In 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 . 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 andere continue gegevens. De sensormetingen zijn achteraf te corrigeren voor afwijkingen met conventionele waterkwaliteitsmetingen door gecertificeerde laboratoria.

waterkwaliteitsensoren - meetcabine

Op deze wiki-pagina publiceren we de resultaten van Optima-HWQ. Hieronder een overzicht van de verschillende soorten afwijkingen en de daarvoor aanbevolen correctiemethode. Via de links is per methode de uitleg, het script en een voorbeeld beschikbaar.

Afwijkingen in sensor meetreeksenCorrectiemethode

  • Harde grenzen (min en max waarden op basis van meetrange) 
  • Dynamische grenzen (min max waarden op basis van bekende dynamiek; dag-nacht, seizoen)
  • Isolation Forest Outlier Detection (herkenning van anomalieën op basis van meerdere criteria, kan ook multivariaat)


  • Detectie constante helling

  • Hampel filter
  • Burstyness voor vroege detectie

  • Correctie voor lineaire drift (onderhoudsmomenten nodig)
  • Correctie voor exponentiele drift (onderhoudsmomenten nodig)
  • DRIMP correctie (drift en jump correctie met labmetingen en onderhoudsmomenten)

  • Univeriate methode uit literatuur?
  • Random Forest (multivariaat: voorspellen waarden op basis van relatie andere parameters)

Links naar andere informatie:

Deltares - Netherlands Centre for Coastal Research



  • No labels
Write a comment...