia vaikutuksia, minkä vuoksi ne ovat tehokkaita työkaluja sekä vertailuolojen määrittelyssä että validoinnissa (Smol 1992, Jyväsjärvi ym. 2010). Jokiympäristössä kuitenkaan virtauksen vuoksi sedimentit eivät ole vakaita, ja ne harvoin kerrostuvat riittävän kronologisesti pidemmällä aikavälillä, minkä vuoksi paleolimnologisten menetelmien käyttö on usein mahdotonta (Gell ym. 2005, Soranno ym. 2011).

1.4 Savimaiden jokien luokittelun ongelma

Valuma-alueen saviaineksella on arvioitu olevan luontaisesti ravinnetasoa nostava sekä selvä samentava vaikutus jokivesiin, ja näistä syistä eliöstöön, minkä vuoksi savikkoisten valuma-alueiden joet on Suomessa erotettu turve- ja kivennäismaiden jokityypeistä (Aroviita ym. 2019). Savimaiden jokia on enimmäkseen Etelä- Suomessa ja Suomenlahteen laskevien jokien valuma-alue on pääasiassa savimaata (Kuva 1). Suomessa savimaiden jokia ei ole enää vertailutilassa valuma-alueiden voimakkaan maankäytön (maatalous, asutus) aiheuttaman kuormituksen vaikutusten takia (Aroviita ym. 2014, Aroviita ym. 2019). Vertailuaineiston puuttumisen vuoksi savimaiden jokien arvioinnissa käytetään Etelä-Suomen turve- ja kivennäismaiden vertailupaikkojen aineistoa (Aroviita ym. 2019). Niiden käyttöä ei kuitenkaan ole perusteltu tai tutkittu, eikä ole syytä olettaa savimaiden jokien vertailuolojen olevan turve- ja kivennäismaiden vertailuolojen puolivälissä.

Nykyisin luokittelussa käytettävät vertailuolot ja sitä kautta luokittelu ovat tästä syystä epäluotettavia, ja niissä on kehitystarvetta. Ongelma korostuu entisestään, sillä juuri savikkoisten valuma-alueiden joet ovat voimakkaimmin muutettuja ja siksi luokittelua, hoitoa ja kunnostusta vaativia vesimuodostumia.

Kuva 1. Suomen jokivesimuodostumien tyypit (lähde: Aroviita ym. 2019).

1.5 Työn tavoitteet ja tutkimuskysymykset

Tämän tutkimuksen tavoitteena oli tutkia mallinnuksen soveltuvuutta biologisten vertailuolojen määrittelyyn silloin kun vertailukohteita ei ole saatavilla.

Mallikohteina olivat pienet joet ja pohjaeläimet. Sovellustavoitteena oli määrittää

savikkoisten valuma-alueiden jokien vertailuolot biologisista tekijöistä pohjaeläimille. Tarkasteltavaksi valittiin lajien havaitsemisen todennäköisyydet vertailuoloissa pc, joita tarvitaan luokittelussa käytettävän, tyyppiominaisten lajien esiintymisen arviointiin. Todennäköisyydet pyrittiin ennustamaan lajikohtaisilla malleilla käyttämällä muiden kuin vertailukohteiden (IMP) aineistoa ja ekstrapoloimalla vertailuoloihin (REF). Tämän tyyppistä ekstrapoloivaa mallinnusta ei ole tehty aiemmin eliölajiston vertailuolojen määrittämiseksi.

Mallinnuksen periaatteellista toimivuutta testattiin ensin sellaisella jokityypillä, josta on edustavaa vertailuaineistoa (pienet kivennäismaiden joet), joiden avulla malleja pystyttiin validoimaan. Varsinaisena sovelluskohteena olevien savimaiden jokien mallinnettuja vertailuoloja validoitiin muutaman saatavilla olevan vertailupaikan avulla. Lisäksi tehtiin alustavaa tarkastelua alueen happamien sulfaattimaiden yhteyksistä lajien ennustettuihin todennäköisyyksiin. Koska saatavilla oleva aineisto ei ole vielä täysin kattava, sulfaattimaiden osuutta ei voitu ottaa mallinnuksessa huomioon.

Tutkimuskysymykset:

1. Pystytäänkö jokien luontaisiin ominaisuuksiin ja valuma-alueen maankäyttöön (viljely- ja asutusalue) perustuvalla mallinnuksella ennustamaan savimaiden jokien pohjaeläimistöön liittyvät vertailuolot?

2. Eroavatko mallinnetut vertailuolot ja niihin perustuvat tilaluokitukset nykykäytännön mukaisista?

Hypoteesit:

1) Savimaiden jokien pohjaeläimistön vertailuolot pystytään ennustamaan maankäyttömuuttujiin perustuvilla empiirisillä malleilla ekstrapoloimalla luotuun häiriöttömään vertailutilaan. Maailmalla on käytössä useita eri malleja, joilla pystytään ennustamaan vertailuoloja yleensä tarkemmin kuin tyyppiperusteisesti (Aroviita ym. 2009). Nämä mallit kuitenkin perustuvat vertailuaineistoihin. Valuma-alueen maankäytöllä on suurimmat

vaikutukset pohjaeläimistöön (Malmqvist ja Rundle 2002, Vörösmarty ym.

