Seminaari kokoaa yhteen hulevesikysymysten parissa työskentelevät asiantuntijat yli sektorirajojen. Ajankohtaista tietoa tapahtumasta saat liittymällä hulevesijaoston sähköpostilistalle, ohjeet löytyvät Vesiyhdistyksen nettisivuilta. Ympäristöviestinnän ilmoituksia Ympäristöviestintä YVT Oy | Annankatu 29 A 18, 00100 HELSINKI | puh. Suomen Vesiyhdistys järjestää tilaisuuden yhteystyössä Tampereen yliopiston Vesihuoltopalveluiden tutkimusryhmän (CADWES) sekä Suomen Vesistösäätiön kanssa.! Tilaisuuden ohjelma julkaistaan myöhemmin ilmoittautumisen avaamisen yhteydessä, merkitsethän kuitenkin jo päivän kalenteriisi. Sen ohjelma julkaistaan ja ilmoittautuminen avataan myöhemmin, merkitsethän jo kuitenkin ajankohdan kalenteriisi. Vesipäivän teema vuonna 2026 on veden ja vesihuollon rooli sukupuolten välisen tasa-arvon mahdollistajana. (09) 694 0622 | vesitalous@vesitalous.fi. Vesihuollon kehittämisen merkityksen, historian ja kansainvälisen ulottuvuuden lisäksi seminaarissa esitellään uuden vesialan oppimisverkoston toimintaa ja pureudutaan käytännön toimenpiteisiin, joilla vesialan osaaminen turvataan tulevaisuudessa. H ulevesi 2026-seminaari järjestetään Vaasassa 7.-8.5.2026. Ajankohtaista vesiyhdistykseltä VESITALOUS-LEHTI SÄHKÖISTYY Paperilehti ilmestyy vielä vuoden 2026 ja jää sen jälkeen historiaan. 2 www.vesitalous.fi Tulossa: Maailman Vesipäivän Seminaari 20.3.2026 Tulossa: Hulevesi 2026-seminaari 7.-8.5.2026 M aailman Vesipäivän seminaari järjestetään perjantaina 20.3.2026 Säätytalolla (Snellmaninkatu 9-11, Helsinki). Vuoden 2027 alusta Vesitalous-lehti on vapaasti saatavissa vesitalous.fi -sivustolta maksutta, jolloin lehti tavoittaa lukijat huomattavasti paremmin
LXVII Sisältö 1/2026 Lumi JULKAISIJA JA KUSTANTAJA Ympäristöviestintä YVT Oy Annankatu 29 A 18, 00100 Helsinki Puhelin (09) 694 0622 Yhteistyössä Suomen Vesiyhdistys ry PÄÄTOIMITTAJA Minna Maasilta Maaja vesitekniikan tuki ry Annankatu 29 A 18, 00100 Helsinki e-mail: minna.maasilta@mvtt.fi TOIMITUSSIHTEERI / ILMOITUKSET Jarkko Narvanne Elontie 115, 00660 Helsinki Puhelin 045 305 0070 e-mail: toimitus@vesitalous.fi TILAUKSET JA OSOITTEENMUUTOKSET Taina Hihkiö Maaja vesitekniikan tuki ry Puhelin (09) 694 0622 e-mail: vesitalous@vesitalous.fi ULKOASU JA TAITTO Taittopalvelu Jarkko Narvanne PAINOPAIKKA Punamusta | ISSN 0505-3838 TOIMITUSKUNTA Harri Koivusalo, tekn.tri., teknisen vesitalouden professori, Aalto-yliopisto, Insinööritieteiden korkeakoulu Vuokko Laukka, tekn.tri., johtava asiantuntija, Suomen ympäristökeskus Anna Mikola, tekn.tri., professori, Aalto-yliopisto, Insinööritieteiden korkeakoulu Pekka M. Tähän tuotteeseen käytetty puu on kestävästi hoidetuista metsistä (PEFC/02-31-151) pefc.fi Kansikuva: 2 Ajankohtaista vesiyhdistykseltä 5 Pääkirjoitus: Lumi, vesi ja muutos – Suomen lumiolosuhteiden seuranta, teknologia ja tulevaisuuden haasteet Pertti Ala-aho ja Jarkko Okkonen 6 Lumitietoa satelliiteista Anna Kontu 9 Dronepohjainen lumimittaus parantaa lumilinjojen kattavuutta ja lumimallinnusta Maiju Ylönen 13 Lumen määrä talvella Emma-Riikka Kokko 16 Tekoäly lumen vesiarvon jäljillä Miika Malin 20 Lumen katoaminen yhteiskunta tieteellisenä kysymyksenä Birgitta Vinkka 24 Droneteknologian hyödyntäminen lumen ominaisuuksien mittauksessa Veijo Sutinen ja Kyösti Karttunen 29 Hajautettu lämpötilamittaus näkee pintaa syvemmälle Janne Torvela, Mika Pylvänäinen ja Toni Liedes 32 Miten lumen vesiarvo vaihtelee Suomessa. Lehti ilmestyy kuusi kertaa vuodessa. Seuraavassa numerossa teemana on Vesihuoltolain uudistus. Ilmoitusvaraukset 11.2. Rossi, tekn.tri., apulaisprofessori, Oulun yliopisto, vesija ympäristötekniikka Maija Taka, fil.tri., akateeminen koordinaattori, Aalto-yliopisto, Insinööritieteiden korkeakoulu Annina Takala, dipl.ins., Suomen Vesiyhdistys ry Saijariina Toivikko, dipl.ins., kehittämispäällikkö, Suomen Vesilaitosyhdistys ry Asiantuntijat ovat tarkastaneet lehden artikkelit. Ella Rantalainen, Kati Anttila, Harri Koivusalo, Cintia Uvo ja Nasim Fazel Muut aiheet 36 Alusveden suodatus osana kestävämpää järvikunnostusta Laura H. Tämän numeron kokosivat apulaisprofessori Pertti Ala-aho Oulun yliopistosta (Pertti.Ala-Aho@oulu.fi) ja tekniikan tohtori ja erikoistutkija Jarkko Okkonen Geologian Tutkimuskeskuksesta (jarkko.okkonen@gtk.fi). Härkönen, Leena Nurminen, Kaarina Lukkari, Juha Grönroos, Soila Silvonen, Jukka Horppila, Meri Back, Suvi Lehtoranta, Riitta Lemola, Tapio Salo ja Meri Vuorivirta 44 Kattavampaa tietoa Suomen peltomaiden vedenpidätys ominaisuuksista Timo A. VESITALOUS www.vesitalous.fi VOL. Räsänen, Vilma Jokinen, Mikä Tähtikarhu ja Jari Hyväluoma 48 Liikehakemisto 50 Abstracts 51 Vieraskynä Esko Kuusisto. mennessä. Vesitalous 2/2026 ilmestyy 25.3
Myönnetyt summat vaihtelivat muutamasta sadasta eurosta useisiin satoihin tuhansiin euroihin. Suurin yksittäinen myönnetty apuraha meni Aalto-yliopistolle projektiin nimeltä InnoWAT: Ongelmalähtöisen opetuksen kehittäminen vesialalla (2025–2029). Seija kokosi vielä alkuvuodesta Vesitalouden numeron 1/2025. Numerossa tutustutaan vesiosaamisen tarpeisiin nyt ja tulevaisuudessa sekä alan ammattilaisten urapolkuihin. Muistamme Seijaa lämmöllä.. Vesialan osaajilta löytyy kirjo erilaisia koulutusja ammattitaustoja. Kaikki vuonna 2025 myönnetyt apurahat ovat nähtävillä MVTT:n kotisivuilla. Julkaiseminen on maksutonta. Hakemuksia tuli 354 kappaletta, joista runsaat puolet sai myönteisen päätöksen. Kutsumme teidät mukaan kirjoittamaan: avoimia juttuehdotuksia voi lähettää 31.3.2026 mennessä. Lisätietoja: Jaakko Nissilä, Yliopisto-opettaja, Oulun yliopisto Jaakko.Nissila@oulu.fi Maaja vesitekniikan tuen apurahavuosi 2025 Maaja vesitekniikan tuki (MVTT) myönsi vuonna 2025 ennätykselliset yli 5,5 miljoonaa euroa rahoitusta vesija ympäristötekniikan alan tutkimukseen, hankkeisiin ja matkoihin. Muuttuvassa toimintaympäristössä osaamisen tarpeet yhä monipuolistuvat, kun tarve esimerkiksi digiosaamiselle jatkuvasti kehittyy alalla. Iloista vuotta 2026 kaikille Vesitalouden lukijoille! In Memoriam Vuoteen mahtui myös suru-uutinen, kun MVTT:tä lähellä olevan apurahasäätiön, Salaojituksen Tukisäätiön, toiminnanjohtaja Seija Virtanen menehtyi. MVTT Kirjoittajakutsu vesiosaamisen urapolut –teemanumeroon V esitalous-lehden 4/2026 teemana on vesiosaamisen urapolut. Ilmoitamme kaikille ehdotuksen jättäneille päätöksestä mahdollisimman pian ja artikkelin tulee olla valmis 25.5.2026
