Op woensdag 22 mei geeft Henk, een van de leden van Hollandse Luchten een uitleg over de data analyse die hij heeft gedaan van Hollandse Luchten sensoren met behulp van Python. Hij heeft hiervoor de sensoren rondom het Tata Steel terrein in Velsen/Beverwijk als voorbeeld genomen. Op die plek hangen veel sensoren rondom een bron van fijnstof. Tijdens deze analyse is hij tot veel interessante inzichten gekomen, over de sensoren, over het meten van bronnen en over beperkingen van (burger)wetenschap.
De sessie begint om 16.15 en is zowel in persoon als online te bezoeken. Je moet je wel even aanmelden om de link te ontvangen of om aangemeld te worden bij de locatie: Hollandse Luchten | Data-analyse uitleg: Industrie meten
De sessie wordt opgenomen, maar het is nog niet zeker of we de hele sessie daarna kunnen publiceren. We zullen in ieder geval een verslag en de presentatie van die middag delen.
De presentatie gaat bij ons nog een keer ter controle langs de data science werkgroep voor we hem online zetten. Ik kan hem wel vast naar uw sturen. Als u mij mailt op annabel@waag.org mail ik de presentatie terug!
@Henk, de verschillen tussen de Sodaq sensoren hebben waarschijnlijk deels met de positie van de luchtinlaat icm de plaatsing van de sensoren te maken (in de handleiding van de sps30 wordt geadviseerd de luchtstroom te beperken tot 1 m/s). Voor dit onderzoek is het wel jammer de Sodaq niet optimaal de kwaliteiten van de sps30 benut. In Lent hebben we meerdere sensoren (Ohnics | Fijnstofkaart, Ohnics | Publicaties ) op een relatief klein oppervlak, we vinden afwijkingen +/- 10% tov de mediaan van het meetnet en correlaties > 0.97 (nachtdata, Data 2021/2022 – Citizen Science Community Nijmegen).
Ik was zelf ook wat verrast door de grote verschillen in respons van de sensoren. Ik heb geen inzicht in de opbouw van de sensoren. Het lijkt erop dat er twee losse zaken zijn:
de plaatsing van de luchtinlaat t.o.v. de windrichting leidt tot verschillen in de luchtdoorstroming. Je kunt je natuurlijk wel afvragen waarom dat dan leidt tot een verschil in fijnstof. Een (beperkt) vertragend effect in respons zou dan logisch zijn, maar aangezien dat beide kanten op werkt (van laag → hoog en v.v.) is het niet op voorhand duidelijk waarom dat zo is.
De ijking per sensor verschilt sterk over alle windrichtingen heen. Waarom dat zo is? Ik denk dat hiervoor de sensoren open moeten en worden bekeken hoe dit komt. Maar het kan ook een software probleem zijn. De handleiding van de sps30 geeft inderdaad veel waarschuwingen over de luchtflow, en dat lijkt dan de beste kandidaat om de oorzaak te achterhalen.
Punt is dat dit voor mij als burger erg ver gaat, en ook niet te onderzoeken/testen. Het blijft dus gissen. De enige die hier iets over kan vertellen is de leverancier.
Daar loop ik ook wel tegenaan, je gaat er vanuit dat de leverancier van het kastje de richtlijnen van de sensorleverancier (Sensirion) respecteert en bij afwijking daarvan aanvullend test (nou was Sodaq vooral een IOT leverancier en niet zozeer een meetspecialist). Bij de Sodaq Air zitten de luchtin/uitlaat direct naast elkaar de onderkant van de behuizing en wordt de lucht aangezogen door de ventilator van de sps30, die is ca. 20mm in doorsnede met schoepen van enkele mm. Het gaat dus om een vrij zwakke flow. Als er langs de behuizing een windje staat dan is die flow al snel verstoord. Wat mij opvalt is dat bij veel meetinitiatieven dit soort technische aspecten en tooling voor data analyse nogal onderbelicht zijn (misschien niet relevant voor alle deelnemers maar voor de geĂŻnteresseerde deelnemers zou daarin toch voorzien kunnen worden) met als risico dat deelnemers achteraf teleurgesteld zijn in de bruikbaarheid van de data.