Ilmastoon reagoivat metsän kasvun mallit: Esimerkkejä Suomesta ja Euroopasta MMT Sanna Härkönen Metsäasiantuntija sanna.harkonen@bitcomp.fi
Sisältö SISÄLTÖ Metsän kasvun ennustaminen: tulevaisuuden haasteita Mitä ovat ilmastoon reagoivat kasvumallit? Mallinnusesimerkkejä Suomesta nykyilmastossa Kasvuennusteita muuttuvassa ilmastossa: esimerkkejä Euroopasta (FORMIT-hanke/Helsingin yliopisto)
Tulevaisuuden haasteita metsien kasvun ennustamiselle Ilmasto muuttuu Metsän kasvu voi nopeutua / hidastua, erilaiset vaikutukset eri puolilla Eurooppaa riippuen mm. kuivuudesta Metsätuhot lisääntyvät Puulajien pohjoisrajat siirtyvät Metsäpaloriskit lisääntyvät Metsänkäytön tavoitteet monipuolistuvat Jatkuva kasvatus Sekametsät Virkistyskäyttö Biodiversiteetti Hiilinielu Bioenergia yms Haaste: Vanhat empiiriset kasvumallit perustuvat kasvuun en.sissä olosuhteissa Tarvitaan uusia menetelmiä Prosessimallit / hybridimallit
Mitä ovat ilmastoon reagoivat kasvumallit? Prosessimalleja, jotka perustuvat puiden elintoimintojen mallintamiseen Pääroolissa hiilen tuotos ja sen jakautuminen puustossa metsikön biomassa & kasvu Ilmasto: säteily, lämpötila, sademäärä, ilman kosteus, Metsikön rakenne lehtibiomassa, lehtialaindeksi puuston koko ja ikä GPPmax eli maksimi potentiaalinen hiilen tuotos GPP eli hiilen kokonaistuotos NPP eli biomassan kasvu ja sen allokaatio Ylläpito- ja kasvuhengitys Maaperä: ravinteet, vesi
Ilmastoon reagoivat kasvumallit: esimerkkejä säännönmukaisuuksista (1) Metsän sitoman hiilen osuus maksimipoten9aalista kasvaa sitä suuremmaksi, mitä sulkeutuneempi latvus on 1.0 Biomassan kasvuun käytedävä osuus hiilen kokonaistuotoksesta laskee puiden ikääntyessä 0.6 0.4 0.6 0.4 Rungon kasvuun käytedävä osuus kasvusta suurimmillaan nuorissa metsissä 0.0 Leh.alaindeksi
Ilmastoon reagoivat kasvumallit: esimerkkejä säännönmukaisuuksista (2) Puulajien (valo vs varjopuulajit, lehti vs havupuut) ja kasvupaikkojen (ravinteisuus) väliset erot parametrien kautta, esim. Lehtipinta-ala : lehtibiomassa Valon sammumiskerroin latvuksessa Lehtibiomassa : hienojuuribiomassa
Prosessimallit vs perinteiset kasvumallit: edut ja haitat Prosessimallit Perinteiset empiiriset kasvumallit + Oletus: järkeviä myös muu?uvissa olosuhteissa + Voidaan simuloida.lanteita, joista ei ole olemassa empiiristä.etoa - - - Parametrisoitu suhteellisen pienillä aineistoilla, midaukset työläitä Eivät yhtä tarkkoja, kuin suuriin Hybridimallit kasvuaineistoihin perustuvat empiiriset kasvumallit Yhdistetään prosessi- ja Ennusteiden validoin. voi olla vaikeaa/ empiirisiä kasvumalleja mahdotonta + Luote?avia ja tarkkoja, silloin kun olosuhteet pysyvät ennallaan - Eivät ole enää luotedavia muuduvissa olosuhteissa, esim. ilmaston lämmetessä
Ilmastoon reagoivat kasvumallit: soveltuvuus käytännön laskentoihin Monet prosessimallit monimutkaisia (liikaa parametreja, hankalasti mitattavia alkutietoja yms) Vaihtoehtona tiivistelmämallit = yksinkertaistetut versiot, joita voidaan ajaa metsikön perustiedoilla ja säädatalla Esimerkkejä : Summary Pipe (Härkönen et al. 2010, 2011, 2013), testattu Suomen aineistoilla FORMIT-simulaattori, hybridimalli Euroopan metsien kasvun simulointiin
