Erhvervs-ph.d. og Envidaner, Sofie van’t Veen, er godt i gang med sit 3-årige ph.d.-projekt, SENTEM: Sensors Application for High Temporal Resolution Monitoring in Danish Streams.
SENTEMs mål er at skabe nye idéer og viden om den fremtidige brug af sensordata med høj tidsmæssig opløsning blandt andet ved at benytte machine learning til næste generations overvågning af vandkvalitet i danske vandløb.
Gennem projektet skal Sofie teste sensorer, udvikle metoder til kvalitetssikring af data, opstille målekampagner ift. regnbetingede udløb samt bidrag fra det åbne land mm. Sofie skriver sin erhvervs-ph.d. i samarbejde med Institut for Bioscience på Aarhus Universitet, Hach og Envidan.
Langt mere sikkerhed i at måle hvert minut frem for hver måned
I dag foregår måling af næringsstoffer i de danske vandløb manuelt hver måned i de fleste vandløb og i nogle få hver 14. dag – og det betyder få målinger og stor usikkerhed. Netop derfor er projektet højst relevant, da vi med stor sandsynlighed ser ind i en fremtid, hvor brug af sensorer, der måler værdierne hvert minut, bliver hverdag. Desuden er den nuværende metode en håndbåret proces, der koster det danske samfund omtrent 30 mio. kr. om året. Det betyder, at der også er mange penge at spare ved at implementere en ny generation af overvågning.
Brugen af sensorer til overvågning er vidt udbredt på rensningsanlæg, men endnu ikke i vandløb. Projektet er en investering inden for Research and Development i Envidan, der bygger videre på Envidans kompetencer indenfor vandkredsløbet.
Fordele ved online højfrekvente data
Mulige fordele ved at indhente online højfrekvente data ved målestationer i vandløb kan være at:
- Opnå viden om nøjagtighed ved beregning af transport af kvælstof og fosfor (sammenlignet med normale punktprøver – hvad vindes ift. bias og spredning) – f.eks. til brug i de årlige nationale havbelastningsopgørelser.
- Opnå erfaring med ressourceforbrug ved online målinger og sensorer ift. pasning, kalibrering og datahåndtering.
- Opnå ny viden om kilder til N og især P, herunder viden om retention og transportveje.
- Opnå hurtigere og sikrere bestemmelse af trend på et givent niveau.
- Opnå bedre viden om retention af N og P i oplande.
De fem overordnede formål
- At udvikle en innovativ metode og guide til brug, kvalitetssikring, kalibrering og validering af data med høj tidsopløsning til sensorovervågning i forskellige typer danske vandløb vha. machine learning.
- At etablere indgående kendskab til vigtigheden af data med høj tidsopløsning til beregning af næringsstofbelastninger ved daglige, månedlige og årlige tidsskridt.
- At undersøge, om næringsstofkilder og -transportveje i oplande kan findes ved anvendelse af data med høj tidsopløsning.
- At undersøge kompromiser mellem data med høj tidsmæssig opløsning ved kalibrering af en SWAT-model for at forbedre modellen under ekstreme klimaforhold.
- At undersøge om overløb af ubehandlet spildevand og/eller kilder såsom overfladeafstrømning i vandløb under stormhændelser kan detekteres og kvantificeres ved hjælp af sensordata med høj opløsning, radarobservation af nedbør og machine learning.
