Datafysikalisering av miljödata  med utskrivna 3d-modeller

Syfte

Att visa hur 3D-modeller kan användas för att visualisera miljödata över tid på ett konkret, fysiskt sätt som väcker nyfikenhet, förståelse och samtal i klassrummet. Genom att ta på data blir förändringar i vår miljö lättare att förstå och diskutera.

Denna modell: PM10-partiklar på Hornsgatan

Just denna modell visar halter av PM10-partiklar på Hornsgatan sedan år 2000

Hur är modellen uppbyggd?

Den 3D-printade modellen visar dygnsvisa PM10-halter (luftburna partiklar med en diameter på högst 10 mikrometer) uppmätta på Hornsgatan i Stockholm från år 2000 till 2024. PM10 inkluderar exempelvis pollen, damm, sot och vägpartiklar.

Modellen är strukturerad så att:
• X-led (vänster till höger) visar dagar på året (1 till 365 eller 366).
• Y-led (från dig bortåt) representerar år (från 2000 till 2024).
• Z-led (uppåt) är halten PM10 i mikrogram per kubikmeter, direkt översatt till millimeter. Exempelvis ger 50 µg/m³ en stapelhöjd på 50 mm.

Varje stapel motsvarar ett dygn. Tillsammans bildar de ett slags topografiskt landskap av luftföroreningar – ett konkret och fysiskt sätt att uppfatta data.

Observera att de modeller ni får med er idag är kraftigt nedskalade i alla led. De fullskaliga modellerna är cirka 5 till 10 gånger större i både bredd, djup och höjd, och där ser man tydligare detaljer och variationer mellan år och säsonger.

Vad visar modellen?

• Det finns tydliga säsongsmönster. Nästan varje år ser man höga toppar under våren.
• Årstidernas rytm syns fysiskt, med låga nivåer under höst och vinter, följt av ett tydligt berg på våren.
• Långsiktiga trender går att ana. Till exempel inträffade den högsta 7-dagarsmedelhalten under april 2023, med nästan 92 µg/m³, men trenden är annars svagt avtagande.

Varför vårtoppar?

De höga PM10-nivåerna under våren beror främst på (OBS AI-stödd bakgrund, jag som skrivit detta är inte expert just på området i sig, utan mer på hur man kan presentera miljödata):
• Gatudamm som samlats under vintern från dubbdäck och sandning och som virvlas upp när gatorna torkar.
• Pollen från växter som björk, al och hassel.
• Torra väderförhållanden som gör att partiklar lättare stannar kvar i luften.

Det är en kombination av mänsklig påverkan och naturliga fenomen som tillsammans skapar dessa tydliga vårtoppar i partikelhalten.

Denna modell: Arktisk havsisvolym

Denna modell är baserad på data från Polar Science Center vid University of Washington och visar hur den arktiska havsisens volym har förändrats månad för månad från 1979 och framåt.

I modellen motsvarar X-led månader, Y-led år och Z-led havsisens volym i 1000 km³. Volymen minskar tydligt över tid, och särskilt september (minimum varje år) visar dramatiska förändringar. Modellen synliggör den långsiktiga klimatförändringen på ett sätt som är lätt att ta på och förstå.

Denna modell: Global solinstrålning (irradiance)

Denna modell visualiserar variationen i global solinstrålning över dygnet och året för Stockholm, baserat på data från SMHI. Här används en annan struktur:  X-led visar tid på dygnet, Y-led visar månader och Z-led representerar den globala instrålningen i W/m².

Mönstret i modellen liknar en solkurva där sommarmånaderna bildar höga 'bågar' och vintern bildar låga. Detta gör modellen användbar i undervisning om solenergi, dygns- och årstidsvariationer samt solens vinkel i förhållande till jorden.

