Besteht ein Zusammenhang zwischen Feinstaub und Wetterdaten? Ergebnisse einer empirischen Analyse

Inhaltsverzeichnis

Analyse des Zusammenhanges zwischen Feinstaub und Wetterdaten

1. Einleitung

2. Vorgehensweise, Materialien und Methode

3. Begriffserklärung der statistischen Ausdrücke:
3.1. Standardabweichung
3.2. Median
3.3. Korrelationskoeffizient
3.4. Boxplot

4. Messergebnisse
4.1. Protokoll03.02.2018
4.2. Deskriptive Statistik
4.3. Korrelationen
4.4. Darstellung der Korrelationen

5. Ergebnisdiskussion

6. Zusammenfassung

7. Quellenverzeichnis
7.1. Unterstützungsleistung
7.2. Quellenangaben
7.3. Abbildungsverzeichnis

Analyse des Zusammenhanges zwischen Feinstaub und Wetterdaten

Klimadaten wurden von einem selbstgebauten Feinstaub- und Umweltsensor ermittelt und über einem Zeitraum von 14 Tagen kontinuierlich aufgezeichnet. Anschließend erfolgte eine Datenaufbereitung mit einem Statistikprogramm.

Es sollte die Frage beantwortet werden, ob ein Zusammenhang zwischen der Feinstaubbelas- tung und den Wetterdaten wie Luftdruck, Luftfeuchtigkeit und Temperatur besteht.

Die Frage nach dem Zusammenhang zwischen Feinstaub und absoluter Luftfeuchtigkeit kann bei dieser Untersuchung bestätigt werden.

1. Einleitung

Zur Analyse von Feinstaub in verschiedenen Größen baute ich mir ein Feinstaubmessgerät nach den Vorgaben der OK Lab Stuttgart. Bei der Betrachtung der Messergebnisse meinte ich festzustellen, dass an manchen Tagen die Luftfeuchtigkeit und die Feinstaubbelastung parallel ansteigen würden. An anderen Tagen konnte man diese Verbindung nicht direkt erkennen. So stellte sich mir die Frage, ob diese Werte miteinander in Beziehung stehen. Ich stellte mir vor, dass der Feinstaub eventuell durch eine höhere Luftfeuchtigkeit gebunden würde und kürzer in der Luft bliebe. Deshalb wurde ein längerer Messzeitraum von¹⁴ Tagen gewählt, um genü- gend Daten für eine statistische Datenanalyse zu bekommen.

2. Vorgehensweise, Materialien und Methode

Ich habe zuhause eine Feinstaubmesseinrichtung gebaut, nach den Vorgaben des Citizen- Science-Projekts der OK Lab Stuttgart. Das Gerät wurde geschützt unter einem Vordach be- festigt.

Folgende Bauteile wurden verwendet:

– NodeMCU ESP8266, CPU/WLAN
– SDS011 Feinstaubsensor
– BME280, Temperatur, Luftfeuchtigkeit und Luftdruck
– Käbelchen
– USB Kabel
– Steckernetzteil USB
– Kabelbinder
– Schlauch
– Wetterschutz, Marley Silent HT Bogen (DN 75 87°)

Abbildung in dieser Leseprobe nicht enthalten

Abbildung Nr.1: Messeinrichtung Abbildung in dieser Leseprobe nicht enthalten

Abbildung in dieser Leseprobe nicht enthalten

Abbildung Nr.2: Schaltplan

Mit dieser Apparatur wurden folgende Parameter gemessen:

Abbildung in dieser Leseprobe nicht enthalten

Tabell 1: Bezeichnung der Variablen und Maßeinheiten

Die Messungen erfolgten vom 21.01.2018 bis zum 03.02.2018 erhoben. Das Messintervall betrug 145 Sekunden, die Messwerte wurden an eine eigene API (Application Programming Interface) gesendet und auf einem lokalen Webserver (Synology Diskstation DS-213) als CSV-Datei (Tabellenformat) gespeichert.

Diese täglich erstellten CSV-Dateien wurden im nächsten Schritt per „Copy“-Befehl (COPY sourc1+sourc2..destination) zu einer Datei zusammengefügt.

Der erste Datenimport erfolgte in Excel, hier wurde die absolute Luftfeuchtigkeit näherungs- weise errechnet nach der Magnus-Formel:

Abbildung in dieser Leseprobe nicht enthalten Formel 1

e _sat,w = Sättigungsdampfdruck über Wasser (Pa)

t = Temperatur (°C)

Anschließend wurde die Daten in das Programm IBM SPSS Statistics übertragen. Die statistische Datenanalyse der einzelnen Variablen umfasste folgende Verfahren: Mittelwert

Abbildung in dieser Leseprobe nicht enthalten Formel 2

3. Begriffserklärung der statistischen Ausdrücke:

3.1. Standardabweichung

Die empirische Standardabweichung, auch Stichprobenstreuung oder Stichprobenstan- dardabweichung genannt, ist in der deskriptiven Statistik ein Streuungsmaß für Stichproben. Die empirische Standardabweichung ist ein Maß dafür, wie weit die Stichprobe im Schnitt um das arithmetische Mittel streut

Abbildung in dieser Leseprobe nicht enthalten Formel 3

3.2. Median

Bei dem in der Mitte des geordneten Datensatzes stehenden Wert spricht man vom Zentralen Wert oder Median.

3.4. Korrelationskoeffizient

Der Korrelationskoeffizient (auch: Korrelationswert) oder die Produkt-Moment-Korrelation, ent- wickelt von Bravais und Pearson – daher auch Bravais-Pearson-Korrelation oder Pearson- Korrelation genannt –, ist ein dimensionsloses Maß für den Grad des linearen Zusammen- hangs zwischen zwei mindestens intervallskalierten Merkmalen. Er kann Werte zwischen -1 und +1 annehmen. Bei einem Wert von +1 (bzw.-1) besteht ein vollständig positiver (bzw. negativer) linearer Zusammenhang zwischen den betrachteten Merkmalen. Wenn der Korre- lationskoeffizient den Wert 0 aufweist, hängen die beiden Merkmale überhaupt nicht linear voneinander ab.

3.4. Boxplot

Der Boxplot ist ein Diagramm, das zur grafischen Darstellung der Verteilung eines skalierten Merkmals verwendet wird. Ein Boxplot vermittelt schnell einen Eindruck, in welchem Bereich die Daten liegen und wie sie sich über diesen Bereich verteilen.

4. Messergebnisse

4.1. Protokoll 03.02.2018

Zusammenführung der tageweise gespeicherten Luftdaten zu einer CSV-Datei. Import in SPSS. Errechnen der absoluten Luftfeuchtigkeit mittels der Magnus-Formel für Werte über 0 Grad Celsius. Absteigende Sortierung der Werte nach Höhe des Feinstaubwertes.

4.2. Deskriptive Statistik

Abbildung in dieser Leseprobe nicht enthalten

Tabelle 2: Deskriptive Statistik der Messergebnisse

Anschließend wird ein Boxplot mit sämtlichen Werten erzeugt

Abbildung in dieser Leseprobe nicht enthalten

Grafik 1: Boxplot sämtlicher Feinstaubwerte SDS_P1(PM10)

[...]