Het is een aantal bewoners opgevallen dat de SODAQ Airs soms hogere waarden meten dan de officiële meetstations van het luchtmeetnet. Daarom is de Data Science werkgroep van Hollandse Luchten een onderzoek gestart. In dit artikel beschrijft de Data Science werkgroep een deel van hun (lopend) onderzoek:
https://hollandse-luchten.org/onderzoek-van-rivm-naar-hoge-waarden-sodaq-air/
Ik wilde dit ook graag op het forum posten omdat we er hier over kunnen discussiëren!
Ik heb gezien dat als je rondfietst met een sodaq air dat de resultaten lager (1 stap van 5 ug)
zijn dan de fixed sodaq’s. je kan dat mooi zien op de sodaq sites.
er is bv een gebruiker die doordeweeks van Blaricum naar Hilversum fietst en die heb ik een aantal weken gevolgd… Food for thought hoe dit kan…
Ik heb via Twitter contact gehad met Scapeler. Ook zij doen aan citizen science en meten fijnstof, en ook met de Sensirion. zij hebben ervaring met het kalibreren en corrigeren van een andere sensoren en kunnen dat wellicht ook voor de Sensirion.
Kijk ook op: https://www.scapeler.com/index.php/2018/10/10/project-visibilis-finetunen-kalibratie-plantower-pmsa003-tegen-de-bam1020/
Er wordt momenteel onderzocht of de behuizing invloed heeft op de hoge waarden. Daarom is een eerdere versie van de SODAQ (snuffelfiets) geplaatst op een aantal officiële meetstations. Meer daarover lees je in dit nieuwe bericht over co-locatie.
@Wubbe Wat goed, bedankt voor het delen! Zal het doorgeven aan de data science werkgroep om te bespreken
We hebben hier in Lent/Nijmegen ook naar de SPS30 gekeken, er zijn meerdere oorzaken voor te hoge waarden. De eerste is de kalibratie door Sensirion zelf, op basis van 500 daggemiddelden naast een OneMet BAM1020 van het RIVM (Graafseweg, Nijmegen) komen we op een factor van ongeveer 1,25, een project in Maastricht kwam op een soortgelijke factor uit. Daarnaast zijn er nog onderlinge verschillen tussen de SPS30 sensoren, die tot 15% kunnen oplopen (maar wel heel constant zijn over het normale bereik). Voor ons project zijn we geïnteresseerd in (kleine) verschillen tussen locaties in ons meetnet dus hebben hiervoor een praktische kalibratie oplossing, voor een uitgebreide beschrijving van onze kalibratie stappen en de resultaten zie Data 2021/2022 – Citizen Science Community Nijmegen . Ook de weersomstandigheden spelen een rol, de kale implementatie van de SPS30 door SODAQ is hier gevoelig voor (wel minder dan sensoren met de SDS011). Wij gebruiken zelf Ohnics sensoren, die meer gebouwd zijn om permanent buiten te hangen (kabel tot 10 meter, IP67 voeding, kan op een buitenstopcontact) en hebben geen afwijkingen die door luchtvochtigheid worden veroorzaakt.
Een aanwijzing hiervoor is te vinden in de installatiedocumentatie van Sensirion, de luchtstroom langs de inlaat van de sensor mag niet hoger dan 1 m/s zijn, dus harder dan 3,6 km/h fietsen geeft afwijkingen (https://sensirion.com/media/documents/7990F04A/616544B0/Sensirion_Particulate_Matter_AppNotes_SPS30_Mechanical_Design_and_As.pdf). De sensor zuigt, met een ventilator aan de uitblaaskant, continue een klein volume lucht aan. Voor een betrouwbare meting is het van belang dat de hoeveelheid lucht die aangezogen wordt altijd gelijk is. Op een fiets wordt dat moeilijk als er met wisselende snelheden lucht langs de inlaat wordt geblazen, de snuffelfiets is leuk om PM verschillen tijdens de rit te bekijken maar de metingen kunnen behoorlijk afwijken van de werkelijke concentraties.
