E31 Bijlage RIVM rapport.pdf

PAK Voor het bepalen van de bijdrage van Tata Steel aan de gemeten PAKconcentraties is gebruikgemaakt van de data van het luchtmeetnet. De bijdrage is bepaald door de gemeten achtergrondconcentraties af te trekken van de gemeten concentraties op de industriestations in de IJmond. Uit de analyse van de emissiebronnen in de omgeving (zie Figuur 3.1.c) zijn er naar verwachting geen andere emissiebronnen aanwezig die een substantiële bijdrage aan de concentraties op de meetstations kunnen veroorzaken. De opgegeven bijdrage van bijvoorbeeld scheepvaart is zeer klein vergeleken met de opgegeven bijdragen van Tata Steel. De stations De Zilk en De Rijp zijn gebruikt als achtergrondconcentraties. Uit Figuur 4.2 blijkt dat de PAK-concentraties op De Rijp veel lager zijn dan op de industriestations. De keuze voor De Rijp als achtergrondstation wordt met deze analyse ondersteund. Op het station De Rijp worden sinds 2017 PAK-concentraties gemeten. De achtergrondconcentraties voor de jaren 2014, 2015 en 2016 zijn derhalve gebaseerd op de PAK-concentraties gemeten op het station De Zilk. Voor de jaren 2017 t/m 2020 is gemiddelde concentratie gemeten op De Zilk en De Rijp gebruikt als achtergrondconcentratie. De PAKmetingen op de stations Staalstraat en Reyndersweg zijn in 2017 beëindigd. Voor deze stations waren alleen de meetgegevens voor de jaren 2014, 2015 en 2016 beschikbaar.

De resultaten van de vergelijking tussen de berekende en gemeten bijdrage van Tata Steel aan de PAK-concentraties staan weergegeven in de Figuren 3.13.a tot en met 3.13.c. In deze figuren is voor beide assen een logaritmische schaal gebruikt.

Pagina 68 van 133

RIVM-rapport 2021-0216

Figuur 3.13.a Berekende versus gemeten benzo[a]pyreen (BaP) concentratiebijdrage (ng/m3) door Tata Steel (2014-2020). De x- en y-as zijn logaritmisch opgemaakt

Figuur 3.13.b Berekende versus gemeten benzo[g,h,i]peryleen (BGP) concentratiebijdrage (ng/m3) door Tata Steel (2014-2020). De x- en y-as zijn logaritmisch opgemaakt

Pagina 69 van 133

RIVM-rapport 2021-0216

Figuur 3.13.c Berekende versus gemeten indeno(1,2,3-cd)pyreen (IND) concentratiebijdrage (ng/m3) door Tata Steel (2014-2020). De x- en y-as zijn logaritmisch opgemaakt

Uit bovenstaande figuren blijkt dat de berekende concentratiebijdrage aanzienlijk lager is dan de gemeten concentratiebijdrage. De berekende onderschatting varieert van circa een factor 10 (BaP) tot meer dan een factor 1000 voor de stoffen IND en BGP. Het niet meenemen van 15% van de BaP-emissie in de modellering – omdat de brongegevens niet bekend waren (zie paragraaf 3.2.2.4) – kan geen verklaring zijn van de geconstateerde onderschatting. Verder valt uit de meet- en rekenresultaten op te maken dat de gemeten concentratiebijdrage per jaar varieert. De variatie in de gemodelleerde concentratiebijdrage is echter veel kleiner. 25 In paragraaf 3.3.1 is aangetoond dat de berekende PM10concentratiebijdrage redelijk goed overeenkomt met de gemeten bijdrage. Omdat de PAK aan de fijnstofdeeltjes zijn gebonden, mag worden verwacht dat bij goede bronkennis de vergelijking tussen gemeten en berekende concentratiebijdrage ook in orde zou zijn. Dit blijkt niet uit de Figuren 3.13.a tot en met 3.13.c. Het lijkt er daarom op dat de kennis over de PAK-bronnen en bronkarakteristieken niet volledig is. In paragraaf 3.4 worden de mogelijke oorzaken van de onderschatting in de modelberekeningen ten opzichte van de meetresultaten besproken. 3.4

Conclusie en discussie

3.4.1

Conclusie In het onderzoek zijn voor meerdere jaren en verschillende luchtkwaliteitmeetstations de berekende en gemeten fijnstofconcentratiebijdragen vergeleken. Het beeld dat hieruit ontstaat is dat op basis van de gegevens uit de Emissieregistratie – gebaseerd op 25

De emissies zoals geregistreerd van BaP, IND en BGP zijn voor de jaren 2014-2020 redelijk constant.

Pagina 70 van 133

RIVM-rapport 2021-0216

de elektronische emissiejaarverslagen (zie kader op pagina 53) – de bijdrage van Tata Steel aan de jaargemiddelde fijnstofconcentratie redelijk tot goed (binnen een factor 2-3) overeenkomt met de gemeten concentratiebijdragen. Er zijn verschillen tussen de berekende en gemeten waarden, maar die vallen binnen de verwachte onzekerheden in modelberekeningen als deze. De rekenresultaten voor het station Reyndersweg (zie Figuur 3.11) wijken af van de overige stations: vanwege de ligging van het meetstation (op de grens van het Tata Steelterrein en dicht bij relevante fijnstofbronnen) is de locatie moeilijk te modelleren. De berekende metaalconcentratiebijdragen zijn voor de meeste metalen en stations lager dan de gemeten metaalconcentratiebijdragen. Anders gezegd: op de meetstations worden hogere concentraties gemeten dan wordt verwacht op basis van de berekening. De onderschatting varieert van maximaal circa een factor 5 voor lood en chroom tot circa een factor 30 voor vanadium en ongeveer een factor 50 voor koper. De verschillen tussen de berekende en gemeten concentratiebijdragen zijn voor de PAK IND en BGP veel groter dan voor de metalen. De onderschatting van de berekende BaP-concentratiebijdragen bedraagt circa een factor 10. Voor IND en BGP lopen de verschillen op tot een factor 1000.

Hoewel er in deze studie geen onderzoek is gedaan naar de oorzaken van de onderschatting, worden in de volgende alinea mogelijke oorzaken benoemd. Doordat de gemodelleerde waarden voor PAK en in mindere mate voor metalen niet goed overeenkomen met de gemeten waarden, is onzeker wat de precieze bijdrage van de diverse bronnen is. 3.4.2

Discussie Eén oorzaak kan zijn dat de feitelijke emissies hoger zijn dan de emissies die in de e-MJV’s worden gerapporteerd. Het is mogelijk dat sommige emissies, met name bij incidenten, worden onderschat (zie paragraaf 3.2.1). Ook is de verdere beschikbare informatie over het vrijkomen van luchtverontreinigende stoffen bij incidenten zeer beperkt 26. Daarnaast zijn in de modelberekeningen bekende bronnen op het Tata Steelterrein niet meegenomen doordat de emissies en bronkenmerken ontbraken. Deze bronnen vallen niet onder de Tata Steel e-MJV verplichting. Een voorbeeld hiervan is de uitstoot door de onderaannemers Harsco Metals en Pelt & Hooykaas. Een ander voorbeeld is de emissie door het treinverkeer op het Tata Steelterrein, deze wordt ook niet in het e-MJV meegenomen. Uit de receptormodelanalyse (zie hoofdstuk 4) komt het treinverkeer als bron van koper nadrukkelijk in het profiel Verkeer/remstof naar voren. 27 Een derde mogelijke bron die in de modelberekeningen niet is meegenomen is de bijdrage van emissies en verspreiding van PAK en metalen in stofdeeltjes uit op- en overslag van kolen en ertsen aan de metaal- en PAK-concentraties. In hoofdstuk 2 wordt in paragraaf 2.3.4 beschreven dat op basis van eerder gepubliceerd depositieonderzoek 26 Hierbij kan gedacht worden aan bronkarakteristieken als uitstoothoogte en warmte inhoud.

27 De slijtage van de remvoeringen van treinen is een relevante bron van koperemissie (Abbasi et al., 2011; Van Ryswyk et al., 2107; Loxham et al., 2013; Park et al., 2011; 2012).

