2/2022 — Helmikuussa saatiin runsaita lumisateita — Tekoäly tuottaa tarkempaa tietoa sään ja ilmaston vaikutuksista —
S ISÄLTÖ
2/2022
Pääkirjoitus — 3 Helmikuussa saatiin runsaita lumisateita — 4 Sääkehitys helmikuussa — 6 Helmikuun säätapahtumia maailmalta — 7 Tekoäly tuottaa tarkempaa tietoa sään ja ilmaston vaikutuksista — 8 Talvi oli runsasluminen etenkin maan keskiosissa — 10 Kuukauden havainto — 11 Itämeri — 12 Arktiset alueet — 13 Kasvihuonekaasupitoisuudet Suomessa — 14 Tilastoista poimittua — 15 Lämpötiloja ja sademääriä helmikuussa — 16 Helmikuun kuukausitilasto — 18 Helmikuun tuulitiedot — 19 Lämpötilan viikkoennusteet — 20 Summary of February 2022 — 21 Julkaisussa olevat havaintotiedot on tarkastettu päivittäin. Tiedoissa on puutteita, jotka korjataan havaintojen lopullisen tarkastuksen aikana. Täsmälliset tiedot kaikilta Suomen havaintoasemilta ovat käytössä viimeistään 1,5 kuukautta jälkikäteen ja ladattavissa osoitteesta https://ilmatieteenlaitos.fi/havaintojen-lataus Lainatessasi lehden sisältöä muista mainita lähde. HELMIKUUN SÄÄ JA TILASTOT: https://ilmatieteenlaitos.fi/helmikuu
ILMASTOKATSAUS 24. vuosikerta ISSN: 2341-6408 DOI: 10.35614/ISSN-23416408-IK-2022-02-00 Ilmestyy noin kuukauden 20. päivänä
2
|
ILMASTOKATSAUS 2/2022
JULKAISIJA Ilmatieteen laitos PL 503 00101 Helsinki www.ilmastokatsaus.fi ilmastokatsaus@fmi.fi Vaihde: 029 539 1000
TOIMITUS Hilppa Gregow (päätoimittaja) Sami Ahonen Achim Drebs Tiina Ervasti Juha Karhu Ilari Lehtonen Anna Luomaranta Jaakko Seppänen
KANNEN KUVA Anna Luomaranta ULKOASU Marko Myllyaho
© Ilmatieteen laitos
PÄÄ KI RJ OI T U S
Hiilineutraali energiajärjestelmä tarvitsee sääennusteita Ilmastotavoitteiden saavuttamiseksi on vähennettävä kasvihuonekaasujen päästöjä. Energiajärjestelmän kannalta tämä tarkoittaa valtavaa muutosta. Järjestelmä sähköistyy, ja tulevaisuudessa sähkön tuotannosta yhä isompi osuus on säästä riippuvaa, vaihtelevaa tuotantoa. Tuulivoima on tästä hyvä esimerkki. Sen tuotanto kattoi viime vuonna noin kymmenen prosenttia Suomen sähköntarpeesta, ja alan kasvu on tällä hetkellä hyvin voimakasta. Kuluvan vuoden aikana valmistuu arviolta 300 uutta tuulivoimalaa, mikä kasvattaa tuulivoiman sähköntuotannon noin viiteentoista prosenttiin sähköntarpeestamme. Sähköverkon toiminnan kannalta on tärkeää, että tuotanto ja kulutus ovat jatkuvasti, hetki hetkeltä, tasapainossa. Kun säästä riippuvaa tuotantoa on enemmän, tarvitaan myös kulutuspuolella joustoa. Sähköä tulisi käyttää vähemmän silloin, kun sitä on niukasti saatavilla. Sääennusteet ovat oiva apu tämän kokonaisuuden hallitsemiseksi, koska ne auttavat ennakoimaan sekä tuotannon että kulutuksen vaihteluita. Yllä kuvatun vihreän siirtymän rinnalla on meneillään myös digitaalinen siirtymä. Algoritmit ovat kehittyneet, ja ohjattavissa olevia verkkoon kytkettyjä laitteita on yhä enemmän. Esimerkkinä tästä on rakennusten lämmitys, jäähdytys ja ilmanvaihto, johon paneudumme yrityskumppaneiden kanssa OWGRE-nimisessä projektissa (Optimized Weather-related Green Energy production and consumption). Rakennusten laitteet keräävät dataa omasta toiminnastaan ja mittaavat muun muassa sisäilman lämpötilaa ja hiilidioksidipitoisuutta. Samaan systeemiin saattaa olla kytkettynä myös ulkoilman lämpötilamittaus. Yhdistämällä säänennustusmallien todennäköisyysennusteet tähän kokonaisuuteen, voidaan optimoida rakennusten energiankäyttö ja siten vähentää kustannuksia ja päästöjä. Ilmatieteen laitos panostaa tutkimukseen, jossa energiajärjestelmien optimoijat ja sääennusteiden asiantuntijat työstävät yhdessä uusia ratkaisuja. Tavoitteena on oppia, miten parhaalla tavalla voidaan hyödyntää säätietoa, ja miten ennusteista saadaan sellaisia, että ne tukevat entistä paremmin energiajärjestelmien tarpeita.
ANDERS LINDFORS Tutkimusprofessori
Sääennusteet ovat oiva apu sähköverkon toiminnan hallitsemiseksi, koska ne auttavat ennakoimaan sekä tuotannon että kulutuksen vaihteluita
ILMASTOKATSAUS 2/2022
|
3
-34,9 °C
Enontekiö lentoasema, 1.2.
