Browsing by master's degree program "Metsätieteiden maisteriohjelma"

Suomessa metsäteollisuus on merkittävä osa vientiä, ja metsät ovat Suomen tärkein luonnonvara. Jotta metsiä voidaan hyödyntää mahdollisimman kestävästi ja tehokkaasti, kannattaa tutkia menetelmiä, joilla voidaan parantaa metsäteollisuuden jalostusketjun arvoa. Metsäteollisuuden puunhankintaa suunnitellaan tällä hetkellä etukäteen puuraaka-aineen tarpeen, ja puuston järeyden mukaan. Metsäteollisuuden jalostusketjun arvoa voitaisiin parantaa tiedolla saatavilla olevan puuraaka-aineen laadusta, sillä sen avulla on mahdollista ohjata raaka-aineen kuljetusta eri tehtaille tarkemmin. Tässä tutkielmassa oli tarkoitus tutkia kuusen (Picea abies (L.) H. Karst.) laadun mittaamista maastolaserkeilauksella (terrestrial laser scanning, TLS), sekä kuusen laatua kuvaavien piirteiden yleistettävyyttä laajemmille alueille kirjallisuudessa esitettyjen tunnusten perusteella. Tutkielmassa selvitettiin kuusen laatua kuvaavien TLS-piirteiden korrelaatio TLS-menetelmillä mitttuun puun pituuteen, tilavuuteen, tukkitilavuuteen, latvussuhteeseen, ja latvuspinta-alaan. Tavoitteena oli myös lisätä ymmärrystä tekijöistä, jotka vaikuttavat laatua kuvaaviin piirteisiin ja niiden mittaamiseen. Tutkielman aineistossa oli 343 puuta, joista 257 kappaletta oli kuusia. Leimikot, joita oli 20 kappaletta, sijaitsivat Örebron läänissä Keski-Ruotsissa. TLS-keilaukset tehtiin 7.5 m säteisiltä ympyräkoealoilta neljällä keilauksella. Kaikille kuusen laatua kuvaaville TLS-piirteille löytyi tilastollisesti merkitseviä selittäjiä (P<0,05). Erot leimikoiden puiden laatua kuvaavien TLS-piirteiden välillä olivat pääasiassa vähäisiä, mutta kapenemisluvun kohdalla merkittäviä. Tuloksista voidaan päätellä, että joitain laatua kuvaavia TLS-piirteitä voi olla yleistettävissä laajemmalle alueelle estimoimalla selittävät tunnukset ilmalaserkeilaus (aerial laser scanning, ALS) -menetelmillä. Monella laatua kuvaavalla TLS-piirteellä korrelaation vahvuus puutunnuksiin vaihteli eri korkeuksilla rungossa, mikä kertoo sekä eri kokoisten puiden välisistä eroista, että oksien ja latvuksen rakenteen vaihtelusta eri korkeuksilla rungossa. Kuusen pitkä elävä latvus aiheuttaa peitteisyyttä ja sen myötä epävarmuutta mittauksiin. Yhdistämällä tutkielmassa mitatut ulkoiset piirteet tukkiröntgenin sisäistä laatua mittaavaan dataan, voitaisiin mallintaa puun sisäistä oksaisuutta ja tiheyttä suhteessa TLS-piirteisiin. Suuremmalla mallinnusdatalla, oikeiden ALS-piirteiden ja kasvupaikkatiedon avulla puuston laadun yleistämisessä laajemmille alueille on tämän tutkielman perusteella potentiaalia, mikä tukee aiempien tutkimusten tuloksia.

