Effectbepaling van maatregelen met reguliere metingen

Bart Brugmans 12-11-2023
681 keer bekeken 0 reacties

Waterschappen investeren jaarlijks miljoenen euro’s in het verbeteren en monitoren van de oppervlaktewaterkwaliteit. Het slim combineren van gegevens over maatregelen met reguliere meetgegevens kwantificeert het effect van de maatregel. Hiervoor is slimme statistiek gebruikt.

Voor wie dient u dit project in?

Ik ben zelf betrokken bij dit project

Voor welke organisatie werkt u?

Waterschap Aa en Maas

Is de innovatie slim bedacht en nog onder de radar (relatief kleine innovatie, maar mooie impact)?

Ja, dit is een slimme innovatie die nog onder de radar is.

Heeft de innovatie (onafhankelijk van de categorie waarvoor je de inzending indient) een aspect van digitale transformatie? Wordt er bijvoorbeeld slim gebruik gemaakt van data?

Gegevens over (her)inrichting, maaien en baggeren zijn voor het gehele beheergebied van Aa en Maas gekoppeld aan ecologische data en waterkwaliteitsdata. Het gaat om een koppeling in ruimte en tijd; welke meting is wel/niet en zo ja, wanneer beïnvloed door een maatregel. Zo is bepaald of er een verschil is in de gemeten ecologie en waterkwaliteit voor en na een maatregel, en of er een verschil is tussen gebieden met en zonder maatregel. Om dit te bepalen is gebruik gemaakt van Generalized Additive Models (GAM’s). Deze modellen zijn zo opgezet dat ze het tijdelijke en permanente effect van de maatregel kunnen bepalen, evenals de hersteltijd na het incident. Om dit alles goed te kunnen doen is gecorrigeerd voor seizoen- en jaareffecten in de gemeten biologie en fysische chemie.
Bij het bepalen van deze trends is niet alleen gecorrigeerd voor seizoens- en jaareffecten, maar ook voor andere omgevingsfactoren die van invloed zijn op de waterkwaliteit en het (onder)waterleven, zoals temperatuur, weerjaar, droogval, beschaduwing, omringend landgebruik en beïnvloeding door rwzi’s. De unieke gebruikte methodiek biedt namelijk de mogelijkheid om voor deze factoren te corrigeren. Het goed opslaan van data is een vereiste voor dit project.

In hoeverre lost deze innovatie een probleem op? Wat is de impact van deze innovatie?

Deze studie laat zien dat reguliere metingen (voor o.a. de KRW) bruikbaar zijn om een eerste indicatie te krijgen van het effect van bepaalde maatregelen op de ecologie en waterkwaliteit. Voorwaarde is dat de maatregelen goed gedocumenteerd zijn (waar, wanneer, hoe) en dat de dataset aan reguliere metingen voldoende groot is in ruimte en tijd. Een apart (kostbaar) effectmonitoringsmeetnet is zodoende niet altijd nodig met deze vorm van data-mining. Deze benadering geeft een eerste indruk van het effect van een maatregel en biedt zodoende handvatten en handelingsperspectief.

Hoe innovatief, creatief en vernieuwend is de innovatie?

Variatie in de ecologie en waterkwaliteit in het oppervlaktewater is een gevolg van interne factoren (via bijvoorbeeld biologische interacties tussen verschillende soorten) alsmede externe factoren, zoals waterkarakteristieken (bv watertype, beschaduwing), beheermaatregelen (directe en indirecte effecten van maaien en baggeren), waterverontreiniging (o a vanuit de landbouw, rwzi-lozing), maar ook klimaat, geografie, geomorfologie, en indirecte effecten van o.a. landgebruik. Deze complexe samenhang van processen bemoeilijkt het ontrafelen van de afzonderlijke effecten van beheer en inrichting vereisen een integrale aanpak. Door het slim combineren van ecologische data met gegevens over baggeren, maaien, inrichting, het weer, landgebruik, alsmede fysische-chemische processen in het water, zijn inzichten gegenereerd van de effecten van elk van de afzonderlijke maatregelen op de chemische en ecologische toestand van oppervlaktewater.
Vooraf wisten we niet wat het project op zou leveren. Omdat we vertrouwen hadden in de data expert op basis van een voorgaande STOWA studie, zijn we met deze studie toch aan de slag te gaan. Omdat het een nieuwe manier van werken was, hebben we interne specialisten, interne data-leveranciers en beleidscollega’s gedurende het proces meegenomen om ervoor te zorgen dat toekomstige gebruikers van de studie de materie snappen en zodoende de uiteindelijke resultaten beter te laten landen.

