Feinstaubbelastung in Mannheim

Inspiriert wurde dieses Projekt durch die Ernennung der Stadt Mannheim als “Smart City Modellstadt”, die als eine von wenigen 20 Städten Deutschlands Fördermittel des Bundes erhielt. Grundlage einer solchen Smart City stellt mitunter die Ressourceneffizienz dar, die in der folgenden Arbeit durch das Aufbereiten, Analysieren und Visualisieren urbaner Daten untersucht werden soll. Konzentriert wurde sich auf Daten der Feinstaubemission. Dieser Feinstaub bildet ein Drittel des Luftqualitätsindexes und hat somit eine beachtliche Auswirkung auf die Luftqualität.

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.

Konzept

Luftschadstoffe in Städten können mittlerweile große Auswirkungen auf die menschliche Gesundheit haben. Da wir selbst in Mannheim wohnen und leben, stellten wir uns die Frage, wie ausgeprägt eine solche Feinstaubbelastung in Mannheim ist. Dies motivierte uns die Luftqualität in Mannheim zu analysieren, wobei wir uns dabei auf das Jahr 2020 beschränkten. Sensoren, die in der ganzen Stadt verteilt sind und Messungen der Feinstaubpartikel PM10 und PM2.5 vornehmen, bilden hierbei unsere Datenbasis. Wir stellten uns die Kernfrage, ob in den an die Industrie angrenzenden Wohngebieten im Vergleich zu den von dieser entfernteren Wohngebieten eine sich differenzierende Feinstaubbelastung untersuchen lässt. Weiter wollten wir der Annahme nachgehen, dass menschliches Handeln die Schadstoffemission beeinflusst, was sich durch die Wahl des Fortbewegungsmittels oder des Heizens an kalten Tagen äußert und zu signifikanten Unterschieden führen kann. Diese Annahme führte zu der weiteren Fragestellung, ob ein Unterschied in den Jahreszeiten sichtbar ist. Wir stellten schließlich die Hypothese auf, dass in den Wintermonaten eine erhöhte Schadstoffemission entsteht, was wir durch die Bevorzugung des Kraftfahrzeugs als Fortbewegungsmittel und das vermehrte Heizen annehmen konnten. Zudem überlegten wir uns, ob sich Großveranstaltungen in der Luftqualität widerspiegeln, weshalb wir nach solchen im Jahre 2020 recherchierten. Hierbei sei hinzuzufügen, dass die in diesem Jahr beginnende Covid-19 Pandemie viele Großveranstaltung nicht zuließ und 2020 somit nicht repräsentativ für die von der Pandemie nicht betroffenen Jahre betrachtet werden kann.

Datengrundlage

Die Grundlage unserer Daten bilden Sensoren der Sensor Community. Hierbei handelt es sich um ein globales Netzwerk von Sensoren, welches open data, also öffentlich zugänglich, ist. Weltweit gibt es über 14.000 aktive Sensoren in 72 Ländern. In Mannheim waren im Jahre 2020 16 Sensoren aktiv. Demnach nutzen wir diese 16 lokalen Sensoren vom Typ SDS011 der Sensor Community, welche die Konzentration der Feinstaubpartikel messen. Über die API der Sensor Community werden Daten zu den Schadstoffpartikeln mit einem aerodynamischen Durchmesser von weniger als 10 µm (PM10) und weniger als 2,5 µm (PM2.5) gesammelt und als CSV zum Export zur Verfügung gestellt. Die Daten werden circa alle fünf Minuten erfasst. Die Ordnerstruktur der Exporte ist nach Tagen aufgebaut:

Dahinter befinden sich die Exporte aller aktiven Sensoren der Sensor.community:

In Kapitel 4 “Aufbereitung und Auswertung” wird die Vorgehensweise zum Selektieren der Sensoren näher beschrieben. Das Vorliegen der Daten in diesem Format unterstützt an dieser Stelle schon unser Vorhaben eine Visualisierung über einen Zeitraum anhand des Datums zu erstellen. Die Basis unserer Map-Visualisierung bildet eine .geojson Datei des Geoportals der Stadt Mannheim. Hier entschieden wir uns für “Stadtbezirke Mannheim”, die über eine WFS-Schnittstelle die Geodaten zu den 36 Stadtteilen anbietet. Diese werden wir auf einer Satellitenhintergrundkarte visualisieren und die Sensoren der Sensor Community auf dieser Map markieren.