+7,1 °C
Pyhäjärvi, Ojakylä, 28.2.
Kuukauden ylin ja alin lämpötila
134,8 mm Virolahden Koivuniemessä mitattiin uusi helmikuun sade-ennätys.
4
|
ILMASTOKATSAUS 2/2022
120 cm
Kuukauden suurin lumensyvyys, Ilomantsi, Naarva, 26.2.
KU U KAU S I KATSAUS
Helmikuussa saatiin runsaita lumisateita
KUVA: MARKKU KANGAS
Helmikuu oli lähes koko maassa selvästi tavanomaista leudompi ja sateisempi. Virolahdella saavutettiin jopa uusi helmikuun sade-ennätys. Lumipeite oli suuressa osassa maata tavanomaista paksumpi. Helmikuun keskilämpötila oli Pohjois- ja Luoteis-Lapissa lähellä vertailukauden 1991–2020 keskiarvoa, mutta muualla kuukausi oli 1–4 astetta tavanomaista leudompi. Eniten lämpötila poikkesi normaalista Pohjois-Karjalassa. Suurimmassa osassa maata satoi helmikuussa selvästi tavanomaista enemmän. Sateisimmilla alueilla kuukauden sademäärä ylitti pitkän ajan keskiarvon jopa 2–3-kertaisesti. Virolahden Koivuniemessä satoi 134,8 mm, joka oli uusi helmikuun kuukausisademäärän ennätys Suomessa. Kouvolan Anjalassa vuonna 2016 mitattu aiempi ennätys, 131,6 mm, ylittyi myös Espoon Nuuksiossa, missä satoi 132,8 mm. Yli 100 mm:n sademääriä mitattiin useilla muillakin Kymenlaakson ja Uudenmaan havaintoasemilla sekä Etelä-Savon ja Keski-Suomen maakuntien rajaseudulla. Asemakohtaisia helmikuun sade-ennätyksiä saavutettiin monilla havaintoasemilla Lappia ja maan läntisimpiä osia lukuun ottamatta. Vain Lapissa ja Vaasan seudulla helmikuun sademäärä jäi enimmäkseen lähelle pitkän ajan keskiarvoa ja paikoin hieman sen alapuolelle. Kuukauden pienin sademäärä, 15,7 mm, mitattiin Enontekiön Näkkälässä. Sateisesta säästä huolimatta helmikuuhun mahtui myös aurinkoisia päiviä, ja Länsi-Suomessa auringonpaistetun-
teja kertyi kutakuinkin tavanomainen määrä, mutta Itä-Suomessa oli tavanomaista pilvisempää. Eniten aurinko paistoi Maarianhaminassa ja Tervolassa, noin 93 tuntia, kun taas Ilomantsissa ja Utsjoella aurinko paistoi helmikuussa alle 30 tuntia.
PYRYT KASVATTIVAT LUMIPEITETTÄ Helmikuun alussa oli muutama kylmä päivä, ja Enontekiön lentoasemalla mitattiin 1. helmikuuta kuukauden alin lämpötila, -34,9 °C. Helmikuun ensimmäinen voimakas lumipyry pyyhkäisi koko maan yli lännestä itään 4.–5.2., ja samalla sää lauhtui selvästi. Helmikuun puolivälissä sää kylmeni Pohjois-Suomessa, mutta maan eteläosiin virtasi samaan aikaan lounaasta lauhaa ilmaa. Lounaasta saapui myös sadealueita, jotka toivat useana päivänä runsaita lumi- ja räntäsateita maan etelä- ja keskiosiin. Varsinkin etelärannikolla satoi myös vettä. 18. päivänä sateet ylsivät myös Lappiin, ja 17.–18. päivien lumisateet kasvattivat lumipeitettä etenkin Itä- ja Pohjois-Suomessa. Näiden sateiden jälkeen lumensyvyys saavutti metrin rajapyykin paikoin Pohjois-Karjalassa, Pohjois-Savossa ja Kainuussa.
Talven voimakkain lumipyry iski Uudellemaalle 21. helmikuuta. Siuntion Sjundbyssä mitattiin tällöin kuukauden suurin vuorokausisademäärä, 35,6 mm. Erityisen runsaasti lunta tuiskutti pääkaupunkiseudulla, ja suurin lumensyvyyden kasvu, 35 cm vuorokaudessa, rekisteröitiin Helsingin Kumpulassa. Helmikuun parina viimeisenä päivänä lännestä virtasi lauhaa ilmaa, ja lämpötila kohosi lähes koko maassa 5 asteen vaiheille. Kuukauden ylin lämpötila, 7,1 °C, mitattiin Pyhäjärven Ojakylässä helmikuun viimeisenä päivänä. Maan keskivaiheilla helmikuun lopun lumensyvyydet olivat monin paikoin harvinaisen suuria. Eniten lunta oli Pohjois-Karjalassa, ja kuukauden suurin lumensyvyys, 120 cm, mitattiin Ilomantsin Naarvassa 26. helmikuuta. Myös Luoteis-Lapissa lunta oli noin metrin verran, kun taas Ahvenanmaalla oli helmikuussa ajoittain lumetonta. Uudellamaalla talven lumipeite oli paksuimmillaan helmikuun 22. päivän aamuna, jolloin lunta oli yleisesti yli puoli metriä ja Espoon Nuuksiossa lumensyvyydeksi mitattiin peräti 92 cm. Viimeksi suurempia lumensyvyyksiä on Uudellamaalla havaittu maaliskuussa 1999, jolloin Nurmijärvellä ja Artjärvellä mitattiin lumensyvyydeksi 93 cm. Ilari Lehtonen ILMASTOKATSAUS 2/2022
|
5
SÄÄKEHITYS HELM I KU U SSA Kuvat ovat Ilmatieteen laitoksen säätilanneanalyysejä ajanhetkiltä 12 UTC eli klo 14 Suomen normaaliaikaa (kesäaikana klo 15).
