25c. Regionaal Meetnet Zuidoost-Brabant - TNO Jaarrapport 2021
Tekst van het document
57 / 88
TNO-rapport | R12396
4.5
Het buitengebied – ruimtelijke en temporele variatie In het buitengebied meet het ILM2 op 18 meetlocaties de luchtkwaliteit (14 van het vaste meetnet en 4 lokaal gefinancierde meetlocaties). De selectie van de meetlocaties in het buitengebied is gedaan op basis van de GCN kaart met de veehouderij bijdragen van stallen op de PM10 concentraties. In Figuur 37 zijn in groen de meetlocaties met een verwachte lage bijdrage (< 1 μg/m3) vanuit veehouderijemissies gevisualiseerd. In totaal zijn dit 10 meetlocaties: de extra meetlocaties in Best, Oirschot en Reusel-de Mierden zijn alle vier toegevoegd aan deze categorie. In oranje zijn de meetlocaties gevisualiseerd met een verwachte middelhoge bijdrage (1-5 μg/m3): dit betreffen 6 meetlocaties. In rood zijn de meetlocaties gevisualiseerd met een verwachte hoge bijdrage (>5 μg/m3): dit betreffen 2 meetlocaties actief in 2021.
Figuur 37 De ILM2 meetlocaties in het buitengebied geplot op de GCN kaart 2017 van verwachte bijdrage aan PM vanuit veehouderij in μg/m3. De rode, gele en groene punten representeren meetlocaties waar de verwachte bijdrage PM respectievelijk hoog, medium en laag wordt ingeschat.
De gemiddeld gemeten concentraties fijnstof en NO 2 per maand per type locatie staan gepresenteerd in Figuur 38. De klassen middelhoog en hoog zijn samengevoegd in deze vergelijking: hiermee worden de maandgemiddelde meetwaardes berekend over een groter aantal meetlocaties wat de vergelijking minder kwetsbaar maakt voor outliers. Daarbij zijn in de eerste maanden van 2021 minder meetlocaties actief dan aan het einde van het jaar. Van maart t/m mei zijn er 3 ‘lage’ meetlocaties actief. Dit zijn er 5 in juni en juli, 9 van augustus tot november en 10 in december. Voor de ‘middelhoog/hoge’ categorie zijn 4 meetlocaties actief van maart t/m mei. Dit zijn er 7 van juni t/m oktober en 8 in november en december (zie ook hoofdstuk 2.2 voor de installatiedatums om te zien welke meetlocaties het betreft per maand).
58 / 88
TNO-rapport | R12396
59 / 88
Figuur 38De groene, gele en rode balken representeren de gemiddeld gemeten concentraties in µg/m3 op meetlocaties waarbij de verwachte bijdrage aan PM10 concentraties vanuit veehouderij respectievelijk laag (< 1 in µg/m3) en middelhoog (1-5 in µg/m3) / hoog (>5 in µg/m3) worden ingeschat op basis van de GCN kaart.
TNO-rapport | R12396
Van maart t/m juli worden in de categorie Regio Laag hogere concentraties PM1 en PM2.5 gemeten dan in de categorie Regio Middelhoog / Hoog. Waardoor de concentraties PM1 en PM2.5 in de categorie Regio Laag hoger zijn in deze maanden is niet direct duidelijk. Wellicht speelt toeval hier een rol: de eerste actieve ‘lage’ meetlocaties in het buitengebied zijn ILM005 in Eersel, ILM016 in Bergeijk en ILM041 in Geldrop-Mierlo. Deze 3 meetlocaties meten over het hele jaar bezien relatief hoog ten opzichte van de andere meetlocaties in de categorie Regio Laag. ILM005 in Eersel lijkt daarbij, zoals eerder in dit rapport gemeld, stelselmatig hoger te meten. Dit moet in 2022 verder worden gecontroleerd op het moment dat deze box vervangen wordt voor onderhoud. De concentraties PM10 per categorie liggen van maart t/m juli dichter bij elkaar. Dit duidt op een groter aandeel van grovere deeltjes in PM10, de fractie tussen 2.5µm en 10µm, op de locaties in de categorie Regio Middelhoog / Hoog. Van augustus tot en met december zijn de gemiddeld gemeten PM1 en PM2.5 concentraties gelijkend voor de categorieën Regio Laag en Regio Middelhoog / Hoog. De gemiddeld gemeten concentratie PM10 in deze periode in de categorie Regio Middelhoog / Hoog is veelal iets hoger.
Dit sluit aan bij de observatie van de eerste maanden van het jaar dat een relatief groter aandeel van de grovere fractie (tussen 2.5 µm en 10µm) in PM10 wordt gemeten op locaties waar een hogere bijdrage uit veehouderij aan PM10 concentraties wordt verwacht op basis van de GCN kaart. Dit moet verder geverifieerd worden in 2022 bij een jaarronde dataset. De gemeten NO2 concentraties zijn ongeveer 10% hoger in de categorie Regio Middelhoog / Hoog ten opzichte van de categorie Regio Laag. De meetlocatie ILM033 in Son en Breugel draagt daar sterk aan bij, mogelijk doordat deze relatief dichtbij de A50 ligt. De hoogste Figuur 39 Windroos van gemeten NO2 concentraties in µg/m3 aan ILM033 in concentraties op deze meetlocatie worden Son en Breugel. gemeten bij wind uit het ZO, uit de richting van de A50, zoals zichtbaar in Figuur 39. Ook vanuit het zuidwesten worden voor enkele segmenten hoge NO 2 waarden gemeten. Mogelijk houdt dit verband met lucht aangevoerd vanaf Eindhoven. Naast de gemiddelde concentraties zijn ook de meetgegevens per 10-minuten van elke meetlocatie bestudeerd. Figuur 40 toont metingen in september van een aantal meetlocaties oostelijk gelegen van Eindhoven, waaronder meetlocaties ILM042 (Keizersven - Gemert Bakel) en ILM044 (Ronde Bleek - Heeze-Leende).
Figuur 41 toont de meetlocatie ILM043 Oirschot - Krukkerd ten opzichte van een aantal westelijk gelegen meetlocaties in het buitengebied. In Figuur 40 en Figuur 41 is zichtbaar dat PM1 en PM2.5 op alle meetlocaties een vrijwel identiek verloop over de tijd kennen. In de gemeten concentraties PM10 echter zijn met enige regelmaat concentratiepieken zichtbaar op de meetlocaties ILM042, ILM043 en ILM044. Ook tonen de gemeten PM10 concentraties sterkere fluctuaties (naar boven) dan de andere meetlocaties. Dit komt waarschijnlijk door kleine variaties in windrichting waardoor emissiepluimen net wel of net niet over de meetlocatie komen.
60 / 88
TNO-rapport | R12396
61 / 88
Figuur 40 Maandoverzicht voor PM1, PM2.5, PM10 in μg/m3 van een aantal meetlocaties in het oosten van de regio Zuidoost-Brabant. Het is zichtbaar dat de metingen van PM10 op de meetlocaties ILM042 en ILM044 op regelmatige basis concentratiepieken vertonen die niet zichtbaar zijn op de andere meetlocaties.
TNO-rapport | R12396
62 / 88
Figuur 41 Maandoverzicht voor PM1, PM2.5, PM10 in μg/m3 van een aantal meetlocaties in het westen van de regio Zuidoost-Brabant. Het is zichtbaar dat de metingen van PM10 op de meetlocatie ILM043 op regelmatige basis, en frequenter dan op andere meetlocaties, concentratiepieken vertonen.
TNO-rapport | R12396
Figuur 42 toont de windrozen van PM10 behorende bij deze 3 meetlocaties. De gemeten concentraties PM10 naar windrichting verschillen zichtbaar in de windroosplots. Dit komt nog beter naar voren wanneer in de windroosplot wordt gecorrigeerd voor het aandeel achtergrondconcentratie in de meting (Figuur 43). Waar veehouderijen ten opzichte van de meetlocaties ILM042 en ILM043 zich voornamelijk (zuid-)westelijk van de meetlocaties bevinden, is dit ten opzichte van ILM044 (zuid-)oostelijk. Dit verschil lijkt terug te zien in de gemeten gemiddelde concentraties per windrichting op deze drie meetlocaties (Figuur 42 en Figuur 43).
Figuur 42 Windrozen PM10 in µg/m3 van ILM044 in Heeze-Leende, ILM043 in Oirschot en ILM042 in Gemert-Bakel.
Figuur 43 Windrozen PM10 in µg/m3, waarbij de achtergrondconcentraties niet zijn meegenomen, van ILM044 in Heeze-Leende, ILM043 in Oirschot en ILM042 in Gemert-Bakel.
