Smart Cities - Luftqualität
Überblick
Zusammenfassung
Stichworte: Smart Cities, Datenerfassung, Datenbanken, Luftqualitätsindex, Open Sources, Sensoren
Fächer: Physik, Informatik, Mathematik, Technik
Altersstufe der Schüler*innen: 11-18
Zeitrahmen: Das Projekt besteht aus zwei Teilen, die unabhängig voneinander oder zusammen durchgeführt werden können. Für den theoretischen Teil werden vier Stunden als reguläre Unterrichtsstunden benötigt. Für den praktischen Teil - eine außerunterrichtliche Aktivität - werden innerhalb eines Schuljahres zwei Stunden pro Woche benötigt.
Kooperation: Schulen in der Umgebung, Forschungslabors, Gemeinden
Gute Luftqualität ist eine Voraussetzung für ein gesundes Leben. Aber die Luftverschmutzung in unseren Städten nimmt zu. Die Schüler*innen finden in dieser Einheit heraus, welches die wichtigen Parameter zur Ermittlung des Luftqualitätsindexes sind. Sie bauen ein echtes Analysegerät mit Sensoren und verschiedenen Open-Source-Elektronikplattformen, um ausgewählte Luftparameter zu messen und die Daten in Echtzeit zu übertragen. Aus der Datenanalyse können die Schüler*innen dann Rückschlüsse auf die Luftqualität in ihrer eigenen Stadt ziehen und ihre Ergebnisse mit der Öffentlichkeit, der Gemeinde und der Stadtverwaltung teilen, um geeignete Maßnahmen zu ergreifen.
Das Nachhaltigkeitsziel 11 (Nachhaltige Städte und Gemeinden) sieht vor, Städte inklusiv, sicher, widerstandsfähig und nachhaltig zu machen. Die im Jahr 2016 verursachte Luftverschmutzung verursachte jedoch 4,2 Millionen vorzeitige Todesfälle. Einige Gasschadstoffe tragen erheblich zum Klimawandel bei (Nachhaltigkeitsziel 13 - Maßnahmen zum Klimaschutz). Dies sind genug Gründe, um zu verstehen, wie wichtig die Luftqualität ist [1] [2].
Was versteht man unter Luftqualität?
Aber was bedeutet gute Luftqualität? Es handelt sich dabei um Luft mit wenigen Aerosolen (Feinstaubpartikeln) und mit einer geringen Konzentration an giftigen Gasen.
Im Unterricht erklärt die Lehrkraft die grundlegenden Begriffe der Luftverschmutzung. Die Schüler*innen werden in Gruppen eingeteilt und jede Gruppe beschäftigt sich mit einem der folgenden Themen:
- Aerosole - die wichtigsten Feinstaubpartikel: PM1, PM2.5 und PM10, ihre Ursprünge und Auswirkungen
- Toxische Gase: Ozon (O3), Stickstoffdioxid (NO2), Schwefeldioxid (SO2), ihre Ursprünge und Auswirkungen
- Die Ursprünge von Kohlendioxid (CO2) und sein Beitrag zum Klimawandel
- Die Berechnung des Luftqualitätsindex [3]
Jede Gruppe erstellt eine Präsentation oder ein Poster, sodass die Schüler*innen von- und miteinander lernen können.
Schüler*innen der Sekundarstufe können sich mit den physikalischen Prinzipien beschäftigen, die der Funktionsweise von Sensoren für Luftschadstoffe zugrunde liegen. Sie lernen zum Beispiel, wie der nichtdispersive Infrarotsensor (NDIR) für Kohlendioxid [4] funktioniert oder wie das Prinzip der Lichtstreuung in einem Staubsensor [5] umgesetzt wird.
Die Schüler*innen werden aufgefordert, bekannte Fälle von Umweltverschmutzung in der letzten Jahren zu erörtern, z. B. die Smog-Katastrophe in London im Jahr 1952 [6], der Anstieg der PM10-Werte in Athen aufgrund von Waldbränden im August 2021 [7] oder die hohen Ozonwerte in einigen italienischen Städten im Juni 2021 [8].
