1. Metsätuhot valtakunnan metsien inventoinnissa (VMI13)
Notice bibliographique
Résumé
Luonnonvarakeskus (Luke) tuottaa vuosittain raportin edellisenä vuonna havaituista puustoon kohdistuneista tuhoista. Kuten aiemmin, myös nyt sivutaan muitakin, ei välttämättä tuhoksi laskettavia ilmiöitä. Valtakunnan metsien inventointi (VMI) tuottaa systemaattisesti tuhotietoa metsistä. Joka vuosi inventoidaan viidesosa VMI:n koealoista. Vuoden 2023 mittaukset päättivät 13. inventoinnin (VMI13), joka toteutettiin vuosina 2019–2023. Ilmaston lämpenemisen myötä luonto ja metsät kohtaavat sään ääri-ilmiöitä, häiriöitä ja muutoksia lajien elinolosuhteisiin. Vuosi 2023 oli maailman säähavaintohistorian lämpimin. Suomessakin vuoden keskilämpötila oli 0,3 astetta kauden 1991–2020 keskilämpötilaa korkeampi. Keväällä ja alkukesällä oli kuivaa ja sateetonta, minkä vuoksi metsäpalot ajoittuivat poikkeuksellisesti kevääseen ja alkukesään. Metsäpalot jäivät pinta-alaltaan pieniksi, kiitos tehokkaan palontorjunnan. Alkukesään osui kuitenkin yöpakkasia, joka aiheutti kuusen taimikoissa kasvaimien paleltumista. Metsänviljelyä ja puuntuotantoa haittaavat VMI:n mukaan eniten hirvet, lähes puolella miljoonalla hehtaarilla. Pääsääntöisesti tuoreiden tuhojen määrän havaitaan vähenevän hirvikannan pienennyttyä. Luke julkaisi verkkotyökalun, jolla voi tarkastella hirvikannan vaikutuksia hirven aiheuttamien tuhojen pinta-alaan. Eksponentiaalisesti kasvava valkohäntäkauriskanta ei vielä vuonna 2023 erottunut VMI:n otannassa merkittävästi lisääntyneinä pienten taimikoiden tuhoina. Hirvien ja kauriiden lisäksi taimia vioittavat myös myyrät, joiden aiheuttamat tuhot ajoittuvat myyräsyklin huippuvaiheeseen. Myyrien aiheuttamia taimituhoa ei seurata, mutta alueellisia myyräkannan huippuja havaittiin mm. lounaisessa Suomessa, Oulun ja Kainuun seudulla. Juurikääpä on merkittävä tuhonaiheuttaja kuusikoissa ja männiköissä. VMI:ssä havaitaan helposti näkyvät lahovauriot, kuten myös tervasroson mäntyihin jättämät korot. Juurikääpä on Suomessa merkittävä lahottaja, mutta pystypuista piilevää juurikääpätartuntaa ei aina havaita, ja VMI:n 40 000 hehtaarin tuhoala onkin luultavasti aliarvio. Suomen tähänastisesti pohjoisin juurikäävän aiheuttama männyntyvitervastauti varmistui Yli-Kiimingistä. Metsänkäyttöilmoitukset, joissa on merkintä juurikäävästä tai männyntyvitervastaudista, ovat tärkeitä taudin esiintyvyyden kartoittamisessa. Juurikäävistä ja niiden torjunnasta valmistui Metsäkeskuksen sivuille kattava verkkokurssi. Kantokäsittely on tehokas estämään juurikääpätartunnan, mutta käsittely on tehtävä huolella kanto peittäen. Juurikäävän torjuntaa kannattaa toteuttaa lainsäädännössä määriteltyä laajempana, mm. taimikoissa ja nuorissa metsissä. Juurikääpäopas päivittyy vuonna 2024. Elo-, syys- ja lokakuun myrskyt näkyivät tuulituhojen vuoksi tehtyinä metsänkäyttöilmoituksina. VMI:n mukaan tuulituhoa havaittiin 236 300 hehtaarilla. Lumen kaatamia, katkomia tai luokille painamia puita esiintyi kuitenkin jopa viisi kertaa suuremmalla alalla kuin tuulenkaatoja. Kaarnakuoriaistuhoille merkittäviä ovat myrskytuhot, jos niiden jäljiltä jää paljon korjaamatonta vahingoittunutta puuta metsiin. Kirjanpainajan aiheuttamat kuusen tuhot moninkertaistuvat VMI:ssa aiempiin vuosiin verrattuna 64 300 hehtaariin. Metsäkeskus vastaanotti metsänkäyttöilmoituksia kirjanpainajan vuoksi tehtävistä hakkuista yli 3 500 hehtaarilta. Kirjanpainajan loppukesän parveilua vähensi sateisuus heinäkuussa. Kirjanpainajan ja muiden hyönteis- ja tautiongelmien takana on puiden heikentynyt elinvoima ja kasvu. Kirjanpainaja on runsastuessaan tullut tutuksi ja loppukesällä kansalaisilta saatiin tuhoilmoituksia eniten mäntyyn kohdistuneista tuhoista. Varsinais-Suomen saaristossa ja rannikolla mäntyjen kuolleisuus on lisääntynyt vuoden 2019 ensimmäisistä ilmoituksista. Selvitysten mukaan taustalla on havuparikkaan aktivoima etelänversosurma. Lämpö ja sateettomuus yhdessä ja erikseen havuparikkaan kanssa on altistanut männyt edelleen kaarnakuoriaisille. Saaristossa selvärajaiset okakaarnakuoriaisesiintymät ovat silmäänpistäviä. Taimituhoista ei ole laajalaista seurantaa, mutta istutetuissa kokeissa abioottiset tekijät olivat yleisimpiä ongelmia, esimerkiksi kuivuus vaikutti koivuistutuksiin. Taimista havaittiin mm. punavyökaristetta, männynneulasruostetta, männynversoruostetta ja todennettiin etelänversosurmaa. Tulevaisuuteen varautuen vinkattiin ennakkotorjumaan puuvartisia vieraslajeja, jotta metsänuudistusaloille vältetään niistä tulevaisuudessa koituvia haittoja. Nuorissa männiköissä ei havaittu metsätaloudellisesti merkittäviä laajoja sienitautiepidemioita, mutta useaa taudinaiheuttajaa tavattiin vaihtelevia määriä. Ruskettuneet lehdet puissa ja pensaissa, joita hyönteiset olivat nakertaneet ja kalvaneet, herättivät huomiota, kuten myös kehrääjäkoiden seittien peittämät tuomet. Metsätaloutta kosketti enemmän Etelä-Savon alueen laajat ruskomäntypistiäisesiintymät. Yyterissä pitkäkestoinen tähtikudospistiäisesiintymä hiipuu, vaikka viime vuosien helle- ja kuivuusjaksot olisivat olleet lajille suotuisia. Toistaiseksi vielä tuhoja aiheuttamaton havununna on runsastunut pohjoisemmassa, kun taas etelässä koirasperhosten määrä pysytteli pääosin edellisen vuoden tasolla. Kaupungeissa ja muuallakin ihminen on tuonut ympäristöön myös muita puulajeja kuin luontaisia kotimaisia. Tänä vuonna pihtakuusilta havaittiin useassa paikassa oireita, jotka varmistuivat pihtanäpyksi. Vuorimännyistä havaittiin havuparikasta siinä missä kotimaisista männyistä.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,003 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,005 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».