Personal exposure: a combination of two spatiotemporal objects

Presentatie over: "Personal exposure: a combination of two spatiotemporal objects"— Transcript van de presentatie:

1 Personal exposure: a combination of two spatiotemporal objects
Changing indicator surface Mobile person Population of individuals activity patterns modal choice route personal features Indicator micro-environment physical activity dose corrections …. Activity and its properties Persoonlijke blootstelling is een combinatie van twee tijdruimtelijke componenten. Personen bewegen in ruime en tijd op een variabel indicator oppervlak. De eigenschappen van de activiteit beïnvloeden de indicator. De activiteit is de sleutel en we gaan dit uitwerken voor roet (Black Carbon).

2 Indicator: Black Carbon (Diesel soot)
Traffic Combustion Specific Traffic dynamics Extreme spatiotemporal variability Distance to source Meteorology Extensive Participatory sensing possible Background concentration Roet is eén van de meest variabele componenten in het verkeersgerelateerd fijn stof. De emissie is zeer sterk afhankelijk van het lokaal verkeer en de loakle verkeersdynamiek maar wordt zeer sterk verstoord door meteo en achtergrondconcentraties. Het kan heel efficiënt gemeten worden in participatieve meetcampagnes. Seasonal aspects (dwelling heating)

3 Goal: Transfer participatory sensing data to health and policy studies
Detect and predict local peak levels We willen de variatie in participatieve metingen begrijpen en toepassen voor gezondheids- en voor beleidsondersteunend onderzoek. Daarvoor moeten we de lokale pieken kunnen detecteren en voorspellen.

4 Peak mission = Engine throttle
Dit is een mooi voorbeeldje van een lokale piek. Juist, we kunnen dit niet allen horen. We kunnen dit ook meten. Do you hear the matching sound ???

5 Noise spectrum explains traffic dynamics
Noise Level (dBA) Freq (Hz) Traffic count + engine regime + distance to source Speed related Engine Tyre Verkeergeluid bestaat uit motorgeluid en rolgeluid, laag en hooffrequent… Motorgeluid geeft een indicatie voor het werkingsregime van de auto. Het rolgeluid is een sterke functie van de snelheid.

6 Noise based traffic parameters
High speed No acceleration Low speed High acceleration LHFmLF LHFmLF Engine Engine LOLF LOLF Dit zijn twee gelijkaardige geluidsniveaus (in LAeq), maar toch sterk verschillende verkeerssituaties. We gaan deze informatie meten en gebruiken in een resolutie van 10 seconden op de fiets. Door mobiel te meten verhogen we de ruimtelijke resolutie. In-traffic resolution = 10 seconden Mobile measurements on bicycle spatial sampling

7 Overview – measurements and models
Activity Activity Bicycle Indoor Traffic Traffic Measurements Black Carbon + Noise + I/O Re_use Noise map Simultane van roet en geluid metingen op fiets ligt aan de basis. De geluidsmetingen worden geëxtrapolleerd naar indoor blootstelling op basis van een geluidskaart. Extrapolate

8 Overview – measurements and models
Activity Activity Activity Bicycle Indoor Car Traffic Traffic Traffic Measurements Black Carbon + Noise + I/O Measurements Black Carbon + Noise map Re_use Noise map In een meetcampagne in de auto wordt de geludiskaart ook gebruikt als een alternatieve verkeerlaag. Samen vormen deze modellen een persoonlijk blootstellingsmodel. Personal exposure model

9 Bicycle: Spatial variation of the noise parameters
Engine related Speed related Links zie je het motorgeluid, het resultaat van een jaar fietsen tijdens de spits. Rechts zie je de snelheidscomponent. De grote verschillende de de sterke lokale variatie is mooi zichtbaar.

10 Bicycle: Spatial variation Black Carbon and Engine Noise
Background adjusted Engine related Rechts staat nu de blootstelling aan roet, na het uitvoeren van en achtergrondcorrectie. De fietser is blootgesteld een achtergrondconcentratie met daarbovenop een lokale bijdrage van het lokaal verkeer. BCtotal = BCbgk* + BClocal Tune into Bkg level

11 Bicycle model (local component) Fietsmodel
Generalized Additive Model Ln(BClocal) = gam(LOLF, wind, StCan, LHFmLF) More wind Lower exposure Exposure saturates with traffic speed Linear relation with Engine Noise Narrow Street Canyon Higher exposure LOLF Wind speed Street Canyon LHFmLF Dit ziet er zo uit: een mooie lineaire relatie tussen het motorgeluid en de blootstelling aan roet, maar met als zeer belangrijke tweede component de windsnelheid die de uitstoot verdund. De blootstelling is hoger in street canyons en met hogere snelheid satureert de blootstelling.