Draagt deze innovatie bij aan meer kostenefficiëntie: hoe is de verhouding in kosten in geld en tijd en de (verwachte) impact van de innovatie?

Deze studie is een unieke vorm van data-mining, waardoor met het slim combineren van data met de juiste statistiek maatregeleffecten zijn ontrafeld. Deze studie laat zien dat reguliere metingen (voor o.a. de KRW) die toch al beschikbaar zijn bruikbaar zijn om een eerste indicatie te krijgen van het effect van bepaalde maatregelen op de waterkwaliteit. Zo hoeft er geen geld te worden besteed aan maatregel-effect studies, wat vaak een hoog prijskaartje aanhangt vanwege de monitorings- en analysekosten. Voorwaarde is dat de maatregelen goed gedocumenteerd zijn (waar, wanneer, hoe) en dat de dataset aan reguliere metingen voldoende groot is in ruimte en tijd.

Op welke manier draagt de innovatie bij aan de doelstellingen van de waterschappen om circulair, energieneutraal (en CO2-neutraal) te worden?

Door deze slimme analyses, hoeven er geen extra monitoringsplannen te worden opgetuigd. En hoeft er geen monsternemer in het veld nieuwe monsters halen om in het lab te analyseren.
Bovendien levert de studie inzichten op die bijdragen circulariteit en energieneutraliteit. De studie laat bijvoorbeeld zien dat beschaduwde beken minder hoeven te worden gemaaid, wat heeft geleid tot beleidsaanpassingen voor boomaanplant (CO2 vastleggen) en het wijzigen van de maaivakken en maaipakketten waardoor er minder gemaaid hoeft te worden.
Ook heeft deze studie geleid tot nader onderzoek om gedifferentieerd te gaan baggeren in ruimte en tijd, om zodoende de herkolonisatietijd van macrofauna te verkorten.

Is de inzending een voorbeeld van excellente samenwerking en participatie?

Er is intensief samengewerkt met Radboud Universiteit en waterschap Aa en Maas.

Waterschappen investeren jaarlijks miljoenen euro’s in het verbeteren en monitoren van de oppervlaktewaterkwaliteit. Het slim combineren van gegevens over maatregelen met reguliere meetgegevens kwantificeert het effect van de maatregel. Hiervoor is slimme statistiek gebruikt.

Gegevens over (her)inrichting, maaien en baggeren zijn voor het gehele beheergebied van Aa en Maas gekoppeld aan ecologische data en waterkwaliteitsdata. Het gaat om een koppeling in ruimte en tijd; welke meting is wel/niet en zo ja, wanneer beïnvloed door een maatregel. Zo is bepaald of er een verschil is in de gemeten ecologie en waterkwaliteit voor en na een maatregel, en of er een verschil is tussen gebieden met en zonder maatregel. Om dit te bepalen is gebruik gemaakt van Generalized Additive Models (GAM’s). Deze modellen zijn zo opgezet dat ze het tijdelijke en permanente effect van de maatregel kunnen bepalen, evenals de hersteltijd na het incident. Om dit alles goed te kunnen doen is gecorrigeerd voor seizoen- en jaareffecten in de gemeten biologie en fysische chemie.

Deze studie laat zien dat reguliere metingen (voor o.a. de KRW) bruikbaar zijn om een eerste indicatie te krijgen van het effect van bepaalde maatregelen op de ecologie en waterkwaliteit. Voorwaarde is dat de maatregelen goed gedocumenteerd zijn (waar, wanneer, hoe) en dat de dataset aan reguliere metingen voldoende groot is in ruimte en tijd. Een apart (kostbaar) effectmonitoringsmeetnet is zodoende niet altijd nodig met deze vorm van data-mining. Deze benadering geeft een eerste indruk van het effect van een maatregel en biedt zodoende handvatten en handelingsperspectief.

 

 

Afbeeldingen

X (voorheen Twitter)

Cookie-instellingen