Wissenschaft & Forschung
Licht 6 | 2020

Lichtqualität in der Innenraumbeleuchtung

Wirkungen von Beleuchtungsniveau, Farbtemperatur und Farbsättigung

Nach welchen Kriterien muss Licht im Sinne von Smart Lighting gesteuert und geregelt werden, um die Nutzerzufriedenheit bei unterschiedlichen Lichtverhältnissen zu optimieren? Antworten könnte ein Lichtqualitätsmodell liefern.

Lesezeit: ca. 19 Minuten

1 Einführung

Die Geschichte der Beleuchtungstechnik und der Lichtwissenschaft seit dem Beginn des 20. Jahrhunderts bis heute ist durch eine Reihe von Bemühungen und Versuchen begleitet, durch Experimente und Modellansätze einen zuverlässigen Zusammenhang zwischen den Beleuchtungsparametern im Innenraum und den augenphysiologischen, psychophysischen sowie arbeitstechnischen Antworten der Raumnutzer zu bestimmen. Im Laufe der Zeit wurden die Kriterien für diese Antworten in der Lichtwissenschaft verschoben und neu definiert. Das Ziel dieser lichttechnischen Untersuchungen war und ist, durch eine Festlegung eines akzeptablen oder eines bevorzugten Schwellenwerts die jeweiligen Grenzwerte für die Beleuchtungsparameter in Richtlinien und in Normen festzulegen.

Die ersten Meilensteine der Lichtforschung wurden durch die Pionierarbeiten von M. Luckiesh im Zeitraum vom 1930 bis 1940 in den USA [1] gekennzeichnet, die dann durch Blackwell in den vier Jahrzehnten von etwa 1950 bis zu den 1980er Jahren fortgesetzt wurden [2]. Das Kriterium bei der Untersuchung von Luckiesh war die Grenze zwischen »Sehen« und »Nichtsehen« (ein Schwellenwert für die Sichtbarkeit) von visuellen Sehaufgaben, relativ zu einer Standardaufgabe mit 8-Punkt-Schriftgröße, Bondi Book-Schrifttyp, gelesen aus einem Abstand von 35,5 cm auf einer weißen Papierseite mit einem Reflexionsgrad von 0,7 bei einer Beleuchtungsstärke von 108 lx auf dem Papier. Die Kontrastuntersuchungen von H. R. Blackwell [2] sowie zahlreiche weitere Untersuchungen über die Sichtbarkeit von Leseobjekten und von Werkzeugen (wie die Sichtbarkeit von Schrauben bei der Sortierung in der Industrie) führten zu den Mindestbeleuchtungsstärken in den heutigen Normen (500 lx in den EN-DIN-Normen, 300 lx in den USA).

In den 1970er Jahren haben die Wahrnehmungspsychologen, Lichtarchitekten und Gebäudegestalter damit begonnen, das Nutzerverhalten in der Innenraumbeleuchtung aus der Sicht der Psychologie und Nutzerzufriedenheit und nicht durch visuelle Leistungen allein zu betrachten. Bei der Betrachtung und Wahrnehmung eines beleuchteten Raums in einem bestimmten Kontext – mit einer Vielfalt der Beleuchtungsmöglichkeiten – gibt es eine Anzahl von Adjektiven, Attributen und Beschreibungsmerkmalen, die verschiedene Aspekte der Emotionen der Betrachter beschreiben. Anfang der 1970er Jahre begann die Lichtforschung, die Deutungsdimensionen der Szene und des Raumeindrucks zu erfassen. Die erste Arbeit auf diesem Gebiet wurde von Flynn im Jahr 1973 [3] in einem Besprechungsraum mit sechs verschiedenen Lichtkonfigurationen durchgeführt. Dabei bekamen 96 Testpersonen einen Fragebogen mit 34 unterschiedlichen Skalierungen, um diese Lichtkonfigurationen mit Adjektivpaaren zu beurteilen wie »clear – hazy« (klar – trüb), »pleasant – unpleasant« (angenehm – unangenehm), »bright – dim« (hell – dunkel) oder »stimulating – subduing« (stimulierend – langweilig).

Flynn [4] führte eine multidimensionale Analyse der visuellen Skalierungen durch, um die lichttechnischen Eigenschaften zur Beurteilung der Ähnlichkeit und der Differenzen zu etablieren. Er fand dabei die folgenden drei grundlegenden Merkmale heraus:

  1. Homogenität (gleichmäßig / ungleichmäßig)
  2. Helligkeit (hell / dunkel)
  3. »Licht kommt von oben – Licht kommt peripher«

Im Jahr 1998 führten Veitch und Newsham subjektive Experimente zur Beurteilung der Raumerscheinung mit 292 Testpersonen und mit 9 Lichtsystemen an Hand von 27 semantischen Skalierungen durch [5]. Als wichtigste Merkmale zur Beschreibung des Eindrucks über die Raumerscheinung ergaben sich – nach einer detaillierten Datenanalyse – die sogenannte »visuelle Attraktion und Komplexität« und die »Helligkeit«. Veitch und ihr Team haben auch in weiteren zahlreichen Untersuchungen Merkmale der guten Raumbeleuchtung analysiert und Beleuchtungsparameter wie Leuchtdichteverteilung im Raum, Farbwiedergabe, Lichtrichtung und Blendung aufgestellt. Es fehlte dennoch ein Modellansatz mit mathematischem Hintergrund, um bei einer bestimmten Nutzerpräferenz die Grenzwerte der Beleuchtungsparameter festzulegen.

