Vasallisten metsäpeuravaadinten elinympäristöjen ennustekartta

Metsäpeuran vasanhoitoon sopivien elinympäristöjen ennustekartat perustuvat tilastolliseen mallitukseen, joka on tehty vakiintuneilla mallitusmenetelmillä. Tämä mallitustyö aloitettiin vuonna 2019. Mallituksessa metsäpeuran kesäaikaisia vasanhoitoelinympäristöjen resursseja kuvaavana aineistona käytettiin valtakunnan metsien monilähdeaineistoa (ML-VMI) vuodelta 2015 – 2021 sekä Maamittauslaitoksen (MML) ja SYKE:n vektorimuotoista tietokantoja. VMI-aineiston kuva-alkion (pikselin) koko vastaa maan pinnalla 16 m × 16 m aluetta. VMI-monilähdeaineisto luokiteltiin puulajin ja tilavuuden mukaan puulajikohtaisin metsiin, joista ennustettiin metsän ikä. Lisäksi maisema-aineistoon liitettiin Maanmittauslaitoksen ja SYKE:n tietokannoista eri turvemaatyyppien ojitusten määrää.
Metsäpeura-aineistona käytettiin MetsäpeuraLIFE-hankkeen aikana ja sitä ennen pannoitettujen vasallisten metsäpeuravaatimien (naaraiden) GPS-paikannuksia (n = 40 vasanhoitojaksoa ja 33 vasallista vaadinta vuosina 2011 - 2019) Suomenselältä. Koko aineistosta valittiin satunnaisesti yksi paikannuspiste kutakin vasallista naarasta ja vuorokautta kohti vasan syntymästä heinäkuun loppuun asti. Kullekin GPS-paikannuspisteelle arvottiin vastaavasti yksi satunnaispiste 20 kilometrin säteeltä GPS-paikannuksesta. Aineistossa oli yhteensä noin 13000 riippumatonta havaintoa ja satunnaispistettä. Kullekin GPS-havainnolle ja satunnaispisteelle muodostettiin 100, 200 ja 500 metrin säteiset ympyrän muotoiset alueet eli vyöhykkeet, joista esitarkastelujen perusteella valittiin varsinaiseen analyysiin ja ennustekartan tuottamiseen 500 metrin vyöhykeaineisto, jonka tuottama malli oli esitarkastelussa ennustekyvyltään paras.
Mallitusta varten vasallisten metsäpeuravaadinten paikannuspisteen ja satunnaispisteiden 500 metrin vyöhykkeen sisälle muodostettiin maisema-aineistoista kullekin oma rakenne, joka kuvaa vyöhykkeiden yksilöllisiä absoluuttisia tai suhteellisia rakenneominaisuuksia. Näin saatiin havaintopisteiden, että niitä vastaavien verrokkipisteiden ympäriltä 500 metrin säteelle kullekin useita maiseman rakennetta kuvaavia tunnuksia. Jokaiselle havaintopiste-verrokkipisteparille tehtiin tämän jälkeen metsäpeuran maisemarakennetta selittävä malli (binominen sekamalli, binomial GLMM) askeltavalla menetelmällä (R-ohjelmisto, lme4 paketin glmer-funktio), jossa satunnaismuuttujina oli naaraan tunniste ja vuosi. Mallin ennustekykyä mitattiin ristiinvalidoinnilla (crossvalidation).
Metsäpeuran elinympäristön rakennepiirteistä sisällytettiin kaikki potentiaalisesti lisääntymiseen soveltuvat resurssit. Maiseman rakennepiirteitä käytettiin mallissa selittävinä tekijöinä. Näitä olivat metsän ikä (vuosina), avosuon osuus, korven osuus, rämeen osuus, ojittamattoman suon osuus, ojitetun suon osuus, kasvupaikan rehevyys erikseen mineraalimaille ja turvemaille.
Seuraavassa vaiheessa sopivalle alueelle interpoloitiin parhaan mallin perusteella VMI, Maanmittauslaitoksen ja SYKE:n aineistojen perusteella kukin aineiston pikselille mallin antama todennäköisyys välillä 0 – 1 (prosenteiksi muutettuna 0–100 %) sille, että se edustaa vasaansa hoitavalle vaatimelle sopivaa elinympäristöä. Ennustekarttojen pienin erottuva yksikkö vastaa maastossa 100 x 100 metrin aluetta. Ennustekartoissa on esitetty ne pikselit (ruudut), joissa esiintyy mallissa olleita maiseman rakenteita. Muuten interpolointi jätti ruudun tyhjäksi, jotka sijoittuivat yleensä vasallisille vaatimille merkityksettömiä alueita kuten vesistöt, asutus ja pellot. Mallin tuottamat ennustearvot on luokiteltava tarkoituksenmukaisella tavalla, jotta ennustearvot tulevat selkeästi esille.

