Methaan Data Lake: analyse en koppelen van externe data bronnen om trends en variatie van methaanemissie tussen melkveebedrijven en meetmethodes : resultaten project F3 van de klimaat envelop 2020/2021

Samenvatting

Reduceren van methaanemissie is complex en vereist inzicht in beschikbare data, en het begrijpen van variatie tussen bedrijven. Het doel van dit onderzoek was om een data architectuur te bouwen om verschillende methaan-datastromen bijeen te brengen, te koppelen, en daar externe databronnen aan toe te voegen om 1) trends en variatie tussen bedrijven zichtbaar te maken, 2) de invloed van (beschikbare)externe factoren op methaanemissie vast te stellen, en 3) bestaande rekenregels die methaan voorspellen te toetsen met wat er op bedrijven aan emissies gemeten wordt. In dit onderzoek hebben we laten zien dat het mogelijk is om verschillende datastromen en externe databronnen samen te brengen in de Cloud, in eenData Lake, en om in de Cloud analyses uit te voeren. Hiermee heeft dit onderzoek de basis gelegd van een modern methaan datawarehouse. Methaandata van drie verschillende sensoren (GreenFeed, Sniffer en Stal), gemeten op verschillende bedrijven in Nederland, hebben we samengebracht in dit Methaan Data Lake. Een vergelijking van de drie sensoren binnen een bedrijf liet zien dat er verschillen zijn in niveaus en patronen tussen de metingen van de drie sensoren. Er is geen directe verklaring van patronen uit externe meteorologische gegevens gevonden. Tot slot zijn de methaanmetingen vergeleken met voorspelde methaanemissie, waarbij we gebruik hebben gemaakt van een bestaand model, de kringloopwijzer (KLW).Voor kortere termijnvoorspelling is het KLW-model niet geschikt, echter voor langere termijnvoorspellingen geeft KLW een goede schatting van de enterische methaanemissie.---Reducing methane emissions is complex and requires insight into available data, as well as understanding variation between farms. The goal of this research was to build a data architecture to bring together, and merge, different methane data streams and to add external data sources, to 1) visualize trends and variation between farms, 2) establish the influence of (available) external factors on methane emissions, and 3) validate existing models predicting methane emissions with actual farm measurements. In this research, we have shown that it is possible to merge different data streams and external data sources in the Cloud, in a Data Lake, and to perform analyses in the Cloud. This research has thus laid the foundation for a modern Methane data warehouse. In this Methane Data Lake, we have brought together methane datafrom three different sensors (GreenFeed, Sniffer and Farm), recorded on different farms in the Netherlands.Comparison of the three sensors within a farm showed variation in the level and pattern of the methane measurements. No direct explanation of patterns from external meteorological data has been found. Lastly,we compared measured methane data to predicted methane emissions, which we obtained from an existing methane emission prediction model called Kringloopwijzer (KLW). Results showed that the KLW-model is les ssuitable for short-term predictions. However, for longer-term predictions (yearly basis) the KLW-model gives a good estimate of the enteric methane emission.