Mallinnettujen melutasojen vertaaminen mitattuihin melutasoihin

(1)

MALLINNETTUJEN MELUTASOJEN VERTAAMINEN MITATTUIHIN MELUTASOIHIN

Jouni Ahtiainen Mallinnettujen tieliikenteen melutasojen vertaaminen mitattuihin melutasoihin Pro Gradu -tutkielma Ympäristötiede Itä-Suomen yliopisto

Ympäristötieteen laitos joulukuu 2016

(2)

Jouni Ahtiainen: Mallinnettujen melutasojen vertaaminen mitattuihin melutasoihin Pro Gradu -tutkielma 41 sivua, 12 liitettä (12 sivua)

Tutkielman ohjaajat: Pekka Matilainen, Erkki Björk Joulukuu 2016

___________________________________________________________________________

avainsanat: tieliikenne, melu, mallintaminen TIIVISTELMÄ

Opinnäytetyössä ”Mallinnettujen melutasojen vertaaminen mitattuihin melutasoihin” testattiin Erkki Björkin kehittämää tieliikennemelun laskentamenetelmää erilaisissa liikenne- ja sääolo- suhteissa sekä erilaisilla maastonmuodoilla. Tarkoituksena oli saada tietoa mallin toimivuudesta vertaamalla mallinnettuja melutasoja mitattuihin melutasoihin. Tutkimusta voidaan hyödyntää käytetyn mallin sekä uusien mallien kehitystyössä.

Mitatut melunäytteet kerättiin vuosina 2009 ja 2010 Kuopion kaupungissa Poukaman ympä- ristössä 10:stä mittauspisteestä kalibroidulla Norsonic-tarkkuusäänitasomittarin kautta Eridol- ääninauhurilla SD-muistikortille. Ääninäytteet puhdistettiin Audacity®-ohjelmistolla ja analysoitiin Norsonic-ympäristömeluanalysaattorilla. Kaikkiaan ääninäytteitä kerättiin 117 kappaletta, joista tarkasteluun hyväksyttiin 61 kappaletta.

Liikennetiedot pyydettiin Liikennevirastolta ja niitä käytettiin mallinnuksessa liikenteen melutason arviointiin. Säätiedot kerättiin Savonia ammattikorkeakoulun sääpalvelusta ja niitä käytettiin äänen absorptiovaimenemisen laskemiseen. Mallinnuksessa tarvittavat kasvillisuuden ja maaston korkeustiedot kerättiin maanmittauslaitoksen avoimesta paikkatietoaineistosta ArcGis®-paikkatietojärjestelmällä. Varsinainen mallinnus tehtiin Microsoft Excel -ympäristössä käyttäen standardien mukaisia laskentamenetelmiä.

Björkin laskentamenetelmän mallinnuksen onnistumista arvioitiin vertaamalla melumittausten ja vastaavilla parametreilla tehtyjen mallinnusten tuloksia toisiinsa. Tutkimuksen tulosten mukaan malli arvioi tieliikenteen aiheuttaman melun a-painotetun keskiäänitason keskimäärin +1,72 ±1,63 dB:n biaksella ja mallinnuksen PSE-tunnusarvo on 0,79, mikä tarkoittaa mallin virheen olevan pääosin systemaattista. Yksittäisten otosten osalta malli kuitenkin yli-, että aliarvioi melutasoja, joten tulosten absoluuttinen keskivirhe on huomattavasti suurempi 5,36

±0,97 dB. Tuloksista päätellen mallinnuksella on mahdollista saada suuntaa antavaa tietoa tieliikenteen aiheuttamista melupäästöistä.

Mallinnuksen arvioimiin keskiäänitasoihin tulee kuitenkin suhtautua varauksella. Mallinnuk- sen onnistuminen vaihtelee eri tarkastelupisteiden välillä, ja sekä yli- että aliarviointia esiintyy myös tarkastelupisteiden vertailuparien välillä. Maastoprofiilit ovat epätarkkoja pitkillä etäi- syyksillä. Mallinnus ei ota huomioon maanpinnan vaimentavaa tai voimistavaa vaikutusta.

Äänen kaareutumissäteenä käytettiin standardin mukaista 5000 metrin sädettä, koska mallissa ei ole mahdollisuutta kaareutumissäteen olosuhteiden mukaiseen arviointiin. Tulosten tark- kuuden parantamiseksi nämä ominaisuudet kannattaa lisätä malliin ja maastoprofiilien tarkkuutta parantaa. Kokonaisuudessaan tutkimuksessa saatiin paljon tietoa paikkatietojärjestel- män ja taulukkolaskennallisten välineiden hyödyntämisestä melumallinnuksessa.

(3)

Tutkimus sai alkunsa Itä-Suomen Yliopiston professorin Erkki Björkin aloitteesta. Björk oli kehittänyt aiemmin pisteäänilähteisiin pohjautuvan etäisyysperusteisen melun vaimenemisen laskentamallin ja jatkoi mallin kehittämistä eteenpäin muuttaen mallin viivaäänilähde pohjaiseksi, sekä lisäämällä malliin laskennallisia äänilähdetietoja hyödyntävän ominaisuuden.

Opinnäytetyön tarkoituksena on Björkin viivaäänilähteisiin perustuvan laskentamallin testaa- minen. Aineisto perustuu Poukamanlahdessa Kuopiossa mitattuihin tieliikenteen ympäristö- melutasoihin sekä Björkin kehittämällä mallinnusmenetelmällä mallinnettuihin tieliikenneme- lutasoihin.

Tutkimuksen ensimmäisessä vaiheessa vuosina 2009 ja 2010 kerättiin tieliikenteen melunäyt- teitä Poukamanlahden ulkoilureitillä Kuopiossa ja suoritettiin melunäytteiden puhdistukset ja analysoinnit. Myöhemmin vastaavat melutasot mallinnettiin Björkin liikennemelumallilla käyttäen mittausten aikaisia liikenteen ja ympäristön olosuhteita.

Kiitän jo edesmennyttä Professoria Erkki Björkiä tämän opinnäytetyön mahdollistamisesta, ohjaamisesta sekä työstä melumallin rakentamiseksi ja kehittämiseksi. Erityinen kiitos kuuluu filosofian maisteri Pekka Matilaiselle hänen antamastaan tuesta, kärsivällisyydestä, tutkielman ohjaamisesta ja tarkastamisesta. Kiitän myös professori Mikko Kolehmaista tämän opin- näytetyön tarkastamisesta.

(4)

1.

JOHDANTO

... 6

2.

KIRJALLISUUSKATSAUS

... 7

2.1. TIELIIKENNEMELU MELULÄHTEENÄ ... 7

2.1.1. Tieliikennemeluun vaikuttavia tekijöitä ... 7

2.2. MELUN LEVIÄMINEN JA VAIMENEMINEN YMPÄRISTÖSSÄ ... 10

2.2.1. Viivaäänilähteen hajaantumisvaimennus ... 10

2.2.2. Ilman absorptiovaimennus ... 10

2.2.3. Estevaimennus ... 10

2.2.4. Olosuhdetekijöiden vaikutus melun leviämiseen ... 11

2.2.5. Kasvillisuuden vaikutus ... 13

3.

TUTKIMUKSEN TAVOITTEET

... 14

4.

AINEISTO JA MENETELMÄT

... 15

4.1. TIELIIKENNEMELUN MITTAUSMENETELMÄ ... 15

4.1.1. Mittauslaitteisto ... 15

4.1.2. Mittausteoria ... 15

4.1.3. Mittaustulosten käsittely ... 17

4.2. TIELIIKENNEMELUN MALLINNUSMENETELMÄ ... 19

4.2.1. Melumalli ... 19

4.2.2. Mallinnusaineisto ... 21

4.2.3. Aineiston käsittely ja laskentamenetelmät ... 23

4.2.4. Laskentamenetelmät ... 24

4.2.5. Tunnusluvut ... 28

5.

TULOKSET JA TULOSTEN TARKASTELU

... 31

6.

JOHTOPÄÄTÖKSET JA YHTEENVETO

... 39

7.

LÄHDELUETTELO

... 41

(5)

LIITTEET

1. Tarkastelupisteen 1 ohittava tie jaettuna sektoreittain kymmeneksi viivaäänilähteeksi.

2 Tarkastelupisteen 2 ohittava tie jaettuna sektoreittain kymmeneksi viivaäänilähteeksi.

10 Tarkastelupisteen 10 ohittava tie jaettuna sektoreittain kymmeneksi viivaäänilähteeksi 11 Tarkastelupisteen 1 maastoprofiilit

12 Mittausten aikaiset liikennetiedot

(6)

1. JOHDANTO

Melu on Terveyden ja hyvinvoinnin laitoksen määritelmän mukaan ei-toivottua ääntä, joka on epämiellyttävää, häiritsevää, odottamatonta tai kuulolle haitallista. Siihen vaikuttaa äänen ominaisuudet, kuten voimakkuus, taajuus, kapeakaistaisuus ja impulssimaisuus. Lisäksi altis- tumisen aika ja paikka sekä henkilön yksilölliset ominaisuudet kuten meluherkkyys ja asenne äänilähdettä kohtaan vaikuttavat sen häiritsevyyteen ja epämiellyttävyyteen.

