1. Metsätuhot valtakunnan metsien inventoinnissa (VMI13)
Bibliographic record
Abstract
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.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.001 |
| Meta-epidemiology (narrow) | 0.002 | 0.003 |
| Meta-epidemiology (broad) | 0.003 | 0.002 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.003 | 0.002 |
| Research integrity | 0.003 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 0.005 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; both teacher heads agree on what is shown here.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".