Izvirni znanstveni članek / Original scientific paper stabilnost gozdnih površin v sloveniji kot kriterij krajinske pestrosti in obstojnosti the stability of forest areas in slovenia as a criterion of landscape diversity and durability Janez PIRNAT1, Andrej KOBLER2 (1) Univerza v Ljubljana, Biotehniška fakulteta, Oddelek za gozdarstvo in obnovljive gozdne vire, Večna pot 83, SI-1000 Ljubljana, Slovenija (2) Gozdarski Inštitut Slovenije, Večna pot 2, SI-1000 Ljubljana, Slovenija izvleček Stabilnost notranjega okolja gozdov je pomemben kazalec biotske pestrosti na krajinskem nivoju, ko se odločamo o tem, ali bi določene gozdove lahko izkrčili. Zaradi tega smo se odločili, da ocenimo stabilnost notranjega gozdnega okolja v Sloveniji med letoma 1975 in 2012, saj so nam na voljo primerljivo dovolj natančni podatki o gozdni maski za teh 38 let. Štiri vrste sprememb pokrovnosti z gozdom (stabilni negozd, krčitve, zaraščanje in stabilni gozd) pojasnjujemo z empiričnim modelom v obliki odločitvenega drevesa, ki upošteva nadmorsko višino, naklon terena, talni tip, oddaljenost vsake celice na rastrski karti od gozdnega roba v izhodiščnem letu, oddaljenost vsake celice na rastrski karti od najbližjega naselja v izhodiščnem letu. Pojasnjevalne modele smo zgradili po metodi strojnega učenja (Quinlan, 1986) z orodjem See5 (www.rulequest. com). Natančnost izbranega modela je znašala 74,65 %. V letu 2012 so stabilni gozdovi, katerih površina se od leta 1975 ni spreminjala, pokrivali 53 % Slovenije. Izmed vseh spremenljivk najbolje pojasnjujeta spremembo rabe začetna oddaljenost od gozdnega roba in deloma naklon terena. Oddaljenost od naselij in nadmorska višina nimata opaznega vpliva. Ključne besede: stabilnost notranjega okolja, prvobitnost gozdov, Slovenija, spremembe pokrovnosti ABSTRACT The stability of forest core areas is an important indicator of biotic diversity on a landscape level in the process of deciding whether certain forests could be cleared. Consequently, we decided to estimate the stability of forest core areas in Slovenia between 1975 and 2012, as we are in possession of sufficiently accurate data to make a comparison of forest cover for these 38 years. Four types of changes in forest coverage (stable non-forest, deforestations, overgrowing and stable forest) are explained with an empiric model designed as a decision tree, which takes into account the altitude, the slope of the terrain, ground type, the distance of each cell on a raster map from the forest edge in the base year and the distance of each cell on a raster map from the nearest settlement in the base year Explanatory models were built using the method of machine learning (Quinlan, 1986) using See5 (www.rulequest.com). The accuracy of the chosen model was 74.65%. In 2012, stable forests covered 53 % of Slovenia; their coverage has remained unchanged since 1975. From all the variables, land-use changes are best explained by the initial distance from the forest edge and partially by the slope of the terrain. The distance from settlements and the altitude, on the other hand, do not play a significant role. Key words: stability of core area, persistent forests, Slovenia, land-use change GDK 91:11(497.4)(045)=163.6 Prispelo / Received: 02. 04. 2014 Sprejeto / Accepted: 20. 08. 