Analyse der Luftqualität - praktische Übung
Die Projektziele für diesen Teil der Unterrichtseinheit sind die Entwicklung und der Bau der elektronischen Ausrüstung, die Erfassung der Luftparameter in Echtzeit und ihre anschließende Analyse.
Der erste Schritt ist zu entscheiden, welche Luftparameter Sie messen möchten.
Der erste Schritt besteht darin, zu entscheiden, welche Luftparameter Sie messen möchten.
Der von der Europäischen Umweltagentur ermittelte Luftqualitätsindex basiert auf Messungen von bis zu fünf Hauptschadstoffen. Der Index entspricht der schlechtesten Stufe für jeden der fünf Schadstoffe gemäß der folgenden Tabelle [9]:
| Schadstoff | Indexwert (basierend auf Schadstoffkonzentrationen in µg/m3 ) |
|||||
| Gut | OK | Mäßig | Schlecht | Sehr schlecht | Äußerst schlecht | |
| Partikel kleiner als 2.5 µm (PM2.5) | 0-10 | 10-20 | 20-25 | 25-50 | 50-75 | 75-800 |
| Partikel kleiner als 10 µm (PM10) | 0-20 | 20-40 | 40-50 | 50-100 | 100-150 | 150-1200 |
| Stickstoffdioxid (NO2) | 0-40 | 40-90 | 90-120 | 120-230 | 230-340 | 340-1000 |
| Ozon (O3) | 0-50 | 50-100 | 100-130 | 130-240 | 240-380 | 380-800 |
| Schwefeldioxid (SO2) | 0-100 | 100-200 | 200-350 | 350-500 | 500-750 | 750-1250 |
Die Europäische Union hat ein umfangreiches Regelwerk entwickelt, das Normen für eine Reihe von Schadstoffen in der Luft festlegt. Diese Normen sind in Tabelle 2 zusammengefasst. Sie gelten für unterschiedliche Zeiträume, da die beobachteten gesundheitlichen Auswirkungen der verschiedenen Schadstoffe über unterschiedliche Ermittlungszeiträume auftreten [10].
|
Schadstoff |
Konzentration |
Ermittlungszeitraum |
|---|---|---|
|
Feinstaub (PM2.5) |
25 µg/m3 |
1 Jahr |
|
Schwefeldioxid (SO2) |
350 µg/m3 |
1 Stunde |
|
125 µg/m3 |
24 Stunden |
|
|
Stickstoffdioxid (NO2) |
200 µg/m3 |
1 Stunde |
|
40 µg/m3 |
1 Jahr |
|
|
PM10 |
50 µg/m3 |
24 Stunden |
|
40 µg/m3 |
1 Jahr |
|
|
Blei (Pb) |
0.5 µg/m3 |
1 Jahr |
|
Kohlenmonoxid (CO) |
10 mg/m3 |
max. 8 h/Tag |
|
Benzol |
5 µg/m3 |
1 Jahr |
|
Ozon |
120 µg/m3 |
max. 8 h/Tag |
Von Schüler*innen gebaute Geräte
CaeliBox 1 und CaeliBox 2 sind tragbare mobile Geräte (560 g bzw. 460 g). Während Sie in den Straßen Ihrer Stadt spazieren gehen, können Sie verschiedene Luftparameter messen, die auf einem Server gespeichert werden. Sie können alle Parameter in Echtzeit auf einer Webseite über einen Laptop oder ein Mobiltelefon beobachten.
CaeliBox 1
Die CaeliBox 1 verfügt über Sensoren für Feinstaub (2 Typen), Schallpegel, TVOC und CO22. Da die Luftschadstoffe von den meteorologischen Bedingungen beeinflusst werden, ist das Gerät zusätzlich mit Temperatur-, Feuchtigkeits- und Luftdrucksensoren ausgestattet.
Caelibox 1
Caelibox 1 Block Diagram
Das Gerät basiert auf einem ATmega2560 Mikrocontroller-Board, ARDUINO MEGA 2560. Ein Wireless NodeMCU basiertes ESP8266 WIFI Modul wurde angeschlossen, um die Daten mit Hilfe eines PHP Skripts über ein HTTP POST an den Server zu senden.
