Labs: Hava Kalitesi

Hamburg

Hamburg'da, HafenCity University Hamburg (HCU) bünyesindeki City Science Lab'ın yanı sıra Aclima ile ve Hamburg Belediyesi'ne bağlı bir çalışma grubuyla işbirliği yaptık. Elektrikli bir Google Street View arabası, hava kalitesini ve sera gazlarını sokak sokak ölçmeyi sağlayan Aclima mobil izleme platformuyla donatıldı. Araba Ekim 2021 ile Aralık 2022 arasında, pazartesiden cumaya 07:00-19:00 arasında veri topladı. Bu nedenle, veri kümesi esas olarak hafta içi gündüz saatlerindeki tipik hava kalitesi düzeylerini temsil etmektedir. Araba, her yol ve otoyoldaki kirliliği 1 saniyelik aralıklarla ölçtü ve ölçüm sırasında trafik akışına uygun olarak normal hızlarda ilerledi. Kirliliğe yol açan maddelerden şunlar ölçüldü: CO, CO₂, NO₂, NO, O₃ ve PM2.5 (0,3-2,5 μm arası boyutlardaki parçacık sayıları dahil). Mühendislik şirketi Lohmeyer ise proje süresince danışmanlık hizmetleri sağladı.

Bengaluru

Bengaluru'da, hava kalitesini ölçmek ve analiz etmek amacıyla ILK Labs ve Bengaluru merkezli bir düşünce kuruluşu olan Center for Study of Science, Technology and Policy (CSTEP) ile birlikte çalıştık. CSTEP ve ILK Labs, sıkıştırılmış doğal gazlı özel yapım bir aracı portatif hava kalitesi ekipmanıyla donatılacak şekilde modifiye etti ve Bengaluru'da yollardaki hava kirliliği verilerini ölçmek için kullandı.

CSTEP'teki bilim insanları, yollardaki kirlilik konsantrasyon düzeylerini ölçerken ince partikül maddeler (PM 2.5) için DustTrak DRX 8533, siyah karbon (BC) için microAeth AE51 ve çok küçük parçacıklar (UFP) için TSI CPC 3007 gibi bilimsel araştırma sınıfı hava kalitesi izleyicileri kullandılar. CSTEP, şehrin yollarının 900 kilometreyi aşan bir kısmında sürüşler gerçekleştirip ölçümler yaptı. Bu, Bengaluru'daki toplam yol uzunluğunun %10'una karşılık geliyor. Araç, Kasım 2021 ile Haziran 2022 tarihleri arasındaki yağışsız günlerde ve ağırlıklı olarak pazartesiden cumaya 09:00 ile 17:00 saatleri arasında veri topladı. Bu nedenle, veri kümesi esas olarak hafta içi gündüz saatlerindeki tipik hava kalitesi düzeylerini temsil etmektedir.

Toplam araştırma rotası 11 bölüme ayrıldı ve her bölümden en az 4 kez ölçüm alındı. Üç bölümden 8 kez, beş bölümden ise 12 kez ölçüm alındı. Örnekleme faaliyetlerinde yaklaşık 10.600 km (665 saatlik sürüş) mesafe katedildi ve ayrı ayrı 2 milyondan fazla ölçüm gerçekleştirildi. Ölçüm aletleri; PM 2.5, BC ve UFP konsantrasyonlarını 1 saniyelik aralıklarla ölçtü.

Dublin

Dublin'de Dublin Belediyesi ve Aclima ile iş ortaklığı kurduk. Elektrikli bir Google Street View arabası, hava kalitesini ve sera gazlarını sokak sokak ölçmeyi sağlayan Aclima mobil izleme platformuyla donatıldı. Araba Mayıs 2021 ile Ağustos 2022 tarihleri arasında ve ağırlıklı olarak pazartesiden cumaya 09:00 ile 17:00 saatleri arasında kullanıldı. Bu nedenle, veri kümesi esas olarak hafta içi gündüz saatlerindeki tipik hava kalitesini temsil etmektedir. Araba, her yol ve otoyoldaki kirliliği 1 saniyelik aralıklarla ölçtü ve ölçüm sırasında trafik akışına uygun olarak normal hızlarda ilerledi. Kirliliğe yol açan maddelerden şunlar ölçüldü: CO, CO₂, NO₂, NO, O₃ ve PM2.5 (0,3-2,5 μm arasında boyutlardaki partikül sayıları dahil).

