Blogiartikkelit Inari Helle Riista

Nykyisin on vaikea olla törmäämättä mallien avulla tuotettuun tietoon. Sääennusteet eivät perustu enää lintujen lentoon eivätkä edes hyppiviin sammakoihin, vaan supertietokoneilla ajettuihin säämalleihin. Covid-19-pandemia on puolestaan tuonut toistuvaksi uutiseksi tutkimusorganisaatioiden mallinnukset ja simulaatiot, joilla on pyritty ennustamaan esimerkiksi tartuntojen määrää ja tehohoitopaikkojen riittävyyttä sekä rajoitustoimenpiteiden vaikutusta näihin.

Mallintamisella on yhä suurempi merkitys myös luonnonvarojen, kuten riista- ja kalakantojen tutkimuksessa ja niihin liittyvässä päätöksenteossa.

Mallien avulla voidaan tarkastella ilmiöitä, jotka sisältävät paljon muuttujia ja muuttujien välisiä yhteyksiä, joiden hahmottaminen yhtenä kokonaisuutena voi olla ihmisaivoille haastavaa.

Mitä mallinnus on?

Mallintamisella tarkoitetaan todellisuuden jäljentämistä eri tavoin. Laivainsinöörit tutkivat jään vaikutusta laivojen rakenteisiin hyödyntämällä alusten pienoismalleja ja koealtaita, ja kartografit kuvaavat maapallon pintaa ja sen ominaisuuksia karttojen avulla. Nämäkin ovat esimerkkejä malleista.

Yhä useammin mallintamisella tarkoitetaan ilmiöiden kuvaamista matematiikan keinoin. Tällöin todellisuus pyritään kuvaamaan matemaattisten lausekkeiden avulla yhdistämällä ja muokkaamalla olevassa olevaa tietoa mallinnettavasta ilmiöstä.

Mallintamisen tavoite on kuvata kiinnostuksen kohteena oleva ilmiö, kuten tietyn lajin kannankehitys Suomessa, mahdollisimman yksinkertaisesti, mutta kuitenkin tarpeeksi kattavasti. Mallinnuksessa ei edes tavoitella todellisuuden täydellistä toistamista eli kaikki mallit ovat aina jossain määrin epätäydellisiä. Mallit voivat olla tästä huolimatta hyviä ja hyödyllisiä. Asia on helppo ymmärtää vertaamalla satelliittikuvaa ja peruskarttaa: jos tavoite on suunnistaa paikasta A paikkaan B, on huomattavasti helpompaa käyttää apuna peruskarttaa, vaikka se ei kuvaa ympäristöä yhtä yksityiskohtaisesti kuin satelliittikuva.

Mallien avulla voidaan tarkastella ilmiöitä, jotka sisältävät paljon muuttujia ja muuttujien välisiä yhteyksiä, joiden hahmottaminen yhtenä kokonaisuutena voi olla ihmisaivoille haastavaa. Systeemin, vaikkapa tietyn lajin populaation, toiminnan mallintaminen mahdollistaa myös erilaisten skenaarioiden tutkimisen: jos metsästämme vuosittain tietyn osuuden populaation yksilöistä, miten kannan koko muuttuu tulevaisuudessa? Entäpä jos lopettaisimme metsästyksen kokonaan, mitä sitten tapahtuisi?

Mallien rakentaminen selkeyttää ajattelua ja lisää sen läpinäkyvyyttä. Mallia kehittäessään tutkija joutuu ilmaisemaan, miten uskoo asian tai ilmiön toimivan ja millaisia arvoja tämän systeemin toiminnalle tärkeät tekijät (eli mallin muuttujat ja parametrit) voivat saada. Nykyisin mallinnus auttaa ymmärtämään ja käsittelemään avoimesti myös epävarmuutta, jonka kanssa tutkijat joutuvat aina painiskemaan, tekivätpä millaista tutkimusta tahansa.

Mallintaminen mahdollistaa myös erilaisten skenaarioiden tutkimisen: jos metsästämme vuosittain tietyn osuuden populaation yksilöistä, miten kannan koko muuttuu tulevaisuudessa?

Mitä tarkoittaa bayesilainen lähestymistapa mallintamiseen?

Viime vuosina mallintamisessa on yleistynyt bayesilainen lähestymistapa, joka on saanut nimensä 1700-luvulla eläneeltä papilta ja matemaatikolta, Thomas Bayesiltä. Hänen kehittämänsä Bayesin sääntö kuvaa, miten uusista havainnoista saatu informaatio päivittää alkuperäisen käsityksemme asiasta uudeksi tiedoksi.

Bayesilaisessa mallintamisessa mallin parametrit kuvataan todennäköisyysjakaumien avulla yksittäisten lukujen sijaan. Emme siis oleta tietävämme parametrin, esimerkiksi keskimääräisen pentuekoon, oikeaa arvoa täysin tarkasti, vaan annamme sen jokaiselle mahdolliselle arvolle tietyn todennäköisyyden.