Tutkimus tehtiin kvantitatiivisena työaika tutkimuksena. Tutkimuksen tavoitteena oli selvittää laadullisten tekijöiden vaikutusta puutavara-autokuljetuksen käyttämään aikaan metsävarastolla ja kuormauksessa. Yhtenä osa-alueena metsävarastolla oli tutkia kääntöpaikkojen ajanmenekkiä ja siihen vaikuttavia tekijöitä. Aihetta ei ole aikaisemmin tutkittu, joka loi tähän tutkimukseen omanlaisensa haasteen, laadullisten tekijöiden luokittelun rakentamisessa. Kääntöpaikan laatua tarkasteltiin luokallisella sekä asteikollisella aineistolla. Aineisto kerättiin yhteistyössä UPM Metsän kanssa. Metsävaraston laadullisista tekijöistä kääntöpaikan laatuluokkien vaikutukset ajanmenekkiin kyettiin erottelemaan mitatusta aineistosta. Kääntöpaikan laadullisten tekijöiden vaikutus sai tuloksissa erittäin merkitsevän p-arvon < 0,001, regressiomallin selitysasteen ollessa 0,699. Tulokset osoittivat, että lineaarisella regressiomallilla kyettiin ennustamaan kääntöpaikkojen olosuhteiden vaikutusta kääntöpaikan ajanmenekin synnyssä ja, että kääntöpaikan laadulla on vaikutusta puutavara-autokuljetuksen ajanmenekkiin metsävarastolla. Muuttujien lisääminen regressiomalliin paransi R2-selitysastetta, mutta lisätty muuttuja ei saanut mallissa merkitsevää p-arvoa. Regressiomallissa huomattiin kuitenkin ongelma tarkemmassa tarkastelussa. Regressiomalli vaikutti aliarvioivan ajallisesti laatuluokaltaan erinomaisia kääntöpaikkoja sekä yliarvioivan ajanmenekkiä laatuluokaltaan hyvillä kääntöpaikoilla. Laadullisesti kohtalaisten ja huonojen kääntöpaikkojen ennusteajat vaikuttivat olevan kutakuinkin linjassa mitattujen tulosten kanssa. Lisätutkimuksen tarpeena olisi keskityttyä kääntöpaikkatyyppi kohtaisten dimensioiden mittaamiseen ja arvioida yksittäisten dimensioiden vaikutusta kääntöpaikan ajan menekin synnyssä. Mahdollisuutena olisi luokallisen arvioinnin tarkentaminen tai uuden mallin rakentaminen. Puutavaravaraston laadullisilla tekijöillä ja koolla ei havaittu olevan vaikutusta kuormausaikaan. Puutavaravaraston laadullisten tekijöiden pohjalta ei kyetty erottelemaan metsävaraston ajanmenekkiin ja kuormausaikaan vaikuttavia tekijöitä vähäisen hajonnan, mahdollisen mittavirheen ja aineiston vinoutuneisuuden seurauksena. Puutavaralajikohtaisia kuormausaikoja verrattiin olemassa oleviin kuormausaikamalleihin. Tuloksista havaittiin vanhojen mallien yliarvioivan kuitupuun kuormausajanmenekkiä m3/min. Vanhojen mallien yliarvio voi johtua määrämittaan katkotun 3 m lehtikuitupuun sisällyttämisestä kuormausaikamalliin. Sen sijaan että, se olisi arvioitu omana puutavaralajinaan.

