{"id":566,"date":"2022-04-23T12:00:16","date_gmt":"2022-04-23T10:00:16","guid":{"rendered":"podlove-2022-04-12t13:15:53+00:00-d2afa4cd3429f0c"},"modified":"2022-04-23T14:00:57","modified_gmt":"2022-04-23T12:00:57","slug":"dl025-luftdaten","status":"publish","type":"podcast","link":"https:\/\/www.datenleben.de\/index.php\/2022\/04\/23\/dl025-luftdaten\/","title":{"rendered":"dl025: luftdaten"},"content":{"rendered":"\n\t\t\n            <div class=\"podlove-web-player intrinsic-ignore podlove-web-player-loading\" id=\"player-6a13682a0eec6\"><root data-test=\"player--xl\" style=\"max-width:950px;min-width:260px;\">\n  <div class=\"tablet:px-6 tablet:pt-6 mobile:px-4 mobile:pt-4 flex flex-col\">\n    <div class=\"flex-col items-center mobile:flex tablet:hidden\">\n      <show-title class=\"text-sm\"><\/show-title>\n      <episode-title class=\"text-base mb-2\"><\/episode-title>\n      <subscribe-button class=\"mb-4 mobile:flex tablet:hidden\"><\/subscribe-button>\n      <poster class=\"rounded-sm w-48 shadow overflow-hidden\"><\/poster>\n      <divider class=\"w-full my-6\"><\/divider>\n    <\/div>\n\n    <div class=\"tablet:flex flex-grow\">\n      <div class=\"w-64 mobile:hidden tablet:block tablet:mr-6\">\n        <poster class=\"rounded-sm shadow overflow-hidden\"><\/poster>\n      <\/div>\n      <div class=\"w-full\">\n        <div class=\"hidden tablet:block\">\n          <show-title class=\"text-base\"><\/show-title>\n          <episode-title class=\"text-xl desktop:text-2xl\"><\/episode-title>\n          <divider class=\"w-full my-4\"><\/divider>\n        <\/div>\n        <div class=\"flex items-center justify-between\">\n          <div class=\"block\">\n            <play-state on=\"active\">\n              <speed-control class=\"flex items-center\"><\/speed-control>\n            <\/play-state>\n          <\/div>\n\n          <div class=\"flex\">\n            <play-state on=\"active\">\n              <chapter-previous class=\"mx-2 block\"><\/chapter-previous>\n            <\/play-state>\n            <play-state on=\"active\">\n              <step-backward class=\"mx-2 block\"><\/step-backward>\n            <\/play-state>\n\n            <play-button class=\"mx-2 block\" :label=\"$t('PLAYER.PLAY_EPISODE')\"><\/play-button>\n\n            <play-state on=\"active\">\n              <step-forward class=\"mx-2 block\"><\/step-forward>\n            <\/play-state>\n            <play-state on=\"active\">\n              <chapter-next class=\"mx-2 block\"><\/chapter-next>\n            <\/play-state>\n          <\/div>\n\n          <div class=\"block\">\n            <play-state on=\"active\">\n              <volume-control class=\"flex items-center\"><\/volume-control>\n            <\/play-state>\n          <\/div>\n        <\/div>\n        <div class=\"flex w-full\">\n          <progress-bar><\/progress-bar>\n        <\/div>\n        <div class=\"flex w-full -mt-2\">\n          <div class=\"w-3\/12 text-left\">\n            <timer-current class=\"text-sm\"><\/timer-current>\n          <\/div>\n          <div class=\"w-6\/12 text-center truncate\">\n            <play-state on=\"active\">\n              <current-chapter class=\"text-sm\"><\/current-chapter>\n            <\/play-state>\n          <\/div>\n          <div class=\"w-3\/12 text-right\">\n            <timer-duration class=\"text-sm\"><\/timer-duration>\n          <\/div>\n        <\/div>\n      <\/div>\n    <\/div>\n    <divider class=\"w-full mt-6 mb-3\"><\/divider>\n    <div class=\"flex justify-between\">\n      <div class=\"flex mobile:w-full tablet:w-3\/12 desktop:w-3\/12 justify-between\">\n        <tab-trigger tab=\"chapters\">\n          <icon type=\"chapter\"><\/icon>\n        <\/tab-trigger>\n        <tab-trigger tab=\"transcripts\">\n          <icon type=\"transcripts\"><\/icon>\n        <\/tab-trigger>\n        <tab-trigger tab=\"files\">\n          <icon type=\"download\"><\/icon>\n        <\/tab-trigger>\n        <tab-trigger tab=\"playlist\">\n          <icon type=\"playlist\"><\/icon>\n        <\/tab-trigger>\n        <tab-trigger tab=\"share\">\n          <icon type=\"share\"><\/icon>\n        <\/tab-trigger>\n      <\/div>\n      <subscribe-button class=\"mt-1 mobile:hidden tablet:flex\"><\/subscribe-button>\n    <\/div>\n  <\/div>\n  <div class=\"w-full relative overflow-hidden\">\n    <tab name=\"chapters\">\n      <tab-chapters><\/tab-chapters>\n    <\/tab>\n    <tab name=\"transcripts\">\n      <tab-transcripts><\/tab-transcripts>\n    <\/tab>\n    <tab name=\"files\">\n      <tab-files><\/tab-files>\n    <\/tab>\n    <tab name=\"playlist\">\n      <tab-playlist><\/tab-playlist>\n    <\/tab>\n    <tab name=\"share\">\n      <tab-share><\/tab-share>\n    <\/tab>\n    <tab-overflow><\/tab-overflow>\n  <\/div>\n  <error><\/error>\n<\/root>\n<\/div>\n            <script>\n              document.addEventListener(\"DOMContentLoaded\", function() {\n                var player = document.getElementById(\"player-6a13682a0eec6\");\n                podlovePlayerCache.add([{\"url\":\"https:\\\/\\\/www.datenleben.de\\\/index.php\\\/wp-json\\\/podlove-web-player\\\/shortcode\\\/publisher\\\/566\",\"data\":{\"version\":5,\"show\":{\"title\":\"datenleben\",\"subtitle\":\"der podcast \\u00fcber data science\",\"summary\":\"Was ist Data Science? Was bedeuten die Daten f\\u00fcr unser Leben? Woher kommen sie und wozu werden sie benutzt?\\r\\nDas sind alles Fragen, mit denen wir uns auseinander setzen werden.\\r\\nWer schon immer mehr \\u00fcber Daten und deren Effekt auf unser Leben wissen wollte, ist hier genau richtig.\",\"poster\":\"https:\\\/\\\/www.datenleben.de\\\/podlove\\\/image\\\/687474703a2f2f7777772e646174656e6c6562656e2e64652f77702d636f6e74656e742f75706c6f6164732f323032302f30362f636f7665722e706e67\\\/500\\\/0\\\/0\\\/datenleben\",\"link\":\"https:\\\/\\\/www.datenleben.de\"},\"title\":\"dl025: luftdaten\",\"subtitle\":\"Was l\\u00e4sst sich alles mit einem AirRohr beobachten?