Pagina 71 van 133

RIVM-rapport 2021-0216

(Mennen et al., 2021) er een indicatie is dat verwaaiing van (grof) stof uit op- en overslagen van steenkool een bron van PAK-uitstoot kan zijn. In de studie ‘Verspreidingsberekeningen ZZS (zeer zorgwekkende stoffen) bij Tata Steel’ (Erbrink, 2020) die in opdracht van Tata Steel is uitgevoerd, wordt wel rekening gehouden met emissies van metalen in stof uit op- en overslagen van kolen en ertsen. Vanwege de lage hoogte waarop uitstoot plaatsvindt, kan dit een relevante bron zijn. Een tweede mogelijke oorzaak van de onderschatting van de berekende bijdrage is een niet-correcte vertaling van de bronkenmerken (bijvoorbeeld waar komt de verontreiniging in de lucht vandaan) in de praktijk naar het model. In de modelberekeningen is, conform de e-MJVinformatie, voor de metalen en PAK aangenomen dat de verspreiding naar de omgeving alleen vanuit het opgegeven emissiepunt plaatsvindt. In de praktijk echter kan de verontreiniging via kleinere en minder duidelijk gedefinieerde punten (voorbeelden van diffuse emissiepunten zijn kieren, openstaande deuren, en dergelijke) de lucht in worden gebracht. Diffuse emissies kunnen van grote invloed zijn op de concentratiebijdrage, blijkt onder meer uit Stella et al. (2012). Deze studie laat zien dat diffuse emissies een grote bron van PAK-emissies bij staalproductie kunnen zijn.

Onderzoek naar diffuse emissies op het Tata Steelterrein kan meer inzicht geven in het belang van diffuse emissies op de concentraties in de omgeving. Als derde mogelijke oorzaak van de verschillen tussen de modelresultaten en de metingen is de invloed van resuspensie van stofdeeltjes op de gemeten concentratie. Bij resuspensie worden stoffen die eerder waren uitgestoten en in de bodem terecht zijn gekomen onder invloed van de wind wederom in de lucht gebracht. Hierdoor kunnen hogere concentraties worden gemeten dan op basis van de uitstoot door Tata Steel verwacht zou worden. Deze resuspensie kan het gevolg zijn van vele tientallen jaren waarin verontreiniging naar de omgeving heeft plaatsgevonden. In welke mate bovengenoemde mogelijke oorzaken invloed hebben op de totale berekende concentratiebijdrage is niet aan te geven. Betere broninformatie, met name met betrekking tot metalen en PAK, geeft meer inzicht in de emissies, concentraties in de lucht (ook buiten de meetpunten) en mogelijk ook in de effectiviteit van potentiële maatregelen.

Pagina 72 van 133

RIVM-rapport 2021-0216

Kader: invloed bronkenmerken op verspreiding

Concentratiebijdrage

Naast de emissiesterkte (bijvoorbeeld kg uitstoot per jaar) hebben bronkenmerken grote invloed op de verspreiding van de verontreiniging. Onderstaande figuren illustreren de invloed van de bronhoogte (bovenste figuur) en de warmte-inhoud (onderste figuur) op de verspreiding. Bij alle berekeningen is uitgegaan van eenzelfde hypothetische emissiesterkte. Uit de figuren blijkt duidelijk dat een lagere bronhoogte bij dezelfde uitstoot een grotere concentratiebijdrage heeft dan een hoge bron (bovenste figuur), en dat het wel of niet meenemen van warmte-inhoud tot grote verschillen in de berekende concentratiebijdrage kan leiden. Een hogere warmte-inhoud leidt tot een lagere concentratiebijdrage.

0

500

1000

1500

2000

2500

Afstand tot bron (m) bronhoogte: 40 m

Oppervlaktebron: 1,5 m

bronhoogte: 5 m

Concentratiebijdrage

bronhoogte: 150 m

0

500

1000

1500

2000

2500

Afstand tot bron (m) Geen warmte-inhoud

Beperkte warmte inhoud (ca 0,5 MW)

Grote warmte-inhoud (ca. 8 MW)

bronhoogte: 40 m

Pagina 73 van 133

RIVM-rapport 2021-0216

Pagina 74 van 133

RIVM-rapport 2021-0216

4

Analyse luchtmeetnetgegevens met Positive Matrix Factorization

Auteurs: D. Mooibroek, RIVM R. Hoogerbrugge, RIVM 4.1

Inleiding In dit hoofdstuk wordt een aanpak gehanteerd waarbij de metingen van het luchtmeetnet beheerd door de GGD Amsterdam worden benut om te trachten bronnen te herleiden. Dit gebeurt op basis van het berekenen en herkennen van profielen van de gemeten stoffen. In dit hoofdstuk wordt de data-analysemethode op hoofdlijnen beschreven. Om deze expertise en technische details ook internationaal te ontsluiten, is een Engelstalige publicatie (Mooibroek et al.) in voorbereiding. Het afronden van dit hoofdstuk in het onderhavige rapport had hogere prioriteit dan de wetenschappelijk publicatie, en het hoofdstuk is daardoor ook eerder beschikbaar. Sommige analyses, zoals de onzekerheidsanalyse, worden in de publicatie verder uitgewerkt. Hierdoor kunnen de resultaten in de publicatie op detailniveau afwijken van de nu gepresenteerde resultaten.

4.1.1

Profielen De basisaanname voor bronherkenning is dat elke soort bron een eigen profiel van verhoudingen van diverse bestanddelen uitstoot. Zo worden door processen van de staalindustrie veel ijzer en mangaan uitgestoten (Small et al., 2020) en bestaat zeezout voornamelijk uit natrium en chloride. Indien de verschillende soorten bronnen andere profielen hebben, kunnen met een vorm van patroonherkenning profielen aan de hand van de berekende verhoudingen van metalen worden gekoppeld aan bestaande bronnen. Bronnen met vergelijkbare verhoudingen van elementen kunnen niet worden onderscheiden en zullen in hetzelfde profiel belanden. De mate waarin de profielen kunnen worden onderscheiden hangt af van het verschil tussen de verhoudingen in de elementen in de profielen enerzijds en het verschil in verhouding van de diverse bijdragen over de meetset anderzijds. Meestal spelen meerdere soorten bronnen een rol bij de lokale luchtkwaliteit, elk met een eigen profiel. De gemeten waarden op diverse locaties van het luchtmeetnet zijn een optelsom van de bijdrage van deze diverse soorten bronnen. Voor het herkennen van profielen is de techniek Positive Matrix Factorization (PMF) gebruikt (Paatero et al., 1994). Deze techniek is eerder in twee studies in Nederland toegepast.

In het Beleids Ondersteunend Programma (BOP) is deze techniek van bronherkenning uitgevoerd voor vijf Nederlandse meetlocaties op metingen uit 2008 (Mooibroek et al., 2011). In de periode april 2013 - mei 2014 zijn op vijf West-Europese locaties PM10-filters bemonsterd en geanalyseerd in het Joint Air Quality Initiative (JOAQUIN) project (Mooibroek et al., 2016, Staelens et al., 2016). Ook voor deze dataset zijn de bronbijdrage met een PMF-analyse bepaald. In beide studies worden zogenoemde grootschalige profielbijdrage aan fijnstof (PM10 en PM2,5) gevonden. Dit zijn bijvoorbeeld zeezout, en fijnstof dat uit voornamelijk Pagina 75 van 133

RIVM-rapport 2021-0216

ammoniumnitraat en ammoniumsulfaat bestaat (zie ook paragraaf 1.2). De laatst genoemde deeltjes worden ook wel secundaire inorganische aerosolen (SIA) genoemd, omdat ze in de lucht worden gevormd uit aanwezige gasvormige luchtverontreiniging, zoals ammoniak, stikstofoxide en zwaveloxide. Doordat deze deeltjes voornamelijk in de lucht worden gevormd kunnen de bronnen van de oorspronkelijke gasvormige luchtverontreiniging ver weg liggen. De bijdrage van deze deeltjes aan de gemiddelde Nederlandse fijnstofconcentraties is groot (Schaap et al., 2010) en vormt een soort grootschalige deken over Nederland, bestaande uit bijdragen uit zowel binnen- en buitenland van onder andere verkeer en industrie. Naast deze voornamelijk grootschalige profielen zijn er zowel in het JOAQUIN-project als in het BOP-project ook profielen van meer lokale bronnen gevonden. Het belang van bronherkenning en de potentie van dit soort technieken worden ook door de Europese Commissie onderkend. Vandaar dat in het FAIRMODE-programma onderzoeken zijn uitgevoerd waarbij vele Europese onderzoeksgroepen (waaronder het RIVM) hun expertise op het gebied van bronherkenning hebben verdiept en geharmoniseerd (Belis et al., 2015; Belis et al., 2019; Belis et al., 2020). 4.2

Aanpak

4.2.1

Dataset Voor de hier toegepaste analyse zijn geen nieuwe of aanvullende metingen verricht. De PMF-techniek kan in de IJmond worden toegepast omdat daar op meerdere locaties een grote dataset van gemeten concentraties van metalen en PAK in fijnstof (hier in de vorm van PM10 en daarom verder in dit hoofdstuk als PM10 aangeduid) aanwezig is. De jaargemiddelde waarden van deze metingen worden jaarlijks gerapporteerd door de GGD Amsterdam (De Jonge, 2013 t/m 2020). Voor de analyse zijn de meetdata van drie meetlocaties de IJmond en twee achtergrondlocaties gebruikt (zie Tabel 4.1 en Figuur 3.9). Tabel 4.1 Ligging meetlocaties luchtmeetnet

Station (nr)

x-coord

y-coord

Componenten

Type

Wijk aan Zee (NL49553)

101783

500978

Industrie

Beverwijk West (NL49570) IJmuiden Kanaaldijk (NL49551) De Rijp (NL49556)

104274

500438

101628

497553

119365

508579

De Zilk (NL10444)*

95216

479092

Metalen, PAK, PM10, PM2.5, BC, NO, NO2, CO, SO2, H2S Metalen, PAK, PM10, PM2.5 Metalen, PAK, PM10, PM2.5, BC, NO, NO2, CO, SO2, H2S Metalen, PAK, PM10, PM2.5 SO42-, NO3-, NH4+, Cl

Industrie Industrie Achtergrond Achtergrond

* In deze tabel worden voor De Zilk alleen de gebruikte componenten weergegeven.