Teksti: Ilari Lehtonen
4.2. Helmikuun alussa koko maassa oli muutama kylmä pakkaspäivä. Kuukauden 4. päivänä lännestä lähestyi matalapaine, joka toi mukanaan lumipyryn ja lauhaa ilmaa. Lunta pyrytti monin paikoin noin 10–20 cm. Lumipyryn jälkeen lauha läntinen ilmavirtaus jatkui seuraavina päivinä.
14.2. Helmikuun puolivälissä lounaasta virtasi lauhaa ilmaa Etelä-Suomeen, kun taas Pohjois-Suomessa vaikutti korkeapaineen selänne ja pakkanen kiristyi. Ilmamassoja erottava rintamavyöhyke lumi- ja räntäsateineen kulki Suomen keskiosien halki. Pohjanmerellä oli matalapaine, joka liikkui koilliseen ja toi seuraavina päivinä lisää sateita Suomeen. 21.2. Syvä matalapaine liikkui Suomen eteläpuolitse itään ja Uudellamaalla koettiin talven voimakkain lumipyry. Helsingin Kumpulassa lunta satoi peräti 35 cm vuorokauden aikana ja Siuntion Sjundbyssä mitattiin vuorokauden sademääräksi 35,6 mm. Espoon Nuuksiossa lunta oli seuraavana aamuna 92 cm, mikä oli suurin Uudellamaalla mitattu lumensyvyys sitten vuoden 1999. 27.2. Helmikuun viimeisinä päivinä Suomen eteläpuolelle vahvistui korkeapaine. Lounaasta virtasi lauhaa ilmaa ja ympäri maata mitattiin ylimmillään 5 asteen vaiheille kohonneita lämpötiloja.
6
|
ILMASTOKATSAUS 2/2022
H E L MI KU U N SÄÄTA PA H TU M I A M AA I LM ALTA
MERKITTÄVIMPIÄ SÄÄTAPAHTUMIA MAAILMALLA HELMIKUUSSA 2022 MAAPALLON KESKILÄMPÖTILA Helmikuun 2022 keskimääräinen maa- ja merialueiden pintalämpötila oli vuonna 1880 alkaneenmittausjakson seitsemänneksi korkein.
ARKTINEN MERIJÄÄ Arktisen merijään laajuus oli helmikuussa mittaushistorian 14:nneksi pienin.
AASIA Helmikuu oli mittaushistorian kahdekESPANJA sanneksi lämpimin. Aasian länsi- ja Espanjassa helmikuu oli kolmanneksi kuivin pohjoisosissa kuukausi oli selvästi helmikuu vuoden keskimääräistä lämpimämpi. 1961 jälkeen. EUROOPPA Helmikuu oli mittaushistorian seitsemänneksi lämpimin. Monissa Euroopan maissa helmikuu PUERTO RICO ylsi kymmenen lämpimimmän Rankkasateet aiheuttivat vaajoukkoon. rallisia tulvia ja maanvyörymiä maan pohjoisosissa. TROOPPINEN SYKLONI EMNATI Emnati iski Magadaskarille vain muutama päivä trooppinen sykloni Batsirain ja trooppinen myrsky Dumakon jälkeen. AFRIKKA Emnati toi alueelle kovia tuulia ja rankkoja sateita. Kolme Helmikuu Afrikassa oli keskimyrskyä iski Madagaskarille kuukauden aikana viimeksi määräistä lämpimämpi. tammikuussa 1988.
POHJOIS-AMERIKKA Helmikuu oli keskimääräistä kylmempi, mutta ei yltänyt mantereen kylmimpien helmikuiden joukkoon.
YHDYSVALLAT Voimakas talvimyrsky iski helmikuun ensimmäisellä viikolla Texasista Maineen ulottuvalle alueelle. Myrsky toi mukanaan tavanomaista kylmempiä lämpötiloja, runsaasti lunta, jäätä ja jäätävää sadetta.
ETELÄ-AMERIKKA Helmikuu oli mittaushistorian kahdeksanneksi lämpimin. Vuonna 2006 helmikuu oli yhtä lämmin. BRASILIA Rankkasateet aiheuttivat kuolonuhreja vaatineita äkkitulvia Petropolisin kaupungissa.
TROOPPISET MYRSKYT MAAILMALLA Helmikuussa nimettyjä trooppisia myrskyjä oli kahdeksan, mikä on keskimääräistä enemmän. Eteläinen Intian valtameri oli aktiivisin alue ja siellä myrskyjä esiintyi viisi.
AUSTRALIA Queenslandin alueella rankkasateet aiheuttivat tulvia kuun loppupuolella.
ANTRAKTINEN MERIJÄÄ Antarktisen merijään laajuus oli helmikuussa 44-vuotisen mittaushistorian pienin ja lähes 30 prosenttia tavanomaista pienempi. Aikaisempi ennätyksellisen pieni laajuus oli vuoden 2017 helmikuulta.