Die Stromversorgung besteht aus zwei wiederaufladbaren 3,7-V-LiPo-Akkus, einem Aufwärtswandler (3,3 V auf 5 V) zur Versorgung des Arduino und einem Abwärtswandler zum Laden des Akkus.
Wir haben Komponenten verwendet, die kostengünstig sind, sich leicht mit dem Arduino-Board verbinden lassen, einen geringen Energieverbrauch haben (das Gerät ist autonom), mit Niederspannung betrieben werden und die gewünschten Parameter liefern:
- Lufttemperatur- und Luftfeuchtigkeitsmodul DHT22, SEN0137;
- Luftdruck, BMP280, I2C-Barometersensor, SEN 0226; Luftqualitätssensor (CO2 + TVOC) CCS 811, SEN0318;
- analoger Schallpegelmesser SEN0232; digitaler NDIR-Spektroskopie-CO2-Sensor SEN0220 und optischer Feinstaubsensor mit digitalem Ausgang (PM2.5 und PM10) SDS011.
CaeliBox 2
Wir wollten die Messleistung verbessern, und so entstand das zweite Analysegerät. Es war klar, dass wir die Daten in Echtzeit an einen Server senden und auch die Daten für jeden Parameter in Echtzeit aufzeichnen wollten, wie beim ersten Gerät.
Caelibox 2
Aber dieses Mal haben wir mehr Parameter in der Luft gemessen, indem wir ein Multiple-in-One-Luftqualitätsmodul vom Typ ZPHS01B (wie auf Foto 2 zu sehen) und ein Raspberry Pi 4B+ Modul verwendet haben: Feinstaub mit der Größe 0,3 – 10 μm (PM1.0, PM2.5, PM10), Lufttemperatur (-100 °C – 50 °C), Luftfeuchtigkeit (0 – 80 %RH), Kohlendioxid (0 – 5000 ppm), Kohlenmonoxid (0 – 500 ppm), Ozon (0 – 10 ppm), Stickstoffdioxid (0 – 10 ppm), Formaldehyd (0 – 6,25 mg/m3 ) und TVOC (0 – 3 Stufen).
Das Stromversorgungsmodul ist ein neues und vielseitiges Modul, bestehend aus: 7V-30V breite Solarpanel-Eingangsspannung (bis 20W), 3,7 V LiPo/Li-Ion-Akku (2000 mAh), verschiedene Lademodi (Solar / AC-Adapter / USB-Ladegerät) und ein komplettes multifunktionales Solarstrom-Management-Modul.
Hinweis:
Am Anfang ist es gut, einen Sensor nach dem anderen einzustellen und seine korrekte Funktion zu überprüfen, um anschließend alle Sensoren in einer Box zu platzieren.
Unserer Erfahrung nach waren die Gassensoren der MQ-Serie nicht ideal. Da sie eine starke Heizung haben, um das Sensorelement warm zu halten (50 °C), verbrauchen sie viel Strom.
Datenübertragung
Wir haben verschiedene Lösungen für die Datenübertragung verwendet. Im Fall von Caelibox 1 hatten wir einen eigenen Server, der die Daten sammelte. Die Sensoren kommunizierten mit dem Server über das Internet, wobei eine einfache REST-API verwendet wurde. Die gesendeten Daten wurden in einer MySQL-Datenbank gespeichert, die dann auf einer Webseite angezeigt werden konnten.
Im Falle der CaeliBox 2 wurden die Daten aller Sensoren an einen Server gesendet und anschließend aufgezeichnet. Die Plattform wurde mit HTML, CSS (Bootstrap), Javascript (ApexchartsJS, HighchartsJS) und PHP für die Kommunikation mit dem Server erstellt. Es wurde die Datum/Zeit API (Date/Time API) verwendet, um sicherzustellen, dass die Daten zeitlich synchronisiert sind.
Die Daten wurden mit einem ESP8266 WiFi-Modul über ein HTTP POST mit einem privaten Schlüssel gesendet.
Die Schüler*innen interessierten sich sehr für die Erstellung der Webseite und für die grafische Darstellung und Analyse der Daten.
Schüler programmieren
CaeliBox 2 hat folgende Vorteile:
- Eine größere Anzahl von gemessenen Parametern für eine bessere Analyse der Luftqualität.