Metsien intensiivinen hoito on johtanut lahopuun määrän vähenemiseen ja sen myötä monien lahopuusta riippuvaisten lajien uhanalaistumiseen. Talousmetsien lahopuun määrä on vähentynyt noin kymmenes- jopa sadasosaan luonnonmetsien lahopuun määrästä. Toisin kuin talousmetsien, kaupunkimetsien hoidon tavoitteena ei ole puuntuotos. Hoidon tavoitteena on tarjota ensisijaisesti kaupungin asukkaille virkistyspalveluita ja ylläpitää maisemaa ja kaupunkikuvaa, jolloin metsien hoito on intensiteetiltään kevyttä. Kaupunkimetsistä on myös löydetty harvinaisten ja/tai uhanalaisten lajien esiintymiä ja viime aikoina myös kaupunkiluonnon monimuotoisuuden säilyttämiseen on kiinnitetty huomiota muun muassa jättämällä enemmän lahopuuta kaupunkimetsiin. Kaupunkimetsien monimuotoisuutta on alettu myös tutkia viime vuosina, mutta tutkimuksia lahopuun määrästä kaupunkimetsissä on vähän. Tämän työn tavoitteena oli selvittää lahopuun määrään ja laatuun vaikuttavia tekijöitä Helsingin kaupunkimetsissä. Lahopuun määrää ja laatua tutkittiin maastoinventoinnilla, joka toteutettiin vuonna 2021. Inventoinnissa mitattiin lahopuita kolmenlaisilta koealoilta: kokonaan inventoiduilta metsänhoitokuvioilta, kaistakoealoilta ja linjakoealoilta. Lahopuiden tilavuusmittojen lisäksi niistä kirjattiin tiedot puulajista, puun ilmiasusta sekä puun lahoasteesta. Näin saatiin tietoa määrän lisäksi myös lahopuun laadusta, joka on tärkeä monimuotoisuuden mittari. Tilastollisen analyysin avulla pyrittiin selvittämään, vaikuttaako metsikön hoitoluokka, ikä, ravinteisuus tai elävän puuston pääpuulaji lahopuun määrään ja laatuun. Maastoinventoinnin tulosten perusteella Helsingin kaupunkimetsissä on lahopuuta keskimäärin 14 m3/ha. Arvometsiksi luokitelluilla metsäkuvioilla oli keskimäärin vähintään kaksinkertainen määrä lahopuuta muiden hoitoluokkien metsiin verrattuna. Sen sijaan kasvupaikan ravinteisuudella tai metsän iällä ei ollut tilastollisesti merkitsevää vaikutusta lahopuun määrään. Kuusivaltaisissa metsissä lahopuuta oli enemmän kuin mänty- tai rauduskoivuvaltaisissa metsissä. Tulosten perusteella voidaan päätellä, että lahopuun määrä oli suurin alueilla, jotka on monimuotoisuusarvojensa perusteella määritelty arvometsäkohteiksi ja joilla metsien hoito on sen vuoksi jätetty hyvin vähäiseksi. Hoidetuilla metsäalueilla lahopuuta oli vähemmän. Tulos on yhdenmukainen kahden aikaisemmin aiheesta tehdyn tutkimuksen kanssa. Helsingin kaupunkimetsien lahopuu on laadullisesti monimuotoista: lahopuu koostuu useista eri puulajeista ja lahoasteista. Lahopuuta on sekä pysty- että maapuina. Suurin osa lahopuusta oli lehtilahopuuta, mutta havupuiden, erityisesti mäntyjen osuus oli suurempi karummilla kasvupaikoilla ja mäntyvaltaisissa metsissä. Lahopuun lajisto mukaili elävän puuston puulajijakaumaa. Lahopuusta suurin osa oli hyvin vähän lahonnutta puuta. Pitkälle lahonnutta puuta oli noin kolmasosa mitatuista lahopuista. Lahopuiden keskiläpimitta oli 20 cm. Puolet mitatuista lahopuista oli läpimitaltaan alle 17 cm eli melko pieniläpimittaisia. Lahopuun määrä Helsingin kaupunkimetsissä on suurempi kuin Suomen talousmetsien keskimääräinen lahopuun määrä. Lahopuu on myös laadullisesti monimuotoisempaa kuin talousmetsissä. Lahopuusta riippuvaisen eliöstön elinolosuhteet voivat olla kaupunkimetsissä paremmat kuin talousmetsissä. Lahopuuta on kuitenkin kaupunkimetsissä vain korkeintaan neljäsosa luonnonmetsien lahopuun määrästä. Määrä on myös riittämätön turvaamaan useimpien lahopuista riippuvaisten lajien selviytymistä. Tutkimusten mukaan lahopuuta tulisi olla boreaalisissa metsissä vähintään 20–30 m3/ha, jotta useimpien lahopuusta riippuvaisten lajien säilyminen voitaisiin turvata. Kaupunkimetsissä on myös yksittäisiä alueita, joilla lahopuun määrä saavuttaa tai jopa ylittää edellä mainitun suosituksen. Näitä kohteita tulisi kuitenkin lisätä ja olemassa olevaa lahopuuta tulisi vaalia ja lisätä myös muilla alueilla. Kaupunkimetsien lahopuumäärää voidaan helposti lisätä jättämällä metsään kaikki luontaisesti syntynyt kuollut puu. Nopeampaa lisäystä tavoitellessa lahopuuta voidaan myös luoda kaatamalla esimerkiksi ikääntyneitä ja vaaralliseksi katsottuja eläviä puita maapuiksi. Kaupunkimetsien lahopuuston hoidossa tulee ottaa huomioon asukkaiden ja metsien käyttäjien turvallisuus ja toisaalta myös maisemalliset tekijät.