KESKILÄMPÖTILAN POIKKEAMA HELMIKUUSSA 2022 JAKSON 1991–2020 Surface temperature for February 2022 Surface temperatureanomaly anomaly forDecember February(OIKEALLA). 2022 Surfaceair air temperature anomaly for 2020 KESKIARVOSTA MAAILMALLA (VASEMMALLA) JA EUROOPASSA Europe
Global Global Global
Europe Europe
111111 66 6 44 4 22 2 0 0°C 0°C°C
Date created: 2022-03-03
Date created: 2021-01-03
Date created: 2022-03-03
LISÄTIETOA
-2-2 -2 -4-4 -4 -6 -6 -6 (Data: ERA5. Reference period: 1981-2010. Credit: C3S/ECMWF) (Data: ERA5. Reference period: 1991-2020. Credit: C3S/ECMWF)
(Data: ERA5. Reference period: 1991-2020. Credit: C3S/ECMWF)
https://www.ncdc.noaa.gov/sotc/global/202202 https://climate.copernicus.eu/climate-bulletins
-11 -11
-11
Lähde: NOAA/NCDC Copernicus Climate Change Service Suomennos: Ilmastokatsaus-toimitus ILMASTOKATSAUS 2/2022
|
7
Tekoäly tuottaa tarkempaa tietoa sään ja ilmaston vaikutuksista
8
|
ILMASTOKATSAUS 2/2022
TE KOÄ LY A P U N A VA I KU TU S E N NUST EI SSA
KUVA: SAMI AHONEN
Tietotekniikan menetelmien kehittyessä myös sään ja ilmaston tutkimus ottaa harppauksia eteenpäin. Mitä tarjottavaa moderneilla tekoäly- ja koneoppimismenetelmillä on ilmakehätutkijoille? Nykyaikaisessa sään, ilmaston ja ilmastonmuutoksen vaikutustutkimuksessa rakennetaan yhä hienostuneempia tilastollisia malleja monimutkaisten vuorovaikutussuhteiden tai niiden vaikutusten kuvaamiseksi esimerkiksi luonnon ja yhteiskunnan välillä. Vuorovaikutukset voivat olla todellisuudessa yksi- tai kaksisuuntaisia ja varsin usein verkottuneita, mutta yleensä mallinnuksessa tai viimeistään tuloksia raportoitaessa tarkastelu rajataan yhteen ilmiöön ja vaikutussuuntaan kerrallaan. Liukkauden aiheuttamat jalankulkuonnettomuudet, myrskyjen aiheuttamat puustovahingot sekä sateisuuden määrittelemät satotasot ovat esimerkkejä voimakkaasti ilmakehän ilmiöistä riippuvista yhteiskunnallisista tutkimuskohteista. Useimpia tällaisia kohteita voidaan tutkia ja ennustaa tekoälyn avulla muutaman tunnin lähihetkiennusteiden aikaskaaloista aina vuosikymmenten ja -satojen ennustepituuksiin asti. Koneoppimisesta ja laajemmin tekoälystä puhutaan silloin, kun mallit ja algoritmit osaavat itse päätellä opetusaineistoista sellaisia ominaisuuksia, jotka ovat oleellisia ja tarpeellisia jonkin tietyn ongelman ratkaisemiseksi. Ominaisuuksien tunnistamisen lisäksi koneoppimismalli oppii painottamaan näitä ominaisuuksia niiden tärkeyden mukaan, mikä tarkentaa myöhemmässä vaiheessa mallilla tehtäviä vaikutusennusteita. Lähes aina tutkittavaan ilmiöön vaikuttaa samanaikaisesti useita erilaisia tekijöitä, joista osa on tärkeämpiä kuin toiset. Tekijöiden yhteisvaikutuksen summana saadaan lopullinen mallitulos eli ennuste. Mitä enemmän harjoitteluaineistoa mallille voidaan tarjota koulutusvaiheessa, sitä paremmin ja luotettavammin se oppii aineistossa piilevät ominaisuudet, vuorovaikutussuhteet ja syy-yhteydet, ja sitä tarkempia ennusteita mallilla voidaan myöhemmin tehdä. Vuosikymmeniä pitkät, hyvälaatuiset aikasarjat historiallisista vaikutusaineistoista kuten satotasoista, puustovahingoista sekä jalankulkuonnettomuuksista ovat onnistuneen koneoppimismallinnuksen välttämätön lähtökohta ja edellytys.
Kuva 1: Gradient boosting -menetelmällä tuotettuja vaikutusennusteita voi käyttää esimerkiksi ennakoivaan varoittamiseen. Jalankulkuonnettomuuksien ennustetut maakunnittaiset lukumäärät riippuvat liukkausolosuhteiden kehittymisestä talviaikaisten säätilanteiden mukaisesti.
