Valosaasteen määrään vaikuttavat tekijät, levinneisyyden muutos ja eri

maankäyttömuotojen osuus niiden tuottajina Suomessa paikkatiedon

perusteella

Antti Petteri Hiltunen 242388

Itä-Suomen yliopisto

Historia- ja maantieteiden laitos

Pro Gradu –tutkielma

Yhteiskuntamaantiede

Ohjaaja: Timo Kumpula

Helmikuu 2018

ITÄ-SUOMEN YLIOPISTO – UNIVERSITY OF EASTERN FINLAND

Tiedekunta – Faculty

Faculty of Social Sciences and Business Studies

Osasto – School

Department of Geographical and Historical Studies

Tekijät – Author

Antti Petteri Hiltunen

Työn nimi – Title

Factors affecting the amount of light pollution, change in distribution and the share of different types of land use as producers of light

pollution in Finland using GIS methods

Pääaine – Main subject

Human geography

Työn laji – Level Päivämäärä – Date Sivumäärä – Number of pages

Pro gradu -tutkielma 28.02.2018 53

Sivuainetutkielma

Kandidaatin tutkielma

Aineopintojen tutkielma

Tiivistelmä – Abstract

Light pollution is significant emission produced by human and the research of this phenomena has increased in last decades. Light is

necessary for our vision and well-planned lighting increases well-being and reduces the risk accidents in the dark. Poorly planned lighting

can cause blind spots or areas of shade, it can disrupt the natural habitats of different species, can produce harms for human health, blocks

the vision of night sky and spends natural resources and energy. Night sky has been declared as cultural heritage of the humankind for

which everyone has the right to experience. Despite this, over half of the population living in European Union cannot see the Milky Way

with naked eye.

In this study we try to find out the factors affecting the amount of light pollution, where new light sources have spread over in 20 years’

time period and what is the share of different land use types as the producers of light pollution in Finland. Research questions are answered

with the help of different remote sensing and GIS materials, multiple linear regression (MLR) and change detection methods. National

and regional MLR models are produced to compare the suitability of the models in different areas. Explanatory variables include

population, building addresses and lit roads, which were hypothesized to explain the change in our dependent variable of radiance

detected by Suomi-NPP (National Polar-orbiting Partnership) satellite. Another satellite data, DMSP-OLS (Defense Meteorological

Satellite Program Operational Line Scanner), was used to detect change in distribution of light sources in Finland between 1993 and

2013. Satellite data gives a good opportunity to study the phenomena in large areas over different time periods. Similar studies from

Finland using GIS methods and satellite data are scarce.

New light sources seem to have emerged in the north because of mining and tourism industry especially in northern and eastern parts of

Finland, but elsewhere the light sources have spread around cities because of urban sprawl and the increase of lit roads. Some light

sources have disappeared, but the area for new light sources is over double the amount of area by disappeared light sources. Also, the

brightness of light source areas seem to have increased more than the area of dimmed light sources in this time period. Brightest areas of

light pollution in Finland seem to be Närpiö and neighboring areas, where greenhouse farming is common and where the lights have

become much brighter in 20 years’ time period. Land use types causing most light emissions include harbors, traffic areas, parks and

urban recreational areas and the areas of industry and services. Greenhouses are included in agricultural areas, but because of low amount

of light emissions from other types of agriculture, the greenhouses don’t show in this class when comparing the means of all agricultural

areas.

National MLR model explained more than 40 % of the detected radiance in whole Finland. The regional MLR models had R² varying

from 11,6 – 64,8 % so the variability of different models was great, but even a simple model seems to have worked very well in most

NUTS 3 -regions. The results of different MLR models show that the models could predict low radiance values very well but had

difficulties predicting the higher radiance values. As a solution to this problem would be finding better variables for areas with lower R²

values describing the light emissions that are not linked to population or lit roads. One possible variable could be the number of

workplaces in the area.

For future research, the results of this study can help to confine areas of interest for studying light pollution on smaller scale. The problem

concerning the light pollution research is how to control other factors of land-use change, for example in mining areas where light

pollution is very minor environmental change compared to other emissions of mining industry. Intelligent and well-planned lighting

solutions can help to reduce the negative effects of lighting on environment, health and economy without losing the benefits of lighting.

Avainsanat – Keywords

Light pollution, GIS, Linear regression, Change detection, Environmental change, Suomi-NPP, DMSP-OLS

ITÄ-SUOMEN YLIOPISTO – UNIVERSITY OF EASTERN FINLAND

Tiedekunta – Faculty

Yhteiskuntatieteiden ja kauppatieteiden tiedekunta

Osasto – School

Historia- ja maantieteiden laitos

Tekijät – Author

Antti Petteri Hiltunen

Työn nimi – Title

Valosaasteen määrään vaikuttavat tekijät, levinneisyyden muutos ja eri maankäyttömuotojen osuus niiden tuottajina Suomessa

paikkatiedon perusteella

Pääaine – Main subject

Yhteiskuntamaantiede

Työn laji – Level Päivämäärä – Date Sivumäärä – Number of pages

Pro gradu -tutkielma 28.02.2018 53

Sivuainetutkielma

Kandidaatin tutkielma

Aineopintojen tutkielma

Tiivistelmä – Abstract

Valosaaste on merkittävä ihmisen tuottama päästö, jonka tutkimus on yleistynyt maailmalla viime vuosikymmeninä. Valo on

välttämätöntä näköaistimme toiminnalle ja hyvä valaistus lisää viihtyisyyttä sekä vähentää tapaturmariskiä. Huonosti suunniteltu valaistus

taas aiheuttaa katvealueita, häiritsee luonnonvaraisten eliöiden elinympäristöjä, tuottaa terveyshaittoja ihmisissä, estää tähtitaivaan

näkyvyyttä ja tuhlaa luonnonvaroja sekä energiaa. Tähtitaivas on tunnustettu ihmiskunnan kulttuuriperinnöksi, johon jokaisella tulisi olla

oikeus. Tästä huolimatta yli puolet Euroopan Unionin väestöstä ei pysty paljain silmin havainnoimaan Linnunrataa.

Tässä tutkielmassa pyritään selvittämään erilaisten paikkatietoaineistojen avulla mitkä tekijät Suomessa vaikuttavat valosaasteen

määrään, minne uudet valonlähteet ovat levittäytyneet Suomessa 20 vuoden aikana sekä mikä on eri maankäyttömuotojen osuus

valopäästöjen tuottajina. Tutkimuskysymyksiä lähdetään selvittämään yhdistämällä spatiaalista tietoa eri kaukokartoitus- ja

paikkatietoaineistoista, muutostulkinnalla sekä monen muuttujan lineaarisilla regressiomalleilla, jotka muodostetaan koko Suomelle sekä

erikseen maakunnittain. Mallinnuksessa käytetään väestöä, osoitetietoja sekä valaistuja teitä selittävinä muuttujina, joiden avulla pyritään

selvittämään näiden muuttujien osuutta havaittuun radianssin määrään Suomi-NPP-satelliittiaineistossa (National Polar-orbiting

Partnership). Vuosien 1993 ja 2013 DMSP-OLS –satelliittiaineistoja (Defense Meteorological Satellite Program Operational Line

Scanner) verrattiin keskenään muutoksen havaitsemiseksi tällä aikavälillä. Satelliitein kerättävät aineistot antavat hyvän lähtökohdan

tutkia aihetta laajoilla alueilla. Vastaavia paikkatietoa hyödyntäviä valosaastetta käsitteleviä tutkimuksia ei Suomessa ole juurikaan

aiemmin tehty.

Uudet valonlähteet näyttävät syntyneen kaivostoiminnan ja matkailun seurauksena pohjoisessa ja itäisessä Suomessa, mutta muualla

Suomessa entiset valaistut alueet ovat levinneet esimerkiksi valaistujen teiden ja kaupunkeja ympäröivien taajamien levittäytymisen

seurauksena. Valonlähteitä näyttää myös kadonneen, mutta uusia valonlähteitä on syntynyt pinta-alallisesti yli kaksinkertainen määrä

samana aikana. Kirkastuneiden valoisuuden alueet näyttäisivät myös kasvaneen enemmän kuin himmentyneen valoisuuden alueet.

Suurimpia yksittäisiä valopäästöjen aiheuttajia näyttäisivät olevan Suomessa kasvihuoneet erityisesti Närpiössä ja lähialueilla, jossa valot

ovat myös kirkastuneet voimakkaasti 20 vuoden aikana. Maankäyttömuodoista suurimmiksi valopäästöjen aiheuttajiksi paljastuivat

satama-alueet, liikennealueet, taajamien viheralueet ja puistot sekä teollisuuden ja palveluiden alueet. Kasvihuoneet luokittuvat

aineistossa pelto- ja maaseutualueisiin eivätkä näin ollen erotu maankäyttömuotojen vertailussa, koska muusta maataloustoiminnasta

aiheutuvat valopäästöt ovat niin pieniä, etteivät kasvihuoneet näy alueiden keskiarvoissa.

Lineaarinen regressiomalli pystyi selittämään valaistujen teiden, osoitetietojen sekä väestödatan avulla n. 40 % valoisuuden määrästä

koko Suomen osalta. Maakunnittain mallien selitysasteet olivat 11,6 – 64,8 %, eli vaihtelu oli suurta, mutta joissain maakunnissa päästiin

jo todella hyviin tuloksiin melko yksinkertaisella mallilla. Regressiomallien tulokset osoittavat, että mallit pystyvät ennustamaan heikosti

kirkkaita alueita, mutta teistä ja asutuksesta aiheutuvia valopäästöjä ne ennustavat hyvin. Ratkaisuna olisi löydettävä parempia muuttujia

kuvaamaan niitä alueita, joissa selitysaste jäi alhaiseksi. Suuria valopäästöjä aiheuttavien alueiden kuten kasvihuoneiden ja

teollisuusalueiden valopäästöjä malli ennustaa heikosti, koska valopäästöt eivät ole näillä alueilla yhteydessä korkeaan väestömäärään tai

valaistuihin teihin. Yksi mahdollinen selittävä muuttuja ainakin teollisuusalueiden osalta voisi olla alueen työpaikkojen lukumäärä.

Jatkotutkimuksen kannalta tämän tutkielman tulokset voivat auttaa valitsemaan tutkimusalueita, jotka ovat valosaasteen tutkimuksen

kannalta kiinnostavia. Ongelmaksi valosaastetta tutkittaessa muodostuu se, miten valoisuudesta syntyneet haitat voidaan erottaa muusta

maankäytön muutoksesta, esimerkiksi kaivostoiminnan yhteydessä. Älykäs ja hyvin suunniteltu valaistus voivat tulevaisuudessa auttaa

vähentämään valosaasteesta koituvia ympäristöllisiä, terveydellisiä ja taloudellisia haittoja ilman että valaistuksen hyödyistä joudutaan

tinkimään.

Avainsanat – Keywords

Valosaaste, Paikkatieto, Lineaarinen regressio, Muutostulkinta, Ympäristönmuutos, Suomi-NPP, DMSP-OLS

Sisällysluettelo 1. Johdanto ............................................................................................................................................. 5

1.1 Taustaa .............................................................................................................................. 5

1.2 Tutkimuksen tarkoitus ja tutkimuskysymykset ............................................................................. 7

1.3 Mitä on valosaaste? ...................................................................................................................... 8

1.4 Valosaasteen vaikutukset ihmiseen ja ympäristöön .................................................................. 10

1.5 Valosaasteen lähteet Suomessa ................................................................................................. 12

1.6 Valaistus ja maankäytön suunnittelu ……………………………………………………………………………………. 13

2. Valaistuksen suunnittelu ja valosaaste .......................................................................................... 16

3. Aineistot ja menetelmät ................................................................................................................. 19

3.1 Aineistot ........................................................................................................................... 19

3.1.1 DMSP-OLS ............................................................................................................................ 19

3.1.2 Suomi-NPP VIIRS DNB .......................................................................................................... 20

3.1.3 YKR väestöaineisto ............................................................................................................... 22

3.1.4 Digiroad ................................................................................................................................ 23

3.1.5 Corine maankäyttöaineisto .................................................................................................. 24

3.1.6 Väestörekisterikeskus - Osoitteet ........................................................................................ 25

3.1.7 1 km x 1 km hilaruutuaineisto ............................................................................................. 25

3.1.8 Hallintorajat ......................................................................................................................... 25

3.2 Menetelmät ......................................................................................................................... 26

3.2.1 Monen muuttujan lineaarinen regressioanalyysi ................................................................ 28

3.2.2 Muutosanalyysi .................................................................................................................... 29

3.2.3 Maankäyttömuotojen vertailu ............................................................................................. 30

4. Tulokset ........................................................................................................................................... 31

4.1 Monen muuttujan lineaarinen regressioanalyysi ....................................................................... 31

4.1.1 Residuaalien tarkastelu ........................................................................................................ 33

4.1.2 Multikollineaarisuuden tarkastelu ....................................................................................... 38

4.1.3 Regressiomallien kertoimet ................................................................................................. 38

4.2 Muutosanalyysi ........................................................................................................................... 40

4.3 Maankäyttömuotojen vertailu .................................................................................................... 43

5. Pohdinta ........................................................................................................................................... 45

6. Johtopäätökset ……………………………………………………………………………………………………………………… 47

LÄHTEET ............................................................................................................................................... 50

5

1. Johdanto

1.1 Taustaa

Öinen tähtitaivas on kautta historian innoittanut ihmiskuntaa niin tieteiden, taiteiden kuin

uskomustenkin saralla. Galileo Galilei kohdisti kaukoputkensa tähtitaivaalle ja mullisti aikansa

maailmankäsityksen todistamalla Auringon kiertävän Maata. Vincent van Goghin kenties

tunnetuin öljyvärimaalaus on nimeltään Tähtikirkas yö joka esittää öistä näkymää huoneen

ikkunasta ja kirkkaat tähtiyöt olivat tärkeitä myös Isaac Newtonin painovoimateorian

oivaltamisen kannalta (Lyytimäki & Rinne, 2013:13). Vuonna 2007 Yhdistyneiden

kansakuntien kasvatus-, tiede- ja kulttuurijärjestö Unesco määritteli La Palman julistuksessa

taivaan yleiseksi ja universaaliksi ihmiskunnan kulttuuriperinnöksi ja luonnonvaraksi johon

jokaisella tulisi olla oikeus ja joka on innoittanut tiedettä, filosofiaa, kulttuuria ja yleistä

käsitystämme maailmankaikkeudesta (La Palma Declaration 2007).

Maapallo oli öisin paljon pimeämpi paikka vielä noin 150 vuotta sitten. Vaikka ensimmäiset

katuvalot syttyivät Lontoossa jo 1400-luvulla, eivät öljy- tai kaasuvalot olleet kovinkaan

kirkkaita. Katuvaloja löytyi ainoastaan suurimmista kaupungeista, sisällä poltettiin päreitä tai

kynttilöitä, jotka palaessaan aiheuttivat tulipaloriskin ja tuottivat haitallisia palokaasuja

(Lyytimäki & Rinne 2013:62). Hehkulampun keksimistä ja sen käytön yleistymistä voidaan

pitää merkittävänä muutoksena, sillä sen valaistusteho oli huomattavasti parempi kuin

kynttilöissä tai öljylampuissa eikä siitä myöskään aiheutunut palamisen sivutuotteita tai yhtä

suurta paloturvallisuusriskiä.

