Valosaasteen määrään vaikuttavat tekijät, levinneisyyden ... · Valosaasteen määrään...
Transcript of Valosaasteen määrään vaikuttavat tekijät, levinneisyyden ... · Valosaasteen määrään...
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/[email protected]
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>