Melu kuuluu ympäristönsuojelulainsäädännön piiriin ja sen torjunta on tärkeää ihmisten viih- tyvyyden ja terveydensuojelun kannalta. Melutaso arvioidaan nykyään muun muassa uusien teollisuuslaitoksen suunnittelun yhteydessä. Melutasot otetaan huomioon myös uusien asuin- alueiden suunnittelussa tai perustettaessa uusia meluherkkiä palveluja, kuten kouluja tai sai- raaloita. Valtioneuvosto on antanut vuonna 1992 yleiset melutason ohjearvot (VNp 29.10.1992/993). Ohjearvoja sovelletaan meluhaittojen ehkäisemiseksi ja ympäristön viihtyi- syyden turvaamiseksi maankäytön, liikenteen ja rakentamisen suunnittelussa sekä rakentamisen lupamenettelyissä. Lisäksi Valtioneuvosto on julkaissut vuonna 2004 meluntorjunnan valtakunnalliset linjaukset ja toimintaohjelman, jossa annetaan ohjeita melutason ohjearvojen toteuttamiseen.

Melutasoja voidaan määrittää helpoiten mittauksilla. Suunnitelmissa olevien kohteiden, esimerkiksi teiden, melutasojen määrittämiseen tarvitaan laskennallisia menetelmiä. Melun le- viämisen ja vaimenemisen mekanismit ovat melko hyvin tutkittu ja niiden perusteella luodut laskentakaavat ovat varsin hyvin tiedossa ja osittain standardisoitu. Niiden soveltaminen erilaisissa olosuhteissa ja ympäristöissä on kuitenkin hankalaa ja monimutkaista. Melun mittaa- miseen on käytettävissä useita erilaisia laskentamalleja. Suomessa on käytetty laajasti mm.

vuonna 1993 käyttöönotettua pohjoismaista tieliikennemelumallia. EU:n meludirektiivin (2002/49/EY) vaatimusten pohjalta on kehitetty laskentamenetelmiä, mutta niiden käyttöön- otosta ei ole tehty päätöstä. Myös standardin ISO 9613-2:1996 menetelmiä hyödynnetään useissa laskentamalleissa.

Useiden laskentamallien ongelmana on niiden epätarkkuus pitkiä etäisyyksiä mitattaessa. Tä- hän haasteeseen on pyritty vastaamaan Itä-Suomen yliopiston Kuopion (ent. Kuopion Yliopis- to) melulaboratoriossa Erkki Björkin kehittämällä melumallilla. Tässä tutkimuksessa käytetty malli on tuoreempi vuonna 2010 kehitetty versio Björkin melumallista.

(7)

2. KIRJALLISUUSKATSAUS

2.1. TIELIIKENNEMELU MELULÄHTEENÄ

Tieliikennemelu on yhteismelua, jonka tuottavat yhdessä kulkuneuvojen moottori, renkaiden vierintä tienpinnalla ja aerodynamiikka. Suomalaisista yhä useampi asuu meluisassa ympäris- tössä.(1)

Nykypäivänä tieliikennemelu hallitsee äänimaisemaa usein köyhdyttäen ympäristöä. Liiken- nemelu hallitsee usein kaupunkien äänimaisemaa peittäen luonnollisia ääniä kuten lintujen laulun tai puiden kohinan tuulessa. Ulkoilman äänikenttää kuvataan perinteisesti a- painotetulla keskiäänitasolla (LAeq) ja sen yksikkönä käytetään desibeliä (dB).

2.1.1. Tieliikennemeluun vaikuttavia tekijöitä

Tärkeimmät tieliikenteeseen melulähteenä vaikuttavat tekijät ovat ajoneuvojen nopeus, lii- kennemäärä ja raskaiden ajoneuvojen suhteellinen osuus liikenteestä.(2)

2.1.1.1. Moottorin ja voimansiirron vaikutus

Moottorin aiheuttama melu koostuu pääsääntöisesti kahdesta tekijästä; pako- ja imuäänestä sekä moottorin synnyttämästä värähtelystä auton runkoon ja koriin. Auton pakoäänimelu syntyy polttoaineen palamisräjähdyksen seurauksena, kun poistoventtiili aukeaa ja ylipainepulssi etenee pakoputkeen. Autojen pakoputkistoon asennetut äänenvaimentimet vaimentavat ääntä tehokkaasti, mutta vaimennuksesta huolimatta pakoääni on tärkeimpiä melulähteitä. (2)

Moottori- ja voimansiirtomelu on tärkein melulähde 50 km/h nopeuteen saakka henkilöautoil- la ja 70 km/h nopeuteen saakka raskailla ajoneuvoilla. Henkilö- ja kuorma-autojen palotaajuus on noin 80 Hz 80 km/h nopeuteen saakka. Henkilöauton nopeuden noustessa 100 km/h moottorin palotaajuus nousee noin 100 Hz:n. (2)

(8)

2.1.1.2. Rengasmelu ja tienpinnan vaikutus melutasoon

Auton pyörien vieriminen on yksi tärkeimmistä liikennemelun syntytavoista. Rengasmelun keskeisimmät tekijät ovat pyörimisnopeus, renkaan kuviointi sekä tien pinnan tyyppi ja kunto.

Pyörien vieriminen aiheuttaa tyypillisesti maksimin noin 1 kHz taajuudelle. Maksimi on yleensä loiva energian jakautuessa 1 kHz taajuuden molemmin puolin. Tämä johtuu renkaiden kuvioinnista erilaisten kuvioiden iskeytyessä tienpintaan. Nastarenkaiden nastat puolestaan aiheuttavat spektriin maksimin noin 2-3 kHz taajuudelle.(2)

Renkaiden vierimisestä tulee merkittävä melulähde 30 km/h nopeudesta lähtien henkilöautoil- la ja 40 km/h nopeudesta lähtien raskailla ajoneuvoilla. Tärkein melun aiheuttaja vierimisme- lusta tulee 50 km/h nopeudella henkilöautoilla ja 70 km/h nopeudella raskailla ajoneuvoilla.(2)

2.1.1.3. Tie- ja rengastyypin vaikutus

Suomessa tehdyssä Vierintämelun vähentäminen (VIEME) -tutkimushankkeessa tutkittiin renkaiden aiheuttamaa melua erilaisilla käytössä olevilla tiepäällysteillä. Mittauksia tehtiin ohiajomittauksina vakioliikenteessä sekä rullausmenetelmällä Nokian Renkaiden koeradalla.

Mittauksia toistettiin useita kertoja eri vuodenaikoina. Tutkittavia tiepäällysteitä olivat hiljainen yksikerroksinen kivimastiksiasfaltti, tavallinen asfalttibetoni sekä standardin ISO 10844 mukainen kivimassaasfaltti. (3)

Päällystevertailussa tavallisten ja hiljaisten päällysteiden välillä hiljaisten päällysteiden havaittiin olevan 2–4 dB hiljaisempia kuin tavallisesti käytetyt päällysteet. Päällysteiden hiljen- tävä vaikutus rajoittuu kuitenkin vain kesäaikaan, koska talvella tavallinen ja hiljainen pääl- lyste ovat käytännössä yhtä äänekkäitä. Samassa tutkimuksessa tutkittiin myös rengastyypin vaikutusta melutasoon 50 km/h ja 80 km/h nopeuksilla. Nastarenkaiden havaittiin olevan kes- kimäärin 9,5 dB äänekkäämpiä kuin kesärenkaiden. Kesärenkaat ja kitkarenkaat olivat puolestaan lähes yhtä äänekkäitä. (3)

(9)

2.1.1.3.1. Liikenteen määrän ja nopeuden vaikutus

Liikennemäärän kaksinkertaistuessa myös äänienergia kaksinkertaistuu. Äänitasoja tarkastel- taessa tämä tarkoittaa äänitason lisääntymistä 3 dB. Vastaavasti liikennemäärän puolittaminen pudottaa äänitehotasoa 3 dB. Tämä johtuu desibelin logaritmisuudesta, jossa äänienergian kaksinkertaistuminen tai puolittuminen näkyy 3 dB:n muutoksena. (2)

Maantienopeuksissa autojen nopeuden aleneminen 20 km/h pienentää lähtömelutasoja noin 2–4 desibeliä (4). Nopeuden alenemisen vaikutus on esitetty alla olevassa taulukossa 1.

Taulukko 1. Nopeuden alenemisen vaikutus tieliikenteen melutasoon. Raskaiden ajoneuvojen osuus 10 % (5).

2.1.1.4. Kulkuneuvotyyppien vaikutus

Raskaalla liikenteellä on tieliikenteen melupäästöön huomattava vaikutus varsinkin öisin, jolloin raskaan liikenteen osuus kasvaa muun liikenteen vähentyessä (6). Päivällä raskaan liikenteen osuus on noin 10%, mutta aamuyöllä raskaan liikenteen osuus voi kokonaisliiken- teestä olla jopa 30%. Raskaan liikenteen melupäästö korostuu erityisesti tehdas- tai satama- alueille johtavilla teillä, jotka hyödyntävät paljon raskaan liikenteen palveluita. Kuorma- autojen melu on yleensä kapeakaistaista ja suurimmillaan 80 Hz:n ja 1 kHz:n taajuuksilla riippuen ajoneuvon nopeudesta ja renkaiden kuvioinnista (2).