Kopenhag

Kopenhag'da Kopenhag Belediyesi ve Utrecht Üniversitesi ile birlikte çalıştık. Utrecht Üniversitesi'ndeki bilim insanları bir Google Street View aracını, bir CAPS NO₂ izleyicisi, siyah karbon (BC) parçacıklarını ölçen bir AE33 atelometre, çok küçük parçacıkları (UFP) ölçen bir su bazlı yoğunlaşma parçacık sayacı ile donattı ve verileri Kopenhag Belediyesi ile işbirliği halinde topladı ve analiz etti. Araç Kopenhag sokaklarında Kasım 2018 ile Şubat 2020 arasında ağırlıklı olarak hafta içi günlerinde sürüş gerçekleştirdi. Araç çoğunlukla gündüz saatlerinde (genelde 09:00-18:00 arasında) kullanıldı. Bu nedenle, veri kümesi esas olarak hafta içi gündüz saatlerindeki hava kalitesini temsil etmektedir. Özellikle NO₂ verileri, zamansal olarak tam günü temsil eden uzun vadeli ortalamaları yansıtacak şekilde düzeltilmiştir. Araç sokaklardaki ve otoyoldaki kirliliği 1 saniyelik aralıklarla ölçtü ve trafik akışına uygun olarak normal hızlarda ilerledi.

Amsterdam

Amsterdam'da, Amsterdam Belediyesi ve Utrecht Üniversitesi ile birlikte çalıştık. Utrecht Üniversitesi'ndeki bilim insanları iki Google Street View aracını, bir CAPS NO₂ izleyicisi, siyah karbon (BC) parçacıklarını ölçen bir AE33 atelometre, çok küçük parçacıkları (UFP) ölçen bir su bazlı yoğunlaşma parçacık sayacı ile donattı ve verileri Amsterdam Belediyesi ile işbirliği halinde topladı ve analiz etti. Araçlar Amsterdam sokaklarında Mayıs 2019 ile Şubat 2020 arasında ağırlıklı olarak hafta içi günlerinde sürüş gerçekleştirdi. Araçlar çoğunlukla gündüz saatlerinde (genelde 09:00-18:00 arasında) kullanıldı. Tüm kirlilik ölçümleri zamansal olarak günün tamamı ile hafta içi ve hafta sonunu temsil eden uzun vadeli ortalama konsantrasyonları yansıtacak şekilde düzeltilmiştir. Araçlar sokaklardaki ve otoyoldaki kirliliği 1 saniyelik aralıklarla ölçtü. Araçlar trafik akışına uygun olarak normal hızlarda kullanıldı.

Londra

Londra'da Büyük Londra İdaresi, Çevreyi Koruma Fonu Avrupa, C40 ve diğer ortaklarla işbirliği halinde veri toplayıp analiz etmek için Breathe London projesiyle birlikte çalışarak iki Google Street View aracını, azotdioksit (NO₂) ölçümü gerçekleştiren bir boşlukta zayıflamalı faz kayması spektroskopi aleti ile donattık. Araçlar Ağustos 2018 ile Ağustos 2019 arasındaki hafta içi günlerinin çoğunda Londra sokaklarında dolaştı. Araçlar gündüz saatlerinde (genelde 04:00 ile 23:00 arasında) kullanıldı. Bu nedenle, veri kümesi esas olarak hafta içi gündüz saatlerindeki hava kalitesini temsil etmektedir. Araçlar sokaklardaki ve otoyoldaki kirliliği bir saniyelik aralıklarla ölçtü. Araçlar trafik akışına uygun olarak normal hızlarda ilerledi.

Kirleticiler

Kirletici olarak siyah karbon (BC), çok küçük parçacıklı maddeler (UFP) ve azot dioksit (NO_2.) ölçümü yapıldı.

• Azot dioksitin (NO₂) başlıca oluşma nedeni yakıt kullanımıdır. Bu da genellikle arabalar, kamyonlar ve elektrik santralleri tarafından gerçekleştirilir. Bu gaz, astım krizlerinde artış ve akciğerlerin görevini tam olarak yerine getirememesi gibi solunum sorunları ile ilişkilidir.

• Siyah karbon parçacıkları, özellikle dizel gibi yakıtların yanı sıra odun ve kömür kullanımı sonucunda ortaya çıkar. Bu maddeye yüksek oranda maruz kalınması kalp krizi, inme ve bazı kanser türleriyle ilişkilidir.