Er zijn ook meetlocaties gericht op veehouderij waar de beschreven pieken in PM10 concentraties niet uitgesproken zichtbaar zijn. De meetlocatie ILM003 in Best, zichtbaar in Figuur 41, staat benedenwinds van veehouderij. Daar zijn wel enkele concentratiepieken zichtbaar maar niet zo frequent als op de drie benoemde meetlocaties. Dit geldt bijvoorbeeld ook voor de meetlocatie ILM054 in Deurne, waar geen uitgesproken PM10 pieken zichtbaar zijn. Mogelijk hangt dit samen met het type veehouderij in de omgeving van de meetlocatie of de afstand van de meetlocatie ten opzichte van de meest nabijgelegen veehouderij. Verder onderzoek in 2022, met een jaarronde dataset op alle meetlocaties, is daarbij nodig om deze verschillen tussen en gedragingen van meetlocaties over het jaar heen verder in kaart te brengen en te begrijpen.
63 / 88
TNO-rapport | R12396
5
Conclusies en aanbevelingen
5.1
Conclusies Het ILM2 meetnet richt zich op het meten en analyseren van de luchtkwaliteit in Zuidoost-Brabant. In 2021 is het meetnetwerk regiobreed uitgerold. Voor dit eerste jaar is het belangrijk om te begrijpen of het netwerk in de huidige staat voldoet om inderdaad onderzoek naar de regionale luchtkwaliteit mogelijk te maken. Daarom is er veel aandacht geweest voor de werking van de sensoren en de kwaliteit van de meetgegevens: •
•
•
•
Over het algemeen is de operationele werking van de meetapparatuur zeer goed (>99% uptime) geweest in 2021 waardoor er veel meetgegevens beschikbaar zijn per meetpunt. De fijnstofsensoren werken naar behoren en vertonen sterke onderlinge vergelijkbaarheid. Ook is er geen uitgesproken verloop/drift van de sensoren in de tijd zichtbaar. Dit maakt ze zeer goed bruikbaar om lokale en regionale patronen te duiden. In absolute zin zijn soms variaties te zien tussen sensoren, tot ongeveer 20% van de gemiddelde meetwaardes over een langere periode van enkele maanden tot een jaar. In vergelijking tot referentieapparatuur lijken de sensoren in de winterperiode wat hoger te meten. Van maart tot oktober zijn er afwijkingen zichtbaar in de NO2 metingen op veel meetlocaties in het ILM2 meetnet. Daarmee was voor 2021 een beperkte dataset bruikbaar. Begin november is een wijziging in het NO2 meetsysteem aangebracht en gemeten dag- en weekgangen in de aansluitende periode zijn aannemelijk. Desalniettemin is er ook in de toekomst verdere aandacht nodig om de NO2 data van het meetnet verder te verbeteren en het gebruik ervan te optimaliseren. De UFP sensoren tonen geen zichtbare drift in 2021. Daarbij zijn er in de meetresultaten geen opvallende afwijkingen gesignaleerd. Ook is het aannemelijk dat UFP van vliegtuigen inderdaad door de sensoren gemeten wordt.
Hiermee zijn de ervaringen over 2021 voor UFP goed te noemen.
De gebruikte sensoren zijn geen referentieapparatuur. Het is desalniettemin waarschijnlijk dat op geen van de meetlocaties de wettelijke EU-Grenswaardes voor de jaargemiddelde concentraties PM2.5, PM10 of NO2 worden overschreden. De WHO advieswaarden uit 2021 worden, volgens de metingen van het ILM2, op veel locaties wel overschreden. Dit stemt overeen met het beeld voor grote delen van Nederland (Maas et al., 2022). Per onderzoeksgebied kunnen op basis van de meetgegevens uit 2021 een aantal conclusies worden getrokken. Deze worden hieronder per onderwerp opgesomd: Fijnstof in de regio • De jaargemiddeld gemeten concentraties over alle meetpunten bezien waren respectievelijk 11,5 µg/m3, 13,9 µg/m3 en 19,3 µg/m3 voor PM1, PM2.5 en PM10. In de periode april tot en met juli zijn de gemeten PM concentraties in het buitengebied wat hoger, waarschijnlijk hangt dit samen met landbouwactiviteiten. De gemiddeld gemeten PM concentraties in de overige
64 / 88
TNO-rapport | R12396
•
•
•
maanden van 2021 in stedelijk gebied, luchthavengebied en het buitengebied zijn gelijkend. De metingen tonen aan dat fijnstofconcentraties relatief homogeen zijn en als het ware als een deken over de regio heen liggen. Minimaal 70% van de gemiddeld gemeten PM10 concentraties lijkt op basis van de ILM2 metingen te bestaan uit een regionale achtergrond met bronnen buiten de regio. De lagere grenslaaghoogte in Q1 en Q4 zorgen voor gemiddeld hogere PM concentraties in deze periodes. Ook is de aanvoer van luchtvervuilende stoffen van buiten de regio van belang voor fluctuaties in PM op de regionale schaal, waarbij regionale concentraties met name stijgen bij wind vanuit het NO. In Q1 (januari-maart) en Q4 (oktober-december) worden relatief gezien meer fijne deeltjes gemeten (hogere PM2.5/PM10 ratio) wat waarschijnlijk samenhangt met een toename van emissies uit verbrandingsprocessen voor vervoer en verwarming.
Stikstofdioxide in de regio • De gemiddeld gemeten concentratie NO2 binnen het ILM2 meetnet in de maanden januari-februari en november-december is 21 µg/m3. Op basis van de beschikbare meetresultaten is de regionale achtergrond ongeveer 36% tijdens deze 4 maanden. Duidelijk is dat lokale bronnen (verkeer) hier een prominentere rol spelen dan bij fijnstof. Bij oostelijke wind zijn de hoogste regionale achtergrondconcentraties voor NO2 zichtbaar. • De gemiddeld gemeten NO2 concentraties zijn in het stedelijk gebied het hoogst (21,5 µg/m3) gevolgd door het terrein rond de luchthaven (19,1 µg/m3). In het buitengebied zijn concentraties lager wat waarschijnlijk samenhangt met een lagere verkeersintensiteit op deze meetlocaties. • Binnen het stedelijk gebied en luchthavengebied zijn twee NO2 concentratiepieken zichtbaar op een gemiddelde (werk-)dag, welke waarschijnlijk te koppelen zijn aan de ochtend- en avondspits. De gemeten piek in de middag (rond 17.00 uur) ligt hoger dan de piek in de ochtend. Deze daggang is in het buitengebied ook zichtbaar maar met gemiddeld minder hoge NO2 concentraties. Luchthavengebied • De gemiddeld gemeten UFP-deeltjesaantallen waren op de 3 meetlocaties bij de luchthaven vergelijkbaar en lagen rond de 14.000 deeltjes/cm3. In vergelijking met Schiphol zijn de gemeten deeltjesaantallen rond Eindhoven Airport lager.
Hierbij moet aangetekend dat in de Schiphol studies een andere meettechniek is gebruikt (Voogt et al., 2019; van Dinther et al., 2019). • De ILM2 meetgegevens uit 2021 maken wel aannemelijk dat de gebruikte UFP sensor inderdaad UFP afkomstig van vliegtuigen waarneemt rond Eindhoven Airport. De windrozen tonen aan dat de hoogste deeltjesaantallen vooral voorkomen bij een wind uit de richting van de landingsbaan dan wel de pieren. De gemeten deeltjesaantallen liggen daarbij doordeweeks hoger dan in het weekend. Dat kan komen door het aantal vliegbewegingen, maar waarschijnlijk speelt hierbij ook een grotere hoeveelheid wegverkeer doordeweeks een rol. • Op de Landardseweg zijn minder hoge piekwaardes zichtbaar dan aan de Scherpenering en Luchthavenweg terwijl deze hier wel werden verwacht: mogelijk staat de box net niet op de juiste plek om UFP goed te kunnen meten omdat zich een boomrijk gebied tussen de meetlocatie en startbaan bevindt. Dit wordt in 2022 verder geëvalueerd.
65 / 88
TNO-rapport | R12396
•
De hoogste concentraties NO2 binnen het luchthavengebied worden gemeten op de meetlocatie aan de Luchthavenweg, wat waarschijnlijk de locatie is waar het meeste autoverkeer zich bevindt.
Stedelijk gebied • Binnen het stedelijk gebied worden de laagste concentraties PM en NO2 gemeten in stadsparken of andersoortige achtergrondlocaties in Eindhoven. Waarschijnlijk wordt dit vooral veroorzaakt doordat zich weinig tot geen emissiebronnen bevinden in deze gebieden. In verkeersbelaste gebieden in Eindhoven zijn gemeten PM10 concentraties gemiddeld 14% hoger dan op de stadsachtergrondlocaties. Omdat deze vergelijking veel locaties beslaat (15 (verkeers-)belaste locaties tegenover 4 stedelijke achtgrondlocaties) is het aannemelijk dat er een daadwerkelijke verhoging is. • Daarbij lijkt het zo dat er relatief meer kleine deeltjes worden gemeten op (verkeers-)belaste locaties. In de winter neemt deze PM2.5/PM10 ratio over heel Eindhoven bezien toe: van 69% in de zomer naar 74% in de winter. In Helmond is deze toename ook zichtbaar: van 71% in de zomer naar 77% in de winter. Dit hangt waarschijnlijk samen met toenemende emissies uit verbrandingsprocessen zoals van (auto-)verkeer of verwarming. • De hoogste NO2 concentraties worden gemeten op de meetlocaties aan De Ring in Eindhoven. In de binnenstad, welke De Ring omsluit, zijn de gemeten NO2 concentraties wat lager. Mogelijk houdt dit verband met de milieuzone in de binnenstad. Aan het einde van het jaar zijn NO2 concentraties op alle stedelijke meetlocaties relatief laag.
