MODELLERIN G --- A --- V SMI

Transkript

1 MODELLERING AV SMITTÄMNESTRANSPORT FÖR ÖKAD FÖRSTÅELSE AV RISKEN FÖR SPRIDNING AV ZOONOTISKA SMITTÄMNEN FRÅN LANTBRUKETS DJUR OCH MÄNNISKOR VIA YTVATTEN Rapport för delprojekt 2 i projektet Beslutsstöd vid hantering av risk för spridning av zoonotiska smittämnen via vatten till människor och djur, finansierat av Myndigheten för samhällsskydd och beredskap 2018

2 Författare: Ekaterina Sokolova, Chalmers tekniska högskola Göran Lindström, Statens hydrologiska och meteorologiska institut Charlotta Pers, Statens hydrologiska och meteorologiska institut Johan Strömqvist, Statens hydrologiska och meteorologiska institut Anna Nordström, Statens veterinärmedicinska anstalt Kaisa Sörén, Statens veterinärmedicinska anstalt Helene Wahlström, Statens veterinärmedicinska anstalt Susanna Sternberg Lewerin, Sveriges lantbruksuniversitet Omslagsbild: Schematisk bild av hur landskapet delas in i markklasser i HYPE-modellen, Statens hydrologiska och meteorologiska institut besök. Ulls väg 2 B post Uppsala telefon fax e-post. sva@sva.se webb.

3 Sammanfattning Vatten som smittväg har fått ökad uppmärksamhet de senaste åren. Dricksvattenburna utbrott med cryptosporidier har ökat uppmärksamheten på lantbrukets djur som potentiell smittkälla till dricksvatten. Dessutom har flera fall konstaterats/misstänkts där salmonella spridits mellan djurbesättningar, eller från människor till djurbesättningar, via vatten. I de myndighetsgemensamma nationella strategidokumenten som tagits fram för salmonella och EHEC/VTEC lyfts behovet av en bättre förståelse av smittspridning via miljön fram. Detta är en förutsättning för att kunna vidta relevanta riskreducerande åtgärder i såväl djurhållning som i dricksvattenproduktion. Smittämnen kan spridas till ytvatten via avrinning från gödslad åkermark och betesmark samt från avloppsvatten för att sedan transporteras vidare i åar och sjöar till strandnära beten, råvattenintag mm. Den största kunskapsluckan för att förstå detta förlopp är beskrivningen av hur smittämnen sprider sig till och i ytvatten som används som dricksvatten till djur och för produktion av dricksvatten till människor. I denna studie har två befintliga modeller kopplats samman och anpassats till spridning av smittämnen i ytvatten. Tre zoonotiska smittämnen, cryptosporidier, VTEC och salmonella, inkluderades i studien. De smittkällor som inkluderats i studien är avföring från djur (avrinning från gödslad åkermark och från betesmark) och människor (avlopp). Vad gäller avrinning från gödslad åkermark och från betesmark så har koncentrationen av smittämnen som strandbetande nötkreatur som dricker av sjö- eller åvatten utsätts för, samt koncentrationen av smittämnen vid råvattenintag till dricksvattenverk, beräknats. Den mängd smittämnen som behöver släppas ut vid avloppsutsläpp för att orsaka infektion hos strandbetande nötkreatur har också beräknats. Då den detaljinformation som behövs för att ge korrekta indata till modellerna i stort sett saknas har ett flertal skattningar och antaganden varit nödvändiga. De indatavärden som använts för smittspridning från gödslad åkermark och betesmark har därför ofta varit höga för att säkerställa att risken för spridning av smitta inte underskattas av modellen. Som med alla modeller finns dessutom vissa inbyggda antaganden som kan ses som en förenkling av verkligheten. Resultaten från studien kan därför användas för att tolka relativa förändringar som sker när indatavärden förändras men den absoluta magnituden av koncentration smittämnen behöver inte reflektera verkligheten. För att undersöka hur mycket enskilda antaganden och indata påverkat resultaten har en känslighetsanalys genomförts, där effekten av förändringar i enskilda indatavärden undersökts. Mängd pålagda smittämnen, om nedplöjning sker, avdödning, samt ytavrinningens omfattning (p.g.a. mängd nederbörd) är faktorer som har stor inverkan på resultaten. Resultaten från studien visade att risken för nötkreatur där strandbete är enda vattenkällan var omvänt proportionell mot flödet av vatten i vattendraget. Risken vid strandbete vid den studerade sjön var mycket mindre jämfört med strandbete vid åmynning (en utspädningseffekt). Nedplöjning direkt efter spridning av gödsel på åkermark (innan 2

4 nederbörd) minskade risken för kontamination av ytvatten. Varaktigheten av kontamination i ytvatten varierade mellan olika smittämnen och var längre för cryptosporidier än för salmonella och VTEC, vilket reflekterar att cryptosporidier, som är parasiter, har en längre överlevnad jämfört med de andra smittämnena som är bakterier. Studien visade också att, i det fall utsläpp av orenat avloppsvatten skulle släppas ut under ett dygn (från ett samhälle med personer) kan nötkreatur vid strandbeten bli infekterade med salmonella och cryptosporidier i alla studieområdena. För VTEC blir koncentrationen så låg att infektion sannolikt inte sker. Studien har visat att de kombinerade modellerna kan användas för att beskriva transport av smittämnen i ytvatten och relativa förändringar som sker när indata varieras. Det stora värdet av modellerna är att kunna studera olika delar av smittspridningsförloppet samt förväntade effekter av olika riskhanterande åtgärder (genom ändring av indata), och därmed identifiera möjliga strategier för riskhantering. Studien är ett samarbetsprojekt mellan Statens veterinärmedicinska anstalt, Sveriges lantbruksuniversitet, Sveriges meteorologiska och hydrologiska institut och Chalmers tekniska högskola. Studien finansierades av Myndigheten för samhällsskydd och beredskap, inom ramen för projektet Beslutsstöd vid hantering av risk för spridning av zoonotiska smittämnen via vatten till människor och djur. 3