Aufbereitung und Auswertung

Die Daten der Sensor Community bereiteten wir mit einem Shell und einem SQL Skript auf. Das Shell Skript wurde so entwickelt, dass es automatisiert die Daten aus dem Archiv der Sensor Community downloadet. Dabei haben wir den Sonderfall berücksichtigt, dass leere Exporte nicht gedownloadet werden. Das Shell Skript legt die Daten in folgender Ordnerhierarchie ab: Monat/Sensor/Tag (CSV-Export).

Mit dieser Struktur verschafften wir uns einen ersten Überblick über die Daten und konnten so einschätzen, ob die monatliche Menge der Daten für unser Vorhaben Jahreszeiten miteinander zu vergleichen ausreichend ist. Um die Daten in eine für uns nutzbare Form aufzubereiten, erstellten wir eine PostgreSQL-Datenbank, in der wir pro Sensor eine Tabelle angelegt haben. Jede solche Tabelle besitzt die Attribute eines eindeutigen Identifikators, dem Typ des Sensors, der Lokalisation, dem Längen- und Breitengrad, einem Zeitstempel und den Feinstaubwerten PM10 und PM2.5. Mit Hilfe des SQL Skripts kopierten wir die Daten aus unseren angelegten Ordnern in die Tabellen. Die Datenbanktabellen exportierten wir schließlich als CSV-Dateien, um diese in unser Shiny Projekt einzubinden und dort weiter zu explorieren.

Prozess

Die erste Idee war es eine Karte einzubauen, bei dem die räumliche Verteilung der Sensoren direkt eingesehen werden kann. Zudem war geplant seitlich eine Dropdown-Liste mit den Standorten, einen Zeitslider und Checkboxen für den Feinstaub und die Stickoxide zur Verfügung zu stellen. Nach der Auswahl der Kriterien, soll unter der Karte ein Linechart erscheinen. Den Anwendenden sollte eine einfache und klare Bedienung und eine schnelle Interpretation der Visualisierungen ermöglicht werden.

Unsere Idee konnten wir fast wie geplant umsetzen, mit der Ausnahme, dass wir die Stickoxide nicht integrierten und das Sidebar Panel linksseitig implementierten. Zudem haben wir die Karte durch eine Satellitenkarte ersetzt, um ein intuitives Einschätzen der Sensorlokalisation zu ermöglichen (zentral, dezentral, industrienah, industriefern). Der Startbutton wurde weggelassen, da die App automatisch nach Auswahl der Kategorien plottet.

Prototyp

Unser Ziel war es von Beginn an die Applikation übersichtlich, einfach strukturiert aufzubauen und eine sinnvolle Interaktion ohne Vorkenntnisse oder Hintergrundwissen zu ermöglichen. Wir visualisierten die Daten in einer Satellitenmap, sowie einem Liniendiagramm.

Die erste Interaktion wird durch ein Dropdown-Feld ermöglicht, in dem der Sensor ausgewählt werden kann. Dieser ist mit beiden Visualisierungen verbunden und passt somit sowohl den markierten Sensor auf der Karte, als auch die Daten des Liniendiagramms an. Unmittelbar darunter befindet sich ein interaktiver Slider, der die Daten nach dem Datum filtert. Dieser passt ebenfalls die Daten des Liniendiagramms entsprechend an. Zwei Checkboxen dienen der Auswahl der Partikelgröße, wobei nur eine oder beide Auswahlen möglich sind, auch hier wird das Liniendiagramm angepasst. In beiden folgenden Visualisierungen wird eine Leiste angezeigt, die verschiedene Interaktionsmöglichkeiten bietet. Hier können die Plots nicht nur al als PNG gedownloadet werden, ermöglicht wird auch ein Zoom in/out, Pan, Autoskalierung, Wiederherstellen der Ausgangsachsen und verschiedene Hover-Aktionen, wie das gleichzeitige Vergleichen der Hoveranzeige beider Linien zu einem bestimmten Zeitpunkt.

Satellitenkarte

Der durch das Dropdown-Feld ausgewählte Sensor wird auf der Satellitenkarte mit einem roten Punkt angezeigt, gleichzeitig wird in die Karte zu diesem Sensor zentriert gezoomt. Der Einsatz einer Satellitenkarte hat den Vorteil, dass die Umwelt genau sichtbar ist und leicht unterschieden werden kann, ob der Sensor eher nahe der Industrie, an einer stark befahrenen Straße oder ländlich lokalisiert ist. Dies unterstützt wieder den Aspekt der Einfachheit der App. Hovert man über den Sensor auf der Karte, ist der Name und der Mittelwert des ausgewählten PM-Wertes am ausgewählten Tag beziehungsweise Zeitraum zu erkennen. Bei der Namensgebung haben wir uns am Standort des Sensors orientiert, was den Bedienenden einen Wiedererkennungswert bietet.

