Browsing by Title

Hajuammattilaisuudella, hajuharjoittelulla ja muulla systemaattisella hajuille altistumisella on merkittävää vaikutusta hajuaistin toimintaan. Muutokset näkyvät esimerkiksi hajuaistin herkkyydessä sekä kyvyissä havainnoida, tunnistaa ja erottaa hajuja toisistaan. Tämän maisterintutkielman tavoitteena oli selvittää eroavatko aistinvaraisen arvioinnin ammattilaiset ja elintarviketieteiden opiskelijat toisistaan hajujen tunnistamisen, kokemisen ja ruokamieltymyksien suhteen. Tutkimuksen hypoteesien mukaan ammattilaiset olisivat parempia tunnistamaan hajuja, kuvailisivat niitä useammilla sanoilla ja arvioisivat ne keskimäärin tutummiksi sekä heillä olisi vähemmän ruokainhokkeja. Lisätavoitteena tutkimuksessa oli myös tarkastella mahdollisia hajunäytteiden välisiä eroja. Tutkimuksen merkityksenä oli olla osa aistinvaraista perustutkimusta ja tuottaa uutta tietoa vähän tutkitun hajuammattilaisten alatyypin, elintarvikkeiden aistinvaraisen arvioinnin ammattilaisten, hajuaistikyvyistä. Tutkimukseen osallistui yhteensä 85 koehenkilöä, joista aistinvaraisen arvioinnin ammattilaisia oli 23 kpl, elintarviketieteiden opiskelijoita 56 kpl ja muiden alojen opiskelijoita tai työntekijöitä 6 kpl. Tutkimus koostui kolmesta osasta, jotka olivat hajujen tunnistustesti, hajunäytteiden arviointitehtävä sekä verkkokysely. Hajujen tunnistustestissä koehenkilöiden hajuaisti testattiin 32 hajun Sniffin’ Sticks-tunnistustestillä. Hajunäytteiden arviointitehtävässä näytteitä oli 6 kpl (β-jononi, tyrni, L-karvoni, valkosipuli, D-karvoni, balsamico) ja niistä tutkittiin koettua miellyttävyyttä, voimakkuutta, tuttuutta ja laatua. Verkkokyselyllä kartoitettiin koehenkilöiden ruoka-asenteita ja suhtautumisia erilaisiin ruokalajeihin ja ainesosiin. Tutkimuksessa havaittiin ammattilaisten olevan parempia tunnistamaan hajuja ja kuvailevan niitä useammilla sanoilla kuin opiskelijat. Ammattilaiset eivät kuitenkaan arvioineet hajuja keskimääräisesti tutummiksi eikä heillä ollut tilastollisesti merkitsevästi vähemmän ruokainhokkeja. Hajunäytteiden keskinäisessä vertailussa havaittiin eroja hajujen välillä. Miellyttävimmäksi arvioitu β-jononi oli myös hajuista vähiten tuttu ja voimakas. Voimakkaimmaksi ja epämiellyttävimmäksi arvioitiin balsamico, kun taas tutuin haju oli valkosipuli.

Suomessa lähes kaikki teollisuuden käyttämä ainespuu hakataan koneellisesti ja metsäkoneet liikkuvat maastossa nykyisin yhä enemmän ympärivuotisesti. Raskaat metsäkoneet jättävät helposti jälkeensä pahojakin maastovauriota, jotka vaikuttavat metsän ekologiaan. Korjuujälkeen ja etenkin vaurioiden ennaltaehkäisyyn tulee siksi kiinnittää enemmän huomiota. Yksi keino on tarjota metsäkoneenkuljettajille ajantasaista ja luotettavaa kulkukelpoisuustietoa, jonka avulla he voivat toteuttaa korjuun mahdollisimman vähin maasto- ja puustovaurioin. Metsäkoneen, niin kuin muidenkin ajoneuvojen, moottorin tehoa käytetään etenemistä vastustavien voimien voittamiseen. Kulkuvastuksen voittamiseen tarvittava teho vastaa metsäkoneen moottorin tuottamaa tehoa sen liikkuessa tasamaalla tasai-sella nopeudella. Hakkuukoneen renkaan painuminen kasvattaa kulkuvastusta ja näin kantokyvyltään heikkojen kohtien pitäisi näkyä hakkuukoneen liikkumiseen tarvitseman tehon määrästä. Tämän tutkimuksen tavoitteena on selvittää, voi-daanko hakkuukoneen CAN-väylädatalla tuottaa jatkuvatoimisesti hakkuukoneen kulkuvastukseen perustuvaa kulkukel-poisuustietoa. Lisäksi tutkimuksessa tarkastellaan erityisesti hakkuukoneen telavarustuksen vaikutusta kulkuvastukseen. Tutkimuksessa käytettiin Ponsse ScorpionKing-hakkuukonetta, johon asennettiin tutkimusta varten datatallennin koneen CAN-väylään. Datatallentimella kerättiin GPS:llä paikkaan sidottuja koneen moottorin ja voimansiirron arvoja. CAN-väylä datalla laskettiin koneen kulkuvastus. Kulkuvastuksessa otettiin huomioon rinnevastus ja erilaiset mekaanisesta voimansiir-rosta johtuvat tehohäviöt. Tutkimuksen kokeet suoritettiin kahdella ajouralla, joiden maaperä vaihteli turpeesta melko kivi-seen hieta- ja hiekkamoreeniin. Hakkuukoneen jälkeen urilla ajettiin kuormatraktorilla kuormattuna. Hakkuukoneen kulku-vastustietoja verrattiin syntyneisiin urapainaumiin ja muihin mittaustuloksiin. Hakkuukoneen kulkuvastuksen ja syntyneiden ajourapainaumien välillä oli selvä riippuvuus. Kantavuudeltaan heikot kohdat, joissa syntyi yli 10 cm urapainaumia näkyvät selkeästi korkeampina kulkuvastusarvoina. Kantavilla aloilla hak-kuukoneen kulkuvastuskerroin oli 0,05–0,1 ja heikosti kantavilla aloilla 0,1–0,25. Telojen käyttö hakkuukoneessa näyttäisi tulosten perusteella vaikuttavan kulkuvastukseen. Kun hakkuukoneessa oli telat päällä, kulkuvastus on suurempi kuin ilman teloja ajettaessa. Tulosten valossa hakkuukoneen CAN-väylä tiedolla on mahdollista tuottaa hakkuukoneen normaa-lin työskentelyn yhteydessä maaston kulkukelpoisuustietoa. Tämän avulla esimerkiksi kuormatraktorin kuljettajan on mahdollista suunnitella työnsä niin, että maastoon syntyy mahdollisimman vähän vaurioita.

