Vruchten plukken van meerjarig onderzoek voor betere luchtkwaliteit

In het kort

• Imec deelt onderzoeksinzichten over het fijnmazig en realtime in kaart brengen van luchtkwaliteit in steden.

• De kennis is op het punt gekomen dat deze waardevolle informatie kan opleveren, zowel om te gaan meten, als om ons beleid en handelen op af te stemmen.

• In een ideaal scenario slaan onderzoek, industrie, overheid en burgers hiervoor de handen in elkaar.

• Lees het volledige rapport. 

De CurieuzeNeuzen: op dit moment meten ze de hitte en droogte in onze tuinen en bodems. Maar we kennen ze vooral van hun oorspronkelijke initiatief waarbij duizenden burgers hielpen om de luchtkwaliteit in Vlaanderen in kaart te brengen. Als geen ander heeft het project bewustwording en draagvlak gecreëerd voor kennis over luchtkwaliteit en wat we met die informatie kunnen doen. Vanwege deze grote bekendheid gebruiken we het project om een algemener verhaal aan op te hangen:

Waar staan we met onze kennis en technologie over luchtkwaliteit en hoe kunnen we er de vruchten van plukken om onze levenskwaliteit te verbeteren?
 

Luchtkwaliteit is levenskwaliteit

Laat er geen misverstand over bestaan: luchtkwaliteit en levenskwaliteit zijn nauwer met elkaar verbonden dan we soms beseffen. Luchtvervuiling wordt beschouwd als de omgevingsfactor met het grootste risico voor onze gezondheid en die van onze leefomgeving. Het is een onzichtbare dreiging waarmee we allemaal in aanraking komen.

Volgens het Europese milieuagentschap EEA wordt ruim drie op vier mensen van de stedelijke bevolking (lees: heel Vlaanderen) blootgesteld aan concentraties fijn stof die de richtwaarden van Wereldgezondheidsorganisatie (WHO) overschrijden. De recentste (2019) infografiek van de Vlaamse Milieumaatschappij (VMM) spreekt zelfs over 93% boven de jaaradvieswaarde van de WHO.

Slechte buitenlucht veroorzaakt wereldwijd naar schatting meer dan vier miljoen doden per jaar ten gevolge van beroertes, hartaandoeningen, longkanker en chronische long- of ademhalingsziektes. Ter vergelijking: elk jaar sterven wereldwijd naar schatting ‘slechts’ 1,35 miljoen mensen in het verkeer.

Een van de redenen waarom er – in vergelijking met mobiliteitsoplossingen en al dan niet ogenschijnlijk – weinig actie wordt ondernomen rond luchtkwaliteit, is omdat de effecten en veroorzakers ervan in de meeste gevallen onrechtstreeks zijn.
Als je veel doden hebt op een gevaarlijk kruispunt, kan je dat kruispunt veiliger maken. Maar als er veel luchtvervuiling is op een bepaalde plaats, dan is de oorzaak vaak op een heel andere plaats te zoeken.
Zowel wat betreft fysieke locatie (luchtvervuiling manifesteert zich niet altijd op de plaats van de oorzaak van de vervuiling) als wat betreft bevoegdheden. Zo zal het departement milieu bijvoorbeeld moeten gaan aankloppen bij het departement economie of mobiliteit, wat het vinden en implementeren van een effectieve oplossing er niet eenvoudiger op maakt.

De uitdaging: beter in kaart brengen van luchtkwaliteit

Op de weg naar gerichte oplossingen is daarom nog heel wat te winnen door het beter in kaart brengen van het eigenlijke probleem. Hierdoor kan een duidelijker en objectiever beeld ontstaan tussen de vervuiling en haar oorzaak. Dat kan helpen om de verantwoordelijkheid op de juiste plaats te leggen en daarmee sneller tot een oplossing te komen.

Voor dossiers waarvoor er (nog) geen oplossing is, kan het gedetailleerd in kaart brengen van luchtkwaliteit helpen om er in elk geval bewuster mee om te gaan. Denk aan het uittekenen van routes en (beleids)plannen die helpen om plaatsen met slechte luchtkwaliteit uit de weg te gaan bij je verplaatsing of bij ruimtelijke ontwikkeling.

