Metsävaratiedot ovat metsäbiotalouden toimintojen suunnittelun perusta.  Metsävaratiedon ja metsien kehitystä kuvaavien skenaarioiden sisältö, laatu ja ajantasaisuus ovat yhä tärkeämpiä. Ilmaston muuttuminen, luontokato ja monet muut ajankohtaiset ongelmat tarvitsevat työkaluja parempaan päätöksentekoon.

Uudet ja muuttuvat tietotarpeet edellyttävät tutkimukselta kansainvälisesti korkeatasoista menetelmäkehitystä. Metsävaratiedon keruussa hyödynnettävää teknologiaa kehitetään koko ajan. Kaukokartoituksen rooli korostuu samalla kun maastotyöhön käytettävissä olevat resurssit niukkenevat.

Metsävaratiedon tuottamisessa hyödynnetään huipputeknologiaa

Viime vuosina on kehitetty menetelmiä ja tekniikoita 3D-tiedon tuottamiseksi esimerkiksi lento- tai maalaserkeilauksesta sekä ilmakuvista. Akatemian lippulaivahankkeessa (UNITE, Forest-Human-Machine Interplay) tuotetaan muun muassa uusia teknologioita ja menetelmiä 3D-tiedon tuottamiseen ja hyödyntämiseen puu- metsikkö ja aluetasolla.

Kuva 1. Maalaserkeilauksella tuotettu kuva puiden latvoista Lapinjärvellä.

Maalaserkeilauksella voidaan tuottaa tiheitä pistepilviaineistoja esimerkiksi puiden rungon ja oksien tarkkaan mallinnukseen (kuva 1). Droonien ja uuden kansallisen laserkeilausohjelman aineistojen avulla puolestaan saadaan uutta tietoa metsiköiden latvuston rakenteesta ja puiden tilajärjestyksestä. Tätä tietoa voidaan käyttää vaikkapa metsien luonnontilaisuuden tai monimuotoisuuden arvioimisessa. Satelliittikuva-aikasarjoilla saadaan entistä tarkempaa seurantatietoa siitä, miten metsät muuttuvat ja miten ne palautuvat erilaisista häiriöistä.

Mittaustieto ei vielä riitä, vaan se on jalostettava käyttökelpoiseen muotoon. Jalostamisessa käytetään hyväksi erilaisia laskennallisia menetelmiä. Uuden sukupolven kaukokartoitusaineistot sisältävät valtavan määrän dataa, jota on vaikea muuntaa hyödylliseksi informaatioksi perinteisten kuvantulkintamenetelmien kautta, ja siksi uusien kaukokartoitusaineistojen metsällisessä tulkinnassa on alettu hyödyntää entistä enemmän tekoälyä ja koneoppimista.

Koneoppimisen keinoina käytetään muun muassa geneettisiä algoritmeja ja neuroverkkoja. Viimeisimpänä kehitysaskeleena koneoppimisen alalla mukaan ovat tulleet syväoppivat konvolutionaaliset neuroverkot, jotka pystyvät entistä itsenäisemmin (s.o. ilman käyttäjän ohjausta) hakemaan ja muodostamaan lähtöaineistosta puustotulkinnan kannalta hyödyllistä informaatiota.

Tuotetun tiedon laatu on tunnettava, ja laatuarvioiden on oltava käytettävissä tietoja jalostettaessa ja hyödynnettäessä. Uusia menetelmiä kehitetään esimerkiksi monilähdeinventointiin perustuvien tietojen luotettavuuden arviointiin kuntatasolla tai sitä pienemmillä alueilla. Erityisesti on tarvetta panostaa siihen, että tiedon luotettavuuden merkitys kussakin sovellustilanteessa pystytään päätöksentekijöille havainnollistamaan.

Työkaluja päätöksentekijöille

Metsiä ja niiden kehitystä kuvaavia tietoja tarvitaan päätöksenteon pohjaksi. Metsien nykytilaa ja historiaa koskevien tietojen lisäksi tarvitaan arvioita metsien tulevasta kehityksestä ja käyttömahdollisuuksista. Tietotarpeisiin vastaamiseksi tarvitaan päätöstukijärjestelmiä. MELA (Metsälaskelma) -ohjelmisto on ollut laajasti metsäalan toimijoiden käytössä jo vuosia. Tällä hetkellä on työn alla ohjelmiston uudistaminen. Uuteen ohjelmistoon on tarkoitus lisätä monia sellaisia ominaisuuksia, joita MELAssa ei ole.

MENU-ohjelmistoon sisällytetään puuntuotannon lisäksi myös muita ekosysteemipalveluja. Sitä myöten korostuu tarve monitavoitteiseen päätöksentekoon, esimerkiksi monitavoitteisen optimoinnin työkaluille on tilausta. Ilmaston muuttuessa monien luonnontuhojen odotetaan lisääntyvän, ja sen vuoksi uuteen MENUun lisätään myös epävarmuuksien ja riskien hallinnan työkaluja.

Yläreunan kuva: Erkki Oksanen, Luke.

Katso myös