• Çok küçük parçacıklı maddeler (UFP, bazen PM 0,1 olarak adlandırılır), nano ölçekteki taneciklerdir (çapı 0,1 mikronun altında). Çok küçük parçacıklar, trafikte ve havacılık veya nakliye gibi diğer taşımacılık biçimlerinde havaya salınır. Çok küçük parçacıklar akciğerlerin içine derinlemesine nüfuz ederek kalp krizi, inme, astım, bronşite yol açar ve kalp rahatsızlıkları, akciğer hastalıkları, kanser nedeniyle erken ölümlere neden olur.

Bu kirleticiler ve etkileri hakkında daha fazla bilgi

Hamburg

Bu haritalar, Ekim 2021 ile Aralık 2022 arasındaki araştırma süresi boyunca, kirliliğe yol açan her maddeye ait, konuma göre ayrılmış ortam konsantrasyonu tahminlerini göstermektedir. Değerler, araştırma süresi boyunca ölçülen her konumdaki kirliliğe yol açan maddelerin hafta içi çalışma saatlerindeki tipik düzeylerini temsil eder. Aclima'nın bu tahminleri oluşturma metodolojisi, Apte ve diğerleri (2017) ile Miller ve diğerlerinin (2020) açıkladığı gibi ölçümlerin istatistiksel bir toplamıdır. Araçlar, günlük harita sürüşü sırasında coğrafi konumlu konsantrasyonu her saniyede bir (1 Hz) ölçtü. Zamana göre ayrılmış 1 Hz veri noktaları, yolun yaklaşık 50 metrelik bölümleri olarak toplandı ve tek bir bölüme yapılan tüm ziyaretler uzun vadeli ortam konsantrasyonu tahmini oluşturmak için birleştirildi. Şehir genelindeki ziyaret sayısının ortanca değeri 10'dur. Haritaya dahil edilen tüm bölümler çalışma süresi boyunca en az 6 tekil ziyaret aldı. Bu bağlamda tekil ziyaret, 4 saatlik zaman aralığında bölümden en az bir kez geçme anlamındadır. Haritada kullanıcılar, çalışma süresi boyunca en az 6, 10, 15 ve 20 tekil ziyaret almış yollara göre filtre uygulayabilir. Tek bir bölümün konsantrasyon tahminine duyulan güven genellikle ziyaret sayısı arttıkça artar ve 10'dan az ziyaret almış bölümlerle ilgili tahminleri yorumlarken dikkatli olmak gerekir. Daha az ziyaret almış bölümlere duyulan güven biraz daha düşük olsa da bölümlerin daha geniş bir toplamına bakıldığında haritada gözlemlenen daha büyük konumsal trendler genellikle güçlüdür (Apte ve diğerleri, 2017).

Bengaluru

Yol 50 metrelik tek tip kare bölümlere ayrıldı ve yol üzerindeki kirlilik verileri her bir bölümde 1 Hz sıklıkla toplandı. Her gün, her kare bölümün içindeki tüm 1 Hz'lik ölçümlerin ortalaması alındı. Kare bölümlerden her birine ait günlük ortalamaların ortanca değeri hesaplanarak, bölümlerin kirlilik düzeyini temsil edecek birer değer elde edildi. Ölçüm kampanyası sırasında, ölçülen verilerde gündüz vakti değişkenliği gözlemlendi. Bu değişkenlik, CSTEP'te yapılan ortam ölçümlerinden türetilen faktörler kullanılarak düzeltildi (ayrıntılı metodoloji için Apte ve diğerleri (2017) çalışmasına bakın). Sürüş sayısındaki artışla birlikte kirlilik haritalarına duyulan güven arttığından, kirliliğe yol açan çeşitli maddelerin uzamsal temsil yeteneği de artmış oldu. PM2.5, BC ve UFP'ler açısından yollardaki hava kirliliği düzeyleri değerlendirildiğinde, en yüksek kirlilik düzeyleri otoyollarda ölçülmüş, bunu ana yollar ve yerleşim yerleri içindeki yollar izlemiştir. Çeşitli yol türlerinde PM2.5'teki uzamsal gradyan ise BC ve UFP'lerin gradyanına kıyasla daha sığdı.