Wat we al weten en meten in Vlaanderen

Om die redenen zijn binnen imec Vlaanderen – in samenwerking met partners imec Nederland, imec-onderzoeksgroep IDLab Antwerpen, VITO, VMM, VLAIO en bpost - sinds 2017 intensieve inspanningen geleverd om de Internet of things (IoT)-technologie voor het meten van luchtkwaliteit verder op punt te zetten.

Het eigenaarschap van de kennis over onze luchtkwaliteit ligt in Vlaanderen voornamelijk bij organisaties als de Vlaamse Milieumaatschappij (VMM) en VITO. Hun bestaande kennis en modellen extrapoleren de luchtkwaliteit vanuit een relatief klein aantal meetstations over de grotere gebieden er omheen.

Het doel en de status van het technologische onderzoek is om deze waardevolle kennis over extrapolatie-algoritmes en de referentiedata van de dure, maar uiterst nauwkeurige, meetstations te gebruiken om luchtkwaliteit veel fijnmaziger en in real time in kaart te brengen. Zo zou je op elk moment van de dag willen weten wat de luchtkwaliteit is op straatniveau, of zelfs nog nauwkeuriger per straatkant of -segment. Daarvoor heb je meer meetpunten nodig die zowat continu data verzamelen en doorsturen. Ook kom je qua modellering bij een andere tak van sport, namelijk de analyse van big data. Deze is aanvullend op de fysische modellering die in de huidige oplossingen voorspellingen doet op basis van natuurkundige wetmatigheden die de luchtkwaliteit beïnvloeden.

In het geval van buitenlucht zijn stikstofdioxide (NO₂) en fijn stof de belangrijkste parameters om gedetailleerd in kaart te brengen. CO₂, als belangrijk broeikasgas, heeft voor onze persoonlijke gezondheid in de buitenlucht niet echt een rechtstreekse relevantie. Want het accumuleert zich niet lokaal (zoals in binnenruimtes), maar ligt eerder als een homogeen deken over een bepaald gebied .

NO₂ en fijn stof daarentegen kunnen zich lokaal opstapelen, bijvoorbeeld in zogenaamde street canyons tussen gebouwen. Daarom kunnen we ze lokaal meten. Bovendien is het belangrijk om de persoonlijke blootstelling te kunnen bepalen. Iemand die landelijk woont in een gebied met goede luchtkwaliteit kan bijvoorbeeld alsnog een hoge blootstelling ondergaan aan schadelijke stoffen door een dagelijks traject van en naar het werk.

Relevante onderzoeksinzichten voor fijnmazige luchtkwaliteit

Dankzij de verschillende CoT-onderzoeksprojecten weten we inmiddels wat er nodig is om deze relevante parameters in voldoende detail in kaart te brengen. Zo tonen uitvoerige experimenten aan dat het mogelijk is om met relatief goedkope draadloze sensoren toch bruikbare en betrouwbare gegevens te verzamelen.

Daarnaast is het ook belangrijk om het juiste evenwicht te hebben in het aantal sensoren dat je uitrolt en de data die je minimaal nodig hebt. Te veel sensoren uitrollen is daarbij niet wenselijk, al was het maar vanuit het standpunt van onderhoud.

Een belangrijk experiment in deze context is het Bel-Air-project, een samenwerking tussen imec Vlaanderen en bpost, waarbij 20 van hun voertuigen uitgerust worden met mobiele sensoren die vervolgens op geregelde tijdstippen een heel gebied bestrijken. De combinatie van dergelijke dynamische metingen met statische sensoren kan heel effectief en kostenefficiënt zijn (1).

Op het vlak van software zijn de genoemde bigdata-algoritmes essentieel. Ze moeten vanuit statische en dynamische gegevens 'pseudo'-realtime accurate voorspellingen kunnen doen van de luchtkwaliteit op straatniveau. Hiervoor ontwikkelden en valideerden imec Nederland en onderzoeksgroepen van UGent (IPI) en VUB (ETRO) machine-learningmodellen die in staat zijn om sensormetingen in ruimte en tijd te interpoleren (2–5).

Minstens even belangrijk zijn de kalibratie-algoritmes. Aangezien we met goedkopere sensoren werken, zijn die onderhevig aan wat we sensor drift noemen: het ontstaan van afwijkende metingen door omgevingsfactoren zoals temperatuur en vochtigheid of door veroudering van de sensor.