The loss of forest biodiversity is a global issue. In Finland, there are many measures aiming at preserving the forest biodiversity, for example, protection of the forest habitats defined in the Forest Act and in the Nature Conservation Act; protection of threatened species; the nature management methods in commercially utilized forests and the forest certification. Information of forest resources is collected mainly by remote sensing methods, but also field inventories are carried out, especially when preservation of the areas of high biodiversity value needs to be verified and monitored. Metsäteho Oy has developed an automated method for delineating harvested stands based on harvester location data. The method can be a beneficial tool for providing up-to-date forest resource information. The objective of this study was to research, if harvester location data can be utilized in verifying preservation of areas of high biodiversity value, and in recognizing potential areas, and how that could be implemented in practice. The harvester data used in this study was collected from geographically diverse areas in Finland, and the data contains stem-wise coordinates of harvester while cutting the tree. The delineations of operated areas were generated from harvester location data using the automated method developed by Metsäteho Oy. After the stand delineation was generated, the automated method was utilized in recognizing non-harvested areas left inside and between the harvested stands. Both harvested stands and non-harvested areas were compared to open forest data (including the data of the protected habitats according to the Forest Act and METSO Programme; other protected areas; habitats of threatened species; the Topographic database) using spatial data analysis. The aim was to investigate, if the known areas of high biodiversity value were delimited outside of the harvested stands or if they were left non-harvested within the harvested stand area. In addition, the aim was to research why the automatically recognized non-harvested areas were left without harvesting, and if the non-harvested areas could be potential areas of high biodiversity value. After the spatial data analysis was completed, also field surveys were carried out. Based on the spatial data analysis and the field surveys, the known areas of high biodiversity value were mainly delimited out-side of the harvested stands. The cases in which they were left without harvesting within the harvested stands, were possible to recognize through spatial data analysis. According to the spatial data analysis, part of the automatically recognized non-harvested areas were potential areas of high biodiversity value. Recognized non-harvested areas can be utilized also in recognizing retention tree groups with certain limitations. According to the results, the recognition method for high biodiversity value areas, based on harvester location data, can be utilized when verifying preservation of the high biodiversity value areas, and also other areas that are recorded in spatial data. Based on the observations of this study, it is possible to develop an automated recognition method for high biodiversity value areas, when spatial analysis of datasets in vector format is automated. The positioning accuracy of harvester and the automated method for delineating harvested stands are still causing some challenges when interpreting the results. Also, timeliness and accuracy of the available data of high biodiversity value areas affect on the results of the automated method. To combine different data sources effectively, a data platform is needed in order to use the automated method fluently. The recognition method for high biodiversity value areas can be utilized, for example, when reporting the quality of harvesting work. In addition, the method can be utilized in targeting and minimizing the amount of field inventories when verifying new areas of high biodiversity value. The method enables collecting information and automated monitoring of how the nature management has been integrated into forest management operations in practice. That information contributes to the utilization of forests in economically and ecologically sustainable way.

