Artikkelit jotka sisältää sanan 'luotettavuus'

Aiemmissa tutkimuksissa relaskooppia käyttäen mitattujen pohjapinta-alojen ja tilavuuksien on havaittu olevan lieviä aliarvioita, etenkin kuusikoissa. Harhassa on havaittu myös selkeä trendi: vähäpuustoisilla kuvioilla arviot ovat yliarvioita, ja suuripuustoisilla kuvioilla taas aliarvioita. Havaittujen aliarvioiden syyksi on arveltu mm. heikosta näkyvyydestä aiheutuvaa mittausvirhettä, suunnittelijoiden varovaisuutta sekä valittujen havaintopisteiden epäedustavuutta. Aiemmissa tutkimuksissa on havaittu myös pohjapinta-alan arvioiden kasvavan systemaattisesti relaskooppikertoimen kasvaessa. Tässä tutkimuksessa pyrittiin selvittämään mitkä ovat ilmiön syyt. Hyytiälän metsäasemalla järjestetyssä kokeessa 24 suunnittelun ammattilaista mittasi kukin 9 kuviota, joiden joukkoon valittiin erityisen suuripuustoisia kohteita. Kullekin kuviolle tehtiin systemaattinen koealaotanta, josta laskettiin kuvion puustotiedot. Kokeessa suunnittelijat merkitsivät maastoon mittaamiensa relaskooppikoealojen paikat, ja kirjasivat mittaustulokset. Näiden havaintojen keskiarvona saatiin kullekin kuviolle toinen puustoarvio. Kolmantena arviona oli suunnittelijan harkintaa edustava kuvion keskimääräinen arvio. Lisäksi kaikista merkityistä ja löydetyistä mittauspisteistä tehtiin tarkistusmittaus, josta saatiin kuvioille neljäs puustoarvio. Näiden mittausten perusteella virhe jaettiin kolmeen komponenttiin: mittausvirhe, harkinnanvaraisesta arviosta johtuva virhe sekä jäännösvirhe, joka sisältää koealojen sijoittelusta johtuvat sekä muut mahdolliset virheet. Tuloksissa havaittiin sama harhan trendi kuin aiemmissakin tutkimuksissa. Ylivoimaisesti suurin virheen komponentti tässä tutkimuksessa oli mittausvirhe. Suuripuustoisilla kuvioilla, mitattaessa puita pienillä relaskooppikertoimilla, näyttää osa puista jäävän havaitsematta. Näissä metsissä kannattaisikin käyttää 2 tai jopa 4 m²/ha relaskooppikerrointa.

• Saari, Sähköposti: annika.kangas@helsinki.fi
• Kangas, Sähköposti: ei.tietoa@metsatiede.org

Tässä tutkimuksessa testattiin k-lähimmän naapurin (knn) menetelmän ja monitavoiteoptimoinnin soveltuvuutta metsikön kasvuennusteiden luotettavuuden arviointiin. Tutkimuksen aineistona käytettiin Metsäntutkimuslaitoksen kangasmaiden kasvukoealoja. Puulajeista tarkasteltiin mäntyä, kuusta ja koivua. Koealoilta muodostettiin kuvioittaisen arvioinnin SOLMU- ja TASO-muotoiset tiedostot, joihin simuloitiin lisäksi kuvioittaisen arvioinnin mittausvirhettä. Luotettavuusarviot estimoitiin pohjapinta-alamediaanipuun läpimitalle ja pituudelle, pohjapinta-alalle ja tilavuudelle. Luotettavuusarviot estimoitiin puulajeittain ja metsikölle. Kuvion puustotunnusten luotettavuusarviot saatiin k lähimmän naapurin vastaavien tunnusten kehitysennusteiden virheiden hajonnasta, joille oli ennustettu samantasoinen kasvu samanlaisilla puustotunnuksilla. Virhe saatiin kasvukoealalta mitatun ja MELAlla simuloidun kehityksen erona. Lähimpien naapureiden haussa käytetyt metsikkö- ja puustotunnukset ja tunnusten painot etsittiin monitavoiteoptimoinnilla. Menetelmää testattiin estimoimalla kunkin kuvion puustotunnuksien kehitysennusteiden luotettavuusarviot etsien lähimmät naapurit tutkimusaineistosta, josta poistettiin kulloinkin käsiteltävä kuvio. Menetelmän hyvyyttä tarkasteltiin vertaamalla puustotunnusten kasvuennusteiden toteutuneita keskivirheitä ja harhaa knn-menetelmän tuottamiin keskivirheiden ja harhan ennusteisiin. Lisäksi hyvyyttä arvioitiin tarkastelemalla keskivirheitä ja harhaa metsätyypeittäin ja pohjapinta-ala- ja ikäluokittain. Menetelmä toimi hyvin tutkimusaineistossa. Kuvioaineiston tietosisällöllä (SOLMU/TASO) ei ollut merkittävää vaikutusta tuloksiin. Menetelmää voidaan käyttää metsänomistajan päätöksenteon tukena ennusteiden luotettavuuden arvioinnissa. Luotettavuusarviot poistavat liian optimistiset kuvitelmat suunnittelulaskelmien paikkansa pitävyydestä. Menetelmää voidaan käyttää myös laskennallisessa ajantasaistuksessa päätettäessä, käytetäänkö kuviotiedoston ajantasaistusta kuvioittaisen inventoinnin tukena tai korvaamassa osittain uutta inventointitietoa.