Climate change is expected to cause long-term drying on northern peatlands due to increased evapotranspiration. Summer heatwaves and droughts are also predicted to increase with climate change. Vascular plant leaf area phenology on peatlands is affected by reduced water levels and interannual variation in weather. Nutrient rich mire types are more susceptible to both functional and compositional changes in response to long-term and short-term changes in water level. What remains unexplored is the potential for interactive effects between long-term drying and short-term drought events on leaf area phenology on varying mire types. This study quantifies the response of leaf area phenology to 20-year experimental water level drawdown (WLD) across three mire types of varying nutrient levels (mesotrophic fen, oligotrophic fen and ombrotrophic bog). Measurements were conducted in two contrasting growing seasons, 2017 a cool wet year and 2021 a hot dry year. WLD led to significantly earlier growth peaks across all sites. Community compositional changes in response to WLD were most significant at the more nutrient rich mire sites. At the mesotrophic site WLD resulted in significant reductions in peak leaf area (LAIMAX), which was not observed at the other sites. Across all the WLD plots the hot dry year 2021 resulted in significantly greater LAIMAX relative to the cool wet year 2017, this difference was not significant at any of the control plots. This suggests long-term drying alters the way mire phenology responds to short-term variations in weather. This has important implications for the ability of northern mires to function ‘normally’ under future climate conditions.

Metsäpeura (Rangifer tarandus fennicus) on Suomessa ja Venäjän Karjalassa esiintyvä vähälukuinen peurasuvun alalaji, joka on listattu uhanalaisuusluokitukseltaan silmälläpidettäväksi. Metsäpeuran tärkeimmät kuolinsyyt ovat suurpetojen saalistus sekä liikennekuolleisuus, josta erityisesti liikennekuolleisuus on vähän tutkittu ja huonosti tunnettu aihe. Suurpetojen saalistuksen on havaittu olevan merkittävä metsäpeurapopulaatioiden säätelijä, mutta liikennekuolleisuudesta ja sen vaikutuksista vastaavaa tutkimustietoa ei ole. Tässä tutkimuksessa selvitettiin suurpetojen ja liikenteen tappamien aikuisten metsäpeurojen ikärakennetta. Ikärakenteen tutkimisen tarkoituksena on tuottaa uutta tietoa liikenteessä kuolleista ja suurpetojen tappamista metsäpeuroista. Pro gradu työssä selvitettiin ikäjakaumien lisäksi myös Suomenselän metsäpeurojen liikennekuolleisuusjakaumaa. Tarkoituksena oli selvittää, eroaako metsäpeurahirvaiden kuukausittainen liikennekuolleisuusjakauma metsäpeuravaatimien kuukausittaisesta liikennekuolleisuusjakaumasta. Tutkimuksessa kerätiin liikenteessä kuolleiden ja suurpetojen tappamien metsäpeurojen alaleukoja iänmääritystä vasten. Aineisto kerättiin Suomenselän ja Kainuun metsäpeuraosakantojen alueelta SRVA-vapaaehtoisten ja Luonnonvarakeskuksen