The right wood raw material should be delivered to the right wood processing mill at the right time, while minimizing costs. In other words, the log demand distributions and quality requirements of mills should be fulfilled. Bucking control tries to solve two problems; what kind of wood assortments to cut from each stand, and what dimensions to cut within each wood assortment. The success of bucking is important, as it is difficult to fix a poor bucking outcome. Modern harvesters collect stem data, from which virtual trees can be created. The bucking of these virtual trees can be simulated with different product instructions and settings. A bucking simulator can be utilized in predicting and optimizing bucking outcome. However, without quality-information of stems a bucking simulator is overly optimistic. Stem quality-information utilized in previous studies has been laborious to collect, and there has been little validation of log distributions simulated with stem quality-information. The object of this study was to determine whether a method, where stem quality-information is derived from harvester-collected stem and log data, could be utilized to improve the accuracy of simulated wood assortment recoveries and distributions. The study focused on Metsä Fibre’s sawmill in Vilppula and clear-cut stands. The usability of the method in bucking control and wood procurement in Finland was of central interest. Results were examined based on the theoretical framework of the study, which outlined the significance of the results to business operations. The bucking of real stems registered by harvesters was simulated with real quality-information derived from harvester-collected data, predicted quality-information derived from the previously mentioned quality data, and without any quality-information. The bucking outcomes were compared to real bucking outcomes registered by harvesters. The focus was on validating the real quality-information derived from harvester-collected data, while the predicted quality-information worked as an example. Without quality-information the simulated total log distribution and the real total log distribution had a match of 84.2 % (butt log: 86.4 %; top and middle log: 80.8 %). With the real quality-information this percentage increased by 2.9 percentile points (butt log: 2.4 pp; top and middle log: 2.4 pp). With the predicted quality-information the percentage increased by 1.6 percentile points (butt log: 1.4 pp; top and middle log: 2.7 pp). The relative bias and the RMSE of the simulated log recovery were 19.0 % (42.6 m³) and 24.6 % (55.1 m³) with no quality-information. With the real quality-information the relative bias and the RMSE of the simulated log recovery were -0.4 % (-1.0 m³) and 4.1 % (9.1 m³). With the predicted quality-information the relative bias and the RMSE of the simulated log recovery were 2.0 % (4.4 m³) and 12.3 % (27.6 m³). The real quality-information was derived from data that was cost-effectively collected by harvesters. Quality-information derived from harvester-collected data enables the consideration of complex dimensional and qualitative requirements, and the derivation of quality-information predictions, in a situation where clear quality-sections of stems can’t be defined.