29) esittävät artikkelissaan kehittämäänsä ”lämpökeihästä” lumen ja jään lämpötilan jatkuvatoimiseen mittaukseen. Miika Malin (s. Mittaustietoa voidaan tehokkaasti hyödyntää korkearesoluutioisessa malleissa, joilla voidaan simuloida lumen syvyyttä ja vesiarvoa alueilla mistä puuttuu mittaus aineistoa. Pitkäaikeisseurannan lisäksi teknologiakehitys sensoritekniikassa ja kaukokartoituksessa tulee hyödyntää paremmin lumiolosuhteiden kartoituksessa. Lumi, vesi ja muutos – Suomen lumiolosuhteiden seuranta, teknologia ja tulevaisuuden haasteet L umen merkitys Suomen vesivaroille on moninainen. Lumen muutosten vaikutukset eivät rajoitu vain luonnonympäristöön ja yhteiskuntamme vesisuhteisiin, vaan myös ihmisten kokemusmaailmaan, mitä näkökulmaa Birgitta Vinkka (s. Koneoppiminen on todettu erityisesti hyödyksi suurten lumiaineistojen analysoinnissa lumiolosuhteiden kartoitukseen ja ennakointiin. EU RRF rahoitteinen Cryosphere Research Infrastructure (CRYO-RI) hanke 2023-2025 käynnistettiin parantamaan valmiuksia lumen ja jään mittaukseen kehittämällä mittausteknologiaa ja tutkimusta Pohjois-Suomessa. 9) artikkelit esittelevät drooniteknologian potentiaalia lumen alueellisessa mittauksessa. PERTTI ALA-AHO Apulaisprofessori, Akatemia tutkija, Vesi, energia ja ym pä ristö tekniikka, Oulun Yliopisto Pertti.AlaAho@oulu.fi JARKKO OKKONEN TkT, Dos. Tehokas tiedonsiirto ja IoT-pohjaiset ratkaisut mahdollistavat tiheämmän ja kustannustehokkaan seurannan. 24) sekä Maiju Ylösen (s. Muuttuvan lumipeitteen vaikutukset niin ihmisiin kuin vesivaroihin ovat väistämättömiä. Lumen peittoaika ja sulanta rytmittää hydrologista vuotta. 20) avaa artikkelissaan. Esimerkkinä tästä Janne Torvela ym. Vesivarojen hallinnassa vesistöjen säännöstely, vesivoiman optimointi ja vesirakenteiden mitoitukset perinteisesti määrittyvät pitkälti kevättulvan perusteella. Tämän erikoisnumeron lumeen liittyvistä artikkeleista usea on koostettu hankkeen partnerien edistysaskelista lumen seurantateknologian kehittämisessä. 6) käsittelevät artikkeleissaan kansallista lumen seurantaa ja seurannan mittausinfrastruktuureja. Suomessa lapsuutensa viettäneet tämän erikoisnumeron lukijat voivat luultavasti omana henkilökohtaisena kokemuksena allekirjoittaa nämä muutokset. Ihmismuisti on kuitenkin lyhyt ja epäluotettava, ja mittauksiin perustuvaa pitkäaikaisseurantaa ja uusia mittausteknologioita tarvitaan laadukkaan lumitiedon tuottamiseen. (s. 16) avaa vastaavasti koneoppimisen saloja lumen vesiarvon mallintamisessa. (s. Tämän kansallisesti arvokkaan ja kansainvälisesti poikkeuksellisen kattavan seurannan jatkuvuus tulisi jatkossakin varmistaa. Ilmastonmuutos muuttaa ympäristöämme, ja muutokset lumipeitteessä ovat eturintamassa. Uudet teknologiat tuottavat paljon uutta mittaustietoa lumesta. Lisäksi on mahdollista, että vaikka lumipeitteinen aika lyhenee, niin lumen määrän vuosien välinen vaihtelu ja lumimyrskyjen intensiteetti korostuvat, mikä aiheuttaa omat haasteensa lumen ja vesivarojen hallintaan. Pohjoisena yhteiskuntana meidän ei kannata ajautua lumisokeaksi, vaan parantaa tietoisuutta lumesta ja sen vesistövaikutuksista nyt ja tulevaisuudessa. Niihin tulee varautua ylläpitämällä olemassa olevaa mittausverkostoa ja edelleen kehittämällä sekä lumiteknologian osaamista että sen resurssointia. Pitkäaikaiset kansalliset mittaukset lumilinjoilla lumen vesiarvosta ja lumen syvyydestä muodostavat kattavan kuvan muutoksista lumiolosuhteissa. 13) artikkeli. (Helsingin yliopisto, Oulun yliopisto), Erikoistutkija (Geologian Tutkimuskeskus) jarkko.okkonen@gtk.fi 5 Vesitalous 1/2026 Pääkirjoitus. Veijo Sutisen ja Kyösti Karttusen (s. Tätä avaa Emma-Riikka Kokon (s. 32) ja Anna Kontu (s. Ella Rantalainen ym. Lumiolosuhteet Suomessa muuttuvat, mutta pitkänä maana muutokset tapahtuvat eri vaiheissa. Lumikauden lyheneminen on todettu pitkäaikaishavainnoista kautta maailman, Suomessa muutokset ovat olleet suurimpia Eteläja Lounais-Suomessa. Vesistövaikutusten lisäksi luminen aika läpi leikkaa suomalaista yhteiskuntaa: kaupunkisuunnittelua, vapaa-ajan viettoa, matkailua, ja suomalaista identiteettiä
Automaattisia lumimittareita vasemmalta oikealle: lumen syvyys, lumen lämpötilaprofiili ja lumivaaka vesiarvon mittaamiseen. 2016). I lmatieteen laitoksen sääasemaverkosto kattaa koko Suomen. Lumiset alueet, kuten esimerkiksi vuoristot, jäätiköt sekä Siperian ja Kanadan pohjoisosat, ovat harvaan asuttuja. Koska lumen tiheys voi vaihdella huomattavasti, vesiarvo kertoo syvyyttä paremmin esimerkiksi hydrologista mallinnusta varten, paljonko vettä lumessa on. 2025) ja Antarktiksella (Riihelä ym. Vaikka automatisaatio on 2000-luvulla edennyt vauhdilla, edelleen käytössä on myös manuaaliset havainnot yli seitsemälläkymmenellä asemalla. Arktinen alue lämpenee huomattavasti nopeammin kuin maapallo keskimäärin (Rantanen ym. 2022), jolloin vaikutukset lumipeitteeseen ja muuhun kryosfääriin ovat erittäin voimakkaat. Ne ovat kuitenkin epäsuoria, ja tulokseen vaikuttavat monet muutkin tekijät kuin lumen määrä. Lumipeite ja lumen kertyminen vaikuttavat esimerkiksi tieja jalankulkusäähän, lumivyöryriskiin, maaston kulkukelpoisuuteen ja energiantuotantoon. Ilmatieteen laitoksen havaintoverkosto seuraa lumesta vain syvyyttä. ANNA KONTU Erikoistutkija, Ilmatieteen laitos anna.kontu@fmi.fi Kuva 1. Manuaalihavainto luetaan kiinteästä lumen syvyystikusta kerran vuorokaudessa. 2021). Ilmatieteen laitoksella Sodankylässä mitataan ja tutkitaan lunta ja kehitetään entistä parempia menetelmiä satelliittimittausten tulkintaan. Yli sadalla sääasemalla mitataan lumen syvyyttä automaattisesti kymmenen minuutin välein. Lumen syvyyden mittaamiseen käytetään ultraäänianturia, joka mittaa etäisyyden anturin ja lumen pinnan välillä (kuva 1 ). Tutkimusta lumesta Säähavaintojen ja -ennusteen lisäksi lunta tutkitaan Ilmatieteen laitoksessa monesta näkökulmasta. Kuva: Ilmatieteen laitos 6 www.vesitalous.fi LUMI. Lumen syvyyttä on kuitenkin helpompi mitata automaattisesti kuin vesiarvoa, joka usein mitataan punnitsemalla. Satelliittimenetelmien hyödyt Vaikka Suomessa on kattavat havaintoverkostot, maailmanlaajuisesti tilanne on toinen. Lumen vesiarvoa (eli lumen sisältämän veden määrä, massa neliömetrillä) seuraa Suomen ympäristökeskus lumilinjamittauksilla (Rantalainen 2025). Ilmaston lämpeneminen, joka näkyy erityisen voimakkaana Arktisella alueella, aiheuttaa merkittäviä muutoksia lumipeitteeseen Arktisella alueella (Räisänen ym. Havaintoverkosto on laajentunut vaiheittain, ja Sodankylän vuodesta 1911 alkava päivittäinen lumen syvyyden havaintosarja on yksi maailman pisimpiä jatkuvia yhtenäisiä aikasarjoja lumen syvyydestä (Leppänen ym. Näillä alueilla havaintoLumitietoa satelliiteista Havaintoverkostojen harvuuden takia paras menetelmä maailmanlaajuisen lumitilanteen seurantaan ovat satelliittimittaukset