Nopeus Keskimelutaso

laskee 100 → 90 km/h 0,7 dB

90 → 80 km/h 1,3 dB 80 → 70 km/h 1,7 dB 70 → 60 km/h 1,8 dB 60 → 50 km/h 2,1 dB 50 → 40 km/h 1,4 dB

(10)

2.2. MELUN LEVIÄMINEN JA VAIMENEMINEN YMPÄRISTÖSSÄ 2.2.1. Viivaäänilähteen hajaantumisvaimennus

Teitä voidaan tavallisesti pitää viivaäänilähteinä. Viivaäänilähteestä lähtevän ääniaallon eteneminen on mahdollista esittää tarkasti äänilähteen näkyvyyskulman tai avaruuskulman pie- nenemisen avulla. Viivaäänilähteen synnyttämä äärettömän pitkä sylinteriaalto vaimenee etäi- syyden s kasvaessa kaksinkertaiseksi 3 dB (Yhtälö 1).(7)

10 log ^S¹

S2 =3 dB (1)

Viivaäänilähteen ääniaalon vaimeneminen kahden pisteen välillä. S1= lähempi etäisyys ääni- lähteestä (m) ja S2= lähemmän etäisyyden pituus kaksinkertaisena (m)

2.2.2. Ilman absorptiovaimennus

Äänen edetessä ilmassa se vaimenee absorboitumisen seurauksena. Ilman absorptio on seurausta viskoosi- ja lämmön johtumisen häviöistä sekä molekyylien sisäisten värähtely- ja pyö- rimistilojen relaksaatiohäviöstä. Viskoosi- ja lämmön johtumishäviö on merkittävää vain hyvin alhaisissa lämpötiloissa. Relaksaatiohäviö, joka on seurausta molekyylien hitaudesta, siir- tää liike-energian potentiaalienergiaksi ja takaisin liike-energiaksi sekä vaimentaa korkeita taajuuksia huomattavasti matalia taajuuksia tehokkaammin. Tästä johtuen kaukaa kuuluvasta melusta voidaan kuulla vain matalia taajuuksia. Absorptiovaimennus riippuu ilman lämpöti- lasta, suhteellisesta kosteudesta, äänen taajuudesta sekä ilmanpaineesta.(2, 7)

2.2.3. Estevaimennus

Estevaimennus on yksi merkittävimmistä melun vaimenemiseen vaikuttavia tekijöitä. Esteenä voi toimia rakennettu melueste, rakennus, tai luonnollinen este, kuten esimerkiksi lähteen ja tarkastelupisteen välillä oleva mäki. Esteen aiheuttama vaimennus riippuu ensisijaisesti esteen mitoista, sijainnista ja äänen taajuudesta. Käytännössä esteen on katkaistava näköyhteys ääni- lähteeseen, jotta estevaimennusta voi esiintyä. Matalat taajuudet taittuvat helpommin esteen toiselle puolelle kuin korkeat taajuudet ja vaimenevat esteenvaikutuksesta vähemmän. Vas- takkaisvaiheisista ääniaalloista johtuen esteen vaikutus alkaa jo noin ½ aallonpituuden päässä esteestä. (7)

(11)

2.2.4. Olosuhdetekijöiden vaikutus melun leviämiseen

Kasvillisuuden ja maastoesteiden vaimennus sekä maa- ja muiden heijastusten vaikutus riippuu siitä, kuinka ääniaallot joutuvat niiden vaikutuksen piiriin. Ilmassa esiintyvät lämpötila- ja tuulennopeusgradientit aiheuttavat äänisäteiden kaareutumista, joka voi suuresti vaikuttaa siihen, kuinka ääni joutuu vuorovaikutukseen maasto-olosuhteiden kanssa. Tätä maasto- ja sääolosuhteiden yhteisvaikutusta äänen vaimenemiseen kutsutaan tässä olosuhdetekijäksi.(8)

2.2.4.1. Lämpötilan ja tuulen vaikutus

Lämpötila ja kosteus vaikuttavat ilmaääneen absorptioon. Muut säätilan vaikutukset aiheutu- vat lämpötila- ja tuuligradienteista. Äänen etenemisnopeus kasvaa lämpötilan kasvaessa. Sen seurauksena on äänisäteen taipuminen kohti kylmempää ilmamassaa. Tästä johtuen äänisäde taipuu ylöspäin ja synnyttää äänivarjon maanpinnalle aurinkoisella säällä, sillä lämpötila on maanpinnalla lämpimämpi kuin ylempänä.(7)

Tuulen aiheuttama äänisäteen kaareutuminen on yleensä lämpötilan vaikutusta hallitsevampi.

Tuulen nopeuden voimistuessa ja molempien korkeuden kasvaessa ääniaalto taipuu ylöspäin vastatuuleen ja alaspäin myötätuuleen. Tämän seurauksena vastatuuleen syntyy äänivarjoja ja myötätuuleen äänisäteet taipuvat alaspäin kohti maanpintaa. Tämä tuulen aiheuttama ää- nisäteiden kaareutuminen on esitetty kuvassa 1.(7)

Tuulen nopeus nousee maanpinnalta korkeammalle noustessa.

Kuva 1. Äänen eteneminen myötä- ja vastatuulessa, kun tuulennopeus on 3 m/s (2). Tuulen suunta vasemmalta oikealle.

(12)

Vähän ääntä vaimentavissa olosuhteissa äänisäteet kaartuvat alaspäin ja ääni kulkee keski- määrin kauempana maanpinnasta, jolloin maanpinnan absorptio, kasvillisuuden vaimentava vaikutus ja estevaimennus jäävät vähäisemmiksi. Äänisäteiden kaareutumisen vuoksi esimerkiksi valvontamittaukset tulee tehdä vähän ääntä vaimentavissa olosuhteissa. Tällaisilla olo- suhteilla tarkoitetaan pilvistä säätä ja myötätuulta, mieluiten 1–2 m/s ja korkeintaan 5 m/s. (7)

2.2.4.2. Maanpinnan heijastus ja vaimennustekijät

Maanpinnan vaikutus melun vaimenemiseen riippuu erityisesti äänilähteen ja kohteen korkeudesta maanpintaan nähden. Maanpinta voi vaikuttaa meluun sekä voimistavasti että vai- mentavasti riippuen maanpinnan tyypistä. Tämä on seurausta maanpinnasta heijastuvien ja suoraan äänilähteestä kohteeseen kulkevien ääniaaltojen integroitumisesta keskenään. Maan- pinnan vaikutus on suurimmillaan yli 100 metrin etäisyyksillä lähteen ja kohteen ollessa lä- hellä maanpintaa.(2, 7)

Satunnaisesti kovalla maanpinnalla, kuten jäällä, veden pinnalla tai asfaltilla äänilähteestä suoraan tuleva ja maanpinnasta saman vaiheisena heijastuva äänisäde yhdistyvät keskenään lisäten äänenpainetasoa. Viiveestä johtuva vastakkaisvaiheinen heijastus voi kuitenkin kumo- ta äänisäteen kokonaan. Kokonaisuudessaan äänilähteen ja kohteen välinen kova pinta lisää äänenpainetasoa noin 3 dB verran. Matalilla taajuuksilla myös pehmeä maanpinta voi käyttäy- tyy kovan pinnan tavoin. (2, 7)

Pehmeä maanpinta toimii ääntä vaimentavana tekijänä, matalat taajuudet pois lukien. Pehme- ään maanpintaan osuva ääni heijastuu vastakkaismerkkisenä, eli positiivinen ylipaine kääntyy negatiiviseksi alipaineeksi ja päinvastoin. Tällöin suoraan edennyt ääniaalto ja maanpinnasta vastakkaismerkkisenä heijastunut ääniaalto kumoavat satunnaisesti toisensa. Maavaimennus on merkityksellisintä 300 Hz – 1 kHz taajuuksilla. Äänilähteen ja vastaanottopisteen korkeus maakerroksesta vaikuttaa maavaimennuksen taajuusalueeseen johtuen ääniaallon projektiosta maakerrokseen. (2, 7)

Mikäli metsämaan maanpinnalla on runsaasti osittain maatumatonta kariketta ja paksu turve- kerros, se muodostaa paksun hyvin huokoisen kerroksen, jolla on suhteellisen alhainen vir- tausvastus. Kerroksen paksuudesta ja ääniaallon projektiosta riippuen maavaimennuskuoppa on matalammalla taajuudella kuin tavanomaisella nurmikolla. Myös maanpinnan lumella on

(13)

samanlainen vaikutus. Maavaimennus selittää melko hyvin metsämaan vaimennuksen alle 1 kHz:n taajuuksilla. (9)

2.2.5. Kasvillisuuden vaikutus

Kasvillisuus vaikuttaa äänen vaimennukseen pääsääntöisesti aallonpituuksilla, jotka ovat kasvinosien suuruusluokkaa tai niitä pienempiä. Ääntä vaimentava vaikutus perustuu pääosin kasvinosien ääntä heijastaviin ja siroaviin ominaisuuksiin. Kasvinosiin absorboituvan ää- nienergian määrä on suhteellisen vähäinen.(7)

Suomalaisen metsämaaston aiheuttamaa äänen vaimenemista on tutkittu mm. Björkin ja Toi- vosen tekemässä tutkimuksessa. Tutkimuksessa havaittiin suomalaisen metsämaaston vaimen- tavan ääntä hieman ISO 9613-2 -standardissa esitettyä metsävaimennusta vähemmän. Kuvas- sa 2 on esitetty suomalaisen metsämaaston aiheuttama vaimennus äänen eri aallonpituuksilla.(9)

Kuva 2. Metsän lisävaimennus terssikaistoittain. (9)

Myös kasvillisuusvyöhykkeiden rajapinnoissa tapahtuu väliaineen akustisen ominaisimpe- danssin muutoksista aiheutuvia heijastuksia. Heijastukset vaimentavat ääntä sen edetessä kasvillisuuden sisään ja sieltä pois. Siksi mahdollisimman tiivis ja vyöhykkeinen kasvillisuus on paras melueste. Kasvillisuus vaikuttaa usein myös mikrometeorologisiin seikkoihin, kuten ilman lämpötilaan. (7)

(14)

3. TUTKIMUKSEN TAVOITTEET

Tutkimuksessa testattiin Erkki Björkin kehittämää tieliikennemelun laskentamenetelmää erilaisilla maastonmuodoilla sekä vaihtelevissa sää-olosuhteissa. Tavoitteena oli saada melumal- lien kehitystyötä varten tietoa mallin toimivuudesta vertaamalla mallinnettuja melutasoja mitattuihin melutasoihin. Tutkimuksessa aineistona käytettiin Kuopion kaupungissa Poukaman ympäristössä erilaisissa sääolosuhteissa suoritettuja melumittauksia sekä liikennemelumallilla laskettuja melutasoja.

