Suomen LULUCF-sektorin 2021–2025 velvoitteen toteutuminen
Bibliographic record
Abstract
Tämä työ on tehty Luonnonvarakeskuksessa Maa- ja metsätalousministeriön toimeksiannosta. Toimeksianto oli: Laaditaan selvitys syistä, miksi vuotta 2021 koskevissa kasvihuonekaasuinventaarion pikaennakkotiedoissa, jotka julkistettiin 06/2022, maankäyttösektori oli muuttunut päästölähteeksi, ja mitä se tarkoittaa 2021–2025 EU LULUCF-velvoitteen toteutumisen osalta. Ilmasto- ja energiaministeriryhmä tarkastelee selvityksen pohjalta tarvittavia lisätoimia. \n \nToimeksiantoa tarkennettiin siten, että vuoden 2021 tilannetta tarkasteltiin käyttäen kasvihuonekaasuinventaarion ennakkotietoja LULUCF-sektorin päästöistä ja poistumista (14.12.2022) pikaennakkotietojen sijaan. \n \n1. Vuoden 2021 kasvihuonekaasuinventaarion ennakontiedon mukaan LULUCF-sektorin nielujen muuttuminen päästöksi johtuu puuston kasvun ja poistuman erotuksen pienenemisestä lisääntyneiden hakkuiden ja alentuneen kasvun vuoksi. Metsät ovat edelleen nettonielu, mutta se oli laskenut niin alhaiseksi, ettei se kata muiden maankäyttöluokkien päästöjä. \n \n2. Mäntymetsien ikärakenne on kehittynyt siten, että kasvu alenee. Metsien ikärakenne, kaikki puulajit huomioiden, selittää noin viidenneksen VMI12:n ja VMI13:n välillä havaitusta 4,5 miljoonan kuutiometrin kasvun alenemasta. Ikärakenteen puolesta puuston kasvu todennäköisesti pysyy nykyisellä tasolla tai voi edelleen hieman alentua lähivuosina. \n \n3. Männyllä on ollut kolme heikkoa kasvukautta (2018–2020). Etelä-Suomessa nämä kasvukaudet ovat olleet poikkeuksellisen kuivia. Pohjois-Suomessa vain kasvukausi 2018 oli poikkeuksellisen kuiva, mutta vuosien 2019 ja 2020 kasvuntasoa on Pohjois-Suomessa heikentänyt männyn voimakas käpytuotanto. Useamman vuoden heikot kasvukaudet eivät ole todennäköisiä, mutta vaikka lähivuosina kasvukaudet olisivat keskimääräistä parempia, vuosien 2018–2020 heikompi männyn kasvu säilyy VMI13:n kasvutuloksissa. Nykyisellä hakkuiden tasolla kasvu voi lähivuosina nousta vain, jos ympäristötekijät (kasvukauden pituus, lämpösumma, sademäärä) ovat suotuisat. \n \n4. Kasvihuonekaasuinventaarion ennakkotietojen mukaan tililuokan hoidettu metsämaa, sisältäen puutuotteet, hiilinielu oli -11,4 milj. t CO2-ekv., kun metsien vertailutaso kaudelle 2021–2025 on -29,4 milj. t CO2-ekv. vuodessa. Vertailutasoon tullaan tekemään inventaarion ja vertailutasolaskennan menetelmäeroista johtuvia teknisiä korjauksia. \n \n5. Muussa maankäytössä ei arvioida tapahtuvan merkittäviä kauden 2021–2025 laskentatulokseen vaikuttavia muutoksia. Tämä koskee erityisesti EU-LULUCF-tilinpitoa. Vaikka maatalousmaihin kohdistuvat kosteikkotoimenpiteet muuttaisivat alueen maankäytön pois maataloudesta, tilinpidossa se tulee pysymään tililuokissa hoidettu viljelysmaa tai hoidettu ruohikkoalue. Metsityksen lisäämiseksi tehtävät toimet tulevat aikanaan vaikuttamaan hoidetun metsämaan nieluun enemmän kuin tililuokkaan metsitetyt alueet. Metsäkatoa ehkäisevien toimien vaikutus sen sijaan olisi välitön, mutta suunnitellut toimet eivät ennätä vaikuttaa vuosiin 2021–2025. \n \n6. Vuoden 2022 teollisuuspuun hakkuut olivat lokakuun loppuun mennessä 3 prosenttia alemmat kuin vuonna 2021, mutta loppuvuoden 2022 aikana hakkuiden kokonaismäärä voi saavuttaa vuoden 2021 tason. Kotimaisen puun käyttö on lisääntynyt ja lisääntynee lähivuosina edelleen teollisuuden uusien investointipäätösten sekä Venäjältä tapahtuneen puuntuonnin loppumisen myötä. Tämän selvityksen pohjalta arvioidaan, että metsien hiilinielu kaudella 2021–2025 jää 50–100 miljoonaa CO2-ekvivalentti-tonnia pienemmäksi kuin vertailutaso. Arvio ei sisällä vertailutasoon tehtävien ns. teknisten korjausten vaikutusta. \n \n7. Metsien hiilinielun aleneminen vaikeuttaa LULUCF-sektorin velvoitteen saavuttamista kaudella 2021–2025. Toteutuneen metsänielun ollessa 50–100 miljoonaa CO2-ekvivalenttitonnia ja muusta maankäytöstä aiheutuvien päästöjen ollessa nykytasolla, joudutaan metsäjouston ja Suomen erillisjouston lisäksi hankkimaan puuttuvat yksiköt muilta jäsenmailta tai kompensoimaan taakanjakosektorin yksiköillä. Tässä selvityksessä tarve arvioidaan noin 50–80 miljoonaan CO2-ekvivalenttitonnin suuruiseksi.
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 machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.079 | 0.034 |
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; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
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".