1. No category

Pro gradu -tutkielma
Maantiede
Luonnonmaantiede
PINTAMAAN GEOKEMIAA SELITTÄVÄT TEKIJÄT MUUTTUVASSA
TUNDRAYMPÄRISTÖSSÄ
Anna-Maria Virkkala
2016
Ohjaaja:
Miska Luoto
HELSINGIN YLIOPISTO
MAANTIETEEN LAITOS
PL 64 (Gustaf Hällströmin katu 2)
00014 Helsingin yliopisto
Tiedekunta/Osasto Fakultet/Sektion – Faculty
Laitos/Institution– Department
Matemaattis-luonnontieteellinen tiedekunta
Tekijä/Författare – Author
Geotieteiden ja maantieteen laitos
Anna-Maria Virkkala
Työn nimi / Arbetets titel – Title
Pintamaan geokemiaa selittävät tekijät muuttuvassa tundraympäristössä
Oppiaine /Läroämne – Subject
Maantiede
Työn laji/Arbetets art – Level
Pro gradu -tutkielma
Tiivistelmä/Referat – Abstract
Aika/Datum – Month and year
Sivumäärä/ Sidoantal – Number of pages
Maaliskuu 2016
115
Ilmastonmuutos muuttaa herkkiä tundraympäristöjä, mutta muutosten vaikutuksia pintamaan geokemiaan ei vielä tiedetä.
Pintamaan geokemia, eli ravinteisuus ja pH, on tärkeässä roolissa ilmastonmuutoksen kannalta, sillä se voi synnyttää globaaliin
ilmastoon ja tundraympäristöön vaikuttavia takaisinkytkentöjä. Vielä on epäselvää, onko ilmasto tärkein pintamaan geokemiaa
säätelevä tekijä vai voisivatko muut tekijät, kuten topografia ja maaperän kosteus puskuroida tulevia muutoksia. Tämä tutkimus
selvittää pintamaan geokemiaa sääteleviä tekijöitä ja prosesseja sekä pintamaan geokemian herkkyyttä ilmastonmuutokselle. Lisäksi
tutkimus kytkee paikalliset havainnot laajempiin alueellisiin ennusteisiin.
Aineisto kerättiin ympäristögradienteiltaan kattavalta maisemamittakaavan 72 km² tutkimusalueelta (n=429) Pohjois-Norjasta (noin
69° 90’ N ja 26° 20’ E). Geokemia-aineisto koostui laboratoriossa määritetyistä pintamaan typen, fosforin, hiilen, kalsiumin ja raudan
pitoisuuksista sekä maaperän pH:sta. Geokemiamuuttujia tutkittiin alueellisen mallinnuksen keinoin ympäristöaineistolla, joka koostui
maaperän kosteudesta ja johon johdettiin muuttujia ilmasto- ja korkeusmallista, Landsat-satelliittikuvista sekä ilmakuvista. Aineiston
hajontaa kuvattiin NMDS-gradienttianalyysimenetelmän avulla ja alueellinen mallintaminen ja ennustaminen sekä
ilmastonmuutoksen vaikutusten simulointi toteutettiin rakenneyhtälömalleilla (SEM) ja yleistetyillä luokittelupuumenetelmillä (GBM).
Geokemiamuuttujien alueelliset jakaumat GBM-malleilla tehdyissä ennusteissa olivat samankaltaisia: pitoisuudet olivat korkeita
laaksoissa ja alarinteillä, melko alhaisia ylänköalueilla ja tunturikoivikoissa ja alhaisia tunturien laella, mutta paikallista vaihtelua oli
paljon erityisesti tunturikoivikossa. Ilmaston rooli pintamaan geokemiaa selittävänä tekijänä oli GBM-malleissa suuri, mutta SEMmalleissa havaittiin, että paikallinen tekijä maaperän kosteus, joka oli osin ilmaston säätelemä, vaikutti paikoin suuremmissa määrin
pintamaan geokemiaan. Topografisten ja hydrologisten tekijöiden vaikutus pintamaan geokemiaan oli GBM-malleissa vähäinen,
jolloin ne eivät puskuroineet vahvasti pintamaan geokemian muutoksia GBM-malleilla tehdyissä ilmastonmuutossimulaatioissa,
joissa havaittiin pintamaan ravinteisuuden kasvavan keskilämpötilojen noustessa ja lumisuuden vähentyessä.
GBM-mallien selityskyky oli kohtuullisen hyvä etenkin puuttomalla paljakalla typpi-, fosfori-, hiili- ja kalsiumpitoisuuksia
analysoitaessa, ja tutkimuksessa onnistuttiin linkittämään näiden ravinteiden paikalliset havainnot alueellisiin ennusteisiin. Lisäksi
SEM-mallit osoittautuivat potentiaaliseksi ja monipuoliseksi menetelmäksi maaperämallinnuksessa, ja menetelmän avulla havaittiin,
että paikalliset tekijät ja niiden vaihtelu pystyvät puskuroimaan ilmaston suurta vaikutusta. Tulokset indikoivat ilmaston ja maaperän
kosteuden kontrolloiman orgaanisen aineksen kierron ja paikallisesti topografian ja hydrologisten olosuhteiden kontrolloiman
huuhtoutumisen merkitystä pintamaan geokemian säätelijämekanismina. Pintamaan ravinteet ja pH reagoivat ympäristömuuttujiin
kuitenkin eri tavalla: ympäristötekijöiden ja geokemian välinen suhde NMDS-analyysissä ja GBM- ja SEM-malleissa oli samanlainen
typellä, hiilellä, kalsiumilla ja osin fosforilla, mutta rauta ja pH käyttäytyivät eri lailla. Pintamaan geokemia, ja etenkin pintamaan hiili
on herkkä ilmastonmuutokselle, ja kynnysarvona suurimmille muutoksille ilmastonmuutossimulointien mukaan oli jo 1,5 °C
lämpötilannousu. Tundraympäristöjen pintamaan geokemiapitoisuudet kasvavat ilmaston lämmetessä erityisesti tunturien huipuilla
ja laaksoissa, jolloin tundraympäristöt pysyvät tämän tutkimuksen mukaan tärkeänä ravinnevarastona.
Avainsanat – Nyckelord – Keywords
pintamaan geokemia, ravinteisuus, pH, tundra, alueellinen mallinnus, rakenneyhtälömalli, maaperän kosteus, ilmastonmuutos
Säilytyspaikka – Förvaringställe – Where deposited
HELDA
Muita tietoja – Övriga uppgifter – Additional information
Tiedekunta/Osasto Fakultet/Sektion – Faculty
Laitos/Institution– Department
Faculty of Science
Tekijä/Författare – Author
Department of Geosciences and Geography
Anna-Maria Virkkala
Työn nimi / Arbetets titel – Title
Topsoil geochemistry and its controlling factors in a changing tundra environment
Oppiaine /Läroämne – Subject
Geography
Työn laji/Arbetets art – Level
Master’s thesis
Tiivistelmä/Referat – Abstract
Aika/Datum – Month and year
Sivumäärä/ Sidoantal – Number of pages
March 2016
115
Ongoing climate change is altering sensitive tundra environments. However, the impacts of these changes on topsoil geochemistry
are still not fully understood even though their feedbacks might have the potential to change even the global climate system.
Therefore, it is of great importance to study the relative importance of climatic and other environmental factors affecting topsoil
geochemistry. This thesis examines the factors and processes regulating topsoil geochemistry and its sensitivity to climate change.
The aim of the research was also to link local observations to regional models and predictions in order to improve the quality of digital
soil maps.
Field data (n=429) was collected from a landscape-scale research area (72 km²) in northern Norway (69° 90’ N and 26° 20’ E). Soil
samples were analyzed in the laboratory and the concentrations of total nitrogen, phosphorous, total carbon, calcium, iron and pH
were measured. Geochemical variables were modelled against environmental data comprising of soil moisture and derivatives of a
climate model, an elevation model, Landsat-satellite images and aerial images. The relationships between the geochemical and
environmental data were described using NMDS ordination method and modelled, predicted and simulated with generalized boosted
models (GBM) and structural equation modelling (SEM).
The distribution of the topsoil geochemistry based on the GBM model predictions was similar between the geochemical variables:
there was a decrease of nutrient concentrations with increasing elevation and distance to tundra streams and with increasing
mountain birch abundance. Topsoil geochemistry varied markedly over short distances, especially in mountain birch forest where
the extreme ends of the geochemical gradient could be found even within a 100 m radius. Climate was the most important factor
governing all the geochemical variables based on the GBM models but it affected topsoil geochemistry partly through soil moisture,
the role of which was at times bigger than the role of climate-driven NPP’s which was studied in the SEM models. The relative
importance of topography and geology on topsoil geochemistry was small in the GBM models.
The predictive power of the GBM and SEM models predicting nitrogen, phosphorous, carbon and calcium concentrations were
relatively good in the treeless tundra whereas the model fit of iron and pH models were poor. The results emphasize the role of
climate and soil moisture as controlling forces in the organic cycle and small local impacts of topography affecting the leaching of
nutrients. Topsoil nutrients and pH have distinct relationships with the environmental variables with topsoil nitrogen, carbon,
calcium and partly phosphorous behaving similarly and iron and pH in different ways based on the NMDS, GBM and SEM results.
The low importance of topographic and geologic variables in the GBM models resulted in considerable topsoil geochemical
changes in relation to the climate simulations made with GBM models. According to the simulations, topsoil geochemical
concentrations increased with decreasing snow cover and increasing temperatures with a tipping point of 1,5 °C where the biggest
changes are occurring. Climate sensitivity of the nutrients was highest on ridges and in valleys with carbon showing the biggest
temperature sensitivity. Changes in snow cover affected topsoil geochemistry less than climate simulations but created more
heterogeneous concentration differences. Topsoil will likely continue to act as an important global sink for geochemical variables in
changing tundra environments.
Avainsanat – Nyckelord – Keywords
topsoil geochemistry, nutrients, pH, tundra, regional modelling, structural equation modelling, soil moisture, climate change
Säilytyspaikka – Förvaringställe – Where deposited
HELDA
Muita tietoja – Övriga uppgifter – Additional information
Sisällysluettelo
1. Johdanto ................................................................................................................................ 1
2. Tutkimuskysymykset ........................................................................................................... 3
3. Pintamaan geokemia ............................................................................................................ 4
3.1 Pintamaan geokemian perusta ........................................................................................................... 4
3.2 Biogeokemiallinen kierto .................................................................................................................. 7
4. Pintamaan geokemiaa säätelevät prosessit......................................................................... 9
4.1 Biokemialliset prosessit..................................................................................................................... 9
4.2 Fysikaaliset prosessit ....................................................................................................................... 10
5. Pintamaan geokemiaa selittävät ympäristötekijät .......................................................... 12
5.1 Ilmasto ............................................................................................................................................. 12
5.2 Topografia ....................................................................................................................................... 14
5.2.1 Korkeus, rinteen suunta ja kaltevuus ....................................................................................... 14
5.2.2 Lumisuus .................................................................................................................................. 16
5.2.3 Maaperän kosteus .................................................................................................................... 17
5.3 Geologia .......................................................................................................................................... 18
5.3.1 Kallioperä ................................................................................................................................ 18
5.3.2 Maaperä ................................................................................................................................... 19
5.4 Eliöt ................................................................................................................................................. 20
5.5. Selittävien tekijöiden yhteenveto ................................................................................................... 22
6. Biogeokemiallinen kierto ja ilmastonmuutos ................................................................... 23
7. Tutkimusalue ...................................................................................................................... 24
8. Aineisto ................................................................................................................................ 29
8.1 Kenttäaineisto .................................................................................................................................. 29
8.2 Laboratorioaineisto.......................................................................................................................... 29
8.3 Ympäristöaineisto ........................................................................................................................... 31
9. Menetelmät .......................................................................................................................... 33
9.1 Ei-metrinen moniuloitteinen skaalaus ............................................................................................. 33
9.2 Yleistetyt luokittelupuumenetelmät ................................................................................................ 34
9.3 Rakenneyhtälömalli......................................................................................................................... 36
9.4 Mallien arviointi .............................................................................................................................. 38
9.4.1 Yleistetyt luokittelupuumenetelmät .......................................................................................... 38
9.4.2 Rakenneyhtälömallit ................................................................................................................ 38
10. Tulokset ............................................................................................................................. 39
10.1 Laboratorioanalyysitulosten luotettavuus...................................................................................... 39
10.2 Ympäristömuuttujien vaihtelu ....................................................................................................... 39
10.3 Yleistetyt luokittelupuumenetelmät .............................................................................................. 43
10.4 Rakenneyhtälömallit...................................................................................................................... 46
10.5 Ilmastonmuutossimulaatiot ........................................................................................................... 50
11. Pohdinta............................................................................................................................. 53
11.1 Pintamaan geokemian alueellinen jakauma .................................................................................. 53
11.2 Pintamaan geokemiaa selittävät tekijät ja prosessit ...................................................................... 56
11.2.1. Pintamaan geokemiaa säätelevien tekijöiden kokonaistarkastelu ........................................ 58
11.2.2. Pintamaan geokemiaa säätelevän tärkeimmän vuorovaikutusketjun tarkastelu .................. 61
11.3 Ilmastonmuutoksen vaikutukset pintamaan geokemiaan .............................................................. 63
11.4 Tutkimuksen luotettavuustarkastelu .............................................................................................. 65
11.5. Jatkotutkimusideat........................................................................................................................ 68
12. Johtopäätökset .................................................................................................................. 68
13. Kiitokset............................................................................................................................. 72
Lähteet ..................................................................................................................................... 73
Liitteet ...................................................................................................................................... 92
1. Johdanto
Ilmastonmuutos muuttaa herkkiä tundraympäristöjä (Phoenix ja Lee 2004; Sturm et al. 2005a;
IPCC 2013b: 204). Maaperän pintamaan ravinteet ja pH, joista jatkossa puhutaan geokemiana,
ovat tärkeässä roolissa tulevien muutosten kannalta, sillä ne voivat synnyttää globaaliin
ilmastoon ja tundraympäristöön vaikuttavia takaisinkytkentöjä (Chapin et al. 2005; Sturm et al.
2005b). Erityisesti maaperän hiili ja sen kierron muutokset vaikuttavat suuresti
tundraympäristön toimintaan (Mack et al. 2004; Schuur et al. 2008; FAO ja ITPS 2015: 38).
Esimerkiksi ikiroudan sulaminen ja siihen varastoituneen orgaanisen hiilen vapautuminen voisi
lisätä ilmakehän hiilidioksidipitoisuutta ja voimistaa ilmastonmuutosta (Baumann et al. 2009;
Hugelius et al. 2011). Vielä ei kuitenkaan tiedetä, millä nopeudella ja voimakkuudella
muutokset pintamaan geokemiassa tapahtuvat (Shaver et al. 1992; Egli et al. 2006; Koven et al.
2013; Sistla et al. 2013; Treat et al. 2014).
Muutosten ymmärtäminen on tärkeää, sillä tundra-alueiden maaperässä on usein paljon
ravinteita, koska niitä on varastoituneena hitaasti hajoavaan orgaaniseen kerrokseen (Robinson
et al. 2002; Kuhry et al. 2010). Esimerkiksi maaperän typpeä on varastoituneena kaikista
ekosysteemeistä eniten tundraekosysteemeihin (Post et al. 1985), johon on sitoutuneena myös
noin puolet globaaleista maaperän kokonaishiilivarastoista (Tarnocai et al. 2009). Ravinteiden
keskittymät sijaitsevat rehevissä ja kosteissa laaksoissa, ja maaperän orgaanista hiiltä on
varastoitunut erityisesti ikirouta-alueille, soille ja kosteikoille, ja juuri näillä alueilla
biogeokemiallisen kierron on ennustettu muuttuvan eniten (Tarnocai et al. 2009; Hugelius et al.
2011). Tundraympäristöjen spatiaalinen heterogenia on suurta (Giblin et al. 1991; Park ja Vlek
2002; Baumann et al. 2009), ja ravinteisuus ja emäksisyys voi olla paikoin korkeata myös
esimerkiksi emäksisen kallioperän läheisyydessä tai orgaanisen aineksen laadun ollessa hyvää
(Hobbie 1996; Virtanen et al. 2006).
Koska tundraympäristön maaperä on tärkeä ravinteiden varasto ja tulevia muutoksia määrittävä
tekijä, maaperän spatiaalista vaihtelua kuvaavia malleja ja ennusteita (Predictive Soil Mapping,
PSM) on tarvetta kehittää (Scull et al. 2003; Pennock ja Veldkamp 2006). Pintamaan
geokemian alueellisen jakauman taustalla olevien tekijöiden suhteelliset merkitykset eri
spatiaalisilla mittakaavoilla ovat epäselviä (Hobbie et al. 2000; Rustad et al. 2001; Scull et al.
1
2003; Sommer 2006; Hugelius et al. 2011; Mishra et al. 2013). Ei esimerkiksi tiedetä, onko
ilmasto tärkein pintamaan geokemiaa säätelevä tekijä, vai voisivatko esimerkiksi staattiset
muuttumattomat ympäristötekijät, kuten topografia puskuroida tulevia muutoksia (Valentine ja
Binkley 1992; Hook ja Burke 2000; Pare ja Bedard-Haughn 2012). Tuorein tutkimus korostaa
myös maaperän kosteuden merkitystä (Hobbie ja Gough 2004; Shaver et al. 2006), sillä se
yhdistää niin ilmastollisia, topografisia kuin hydrologisia muuttujia.
Ympäristön ja geokemian välisen suhteen tutkiminen on vaikeaa, sillä geokemiallisessa
tutkimuksessa on useita menetelmällisiä haasteita. Maaperänäytteiden analysointi on usein
kallista ja aikaa vievää, minkä vuoksi maaperän alueellinen kuvaaminen perustuu usein
vähäiseen näytemäärään (Debella-Gilo ja Etzmüller 2009; Aitkenhead et al. 2013). Tällöin
aineisto joudutaan interpoloimaan tai pienen alueen tulokset joudutaan johtamaan laajemmille
alueille, jolloin pienipiirteistä vaihtelua ei kuvata kattavasti (Goovaerts 1999; Park ja Vlek
2002; Triantafilis et al. 2004; Shi et al. 2009; Brammer ja Nachtergaele 2015).
Maaperäkarttojen resoluutio onkin usein alhainen, eikä paikallisen mittakaavan vaihtelua ole
huomioitu, jolloin maaperää kuvaavien mallien epävarmuus kasvaa (Zhu et al. 1997; Park ja
Vlek 2002). Lisäksi maaperän laadun alueellisista kuvauksista (Digital Soil Map, DSM) on
myös pulaa: esimerkiksi kirjoittajan tiedossa ei ole yhtään yksityiskohtaista paikallisen
mittakaavan kuvausta maaperän pH:sta tundraympäristössä, ja pääosa tutkimuksista on
tarkastellut vain typen ja hiilen alueellista jakaumaa (ks. esim. Giblin et al. 1991; Hobbie et al.
2002b; Hartley et al. 2012). Toisaalta useat maaperän alueelliset kuvaukset perustuvat joko
hyvin vanhoihin, yli 30 vuotta sitten määritettyihin näytteisiin, tai vain asiantuntijalausuntoihin
(Sonneveld ja Dent 2009; FAO ja ITPS 2015: 43 & 110).
Sekä paikallisen että maisemamittakaavan tutkimusta tarvitaan, jotta paikalliset havainnot
pystyttäisiin linkittämään kustannustehokkaasti alueellisiin ja globaaleihin malleihin (McGuire
et al. 2010; Grosse et al. 2011). Maisemamittakaavan tutkimus voi toimia siltana paikallisen ja
globaalin
tutkimuksen
välillä,
sillä
se
huomioi
niin
suuria
kuin
pienempiä
ympäristögradientteja. Tutkimuksen tavoitteena onkin mallintaa huonosti tunnettua pintamaan
geokemiaa maisemamittakaavalla muutoksille herkässä tundraympäristössä.
2
2. Tutkimuskysymykset
Tässä työssä tarkastellaan tundraympäristön pintamaan geokemian vaihtelua suuren
näytemäärän ja uusimpien geospatiaalisten mallinnusmenetelmien avulla alueellisella
mittakaavalla. Tutkimuksessa kuvataan ensiksi pintamaan geokemiaa ja sitä sääteleviä tekijöitä,
minkä jälkeen tehdään analyysit ja vastataan seuraaviin tutkimuskysymyksiin ja hypoteeseihin:
1) Millainen on pintamaan geokemian alueellinen jakauma tundralla?
Muissa tutkimuksissa on havaittu, että ravinteiden jakauma vaihettuu korkeilta, kylmiltä ja
karuilta huipuilta reheviin ja lämpimiin jokilaaksoihin tunturikoivikkojen ollessa melko karuja
(Giblin et al 1991; Parker et al. 2015). Paikallista vaihtelua voi olla paljon (Hobbie et al. 2002b).
2) Mitkä tekijät ja prosessit selittävät pintamaan geokemiaa?
Ilmasto synnyttää karkeat rajat ravinnepitoisuuksien vaihtelulle, mutta paikallisella
mittakaavalla maaperän lämpötila, orgaanisen aineksen laatu ja topografian kontrolloima
kosteus on todettu tärkeiksi sääteleviksi tekijöiksi, joiden vaikutus perustuu erityisesti
orgaanisen aineksen kerrostumisen, hajotuksen ja ravinteiden mineralisaation säätelyyn
(Nadelhoffer et al. 1991; Robinson 2002; Baumann et al. 2009). Pintamaan ravinteet ja pH
voivat reagoida eri tavalla ympäristömuuttujiin. Typen ja hiilen on havaittu linkittyvän vahvasti
ilmastoon ja kasvillisuuteen (Shaver et al. 1992; Hobbie et al. 2002a), mutta fosfori on
stabiilimpi ravinne, eikä aikaisempi tutkimus ole löytänyt sitä vahvasti sääteleviä
ympäristögradientteja (Benayas et al. 2004). Emäksisillä alueilla kallioperän rapautumisen
merkitys voi olla suuri erityisesti fosforin, raudan ja pH:n kannalta (Arnesen et al. 2007).
3) Miten ilmastonmuutos vaikuttaa pintamaan geokemiaan?
Suuremmat lämpötilat nopeuttavat orgaanisen aineksen mikrobista hajotusta ja mineralisaatiota
(Robinson
2002;
van
Wijk
et
al.
2003),
mutta
muutokset
tapahtuvat
usein
hypähdyksenomaisesti kynnysarvojen ylittyessä, eikä näitä kynnysarvoja ja eri ravinteiden
herkkyyttä ilmastonmuutokselle vielä tunneta (Hobbie 1996; Conant et al. 2011). Lisäksi
lumisuuden ja kasvillisuuden muutosten on todettu vaikuttavan pintamaan geokemiaan
muuttaen maanpinnan albedoa, mikroilmastoa ja orgaanisen aineksen laatua (Sturm et al.
2005a; Hartley et al. 2012).
3
3. Pintamaan geokemia
3.1 Pintamaan geokemian perusta
Maaperän pintamaan ravinteet voidaan jakaa makro- ja mikroravinteisiin. Makroravinteisiin
kuuluvat keskeisessä roolissa kasvillisuuden ja ekosysteemin toiminnan kannalta olevat
ravinteet hiili, typpi, fosfori, rikki, kalium, magnesium, kalsium, natrium ja rauta. Ravinteilla
on myös muita tärkeitä rooleja ekosysteemin toiminnan kannalta esimerkiksi hapetuspelkistysreaktioissa, jota raudan kemia heijastelee, sekä maaperän happamuuden kannalta, jota
maaperän pH mittaa.
Ravinteet esiintyvät maaperässä useassa eri muodossa (taulukko 1) ja paikassa: 1) orgaaniseen
ainekseen sitoutuneena, 2) maapartikkeleihin sitoutuneina niiden varauksen myötä
(kationinvaihto), 3) maapartikkeleihin monimutkaisemmin sitoutuneina (sorptio), 4) maaperän
liuoksessa ja 5) kivilajien mineraaleissa (Aber ja Melillo 2001: 150; kuva 3). Maaperällä on
omanlaisensa tekstuuri (maapartikkelien koko), rakenne (aggregaatit ja huokoisuus),
orgaanisen aineksen ja hiilen määrä sekä kationinvaihtokapasiteetti, jotka muodostavat
perustan sille, miten maaperässä olevat alkuaineet ja yhdisteet esiintyvät maaperässä ja miten
ne reagoivat eri ympäristötekijöihin.
Taulukko 1. Tutkimuksessa tarkasteltavat ravinteet ja niiden keskeisten muotojen kemialliset
kaavat. Ravinteita esiintyy myös orgaanisessa muodossa, joista tundran kasvillisuus hyödyntää
aktiivisesti suuria määriä erityisesti orgaanista typpeä (Lipson et al. 2001; Zhu ja Zuang 2013).
Ravinteet
Typpi (N)
Fosfori
Hiili (C)
Kalsium
(P)
Maaperässä
esiintyvät
keskeiset
ravinteiden
kemialliset
muodot
Rauta (Fe)
(Ca)
Maaperän
pH
pääosin
fosfaatti
orgaaniset
kalsiumi
ferro-ioni Fe2+ vetyioni
ammoniumioni
PO43-
yhdisteet (esim.
oni Ca2+
erilaisissa
na NH4+, myös
H2PO4-- ja
-
nitraatti NO3 ,
2-
selluloosa) sekä
HPO4 -
epäorgaaninen
muodoissa
hiili
(esim.
karbonaatit)
H+
ferroyhdisteiss
ä ja ferri-ioni
Fe3+ erilaisissa
ferriyhdisteissä
Maaperän tekstuurilla tarkoitetaan maaperän mineraalipartikkeleiden raekokojakaumaa, joka
vaikuttaa pintamaan geokemiaan siten, että hienorakeiset partikkelit pystyvät adsorboimaan
pinta-ala-tilavuussuhteeltaan paremmin ravinneioneita kuin karkearakeiset maalajit (Zhao et al.
4
2006). Hienorakeisilla maapartikkeleilla on usein negatiivinen pintavaraus,
jolloin ne vetävät positiivisia ravinneioneita puoleensa suuremman kationinvaihtokapasiteettinsa kautta (Parfitt et
al. 1995; kuva 1). Kationinvaihtokapasiteetti kuvastaa maaperän kykyä
luoda heikkoja elektrostaattisia sidoksia
ravinnekatio-neiden ja maapartikkelianioneiden välillä.
Hienot maapartikkelit sekä orgaaninen
aines muodostavat useammin partikkelien ryhmäytymiä, aggregaatteja, jotka
suojaavat maaperää eroosiolta ja joissa
myös
kationinvaihtokapasiteetti
on
suurempi (Chapin et al. 2012: 84; FAO
Kuva 1. Maapartikkelien ja ravinteiden varaus ja
ravinteiden adsorptio eli pidättyminen maapartikkelien pintaan. Keskeisimmät kationit
maaperässä ovat kalsiumioni, kaliumioni sekä
vetyioni.
ja ITPS 2015: 38). Suuremmat aggregaatit synnyttävät suurempia ilmasta ja vedestä koostuvia
huokosia, jotka luovat otollisemmat olosuhteet mikrobiselle hajotukselle. Kaikki kationit eivät
kuitenkaan ole tasa-arvoisia vaan pidättyvät (ja käänteisesti myös rapautuvat pois)
maapartikkeleihin seuraavassa järjestyksessä:
Fe2+ >H+ > Ca2+ >NH4+ ,
eli esimerkiksi ammoniumionit sijaitsevat useammin maaperän liuoksessa ja huuhtoutuvat
helpommin kuin vetyionit (Chapin et al. 2012: 88), ja voimakkaasti rapautunut maaperä sisältää
paljon rautaioneita, sillä muut aineet ovat jo huuhtoutuneet pois (Chapin et al. 2012: 75).
Arktisten alueiden maaperässä on usein vähän suuren kationinvaihtokapasiteetin omaavia
savipartikkeleita, mutta paljon orgaanista ainesta, jonka dynamiikka vaikuttaa suuresti
pintamaan geokemiaan (Chapin et al. 2012: 88; Whittinghill ja Hobbie 2012). Orgaaninen aines
ja orgaaninen hiili (Soil organic carbon, SOC) ovat läheisesti yhteydessä toisiinsa: yleensä
orgaanisen hiilen osuus orgaanisesta aineesta on noin 55–60 % (FAO ja ITPS 2015: 13). Muista
ravinteista poiketen maaperän orgaanisella hiilellä on erilainen rooli pintamaan geokemian
5
kannalta, koska sillä on merkittävä positiivinen vaikutus maaperän ominaisuuksiin, kuten
kationinvaihtokapasiteettiin, vedenpidätyskykyyn ja aggregaatteihin (Kibblewhite et al. 2008;
FAO ja ITPS 2015: 35). Vaikutuksen taustalla on orgaanisen aineksen suuremmat mikro- ja
makroilmahuokoset ja pitkien sokerimolekyylien avulla muodostetut suuremmat aggregaatit
(FAO JA ITPS 2015: 38). Positiivinen vaikutus ei kuitenkaan ole yksiselitteinen, sillä
esimerkiksi tundralla kerrostuu paljon orgaanista hiiltä, mutta epäorgaanisia ravinteita on silti
melko vähän (FAO ja ITPS 2015: 38), mikä selittyy sillä, että maaperän orgaanisen aineksen
määrän kasvaessa pH usein laskee tundralla (Walker 2000). Maaperään sitoutuneen hiilen
lisäksi maaperän liuoksessa oleva orgaaninen hiili (Dissolved organic carbon, DOC) voi toimia
kelaattina, orgaanisena yhdisteenä, joka sitoo ja kuljettaa rautaa esimerkiksi podsolisaatiossa
(Aber ja Melillo 2001: 254). Orgaaninen hiili on läheisesti yhteydessä myös maaperän typpeen,
sillä typpi säätelee resurssina kasvillisuuden perustuotannon ja maaperän orgaanisen aineksen
akkumulaation määrää, ja niiden alueelliset jakaumat muistuttavatkin usein toisiaan (Shaver et
al. 1992; Hobbie et al. 2002a; Weintraub ja Schmiel 2005; Wang et al. 2012; Parker et al. 2015).
Maaperän
pH,
joka
vetyionikonsentraation
on
logaritmin
vastaluku, määrittää orgaanisen hiilen
lisäksi
suuresti
maaperän
geokemiaa
(Hobbie et al. 2002b; Eskelinen et al. 2009).
Maaperän
pH
säätelee
ravinteiden
alueellista jakaumaa kationinvaihtokapasiteetin kautta: positiiviset vetyionit voivat
viedä positiivisten ravinneioneiden paikkoja negatiivisesti varautuneista maapartikkeleista, mikä edesauttaa muiden ravinteiden huuhtoutumista, happamoitumista ja
podsolisaatiota (Lundström et al. 2000;
Whittinghill ja Hobbie 2012; kuva 2).
Maaperän kationinvaihtokapasiteetti onkin
huomattavasti suurempi emäksisillä kuin
Kuva 2. Maaperän pH:n vaikutus ravinteiden
saatavuuteen mineraalimailla (muokaten
Pettinger 1935). Rautaa on paljon
happamissa ympäristöissä, sillä hapan
orgaaninen aines mobilisoi sitä, mutta
muuten alhainen pH vähentä ravinteisuutta.
Mineraalimaan ja orgaanisen maan välillä on
eroja (Whittinghill ja Hobbie 2012):
orgaanisessa maaperässä fosforia voi olla
enemmän, kun pH on 5 ja rautaa voi olla
paljon vielä emäksisessä maaperässä.
happamilla alueilla (Hobbie ja Gough 2004).
Kun
maaperän
pH
kasvaa,
maaperän
partikkeleissa on vähemmän adsorboituneita
6
vetyioneita ja partikkelien negatiiviset varaukset ovat suurempia, jolloin orgaanisen aineksen
ja siinä olevien ravinteiden liukeneminen tehostuu, jolloin myös mikrobit pääsevät hajottamaan
ravinteita helpommin ja nopeammin (Shen 1999; Whittinghill ja Hobbie 2012). Maaperän
puskurointikyky eli kyky vastustaa pH:n muutoksia on suurinta orgaanisessa aineksessa, jossa
myös kationinvaihtokapasiteetti on suurta.
Myös muut mekanismit, kuten orgaanisen aineksen stabiloituminen ja orgaanisen aineksen
suojaaminen, säätelevät pintamaan geokemiaa. Orgaaninen aines ja siinä olevat ravinteet voivat
olla suojassa mikrobiselta hajotustoiminnalta, kun aggregaatit pitävät ne fysikaalisesti sisällään
tai kun ne ovat adsorpoituneena partikkelien pintaan kemiallisten sidosten myötä (Davidson ja
Janssens 2006). Maaperän kationit voivat myös stabiloida negatiivisesti varautunutta orgaanista
ainesta pidättämällä sitä sorption kautta (Whittinghill ja Hobbie 2012). Esimerkiksi suuremmat
kalsiumpitoisuudet muodostavat ”kationisiltoja”, jotka stabiloivat ja pitävät orgaanisen
aineksen hajotuksen vakaana, eivätkä nopeuta ravinteiden mineralisaatiota (Muneer ja Oades
1989). Kalsiumpitoisuus voi vaikuttaa jopa maaperän pH:ta enemmän muiden ravinteiden
biogeokemialliseen kiertoon (Whittinghill ja Hobbie 2012).
Tässä tutkimuksessa käsiteltävistä ravinteista eniten eroaa fosfori. Fosfori esiintyy usein
fosfaattiyhdisteissä erityisesti rauta-, alumiini- ja kalsiumkationeiden kanssa, ja sitä tavataan
vain pieniä määriä pelkkänä fosforina (Holtan et al. 1988; Giblin et al. 1991; Giesler et al.
2012). Fosfori on makroravinteista monimutkaisin, eikä esimerkiksi fosforin saatavuuden ja
maaperän pH:n ole havaittu korreloivan keskenään (Arnesen et al. 2007), vaikka fosforin on
todettu liukenevan helposti, kun maaperän pH on 6–7 (Hobbie ja Gough 2002). Fosfori ei
usein pidäty yhtä hyvin maaperän orgaaniseen kerrokseen, vaan se sitoutuu mineraalimaahan
(Schmidt et al. 1999; Hobbie ja Gough 2002).
3.2 Biogeokemiallinen kierto
Pintamaan geokemiamuuttujat ovat jatkuvassa kierrossa muiden terrestristen ja akvaattisten
varastojen välillä erilaisten prosessien myötä (kuva 3). Ravinteiden biogeokemiallinen kierto
voi olla suljettu tai avoin: suljetussa kierrossa sisäinen ravinteet kiertävät maaperän ja
kasvillisuuden välillä, ja avoimessa kierrossa myös ilmakehä, rapautuminen ja huuhtoutuminen
vaikuttavat suuressa roolissa kiertoon. Esimerkiksi hiilellä kierto on avoin, typellä melko
7
suljettu ja fosforilla suljettu (Smil 2000; Aber ja Melillo 2001: 256). Toisaalta myös kierron
nopeus vaihtelee: esimerkiksi hiilellä kierto voi olla hidas, jos hiiltä hautautuu maaperässä
ikiroutaan ja fosforilla kierto on hidas, koska fosforia vapautuu maaperään huomattavia määriä
vain kallioperän rapautuessa, mikä tapahtuu hitaasti (Hobbie et al. 2002a).
Kuva 3. Yleistetty kuva biogeokemiallisesta kierrosta terrestrisissä ekosysteemeissä eri
varastojen välillä (muokaten Aber ja Melillo 2001: 254). Oikealla on kuvattu eri kehät, neliöllä
varastot ja nuolilla eri prosessit näiden välillä. Ravinteiden kierrot eroavat kuitenkin toisistaan:
esimerkiksi mineraalit eivät ole keskeinen hiilen varasto, maapartikkelit eivät pidätä
hiilipartikkeleita, typpeä ei rapaudu kallioperästä, eivätkä mikrobit sido ilmakehästä fosforia,
kalsiumia tai rautaa ilmakehästä (Aber ja Melillo 2001: 52, 154, 260). Myös vesistöistä, kuten
pohjavedestä voi paikoin purkautua ravinteita, kuten rautaa takaisin pintamaahan (liite 1d).
Varastojen välisistä prosesseista puhutaan myöhemmin kappaleessa 4.
8
4. Pintamaan geokemiaa säätelevät prosessit
Tundraympäristön maannokseen eli maaperän dynaamisesti muuttuvaan osaan vaikuttavia
biokemiallisia prosesseja ovat orgaanisen aineksen kerrostuminen, hajotus, mineralisaatio,
podsolisaatio, huuhtoutuminen, brunifikaatio sekä gleisaatio (JRC 2010). Lisäksi pintamaan
geokemiaa säätelevät fysikaaliset geomorfologiset tekijät, joita ovat kryoturbaatio,
rapautuminen sekä kulutus, kuljetus ja kasaus (Milne 1936; Ellis 1938; Jonasson ja Sköld
1983).
4.1 Biokemialliset prosessit
Orgaanisen aineksen kerrostuminen määräytyy orgaanisen aineksen syntymisen ja hajoamisen
välisestä tasapainosta (Buurman ja Jongmans 2005). Kasvillisuus tuottaa kuollessaan
maaperään orgaanisen aineksen (karikkeen), jota maaperän mikrobit hajottavat humukseksi ja
joka mineralisoituu lopulta epäorgaanisiksi ravinteiksi takaisin kasvillisuuden käyttöön (kuva
3). Mitä hitaampaa hajotus on, sitä enemmän orgaanista ainesta kerrostuu (Buurman ja
Jongmans 2005). Tundraympäristössä orgaaninen turvekerros on usein noin 5–20 cm paksu
(Goryachkin et al. 1999), mutta voi joskus muodostaa jopa lähes puolimetrisiä turvemattoja ja
soilla usean metrin turvekerroksia. Orgaaninen kerros on tärkeä ravinteiden varasto, sillä se
sitoo itseensä paljon ravinteita (Nadelhoffer et al. 1991; Tarnocai et al. 2009).