(15)

4. AINEISTO JA MENETELMÄT

4.1. TIELIIKENNEMELUN MITTAUSMENETELMÄ 4.1.1. Mittauslaitteisto

Mittauksissa mikrofonina käytettiin Norsonic 118 -äänitasoanalysaattoria. Analysaattori oli ohjelmoitu välittämään ääni muuttumattomana Edirol R-09HR -äänitallennentimelle.

Mittauslaitteisto kalibroitiin ennen mittauksia ja mittausten jälkeen tallentamalla Edirol- äänitellentimelle Norsonic 118 -äänitasoanalysaattorin kautta vakioäänilähteellä Wärtsilä mo- del 5274 94 dB:n 1 kHz:n kalibrointisignaalia vaimennuksella 50 dB noin minuutin ajan. Va- kioäänilähteen kalibrointi oli tarkastettu Työterveyslaitoksella 2000-luvun puolella.

Tallennetut ääninäytteet ja kalibrointi signaalit puhdistettiin tietokoneelle asennetulla Audaci- ty (v. 1.3.11) ohjelmistolla. Ääninäytteet analysoitiin Norsonic NOR-121 Ympäristömelu - analysaattorilla, joka kalibroitiin Eridolille tallennetulla ja puhdistetulla kalibrointisignaalilla.

4.1.2. Mittausteoria

Mitatut melunäytteet on kerätty Kuopion kaupungissa Pihlajaharjun Poukaman ympäristössä 10:stä mittauspisteestä (kuva 3). Mittauspisteet valittiin siten, että jokaisella on omanlaatuinen maastoprofiili ja maaston aiheuttama estevaimennus on erityyppinen kunkin pisteen osalta.

Poukaman valintaan vaikutti myös häiriöäänilähteiden vähyys. Mallinnettavan tien lisäksi poukaman alueella ei ole muita merkittäviä liikennemelulähteitä.

Kuva 3. Pihjaharjun Mittaus- ja mallinnuspisteet peruskarttapohjalla esitettyinä.

(16)

Mittaukset suoritettiin kuvassa 4 esitetyllä järjestelmällä. Järjestelmässä käytettiin tuulisuojal- la varustettua Norsonic tarkkuusäänitasomittaria, joka nostettiin jalustalla kahden metrin kor- keuteen. Kerätty ääni tallennettiin Edirol-äänitallentimella SD-muistikortille.

Kuva 4. Havainnekuva mittausjärjestelmästä. 1. Edirol-äänitallennin 2. Norsonic- tarkkuusäänitasomittari 3. Tuulisuoja 4. Jalusta

Mahdolliset häiriötekijät otettiin huomioon mittauksia tehdessä. Kunkin ääninäytteen keräys aloitettiin sellaisena hetkenä, jolloin muita kuin mitattavasta tiestä kantautuvia ääniä ei kuulu- nut, niitä kuului mahdollisimman vähän, tai ne olisi helposti poistettavissa. Tämän kaltaisia häiriötekijöitä olivat esimerkiksi junasta, lentokoneesta, helikopterista, koirasta, lenkkeilijästä, varislinnuista tai työkoneesta kantautuva melu. Melua havaittaessa tallennuksen aloittamista lykättiin kunnes äänimaisema oli mitattavaa tiemelua lukuun ottamatta hiljainen. Mittauksen aloittamisen jälkeen mittaaja siirtyi noin 20 metrin päähän mittauslaitteistosta. Mittauslaitteis- ton nauhoitettua äänimaisemaa noin 10 minuuttia, mittaaja siirtyi takaisin laitteistolle ja py- säytti nauhoituksen. Mikäli äänimaisemaan ilmaantui jokin keräystä häiritsevä, pitkäkestoinen ja vaikeasti puhdistettava äänilähde, esimerkiksi helikopteri tai keskustelemaan pysähtyvä lenkkeilijä, näytteen keräys keskeytettiin ennenaikaisesti ja aloitettiin äänimaiseman normali- soiduttua alusta.

(17)

4.1.3. Mittaustulosten käsittely

Pihlajaharjun alueelta kerätyt ääninäytteet puhdistettiin mittausta häirinneistä äänistä.

Puhdistukseen käytettiin Audacity-ohjelmistoa. Näytteet kuunneltiin Audacity ohjelmistolla kuulokkeiden välityksellä ja samalla seurattiin Audacity-ohjelmistolla visualisoitua äänispektriä. Mikäli nauhoituksessa havaittiin kuulemalla tai visuaalisoidusta spektrikaistasta tiemelusta poikkeava häiriö, kuten lenkkeilijä, puhetta, varislinnun laulua tai työkoneen aiheuttamaa melua, niin kyseinen häiriötekijä leikattiin pois ääninäytteestä. Alla olevassa kuvassa 5 on esitetty esimerkkinä pisteeltä 4 kerätty ääninäyte ennen puhdistamista ja puhdistamisen jälkeen. Näytteistä jouduttiin poistamaan jopa useita minuutteja häiriöiden määrästä ja laadusta riippuen.

Kuva 5. Pisteeltä 4 kerätty ääninäyte ennen puhdistamista (yllä) ja puhdistamisen jälkeen (alla)

Näytteiden huolellisen puhdistuksen jälkeen näytteet toistettiin Norsonic-spekrikaista- analysaattorilla, joka analysoi ääninäytteen spektrikaistan kultakin sekunnilta.

Analysaattorilta saadut tulokset siirrettiin Excel-tiedostoon. Analysaattori luonnollisesti analysoi koko ääninäytteen spektrikaistan, joten analysaattorin valmiiksi laskemat keskiäänitasot eivät sellaisenaan olleet käyttökelpoisia liikennemelun kannalta. Siitä johtuen keskiäänitasot laskettiin kuvaamaan paremmin liikennemelua laskemalla ne uudelleen ottaen

(18)

huomioon vain spektrikaistat 63 Hz ja 2,0 kHz välillä. Tämä tehtiin leikkaamalla Excel- taulukkolaskentaohjelmistossa Norsonicilla saaduista tuloksista 63 Hz alittavat ja 2,0 kHz ylittävät spektrikaistat. Näin ääninäytteestä saatiin poistettua esimerkiksi tuulen matalataajuinen humina sekä korkeataajuiset häiriöäänet.

(19)

4.2. TIELIIKENNEMELUN MALLINNUSMENETELMÄ 4.2.1. Melumalli

Työssä tutkittu Erkki Björkin mallinnusmenetelmä on Exceliin rakennettu laskentamalli, jolla voidaan määrittää hajaantumisen, ilman absorption, maaston korkeuden ja kasvillisuuden vaikutus melulähteenä toimivan tien ja tarkastelupisteen välillä tapahtuvaan äänen vaimenemiseen. Excel pohjainen laskentamalli on mahdollista sovittaa myös muihin taulukkolaskentaoh- jelmiin. Tässä tutkimuksessa mallia käytettiin Excel-ohjelmalla. Kyseessä on uudempi v.2 (2010) versio Björkin aiemmasta melumallista. Mallin kehittyminen sekä vanhemman ja uu- demman version erot on esitetty kuvassa 6.

Björkin ensimmäisestä tieliikennemelun laskentamallista on kehitetty myös POPONA- melumalli, jossa mallinnus on muutettu Matlap-pohjaiseksi ja siihen on lisätty maanpinnan ääntä vaimentava tai voimistava vaikutus. Kyseistä versiota on tutkittu Oulun yliopistolla Reetta Hurrin Diplomityössä ”Melumallin validointi ja liittäminen paikkatietojärjestelmään”

vuonna 2006.

Kuva 6. Björkin melumallin kehittyminen Björkin tieliikennemelun laskentamalli v.1

 Excel-pohjainen

 Laskenta perustuu pisteäänilähteisiin

 Äänilähteen tehotason oltava tiedossa ja syötettävä käsin

POPONA tieliikennemelun laskentamalli

 Pohjana Björkin laskentamalli v.1

 Matlap-pohjainen

 Lisätty maanpinnan ääntä vaimentava/voimistava vaikutus

Björkin tieliikennemelun laskentamalli v.2 (2010)

 Pohjana Björkin laskentamalli v.1

 Laskenta perustuu viivaääniläh- teisiin

 Äänilähteen tehotaso saadaan laskennallisesti liikennetiedoista

(20)

Mallinnuksessa melulähteenä toimiva tie jaetaan sektoreittain viivaäänilähteiksi ja määrite- tään liikennetietojen perusteella kunkin viivaäänilähteen äänitehotaso. Tämän jälkeen määrite- tään viivaäänilähteiden ja tarkastelupisteen maaston muodot ja kasvillisuuden korkeus sekä maaston ja kasvillisuuden aiheuttama melun vaimeneminen määritetään laskennallisesti paik- katietojärjestelmää hyödyntäen. Lisäksi malli laskee etäisyys- ja säätietojen pohjalta hajaan- tumisvaimennuksen ja absorptiovaimennuksen. Tämän jälkeen malli laskee kunkin viiva- äänilähteen aiheuttaman melun tarkastelupisteessä ja laskee viiva-äänilähteiden aiheuttamat keskiäänitasot yhteen antaen kokonaisvaltaisen kuvan tiestä tarkastelupisteelle aiheutuvasta melusta.

