{"id":8185,"date":"2026-04-03T12:16:51","date_gmt":"2026-04-03T12:16:51","guid":{"rendered":"https:\/\/dodo.proefschriftmaken.nl\/portfolio\/julien-chimot\/"},"modified":"2026-04-23T08:59:22","modified_gmt":"2026-04-23T08:59:22","slug":"julien-chimot","status":"publish","type":"us_portfolio","link":"https:\/\/dodo.proefschriftmaken.nl\/en\/portfolio\/julien-chimot\/","title":{"rendered":"Julien Chimot"},"content":{"rendered":"","protected":false},"excerpt":{"rendered":"","protected":false},"author":8,"featured_media":14066,"comment_status":"closed","ping_status":"closed","template":"","meta":{"_acf_changed":false,"footnotes":""},"us_portfolio_category":[45],"class_list":["post-8185","us_portfolio","type-us_portfolio","status-publish","has-post-thumbnail","hentry","us_portfolio_category-new-template"],"acf":{"main_text":"","naam_van_het_proefschift":"Global Mapping of Atmospheric Composition from Space","samenvatting":"In de afgelopen decennia is er significante vooruitgang geboekt op het gebied van het meten van de atmosferische samenstelling vanuit de ruimte, wat heeft geleid tot belangrijke ontdekkingen met betrekking tot de ozonlaag, luchtkwaliteit en klimaatverandering. Recent onderzoek heeft laten zien dat satellietobservaties gebruikt kunnen worden om de effectiviteit van het luchtkwaliteits- en klimaatbeleid aan te tonen. Daarom wordt het steeds belangrijker om nauwkeurige datasets te produceren onder alle atmosferische omstandigheden. Daarnaast wordt het ontwikkelen van algoritmes voor een 24\/7 operationele datastroom steeds moeilijker door de enorme groei van het aantal satellietmetingen. Europa, en vooral Nederland, heeft flink geinvesteerd in de ontwikkeling van satellietinstrumenten die kortlevende gassen en broeikasgassen kunnen monitoren. De voornaamste voorbeelden hiervan zijn het Nederlands-Finse Ozone Monitoring Instrument (OMI), dat zich aan boord van de Aura Satelliet van het NASA Earth Observation System (EOS) bevindt, en het in 2017 gelanceerde TROPOspheric Monitoring Instrument (TROPOMI), dat ontwikkeld is door ESA en Nederland, en dat zich aan boord van de Copernicus Sentinel-5 Precursor bevindt. Stifstofdioxide (NO2) en fijnstof (hierna: aerosolen) zijn beide belangrijke componenten van de atmosferische samenstelling. In de troposfeer wordt NO2 uitgestoten door de verbranding van fossiele brandstoffen en biomassa en komt het ook vrij bij bliksem. NO2 heeft negatieve gevolgen voor onze gezondheid, en ook effecten op de atmosfeer, zoals: 1) NO2 heeft een belangrijke rol in de formatie van ozon (O3) in de troposfeer, dat giftig is voor mensen en planten, en 2) chemische reacties van NO2 dragen bij aan de vorming van secondaire aersolen.\n\nAtmosferische aerosolen zijn deeltjes die door de lucht vliegen. Ze kunnen zowel een natuurlijke als een antropogene oorsprong hebben, bijvoorbeeld: rook, woestijnzand, zeezout, nitraten en sulfaten. Bepaalde aerosolen worden direct geemitteerd naar de atmosfeer als deeltjes, zoals woestijnzand, andere worden gevormd als gevolg van chemische reacties van gassen, zoals SO2 en NO2. Omdat aerosolen zonlicht verstrooien en absorberen, verstoren ze de stralingsbalans van de aarde en daardoor hebben ze een effect op het klimaat. Ze spelen ook een belangrijke rol in de formatie van wolken en neerslag. Aerosolen worden geschaard onder de grootste onzekerheden in het begrip van klimaatveranderingen. Daarnaast kunnen de kleine deeltjes diep in het ademhalingssysteem terecht komen, wat kan leiden tot negatieve gezondheidseffecten. NO2 en aerosolen (de nitraten en sulfaten) worden gevormd bij verbrandingsprocessen. Omdat de levensduur in de troposfeer van beide vergelijkbaar is (NO2 minder dan een dag en aerosolen maximaal een week), zijn de kolomconcentraties geografisch gecorreleerd in regio\u2019s waar de aerosolen voornamelijk voortkomen uit stedelijke of industriele uitstoot.\n\nNaast hun effect op luchtkwaliteit en klimaat, beinvloeden aerosolen ook de nauwkeurigheid van satellietmetingen van onder andere sporegassen, oceaankleur en vegetatie. Dit komt doordat aerosolen de stralengang van zonnestraling in de atmosfeer beinvloeden. Dit heeft een effect op alle meetprincipes die gebruik maken van weerkaatst zonlicht. Het effect van aerosolen is relatief het grootst onder wolkenvrije condities.