Lumen kerrosrakennetta määrittämässä. Tämän lisäksi pintahavainnot ovat aina pistemäisiä, ja niiden edustavuus riippuu alueesta ja mittausaseman sijoittelusta. Näitä mittauksia voidaan käyttää toisaalta varmistamaan satelliittihavaintoja ja toisaalta niiden perusteella voidaan kehittää uusia menetelmiä satelliittihavaintojen tulkitsemiseen. Mikroaaltomittauksia satelliiteista on olemassa jo 1970luvulta lähtien. Miksi edelleen kehitetään uusia menetelmiä. Suomen lumilinjaverkosto on kuitenkin maailmanlaajuisesti hyvin harvinainen, eikä vastaavia ole monesta paikasta saatavilla. Ainoastaan laser-altimetrit mittaavat suoraan lumipeitteen Kuva 2. verkostot ovat harvoja, ja havainnot painottuvat olemassa olevan infrastruktuurin ja asutuksen lähelle. 2025) ja metsän ominaisuudet erityisesti talviolosuhteissa (Holmberg ym. Automaattisilla mittauksilla voidaan seurata lumen syvyyttä, vesiarvoa, lämpötilaa ja albedoa. Ku va : Ilm at ie te en la ito s 7 Vesitalous 1/2026 LUMI. Näiden mittausten perusteella voidaan kehittää sekä fysikaalista lumimallinnusta että satelliittidatan tulkinnassa tarvittavia malleja. Suomen tiheät havaintoverkot auttavat satelliittituotteiden kehittämisessä ja validoinnissa, kun satelliittihavaintoja voidaan verrata suoraan maanpintahavaintoihin. 2025). Satelliittituotteiden kehityksen lisäksi näitä perusmittauksia lumesta voidaan käyttää esimerkiksi lumen mallinnukseen ilmastonmuutosskenaarioissa (Krinner ym. Työ perustuu pitkiin mittausaikasarjoihin lumen ominaisuuksista eri ympäristöissä. Mikroaaltoradiometrejä ja -tutka mittaustornissa. 2018) ja sääennusteiden parantamiseen (Day ym. Monesti lumipeite on maankäytön, tuulen, maastonmuotojen, kasvillisuuden, auringon säteilyn ja muiden tekijöiden takia paksuudeltaan ja rakenteeltaan hyvin vaihtelevaa, jolloin yksittäisillä mittauspisteillä ei saada kattavaa kuvaa lumipeitteestä. Pääongelma on se, että satelliitit eivät suoraan mittaa lumen syvyyttä tai vesiarvoa. Tunnettua kohdetta on helpompi mallintaa, ja mallinnustulokset voidaan varmistaa mittaamalla (kuva 3 ). Menetelmäkehitystä Sodankylän mittauksilla Ilmatieteen laitoksen Arktisessa avaruuskeskuksessa Sodankylässä kehitetään satelliittimittauksia lumen seurantaan. Silti edelleen on tarvetta kehittää entistä parempia menetelmiä. Suomen ympäristökeskuksen lumilinjat vastaa tähän ongelmaan sillä, että samalla alueella on kymmeniä mittauspisteitä eri maastoissa, jolloin saadaan melko kattavasti alueellinen lumitilanne selville. Lumen rakenteen mittaamiseen ei vielä ole kehitetty automaattisia menetelmiä, joten kerrosrakennetta, eri kerrosten ominaisuuksia ja rakenteen kehitystä mitataan manuaalisesti talven mittaan viikoittain. Torneista ja droneista tehtävien kaukokartoitusmittausten kohteena olevan lumen ominaisuudet voidaan mitata tarkasti, toisin kuin varsinaisen satelliittimittauksen. Ku va : Ilm at ie te en la ito s Kuva 3. Lumipeitteen lisäksi tutkimuskohteina Sodankylässä ovat esimerkiksi routaantuminen (Rautiainen ym. 2022) (kuva 2 ). Maailmanlaajuisesti satelliittimittaukset ovat paras keino saada tietoa lumitilanteesta kattavasti päivittäin. Suorien lumihavaintojen lisäksi Sodankylässä mitataan aikasarjoja satelliitti-instrumentteja vastaavilla kaukokartoituslaitteilla, pääasiassa mikroaaltoalueen tutkilla ja radiometreillä sekä optisilla spektroradiometreillä
2024). Toinen hyvä puoli on se, että mittaus on riippumaton pilvisyydestä ja auringonvalosta, jolloin se toimii myös Arktisen alueen talvessa. Patterns and trends of Northern Hemisphere snow mass from 1980 to 2018. ESM-SnowMIP: assessing snow models and quantifying snow-related climate feedbacks. Uusimmat menetelmät perustuvat interferometriseen SAR-tutkaan, jossa kahden peräkkäisen mittauksen vaihe-ero liittyy lumen vesiarvon muutokseen mittauksien välillä (Ruiz ym. Tästä syystä lumen kerrosrakenteen mittaaminen on tärkeää malleja kehitettäessä. The Arctic has warmed nearly four times faster than the globe since 1979. Recent strengthening of snow and ice albedo feedback driven by Antarctic sea-ice loss. Comparing InSAR Snow Water Equivalent Retrieval Using ALOS2 With In Situ Observations and SnowModel Over the Boreal Forest Area. International Journal of Climatology, 45, 8795. Sci. Säteilyn siroamiseen lumessa vaikuttaa lumen määrän lisäksi myös sen kerrosrakenne, esimerkiksi jääkerrokset ja sirottajien eli jääkiteiden koko eri kerroksissa. (2024). (2016). (2025). Laser-altimetrien ongelmana on, että niiden peittoala on hyvin kapea; esimerkiksi ICESat-2 mittaa 17 m leveää aluetta kerrallaan. org/10.1038/s41586-020-2258-0 Räisänen, P., Luomaranta, A., & Jylhä, K. Lisäksi, koska radiometrit mittaavat luonnon omaa, hyvin vaimeaa säteilyä, niiden spatiaalinen resoluutio on kymmenien kilometrien luokkaa. Menetelmien virheitä on onnistuttu uudella tutkimuksella pienentämään, jolloin lumipeitettä ja erityisesti sen muutoksia pystytään paremmin seuraamaan (Pulliainen ym. org/10.5194/gi-5-163-2016 Pulliainen, J., ym. An operational SMOS soil freeze-thaw product. Nature Geoscience 2021 14:11, 14(11), 832–836. (2020). https://doi. Menetelmässä on useita haasteita: Koska se perustuu säteilyn vaimenemiseen, noin metrin paksuisen lumipeitteen jälkeen lumen määrän kasvu ei enää vaikuta mittaukseen. https://doi.org/10.1002/essoar.10502951.1 Holmberg, M., ym. https://doi.org/10.1038/s43247-022-00498-3 Rautiainen, K., ym. IEEE Transactions on Geoscience and Remote Sensing, 63. Mikroaaltoradiometrin mittaus lumen vesiarvosta perustuu siihen, että lumipeite sirottaa osan sen alla olevan maaperän lähettämästä lämpösäteilystä. (2022). Bayesian Time Series Approach and Its Application to Retrieve Ground and Vegetation Variables From L-Band Passive Microwave Remote Sensing. Satelliittitutkilla on huomattavasti parempi spatiaalinen resoluutio kuin radiometreillä. (2018). Sodankylä manual snow survey program. (2025). Geoscientific Model Development, 11, 5027–5049. Pohjoisen pallonpuoliskon lumipeitteen määrän selvittämiseen on olemassa useita menetelmiä, jotka perustuvat mallinnukseen, meteorologisten mittausten analysointiin ja erilaisiin satelliittimittauksiin. Koko maapallon kattaminen on siten näillä instrumenteilla erittäin hidasta. https://doi.org/10.5194/essd-17-5337-2025 Riihelä, A., Bright, R. https://doi.org/10.1109/TGRS.2024.3439855 8 www.vesitalous.fi LUMI. Geoscientific Instrumentation, Methods and Data Systems, 5, 163–179. Esimerkiksi tätä tutkimustyötä Sodankylässä tehdään. Lähdeluettelo Day, J., ym. 2020). Luotettavia operatiiviseen käyttöön soveltuvia menetelmiä lumimäärän selvittämiseen tutkasignaalista ei kuitenkaan vielä ole kehitetty. https://doi.org/10.5194/gmd-11-5027-2018 Leppänen, L., ym. https://urn. Se ei ole riittävän tarkkaa esimerkiksi hydrologiseen mallinnukseen tai vuoristoissa, joissa topografia vaihtelen paljon pienemmässä mittakaavassa. Future Snow Scenarios for Northern Europe Based on Coupled Model Intercomparison Project Phase 6 Data. https://doi.org/10.1109/TGRS.2025.3585275 Krinner, G., ym. Measuring the impact of a new snow model using surface energy budget process relationships. Communications Earth and Environment, 3(1). https://doi.org/10.1038/s41561-021-00841-x Ruiz, J. Data, 17, 5337–5353. Toisaalta yhdellä satelliittilaitteella voidaan kattaa lähes koko maapallo päivittäin. Earth Syst. https://doi. (2022). fi/URN:NBN:fi:aalto-202508186240 Rantanen, M., ym. J., ym. M., & Anttila, K. org/10.1002/joc.8795 Rantalainen, E. (2025). IEEE Transactions on Geoscience and Remote Sensing, 62. Yksinkertaistettuna lumen määrää voidaan selvittää käyttämällä kahta taajuutta, joista toinen läpäisee lumen ja toinen reagoi lumipeitteeseen. (2025). (2021). Snow water equivalent variability in Finland based on snow course monitoring data [Aalto University]. https://doi. Nature, 581(7808), 294–298. paksuutta (erotuksena satelliitin ja pinnan etäisyydessä verrattuna lumettoman ajan mittaukseen)