Kasvillisuus tuottaa orgaanisen aineksen lisäksi maaperään myös orgaanisia happoja, jotka
reagoivat maaperän mineraalien kanssa ja mobilisoivat savimineraaleja sekä rauta- ja alumiiniioneita, jolloin ne voivat huuhtoutua syvemmälle maaperään (Ugolini et al. 1990; Buurman ja
Jongmans 2005). Prosessia kutsutaan podsolisaatioksi, jolloin orgaanisen aineksen alapuolelle
syntyy vähäravinteinen huuhtoutumiskerros, jonka alapuolelle erityisesti metalli-ionit, kuten
rauta sekä savipartikkelit rikastuvat (Bockheim ja Gennadiyev 2000; kuva 4a).
Rikastumishorisontin
väri
on
rusehtava,
sillä
rautaionit
värjäävät
maannoksen
brunifikaatioprosessissa (Lundström et al. 2000). Vaikka metalli-ionit huuhtoutuvat usein
maaperässä syvemmälle, niiden pitoisuuksien on havaittu olevan suuria esimerkiksi Alaskassa
myös orgaanisessa kerroksessa (Giblin et al. 1991).
Huuhtoutumista esiintyy myös ilman podsolisaatiota, ja vesi onkin tärkeä elementti
maannoksen kehityksessä. Maaperän vesi huuhtoo maaperän liuoksessa olevia ravinneioneita
9
syvemmälle maaperään, jolloin pintamaan ravinteisuus pienenee (Bockheim et al. 2000).
Maaperän kyllästyessä vedellä tapahtuu gleisaatiota, jolloin maaperässä vallitsevat usein
hapettomat olosuhteet, joissa mineralisaatio on hidasta ja hapetus-pelkistysreaktiot ovat
aktiivisia (Goryachkin et al. 1999; kuva 4b). Hapenpuutteen takia ruskeaa väriä aiheuttava
ferrirauta pelkistyy ferroraudaksi, joka aiheuttaa maannoksen harmahtavan värin. Gleisaatio
voi olla paikallisesti hyvin yleistä arktisessa heterogeenisessä ympäristössä (Tedrow ja Cantlon
1958). Gleisaatio voi olla pohjavesi- tai pintavesisyntyistä. Korkea pohjaveden pinta voi
kyllästää maaperän, jolloin maannos on pintamaan alapuolelta harmahtava. Kun pintavesi
kyllästää maaperän maanpinnasta, gleisaatio on voimakasta maaperän yläosissa. Vedellä
kyllästyneissä olosuhteissa korkealla sijaitseva vedenpinta saattaa myös nostaa ravinteita
ylemmäs maaperän kerroksiin.
Kuva 4. A) Podsolisaatio, B) gleisaatio ja C) kryoturbaatio maannoksessa. O-horisontti on
orgaanisen aineen kerros, A-horisontti muuttunut ja huuhtoutunut humuskerros, B-horisontti
rikastumiskerros ja C-horisontti muuttumaton mineraalimaa (mukaillen: Mishra et al. 2013).
Maannosprofiilien syvyys voi vaihdella: esimerkiksi podsolmaannoksen C-horisontti oi olla
tunturikoivikossa noin 30 cm syvyydellä ja tundralla noin 10 cm syvyydellä (liite 1).
4.2 Fysikaaliset prosessit
Kryoturbaatio eli routakuohunta on yleisnimitys maaperän veden jäätymiselle eli routimiselle
ja sulamis-jäätymisilmiölle, jonka vaikutuksesta maa-aines työntyy horisontaalisesti ja
vertikaalisesti sekä sekoittuu ja lajittuu (French 2007: 49; kuva 4c). Kryoturbaatiossa ravinteita
sisältävä orgaaninen aines voi hautautua syvemmälle maaperään tai toisaalta maaperän
syvempiin kerroksiin rikastuneet ravinteet voivat työntyä takaisin pintaan (Jonasson ja Sköld
1983; Jonasson 1986; Michaelson ja Ping 1996; Bockheim 2007; Mishra et al. 2013).
Rapautuminen ja sulamis-jäätymisilmiöt vaikuttavat ravinteisuuteen erityisesti sen suhteen,
missä muodossa ja milloin ravinteita siirtyy maaperän liuokseen: esimerkiksi jäätyminen voi
rikkoa mikrobien soluja ja vapauttaa ravinteita maaperään ja toisaalta sulamisen on havaittu
nopeuttavan mikrobista hajotusta (Grogan et al. 2004). Kylmässä periglasiaalisessa
10
ympäristössä maaperän jäätyminen ikiroudaksi vaikuttaa myös maannoksen kehitykseen ja
ominaisuuksiin (Schuur et al. 2009). Suuri osa tundra-alueiden maannoksista onkin
tundramaannoksia, joissa ikirouta on metrin syvyydellä maanpinnasta ja joissa kryoturbaatio
on voimakasta (JRC 2010). Mitä paksumpi ikiroudan yläpuolisempi kesäisin sulava aktiivinen
kerros on, sitä enemmän rapautumista ja ravinteita maannoksessa on (Keller et al. 2007).
Kryoturbaatiossa
tapahtuu
usein
samanaikaisesti
myös
rapautumista.
Fysikaalinen
pakkasrapautuminen on tärkein ja nopein periglasiaalisen ympäristön rapautumistyyppi
(Darmody et al. 2000). Mekaaninen rapautuminen rikkoo maa-ainesta pienemmiksi ravinteita
paremmin adsorboiviksi savi- ja silttipartikkeleiksi (Zhao et al. 2006). Kemiallisen
rapautumisen on uskottu olevan kylmissä ja kuivissa olosuhteissa vähäistä, mutta hapettumista,
hydraatiota ja hydrolyysiä esiintyy arktisissa olosuhteissa yhtä lailla mutta vain hieman
hitaammalla vauhdilla (Thorn et al. 2011; Kabala ja Zapart 2012). Kemiallinen rapautuminen
on esimerkiksi osa podsolisaatiota ja metalli-ionien vapautumista (Lundström et al. 2000), jotka
kuvattiin biokemiallisten prosessien yhteydessä. Merkittävin kemiallinen rapautumistyyppi on
hydrolyysi, jossa vesi liuottaa kallioperästä ravinteita (Arnesen et al. 2007; Eskelinen 2008).
Rapautunut
aines
kuljetetaan
ja
kasataan eroosiovoimien, kuten pienten
purojen ja tuulen mukana uusiin
paikkoihin. Hienorakeiset silttipartikkelit erodoituvat koheesion takia vasta
suurissa
virtausnopeuksissa
ja
kasautuvat vasta pienissä nopeuksissa,
kun taas hiekkapartikkelit tarvitsevat
alhaisemman nopeuden
erodoituak-
seen,
suuremmissa
ja
kasautuvat
nopeuksissa, sillä hitaasti virtaava vesi ei
pysty kuljettamaan niitä (Hjulstrøm
1939; kuva 5). Tunturipurot muuttavat
maapartikkelien alueellista jakaumaa, ja
hienorakeiset
partikkelit
Kuva 5. Hjulstrømin diagrammi, jonka avulla
voidaan tulkita prosessien toimintaa (muokaten
Hjulström
1939).
Kaikista
hienoimmat
savipartikkelit,
joihin
on
sitoutuneena
tilavuussuhteeltaan enemmän ravinneioneita,
erodoituvat vasta suurissa nopeuksissa.
kasautuvat
tasaisille jokilaakso- tai ylänköalueille. Tuulella partikkelien kasautumisperiaate on
samankaltainen, mutta tuulen merkitys on pienempi, sillä ilma ei ole yhtä tiheätä, eikä pysty
11
kuljettamaan partikkeleita yhtä tehokkaasti. Tuuli voi kuitenkin paikallisesti kuljettaa ja kasata
hienoainesta tundraympäristössä (Litaor et al. 2002).
5. Pintamaan geokemiaa selittävät ympäristötekijät
Maaperän biokemiallisia ja fysikaalisia prosesseja ja
niiden kautta pintamaan ravinteisuutta kontrolloivat
erilaiset ympäristötekijät (Dokuchaev 1883; Jenny
1941; Bockheim et al. 2005; kuva 6). Nämä tekijät
voivat olla staattisia (esim. topografia) tai dynaamisia
(esim. eliöt), minkä lisäksi eri tekijät voivat vaikuttaa
suoraan tai epäsuoraan jonkun toisen tekijän kautta
(kuva 9; taulukko 2). Mittakaava vaikuttaa ympäristötekijöiden merkitykseen: eri ilmiöt toimivat eri
mittakaavoilla eri tavalla (Turner et al. 1989; Miller ja
Schaetzl 2016).
5.1 Ilmasto
Ilmaston, etenkin keskilämpötilan ja sadannan, rooli
ekosysteemien
prosessien
ja
ominaisuuksien
sijaintikuvioissa on suuri, ja se synnyttää karkeat
rajat ympäristömuuttujien vaihtelulle (Aber ja
Mellilo 2001: 15; kuva 7). Ravinteiden kierrot
hidastuvat ja saatavilla olevien ravinteiden määrät
pienenevät
leveysaste-
ja
ilmastogradientilla
(Jonasson et al. 2001: 139). Kylmä arktinen ilmasto
Kuva 6. Pintamaan geokemiaa
säätelevä vuorovaikutusketju, jossa
Jennyn
(1941)
kuvaamat
ympäristötekijät vaikuttavat maannoksessa tapahtuviin prosesseihin
(Dokuchaev 1883) ja sitä kautta
pintamaan geokemiaan. Kirjallisuuskatsauksen jälkeen omaksi ryhmäksi
erotetaan tässä tutkimuksessa myös
maaperän paikalliset tekijät.
ja liian pienet tai suuret kosteusolosuhteet rajoittavat
perustuotantoa, orgaanisen aineksen hajotusta ja ravinteiden mineralisaatiota, jolloin orgaanista
ainesta kerrostuu paljon, ja sitä hajotetaan hitaasti epäorgaanisiksi ravinteiksi (Robinson 2002).
Heti ilmaston lämmetessä typen ja fosforin saatavuus kasvaa (Chapin et al. 1995). Vaikka
perinteisesti ajatellaan, että ilmaston merkitys vähenee tarkastelumittakaavan pienentyessä
12
(Miller ja Schaetzl 2016), paikallinen vaihtelu voi kuitenkin vaikuttaa ekosysteemin toimintaa
yhtä paljon kuin suuremman mittakaavan gradientit (Jonasson et al. 2001: 139).
Ilmasto
vaikuttaa
biokemiallisten
prosessien
lisäksi
vahvasti
myös
fysikaalisiin
maannosprosesseihin, kuten podsolisaatioon ja rapautumiseen. Podsolisaatio on voimakasta
boreaalisessa vyöhykkeessä (Lundström et al. 2000), josta se pohjoiseen mentäessä sekä
kesälämpötilojen ja sadannan laskiessa heikentyy, mutta ei kuitenkaan lopu kokonaan (Tedrow
ja Cantlon 1958). Lisäksi kylmä ilmasto säätelee ympäristön maanpinnan prosessien, kuten
kryoturbaation, ikiroudan, kuviomaiden ja solifluktion esiintymistä (Aalto ja Luoto 2014), jotka
muokkaavat ravinteiden jakaumaa paikallisesti. Ilmasto vaikuttaa usein myös epäsuoraan
pintamaan geokemiaan esimerkiksi kasvillisuuden ja maaperän kosteuden kautta (Benayas et
al. 2004).
Tutkimustulokset ilmaston vaikutuksesta pintamaan geokemiaan ovat vaihtelevia. Usea
tutkimus on todennut, että orgaanisen aineksen hajotus tundraekosysteemeissä riippuu pitkälti
ilmastosta (Rustad et al. 2001; Hobbie 1996; Hobbie ja Chapin 1998): lämpötila nopeuttaa
respiraatiota ja hajotusta, mikä taas kasvattaa ravinnevarastoja (Hobbie et al. 2002b).
Kokeelliset tutkimukset ovat osoittaneet, että ilmaston lämmetessä ravinteisuus lisääntyy (van
Wijk et al. 2003). On kuitenkin havaittu, että typpipitoisuudet ja maaperän pH voivat olla
korkeita myös kylmissä olosuhteissa (Virtanen et al. 2006). Toisaalta lämpötilan vaikutuksen
on todettu olevan merkittävä vain silloin, kun keskimääräiset lämpötilat ylittyvät ja hajotus
nopeutuu huomattavasti (Nadelhoffer et al. 1991). Ilman lämpötila on havaittu
merkittävimmäksi maaperän orgaanista hiiltä selittäväksi tekijäksi useissa tutkimuksissa (Ping
et al. 2008; Johnson et al. 2011). Orgaanisen hiilen ja ilmaston vuorovaikutus on päinvastainen:
kun muiden ravinteiden hajotus hidastuu, orgaanisen hiilen määrä kasvaa, mitä tapahtuu
esimerkiksi kylmissä ja vedellä kyllästyneissä gleisaatio-olosuhteissa (Shaver et al. 2006;
Dörfer et al. 2013; Treat et al. 2014). Toisaalta ilmaston epäsuora vaikutus muiden abioottisten
tekijöiden kautta on todettu keskeisimmäksi pintamaan geokemiaa selittäväksi tekijäksi
(Benayas et al. 2004).
13
Kuva 7. Ilmaston ja maannosprosessien välinen yhteys. Maaperän prosessien ja
ilmastomuuttujien vaste ei ole aina lineaarinen, vaan se voi olla myös yksihuippuinen.
Kuvaajassa prosessit myötäilevät vasteen suuntaa, mutta yksihuippuisen vasteen prosessit ovat
huipun päällä.
5.2 Topografia
5.2.1 Korkeus, rinteen suunta ja kaltevuus
Kuperat ja koverat pinnat, jyrkät ja loivat rinteet sekä eri suuntiin aukeavat rinteet synnyttävät
tundraympäristöissä topografista vaihtelua, joka vaikuttaa pintamaan geokemiaan erityisesti
paikallisella mittakaavalla (Seastedt 2001; Miller ja Schaetzl 2016). Topografinen vaikutus on
epäsuora, sillä topografia muokkaa tuulisuutta, lumipeitteen alueellista jakaumaa sekä
säteilyolosuhteita, mikä vastaavasti vaikuttaa paikallisilmastoon ja maannosprosesseihin ja
pintamaan geokemiaan (Billings ja Mooney 1968; Billings 1973; Litaor et al. 2008; le Roux et
al. 2013b; kuva 8). Geomorfologiset prosessit, kuten kulutus, kuljetus ja kasaus vaihtelevat
topografian mukana (Milne 1936), minkä lisäksi hydrologiset olosuhteet ovat erilaisia rinteen
eri kohdissa (Ellis 1938).
Topografiset muuttujat voidaan erotella rinteen korkeuteen, suuntaan, kaltevuuteen ja
paikallisiin topografisiin muotoihin. Rinteen korkeus vaikuttaa ilman lämpötilaan, sillä ilma
kylmenee 0,5 °C/ 100 m ylöspäin mentäessä, mikä vaikuttaa orgaanisen aineksen
kerrostumiseen, rapautumiseen ja kryoturbaation aktiivisuuteen. Rapautuminen on suurinta
harjanteilla, kun taas jokien ja purojen kulutus, kuljetus ja kasaus on voimakasta laaksoissa
(Hobara et al. 2013). Harjanteilla myös maaperä on paremmin huuhtoutunutta, jolloin
14
emäksisemmät ravinne-ionit huuhtoutuvat pois. Michaelson ja Ping (1996) havaitsivat
alhaisimpia arvoja maaperän orgaanisella hiilellä laajalla mittakaavalla vuorten huipuilla ja
jyrkillä rinteillä, joissa esimerkiksi massaliikunnot rajoittavat orgaanisen aineksen
kerrostumista.
Rinteen suunta taas vaikuttaa säteilyn määrän, mikä vastaavasti vaikuttaa biologisten ja
kemiallisten prosessien toimintaan (Seibert et al. 2007): fysikaalinen ja kemiallinen
rapautuminen ovat etelärinteillä suurten lämpötilavaihteluiden takia voimakkaampia, mutta
pohjoisrinteillä kosteimmissa olosuhteissa huuhtoutuminen on suurempaa. Pohjoisrinteillä
maaperän kosteus on suurempaa ja huuhtoutuminen todennäköisempää, sillä voimakkaat
säteilyolosuhteet eivät haihduta maaperästä kosteutta (Egli et al. 2006). Toisaalta
pohjoisrinteillä orgaanista ainesta kerrostuu enemmän, sillä mikrobinen hajotus on hitaampaa,
minkä vuoksi maaperän orgaanisen hiilen määrä kasvaa (Johnson et al. 2011; Grosse et al.
2011).
Kaltevuus säätelee eroosion voimakkuutta ja hydrologiaa sekä maannoksen kehitystä
lateraalisella topografisella gradientilla (Seibert et al. 2007). Esimerkiksi podsolmaannos voi
kehittyä rinteellä niin, että orgaanista ainesta on eniten huipulla, huuhtoutumista rinteen
keskivaiheilla ja raudan rikastumista alarinteellä (Sauer et al. 2007; kuva 8). Sama periaate
toimii myös siinä, että mikrotopografisessa vaihtelussa kuperilta alueilta huuhtoutuu ravinteita
koveriin painanteisiin (Burke 1989; Caine 2001; Grosse et al. 2011).
Topografia muodostaa usein gradientin, jonka mukaan ympäristömuuttujat, kuten maaperän
kosteus, tekstuuri ja lajirikkaus vaihettuvat (Billings 1973; Powers ja Schlesinger 2002).
Topografinen vaihtelu painanteista harjanteille voi olla yhtä suuri kuin ilmastogradientin erot
(Gessler
et
al.
2000).
Maannoksen
kehityksen
kannalta
puhutaan
catena-
tai
toposekvenssikäsitteistä, jonka mukaan geokemialliset muuttujat jakautuvat ympäristöön
rinteen mukaan (Hook ja Burke 2000; Miller ja Schaetzl 2016). Lauhkeiden vyöhykkeiden
tutkimukset ovat osoittaneet, että ravinteiden määrät vaihtelevat suuresti, mutta melko
systemaattisesti catenan mukaan ja erityisen paljon ravinteita sijaitsee alarinteillä ja
painanteissa (Schmiel et al. 1985; Burke 1989). Arktisissa ekosysteemeissä topografisen
gradientin vaikutus ei ole yhtä selkeä, sillä se kumoutuu lumipeitteen, ikiroudan, kryoturbaation
ja maaperän kosteuden heterogeenisen jakauman takia, ja esimerkiksi paljon lunta keräävillä
rinteillä ravinnepitoisuudet ovat suuria (Giblin et al. 1991; Litaor et al. 2002).
15
Myös pH:n alueellinen jakauma topografisella gradientilla on vaihteleva. Aikaisempi tutkimus
muista biomeista on osoittanut pH:n kasvavan alarinteillä (Brubaker et al. 1993), ylärinteillä
(Seibert et al. 2007) tai toisaalta korkeuden korreloivan negatiivisesti pH:n kanssa ja rinteen
kaltevuuden ja suunnan positiivisesti pH:n kanssa (Chen et al. 1997). Lisäksi Seibert et al.
(2007) havaitsivat etelärinteiden maaperän orgaanisen aineksen pH:n olevan korkeampi kuin
muilla alueilla, ja Gensac (1990) taas havaitsi happamuuden kasvavan pohjoisrinteillä, mitä
saattaa
selittää
etelärinteiden
korkeampien
lämpötilojen
aiheuttama
suurempi
rapautumisnopeus ja emästen mineralisaationopeus.
5.2.2 Lumisuus
Topografian kontrolloima lumen alueellinen jakauma on tärkein resurssien, eli ravinteiden
alueellista erilaistumista selittävä tekijä, sillä lumipeite peittää maata yli puolet vuodesta, noin
6–9 kuukautta (Lipztin ja Seastedt 2010). Mikrobinen aktiivisuus jatkuu merkittävästi vielä
talvella (Giblin et al. 1991; Fahnestock et al. 1999), ja sen nopeutta säätelee erityisesti lumen
syvyys (Schmiel et al. 2004). Lumi toimii eristävänä pintana: paksun, yli 30 cm syvän
lumipeitteen alla minimilämpötilat saattavat olla jopa 10 astetta suuremmat kuin ohuen
lumipeitteen alueella, jolloin myös näiden alueiden mikrobien hajotustoiminta ja mineralisaatio
on nopeampaa (Williams et al. 1998). Freppaz et al. (2012) havaitsivat, että noin yhden metrin
paksuisen lumipeitteen alla orgaanisen aineen, mikrobien biomassan ja ravinteiden määrä oli
suurinta. Ohuella lumipeitteellä (35 cm) samaiset määrät olivat alhaisimmat, hyvin paksulla
lumipeitteellä (230 cm) taas ohutta lumipeitettä hieman korkeammat (Freppaz et al. 2012).
Alhaiset maaperän lämpötilat rajoittavat mikrobista toimintaa ja hajotusta (Schmidt et al. 1999;
Schmiel et al. 2004).
Lumipeitteen paksuuden lisäksi lumipeitteen kesto on oleellinen pintamaan geokemiaa
säätelevä tekijä (Seastedt et al. 2001). Esimerkiksi Stanton et al. (1994) havaitsivat hyvin pieniä
typpipitoisuuksia erityisesti pitkään lumisilla alueilla. Toisaalta lumipeitteen päälle voi talven
aikana kasautua ravinteita, erityisesti typpeä, antropogeenisistä lähteistä kaukolaskeuman
mukana (Liptzin ja Seastedt 2009), mutta kaukolaskeuman rooli oletettiin tässä tutkimuksessa
vähäiseksi.
16
Kuva 8. Maaperän prosessien ja ravinnepitoisuuden vaihettuminen tundraympäristössä
kuvatulla mesotopografisella gradientilla kasvukauden alussa (muokaten Billings et al. 1973).
Rinteellä oleva erillinen harmaaraitainen pinta kuvaa lumipeitettä. Gradientilla on kuvattuna
myös podsolisaatio maannosprofiilissa rinteellä (muokaten Sauer et al. 2007) sekä geokemia
omalla palkillaan (tumma väri indikoi suurinta ravinteisuutta ja korkeinta pH:ta).
5.2.3 Maaperän kosteus
Maaperän kosteuden rooli geokemian säätelijänä on olennainen, ja sen merkitys voi olla jopa
merkittävämpi kuin lämpötilan (Fisk et al. 1998; Baumann et al. 2009). Kosteus voidaan nähdä
erityisen hyvänä pintamaan geokemiaa selittävänä tekijä, sillä se yhdistää maaperä-, topografiaja ilmastotekijöitä (Legates et al. 2010; Wang et al. 2012), minkä vuoksi se voi olla hyvin
kriittinen muuttuja, jonka kynnysarvot voivat säädellä pintamaan geokemiamuuttujien
jakaumaa. Ravinteisuus vaihettuukin usein kosteusgradientilla, jossa typen määrä, mikrobinen
aktiivisuus, typen otto sekä kasvien tuotanto kasvavat kosteuden lisääntyessä (Fisk et al. 1998).
Kosteus vaikuttaa usein yhdessä muiden muuttujien kanssa ravinteisuuteen: esimerkiksi
lumiolosuhteiden vaikutus geokemian säätelijänä korostuu kosteassa ja mätästävässä
ympäristössä (Schmiel et al. 2004) tai ilmaston vaikutus on vähäisempi kosteassa ympäristössä
17
(Robinson 2002; Shaver et al. 2006). Kosteus vaikuttaa myös epäsuorasti ravinteisiin
esimerkiksi sulamis-jäätymisilmiöitä ja rapautumista muokaten (Rech et al. 2001).
Kosteuden läsnäolo on tärkeää, sillä vesi on keskeinen resurssi ravinteita hajottaville
mikrobeille. Lämpötilat rajoittavat hajotusta kosteissa elinympäristöissä, mutta kosteus
rajoittaa hajotusta kuivissa elinympäristössä (Bowman et al. 1992; Seastedt et al. 2001).
Kosteusgradientin päissä orgaanisen aineksen hajotus hidastuu (Robinson et al. 1995):
vettyneissä olosuhteissa, jotka ovat paikallisesti yleisiä tundraympäristöissä (Tedrow ja Clanton
1958), hapettomat olosuhteet rajoittavat mikrobista hajotusta, mutteivät kasvillisuuden kasvua,
sillä kasvit ovat sopeutuneet paremmin hapettomiin olosuhteisiin (Jonasson et al. 2001: 141).
Kosteissa olosuhteissa myös maaperän pH on usein alhainen (Walker 2000), sillä emäskationit
huuhtoutuvat helpommin pois kuin happamoitumista aiheuttavat vetyionit. Kuivissa
ympäristöissä kuivuus taas rajoittaa mikrobien toimintaa (Jonasson et al. 2001: 141). Kuivuutta
aiheuttavat arktisilla alueilla esimerkiksi tuuliset olosuhteet, maaperän veden jäätyminen tai
karkearakeisen maalajit, joissa vesi huuhtoutuu nopeasti pois (Thorn et al. 2011). Orgaanisen
aineksen hajotusnopeus hidastuu, kun maaperän kosteus on noin 30–50 % maaperän
kuivapainosta tai kun kosteus on >100–150 % (Haynes 1986). Näiden väliin jäävät suotuisat
kosteusolosuhteet pitävät mikrobisen hajotuksen vakiona ja liuottavat maapartikkeleihin ja
aggregaatteihin kiinnittyneitä partikkeleita maaperän liuokseen niin, että mikrobit voivat
hajottaa niitä (Robinson et al. 1995). Maaperän raudalla tulvivat ja hapettomat olosuhteet
kuitenkin kasvattavat raudan liukoisuutta ja pelkistymistä (Lipson et al. 2012).
5.3 Geologia
5.3.1 Kallioperä
Kallioperän vaikutus
pintamaan geokemiaan perustuu kivilajien rapautumiseen ja
mineraalikoostumukseen. Periglasiaaliset ympäristöt ovat usein melko nuoria, minkä vuoksi
kallioperästä rapautuu herkästi mineraaleja, ja kallioperä onkin todettu keskeiseksi maaperän
kehitystä sääteleväksi tekijäksi arktisilla alueilla (Thorn et al. 2011). Kallioperän koostumus
voidaan erotella karkeasti geokemian kannalta silikaattiseen ja karbonaattiseen kallioperään
(esim. Eskelinen et al. 2009; le Roux et al. 2013a). Silikaattisella ja felsisellä (esim. graniiti,
gneissi) kallioperällä maaperä on hapanta ja vähäravinteista, sillä silikaatit happamoittavat
maaperää, kun taas karbonaattikivien ja kalkkipitoisen kiilleliuskeen kallioperällä (esim.
18
dolomiitti, kalkkikivi) emäksisiä kationeita rapautuu alustasta, jolloin maaperä on
emäksisempää ja ravinteita on saatavilla enemmän (Gensac 1990; Eskelinen 2008). Esimerkiksi
Arnesen et al. (2007) havaitsivat, että karbonaattikivistä rapautuu etenkin kalsiumia
ympäristöön,
kun
taas
fosforia
rapautuu
kemiallisesti
apatiittimineraalista
ja
eri
kiillemineraaleista, kuten biotiitistä, mutta myös silikaattikivistä. Kallioperän koostumuksella
ei ollut vaikutusta maaperän typpipitoisuuksiin. Heidän mukaan mineraloginen vaihtelu voi
kuitenkin olla monimutkaisempaa kuin pelkistetty emäksisyysgradientti karbonaattikivistä
silikaattikiviin: esimerkiksi silikaattikivissä voi olla kalsiumjäännöksiä. Toisaalta myös
kallioperän ikä voi vaikuttaa geokemiallisiin ominaisuuksiin, vaikka kallioperän kemiallisen
koostumuksen merkitys kuitenkin pienenee ajan myötä (Lundström et al. 2000; Thorn et al.
2011). Nuoremman kallioperän maaperä sisältää enemmän erityisesti typpeä ja kalsiumia, kun
taas vanhemmalla arkeeisella kallioperällä rauta- ja kaliumionien määrä on suurta (Virtanen et
al. 2006).
5.3.2 Maaperä
Kallioperän koostumuksen vaikutus geokemiaan vähenee, jos kallioperän päällä on
glasifluviaalista, glasigeenistä tai rapautumismateriaalia, sillä silloin kallioperä ei ole yhtä altis
rapautumiselle (Arnesen et al. 2007; Thorn et al. 2011). Maaperän tekstuuri vaikuttaa
maannosprosessien aktiivisuuteen: esimerkiksi podsolisaatiota ja huuhtoutumista tapahtuu
erityisesti alueilla, joilla on karkearakeisia maalajeja (Lundström et al. 2000; Zhao et al. 2006),
minkä lisäksi tekstuuri vaikuttaa kationinvaihtokapasiteettiin ja hapetus-pelkistysreaktioihin
(Shaver et al. 2006). Maaperän tekstuurin on havaittu liittyvän maaperän orgaanisen hiilen
määriin (Powers ja Schlesinger 2002; Shaver et al. 2006; Liu et al. 2011). Liu et al. (2011) ja
Wang et al. (2012 havaitsivat, että maaperän orgaanisen hiilen määrä oli korkeampi alueilla,
joissa hienorakeisen savin ja siltin osuus maaperästä oli suuri.
Maaperän raekokojakauman lisäksi maannoksen kehityksen aste ja maaperän ikä on tärkeä
ravinteiden biogeokemiallista kiertoa säätelevä tekijä (Hobbie et al. 2002b; Hobbie ja Gough
2004; Baumann et al. 2009). Nuorissa maannoksissa on yleensä korkeampi maaperän pH ja
paljon emäksisiä mineraaleja, kuten magnesiumia ja kalsiumia (Hobbie ja Gough 2002; Hobbie
ja Gough 2004; Whittinghill ja Hobbie 2012). Vanhemmalla maaperällä emäksiset ravinteet
ovat todennäköisesti huuhtoutuneet pois ja korvautuneet alumiinilla ja raudalla, ja orgaanisen
hapon akkumulaatio ja podsolisaatio on voimistunut, jolloin maaperästä tulee hapan (Gough et
19
al. 2000). Myös jäätiköitymishistoria ja ravinteiden alueellinen jakauma noudattelevat
samankaltaisia alueellisia säännönmukaisuuksia: siellä missä jäätiköitymistä on tapahtunut
voimakkaasti, rautapitoisuus kasvaa, mutta jos jäätiköityminen on ollut vähäistä tai olematonta
typen, magnesiumin ja kalsiumin määrä ja emäksisyys kasvavat (Hobbie ja Gough 2002;
Hobbie et al. 2002b; Virtanen et al. 2006).
5.4 Eliöt
Eliöiden merkitys maannoksen kehityksessä on yleensä periglasiaalisessa ympäristössä
vähäinen (Thorn et al. 2011). Linnut tai eläimet voivat vaikuttaa paikallisesti ulosteellaan
pintamaan geokemiaan ravinnepitoisuuksia nostaen (Skrzypek et al. 2015), ja laiduntajat, kuten
porot ja sopulit, voivat muokata ravinteiden kiertoa kasvillisuutta laiduntamalla (Olofsson et al.
2001), tai kasvien ja eläinten maaperän muokkaus (bioturbaatio) voi kasvattaa paikallisesti
pintamaan geokemiavarastoja (Wilkinson et al. 2009). Suuremmalla mittakaavalla
kasviyhteisöjen koostumus, biomassa ja orgaanisen aineksen laatu ovat pintamaan geokemian
kannalta oleellisempia tekijöitä.
Kasvillisuuden vaikutus pintamaan geokemiaan on suora tai epäsuora. Kasvit vaikuttavat
suoraan pintamaan geokemiaan erittämällä karbonista happoa juuristaan ja säätelemällä
maaperän ionien ottoa (Hobbie 1992). Erityisesti rahkasammalet (Spaghnum), variksenmarja
(Empetrum nigrum) ja Vaccinium-suvun varvut happamoittavat maata ja ylläpitävät alhaista
pH:ta (Hobbie 1996; Gough et al. 2000; Hobbie ja Gough 2004; Eskelinen et al. 2009).
Rahkasammalet peittävät usein laajempia alueita, kuten turpeisia peittosoita, joiden maaperän
pH pysyy hyvin happamana (Gough et al. 2000; Hobbie ja Gough 2004; Ehrenfeld et al. 2005;
liite 1c).
Toisaalta emäksisimmillä alueilla voi kuitenkin kasvaa palkokasveja (esim.
kurjenherneet, Astragalus ssp.) ja typensitojia (esim. lapinvuokko, Dryas octopetala), jotka
tekevät maaperästä vielä rehevämmän (Quested et al. 2003).
Kasvillisuus säätelee pintamaan geokemiaa epäsuorasti sen tuottaman orgaanisen aineksen
laadun kautta, joka voi olla merkittävämpi tekijä biogeokemiallisen kierron kannalta kuin
abioottiset tekijät, kuten lämpötila (Nadelhoffer et al. 1991; Hobbie et al. 2000; Shaver et al.
2006; Kammer et al. 2009; De Marco et al. 2011; Treat et al. 2014). Maaperän orgaanisen
aineksen laatu vaihtelee suuresti tundraekosysteemeissä, sillä eri kasviyhteisöt tuottavat
kemialliselta koostumukseltaan ja laadultaan erilaista orgaanista aineista, mikä vaikuttaa
20
mikrobisen hajotuksen nopeuteen (Nadelhoffer et al. 1991; Hobbie 1996; Hobbie ja Gough
2004; Treat et al. 2014). Kun orgaanisen aineksen laatu on hyvä, mikrobinen toiminta ja hajotus
on nopeampaa ja toisaalta hajoava aines on tuoreempaa (Shaver et al. 2006).
Aiemmat tutkimukset eivät ole täysin samansuuntaisia sen suhteen, minkälainen kasvillisuus
tuottaa nopeiten hajoavaa orgaanista ainesta. Esimerkiksi Hobbie (1996; 2002a) ja Robinson
(2002) toteavat, että hitaimmin hajoavat sammalet, jäkälät ja puuvartiset kasvit, joiden
orgaanisen aineksen laatu on heikkoa ja jotka hitaasti hajoavina saattavat muodostaa paksujakin
orgaanisen aineksen kerroksia ja suuria hiili- ja orgaanisten ravinteiden varastoja. Orgaanisen
kerroksen paksuuden onkin havaittu korreloivan positiivisesti esimerkiksi hiilivarastojen
kanssa (Pastick et al. 2014). Ruohovartiset kasvit ja heinäkasvit sisältävät enemmän nopeasti
hajoavia yhdisteitä ja hajoavat nopeammin kuin monivuotiset varvut, jolloin orgaanisesta
aineesta vapautuu nopeammin ravinteita ekosysteemin kiertoon (Hobbie 1996; Malmer et al.
2005). Lisäksi heinäkasvit sisältävät usein myös enemmän typpeä (Eskelinen et al. 2009).
Epäselvyyttä orgaanisen aineksen laadun ja ravinteiden saatavuuden välillä aiheuttaa Bergin
(2000) kuvaama karikkeen hajotus -jatkumo (litter decay continuum), jonka mukaan mikrobit
hajottavat orgaanista ainesta suhteessa niiden saatavuuteen, eikä niinkään niiden laatuun,
jolloin puu- ja ruohovartisten kasvien orgaanisen aineksen hajotusnopeuserot eivät selity
pelkästään orgaanisen aineksen laadulla.
Uusimmat tutkimukset ovat havainneet, että puuvartisen kasvien orgaaninen aines hajoaa
kasvillisuudesta nopeimmin ja esimerkiksi maaperän hiiltä ja typpeä on vähemmän metsämaan
maaperässä (Kammer et al. 2009; Parker et al. 2015). Kehityksen taustalla on positiivinen
pohjustus -ilmiö (positive priming), joka aiheuttaa muutoksen vanhemman orgaanisen aineksen
mineralisaatiossa uuden orgaanisen aineksen myötä (Parker et al. 2015). Kun puuvartisten
kasvien orgaanista ainesta hajotetaan, myös vanhemman, maaperään aiemmin kerrostuneen
orgaanisen aineksen hajotus nopeutuu (Hartley et al. 2012). Ravinteet tulevat nopeammin
takaisin epäorgaaniseen muotoon, jonka puuvartiset kasvit käyttävät myös tehokkaasti omiin
tarpeisiinsa, jolloin ravinteita ei varastoidu yhtä paljon maaperään (Hobbie 1996). Tämän
lisäksi erot mikrobiyhteisöissä ja niiden hajotuksen nopeudessa vaikuttavat ravinteisuuteen:
puuvartisilla kasveilla on usein mykorritsasieniä, jotka nopeuttavat hajotusta (Talbot et al.
2008; Parker et al. 2015).
21
5.5. Selittävien tekijöiden yhteenveto
Pintamaan
geokemiaa
säätelee
monimutkainen järjestelmä, jossa
ympäristötekijät
ja
niiden
synnyttämät prosessit yksinään ja
yhdessä
vaikuttavat
geokemiaan
(kuva 9; taulukko 2). Tärkeimmiksi
tekijöiksi on tunnistettu maaperän
kosteus, lämpötila ja orgaanisen
aineksen laatu (Robinson 2002),
mutta laajemmalla mittakaavalla
esimerkiksi ilmaston ja topografian
rooli voi olla myös suuri. Pintamaan
geokemiaa säätelevien tekijöiden
suhteellisissa
merkityksissä
kuitenkin vielä epäselvyyttä.
on
Kuva 9. Pintamaan geokemiaa säätelevät tekijät ja
niiden vuorovaikutusketjut kirjallisuuskatsauksen
perusteella. Maaperän paikallisista tekijöistä on
puhuttu eri alaotsikoiden alla, ja niiden vaikutus on
erotettu tässä kuvaajassa omaksi tekijäkseen. Nuolen
paksuus kuvastaa vaikutuksen suuruutta. Tarkemmat
yksittäiset tekijät ja niiden vaikutusmekanismit
löytyvät taulukosta 2.