De meetlocaties in het IJmondgebied worden in opdracht van de provincie Noord-Holland beheerd door de GGD Amsterdam. Het meetpunt in De Zilk is onderdeel van het Landelijk Meetnet Luchtkwaliteit van het RIVM. Op de locaties in het IJmondgebied worden Pagina 76 van 133

RIVM-rapport 2021-0216

metalen 28 en PAK gemeten in PM10. Op alle locaties worden ook elk uur PM10 en PM2,5 gemeten met automatische monitoren. Daarnaast wordt op een aantal locaties ook een wisselende set aan andere componenten uurlijks gemeten met automatische monitoren, zoals BC, NO, NO2, H2S, CO en SO2. Een overzicht van de gemeten stoffen voor elke locatie is te vinden op de website van de samenwerkende luchtmeetnetten in Nederland (www.luchtmeetnet.nl) en daar is voor elke locatie te zien welke stoffen gemeten worden. Voor de herkenning van de diverse bronnen geven de concentraties van de elementen a priori een grote kans op onderscheidende profielen, in het bijzonder voor industriële processen (Taiwo et al., 2014). Dit wordt versterkt door het grote aantal metalen dat routinematig in het IJmondgebied wordt gemeten. 4.2.2

Bijdrage aan PM10 Voor de interpretatie van de bijdrage aan PM10 speelt de totale gemeten hoeveelheid een belangrijke rol. Figuur 4.1 toont de verdeling van PM10concentraties over diverse concentratieklassen voor verschillende windrichtingen, voor de meetpunten in het IJmondgebied gedurende 2017-2019. In Figuur 4.1 wordt met de dikke zwarte lijnen aangegeven hoe vaak in het IJmondgebied een bepaalde windrichting uit een sector voorkomt gedurende 2017-2019. In alle plaatjes is deze weergave hetzelfde omdat hiervoor de meteorologische gegevens van het KNMIstation IJmuiden zijn gebruikt. We zien dat in het IJmondgebied gedurende 2017-2019 de wind het vaakst uit het westen/zuidwesten en het oosten komt. Op elk meetstation in Figuur 4.1 worden metingen gedaan aan PM10. Deze metingen zijn onderverdeeld in vijf verschillende klassen en zijn vervolgens gekoppeld aan de meteorologische gegevens van het KNMI-station IJmuiden. Voor elke windsector is vervolgens berekend voor hoeveel procent de vijf verschillende klassen voorkomen per windsector. In de figuur is zichtbaar dat bijvoorbeeld voor VelsenReijndersweg de hoogste klasse het vaakst voorkomt bij een oostzuidoostelijke wind. Daarnaast zien we ook dat in deze periode bij noordelijke wind in IJmuiden de hoogste klasse vaker voorkomt dan in Wijk aan Zee. Bij zuidelijke wind komt de hogere klasse in Wijk aan Zee vaker voor.

Deze simpele analyse voor 2017-2019 wijst voor de gemeten PM10-concentraties op de meetlocaties op een bronbijdrage van het Tata Steelterrein net als eerdere analyses van de GGD Amsterdam (De Jonge, 2015; Nijhuis en Van Strien, 2015).

28 In dit onderzoek is PM10 geanalyseerd op een groot aantal metalen en andere elementen die strikt genomen niet tot de metalen worden gerekend, zoals fosfor. Met het oog op de leesbaarheid wordt in dit rapport verder gesproken over metalen, ook waar andere elementen worden bedoeld.

Pagina 77 van 133

RIVM-rapport 2021-0216

Figuur 4.1 PM10-concentraties over de periode 2017-2019 verdeeld over een aantal concentratieklassen, genormaliseerd per windsector. De dikke zwarte lijnen geven aan hoe vaak een bepaalde windrichting uit een bepaalde sector voorkomt. In de tekst wordt onder andere de gemiddelde bijdrage aan PM10 over de periode 2017-2019 weergegeven

De meetstrategie op het luchtmeetnet in het IJmondgebied is voor de bemonstering en analyse van de metalen en PAK in PM10 geoptimaliseerd voor de berekening van de jaargemiddelde concentraties. De filters voor de samenstellingsmetingen worden meestal om de dag bemonsterd. De samenstelling van deze filters wordt bepaald door veelal vier bemonsterde filters samen te voegen en vervolgens te analyseren. Deze uitkomsten worden gebruikt voor de berekening van een jaargemiddelde concentratie. De geanalyseerde concentraties van de meeste mengmonsters beslaat dus een totale meetperiode van ongeveer een week. Bij de verwerking van de resultaten in dit onderzoek nemen we aan dat de bemonsterde filters in deze periode representatief zijn voor het gemiddelde van deze gehele periode. Met andere woorden, we veronderstellen dat een vierdaags gemiddelde representatief is voor de concentratieniveaus in deze week. Deze mengmonsters vergroten de complexiteit van de PMFberekeningen. Bij de weekgemiddelde monsters is de kans heel klein, vergeleken met dag- of uurmonsters, dat de wind het grootste deel van de meetperiode uit dezelfde richting komt. Daarmee wordt de kans op het vinden van zuivere profielen kleiner en zullen er meer mengprofielen optreden. Deze mengprofielen maken de vertaling naar bestaande bronnen in de omgeving lastiger.

Ook zijn de perioden waarover de metalen- en PAK-analyses zijn samengevoegd anders. Er is dus niet bij elke meting van de metalen een Pagina 78 van 133

RIVM-rapport 2021-0216

bijpassende PAK-meting. Dit heeft te maken met dat de monsters voor PAK en metalen via hetzelfde apparaat worden verkregen. Praktisch is het niet altijd mogelijk om twee apparaten te plaatsen om zo tegelijk een PAK- en een metaalmonster te krijgen. Ten slotte kan ook het mengschema voor de analyses over de diverse meetpuntlocaties verschillen, waarmee dus ook niet het resultaat over een periode een-op-een kan worden vergeleken met het resultaat in dezelfde periode op een andere locatie. De automatische metingen zijn per dag beschikbaar en zijn essentieel om een dataset te maken die zowel met de metaalmetingen als met de PAK-metingen kan worden vergeleken. De automatische metingen dienen daarmee als een soort ruggengraat voor de dagelijkse bijdrage in de PMF-analyse (zie de paragraaf over PMF-analyse). Aangezien op de meetlocaties in Wijk aan Zee en IJmuiden de meeste aanvullende metingen worden uitgevoerd, zijn deze locaties in eerste instantie gebruikt in deze analyse. De dataset die is gebruikt voor de PMF-analyse beslaat de periode 2017 tot en met 2019. Gedurende deze periode zijn er metingen verricht op dezelfde locaties, waardoor er meer analyseresultaten in de analyse kunnen worden meegenomen. De set automatische metingen voor het meetpunt te Beverwijk is beperkter dan in Wijk aan Zee en IJmuiden.

Desondanks is ook voor Beverwijk een data-analyse uitgevoerd waarvan, indien relevant, informatie in tabellen en figuren wordt meegegeven. Door het samenvoegen van de filters voor de element- en PAK-analyses is het aantal beschikbare samples per jaar beperkt, en ligt deze ongeveer een factor vier lager dan wanneer alle bemonsterde filters afzonderlijk waren geanalyseerd. Deze beperkte set aan meetdata zorgt voor een hogere onzekerheid wanneer slechts gekeken wordt naar één jaar. Meerdere jaren combineren, onder de aanname dat de belangrijkste bronprofielen qua samenstelling gedurende deze periode hetzelfde blijven, zorgt voor een verlaging van de onzekerheid in de uitkomsten. Het jaar 2020 is in deze analyse buiten beschouwing gelaten, omdat de gemeten concentraties vanwege COVID-19maatregelen niet representatief zijn voor een langere periode (Velders et al., 2021). Verschillende componenten, die een forse bijdrage kunnen geven aan de PM10-concentraties, worden op de meetlocaties in het IJmondgebied niet gemeten. Voor ammonium, nitraat, sulfaat en chloride worden daarom de metingen van het achtergrondstation in De Zilk gebruikt.