2010), ja savimaiden jokien alueella maatalous ja asutus ovat pääasialliset ihmisten aiheuttamat häiriöt. Aikaisempien tutkimusten mukaan pohjaeläimistön tilamuuttujat korreloivat negatiivisesti ainakin peltojen osuuteen valuma-alueella (Aroviita ym. 2014), joten valuma-alueen maankäytön avulla voisi pystyä ennustamaan lajien havaitsemistodennäköisyydet, myös ekstrapoloimalla häiriintymättömiin olosuhteisiin.

2) Mallinnetut vertailuolot eroavat nykyisin käytössä olevista (kivennäis- ja turvemaiden jokien) vertailuoloista, ne ovat luotettavammat ja niihin perustuvat luokitukset siksi korreloituvat johdonmukaisemmin ihmistoiminnan kanssa.

2 AINEISTO JA MENETELMÄT

2.1 Aineisto

Käytettävissä olleeseen, Suomen ympäristökeskukselta (Syke) saatuun, valmiiseen aineistoon kuului kaikki Etelä-Suomen (Oulun eteläpuolelta, < 65. leveysaste) savimaiden ja kivennäismaiden hyvin pienten, pienten ja keskisuurien jokien aineistot, jotka on koottu tilaluokittelua ja sen kehittämistä varten. Savimaiden paikkoja oli aineistossa yhteensä 78, joista muita kuin vertailupaikkoja (IMP) oli 73 ja vertailupaikkoja (REF) 5. Kivennäismaiden paikkoja oli yhteensä 104, joista muita kuin vertailupaikkoja oli 69 ja vertailupaikkoja oli 35 (Taulukko 2). Aineistossa oli jokaisesta paikasta paikkatiedot, maankäyttö valuma-alueella, vedenlaatu sekä pohjaeläimistön näytetiedot ja -tulokset. Pohjaeläinnäytteet on kerätty koskipaikoilta standardin SFS 5077 mukaisella ns. potkuhaavimenetelmällä, johon myös luokittelujärjestelmä ja vertailuolojen määrittely perustuvat (ks. Järvinen ym.

2019).

Taulukko 2. Etelä-Suomen pienet ja keskisuuret savi- ja kivennäismaiden jokien määrät (n). HP = hyvin pienet joet, P = pienet joet, K = keskisuuret joet, sa = savimaiden joet, k = kivennäismaiden joet, IMP = ei-vertailupaikka, REF = vertailupaikka.

Savimaiden joet Kivennäismaiden joet

Lyhenne n IMP n REF Lyhenne n IMP n REF

HPsa 13 0 HPk 25 16

Psa 57 5 Pk 43 18

Ksa 3 0 Kk 1 1

Yhteensä 73 5 Yhteensä 69 35

Työhön valittiin pienet joet, sillä niitä oli eniten ja muut (hyvin pienet ja keskisuuret) rajattiin ulkopuolelle. Lisäksi pienten kivennäismaiden jokien aineistossa oli yksi kohde (ThomasES, MASTERID 1032), jonka näytteenotto ei ole ollut nykykäytännön mukainen, minkä vuoksi se jätettiin pois analyyseista. Pienten savimaiden jokien aineiston lisäksi analyyseihin otettiin mukaan yksi hyvin pieni joki, jonka valuma-alue oli 9,8 km², sillä se oli hyvin lähellä pienten jokien valuma- alueen rajaa eikä siten vaikuta mallinnuksen tuloksiin. Pienet kivennäismaiden joet sijoittuvat pääasiassa Keski-Suomen alueelle ja pienet savimaiden joet pääasiassa Etelä- ja Lounais-Suomeen (Kuva 2). Pienten kivennäismaiden jokien valuma- alueen maankäyttö ja siitä aiheutuva häiriö on paljon vähäisempää maatalouden ja asutuksen osalta kuin pienten savimaiden jokien (Taulukko 3). Ojitettujen turvemaiden osuus on puolestaan kivennäismaiden joilla suurempi kuin savimaiden joilla.

Taulukko 3. Jokien valuma-alueen maankäytön (%-osuus valuma-alueen pinta- alasta) vaihtelu työssä käytetyssä aineistossa.

Ennustavat muuttujat

Pienet kivennäismaiden joet Pienet savimaiden joet

% Asutus Maatalous Turvemaiden

ojitus Asutus Maatalous Turvemaiden ojitus

Minimi 0,3 0,0 3,3 1,3 0,4 0,4

Maksimi REF-

aineistossa 5,3 10,2 21,4 5,3 11,1 11,0

Maksimi koko

aineistossa 11,7 20,9 33,5 61,8 53,9 18,8

Kuva 2. Tutkimuksessa mukana olleiden koskipaikkojen sijainnit. Kolmiolla merkityt joet ovat pieniä kivennäismaiden jokia ja ympyrällä merkityt savimaiden jokia. Punaiset merkit kuvaavat IMP-paikkoja ja vihreät merkit REF-paikkoja.

Taustakartat: Suomen hallintorajat ja vesistöt Maanmittauslaitokselta (2020), kansainväliset hallintorajat: EuroGraphics (2020).

2.2 Menetelmät

Pohjaeläimistön vertailuolojen (lajien vakioidut näytteenottoon sidotut havaitsemistodennäköisyydet, pc vertailuoloissa) ennustamiseksi sovellettiin logistista regressioanalyysiä, jolla voidaan mallintaa dikotomisia vasteita, jotka voivat saada vain arvon 0 tai 1 (tässä 0 = laji ei esiinny, 1 = laji esiintyy) (Nyblom 2015). Mallit ovat lajikohtaisia, ja ne estimoitiin kivennäismaiden jokien muiden kuin vertailuoloissa olevien aineistojen (IMP) avulla ja ekstrapoloitiin kivennäismaiden jokien vertailuoloihin (REF). Aineiston analyysit ja mallinnus tehtiin IBM SPSS Statistics 26 ohjelmalla.