Taulukko 2. Kuvaajaa 9 tarkentava taulukko, jossa on eroteltu ympäristötekijäryhmien tässä
tutkimuksessa käsitellyt ympäristötekijät sekä niiden kontrolloimat keskeiset prosessit, jotka
säätelevät pintamaan geokemiaa. Orgaanisen aineksen määrä kuuluu myös eliöympäristötekijäryhmään.
Ympäristötekijät
Ilmasto
Lämpötila ja sadanta
Topografia
Säteily
Tekijöiden säätelemät biokemiallisfysikaaliset prosessit
kaikki biokemiallisfysikaaliset prosessit
orgaanisen aineksen kerrostuminen, hajotus, mineralisaatio, rapautuminen
Rinteen sijainti
kulutus, kuljetus, kasaus, huuhtoutuminen, rapautuminen
Mikrotopografia
kulutus, kuljetus, kasaus, huuhtoutuminen, gleisaatio
Topografinen kosteus
kaikki biokemiallisfysikaaliset prosessit
Lumisuus
Geologia
Kallioperä
kaikki biokemiallisfysikaaliset prosessit
Maaperä
Maaperän paikalliset tekijät
Maaperän kosteus
podsolisaatio, brunifikaatio, huuhtoutuminen, rapautuminen
Orgaanisen aineksen määrä
orgaanisen aineksen kerrostuminen, hajotus, mineralisaatio
rapautuminen
kaikki biokemiallisfysikaaliset prosessit
22
6. Biogeokemiallinen kierto ja ilmastonmuutos
Hallitustenvälinen ilmastonmuutospaneeli (IPCC) ennustaa arktisille alueille globaalia
keskiarvoa korkeampia keskilämpötiloja ja talven sademääriä (IPCC 2013b: 204; IPCC 2013a:
1063).
Ilmastonmuutos
synnyttää
tundraekosysteemissä
erilaisia
ilmastonmuutosta
voimistavia, positiivisia takaisinkytkentöjä tai ilmastonmuutosta hidastavia, negatiivisia
takaisinkytkentäviä, jotka muuttavat ympäristöolosuhteita ja pintamaan geokemiaa. Näissä
takaisinkytkennöissä lumipeite on keskeisessä roolissa, sillä tähän mennessä ilmaston
lämpeneminen on tapahtunut pääosin talvella ja osittain keväällä (Sturm et al. 2005a).
Merkittävimmät
ilmastonmuutoksen
aiheuttamat
takaisinkytkentäilmiöt
liittyvät
1)
lämpötilannousun voimistamaan orgaanisen aineksen hajotukseen ja mineralisaatioon (Hobbie
et al. 2002b; van Wijk et al. 2003), 2) korkeampiin lämpötiloihin, jotka pienentävät lumen
alueellista jakaumaa, mikä on havaittu etenkin keväällä (IPCC 2013c: 320) ja 3) suurempaan
lumipeitteeseen, joka selittyy joko kasvaneella talven sadannalla tai tundran vihertymisellä (Jia
et al. 2003; Goetz et al. 2005; Sturm et al. 2005a; Tape et al. 2006; Cornelissen et al. 2014).
Vaikka kylmä ilmasto hidastaa ja lämpimämpi nopeuttaa mikrobista hajotusta (Robinson 2002),
on vielä epäselvää, kuinka suuressa määrin pelkkä lämpötila säätelee orgaanisen aineksen
hajotusta ja millainen on hajotuksen ja mineralisaation lämpötilaherkkyys eli herkkyys
lämpötilanmuutoksille (Conant et al. 2011). Esimerkiksi Nadelhoffer et al. (1991) havaitsivat
hajotuksen ja mineralisaation nopeutuvan etenkin keskimääräisten lämpötilojen ja maaperän
lämpötilojen ylittäessä 9 °C, mutta Robinson et al. (1995), Hobbie (1996), Hobbie ja Chapin
(1998), Schmidt et al. (1999) ja Aerts et al. (2012) havaitsivat suurempien lämpötilojen
kasvattavan ravinteisuutta vain vähän. Lämpötilannousun ja pintamaan geokemian suhde ei
olekaan yksiselitteinen, sillä se esimerkiksi kasvattaa erityisesti hitaasti hajoavien orgaanisten
yhdisteiden hajotusta (Fierer et al. 2005), mikä voi olla yksi syy sille, että tutkimustulokset
geokemian muutoksista ovat vaihtelevia.
Lämpötilanmuutoksen lisäksi lumisuuden muutokset ovat suuressa roolissa pintamaan
geokemian kannalta. Lumisuus vaikuttaa pintamaan geokemiaan maanpinnan albedoa ja
maaperän mikroilmastoa muokaten (Sturm et al. 2005a, 2005b). Paksumpi lumipeite toimii
hyvänä eristeenä ja lämmittää maaperän mikroilmastoa talvisin (Sturm et al. 2005a; Aerts et al.
2012), mutta voi myös myöhään sulavana hidastaa kevään ja alkukesän voimistunutta
mikrobista hajotusta. Pienempi lumisuus taas synnyttää kylmemmän maaperän mikroilmaston
23
talvisin, mutta aikaisin sulavana maaperä lämpenee nopeammin, mikä mahdollistaa
voimistuneen mikrobisen hajotuksen (Williams et al. 1998; Brooks ja Williams 1999).
Lumisuuden muutokset voivat linkittyä yhteen tundran vihertymisen kanssa, jolla tarkoitetaan
puiden ja pensaiden levittäytymistä ruohovartisten kasvien, varpujen, sammalten ja jäkälien
dominoimalle tundralle (Sturm et al. 2001a). Pensaat voivat muuttaa pintamaan geokemiaa
myös kesäisin, sillä ne kasvattavat tumman värinsä ansiosta säteilyn absorptiota nostaen
paikallisilmaston lämpötilaa tai toisaalta varjostavat maaperää laskien maaperän lämpötiloja
(Sturm et al. 2001a, 2001b, 2005b; Chapin et al. 2005; Hinzman et al. 2005). Sturm et al.
(2005a) toteavat, että lumisuuden ja pensastumisen kasvu kasvattaa maaperän lämpötiloja ja
nopeuttaa hajotusta, mutta pensastumisen ja lumisuuden aiheuttamaa ravinteiden hitaampaa
hajotusta ei ole tutkittu vielä tarpeeksi (DeMarco et al. 2011; Blok et al. 2015).
Suuri osa lämpötilanmuutosta simuloivista tutkimuksista tundraympäristössä on toteutettu
paikallisella mittakaavalla tehtyinä kokeellisina tutkimuksina (esim. Nadelhoffer et al. 1991;
Hobbie 1996; Hobbie ja Chapin 1998; Aerts et al. 2012) tai kasvillisuusgradienteilla (”spacefor-time” -lähestymistapa, esim. Hartley et al. 2012; Parker et al. 2015), kun taas suuremmat
alueelliset simulaatiot ovat perustuneet karkeamittakaavaiseen mallintamiseen (esim. ToddBrown et al. 2014). Paikalliset havainnot ja mallinnetut tulokset eroavat toisistaan: yllä
mainituissa kokeellisissa tutkimuksissa on havaittu niin positiivisia, negatiivisia kuin hyvin
pieniä muutoksia pintamaan geokemiassa ilmastonmuutoksen vaikutuksesta, mutta laajemmat
alueelliset
mallit
ennustavat
usein
vain
geokemiavarastojen
kasvua.
Tarvitaankin
simulaatiotutkimusta, joka yhdistäisi nämä kaksi mittakaavatasoa, jotta paikalliset havainnot
pystyttäisiin kytkemään paremmin laajempiin simulaatioihin.
7. Tutkimusalue
Tutkimusalue sijaitsee Pohjois-Norjassa Finnmarkin läänissä 69°25’–70°10’ N ja 25°50’–
26°30’ E (kuva 10). Tutkimuspisteet sijoittuvat Gaissane-tunturialueelle kolmelle
tunturimassiiville (Rasttigaisa 1066 m mpy, Geaidnogaisa 1038 m mpy, Jorbbot 946 m mpy) ja
Geaidnojohka-jokilaaksoon niin puurajan ylä- kuin alapuolelle 132 ja 1035 m mpy välille.
Tunturimassiivit ovat osa Skandien vuoristoa, jotka ovat kohonneet proterotsooisella ajalla
ylityöntölaattoina Kaledonisen vuorijonopoimutuksen yhteydessä arkeeisen ylänköalueen
yläpuolelle. Tutkimusalueen kallioperä on sekä silikaattista että karbonaattipitoista: tunturien
24
lakialueiden kallioperä koostuu kvartsiitista ja laakso gneissistä, mutta rinteillä kallioperä on
hiekka- ja liuskekiviä ja konglomeraattia (Norges Geologiske Undersokelse NGU 2015a; kuva
11).
Kuva 10. Tutkimusalue, tutkimuspisteiden sijainti ja koko alue, jolle pintamaan geokemiaa
ennustetaan. Suuri osa tutkimuspisteistä sijaitsee paljakalla tai pensasmaisella tundralla, mutta
osa sijaitsee tunturikoivikossa puurajan alapuolella (Riihimäki 2015).
Tutkimusalueen maaperään ovat vaikuttaneet lukuisat jäätiköitymiset. Maisemaa kuvaavat
erilaiset glasiaaliset ja glasifluviaaliset muodostumat, kuten tuntureiden välillä sijaitseva Ulaakso, laaksojen pohjamoreenikerrostumat ja harjut (NGU 2015b; kuva 11). Viimeisen
25
Veiksel-jääkauden nuoremman Dryaksen (noin 12 500 BP) mannerjäätikön pohjoinen raja
sijaitsi tunturimassiivien lähistöllä, minkä jälkeen alue vapautui jäästä supra-akvaattisena
alueena (Huntley et al. 2013). Tämän jälkeen maiseman kehitystä ohjailivat periglasiaaliset
prosessit, ja lakialueita peittävätkin laaja-alaiset pakkasrapautumisen synnyttämät rakkakivikot
ja rinteiden talukset. Tutkimusalueen maannokset ovat nuoria, ja ne luokitellaan World
Reference Base -järjestelmän sirkumpolaarisen mittakaavan mukaan kehittymättömiksi,
ohuiksi ja karkearakeisiksi tundramaannoksiksi, joiden kehitystä säätelee myös satunnaisesti
esiintyvä ikirouta (Zhang 2005; JRC 2010). Todellisuudessa maannosten alueellinen jakauma
vaihtelee todennäköisesti paikallisesti topografisella gradientilla: lakialueiden maaperä on
kalliomaannosta, rinteillä esiintyy podsolmaannosta ja laaksossa orgaanista turvemaannosta.
Tutkimusalue sijaitsee subarktisella ilmastovyöhykkeellä, jolle tyypillistä on pitkä, pimeä ja
kylmä talvi sekä lämmin ja lyhyt kesä ja kasvukausi (Billings ja Mooney 1968). Alueellisella
mittakaavalla tutkimusalueen ilmasto-olosuhteita selittävät sen pohjoinen sijainti, meren
läheisyys ja Skandien vuoristo (Aalto et al. 2014). Skandien vuoristo vaikuttaa ilmastoon
ilmamassojen kulkua muokaten, ja suuri osa sateista tavataan tunturien länsi- tai
pohjoispuolella, minkä vuoksi tutkimusalueella sadanta on vähäisempää kuin rannikolla.
Skandit vaikuttavat ilmastoon myös korkeuden myötä: ilman lämpötila laskee 6,5 °C/km, kun
ilmakehä on hyvin sekoittunut (Rolland 2002), jolloin lämpötilaero laakson ja lakialueiden
välillä voi olla noin 5 °C.
Tutkimusalueen keskilämpötila vuosilta 1981-2010 ilmastomallista johdettuna on -1,9 °C ja
vuoden keskimääräinen sademäärä on 407,3 mm. Heinäkuun keskilämpötila on 9,9 °C ja
keskimääräinen sademäärä 70,1 mm. Kasvukauden pituus on noin 75-100 vuorokautta (Tveito
et al. 2001), sillä lumi voi peittää maata paikoin jopa syyskuusta kesäkuuhun. Ilmastoolosuhteet saattavat kuitenkin muuttua tutkimusalueella: IPCC ennustaa keskimääräistä
suurempaa lämpötilannousua pohjoisille alueille, ja Pohjois-Fennoskandian tunturimassiiveilla
on jo havaittu lämpösumman ja sademäärän kasvua vuosina 1961–2011 (Virtanen et al. 2010).
Kasvillisuus vaihettuu tutkimusalueella kaakkoisnurkan jokilaakson tunturikoivikosta
puuttomalle paljakalle, joka koostuu pensaista, ruohoista, monivuotuisista kasveista sekä
sammal- ja jäkälälajistosta (kuva 12). Biomassa ja orgaanisen aineksen tuotanto ovat suuria
lehdossa ja vähenevät korkeuden kasvaessa (kuva 11; kuva 12). Puuraja on tutkimusalueella
26
noin 400 metrin korkeudessa, ja korkeimmalla kasvaa tunturikoivu (Betula pubescens spp.
cperepanovii). Vuonna 2014 alueella havaittiin 90 jäkälälajia, 49 sammallajia ja 106
putkilokasvilajia, joista valtalajeina paljakalla olivat varvut (Betula nana, Juniperus communis
ssp. alpina, Empetrum nigrum ssp. hermaphroditum) ja lehdossa ruohovartiset kasvit ja
saniaiset (Cornus suecica, Geranium sylvaticum, Gymnocarpium dryopteris).
Kuva 11. Tutkimusalueen kallio- ja maaperä, keskilämpötila ja kasvillisuuden biomassa NDVIindeksiin perustuen. Koordinaatistona on UTM 35N -koordinaattijärjestelmä. Kvartsiitti
koostuu pääosin happamista ja vähäravinteisista maasälpä- ja kvartsimineraaleista, mutta siinä
voi esiintyä myös pieniä määriä rautaa tai karbonaatteja. Gneissi koostuu maasälpä- ja
kvartsimineraalien lisäksi usein kiilteistä, kuten biotiitistä tai muskoviitistä, jotka sisältävät
esimerkiksi rautaa tai alumiinia. Liuskeissa on vähemmän maasälpä- ja kvartsimineraaleja.
Kasvillisuudesta on havaittavissa hyvin pienipiirteistä vaihtelua, jota myös pintamaan
geokemia todennäköisesti heijastelee.
27
Kuva 12. Tutkimusalue korkeusgradientilla kaakkoisnurkasta kahta suurinta tunturia kohden
kuvattuna. Ympäristö vaihtelee tutkimusalueella suuresti, ja samoilta korkeuksilta löytyy hyvin
erilaisia elinympäristöjä. Tämä kuva havainnollistaa maiseman tärkeimmät osat huipulta
tunturikoivikkoon, joista tullaan puhumaan myöhemmin tutkimuksessa, ja jokaisesta
elinympäristöstä kuvataan aina kaksi tyyppiesimerkkiä. Esimerkiksi rinteet voivat olla kylmiä
ja karuja tai kalkkivaikutteisia ja kosteita ja ylänköalueilla voi olla rehevämpää kasvillisuutta
tai voimakasta deflaatiota ja matalaa kasvillisuutta. Myös tunturikoivikossa kasvillisuus voi olla
ruohokasvipainotteisempaa tai varpuvaltaisempaa. Kuvat on otettu 1. Huippu (heinäkuu 2015,
noin 950 m mpy, Rasttigaisa), 2. Rinne (heinäkuu 2015, noin 650 m mpy, Rasttigaisan
lounaisrinteet), 3. Jokilaakso (heinäkuu 2014, noin 450 m mpy), 4. Ylänkö (heinäkuu 2015,
noin 400 m mpy), 5. Tunturikoivikko (elokuu 2015, noin 250 m mpy).
28
8. Aineisto
Tutkimusaineisto on kerätty heinä-elokuussa 2014 tundraympäristöstä, sillä kylmä ja karu
ympäristö soveltuu hyvin ekosysteemimallinnukseen ja on erityisen herkkä ilmastonmuutoksen
vaikutuksille. Tundraympäristöt ovat suhteellisen yksinkertaisia, minkä vuoksi erilaisten
spatiaalisten tekijöiden ja ekologisten prosessien määrittäminen on yksinkertaisempaa (Wisz et
al. 2013). Toisaalta tietoa tundra-alueiden maaperästä maisemamittakaavalla on puutteellisesti
(Scull et al. 2003). Tutkimusalue on laaja (72 km²) ja kattaa useita ympäristögradientteja (kuva
12), joiden avulla maiseman koostumusta, rakennetta ja toiminnallisuutta voidaan tarkastella.
8.1 Kenttäaineisto
Tutkimusalue koostuu 72 tutkimusruudusta, joiden pinta-ala on 1 km² (kuva 10). Jokaisessa
tutkimusruudussa on 4–10 tutkimuspistettä, jotka pyrittiin valitsemaan niin, että aineisto on
kattava
kaikilla
eri
korkeusvyöhykkeillä.
Tutkimuspisteestä
kerättiin
muovilapiolla
metallilapion kontaminaation estämiseksi maaperänäytteet 5–10 cm maanpinnasta ja kirjattiin
ylös koordinaatit GPS:n avulla (Garmin Vista, Garmin; Olathe, USA). Kenttäaineisto koostuu
429 tutkimuspisteestä.
8.2 Laboratorioaineisto
Maaperänäytteet säilytettiin ilmatiiviissä muovipusseissa kylmässä tilassa, minkä jälkeen ne
esikäsiteltiin ja niistä analysoitiin maaperän kosteus, maaperän pH ja keskeiset ravinteet
Helsingin yliopiston Geotieteiden ja maantieteen laitoksen laboratoriossa (taulukko 3).
Maaperänäytteet kylmäkuivattiin vakuumikylmäkuivaajassa (Scanvac; SFS 3008), jolloin
saatiin myös suuntaa-antava kosteuspitoisuus maaperänäytteille. Kasvillisuus ja liian suuret
maapartikkelit poistettiin suodattamalla näytteet 2 mm suodattimilla. Näytteitä ei
homogenisoitu kontaminaation välttämiseksi. Maaperän pH analysoitiin niin, että ensiksi
näytteistä tehtiin liuos, jossa on yksi osa maaperänäytettä ja 5 osaa tislattua ja puhdasta MilliQ -vettä (ISO 10390). Sitten liuokset sentrifugoitiin ja asetettiin 26-asteiseseen
lämpöhauteeseen, jotta lämpötilaolosuhteet olisivat vakiot ennen pH:n mittausta (ISO 10390).
Hiili ja typpi määritettiin punnituista noin 5–100 mg näytteistä CNS-analysaattorissa (Vario
elementar Micro cube). Lisäksi 4 g näytettä ja 40 ml ammoniumasetaattia sekoitettiin ja
29
suodatettiin, minkä jälkeen tärkeimmät hivenaineet analysoitiin plasmamassaspektrometrillä
(ICP-MS).
Taulukko 3. Laboratoriossa analysoidut geokemialliset muuttujat ja niiden analysoinnissa
käytetyt menetelmät. Näytemäärä eri analyyseissä vaihteli, sillä osa maaperänäytteistä oli liian
pieniä ja osassa analyysi epäonnistui.
Analysoitava
aine
N
Tarkennus ja
yksikkö
Kokonaistyppi
(%)
Menetelmä
Standardi
Vertailumateriaali
Näytemäärä
CNSanalysaattori
-
421
P
ppm
ICP-MS
-
soil ncszc73007 70mg,
HR1 30mg, humus h3
5mg
-
Rinnakkaisten
määrä
107
410
27
C
Kokonaishiili
(%)
CNSanalysaattori
-
421
107
Ca
ppm
ICP-MS
-
soil ncszc73007 70mg,
HR1 30mg, humus h3
5mg
-
410
27
Fe
ppm
ICP-MS
-
-
410
27
pH
pH
pH-mittari
ISO 10390
-
428
24
Maaperän
kosteus
Maaperän
kosteus
suhteutettuna
maaperän
kuivapainoon
(%)
Kylmäkuivatus
SFS 3008
-
407
-
Laboratorioanalyysien luotettavuus todettiin laadunvalvonnalla kolmella eri tavalla: 1)
vertailumateriaaleilla 2) nollanäytteillä sekä 3) rinnakkaisten näytteiden analysoinnilla
(taulukko
3).
Ravinneanalyyseissä
hyödynnettiin
pitoisuudeltaan
varmistettuja
vertailumateriaaleja ja analysoitiin nollanäytteitä (5 % koko näytemäärästä). Näiden
nollanäytteiden avulla määritettiin ravinteiden määritysrajat (MDL), eli mitattavan aineen
pitoisuusalaraja (Ehder 2005). Maaperänäytteistä 5 prosentille tehtiin rinnakkaismääritykset,
joista laskettiin keskihajonta ja vaihtelukerroin, jotka kuvaavat mittaustulosten onnistumista.
Keskihajonta kuvaa toistotarkkuutta ja mittausepävarmuutta eli mittaussuureen arvojen
vaihtelua (Ehder 2005; SFS 3700). Vaihtelukertoimen avulla taas voidaan vertailla tulosten
vaihtelevuutta. Nämä tilastolliset tunnusluvut lasketaan seuraavilla kaavoilla:
Keskihajonta
s=(|1tulos-2tulos|)/1,128, missä 1tulos on rinnakkaisten mittausten ensimmäinen
tulos ja 2tulos on toinen tulos.
Vaihtelukerroin
C=(s/av)·100%,
missä
s=rinnakkaisten
mittausten
keskihajonta
ja
av=rinnakkaisten mittausten keskiarvo.
30
8.3 Ympäristöaineisto
Ympäristöaineistoon
johdettiin
muuttujia
ilmastomallista,
korkeusmallista,
valmiista
geologisesta aineistoista sekä satelliitti- ja ilmakuvista (taulukko 4). Ilmastomallin
lähtöaineistona oli 81 lähimmän suomalaisen, norjalaisen ja ruotsalaisen sääaseman havainnot.
Korkeusmallista, jonka resoluutio on 10 metriä, johdettiin topografista heterogeniaa eri
mittakaavoilla kuvaavat muuttujat säteily McCunen algoritmilla käännettynä kohti länttä
(McCune ja Keon 2002), TPI (Topographic Position Index), maanpinnan kaarevuus ja TWI
(Topographic Wetness Index) SAGA-GIS-menetelmällä. Nämä topografiset muuttujat valittiin
mallinnukseen
seuraavista
syistä:
säteily
kuvastaa
maaperän
lämpötila-
sekä
kosteusolosuhteita, TPI kuvaa suuremmalla mittakaavalla eri maisemaluokkien vaikutusta sekä
maanpinnan kaarevuus paikallista topografista vaihtelua ja TWI heijastelee maaperän kosteutta
sekä sedimentin kulkeutumista.
Vuosien 2000–2014 ajalta etsittiin kaikki Landsat-satelliittikuvat (Landsat 5, 7, 8), joilla ei
esiintynyt pilviä (yhteensä 26). Kuville tehtiin ilmakehä- ja topografinen korjaus, minkä jälkeen
niistä laskettiin lumipeitteen alueellista jakaumaa Niittysen (2015) kehittämällä menetelmällä.
Ensiksi
laskettiin
kaikkiin
satelliittikuviin
NDSI-lumisuusindeksi
kaavalla
(TM2-
TM5)/(TM2+TM5) (Hall et al. 1995), missä TM2 on vihreä kanava ja TM5 infrapunakanava,
minkä jälkeen jokaisen kuvan pikselille, jonka NDSI-indeksi ylitti 0,7, annettiin arvoksi 1,
minkä jälkeen kaikki nämä arvot summattiin yhteen. Jos pikselin lumisuusarvo on 3, se
tarkoittaa sitä, että kolmessa kuvassa pikselissä on ollut lunta (joka on havaittu NDSI-indeksin
raja-arvona 0,7). Mitä suurempi lumisuusarvo tutkimuspisteessä siis on, sitä enemmän lunta
siinä on kaikissa kerätyissä Landsat-kuvissa ollut.
NGU:n (2015b) maaperäaineiston, korkeusmallin ja norgeskart.no-palvelun (Kartverket 2015)
ilmakuvien avulla tehtiin maaperätulkinta, jossa tunnistettiin keskeiset maaperäluokat:
lohkareet, moreeni, glasifluviaalinen ja orgaaninen aines. Kallioperäaineisto ladattiin NGU:n
(2015a) sivustolta ja jaettiin happamuusgradientille happamasta kvartsiitista neutraalimpiin
gneisseihin ja lopuksi liuskeisiin (Kalliola 1973: 75), minkä jälkeen aineisto interpoloitiin
jyrkkien rajapintojen poistamiseksi.
Muuttujat johdettiin kahteen aineistoon: 1) tutkimusalueen 429 satunnaisesti sijaitsevaan
tutkimuspisteeseen, joille myös tehtiin laboratorioanalyysit ja 2) laajemmalle alueelle reiluun
31
100 000 pisteeseen, jotka sijaitsevat 50 metrin etäisyydellä toisistaan. Näin luotiin 1)
havaintoaineisto, jonka avulla selvitettiin ravinteiden ja ympäristömuuttujien välisiä suhteita ja
kalibroitiin ennuste ja 2) hila-aineisto, joka koostui pelkästään ympäristömuuttujista ja jonka
avulla ravinteiden jakaumaa pystyttiin ennustamaan koko tutkimusalueelle.
Taulukko 4. Ympäristöaineiston luonnissa käytetyt aineistot ja menetelmät. Ilmastoa
kuvaamaan valittiin keskilämpötila, joka korreloi hyvin voimakkaasti myös sadannan ja
korkeuden kanssa. FMI on lyhenne Suomen, MET Norjan ja SMHI Ruotsin Ilmatieteen
laitoksille. Säteily laskettiin McCunen algoritmilla, joka huomioi säteilyn vuorokaudenaikaan
liittyvät erot. Suhteellinen topografinen sijainti (TPI) laskettiin 50 metrin resoluutiolla, eli se ei
huomioi pienipiirteistä topografista vaihtelua. TWI laskettiin SAGA-GIS –menetelmällä, joka
huomioi perinteistä TWI:tä paremmin maaperän kosteuden ja ennustaa hyvin myös
laaksonpohjiin. SAGA-GIS TWI:ssä huomioidaan myös rinteen kaltevuus ja vierekkäisten
ruutujen maksimiarvo.
Muuttuja
Kuvaus
Keskilämpötila
NPP
Model)
Data
vuosi
ja Menetelmä
Lähde
menetelmään
FMI,
SMHI
2010
MET,
1981-
Kriging, GAM
Aalto et al. (2014)
MET,
1981-
NPPt = 3000/(1 + exp(1.3150.119*keskilämpötila))
NPPp = 3000 * (1-exp(0.000664*sadanta))
NPP = min(NPPt, NPPp)
Lieth (1972)
(Miami
perustuotanto,
orgaanisen
aineksen
kerrostuminen,
g C m-2 per vuosi
FMI,
SMHI
2010
Säteily (Heat Load
Index)
suurin
arvo
lounaisrinteillä (huomioi
latitudin, kaltevuuden ja
rinteen suunnan)
DEM
| 180 – | Rinteen suunta – 225 ||
McCune ja Keon
(2002)
TPI (Topographic
Position Index)
rinteen sijaintiluokka:
>0 = harjanteet,
<0 = laaksot
DEM
z0-ż, missä z0 on pisteen korkeus
ja ż keskimääräinen korkeus
Guisan et al. (1999)
Kaarevuus
(Curvature)
>0 = kupera,
0 = tasainen,
<0 = kovera
DEM
Lasketaan liikkuvasta 3x3 solun
ikkunasta
Zevenbergen
ja
Thorne
(1987);
ESRI (2015b)
TWI (Topographic
Wetness Index)
maaperän kosteus
DEM
ln(SCA/tan β), missä β on
kaltevuus ja SCA valuma-alue
Boehner
(2002)
Lumisuus
lumen
läsnäolo
satelliittikuvan
pikselissä
Landsat 5, 7, 8
2000-2014
Ks. teksti
Niittynen (2015)
Maaperä
1=lohkare
2=moreeni
3=glasifluviaalinen
4=orgaaninen
NGU,
Kartverket
Oma tulkinta
Kallioperä
0=hapan, 1=emäksinen
NGU
Oma tulkinta
et
al.
Kalliola (1973)
32
9. Menetelmät
Aineiston käsittely jakautui analyysiin, mallinnukseen, ennustamiseen ja simulointiin, joita
tehtiin R-ohjelman (R Development Core Team 2014; liite 2) avulla. Aineiston ominaisuuksia
ja hajontaa esitettiin kuvailevalla analyysillä numeerisesti keskeisten tunnuslukujen avulla ja
graafisesti hajontakuvioiden avulla. Lisäksi aineiston hajonnan visualisoinnissa käytettiin eimetristä moniuloitteistä skaalausta (Non-metric multidimensional scaling, NMDS).
Monimuuttujamallinnuksella tutkittiin, mitkä muuttujat selittävät pintamaan geokemiaa, ja
kuinka hyvin malleilla voidaan ennustaa pintamaan geokemiaa. Tässä tutkimuksessa käytettiin
kahta mallinnusmenetelmää, luokittelupuihin (Boosted regression trees, BRT) kuuluvaa
yleistettyä regressiivistä luokittelupuumenetelmää (Generalized boosted regression method,
GBM) sekä rakenneyhtälömallinnusta (Structural equation modeling, SEM). Kyseisten
menetelmien käyttö ekosysteemimallinnuksessa on lisääntynyt viimeisten vuosikymmenten
aikana, mutta niitä on hyödynnetty vasta vähän maaperämallinnuksessa (ks. Benayas et al.
2003; Grinand et al. 2008; Jalabert et al. 2010; Grace 2015; Heung et al. 2016).
9.1 Ei-metrinen moniuloitteinen skaalaus
NMDS
on
gradienttianalyysimenetelmä
(tai
ordinaatiomenetelmä),
joka
tiivistää
moniuloitteista aineistoa ja jota käytettiin koko aineiston gradienttien visualisointiin. Muista
gradienttianalyysimenetelmistä poiketen menetelmä luo etäisyysmatriisin, joka perustuu
muuttujien suhteelliseen järjestykseen, eikä euklidisiin etäisyyksiin. NMDS on suosittu
menetelmä ekologisessa tutkimuksessa (ks. esim. Mykrä et al. 2004; le Roux et al. 2013b), sillä
se pystyy käsittelemään aineistoa, joka ei ole normaalisti jakautunut (Minchin 1987; Raunio ja
Soininen 2007). NMDS-kuvaajan lisäksi laskettiin ympäristömuuttujien selitysasteet ja
analyysin stress-arvo, joka kertoo, kuinka hyvin ravinteisuuden kuvaaminen on onnistunut: kun
arvo on pieni, NMDS selittää hyvin vaihtelua. NMDS-kuvaajat tehtiin Vegan-ohjelmakirjaston
(Oksanen et al. 2015) metaMDS-komennon oletusparametreillä, eli ohjelma ajoi analyysin 20
kertaa, joista se valitsi parhaan tuloksen. NMDS-analyysi tehtiin aineistolla, jossa ei ollut
puuttuvia havaintoja (n=356).
33
9.2 Yleistetyt luokittelupuumenetelmät
Pintamaan geokemiaa selittävien tekijöiden vaikutusta analysoitiin GBM-malleilla, joilla
tehtiin myös alueelliset ennusteet ja ilmastonmuutoksen vaikutussimuloinnit, sillä niiden
selityskyvyn on todettu olevan korkea (Elith et al. 2006; Elith et al. 2008; Graham et al. 2008;
Makler-Pick et al. 2011).
GBM-mallit soveltuvat hyvin kompleksisten järjestelmien
mallintamiseen: ne visualisoivat useita vastekäyriä, tunnistavat muuttujamerkityksiä,
interaktioita ja kynnysarvoja, sekä ennustavat uusia arvoja (Elith et al. 2008; Ridgeway 2015).
Menetelmä on ei-parametrinen ja se pystyy käsittelemään korreloituneita muuttujia,
epälineaarisia vasteita sekä puuttuvia ja poikkeavia arvoja (Elith et al. 2008; Jalabert et al.
2010).
GBM-mallit tehtiin R-ohjelman gbm-ohjelmakirjaston gbm-funktiolla (Ridgeway 2015), joka
hyödyntää tilastotieteen ja koneoppimisen menetelmiä ja käyttää kahta algoritmiä:
regressiopuita (ks. esim. Breimann et al. 1984) ja boosting-menetelmää (ks. esim. Freund ja
Schapire 1996). Regressiopuu jakaa vastemuuttujaa selittävän muuttujan vaihtelun mukaan
omiin haaroihinsa useaan kertaan (Elith et al. 2008). Boosting-menetelmä yhdistää nämä
regressiopuut yhdeksi malliksi, ns. ”haarovaksi puuksi”, jolloin BRT koostuu useasta mallista,
joiden avulla ennustetaan (Friedmann 2001; Elith et al. 2008).
Käyttäjä voi muokata GBM-mallia säätämällä interaktioiden määrää (interaction.depth),
regressiopuiden määrää (n.trees) ja learning rate -termiä (shrinkage) (Ridgeway 2007; 2015).
Pienillä aineistoilla interaction.depth kannattaa yleensä pitää kahdessa tai kolmessa (Elith et al.
2008), ja tämän tutkimuksen aineiston koon ollessa melko pieni valittiin arvoksi 4. Puiden
määräksi määritettiin 3000, joka sijoittuu Ridgewayn (2007) suosittelemaan haarukkaan. Tässä
tutkimuksessa ei määritetty learning rate -termiä. Mallin estimointi suoritettiin OOBesimaattorilla (Out-of-bag), joka estimoi vasteen niiden havaintojen hajonnan avulla, joita ei
hyödynnetty seuraavan regressiopuun luonnissa (Ridgeway 2007). OOB-estimointitavan etuna
on se, ettei aineistoa tarvitse jakaa erillisiin riippumattomiin osiin, joita vertaillaan, jolloin
estimaattori voi käyttää koko aineiston kaikkea informaatiota.
Mallinnus tuottaa ennusteen lisäksi selittävien tekijöiden suhteellista merkitystä kuvaavat
prosenttiosuudet sekä selittävien tekijöiden ja vastemuuttujan välisen vastekuvaajan.
Yksittäisille regressiopuille tekijöiden suhteellinen merkitys määritetään mallin neliön
34
paranemisten summalla, mikä mittaa sitä, kuinka paljon vaihtelua mallinnettujen ja havaintojen
välillä on (Breiman et al. 1984). Koko haarovan puun suhteellisten tekijöiden merkitys
lasketaan keskiarvoistamalla kaikkien regressiopuiden summat ja muuntamalla arvot niin, että
merkitysten summaksi tulee 100 % (De’ath 2007; Elith et al. 2008). Vastekäyräkuvaajissa
kuvataan selittävän tekijän ja vastemuuttujan suhde niin, että samalla huomioidaan ja
minimoidaan muiden muuttujien vaikutusta vastemuuttujaan (De’ath 2007; Elith et al. 2008).
Mallinnuksessa
luotiin
kalibrointimalli
ja
ennusteet,
joista
ensimmäinen
perustui
havaintoaineistoon eli maaperähavaintoihin ja niitä vastaaviin ympäristömuuttujiin ja
jälkimmäinen kalibrointimallin avulla luotuun ennustemalliin, jolla ennustettiin hilaaineistoon. Kalibrointimallista laskettiin selittävien tekijöiden suhteelliset merkitykset ja luotiin
vastekäyräkuvaajat, minkä lisäksi sen avulla kalibroitiin ennustemalli, jolla luotiin alueelliset
ennusteet. Näihin malleihin valittiin samat teoreettisesti keskeiset selittävät tekijät, mutta
multikorreloituneet muuttujat (r>0,7; Dormann et al. 2012) sekä muuttujat, jotka eivät tuoneet
malleihin tilastollisesti mitään uutta, poistettiin. Kaikkien geokemiamuuttujien GBM-malleissa
haluttiin pitää samat muuttujat, jotta selittävien tekijöiden merkitystä geokemiamuuttujien
välillä voi tarkastella. Lopulliset mallit koostuivat topografisista (säteily, TPI, kaarevuus),
hydrologisista (TWI, lumisuus), klimatologisista (keskilämpötila) ja geologisista (maaperä,
kallioperä) muuttujista. Kasvillisuutta ei käytetty malleissa selittävänä tekijänä, sillä pintamaan
geokemian katsottiin säätelevän kasvillisuutta suuremmassa määrin.
Ilmastonmuutossimulaatiomalleissa käytettiin samaa ennustemallia, mutta siinä muokattiin
hila-aineiston lumisuus- ja keskilämpötilamuuttujia. Suurempaa lumisuutta simuloitiin
kasvattamalla arvoja neljällä yksiköllä ja pienempää lumisuutta vähentämällä arvoja neljällä
yksiköllä. Käytännössä tämä tarkoitti sitä, että pikselin odotettiin ylittävän neljässä muussa
satelliittikuvassa NDSI:n raja-arvon 0,7 tai pikselin odotettiin jäävän raja-arvon alapuolelle
neljässä kuvassa alkuperäisestä arvosta. Muutos kasvattaa tai vähentää lumipeitteen
esiintymistä minä tahansa vuodenaikana, eikä simulointi siis huomioi lumen ajallisia muutoksia
esimerkiksi keväällä. Lumisuuden muutokset visualisoitiin vähentämällä uusi lumisuustilanne
vuosien 2000–2014 lumisuudesta. Lämpötilanmuutosta taas simuloitiin kasvattamalla
keskilämpötiloja +0,5, +1,5, +2,5 ja +3,5 asteella. Simulaatiossa ei ennustettu täysin uusille
alueille, vaan muutosta simuloitiin pienemmällä tutkimusalueen osalla (kalibrointimallien
n=366), joka koostui pääosin paljakka-alueista.
