Ilmastoon reagoivat kasvun mallit
Ilmastoon reagoivat metsän kasvun mallit: Esimerkkejä Suomesta ja Euroopasta MMT Sanna Härkönen Metsäasiantuntija sanna.harkonen@bitcomp.fi www.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) www.bitcomp.fi 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 www.bitcomp.fi 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 Maaperä: ravinteet, vesi www.bitcomp.fi Ylläpito- ja kasvuhengitys Ilmastoon reagoivat kasvumallit: esimerkkejä säännönmukaisuuksista (1) Metsän sitoman hiilen osuus maksimipoten9aalista kasvaa sitä suuremmaksi, mitä sulkeutuneempi latvus on Biomassan kasvuun käyteDävä osuus hiilen kokonaistuotoksesta laskee puiden ikääntyessä Rungon kasvuun käyteDävä osuus kasvusta suurimmillaan nuorissa metsissä 1.0 0.6 0.6 0.4 0.4 0.0 Leh.alaindeksi www.bitcomp.fi 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 www.bitcomp.fi Prosessimallit vs perinteiset kasvumallit: edut ja haitat Prosessimallit Perinteiset empiiriset kasvumallit + Luote?avia ja tarkkoja, silloin kun olosuhteet pysyvät ennallaan -‐ Eivät ole enää luoteDavia muuDuvissa olosuhteissa, esim. ilmaston lämmetessä + Oletus: järkeviä myös muu?uvissa olosuhteissa + Voidaan simuloida .lanteita, joista ei ole olemassa empiiristä .etoa -‐ Parametrisoitu suhteellisen pienillä aineistoilla, miDaukset työläitä Hybridimallit -‐ Eivät yhtä tarkkoja, kuin suuriin kasvuaineistoihin perustuvat empiiriset Yhdistetään prosessi-‐ ja kasvumallit -‐ Ennusteiden validoin. voi olla vaikeaa/empiirisiä kasvumalleja mahdotonta www.bitcomp.fi 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 www.bitcomp.fi Summary Pipe – yksinkertaiste?u versio PipeQual-‐mallista • • Parametrisoitu Suomen olosuhteisiin Sovelluksia: – Kasvuennusteet VMI-‐koealoilla Suomessa – Hiilitasekartat: monilähdeinventoin. (satelliiNkuvat + VMI-‐aineisto) – Kasvuennusteet LiDAR-‐datalla Härkönen, S. 2012. Es9ma9ng 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, …) www.bitcomp.fi 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. www.bitcomp.fi • 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. www.bitcomp.fi FORMIT-simulaattori: esimerkki hybridimallista Euroopan metsien kasvun ennustamiseen muuttuvassa ilmastossa Metsävara.eto FORMIT 2012-2016 (EU FP7): Forest management strategies to enhance mitigation potential of European forests Metsänhoito-‐ skenaariot hDp://www.google.fi/url? Kasvusimuloinnit Wageningen University (NL) Ilmastonmuutos-‐ sa=i&rct=j&q=&esrc=s&source=images&cd=&cad=rja&uact=8&ved=0CAcQjRw&url=hDp%3A%2F Universität für Bodenkultur Wien (AT) skenaariot %2Fwww.google.fi%2Furl%3Fsa%3Di%26rct%3Dj%26q%3D%26esrc%3Ds%26source%3Dimages Universität Hamburg (DE) %26cd%3D%26cad%3Drja%26uact%3D8%26ved%3D0CAcQjRw%26url%3DhDp%253A%252F University of Molise (IT) Ekonominen analyysi (puukauppa) %252Ffi.wikipedia.org%252Fwiki%252FHelsingin_yliopisto%26ei%3DzgZsVbCnDMyesgGoloLwDQ University of Helsinki (FI) UK Leuven (BE) %26bvm%3Dbv.94455598%2Cd.bGg%26psig%3DAFQjCNFrCkXZWI1WaBP4tnfshAdtaCa1BQ 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 www.bitcomp.fi 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. Itäinen Keski-‐ Eurooppa -‐ Itävalta -‐ Tsekki -‐ Saksa -‐ Puola -‐ Romania Etelä-‐Eurooppa -‐ Espanja -‐ Italia Vuotuiset tulokset • H, D, BA, N • Biomassat • GPP, NPP, NEE, hiilen määrä puissa ja maaperässä • Hakkuumäärät www.bitcomp.fi Esimerkki: ilmastonmuutos 2000-2100, keskimääräinen päästöskenaario Mallinnettu vuotuinen GPP_MAX: Pohjoinen ↑ Keski-Eurooppa ↑ ↔↓ Etelä ↓ MAX GPP, NORTH TEMPERATURE, NORTH MAX GPP, SOUTH TEMPERATURE, SOUTH GPP_max muutos 2010-2100 www.bitcomp.fi Esimerkkejä: kuusi hyvällä kasvupaikalla (2000-‐2100), metsänhoito nykykäytännöillä. Nykysää vs ~4°C lämpö9lan nousu SUOMI ITÄVALTA RANSKA Läpimi?a, kuusi, hyvä kasvupaikka Läpimi?a, kuusi, hyvä kasvupaikka Pohjapinta-‐ala, kuusi, hyvä kasvupaikka, 50 50 50 40 40 40 30 30 30 20 20 20 10 10 10 0 2000 2050 2100 0 2000 SUOMI Pohjapinta-‐ala, kuusi, hyvä kasvupaikka 2020 2040 2060 2080 2100 0 2000 ITÄVALTA Pohjapinta-‐ala, kuusi, hyvä kasvupaikka 60 60 50 50 50 40 40 40 30 30 30 20 20 20 10 10 10 2020 2040 2060 2080 2100 0 2000 2020 2040 2060 www.bitcomp.fi 2080 2100 2100 RANSKA Pohjapinta-‐ala, kuusi, hyvä kasvupaikka, 60 0 2000 2050 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 Metsien tilavuus Luonnonpoistuma Hakkuut www.bitcomp.fi Vaikutukset ikäjakaumaan 2010-2050: vuotuiset hakkuut 50 milj. m3 vs 90 milj. m3 50 milj. Ikäluokka: 1: <20 2: 20-‐40 3: 40-‐60 4: 60-‐80 5: 80-‐100 6: 100-‐120 7: 120-‐140 8: >140 90 milj. www.bitcomp.fi 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! www.bitcomp.fi Kysymyksiä / kommentteja ? www.bitcomp.fi
© Copyright 2024