Koira kuumassa autossa: fysiikka puhuu, somepaniikki ei

Termodynaamiset kaavat, simulaatiot ja bayesilainen epävarmuus — ei hysteriaa

Sosiaalinen media panikoi koirista kuumissa autoissa, mutta yksikään meemi ei kerro kaikkea. Fysiikka kertoo. Käydään läpi tarkat kaavat, mallinnetaan suomalaisia lämpötiloja ja simuloidaan epävarmuus kunnolla — jakaumina.
fysiikka
termodynamiikka
simulaatio
bayesilainen
eläinten hyvinvointi
Author

Kristian Vepsäläinen

Published

26.6.2026

Code 
library(tidyverse)
library(ggplot2)
library(patchwork)
library(ggdist)
library(here)

# Varmistetaan, että kaikki tarvittavat paketit löytyvät
stopifnot(
  requireNamespace("tidyverse",  quietly = TRUE),
  requireNamespace("ggplot2",    quietly = TRUE),
  requireNamespace("patchwork",  quietly = TRUE),
  requireNamespace("ggdist",     quietly = TRUE),
  requireNamespace("here",       quietly = TRUE)
)
Code 
# Kristianin visuaalinen teema
source(here::here("R", "theme_kristian.R"), local = TRUE)

# Väripaletti selkeästi nimettynä
clr_red    <- "#e63946"
clr_teal   <- "#2a9d8f"
clr_orange <- "#f4a261"
clr_navy   <- "#1d3557"
clr_blue   <- "#457b9d"
clr_bg     <- "#0d1117"
clr_grid   <- "#1e2530"
clr_text   <- "#c9d1d9"

Johdanto: kun paniikki korvaa fysiikan

Joka kesä sosiaalinen media täyttyy kuvakaappauksista, meemeistä ja raivokkuudesta: “Ei jätetä koiraa autoon! Lämpötila nousee heti tappavaksi!” Reaktio on inhimillinen. Tuntuu intuitiivisesti oikealta. Mutta intuitio ei ole fysiikkaa.

Tässä postauksessa tehdään se, mitä päättäjien, lainsäätäjien ja koiranomistajien pitäisi edellyttää ennen kannanottoja: katsotaan lukuja. Tarkkoja lukuja. Fysiikan lakeja, empiirisiä mittauksia, ja ennen kaikkea — jakaumia, ei pisteitä.

“Koira kuolee autoon viidessä minuutissa” on piste-estimaatti. Se saattaa joskus olla oikein. Mutta se on epätäydellinen ja usein harhaanjohtava. Oikea kysymys on: mikä on todennäköisyysjakauma aikaikkunalle, jonka kuluessa koira on hengenvaarassa — eri lämpötiloissa, eri autoissa, eri olosuhteissa?

Vastaukseen tarvitaan termodynamiikkaa, eläinlääketiedettä, suomalaisia sääaineistoja ja bayesilaista epävarmuuden kvantifiointia.

Osa 1: Termodynamiikka — miten auto lämpenee

Kasvihuoneilmiö: auton sisäinen mekanismi

Auton lämpeneminen auringossa on klassinen kasvihuoneilmiö — mutta auton sisällä, ei ilmakehässä. Mekanismi toimii seuraavasti:

  1. Lyhytaaltoinen auringonsäteily (λ ≈ 0,3–2,5 μm) läpäisee lasin lähes esteettä, koska lasi on tälle aallonpituusalueelle lähes läpinäkyvä
  2. Istuimet, kojelauta, lattia absorboivat säteilyn ja lämpenevät — ne toimivat kuin mustat kappaleet
  3. Pinnat emittoivat pitkäaaltoista lämpösäteilyä (λ ≈ 8–14 μm), jonka lasi absorboi lähes täydellisesti (emissiivisyys ε ≈ 0,9)
  4. Tämä pitkäaaltoinen säteily ei pääse enää ulos lasista — energia jää loukkuun
  5. Sisäilma lämpenee konvektion kautta pinnoilta

Tämä on pohjimmiltaan sama ilmiö kuin ilmastonmuutos, mutta tiivistetyssä autolaatikossa ja minuuttien aikajänteessä.

Energiataseen differentiaaliyhtälö

Auton sisälämpötilan dynamiikka noudattaa energiataseen ODE:tä (tavallinen differentiaaliyhtälö). Johtamme sen ensin periaatteista.

Merkitään: - \(T_{in}(t)\) = sisälämpötila ajan hetkellä \(t\) [K tai °C] - \(T_{out}\) = ulkolämpötila (oletetaan vakioksi, [°C]) - \(T_{eq}\) = tasapainolämpötila eli yläasymptotti [°C] - \(\tau\) = aika vakio, joka kuvaa kuinka nopeasti tasapainoon päästään [min]

Energiavuo sisään:

\[\dot{Q}_{in} = \alpha \cdot A_{glass} \cdot G_s \cdot \tau_{glass}\]

missä: - \(\alpha\) = absorptiokerroin sisäpinnoille (≈ 0,85–0,95) - \(A_{glass}\) = lasin pinta-ala [m²] - \(G_s\) = auringon globaalin säteilyn intensiteetti [W/m²] - \(\tau_{glass}\) = lasin transmittanssi lyhytaaltoiselle säteilylle (≈ 0,75–0,90)

Energiavuo ulos (johtuva + konvektiivinen lämpöhäviö):

\[\dot{Q}_{out} = UA \cdot (T_{in} - T_{out})\]

missä \(UA\) on kokonaislämmönläpäisyvastuksen käänteisluku [W/K] koko auton pinnalle.

Energiataseyhtälö:

\[m_{air} \cdot c_p \cdot \frac{dT_{in}}{dt} = \dot{Q}_{in} - \dot{Q}_{out}\]

\[m_{air} \cdot c_p \cdot \frac{dT_{in}}{dt} = \alpha A_{glass} G_s \tau_{glass} - UA(T_{in} - T_{out})\]

Tämä on lineaarinen ensimmäisen asteen ODE, jonka analyyttinen ratkaisu on eksponentiaalisesti lähestyvä funktio:

\[\boxed{T_{in}(t) = T_{eq} - (T_{eq} - T_{0}) \cdot e^{-t/\tau}}\]

missä: - \(T_0 = T_{in}(0)\) = alkuhetken sisälämpötila (oletetaan \(= T_{out}\), auto on jäähtynyt yön yli) - \(T_{eq} = T_{out} + \frac{\alpha A_{glass} G_s \tau_{glass}}{UA}\) = tasapainolämpötila - \(\tau = \frac{m_{air} \cdot c_p}{UA}\) = aikavakio

Tärkeä havainto: Tasapainolämpötila \(T_{eq}\) riippuu sekä ulkolämpötilasta että auringon säteilystä. Pilvinen 30 °C -päivä on eri asia kuin aurinkoinen 20 °C -päivä.

Parametrien arvot tyypilliselle keskiluokan autolle

Code 
# Fysikaaliset vakiot
rho_air  <- 1.20    # ilman tiheys [kg/m³] ~25°C
cp_air   <- 1005    # ilman ominaislämpökapasiteetti [J/(kg·K)]

# Auton parametrit: Toyota Corolla / VW Golf -tyyppi
V_cabin  <- 2.8     # ohjaamon tilavuus [m³] (tyypillisesti 2.5–3.2)
m_air    <- rho_air * V_cabin  # ilman massa [kg]

# Lasin parametrit
A_glass   <- 3.0   # lasin kokonaispinta-ala [m²]
tau_glass <- 0.82  # lasin transmittanssi lyhytaaltoiselle säteilylle
alpha_int <- 0.88  # sisäpintojen absorptiokerroin

# ---------------------------------------------------------------
# MALLIN KALIBROINTI
# ---------------------------------------------------------------
# Ongelma: yksinkertainen Q_in / UA yliarvioi T_eq reilusti, koska
# UA-termi pitäisi sisältää KAIKKI lämpöhäviömekanismit (johtuma,
# konvektio, pitkäaaltoinen säteilyhäviö ulos), ja lisäksi osa
# auringon energiasta menee pintojen (massa) lämmittämiseen, ei
# pelkästään ilmaan.
#
# Schauberger ym. (2017, Theor. Appl. Climatol.) mittasivat:
#   T_eq - T_out ≈ 20–40 °C aurinkoiskenaarioissa
#   Mediaani ≈ 28–32 °C tyypillisessä kesäpäivässä
#
# Kalibroidaan "efektiivinen UA_eff" siten, että
#   T_eq = T_out + (alpha * A_glass * G_s * tau_glass) / UA_eff
# tuottaa oikean ΔT:n. Tavoite: ΔT = 30°C, kun G=800, A=3, α=0.88, τ=0.82
#   → UA_eff = (0.88 * 3.0 * 800 * 0.82) / 30 ≈ 57.9 W/K
#
# Tämä vastaa kokonaisenergiatasetta, jossa huomioidaan sekä
# johtuma/konvektio karosseriasta että pitkäaaltoinen säteilyhäviö.
# Kirjallisuusarvo: Horak ym. (2016) taulukko 4 antaa τ ≈ 11 min,
# josta UA_eff = m_eff * cp / τ, missä m_eff sisältää myös pintojen
# lämpökapasiteetin (tyypillinen arvo ~100 kg·ekvivalentti ilmalle).
# ---------------------------------------------------------------