Ennen sähkövalon keksimistä vuorokausirytmi hallitsi ihmisten elämää. Päivällä valoisa aika

tuli käyttää mahdollisimman tehokkaasti, sillä käytännöllisen valaistuksen puutteessa öisin

työskentely oli hankalaa tai vaarallista tapaturmariskin kasvaessa. Öisin pimeydessä ihmistä

uhkasivat myös paremman hämäränäön omaavat petoeläimet, mutta myös mielikuvat ja tarinat

pimeässä vaanivista mystisistä pedoista ja hirviöistä olivat omiaan tuottamaan negatiivista

kuvaa ”pahasta” pimeydestä ja toisaalta arvostamaan ”hyvää” valoa ja valonlähteitä

(Lyytimäki & Rinne 2013:12-13). Ei siis liene ihme, että vielä nykyäänkin pimeys näyttäytyy

meille pahuutena, pelkoina ja tietämättömyyden tuottamina uhkakuvina, kun taas valoon

suhtaudutaan positiivisesti hyvyytenä ja viisautena. Tästä ovat esimerkkeinä monet puhekielen

ilmaukset kuten ”pimeä keskiaika” jolla viitataan mielikuvaan Euroopan historiallisen

6

ajanjakson taantumuksellisuudesta ja edistyksen hidastumisesta, kun taas ”valaistuminen”

tarkoittaa pimeyden eli tiedon puutteen voittamista ja tietämyksen sekä ymmärryksen kasvua

jonkin asian suhteen. Pahan pimeyden ja hyvän valon välistä kamppailua korostetaan myös

populaarikulttuurissa (Hietala 2013) kuten J.R.R Tolkienin Sormusten herrassa sekä George

Lucasin Tähtien sota -elokuvissa.

Vaikka teollisuusmaissa olemme jo tottuneet saamaan sähkövaloa rajattomasti, kehittyvissä

maissa elää yhä n. 1,3 miljardia ihmistä ilman sähköä (IEA 2011). Öisistä satelliittikuvista

jakolinja kehittyvien ja teollistuneiden maiden suhteen on selkeästi nähtävissä ja jopa eri

valtioiden rajat ovat paikoin erotettavissa öisistä satelliittikuvista. Yksi selkeä esimerkki on

Koreoiden raja, jossa kehittyneen Etelä-Korean ja energia- ja resurssipulasta kärsivän Pohjois-

Korean ero on silmin havaittava. Maailman kirkkaimpana keinovalon lähteenä pidetään

Yhdysvaltojen Las Vegasia, jossa monet kasinot ja hotellit houkuttelevat turisteja jopa

kohdistamalla kirkkaita valoheittimiä suoraan taivaalle. Kuuluisan Luxor-hotellin pyramidin

huipulta suoraan taivaalle kohdistettu valopylväs houkuttelee luokseen hyönteisiä ja niitä

pyydystäviä lintuja ja lepakoita (Kuva 1).

Kuva 1. Pitkällä valotusajalla otettu kuva Las Vegasin Luxor-hotellin valopylväästä paljastaa

valon houkuttelemat hyönteiset sekä niitä pyydystävät linnut ja lepakot. Lähde: Tracy Byrnes,

Flickr, Creative Commons (2005).

7

1.2 Tutkimuksen tarkoitus ja tutkimuskysymykset

Valosaaste on kenties yksi helpoimmin havaittavissa oleva ihmisen aiheuttama

ympäristönmuutos, mutta samalla sen tutkimus on saanut vain vähän huomiota Suomessa.

Aihetta on tutkittu viime vuosikymmeninä yhä enemmän, kun öiset satelliittikuvat ovat tulleet

vapaasti saataville tutkijoiden ja harrastajien käyttöön. Suomen ympäristökeskus aloitti vuonna

2011 hankkeen nimeltä ”Valosaaste – vakava ympäristöongelma?”, jonka tavoitteena oli

”luoda tutkimustietoon perustuva monipuolinen ja monitieteinen kokonaiskuva

valosaasteongelman olemuksesta, kehityksestä ja mahdollisista ratkaisukeinoista, esitellä ja

nivoa yhteen ekologisen, yhteiskunnallisen, humanistisen ja teknisen tutkimuksen näkökulmia

valosaasteeseen ja luoda ymmärrystä nykyajalle tyypillisistä ympäristömuutoksista, jotka

etenevät vähittäin mutta vaikuttavat laaja-alaisesti ja joiden hahmottamiseksi ja hallitsemiseksi

tutkimustiedon soveltaminen on välttämätöntä. Keinovalon laajasta käytöstä aiheutuva

valosaaste on konkreettinen esimerkki tällaisesta muutoksesta.” (SYKE 2013). Hanke päättyi

vuonna 2013 ja sen tuloksena syntyi Jari Lyytimäen ja Janne Rinteen kirja ”Valon varjopuolet

– valosaaste ympäristöongelmana” (2013) jota tässäkin tutkielmassa käytetään yhtenä

pääasiallisena lähteenä ja joka on kenties ainoa teemaa yksinomaan käsittelevä suomenkielinen

kirja. Tämän tutkielman tarkoituksena on selvittää satelliitti- ja paikkatietoaineistojen avulla

valosaasteen levinneisyyttä, siihen vaikuttavia tekijöitä sekä eri maankäyttömuotojen osuutta

valosaasteen tuottajina Suomessa. Tutkimuskysymyksiä lähdetään ratkaisemaan hyödyntäen

erilaisia paikkatieto- ja kaukokartoitusaineistoja sekä tilastollisia menetelmiä.

Tutkimusalueena toimii koko Suomi, mutta myös alueelliset regressiomallit muodostetaan

vuoden 2016 maakuntarajojen mukaan. Näin voidaan vertailla, millaisilla alueilla malli toimii

paremmin ja mitkä ovat virhettä aiheuttavat tekijät aineistossa. Tutkielman

tutkimuskysymykset ovat:

1. Mitkä tekijät vaikuttavat valosaasteen määrään?

2. Mille alueille Suomessa uudet keinovalon lähteet ovat syntyneet viime vuosina?

3. Mitkä maankäyttömuodot tuottavat eniten valosaastetta?

8

Tutkielmassa näitä kysymyksiä selvitetään yhdistämällä spatiaalista tietoa eri lähteistä,

satelliittikuvien analysoinnilla sekä muodostamalla regressiomalli käytettävissä olevasta

aineistosta. Tutkielmassa käytettävät aineistot ovat vapaita aineistoja.

1.3 Mitä on valosaaste?

Michael Maunder sanoo kirjassaan (2007:11): ”Liian usein valosaastetta vähätellään

ongelmana. Vähättely johtuu siitä yksinkertaisesta syystä, että suurin osa ihmisistä asuu

kirkkaasti valaistussa urbaanissa ympäristössä ajatellen valoisuuden tason olevan normaalia,

koska he eivät koskaan koe mitään muuta”. Valosaasteen ongelma on siis se, että se on meille

”näkymätöntä”. Sen avulla voimme nähdä hyvin valaistut kohteet, mutta samalla se peittää

meiltä tähtitaivaan ja katvealueiden näkyvyyttä. Henkilölle, joka on asunut koko ikänsä

suuressa kaupungissa, voi olla vaikea kuvitella luonnollista pimeyttä jota hän ei koe keinovalon

takia. Valosaaste ei myöskään ole syntynyt yhdessä yössä, vaan on pitkän kehityksen tulosta.

Asteittaista taivaankannen kirkastumista ei ole yhtä helppo havaita. Bortlen asteikko pyrkii

kuvaamaan tähtitaivaan näkyvyyttä yhdeksänportaisella asteikolla, jossa 9 kuvaa valoittunutta

taivasta esimerkiksi kaupungin keskustassa jossa vain kuu, planeetat ja suurimmat tähtien

klusterit ovat havaittavissa. Asteikon arvo 1 kuvaa valosaasteetonta tähtitaivasta, jolloin

Linnunradan loiste saa aikaan selkeitä varjoja maan pinnalla. Asteikko on subjektiivinen eikä

sille ole tarkkoja raja-arvoja, sillä valon havaitseminen on yksilöllistä ja muuttuu esimerkiksi

iän myötä. Sillä ei siksi voida määrittää eksaktisti missä asteikon arvo muuttuu, mutta se voi

antaa käsityksen siitä mitä runsas keinovalo estää meitä näkemästä. Asteikkoa kuvailee

esimerkiksi Paul Bogard kirjassaan (2013), jossa kirjan luvut kuvailevat olosuhteita Bortlen

asteikon eri arvoilla.

Näkyvästä valosta fysikaalisena ilmiönä puhuttaessa tarkoitetaan sähkömagneettista säteilyä,

jonka aallonpituus on n. 380-780 nanometriä (nm) (Tiensuu 2010:6; Rees 2013:14). Käytämme

tästä säteilystä termiä näkyvä valo, mikä viittaa ihmisen silmän havaitsemaan säteilyyn, ja

vaikka emme pysty näkemään muuta säteilyä, voimme esimerkiksi tuntea lämpösäteilyn

vaikutuksen ihollamme. Valo on välttämätöntä näköaistimme toiminnalle, mutta samoin kuin

jatkuva ja kovaääninen melu koetaan epämiellyttävänä ja haitallisena, myös jatkuva

näköärsyke voi stressata kehoa. Koska niin kuulo- kuin näköaistimmekin ovat osittain

subjektiivisia ja toimivat eri tavoin eri ihmisillä, myös melun ja valosaasteen eksakti määrittely

9

voi olla hankalaa koska se koetaan eri tavoin. Melulle on kuitenkin määritelty raja-arvot

desibeleinä, jotka eivät saa ylittyä kuin korkeintaan hetkellisesti asutuksen lähettyvillä.

Melurajoja kuitenkin rikotaan jatkuvasti, mutta määritellyt raja-arvot kertovat kuitenkin, että

meluun suhtaudutaan ympäristölle haitallisena tekijänä (Lyytimäki & Rinne 2013:31).

Valosaasteesta on olemassa erilaisia muotoja. Kenties tunnetuin niistä on taivaan hohtaminen

tai hohdevalo (eng. sky glow), joka on helposti havaittavissa suurten kaupunkien

läheisyydessä, mutta voi ulottua yli sadankin kilometrin päähän kaupungista ja suurista

metropoleista peräisin oleva hohdevalo voi yltää jopa 200 kilometrin päähän (Lyytimäki &

Rinne, 2013:50). Sillä tarkoitetaan ilmakehän hiukkasista takaisin heijastuvaa valoa ja on

selkeimmin havaittavissa pilvisellä säällä, mutta myös pilvettömällä taivaalla hohtaminen

hankaloittaa taivaankappaleiden havainnoimista. Myös ilman epäpuhtaudet ja pienhiukkaset

heijastavat valoa ja siksi ne voimistavat hohdevalon vaikutusta. Huonosti suunniteltu valaistus

aiheuttaa myös häikäisyä (eng. glare) ja valon tunkeutumista (eng. light trespass) halutusta

kohteesta esimerkiksi sisätiloihin tai naapurin tontille. Eri valosaasteen muotoja on

havainnollistettu kuvassa 2. Noin kaksi kolmasosaa Yhdysvaltain ja puolet Euroopan unionin

väestöstä ei pystynyt 2000-luvun alussa havainnoimaan Linnunrataa paljain silmin (Cinzano

ym. 2001). Lyytimäki ja Rinne määrittelevät kirjassaan (2013:16) valosaasteeksi keinovalon,

joka on tarpeetonta, liian voimakasta, spektrijakaumaltaan sopimatonta käyttökohteeseensa,

suuntautuu väärään kohteeseen, on päällä väärään aikaan, synnyttää häikäisyä ja katvealueita,

aiheuttaa haittoja luonnonvaraisille eliöille, kotieläimille ja viljelykasveille, aiheuttaa

terveyshaittoja ihmisille sekä koetaan rumaksi, ärsyttäväksi tai haitalliseksi. Tämä määritelmä

kattaa kaiken valosaasteen, mutta tässä tutkielmassa keskitytään satelliitein havaittavaan

keinovaloon. Havaittu radianssin arvo kuvaa suoraan ylöspäin suuntautuvan säteilyn määrää

(Rees 2013:26-27), mutta osa siitä heijastuu taivaalle myös valaistavien pintojen kautta. Jotta

satelliitein havaittu aineisto kuvaisi mahdollisimman hyvin ihmisen havaitsemaa valoisuuden

määrää, olisi sensorien oltava mahdollisimman tarkkoja juuri näkyvän valon aallonpituuksille.

10

Kuva 2.Valosaasteen eri muodot havainnollistettuna. Alkuperäisen kuvan lähde: Anezka

Gocova (2013). The Night Issue, Alternatives Journal 39:5. Suomennokset: Antti Petteri

Hiltunen

1.4 Valosaasteen vaikutukset ihmiseen ja ympäristöön

Pimeydestä on myös hyötyä, sillä suurin osa maapallon eliölajeista ovat kehittyneet miljoonien

vuosien ajan eläen suhteellisen säännöllisissä pimeän ja valoisan ajan sykleissä. Ihminen on

muuttanut öisen ympäristönsä kirkkaasti valaistuksi vain n. 150 vuoden aikana. Vuoden 2017

Nobelin lääketieteen ja fysiologian palkinto myönnettiin tutkijoille, jotka onnistuivat

eristämään banaanikärpäsestä geenin joka ohjaa vuorokausirytmiä myös muissa eliöissä,

mukaan lukien kasveissa, eläimissä ja ihmisissä (Nobel Prize 2017). Geeni tuottaa proteiineja

11

solussa öisin ja vapauttaa näitä proteiineja päiväsaikaan, vaikuttaen käytökseen,

hormonitasoon, uneen, ruumiinlämpöön ja aineenvaihduntaan. Ero biologisen kellon ja

ympäristön kanssa tunnetaan ”jet-lagina” kun esimerkiksi matkustamme eri aikavyöhykkeelle

ja biologinen kellomme ei ole vielä ehtinyt sopeutua valoisan ajan muutokseen. Tällä on myös

vaikutusta hyvinvointiimme. Pitempiaikainen biologisen kellon epätasapaino ympäristön

kanssa voi nostaa erilaisten sairauksien riskiä ja siksi esimerkiksi vuorotyö on haitallista

terveydelle. Jo aiemmin mm. Yhdysvaltain syöpäjärjestö on määritellyt vuorotyön

mahdollisesti karsinogeeniseksi vuorokausirytmin häiriintymisen vuoksi (American Cancer

Society 2017). Eniten valosaasteesta kärsivät yöaktiiviset eliölajit. Ihmisillä sininen valo estää

melatoniinin tuotantoa, mutta muilla eliöillä eri aallonpituuksien vaikutukset vaihtelevat

lajikohtaisesti riippuen siitä mitä säteilyä niiden näköelimet ovat kehittyneet havaitsemaan.

