Hirvikannan arviointimenetelmä

Hirvikannan koon ja rakenteen arvioinnissa käytettävä laskentamalli yhdistää tietoja useasta lähteestä, esimerkiksi havainnoista ja lentolaskennasta saatuja tuloksia.

Seuraavassa esitetään kuvien avulla Bayes-tilastotieteen periaate, jolla eri aineistoista muodostetaan hirvikannan koon ja rakenteen todennäköisyysjakaumat.

Laskennassa hirvitalousalueen hirvitiheyden mahdolliset arvot on rajattu siten, että negatiiviset lukemat eivät käy (kuva 1) – hirviä on täytynyt olla alueella ennen jahtia vähintään niin paljon kuin niitä on saatu saaliiksi.

Talousalueen metsästysseurueiden jäävän kannan arvioista on laskettu metsästyspinta-alalla painotettu keskiarvo sekä tälle lukemalle keskivirhe (kuva 2). Näin johdettua jäävän kannan arvion normaalijakaumaa on pohjoisessa Suomessa kalibroitu lentolaskentojen tiheyksillä, sekä koko maassa jäävän kannan arvioiden riittävyysanalyysiin perustuen.

Lisätietoa lentolaskennoista

Hirvihavaintojen lukumäärä metsästyspäivää kohti antaa käyttökelpoisen indeksin (kuva 3) hirvikannan koolle. Indeksin oletetaan olevan hirvitalousalueella suoraan verrannollinen kannan tiheyteen. Esimerkiksi 10 prosentin nousu indeksissä viittaa samansuuruiseen kasvuun alueen kannassa. Indeksin arvon ja kannan tiheyden välisen yhteyden voimakkuus vaihtelee alueittain.

Edellisen vuoden kannasta voidaan tietyllä tarkkuudella päätellä seuraavan vuoden kannan koko (kuva 4). Vasatuoton ja hirvien kuolleisuuden arvioinnin epävarmuustekijät, kuten muutokset kannan rakenteessa, suurpetokannoissa ja sääolosuhteissa sekä mahdollinen nettomuuttovoitto- tai tappio heikentävät edellisvuoden ennustuskykyä.

Joillakin alueilla on suoritettu kevät-talvisia lento- ja/tai maalaskentoja (kuva 5). Lentolaskenta antaa useimmiten arvokasta lisäinformaatiota kannan tilasta. Epävarmuutta lentolaskennan arvioihin tuovat otanta-asetelma ja hirvien epätäydellinen havaittavuus. Havaittavuutta on mallinnettu ja siten korjattu Luken etäisyysmenetelmällä suoritetuissa lentolaskennoissa.

Kun kaikki edellä luetellut tiedot tuodaan yhteen, nähdään (kuva 6), etteivät ne aina ole täysin sopusoinnussa keskenään. Paikoitellen eri indeksit voivat antaa ristiriitaisen näkemyksen sekä kannan koosta, että viimeisimmästä kannan muutoksesta. Tämän vuoksi mihinkään yksittäiseen tietolähteeseen ei voida varauksetta luottaa.

Arvio perustuu eri tietolähteiden yhdistämiselle

Luken kannanarvioinnin menetelmä on tietolähteiden informaation yhdistäminen (kuva 7. Se ei reagoi kovin voimakkaasti yksittäisiin poikkeaviin havaintoihin jossakin käytettävistä aineistoläheistä. Todennäköisyysjakaumien skaalattu tulo on eräänlainen synteesi, joka kertoo kannan tiheyden mahdollisten arvojen todennäköisyydet ehdollistettuna vuoden hirviaineistolla. Tämän jakauman odotusarvoa voidaan pitää parhaana kompromissina kannan koosta kyseisenä vuonna.

Kannanarvioinnissa yhdistetään useamman vuoden tietoja. Peräkkäisten vuosien kantojen täytyy olla biologisesti yhteensopivia. Kunkin vuoden kannan täytyy olla riittänyt tuottamaan seuraavien vuosien hirvisaaliit. Kun aineistojen yhteensopivuus maksimoidaan yli tutkimusjakson vuosien (2000–nykyhetki), saadaan tuloksena jono todennäköisyysjakaumia (kuva 8), joiden odotusarvojen voidaan ajatella olevan paras arvio hirvikannasta, joka on tuottanut kaikki analyysissa mukana olleet hirvihavainnot.

Uusin tieto on tietysti kiinnostavin, mutta valitettavasti vähiten varma, koska sen tuottamista tulevaisuuden havainnoista ei ole vielä tietoa. Kun uutta aineistoa saadaan, mallin arviot muuttuvat koko aikasarjan ajalta – joskus enemmän, joskus vähemmän.

kuva1Kuva 1. Hirvikannan tiheyden arvioinnin teoreettinen perustaso.kuva2Kuva 2. Metsästysseurueiden ilmoittamista arvioista johdettu jäävän kannan tiheyden todennäköisyysjakauma.kuva1Kuva 3. Havaintoja/päivä -indeksin arvo muunnettuna laskennallisesti hirvitiheyden todennäköisyysjakaumaksi.kuva1Kuva 4. Edellisvuoden kanta-arviosta vasatuoton ja kuolleisuuden avulla johdetun uuden arvion jakauma.kuva1Kuva 5. Lentolaskennan otanta-asetelman ja havaintojen tuottama hirvitiheyden todennäköisyysjakauma.kuva1Kuva 6. Eri tietoihin perustuvien hirvitiheyden jakaumien vertailu.kuva1Kuva 7. Tiedoista johdettu synteesi, joka tunnetaan Bayes-tilastotieteessä posteriorijakaumana.kuva1Kuva 8. Vuotuisten posteriorijakaumien aikasarja – yhtenäisellä viivalla on merkitty todennäköisimmin alueen hirvihavaintoihin johtanut hirvikanta.