Search

Het RIVM meet al over een reeks van jaren verschillende onderdelen van stikstof, zoals ammoniak en stikstofoxiden. Het gaat dan om de concentraties van deze stoffen in de lucht en om de neerslag van stikstof op de bodem door regen (natte depositie), en vanuit de lucht (droge depositie). Om de stikstofdepositie in kaart te brengen worden de metingen gecombineerd met modelberekeningen. De komende jaren wordt het aantal meetpunten uitgebreid om onzekerheden kleiner te maken. Zo kan de stikstofdepositie nog beter in kaart worden gebracht. Dit rapport onderbouwt de locatiekeuzes voor de uitbreiding van het meetnet. Het RIVM beschrijft de doelen van de metingen in het algemeen, en van de uitbreidingen van de meetpunten in het bijzonder. De vier belangrijkste doelen zijn: rekenmodellen valideren, ontwikkelingen in de tijd volgen, stikstofprocessen bestuderen, en de kwaliteit van metingen beoordelen. Daarnaast zijn de criteria beschreven die bepalen waar de nieuwe meetpunten moeten komen. Om rekenmodellen te valideren moeten de meetpunten bijvoorbeeld goed verspreid staan over Nederland en representatief zijn voor de ruimtelijke schaal waarop wordt gerekend. Deze studie is een eerste stap in de uitbreiding van het meetnet en draagt bij aan een verfijnd meetnetwerk. In lijn met ontwikkelingen van wetenschappelijke inzichten en technieken zal het RIVM de meetstrategie regelmatig herzien. De wetenschap ontwikkelt zich bijvoorbeeld doordat er in de loop van de jaren nieuwe meettechnieken bij komen. Zo zal worden onderzocht hoe de depositiebepaling in de toekomst kan worden verfijnd met metingen van satellieten en sensoren (uit citizen science-projecten). Ook kunnen de bestaande wetenschappelijke onzekerheden mogelijk worden verkleind door meerdere rekenmodellen te gebruiken. Telkens wordt nagegaan wat voor elke stikstofcomponent de beste combinatie is van modelberekeningen en metingen.

Het RIVM heeft het rekenmodel verbeterd waarmee de jaargemiddelde concentratie ultrafijn stof van vliegverkeer rond Schiphol wordt bepaald. Ultrafijn stof is het aantal zeer kleine deeltjes in de lucht (kleiner dan 0,1 micrometer). De nieuwe berekeningen zijn vergeleken met metingen gedurende een half jaar op tien locaties rond Schiphol. Het is voor het eerst dat dit in Nederland op deze schaal is gedaan. Het rekenmodel is op twee punten aangepast. Taxiënde vliegtuigen zijn als bron toegevoegd. Daarnaast zijn extra gegevens over de uitstoot van ultrafijn stof van vliegverkeer uit de wetenschappelijke literatuur gebruikt. Vervolgens zijn de rekenresultaten afgestemd op de meetwaarden. Het aangepaste rekenmodel blijkt op deze manier goed in staat te zijn om gemiddelde concentraties over een langere tijd te bepalen. Locaties met lagere en hogere concentraties worden goed van elkaar onderscheiden. Daarmee zijn we erin geslaagd om het rekenmodel geschikt te maken voor onderzoek naar effecten op de gezondheid als mensen langdurig aan ultrafijn stof van vliegverkeer van Schiphol blootstaan. Volgens de berekeningen is de jaargemiddelde blootstelling van omwonenden aan ultrafijn stof van vliegverkeer op Schiphol in 2017 en 2018 het hoogst op woonlocaties vlak bij de luchthaven en neemt deze af naarmate ze verder weg wonen. Wel zijn er van jaar tot jaar kleine verschillen die onder andere veroorzaakt worden door variatie in weersomstandigheden en baangebruik. Een volgend onderdeel van het onderzoeksprogramma is onderzoek naar de gezondheidseffecten van langdurige blootstelling aan ultrafijn stof van vliegverkeer. Hiervoor is informatie nodig over de mate waarin mensen die in de omgeving van Schiphol wonen aan ultrafijn stof worden blootgesteld. Om de blootstelling te kunnen bepalen, is inzicht in de concentratie ultrafijn stof in de lucht nodig. Het rekenmodel maakt het mogelijk om die informatie te verkrijgen. Metingen kennen beperkingen: het is onmogelijk om op alle locaties waar mensen wonen de concentratie van ultrafijn stof te meten. Ook zijn de metingen erg afhankelijk van de weersomstandigheden en het baangebruik. Het rekenmodel vertaalt metingen naar alle overige locaties en andere (langere) perioden.