Controle met eerdere samenstellingsmetingen op Wijk aan Zee in het kader van het JOAQUIN-project (Staelens et al., 2016) en de samenstellingsmetingen op De Zilk gedurende dezelfde periode, laten zien dat de data van De Zilk voor deze periode representatief zijn voor het IJmondgebied voor deze componenten. Deze componenten zijn vooral te verwachten in de bijdrage van zeezout (chloride) en de grootschalige luchtverontreiniging (ammonium, nitraat en sulfaat), waarbij de bijdrage van lokale bronnen zeer klein is. Bij zeezout is de afstand tot de kust belangrijk. De Zilk ligt net als de IJmondlocaties in Pagina 79 van 133

RIVM-rapport 2021-0216

de kustregio. Wel moet opgemerkt worden dat het lijkt dat de chlorideconcentraties in Wijk aan Zee hoger zijn dan op De Zilk. Dit verschil kan mogelijk worden verklaard door chloride-emissies van de staalindustrie (Tsai et al., 2007; Beddows and Harrison, 2018). Voor de grootschalige luchtverontreiniging geldt dat het verschil in bijdrage hiervan tussen De Zilk en de IJmond, ten opzichte de schaal waarop deze componenten zich verspreiden, relatief gering is. In dit onderzoek nemen we daarom aan dat de gemeten concentraties op De Zilk voor deze componenten representatief zijn voor het IJmondgebied. Bij de interpretatie van de resultaten zijn ook de weersomstandigheden belangrijk. Hiervoor worden de gemeten windrichting en windsnelheid van het KNMI-weerstation 225 IJmuiden gebruikt. Dit weerstation bevindt zich nabij de ingang van de haven van IJmuiden. 4.2.3

Blanco’s Bij de analyse van de filters kunnen verontreinigingen in deze filters of eventuele verontreinigingen tijdens het verwerken van de filters de analyseresultaten van voornamelijk de metalen beïnvloeden. Om deze verontreinigingen te onderzoeken, worden blanco’s in de analyses meegenomen. De set aan gerapporteerde blanco-analyse per kwartaal is sinds 2018 uitgebreider. Hiervoor zijn twee varianten toegepast. De eerste variant zijn de zogenaamde laboratorium-blanco’s waarbij nietgebruikt filtermateriaal uit dezelfde productiebatch als de bemonsterde filters op identieke wijze wordt geanalyseerd. In de tweede variant worden er veld-blanco’s geanalyseerd. Dit zijn nog steeds filters die niet zijn bemonsterd, maar die wel in de cartridge van het meetinstrument zijn meegenomen. Hierbij wordt dus ook de invloed van de reis naar het meetinstrument meegenomen. De gemeten waarden van laboratoriumblanco’s zijn een indicatie van de bijdrage van verontreinigingen die op verschillende manieren ook in de bemonsterde filters kunnen belanden. Potentiële bronnen van verontreiniging zijn bijvoorbeeld het gebruikte filtermateriaal en de tijdens de analyse gebruikte chemicaliën. Voor de veld-blanco’s kan de behandeling van het filter door de technici een potentiële bron zijn.

Bij de controle van de gerapporteerde blanco’s (zowel laboratorium-blanco’s als veld-blanco’s) is een correlatie waargenomen tussen de blanco waarden en de gebruikte batch van het filtermateriaal. 29 Een mogelijke oorzaak hiervan is dat het filtermateriaal, Whatman QMA, geoptimaliseerd is voor het meten van de concentraties fijnstof (PM10 en PM2,5) en niet is geoptimaliseerd voor het meten van de samenstelling hiervan. Om te kunnen corrigeren voor eventuele verontreinigingen hebben we de resultaten van de laboratorium-blanco’s samengevoegd per batch filtermateriaal, om zo tot een representatieve blanco-waarde voor het in het veld gebruikte filtermateriaal te komen. Tijdens het samenvoegen van de meetgegevens en de blanco is er soms een relatief hoge blanco-waarde aangetroffen die hoger is dan een deel van de geanalyseerde filters, en die dus niet representatief kan zijn voor alle bemonsterde filters. Deze hoge waarden zijn niet meegenomen in de bepaling van een representatieve blanco-waarde. Wel geven deze hoge blanco-waarden een indicatie dat ook bij de bemonsterde filters rekening moet worden gehouden met één of meerdere onverklaarbare incidentele hoge meetwaarden. Deze aanpak geeft een verschil met de 29 Tot en met augustus 2018: batch 9727604, september 2018- april 2019: batch 16556119 en vanaf mei 2019 batch: 16898132

Pagina 80 van 133

RIVM-rapport 2021-0216

eerder gepresenteerde getallen in de datarapporten van de GGD Amsterdam, omdat daar de waarden van de laboratorium-blanco’s niet zijn afgetrokken (2017) of als jaargemiddelde zijn afgetrokken (2019).

Figuur 4.2 Box whisker plot van de gemeten concentraties van de metalen en PAK in µg/m3 op vier meetlocaties (IJM (IJmuiden), WAZ (Wijk aan Zee), BEV (Beverwijk), RIJP (De Rijp)) voor de jaren 2017, 2018 en 2019. De mediaan van de metingen is het middelste streepje, de box zijn de 25 en 75 percentielen. Eventuele waarnemingen buiten de streepjes zijn als losse punten weergegeven. Waarnemingen betreffen meestal een gemiddelde van vier dagen Pagina 81 van 133

RIVM-rapport 2021-0216

Specifiek voor natrium en silicium was de variatie in de laboratoriumblanco’s zo groot, dat er geen representatieve blanco-waarde kon worden vastgesteld. Daarom is besloten om voor deze componenten geen blanco-correctie toe te passen (zie ook resultaten). Figuur 4.2 geeft een grafische visualisatie van de dataset met metalen in PM10 voor de locaties IJM (IJmuiden), WAZ (Wijk aan Zee), BEV (Beverwijk). Ter illustratie worden ook de gevonden concentraties op het achtergrondstation RIJP (De Rijp) getoond, alhoewel deze data niet zijn gebruikt in de hier beschreven analyse. De hoogste concentraties worden gevonden voor Na, waar mogelijk de niet-uitgevoerde blancocorrectie invloed op heeft. Dit element is onder andere gekoppeld aan het zeezout en dat sluit goed aan bij de geringe concentratieverschillen voor de weergegeven locaties. Voor een aantal metalen valt op dat de concentraties in Wijk aan Zee hoger zijn dan op de andere drie locaties (voorbeelden hiervan zijn Ti, Mn, Fe en V); dit zou kunnen wijzen op een bron met een sterke bijdrage op het meetpunt in Wijk aan Zee. Met de bronherkenning in de komende paragrafen willen we daar een scherpere analyse van kunnen geven. De dataset voor de PAK is ook weergegeven in Figuur 4.2. Ook hier zien we dat de concentraties in Wijk aan Zee hoger zijn dan in Beverwijk en IJmuiden.

Bij het achtergrondstation in De Rijp worden de laagste concentraties gemeten. Vergeleken met de metalen vertonen de PAKplaatjes onderling een grote overeenkomst over de jaren en stations. Dit zou kunnen duiden op de bijdrage van een beperkt aantal type bronnen in deze periode. Zowel in de analyses van de metalen als van de PAK kunnen concentraties voorkomen die onder de detectiegrens zitten. In de Datarapporten van de GGD Amsterdam en in de volgende dataanalyse worden metingen onder de detectiegrens (LOD) als LOD/2 meegenomen. 4.2.4

Behandeling van ontbrekende data In een set met gemeten waarden kunnen waarden ontbreken, bijvoorbeeld door storing of onderhoud aan de instrumenten. De gemeten uurwaarden zijn conform de Europese regelgeving (2008/50/EC) omgerekend naar dagwaarden (minimaal 18 uur in een dag). Ontbrekende dagwaarden zijn aan de hand van ‘multiple imputation’ (MIPCA) opgevuld. Deze techniek is eerder toegepast op luchtkwaliteitsdata van het RIVM (Nguyen en Hoogerbrugge, 2014), eerdere onderzoek naar bronnen (Mooibroek et al., 2011; 2016) en wordt de laatste tien jaar steeds vaker toegepast voor luchtkwaliteitsdata (zie bijvoorbeeld Libasin et al., 2020; GómezCarracedo et al., 2014; Quinteros et al., 2019). Voor het opvullen van ontbrekende dagwaarden is gebruikgemaakt van alle beschikbare componenten op dagniveau op een locatie en de hieraan gekoppelde meteogegevens van het KNMI (windrichting en windsnelheid van KNMIstation IJmuiden en temperatuur en relatieve luchtvochtigheid van KNMI-station Wijk aan Zee). De imputatie is uitgevoerd op het logaritme van de meetwaarden, waarbij meetreeksen met een (kleine) negatieve waarde omhoog zijn geschaald en na imputatie weer naar beneden zijn geschaald.