5 Innehåll Definitioner, begrepp och förkortningar Inledning Material och metoder SMITTÄMNEN Salmonella VTEC Cryptosporidium STUDIEOMRÅDEN INFEKTIONSDOSER NÖTKREATUR SMITTKÄLLOR Djur som smittkälla Beräkning av mängd smittämnen som utsöndras från infekterade djur Gödsel som sprids på åkermark Gödsel från betande djur som kontaminerat betesmark Människa som smittkälla SCENARIER Scenarier med gödsling av åkermark med kontaminerad gödsel Scenarier med kontamination av betesmark med träck från betande smittade nötkreatur Scenarier avlopp HYDROLOGISK MODELLERING HYPE (Hydrological Predictions for the Environment) Modellering av smittämnen i HYPE HYDRODYNAMISK MODELLERING (MIKE) KÄNSLIGHETSANALYS Resultat och diskussion SCENARIER MED GÖDSLING AV ÅKERMARK OCH BETESMARK Beräkningspunkter fiktiva beten vid åmynningar Beräkningspunkter fiktivt råvattenintag samt fiktivt bete vid strandkant Vombsjön KÄNSLIGHETSANALYS SCENARIER AVLOPP Varaktig punktkälla Pulsutsläpp (utsläpp under ett dygn) Slutsatser Referenser

6 Bilaga 1. Studieområden Bilaga 2. Parametertabeller HYPE Bilaga 3. Beskrivning av smittämnesmodellen i HYPE

7 Definitioner, begrepp och förkortningar Avrinningsområde Besättningsprevalens Delavrinningsområde EHEC Gödsel, träck HYPE Ett avrinningsområde för en given punkt är den yta varifrån all avrinning bidrar till den aktuella punkten. Andel besättningar, i ett givet område, som är smittade. Ett avrinningsområde kan delas in i flera delavrinningsområden. Verotoxinbildande E. coli som har potential att framkalla blodig diarré hos människa. Begreppet EHEC används dock vid alla fynd av verotoxinbildande E. coli hos människa, oavsett vilka symtom infektionen gett upphov till. Avföring från nötkreatur som antingen sprids på åkermark (gödsel) eller deponeras på bete (träck). Hydrological Predictions for the Environment, en hydrologisk modell för simulering av flöden och omsättning av vatten och näringsämnen (Lindström et al., 2010). Inombesättningsprevalens Andel av djuren i en besättning som är smittade. MIKE I den här rapporten syftar MIKE på MIKE 3 FM-modellen. MIKE 3 FM-modellen simulerar hydrodynamiska förhållanden och vattenkvalitet i vattentäkter och den är en del av MIKE Powered by DHI programpaketet ( Pulsutsläpp S-HYPE Studieområde Typvärde VTEC Ytvatten Ett utsläpp, som till skillnad från ett kontinuerligt utsläpp, är begränsat i tid, i denna studie ett utsläpp under ett dygn. HYPE-modell uppsatt för hela Sverige. Område utvalt för detta projekt; sjöar eller del av vattendrag inklusive dess avrinningsområde eller delavrinningsområde. Det värde som har högst frekvens, d.v.s. är vanligast förekommande. Verotoxinproducerande E. coli, stammar av Escherichia coli som producerar verotoxin. I denna rapport avses bara verotoxinproducerande Escherichia coli O157. Sjöar och vattendrag. 6

