Medienmitteilung: Download: swissaerosolaward_2020_deutsch.pdf561.57 kB | Zusammenfassung.Sauvageat_Zeder.pdf144.79 kB
Der Swiss Aerosol Award wurde anlässlich der virtuellen Tagung der Schweizerischen Aerosol Gesellschaft am 3.11.2020 zum 10. Mal verliehen. Die jungen Preisträger präsentierten ihre Forschungsergebnisse über den Ausstoss von Feinstaubpartikeln durch einen Businessjet (Dr. Lukas Durdina, EMPA und ZHAW) und über die automatisierte Auswertung von Pollenmessungen (Eric Sauvageat, Uni Bern, und Yanik Zeder, Swisens AG).
Die erstmalige Messung der Partikelemissionen eines Businessjets durch Lukas Durdina und seine Mitautoren zeigen, dass diese zwar nur etwa 20% so viel Flugpetrol verbrauchen, aber trotzdem mehr Partikel ausstossen als ein Kursflugzeug. Bezogen auf einen einzelnen Passagier sind diese sogar 72-mal mehr gesundheits- und klimaschädlich, was bei den zukünftigen Emissionsgrenzwerten für kleine Jets berücksichtigt werden sollte wie bei den grossen.
(Durdina, L., Brem, B. T., Schönenberger, D., Siegerist, F., Anet, J. G., & Rindlisbacher, T. (2019). Nonvolatile Particulate Matter Emissions of a Business Jet Measured at Ground Level and Estimated for Cruising Altitudes. Environmental Science and Technology, 53(21), 12865–12872. https://doi.org/10.1021/acs.est.9b02513)
Mit dem Aufkommen neuer Pollenüberwachungsgeräte besteht ein wachsender Bedarf, die großen Mengen an Messdaten genau und effizient zu verarbeiten. In Ihrer kürzlich veröffentlichten Studie entwickeln Eric Sauvageat und Yanik Zeder eine neue Technik zur Klassifizierung von Echtzeit-Partikelmessungen, die mittels dem Swisens Poleno Messsystem gemacht wurden. Dieses Instrument ist derzeit das einzige operationelle Pollenüberwachungsgerät, das digitale Holographie verwendet.
(Sauvageat, E., Zeder, Y., Auderset, K., Calpini, B., Clot, B., Crouzy, B., Konzelmann, T., Lieberherr, G., Tummon, F., and Vasilatou, K.: Real-time pollen monitoring using digital holography, Atmos. Meas. Tech., 13, 1539–1550,
Um die vom Poleno gemessenen Pollenpartikel zu identifizieren und zu klassifizieren, werden die holographischen Bilder zunächst verwendet, um Pollenkandidaten anhand ihrer allgemeinen Form von anderen Partikeln zu trennen. In einem zweiten Schritt wurde ein Algorithmus für maschinelles Lernen entwickelt und trainiert, indem bekannte Pollenpartikel in das Gerät eingeführt wurden. Der resultierende Datensatz wird dann für die unbekannten Pollenkörner verwendet, um zwischen den verschiedenen Taxa zu unterscheiden. Dieses zweistufige Verfahren ermöglichte es dem System, 8 Pollentypen zu identifizieren und zu klassifizieren, wobei 6 von ihnen eine Genauigkeit von mehr als 90% aufwiesen. Zusätzlich zur Klassifizierungsfähigkeit des Geräts untersuchten die Autoren auch die Zählgenauigkeit des Poleno durch Experimente mit kontrollierten Kammern.
(Sauvageat, E., Zeder, Y., Auderset, K., Calpini, B., Clot, B., Crouzy, B., Konzelmann, T., Lieberherr, G., Tummon, F., and Vasilatou, K.: Real-time pollen monitoring using digital holography, Atmos. Meas. Tech., 13, 1539–1550, https://doi.org/10.5194/amt-13-1539-2020, 2020)