Metsätalousinsinööri Veronica (Ruut) Mikkola työskentelee asiantuntijana Lapin ammattikorkeakoulun Tulevaisuuden biotalous- osaamisryhmässä.

Metsäneuvonnassa kohtaamme tietotasoltaan ja metsänhoidon tavoitteiltaan monenlaisia metsänomistajia.  Tämän vuoksi metsäneuvonnan eri menetelmien kehittäminen on erittäin tärkeää. Metsien visuaalinen mallintaminen luo tärkeän apuvälineen kuvastamaan metsien tilaa sekä niiden vaatimia hoitotoimenpiteitä. Mallintamisen avulla pystymme tuomaan esimerkiksi eri tuhojen laajuudet havainnollistettavampaan esitysmuotoon metsänomistajalle. Mitä visuaalisempi lopputulos on sitä helpommin eritasoiset metsänomistajat saavat käsityksen tuhotilanteesta ja pääsevät jyvälle mistä tilanteessa on kyse. Myös kokeneemmalle metsänomistajalle voi muodostua selkeämpi kuva tuhon kokonaisvaltaisesta tilanteesta metsissä.

ClimateForest-hankkeessa on lähdetty kehittämään kahta uutta apuvälinettä tukemaan metsäneuvontaa ja riskien hallintaa. Uutta menetelmää haetaan datan käsittelyalusta Data Science platformin avulla (Kuva 1), johon tutkijat ja metsäalan ammattilaiset voivat syöttää tutkimusmateriaalina kerättyä dataa ja se luo tuloksista selkeät kaaviot, joita on helpompi tulkita kuin raakadataa tai viitearvoja. Datan syöttämisen jälkeen voidaan sovelluksessa määrittää se mitä datasta halutaan korostaa ja mihin sitä voidaan verrata. Kaavioiden ja diagrammien muodostumisen jälkeen voidaan työkalun kautta suoraan luoda julkaisu, joissa näitä esitetään yhtenä osana tutkimustuloksia. Visualisoinnin integroiminen alustaan lisää tuotoksien näyttävyyttä luomalla metsästä realistisen kuvan dataan perustuen.

Tämä alusta helpottaa neuvontatilanteissa metsätuhojen levinneisyyden havainnollistamista metsänomistajille sekä sitä, miten taudin leviäminen mahdollisesti etenee lähivuosina.  Tähän kun otetaan mukaan mahdolliset ilmastonmuutoksen tuomat vaikutukset, saadaan tulevaisuuden näkymää avattua hiukan enemmän.

Kuva 1. Datan käsittely alusta Data Science platformin etusivu

Selkeämmän esitystavan varmistamiseksi on hankkeessa kehitteillä myös 3D visualisointia ja VR-teknologiaa sisältävä ratkaisu, jossa voidaan luoda erilaisia skenaarioita metsätuhojen nykyisestä tilanteesta, sen kehittymisestä ja mahdollisesta leviämisestä alueellisesti. Visualisointia kehitetään siten että metsää voidaan tarkastella isommalta alueelta, kuviotasolla sekä myös yksittäisen puun tasolla (Kuva 2).

Tarvittaessa esimerkiksi tervasroson ilmentyminen puussa on helppo näyttää visuaalisesti metsänomistajalle, kertoa taudista ja puun altistumisesta infektiolle. Tämän tyyppinen mielenkiintoinen esitysmuoto lisää tietoisuutta ja näin ollen metsäalan ammattilaisten ja metsänomistajien on helpompi seurata metsien hyvinvointia.

Kuva 2. 3D-mallinuksien edistyminen puustotasolla.

Mallinnuksia varten on ollut tärkeää ymmärtää taudinkuvaa tai tuhoja: miten ne ilmenevät puustossa, miten puusto kärsii taudin aiheuttamista vaurioista ja kuinka suuri vaikutus tällä on puuston laatuun ja miten ne vaikuttavat puuston arvoon.

Otimme hankkeeseen tuhonaiheuttajista mukaan tervasroson (Kuva 3), joka on yksi männyn yleisimmistä taudeista ja se aiheuttaa pihkaisia koroja rungossa ja oksissa sekä latvojen kellastumista.  Tauti aiheuttaa lopulta puun latvan tai jopa koko puun kuoleman. Jopa 2–4  prosenttia männyistä voi olla tartunnan saanut ja pahimmillaan osuudet paikallisesti voivat nousta yli 30 prosenttiin. Tervasroso leviää kantaitiöiden ja helmi-itiöiden kautta, ja voi säilyä puussa vuosikymmeniä. (Luonnonvarakeskus 2026a.)

Kuva 3. Tervasroson aiheuttama puun latvuksen kuolema (Kuva Veronica Mikkola).

Tervasroso leviää Pohjois-Ruotsin ja Suomen mäntymetsissä. Hankkeessa työskentelevien tutkijoiden tutkimukset ovat osoittaneet taudin ja ilmastotekijöiden yhteyksistä toisiinsa kuten lämpötilan, maan kosteuden sekä maaperän ravinteisuuden vaikutuksesta leviämiseen. Taudin katsotaan leviävän entisestään ilmaston lämpenemisen seurauksena. (Sveriges lantsbruksuniversitet 2026)

Hankkeeseen toisena metsien yleisimpänä tuhonaiheuttajana haluttiin ottaa mukaan hirvi. Suomessa ja Ruotsissa hirvien levinneisyysalue ja niiden aiheuttamat tuhot kattavat koko maan. Hirvi on mänty- ja lehtipuutaimikoidemme merkittävin tuhonaiheuttaja ja tuhojen määrä on suoraan sidoksissa hirvikannan kokoon.