\n\nHet belangrijkste doel van deze thesis is het ontwikkelen van een algoritme om de hoogte van aerosollagen te bepalen en daarbij een verbetering in de operationele NO2 bepaling te bewerkstelligen. Deze thesis richt zich op de exploitatie van metingen in het visuele gedeelte van het spectrum, tussen 405 en 490 nm, gemaakt door het OMI satellietinstrument. Daarbij maken we gebruik van numerieke methoden en hulpmiddelen (bijvoorbeeld Machine Learning), die de operationele verwerking van grote datasets aan kunnen, met het oog op de aankomende nieuwe-generatie satellietinstrumenten voor luchtkwaliteits- en klimaatdoeleinden.\n\nIn hoofdstuk 2 van deze thesis wordt de fout, die gemaakt wordt in de bepaling van troposferische verticale kolomdichtheid (VCD) van NO2, gekwantificeerd voor onbewolkte condities. Als de effecten van aerosolen buiten beschouwing worden gelaten, met andere woorden als we de effecten van aerosolen verwaarlozen, wordt bij een aerosol optische dikte (AOT)(550 nm) > 0.6 en zomerse condities een gemiddelde fout gemaakt van -60% tot +20%. Dit laat duidelijk zien dat een correctie voor aerosolen noodzakelijk is. In de OMI NO2 troposferische referentiedataset, genaamd DOMINO-v2, is een aerosolcorrectie opgenomen door middel van effectieve wolkenparameters (fractie en druk) van het OMI OMCLDO2 wolkenalgoritme. Deze parameters nemen een zgn. Lambertiaans reflectiemodel aan, waarbij de wolken worden gerepresenteerd als ondoorzichtige lagen die voor een gedeelte de scene bedekken. Als er geen wolken zijn maar wel aerosolen, dan zijn de effectieve wolkenparameters gevoelig voor de concentratie van aerosolen en de verticale verdeling daarvan. Dit leidt tot een impliciete correctie van aerosoleffecten in de NO2 VCD. Desalniettemin, vinden we dat een te grofmazige aanpak in de versie van het OMCLDO2 algoritme dat gebruikt wordt door DOMINO-v2, leidt tot een te lage waarde voor troposferische NO2 VCD, tussen de -40% en -20% bij een aerosol optische dikte (AOT)(550 nm) \u2265 0.6 en zomerse condities. Het huidige verbeterde OMCLDO2 algoritme lost dit probleem op.\n\nDe a\u00ebrosoleffecten op de troposferische NO2 bepaling is niet alleen afhankelijk van de verticaal ge\u00efntegreerde aerosoleigenschappen, zoals AOT, maar ook van de verticale verdeling van a\u00ebrosoleffecten en van NO2 in de atmosfeer. Als de a\u00ebrosoleffecten zich boven het grootse deel van de NO2 bevinden, leidt dit tot een vermindering van de gevoeligheid van OMI voor NO2. Als de aerosollaag zich onder de NO2 bevindt, leidt dit tot een verbetering van de gevoeligheid. In hoofdstuk 3 van deze thesis, presenteren we een nieuwe methode om aerosollaag hoogte (ALH) uit de OMI 477 nm O2-O2 spectrale band te bepalen voor wolkenvrije scenes boven land- en wateroppervlaktes. Het ALH-algoritme maakt gebruikt van neurale netwerken, een machine-learning methode, die zeer snel grote datasets kunnen verwerken. Daarmee kan het algoritme de grote datasets van de volgende generatie satellietinstrumenten gemakkelijk aan. Dit algoritme kan werken met alleen OMI data, of profiteren van de synergie met de NASA MODerate resolution Imaging Spectroradiometer (MODIS), aan boord van de EOS Aqua. OMI-Aura en MODIS-Aqua vliegen beide in de NASA A-Train satellietconstellatie. Er is een tweetal voordelen aan de synergie voor de ALH bepaling: 1) de filtering voor wolkenvrije OMI observaties verbeterd en 2) de AOT van de MODIS producten kan als a-priori informatie gebruikt worden. De resultaten van het OMI ALH algoritme zijn getest door middel van een vergelijking met de Cloud-Aerosol Lidar with Orthogonal Polarization (CALIOP) aerosol observaties. Eerst met klimatologische datasets over Noordoost-Azie (hoofdstuk 3) en daarna voor verschillende geografische locaties (hoofdstuk 4). Alle vergelijkingen laten verschillen zien tussen OMI en CALIOP ALH die kleiner zijn dan 800 meter, onder wolkenvrije omstandigheden met een AOT(550 nm) > 0.5. Bovendien laat de OMI ALH zien dat OMI in staat is om in het visuele spectrum door dikke rooklagen heen te kijken, zelfs bij grote hoeveelheden absorberende deeltjes, die veroorzaakt worden door intense bosbranden zoals in Zuid-Amerika en Oost-Rusland (hoofdstuk 4). De machine-learning techniek leidt tot een snel algoritme. Vanwege de