Mit der dynamischen Entwicklung der LED-Technologie, zuerst mit den farbigen LEDs zu Anfang des 21. Jahrhunderts und der anschließenden Entwicklung von LED-Leuchtstoffen ab etwa 2005 bis heute, begann eine neue Ära der Farbforschung. Sie verfolgt das Ziel, die Farbqualität in der Innenraumbeleuchtung mit den Schwerpunkten wie Verkaufsbeleuchtung, Museums- und Galeriebeleuchtung und TV- und Filmstudiobeleuchtung zu erforschen. Von etwa 1965 bis 2000 hatten die Wissenschaftler eher das Thema »Farbwiedergabe« untersucht. In zahlreichen Studien über die Farbqualität wurden die komplexeren Attribute wie Farbpräferenz, Farberinnerung, Farbgamut, Farbharmonie, Natürlichkeit und Farbattraktivität durch mehrere Forschungsgruppen in China, in den USA, Frankreich, Belgien und in Deutschland analysiert [6-11]. Ihre Ergebnisse führten zu den zwei CIE-Workshops in Südkorea 2018 und in den USA 2019 mit der Teilnahme der beiden Autoren dieses Artikels. Es gibt dennoch innerhalb der CIE noch keine einheitlichen Meinungen über ein mögliches, in der Praxis verwendbares, einheitliches Farbqualitätsmodell. Nach den Untersuchungen aus Deutschland hängt die Farbqualität von Beleuchtungsniveau, Farbtemperatur und Farbsättigung ab [12].

Somit ergab sich bis etwa 2015 bis 2017 eine schwierige Situation: einerseits waren die Zusammenhänge zwischen der visuellen Leistung (Lesegeschwindigkeit, Reaktionszeit, Fehlerrate) und des Beleuchtungsniveaus sehr gut bekannt. Die visuelle Leistung geht dennoch ab etwa 300 lx beziehungsweise 500 lx in die Sättigung und verliert somit die Hoheit. Die Wahrnehmungspsychologie der 1990er Jahre half den Wissenschaftlern und Beleuchtungstechnikern, die Komplexität der Wahrnehmung in der Innenraumbeleuchtung zu analysieren. Dennoch fehlte ein mathematischer Zusammenhang zwischen den Wahrnehmungsmerkmalen und den Beleuchtungsparametern. Die Forschung der Farbqualität in den letzten 15 Jahren hob die Forschungsqualität signifikant an, worauf die Lichtwissenschaft in der nahen Zukunft ein praktisches Lichtqualitätsmodell aufbauen könnte, was im Zeitalter von Internet of Things (IOT), Konnektivität und Smart Lighting – für die automatische Kontrolle der Lichtqualität – notwendig wäre. Wenn die technologischen Voraussetzungen wie regelbare LED-Leuchten, Sensorik, Internetprotokolle, Cloud und künstliche Intelligenzmethoden bereits und bald verfügbar sind, muss man sich fragen, nach welchen Kriterien man die Gebäudeanlagen und LED-Leuchten steuert und regelt und wie man diese Kriterien implementiert, um die Nutzerzufriedenheit bei unterschiedlichen Wetterbedingungen, geographischen Lagen beziehungsweise Benutzergruppen (Individualität nach Alter, Land, Kulturkreis) zu optimieren.

Das ist die Motivation, Lichtqualität in der Innenraumbeleuchtung an Hand von Experimenten in realen Räumen zu modellieren und den mathematischen Zusammenhang zwischen der Nutzerzufriedenheit und den unmittelbar wirkenden Beleuchtungsparametern aufzustellen, um mit Hilfe von Smart Lighting-Rechnern eine optimale Regelung der LED-Leuchten zu ermöglichen [26, 27]. Ein Modellansatz für die Lichtqualität in der Innenraumbeleuchtung [27] bildet dementsprechend den Inhalt dieses Artikels.

2 Beschreibung der Eingangs- und Ausgangsparameter des Modellansatzes

2.1 Eingangsparameter

Die Eingangsparameter sind vergleichsweise einfach zu beschreiben. Man unterscheidet zwischen verschiedenen Ebenen der Herkunft der Beleuchtungsparameter:

  • a) Physikalische Ebene: Das sind spektrale Strahlungsflüsse der Lichtquelle, spektrale Strahldichten der Raumobjekte (Textilien, Möbel, Lebensmittel) oder spektrale Bestrahlungsstärken auf der Arbeitsebene beziehungsweise direkt vor dem Auge der Raumnutzer.
  • b) Von den Spektren abgeleitete Beleuchtungsparameter: Das sind Leuchtdichten, Beleuchtungsstärken auf der Arbeitsebene; Farbtemperatur, Weißpunkt der Wände oder der Decke, farbmetrische Kenngrößen wie Farbwiedergabe; sowie Farbton und Farbsättigung der Farben im Raum.
  • c) Weitere augenphysiologische oder psychophysische Kenngrößen: Das sind die Schattigkeit, das Verhältnis der direkt-zu-indirekten Lichtanteile sowie die Lichtverteilung im Raum.