Summary Pipe yksinkertaiste?u versio PipeQual- mallista Parametrisoitu Suomen olosuhteisiin Sovelluksia: Kasvuennusteet VMI- koealoilla Suomessa Hiilitasekartat: monilähdeinventoin. (satelliinkuvat + VMI- aineisto) Härkönen, Kasvuennusteet S. 2012. Es9ma9ng LiDAR- datalla forest growth and carbon balance based on climate- sensi9ve forest growth model and remote sensing data. Disserta9ones Forestales 138. Rohkaisevia tuloksia (testa?u nykyilmastossa) Väitöskirja: Härkönen, S. 2012. Es.ma.ng forest growth and carbon balance based on climate- sensi.ve forest growth model and remote sensing data. Disserta.ones Forestales 138. PipeQual-malli: Mäkelä et al. (1997, )
Kasvuennusteet LiDAR-datalla/Heinävesi 2004-2009: prosessimalli + LiDAR lähes yhtä hyviä tuloksia kuin empiirisellä mallia LiDAR puuston pituus ja latvuksen lehtialaindeksi RMSE ja harha empiirinen + maasto 24.6% -1.9% prosessi + LiDAR 26.7% 4.1% prosessi + maasto 33.3% -10.2% Härkönen, S., Tokola, T., Packalén, P., Korhonen, L. & Mäkelä, A. 2013. Predic.ng forest growth based on airborne light detec.on and ranging data, climate data, and a simplified process- based model. Canadian Journal of Forest Research 43(4): 364-375. Empiirinen: mustat Prosessi + LiDAR : harmaat Prosessi + maasto: kolmiot
Prosessimalliennusteet vs hiilivirran mittaukset (Eddy covariance): melko hyvin linjassa Härkönen, S., Lehtonen, A., Eerikäinen, K., Peltoniemi, M. & Mäkelä, A. 2011. Es.ma.ng forest carbon fluxes for large regions based on process- based modelling, NFI data and Landsat satellite images. Forest Ecology and Management 262(12): 2364-2377. Härkönen, S., Lehtonen, A., Eerikäinen, K., Peltoniemi, M. & Mäkelä, A. 2011. Es.ma.ng forest carbon fluxes for large regions based on process- based modelling, NFI data and Landsat satellite images. Forest Ecology and Management 262(12): 2364-2377.
FORMIT-simulaattori: esimerkki hybridimallista Euroopan metsien kasvun ennustamiseen muuttuvassa ilmastossa FORMIT 2012-2016 (EU FP7): Forest Metsävara.eto management strategies to enhance Metsänhoito- mitigation potential of European forests skenaariot hdp://www.google.fi/url? Kasvusimuloinnit sa=i&rct=j&q=&esrc=s&source=images&cd=&cad=rja&uact=8&ved=0cacqjrw&url=hdp%3a%2f Wageningen University (NL) Ilmastonmuutos- Universität für Bodenkultur Wien (AT) %2Fwww.google.fi%2Furl%3Fsa%3Di%26rct%3Dj%26q%3D%26esrc%3Ds%26source%3Dimages skenaariot Universität Hamburg (DE) %26cd%3D%26cad%3Drja%26uact%3D8%26ved%3D0CAcQjRw%26url%3DhDp%253A%252F University of Molise (IT) Ekonominen analyysi %252Ffi.wikipedia.org%252Fwiki%252FHelsingin_yliopisto%26ei%3DzgZsVbCnDMyesgGoloLwDQ University of Helsinki (FI) (puukauppa) %26bvm%3Dbv.94455598%2Cd.bGg%26psig%3DAFQjCNFrCkXZWI1WaBP4tnfshAdtaCa1BQ UK Leuven (BE) Czech University of Life Science Prague %26ust%3D1433229389273749&ei=2QZsVezqEoynsAH3m4GYBA&bvm=bv. Norwegian University of Life Sciences (NO) Elinkaarianalyysi 94455598,d.bGg&psig=AFQjCNFrCkXZWI1WaBP4tnfshAdtaCa1BQ&ust=1433229389273749 Institut technologique FCBA (FR) University Stefan cel Mare Suceava (RO) Tartu Observatory (EST) Warsaw University of Life Sciences SGGW (PL) Euroopan metsien kehitys eri skenaarioissa 2015-2100