Alla olevissa taulukoissa 2 ja 3 on Hurrin tekemät yhteenvedot POPONA-melumallista ja muista yleisimmin käytetyistä melumalleista. Taulukkoihin on vertailun vuoksi lisätty myös tutkimuksessa käytetty Björkin uudempi v. 2 (2010) malli.

Taulukko 2. Yleisimmin käytössä olevat laskentamallit (10) sekä Björkin v. 2 (2010) malli (10)

ISO 9613-2:1996 Harmonoisen tieliikenneme-

lumalli POPONA BJÖRK v2 (2010) malli

Erityishuomioita emissio- ja immissiopisteiden korkeudet sekä etäisyys ovat suuressa roolissa

tulosten tarkkuuteen voidaan vaikuttaa syötetietojen tarkkuudella

voimakkaasti yksinkertais- tettu, mutta joustava laskentamenetelmä

joustava Excelissä toimiva laskentamenetelmä

Alkuperämaa kansainvälinen EU Suomi Suomi

Soveltaminen melun eteneminen ulkona tieliikennemelun eteneminen

tarkastelupisteeseen melun eteneminen ulkona tieliikennemelun eteneminen tarkastelupisteeseen Melulähteen

tyyppi piste - myös viiva ja alue voi-

daan kuvata pisteellä tien segmenttiä kuvaava

piste piste tie viiva-äänilähteiksi

jaoteltuna Laskentataso ekvivalentti jatkuva Apainotettu

äänenpainetaso pitkän ajan keskiarvo

lyhyen ajan ekvivalentti äänenpai- netaso ja pitkän ajan meluindikaat- tori LDEN

hetkellinen äänenpaineta-

so ja äänienergia hetkellinen äänenpaineta- so ja äänienergia Laskenta immissiomelutaso = emissio-

melutaso – vaimenemistekijät + heijastukset

immissiomelutaso = emissiomelu-

taso - vaimenemistekijät immissiomelutaso = emissiomelutaso - vaime- nemistekijät

immissiomelutaso = emissiomelutaso - vaime- nemistekijät

A-painotus kyllä ei kyllä kyllä

Taajuusriippuvuus oktaavikaistat: 63-8000 Hz terssikaistat: 25-10000 Hz terssikaistat: 16-10000 Hz 63, 125, 250, 500, 1000, 2000 Hz

Rajoitukset vähän ääntä vaimentavat olosuhteet (myötätuuli 1- 5 m/s 3-11 m korkeudella), maaston oltava tasainen

mäkisessä maastossa ja suurilla etäisyyksillä mallintarkkuus huonompi, kuin tasaisessa maastossa lyhyillä et.

otetaan huomioon vain äänen vaimeneminen, ei vahvistuksia

Emissiotaso määritetään mittauksilla lasketaan liikennevirran ominaisuuksien ja tielinjauksen perusteella

määritetään mittauksilla lasketaan liikennevirran ominaisuuksien perusteella

Maaston

tarkastelu maasto oletetaan tasaiseksi emissio- ja immissiopisteiden välinen maasto jaetaan homogee- nisiin

segmentteihin, joiden välisiä kulmia hyödynnetään este- ja maavaimennusten laskennassa

maaston ja kasvillisuuden muodot otetaan huomioon este- ja kasvillisuusvaime- nemisten laskennassa halutulla tarkkuudella

(21)

Taulukko 3. Yleisimmin käytössä olevat laskentamallit (10) sekä Björkin v.2 (2010) malli (10)

ISO 9613-2:1996 Harmonoisen tieliikenneme- lumalli

POPONA BJÖRK v2 (2010) malli

Vaimenemistekijät hajaantumisvaimeneminen, ilman absorptiovaimeneminen, maavaimeneminen, estevaimeneminen, muut (kasvillisuus, rakennukset ja rakennelmat), heijastukset toimivat vahvistuksina

hajaantumisvaimeneminen, ilman absorptiovaimeneminen, estevaimeneminen, maavaimeneminen, kasvillisuusvaimeneminen, heijastusten aiheuttamat energia- häviöt

hajaantumisvaimeneminen, ilman absorptiovaimeneminen, estevaimeneminen, kasvillisuusvaimeneminen

hajaantumisvaimeneminen, ilman absorptiovaimeneminen, estevaimeneminen, kasvillisuusvaimeneminen

Hajaantuminen 20*log10(pisteiden

et./ref.et.)+11 20*log10(pisteiden et./ref.et) 20*log10(pisteiden et./ref.et) 20*log10(pisteiden et./ref.et) Ilman absorptio T(0, 10, 15, 20, 30) ºC,

RH(20, 50, 70, 80) % ISO 9613-1:1993 mukainen

laskenta ANSI standardin mukainen

laskenta Meteorologiset

olot peruslaskenta vähän ääntä vaimentavissa olosuhteissa, mutta paikalliset säätilastot voidaan ottaa huomioon

alueen meteorologiset olot otetaan huomioon kaareutumissä- teen määrittämisessä

meteorologiset olot otetaan huomioon kaareutumissäteen määrittämisessä

meteorologiset olot voidaan ottaa huomioon kaareutumissäteen määrit- tämisessä

Maanpinta tarkastellaan lähinnä emissio- ja immissiopisteiden lähialueita, alueet luokitellaan maanpinnan heijastavuuden mukaan, G = 0 (heijastava maa) … 1 (absorboiva maa)

maanpinnan impedanssi otetaan huomioon heijastusten laskennassa

--- ---

Esteet kaikkien esteiden vaikutus lasketaan sekä esteen yli, että sen sivulta kulkeviin ääniin, yhden esteen vaimennus korkeintaan 20 dB, kahden esteen korkeintaan 25 dB

kaikkien efektiivisten esteiden

vaikutus otetaan huomioon korkeimman esteen estevaimennus otetaan huomioon, mikäli äänisäde kulkee alle 10 m:n päässä esteen (joko varta vasten rakennetun tai luonnon esteen) yli

korkeimman esteen estevaimennus otetaan huomioon, mikäli äänisäde kulkee alle 10 m:n päässä esteen (joko varta vasten rakennetun tai luonnon esteen) yli

Kasvillisuus tiheän kasvillisuuden vaimennus otetaa huomioon kasvillisuuden sisällä kulkeneen matkan mukaisesti

määritetään matka, jonka ääni kulkee kasvillisuuden sisällä sekä puuston pituus ja runkopaksuus, korkeintaan 15 dB/taajuus

määritetään äänen kulkema

matka kasvillisuuden sisällä määritetään äänen kulkema matka kasvillisuuden sisällä

Heijastukset heijastukset otetaan huomioon emissiotasoa kasvatta- vina äänilähteinä

heijastusten aiheuttamat energia-

häviöt otetaan huomioon --- ---

Rakennukset ja

rakennelmat

rakennetun ympäristön aiheuttama vaikutus melutasoon määritetään este- vaimenemisen ja heijastusten kaavoilla, vaimennus korkeintaan 10 dB

--- --- ---

4.2.2. Mallinnusaineisto

4.2.2.1. Maanpinnan korkeus

Maanpinnan korkeuden aineistona käytettiin Maanmittauslaitoksen N2000 korkeusjärjestel- män Kuopion alueen karttalehtiä P5114D ja P5123C. Karttalehdet ladattiin Maanmittauslai- toksen avoimien aineistojen tiedostopalvelusta (11). N2000 on Suomessa vuonna 2007 käyt- töönotettu tarkkavaaitukseen perustuva korkeusjärjestelmä, joka on tarkin laajoja alueita kat- tava korkeusmalli Suomesta. Julkisen hallinnon tietohallinnon neuvottelukunta on suositellut N2000-korkeusjärjestelmää käytettäväksi valtakunnallisissa kartastotöissä ja paikkatietopal-

(22)

veluissa sekä alueellisissa ja paikallisissa kartastotehtävissä, paikkatietopalveluissa ja hank- keissa (12).

Tutkimuksessa käytetty N2000-järjestelmän mukainen korkeusmalli esittää maaston korkeutta merenpinnasta. Korkeusmalli on tuotettu laserkeilausaineistosta, jonka pistetiheys on mini- missään 0,5 pistettä neliömetrille ja korkeustiedon tarkkuus on keskimäärin 0,3 metriä. Kor- keustieto on ilmaistu metreinä. (13)

4.2.2.2. Puuston korkeus

Metsäntutkimuslaitos (metla) on kehittänyt ja ottanut vuonna 1990 käyttöön metsien monilähteiseninventoinnin (MVMI). Inventoinnissa maastotietojen, satelliittikuvien ja paikkatietojen avulla tuotetaan kuntakohtaisia metsävara-arvioita ja karttamuotoisia metsävaratietoja. Metla käytti vuoden 2009 arviointien aineistona VMI-maastokoealoja ja Landsat 5 -satelliitin kuvia sekä tarvittaessa IRS P6, ALOS AVNIT-2 tai Landsat 7 ETM+

kuvia. Kartta-aineistoon on käytetty myös vuosien 2006–2010 VMI-koealatietoja sekä vuosien 2009–2010 satelliittikuvia. (14)

Metsikkökuvion puuston keskipituus on elävien puiden pohjapinta-alan mediaania vastaavan puun pituus. Se on lähes sama kuin pohjapinta-alalla painotettu puiden pituuksien keskiarvo.