VAIKUTUSAINEISTOJEN LISÄKSI TARVITAAN LAADUKKAITA SÄÄ- JA ILMASTOAINEISTOJA Historiallisten vaikutusaineistojen ohella tarvitaan tarkkoja historiallisia ilmakehäaineistoja, joita on nykyään runsaasti saatavilla tutkimuskäyttöön. Tällaiset ilmastoaineistot ovat hyvin monimutkaisia ja yksityiskohtaisia kokonaisuuksia. Ne kattavat Maapallon jokaisen paikan valtamerten ILMASTOKATSAUS 2/2022
|
9
T E KOÄ LY A P UNA VA I KU T U SEN N U ST EI SSA
syvyyksistä aina ilmakehän ylärajalle asti. Jokaisesta kuvatusta pisteestä on saatavilla kymmeniä tai peräti satoja erilaisia parametreja, jotka kuvaavat ilmakehän ja valtamerien tilaa ajan ja paikan suhteen. Tällaisen aineiston avulla voidaan suoraan tai yksinkertaisella analyysillä vastata sellaisiin kysymyksiin, kuten mikä oli Kapkaupungin lämpötila toukokuun viidentenä 1949, paljonko merijäätä oli Pohjoisella Jäämerellä kesällä 1982, tai mikä otsonitilanne oli stratosfäärissä 2006. Monimutkaisempien ja yhteiskunnallisesti merkittävien tutkimuskysymysten selvittäminen näiden aineistojen perusteella on kuitenkin huomattavasti vaikeampi ongelma. Aineistot sisältävät valtavasti informaatiota, jonka rajaaminen, käsitteleminen, lajitteleminen ja painottaminen mekaanisena käsityönä optimaalisella tavalla kutakin vaikutustukimuskysymystä varten kävisi hyvin nopeasti ylivoimaiseksi. Juuri tällaisia ongelmia varten automaattisia rutiineja, aineistonlouhintatekniikoita ja tekoälysovelluksia on kehitetty. Koneoppimismallin opettaminen tarvitsee tehdä yleensä vain kerran, jonka jälkeen sitä voidaan käyttää monenlaisten ongelmien käsittelemisessä.
Se voidaan esimerkiksi komentaa tutkimaan sääennusteita, jolloin sen tulokset voidaan tulkita sääaikaskaalan vaikutusennusteina esimerkiksi jalankulkuonnettomuuksille. Vastaavasti sen avulla voidaan tutkia ilmastomallien tuloksia, jolloin saadaan arvioita ilmastonmuutosten vaikutuksista yhteiskuntaan. Ilmiötasolla puolestaan voidaan tutkia, mitkä tekijät vaikuttavat kulloisenkin tutkimuskohteen tuloksiin yleisesti tai jossain tietyssä erityistilanteessa. Tällaista tutkimusta kutsutaan attribuutioanalyysiksi, ja sen merkitys esimerkiksi ilmastonmuutoksen vaikutusmekanismien kuvaamisessa on kasvamassa. Vaikutustutkimus tulee koko ajan tarkemmaksi koneoppimismallien kehittyessä monipuolisemmiksi ja tehokkaammiksi. Tekoälyn avulla on mahdollista löytää yllättäviä vaikutusmekanismeja ja syy-yhteyksiä, joiden olemassaolo jäisi muuten helposti hämärän peittoon. Lisäksi menetelmät vapauttavat tutkijat ja asiantuntijat monista puuduttavista rutiinitehtävistä, jolloin aikaa jää enemmän käytettäväksi oleellisten tutkimuskysymysten pohtimiseen ja luovuuteen. Matti Kämäräinen
Talvi oli runsasluminen etenkin maan keskiosissa
KUVA: ANNA LUOMARANTA
Talven 2021–2022 aikana lunta satoi monin paikoin tavanomaista enemmän, ja helmikuun lopulla lumensyvyys oli linjan Oulu–Kuusamo eteläpuolella Lounais-Suomea lukuun ottamatta noin 20–30 cm ajankohdan keskiarvoa suurempi. Myös Luoteis-Lapissa lunta oli tavanomaista enemmän. Paikoin lumensyvyys ylitti helmikuussa metrin rajapyykin. Historiallisesti yli metrin lumensyvyyksiä on Suomessa mitattu lähes kaikkialla saaristo- ja rannikkoalueita lukuun ottamatta. Maan keskiosien runsaslumisimmilla alueilla oli viimeksi suunnilleen yhtä paljon lunta talvella 2018. Ilari Lehtonen
10
|
ILMASTOKATSAUS 2/2022
KU U KAU D EN HAVA I N TO
KUVA: SAMI AHONEN
Virolahden Koivuniemessä satoi helmikuussa 134,8 mm, mikä on uusi helmikuun sade-ennätys Suomessa. Muuallakin maan etelä- ja keskiosissa saavutettiin uusia helmikuun asemakohtaisia sade-ennätyksiä. Helmikuun runsaat sateet kasvattivat myös lumipeitettä etenkin Itä-Suomessa. Pohjois-Karjalassa lunta oli kuukauden lopulla paikoin toista metriä.
ILMASTOKATSAUS 2/2022
|
11
ITÄMERI Ilmatieteen laitos on tuottanut Itämeren pintalämpötila- ja jääanalyysit Marine Copernicuksen aineistosta. Keskiarvot on laskettu päivittäisistä arvoista. Jäällisen alueen rajana pidetään jään 15 %:n peittävyyttä. Asemakohtaiset kuvaajat perustuvat Ilmatieteen laitoksen mareografihavaintoihin.
KESKIMÄÄRÄINEN ITÄMEREN PINTALÄMPÖTILA JA JÄÄTILANNE Meriveden keskimääräinen pintalämpötila helmikuussa 2022 (vas.) ja pintalämpötilan poikkeama jakson 1991–2020 keskiarvosta (oik.). Pintalämpötilan havaitut päiväkeskiarvot helmikuussa 2022 on esitetty yhdeksältä asemalta. Jääanalyysi kuvaa jäätilanteen kuukauden keskiarvoa, ja jään klimatologia kuvaa jäällisen alueen keskimääräistä rajaa jaksolla 1991–2020.
