Valkoposkihanhien (Branta leucopsis) aiheuttamien satovahinkojen kaukokartoituspohjainen havainnointi

Abstract

Tämän pro gradu -tutkielman aiheena on valkoposkihanhien (Branta Leucopsis) aiheuttamien satovahinkojen havainnointi kaukokartoituksen avulla. Aihe on erittäin ajankohtainen, koska valkoposkihanhien muuttoreitit ovat muuttuneet viime vuosikymmenen aikana, ja hanhet ovat alkaneet pysähtyä enenevissä määrin Suomen puolelle. Hanhet syövät keväisen muuttomatkansa aikana ravinnokseen sopivien peltojen kasvillisuutta, siten aiheuttaen konfliktia paikallisen väestön kanssa. Tähän on pyritty löytämään lievitystä hanhipeltojen eli hanhien syötäväksi tarkoitettujen peltojen kautta, mutta myös korvaamalla hanhivahinkoja. Satovahingot ovat paikoin mittavia, ja tutkielma pohjautuu siihen, että vahinkoja olisi mahdollista havaita kaukokartoituksen avulla.

Tutkimuksen kohteena ovat peltolohkot Pohjois-Karjalan alueella touko- ja kesäkuussa vuosina 2021 ja 2022. Osa tutkimuspelloista on ollut mukana Luken Hanhipeltohankkeessa joko hanhipeltona tai karkotuspeltona. Vuodelta 2021 mukana on samalta alueelta peltoja, joiden osalta ELY on korvannut hanhivahinkoja. Pelloilta kerättiin optisen satelliitin aineistoja kanavien ja erilaisten indeksien muodossa, ja Luken hankkeen pelloilta kerättiin myös tutkasatelliitin aineistoa. Tarkoituksena oli selvittää, voidaanko kaukokartoituksen avulla havaita hanhien syömät pellot sekä arvioimaan satelliittiaineistojen käytettävyyttä hanhivahinkojen havaitsemisessa.

Tutkimusmenetelminä käytettiin laatikkojanoja, t-testiä ja random forest -luokittelua. Laatikkojanojen avulla selvitettiin indeksien arvoissa tapahtuvaa ajallista muutosta tutkimuskuukausien aikana. T-testillä selvitettiin indeksien keskiarvojen tilastollista merkitsevyyttä eri peltoluokkien välillä. Random forestilla selvitettiin indeksien ja kanavien mahdollisesti muodostavia toistuvia säännönmukaisuuksia eri peltoluokkien luokittelua varten.

Tulosten perusteella laatikkojanoissa on nähtävillä kasvillisuusindeksien muutoksia tutkimuskuukausien aikana, mukaan lukien eroa hanhipelloissa verrattuna karkotuspeltoihin. T-testin perusteella osana tutkimusajanjakson päivistä erot eri luokkien välillä olivat tilastollisesti merkitseviä. Random forestin luokittelutarkkuus oli parhaimmillaan 87 %. Parhaiten luokittelu onnistui useamman päivän aikasarjoilla, ja käytettäessä sekä optisen- että tutkasatelliitin aineistoja.

Tutkielman perusteella voidaan todeta, että satovahinkoja on mahdollista havaita kaukokartoituksen avulla ja niitä voidaan luokitella jokseenkin onnistuneesti koneoppimisen avulla. Tulevaisuudessa olisi hyvä testata pikseliarvoihin pohjautuvaa luokittelua koko pellon keskiarvon sijaan, sillä tämä voisi nostaa luokittelun tarkkuutta ja havaita laajuudeltaan pienempiä hanhivahinkoja.