A modell that predicts naturual forest types based on geographic information

Sveriges yta täcks idag av närmare 60 % skog, varav större delen utnyttjas för skogsbruk. Hur skogsbruk ska bedrivas är omdiskuterat, och alternativa metoder till det dominerande trakthyggesbruket har utvecklats. Vissa av dessa metoder, t.ex. Lübeckmodellen, utgår från naturliga förutsättningar för att producera en skog som lämpar sig på en given plats. Syftet med denna studie är att utveckla en modell som med enkla GIS-data översiktligt kan prediktera naturliga skogstyper utifrån andra variabler än befintlig skog, då den skog som finns idag ofta är planterad och därför inte alltid avslöjar en plats naturliga skogstyp. Förhoppningen är att modellen ska kunna vara användbar vid skötsel av och omställning till naturlig skog. Studien baserades på skogsområden vars vegetation antogs vara naturlig (naturreservat, nyckelbiotoper o.dyl.) i Askersunds kommun, Örebro län. En additiv Generalized linear model (GZLM) har använts, och prediktionen baseras på jordmån, berggrund, höjddata och grundvattendata. Resultatet av första testet, baserat på de träningspunkter som utgjorde grunden för modellen, och av valideringen med nya, oberoende punkter från andra skogsområden, skiljer sig åt. Det första testet indikerar att prediktionen fungerar väl för flera av skogstyperna, medan valideringen ger motsatt bild och visar att prediktionen i praktiken inte fungerar. Om modellen vidareutvecklas och kan fungera skulle den kunna underlätta och effektivisera skötsel av skog, t.ex. vid kontinuerligt skogsbruk anpassat efter naturlig skogstyp. Fältarbetet skulle kunna koncentreras till områden som predikterats till lämplig skogstyp. Sweden is covered by 60 % forestland, and most of it is used in forestry. There is a debate about the forestry methods in Sweden, where clear felling is the most commonly used practice, and alternate methods are being developed. Some of these methods, for example the Lübeck model, is focused on producing the best suited forest for a site, based on the environmental conditions. That forest would probably be of the natural forest type of that location. With this study a model is developed to predict natural forest types based on easily available GIS-data and without using remote sensing. Remote sensing is not considered to be useful in this particular case, since only the already existing vegetation can be analyzed using that method. Existing forests are likely to have been planted, and does not necessarily correspond to the type of vegetation that would develop, were there no human impact. The study was conducted by using forested areas that could be assumed to be natural (within nature reserves and other protected areas) in Askersund municipality, Örebro county, Sweden. An additive Generalized Linear Model (GZLM) has been used, and the prediction is based on soil, bedrock, elevation data and ground water data. The results from the first test, based on the training points on which the model was built, and the validation based on new, independent points from different forest areas, differ. The first test indicate that prediction works well for several of the forest types, while the validation gives the opposite results and shows that the prediction does not actually work. If the model was further developed and would become a working tool, it could make forest management easier and more effective, for example when continuous forestry is carried out. Field work could be concentrated to areas where the forest has been predicted to be of desired type