Periglasiaalisten ilmiöiden alueellinen ... - Helda - Helsinki.fi

Kuva 83. Kuuden GAM-ennusteen (edellinen sivu) Spearmanin korrelaatiokertoimet
evaluointiaineistolle.
Kaikki kuusi mallia ennustavat rinneprosesseja hyvin Spearmanin korrelaatioiden
vaihdellen vain hieman havaittuja arvoja vastaan. Suurin ero evaluointiaineiston
perusteella on ennusteilla kaksi ja kuusi.
Eräs epävarmuutta ja mahdollisesti virheitä malleihin tuova seikka on se, että
havaintoaineistoa on ollut kentällä keräämässä kolme eri henkilöä. Visuaaliseen
havainnointiin perustuva aineiston keruu on aina subjektiivista, jolloin tulokset saattavat
erota eri tutkijoiden kesken.
Ehkä tärkein selittävien ympäristömuuttujien lähde on digitaalinen korkeusmalli,
josta pystytään laskemaan monia topografisia muuttujia (Guisan & Zimmermann 2000:
156–157). DEM sisältää aina systemaattisia ja ei-systemaattisia interpoloinnista
johtuvia virheitä, jotka kertautuvat johdannaisten (esimerkiksi rinteen kaltevuuden)
laskemisessa (Oksanen & Sarjakoski 2005). Mallinnuksessa esiintyvää epävarmuutta
voidaan vähentää käyttämällä niin sanottuja konsensus metodeja, jolloin liitetään yhteen
useamman mallinnusmenetelmän tuottama ennuste (Marmion et al. 2009). Tätä
menetelmää on käyttänyt esimerkiksi Thuiller (2004) tutkiessaan globaalimuutoksen
aiheuttamaa kasvien levinneisyyden muutosta ja siihen liittyvää epävarmuutta. Muita
selittävistä tekijöistä aiheutuvia virhelähteitä ovat esimerkiksi väärä mittakaava
tutkittavaan ilmiöön nähden, sijaintitarkkuus, mittaustarkkuus sekä selittävien
muuttujien mahdollisesta interpoloinnista aiheutuvat virheet (Walsh et al. 1998: 193;
Guisan & Zimmermann 2000: 151). Edellä mainitut seikat huomioon ottaen
102