- Sensoren der neuesten Generation für einen geringen Stromverbrauch.
- Die Verwendung von weniger, aber komplexeren Codezeilen.
- Die hohe Speicherkapazität von Messdaten auf einem Server.
- Einen schnellen Zugang zu den Daten auf der Website [11].
- Die Datenbank ist für alle zugänglich.
- Der Anstieg der Werte der gemessenen Parameter über die zulässigen Werte hinaus kann in Echtzeit in den Diagrammen beobachtet werden.
- Es ist ein IoT-Gerät.
Wie aus der Tabelle The European Air Quality Index hervorgeht, werden alle Parameterdaten in μg/m3 gemessen, aber der CO2-Sensor gibt zum Beispiel die Werte in ppm und der TVOC-Sensor in ppb an.
Sie können die Einheiten der Sensordaten mit dieser Formel [12] umrechnen:
Konzentration [mg/m3] = 0,0409 x Konzentration [ppm] x Molare Masse [g/mol]
Die mittlere Molare Masse des TVOC-Gemischs beträgt 110 g/mol und somit entspricht 1 ppb TVOC 4,5 µg/m3 [13].
Während der Messung können Sie Standardgeräte für Temperatur, Feuchtigkeit und Druck verwenden, um die Gültigkeit der registrierten Daten zu überprüfen. Die Sensoren können in einer dafür spezialisierten Einrichtung kalibriert werden.
Um repräsentative Orte für die Messungen auszuwählen, muss man wissen, welche Orte am stärksten belastet sind. Smog und Ruß stammen aus der Verbrennung fossiler Brennstoffe in Autos und Lastwagen, Fabriken, Kraftwerken, Verbrennungsanlagen, Motoren oder aus Zentralheizungsanlagen in Gebäuden. In einer Stadt ist der Verkehr der Hauptverursacher der Luftverschmutzung und an zweiter Stelle kommt der Wohnungssektor im Hinblick auf die Energieerzeugung für Heizung und Warmwasser [14].
Sie müssen die durchschnittlichen Parameterwerte berechnen und sie anhand von Diagrammen vergleichen. Durch das Sammeln von Daten sowohl bei Kälte als auch bei Wärme, an sehr belebten oder an ruhigen Orten können Sie deutlich sehen, wie die Verschmutzung variiert.
An jedem ausgewählten Ort messen die Schüler*innen die Parameter über einen Zeitraum von 3-5 Minuten (um genügend Werte für die Durchschnittsberechnung zu haben), 2–3-mal am selben Tag und dann an weiteren Tagen mit unterschiedlicher Witterung (warm, kalt, trocken oder regnerisch). Es ist davon auszugehen, dass die Staubmenge an einem kalten und feuchten Tag geringer ist.
Wer trägt die Schuld an der sinkenden Luftqualität?
Die Schüler*innen können die Emissionen für alle Verkehrsarten untersuchen, um herauszufinden, welche Emissionen in den letzten 20 Jahren zurückgegangen und welche gestiegen sind. Dann können sie eine Dokumentation über den Verkehr erstellen, z. B. in ihrer eigenen Stadt oder in der Hauptstadt des Landes.
Die Schüler*innen sollten nach den wichtigsten Fahrzeugkategorien und den verwendeten Kraftstoffen suchen und können Statistiken über die Emission verschiedener Schadstoffe oder den Luftqualitätsindex in ihrer Stadt erstellen [9] [15]. Um zu überprüfen, ob der Verkehr und das Heizen von Gebäuden die Hauptverursacher sind, können sie den CO2-Fußabdruck berechnen [16] und anschließend vergleichende Grafiken erstellen.
Zum Schluss machen die Schüler*innen Vorschläge, wie die Schadstoffbelastung in ihrer Stadt verringert werden kann. Sie könnten zum Beispiel vorschlagen, mit dem Fahrrad oder dem Roller zur Schule zu fahren, ein Gesetz zu verabschieden, das Autofahrer zwingt, den Motor abzustellen, wenn das Auto geparkt ist, oder Ähnliches. Sie könnten auch untersuchen, wie sich das Ersetzen von Autos mit Verbrennungsmotor durch Elektroautos auswirkt [17] oder den Einsatz von Sonnenkollektoren und Heizungspumpen für Gebäude untersuchen.