8 1 Inledning Vatten som smittväg har av flera skäl fått ökad uppmärksamhet de senaste åren. De stora dricksvattenburna utbrotten med cryptosporidier i Östersund och Skellefteå har ökat uppmärksamheten på lantbrukets djur som potentiell smittkälla till dricksvatten. Det finns också exempel på flera fall där spridning av salmonella mellan djurbesättningar, eller från människor till djurbesättningar, via vatten misstänkts eller konstaterats. Salmonella, som regleras i Zoonoslagen (1999:658), orsakar när den konstateras i en djurbesättning stora kostnader såväl för samhället som för den enskilde lantbrukaren. EHEC/VTEC har nötkreatur som reservoar och kan orsaka allvarlig sjukdom hos människa. För att kunna identifiera viktiga riskreducerande åtgärder kopplade till mikrobiologiska risker i såväl djurhållning som i dricksvattenproduktion behövs bättre kunskap om vattnets betydelse som smittspridare. I de myndighetsgemensamma nationella strategidokumenten som tagits fram för salmonella och EHEC/VTEC lyfts också behovet av en bättre förståelse av smittspridning via miljön fram (Anonym, 2013, 2014b). De ovan nämnda smittämnena och många fler kan spridas till ytvatten via avrinning från gödslad åkermark och betesmark samt från avloppsvatten för att sedan transporteras vidare i åar och sjöar till strandnära beten, råvattenintag mm. Det finns en viss, om än inte fullgod, kännedom om förekomsten av smittämnena hos djur och i avloppsvatten. Men för att kunna bedöma betydelsen av förekomsten för spridning av smitta via vatten behövs också kunskap om hur smittämnena sprider sig till och i ytvatten som används som dricksvatten till djur och för produktion av dricksvatten till människor. Detta kan bland annat studeras med beräkningsmodeller för spridning. Utveckling av sådana modeller görs på SMHI som sedan tidigare använder en hydrologisk modell (S-HYPE) för att studera spridning av kväve och fosfor till ytvatten. HYPE-modellen beskriver spridning i mark, åar och sjöar, men sjöarna beskrivs förenklat så att näringsämnena antas vara jämnt fördelade i sjön. Chalmers tekniska högskola (Chalmers) har använt hydrodynamiska modeller för studier av spridning av smittämnen i ytvattentäkter för dricksvattenproduktion. Statens veterinärmedicinska anstalt (SVA) har i sin roll som veterinärmedicinsk expertmyndighet ett ansvar att bidra till bedömning av risker kopplade till spridning av smitta till och från lantbrukets djur via vatten som stöd för riskhantering. För att kunna göra detta bättre än tidigare initierade SVA tillsammans med Sveriges lantbruksuniversitet (SLU) ett samarbete med Sveriges meteorologiska och hydrologiska institut (SMHI) och Chalmers. Syftet med studien har varit att genom en anpassning av SMHI:s befintliga modell för kväve och fosfor till smittämnen och en sammankoppling av SMHI:s och Chalmers modeller skapa förutsättningar för att studera spridning av smittämnen till och från lantbrukets djur via vatten. En modell kan ses som en förenkling av verkligheten i syfte att göra en komplex verklighet mera förståelig. Den kan t.ex. skapa klarhet i vad som kan förväntas hända om vissa ingångsvärden förändras, t.ex. hur förändras koncentrationer av smittämnen i sjövattnet vid ett strandbete för nötkreatur om ett reningsverk tvingas till bräddning? Och hur förändras det om det samtidigt skulle råka vara ett utbrott av t.ex. salmonella bland människor? Eller hur påverkas koncentrationen av smittämnen från nötkreatur om plöjning sker i direkt anslutning till spridning av gödsel eller ej? Hur påverkar ändringar i nederbörd, respektive olika typer av jordarter på betesmarker där smittade nötkreatur betar, koncentrationen av smittämnen vid råvattenintag? De smittkällor som inkluderats i studien är avföring från djur (avrinning från gödslad åkermark och från betesmark) och människor (avlopp). Vad gäller avrinning från gödslad åkermark och från betesmark så har koncentrationen av smittämnen som strandbetande nötkreatur som dricker av sjö- eller åvatten utsätts för, samt koncentrationen av smittämnen vid råvattenintag till dricksvattenverk, beräknats. Den mängd smittämnen som behöver släppas ut vid avloppsutsläpp för att orsaka infektion hos strandbetande nötkreatur har också beräknats. Eftersom det inte är möjligt att skatta verkliga värden på alla parametrar i denna typ av modellering är de absoluta värden som modellen beräknar inte skattningar av verkligheten. Modellen ger istället information om 7

9 de relativa förändringarna av koncentrationer av smittämnen som sker när värden på olika parametrar förändras. Detta gäller framför allt modellen där djur utgör smittkälla, där skattningarna är mera osäkra och bygger på så kallade worst case - antaganden. För att uppnå syftet har fyra olika studieområden använts. Två sjöar och två vattendrag och deras avrinningsområden/delavrinningsområden har valts ut och modellerna har tillämpats på dessa. 8

