Ilmselt on loodusuurijad ja -vaatlejad millalgi käinud igas Eesti paigas. Andmed liikide leiukohtade kohta on jõudnud nende märkmetesse, osa ka riiklikku infosüsteemi EELIS ja levikuatlastesse. Kuid kas on võimalik kaardistada haruldaste ja kaitsealuste liikide tõenäolisi leiukohti?

Levikukaartidel kasutatakse tavapäraselt üsna suure silmaga võrgustikku, näiteks küljepikkusega 10 kilomeetrit. Selline väikesemõõtkavaline kaart annab ülevaate, kust on liiki leitud (vt. # 1). Osaliselt ja varjatult kajastavad levikukaardid kohtade uuritust, vaatlejate elukohti, maastikueelistusi ning huvi teatud liikide vastu. Seetõttu on seniseid levikukaarte liikide esinemistõenäosuse arvutamisel ja liikide elupaiganõudluste modelleerimisel raske kasutada.

Kui tekib huvi näiteks selle vastu, kas Tartu suusamaratoni raja laiendus või muutmine 55.–56. kilomeetril ohustab kaitsealuste taimede kasvukohti või kas kaevata pisisoo asemele tiik, siis ei ole kaitsealuste liikide väikesemõõtkavalistest levikukaartidest kuigi palju abi. Oletame, et puuduvad vaatlusandmed ja otsus on tarvis langetada talvel, kui väliandmeid ei saagi koguda. Sel juhul võib abi olla suuremõõtkavalisest kaardist, mis kujutab ühe või teise liigi mingi (statistilise) mudeli järgi arvutatud esinemistõenäosust, liigile sobivaid kasvukohti või elupaiku või koha sarnasust seniste leiukohtadega.

Kuidas hinnangulisi kaarte koostada? Elupaigasobivust saab kaardistada mitut moodi: liigi esinemistõenäosuse alusel või tingimuste järgi, millele sobiv elupaik peab vastama. Nende mõlema puhul tuleb kõigepealt koostada abstraktsioon: kas mudel või reeglistik. Mudeli abil võib liigi kindlakstehtud leiukohtadele lisada võimalikke kasvualasid näitavaid kaarte. Kuid loodusvaatluste andmestik täieneb pidevalt, samuti lisandub aeg-ajalt uusi andmekihte: aerofotosid, satelliidipilte, mitmesuguseid kaarte. Iga uue vaatluse või andmekihi lisamisel tuleks parimat mudelit uuesti otsida ja andmetele sobitada.

Sarnasusele tugineva hinnangu puhul ei ole mudelit tarvis. Sel juhul saab võimalikult palju toetuda vaatlusandmetele: on ootuspärane, et otsitavat liik või muud nähtust võib uurimata alal leiduda juhul see ala sarnaneb nende kohtadega, kus vaatleja on nähtust varem silmanud.

Kel on kogemusi nii välitöödel mingis maastikutüübis kui ka aerofotode kasutamisel, oskab arvata, milliseid tehisobjekte ja taimkattetüüpe aerofoto värviliste pikslite muster tähistab. Paraku jääks suuremõõtkavalise ja vähegi suuremat ala hõlmava hinnangulise kaardistuse puhul inimeste ajast väheseks: otsus tuleb langetada üsna tihedalt paiknevate geograafiliste punktide kohta eraldi. Näiteks 10-meetrise sammuga ruudustiku puhul oleks vaid ühte Eesti põhikaardi lehte (1:20 000) katva hinnangulise kaardi jaoks vaja langetada miljon otsust.