Mallit ottavat huomioon kivennäismaiden jokien ei-vertailuoloissa olevien (IMP) jokien valuma-alueen maankäytön, ts. ihmisten aiheuttaman häiriön jokien valuma- alueella ja näiden jokien pohjaeläimistön pc -arvot, ja ennustavat niiden perusteella kyseisen lajin pc -arvon vertailuoloissa. Jokaista lajia tutkittiin erikseen ja testattiin, selittyykö sen pc yhdellä tai useammalla häiriögradientilla. Testattavia häiriögradientteja olivat maatalouden, asutuksen ja ojitettujen turvemaiden osuus valuma-alueesta. Maataloudesta ja asutuksesta luotiin myös toisen asteen muuttujat (maatalous² ja asutus²), joita testattiin mallissa ennustavina muuttujina.

Näiden lisäksi valuma-alueen koko oli tarjolla ennustavana muuttujana.

Ennustaville muuttujille pienten kivennäismaiden jokien aineistossa ja pienten savimaiden jokien aineistossa laskettiin korrelaatiot (Pearsonin korrelaatiokerroin), sillä ne eivät saisi korreloida keskenään. Korrelaatiot laskettiin IMP-aineiston muuttujille sekä IMP ja REF aineiston muuttujille yhdessä (Taulukko 4).

Korrelaatiot olivat aina itseisarvoltaan melko pieniä (≤ 0,55), joten ennustavien muuttujien karsintaa ei nähty tarpeelliseksi.

Taulukko 4. Mallinnuksessa käytettävien ennustavien muuttujien väliset korrelaatiot

Ennustavat muuttujat (koko tai osuus valuma-alueesta)

Pienet kivennäismaiden joet Pienet savimaiden joet

IMP-aineisto IMP+REF-

aineistot IMP-aineisto IMP+REF- aineistot

Valuma-alue ja asutus -0,30 -0,21 -0,42 -0,41

Valuma-alue ja maatalous 0,46 0,43 0,19 0,14

Valuma-alue ja ojitettujen

turvemaiden osuus -0,00 0,08 0,47 0,45

Asutus ja maatalous -0,12 0,06 -0,55 -0,42

Asutus ja ojitettujen turvemaiden osuus

-0,30 -0,23 -0,42 -0,42

Maatalous ja ojitettujen

turvemaiden osuus -0,19 -0,09 -0,03 -0,18

Yhden pienen kivennäismaiden joen valuma-alueen asutuksen osuus oli selkeästi suurempi kuin muilla (29,6 %), minkä takia se päätettiin mahdollisesti häiritsevänä poistaa analyyseista. Koska tässä vaiheessa ei ollut vielä tietoa mikä häiriön aste, eli maankäytön osuus, vastaisi parhaiten vertailuoloja, päätettiin luoda vertailuoloja eri häiriötasoilla. Vertailuoloja luotiin niin, että valuma-alueella oli häiriötä maataloudesta johtuen 0–10 %, asutuksesta johtuen 0–5 % ja ojitettuja turvemaita 0–

10 % (Taulukko 5). Tällöin paras mahdollinen, tarkasteltujen muutostekijöiden suhteen täysin häiriötön vertailupaikka olisi LREF0 (=Luotu REF-paikka), jossa maataloutta, asutusta ja ojitettuja turvemaita ei olisi ollenkaan valuma-alueella.

Huonoin mahdollinen vertailupaikka olisi puolestaan LREF10, jossa maataloutta olisi valuma-alueella 10 %, asutusta 5 % ja ojitettuja turvemaita 10 %. Valuma- alueen kooksi luotuihin vertailupaikkoihin valittiin pienten jokien valuma-alueen koon (10–100 km²) puoliväli, 55 km².

Taulukko 5. Mallinnukseen luodut vertailuolot.

Luodut vertailuolot

Häiriö

Maatalous % Asutus % Ojitetut

turvemaat %

LREF0 0 0 0

LREF1 1 0,5 1

LREF2 2 1 2

LREF3 3 1,5 3

LREF4 4 2 4

LREF5 5 2,5 5

LREF6 6 3 6

LREF8 8 4 8

LREF10 10 5 10

Mallinnuksen periaatteellista toimivuutta testattiin ensin kivennäismaiden jokityypillä, josta on edustavaa vertailuaineistoa. Tämä tehtiin luomalla logistisen regression malli jokaiselle luokitteluohjeen (Aroviita 2019) lajilistassa olevalle lajille (ks. Suomen Ympäristökeskus 2019), jonka esiintymistodennäköisyys on yli 0,3 (n

= 34) ja käyttäen vain IMP aineistoa (REF-paikat poistettiin analyysistä).

Mallinnusta ei tehty kaikille lajeille, sillä jokien pohjaeläimistön luokittelussa tyyppiominaisiksi taksoneiksi luetaan vain ne, joiden esiintymisfrekvenssi eli havaitsemistodennäköisyys (pc) vertailuoloissa on ≥ 0,4. Mukaan otettiin kuitenkin varmuuden vuoksi lajit, joiden esiintymistodennäköisyys oli yli 0,3, sillä on mahdollista, että näiden lajien mallinnettu esiintymistodennäköisyys olisi yli 0,4.