Vaikka bayesilaisen laskennan idea on jo satoja vuosia vanha, hiukkaakin monimutkaisemmissa malleissa lausekkeiden ratkaiseminen perinteisin matematiikan keinoin on usein mahdotonta. Tällöin sovelletaan erilaisia tietokoneperusteisia laskentamenetelmiä, joiden nopea kehitys on mahdollistanut entistä realistisempien ja laaja-alaisempien mallien kehittämisen.

Bayesilainen lähestymistapa mallinnukseen tarjoaa intuitiivisesti ymmärrettävän, mutta järjestelmällisen tavan yhdistää uudet havainnot jo olemassa olevaan tietoon tutkittavasta ilmiöstä. Se myös mahdollistaa hyvinkin erilaisten aineistojen ja tietolähteiden käytön samassa mallissa ja tarjoaa läpinäkyvän tavan epävarmuuden huomioimiseen.

Lukessa bayesilaista lähestymistapaa käytetään monilla aloilla. Riistan- ja kalantutkimuksessa se on käytössä esimerkiksi hirvieläinten, villisian, suurpetojen ja Itämeren lohen kannanarviointityössä ja populaatiomallinnuksessa, katso myös.

Bayesin sääntö kuvaa, miten uusista havainnoista saatu informaatio päivittää alkuperäisen käsityksemme asiasta uudeksi tiedoksi.

Millainen on baysilainen populaatiomalli?

Bayesilaista lähestymistapaa hyödyntävien populaatiomallien voidaan ajatella koostuvan kolmesta osasta. Ensimmäinen niistä on systeemimalli, joka kuvaa käsitystämme tutkittavasta ilmiöstä eli populaation dynamiikasta. Kuvaus perustuu olemassa olevaan ymmärrykseen kokonaisuudelle tärkeistä tekijöistä, niiden välisistä suhteista ja mahdollista arvoista.

Toinen osa on havaintomalli, joka määrittelee, mitä ajattelemme populaatiota koskevasta havaintoaineistosta. Jos olemme laskennoissa havainneet vaikkapa 300 yksilöä, miten ajattelemme tämän luvun kuvaavan populaation todellista yksilömäärää – onko osa yksilöistä voinut jäädä havaitsematta tai ehkä tullut lasketuksi useampaan kertaan? Havaintomallin kautta aineisto päivittää käsitystämme tutkittavasta systeemistä ja sen toiminnasta. Kun mallin parametrit on päivitetty havaintoaineiston avulla, mallin voidaan ajatella olevan (toistaiseksi) valmis eli se kuvaa ymmärrystämme systeemistä tällä hetkellä.

Mallia voidaan tämän jälkeen käyttää myös esimerkiksi kannan kehityksen ennustamiseen ja erilaisten kannanhoitotoimenpiteiden testaamiseen. Tällöin mallia ajetaan eteenpäin olettamalla vaikkapa tietty metsästyskuolleisuus seuraavaksi kymmeneksi vuodeksi. Tämä on kolmas osa eli ennustemalli.

Bayesilaisen lähestymistavan soveltaminen voi aiheuttaa myös hämmennystä. Jokainen uusi havaintopiste lisää ymmärrystämme tutkittavan ilmiön toiminnasta, ja käsityksemme myös menneisyydestä voi samalla muuttua. Jos olemme mallintaneet populaatiota ja käyttäneet siihen 20 vuoden havaintoaineistoja, mallin parametrit ja muuttujien arvot ovat päivittyneet näiden aineistojen perusteella. Kun saamme yhden vuoden lisää havaintosarjaamme ja ajamme mallin uudelleen, tulokset usein muuttuvat hieman koko aikasarjan ajalta. Vaikka menneisyys toki pysyykin muuttumattomana, niin käsityksemme siitä päivittyy.

Mallintaminen tarjoaa paljon mahdollisuuksia, ja sen merkitys tulee kasvamaan monilla aloilla, myös riistan- ja kalantutkimuksessa. Menetelmien kehittyessä ja laskentatehojen kasvaessa voimme kehittää entistä kokonaisvaltaisempia ja myös yksityiskohtaisempia malleja.

Kun malleihin sisällytetään useita lajeja tai samaa ilmiötä tarkastellaan useista eri näkökulmista, on selvää, että mallit myös monimutkaistuvat. Tällöin on tärkeää, että tutkimuksen läpinäkyvyys säilyy ja mallinnusprosessin ja -tulosten kommunikointi tiedon käyttäjille ja muille sidosryhmille on toimivaa. Tämä edellyttää tutkijoilta valmiutta viestintään – ja tiedon vastaanottajilta avoimuutta uusille ajatuksille ja lähestymistavoille.

Näin populaatiomalli toimii:

Kommentoi

  1. Voisi joskus mallintaa todella tuon metsästyksen lopetuksen jolla tietyllä alueella ja myös metsästykseen liittyvä tukitoiminnat riistakarjan hyväksi. Saisi oikeaa tietoa mihin suuntaa tuo mallinnus veisi riistakarjaa.

Vastaa

Moderaattori tarkastaa kommentit ennen niiden julkaisemista mahdollisten roskapostien tai muiden epäasiallisten viestin estämiseksi. Viive julkaisemiseen on enintään vuorokausi viikonloppuja tai juhlapyhiä lukuun ottamatta

Sähköpostiosoitettasi ei julkaista. Pakolliset kentät on merkitty *