Tausta
Revontulien syntymekanismi tunnetaan tänä päivänä varsin hyvin, samoin kuin revontulien esiintymiskorkeus, noin 100 km. Revontulista peräisin olevien äänien olemassaolo on edelleen ratkaisematon arvoitus. Kansanperinteessä on lukuisa joukko tarinoita revontulien kolinasta tai huminasta. Revontulien aiheuttamien äänien olemassaoloa ei kuitenkaan tähän päivään saakka ole kuitenkaan pystytty kiistattomasti todentamaan tai väitettä äänistä kumoamaan.
Hankkeessa rakennettiin Jyväskylän Sirius ry:n observatorioon Hankasalmen Murtoisiin maailman ensimmäinen jatkuvatoiminen ja etäohjattu revontulien kuunteluasema. Hankkeen kustannusarvio oli noin 30000€ ja se toteutettiin Leader Maaseutukehitys ry:n koordinoimasta Manner-Suomen maaseudun kehittämisohjelmasta. Jyväskylän Sirius ry toteutti hankkeen pääosin jäsenistön talkoovoimin. Hanke alkoi 1.7.2018 ja päättyi 31.5.2021.
Kuunteluaseman havaintolaitteiden suunnittelu perustui Unto Laineen hypoteesiin, jonka mukaan äänen aiheuttaa varautuneessa inversiokerroksessa revontulien indusoima kipinä. Laitteiston avulla pyritään siis havaitsemaan tuo kipinä radiotaajuuksilla ja ääni herkillä mikrofoneilla. Mikrofoneja on useita, joten niillä voidaan havaita myös äänen tulosuunta.
Tekniikka
Äänten havaitsemiseen hankittiin neljä erittäin herkkää ja laajan dynamiikan (10 – 60000 Hz) omaavaa mikrofonia (Sennheiser MKH 8020), sekä niille soveltuva äänikortti ja tietokone. Äänten tallennuksen ohjaus on toteutettu itse ohjelmoidulla Python-ohjelmalla. Mikrofonit on sijoitettu Murtoisiin observatoriorakennuksen yhteyteen siten, että niiden etäisyys toisistaan on mahdollisimman suuri.
Radiosignaalin vastaanottoon valmistettiin kehäantenni. Kela on 2 x 34 kierrosta vieriviereen käämittynä 0,8mm emali/silkkieristettyä kuparilankaa. Langan koko pituus on n. 270 metriä. Kelassa on myös väliulosotto mahdollisia kokeiluja varten. Laskennallinen induktanssi on n. 11 mH. Kelan rinnalla on 11nF styroflex kondensaattori, jolloin resonanssi on n. 14kHz. Ylijännitesuojana on kaksi rinnakkain kytkettyä transienttidiodia ja vahvistimesta tulevan DC-jännitteen katkaisemiseksi lähtöjohdossa 0,15 uF 250V polyesterikondensaattori. Diodit ja kondensaattorit ovat säänkestävässä IP55 muovikotelossa, josta signaalin lähtö on Amphenolin IP65-liittimellä. Diodien tehtävä on rajoittaa lähtöjännite n. 1,6 volttiin.
Laitteiston tekninen toiminta Suomen varsin vaihtelevassa säässä on varmistettava. Tämänkaltaisia laitteistoja ei ole muualla, joten laitteiston sääsuojaus suunniteltiin itse. Vaatimuksena oli, että laitteistoa voidaan kokonaisuudessaan käyttää etänä. Etäkäyttö mahdollistaa havaintoajan maksimoinnin ja myös sen, etteivät havaitsijoiden itsensä aiheuttamat äänet häiritse oletettavasti hyvin heikkoja äänien havaitsemista. Mikrofonit sijoitettiin filmivanerista valmistettuihin laatikoihin, joiden kansi on avattavissa. Mikrofonilaatikoiden kannet pidetään avoimena aina kelin salliessa, jotta laatikko ei vaimenna signaalia. Kansia ohjataan sää- ja pilvisyysdatan mukaan täysin automaattisesti
Datan analysointi
Äänityksessä kertyvän datan määrä on suuri sillä äänitys on päällä jatkuvasti. Kahta kanavaa tallennettaessa yhdessä vuorokaudessa kertyy noin 14,8 GB dataa, joka vuositasolla on vuodessa 2,5 TB. Datan visualisoimiseksi sekä mikrofonin että VLF-antennin signaaleista piirretään 10 min välein spektrogrammit. Spektrogrammi on kuvaaja, eräänlainen äänen sormenjälki, jossa vaakasuoralla akselilla on aika ja pystysuoralla taajuus. Esimerkkikuvan spektrogrammi on helmikuulta 2022 ja äänidatan spektrogrammissa näkyy varsin selvästi korkeilla taajuuksilla (4-6 kHz) vaihtelua, joka on peräisin lintujen laulusta. VLF-datassa näkyy 8 kHz kohdalla jaksollinen ’piipitys’, jonka lähdettä ei raportin kirjoitushetkellä vielä ole kyetty selvittämään.
Datan automaattinen analysointi
Äänen ja erityisesti puheen automaattinen tunnistus on alue, jota maailmalla tutkitaan erittäin paljon. Yleisimmin äänentunnistus perustuu edellä esiteltyihin spektrogrammeihin ja neuroverkkoihin. Neuroverkko on ihmisaivoja jäljittelevä matemaattinen malli, jolle tunnetulla materiaalilla opetetaan tietty asia ja opetuksen jälkeen malli pyrkii tunnistamaan sille esitetyn asian.
Murtoisten äänitetty audiodata ajetaan automaattisen tunnistusmallin /https://www.tensorflow.org/hub/tutorials/yamnet/ läpi. Malli on avointa dataa ja vapaasti verkosta ladattavissa. Kuten esimerkkitulostuksesta nähdään, suurin osa ajasta ei kuulu mitään (Silence). Malli kuitenkin havaitsee auton äänen ja puheen. Malli myös kertoo kuulleensa valaan äänen, mikä kertoo paljon automaattisen tunnistuksen haasteellisuudesta.
Toinen äänen automaattiseen tunnistamiseen liittyvä kokeilu liittyy lintulajien tunnistukseen äänen perusteella. Lintujen äänet ovat usein varsin selvästi tunnistettavia, joten myös niiden spektrogrammit ovat selkeitä. Tunnistusta auttaa tunnistuspaikan maantieteellinen sijainti ja havaintoaika. Lintujen äänten tunnistukseen on myös maksuton malli BirdNET/https://github.com/kahst/BirdNET/, jonka voi ladata netistä. Mallilla 4.3.2021 äänitetystä ääninäytteestä malli tunnisti tyypillisiä Suomessa esiintyviä lintulajeja.
Äänen automaattitunnistus ja lintujen lajien tunnistus ovat esimerkkejä siitä, mitä kaikkea äänidatasta on mahdollista analysoida. Myös erilaisten äänimaisemien (soundscape) tutkimus on maailmalla yleistä. Valosaasteen tavoin äänisaaste vaikuttaa monin tavoin eri lajien käyttäytymiseen.