\",\"summary\":\"Endlich: die Feinstaubfolge ist da, die dank unvorhergesehener Dinge eine Luftdaten-Folge geworden ist. Wir haben AirRohre mit Feinstaubsensoren aufgebaut, Daten gesammelt und reden in dieser Folge dar\\u00fcber. Helena berichtet von ihrer Datenauswertungsreise und dann geht es um die Auswertung von 3 Messstationen. Weitere Themen: Wir vergleichen Messdaten der Sensor.Community mit Daten von offiziellen Messstationen des Umweltbundesamtes. Und schlie\\u00dflich gucken wir uns noch zwei globale Ereignisse an: Saharastaub und ein Vulkanausbruch.\",\"publicationDate\":\"2022-04-23T12:00:16+02:00\",\"duration\":\"01:10:36.565\",\"poster\":\"https:\\\/\\\/www.datenleben.de\\\/podlove\\\/image\\\/68747470733a2f2f7777772e646174656e6c6562656e2e64652f77702d636f6e74656e742f75706c6f6164732f323032322f30342f3032355f436f7665722e706e67\\\/500\\\/0\\\/0\\\/dl025-luftdaten\",\"link\":\"https:\\\/\\\/www.datenleben.de\\\/index.php\\\/2022\\\/04\\\/23\\\/dl025-luftdaten\\\/\",\"chapters\":[{\"start\":\"00:00:00.000\",\"title\":\"Intro\",\"href\":\"\",\"image\":\"\"},{\"start\":\"00:00:18.452\",\"title\":\"Thema des Podcasts\",\"href\":\"\",\"image\":\"\"},{\"start\":\"00:00:42.996\",\"title\":\"Thema der Folge\",\"href\":\"\",\"image\":\"\"},{\"start\":\"00:02:49.350\",\"title\":\"Warum ist dieses Thema wichtig\",\"href\":\"\",\"image\":\"\"},{\"start\":\"00:03:56.717\",\"title\":\"Einspieler: Was ist dieser Feinstaub?\",\"href\":\"\",\"image\":\"\"},{\"start\":\"00:07:04.273\",\"title\":\"Wie k\\u00f6nnen die Daten geladen werden?\",\"href\":\"\",\"image\":\"\"},{\"start\":\"00:15:33.734\",\"title\":\"Was haben wir konkret beobachten k\\u00f6nnen?\",\"href\":\"\",\"image\":\"\"},{\"start\":\"00:31:00.281\",\"title\":\"Stationen vom Umweltbundesamt vs. private Messstationen?\",\"href\":\"\",\"image\":\"\"},{\"start\":\"00:40:52.127\",\"title\":\"Was macht der Saharastaub in meinem Sensor?\",\"href\":\"\",\"image\":\"\"},{\"start\":\"00:45:26.549\",\"title\":\"Wie k\\u00f6nnen meine Sensoren einen Vulkanausbruch messen?\",\"href\":\"\",\"image\":\"\"},{\"start\":\"01:01:55.999\",\"title\":\"Fazit\",\"href\":\"\",\"image\":\"\"},{\"start\":\"01:07:19.587\",\"title\":\"Was ist DivAirCity?\",\"href\":\"\",\"image\":\"\"},{\"start\":\"01:08:53.650\",\"title\":\"N\\u00e4chste Folge? Ja, bestimmt\",\"href\":\"\",\"image\":\"\"},{\"start\":\"01:09:18.835\",\"title\":\"Call to Action\",\"href\":\"\",\"image\":\"\"},{\"start\":\"01:10:04.640\",\"title\":\"Outro\",\"href\":\"\",\"image\":\"\"}],\"audio\":[{\"url\":\"https:\\\/\\\/www.datenleben.de\\\/podlove\\\/file\\\/96\\\/s\\\/webplayer\\\/c\\\/website\\\/DL025_Luftdaten.mp3\",\"size\":\"71647713\",\"title\":\"MP3 Audio (mp3)\",\"mimeType\":\"audio\\\/mpeg\"}],\"files\":[{\"url\":\"https:\\\/\\\/www.datenleben.de\\\/podlove\\\/file\\\/96\\\/s\\\/webplayer\\\/DL025_Luftdaten.mp3\",\"size\":\"71647713\",\"title\":\"MP3 Audio\",\"mimeType\":\"audio\\\/mpeg\"}]}}, {\"url\":\"https:\\\/\\\/www.datenleben.de\\\/index.php\\\/wp-json\\\/podlove-web-player\\\/shortcode\\\/config\\\/default\\\/theme\\\/datenleben\",\"data\":{\"activeTab\":\"chapters\",\"subscribe-button\":null,\"share\":{\"channels\":[\"link\",\"facebook\",\"twitter\",\"whats-app\",\"linkedin\",\"pinterest\",\"xing\",\"mail\"],\"outlet\":\"https:\\\/\\\/www.datenleben.de\\\/wp-content\\\/plugins\\\/podlove-web-player\\\/web-player\\\/share.html\",\"sharePlaytime\":true},\"related-episodes\":{\"source\":\"disabled\",\"value\":null},\"version\":5,\"theme\":{\"tokens\":{\"brand\":\"#fff\",\"brandDark\":\"#fff\",\"brandDarkest\":\"#000\",\"brandLightest\":\"#8cc240\",\"shadeDark\":\"#807E7C\",\"shadeBase\":\"#807E7C\",\"contrast\":\"#000\",\"alt\":\"#8cc240\"},\"fonts\":{\"ci\":{\"name\":\"ci\",\"family\":[\"-apple-system\",\"BlinkMacSystemFont\",\"Segoe UI\",\"Roboto\",\"Helvetica\",\"Arial\",\"sans-serif\",\"Apple Color Emoji\",\"Segoe UI Emoji\\\", \\\"Segoe UI Symbol\"],\"src\":[],\"weight\":800},\"regular\":{\"name\":\"regular\",\"family\":[\"-apple-system\",\"BlinkMacSystemFont\",\"Segoe UI\",\"Roboto\",\"Helvetica\",\"Arial\",\"sans-serif\",\"Apple Color Emoji\",\"Segoe UI Emoji\\\", \\\"Segoe UI Symbol\"],\"src\":[],\"weight\":300},\"bold\":{\"name\":\"bold\",\"family\":[\"-apple-system\",\"BlinkMacSystemFont\",\"Segoe UI\",\"Roboto\",\"Helvetica\",\"Arial\",\"sans-serif\",\"Apple Color Emoji\",\"Segoe UI Emoji\\\", \\\"Segoe UI Symbol\"],\"src\":[],\"weight\":700}}},\"base\":\"https:\\\/\\\/www.datenleben.de\\\/wp-content\\\/plugins\\\/podlove-web-player\\\/web-player\\\/\"}}]);\n                podlovePlayer(player, \"https:\/\/www.datenleben.de\/index.php\/wp-json\/podlove-web-player\/shortcode\/publisher\/566\", \"https:\/\/www.datenleben.de\/index.php\/wp-json\/podlove-web-player\/shortcode\/config\/default\/theme\/datenleben\").then(function() {\n                  player && player.classList.remove(\"podlove-web-player-loading\");\n                });\n              });\n            <\/script>\n            <style>\n              .podlove-web-player.podlove-web-player-loading {\n                opacity: 0;\n              }\n            <\/style>\n        \n\t\n\t\t\n<h3>Intro (00:00:00)<\/h3>\n<h3>Thema des Podcasts (00:00:18)<\/h3>\n<p>Willkommen zu unserer f\u00fcnfundzwanzigsten Folge beim datenleben-Podcast, dem Podcast \u00fcber Data Science.<br \/>\nWir sind Helena und Janine und m\u00f6chten euch die Welt der Daten n\u00e4her bringen.<br \/>\nWas ist Data Science? Welche Daten umgeben uns? Und was k\u00f6nnen wir aus ihnen lernen?<br \/>\nEs wird immer wichtiger Daten in das Gro\u00dfe Ganze einordnen zu k\u00f6nnen.<br \/>\nIn unserem Podcast sprechen wir deswegen \u00fcber Data Science anhand von Themen, die uns alle betreffen.