Aanpassing van het Fortran programma

Het in paragraaf 6.4 beschreven Fortran programma voor het berekenen van voorspelkansen uit milieuvariabelen is aangepast zodat nu ook de Mahalanobis afstanden ten opzichte van hoofdgroepen, groepen en cenotypen worden berekend. De modificaties van het Fortran programma zijn zo triviaal, dat ze verder hier niet beschreven worden. In de uitvoerfile zijn de Mahalanobis afstanden opgenomen na de voorspelkansen, waarbij voorspelkansen en afstanden gescheiden worden door het woord "Mahalanobis". Een voorbeeld van een voorspelling voor de twee beken met codes respectievelijk "daa491" en "dad995" is gegeven in tabel 6.5.

Tabel 6.5 Een voorbeeld van een voorspelling voor de twee beken met codes respectievelijk "daa491" en "dad995" en waarbij de Mahalanobis afstanden zijn opgenomen na de voorspelkansen, waarbij voorspelkansen en afstanden gescheiden worden door het woord "Mahalanobis"

daa491 1 0 0 0.0000000000E+00 0.00000003 0.99943687 0.00000008 0.00000000 0.00056302 0.00000000 0.00000000 0.00000000 0.00000003 0.00000000 0.00000000 0.00000000 0.00025796 0.36976890 0.00787608 0.01783603 0.00885136 0.00168656 0.59314775 0.00000000 0.00001222 0.00000008 0.00000000 0.00000000 0.00000000 0.00000000 0.00036029 0.00004676 0.00003412 0.00012185 0.00000000 Mahalanobis

0.5288E+02 0.2857E+02 0.5275E+02 0.6237E+02 0.3995E+02 0.6246E+02 0.5317E+02 0.6223E+02

0.6392E+02 0.6564E+02 0.7447E+02 0.5934E+02 0.4484E+02 0.2968E+02 0.3722E+02 0.2999E+02

0.2534E+02 0.4614E+02 0.2854E+02 0.5716E+02 0.3333E+02 0.6410E+02 0.6740E+02 0.6268E+02

0.1448E+03 0.8409E+02 0.4633E+02 0.4574E+02 0.5270E+02 0.5165E+02 0.7549E+02 dad995 2 0 0 0.0000000000E+00 0.00000000 0.99956170 0.00000001 0.00000000 0.00043829 0.00000000 0.00000000 0.00000000 0.00000000 0.00000000 0.00000000 0.00000000 0.00017205 0.35418358 0.00130995 0.01047346 0.00771375 0.00534811 0.62033633 0.00000000 0.00002447 0.00000001 0.00000000 0.00000000 0.00000000 0.00000000 0.00000003 0.00000001 0.00043815 0.00000009 0.00000000 Mahalanobis

0.7753E+02 0.4201E+02 0.7439E+02 0.7290E+02 0.5322E+02 0.8887E+02 0.8334E+02 0.9060E+02

0.9448E+02 0.9422E+02 0.1091E+03 0.9365E+02 0.5796E+02 0.4097E+02 0.6210E+02 0.5074E+02

Genstat programma is een Excel-bestand met per regel een identificatiecode gevolgd door alle relevante milieuvariabelen. Uitvoer is een Excel-bestand met de voorspelkansen op hoofdgroep, groep en cenotype niveau, gevolgd door de Mahalanobis afstanden op de drie niveaus.

Per model zijn de volgende files beschikbaar, voorbeeld voor Model I voor beken: Beken-1.unf File met alle benodigde informatie over het model, zoals

parameterschattingen voor de voorspelkansen en SSPM structuur voor de Mahalanobis afstanden.

Beken-1.in Invoer file voor het Fortran programma Scenario.exe.

Beken-1.out Uitvoer file van het Fortran programma Scenario.exe. De structuur is reeds beschreven in paragraaf 6.4, waarbij aangetekend moet worden dat de voorspelkansen gevolgd worden door de Mahalanobis afstanden per niveau in de hiërarchie.

Beken-1.gen Genstat programma waarmee voorspellingen gedaan kunnen worden voor data in een Excelbestand. De eerste regels van het programma zijn specifiek voor gegevensbestand en model.

Beken-1.lis Uitvoer van het Genstat programma.

Beken-1-In.xls Invoer file voor het Genstat programma zoals gespecificeerd in het begin van het Genstat programma. Het Excelbestand bevat per regel een identificatiecode gevolgd door alle relevante milieuvariabelen.