Tässä tutkimuksessa hyödynnettiin laserkeilaus ja dronepohjaista mittausta yhdessä koneoppimiseen perustuvan mallin kanssa, jonka avulla alueellista lumen syvyyttä ja vesiarvoa voidaan mallintaa talven jokaiselle päivälle. Myös katoille kertyvä lumi ja teiden auraus puhututtavat joka talvi. Linja on 2–4 km pitkä reitti, jonka varrelta mitataan lumensyvyys ja tiheys alueen erilaisissa maastotyypeissä. Talven aikana satava lumipeite vaikuttaa suoraan alueen vesistöjen ja pohjavesien vesitasapainoon, minkä lisäksi se vaikuttaa eliöihin ja maaperän prosesseihin, kuten routaan. MAIJU YLÖNEN FM, väitöskirjatutkija Oulun yliopisto maiju.ylonen@oulu.fi Kuva 1. Alueellinen lumen vesiarvo mitataan lumilinjamittauksella, joita on Suomessa tällä hetkellä noin 140 kappaletta ja niistä vastaa Suomen ympäristökeskus (SYKE). Vesiarvoa mitataan punnitsemalla lumipakan paino ja syvyys. Dronepohjainen lumimittaus parantaa lumilinjojen kattavuutta ja lumimallinnusta Avainsanat: dronet, LiDAR, lumilinjamittaus, lumen vesiarvo, tutkimus Lumen vesiarvon mittaus on tärkeä osa alueellista vesienhallintaa. Vesiarvo lasketaan näiden mittausten yhteydessä manuaalisesti punnitsemalla lumipakka ja sen korkeus sylinterin muotoisella tuubilla (kuva 1 ). Vesiarvoa mitataan osana perinteisiä manuaalisia lumilinjamittauksia, mutta niiden kattavuus ei kuitenkaan aina riitä kaikkien käyttäjien tarpeisiin. Vesiarvo riippuu lumen tiheydestä. Erityisesti lumen vesiarvo, eli kuinka paljon vettä lumesta muodostuu sen sulaessa, on tärkeä tieto esimerkiksi tulvariskien hallinnassa ja vesivoiman tuotannossa. Kuvassa esimerkki käytettävästä tuubista. L umi on tärkeä osa pohjoisten valumaalueiden hydrologiaa. 9 Vesitalous 1/2026 LUMI. Vesiarvoa hyödynnetään laajasti muun muassa vesivoimaloiden ja hydrologisten mallien aineistona arviona siitä, kuinka paljon vettä on odotettavissa valuma-alueelta vesistöön ja millä aikavälillä kyseinen vesimäärä siitä vapautuu. Lumi on haastava mitattava, sillä se ei ole tasalaatuista Kuinka tätä lumen vesiarvoa voidaan arvioida. Tavallisille kansalaisille sulava lumi näyttäytyy suoraan tulvivina jokina, peltoina sekä pehmenneinä sorateinä
Lumimalleja on lukuisia, jokaisella on oma käyttötarkoituksensa ja ne perustuvat tyypillisesti lumen fysikaalisten ominaisuuksien laskemiseen. Vesiarvon laskeminen vaatii siis hieman enemmän vaivannäköä, kuin pelkästään lumensyvyyden mittaaminen. Tutkimuksessa käytetyt lumensyvyyskartat tuotettiin Itä-Suomen yliopiston Historian ja maantieteen laitoksen DJI 300 Matrice-dronella ja siihen kiinnitetyllä YellowScan Mapper +-laserkeilaimella, jonka avulla pystytään mittaamaan tarkalla resoluutiolla ja matalalla lentokorkeudella (kuva 2 ). Näiden karttojen perusteella malli laskee jokaiselle pikselille lumen vesiarvon. Miten siis voidaan arvioida valuma-alueille lumen vesiarvo, jos käytettävissä on ainoastaan pistemäisiä mittauslaitteita tai kuukausittaisiin mittauksiin perustuvia havaintoja. Esimerkiksi kasvillisuus ja maanpinnan muodot vaikuttavat siihen, minne, miten ja millaista lunta kertyy. Vaikka vuotuiset lumiolosuhteet riippuvat pääosin säästä, lumen alueellinen vaihtelu on osin myös toistuvaa; lumi viipyy keväällä pisimpään samoissa paikoissa ja sulaa ensimmäisenä toisilta (Sturm ja Wagner (2010); Currier ym., 2022; Geissler, Rathmann ja Weiler, 2023). Osaa malleista hyödynnetään esimerkiksi lumen ominaisuuksien tai energiabudjetin arvioinnissa, kun taas osalla mallinnetaan lumen alueellista määrää tai sen sisältämää vettä. Lumi on materiaalina hyvin vaihtelevaa, ja yksittäisissä pisteissä tehdyt mittaukset eivät tyypillisesti kuvaa lumipeitteen ominaisuuksia laajemmin. Kameran sijaan kuvaus tehtiin hyödyntäen LiDAR-teknologiaa (“light detection and ranging”), eli laserpulsseihin perustuvaa etäisyysmittausta, joka ei ole riippuvainen päivänvalosta ja läpäisee jonkin verran myös puuston latvustoa metsäisillä alueilla. Manuaalisten lumilinjamittausten lisäksi vesiarvoa voidaan mitata myös lumivaa’an tai -patjan avulla, tai lumen dielektristen ominaisuuksien perusteella. Se on kuitenkin useimmiten se ominaisuus, joka kiinnostaa veden kanssa työskenteleviä. Tämänhetkisten satelliittien ajallinen tai alueellinen kattavuus eivät myöskään toistaiseksi riitä täyttämään kaikkia tarpeita valuma-aluetasolla, sillä lumipeite voi muuttua erityisesti keväällä sulannan aikaan hyvin nopeasti, eivätkä satelliittiaineistoista saatavat tiedot tarjoa tarpeeksi kattavaa kuvaa lumen ominaisuuksista. Kuva 2. Tätä LiDAR-drone yhdistelmää hyödyntäen laskettiin lumensyvyyskartat sekä Pallaksen että Sodankylän lumilinjoilla tammikuussa, maaliskuussa, huhtikuussa ja toukokuussa 2024. Tätä aluekohtaista ominaisuutta voidaan hyödyntää myös mallinnuksessa. Päivittäisistä lumensyvyyksistä sekä dronella tehdyistä kartoituksista mallinnettiin koko tutkimusalueelle päivittäiset lumensyvyyskartat, eli yhteensä yli 230 karttaa lokakuusta toukokuuhun. Drone ja siihen kiinnitetty laserkeilain Pallaksella keväällä 2024. Kasvillisuus myös vaikeuttaa lumen mittaamista ilmasta käsin esimerkiksi satelliittien tai dronejen avulla, sillä se peittää lumen pinnan monista ilmasta mittaavista sensoreista. 10 www.vesitalous.fi LUMI. Vesiarvo ilmoitetaan millimetreinä ja siitä saadaan myös lumikuorma (kg/m²), eli kuinka paljon lumi painaa. Malli luokittelee lumipeitteen nimensä mukaisesti erilaisiksi klustereiksi, eli ryhmiin, joissa lumensyvyyden vaihtelu on samankaltaista läpi talven. Malli perustuu lumensyvyyskarttoihin alueelta. Niitä tarvitaan talven eri vaiheista vähintään yhden, mahdollisuuksien mukaan useamman talven ajalta. Oulun yliopiston tekemässä tutkimuksessa Sodankylässä ja Pallaksella käytettiin alun perin alppiolosuhteisiin kehitettyä ClustSnow-nimistä lumimallia (Geissler, Rathmann ja Weiler, 2023; Geissler, 2025), joka perustuu lumen toistuviin alueellisiin samankaltaisuuksiin. Näiden lumensyvyyskarttojen lisäksi ClustSnow-malli tarvitsee tiedon päivittäisistä lumensyvyyksistä mahdollisimman monelta sensorilta mitattuna. Koska useiden sensorien asentaminen kaukaisille tutkimusalueille ei ole realistista, tutkimuksessa käytettiin SYKE:n tuottamia lumilinjamittauksia mallin lumensyvyysarviona interpoloimalla mittausten väliset aikajaksot perustuen saatavilla oleviin sensorimittauksiin. Tämä johtuu tyypillisesti sään ja tuulen lisäksi alueen pinnanmuodoista ja kasvillisuudesta (Currier ja Lundquist, 2018; Mazzotti ym., 2019, 2023). Näin ollen jokaiselle päivälle saatiin arvioitua lumensyvyys myös silloin, kun manuaalisia lumilinjamittauksia ei suoritettu. Lumitilanteen arvioinnissa auttavat mallit Lumimallit auttavat tutkijoita ja sidosryhmiä tekemään arvioita lumen ominaisuuksista myös mitattujen kohteiden ja ajanjaksojen ulkopuolelle. Tästä aineistosta malli luokittelee alueet, joilla lumensyvyyden vaihtelu on samankaltaisempaa, kuin muilla alueilla. Optimitilanteessa lumensyvyyskarttoja olisi saatavilla talven kaikista vaiheista, aina kertymisestä maksimiin ja lopulta sulantaan