UA_eff <- (alpha_int * A_glass * 800 * tau_glass) / 30
# → noin 58 W/K (efektiivinen, sisältää kaikki häviöt)

# Aikavakio τ: kirjallisuudesta (Schauberger 2017): τ ≈ 10–15 min
# Lasketaan: τ = m_eff_cp / UA_eff
# Käytetään empiiristä τ = 11 min suoraan ja johdetaan m_eff siitä
tau_min_ref <- 11   # [min], kirjallisuuden mediaaniarvo
m_eff_cp    <- UA_eff * tau_min_ref * 60  # [J/K] — efektiivinen lämpökapasiteetti
# (sisältää ilman + pintojen lämpökapasiteetin)

cat(sprintf("UA_eff (kalibroitu): %.1f W/K\n", UA_eff))
UA_eff (kalibroitu): 57.7 W/K
Code 
cat(sprintf("Efektiivinen lämpökapasiteetti m_eff*cp: %.0f J/K\n", m_eff_cp))
Efektiivinen lämpökapasiteetti m_eff*cp: 38100 J/K
Code 
cat(sprintf("Aikavakio τ (kirjallisuus): %.0f min\n", tau_min_ref))
Aikavakio τ (kirjallisuus): 11 min
Code 
# Funktio: tasapainolämpötila (kalibroitu malli)
# ΔT_eq = Q_in / UA_eff, missä UA_eff on kalibroitu kirjallisuuteen
T_eq_fn <- function(T_out, G_s,
                    A_glass   = 3.0,
                    tau_glass = 0.82,
                    alpha_int = 0.88,
                    UA        = UA_eff) {
  Q_in <- alpha_int * A_glass * G_s * tau_glass
  T_out + Q_in / UA
}

# Funktio: sisälämpötila ajan funktiona (eksponentiaalisesti lähestyvä)
T_in_fn <- function(t_min, T_out, G_s, T_0 = NULL,
                    A_glass   = 3.0,
                    tau_glass = 0.82,
                    alpha_int = 0.88,
                    UA        = UA_eff,
                    tau_min   = tau_min_ref) {
  if (is.null(T_0)) T_0 <- T_out
  T_eq <- T_eq_fn(T_out, G_s, A_glass, tau_glass, alpha_int, UA)
  T_eq - (T_eq - T_0) * exp(-t_min / tau_min)
}

# Tarkistus: ääriarvot
cat(sprintf("Tasapainolämpötila, T_out=20°C, G=800 W/m²: %.1f °C  (ΔT=%.1f)\n",
            T_eq_fn(20, 800), T_eq_fn(20, 800) - 20))
Tasapainolämpötila, T_out=20°C, G=800 W/m²: 50.0 °C  (ΔT=30.0)
Code 
cat(sprintf("Tasapainolämpötila, T_out=30°C, G=900 W/m²: %.1f °C  (ΔT=%.1f)\n",
            T_eq_fn(30, 900), T_eq_fn(30, 900) - 30))
Tasapainolämpötila, T_out=30°C, G=900 W/m²: 63.8 °C  (ΔT=33.8)
Code 
cat(sprintf("Tasapainolämpötila, T_out=25°C, G=600 W/m²: %.1f °C  (ΔT=%.1f)\n",
            T_eq_fn(25, 600), T_eq_fn(25, 600) - 25))
Tasapainolämpötila, T_out=25°C, G=600 W/m²: 47.5 °C  (ΔT=22.5)
Code 
cat(sprintf("Tasapainolämpötila, T_out=25°C, G=150 W/m²: %.1f °C  (ΔT=%.1f, varjo)\n",
            T_eq_fn(25, 150), T_eq_fn(25, 150) - 25))
Tasapainolämpötila, T_out=25°C, G=150 W/m²: 30.6 °C  (ΔT=5.6, varjo)
Code 
# Validointi: ΔT_eq pitää olla 20–40°C aurinkoisissa ja ~5–10°C varjossa
delta_T_800 <- T_eq_fn(25, 800) - 25
delta_T_150 <- T_eq_fn(25, 150) - 25
stopifnot(delta_T_800 >= 20 && delta_T_800 <= 40)
stopifnot(delta_T_150 >=  3 && delta_T_150 <= 15)
cat("\n✓ Kalibrointi validoitu: ΔT_eq kirjallisuuden rajoissa\n")

✓ Kalibrointi validoitu: ΔT_eq kirjallisuuden rajoissa

Osa 2: Suomalaiset lämpöolot — ei Arizonaa, mutta ei harmitontakaan

Miksi Suomi on erityinen tapaus

Suomalaiset somekeskustelut viittaavat usein amerikkalaisiin tutkimuksiin, joissa ulkolämpötila on 35–38 °C. Suomessa tyypillinen kesälämpötila on erilainen — mutta ilmaston lämpeneminen muuttaa jakaumaa. Vuoden 2025 heinäkuun helleaalto ylitti 30 °C:n joka päivä 22 päivän ajan — pisin tällainen jakso mittaushistoriassa.

Code 
# Suomalaiset skenaariot ulkolämpötilan perusteella
# Lähde: IL tilastot, FMI klimatologia
skenaariot <- tibble(
  skenaario = c(
    "Pilvinen kesäpäivä",
    "Puolipilvinen, lämmin",
    "Aurinkoinen, normaali kesä",
    "Hellepäivä (≥25°C)",
    "Poikkeuksellinen helle (≥30°C)",
    "Ennätyshellepäivä (2024-2025)"
  ),
  T_out    = c(18,  22,  25,  27,  31,  33),  # °C
  G_s      = c(300, 600, 750, 850, 900, 950),  # W/m² (globaali säteily)
  todennakoisyys = c(0.30, 0.28, 0.22, 0.12, 0.06, 0.02)  # karkea arvio kesäpäivistä
)

# Tarkistus: todennäköisyydet summautuvat 1:een
stopifnot(abs(sum(skenaariot$todennakoisyys) - 1) < 1e-9)

# Laskenta
skenaariot <- skenaariot |>
  mutate(
    T_eq  = T_eq_fn(T_out, G_s),
    delta_T = T_eq - T_out
  )

# Näytetään
skenaariot |>
  select(skenaario, T_out, G_s, T_eq, delta_T) |>
  knitr::kable(
    digits = 1,
    col.names = c("Skenaario", "Ulkol. (°C)", "Aurinko (W/m²)",
                  "Tasapainol. (°C)", "ΔT (°C)"),
    caption = "Tasapainolämpötilat suomalaisissa olosuhteissa"
  )
Tasapainolämpötilat suomalaisissa olosuhteissa
Skenaario Ulkol. (°C) Aurinko (W/m²) Tasapainol. (°C) ΔT (°C)
Pilvinen kesäpäivä 18 300 29.2 11.2
Puolipilvinen, lämmin 22 600 44.5 22.5
Aurinkoinen, normaali kesä 25 750 53.1 28.1
Hellepäivä (≥25°C) 27 850 58.9 31.9
Poikkeuksellinen helle (≥30°C) 31 900 64.8 33.8
Ennätyshellepäivä (2024-2025) 33 950 68.6 35.6
Code 
# Aikasarjat kaikille skenaarioille
t_min <- seq(0, 90, by = 1)

sarja_data <- skenaariot |>
  rowwise() |>
  mutate(
    ajat = list(t_min),
    lampotilat = list(T_in_fn(t_min, T_out, G_s))
  ) |>
  unnest(c(ajat, lampotilat)) |>
  rename(t = ajat, T_in = lampotilat)

# Tarkistus: ei NaN-arvoja
stopifnot(!any(is.nan(sarja_data$T_in)))
stopifnot(all(sarja_data$T_in >= sarja_data$T_out - 0.1))

# Vaarallisuuskynnys koiralle
# Lähde: McLaren ym. 2005 (Pediatrics), eläinlääketiede: koiran keholämpötila 38-39°C
# Hypertermia koiralla: >39.5°C kehon lämpötila
# Sisäilman pitää olla yli ~35–40°C, jotta passiiviinen koira alkaa ylikuumeta
# Hengenvaarallinen: koiran kehon T > 41°C → sisäilma yleensä >45–50°C
# Käytetään varoituskynnystä 40°C ja kriittistä kynnystä 50°C sisäilman lämpötilalle

T_varoitus  <- 40   # °C, alkaa olla koiralle vaarallinen
T_kriittinen <- 50  # °C, hengenvaarallinen (kehon T alkaa nousta >41°C)

ggplot(sarja_data, aes(x = t, y = T_in, colour = skenaario)) +
  geom_line(linewidth = 1.1) +
  geom_hline(yintercept = T_varoitus,  linetype = "dashed",
             colour = clr_orange, linewidth = 0.8) +
  geom_hline(yintercept = T_kriittinen, linetype = "dashed",
             colour = clr_red,    linewidth = 0.8) +
  annotate("text", x = 88, y = T_varoitus  + 1.5,
           label = "Varoitusraja 40°C", colour = clr_orange,
           size = 3.2, hjust = 1) +
  annotate("text", x = 88, y = T_kriittinen + 1.5,
           label = "Kriittinen raja 50°C", colour = clr_red,
           size = 3.2, hjust = 1) +
  scale_colour_manual(
    values = c(clr_blue, clr_teal, clr_orange, clr_orange,
               clr_red, "#ff6b6b"),
    guide = guide_legend(ncol = 1)
  ) +
  labs(
    title    = "Auton sisälämpötila ajan funktiona — suomalaiset skenaariot",
    subtitle = "Eksponentiaalisesti lähestyvä tasapainolämpötila; parametrit: Toyota Corolla -tyyppi",
    x        = "Aika pysäköinnistä [min]",
    y        = "Sisälämpötila [°C]",
    colour   = NULL,
    caption  = "Malli: dT/dt = (T_eq - T) / τ | τ ≈ 11 min | Lähde: Schauberger ym. 2017, Horak ym. 2016"
  ) +
  theme_kristian()