korte rekentijd, kunnen grote ALH datasets geproduceerd worden, zoals de dataset van drie jaar voor Noordoost-China (2005-2007) en een globale dataset voor heel 2006. De laatste dataset was gemaakt op een enkele processor binnen 12 uur (hoofdstuk 5). Het OMI ALH neurale netwerkalgoritme laat de potentie zien om de O2-O2 visuele spectrale band te gebuiken in plaats van (of naast) de traditioneel en meer gebruikte O2-A nabij-infrarode band. De grootste beperkingen zijn de zwakke absorptie van O2-O2, de onzekerheid van het gebruikte aerosolmodel, niet gedetecteerde wolkenflarden, en de nauwkeurigheid van de toegepaste oppervlakte-reflectiedataset. De voordelen van de zichtbare O2-O2 band ten opzichte van de O2-A band zijn een hogere AOT en een lagere oppervlaktealbedo over landoppervlaktes.\n\nIn hoofdstuk 6 van deze thesis evalueren we de verbeteringen van de troposferische NO2 VCD bepaling, met behulp van de volgende twecorrectietechnieken, gebruikmakend van de ontwikkelde algoritmes voor de OMI: 1) de impliciete aerosolcorrectie, die gebruik maakt van effectieve wolkenparameters van de verbeterde OMCLDO2 en 2) een expliciete aerosolcorrectie gebaseerd op de OMI ALH bepaling. Daarvoor zijn twee jaar aan wolkenvrije DOMINO-v2 NO2 data (2006-2007) opnieuw geprocessed, voor de zomer en de winter over Noordoost-China en Zuid-Amerika. De nieuwe impliciete aerosolcorrectie laat een verbetering van de nauwkeurigheid zien van 0-20% voor scenario\u2019s met hoge aerosolconcentraties, verstrooiende deeltjes en zomerse omstandigheden. Daarentegen is de correctie beperkt in het geval van meer absorberende deeltjes. De expliciete correctie leidt ook tot een betere OMI ALH bepaling en leidt tot een verbeterde nauwkeurigheid van NO2 VCD. Hiermee wordt een betere fysische beschrijving gegeven. Hierdoor wordt de schatting van de verticale gevoeligheid van de meting ook verbeterd. Het gebruik van het OMI ALH algoritme geeft 20% tot 40% hogere waardes voor de NO2 VCD, in vergelijking met OMCLDO2, afhankelijk van de seizoenen, regio\u2019s en de aerosolconcentratie. Dit wordt waarschijnlijk veroorzaakt door het verschil tussen de modellen: een Lambertiaanse wolk in het geval van OMCLDO2 en een aerosollaag voor OMI ALH. Uiteindelijk laat de expliciete aerosolcorrectie een betere nauwkeurigheid zien in de aanwezigheid van absorberende deeltjes, zoals rook. De gehele nauwkeurigheid hangt niet alleen af van de ALH nauwkeurigheid, maar ook van andere aangenomen aerosolparameters (te weten: AOT, verstrooiingsalbedo, verticale profielvorm, grootte), en de oppervlaktereflectie.\n\nOm een aerosolcorrectie van hoge kwaliteit te ontwikkelen gebruik makend van de OMI ALH bepalingen, moeten een aantal problemen worden overwonnen. De belangrijkste aanbevelingen zijn (hoofdstuk 7): 1) om de OMI ALH te verbeteren, met name met betrekking tot het aerosoltype, 2) om een consistente en accurate set van aerosolparameters te definieren, die op een adequate manier gecombineerd kunnen worden met de ALH, 3) om ervoor zorg te dragen dat de aangenomen atmosfeer-en oppervlakteparameters consistent zijn met de gemeten hoeveelheid straling, en 4) om de nauwkeurigheid van de oppervlaktereflectie en de NO2 profielvorm te verbeteren. Uiteindelijk kunnen al deze ontwikkelingen en resultaten, die behaald zijn met behulp van het OMI instrument, ook worden toegepast op andere huidige en toekomstige satellietmissies, zoals TROPOMI, Sentinel-4 en Sentinel-5, en ook voor de bepaling van andere spoorgasbepalingen, zoals troposferische SO2 en HCHO.","summary":"In the last decades, significant progress was achieved in global monitoring of the atmospheric composition from space, leading to key discoveries on the ozone layer, air quality and climate change. Recent research also shows that satellite observations can be used to monitor the effectiveness of policy measures on air quality and climate change. Therefore, it becomes more and more important to provide accurate data under any atmospheric condition. Furthermore, developing algorithms that can meet the requirements of an operational 24\/7 data stream becomes challenging due to the tremendous growth of satellite measurements. Europe in general, the Netherlands specifically, have heavily invested in satellite instruments monitoring short-lived and greenhouse gases. Most notably, one can cite the Dutch-Finnish Ozone Monitoring Instrument (OMI) on-board the NASA\u2019s Earth Observation System (EOS) Aura platform, and the recently launched TROPOspheric Monitoring Instrument (TROPOMI), developed by ESA and the Netherlands, on the Copernicus Sentinel-5 Precursor.