<\/p>\n<h3>Thema der Folge (00:00:43)<\/h3>\n<ul>\n<li>Endlich: die Feinstaubfolge, die dank unvorhergesehe ner Dinge eine Luftdaten-Folge geworden ist<\/li>\n<li>Und es ist auch eine Folge \u00fcber Citizen Science, also die Wissenschaft, die mit und aufgrund von B\u00fcrger*innen-Beteiligung stattfindet<\/li>\n<li>Vor \u00fcber einem halben Jahr haben wir zum Mitmachen aufgerufen, vielen Dank an alle, die es geteilt haben und f\u00fcr die Daten, die wir bekommen haben<\/li>\n<li>Sind auf Feinstaub gekommen, weil wir in der <a href=\"https:\/\/www.datenleben.de\/index.php\/2021\/05\/22\/dl014-waldbraende\/\">Waldbrandfolge<\/a> bereits Sensoren der <a href=\"https:\/\/sensor.community\/\">Sensor.Community<\/a> angeschaut hatten<\/li>\n<li>Damals konnten wir in den Daten der Sensoren die Waldbr\u00e4nde aus Kalifornien ablesen<\/li>\n<li>Das und das j\u00e4hrliche Feinstaub-Silvesterfeuerwerk, erschien uns interessant genug mal mit Feinstaubsensoren zu arbeiten<\/li>\n<li>Zun\u00e4chst erz\u00e4hlt Helena \u00fcber ihre Datenauswertungsreise und danach springen wir in die Auswertung von 3 Messstationen<\/li>\n<li>Weitere Dinge: haben Sensoren der Sensor.Community mit Daten von offiziellen Messstationen des Umweltbundesamtes verglichen<\/li>\n<li>Schlie\u00dflich noch zwei globale Ereignisse: Saharastaub und ein Vulkanausbruch<\/li>\n<\/ul>\n<h3>Warum ist das Thema wichtig? (00:02:50)<\/h3>\n<ul>\n<li>Feinstaub fanden wir wichtig, weil u.a. durch Stra\u00dfenverkehr oder Holz\u00f6fen entsteht Luftbelastung <\/li>\n<li>Das hat Einfluss auf unsere Gesundheit<\/li>\n<li>Aber es geht auch um Citizen Science, das hei\u00dft, dass auch Menschen, die keine Wissenschaftler*innen sind, Daten sammeln<\/li>\n<li>Gerade bei Feinstaub geht es auch um politische Entscheidungen, deswegen sind unzensierte Daten als Vergleiche wichtig<\/li>\n<\/ul>\n<h3>Einspieler: Was ist dieser Feinstaub? (00:03:57)<\/h3>\n<ul>\n<li>was ist dieser <a href=\"https:\/\/www.umweltbundesamt.de\/themen\/luft\/luftschadstoffe-im-ueberblick\/feinstaub#undefined\">feinstaub<\/a>?<br \/>\n<blockquote>\n<p>Feinstaub besteht aus einem komplexen Gemisch fester und fl\u00fcssiger Partikel und wird abh\u00e4ngig von deren Gr\u00f6\u00dfe in unterschiedliche Fraktionen eingeteilt. Unterschieden werden PM10 (PM, particulate matter) mit einem maximalen Durchmesser von 10 Mikrometer (\u00b5m), PM2,5 und ultrafeine Partikel mit einem Durchmesser von weniger als 0,1 \u00b5m. <a href=\"https:\/\/www.umweltbundesamt.de\/themen\/luft\/luftschadstoffe-im-ueberblick\/feinstaub#undefined\">Quelle<\/a><\/p>\n<\/blockquote>\n<\/li>\n<li>Menschen erzeugen Feinstaub: Autos, Kraft- und Heizwerke, Kamine, allgemein durch Heizen und auch sehr viel in der Industrie<\/li>\n<li>Stra\u00dfenverkehr: Bremsen- und Reifenabrieb; Landwirtschaft: Ammoniak-Emissionen durch Tierhaltung<\/li>\n<li>Als nat\u00fcrliche Ursache gilt: Bodenerosion, kleinste Partikel, die aufgewirbelt werden<\/li>\n<li>Warum spielt das alles eine Rolle? Weil es sich auf unsere Gesundheit auswirken kann<\/li>\n<li>Feinstaubpartikel reizen je nach Gr\u00f6\u00dfe die Schleimh\u00e4ute, gelangen in die Bronchien, belasten Lungen und Herz- Kreislaufsystem, was zu ernsthaften Erkrankungen f\u00fchren oder bestehende verst\u00e4rken kann <\/li>\n<li>EU Grenzwerte gelten seit dem 1. Januar 2005: Tagesgrenzwert PM10 betr\u00e4gt 50 \u00b5g\/m3, darf nicht \u00f6fter als 35mal im Jahr \u00fcberschritten werden, zul\u00e4ssiger Jahresmittelwert 40 \u00b5g\/m3<\/li>\n<li>F\u00fcr PM2,5 gilt seit 2008 ein Zielwert von 25 \u00b5g\/m3 im Jahresmittel<\/li>\n<li>Es gibt also gute Gr\u00fcnde, um Feinstaub im Blick zu haben und es ist auch gut, wenn das nicht nur der Staat macht, sondern alle Menschen sich einfach einklinken k\u00f6nnen und mit eigenen Sensoren zu einem Gro\u00dfen Netzwerk beitragen k\u00f6nnen<\/li>\n<li>So zum beispiel in das gro\u00dfe Netzwerk der Sensor.Community<\/li>\n<li>Auf der Karte der Sensor.Community sind \u00fcber 14.000 Sensoren registriert aus 73 L\u00e4ndern<\/li>\n<li>Es sind ganz verschiedene Sensoren an der Datenerhebung beteiligt<\/li>\n<li>U.a. der Feinstaub-Sensor SDS011, der die beiden Partikelgr\u00f6\u00dfen PM10 und PM2.5 messen kann<\/li>\n<li>Meist weitere Sensoren enthalten: Temperatur, Luftfeuchtigkeit, Luftdruck<\/li>\n<li>Jeder registrierte Sensor liefert frei zug\u00e4ngliche Daten aus<\/li>\n<li>Wer sich daran beteiligt ist Teil eines globalen Sensornetzwerkes das open data Umweltdaten generiert<\/li>\n<li>Offen zug\u00e4ngliche Daten sind toll, sie f\u00f6rdern B\u00fcrger*innen-Beteiligung, Transparenz, Wissenschaft<\/li>\n<\/ul>\n<h3>Wie k\u00f6nnen die Daten geladen werden? (00:07:04)<\/h3>\n<ul>\n<li>Unsere Idee: Selbst Feinstaubsensoren zu betreiben und auszuwerten<\/li>\n<li>Aufbau: Zeitspanne ein halbes Jahr, sollte Silvester (Feuerwerk) enthalten, gleiche Sensoren<\/li>\n<li>Datensammeln: Sensoren aufbauen, anschlie\u00dfen, verbinden und in der Sensor.Community registrieren<\/li>\n<li>Parallel versucht bestimmte Ereignisse zu erfassen, bei denen wir dachten, da passiert was<\/li>\n<li>Wie komme ich an die Daten dann ran, wenn ich sie auswerten m\u00f6chte?<\/li>\n<li>Also wie erreiche ich zum Beispiel die Schnittstelle zu den Daten?<\/li>\n<li>Und gleich als zweite Frage hinterher: Was mache ich dann, wenn ich die Daten runtergeladen habe?