Voor de dagmonsters van SIA en Cl op De Zilk is hetzelfde algoritme toegepast, waarbij alle automatische metingen op De Zilk zijn omgezet naar dagwaarden, en de meteo van het KNMI-station Voorschoten is gebruikt. Voor alle geïmputeerde waarden is de Pagina 82 van 133

RIVM-rapport 2021-0216

onzekerheid vermenigvuldigd met een factor 5, in lijn met de uit de literatuur bekende aanbevelingen (Brown and Hafner, 2005; Paatero and Hopke, 2003; Norris et al., 2009; Bellis et al., 2019). Dit omdat de waarde op zich een goede schatting zou zijn, maar de bijdrage hiervan aan de oplossing minder zwaar moet zijn dan echte meetwaarden. Voor de metingen van metalen en PAK in PM10 waren er geen ontbrekende metingen. De gehanteerde meetonzekerheden en aanpassingen hierin zijn weergegeven in Bijlage 1. 4.2.5

PMF-data-analyse De aanname is dat elk type bron een eigen profiel heeft voor de diverse elementen. Daarom kan er een vorm van patroonherkenning op worden uitgevoerd. Als in een bijzondere periode het monster maar door één type bron wordt beïnvloed, zal het profiel op die dag identiek zijn aan het profiel van de bron en is het dus makkelijk te herkennen. In de praktijk zullen er meestal bijdragen zijn van meerdere profielen en is een multivariate statistische techniek nodig om de profielen te ontrafelen. In dit hoofdstuk gebruiken we de term ‘factor’ voor een nog niet geïdentificeerd bronprofiel. Analoog hieraan is de term ‘profiel’ gebruikt voor geïdentificeerde factoren. De factoren beschrijven we in matrix notatie als 𝐹𝐹𝑖𝑖𝑖𝑖 . Hierbij is i het nummer van de factor (bijvoorbeeld 1 van l factoren) en j het nummer van het element. Met name door de weersomstandigheden heeft elke periode een andere bijdrage van elke bron en heeft dus elke factor ook een bijdrage in matrixnotatie 𝐺𝐺𝑖𝑖𝑖𝑖 . Hierbij is i weer het nummer van de factor en k het nummer van de periode. Met dit model is de berekende concentratie voor element j in monster k gelijk aan de som over de bijdrage van de n-factoren. 𝑀𝑀𝑗𝑗𝑗𝑗 = 𝐹𝐹1𝑗𝑗 𝐺𝐺1𝑘𝑘 + 𝐹𝐹2𝑗𝑗 𝐺𝐺2𝑘𝑘 + ⋯ + 𝐹𝐹𝑙𝑙𝑙𝑙 𝐺𝐺𝑙𝑙𝑙𝑙 = ∑𝑙𝑙𝑖𝑖=1 𝐹𝐹𝑖𝑖𝑖𝑖 𝐺𝐺𝑖𝑖𝑖𝑖

(1)

Deze modelwaarde moet zo dicht mogelijk bij de gemeten observatie 𝑂𝑂𝑗𝑗𝑗𝑗 liggen. Voor alle beschikbare observaties willen we dat de overeenkomst tussen model en observaties zo optimaal mogelijk is. Daarvoor wordt in het algemeen de som van het kwadraat van de verschillen geminimaliseerd: 𝑄𝑄 = ∑𝑛𝑛𝑘𝑘=1 ∑𝑚𝑚 𝑗𝑗=1

(𝑂𝑂𝑗𝑗𝑗𝑗 −𝑀𝑀𝑗𝑗𝑗𝑗 )2 2 𝑠𝑠𝑗𝑗𝑗𝑗

= minimaal

(2)

Met m is het aantal perioden en n het aantal elementen. sjk is de standaarddeviatie van de onzekerheid van de metingen. Nauwkeurige metingen krijgen een groter gewicht in de uiteindelijke oplossing en hebben dus een grotere invloed op het resultaat dan onnauwkeurige metingen. Bovenstaande minimalisatie is standaard bij een homogene dataset. Bij onze dataset met wisselende mengmonsters moeten we er bij deze minimalisatie rekening mee houden dat we geen volledige set met dagelijkse metingen voor de metalen en de PAK hebben. De modelwaarden moeten dus steeds worden gemiddeld over de dagen die in het mengmonster zijn vertegenwoordigd. Dit is weergegeven met het �𝑗𝑗𝑗𝑗 . symbool 𝑀𝑀 Pagina 83 van 133

RIVM-rapport 2021-0216

𝑚𝑚

𝑘𝑘 𝑄𝑄 = ∑𝑛𝑛𝑘𝑘=1 ∑𝑗𝑗=1

� 𝑗𝑗𝑗𝑗 )2 (𝑂𝑂𝑗𝑗𝑗𝑗 −𝑀𝑀 2 𝑠𝑠𝑗𝑗𝑗𝑗

= minimaal

(3)

Bij de minimalisatie wordt een aantal randvoorwaarden meegenomen, waarbij onder andere de bijdrage van negatieve waarden voor F en G worden beperkt. Daarnaast worden er meerdere modelruns uitgevoerd met verschillende startwaarden, om daarmee te voorkomen dat er een lokaal minimum voor de Q-waarde wordt gevonden (Brown and Hafner, 2005; Norris et al., 2009; Bellis et al., 2019). Voor concentraties ruim boven de detectiegrens is, op basis van toevoegingen (spikes) aan echte monsters, een standaarddeviatie van ongeveer 5-20 % geschat. Dicht bij de detectiegrens is de relatieve onzekerheid groter. De metingen onder de detectiegrens zijn nog onnauwkeuriger, dus door het verhogen van de onzekerheid van deze waarden krijgen die een lager gewicht. Metalen waarbij meer dan 20% van de gehele meetreeks onder de detectiegrens ligt bevatten minder bruikbare informatie en krijgen daarom ook een lager gewicht. Om te voorkomen dat een incidentele uitschieter het resultaat te veel domineert, wordt de optimalisatie op een robuuste manier uitgevoerd door de invloed van een individuele meting te begrenzen. Bepaalde incidentele hoge concentraties voor verschillende metalen hebben een iets hogere onzekerheid gekregen wanneer deze concentratie afwijkt van het patroon. Oorzaken van deze hogere concentraties kunnen incidentele bronnen zijn, zoals vuurwerk tijdens oud en nieuw.

Deze incidentele bronnen kunnen het normale patroon verstoren, waardoor ervoor is gekozen om de invloed hiervan te beperken. Verder zijn de onzekerheden van PM10, PM2,5, NO2, NO, SO2, H2S, CO en SO2 zodanig verhoogd dat deze componenten geen invloed hebben op de uiteindelijke oplossing. Wel worden ze in het model meegenomen, omdat deze componenten, in tegenstelling tot de metalen en de PAK, dagelijks worden gemeten. Daarmee zijn ze een soort ruggengraat voor de vergelijkingen met de metingen, en ook de verdeling van deze componenten over de diverse factoren kan ondersteunde informatie geven over de herkomst. Daarnaast biedt het naar beneden schalen van de bijdrage van PM10 de mogelijkheid om een aantal controles te doen met betrekking tot de vergelijking tussen berekende en gemodelleerde PM10-concentraties. Naast de individuele onzekerheden van de diverse metingen zijn de vooraf berekende onzekerheden nog met een extra onzekerheid van 15% verhoogd in het gebruikte model. Ondanks de toevoeging van nitraat, sulfaat, ammonium en chloride van een nabijgelegen station, in De Zilk, lukte het initieel niet om alle massa die als PM10 wordt gemeten te verklaren vanuit de gevonden profielen. Daarom is een hypothetisch element ‘unexplained mass’ (UM) aan de analyse toegevoegd.

Op zich is te begrijpen dat niet alle massa in PM10 wordt gevonden, aangezien een aantal bijdragende elementen in dit onderzoek ontbreekt. Bijvoorbeeld: de koolstofverbindingen zitten deels in de automatische ‘Black Carbon’ (BC) metingen, maar er kan ook een deel ontbreken. Sommige metalen zijn wel gemeten, maar zijn toch niet meegenomen omdat ze van jaar tot jaar niet-verklaarbare sprongen vertonen (fosfor (P) en barium (Ba)), zie ook Figuur 4.2, of omdat ze grotendeels onder de detectiegrens zitten (beryllium (Be), arseen (As), yttrium (Y), tin (Sn) en platina (Pt)). Pagina 84 van 133

RIVM-rapport 2021-0216

Het tweedimensionale factor model (PMF) voor de individuele dataset op de locaties IJmuiden, Wijk aan Zee en Beverwijk hebben we opgelost met de Multilineair Engine (ME-2; Paatero, 1999). Vanwege de beperkingen van de datasets, waarbij sprake is van verschillende tijdsresoluties voor verschillende sets van componenten, is hierbij het zogenaamde ‘2-way factor analysis of data with multiple timing’ toegepast (Zhou et al., 2004; Crespi et al., 2016; Forello, 2021). Met deze techniek is het mogelijk om datasets met verschillende resoluties als een geheel te analyseren. Zoals eerder aangegeven zijn de dagelijkse meetwaarden de ruggengraat van deze berekening. Hierdoor worden na de analyse de berekende resultaten voor de bijdragen van de factoren ook uitgedrukt als dagwaarden. In dit rapport ligt de nadruk vooral op de jaargemiddelde bijdragen van de profielen en niet zozeer op de dagelijkse bijdrage. Door de samenstelling van de data voor metalen en PAK in PM10 is de onzekerheid in deze dagelijkse bijdragen groter dan de onzekerheid in jaargemiddelden. Daarnaast zijn de gegevens van de drie locaties afzonderlijk geanalyseerd, waardoor de samenstelling van de berekende profielen verschillend kan zijn. Hierdoor is het gecompliceerd om de bronbijdragen op ongezonde dagen te berekenen en hieruit conclusies te trekken.

