Sinds een aantal maanden wordt het zwembad van de gemeente Winschoten verwarmd met behulp van een biomassacentrale (voorheen gasverwarming). De mensen die in de buurt van het zwembad wonen hebben als gevolg daarvan veel last van de houtrook uit deze centrale en hebben daarom het initiatief genomen om zelf fijnstof te gaan meten. Op 28 september is een eerste fijnstof sensor geplaatst en daarmee was de start van het citizen science project Winschoten een feit. Een tweede fijnstofsensor is op 16 oktober geplaatst.
Inhoud:
- Doel: zichtbaar maken houtrook
- Een beetje statistiek
- Wat is een boxplot
- Achtergrondniveau als normaal patroon
- Uitschieters
- Het meten
- Fijnstofsensor en relatieve luchtvochtigheid
- Het voordeel van veel meetmomenten
- Het testobject: De biomassacentrale
- De resultaten
- Meetperiode in beeld (boxplot)
- Combinatie fijnstofconcentratie en windrichting
- Houtrook dus zichtbaar door uitschieters?
Doel: zichtbaar maken van houtrook
Als je niet zelf vlak naast een bron van houtrook woont heb je geen idee wat het betekent om dagelijks in de houtrook te moeten leven. De constante rook, prikkelende ogen, hoesten, astma en de psychische druk in de wetenschap dat er van allerlei schadelijke stoffen worden ingeademd. En als je dan je recht op schone lucht probeert te halen loop je tegen een muur van onbegrip aan. Het probleem zichtbaar maken is daarom de logische gedachte geweest bij de betrokken burgers.
Normen voor fijnstofconcentraties zijn gericht op landelijke en 24 uurs gemiddelden. Dus wat als je dan een uur of meer per dag in de rook zit terwijl het 24 uurs gemiddelde van de stad aangeeft dat het allemaal prima voldoet, wat is dan eigenlijk het probleem!? Het doel van dit citizen science project (de burger gaat zelf aan slag met meten) is om de overlast zichtbaar te krijgen.
In de volgende hoofdstukken is beschreven hoe met fijnstofsensoren en meteodata (wind) van het KNMI is gepoogd om het doel te bereiken. Het plaatje hieronder is een van de resultaten waarin de meetresultaten voor fijnstof PM2.5 gecombineerd zijn met de windrichting (gekleurde balk):
Een beetje statistiek
Meten is weten en daar is waar het begint. Meten van bijvoorbeeld fijnstof alleen is niet voldoende en omdat de wind een belangrijke rol speelt wordt ook meteodata van het KNMI meegenomen. Het gaat om combineren van deze data en wat je er vervolgens uit kunt halen en dat is waar de statistiek om de hoek komt kijken. Voor het zichtbaar maken van de data gaan grafieken een rol spelen in de vorm van o.a. lijngrafieken en boxplots. Laten we beginnen met de boxplot.
Wat is een boxplot?
Misschien wordt het nu wat te technisch maar voor het kunnen lezen van een boxplot is het enig begrip daarover noodzakelijk. Een boxplot is een manier om een grote hoeveelheid data overzichtelijk weer te geven. Honderden of soms tienduizenden fijnstofmeetresultaten per dag geeft een flinke verzameling data. Door de meetresultaten per dag en gelijkmatig en op grootte van meetwaarde te verdelen over vier bakken maken we het al een stuk overzichtelijker. We hebben dan vier bakken met elk een gelijke hoeveelheid metingen maar met verschillende meetbereiken. Bak 1 heeft de metingen met de kleinste meetwaarden, bak 4 die met de hoogste meetwaarden. De laagste waarde uit bak 1 is de minimale waarde en de hoogste waarde uit bak 4 de maximale waarde van alle metingen. De hoogste waarde uit bak 1 wordt de Q1 waarde genoemd, de hoogste waarde uit bak 2 Q2 en zo verder tot Q4 wat gelijk staat aan de maximale waarde van alle metingen. De Q2 waarde wordt de mediaan genoemd.
Het plaatje geeft drie voorbeelden van metingen weergegeven als grafiek met de vertaling naar een boxplot weergave.
Achtergrondniveau als normaal patroon
Er is altijd fijnstof in de lucht, soms meer, soms minder. Regelmatig zie je lokaal, regionaal of (inter)nationaal, wolken fijnstof als een golf over het land verplaatsen. Dat is wat we voor dit project als de ‘normale’ fijnstofconcentratie benoemen. Niet direct het gevolg van bijvoorbeeld een houtkachel in de buurt dus. Dit wordt ‘achtergrondniveau’ genoemd. Omdat het achtergrondniveau kan verschillen is het lastig om te zien wat een lokale bron (zoals een biomassacentrale) toevoegt aan de fijnstofconcentratie. Je zou dan eigenlijk op meerdere punten rond de centrale moeten meten maar dat was praktisch niet uitvoerbaar.
Met een boxplot is een ‘normaal’ patroon te herkennen omdat het een aanwijzing geeft over het grootste deel van de meetwaarden (onder- en bovengrens en verdeling van de meetwaarden)
Overigens wordt in rapportages over luchtkwaliteit ook geschreven over een achtergrondniveau maar is dat vaak een naar een locatie toe gemodelleerde gemiddelde waarde over een langere periode zoals een dag. De onzekerheid, het verschil met de werkelijke op lokatie aanwezige fijnstofconcentratie, is dan groot.