Õnneks saab sarnasuse järgi otsuseid langetada ka arvuti. Vaatlusi ja tunnuseid võib seejuures lisanduda tehisõppe ajal või selle vahel. See tähendab, et näidisteks tuleb õpetusandmetest otsida kõige sobivamad vaatlusandmed ja tunnuste komplekt, mille järgi näidise ja vaatluse vahelist sarnasust selgitada. Parimad tunnused ja vaatlused on need, mis annavad usaldusväärsemaid tulemusi. Kõik vaatlused ei sobi näidisteks: mõned kordavad seniseid andmeid, mõned on liiga erandlikud või aegunud või pole piisavalt usaldusväärsed. Ka kõik tunnused ei ole sarnasuse üle otsustamisel samaväärsed ega isegi vajalikud: osa kordab üksteist, osa tunnuseid ei aita aga otsitavat objekti leida, samuti võivad andmekihid kohati olla aegunud, sest maastik on muutunud. Tuleb arvestada sedagi, et kaartidel on tarvitusel erisugused märgisüsteemid ja üldistusviisid, kaugseireandmed olenevad kasutatud seadmetest, atmosfääri- ja taimkatte seisundist pildistushetkel ning kõik kaardid ja kaugseireandmed võivad sisaldada juhuslikke vigu. Mida väiksem on näidiste ja/või kasutatavate tunnuste arv, seda kiiremini kulgevad arvutused.

Sarnasus ühtede tunnuste poolest ei tähenda seda mõnes teises aspektis. Võiks tuua lihtsa näite: millised kaks puud kolmest – harilik kuusk, Siberi lehis ja arukask – on teineteisega sarnasemad kui ülejäänu? Kuusk ja lehis on okaspuud, kask ja lehis loobuvad talveks lehtedest, harilik kuusk ja arukask kasvavad tihtilugu koos looduslikult uuenenud Eesti metsades. Kui teha otsus sarnasuse järgi, on tarvis leida need tunnused, mille poolest on sarnasus ühel või teisel juhul oluline.

Käpaliste kaardistusega seotud näitena on meie andmetest ilmnenud, et Russowi sõrmkäpa kasvukohti saab aerofotolt ära tunda punase värvitooni tugevuse järgi. Seda ei tule tõlgendada nii, et punase värvi intensiivsuse ja selle sõrmkäpa esinemistõenäosuse vahel oleks mingi ühesuunaline korrelatiivne seos. Isegi liigi suurimale esinemistõenäosusele vastavat punase tooni optimumi ei pruugi olla. Saab vaid väita, et hinnates mingi koha sarnasust selle liigi teadaolevate leiu- ja puudumiskohtade näidistega, on oluline arvestada aerofoto punase värvitooni tugevust mõlemas võrreldavas punktis.

Käpaliste leiukohad. Tartu ülikooli geograafia instituudis on katseliselt koostatud seitsme käpaliseliigi – suur käopõll (Listera ovata), soovalk (Malaxis monophyllos), kahkjaspunane sõrmkäpp (Dactylorhiza incarnata), Russowi sõrmkäpp (Dactylorhiza russowii), soo-neiuvaip (Epipactis palustris), laialehine neiuvaip (Epipactis helleborine), roomav öövilge (Goodyera repens) – oodatavate kasvukohtade hinnangulised kaardid Elva ja Otepää piirkonnas olevate Eesti põhikaardi lehtede 5434, 5444 ja 5454 kohta. Peale põhikaardi kasutati suuremõõtkavalist mullakaarti, maapinna kõrgusmudelit, värvilisi ortofotosid ja neljast eri ajast pärit Landsat ETM+ satelliidipildi erisuguseid kiirgusvahemikke. Igast andmekihist arvutati 10-meetrise vahega paika kirjeldavad formaalsed tunnused. Näiteks kaugus lähimast järvest, lähimast vooluveest või kraavist, põhikaardi põhialade (nt. põld, järv, mets jne.) piiride tihedus 100 meetri raadiuses, mullaliik detailse ja üldistatud jaotuse järgi, maapinna kaldenurk, karbonaatmulla ning madalsoomulla osakaal 100 meetri raadiuses, peegeldunud lähiinfrapunase kiirguse tugevus kevadel, suvel ja sügisel, ortofoto üldise heleduse, üksikvärvuste ning värvitooni keskmine ja varieeruvus 30 meetri raadiuses. Kokku kirjeldati igat uuritavat kohta 82 numbrilise tunnusega. Geograafia instituudis välja töötatud tehisõppetarkvara Pidevstuudium otsis neist tunnustest võimalikult täpseid lahendeid andvaid komplekte iga liigi jaoks. Meie senise kogemuse järgi piisab enamasti 5–15 tunnusest, et selgitada, kas liiki uuritavas kohas leidub või mitte. Suurema kasutatud tunnuste arvu puhul kipub tulemuse usaldusväärsus vähenema.