De ongebruikelijke opbouw van de dataset leidt ertoe dat standaard applicaties voor de interpretatie van de resultaten niet kunnen worden gebruikt. Daardoor moest een substantieel deel speciaal voor deze toepassing geschreven worden. Omdat dit onderzoek diverse aanpassingen kent ten opzichte van de standaard toepassing, heeft het onderzoek in dit hoofdstuk een bepaald experimenteel karakter. Daarom worden de resultaten in het algemeen voorzichtig geformuleerd. Vanwege het ongebruikelijke karakter van de dataset is een internationaal samenwerkingsverband ontstaan voor de oplossing van de diverse reken-technische complicaties (zie ook Dankwoord). 4.2.6

Ruimtelijke analyses Een van de resultaten van de analyse zijn de bijdragen van de berekende factoren, in dit geval de dagelijkse bijdrage van de factoren (G-matrix). De bijdrage van een bronprofiel op een dag is afhankelijk van de windrichtingen en windsnelheden die plaats hebben gevonden op deze dag. Met andere woorden: welke route heeft het luchtpakketje afgelegd voordat het bij het meetpunt was. De hoogste resolutie van de windrichting en windsnelheid van het dichtstbijzijnde KNMI-station zijn uurwaarden. De gemodelleerde factorbijdrage op een dag is dan ook het resultaat van deze windrichting en windsnelheid op de 24 uren in deze dag. Daarom zijn de dagelijkse berekende bijdragen van een factor gekoppeld aan de uurlijkse windrichtingen en snelheden van die dag. Met deze informatie kunnen we kijken waar de hoogste bijdragen van de factoren vandaan komen, onder de aanname dat de hoogste factorbijdrage gekoppeld is aan een directe emissie van een bestaande ‘bron’. Zo draagt de ruimtelijke analyse bij aan de koppeling van de factoren aan bestaande bronprofielen. Om de koppeling te maken tussen bijdragen van factoren en de meteogegevens, gebruiken we de Conditional Bivariate Probability Function (CBPF; Uria-Tellaetxe en Carslaw, 2014). In een CBPF-90-plot worden de 10% hoogste dagelijkse bijdragen over een periode van 3 jaar weergegeven.

Omdat we hiervan weten welke windrichting en Pagina 85 van 133

RIVM-rapport 2021-0216

windsnelheid aan deze bijdrages zijn gekoppeld, kunnen de hoogste bijdragen als functie van zowel de windrichting als van de windsnelheid worden geplot. De windsnelheid kan belangrijke informatie bevatten over het karakter en de afstand van de bron. De wind kan ook zelf de oorzaak van de bijdrage zijn, zoals bij opwaaiend stof. In dit geval worden de hoogste bijdragen verwacht bij harde wind. Om de diverse meetpunten te kunnen vergelijken, worden de CBPF-plots op een kaartje van het IJmondgebied geplot. Het nadeel daarvan is dat het de suggestie zou kunnen wekken dat de bron precies in het rode gebied zit terwijl het plaatje de condities, windrichting en snelheid, met de hoogste bijdragen weergeeft. Deze plots zeggen niets over de sterkte van de bronprofielen op verschillende locaties. Een CPBF-plot werkt goed voor bronnen die niet te ver van het meetpunt zijn verwijderd (<50km; Uria-Tellaetxe en Carslaw, 2014). In het in dit rapport beschreven onderzoek ligt de nadruk voornamelijk op de bijdrage van lokale bronnen. 4.2.7

Onzekerheden De onzekerheid van de gemiddelde bijdrage van de diverse factoren wordt beïnvloed door de dagelijkse variatie in de bijdrage, gedurende de meetperiode. Deze is weergegeven in Tabel 4.2 (zie paragraaf 4.3). Ook spelen de stabiliteit van de multivariate analyse en de meetonzekerheid een rol. Die staan beschreven in paragraaf 4.3.7.

4.3

Resultaten Bij de PMF-analyse van de meetdata moet een aantal keuzes worden gemaakt. Een belangrijke keuze betreft het aantal factoren dat gebruikt gaat worden. Bij te weinig factoren in de analyse zullen twee of meer verschillende bronprofielen in één factor worden gedwongen. Bij te veel factoren in de analyse kan één bronprofiel over meerdere factoren worden verdeeld. Op basis van diverse analyses, waaronder de vergelijkingen tussen de uitkomsten voor vier tot zeven factoren op elke locatie, is uiteindelijk op alle meetlocaties gekozen voor vijf factoren. De analyse is, gelet op de genoemde problemen met de achtergrondwaarden, in twee varianten uitgevoerd, namelijk met en zonder correctie voor de achtergrond voor natrium en silicium. Beide analyses leverden vergelijkbare profielen op, waarbij bij de variant met vijf factoren en de blanco-correctie een onverklaarbare splitsing tussen Na en Cl ontstond. De dataset zonder correctie voor de bij de metingen genoemde problemen met de blanco’s, voor zowel Na als Si, resulteerde voor vijf factoren in een door zeezout gedomineerde factor met meest plausibele verhouding tussen Na en Cl. De data, waarbij Na en Si niet zijn gecorrigeerd voor de blanco’s, zijn geselecteerd voor verdere analyse. De problemen met de blanco’s geven een extra onzekerheid voor de metingen van Na en Si.

Deze onzekerheid is gedeeltelijk meegenomen door de onzekerheid van de metingen voor deze componenten op te hogen in de PMF-analyse. Hierdoor worden deze elementen minder belangrijk voor de uiteindelijke oplossing. Het is goed mogelijk dat er, bij een op een bronherkenning gerichte dataset, meer interessante profielen of opsplitsingen te vinden zijn, zoals eerder gevonden bij BOP en JOAQUIN.

Pagina 86 van 133

RIVM-rapport 2021-0216

De chemische samenstelling van de vijf factoren is weergegeven in Figuur 4.3.a voor Wijk aan Zee en Figuur 4.3.b voor IJmuiden. De eerste twee weergegeven elementen in deze figuren zijn de gemeten concentraties van fijnstof, PM10 respectievelijk PM2,5. Een hoge bijdrage aan PM10 betekent dat in de multivariate oplossing een groot deel van de gemeten PM10-concentratie door dit profiel wordt beschreven. Naast de fijnstofcomponenten PM10 en PM2,5 worden de diverse gemeten metalen en PAK in PM10 weergegeven. De metalen en PAK zijn daarom onderdeel van de totale massa van fijnstof (PM10). Als laatste hiervan wordt de unexplained mass (UM) weergegeven, die is toegevoegd om eventuele ontbrekende massa van onbekende componenten een plaats in de analyse te geven.

Figuur 4.3.a Chemische samenstelling van de vijf berekende profielen die zijn gevonden op basis van de meetresultaten in Wijk aan Zee. In de figuur zijn de blauwe balkjes de concentraties in het profiel in µg/m3 (linker as) en de rode puntjes het percentage dat dit profiel van de totale gemodelleerde hoeveelheid van het betreffende element in de profielen beschrijft. De koppeling met bestaande bronprofielen wordt hierna toegelicht

Zoals te verwachten zijn de concentraties hoog voor de veelvoorkomende metalen ijzer (Fe), calcium (Ca) en natrium (Na), en Pagina 87 van 133

RIVM-rapport 2021-0216

laag voor zeldzame metalen als cadmium (Cd) en selenium (Se). Let op dat voor de concentraties een logaritmische schaal wordt gebruikt om de grote verschillen tussen concentratieniveaus te kunnen weergeven. Daarnaast wordt in de figuur aangegeven hoe de totale bijdrage van een stof op deze locatie is verdeeld over de profielen (in procenten). Met andere woorden: het rode bolletje geeft aan hoeveel procent van de totale concentratie aan een stof in dit profiel zit en dit dient dus alleen verticaal vergeleken te worden. De hoogte van het berekende percentage, vergeleken met de percentages van andere stoffen, zegt niets over het verschil in bijdrage tussen deze stoffen binnen een profiel. Een hoge bijdrage van een stof in een factor wil nog niet zeggen dat deze stof verantwoordelijk is voor de totale PM10-massa in dit profiel.