Mitä kaavio kertoo:

  • Pilvinen päivä (300 W/m²): sisälämpötila nousee ~35 °C:een → ei akuutisti kriittinen lyhyissä pysäköinneissä
  • Aurinkoinen normaali kesäpäivä (750 W/m², 25 °C): kriittinen raja ylitetään noin 25–30 minuutissa
  • Hellepäivä (≥30 °C, 900 W/m²): kriittinen raja ylitetään alle 15 minuutissa
  • Tasapainolämpötila kaikissa aurinkoiskenaarioissa: 55–65 °C

Osa 3: Mikä oikeasti vaikuttaa — ja mikä ei

Auton väri — vähemmän kuin luullaan (mutta ei ole merkityksetön)

Yksi yleinen myytti on, että musta auto on dramaattisesti vaarallisempi kuin valkoinen. Todellisuus on vivahteikkaampi.

Code 
# Värin vaikutus: korostuaksemme malliin lisätään heijastuskertoimen vaikutus
# Musta pinta: absorptiokerroin α ≈ 0.95 (pitkäaaltoinen ulkopinta)
# Valkoinen pinta: α ≈ 0.35
# MUTTA: sisälämpötilaan vaikuttaa ennen kaikkea LASIN kautta tuleva säteily
# Väri vaikuttaa: (1) katon johtuma → sisälämpötilaan, (2) kojelauta/istuinten lämpötila
# Sisäpintojen väri on tärkeämpi kuin ulkopintojen väri

# Stanfordin tutkimus (McLaren ym. 2005): auton väri ei vaikuttanut merkittävästi
# sisäilman lämpötilaan. Sisäpintojen väri vaikuttaa enemmän.

# Mallinnetaan: ulkoinen absorptiokerroin vaikuttaa johtumaan katon kautta
# Katon johtuma lisäenergiavuo ΔQ = (α_ext_dark - α_ext_light) * A_roof * G_s_diffuse

# Katon pinta-ala ≈ 1.8 m², diffuusi + suora säteily katonosalle ≈ 0.3 * G_s
# Lämpöresistanssi katto: R_roof ≈ 0.05 m²K/W → UA_roof ≈ 1.8/0.05 = 36 W/K

vari_data <- tibble(
  G_s = seq(400, 950, by = 50),
  delta_T_vari = (0.95 - 0.35) * 1.8 * G_s * 0.3 / UA_eff  # lisälämpötila mustasta vs. valkoisesta
)

ggplot(vari_data, aes(x = G_s, y = delta_T_vari)) +
  geom_line(colour = clr_teal, linewidth = 1.3) +
  geom_ribbon(
    aes(ymin = delta_T_vari * 0.6, ymax = delta_T_vari * 1.4),
    fill = clr_teal, alpha = 0.2
  ) +
  labs(
    title    = "Auton ulkovärin vaikutus sisälämpötilaan",
    subtitle = "Musta vs. valkoinen — suurempi kuin nolla, pienempi kuin myytti väittää",
    x        = "Auringon säteily [W/m²]",
    y        = "Lämpötilaero (musta - valkoinen) [°C]",
    caption  = "Lähde: McLaren ym. 2005 (Pediatrics); malli perustuu katonjohtumalaskelmaan"
  ) +
  annotate("text", x = 700, y = 3.5,
           label = "Sisäilman ero musta vs. valkoinen\non tyypillisesti 2–5 °C\n(ei 10–15 °C, kuten usein väitetään)",
           colour = clr_text, size = 3.5, hjust = 0) +
  theme_kristian()

Tulos: Ulkoväri vaikuttaa sisälämpötilaan 2–5 °C. Stanfordin tutkimus osoitti, että auton väri ei vaikuttanut merkittävästi sisäilman lämpötilaan — merkittävämpi on sisäpintojen väri (tummempi kojelauta absorboi enemmän).

Ikkunan raottaminen — käytännössä hyödytön aurinkoiskenaarioissa

Code 
# Ikkunan raottaminen: lisää konvektiivista jäähdytystä
# Efektiivinen lisä-UA n. 5–15 W/K riippuen tuulinopeudesta ja raon koosta
# 2 cm rako sivuikkunassa ≈ +8 W/K (tyypillinen arvio)

UA_rako <- 8  # lisä-UA ikkunan raosta [W/K]

t_min_short <- seq(0, 60, by = 1)

rako_data <- tibble(
  t      = rep(t_min_short, 3),
  tila   = rep(c("Suljettu auto", "2 cm rako", "5 cm rako"), each = length(t_min_short)),
  UA_lisä = rep(c(0, UA_rako, UA_rako * 2), each = length(t_min_short))
) |>
  mutate(
    UA_tot = UA_eff + UA_lisä,
    T_in   = pmap_dbl(
      list(t = t, UA_tot = UA_tot),
      function(t, UA_tot) T_in_fn(t, T_out = 25, G_s = 800, UA = UA_tot)
    )
  )

ggplot(rako_data, aes(x = t, y = T_in, colour = tila)) +
  geom_line(linewidth = 1.2) +
  geom_hline(yintercept = 50, linetype = "dashed", colour = clr_red, linewidth = 0.8) +
  annotate("text", x = 58, y = 51.5,
           label = "Kriittinen raja 50°C",
           colour = clr_red, size = 3.2, hjust = 1) +
  scale_colour_manual(values = c(clr_navy, clr_blue, clr_teal)) +
  labs(
    title    = "Ikkunan raottamisen vaikutus — T_out = 25°C, G = 800 W/m²",
    subtitle = "Pienempi kuin yleensä uskotaan: 2 cm rako siirtää kriittistä hetkeä ~5 minuuttia",
    x        = "Aika [min]",
    y        = "Sisälämpötila [°C]",
    colour   = NULL,
    caption  = "Huom: tuuli lisää raotuksen tehoa huomattavasti — tyyni sää vs. 5 m/s tuuli voi erota 50%"
  ) +
  theme_kristian()

Tulos: 2 cm:n rako siirtää kriittisen rajan saavuttamista noin 5–8 minuutilla — ei tee autosta turvallista aurinkoiskenaariossa. Tulos on yhdenmukainen kirjallisuuden kanssa, jonka mukaan raottaminen vähentää lämpötilaeroa vain muutamalla asteella.

Osa 4: Koiran fysiologia — mikä tekee koirasta erityisen haavoittuvaisen

Koira ei hikoile kuin ihminen

Ihminen haihduttaa lämpöä koko ihon kautta. Koiralla hikirauhaset ovat vain tassuissa — pieni pinta-ala. Tärkein jäähdytysmekanismi on läähätys (panting): koira kierrättää ilmaa suun, kielen ja hengitysteillä haihduttaakseen vettä.

Tämä on tehokas mekanismi viileässä ja matalassa kosteudessa, mutta: - Kuumassa ilmassa (>35 °C) sisäänhengitetty ilma ei jäähdy koiraa, se lämmittää - Kosteassa ilmassa haihdutus heikkenee dramaattisesti - Brakykefaaliset rodut (mopsi, bulldog, ranskanpullukka): ahtaat hengitystiet → mekanismi heikkenee entisestään

Koiran lämpötilakynnykset

Code 
kynnykset <- tibble(
  tila = c(
    "Normaali kehon T",
    "Lievä kuumeilu",
    "Elimistön kuumeneminen (hypertermia)",
    "Lämpöuupumus",
    "Lämpöhalvaus alkaa",
    "Kriittinen — elinvaurioita",
    "Kuolema todennäköinen"
  ),
  T_kehon_min = c(37.5, 39.5, 39.5, 39.5, 41.0, 43.0, 43.0),
  T_kehon_max = c(39.2, 40.5, 40.5, 41.0, 43.0, 45.0, 47.0),
  vakavuus = c(1, 2, 2, 3, 4, 5, 6)
)

vari_asteikko <- c(
  clr_teal, clr_blue, clr_blue, clr_orange,
  clr_orange, clr_red, "#8b0000"
)

ggplot(kynnykset, aes(y = reorder(tila, T_kehon_min),
                       x = T_kehon_min,
                       xend = T_kehon_max,
                       colour = tila)) +
  geom_segment(linewidth = 4, lineend = "round") +
  scale_colour_manual(values = vari_asteikko, guide = "none") +
  labs(
    title    = "Koiran kehon lämpötilakynnykset",
    subtitle = "Koiran normaali kehon T on 37,5–39,2 °C — marginaali on pienempi kuin ihmisellä",
    x        = "Kehon lämpötila [°C]",
    y        = NULL,
    caption  = paste(
      "Lähteet: VetCompass-tutkimus (McLaren ym. 2021, Nature/Sci. Rep.);",
      "Bruchim ym. 2006; VCA Animal Hospitals kliiniset ohjeet"
    )
  ) +
  theme_kristian()

Kriittinen kynnys koiralle on kehon lämpötila yli 43 °C — tätä pidempikestoisessa altistuksessa kuoleman todennäköisyys kasvaa merkittävästi. Lämpöhalvaus koirilla määritellään ytimen lämpötilaksi yli 41 °C yhdistettynä keskushermoston häiriöihin.