Monet eläimet ja hyönteiset kokevat haittaa keinovalosta, mutta jotkut myös hyötyvät siitä.

Esimerkiksi hyönteisiä pyydystävät saalistajat saavat kerättyä helpon saaliin hyönteisiä

houkuttelevien keinovalojen läheisyydestä. Joidenkin lintulajien on havaittu aikaistavan

aamulauluaan keinovalojen lähettyvillä ja merikilpikonnien poikasten hakeutuvan

kuoriuduttuaan keinovaloja kohti, jolloin harvempi poikanen selviytyy, sillä monet niistä eivät

löydä tietään mereen vaan jäävät harhailemaan maalle ja tulevat petojen syömiksi (HCN 2000;

Salmon 2003).

Valaistuksella on myös vaikutusta kansanterveyteen. Unihormonina tunnetun melatoniinin

tuotanto on yhteydessä aistimaamme valon määrään ja liian kirkas, läpitunkeva valaistus voi

hankaloittaa nukahtamista ja heikentää unen laatua. Vuorokausirytmin häiriintyminen on

yhdistetty liikalihavuuteen, masennukseen, sydän- ja verisuonitauteihin, diabetekseen ja

Parkinsonin tautiin ja vaikka valaistuksen lisääntymisen ja ylipainon yleistymisen välillä

voidaan nähdä yhteys, on näitä kehityskulkuja pidetty aiemmin toisistaan riippumattomina

(Lyytimäki & Rinne, 2013:148). Esimerkiksi hiirille tehdyissä kokeissa kirkkaalle ja hämärälle

valolle altistetut hiiret lihoivat enemmän kuin normaalia päivärytmiä noudattavat hiiret, vaikka

niiden kaloriensaanti ja energiankulutus olivat samat (Fonken ym. 2010). Häiriöt melatoniinin

tuotannossa voivat altistaa hormonaalisten häiriöiden seurauksena jopa rinta- ja

eturauhassyövälle (Haim & Portnov, 2013: 107).

12

Nykyisin monet ihmiset tuijottavat kirkkaita älylaitteiden näyttöjä ennen nukkumaanmenoa

mikä hankaloittaa nukahtamista. Tähän ongelmaan yksinkertaisin ratkaisu on rajoittaa käyttöä

ennen nukkumaanmenoa tai asentaa laitteeseen ohjelma, joka suodattaa sinistä valoa. Sininen

valo on kaikista haitallisinta melatoniinin tuotannon kannalta (Wright ym. 2004), joten sen

suodattaminen voi auttaa nukahtamista, jos laitetta käyttää myöhään illalla. Tämä toiminto

korostaa keltaista ja punaista valoa tehden näytöstä lämpimän oranssin, mikä vastaa

auringonlaskun aikaan vallitsevaa värimaisemaa. Myös ohjelmisto- ja laitevalmistajat ovat

tuoneet viime vuosina omat sinisen valon suodattamiseen tarkoitetut toiminnot mm.

Microsoftin Windows 10– sekä Applen iOS-käyttöjärjestelmiin. Sisätiloissa ulkoa tulevalta

keinovalolta voi suojautua vain tehokkailla pimennysverhoilla.

1.5 Valosaasteen lähteet Suomessa

Pohjoismaiden ensimmäinen hehkulamppu syttyi Finlaysonin tehtaalla Tampereella vuonna

1882 ja ensimmäiset sähkökäyttöiset ulkovalot syttyivät Suomeen Vammalassa joulun alla

vuonna 1907 (Lyytimäki & Rinne 2013:63-64). Myös tievalaistuksen määrä on kasvanut

tasaisesti ja valaistuja teitä on Suomessa lähes 13 000 kilometriä (SVT 2015). Tievalaistukseen

kuluu Suomessa n. 2 prosenttia sähkön kokonaiskulutuksesta (Lyytimäki 2006:67). Valosaaste

ei lisäänny kuitenkaan tasaisesti vaan joiltain alueilta se voi vähentyä samalla kun uusia

kirkkaita alueita syntyy erityisesti Lappiin matkailun ja kaivostoiminnan seurauksena. Suomen

ylivoimaisesti kirkkain paikka löytyy satelliittiaineiston perusteella Närpiöstä. Närpiö on

tunnettu kasvihuoneviljelystään ja alueella tuotetaankin 60 % Suomen tomaateista ja 35 %

kurkuista (Närpiön kaupunki 2017). Kirkkaat kasvihuoneiden kasvatuslamput jättävät jopa

suurimpien kaupunkien keskustat varjoonsa.

Euroopan kattavassa tutkimuksessa Suomi oli yksi harvoista maista, jossa satelliittikuvien

perusteella tehdyn vertailun mukaan maa-alueet joilta kirkkaus on vähentynyt, on suurempi

kuin alueet joilla kirkkaus on kasvanut vuosien 1995-2000 ja 2005-2010 välillä (Bennie ym.

2014). Muita samankaltaisia maita joissa himmentyneet alueet olivat kasvaneet enemmän tai

lähes yhtä paljon kuin kirkastuneet alueet olivat muut Pohjoismaat, Unkari, Moldova, Belgia,

Ukraina ja Slovakia. Muissa Euroopan maissa kirkkaiden maa-alueiden osuus oli kasvanut

huomattavasti. Tulokset voivat kertoa näillä alueilla tapahtuvasta muuttoliikkeestä

maaseudulta kaupunkeihin. Vertailu tehtiin laskemalla keskiarvot vuosille 1995-2000 ja 2005-

13

2010 ja vertaamalla keskiarvoja keskenään. Suomen, Ruotsin ja Norjan tapauksessa tuloksiin

saattaa vaikuttaa se, etteivät maiden pohjoisimmat osat kuten Lappi ole mukana vertailussa

datan epäjatkuvuuden vuoksi näillä alueilla, johon syynä on revontulien aktiivisuus.

Suomessa 33,7 % väestöstä asuu alueilla, joissa taivaan kirkkauden takia hämäränäkö ei kehity

ulkona lainkaan ja 95,7 % asuu alueilla joissa taivaan kirkkaus estää Linnunradan

havainnoinnin. Maa-alueista ainoastaan 2,8 % on Suomessa sellaisia, joissa kirkkaus on lähellä

luonnollista tasoa, mutta näillä alueilla ei asu lainkaan väestöä. (Falchi ym. 2016).

Tutkimuksessa oli käytetty samaa satelliittiaineistoa kuin tässäkin tutkielmassa, mutta siinä

havaituista radianssin arvoista oli laskettu oletettu taivaankannen kirkkaus, jonka vaikutusalue

on suurempi kuin pelkkä havaitun ylöspäin suuntautuvan säteilyn alue.

Suurimpia valosaasteen lähteitä ovat yleensä liikenne ja asutus (Lyytimäki & Rinne 2013:55)

sekä teollisuusalueet ja satamat. Teollisuusalueilla ja satamissa valosaastetta aiheuttavat

erityisesti suuret piha-alueet joita valaistaan kirkkaasti. Asuinalueilla kasvillisuus ja

pienemmät, pienempitehoisilla valaisimilla valaistut piha-alueet vähentävät aiheutuvan

valosaasteen määrää.

1.6 Valaistus ja maankäytön suunnittelu

Ympäristönsuojelulain (524/2014) 5 §:s määrittelee valon yhdeksi ihmisen toiminnasta

aiheutuvaksi päästöksi, jonka voidaan katsoa aiheuttavan ympäristön pilaantumista, sillä se

aiheuttaa haittaa luonnolle ja sen toiminnoille sekä terveyshaittoja ihmisille. Nykyisenkin

ympäristölainsäädännön puitteissa valosaasteeseen voitaisiin siis puuttua. Valaistusta

koskevia rajoituksia on kuitenkin melko vähän verrattuna esimerkiksi melua koskeviin

rajoituksiin. Maankäyttö- ja rakennuslaki (1999/32, MRL) mainitsee valaistuksen neljässä eri

pykälässä. MRL:n 117 c § (Terveellisyys) velvoittaa rakennushankkeeseen ryhtyvää

suunnittelemaan ja rakentamaan siten, että rakennus on terveellinen ja turvallinen myös

rakennuksen valaistusolosuhteet huomioiden. 117 j §:ssä (Asuin-, majoitus- ja työtilat) taas

määrätään, että asuin- majoitus- ja työtilassa on oltava ikkuna luonnonvalon saamiseksi, mutta

työn luonteen niin edellyttäessä työtilan valaistus voidaan järjestää myös kokonaan

keinovalolla. 126 a § (Toimenpideluvanvaraiset toimenpiteet) määrää

14

toimenpideluvanvaraiseksi toimenpiteeksi suurehkon valaisinpylvään tai vastaavan

rakentamisen silloin, kun ”lupa-asian ratkaiseminen ei kaikilta osin edellytä rakentamisessa

muutoin tarvittavaa ohjausta”. 163 § (Vähäisten laitteiden sijoittaminen) velvoittaa kiinteistön,

yleisen alueen tai rakennuksen omistajan tai haltijan sallimaan ”kiinteistölle, alueelle tai

rakennukseen kiinnitettäväksi tai sijoitettavaksi valaistus-, liikenne- tai telejohtojen

kiinnikkeitä, liikennemerkkejä, liikenteen ohjauslaitteita ja opasteita sekä vähäisiä

katurakenteen osia”. Näistä yksikään pykälä ei kuitenkaan koske ainoastaan valaistusta, vaan

valaistus on mainittu yhtenä huomioitavana seikkana muiden ohella. Sen sijaan melusta

säädetään MRL:n 117 f §:ssä (Meluntorjunta ja ääniolosuhteet) seuraavaa:

Rakennushankkeeseen ryhtyvän on huolehdittava, että rakennus ja sen oleskelu-

ja piha-alueet niiden käyttötarkoituksen edellyttämällä tavalla suunnitellaan ja

rakennetaan siten, että rakennuksen sekä rakennuspaikan piha- ja

oleskelualueiden melualtistus ja ääniolosuhteet eivät vaaranna terveyttä, lepoa

tai työntekoa.

Rakenteiden ääneneristävyyden ja taloteknisten laitteiden äänitason ja

asennusten on oltava sellaisia, että rakennuksessa oleskelevien uni ja lepo eivät

häiriinny ja rakennuksen käyttötarkoituksen mukainen toiminta on

ääniolosuhteiden puolesta mahdollista. Rakennuksen ääniolosuhteet on

määritettävä äänitason ja kaiuntaisuuden avulla sekä piha- ja oleskelualueilla

äänitasojen avulla.

Tämän pykälä on selvästi täsmällisempi ja rajoittavampi kuin valaistusta koskevat säädökset.

Pienillä sanamuutoksilla pykälä voisi sopia myös valosaastetta rajoittavaksi pykäläksi.

Ongelmaksi muodostunee se, miten haitallinen valo määriteltäisiin ja milloin olisi mahdollista

ryhtyä toimenpiteisiin sen rajoittamiseksi.

Maankäyttöä ohjataan Suomessa kaavoituksella, johon kuuluvat maakuntakaava, yleiskaava ja

asemakaava. Maakuntakaava ohjaa maankäyttöä maakunnan tasolla ja sen laatii paikallinen

maakunnan liitto, johon myös kaikki alueen kunnat kuuluvat. Maakuntakaava on

yleispiirteinen ja strateginen suunnittelun taso, joka ohjaa tarkempien yleis- ja asemakaavojen

laadintaa. Yleiskaava on maakuntakaavaa tarkempi kunnan alueen kaavataso, joka myös

syrjäyttää maakuntakaavan yleiskaavan alueella, mutta jonka laatimista maakuntakaavalla

ohjataan. Asemakaava on tarkin kaavataso, joka syrjäyttää yleiskaavan samalla alueella mutta

15

jonka laatimista yleiskaava ohjaa. Yleiskaavassa voi olla maininta tai erityismerkintä

valaistuksesta, mutta yksittäisiä valopylväitä ei yleensä merkitä edes asemakaavoihin. Sen

sijaan maankäyttöä suunniteltaessa myös valaistusolosuhteet tulisi suunnitella jo kaavaa

laadittaessa. Velvoittavien lakipykälien puuttuessa kaupungit ja kunnat voivat ohjata

kaavoituksella valaistusta myös yksityisten toimijoiden kohdalla. Esimerkiksi Jyväskylässä

Kankaan Piippurannan asemakaavassa (2015:36) on määrätty, että valaistuksen tulee olla

häikäisemätöntä ja alaspäin suunnattua, sekä että alueen valaistusta suunniteltaessa on

varmistettava, ettei valaistuksesta aiheudu häiriötä lepakoiden elinympäristöille.

16

2. Valaistuksen suunnittelu ja valosaaste

Valaistus tuottaa hyötyä mm. liikenneturvallisuuden, yleisen turvallisuuden tunteen ja

viihtyisyyden muodossa, mutta sen negatiivisiin puoliin on kiinnitetty monesti vähemmän

huomiota tai niistä ei olla tiedetty. Selkein haittapuoli on valaistukseen tarvittava energia ja sitä

myötä aiheutuvat kustannukset sekä mahdolliset kasvihuonepäästöt. Energian säästäminen ei

kuitenkaan ole ainoa syy vähentää valosaasteen määrää. Energiapiheihin led-valaisimiin (Light

emitting diod) siirtyminen on tehokas tapa vähentää valaistukseen käytettävää energiaa, mutta

se voi myös lisätä valosaasteen määrää ympäristössämme. Näin on käynyt jo joissain

suurkaupungeissa, kuten Los Angelesissa ja Milanossa, jotka ovat vaihtaneet vanhat valaisimet

led-valoihin (Astronomy Now 12.8.2015). Vaikka lamppujen määrä ei kasvaisikaan, pienempi

energiankulutus saattaa johtaa siihen, että valaisimet on asetettu liian kirkkaiksi. Valaisimissa

käytettävä valkoinen led myös lisää erityisesti lyhytaaltoisen sinisen valon määrää, joka on

erityisen haitallista melatoniinin tuotannolle. Valkoinen led-valo voi olla valosaasteen kannalta

jopa 2,5 kertaa saastuttavampaa verrattuna esimerkiksi suurpainenatriumlamppuihin koska

valkoisessa ledissä sinisen valon aallonpituuden määrä on huomattavasti suurempi (Falchi ym.

2016; Gaston ym. 2013). Valosaasteen haitallisuuteen ei siis vaikuta ainoastaan valon määrä

tai kirkkaus, vaan myös aallonpituus eli se minkä väristä valo on sekä ajoitus.