Figuur 4.3.b Chemische samenstelling van de vijf bronprofielen die zijn gevonden voor de PM10-samenstelling in IJmuiden (zie Figuur 4.3.a voor een beschrijving van de weergave)

Op basis van de chemische samenstelling ontstaat al een eerste interpretatie van de factoren. Voor de herkenbaarheid van de beschrijving van de factoren wordt aan elke factor een label gehangen. Dit label is gebaseerd op bronprofielen met de belangrijkste bijdrage. Het kan echter voorkomen dat een factor bestaat uit een combinatie van Pagina 88 van 133

RIVM-rapport 2021-0216

diverse bronprofielen. Bij het evalueren van deze labels zal hier dan ook rekening mee moeten worden gehouden. Meer informatie over het toekennen van de labels, en de betrouwbaarheid hiervan, wordt verder in dit hoofdstuk bekeken. Zoals eerder aangegeven spreken we na het vaststellen van de labels niet meer over factoren, maar over profielen. • Op beide locaties wordt een factor gevonden met natrium (Na), chloride (Cl) en magnesium (Mg). Dit profiel labelen we daarom als zeezout. • Op beide locaties wordt een factor gevonden met bijdragen van ijzer (Fe), mangaan (Mn), vanadium (V), lood (Pb), zink (Zn), seleen (Se) en titanium (Ti). Dit labelen we als industrie. • Op beide locaties wordt een profiel gevonden met ammonium, nitraat en sulfaat. Dit labellen we als nitraat en sulfaat. • Op beide locaties wordt een profiel gevonden met koper (Cu), molybdeen (Mo), roet (BC) en een ander deel van de gasvormige componenten (NO, NO2). Dit labellen we als remstof/verkeer. • In Wijk aan Zee wordt een profiel gevonden met veel PAK. Dit labelen we daarom als PAK. Dit profiel komt in IJmuiden en Beverwijk niet naar boven. (NB. Dit betekent niet dat er geen PAK wordt gemeten op meetpunten IJmuiden en Beverwijk). • In IJmuiden en Beverwijk wordt een profiel gevonden met veel aluminium (Al) en silicium (Si) en dit labelen we daarom als bodemstof.

Dit profiel komt voor Wijk aan Zee niet als apart profiel naar boven. In Tabel 4.2 is voor alle locaties de gemiddelde concentratiebijdrage aan PM10 per kalenderjaar voor elk van de berekende profielen weergegeven. De profielen konden bij de drie meetlocaties alleen via een afzonderlijke analyse worden bepaald. Dit betekent dat de profielen qua samenstelling niet identiek zijn voor de locaties en dat dus ook de absolute niveaus maar beperkt vergelijkbaar zijn. Daarnaast wordt in Tabel 4.2 ook het 95% betrouwbaarheidsinterval van de gemiddelde bijdragen per jaar weergegeven. In de laatste twee regels van de tabel wordt een vergelijking gemaakt tussen de totale PM10-bijdrage van alle profielen met de gemeten PM10-concentraties. Wat hierbij opvalt is dat, met uitzondering van 2018 in Beverwijk, er een overlap is tussen de betrouwbaarheidsintervallen van de berekende en gemeten PM10bijdrage. Deze overlap geeft aan dat er statistisch gezien geen significante verschillen bestaan tussen de gemiddelden van de berekende en gemeten PM10-bijdragen. Hieruit concluderen we dat de berekende bijdrage van de profielen goed aansluit bij de gemeten PM10concentraties. De primaire duiding van de profielen wordt in de volgende paragrafen beschreven. In Bijlage 1 is een extra nadere analyse per profiel gegeven.

Pagina 89 van 133

RIVM-rapport 2021-0216

Tabel 4.2 Gemiddelde concentratiebijdrage aan PM10 van elk profiel op elke locatie per kalenderjaar. Voor elk gemiddelde wordt het 95% betrouwbaarheidsinterval weergegeven op basis van de berekende bijdragen in een jaar. Alle concentraties zijn weergegeven in µg/m3. Voor presentatiedoeleinden zijn de aan industrie gerelateerde profielen op Wijk aan Zee gecombineerd

IJmuiden Profiel

Wijk aan Zee

Beverwijk

2017

2018

2019

2017

2018

2019

2017

2018

2019

Nitraat-sulfaat

7,2±1,1

7,8±1,0

6,6±0,9

8,9±1,2

10,2±1,3

8,1±1,1

6,4±1,0

7,5±1,0

6,1±0,9

Zeezout

4,9±0,5

3,5±0,4

5,0±0,6

5,4±0,6

5,5±0,8

6,2±0,7

2,9±0,3

2,5±0,3

3,0±0,3

Comb.Industrie

1,3±0,1

2,3±0,3

1,7±0,1

4,0±0,3

3,9±0,3

4,7±0,4

5,0±0,4

3,3±0,3

1,7±0,2

1,3±0,1

2,3±0,3

1,7±0,1

2,1±0,2

2,7±0,3

3,1±0,3

5,0±0,4

3,3±0,3

1,7±0,2

1,8±0,2

1,2±0,2

1,6±0,2

4,6±0,5

4,9±0,5

5,8±0,5

3,0±0,3

3,5±0,3

4,8±0,3

1,1±0,1

1,8±0,2

2,4±0,2

industrie PAK Remstof/verkeer

7,0±0,6

7,6±0,6

6,2±0,4

Bodemstof

1,5±0,2

1,6±0,2

1,9±0,2

Berekend PM10

21,9±0,9

22,9±0,9

21,4±0,8

22,9±1,3

24,5±1,3

24,8±1,1

18,4±1,0

18,5±1,0

17,9±0,9

Gemeten PM10

20,6±1,0

23,8±1,1

21,3±1,0

24,4±1,1

25,7±1,1

24,9±1,0

19,8±1,0

20,7±0,9

19,8±1,0

Pagina 90 van 133

RIVM-rapport 2021-0216

4.3.1

Profiel: zeezout Het tijdprofiel van de berekende zeezoutbijdrage (de matrix G in vergelijking 1) is weergegeven in Figuur 4.4. Hier is een bijdrage per dag zichtbaar. Deze kunnen worden berekend, ondanks het feit dat veel metingen weekgemiddelden zijn, omdat in de dataset ook een aantal componenten is opgenomen dat wel dagelijks beschikbaar is. In het tijdverloop is zichtbaar dat de berekende bijdrage van het zeezoutprofiel sterk varieert in de tijd. Gemiddeld is de berekende bijdrage over 2017-2019 ongeveer 3-6 µg/m3 op de verschillende locaties en er komen berekende bijdrages voor boven de 30 µg/m3. Hoge bijdrages van zeezout in Nederland zijn niet ongewoon. In Vredepeel, op ruim 125 km van de kust, zijn zeezoutbijdragen van ~10 µg/m3 gevonden (Hoogerbrugge et al., 2011). Het plaatje op de onderste rij van plaatje Figuur 4.4 toont de CBPF-plot (zie ook paragraaf 4.2.6 over ruimtelijke analyses) met het aandeel van de 10% hoogste bijdragen van een profiel per windrichting én windsnelheid. Het heeft de vorm van een klein assenstelsel. De richting vanuit het middelpunt correspondeert met de richting waar de wind vandaan komt. De afstand tot het middelpunt correspondeert met de windsnelheid waarbij die hoge concentratie is waargenomen.

Het profiel zeezout, met hoge bijdragen Na, Mg en Cl, toont de hoogste concentraties bij westenwind en is daarnaast ook vooral hoog bij hoge windsnelheden. Dit alles is consistent met een interpretatie dat dit voornamelijk een bijdrage van zeezout is. Immers, de zee ligt aan de westkant en van de zeezoutbijdrage is bekend dat deze toeneemt bij hoge windsnelheden omdat dan makkelijk druppeltjes ontstaan en verdampen (Manders et al., 2010). De twee plaatjes op de middelste rij van Figuur 4.4 toont de gemiddelde bijdrage per maand en per dag van de week van dit profiel. We zien geen significant verschil tussen de dagen van de week en juist wel tussen de maanden. De bijdrage van het zeezoutprofiel aan de PM10-concentratie is hoger in Wijk aan Zee dan in IJmuiden, maar het ontloopt elkaar niet zoveel. De bijdrage in Beverwijk is het laagst. De bovenstaande bevindingen zijn allemaal consistent met wat je voor een bijdrage van zeezout kunt verwachten en geeft vertrouwen voor de resultaten van de methode.