35
Ravinnepitoisuuksien kolmiuloitteiseen ja tulokset kokoavaan esitykseen typpi-, fosfori-, hiilija kalsiumennusteet standardisoitiin samalle asteikolle, minkä jälkeen laskettiin niiden
keskiarvot. Ennuste visualisoitiin ArcScenessä (ESRI 2015a).
9.3 Rakenneyhtälömalli
Rakenneyhtälömallit ovat yhdistelmä lineaarista regressiota ja pathway-analyysiä, ja ne ovat
tulleet viime vuosikymmeninä suosituiksi, sillä ne mahdollistavat monimutkaisten suorien ja
epäsuorien vuorovaikutussuhteiden kuvaamisen ja kompleksisten systeemien hypoteesien
testauksen mallissa (Grace et al. 2010; Lamb et al. 2014; Eisenhauer et al. 2015; Grace 2015).
Niiden avulla voidaan kuvata sekä hierarkkisia kausaalisia suhteita että suhteiden voimakkuutta
(Bollen 1989). Menetelmä on teoriaorientoitunut: tutkija määrittää muuttujien väliset
endogeeniset
ja
eksogeeniset
vuorovaikutussuhteet,
joiden
pohjalta
luodaan
kovarianssimatriisi, jonka malli pyrkii tuottamaan uudelleen (Grace et al. 2010). Lopullisen
mallin parametrit koostuvat muuttujien välisistä kertoimista, ja jos muuttujaan tulee useampi
kuin yksi nuoli, on kyse osittaiskertoimesta. Lisäksi mallin parametreiksi määritetään
kovarianssit ja varianssit eksogeenisten muuttujien välillä, endogeenisten muuttujien
residuaalien välillä ja kovarianssi ekso- ja endogeenisten muuttujien välillä.
Ensiksi luotiin rakennemalli (ts. kausaalinen diagrammi), jossa kuvattiin muuttujien teoreettisia
suhteita (kuva 13). Mallien identifioiminen toteutettiin tarkastelemalla vapausasteiden (degrees
of freedom, df) määrää ja rekursiivisuutta: T-säännön mukaan malli on identifioitu, kun
tunnettuja arvoja (kovariansseja) on enemmän kuin mallilla laskettavia parametrejä, eli kun
vapausasteden määrä df ≥0 (Lamb et al. 2011). Koska rakenneyhtälömalleissa vapausasteiden
määrä oli 6, malli oli yli-identifioitu, mikä on toivottu tilanne rakenneyhtälömallien
identifioimisessa. Lisäksi malli oli rekursiivinen, sillä edelliset muuttujat määrittävät suoraan
seuraavia muuttujia, eli malli voitiin todeta identifioiduksi.
Rakenneyhtälömallin parametrit estimoitiin perustuen kovarianssimatriisiin. Ennustettuja
arvoja käsiteltiin standardisoidun kovarianssin muodossa (korrelaatio), jonka avulla
kovarianssien vertailu on helpompaa (Grace ja Bollen 2005). Mallin parametrit estimoitiin
suurimman uskottavuuden menetelmällä (Maximum Likelihood Estimation, MLE), joka on
käytetyin rakenneyhtälömallien estimointimenetelmä (Grace et al. 2012). Kyseisessä
menetelmässä havaittuja kovariansseja verrataan mallin avulla saatuihin kovariansseihin, ja
36
suurimpaan uskottavuuteen perustuvan
minimointiprosessin avulla määritetään
mallin parametriestimaatit (Grace et al.
2012). Menetelmä kuitenkin olettaa
aineiston olevan normaalisti jakautunut
(Grace
2007),
joten
kaikille
geokemiamuuttujille
logaritminen
log(x+1);
tehtiin
muunnos
liite
3)
(log10
ja
tai
maaperän
kosteudelle neliöjuuri-muunnos.
Muuttujien väliset epälineaariset suhteet
testattiin (ensimmäisen ja toisen asteen
termien tilastollinen merkitsevyys), ja
eksogeenisen
NPP:n
ja
geokemia-
muuttujien sekä NPP:n ja maaperän
kosteuden sekä endogeenisen maaperän
kosteuden
ja
maaperän
geokemia-
muuttujien suhde kuvattiin toisen asteen
termin
huomioivan
komposiitti-
muuttujan avulla, jotka kuvataan mallissa
kuusikulmiolla (Grace ja Bollen 2008;
liite 7). Rakenneyhtälömallit luotiin
lavaan-ohjelmakirjaston sem-komennon
(Roosseel et al. 2015) avulla. Yksittäisten
Kuva 13. Rakennemalli pintamaan geokemiaa
säätelevistä tekijöistä perustuen tutkijan tietoon.
Kuvaaja koostuu eksogeenisistä, ulkosyntyisistä
selittävistä muuttujista (NPP ja topografia) ja
endogeenisistä, sisäsyntyisistä muuttujista
(maaperän kosteus ja geokemia), joita
ennustetaan
mallissa.
Nuolet
kuvaavat
vaikutussuuntia. Kaksisuuntainen nuoli kuvaa
kovarianssirakennetta, jolla tarkoitetaan sitä,
että molemmat muuttujat vaikuttavat toisiinsa.
Tässä mallissa ne ovat siksi, koska endogeenisen
komposiittimuuttujan on annettava korreloida
eksogeenisten muuttujien kanssa (Grace ja
Bollen 2008). Malliin ei valittu esimerkiksi
kallioperän emäksisyyttä, maaperäluokkaa tai
lumisuutta, koska ne heikensivät mallin
suorituskykyä huomattavasti.
polkujen kertoimien lisäksi laskettiin
myös muuttujien suora, epäsuora ja kokonaisvaikutus. Kertoimista ilmoitettiin standardisoitu
ja standardisoimaton kerroin ja sen tilastollinen merkitsevyys, keskivirhe, joka kuvaa kertoimen
hajontaa, sekä kertoimen ja keskivirheen jakamisesta saatava z-arvo.
37
9.4 Mallien arviointi
9.4.1 Yleistetyt luokittelupuumenetelmät
GBM-mallit testattiin ristiinvalidoinnilla. Havaintoaineisto jaettiin kalibrointiaineistoon (70 %)
ja evaluointiaineistoon (30 %), joista kalibrointiaineistoon perustuvalla mallilla ennustettiin
evaluointiaineistoon. Evaluointiaineiston ennustettujen ja havaittujan arvojen välistä eroa
arvioitiin Spearmanin korrelaatiokertoimella (esim. Wisz et al. 2008). Spearmanin
korrelaatiokerroin mittaa sitä, kuinka kaukana ennustetut arvot ovat havaituista arvoista (Elith
et al. 2006): kun korrelaatiokerroin saa arvon 1, mallin suorituskyky on hyvä, mutta jos se on
0, ennustetut arvot ovat kaukana havaituista arvoista. Malli ajettiin 999 kertaa niin, että joka
kerta aineisto jaettiin uudestaan satunnaisiin kalibrointi- ja evaluointiaineisto-osajoukkoihin.
Jokaisen ajon jälkeen laskettiin Spearmanin korrelaatiokerroin, ja lopuksi 999 ajon
korrelaatiokertoimista määritettiin niiden keskiarvo.
9.4.2 Rakenneyhtälömallit
Rakenneyhtälömallien hyvyyttä arvioitiin vertaamalla mallin luomaa kovarianssimatriisia
havaittuun kovarianssimatriisiin. Malli evaluoitiin χ² -testillä, joka kuvaa sitä, miten hyvin malli
on onnistunut tuottamaan uudelleen korrelaatiomatriisin mallissa kuvattujen vaikutusten avulla.
Nollahypoteesina on mallin riittävä hyvyys (Lamb et al. 2011), eli malli hylätään, kun χ²:n parvo<0,05 . Aineiston koko vaikuttaa kuitenkin χ²-testin onnistumiseen: aineiston ollessa suuri
(n>400) testi on usein tilastollisesti merkitsevä, minkä vuoksi testi kertoo harvoin onnistuneesti
mallin hyvyydestä. Täten mallien hyvyyttä evaluoitiin myös muilla testeillä, joista yleisimmin
käytettyjä ovat keskineliövirheen neliöjuuri (RMSEA, Root Mean Square Error of
Approximation), standardisoitu keskineliöresiduaali (SRMR, Standardized Root Mean Square
Residual) ja Comparative Fit Index (CFI) (taulukko 5). SRMR laskee havaitun ja ennustetun
kovarianssin erotuksen, ja muut testit lasketaan seuraavilla kaavoilla:
χ² =∑ (havaitut-ennustetut)²
ennustetut
RMSEA= √ (χ²-df)
√(df(n-1)), missä df=vapausasteiden määrä ja n=havaintojen määrä.
CFI= d(nollamalli) – d(ennustemalli)
d(nollamalli), missä d= χ²-df.
38
Taulukko 5. Mallien hyvyyttä kuvaavien suureiden tulkinta (Hu ja Bentler 1999). Mikään
arvoista ei kuvaa mallien hyvyyttä täydellisesti, vaan on suositeltavaa käyttää useampia testejä.
RMSEA:n p-arvo on niin sanottu PCLOSE-testi, joka testaa nollahypoteesiä, jonka mukaan
RMSEA on 0,05 (lähelle sovittava malli, jossa on määrittämisvirhettä): jos p-arvo on yli 0,05,
malli sovittaa hyvin, ja jos se on vähemmän, malli sovittaa huonommin kuin lähelle sovittava
malli.
Suure
RMSEA
RMSEA
SRMR
CFI
<0,08
>0,95
p-arvo
Hyvä/erinomainen malli
<0,08
>0,05
10. Tulokset
10.1 Laboratorioanalyysitulosten luotettavuus
Laboratorioanalyysien rinnakkaisten näytteiden keskihajonta oli pienintä typpi- ja
fosforipitoisuuksilla ja maaperän pH:lla ja vaihtelukerroin oli matalin typpi-, fosfori- ja
hiilipitoisuuksilla (taulukko 6). Kalsiumin ja raudan keskihajonta ja vaihtelukerroin olivat
korkeita. Maaperän pH:n vaihtelukerroin oli suuri, vaikka sen keskihajonta oli vain 0.
10.2 Ympäristömuuttujien vaihtelu
Pintamaan geokemia vaihteli paljon tutkimusalueella: ravinteiden pitoisuudet vaihtelivat 0,01–
606,23 ppm, 0,01–50,94 % ja pH:n 3,43–5,09 (taulukko 7). Fosforin, kalsiumin ja raudan
mediaanipitoisuudet olivat kaikki 1,03–2,63 ppm kalsiumpitoisuuksien keskihajonnan ja
maksimiarvon ollessa kyseisistä ravinteista kaikista korkein. Hiilen ja typen pitoisuudet olivat
muita ravinteita suurempia (1 % = 10 000 ppm), ja hiilen maksimiarvo (50,94 % eli 509 400
ppm) oli kaikista suurin. Typen keskihajonta ja mediaani olivat hiilen keskihajontaa ja
mediaania pienempiä. Kaikkien ravinteiden jakauma noudatteli gamma-jakaumaa (liite 3a).
Maaperän pH oli normaalisti jakautunut ja sen vaihteluväli oli 1,66. Pintamaan ravinteisuus ja
pH vaihtelivat suuresti myös alueellisesti (liitteet 10–15).
39
Taulukko 6. Pintamaan
laadunvalvonta.
N
P
C
Ca
Fe
pH
geokemiamuuttujien
Keskihajonta
Vaihtelukerroin (%)
0,03
0,09
0,81
0,73
0,84
0
8,08
10,68
9,42
28,42
21,91
21,94
rinnakkaisten
laboratorioanalyysien
Taulukko 7. Pintamaan geokemiamuuttujien ja ympäristöaineiston tunnus- ja hajontaluvut.
Maaperä-luokkamuuttujan jakauma ja moodi on kuvattu liitteessä 4.
Keskiarvo Mediaani
Maksimi Minimi
Fraktiili Keski(95%)
hajonta
Pintamaan
geokemiamuuttujat
N (%)
P (ppm)
C (%)
Ca (ppm)
Fe (ppm)
pH
0,35
1,57
7,34
32,67
4,7
4,24
0,15
1,03
2,6
2,33
2,63
4,22
2,68
22,16
50,94
606,23
39,45
5,09
0,01
0,05
0,1
0,01
0,01
3,43
1,43
4,43
34,41
180,55
18,09
4,73
0,45
2,16
10,64
83,26
5,7
0,3
Ympäristöaineisto
Maaperän kosteus (%)
Keskilämpötila
NPP
Säteily
TPI
Kaarevuus
TWI
Lumisuus
Kallioperän emäksisyys
26,15
-2,26
512,27
0,38
2,67
0,06
9,76
5,75
0,38
12,01
-2,25
511,11
0,38
0,74
0,04
9,74
6
0,5
196,98
-0,38
612,87
0,63
85,29
2,22
14,34
15,57
1
1,79
-3,81
437,29
0,15
-63,07
-2,59
7,14
1,73
0
106,7
-0,78
589,54
0,52
42,56
0,54
11,63
9,65
0,92
33,64
0,91
46,26
0,09
22,54
0,35
1,17
2,22
0,29
Osa ravinteista korreloi vahvasti keskenään (liite 6). Typpi, kalsium ja hiili korreloivat
keskenään >|0,7|, minkä lisäksi fosfori korreloi näiden ravinteiden kanssa >|0,5|. Typen ja hiilen
voimakasta korrelaatiota selittää se, että analyysissä ei määritetty pelkästään epäorgaanista
typpeä, vaan myös orgaaninen typpi, jolloin se on läheisesti yhteydessä hiilen pitoisuuteen.
Maaperän kosteus korreloi myös voimakkaasti (>|0,7|) typpi-, hiili- ja kalsiumpitoisuuden
kanssa. Tämän lisäksi kyseisten ravinteiden kanssa korreloi melko voimakkaasti (>|0,5|)
lumisuus, kallioperän emäksisyys sekä lohkareisuus. Ympäristömuuttujista lohkareisuus
40
korreloi vahvasti kallioperän emäksisyyden ja keskilämpötilan kanssa (>|0,7)|), minkä lisäksi
melko voimakkaasti (>|0,5|) korreloivat keskilämpötila ja maaperän kosteuslohkareisuus ja
maaperän kosteus, kallioperän emäksisyys ja keskilämpötila, lohkareisuus ja TPI.
Maaperä- ja ympäristöaineiston vaihtelua havainnollistettiin NMDS-kuvaajalla, joka kuvaa
tutkimuspisteiden hajanaisuutta ja aineiston keskeisimpiä gradientteja sekä ravinteiden
sijoittumista niiden suhteen. Ravinnepooli ja pH vaihtelivat tutkimusruutujen välillä suuresti,
sillä tutkimusruutuja kuvaavat pisteet sijaitsivat NMDS-kuvaajassa hajautuneesti (kuva 14).
NMDS-kuvaajassa kalsium, typpi, ja hiili sijaitsivat lähimpänä toisiaan, kun fosforin, pH:n ja
raudan sijainnit olivat enemmän hajallaan. Tutkimuspisteet sijoittuivat tiheimmin maaperän
pH:n ympärille indikoiden sen suurempaa homogeenisuutta. Geokemiamuuttujat ovat
sijoittuneet kuvaajaan NMDS-ulottuvuuksien mukaan, ja NMDS1-ulottuvuuden muodostaa
typpi, hiili, fosfori ja kalsium, sillä ne korreloivat kaikista vahvimmin NMDS1-ulottuvuuden
kanssa (r ≥|0,7)|; liite 5). NMDS2-ulottuvuuden taas muodostavat rauta ja pH (r ≥|0,8)|; liite 5).
Geokemiamuuttujat
jakautuivat
kuvaajaan
eri
ympäristömuuttujien
mukaan.
Ympäristömuuttujista kaikki paitsi TWI, säteily ja orgaaninen maaperä olivat tilastollisesti
erittäin merkitseviä (taulukko 8). Erityisesti keskilämpötilan, kallioperän emäksisyyden,
lohkareisuuden ja maaperän kosteuden selitysaste oli korkea (R² ≥ 0,26). Näistä muuttujista
muodostuikin kolme vahvinta ravinnekoostumusta määrittävää gradienttisuuntaa NMDSkuvaajassa. Maaperän kosteuden ja orgaanisen maaperän vektorit vaihettuivat samalla
gradientilla ja keskilämpötila, kallioperän emäksisyys ja moreeninen sekä glasifluviaalinen
maaperä omalla gradientillaan. Näiden muuttujien välissä sijaitsevat Ca, C ja N:
kalsiumpitoisuus sijoittui gradienttien päähän, kun hiili- ja typpipitoisuus sijaitsivat gradientin
puolivälissä, eli kun ympäristömuuttujien arvot saivat keskimääräisiä arvoja. Lohkareisuus,
lumisuus ja TPI taas muodostivat gradientin, jolle maaperän pH sijoittui. Rauta sijoittui erilleen
muista ravinteista kaarevuusgradientin suuntaan.
41
Kuva 14. Ravinteiden sijainti ei-metrisessä moniulotteisessa skaalauksessa (NMDS)
suhteutettuna mallinnuksessa käytettyihin ympäristömuuttujiin. Maaperän luokkamuuttujan
luokat on erotettu omiksi vektoreikseen (binomiaaliset muuttujat lohkareisuus, moreeni,
glasifluviaalinen, orgaaninen). Kuvaajassa näkyvät harmaat pisteet ovat tutkimusruutuja,
jotka kuvaavat jokaisen tutkimusruudun ravinnepoolia eli sitä kokoonpanoa, missä
suhteessa kaikkia eri ravinteita tutkimusruudulla esiintyy. Vektorit kuvaavat selittävien
ympäristötekijöiden lineaarista korrelaatiota NMDS-arvojen kanssa: esimerkiksi
keskilämpötila korreloi NMDS1:n kanssa -0,97 ja NMDS2:n kanssa -0,25.
Taulukko 8. Ympäristömuuttujien selitysasteet sekä niiden tilastolliset merkitsevyydet NMDSanalyysissä ( *** = <0,001, ** = <0,01, *= <0,05). Koko NMDS-analyysin stress-arvo oli 0,08.
Maaperän kosteus
Keskilämpötila
Säteily
TPI
Kaarevuus
TWI
Lumisuus
Lohkare
Moreeni
Glasifluviaalinen
Orgaaninen
Kallioperän
emäksisyys
R2
0,65
0,35
0
0,12
0,04
0,02
0,19
0,39
0,14
0,05
0,04
p-arvo
***
***
0,26
***
***
**
*
***
***
***
***
**
42
10.3 Yleistetyt luokittelupuumenetelmät
Pintamaan geokemiamuuttujien alueellinen jakauma GBM-mallilla luodun ennusteen avulla
noudatteli pääosin samoja gradientteja: suurimmat pitoisuudet saavutettiin tuntureiden välisissä
laaksoissa ja pienimmät arvot tuntureiden huipulla. Paikallista vaihtelua oli niin, että muutaman
sadan metrin etäisyydellä saattoi sijaita ravinnepitoisuuksien ääripäät, erityisesti maaperän
typpi- ja hiiliennusteissa ja tunturikoivikossa (kuva 16; liitteet 10-15). Kalsiumin
ennustekartassa karujen lakialueiden alue oli suurempi ja ylettyi pitkälle alarinteille. Osissa
ravinteista
lounaisrinteiden
vaikutus
ravinnepitoisuuksiin
oli
selvä
ja
kasvatti
ravinnepitoisuutta (N, C, Ca), kun taas fosforin ravinnepitoisuuksien maksimiarvot
noudattelivat laakson pohjaa. Osa malleista ennusti hyvin pienipiirteisesti suurempia arvoja
Geaidnogaisan länsipuoliselle järvialueelle (P) ja osa erityisesti järvien itäpuolelle (N, Ca, C).
Tunturikoivikon jokilaaksoissa suuria pitoisuuksia saivat hiili- ja fosforiennusteet sekä paikoin
kalsiumennuste.
Typen ja hiilen alueelliset jakaumat olivat
samankaltaiset: tunturien ja laaksoon väliin
jäävällä ylänköalueella ravinnearvot saivat
keskimääräisiä pitoisuuksia, kun muilla
ravinteilla ylänköalueen ravinnepitoisuus
oli vähäistä. Fosforipitoisuuden alueellinen
jakauma oli omanlainen: pitoisuuksissa oli
hyvin tiukka raja vesistöjen läheisyydessä
olevien suurten pitoisuuksien ja muiden
alueiden
pienten
pitoisuuksien
välillä.
Samanlainen ilmiö tapahtui myös kalsiumilla,
mutta raja ei ollut yhtä jyrkkä ja ylänköalueilla
oli hieman enemmän paikallista vaihtelua.
GBM-ennustemallit
kalibroitiin
laskemalla
kalibrointiaineistoon perustuva havaittujen ja
evaluointiaineistoon perustuva mallinnettujen
pitoisuuksien
korrelaatio.
Korrelaatioiden
keskiarvo havaittujen ja mallinnettujen arvojen
Kuva 15. GBM-malleilla ennustettujen ja
havaittujen arvojen Spearmanin korrelaatiokertoimet sekä niiden tilastollinen
merkitsevyys ( *** = <0,001, ** = <0,01,
*=
<0,05)
merkittynä
ravinteen
kemiallisen merkin perään. Suorakulmiot
kuvaavat ylä- ja alakvartiilin väliin jäävää
luottamusväliä ja pisteet poikkeavia
havaintoja. Rautapitoisuutta selittävän
mallin korrelaatiokertoimen p-arvo oli
0,273 ja pH:ta selittävän mallin p-arvo oli
0,504.
43
välillä vaihteli -0,1 ja 0,53 välillä kalsiummallin korrelaation ollessa suurin (kuva 15). Rautaja pH-malleilla korrelaatiot olivat lähellä nollaa, eivätkä korrelaatiot olleet tilastollisesti
merkitseviä p-arvon perusteella, eli mallien ennustekyky oli heikko, ja ne toimivat
sattumanvaraisesti, minkä vuoksi niiden ennusteet ovat vain liitteissä (liitteet 14–15). Muiden
mallien p-arvojen keskiarvo oli vähintään tilastollisesti merkitsevä (p<0,05). Kaikki mallit ylija aliarvioivat ravinnepitoisuuksia (liitteet 10–15). Pienimmät residuaalit sijaitsivat
suurimmissa korkeuksissa (liitteet 10–15).
Kuva 16. Pintamaan geokemiamuuttujien alueellinen jakauma perustuen GBM-mallilla luotuun
ennusteeseen. Arvot ovat pitoisuuksia (typpi- ja hiiliennusteissa %, fosfori- ja
kalsiumennusteissa ppm). Y-akselilla on pohjoiskoordinaatit ja X-akselilla itäkoordinaatit.
44
GBM-mallien avulla laskettiin myös selittävien tekijöiden suhteellisia merkityksiä (kuva 17).
Lämpötila oli kaikissa geokemiamalleissa keskeisin selittävä tekijä. Sen suhteellisen
merkityksen koko kuitenkin vaihteli: esimerkiksi raudalla ja pH:lla sen prosenttiosuus oli vain
noin 25 % myös muiden tekijöiden ollessa tärkeitä, kun muilla ravinteilla ilmaston suhteellinen
merkitys oli yli 40 % muiden ympäristömuuttujien merkityksen jäädessä vähäiseksi. Fosfori-,
hiili- ja pH-malleissa säteily ja topografian säätelemä kosteus (lumisuus, TWI) olivat tärkeitä
tekijöitä. Typpi- ja kalsiummalleissa kaarevuus oli toiseksi tärkein tekijä, minkä jälkeen
typpimallissa oli kallioperän emäksisyys ja kalsiummallissa lumisuus. Kallioperän emäksisyys
oli myös tärkeä tekijä rautamallissa TPI:n kanssa. Maaperän suhteellinen merkitys oli usein (N,
P, C, Fe) pienin.
Kuva 17. Pintamaan geokemiamallien selittävien tekijöiden suhteellisten merkitysten keskiarvo
GBM-malleilla laskettuna.
GBM-mallinnuksessa tuotettiin myös selittävien tekijöiden ja vastemuuttujien väliset
vastekäyrät, jotka olivat ravinteilla samankaltaisia, mutta pH:n vasteet olivat erilaisia (kuva 18;
kuva 19). Keskilämpötilan ja geokemiamuuttujan välinen vaste oli yksihuippuinen
ravinnehuipun sijainnin vaihdellessa eri ravinteiden välillä. Säteilyssä oli havaittavissa selkeä
45
kynnysarvo, jossa vaste kasvoi äkillisesti. TPI:n vaste erosi ravinteiden välillä: toisinaan se oli
laskeva (P, Ca, Fe), toisinaan nouseva (C) ja toisinaan yksihuippuinen (N). Ravinnepitoisuus
taas laski kaarevuuden funktiona kaikilla ravinteilla paitsi raudalla ja pH:lla. Lumisuuden ja
ravinteiden vaste oli yksihuippuinen. TWI:n vaste oli ravinteilla nouseva, mutta pH:lla laskeva.
Maaperän ravinteisuus oli suurinta luokassa 3, joka on glasifluviaalinen maaperä. Kallioperän
emäksisyys taas kasvoi ravinnepitoisuuksien kasvaessa, mutta laski pH:n kasvaessa.
10.4 Rakenneyhtälömallit
Rakenneyhtälömallien tulosten perusteella ilmaston kontrolloima perustuotanto (NPP)
vaikutti pintamaan geokemiaan suoraan ja epäsuoraan maaperän kosteuden kautta. NPP:n
positiivinen suora vaikutus pintamaan geokemiaan vaihteli 0,13–0,45 välillä, mutta se oli aina
tilastollisesti merkitsevä (kuva 20; liitteet 8–9). Vain fosforilla NPP:n kerroin oli negatiivinen
ja tilastollisesti ei-merkitsevä. NPP:n ja maaperän kosteuden suhde oli vahvasti positiivinen
(noin 0,5), kun topografia vaikutti maaperän kosteuteen noin -0,12. Maaperän kosteus vaikutti
NPP:n suoraa vaikutusta enemmän pintamaan geokemiaan (kertoimet 0,19–0,7). Kun
laskettiin muuttujien kokonaisvaikutus, joka huomioi suoran vaikutuksen lisäksi epäsuoran
vaikutuksen (NPP vaikuttaa kosteuden kautta ravinteisuuteen), NPP:n vaikutus oli lähes yhtä
suuri kuin maaperän kosteuden vaikutus (liite 7). Malli selitti geokemiamuuttujista parhaiten
maaperän hiiltä (R²=0,78), mutta myös maaperän typen, fosforin ja kalsiumin mallien
selitysaste oli >0,70. Maaperän raudan ja pH:n selitysasteet ovat 0,13 ja 0,04, ja niissä myös
NPP:n ja maaperän kosteuden kertoimet ovat pienempiä. Maaperän kosteuden selitysaste oli
kaikissa malleissa noin 0,25, ja selitysasteen vaihtelu johtui erilaisen havaintojoukon
vaihtelusta.
Rakenneyhtälömallien hyvyyttä kuvaavat testisuureet eivät sijoitu täysin taulukon 5 rajaarvojen sisäpuolelle (taulukko 9). χ²-testi oli jokaisella mallilla tilastollisesti merkitsevä, ja
RMSEA-arvo oli typellä suurempi, ja sen p-arvo oli tilastollisesti merkitsevä. Muut
testisuuretulokset sijoittuivat raja-arvojen sisäpuolelle maaperän kalsiummallin testisuureiden
ollessa kaikista optimaalisimpia.
46
Kuva 18. Typpi-, fosfori- ja hiilimallien selittävien tekijöiden ja mallinnettujen muuttujien
väliset vastekäyrät.
47
Kuva 19. Kalsium-, rauta- ja pH-mallien selittävien tekijöiden ja mallinnettujen muuttujien
väliset vastekäyrät.
48
Kuva 20. Rakenneyhtälömallit eri ravinteille. Standardisoidut kertoimet on merkitty nuolten
lähelle, ja ne kuvaavat vaikutuksen suuruutta ja suuntaa: mitä tummempi musta, sitä suurempi
korrelaatiokerroin on. Ei-tilastollisesti merkitsevät muuttujat on kuvattuna katkoviivalla.
Kaksipäiset nuolet kuvaavat muuttujien välistä kovarianssirakennetta. NPP:llä tarkoitetaan
ilmaston kontrolloimaa perustuotantoa ja topografialla kaarevuutta. NPP:n ja pintamaan
geokemian, NPP:n ja maaperän kosteuden sekä maaperän kosteuden ja pintamaan geokemian
väliset suhteet ovat kertoimia, jotka huomioivat myös selittävän muuttujan aiheuttaman
epälineaariseen vasteen. Havaintojen määrä eri mallien välillä vaihteli johtuen eri
laboratorioanalyysien onnistumisesta, mikä selittää maaperän kosteuden vaihtelevaa
selitysastetta.
Taulukko 9. Rakenneyhtälömallien testisuureet.
N
P
C
Ca
Fe
pH
χ²
26,68
14,47
14,6
12,97
15,23
18,28
df
6
6
6
6
6
6
p-arvo
0
0,02
0,02
0,04
0,02
0,01
RMSEA pRMSEA arvo
0,09
0,02
0,06
0,27
0,06
0,29
0,06
0,35
0,06
0,25
0,07
0,15
SRMR
0,05
0,05
0,05
0,06
0,04
0,04
CFI
0,99
1
1
1
0,99
0,99
49
10.5 Ilmastonmuutossimulaatiot
Ilmastonmuutossimulaatiomallien kalibrointimallien selityskyky oli parempi verrattuna
koko alueen kalibrointimallien selityskykyyn
(kuva 21). Havaittujen ja mallinnettujen
arvojen välisten korrelaatioiden keskiarvo oli
>0,5, ja korrelaatiot olivat tilastollisesti erittäin
merkitseviä.
Ilmasto- ja lumisuussimulaatiot muuttivat
ravinteiden jakaumaa erityisesti laaksoissa ja
huipuilla ylänköalueiden muutosten jäädessä
vähäiseksi. Kun lunta oli enemmän, ravinteisuus
väheni, ja kun keskilämpötilat kasvoivat ja
lumisuus väheni, ravinteisuus kasvoi. Paikallinen
vaihtelu oli suurta erityisesti lumisuussimulaatioissa, jossa erityisesti vähäisempi lumisuus
Kuva 21. GBM-malleilla ennustettujen
ja havaittujen arvojen Spearmanin korrelaatiokertoimet sekä niiden tilastollinen
merkitsevyys ( *** = <0,001, ** = <0,01,
*=
<0,05)
merkittynä
ravinteen
kemiallisen
merkin
perään.
Suorakulmiot
kuvaavat
yläja
alakvartiilin väliin jäävää luottamusväliä
ja pisteet poikkeavia havaintoja.
synnytti suurta, lyhyillä etäisyyksillä tapahtuvaa
alueellista vaihtelua pienten ja suurten pitoisuuksien välillä (kuva 22). Kalsiumpitoisuudet eivät
muuttuneet lumisuuden muutosten myötä alueellisesti yhtä paljon kuin typpi- ja
hiilipitoisuudet. Typpipitoisuudet taas muuttuivat pienipiirteisesti kaikista eniten, ja suurempi
lumisuus
paikoin
kasvatti
ja
paikoin
pienensi
ravinnepitoisuuksia,
mutta
sen
pitoisuusmuutosten suuruus oli kaikista pienin.
Muutokset olivat huomattavampia keskilämpötilan muuttuessa (kuva 23). Jo 0,5 °C nousu
kasvatti ravinteikkaiden alueiden pinta-alaa ja vähensi karujen alueiden pinta-alaa, ja 1,5 °C
nousun jälkeen muutos oli hyvin suuri. 2,5 °C lämpötilannousussa saavutettiin maksimimuutos,
minkä jälkeen suuria muutoksia rehevien ja karujen alueiden alueellisessa jakaumassa ei ollut
enää havaittavissa. Kaikilla ravinteilla ilmastonmuutos pienensi ravinnepitoisuuksien
vaihtelua. Nouseva keskilämpötila muutti ravinteiden alueellista jakaumaa eri tavalla eri
ravinteilla: hiilipitoisuus kasvoi ravinteista eniten ja saavutti maksimipitoisuuksia etenkin
Rasttigaisan etelärinteillä ja jopa lähellä huippuja samalla, kun karuimmat alueet korvautuivat
keskimääräisillä pitoisuuksilla. Typellä ja kalsiumilla suurimmat pitoisuudet saavutettiin jo 0,5
50
°C nousun jälkeen, minkä jälkeen ravinnepitoisuudet nousivat pelkästään pienissä
pitoisuuksissa, kuten lakialueilla. Typellä ja kalsiumilla ääripääympäristöjen (laaksojen rehevät
alueet ja huippujen karut alueet) alueellinen peittävyys pieneni.
Kuva 22. Ilmastosimulaatio muuttuneessa lumiympäristössä perustuen GBM-malliin.
Ylärivillä on alkuperäisen lumisuusarvon ja suuremman lumisuuden simulaation erotus ja
alarivillä alkuperäisen lumisuusarvon ja vähäisemmän lumisuuden simulaation erotus. Sininen
väri indikoi pitoisuuksien pienenemistä ja punainen väri pitoisuuksien kasvua.
51
Kuva 23. Ilmastomuutossimulaatio keskilämpötiloja muuttamalla (+0,5- + 2,5 °C) perustuen
GBM-malliin. Muutokset olivat vähäisiä +3,5 °C verrattuna +2,5 °C, minkä vuoksi se jätettiin
kokonaan pois visualisoinneista.
52
11. Pohdinta
11.1 Pintamaan geokemian alueellinen jakauma
GBM-malliin perustuvalla ennustemallilla pyrittiin linkittämään paikalliset havainnot
alueellisiin ennusteisiin, sillä paikallisen vaihtelun huomioivista ja pienempimittakaavaisista
pintamaan geokemiaa kuvaavista kartoista (DSM) on pulaa. Tutkimuksessa tuotetut aluelliset
ennusteet korostavatkin sitä, että pintamaan geokemiassa on paljon paikallista vaihtelua, jota
esimerkiksi interpoloimalla luodut kartat (esim. Shi et al. 2009) tai suurempimittakaavaiset
alueelliset ennusteet (esim. Todd-Brown et al. 2014) eivät huomioi. Tämä pienipiirteinen
vaihtelu on erilaista eri geokemiamuuttujien välillä, eikä pelkästään paljon tutkitun pintamaan
hiilen ja typen alueellinen jakauma kuvaa pintamaan geokemian tilaa tarpeeksi kattavasti.
Laboratoriossa tehdyt analyysit onnistuivat kohtuullisen hyvin. Vaihtelukertoimen raja-arvoksi
10-100 ppm pitoisuuksille suositellaan 20 % (EC 2002: 14), minkä alapuolella fosforin
vaihtelukerroin on, muttei kalsiumin tai raudan. Yli 1000 ppm (eli 0,1 %) pitoisuuksien rajaarvo on 10 %, minkä typpi ja hiili molemmat alittavat. Tutkimuksessa käsiteltyjen
geokemiamuuttujien havaitut pitoisuudet vaihtelivat suuresti eri geokemiamuuttujien välillä,
mutta pitoisuuksien suuruus oli pääosin samansuuntainen aikaisempien tundralla tehtyjen
tutkimusten kanssa. Fosforipitoisuudet olivat alhaisia (ks. myös esim. Turner et al. 2004), mutta
fosforipitoisuuden maksimiarvo oli muita tutkimuksia (esim. Arnesen et al. 2007) korkeampi.
Kalsiumpitoisuudet taas ovat tundra-alueilla yleisesti suurempia: Arnesen et al. (2007)
havaitsivat kalsiumpitoisuuden vaihtelevan 51–43000 ppm, Jonasson ja Sköld (1983) 23–921
ppm ja Suvanto et al. (2014) 13,5–3566,8 ppm. Tässä tutkimuksessa kalsiumpitoisuuden
maksimiarvo oli 606,23, mutta sen mediaani oli vain 2,33, mikä viestii siitä, että osa suurista
havainnoista saattoi olla poikkeavia arvoja. Pitoisuuksien ollessa samansuuntaisia tai
pienempiä verrattuna muihin tutkimuksiin näitä havaintoja ei kuitenkaan poistettu. Maaperän
pH:n vaihteluväli oli tavallista tundran vaihtelua pienempi (noin 3-7; ks. esim. Schmidt et al.
1999; Hobbie et al. 2002b; Virtanen et al. 2006; Arnesen et al. 2007). Typpipitoisuudet olivat
samaa suuruusluokkaa muiden tutkimusten kanssa, mutta hieman pienempiä (Hobbie ja Gough
2004).
Pintamaan ravinteet olivat jakautuneet selityskyvyiltään hyvissä GBM-malleilla luoduissa
alueellisissa ennusteissa (N, P, C, Ca) maisemaan karkeasti katsottuna samaan tapaan: huipuilla
53
ravinteita oli vähän ja rinteillä ja laaksoissa enemmän, minkä myös muut tutkimukset ovat
havainneet (Giblin et al. 1991; Michaelson ja Ping 1996; Sauer et al. 2007; kuva 24).
Ylänköalueet olivat karuja, mitä selittävät voimakkaasti huuhtoutuneet moreenikummut.