Mutta tärkeää: sisäilman lämpötila ≠ koiran kehon lämpötila. Koiran kehon lämpötila nousee hitaammin kuin sisäilma — ja kuinka nopeasti riippuu: - Koiran painosta ja koosta (suurempi massa = hitaampi lämpeneminen) - Rodusta (brakykefaalit riskialttiimpia) - Liikkumisesta (levossa oleva koira tuottaa vähemmän lämpöä) - Alkuhetken kunnosta (dehydraatio, kunto)

Kriittinen sisälämpötila koiralle: jakauma, ei piste

Mittaukset osoittavat, että autoon suljetun koiran kehon lämpötila voi nousta hengenvaaralliselle tasolle alle 20 minuutissa, kun ulkolämpötila on vain 24 °C.

Tutkimuskirjallisuudesta voidaan estimoida raja-arvo: sisäilman lämpötila 40–45 °C on varoitusalue, 50+ °C on akuutisti vaarallinen passiiviselle koiralle ilman varjoa tai vettä.

Osa 5: Bayesilainen simulaatio — epävarmuus jakaumana

Tässä on blogini filosofinen ydin: maailma on jakauma. Yksikään parametri yllä olevista kaavoista ei ole tarkasti tunnettu. Lasin transmittanssi vaihtelee. Auton ikä muuttaa eristystä. Pilvisyys vaihtelee. Koiran koko vaihtelee.

Tehdään Monte Carlo -simulaatio, jossa jokainen parametri on jakauma.

Code 
set.seed(42)
n_sim <- 10000  # simulaation toistoja

# Parametrijakaumat
sim_params <- tibble(
  sim_id = 1:n_sim,
  # Ulkolämpötila: normaali, aurinkoinen kesäpäivä Suomessa
  T_out  = rnorm(n_sim, mean = 25, sd = 3),
  # Auringon säteily: normaali, aurinkoinen hetki
  G_s    = rnorm(n_sim, mean = 780, sd = 80) |> pmax(300),
  # Lasin transmittanssi
  tau_g  = rnorm(n_sim, mean = 0.82, sd = 0.04) |> pmin(0.95) |> pmax(0.60),
  # Sisäpintojen absorptiokerroin
  alpha  = rnorm(n_sim, mean = 0.88, sd = 0.05) |> pmin(0.98) |> pmax(0.70),
  # Efektiivinen UA: vaihtelu ±15% referenssiarvosta (auton ikä, kunto)
  UA_sim = rnorm(n_sim, mean = UA_eff, sd = UA_eff * 0.12) |> pmax(UA_eff * 0.5),
  # Lasin pinta-ala
  A_g    = rnorm(n_sim, mean = 3.0, sd = 0.3) |> pmax(1.5),
  # Aikavakio τ: vaihtelu ±20% (pintojen lämpökapasiteetti vaihtelee)
  tau_s  = rnorm(n_sim, mean = tau_min_ref, sd = tau_min_ref * 0.15) |> pmax(5)
)

# Tarkistukset
stopifnot(all(sim_params$T_out > -5))
stopifnot(all(sim_params$G_s > 200))
stopifnot(all(sim_params$tau_g > 0.5 & sim_params$tau_g < 1))
stopifnot(all(sim_params$UA_sim > 10))

# Laske tasapainolämpötila ja ajat kriittisten kynnysarvojen saavuttamiseen
sim_results <- sim_params |>
  mutate(
    T_eq = T_eq_fn(T_out, G_s, A_glass = A_g, tau_glass = tau_g,
                   alpha_int = alpha, UA = UA_sim),
    # Aika 40°C:n saavuttamiseen
    t_40 = if_else(
      T_eq > 40 & T_eq > T_out,
      -tau_s * log(pmax(1e-9, 1 - (40 - T_out) / (T_eq - T_out))),
      NA_real_
    ),
    # Aika 50°C:n saavuttamiseen
    t_50 = if_else(
      T_eq > 50 & T_eq > T_out,
      -tau_s * log(pmax(1e-9, 1 - (50 - T_out) / (T_eq - T_out))),
      NA_real_
    )
  ) |>
  filter(T_out >= 15)  # poistetaan epärealistiset

# Tarkistetaan, ettei negatiivisia aikoja (numeerinen turvaverkko)
stopifnot(all(sim_results$t_40[!is.na(sim_results$t_40)] > 0))
stopifnot(all(sim_results$t_50[!is.na(sim_results$t_50)] > 0))

# Yhteenveto
cat("\n=== Simulaatio: 10 000 satunnaista olosuhdekombinaatiota ===\n")

=== Simulaatio: 10 000 satunnaista olosuhdekombinaatiota ===
Code 
cat(sprintf("Tasapainolämpötila T_eq: med = %.1f°C, P5 = %.1f°C, P95 = %.1f°C\n",
            median(sim_results$T_eq),
            quantile(sim_results$T_eq, 0.05),
            quantile(sim_results$T_eq, 0.95)))
Tasapainolämpötila T_eq: med = 54.2°C, P5 = 44.2°C, P95 = 66.7°C
Code 
t40_valid <- sim_results$t_40[!is.na(sim_results$t_40)]
t50_valid <- sim_results$t_50[!is.na(sim_results$t_50)]

cat(sprintf("\nAika 40°C:n saavuttamiseen (kun T_eq > 40°C, %.0f%% tapauksista):\n",
            100 * mean(!is.na(sim_results$t_40))))

Aika 40°C:n saavuttamiseen (kun T_eq > 40°C, 99% tapauksista):
Code 
cat(sprintf("  Mediaani: %.1f min | P10: %.1f min | P90: %.1f min\n",
            median(t40_valid), quantile(t40_valid, 0.10), quantile(t40_valid, 0.90)))
  Mediaani: 7.8 min | P10: 4.5 min | P90: 14.4 min
Code 
cat(sprintf("\nAika 50°C:n saavuttamiseen (kun T_eq > 50°C, %.0f%% tapauksista):\n",
            100 * mean(!is.na(sim_results$t_50))))

Aika 50°C:n saavuttamiseen (kun T_eq > 50°C, 75% tapauksista):
Code 
cat(sprintf("  Mediaani: %.1f min | P10: %.1f min | P90: %.1f min\n",
            median(t50_valid), quantile(t50_valid, 0.10), quantile(t50_valid, 0.90)))
  Mediaani: 17.2 min | P10: 9.8 min | P90: 33.6 min
Code 
# Kuva 1: T_eq jakauma
p1 <- ggplot(sim_results, aes(x = T_eq)) +
  stat_halfeye(
    fill = clr_blue, colour = clr_teal,
    .width = c(0.50, 0.90),
    point_interval = median_qi,
    alpha = 0.8
  ) +
  geom_vline(xintercept = 40, linetype = "dashed", colour = clr_orange) +
  geom_vline(xintercept = 50, linetype = "dashed", colour = clr_red) +
  annotate("text", x = 41.5, y = 0.8, label = "40°C", colour = clr_orange, size = 3) +
  annotate("text", x = 51.5, y = 0.8, label = "50°C", colour = clr_red, size = 3) +
  labs(
    title    = "Tasapainolämpötilan jakauma — aurinkoinen päivä Suomessa",
    subtitle = "Violinikuvaaja: posterior-jakauma, 10 000 simulaatiota",
    x        = "Tasapainolämpötila T_eq [°C]",
    y        = "Tiheys",
    caption  = "Parametrit: N(T_out=25°C, σ=3), N(G=780, σ=80), muut UA, A, τ, α"
  ) +
  theme_kristian()