10 2 Material och metoder 2.1 SMITTÄMNEN De tre smittämnen som valts för att studera potentiell spridning via vatten är Salmonella enterica, verotoxinproducerande Escherichia coli O157 (VTEC) och Cryptosporidium (C.) parvum. Dessa tre smittämnen förekommer i avföring från människor och djur och kan spridas via vatten och därigenom infektera djur och människor. Dock har de olika förekomst och olika utsöndringsmönster från infekterade/koloniserade djur och människor. Infektionsdosen skiljer sig också mellan smittämnena, för både djur och människor. Salmonella- och VTEC-bakterier kan under vissa betingelser (optimal temperatur och fuktighet samt tillgång till näring) tillväxa i miljön. Detta vägs dock vanligtvis upp av den avdödning som sker av bakterierna, varför de data som finns över bakteriers överlevnad i olika miljöer är en summa av tillväxt och avdödning. Tillväxt i miljön har därför inte inkluderats som separat företeelse i denna studie. Cryptosporidier är parasiter och kan inte växa utanför värddjuret, dock avdödas de inte i samma utsträckning som bakterierna. Parasiterna är större och kan förväntas bindas till gödselpartiklar och fästas till partiklar i jord i betydligt högre grad än bakterierna. Nedan beskrivs kort andra relevanta aspekter av respektive smittämne Salmonella Salmonellabakterier av arten Salmonella enterica kan infektera och kolonisera tarmen hos flertalet varmblodiga djur, inklusive människa. Infektion sker vanligen via oralt intag, dvs genom konsumtion av kontaminerat foder, livsmedel eller vatten. Smittan kan överföras mellan djur av olika arter och mellan djur och människa (i båda riktningar). Många individer uppvisar inga tydliga symtom men några kan bli allvarligt sjuka. Sjukdomsbilden varierar från mag-tarmstörningar med diarré och kräkningar till allmäninfektion med feber och påverkat allmäntillstånd. Unga och gamla, samt individer med nedsatt immunförsvar är särskilt mottagliga och mer benägna att drabbas av allvarlig, till och med dödlig, sjukdom. Detta gäller både djur och människor. I ett mindre antal fall kan hos människor även så kallade sena reaktioner uppstå som t.ex. reaktiv artrit (Quinn et al., 2011). Det finns ett stort antal underarter, serotyper och subtyper av salmonellabakterier. Infektionsdosens storlek och sjukdomsbildens allvarlighet varierar också mellan dessa och utgången av en salmonellaexponering beror av såväl individens mottaglighet, bakteriens egenskaper och infektionsdos (Quinn et al., 2011). Infekterade individer slutar utsöndra smittämnet när infektionen läker av, men eftersom immuniteten är dålig kan de återinfekteras via kontaminerat foder/livsmedel/vatten. I en djurbesättning där smittan cirkulerar i besättningen är oftast bara ett mindre antal individer infekterade och det är vanligast att unga djur är infekterade. Salmonella är sällsynt hos svenska djur (<0,5 %) och endast ett fåtal smittade besättningar påvisas varje år. Den geografiska fördelningen av smittade besättningar är något ojämn, men det är främst hos den serotyp som är anpassad till nötkreatur (S. Dublin) som tydlig geografisk skillnad ses i förekomsten. Cirka 80 % av salmonellafallen hos människor i Sverige är smittade utomlands. Utöver det smittas en okänd andel av livsmedel av främst animaliskt ursprung som producerats och kontaminerats utomlands. Svenskproducerade livsmedel av animaliskt ursprung förväntas vara salmonellafria tack vare det nationella salmonellakontrollprogrammet (2013) och mindre än en procent av alla fallen hos människa beräknas vara orsakade av svenska animaliska livsmedel (Wahlstrom et al., 2011) VTEC Escerichia coli är en av de vanligast förekommande bakteriearterna i tarmen hos varmblodiga djur och människor. Några E. coli-stammar har förmåga att producera så kallat verotoxin som kan ge blodig diarré, njurskador och till och med dödsfall hos människor (Quinn et al., 2011). En del sådana bakteriestammar (VTEC), främst av serotyp O157, förekommer i tarmen hos friska nötkreatur. Förekomsten hos svenska nötkreatur är geografiskt ojämnt fördelad men på nationell nivå bedöms den ligga på drygt 3% av slaktade 9

11 nötkreatur. Smittan är vanligare hos ungdjur än hos fullvuxna djur och nötkreatur som bär på smittämnet uppvisar inte sjukdomssymtom. Infektionsdosen är också lägre för unga djur. Andelen djur som utsöndrar bakterien varierar mellan besättningar, liksom hur många bakterier som utsöndras från ett individuellt djur. Utsöndringen är intermittent och vanligen låggradig men enstaka individer kan utsöndra extremt stora mängder bakterier Cryptosporidium Cryptosporidier är encelliga tarmparasiter som kan infektera och orsaka diarré hos såväl människor som djur. Cirka 25 olika arter har identifierats, varav 15 kan orsaka tarminfektion hos människa. C. hominis, som framför allt drabbar människor, är den art som påvisades vid två stora vattenburna utbrott i Sverige (Östersund och Skellefteå), då dricksvatten förorenats med avloppsvatten. I detta projekt berörs dock endast C. parvum, som förekommer hos idisslare, och i Sverige främst ses som orsak till diarré hos kalvar men även orsakar sjukdom hos människa. Infekterade kalvar utsöndrar mycket stora mängder parasiter som så kallade oocystor i avföringen. Dessa har en tjock vägg, är tåliga och kan överleva länge i miljön. De är direkt infektiösa för nya värddjur. Smitta från djur till människor kan ske via kontaminerade livsmedel eller kontaminerat vatten. Djur infekteras genom oralt intag av oocystor som kontaminerat omgivningen, foder eller vatten. I smittade besättningar blir i princip alla kalvar infekterade, men inte alla blir sjuka. Sjukdom ses främst hos unga, upp till en månad gamla, kalvar. Problem orsakade av cryptosporidier ses framför allt i mjölkbesättningar där kalvarna hålls inomhus och smittrycket kan bli högt. Hos kalvar till köttraser som vistas på bete är infektion med cryptosporidier sällan ett problem. Många infekterade människor blir inte sjuka, men varierande grad av diarré, kräkningar och buksmärtor kan ses hos en mindre andel och personer med nedsatt immunförsvar kan få mycket allvarlig diarrésjukdom. Förekomsten av infektion med C. parvum hos människor och nötkreatur är svår att uppskatta eftersom artbestämning är komplicerat och kostsamt och diagnostiken vanligen inte innefattar detta. Definitionen av ett fall av cryposporidios hos människa bygger på att oocystor, nukleinsyra eller antigen påvisats i avföring men vidare identifiering av specifik art krävs inte, varför statistiken inte heller ger information om andelen som orsakas av C. parvum. I samband med större utbrott är situationen en annan, då artbestäms alltid parasiten för att möjliggöra smittspårning. Vissa typer av C. parvum (typ IIc och eventuellt även IIe) anses bara infektera människa (Xiao, 2010). Hos nötkreatur är situationen likartad även om man i vissa studier börjat tillämpa diagnostik som särskiljer C. parvum från andra arter. I Sverige är C. parvum vanligast hos kalvar med diarré medan C. bovis (som inte smittar människa) är den art som är vanligast i alla åldersgrupper. I en studie var 50 % av de besättningar som hade problem med diarré hos kalvarna infekterade med C. parvum. I en annan studie av dikobesättningar var 9 av 30 (30 %) infekterade med C. parvum (Bjorkman et al., 2015). 2.2 STUDIEOMRÅDEN Vid valet av studieområden var syftet att få med både sjöar och vattendrag, samt att inkludera två sjöar med avrinningsområden av olika karaktär. En av sjöarna skulle vara belägen i jordbruksområde med stora arealer åkermark och betad mark i avrinningsområdet (Vombsjön i Skåne) medan den andra skulle ha en större andel skog (Erken i Uppland). Själva sjön Erken inkluderades dock inte i studien eftersom anpassning av MIKEmodellen inte var möjlig att genomföra inom detta projekt. Istället inkluderades bara den största ån i avrinningsområdet för sjön Erken, Ältaån, i studien. Vid valet togs också hänsyn till samarbetsvinster då dessa två sjöar användes i andra projekt med nära kopplingar till det aktuella projektet. Detsamma gäller valet av Skeboån i Uppland. Svartån i Östergötland inkluderades på grund av att det fanns kännedom om smittspridning via vatten i den ån sedan tidigare, vilket gjorde den till ett intressant studieobjekt (personligt meddelande Estelle Ågren, SVA). För studieområdet Vombsjön simulerades smitta från hela avrinningsområdet uppströms sjön, d.v.s. alla delavrinningsområden uppströms sjöns utlopp ingick i studieområdet. Tre åar som rinner in i Vombsjön studerades närmare: Björkaån, Torpsbäcken och Borstbäcken. Björkaån är den dominerande av dessa tre tillflöden till Vombsjön. För Ältaån simulerades hela dess avrinningsområde. För åarna Skeboån och Svartån ingick bara de nedersta delavrinningsområdena i studieområdet, d.v.s. det var bara i dessa områden som smitta adderades. Vattnet i åarna som kommer uppströms ifrån och rinner in i studieområdena antogs alltså vara helt fria från smitta. De fyra 10

