Feinstaubbelastung in Mannheim
Hauptansicht des Dashboards

Folke Gleumes, Leon Kuczaty, Sophie Kühn & Niklas Rössler

Feinstaubbelastung in Mannheim

Der Einfluss verschiedener Ereignisse auf die Luftverschmutzung

Die Feinstaubbelastung nimmt direkten Einfluss auf die Gesundheit der Menschen. Besonders hoch ist sie in der Regel in Städten. Unser Feinstaub-Dashboard stellt die Belastung für Mannheim dar und erlaubt eine Verbindung mit kleineren (lokalen) oder größeren (globalen) Ereignissen zu untersuchen. Über unsere Darstellung lässt sich allerding kein Zusammenhang des PM10 Feinstaubes und lokalen Veranstaltungen feststellen. Großereignisse wie Silvester oder Saharawinde lassen allerding sehr deutliche Ausschläge sichbar werden. Als Nebenprodukt unseres Projekts erkennt man auch, das die Wahl richtiger Sensoren wichtig ist. Denn die Daten der Messgeräte von MVV und Sensor.Community liefern teilweise abweichende Daten. Das erschwert es zusätzlich Gründe für einen Ausschlag zu finden.

Dieses Projekt ist im Rahmen des Kurses “Grundlagen der Datenvisualisierung” im Wintersemester 2021/22 an der Hochschule Mannheim unter der Leitung von Prof. Dr. Till Nagel entstanden.

Einführung

Das Problem der Feinstaubbelastung kennen viele Menschen zunächst nur aus dem asiatischen Raum, doch auch in unseren Städten wird die Feinstaubbelastung immer häufiger zum Problem. Wie in einigen Großstädten wurden auch in Mannheim eine Reihe an Luftverbesserungsmaßnahmen getroffen. Eine davon ist die „Grüne-Welle“, welche eine geringere Feinstaubbelastung verspricht. Wir haben es uns zum Ziel gemacht, die Feinstaubbelastung Mannheims aufzuzeigen und mit besonderen Veranstaltungen wie zum Beispiel Silvester, Demonstrationen und weiteren lokalen Veranstaltungen, aber auch globalen Ereignissen in Verbindung zu setzen. Über die Feinstaubbelastung (PM10) haben wir Grenzwerte und tagesaktuelle Werte vergleichen können. „Welche Ereignisse nehmen Einfluss auf die Luftverschmutzung in Mannheim?“ Diese Frage hat uns das komplette Semester begleitet und uns zu unserem interaktiven Dashboard gebracht. Dadurch können NutzerInnen explorativ mit den von uns aufbereiteten Daten Zusammenhänge erforschen.

Daten

Dank der MVV hatten wir schon einen sehr umfangreichen Satz an Daten, die sich über eine simpel zu bedienende API abfragen ließen. Bedauerlicherweise gab es jedoch einiges an Inkonsistenzen in den Daten, die es kompliziert machten, mit ihnen umzugehen. Unter anderem gibt es Messreihen, die Quellen angeben, die nicht existieren oder eine Messreihe, die gleiche Quelle doppelt angibt. Außerdem war die API leicht zu überlasten, weshalb größere Anfragen zerstückelt werden mussten und wegen der Vorgabe nur eine Anfrage pro Minute zu senden, dauerte es sehr lange eine aktuelle Version des Datensatzes zu bekommen. Kombiniert mit den Inkonsistenzen, stellte sich die Entwicklung eines API-Clients als fordernd heraus.

Neben den gegebenen Daten der MVV, sind wir auf Sensor.Community gestoßen. Sensor.Communtiy beschreibt sich selbst als “ein von vielen Mitwirkenden betriebenes, globales Sensornetzwerk, das open data Umweltdaten generiert”. Die Daten lassen sich als CSV Dateien aus einem über HTTP erreichbaren Archiv laden. Leider wurden die Daten nur als simple Ordnerstruktur angeboten, ohne einen Index, oder einen Hinweis zu liefern unter welchen Namen die Sensoren zu finden sein würden, der nur bedingt vorhersagbar ist, da der Sensortyp Teil des Namens ist.

Um die spätere Verarbeitung zu vereinfachen, wurden die Daten in eine InfluxDB übertragen, die explizit auf die Verarbeitung von zeitabhängigen Datenreihen optimiert ist. Dadurch mussten auch viele der typischen Berechnung, wie z. B. die Daten auf den Durchschnitt jeden Tages zu reduzieren, nicht selbst getätigt werden.