Valoisten tuntien määrä talviaikaan pohjoisessa on kuitenkin rajallinen ja tiheät havumetsät voivat estää näkyvyyden lumen pinnalle lähes täysin. Aikaisemmat tutkimukset ovat osoittaneet, että fotogrammetriaan perustuvien ilmakuvien käyttö lumen pinnan mittauksessa on mahdollista, mutta sen tarkkuus riippuu etenkin valaistusolosuhteista ja kasvillisuudesta. Laite on kuitenkin tyypillistä fotogrammetriaan käytettävää kameraa kalliimpi ja sen aineisto vaatii enemmän käsittelyä, joten alueen ja tarpeen mukaan myös fotogrammetria voi tuottaa laadultaan tarpeeksi hyviä pintamalleja. Lumi on syvintä metsäisillä alueilla Malli luokittelee lumipeitteen erilaisiin ryhmiin, klustereihin, joilla lumipeite käyttäytyy samankaltaisesti (kuva 3 ). Dronesta käsin tuotetut lumensyvyyskartat kuvaavat kuitenkin valuma-alueen lumensyvyyden vaihteluja huomattavasti yksittäisiä sensoreita tarkemmin, mikä parantaa kokonaiskuvaa lumen ominaisuuksien alueellisista vaihteluista. Malli toimi molemmilla tutkimusalueilla melkein yhtä hyvin, kuin fysikaalisetkin mallit, jotka tyypillisesti ovat rakenteeltaan monimutkaisempia ja vaativat enemmän kalibroituja parametrejä. Kuva 3. Tutkimuksessa käytettiin kolmea klusteria, joiden keskinäiset erot liittyivät niiden kasvillisuuteen. Toinen klusteri sijaitsee metsän ja avoimen maaston välivaiheilla, tyypillisesti avointen alueiden reunamilla tai aukoissa metsässä, ja näillä alueilla myös lumensyvyys ja vesiarvo jäävät hieman metsäistä klusteria alhaisemmiksi. LiDAR-sensori on osoittautunut tarkemmaksi näissä olosuhteissa. Vesiarvojen ennusteet vastasivat parhaiten manuaalisesti mitattuja vesiarvoja alkutalvesta, jolloin lumipeite on yleisesti tasalaatuisempaa, ja virheet kasvavat suuremmiksi sulannan aikana, kun lumen alueelliset erot kasvavat. Matalimmat lumensyvyydet ja vesiarvot löytyvät puuttomilta, avoimilta alueilta, joita aurinko pääsee lämmittämään ilman varjoja ja sulattaa maan ensimmäisenä keväällä. Ensimmäinen klusteri sijaitsee tyypillisesti metsäisillä alueilla, jossa lumensyvyys ja vesiarvo on suurinta. Vaikka malli on luotu yhden talven aineistojen perusteella, sen avulla voidaan arvioida sekä lumensyvyyttä että vesiarvoa myös muina vuosina. Yksi tutkimuksen tavoitteista oli myös tarkastella LiDARdrone-menetelmän soveltuvuutta lumen pinnan kartoituksessa. Lumi kertyy näille alueille ja sulaa tyypillisesti hitaammin kuin muissa klustereissa. Vasemmalla mallin luokittelemat kolme klusteria ja oikealla kasvillisuustyypit ja puuston korkeus. Pallaksen lumilinjan tutkimusalueen kartat. 11 Vesitalous 1/2026 LUMI. Talvena 2023–2024 kalibroitua mallia testattiin Pallaksella myös aikaisempien vuosien 2022 ja 2023 lumilinjamittausten vesiarvoilla, ja malli onnistui ajoittamaan sulannan ajankohdan totuudenmukaisesti ja vesiarvot olivat manuaalisten mittausten rajoissa
6198–6216. Se on kuitenkin haastavaa, sillä lumen ominaisuudet vaihtelevat alueellisesti paljon, eivätkä pistemäiset mittaukset kerro koko totuutta valuma-alueen lumen ominaisuuksista. Mikäli lumilinjalta on saatavilla eri ajankohtina kerättyjä lumensyvyyskarttoja, sekä vähintään yksi päivittäisiä mittauksia tekevä lumensyvyyssensori, malli tarjoaa uuden työkalun ennustaa alueellisia lumensyvyyksiä ja vesiarvoa läpi talven. Geissler, J., Rathmann, L. heinäkuuta 2025). & Ala-Aho, P. Saatavissa: https://doi.org/10.5194/hess-27-2099-2023 12 www.vesitalous.fi LUMI. Tässä tutkimuksessa käytettyä ClustSnow-mallia (Geissler, 2025) testattiin nyt ensimmäistä kertaa boreaalisella vyöhykkeellä ja kansallisten lumilinjamittausten yhteydessä. 2099–2121. org/10.1029/2018WR022553 Geissler, J. Työ tukee näin ollen SYKE:n ja ELY-keskusten tekemää kevään lumen sulannan ja tulvahuippujen seurantaa ja ennusteita, minkä lisäksi myös muut vesialan sektorin toimijat voivat hyödyntää tietoja alueellisesta vesiarvosta. 8756–8773. ym. ja Lundquist, J.D. ym. (2018) ”Snow Depth Variability at the Forest Edge in Multiple Climates in the Western United States”, Water Resources Research, 54(11), ss. Saatavissa: https://doi.org/10.1002/hyp.14614 Currier, W.R. Wagner (2010), Using repeated patterns in snow distribution modeling: An Arctic example, Water Resources Research, 46, W12549. Lumen seuranta on tärkeä osa hydrologista seurantaa alueilla, joilla lunta esiintyy. UAV LiDAR surveys and machine learning improve snow depth and water equivalent estimates in boreal landscapes. (2025). Saatavissa: https://doi. (2025) ”ClustSnow”. (2023) ”Combining Daily Sensor Observations and Spatial LiDAR Data for Mapping Snow Water Equivalent in a Sub-Alpine Forest”, Water Resources Research, 59(9), s. Tämän tutkimuksen perusteella yhdenkin talven aikana kerättyjä lumensyvyyskarttoja voidaan soveltaa erilaisien talvien ennusteisiin, mikä johtuu lumen alueellisen kertymisen samankaltaisuudesta vuosien välillä. ja Weiler, M. https://doi. (2019) ”Revisiting Snow Cover Variability and Canopy Structure Within Forest Stands: Insights From Airborne Lidar Data”, Water Resources Research, 55(7), ss. org/https://doi.org/10.1029/2019WR024898 Mazzotti, G. ym. Tutkimuksen tarkoituksena oli tuottaa päivittäisiä karttoja lumensyvyydestä ja vesiarvosta valumaaluetasolla sekä testata sen mahdollisuuksia parantaa operatiivisten lumilinjamittausten ajallista ja alueellista kattavuutta. Saatavissa: https://doi. Saatavissa: https:// doi.org/10.1029/2010WR009434 Mazzotti, G. Saatavissa: https:// github.com/jgenvironment/ClustSnow# (Viitattu: 22. org/10.1029/2023WR034460 Sturm, M., ja A. Käytettyä mallia voidaan käyttää eri tarkoituksiin Ilmastonmuutos muuttaa pohjoisten alueiden lumiolosuhteita ja lisää tarvetta tarkoille ja ajantasaisille lumen seurantamenetelmille. Tämä kirjoitus pohjautuu julkaisuun: Ylönen, M., Marttila, H., Geissler, J., Kuzmin, A., Korpelainen, P., Kumpula, T. The Cryosphere, 19, 4585–4610. M. e2023WR034460. (2022) ”The impact of forest-controlled snow variability on late-season streamflow varies by climatic region and forest structure”, Hydrological Processes, 36(6). (2023) ”Canopy structure, topography, and weather are equally important drivers of small-scale snow cover dynamics in sub-alpine forests”, Hydrology and Earth System Sciences, 27(11), ss. Saatavissa: https://doi.org/https://doi. org/10.5194/tc-19-4585-2025 Lähteet Currier, W.R