Puuston keskipituus mitataan maastossa koealaan osuneilta metsä- ja kitumaan metsikkökuvioilta 1 dm:n luokissa. Kivennäismaaksi luokiteltavan Pihlajanharjun alueella puuston pituuden keskivirhe on 4,2 m. (14)

4.2.2.3. Liikennetiedot

Mallinnukseen tarvittavat liikennetiedot pyydettiin Liikennevirastolta. Liikennemäärät on kerätty automaattisella järjestelmällä Rahusenlammen vt5 / 201 / 2150 LAM- laskentapisteellä. LAM-pisteen sijainti on mallinnuksen kannalta erinomainen. Kaikki Kuopi- on tai Siilinjärven suuntaan kulkeneet ajoneuvot, jotka ovat ajaneet mittauksille ja mallinnuk- selle tärkeää tieosuutta pitkin, ovat rekisteröityneet kyseiselle LAM-pisteelle. Sen keräämät liikennetiedot sisälsivät ajoneuvojen ohiajon kellonajan, ajosuunnan, kaistan, nopeuden ja ajoneuvoluokan.

(23)

4.2.2.4. Säätiedot

Säätiedot kerättiin Savonia-ammattikorkeakoulun sääpalvelusta. Kerättyjä säätietoja olivat lämpötila, tuulen nopeus, tuulen suunta, ilman kosteus, pilvisyys, ilman paine ja auringon säteily.

4.2.3. Aineiston käsittely ja laskentamenetelmät 4.2.3.1. Liikennetietojen käsittely

Liikennevirastolta saadut liikennemäärät käsiteltiin Excelillä poimimalla aineistosta ääninäyt- teitä vastaavat ajanjaksot omiin taulukkoihinsa. Tämän jälkeen ajoneuvoluokat jaettiin raskaa- seen ja tavalliseen liikenteeseen. Kevyiksi ajoneuvoiksi aineistossa luokiteltiin henkilöautot ja pakettiautot perävaunuineen, mopot ja moottoripyörät. Raskaiksi ajoneuvoiksi luokiteltiin linja-autot ja kuorma-autot perävaunuineen. Kunkin mittauksenaikaiset liikennetiedot on esitetty liitteessä 12.

4.2.3.2. Maastotarkastelut

Maastotarkastelu suoritettiin paikkatietojärjestelmää hyväksikäyttäen ja aloitettiin lataamalla ArcMap®-ohjelmistoon maanmittauslaitoksen peruskartta pihlajaharjun alueesta helpotta- maan kartta-aineistojen käsittelyä. Seuraavaksi ArcMapiin ladattiin toiselle karttatasolle alueen Maanmittauslaitoksen N2000-järjestelmän mukaiset korkeustiedot.

Kolmannelle karttatasolle tuotiin Maa- ja metsätalousministeriön tuottamat puuston pituustie- dot. Laserkeilaus-aineisto konvertoitiin raster-aineistoksi. Aineistossa veden pinnat oli merkit- ty ”arvottomaksi” ja arvojen puuttuminen aiheutti kasvillisuuden korkeuksia profiloitaessa 3D-analyysityökalua käyttäessä ongelman. Työkalu hyppäsi puuttuvien datapisteiden ylitse, jolloin työkalun keräämät tiedot kasvillisuuden pituudesta ja maaperän korkeudesta eivät olleet samoista pisteistä. Ongelma saatiin ratkaistua muuttamalla veden pinnat tyhjistä arvoista arvoiksi nolla. Näin mittaustyökalu saatiin ilmoittamaan veden pinnalla kasvillisuuden kor- keudeksi 0 m. Kasvillisuuden pituus-aineisto saatiin näin yhteensopivaksi topografisen aineis-

(24)

ton kanssa, ja tieto maanpinnan korkeudesta ja kasvillisuuden pituudesta oli saatavissa jokai- selta karttapisteeltä.

Kaikille kymmenelle mallinnuspisteelle luotiin oma karttataso. Mallinnuspisteinä käytettiin samoja tarkastelupisteitä, joita käytettiin myös mittauksia tehdessä. Pihlajaharjun ohi kulkeva moottoritie jaettiin kunkin kuvassa 3 esitettyjen mittauspisteiden osalta kahdeksasta kymme- neen pätkään muodostaen tien ja tarkastelupisteiden välille sektoreita. Tarkasteltavat tiepätkät muodostettiin siten, että sektorien keskiviivojen poikkileikkaukset ottaisivat mahdollisimman hyvin huomion pisteiden ja tien väliset maastonmuodot viivaäänilähteen akustisesta keskipis- teestä laskentapisteeseen. Sektorijaottelu kunkin tarkastelupisteen osalta on esitetty liitteissä 1–10.

Seuraavassa vaiheessa selvitettiin kunkin sektorin maastonmuodot ArcMapin 3D-analyysillä muodostamalla analyysisuora sektorin tieosuuden keskipisteen ja tarkastelupisteparin välille.

Analyysisuoralta kerättiin Exceliin maanpinnan sekä puuston korkeustiedot. Esimerkki Ex- celissä luodusta pisteen 1 maastoprofiilista liitteenä 11. Maastotietojen lisäksi ArcMapista kerättiin tiedot tarkasteltavien tieosuuksien pituuksista etäisyystyökalulla.

4.2.4. Laskentamenetelmät

4.2.4.1. Immissiomelutaso tarkastelupisteessä

Kaikkien 10 tarkastelupisteen A-painotettu keskiäänitaso on määritetty yhtälön 2 mukaisesti laskemalla taajuuskaistoittain yhteen emissiomelutaso (Lem(f), dB), A-painotus (A(f), dB) ja emissio- ja tarkastelupisteen välillä tapahtuvat vaimennukset (dLg, dLi(f), dLe(f), dLk(f), dB). (10)

Koska kunkin tarkastelupisteen A-painotettu keskiäänitaso koostuu 8–10 melulähteestä, lasketaan kunkin melulähteen aiheuttamat melutasot yhteen.

(2)

(25)

4.2.4.2. Emissiomelutaso melulähteessä

Äänilähteen emissiotaso lasketaan pohjoismaalaisen tieliikennemelun laskentamallin mukaisesti liikennetiedoista. Lähtömelutaso LAeqT10 on kevyiden ja raskaiden ajoneuvojen aiheuttama melutaso 10 metrin etäisyydellä, se määritetään ajoneuvojen liikennemäärän ja todellisen nopeuden perusteella. LAeqT10 lasketaan erikseen kevyille ja raskaille ajoneuvoille ja lasketaan lopuksi yhteen. Ensimmäisessä vaiheessa määritetään äänialtistustaso LAE, 10m ajoneuvon nopeuden perusteella (Yhtälö 3 ja 4). Äänialtistustaso vastaa yhden ajoneuvon aiheuttamaa keskiäänitasoa normalisoituna yhteen sekuntiin. (15, 16)

Kevyiden ja raskaiden ajoneuvojen lähtömelutaso LAeq,T,10m määritetään äänialtistustason LAE,10m, liikennemäärän N ja tarkasteltavan ajanjakson pituuden T [s] perusteella (Yhtälö 5 ja 6). (15, 16)

Lopuksi lähtömelutasot lasketaan yhteen (Yhtälö 7).

4.2.4.3. Äänen kaareutuminen

Mallissa äänen etenemisreitti kuvataan vallitsevien olosuhteiden mukaisesti kaareutuvana säteenä. Laskennassa äänen kaareutumissäde (Rcur, m) syötetään lähtötietona laskennassa(10).

Koska mittausten aikaisia tuulennopeustietoja ei ollut saatavilla kahdelta eri korkeudelta, on mallinnuksessa käytetty ISO 9613-2 -standardin mukaista 5000 metrin vakiota (17).

(5)

(6) (3)

(4)

(7)

(26)

4.2.4.4. Emissiopisteen ja tarkastelupisteen välinen maasto

Emissio- ja tarkastelupisteen välinen maasto on jaettu tasaisin välimatkoin 40 pisteeksi. En- simmäinen piste on emissiopiste ja viimeinen on tarkastelupiste. Pisteiden maanpinnan korkeus merenpinnasta on kerätty ArcMap®-ohjelmistolla paikkatieto-aineistosta 3D- analyysityökalulla ja se annettiin mallille syöttötietona.

Kasvillisuuden osalta maastoprofiili on määritetty samaan tapaan ja samalla kertaa kuin maaston korkeustiedot. Näin saatiin varmistettua, että kyseinen kasvillisuuden korkeus ja maaston korkeus ovat yhteneväisiä.

4.2.4.5. Vaimennukset

4.2.4.5.1. Hajaantumisvaimennus dLg

Hajaantumisvaimennus voidaan laskea yhtälön 8 mukaisesti, kun tiedetään viivaäänilähteen akustisen keskipisteen etäisyys (D, m). Hajaantumisvaimennus on sama kaikilla taajuuksilla

= 20 ( /0,282) (8)

4.2.4.5.2. Absorptiovaimennus dLi

Absorptiovaimennus lasketaan ANSI S1.26-1978 mukaisesti (Yhtälöt 9 - 14). Laskennassa huomioidaan taajuus (f, Hz), lämpötila (T, K), ilman suhteellinen kosteus (RH, %) ja ilman- paine (p, Pa). referenssi-ilmanpaineena P0 käytetään 101325 Pa ja -lämpötilana T0 293,16 K.

Absorptiovaimennus (dB) emissiopisteen ja immissiopisteen väliselle matkalle kun d on refe- renssietäisyys (m) lasketaan seuraavasti: (10)

(9)

(10)

(27)

4.2.4.5.3. Estevaimennus dLe

Estevaimennus lasketaan korkeimmasta esteestä, eli esteestä, joka leikkaa äänisäteen kulku- reitin tehokkaimmin tai osuu lähimmäksi äänisäteen kulkureittiä. Maasto tutkitaan kaikkien yli 0,3 m nousujen osalta. Estevaimennusta ei oteta huomioon, mikäli äänisäde ylittää esteen yli 10 metrin päästä. (10)

Estevaimennuksen laskennassa (Yhtälö 15) käytetään Fresnelin lukua (Nf), joka määritellään esteen tehollisella estekorkeudella eli esteen pienimmästä etäisyydestä äänilähteestä, esteen etäisyydellä emissiopisteestä ja emissio- ja immissiopisteiden välimatkalla.

s on esteen etäisyys emissiopisteestä (m)

h on tehollinen estekorkeus eli esteen pienin etäisyys äänisäteestä (m) D on emissio- ja immissiopisteiden välimatka (m)

(11)

(12)

(13)

(14)

(15)

(28)

Estevaimennus (dB) taajuuksittain lasketaan yhtälöillä 16 - 18

4.2.4.5.4. Kasvillisuusvaimennus dLk

Kasvillisuuden vaimentava vaikutus perustuu pääosin heijastus- ja sirontaominaisuuksiin ja vaikuttaa eniten aallonpituuksilla, jotka ovat kasvinosien suuruusluokkaa tai niitä pienempiä.