Jokaiselle lajille luotiin paras malli tarjoamalla kaikki muuttujat (maatalous, asutus,

ojitetut turvemaat, valuma-alue, maatalous² ja asutus²) malliin ja käyttämällä takaisinpäin askeltavaa ”Backward Elimination (Conditional)” -menetelmää muuttujien valinnassa. Eri malleja testattiin myös manuaalisesti, mutta askeltaen rakennetut mallit olivat p-arvoltaan pienimpiä ja siksi ne valittiin käyttöön.

Tilastollisen merkitsevyyden raja-arvo oli 0,05, mutta mukaan otettiin myös malleja, joiden p-arvo oli lähes merkitsevä (< 0,1).

Luoduilla malleilla ennustettiin havaitsemistodennäköisyydet (pc) kaikille luoduille LREF-paikoille (0–10 % häiriötä) sekä todellisille vertailupaikoille, jotka eivät olleet mukana mallien rakentamisessa. Niille lajeille, joille ei löytynyt merkitsevää tai lähes merkitsevää mallia (p-arvo < 0,1), käytettiin IMP-paikoista laskettua yleiskeskiarvoa havaitsemistodennäköisyytenä (= kuinka monessa paikassa kyseinen laji esiintyi/paikkojen lukumäärä). Jos millään häiriöillä ei ole mallin mukaan merkitsevästi yhteyttä lajin havaitsemiseen, voidaan päätellä, etteivät ihmisten aiheuttamat häiriöt havaitulla tasolla vaikuta lajin havaitsemistodennäköisyyksiin, ja ne ovat kaikissa paikoissa samat, myös vertailupaikoilla.

Jokaiselle lajille luodulla mallilla ennustettiin lajin pc luoduille vertailuoloille (LREF 0-10) myös käyttämällä koko aineistoa (IMP+REF). Tällä tavalla selvitettiin, muuttuivatko mallien ennusteet, kun mukana on vertailuaineistoa. Mallien tai ennusteiden muuttuminen merkitsisi sitä, että lähestymistavassa on heikkouksia ja ettei se ole täysin uskottava. Mallinnettuja ennusteita verrattiin tyyppiperusteisiin vertailuarvoihin, jotka on laskettu 18 vertailupaikasta. Mallinnettujen ja vertailupaikoista laskettujen pc -arvojen välinen vertailu tehtiin regressioanalyysillä.

Luotuja malleja validoitiin lisäksi laskemalla O/E-suhteita (O = observed, E = expected) eli mittaamalla tyyppiominaisten taksonien esiintymistä. Kaikille vertailupaikoille laskettiin O/E, joka vastaa luokittelussa käytettävää ekologista laatusuhdetta (ELS), käyttäen tyypille mallinnettuja havaitsemistodennäköisyyksiä ja koska koko mallinnusta arvioidaan, otettiin mukaan myös ne, joille pc on vakio (yleiskeskiarvo). Odotettu arvo E, eli kuinka monta lajia pitäisi löytyä, laskettiin

summaamalla havaitsemistodennäköisyydet ehdolla P ≥ 0,4 (Aroviita ym. 2019).

Havaittu arvo O taas laskettiin olemassa olevista aineistoista sen perusteella, kuinka monta näistä lajeista, joiden esiintymistodennäköisyys oli vähintään 0,4, löytyi kohteista.

Toinen validointikeino oli ennustaa kaikille todellisille vertailupaikoille lajien havaitsemistodennäköisyydet kehitetyillä malleilla. Jokaiselle vertailupaikalle laskettiin E esiintymistodennäköisyyksien summana (ehdolla P ≥ 0,4) ja katsottiin, kuinka moni lajeista (joiden P ≥ 0,4) oli paikalla ja laskettiin O/E. Tässä siis kaikille 17 pienten kivennäismaiden jokien vertailupaikalle laskettiin paikkakohtainen O/E. Kaikkien edellä mainittujen tapojen mukaan laskettujen O/E-suhteiden keskinäisiä yhteyksiä, sekä arvojen jakaumia tarkasteltiin. Parhaita menetelmiä ovat ne, joilla O/E keskiarvo on lähimpänä arvoa 1 (harha eli systemaattinen virhe = keskiarvo-1, pienin) sekä keskihajonta (satunnaisvirhe) ja kokonaisvirheen odotusarvo (RMSE, systemaattisen virheen ja satunnaisvirheen neliöiden summan neliöjuuri) ovat pienimpiä (Ostermiller & Hawkins, Van Sickle ym. 2006).

Kun menetelmää oli ensin testattu pienillä kivennäismaiden joilla, toteutettiin sama laskenta pienille savimaiden joille. Tosin tässä mallinnuksessa mallit rakennettiin IMP-aineistolla sekä IMP+REF-aineistolla alusta asti, kun pienillä kivennäismaiden joilla käytettiin rakenteellisesti samoja malleja (samat ennustavat muuttujat) sekä IMP- että IMP+REF-aineistoilla. Mallinnus tehtiin uudelleen eri aineistolla, jotta saatiin selville tuliko muutoksia ennusteiden lisäksi mallien rakenteeseen, kun aineistoon lisättiin aineiston viisi vertailupaikkaa. Pienten savimaiden jokien aineistoilla mallit rakennettiin kaikille lajeille (ei vain niille, joiden nykyinen muihin jokityyppeihin perustuva P > 0,3), sillä niiden todellisia havaitsemistodennäköisyyksiä ei tiedetä vertailupaikkojen puuttumisen takia.