<\/li>\n<li>Haben den Sensor SDS011 benutzt<\/li>\n<li>Sensor.Community bietet die Daten auf ihrem Server in verschiedenen Formen an, die einfach runtergeladen werden k\u00f6nnen<\/li>\n<li>Ein Ordner f\u00fcr jeden Tag und dann f\u00fcr jeden Sensor mit jeder Sensor-ID eine Datei<\/li>\n<li>Oder man zieht die Datei, die 1x im Monat jeweils einen Sensor-Typ zusammenfasst<\/li>\n<li>Die monatliche Datei f\u00fcr den Sensor SDS011 war das gr\u00f6\u00dfte Paket: 4GB gezipte CSV-Datei<\/li>\n<li>CSV hatten wir ja schonmal erw\u00e4hnt, sind im Grunde Textdateien, die Tabellen darstellen<\/li>\n<li>Gezipt hei\u00dft, dass die Datei kleiner gepackt wurde, nach dem Entpacken war sie 16GB gro\u00df<\/li>\n<li>Helenas Versuche in R die Daten ohne Entpacken zu laden waren nicht erfolgreich, es wurde immer nur ein Bruchteil der Daten geladen (mit readr::read_delim und vroom::vroom package)<\/li>\n<li>Also doch entpacken, aber das Laden scheiterte daran, dass der RAM (Arbeitsspeicher) vollgelaufen ist<\/li>\n<li>Helena hat deshalb die Daten beim Laden in R direkt gefiltert, das war aber sehr langsam<\/li>\n<li>Deswegen hat sie das Filtern manuell auf der Kommandozeile gemacht<\/li>\n<li>Unter Linux gibt es da Tools um Textdateien zu verarbeiten<\/li>\n<li>In einer CSV-Datei ist jede Beobachtung eine Zeile und dar\u00fcber konnte Helena einfach alle Zeilen raussuchen mit den Sensor-IDs, die uns interessiert haben <\/li>\n<li>Das waren dann nur noch 40 MB an Daten<\/li>\n<li>Damit war es dann m\u00f6glich die Daten vern\u00fcnftig zu laden<\/li>\n<\/ul>\n<pre><code class=\"language-{r}\">jsds &lt;- sqldf::read.csv2.sql(\n  &quot;\/tmp\/sds\/2021-10_sds011.csv&quot;,\n  sep = &quot;;&quot;,\n  sql = &quot;select * from file where sensor_id=XXXXX&quot;\n)<\/code><\/pre>\n<pre><code class=\"language-{bash}\"> cat *csv|grep 12345 >> ~\/sds_data.csv<\/code><\/pre>\n<ul>\n<li>Eine Person hat uns Daten \u00fcber das Excelsheet eingereicht<\/li>\n<li>Wir hatten eine Tabelle vorbereitet wo Dinge eingetragen werden konnten<\/li>\n<li>Leider stehen an vielen Stellen in den Daten der Sensor.Community verschiedene IDs zu den Sensoren, und im Datensatz steht nur die 'sensor id' und nicht alle IDs, die wir gebraucht h\u00e4tten<\/li>\n<li>Zum Gl\u00fcck hatte die Person aber ein paar Probleme mit dem Internet<\/li>\n<li>Helena musste also nur noch nach Sensoren suchen die zum gleichen Zeitpunkt Ausf\u00e4lle hatten, wie im Plot zu sehen war<\/li>\n<li>Problem mit dem Laden aller Daten umgangen, indem der Zeitraum eingeschr\u00e4nkt wurde<\/li>\n<li>Es kamen 66 Sensoren in Frage <\/li>\n<li>Dann habe ich einen Zeitpunkt genommen, an dem die Daten im Plot ein auff\u00e4lliges Muster hatten<\/li>\n<li>Und alle Daten zu diesem Zeitpunkt geplottet, und siehe da, es passte genau einer der Sensoren, und er war sogar im richtigen Stadtteil!<\/li>\n<li>Fazit: Solche Sachen sind nicht anonym, auch wenn man die IDs wegl\u00e4sst, weil aus der Form in Korrelation mit anderen Daten immer noch erstichtlich werden kann, woher das kommt<\/li>\n<li>Es gibt im AirRohr also nicht nur eine ID, sondern jeder einzelne Sensor bekommt eine eigen ID, die mensch dann erstmal rausfinden muss<\/li>\n<\/ul>\n<h3>Was haben wir konkret beobachten k\u00f6nnen? (00:15:34)<\/h3>\n<ul>\n<li>Was haben wir also konkret beobachten k\u00f6nnen? Oder auch nicht beobachten k\u00f6nnen?<\/li>\n<li>Bei Datenerhebung haben wir auch immer wieder draufgeschaut, was da grad passiert<\/li>\n<li>So verschiede Events, die uns da als erstes in den Sinn kamen: Wie wirkt sich Regen aus? Feinstaub durch Stra\u00dfennutzung bei Trockenheit?<\/li>\n<li>Frage, die wir uns immer wieder gestellt haben: Wo kommen Peaks in den Plots her? Sind die nur lokal oder gr\u00f6\u00dfer umkreis?<\/li>\n<li>Schnell war klar: Ursachen von Peaks dann vor allem nachweisbar wenn sie auch beobachet werden, im Nachhinein scheint uns das eher schwer<\/li>\n<li>Alles in allem schwebt die riesige Frage dar\u00fcber: Was ist Kausalit\u00e4t und was vielleicht nur Korrelation?<\/li>\n<li>Kausalit\u00e4t w\u00e4re ein direkter Zusammenhang zwischen dem Beobachteten Ereignis und dem Anstieg<\/li>\n<li>W\u00e4hrend Korrelation nur zuf\u00e4llig w\u00e4hrend einer Beobachtung den Wert ansteigen l\u00e4sst, die Ursache daher aber ganz woanders liegt<\/li>\n<li>Erste Frage, die wir uns gestellt hatten, war, wie sah Silvester in den Daten aus?<\/li>\n<\/ul>\n<p><a href=\"http:\/\/www.datenleben.de\/wp-content\/uploads\/2022\/04\/silvester2021.png\"><img decoding=\"async\" src=\"http:\/\/www.datenleben.de\/wp-content\/uploads\/2022\/04\/silvester2021.png\" alt=\"\" \/><\/a><\/p>\n<ul>\n<li>Silvester: Wie zu erwarten ist es bei allen 3 Teststationen deutlich zu sehen<\/li>\n<li>Am st\u00e4rksten etwa eine halbe Stunde nach Mitternacht<\/li>\n<li>Trotz Feuerwerksverkaufsverbot - also vermutlich weniger als sonst, aber gut zu sehen immer noch!<\/li>\n<li>Grillen: hier erwartet man eine erh\u00f6hte Feinstaubkonzentration, zumindest bei Holzkohle und Briketts<\/li>\n<li>Janine hat ein Mal gegrillt, \u00fcberwiegend Briketts, so um 15:20 wurde der Grill angemacht<\/li>\n<li>Dabei hat sie live auf den Sensor geguckt, vorher war der PM10 Wert bei 10 etwa<\/li>\n<li>Als es dann richtig rauchte, ging PM10 bis auf 70 hoch, aber schnell wieder abgeflaut<\/li>\n<li>Danach passierte etwa 20 Minuten nichts und Janine hat die konkrete Beobachtung beendet<\/li>\n<li>Helenas Beobachtung in den Daten: Nachdem der Grill angemacht wurde, gab es einen kleinen Peak und ging dann wieder runter<\/li>\n<li>Eine halbe Stunde sp\u00e4ter kam erst der deutlich gr\u00f6\u00dfere Anstieg mit mehr Feinstaub<\/li>\n<li>Es ist vorstellbar, dass wegwehende Asche auch Feinstaub verursacht, aber nicht schon so kurz nach dem anwerfen des Grills vermutlich<\/li>\n<li>Spannend wird es in Kombination mit den Daten von Helga, die auch ein Grillevent in den Daten hat, bei dem auch 30 Minuten nach anmachen des Grills die Werte steigen<\/li>\n<li>Helga hat einen Elektrogrill benutzt und trotzdem einen \u00e4hnlichen Anstieg wie bei Janine gehabt<\/li>\n<li>Also scheint Feinstaub beim Grillen insbesondere von der Nahrung zu kommen. (Hypothesenbildung)<\/li>\n<li>Daraus k\u00f6nnte man eine Versuchsreihe entwickeln: mehrmals grillen mit und ohne Grillgut etc.