2014 1 uVOD 1 introduction Ohranjanje večjih sklenjenih površin naravnih habita-tov je eden izmed možnih kriterijev za ocenjevanje biotske pestrosti (Alvey, 2006). Biotsko pestrost sicer zagotavljamo na genskem, vrstnem in ekosistemskem oziroma krajinskem nivoju. Na slednjem je pomembno, kako so v matici razporejeni krajinski gradniki, ki so nosilci pestrosti. Če velja, da je v naših razmerah v gozdni in gozdnati krajini matica gozd, pa je v kmetijski krajini to kmetijska raba. V obeh primerih je treba raziskati, kakšna je obstojnost gozdne matice, zaplat pa tudi koridorjev v času in prostoru, kateri so tisti deli gozdne maske, ki so obstali na svojem mestu od časov, ko je prostor preoblikovalo pretežno tradicionalno kmetijstvo, pa do najnovejših časov, ko prostor preoblikujemo predvsem z uporabo fosilne energije. Gozdovi so najbolj zreli kopenski ekosistemi, vendar je pot do zrelosti dolga, gozdovi potrebujejo mnogo let, da preidejo iz predzrelostnega stanja v zrelo stanje, slednje se po Odumu (1969) kaže v številnih kazalcih, omenimo vsaj visoke vrednosti neto proizvodnje, količine organske snovi, vrstne pestrosti in vrstne heterogenosti, notranje simbioze, pa tudi dobre zmožnosti ohranjanja hranil in odpornosti proti zunanjim motnjam. V Sloveniji narašča število posegov v gozdove, pretežno za kmetijske namene, čeprav je konec 20. stoletja zaznamovalo prekomerno opuščanje in zaraščanje kmetijskih površin (Kobler in sod,. 2005), ki se je sicer v zadnjem času ustavilo. V dosedanji metodologiji preverjanja možnosti za posege v gozd so težave povzročali ohlapno določeni kriteriji za presojo krčitev, to pa je oteževalo tako gozdarsko načrtovanje kot sodelovanje gozdarstva z drugimi uporabniki prostora (Pirnat, 2013). Zato smo na podlagi tujih in domačih raziskav ter analize dosedanjih pristopov pri sodelovanju gozdarstva v večnamenski rabi prostora zaznali glavne težave dosedanjih kriterijev za presojo krčitev gozdov. Na podlagi izsledkov tako predlagamo drugačna izhodišča pri odločanju o prihodnjih krčitvah gozdov v kmetijske in druge namene, ki pa mora temeljiti tudi na posodobljenem metodološkem pristopu za določanje krajinskih tipov (prim. Pirnat in sod., 2013). Tako smo že predlagali poenostavitev dosedanjega sistema določanja funkcij gozda, določitev objektivnej-ših kazalcev za njihovo ocenjevanje in novo ovrednotenje funkcij s poudarkom na pestrostni funkciji posebej v kmetijski in primestni krajini. To poenostavitev smo tudi praktično pripravili v dosedanjem delu (Pirnat, 2007; Planinšek in Pirnat 2012a, b) in bi jo bilo mogoče ob spremembi zakonodaje že v veliki meri prenesti v vsakdanjo prakso. Pri izbiri lokacije posegov v gozd bi morali upoštevati tudi sukcesijsko zrelost gozdov z visoko ohranjenostjo (drevesna sestava blizu naravni), ugodno zasnovo in z načrtno usmerjenimi preteklimi energijskimi in snovnimi vlaganji v nego in morebitno sanacijo (Pirnat in Hladnik, 2009). Hkrati je pri načrtovanju sprememb rabe tal treba ohranjati dovolj velike površine sklenjenih gozdov z ohranjenimi jedri notranjega okolja in gozdove, ki zasedajo strateško pomembna mesta, ta pa omogočajo povezave z drugimi zaplatami oziroma gozdno matico in tako ustavarjajo ekološko omrežje oziroma krajinski vzorec (Forman in Collinge, 1997; Pirnat in Kobler, 2012; Hladnik in Pirnat, 2011). Odprto vprašanje pa je ostalo, kako kot kriterij za presojo posegov vključiti tudi prostorsko in časovno stabilne gozdne površine, vključno z gozdnim robom, predvsem pa, kako lahko na podlagi dosedanjih sprememb rabe napovedujemo scenarije prihodnjega razvoja oziroma sprememb gozdnih površin; tega smo se zato lotili v pričujoči raziskavi z namenom, da bi tako zaokrožili kriterije, ki bi jih bilo treba upoštevati pred odločitvijo za krčitve gozdov. 