Beken-1-Out.xls Uitvoer file van het Genstat programma zoals gespecificeerd in het begin van het Genstat programma. Het Excelbestand bevat per regel een identificatiecode gevolgd door de voorspelkansen en de Mahalanobis afstanden op elk niveau in de hiërarchie.

Voor Model II voor beken en voor de twee modellen voor sloten zijn overeenkomstige files beschikbaar.

6.6 Discussie modelontwikkeling

1. De bekengegevensset bevat 25 cenotypen. Het eenvoudigste voorspellingsmodel is dan om elk cenotype een gelijke kans op voorkomen te geven (4%) of om aan te nemen dat de beken een random steekproef vormen en dat de waargenomen frequenties van voorkomen van de cenotypen goede schattingen zijn van de werkelijke kansen op voorkomen. In dat laatste geval is bijvoorbeeld de kans op voorkomen van cenotype 3a 39/563 = 0.07 en cenotype 6 89/536=0.16. In dat licht bezien is een voorspelkans van 50% zeer hoog. De gewogen gemiddelde voorspelkans voor de beken is 40% en dat is lager dan voor de EKOO dataset, maar toch nog vrij redelijk gezien het grote aantal cenotypen. De vraag of ze goed zijn is weinig relevant. Ze zijn met de beschikbare niet optimale gegevens zo goed mogelijk gemaakt (natuurlijk met inachtneming van de min of meer arbitraire keuzes die onderweg zijn gemaakt).

2. In het modelselectie proces zijn de belangrijkste milieuvariabelen geselecteerd. Daardoor komen sommige milieuvariabelen in geen enkel model voor, of in

slechts een gering aantal modellen (bijvoorbeeld alleen binnen een bepaalde hoofdgroep). Dat wil niet zeggen dat een ingreep in een van deze milieuvariabelen geen of weinig invloed zou hebben op de kans van voorkomen van een cenotype. De milieuvariabelen hebben immers een soms grote mate van samenhang. Door 1 milieuvariabele te veranderen, veranderen ook op korte of langere termijn andere milieuvariabelen waardoor de voorspelkansen gaan schuiven. De modellen mogen dan ook eigenlijk niet gebruikt worden om het effect van 1 milieuvariabele bij gelijkblijvende andere milieuvariabelen te bepalen. Een ingreep moet dus in zijn samenhang gezien worden.

3. In het verleden zijn ontbrekende waarnemingen ingevuld met het gemiddelde van de niet ontbrekende waarnemingen. Deze methode is redelijk als er weinig ontbrekende waarnemingen zijn. Een alternatief is het weglaten van de eenheden met 1 of meer ontbrekende waarnemingen, maar omdat deze veelal kris kras door de dataset staan, blijft er niet veel data over. In deze studie is het aantal ontbrekende milieuwaarnemingen dermate groot dat besloten is extra zorg te besteden aan het inschatten. In hoofdstuk 3 is ingegaan op de gemaakte keuze bij het imputeren en de consequenties daarvan.

4. Bij een niet-hierarchische multinomiale regressie analyse geeft een extra milieuvariabele in het model gelijk veel extra parameters (aantal cenotypn -1). Hierdoor bleek bij de EKOO dataset een zorgvuldige modelselectie niet goed mogelijk. Bij een hierarchische modellering blijft het aantal te schatten parameters per milieuvariabele steeds gering omdat het aantal klassen binnen elk niveau van de hierarchie gering is. Een uitgebreide zorgvuldige modelselectie met alle milieuvariabelen kan dan worden uitgevoerd. Het uiteindelijke hierarchische model zal in het algemeen minder parameters hebben dan een niet hierarchische model. Dit is voordelig omdat modellen met minder parameters vrijwel altijd beter voorspellen dan modellen met veel parameters. Additioneel voordeel van de hierarchische modellering is dat het model gebruikt kan worden op verschillende schaalniveau's.