<\/li>\n<li>Stra\u00dfenkehrmaschine: Janine sah einmal einen Anstieg im Zusammenhang mit Stra\u00dfenkehren<\/li>\n<li>Allerdings, bei weiteren Beobachtungen hat sich das nicht wiederholt: offenbar nicht f\u00fcr einen gro\u00dfen Anstieg urs\u00e4chlich<\/li>\n<li>M\u00fcllabfuhr war auch v\u00f6llig beliebig und konnte nicht mit Peaks korreliert werden<\/li>\n<li>Party: Auf dem Balkon unter Helga fand eine Party statt, zeitgleich ein deutlicher Anstieg der Daten<\/li>\n<li>Vermutung: Raucher*innen auf der Party auf dem Balkon<\/li>\n<li>Rauchen: Janine hatte Besuch und diese Person hat auch drau\u00dfen geraucht, dabei hat sich der Wert sehr schnell verdoppelt<\/li>\n<li>Sah so aus, als sei Rauchen die Ursache, Wert war aber vorher sehr niedrig<\/li>\n<li>In den Daten sah es vor allem bei PM10 eher nach Rauschen aus, sagt auch Helena <\/li>\n<li>Allerdings der Anstieg bei PM2,5 (f\u00fcr kleineren Feinstaub) war h\u00f6her, als der bei PM10 - das k\u00f6nnte mehr als Rauschen gewesen sein <\/li>\n<li>Hier w\u00e4re eine Versuchsreihe mit Raucher*innen auch eine M\u00f6glichkeit das zu ergr\u00fcnden<\/li>\n<li>Sp\u00e4ter am Abend gab es noch zwei Ausschl\u00e4ge, w\u00e4hrend noch eine zweite Person da war, die ebenfalls geraucht hat und die nat\u00fcrlich zusammen rauchen gegangen sind, da liegen leider keine Zeiten vor <\/li>\n<li>Regen: Anfangs hat Janine oft, wenn es geregnet hat, den Sensor live beobachtet <\/li>\n<li>Dabei ist aber \u00fcberhaupt kein Muster entstanden, das irgendwelche R\u00fcckschl\u00fcsse erlaubt h\u00e4tte<\/li>\n<li>Die Schwankungen w\u00e4hrend Regen wirkten dabei sehr beliebig, mal gefallen, mal gestiegen<\/li>\n<li>Das m\u00fcsste man im gro\u00dfen Ma\u00dfsstab angucken \u00fcber den gesamten Zeitraum und dazu br\u00e4uchte man auch die Regendaten<\/li>\n<li>Wir haben im AirRohr aber auch noch weitere Sensoren: Temperatur, Luftdruck und Luftfeuchtigkeit<\/li>\n<li>Bisher haben wir \u00fcber Korrelation mittels Beobachtung gesprochen, die l\u00e4sst sich aber auch mathemathisch definieren<\/li>\n<li>Beispiel: Man kann anhand der gleichzeitig erfassten Daten von Feinstaub und Temperatur einen Korrelationskoeffizienten erstellen<\/li>\n<li>Wenn die Korrelation besonders hoch ist, ist der Wert bei 1<\/li>\n<li>Immer wenn ein Feinstaub hoch geht und gleichzeitig die Temperatur hochgehen w\u00fcrde, w\u00e4re der Korrelationskoeffizient bei 1<\/li>\n<li>-1 w\u00e4re er, wenn das eine immer hoch geht, w\u00e4hrend das andere immer runter geht <\/li>\n<li>0 w\u00e4re er, wenn es gar keine Korrelation gibt<\/li>\n<\/ul>\n<blockquote>\n<p>Der Korrelationskoeffizient, auch Produkt-Moment-Korrelation, ist ein Ma\u00df f\u00fcr den Grad des linearen Zusammenhangs zwischen zwei mindestens intervallskalierten Merkmalen, das nicht von den Ma\u00dfeinheiten der Messung abh\u00e4ngt und somit dimensionslos ist. Er kann Werte zwischen \u2212 1 {\\displaystyle -1} -1 und + 1 {\\displaystyle +1} +1 annehmen. <a href=\"https:\/\/de.wikipedia.org\/wiki\/Korrelationskoeffizient\">Quelle<\/a><\/p>\n<\/blockquote>\n<ul>\n<li>Zwischen Temperatur und Luftdruck konnte Helena keine Korrelation finden<\/li>\n<li>Es gab aber eine zwischen Temperatur und Luftdruck <\/li>\n<li>Nicht \u00fcberraschend: Barometer (Ger\u00e4t f\u00fcr Luftdruckanzeige) k\u00f6nnen benutzt werden, um kurzfristige lokale Wettervorhersagen zu t\u00e4tigen <\/li>\n<li>In Sachen Korrelationen haben wir uns dann noch Messstationen vom Umweltbundesamt dazugeholt<\/li>\n<\/ul>\n<h3>Stationen vom Umweltbundesamt vs. private Messstationen? (00:31:00)<\/h3>\n<ul>\n<li>Wir wollten <a href=\"https:\/\/www.umweltbundesamt.de\/daten\/luft\/luftdaten\/stationen\">Messstation des Umweltbundesamtes<\/a> mit denen der Sensor.Community vergleichen<\/li>\n<li>Mehr Messpunkte sind besser, deswegen noch zwei weitere UBA-Stationen rausgesucht, mit Sensoren der Sensor.Community in der N\u00e4he<\/li>\n<li>Das sind jetzt neben Braunschweig noch Leipzig und Duisburg<\/li>\n<li>Die UBA Stationen stehen dabei jeweils an gr\u00f6\u00dferen Stra\u00dfen, die privaten Sensoren nicht direkt an der Hauptverkehrsstra\u00dfe<\/li>\n<li>Und Helena hat nat\u00fcrlich diese Messdaten dann zusammengeworfen<\/li>\n<li>Was kam dabei raus?<\/li>\n<\/ul>\n<p><img decoding=\"async\" src=\"http:\/\/www.datenleben.de\/wp-content\/uploads\/2022\/04\/uba_vs_sc.png\" alt=\"http:\/\/www.datenleben.de\/wp-content\/uploads\/2022\/04\/uba_vs_sc.png\" title=\"http:\/\/www.datenleben.de\/wp-content\/uploads\/2022\/04\/uba_vs_sc.png\" \/><\/p>\n<ul>\n<li>Die verf\u00fcgbaren Daten der Messstationen sind die Tagesmittel, also der Mittelwert aus 24 Stunden <\/li>\n<li>Keine Angaben gefunden von wann bis wann das gilt<\/li>\n<li>Laut Korrelationskoeffizient gute Korrelation zwischen unseren Sensoren und denen vom UBA<\/li>\n<li>Allerdings gibt es eine zeitliche Verz\u00f6gerung dazwischen<\/li>\n<li>Bei Zeitreihen spricht man nicht mehr unbedingt von Korrelation, sondern von Kreuzkorrelation, da man dann die Zeitdifferenz mitber\u00fccksichtigt<\/li>\n<li>In Braunschweig sind die  Tagesmittel um 2 Tage versetzt<\/li>\n<li>Bei Duisburg und Leipzig sind sie um 1 Tag versetzt <\/li>\n<li>M\u00f6gliche Erkl\u00e4rung 1: Der Feinstaub hat &quot;Reiseweg&quot; von der UBA Station zu der anderen Station <\/li>\n<li>M\u00f6gliche Erkl\u00e4rung 2: bei einem Tag k\u00f6nnte sein, dass die Zeitpunkte f\u00fcr die das Tagesmittel ermittelt wird unterschiedlich sind: <\/li>\n<li>Zum Beispiel von 00:00 bis 24:00 oder von 12:00 an tag 1 bis 12:00 an Tag 2.