Datenverarbeitung durch Diagramme
Mit der CaeliBox 1 haben wir viele Messungen an verschiedenen Orten in unserer Stadt Cluj-Napoca in Rumänien durchgeführt. Zum Beispiel können Sie unten den Unterschied zwischen den Werten der gleichen Parameter sehen, die auf und unter der Manastur-Brücke gemessen wurden, an der viele Busse und Autos fahren.
Die Feinstaubwerte und die CO2-Konzentration waren unter der Brücke höher, und das war vorhersehbar. Auf der Brücke verringern die Luftströmungen die Konzentrationen, während unter der Brücke die Luft stagniert. Die TVOC- und die Lärmwerte sind vergleichbar.
Wir haben Messungen in einer verschmutzten Straße am Morgen während der Hauptverkehrszeit durchgeführt. Die Schwankungen der CO2- und TVOC-Konzentration über einen Zeitraum von etwa einer halben Stunde sind unten zu sehen.
Am selben Tag wurde das Gerät einigen jüngeren Schüler*innen vorgestellt. Das Gerät hat für 50 Minuten die CO2- und TVOC-Konzentration in ihrem Klassenzimmer gemessen. Als die Schüler*innen die hohen Werte für beide Parameter sahen, kamen sie zu dem Schluss, dass sie das Klassenzimmer sofort lüften sollten.
So erkannten wir, dass die CaeliBox 1 auch für Messungen in Innenräumen erfolgreich eingesetzt werden konnte.
Mit der CaeliBox 2 haben wir eine Menge Daten aufgezeichnet. Die Diagramme können direkt auf der Webseite eingesehen werden. Im folgenden Graphen sehen Sie beispielhaft einen Screenshot der Ozon- und Stickstoffdioxidwerte. Auf der Website können Sie in die Diagramme hineinzoomen, um Messwerte aus einem kürzeren Zeitrahmen zu erhalten.
Die Analyse den untenstehenden Graphen zeigt, dass die Feinstaubkonzentration auf der Straße im Vergleich zum Hausinneren stark ansteigt (die ersten 15 Messungen wurden im Haus vorgenommen) und dass alle drei erfassten Arten gleich stark variieren. Die auf der Straße durchgeführten Messungen variieren, da höhere Werte gemessen wurden, wenn der Verkehr stärker ist.
Die Schüler*innen können mit Klassen anderer Schulen zusammenarbeiten und Arbeitsgruppen bilden, die von den Entwickler*innen der Analysegeräte betreut werden.
Außerdem kann ein Wettbewerb organisiert werden, um das beste Analysegerät zu finden. Die Schüler*innen können dazulernen und ihren Wissenshorizont erweitern, indem sie mit Klassen aus anderen Ländern kooperieren, um ihre Analysen auf der Grundlage geografischer, sozialer oder wirtschaftlicher Bedingungen zu vergleichen.
Das Projekt kann in der Schule präsentiert und eine Zusammenfassung der Ergebnisse auf die Schulwebseite gestellt werden. Auch jüngere Schüler*innen können die Analysegeräte benutzen. Sie können weitere Analysen an verschiedenen Orten in der Stadt durchführen und auf diese Weise mehr Informationen über die Luftverschmutzung auf die Webseite [11] stellen. Sie können die neuen Messdaten verwenden, um sie zu kombinieren und weitere Diagramme für ihre Studie zu erstellen.
Eine Verbreitung der Ergebnisse kann darüber hinaus über soziale Medien erfolgen. Weiterhin können die Schüler*innen die zuständigen Behörden informieren. Eine Einbindung in reale Projekte vor Ort stärkt zudem das Verantwortungsbewusstsein der Schüler*innen. Für eine bundesweite Verbreitung der Ergebnisse kann ein Online-Seminar durchgeführt werden.