Dublin

Bu haritalar, Mayıs 2021 ile Ağustos 2022 arasındaki çalışma süresi boyunca kirliliğe yol açan her maddeye ait, konuma göre ayrılmış ortam konsantrasyonu tahminlerini göstermektedir. Değerler, çalışma süresi boyunca ölçülen her konumdaki kirliliğe yol açan maddelerin hafta içi çalışma saatlerindeki tipik düzeylerini temsil eder. Aclima'nın bu tahminleri oluşturma metodolojisi, Apte ve diğerleri (2017) ile Miller ve diğerlerinin (2020) açıkladığı gibi ölçümlerin istatistiksel bir toplamıdır. Araçlar, günlük harita sürüşü sırasında coğrafi konumlu konsantrasyonu her saniyede bir (1 Hz) ölçtü. Zamana göre ayrılmış 1 Hz veri noktaları, yolun yaklaşık 50 metrelik bölümleri olarak toplanır ve tek bir bölüme yapılan tüm ziyaretler uzun vadeli ortam konsantrasyonu tahmini oluşturmak için birleştirilir. Şehir genelindeki ziyaret sayısının ortanca değeri 14'tür. Haritaya dahil edilen tüm bölümler çalışma süresi boyunca en az 6 tekil ziyaret aldı. Bu bağlamda tekil ziyaret, 4 saatlik zaman aralığında bölümden en az bir kez geçme anlamındadır. Haritada kullanıcılar, çalışma süresi boyunca en az 6 ve en az 10 benzersiz ziyaret almış yollara göre filtre uygulayabilir. Tek bir bölümün konsantrasyon tahminine duyulan güven genellikle ziyaret sayısı arttıkça artar ve 10'dan az ziyaret almış bölümlerle ilgili tahminleri yorumlarken dikkatli olmak gerekir. Daha az ziyaret almış bölümlere duyulan güven biraz daha düşük olsa da bölümlerin daha geniş bir toplamına bakıldığında haritada gözlemlenen daha büyük konumsal trendler genellikle güçlüdür (Apte ve diğerleri, 2017).

Kopenhag

Utrecht Üniversitesi'ndeki bilim insanları, Kopenhag kirlilik haritalarını oluşturmak için Kerckhoffs ve diğerlerinin 2022 tarihli araştırma metodolojisi doğrultusunda (1) her sokakta tekrarlı olarak yapılan ölçümlerin istatistiksel toplamı ile (2) kestirimci bir regresyon modelini birlikte kullanan veya birleştiren bir "karma model" geliştirdi. Bu algoritma, yalnızca ölçümlere dayalı hazırlanan haritaları oluşturmak için önceden yayınlanmış istatistiksel toplama yöntemi (Apte ve diğerleri 2017, Miller ve diğerleri 2020) ile en son arazi kullanımı regresyon modellemesi yöntemini bir araya getirir. Bu modelleme yöntemi, kestirimci bağımsız arazi kullanımı ve hava kirliliğine yol açan diğer insan ürünü çevre özelliklerini içerir. Model, iki yaklaşımı matematiksel olarak birleştirdiği için "karma model" olarak nitelendirilir. Model, yolun belirli bir bölümünü değerlendirirken gözlemlenen ölçümlerdeki belirsizlik düzeyine bağlı olarak arazi kullanımı regresyon modelinin tahminine veya ölçümlerin istatistiksel toplamına daha fazla ağırlık verir. Bu yöntem, çok ayrıntılı konumsal ölçeklerde bile ortalama konsantrasyonun hassas ve etkili şekilde tahmin edilebilmesini sağlar. Şehrin bazı sokaklarındaki konsantrasyonlar büyük ölçüde farklılık gösterebildiğinden bu hassasiyet, şehirdeki hava kirliliğiyle ilgili önemli konumsal kalıpları belirlemek açısından yararlıdır. Aarhus Üniversitesi'nden bilim insanları da veri analizi ve metodoloji konularında yardımda bulunmuştur.

Amsterdam

Utrecht Üniversitesi'ndeki bilim insanları, Amsterdam kirlilik haritalarını oluşturmak için Kerckhoffs ve diğerlerinin 2022 tarihli araştırma metodolojisi doğrultusunda (1) her sokakta tekrarlı olarak yapılan ölçümlerin istatistiksel toplamı ile (2) kestirimci bir regresyon modelini birlikte kullanan veya birleştiren bir "karma model" geliştirdi. Bu algoritma, yalnızca ölçümlere dayalı hazırlanan haritaları oluşturmak için önceden yayınlanmış istatistiksel toplama yöntemi (Apte ve diğerleri 2017, Miller ve diğerleri 2020) ile en son arazi kullanımı regresyon modellemesi yöntemini bir araya getirir. Bu modelleme yöntemi, kestirimci bağımsız arazi kullanımı ve hava kirliliğine yol açan diğer insan ürünü çevre özelliklerini içerir. Model, iki yaklaşımı matematiksel olarak birleştirdiği için "karma model" olarak nitelendirilir. Model, yolun belirli bir bölümünü değerlendirirken gözlemlenen ölçümlerdeki belirsizlik düzeyine bağlı olarak arazi kullanımı regresyon modelinin tahminine veya ölçümlerin istatistiksel toplamına daha fazla ağırlık verir. Bu yöntem, çok ayrıntılı konumsal ölçeklerde bile ortalama konsantrasyonun hassas ve etkili şekilde tahmin edilebilmesini sağlar. Şehrin bazı sokaklarındaki konsantrasyonlar büyük ölçüde farklılık gösterebildiğinden bu hassasiyet, şehirdeki hava kirliliğiyle ilgili önemli konumsal kalıpları belirlemek açısından yararlıdır.

