Methods used to compensate for the effect of missing data in air quality measurements
Average rating
Cast your vote
You can rate an item by clicking the amount of stars they wish to award to this item.
When enough users have cast their vote on this item, the average rating will also be shown.
Star rating
Your vote was cast
Thank you for your feedback
Thank you for your feedback
Series/Report no.
RIVM letter report 2014-0079Type
ReportLanguage
en
Metadata
Show full item recordTitle
Methods used to compensate for the effect of missing data in air quality measurementsTranslated Title
Methoden om het effect van ontbrekende data bij luchtkwaliteitsmetingen te ondervangenPubliekssamenvatting
Lidstaten van de Europese Unie zijn verplicht om de luchtkwaliteit te meten en te rapporteren. Belangrijk hierbij is de rapportage van de jaargemiddelde concentratie. Voor het berekenen van een geldig jaargemiddelde geldt als criterium dat voor minimaal 90 % van de uren in een jaar een uur gemiddelde concentratie beschikbaar moet zijn. Als het aantal beschikbare uren niet aan het 90 % criterium voldoet mag een alternatieve methode gebruikt worden om het jaargemiddelde te berekenen. In dat verband heeft het RIVM voor stikstofdioxide en fijn stof een methode ontwikkeld. Op die manier kan, van een jaarreeks met een aanzienlijk aantal ontbrekende uurwaarden, toch een bruikbaar jaargemiddelde worden bepaald.Het jaargemiddelde van gemeten concentraties stikstofdioxide en fijn stof is een belangrijke waarde en wordt voor twee doelen gebruikt: om trends te bepalen en om metingen te vergelijkingen met modelberekeningen. Als uurwaarden ontbreken, heeft dit een effect op de nauwkeurigheid van het berekende jaargemiddelde. Uit RIVMonderzoek blijkt dat dit effect sterk afhankelijk is van het 'patroon' van de ontbrekende meetgegevens en de methode waarmee de ontbrekende gegevens vervolgens worden behandeld. Als een aaneengeschakelde hoeveelheid meetgegevens ontbreekt, heeft dat een veel grotere invloed op de nauwkeurigheid dan eenzelfde hoeveelheid ontbrekende gegevens die verdeeld zijn over het jaar.
Voor de jaargemiddelde stikstofdioxide concentratie geldt, naast het criterium voor de databeschikbaarheid ook een onzekerheidscriterium van 15 %. Het jaargemiddelde van een dataset met een aaneengeschakeld gat van 35 procent blijkt nog steeds aan de vereiste maximale onzekerheid van 15 procent te voldoen als de dataset wordt opgevuld volgens de methoden die het RIVM heeft ontwikkeld. Voor fijn stof (PM10) voldoet dan zelfs een dataset waarvan 75 procent van de data ontbreekt nog steeds aan de vereiste maximale onzekerheid van 25 procent.
Member States of the European Union are required to submit air-quality reports. Accordingly, the monitoring networks are required to store 90% of the requisite data. Member States are allowed to use supplementary methods for their air quality assessment. In this context, the Dutch National Institute for Public Health and the Environment (RIVM) has developed a method for nitrogen dioxide and particulate matter to compensate for the effect of missing data. With this method the accuracy of the results are improved significantly and this method also makes it possible to calculate useful average annual concentrations.
The annual averages of the measured concentrations of nitrogen dioxide and particulate matter are important values. They are used to identify trends and to compare the values obtained using models with actual measurements. If any hourly concentration measurements are missing, this will impact the accuracy of the calculated annual average concentrations. An RIVM study has shown that the scale of this impact is highly dependent on the 'pattern' of missing measurement data and on the method used to compensate for such data. A consecutive series of missing data has a much greater impact on accuracy than the same quantity of missing data distributed throughout the year.
Even in the case of a nitrogen dioxide dataset with a 35% 'block gap', when the methods developed by RIVM were used to compensate for the missing data, the dataset's annual average was shown to comply with the requisite maximum uncertainty of 15%. In the case of particulate matter (PM10), even datasets from which 75% of the data is missing can still comply with the required maximum uncertainty of 25%.
Sponsors
Directorate-General for Environmental ProtectionCollections