| Summary: | Luonnon monimuotoisuus on heikentynyt maailmanlaajuisesti muun muassa maankäytön muutosten sekä luonnonvarojen liikakäytön seurauksena. Uusiutuvien luonnonvarojen, kuten puun, käyttöä tullaan kuitenkin vielä lisäämään Suomessa ja muissa EU-maissa, mikä tulee nykyisellä metsien suojeluasteella ja käyttötavoilla vähentämään metsässä elävien lajien elinympäristöjen määrää. Näiden lajien suojeluun on siis entistä suurempi tarve. Suojeluprojektit tarvitsevat toimiakseen tietoa lajeista, jotka ilmentävät korkean monimuotoisuuden kohteita hyvin. Usein sellaisista lajeista ei kuitenkaan löydy tarpeeksi tietoa, minkä takia suojelussa saatetaan täydentää alueellista lajitietoa elinympäristömalleilla. Elinympäristömalleilla voidaan ennustaa lajille soveltuvia elinympäristöjä tietyllä alueella. Petolintuja, kuten kanahaukkaa (Accipiter gentilis), käytetään usein mallinnukseen, sillä ne ovat hyviä elinympäristön laadun bioindikaattoreita. Tutkielman tavoitteena oli parantaa elinympäristömallien tehokkuutta luonnonsuojelussa kehittämällä mallinnustapaa, jolla elinympäristömallinnuksen tarkkuutta voitaisiin parantaa osittain epävarmoja aineistoja käytettäessä. Aineistojen epävarmuutta vähennettiin ydinsilotusmenetelmällä ja työ tehtiin maksimientropiamallinnuksella kanahaukan pesätietoja käyttäen. Mallinnuksen tuloksia verrattiin aiemmin käytettyyn aineistojen resoluution karkeistamiseen perustuvaan menetelmään sekä uusimmilla ympäristömuuttuja-aineistoilla tehtyyn ennusteeseen. Ydinsilotusmenetelmään perustuvalla mallinnuksella oli mahdollista löytää useampia kanahaukan pesintään riittävän kokoisia hyviä elinympäristölaikkuja kuin vertailukohtana käytettävällä menetelmällä. Kanahaukalle soveltuvien elinympäristöjen määrä oli vähentynyt uusimmilla ympäristömuuttuja-aineistoilla tehdyn ennusteen mukaan. Ydinsilotus osoittautui lupaavaksi menetelmäksi satunnaisia virheitä sisältävien aineistojen tapauksessa ja voisi siis olla hyvä menetelmä elinympäristömallinnukseen käytettävien aineistojen esikäsittelyssä, ja olisi näin ollen ainakin jatkotutkimuksen arvoinen.
Global biodiversity has declined due to anthropogenic causes such as changes in land use and overexploitation of natural resources. However, the use of renewable resources, such as wood, will be increasing in Finland and in other EU countries, which will lead to, under the current levels of forest protection and management practices, a reduction in habitats available for forests-dwelling species. Only a fraction of Finland’s forests is protected, which is a reason for an even greater need for conservation efforts aimed at species dependent on forest habitats. Conservation projects require data on species that indicate high diversity areas well. Often, however, there is insufficient information on such indicator species, so regional species data can be supplemented with habitat suitability models. Habitat suitability models can be used to predict suitable habitats for species in a specific area. Birds of prey, such as the northern goshawk (Accipiter gentilis), are often used for modeling purposes because they are good bioindicators of habitat quality. Threats to biodiversity and ecosystems are often assessed based on geographic criteria, such as species distribution and prevalence; therefore, good approaches and methods are needed to predict them. The aim of this thesis was to improve the effectiveness of habitat suitability models in conservation by further developing a modeling method that could enhance the accuracy of habitat suitability models when using partially uncertain data. The uncertainty of the data was reduced using the kernel smoothing method, and the modeling was performed using maximum entropy modeling with the goshawks’ nest data. The modeling results were compared to a previously used method based on coarsening the resolution of the data, as well as to a projection made with the latest environmental variable data. The modeling based on the kernel smoothing method was able to identify more good habitat patches of sufficient size for the goshawk than the method used as a comparison and the number of habitats suitable for the goshawk had decreased according to a projection made with the latest environmental variable data. Kernel smoothing proved to be a promising method when using data that includes random errors and could, therefore, be a good method for preprocessing data used in habitat suitability modeling and thus worthy of further research.
|
|---|