Liikennevalaistuksen avulla pystytään ehkäisemään vakavimpia onnettomuuksia ja säästämään

ihmishenkiä (Jacket & Frith 2012). Esimerkiksi Tilastokeskuksen tietilaston (SVT 2015:21)

mukaan valaistuilla teillä kuoli pimeän aikaan puolet vähemmän ihmisiä kuin

valaisemattomilla teillä. Eniten onnettomuuksia tapahtuu kuitenkin päivänvalon aikaan, jolloin

myös liikennemäärät ovat suuremmat. Valaistus luo myös turvallisuuden tunnetta, joskaan se

ei välttämättä paranna itse turvallisuutta. Valaistusta on myös perusteltu rikollisuuden ehkäisyn

kannalta, mutta aiheesta tehtyjen tutkimusten tulokset ovat osin ristiriitaisia. Esimerkiksi

Farrington ym. (2002) saivat selville 13:sta Yhdysvalloissa ja Iso-Britanniassa tehdyistä

tutkimuksista selville, että verrokkialueisiin verrattuna katuvalaistus laski rikollisuutta

kokonaisuudessa, mutta toisaalta öinen rikollisuus ei laskenut yhtä paljon kuin päiväsaikaan

tapahtunut rikollisuus. Steinbach ym. (2015) taas tutkivat valaistuksen vähentämisen

seurauksia liikenneonnettomuuksiin ja rikollisuuteen, eivätkä löytäneet merkittävää eroa

rikollisuuden osalta osittain valaistun tai kokonaan sammutetun valaistusjärjestelmän osalta,

17

mutta vähäistä rikollisuuden kasvua siellä missä valaistusta oli himmennetty tai siirrytty

valkoisiin led-valoihin.

Valaistusjärjestelmämme on yksi osa maankäytön suunnittelua, jota tehtäessä tulisi ottaa

huomioon sekä aiheutuvat haitat että saavutettavat hyödyt. Selkeimmät haitat ovat valosaasteen

kautta aiheutuvat terveys- ja ympäristöriskit sekä valaistuksesta aiheutuvat energia- ja

materiaalikustannukset, jotka saattavat muodostaa huomattavan osan kunnan menoista.

Globaalisti valaistukseen käytetään noin viidennes maailmassa tuotetusta sähköstä ja sen

tuottaminen aiheuttaa noin 7 % maailman hiilidioksidipäästöistä (IEA 2011). Varsinkaan

silloin kun liikenneväyliä ei käytetä, on valaistuksen päällä pitäminen kyseenalaista

luonnonvarojen tuhlaamista käyttäjien puuttuessa. Ennen kaikkea valaistusjärjestelmän tulisi

toimia silloin kun sitä tarvitaan ja siellä missä sitä tarvitaan mahdollisimman tehokkaasti.

Tähän vaikuttavat käytettävän valaisimen malli mutta myös valaistu kohde, sillä esimerkiksi

vaaleat pinnat heijastavat valoa voimakkaammin eivätkä näin ollen vaadi yhtä suurta

valaistustehoa kuin tummemmat pinnat saavuttaakseen saman kirkkauden määrän (Tiensuu,

2010:15).

Kun valon hinta tulee alas, esimerkiksi led-valojen muodossa, siitä tulee myös

houkuttelevampaa esimerkiksi mainostajille. Halpa keino saada näkyvyyttä voi lisätä

valosaasteen määrää ympäristössämme. Valosaasteen ongelmaa ei tulisikaan nähdä ainoastaan

taloudellisena, vaan myös ekologisena ja terveydellisenä haittana. Monet liikeyritykset pitävät

valoja päällä öisin, sillä valojen sammuttaminen nähdään ilmeisesti haitallisempana yrityksen

imagolle kuin valoista aiheutuva taloudellinen menetys.

Valosaasteen vähentämiseksi on olemassa ratkaisuja, jotka voivat auttaa säästämään energiaa

ilman että valaistuksesta koituva viihtyisyys tai turvallisuus kärsisivät. Valosaastetta voidaan

vähentää yksinkertaisesti esimerkiksi lamppu- ja varjostintyypin valinnalla. Kaikkein

epäedullisin vaihtoehto on pallon muotoinen valaisin ilman varjostinta, koska tällaisen lampun

valosta yli puolet karkaa suoraan taivaalle (Tiensuu, 2010: 24). Sen lisäksi että tällainen lamppu

aiheuttaa turhaa taivaanhohdetta, se myös kuluttaa jatkuvasti energiaa josta siis yli puolet kuluu

ympäristölle haitalliseen toimintaan. Helppo ratkaisu on varjostimen tai kuvun avulla vähentää

18

horisontin yläpuolelle karkaavaa valoa. Tämä voi myös auttaa säästämään energiaa, sillä ennen

taivaalle karannut valo auttaa nyt valaisemaan lampun kohdetta, jolloin lampun kirkkautta

voidaan vähentää ilman että valaistu kohde himmenee. Kokonaan valosaasteesta ei päästä

eroon hyvälläkään suunnittelulla, sillä osa valosta heijastuu ympäristöön myös valaistujen

pintojen kautta

Viime vuosien aikana ovat yleistyneet älykkäät valaistusjärjestelmät, jotka liiketunnistimien

avulla säätelevät valojen kirkkautta. Aluksi tällaisia järjestelmiä on testattu lähinnä puistojen

ja virkistysalueiden valaisemisessa, mutta tieliikenteen valaistusjärjestelmän tehostaminen

olisi huomattavasti kannattavampaa pidempien tieosuuksien ja voimakkaampien valaisimien

takia. Älykkään valaistusjärjestelmän käyttöönotto aiheuttaa lisää materiaalisia kustannuksia

sensorien muodossa, mutta energiakustannusta voidaan vähentää huomattavasti. Erityisesti

tästä olisi hyötyä syrjäisillä ja harvaan asutuilla alueilla jossa tiellä liikkujia on vähän.

Esimerkiksi suomalainen Lumine Lighting Solutions Oy (2017) lupaa tarjoamansa

järjestelmän pystyvän leikkaamaan jopa 75 % energiankulutuksesta, tosin epäselväksi jää

kuinka suuri osa energian säästöstä aiheutuu led-lampuista ja mikä on ohjatun

valaistusjärjestelmän säästöpotentiaalin osuus. Energiakustannus on myös suurin menoerä

rakennusvaiheen jälkeen muodostaen noin 40 % elinkaarikustannuksista elohopealamppujen

osalta, mutta himmennetyistä suurpainenatrium-lampuissa energiakustannuksen osuus putoaa

16 %:teen (Motiva 2009), mutta myös kunnossapitokustannukset voivat alentua älykkään

järjestelmän käyttöönoton myötä, sillä lamppujen voidaan olettaa kuluvan hitaammin, jos ne

eivät pala täydellä teholla jatkuvasti. Liiketunnistimia voidaan myös käyttää anonyymiin

tienkäyttäjien tilastointiin, jolloin voidaan kerätä tietoa siitä, kuinka paljon eri tieosuuksilla

liikkuu ihmisiä eri aikoina.

19

3. Aineistot ja menetelmät

3.1 Aineistot

Tutkimuksessa käytetään paikkatieto- ja kaukokartoitusaineistoja havainnollistamaan öisen

valaistuksen levinneisyyttä ja tekijöitä Suomessa. Tärkeimpinä aineistoina käytetään kahta

erilaista satelliitein havainnoimaa rasteriaineistoa, joiden sensorit keräävät näkyvää valoa ja

lähi-infrapunasäteilyä (Elvidge ym. 2013). Valoisuuden määrää selittäviksi muuttujiksi

valittiin väestö, tiet sekä rakennusten osoitetiedot. Myös ruututietokannan keskitulomuuttujan

käyttöä harkittiin, mutta se päätettiin jättää mallista pois koska sen vaikutus malliin oli niin

vähäistä. Idea regressiomallinnukseen ja näiden muuttujien valintaan tuli Akiyaman (2012)

artikkelista, jossa oli käytetty samanlaisia muuttujia selittämään vanhemman DMSP-

satelliittiaineiston valoisuutta Japanin Tohokun alueella. Akiyaman tutkimuksessa koko

Tohokun maakunnan selitysasteeksi saatiin n. 45 %.

3.1.1 DMSP/OLS

Yhdysvaltain liittovaltion sää- ja valtamerentutkimusorganisaatio (National Oceanic and

Atmospheric Administration, NOAA) aloitti 1970-luvun alussa säähavainnointiin suunnitellun

satelliittiohjelman, jonka tarkoitus oli alun perin havaita maapallolla pilvien jakautumista sekä

mitata pilvien yläpuolen lämpötilaa. Defense Meteorological Satellite Program –ohjelman

Operational Line Scanner -sensorin (DMSP-OLS 1971-) näkyvän valon ja lähi-

infrapunasäteilyn kanavan huomattiin pystyvän havaitsemaan himmeitä valoja ja lähi-

infrapunan öisiä lähteitä kuten kaupunkien valoja ja öljykenttien kaasuliekkejä (Huang ym.

2014). Siitä lähtien tätä aineistoa on puutteistaan huolimatta käytetty paljon tieteellisissä

julkaisuissa erityisesti sen jälkeen, kun NOAA julkisti datan vapaasti saatavaksi digitaalisessa

muodossa vuonna 1992, mitä ennen kerätty data oli tallessa vain filminauhalla (Huang ym.

2014). Tämän aineistokokoelman vahvuus on sen jatkuvuudessa, sillä vapaasti ladattava

aineisto on kerätty useiden satelliittien avulla vuosien 1992 - 2013 välillä, mikä mahdollistaa

ajallisen muutoksen tutkimisen. Viimeisin satelliitti F19 laukaistiin vuonna 2014, mutta

sähkövian takia satelliittia ei voida enää ohjata tai kalibroida maasta käsin, mutta se kerää yhä

aineistoa, jonka laadun odotetaan heikkenevän ajan myötä, koska kalibrointia ei voida suorittaa

(Space News 25.7.2016). Aineiston puutteiksi voidaan luokitella heikko spatiaalinen

resoluutio, joka on vain 2,7 kilometriä, mutta aineisto on paranneltu digitaalisesti 0,56

kilometrin resoluutiolle. Vapaan saatavuuden lisäksi aineisto oli pitkälti ainutlaatuista, sillä

20

yöaikaan kuvaavia satelliitteja on vähän ja kaukokartoituksen tarpeisiin käytettävät aineistot

on yleensä kuvattu päivänvalon aikaan. Satelliitin ylilentoaika on n. klo 19 ja 20 välillä

paikallista aikaa. Aineisto on luokiteltu 64 luokkaan, jossa DN-arvo (Digital Number) 0

tarkoittaa täydellistä pimeyttä ja 63 kirkkainta havaittua arvoa. Ylisaturoitumisen vuoksi

erittäin kirkkaita alueita on hankala vertailla toisiinsa ja lähes kaikki suuret kaupungit yltävät

kirkkaimpaan luokkaan. Tutkielmassa on käytetty eri vuosille tuotettua stable lights –aineistoa,

johon on kerätty vuosittainen pilvetön aineisto niistä paikoista, jotka ovat olleet vähintään 50

prosentin osuudelta havainnoista valaistuja silloin kun pilvisyys on käsitelty aineistosta pois.

Aineistoa on käytetty paljon havainnollistamaan valosaasteen leviämistä, mutta sitä on käytetty

myös esimerkiksi väestöarvioiden laatimiseen alueilla, joilla ei ole luotettavaa tilastointia sekä

katuvalojen energiankulutuksen kehityksen arviointiin (Amaral ym. 2006; Sánchez de Miguel

ym. 2014). Tässä tutkielmassa on käytetty stable lights -aineistoa F10-satelliitilta vuodelta

1994 sekä F18-satelliitilta vuodelta 2013, joita verrattiin keskenään havainnollistamaan näiden

vuosien välillä tapahtunutta muutosta valosaasteen määrässä.

3.1.2 Suomi-NPP VIIRS DNB

Suomalaistaustaisen säätieteilijän Verner Suomen mukaan nimetty ja vuonna 2011 laukaistu

satelliitti Suomi National Polar-orbiting Partnership (Suomi-NPP) kuuluu sääsatelliittien

uuteen sukupolveen ja sen VIIRS-havaintolaitteen (Visible/Infrared Imager Radiometer Suite)

DNB-aineisto (Day/Night Band) on 45 kertaa tarkempaa kuin vanhemman DMSP-satelliitin

aineisto (Elvidge ym. 2013). Se tuo parannuksia lähes kaikkiin ongelmiin mitä DMSP-

satelliitilla oli, kuten heikkoon spatiaaliseen resoluutioon, kirkkaiden valojen ylisaturaatioon

sekä lennon aikana suoritettavan kalibroinnin puutteeseen. VIIRS DNB havaitsee myös

huomattavasti heikommat valonlähteet kuin DMSP. DMSP:n havaitseman radianssin raja on

n. 5-10 wattia/sr/cm2 kun se on DNB:ssä 2-11 wattia/sr/cm2. DNB-aineisto kertoo myös tarkan

radianssin arvon toisin kuin DMSP, mikä tekee kirkkaiden alueiden vertailusta mahdollista.

Radianssi kuvaa tässä tapauksessa suoraan ylöspäin suuntautuvaa säteilytehoa. Tämä ei

tarkoita, että valon lähteet olisi suunnattu suoraan ylöspäin, vaan se kuvaa myös valaistuilta

pinnoilta heijastuvaa säteilyä. Aineiston spatiaalinen resoluutio on Suomen osalta ETRS-

TM35FIN –koordinaatistoon muunnettuna 336,8 metriä, mikä on vielä varsin heikko

verrattuna esimerkiksi Landsat-satelliittien 30 metrin resoluutioon. Satelliitin ylilento tapahtuu

21

n. klo 1 aikaan eli paljon myöhemmin kuin vanhemmalla DMSP:llä. Eroavaisuuksiensa takia

aineistot eivät ole keskenään kovin vertailukelpoisia (Kuva 3).

Satelliitin oleelliseksi puutteeksi voidaan sanoa VIIRS DNB-sensorin ”sokeaa aluetta”

lyhytaaltoisen sinisen valon osalta. Falchi ym (2016) sanovat sensorin olevan herkkä vain 500-

900 nm aallonpituuksille, kun ihmisen havaitsema näkyvä valo on n. 380-780 nm, joten

erityisesti valkoisten led-valojen yleistyessä aineisto saattaa virheellisesti osoittaa valosaasteen

määrän vähenevän, vaikka se todellisuudessa kasvaisi. Koska satelliitti on tarkoitettu

pääasiassa sään havainnointiin ja lämpötilan mittaamiseen, on sensorin havaitseman säteilyn

aallonpituus lähempänä lähi-infrapunan aluetta kuin sinisen valon aluetta. Astronauttien

ottamat kuvat kansainväliseltä avaruusasemalta osoittavat valosaasteen määrän kasvaneen

kaupungeissa jotka ovat vaihtaneet katuvaloja LED-valaisimiin (Astronomy Now 12.8.2015).

Lähivuosien kehitystä valkoisten ledien tuottaman valosaasteen osalta ei voida siis havaita tästä

aineistosta, joten kehityksen seuraamiseksi olisi kerättävä aineistoa jollain toisella sensorilla

esimerkiksi ilmakuvaamalla tai mittaamalla valoisuuden muutosta paikan päällä erilaisilla

havaintolaitteilla.

Tässä tutkielmassa on käytetty vuoden 2015 kattavaa komposiittikuvaa, johon on yhdistetty

koko vuoden pilvettömät havainnot sekä poistettu esimerkiksi kuutamon aiheuttama valoisuus.