2 METODE DELA 2 METHODS Odločili smo se, da ocenimo stabilnost notranjega gozdnega okolja v Sloveniji med letoma 1975 in 2012, saj so nam na voljo primerljivo dovolj natančni podatki o gozdni maski za teh 38 let. Gozdno masko za leto 1975 smo pridobili iz topografske karte 1:50.000 iz leta 1981, rastrirano na 25 m. Gozdno masko za leto 2012 predstavlja razred 2000 iz baze kmetijske rabe tal MKGP z dne 10. septembra 2012, zaradi primerjave tudi rastrirana na 25 m. Štiri vrste sprememb pokrov-nosti z gozdom (stabilni negozd, krčitve, zaraščanje in stabilni gozd) pojasnjujemo z empiričnim modelom (v obliki odločitvenega drevesa), ki upošteva naslednje ekološke in družbene vplivne dejavnike: nadmorska višina, naklon terena, oddaljenost vsake celice na rastrski karti od gozdnega roba v izhodiščnem letu, oddaljenost vsake celice na rastrski karti od najbližjega naselja v izhodiščnem letu. S prostorskim presekom nekdanje in sedanje maske gozdov smo izdelali karto, ki prikazuje štiri vrste sprememb v prostoru: stabilni negozd, krčitve, zaraščanje in stabilni gozd. Pojem zaraščanje opisuje v našem primeru tako naravno zaraščanje kot ogozditev. Nato smo z empiričnim modelom povezali karto sprememb pokrovnosti z gozdom s kartami zgoraj naštetih ekoloških in družbenih dejavnikov, s katerimi smo želeli pojasniti spremembe gozdnatosti. Namen modela je bil razumevanje in pojasnjevanje povezav med spremembami gozdnatosti in vplivnimi faktorji. Vzorce za modeliranje smo izdelali takole: prešteli smo vse celice prostorskega rastra, posebej za vsako od štirih vrst sprememb, nato pa iz bolj zastopanih treh vrst sprememb slučajnostno vzorčili rastrske celice, tako da smo dobili približno enako število celic za vsako vrsto spremembe. Iz tega vzorca smo nato slučajnostno izbrali dva enako velika podvzorca. Enega smo uporabili za učenje (izdelavo, kalibracijo, modela, drugega pa za ocenjevanje njegove natančnosti. Pojasnjevalne modele v obliki odločitvenih dreves smo na podlagi empiričnih učnih podatkov v prvi podmno-žici rastrskih celic zgradili po metodi strojnega učenja (Quinlan, 1986) z orodjem See5 Release 2.02a (www. rulequest.com). Odločitveno drevo je hierarhično organizirana množica pravil v obliki IF-THEN, s katerimi model določa vrednost ciljne oziroma odvisne spremenljivke - v našem primeru spremembe gozdnatosti - na podlagi poljubne kombinacije vrednosti pojasnjevalnih oziroma neodvisnih spremenljivk. S spreminjanjem učnih parametrov orodja See5 (predvsem zahtevano najmanjše število primerov, ki naj ga pojasni vsako pravilo v odločitvenem drevesu) smo izdelali vrsto pojasnjevalnih modelov, ki se med seboj razliku- jejo po natančnosti napovedi, velikosti odločitvenega drevesa oziroma številu pravil, ki jih model vključuje. Na splošno rečeno večje odločitveno drevo zagotavlja boljšo napovedovalno natančnost modela, vendar ga je težje intuitivno razumeti in je zato manj uporabno za razlago pojava od manjšega drevesa. natančnost modelov smo ocenili na podlagi matrike napak, ki smo jo izračunali na podlagi neodvisnega vzorca. Preizkusili smo dve skupini modelov. Pri obeh skupinah modelov je bila enota vzorčenja rastrska celica oziroma piksel velikosti 25 m. Slučajnostno so bili vzorčeni vsi piksli znotraj meje države s stopnjo vzorčenja 5 %. Napaka modela je bila ocenjena na enako velikem neodvisnem slučajnostnem vzorcu. 