7. KRW-verkenner

KRW-verkenner

Waarvoor is de KRW-Verkenner ontwikkeld?
De KRW-Verkenner is een analyse-instrument voor het doorrekenen van effecten van KRW-maatregelen op de ecologische en chemische kwaliteit van het oppervlaktewater. Het geeft de gebruikers inzicht in de effectiviteit van maatregelen en maatregelpakketten in relatie tot de KRW-doelen. Voorbeelden van maatregelen zijn het aanpakken van puntbronnen zoals rioolwaterzuiveringsinstallaties of diffuse bronnen zoals landbouw of verkeer. Ook kan de KRW-Verkenner de effecten van ecologische maatregelen zoals het opnieuw meanderen van een beek of het aanleggen van natuurvriendelijke oevers doorrekenen. De KRW-Verkenner kan op verschillende momenten in het beleidsproces worden ingezet. In de planfase, bij het opstellen van de stroomgebiedsbeheerplannen maar ook voor het evalueren van al geïmplementeerde maatregelen of maatregelpakketten. Binnen de KRW zijn de effecten van maatregelen op de ecologie van groot belang. Hiervoor zijn in de KRW-Verkenner Ecologische kennisregels opgenomen.

KRW-Verkenner: Ecologische kennisregels

Ecologische kennisregels kunnen worden gebruikt om de Ecologisce Kwaliteitsratio (EKR-scores, tussen 0 = slecht en 1 = zeer goed) van de vier biologische kwaliteitselementen (fytoplankton, macrofyten, macrofauna, vissen) te berekenen op waterlichaamniveau.

De ecologische rekenkern van de KRW-Verkenner bevat meerdere rekenmodulen (zie onderstaand figuur). Op hoofdlijnen wordt onderscheid gemaakt tussen twee hoofdmethoden:

• Regionale kennisregels
• Landelijke kennisregels

De hoofdmethode wordt bepaald door het KRW-watertype. Bij het importeren of genereren van rekeneenheden in de Verkenner wordt het watertype en dus ook de hoofdmethode automatisch vastgesteld. In het geval van bijvoorbeeld een M3 (kleine kanalen) wordt de rekenmethode op Regionaal gezet. Bij een R7 (langzaam stromende grote rivier, zonder getij) zal de methode op Ecotopen gezet worden. Sommige watertypen ondersteunen twee methoden, namelijk de M14 (ondiepe zoete meren) en M20 (diepe zoete meren). Standaard wordt dan gebruik gemaakt van de Regionale methode.

Regionale wateren

De regionale kennisregels zijn gebaseerd op data van regionale wateren. De data is opgeslagen in een dataset die door RoyalHaskoningDHV wordt beheerd (Evers et al, 2009). De database bevat relaties tussen EKR-score en verschillende waterkwaliteit- en inrichtingsvariabelen voor een groot aantal waterlichamen in Nederland. In 2009 zijn voor de ex-ante evaluatie ook zogenaamde regressiebomen afgeleid met behulp van deze data.

De KRW-watertypen van de regionale wateren zijn ingedeeld in 8 clusters. Per cluster zijn rekenregels afgeleid per biologisch kwaliteitselement.

• Langzaamstromende beken (R4, R5, R6, R12)
• Snelstromende beken (R13, R14, R15, R17, R18)
• Sloten (M1a/b, M2, M8)
• Kanalen (M3, M4, M6a/b, M7a/b, M10)
• Ondiepe meren (M14, M23, M25, M27)
• Diepe meren (M16, M20)
• Zwak brakke wateren (M30)
• Brakke tot zoute wateren (M31)

Voor ieder cluster is een aantal stuurvariabelen van belang. De gebruiker van de KRW-Verkenner kan de chemische variabelen door de stofbalans van de Verkenner laten berekenen. Een andere mogelijkheid is dat de gebruiker de ecologische module loskoppelt van de stofbalans en baseert op metingen van de chemische variabelen.

In 2012 is de dataset verder verbeterd en zijn drie rekenmethoden ontwikkeld op dezelfde dataset:

• Regressiebomen 2012 (Visser, 2013b);
• Neurale Netwerken - EEE3 (Schomaker, 2013);
• PUNN neuraal netwerk (de Niet, 2012).