Tämä oli ainoa vuosittaisesta datasta koostettu komposiitti saatavilla tutkielmaa tehdessä.

Tämä vaikutti parhaalta vaihtoehdolta, sillä kuukausittaisessa datassa on oletettavasti jonkin

verran vaihtelua ja koko vuoden komposiitti antaa paremman kokonaiskuvan, lisäksi

aineistosta on jo käsitelty pois luontaiset valonlähteet kuten kuutamon vaikutus. Aineistolla

voidaan tutkia myös muita öisiä valonlähteitä kuten metsäpaloja tai öljy- ja kaasulähteiden

kaasuliekkejä (Elvidge ym. 2016), mutta näitä ei Suomen osalta aineistosta löydy. Datassa on

myös epäjatkuvuutta esimerkiksi pohjoisimman Suomen osalta, koska esimerkiksi revontulien

aktiivisuus voi aiheuttaa virhettä aineistossa joinain vuosina. Vuoden 2015 komposiittikuvassa

on havaintoja myös pohjoisimmasta Suomesta.

22

Kuva 3. Vasemmassa kuvassa DMSP-aineistossa vähäisetkin valonlähteet ovat ylikorostuneita

ja aineisto on luokitteluasteikollinen eikä kuvaa todellista valoisuuden määrää. Keskellä

VIIRS-aineistoa, joka kuvaa todellisia radianssin arvoja eivätkä vähäiset valonlähteet ole yhtä

korostuneita. Oikeassa kuvassa VIIRS 2015-aineiston pohjalta luotu valosaastekartta, joka

kuvaa taivaankannen kirkkautta (Falchi ym. 2016). Lähde: http://www.lightpollutionmap.info

[Vierailtu 21.2.2018].

3.1.3 YKR väestöaineisto

Yhdyskuntarakenteen seurannan aineistot (YKR) sisältävät tilastoruuduittain erilaista tietoa

Suomesta 250 m x 250 m, 1 km x 1 km ja 5 km x 5 km kokoisilla karttaruuduilla, jota voidaan

hyödyntää pitkän aikavälin muutosten seurantaan (Yhdyskuntarakenteen

23

seurantajärjestelmä… 2015). Aineisto on maksullinen, mutta 1 km2 väestötieto on vapaata

aineistoa. Tässä tutkielmassa käytettiin tätä ruutuaineistoa väestömuuttujana. Myös

ruututietokannan vuoden 2012 keskitulotietoa yritettiin käyttää selittävänä muuttujana

regressiomallissa, mutta sen vaikutus mallin selitysasteeseen jäi niin vähäiseksi, että se

päätettiin jättää pois.

3.1.4 Digiroad

Digiroad on liikenneviraston ylläpitämä aineisto, jossa on vektorimuodossa erilaista tietoa

Suomen tiestöstä. Tästä aineistosta tarkasteltiin yhtä muuttujaa, valaistuja teitä. Valaistut tiet

ovat omina viivamuotoisina vektoreinaan aineistossa ja 1 km2 ruutuaineistoon tuotuna on tieto

siitä, kuinka monta erillistä viivasegmenttiä valaistua tietä on 1 km2 ruudun alueella (Kuva 4).

Myös ruudun sisään jäävää tiestön pituutta kokeiltiin käyttää muuttujana laskemalla aineistosta

geometrian avulla pituus, mutta tämä muuttuja korreloi valaistuksen kanssa huomattavasti

vähemmän kuin segmenttien lukumäärä, joten segmenttitieto valittiin valaistun tien

muuttujaksi.

24

Kuva 4. Vasemmalla alkuperäinen viivamuotoinen segmenttiaineisto valaistuista teistä,

oikealla segmenttien lukumäärät 1 km2 ruudukolla.

3.1.5 Corine maankäyttöaineisto

Corine-maankäyttöluokitus (Coordination of information on the environment) on

satelliittidatasta koostettu luokiteltu aineisto, joka kertoo maankäytöstä ja maanpeitteestä (EEA

1995). Tätä aineistoa käytettiin selvittämään, mitkä maankäyttömuodot ovat valosaasteen

kannalta kirkkaimpia. Tutkielmassa käytettiin karkeinta aineistoa, jossa alueet ovat vähintään

25 hehtaarin kokoisia polygonitasoja, mutta tosin tämäkin aineiston koko on huomattavasti

tarkempaa kuin siihen verrattava DNB-aineisto jonka solukoko on 336,8 metriä.

25

3.1.6 Väestörekisterikeskus - Osoitteet

Osoitetiedot saatiin Väestörekisterikeskuksen avoimesta paikkatietoaineistosta, jossa on

pistemuotoisena tietona kaikki Suomen osoitteet. Osoitetiedoista löytyy myös karkea jaottelu

asuin- ja tuotantorakennuksiin. Asuinrakennukset korreloivat voimakkaasti väestömuuttujan

kanssa, sillä väestö on laskettu asuinpaikan perusteella. Tästä syystä mallinnuksessa päätettiin

käyttää tuotantorakennuksien osoitetietoja, jotka korreloivat vain hieman vähemmän

valaistuksen määrän kanssa kuin kaikki osoitetiedot, mutta ne myös korreloivat

väestömuuttujan kanssa huomattavasti vähemmän. Näin multikollineaarisuuden osuutta

voidaan vähentää mallissa. Osoitetiedot yhdistettiin hilaruudukkoon niin, että ruudun tieto

kertoo, kuinka monta pistemuotoista osoitetietoa kunkin ruudun alueella on.

Tuotantorakennusten osoitetietoa käytettiin selittävänä muuttujana regressiomallissa.

Aineiston paikkatiedoissa tiedetään olevan jonkin verran virhettä eivätkä rakennustietoja

pidetä julkisesti luotettavina (Väestörekisterikeskus 2016). Koska tässä tutkielmassa

osoitetietoja käytettiin laskemaan osoitteiden määrä 1 km² ruudulla, pienet koordinaattivirheet

eivät vaikuta merkittävästi tuloksiin.

3.1.7 1 km x 1 km hilaruutuaineisto

Hilaruutuaineisto on tilastokeskuksen ylläpitämä aineisto, jossa Suomi on jaettu yhtä suuriin

neliökilometrin kokoisiin ruutuihin, mikä mahdollistaa tilastollisen tiedon yleistämisen

paikkatiedon perusteella näiden ruutujen alueelle. Hilaruutujen lukumäärä on 393302

kappaletta, joista osa sijaitsee myös vesistö- ja merialueilla.

3.1.8 Hallintorajat

Hallintorajat on Maanmittauslaitoksen tuottama aineisto joka kuvaa Suomen kunta- ja

maakuntajakoa vuodelta 2016 ja tästä aineistosta maakuntarajoja käytettiin maakunnallisten

mallien rajojen määrittämiseen. Näistä 18:sta eri maakunnasta muodostettiin omat

regressiomallit, joiden selitysasteet on esitetty kartassa (kuva 7).

26

3.2 Menetelmät

Regressiomallissa käytettävät aineistot eli väestö, valaistut tiet, DNB-data ja osoitetiedot

muunnettiin samaan ETRS-TM35FIN -koordinaatistoon sekä yhdistettiin 1 km2

hilaruudukkoon. DNB-aineiston spatiaalisen resoluution takia kullekin 1 km2 ruudulle mahtui

noin 9 pikseliä, joiden keskiarvoa käytettiin kuvaamaan ruudun alueella havaittua ylöspäin

suuntautuvaa säteilyä (Kuva 5). Keskiarvo saatiin muuttamalla rasterin solukoko 1 kilometriin

ja laskemalla solujen keskiarvot kilometrin soluille. Uusi rasteri muutettiin pistetasoksi, jotta

sen yhdistäminen hilaruudukkoon olisi mahdollista. Väestöruudut on luotu vain alueille, joissa

väestöä on, joten tyhjäksi jääneissä hilaruuduissa merkittiin väestön arvoksi 0. Samoin myös

tehtiin alueille joissa DNB-aineiston perusteella ei ollut pysyviä valonlähteitä. Kaikki kartat on

tehty käyttämällä ESRI:n ArcGIS-ohjelmistoa ja tilastolliset analyysit IBM:n SPSS Statistics

–ohjelmaa. Tutkielman eri vaiheet on esitetty vuokaaviossa (Kuva 6).

Regressioanalyysiä varten aineistosta poistettiin poikkeavat arvot, sillä suuret poikkeavat

havainnot vaikuttavat suuresti tilastollisen mallin toimivuuteen. Kaikki ruudut, joissa

radianssin keskiarvo oli yli 150, poistettiin analyysistä. Raja-arvot valittiin tarkastelemalla

kaupunkikeskustoissa havaittuja arvoja ja poistamalla näitä selvästi suuremmat arvot. Näitä

Kuva 5. DNB-aineiston muunnos 1 km² solukoolle

27

ruutuja oli vain 96 kpl, mutta niiden poistaminen nosti koko Suomen osalta mallin selitysasteen

lähes 41 prosenttiin kun se näiden havaintojen kanssa oli vain n. 0,5 %.

Maankäyttömuotojen osuuteen valosaasteen tuottajina lähdettiin selvittämään käyttämällä

alkuperäistä DNB-aineistoa, joka muutettiin pistetasoksi. Pisteet yhdistettiin Corinen

maankäyttöluokitustasoon ArcGIS:n Spatial join –työkalulla ja pisteiden havaituista radianssin

arvoista laskettiin keskiarvo kullekkin Corinen polygonimuotoiselle alueelle. Taulukossa 9 on

kuvattu kunkin maankäyttöluokan yhteenlaskettu keskiarvo.

Kuva 6. Vuokaavio tutkielman vaiheista.

28

3.2.1. Monen muuttujan lineaarinen regressioanalyysi

Regressioanalyysissä selvitetään muuttujien välistä riippuvuutta määrittelemällä selitettävä

muuttuja, jonka arvoja pyritään estimoimaan selittävän muuttujan arvoilla. Monen muuttujan

regressioanalyysissä (eng. Multiple linear regression) selitettäviä muuttujia on enemmän kuin

yksi. Tässä tapauksessa selitettävä muuttuja on VIIRS-aineiston radianssin arvo, jota selitetään

väestöllä, osoitteilla ja valaistuilla teillä. Ensin selvitetään, onko muuttujien välillä

havaittavissa korrelaatiota laskemalla Pearsonin korrelaatiokerroin, joka kuvaa valittujen

muuttujien välistä lineaarista riippuvuutta (Holopainen & Pulkkinen 2012:233-235).

Korrelaatiokerroin on luku -1 ja 1 väliltä riippuen siitä onko korrelaatio positiivista vai

negatiivistä. Kaikki selittävät muuttujat korreloivat positiivisesti radianssin kanssa, joten

muuttujien arvot kasvavat myös radianssin arvon kasvaessa (Taulukko 1). Mikään muuttujista

ei kuitenkaan yksin riitä selittämään valoisuuden määrän vaihtelua yksinään.

Regressioanalyysillä voidaan selvittää miten paljon kukin muuttuja vaikuttaa aineiston

perusteella valoisuuden määrään sekä laskea mallin selitysaste, joka kuvaa kuinka suuren

osuuden havainnoista malli kykenee selittämään. Regressiomallin kaava on kuvattu alla

yhtälössä 1, jossa y on selitettävä muuttuja eli radianssin keskiarvo, 𝛽0 on vakiotermi ja 𝛽1 −

𝛽4 ovat selittävien muuttujien kertoimet.

𝑦 = 𝛽0 + 𝛽1 𝑉𝑎𝑙𝑎𝑖𝑠𝑡𝑢 𝑡𝑖𝑒𝑠𝑒𝑔𝑚𝑒𝑛𝑡𝑡𝑖 + 𝛽2 𝑉ä𝑒𝑠𝑡ö +

𝛽3 𝑇𝑢𝑜𝑡𝑎𝑛𝑡𝑜𝑟𝑎𝑘𝑒𝑛𝑛𝑢𝑠𝑡𝑒𝑛 𝑜𝑠𝑜𝑖𝑡𝑡𝑒𝑒𝑡 (1).

29

Taulukko 1. Pearsonin korrelaatiokertoimet regressiomallissa käytettäville muuttujille koko

Suomen osalta. * = Tilastollinen merkitsevyys (p < 0,01), aineistosta poistettu arvot joissa

radianssin keskiarvo > 150

Pearsonin

korrelaatiokerroin

(N=393206)

Radianssin

Keskiarvo

Valaistu

Tiesegmentti

Väestö Tuotantorakennusten

osoitteiden lkm

Radianssin Keskiarvo 1,000 0,408* 0,543* 0,509*

Valaistu Tiesegmentti 0,408* 1,000 0,243* 0,426*

Väestö 0,543* 0,243* 1,000 0,531*

Tuotantorakennusten

osoitteiden lkm

0,509* 0,426* 0,531* 1,000

Regressiomalli muodostettiin koko Suomen aineistolle sekä maakunnittain. Näin suurimpien

poikkeavien havaintojen paikallistaminen oli helpompaa, sillä regressiomallin selitysaste sekä

hajontakuviot osoittavat suurta vaihtelua alueittain. Poikkeavat havainnot vaikuttavat

merkittävästi regressiomallin toimivuuteen, joten poikkeavia havaintoja pyrittiin rajaamaan

aineistosta hajontakuvioiden perusteella. Ilmakuvatarkastelun perusteella suurin osa

poikkeavan korkeista radianssin arvoista joita malli ei kyennyt selittämään, olivat peräisin

kasvihuoneista. Aineistossa suurin yksittäinen arvo sijaitsi Närpiössä ja oli 8594 wattia/sr/cm2,

joka on huomattavasti korkeampi kuin yhdestäkään isosta kaupungista peräisin oleva valo,

esimerkiksi Helsingin keskustasta korkein havaittu radianssin arvo on 164 wattia/sr/cm2. 1 km2

ruuduille lasketun keskiarvon suurin arvo oli 2819 wattia/sr/cm2 ja vastaavasti Helsingin

keskustan korkein arvo 117 wattia/sr/cm2.

3.2.2 Muutosanalyysi

Muutosanalyysissä (eng. change detection analysis) kahden eri rasterin ajallista muutosta

tutkitaan vertailemalla niiden arvoja keskenään (Lunetta & Elvidge 1999:10).

Muutosanalyysissä vertailtiin DMSP-OLS Stable lights –aineiston vuosien 1993 ja 2013 kuvia,

jotta voitaisiin nähdä, miten valoisuuden määrä on mahdollisesti kasvanut ja minne on syntynyt

uusia valonlähteitä 1993-2013 välisenä aikana. Koska rastereissa aineisto on luokiteltu

suhteelliselle asteikolle, on niiden vertailu keskenään osin puutteellista eikä vertailu kerro

todellista valoisuuden muutosta. Lisäksi koska aineistossa on ainoastaan alueet, jotka ovat

olleet valaistuja 50 % havainnoista, ei menetelmä huomioi kuin ne arvot jotka löytyvät

30

molemmista kuvista. Tämän vuoksi kartan pohjalle on jätetty vuosien 1993 ja 2013 rasterit,

jotka kuvaavat uusia ja kadonneita valonlähteitä tältä ajalta. Ylisaturaatio myös vaikuttaa

kuvien vertailtavuuteen koska joinakin vuosina alueet voivat vaikuttaa kasvaneen koska ne

heijastuvat eri tavalla. Varmimmin tällä menetelmällä voidaan kuitenkin sanoa mille alueille

valot ovat syttyneet tällä aikavälillä, kun ennen pimeistä paikoista on tullut valoisia.