Mallissa kasvillisuusvaimennus määrittyy sen mukaan, kuinka pitkän matkan äänisäde etenee kasvillisuuden sisällä. Kasvillisuusvaimennus dLk (dB) lasketaan taajuuksittain seuraavasti (Yhtälö 19). (10)

K on äänisäteen matka kasvillisuuden sisällä (m) f on tarkasteltava taajuus

4.2.5. Tunnusluvut

Mallinnuksen onnistumisen selvittämiseksi mittauksilla määritettyjä mittaustuloksia verrattiin mallinnettuihin tuloksiin ja niiden perusteella laskettiin mallinnuksen onnistumista kuvaavat tunnusluvut bias, MAE, IA ja R².

4.2.5.1. Bias

Bias eli harha on tunnusluku, joka kertoo paljonko malli yli tai aliarvioi tuloksia. Bias saadaan, kun lasketaan kunkin mitatun ja mallinnetun arvon erotus ja määritetään niiden keskiarvo (Yhtälö 20). Biasin yksikkö on sama kuin tarkasteltujen suureiden. Mikäli yksittäiset mallinnetut arvot sekä yli- ja aliarvioivat tuloksia ja siten kumoavat toisensa, niin varsinainen

(16) (17)

(19) (18)

(29)

absoluuttinen virhe voi olla huomattavasti suurempi verrattuna biaksen esittämään virhearvi- oon. Bias on siten käyttökelpoisempi tilanteissa, joissa malli vain yli- tai aliarvioi tuloksia.

4.2.5.2. Keskiarvovirhe MAE

Keskiarvovirhe MAE (mean absolute error) kuvaa mallin virhettä mitattuun arvoon nähden.

MAE saadaan laskemalla kunkin mitatun ja mallinnetun arvon erotus, ottamalla kustakin ero- tuksesta itseisarvo ja laskemalla itseisarvojen keskiarvo (Yhtälö 21). MAE:n yksikkö on sama kuin tarkasteltujen suureiden.

4.2.5.3. IA

Index of agreement (IA) on suhteellinen mitta, joka kuvaa mallinnettujen arvojen tarkkuutta verrattuna mitattuihin arvoihin. IAn määrittämiseksi verrataan mitattuja ja mallinnettuja arvoa mitattujen arvojen keskiarvoon (Yhtälö 22). IA voi saada arvoja 0-1 väliltä. Mitä lähempänä arvo on lukua 1, sitä tarkempi mallinnus. Alle 0,4 arvo kuvaa heikkoa tarkkuutta ja yli 0,7 on vastaavasti hyvä tulos.

ja on mitattujen arvojen keskiarvo

(20)

(21)

(22)

(30)

4.2.5.4. R²

R² (coefficient of determination) eli selitysaste on Pearsonin korrelaatiokertoimen neliö. Se kertoo kuinka suuren osuuden selitettävän muuttujan vaihtelusta muuttujat pystyvät selittä- mään ja vaihtelee nollan ja yhden välillä.. Tämä tarkoittaa sitä, että jos R² = 0,75 niin muuttujan x arvo selittää y:n arvosta 75 prosenttia. Se saadaan laskemalla muuttujan arvojen ja mallin tuottamien arvojen korrelaation neliö (Yhtälö 23).

P ja O ovat mallinnetut (predicted) ja mitatut (observed) arvot. ja ovat mallinnettujen ja mitattujen arvojen keskiarvoja.

4.2.5.5. PSE

Systemaattisen virheen osuutta kuvaava tunnusluku PSE (proportion of systematic error) on toiseen potenssiin korotettu neliöllinen keskiarvovirheen (RMSE) systemaattisen osan RMSES suhde. PSE saa arvoja väliltä 0 ja 1. Mitä lähempänä PSE on arvoa 1, sitä enemmän mallissa on systemaattista virhettä verrattuna ei systemaattiseen (Yhtälöt 24 – 26).

P on mallinnettujen arvojen pienimmän neliösumman estimaatti

(23)

(24)

(25)

(26)

(31)

5. TULOKSET JA TULOSTEN TARKASTELU

Tätä tutkimusta varten kerättiin, puhdistettiin ja analysoitiin 117 ääninäytettä, mutta tarkasteluun hyväksyttiin vain 61 kappaletta. 56 näytettä jouduttiin hylkäämään, koska LAM eli lii- kennetietoja ei ollut saatavilla kyseisiltä ajanjaksoilta. Tarkasteltavaksi hyväksytyt mittaukset on esitetty taulukossa 4. Kunkin mittauksen aikaiset liikennetiedot on esitetty liitteessä 12.

Taulukko 4. Tarkasteluun hyväksytyt mittaukset

Mittaus Mittaus-

piste pvm. klo. Mittaus Mittaus-

piste pvm. klo.

1 1 5.12.2009 7:10 32 5 15.5.2010 9:28

2 2 5.12.2009 7:30 33 6 15.5.2010 9:45

3 3 5.12.2009 7:50 34 7 15.5.2010 10:02

4 4 5.12.2009 8:10 35 8 15.5.2010 10:15

5 5 5.12.2009 8:20 36 9 15.5.2010 10:29

6 6 5.12.2009 8:50 37 10 15.5.2010 10:42

7 7 5.12.2009 9:00 38 6 2.6.2010 14:36

8 8 5.12.2009 9:20 39 7 2.6.2010 14:06

9 9 5.12.2009 9:30 40 1 7.6.2010 13:22

10 3 10.12.2009 10:40 41 2 7.6.2010 13:40

11 4 10.12.2009 10:20 42 3 7.6.2010 14:06

12 5 10.12.2009 10:00 43 4 7.6.2010 14:26

13 6 10.12.2009 9:40 44 5 7.6.2010 14:43

14 7 10.12.2009 9:30 45 6 7.6.2010 15:03

15 8 10.12.2009 9:20 46 7 7.6.2010 15:16

16 9 10.12.2009 9:00 47 8 7.6.2010 15:35

17 10 10.12.2009 8:50 48 1 10.8.2010 12:44

18 1 1.2.2010 18:10 49 2 10.8.2010 13:03

19 2 1.2.2010 17:40 50 3 10.8.2010 13:23

20 3 1.2.2010 17:20 51 4 10.8.2010 13:42

21 4 1.2.2010 16:50 52 5 10.8.2010 14:01

22 5 1.2.2010 16:30 53 6 10.8.2010 14:23

23 6 1.2.2010 16:10 54 7 10.8.2010 14:38

24 7 1.2.2010 15:50 55 8 10.8.2010 14:59

25 8 1.2.2010 15:40 56 9 10.8.2010 15:19

26 9 1.2.2010 15:20 57 10 10.8.2010 15:36

27 10 1.2.2010 15:00 58 7 7.10.2010 15:37

28 1 15.5.2010 8:28 59 8 7.10.2010 15:14

29 2 15.5.2010 8:44 60 9 7.10.2010 14:57

30 3 15.5.2010 9:01 61 10 7.10.2010 14:40

31 4 15.5.2010 9:15

(32)

Tutkimuksessa tulosten tarkkuuteen vaikuttaa lähtötietojen, kuten sääolosuhteiden ja paikkatietojen tarkkuus, käytetty kaareutumissäde ja maanpinnan vaikutus.

Sää-olosuhteiden tarkkuutta ei selvitetty, mutta mittausvirhettä suuremman virheen todennä- köisesti aiheuttaa sääaseman ja mittauspisteiden noin 5 kilometrin välimatka toisistaan, koska sääaseman olosuhteet eivät ole täysin identtiset Pihlajaharjun mittausalueen kanssa. Mallinnus ei myöskään huomioi todellisia mittaustenaikaisia tuulensuuntia tai -nopeuksia eikä sää- olosuhteita ole hyödynnetty äänen kaareutumissäteen laskennassa. Sen sijaan mallinnuksessa käytettiin 5000 m kaareutumissädettä. Vaikka kyseinen 5000 m perustuukin standardiin (17), on kyseessä ”arvio”, jota tulee standardin mukaan käyttää tarkemman kaareutumistiedon puuttuessa.

Maaston osalta maanpinnan N2000-paikkatietoaineiston tarkkuus on hyvä ±0,3 m (13). Kas- viston korkeuden osalta aineiston tarkkuus on kuitenkin heikompi ±4,2 m (14). Aineisto ke- rättiin kunkin viivaäänilähteen ja tarkastelupisteen väliltä vain 40 datapisteen osalta. Täten maaston ja kasviston mallinnuksen tarkkuus vaihtelee sen mukaan, kuinka etäällä tarkastelupiste on viivaäänilähteestä. Datapisteiden välimatka on suurimmillaan pisteen 3 pohjoisim- malla sektorilla 35,2 m. Täten on mahdollista, että profiilien korkeimmat kohdat ovat todelli- suudessa hieman mallinnettua korkeampia, mikäli maastohuiput ovat osuneet kerättyjen datapisteiden väliin. Tarkkuus kuitenkin paranee sen mukaan mitä lähempänä viivaäänilähde on tarkastelupistettä. Tarkin mallinnettu maasto- ja kasvistoprofiili on pisteen 10 lyhimmillä sek- toreilla. Näissä maastoprofiilin mallinnuksissa datapisteiden etäisyys on vain 6 m.