12 Yearly averaged exposure
Apply instantaneous model Als je de ogenblikelijk blootstelling begrijpt, is het heel eenvoudig om een correcte jaarlijkse blootstelling te berekenen. De verstoring van de metingen door de meteo kan volleidg worden opgelost. Dit is een zeer interessante laag voor een fietsroeteplanner. Meteorological bias resolved Cost layer for bicycle exposure app

13 How efficient is the mobile noise sampling?
Four passages quantify the driving force of traffic related PM Er is meer. Er zijn slechts vier passages nodig met de fiets om een verkeerssituatie voldoende correct te meten om een goede jaarlijkse blootstelling te bekomen op ieder wegsegmentje van 50 m. WE kunnen nu zeer efficiënt het verkeer scannen over een gehele stad. Ten noise units scan a full city in four to six months…

14 Noise map based indoor and car model
LOLF Indoor model LHFmLF Downgrade LDEN In-vehicle model IN het indoor model worden de metingen vervangen door een geluidskaart en dat is een zware downgrade van de kwaliteit van de verkeersinformatie. Alleen de getelde wegen zitten nu in het model. Voor de auto doen we iets gelijkaardigs maar zijn er een zestal parameters nodig om een werkend model te krijgen.

15 Daily exposure: external validation
Bicycle model In-vehicle model Indoor model = Personal exposure to Black Carbon Alle stukjes van d epuzel geven samen een zeer goede voorspelling van de persoonlijke blootstelling. Dit zijn bijna 300 persoon-dagen aan participatieve metingen die voorspelt worden op basis van volledig onafhankelijke participatieve meetcampagnes. Instantaneous models based on independent participatory sensing data validated with participatory sensing data

16 Evaluation by micro-environment
Bike & Walk Underestimated Lack of local traffic and traffic dynamics Waar loopt het mis? Vooral de blootstelling van fietsers en voetgangers wordt onderschat. Dit is zeer logisch want de meeste verplaatsingen op de fiets en te voet doen we langs wegen waar geen verkeerstelling beschikbaar zijn. De geluidskaart schiet daar te kort. BIKE WALK

17 Evaluation by micro-environment
Bike & Walk Underestimated Lack of local traffic and traffic dynamics Solution City-wide mapping This is the upgrade De oplossing heb ik gegeven. Het scannen van het verkeer doorheen de stad kan en zal deze ontbrekende gegevens, inclusief de verkeersdynamiek aanleveren en het model nog gevoelig verbeteren.

18 Personal exposure data workflow for health and policy app’s
Applications Feed with activity patterns De modellen kunnen nu toegepast worden op ieder mobiele bevolkingsdataset. We moeten alleen het gedrag van de individuen capteren of simuleren om de indicator in deze tijdruimtelijke resolutie te berekenen. Cohorts Policy

19 µLUR: microscopic land-use regression
High resolution Instantaneous models Measure all variability µLUR Attribute all dimensions (including driving force…) De kern zijn de methodologie zijn µLURs, de microscopische land-use modellen. De µLURs combineren een hoge resolutie met meetcampagnes die alle dimensies capteren en attribueren, zijn specifiek voor het type activiteit en hebben niet-lineaire technieken nodig om tot een werkende oplossing te komen. Activity specific models Non-linear techniques

20 Key feature Instantaneous traffic including traffic dynamics
through noise explains local variability of PM Het sluitstuk is natuurlijk het ogenblikkelijk verkeer. De geluidsmetingen leveren de lokale verkeersdynamiek en die maakt het mogelijk om de lokale variatie in de blootstelling en de verstoring door meteo en achtergrondconcentraties te ontrafelen.

21 Spatiotemporal modelling of personal exposure to traffic related particulate matter using noise as a proxy Luc Dekoninck 1Acoustics Group, Department of Information Technology Ghent University, Belgium “Whatever discipline you are in: Don’t model the average, model the distribution.” Robert Cailliau, co-developer of www at CERN