Mogelijk houdt dit verband met de maatregelen ingevoerd rond COVID-19 in november en december 2021. Buitengebied • Er is geen significant verschil zichtbaar in meetwaarden van PM1 en PM2.5 tussen de verschillende meetlocaties in het buitengebied. De locaties benedenwinds van veehouderijen laten geen substantieel andere temporele patronen zien dan de andere locaties in het buitengebied voor deze fracties. • Op een aantal meetlocaties benedenwinds van veehouderij zijn op regelmatige basis kortstondige concentratiepieken van PM10 zichtbaar. De windrozen laten zien dat deze verhogingen worden gemeten bij en mogelijk samenhangen met wind uit de richting van de stallen. • Tegelijkertijd vertonen niet alle meetlocaties gericht op veehouderij deze concentratiepieken van PM10. Wellicht hangt dit samen met het type veehouderij of de afstand vanaf de meest nabije stal; dit moet verder onderzocht in de komende jaren met een jaarronde dataset voor alle meetlocaties in het buitengebied. Concluderend over 2021 als geheel is het Regionaal Meetnet regiobreed uitgerold waarbij operationele meetdata wordt geleverd voor meer dan 40 meetlocaties in Zuidoost-Brabant. Vanuit deze eerste meetgegevens zijn, zoals beschreven in dit rapport, allerlei inzichten verworven over de luchtkwaliteit van Zuidoost-Brabant en lokale en regionale invloeden daarop.
Daarmee voldoet het meetnet in de basis aan het doel om meer inzicht te gaan creëren over de regionale luchtkwaliteit. Wel zijn er nog ontwikkelpunten zichtbaar zoals het met hoge kwaliteit kunnen meten van de NO2 concentraties jaarrond via sensoriek. In de aankomende meetjaren zullen de bevindingen gepresenteerd in dit rapport verder onderbouwd en verklaard moeten worden om vanuit daar gericht beleid naar een schonere lucht te ondersteunen.
66 / 88
TNO-rapport | R12396
5.2
Aanbevelingen Het ILM2 meetnet is geïnitieerd ter ondersteuning van het werken aan een gezondere samenleving. Door bewustwording van de heersende luchtkwaliteit in combinatie met verschillende samenwerkingsvormen wordt in co-creatie gewerkt aan een gezonder Zuidoost-Brabant. Dit sluit aan bij de doelen van het Schone Lucht Akkoord waarbij wordt gesproken over het samen streven naar een gezondheidswinst van minimaal 50 procent in 2030 ten opzichte van 2016. Met het operationeel meten op meer dan 40 meetlocaties in 2021 is een eerste stap gezet om meer inzicht te verkrijgen in de heersende luchtkwaliteit in de regio. Op dit moment is er geen aanleiding om het meetnet in haar huidige opzet wezenlijk te gaan veranderen danwel meetlocaties te verplaatsen. Een waardevolle aanvulling op de verzamelde meetgegevens over luchtkwaliteit is om meer contextuele informatie beschikbaar te krijgen per aandachtsgebied: dit gaat bijvoorbeeld over verkeersintensiteit, verkeerssamenstelling, aantallen vluchten, staltypes en aantallen dieren. Daarmee kunnen verbanden in tijd en ruimte tussen luchtkwaliteit en mogelijke bronnen onderzocht worden. Het inzichtelijk maken van de relatie tussen luchtkwaliteit en activiteiten in de leefomgeving kan daarbij helpen om het grote publiek bewust te maken van mogelijke impact van eigen keuzes.
Dit kan bijvoorbeeld ook via fysieke installaties in de leefomgeving waar luchtkwaliteit zichtbaar wordt gemaakt op basis van ILM2 data danwel het vormgeven van pilot projecten, bijvoorbeeld met scholen. Het positioneert het ILM2 als middel om de verbinding met de samenleving te vergroten als het gaat over het zetten van stappen richting schonere lucht. Het verbinden met burgermeetdata is een andere optie, waarbij modellering kan zorgen voor een integrale verwerking van meetgegevens van verschillende partijen tot gezamenlijke inzichten in kaartvorm. Het behalen van de meeste gezondheidswinst gerelateerd aan de luchtkwaliteit hoeft niet alleen te gaan over het verminderen van concentraties (ultra)fijnstof en NO2 in de atmosfeer: niet overal heeft luchtvervuiling dezelfde impact. Dit hangt bijvoorbeeld ook samen met waar en wanneer mensen daadwerkelijk worden blootgesteld aan slechte lucht. Zie bijvoorbeeld de rapportage van de GGD over blootstelling in Brabant hoe dit op jaargemiddelde basis in kaart kan worden gebracht (Denissen, 2022). En de schadelijkheid van fijnstof is mede afhankelijk van de deeltjesgrootte en chemische samenstelling wat weer verband houdt met het type bron.
Een gezondheidsgerichte aanpak rond luchtkwaliteit richt zich daarmee naast het verlagen van heersende concentraties van luchtvervuilende stoffen op het verminderen van blootstelling en het identificeren van bronnen met de meeste gezondheidsimpact. Het ILM2 biedt een basis om dit soort ontwikkelingen in gang te zetten door de fijnmazigheid en frequentie van meten. In verbinding met de regio wordt aangeraden de mogelijkheden hiervoor te onderzoeken. Uit deze eerste jaarlijkse analyse komen een aantal aandachtspunten als het gaat om de luchtkwaliteit voor de onderzoeksgebieden stedelijk gebied, luchthavengebied en buitengebied:
67 / 88
TNO-rapport | R12396
•
•
•
Binnen het stedelijk gebied is verkeer, volgens verwachting, een belangrijke bron voor de lokaal heersende luchtkwaliteit. De Ring in Eindhoven lijkt daarbij op basis van de 2021 metingen een eerste aandachtspunt aangezien daar de hoogste concentraties gemeten worden, met name aan het kruispunt aan de Kennedylaan. In de aankomende jaren zal bekeken worden of hier structureel hogere concentraties gemeten worden. In het luchthavengebied is de invloed van vliegverkeer op verhogingen in UFP zichtbaar. Wat nog niet kan worden vastgesteld is hoe ver deze invloed reikt in de regio. Voor een eerste indicatie van deze verspreiding is het gebruik van verspreidingsmodellen een optie, met name om te zien of er substantiële verhogingen in UFP te verwachten zijn in woon- en werkgebieden rond de luchthaven. Daarnaast is het aan te bevelen de scheiding tussen bijdrage vanuit luchtvaart en wegverkeer verder specifiek te maken als vervolgstap daarop. Met een volledige dataset in 2022 zal er voor het buitengebied verdere uitwerking plaatsvinden. Daarbij zal er aandacht moeten zijn voor het type veehouderij en de afstand van stal tot de meetlocatie om meer inzicht te verkrijgen over wanneer er wel of juist geen verhoogde emissies van, met name, PM10 zichtbaar zijn. Dit kan handvaten bieden om best practices te identificeren danwel knelpunten te duiden.
68 / 88
TNO-rapport | R12396
6
Referenties Air Quality Expert Group (2018). Air Pollution from Agriculture. https://ukair.defra.gov.uk/assets/documents/reports/aqeg/2800829_Agricultural_emissions_v final2.pdf Beattie C. I., Longhurst J. W. S., Woodfield N. K. (2001). Urban air quality: A comparison of the air pollution dilemmas facing urban and rural local authorities and approaches to managing them. Transactions on Ecology and the Environment, 47, 183–192. Bloemen H.J.T., Mooibroek D., Cassee F.R., van Putten E.M. (2008). Composition and sources of fine particulate matter (PM2.5) in the Netherlands. RIVM rapport 863001007/2008. Borrego C., Costa A.M., Ginja J., Amorim M., Coutinho M., Karatza K., Sioumis Th., Katsifarakis N.,Konstantinidis K., De Vito S.,Esposito E., Smith P., André N., Gérard P., Francis L.A., Castell N., Schneider P., Viana M., Minguillón M.C., Reimringer W., Otjes R.P., von Sicard O., Pohle R., Elen B., Suriano D., Pfister V., Prato M.S., Dipinto M., Penza M. (2016). Assessment of air quality microsensoren versus reference methods: the EuNetAir joint exercise. Atmospheric Environment, 147, 2016, p. 246-263 Cain B.E. (2020). White Paper on Telehealth in the Rural American West. Fattoruso G., Nocerino M., Toscano D., Pariota L., Sorrentino G., Manna V., Vito S. De, Cartenì A., Fabbricino M., Francia G. Di. (2020).