\n\nNitrogen dioxide NO2 and particulate matter (referred to as aerosols) are both important constituents of the atmospheric composition. In the troposphere, NO2 is emitted by fossil fuel combustion, biomass burning, as well as by lightning. It has not only adverse health effects, but also affects our atmosphere: 1) NO2 plays a key role in the formation of tropospheric ozone O3, a toxic element for humans and plants, 2), and NO2 chemistry reactions lead to secondary aerosol formation.\n\nAtmospheric aerosols are particles suspended in the air. Their sources are very mixed. Aerosols can be man-made or natural: e.g. smoke, desert dust, sea spray, nitrates and sulfates. Some of them are directly released in the air as particles: e.g. desert dust. Others are formed in the atmosphere resulting from chemistry reactions by precursor gases, such as SO2 and NO2. Because aerosols scatter and absorb sunlight, they perturb the radiative energy balance of the Earth, and thus affect climate. They also play a key role in the formation of clouds and precipitation. Aerosol effects are recognized as one of the largest uncertainties in our knowledge on climate change. Additionally, the small particles can deeply penetrate into the human respiration system leading to strong adverse health effects.\n\nBoth NO2 and aerosols (e.g. nitrates, sulfates) are formed from combustion processes. Because their lifetime in the troposphere is comparable (NO2 typically less than one day, aerosol 1 day to a week), the column concentrations show spatial correlation over regions where the aerosol type is dominated by large urban and industrial activities. The aerosol effects on the sunlight modify the shortwave radiation field in the atmosphere. As a consequence, they are a significant error source when exploiting satellite measurements devoted to trace gases, ocean color and vegetation. Indeed, such measurements are based on the backscattered sunlight at the top of the atmosphere in the shortwave spectrum. This mainly holds for cloud-free conditions where the aerosol signal is dominant.\n\nThe main objective of this thesis is to design a new aerosol layer height retrieval in order to improve the operational NO2 retrieval, both in the troposphere, from space-borne instruments for highly polluted events and under cloud-free conditions. This thesis focuses on the exploitation of the OMI satellite measurements acquired in the visible wavelength range (405-490 nm). In addition, we develop numerical methods and tools (e.g. machine learning) in order to support the operational processing of big data amounts from the forthcoming new-generation satellite instruments for air quality and climate research.\n\nIn Chap. 2 of this thesis the error in the retrieved OMI tropospheric NO2 vertical column density (VCD) is quantified for current retrieval algorithms and over cloud-free scenes. Ignoring the aerosol effects in cloud-free satellite measurements, i.e. assuming aerosol-free conditions, this leads to a bias in the range of \u221260% to 20%, in case of high concentrations, Aerosol Optical Thickness (AOT) (550 nm) > 0.6, scattering particles, and for summertime conditions. This clearly shows that a correction for aerosol effects is necessary. In the reference OMI tropospheric NO2 dataset, named DOMINO-v2, an aerosol correction is included through the effective cloud parameters (fraction and pressure) derived by the OMI OMCLDO2 cloud algorithm. These parameters assume a Lambertian reflector model, i.e. clouds are represented as opaque layers that partly cover the observed scene. In the absence of clouds and in the presence of high aerosol loadings, the OMI cloud retrieval algorithm is sensitive to aerosol properties. This leads to an implicit aerosol correction. However, we found that in the original OMCLDO2 algorithm, as used in DOMINO v2, too coarse sampling of the look-up-tables (LUTs) leads to a too low effective cloud pressure retrieval. Consequently, retrieved tropospheric NO2 VCDs are underestimated in the range of \u221240% to \u221220%, when aerosol particles are located at high altitude (> 1.5 km), AOT(550 nm) > 0.6, and in summertime conditions (chapter 2). Following this issue, the updated OMCLDO2 algorithm solves this issue.