12 studieområdena redovisas översiktligt i tabell 1. I de tre områdena med mycket jordbruksmark är andelen lerjordar högre än genomsnittet för hela Sverige (som är ca 4 %). Kartor över studieområdena finns i bilaga 1. Tabell 1. Information om studieområden, avrinnings/delavrinningsområden inkluderade i modellen, inklusive areal åker, bete samt totalt avrinningsområde. Studieområde Subid a Antal delavrinningsområden med smittspridning (totalt antal uppströms områden) Areal åker [km 2 ] (andel av området) Areal betesmark [km2] (andel av området) Total uppströmsarea [km 2 ] MQ (medelvattenföring) [m 3 /s] b Andel lerjordar (totalt uppströms) Vombsjön (17) 276,6 (62%) 44,9 (10%) 447 3,76 8,50% Vombsjön- Borstbäcken Vombsjön- Torpsbäcken Vombsjön- Björkaån Erken- Ältaån (1) 16,5 (63%) 1,6 (6%) 26 0,24 1,87% (1) 29 (69%) 2,1 (5%) 42 0,39 7,87% (14) 217,2 (64%) 39,9 (12%) 340 3,56 9,74% (5) 5,7 (8%) 1,1 (2%) 70,7 0,35 10,00% Svartån (174) 13,3 (23%) c 3,6 (6%) c ,20% Skeboån (30) 12,2 (21%) c 2,5 (4%) c 483 3,67 9,20% a) Subid = Id-nummer i S-HYPE och vattenwebb för delavrinningsområdet närmast studieområdets utlopp. b) c) Avser områden med smittspridning 2.3 INFEKTIONSDOSER NÖTKREATUR Infektionsdoser som använts i modellen summeras i tabell 2. Infektionsdosen för salmonella hos nötkreatur anges variera mellan 10^4 till 10^13 (Aceto et al., 2011). I beräkningar användes den lägsta infektionsdosen, 10^4 bakterier. Infektionsdosen för VTEC för kalvar respektive vuxna nötkreatur anges vara mellan 10 och 10^4 bakterier, respektive 10^7 bakterier (Besser et al., 2002; Cray and Moon, 1995). I modellen har antagits en infektionsdos på 10^7 (vuxna nötkreatur) och 300 (kalv). För cryptosporidier har infektionsdosen bara beräknats för kalvar eftersom vuxna djur inte antas bli infekterade och utsöndra parasiter. Genomsnittlig infektionsdos för kalv anges vara 5,8 parasiter (Zambriski et al., 2013). Infektionsdoser för nötkreatur (vuxna respektive kalvar) har räknats om till vattenkoncentrationer, förutsatt en dygnskonsumtion av vatten om 50 liter för vuxet djur och 10 liter för kalv (Tabell 2). 11