Da der ursprüngliche Gedanke war, die Luftqualitätsdaten mit aktuellen Ereignissen zu vergleichen, haben wir auch noch versucht an eine Datenquelle für Events zu kommen. Obwohl es eine Übersichtsseite über verfügbarer RSS-Feeds gibt, scheint der Veranstaltungsfeed nicht mehr aktiv zu sein.

Für die Webapp werden die Daten über eine GraphQL Schnittstelle angeboten. Diese übersetzt die Anfragen zu einer InfluxDB Anfrage und liefert das Ergebnis zurück. Da diese Anfragen bei größeren Datenmengen durchaus ein paar Minuten dauern kann, wird das Ergebnis für die folgenden 24 Stunden zwischengespeichert und bei gleichen Anfragen direkt gesendet, ohne noch einmal bei der InfluxDB anzufragen. Letztendlich wurden zwei verschiedene Anfragen unterstützt. Zum einen ist es möglich sich einen Zeitraum ausgeben zu lassen, dabei besteht die Auswahl das Intervall und die Methode mit der dieser berechnet werden soll (Median/Durchschnitt), festzulegen. Das Intervall beträgt standardmäßig einen Tag. Zum anderen kann der pro Wochentag Durchschnitt abgefragt werden, also der Durchschnitt aller Montage, der z. B. letzten zwei Jahre. Auch hier besteht die Möglichkeit einen Zeitraum zu definieren und eine Methode für die Aggregation zu bestimmen (Median/Durchschnitt).

Um die App sicher und einfach anbieten zu können, wurden alle Services in Docker-Images verpackt und hinter einem NGINX Reverse Proxy betrieben, der die Services wiederum über HTTPS dem Internet bereitstellt.

Prozess

Unser Prozess startete mit Treffen, in denen wir uns, über für unser Projekt interessante Daten und Ereignisse austauschten. Dabei wurden wir auf Wetterdaten, Coronainzidenzen sowie lokalen Ereignissen in Mannheim aufmerksam. Wahlweise betrachteten wir Daten in unterschiedlichen Zusammenstellungen der Daten in Tableau, wie beispielhaft in Abbildung 1 zu sehen, um sie genauer zu untersuchen.

Abbildung 1: In Tableau werden die Standorte der Sensoren angezeigt. Ihre Größe beschreibt den Median der Feinstaubbelastung der letzten zwei Jahre.

Das wiederholten wir iterativ über mehrere Wochen. Dabei entstanden Ideen für unser Dashboard und die ersten Papier-Prototypen wurden entwickelt (Abbildung 2). Die Menge an Ideen war allerdings zu groß um alles in dem Rahmen des GDV-Projekts umsetzen zu können. So entschieden wir uns für einen Ausschnitt unserer Ansätze und verfolgten den Ansatz einer simplen Darstellung um die Datenexploration für NutzerInnen unseres Dashboards möglichst leicht zu gestallten. Daraus ging unser Ergebnis hervor.

Abbildung 2: Der Low Fidelity Prototyp zeigt links ein Diagramm mit Interaktionsmöglichkeiten und rechts einen erklärenden Text - schon ähnlich zu unserem Ergebnis.

Prototyp

Unser Ergebnis ist das Feistaub-Dashboard. Das Dashboard setzt sich aus zwei Ansichten zusammen, die sich im grundlegenden Aufbau gleichen. Beide zeigen auf der linken Seite eine Graphik und auf der rechten Seite einen erläuternden Textabschnitt für das Dashboard im Allgemeinen und für die entsprechende Ansicht. Die dargestellten Daten können durch die unterschiedlichen Aggregationsarten, die Möglichkeit bieten verschiedene Ereignisse zu untersuchen.

Hauptansicht

Abbildung 3: Die Hauptansicht des Dashboards. Der Text auf der rechten Bildhälfte unterstützt auch durch eine Farbcodierung.

