Artikkelit jotka sisältää sanan 'k-lähimmän naapurin menetelmä'

Metsien tulevan kehityksen ennustamisessa tarvitaan informaatiota sekä metsien nykytilasta että metsän kasvun mallinnusta. Luotettavat ennusteet metsävarojen kehityksestä ovat tärkeitä niin metsäsuunnittelussa, arvioitaessa metsänhoidollisten toimenpiteiden vaikutuksia kuin varmistettaessa metsien käyttöä kestävän kehityksen mukaan. Suomessa käytettävät kasvumallit ovat yleisesti valtakunnallisia, jotka tuottavat harhattomia ennusteita suuremmilla alueilla, mutta pienemmillä alueilla ja metsikkötasolla kasvumallien ennusteet voivat olla suuriakin yli- tai aliarvoita. Ei-parametriset menetelmät tarjoavat vaihtoehdon perinteisille regressiomalleille, joita kasvun ennustamisessa on yleisesti käytetty. Ei-parametrisissa menetelmissä kasvuja ei ennusteta koko aineiston perusteella kuten regressiomalleilla, vaan kunkin kohdehavainnon ennustettu kasvu saadaan yleensä sitä selittävien muuttujien suhteen läheisesti muistuttavien havaintojen eli lähimpien naapureiden kasvujen painotettuna keskiarvona. Ei-parametrisilla menetelmillä paikallisuutta voidaan kuvata helposti, mikäli paikallista aineistoa on saatavilla. Tämän väitöskirjatyön tarkoituksena oli tutkia ei-parametristen menetelmien soveltuvutta puukohtaisen kasvun ennustamiseen. Yhtenä keskeisimmistä tavoitteista oli kyetä vähentämään kasvuennusteisiin liittyviä aluekohtaisia harhoja, ja saada metsiköittäin ja alueittain mahdollisimman tarkkoja kasvuennusteita. Tutkimusaineisto koostui kahdesta erillisestä aineistosta: paikallisesta kertakoeala-aineistosta, joka oli kerätty Kuusamon alueelta Koillis-Suomesta, sekä valtakunnallisesta kasvatusmetsien pysyvien koealojen INKA-aineistosta. Kasvuennusteet laadittiin männylle ja kuuselle. Tutkimuksessa käytetyt ei-parametriset menetelmät olivat k-lähimmän naapurin menetelmä sekä yleistetyt additiiviset mallit. Tutkimuksessa käsiteltyihin aiheisiin kuuluivat paikalliset ei-parametriset kasvunennustamismenetelmät, ei-parametristen kasvuennusteiden lokalisointi, läpimitan kasvun ja pituuskasvun yhtäaikainen ennustaminen sekä korreloivien havaintojen vaikutus ei-parametrisiin kasvunennustamismenetelmiin. Tulosten mukaan ei-parametriset menetelmät soveltuivat kasvun ennustamiseen. Yksikään tutkituista ei-parametrista menetelmistä ei osoittautunut ylivertaisesti paremmaksi, vaan menetelmien toimivuus riippui käytetystä aineistosta ja sovelluksesta. Ei-parametrisin menetelmin saatiin vähennettyä kasvuennusteiden aluekohtaista harhaa. Ei-parametrisin menetelmin saatiin vähintään yhtä tarkkoja kasvuennusteita kuin vertailuissa käytetyillä parametrisilla menetelmillä sekä puu-, metsikkö- että aluetasolla. Tässä tutkimuksessa esitettyjä menetelmiä voidaan käyttää käytännön metsäsuunnittelujärjestelmissä, vaikkakin erityisesti metsänhoidollisten toimenpiteiden sisällyttäminen ei-parametrisiin kasvunennustamismenetelmiin vaatii vielä lisää tutkimista.

• Sironen, University of Joensuu, Faculty of Forest Sciences Sähköposti: susanna.sironen@joensuu.fi