Doel van dit onderzoek is het toetsen en waar mogelijk verbeteren van het rekenmodel, waarmee de blootstelling van omwonende van Schiphol aan ultrafijne deeltjes (UFP, deeltjes kleiner dan 0,1 μm) kan worden bepaald. Ten behoeve hiervan wordt in dit deel van het project data van aantallen UFP in de omgeving van Schiphol gegenereerd. In totaal zijn op 10 locaties rondom Schiphol de UFP aantallen gedurende langere tijd gemeten. Op de locaties Oude Meer en Amsterdam Ookmeer zijn gedurende één jaar UFP aantallen gemeten. De overige locaties Amstelveen, Aalsmeer, Vijfhuizen, Polderbaan, Nieuwe Meer, Hoofddorp, Spaarnwoude en Badhoevedorp zijn alle één halfjaar bemeten. Naast de metingen van aantallen UFP is op iedere locatie ook enige tijd (minimaal 3 weken) de deeltjesgrootteverdelingen gemeten (met uitzondering van de in 2015 al bemeten locaties Oude meer, Nieuwe meer en Amstelveen). Om te kunnen garanderen dat de metingen van deeltjesaantallen op de 10 locaties onderling vergelijkbaar zijn, zijn er vergelijkingscampagnes geweest. Deze vonden plaats op één vaste locatie, namelijk Polderbaan, waarbij de apparatuur onderling met elkaar werd vergeleken. De vergelijkingscampagne vonden plaats; 1) voorafgaande aan het eerste halfjaar aan metingen, 2) tussen het eerste en tweede halfjaar aan metingen in, en 3) na afloop van het meetprogramma. Uit de data verzameld tijdens de vergelijkingscampagnes zijn correctiefactoren bepaald. Wanneer deze correctiefactoren voor opeenvolgende vergelijkingscampagnes van elkaar verschilde is een lineair verloop van de factoren tussen de vergelijkings-campagnes verondersteld. Deze factoren zijn vervolgens toegepast op de UFP aantallen gemeten op de 10 locaties, zodat de onderling vergelijkbaar zijn en eventuele drift hiermee gecorrigeerd is.

Contains fulltext : 207854pub.pdf (Publisher’s version ) (Open Access) Highlights: • Citizens are highly motivated to contribute to air quality measure- ments that complement existing measurement networks because of their high spatio-temporal resolution; • Data needs to be assimilated, for example, using models; • Low-cost sensors need to be developed further, and their applica- tion calibrated and validated; • Easily accessible expert information and feedback is needed to sup- port participants; • Environment protection agencies (EPAs) can both support and benefit from citizen science using small sensor networks.

Vrijwel overal op aarde verdampt meer dan de helft van het neerslagwater, ook in Nederland. Toch wordt deze grote verliespost in ons land slechts sporadisch gemeten. Door inspanningen van kennisinstituten, bedrijven en overheid is daarom een lysimeter ontwikkeld. Metingen in 2014 en 2015 op twee locaties vertonen opvallende verschillen, maar ook grote overeenkomsten, met eddy-correlatiemetingen. Schattingen van de verdamping via satellietdata zijn hoger dan de metingen. Tijd daarom, om metingen in het veld te combineren met modellen en waarnemingen vanuit de ruimte