MERIVEDEN KORKEUS HAMINA PITÄJÄNSAARI
RAUMA PETÄJÄS
HELSINKI KAIVOPUISTO
PIETARSAARI LEPPÄLUOTO
FÖGLÖ DEGERBY
KEMI AJOS
Meriveden korkeus suhteessa teoreettiseen keskivedenkorkeuteen helmikuussa 2022. Kuvaajissa on esitetty mareografeilla tunneittain mitattu keskimääräinen vedenkorkeus. Keltainen vaakaviiva kuvaa korkean vedenkorkeuden varoitusrajaa. 12
|
ILMASTOKATSAUS 2/2022
A R KTI S E T ALUEET
ARKTISEN MERIJÄÄN LAAJUUS JA POIKKEAMA TAVANOMAISESTA HELMIKUUSSA
Arktisella alueella merijään laajuus oli helmikuussa 14,7 miljoonaa neliökilometriä, mikä on noin 2 % vähemmän kuin vuosien 1991–2020 helmikuun keskiarvo. Jääpeite on ollut viime vuoden heinäkuusta asti kuukausittain tavanomaista pienempi. Jäätä on kuitenkin ollut selvästi enemmän kuin vuonna 2018, jolloin helmikuun jääpeite oli ennätyksellisen pieni, noin 6% alle keskiarvon. Sekä Atlantin että Tyynenmeren puolella jään määrä vaihteli keskiarvon molemmin puolin. Labradorinmerellä jäätä oli edelleen tavanomaista enemmän, kun taas Saint Lawrencen lahdella ja Newfoundlandin pohjoispuolisilla merillä jäätä oli keskiarvoa vähemmän. Atlantin itäisellä sektorilla jääpeitettä oli tavanomaista vähemmän Barentsin- ja Karanmeren välissä ja tavanomaista enemmän Huippuvuoriaympäröivillä merialueilla. Tyynenmeren puoleisella sektorilla Ohotanmerellä jäätä esiintyi keskiarvoa enemmän ja Beringinmerellä keskiarvoa vähemmän.
Merijään keskimääräinen peittävyys arktisella alueella helmikuussa 2022. Värillinen viiva kuvaa jäällisen alueen keskimääräistä rajaa jaksolla 1991–2020, kun jäällisen alueen rajana pidetään jään 15 %:n peittävyyttä.
Merijään peittävyyden poikkeama arktisella alueella jakson 1991–2020 keskiarvosta helmikuussa 2022.
LÄHTEET
ECMWF Copernicus Climate Change Service Suomennos: Ilmastokatsaus-toimitus
ILMASTOKATSAUS 2/2022
|
13
KASVIHUONEKAAS U P I TOI SU U D ET SU OM ESSA Kasvihuonekaasuhavainnot ovat alustavia ja voivat vielä muuttua tarkistusprosessin aikana.
PALLAS - SAMMALTUNTURI
UTÖ
1 kk
1 vuosi
Useita vuosia
(ppm = parts per million, tilavuuden miljonasosa ja ppb = parts per billion, tilavuuden miljardisosa)
Hiilidioksidi- (CO2) ja metaani- (CH4) pitoisuuksien havaitut tuntikeskiarvot viimeisen kuukauden jaksolla (ylin rivi) sekä viimeisen vuoden jaksolla (keskimmäinen rivi) Pallas-Sammaltunturin ja Utön asemilla. Alarivin kuvissa esitetään hiilidioksidipitoisuuden kehitys useamman vuoden ajalta.
TAUSTATIETOA
• Hiilidioksidi (CO2) ilmakehässä on peräisin kasvien ja maaperän hengityksestä sekä poltto prosessista ja sementintuotannosta. • Metaanin (CH4) merkittävimmät päästöt ilmakehään tulevat soilta, maakaasun purkautumisesta, märehtijöistä, kaatopaikoilta, riisinviljelystä ja fossiilisten polttoaineiden käsittelystä. • LUE LISÄÄ: ilmatieteenlaitos.fi
14
|
ILMASTOKATSAUS 2/2022
T I L ASTOI STA P OI M I T T UA
Talvella 2021–2022 joulukuu oli tavanomaista kylmempi, mutta tammi- ja helmikuut olivat normaalia leudompia, ja koko talven keskilämpötila oli lähellä vertailukauden 1991–2020 keskiarvoa. Lauhan lopputalven johdosta Itämeren jäätalvi jäi leudoksi, ja talven laajin jäätilanne, 93 000 km2, saavutettiin Itämerellä 4. helmikuuta.
ILMASTOKATSAUS 2/2022
|
15
L ÄMP ÖTILOJA JA SA D EM ÄÄ R I Ä HEL M I KU U SSA
HELSINKI, KAISANIEMI
JOKIOINEN
JYVÄSKYLÄ
SEINÄJOKI, PELMAA
JOENSUU
SIIKAJOKI, RUUKKI
SODANKYLÄ
UTSJOKI, KEVO
Helmikuussa 2022 päivittäin mitattu vuorokauden keskilämpötila (°C, musta käyrä), ylin lämpötila (°C, punainen käyrä) ja alin lämpötila (°C, sininen käyrä) sekä vuorokauden sademäärä (mm, siniset pylväät). Lämpötilan tasoitetut vertailuarvot ovat kaudelta 1991–2020. Harmaa käyrä kuvaa vuorokauden keskilämpötilan 50 %:n arvoa eli mediaania, ja harmaa varjostus kuvaa aluetta, jonka sisällä noin 97 % vuorokauden keskilämpötiloista tilastollisesti esiintyy.