Site suitability analysis for low cost sensor networks for urban spatially dense air pollution monitoring. Atmosphere, 11(11). https://doi.org/10.3390/atmos11111215 Fischer P.H., Marra M., Ameling C.B. (2015). Air Pollution and Mortality in Seven Million Adults: The Dutch Environmental Longitudinal Study (DUELS). Environ Health Perspect 123(7):697-704 doi:10.1289/ehp.1408254 Denissen, S. (2022). Luchtkwaliteit en gezondheid in de provincie Noord-Brabant. GGD West-Brabant / GGD Hart voor Brabant / GGD Brabant-Zuidoost, mei 2022. Giordano M. R., Malings C., Pandis S.N., Presto A.A., McNeill V.F., Westervelt D.M., Beekmann M., Subramanian R. (2021). From low-cost sensoren to highquality data: A summary of challenges and best practices for effectively calibrating low-cost particulate matter mass sensoren. Journal of Aerosol Science, 158(July), 105833. https://doi.org/10.1016/j.jaerosci.2021.105833 Hagenaars T., Hoeksma P., de Roda-Husman A.M., Swart A., Wouters I. (2017). Veehouderij en Gezondheid Omwonenden (aanvullende studies). Analyse van gezondheidseffecten, risicofactoren en uitstoot van bio-aerosolen, Bilthoven, RIVM, RIVM rapport nr 2017-0062, 69 p. Hamm, N.A.S., van Lochem M., Hoek G., Otjes R., van der Sterren S., Verhoeven H. (2016). The Invisible Made Visible: Science and Technology. Chapter 3, p. 51-77
69 / 88
TNO-rapport | R12396
in “AiREAS: Sustainocracy for a Healthy City, The Invisible Made Visible Phase 1”, editor J.-P. Close, ISBN 978-3-319-26939-9 https://link.springer.com/chapter/10.1007/978-3-319-26940-5_3 Janssen N.A.H, Lammer M., Maitland-van de Zee A.H., van de Zee S., Keuken R., Blom M., van den Bulk P., van Dinther D., Hoek G., Kamstra K., Meliefste K., Oldenwenning M., Boere A.J.F., Cassee F.R., Fischer P.H., Gerlofs-Nijland M.E., Houthuijs D. (2019). Onderzoek naar de gezondheidseffecten van kortdurende blootstelling aan ultrafijn stof rond Schiphol. RIVM Rapport 2019-0084. Janssen N.A.H, Houthuijs D., Dusseldorp A. (2022). Gezondheidseffecten van ultrafijn stof van vliegverkeer rond Schiphol. RIVM Rapport 2022-0069. Keuken M.P., Moerman M., Voogt M., Weijers E.P., Blom M., Kos G., Otjes R., Dusek U. 2012. Regional and local contribution to PM2.5 and PM10 at the urban background and a street canyon on Rotterdam, the Netherlands. TNO-060-UT2012-01192. Lelieveld J., Evans J.S., Fnais M., Giannadaki D., Pozzer A. (2015). The contribution of outdoor air pollution sources to premature mortality on a global scale. Nature, 525: 367-371. Maas R.J.M., Hoekstra J., Huitema M., de Vries W., Ruyssenaars P.G. (2022). Inventarisatie van benodigde maatregelen om WHO-advieswaarden voor luchtkwaliteit in 2030 te realiseren. RIVM-briefrapport 2022-0094.
Maassen K., Smit L., Wouters I., van Duijkeren E., Janse I., Hagenaars, T., IJzermans J., van der Hoek W., Heederik D. (2016). Veehouderij en gezondheid omwonenden, Bilthoven, RIVM, RIVM rapport 2016-0058, 136 p. Mensink, C., Deutsch, F. (2008). On the Role of Ammonia in the Formation of PM2.5. Air Pollution Modeling and Its Application XIX (pp. 548–557). https://doi.org/10.1007/978-1-4020-8453-9_60 Morawska L., Thai P. K., Liu X., Asumadu-Sakyi A., Ayoko G., Bartonova A., Bedini A., Chai F., Christensen B., Dunbabin M., Gao J., Hagler G. S. W., Jayaratne R., Kumar P., Lau A. K. H., Louie P. K. K., Mazaheri M., Ning Z., Motta N., Williams R. (2018). Applications of low-cost sensing technologies for air quality monitoring and exposure assessment: How far have they gone? Environment International, 116(April), 286–299. Nowack P., Konstantinovskiy L., Gardiner H., Cant J. (2021). Machine learning calibration of low-cost NO2 and PM10 sensoren: Non-linear algorithms and their impact on site transferability. Atmospheric Measurement Techniques, 14(8), 5637– 5655. https://doi.org/10.5194/AMT-14-5637-2021 Nowak D., Heisler G.M. (2010). Air Quality Effects of Urban Trees and Parks. In National Recreation and Park Association Research Series. https://www.nrpa.org/uploadedFiles/nrpa.org/Publications_and_Research/Research
70 / 88
TNO-rapport | R12396
/Papers/Nowak-Heisler-ResearchPaper.pdf?msclkid=411eb6e8ba7d11ec98e090c4aac95b32 Otjes R.P. (2014): Notitie Afronding ILM Fase 1 exclusief NO2 sensoren, ECN, 8 Dec 2014 Otjes R.P. (2015): Notitie Afronding ILM Fase 1: NO2 sensoren, ECN, 15 Sept 2015 Pan L., Jianming X., Xuexi T., Mao X., Gao W., Chang L. (2019). Long-term measurements of planetary boundary layer height and interactions with PM2.5 in Shanghai, China. Atmospheric Pollution Research, Volume 10, Issue 3, May 2019, Pages 989-996. Perez I.A., Artuso F., Mahmud M., Kulshrestha U., Luisa Sánchez M., Ángeles García M. (2015). Application of Air Mass Trajectories. Advances in Meteorology, 2015 (284213). Strosnider H., Kennedy C., Monti M., Yip F. (2019). Rural and Urban Differences in Air Quality, 2008–2012, and Community Drinking Water Quality, 2010–2015 — United States. MMWR. Surveillance Summaries, 66(13). https://doi.org/10.15585/MMWR.SS6613A1 Tromp P.C., van Dinther D., de Bie S.E., Duyzer J., Lollinga J.P., Moerman M.M., Henke S.J. (2021): Verkennend onderzoek ultrafijnstof op het Schiphol terrein met behulp van mobiele metingen. TNO 2021 R11745, pp 66, https://nieuws.schiphol.nl/download/1093199/tnorapportr11745ufp-schiphol.pdf. Rijksinstituut voor Volksgezondheid en Milieu (RIVM) (2013) Dossier ‘Fijn stof’. Versie 1 © RIVM, Bilthoven, januari 2013.
https://www.rivm.nl/sites/default/files/2018-11/Dossier%20fijn%20stof.pdf Van Dinther D., Weijers E., Otjes R., Klymko T. (2017). Metingen met sensoren in het Innovatief Lucht Meetnet in Eindhoven – resultaten en interpretatie. Maart 2017, ECN-E--17-015 https://publicaties.ecn.nl/PdfFetch.aspx?nr=ECN-E--17-015 Van Dinther D., Plomp A.J. (2019). CAIREBoxmetingen fijnstof en stikstofdioxide in Sliedrecht van 15 juni 2018 tot 1 augustus 2019. TNO 2019 R11447 http://resolver.tudelft.nl/uuid:e54b0ac4-5547-4c2e-b389-84f2a0e7944f Van Dinther D., Blom M.J., van den Bulk W.C.M., Kos G.P.A., Voogt M. (2019). Metingen van aantallen ultrafijnstofdeeltjes rond Schiphol gedurende ruim één jaar. Met medewerking van GGD Amsterdam, Leefomgeving team Luchtkwaliteit. TNO Rapport 10591. Van Ratingen S., Vonk J., Blokhuis C., Wesseling J., Tielemans E., Weijers E. (2021). Seasonal influence on the performance of low-cost NO2 sensor calibrations. Sensoren, 21(23). https://doi.org/10.3390/s21237919
71 / 88
TNO-rapport | R12396
Van Zoest V.M., Osei F.B., Stein A., Hoek G. (2019). Calibration of low-cost NO2 sensoren in an urban air quality network. Atmospheric Environment, 210(2), 66–75. https://doi.org/10.1016/j.atmosenv.2019.04.048 Van Zoest V.M. (2020). Spatio-temporal modelling of urban sensor network data: mapping air quality risks in Eindhoven, the Netherlands. PhD thesis University of Twente. https://research.utwente.nl/en/publications/spatio-temporal-modelling-ofurban-sensor-network-data-mapping-ai / https://library.itc.utwente.nl/papers_2020/phd/vanzoest.pdf Voogt M., Zandveld P., Wesseling J., Janssen N. (2019). Metingen en berekeningen van ultrafijn stof van vliegverkeer rond Schiphol: voor onderzoek naar de gezondheid van omwonenden. RIVM Rapport 2019-0074, Wesseling J., van der Zee S., van Overveld A. (2011). Het effect van vegetatie op de luchtkwaliteit. Update 2011. RIVM Rapport 680705019/2011. Weijers E.P, Sahan E., ten Brink H.M., Schaap M., Matthijsen J., Otjes R.P., van Arkel F. (2010). Contribution of secondary inorganic aerosols to PM10 and PM2.5 in the Netherlands; measurements and modelling results. Publication as part of the Netherlands Research Program on Particulate Matter, Report 500099006 Winkel A., Erbrink J.J., Wouters I.M., Huis in ’t Veld J.W.H., Heederik D.J.J., Ogink N.W.M. (2018). Emissies van endotoxinen uit de veehouderij: eindrapport endotoxine.
