Koronaviruksen mielenkiintoisimpia aspekteja matemaattisesti tarkasteltuna ovat kiivaat keskustelut pandemian kulkua ennustavista malleista. Laaja yleisö on nyt oppinut, että mallit ovat yksinkertaistuksia ja niiden tarkkuus ja epävarmuus riippuvat muun muassa lähtötiedon laadusta, laskentatavoista sekä muista asetetuista reunaehdoista. Näin olemme saaneet tarkastella lukuisten epidemiologien ja tilastotieteilijoiden, ammattilaisten ja harrastelijoiden, tuotoksia, joiden lopputulos vaihtelee varsin suuresti. Osa mallintajista käyttää jopa taloustieteestä tuttuja mallinnustapoja. Koronaviruksen aiheuttaman Covid-19-tauti on kuitenkin monilta osiltaan vielä varsin tuntematon.

Näin mittaussektorilta tarkasteltuna erilaiset mallinnukset ovat osoittaneet hyvin toteen vanhan ”roskaa sisään-roskaa ulos” periaatteen, englanniksi ”garbage in, garbage out” (GIGO) tai ”rubbish in, rubbish out (RIRO). Suomessa käytetään myös tuttavallisemmin ilmaisua ”paskaa sisään, paskaa ulos”.

Itse tilastollinen analyysi tai matemaattinen algoritmi voi sinänsä olla ihan validi, mutta laskennan tuottama lopputulos heijastaa siis auttamatta myös lähtötiedon laatua. Tällä hetkellä näemme kaiken päälle lukuisia eri laskentamalleja, joten ilmankos ennustusten lopputulokset vaihtelevat huomattavasti. Jokainen voi käydä itse kokeilemassa New York Timesin sivuilla, miten lopputulokset muuttuvat parametrejä vaihtamalla. Tai vastaavasti tällä sveitsiläisvetoisella laskurilla on myös mielenkiintoista leikkiä.

Kaiken pandemiakurjuuden keskellä käytävä keskustelu on sinänsä varsin ilahduttavaa, sillä tämä on mittausmaailman arkea. Ehkäpä nyt jatkossa myyntineuvottelussa myös ostava osapuoli ymmärtää mittausaineistojen laadullisen eron? Jos mallinnuksen lähtöaineiston laatu ja tarkkuus on heikko, niin lopputuloksen epävarmuus kasvaa. Myös mallinnusohjelmalla sekä käytetyillä laskentaparametreilla on vaikutus lopputulokseen.

Jos kyseessä on kriittinen mittauskohde, niin lopulliset kustannukset voivat kasvaa huomattavasti vaikka tuotettu malli näyttäisi visuaalisesti kauniilta mutta tarkkuus on ala-arvoinen. Antaako huonosta aineistosta tehty geometrinen malli muuta lisäarvoa kuin jonkinlaisen visuaalisen elämyksen katsojalle? Jätämme tämän lukijan mietittäväksi.

Otetaanpa esimerkki tiemittauksen puolelta. Luimme kuviin Riegl VMX-1HA mobiilimittausaineistoamme päälle  Digiroadin tietokannasta haetun keskilinjatiedoston.

Tarkastelemissamme aineistoissa näkyy paljon sekä horisontaalista että vertikaalista soutamista ja huopaamista, mikä viittää mittauskalustojen (jos tämä keskilinjatieto on ajoneuvosta tuotettu) huonoon keskiakselin kalibrointiin (boresight calibration). Aineistoa tarkastellessa sekä Roll, Pitch ja Yaw -kulmissa on ongelmia, mutta nuo äkkinäiset muutokset kuvaavat joitain muita virhelähteitä. Surullisinta on, ettei käyttäjä ei voi edes hallita näitä ongelmia, jos mittauskaluston integrointi on tehty väärin tai käytetty prosessointiohjelma ei anna siihen toimivia työkaluja.

Tien keskilinjan toteuma on itse asiassa varsin haastava määrittää kuluneiden teiden kohdalla. Uudella tiellä keskilinja kulkee tien korkeimmalla kohdalla kaistojen asfalttisauman keskellä, mutta kulunut tie on tasaantunut myös tuon sauman kohdalla. Tien maalauksilla ei ole suoraa yhteyttä tien keskilinjan tai muuhunkaan geometriaan, sillä tyypillisesti maalauksien sijainti riippuu maalausauton kuljettajan ”silmästä”, ei hyvästä paikannuksesta. Tarkasta mobiililaserkeilausaineistosta geometrisen keskilinjan määrittäminen on kuitenkin mahdollista huomattavasti muita käytettävissä olevia menetelmiä tarkemmin massatuotantona.

Viime vuosina on keskitytty mallinnettujen aineistojen siirtämiseen uusille alustoille, mutta itse sisällön suhteen ei ole tehty merkittäviä parannuksia. Kaikki erilaisten tiemittausten kanssa työtä tekevät toimijat kärsivät kuitenkin aineistojen laadusta, epätarkkuudesta, joten eikö olisi vihdoinkin jo aika tehdä asialle jotain? Jos referenssiainesto olisi parempi, niin myös heikkolaatuisempien aineistojen tuottajien olisi helpompi sovittaa omat aineistonsa referenssin. Nyt paukkuvat esimerkiksi sijainnit ja tieosuuksien pituudet siihen malliin, että jokainen toimija joutuu kärsimään turhat  lisäkustannukset omassa selkänahassaan. Alkaen ihan väärään pituustietoon perustuvasta urakkatarjouksesta.

Pidemmän päälle esitämme myös sellaista ajatustapaa, että jokaisen uudelleenasfaltoinnin yhteydessä muotonsa menettänyttä vanhan tien keskilinjageometriaa ja kallistuksia voitaisiin parantaa. Itse työ tehtäisiin jyrsinnän yhteydessä, jolloin asfaltoinnin jälkeen tien geometriset ominaisuudet olisivat paremmat. Jossain vaiheessa tietkin ovat luonnollisesti elinkaarensa päässä, jolloin auttaa vain suurempi tierunkoon ulottuva korjaus.

Rautatiesektorilla toppakoneilla tehdään muuten tätä geometrian korjausta palauttaen kiskojen sijainnin taas lähemmäksi suunniteltua mallia, jolloin juna kulku raiteilla on matkustajille sekä turvallisempaa että miellyttävämpää. Tosin sielläkin on todettu, että toppakoneen laskema korjaus perustuu melko lyhyeen mittausalueeseen, joten tarkan INERTIA-GNSS tekniikan mobiililaserskannaus tuottaisi matkustajien kannalta mieluisamman lopputuloksen. Junien nopeuksien noustessa tarkka INERTIA-GNSS tekniikka tulee olemaan ainoa massamittaukseen perustuva toimiva ratkaisu myös rautateillä. Muun muassa Ranskan rautateillä on jo käytössä kaksi kappaletta RIEGLin uusinta rautateiden mobiililaserskanneria VMX-RAIL. Niillä tehdään Ranskan rautateiden virtuaalikaksonen, mutta oikein mitattuna aineistosta voi analysoida myös raidegeometriaa ja varmistaa sen pysyvän toleranssien sisällä.