Roudan muodostuminen on toisaalta riippuvaista myös maaperän tyypistä ja maahan imeytyneen veden määrästä. Ilmastonmuutoksella voi olla yllättäviä vaikutuksia lumeen ja sen takia lumen tutkiminen on tärkeää. Koska lumen sulamisvedet täydentävät pohjavesivaroja, niin lumen määrän ja lumessa olevan vesimäärän arviointi on ensisijaisen tärkeää. Pohjavesivaroja hyödynnetään ihmisten käyttövetenä, mutta pohjavesivaroja tulisi käyttää vastuullisesti ja ottomäärät eivät saisi ylittää pohjaveden muodostumismäärää. Lumi toimii eristeenä ja siten sillä on suora vaikutus talvisaikaan mm. Keväisin lumien sulamisvedet nostavat vedenpintaa ja osa vedestä suotautuu maaperään muodostaen pohjavettä. Lumikerroksen paksuudella on suora vaikutus talvisten harrastusten lisäksi keväisiin tulviin ja mm. maaperän lämpötilaan sekä roudan paksuuteen. EMMA-RIIKKA KOKKO DI sovellettu geofysiikka Väitöskirjatutkija, Kaivannais ala, Oulun Yliopisto emmariikka.kokko@oulu.fi 13 Vesitalous 1/2026 LUMI. Luminen talvimaisema Suomessa. Lumen määrä talvella Suomen talveen liittyy vahvasti lumi. Talviset lumiolosuhteet ovat erilaiset eri puolilla Suomea: Sisämaassa Itä ja PohjoisSuomessa lunta on yleensä huomattavasti enemmän kuin Länsi ja EteläSuomessa lähempänä rannikkoa, missä lumikerros on usein ohuempi. L umikerroksen tiheys ja lumesta muodostuvan sulamisveden määrä vaikuttavat lumen alla olevan maaperän olosuhteisiin. pohjaveden muodostumiseen
and Torres-Rojas, L. a) 2016 ja b) 2023 Suomessa. Lumen vesiarvo kertoo, kuinka paljon täysin sulanut lumikerros muodostaisi vettä maanpinnalle millimetreinä. and Okkonen, J. Tässä artikkelissa esitetään HydroBlocks-mallin tuloksia Suomelle lumen vesiarvon suuruudesta ja vuosille 2000-2023 mallinnettuja lumen vesiarvoja vertaillaan mitattuihin arvoihin SYKEn havaintoasemilla Sodankylässä, Vaalassa, Kalajoella, Kontiolahdella, Konnevedellä ja Turussa (kuvat 1 ja 2 ). Lumen vesiarvon mallinnus Lumen vesiarvoa on mahdollista mallintaa meteorologisten muuttujien, kuten sadannan ja ilmanlämpötilan avulla, jotka ovat ensisijaiset parametrit, jotka vaikuttavat lumen määrään maanpinnalla. Lisäksi edistyneemmissä malleissa voidaan huomioida esimerkiksi kasvillisuuden vaihtelut, urbaanit alueet ja lumikerrosten sisäiset ominaisuudet. Koska havaintoja on tehty asemilla vain noin kaksi kertaa kuukaudessa, lumen maksimi vesiarvoja mitattujen ja mallinnettujen välillä on vaikea vertailla koska mittaukset eivät välttämättä ole tehty absoluuttisen maksimin aikaan. HydroBlocks on maanpinnan ja maaperän olosuhteita simuloiva korkearesoluutioinen malli, jonka ovat kehittäneet Duken ja Princetonin yliopistojen tutkijat Yhdysvalloissa. HydroBlocksista saatuja tuloksia voidaan hyödyntää edelleen jatkotutkimuksissa kuten maaperän vesipitoisuuden, jäätymisen ja pohjaveden muodostumisen arviointiin. Lumen vesiarvo lasketaan yleensä paikallisesti tai hyvin matalalla resoluutiolla valuma-aluekohtaisesti. Lumen vesiarvo lumen määrän mittarina Talvisaikaan maahan sataneen lumen määrää tarkastellaan usein lumikerroksen paksuuden sijaan lumen vesiarvon kautta. Lumen vesiarvon mittaukset Suomen ympäristökeskus suorittaa talven aikana lumen vesiarvomittauksia ympäri Suomea tavallisesti kerran tai kaksi kertaa kuukaudessa. Mallinnetut lumen vesiarvot vastaavat hyvin mitattuja vesiarvoja lumen kertymisen aikana. Vaikkakin lumen paksuus on arkikielessä kuvaavampi sana, lumen vesiarvo on tutkimuksissa vertailukelpoisempi sen takia, että kaksi saman paksuista lumikerrosta voivat sisältää aivan eri määrän vettä. Nämä ovat yksittäisten pisteiden tai pienten mittausalueiden havaintoja. Malli onnistuu simuloimaan lumen vesiarvon alueellista jakautumista; lumen vesiarvot ovat pienempiä Turussa Etelä-Suomessa kuin Sodankylässä Pohjois-Suomessa. (2025) Modelling of temporal and spatial trends in soil condiKuva 1. Koska mittausverkosto ei pysty kattamaan alueellisesti jokaista Suomen maanpinnan pistetä, turvaudutaan lumen vesimäärän arvioinnissa mallinnustyökaluihin, jota käytetään yhdessä havaintotietokannan kanssa. lumen paksuutta ja lumen vesiarvoa, pintaja pohjavaluntaa, infiltraatiota (maahan imeytyvän veden määrä), maanlämpötilaa ja kosteutta (vesija jääpitoisuus) usealla syvyydellä. ipcc.ch/report/ar6/syr/downloads/report/IPCC_AR6_ SYR_LongerReport.pdf Kokko, E.-R. W., Torres-Rojas, L., Vergopolan, N., and Fisher, C. Malli simuloi mm. Tulosten (kuvat 1 ja 2) pohjalta nähdään, että mallinnetut lumen vesiarvot mukailevat hyvin havaittuja arvoja. 14 www.vesitalous.fi LUMI. (2021) HydroBlocks v0.2: Enabling a fieldscale two-way coupling between the land surface and river networks in Earth system models, Geoscientific Model Development, 14, 6813–6832, https://doi.org/10.5194/ gmd-14-6813-2021 Ilmatieteen laitos, Lumitilastot (vierailtu sivustolla kesäkuussa 2023), https://en.ilmatieteenlaitos.fi/snow-statistics IPCC: Sixth Assessment Report (2023), https://www. Mallinnetut maksimi vesiarvot (yhden tunnin aika-askel) ovat suuntaa antavia ja ne tulisi todentaa jatkuvatoimisilla mittauksilla. Kirjallisuus Chaney, N. Tässä artikkelissa esitetään simulaatiotuloksia korkeanresoluution omaavasta mallista nimeltä HydroBlocks, jonka alueellinen tarkkuus on 90 × 90 metriä ja aikaresoluution 1 tunti lumen vesiarvion arviontiin. K. and Chaney, N. HydroBlocksilla mallinnettu lumen vesiarvo (SWE) [mm] 6.1. and Guyumus, D. Kuvitellaan uutta vasta satanutta pakkaslunta, se on yleensä todella höttöistä ja ilmavaa, kun taas vanha, suojasään koettelema lumi on paljon tiiviimpää ja pidättää sisäänsä kokonaisuudessaan enemmän vettä. and Bacelar, L. Havainnot ovat saatavillaan SYKE:en avoimesta tietopalvelusta Hertasta. Kartalle on merkattu myös kuusi SYKE:en havaintoasemaa
Aikasarjassa skaalattu Sodankylän asemalle maksimi 400 mm ja muille asemille 300 mm. tions in Finland using HydroBlocks model, EGUsphere, 1-26, https://egusphere.copernicus.org/preprints/2025/ egusphere-2025-4024/ Suomen ympäristökeskus, Hydrologiset havainnot (vierailtu sivustolla kesäkuussa 2022), https://ckan.ymparisto.fi/dataset/%7B54BE2675-97A3-4258-A62583E198ED0FFA%7D Suomen ympäristökeskus, Lumen vesiarvohavainnot, (ladattu sivustolta kesäkuussa 2024), https://wwwp2. HydroBlocks malleista saadut aikasarjat lumen vesiarvoista (SWE) [mm] kuuden havaintoaseman kohdalla (käyrät) sekä SYKE:en havaintoasemilla mitatut arvot (värikkäät pisteet). ymparisto.fi/scripts/hearts/welcome.asp Kuva 2. Maveplan Oy 1/3 15 Vesitalous 1/2026 LUMI