Liniendiagramm

Unterstützt wird die Visualisierung der Karte von einem Linechart, welcher den ausgewählten Zeitraum auf der x-Achse und den Feinstaub auf der y-Achse abbildet. PM10 und PM2.5 werden im Linechart farblich voneinander abgehoben, um sie zu unterscheiden und vergleichen zu können. Die Hover-Funktion bietet hier die Möglichkeit den genauen Wert und das genaue Datum einzueshen. Damit wird die Darstellung für die Nutzenden detailreich gestaltet (s. Abbildung 7).

Implementierung

Für die Implementierung haben wir uns für die Programmiersprache R entschieden, da diese betriebssystemunabhängig ist und sich sehr gut für statistische Berechnungen, sowie Grafiken eignet. Mit dem R Package Shiny haben wir eine interaktive App nach unseren Wünschen gestaltet. Shiny bringt einen eigenen integrierten Webserver mit sich, der für unseren Zweck völlig ausreichend ist. Außerdem gibt das Framework eine feste Struktur mit folgenden Funktionen vor:

• fluidPage(), definiert das User Interface (Main und Sidebar Panel) und ruft die Outputs auf
• server-Funktion, in der die Visualisierungen und Outputs definiert werden
• shinyApp(), der beide vorherigen Funktionen übergeben werden und die die Anwendung startet.

Für die Unterteilung des User Interfaces haben wir eine Sidebar und ein Main Panel genutzt, um die Bedienoberfläche von der Visualisierung abzugrenzen. In der Sidebar wählen die Benutzer:innen den gewünschten Sensor, ein Datum beziehungsweise einen Zeitraum und die anzuzeigende Partikelgröße aus. Ebenfalls in der Sidebar findet sich eine kurze Erläuterung mit dem Titel “Was ist Feinstaub?”, um die Applikation ohne Vorkenntnisse verstehen zu können. Weiter haben wir uns für eine tabellarische Darstellung zur Erläuterung der Kategorisierung der Feinstaubwerte entschieden. Die Beschreibung bezieht sich dabei darauf, welchen Einfluss die Werte auf die Gesundheit haben. In dem Main Panel implementierten wir die zwei Visualisierungen. Bei der Satellitenkarte handelt es sich um ein mit der plot_mapbox-Funktion erstelltes Plotly-Objekt, während das Liniendiagramm ein ggplot2-Plot ist, das später aus Gründen der Darstellung zu einem ggplotly-Objekt konvertiert wurde. Beide Objekte werden durch die renderPlotly()-Funktion gerendert.

Erkenntnisse

Abhängigkeit der Schadstoffbelastung von der Industrie

Widmen wir uns unserer ersten Hypothese, ob unterschiedliche Emissionswerte industrieabhängig zu beobachten sind . Beginnen wir mit dem Sensorstandort in Neckarau, der sich mit seiner Lage zwischen drei Industrie- und Gewerbegebieten gut eignet. Im Norden ist das Industriegebiet von Neckarau, im Osten das Gewerbegebiet Mallau und im Süden der Rheinauer Hafen.

Der Gartenstadt-Sensor hingegen ist vergleichsweise weiter entfernt von der Industrie, er liegt in einem an den Wald angrenzenden Wohngebiet.

Die Feinstaubwerte bei den beiden Sensoren weisen eine relative Ähnlichkeit auf, wobei in Gartenstadt teilweise sogar höhere Werte gemessen wurden als in Neckarau.

Silvester macht einen deutlichen Schadstoffanteil aus

Am 01.01.2020 war bei allen Sensoren ein deutlicher Anstieg der Schadstoffe sichtbar. Die höchsten Werte waren die Sensoren Feudenheim mit einem PM10 Wert von 200 und der Sensor Niederfeld mit einem Wert von 144. Durch das Abbrennen von Feuerwerkskörpern entsteht sehr viel PM10, alleine in Deutschland sind das lediglich in der Silvesternacht circa 2.050 Tonnen Feinstaub.

Unterschied zwischen den Jahreszeiten: Im Winter wird mehr Auto gefahren und geheizt als im Sommer

Diese Annahme lässt sich von unserer Datenauswertung belegen. Besonders sichtbar macht dies der Sensor Augustaanlage, der in der Nähe einer stark befahrenen Straße liegt. Der Anstieg der Schadstoffe ab Anfang Oktober wird dort deutlich erkennbar und erreicht kurz vor Weihnachten einen Höhepunkt. Grund dafür können die Weihnachtseinkäufe vor den Feiertagen sein. An den Feiertagen selbst ist dann wieder ein Down der Werte zu erkennen.

