Uusi menetelmä kertoo, mikä on tuottavin tapa hoitaa metsää kestävästi

Metsät ovat Suomen arvokkain uusiutuva luonnonvara, ja keskustelu niiden hyödyntämisestä ja hiilinieluista käy kiivaana.

Nyt Helsingin yliopiston ja Aalto-yliopiston tutkijat ovat kehittäneet ainutlaatuisen Deep FRST-optimointimenetelmän, joka auttaa metsänomistajaa sovittamaan yhteen metsänomistuksen eri näkökohdat pitkän aikavälin tavoitteiden mukaisesti.

”DeepFRST on ainoa menetelmä, joka huomioi sekä avohakkuut että metsän hoitamisen jatkuvapeitteisenä. Se ei ota kantaa kummankaan vaihtoehdon puolesta vaan laskee puhtaasti tieteeseen pohjautuen metsänomistajan tavoitteisiin parhaiten sopivan vaihtoehdon”, kertoo taloudellis-ekologisen optimoinnin tutkimusryhmää vetävä professori Olli Tahvonen Helsingin yliopistosta.

Valtava määrä muuttujia

Metsänhoidon optimoinnissa ekologisten ja taloudellisten muuttujien määrä on niin valtava, ettei niitä kaikkia ole voitu ennen huomioida. Siksi optimointiratkaisut on tehty yksinkertaistaen – ja usein vanhojen toimintatapojen pohjalta.

Patentoitu DeepFRST ratkoo haasteen koneoppimismenetelmiin kuuluvan vahvistusoppimisen avulla. Uusimmat ihmisen shakissa ja Go-pelissä voittavat ohjelmistot perustuvat vahvistusoppimiseen, samoin monet robotiikassa ja terveydenhuollossa sovelletut tekoälyalgoritmit.

Tutkijat hyödynsivät menetelmässä kansallisiin metsäinventaarioihin pohjautuvia, eri puulajien kasvunopeuksia kuvaavia metsämalleja sekä hyvin yksityiskohtaista kuvausta metsänhoidon pitkän aikavälin tulonmuodostuksesta. Niistä he rakensivat harjoitteluympäristön, jossa algoritmi voi opetella, miten metsän kasvu toteutuu ja miten metsänhoidon toimenpiteet kannattaa suunnitella.

”Aikaisemmilla menetelmillä pystyttiin ratkaisemaan vain yksinkertaistettuja malleja ja niidenkin laskenta oli käytännön sovelluksien kannalta liian hidasta. Mahdollisuus ratkaista hyvin yksityiskohtaisia taloudellis-ekologisia malleja suhteellisen vähällä laskentateholla avaa jännittäviä mahdollisuuksia niin tieteen kuin liiketoiminnan kannalta”, kertoo työkalun teknisestä suunnittelusta ja toteutuksesta sekä laskennasta vastaava Aalto-yliopiston tohtorikoulutettava Antti Suominen.

Yllättävä tulos

Muuttujien määrä ja sitä myötä vahvistusoppimisen merkitys kasvaa entisestään, kun halutaan huomioida myös luonnontuhoihin ja ilmastonmuutokseen sisältyvät riskit.

Aiemmin tuhoihin on suositeltu varautumaan suorittamalla päätehakkuu jo nuorille metsille. Tiimin viime vuonna julkaisema tutkimus osoitti, että kannattavin tapa varautua luonnontuhoihin onkin tiettyjen edellytysten vallitessa siirtyä hoitamaan metsiä jatkuvapeitteisinä.

”Tämä löydös oli melkoinen yllätys”, Olli Tahvonen kertoo.

Tutkimuksessa ilmeni myös, että jatkuvapeitteiselle kasvatukselle tyypillinen suuri vaihtelu luontaisesti syntyvien taimien määrässä ei alenna menetelmän kannattavuutta eikä johda merkittävään vaihteluun hakkuumäärissä.

Tällä hetkellä tutkijat ovat lisäämässä tarkasteluun hintojen satunnaisvaihtelun ja hiilinielun.

”Kehitämme taloudellis-ekologista malliamme niin, että se kykenee huomioimaan yksityiskohtaisesti myös maaperän sitoman hiilen, jonka osuus voi olla reilusti yli puolet metsän hiilivarastosta”, kertoo Helsingin yliopiston tutkijatohtori Vesa-Pekka Parkatti.

Seuraavaksi mukaan otetaan metsien monimuotoisuus. Sen tärkeyden ymmärtäminen alkaa näkyä myös taloudessa. Esimerkiksi Suomen suurimpiin metsänomistajiin kuuluvan UPM:n valmisluoton marginaali on sidottu biodiversiteettitavoitteen etenemiseen. Käytännössä se tarkoittaa, että jos yhtiön metsien monimuotoisuus lisääntyy, se saa markkinoilta halvempaa lainaa.

