Browsing by Subject "painolastivesi"

Laivojen painolastiveden mukana kulkeutuminen on merkittävin väylä vieraslajien leviämiseen Itämerelle. Vieraslajeista voi olla haittaa ympäristölle ja yhteiskunnalle, ja Kansainvälinen merenkulkujärjestö (IMO) onkin hyväksynyt painolastivesien käsittelyä koskevan yleissopimuksen, jonka tarkoituksena on estää haitallisia lajeja leviämästä painolastiveden mukana alueelta toiselle. Sopimuksen mukaan laivan painolastivesi täytyy käsitellä niin, että veden sisältämät eliöt kuolevat, ennen kuin veden voi laskea mereen. Käsittelyn voi kuitenkin jättää väliin poikkeusluvalla, jos haitallisten vieraslajien leviämisen riski katsotaan olevan hyväksyttävällätasolla. Riskin arvioinnissa keskeisessä asemassa ovat niin kutsutut kohdelajit, joiden katsotaan voivan aiheuttaa vahinkoa ympäristölle, ihmisten terveydelle tai taloudelle. Arvioinnissa tarkastellaan näiden kohdelajien mahdollisuuksia siirtyä painolastiveden mukana alueelta toiselle, selvitä vastaanottavalla alueella ja aiheuttaa haittavaikutuksia. Itämeren kohdelajien valintaan kehitetty kriteeristö arvioi eliölajien (1) suhdetta painolastivesiin, (2) mahdollisia vaikutuksia Itämeren eri osien ekosysteemeissä ja ympäröivässä yhteiskunnassa, (3) aiemman leviämisen todisteita ja (4) nykyistä levinneisyyttä. Vallitsevassa luokituslähestymistavassa asiantuntijapaneelin arvioimaan kriteerien täyttymiseen tai täyttymättä jäämiseen ei ajatella liittyvän lainkaan epävarmuutta. Tämän tutkielman tavoitteena on kehittää kohdelajien luokitusta varten todennäköisyyspohjainen Bayes-verkkomalli, joka ottaa huomioon kohdelajikriteerien täyttymiseen liittyviä eliölajikohtaisia epävarmuuksia ja laskee luokitukselle todennäköisyysjakauman. Malli rakennettiin noudattamaan kriteeristöä, ja sitä testattiin neljälle esimerkkivieraslajille, jotka kaikki esiintyvät jo joissain osissa Itämerta: vaeltajasimpukalle (Dreissena polymorpha), villasaksiravulle (Eriocheir sinensis), amerikankampamaneetille (Mnemiopsis leidyi) ja sirokatkaravulle (Palaemon elegans). Kahdeksan vieraslajeihin perehtynyttä asiantuntijaa arvioi kyselykaavakkeen avulla eliölajikohtaisesti kuhunkin kriteriin liittyvää tutkimustiedon tasoa, antaen itsenäisen arvionsa jokaisen kriteerin täyttymistodennäköisyydestä. Saadut asiantuntija-arviot syötettiin lajikohtaisiin malleihin, jolloin mallit antoivat tulokseksi kunkin lajin todennäköisyyden kuulua kohdelaji-luokkaan. Näin ollen mallin on tarkoitus vetää yhteen epävarmuutta, joka nousee toisaalta vallitsevasta tieteellisen tiedon tasosta ja toisaalta asiantuntijoiden näkemysten välisestä hajonnasta. Tuloksia voidaan tarkastella asiantuntijakohtaisesti sekä koko asiantuntijajoukon yhteisten keskiarvojakaumien kautta. Tarkasteltaessa asiantuntijajoukon yhdistettyjä keskiarvojaaumia, vaeltajasimpukka kuuluu kohdelajiluokkaan 99,4 %, villasaksirapu 86,9 %, amerikankampamaneetti 84,9 % ja sirokatkarapu 78,3 % todennäköisyydellä, kun tarkastellaan keskiarvojakaumia. Eniten epävarmuutta liittyy lajien vaikutuksiin uudessa ympäristössä, kun taas paras tietotaso ja vähiten epävarmuutta liittyy kriteereihin lajin suhteeseen painolastiveteen ja todisteisiin lajin aiemmasta leviämisestä. Vaikutusten haitallisuutta voi olla vaikea arvioida muun muassa siksi, että vieraslajit eivät vaikuta Itämeren ekosysteemiin yksin, vaan ovat vuorovaikutuksessa muiden lajien kanssa. Asiantuntijoiden välisissä arvioissa oli eroja erityisesti epävarmuutta sisältävissä kriteereissä. Asiantuntijat itse arvioivat kyselyn useammin helpoksi kuin vaikeaksi, mutta silti arviointityöhön liittyi haasteita. Tutkielman mallia rakennettaessa kävi ilmi, että alkuperäisissä kriteereissä on jonkin verran tulkinnanvaraa, mikä saattoi osaltaan vaikuttaa asiantuntijoiden arvioiden eroavaisuuksiin. Kriteerejä onkin syytä muokata selkeämmiksi. Myös kohdelajiluokituksen Bayes-verkkomallia kannattaa kehittää lisää yhteistyössä asiantuntijoiden kanssa. Koska epävarmuus tulee ilmi tutkielmassa käytetyllä Bayes-verkkomenetelmällä, se voidaan ottaa huomioon, kun tehdään päätöksiä eliöiden kohdelajiluokituksesta. Mallista havaitaan, mihin kriteereihin liittyy epävarmuutta ja tätä tietoa voi hyödyntää lisätutkimuksen kohdentamisessa.