<\/li>\n<li>Bei 2 Tagen erkl\u00e4rt es das nicht unbedingt<\/li>\n<li>Zeitlich versetzte Korrelation hei\u00dft aber, dass der Prozess der  Feinstaub erzeugt, also zum Beispiel der Verkehr, ein  dies in r\u00e4umlichen Abstand zu den Messtationen tut<\/li>\n<li>Und dann der Feinstaub eine gewisse Zeit braucht um sich auszubreiten. Beispiel: Diffusion oder Wind<\/li>\n<li>Unsere Sensoren untereinander waren st\u00e4rker Korreliert als zum UBA<\/li>\n<li>In Duisburg sind die beiden Sensor.Community Stationen auch sehr stark miteinander korreliert (0.98)<\/li>\n<li>Hei\u00dft also, wenn dass so gut korreliert, dass lokale Ereignisse wirklich nur geringen Effekt haben und zwar kausal sein k\u00f6nnen, aber trotzdem im rauschen der umgebung untergehen?<\/li>\n<li>Im Grunde ist Rauschen eine Summe ganz vieler kleiner Ereignisse<\/li>\n<li>Also kann man (Beispiel Rauchen) durchaus ein kausales Ereignis beobachten, es sieht dann aber am Ende trotzdem wie Rauschen aus<\/li>\n<li>Wenn man wei\u00df wie ein Ereignis aussehen muss, kann das doch in den Daten gefunden werden<\/li>\n<\/ul>\n<h3>Was macht der Saharastaub in meinem Sensor? (00:40:56)<\/h3>\n<ul>\n<li>Mitte M\u00e4rz f\u00e4rbte <a href=\"https:\/\/www.dwd.de\/DE\/forschung\/atmosphaerenbeob\/zusammensetzung_atmosphaere\/aerosol\/inh_nav\/saharastaub_node.html\">Saharastaub<\/a> den Himmel<\/li>\n<li>Dieser wird in der Sahara aufgewirbelt, durch Turbulenzen und Windb\u00f6en in h\u00f6here Luftschichten und wird von dort mit H\u00f6henwinden \u00fcber den Globus verteilt<\/li>\n<li>Kleine Randbemerkung: Staub dieser Staub enth\u00e4lt Mineralstoffe, die damit verteilt werden <\/li>\n<li>Der Amazonas profitiert davon auch, Saharastaub ist Teil des globalen N\u00e4hrstoffkreislaufes <\/li>\n<li>Es gibt pro Jahr etwa 5-15 Saharastaub Ereignisse, die sich etwa \u00fcber 10-60 Tage pro Jahr strecken<\/li>\n<li>Und nachdem wir ja eh den Sensor im Blick haben, dachte ich: misst mein Sensor den eigentlich auch?<\/li>\n<li>Deswegen haben wir dann beschlossen das auch nochmal n\u00e4her anzugucken<\/li>\n<\/ul>\n<p><a href=\"http:\/\/www.datenleben.de\/wp-content\/uploads\/2022\/04\/saharastaub.png\"><img decoding=\"async\" src=\"http:\/\/www.datenleben.de\/wp-content\/uploads\/2022\/04\/saharastaub.png\" alt=\"\" \/><\/a><\/p>\n<ul>\n<li>Vergleich der Daten vom 10.3.2022 mit den Daten am 17.03.2022: es ist deutlich zu sehen dass mehr Feinstaub in der Luft ist<\/li>\n<li>Eine Woche vorher, um Wochentagseffekt auszuschlie\u00dfen<\/li>\n<li>Am 10.03. war der Wert deutliich unter 30 und am 17.03. im Schnitt zwischen 30-40<\/li>\n<li>Wahrscheinlich haben Menschen im S\u00fcden und Westen Deutschlands h\u00f6here Werte messen k\u00f6nnen <\/li>\n<li>Dort war der Saharastaub deutlich l\u00e4nger und vermutlich auch in h\u00f6herer Konzentration in der Luft<\/li>\n<li>Helena h\u00e4tte gerne eine Animation \u00fcber alle Sensoren mit der Ausbreitung der Wolke gemacht <\/li>\n<li>Aber uns lagen noch nicht die M\u00e4rzdaten als Gesamtpaket vor<\/li>\n<li>Vielleicht hat ja jemand anderes noch Lust das zu machen<\/li>\n<li>Wer mehr dar\u00fcber wissen m\u00f6chte, kann beim <a href=\"https:\/\/www.dwd.de\/DE\/forschung\/atmosphaerenbeob\/zusammensetzung_atmosphaere\/aerosol\/inh_nav\/saharastaub_node.html\">Deutschen Wetterdienst<\/a> vorbeischauen<\/li>\n<\/ul>\n<h3>Wie k\u00f6nnen meine Sensoren einen Vulkanausbruch messen? (00:45:27)<\/h3>\n<ul>\n<li>Am 15. Januar brach der Vulkan Hunga Tonga\u2013Hunga Ha'apai aus<\/li>\n<li>Spannende Twitterthreads dazu sind in diesem Thread zusammengetragen:\n<ul>\n<li><a href=\"https:\/\/twitter.com\/NicosPanoptikum\/status\/1482269560158003202?s=20&amp;t=9H_rJV0SICcMQEv0KjhMdQ\">https:\/\/twitter.com\/NicosPanoptikum\/status\/1482269560158003202?s=20&t=9H_rJV0SICcMQEv0KjhMdQ<\/a><\/li>\n<\/ul>\n<\/li>\n<li>Die Druckwelle war so enorm, dass sie sich um die gesamte Erde ausgebreitet hat<\/li>\n<li>Es gab auch interessante <a href=\"https:\/\/twitter.com\/chrisoutofspace\/status\/1482286636226560002?s=20&amp;t=wWPAxKsZ5_HIIA93ohXrRQ\">Sattelitenbilder<\/a>, die zeigten, wie diese Druckwelle starke Wellenmuster in die wolken &quot;zeichnete&quot;<\/li>\n<li>Durch die Bewegung der Luftmassen, hat sich am Rand der sich ausbreitenden Welle kurzfristig der Luftdruck ver\u00e4ndert<\/li>\n<li>Das konnte von Luftdrucksensoren gemessen werden, auch in dem von Janine<\/li>\n<li>Der Vulkanausbruch war buchst\u00e4blich auf der anderen Seite der Erde <\/li>\n<li>Helena hatte die Idee, die Sensoren aus der Sensor.Community zu nutzen, um die Ausbreitungsgeschwindigkeit der Druckwelle zu bestimmen<\/li>\n<li>Gestartet wurde erstmal mit ein paar Drucksensoren, die das gleiche Modell hatten wie der von Janine<\/li>\n<li>Das waren etwa 140 Sensoren, also alle einfach erstmal geplottet -&gt; Exploration der Daten<\/li>\n<li>Dabei fielen zun\u00e4chst zwei Dinge auf:<\/li>\n<li>Ein paar Sensoren hatten offensichtlich keine Sinnvollen Daten, hochgeladen, sondern waren eher<br \/>\nrauschen oder \u00e4hnliches, die lie\u00dfen sich manuell aussortieren<\/li>\n<li>Au\u00dferdem war die durchschnittliche Zeit zwischen zwei Messpunkten ca. 150s<\/li>\n<li>Charakteristische Form der Druckwelle: Ein starker Anstieg und danach ein Abfall unter das vorherige Niveau und sich dann wieder normalisierte<\/li>\n<li>Helena hat die Daten nach Zeit gefiltert: ungef\u00e4hr danach, wann die Druckwelle hier ankam<\/li>\n<li>Au\u00dferdem alle Messstationen aussortiert, die mehr als 2000km von Braunschweig entfernt waren<\/li>\n<li>Annahme der Auswertung ist, dass sich die Druckwelle als planare Welle bewegt und die Erde flach ist<\/li>\n<li>Das ist beides auf globalem Ma\u00dfstab falsch, daher wird ein kleiner Ausschnitt der Welt gew\u00e4hlt, wo das nah genug dran kommt (Typisch Physik^^)<\/li>\n<li>Dazu musste sie wissen: Wann ist das Maximum? Wo sind die Messsensoren?