Hyppää sisältöön

Mikä on tuottavin tapa hoitaa metsää kestävästi? Tutkijat toivat koneoppimisen metsänomistajien avuksi visaisen pulman ratkaisemisessa

Aalto-yliopiston ja Helsingin yliopiston tutkimusryhmä on kehittänyt menetelmän, joka auttaa yhdistämään talouden ja ekologian sekä valitsemaan oikeat metsänhoidon toimenpiteet eri tilanteisiin ja tarkoituksiin.

Tutkijoiden mallissa metsiin sitoutuvalla hiilellä on hinta, josta metsänomistaja saa tuloja. Keskisuomalaista metsää Konnevedellä. Kuva: Simo Pitkänen / Yle

Metsät ovat Suomen arvokkain uusiutuva luonnonvara. Keskustelu niiden hyödyntämisestä, hiilinieluista ja luonnon monimuotoisuudesta käy kiivaana.

Metsistä halutaan sekä taloudellista hyötyä että ekologisia arvoja. Niiden yhdistäminen on kuitenkin usein hankalaa.

Helsingin yliopiston ja Aalto-yliopiston tutkijat ovat kehittäneet Deep FRST -menetelmän, joka auttaa sovittamaan yhteen metsänomistuksen eri näkökohdat.

– Ideana on selvittää, miten metsävaroja voitaisiin käyttää mahdollisimman monipuolisesti. Tavoitteet voivat olla rahallisia tai liittyä hiilensidontaan tai monimuotoisuuteen, sanoo taloudellis-ekologisen optimoinnin tutkimusryhmää vetävä metsäekonomian ja -politiikan professori Olli Tahvonen Helsingin yliopistosta.

Metsänhoidon optimoinnissa ekologisten ja taloudellisten muuttujien määrä on niin valtava, ettei niitä kaikkia ole voitu ennen huomioida.

Patentoitu Deep FRST ratkoo muuttujia koneoppimismenetelmiin kuuluvan vahvistusoppimisen avulla.

Uusimmat ihmisen shakissa ja Go-pelissä voittavat ohjelmistot perustuvat vahvistusoppimiseen, samoin monet robotiikassa ja terveydenhuollossa sovelletut tekoälyalgoritmit.

– Metsänhoitoa on tyypillisesti lähestytty joko taloudellisena tai ekologisena kysymyksenä. Me tarkastelemme sitä taloudellis-ekologisena, mikä tekee kuvasta realistisemman, mutta paljon monimutkaisemman hahmottaa, Tahvonen sanoo.

Tutkijat hyödynsivät menetelmässä kansallisiin metsäinventaarioihin pohjautuvia, eri puulajien kasvunopeuksia kuvaavia metsämalleja sekä hyvin yksityiskohtaista kuvausta metsänhoidon pitkän aikavälin tulonmuodostuksesta.

– Tekoäly tietää, mitä tapahtuu, jos metsästä poistetaan puu. Se pystyy näkemään tulevaisuuteen, että mitä se aiheuttaa siellä, sanoo Helsingin yliopiston tutkijatohtori Vesa-Pekka Parkatti.

Tutkijat rakensivat harjoitteluympäristön, jossa algoritmi voi opetella, miten metsän kasvu toteutuu ja miten metsänhoidon toimenpiteet kannattaa suunnitella.

– Algoritmilla on simuloitu harjoitusympäristö, joka kuvaa, miten metsä ekologisessa mielessä käyttäytyy ja toisaalta jos teemme joitain toimenpiteitä, niin millaiset menot ja tulot siitä tulee. Harjoittelemalla tässä ympäristössä algoritmi oppii hoitamaan metsää vähä vähältä paremmin, kunnes päädymme optimiratkaisuun, sanoo työkalun teknisestä suunnittelusta ja toteutuksesta sekä laskennasta vastaava Aalto-yliopiston tohtorikoulutettava Antti Suominen.

Vesa-Pekka Parkatti ja Antti Suominen ovat kehittäneet yhdessä muiden tutkijoiden kanssa koneoppimiseen perustuvaa Deep FRST -optimointimenetelmää metsänhoidon avuksi. Kuva: Mårten Lampén / Yle

Hiilelle tarvitaan hinta, jotta metsät saadaan mukaan ilmastotalkoisiin

Mallilla voidaan tutkijoiden mukaan siis yhdistää taloudellinen ja ekologinen näkökulma metsissä.

Käytännössä se perustuu siihen, että metsiin ja maaperään sitoutuneella hiilellä on hinta.

– Näin hiilensidonta tulee yhteismitalliseksi metsätaloudesta saatavan normaalin rahataloudellisen tuloksen kanssa, professori Tahvonen sanoo.

Kun malliin liitetään kaikki hiilivirrat ja hiilivarastot, voidaan optimoida yhtäaikaisesti puuntuotannosta saatavaa taloudellista tulosta ja hiilensidonnasta saatavaa taloudellista hyötyä.