Uitschieters
In een reeks meetwaarden kunnen afwijkende waarden voorkomen (zowel laag als hoog). Deze uitschieters kunnen het ‘normale’ of ‘bruikbare’ patroon welke we met een boxplot zichtbaar willen maken verstoren. Door de uitschieters uit de verzameling meetwaarden te halen voordat we naar de vier bakken gaan verdelen, voorkomen we deze verstoring. De uitschieters moeten wel zichtbaar zijn en daarom wordt elke uitschieter aangegeven met een cirkel. Het voorbeeld plaatje hiernaast laat een boxplot zien met van onder naar boven de minimale waarde van bak 1, bak 2 met daarbovenop bak 3 (de rechthoek), de maximale waarde van bak 4 en vervolgens uitschieters naar boven.
Die uitschieters geven aan dat er (tijdelijk) grote verschillen zijn in de meetwaarden en omdat houtrook een nogal grillig gedrag in de lucht kan laten zien is dat misschien wel een indicatie en handvat voor interpretatie en duiding op houtrook.
Het meten
Fijnstofsensor en relatieve luchtvochtigheid
Een fijnstofsensor zoals voor dit citizen science project is toegepast is beperkt als het gaat om meten van een absolute waarde. De meetresultaten van de lasertechniek in deze sensor worden o.a. beïnvloed door relatieve luchtvochtigheid. Bij hoge en ook lage luchtvochtigheid neemt de betrouwbaarheid af. Dit is te corrigeren met specifieke kalibratie methoden maar die zijn nog experimenteel. Voor dit project is een absolute waarde van minder belang omdat er gekeken wordt naar de patronen die de uitschieters laten zien als gevolg van de houtrook uitstoot.
Het voordeel van veel meetmomenten
Omdat de verschillen in concentratie fijnstof bij houtrook in de nabije omgeving snel kunnen wisselen moet er veel gemeten worden en het best continue. Voor dit project is er continue gemeten met één meting per seconde. Per 20 seconden heeft dat een gemiddelde waarde opgeleverd wat als één meetresultaat wordt gezien. Wordt er over een grotere periode gemiddeld, bijvoorbeeld een uur, dan zal een uitschieter wel iets effect hebben maar praktisch gezien niet zichtbaar zijn.
Het testobject: De biomassacentrale
Een op hout gestookte biomassacentrale (wat dus eigenlijk een grote houtkachel is) is natuurlijk een mooi testobject om de techniek toe te passen en allerlei experimenten te doen met de data welke het oplevert. Een biomassacentrale staat in principe altijd aan dus dat is perfect want dat geeft een bepaalde zekerheid. De wind speelt natuurlijk een rol dus daar moet rekening mee worden gehouden. De wind bepaalt wanneer de houtrook richting de sensor wordt geblazen of juist niet. Het verzamelen van meteo gegevens van het KNMI is dus cruciaal voor de experimenten. Nog beter zou zijn als je een periode kan meten waarin de centrale in gebruik is én een periode waarin de centrale buiten gebruik is. Toeval bestaat want die situatie doet zich voor in Winschoten. In afwachting van de resultaten van een onderzoek is de biomassacentrale uitgezet en is teruggeschakeld naar verwarming op gas. Voor het citizen science project natuurlijk een perfecte samenloop van omstandigheden want nu is er een periode mét biomassacentrale en een periode zónder centrale.
De resultaten
Meetperiode in beeld (boxplot)
Hieronder een overzicht van de periode van 29 september (startdatum van het meten) tot en met 17 november. Op 31 oktober is de biomassacentrale uitgezet en is overgegaan naar verwarming op gas.
In het bijgaande plaatje een boxplot met de resultaten per dag waarmee duidelijk wordt wat de gemiddelde meetwaarden per dag zijn en vooral ook wanneer uitschieters gesignaleerd zijn. Een duidelijk verschil tussen de dagen met en zonder verbranding van biomassa.
Combinatie fijnstofconcentratie en windrichting
Toch zijn er ook in de periode met biomassaverbranding dagen te zien die een rustiger beeld geven. Een verklaring daarvoor zou de windrichting kunnen zijn en daarom in de volgende grafiek de combinatie van een lijngrafiek met de meetwaarden fijnstof PM2.5 en een weergave van de windrichting. De meteodata zijn afkomstig van het KNMI station Nieuw Beerta, relatief dichtbij Winschoten.
In de grafiek is een relatie te zien tussen gemeten fijnstofconcentraties en de windrichting. De hoge pieken komen vooral voor als de windrichting ZW is. Vanuit de positie van de sensor gezien ligt de biomassacentrale in het zuidwesten! De dagen dat er minder uitschieters zijn geweest komen overeen met een andere windrichting dan ZW.
De windrichting en windsnelheid gedurende de gehele periode (windrose grafiek):
De windrichting en fijnstofconcentratie gedurende de gehele periode (pollutionrose grafiek):
Houtrook zichtbaar door uitschieters?
Dat de wind een belangrijke rol speelt bij houtrook mag duidelijk zijn. We kunnen ons dat wel verbeelden als de rook vanuit de schoorsteen zich slingerend door de lucht verplaatst. Het gevolg is grote verschillen in de concentratie fijnstof als die lucht een fijnstofsensor passeert. Houtrook zal dus de kans op uitschieters doen toenemen zeker als de bron relatief dichtbij een sensor is. Ligt hier soms een kans? De boxplot is een relatief eenvoudige statistische techniek maar als hier nu eens machine learning op wordt losgelaten wat uitermate geschikt is om patronen te (leren) herkennen … liggen hier kansen????
