Is je iets opgevallen aan de data op de Hollandse Luchten kaart? Zijn er pieken waar je benieuwd naar bent, observaties die je gedaan hebt of meetvragen die je wilt beantwoorden? Laat het hier weten, zowel bewoners als data analysten kunnen hier met elkaar in gesprek gaan om inzichten op te bouwen.
2 likes
Met de nieuwe vergelijk functie op de HL site kan je heel goed een aantal sensors in 1 grafiek zien. Het valt mij op dat ze over een gebied zoals blaricum en eemnes waar de a27 door loopt dat de curves over dagen en weken behoorlijk hetzelfde zijn. het lijkt toch wel alsof de fijnstof over ons heen gestrooid wordt van bovenaf. De vraag is nu waar die pieken vandaan komen ? die komen mi echt niet van het verkeer of een lokale vervuiler.
1 like
We hebben voor ons project ook naar een gemiddeld verloop over de dag gekeken.
Deze plaatjes zijn gebaseerd op de minuutdata van 1 sensor over een heel jaar, pm 2.5 is uitgesplits naar uur en weekdag (andere sensoren in ons meetnet geven vergelijkbare resultaten). Er is een duidelijke golfbeweging te herkennen (als je naar individuele dagen kijkt ziet dat er vaak heel anders uit!). Mogelijk gaat het vooral om secundair fijnstof dat afhankelijk van meteorologische omstandigheden gevormd wordt uit en ontleedt in precursors (zoals, ammoniak, ozon, stikstofoxiden en zwaveloxiden).
Hi @ropeters, ziet er interessant uit! Waar hangen deze sensoren en hoe heb je deze visualisatie gemaakt? Klopt het dat volgens deze visualisatie de laagste waarden rond 15 uur, dus 3 uur 's middags, gemeten worden?
@Henk - kom jij tot soortgelijke inzichten met de data analyses die je afgelopen tijd gedaan hebt?
Hi @Imme, onze sensoren hangen op verschillende plekken in Lent (Nijmegen): Ohnics | Fijnstofkaart en worden beheerd door stichting CSCNijmegen (Project Lentse Luchten – Citizen Science Community Nijmegen). Rond 15:00 zijn de waarden gemiddeld inderdaad het laagst (tijd is CET (DTS)). Voor de visualisatie gebruik ik Python, de dataverwerking heb ik in kleine geparametriseerde stappen opgesplitst. ChatGPT heeft per stap een functie gegenereerd. Zonder te coderen kan ik dan allerlei bewerkingen op de data doen, voorbeeldje:
Even uit mijn hoofd. Ja. Wat verder opviel is, dat het verschil tussen het officiele meetstation NL49570 en de colocatie sodaq’s in de nacht het grootste is, en overdag het kleinste. Aanname is dat dit te maken heeft met luchtvochtigheid (maar ja, als we iets niet snappen met de sensors dan roepen we dat altijd 
)
Het kan natuurlijk ook aan liggen dat er in de nacht een ander soort fijnstof is en ik kan nog wel een extra theorie bedenken.
Even dit plaatje erbij: horizontaal uur van de dag, verticaal het verschil tussen de HLL_545 en het luchtmeetstation in Beverwijk (Er is nu overigens ook genoeg data omdat in Zaandam eens te bekijken). Je ziet een behoorlijk groot verschil tussen de dag en de nacht. Dit betekent dat het minimum overdag (deels) een meetartefact van de Sodaq’s (en andere “goedkope” sensors) lijkt te zijn. Het verschil van @ropeters zou er mogelijk al voor een groot deel door kunnen worden verklaard.
Ergo zonder calibratie, en zonder te weten waarom je wat calibreert (niet alleen statistiek gebruiken, maar ook weten wat de onderliggende fysica is), is het oppassen om conclusie te trekken over het verloop. M.i. is alleen verschilanalyse tussen dezelfde type sensoren een betrouwbare maat, onder aanname dat luchtvochtigheid en andere omstandigheden over een groter gebied hetzelfde zijn.
Excuus voor het steenkolenengels in de titel van het plaatje. Gebeurt allemaal 's avonds laat en chatgpt gebruik ik alleen als copilot bij het programmeren.
EDIT: iets verduidelijkt
Meetnet Lentse Luchten gebruikt Ohnics meters, deze zijn een stuk ongevoeliger voor luchtvochtigheid en zijn eenvoudig te kalibreren ten opzichte van referentieapparatuur (https://ohnics.online/publicaties/Ohnics_artikel_tijdschrift_Lucht-2023-3.pdf). Voor ons project doen we een 2-trapskalibratie: kalibratie met nachtdata om systematische verschillen tussen de sensoren te verkleinen (Data 2021/2022 – Citizen Science Community Nijmegen , de beschrijving op de site is wat achterhaald, voor de 1e stap gebruiken we uurgemiddelden van de nachtdata) en kalibratie ten opzichte van RIVM station NL10741 (Vastgesteld jaar: Luchtmeetnet dataset). Voor de Sodaq’s zal luchtvochtigheid in de nacht zeker een rol kunnen spelen, maar uit de literatuur blijkt ook dat lage temperatuur, hoge luchtvochtigheid en weinig wind een belangrijke rol spelen bij de formatie van secundair fijnstof (bijv. https://aaqr.org/articles/aaqr-20-01-oa-0013). Er is in het project inmiddels 2,5 jaar data van 10 meters beschikbaar, genoeg voor een analyse van het verloop per meteorologisch seizoen.
acp-2020-6.pdf (12,7 MB)