Tämä PowerBI-raportti esittelee metsien käytön vaikutusta metsien hiilitaseeseen 18 Manner-Suomen maakunnassa vuosien 2015–2050 aikana. Laskelmat tehtiin PREBAS-mallilla, jolla voidaan arvioida metsien vuosittaista kasvua ja hiilitasetta boreaalisessa metsässä. PREBAS-malli on kehitetty Helsingin yliopistossa.

PREBAS-mallin rakenne

PREBAS-mallin keskeiset osat ovat yhteytysmalli PRELES, joka laskee metsän yhteytystä päivittäin ja kasvumalli CROBAS, joka jakaa yhteytetyn hiilen vuosittain puuston omavaraiseen hengitykseen ja eri osien kasvuun (Valentine & Mäkelä 2005; Peltoniemi ym. 2015; Minunno ym. 2016; 2019). Malli on myös liitetty metsämaan hiilen

kertymistä kuvaavaan Yasso-malliin, jolloin pystytään laskemaan koko metsäekosysteemin hiilitase (Viskari ym. 2020). Hiilivirtojen perusteella PREBAS-malli laskee yksittäisen metsän hiilivarastojen kehityksen, kun tiedetään hiilivarastojen suuruus alkutilassa, säätekijät ja metsän käsittelyt. Hiilivarastojen alkutila voidaan arvioida tavanomaisesta metsänmittaustiedosta.

Mallin taustalla oleva teoria ja aineistot

Mallin lähtökohtana on biologinen teoria, jota on käytännöllisen sovelluksen aikaansaamiseksi tulkittu systeemianalyysin viitekehyksessä. PREBAS on rakenteeltaan yksinkertainen, mutta biologisesti hyvin perusteltu. Mallin laadinnassa on teorian lisäksi käytetty paljon mittauksia. Hiilivirtojen ympäristöriippuvuuksista on saatu tietoa Hyytiälän, Värriön ja Sodankylän tutkimusasemien pitkäaikaisista pyörrekovarianssimittauksista, ja puuston rakenteen säännönmukaisuuksista on kertynyt mittaustietoa Helsingin yliopiston metsätieteiden osaston tutkimuksissa.

Mallintamiseen liittyy aina epävarmuuksia ja puutteita. Niiden minimoimiseksi mallia kalibroidaan eli sen laskemia kehitysennusteita verrataan vastaaviin mittauksiin ja vertailun perusteella korjataan mallissa olevia vakioita eli parametreja. Uusien todennäköisyyslaskentaan perustuvien menetelmien avulla kalibroinnissa pystytään hyödyntämään sekä suoraa biologista mittaustietoa että laajoja metsäaineistoja.

PREBAS-mallin kalibroinnissa on käytetty Luonnonvarakeskuksen keräämiä pitkäaikaisia aineistoja kasvatuskokeista ja valtakunnan metsien inventoinnin (VMI) pysyviltä koealoilta.

Metsien käytön skenaariot

Tässä PowerBI-raportissa esitetyt metsien käytön skenaariolaskelmat tuotettiin tutkimuksessa, jossa selvitettiin, miten muuttuva ilmasto ja vaihtoehtoiset metsänhoitotoimet vaikuttavat Suomen metsiin (Junttila ym. 2023). Laskelmat tehtiin PREBAS-mallilla. Metsien alkutila määritettiin vuoden 2015 metsien monilähdeinventointiin perustuvan metsävara-aineiston perusteella, joka koostuu 16×16 metrin ruuduista (Mäkisara ym. 2015). Mallilaskelmat tuotettiin metsävara-aineistosta määritellyille rakenteeltaan yhtenäisille metsikkökuvioille eli segmenteille (Haakana ym. 2022). Laskelmissa käytetyt säätiedot perustuvat ilmastoskenaarioon RCP2.6 ja viiteen eri ilmastomalliin, jotka ilmentävät parhaiten nykyistä ilmastoa.

Laskelmat tuotettiin neljälle metsien hakkuumääriä kuvaavalle vaihtoehdolle: toteutuneet hakkuut, voimakkaat hakkuut, matalat hakkuut ja ei hakkuita. Skenaariossa toteutuneet hakkuut jokaisen maakunnan metsien hakkuutaso säilyy samana kuin vuosina 2015–2021 keskimäärin. Skenaariossa voimakkaat hakkuut hakkuutaso oli 20 % korkeampi kuin skenaariossa toteutuneet hakkuut. Skenaariossa matalat hakkuut hakkuutaso oli 40 % matalampi kuin toteutuneet hakkuut skenaariossa. Skenaariossa ei hakkuita metsiä ei käsitelty lainkaan. Laskennan tarkka kuvaus ja tulokset on raportoitu julkaisussa Junttila ym. (2023).

Lähteet

Haakana, M., Tuominen, S., Heikkinen, J., Peltoniemi, M. & Lehtonen, A. 2022. Spatial patterns of biomass change across Finland in 2009–2015. ISPRS Open Journal of Photogrammetry and Remote Sensing 8: 100036. https://doi.org/10.1016/j.ophoto.2023.100036(siirryt toiseen palveluun)

Junttila, V., Minunno, F., Peltoniemi, M., Forsius, M., Akujärvi, A., Ojanen, P. & Mäkelä, A. 2023. Quantification of forest carbon flux and stock uncertainties under climate change and their use in regionally explicit decision making: Case study in Finland. Ambio 52(11): 1716-1733. https://doi.org/10.1007/s13280-023-01906-4(siirryt toiseen palveluun)

Minunno, F., Peltoniemi, M., Launiainen, S., Aurela, M., Lindroth, A., Lohila, A., Mammarella, I., Minkkinen, K. & Mäkelä, A. 2016. Calibration and validation of a semi-empirical flux ecosystem model for coniferous forests in the boreal region. Ecological Modelling 341: 37–52. https://doi.org/10.1016/j.ecolmodel.2016.09.020(siirryt toiseen palveluun)

Minunno, F., Peltoniemi, M., Härkönen, S., Kalliokoski, T., Mäkinen, H. & Mäkelä, A. 2019. Bayesian calibration of a carbon balance model PREBAS using data from permanent growth experiments and national forest inventory. Forest Ecology and Management 440: 208–257. https://doi.org/10.1016/j.foreco.2019.02.041.

Mäkisara, K., M. Katila, and J. Peräsaari. 2019. The multi-source national forest inventory of Finland—Methods and results 2015. Natural resources and bioeconomy studies 8/2019. 57 p. http://urn.fi/URN:ISBN:978-952-326-711-4(siirryt toiseen palveluun)   

Peltoniemi, M., Markkanen, T., Härkönen, S., Muukkonen, P., Thum, T., Aalto, T. & Mäkelä, A. 2015. Consistent estimates of gross primary production of Finnish forests—Comparison of estimates of two process models. Boreal Environment Research 20: 196–212.

Valentine, H. T. & Mäkelä, A. 2005. Bridging process-based and empirical approaches to modeling tree growth. Tree Physiology 25(7): 769-779. https://doi.org/10.1093/treephys/25.7.769(siirryt toiseen palveluun)

Viskari, T., Laine, M., Kulmala, L., Mäkelä, J., Fer, I., & Liski, J. 2020. Improving Yasso15 soil carbon model estimates with ensemble adjustment Kalman filter state data assimilation, Geosci. Model Dev., 13, 5959–5971. https://doi.org/10.5194/gmd-13-5959-2020(siirryt toiseen palveluun)