Nog een kleine toevoeging, ik zag op de “Hoe monteer jij de SODAQ Air” pagina verschillende manieren waarop de sensor is opgehangen, dat kan ook significante meetverschillen opleveren. In project Lentse Luchten kijken naar een geschikte ophangplek bij de sensorhouders, daarbij wordt de sensor zo ver mogelijk van objecten die een vrije luchtstroom hinderen geplaatst. Dat is niet altijd ideaal, soms is een regenpijp het maximaal haalbare andere keren kan het op de hoek van een balkon, in een enkel geval is er een paal beschikbaar (zie plaatje).
Ben blij dat Roderique het onderwerp fijn stof sensor en afwijking tov ‘high cost’ sensor zoals BAM1020 opbrengt. In feite voor zover mij bekend zijn er 3 low-cost sensoren die momenteel toegepast worden in volgorde van ‘anciënniteit’: Nova SDS011, Plantower *003 serie, Sensirion SPS30. Alle drie ontwikkeld voor binnenhuistoepassing (vocht < 55%), tellen deeltjes in oplopende groottes en hebben eigen algoritmes om de tellingen naar gewichten om te rekenen. SPS30 wordt sinds paar jaar het meest toegepast. SDS011 (Luftdaten kit o.a.) heeft een grootste installed base. Maw er is veel meetdata gebaseerd op de SDS011.
Inderdaad de afwijkingen meestal gebaseerd op berekende meting naar gewicht zijn enorm afwijkend mbt sensor (fabrikant, onderling verschil, stabiliteit 5V voeding) maar ook mbt rel. vocht (exponentieel!) en temperatuur (pas op dit danst met de rel. vocht mee) en dus locatie en behuizing.
De meeste punten van Teus zijn terecht, voor redelijke meetresultaten met low-cost sensoren moet zorgvuldig gekeken worden naar de factoren die de meetresultaten beïnvloeden. Op basis van publicaties van laboratoriumonderzoek met monodisperse deeltjes (https://amt.copernicus.org/articles/13/2413/2020/amt-13-2413-2020.pdf ) lijken de SDS011, SPS30 en Plantower eigenlijk niet geschikt om PM10 te meten. Kalibreren voor PM2.5 lijkt me in ieder geval voor de Ohnics implementatie wel mogelijk (1016 vs NL10741 RIVM Graafseweg Nijmegen: 232 daggemiddelden (2021), 1027 vs NL10741, 223 daggemiddelden (2022)). Hierbij wel de kanttekening dat de MetOne BAM1020 ook beperkingen heeft zeker bij lage waarden.
Interessant om al jullie bevindingen te lezen! In de berichten van @ropeters en @teus worden de verbanden tussen luchtvochtigheid, temperatuur en de behuizing van de sensoren met de afwijkende meetresultaten al genoemd. Het lijkt er inderdaad op dat de luchtvochtigheid in de SODAQ Air wat hoger uitvalt ten opzichte van de Snuffelfietskastjes. Of dit het verschil kan verklaren tussen de kastjes, wordt nu onderzocht aan de hand van co-locatie experimenten. Daarnaast heeft Taoufik Bakri van TNO een regressie model ontwikkeld die de overschattingen van de PM2.5 concentratie door de SODAQ AIRs significant reduceert.
In bovenstaande grafiek zie je bijvoorbeeld de gekalibreerde meetresultaten (groene lijn) ten opzichte van de ruwe metingen (oranje lijn) van één van de Hollandse Luchten sensoren. Je ziet dat het model de hoge pieken corrigeert maar dat de rest van de metingen dezelfde trend blijven volgen. De gekalibreerde meetresultaten vallen een stuk beter samen met de meetresultaten van het officiële meetstation in de buurt (de blauwe lijn). Er moet nog worden onderzocht of deze kalibratie ook op (alle) andere sensoren kan worden toegepast. We houden jullie op de hoogte!
@Jikke interessant, heb je iets meer info over het regressie model? Wat is R2 met ruwe data? In Lent gebruiken we Ohnics sensoren, die hebben vrijwel geen last van meteo-invloeden. We passen alleen lineaire regressie toe voor de correctie van onderlinge verschillen zie plaatje (1020 hangt in Nijmegen (3,3 km afstand), de 1023 op een kleine 700m, R2 tussen 0,97 en 0,99) + de correctiefactoren uit de lineaire regressie op basis van daggemiddelden van 1 sensor die vlak bij een BAM1020 is geplaatst (deze factoren passen we op alle sensoren toe).