Wenn zu Beginn der 1970er Jahre das Beleuchtungsniveau (Beleuchtungsstärke) im Fokus der Untersuchungen stand [13, 14], lösten dieses in den letzten 15 Jahren eher die Farbtemperatur in der Wahrnehmungspsychologie [15, 17] sowie der Zusammenhang zwischen Beleuchtungsstärke und Farbtemperatur für einen beleuchtungstechnisch akzeptablen Raumeindruck [16] ab. In einer Untersuchung aus dem Jahr 2018 [12] wird die Farbsättigung der im Raum platzierten Objekte betrachtet.

2.2 Ausgangsparameter

Die Ausgangsparameter eines Modellansatzes für Lichtqualität sind die prägenden Antworten der Raumnutzer auf die Änderung der Beleuchtungssituation. Nach den Untersuchungen von Flynn [3, 4] und Veitch [5] gibt es die folgenden zwei Beschreibungsmerkmale: 1. die Helligkeit (hell – dunkel), die noch eher physiologisch zuzuordnen ist; und 2. die »visuelle Attraktion und Komplexität«, die – auf der höheren, psychophysischen Ebene – mit der Raumpräferenz (oder Szenenpräferenz) von möblierten Räumen bei einer bestimmten Wetter- und Kontextlage, verbunden mit einer bestimmten Erwartung über die Erscheinung des Raumes zu betrachten ist.

In Anbetracht der Geschichte der Lichtwissenschaft und bei der Analyse der bestehenden Literatur identifizierten die Autoren des vorliegenden Artikels die folgenden vier Ausgangsparameter als besonders relevant [26]:

  • Helligkeit (sogenannte räumliche Helligkeit von ausgedehnten Sehfeldern als visueller Stimulus)
  • visuelle Klarheit (oder Sehklarheit)
  • Farbpräferenz (dies ist ein wichtiger Aspekt des allgemeinen Begriffes »Farbqualität«)
  • Raumpräferenz oder Szenenpräferenz (wie ein komplexer Raum vom Benutzer akzeptiert beziehungsweise bevorzugt wird)

Die Untersuchungen über die Sehklarheit und die räumliche Helligkeit sind in der Lichtwissenschaft und vor allem in der Lichtarchitektur bereits seit Ende der 1960er Jahre experimentell und theoretisch durchgeführt worden [18-20] und setzten sich bis 2012 mit einer Gesamtauswertung der experimentellen Methodik und der bis dahin gewonnenen Erkenntnisse fort. Für die räumliche Helligkeit gibt es eine Definition, die von IESNA (Illuminating Engineering Society of North America) formuliert und in [21] wiedergegeben ist:

»Spatial brightness describes a visual sensation to the magnitude of the ambient lighting within an environment, such as a room or lighted street. Generally, the ambient lighting creates atmosphere and facilitates larger visual tasks such as safe circulation and visual communication. This brightness percept encompasses the overall sensation based on the response of a large part of the visual field extending beyond the fovea. It may be sensed or perceived while immersed within a space or when a space is observed remotely but fills a large part of the visual field. Spatial brightness does not necessarily relate to the brightness of any individual objects or surfaces in the environment but may be influenced by the brightness of these individual items.«

Dagegen gab es bis heute keine ausführliche Definition über die Sehklarheit. Es gibt dennoch dazu die folgenden Formulierungen beziehungsweise Ansichten:

  • Thornton und Chen haben im Jahr 1978 [19] ausgesagt, dass die Sehklarheit mit der Unterscheidbarkeit von Details gleich bedeutend ist und in einem direkten Zusammenhang zu der Helligkeit steht.
  • In einem Grundsatzartikel haben Hashimoto et al. [20] wie folgt formuliert: »Visual clarity is caused by the feeling of contrast between colored objects under illumination«. Diese Formulierung wurde ebenfalls von Fotios und Atli [21] untermauert.
  • Die Autoren des vorliegenden Artikels haben die Sehklarheit wie folgt beschrieben: »Visual clarity is the clear visibility of continuous color transitions, fine color shadings on the object surfaces and clearly visible contrasts (large color differences and/or large luminance differences) between the different colored objects«, etwa: »die klare Sichtbarkeit von kontinuierlichen Farbübergängen, von feinen Farbschattierungen an den Objektoberflächen sowie der Kontraste zwischen den Farben der verschiedenen farbigen Objekte«.

Diese Erläuterungen haben gemeinsam, dass die Unterscheidbarkeit von Objektdetails im Vordergrund der Betrachtung steht, in der sowohl der Leuchtdichtekontrast (achromatischer Kontrast) als auch der Kontrast zwischen Farbobjekten (Unterschied im Farbton und Sättigung) eine Rolle spielen.