Die Hauptansicht (Abbildung 3) enthält ein klassisches Liniendiagramm, welches die Feinstaubbelastung in Mannheim über den vordefinierten Zeitraum vom 02.12.2019 bis heute aufzeigt. Damit lässt sich der generelle Trend der Feinstaubbelastung in Mannheim darstellen und es erlaubt gleichzeitig den Vergleich zwischen Daten der MVV und Sensor.Community. Zusätzlich sind Ausreißer über den Grenzwert (gelb-gestrichelter Linie) leichter zu erkennen. Das Diagramm ist intuitiv und leichtverständlich, da es mehrere Daten des selben Tages wahlweise über einen Median und/oder Durchschnitt zusammenfasst. Standardmäßig werden die Median-Daten gezeigt. Getreu den Interaktionsmöglichkeiten Explore und Select lassen sich die angezeigten Daten durch einen Klick auf das entsprechende Label ein und ausblenden.

Unter dem Diagramm bieten sich weitere Interaktionsmöglichkeiten: Der Datepicker liefert einen klassischen Filter und zeigt den gewählten Zeitraum im Diagramm an. Darunter befindet sich ein Umschaltknopf, der vorselektierte Events im angezeigten Zeitraum jewails durch ein grünes Kreuz darstellt, falls eingeschaltet (Explore). Durch Hovern über ein Kreuz kann man erkennen um welche Art von Event es sich handelt (z.B.: Demo, Konzert, etc.). Rechts daneben können Ereignisse ausgewählt werden, welche sich im Diagramm durch (individuelle) Besonderheiten hervorheben (Select). Dadurch wird der Zeitraum im Graphen angepasst und eine Informationsbox mit möglichen Interpretationen und Quellenangaben angezeigt.

Mit dem Knopf über der “Erläuterung der Ansicht” gelangt man auf die “Wochentag-Ansicht”.

Wochentag-Ansicht

Abbildung 4: Die Wochentag-Ansicht zeigt nach einer Interaktion den Sonntag farblich hervorgehoben.

Diese Ansicht (Abbildung 4) stellt ebenfalls die Feinstaubbelastung in Mannheim da. Sie fasst in dem Graphen allerdings die Wochentage stündlich zusammen. Damit lassen sich zunächst die Wochentage untereinander gut vergleichen. Dabei hilft auch eine Interaktion unter dem Diagramm: “Wochentag hervorheben”. Der gewählte Wochentag behält seine Farbe, während die restlichen ausgegraut werden (Select). So kann man beispielsweise erkennen, dass die Feinstaubbelastung an Sonntagen in der Regel niedriger ist als an allen anderen Tagen.

Die Ansicht bietet auch die Möglichkeit Median und Durchschnitt miteinander zu vergleichen. Zum einen, indem man die Aggregationsfunktion wählt (Encode) und zum anderen durch den Umschaltknopf, der für einen konkreten Tag Median und Durchschnitt zusammen anzeigt (Explore).

Implementierung

Für das Frontend verwenden wir Angular, das über eine GraphQL-Schnittstelle die Daten für die Hauptansicht lädt. Die Daten der Wochentag-Ansicht können über das Backend angefordert werden, sind aber zunächst aus Gründen der Performanz fest im Frontend abgelegt. Dargestellt werden die Daten durch Chart.js, welches als npm-Paket in das Projekt integriert ist.

Erkenntnisse

Wir zeigen mit Hilfe unseres Dashboards die Feinstaubbelastung Mannheims sowohl im Median als auch im Durchschnitt auf, um sie mit besonderen Events und lokalen Veranstaltungen in Verbindung zu setzen. Mithilfe der gegebenen und durch uns aggregierten Daten konnten wir keinen nachweisbaren Zusammenhang zwischen der Feinstaubbelastung und lokalen Veranstaltungen in Mannheim feststellen. Wie beispielhaft in Abbildung 5 zu sehen ist, liegt der Tagesmedian der Feinstaubbelastung im Zeitraum der Black Lives Matter Demo vom 27.06.2020 in Mannheim bei 4,79 µg/m³. Markiert wird die Veranstaltung durch das grüne Kreuz im Diagramm. Bei unseren restlichen lokalen Events bietet sich ein vergleichbares Bild.

Abbildung 5: Feinstaubbelastung während einer Demo der Black Lives Matter Bewegung vom 27.06.2020 in Mannheim.