Mallinnuksen validointi oli hankalampaa, koska vertailupaikkoja oli vain viisi, mistä syystä O/E-suhteet laskettiin vertailupaikkojen lisäksi myös IMP-paikoille.

Happamien sulfaattimaiden yhteyttä O/E-suhteisiin tutkittiin QGIS-ohjelmalla tuotettuun sulfaattimaa-aineistoon perustuen. Ensin tarkasteltiin, osuvatko pienten savimaiden jokien näytteenottopisteet Litorina-meren pohjan alueelle, minkä

jälkeen tutkittiin silmämääräisesti kartoista, millä riskillä (hyvin pieni, pieni, kohtalainen ja suuri) pienet savimaiden joet osuvat happamien sulfaattimaiden alueille. Lisäksi tarkasteltiin, onko Litorina-alueella olevien jokien O/E-suhteissa eroja niihin, jotka ovat sen ulkopuolella.

3 TULOKSET

3.1 Pienten kivennäismaiden jokien pohjaeläimistön vertailuolojen mallinnus IMP-aineistolla

Malleilla ennustettiin vakioituun näytteenottoon sidotut havaitsemistodennäköisyydet (pc) luoduille REF-paikoille (LREF0-10). Mallinnetut pc -arvot olivat lähimpänä havaittuja (tällä hetkellä käytössä olevia) tyyppiperusteisia pc -arvoja luodussa LREF10 paikassa (Kuva 3). Tällöin mallinnettujen ja havaittujen pc -arvojen korrelaatio oli 0,78.

Kuva 3. Pienten kivennäismaiden jokien lajien havaitsemistodennäköisyydet (pc) luodussa LREF10 paikassa verrattuna vertailupaikoista laskettuihin tyyppiperusteisiin pc -arvoihin.

y = 0,6529x + 0,254 R² = 0,6011

0,00 0,20 0,40 0,60 0,80 1,00 1,20

0,00 0,20 0,40 0,60 0,80 1,00 1,20

Tyyppiperusteinen pc

LREF10 p_c

Asutuksen osuus valuma-alueesta oli ennustavana muuttujana 15 lajin mallissa (Liite 1, Taulukko 1). Malleissa ennustavien muuttujien kertoimet (+ tai -) määrittävät, onko muuttuja pc -arvoa lisäävä vai vähentävä (Liite 2, Taulukko 1).

Seitsemässä mallissa asutus oli mukana mallissa sekä ensimmäisen että toisen asteen muuttujana, jolloin sovitetut pc -arvot muodostivat paraabelin. Neljässä mallissa sovitteet ensin pienenivät ja sitten suurenivat taas asutuksen osuuden kasvaessa, kuten esimerkiksi Sphaeriidae -heimon mallissa (Kuva 4a), ja kolmessa mallissa päinvastoin (Liite 2, Taulukko 1). Kahdeksassa mallissa asutus oli ainoa selittävä muuttuja, jolloin viidessä tapauksessa sen osuus valuma-alueella suurensi sovitettuja pc -arvoja, kuten Lepidostoma hirtum -lajilla (Kuva 4b). Kolmessa tapauksessa asutuksen osuuden kasvaessa sovitetut pc -arvot pienenivät (Liite 2, Taulukko 1).

Maatalouden osuus valuma-alueesta oli ennustavana muuttujana 11 mallissa (Liite 1, Taulukko 1). Viidessä näistä malleista maatalous oli mukana ensimmäisen ja toisen asteen muuttujana, joista kolmessa häiriö ensin suurensi sovitettuja pc -arvoja ja sitten pienensi niitä, ja kahdessa mallissa päinvastoin (Liite 2, Taulukko 1).

Kuudessa mallissa maatalous oli vain yhtenä muuttujana, jolloin kaikissa tapauksissa häiriö suurensi lajin pc -arvoa; esimerkkeinä Amphinemura – ja Hydraena-suvut (Kuva 4c ja d). Hydraena -suvulla mallin ennustavana muuttujana on maatalouden lisäksi valuma-alueen koko, mistä syystä sen sovitetuissa pc - arvoissa on maanviljelyn suhteen hajontaa.

Ojitettujen turvemaiden osuus valuma-alueella oli ennustavana muuttujana kahdeksassa mallissa, joista puolessa häiriön kasvaessa pc pieneni ja puolessa suureni (Liite 1, Taulukko 1). Esimerkiksi lajille Hydropsyche siltalai ojitus oli pc - arvoa laskevana tekijänä (Kuva 4e). Valuma-alueen koko oli ennustavana muuttujana 12 mallissa, joista yhdessä mallissa valuma-alueen koon kasvaessa lajin pc suureni ja kaikissa muissa pieneni (Liite 2, Taulukko 1). Valuma-alueen koko oli ainoana ennustavana muuttujana Diura -suvulle (Kuva 4f).