13 Tabell 2. Antaganden för beräkningar av koncentration av smittämne i vatten som kan orsaka infektion hos vuxet nötkreatur respektive kalvar. Smittämne Djurslag (ålder) Infektionsdos (antal bakterier/parasiter) Referens Salmonella VTEC Nötkreatur, vuxen Nötkreatur kalv Nötkreatur, vuxen Nötkreatur, kalv C. parvum Nötkreatur, kalv (Aceto et al., 2011) (Aceto et al., 2011) (Cray and Moon, 1995) 300 (Besser et al., 2002) 5,8 (Zambrisk i et al., 2013) Vattenkonsumtion per dag *Koncentration av smittämne som kan förorsaka infektion = infektionsdos/vattenkonsumtion per dag Koncentration av smittämne som kan förorsaka infektion (smittämnen/liter) * 50L L L L 30 10L 0, SMITTKÄLLOR Spridningsvägen för de smittämnen som modellerats är fekal-oral, d.v.s. de utsöndras via avföring och infekterar nya individer via oralt intag. I denna studie har sammanlagt tre smittkällor inkluderats. Endast en smittkälla i taget har ingått i modelleringen. Smittkällan kan vara antingen djur eller människor. I det fall infekterade djur är källa till vattensmitta kan smittan komma från gödsel som sprids på åkermark eller från avföring från betande djur. I de fall människa är smittkälla antas smittan komma från avloppsutsläpp, i samband med bräddning från ett avloppsreningsverk, dels vid vanliga förhållanden (baserat på antal rapporterade fall) och dels vid ett lokalt utbrott av smittämnet i fråga Djur som smittkälla Förekomsten av smittämnen i besättningar har skattats enligt följande: För salmonella så visar den officiella statistiken att mindre än 1/2000 nötkreatursbesättning påvisas med salmonella årligen. Eftersom smittan kan persistera länge i en besättning och sannolikt endast en mindre andel av alla besättningar påvisas i salmonellakontrollen är detta estimat en underskattning av andelen smittade besättningar. En undersökning av tankmjölk i alla mjölkproducerande besättningar 2013 visade att 3 % hade antikroppar mot salmonella, d.v.s. hade varit exponerade för smittämnet (Ågren et al., 2016). Regionala variationer förekommer där Öland hade en hög andel positiva besättningar (17 %). Serologiska undersökningar överskattar andelen infekterade nötkreatursbesättningar eftersom inte alla besättningar som har antikroppar mot salmonella är infekterade, dessutom är studien gjord på mjölkproducerande besättningar och de är oftare infekterade jämfört med dikobesättningar (Ågren, 2012). Andelen nötkreatursbesättningar som vid ett givet tillfälle är infekterade med salmonella bedöms vara cirka 1-2 %. I den här rapporten har ett worst case använts där 17 % av besättningarna har antagits vara infekterade med salmonella, d.v.s. man har antagit att alla besättningar är som de på Öland och att alla besättningar som varit exponerade för salmonella (d.v.s. har antikroppar i blodet) också är infekterade (har bakterier i tarmen). Andelen smittade djur i en smittad besättning (inombesättningsprevalens) är inte konstant utan varierar över tiden. Skattningen av andelen smittade djur i denna studie har baserats på tre studier, två utförda i mjölkbesättningar (Callaway et al., 2005; Cummings et al., 2010) och en utförd vid ett slakteri av djur från olika specialiserade slaktdjursbesättningar (Nielsen et al., 2011). I den första studien varierade prevalensen mellan 5,4 % och 37 % hos mjölkande kor (medel 17 %) (Callaway et al., 2005). I den andra studien varierade prevalensen mellan 0 till 53 % (Cummings et al., 2010). Baserat på dessa studier bedömdes inombesättningsprevalens vara 3 % (låg), 17 % (mest sannolikt) och 40 % (hög). I modellen har antagits att 12

14 andel smittade djur i besättningen har två olika nivåer, 17 respektive 40 %. Denna skattning av inombesättningsprevalens är också en överskattning. Dels har skattningen av medel- och hög-prevalens men inte låg-prevalens använts, dessutom är förekomsten hos mjölkkor högre jämfört med dikor och förekomsten bland specialiserade slaktdjur högre än hos mjölkkor. I betesscenariot blir överskattningen ännu tydligare eftersom specialiserade slaktdjur inte vistas på bete. För VTEC har antagits att 25 % av besättningarna är infekterade, vilket motsvarar förekomsten i de områden i landet där besättningsprevalensen (andelen smittade besättningar) är högst. Andelen smittade djur i en smittad besättning baseras på två studier, en i mjölkbesättningar (Schouten et al., 2005) samt en studie i en dikobesättning (Laegreid et al., 1999). I den första studien var maximalt 29,5 % av mjölkkor respektive maximalt 20 % av ungdjur och sinkor positiva (Schouten et al., 2005). I den andra studien var mellan 1,7-20 % (medel 7,4 %) av kalvar i dikobesättningar positiva (Laegreid et al., 1999). I modellen har två olika nivåer av andel infekterade djur i besättningen antagits, 17 % (medelhög prevalens) respektive 30 % (hög prevalens). C. parvum. Eftersom kalvar förväntas vara de huvudsakliga bärarna av smittan har beräkningen för C. parvum skett på ett annat sätt än för VTEC och Salmonella. Det har antagits att endast kalvar (upp till 2 månaders ålder) är infekterade. Vidare har antagits att andel kalvar som är infekterade är 10 % (ett genomsnitt av alla besättningar). Detta baseras på en studie av dikobesättningar där 8,1 % av alla undersökta kalvar var positiva (Bjorkman et al., 2015). Vidare beräknades att andelen av den totala mängden gödsel som sprids på åker och som kommer från kalvar är 0,22 % (SJV, 1995). I den beräkningen har antagits att relationen mjölkkor/dikor är 65/35 (Anonym, 2014c) Beräkning av mängd smittämnen som utsöndras från infekterade djur Mängden smittämnen som utsöndras från infekterade djur (Tabell 3) har beräknats enligt följande. För salmonella har infekterade djur indelats i grupper som är låg-, medel- respektive högutsöndrare som utsöndrar 10, 100 respektive bakterier per gram träck. Vidare antogs att andelen djur i en besättning som är låg-, medel- respektive högutsöndrare var 10, 80 respektive 10 %. I brist på data gjordes detta antagande som bedömdes som rimligt. För VTEC antogs motsvarande siffror för utsöndring vara 10, 100 och bakterier per gram träck. Denna skattning baseras på en experimentell studie på kalvar där utsöndringen varierade mellan 30 till bakterier per gram träck (Besser et al., 2002). Användningen av som en maximal utsöndring betraktas som ett worst case, eftersom studien baseras på kalvar som utsöndrar mer än vuxna djur och att bara enstaka kalvar uppnådde den maximala nivån och då bara under en kort tid. Även för VTEC antogs, i avsaknad av data, att 10, 80 och 10 % av djuren var låg-, medel- respektive högutsöndrare. För C. parvum har kalvarna indelats i grupper som är låg-, medel- och högutsöndrare som utsöndrar 10, respektive mikroorganismer per gram träck. Vidare antogs två olika scenarier, att 10, 80 och 10 % alternativt 0, 80 och 20 % av kalvarna är låg-, medel- respektive högutsöndrare. I brist på data gjordes dessa antaganden som bedömdes som rimliga. För varje smittämne har två olika skattningar av smittryck inkluderats i modellen: medelhögt respektive högt smittryck (Tabell 4). Vid högt smittryck för salmonella och VTEC är inombesättningsprevalensen satt till det högsta värdet och för C. parvum är andelen av högutsöndrande kalvar satt till det högsta värdet (Tabell 4). Den genomsnittliga mängd smittämne som utsöndras per gram träck från ett smittat nötkreatur (VTEC och salmonella) respektive smittad kalv (C. parvum) (GramSmittaD) beräknades enligt följande: GramSmittaD = Andel_L * L+ Andel_M * M+ Andel_H * H 13