<\/li>\n<li>Die Orte lagen als GPS-Koordinaten vor, bzw. genauer im WGS84 Koordinatensystem<\/li>\n<li>Da die Annahme war dass die Erde im Ausschnitt ausreichend flach ist, wurde das Koordinatensystem transformiert, in eins was x und y in Metern misst, statt in Grad<\/li>\n<li>GPS ist WGS84, was den Code EPSG 4326 hat<\/li>\n<li>UTM32U ist ein Koordinatensystem, was gro\u00dfe Teile Deutschlands rastert, planar in Metern<\/li>\n<li>UTM32: <a href=\"https:\/\/de.wikipedia.org\/wiki\/UTM-Koordinatensystem\">https:\/\/de.wikipedia.org\/wiki\/UTM-Koordinatensystem<\/a><\/li>\n<li>WSG84: <a href=\"https:\/\/de.wikipedia.org\/wiki\/World_Geodetic_System_1984\">https:\/\/de.wikipedia.org\/wiki\/World_Geodetic_System_1984<\/a><\/li>\n<li>EPSG: <a href=\"https:\/\/de.wikipedia.org\/wiki\/European_Petroleum_Survey_Group_Geodesy\">https:\/\/de.wikipedia.org\/wiki\/European_Petroleum_Survey_Group_Geodesy<\/a><\/li>\n<li>Gemeinerweise hat das R Paket <em>raster<\/em> latitude und longitude vertauscht gegen\u00fcber dem was bei GPS \u00fcblicherweise angegeben wurde<\/li>\n<\/ul>\n<p><a href=\"http:\/\/www.datenleben.de\/wp-content\/uploads\/2022\/04\/druckwelle_histogramm.png\"><img decoding=\"async\" src=\"http:\/\/www.datenleben.de\/wp-content\/uploads\/2022\/04\/druckwelle_histogramm.png\" alt=\"\" \/><\/a><\/p>\n<ul>\n<li>Auswertung 1:\n<ul>\n<li>Schritt 1: Daten als Histogramm plotten, wobei sie in Gruppen von 150s eingeteilt wurden<\/li>\n<li>Schritt 2: Abschnitte ausw\u00e4hlen, wo genug (hier \u00fcber 10) Datenpunkte drin liegen<\/li>\n<li>Schritt 3: In die 4 ausgew\u00e4hlten Zeitausschnitte wurden dann jeweils Linien gefitted, die Latitude und Longitude miteinander verbinden<\/li>\n<li>Schritt 4: Anschauen der Fits, dabei f\u00e4llt auf dass 2 der Linien \u00fcberhaupt nicht passen, 2 aber ganz gut. Eine Linie sah besoners gut aus dabei<\/li>\n<li>Problem: die beiden guten Linien haben nicht die selbe Steigung, daher gibts nicht im eigentlichen Sinne einen Abstand zwischen ihnen<\/li>\n<li>L\u00f6sung\/Schritt 5: Die Steigung der besser aussehenden Linie wurde auch f\u00fcr die zweite Linie verwendet, aber die Achsenschnittpunkt wurde neu gefittet<\/li>\n<li>Schritt 6: Jetzt wurde der Abstand der beiden Linien(genau die Differenz der Achsenschnittpunkte) durch den Zeitlichen Abstand geteilt und herauskam: 305m\/s<\/li>\n<\/ul>\n<\/li>\n<li>Das ist etwas langsamer als Schallgeschwindigkeit<\/li>\n<li>Klingt soweit auch plausibel, denn der Schall war ja auch noch sehr weit zu h\u00f6ren<\/li>\n<li>Wir haben hier aber nur die Druckwelle gemessen, die wir nicht h\u00f6ren konnten<\/li>\n<li>Es gab noch andere Luftdrucksensoren und damit noch weiter Daten in der Sensor.Community\n<ul>\n<li>Alle Sensoren zusammen: BMP180, BMP280 und BME280<\/li>\n<\/ul>\n<\/li>\n<li>Das waren deutlich mehr Daten, wo Ausrei\u00dfer nicht mehr manuell vorher gefiltert werden konnten<\/li>\n<li>Daher sah die Auswertung aller Daten anders aus<\/li>\n<\/ul>\n<p><a href=\"http:\/\/www.datenleben.de\/wp-content\/uploads\/2022\/04\/Druckwellen_Auswertung.png\"><img decoding=\"async\" src=\"http:\/\/www.datenleben.de\/wp-content\/uploads\/2022\/04\/Druckwellen_Auswertung.png\" alt=\"\" \/><\/a><\/p>\n<ul>\n<li>Auswertung 2:\n<ul>\n<li>Schritt 1: Daten als Histogramm plotten, wobei sie in Gruppen von 150s eingeteilt wurden<\/li>\n<li>Schritt 2: Abschnitte ausw\u00e4hlen, wo die meisten Datenpunkte drin liegen (3 St\u00fcck)<\/li>\n<li>Schritt 3: In die 3 ausgew\u00e4hlten Zeitausschnitte wurden dann jeweils Linien gefitted, die Latitude und Longitude miteinander verbinden<\/li>\n<li>Schritt 4: Es gibt ziemlich \u00fcble Ausrei\u00dfer, diese werden \u00fcber die sogenannte 'cooks distance' ermittelt und rausgel\u00f6scht.<\/li>\n<li>Schritt 5: Nochmal fitten wie in Schritt drei, aber ohne Ausrei\u00dfer<\/li>\n<li>Schritt 6: Anschauen der Fits, dabei f\u00e4llt auf dass die Linien ganz ok passen, aber sie nat\u00fcrlich wieder andere Steigungen haben<\/li>\n<li>Schritt 7: Nochmal die Daten fitten, aber diesmal alle Daten zusammen, und alle Daten gehen in die Steigung ein, aber der Achsenschnittpunkt wird pro Gruppe einzeln bestimmt<\/li>\n<li>Schritt 8: Nochmal die Fits angucken. Diesmal sieht die Linie f\u00fcr Gruppe 3 etwas unpassend aus, weil die meisten Punkte an einem \u00e4hnlichen Ort liegen, und der Achsenschnittpunkt nicht richtig passen k\u00f6nnte, also wird diese Linie aussortiert<\/li>\n<li>Schritt 9:  Jetzt wurde der Abstand der beiden Linien (genau die Differenz der Achsenschnittpunkte) durch den zeitlichen Abstand geteilt und herauskam: 304 m\/s<\/li>\n<\/ul>\n<\/li>\n<li>Damit ist die erste Rechnung verifiziert worden<\/li>\n<li>Helena hat auch nach Ver\u00f6ffentlichungen gesucht, die es dazu gab, diese hat sie gefunden: <a href=\"https:\/\/rmets.onlinelibrary.wiley.com\/doi\/10.1002\/wea.4171\">https:\/\/rmets.onlinelibrary.wiley.com\/doi\/10.1002\/wea.4171<\/a><\/li>\n<li>Laut dieser lagen die Geschwindigkeiten der Druckwelle auch so zwischen 305m\/s und 311m\/s, wir liegen also ganz gut drin.