# Kuva 2: Aika kriittiseen kynnysarvoon
t_data <- bind_rows(
  tibble(aika = t40_valid, kynnys = "40°C (varoitus)"),
  tibble(aika = t50_valid, kynnys = "50°C (kriittinen)")
) |>
  filter(aika > 0 & aika < 180)

p2 <- ggplot(t_data, aes(x = aika, fill = kynnys)) +
  geom_density(alpha = 0.7, adjust = 1.2) +
  scale_fill_manual(values = c(clr_orange, clr_red)) +
  geom_vline(xintercept = 15, linetype = "dotted", colour = "white", linewidth = 0.7) +
  geom_vline(xintercept = 30, linetype = "dotted", colour = "white", linewidth = 0.7) +
  annotate("text", x = 16, y = 0.03, label = "15 min", colour = "white", size = 3) +
  annotate("text", x = 31, y = 0.03, label = "30 min", colour = "white", size = 3) +
  labs(
    title    = "Kynnysarvojen saavuttamisaika — jakauma",
    subtitle = "Ei yksi luku, vaan jakauma: molemmat kynnykset saatetaan saavuttaa nopeasti",
    x        = "Aika kynnysarvon saavuttamiseen [min]",
    y        = "Tiheys",
    fill     = "Kynnysarvo",
    caption  = paste(
      "Huom: jakauman vasen häntä — osa tapauksista kriittinen jo alle 15 min\n",
      "Lähde: Schauberger & Horak 2016 (Theor. Appl. Climatol.) + Monte Carlo -simulaatio"
    )
  ) +
  theme_kristian()

p1 / p2

Code 
# Kumulatiivinen todennäköisyys: millä todennäköisyydellä 40°C/50°C saavutetaan mennessä t minuuttia
t_seq <- seq(0, 90, by = 1)

kumul_data <- tibble(
  t = rep(t_seq, 2),
  kynnys = rep(c("40°C", "50°C"), each = length(t_seq)),
  cum_prob = c(
    sapply(t_seq, function(t) mean(t40_valid <= t, na.rm = TRUE)),
    sapply(t_seq, function(t) mean(t50_valid <= t, na.rm = TRUE))
  )
)

ggplot(kumul_data, aes(x = t, y = cum_prob, colour = kynnys)) +
  geom_line(linewidth = 1.3) +
  scale_colour_manual(values = c(clr_orange, clr_red)) +
  scale_y_continuous(labels = scales::percent_format()) +
  geom_vline(xintercept = c(10, 20, 30), linetype = "dotted",
             colour = clr_grid, linewidth = 0.8) +
  annotate("text", x = 11, y = 0.95, label = "10 min", colour = clr_text, size = 3) +
  annotate("text", x = 21, y = 0.95, label = "20 min", colour = clr_text, size = 3) +
  annotate("text", x = 31, y = 0.95, label = "30 min", colour = clr_text, size = 3) +
  labs(
    title    = "Kumulatiivinen todennäköisyys kynnysarvon saavuttamiselle",
    subtitle = "Simulaatio: aurinkoinen kesäpäivä Suomessa (T_out ~25°C)",
    x        = "Aika [min]",
    y        = "P(kynnys saavutettu mennessä t)",
    colour   = "Kynnys",
    caption  = "Lähde: Monte Carlo -simulaatio, n=10 000, parametrit kirjallisuudesta"
  ) +
  theme_kristian()

Osa 6: Herkkyysanalyysi — mikä parametri vaikuttaa eniten?

Code 
# Lasketaan korrelaatio kunkin parametrin ja T_eq:n välillä
# → kertoo, mikä muuttuja selittää eniten vaihtelua

herkkyydet <- sim_results |>
  select(T_out, G_s, tau_g, alpha, UA_sim, A_g, T_eq) |>
  summarise(across(T_out:A_g,
    ~ cor(.x, T_eq, method = "spearman"),
    .names = "rho_{.col}"
  )) |>
  pivot_longer(everything(), names_to = "muuttuja", values_to = "rho") |>
  mutate(
    muuttuja = str_remove(muuttuja, "rho_"),
    muuttuja_label = c(
      "Ulkolämpötila T_out",
      "Auringon säteily G_s",
      "Lasin transmittanssi τ",
      "Absorptiokerroin α",
      "Lämmönläpäisy UA (efekt.)",
      "Lasin pinta-ala A"
    ),
    suunta = if_else(rho > 0, "Lisää lämpötilaa", "Vähentää lämpötilaa")
  )

# Tarkistus: kaikki korrelaatiot |rho| < 1
stopifnot(all(abs(herkkyydet$rho) <= 1))

ggplot(herkkyydet, aes(x = reorder(muuttuja_label, abs(rho)),
                        y = rho, fill = suunta)) +
  geom_col(width = 0.65) +
  geom_text(aes(label = sprintf("%.2f", rho),
                hjust = if_else(rho > 0, -0.1, 1.1)),
            colour = clr_text, size = 3.5) +
  coord_flip() +
  scale_fill_manual(values = c(clr_red, clr_teal)) +
  scale_y_continuous(limits = c(-0.9, 0.9)) +
  labs(
    title    = "Herkkyysanalyysi: mikä parametri selittää T_eq:n vaihtelua?",
    subtitle = "Spearmanin korrelaatio — absoluuttinen arvo kertoo vaikutuksen suuruuden",
    x        = NULL,
    y        = "Spearmanin ρ",
    fill     = NULL,
    caption  = "Suurin epävarmuuden lähde: auringon säteily ja ulkolämpötila"
  ) +
  theme_kristian()

Johtopäätös: Merkittävimmät tekijät ovat ulkolämpötila ja auringon säteily — ei auton väri, ei lasin tyyppi. Tämä on tärkeä viesti: aurinkoisella säällä auto kuumenee, vaikka ulkona olisi vain 20–25 °C.

Osa 7: Auton koon ja tyypin vaikutus

Code 
# Eri autotyypit eroavat ohjaamon tilavuudessa ja lasin pinta-alassa
# Autotyypit eroavat lasin pinta-alassa ja aikavakiossa
# UA_eff skaalataan lasin pinta-alan suhteessa (suurempi lasi = enemmän energiaa sisään,
# mutta myös suurempi pinta-ala johtumalle → UA kasvaa samassa suhteessa)
# Aikavakio τ skaalataan tilavuuden suhteessa (suurempi ohjaamo = enemmän lämpökapasiteettia)
autotyypit <- tibble(
  tyyppi = c("Pieni kaupunkiauto\n(Ford Fiesta -tyyppi)",
             "Kompakti\n(VW Golf -tyyppi)",
             "Sedan\n(Toyota Camry -tyyppi)",
             "SUV\n(Toyota RAV4 -tyyppi)",
             "Minivan\n(Volkswagen Touran -tyyppi)"),
  V_cabin_m3  = c(2.2, 2.8, 3.2, 3.8, 4.5),
  A_glass_m2  = c(2.4, 3.0, 3.2, 3.8, 4.2)
)

autotyypit_sim <- autotyypit |>
  rowwise() |>
  mutate(
    # UA_eff skaalataan lasin pinta-alan suhteessa referenssimalliin (A=3.0)
    UA_tyyp   = UA_eff * (A_glass_m2 / 3.0),
    # τ skaalataan tilavuuden suhteessa (suurempi ohjaamo lämpenee hitaammin)
    tau_tyyp  = tau_min_ref * (V_cabin_m3 / 2.8),
    T_eq_t    = T_eq_fn(25, 800, A_glass = A_glass_m2, UA = UA_tyyp),
    t_50_t    = if_else(
      T_eq_t > 50,
      -tau_tyyp * log(1 - (50 - 25) / (T_eq_t - 25)),
      NA_real_
    )
  )

# Aikasarjat
t_min_plot <- seq(0, 60, by = 0.5)
auto_aikasarjat <- autotyypit_sim |>
  mutate(
    ajat = list(t_min_plot),
    T_in_vals = list(
      T_in_fn(t_min_plot, T_out = 25, G_s = 800,
               A_glass = A_glass_m2, UA = UA_tyyp,
               tau_min = tau_tyyp)
    )
  ) |>
  unnest(c(ajat, T_in_vals)) |>
  rename(t = ajat, T_in = T_in_vals)

ggplot(auto_aikasarjat, aes(x = t, y = T_in, colour = tyyppi)) +
  geom_line(linewidth = 1.1) +
  geom_hline(yintercept = 50, linetype = "dashed", colour = clr_red, linewidth = 0.8) +
  annotate("text", x = 58, y = 51.5, label = "50°C kriittinen",
           colour = clr_red, size = 3.2, hjust = 1) +
  scale_colour_manual(values = c(clr_red, clr_orange, clr_teal, clr_blue, clr_navy)) +
  labs(
    title    = "Sisälämpötila autotyypeittäin — T_out = 25°C, G = 800 W/m²",
    subtitle = "Suurempi auto lämpenee hieman hitaammin, mutta kaikki ylittävät kriittisen rajan",
    x        = "Aika [min]",
    y        = "Sisälämpötila [°C]",
    colour   = NULL,
    caption  = "Parametrit: tyypillisiä kirjallisuusarvoja; V_cabin, A_glass, UA sovitettu autotyypeittäin"
  ) +
  theme_kristian()

Code 
autotyypit_sim |>
  select(tyyppi, V_cabin_m3, T_eq_t, tau_tyyp, t_50_t) |>
  knitr::kable(
    digits = 1,
    col.names = c("Autotyyppi", "Ohjaamo (m³)", "T_eq (°C)",
                  "Aikavakio τ (min)", "Aika 50°C:hen (min)"),
    caption = "Eri autotyyppien termodynaamiset parametrit (T_out=25°C, G=800 W/m²)"
  )
Eri autotyyppien termodynaamiset parametrit (T_out=25°C, G=800 W/m²)
Autotyyppi Ohjaamo (m³) T_eq (°C) Aikavakio τ (min) Aika 50°C:hen (min)
Pieni kaupunkiauto
(Ford Fiesta -tyyppi) 2.2 55 8.6 15.5
Kompakti
(VW Golf -tyyppi) 2.8 55 11.0 19.7
Sedan
(Toyota Camry -tyyppi) 3.2 55 12.6 22.5
SUV
(Toyota RAV4 -tyyppi) 3.8 55 14.9 26.7
Minivan
(Volkswagen Touran -tyyppi) 4.5 55 17.7 31.7

Osa 8: Varjossa pysäköity auto — myytin purkaminen toiseen suuntaan

Sosiaalinen media panikoi myös tilanteissa, joissa auto on varjossa. Katsotaan, mitä fysiikka sanoo.