Londra

Çevre Savunma Fonu'ndaki bilim insanları, Londra'nın kirlilik haritalarını oluşturmak için Apte ve diğerlerine ait (2017) araştırma metodolojisi doğrultusunda her sokakta tekrarlı olarak yapılan ölçümleri toplayıp özetleyen, güncellenmiş bir algoritmadan yararlandı. Tekrarlanan ölçümlerin toplanması, Street View arabasının sokaktan geçerken bir kamyonun arkasında kalması gibi ekstrem durumların beklenen kirlilik tahmini (ortanca değer) üzerindeki etkisini azaltır. Bu yöntem, konsantrasyon ortanca değerinin ayrıntılı konumsal ölçeklerde tahmin edilebilmesini sağlar. Bazı konumlar, zaman içinde önemli kirlilik kaynaklarından (ör. trafik, endüstriyel tesisler) diğer konumlara göre daha tutarlı bir şekilde etkilenmektedir. Bu kirlilik kaynaklarının etkisi, haritalarda gösterilen konsantrasyon ortanca değeri ölçümlerinin farklı olmasına yol açar. Ortanca değeri hesaplamak için yoldaki belirli bir konumun en az 10 kez ziyaret edilmesini gerekli kıldık. Her yola ait örnekler aynı sayıda, aynı zamanda veya aynı günde alınmadı. Örnekleme sırasında bölgesel arka plan konsantrasyonlarını değiştiren farklı hava koşulları, ortanca konsantrasyon tahminlerimizde NO₂ ortanca değerinin +/-%50'si kadar belirsizliğe yol açmıştır. Daha sık ziyaret edilen yollar için belirsizlik bu aralıktan çok daha düşüktür. 30 kez sürüş yapılan bölümlerde belirsizlik +/-%30'un altına düşer. Analiz yöntemlerini hassaslaştırmak amacıyla yapılan devamlı çalışmalar sayesinde bu belirsizliğin azalması beklenmektedir.

Hamburg'un hava kalitesi sonuçları Hamburg Open Science sitesinde bulunabilir.

Bengaluru için hava kalitesi sonuçları CCPA'nın web sitesinde bulunabilir.

Dublin'e ait hava kalitesi sonuçları, Dublin'in açık veri platformu olan Dublinked'de bulunabilir.

Kopenhag'ın hava kalitesi modeli sonuçları Open Data DK web sitesinde bulunabilir.

Amsterdam'ın hava kalitesi modeli sonuçları Healthy Urban Living Data and Knowledge Hub (DKH GSL) sayfasında bulunabilir.

Londra'nın hava kalitesi verileri OpenAQ platformunda bulunabilir.

Bu verilerin kullanımı Google'ın Hizmet Şartları'na tabidir. Environmental Insights Explorer'dan alınan verileri aşağıdaki atıfı ekleyerek başka analizlerde, materyallerde, raporlarda ve iletişimlerde kullanabilirsiniz:

Bengaluru verilerinin kaynağı: CSTEP ve ILK Labs 2022, Google Environmental Insights Explorer aracılığıyla (<geçerli ay/yıl>)

Hamburg ve Dublin verilerinin kaynağı: Aclima ve Google, 2022, Google Environmental Insights Explorer aracılığıyla (<geçerli ay/yıl>)

Kopenhag ve Amsterdam verilerinin kaynağı: Utrecht Üniversitesi ve Google, 2021, Google Environmental Insights Explorer aracılığıyla (<geçerli ay/yıl>)

Londra verilerinin kaynağı: BreatheLondon 2020, Google Environmental Insights Explorer aracılığıyla (<geçerli ay/yıl>)