Abschluss und Ausblick
Die an diesem Projekt beteiligten Schüler*innen lernen, was Luftqualität bedeutet und warum es in einer nachhaltigen Stadt so wichtig ist, bestimmte physikalische Parameter zu messen: Temperatur, Luftfeuchtigkeit, Luftdruck, TVOC (total volatile organic compounds), CO2, PM1, PM2.5 und PM10, NO2 und O3. Sie erfahren, wie man ein Analysegerät entwirft, wie man die Sensoren auswählt, wie man Arduino, eine elektronische Open-Source-Plattform, die auf benutzerfreundlicher Hard- und Software basiert, verwendet und wie man die Daten überträgt und registriert.
Anschließend können die Schüler*innen ihre Grundkenntnisse in Physik und Chemie anwenden, um zu verstehen, wie die Sensoren funktionieren. Darüber hinaus zeichnen sie verschiedene Diagramme, um ihre gesammelten Daten leichter vergleichen zu können.
Die gemessenen Werte, die die zulässigen Grenzwerte überschreiten, sind auf verschiedene Verschmutzungsquellen zurückzuführen. Die Schüler*innen müssen diese Quellen ausfindig machen und Lösungen vorschlagen, z. B. den/die Bürgermeister*in auf diese Stellen aufmerksam machen, an denen der Verkehr zurückgehen muss.
Während des Projekts entwickeln die Schüler*innen ihre IKT-Kompetenzen (Informations- und Kommunikationstechnologien), ihre praktischen Fähigkeiten und ihr kritisches Denken weiter.
Das Projekt kann noch optimiert werden: durch die Verwendung genauerer Sensoren, durch die Herstellung weiterer Analysegeräte und durch den Vergleich der Daten mit denen aus wissenschaftlichen Untersuchungen.
Autor*innen von Smart Cities: Gerald Decelles III (NO), Corina Toma (RO), Panagiota Argyri (GR)
Links zum Weiterleiten an Ihre Schüler*innen
J.G.Speight, Environmental Organic Chemistry for Engineers, ISSBN 978-0-12-804492-6, Elsevier, 2017, p.153-201.
https://airly.org/en/the-most-dangerous-types-of-air-pollution/ (zuletzt aufgerufen: Mai 2022)
https://www.breeze-technologies.de/blog/what-is-an-air-quality-index-how-is-it-calculated/ (zuletzt aufgerufen: Mai 2022)
Ein Beispiel: https://www.dwyer-inst.com/articles/?Action=View&ArticleID=83 (zuletzt aufgerufen: Mai 2022)
Ein Beispiel: https://towardsdatascience.com/sensing-the-air-quality-5ed5320f7a56 (zuletzt aufgerufen: Mai 2022)
https://www.history.com/news/the-killer-fog-that-blanketed-london-60-years-ago (zuletzt aufgerufen: Mai 2022)
https://airly.org/en/wildfires-consume-the-capital-of-greece-how-does-this-affect-air-quality/ (zuletzt aufgerufen: Mai 2022)
https://airly.org/en/summer-ozone-warning-in-europe-as-airly-reveals-the-summer-hotspots/ (zuletzt aufgerufen: Mai 2022)
https://airindex.eea.europa.eu/Map/AQI/Viewer/ (zuletzt aufgerufen: Mai 2022)
https://ec.europa.eu/environment/air/quality/standards.htm (zuletzt aufgerufen: Mai 2022)
http://www.infonature.ro/ (zuletzt aufgerufen: Mai 2022)
https://www.teesing.com/en/page/library/tools/ppm-mg3-converter (zuletzt aufgerufen: Mai 2022)
https://www.catsensors.com/media/pdf/Sensor_Sensirion_IAM.pdf (zuletzt aufgerufen: Mai 2022)
Kaczmarczyk M., Sowiżdżał A., Tomaszewska B., Energetic and Environmental Aspects of Individual Heat Generation for Sustainable Development at a Local Scale—A Case Study from Poland, Energies 2020 13(2), Seite 454.
https://www.ventusky.com/ (zuletzt aufgerufen: Mai 2022)
https://www.carbonfootprint.com/calculator.aspx (zuletzt aufgerufen: Mai 2022)
https://www.transportenvironment.org/publications/explained-are-we-ready-switch-emissions-free-cars (zuletzt aufgerufen: Mai 2022)
Diese Seite teilen