3 Experimente

Für die Untersuchung der vier oben genannten Ausgangsparameter (Attribute) Helligkeit, visuelle Klarheit, Farbpräferenz und Raumpräferenz wurde ein neuer Laborraum mit weißen diffusen Wandfarben eingerichtet. Der Raum war lichtdicht und die Fenster wurden mit weißen diffusen Vorhängen überzogen. In Abb. 1 (links oben) ist ein Tisch mit einer weißen diffusen Tischdecke zu sehen, auf die die Testpersonen adaptierten und deren Helligkeitswahrnehmung mit der Skalierung von 0 bis 100 nach einer empirischen Studie [22] bewerteten (Abb. 2). In dem anschließenden Testaufbau für die visuelle Klarheit (Abb. 1, rechts oben) wurden Objekte mit feinen Strukturen und Mustern (farbige Pullover, Haarstruktur der Puppe, feine Striche einer Strichplatte, feine Struktur einer Kunstblume) aufgestellt. Die Testpersonen bewerteten die visuelle Klarheit, die Farbpräferenz und die Raumpräferenz mit einer ähnlichen Skala wie bei der Helligkeit (Abb. 2).
für die Helligkeit (links oben), visuelle Klarheit oder Sehklarheit (rechts oben), Farbpräferenz (links unten) und Raumpräferenz (rechts unten). Reproduziert von [26] mit Genehmigung von Lighting Research and Technology.« context=«content«]

Im Testaufbau für die Farbpräferenz wurden markante Farbobjekte wie farbige Bücher und die zwei Macbeth-ColorChecker mit Farben in unterschiedlichen Farbtönen und Farbsättigungen für die Bewertung zur Verfügung gestellt. Für die Raumpräferenz wurden räumlich ausgedehnte (also nicht vorwiegend flache, sondern sogenannte »3D«-) Objekte wie Blumenvasen, Obstteller und ein Gemälde aufgestellt.

Die vier Testaufbauten wurden – jeweils nacheinander – mit zwei thermisch stabilisierten und kurz- und langfristig stabil leuchtenden großen LED-Leuchten (»SkyPanels« von ARRI aus München) mit RGB-LEDs und warmweißen LEDs diffus beleuchtet. Das Licht wurde im Voraus sorgfältig zu 36 unterschiedlichen Spektren gemischt, aufgeteilt in vier unterschiedliche Beleuchtungsniveaus in der Mitte des Tisches (200 lx, 500 lx, 1000 lx und 1800 lx) sowie in drei unterschiedliche Farbtemperaturen (3000 K, 4100 K und 5600 K) und in drei unterschiedliche Farbsättigungsstufen (drei ΔC*-Niveaus, ΔC* stellt den Mittelwert des CIELAB- Chroma-Unterschieds zum Referenzspektrum für die 15 – eher gesättigten – CQS-Farben nach [10] dar). Diese 36 Spektren wurden in der Mitte der weißen Tischdecke mit einem kalibrierten Strahldichte-Spektralradiometer gemessen. Die daraus berechneten relativen Spektren sind in Abb. 3 dargestellt. Tabelle 1 enthält die Werte der Beleuchtungsstärken, der Farbtemperatur, der Farbsättigung und der Farbwiedergabe für die 36 Spektren.
. Reproduziert von [26] mit Genehmigung von Lighting Research and Technology.« context=«content«]

mit Genehmigung von Lighting Research and Technology.« context=«content«]

Insgesamt nahmen 30 Testpersonen (14 Männer, 16 Frauen) mit normaler Farbsichtigkeit (getestet mit »The Standard Pseudoisochromatic Plates for Acquired Color Vision Defects« [23]) teil. Das Alter der Testpersonen lag zwischen 19 und 32 Jahren mit einem durchschnittlichen Alter von 25,8 Jahren (Standardabweichung: 3,3 Jahre). Vor dem Hauptexperiment wurde ein Training mit acht Lichteinstellungen und dem gleichen Fragebogen durchgeführt. In der Trainingsphase wurden extreme Lichteinstellungen wie sehr hell, sehr dunkel sowie sehr hohe und sehr niedrige Farbsättigungen eingestellt, um sogenannte Ankerreize zu erzeugen. Die Trainingsergebnisse gingen nicht in die finale Auswertung der Ergebnisse ein. Im Hauptexperiment wurden die 36 oben genannten Spektren randomisiert dargeboten.

i

Ev

CCT

ΔC*

Ra

i

Ev

CCT

ΔC*

Ra

i

Ev

CCT

ΔC*

Ra

33

197

2980

0,0

94

14

489

4077

-0,1

92

12

1009

5504

0,7

95

9

198

2992

1,9

91

22

491

4082

2,6

87

7

1000

5570

4,1

79

34

204

2995

10,7

21

4

502

4110

12,0

26

2

1005

5616

11,6

34

20

199

4082

0,5

96

11

495

5580

0,8

95

31

1791

2982

0,2

94

24

193

4068

2,4

88

16

496

5584

4,3

79

18

1796

2983

1,7

93

21

199

4101

11,8

27

30

499

5612

11,4

35

1

1818

2995

11,2

22

3

196

5545

0,7

95

35

997

2979

0,0

94

17

1793

4090

0,1

93

25

192

5602

4,4

78

26

999

2988

1,7

93

6

1791

4083

2,5

88

23

201

5587

11,5

35

8

1001

2991

11,2

22

27

1814

4107

12,2

25

15

491

2975

0,2

94

10

1000

4077

0,0

92

29

1789

5606

1,0

95

28

496

2988

1,9

92

19

990

4069

2,5

88

5

1801

5586

4,2

79

32

500

2996

11,3

21

13

1006

4110

11,8

27

36

1825

5617

11,6

34

4 Auswertung der Ergebnisse, Modellgleichungen

In diesem Abschnitt werden die vier Attribute Helligkeit, Sehklarheit, Farbpräferenz und Raumpräferenz nacheinander ausgewertet und modelliert.