Code 
# Varjossa: G_s ≈ 50–150 W/m² (diffuusi säteily, ei suoraa)
# Verrattuna täyteen aurinkoon 800–900 W/m²

varjo_data <- tibble(
  olosuhde = c(
    "Täysi aurinko (G=800)",
    "Puolivarjo (G=350)",
    "Syvä varjo (G=100)",
    "Pilvinen (G=150)"
  ),
  G_s = c(800, 350, 100, 150),
  T_out = 25
) |>
  rowwise() |>
  mutate(
    T_eq = T_eq_fn(T_out, G_s),
    t_vals = list(seq(0, 90, by = 1)),
    T_in_vals = list(T_in_fn(seq(0, 90, by = 1), T_out, G_s))
  ) |>
  unnest(c(t_vals, T_in_vals)) |>
  rename(t = t_vals, T_in = T_in_vals)

ggplot(varjo_data, aes(x = t, y = T_in, colour = olosuhde)) +
  geom_line(linewidth = 1.2) +
  geom_hline(yintercept = c(35, 40, 50),
             linetype = "dashed",
             colour = c(clr_blue, clr_orange, clr_red),
             linewidth = 0.7) +
  annotate("text", x = 88, y = c(36.5, 41.5, 51.5),
           label = c("35°C", "40°C", "50°C"),
           colour = c(clr_blue, clr_orange, clr_red),
           size = 3, hjust = 1) +
  scale_colour_manual(values = c(clr_red, clr_orange, clr_teal, clr_blue)) +
  labs(
    title    = "Varjo vs. aurinko — suuri ero, mutta varjokaan ei ole täysin turvallinen",
    subtitle = "T_out = 25°C; syvässä varjossa T_eq ≈ 30°C, puolivarjossa jo 42°C",
    x        = "Aika [min]",
    y        = "Sisälämpötila [°C]",
    colour   = NULL,
    caption  = "Varjossa pysäköity auto on huomattavasti turvallisempi — mutta ei riskitön"
  ) +
  theme_kristian()

Tärkeä tulos: Varjossa pysäköity auto ei saavuta hengenvaarallisia lämpötiloja lyhyissä pysäköinneissä normaaleissa suomalaisissa olosuhteissa. Tasapainolämpötila syvässä varjossa on noin 30–33 °C — epämukava, mutta ei lyhyessä ajassa tappava terveelle koiralle viileässä ilmassa.

Tämä on se fakta, joka usein puuttuu somekeskustelusta. Konteksti ratkaisee.

Osa 9: Suomalainen talvipeite — vastaisku somemyyteille

Intuitio vs. fysiikka

Kesäkeskustelussa törmää usein väitteeseen: “autopeitteestä ei ole apua, koska se estää ilman kiertämisen.” Tämä on mekaaninen intuitio, joka perustuu väärään malliin. Auto ei kuumene ilman kiertymisen puutteen takia. Se kuumenee säteilyenergian takia. Peite, joka blokkaa säteilynä tulevan energian, vaikuttaa suoraan \(Q_{in}\)-termiin ODE:ssä — ja siten sekä \(T_{eq}\):hen että aikaan kriittisen kynnyksen saavuttamiseen.

Suomalaisella autopeitteellä on lisäksi tuttu ominaisuus: sen käyttötarkoitus on estää talvella ikkunoiden jäätyminen. Tyypillinen suomalainen peite on hopeanvärinen, alumiinipolymeerillä päällystetty kangas — täsmälleen sama rakenne kuin aurinkosuojissa. Ja sellainen on olemassa lähes jokaisella suomalaisella autoilijalla.

Energiataseen muutos peitteen kanssa

Peite muuttaa \(Q_{in}\)-termiä kahdella mekanismilla:

1. Säteilyn transmittanssi laskee — ulkopuolinen peite absorboi tai heijastaa suoran säteilyn ennen kuin se pääsee lasiin: \[Q_{in,cover} = \alpha_{int} \cdot A_{glass} \cdot G_s \cdot \tau_{glass} \cdot (1 - \rho_{cover})\]

missä \(\rho_{cover}\) on peitteen heijastuskerroin (\(0\) = ei heijasta, \(1\) = heijastaa kaiken).

2. Sisä- vs. ulkopuolinen sijainti on kriittinen ero:

  • Sisäpuolinen suoja (esim. dashboard-aurinkosuoja ikkunan takana): säteily on jo läpäissyt lasin. Kasvihuoneilmiö on tapahtunut. Tummaan peitteeseen absorboitunut energia siirtyy sisäilmaan konvektiolla. Musta sisäsuoja voi nostaa sisälämpötilaa.
  • Ulkopuolinen peite (talvipeite lasin päällä): säteily heijastuu ennen lasia. Kasvihuoneilmiö ei käynnisty.
Code 
# Peitemateriaalien ominaisuudet — lyhytaaltoinen säteily (0.3–2.5 μm)
# Lähde: NREL/TP-540-42454; Rugh & Farrington 2007; Empire Covers lab-testi
peitemateriaalit <- tibble(
  materiaali = c(
    "Ohut polyesteri (ei heijastusta)",
    "Musta nailonverkko, sisäpuolinen",
    "Valkoinen kangas, ulkopuolinen",
    "Hopea-alumiini 1-kerros (talvipeite)",
    "Hopea-alumiini 2-kerros (paksu talvipeite)",
    "Alumiinifolio / täyspeite"
  ),
  rho_cover  = c(0.10, 0.05, 0.45, 0.70, 0.82, 0.93),
  sijainti   = c("sisä", "sisä", "ulko", "ulko", "ulko", "ulko"),
  vaikutus_Q = c("–5 %", "+pieni lisäys", "–40 %", "–60 %", "–72 %", "–83 %")
)

peitemateriaalit |>
  knitr::kable(
    col.names = c("Materiaali", "Heijastuskerroin ρ", "Sijainti", "Q_in muutos"),
    caption = paste(
      "Peitemateriaalien heijastusominaisuudet.",
      "Lähde: NREL/TP-540-42454; Rugh & Farrington 2007; Empire Covers 2015"
    )
  )
Peitemateriaalien heijastusominaisuudet. Lähde: NREL/TP-540-42454; Rugh & Farrington 2007; Empire Covers 2015
Materiaali Heijastuskerroin ρ Sijainti Q_in muutos
Ohut polyesteri (ei heijastusta) 0.10 sisä –5 %
Musta nailonverkko, sisäpuolinen 0.05 sisä +pieni lisäys
Valkoinen kangas, ulkopuolinen 0.45 ulko –40 %
Hopea-alumiini 1-kerros (talvipeite) 0.70 ulko –60 %
Hopea-alumiini 2-kerros (paksu talvipeite) 0.82 ulko –72 %
Alumiinifolio / täyspeite 0.93 ulko –83 %
Code 
t_vec      <- seq(0, 90, by = 1)
T_out_base <- 25
G_base     <- 800

peite_sim <- tibble(
  skenaario = c(
    "Ei peitettä (baseline)",
    "Valkoinen kangas ulko (ρ=0.45)",
    "Hopea 1-kerros ulko (ρ=0.70, tyypillinen talvipeite)",
    "Hopea 2-kerros ulko (ρ=0.82, paksu talvipeite)",
    "Alumiinifolio ulko (ρ=0.93, teoreettinen maksimi)"
  ),
  rho   = c(0.00, 0.45, 0.70, 0.82, 0.93),
  G_eff = G_base * c(1.00, 0.55, 0.30, 0.18, 0.07)
) |>
  rowwise() |>
  mutate(
    T_eq_p    = T_eq_fn(T_out_base, G_eff),
    t_vals    = list(t_vec),
    T_in_vals = list(T_in_fn(t_vec, T_out_base, G_eff))
  ) |>
  unnest(c(t_vals, T_in_vals)) |>
  rename(t = t_vals, T_in = T_in_vals)

stopifnot(all(peite_sim$T_in >= T_out_base - 0.5))

ggplot(peite_sim, aes(x = t, y = T_in, colour = skenaario)) +
  geom_line(linewidth = 1.2) +
  geom_hline(yintercept = c(40, 50),
             linetype = "dashed",
             colour   = c(clr_orange, clr_red),
             linewidth = 0.8) +
  annotate("text", x = 88, y = c(41.5, 51.5),
           label = c("Varoitus 40°C", "Kriittinen 50°C"),
           colour = c(clr_orange, clr_red), size = 3, hjust = 1) +
  scale_colour_manual(
    values = c(clr_red, clr_orange, clr_teal, clr_blue, clr_navy),
    guide  = guide_legend(ncol = 1)
  ) +
  labs(
    title    = "Autopeitteen vaikutus sisälämpötilaan — T_out=25°C, G=800 W/m²",
    subtitle = "Ulkopuolinen hopea-talvipeite laskee T_eq:tä ~20°C; kriittinen raja ei saavuteta",
    x        = "Aika [min]",
    y        = "Sisälämpötila [°C]",
    colour   = NULL,
    caption  = "Malli: G_eff = G_s·(1−ρ), ulkopuolinen peite blokoi ennen lasia | Lähde: NREL 2007"
  ) +
  theme_kristian()

