Korte Beschrijving

Overzicht van de DenCITY locaties in de smart Zone in Antwerpen

DenCITY is een real time luchtkwaliteitsmonitoring project in Antwerpen, waarbij luchtkwaliteitssensoren voor PM10, PM2.5, NO2 en O3 getest werden in labocondities en vervolgens geinstalleerd op 35 locaties in de Smart Zone in Antwerpen. Daarnaast werd een real-time versie van het ATMO-Street model opgezet en een data assimilatie keten die de real time sensor informatie verwerkte tot een verbeterde, ruimtelijk explicite, real time inschatting van de locale luchtkwaliteit in Antwerpen.

Beschrijving Architectuur

Onderstaand diagram geeft een schematisch overzicht weer van de opgezette architectuur binnen DenCITY.

DenCITY architecture.png

Databronnen

  • In DenCITY wordt data gegenereerd door low cost luchtkwaliteitssensoren, die sturen hun data via LoRa verbinding naar een IoT agent die de datastroom omzet naar NGSI-v2 om die vervolgens te posten op de DYAMAND Context broker.
  • Daarnaast werd ook gebruik gemaakt van de VMM luchtkwaliteitsmeetposten. De data hiervan wordt door IRCEL ontsloten via een OGC Sensor Observation Service waarlangs de real time luchtkwaliteitsmetingen van het telemetrisch netwerk als Open Data worden beschikbaargesteld.
  • Verkeerstellingen uit het telraam initiatief werden gebruikt om tot een verbeterde inschatting van verkeersemissies te bekomen in het luchtkwaliteitsmodel. Deze data worden via een REST-API[1] ter beschikking gesteld.
  • Informatie omtrent de gebouwhoogtes en de ligging van de straatsegementen om de street canyon bijdrage te kunnen berekenen in het luchtkwaliteitsmodel werden gedownload onder de vorm van shapefiles uit het 3D GRB, ter beschikking gesteld door AIV en van het Openstreetmap initiatief respectivelijk.

Real-time data flow

Toegevoegd

De real time sensor data wordt ter beschikking gesteld via een NGSI-v2 compliant context broker. Deze wordt gevoed vanuit de luchtkwaliteitssensoren via een NGSI Agent die de data vertaald in NGSI entities volgens het FIWARE AirQualityObserved data model. Meteo data afkomstig van het Europees Centrum voor Medium Range Weather Forecasts (ECMWF) wordt via REST-API binnengehaald en vertaald door een NGSI agent in een WeatherObserved entitie en zo op de context broker aangeboden.

Gezien de kwaliteit van de low cost sensor data niet altijd gegarandeerd is, werden uitgebreide labo tests uitgevoerd, op basis hiervan werden algoritmes opgesteld en een cloud gebaseerd real time calibratie systeem opgezet. Deze component maakt handig gebruik van de beschikbare meteo gegevens in de context broker (WeaterObserved entities). En pusht verrijkte AirQualityCalibrated entities terug op de broker. Deze component in de architectuur is geïmplementeerd als subscriber op de FIWARE AirQualityObserved en WeatherObserved entities in de context broker.

De data die op de context broker verschijnt wordt via een QuantumLeap REST service naar een tijdsreeks databank gestuurd op de [1].

Naast de real time sensor gegevens is in deze proof of concept ook een real-time luchtkwaliteitmodel keten opgezet, waarbij de gecalibreerde luchtkwaliteits sensordata vanaf de context broker door een data assimilation agent worden geconverteerd naar CSV bestanden om te voldoen aan input vereisten van het luchtkwaliteitsmodel. Naast de real time low cost sensor metingen maakt het luchtkwaliteitsmodel ook gebruik van de VMM luchtkwaliteit referentiemetingen, die via Sensor Observation Service worden aangeboden. Het luchtkwaliteitsmodel haalt z'n meteo data uit de meteo service binnen via een specifieke API die toelaat om NetCDF bestanden te downloaden met 4D meteo model data.

De ruimtelijk expliciete modelkaarten die het resultaat zijn van de geassimileerde real time luchtkwaliteitsmodellering worden in een GIS databank bijgehouden en via een Geoserver als OGC Web Map Service ontsloten. Op die manier kon heel makkelijk een app gebouwd worden die een ruimtelijk expliciet beeld geeft van de actuele luchtkwaliteit.

Referenties

Lessons learned

Tegen volgende zaken zijn we aangebotst :

  • eenvoudige beschrijving van geografische data in NGSI data model is onvoldoende, ontbreken van geospatiale functionaliteiten m.b.t. locaties
  • linken van meta data in geospatiale databanken aan real time dataflows : welk process opzetten om real time geospatiale meta data (e.g. opgeslagen in een PostgresSQL/PostGIS databank in sync te houden met real time IoT dataflows bij vervanging van sensoren & updates
  • sensor data postproductie nodig bij offline calibratie algoritmes, hoe omgaan met versiebeheer voor historische sensor data.


Categorie:Leefomgeving- Water in de Stad

Warning Deze pagina beschrijft een fictief initiatief dat als illustratie kan dienen voor de informatie die we wensen te capteren op de kennishub. Deze beschijving is gebaseerd op het oorspronkelijke DenCITY project, waarin de bedoeling was om een dicht stedelijk luchtkwaliteit sensornetwerk op te zetten en zo luchtkwaliteitsmodellen te verrijken met real time informatie. Deze illustratieve case werd verder verrijkt met enkele architecturale elementen, semantische links etc... om het ingeven van informatie op de kennishub te illustreren. Onderstaande beschrijving wijkt m.a.w. af van de originele opzet van het project.