4.1 Helligkeit

Der beste Modellansatz für die räumliche Helligkeit B (Brightness) wurde mit den folgenden zwei Gleichungen erreicht [27]:

B = 27,058 ln(Ev,eq) – 105,25 Gl. (1)

Dabei bedeutet das Symbol Ev,eq die sogenannte äquivalente Beleuchtungsstärke, die nach Fotios [24] wie folgt berechnet wird:

Ev,eq=Ev (S/V)0,24 Gl. (2)

In Gleichung (2) bedeutet das Symbol Ev die auf dem Tisch gemessene Beleuchtungsstärke bei einem bestimmten Spektrum (i=1-36, Abb. 3), S ist das Signal der blauen S-Zapfen und V ist das Signal des Luminanzkanals V (berechnet nach der bekannten V(λ)-Funktion). Mit einem Pearson-Korrelationskoeffizienten von r2 = 0,97 ist die Korrelation zwischen der äquivalenten Beleuchtungsstärke und der wahrgenommenen Helligkeit B nach Gleichung (1) sehr hoch (Abb. 4).
mit Genehmigung von Lighting Research and Technology.« context=«content«]

Damit ist ein Beweis aufgestellt, dass die Helligkeit außer vom Beleuchtungsstärkeniveau Ev (lx) auch noch vom blauen Anteil des Spektrums der Lichtquelle abhängt. Der Blauanteil des Spektrums wird hier durch das Signal der (blauempfindlichen) S-Zapfen modelliert. Lichtquellen mit einem hohen blauen spektralen Anteil weisen eine dementsprechend hohe Helligkeit (beim gleichen Beleuchtungsstärkeniveau) auf.

4.2 Visuelle Klarheit

Der beste Modellansatz für die Visuelle Klarheit (VC) konnte durch die Gleichung 3 [27] erreicht werden (Abb. 5):

VC = [19,804 ln(Ev,eq) – 60,496] · [-0,0004 ΔC*2 – 0,011 ΔC* + 1,0708] Gl. (3)

In Gleichung (3) gibt es einerseits eine Abhängigkeit von der Größe Ev,eq und einen zusätzlichen zweiten Term in den rechteckigen Klammern, die eine Abhängigkeit von der Größe ΔC* darstellt. (ΔC* ist, wie früher bereits erwähnt, eine Kennzahl für die Farbsättigung der Objektfarben unter dem jeweiligen Spektrum.) Der erste Term hat die gleiche Form wie bei der Helligkeit (Gl. (1)) und der zweite Term mit ΔC* bedeutet, dass eine zu hohe Farbsättigung der Objektfarben im Raum (die durch ungeeignet gewählte Beleuchtungsspektren wie sehr sättigende RGB-LED-Spektren) die Sehklarheit verringert. Das ist ein wichtiger Hinweis, dessen Bedeutung in den letzten 10 Jahren mehrfach untersucht wurde [25].
mit Genehmigung von Lighting Research and Technology.« context=«content«]

4.3 Farbpräferenz

Die visuell skalierten Mittelwerte der Versuchspersonen für die Farbpräferenz (CP) wurden mit Hilfe einer Gleichung mit drei Termen (Gl. 4) modelliert [27]:

  • a) Der erste Term ist ähnlich wie bei der Helligkeit (Gl. 1),
  • b) der 2. Term – mit ΔC* als Parameter – ist ähnlich wie bei der visuellen Klarheit (Gl. 3), und
  • c) der 3. Term beinhaltet die Quotienten (S/V)0,24 und berücksichtigt Lichtquellen mit unterschiedlichen Blauanteilen in deren Spektrum.

CP = (14,089 ln(Ev,eq) – 25,397) · [-0,003 ΔC*2 + 0,0252 ΔC* + 1,0192] +

+ [-518,554 ((S/V)0,24)2 + 864,872 (S/V)0,24 – 356,578]

(mit r2=0,84) Gl. (4)