Bei dem zentralen Sensor Augustaanlage ist in Erinnerung zu rufen, dass PM10-Werte ab 150,5 als sehr ungesund und ab 250 als gefährlich einzustufen sind. Ab den späten Sommermonaten befinden wir uns hier demnach fast durchgehend in einem mindestens sehr ungesunden Bereich.

Unterschied zentraler und dezentraler Sensoren

Zentrale und dezentrale Gebiete lassen eine deutliche Differenz erkennen, was unsere Aussage bestätigt. Eine Erklärung hierfür könnte das erhöhte Verkehrsaufkommen in der Stadtmitte sein. Sichtbar wird dies durch den Sensor Nationaltheater, der sehr zentral in Mannheim liegt.

Ein Kontrast hierzu stellt der Sensor Niederfeld dar, der in einer großen Kleingartensiedlung liegt und deutlich niedrigere Werte als der Sensor Nationaltheater aufweist.

Wir erkennen am Nationaltheater teilweise etwa doppelt so hohe Werte wie in Niederfeld.

Fazit

Unser Ziel war die Untersuchung der Emissionswerte in Mannheim im Jahre 2020. Wir untersuchten fünf Hypothesen, bei denen wir folgende Erkenntnisse erlangten: Wir konnten keine eindeutige Abhängigkeit zwischen industrienahen und industriefernen Gebieten feststellen, im Gegenteil - wir konnten diese Hypothese für zwei Sensoren sogar widerlegen. Deutlich erkennbar war hingegen eine erhöhte Feinstaubbelastung an stark befahrenen Hauptverkehrsstraßen (Sensor Augustaanlage) im Gegensatz zu Wohngebieten mit ruhigerem Verkehrsaufkommen (Sensor Niederfeld). Eine stärkere Abhängigkeit konnten wir saisonal beobachten, da in den Wintermonaten an allen Sensoren deutlich erhöhte Emissionswerte gemessen wurden. Sichtbar wurde auch, dass vor allem kurz vor den Weihnachtstagen die Feinstaubbelastung drastisch anstieg, was wir uns durch die Weihnachtsvorbereitungen und -einkäufe und dem damit erhöhten Verkehrsaufkommen, sowie Stadtbesuchen erklären. Welche Auswirkungen Großveranstaltungen haben können, ließ sich leider aufgrund der in 2020 beginnenden Covid-19 Pandemie nicht wie gewünscht untersuchen. Nach dem Untersuchen zentraler und dezentraler Sensoren können wir die Aussage treffen, dass der Feinstaub in ländlicheren Gebieten die Luftqualität im Schnitt weniger stark beeinflusst. Wir mussten feststellen, dass die Emissionswerte in Mannheim vorwiegend, vor allem in der kalten Jahreszeit, Werte aufweisen, die häufig mindestens in die Klasse “ungesund für Risikogruppe” einzustufen sind. PM10-Werte, die ungesund oder gar gefährlich sind, konnten wir ebenfalls beobachten. Abschließend lässt sich zusammenfassen, dass die Feinstaubbelastung in Mannheim vermehrt von dem Verkehrsaufkommen und den Menschen abhängig ist, während die Industrie dabei keine primäre Rolle einnimmt.

Ausblick

Bisher sind in das Projekt nur die Emissionen von PM10 und PM2.5 eingeflossen, die ultrafeinen Partikel (<0,1 µm) wurden außer Acht gelassen, könnten aber noch integriert werden. Um die Luftqualität exakt zu beurteilen, müssten noch Stickoxide und Ozone in Betracht gezogen und ausgewertet werden, was eine gute Weiterführung des Projekts darstellt. Eine weitere Möglichkeit wäre es, den Benutzer:innen eine Mehrfachauswahl der Sensoren zu ermöglichen. Um eine größere Aussagekraft über den Einfluss der Industrie auf die Luftqualität zu gewinnen, wäre die Einbindung von Daten der Kraftwerke nötig. Hierfür relevant wären in Mannheim beispielsweise die Heizkraftwerke der MVV oder etwa die Nähe zur BASF in Ludwigshafen. Das Einbinden der Windrichtung könnte auch zu neuen Erkenntnissen führen und lässt somit Spielraum für die Zukunft.