Code 
peite_yhteenveto <- tibble(
  skenaario = c("Ei peitettä", "Valkoinen kangas (ρ=0.45)",
                "Hopea 1-kerros (ρ=0.70)", "Hopea 2-kerros (ρ=0.82)",
                "Alumiinifolio (ρ=0.93)"),
  G_eff = G_base * c(1.00, 0.55, 0.30, 0.18, 0.07)
) |>
  mutate(
    T_eq    = round(T_eq_fn(T_out_base, G_eff), 1),
    delta_T = round(T_eq - T_out_base, 1),
    t_40_txt = if_else(
      T_eq > 40,
      paste0(round(-tau_min_ref * log(pmax(1e-9, 1 - (40 - T_out_base) /
                                           (T_eq - T_out_base))), 0), " min"),
      "ei saavuteta"
    ),
    t_50_txt = if_else(
      T_eq > 50,
      paste0(round(-tau_min_ref * log(pmax(1e-9, 1 - (50 - T_out_base) /
                                           (T_eq - T_out_base))), 0), " min"),
      "ei saavuteta"
    )
  )

peite_yhteenveto |>
  select(skenaario, T_eq, delta_T, t_40_txt, t_50_txt) |>
  knitr::kable(
    col.names = c("Peite", "T_eq (°C)", "ΔT (°C)", "Aika 40°C:hen", "Aika 50°C:hen"),
    caption = paste(
      "Tyypillinen suomalainen hopea-talvipeite (ρ≈0.70) estää kriittisen",
      "50°C:n saavuttamisen kokonaan normaalissa suomalaisessa aurinkohelteessä."
    )
  )
Tyypillinen suomalainen hopea-talvipeite (ρ≈0.70) estää kriittisen 50°C:n saavuttamisen kokonaan normaalissa suomalaisessa aurinkohelteessä.
Peite T_eq (°C) ΔT (°C) Aika 40°C:hen Aika 50°C:hen
Ei peitettä 55.0 30.0 8 min 20 min
Valkoinen kangas (ρ=0.45) 41.5 16.5 26 min ei saavuteta
Hopea 1-kerros (ρ=0.70) 34.0 9.0 ei saavuteta ei saavuteta
Hopea 2-kerros (ρ=0.82) 30.4 5.4 ei saavuteta ei saavuteta
Alumiinifolio (ρ=0.93) 27.1 2.1 ei saavuteta ei saavuteta

Miksi somemyytti on väärässä — fysiikan selitys

Väite “peite estää ilman kiertymisen” sekoittaa kaksi mekanismia:

  1. Konvektiivinen jäähdytys ulkoa: tämä ei muutenkaan tapahdu suljetussa autossa — peite ei poista jotain, mitä ei ollut.
  2. Säteilylämmitys: tämä on hallitseva mekanismi. Peite blokkaa sen.

Analogia: kasvihuoneessa kasveja ei lämmitä ilmanvaihdon puute — niitä lämmittää auringonsäteily lasin läpi. Kasvihuoneen jäähdyttäminen ei onnistu avaamalla venttiiliä, vaan varjostamalla se. Sama fysiikka, sama ratkaisu.

Aallonpituuskaistapohjainen analyysi: mikä blokataan

Auringon säteilyenergia jakautuu kolmeen osaan:

  • UV (< 400 nm): ~5 % energiasta — autolasin PVB-laminaatti jo blokoi lähes kaiken
  • Näkyvä valo (400–700 nm): ~44 % — läpäisee lasin hyvin
  • Lähiinfrapuna NIR (700–2500 nm): ~51 % — läpäisee lasin ja on tärkein lämmittäjä
Code 
aallot <- tibble(
  kaista    = c("UV\n(< 400 nm)", "Näkyvä\n(400–700 nm)", "NIR\n(700–2500 nm)"),
  osuus_E   = c(0.05, 0.44, 0.51),    # osuus kokonaisenergiasta
  lasi_tau  = c(0.02, 0.88, 0.78),    # lasin transmittanssi
  hopea_rho = c(0.95, 0.75, 0.88)     # hopea-Al:n heijastuskerroin
) |>
  mutate(
    E_sisaan_nopeit = osuus_E * lasi_tau,
    E_sisaan_peite  = osuus_E * (1 - hopea_rho) * lasi_tau,
    vahenema_pct    = (1 - E_sisaan_peite / E_sisaan_nopeit) * 100
  )

aallot_long <- aallot |>
  select(kaista, E_sisaan_nopeit, E_sisaan_peite) |>
  pivot_longer(c(E_sisaan_nopeit, E_sisaan_peite),
               names_to = "tila", values_to = "energia") |>
  mutate(tila = if_else(tila == "E_sisaan_nopeit", "Ilman peitettä", "Hopea-peite ulkopuolella"))

ggplot(aallot_long, aes(x = kaista, y = energia, fill = tila)) +
  geom_col(position = "dodge", width = 0.6) +
  scale_fill_manual(values = c(clr_red, clr_teal)) +
  scale_y_continuous(labels = scales::percent_format()) +
  labs(
    title    = "Säteilyenergia ohjaamon sisään — aallonpituuksittain",
    subtitle = "NIR (infrapuna) on suurin energianlähde; hopea-peite blokkaa sen tehokkaimmin",
    x        = "Säteilykaista",
    y        = "Suhteellinen energia (% kokonaisenergiasta)",
    fill     = NULL,
    caption  = paste(
      "Lasin τ: UV≈2%, VIS≈88%, NIR≈78% (laminoitu lasi)",
      "| Hopea-Al: ρ_UV≈95%, ρ_VIS≈75%, ρ_NIR≈88%",
      "| Lähde: Almutawa ym. 2013; NREL 2007"
    )
  ) +
  theme_kristian()

Käytännön taulukko: mitä suomalainen autoilija omistaa jo

Code 
kaytanto <- tibble(
  vaihtoehto = c(
    "Sisäinen musta aurinkosuoja",
    "Sisäinen hopea-aurinkosuoja",
    "Talvipeite (hopea, ulko) — vain tuulilasi",
    "Talvipeite + sivuikkunasuojat (ulko)",
    "Koko auton peite (hopea, ulko)"
  ),
  hinta_eur   = c("5–15", "10–20", "15–40", "40–80", "60–150"),
  kattavuus   = c("Tuulilasi", "Tuulilasi", "~53 % lasista",
                  "~80 % lasista", "100 % lasista"),
  T_eq_muutos = c("–2…+3 °C", "–5…–8 °C", "–15…–20 °C",
                  "–22…–26 °C", "–25…–30 °C"),
  suositus    = c("Ei hyödyllinen, voi haitata",
                  "Vähäinen hyöty",
                  "Merkittävä hyöty ✓",
                  "Erinomainen ✓✓",
                  "Paras mahdollinen ✓✓✓")
)

kaytanto |>
  knitr::kable(
    col.names = c("Vaihtoehto", "Hinta", "Kattavuus",
                  "T_eq muutos", "Suositus"),
    caption = paste(
      "Käytännön yhteenveto. Huom: suomalainen talvipeite on jo monella olemassa —",
      "se toimii myös kesällä ulkopuolelta käytettynä."
    )
  )
Käytännön yhteenveto. Huom: suomalainen talvipeite on jo monella olemassa — se toimii myös kesällä ulkopuolelta käytettynä.
Vaihtoehto Hinta Kattavuus T_eq muutos Suositus
Sisäinen musta aurinkosuoja 5–15 Tuulilasi –2…+3 °C Ei hyödyllinen, voi haitata
Sisäinen hopea-aurinkosuoja 10–20 Tuulilasi –5…–8 °C Vähäinen hyöty
Talvipeite (hopea, ulko) — vain tuulilasi 15–40 ~53 % lasista –15…–20 °C Merkittävä hyöty ✓
Talvipeite + sivuikkunasuojat (ulko) 40–80 ~80 % lasista –22…–26 °C Erinomainen ✓✓
Koko auton peite (hopea, ulko) 60–150 100 % lasista –25…–30 °C Paras mahdollinen ✓✓✓

Yksi neuvo tiivistetysti: Se hopea-alumiininen talvipeite, joka odottaa auton tavaratilassa lokakuuta — se toimii myös kesällä laittamalla se ulkopuolelta tuulilasin päälle. Tämä ei vaadi uusia hankintoja.