Aineistojen spatiaaliset resoluutiot myös erosivat toisistaan, vuoden 1993 kuvan spatiaalinen

resoluutio oli n. 670 metriä kun se vuoden 2013 kuvassa oli n. 673 metriä.

3.2.3 Maankäyttömuotojen vertailu

Eri maankäyttömuotoja vertailtiin Corine- ja DNB-aineistot yhdistämällä paikkatiedon

perusteella. DNB-aineiston pikselit muutettiin pistetasoksi ja pisteet yhdistettiin Corine-

polygonitasoon. Koska Corine-aineisto on tarkempaa kuin DNB, eivät pikseleistä muodostetut

pisteet osu välttämättä aina oikean maankäyttömuodon alueelle. Tulokset kuitenkin vaikuttivat

uskottavilta ja suurimmaksi osaksi aineistojen yhdistäminen näyttäisi onnistuneen hyvin.

31

4. Tulokset

4.1. Monen muuttujan lineaarinen regressioanalyysi

Suurimmat poikkeavat arvot radianssissa löytyvät kasvihuoneiden läheisyydestä, joita mikään

muuttujista ei pysty kovin hyvin selittämään. Närpiössä tuotetaan aineiston perusteella valtaosa

Suomen valosaasteesta, mutta koko kunnan alueella asuu vain alle 10 000 henkilöä. Tämä

näkyi erityisesti, kun regressiomallia käytettiin eri maakuntien alueisiin. Pohjanmaan kohdalla

regressiomallin selitysaste jäi vain n. 0,5 %:teen ennen poikkeavien havaintojen käsittelyä, kun

se oli esimerkiksi Uudenmaan maakunnassa 62,0 %. Outlierien eli poikkeavien havaintojen

poistamisella pyrittiin saamaan havaintojen jakauma lähemmäs normaalijakaumaa.

Pohjanmaalla on paljon kasvihuonekasvatusta erityisesti Närpiössä ja sen lähikunnissa.

Regressiomallin luomiseksi käytettiin askeltavaa regressiota (eng. stepwise regression), jossa

muuttujia lisätään malliin yksi kerrallaan. Näin saadaan selville kunkin muuttujan osuus

regressiomallin selitysasteeseen. Mallin perusteella väestö selittää 29,5 % radianssin arvoista,

valaistut tiet 8,1 % ja tuotantorakennusten osoitteet 2,8 %, koko Suomen osalta mallin

selitysasteen ollessa 40,4 % (Taulukko 2).

Taulukko 2. Askeltavan regression eri mallien selitysasteet koko Suomen osalta. *

= Tilastollinen merkitsevyys (p<0,01), aineistosta poistettu arvot joissa radianssin keskiarvo

> 150

Malli

(selitettävä muuttuja

radianssin keskiarvo)

Korjattu

selitysaste

(Adj. R²)

Selitysasteen

muutos

(R² Change)

F-testi Merkitsevyys

(Sig.)

Väestö 0,295 0,295 164640,895 0,000*

Väestö + Valaistu tie 0,376 0,081 118536,425 0,000*

Väestö + Valaistu tie +

Tuotantorakennukset

0,404 0,028 89011,224 0,000*

32

4.1.1 Residuaalien tarkastelu

Mallin muodostamisen jälkeen mallin sopivuutta arvioidaan jäännöstermien eli residuaalien

tarkastelulla. Residuaali kuvaa kuinka paljon selitettävän muuttujan arvot eroavat mallin avulla

estimoiduista arvoista. Residuaalien hajontakuvio paljastaa kuinka luotettava malli on ja missä

virheen osuus kasvaa. Kaikissa hajontakuvioissa oli huomattavissa samanlainen muoto, mikä

viittaa siihen, että jäännöstermin hajonta kasvaa radianssin keskiarvon kasvaessa (Holopainen

Kuva 7. Maakuntajaon perusteella muodostettujen regressiomallien

selitysasteet.

33

& Pulkkinen 2012:283). Malli on siis luotettavampi ennustamaan radianssin arvoa silloin, kun

arvot eivät ole kovin suuria. Tämä johtuu osittain siitä, että suuria radianssin keskiarvoja on

aineistossa suhteellisen vähän verrattuna pienempiin arvoihin, mutta myös siitä, etteivät valitut

muuttujat kykene ennustamaan luotettavasti korkeita arvoja, koska suuret radianssin arvot eivät

ole aina yhteydessä esimerkiksi suureen väestömäärään tai valaistuihin teihin. Residuaalien

karttaesitys vahvistaa tätä selitystä (kuva 10), pienintä hajonta on kaupunkien ympärillä

taajamissa ja suurempaa kaupunkien keskustoissa. Residuaalit lasketaan vähentämällä havaittu

arvo mallilla lasketun estimaatin arvosta. Residuaalien ja estimaattien hajontakuviot osoittavat,

että virheen osuus kasvaa radianssin arvon kasvaessa (kuva 8) ja monet korkeat arvot malli

ennustaisi olevan lähellä nollaa (kuva 9), koska näitä arvoja eivät mallissa käytetyt muuttujat

kykene selittämään.

Kuva 8. Pystyakselilla on esitetty koko Suomen mallin

sovittamisen jälkeen muodostuneet jäännöstermit ja

vaaka-akselilla havaittu radianssin keskiarvo 1 km2

ruudulla.

Kuva 9. Pystyakselilla koko Suomen mallilla

muodostetut estimaatit ja vaaka-akselilla havaittu

radianssin keskiarvo 1 km2 ruudulla.

34

Kuva 10. Koko Suomen mallin sovittamisen jälkeen muodostuneet jäännöstermit eli

residuaalit karttaesityksenä. Luokitteluasteikko kuvaa kuinka monen keskihajonnan päässä

ennustettu arvo on havaitusta arvosta.

35

Alueelliset regressiomallit muodostettiin maakuntarajojen perusteella ja näiden mallien

selitysasteet on esitetty kuvassa 5. Pienin selitysaste oli Pohjanmaalla ja suurin Päijät-

Hämeessä. Näiden mallien residuaalit on esitetty kartalla kuvissa 11 ja 12. Päijät-Hämeessä

suurin havaittu radianssin keskiarvo oli alle 150, joten aineistosta ei ollut tarvetta rajata

havaintoja pois. Sen sijaan Pohjanmaalla olivat koko Suomen aineiston korkeimmat havaitut

arvot, joista yli 150 olevat arvot rajattiin pois. Silti mallin selitysaste jäi alhaiseksi. Erityisesti

Närpiössä arvot olivat korkeita ja rajauksesta huolimatta korkeita arvoja oli suhteellisen

paljon. Päijät-Hämeessä muuttujien korrelaatiokertointen arvot olivat suurempia kuin

Pohjanmaalla ja ne korreloivat keskitulomuuttujaa lukuun ottamatta havaitun radianssin

keskiarvon kanssa voimakkaammin kuin toisten muuttujien kanssa (Taulukot 3 ja 4).

Kuva 11. Päijät-Hämeen maakunnasta muodostetun regressiomallin jäännöstermit

karttaesityksenä. Luokkarajat kuvaavat kuinka monen keskihajonnan päässä ennustettu

arvo on havaitusta radianssin keskiarvosta.

36

Pohjanmaan regressiomallin selitysastetta oltaisiin voitu parantaa rajaamalla enemmän

korkeita arvoja pois aineistosta, mutta selitysaste jäi silti vain n. 20 %:een.

Kuva 12. Pohjanmaan regressiomallin jäännöstermit. Luokittelu perustuu jäännöstermien

keskihajontoihin.

37

Taulukko 3. Päijät-Hämeen regressiomallissa käytettyjen muuttujien korrelaatiokertoimet. *

= Tilastollinen merkitsevyys (p < 0,01)

Pearsonin

korrelaatiokerroin

(N=6553)

Radianssin

Keskiarvo

Valaistu

Tiesegmentti

Väestö Tuotantorakennusten

osoitteiden lkm

Keskitulon

keskiarvo

Radianssin Keskiarvo 1,000 0,471* 0,730* 0,618* 0,558*

Valaistu

Tiesegmentti

0,471* 1,000 0,256* 0,371* 0,400*

Väestö 0,730* 0,256* 1,000 0,592* 0,486*

Tuotantorakennusten

osoitteiden lkm

0,618* 0,371* 0,592* 1,000 0,679*

Taulukko 4. Pohjanmaan regressiomallissa käytettyjen muuttujien korrelaatiokertoimet. *

= Tilastollinen merkitsevyys (p < 0,01), aineistosta poistettu arvot joissa radianssin keskiarvo

> 150

Pearsonin

korrelaatiokerroin

(N=8735)

Radianssin

Keskiarvo

Valaistu

Tiesegmentti

Väestö Tuotantorakennusten

osoitteiden lkm

Keskitulon

keskiarvo

Radianssin

Keskiarvo

1,000 0,194* 0,317* 0,265* 0,220*

Valaistu

Tiesegmentti

0,194* 1,000 0,238* 0,374* 0,420*

Väestö 0,317* 0,238* 1,000 0,666* 0,508*

Tuotantorakennusten

osoitteiden lkm

0,265* 0,374* 0,666* 1,000 0,623*

38

4.1.2 Multikollineaarisuuden tarkastelu

Multikollineaarisuudella (eng. multicollinearity) tarkoitetaan tilannetta, jossa usean muuttujan

regressiomallin selittävät muuttujat korreloivat keskenään, jolloin muuttujat eivät tuo lisää

tietoa malliin ja niiden vaikutus selitettävään muuttujaan jää epäselväksi (Holopainen &

Pulkkinen 2012:275). Tässä tapauksessa väestö- ja osoite-muuttujat korreloivat keskenään

voimakkaammin kuin radianssin keskiarvon kanssa. Multikollineaarisuuden vaikutusta näihin

muuttujiin pyrittiin vähentämään valitsemalla osoitetiedoista tuotantorakennukset ja jättämällä

asuinrakennukset mallista pois, sillä ne oletettavasti korreloivat väestömuuttujan kanssa

voimakkaammin. Tämän seurauksena korrelaatio radianssin arvon kanssa pysyi lähes samana,

mutta korrelaatio väestön kanssa vähentyi huomattavasti enemmän. Multikollineaarisuuden

yhtenä merkkinä pidetään korkeaa VIF-arvoa (Variance Inflatory Factor), joka ei saisi olla yli

5, tai ainakaan yli 6 tai 7 (Holopainen & Pulkkinen 2012:279; Piegorsch 2015:209). VIF-

arvojen perusteella muuttujien välillä ei esiintynyt multikollineaarisuutta (Taulukko 5).

Taulukko 5. Koko Suomen regressiomallin kertoimet, kertoimien keskivirheet, t-arvot, p-

arvot ja VIF-arvot. * = Tilastollinen merkitsevyys (p < 0,01), aineistosta poistettu arvot joissa

radianssin keskiarvo > 150

Mallin tekijät Kertoimet Kertoimen

keskivirhe

t-arvo p-arvo VIF-arvo

Vakiotermi 𝛽0 0,004 0,005 0,716 0,474 -

Valaistu

Tiesegmentti 𝛽1

0,964 0,006 158,844 0,000* 1,246

Väestö 𝛽2 0,009 0,000 245,844 0,000* 1,444

Tuotantorakennusten

osoitteet 𝛽3

0,055 0,001 100,087 0,000* 2,043

4.1.3 Regressiomallien kertoimet

Koko Suomen regressiomallin kertoimet on esitetty taulukossa 5 ja Päijät-Hämeen ja

Pohjanmaan kertoimet taulukoissa 6 ja 7. Kun koko Suomen mallin kertoimet sijoitetaan

lausekkeeseen 1 saadaan yhtälö 2, jota tulkitaan niin, että yksi valaistu tiesegmentti nostaa

radianssin keskiarvoa 0,964, yksi asukas nostaa keskiarvoa 0,009 tai n. 111 asukasta nostaa

39

keskiarvoa yhdellä, yksi tuotantorakennuksen osoite nostaa keskiarvoa 0,055 tai noin 18

osoitetta nostaa keskiarvoa yhdellä. Vakiotermin keskivirhe on suurempaa kuin sen arvo ja se

oli myös ainoa tekijä jolla ei ollut tilastollista riippuvuutta (Taulukko 6).

𝑦 = 0,004 + 0,964 × 𝑉𝑎𝑙𝑎𝑖𝑠𝑡𝑢 𝑡𝑖𝑒𝑠𝑒𝑔𝑚𝑒𝑛𝑡𝑡𝑖 + 0,009 × 𝑉ä𝑒𝑠𝑡ö + 0,055 ×

𝑇𝑢𝑜𝑡𝑎𝑛𝑡𝑜𝑟𝑎𝑘𝑒𝑛𝑛𝑢𝑠𝑡𝑒𝑛 𝑜𝑠𝑜𝑖𝑡𝑡𝑒𝑒𝑡 (2).

Taulukko 6. Päijät-Hämeen regressiomallin kertoimet, kertoimien keskivirheet, t-arvot, p-

arvot ja VIF-arvot. * = Tilastollinen merkitsevyys (p < 0,01), aineistosta poistettu arvot joissa

radianssin keskiarvo > 150

Mallin tekijät Kertoimet Kertoimen

keskivirhe

t-arvo p-arvo VIF-arvo

Vakiotermi 𝛽0 -0,120 0,043 -2,775 0,006* -

Valaistu

Tiesegmentti 𝛽1

1,039 0,035 29,586 0,000* 1,217

Väestö 𝛽2 0,013 0,000 58,025 0,000* 1,571

Tuotantorakennusten

osoitteet 𝛽3

0,047 0,004 12,807 0,000* 2,260

Taulukko 7. Pohjanmaan regressiomallin kertoimet, kertoimien keskivirheet, t-arvot, p-arvot

ja VIF-arvot. * = Tilastollinen merkitsevyys (p < 0,01), aineistosta poistettu arvot joissa

radianssin keskiarvo > 150

Mallin tekijät Kertoimet Kertoimen

keskivirhe

t-arvo p-arvo VIF-arvo

Vakiotermi 𝛽0 -0,938 0,099 9,493 0,000* -

Valaistu

Tiesegmentti 𝛽1

0,724 0,074 9,752 0,000* 1,250

Väestö 𝛽2 0,016 0,001 18,353 0,000* 1,852

Tuotantorakennusten

osoitteet 𝛽3

0,021 0,007 2,973 0,003* 2,300

40

4.2 Muutosanalyysi

Suurinta kasvua valoisuuden määrässä kartan perusteella löytyy Pohjanmaalta ja erityisesti

Närpiön alueella valoisuuden kasvu näyttää olleen voimakasta (Kuva 13). Tällä alueella näkyy

myös paljon uusia valonlähteitä jotka ovat levinneet vanhojen alueiden ympärille. Osa näistä

uusista alueista on todennäköisesti levinnyt kasvihuoneiden valoista, mutta myös uudet

valaistut tiet ja asutuksen leviäminen voivat olla syynä osassa tapauksia. Valot ovat syttyneet

erityisesti uusien perustettujen kaivosten alueelle ja kaivostoiminnassa tarvitaankin paljon

valaistusta yöaikaan. Tällaisia paikkoja on paljon varsinkin Lapissa, joka on hyvin harvaan

asuttu ja jossa on vielä paljon pimeyttä jäljellä. Yleisesti kartasta on nähtävissä myös, että

valonlähteet ovat voimistuneet erityisesti kaupunkien ympärillä, tosin suurimpien kaupunkien

keskustoissa valoisuuden määrä on pysynyt suurin piirtein ennallaan tai jopa laskenut. Tätä

selittää esimerkiksi kaupunkien ympäryskuntien väestön kasvu, jonne muutetaan halvempien

asuinkustannusten vuoksi.