Kuva 4. Esimerkkejä taksonien a) Sphaeriidae, b) Lepidostoma hirtum, c) Amphinemura, d) Hydraena, e) Hydropsyche siltalai, f) Diura, g) Baetis niger ja h) Baetis rhodani havaituista esiintymisistä (1) ja puuttumisista (0) (mustat pisteet) sekä mallinnetut havaitsemistodennäköisyydet (pc) (sovitteet) suhteessa valittuihin ennustaviin muuttujiin (valkoiset pisteet) pienten kivennäismaiden jokien paikoilla.

pc

a)

pc

b)

pc

c)

pc

d)

pc

e)

pc

f)

pc

g)

pc

h)

Esimerkiksi Baetis niger -lajiryhmän mallin ennustavina muuttujina olivat maatalouden osuus valuma-alueesta, maatalous² ja ojitettujen turvemaiden osuus valuma-alueesta (Liite 1, Taulukko 1). Sovitetut ja havaitut pc -arvot selkeästi suurenivat maatalouden pinta-alan osuuden kasvaessa nollasta kymmeneen prosenttiin, minkä jälkeen ne pienenivät (Kuva 4g). Baetis rhodani -lajille ei löytynyt merkitsevää mallia, eli millään valuma-alueen maankäytöstä aiheutuvalla häiriöllä ei ole yhteyttä lajin havaitsemiseen, joten sen pc -arvona käytetään yleiskeskiarvoa (Liite 2, Taulukko 1). Lajia voidaan silti tarkastella graafisesti esimerkiksi asutuksen kanssa (Kuva 4h). Esiintymisiä näyttäisi olevan vähän tiheämmässä asutuksen osuuden ollessa valuma-alueella pieni ja harvemmin osuuden ollessa suurempi.

Asutuksen osuus valuma-alueella ei ennusta lajin esiintymistä riittävän hyvin, sillä niissäkin paikoissa joissa Baetis rhodani -lajia ei esiinny, on asutuksen osuus pieni.

3.2 Pienten kivennäismaiden jokien pohjaeläimistön vertailuolojen mallinnus IMP- ja REF-aineistoilla

Mallien ennusteet muuttuivat pääasiassa hyvin vähän, kun mukana oli IMP- aineiston lisäksi myös REF-aineisto (Kuva 5), mutta muutama muutos oli suurempi.

Heptagenia sulphurea -lajin havaitsemistodennäköisyys (pc) (luodussa vertailutilassa REF10) IMP-aineiston perusteella ennustettuna oli 0,34 ja IMP+REF aineistolla 0,62.

Sericostoma personatum -lajin pc oli IMP-aineistolla ennustettuna 0,60 ja IMP+REF- aineistolla ennustettuna 0,35. Ceratopogonidae -heimon esiintymistodennäköisyys oli IMP-aineistolla ennustettuna 0,34 ja IMP+REF-aineistolla 0,83 (Liite 1, Taulukko 2). Keskimäärin esiintymistodennäköisyys kasvoi 3 % (keskihajonta = 0,12), kun aineistossa oli mukana REF-paikat.

Kuva 5. IMP+REF-aineistoilla ja IMP-aineistolla ennustetut havaitsemistodennäköisyydet (pc) pienten kivennäismaiden jokien vertailuoloissa.

3.3 Pienten kivennäismaiden jokien mallien validointi

IMP-aineistolla mallinnettaessa 34 lajista kahdeksalle lajille ei löytynyt merkitsevää mallia (p-arvo > 0,05), jolloin niiden pc -arvoksi otettiin IMP-paikoista laskettu yleiskeskiarvo. Näitä lajeja oli Asellus aquaticus, Baetis rhodani, Ithytrichia, Hydropsyche pellucidula, Hydropsyche angustipennis, Limnephilidae, Empididae ja Muscidae (Liite 1, Taulukko 1). Kuudella taksonilla (Gyraulus, Leuctra, Rhyacophila nubila, Hydropsyche siltalai, Limoniidae ja Oulimnius tuberculatus) p-arvo oli 0,06, mutta niiden mallit pidettiin mukana merkitsevien mallien joukossa. IMP+REF- aineistolla mallinnettaessa 10 taksonin mallin p-arvo oli selvästi suurempi, ja niille käytettiin havaitsemisen keskiarvotodennäköisyyttä. IMP+REF-aineistoilla mallinnettaessa 13 taksonilla (Gyraulus, Leptophlebiidae, Heptagenia sulphurea, Baetis niger, Leuctra, Amphinemura, Diura, Isoperla, Rhyacophila nubila, Polycentropus flavomaculatus, Hydropsyche siltalai, Limoniidae ja Limnius volckmari) mallin p-arvo suureni merkitsevyyden rajan yläpuolelle, mutta muutokset niiden pc -arvojen ennusteissa olivat pieniä (Liite 1, Taulukot 1 ja 2).

0 0,2 0,4 0,6 0,8 1 1,2

0,00 0,20 0,40 0,60 0,80 1,00 1,20 pcvertailuoloissa (IMP + REF)

p_cvertailuoloissa (IMP)

Tyypille (IMP-aineistolla) mallinnetuilla pc -arvoilla laskettujen vertailupaikkojen odotettujen taksonien lukumäärä E oli hieman pienempi kuin tyyppiperusteinen (Taulukko 6), mutta mallinnetut ja tyyppiperusteiset O/E-suhteet olivat käytännössä samat. Vertailupaikoille paikkakohtaisesti mallinnettujen pc -arvojen perusteella lasketut odotettujen taksonien lukumäärät vaihtelivat suuresti, mutta O/E-suhteiden keskihajonta ei silti ollut kovin paljoa suurempi kuin muilla ja keskiarvo oli lähellä 1 (Taulukko 6). Tyyppiperusteiset vertailupaikkojen O/E- suhteet olivat myös paikkakohtaisesti hyvin lähellä tyypille mallinnettujen vertailuolojen perusteella laskettuja O/E-suhteita, ilman huomattavia poikkeamia (Kuva 6a). Tyypille mallinnetut ja tyyppiperusteiset O/E-suhteet olivat hieman suurempia kuin vertailupaikoille paikkakohtaisesti mallinnetuista vertailuoloista lasketut paikkakohtaiset O/E-suhteet (Kuva 6b ja c).

