Metsillä on erityinen rooli luonnon monimuotoisuuteen liittyvässä päätöksenteossa, sillä ne kattavat noin 80 % maaekosysteemien monimuotoisuudesta maailmanlaajuisesti. Metsäkasvillisuuden rakenne ja sen moninaisuus vaikuttavat paikalliseen monimuotoisuuteen muokkaamalla mikroilmastollisia olosuhteita, tarjoamalla suojaa ja lisääntymispaikkoja, sekä vaikuttamalla resurssien ja ekologisten lokeroiden jakautumiseen ja saatavuuteen. Metsien kasvillisuuden rakenteen arvioinnissa kaukokartoitusdataa, kuten lentolaserkeilausdataa (ALS; Airborne Laser Scanning) ja optista dataa (esim. ilma- ja satelliittikuvat), hyödynnetään laajalti. Tämän väitöskirjan tavoitteena oli tarkastella ALS-datan käyttömahdollisuuksia metsien biologisen ja rakenteellisen monimuotoisuuden arvioinnissa.
Ensiksi tehtiin katsaus ALS-datan hyödyntämisestä metsien biologisen ja rakenteellisen monimuotoisuuden arvioinnissa. Katsauksessa raportoitiin yleisimmin tutkitut aiheet ja yleisimmät tutkimusalueiden maantieteelliset sijainnit, sekä listattiin kaikista eniten käytetyt ja hyödyllisimmät ALS-metriikat. Toiseksi arvioitiin ALS-datan ja ilmakuvien yhteiskäyttöä ekologisesti arvokkaiden metsähaapojen tunnistuksessa. Haavan ekologista tärkeyttä alleviivaa se, että lukuisat haavasta riippuvat lajit ovat Punaisen listan lajeja. Kaukokartoitukseen perustuva haavan kartoitus on tunnetusti haastavaa, sillä haavat sekoittuvat eniten muiden lehtipuiden kanssa, mutta myös siksi, että haapoja esiintyy vain harvakseltaan. Haapojen harvalukuisuus otettiin huomioon tasapainottamalla opetusaineistoa niin kutsutulla SMOTE-menetelmällä (Synthetic Minority Oversampling TEchnique). Kolmanneksi arvioitiin ALS-datan ja Sentinel 2-satelliittikuvien yhteiskäyttöä metsikkökoealojen iän ennustamisessa. Kaukokartoitusmuuttujien lisäksi laskettiin maastoaineistosta kategorisia selittäjiä, joilla kuvattiin koealan kasvuolosuhteista. Koealojen iän ennustamisessa verrattiin lineaarista sekamallia (LME) ja tehostettua päätöspuumenetelmää, joka hyödyntää satunnaisvaikutuksia (GPBoost). Joillakin koealoilla oli edellisen puusukupolven niin kutsuttuja ylispuita (siemen- ja jättöpuita), jotka vaikeuttivat iän ennustamista näillä koealoilla. Ylispuut otettiin huomioon testaamalla vaihtoehtoista ennustusmenetelmää, joka sisälsi ylispuukoealojen luokituksen ennen iän ennustamista.
Tulokset osoittivat, että suurin osa ALS-perustaisesta metsien biologisen ja rakenteellisen monimuotisuuden tutkimisesta on tähän saakka tapahtunut Euroopassa ja Pohjois-Amerikassa. Eläinekologia, kuollut puusto ja puulajien monimuotoisuusindeksit olivat eniten tutkittuja aihealueita. ALS-dataa käytettiin usein yhdessä muiden kaukokartoitusaineistojen, kuten ilma- ja satelliittikuvien kanssa, mikä oli erityisen hyödyllistä, kun puulajeja käsiteltiin suorasti tai epäsuorasti. Katsauksen perusteella ei löydetty yhtä selvää ALS-selittäjää, joka olisi hyödyllinen kaikenlaisessa metsien biologisen ja rakenteellisen monimuotoisuuden arvioinnissa. Kasvillisuuden korkeuden keskihajonta, keskiarvo ja variaatiokerroin olivat eniten hyödynnettyjä ja useimmiten hyödyllisiksi osoittautuneita ALS-selittäjiä.