Ravinteiden keskittymät sijaitsivat topografisissa painanteissa, alavilla alueilla ja vesistöjen
läheisyydessä, mikä heijastelee kulutuksen, kuljetuksen ja kasauksen merkitystä (Hjulstrøm
1939). Topografinen vaikutus pintamaan geokemiaan oli visuaalisesti havaittavissa pintamaan
geokemian keskittymien sijainnissa. Esimerkiksi typpi-, hiili- ja kalsiumpitoisuutta
ennustavissa malleissa suurimmat pitoisuudet eivät olleet laakson pohjalla, vaan tuntureiden
lounaisrinteillä indikoiden sitä, että rapautuminen ja orgaanisen aineksen kerrostuminen ovat
lounaisrinteillä suurinta (Seibert et al. 2007).
Erityisesti typen ja orgaanisen hiilen jakaumat muistuttivat toisiaan (ks. myös Shaver et al.
1992; McKane et a. 1997; Wang et al. 2012), sillä niiden kierrot ovat samankaltaisia (Aber ja
Melillo 2001: 256), jolloin tietoa toisen ravinteen alueellisesta jakaumasta voidaan pitää
suuntaa-antavana toiselle ravinteelle. Ilmakehä on vahvasti mukana hiilen kierrossa ja hieman
heikommin mukana typen kierrossa, sillä kasvillisuus käyttää fotosynteesissä ilmakehän
hiilidioksidia, ja toisaalta jotkut kasvit pystyvät sitomaan typpeä myös ilmakehästä (Quested et
al. 2003). Kalsiumin alueellinen jakauma muistutti hiilen ja typen jakaumaa, vaikka niiden
kierrot ovat lähtökohtaisesti erilaiset: kalsium kiertää pääosin kasvillisuuden ja maaperän
välillä ja lisäyksiä tulee karbonaattikivien rapautumisesta (Arnesen et al. 2007). Tulos indikoi
sitä, että maaperän hiilen, typen ja kalsiumin taustalla toimivat tutkimusalueella samat
prosessit, ja ulkoisten tekijöiden ja prosessien, kuten esimerkiksi rapautumisen rooli
ravinnepitoisuuksien kannalta on Rasttigaisan karuhkoilla alueilla pieni. Voi toki myös olla,
että kalsium säätelee hiilen ja typen pitoisuuksia (Sundqvist et al. 2011): se muodostaa
orgaanista ainesta stabiloivia kationisiltoja, jotka stabiloivat myös typen ja hiilen hajotusta
(Whittinghill ja Hobbie 2012).
Fosforipitoisuuksien jyrkkää vaihtelua karujen ja pienten ja paikallisten rehevämpien alueiden
välillä selittää se, että fosfori ei pidäty helposti maaperään ja huuhtoutuu herkästi ja kasautuu
vain niihin paikkoihin, joissa on sitä pidättäviä komponentteja. Toisaalta fosforin
huuhtoutuminen on ekosysteemeissä yleensä vähäistä, sillä mikrobit, kasvit ja toisaalta
sorptioivat rauta- ja alumiiniyhdisteet kilpailevat siitä (Aber ja Melillo 2001: 261). Maaperän
fosforin alueellinen vaihtelu on pienintä, sillä se on pidättyneenä kaikista stabiilein (Hobbie et
al. 2002a). Myös muut tutkimukset ovat havainneet fosforipitoisuuksien vaihtelevan vähän
54
orgaanisessa kerroksessa, minkä on perusteltu johtuvan esimerkiksi metalli-ionien fosforin
sorptiosta ja huuhtoutumisesta (Hobbie ja Gough 2002). Muiden ravinteiden kierto on
nopeampaa ja dynaamisempaa, ja ne reagoivat herkemmin ympäristötekijöiden pienipiirteiseen
vaihteluun (Hobbie et al. 2002a). Vaikka fosforin ominaisuudet ja kierto sekä sitä säätelevät
tekijät eroavat muista geokemiamuuttujista, GBM-mallien selityskyky oli lähes yhtä hyvä kuin
esimerkiksi hiilen GBM-mallin selityskyky.
Ennustettu jakauma on pintamaan hiilen kannalta mielenkiintoinen, sillä hiiltä pitäisi
varastoitua etenkin kylmissä ja erittäin kosteissa ympäristöissä, eikä välttämättä lämpimissä
laaksoissa (Shaver et al. 2006; Dörfer et al. 2013; Treat et al. 2014). Tutkimusalueen tunturien
laet ovat kuitenkin niin karuja, että orgaanista ainesta ei juurikaan kerry, ja taluskivikkoisilla
ylärinteillä kivisyys ja massaliikunnot vaikeuttavat kasvien kasvua. Tällöin jäljelle jäävät
ainoastaan laaksot, joissa perustuotanto on suurempaa ja orgaanista ainesta kerrostuu
merkittävästi.
Myös NMDS-kuvaajasta käy ilmi, että eri ravinteet sijoittuvat erilaisille ympäristögradienteille.
Hiili ja typpi jakautuivat samankaltaisille gradienteille NMDS-ulottuvuuksien mukaan teorian
mukaisesti (esim. Hartley et al. 2012). Millään gradientilla ei ollut suurta vaikutusta fosforin
suhteen, mikä on linjassa aikaisempien tutkimusten kanssa, joissa on havaittu, että fosfori on
monimutkaisempi ravinne, eikä sen ja ympäristötekijöiden väliltä löydy vahvoja suhteita
(Benayas
et
al.
2004;
Arnesen
et
al.
2007).
Maaperän
happamuuteen
ja
kationinvaihtokapasiteettiin liittyvät muuttujat kalsium, pH ja rauta sijoittuivat kuvaajaan
hajautuneesti, vaikka niiden välillä tulisi olla vahva suhde samankaltaisissa olosuhteissa: kun
maaperä on hapanta, kalsiumionit huuhtoutuvat pois ja podsolisaatio on voimakasta
(Whittinghill ja Hobbie 2012). Kalsium ei ollutkaan tässä tutkimuksessa yhtä vahvasti
yhteydessä podsolisaatioon ja huuhtoutumiseen, vaan se vaihteli enemmänkin samaan tapaan
kuin typpi, fosfori ja hiili.
Pintamaan ravinteisuudella ja pH:lla oli kuitenkin samankaltaisia arvoja hyvin erilaisissa ja
erinäköisissä elinympäristöissä: esimerkiksi glasifluviaalisella, kostealla ja tasaisella
järvialueella ja jyrkemmillä lounaisrinteillä esiintyi paikoin suuria ravinnepitoisuuksia tai
orgaanisemman maannoksen tunturikoivikossa ja moreenisen maaperän ylänköalueella
ravinnepitoisuudet olivat vaihtelevasti melko alhaisia. Toisaalta aikaisempi tutkimus on
55
havainnut myös päinvastaisen trendin: Turner et al. (2004) kuvasivat pintamaan geokemian
vaihtelevan suuresti myös samankaltaisilla subarktisilla tutkimuspisteillä.
Matalimmilla korkeuksilla tunturikoivikossa pintamaan geokemia vaihtelee paljon ja on
paikoin jopa alhaisempi kuin puuttomalla paljakalla, mikä on myös havaittu aiemmin (Turner
et al. 2004; Liptzin et al. 2010; Parker et al. 2015). Tätä selittää kaksi ilmiötä: orgaanisen
aineksen laadun ja sen hajotusnopeuden erot sekä tunturikoivikon voimakkaampi podsolisaatio.
Tunturikoivikon kasvillisuus vaihtelee ruohovartisten ja puuvartisten kasvien välillä, joten
myös orgaanisen aineksen laatu ja mikrobisen hajotuksen nopeus vaihtelee (Hobbie 1996;
Hartley et al 2012). Aikaisempi tutkimus on havainnut orgaanisen aineksen laadun erojen
ylittävän jopa lämpötilan vaikutuksen (Giblin et al. 1991; Hobbie 1996; Schmidt et al. 1999).
Kasviyhteisöistä johtuva orgaanisen aineksen hajotuksen nopeuden vaihtelu on vielä epäselvää:
on todettu, että puuvartiset kasvit hajoavat hitaammin kuin ruohot ja heinät (Nadelhoffer et al.
1991; Hobbie et al. 2000; Shaver et al. 2006; Kammer et al. 2009, De Marco et al. 2011).
Tuorein tutkimus on kuitenkin havainnut puuvartisen kasvillisuuden alla olevan maaperän
ravinteisuuden olevan vähäisempää, koska puuvartisilla kasveilla on nopeammin hajottavia
mykorritsasieniä ja niiden tuottama orgaaninen aines aktivoi myös vanhemman maaperän
orgaanisen aineksen hajotusta (positiivinen pohjustus), jolloin ravinteet palaavat nopeasti
takaisin kasvillisuuden käyttöön, eivätkä varastoidu maaperän (Hartley et al 2012; Parker et al.
2015).
11.2 Pintamaan geokemiaa selittävät tekijät ja prosessit
Pintamaan herkkyyttä eri ympäristötekijöille ja mekanismeille tutkittiin ensiksi GBM-mallilla,
jolla tarkasteltiin ilmastollisten, geologisten, topografisten ja hydrologisten muuttujien
merkitystä ja ennustuskykyä, minkä jälkeen paneuduttiin tärkeän vuorovaikutusketjun
mekanismeihin rakenneyhtälömalleilla. GBM-malleissa muuttujat pidettiin ns. samalla viivalla,
mutta rakenneyhtälömalleilla käsiteltiin selittävien tekijöiden monimutkaisempia rakenteita
(ks. esim. Grace et al. 2016). Tavoitteena oli tunnistaa ravinteiden välisiä säännönmukaisuuksia
ja poikkeavuuksia ja ymmärtää ympäristötekijät ja prosessit, jotka säätelevät ravinteisuutta
tundralla. Samankaltaisia tutkimuksia on olemassa hyvin vähän, ja pääosa tundraympäristöjen
ravinteisuutta käsitelleistä tutkimuksista on perustunut kokeellisiin koeasetelmiin, joissa
havainnoidaan muuttuvien ympäristöolojen vaikutusta maaperän geokemiaan (esim.
Nadelhoffer et al. 1991; Hobbie 1996; Shaver et al. 2006).
56
Kuva 24. GBM-malliin perustuvista alueellisista ennusteista lasketut ravinnepitoisuuksien
keskiarvot kolmiuloitteisesti kuvattuna, jotta suurien pitoisuuksien (ylärivi) ja alhaisten
pitoisuuksien (alarivi) alueita ja niihin sovitettuja valokuvia eri elinympäristöistä (valokuvat)
voi tarkastella paremmin. Vihreät alueet ovat suurempien pitoisuuksien ja vaaleanpunaiset
pienempien pitoisuuksien alueita. Kuvat on otettu vasemmalta oikealle katsottuna yläriviltä
aloittaen: 1. elokuu 2015, noin 550 m mpy 2. heinäkuu 2014, noin 550 m mpy 3. heinäkuu
2014, noin 450 m 4. heinäkuu 2015, noin 650 m mpy 5. heinäkuu 2014, noin 350 m mpy 6.
heinäkuu 2014, noin 400 m mpy.
57
11.2.1. Pintamaan geokemiaa säätelevien tekijöiden kokonaistarkastelu
GBM-malleissa ilmaston vaikutus geokemiamuuttujiin oli suuri, ja sen suhteellinen merkitys
selittävistä tekijöistä kaikkiin ravinteisiin oli 25–40 %. Koeasetelma käsittääkin kattavan
korkeusgradientin, jonka mukaan ilmasto vaihettuu leveysastegradientin tavoin. Ilmasto
vaikuttaa suoraan pintamaan geokemiaan voimakkaasti kaikkien biokemiallisfysikaalisten
prosessien kautta: yksittäisiä tärkeitä maannosprosesseja on vaikea erottaa, sillä kyseessä on
kompleksinen järjestelmä, jossa kaikki prosessit erikseen ja yhdessä vuorovaikutuksessa
säätelevät pintamaan geokemiaa. Ilmaston yksihuippuinen suhde pintamaan geokemian kanssa
indikoi kuitenkin erityisesti podsolisaation, huuhtoutumisen ja orgaanisen aineksen
kerrostumisen, hajotuksen ja mineralisaation merkitystä ravinteiden kierrossa (ks. kuva 7).
Aikaisempi tutkimus ei ole havainnut yhtä dominoivaa ilmaston vaikutusta (ks. esim. Benayas
et al. 2004). Ilmaston vaikutuksen on kuitenkin todettu olevan suurempi erityisesti kuivissa
ympäristössä (Robinson 2002; Shaver et al. 2006), joilta myös tämän tutkimuksen aineisto on
kerätty.
Pintamaan ravinteiden ja pH:n välillä oli kuitenkin eroja ilmaston merkityksen suuruudessa
suhteessa
muihin
ympäristömuuttujiin.
Typellä
ja
hiilellä
ilmaston
ja
muiden
ympäristötekijöiden välinen suhde oli samankaltainen (ilmaston merkitys lähes 50 %, muiden
muuttujien maksimimerkitys alle 10 %), ja ne reagoivat samalla tavalla ympäristön, pääosin
ilmaston vaihteluun (ks. myös Weintraub ja Schmiel 2005; Wang et al. 2012). Myös fosforin ja
kalsium suhde ilmastoon on samankaltainen.
Ilmasto vaikutti vähiten maaperän rautapitoisuuteen ja happamuuteen: ilmaston suhteellinen
merkitys kaikista selittävistä tekijöistä oli noin 25–30 %, ja useamman topografisen ja
hydrologisen muuttujan suhteellinen merkitys oli noin 15–20 %. Raudan liukeneminen ja määrä
kasvaa topografian vaikutuksesta: rauta liukenee helpommin topografisten painanteiden
tulvivissa ja hapettomissa olosuhteissa maaperän liuokseen, pelkistyy helposti ja kasvattaa
maaperän pH:ta (Lipson et al. 2012), mikä selittää topografian suurempaa merkitystä maaperän
rautapitoisuuden selittäjänä. Maaperän rauta- ja pH-mallien heikosta ennustuskyvystä johtuen
myös suhteellisissa merkityksissä on kuitenkin paljon sattumaa, mutta mielenkiintoista on, ettei
sama ilmastomuuttuja tunnista yhtä vahvoja suhteita näiden samasta näytteestä määritettyjen
maaperän happamuuden kannalta tärkeiden geokemiamuuttujien kanssa.
58
Topografiset tekijät vaikuttivat myös fosforiin, jolla säteilyn merkitys oli lähes 20 %, mikä
kuvastaa toisaalta rapautumisen ja toisaalta mikrobisen hajotustoiminnan herkkyyttä säteilyn
vaihtelulle. Kalsiumilla ja raudalla, jotka molemmat ovat positiivisia kationeita, topografia
(kaarevuus/TPI)
vaikutti
niiden
jakaumaan
noin
20
%,
mikä
kuvastaa
niiden
huuhtoutumisherkkyyttä (Sauer et al. 2007; Grosse et al. 2011; Chapin et al. 2012: 88).
Topografian vaikutukset jäivät odotettua pienemmiksi, vaikka topografiset muuttujat ovat usein
hyviä maaperän ominaisuuksien ennustajia (McKenzie ja Ryan 1999; Jonasson et al. 2001: 141;
Begueira et al. 2013; Miller ja Schaetzl 2016). Topografian tulisi heijastella paremmin eroja
maaperän kosteudessa ja lämpötilassa, jotka viime kädessä säätelevät maaperän orgaanisen
aineksen hajotusta ja geokemiaa (Robinson 2002). Erityisesti maaperän kosteuden rooli oli
yllättävän pieni, sillä useissa tutkimuksissa maaperän kosteus on ollut yksi pintamaan
geokemiaa eniten selittävistä tekijöistä (Robinson et al. 1995; Fisk et al. 1998; Wang et al. 2012;
Dörfer et al. 2013). TWI, joka on monipuolinen muuttuja ja kuvastaa sekä veden että sedimentin
kulkeutumista maisemassa, vaikutti malleissa pintamaan geokemiaan todella vähän. Se on
kuitenkin todettu muissakin tutkimuksissa ekosysteemin ominaisuuksia huonosti määrittäväksi
muuttujaksi (le Roux et al. 2013b). Lumisuuden tulisi olla yksi tärkein maaperän lämpötiloja
säätelevä tekijä, sillä se on keskeinen ravinteiden lähde ja eristämällä kasvattaa maaperän
lämpötiloja ja ravinteiden hajotusta (Brooks ja Williams 1999), mutta tässä aineistossa
lumimuuttuja ei heijastele onnistuneesti maaperän lämpötiloja, sillä sen merkitys oli hyvin
pieni. Lumisuuden ja ravinteisuuden vaste oli myös poikkeava: suurempi lumisuus laski
maaperän ravinteisuutta ja pH:ta.
Geologiset tekijät vaikuttavat erityisesti maaperän happamuuteen (Benayas et al. 2004; Arnesen
et al. 2007), mutta tässä tutkimuksessa kallioperän ja maaperän vaikutus pintamaan geokemiaan
oli lähes olematon. Aiempi tutkimus on havainnut kallioperän ja ravinteisuuden (maaperän pH,
Ca, P) välillä vahvan suhteen, kun tutkimusalueella on ollut hyvin emäksisiä karbonaattikiviä
(Arnesen et al. 2007). Kallioperän emäksisyys selitti malleista ainoastaan rautapitoisuutta
merkittävästi, ja sen suhteellinen merkitys GBM-malleissa oli hieman alle 20 %. Esimerkiksi
gneissin kiillemineraaleista, kuten biotiitista, voi rapautua rautaa maaperään (Arnesen et al.
2007). Toisaalta maiseman iässä ei ole alueella suurta vaihtelua (ks. esim. Hobbie ja Gough
2002, jotka vertailivat >50 000 ja >11 500 vanhoja ympäristöjä), ja vanhemmalla kallioperällä
emäksisten ravinneionien määrä on usein pieni (Virtanen et al. 2006), jolloin kallioperän
merkitystä ei huomaa yhtä selvästi. Rapautumisen rooli on vähäinen, ja aikaisempi tutkimus
59
onkin havainnut, että lievät sulamis-jäätymisilmiöt muuttavat ravinteiden kiertoa vain vähän
(Grogan et al. 2004). Toisaalta siellä missä kallioperän emäksisyys on suurta, maaperä on usein
myös moreenista (ks. kuva 16), jolloin ravinteet huuhtoutuvat helposti pois, eikä kallioperän
emäksisyyden vaikutusta huomaa. Myös maaperän vaikutus geokemiaan oli mallinnuksessa
pieni, vaikka ravinteiden ja maaperätyypin vaste oli teorian mukainen, ja ravinteita varastoituu
erityisesti hienojakoisempaan materiaaliin (Zhao et al. 2006).
Topografisen ja geologisen vaikutuksen ollessa pieniä voidaan olettaa, että niiden säätelemien
biokemiallisfysikaalisten prosessien merkitys on myös pieni. Alueellisista ennusteista
havaittavissa oleva topografisten painanteiden suuri ravinteisuus ja raudan sekä pH:n
topografisten muuttujien suurempi merkitys viestivät kuitenkin siitä, että topografia voi
vaikuttaa paikallisesti pintamaan geokemiaan huuhtoutumisen, kuljetuksen ja kasautumisen
myötä. Tutkimusalueen ravinteiden kierto on pääosin suljettua, ja se perustuu kasvillisuuden
tuottaman biomassan ja karikkeen hajotukseen ja mineralisaatioon (Turner et al. 2004).
Aikaisempi tutkimus on todennut ravinteiden hajotuksen lämpötilaherkkyydessä olevan vielä
epäselvyyksiä (ks. esim. Conant et al. 2011; Aerts et al. 2012), mutta tässä tutkimuksessa
kuivien ja karujen tundraympäristöjen ravinteiden (erityisesti typen, fosforin, hiilen ja
kalsiumin) hajotus ja mineralisaatio ovat hyvin lämpötilaherkkiä (ks. myös esim. Hobbie et al.
2002b), ja lämpötilojen noustessa ravinteiden saatavuus kasvaa (Chapin et al. 1995; Rustad et
al. 2001).
Maaperätieteessä on käyty pitkään keskustelua siitä, vaikuttaako alkuperäinen materiaali eli
geologia vai ilmasto-kasvillisuusvuorovaikutus enemmän maaperän kehitykseen (Miller ja
Schaetzl 2016). Tuorein tutkimus on korostanut muiden tekijöiden kuin ilmaston merkitystä
(Fisk et al. 1998; Baumann et al. 2009; Kammer et al. 2009; De Marco et al. 2011; Treat et al.
2014), vaikka myös ilmasto on todettu tärkeäksi maaperää sääteleväksi tekijäksi (Hobbie et al.
2000; Robinson 2002; Ping et al. 2008; Johnson et al. 2011). Tässä tutkimuksessa
bioklimaattisen vuorovaikutuspolun merkitys oli suurempi kuin geologian vaikutus pintamaan
geokemiaan. Koska GBM-mallinnuksessa ilmaston rooli oli niin suuressa asemassa, on erittäin
tärkeää, että pintamaan geokemian mallinnuksessa käytettävä ilmastoaineisto on laadukas.
60
11.2.2. Pintamaan geokemiaa säätelevän tärkeimmän vuorovaikutusketjun tarkastelu
Rakenneyhtälömalleilla vertailtiin ilmaston kontrolloiman perustuotannon (NPP) suoraa ja
epäsuoraa vaikutusta ja tarkasteltiin, miten maaperän kosteus vaikuttaa pintamaan geokemiaan.
NPP:n suora vaikutus oli melko suuri erityisesti maaperän hiilellä ja kalsiumilla. Ilmasto onkin
havaittu tärkeimmäksi maaperän orgaanista hiiltä selittäväksi tekijäksi (Ping et al. 2008;
Johnson et al. 2011). Vaikka ilmaston merkitys pintamaan geokemian säätelijänä oli GBMmalleissa suuri, ilmasto vaikuttaa itse asiassa paikallisten tekijöiden kautta (ks. myös Benayas
et al. 2004). Ilmasto synnyttää vain karkeat rajat prosessien ja pintamaan geokemian vaihtelulle
(Robinson 2002), mutta paikalliset tekijät aiheuttavat pintamaan geokemiassa suurta vaihtelua.
Kosteus pystyykin puskuroimaan ilmaston vaihtelua (ks. esim. Robinson 2002; Shaver et al.
2006), sillä se selittyy ilmaston lisäksi myös topografialla ja vaihtelee suuresti
tundraympäristössä (le Roux et al. 2013b). Tutkimustulos on linjassa aikaisemman tutkimuksen
kanssa, sillä esimerkiksi Hugelius ja Kuhry (2009) havaitsivat paikallisten olosuhteiden
ylittävän ilmaston vaikutuksen.
Maaperän kosteus vaihtelee tundraympäristössä topografisen gradientin mukaan (Fisk et al.
1998; Litaor et al. 2002), mutta rakenneyhtälömallit eivät tunnista kovin vahvaa suhdetta
topografian ja kosteuden välillä NPP:n vaikutuksen maaperän kosteuteen ollessa suurempi.
Tätä selittää koeasetelman puutteellinen kosteusgradientti ja kosteiden alueiden vähäisyys
koeasetelmassa. Siltikin maaperän kosteus on tärkein pintamaan geokemiaa selittävä tekijä,
sillä se säätelee mikrobista hajotusta ja huuhtoutumista (Robinson et al. 1995). Maaperän
kosteuden vaikutusta geokemiaan ei ole todettu aina yhtä selkeäksi, eikä kosteudella
esimerkiksi Hobbien ja kumppaneiden (2002b) tutkimuksessa ollut suurta vaikutusta pintamaan
geokemiaan. Näyttää siltä, että maaperän kosteus on tärkeä muuttuja pintamaan geokemian
kannalta erityisesti kosteusgradientin päissä, eli kuivissa ja märissä olosuhteissa (Jonasson et
al. 2001: 141), joista ensimmäistä tämä tutkimusaineisto kuvastaa. Toisaalta kosteus on pitkälti
riippuvaista ilmastosta (Benayas et al. 2004), ja Treat et al. (2014) taas havaitsivat kosteuden
vaikutuksen olevan huomattava erityisesti lämpötilojen ollessa korkeita.
Rakenneyhtälömalleja on käytetty maaperän geokemian mallinnuksessa boreaalisissa (Jonsson
ja Wardle 2009) ja alpiinisissa ekosysteemeissä (Benayas et al. 2004). Benayas et al. (2004)
tutkivat maaperän kokonaisionipitoisuutta, happamuutta, hiiltä, typpeä ja fosforia selittäviä
tekijöitä alpiinisella niityllä rakenneyhtälömalleilla ja saivat osin samankaltaisia tuloksia.
61
Maaperän hiili ja typpi reagoivat samalla tavalla sitä sääteleviin vuorovaikutusketjuihin, niin
kuin myös tässä tutkimuksessa, mutta merkittävimmät vaikutuspolut olivat ilmaston ja
kasvillisuuden sekä maanpinnanmuodon ja maaperän tekstuurin vaikutuspolku. Benayas et al.
eivät tunnistaneet maaperän kosteuden vaikutusta typpeen ja hiileen, mikä oli vastoin teoriaa,
sillä kosteuden on todettu säätelevän vahvasti typen ja hiilen kiertoa (Robinson et al. 1995).
Lisäksi
Benayas
et
al.
havaitsivat,
että
ilmasto
vaikutti
hyvin
vähän suoraan
geokemiamuuttujiin vaikuttaen välillisesti maaperän kosteuden kautta. Maaperän kosteuden
merkitys oli suuri kokonaisionipitoisuuden ja happamuuden säätelijänä indikoiden näiden
geokemiamuuttujien
huuhtoutumisherkkyyttä.
Todellisuudessa
suhde
kosteuden
ja
ionipitoisuuden suhteen ei kuitenkaan ole positiivisesti lineaarinen, vaan hyvin kosteissa
olosuhteissa kosteus alkaa rajottaa hajotusta ja vähentää emäskationeiden määrää. Benayas et
al.
(2004) eivät huomioineetkaan rakenneyhtälömalleissaan muuttujien mahdollisia
epälineaarisia suhteita. Jonsson ja Wardle (2009) selittivät maaperän hiiltä ja havaitsivat
kasviyhteisöjen koostumuksen ja kasvilajien biodiversiteetin selittävän suuren osan maaperän
hiilen vaihtelusta. Ilmaston kontrolloiman NPP:n suora vaikutus oli heidänkin tutkimuksessaan
hyvin heikko. Tämän tutkimuksen ympäristö on siis poikkeuksellinen siinä, että ilmasto selittää
pintamaan
geokemiaa
niin
vahvasti.
Koska
molemmissa
rakenneyhtälömalleissa
kasviyhteisöjen kontrolloima orgaanisen aineksen laatu oli tärkein selittävä tekijä, orgaanisen
aineksen laatu saattaisi parantaa tämänkin tutkimuksen mallien selityskykyä ja tunnistaa
erilaista vaihtelua pintamaan geokemiamuuttujissa.
Tässä tutkimuksessa maaperän kosteuden merkitys maaperän fosforipitoisuutta suoraan
säätelevänä tekijänä oli suuri ilmaston kontrolloiman NPP:n roolin jäädessä pieneksi. Hobbie
et al. (2002a), Benayas et al. (2004) ja Arnesen et al. (2007) ovatkin havainneet, että ilmasto ei
vaikuta fosforiin yhtä paljon, koska sen kierto on niin hidas. Fosforin saatavuus on todettu
käyttäytyvän muissakin tutkimuksissa eri tavalla kuin muut makroravinteet, eivätkä esimerkiksi
Benayas et al. (2004) löytäneet yhtään sitä kontrolloivia suoria tai epäsuoria gradientteja. GBMmallien tapaan myös maaperän rautapitoisuutta ja pH:ta ennustavat mallit olivat heikkoja.
Raudan ja fosforipitoisuuden välillä ei havaittu samankaltaisia vasteita, joten rauta ei tuskin
sido merkittävästi fosforia tundraympäristöissä, minkä myös Giesler et al. (2012) havaitsivat.
Koska maaperän kosteus on tärkeä muuttuja jokaisella ravinteella, se ei heijastele vahvasti eroja
ravinteiden rapautumis- ja huuhtoutumisherkkyydessä.
62
11.3 Ilmastonmuutoksen vaikutukset pintamaan geokemiaan
Dynaamisten suuren mittakaavan tekijöiden rooli pintamaan geokemian säätelijänä oli staattisia
tekijöitä merkittävämpi, minkä vuoksi pintamaan geokemia on altis dynaamisten tekijöiden
muutoksille. Ilmaston ja lumisuuden muutokset muuttavat biokemiallisfysikaalisten prosessien
esiintymistä ja voimakkuutta, minkä vuoksi
myös
pintamaan
geokemia muuttui
ilmastonmuutossimulaatioissa, minkä myös aikaisemmat kokeelliset tutkimukset ovat
havainneet (ks. esim. Shaver et al. 1992; Koven et al. 2013; Sistla et al. 2013; Treat et al. 2014).
Ilmastonmuutos ei kuitenkaan muuta maaperän geokemiaa tasaisesti, vaan läheistenkin
alueiden lämpötilaherkkyys voi erota toisistaan (Schmidt et al. 1999; Shaver et al. 2006).
Simulaatioiden mukaan muutoksille herkimpiä alueita olivat laaksot ja tunturien laet.
Simulointi onkin samansuuntainen aikaisempien tutkimusten kanssa, joissa on havaittu
ilmastonmuutokselle herkimpien alueiden sijaitsevan erityisesti kosteilla, pensaiden
leviämiselle otollisilla alueilla (Giblin et al. 1991; Tape et al. 2006; Elmendorf et al. 2012;
Myers-Smith et al. 2014). Ylänköalueet puskuroivat muutoksia paremmin: voi esimerkiksi olla,
että vaikka ravinteiden määrä kasvaa, huuhtoutuminen moreenisilla kummuilla on niin suurta,
ettei ravinteisuus kasvaisi kuitenkaan tai topografinen vaihtelevuus puskuroi muutoksia.
Suurimmat muutokset havaittiin hiilen jakaumassa, mikä on linjassa aikaisemman tutkimuksen
kanssa (Blok et al. 2015), sillä esimerkiksi Robinsonin (2002) mukaan hiili on herkempi
lämpötilanmuutoksille kuin typpi.
Tässä tutkimuksessa pintamaan geokemiavarastojen koko kasvaa, kun keskilämpötilat kasvavat
tai lumisuus vähenee, mutta varastot pienenevät, kun lumisuus kasvaa. Pintamaan hiilen
lisääntyessä syntyy negatiivinen takaisinkytkentä ilmastonmuutoksen kannalta, sillä ilmakehän
hiiltä sitoutuu enemmän maaperään. Tundraekosysteemin maaperä siis pysyy näiden muutosten
myötä globaalisti merkittävänä ravinnevarastona ja jopa hidastaa tulevia muutoksia sitoessaan
enemmän hiiltä maaperään. Myös muut mallit ennustavat samanlaisia tuloksia (ks. esim. ToddBrown et al. 2014), jotka kuitenkin eroavat kokeellisiin kenttätutkimuksiin perustuvasta
näkemyksestä, jonka mukaan ilmaston lämpenemisen ja lumisuuden kasvamisen aiheuttaman
pensastumisen myötä voimistuva positiivinen pohjustus -ilmiö aiheuttaa puuvartisten kasvien
nopeamman orgaanisen aineksen hajotuksen ja pienentää ravinnevarastoja (Hartley et al. 2012;
Parker et al. 2015).
63
Tutkimustulokset ovat jossain määrin yllättäviä, sillä usein lämpötilamuutoksen vaikutukset
ravinteisuuteen eivät ole yhtä selkeitä kuin lumen jakauman muutokset (esim. Hobbie et al.
2002a; Sturm et al. 2005b). Lumen jakauman muutokset olivat vähäisempiä kuin
ilmastonmuutoksen synnyttämät muutokset, mutta muutosten paikallinen vaihtelu oli
suurempaa. Tutkimuksessa lumiset alueet kuitenkin pääosin vähensivät ravinteisuutta (Stanton
et al. 1994; Cornelissen et al. 2007), sillä ne hidastavat ravinteiden kiertoa keväällä ja kesällä
ja kasvattavat ravinteiden huuhtoutumista (Brooks ja Williams 1999). Lämpimien
kesäolosuhteiden merkitys orgaanisen aineksen hajotuksen kannalta on siis talviolosuhteiden
lisäksi tärkeää (ks. myös Cornelissen et al. 2014). Onkin havaittu, että ilmaston vaikutus
ravinteiden mineralisaation nopeutumiseen tapahtuu merkittävästi vasta, kun maaperän
lämpötilat nousevat yli 10 °C (Nadelhoffer et al. 1991; Hobbie 1996), mitä tapahtuu vain
kesällä.
Aikaisempi tutkimus on saanut ristiriitaisia tuloksia ilmaston lämpenemisen vaikutuksesta
ravinteisuuteen. Esimerkiksi Robinson et al. (1995), Hobbie (1996), Hobbie ja Chapin (1998)
ja Schmidt et al. (1999) havaitsivat vain hyvin pieniä muutoksia ravinteiden kierrossa
keinotekoisesti nostetun lämpötilan myötä, ja Nadelhoffer et al. (1991) havaitsivat suuria
muutoksia ravinteiden (typen) mineralisaatiossa vasta kun maaperän lämpötilat ylittivät 9 °C ja
kun keskimääräiset lämpötilat ylittyivät ja hajotus nopeutuu huomattavasti, kuten
tutkimuksessa tehdyssä simulaatioissa. Tässä tutkimuksessa jo puolen asteen lämpötilannousu
aiheutti muutoksia pintamaan geokemiassa. Keskilämpötila on siis kriittinen muuttuja ja sen
kynnysarvot säätelevät pintamaan geokemian pitoisuuksia ja alueellista jakaumaa. Tulosten
perusteella näyttäisi siltä, että kynnysarvona keskilämpötilojen nousun kannalta on kuitenkin
jo +1,5 °C ja typellä ja kalsiumilla jopa paikoin 0,5 °C, minkä jälkeen muutokset ovat vähäisiä.
Ilmasto on keskeinen maannosprosesseja, kuten rapautumista, orgaanisen aineksen tuotantoa ja
hajotusta nopeuttava tekijä, ja tämä tutkimus osoittaakin sen, että ilmastonmuutos kasvattaa
pintamaan ravinteisuutta (ks. myös Nadelhoffer et al. 1991; Hobbie 1996; Rustad et al. 2001;
Hobbie et al. 2002b). Tämän tutkimuksen simulaation tulokset ovat kuitenkin osittain
päinvastaisia nykykäsitykseen verrattuna, jonka mukaan lumisuus kasvattaa pintamaan
ravinteisuutta (Sturm et al. 2005; De Marco et al. 2011; Blok et al. 2015), sillä tässä
tutkimuksessa suurempi lumisuus vähensi ravinteisuutta. Nämä simuloinnit osoittavatkin, että
tulevat takaisinkytkentäilmiöt eivät tule olemaan yksiselitteisiä ja selkeitä, ja vielä on
epäselvää, miten muuttuva tundraympäristö vaikuttaa pintamaan geokemiaan.
64
11.4 Tutkimuksen luotettavuustarkastelu
Tutkimuksessa on niin koeasetelmaan kuin menetelmiin liittyviä haasteita.
Ensimmäiset
virhelähteet syntyvät kentällä näytteenotossa, jossa näytteen kontaminaatiomahdollisuus on
kaikista suurin ja jossa erot näytteidenottotavassa eri tutkijoiden välillä voivat olla suuria.
Näytteet on kerätty ekosysteemissä aktiivisessa kierrossa olevasta pintamaasta, joka voi olla
niin orgaanista kuin mineraalimaata, joiden välillä on suuria eroja kationinvaihtokapasiteetissa
ja maaperän happamuudessa (Hobbie ja Whittinghill 2012). Esimerkiksi orgaanisen kerroksen
hiilen on havaittu vähenevän tundralta metsänrajan alapuolelle siirryttäessä, mutta
mineraalimaahan sitoutuneen hiilen määrä kasvaa (Kammer et al. 2009; Hugelius ja Kuhry
2009). Koska näytteitä on kerätty sekä mineraali- että orgaanisesta kerroksesta, voi olla, että
mallit eivät tunnista säätelevien tekijöiden eroja. Toisaalta maaperänäytteissä saattaa olla
maaperää sekä huuhtoutumis- että rikastumishorisontista, jolloin podsolisaation vaikutus on
epäselvä. Pintamaan näyte kuuluu kuitenkin ottaa läheltä maanpintaa: esim. EU ottaa maaperää
koskevissa raporteissaan maaperän pintakerroksen näytteet 1–20 cm syvyydeltä (JRC 2013:5).
Koeasetelma on kattava korkeusgradientiltaan, mutta aineisto kerättiin kuivemmilta ja
karummilta alueilta, eikä kosteusgradientti kata kaikista kosteimpia olosuhteita, kuten
emäksisiä puronvarsia. On havaittu, että orgaanisen aineksen hajotusnopeus hidastuu, kun
maaperän kosteus on noin 30-50 % tai >100-150 % maaperän kuivapainosta (Haynes 1986),
eikä maaperän kosteudella ole mikrobisen hajotuksen kannalta suotuisia 50-100 %
kosteusarvoja tässä tutkimuksessa juuri ollenkaan. Toisaalta maaperän kosteus- ja
ravinnenäytteet kuvaavat vain tietyn hetken, keskikesän kasvukauden olosuhteita, jolloin
kasvillisuus on hyödyntänyt suuren osan ravinteista ja myös maaperän kosteus on alhaisinta
suurempien lämpötilojen johdosta. Vaikka maaperänäytteet on pyritty keräämään kasvukauden
huipun aikaan, keruuajankohdan kuukauden vaihtelu saattaa vaikuttaa tutkimustuloksiin.