Vesistöjen rantavyöhykkeiden suojeleminen on maankäytöltään tehokas tapa saavuuttaa merkittäviä hyötyjä vesistöjen suojelulle ja biodiversiteetille. Metsätaloudessa kutsutaan suojavyöhykkeeksi kaistaletta, jolla puunkorjuuta, maanmuokkausta ja koneilla liikkumista on rajoitettu. Vesistöjen varsien suojavyöhykkeet tarjoavat elinympäristön useille kasvi- ja eläinlajeille. Suojavyöhykkeet estävät ravinteiden päätymistä vesistöihin ainakin pidättämällä hienoainesta, sekä suojavyöhykkeen kasvien ravinteiden otannan, että erilaisten biokemiallisten prosessien kautta. Tämän tutkimuksen tavoitteena on selvittää miten ja millä tarkkuudella hakkuukonetiedon avulla voidaan seurata toteutuneiden suojavyöhykkeiden leveyksiä. Metsäkoneiden teknologisen kehityksen ansiosta koneiden keräämää tietoa on alettu hyödyntämään laajemmin. Hakkuukoneilla voidaan kerätä metsävaratietoa kustannustehokkaasti. Suuret tavaralajimenetelmän metsäkoneiden valmistajat ovat sitoutuneet StanForD2010-tiedonstantardiin, jonka ansiosta hakkuukonetietoa voidaan käsitellä ja hyödyntää tehokkaasti. Hakkuukoneiden GNSS-paikantimen työskentelyn aikana tallentuvasta sijaintitiedosta voidaan muodostaa Metsäteho Oy:n kehittämällä menetelmällä toteutuneen hakkuun mukaan metsikkökuvioita, joita kutsutaan hakkuukonekuvioiksi. Tässä tutkimuksessa tarkasteltu menetelmä on Metsätehon kehittämä ja siinä hyödynnetään niin ikään Metsätehon algoritmilla hakkuukonetiedosta tuotettuja hakkuukonekuvioita. Työn aineistoksi saatiin Stora Ensolta laaja hakkuukoneaineisto, joista 4239 hakkuukuvion läheisyydessä tai sisällä sijaitsi vesistö. Hakkuukonekuvioiden rajoilta mitattiin etäisyys maanmittauslaitoksen kartta-aineistosta löytyviin vesistöjen rajoihin laskennallisesti. Tuloksista muodostettiin suojavyöhykkeiden keskimääräiset leveystiedot hakkuukuvioittain. Suojavyöhyketiedon tarkkuuden määrittämiseksi kerättiin maastomittauksissa aineisto, jossa hakkuukuvioiden todellinen raja kartoitettiin tarkalla RTK-GNSS paikantimella. Maastomittaus tehtiin 34 hakkuukuviolla. Maastossa mitattujen kuvioiden rajoista muodostettiin suojavyöhykkeen leveydet käyttäen samaa metsätehon laskennallista menetelmää ja vesistöaineistoa. Hakkuukonetiedosta johdetun suojavyöhyketiedon tarkkuus esitettiin keskimääräisen suojavyöhyketiedon absoluuttisena erona maastomittauksen perusteella määritettyyn. Menetelmän tarkkuutta tarkastellaan työssä kolmen erityyppisten vesistöjen välillä. Tutkimuksen tuloksena menetelmä näyttää toimivan hyvin silloin kun hakkuualuetta rajaa geometriatyypiltään aluemuotoinen vesistö, eli vakavesi tai virtavesialue. Vakavesiin kuuluvat järvet, lammet ja meret ja virtavesialueisiin joet. Vakavesillä keskimääräinen virhe oli 1,64 metriä, keskimääräisen suojavyöhykeleveyden ollessa 15,04 metriä. Vastaavasti virtavesialueilla olivat keskimääräinen virhe 1,79 metriä ja suojavyöhykeleveys 16,43 metriä. Kun vesistön tyyppi on viivamuotoinen virtaava vesi eli puro, noro tai oja, ei menetelmä toimi luotettavasti. Keskimääräinen virhe oli virtavesiviivoilla 4,22 metriä keskimääräisen suojavyöhykeleveyden ollessa 5,49 metriä. Tärkein syy menetelmän toimimattomuuteen virtavesiviivakohteilla oli maanmittauslaitoksen vesistöaineistossa, jossa luonnontilaisia vesistöjä ja kaivettuja ojia ei voinut erotella. Menetelmän käyttöaste ja tarkkuus paranevat, kun hakkuulaitteiden paikannus yleistyy ja GNSS-paikannuksen tarkkuuden taso nousee hakkuukoneissa.