Denna modell: NO₂ på Hornsgatan

Denna modell visar halter av kvävedioxid (NO₂) uppmätta på Hornsgatan från år 2000 till 2024. NO₂ är en luftförorening som främst kommer från förbränningsmotorer och påverkar både luftvägshälsa och miljö.

Modellen är uppbyggd på samma sätt som PM10-modellen, med X-led som representerar dagar, Y-led som representerar år och Z-led som visar NO₂-halten i µg/m³. Den ger en fysisk visualisering av hur trafikrelaterade utsläpp varierar över år och säsonger. Vissa år syns tydliga minskningar, troligen relaterade till förändringar i trafikflöden och regleringar.

e

Denna modell: Elförbrukning i Sverige och för ett hushåll vecka för vecka

Denna modell visar Sveriges totala elförbrukning timme för timme, uppdelat vecka för vecka över ett helt år. Data är hämtad från Svenska kraftnäts öppna statistik och visar hur elanvändningen varierar över dygnet, mellan vardagar och helger, samt över årets säsonger.

Modellen är strukturerad så här:

• X-led visar samtliga 168 timmar under en vecka (24 timmar × 7 dagar), med extra ”jack” vid midnatt.
• Y-led representerar årets 52 veckor, med vecka 1 närmast och vecka 52 längst bort.
• Z-led visar elförbrukningen i megawatt (MW), där varje stapels höjd är proportionell mot den faktiska förbrukningen

Varje lager i modellen motsvarar alltså en vecka, och inom varje lager visas det karakteristiska mönstret för dygnets variation – med toppar på morgonen och kvällen och lägre förbrukning nattetid. När lagren staplas över årets veckor syns:

• Dygnsrytmerna som återkommande mönster inom varje vecka.
• Veckoslutsvariationer – förbrukningen är ofta tydligt lägre under helger.
• Säsongernas påverkan – vinterveckor har högre basförbrukning än sommarveckor

Den fysiska modellen gör det möjligt att bokstavligen se hur det svenska elsystemet följer ett årligt pulsslag – ett rytmiskt mönster som påverkas av temperatur, dagsljus, arbetsliv och fritid.

Den orangea modellen visar samma sak fast för ett enskilt lägenhetshushåll timme för timme. Man ser att det är liknande mönster över dygnen fast större skillnad mellan natt och dag, men man ser inte alls samma säsongsförändringar, vilket beror på att lägenheten värms med fjärrvärme som inte använder el.

I klassrummet kan modellerna användas för att diskutera effektbehov, variationer mellan vardag och helg, eller konsekvenser av ökad elektrifiering. Elever kan själva använda energidata för att skapa motsvarande modeller för hushåll, skolor eller andra samhällssektorer.

Hur kan lärare använda modeller som dessa i undervisningen?

• I ett tvärvetenskapligt sammanhang som knyter ihop biologi, fysik, kemi, geografi och teknik.
• För att träna på dataanalys, genom att låta elever tolka modellen. När är det värst? Varför? Har det blivit bättre över tid?
• I praktiska moment, där elever själva laddar ner miljödata från öppna källor, bearbetar dem i till exempel Excel, och skapar egna 3D-modeller.
• I estetiska eller tekniska ämnen, där modellen kombineras med färg, etiketter och visuella element för att skapa en utställning eller diskussionsunderlag.

Bakom modellerna

Alla modeller är skapade med hjälp av öppet tillgängliga datafiler från t.ex. SMHI, Stockholms stad och Copernicus. De faktiska 3D-modellerna har konstruerats med hjälp av ChatGPT, utan att behöva skriva någon kod själv. Verktyget kan generera färdiga 3D-filer (STL-format) direkt från data, vilket gör tekniken tillgänglig även för nybörjare.

Budskap

Miljödata finns överallt. Men det är när vi gör den fysisk och gripbar som den blir verklig. Med 3D-modeller blir det möjligt att se, känna och förstå årstidernas, klimatets och samhällets påverkan på vår luft, vår hälsa och vår värld.