• Haara, Sähköposti: arto.haara@metla.fi

Kaukokartoitukseen perustuva hilamuotoisen (tai rasterimuotoisen) metsävaratiedon keruu on merkittävä investointi, joka on mitoitettava kustannustehokkaasti. Mitoittaminen edellyttää tietoa kustannusten lisäksi myös tiedon arvosta eli tiedon tuottamista hyödyistä kaikissa niissä päätöstilanteissa, joissa tietoa sovelletaan. Tämän tutkimuksen tavoitteena oli selvittää hilamuotoisen metsävaratiedon käyttöä ja hyötyjä. Tutkimusta varten haastateltiin metsäalan toimijoita metsävaratietoa hyödyntävistä organisaatioista. Haastatteluissa toimijat kuvasivat metsävaratiedon käyttötilanteita, käytettävyyttä eri tilanteissa, käytön laajuutta ja käytöstä arvioituja hyötyjä omasta näkökulmastaan. Tässä tutkimuksessa on koottu yhteen haastateltujen näkemykset. Lisäksi tarkastellaan haastatteluissa esille nousseita hyötyjen realisointiin vaikuttavia tekijöitä ja niiden vaikutuksia.

• Kangas, Luonnonvarakeskus (Luke), Metsävarojen inventointi ja metsäsuunnittelu, Joensuu https://orcid.org/0000-0002-8637-5668 Sähköposti: annika.kangas@luke.fi
• Packalen, Luonnonvarakeskus (Luke), Metsävarojen inventointi ja metsäsuunnittelu, Joensuu Sähköposti: tuula.packalen@luke.fi

Useimmat käytössä olevat lahopuuston inventointimenetelmät on kehitetty maalahopuun inventointiin. Metsikön sukkessiovaiheesta ja häiriödynamiikasta riippuen luonnontilaisen boreaalisen metsän lahopuusta noin kolmannes muodostuu pystyyn kuolleesta puustosta. Näin ollen on tärkeää kehittää ja tutkia menetelmien soveltuvuutta myös kokonaislahopuuston määrän arvioimiseen. Tutkimuksessa selvitettiin kahden relaskooppihahlon käyttöä pysty- ja maalahopuuosuuksien inventoinnissa. Relaskooppiotannalla inventoidun lahopuuston tunnuksia verrattiin useissa tutkimuksissa käytettyyn ympyräkoealainventointiin. Tutkimuksen tarkoitus oli selvittää menetelmän käyttökelpoisuutta, luotettavuutta ja tuottavuutta Siuntion metsissä tehdyssä testissä. Tuloksien perusteella relaskooppiotantaan perustuvien inventointimenetelmien tuottavuus laskettaessa yksittäisen koealan mittaamiseen kulunutta aikaa oli usein kiinteäalaisia koealoja pienempi. Toisaalta mittausteknisten päätösten vaikutus mittausnopeuteen havaittiin merkittäväksi. Vaihtuvasäteiset menetelmät osoittautuivat kiinteäsäteistä suositeltavimmiksi niiden paremman luotettavuuden ansiosta. Pysty- ja maalahopuuston mittaaminen relaskooppikoealalta samanaikaisesti ei vaikuttanut merkittävästi koealan mittaukseen kuluneeseen aikaan.

• Leino, Sähköposti: olli.pt.leino@helsinki.fi
• Holopainen, Sähköposti: ei.tietoa@metsatiede.org
• Mäkinen, Sähköposti: ei.tietoa@metsatiede.org
• Happonen, Sähköposti: ei.tietoa@metsatiede.org
• Kiviaho, Sähköposti: ei.tietoa@metsatiede.org
• Tuominen, Sähköposti: ei.tietoa@metsatiede.org

Tutkimuksessa vertailtiin nykyisin sovellettuja inventointimenetelmiä (ympyräkoeala- ja kaista-inventointi) linja-leikkaus-otantaan (Line Intersect Sampling LIS) lahopuun inventoinnissa. Tarkoitus oli vertailla näiden kahden inventointitavan käyttökelpoisuutta, tuottavuutta ja luotettavuutta Nuuksion ulkoilualueella tehdyssä testissä. Testissä kaikille alueille laskettiin kaksi tai kolme riippumatonta inventointitulosta eri menetelmillä. LIS-menetelmässä tehtyjen havaintojen määrä (yhtä aluetta lukuun ottamatta) linjakilometriä kohden oli samaa luokkaa kaistainventoinnin kanssa. Kaista oli tässä tapauksessa niin kapea, ettei se juuri poikennut LIS-menetelmästä. Pienillä ympyräkoealoilla tehtiin vähiten havaintoja. Luotettavuudeltaan LIS-inventointi oli jokaisella alueella paras, mutta kun suhteutettiin luotettavuus linjan pituuteen, mittausaikaan tai mitattuihin puihin, muut menetelmät osoittautuivat usein tehokkaammiksi. Parantunut luotettavuus ei siis riittänyt kompensoimaan lisääntynyttä linjan pituutta. Tämä saattoi kuitenkin johtua ryhmien ja alueiden välisestä erosta, sillä yhdellä alueella, jossa linjat olivat täsmälleen samat, LIS oli tehokkaampi myös suhteessa linjan pituuteen.

• Kangas, Sähköposti: annika.kangas@helsinki.fi
• Aakala, Sähköposti: ei.tietoa@metsatiede.org
• Alanen, Sähköposti: ei.tietoa@metsatiede.org
• Haavisto, Sähköposti: ei.tietoa@metsatiede.org
• Heikkilä, Sähköposti: ei.tietoa@metsatiede.org
• Kaila, Sähköposti: ei.tietoa@metsatiede.org
• Kankaanpää, Sähköposti: ei.tietoa@metsatiede.org
• Kämäri, Sähköposti: ei.tietoa@metsatiede.org
• Leino, Sähköposti: ei.tietoa@metsatiede.org
• Mäkinen, Sähköposti: ei.tietoa@metsatiede.org
• Nurmela, Sähköposti: ei.tietoa@metsatiede.org