Livestock Research Rapport 1092. Wouters I.M., Schothorst I.J. van, Scherpenisse P., Spithoven J., Hoek, G. Heederik, D. (2019). Monitoring van luchtkwaliteit in een veehouderijrijke omgeving in de provincie Limburg : inzicht in verschillen en overeenkomsten tussen componenten. Rapportage van metingen op meerdere locaties.
72 / 88
TNO-rapport | R12396
7
Ondertekening
Naam en adres van de opdrachtgever: AiREAS B.V. Klaverhoekseweg 12B 5681 PX Best In naam van het consortium Regionaal Meetnet Zuidoost Brabant
Namen van de projectmedewerkers: Ruben Goudriaan, Jun Zhang, Janot Tokaya, Arjan Hensen, Daniëlle van Dinther, Sjaak Kaandorp, Marcus Blom, Arjan Plomp
Tijdsbestek waarin het onderzoek heeft plaatsgevonden Januari – December 2021
Autorisatie vrijgave
ValidSigned by Jorien Strijk on 2022-12-01 10:38:28
Dr. J.E. Strijk Research Manager
73 / 88
TNO-rapport | R12396
74 / 88
Bijlage I: Kalibratie sensoren voor plaatsing in ILM2 Voor plaatsing in het ILM2 meetnet zijn de sensoren gekalibreerd. De opzet en uitvoering van deze kalibratie is omschreven in sectie 2.1.2. In deze bijlage worden de resultaten van de kalibratie per doelstof besproken. Fijnstof: De correlaties tussen de CAIREBox meetresultaten en de Fidas® 200 S meetresultaten zijn over het algemeen hoog. Tabel 11 toont de gemiddelde correlatiecoëfficiënt R op basis van 50 gekalibreerde CAIREBoxen. Dit gemiddelde is berekend door per CAIREBox de correlatiecoëfficiënt R te bepalen tijdens de kalibratieperiode en vervolgens het gemiddelde te nemen van deze 50 individuele waardes. Het gebruikte tijdsinterval is elke 10 minuten. Acht CAIREBoxen zijn gekalibreerd op een referentie-box, eerder gekalibreerd met de Fidas® 200 S. Deze zijn niet in deze tabel meegenomen. Tabel 11 Correlaties in PM meetgegevens van 50 CAIREBoxen na kalibratie en de Fidas® 200 S. De gegeven standaarddeviatie is representatief voor de distributie in deze 50 correlatiecoëfficiënten. R
PM1
PM2.5
PM10
Gemiddelde
0,92
0,91
0,85
Standaarddeviatie
0,02
0,03
0,05
Minimum
0,84
0,82
0,68
Maximum
0,96
0,95
0,91
Met name voor PM1 en PM2.5 is de correlatie zeer hoog over alle boxen bezien. Voor PM10 liggen de correlaties iets lager. Figuur 45 toont als voorbeeld PM10 tijdseries van metingen van CAIREBoxen en de FIDAS® 200 S voor twee kalibratieperiodes. CAIREBox ABA133529 heeft een van de hoogste correlaties van alle boxen, CAIREBox ABA613810 een van de laagste correlaties. Zoals zichtbaar wordt het patroon door de tijd bemeten door de FIDAS® 200 S over het algemeen goed gevolgd door de sensoren van beide boxen. Wel zijn er op momenten absolute verschillen zichtbaar in de twee meetreeksen. Dit lijkt zich vooral voor te doen bij hogere meetwaardes. Dit komt waarschijnlijk door de manier waarop de meetwaarde via de sensor wordt bepaald. Hoe sterker het meetsignaal, des te sterker is de invloed van de bepaalde kalibratiefactor op de absolute meetwaarde die berekend wordt. Eventuele afwijkingen worden daardoor uitvergroot bij hogere waardes. Er is één CAIREBox die tijdens de kalibratieperiodes van alle series in Alkmaar heeft gehangen. De gemiddelde correlatiecoëfficiënt, bias en root-mean-squaredeviation (RMSD) van de gekalibreerde CAIREBoxen ten opzichte van deze box ABA133529 staan gepresenteerd in Tabel 12. In zijn algemeenheid leveren de CAIREBoxen onderling voor PM zeer vergelijkbare meetresultaten op tijdens de kalibratieperiode in Alkmaar.
Voor een sensornetwerk als ILM2 is dit essentieel omdat dit een voorwaarde is om locaties te kunnen vergelijken, patronen in de tijd te onderzoeken en daarmee luchtkwaliteit in een groter gebied te kunnen analyseren. De RMSD ontstaat vooral bij hogere concentratieniveaus, waarbij afwijkingen in absolute zin groter worden.
TNO-rapport | R12396
75 / 88
Tabel 12 Gemiddelde correlatie R, helling en RMSD in PM meetgegevens van 57 CAIREBoxen na kalibratie, uit verschillende kalibratieseries, en CAIREBox ABA133529. De gegeven standaarddeviatie is representatief voor de distributie per statistische eenheid. R
PM1
PM2.5
PM10
Correlatie R
0,98±0,01
0,98±0,01
0,94±0,03
Helling
1,00±0.14
0,98±0.13
1,02±0.10
RMSD (µg/m )
2,29±0,97
2,59±1,15
3,62±0,98
RMSD (%)
23.7%
20.5%
20.5%
3
NO2: De correlaties tussen de NO2 concentraties gemeten met de CAIREBoxen en de EcoPhysics CLD 700 AL tijdens de verschillende kalibratieperiodes in Alkmaar zijn over het algemeen hoog. De gemiddelde correlatiecoëfficiënt R tussen de CAIREBoxen en de EcoPhysics CLD 700 AL, berekend volgens dezelfde methode als voor fijnstof, na kalibratie is 0,87±0,08. De laagste R verkregen tijdens de kalibratieperiode is 0,60, de hoogste R is 0,97. Figuur 46 toont deze uiteinden via tijdseries en de spreidingsdiagrammen van box ABA109533 en box ABA134667 in Alkmaar. De kalibratie resulteert in een gemiddelde helling van 1,0±0,02 tussen de meetwaarden van de CAIREBox en de EcoPhysics CLD 700 AL. Voor de NO2 meetgegevens kan geen vergelijk gemaakt worden met CAIREBox ABA133529, zoals gedaan in Tabel 12 voor fijnstof, doordat de NO2 data van deze CAIREBox ABA133529 na verloop van tijd is gaan afwijken. Deze afwijkingen, welke ook zichtbaar zijn in boxen in het meetnet, worden verder beschreven in sectie 3.2.1 en sectie 3.2.2 aan de hand van voorbeelden op locaties in Zuidoost-Brabant. UFP: De ultrafijnstof sensoren zijn gekalibreerd door Oxility BV met behulp van een FMPS spectrometer. Een vergelijking tussen de sensoren in de buitenlucht in Alkmaar toont aan dat alle sensoren zeer gelijkende meetresultaten leveren. Deze vergelijking is zichtbaar in Figuur 44.
Figuur 44 Vergelijkingsstudie tussen de 3 UFP-sensoren in de buitenlucht in Alkmaar. Deze sensoren zijn in juli bijgeplaatst op de ILM2 meetlocaties rond het vliegveld (originele grafiek: B. Wit, Admatec B.V.)
TNO-rapport | R12396
76 / 88
Figuur 45 Voorbeeldgrafieken van een kalibratieperiode en spreidingsdiagram met gekalibreerde PM10 meetgegevens in µg/m3 van CAIREBox ABA133529, met hoge correlatie, en CAIREBox ABA613810, met relatief lage correlatie, ten opzichte van de Fidas® 200 S (originele grafieken: B. Wit, Admatec Europe B.V.).
TNO-rapport | R12396
77 / 88
Figuur 46 Voorbeeldgrafieken van een kalibratieperiode en spreidingsdiagram van gekalibreerde NO 2 meetgegevens in µg/m3 van CAIREBox ABA109533, met hoge correlatie, en CAIREBox ABA134667, met relatief lage correlatie, ten opzichte van de EcoPhysics CLD 700 AL (originele grafieken: B. Wit, Admatec Europe B.V.).