Mallinnuksen perusteella vasallisille metsäpeuroille sopivat elinympäristöalueet voidaan ennustaa silkkaa arvausta paremmin eli noin 72 prosentissa tapauksista oikein. Todennäköisimmät metsäpeuralle sopiviksi ennustetut alueet ovat ojittamattomien avosoiden, keskirehevien turvemaiden, rehevien mineraalimaiden ja pienvesien muodostamaa mosaiikkia. Ihmishäiriön tai saalistuksen vaikutusta vaadinten tilankäyttöön tutkitaan jatkossa eri mallinnuksilla ja alueellisilla mittakaavoilla.
Ruutukohtaiset ennustearvot luokitellaan kuuteen luokkaan, joissa on seuraavat luokkavälit:

- 0 - 0.2, Erittäin heikosti sopiva
- 0.2 – 0.33, Heikosti sopiva
- 0.33 – 0.5, Välttävä
- 0.5 – 0.66, Hyvin sopiva
- 0.66 – 1.0, Erittäin hyvin sopiva

#### Projekti ja rahoitus

MetsäpeuraLIFE-hanke (LIFE15NAT/FI/000881) on saanut rahoitusta Euroopan unionin LIFE-ohjelmasta. Tämä ennustekartta ja sen kuvauksessa esitetyt näkemykset ja mielipiteet ovat kuitenkin tekijöiden omia, eivätkä ne välttämättä heijasta Euroopan unionin tai CINEA:n näkemyksiä. Euroopan unioni tai rahoituksen myöntänyt viranomainen eivät ole vastuussa niistä.

本数据集旨在生成适配林睡鼠（Metsäpeura）越冬生境的预测地图，其构建基于采用成熟建模方法完成的统计建模工作，该建模项目始于2019年。
建模过程中，研究采用2015-2021年的全国多源森林清查数据（ML-VMI），以及芬兰国家土地调查局（Maamittauslaitos, MML）与芬兰环境研究所（SYKE）的矢量数据库，作为表征林睡鼠越冬生境夏季资源的数据集。该森林清查数据的图像单元（像素）尺寸对应地面16米×16米的区域。ML-VMI多源数据集依据树种与蓄积量被划分为不同树种的林分，并基于这些林分预测林分年龄。此外，研究从芬兰国家土地调查局与芬兰环境研究所的数据库中提取了各类泥炭地类型的沟渠密度数据，补充至景观数据集当中。

本研究使用的林睡鼠观测数据集，源自2011-2019年间在芬兰湾沿岸收集的林睡鼠越冬巢箱（雌鼠栖居点）的GPS定位数据，相关数据覆盖MetsäpeuraLIFE项目实施期间及此前的布设工作，共包含40个越冬周期与33个雌鼠栖居点。从全部数据集中，针对每只雌鼠及每一年，从林睡鼠出生至7月末的时段内，随机选取一个GPS定位点；同时，为每个GPS定位点随机生成一个以该定位点为中心、半径20公里范围内的随机对照点。本数据集共包含约13000个独立观测点与随机对照点。

为每个GPS观测点与随机对照点，分别生成半径为100米、200米与500米的圆形区域（缓冲区）。经预评估后，选取表现最优的500米缓冲区数据用于后续分析与预测地图制作——基于该缓冲区数据训练得到的模型，在预评估中展现出最佳的预测性能。

针对每个GPS观测点与随机对照点的500米缓冲区，从景观数据集中提取对应区域的特征变量，用于表征缓冲区的独特绝对或相对结构属性。由此，为每个观测点及其对应的对照点生成多个描述周边500米范围内景观结构的特征变量。随后，采用逐步回归方法（基于R软件的lme4包glmer函数），构建用于解释林睡鼠栖居景观特征的二元广义线性混合模型（binomial Generalized Linear Mixed Model, GLMM），模型中以雌鼠标识与年份作为随机效应。模型的预测性能通过交叉验证法（crossvalidation）进行评估。

本研究将所有可能有助于林睡鼠种群存续的生境资源纳入其生境结构特征变量，以景观结构特征作为模型的解释因子，具体包括：林分年龄（单位：年）、开阔沼泽占比、灌丛占比、林隙占比、未疏浚沼泽占比、疏浚沼泽占比，以及分别针对矿质土壤地与泥炭地的生境肥力等级。

随后，基于最优模型，针对ML-VMI、芬兰国家土地调查局与芬兰环境研究所的数据集的每个像素，插值得到该像素对应适宜林睡鼠越冬生境的概率值（取值范围0-1，转换为百分比后为0-100%）。预测地图的最小分辨单元对应地面100米×100米的区域。预测地图仅展示包含模型纳入的景观结构特征的像素（网格），其余区域（通常为对林睡鼠栖居无意义的水域、建成区与农田）则留空。模型输出的预测值需以合理方式进行分类，以清晰呈现预测结果。

基于本建模工作，林睡鼠越冬适宜生境的预测准确率较随机猜测提升约72%，即预测正确的比例可达72%。最适宜林睡鼠栖居的预测区域为未疏浚开阔沼泽、中等肥力泥炭地、高肥力矿质土壤地与小型水域构成的镶嵌景观。关于人类干扰或捕食对林睡鼠栖居使用的影响，将在后续研究中采用不同建模方法与空间尺度开展分析。

网格单元的预测值被划分为五类，对应的分级区间如下：
- 0 - 0.2：极不适宜
- 0.2 – 0.33：不适宜
- 0.33 – 0.5：一般适宜
- 0.5 – 0.66：较为适宜
- 0.66 – 1.0：极适宜

#### 项目与资助
林睡鼠LIFE项目（MetsäpeuraLIFE，项目编号LIFE15NAT/FI/000881）获得了欧盟生命计划（LIFE Programme）的资助。本预测地图及其描述中提及的观点与见解仅代表作者个人，并不必然反映欧盟或欧洲气候、基础设施与环境署（CINEA）的立场，欧盟或资助机构不对其内容承担责任。