Kuva 13. Eri vuosien DMSP-aineistojen muutokset. Tarkasteltavien vuosien 1993 ja 2013

yhteenlasketut DN-arvot (Digital Number) ovat hyvin lähellä toisiaan, joten nämä vuodet

valittiin tarkasteluun. Lähde: http://www.lightpollutionmap.info [Vierailtu 22.2.2018]

Aineistojen vertailun tuloksena laskettiin myös pinta-alat muutoksille. Vuoden 1993 F10-

satelliitin stable lights –aineistossa pienin arvo on 5 ja yhteensä valaistua pinta-alaa joka ylittää

tämän arvon on 81 062 km² ja vastaavasti vuoden 2013 F18-satelliitin aineistossa myös pienin

arvo on 5 ja tämän arvon ylittävä valaistu pinta-ala on 112 695 km². Kasvua näyttäisi siis

tapahtuneen yli 30 000 km², mutta joiltain alueilta valoisuus on myös vähentynyt, sillä vuoden

41

1993 satelliittiaineistossa on enemmän soluja kuin näiden kahden kuvan muutosta kuvaavassa

aineistossa (Taulukko 8). Nämä tulokset eivät näin ollen koske aivan himmeimpiä valonlähteitä

aineiston valinnan takia, vaan ainoastaan pysyviä valonlähteitä. Kasvaneen valoisuuden alueita

oli reilusti enemmän kuin vähentyneen valoisuuden alueita (Kuva 15).

Taulukko 8. Muutosanalyysin perusteella muodostetun kartan eri luokkien solujen lukumäärät

sekä laskettu pinta-ala. Uutta valaistua pinta-alaa on 7 955 km² enemmän kuin hävinnyttä

valaistua pinta-alaa.

Valoisuuden muutos 1993-2013 (DN) Solujen lkm Pinta-ala (km²)

Vähentynyt (-40 - -1) 26 770 12 044

Pysynyt samana (0) 19 890 8 949

Kasvanut (1-53) 119 275 53 666

Yhteensä 165 935 74 660

Hävinnyt valoisuus 14 227 6 401

Uudet valonlähteet 31 633 14 356

Uudet valonlähteet - hävinnyt valoisuus 17 406 7 955

42

Kuva 14. Muutosanalyysin tulokset 1993-2013, tänä aikana syntyneet uudet valonlähteet sekä

kadonneet valonlähteet. Punaisilla alueilla valoisuuden suhteellinen osuus on kasvanut ja

vihreillä vastaavasti vähentynyt.

Kuva 15. Muutosanalyysin tulokset pylväsdiagrammina. Positiiviset arvot kuvaavat

lisääntynyttä valoisuuden määrää ja negatiiviset arvot vastaavasti vähentynyttä valoisuuden

määrää.

43

4.3 Maankäyttömuotojen vertailu

Maankäyttömuodoista suurimmat havaitut keskiarvot löytyivät satama-alueilta,

liikennealueilta, taajamien viheralueilta ja puistoista sekä teollisuuden ja palveluiden alueilta

(Taulukko 9). Yleisesti ihmisen muokkaamissa ympäristöissä arvot olivat korkeita ja

luonnontilaisemmilla alueilla pieniä, kokonaan ilman havaittua valoisuutta olevat alueet olivat

niukkakasvustoiset kangasmaat sekä luonnonniityt. Esimerkiksi jokien arvoa selittää osittain

se, että asutus on yleensä keskittynyt jokien ja vesistöjen äärelle, mutta esimerkiksi järvien

suurempi pinta-ala ja etäisyys rannoista vähentävät tähän luokkaan kuuluvia arvoja.

Taulukko 9. Eri maankäyttömuotojen ja maanpeitteen havaittujen radianssin arvojen

yhteenlasketut keskiarvot, keskiarvojen summa ja alueiden lukumäärä.

Maankäyttömuoto/maanpeite

(Corine 2012)

Alueiden yhteenlaskettu

keskiarvo (wattia/sr/cm2)

Alueiden keskiarvojen

summa (wattia/sr/cm2)

Alueiden

lukumäärä

Satama-alueet 49,2 1427,8 29

Liikennealueet 47,2 283,2 6

Taajamien viheralueet ja puistot 33,5 4224,8 126

Teollisuuden ja palveluiden alueet 30,7 25627,7 834

Rakennustyöalueet 18,6 391,5 21

Väljästi rakennetut asuinalueet 10,9 24100,1 2214

Urheilu- ja vapaa-ajan toiminta-alueet 9,9 1934,9 195

Kaatopaikat 9,8 899,4 92

Lentokenttäalueet 7,6 405,8 53

Maa-ainesten ottoalueet 3,6 1564,8 428

Joet 3,3 927,0 277

Hedelmäpuu- ja marjapensasviljelmät 2,3 6,9 3

Merenrantakosteikot 1,7 356,1 204

Pellot 1,5 13353,3 9076

Pienipiirteinen maatalousmosaiikki 1,3 25044,2 18575

Meri 1,1 94,6 89

Peltojen ja niittyjen muodostama

mosaiikki

0,9 12,1 14

Havumetsät 0,8 23278,1 28500

Lehtimetsät 0,8 3400,8 4385

Sekametsät 0,8 25080,7 32953

Harvapuustoiset alueet 0,6 22170,0 38213

Sisämaan kosteikot 0,5 252,7 507

44

Järvet 0,5 4574,1 9930

Laidunmaat 0,3 30,8 94

Rantahietikot ja dyynialueet 0,2 3,0 18

Kalliomaat 0,1 116,5 1208

Varvikot ja nummet 0,1 77,2 1084

Avosuot 0,1 858,7 13358

Niukkakasvustoiset kangasmaat 0,0 0,0 417

Luonnonniityt 0,0 0,0 89

45

5. Pohdinta

Regressiomallinnuksen tuloksia vertailtaessa Akiyaman (2012) tuloksiin, huomataan että

Akiyaman tuloksissa tiestöllä oli suurin vaikutus valoisuuden määrään ja väestöllä vähäisin,

kun taas tässä tutkielmassa tehdyissä malleissa väestön selitysvoima valoisuuden määrään oli

suurin valituista muuttujista. Akiyaman tutkimuksessa oli käytetty DMSP-OLS –aineistoa,

joten VIIRS DNB -aineistolla oletetusti päästään tarkempiin tuloksiin, sillä se kuvaa todellisia

radianssin arvoja eikä suhteellista valoisuuden määrää. Residuaalien karttaesitykset ovat

samansuuntaisia kuin tässäkin tutkielmassa, eli virheen määrä kasvaa kaupunkien keskustojen

lähettyvillä, mutta ympäröivien alueiden vähäisempää valoisuuden määrää malli pystyy

selittämään melko hyvin.

Vaikka Bennie ym. (2014) saivat tuloksissaan selville, että DMSP-OLS-aineiston perusteella

Suomessa vähentyneen valoisuuden pinta-ala olisi suurempi kuin kasvaneen valoisuuden

pinta-ala, valittujen vertailtavien vuosien keskiarvot voivat vaikuttaa tuloksiin niin, etteivät ne

anna välttämättä todellista kuvaa tilanteesta. Kuvassa 13 huomataan, että tutkimuksessa

käytetyt vuodet 1995-2000 ovat keskimäärin saaneet korkeampia arvoja kuin niihin vertailtavat

vuodet 2005-2010. Valoisuuden määrä näyttää myös vaihtelevan paljon eri vuosina, mikä

johtuu osittain aineiston puutteellisuudesta erityisesti pohjoisilla alueilla. Verratessa vuosia

1993 ja 2013 huomattiin, että valoisuuden määrä on selkeästi kasvanut ja vaikka valonlähteitä

näyttäisi kadonneen erityisesti eteläisestä Suomesta, on uusia valonlähteitä syntynyt yli

kaksinkertainen määrä pinta-alallisesti (Taulukko 8). Ongelmaksi muodostuu tietojen

paikkansapitävyys, sillä aikasarjoista voi olla vaikea löytää Suomen osalta aineistoa joka

voitaisiin myös todentaa tarkasti. Pohjoinen sijainti tuottaa haasteita luotettavalle

satelliittidatalle.

Maankäyttömuotojen vertailua valosaasteen tuottajina ovat tehneet esimerkiksi Kuechly ym.

(2012) Berliinissä, jossa kerättiin aineisto yöaikaan lentokoneesta ilmakuvaamalla n. 1 metrin

spatiaalisella resoluutiolla. Eniten valopäästöjä Berliinissä tuottivat tutkimuksen perusteella

kadut, teollisuuden, kaupan ja palveluiden alueet sekä julkisten palveluiden alueet kuten

sairaalat ja koulut, jotka yhdessä muodostivat n. 55 % aiheutuneista valopäästöistä.

Kirkkaimpia alueita Berliinissä olivat lentokenttäalueet, kaupunkikeskusta ja

rakennustyömaat. Kuechly ym. huomauttavat myös, että spatiaalisen resoluution kasvaessa

46

esimerkiksi katujen valopäästöt näyttävät pienentyvän ja joidenkin maankäyttömuotojen osalta

kasvavan. Tarkemmalla aineistolla päästään siis lähemmäs todellisia valopäästöjen aiheuttajia

jotka voivat jäädä karkeammasta satelliittidatasta vähemmälle huomiolle. Vaikka tässä

tutkielmassa on keskitytty yhtä kaupunkia suurempaan alueeseen ja valopäästöjen aiheuttajaksi

luokitellut maankäyttömuodot kuvaavat koko Suomen tilannetta, ovat tulokset silti

samansuuntaisia.

Ruututietokannan hyödyntäminen paremman regressiomallin luomiseksi voisi auttaa

tarkemmin selvittämään valopäästöjen aiheuttajia. Esimerkiksi ruututietokannan aineistossa

oleva työpaikkojen lukumäärä pystyi selittämään melko hyvin valopäästöjä niillä alueilla, joilla

ei ole niin paljon asukkaita. Koska aineisto on maksullinen ja käytettävissä oli vain vuoden

2012 250 m² aineisto, päätettiin ruututietokannan hyödyntäminen jättää ulos tästä tutkielmasta.

1 km² aineistolla analyysien käsittelyajat pysyivät myös kohtuullisempina ja satelliittidata olisi

täytynyt käsitellä todellisuutta pienemmälle resoluutiolle, jolloin myöskään aineiston arvot

eivät enää kuvaisi yhtä hyvin todellista tilannetta. Yleistettäessä satelliittidata 1 km²

resoluutiolle eivät arvot tosin myöskään kuvaa todellisia arvoja, vaan kilometrin ruudulle

jäävien pikseleiden keskiarvoa. Valitut muuttujat toimivat mallissa kuitenkin melko hyvin ja

mallien selitysasteet olivat osin hyvinkin korkeita.

47

6. Johtopäätökset

Suurimmaksi valosaasteen aiheuttajaksi Suomessa paljastui aineiston perusteella

kasvihuoneviljelmät, jotka loistavat selkeästi kirkkaammin kuin Suomen kaupungit.

Kasvihuoneissa led-valaisimien käyttö on myös yleistynyt hiljattain ja

kasvihuonekasvatuksessa käytetään eri aallonpituuksia hyödyntäviä valaisimia kasvien

yksilöllisiin tarpeisiin. Kasvihuoneet ovat yleensä läpinäkyviä lasitettuja rakennuksia, koska

niissä halutaan hyödyntää päivisin loistava auringonvalo. Öisin halvemman yösähkön vuoksi

on myös taloudellisesti kannattavampaa pitää kasvatuslamppuja päällä. Jos ikkunoita ei peitetä

mitenkään, pääsee valoa ja lämpöä karkaamaan ympäristöön. Lämmön ja valon karkaamista

voidaan vähentää hyödyntämällä erilaisia verhoja, mutta niitä käytetään yleensä vain

kasvihuoneiden seinillä suorien valopäästöjen vähentämiseksi naapurustoon eikä

kasvihuoneiden kattoja yleensä peitetä mitenkään, joten suoraan ylöspäin suuntautuvia

valopäästöjä niillä ei vähennetä, lisäksi verhoihin investoiminen voi olla viljelijälle kallista

eivätkä ne välttämättä tuo juurikaan hyötyjä itse kasvattamisen osalta (Lyytimäki & Rinne

2013:98). Suurpainenatrium-lamput tuottavat myös paljon lämpöä, jolloin kasvihuoneita

joudutaan tuulettamaan eikä lamppuja voida siksi sijoittaa kasvien lähettyville. Led-valaisimet

tuottavat vain vähän lämpöä ja kuluttavat vähän sähköä, joten ne voidaan sijoittaa aivan

kasvien läheisyyteen ja samalla säästää viilennykseen kuluvaa energiaa (Kaukoranta ym.

2011). Eri toimijoita olisi kannustettava nykyistä enemmän vähentämään myös ympäristön

valopäästöjä. Närpiö ja muut kasvihuonekeskittymät tarjoavat hyvän tutkimuskohteen

voimakkaimpien valopäästöjen vaikutusten osalta Suomessa.

Regressiomallinnuksessa käytettävistä muuttujista parhaiten valoisuuden määrää selittivät

valaistut tiet ja väestö. Osoitetiedot lisäsivät vain hieman mallin selitysastetta.