Kallioperän vähäistä merkitystä selittää tutkimusalueen kallioperän happamuus ja
kallioperäaineiston heikko resoluutio. Tutkimusalueella ei NGU:n (2015a) mukaan ole todella
emäksisiä kivilajeja, kuten kalkkikiveä tai dolomiittia, joten voi olla, että emäksisyysgradientti
ei ole riittävän suuri siihen, että mallit tunnistaisivat sen ja geokemian välisen suhteen. Tässä
tutkimuksessa käytettyjen mallien soveltaminen muilla tundra-alueilla onkin mahdollista
erityisesti maaperän typen, fosforin, hiilen ja kalsiumin suhteen samankaltaisissa kuivissa ja
karuissa tundraympäristöissä, jota tutkimuksen aineisto edustaa.
65
Koeasetelman kosteusgradientin puutteellisuuden lisäksi myös koeasetelman otanta saattaa
selittää ongelmia mallinnuksessa. Lähekkäin sijaitsevien näytteiden välillä saattaa paikoin
esiintyä spatiaalista autokorrelaatiota (Legendre 1993). Näytteet on kuitenkin kerätty
epäsystemaattisesti yli 100 metrin päästä toisistaan, joten voidaan olettaa, ettei eri
näytepaikkojen ravinnepitoisuuksilla ole mitään spatiaalista yhteyttä, elleivät ne sijaitse purojen
läheisyydessä. Koeasetelman epäsystemaattinen otanta saattoi aiheuttaa sen, että esimerkiksi
topografian vaikutus jäi vähäiseksi, sillä koeasetelma ei ole niin kontrolloitu, että se pystyisi
tunnistamaan kattavasti ympäristön vaihtelua. Myös korkeusmallin resoluutio saattaa vaikuttaa
korkeusmallista johdettujen muuttujien ennustuskykyyn: 10 metrin resoluutio ei välttämättä
pystynyt tunnistamaan kaikkein pienipiirteisintä topografista vaihtelua.
Pintamaan geokemian selittäminen GBM- ja SEM-malleilla maisemamittakaavalla onnistui
vaihtelevasti. GBM-mallit, jotka koostuivat ilmastollisista, topografisista, hydrologisista ja
geologisista muuttujista ennustivat melko hyvin typen, fosforin, hiilen ja kalsiumin
pitoisuuksia, etenkin paljakalla. Näiden mallien avulla pistemäiset maaperähavainnot pystyttiin
kytkemään osaksi laajempia alueellisia ennusteita. Samojen ravinteiden ennustaminen SEMmallien avulla onnistui hyvin, minkä lisäksi maaperän rautapitoisuutta ennustavan SEM-mallin
selityskyky oli kohtalainen. SEM-mallit paljastuivatkin hyväksi menetelmäksi tutkia eri
mittakaavoilla ja eri vuorovaikutusketjujen kautta säätelevien mekanismien vaikutusta
pintamaan geokemiaa, mitä on tehty vasta vähän. Rakenneyhtälömalli on kuitenkin
teoriaorientoitunut lineaariseen regressioon perustuva malli, jossa tutkijan virhetulkinnat
teoriasta ja aineiston epälineaarisuus voivat aiheuttaa haasteita (Bollen 1989; Grace 2007).
Tässä tutkimuksessa käytettiin myös standardisoituja kovariansseja, joita on helpompi tulkita
ja vertailla, mutta standardisoimattomat kulmakertoimet voisivat kertoa enemmän muuttujien
välisistä suhteista (Grace ja Bollen 2005).
Rautapitoisuutta ja maaperän pH:ta ennustavat GBM- ja SEM-mallit olivat heikkoja ja niiden
vaihtelu oli satunnaisempaa. Syynä tähän on todennäköisesti se, että niitä säätelevät tekijät ja
prosessit
toimivat
eri
mittakaavoilla,
eikä
rauta-
ja
pH-malleissa
alueellinen
mittakaavatarkastelu erota kaikkia ilmiöitä ja trendejä (Miller ja Schaetzl 2016). Maaperän pH
vaihteli paljon pienellä etäisyydellä (ks. myös Valentine ja Binkley 1992; Gough et al. 2000;
Litaor 2002), ja sitä säätelevät todennäköisesti hyvin paikalliset, pienipiirteiset tekijät, kuten
maaperän lämpötila, maaperän tilavuuspaino tai kationinvaihtokapasiteetti, joita ei tässä
tutkimuksessa mitattu. Kuten muut tutkimukset ovat todenneet (ks. esim. Arnesen et al. 2007),
66
pelkkä pH ei riitä kuvaamaan maaperän kemiallista tilaa ainakaan happamissa ympäristöissä,
sillä sen alueellinen jakauma eroaa keskeisten ravinteiden alueellisesta jakaumasta. Esimerkiksi
kasvillisuutta mallinnettaessa on tyypillisesti käytetty vain maaperän happamuutta (esim.
Gough et al. 2000), joka ei kerro kaikkea pintamaan geokemiasta. Rautapitoisuuksia selittävien
mallien huono ennustekyky on yllättävää, sillä ilmaston tulisi kontrolloida podsolisaatiota
(Lundström et al. 2000), ja sitä kautta raudan alueellista jakaumaa hyvin voimakkaasti.
Kaikkien GBM-mallien selityskyky oli huomattavasti heikompi, kun ne tehtiin koko
tutkimusalueella olevalle gradientille tunturikoivikoista yläpaljakalle verrattuna vain paljakkaalueelle
tehtyihin
kalibrointimalleihin.
Ennustemalleissa
haluttiin
kuitenkin
pitää
tutkimusaineisto koko ekosysteemin kattavana, koska tällä hetkellä tutkimusta tehdään vain
vähän koko systeemin tasolla (ACIA 2005: 305). Paljakan ja tunturikoivikon geokemiaa
säätelevät tekijät ja prosessit siis eroavat toisistaan, vaikka niiden ravinnepitoisuuksissa ei ole
suuria eroja, mitä käsittelin kappaleessa 10.1.
Ilmastonmuutossimulaatio ei huomioi onnistuneesti lohkareikon synnyttämän ympäristön
huonoja mahdollisuuksia ravinteisuuden kasvulle. Simulaatiot ennustavat ravinteisuuden
kasvua tuntureiden huipuille, mikä on todellisuudessa ainakin tulevina vuosikymmeninä
mahdotonta, sillä niiltä puuttuu kokonaan maaperä ja ravinteet huuhtoutuvat herkästi laajoilta
rakkakivikoilta alemmas laaksoon. Lisäksi ilmastonmuutossimulaatio on tehty vain yhtä
muuttujaa simuloiden, vaikka useat eri ympäristötekijät ja niiden muutokset tulevat
aiheuttamaan tulevat takaisinkytkennät (Myers-Smith et al. 2012; Cornelissen et al. 2014).
Tärkeimmät muuttujat maaperän geokemian kannalta ovat maaperän kosteus, lämpötila ja
orgaanisen aineksen laatu, joista vain lämpötilan nämä simulaatiot huomioivat. Aikaisemmat
tutkimukset eivät ole saaneet yhtä selkeitä tuloksia, sillä esimerkiksi erot maaperän kosteudessa
ja orgaanisen aineksen laadussa ovat peittäneet suurempien lämpötilojen vaikutuksen (Schmiel
et al. 2004). Vaikka ilman lämpötilat nousevat, maaperän lämpötilat nousevat lievemmin,
jolloin muutokset orgaanisen aineksen hajotuksessa tapahtuvat hitaammin ja paikalliset
olosuhteet puskuroivat niitä (Robinson 2002).
67
11.5. Jatkotutkimusideat
Tutkimusta voidaan kehittää joko kasvattamalla aineistoa tai lähestymällä pintamaan
geokemiaa tarkemmin eri näkökulmista. Tunturikoivikosta tarvitaan enemmän näytteitä, jotta
mallit tunnistaisivat paremmin siellä tapahtuvaa vaihtelua. Lisäksi aineistoa tarvitaan lisää
kosteilta alueilta. Rauta- ja pH-mallien parantamiseen tarvitaan lisää paikallisia tekijöitä, kuten
orgaanisen aineksen laatu ja maaperän tilavuuspaino. Geologisen aineiston tarkennus parantaisi
myös todennäköisesti malleja: aineistoa paikallisesti vaihtelevasta kallioperästä tarvitaan, sillä
NGU:n aineisto on hyvin karkeamittakaavainen. Rauta- ja pH-mallien ongelmiin saattaisi myös
auttaa näytteiden kerääminen eri maannoshorisonteista (orgaaninen kerros, huuhtoutumiskerros
ja rikastumiskerros). Lisäksi orgaanisen hiilen tutkimuksessa kannattaisi mennä pintaa
syvemmälle: maaperän orgaanista hiiltä on varastoituneena pohjoisella sirkumpolaarisella
ikirouta-alueella erityisesti pintamaan alapuolella 61 % (Tarnocai et al. 2009). Ikirouta ja
aktiivisen kerroksen paksuus olisivatkin mielenkiintoisia muuttujia erityisesti orgaanisen hiilen
kannalta (Koven et al. 2013).
Oma näkökulmansa pintamaan geokemiatutkimukseen olisi kasvillisuuden (yksittäiset
happamoittavat lajit, kasviyhteisöt) rooli pintamaan geokemian säätelijänä, mutta siihen
vaaditaan erilainen lähestymistapa, sillä haasteena on muuttujien välinen vuorovaikutus:
pintamaan geokemia säätelee kasvillisuutta, mutta myös kasvillisuus muokkaa pintamaan
geokemiaa. Toisaalta pintamaan geokemiaa voisi tutkia koko ekosysteemin tasolla
vertailemalla terrestristen ja akvaattisten varastojen suuruutta ja niiden välisiä ainevirtoja.
12. Johtopäätökset
Tutkimus
käsittelee
monipuolisesti
pintamaan
geokemiaa
hyödyntäen
uusimpia
mallinnusmenetelmiä ja laajaa laboratoriossa analysoitua maaperäaineistoa. Maaperän
muuttujia kuvaavat kartat luodaan usein interpoloimalla tai hyvin karkealla mittakaavalla,
mutta tutkimukseni alueelliset ennusteet osoittavat, että maaperässä on paljon paikallista
vaihtelua, mitä nämä menetelmät eivät huomioi. Paikallinen vaihtelu pyrittiin ottamaan
huomioon alueellisen monimuuttujamallinnuksen keinoin. Pintamaan geokemiaa ennustettiin
GBM-malleilla, joissa selittävinä tekijöinä olivat ilmastomallista, korkeusmallista ja
kaukokartoituksesta johdetut aineistot, joiden pohjalta onnistuttiin luomaan kohtuullisen hyvät
alueelliset ennusteet pintamaan typelle, fosforille, hiilelle ja kalsiumille. Näiden ravinteiden
68
osalta tämä tutkimus voi toimia siltana paikallisen ja globaalin mittakaavan tutkimuksessa.
Samojen ravinteiden mallintaminen onnistui parhaiten myös SEM-malleilla, jotka todettiin
hyvin toimivaksi menetelmäksi maaperämallinnuksessa. Maaperän pH:ta ja rautapitoisuutta
selittävät mallit olivat heikkoja, ja ne tarvitsisivat mallinnuksessa todennäköisesti
paikallisempia ympäristötekijöitä selittäviksi tekijöiksi ja toisaalta vielä tarkemmin kerättyjä
maaperänäytteitä niin orgaanisesta kuin mineraalikerroksesta.
GBM- ja SEM-mallien tulosten perusteella havaittiin, että ilmasto on pintamaan geokemian
tärkein säätelijä kuivissa ja karuissa tundraympäristöissä (kuva 25; taulukko 10). Ilmasto
vaikuttaa pintamaan geokemiaan kuitenkin osin maaperän kosteuden kautta, jonka vaikutus voi
paikoin olla jopa ilmaston vaikutusta suurempi. Ilmasto synnyttää vain karkeat rajat prosessien
ja pintamaan geokemian vaihtelulle, mutta paikalliset tekijät aiheuttavat pintamaan
geokemiassa suurta vaihtelua ja voivat puskuroida ilmaston vaikutusta. Keskeisinä ilmaston ja
maaperän kosteuden sääteleminä prosesseina ovat orgaanisen aineksen kierto, hajotus ja
mineralisaatio sekä paikallisesti huuhtoutuminen (kuva 25).
Topografinen ja hydrologinen vaikutus pintamaan geokemiaan oli GBM-malleissa odotettua
vähäisempää, mutta aiheuttaa paikallista vaihtelua geokemiamuuttujissa, mikä näkyy
esimerkiksi suurten ravinnepitoisuuksien sijoittumisessa lounaisrinteille ja puronvarsille.
Kallioperän ja maaperän vaikutus geokemiaan on vähäinen, ja kallioperän emäksisyys vaikutti
ravinteista ainoastaan rautapitoisuuteen indikoiden rapautumisen vähäisempää merkitystä
pintamaan geokemian kannalta. Ympäristötekijöiden ja pintamaan geokemian välinen suhde
vaihteli eri ravinteilla ja pH:lla NMDS-analyysin sekä GBM- ja SEM-mallien perusteella:
pintamaan hiili, typpi, kalsium ja osin fosfori reagoivat samankaltaisesti ympäristötekijöiden
vaihteluun raudan ja pH:n käyttäytyessä eri tavalla. Raudalla ja pH:lla topografisten tekijöiden
merkitys oli GBM-malleissa suurempi kuin muilla ravinteilla, mutta maaperän kosteuden
vaikutus oli vähäisempi SEM-malleissa. Fosfori taas käyttäytyi GBM-malleissa osin samaan
tapaan kuin typpi, hiili ja kalsium, mutta SEM-malleissa ilmaston kontrolloima NPP ei
säädellyt sitä yhtä vahvasti kuin muita geokemiamuuttujia johtuen sen stabiilisuudesta.
69
Kuva 25. Pintamaan geokemiaa selittävät tärkeimmät tekijät ja prosessit tämän tutkimuksen
mukaan. Kuvaaja muuttui teoriaan perustuvasta kuvaajasta (kuva 9) siinä, että geologian ja
topografian roolit olivat pienemmät ja ilmaston suora vaikutus oli odotettua suurempi.
Taulukko 10. Kuvaajaa 25 tarkentava taulukko, jossa on kuvattuna ympäristötekijäryhmien
tässä tutkimuksessa käsiteltyjen yksittäisten tekijöiden vaikutus maaperän geokemiaan.
Tutkimuksen perusteella on kuvattu ympäristötekijöiden tärkeimmät biokemiallisfysikaaliset
prosessit, ympäristötekijöiden ja geokemian keskimääräinen suhde ja tekijöiden ja prosessien
säätelemät geokemiamuuttujat ( > kuvastaa suurempaa herkkyyttä).
Ympäristötekijät
Ilmasto
Lämpötila ja sadanta
Topografia
Säteily
Rinteen sijainti
Mikrotopografia
Topografinen kosteus
Lumisuus
Geologia
Kallioperä
Maaperä
Maaperän paikalliset
tekijät
Maaperän kosteus
Orgaanisen aineksen
määrä
Tekijöiden säätelemät
biokemiallisfysikaaliset
prosessit
orgaanisen aineksen kerrostuminen,
hajotus, mineralisaatio
orgaanisen aineksen kerrostuminen,
hajotus, mineralisaatio
kulutus, kuljetus, kasaus,
huuhtoutuminen
kulutus, kuljetus, kasaus,
huuhtoutuminen
kaikki biokemiallisfysikaaliset
prosessit
orgaanisen aineksen kerrostuminen,
hajotus, mineralisaatio,
huuhtoutuminen
Pintamaan
geokemian ja
ympäristötekijän
välinen suhde
Ympäristötekijän
suhteellinen
merkitys eri
geokemiamuuttujiin
yksihuippuinen
C, Ca, N > P > Fe, pH
nouseva
C, P, pH > N, Ca, Fe
pääosin laskeva
Fe > Ca > N, P, C, pH
pääosin laskeva
Ca, N > P, C > Fe, pH
yksihuippuinen
Fe, pH, P > N, C, Ca
laskeva
C, Ca, Fe, pH > N, P
nouseva
rapautuminen
huuhtoutuminen, podsolisaatio
orgaanisen aineksen kerrostuminen,
hajotus, mineralisaatio,
huuhtoutuminen
orgaanisen aineksen kerrostuminen,
hajotus, mineralisaatio
Fe > N, P, C, Ca, pH
-
pH
yksihuippuinen
N, P, C > Ca > Fe, pH
yksihuippuinen
C, Ca, N > P > Fe, pH
70
Selittävien tekijöiden vaikutus näkyi kaikissa GBM-malleilla luoduissa ravinteiden
ennustemalleissa: ravinnepitoisuudet olivat alhaisia kylmillä ja karuilla tunturien huipuilla ja
suuria rehevissä jokilaaksoissa. Hiilen, typen ja kalsiumin alueelliset jakaumat olivat
samankaltaisia, mutta fosforilla vaihtelu oli pienempää. Ylänköalueilla ravinteisuus oli
vaihtelevaa tai huuhtoutumisen takia paikoin alhaista. Pintamaan geokemia vaihteli eniten
tunturikoivikossa, minkä taustalla ovat todennäköisesti erot orgaanisen aineksen laadussa, sillä
tunturikoivikon kasvillisuus vaihtelee suuresti puuvartisten ja ruohovartisten kasvien välillä.
Alueelliset ennusteet eivät pystyneetkään tunnistamaan selittävien tekijöiden ja tunturikoivikon
havaittujen ravinnepitoisuuksien välillä yhtä selkeitä yhteyksiä kuin paljakalla.
Pintamaan geokemian alueellinen jakauma saattaa muuttua, mikäli ilmastonmuutos voimistuu.
Pintamaan hiilen, typen ja kalsiumin pitoisuudet kasvoivat, kun keskilämpötilaa nostettiin ja
lumisuutta vähennettiin GBM-malleilla tehdyssä ilmastonmuutossimulaatiossa. Suurimmat
muutokset pintamaan geokemiassa tapahtuivat etenkin tunturien huipuilla ja laaksoissa
kynnysarvon, jossa suurimmat muutokset tapahtuivat ollessa +1,5 °C. Simulaatioissa mukana
olleista ravinteista maaperän hiilen jakauma muuttui eniten, eli sen lämpötilaherkkyys oli
suurinta. Lumisuuden muutokset aiheuttivat pienempiä muutoksia mutta suurempaa pintamaan
ravinteisuuden vaihtelua verrattuna ilmaston lämpenemiseen, mikä kuvaa sitä, että muutokset
eivät ole suoraviivaisia ja niissä voi olla paljon paikallista vaihtelua.
Pintamaan geokemian tutkiminen ja mallintaminen maisemamittakaavalla onnistui hyvin,
mutta tutkimuksessa oli myös haasteita liittyen näytteiden keruuseen, koeasetelmaan,
tunturikoivikon paikalliseen vaihteluun sekä raudan ja pH:n satunnaiseen vaihteluun. Erityisesti
pintamaan typen, fosforin, hiilen ja kalsiumin paikalliset havainnot onnistuttiin kytkemään
laajempiin alueellisiin ennusteisiin. Lisätutkimusta pintamaan geokemian vaihtelusta, sitä
säätelevistä tekijöistä ja prosesseista sekä ilmastonmuutoksen vaikutuksista tarvitaan, jotta
pintamaan geokemian vaihtelu eri mittakaavoilla ymmärretään paremmin.
71
13. Kiitokset
Kiitän ohjaajaani Miska Luotoa kannustavasta ohjauksesta ja opettavaisista keskusteluista.
Suuret kiitokset Maa- ja vesitekniikan tuki ry:lle, Societas pro Fauna et Flora Fennicalle ja
Ympäristön ystävät ry:lle apurahoista, jotka mahdollistivat kenttätyöskentelyn ja täyspäiväisen
tutkielman kirjoittamisen. Lisäksi kiitän luonnonmaantieteen tutkimusryhmää, jonka kanssa
keräsin tutkielman aineistoa ja jotka auttoivat tutkielman teossa. Laboratorioanalyyseistä
haluan kiittää Elina Puhjoa, joka analysoi kanssani maaperänäytteitä ja auttavaista
laboratoriohenkilökuntaa Juhani Virkasta, Hanna Reijolaa ja Tuija Vaahtojärveä.
72
Lähteet
Aalto, J. & M. Luoto (2014). Integrating climate and local factors for geomorphological
distribution models. Earth Surface Processes and Landforms. doi: 10.1002/esp.3554.
Aalto, J., P. C. le Roux & M. Luoto (2014). The meso-scale drivers of temperature extremes
in high-latitude Fennoscandia. Climate Dynamics 42, 237–252.
Aber, J. D. & J. M. Melillo (2001). Terrestrial ecosystems. 2. painos. Academic press, San
Diego, USA.
ACIA (2005). Arctic Tundra and Polar Desert Ecosystems. 243–352 s. Teoksessa Arctic
Climate Impact Assessment. C. Symon, L. Arris & B. Heal (toim.). Cambridge
University Press, New York.
Aerts, R., T. V. Vallaghan, E. Dorrepaal, R. S. P. van Logtestijn & J. H. C. Cornelissen
(2012). Seasonal climate manipulations have only minor effects on decomposition rates
and N dynamics but strong effects on litter P dynamics of sub-arctic bog species.
Oecologia 170, 809–810.
Aitkenhead, M. J., M. Coull, W. Towers, G. Hudson & H. I. J. Black (2013). Prediction of soil
characteristics and colour using data from the National Soils Inventory of Scotland.
Geoderma 200–201, 99–107.
Arnesen, G., P. S. A. Beck & T. Engelskjon (2007). Soil acidity, content of carbonates and
available phosphorus are the soil factors best correlated with alpine vegetation:
Evidence from Troms, North Norway. Arctic, Antarctic and Alpine Research 39, 189–
199.
Baumann, F., J-S. He, K. Schmidt, P. Kühn & T. Scholten (2009). Pedogenesis, permafrost,
and soil moisture as controlling factors for soil nitrogen and carbon contents across the
Tibetan Plateau. Global Change Biology 15, 3001–3017.
Begueira, S., V. Spanu, A. Navas, J. Machin & M. Angulo-Martinez (2013). Modeling the
spatial distribution of soil properties by generalized least squares regression: Toward a
general theory of spatial variates. Journal of Soil and Water Conservation 68, 172–184.
Benayas, J. M. R., M. G. Sachez-Colomer & A. Escudero (2004). Landscape- and field-scale
control of spatial variation of soil properties in Mediterranean montane meadows.
Biogeochemistry 69, 297–225.
Berg, B. (2000). Litter decomposition and organic matter turnover in northern forest soils.
Forest Ecology and Management 133, 13–22.
Billings, W. D. (1973). Arctic and Alpine Vegetations: Similarities, Differences, and
Suspectibility to Disturbance. BioScience 23, 697–704.
Billings, W. D. & H. A. Mooney (1968). The Ecology of Arctic and Alpine Plants.
Biological Reviews 43, 481–529.
73
Blok, D., B. Elberling & A. Michelsen (2015). Initial stages of tundra shrub litter
decomposition may be accelerated with deeper winter snow but slowed down by spring
warming. Ecosystems. doi: 10.1007/s10021-015-9924-3.
Bockheim, J. G. (2007). Importance of cryoturbation in redistributing organic carbon in
permafrostaffected soils. Soil Science Society of American Journals 71, 1335–1342.
Bockheim, J. G., A. N. Gennadiyev, R. D. Hammer & J. P. Tandarich (2005). Historical
development of key concepts in pedology. Geoderma 2005, 23–36.
Bockheim, J. G. & A. N. Gennadiyev (2000). The role of soil-forming processes in the
definition of taxa in Soil Taxonomy and the World Soil Reference Base. Geoderma 95,
53–72.
Boehner, J., R. Koethe, O. Conrad, J. Gross, A. Ringeler & T. Selige (2002): Soil
Regionalisation by Means of Terrain Analysis and Process Parameterisation. Teoksessa
Soil Classification 2001. E. Micheli, F. Nachtergaele, L. Montanarella (toim.).
European Soil Bureau, Research Report 7, EUR 20398. Luxembourg. 213-222 s.
Bokhorst, S., J. W. Berke, J. Melillo, T. V. Callaghan & G. K. Phoenix (2010). Impacts of
extreme winter warming events on litter decomposition on sub-Arctic heathland. Soil
Biology & Biochemistry 42, 611–617.
Bollen, K. A. 1989. Structural equations with latent variables. John Wiley and Sons, New
York, USA. 528 s.
Bowman, W. D. (1992). Inputs and Storages of Nitrogen in Winter Snowpack in an Alpine
Ecosystem. Arctic and Alpine Research 24, 211–215.
Breimann, L., J. Friedman, R. Ohlsen & C. Stone (1984). Classification and Regression Trees.
CRC Press, Belmont, CA, Wadsworth. 358 s.
Brooks, P. D. & M. W. Williams (1999). Snowpack controls on nitrogen cycling and export in
seasonally snow-covered catchments. Hydrological processes 13, 2177–2190.
Brubaker, S. C., A. J. Jones, D. T. Lewis & K. Frank (1993). Soil properties associated with
landscape position. Soil Science of America Journal 57, 235–239.
Burke, I. C. (1989). Control of nitrogen mineralization in a sagebrush steppe landscape.
Ecology 70, 1115–1126.
Burnham, J. H. & R. S. Sletten (2010). Spatial distribution of soil organic carbon in northwest
Greenland and underestimates of high Arctic carbon stores. Global Biogeochemical
Cycles 24, GB3012. doi:10.1029/2009GB003660.
Buurman, P. & A. G. Jongmans (2005). Podzolisation and soil organic matter dynamics.
Geoderma 125, 71–83.
74
Caine, N. (2001). Geomorphic Systems of Green Lakes Valley. Teoksessa Structure and
Function of an Alpine Ecosystem. W. D. Bowman, T. R. Seastedt (toim.) Oxford
University Press, New York. 1. painos. 45–74 s.
Chapin III, F. S., P. A. Matson & P. Vitousek (2012). Principles of Terrestrial Ecosystems.
Springer-Verlag, New York. 2. Painos. 529 s.
Chapin III F. S., M. Sturm, M. Serreze, J. McFadden, J. Key, A. Lloyd, A. McGuire, T. Rupp,
A. Lynch, J. Schimel, J. Beringer, W. Chapman, H. Epstein, E. Euskirchen, L.
Hinzman, G. Jia, C. Ping, K. Tape, C. Thompson, D. Walker & J. Welker (2005). Role
of the landsurface changes in arctic summer warming. Science 310, 657–660.
Chapin III, F. S., G. R. Shaver, A. E. Giblin, K. J. Nadelhoffer & J. A. Laundre (1995).
Responses of arctic tundra to experimental and observed changes in climate. Ecology
76, 694–711.
Chen, Z. S., C. F. Hsieh, F.Y. Jiang, T. G. Hsieh & I. F. Sun (1997). Relations of soil
properties to topography and vegetation in a subtropical rain forest in southern Taiwan.
Plant Ecology 132, 229–241.
Cornelissen, J. H. C & K. Makoto (2014). Winter climate change, plant traits and nutrient and
carbon cycling in cold biomes. Ecological Research 29, 517–527.
Cornelissen J. H., C., P. M. van Bodegom R. Aerts, T. V. Callaghan, R. S. van Logtestijn, J.
Alatalo, F. S. Chapin, R. Gerdol, J. Gudmundsson, D. Gwynn-Jones, A. E. Hartley, D.
S. Hik, A. Hofgaard, I. S. Jonsdottir, S. Karlsson, J. A. Klein, J. Laundre, B.
Magnusson, A. Michelsen, U. Molau, V. G. Onipchenko, H. M. Quested, S. M.
Sandvik, I. K. Schmidt, G. R. Shaver, B. Solheim, N. A. Soudzilovskaia, A. Stenström,
A. Tolvanen, O Totland, N. Wada, J. M. Welker, X. Zhao & M. O. L. Team (2007).
Global negative vegetation feedback to climate warming responses of leaf litter
decomposition rates in cold biomes. Ecology Letters 10, 619–627.
Conant, R. T., M. G. Ryan, G. I. Ågren, H. E. Birge, E. A. Davidson, P. E. Eliasson, S. E.
Evans, S. D. Frey, C. P. Giardina, F. M. Hopkins, R. Hyvönen, M. Y. F. Kirschbaum, J.
M. Lavallee, J. Leifeld, W. J. Parton, J. M. Steinweg, M. D. Wallenstein, J. Å.
Wetterstedt & M. A. Bradford (2011). Temperature and soil organic matter
decomposition rates – synthesis of current knowledge and a way forward. Global
Change Biology 17, 3392–3404.
Darmody, R. G., C. E. Thorn, R. L. Harder, J. P. L. Schlyter & J. C. Dixon (2000).
Weathering implications of water chemistry in an arctic-alpine environment, northern
Sweden. Geomorphology 34, 89–1000.
Davidson, E. A. & I. A. Janssens (2006). Temperature sensitivity of soil carbon
decomposition and feedbacks to climate change. Nature 440, 165–172.
De'Ath, G. (2007). Boosted trees for ecological modeling and prediction. Ecology 88, 243–
251.
75
Debella-Gilo, M. & B. Etzmüller (2009). Spatial prediction of soil classes using digital
terrains analysis and multinomial logistic regression modeling integrated in GIS:
Examples from Vestfold County, Norway. Catena 77, 8–18.
DeMarco, J., M. C. Mack & M. S. Bret-Harte (2011). The effects of snow, soil,
microenvironment, and soil organic matter quality on N availability in three Alaskan
arctic plant communities. Ecosystems 14, 804–817.
Dokuchaev, V. V. (1883). The Russian Chernozem. Käännetty Kaner, N. Israel Program for
Scientific Translations, Jerusalem.
Dormann C.F., J. Elith, S. Bacher, C. Buchmann, G. Carl, G. Carré, J. R. García Marquéz, B.
Gruber, B. Lafourcade, P.J. Leitão, T. Münkemüller, C. McClean, P. E. Osborne, B.
Reineking, B.Schröder, A. K. Skidmore, D. Zurell & S. Lautenbach (2012).
Collinearity: a review of methods to deal with it and a simulation study evaluating their
performance. Ecography 35, 1–20.
Dorrepaal E., S. Toet, R. S. P. Van Logtestijn, E. Swart, M. J. Van de Weg, T. V. Callaghan &
R. Aerts (2009). Carbon respiration from subsurface peat accelerated by climate
warming in the subarctic. Nature 460, 616–619.
Dörfer C., P. Kühn, F. Baumann, J-S. He & T. Scholten (2013). Soil organic carbon pools and
stocks in permafrost-affected soils on the Tibetan plateau. PLoS ONE 8.
doi:10.1371/journal.pone.0057024.
EC (2002). European Commission Decision of 12 August 2002 implementing Council
Directive 96/23/EC concerning the performance of analytical methods and the
interpretation of results. L221/8. 29 s.
Egli, M., M. Wernli, C. Kneisel & W. Haeberli (2006). Melting glaciers and soil development
in the proglacial area Morteratsch (Swiss Alps): I. Soil Type Chronosequence. Arctic,
Antarctic, and Alpine Research 38, 499–509.
Ehder, T. (2005). Kemian metrologian opas. Metrologian neuvottelukunta. J6/2005. 65 s.
Ehrenfeld, J., G. Ravit & B. K. Elgersma (2005). Feedback in the Plant-Soil System. Annual
Reviews. Environmental Resources 30, 75–115.
Eisenhauer, N., M. A. Bowker, J. B. Grace & J. R. Powell (2015). From patterns to causal
understanding: Structural equation modeling in soil ecology. Pedobiologia - Journal of
Soil Ecology 58, 65–72.
Elith, J., J. R. Leathwick & T. Hastie (2008). A working guide to baasted regression trees.
Journal of Animal Ecology 77, 802–813.
76
Elith, J., C. H. Graham, R. P. Anderson, M. Dudík, S. Ferrier, A. Guisan, R. J. Hijmans, F.
Huettmann, J. R. Leathwick, A. Lehmann, J. Li, L. G. Lohmann, B. A. Loiselle, G.
Manion, C. Moritz, M. Nakamura, Y. Nakazawa, J. M. Overton, A. T. Peterson, S. J.
Phillips, K. Richardson, P. Scachetti-Pereira, R. E. Schapire, J. Soberon, S. Williams,
M. S. Wisz & N. E. Zimmermann (2006). Novel methods improve prediction of
species’ distributions from occurrence data. Ecography 29, 129–151.
Ellis, J. H. (1938). The Soils of Manitoba. Manitoba economic Survey Board. Winnipeg,
Manitoba.
Eskelinen A. (2008) Herbivore and neighbour effects on tundra plants depend on species
identity, nutrient availability and local environmental conditions. Journal of Ecology 96,
155–165.
Eskelinen A., S. Stark & M. Männistö (2009). Links between plant community composition,
soil organic matter quality and microbial communities in contrasting tundra habitats.
Oecologica 161, 113–123.
ESRI (2015a). ArcScene. Esri. Redlands, California.
ESRI (2015b). ArcMap 10.2. Spatial Analyst - Curvature. Esri, Redlands, California.
Fahnestock, J. T., M. H. Jones & J. M. Welker (1999). Wintertime CO2 efflux from Arctic
soils: Implications for annual carbon budgets. Global Biogeochemical Cycles 13, 775–
779.
FAO & ITPS (2015). Status of the World’s Soil Resources (SWSR) – Main Report. Food and
Agriculture Organization of the United Nations and Intergovernmental Technical Panel
on Soils. Italia, Rooma. 648 s.
Fierer, N., J. Craine, K. McLauchlan & J. P. Schimel. (2005). Litter quality and the
temperature sensitivity of decomposition. Ecology 86, 320–326.
Fisk, M. C., S. K. Schmidt & T. R. Seastedt (1998). Topographic Patterns of Above- and
Belowground Production and Nitrogen Cycling in Alpine Tundra. Ecology 79, 2253–
2266.
French, H. M. (2007). The Periglacial Environment. John Wiley & Sons, Ltd. Chichester. 3.
painos. 478 s.
Freppaz, M., M. W. Williams, T. Seastedt & G. Filippa (2012). Response of soil organic and
inorganic nutrients to a 16-year factorial snow and N-fertilization experiment, Colorado
Front Range, USA. Applied Soil Ecology 62, 131–141.
Freund, Y. & R. E. Schapire (1996). Experiments with a new boosting algorithm. Machine
Learning: Proceedings of Thirteenth International Conference, 148–156.
Friedman, J. H. (2001). Greedy Function Approximation: A gradient boosting machine.
Annals of Statistics 29, 1189–1232.
77
Gensac, P. (1990). Plant and soil groups in the alpine grasslands of Vanoise Massif, French
Alps. Arctic and Alpine Research 22, 195–201.
Gessler, P. E., O. A. Chadwik, F. Chamran, L. Althouse & K. Holmes (2000). Modeling soillandscape and ecosystem properties using terrain attributes. Soil Science Society of
American Journal 64, 2046–2056.
Giblin, A. E., K. J. Nadelhoffer, G. R. Shaver, J. A. Laundre & A. J. McKerrow (1991).
Biogeochemical Diversity Along a Riverside Toposequence in Arctic Alaska.
Ecological Monographs 61, 415–435.
Goetz, S. J., A. G. Bunn, G. J. Fiske & R. A. Houghton (2005). Satellite-observed
photosynthetic trends across boreal North America associated with climate and fire
disturbance. Proceedings of the National Academy of Sciences 102, 13521–13525.
Goovaerts, P. (1999). Geostatistics in soil science: state-of-the-art and perspectives.
Geoderma 89, 1–45.
Gorham, E. (1991). Northern peatlands: role in the carbon cycle and probable responses to
climatic warming. Ecological Applications 1, 182–195.
Goryachkin, S. V., N. A. Karavaeva, V. O. Targulian & M. V. Glazov (1999). Arctic soils:
spatial distribution, zonality and transformation due to global change. Permafrost and
periglacial processes 10, 235–250.
Gough, L., G. R. Shaver, J. Carroll, D. L. Royer & J. A. Laundre (2000). Vascular plant
species richness in Alaskan arctic tundra: The importance of soil pH. Journal of
Ecology 88, 54–66.
Grace, J. B., T. M. Anderson, E. W. Seabloom, E. T. Borer, P. B. Adler, W. S. Harpole, Y.
Hautier, H. Hillebrand, E. M. Lind, M. Pärtel, J. D. Bakker, Y. M. Buckley, M. J.
Crawley, E. L. Damschen, K. F. Davies, P. A. Fay, J. Firn, D. S. Gruner, A. Hector, J.
M. H. Knops, A. S. MacDougall, B. W. Melbourne, J. W. Morgan, J. L. Orrock, S. M.
Prober & M. D. Smith (2016). Integrative modelling reveals mechanisms linking
productivity and plant species richness. Nature 529, 390–393.
Grace, J. B. (2015). Taking a systems approach to ecological systems. Journal of Vegetation
Science 26, 1025–1027.
Grace, J. B., D. R. Jr. Schoolmaster, G. R. Guntenspergen, A. M. Little, B. R. Mitchell, K. M.
Miller & E. W. Schweiger (2012). Guidelines for a graph-theoretic implementation of
structural equation modeling. Ecosphere 3, 1–44.
Grace, J. B., T. M. Anderson, H. Olff & S. M. Scheiner (2010). On the specification of
structural equation models for ecological systems. Ecological Monographs 80, 67–87.
Grace, J. B. & K. A. Bollen (2008). Representing general theoretical concepts in structural
equation models: the role of composite variables. Environmental and Ecological
Statistics 15, 191–213.
78
Grace, J. B. (2007). Structural equation modeling for observational studies. Journal of Wildlife
Management 72, 14–22.
Grace, J. B. & K. A. Bollen (2005). Interpreting the results from multiple regression and
structural equation models. Bulletin of the Ecological Society of America 86, 283–295.
Graham, C. H., J. Elith, R. J. Hijmans, A. Guisan, A. T. Peterson, B. A. Loiselle & 'NCEAS,
Predicting Distributions Working Group' (2008). The influence of spatial errors in
species occurence data used in distribution models. Journal of Applied Ecology 45,
239–247.