Kookkaiden haapojen puu- ja koealatasojen luokittelutarkkuus parani, kun SMOTE-menetelmää hyödynnettiin harvinaisten haapahavaintojen augmentoinnissa. Ilmakuvaselittäjät osoittautuivat ALS-selittäjiä tärkeämmiksi kookkaiden haapojen tunnistamisessa. Eritoten lähi-infrakanava ja sen suhteet muiden ilmakuvakanavien kanssa olivat tärkeitä selittäjiä. Tulokset osoittavat, että kookkaiden haapojen tunnistaminen aidoissa populaatioissa on edelleen haasteellista.
Koealatason iän ennustamisessa GPBoost-menetelmä oli LME-menetelmää parempi, ja luokka-asteikollisten selittäjien mukaan ottaminen satunnaisvaikutuksina johti selvään ennustevirheen pienentymiseen. Ennustevirheen pieneneminen oli LME-malleissa suurempaa kuin GPBoost-malleissa. Kaikista parhaat tulokset saatiin, kun ylispuukoealojen luokitus tehtiin ennen iän ennustamista.
Tämä väitöskirja osoitti, että ALS-data tarjoaa arvokasta informaatiota metsäluonnon monimuotoisuuden arviointiin niin pienessä kuin suuressakin mittakaavassa. Se myös osoitti, että on tärkeää arvioida menetelmän tehokkuutta aineistolla, joka antaa realistisimman kuvan tarkasteltavasta populaatiosta. Tulevaisuudessa tarvitaan enemmän tutkimusta vähemmän tutkituista aiheista, kuten funktionaalisesta monimuotoisuudesta. Lisäksi GPBoost-menetelmää tulisi testata myös muiden metsää kuvaavien ominaisuuksien kuin iän ennustamisessa.
Metsien rakennetyyppien (FST) arviointi tarjoaa työkaluja erilaisten metsiköiden erotteluun, kestävään metsäsuunnitteluun ja tehokkaaseen päätöksentekoon. Tässä työssä hyödynnettiin neljää aineistoa kolmelta kasvillisuusvyöhykkeeltä, jotka olivat pohjoinen havumetsävyöhyke, lauhkean vyöhykkeen metsä ja välimerellinen metsä. Rakennetyyppien arvioinnissa tarkasteltiin seuraavia menetelmiä. Puiden kokovaihteluun perustuvaa Gini-kerrointa (GC) hyödynnettiin metsän rakenteen määrittelyyn pohjoisen havumetsävyöhykkeen tutkimusaineistossa. Lisäksi tarkasteltiin koealakoon, puuston kasvatustiheyden ja lentolaserkeilauksen (ALS) pistetiheyden vaikutusta ALS pohjaiseen Gini-kertoimen estimointiin. Toisekseen neljää rakennetunnusta, jotka olivat neliökeskiläpimitta (QMD); GC, keskineliöläpimittaa suurempien puiden pohjapinta-ala (BALM) ja puuston runkoluku (N), hyödynnettiin kehitettäessä kasvillisuusvyöhykkeistä riippumatonta metsien rakennetyyppien arviointia. Lopuksi määritettiin maksimaalinen entropia-arvo, joka luokittelee erilaisia pohjoisen havumetsävyöhykkeen metsien rakennetyyppejä suoraan lentolaserkeilauksen korkeustunnusten perusteella. Sen jälkeen puuston biomassaa ennustettiin erikseen rakennetyypeittäin ja koko aineistossa.