15 där Andel_L är andel lågutsöndrande djur, L är antal mikroorganismer per gram träck som ett lågutsöndrande djur utsöndrar, Andel_M är andel medelutsöndrande djur, M är antal mikroorganismer per gram träck som ett medelutsöndrande djur utsöndrar och Andel_H är andel högutsöndrande djur, H är antal mikroorganismer per gram träck som ett högutsöndrande djur utsöndrar. För C. parvum erhålls två olika värden eftersom beräkning gjorts på två olika fördelningar av djur (kalvar) mellan grupperna L, M och H (Tabell 3). Tabell 3. Beräkning av genomsnittlig mängd utsöndrat smittämne per gram träck från smittat nötkreatur (VTEC, salmonella) eller kalv (C. parvum). Smittämne Utsöndring från låg-, medeloch högutsöndrande infekterat djur (mikroorganismer/g träck) Andel av smittade djur i respektive utsöndringsgrupp Genomsnittlig utsöndring av smittämne från smittat djur/g träck * L M H Andel_L Andel_M Andel_H GramSmittaD Låg Medel Hög Låg Medel Hög Salmonella ,1 0,8 0, VTEC ,1 0,8 0, C. parvum ,1 0,8 0, ,8 0, * För C. parvum gäller denna kalkyl endast den gödsel som härrör från kalvar Genomsnittlig mängd mikroorganismer som finns per gram gödsel från en smittad besättning (GramSmittaGöSm) för salmonella och VTEC beräknades enligt följande: GramSmittaGöSm = AndelSmittD * GramSmittaD där AndelSmittD är andel smittade djur i en besättning (inombesättningsprevalens), GramSmittaD är genomsnittlig utsöndring från ett smittat nötkreatur (VTEC, salmonella). För C. parvum beräknades genomsnittlig mängd mikroorganismer som finns per gram gödsel från en genomsnittlig besättning enligt följande: GramSmittaGö = AndelKSmitt * GramSmittaD * AndTräckkalv där AndelKSmitt är genomsnittlig andel av kalvarna i alla besättningar (både smittade och osmittade) som är smittade, GramSmittaD är genomsnittlig utsöndring från ett smittat nötkreatur (i detta fall en kalv) och AndTräckkalv är andelen av gödseln som kommer från kalvar (Tabell 4). 14