avustuksella 1.1.2018–31.12.2019 välisenä aikana. Iänmääritysaineisto käsitti yhteensä 71 metsäpeuran hammasnäytettä. Peuroista 52 oli kuollut liikenteessä ja 19 oli suurpetojen tappamia. Aikuisten metsäpeurojen ikärakenteen eroja testattiin Mann-Whitney U -testin avulla. Suomenselän metsäpeurojen kuukausittaisen liikennekuolleisuusjakauman tutkimiseen käytettiin Suomen riistakeskuksen Oma riista -aineistoa. Aineisto käsitti kaikki Oma riista -järjestelmään kirjatut Suomenselällä liikenteessä kuolleet metsäpeurat ajalta 2017–2019, joista oli tiedossa aika, paikka ja sukupuolitiedot. Aineistoa testattiin khiin neliö- eli χ² testin avulla. Suurpetojen ja liikenteen tappamien metsäpeurojen ikäjakaumat erosivat tilastollisesti merkitsevästi toisistaan. Suurpetojen tappamien aikuisten metsäpeurojen keski-ikä oli 10,8 vuotta ja liikenteessä kuolleiden 3,9 vuotta. Tulosten perusteella suurpedot tappavat erityisesti yli 6,5-vuotiaita metsäpeuroja, kun taas liikenteessä kuolee pääasiassa alle 6,5-vuotiaita yksilöitä. Suomenselän metsäpeuravaadinten ja -hirvaiden kuukausittaisessa liikennekuolleisuusjakaumassa ei havaittu tilastollisesti merkitsevää eroa. Kummallakin sukupuolella on kolaripiikki marras–joulukuun välisenä aikana, jolloin tapahtui 45 % kaikista aineiston metsäpeuraonnettomuuksista. Hirvaita jäi kokonaisuudessaan 18 prosenttiyksikköä enemmän autojen alle kuin vaatimia. Vaikka kuukausittaista liikennekuolleisuusjakaumaa ei testattu tilastollisesti, se tukee käsitystämme marras-joulukuun kolaripiikistä, sekä siitä, että hirvaat ovat alttiimpia liikenneonnettomuuksille kuin vaatimet. Erityisen huolestuttavaan liikenteen ja suurpetojen tappamien metsäpeurojen ikäjakaumissa oli, että liikenteessä kuolee eritoten parhaassa lisääntymisiässä olevia metsäpeuroja. Varsinkin lisääntymisikäisten metsäpeuravaatimien poistuminen alentaa populaation vasatuottoa tehokkaasti.

The aim of this study is to provide economical arguments for agriculture company to replace current wood chip heating by wood pellet heating. The study provides clear economical calculations for both options of heating investments and compares usage features to support upcoming investment decision. This study will examine wood chips and wood pellets as biofuels and presents needed heating systems. Profitability calculations of both heating investments are done by net present value, internal rate of return and return of investment. Sensitivity analysis is done based on the most critical factors for investments like changes of investment rate and cost of raw material. Solar energy will be processed only by theoretically. Both investment options are using the same heating equipment, so significant expenses between heating options are consist of cost of heating materials. Results of investment calculations advise the company to continue heating with wood chips. This study was done from the actual need of the agriculture company regarding profitable heating investment.