Taulukko 6. O/E-suhteet pienten kivennäismaiden jokien vertailupaikoille. O = observed eli havaittujen pohjaeläintaksonien lukumäärä, E = expected eli odotettujen pohjaeläintaksonien lukumäärä.

Masterid ja koskipaikka

Mallinnetut Tyyppiperusteiset Vertailupaikkakohtai -sesti mallinnetut

E O/E E O/E E O/E

72 Heinijoki 17,82 0,84 18,35 0,82 13,13 0,69

129 Jurvonjoki 17,82 1,12 18,35 1,20 14,68 1,09

169 Kapustajoki 17,82 0,84 18,35 0,93 14,35 0,77

349 Kuusoja 1 17,82 1,18 18,35 1,14 12,10 1,07

435 Lauhjoki 9_0 17,82 1,01 18,35 1,09 12,25 1,06

585 Myllyjoki 17,82 1,01 18,35 0,98 13,82 1,16

636 NuumylES 17,82 0,62 18,35 0,60 14,60 0,68

680 Palosenjoki Ryönänkoski

17,82 1,01 18,35 1,09 12,52 1,12

849 Sallaanpuro 17,82 1,12 18,35 1,09 14,03 1,00

1264 Alajoki 17,82 0,90 18,35 0,93 12,72 0,94

1292 Hirvasjoki 17,82 1,07 18,35 1,14 19,46 0,98

1345 Jänisjoki Ampumarata

17,82 0,84 18,35 0,87 14,32 0,84

1586 Peräjoki D 17,82 0,95 18,35 0,98 14,28 0,98 1603 Pusonjoki

457 17,82 1,01 18,35 0,93 15,36 0,78

1626 Ruonanjoki

Hyyrynkoski 17,82 1,35 18,35 1,31 16,78 1,43

1652 Sirkanpuro 17,82 1,07 18,35 1,09 13,39 0,90

1761 Vermutjoki 630

17,82 0,79 18,35 0,82 13,97 0,79

Keskiarvo 0,98 1,00 14,22 0,96

Keskihajonta 0,171 0,171 1,79 0,193

Kuva 6. Pienten kivennäismaiden jokien a) tyyppiperusteisten ja mallinnettujen, b) vertailupaikkakohtaisten ja mallinnettujen ja c) tyyppiperusteisten ja vertailupaikkakohtaisten havaitsemistodennäköisyyksien (pc) perusteella laskettujen O/E-suhteiden keskinäiset yhteydet.

3.4 Pienten savimaiden jokien pohjaeläimistön vertailuolojen mallinnus IMP- aineistolla

Kivennäismaiden jokien tapaan mallit näyttäisivät ennustavan lajien pc -arvot myös savimaiden joille parhaiten, kun maankäytön osuus on 10 %, eli luodussa vertailupaikassa LREF10. Silloin ennusteet ovat lähimpänä viidestä todellisesta vertailupaikasta laskettuja pc -arvoja (Kuva 7a), jotka tosin on laskettu vain viiden referenssipaikan avulla, joten ne ovat hyvin epätäsmällisiä ja vain suuntaa antavia.

Korrelaatio vertailupaikoista laskettujen ja mallinnettujen pc -arvojen luodun LREF10 paikan välillä on 0,76. Pienten savimaiden jokien mallien ennusteet erosivat huomattavasti tyyppiperusteisista pc -arvoista, jotka on laskettu turve- ja

0,4 0,8 1,2 1,6

0,4 0,8 1,2 1,6

Tyyppiperusteinen

Vertailupaikkakohtainen 0,4

0,8 1,2 1,6

0,4 0,8 1,2 1,6

Tyyppiperusteinen

Mallinnettu

0,4 0,8 1,2 1,6

0,4 0,8 1,2 1,6

Vertailupaikkakohtainen

Mallinnettu

a) b) c)

kivennäismaiden jokien aineistoilla (Kuva 7b). Keskimäärin tyyppiperusteinen pc

oli 3 % suurempi kuin mallinnettu, mutta erotusten hajonta oli suuri (keskihajonta

= 0,25).

Kuva 7. Pienten savimaiden jokien IMP-aineistolla mallinnettujen havaitsemistodennäköisyyksien (pc) ja a) vertailupaikoista laskettujen (VRT) sekä b) tyyppiperusteisten pc -arvojen yhteydet.

Mallien ennustavien muuttujien kulmakertoimet määrittävät, onko kyseisen muuttujan yhteys pc -arvoon sitä pienentävä vai suurentava. Maatalouden osuus valuma-alueesta oli yleisin ennustava muuttuja malleissa (n = 30) (Liite 1, Taulukko 3). 14 lajilla maatalous oli myös toisen asteen muuttujana mallissa, jolloin ennusteet häiriön kasvaessa ensin suurenivat ja sitten pienenivät (n = 10) tai päinvastoin (n = 4). 16 mallissa maatalous oli ennustavana muuttujana sellaisenaan, jolloin kahdeksassa tapauksessa sen osuuden kasvaessa pc suureni ja kahdeksassa tapauksessa pieneni (Liite 2, Taulukko 2).