This study is part of the joint research program of Sustainable Bioenergy Solutions for Tomorrow (BEST) by Natural Resource Institute Finland. This is the first study to examine and analyze the fast track supply chain for harvesting residues. The fast track supply chain is based on roadside chipping of logging residues, in which chips from final felling harvested during spring, summer and autumn are transported straight to the power plant with maximum of half month roadside storing. The aim of this study was to evaluate the cost effects of fast track supply chain. In addition, the factors affecting to the unit costs were investigated. Activity-based costing was used as a study method for analyzing the supply alternatives of logging residues. Data for this study was acquired from a large-scale industrial company purchasing forest biomass. Data consisted roadside storage locations and volumes (solid-m3) of logging residues from Norway spruce dominated final fellings. All activities were identified and costs were calculated in each supply method. Supply costs were presented in euros per megawatt hour were also compared to the total received energy. According to the results supply costs of fast track method was smaller than the costs of the conventional supply method. On average fast track supply costs were 7.1–13.3 % smaller than conventional supply method. Storing cost, including dry matter loss and capital cost, was the most significant factor for influencing differences in total supply cost. Cost of dry matter loss was 5.3–11.5 % higher in conventional supply method than in fast track supply method. In addition, capital costs were 0.4–1.9 % bigger in traditional procurement. Procurement costs of logging residue supply for energy-use can be decreased by using fast track supply chain. Although results proved that fast track supply chain decreases total procurement costs, one should remember that the volume of logging residues must be fitted to power plant’s energy demand.

Peatlands are significant pools of carbon and nitrogen. Forestry-drained peatlands have lower methane emissions than undisturbed peatlands, but emissions of carbon dioxide and nitrous oxide increase after ditching. The effect of ditching on the emissions of peat is stronger on nutrient-rich peatlands than on nutrient-poor peatlands. However, the growing vegetation and wood production form a large carbon sink. So far, forestry-drained peatlands have mainly been carbon sinks in Finland. There are 4.6 million hectares of forestry-drained peatlands in Finland. Ditching peatlands for forestry started in the beginning of the 20th century, and was on its height from 1960s to 1980s. Forestry-drained peatlands are reaching maturity now, but there is little knowledge about the effect of forest management practices on greenhouse gas emissions from forestry-drained peatlands. The purpose of this study is to investigate the effect of logging residues on emissions of carbon dioxide, methane and nitrous oxide from forestry-drained peatlands. Greenhouse gas emissions were measured from the nutrient-rich peatland Lettosuo in Tammela that was drained for forestry in 1969. In early spring of 2016, dominant pine trees were harvested to make room for spruce undergrowth. During the harvest, the harvester formed piles of logging residues on its tracks to avoid erosion of the soil. Five plots were established and measurements taken with the closed-chamber method during 2016-2017. On each of the five plots, two chamber collars were installed on the machine’s tracks, full of logging residues, and other two collars were installed outside of the tracks with little to no logging residues. In addition to greenhouse gas emissions, the dry mass of the logging residues, temperature and groundwater level were measured. Carbon dioxide emissions from residue-covered collars was measured at 0.81–0.88 g m-2 h-1. The fluxes were 1.5-2 times larger than on the control collars (0.40–0.54 g m-2 h-1). A kilogram of logging residues raised the emissions by 0.10 ± 0.01 g m-2 h-1. Compared to the dry mass of branches, the dry mass of needles increased the emissions fourfold. On plots 1-4, the collars installed in the groove of the harvester’s tracks were the only sources of methane by 0.0055 mg m-2 h-1. The methane flux of the other collars varied between -0.0035 and 0.0136 mg m-2 h-1. A kilogram of logging residues raised methane fluxes by 0.003 ± 0.001 mg m-2 h-1. Again, the effect of needles was quadruple as compared to branches. Plot #5 was investigated separately due to the Eriophorum vaginatum that had grown inside the collars. On all plots, nitrous oxide emissions didn’t significantly differ from collar to collar, even though emissions measured from logging-residue covered collars (0.20–0.30 mg m-2 h 1) were two to three times larger than on the other collars (0,10 mg m-2 h-1). Logging residues and the mechanical impact of the harvester on the peat soil increase emissions of carbon dioxide and methane. Emissions of nitrous oxide also increase, but the variance of measured emissions and the small sample size rendered the results statistically insignificant.