Het door Roderick genoemde rapport is een review in laboratorium omstandigheden. In de praktijk en zeker in buitenshuis omstandigheden kan het anders uitpakken. Een stand van zaken review van ENEA (Napels, nov. 2020, journal Sensors, MDPI) geeft een lezenswaardig overzicht over low-cost fijn stof sensoren met als ref de BAM1020 en normen/advieswaarden. Helaas belichten dit soort rapportages niet de verbeteringen tav functionaliteit van de sensoren in de loop der tijd en het gebruik van de beschikbare functies in de drivers (software) zoals periodiek schoon blazen, fan eigenschappen etc. Plantower kent bijv de PMSx003 (grotere fan, makkelijk schoon te maken) en later Sensirion de SEN5X (grotere fan, temp en RH ingebouwd) die veel meer functionaliteit ingebouwd hebben. Toegegeven: veel (oudere) implementaties zijn op basis van KISS (Keep It Simple and Stupid) en soms is de implementator al tevreden als er maar een getal uit de meetkit komt. Leerschool is wel: geef aan welke sensor er in de meetkit zit. De naam van de meetkit is alleen van belang tav de geïmplementeerde functies en toegepaste behuizing (luchtstroom). Het is zeker maar de vraag of we appels en peren aan het vergelijken en hopen het op nivo te kunnen krijgen met ‘calibraties’ die soms ok zij voor een specifieke lokatie en beperkte PM range waarden. Kortom: fijn stof meten in de buitenlucht is nog in de kinderschoenen.
Het Enea rapport: 'A Review of Low-Cost Particulate Matter Sensors
from the Developers’ Perspectives"
Wat zijn we aan het meten? Alleen PM0.3-PM2.5? Het plaatje komt van Wikipedia:
Bovenop de RIVM/LML container tbv luchkwaliteits metingen In Vredepeel (gem. Venray) met een MetOne BAM1020 fijnstof sensor (PM2.5 en PM10 gewichtsmetingen per uur) heeft ver. Behoud de Parel sinds mei 2019 een 3-tal identieke meetkits hangen (afstand is dus enkele meters van de BAM) met respectievelijk in chronologische volgorde de Nova SDS011, Plantower PMSx003 en Sensirion SPS30. Meting: samples van 1 minuut, elke 18 minuten. Doel: onderlinge verschillen (deeltjes tellingen en gewichtsdata) en verschil met BAM1020 (alleen tav gewichten) en als ref. van meetkits in de regio (ca 15-30 km afstand). Het is een agrarisch vlak gebied met in de buurt twee militaire vliegvelden (Vredepeel en wat verder Volkel) en heel grote melkkoeien stal (grootste in Nld).
Onderstaand een recent PM2.5 plaatje waar duidelijk wordt dat er een redelijke correlatie is in de metingen (sliding window van 1 uur). Het PM10 plaatje is helaas niet zo mooi: regressie is 'hopeloos".
We spitsen het toe op de Sensirion SPS30 tav nogal tropische invloed van vochtigheid en temperatuur op de metingen in deze droge periode met veel zon:
Tja, wat als we de meetdata van een andere periode nemen? Een winterse periode in febr 2023:
De interactieve grafieken zijn in te zien op de website van Behoud de Parel onder Vredepeel:
http://behouddeparel.nl/?q=Regionaal%20Overzicht%2087
@ropeters de R^2 van de raw data was 0.30. Ik gebruikte hiervoor de uurlijkse meetingen uit de samenmeten.nl site. Niet een gem. waarde per dag. Zie plaatje. Het model is verder lineair en gebruikt een bias, de gemeten PM2.5 waarde, de temperatuur, de vochtigheid en een kruisterm als input. Het doel van mijn exercitie was meer om de pieken te mitigeren en zo de false positives te minimaliseren. Niet zozeer de LML station te emuleren.