Grinand, C., D. Arrouays, B. Laroche & M. P Martin (2008). Extrapolating regional soil
landscapes from an existing soil map: Sampling intensity, validation procedures, and
integration of spatial context. Geoderma 143, 180–190.
Grogan, P., A. Michelsen, P. Ambus & S. Jonasson (2004). Freeze–thaw regime effects on
carbon and nitrogen dynamics in sub-arctic heath tundra mesocosms. Soil Biology and
Biochemistry 36, 641–654.
Grosse, G., J. Harden, M. Turetsky, A. D. McGuire, P. Camill, C. Tarnocai, S.Frolking, E. A.
G. Schuur, T. Jorgenson, S. Marchenko, V. Romanovsky, K. P Wickland, N. French, M.
Waldrop, L. Bourgeau-Chavez & R. G. Striegl (2011). Vulnerability of high-latitude
soil organic carbon in North America to disturbance. Journal of geophysical research
116, G00K06. doi:10.1029/2010JG001507.
Guisan, A., S. B. Weiss & A. D. Weiss (1999). GLM versus CCA spatialmodeling of plant
species distribution. Plant Ecology 143, 107–122.
Hall, D. K., G. A. Riggs & V. V. Salomonson (1995). Development of methods for mapping
global snow cover using moderate resolution imaging spectroradiometer data. Remote
Sensing of Environment 54, 127–140.
Holtan, H., L. Kamp-Nielsen & A. O. Stuanes (1988). Phosphorous in soil, water, and
sediment – An overview. Hydrobiologia 170, 19–34.
Hartley, I. P., M. H. Garnett, M. Sommerkorn, D. W. Hopkins, B. J. Fletcher, V. L. Sloan, G.
K. Phoenix & P. A. Wookey (2012). A potential loss of carbon associated with greater
plant growth in the European Arctic. Nature Climate Change 2, 875–879.
Heung, B., H. C. Ho, J. Zhang, A. Knudby, C. E. Bulmer & M. G. Schmidy (2016). An
overview and comparison of machine-learning techniques for classification purposes in
digital soil mapping. Geoderma 265, 62–77.
79
Hinzman, L., N. D. Bettez, W. R. Bolton, F. S. Chapin, M. B. Dyurgerov, C. L. Fastie, B.
Griffith, R. D. Hollister, A. Hope, H. P. Huntington, A. M. Jensen, G. J., Jia, T.
Jorgenson, D. L. Kane, D. R. Klein, G. Kofinas, A. H. Lynch, A. H. Lloyd, A. D.
McGuire, F. E. Nelson, W. C. Oechel, T. E. Osterkamp, C. H. Racine, V. Romanovsky,
R. S. Stone, D. A. Stow, M. Sturm, C. E. Tweedie, G. L. Vourlitis, M. D. Walker, D. A.
Walker, P. J. Webber, J. M. Welker, K. S. Winker& K. Yoshikawa (2005). Evidence
and implications of recent climate change in northern Alaska and other arctic regions.
Climatic Change 72, 251–298.
Hjulstrøm, F. (1939). Transportation of debris by moving water, in Trask, P.D., ed., Recent
Marine Sediments; A Symposium: Tulsa, Oklahoma, American Association of
Petroleum Geologists, 5–31 s.
Hobara, S., K. Koba, A. E. Giblin, K. Kushida & G. S. Shaver (2013). Geochemical
influences on solubility of soil organic carbon in arctic tundra ecosystems. Soil Science
Society of America Journal 77, 473–481.
Hobbie, S. E. & L. Gough (2004). Litter decomposition in moist acidic and non-acidic tundra
with different glacial histories. Ecosystem Ecology, 113–124.
Hobbie, S. E. & L. Gough (2002). Foliar and soil nutrients in tundra on glacial landscapes of
contrasting ages in northern Alaska. Oecologia 131, 453–462.
Hobbie, S. E., K. J. Nadelhoffer & P. Högberg (2002a). A synthesis: The role of nutrients as
constraints on carbon balance in boreal and arctic regions. Plant and Soil 242, 163–170.
Hobbie, S. E., T. A. Miley & M. S. Weiss (2002b). Carbon and nitrogen cycling in soils from
acidic and nonacidic tundra with different glacial histories in northern Alaska.
Ecosystems 5, 761–774.
Hobbie, S. E., J. P. Schmiel, S. E. Trumbore & J. R. Randerson (2000). Controls over carbon
storage and turnover in high-latitude soils. Global Change Biology 6, 196–210.
Hobbie, S. E. & F. S. Chapin III (1998). The response of tundra plant biomass, aboveground
production, nitrogen, and CO2 flux to experimental warming. Ecology 79, 1526–1544.
Hobbie, S. E. (1996). Temperature and plant species control over litter decomposition in
Alaskan tundra. Ecological Monographs 66, 503–522.
Hobbie, S. E. (1992). Effects of plant species on nutrient cycling. Trends in Ecology and
Evolution 7, 336–339.
Hook, P. B. & I. C. Burke (2000). Biogeochemistry in a shortgrass landscape: control by
topography, soil texture, and microclimate. Ecology 81, 2686–2703.
Hu, L.-T., & P. Bentler (1995). Evaluating model fit. Teoksessa Structural Equation
Modeling. Concepts, Issues, and Applications. R. H. Hoyle (toim). London, Sage. 76–
99 s.
80
Hugelius, G., T. Virtanen, D. Kaverin, A. Pastukhov, F. Rivkin, S. Marchenko, V.
Romanovsky & P. Kuhry (2011). High-resolution mapping of ecosystem carbon storage
and potential effects of permafrost thaw in periglacial terrain, European Russian Arctic.
Journal of Geophysical Research 116, 1–14.
Hugelius, G. & P. Kuhry (2009). Landscape partitioning and environmental gradient analyses
of soil organic carbon in a permafrost environment. Journal of Biogeochemical Cycles
23, GB3006. doi:10.1029/2008GB003419.
Huntley, B., A. J. Long & J. R. M. Allen (2013). Spatio-temporal pattern in Lateglacial and
Holocene vegetation and climate of Finnmark, northernmost Europe. Quaternary
Science Reviews 70, 158–175.
IPCC (2013a). Long-term climate change: Projections, commitments and irreversibility.
Teoksessa Climate Change 2013: The Physical Science Basis. Contribution of Working
Group I to the Fifth Assessment Report of the Intergovernmental Panel on Climate
Change. T.F. Stocker, D. Qin, G.-K. Plattner, M. Tignor, S. K. Allen, J. Doschung, A.
Nauels, Y. Xia, V. Bex & P. M. Midgley (toim.). Cambridge University Press,
Cambridge ja New York. 1029–1136 s.
IPCC (2013b). Observations: Atmosphere and Surface. Teoksessa Climate Change 2013: The
Physical Science Basis. Contribution of Working Group I to the Fifth Assessment
Report of the Intergovernmental Panel on Climate Change. T.F. Stocker, D. Qin, G.-K.
Plattner, M. Tignor, S. K. Allen, J. Doschung, A. Nauels, Y. Xia, V. Bex & P. M.
Midgley (toim.). Cambridge University Press, Cambridge ja New York. 159–254 s.
IPCC (2013c). Cryosphere. Teoksessa Climate Change 2013: The Physical Science Basis.
Contribution of Working Group I to the Fifth Assessment Report of the
Intergovernmental Panel on Climate Change. T.F. Stocker, D. Qin, G.-K. Plattner, M.
Tignor, S. K. Allen, J. Doschung, A. Nauels, Y. Xia, V. Bex & P. M. Midgley (toim.).
Cambridge University Press, Cambridge ja New York. 317–382 s.
ISO 10390 (2005). Soil quality – Determination of pH. 7 s.
Jalabert, S. S. M., M. P. Martin, J.-P. Renaud, L. Boulonne, C. Jolivet, L. Montanarella & D.
Arrouays (2010). Estimating forest soil bulk density using boosted regression
modelling. Soil Use and Management 26, 516–528.
Jenny, H. (1941). Factors of Soil Formation: A System of Quantitative Pedology. Dover
Publications, Inc, New York. 281 s.
Jia, G. J., H. E. Epstein & D. A. Walker (2003). Greening of the arctic Alaska, 1981-2001.
Geophysical Research Letters 30, 31-33.
Johnson, K. D., J. Harden, A. D. McGuire, N. B Bliss, G. G. Bockheim, M. Clark, R.
Nettleton-Hollingsworth, M. T. Jorgenson, E. S. Kane, M. Mack, J. O’Donnell, C-L.
Ping, E. A. G. Schuur, M. R. Turetsky & D. W. Valentine (2011). Soil carbon
distribution in Alaska in relation to soil-forming factors. Geoderma 167-168, 71–84.
81
Jonasson, S. (1986). Influence of frost heaving on soil chemistry and on the distribution of
plant growth forms. Geografiska Annaler, Series A. Physical Geography 68, 185–195.
Jonasson, S. & S. E. Sköld (1983). Influence of Frost Heaving on Vegetation and Nutrient
Regime of Polygon-Patterned Grouns. Vegetatio 53, 97–112.
Jonasson, S., F.S. Chapin III & G.R. Shaver, 2001. Biogeochemistry in the Arctic: patterns,
processes and controls. Teoksessa Global Biogeochemical Cycles in the Climate
System. E.-D. Schulze, M. Heimann, S.P. Harrison, E.A. Holland, J.J. Lloyd, I.C.
Prentice and D. Schimel (toim.). Academic Press. 139–150 s.
Jonsson, M. & D. A. Wardle (2009). Structural equation modelling reveals plant-community
drivers of carbon storage in boreal forest ecosystems. Biological Letters. doi:
10.1098/rsbl.2009.0613.
JRC European Commission. Institute for Environment (2010). Soil Atlas of the Northern
Circumpolar Region: an initiative of the European Union to support the International
Polar Year. A. Jones, V. Stolbovoy, C. Tarnocai, G. Broll, O. Spaargaren & L.
Montanarella (toim.). Luxembourg, Publ. Office of the European Union. ISBN: 97892-79-09770-6 10 . doi: 10.2788/95795. 144 s.
Kabala, C. & J. Zapart (2012). Initial soil development and carbon accumulation on moraines
of the rapidly retreating Werenskiold Glacier, SW Spitsbergen, Svalbard archipelago.
Geoderma 175–176, 9-20.
Kalliola, R. (1973). Suomen kasvimaantiede. Werner Söderström Osakeyhtiö, Porvoo. 308 s.
Kammer, A., F. Hagedorn, I. Shevchenko, J. Leifeld, G. Guggenber, T. Goryacheva, A.
Rigling & P. Moiseev (2009). Treeline shifts in the Ural mountains affect soil organic
matter dynamics. Global Change Biology 15, 1570–1583.
Kartverket (2015). <www.norgeskart.no>. 1.9.2015.
Keller, K., J. D. Blunn & G. W. Kling (2007). Geochemistry of soils and streams on surfaces
of varying ages in arctic Alaska. Arctic, Antarctic, and Alpine Research 39, 84–98.
Kibblewhite, M. G., K. Ritz & M. J. Swift (2008). Soil health in agricultural systems.
Philosophical transactions of the Royal Society 363, 685–701.
Koven, C. D., B. Ringeval, P. Friedlingstein, P. Cias, P. Cadule, D. Khvorostyanov, G.
Krinner & C. Tarnocai (2013). Permafrost carbon-climate feedbacks accelerate global
warming. PNAS 108, 14769–14774.
Kuhry, P., E. Dorrepaal, G. Hugelius, E. A. G. Schuur & C. Tarnocai (2010). Short
Communication. Potential Remobilization of Belowground Permafrost Carbon under
Future Global Warming. Permafrost and Periglacial Processes 21, 208–214.
Lamb, E. G., K. L. Mengersen, K. J. Stewart, U. Attanayake & S. D. Siciliano (2014).
Spatially explicit structural equation modeling. Ecology 95, 2434–2442.
82
Lamb, E. G., S. J. Shirtliffe, & W. E. May (2011). Structural equation modeling in the plant
sciences: An example using yield components in oat. Canadian Journal of Plant
Science 91, 603–619.
Legates, D. R., R. Mahmood, D. F. Levia, T. L. DeLiberty, S. M. Quiring, C. Houser & F. E.
Nelson (2010). Soil moisture: a central and unifying theme in physical geography.
Progress in Physical Geography 35, 65–86.
Lieth, H. (1972). Modelling the primary productivity of the earth. Nature and resources.
UNESCO VIII, 5–10.
Lipson, D. A., Zona, D., Raab, T. K., Bozzolo, F., Mauritz, M., and Oechel, W. C. (2012).
Water-table height and microtopography control biogeochemical cycling in an Arctic
coastal tundra ecosystem. Biogeosciences 9, 577–591.
Liptzin, D. & T. R. Seastedt (2010). Regional and local patterns of soil nutrients at Rocky
Mountain treelines. Geoderma 160, 208–217.
Liptzin, D. & T. R. Seastedt (2009). Patterns of snow, deposition, and soil nutrients at
multiple spatial scales at a Rocky Mountain tree line ecotone. Journal of Geophysical
Research 114, G04002. doi:10.1029/2009JG000941.
Litaor, M. I., M. Williams & T. R. Seastedt (2008). Topographic controls on snow
distribution, soil moisture, and species diversity of herbaceous alpine vegetation, Niwot
Ridge, Colorado. Journal of Geophysical Research, 113, G02008.
doi:10.1029/2007JG000419.
Litaor, M. I., T. R. Seastedt & D. A. Walker (2002). Spatial analysis of selected soil attributes
across an alpine topographic/snow gradient. Landscape Ecology 17, 71–85.
Lin, H., K. McInnes, L. Wilding & C. Hallmark (1999). Effects of soil morphology on
hydraulic properties I. Quantification of soil morphology. Soil Science Society of
America Journal 63: 948–954.
Liu, Z., M. Shao & Y. Wang (2011). Effect of environmental factors on regional soil organic
carbon on Loess Plateau region, China. Agriculture, Ecosystems and Environment 142,
184–194.
Lundström, U. S., N. van Breemen & D. Bain (2000). The podsolization process. A review.
Geoderma 94, 91-107.
Macias-Fauria, M., B. C. Forbes, P. Zetterberg & T. Kumpula (2012). Eurasian Arctic
greening reveals teleconnections and the potential for structurally novel ecosystems.
Nature Climate Change 2, 613–618.
Mack, M. C., E. A. G. Shuur, M. S. Bret-Harte, G. R. Shaver & F. S. Chapin III (2004).
Ecosystem carbon storage in arctic tundra reduced by long-term nutrient fertilization.
Nature 431, 440–443.
83
Makler-Pick, V., G. Gal, M. Gorfine, M. R. Hipsey & Y. Carmel (2011). Sensitivity analysis
for complex ecological models – A new approach. Environmental Modelling &
Software 26, 124–134.
Malmer, N., T. Johansson, M. Olsrud & T. R. Christensen (2005). Vegetation, climatic
changes and net carbon sequestration in a North-Scandinavian subarctic mire over 30
years. Global Change Biology 11, 1895–1909.
Marchand, F. L., F. Kockelbergh, B. Van De Vijver, L Beyens & I. Nijs (2006). Are heat and
cold resistance of arctic species affected by successive extreme temperature events?
New Phytologist 170, 291–300.
McCune, B. & D. Keon (2002). Equations for potential annual direct incident radiation and
heat load. Journal of Vegetation Science 13, 603–606.
McGuire, A. D., R. W. Macdonald, E. A. Schuur, J. W. Harden, P. Kuhry, D. J. Hayes, T. R.
Christensen & M. Heimann (2010). The carbon budget of the northern cryophere
region. Current Opinion in Environmental Sustainability 2, 231–236.
McKane, R. B., E. B. Rastetter, G. R. Shaver, K. J Nadelhoffer, A. E. Giblin, J. A. Laundre &
F. S. Chapin III (1997). Climatic effects on tundra carbon storage inferred from
experimental data and a model. Ecology 78, 1170–1187.
McKenzie, N. J. & P. J. Ryan (1999). Spatial prediction of soil properties using
environmental correlation. Geoderma 89, 67–94.
Michaelson, G. L. & C. L. Ping (1996). Carbon storage and distribution in tundra soils of
arctic Alaska, U.S.A. Arctic and Alpine Research 28, 414–424.
Miller, B. A. & R. J. Schaetzl (2016). History of soil geography in the context of scale.
Geoderma 264, 284–300.
Milne, G. (1936). Normal Erosion as a Factor in Soil Profile Development. Nature 138, 548–
549.
Minchin, P. R. (1987). An evaluation of relative robustness of techniques for ecological
ordination. Vegetatio 69, 89–107.
Mishra, U., J. D. Jastrow, R. Matamala, G. Hugelius, C. D. Koven, J. W. Harden, C. L. Ping,
G. J. Michaelson, Z. Fan, R. M. Miller, A. D. McGuire, C. Tarnocai, P. Kuhry, W. J.
Riley, K. Schaefer, E. A. G. Schuur, M. T. Jorgenson & L. D. Hinzman (2013).
Empirical estimates to reduce modeling uncertainties of soil organic carbon in
permafrost regions: a review of recent progress and remaining challenges.
Environmental Research Letters 8, 1–9.
Muneer, M. & J. M. Oades (1989). The role of Ca-organic interactions in soil aggregate
stability. 1. Laboratory studies with 14C-glucose, CaCo2 and CaSo42H20. Australian
Journail of Soil Resources 27, 389–399.
84
Myers-Smith I, B.C Forbes., M Wilmking, M. Hallinger, T. Lantz., D. Blok, K. D. Tape., M.
Macias-Fauria, U. Sass-Klaassen, E. Lévesque, S. Boudreau, P. Ropars, L. Hermanutz,
A. Trant, L. Siegwart Collier, S. Weijers, J. Rozema, S. A. Rayback, N. Martin
Schmidt, G. Schaepman-Strub, S. Wipf, C. Rixen, C. Ménard, S. Venn, S. Goetz, L.
Andreu-Hayles, S. Elmendorf, H. E. Epstein, J. Welker, P. Grogan & D. Hik (2012).
Shrub expansion in tundra ecosystems: Dynamics, impacts and research priorities.
Environmental Research Letters 6, 045509. doi: 10.1088/1748-9326/6/4/045509.
NGU (2015a). Berggrunn N250. <https://www.ngu.no/emne/datasett-og-nedlasting>.
20.8.2015.
NGU (2015b). Losmasser. <https://www.ngu.no/emne/datasett-og-nedlasting>. 20.8.2015.
Nadelhoffer, K. J., A. E. Giblin, G. R. Shaver & J. A. Laundre (1991). Effects of temperature
and substrate quality on element mineralization in six arctic soils. Ecology 72, 242–253.
Niittynen, P. (2015). Suullinen tiedonanto lumisuus-muuttujan määrittämisestä. 1.10.2015.
Oksanen, J., F. Guillaume Blanchet, R. Kindt, P, Legendre, P. R. Minchin, R. B. O'Hara, G. L.
Simpson, P. Solymos, M. H. H. Stevens & H. Wagner (2015). Package 'vegan'.
Community Ecology Package. Versio 2.3-2. <https://cran.rproject.org/web/packages/vegan/vegan.pdf>.
Olofsson, J., H. Kitti, P. Rautiainen, S. Stark & L. Oksanen (2001). Effects of summer
grazing by reindeer on composition of vegetation, productivity and nitrogen cycling.
Ecography 24, 13–24.
Pare, M. C. & A. Bedard-Haughn (2012). Landscape-scale N mineralization and greenhouse
gas emissions in Canadian Cryosols. Geoderma 189–190, 469–479.
Parfitt, R. L., D. J. Giltrap & J. S. Whitton (1995). Contribution of organic matter and clay
minerals to cation exchange capacity of soils. Communications in Soil Science and
Plant Analysis 26, 1343–1355.
Park, S. J. & P. L. G. Vlek (2002). Environmental correlation of three-dimensional soil spatial
variability: a comparison of three adaptive techniques. Geoderma 109, 117–140.
Parker, T. C., J-A. Subke & P. A. Wookey (2015). Rapid carbon turnover beneath shrub and
tree vegetation is associated with low soil carbon stocks at a subarctic treeline. Global
Change Biology 21, 2070–2081.
Pastick, J., M. Rigge, B. K. Wylie, M. T. Jorgenson, J. R. Rose, K. D. Johnson & L. Ji (2014).
Distribution and landscape controls of organic layer thickness and carbon within the
Alaskan Yukon River Basin. Geoderma 230-231, 79–94.
Pettinger, N. A. (1935). Useful chart for teaching the relation of soil reaction to the
availability of plant nutrients to crops. Virginia Agricultural Experiment Station Bulletin
136, 1–19.
85
Phoenix, G. K. & J. A. Lee, J. A. (2004). Predicting impacts of Arctic climate change: Past
lessons and future challenges. Ecological Research 19, 65–74.
Ping, C.-L., G: J. Michaelson, M. T. Jorgenson, J. M. Kimble, H. Epistein, V. E. Romanovsky
& D. A. Walker (2008). High stocks of soil organic carbon in the North American
Arctic region. Nature Geoscience 1, 615–619.
Post, W. M., J. Pastor, P. J. Zinke & A. G. Stangenberger (1985). Global patterns of soil
nitrogen storage. Nature 317, 613–616.
Powers, J. S. & W. H. Schlesinger (2002). Relationships among soil carbon distributions and
biophysical factors at nested spatial scales in rain forests of northeastern Costa Rica.
Geoderma 109, 165–190.
Quested H. M., J. H. C. Cornelissen, M. C. Press, T. V. Callaghan, R. Aerts, F. Trosien, P.
Riemann, D. Gwynn-Jones, A. Kondratchuk & S. E. Jonasson (2003). Litter
decomposition of sub-arctic plant species with differing nitrogen economies: a potential
functional role for hemiparasites. Ecology 84, 3209–3221.
R Development Core Team (2014) R: A Language and Environment for Statistical
Computing. R Foundation for Statistical Computing. Wien.
Raunio, J. & J. Soininen (2007). A practical and sensitive approach to large river periphyton
monitoring: comparative performance of methods and taxonomic levels. Boreal
environment research 12, 55–63.
Ridgeway, G. (2015). Package 'gbm'. Generalized Boosted Regression Models. Versio 2.1.1.
34 s. <https://cran.r-project.org/web/packages/gbm/gbm.pdf>.
Ridgeway, G. (2007). Generalized Boosted Models: A guide to the gbm package. 12 s.
Riihimäki, H. (2015). Ilmakuvatulkintaan perustuva puuraja.
Robinson C. H. (2002). Controls on decomposition and soil nitrogen availability at high
latitudes. Plant and Soil 242, 65–81.
Robinson, C. H., P. A. Wookey, A. N. Parsons, J. A. Potter, T. V. Callaghan, J. A. Lee, M. C.
Press & J. M. Welker (1995). Responses of Plant Litter Decomposition and Nitrogen
Mineralisation to Stimulated Environmental Change in a High Arctic Polar Semi-Deser
and a Subarctic Dwars Shrub Heath. Oikos 74, 503–512.
Rolland, C. (2002). Spatial and seasonal variations of air temperature lapse rates in alpine
regions. Journal of Climate 16, 1032–1046.
Roosseel, Y., D. Oberski, J. Byrnes, L. Vanbrabant, V. Savalei, E. Merkle, M. Hallquist, M.
Rhemtulla, M. Katsikatsou & M. Barendse (2015). Package ’lavaan’. Versio 0.5-17. 74
s. <https://cran.r-project.org/web/packages/lavaan/lavaan.pdf>.
le Roux, P. C., R. Virtanen & M. Luoto (2013a). Geomorphological disturbance is necessary
for predicting fine-scale species distributions. Ecography 36, 800–808.
86
le Roux, P. C., J. Aalto & M. Luoto (2013b). Soil moisture’s underestimated role in climate
change impact modelling in low-energy systems. Global Change Biology 19, 2965–
2975.
Rustad, L. E., J. L. Campbell, G. M. Marion, R. J. Norby, M. J. Mitchell, A. E. Hartley, J. H.
C. Cornelisse & J. Gurevitch (2001). A meta-analysis of the response of soil respiration,
net nitrogen mineralization, and aboveground plant growth to experimental ecosystem
warmin. Oecologica 126, 543–562.
Schmidt, I. K., S. Jonasson & A. Michelsen (1999). Mineralization and microbial
immobilization of N and P in arctic soils in relation to season, temperature and nutrient
amendment. Applied Soil Ecology 11, 147–160.
Schmiel, D., M. A. Stillwell & R. G. Woodmansee (1985). Biogeochemistry of C, N and P in
a soil catena of the shortgrass steppe. Ecology 66, 276–282.
Schimel, J. P., C. Bilbrough & J. M. Welker (2004). Increased snow depth affects microbial
activity and nitrogen mineralization in two Arctic tundra communities. Soil Biology and
Biochemistry 36, 217–227.
Schuur, E. A. G., J. G. Vogel, K. G. Crummer, H. Lee, J. O. Sickman & T. E. Osterkamp
(2009). The effect of permafrost thaw on old carbon release and net carbon exchange
from tundra. Nature 459, 556–559.
Schuur, E. A. G., J. Bockheim, J. G. Canadell, E. Euskirchen, C. B. Field, S. V. Goryachkin,
S. Hagemann, P. Kuhry, P. M. Lafleur, H. Lee, G. Mazhitova, F. E. Nelson, A. Rinke,
V. E. Romanovsky, N. Shiklomanov, C. Tarnocai, S. Venevsky, J. G. Vogel & S. A.
Zimov (2008). Vulnerability of permafrost carbon to climate change: implications for
the global carbon cycle. BioScience 58, 701–714
Scull, P., J. Franklin, O. A. Chadwick & D. McArthur (2003). Predictive soil mapping: a
review. Progress in Physical Geography 27, 171–197.
Seastedt, T. R. (2001). Soils. Teoksessa Structure and Function of an Alpine Ecosystem. W.
D. Bowman, T. R. Seastedt (toim.) Oxford University Press, New York. 1. painos. 157–
173 s.
Seastedt, T. R., M. D. Walker & D. M. Bryant (2001). Controls on Decomposition Processes
in Alpine Tundra. Teoksessa Structure and Function of an Alpine Ecosystem. W. D.
Bowman, T. R. Seastedt (toim.) Oxford University Press, New York. 1. painos. 222-236
s.
Seibert, J., J. Stendahl & R. Sorensen (2007). Topographical influences on soil properties in
boreal forests. Geoderma 141, 139–148.
SFS 3008 (1981). Veden, lietteen ja sedimentin kuiva-aineen ja hehkutusjäännöksen määritys.
4 s.
SFS 3700 (2010). Metrologia. Perus- ja yleistermien sanasto. 31 s.
87
Shaver, G. R., A. E. Giblin, K. J Nadelhoffer, K. K. Thieler, M. R. Downs, J. A. Laundre &
E. B Rastetter (2006). Carbon turnover in Alaskan tundra soils: effects of organic matter
quality, temperature, moisture and fertilizer. Journal of Ecology 94, 740–753.
Shaver, G. R., W. D. Billings, F. S. Chapin III, A. E. Giblin, K. J. Nadelhoffer, W. C. Oechel
& E. B. Rastetter (1992). Global Change and the Carbon Balance of Arctic Ecosystems.
BioScience 42, 433–441.
Shen, Y.-H. (1999). Sorption of natural dissolved organic matter on soil. Chemosphere 38,
1505–1515.
Shi, W., J. Liu, Z. Du, Y. Song, C. Chen & T. Yue (2009). Surface modeling of soil pH.
Geoderma 150, 113–119.
Shiels, A. B., & R. L. Sanford Jr (2001). Soil nutrient differences between the krummholzform tree species and adjacent alpine tundra. Geoderma 102, 205–217.
Sistla, S. A., J. C. Moore, R. T. Simpson, L. Gough, G. R. Shaver & J. P. Schmiel (2013).
Long-term warming restructures Arctic tundra without changing net soil carbon storage.
Nature 497, 615–618.
Skrzypek, G., B. Wojtuń, D. Richter, D. Jakubas, K. Wojczulanis-Jakubas & A. SameckaCymerman (2015). Diversification of nitrogen sources in various tundra vegetation
types in the high arctic. PLoS ONE 10. doi: 10.1371/journal.pone.0136536.
Smil, V. (2000). Phosphorous in the environment: natural flows and human interferences.
Annual Review of Energy & the Environment 25, 53–88.
Sommer, M. (2006). Influence of soil pattern on matter transport in and from terrestrial
biogeosystems - A new concept for landscape pedology. Geoderma 133, 107–123.
Stanton, M.L., M. Rejmanek & C. Galen (1994). Changes in Vegetation and Soil Fertility
along a Predictable Snowmelt Gradient in the Mosquito Range, Colorado, U.S.A. Arctic
and Alpine Research 26, 364–374.
Sturm, M., J. Schmiel, G. Michaelson, J. M. Welker, S. F. Oberbauer, G. E. Liston, J.
Fahnestock & V. Romanovsky (2005a). Winter biological processes could help convert
arctic tundra to shrubland. BioScience 55, 17–26.
Sturm, M., T. Douglas, C. Racine & G. E. Liston (2005b). Changing snow and shrub
conditions affect albedo with global implications. Journal of Geophysical Research:
Biogeosciences 110. doi: 10.1029/2005JG000013.
Sturm, M., C. Racine & K. Tape (2001a). Increasing shrub abundance in the Arctic. Nature
411, 546–547.
Sturm, M. J. P. McFadde, G. E. Liston, F. S. Chapin III, C. H. Racine & J. Holmgren (2001b).
Snow-shrub interactions in Arctic Tundra: a hypothesis with climatic implications.
Journal of Climate 14, 336–344.
88
Sundqvist, M. K., R. Giesler, B. J. Ggraae, H. Wallander, E. Fogelberg, & D. A. Wardle
(2011). Interactive effects of vegetation type and elevation on aboveground and
belowground properties in a subarctic tundra. Oikos 120 128–142.
Suvanto, S., P. C. Le Roux & M. Luoto (2014). Arctic-alpine vegetation biomass is driven by
fine-scale abiotic heterogeneity. Geografiska Annaler: Series A, Physical Geography
94, 549–560.
Talbot, J. M., S. D. Allison & K .K. Treseder (2008). Decomposers in disguise: mycorrhizal
fungi as regulators of soil C dynamics in ecosystems under global change. Functional
Ecology 22, 955–963.
Tape, K., M. Sturm & C. H. Racine (2006). The evidence for shrub expansion in norhtern
Alaska and the Pan-Arctic. Global Change Biology 12, 686–702.
Tarnocai, C., J. G. Canadell, E. A. G. Schuur, P. Kuhry, G. Mazhitova & S. Zimov (2009).
Soil organic carbon pools in the northern circumpolar permafrost region. Global
Biogeochemical Cycles 23. doi:10.1029/2008GB003327.
Thorn, C. E., R. G. Darmody & J. C. Dixon (2011). Rethinking weathering and pedogeneiss in
alpine periglacial regions: some Scandinavian evidence. Teoksessa Ice-Marginal and
Periglacial Processes and Sediments. I. P. Martini, H. M. French & A. Perez Alberti
(toim.). Geological Society, London. doi: 10.1144/SP354.11. 183–193 s.
Todd-Brown, K. E. O., J. T. Randerson, F. Hopkins, V. Arora, T. Hajima, C. Jones, E.
Shevliakova, J. Tjiputra, E. Volodin, T. Wu, Q. Zhang & S. D. Allison (2014). Changes
in soil organic carbon storage predicted by Earth system models during the 21st century.
Biogeosciences 11, 2341-2356.
Treat, C. C., W. M. Wollheim, R. K. Varner, A. S. Grandy, J. Talbot & S. Frolking (2014).
Temperature and peat type control CO2 and CH4 production in Alaskan permafrost
peats. Global Change Biology 20, 2674–2686.
Triantafilis, J., I. O. A. Odeh, B. Warrah & M. F. Ahmed (2004). Mapping of salinity risk in
the lower Namoi valley using non-linear kriging methods. Agricultural Water
Management 69, 203–231.
Turner, B. L., R. Baxter, N. Mahieu, S. Sjögersten & B. A. Whitton (2004). Phosphorus
compounds in subarctic Fennoscandian soils at the mountain birch (Betula pubescens)tundra ecotone. Soil Biology and Biochemistry 36, 81–823.
Turner, M. G., R. V. O’Neill, R. H. Gardner & B. T. Milne (1989). Effects of spatial scale on
the analysis of landscape pattern. Landscape Ecology 3, 153–162.
Tveito, O., E. Forland, H. Alexandersson, A. Drebs, T. Jonsson, H. Tuomenvirta & E. VarbyLaursen (2001). Nordic climate maps. DNMI Report 06/01 KLIMA Oslo. 28 s.
Ugolini, F. C., R. S. Sletten & D. J. Marrett (1990). Contemporary pedogenic processes in the
Arctic: Brunification. Science du sol 28, 333–348.
89
Valentine, D. W. & D. Binkley (1992). Topography and Soil Acidity in an Arctic Landscape.
Soil Science 56, 1553–1559.
Van Wijk, M. T., K. E. Clemmensen, G. R. Shaver, M. Williams, T. V. Callaghan, F. S.
Chapin III, J. H. C. Cornelissen, L. Gough, S. E. Hobbie, S. Jonasson, J. A. Lee, A.
Michelsen, M. C. Press, S. J. Richardson & H. Rueth (2003). Long-term ecosystem
level experiments at Tooli Lake, Alaska, and at Abisko, Northern Sweden:
generalizations and differences in ecosystem and plant type responses to global change.
Global Change Biology 10, 105–123.
Virtanen, R., M. Luoto, T. Rämä, K. Mikkola, J. Hjort, J. A. Grytnes & H. J. B. Birks (2010).
Recent vegetation changes at the high-latitude tree line ecotone are controlled by
geomorphological disturbance, productivity and diversity. Global Ecology and
Biogeography 19, 810–821.
Virtanen, R., J. Oksanen, L. Oksanen & V. Y. Razzhivin (2006). Broad-scale vegetationenvironment relationships in Eurasian high-latitude areas. Journal of Vegetation Science
17, 519–528.
Walker, D. A. (2000). Hierarchical subdivision of arctic tundra based on vegetation response
to climate, parent material, and topography. Global Change Biology 6, 19–34.
Wang, X., C. Song, X. Sun, J. Wang, X. Zhang & R. Mao (2013). Soil carbon and nitrogen
across wetland types in discontinuous permafrost zone of the Xiao Xing’an Mountains,
northeastern China. Catena 101, 31–37.
Wang, S., X. Wang & Z. Ouyang (2012). Effects of land use, climate, topography and soil
properties on regional soil organic carbon and total nitrogen in the Upstream Watershed
of Miyun Reservoir, North China. Journal of Environmental Sciences 24, 387–395.
Weintraub, M. N. & J. P. Schimel (2005). Nitrogen Cycling and the Spread of Shrubs Control
Changes in the Carbon Balance of Arctic Tundra Ecosystems. Bioscience 55, 408–415.
Whittinghill, K. A. & S. E. Hobbie (2012). Effects of pH and calcium on soil organic matter
dynamics in Alaskan tundra. Biogeochemistry 111, 569–581.
Wilkinson, M. T., P. J. Richards & G. S. Humphreys (2009). Breaking ground: Pedological,
geological, and ecological implications of soil bioturbation. Earth-Sceince Reviews 97,
254–269.
Williams, M. W., P. D. Brooks & T. R. Seastedt (1998). Nitrogen and carbon soil dynamics in
response to climate change in a high-elevation ecosystem in the Rocky Mountains, U. S.
A. Arctic Alpine Research 35, 3205–3209.
Wisz, M. S., J. Pottier, W.D. Kissling L. Pellissier, J. Lenoir, C. F. Damgaard, C. F. Dormann,
M.C. Forchhammer, J.-A. Grytnes, A. Guisan, R. Heikkinen, T.T. Høye, I. Kühn, M.
Luoto, L. Maiorano, M.-C. Nilsson, S. Normand, E. Öckinger, N. M. Schmidt, M.
Termansen, A. Timmermann, D.A. Wardle, P. Aastrup & J.-C. Svenning (2013). The
role of biotic interactions in shaping distributions and realised assemblages of species:
implications for species distribution modeling. Biological Review 88, 15–30.
90
Wisz, M. S., R. J. Hijmans, J. Li, A. T. Peterson, C. H. Graham, A. Guisan & NCEAS
Predicting Species Distributions Working Group (2008). Effects of sample size on the
performance of species distribution models. Diversity and Distributions 14, 763–773.
Zevenbergen, L. W. & C. R. Thorne (1987). Quantitative analysis of land surface topography.
Earth Surface Processes and Landforms 12, 47–56.
Zhang, T. (2005). Influence of the seasonal snow cover on the ground thermal regime: An
overview. Reviews of Geophysics 43, RG4002. doi:10.1029/2004RG000157.
Zhao, L. P., Y. J. Sun, X. P. Zhang, X. M. Yang & C. F. Drury (2006). Soil organic carbon in
clay and silt sized particles in Chinese mollisols: Relationship to the predicted capacity.
Geoderma 132, 315–323.
Zhu, A. X., L. Band, R. Vertessy & B. Dutton (1997). Derivation of soil properties using a
soil land inference model (SoLIM). Soil Science Society of America Journal 61, 523–
533.
Zhu, Q. & Q. Zhuang (2013). Modeling the effects of organic nitrogen uptake by plants on the
carbon cycling of boreal forest and tundra ecosystems. Biogeosciences 10, 7943–7955.