Hierbei ist deutlich zu erkennen, dass sich der 27.06.2020 nicht von den umliegenden Tagen unterscheidet und man keine Auffälligkeit feststellen kann. Dies kann, zum einen eine nicht flächenmäßig vollständig durch Sensoren abgedeckte Position der Veranstaltung zur Ursache haben, zum anderen ist durch die Nutzung von Open-Source Quellen nicht immer eine Vergleichbare Messsituation gegeben. Konkreter könnte hier ein Sensor zum Beispiel in einem zur Straße abgewandtem Garten stehen, während ein anderer direkt an einer vielbefahrenen Straße aufgestellt wurde. Ebenfalls kann auch die Art und Weise, wie wir die Daten verarbeiten und aufbereiten, einen Einfluss auf das Ergebnis haben. Durch die von uns gewählten Methoden berechnen wir aus allen stundenweisen Werten der Sensoren ganz Mannheims einen Tagesmedian und -durchschnitt. Dieser gibt nur begrenzt Aufschluss darüber, ob ein einzelnes standortbezogenes und zeitlich begrenztes Event einen Einfluss auf die Feinstaubbelastung hat.

Einen nachweisbaren Zusammenhang konnten wir bei global auftretenden Events feststellen. Konkret betrachtet haben wir hier die Saharawinde im Februar 2021 und Silvester 19/20 & Silvester 20/21 im Vergleich, bieten aber auch die Möglichkeit, durch das Selbstauswählen einer Zeitspanne eigene Explorationen der Daten durchzuführen.

Am Beispiel der Saharawinde im Zeitraum vom 23.02.2021 – 28.02.2021 zeigen wir auf, dass diese sich deutlich auf die Feinstaubbelastung ausgewirkt haben. Dieser besagte Saharawind hat in ganz Deutschland zu einer erhöhten Feinstaubbelastung geführt. Eine europaweite Verordnung aus 2005 besagt, dass die Feinstaubbelastung im Tagesmittelwert nicht höher als 50 µg/m³ sein darf. Wie in Abbildung 6 zu erkennen ist, erreichten wir bei dem MVV-Datensatz am Peak einen Wert von 115 µg/m³, womit wir diese Verordnung deutlich überschreiten. Erlaubt ist das nur 35-mal innerhalb eines Jahres. Durch die von Sensor.Community gelieferten Daten erreichen wir hier nur einen Peak von 40 µg/m³.

Es ist schwer zu ermitteln welche Daten dabei aussagekräftiger sind, denn unsere beiden Quellen haben Stärken und Schwächen. Die Daten der MVV kommen von nur einer Messstation, von der aber Standort und Umgebung offenliegen. Sensor.Community bietet eine sehr große Menge an Messdaten, die von Sensoren aus unbekannten Umgebungen stammen. Es ist also nicht zu sagen, ob ein Sensor an der Luft oder in einer stickigen Garage steht. Diesen „Metavergleich“ lässt das Dashboard zu und legt ihn transparent für NutzerInnen dar.

Abbildung 6: Erhobene Messungen der MVV & Sensor.Community zur Feinstaubbelastung Mannheims im Zeitraum der Saharawinde vom 23.02.2021 – 28.02.2021.

Ebenfalls interessant zu betrachten ist die Veränderung der Feinstaubbelastung durch die Corona Pandemie. Im Vergleich von Abbildung 7 und Abbildung 8 ist klar zu erkennen, dass wir Silvester 19/20 den Grenzwert ebenfalls wieder deutlich übersteigen und auf knapp das doppelte, 100 µg/m³ kommen. Silvester 20/21 hingegen überschreitet lediglich knapp die 10 µg/m³ Marke und liegt sogar tiefer als die erste Januar Woche. Eine Erklärung hierfür könnte das 2020 eingeführte Verkaufsverbot für Silvester- Raketen und Böller sein.

Abbildung 7: Aufzeigen der von Sensor.Community gemessenen Feinstaubbelastung zum Jahreswechsel von 2019 auf 2020 in der Smart-City Mannheim. Es ist ein deutlicher Ausschlag erkennbar.
Abbildung 8: Aufzeigen der von Sensor.Community gemessenen Feinstaubbelastung zum Jahreswechsel von 2020 auf 2021 in der Smart-City Mannheim. Es ist kein Ausschlag erkennbar.