<\/li>\n<\/ul>\n<h3>Fazit (01:02:05)<\/h3>\n<ul>\n<li>Das Ziel der Folge war es, ein bisschen Spa\u00df mit Sensordaten zu haben und zu zeigen, was damit so geht<\/li>\n<li>Zusammenfassend: im Kleinen hat das nicht so einfach funktioniert, wie Janine das dachte<\/li>\n<li>Also zum Beispiel, dass das interpretieren der Daten gerade bei lokalen Ereignissen eher schwierig ist<\/li>\n<li>Weil Ursachen ggf. einfach im Rauschen verschwinden<\/li>\n<li>Insgesamt ist es aber sehr spannend diese Daten im Blick zu haben und sich mit der eigenen Umwelt auseinander zu setzen<\/li>\n<li>Interessant fand Janine daran vor allem die globalen Ereignisse<\/li>\n<li>Helena fand das Thema spannend, weil wir eigene Daten erfasst haben und sie in die Auswertung richtig einsteigen konnte und es kamen Dinge bei raus, mit denen sie anfangs \u00fcberhaupt nicht gerechnet hatte<\/li>\n<li>Das werden wir irgendwann sicherlich nochmal tun <\/li>\n<li>Wer Lust auf mehr Sensordaten hat:\n<ul>\n<li>In der Sensor.Community ist gerade ein L\u00e4rmsensor in Entwicklung<\/li>\n<li>Es gibt die Option Wetterstationen mit Arduino oder Raspberry Pi zu bauen<\/li>\n<li>Visuelle Datenerfassung mittels Nistkasten\u00fcberwachung (kombinierbar mit Klima\u00fcberwachung im Nistkasten)<\/li>\n<\/ul>\n<\/li>\n<li>Wir hoffen es hat euch gefallen und Lust auf Sensordaten bekommen oder macht das eh schon<\/li>\n<\/ul>\n<h3>Was ist DivAirCity? (01:07:20)<\/h3>\n<ul>\n<li>Es ging heute auch ein bisschen um Citizen Science dadurch, dass es Daten waren, die alle erfassen k\u00f6nnen<\/li>\n<li>Und als wir dieses Thema angek\u00fcndigt hatten mit Feinstaub, wurden wir von jemandem vom Hasso Plattner Institut in Potsdam angesprochen<\/li>\n<li>Das HPI ist an einem EU-Projekt zum Thema Luftqualit\u00e4t in St\u00e4dten beteiling: <a href=\"https:\/\/divaircity.eu\/\">https:\/\/divaircity.eu\/<\/a><\/li>\n<li>Kernpunkte des ganzen Projektes sind: Inclusive data, Empowering citizens, Smart cities contracts und knowledge sharing<\/li>\n<li>Wir unterst\u00fctzen das Projekt und mal schauen, ob es da noch eine Kooperation oder auch eine Podcastfolge gibt<\/li>\n<li>Lasst uns gerne wissen, ob euch das interessiert und ihr dazu gerne eine Folge h\u00e4ttet<\/li>\n<li>Es ist spannend Forschung live zu beobachten<\/li>\n<\/ul>\n<h3>N\u00e4chste Folge? Ja, bestimmt (01:08:54)<\/h3>\n<ul>\n<li>Unsere N\u00e4chste Folge gibt es bestimmt Ende Mai<\/li>\n<li>Wir k\u00f6nnen aber noch nicht sagen was, lasst euch einfach \u00fcberraschen, was dann bei rausgekommen ist<\/li>\n<\/ul>\n<h3>Call to Action (01:09:19)<\/h3>\n<ul>\n<li>Wenn ihr uns weiter h\u00f6ren m\u00f6chtet, folgt uns auf Twitter unter <a href=\"https:\/\/twitter.com\/datenleben\">@datenleben<\/a><\/li>\n<li>Oder besucht unsere Webseite: <a href=\"https:\/\/www.datenleben.de\/\">www.datenleben.de<\/a><\/li>\n<li>Hinterlasst uns gerne Feedback, wir w\u00fcrden uns dar\u00fcber sehr freuen<\/li>\n<li>Ihr k\u00f6nnt uns als Data Scientists auch Buchen f\u00fcr Analysen oder Projekte<\/li>\n<li>Habt ihr Fragen oder Themen, die euch interessieren? Dann schreibt uns!<\/li>\n<\/ul>\n<h3>Outro (01:10:05)<\/h3>\n<h3>Schlagworte zur Folge<\/h3>\n<p>Feinstaub, Citizen Science, Luftdaten, Temperatur, Sensor, Sensoren, Luftdruck, Gesundheit, AirRohr<\/p>\n<h3>Quellen<\/h3>\n<ul>\n<li><a href=\"https:\/\/www.datenleben.de\/index.php\/2021\/05\/22\/dl014-waldbraende\/\">datenleben: dl024 waldbr\u00e4nde<\/a> <\/li>\n<li><a href=\"https:\/\/sensor.community\/\">https:\/\/sensor.community\/<\/a><\/li>\n<li><a href=\"https:\/\/www.umweltbundesamt.de\/themen\/luft\/luftschadstoffe-im-ueberblick\/feinstaub#undefined\">Umweltbundesamt: Feinstaub<\/a><\/li>\n<li><a href=\"https:\/\/de.wikipedia.org\/wiki\/Korrelationskoeffizient\">Wikipedia: Korrelationskoeffizient<\/a><\/li>\n<li><a href=\"https:\/\/www.umweltbundesamt.de\/daten\/luft\/luftdaten\/stationen\">Umweltbundesamt: Luftdaten. Stationen<\/a><\/li>\n<li><a href=\"https:\/\/www.dwd.de\/DE\/forschung\/atmosphaerenbeob\/zusammensetzung_atmosphaere\/aerosol\/inh_nav\/saharastaub_node.html\">Deutscher Wetterdienst: Saharastaub<\/a><\/li>\n<li><a href=\"https:\/\/twitter.com\/NicosPanoptikum\/status\/1482269560158003202?s=20&amp;t=9H_rJV0SICcMQEv0KjhMdQ\">Twitter, @NicosPanoptikum: Heute fr\u00fch (5:00 MEZ) ereignete sich in der S\u00fcdsee eine erneute Eruption des Vulkans auf Hunga #Tonga ... <\/a><\/li>\n<li><a href=\"https:\/\/twitter.com\/chrisoutofspace\/status\/1482286636226560002?s=20&amp;t=wWPAxKsZ5_HIIA93ohXrRQ\">Twitter, @chrisoutofspace: Images from GOES-West so far. #Tonga<\/a><\/li>\n<li><a href=\"https:\/\/de.wikipedia.org\/wiki\/UTM-Koordinatensystem\">Wikipedia: UTM-Koordinatensystem<\/a><\/li>\n<li><a href=\"https:\/\/de.wikipedia.org\/wiki\/World_Geodetic_System_1984\">Wikipedia: World Geodetic System 1984<\/a><\/li>\n<li><a href=\"https:\/\/de.wikipedia.org\/wiki\/European_Petroleum_Survey_Group_Geodesy\">Wikipedia: European Petroleum Survey Group Geodesy<\/a><\/li>\n<li><a href=\"https:\/\/doi.org\/10.1002\/wea.4171\">Giuseppe Petricca: Monitoring the massive Tonga volcanic explosion of 15 January 2022 from Stornoway, Scotland<\/a><\/li>\n<li><a href=\"https:\/\/divaircity.eu\/\">https:\/\/divaircity.eu\/<\/a><\/li>\n<\/ul>\n","protected":false},"author":2,"featured_media":571,"comment_status":"open","ping_status":"open","template":"","meta":{"footnotes":""},"tags":[],"class_list":["post-566","podcast","type-podcast","status-publish","has-post-thumbnail","hentry","post"],"_links":{"self":[{"href":"https:\/\/www.datenleben.de\/index.php\/wp-json\/wp\/v2\/episodes\/566","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.datenleben.de\/index.php\/wp-json\/wp\/v2\/episodes"}],"about":[{"href":"https:\/\/www.datenleben.de\/index.php\/wp-json\/wp\/v2\/types\/podcast"}],"author":[{"embeddable":true,"href":"https:\/\/www.datenleben.de\/index.php\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/www.datenleben.de\/index.php\/wp-json\/wp\/v2\/comments?post=566"}],"version-history":[{"count":7,"href":"https:\/\/www.datenleben.de\/index.php\/wp-json\/wp\/v2\/episodes\/566\/revisions"}],"predecessor-version":[{"id":580,"href":"https:\/\/www.datenleben.de\/index.php\/wp-json\/wp\/v2\/episodes\/566\/revisions\/580"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.datenleben.de\/index.php\/wp-json\/wp\/v2\/media\/571"}],"wp:attachment":[{"href":"https:\/\/www.datenleben.de\/index.php\/wp-json\/wp\/v2\/media?parent=566"}],"wp:term":[{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.datenleben.de\/index.php\/wp-json\/wp\/v2\/tags?post=566"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}