EKR effect van maatregelen

Presentatie over: "EKR effect van maatregelen"— Transcript van de presentatie:

1 EKR effect van maatregelen
Hoe? En hoe belangrijk is dat eigenlijk? Gerard ter Heerdt Met dank aan: Martijn Hokken, Gert van Ee Wim Twisk

2 Het KRW-proces: Begrenzen Typeren Toestand bepalen Systeemanalyse
Beperkende sleutelfactoren vaststellen Maatregelen bedenken Faseren uitvoering en effect maatregelen. Bepalen doel(en) op tijdstip t1, t2 etc In woord In beeld In getal op KRW-maatlatten

3 Hoe belangrijk is dat eigenlijk?
Het moet nu eenmaal! Met getallen kun je rekenen en vergelijken Voor- en achteruitgang Input is vaak ook al een getal % bedekking [Chl-a] Bepalen kosteneffectiviteit maatregelen. Eenvoudigere communicatie: rapportcijfers zijn vertrouwd! Een zes is voldoende. En ja…… We gaan daar erg onhandig mee om!

4 Hoe sluiten we een KRW-proces af met een getal?
Doel: getal op de KRW-maatlatten Tussenstappen: getallen voor: Abundanties Soortsamenstellingen Dus: vraag is: hoe bepalen we die? Antwoord: Dat doen we allemaal al lang!

5 En we hebben er de gereedschappen voor!

6 Alleen nog ff in de kist opbergen…

7 PEHM 25-03-2014: KRW – doelafleiding voor meren; kunst of roulette?
Doelafleiding met ecologische systeemanalyse is gewoon een ambacht! Gerard ter Heerdt, AGV Twaalf tinten groen. Roelof Veeningen, Wetterskip Fryslan Praag + Hoenderloo = Lelystad. Martijn Hokken, Waterschap Zuiderzeeland Realisme in doelafleiding. Diederik v.d. Molen, MinI&M, DGRW GEPrikkeld door de nieuwe maatlatten. Eddie Lammens, RWS Ontwikkelingen in de boezem die een effect hebben op de meren en hoe is daar mee omgegaan … Harm Gerrits, Hoogheemraadschap Rijnland SGBP3; doelafleiding voor het eggie. “Een haalbare en betaalbare stip op de horizon”. Gert van Ee, HHNK, WimTwisk, HHSK

8 Rijn-West: inventarisatie s. v. z
Rijn-West: inventarisatie s.v.z (Wim Twisk) Methode/techniek inschatting effect maatregelen: WSHD GEP overgenomen, expert judgement? HHD Enige modellering mbt de nutriëntenconcentraties WSRL Rekentool van de Grontmij, KRW-Verkenner. PC-Ditch, AqMaD, veel expertkennis. AGV Eigen model/rekenkundige afleiding HHNK Expert-judgement, KRW verkenner nieuwe versie, kennisregels, literatuur, etc. HHR Vuistregels, expert kennis HDSR Rekentool (Grontmij), expert-judgement HHSK detailniveau verschilt tussen OWL. Expert judgement: welke maatregelen grijpen in op welke onderdelen van de maatlatten?

9 Waterschappen in Rijn West hebben doelen op de KRW-maatlat uitgedrukt.

10 Stelling: Genoeg geneuzeld! Power the people who act!
Zuiderzeeland: Stelling: Genoeg geneuzeld! Power the people who act! Toelichting: We hebben heel hard nagedacht over effectiviteit van maatregelen, en zo goed mogelijk GEP onderbouwd. Nu geen tijd (en geld) meer steken in verdere onderbouwing, aan de slag met wat je wel weet!

11 Naar de methodes Wat is een goede methode om effecten te kwantificeren? Een goede methode moet voorspellen dat: Als je niks doet, krijg je de uitgangssituatie. Als je alles doet haal je GEP (of MEP of referentie) Daartussen een doel dat tussen uitgangsituatie en GEP inzit In verhouding met omvang maatregelen. Een goede methode geeft gebied-specifieke doelen. Een goede methode is: Transparant, Herhaalbaar, Logisch. Er lijken vele goede methodes te zijn! Je moet ze alleen zien te vinden! Daar kan dus iets mis gaan!

12 Methodes, ingedeeld Maak onderscheid tussen:
Redeneerlijnen (hoofdlijnen) Empirische relaties (details) Drie veelvoorkomende redeneerlijnen: Logisch redeneren: Maatregelen effectief, alle ESF-en groen, dan GEP (referentie of MEP). Geen maatregelen: GEP is uitgangssituatie Simulatie ecologie, op basis van sleutelfactoren, en dan effect maatregelen doorrekenen. Effect maatregelen, op basis van sleutelfactoren, optellen bij uitgangssituatie. In alle gevallen: schematisatie systeem nodig

13 Schematisatie en empirische relaties

14 Schematisatie en empirische relaties: Maatwerk:

15 Schematisatie en empirische relaties: Maatwerk:
AGV-model

16 Denklijn: simuleren Kies schematisatie; welke sleutelfactoren doen er toe in een plas? Neem of bouw een model met de betreffende factoren (valideren) Zorg dat het model de bekende toestanden van het specifieke waterlichaam kan simuleren (kalibreren) Simuleer de maatregelen en bepaal het effect. Voorbeelden: PCLake!!! KRW-Verkenner???