7

Referenties

7.1 Inleiding

Bij de ontwikkeling van de cenotypenvoorspellingsmodellen is vanuit de RISTORI begeleidingsgroep de behoefte gegroeid om de uitkomsten van de voorspelling te kunnen kwalificeren. Het voorspellen van de effecten van een ingreep in het waterbeheer is nauw verbonden met de vraag of de ingreep leidt tot een verandering van de kwaliteit van het betreffende watersysteem. Aangezien de cenotypenvoorspellingsmodellen feitelijk voorspellen in de bestaande ruimte van reeds beschreven cenotypen is het kwalificeren van het effect van de ingreep het meten van het kwaliteitsverschil tussen de huidige toestand en de voorspelde toestand. In termen van cenotypen betekent dat het verschil in kwaliteit tussen het aanwezige en voorspelde cenotype. Door de cenotypen vooraf te voorzien van een kwaliteitsklasse, in termen van de Europese Kaderrichtlijn Water een schaal van klasse 1 (goed) tot 5 (slecht), kunnen uitspraken over kwaliteitsveranderingen worden gedaan. Omdat de Kaderrichtlijn kwalificatie uitgaat van een meting ten opzichte van de referentie en de referentie direct gerelateerd is aan de mate van natuurlijkheid van een water is uitvoerig ingegaan op de mogelijkheden om de referentie (hoofdstuk 7), een maatlat (hoofdstuk 8) en respectievelijk zeldzaamheid als maat voor natuurlijkheid (hoofdstuk 9), bij de kwalificatie te betrekken. Hiermee is onderzocht of de kwalificatie naar de eisen van de Kaderrichtlijn kan worden opgenomen.

7.2 De referentietoestand

Een cenotype beschrijft de ecologische situatie van (een deel van) een watersysteem. Dit kan zowel een natuurlijk als afgeleid beïnvloedingsstadium betreffen. De beschrijvingen kunnen daarmee fungeren als kwaliteitsreeks voor zo'n watersysteem. In het licht van de Kaderrichtlijn Water bestaat een dergelijke kwaliteitsreeks uit een referentietoestand en verschillende beïnvloedingsstadia. De referentietoestand wordt hier gedefinieerd als de ecologisch optimale situatie: een situatie waarin alleen menselijk handelen dat nodig is om het watertype in stand te houden aanwezig is en de soortensamenstelling een afspiegeling is van een gezonde leefomgeving (Verdonschot 2000). Dit kan daarmee zowel de natuurlijke als de best ecologische toestand zijn. Het beschrijven van referenties, die de oorspronkelijke natuurlijke situaties zo dicht mogelijk benaderen, is van het allergrootste belang. Referenties vormen immers de basis van een beoordelingssysteem. De keuze voor de wijze waarop een referentietoestand wordt beschreven is essentieel. Een referentietoestand kan worden beschreven aan de hand van een soortenlijst, abiotische variabelen, functionaliteit, et cetera.

Om te komen tot een goede beschrijving van een referentietoestand kan gebruik worden gemaakt van (Verdonschot 1991, United States EPA 1993):

1. bestaande wateren die de ecologisch optimale situatie zo dicht mogelijk benaderen;

2. historische gegevens; 3. empirische modellen;

4. expert-judgement van natuurlijke of potentiële systeembeschrijvingen.

(1) Wanneer gebruik wordt gemaakt van bestaande beken als referentie, moet met een aantal dingen rekening worden gehouden. In sommige landen zijn alle beken zodanig beïnvloed, dat deze onmogelijk als referentie kunnen dienen. Door minder beïnvloede beken uit naburige landen als referentie te hanteren, kan dit probleem worden opgelost. Hierbij gaat de voorkeur uit naar beken uit landen binnen dezelfde ecoregio, omdat deze het meest overeen zullen komen met de nationale beken. Verder moet rekening worden gehouden met de natuurlijke variatie binnen levensgemeenschappen. Sommige soorten zullen bijvoorbeeld alleen gedurende bepaalde jaargetijden in de beek worden gevonden. Dit kan overigens ook weer anders zijn in het buitenland. Deze natuurlijke variatie zal eerst goed in beeld moeten worden gebracht alvorens te komen tot de beschrijving van een referentietoestand. Een nog verdergaande stap is vergelijking op basis van functionele kenmerken uit te voeren. Dergelijke functionele en procesmatige kenmerken kunnen de constructie van de referentie goed ondersteunen.

(2) Aan het gebruik van historische gegevens kleven een aantal grote nadelen. Gegevensbestanden bevatten vaak specifieke informatie afhankelijk van met welk doel is bemonsterd. Vaak geeft de historische spreiding niet accuraat het voorkomen van organismen weer, maar eerder waar mensen monsterden. Dit betekent dat historische gegevens vaak afkomstig zullen zijn van meer beïnvloede (gemakkelijk te bereiken) plaatsen. Vaak was ook de taxonomie nog niet zo ver ontwikeld.

(3) Bij het gebruik van empirische modellen (bijvoorbeeld voorspellingsmodellen zoals NATLESS) moet in het achterhoofd worden gehouden, dat deze methode vaak tekortschiet op het gebied van de beschrijving van processen op gemeenschaps- danwel systeemniveau.