Tulokset osoittivat, että koealan koolla on suurin vaikutus Gini-kertoimen estimointiin ja että 250–450 m2 (ympyräkoealan säde 9–12 m) on optimaalisin koko. Edelleen Gini-kerroin ja keskineliöläpimittaa suurempien puiden pohjapinta-ala ovat luotettavimpia tunnuksia erottelemaan läpimittajakaumaltaan laskevat sekä yksi- ja monihuippuiset metsiköt. Neliökeskiläpimittaa ja runkolukua voidaan puolestaan hyödyntää erotellessa nuoria ja vanhoja sekä tiheitä ja harvoja metsiköitä. Lentolaserkeilaustunnusten perusteella määritettävä maksimaalinen entropia-arvo on 0,33, kun taas hyödynnettäessä puuston pohjapinta-alaa päädytään arvoon 0,5. Jos lentolaserkeilaukseen perustuvaa arvoa hyödynnetään aineiston osittamisessa, johtaa se biomassan ennustamisen vähäiseen tarkentumiseen. Osittamisella päädytään myös erilaisten ALS-piirteiden valintaan eri ositteiden malleissa. Esimerkiksi suuria korkeuskvantiileja käytetään eri-ikäisrakenteisten ja nuorten metsien biomassan ennustamisessa, kun taas latvuspeittoon ja keskimääräisiin korkeuskvantiileihin perustuvia ALS-piirteitä hyödynnetään tasaikäisrakenteisten ja sulkeutuneiden metsiköiden biomassojen ennustamisessa. Tuloksia voidaan hyödyntää lentolaserkeilaukseen perustuvien piirteiden valinnassa erityisesti puustoltaan heterogeenisissä metsissä.
Puun lämpökäsittely on laajalti käytetty menetelmä, jolla vähennetään puuaineen muodonmuutoksia ja parannetaan sen biologista kestävyyttä. Lämpökäsitellyn puun käyttäytymistä muuttuvissa sää- ja kosteusolosuhteissa ei kuitenkaan täysin tunneta. Tässä väitöskirjassa tutkittiin lämpökäsiteltyjen kuusi-, mänty-, saarnikoekappaleiden kemiallisia, rakenteellisia ja fysikaalisia muutoksia lämpötila- ja kosteusaltistuksessa sekä pitkäaikaisessa säärasituksessa.
Tulokset osoittavat, että korkeampi käsittelylämpötila alentaa puun tasapainokosteutta ja parantaa sen mittapysyvyyttä erityisesti tangentiaalisuunnassa. Lämpökäsittely ei vaikuttanut puulajien Brinell-kovuuteen, mutta tasapainokosteuden kohoaminen alensi kovuutta. Pitkäaikainen kosteusrasitus muutti erityisesti hemiselluloosien ja selluloosan rakennetta ja lisäsi puun hygroskooppisuutta sekä lämpökäsitellyissä että -käsittelemättömissä koekappaleissa. Lämpökäsitellyn puun happamuus nopeutti soluseinämän hajoamista, kun koekappale upotettiin veteen lämpökäsittelyn jälkeen.
Säärasituksessa ligniinin pilkkoutuminen ja hajoamistuotteiden huuhtoutuminen aiheuttavat koekappaleen pinnan harmaantumisen ja pintaosan suhteellisen selluloosa- ja hemiselluloosapitoisuuden kohoamisen. Koska lämpökäsitellyn puun hygroskooppisuus on alhaisempi kuin käsittelemättömän, muuttuivat lämpökäsiteltyjen koekappaleiden ligniinin rakenne ja pinnan väri säärasituksen aikana vähemmän kuin käsittelemättömien verrokkien. Lämpökäsitellyn puun alhaisempi tasapainokosteus ja puun syiden kyllästymispiste aiheuttavat sen, että lämpökäsitelty puu pysyy säärasituksessa käsittelemätöntä puuta kuivempana. Niinpä lämpökäsitelty puu myös kupertuu kastuessaan vähemmän kuin käsittelemätön puu. Säärasituskokeen seurauksena puun pinnan Brinell-kovuus aleni kaikilla puulajeilla hieman soluseinämien rapautumisen ja tasapainokosteuden kohoamisen vuoksi. Korkeammassa lämpötilassa käsiteltyjen koekappaleiden kemialliset muutokset säärasituksen seurauksena olivat vähäisempiä kuin käsittelemättömien ja alemmassa lämpötilassa käsiteltyjen koekappaleiden. Korkeampi käsittelylämpötila alentaa puun huokoisuutta ja veden pääsyä puuhun, mikä selittää parantunutta säänkestoa.