– Sitten nähdään, miten metsien hoito muuttuu, kun hiilivirrat otetaan yksityiskohtaisesti huomioon, Tahvonen sanoo.

Toistaiseksi näyttää Tahvosen mukaan siltä, että on taloudellisesti järkevää lisätä hiilivarastoja metsäekosysteemeissä, koska nykyisistä puutuotteista hiili vapautuu hyvin nopeasti ilmakehään.

Metsätyökone kaataa puita lumisessa metsässä Kangasniemellä. Kuva: Esa Huuhko / Yle

Käytännössä metsien hiilinieluilla ei ole vielä laajoja markkinoita Uutta-Seelantia lukuun ottamatta. Tutkijat ovat kuitenkin ehdottaneet hiilinielujen ja -varastojen markkinoita jo vuosikymmeniä.

– Näyttää siltä, että tähän suuntaan pitäisi edetä. Metsissä nettopäästöjen vähentäminen on huomattavan halpaa, mutta metsät eivät ole mukana tässä systeemissä. Metsät on EU-politiikassa käytännössä vapautettu osallistumasta ilmastotalkoisiin, Tahvonen sanoo.

Tahvosen mukaan hiilinielujen voimistaminen metsätaloudessa olisi halvempaa kuin nettopäästöjen vähentäminen esimerkiksi liikenteessä.

– Suomessakin tämä asia on viime aikoina ollut aika sivussa. On ajateltu, että metsäsektorilla business as usual on riittävää osallistumista ilmastotoimiin, mutta tätä ei tutkimus tue, Tahvonen sanoo.

Luonnon monimuotoisuus ja biodiversiteetti metsissä ei ole ollut vielä mukana mallissa, vaan tähän mennessä on keskitytty rahallisen arvon optimointiin. Tutkijoiden mukaan sekin on toteutettavissa.

– Jos monimuotoisuudelle saadaan joku hinta, voidaan optimoida myös monimuotoisuutta. On kysymys jonkinlaisesta maksuhalukkuuarviosta. Monimuotoisuuden optimointi muiden arvojen kanssa on teoreettisesti täysin mahdollista. Yhteismitallistaminen vaatii metsänomistajalta subjektiivista arviota, että miten hän arvostaa tätä puolta, Tahvonen sanoo.

Olli Tahvonen on vetänyt tutkimusryhmää ja tuonut siihen kokemuksensa alalta. Kuva: Retu Liikanen / Yle

Jatkuvapeitteinen käsittely vai avohakkuu?

Deep FRST -menetelmä auttaa metsänomistajaa myös valinnassa avohakkuiden ja jatkuvapeitteisen metsänkäsittelyn välillä.

Samanlaisella asialla oli myös uusi Luontopaneelin raportti (siirryt toiseen palveluun), jonka mukaan jatkuvapeitteinen käsittely tukee metsän monimuotoisuutta paremmin kuin avohakkuut ja on myös taloudellisesti kannattavaa.

Luontopaneelin mukaan mahdollisimman korkeaan puuntuotantoon tähtäävä metsänkäsittely voi olla edullista puun ostajalle, mutta se ei ole taloudellisesti paras mahdollinen tavoite maanomistajan eikä kansantalouden kannalta.

Kaadettuja koivunrunkoja pinossa odottamassa kuljetusta ja jatkokäsittelyä. Kuva: Simo Pitkänen / Yle

Suuret metsäyhtiöt ja pienet maanomistajat voisivat hyötyä

Tutkijoiden kehittämä malli on tällä hetkellä vasta valtava määrä koodia tietokoneilla. Tulevana kesänä tiimi perustaa yrityksen ja alkaa jalostaa sovelluksia eri käyttäjäryhmien tarpeisiin.

Business Finland on rahoittanut Deep FRST -menetelmää. Metsäalan yritykset, metsänomistajat ja Suomen valtion omistama Metsähallitus ovat olleet hankkeen ohjausryhmässä mukana.

Esimerkiksi suurmetsänomistajat ja metsärahastot hyötyisivät työkalusta, joka tuottaa arvion metsän arvosta, hoitotoimenpiteistä ja kannattavimmista tavoista lisätä hiilen sidontaa sekä monimuotoisuuden suojelua.

Suomessa noin 60 prosenttia metsämaasta on yksityisten metsänomistajien hallussa.

– Monet heistä asuvat kaupungissa eivätkä oikein tiedä, mitä siellä kaukana pohjoisessa olevalle pienelle metsäomistukselle kuuluu. Heitä voisi palvella helppokäyttöinen ja houkutteleva sovellus, joka seuraisi metsän hiilinielun kehittymistä ja kertoisi, milloin hiilihyvitykset kilahtavat tilille, sanoo Aalto-yliopiston tohtorikoulutettava, kaupallistamishankkeen käynnistänyt Philipp Back.

Lue myös:

.
.