Lumen vesiarvoa on mitattu Suomessa vuosikymmeniä, usein käsin, muutamia kertoja kuukaudessa. mat.) Oulun Yliopisto miika.malin@oulu.fi Kirjoittaja toimii väitöskirjatutkijana Biomimetiikka ja älykkäät järjestelmät tutkimusyksikössä Tieto ja sähkötekniikan tiedekunnassa. P ohjoisilla alueilla vesi varastoituu talven aikana lumeen. MIIKA MALIN FM (sov. Tekoäly lumen vesiarvon jäljillä Lumi on pohjoisen vesivarasto, ja sen arvaamattomuus haastaa mallintajat. Mittaukset ovat arvokkaita, mutta niiden ajallinen ja paikallinen kattavuus on rajallinen. Yksi luku on tässä ratkaiseva – lumen vesiarvo, eli kuinka paljon vettä on sitoutuneena lumipeitteeseen tietyllä alueella. Tässä tutkimuksessa (Malin ym. 16 www.vesitalous.fi LUMI. RNN-verkko pystyy muistamaan aiempia havaintoja ja oppimaan muuttujien välisiä yhteyksiä, jolloin se hahmottaa ilmiöiden kehitystä ajassa. Paikkojen välinen ero on suuri, noin 500 kilometriä toisiinsa ja kattaa koko Suomen talvisen ilmastokirjon epävakaista etelän talvista koko talven pysyviin pohjoisiin lumipeitteisiin. Osana Oulun yliopiston ADAPTINFAprojektia kehitettiin neuroverkkopohjainen malli, joka oppii ennustamaan lumen vesiarvoa suoraan sää ja lumihavainnoista. Kaikilta asemilta oli pitkä aikasarja lämpötilasta, sademäärästä ja lumen vesiarvo mittauksista. Tekoäly avaa uusia mahdollisuuksia Viime vuosina vesitiede on ottanut isoja harppauksia datalähtöisten menetelmien suuntaan. Siksi luotettava ennustemalli on käytännössä ainoa keino saada jatkuva kuva lumivarastoista. Kokemusten perusteella ensimmäiset pilotit ovat usein nopeita toteuttaa, mutta tuovat merkittävää parannusta ennustetarkkuuteen. Niiden etuna on yksinkertaisuus ja selkeä fysikaalinen tulkinta. Koneoppimisen ja neuroverkkojen käyttöönotto ei tarkoita vanhojen mallien hylkäämistä, vaan niiden rinnalle tuomista. Tällaiset menetelmät on suunniteltu erityisesti aikasarjojen mallinnukseen, ja niitä on käytetty laajalti monilla tieteenaloilla. Yritysten, viranomaisten ja tutkimuslaitosten kannattaa tarkistaa oma mallikataloginsa: voisiko joitakin sovelluksia päivittää neuroverkkopohjaisiksi tai kokeilla koneoppimista rinnakkaisena menetelmänä. Tämä varasto vapautuu keväällä nopeasti, mikä määrittää monien vesitalousprosessien aikataulun: pohjavesien täyttyminen, tulvahuiput, ravinteiden huuhtoutuminen ja jopa vesivoiman tuotanto. Tässä on olennainen ero: kyse ei ole pelkästä tämän hetken tilan mallinnuksesta, vaan todellisesta ennustamisesta – siitä, mitä tapahtuu lähiviikkoina. Perinteiset fysikaaliset ja tilastolliset mallit ovat palvelleet hyvin. Ideana ei ole hylätä fysiikkaa, vaan täydentää sitä: antaa mallin oppia itse datasta ne säännönmukaisuudet, joita on vaikea ilmaista kaavoilla. Mutta kun sääolot ja ilmasto muuttuvat, näiden mallien rajoitukset käyvät ilmeisiksi: parametrit eivät pysy samoina vuodesta toiseen, ja mallin virheet voivat kasvaa juuri silloin, kun tarkkoja ennusteita tarvittaisiin eniten poikkeuksellisina talvina. Tulokset osoittavat, että tekoäly voi tuoda tarkkuutta ja yleistyvyyttä lumen vesiarvon ennusteisiin. Väitöskirjan aiheena data ja resurssitehokkaat koneoppimismenetelmät spatiotemporaalisiin ongelmiin. 2025) otettiin tarkasteluun takaisinkytketyt neuroverkot (Recurrent Neural Network, RNN) -tyyppiset mallit, jotka on suunniteltu aikaperusteisten ilmiöiden, kuten lumen vesiarvon käsittelyyn. Koneoppiminen, ja erityisesti neuroverkot, ovat alkaneet haastaa perinteisiä hydrologisia malleja. Tutkimus Suomen oloissa Tutkimus toteutettiin aineistolla kolmesta hyvin erilaisesta mittausalueelta: Lohjalla Etelä-Suomen leudolla vyöhykkeellä, Vaalassa Oulujärven seudun vaihtelevissa olosuhteissa ja Inarissa pohjoisen Lapin kylmässä ilmastossa. Havaintoja täydennettiin ja yhtenäistettiin, ja neuroverkkopohjaiset mallit opetettiin tuottamaan ennuste kahden viikon päähän lumen vesiarvolle. Lumen vesiarvon ennustaminen on yksi uusista ja vaativista sovellusalueista, joihin näitä menetelmiä on viime vuosina alettu yhä useammin käyttää
Tämä on keskeinen vahvuus datalähtöisissä menetelmissä – ne oppivat ilmiön rakenteen, eivät vain toista aiempia havaintoja. Vuodenpäivälle tehtiin time2vec-muunnos, joka auttaa mallia tunnistamaan vuodenaikojen rytmin ja toistuvat kausivaihtelut. Kummankin mallin tarkkuus oli korkea: Nash–Sutcliffe -tehokkuuskerroin (NSE) oli keskimäärin 0.91–0.95, mikä on erittäin hyvä arvo hydrologisissa sovelluksissa. Lisäksi osa testeistä tehtiin paikoissa, joissa mallia ei ollut lainkaan koulutettu. Kuva 1. Mallien lähdekoodi ja esimerkkiaineistot on julkaistu avoimesti GitHubissa (https://github.com/miikamal/swe-rnn), mikä helpottaa käyttöönottoa myös muissa organisaatioissa. Tulokset olivat selkeitä: GRU-malli saavutti yhtä hyvän tai paremman ennustetarkkuuden kuin LSTM, mutta vähemmillä laskentaresursseilla. Malli saa syötteenä lämpötilan, sademäärän, lumen vesiarvon sekä vuodenaikatiedon ja käsittelee niitä tehokkaan takaisinkytketyn GRU kerroksen kautta. GRU-arkkitehtuuri Tutkimuksessa vertailtiin kahta takaisinkytkettyä neuroverkkorakennetta: Long Short-Term Memory (LSTM) ja Gated Recurrent Unit (GRU). Tämä tarkoittaa käytännössä, että mallia voidaan ajaa tavallisella tietokoneella, ilman suurta laskentaklusteria tai pilvipalvelua lisäkustannuksineen. Näin voitiin arvioida, miten hyvin malli yleistää opittua tietoa uusiin, ilmastoltaan erilaisiin olosuhteisiin. Mallissa käytettiin myös maskausta, jonka avulla verkko pystyy käsittelemään eri aikavälein mitattuja havaintoja – esimerkiksi päivittäisiä säätietoja ja vain kahden viikon välein tehtyjä lumen vesiarvon mittauksia. Tulokset osoittivat, että neuroverkkopohjainen lähestymistapa ei ainoastaan toiminut tutuissa oloissa, vaan ennusti lumen vesiarvon kehitystä luotettavasti myös täysin uusilla paikoilla. Mallien luotettavuus testattiin huolellisesti käyttämällä erillistä, mallin koulutuksessa näkemätöntä aineistoa. 17 Vesitalous 1/2026 LUMI. Neuroverkon arkkitehtuuri. • Monipuolisempi malli , joka hyödyntää useamman aseman dataa ja ennustaa SWE:tä koko Suomen mittakaavassa. Molemmat on suunniteltu käsittelemään aikasarjoja, mutta GRU on kevyempi ja näin laskennallisesti tehokkaampi. Tutkimuksessa kehitettiin kaksi neuroverkkoarkkitehtuuria: • Kevyt GRU-malli , joka sisältää vain muutamia satoja parametreja, ja tuottaa hyviä ennusteita nopeasti. Tämä tarkoittaa, että ennusteet eivät perustuneet pelkästään opittuihin havaintoihin, vaan ne verifioitiin irrallisella testidatalla, jota malli ei ollut aiemmin kohdannut. Monipuolisemman mallin arkkitehtuuri on esitelty Kuvassa 1 . Verkko oppii, miten säätekijät vaikuttavat lumen vesiarvon kehitykseen ajassa, ja tuottaa ennusteen seuraavalle ajanjaksolle