TNO-rapport | R12396
78 / 88
Bijlage II: Evaluatie PM10 aan LML Genovevalaan Dit stuk is gebaseerd op een notitie en begeleidende memo van RIVM. De originele stukken zijn opvraagbaar bij RIVM. Inleiding Op verzoek van AiREAS zijn de fijnstofsensoren (afkomstig van TNO) beoordeeld zoals die ingezet zijn in het ILM-meetnet in Eindhoven. Hiertoe is een vergelijking gemaakt met metingen van het LML-meetstation Genovevalaan (PM10) 5. Voor elk systeem is bepaald; datadekking, scatterplot en (orthogonale) regressievergelijking, meetonzekerheid, overeenkomst tussen sensorsystemen onderling en nauwkeurigheid. In onderstaande tabel zijn opgesomd de systemen waarvoor data is ontvangen, start- en einddatum van Genovevalaan (op basis van volledige dagen), het aantal meetdagen en de datadekking. Tabel 13 Overzicht van de datadekking TNO-sensoren in Eindhoven aan de Genovevalaan. Systeem
start
eind
BOX006
5-32021 17-52021 8-102020
3-92021 11-102021 25-12021
BOX021 BOX023
data-dekking (%) 93
Systeem
start
eind
BOX028
100
BOX035
100
BOX037
8-102020 8-72021 8-102020
2-22021 07-102021 07-102021
data-dekking (%) 100 97 99
In Europees verband (CEN264/WG42) wordt gewerkt aan een testprotocol voor het vaststellen van prestaties van sensorsystemen die luchtkwaliteit meten (gassen en fijnstof). Op basis van het testresultaat wordt een systeem ingedeeld in een kwaliteitsklasse aan de hand van criteria waardoor een vergelijking tussen sensorsystemen mogelijk wordt. Vooruitlopend op een definitieve versie is vergeleken met enkele criteria zoals nu geformuleerd in dit protocol. Opzet Het LML-meetinstrument (PM10; FH-62) is equivalent aan het referentie-instrument (Leckel of Derenda) voor dagwaarden; meetwaarden zijn op uurbasis en worden omgerekend naar dagwaarden. De sensoren zijn beschouwd als ‘Black Box’ d.w.z. gerekend is met de meetdata zoals die zijn aangeleverd. Uitgangspunt van deze analyse is een vergelijking tijdens een periode dat drie systemen synchroon data hebben verzameld: het testprotocol geldt alleen voor gelijktijdige metingen op één station zodat vergelijking van systemen onderling mogelijk is.6 De analyses getoond in dit document zijn uitgevoerd voor de sensorsystemen BOX021, BOX035 en BOX037 over de periode 8/7 – 7/10/2021 (ca. 90 dagen). Achtereenvolgens zijn bepaald datadekking, scatterplots en regressievergelijking, onzekerheid en de intra-sensor variatie.
5
Station Genovevalaan heeft geen PM2,5 meting. Het station is in een eerder stadium gekozen als referentie voor de ILM boxen omdat er NO2 gemeten wordt en het is gelegen aan een weg met veel verkeer. 6 In de huidige versie van het protocol is voorgeschreven dat sensortesten plaatsvinden gedurende twee periodes in verschillende seizoenen op een meetstation (straat, stadsachtergrond, regionale achtergrond) dat vergelijkbaar is met de latere positionering van het systeem.
TNO-rapport | R12396
Vergelijking met testprotocol Er zijn 90 dagen aan meetdata beschikbaar om LML-instrument en sensoren met elkaar te vergelijken. Het gedrag van de sensoren in de tijd kan het best bestudeerd worden aan de hand van tijdreeksen. In Figuur 47 zijn de metingen op dagbasis voor de drie sensoren (in blauw) en het LML-instrument (zwart) getoond. De nauwkeurigheid van de metingen is hoog (rond de 85%); dit is terug te zien in de tijdreeksen hieronder (dagbasis). De overeenkomst tussen metingen van de afzonderlijke systemen (intra-sensor variatie of ‘between-sensor uncertainty’) is 1,1 µg/m3; dit is berekend met vgl.(3) in op basis van de daggemiddelden. In deze analyse voldoen de boxen voor de onderlinge vergelijkbaarheid aan de eis voor een klasse 1 apparaat.
Figuur 47 Tijdreeksen voor de drie sensoren (blauw) en het LML-instrument (zwart) op basis van daggemiddelden.
Scatterplots en regressievergelijkingen Scatterplots (XY-plots) zijn bepaald op basis van daggemiddelden (zie figuur 2). De rode lijn in Figuur 48 geeft de lijn weer berekend met orthogonale regressie (volgens CEN-protocol). Ter vergelijking is ook de lijn voor de ‘gewone’ lineaire regressie (blauw). De R2 van de afzonderlijke systemen ligt (op dagbasis) net boven de 0,6. De systemen BOX021 en BOX035 hebben een helling rond de 1. BOX037 meet (vanaf ca. 20 µg/m3) wat hogere waarden; dit resulteert in de afwijkende helling en intercept.
79 / 88
TNO-rapport | R12396
80 / 88
Figuur 48 Scatterplots voor drie sensorsystemen geplaatst op Genovevalaan met overeenkomstige meetperiode. De rode lijn is de orthogonale fit (‘total-least-squares’); de blauwe lijn is berekend via de (doorgaans toegepaste) ‘ordinary-least-squares’benadering.
De bepaling van de onzekerheid per systeem is (o.a.) berekend uit de regressiecoëfficiënten en R2 volgens vgl.(2). Tabel 14 geeft het resultaat. Van de drie geselecteerde boxen kent het eerdergenoemde systeem BOX037 volgens het protocol een grotere onzekerheid dan de twee andere boxen veroorzaakt door een afwijkend meetbereik (de sensor geeft, met name, hogere waarden bij hoge waarden en enkele keren lagere waarden bij lage waarden). Als we kijken naar de tijdseries, is die afwijking op het eerste gezicht niet zo groot. Het is daarom opvallend dat de gevolgen voor de onzekerheidsbepaling zo groot zijn. Tabel 14 Regressiecoëfficiënten op basis van de daggemiddelde sensorwaarden (Y-as) en de (onafhankelijke) daggemiddelde referentie concentratiedata (X-as) met bijbehorende determinatie coëfficiënten (R2) voor de geselecteerde 90 dagen. Daarnaast worden de nauwkeurigheid en de onzekerheid getoond berekend volgens formulering in CENprotocol.
Systeem
Dagen
R2
helling
snijpunt Y-as
BOX021
90
0.62
1.06
BOX035
90
0.62
BOX037
90
0.61
1.03
Nauwkeurigheid (%) 87.0
Onzekerheid (% ) 20.2
0.97
2.71
85.6
10.6
1.48
-5.07
84.2
78.3
TNO-rapport | R12396
81 / 88
In Tabel 15 staan de regressie coëfficiënten, determinatie coëfficiënt en nauwkeurigheid berekend op basis van de volledige beschikbare datasets (PM10 dagwaarden). Voor twee van de gekozen sensoren (BOX021, BOX035) zijn de verschillen met de resultaten gegeven in tabel 1 gering. Voor BOX037 bestaat er een groot verschil met Tabel 2 voor de berekende helling en snijpunt van de Y-as. Tabel 15 Regressiecoëfficiënten op basis van de daggemiddelde sensorwaarden (Y-as) en de (onafhankelijke) daggemiddelde referentie concentratiedata (X-as) met bijbehorende determinatie coëfficiënten (R2) voor de volledig beschikbare meetperiode per systeem. Daarnaast worden de nauwkeurigheid getoond berekend volgens formulering in CENprotocol. De onzekerheid is hier niet berekend.