Asutuksen osuus valuma-alueesta oli ennustavana muuttujana 29 mallissa, joista 12:ssa se oli ensimmäisen ja toisen asteen terminä (Liite l, Taulukko 3). Seitsemässä mallissa sovitetut ennusteet asettuivat asutuksen suhteen paraabelin muotoon, jossa pc ensin suureni asutuksen osuuden kasvaessa ja sitten pieneni, viidessä mallissa päinvastoin. 17 mallissa asutus oli vain yhtenä muuttujana mallissa, joista 15 mallissa osuuden kasvaessa pc pieneni ja kahdessa mallissa suureni (Liite 2, Taulukko 2).

0 0,4 0,8 1,2

0,0 0,4 0,8 1,2

VRT pc

Mallinnettu pc

0,0 0,4 0,8 1,2

0,0 0,4 0,8 1,2

Tyyppiperusteinen pc

Mallinnettu p_c

a) b)

Ojitettujen turvemaiden osuus oli ennustavana muuttujana 16 mallissa, joista kuudessa sen yhteys pc -arvoon oli sitä pienentävä ja kymmenessä suurentava (Liite 2, Taulukko 2). Valuma-alueen koko oli ennustavana muuttujana 22 mallissa (Liite 1, Taulukko 3). Viidessä mallissa suurempi valuma-alueen koko ennusti pienempiä pc -arvoa ja 17:sta mallissa suurempia.

Esimerkiksi Agapetus -suvun mallin ennustavina muuttujina olivat asutuksen osuus valuma-alueesta, asutus² ja ojitettujen turvemaiden osuus valuma-alueesta (Liite 1, Taulukko 3). Sovitettujen pc -arvojen ja ennustavien muuttujien välillä on hankalampaa nähdä yhteys, kun mallissa on mukana useampi muuttuja (Kuva 8a ja b). Havaittuja esiintymisiä (1) IMP-aineistossa on eniten, kun asutuksen osuus valuma-alueesta on 0–10 %, minkä jälkeen havaintoja on hyvin harvassa (Kuva 8a).

Tämä näkyy mallin sovitetuissa ennusteissa jyrkkänä laskuna. Ojitettujen turvemaiden osuus vaikuttaa ennusteisiin päinvastoin. Malli ennustaa pienemmät pc -arvot, kun ojitettujen turvemaiden osuus on alle 5 % ja suuremmat osuuden ollessa yli 5 % (Kuva 8b).

Kuva 8. Esimerkkejä taksonien a) ja b) Agapetus, c) Isoperla ja d) Asellus aquaticus havaituista esiintymisistä (1) ja puuttumisista (0) (mustat pisteet) sekä mallinnetut

pc

a)

pc

b)

pc

c)

pc

d)

havaitsemistodennäköisyydet (pc) (sovitteet) suhteessa valittuihin ennustaviin muuttujiin (valkoiset pisteet) pienten savimaiden jokien paikoilla.

Isoperla -suvun mallissa on ennustavana muuttujana asutus² (Liite 1, Taulukko 3).

Pienten savimaiden jokien IMP-aineistossa oli ainoastaan muutama havaittu esiintyminen hyvin pienellä häiriöllä (< 5%) ja muissa paikoissa havaittuja esiintymisiä ei ollut lainkaan (Kuva 8c). Tämä näkyy myös hyvin jyrkkänä laskuna mallin sovitetuissa pc -arvoissa (0,6–0), asutuksen osuuden kasvaessa kymmeneen prosenttiin valuma-alueella (Kuva 8c). Asellus aquaticus -lajille ei löytynyt merkitsevää mallia, eli mitkään valuma-alueen maankäytön aiheuttamista häiriöistä ei vaikuta merkittävästi sen havaitsemiseen, jolloin pc -arvoksi otettiin yleiskeskiarvo kaikilta IMP-paikoilta. IMP-paikoilla havaittuja esiintymisiä oli tasaisesti, vaikka maatalouden osuus valuma-alueella oli suurta (Kuva 8d), mikä tukee päätelmää, ettei maatalouden osuudella (tai muidenkaan mitattujen häiriöiden) ole yhteyttä sen pc -arvoon.

3.5 Pienten savimaiden jokien pohjaeläimistön vertailuolojen mallinnus IMP- ja REF-aineistoilla

Lähimmäksi viiden vertailupaikan perusteella laskettuja pc -arvoja malli ennusti, kun häiriö oli asetettu tasoon LREF8 (Kuva 9a). IMP+REF-aineistolla ennustettujen ja viidestä vertailupaikasta laskettujen pc -arvojen korrelaatio on 0,87. Suurimmalla häiriön tasolla (LREF10) ennustettujen ja vertailupaikoista laskettujen pc -arvojen korrelaatio oli hieman pienempi 0,85. Vertailuoloiksi valittiin kuitenkin LREF10, koska se vaikutti parhaalta myös kivennäismaiden jokien mallinnuksen perusteella.

Viisi vertailupaikkaa on liian vähän vahvojen johtopäätösten tekemiseen, eivätkä LREF8 ja LREF10 ennusteet juurikaan eronneet toisistaan (Kuva 9a ja b).