Tämä tarkoittaa, että sama malli voidaan soveltaa laajalle vain syöttämällä paikalliset havainnot. Ne eivät siis nojaa monimutkaisiin johdettuihin aineistoihin, vaan hyödyntävät samoja havaintoja, joita vesialan toimijat käyttävät muutenkin. Neuroverkon ennusteet (sininen) verrattuna havaittuun lumen vesiarvoon (vihreä) kolmella tutkimusalueella. Tässä tutkimuksessa mallit pidettiin tarkoituksella mahdollisimman yksinkertaisina ja selkeinä. • Kevyempi laskenta : Mallin kouluttaminen ja ajaminen onnistuu ilman raskasta infrastruktuuria. Tämä on vahva osoitus mallin luotettavuudesta. • Yleistettävyys : GRU-malli toimi hyvin eri ilmastoalueilla ilman asematai vuosikohtaista kalibrointia. Tämä tekee siitä realistisen vaihtoehdon myös alueellisille toimijoille, kuten ELY-keskuksille, kunnille tai pienemmille yrityksille. Ennusteet voidaan yhdistää suoraan esimerkiksi hydrologisiin varoitusjärjestelmiin. Lisäksi mallit käyttävät vain hyvin tunnettuja muuttujia: lämpötila, sademäärä ja aiempia lumen vesiarvon mittauksia. Mallit eivät sisällä kymmeniä kerroksia tai miljoonia parametreja. • Parempi reagointikyky : Malli pystyy huomioimaan nopeasti muuttuvat säätilat, esimerkiksi lämpöaaltojen aiheuttaman äkillisen lumen sulamisen, ja tuottamaan päivitetyn ennusteen ilman manuaalista kalibrointia. Mitä nämä tulokset merkitsevät käytännössä. 18 www.vesitalous.fi LUMI. • Automaattisuus ja jatkuvuus : Kun malli on kerran opetettu, se voidaan ajaa automaattisesti esimerkiksi kerran päivässä. Malli seuraa hyvin lumen vesiarvoa, ja toimii tarkasti myös olosuhteissa, joissa sitä ei ole koulutettu. Neuroverkkojen luotettavuutta voidaan arvioida, vaikka niiden sisäinen logiikka on monimutkainen Yksi yleinen huoli koneoppimisessa on tulosten läpinäkyvyys. Tuloksia voidaan myös tarkastella graafisesti: mallin ja havaintojen välinen ero on pieni, eikä systemaattista harhaa ole havaittavissa. Mallien hyvä toimivuus myös uusilla alueilla kertoo, että neuroverkot eivät ole vain ylisovittanut itseään dataan, vaan ovat onnistuneet oppimaan jotakin yleistä ja fysikaalisesti merkityksellistä lumen käyttäytymisestä eri olosuhteissa. Kuva 2
Kohti älykästä ja sopeutuvaa vesienhallintaa Ilmastonmuutoksen myötä talvien lumisuuden vaihtelu kasvaa – niin ajallisesti kuin määrällisesti. Tuloksia voi hyödyntää mallin hienosäätöön ja datan laadun tarkasteluun. Ne eivät kuitenkaan korvaa hydrologista ymmärrystä, vaan laajentavat sitä. Ennustemallien on pystyttävä kuvaamaan yhä vaihtelevampia olosuhteita. Pitkät havaintosarjat, laaja mittausverkosto ja aktiivinen tutkimusyhteisö tarjoavat erinomaiset lähtökohdat. viikoittain tai päivittäin) ja integroida olemassa oleviin hydrologisiin analyyseihin, kuten tulvariskien arviointiin tai vesivarojen hallintaan. kemira 1/4 19 Vesitalous 1/2026 LUMI. Suomi on otollinen paikka tämän kehityksen edelläkävijäksi. • Laajenna ja vie tulokset käytäntöön Kun malli toimii luotettavasti, sitä voidaan ajaa säännöllisesti (esim. Tutkimuksessa julkaistu avoin GitHub-koodi tarjoaa selkeän esimerkin siitä, miten neuroverkkopohjainen malli voidaan rakentaa ja testata. https://doi.org/10.1016/j.envsoft.2025.106695 Lumen vesiarvon ennustaminen ei ole enää pelkkää kalibrointia – se on oppimista. Tämä madaltaa merkittävästi kynnystä siirtyä koneoppimisen hyödyntämiseen monissa ympäristöissä. Käytännössä käyttöönotto etenee näin: • Kokoa tarvittava havaintodata Kerää sääaineistot (lämpötila, sademäärä) ja mahdollisuuksien mukaan lumen vesiarvon mittauksia mallin opettamiseen ja testaamiseen. Vaikka koodi on luonteeltaan demonstraatio, se toimii hyvänä lähtökohtana omien sovellusten kehittämiselle ja menetelmän kokeilemiselle käytännössä. Snow water equivalent forecasting in sub-arctic and arctic regions: Efficient recurrent neural networks approach. • Tee ensimmäiset ennustekokeilut Aja malli valitulla testijaksolla ja arvioi sen tarkkuutta havaintoihin verrattuna. & Suutala, J. Siinä missä perinteiset mallit perustuvat ennalta määriteltyihin kaavoihin ja sääntöihin, neuroverkot oppivat suoraan datasta mukautuen aineistosta löytyviin riippuvuuksiin. Siirtyminen neuroverkkoihin on nyt helpompaa kuin koskaan Syväoppimisen soveltaminen hydrologiassa ei enää edellytä laajaa ohjelmointiosaamista. Ja kun mallit oppivat, ne antavat meille mahdollisuuden ennakoida paremmin myös muuttuvaa talvea. • Tutustu tutkimuksessa julkaistuun koodiin ja mahdollisesti opeta oma versio GitHubissa julkaistu esimerkkikoodi toimii lähtökohtana: sen avulla voi rakentaa ja testata oman neuro verkkopohjaisen mallin paikalliseen dataan sovitettuna. Kun fysikaalisia malleja ja neuroverkkoja käytetään rinnakkain, voidaan yhdistää molempien vahvuudet: selitettävät prosessit ja datasta opittu herkkyys. Environmental Modelling & Software, 194, 106695. (2025). Yksittäisen aseman malli voidaan kouluttaa muutamassa minuutissa. Lähteet Malin, M., Okkonen, J
Suomessa kasvaneen on helppo ymmärtää, miksi lunta ja sen katoamista tarkastelevaa tutkimusta ei kuitenkaan tulisi rajoittaa luonnontieteisiin. Lumen katoamisessa on yksinkertaisimmillaan kyse lämpenemisestä, eli sulamisesta ja vesisateiden lisääntymisestä. Tässä kirjoituksessa tarkastelen lumen vähenemistä yhteiskuntatieteellisenä ongelmana, johon kytkeytyy menettämisen, luopumisen ja ympäristösuhteiden uudelleenmuotoutumisen prosesseja. 20 www.vesitalous.fi LUMI. Siinä missä aiempien vuosien kokemuksella lumen tulon viipymiseen on jo napapiirilläkin ehditty tottua, olivat helmikuun lumipeitettä runsaasti huventaneet vesisateet uusi kokemus. Lumen katoamisen tematiikka on erottamattomasti yhteydessä yhteiskuntamme vesisuhteisiin, joista konkreettisia jokapäiväisiä esimerkkejä ovat esimerkiksi juomaveden laatu, pohjavesikysymykset, tai hulevesien hallinta erityisesti kaupunkirakenteissa (Okkonen & Kløve 2011). BIRGITTA VINKKA YTM, nuorempi tutkija, Lapin yliopisto birgitta.vinkka@ulapland.fi Lumen katoaminen yhteiskuntatieteellisenä kysymyksenä Avainsanat: lumen menettäminen, yhteiskunnan ympäristösuhteet, lumitalous Lumen katoaminen tulisi nähdä ilmastonmuutoksen tuottamana yhteiskunnallisena murroksena, joka hyvin nopealla aikajänteellä muovaa paitsi lumisten alueiden arkielämää, myös niiden kulttuurisia ja taloudellisia rakenteita. Lumiset talvet ovat jo pelkän arkikokemuksen mukaan käymässä monin tavoin epäluotettaviksi. Lumisia alueita asuttavien yhteisöjen elämä on monin erilaisin tavoin muotoutunut yhdessä lumen kanssa, mikä tekee lumesta myös yhteiskuntatieteellisen tutkimuksen kohteen. Viime talvi oli leuto ja vähäluminen koko Suomessa, mukaan lukien omassa kotikaupungissani Rovaniemellä. S uurimmassa osassa Suomea vuosittaisen lumisen ajan lyhentyminen, rannikolla jopa sen puuttuminen kokonaan, on jo tullut osaksi ilmastomuuttunutta vuodenkiertoa