Systeem
Dagen
R2
helling
snijpunt Y-as
BOX021
148
0.59
0.91
3.00
Nauwkeurigheid (%) 89.09
BOX035
92
0.61
0.97
2.63
85.57
BOX037
365
0.69
1.18
-0.05
81.26
Klasse indeling De resultaten zijn in Tabel 16 samengevat; dit is vergeleken met de criteria geformuleerd in tabellen daaronder van het voorlopig protocol. Het ‘slechtste’ resultaat is bepalend voor de indeling in een klasse. Het mindere resultaat voor BOX037 leidt niet tot een indeling in een klasse. Op basis van alleen de systemen BOX021 en BOX035 zou klasse 2 mogelijk zijn (testprotocol vereist minimaal drie systemen in de beoordeling). Tabel 16 Statistiek samengevat en vergelijking criteria
berekend data dekking helling (b) snijpunt Y-as (a) onzekerheid intra-sensor variatie
100% tussen 0.97 en 1.48 tussen -5.07 en 2.71 < 79% 1.1
voldoet aan criterium >90% 0.6 < a < 1.67 -
sensorklassea
<100% <|3|
2 1
1 2 -
overall
-
a protocol nog in bewerking
Parameter
Compound
Class 1 sensor systems
Class 2 sensor systems
Class 3 sensor systems
Between sensor system uncertainty
PM10
u(bs,s) ≤ 3 µg/m3
u(bs,s) ≤ 5 µg/m3
u(bs,s) ≤ 7 µg/m3
PM2,5
u(bs,s) ≤ 3 µg/m3
u(bs,s) ≤ 5 µg/m3
u(bs,s)≤ 7 µg/m3
Minimum data capture
PM10 and PM2,5
Directive 2008/50/EC applies: data capture of hourly values shall be at least 90 %
data capture of hourly values shall be at least 50 %
–
Slope of regression line
PM10 and PM2,5
0,78 ≤ 𝑏 ≤ 1,29
0,60 ≤ 𝑏 ≤ 1,67
0,43 ≤ 𝑏 ≤ 2,33
TNO-rapport | R12396
82 / 88
Parameter
Compound
Class 1 sensor systems
Class 2 sensor systems
Class 3 sensor systems
Intercept of regression line
PM10
–2 µg/m3 ≤ 𝑎 ≤ 2 µg/m3
–3 µg/m3 ≤ 𝑎 ≤ 3 µg/m3
–4 µg/m3 ≤𝑎 ≤4 µg/m3
PM2,5
–2 µg/m3 ≤ 𝑎 ≤ 2 µg/m3
–3 µg/m3 ≤ 𝑎 ≤ 3 µg/m3
–4 µg/m3 ≤𝑎 ≤4 µg/m3
•
Deze criteria staan nog ter discussie in WG42.
Compound
Averaging period
h
LV
UAT
LAT
DQO of Class 1 sensor system
DQO of Class 2 sensor system
DQO of Class 3 sensor system
µg/m3 µg/m3 µg/m3
µg/m3 (% of LV)
µg/m3 (% of LV)
µg/m3 (% of LV)
PM10
24
50
35
25
25 (50 %)
50 (100 %)
100 (200 %)
PM2,5
24
30a
21
15
15 (50 %)
30 (100 %)
60 (200 %)
Conclusie Wat betekent deze analyse nu? We kunnen het zien als een onderdeel in het proces om grip te krijgen op de kwaliteit van de metingen. Maar het is niet allesbepalend. Er zijn meer manieren om de betrouwbaarheid te monitoren. Het is daarbij altijd de vraag voor welk doel de metingen gebruikt worden. Om uitspraken te doen op basis van de meetwaarden van individuele boxen is het belangrijk om van de individuele boxen de kwaliteit te kunnen beoordelen. Het is te arbeidsintensief om alle boxen met behulp van het CEN protocol te beoordelen. Zoals zichtbaar in de rapportage zijn er ook andere methodes toegepast om dit te beoordelen. Wat betekent het concreet voor het meetnet? • Er zijn geen concrete aanpassingen in het meten zelf nodig. • De toets laat zien dat absolute meetwaarden tussen sensoren kunnen verschillen. Bij de analyse van de meetgegevens is het daarom van belang om van individuele meetboxen de onzekerheid op de absolute meetwaarden te kunnen beoordelen. Zo kan beoordeeld worden of gemeten verschillen tussen (individuele) locaties binnen de onzekerheidsmarge vallen.
Formules • De datadekking (‘datacoverage’) is gegeven door het aantal uren tussen de installatie-datum en de afname-datum (n_max) en het aantal uren dat er meetdata beschikbaar is (n): n / n_max ∗ 100% (1) • De orthogonale regressievergelijking is hier berekend door de dagelijkse sensor meetwaarden te vergelijken met de LML-meetwaarden (dag). Deze berekening
TNO-rapport | R12396
83 / 88
levert een vergelijking in de vorm y=ax+b met a de helling en b het intercept, en een determinatie coëfficiënt (R2). •
De onzekerheid wordt vervolgens verkregen door toepassing van de formule (deze is afkomstig uit de ‘Guide for the Demonstration of Equivalence’): 𝑈field,𝐿 = 𝑘 × √(
𝑅 𝑛−2
− 𝑢(bs, RM)2 ) + [𝑎 + (𝑏 − 1) × 𝐿]2
(2)
𝑛
𝑅 = ∑(𝑦𝑖 − 𝑎 − 𝑏𝑥𝑖 )2 𝑖=1
met 𝑈field,𝐿 𝑢(bs, RM) 𝐿
berekende sensor onzekerheid onzekerheid van het officiële meetinstrument; waarde waarvoor de berekening relevant is (hier 50 µg/m3, jaargemiddelde grenswaarde PM10) [𝑎 + (𝑏 − 1) × 𝐿]2 a is de intercept en b helling 𝑘 het aantal ‘degrees of freedom’ (hier: 2) De Europese Luchtkwaliteit Richtlijn (EU, 2008) geeft zgn. ‘Data Quality Objectives’ (DQO) waaraan meetmethodes moeten voldoen voor uitvoering van indicatieve metingen in de officiële monitoring. In het geval van PM10-metingen geldt voor equivalente metingen een toegestane onzekerheid van 25% en voor indicatieve metingen 50%. •
De intra-sensor variatie is de onzekerheid die geïntroduceerd wordt doordat sensoren (van één type) verschillende meetwaarden op hetzelfde moment en op hetzelfde meetpunt laten zien (‘between-sensor uncertainty’). Dit wordt bepaald aan de hand van de onderstaande formule: 𝑛
𝑢(bs, s) = √(
s ∑𝑛 ̅𝑖 ) 𝑖=1 ∑𝑗=1(𝑦𝑖,𝑗 −y
𝑛(𝑛s −1)
2
)
(3)
waarbij 𝑦𝑖,𝑗
sensorwaarde
𝑦 ̅𝑖
•
gemiddelde sensorwaarde 𝑛 aantal metingen 𝑛s aantal sensoren De nauwkeurigheid (acc) is de mate van overeenkomst tussen waarden gemeten door de sensoren en de LML-waarden na middeling over een bepaalde meetperiode en is hier berekend als:
acc (%) = 100 – (LML_average – sensor_average) / LML_averag𝑒 ∗ 100
(4)
Hoe hoger de positieve waarde (percentage), hoe hoger de nauwkeurigheid. In het geval van een waarde van 100% meten de sensoren exact hetzelfde als het officiële instrument. Bij een onderschatting (overschatting) is het percentage lager (hoger) dan 100%.
TNO-rapport | R12396
84 / 88
Bijlage III: Data dekking per meetlocatie per kwartaal Tabel S1 toont welke boxen meegenomen zijn in de berekeningen van de jaargemiddeldes getoond in Tabel 4 in het rapport. Dit is gebaseerd op een minimale data beschikbaarheid van 70% over de relevante periode. S1 Data dekking per meetlocatie per kwartaal in 2021 ( 1 = wel data; 0 = niet afdoende data voor berekeningen) Data dekking per categorie per kwartaal in 2021
Q1
Q2
Q3
Q4
No.
Meetlocatie
Categorie
PM1
PM2.5
PM10
NO2
PM1
PM2.5
PM10
NO2
PM1
PM2.5
PM10
NO2
PM1
PM2.5
PM10
NO2
ILM002
EH Scherpenering
Luchthaven
1
1
1
1
1
1
1
0
1
1
1
0
1
1
1
1
ILM014
EH Landardseweg
Luchthaven
1
1
1
1
1
1
1
0
1
1
1
0
1
1
1
1
ILM025
EH Luchthavenweg
Luchthaven
1
1
1
1
1
1
1
0
1
1
1
0
1
1
1
1
ILM004
EH Finisterelaan
Stedelijk
1
1
1
1
1
1
1
0
1
1
1
0
1
1
1
1
ILM007
EH Oirschotsedijk
Stedelijk
1
1
1
1
1
1
1
0
1
1
1
0
1
1
1
1
ILM008
EH Beukenlaan
Stedelijk
1
1
1
1
1
1
1
0
1
1
1
0
1
1
1
1
ILM009
EH Stationsweg
Stedelijk
1
1
1
1
1
1
1
0
1
1
1
0
1
1
1
1
ILM011
EH prof dr Dorgelolaan
Stedelijk
1
1
1
1
1
1
1
0
1
1
1
0
1
1
1
1
ILM012
EH Mathildelaan
Stedelijk
1
1
1
1
1
1
1
0
1
1
1
0
1
1
1
1
ILM017
EH Genneperweg
Stedelijk
1
1
1
1
1
1
1
0
1
1
1
0
1
1
1
1
ILM019
EH Kanaaldijk
Stedelijk
1
1
1
1
1
1
1
0
1
1
1
0
1
1
1
1
ILM022
EH Meerhovendreef
Stedelijk
1
1
1
1
1
1
1
0
1
1
1
0
1
1
1
1
ILM023
EH Anthony Fokkerweg
Stedelijk
1
1
1
1
1
1
1
0
1
1
1
0
1
1
1
1
ILM024
EH Fellenoord
Stedelijk
1
1
1
1
1
1
1
0
1
1
1
0
1
1
1
1
ILM028
EH Klokgebouw
Stedelijk
1
1
1
0
1
1
1
0
1
1
1
0
1
1
1
1
TNO-rapport | R12396
85 / 88
Data dekking per categorie per kwartaal in 2021
Q1
Q2
Q3
Q4
No.
