Details
- TitelStappenplan voor optimalisatie van hoogfrequente waterkwaliteitsdata
Step-by-step plan for optimization of high-frequency water quality data - Auteur
- Corporatieve auteurAQUONWaterschap Aa en MaasmicroLAN
- Opdrachtgever
- Projectnummer11208383
- Plaats van uitgaveDelft
- Uitgever
- Jaar van uitgave2024 (sept.)
- Pagina's83 p.
- Illustratiesfig., ref.
- Materiaal
- Digitaal document
- Onderwerp
- Beschrijving
Binnen het in 2022 opgestarte Topconsortium voor Kennis en Innovatie (TKI) project Optima- HWQ werken Deltares, AQUON, Waterschap Aa en Maas en microLAN samen aan de optimalisatie van routines voor hoogfrequente waterkwaliteitsdata (bijv. sensoren en autoanalyzers). Optima-HWQ staat voor Optimal High-frequency Water Quality. We richten ons enerzijds op het near real-time detecteren van afwijkingen voor betere online visualisaties en adequaat sensoronderhoud. Anderzijds op het achteraf optimaliseren van de meetreeksen. Bijvoorbeeld door het opvullen van gaten in de meetreeks door Machine Learning algoritmes die worden gebaseerd op continue gegevens van andere parameters of door sensormetingen achteraf te corrigeren voor afwijkingen met conventionele waterkwaliteitsmetingen door gecertificeerde laboratoria. In dit document zijn de ervaringen die tijdens dit project zijn opgedaan beschreven in de vorm van een stappenplan dat kan worden doorlopen om te bepalen of hoogfrequente waterkwaliteitsmetingen noodzakelijk zijn en zo ja hoe de implementatie van de meetopstelling(en) zo goed mogelijk vormgegeven kan worden. Verdere informatie over dit project is te vinden op de public wiki pagina zoals voorbeelden voor het optimaliseren sensor data en een literatuurstudie.
BeschrijvingWithin the Top Consortium for Knowledge and Innovation (TKI) project Optima-HWQ, initiated in 2022, Deltares, AQUON, Waterschap Aa en Maas, and microLAN are working together to optimize routines for high-frequency water quality data (e.g., sensors and autoanalyzers). Optima-HWQ stands for Optimal High-frequency Water Quality. Our focus is twofold: on one hand, the near real-time detection of anomalies for improved online visualizations and adequate sensor maintenance, and on the other hand, the retrospective optimization of data series. For example, by filling gaps in the data series using Machine Learning algorithms based on continuous data from other parameters or by correcting sensor measurements for discrepancies with conventional water quality measurements from certified laboratories. This document outlines the experiences gained during this project in the form of a step-by-step guide that can be followed to determine whether high-frequency water quality measurements are necessary, and if so, how the implementation of the measurement setup(s) can be best realized. Further information about this project can be found on the public wiki page, including examples of sensor data optimization and a literature review.