91
Liitteet
Liite 1. Maaperä tutkimusalueella. A) Podsolmaannos (n. 20 cm) tunturikoivikossa (heinäkuu
2015, noin 300 m mpy) B) Hyvin pieni, heikosti kehittynyt podsolmaannos ylänköalueella,
josta on heikosti havaittavissa huuhtoutumiskerros (heinäkuu 2014, noin 450 m mpy). C) Hyvin
paksu puuvartisista kasveista (erit. Empetrum nigrum ssp. hermaphroditum) muodostunut
orgaanisen aineksen kerros ylänköalueella (heinäkuu 2015, noin 350 m mpy). D) Paikallisesti
suuri rautapitoisuus purossa, joka on todennäköisesti yhteydessä pohjaveteen, josta rauta tulee
(heinäkuu 2015, noin 450 m mpy).
92
Liite 2. Tutkimuksessa käytetyt skriptit NMDS-analyysiin ja GBM- ja SEM-mallinnukseen.
### NMDS ###
############
# Tuo data R:ään, poista NA (ei havaintoa)-rivit ja nimeä sarakkeet
data <- read.csv("C:/HY-Data/ANNVIRKK/documents/Data/malli_kaikkimukana.csv", head
er=TRUE, dec=".",sep=",")
data1<-na.omit(data)
names(data1)<-c("fid", "ruutu", "site", "id", "y", "x", "pH", "N", "C", "P", "Ca", "Fe", "Keskil
ämpötila", "TPI", "TWI", "Säteily", "Kaarevuus", "Lumisuus", "Lohkare", "Moreeni", "Glasif
luviaalinen", "Orgaaninen", "Kallioperän emäksisyys", "Maaperän kosteus", "SOM")
# Asenna tarvittavat ohjelmakirjastot
install.packages("vegan", lib="C:/HY-Data/ANNVIRKK/documents/packages")
install.packages("permute", lib="C:/HY-Data/ANNVIRKK/documents/packages")
# Lataa tarvittavat ohjelmakirjastot
library("permute", lib="C:/HY-Data/ANNVIRKK/documents/packages")
library("vegan", lib="C:/HY-Data/ANNVIRKK/documents/packages")
# Aja nmds
nmds<-metaMDS(data1[7:12], distance="bray", k=2, autotransform=TRUE, trymax=20)
# valitaan datasta ravinnesarakkeet, jonka mukaan ulottuvuudet muodostetaan
# ei-metriset etäisyydet estimoidaan Bray-Curtisin menetelmällä
# ulottuvuuksia valitaan 2
# nmds ajetaan 20 kertaa, josta se laskee globaalin optimituloksen, jos löytää saman tuloksen
kaksi kertaa tai valitsee parhaimman tuloksen
# Tarkasta NMDS tulokset
nmds
#stress=kuinka hyvin ravinteiden jakaumaa voidaan kuvata kaksiuloitteisella pinnalla, pieni=
hyvä
# Visualisoi tulokset kuvaajaan
# luodaan tiedostopolku ja tiedostonimi
setwd("C:/HY-Data/ANNVIRKK/documents/Valmiit")
png("nmds.png")
# luodaan tyhjä kuvaaja
plot(nmds, type="n", ylim=c(-0.4, 0.45))
# lisätään tutkimuspisteet ja niiden symbolit
points(nmds, display="sites", cex=0.8, pch=20, col="grey")
# lasketaan ympäristö- ja geokemia-aineiston ja ulottuvuuksien korrelaatiot
env<-envfit(ord=nmds,env=data1[13:25])
nutr<-envfit(ord=nmds,env=data1[7:12])
93
# visualisoidaan ympäristöaineiston korrelaatiot: vaihtelu ja voimakkuus
plot(env, col="black", cex=1)
# lisätään ravinteiden sijainti kuvaajaan
text(nmds, display="spec", cex=1, col="red")
# tulostetaan kuvaaja
dev.off()
# tulostetaan ympäristöaineiston korrelaatiot
write.txt(env, "nmds_env")
### GBM ###
###########
# GBM kalibrointi - esimerkkinä typpi
# Tuo havainto- (tutkimuspisteet) ja hila-aineisto
data <- read.csv("C:/HY-Data/ANNVIRKK/documents/Data/malli_kaikkimukana.csv", head
er=TRUE, dec=".",sep=",")
adddata50 <- read.csv("C:/HY-Data/ANNVIRKK/documents/Data/hila_kaikkimukana.csv",
header=TRUE, dec=".",sep=",")
# Rajaa alue ja muuttujat
data50 <-subset(adddata50, !TPI50==0, select=c(x, y, tmean, SAGAwet, HeatLoad, TPI50, C
URVA, lumi7, soiltype, rocktype))
# Aineistossa luokkamuuttujia - muutettava faktoriksi
data$soiltype<-as.factor(data$soiltype)
data50$soiltype<-as.factor(data50$soiltype)
# Poista havaintoaineistosta NA-rivit
nitrogen_data<-subset(data,!(is.na(data["N"]) ))
# Asenna tarvittavat ohjelmakirjastot
install.packages("gbm", lib="C:/HY-Data/ANNVIRKK/documents/packages")
# Lataa tarvittavat ohjelmakirjastot
library("gbm", lib="C:/HY-Data/ANNVIRKK/documents/packages")
# Luodaan tyhjät korrelaatio- ja p-arvo -vektorit, joihin tulokset johdetaan
cor_vector <- NULL
p_vector <- NULL
# Lisäksi halutaan suhteellisten merkitysten keskiarvo, jolle luodaan oma vektori
summaryN <- NULL
94
# Määritetään kalibrointiajojen määrä
reps <- 999
# Luodaan looppi, joka tekee kalibroinnin 999 kertaa (otettu mallia Annina Niskasen ja Juha
Aallon skriptistä)
for (i in 1:reps) {
# Tulostetaan toistokerran määrä
print(i)
# Luodaan kalibrointidata
ncal<-0.7*length(nitrogen_data[[1]]) # määritetään, että kalibrointiaineisto on 70 % aineist
osta
sel70 <- sample(ncal) # otetaan 70% satunnaisotos
datacal <- nitrogen_data[sel70,] # luodaan 70% kalibraatioaineisto
dataeva <- nitrogen_data[-sel70,] # luodaan 30% evaluaatioaineisto
# Ajetaan malli ja määritetään häviöfunktio, puiden lukumäärä, interaktioiden määrä, aineis
to ja se, printtaako gbm mallin prosessointivaihett ja suoritusta joka ajon jälkeen
gbmnut<-gbm(N ~ tmean + heatload + tpi50 + curvature + lumi7 + twisaga + soiltype + ro
cktype , distribution = "gaussian", n.trees = 3000, interaction.depth = 4, data= datacal, verbose
= FALSE)
# Estimoidaan boostauskertojen määrä OOB-menetelmällä
best.iter<-gbm.perf(gbmnut, method="OOB", plot.it = FALSE)
# Voidaan plotata kuvaajia, joita malli tuottaa
# vastekäyrät
plot(gbmnut, 1) # plottaa typpipitoisuuden ensimmäisenä olevan tekijän suhteen (tmean)
plot(gbmnut, 2) # plottaa typpipitoisuuden toisena olevan tekijän suhteen (heatload) etc
# kerätään suhteelliset merkitykset joka ajon jälkeen
summaryN <- rbind(summaryN, summary(gbmnut, n.trees=best.iter))
# Ennustetaan kalibrointiaineistoon perustuvalla mallilla evaluointiaineistoon ja lasketaan e
valuointiaineiston mallinnettujen ja havaittujen arvojen korrelaatio
spearmantest <- cor.test(predict.gbm(gbmnut, dataeva, best.iter, type="response"), dataeva
$N, method="spearman")
cor_vector <- c(cor_vector, spearmantest$estimate)
p_vector <- c(p_vector, spearmantest$p.value)
}
# GBM suhteellisten merkitysten keskiarvo summaryN-vektorista
# luodaan tyhjät vektorit keskiarvoille
95
tmean <-NULL
heatload <- NULL
curvature <- NULL
rocktype <- NULL
soiltype <- NULL
lumi7 <- NULL
tpi50 <- NULL
twisaga <- NULL
# summaryN-vektorin pituus 7992-> käydään se läpi ja erotetaan samat muuttujat omiksi vekt
oreikseen
for (i in 1:7992) {
if(summaryN$var[i]=="tmean") {
tmean<-append(tmean, summaryN$rel.inf[i], length(tmean)-1)
} else if(summaryN$var[i]=="heatload") {
heatload<-append(heatload, summaryN$rel.inf[i], length(tmean)-1)
} else if(summaryN$var[i]=="curvature") {
curvature<-append(curvature, summaryN$rel.inf[i], length(tmean)-1)
} else if(summaryN$var[i]=="rocktype") {
rocktype<-append(rocktype, summaryN$rel.inf[i], length(tmean)-1)
} else if(summaryN$var[i]=="soiltype") {
soiltype<-append(soiltype, summaryN$rel.inf[i], length(tmean)-1)
} else if(summaryN$var[i]=="lumi7") {
lumi7 <-append(lumi7, summaryN$rel.inf[i], length(tmean)-1)
} else if(summaryN$var[i]=="tpi50") {
tpi50 <-append(tpi50, summaryN$rel.inf[i], length(tmean)-1)
} else if(summaryN$var[i]=="twisaga") {
twisaga<-append(twisaga, summaryN$rel.inf[i], length(tmean)-1)
}
}
# yhdistetään omaksi aineistoksi ja lasketaan keskiarvot
summaryall_N <-c(tmean, heatload, curvature, rocktype, soiltype, lumi7, tpi50, twisaga)
summaries_N <- c(mean(tmean), mean(heatload), mean(curvature), mean(rocktype), mean(
96
soiltype), mean(lumi7), mean(tpi50), mean(twisaga))
names(summaries_N) <- c("Keskilämpötila", "Säteily", "Kaarevuus", "Kallioperä", "Maaper
ä", "Lumi", "TPI", "TWI")
# GBM ennustaminen
# ennustetaan kokonaan uudelle alueelle
# Valitaan ne muuttujat, joilla halutaan ennustaa ja muutetaan niiden nimet tismalleen samoi
ksi kuin havaintoaineistossa
datapred <- subset(data50, select = c("tmean", "SAGAwet", "HeatLoad", "TPI50", "CURVA
", "lumi7", "soiltype", "rocktype"))
names(datapred)<-c("tmean", "twisaga", "heatload", "tpi50", "curvature", "lumi7", "soiltype",
"rocktype")
# Ennustaminen
# Luodaan ennustemalli
gbmpred<-gbm(N ~ tmean + twisaga + heatload + tpi50 + curvature + lumi7 + soiltype + ro
cktype, distribution = "gaussian", n.trees = 3000, interaction.depth = 4, data=nitrogen_data, ve
rbose = FALSE) #huom distribution voi olla myös poisson?
best.iter<-gbm.perf(gbmpred, method="OOB", plot.it = FALSE)
# Ennustetaan havaintoaineistoon perustuvalla ennustemallilla ennusteaineistoon, jossa sama
t selittävät muuttujat
prednut<-predict.gbm(gbmpred, datapred, best.iter, type="response")
# Yhdistetään ennuste ennusteaineistoon ja erotetaan siitä vain tarvittavat muuttujat
dataall<-cbind(data50, prednut)
datafinalN <- subset(dataall, select=c("x", "y", "prednut"))
# Visualisointi
# muutetaan tiedosto rasteriksi
coordinates(datafinalN) <- ~x + y
gridded(datafinalN) <- TRUE
r_datafinalN<-brick(datafinalN)
# määritetään projektio
UTM <- CRS("+init=epsg:32635")
proj4string(r_datafinalN) <- UTM
# tuodaan järvitiedosto-shapefile, jolla halutaan maskata järvialueet pois ennusteesta
setwd("C:/HY-Data/ANNVIRKK/documents/Kartat/Pekalta visualisointiin/")
lakes <- readOGR(dsn=".", layer="Rastijarvet")
# tehdään tiedostosta saman resoluution rasteri ja maskataan sillä ennuste
r_lakes <- rasterize(lakes, r_datafinalN)
97
r_prednutN <- mask(r_datafinalN, r_lakes, inverse=TRUE)
# tuodaan rinnevalovarjostus
hill<-raster("hill_rs_x")
# määritetään tiedostoille sama resoluutio ja maskataan järvillä rinnevalovarjostus
r_lakes <- rasterize(lakes, hill)
hill_mask <- mask(hill, lakes, inverse=TRUE)
# plotataan ja tuodaan kuva
setwd("C:/HY-Data/ANNVIRKK/documents/Valmiit")
png(file="Npred.png")
# ensiksi rinnevalovarjostus, jonka päälle osin läpinäkyvänä ravinne-ennuste
plot(hill_mask, col=grey(1:20/20), legend=FALSE)
plot(r_prednutN, alpha = 0.7, add = TRUE)
# mittakaava
scalebar(5000, xy=c(473900, 7759000), type="line", label="5 km")
dev.off()
# GBM simulointi
# Rajataan pienempi alue
data <-subset(adddata, y>7760040 & y<7767932 & x>467016 &x<474952, select=c(x, y, N,
P, C, Ca, Fe, ph, tmean, twisaga, tpi50, lumi7, heatload, curvature, soiltype, rocktype, soilmoi
st, orgmatter))
data50 <- subset(adddata50, y>7760040 & y<7767932 & x>467016 &x<474952, select = c("
x", "y", "tmean", "SAGAwet", "HeatLoad", "TPI50", "CURVA", "lumi7", "soiltype", "rockty
pe"))
nitrogen_data<-subset(data,!(is.na(data["N"]) ))
# Kalibrointimalli
gbmpred<-gbm(N ~ tmean + twisaga + heatload + tpi50 + curvature + lumi7 + soiltype + ro
cktype, distribution = "gaussian", n.trees = 3000, interaction.depth = 4, data=nitrogen_data, ve
rbose = FALSE) #huom distribution voi olla myös poisson?
best.iter<-gbm.perf(gbmpred, method="OOB", plot.it = FALSE)
# HUOM: tässä tmeaniksi määritetäänkin simulaatiomuuttuja, jossa lämpötilaa muutettu
# esim. data$tmean_s1 <- data$tmean+0.5
datapred <- subset(data50, select = c("tmean_s1", "SAGAwet", "HeatLoad", "TPI50", "CUR
VA", "lumi7", "soiltype", "rocktype"))
names(datapred)<-c("tmean", "twisaga", "heatload", "tpi50", "curvature", "lumi7", "soiltype",
"rocktype")
# ennustaminen samaan tapaan kuin yllä, jossa tmean-muuttujana tmean_s1
# visualisointi samaan tapaan kuin yllä
# legenda muokattiin käsin, jotta se olisi kaikissa sama
98
brks <- seq(0.1, 1, by=0.01)
nb <- length(brks)-1
cols <- rev(terrain.colors(nb))
arg=list(at=c(0,0.5,1), labels=c("0", "0.5", "1"))
plot(r_prednutN1, breaks=brks, col=cols, lab.breaks=brks, zlim=c(0,1), main='+ 0.5 °C', axis.
arg=arg)
### SEM ###
###########
# Tuo data R:ään
data <- read.csv("C:/HY-Data/ANNVIRKK/documents/Data/malli_kaikkimukana.csv", head
er=TRUE, dec=".",sep=",")
# Asenna tarvittavat ohjelmakirjastot
# lavaan-ohjelmakirjastolla mallinnetaan, semPlot-ohjelmakirjastolla visualisoidaan
install.packages("lavaan", lib="C:/HY-Data/ANNVIRKK/documents/packages")
install.packages("semPlot", lib="C:/HY-Data/ANNVIRKK/documents/packages")
# Lataa tarvittavat ohjelmakirjastot
library("lavaan", lib="C:/HY-Data/ANNVIRKK/documents/packages")
library("semPlot", lib="C:/HY-Data/ANNVIRKK/documents/packages")
# Aineiston käsittely ennen mallinnusta
# muuttujien on oltava samaa kokoluokkaa tai lavaan herjaa: tehdään samansuuruiseksi
data$soilmoist <- data$soilmoist/100
# maaperämuuttujien jakauma hyvin vinoutunut, normalisoidaan sitä muunnoksilla
data$N<-log10(data$N)
data$P<-log10(data$P)
data$C<-log10(data$C)
data$Ca<-log10(data$Ca)
data$Fe<-log(data$Fe+1)
data$soilmoist <- sqrt(data$soilmoist)
# luodaan uusi NPP-muuttuja Miami-modeliin perustuen
NPPt <- 3000/(1 + exp(1.315-0.119*data$tmean)) # keskilämpötila
NPPp <- 3000 * (1-exp(-0.000664*data$RR_mean)) # sadanta
# tehdään näiden minimiarvosta uusi NPP-muuttuja
NPP <- pmin(NPPt, NPPp)
data$NPP <- NPP
# senteröidään muuttujia, jotta ensimmäisen ja toiseen asteen termit eivät korreloi liikaa
# skaalataan muuttujia, jotta ne eivät olisi negatiivisia ja haittaisi toisen asteen termien lasku
a
# maaperän kosteus tehtävä monimutkaisemmin, sillä joukossa vaihteleva määrä NA-arvoja
new <- NULL
for (i in data$soilmoist) {
99
if(!is.na(i)) {
k<-(i-(mean(data$soilmoist, na.rm=TRUE)))
} else {
k <- NA
}
new<-append(new, k)
}
# luodaan ensimmäisen asteen ja toisen asteen muuttujat
data$soilmoist01 <- (new-min(new, na.rm=TRUE))/(max(new, na.rm=TRUE)-min(new, na.r
m=TRUE))
data$soilmoist012 <- data$soilmoist01^2
# sama NPP:lle
data$NPPs <- data$NPP-mean(data$NPP)
data$NPPst01 <- (data$NPPs-min(data$NPPs))/(max(data$NPPs)-min(data$NPPs))
data$NPPst012 <- data$NPPst01^2
# Selvitetään muuttujien välisiä mahdollisia epälineaarisia suhteita lavaanin mallirakenteella
# jos sekä ensimmäisen että toisen asteen termit tilastollisesti merkitseviä, on epälineaarisuus
huomioitava mallissa
# määritetään malli
mod1<-'
# luodaan regressio, jossa selitetään maaperän kosteutta NPP:llä
soilmoist01 ~ NPPst01 + NPPst012
'
# sovitetaan malli
mod1.fit<-sem(mod1, data=data)
# katsotaan mallin yhteenveto - määritetään ensiksi, että halutaan tuloksiin standardisoidut k
ovarianssit ja mallin hyvyystestisuureet
summary(mod1.fit, standardized=TRUE, rsq=TRUE,fit.measures=TRUE)
mod1<-'
N ~ NPPst01 + NPPst012
'
mod1.fit<-sem(mod1, data=data)
summary(mod1.fit, standardized=TRUE, rsq=TRUE,fit.measures=TRUE)
mod1<-'
N ~ soilmoist01 + soilmoist012
100
'
mod1.fit<-sem(mod1, data=data)
summary(mod1.fit, standardized=TRUE, rsq=TRUE,fit.measures=TRUE)
# ovat tilastollisesti merkitseviä, joten mallissa huomioitava epälineaarisuus komposiittimuutt
ujan avulla
# Rakenneyhtälömallinnus
# 1. Eksogeenisten komposiittimuuttujien luonti
# ks. Jim Grace, USGS - Composites: Modeling with Formative Measures
# Luodaan NPP komposiittimuuttuja, jolla selitetään typpeä
mod1<-'
N ~ NPPst01 + NPPst012
'
mod1.fit<-sem(mod1, data=data)
summary(mod1.fit, standardized=TRUE, rsq=TRUE,fit.measures=TRUE)
# Otetaan ylös muuttujien estimaatit ja luodaan uusi komposiittimuuttuja
comp.npp <- 3.749*data$NPPst01 + (-2.875*data$NPPst012)
# Luodaan NPP komposiittimuuttuja, jolla selitetään maaperän kosteutta, samalla huomioida
an myös topografian vaikutus
mod1<-'
soilmoist01 ~ NPPst01 + NPPst012 + curvature
'
mod1.fit<-sem(mod1, data=data)
summary(mod1.fit, standardized=TRUE, rsq=TRUE,fit.measures=TRUE)
# Otetaan ylös muuttujien estimaatit ja luodaan uusi komposiittimuuttuja
comp.npp2 <- 0.787*data$NPPst01 + (-0.478*data$NPPst012)
# Luodaan uusi aineisto, johon otetaan mukaan uudet muuttujat
data2 <- data.frame(data, comp.npp, comp.npp2)
# 2. Endogeenisen maaperän kosteusmuuttujan luonti
# ks. Jim Grace, USGS - Composited for Endogenous Nonlinearities
mod1<-'
N ~ comp.npp + soilmoist01 + soilmoist012
soilmoist01 ~ comp.npp2 + curvature
# varianssit
101
soilmoist01 ~~ soilmoist012
soilmoist012 ~~ curvature
soilmoist012 ~~ comp.npp2
soilmoist012 ~~ comp.npp
comp.npp ~~ comp.npp2
'
mod1.fit<-sem(mod1, data=data2, fixed.x=FALSE)
summary(mod1.fit, standardized=TRUE, rsq=TRUE,fit.measures=TRUE)
# Uusi muuttuja ja aineisto
comp.soilmoist <- 3.062*data$soilmoist01 + (-1.625*data$soilmoist012)
data3 <- data.frame(data2, comp.soilmoist)
# Lopullinen malli
mod1<-'
N ~ comp.npp + comp.soilmoist
comp.soilmoist ~ soilmoist01
soilmoist01 ~ comp.npp2 + curvature
comp.soilmoist ~~ curvature
comp.soilmoist ~~ comp.npp2
comp.soilmoist ~~ comp.npp
comp.npp ~~ comp.npp2
'
mod1.fit<-sem(mod1, data=data3, fixed.x=FALSE)
summary(mod1.fit, standardized=TRUE, rsq=TRUE,fit.measures=TRUE)
# Visualisointi
semPaths(mod1.fit, what="std",residuals=FALSE, layout="tree", rotation=2, nCharNodes=0
, sizeMan=12, color=c("white"), edge.color=c("black"), title=FALSE, exoVar=FALSE, exoC
ov=FALSE, curvePivot=TRUE, "std", cut=0.1, edge.lable.cex=1.5)
# Epäsuorien, suorien ja kokonaisvaikutusten selvittäminen
mod1<-'
N ~ a*comp.npp + b*comp.soilmoist
comp.soilmoist ~ c*soilmoist01
soilmoist01 ~ d*comp.npp2 + e*curvature
comp.soilmoist ~~ curvature
comp.soilmoist ~~ comp.npp2
comp.soilmoist ~~ comp.npp
comp.npp ~~ comp.npp2
tmeanindirect:= d*c*b
tmeandirect := a
tmeantotal := tmeanindirect + tmeandirect
102
soilmoisttotal := b
topototal := e*c*b
'
mod1.fit<-sem(mod1, data=data3, fixed.x=FALSE)
summary(mod1.fit, standardized=TRUE, rsq=TRUE,fit.measures=TRUE)
103
Liite 3. Pintamaan geokemiamuuttujien frekvenssijakauma A) ilman muunnosta ja B) maaperän
typen, fosforin, hiilen ja kalsiumin log10 ja raudan log(x+1)-muunnoksen jälkeen.
A)
B)
104
Liite 4. Maaperäluokkien välinen hajonta tutkimuspisteiden suhteen. Maaperäluokan moodi oli
2.
Liite 5. Pintamaan geokemiamuuttujien ja NMDS-ulottuvuuksien korrelaatiot.
N
P
C
Ca
Fe
pH
NMDS1 NMDS2
-0,95
0,32
-0,7
0,71
-0,9
0,44
-0,77
0,63
-0,06
-1
0,54
0,84
105
106
N
N
1***
P
0,66***
C
0,98***
Ca
0,83***
Fe
0,2***
ph
-0,24***
Maaperän kosteus
0,82***
Keskilämpötila
0,58***
Säteily
0
TPI
-0,36***
TWI
0,17***
Kaarevuus
-0,14**
Lumisuus
-0,41***
Kallioperän emäksisyys 0,55***
Lohkare
-0,64***
Moreeni
0,44***
Glasifluviaalinen
0,2***
Orgaaninen
0,1*
P
0,66***
1***
0,63***
0,53***
0,06
-0,19***
0,63***
0,27***
0,13*
-0,26***
0,07
-0,11*
-0,18***
0,26***
-0,31***
0,1*
0,23***
0,13*
C
0,98***
0,63***
1***
0,87***
0,2***
-0,27***
0,82***
0,69***
0,02
-0,37***
0,17***
-0,13**
-0,52***
0,56***
-0,69***
0,45***
0,22***
0,17***
Ca
0,83***
0,53***
0,87***
1***
0,13**
-0,15**
0,73***
0,74***
-0,02
-0,43***
0,2***
-0,17***
-0,53***
0,54***
-0,72***
0,4***
0,23***
0,27***
Fe
0,2***
0,06
0,2***
0,13**
1***
-0,09
0,07
0,13**
0,01
-0,05
-0,01
0,08
-0,1*
0,2***
-0,15**
0,12*
0,09
-0,05
ph
-0,24***
-0,19***
-0,27***
-0,15**
-0,09
1***
-0,19***
-0,04
-0,08
0,03
-0,04
0,02
0,04
-0,04
-0,01
0,01
0,07
-0,07
Maaperän
kosteus
0,82***
0,63***
0,82***
0,73***
0,07
-0,19***
1***
0,55***
-0,01
-0,33***
0,21***
-0,16**
-0,39***
0,43***
-0,55***
0,33***
0,23***
0,11*
Keskilämpötila
0,58***
0,27***
0,69***
0,74***
0,13**
-0,04
0,55***
1***
-0,07
-0,56***
0,18***
-0,14**
-0,63***
0,57***
-0,81***
0,38***
0,3***
0,43***
Säteily
0
0,13*
0,02
-0,02
0,01
-0,08
-0,01
-0,07
1***
0,1*
0,09
0
-0,1*
-0,21***
0,16***
-0,17***
0,01
0,02
TPI
-0,36***
-0,26***
-0,37***
-0,43***
-0,05
0,03
-0,33***
-0,56***
0,1*
1***
-0,37***
0,36***
0,11*
-0,39***
0,56***
-0,22***
-0,21***
-0,37***
TWI
0,17***
0,07
0,17***
0,2***
-0,01
-0,04
0,21***
0,18***
0,09
-0,37***
1***
-0,25***
-0,03
0,15**
-0,27***
0,29***
-0,1*
0,05
Kaarevuus
-0,14**
-0,11*
-0,13**
-0,17***
0,08
0,02
-0,16**
-0,14**
0
0,36***
-0,25***
1***
-0,15**
-0,14**
0,16**
-0,08
-0,03
-0,1*
Lumisuus
-0,41***
-0,18***
-0,52***
-0,53***
-0,1*
0,04
-0,39***
-0,63***
-0,1*
0,11*
-0,03
-0,15**
1***
-0,32***
0,49***
-0,17***
-0,24***
-0,31***
Kallioperän
emäksisyys
0,55***
0,26***
0,56***
0,54***
0,2***
-0,04
0,43***
0,57***
-0,21***
-0,39***
0,15**
-0,14**
-0,32***
1***
-0,77***
0,6***
0,14**
0,11*
Lohkare
-0,64***
-0,31***
-0,69***
-0,72***
-0,15**
-0,01
-0,55***
-0,81***
0,16***
0,56***
-0,27***
0,16**
0,49***
-0,77***
1***
-0,72***
-0,22***
-0,21***
Moreeni
0,44***
0,1*
0,45***
0,4***
0,12*
0,01
0,33***
0,38***
-0,17***
-0,22***
0,29***
-0,08
-0,17***
0,6***
-0,72***
1***
-0,3***
-0,29***
Liite 6. Mallinnuksessa käytettyjen muuttujien korrelaatiomatriisi, joka on laskettu Spearmanin korrelaatiokertoimella.
Kertoimien tilastollinen merkitsevyys on kirjattu: *** = <0.001, ** = <0.01, *= <0.05 ja >│0,7│ korrelaatiot on paksunnettu.
NPP ei ole korrelaatiomartiisissa, sillä se on ilmaston ilmentymä ja sen korrelaatiot ovat samat kuin keskilämpötilalla.
Glasifluviaalinen
0,2***
0,23***
0,22***
0,23***
0,09
0,07
0,23***
0,3***
0,01
-0,21***
-0,1*
-0,03
-0,24***
0,14**
-0,22***
-0,3***
1***
-0,09
Orgaaninen
0,1*
0,13*
0,17***
0,27***
-0,05
-0,07
0,11*
0,43***
0,02
-0,37***
0,05
-0,1*
-0,31***
0,11*
-0,21***
-0,29***
-0,09
1***
Liite 7. Rakennemalli, jossa kuvattuna kaikki havainnot ja niiden kovarianssit, joiden avulla
komposiittimuuttujat luodaan.
107
108
N
NPP
1,73
Maaperän kosteus
Topografia
-0,11
P
NPP
1,13
Maaperän kosteus
Topografia
-0,09
C
NPP
1,92
Maaperän kosteus
Topografia
-0,12
Ca
NPP
2,48
Maaperän kosteus
Topografia
-0,18
Fe
NPP
-0,74
Maaperän kosteus
Topografia
0,05
pH
NPP
-0,22
Maaperän kosteus
Topografia
0,02
10,31
-2,69
8,67
-2,91
10,23
-2,69
8,86
-2,85
-4,88
2,57
-3,64
2,31
0,17
0,04
0,13
0,03
0,19
0,05
0,28
0,06
0,15
0,02
0,06
0,01
0,02
0
0,01
0
0
0
0,01
0
0
0
0,01
0
0,02
-0,07
0,02
-0,09
-0,07
0,24
-0,07
0,29
-0,09
0,32
-0,07
0,32
1,37
1
0,91
1
0,63
1
0,51
1
-0,27
1
0,43
1
0,54
0,26
0,21
0,17
0,04
0,06
0,04
0,05
0,15
0,06
0,05
0,04
2,55
3,87
4,28
5,87
13,98
16,04
13,07
22,06
-1,74
15,48
9,55
22,64
0
0
0,01
0
0
0
0
0
0
0
0,08
0
Epäsuora vaikutus
Suora vaikutus
Kerroin Keskivirhe z-arvo p-arvo Standardoitu kerroin Kerroin Keskivirhe z-arvo p-arvo
0,13
0,19
0,2
0,28
0,45
0,52
0,37
0,62
-0,08
0,7
0,29
0,68
1,15
1
0,02
0,17
1
0,05
3,11
1
-0,18
2,43
1
-0,12
0,87
1
-0,09
2,16
1
-0,11
0,53
0,26
0,01
0,27
0,17
0,02
0,27
0,06
0,06
0,18
0,05
0,05
0,17
0,06
0,03
0,16
0,04
0,04
2,17
3,87
2,31
0,65
5,87
2,57
11,47
16,04
-2,85
13,41
22,06
-2,69
5,11
15,48
-2,91
13,32
22,64
-2,69
Kokonaisvaikutus
Standardoitu kerroin Kerroin Keskivirhe z-arvo
0,03
0
0,02
0,52
0
0,01
0
0
0
0
0
0,01
0
0
0
0
0
0,01
0,05
0,19
0,02
0,11
0,28
0,02
0,69
0,52
-0,07
0,66
0,62
-0,07
0,24
0,7
-0,09
0,6
0,68
-0,07
p-arvo Standardoitu kerroin
Liite 8. Rakenneyhtälömallin selittävien tekijöiden suora, epäsuora ja kokonaisvaikutus. Maaperän kosteus ei ole mukana, sillä sillä
oli ainoastaan suora vaikutus pintamaan geokemiamuuttujiin.
Liite 9. Rakenneyhtälömallien kertoimet, keskivirheet, p-arvot ja z-arvot. NPP1 kuvastaa
komposiittimuuttujaa, jolla kuvataan NPP:n ja ravinteisuuden epälineaarista vastetta ja
NPP2:lla taas maaperän kosteuden ja NPP:n epälineaarista vastetta. Maaperän kosteus1 on
alkuperäinen maaperän kosteusmuuttuja ja maaperän kosteus2 maaperän kosteuden ja
ravinteisuuden epälineaarista suhdetta kuvaava komposiittimuuttuja. Yksi aaltomerkki (~)
kuvaa regressiorakennetta ja kaksi aaltomerkkiä (~~) kovarianssirakennetta muuttujien välillä.
Standardisoitu
kerroin
Keskivirhe
0,29
0,05
0,68
0,04
0,93
0,02
0,5
0,09
-0,12
0,02
0,04
0
0,4
0
0,42
0
0,97
0
z
p-arvo
9,55
0
22,64
0
74,48
0
11,72
0
-2,71 0,007
0,8 0,426
6,72
0
6,96
0
13,91
0
Standardisoimaton
kerroin
0,43
1
1,69
1,02
-0,06
0
0
0,01
0,03
Vaste
N
N
Maaperän kosteus2
Maaperän kosteus1
Maaperän kosteus1
Maaperän kosteus2
Maaperän kosteus2
Maaperän kosteus2
NPP1
~
~
~
~
~
~~
~~
~~
~~
Selittävä tekijä
NPP1
Maaperän kosteus2
Maaperän kosteus1
NPP2
Topografia
Topografia
NPP2
NPP1
NPP2
P
P
Maaperän kosteus2
Maaperän kosteus1
Maaperän kosteus1
Maaperän kosteus2
Maaperän kosteus2
Maaperän kosteus2
NPP1
~
~
~
~
~
~~
~~
~~
~~
NPP1
Maaperän kosteus2
Maaperän kosteus1
NPP2
Topografia
Topografia
NPP2
NPP1
NPP2
-0,08
0,7
0,95
0,48
-0,13
0,04
0,38
0,36
0,99
0,15
0,06
0,01
0,09
0,02
0
0
0
0
-1,74
15,48
92,7
10,54
-2,96
0,72
6,12
5,89
13,53
0,081
0
0
0
0,003
0,469
0
0
0
-0,27
1
1,18
0,96
-0,07
0
0
0
0,01
C
C
Maaperän kosteus2
Maaperän kosteus1
Maaperän kosteus1
Maaperän kosteus2
Maaperän kosteus2
Maaperän kosteus2
NPP1
~
~
~
~
~
~~
~~
~~
~~
NPP1
Maaperän kosteus2
Maaperän kosteus1
NPP2
Topografia
Topografia
NPP2
NPP1
NPP2
0,37
0,62
0,92
0,5
-0,12
0,04
0,4
0,41
1
0,04
0,05
0,03
0,09
0,02
0
0
0
0
13,07
22,06
68,66
11,72
-2,71
0,8
6,72
6,83
14,1
0
0
0
0
0,007
0,426
0
0
0
0,51
1
1,88
1,02
-0,06
0
0
0,02
0,05
Ca
Ca
Maaperän kosteus2
Maaperän kosteus1
Maaperän kosteus1
Maaperän kosteus2
Maaperän kosteus2
Maaperän kosteus2
NPP1
~
~
~
~
~
~~
~~
~~
~~
NPP1
Maaperän kosteus2
Maaperän kosteus1
NPP2
Topografia
Topografia
NPP2
NPP1
NPP2
0,45
0,52
0,97
0,48
-0,13
0,04
0,38
0,37
1
0,04
0,06
0,02
0,09
0,02
0
0
0
0,01
13,98
16,04
146,91
10,65
-2,9
0,83
6,19
6,04
13,62
0
0
0
0
0,004
0,408
0
0
0
0,63
1
2,59
0,96
-0,07
0
0
0,02
0,07
Fe
Fe
Maaperän kosteus2
Maaperän kosteus1
Maaperän kosteus1
Maaperän kosteus2
Maaperän kosteus2
Maaperän kosteus2
NPP1
~
~
~
~
~
~~
~~
~~
~~
NPP1
Maaperän kosteus2
Maaperän kosteus1
NPP2
Topografia
Topografia
NPP2
NPP1
NPP2
0,2
0,28
-0,67
0,49
-0,13
0,04
0,38
0,4
0,88
0,21
0,17
0,05
0,09
0,02
0
0
0
0
4,28
5,87
-14,32
11,14
-2,92
0,88
6,3
6,68
13,06
0
0
0
0
0,004
0,377
0
0
0
0,91
1
-0,76
0,96
-0,07
0
0,01
0,01
0,02
ph
ph
Maaperän kosteus2
Maaperän kosteus1
Maaperän kosteus1
Maaperän kosteus2
Maaperän kosteus2
Maaperän kosteus2
NPP1
~
~
~
~
~
~~
~~
~~
~~
NPP1
Maaperän kosteus2
Maaperän kosteus1
NPP2
Topografia
Topografia
NPP2
NPP1
NPP2
0,13
0,19
-0,78
0,49
-0,12
-0,03
-0,39
-0,23
0,31
0,54
0,26
0,01
0,09
0,02
0
0
0
0
2,55
3,87
-30,5
11,4
-2,89
-0,71
-6,64
-4,5
5,92
0,011
0
0
0
0,004
0,481
0
0
0
1,37
1
-0,22
1
-0,07
0
0
0
0
109
Liite 10. Maaperän typen GBM-malliin perustuva alueellinen ennuste, havaitut arvot (pisteet)
ja residuaalit suhteessa korkeuteen.
110
Liite 11. Maaperän fosforin GBM-malliin perustuva alueellinen ennuste, havaitut arvot
(pisteet) ja residuaalit suhteessa korkeuteen.
111
Liite 12. Maaperän hiilen GBM-malliin perustuva alueellinen ennuste, havaitut arvot (pisteet)
ja residuaalit suhteessa korkeuteen.
112
Liite 13. Maaperän kalsiumin GBM-malliin perustuva alueellinen ennuste, havaitut arvot
(pisteet) ja residuaalit suhteessa korkeuteen.
113
Liite 14. Maaperän raudan GBM-malliin perustuva alueellinen ennuste, havaitut arvot
(pisteet) ja residuaalit suhteessa korkeuteen.
114
Liite 15. Maaperän pH:n GBM-malliin perustuva alueellinen ennuste, havaitut arvot (pisteet)
ja residuaalit suhteessa sekä korkeuteen.
115