Stikstof snuffelje

Het gebruik van sensoren om luchtmetingen te doen, heeft brede maatschappelijke gevolgen. Het heeft invloed op de gezondheid van mensen, de industrie en op natuurgebieden (biodiversiteit). Om deze complexe problematiek adequaat aan te pakken, is het van essentieel belang om gebruik te maken van modelmatige berekeningen die bouwen op metingen ter plekke. Daarom onderzoeken we in dit /LAB de ontwikkeling en toepassing van betaalbare, maar betrouwbare luchtmetingsensoren. We zoomen in sensoren die gebruikt zijn binnen het project ‘Zicht op Stikstof’. Deze sensoren zijn gebruikt voor onder andere stikstofdioxide (NO₂) en fijnstof (PM10). In dit /LAB hebben we gekeken naar NO₂ (luchtverontreiniging afkomstig van het verkeer en industrie). Dit /LAB biedt een analytisch kader dat toegankelijk is via de Frysian Data eXchange (FDX) voor deelnemende leden.

Met dit onderzoek streven we naar vooruitgang op het gebied van luchtkwaliteitsonderzoek. Om een nauwkeuriger inzicht te verkrijgen in de stikstofdioxide (NO₂) concentratie, hebben vijf provincies samengewerkt aan de ontwikkeling van betaalbare sensoren die in staat zijn NO2 te meten (het project ‘Zicht op Stikstof’). Hoewel deze sensoren een grotere foutmarge hebben dan de duurdere meetstations van het RIVM, hebben ze waardevolle data opgeleverd. Hoewel we over een aanzienlijke hoeveelheid gegevens beschikken dankzij deze sensoren, is er nog geen brede modelmatige berekening gedaan om achtergrond ruis en data-vervuiling eruit te halen ten behoeve van gekalibreerde NO₂-metingen. Hier komt de toepassing van kunstmatige intelligentie (AI) en data science om de hoek kijken. Door deze technieken toe te passen op de verzamelde NO₂-meetgegevens van de ontwikkelde sensoren, kunnen we schonere meetdata verkrijgen. Hiervoor zijn gegevens van het RIVM gebruikt voor kalibratiedoeleinden. Het ontwikkelde model is gebaseerd op de verzamelde gegevens van de NO₂-sensoren in Utrecht, evenals de meetdata van diverse RIVM-meetstations. De resultaten van dit /LAB laten zien dat sensoren kunnen worden ingezet om een gedetailleerder beeld te krijgen van de lokale luchtkwaliteit. Het ontwikkelde model, gebaseerd op de gegevens uit Utrecht, heeft aangetoond dat het combineren van AI met goedkope sensorwaarden meerwaarde heeft om inzicht te krijgen in lokale metingen van NO₂.