\n\nThe aerosol effect on the tropospheric NO2 retrieval depends not only on the vertically integrated aerosol properties, such as AOT, but also how aerosols and NO2 are vertically distributed in the troposphere. When aerosols are located above the NO2 bulk, this leads to a reduction of the OMI measurement sensitivity to NO2. On the contrary, an aerosol layer located below the NO2 bulk leads to an enhancement.\n\nIn Chap. 3 of this thesis, we present a novel retrieval technique to derive the Aerosol Layer Height (ALH) from the OMI 477 nm (visible) O2-O2 spectral band over cloud-free scenes, as well over land as water surfaces. We make use of neural network, a specific machine learning approach that has the advantage of being able to process the complete OMI dataset with a low time consumption. Therefore, this algorithm can deal with the big-data challenges of next generation satellite instruments. This algorithm can be used autonomously with the OMI data alone, or also benefit from the synergy with the NASA MODerate resolution Imaging Spectroradiometer (MODIS) instrument, on-board the EOS Aqua. Both OMI-Aura and MODIS-Aqua fly together in the NASA A-Train constellation. The advantage of such a synergy on the ALH retrieval accuracy is twofold: 1) filtering cloud-free OMI observation, and 2) using the reference AOT from the MODIS aerosol products as a prior information for the OMI ALH retrieval.\n\nThe performance of the OMI ALH algorithm is assessed by comparing with the Cloud-Aerosol Lidar with Orthogonal Polarization (CALIOP) aerosol observations: first with its related climatology dataset over North-East Asia (Chap 3), and secondly on diverse selected cases (chapter 4). All the comparisons show differences between OMI and CALIOP ALH to be smaller than 800 m in case of cloud-free continental polluted cases and AOT(550 nm) > 0.5. In addition, OMI ALH demonstrates the capability of OMI visible measurements to probe the entire smoke layers, including large loading of absorbing particles, produced by intense biomass fires such as in South-America and East Russia (Chap. 4). The machine learning approach leads to the benefits of a low computing time (apart from the training task). Consequently, large ALH datasets are produced in this thesis, including 3 years of retrievals over North-East China (2005-2007) and a global yearly retrieval for 2006. The latter is obtained using a single processor during approximately 12 hours (Chap. 5). The OMI ALH neural network algorithm shows the potential to exploit the O2-O2 visible spectral band instead of (or in addition to) the traditional and more used O2-A near infrared band from satellite sensors. The main limitations are due to the weak absorption of the O2-O2 complex dimer, the forward aerosol model uncertainty, potential cloud residuals, and the accuracy of the employed surface albedo database. The advantages of the visible O2-O2 band over the near-infrared O2-A band are the higher AOT in the visible and the lower surface albedo over land surfaces.\n\nIn Chap. 6 of this thesis, we evaluate the improvements in the tropospheric NO2 VCD retrieval thanks to different aerosol correction schemes using the new developed algorithms based on the OMI O2-O2 visible band: 1) the implicit aerosol correction using effective cloud parameters from the updated OMCLDO2, and 2) an explicit aerosol correction based on the OMI ALH retrieval and other selected aerosol parameters. The evaluation is done by comparing with the old OMCLDO2 algorithm. For that purpose, we reprocess 2 years of cloud-free DOMINO-v2 NO2 data (2006-2007), in summer and winter, over north-East China and South-America. The new implicit aerosol correction shows an improved accuracy in the range of 0-20% for scenes with high aerosol loadings, scattering particles, and summertime conditions. However, such an approach still remains limited in case of more absorbing particles and does not comprehensively represent the single and multiple scattering effects inherent to