Tässä työssä tarkastellaan hakkuu-uramenetelmän kilpailukykyä ajouramenetelmään verrattuna erityisesti turvemaiden puunkorjuussa. Menetelmien välisistä edullisuussuhteista eri oloissa on hyvin vähän aikaisempaa tutkimustietoa. Hakkuu-uramenetelmä on harvennushakkuisiin soveltuva työmenetelmä, joka perustuu ajourien väliin tehtäviin hakkuu-uriin, joita käyttää vain hakkuukone. Hakkuu-urien avulla ajouraväliä voidaan säätää välillä 20 - 40 metriä. Hakkuu-urasta käytetään myös nimitystä ”haamu-ura”, sillä se on normaalia ajouraa kapeampi ja varsin huomaamaton maastossa. Vertailumenetelmänä on perinteinen ajouramenetelmä, jossa hakkuukone ja metsätraktori käyttävät samoja uria ja ajouraväli on noin 20 metriä. Tutkimusongelmaa lähestyttiin tarkastelemalla miten työmenetelmien välinen kilpailukyky muuttuu siirryttäessä kangasmaan ensiharvennuksesta turvemaan ensiharvennukseen. Kilpailukyvyn näkökulmia olivat hakkuun ja metsäkuljetuksen tuottavuus, korjuukustannus ja korjuujälki. Tutkimus rajattiin kesäaikana tapahtuvaan puunkorjuuseen. Työn tuottavuutta tutkittiin aikatutkimuksella kangas- ja turvemaan olosuhteissa molemmilla työmenetelmillä. Aikatutkimusaineiston perusteella laadittiin hakkuun tuottavuutta kuvaavat lineaariset regressiomallit. Työn tuottavuuden lisäksi kenttäkokeessa tutkittiin korjuun kustannuksia ja korjuujälkeä. Kenttäkokeen tutkimustulosten tueksi haastateltiin lisäksi hakkuu-uramenetelmää käyttäviä urakoitsijoita ja heidän urakanantajiaan. Haastattelun avulla pyrittiin selvittämään parhaat käytännöt hakkuu-uramenetelmän käytöstä erilaisissa leimikoissa ja olosuhteissa. Hakkuu-uramenetelmän kilpailukyky hakkuun tuottavuuden ja kustannusten osalta on parhaimmillaan tiheissä puustoissa. Turvemaille tyypilliset olosuhteet, kuten harva puusto ja alhainen hakkuukertymä heikentävät hakkuu-uramenetelmän kilpailukykyä. Hakkuu-uramenetelmän käyttö tuottaa ajouramenetelmää suuremman puutavaran tienvarsitiheyden, jonka vaikutus metsäkuljetuksen tuottavuuteen ja kustannuksiin on edullinen. Ajouravälin kasvattaminen 40 metriin turvemaalla ei kuitenkaan ollut mahdollista, joten hakkuu-uramenetelmän tienvarsitiheys jäi lähes samalle tasolle ajouramenetelmän kanssa. Ongelmana hakkuu-uramenetelmällä oli myös ajouramenetelmää pienemmät kourakasat. Kasakoko on kuitenkin paljon kiinni hakkuukoneen kuljettajan työskentelytottumuksista. Korjuujälki oli molemmilla menetelmillä varsin hyvä, mutta hakkuu-uramenetelmän kilpailukyky parani kuitenkin suhteessa ajouramenetelmään turvemaalle siirryttäessä.

Tässä maisterin tutkielmassa käsitellään hakusanamainontaa digitaalisen markkinoinnin keinona. Tutkielma lähestyy aiheen teoreettista puolta avaamalla monipuolisesti hakusanamainontaan liittyvää tieteellistä kirjallisuutta. Aiheen empiiriseen puoleen tutkielma keskittyy case-tutkimuksen kautta, jonka aineisto saadaan videotuotantoyrityksen verkkoanalytiikan avulla. Tutkielman johtopäätöksissä puntaroidaan hakusanamainonnan hyötyjen ja kustannusten välistä kuilua ja pyritään arvioimaan, onko hakusanamainonta kannattava investointi videotuotantoyrityksen digitaalisen markkinoinnin kentässä. Hakusanamainonta on oleellinen osa digitaalisen markkinoinnin kenttää. Hakusanamainonnan avulla yritykset pyrkivät lisäämään näkyvyyttä mainostamalla hakukoneessa tuotteita ja palveluitaan potentiaalisten asiakkaiden etsimien asioiden aihepiirien ympärillä. Tutkimuksen empiirinen tutkimusaineisto kerätään Google Analytics työkalulla, joka on monipuolinen ja yleinen verkkoanalytiikan seurantaan käytettävä työkalu. Tutkimusaineistossa keskitytään verkkosivuliikenteen määrää sekä luonnetta esittävien mittareiden tarkasteluun. Tutkimustuloksista ilmenee, että hakusanamainonnan käynnistämisen johdosta case-yrityksen verkkosivuliikenne on lisääntynyt huomattavasti, mikä on johtanut myös verkkosivujen kautta saatujen tarjouspyyntöjen kasvamiseen. Tutkimustulosten myötä on havaittavissa, että hakusanamainonta on kannattava investointi videotuotantoyritykselle sekä hakusanamainonnan kokonaisvaltainen rooli on merkittävä digitaalisen markkinoinnin kentässä.