Contains fulltext : 164809pre.pdf (Author’s version preprint ) (Open Access) In this chapter, we describe a number of the citizen science projects RIVM took part in. The Smart Emission project in Nijmegen is one of the pilot projects. In this book chapter, we give examples of the lessons learned and the experiences gained. We provide a brief description of the planned innovations of the environmental monitoring, and how these innovations will help to ensure the continuity and effectiveness of citizen science measurements. The initial focus will be on air quality, but we expect that application is possible with other environmental parameters such as noise and water quality, light, vibration, radiation and meteorological parameters. These applications will follow in a later phase of the program. The final goal is to have a hybrid, flexible (air quality) network using different types of sensors, consisting of reference instruments, sensors of intermediate cost and quality, low cost sensors, and satellite observations. The data of this network may be provided by different parties, including citizens groups, cities, NGOs and official measurement institutes. In short, our ambition is to make citizen science data an integral part of standard procedures and models for determining air quality. Book after the First European Citizen Science Conference, Berlin, 19-21 May 2016

Across the world, air quality regulations are breached due to localized high pollution episodes in specific locations, or "hotspots". Advances in air pollution monitoring techniques enable hotspots to be identified more effectively; however challenges remain as to how best to reduce the incidence and impact of these episodes. Where road traffic is the dominant source of pollutants, ITS measures, including alternative traffic management strategies, may be deployed to mitigate the hotspot and contribute towards regulatory compliance. This paper demonstrates how the real time local air quality is used as input for a dynamic traffic management system. Based on the current state of the air quality, the traffic management strategy will be adapted in order to improve the local air quality real time in an urban environment. An environmental trigger signal is developed based on the local black carbon concentrations. The trigger decides when to switchthe traffic light control system from the standard control scenario during good air quality to the EcoFLEX control scenario when the air quality is below a certain threshold. This scenario decreases the average queue lengths and number of stops at the intersection for motorized traffic and increases the average speeds, which are all favorable for reducing emissions. EnViVer simulations show an emissions reduction in EcoFLEX mode of 8.2% for NOx. The EcoFLEX system makes hotspot mitigation possible since it is possible to control the air quality locally by adapting the traffic control system, only when necessary. © 2011 by the Intelligent Transportation Society of America.

The factors used to estimate emissions of sea going ships to air (so called emission factors) are based upon critical evaluation of the literature. Current estimates of emission factors of sea going ships are based upon a limited number of laboratory experiments and information on fuel usage and engine power. Especially emissions of nitrogen oxides (NOx) are reported in literature, measurements of particulate matter (PM2) are scarcer. It is important to realize that large variations in results are observed especially in emissions of particulate matter by engines using HFO (Heavy Fuel Oil). These are therefore rather uncertain. In the process of developing scenarios to improve local air quality and decrease atmospheric deposition accurate data on emissions are essential.

The performance of a Land Use Regression (LUR) model and a dispersion model (URBIS - URBis Information System) was compared in a Dutch urban area. For the Rijnmond area, i.e. Rotterdam and surroundings, nitrogen dioxide (NO2) concentrations for 2001 were estimated for nearly 70 000 centroids of a regular grid of 100 × 100 m.A LUR model based upon measurements carried out on 44 sites from the Dutch national monitoring network and upon Geographic Information System (GIS) predictor variables including traffic intensity, industry, population and residential land use was developed. Interpolation of regional background concentration measurements was used to obtain the regional background. The URBIS system was used to estimate NO2 concentrations using dispersion modelling. URBIS includes the CAR model (Calculation of Air pollution from Road traffic) to calculate concentrations of air pollutants near urban roads and Gaussian plume models to calculate air pollution levels near motorways and industrial sources. Background concentrations were accounted for using 1 × 1 km maps derived from monitoring and model calculations.Moderate agreement was found between the URBIS and LUR in calculating NO2 concentrations (R = 0.55). The predictions agreed well for the central part of the concentration distribution but differed substantially for the highest and lowest concentrations. The URBIS dispersion model performed better than the LUR model (R = 0.77 versus R = 0.47 respectively) in the comparison between measured and calculated concentrations on 18 validation sites. Differences can be understood because of the use of different regional background concentrations, inclusion of rather coarse land use category industry as a predictor variable in the LUR model and different treatment of conversion of NO to NO2.Moderate agreement was found between a dispersion model and a land use regression model in calculating annual average NO2 concentrations in an area with multiple sources. The dispersion model explained concentrations at validation sites better. © 2010 Elsevier Ltd.