16
|
ILMASTOKATSAUS 2/2022
L Ä M P ÖTI LOJA JA SA D E M ÄÄ R I Ä H E L M I KUUSSA
KESKILÄMPÖTILA
KESKILÄMPÖTILAN POIKKEAMA VERTAILUKAUDESTA 1991–2020
SADEMÄÄRÄ
SADEMÄÄRÄ PROSENTTEINA VERTAILUKAUDESTA 1991–2020
ILMASTOKATSAUS 2/2022
|
17
H E L MIKUUN KUUKAU SI T I L ASTO
HAVAINTOASEMA
PARAINEN UTÖ
KESKILÄMPÖTILA °C
YLIN LÄMPÖTILA °C
ALIN LÄMPÖTILA °C
SADEMÄÄRÄ MM
SUURIN VRK- LUMENSYVYYS SADEMÄÄRÄ 15. PÄIVÄNÄ MM CM
2022
1991– 2020
2022
PVM
2022
PVM
2022
1991– 2020
2022
PVM
2022
1991– 2020
0,8
-1,4
4,5
24.
-7,8
1.
58,9
34
12,0
21.
0
1
JOMALA JOMALABY
-0,2
-2,4
4,7
27.
-10,5
3.
63,3
36
18,8
21.
4
5
KAARINA YLTÖINEN
-2,2
-4,3
5,2
27.
-18,1
1.
73,6
41
13,5
4.
20
14
HELSINKI KAISANIEMI
-1,0
-3,8
5,1
28.
-12,6
23.
97,5
38
32,3
21.
19
17
HELSINKI-VANTAAN LENTOASEMA
-2,2
-4,9
4,0
28.
-18,2
23.
106,2
41
20,4
17.
45
16
JOKIOINEN ILMALA
-3,0
-5,4
3,8
24.
-20,2
4.
63,2
35
9,6
14.
36
19
KOUVOLA ANJALA
-2,4
-5,7
4,5
28.
-15,1
3.
113,3
45
17,9
4.
59
30
HEINOLA ASEMANTAUS
-2,9
-6,3
4,9
28.
-13,0
3.
79,8
36
13,0
25.
59
33
TAMPERE HÄRMÄLÄ
-3,0
-5,7
4,9
28.
-19,4
23.
59,1
30
9,4
21.
42
25
KANKAANPÄÄ NIINISALO
-3,6
-5,9
4,6
24.
-21,5
4.
46,7
39
12,3
4.
47
31
JYVÄSKYLÄ LENTOASEMA
-4,7
-7,6
6,0
28.
-24,3
4.
67,6
33
9,6
17.
67
38
SAVONLINNA PUNKAHARJU
-4,3
-7,7
2,7
28.
-19,0
23.
64,4
34
8,6
17.
65
41
SEINÄJOKI PELMAA
-4,5
-6,2
5,7
28.
-21,5
1.
34,3
24
7,5
15.
34
18
KUOPIO MAANINKA
-5,2
-8,4
5,1
28.
-23,8
23.
58,9
35
9,4
17.
61
42
LIEKSA LAMPELA
-5,5
-9,4
2,8
28.
-25,4
23.
57,2
31
11,6
15.
65
45
SIIKAJOKI RUUKKI
-6,7
-8,2
6,5
28.
-25,9
23.
55,5
30
12,5
4.
46
36
SUOMUSSALMI PESIÖ
-7,8
-10,5
3,3
28.
-27,4
23.
67,2
40
11,3
17.
76
66
ROVANIEMI APUKKA
-10,3
-11,6
5,5
28.
-30,9
15.
31,7
30
8,5
4.
56
55
SODANKYLÄ TÄHTELÄ
-11,1
-12,1
4,2
28.
-31,4
13.
36,1
31
9,1
17.
61
68
INARI SAARISELKÄ
-10,8
-12,0
2,6
27.
-28,0
1.
35,3
32
6,0
18.
93
68
ENONTEKIÖ KILPISJÄRVI
-13,2
-12,3
4,9
27.
-32,7
23.
29,8
39
8,5
27.
97
81
UTSJOKI KEVO
-12,3
-12,6
5,1
27.
-32,4
2.
22,4
25
6,5
13.
73
59
AURINGONPAISTETUNNIT 15.2.
KUUKAUSISUMMA PAIKKAKUNTA
2022
1991–2020
UTÖ
77,4
61
MAARIANHAMINA
93,2
TURKU
63,7
67
HELSINKI
52,9
71
JOKIOINEN
57,1
68
KOUVOLA
37,4
62
JYVÄSKYLÄ
43,3
63
SEINÄJOKI
67,3
71
KUOPIO
37,2
OULU
53,0
ROVANIEMI
60,2
SODANKYLÄ
46,4
59
UTSJOKI
29,1
47
18
|
LUMENSYVYYS
ILMASTOKATSAUS 2/2022
28.2.
H E L M I KU U N TU U LI T I ED OT Tuulitilastoissa on käytetty 10-min keskituulta. Tuuliruusuissa käytetyn aineiston havaintoväli on 10 min ja kovatuuliset päivät -taulukossa 1 min.