Peaaegu niisama täpseid hinnanguid võib saada kohta kirjeldavatest tunnustest koostatud eri komplektide abil. Selleks et uurida, kas käpalisi mingis kohas kasvab või mitte, on kindlasti vaja Eesti põhikaardi põhiala ja ühtlasi teada mullaliiki mullakaardilt, sageli on abiks maapinna suhteline kõrgus 100 või 200 meetrit. Kaugseire andmekihid võivad niisama usaldusväärseid hinnanguid andvates tunnusekomplektides olla üsna mitmekesistes kombinatsioonides.

Kaartide täpsus. Hinnanguid selle kohta, kas uuritavas kohas käpalisi kasvab või mitte, on üksjagu raske täpselt ja päris kindlalt kontrollida. Kui ka prognoositud kohas liigi isendeid parajasti ei leitud, ei tähenda see veel täie kindlusega, et neid seal ei leidu. Vastupidisel juhul: kui leitakse mõni eksemplar kohast, kus hinnangulise kaardi järgi ei peaks teda kasvama, on üsna tõenäoliselt samas kõrval mingi mättatagune, kus liiki tõesti ei ole.

Mõned võimalused, kuidas hinnanguid kontrollida, siiski on. Üks tehisõppes sagedamini kasutatav viis on jäta-üks-välja-ristkontroll õpetusandmetes. Selle puhul arvutatakse iga vaatluse hinnang ülejäänud vaatluste järgi, kasutamata sama vaatlust. Hinnanguid võrreldakse vaatlusandmetega ja arvutatakse kokkulangevust iseloomustav arvnäitaja. Meetodi usaldatavus oleneb eelkõige õpetusandmete esinduslikkusest – kaardistusülesande puhul esinduslikkusest kaardistatava maastiku suhtes. Oluline ei ole seejuures mitte niivõrd biotoopide pindala proportsionaalne osakaal, kuivõrd erisuguste elupaikade olemasolu õpetusandmetes. Jäta-üks-välja-ristkontrolli järgi on siin kõne all olevate kaartide täpsus suure käopõlle puhul 70% ning ülejäänud kuuel liigil üle 80%.

Viimati koostatud kaartide järgi võiks soo-neiuvaip kasvada veel paljudes soostunud kohtades Elva linnas ja selle ümbruses, roomavat öövilget võiks leiduda peale Vitipalu männikute ka Pulgaoja paisjärve ääres, soohiilaka kasvukohtadega sarnaneb aga märjem osa Verevi järve tagusest soost (vt. # 2).

Et saada õpetusandmetest sõltumatu täpsushinnang, tuleb koguda lisaandmeid või eraldada osa senistest vaatlustest kontrollandmestikuks. See tähendab lisatööd või siis tuleb osa andmeid tehisõppel välja jätta. Peale sellele kehtib kontrollandmestiku järgi antud hinnang otseselt vaid sellesama andmestiku puhul. Kuivõrd on täpsushinnang laiendatav väljapoole, oleneb omakorda sellest, kas kontrollandmeid on küllaldaselt. Lisavaatlusandmeid ei ole tarvis mitte üksnes selleks, et senitehtut kontrollida, vaid need aitavad ka tehisintellekti paremini õpetada. Seetõttu on uued vaatlusretked alati mõtestatud ning teretulnud on ka teiste vaatlejate ülestähendused. Liikide levikut prognoosiva kaardistuse õpetusandmeteks sobivad vaatlused, mille puhul on kirjas vähemalt liigi nimi, vaatluse kuupäev, vaatleja nimi, biotoop ja asukoha koordinaadid. Leiukoha plaaniline viga ei tohiks ületada 10 meetrit. Koordinaadid võivad olla kas Eesti põhikaardi ristkoordinaatidena või geograafiliste koordinaatidena. Asukoha määramisel saab kasutada põhikaarti (1:10 000), ortofotosid (1:10 000) ja GPS-vastuvõtjat. Kõige kindlam on määrata asukoht mitmel moel.