Allgemein konnten wir erkennen, dass die Kurven der Median-Daten in der Wochentag-Ansicht weniger wechselhaft waren als die der Durchschnitt-Daten. Durch die große Anzahl der von uns benutzten Datenpunkte vermuten wir, dass die Ausschläge durch wenige, besonders hohe Ausschläge zustande kommen wie zum Beispiel Silvester oder die Saharawinde. Deshalb liefert, unserer Auffassung nach, die Aggregation über den Median eine bessere Idee des Standard-Wochentags (eines “ruhigen” bzw. ereignislosen Tages). An Sonntagen ist wie anzunehmen über den Tag die geringste Feinstaubbelastung festzustellen (Abbildung 9). Eine mögliche Erklärung hierfür wäre das Wegfallen des Berufsverkehrs oder die allgemein anhaltende Sonntagsruhe. Zu Tagesbeginn starten wir allerdings mit dem höchsten Wert, eine Vermutung von uns wäre das Nachtleben, welches Mannheim zu bieten hat.

Abbildung 9: Der Graph der Wochentag-Ansicht zeigt, dass der "Standard Sonntag" eine niedrigere Feinstaubbelastung als die restlichen Wochentage aufweist.

Zusammengefasst können wir mit Bezug auf unsere Leitfrage nicht vollkommen sicher beantworten wie sich Ereignisse im Raum Mannheim auf die Feinstaubbelastung vor Ort auswirken. Ein Einfluss durch nur lokal in Mannheim sattfindende Veranstaltungen lässt sich, so wie wir die Daten aggregiert und dargestellt haben, nicht in der Feinstaubbelastung wiedererkennen. Globale oder sich auf ganz Deutschland auswirkende Events sind wiederrum gut in den Daten erkennbar. Außerdem konnten wir Daten der MVV mit denen von Sensor.Community vergleichen und feststellen, dass Sie zwar immer mindestens ähnliche Trends verfolgen, aber sich nicht immer in der Intensität der Ausschläge gleichen.

Fazit

Mit unserem Dashboard ist es möglich die Feinstaubbelastung für Mannheim zu überblicken. Egal ob man diese für die letzten zwei Jahre betrachten möchte, für einen explizit ausgewählten Zeitraum oder für eine Durchschnittswoche der letzten zwei Jahren. Durch unsere weitfassende Leitfrage, konnten wir uns nur auf einen Teil der Fragestellung konzentrieren. Um die Frage, welche Ereignisse Einfluss auf die Luftverschmutzung in Mannheim nehmen, gewissenhaft beantworten zu können, bräuchte es viel mehr Daten. Selbstverständlich lassen sich große/ globale Ereignisse wie die Saharawinde aus unserem Dashboard ableiten, jedoch sind kleinere Ausreißer nicht immer deutlich auf ein Ereignis zurückführbar. Auch desshalb, da mehrere Ereignisse gleichzeitig Einfluss nehmen können. Unser Projekt sensibilisiert die NutzerInnen für das Thema Luftverschmutzung, und führt uns vor Augen, wie groß der Einfluss von einzelnen Ereignissen sein kann.

Ausblick

Niemand ist perfekt, auch unser Dashboard nicht. Durch Einbinden weiterer Datensätze kann unsere Leitfrage noch besser beantwortet werden. Verkehrsdaten, Wetterdaten oder Daten der Nahverkehre können die Qualität unserer Darstellungen sicher verbesseren. Es wäre zukünftig dadurch zum Beispiel möglich, zu überprüfen, ob aufgrund eines Unwetters mehr Leute mit dem Auto oder der Bahn fahren würden. Eine Unterteilung in die Stadtviertel Mannheims oder eine stündliche Aggregation wäre eine weitere denkbare Erweiterung für unser Dashboard. Da Mannheim groß ist und es einige stärker frequentierte Gebiete gibt könnte eine Aufteilung sicherlich einige Erkenntnisse fördern. Andere Ausbaumöglichkeiten sind eine Choroplethenkarte um Auswirkungen kleinerer Events besser darstellen zu können, eine Nutzerinteraktion mit dem NutzerInnen selbst Veranstaltungen hinzufügen können oder eine Heatmap für die Wochentag-Ansicht. Durch diese Darstellung würde man Besonderheiten an einzelnen Tagen im Vergleich zu anderen bzw. gewöhnlichen Tagen besonders gut veranschaulichen.

Trotz der begrenzte Zeit und der begrenzten Ressourcen haben wir es geschafft ein gut verständliches und für NutzerInnen interaktives Dashboard zu erstellen, das noch viele Möglichkeiten bietet es zu erweitern.