Mallinnus ei huomioi maanpinnan voimistavaa vaikutusta. Isossa osassa viivaäänilähteistä tarkastelupisteeseen ääni kulkee Iso-Valkeisen lammen ylitse. Tällä olisi todennäköisesti mallinnettuihin keskiäänitasoihin nostava vaikutus. Toisaalta malli ei myöskään huomioi maanpinnan vaimentavaa vaikutusta, mikä puolestaan vaikuttaisi mallinnettuihin keskiäänitasoihin alentavasti.

Tulosten luotettavuutta heikentää myös vähäinen vertailukelpoisen mittausaineiston määrä.

Luotettavuus olisi luonnollisesti parempi, jos mallinnus olisi ollut mahdollista tehdä kaikkien 117 mittauksen osalta. Toisaalta myös mitatuissa melutasoissa saattaa esiintyä esimerkiksi mittalaitteista johtuvaa virhettä. On myös muistettava, että liikennemelutasoihin, joihin mallinnettuja melutasoja verrataan ovat todellisesta liikenteestä, jonka lähtöäänitasossa on autois- ta ja kuljettajista johtuvaa luonnollista vaihtelua.

(33)

Taulukossa 5 ja kuvassa 7 on esitetty kunkin hyväksytyn mittauksen A-painotettu keskiääni- taso kussakin tarkastelupisteessä sekä sitä vastaava mallinnettu A-painotettu keskiäänitaso.

Taulukko 5 Mitattu A-painotettu keskiäänitaso O.Laeq kussakin tarkastelupisteessä sekä sitä vastaava mallinnettu A-painotettu keskiäänitaso P.Laeq.

no. Piste O.Laeq (dBA) P.Laeq (dBA) no. Piste O.Laeq (dBA) P.Laeq (dBA)

1 1

38,2 31,5 7 7

49,0 40,4

18 24,4 35,6 14 40,8 42,4

28 38,2 34,7 24 36,5 42,9

40 35,7 39,0 34 45,7 42,0

48 35,7 38,6 39 57,5 43,5

2 2 37,5 24,7 46 45,8 44,5

19 28,8 27,2 54 51,3 43,5

29 41,0 26,0 58 54,8 45,8

41 41,5 29,9 8 8 43,4 35,0

49 33,4 28,6 15 36,3 37,1

3 3

32,9 31,7 25 29,9 38,4

10 25,2 33,3 35 40,3 41,1

20 24,8 32,0 47 40,1 40,2

30 35,0 30,7 55 34,5 39,0

42 35,7 34,0 59 43,5 39,0

50 29,4 33,3 9 9

44,0 40,9

4 4 40,0 31,2 16 44,3 41,4

11 36,0 30,2 26 32,3 42,5

21 28,2 29,6 36 44,6 41,0

31 38,6 28,8 56 42,2 43,8

43 41,5 31,7 60 47,3 43,6

51 32,9 31,0 17 10 49,8 47,4

5 5

43,9 36,6 27 35,7 46,8

12 40,9 40,3 37 50,8 46,9

22 32,3 40,4 57 51,0 50,3

32 41,3 39,1 61 53,7 49,1

44 41,3 41,4

52 34,3 41,1

6 6 53,1 46,8

13 52,3 49,2

23 45,5 50,3

33 50,2 49,0

38 61,1 50,3

45 43,9 51,2

53 53,0 50,3

(34)

Kuva 7. Mitattu A-painotettu keskiäänitaso kussakin tarkastelupisteessä sekä sitä vastaava mallinnettu A-painotettu keskiäänitaso.

Taulukossa 6 on esitetty keskimääräiset bias-tunnusluvut. Keskimääräinen mallinnuksen bias on laskettu erikseen kunkin pisteen otoksille. Lisäksi taulukossa on esitetty koko aineiston keskimääräinen bias, joka ei erottele tarkastelupisteitä toisistaan. Lisäksi taulukossa on esitetty biasten vaihteluväli.

Taulukko 6. Keskimääräiset Bias-tunnusluvut kunkin tarkastelupisteen osalta. Taulukossa kirkkaanvihreä on bias < ±1, vaaleanvihreä bias < ±2.

Tarkastelupiste 1 2 3 4 5

Koko aineisto

Bias (dB) -1,45 9,16 -1,99 5,78 -0,81

vaihteluväli (dB) -11,19…6,69 1,59…15,07 -8,05…4,30 -1,38…9,81 -8,09…7,3

Bias (dB) 1,71 4,57 -0,25 0,24 0,10 1,72

vaihteluväli (dB) -7,36…10,75 -6,37…14,04 -8,46…8,36 -10,2…3,72 -11,17…4,67 -11,19…15,07

Bias-luvuista voidaan nähdä mallin yliarvioivan keskiäänitasoja huomattavasti tarkastelupis- teissä 2, 4 ja 7. Parhaimmat keskimääräiset bias-tunnusluvut ovat pisteillä 8, 9 ja 10. Koko

(35)

aineistoa tarkastellessa mallinnettu melutaso on keskimäärin 1,72 dB mitattua melutasoa kor- keampi. Biaksen keskihajonta on 6,37 dB ja 95 % luottamusvälin alaraja on 0,09 dB ja yläraja 3,36 dB. Yleisesti ottaen malli yliarvioi todellisen keskiäänitason +1,72±1,63 dB.

Tuloksia tarkastellessa on otettava kuitenkin huomioon, että malli sekä yli- että aliarvioi tuloksia, jolloin yksittäistä mallinnusta tehtäessä virhe voi olla biaksen esittämää virhearviota huomattavasti suurempi. Tämä yli- ja aliarviointi on helposti nähtävissä kuvassa 8, jossa on esitetty kaikkien mallinnusten virhe mitattuihin äänenpainetasoihin verrattuna tarkastelupis- teittäin koottuna. Kuvassa positiivinen virhe tarkoittaa mallin yliarvioimaa- ja negatiivinen aliarvioimaa keskiäänitasoa. Palkin korkeus kertoo virhearvioinnin suuruuden desibeleinä.

Tarkastelupisteen numero on esitetty vaaka-akselilla yläpuolella ja vaaka-akselilla alapuolella on taulukon 6 mukainen otoksen numero.

Kuva 8. Mallinnettujen keskiäänitasojen ero mitattuihin keskiäänitasopareihin (dBA).

Mallinnus on selvästi yliarvioinut keskiäänitasoja pisteissä 2 ja 7. Pisteen 7:n osalta yliarvi- ointi johtuu todennäköisesti siitä, että piste sijaitsee rannan lähellä mäkirinteen päällä. Malli ei ole ottanut riittävän hyvin huomioon suhteellisen lyhyen, mutta jyrkän rinteen aiheuttamaa äänen vaimentumista. Tarkastelupiste 2 on puolestaan mäen korkeimman huipun takana niin, että äänilähteen akustisesta keskipisteestä on ennen tarkastelupistettä ensin nousua noin 40 metriä 570 metrin matkalla, jonka jälkeen on 7 metriä pudotusta 230 metrin matkalla. Lisäksi

(36)

koko matka on noin 20 metrisen puuston peittämään metsikköä. Mäki ja puusto ovat todennä- köisesti vaimentaneet melua selvästi mallin arviota enemmän.

Taulukossa 7 on esitetty keskimääräiset mallinnuksen virheiden itseisarvojen MAE- tunnusluvut (mean absolute error). Keskimääräinen absoluuttinen mallinnuksen virhe on laskettu erikseen jokaisen tarkastelupisteen osalta. Lisäksi taulukossa on esitetty koko aineiston keskimääräinen MAE, joka ei erottele tarkastelupisteitä toisistaan. Taulukkoon on lisätty myös absoluuttisten virheiden vaihteluväli.

Taulukko 7. MAE eli keskimääräiset absoluuttiset virheet.

Koko aineisto

MAE (dB) 5,52 9,16 4,41 6,24 4,20

vaihteluväli (dB) 2,9…11,19 1,59…15,07 1,19…8,05 1,38…9,81 0,12…8,09

MAE (dB) 5,21 6,55 3,92 4,17 4,57 5,36

vaihteluväli (dB) 1,23…10,75 1,3…14,04 0,03…8,46 1,57…10,2 0,65…11,17 0,03…15,07

Pienimmillään MAE on pisteessä 8 (3,92 dB) ja suurimmillaan pisteessä 2 (9,16 dB). Kaik- kien otosten keskimääräinen virhe on 5,36 dB, 3,80 dB:n keskihajonnalla ja 0,49:n keskiha- jonnan keskivirheellä. MAE:n 95% luottamusvälin alaraja on 4,38 dB ja yläraja 6,33 dB. Ko- ko aineiston MAE on täten 5,36 ±0,97 dB

Taulukossa 8 on esitetty kunkin tarkastelupisteen laskennallinen PSE-tunnusluku, sekä kaikkien otosten perusteella laskettu koko aineiston PSE-tunnusluku. Nämä PSE-tunnusluvut ar- vioivat mallinnuksen virheen systemaattisuutta ja satunnaisuutta. Pisteittäin tarkasteltuna mallin virhe on satunnaista lukuunottamatta pisteitä 1 ja 8, joiden osalta virhe sisältää sekä systemaattista, että satunnaista virhettä. Tarkastellessa koko aineiston tunnuslukua 0,79 on mallin virhe selvästi systemaattista.