Die Farbpräferenz hängt somit wiederum von der Helligkeit, von der Farbsättigung der farbigen Objekte im Raum sowie vom Blauanteil des Spektrums ab. Die Abhängigkeit des zweiten Terms der Gl. (4), [-0,003 ΔC*2 + 0,0252 ΔC* + 1,0192], von der Kennzahl der farbsättigenden Eigenschaft (ΔC*) der Lichtquelle ist in Abb. 6 dargestellt.
, von der Kennzahl der farbsättigenden Eigenschaft (ΔC*) der Lichtquelle. Quelle: TU Darmstadt« context=«content«]
Aus Abb. 6 geht hervor, dass der zweite Term der Gl. (4) der Farbpräferenz, der von der farbsättigenden Eigenschaft (ΔC*) der Lichtquelle abhängt, ein Maximum bei circa ΔC*=4,2 aufweist. Dieser optimale Wert entspricht einer mäßigenÜbersättigung der Objektfarben im Vergleich zur Referenzlichtquelle (schwarzer Strahler oder Tageslichtart der gleichen ähnlichsten Farbtemperatur). Eine Steigerung der Sättigung der Objektfarben (z. B. durch Erhöhung der RGB-Anteile einer Mehrkanal-LED-Leuchte) über circa ΔC*=4,2 hinaus führt zur Abnahme der subjektiven Farbpräferenz. Werden die Objektfarben durch ΔC*< 0,0 entsättigt, dann geht die Farbpräferenzkurve (auf der linken Seite der Abb. 6) schnell bergab. Abb. 7 zeigt die Korrelation zwischen dem CP-Modell nach Gl. (4) und dem visuell skalierten Mittelwert der Versuchspersonen für die Farbpräferenz.
mit Genehmigung von Lighting Research and Technology.« context=«content«]

4.4 Szenenpräferenz

Die Datenauswertung für die Szenenpräferenz oder Raumpräferenz (SP) lief ähnlich wie bei der o.g. Farbpräferenz. Der entsprechende Modellansatz in der Gl. (5) [27] enthält die ähnlichen drei Terme. Abb. 8 zeigt die visuell skalierte Raumpräferenz in Abhängigkeit der Beleuchtungsstärke und im Vergleich in Abhängigkeit des SP-Modells der Gl. (5).

SP = 17,127 ln(Ev,eq) – 41,844 – 0,1325 ΔC*2 + 0,2797 ΔC* +

+ [-622,378 ((S/V)0,24)2 + 980,843 (S/V)0,24 – 382,535]

(r2=0,89) Gl. (5)
mit Genehmigung von Lighting Research and Technology.« context=«content«]
Bei der Auswertung der nach Gl. (5) modellierten Szenenpräferenz SP (bei einem konstanten DC*-Wert von 1.1; dieser Wert entspricht der maximalen Szenenpräferenz) als Funktion der Beleuchtungsstärke bei unterschiedlichen Farbtemperaturen konnte ein für die Beleuchtungsplanung wichtiges Diagramm (Abb. 9) ermittelt werden [27]. Aus Abb. 9 geht hervor, dass eine »gute« Bewertung für eine Szene im Raum gerade nur sichergestellt werden kann, wenn man bei 4100 K und 5000 K etwas mehr als 1200 lx erreicht. Bei CCT= 3100 K muss dafür eine Beleuchtungsstärke von 1800 lx erzielt werden.
mit Genehmigung von Lighting Research and Technology.« context=«content«]

5 Validation der Modelle in drei Museen in Japan

Als Validierung der oben beschriebenen Modelle werden die Ergebnisse einer unabhängigen Studie [28] wie folgt herangezogen. In diesen Experimenten wurde die Auswirkung künstlicher Beleuchtung auf die Bewertungen von Beobachtern in großen Museumsräumen in drei Museen in Japan (National Museum of Western Art; The Aichi Prefectural Museum of Art; The Yamazaki Mazak Museum of Art) untersucht. Das Ziel bestand darin, den Zusammenhang zwischen den Antworten der Beobachter und den Beleuchtungsparametern in diesen Museen zu modellieren. In der Studie [28] wurden 31 jüngere Beobachter zwischen 20 und 24 Jahren eingeladen, die Beleuchtungsumgebung subjektiv nach den vier Eigenschaften »Komfort«, »Klarheit«, »Präferenz« und »Wärme« auf einer Skala zwischen 1 und 6 (nur mit ganzen Zahlen; 1: sehr schlecht bis 6: sehr gut) zu bewerten. Die Versuche fanden in den folgenden drei Ausstellungssälen beziehungsweise mit den folgenden zum fokussierten Betrachten ausgewählten Objekten statt:

  • i=1: National Museum of Western Art: ein Ausstellungssaal für Gemälde aus dem 19. und 20. Jahrhundert, ausgewähltes Gemälde: »Morgen auf der Seine« (Claude Monet, 1898);
  • i=2: The Aichi Prefectural Museum of Art: ein Dauerausstellungssaal, ausgewähltes Gemälde: »Bunte Blumen im Frühling« (Rinen Hoshi, 2016);
  • i=3: The Yamazaki Mazak Museum of Art: ein Ausstellungssaal für Gemälde, ausgewähltes Gemälde: »Segelboot am Morgen« (Jean-Marc Nattier, 1739).