(4) Om te komen tot een referentietoestand die de werkelijkheid zo dicht mogelijk benadert kunnen de bovenstaande methoden worden gecombineerd met expert- judgement. De hoge mate van subjectiviteit die samengaat met expert-judgement is echter een beperking. Bij expert-judgement speelt de landschapsecologische component vaak een rol

Door de combinatie van alle methoden, wordt een groot deel van de nadelen bij het gebruik van één enkele methode ondervangen.

In ieder geval is het dus mogelijk om voor ieder water een ecologisch optimale toestand te beschrijven.

Tot op heden worden de watertypen zoals beschreven in het Aquatisch Supplement (bijvoorbeeld sloten (Nijboer 2000) en beken (Verdonschot 2000)) als referenties voor de Nederlandse binnenwateren beschouwd. Voor ieder watertype is in principe de natuurlijke ecologische toestand van (een deel van) het watersysteem beschreven. Deze beschrijving fungeert daarmee als referentie voor zo’n watersysteem. In deze beschrijving is de biotiek opgenomen als een opsomming van de meest kenmerkende macrofyten, macrofauna en vissen. De abiotische omstandigheden zijn richtinggevend voor de milieu-omstandigheden waaronder het type zich optimaal ontwikkelt.

Echter de watertypen in het Supplement zijn voor de biotiek niet gekwantificeerd noch is de volledige gemeenschap opgenomen. Iedere gemeenschap bevat namelijk naast de meest kenmerkende (vaak zeldzame) soorten ook een aantal meer algemene. De laaste categorie ontbreekt. Het is daarom onmogelijk om de referenties uit het Supplement te betrekken in de typologieën voor beken en sloten, behalve een kwalitatieve koppeling gebaseerd op kenmerkende soorten.

Dit betekent dat een rekenkundige waardering gebaseerd op een afstand ten opzichte van de referentie, binnen dit project, nog niet haalbaar is omdat daarvoor de referenties compleet en gekwantificeerd moeten zijn. Een alternatief is een benadering gebaseerd op andere systeemkenmerken. Karr et al. (1986) groepeerden hiertoe de belangrijkste milieuvariabelen in vijf groepen:

1. Afvoerhydrologie (Stroming in termen van het 5-S-model (Verdonschot et al. 1995)); waaronder variabelen zoals stroomsnelheid, runoff, stroomgebiedskarakteristieken, waterkwantiteit, afvoerdynamiek (piek- en dalafvoeren), neerslag en grondwaterstroming genoemd zijn;

2. Habitatstructuren (Structuren in het 5-S-model); waartoe oeverstabiliteit, oeverbegroeiing, breedte, diepte, verval, dwarsdoorsnede vorm, watervegetatie, substraten, beschaduwing en sinuositeit behoren;

3. Waterchemie (Stoffen in het 5-S-model); waaronder organische verbindingen, nutriënten, zware metalen, opgeloste organische verbindingen, pH, troebelheid, hardheid, temperatuur, alkaliniteit en andere opgeloste stoffen gerekend worden; 4. Energie-bronnen (processen die in het 5-S-model in de interacties zijn

opgenomen); waarbij beschikbaarheid van voedingsstoffen, zonlicht, toevoer van organisch materiaal (bijvoorbeeld bladinval), primaire en secundaire productie en seizoenen genoemd zijn;

5. Biotische interacties (Soorten in het 5-S-model); met competitie, reproductie, ziekten, parasitismne, voedingswijze en predatie als voorbeelden.

Een ecosysteemwaardering dient niet in te zoomen op één van de genoemde kenmerken maar dient alle vijf de aspecten van het systeem mee te nemen. Dit vraagt om een beoordelingssysteem waarin die indices zijn opgenomen die de belangrijkste processen verantwoordelijk voor de natuurlijke samenstelling van een water weergeven. In hoofdstuk 8 is een eerste stap in deze richting gezet gebaseerd op beschikbare informatie.

De watertypen in het Supplement zijn wat betreft de milieuvariabelen slechts richtinggevend geschetst. Deze richtinggevende getallen kunnen betrokken worden

in de waardering. Tenslotte vormen in RISTORI de milieuvariabelen de ingang. Om de mogelijkheden nader te onderzoeken worden de beschikbare waarden van de variabelen van de watertypen uit het Supplement tezamen met nieuwe voor het voorspellingsmodel benodigde waarden getest.

7.4 Abiotische referenties en waardering