Tiivistelmä Kasvillisuus vaikuttaa voimakkaasti ekosysteemin toimintaan veden ja energianvaihdon kautta. Koska hiilen dynamiikan ja muiden ilmastoon liittyvien prosessien tiedetään vaihtelevan suuresti suon eri kasvillisuustyyppien välillä, on ratkaisevan tärkeää tietää eri kasvillisuustyyppien suon sisäinen alueellinen jakauma. Muutosten, kuten ilmaston muutoksen vaikutusten, ennustaminen eliöyhteisön kokoonpanoon ja ekosysteemin dynamiikkaan edellyttää parempaa ymmärrystä nykyisen kasvillisuuden rakenteesta ja fenologiasta. Kasvillisuuden seuraaminen ja aineiston kerääminen maasto-olosuhteissa on työlästä, siksi on tärkeää selvittää menetelmiä, joilla kasviyhteisöjen rakenteet saataisiin kuvattua hyödyntämällä kaukokartoitustekniikkaa. Tämän tutkimuksen tavoitteena oli selvittää Sodankylässä sijaitsevan aapasuon, Halssiaavan kasvillisuus ja lehtialaindeksi niin funktionaalisten tyyppien, kasvillisuuden koostumukseen perustuvien kasviyhteisöjen, kuin ekosysteemin tasolla. Lehtialaindeksi on muuttuja, joka selittää hyvin suon tuotantoa. Alueellisen vaihtelun lisäksi lehtialaindeksi vaihtelee kasvukauden aikana, ja tämä vaihtelu eroaa kasviyhteisöittäin. Kasvillisuuden alueellinen vaihtelu ekosysteemitasolla saadaan kuvattua erittäin korkean resoluution kaukokartoituskuvilla, joiden spatiaalinen tarkkuus on riittävä. Suon kenttäkerroksen kasvillisuuden fenologian kehitystä seurattiin kasvukaudella 2016, 3.6.–14.9. välisenä aikana seuranta-aloilta viikoittain. Nämä seuranta-alat perustettiin eri suotyypeille ravinteisuuden ja kosteuden perusteella. Aloilta arvioitiin kasvilajien peittävyys ja laskettiin putkilokasvien lehtialaindeksi. Eri putkilokasvilajien lehtialaindeksin kehitystä kasvukauden aikana seurattiin kasvillisuuden toiminnallisissa ryhmissä. Lisäksi suon kasviyhteisöt luokiteltiin lajistoaineiston perusteella kaksisuuntaisella (TWINSPAN) indikaattorianalyysillä eri kasviyhteisötyyppeihin. Seuranta-alojen lisäksi perustettiin näytealoja tukipisteille suon maanpeiteluokitusta varten. Tukipisteiltä kuvailtiin kasvillisuus ja kasvupaikka. Maanpeiteluokittelu tehtiin käyttämällä objektiperustaista menetelmää ja luokittelun pohjana käytettiin eri kaukokartoitusaineistoja. Perustuen kasvillisuuden rakenteeseen, kasvillisuus Halssiaavalla luokiteltiin kymmeneen eri kasviyhteisötyyppiin. Kasviyhteisöjen lehtialaindeksi eli yhteyttämispinta-ala saavutti huippunsa heinäkuun keskivaiheilla. Kaikki putkilokasvit osoittivat selvää kasvukauden aikaista dynamiikkaa, mutta kasvukauden huippu vaihteli toiminnallisten ryhmien välillä. Halssiaavan maanpeiteluokittelun kokonaistarkkuus kaukokartoitusaineiston perusteella oli noin 70 % maastossa tehtyyn luokitteluun verrattuna, josta rimpien osuus oli 57.6 %, välipintojen 20.3 % ja jänteiden 22.2 %. Kenttäkerroksen putkilokasvien lehtialaindeksi oli kasvukauden huipussa 15.7. suurin välipinnoilla 0.92, seuraavaksi suurin jänteillä 0.88 ja pienin rimpipinnoilla 0.61. Tämän työn tulosten avulla voidaan arvioida suon lehtialaindeksi eri ajanhetkinä.