VALKMAN Värde- och kunsskapsbaserade scenarier för hållbart brukande av skogslandskapet

Transkript

1 VALKMAN Värde- och kunsskapsbaserade scenarier för hållbart brukande av skogslandskapet

2 Syfte Modell för förvaltning av landskap som innefattar metoder för att : 1) skatta framtida tillgång på ekosystemvärden givet hur skogen brukas, 2) utarbeta kontrasterande scenarier för skogslandskapets utveckling, 3) involvera intressenter och deras värderingar för avvägning mellan olika målsättningar.

3 Värderingar och deltagande i planeringsprocesser

4 Norra fallstudieområdet, Västerbotten

5 Ekosystemvärden Virkesproduktion Naturvård Rennäring

6 Scenarier för skogens utveckling Utförs med Heurekasystemet:

7 Ekosystemvärden Heureka hanterar trädskiktet Nya ansatser för att hantera annan vegetation

8 Exkursion Käringberget

9 Ekosystemvärden Virkesproduktion Avverkning, jämnhet, virkesförråd Naturvård Gammal skog, lövrik skog, död ved Rennäring Renlav Viltbete Biomassa i betesbar höjd Bärproduktion Blåbärsris

10 Fyra grundscenarier Ökad virkesproduktion Ökad naturvård Dagens skogsbruk Renbruksanpassad

11

12 Värderingar och deltagande i planeringsprocesser Heurekas programvara för flermålsanalys: PlanEval Multi-Criteria Decision Analysis Utvecklas för deltagande planering Finns som web-applikation

13 Workshop med intressenter

14 Renlav (täckningsgrad) Workshop med intressenter Renlavsförekomst 9% 8% 7% 6% 5% 4% 3% BAU VP RS NV 2% 1% 0% År

15 Workshop med intressenter

16 Södra fallstudieområdet norr Norrköping

17 WP 1 Satellit Laser SLU skogsdata ftp://salix.slu.se/download/skogskart a/2010/data/raster/rt90/ - ålder, trädslags data (björk, tall,.) blir anpassat till biomassan av skogliga grunddata (1. räkna ut procent inom skogsdata och räkna ut nya värde med hjälp av skattat biomassa av skogliga grunddata Skogliga grunddata agrunddata -biomassa, medelhjöd, grundyta, volym, markfuktighet, lutning Statiska variabler - altitud, lutning,fuktighetsindex - SMD / liknande + TAX data t.ex.vegetationstyps indelning från den närmaste tax yta Heureka grunddata model grunddata Tax / NILS / respons variabel Variabe. som vi vill skatta /prediktera (t.ex renlav, fågelförekomst, fladdermus, blåbär non tree variable (NTV) model Prognos av trädskiktsdata polygonbaserat samma som ovanför (indata: Satellit och Laser) Prognos av trädskiktsdata raster + Prognos av NTV Raster / polygon

18 WP 1

19 WP 1 Satellit Laser SLU skogsdata ftp://salix.slu.se/download/skogskart a/2010/data/raster/rt90/ - ålder, trädslags data (björk, tall,.) blir anpassat till biomassan av skogliga grunddata (1. räkna ut procent inom skogsdata och räkna ut nya värde med hjälp av skattat biomassa av skogliga grunddata Skogliga grunddata agrunddata -biomassa, medelhjöd, grundyta, volym, markfuktighet, lutning Statiska variabler - altitud, lutning,fuktighetsindex - SMD / liknande + TAX data t.ex.vegetationstyps indelning från den närmaste tax yta Heureka grunddata model grunddata Tax / NILS / respons variabel Variabe. som vi vill skatta /prediktera (t.ex renlav, fågelförekomst, fladdermus, blåbär non tree variable (NTV) model Prognos av trädskiktsdata polygonbaserat samma som ovanför (indata: Satellit och Laser) Prognos av trädskiktsdata raster + Prognos av NTV Raster / polygon

20 Förekomst av blåbär WP 1 År 0 Täckningsgrad av blåbärsris

21 Förekomst av blåbär WP 1 År 25 Täckningsgrad av blåbärsris

22 Förekomst av blåbär WP 1 areal with blueberries [%] years

23 WP 1 Satellit Laser SLU skogsdata ftp://salix.slu.se/download/skogskart a/2010/data/raster/rt90/ - ålder, trädslags data (björk, tall,.) blir anpassat till biomassan av skogliga grunddata (1. räkna ut procent inom skogsdata och räkna ut nya värde med hjälp av skattat biomassa av skogliga grunddata Skogliga grunddata agrunddata -biomassa, medelhjöd, grundyta, volym, makrfuktighet, lutning Statiska variabler - altitud, lutning,fuktighetsindex - SMD / liknande + TAX data t.ex.vegetationstyps indelning från den närmaste tax yta Heureka grunddata model grunddata Tax / NILS / respons variabel Variabel som vi vill skatta /prediktera (t.ex renlav, fågelförekomst, fladdermus, blåbär non tree variabel (NTV) model Prognos av trädskiktsdata polygonbaserat samma som ovanför (indata: Satellit och Laser) Prognos av trädskiktsdata raster + Prognos av NTV Raster / polygon

24 Modell för skattning av antalet sångfågelarter Svensk Fågeltaxering WP 1 Generalised Additive Model

25 WP 1

26 WP 1 s(age_forest,6.22) prop_aker s(age sd_forest,5.3) s(prop_aker,1) prop_skog s(bio_mean,0) s(prop_skog,5.56) prop_vaten s(decisious_bar,1) s(prop_vaten,2.46) s(prop_bygg,2.36) prop_bygg age_forest age sd_forest bio_mean decisious_bar

27 WP 1

28 WP 1

29 Fältkontroll av modellen WP 1

30 ~ 0.81 WP 1

31 Delprojekt (WP) WP 1. Skattning av ekosystemvärden på landskapsnivå Sven Adler, Henrik Hedenås, Grzegorz Mikusinski WP 2. Scenarier för skogslandskapets utveckling Hampus Holmström, Karin Öhman, Tomas Lämås, WP 3. Värde-baserat beslutsfattande Karin Öhman, Elin Ångman, Eva-Maria Nordström

32 Skogliga hållbarhetsanalyser, SHa