Osa 10: Yhteenveto ja suositukset

Mitä fysiikka sanoo selkeästi

Code 
yhteenveto <- tibble(
  tilanne = c(
    # Perusskenaariot — ei peitettä
    "Aurinkoinen päivä (G≥700 W/m²), T_out≥22°C",
    "Aurinkoinen päivä, T_out≥28°C (hellepäivä)",
    "Puolipilvinen, T_out~20°C",
    "Pilvinen (G<200 W/m²), T_out<20°C",
    "Varjo, T_out~25°C",
    "Varjo, T_out>30°C (helle)",
    # Peite + aurinko
    "Aurinko + hopea-tuulilasin peite (ρ=0.70, 53% lasista)",
    "Aurinko + hopea-peite kaikilla ikkunoilla (ρ=0.70, 100%)",
    "Hellepäivä + hopea-tuulilasin peite",
    "Hellepäivä + hopea-peite kaikilla ikkunoilla",
    # Peite + varjo — yhdistelmät
    "Varjo (T~25°C) + hopea-tuulilasin peite",
    "Varjo (T~25°C) + hopea-peite kaikilla ikkunoilla",
    "Varjo helle (T>30°C) + hopea-tuulilasin peite",
    "Varjo helle (T>30°C) + hopea-peite kaikilla ikkunoilla"
  ),
  aika_40C = c(
    # Perusskenaariot
    "<20 min",
    "<10 min",
    "~30 min",
    "ei saavuteta",
    "ei saavuteta",
    "~60 min",
    # Peite + aurinko
    "~45 min",
    "ei saavuteta",
    "~25 min",
    "ei saavuteta",
    # Peite + varjo
    "ei saavuteta",
    "ei saavuteta",
    "ei saavuteta",
    "ei saavuteta"
  ),
  aika_50C = c(
    # Perusskenaariot
    "<35 min",
    "<20 min",
    "~60 min",
    "ei saavuteta",
    "ei saavuteta",
    "ei saavuteta normaalisti",
    # Peite + aurinko
    "ei saavuteta",
    "ei saavuteta",
    "ei saavuteta",
    "ei saavuteta",
    # Peite + varjo
    "ei saavuteta",
    "ei saavuteta",
    "ei saavuteta",
    "ei saavuteta"
  ),
  riski = c(
    # Perusskenaariot
    "KORKEA",
    "ERITTÄIN KORKEA",
    "KOHTALAINEN",
    "MATALA",
    "MATALA",
    "KOHTALAINEN–KORKEA",
    # Peite + aurinko
    "KOHTALAINEN",
    "MATALA",
    "KOHTALAINEN",
    "MATALA",
    # Peite + varjo
    "MATALA",
    "ERITTÄIN MATALA",
    "MATALA",
    "MATALA"
  ),
  toiminta = c(
    # Perusskenaariot
    "Älä jätä koiraa",
    "Ehdottomasti älä jätä",
    "Max 15 min, seuraa",
    "Lyhyt pysäköinti ok terveen koiran kanssa",
    "Lyhyt pysäköinti ok, seuraa kestoa",
    "Varjokaan ei riitä",
    # Peite + aurinko
    "Max 30 min — peite laskee riskin, ei poista sitä",
    "~45 min ok terveen koiran kanssa — seuraa",
    "Max 15 min — helle+peite (tuulilasi only) ei riitä pitkään",
    "Max 30 min — kaikki ikkunat peitettynä helle siedettävä",
    # Peite + varjo
    "~45 min ok — paras käytännön yhdistelmä lyhyissä asioinneissa",
    "Optimaalinen: T_eq lähellä ulkolämpötilaa — useita tunteja ok",
    "Max 30 min — helle nostaa lattialämpötilaa peitteetkin",
    "~45 min ok — kaikki ikkunat + varjo eliminoi käytännössä riskin"
  )
)

yhteenveto |>
  knitr::kable(
    col.names = c("Tilanne", "Aika 40°C:hen", "Aika 50°C:hen",
                  "Riskitaso", "Suositus"),
    caption   = "Yhteenveto: riski tilanteittain fysiikan perusteella"
  )
Yhteenveto: riski tilanteittain fysiikan perusteella
Tilanne Aika 40°C:hen Aika 50°C:hen Riskitaso Suositus
Aurinkoinen päivä (G≥700 W/m²), T_out≥22°C <20 min <35 min KORKEA Älä jätä koiraa
Aurinkoinen päivä, T_out≥28°C (hellepäivä) <10 min <20 min ERITTÄIN KORKEA Ehdottomasti älä jätä
Puolipilvinen, T_out~20°C ~30 min ~60 min KOHTALAINEN Max 15 min, seuraa
Pilvinen (G<200 W/m²), T_out<20°C ei saavuteta ei saavuteta MATALA Lyhyt pysäköinti ok terveen koiran kanssa
Varjo, T_out~25°C ei saavuteta ei saavuteta MATALA Lyhyt pysäköinti ok, seuraa kestoa
Varjo, T_out>30°C (helle) ~60 min ei saavuteta normaalisti KOHTALAINEN–KORKEA Varjokaan ei riitä
Aurinko + hopea-tuulilasin peite (ρ=0.70, 53% lasista) ~45 min ei saavuteta KOHTALAINEN Max 30 min — peite laskee riskin, ei poista sitä
Aurinko + hopea-peite kaikilla ikkunoilla (ρ=0.70, 100%) ei saavuteta ei saavuteta MATALA ~45 min ok terveen koiran kanssa — seuraa
Hellepäivä + hopea-tuulilasin peite ~25 min ei saavuteta KOHTALAINEN Max 15 min — helle+peite (tuulilasi only) ei riitä pitkään
Hellepäivä + hopea-peite kaikilla ikkunoilla ei saavuteta ei saavuteta MATALA Max 30 min — kaikki ikkunat peitettynä helle siedettävä
Varjo (T~25°C) + hopea-tuulilasin peite ei saavuteta ei saavuteta MATALA ~45 min ok — paras käytännön yhdistelmä lyhyissä asioinneissa
Varjo (T~25°C) + hopea-peite kaikilla ikkunoilla ei saavuteta ei saavuteta ERITTÄIN MATALA Optimaalinen: T_eq lähellä ulkolämpötilaa — useita tunteja ok
Varjo helle (T>30°C) + hopea-tuulilasin peite ei saavuteta ei saavuteta MATALA Max 30 min — helle nostaa lattialämpötilaa peitteetkin
Varjo helle (T>30°C) + hopea-peite kaikilla ikkunoilla ei saavuteta ei saavuteta MATALA ~45 min ok — kaikki ikkunat + varjo eliminoi käytännössä riskin

Mitä tämä tarkoittaa päätöksenteon kannalta

  1. Aurinko on ratkaiseva tekijä — ei vain ulkolämpötila. Aurinkoinen 20 °C -päivä on vaarallisempi kuin pilvinen 28 °C -päivä.

  2. Viisi minuuttia ei ole raja — tasapainolämpötilaan pääsy kestää noin 30–60 minuuttia, mutta varoitusraja 40 °C saavutetaan jo 15–20 minuutissa aurinkoisella säällä.

  3. Varjo muuttaa tilanteen dramaattisesti — syvässä varjossa tasapainolämpötila jää 30–35 °C:een normaaliolosuhteissa. Tämä on epämukava mutta ei lyhyessä ajassa tappava terveelle koiralle.

  4. Rotu ja koko ratkaisevat — brakykefaaliset rodut, iäkkäät koirat, sydänsairaat ja ylipainoiset koirat ovat huomattavasti alttiimpia.

  5. “Epävarmuus on jakauma, ei piste” — yksikään luku ei ole tarkka. Parametrien vaihtelu tarkoittaa, että riski on jakauma: osassa tilanteista kriittinen raja saavutetaan 10 minuutissa, osassa 40 minuutissa. Varovaisuusperiaate on järkevä.

Bayesilainen johtopäätös

Simulaatiomme osoittaa: - Aurinkoisen kesäpäivän olosuhteissa (~25 °C, ~800 W/m²) varoitusraja 40 °C saavutetaan 50% todennäköisyydellä noin 8 minuutissa - Kriittinen raja 50 °C saavutetaan 50% todennäköisyydellä noin 17 minuutissa - Mutta 10. persentiili on 4 minuuttia varoitusrajalle — se tarkoittaa, että joka kymmenennessä tapauksessa tilanne on jo kriittinen huomattavasti nopeammin

Tämä on “maailma on jakauma” -ajattelun käytännön arvo: yksikään luku ei kerro koko totuutta, mutta jakauma kertoo riskin.

Lähdeluettelo

  • Horak, J., Schmerold, I., Wimmer, K., & Schauberger, G. (2017). Cabin air temperature of parked vehicles in summer conditions: life-threatening environment for children and pets calculated by a dynamic model. Theoretical and Applied Climatology, 130(1–2), 107–118. https://doi.org/10.1007/s00704-016-1861-3

  • McLaren, C., Null, J., & Quinn, J. (2005). Heat stress from enclosed vehicles: moderate ambient temperatures cause significant temperature rise in enclosed vehicles. Pediatrics, 116(1), e109–e112. Stanford University School of Medicine.

  • McLaren, C. et al. (2021). Proposing the VetCompass clinical grading tool for heat-related illness in dogs. Scientific Reports, 11, 6724. https://doi.org/10.1038/s41598-021-86235-w

  • Bruchim, Y. et al. (2006). Pathophysiology of heatstroke in dogs. Journal of Veterinary Emergency and Critical Care. PMC5800390.

  • Ilmatieteen laitos (FMI). (2025). Heinäkuu 2025 — ennätyshelleaalto. https://en.ilmatieteenlaitos.fi/press-release/3UkSBIbvStPq0VeuxpVG2D

  • Motiva. (2024). Amount of solar radiation in Finland. https://www.motiva.fi/en/databank/amount-of-solar-radiation-in-finland/

  • VCA Animal Hospitals. Heat stroke in dogs. https://vcahospitals.com/know-your-pet/heat-stroke-in-dogs

Postaus on osa blogin fysiikka & data-sarja -kokonaisuutta. Koodi on saatavilla GitHubissa. Laskelmat perustuvat kirjallisuuden parametriarvoihin — todellinen auto voi poiketa ±20–30% riippuen iästä, mallista ja kunnosta.