Dead wood is an integral part for forest biodiversity in boreal forests. 5000 (25 %) of Finland’s forest dwelling species depend on decaying dead wood during their life cycle. The loss of dead wood in forest ecosystems has been identified as the number one reason for species endangerment. Conventional dead wood mapping is done by counting and measuring dead wood from field plots or by aerial laser scanning, both of which can be timeand resource consuming. UAV-borne aerial imaging provides cost effective and high spatial and temporal resolution in comparison to conventional aerial imaging and satellite-based imagery. A convolutional neural network (CNN) is a deep learning algorithm that has shown promise in recognizing spatial patterns. The strengths of CNNs are end-to-end learning and transfer learning. CNNs have been used for mapping both standing and downed dead wood. This thesis aims to further investigate the usability of a method based on detecting downed coarse woody debris (CWD) in a coniferous boreal forest from RGB UAV-imagery using a CNN based segmentation approach. CWD was digitized from an orthomosaic created from UAV-imagery. CWD was digitized from 68 square shaped 100 x 100 m virtual plots surrounding 9 m radius circular field plots. The plots were divided into 57 training plots for training the CNN and 11 test plots for evaluating the CNN model performance. The effect of different loss functions and the effect of data augmentation on model segmentation performance was evaluated. The number of digitized and segmented CWD objects were compared to the number of CWD objects from the field plots and the effect of canopy cover and basal area on the detection rate was assessed. The CNN model segmented 324 m ² of CWD from the 11 virtual test plots, from which 469 m ² of CWD had been digitized, resulting in a 69 % segmented-to-digitized CWD ratio. The model with the best performance achieved a precision of 0.722, a recall of 0.500, a Dice-score of 0.591, and an intersection over union (IoU) of 0.42. The sample size of field measured CWD from the field plots was relatively small and neither canopy cover nor basal area was found to have a statistically significant (P = 0.05) effect on CWD detection rate. For the digitized CWD detection rate, canopy cover had a p-value of 0.059 and basal area a p-value of 0.764. For the model segmented CWD detection rate, the p-values were 0.052 and 0.884, respectively.

Understanding soil respiration behaviour in different environments is one of the most crucial research questions currently in environmental sciences, since it is a major component of the carbon cycle. It can be divided into many source components, them being litter decomposition, soil organic matter, root respiration and respiration in the rhizosphere. Many biotic and abiotic factors control soil respiration through complicated relationship networks. Strong controlling factors being soil temperature, soil moisture, substrate supply and quality, soil nitrogen content, soil acidity and soil texture. As these relationships are biome-specific, they must be understood in order to produce more accurate assessments worldwide. In this study annual soil respiration rates and its controlling factors were investigated globally in unmanaged and natural mature forest biomes. Observed values were extracted from Soil respiration database (SRDB) v.5, and it was complemented with spatially and temporally linked data from remotely sensed and modelled databases to produce variables for forest productivity, meteorological conditions and soil properties. Furthermore, empirical soil respiration models and machine learning algorithms, as well as previous estimates, were compared to each other. Locally, monthly manual soil respiration measurements from boreal forest site in Hyytiälä, Finland from the years 2010-2011, with environmental, soil temperature and soil water conditions were investigated to identify seasonal differences in controlling factors of soil respiration rate. Soil respiration controls were found to differ between biomes. Furthermore, the Artificial Neural Network algorithm used was observed to outperform empirical models and previous estimates, when biome specific modelling was implemented with the continental division. Artificial neural networks and other algorithms could produce more accurate estimates globally. Locally soil respiration rates were observed to differ seasonally, with soil temperature controls being stronger during the growing season and when snow depth exceeded 30 cm, soil water conditions, controlled soil respiration strongly.

The forestry industry is in transition for several different reasons, which is why employees are also required to acquire new skills and knowledge to meet the needs of the future. The purpose is to find out the qualitative skills needs of forestry workers (forestry engineer, forest energy producer, forest machine fitter, forest machine driver, logger forest service’s producer) and timber truck drivers in the future, as well as how these can be met. The study was commissioned for the Finnish Forestry Center's western service area, which includes the provinces of Central Ostrobothnia, South Ostrobothnia, Pirkanmaa, Satakunta and Southwest Finland. The topic has been extensively researched in Finland in recent years, and these studies are the basis for this report. The research is based on the difficulties experienced in recruitment for both quantitative and qualitative reasons. The turnover of workers in the field is currently high, which in part causes the need to consider whether the change in the field of trained workers could be prevented by, for example, additional or supplementary training. The research was carried out as a survey for employers in the forestry sector in the western service area of the Finnish Forestry Center. From the extensive material obtained based on the survey, the sections dealing with the qualitative characteristics of the employees in the field have been limited to this study. These include the following sections: Challenges in recruitment, new skills for the future, needs for additional and continuing education, skills of recent graduates, and trainees and educational institution cooperation. The results are very similar to previous studies. Although the small and partly unevenly distributed material, the research questions were answered. The most important themes emerged were the personal characteristics of forestry interns and recent graduates, the changes brought about by digitalization, substantive expertise, and business topics, including customer service and sales skills. The knowledge and skills of the interns and recent graduates were perceived as satisfactory or good. The greatest future challenge can be seen as the increasing need for practical training. The learning in the forest and in work placements instills the students' ways of doing things, so if it is added to, the students would be more independent already after graduation. Many of the themes discussed in the study are ones that can be responded to already in basic education. Due to the changing operating environment, additional and continuing training is needed. Implementation of the results of the research has started through the Finnish Forestry Center. The results have been taken regionally to the western service area for training organizers, employers and other stakeholders as needed. Forestry Center has started, among other things, a project based on the results, the purpose of which is to increase awareness of the forestry sector among young people with an eye on future jobs.