PARAINEN, UTÖ
VANTAA, HELSINKI-VANTAAN LENTOASEMA
KALAJOKI, ULKOKALLA
PELKOSENNIEMI, PYHÄTUNTURI
KOVATUULISET PÄIVÄT 0–1 m/s tyyni 1–4 m/s heikko
HAVAINTOASEMA
3.
4.
5.
6.
7.
8.
9. 10. 11. 12. 13. 14. 15. 16. 17. 18. 19. 20. 21. 22. 23. 24. 25. 26. 27. 28. 29. 30. 31.
HELSINKI, HARMAJA HANKO, RUSSARÖ PARAINEN, UTÖ KÖKAR, BOGSKÄR
8–14 m/s navakka
RAUMA, KYLMÄPIHLAJA
21– m/s myrsky
2.
KOTKA, HAAPASAARI
4–8 m/s kohtalainen
14–21 m/s kova
1.
HAMMARLAND, MÄRKET
KRISTIINANKAUPUNKI VALASSAARET KALAJOKI, ULKOKALLA KEMI, AJOS
Taulukon asemien kovatuuliset päivät (suurin 10 minuutin keskituulen nopeus vähintään 14 m/s) on esitetty oranssilla ja myrskypäivät (vähintään 21 m/s) punaisella värillä. Harmaa väri esittää puuttuvia havaintoja. ILMASTOKATSAUS 2/2022
|
19
KES KILÄ MP ÖTILAN V I I KKOEN N U ST EET JA P O I K K E A M AT V I I KO I L L E 1 2 –1 7 Ennuste on tehty xx.xx.2022 ja se perustuu Euroopan keskipitkien sääennusteiden keskuksen (ECMWF) tuottamaan aineistoon.
21.3.–27.3.
28.3.–3.4.
4.4.–10.4.
11.4.–17.4.
18.4.–24.4.
25.4.–1.5.
°C
°C
°C
°C
Ennustettu keskimääräinen ilman lämpötila 2 metrin korkeudella (°C) seuraavien kuuden viikon aikana (ylemmät kuvat) ja ennustetun lämpötilan poikkeama (°C) jakson 1999–2018 keskiarvosta (alemmat kuvat).
20
|
ILMASTOKATSAUS 2/2022
F M I ’S M O N TH LY C L I M ATE B U L L E TI N – S U MM A RY O F F E B R UARY 2022
February was a month with heavy snowfall February saw above average temperatures and precipitation levels in most of Finland and a new national record for monthly precipitation level in February was set in Virolahti. Also, snow cover was in parts of Finland thicker than for several years. According to the statistics from the Finnish Meteorological Institute, the mean temperature in February was close to the long-term average from 1991–2020 only in northern and northwestern Lapland while elsewhere it was a 1–4 °C milder month than usually. The largest warm anomaly took place in eastern Finland. The lowest temperature in February, -34.9 °C, was observed at Enontekiö Airport on the 1st and the highest temperature, 7.1 °C, in Ojakylä, Pyhäjärvi on the 28th. Precipitation levels were in most of Finland clearly above the average, even by 2–3-fold in some regions. Only in Lapland and in the area around the city of Vaasa in western Finland precipitation levels remained mainly close to the long-term average. The highest level of precipitation in February, 134.8 mm, was measured in Koivuniemi, Virolahti. This is a new national record for monthly precipitation in February. The previous record, 131.6 mm, measured in Anjala, Kouvola in 2016, was surpassed also in Nuuksio, Espoo with a measured precipitation level of 132.8 mm. Several other stations mainly in the regions of Uusimaa and Kymenlaakso measured more than 100 mm of precipitation in February. Moreover, many stations with decades of observations recorded their highest level of precipitation in February. The lowest level of precipitation in February, 15.7 mm, was measured in
Näkkälä, Enontekiö in northern Lapland. The count of sunshine hours in February was close to the long-term average in western Finland but remained below the average in the east. There were several episodes of heavy snowfall in February, particularly in the southern and central parts of Enontekiö Airport, Finland. In the south, also rainfall and 1.2. mixed precipitation of rain and snow occurred on several days. Particularly heavy snowfall took place in the region of Uusimaa on 21 February. In Kumpula, Ojakylä, Pyhäjärvi, 28.2. Helsinki snow depth increased even by 35 cm on the 21st and a daily precipitation level of 35.6 mm was measured in Sjundby, Siuntio. By the end of February, snow depth increased above 100 cm locally in North Karelia and the highest depth of snow cover, 120 cm, was measured in Naarva, Ilomantsi on the 26th. Also, in northwestern Lapland and lo- Highest and lowest temperatures cally in North Savo and Kainuu snow cover was approximately 100 cm thick. In the central parts of Finland, the depth of snow cover was locally apHIGHLIGHTS: FEBRUARY 2022 • Globally, February 2022 was the proaching the highest recorded values seventh-warmest since the global for several decades. record began in 1880. In the region of Uusimaa in southern • February was seventh-warmest on record in Europe, several countries Finland, the highest snow depths were having their top-10 warm February. observed on 22 February. In Nuuksio, • Antarctic had its smallest sea ice exEspoo, snow depth reached 92 cm, the tent for February, nearly 30% below average, in the 44-year record. highest observed snow depth in the region since 1999.
-34.9 °C
+7.1 °C
Ilari Lehtonen
Source: Copernicus Climate Bulletin ILMASTOKATSAUS 2/2022
|
21
Ilmatieteen laitos ilmastokatsaus@fmi.fi www.ilmastokatsaus.fi