17 Denklijn: simuleren Voorbeeld KRW-verkenner

18 Denklijn: simuleren Voorbeeld KRW-verkenner

19 Probleem met simuleren:
Het is heel veel werk En vraagt heel veel data Immers alles moet er in om de toestand van een plas na te bouwen! Een het lukt zelden 

20 Denklijn: optellen

21 Denklijn: optellen Kies schematisatie; welke sleutelfactoren doen er toe voor een maatregel? Neem of bouw een beperkter model met de betreffende factoren (valideren) De uitgangsituatie simuleren is niet nodig (die kennen we) Bepaal het effect van maatregelen. Bepaal de uitgangssituatie Daarin invloed van relevante gebied specifieke kenmerken Tel uitgangsituatie en effect op tot doel.

22

23 ???? = 3,8469 x Δstuurvariabele

24 Empirische relaties beschikbaar voor EKR-effect van maatregelen
Her en der bijeen gesprokkeld Niet volledig Slecht gesorteerd Deels gepikt uit concept-handreiking

25 Expert oordeel Plain: rechtstreeks van maatregel naar EKR Opgewaardeerd: verwachting van, bijvoorbeeld, abundantie en de bijbehorende EKR-score berekenen voordelen: eenvoudig, specifiek voor een waterlichaam; nadelen: betrouwbaarheid/aanvechtbaarheid, expertoordeel niet erg transparant en reproduceerbaar, opgewaardeerd expertoordeel wel transparant en reproduceerbaar.

26 Ecologische kennisregels (vaak “verstopt” in modellen)
voordelen: eenvoudig, snel, reproduceerbaar, één tool voor heel Nederland; nadelen: statistische relaties (afgeleid met data van heel veel wateren) kunnen zeer onbetrouwbaar zijn voor het voorspellen van het effect op individuele wateren. Voorbeelden: KRW-verkenner PCLake Metamodel Volledig model kan toegesneden op individueel waterlichaam Reken-tool Grontmij? AqMaD

27 Rekenregels visstand (Schep 2006)

28 Ecologische rekenregels met data uit het eigen beheergebied
voordelen: datagedreven aanpak van het eigen beheergebied (data zijn gebiedspecifiek), gebruik van gebiedspecifieke relaties tussen toestanden en voorwaarden, transparant en herleidbaar; nadelen: vraagt zeer veel data, specialistisch werk, en afhankelijk van bandbreedte ecologische toestand en EKR-scores in eigen beheersgebied (met name relevant voor inschatting maatregelen). Voorbeelden: AGV-tool Responscurves HHNK:

29 Eenvoudige enkelvoudige rekenregels
Voordelen: eenvoudig transparant en zo Nadelen: enkelvoudig Voorbeelden 50% wordt gemaaid: bedekking hooguit 0,5*25%=12,5% Aandeel NVO van 0 naar 40%: abundantie emers (0,4 x 5%) + (0,6 x 0%).

30 Abundanties en soortenlijsten goed naar EKR-scores om te rekenen
Diverse methodes beschikbaar: Aquokit QBQwat Excel Voorbeeldje planten:

31 Alle informatie combineren en voilà!

32 HHSK: voorbeeld SGBP2 Beredeneerde aanpassing, M27, Overige Waterflora
Vast peil, ruimte NVO’s nihil, 40% plas gemaaid Abundantie = 0,26 Oever = 0,0 Emers = 0,0 Drijfblad = 0,0 Submers = 0,51 Soortensamenstelling = 0,6 GEP Overig waterflora = 0,45

33 HHSK Door het maaibeheer kan maximaal 60% van de plas begroeid zijn met submerse vegetatie. Het GEP ligt dan ook op 60% van wat mogelijk zou zijn onder referentieomstandigheden voor dit watertype (GET 25-45%). Een bedekking van 15-27% komt derhalve overeen met GEP. De ondergrens daarvan (15%) correspondeert met een EKR van 0,51 op de natuurlijke maatlat. De score voor de groeivorm submers telt 3x zo zwaar mee bij het bepalen van de score voor de deelmaatlat abundantie groeivormen als de overige groeivormen. Wat betreft soortensamenstelling is de inschatting dat in potentie alle soorten voor kunnen komen. Hier wordt een GEP gehanteerd van 0,6 EKR.

34 Zuiderzeeland Voorbeeld (2) Effect per deelmaatlat

35 Bronnen analyse Nutriënten
Vervolg: aanpassen doelen Bronnen analyse Nutriënten 42 GAF-gebieden Regio specifieke gegevens in model Toetsing model aan metingen Onderscheid aandeel historische mestgift, actuele mestgift, mineralisatie e.d. Achtergrondgehalten P & N o.b.v. bronnenanalyse Aandeel wel/niet/moeilijk beïnvloedbare deel Met Achtergrondgehalten nieuwe ecologische doelen: ecologie, nutriënten KRW-verkenner PC-Lake / Ditch (toetsing KRW-verkenner, kritische belasting) Functioneren biologische watersysteem Biologische doelen afleiden uit responscurves 1 0.8 0.6 0.4 0.2 Kans op voorkomen (%) P (mg/l) EKR

36 AGV

37 De kennis is er….. ….. Maar hoe kom je er aan?
Voorstel: kennis delen Laten we onze modellen, kennisregels etc beschikbaar maken. En ergens “centraal” vindbaar opslaan. Met onderbouwing etc. Via de kennisimpuls delta-aanpak waterkwaliteit en zoetwater? Via STOWA? Via het Nederlands Waterschapsecologen-platform? Via de KRW-verkenner?! Via Linking ESF’s? Dan kunnen we nog beter doelen op KRW-maatlatten uitdrukken.

38 En ondertussen blijven meten en ontwikkelen
Dank u voor uw aandacht