Pagina 91 van 133

RIVM-rapport 2021-0216

Figuur 4.4 Berekende bijdrage van het profiel zeezout in Wijk aan Zee, IJmuiden en Beverwijk aan de PM10-concentratie. Het bovenste plaatje toont het verloop in de tijd. De middelste rij toont van links naar rechts het verloop over de maand van het jaar en over de dag van de week met een 95% betrouwbaarheidsinterval. Op de laatste rij wordt hier een CBPF-windanalyse weergegeven. Achtergrond CBPF: Luchtfoto Actueel Ortho HR (Kadaster, www.pdok.nl, 2021) CC BY 4.0. Tata Steelterrein (IBIS, 2020)

Pagina 92 van 133

RIVM-rapport 2021-0216

Profiel: industrie

Figuur 4.5 Berekende bijdrage van het industrieprofiel in Wijk aan Zee, IJmuiden en Beverwijk aan de PM10-concentratie. Het bovenste plaatje toont het verloop in de tijd. De onderste rij toont van links naar rechts een windanalyse, het verloop over de maand van het jaar en over de dag van de week met een 95% betrouwbaarheidsinterval. Een grotere versie van de CBPF plot is te vinden in Bijlage 1. Achtergrond CBPF: Luchtfoto Actueel Ortho HR (Kadaster, www.pdok.nl, 2021) CC BY 4.0. Tata Steelterrein (IBIS, 2020)

Het tijdprofiel met hoge bijdragen van ijzer, mangaan, vanadium, lood, seleen, zink en titanium en gelabeld als industrie, is weergegeven in Figuur 4.5. De bijdrage van dit profiel is in Beverwijk en Wijk aan Zee groter dan in IJmuiden. De plot van de windrichtingen van dit profiel in Beverwijk en Wijk aan Zee wijst voornamelijk in de richting van het Tata Steelterrein. Er lijkt in Wijk aan Zee echter ook een bijdrage uit het noorden te komen. Dit zou kunnen duiden op een extra bijdrage buiten het Tata Steelterrein vanuit deze richting. De bijdrage van het profiel in Wijk aan Zee is in de zomer duidelijk groter dan in de winter. Dit zou op verwaaiing, onder droge omstandigheden, kunnen wijzen. De kleinere bijdrage van dit profiel in IJmuiden vertoont een hogere bijdrage in het voorjaar en dan vooral in het voorjaar van 2018. Wellicht was hier sprake van een tijdelijke bijdrage van een andere bron dan de belangrijkste bron(nen) die Wijk aan Zee en Beverwijk beïnvloed(t)(en). Het verloop over de dagen van de week geeft, op de locaties, geen significant onderscheid tussen werkdagen en weekenddagen, wat wijst op een bron zonder sterk weekritme.

Pagina 93 van 133

RIVM-rapport 2021-0216

4.3.2

Profiel: remstof/verkeer

Figuur 4.6 Berekende bijdrage van het profiel remstof/verkeer in Wijk aan Zee, IJmuiden en Beverwijk aan de PM10-concentratie. Het bovenste plaatje toont het verloop in de tijd. De onderste rij toont van links naar rechts een windanalyse, het verloop over de maand van het jaar en over de dag van de week met een 95% betrouwbaarheidsinterval. Een grotere versie van de CBPF-plot is te vinden in Bijlage 1. Achtergrond CBPF: Luchtfoto Actueel Ortho HR (Kadaster, www.pdok.nl, 2021) CC BY 4.0. Tata Steelterrein (IBIS, 2020)

Voor het profiel remstof/verkeer is de gemiddelde bijdrage in IJmuiden (~7 µg/m3) iets groter dan die in Wijk aan Zee en Beverwijk (resp. ~5 en ~3 µg/m3). De belangrijkste bron voor het profiel remstof/verkeer lijkt in Wijk aan Zee in zuidelijke richting gezocht te moeten worden en in IJmuiden in noordelijke richting. Verkeer en remstof kunnen afkomstig zijn van het reguliere verkeer op de nabij gelegen drukke wegen of van voertuigen, mobiele werktuigen en meerdere knooppunten van treinsporen op het Tata Steelterrein. We zien in Wijk aan Zee geen duidelijk verschil tussen werk- en weekenddagen, wat erop wijst dat deze bron niet wordt gedomineerd door het woon-werkverkeer. In IJmuiden is de bijdrage van dit profiel op maandag en dinsdag significant hoger dan op zondag, maar over het algemeen kan worden geconstateerd dat de bijdrage gedurende werkdagen iets hoger is dan in het weekend. Voor de meeste dagen is deze verhoging niet significant voor de periode 2017-2019. De figuur met bijdragen per maand suggereert dat er een hogere bijdrage is van dit profiel in de zomermaanden. Dit kan wijzen op een extra bijdrage tijdens droge perioden.

Pagina 94 van 133

RIVM-rapport 2021-0216

In het CBPF-windprofiel in Figuur 4.6 zijn de windrichting en de windsnelheid weergegeven. De windsnelheid geeft informatie over de aard van de bron. In Wijk aan Zee zien we dat er ook hoge concentraties voorkomen bij flinke wind uit het zuiden. Dat zou kunnen wijzen op opwervelend materiaal (wind als bron). 4.3.3

Nitraatrijk en sulfaatrijk profiel Het profiel met dominante bijdragen van nitraat en sulfaat toont van de vijf profielen de grootste gemiddelde bijdrage aan de PM10-concentraties (7-9 µg/m3) op alle locaties. Het profiel bestaat vooral uit de zouten ammoniumnitraat, en in mindere mate ammoniumsulfaat. De bijdrage van het nitraatrijk en sulfaatrijk profiel is sterk seizoensafhankelijk, met hogere bijdragen in de winter.

Figuur 4.7 Berekende bijdrage van het langeafstand (nitraat en sulfaat) profiel in Wijk aan Zee, IJmuiden en Beverwijk aan de PM10-concentratie. Het bovenste plaatje toont het verloop in de tijd. De onderste rij toont van links naar rechts een windanalyse, het verloop over de maand van het jaar en over de dag van de week met een 95% betrouwbaarheidsinterval. Een grotere versie van de CBPF plot is te vinden in Bijlage 1. Achtergrond CBPF: Luchtfoto Actueel Ortho HR (Kadaster, www.pdok.nl, 2021) CC BY 4.0. Tata Steelterrein (IBIS, 2020)

De vorming van ammoniumzouten is zowel afhankelijk van de aanwezigheid van ammoniak (denk aan hogere ammoniakconcentraties tijdens het uitrijseizoen voor mest) als van stikstofoxide en zwaveloxide. Voor het nitraatrijk en sulfaatrijk profiel zien we dat de hoogste bijdragen worden gevonden als de wind uit het oosten komt. Dit is ook in BOP en JOAQUIN geobserveerd (Mooibroek et al., 2011; 2016) en is te verklaren met dat in oostelijke richting zowel bronnen van ammoniak als van stikstofoxides en zwavel zijn te vinden. Dit profiel was alleen te bepalen door metingen van de SIA-componenten van het Pagina 95 van 133

RIVM-rapport 2021-0216

achtergrondstation in De Zilk te benutten. Lokale gradiënten, waarvan overigens maar een beperkte invloed te verwachten is, zullen hierdoor worden gemaskeerd. 4.3.4

PAK-profiel

Figuur 4.8 Berekende bijdrage van het PAK-profiel in Wijk aan Zee. Het bovenste plaatje toont het verloop in de tijd. De onderste rij toont van links naar rechts een windanalyse, het verloop over de maand van het jaar en over de dag van de week met een 95% betrouwbaarheidsinterval. Een grotere versie van de CBPF plot is te vinden in Bijlage 1. Achtergrond CBPF: Luchtfoto Actueel Ortho HR (Kadaster, www.pdok.nl, 2021) CC BY 4.0. Tata Steelterrein (IBIS, 2020)

Alleen in Wijk aan Zee zijn dominante bijdragen van een profiel met daarin alle gemeten PAK-bijdragen gevonden; de PAK in IJmuiden werden verdeeld over meerdere profielen. Het profiel bestaat niet alleen uit de geselecteerde PAK en bevat een bijdrage van NO3-, SO42-, UM en van een aantal metalen die voornamelijk voor de PM10-massa van het profiel zorgen. De bijdrage van dit profiel aan PM10 is gemiddeld ~1-2 µg/m3 en daarmee relatief klein, maar sterk wisselend in de tijd. De analyse van de windprofielen plaatst de hoogste concentratie bijdragen ten westen van het meetpunt. Daarnaast komen ook bij andere windrichtingen hogere bijdragen voor. De hoogste bijdrage van dit profiel wordt gevonden bij lage windsnelheden. Dit zou kunnen duiden op een bron die vrij dicht bij het meetpunt ligt. De gemiddelden over de dagen van de week laten geen duidelijke structuur zien. De grafiek met de verdeling over de maanden toont twee hoge perioden, namelijk januari-februari (voornamelijk door hoge berekende bijdragen in 2017) en augustus t/m oktober (hoge berekende bijdragen in 2019). Het sterk wisselende karakter wordt geïllustreerd in Figuur 4.8, met ook de Pagina 96 van 133