VMI data Päivi?äinen säädata Vuotuinen maksimi- GPP FORMIT- simulaa?ori - 7 puulajiryhmää - Yhteinen rakenne, alueelliset mallit & parametrit - Alueelliset harvennusmallit - Yasso07 maaperämalli Pohjois- Eurooppa - Suomi - Norja - Viro Län9nen Keski- Eurooppa - Belgia - Ranska - Hollan. Etelä- Eurooppa - Espanja - Italia Itäinen Keski- Eurooppa - Itävalta - Tsekki - Saksa - Puola - Romania Vuotuiset tulokset H, D, BA, N Biomassat GPP, NPP, NEE, hiilen määrä puissa ja maaperässä Hakkuumäärät
Esimerkki: ilmastonmuutos 2000-2100, keskimääräinen päästöskenaario Mallinnettu vuotuinen GPP_MAX: Pohjoinen Keski-Eurooppa Etelä GPP_max muutos 2010-2100 MAX GPP, NORTH TEMPERATURE, NORTH MAX GPP, SOUTH TEMPERATURE, SOUTH
Esimerkkejä: kuusi hyvällä kasvupaikalla (2000-2100), metsänhoito nykykäytännöillä. Nykysää vs ~4 C lämpö9lan nousu SUOMI Läpimi?a, kuusi, hyvä kasvupaikka ITÄVALTA Läpimi?a, kuusi, hyvä kasvupaikka RANSKA Pohjapinta- ala, kuusi, hyvä kasvupaikka, 50 40 30 20 10 60 50 40 30 20 10 0 2000 2050 2100 SUOMI Pohjapinta- ala, kuusi, hyvä kasvupaikka 0 2000 2020 2040 2060 2080 2100 50 40 30 20 10 0 2000 2020 2040 2060 2080 2100 60 50 40 30 20 10 ITÄVALTA Pohjapinta- ala, kuusi, hyvä kasvupaikka 0 2000 2020 2040 2060 2080 2100 50 40 30 20 10 0 2000 2050 2100 60 50 40 30 20 10 RANSKA Pohjapinta- ala, kuusi, hyvä kasvupaikka, 0 2000 2020 2040 2060 2080 2100
Esimerkki: alustavia tuloksia, metsien simuloidut kokonaishakkuut Suomessa 2010-2050, Raportoidut hakkuut 2010: 59 500 000 m3 Metsänhoito: suositusten mukaan, muda vuotuiset hakkuut rajoitedu: 50 000 000 m3/year Hakkuut Metsien tilavuus Luonnonpoistuma Metsänhoito: suositusten mukaan, hakkuut rajoitedu: 90 000 000 m3/year Hakkuut Metsien tilavuus Luonnonpoistuma
Vaikutukset ikäjakaumaan 2010-2050: vuotuiset hakkuut 50 milj. m3 vs 90 milj. m3 50 milj. 90 milj. Ikäluokka: 1: <20 2: 20-40 3: 40-60 4: 60-80 5: 80-100 6: 100-120 7: 120-140 8: >140
Yhteenveto FORMIT-simuloinnit (tulokset alustavia): Pohjois-Euroopassa ja osissa Keski-Eurooppaa kasvu lisääntyy & hakkuumahdollisuudet aikaistuvat Etelässä kasvu vähenee (kuivuus) Simuloinnit jatkuvat erilaisilla metsänhoitoskenaarioilla (mm. bioenergia, biodiversiteetti) ja simulaattorin säätämisellä etenkin Etelä-Euroopan osalta Prosessi/hybridimallit: rohkaisevia tuloksia, lisää testausta tarvitaan! Huomioitavaa: metsätuhot todennäköisesti lisääntyvät osa lisääntyvästä kasvusta menetetään tuhoriskiä ennustavia malleja mukaan Tulevaisuus: Monipuoliset mahdollisuudet GIS-tiedon (inventointidata, kaukokartoitus, säädata) hyödyntämiseen simulointialustana!
Kysymyksiä / kommentteja?