Der experimentelle Vorgang der subjektiven Bewertung von Komfort, Klarheit, Präferenz und Wärme hatte die folgenden Schritte:

  1. Einleitung der Versuchspersonen
  2. Sehtest, Farbfehlsichtigkeitstest
  3. zwei Minuten Adaptation im jeweiligen Ausstellungssaal
  4. Anschauen der Ausstellungsobjekte mit »Bewegen, Betrachten, Verweilen« – mit Fokus auf die für die Studie ausgewählten Gemälde unter einem Sehwinkel zwischen 30° und 55°, circa fünf Minuten
  5. subjektive Bewertungen mit Hilfe der oben beschriebenen (ordinalen) 6-Punkte-Skalen

Die Änderung des Parameters »Museum beziehungsweise Ausstellungsraum« (1, 2 oder 3, s. oben) hatte einen signifikanten Einfluss (F-Test, p<0.001) auf die Mittelwerte von allen vier subjektiv skalierten Eigenschaften (Komfort, Klarheit, Präferenz und Wärme). Tabelle 2 fasst die lichttechnischen Parameter der drei Versuchslokalitäten, die CP- und SP-Werte sowie die mittleren Bewertungen der Versuchspersonen [28] zusammen.

i

CCT (K)

x

y

Ra

R9

ΔC*

Ev

CP

SP

Ko.

Kl.

Pr.

Wä.

1

2079

0,524

0,422

96

92

-0,08

84

7,8

9,0

3,77

3,39

3,74

5,03

2

2960

0,441

0,407

90

46

1,08

115

29,9

30,1

4,39

4,52

4,13

4,03

3

3568

0,413

0,420

93

88

0,41

538

61,2

64,0

4,87

5,00

4,74

3,52

Pearson-Korrelationskoeffizient r mit CP

0,99

0,95

1,00

-0,96

Pearson-Korrelationskoeffizient r mit SP

0,98

0,93

1,00

-0,95

Aus Tabelle 2 geht hervor, dass die Pearson-Korrelationskoeffizienten zwischen den Modellwerten CP beziehungsweise SP und den mittleren subjektiven Bewertungen für Komfort, Klarheit und Präferenz positiv und hoch sind. Mit der Wärme-Eigenschaft ergab sich eine negative Korrelation. Es gibt außerdem die folgenden Korrelationskoeffizienten [28] zwischen der subjektiven Eigenschaft Präferenz und den anderen subjektiv skalierten Eigenschaften: Präferenz – Klarheit (r=0,94, p=0,23), Präferenz – Wärme (r= – 0,95, p=0,20), Präferenz – Komfort (r=0,98, p=0,13). Dies bedeutet, dass »wärmere« Szenen nicht präferiert werden, was den Voraussagen des Modells im vorhandenen Artikel entspricht.

6 Zusammenfassung, Ausblick

Der Zusammenhang zwischen dem Beleuchtungsstärkeniveau und dem Kontrast der gesehenen Objekte (am Eingang des Modells) und der visuellen Leistung (am Ausgang des Modells: Reaktionszeit, Lesegeschwindigkeit) konnte in den Jahren um 1981 bis 1991 mathematisch mit geschlossenen Formeln modelliert werden. Der Zusammenhang zwischen den wahrnehmungspsychologischen und physiologischen Parametern wie »visuelle Attraktion und Komplexität« oder Farbqualität (am Ausgang) und den objektiven Beleuchtungsparametern (am Eingang) war bisher – im Gegensatz dazu – eher qualitativ, empirisch.

Im vorliegenden Artikel wurden die Erkenntnisse der Farbqualitätsforschung der letzten 15 Jahre mit den möglichen Modellansätzen aus der Literatur der letzten Jahrzehnte über die Helligkeit und der visuellen Klarheit kombiniert. Damit ist es den Autoren gelungen, durch umfangreiche visuelle Experimente im Laborbereich in einem realen Raum für die vier Eigenschaften Helligkeit, visuelle Klarheit, Farbpräferenz und Szenenpräferenz einen mathematisch geschlossenen Modellansatz aufzustellen.

Ein unabhängiges Validierungsexperiment in drei Museen in Japan [28] mit drei Beleuchtungsarten und -kontexten zeigte eine hohe Korrelation zwischen der visuellen Wahrnehmung und Skalierung der Präferenzeigenschaft der (jüngeren) ostasiatischen Museumsbesucher und den durch den vorhandenen Modellansatz vorhergesagten numerischen Werten CP und SP. (Die Autoren des vorliegenden Artikels und die Autoren der Studie [28] kannten sich vorher nicht und kommunizierten nicht miteinander.)

Derzeit werden an der Technischen Universität Darmstadt eine Reihe von Forschungsarbeiten für Doktoranden geplant, um das vorhandene Lichtqualitätsmodell zu verfeinern und zu erweitern, um in möblierten Räumen (z. B. in Krankenhäusern, Büros, Schulen, Verkaufsräumen) eine abgesicherte Vorhersage der Lichtqualität zu ermöglichen und somit Smart Lighting zu implementieren. Bei diesen Forschungen ist eine enge Zusammenarbeit mit dem Fachbereich Architektur der Technischen Universität Darmstadt geplant.

7 Literaturverzeichnis

[1] Luckiesh, M.; Moss, FK: The science of seeing, New York; D Van Nostrand Co., 1937.

[2] Blackwell, HR: A human factor approach to lighting recommendations and standards, Technology for man 72, Proceedings of the 16th Annual Meeting, Los Angeles, 17-19 October 1972, pp. 441-451.