Tutkijat arvelevat, että EU:n ja Suomen kovat ilmastotavoitteet johtavat siihen, että jatkossa hiilen sitomisesta maksetaan metsänomistajille myös selvää rahaa.

Yritys perusteilla

DeepFRST-menetelmää on kehitetty Business Finlandin rahoittamassa Tutkimuksesta liiketoimintaa -hankkeessa.

Tällä hetkellä se on vasta valtava määrä koodia tutkijoiden tietokoneilla. Tulevana kesänä tiimi perustaa yrityksen ja alkaa jalostaa sovelluksia eri käyttäjäryhmien tarpeisiin.

Suurmetsänomistajat ja metsärahastot hyötyisivät esimerkiksi työkalusta, joka tuottaa arvion metsän arvosta, hoitotoimenpiteistä ja kannattavimmista tavoista lisätä hiilen sidontaa sekä monimuotoisuuden suojelua.

Suomessa noin 60 prosenttia metsämaasta on yksityisten metsänomistajien hallussa.

”Monet heistä asuvat kaupungissa eivätkä oikein tiedä, mitä siellä kaukana pohjoisessa olevalle pienelle metsäomistukselle kuuluu. Heitä voisi palvella helppokäyttöinen ja houkutteleva sovellus, joka seuraisi metsän hiilinielun kehittymistä ja kertoisi, milloin hiilihyvitykset kilahtavat tilille”, sanoo Aalto-yliopiston tohtorikoulutettava, kaupallistamishankkeen käynnistänyt Philipp Back visioi.

Tiimi kokosi jo alkuvaiheessa tuekseen ohjausryhmän, jossa on edustajia yrityksistä, metsänomistajista ja Metsähallituksesta.

”Kaikki isoimmat pelaajat lähtivät innolla mukaan. Metsänhoidon uudet haasteet monipuolisesti hyödyntäville optimointityökaluille on valtava kysyntä, koska hyviä sellaisia ei ole olemassa”, kertoo hankkeen kaupallistamisasiantuntija Jim Solatie.

DeepFRST on jo osoittanut, että kaavamaiset ratkaisut valinnassa avohakkuiden ja jatkuvapeitteisten vaihtoehtojen välillä eivät toimi. Vaihtoehtojen edullisuus riippuu monista taloudellisista ja ympäristötekijöistä.

”Esimerkiksi metsän kasvupaikasta ja laskentakorosta riippuen DeepFRST voi lisätä tuottoa jopa kolmanneksella”, Back sanoo.

Pitkä yhteistyö

Vaikka algoritmi on uusi, sen pohjana on pitkä perustutkimus ja vuosikymmenien yhteistyö.

Olli Tahvonen teki 1980-luvulla väitöskirjansa silloisen Helsingin kauppakorkeakoulun matematiikan professorin Seppo Salon ohjauksessa. Väitöksen jälkeen he alkoivat yhdessä ratkoa luonnonvarojen optimointiin liittyviä ongelmia. Myöhemmin tutkimus jatkui ensin Aalto-yliopiston professori Markku Kallion ja sen jälkeen professori Pekka Malon kanssa

”Metsänhoitoa on tyypillisesti lähestytty joko taloudellisena tai ekologisena kysymyksenä. Me tarkastelemme sitä taloudellis-ekologisena, mikä tekee kuvasta realistisemman mutta paljon monimutkaisemman hahmottaa”, Tahvonen kiteyttää.

”Tajusimme Olli Tahvosen ja Aallon matemaatikkojen kanssa, että ratkaisu on löydettävissä koneoppimismallien avulla. Vaikka Deep FRST ei olisi ollut mahdollinen ilman viime vuosikymmenen aikana tapahtunutta laskentatehon valtavaa kasvua, itse vahvistusoppimisen juuret ovat jo 50-luvulla. Tutkijoina kaikki työmme rakentuu aiemmille saavutuksille – se on minusta tärkeä muistaa”, Pekka Malo sanoo.

Yhteystiedot

Olli Tahvonen
Professori, Helsingin yliopisto
[email protected]

Antti Suominen
Tohtorikoulutettava, Aalto-yliopisto
[email protected]

Vesa-Pekka Parkatti
Tutkijatohtori, Helsingin yliopisto
[email protected]

Philipp Back
Tohtorikoulutettava, Aalto-yliopisto
[email protected]

Jim Solatie
DeepFRST-hankkeen kaupallistamisasiantuntija
[email protected]

Pekka Malo
Professori, Aalto-yliopisto
[email protected]