In het project Dencity hebben we met partners imec NL, VMM en VITO, en met ondersteuning van VLAIO, software ontwikkeld die toelaat vaste sensoren voor fijn stof en NO₂ te kalibreren zonder deze te moeten demonteren (in real time dus) (3,6). In een volgende fase willen we ook de metingen van de mobiele sensoren in real time kunnen kalibreren.

Zodra we al deze kennis en technologie bij elkaar brengen met de reeds bestaande kennis en modellen, kunnen we achterhalen hoeveel sensoren we exact nodig hebben en welke software nodig is om er relevante informatie uit te halen.

Een efficiënte manier om dit te doen, is in een digital twin-model: een digitale weergave van een stad of regio waarin je bestaande gegevens kan gebruiken om inzichten te krijgen in de huidige situatie en simulaties te doen over de toekomst. En dit met name door het combineren van verschillende domeinen en beleidsplannen, zoals onderzoeken wat het effect zou zijn van mobiliteit op luchtkwaliteit. Enkele jaren geleden ontwikkelde imec Vlaanderen een allereerste proof of concept van een digital twin van de stad Antwerpen. Dit pilootproject wordt momenteel verder uitgewerkt. Ook met de stad Brugge werkt imec samen aan een digital twin-pilootproject.  

Ménage à quatre: het ideale toekomstscenario

Nu we op dit punt in de technologische ontwikkeling zijn gekomen, ontstaat er een interessant moment om vanuit alle betrokken partijen de handen in elkaar te slaan. En dan met name burgers, overheid, onderzoek en industrie.

Het is namelijk niet realistisch – en in elk geval niet efficiënt – om te verwachten dat binnenkort alle Vlaamse steden en gemeenten hetzelfde type sensoren gaan aankopen, uitrollen en beheren. De geschiedenis heeft ons voldoende geleerd dat lokale overheden daarin een autonomie willen en het is dan ook veel logischer om met die realiteit rekening te houden. De oorzaak is niet enkel een gewenste autonomie, maar ook historisch gespreide aankopen of datacaptaties, technologische evoluties, verantwoordelijkheidssilo's, ...

Deze heterogene vorm van brondata geldt niet enkel voor de luchtkwaliteitssensoren zelf, maar voor alle soorten data uit de veelheid aan domeinen die we moeten combineren om nuttige inzichten te bekomen. Het is dus een exponentieel toenemend kluwen van complexe problemen.

Getuige ook het belang van de ontwikkeling van een Vlaamse Open City Architectuur (VLOCA), een overkoepelende Vlaamse structuur om de vele lokale initiatieven te stroomlijnen op het vlak van data en data-uitwisseling. Imec zet hier, samen met VITO, in opdracht van Agentschap Binnenlands Bestuur mee zijn schouders onder. VLOCA zet in op de technische afspraken (architectuur) die nodig zijn wanneer data wordt uitgewisseld, en probeert dus niet de datavergaring zelf te uniformiseren.

Tegelijk zien we een toenemende interesse en betrokkenheid van burgers om zogenaamde citizen-scienceprojecten op te zetten of mee handen en voeten te geven. De eerdergenoemde CurieuzeNeuzen zijn daar een mooi voorbeeld van. Al waren hun metingen van luchtkwaliteit eenmalig, waarbij deelnemers een staal verzamelden en voor chemische analyse konden terugsturen. Een van oorsprong Duits project, Lufdaten, geeft deelnemers wel de mogelijkheid om met hun eigen sensor permanent de luchtkwaliteit te meten en is onder de naam Sensor.Community inmiddels uitgegroeid tot een internationaal initiatief.

In een ideaal toekomstscenario ontstaat er een model waarbij burgers sensoren uitrollen en onderhouden en daarbij ondersteund worden door overheid, onderzoek en bedrijfsleven.

Het hierboven beschreven onderzoek kan daarbij zorgen voor algoritmes die de data van deze vaak onnauwkeurige citizen-sciencesensoren kalibreert en standaardiseert voor rekenmodellen in bijvoorbeeld een digital twin. De overheid kan hier ook vruchten van plukken: het helpt immers bij de beleidsvorming en het uitrollen van een eigen meetsysteem.

Ook het bedrijfsleven kan een belangrijke rol spelen in het sluitend maken van het businessmodel.