Tuhojen ilmenemiseen ja merkittävyyteen vaikuttaa kuitenkin myös alueelliset vaihtelut metsien ominaisuuksissa (Luonnonvarakeskus 2026b). Ruotsissa hirvituhoja on enemmän kuin Suomessa ja paikoittain lähes joka viides nuorista männyistä on vahingoittunut. Suurin vaikuttava tekijä on hirvikannan määrä, joka on korkeampi kuin Suomessa vaikka kantaa on pyritty pienentämään. (Metsälehti 2024)

Kuva 4. Hirvi talvisessa maisemassa (Kuva Sirja Sarkkinen).

Hirvien aiheuttamat vahingot kohdistuvat hyvin usein lehtipuiden ja mäntyjen taimiin, joiden pituus on 1–3 metriä, mutta pienemmissäkin taimikoissa tuhoja voi ilmetä (Kuva 5). Hirville maistuu kesäisin parhaiten hyvin sulavat lehtipuiden lehdet ja kasvaimet. Talvella ne hyödyntävät ravinnokseen männyistä latva- ja oksakasvaimia, joita on neulasineen saatavissa biomassana määrällisesti eniten. (Luonnonvarakeskus 2026b)

Kuva 5. Hirvien aiheuttamaa tuhoa mäntyvaltaisessa taimikossa (Kuva Juha-Pekka Hotanen, Luke).

Maastosta kerätyn kuvamateriaalin ja 3D -visualisointitekniikan (Gaussian splatting) avulla hankkeessa on lähdetty varmistamaan, että mallintajalla on kaikki oleellinen tieto tautien ja tuhojen mallinnusta varten. Mallintajalle tärkeintä on tietää se, että millä tavoin tervasroso ilmentyy ja miltä hirvien syömä taimikko näyttää. Realistisen mallinnuksen tuottamiseksi tämä on ollut isossa roolissa hankkeen tavoitteiden saavuttamiseksi. Tuhojen varmistamiseksi ja todentamiseksi hankkeessa on hyödynnetty tuhoihin erikoistuneita asiantuntijoita, jotka työskentelevät hankkeelle.

Metsistä kerätyn datan ja mallinnuksien avulla saadaan hyvä kuva metsikön terveyden tilasta sekä siitä, miten terveyttä voidaan ylläpitää. Mikäli alueelta löytyy metsätuhoja, voidaan datan ja mallinnuksien avulla myös luoda ohjeistusta siihen, miten tuhon etenemistä voitaisiin hillitä ja mitä toimia se vaatii. Myös ennakointi on hyvin oleellinen asia.

ClimateForest- hanke tavoitteena on yhdistää data, mallinnukset ja ilmastonmuutoksen vaikutukset yhdeksi kokonaisuudeksi. Hankkeessa luoduilla työkaluilla voidaan:

  • Havainnollistaa tuhoriskit karttoihin sekä visualisoida ne 3D- ja VR-malleina
  • Suunnitella toimenpiteitä tuhojen hillitsemiseksi
  • Ennakoida tulevaisuutta ja varautua ajoissa

Kun metsästä saatu tieto muuttuu kuvaksi, malliksi ja koettavaksi kokonaisuudeksi, metsän tilanne avautuu aivan uudella tavalla. ClimateForest-hankkeen tavoitteena on tehdä tästä mahdollisimman helppoa – niin päätöksentekijöille, tutkijoille, metsäalan ammattilaisille kuin metsänomistajillekin. Kun ymmärrys lisääntyy, myös päätöksenteko paranee. Näin voimme yhdessä ennakoida, varautua ja pitää huolta metsien hyvinvoinnista muuttuvassa ilmastossa.

ClimeteForest-hanke: Climate Change Adaptation of Northern Forests: Risks and Prevention of Damaging Agents

ClimateForest | For healthy and sustainable forests in future climate

Toiminta-aika: 1.3.2024-28.02.2027

Rahoittaja: Interreg Aurora, EU:n osarahoittama, Lapin liitto

Partnerit: Lapland UAS (Leader partner), LULEÅ tekniska universitet (LTU), Skogsstyrelsen, Sveriges lantbruksuniversitet (SLU), Natural resources institute Finland (Luke), The Finnish Forest Centre

Lähteet

Luonnonvarakeskus, 2026. Metsätuhon aiheuttaja. Tervasroso. Viitattu 22.1.2026 Tervasroso | Luonnonvarakeskus

Luonnonvarakeskus, 2026. Metsätuhon aiheuttaja. selkärankaiset. Viitattu 22.1.2026 Hirvi | Luonnonvarakeskus

Metsälehti, 2024. Ruotsin hirvivahingot yhä korkealla tasolla – paikoin lähes viidennes nuorista männyistä vahingoittunut. Viitattu 4.5.2026 Ruotsin hirvivahingot yhä korkealla tasolla – paikoin lähes viidennes nuorista männyistä vahingoittunut – Metsälehti

Sveriges lantsbruksuniversitet, 2026. Törskate ökar i norr – här är faktorer som är förknippade med risken. Viitattu 4.5.2026 Törskate ökar i norr – här är faktorer som är förknippade med risken | slu.se