Väitös: Kohti tarkempaa ympäristöennustamista – tutkimus tuo esiin ilmansaasteiden ja sään taustalla vaikuttavat rakenteet
Ympäristöaineistoja, kuten ilmansaastepitoisuuksia, lämpötiloja ja sademääriä, kerätään samanaikaisesti tuhansilta mittausasemilta eri puolilta maailmaa. Näiden laajojen aineistojen tilastollinen analyysi on poikkeuksellisen haastavaa, koska mallinnuksessa on huomioitava sekä muuttujien väliset riippuvuudet että monimutkaiset alueelliset ja ajalliset rakenteet.
- Otsoni on hyvä esimerkki haitallisesta ilmansaasteesta, jonka muodostuminen on monivaiheinen ilmiö. Se ei synny suoraan päästöistä, vaan muodostuu palamisperäisten päästöjen ja auringonvalon yhteisvaikutuksesta monimutkaisissa kemiallisissa reaktioissa. Päästöjen ja auringonvalon määrään taas vaikuttaa vahvasti vuodenaika, maantieteellinen alue ja useat muut säähän liittyvät muuttujat. Siksi otsonipitoisuuksia mallinnettaessa ja ennustettaessa on tärkeää ottaa huomioon kaikki nämä taustalla vaikuttavat tekijät, kertoo väitöskirjatutkija Mika Sipilä Jyväskylän yliopistosta.
Menetelmä paljasti tutut ilmiöt uudella tavalla
Väitöskirjatutkija Mika Sipilä kehitti tilastotieteen alan väitöskirjassaan koneoppimiseen perustuvia menetelmiä, jotka etsivät aineiston taustalta tilastollisesti toisistaan riippumattomia piilomuuttujia. Nämä piilomuuttujat yhdessä tiivistävät kaiken oleellisen informaation havaitusta datasta. Menetelmien keskeinen vahvuus on se, että ne hyödyntävät aineiston alueellista ja ajallista rakennetta piilomuuttujien löytämisessä, mikä on aikaisemmin ollut teoreettisesti erittäin hankala ongelma epälineaarisen mallinnuksen tilanteessa.
- Ilmansaaste- ja säädatan taustalta menetelmä onnistui löytämään kolme helposti tulkittavaa piilomuuttujaa. Yksi kuvasi palamisperäisiä päästöjä, toinen sademäärää ja kosteutta, ja kolmas auringonvalon käynnistämää fotokemiallista prosessia, jossa otsonia muodostuu. Menetelmä onnistui siis löytämään datasta automaattisesti rakenteet, jotka vastaavat hyvin nykyistä tietämystä ilmansaasteiden ja sään taustalla olevista ilmiöistä, selittää Sipilä.
Piilomuuttujat tehostavat ennustamista
Kehitettyjen menetelmien avulla voidaan ennustaa havaittujen muuttujien arvoja sekä tulevaisuuteen että sellaisiin paikkoihin, joissa mittausasemia ei ole.
- Koska piilomuuttujat ovat toisistaan riippumattomia, voidaan niitä mallintaa yksitellen, mikä tekee ennustamisesta laskennallisesti tehokasta, mahdollistaen silti erittäin tarkan tuloksen, selventää Sipilä.
FM Mika Sipilän tilastotieteen väitöskirjan “Identifiable variational autoencoders for modeling spatial and spatio-temporal data” tarkastustilaisuus pidetään 15.5.2026 klo 12:00 Mattilanniemessä Agora-rakennuksen salissa Agora Auditorio 3. Vastaväittäjänä toimii professori Andreas Artemiou (University of Limassol) ja kustoksena apulaisprofessori Sara Taskinen (Jyväskylän yliopisto). Väitöstilaisuuden kieli on englanti.
Väitöskirja on luettavissa verkossa osoitteessa: https://urn.fi/URN:ISBN:978-952-86-1479-1.