Keskitulomuuttujaa kokeiltiin käyttää muuttujana joka kuvaisi taloudellista aktiivisuutta

alueella, mutta sen vaikutus mallin selitysasteeseen oli alle prosentin luokkaa, joten se

päätettiin jättää pois mallista. Paremmin taloudellista aktiivisuutta olisi ehkä pystynyt

selittämään esimerkiksi työpaikkojen määrä alueella. Alueellisten regressiomallien

selitysasteet olivat melko hyviä, mutta niissä oli myös suurta vaihtelua, kuitenkin lähes

kaikkien maakuntien selitysaste oli lähellä 30 % tai yli. Mallin selittävät muuttujat eivät

kyenneet luotettavasti ennustamaan korkeita radianssin arvoja, joten niiden ennustamiseksi

olisi löydettävä näitä alueita paremmin kuvaavia muuttujia. Malli onnistui ennustamaan melko

48

hyvin esimerkiksi asutuksesta aiheutuvia valopäästöjä, mutta suuria valopäästöjä aiheuttavat

maankäyttöluokat kuten satama- ja teollisuusalueet eivät sisällä juuri lainkaan väestöä. Väestön

ennustaminen satelliittidatasta onnistuu huomattavasti paremmin, sillä kun väestö valittiin

selitettäväksi muuttujaksi ja valoisuuden määrä selittäväksi, nousi regressiomallin selitysaste

n. 10 prosenttiyksikköä. Lineaarisen regressiomallin sijaan olisi esimerkiksi epälineaarinen

malli olisi saattanut selittää paremmin valoisuuden määrän vaihtelua ja erityisesti korkeita

arvoja näillä muuttujilla.

Muutosanalyysi paljasti, että kaupungeissa suhteellinen valoisuuden määrä on pysynyt lähes

ennallaan tai laskenut, mutta kaupunkien ympärillä olevissa asutuskeskittymissä valoisuuden

määrä on pääosin kasvanut. Tätä selittävät esimerkiksi asutuksen hajaantuminen kaupunkien

ympäryskuntiin, joissa asumisen kustannukset ovat alhaisemmat kuin kaupungeissa.

Ympärysalueiden väestön kasvaessa myös valaistuksen määrä lisääntyy uusilla asutusalueilla.

Uusia valonlähteitä on syntynyt syrjäisille alueille esimerkiksi Lappiin ja Kainuuseen

kaivostoiminnan vaikutuksesta, mutta myös lisääntynyt turismi on kasvattanut entisiä

matkailukohteiden alueita. Erityisesti Lapin matkailussa revontulet ovat monelle syy matkustaa

pohjoiseen, mutta lisääntyvä valoisuuden määrä hankaloittaa niiden näkemistä

majoituspaikkojen välittömässä läheisyydessä.

Maankäyttömuotojen vertailussa luonnontilaisten alueiden säteilyarvot pysyivät matalalla

tasolla, mutta koska vertailussa olivat maankäyttömuotojen yhteenlaskettu keskiarvo, voi

tilanne olla hyvin erilainen eri alueilla koska näitä alueita oli aineistossa myös suhteellisesti

eniten. Tulokset kuitenkin tukivat hypoteesia eri maankäyttömuotojen osuudesta valosaasteen

tuottajina, eli liikenteen, teollisuuden ja asutuksen osuutta suurimpina valopäästöjen

aiheuttajina.

Jatkotutkimuksen kannalta olisi hyvä lähteä selvittämään, miten eniten valopäästöjä

aiheuttavien maankäyttömuotojen tilannetta voitaisiin parhaiten lähteä ratkaisemaan niin, että

valopäästöjä vähennettäisiin ilman että valaistuksen tuomat hyödyt vähenevät. Lisäksi

voitaisiin selvittää, onko valoisuuden määrässä havaittavissa muutoksia satelliittiaineiston

perusteella sen jälkeen, kun valaistusjärjestelmää uusitaan joillain alueilla. Jos alueella

49

siirrytään valkoisiin led-valaisimiin, on aineisto todennäköisesti kerättävä jollain muulla

tavalla, koska nykyisen satelliitin havaitsemat aallonpituudet jäävät sinisen valon kasvun osalta

huomaamatta. Tarkempaa alueellista muutosta voitaisiin tutkia esimerkiksi lennokeilla tai

ilmakuvilla keräämällä aineisto ensin vanhan valaistusjärjestelmän osalta ja vertaamalla sitä

uudistetun valaistusjärjestelmän käyttöönoton jälkeen kerättyyn aineistoon, kunhan

havaintolaitteiden sensorit ovat tarpeeksi herkkiä juuri näkyvän valon aallonpituuksille. Myös

älykkään valaistusjärjestelmän tuottamia valopäästöjä voitaisiin verrata vanhan järjestelmän

tuottamiin päästöihin. Valosaasteen aiheuttamia terveyshaittoja voitaisiin tutkia esimerkiksi

yhdistämällä käytettävissä olevaa satelliittiaineistoa eri sairauksien yleisyydestä kuvaavaan

alueelliseen paikkatietoon. Valosaasteen aiheuttamia ympäristövaikutuksia voitaisiin myös

arvioida seuraamalla kehitystä alueilla, jotka ovat muuttuneet valoisiksi viime

vuosikymmenten aikana. Tosin niistä voi olla hankalampi erottaa valon vaikutusta muista

tekijöistä koska esimerkiksi kaivostoiminta tuottaa paljon muitakin ympäristöhaittoja joiden

vaikuttavuutta voi olla vaikea erottaa muista haittatekijöistä.

50

LÄHTEET

Akiyama, Y (2012). Aanalysis of light intensity data by the DMSP/OLS satellite image using

existing spatial data for monitoring human activity in Japan. Remote Sensing and

Spatial Information Sciences, Volume 1-2, 2012.

Amaral, S., Monteiro, A., Camara, G. & J. Quintanilha (2006). DMSP/OLS night-time light

imagery for urban population estimates in the Brazilian Amazon. International Journal

of Remote Sensing 2006, 27:5, 855–870.

American Cancer Society (2017). Known and Probable Human Carcinogens. [Viitattu

14.11.2017] https://www.cancer.org/cancer/cancer-causes/general-info/known-and-

probable-human-carcinogens.html

Astronomy Now 12.8.2015. ISS astronaut pictures of Earth used for light pollution studies.

[Viitattu 16.11.2017] https://astronomynow.com/2015/08/12/iss-astronaut-pictures-of-

earth-used-for-light-pollution-studies/

Bennie, J., T. Davies, J. Duffy, R. Inger & K. Gaston (2014). Contrasting trends in light

pollution across Europe based on satellite observed night time lights. Scientific reports

4, 2014. http://www.nature.com/srep/2014/140121/srep03789/full/srep03789.html

Bogard, P. (2013) The End of Night: Searching for Natural Darkness in an Age of Artificial

Light. 336 s. HarperCollins, New York.

Chalkias, C., M. Petrakis, B. Psiloglou & M. Lianou (2006). Modelling of light pollution in

suburban areas using remotely sensed imagery and GIS. Journal of Environmental

Management 79, 57-63.

Cinzano, P., F. Falchi & C., Elvidge (2001). The First World Atlas of the Artificial Night Sky

Brightness. Monthly Notices of the Royal Astronomical Society 328:3, 689-707.

EEA, European Environment Agency (1995). CORINE Land Cover.

<https://www.eea.europa.eu/publications/COR0-landcover>

Elvidge, C., K. Baugh, M. Zhinzhin & F. Hsu (2013). Why VIIRS data are superior to DMSP

for mapping nighttime lights. Proceedings of the Asia-Pacific Advanced Network 35,

62-69. http://dx.doi.org/10.7125/APAN.35.7

Elvidge, C., M. Zhinzhin, K. Baugh, F. Hsu & T. Ghosh (2016). Methods for Global Survey

of Natural Gas Flaring from Visible Infrared Imaging Radiometer Suite Data.

Energies 2016 9:14. doi:10.3390/en9010014

Falchi, F., P. Cinzano, C. Elvidge, D. Keith & A. Haim (2011). Limiting the impact of light

pollution on human health, environment and stellar visibility. Journal of Environmental

Management 92, 2714-2722.

Falchi, F., P. Cinzano, D. Duriscoe, C. Kyba, C. Elvidge, K. Baugh, B. Portnov, N.

Rybnikova & R. Furgoni (2016). The New World Atlas of Artificial Night Sky

Brightness. Science Advances, 2:6.

Farrington, D. & B. Welsh (2002). Improved Street Lighting and Crime. Justice Quarterly

19:2, 313-342.

51

Fonken, L., J. Workman, J. Walton, Z. Weil, J. Morris, A. Haim & R. Nelson (2010).,Light at

night increases body mass by shifting the time of food intake. Proceeding of the

National Academy of Sciences of the United States of America 2010, 107:43, 18664-

18669.

Gaston, K., J. Bennie, T. Davies & J. Hopkins (2013). The ecological impacts of nighttime

light pollution: a mechanistic appraisal. Biological Reviews 2013, 88:4, 912-927. DOI:

10.1111/brv.12036

Haim, A. & B. Portnov (2013). Light Pollution as a New Risk Factor for Human Breast and

Prostate Cancers. 165 s. Springer, New York. DOI: 10.1007/978-94-007-6220-6_1

HCN (2000). Impact of Outdoor Lighting on Man and Nature. The Hague: Health Council of

the Netherlands. https://www.gezondheidsraad.nl/sites/default/files/00@25E.PDF

Hietala, Veijo (2013). Lymyääkö pahuus pimeässä. Teoksessa Lyytimäki, J. & J. Rinne

(2013) Valon varjopuolet: Valosaaste ympäristöongelmana. 163-165. Gaudeamus,

Helsinki.

Holopainen, M. & P. Pulkkinen (2012). Tilastolliset menetelmät. 360 s. Sanoma Pro,

Helsinki.

Huang, Q., X. Yang, B. Gao, Y. Yang & Y. Zhao (2014). Application of DMSP/OLS

Nighttime Light Images: A Meta-Analysis and a Systematic Literature Review. Remote

Sensing 2014, 6, 6844-6866.

IEA, International Energy Agency (2011). Energy for All. Financing Access for the Poor.

Special early excerpt of the World Energy Outlook 2011. Paris: International Energy

Agency.

www.iea.org/publications/freepublications/publication/weo2011_energy_for_all.pdf

Jackett, M. & W. Firth (2013). Quantifying the impact of road lighting on road safety – A

New Zealand Study. International Association of Traffic and Safety Sciences Research

2013, 36, 139-145.

Kankaan Piippurannan asemakaava (2015). Jyväskylän kaupunki. 43 s.

Kaukoranta, T., L. Särkkä, J. Näkkilä, A. Koivisto & K. Jokinen (2011). Kehittyvä teknologia

vähentää kasvihuoneen energiankäyttöä. Maaseudun tiede 2011, 68:2, 15.

Kuechly, H., C. Kyba, T. Ruhtz, C. Lindemann, C. Wolter, J. Fischer & F. Hölker (2012).

Aerial survey and spatial analysis of sources of light pollution in Berlin, Germany.

Remote Sensing of Environment 2012, 126, 39-50.

https://www.sciencedirect.com/science/article/pii/S0034425712003203

La Palma Declaration (2007). Declaration Defence of the Night Sky and the Right to

Starlight, La Palma Declaration. La Palma: International Conference in Defence of the

Quality of the Night Sky and the Right to Observe the Stars.

http://www.archeoastronomy.org/downloads/starlightdeclarationc.pdf

Lumine Lighting Solutions Oy (2017). Lumine 180. [Viitattu 18.11.2017]

http://www.lumine.fi/en/lumine-180/

Lunetta, R. & C. Elvidge (1999). Remote Sensing Change Detection – Environmental

Monitoring Methods and Applications. 318 s. Ann Arbor Press, Michigan.

52

Maankäyttö- ja rakennuslaki 5.2.1999/132.

<http://www.finlex.fi/fi/laki/ajantasa/1999/19990132>

Maunder, M. (2007). Lights in the Sky - Identifying and Understanding Astronomical and

Meteorological Phenomena. 227 s. Springer, London.

Motiva Oy (2009). Valaistusta on uusittava! Tärkeää tietoa kuntien päättäjille.

Nobel Prize, official web site 2.10.2017. The Nobel Prize in Physiology or Medicine 2017,

Press release. [Viitattu 23.11.2017]

<https://www.nobelprize.org/nobel_prizes/medicine/laureates/2017/press.html>

Närpiön Kaupunki (2017). Kasvihuoneet. [Viitattu 20.11.2017]

<https://www.narpes.fi/fi/elinkeinoelama/kasvihuoneet>

Lyytimäki, J. (2006). Unohdetut ympäristöongelmat. 238 s. Gaudeamus, Helsinki.

Lyytimäki, J. & J. Rinne (2013). Valon varjopuolet: Valosaaste ympäristöongelmana. 255 s.

Gaudeamus, Helsinki.

Piegorsch, W. Walter (2015). Statistical Data Analytics - Foundations for Data Mining,

Informatics, and Knowledge Discovery, Solutions Manual: Foundations for Data

Mining, Informatics, and Knowledge Discovery. 471 s. John Wiley & Sons, Chichester.

Rees, W. G. (2013). Physical Principles of Remote Sensing. 441 s. Cambridge University

Press, Cambridge.

Salmon, M. (2003). Artificial Night Lighting and Sea Turtles. Biologist 50:4, 163-168.

Sánchez de Miguel, A., J. Zamorano, J. Castaño, & S. Pascual (2014). Evolution of the

energy consumed by street lightning in Spain estimated with DMSP-OLS data. Journal

of Quantitative Spectroscopy & Radiative Transfer 2014, 139, 109-117.

Space News 25.7.2016. U.S. Air Force blames power failure for loss of DMSP-F19 weather

satellite. [Viitattu 21.2.2018] <http://spacenews.com/u-s-air-force-blames-power-

failure-for-loss-of-dmsp-f19-weather-satellite/>

Steinbach, R., C. Perkins, L. Tompson, S. Johnson, B. Armstrong, J. Green, C. Grundy, P.

Wilkinson & P. Edwards (2015). The effect of reduced street lighting on road casualties

and crime in England and Wales: controlled interrupted time series analysis. Journal of

Epidemiology and Community Health 2015, 69:11, 1118-1124. DOI: 10.1136/jech-

2015-206012

Suomen ympäristökeskus (2013). Valosaaste – vakava ympäristöongelma? –hanke. [Viitattu

23.11.2017] <http://www.syke.fi/hankkeet/valo>

SVT (2015) Suomen virallinen tilasto: Tietilasto 2015 [verkkojulkaisu]. Helsinki:

Liikennevirasto [viitattu: 14.11.2017].

<https://julkaisut.liikennevirasto.fi/pdf8/lti_2016-06_tietilasto_2015_web.pdf>

Tiensuu, A (2010). Uusi valaistuskirja. 38 s. Viherympäristöliitto, Helsinki.

Väestörekisterikeskus (2016). Rakennusten osoitetiedot – avoin data. Julkaistu 15.8.2016.

<https://etsin.avointiede.fi/storage/f/paituli/vrk/Rakennusten-osoitetiedot-kuvaus-

tiedoista-2016-08-15.pdf>

Väisänen, Tuomas (2015). Valosaaste ja ympäristöllinen oikeudenmukaisuus Helsingissä.

Kandidaatin tutkielma, Helsingin yliopisto.

53

Wright, H., L. Lack, & D. Kennaway (2004). Differential effects of light wavelength in phase

advancing the melatonin rhythm. Journal of Pineal Research 2004, 36:2, 140-144.

Yhdyskuntarakenteen seurantajärjestelmä YKR (2015). Tietojen kuvaus. Suomen

ympäristökeskus & Tilastokeskus.

Ympäristönsuojelulaki 27.6.2014/524. <http://www.finlex.fi/fi/laki/alkup/2014/20140527>