2.1 Pojasnjevalni modeli 2.1 Explanatory models Prvo skupino modelov so sestavljali pojasnjevalni modeli na podlagi vzorčenja ne glede na deleže tipov sprememb v vzorcu. Natančnost modelov je znašala med 86,3 % in 88,5 %, odvisno od pojasnjevalnih spremenljivk, vključenih v posameznih modelih. Modeli kažejo, da spremembe rabe najbolje pojasnjuje začetna oddaljenost od gozdnega roba. Oddaljenost od naselij in nadmorska višina nimata pomembnega vpliva. Pri takem načinu vzorčenja v modelu bolj prevladajo vplivi, ki jih je zaznati pri najbolj pogostem tipu sprememb (to je stabilen gozd), manj pa so v modelu pomembni vplivi, ki se pojavljajo pri krčitvah. Ker so modeli te skupine le deloma uporabni za razumevanje pojava, smo se odločili spremembo rabe tal razlagati z drugo skupino modelov, ki so jo sestavljali pojasnjevalni modeli na podlagi vzorčenja pikslov z uravnoteženjem frekvenc posameznih tipov sprememb v vzorcu. Stopnja slučaj-nostnega vzorčenja znotraj tako izbranih pikslov je bila zaradi manjše populacije pikslov povišana na 10 %. Natančnost modelov se je tokrat gibala med 40,9 % do 75,3 %, odvisno od spremenljivk, vključenih v posameznih modelih. Razmeroma nizka natančnost 40,9 % se je pojavila, ko smo iz nabora pojasnjevalnih spremenljivk izločili začetno razdaljo od gozdnega roba, ohranili pa začetno razdaljo do naselij, naklon terena in nadmorsko višino. Enako kot pri prvi skupini modelov tudi tu spremembo rabe najbolje pojasnjujeta začetna oddaljenost od gozdnega roba in deloma naklon terena. Oddaljenost od naselji in nadmorska višina nimata pomembnega vpliva. Ob upoštevanju tudi razdalje do gozdnega roba pa so bile natančnosti modelov med 74,6 % in 75,3 %. Preizkusili smo tudi model, kjer smo upoštevali poleg omenjenih spremenljivk še talne tipe in razdalje do ceste. V tem primeru je bila natančnost modela podobna, in sicer 75,0 %. Pri načinu vzorčenja z enako pogostostjo vseh tipov sprememb v vzorcu so vplivi vseh tipov sprememb enako močni, zato je zanesljivost napovedi manj odvisna od tipa napovedovane spremembe. Tak model je boljši za razumevanje pojava, manj dober pa je za napovedovanje pojava, ker je skupna natančnost modela nižja. Kot primer slika 1 kaže model, ki je rezultat učenja See5 s takimi učnimi parametri, ki zagotavljajo kompromis med jedrnatostjo (razumljivostjo) modela in njegovo napovedovalno natančnostjo. V učni vzorec pri tem poskusu nismo vključili pojasnjevalnih spremenljivk, ki se pri prejšnjih poskusih niso pokazale kot pomembne. To so razdalja do najbližje ceste, pripadnost regiji ter talni tip. Natančnost tega modela znaša 74,6 %. Spremembo rabe pojasnjuje z začetno razdaljo do gozdnega roba (ki je pozitivna zunaj gozda in negativna v gozdu) v metrih. Atribut sprememba rabe je enak ID spremembe, pojasnjen ob sliki zgoraj. Številke v oklepajih na koncu posameznih vrstic modela kažejo število učnih primerov v posameznem listu odločitvenega drevesa (prva številka) ter število napačno napovedanih primerov (druga številka). Stopnja vzorčenja je 10 %. Učni vzorec vsebuje 422.772 pikslov, zastopanost vseh tipov sprememb rabe v učnem vzorcu je enaka. Učni parameter Pruning Confidence Level znaša 1 % in se nanaša na intenzivnost obvejevanja dreves. Možni razpon vrednosti je 1 % do 99 %. Majhne vrednosti vodijo k bolj intenzivnemu obvejevanju, torej nastane manjše odločitveno drevo. Najmanjše dovoljeno število pikslov oziroma U.m Ml 4 ur rnr LrjiJnlilf FriudÄj «jnlMooca leval 11 Teat rsqjlms Z Srinclijen jLlti s- SOOOü uaa«» sp«Liirl«t:l by iAM.rib'jlH 'i]|:nu]HntiTi_j'uti'4' ki^Ad c^M^ 11 AltrIhjttiaI Irm u/AvnotaESJtvaoiac.-^dtA llac^flinn tr44Kt Mijstna raUalji üd flosJuagii rcLH -c,- ii: ; It; J rlHJ5S/JTlSJt TAiintii r JI zJi I J A jjq rchi > -it,-. 'J iaecT nj_ta tda 1 et ^ > 25: jcätni ra L jä do, gaisdFii}^ T- 2 11061 Dt/Jtoazi i Hi: 1 liviJijjtitm (ift nrainlnij data HP.llil cafust: tj4ti:i;^inn TrHbi l^irüTa < (ü) (6] fe> (il 15S19 ZS052