Koneoppiminen auttaa tunnistamaan ilmastoon liittyviä raja-arvoja, jotka vaikuttavat kasvillisuuden levinneisyyteen
Kuva: Magnus Binnerstam
Helsingin yliopiston tiedote
Uudessa tutkimuksessa tarkasteltiin kasvillisuuden ja ilmasto-olojen välisiä suhteita koneoppimisen avulla. Tutkimustulokset korostavat sitä, kuinka suuri merkitys ilmaston yleistyvillä ääri-ilmiöillä on monien tärkeimpien kasvillisuustyyppien levinneisyyden kannalta.
Ilmaston muuttuminen aiheuttaa entistä voimakkaampia ilmaston ääri-ilmiöitä entistä useammin. On kuitenkin epäselvää, miten ääri-ilmiöt vaikuttavat kasvillisuuden levinneisyyteen tulevaisuudessa. Tämä on tutkimuksen kannalta polttava kysymys, jos halutaan hillitä tulevia ääri-ilmiöitä ja niiden vaikutusta kasvillisuuteen.
Global Change Biology -tiedelehdessä julkaistussa kansainvälisessä tutkimuksessa tarkasteltiin kasvillisuuden ja ilmasto-olojen välisiä suuren mittakaavan suhteita koneoppimisen avulla. Tutkimus osoittaa, että yhdistämällä ilmastoa koskevaa ja kaukokartoituksen kautta kerättyä maanpeitedataa päätöspuina eli puukaavioina tunnettuihin ennustemalleihin voidaan tehokkaasti tunnistaa ilmastolliset raja-arvot, jotka liittyvät vallitsevan kasvillisuuden levinneisyyden jäsentämiseen eri tilatasoilla.
Tutkimustulokset korostavat sitä, kuinka suuri merkitys ilmaston ääri-ilmiöillä on monien tärkeimpien kasvillisuustyyppien levinneisyyden kannalta. Esimerkiksi savannit ja kausivihannat havumetsät tarvitsevat valta-aseman säilyttääkseen kuivuutta tai äärimmäistä kylmyyttä.
– Yksi tärkeimmistä jatkotutkimuksissa selvitettävistä asioista on se, ovatko tässä tutkimuksessa tunnistetut ilmastoraja-arvot muuttumattomia vai muuttuvatko ne ilmastonmuutoksen myötä, toteaa tutkija Hui Tang Oslon yliopiston geotieteiden osastolta.
Koneoppimisen ja kasvillisuuden asiantuntijoiden yhteistyötä
Kasvillisuuden levinneisyyden ennustaminen suhteessa ilmastonmuutokseen on haastavaa ja edellyttää seikkaperäistä ymmärrystä siitä, miten kasvillisuuden levinneisyys liittyy suuressa mittakaavassa ilmastoon. Tietojenkäsittelytieteen asiantuntijoista, kasvillisuusmallintajista ja kasvillisuuden asiantuntijoista koostuva tutkimusryhmä tarkastelee päätöspuiden sääntöjä selvittääkseen, ovatko ne informatiivisia ja voivatko ne tarjota lisätietoja, jotka voitaisiin yhdistää mekanistisiin kasvillisuusmalleihin.
– Dataan perustuvan mallin informatiivisuutta ja luotettavuutta on vaikea arvioida. Tämä tutkimus korostaa, miten tärkeitä ovat tulkinnalliset mallit, jotka mahdollistavat merkityksellisen yhteistyön alan asiantuntijoiden kanssa, toteaa väitöskirjatutkija Rita Beigaitė Helsingin yliopiston tietojenkäsittelytieteen laitokselta.
– Tutkimuksessa tunnistetut tärkeimmät ilmastoon liittyvät rajat ovat arvokkaita, kun parannetaan prosessipohjaisia kasvillisuusmalleja ja yhdistetään niitä maapallon kattaviin malleihin, Hui Tang sanoo.
Lisätietoja: Helsingin yliopisto