Zo is Telraam, een Belgisch initiatief op het vlak van mobiliteit, te danken aan een Leuvens studiebureau dat burgers de kans geeft om met een goedkope sensor te meten hoeveel auto’s, vrachtwagens, fietsers en voetgangers er voorbijkomen en hoe snel ze gaan. Deze data wordt realtime op internet weergegeven en is gratis beschikbaar. Voor het bedrijf achter Telraam bevat deze data echter een dusdanige rijkdom aan informatie dat het hun core business als studiebureau versterkt en aanwakkert. Een mooi voorbeeld van hoe er een win-win ontstaat tussen maatschappelijke en commerciële belangen.

Wanneer we voorgaande projecteren op de luchtkwaliteit in Vlaanderen, pleiten we voor een toekomst waarin burgers, industrie en overheid een gelijkwaardige en complementaire rol innemen. Dit heeft tijd nodig en kan in parallel lopen met de laatste hordes die nog in het onderzoek genomen moeten worden. Onderzoek dat zich uiteindelijk zal laten voeden door de bijdrage van alle data die uit de fijnmazige metingen kunnen komen. En waarvan waarde kan teruggeven aan het ecosysteem door het aanbieden van steeds betere algoritmes voor kalibratie en extrapolatie.
 

Rapport 'Meten en modelleren van luchtkwaliteit in slimme steden

Dit rapport beschrijft wat we de voorbije vijf jaar hebben geleerd over het meten en modelleren van luchtkwaliteit in slimme steden. Met onder meer de meerwaarde en uitdagingen van sensormetingen, verschillen ten opzichte van referentiemetingen, gevoeligheden en toepassingen, inzichten uit data en analytics en kalibratie- en validatiemethoden voor sensortoepassingen.

We beschouwen het als een aanzet/inspiratie voor alle spelers (burger, overheid, onderzoek en industrie) binnen dit domein om de slimme stad samen iteratief verder te definiëren en uit te bouwen.

• Download het volledige rapport (PDF – Engels)
  
  Download rapport 

Bundeling van expertises

Het meerjarig onderzoek kreeg steun van de Vlaamse overheid en VLAIO.

Verschillende partners leverden een onmisbare bijdrage:

• Imec Nederland
• VITO
• VMM
• IDLab, een imec-onderzoeksgroep aan de Universiteit Antwerpen

Bibliografie

1. Qin X, Platisa L, Do TH, Tsiligianni E, Hofman J, Manna VPL, et al. Context-Based Analysis of Urban Air Quality Using an Opportunistic Mobile Sensor Network. In: Santos H, Pereira GV, Budde M, Lopes SF, Nikolic P, editors. Science and Technologies for Smart Cities: 5th EAI International Summit, SmartCity360, Braga, Portugal, December 4-6, 2019, Proceedings. Cham: Springer International Publishing; 2020. p. 285–300.
2. Do TH, Tsiligianni E, Qin X, Hofman J, La Manna VP, Philips W, et al. Graph-Deep-Learning-Based Inference of Fine-Grained Air Quality from Mobile IoT Sensors. IEEE Internet Things J. 2020;1–1.
3. Hofman J, Nikolaou ME, Huu Do T, Qin X, Rodrigo E, Philips W, et al. Mapping air quality in iot cities: cloud calibration and air quality inference of sensor data. 2020 IEEE Sensors. IEEE; 2020. p. 1–4.
4. Hofman J, Do TH, Qin X, Rodrigo E, Nikolaou ME, Philips W, et al. Spatiotemporal Air Quality Inference of Low-Cost Sensor Data; Application on a Cycling Monitoring Network. In: Del Bimbo A, Cucchiara R, Sclaroff S, Farinella GM, Mei T, Bertini M, et al., editors. Pattern recognition ICPR international workshops and challenges: virtual event, january 10–15, 2021, proceedings, part VI. Cham: Springer International Publishing; 2021. p. 139–147.
5. Qin X, Huu Do T, Hofman J, Rodrigo E, Panzica La Manna V, Deligiannis N, et al. Street-level Air Quality Inference Based on Geographically Context-aware Random Forest Using Opportunistic Mobile Sensor Network. ICIAI 2021 conference Proceedings. Xiamen: ICIAI; 2021.
6. Hofman J, Nikolaou ME, Stroobants C, Weijs S, Shantharam SP, La Manna VP. Distant calibration of low-cost PM and NO2 sensors; evidence from multiple sensor testbeds. 2021.