[3] Flynn, J.E., Spencer, T.J., Martyniuk, O, Hendrick, C.: Interim study of procedures for investigating the effect of light on impression und behaviour, Journal of the Illuminating Engineering Society 3/1, 1973, pp. 87-94.

[4] Flynn J.E. et. al.: A guide to methodology procedures for measuring subjective impressions in lighting, Journal of the IES, January 1979, pp. 95-110.

[5] Veitch, J. A., & Newsham, G. R. (1998). Lighting Quality and Energy-Efficiency Effects on Task Performance, Mood, Health, Satisfaction and Comfort. Journal of the Illuminating Engineering Society 27, pp. 107-129.

[6] Guo X, Houser KW. A review of colour rendering indices and their application to commercial light sources. Lighting Research and Technology 2004; 36: 183–199.

[7] Khanh TQ, Vinh QT, Bodrogi P. A numerical analysis of recent colour rendition metrics. Lighting Research and Technology 2017; 49: 561-573.

[8] Commission Internationale de l‘Éclairage. Color Fidelity Index for Accurate Scientific Use, CIE Publication 224:2017 Vienna: CIE, 2017.

[9] David A, Fini PT, Houser KW, Whitehead L. Development of the IES method for evaluating the color rendition of light sources. Optics Express 2015; 23: 15888-15906.

[10] Davis W, Ohno Y. Color quality scale. Optical Engineering 2010; 49: 033602.

[11] Houser KW, Wei M, David A, Krames MR, Shen XS. Review of measures for light-source color rendition and considerations for a two-measure system for characterizing color rendition. Optics Express 2013; 21: 10393.

[12] Khanh TQ, Bodrogi P, Vinh QT, Guo X, Anh TT. Color preference, naturalness, vividness and colour quality metrics, Part 4: Experiments with still life arrangements at different correlated colour temperatures. Lighting Research and Technology 2018; 50: 862-879.

[13] Bodmann HW, Söllner G, Voit E. Assessment of illuminance levels for different types of illuminant (in German: Bewertung von Beleuchtungsniveaus bei verschiedenen Lichtarten). Proceedings of the CIE, Vol C, Vienna, 1963: 502-509.

[14] Boyce PR. The influence of illuminance level on prolonged work performance. Lighting Research and Technology 1970; 2(2): 74-94.

[15] Fotios S: A revised Kruithof Graph based on empirical data, Leukos, Taylor& Francis-Verlag, 13:1, S. 3-17, 2017.

[16] Kruithof AA: Tubular luminescence lamps for general illumination, Philips Tech Rev. 6(3):65–73, 1941.

[17] Viénot F, Durand M-L, Mahler E: Kruithof’s rule revisited using LED illumination, J. Modern Optics 56(13):1433–1446, 2009.

[18] Aston SM, Bellchambers HE. 1969. Illumination, colour rendering and visual clarity. Lighting Research and Technology 1(4):259–261.

[19] Thornton WA, Chen E. 1978. What is visual clarity? J. Illum. Eng. Soc. 7(2):85–94.

[20] Hashimoto K, Nayatani Y. 1994. Visual clarity and feeling of contrast. Color Res. Appl. 19(3): 171–185.

[21] Fotios, S.; Atli, D.: Comparing Judgments of Visual Clarity and Spatial, Brightness through an Analysis of Studies Using the Category Rating Procedure, LEUKOS, 8:4, 261-281, 2012.

[22] Bodrogi P, Brückner S, Krause N, Khanh TQ. Semantic interpretation of color differences and color-rendering indices. Color Research and Application 2014; 39: 252–262.

[23] Ichikawa H, Tanabe S, Hukami K. Standard Pseudoisochromatic Plates for Acquired Color Vision Defects, Part II. Tokyo: Igaku-Shoin Medical Publishers, 1983.

[24] Fotios SA, Levermore GJ. Chromatic effect on apparent brightness in interior spaces, II: SWS lumens model. Lighting Research and Technology 1998; 30: 103–106.

[25] Royer MP, Houser KW, Wilkerson AM. Color discrimination capability under highly structured spectra. Color Research and Application 2012; 37: 441-449.

[26] Khanh TQ, Bodrogi P, Guo X, Anh PQ: Towards a user preference model for interior lighting -Part 1: Concept of the user preference model and experimental method, Lighting Research and Technology 51/7, pp. 1014-1029, 2018.

[27] Khanh TQ, Bodrogi P, Guo X, Anh PQ: Towards a user preference model for interior lighting -Part 2: Experimental results and modelling, Lighting Research and Technology 51/7, pp. 1030-1043, 2018.

[28] Zhisheng Wang, Yukari Nagai, Jiahui Liu, Nianyu Zou, Jing Liang: Artificial Lighting Environment Evaluation of the Japan Museum of Art Based on the Emotional Response of Observers, Applied Sciences 10, 1121; doi:10.3390/app10031121, 2020.

Weitere Informationen:

Autoren: Dr. Peter Bodrogi, ERCO GmbH, Lüdenscheid; Prof. Tran Quoc Khanh, Technische Universität Darmstadt

Fotos und Abbildungen: TU Darmstadt

Dieser Artikel ist erschienen in

Licht 6 | 2020

Erschienen am 25. August 2020