De drie methoden hebben hun eigen voor- en nadelen. De PUNN (de Niet, 2012) is als default methode gekozen omdat het statistisch de hoogste voorspellende kracht heeft (Visser, 2013a). De overige methoden zijn ook opgenomen in de KRW-Verkenner, maar niet direct voor de gebruiker toepasbaar. Mocht de gebruiker geïnteresseerd zijn, dan kan contact opgenomen worden met de KRW-Verkenner helpdesk. Uit de regionale analyse die is uitgevoerd voor Waterschap Rivierenland, blijkt dat de gemiddelde EKR van de drie methoden samen het best bruikbaar is verdere analyses, zoals voor de doelafleiding (Evers, 2014).

Rijkswateren

Op dit moment is de ontwikkeling van rekenregels voor Rijkswateren nog in volle gang. De methodiek die hier gebruikt wordt, is gebaseerd op ecotopen als rekeneenheden. Ecotopen zijn ruimtelijke eenheden in de Rijkswateren die overeenkomende abiotische en biotische kenmerken hebben. De ecotopen in de Rijkswateren worden periodiek opnieuw gekarteerd aan de hand van luchtfoto's. Een waterlichaam is opgedeeld in verschillende ecotopen, zoals diep zomerbed, ondiep zomerbed, nevengeul, strang (in de rivieren), diep water, ondiep water, rietoever (in de meren). Elk ecotoop heeft een eigen biologische karakteristiek die uitgedrukt kan worden in een soortenlijst met bedekking of abundantie. De basis voor deze soortenlijsten vormen monitoringsdata en expert-kennis. De EKR-scores per ecotoop worden berekend met behulp van de KRW-maatlatten waarvoor QBWat wordt aangeroepen vanuit de KRW-Verkenner. Een oppervlaktegewogen middelling van de EKR-scores per ecotoop geeft voor elk kwaliteitselement de EKR-score per waterlichaam. Een ecotoop wordt zo beschouwd als een monsterpunt, waarbij de areaalgewogen middelling zorgt voor een representatieve weging van de monsterpunten. Maatregelen voor de KRW worden uitgedrukt in een verandering in het oppervlakte van een ecotoop (er wordt bijvoorbeeld een nevengeul gegraven) of als het ontstaan van een nieuw ecotoop met een eigen soortenlijst (en daarbijbehorende EKR-score; bijvoorbeeld stoorobjecten worden aangebracht in een bestaande nevengeul). Zie Wortelboer et al. (2013) en Wortelboer (2014). 

Referenties

• Evers, C.H.M., Keukelaar, F. &  Schomaker, A.H.H.M. (2009). Verbeteren datasets en afleiding ecologische rekenregels voor de KRW-verkenner. Rapport Deltares/PBL, 9 februari 2009.
• Evers, C.H.M., 2014. Actualisatie waterlichamen en GEP’s inclusief alternatieve maatregelscenario’s Waterschap Rivierenland. Toepassing ecologische module regionale wateren KRW-Verkenner. RHDHV: BC3926
• Van Geest, G.J., Van Oorschot, M.P. Weeber & G.W. Geerling (2012) Ecologische kennisregels Rijkswateren.
• De Niet, A.C. (2013). Voorspellen ecologische kwaliteitsratio op basis van product unit neural networks. Rapport Witteveen+Bos STO179.
• Van Oorschot, M., G.W. Geerling & L. van Kouwen (2012) Ecologische kennisregels voor Rijkswateren in de KRW-Verkenner. Deltares.
• Van Oorschot, M., G.W. Geerling & J. van den Roovaart (2010) Ecologische kennisregels voor Rijkswateren in de KRW-Verkenner. Deltares.
• Schomaker, A.H.H.M. (2013). Verbetering kennisregels ecologische effecten ten behoeve van de KRW-verkenner. Rapport Royal Haskoning DHV R00003.
• Visser, H. (2013a). De ecologische kwaliteit van Nederlands oppervlaktewater: een vergelijking van drie modelleringstechnieken. PBL-notitie 1045, 31 januari 2013.
• Visser, H. (2013b). De ecologische kwaliteit van Nederlands oppervlaktewater: zijn de voorspellingen beter geworden sinds 2009?, PBL-notitie 1081, 26 februari 2013.
• Visser, H. & Wortelboer, R. (2013c). De ecologische kwaliteit van Nederlands oppervlaktewater: een analyse met regressiebomen. PBL-notitie 1075, 25 februari 2013.
• Wortelboer, R. Weeber, M. & Chrzanowski, C., 2013. Toepassing van de KRW-Verkenner in de Rijkswateren. Deltares. Rapport 1208271-001.
• Wortelboer, R., 2014. Kwantificering van de effecten van maatregelen van in BPRW-2 met de KRW-Verkenner - een update. Deltares. Rapport 1209471-004.