aerosols. Applying an explicit correction using the OMI ALH retrieval also leads to an improved accuracy on the tropospheric NO2 VCD. It applies a more physical modelling of the aerosol effects on the average light path thanks to the assumed aerosol model in the training dataset of the NN algorithm. Therefore, more realistic vertical averaging kernel are derived, provided that correct aerosol parameters are assumed in the forward model. Higher VCD values are generally obtained by using the OMI ALH compared to OMCLDO2, between 20% and 40% depending on the seasons, regions and pollution episodes. This is likely due to differences between the considered models (i.e. Lambertian opaque reflector for the effective clouds vs. Henyey-Greenstein scattering phase function for aerosols), and\/or the assumed height of aerosols and the effective cloud. Finally, the explicit aerosol correction shows higher accuracy in presence of absorbing particles, such as smoke. Overall, its quality does not only depend on the ALH accuracy, but also the set of assumed aerosol parameters (e.g. AOT, single scattering albedo, vertical profile shape, size), surface reflectance, and their resulting combination.\n\nTo develop a high-quality performance explicit aerosol correction by using the OMI ALH retrieval, several challenges need to be addressed. The main recommendations are (Chap. 7): to improve the accuracy of the OMI ALH, in particular with respect to the aerosol type knowledge, to define a consistent and accurate set of aerosol parameters that can properly be combined with the retrieved ALH, to pay attention to the OMI radiance closure budget, to improve the accuracy of surface albedo or reflectance and the NO2 vertical profile shape.\n\nFinally, although we mainly use OMI data for this research, all these developments and results can, in principle, be extended to other current and future satellites instruments, like TROPOMI, Sentinel-4 and Sentinel-5 sounders, and also to other trace gas retrievals, such as tropospheric SO2 and HCHO. However, they will have to be adapted to the specificities of this new generation of instruments: e.g. the improvement in the spatial resolution. The small pixel sizes will clearly bring additional challenges such as the 3D effects of clouds, and thus the impacts on the adjacent observation pixels.","auteur":"Julien Chimot","auteur_slug":"julien-chimot","publicatiedatum":"10 september 2018","taal":"EN","url_flipbook":"https:\/\/ebook.proefschriftmaken.nl\/ebook\/julienchimot?iframe=true","url_download_pdf":"https:\/\/ebook.proefschriftmaken.nl\/download\/68e32eb2-cbb6-43c0-b212-6423ee9f7275\/optimized","url_epub":"","ordernummer":"FTP-202604031214","isbn":"978-94-6366-010-5","doi_nummer":"","naam_universiteit":"TU Delft","afbeeldingen":14066,"video_url":"","podcast_url":"","naam_student:":"","binnenwerk":"","universiteit":"TU Delft","cover":"","afwerking":"","cover_afwerking":"","design":""},"_links":{"self":[{"href":"https:\/\/dodo.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/us_portfolio\/8185","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/dodo.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/us_portfolio"}],"about":[{"href":"https:\/\/dodo.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/types\/us_portfolio"}],"author":[{"embeddable":true,"href":"https:\/\/dodo.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/users\/8"}],"replies":[{"embeddable":true,"href":"https:\/\/dodo.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/comments?post=8185"}],"version-history":[{"count":1,"href":"https:\/\/dodo.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/us_portfolio\/8185\/revisions"}],"predecessor-version":[{"id":8188,"href":"https:\/\/dodo.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/us_portfolio\/8185\/revisions\/8188"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/dodo.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/media\/14066"}],"wp:attachment":[{"href":"https:\/\/dodo.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/media?parent=8185"}],"wp:term":[{"taxonomy":"us_portfolio_category","embeddable":true,"href":"https:\/\/dodo.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/us_portfolio_category?post=8185"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}