Euroopassa esiintyy kahta metsähanhen alalajia: tundrametsähanhi Anser fabalis rossicus sekä taigametsähanhi Anser fabalis fabalis. Taigametsähanhia pesii Suomessa, mutta myös tundrametsähanhia esiintyy kevät- ja syysmuuttojen aikana. Tundrametsähanhen muuttoreitti kulkee kuitenkin idempää kuin taigametsähanhen, ja ne myös muuttavat myöhemmin syksyllä kuin taigametsähanhet. Metsähanhen metsästys on ollut Suomessa viime vuosina tiukasti säädeltyä ja metsästystä on pyritty ajallisilla sekä paikallisilla rajoituksilla kohdentamaan elinvoimaiseen tundrametsähanheen. Saaliissa esiintyy kuitenkin edelleen molempia alalajeja. Alalajien erottaminen toisistaan silmänvaraisesti on vaikeaa, ja siksi olisi tärkeää saada tietoa saaliin alalajikoostumuksesta kestävän metsästyksen pohjaksi. Tutkimuksen tavoitteena oli löytää taiga- sekä tundrametsähanhen nokan muodoista tilastollisesti merkitseviä eroavaisuuksia morfometriikan ja nokan värityksen avulla. Tuloksista on tarkoitus luoda työkalu, jonka avulla alalaji voidaan tunnistaa tietyllä todennäköisyydellä valokuvasta. Lajintunnistus on tärkeää hanhien kannanhoidon kannalta, jotta metsähanhisaaliin alalajijakaumaa on mahdollista seurata. Saalislintujen tunnistaminen on välttämätöntä taigametsähanhen kannan elinvoimaisuuden turvaamisessa. Tutkimuksen aineisto koostuu noin yhdeksästä sadasta hanhen päästä. Aineisto kerättiin Ruotsista vuosina 2017–2018 sekä Suomesta ja Virosta vuosina 2018–2019. Päistä otettiin DNA-näyte sekä standardisoitu kuva. DNA-tulosten avulla oli mahdollista tutkia alalajien eroja, jotka voisivat auttaa tunnistuksessa. Kuvista otettiin myös absoluuttisia mittoja sekä mitattiin keltaisen värin määrää ylänokassa. Mallinnuksessa selvitettiin, onko mitoilla mahdollista selittää metsähanhen alalajia. Tutkielmassa esitellyn tilastollisen mallin avulla oli mahdollista neljän muuttujan: keltaisen värin määrän nokassa, nokan pituuden ja ala- ja ylänokan paksuuden perusteella ennustaa alalaji noin 93 prosentin tarkkuudella. Tulokset tukivat aiempia taksonomisia tutkimuksia, mutta eivät ole suoraan verrannollisia. Tulosten mukaan tundrametsähanhia tulee yleisesti metsähanhisaaliiseen Suomessa sekä Virossa ja taigametsähanhia on valtaosa metsähanhisaaliista Ruotsissa.