Meetlocatie
Categorie
PM1
PM2.5
PM10
NO2
PM1
PM2.5
PM10
NO2
PM1
PM2.5
PM10
NO2
PM1
PM2.5
PM10
NO2
ILM029
EH Wal
Stedelijk
1
1
1
1
1
1
1
0
1
1
1
0
1
1
1
1
ILM030
EH Botenlaan
Stedelijk
1
1
1
1
1
1
1
0
1
1
1
0
1
1
1
1
ILM032
EH Maaseikstraat
Stedelijk
1
1
1
1
1
1
1
0
1
1
1
0
1
1
1
1
ILM036
EH Vestdijk
Stedelijk
1
1
1
1
1
1
1
0
1
1
1
0
1
1
1
1
ILM037
EH Genovevalaan
Stedelijk
1
1
1
1
1
1
1
0
1
1
1
0
1
1
1
1
ILM039
EH Willemstraat
Stedelijk
1
1
1
1
1
1
1
0
1
1
1
0
1
1
1
1
ILM040
EH Kennedylaan
Stedelijk
1
1
1
1
1
1
1
0
1
1
1
0
1
1
1
1
ILM048
Helmond Vossenbeemd
Stedelijk
0
0
0
0
0
0
0
0
1
1
1
0
1
1
1
1
ILM049
Helmond Kanaaldijk
Stedelijk
0
0
0
0
0
0
0
0
1
1
1
0
1
1
1
1
ILM051
Helmond Mierloseweg
Stedelijk
0
0
0
0
0
0
0
0
1
1
1
0
1
1
1
1
ILM052
Helmond Kasteel-traverse
Stedelijk
0
0
0
0
0
0
0
0
1
1
1
0
1
1
1
1
ILM003
Best Kapelweg
Regio
0
0
0
0
1
1
1
0
1
1
1
0
1
1
1
1
ILM005
Eersel Zandoerleseweg
Regio
0
0
0
0
1
1
1
0
1
1
1
0
1
1
1
1
ILM010
Reusel Mierdseweg
Regio
0
0
0
0
1
1
1
0
1
1
1
0
1
1
1
1
ILM013
Nuenen Soetenbeekseweg
Regio
0
0
0
0
0
0
0
0
1
1
1
0
1
1
1
0
ILM016
Bergeijk Dorpsstraat
Regio
0
0
0
0
1
1
1
0
1
1
1
0
1
1
1
1
ILM018
Boxtel Mijlstraat
Regio
0
0
0
0
1
1
1
0
1
1
1
0
1
1
1
1
ILM033
Son&Breugel Sonniuswijk
Regio
0
0
0
0
1
1
1
0
1
1
1
0
1
1
1
1
ILM041
Geldrop Mierlo Voortje
Regio
0
0
0
0
1
1
1
0
1
1
1
0
1
1
1
1
ILM042
Gemert-Bakel Keizersven
Regio
0
0
0
0
0
0
0
0
1
1
1
0
1
1
1
1
ILM043
Oirschot Krukkerd
Regio
0
0
0
0
1
1
1
0
1
1
1
0
1
1
1
1
ILM044
Heeze-Leende Ronde Bleek
Regio
0
0
0
0
0
0
0
0
1
1
1
0
1
1
1
1
TNO-rapport | R12396
86 / 88
Data dekking per categorie per kwartaal in 2021
Q1
Q2
Q3
Q4
No.
Meetlocatie
Categorie
PM1
PM2.5
PM10
NO2
PM1
PM2.5
PM10
NO2
PM1
PM2.5
PM10
NO2
PM1
PM2.5
PM10
NO2
ILM045
Meierijstad Zonveldstraat
Regio
0
0
0
0
1
1
1
0
1
1
1
0
1
1
1
1
ILM046
Best Ringweg
Regio
0
0
0
0
0
0
0
0
1
1
1
0
1
1
1
1
ILM047
Oirschot Neereindsweg
Regio
0
0
0
0
0
0
0
0
1
1
1
0
1
1
1
1
ILM054
Deurne Paardekopweg
Regio
0
0
0
0
0
0
0
0
0
0
0
0
1
1
1
1
ILM055
Valkenswaard Bergeijksedijk
Regio
0
0
0
0
0
0
0
0
0
0
0
0
1
1
1
1
ILM056
Reusel Beekakkersweg
Regio
0
0
0
0
0
0
0
0
1
1
1
0
1
1
1
1
ILM058
Best Looierstraat
Regio
0
0
0
0
0
0
0
0
1
1
1
0
1
1
1
1
Tabel S2 toont de gemiddelde waardes per jaar en per kwartaal waarbij enkel de 22 CAIREBoxen met een volledig meetjaar zijn beschouwd. Hieruit blijkt dat de ruimtelijke variatie in PM binnen de regio waarschijnlijk laag is. De verschillen in gemiddelde PM waardes tussen Tabel 3 (op de volgende pagina nogmaals opgenomen als Tabel S3) en Tabel S2 zijn minimaal. Voor NO2 blijkt vooral verschil op te treden in Q4. Dat komt doordat in de reguliere berekening meer locaties uit het buitengebied zijn beschouwd waar de NO2 concentraties veelal lager zijn dan in het stedelijk gebied. S2 Jaargemiddelde waardes op basis van de 22 CAIREBoxen met jaarronde meetresultaten. Voor NO2 zijn alleen de maanden januari, februari, november en december gebruikt.
Meetnet ILM2 (Gemiddelde ± SD: µg/m3)
Deeltjesverdeling (%)
Periode PM1
PM2.5
PM10
NO2*
PM1/PM10
PM2.5/PM10
Jaar 2021
11.2±1.6
13.6±1.8
18.7±1.7
21.2±3.1
59.2±4.1
71.8±4.3
Q1 2021 (Jan-Mar)
13.0±1.8
16.3±2.2
22.3±1.9
24.4±5.2
58.4±4.6
73.0±4.9
Q2 2021 (Apr-Jun)
8.9±1.3
10.9±1.5
16.1±1.4
-
54.8±4.3
67.3±4.5
Q3 2021 (Jul-Sep)
10.5±1.7
12.3±1.8
17.1±1.8
-
60.6±4.3
71.1±4.3
Q4 2021 (Okt-Dec)
12.5±1.9
15.0±2.1
19.6±2.0
17.9±4.0
63.0±4.4
75.8±4.1
TNO-rapport | R12396
87 / 88
S3 Jaarlijkse en kwartaal gemiddelde concentraties van fijnstof en NO2 gemeten door het ILM2 in 2021 in µg/m3. De getoonde standaard deviatie betreft de spreiding van deze variabelen tussen de meetlocaties. De n-waarde reflecteert het aantal meetlocaties waarop de gemiddelde waardes zijn berekend. Meetlocaties zijn enkel meegenomen als zij meer dan >75% data beschikbaar hebben van de relevante periode. Meetnet ILM2 (Gemiddelde ± SD: µg/m3) Periode
Deeltjesverdeling (%)
PM1
PM2.5
PM10
NO2*
Jaar 2021
11.5±1.8 (n=29)
13.9±1.9 (n=29)
19.3±2.0 (n=29)
21.2±3.1 (n=22)
59.6±4.1 (n=29)
71.9±4.2 (n=29)
Q1 2021 (Jan-Mar)
13.0±1.8 (n=22)
16.3±2.2 (n=22)
22.3±1.9 (n=22)
24.4±5.2 (n=21)
58.2±4.5 (n=22)
72.8±4.7 (n=22)
Q2 2021 (Apr-Jun)
9.4±1.8 (n=31)
11.4±1.8 (n=31)
16.8±2.1 (n=31)
-
55.8±4.6 (n=31)
67.7±4.3 (n=31)
Q3 2021 (Jul-Sep)
10.5±1.8 (n=41)
12.3±1.9 (n=41)
17.4±2.2 (n=41)
-
60.9±4.1 (n=41)
70.7±4.3 (n=41)
Q4 2021 (Okt-Dec)
12.4±1.8 (n=44)
14.9±2.0 (n=44)
19.8±2.4 (n=44)
17.0±4.5 (n=43)
63.1±4.1 (n=44)
75.5±4.1 (n=44)
PM1/PM10
PM2.5/PM10
TNO-rapport | R12396
Bijlage IV: Factsheets ILM2 meetlocaties 2021 Deze bijlage is opgenomen als apart document met nummer R12396_Bijlage. In deze bijlage staan per meetlocatie van het ILM2 meetnet de meetgegevens van 2021 van PM en NO2 gepresenteerd via verschillende overzichten.
88 / 88