16 Tabell 4. Beräkning av genomsnittlig mängd mikroorganismer per gram gödsel från smittad besättning (VTEC och salmonella) och från en genomsnittsbesättning (C. parvum). Smittämne Scenariosmittryck Andel infekterade djur i besättningen Genomsnittlig andel kalvar som är infekterade a Andel av nötkreatursträck som kommer från kalv Genomsnittlig mängd i gödsel (mikroorganismer/g gödsel) från smittad besättning (VTEC, salmonella) respektive från alla besättningar (C. parvum) AndelSmitt D AndelKSmitt AndTräckkalv GramSmittaGöSm Salmonella Medelhög 17% Hög 40% VTEC Medelhög 17% Hög 30% GramSmittaGö C. parvum b Medelhög c - 10% 0,22% e Hög d - 10% 0,22% e a) Genomsnittlig andel i alla besättningar (både smittade och osmittade) b) För C. parvum antas att smittämnet bara finns hos kalvar c) Andel högutsöndrande kalvar är 10% (Tabell 3) d) Andel högutsöndrande kalvar är 20% (Tabell 3) e) Antagit att fördelning mjölk/dikobesättningar är 65/ Gödsel som sprids på åkermark I de scenarier där kontaminerad gödsel sprids på åkermark har antagits att all gödsel sprids med metoden ytspridning (till skillnad från t.ex. när gödsel skjuts ner en bit i marken), med påföljande nedplöjning. Spridning antas bara ske på den markyta som i SMHI:s ordinarie beräkningsmodeller klassas som åkermark och som enligt statistiska uppgifter (SCB 2006) gödslas med stallgödsel eller stallgödsel med kompletterande handelsgödselgiva. I modellen har antagits att maximalt tillåten kvävegiva sprids på åkermarken. Den motsvarande maximalt tillåtna belastningen av nötkreatursgödsel per år har beräknats baserat på Statens jordbruksverks föreskrifter och allmänna råd (SJVFS 2004:62) om miljöhänsyn i jordbruket vad avser växtnäring (Tabell 5). Vidare har antagits att hälften av tillåtna maxbelastning av gödsel under ett år sprids vid ett enda tillfälle i maj. Detta är att betrakta som ett worst case eftersom spridning i verkligheten sker över en längre period. I modellen har också antagits att 90% av gödseln härrör från nötkreatur, d.v.s. mängden gödsel som sprids reduceras med 10 %. Tabell 5. Indatavärden använda i modellen vid beräkning av mängd smittämnen vid spridning av gödsel på åkermark. Indatavärde Referens Beräknad maximal tillåten gödselgiva per yta 1,5 kg/ m 2 och år SJVFS 2004:62 Andel smittämnen som blir kvar på ytan vid 5 % Pers. kom. Josefine nedplöjning Elving, SVA Reduktion av smittämnen under lagring före spridning 0 Antagande Andel gödsel som kommer från nötbesättningar 90 % Expertbedömning* Andel av totala årsproduktionen som sprids vid det 50 % Antagande aktuella tillfället *Med expertbedömning avses en konsensusbedömning av rapportförfattarna Den mängd smittämne som sprids ut per m 2 åkermark vid ett tillfälle omedelbart före ett skyfall har beräknats enligt följande för salmonella och VTEC (Tabell 6): xxmaxg * (GramSmittaGöSm * 1000) * BesPrev * 90% 15

17 där xxmaxg är hälften av den totala mängden gödsel (kg) som är tillåten att spridas per kvadratmeter och år, GramSmittaGöSm är genomsnittlig mängd smittämnen i gödsel från smittad besättning (mikroorganismer/g gödsel), BesPrev är andel av nötkreatursbesättningar som är smittade, 90% är den andel av gödseln som sprids på åkermark som antas komma från nötkreatur (Tabell 4, 5). För C. parvum har den mängd smittämne som sprids ut per m 2 åkermark vid ett tillfälle före ett skyfall beräknats enligt xxmaxg * (GramSmittaGö * 1000) * 90% där GramSmittaGö är genomsnittlig mängd smittämnen i gödsel från genomsnittlig besättning (både smittade och osmittade) (mikroorganismer/g gödsel). Tabell 6. Mängd smittämne per m 2 åkermark som antagits spridas ut vid ett tillfälle omedelbart före ett kraftigt skyfall. Smittämne Scenario-smittryck Mängd smittämne åkermark (mikroorganismer per m 2 ) Salmonella Medelhög Hög VTEC Medelhög Hög C. parvum Medelhög Hög Spridningstillfällen har valts under våren strax innan ett kraftigt regn observerats i respektive studieområde. För Vombsjön valdes maj 2012 som spridningstillfälle eftersom det var det av de två åren som den hydrodynamiska modellen var uppsatt för som hade störst beräknad ytavrinning. För de andra studieområdena har gödselspridningen antagits ske i april 2012 eller 2014 beroende på när ett kraftigt regn observerats. Direkt efter gödselspridningen kommer alltså ett kraftigt skyfall som skapar stor ytavrinning. Gödslingen har antagits följas av omedelbar nedplöjning, så endast 5 % av smittämnet antas vara kvar på ytan vid regnet. Skattningen att 95 % av smittämnen plöjs ner i jorden baseras på personlig kommunikation (Josefin Elving, SVA, 2015). Ingen reduktion av smittämne har antagits ske under gödselns lagringstid innan spridning på åkermark. Detta är en förenkling, som bidrar till en överskattning av mängden smittämnen, då sådan reduktion i de flesta fall förväntas ske i verkligheten Gödsel från betande djur som kontaminerat betesmark I modellen har antagits att all betesmark betas av nötkreatur. Med betesmark avses de jordbruksblock som betecknas som bete enligt jordbruksverkets blockdatabas. Rasthagar finns inte med som en kategori i blockdatabasen och ingår därför inte i modellen. En okänd andel av mjölkande mjölkkor går i rasthagar istället för på bete och i verkliga livet kontaminerar dessa djur inte de beten som modelleras i denna studie. I modellen har antagits att hälften av nötkreatur på bete är mjölkkor och resten dikor. Relationen mjölkkor/dikor är cirka 65/35 % (Anonym, 2014c) men eftersom en okänd andel av mjölkkorna går i rasthagar och inte i beteshagar antogs relationen vara 50/50. Vidare har i modellen antagits att betesmarken betas med maximalt tillåtet antal betande djur. Maximal belastning av betesdjur per ytenhet har beräknats baserat på Statens jordbruksverks föreskrifter och allmänna råd (SJVFS 2004:62) om miljöhänsyn i jordbruket vad avser växtnäring, samt Jordbruksverkets rapport 1995:10 Gödselproduktion, lagringsbehov och djurtäthet vid nötkreaturshållning (Tabell 7). Detta innebär att för salmonella och VTEC antas att det går 7 vuxna nötkreatur per hektar betesmark. För C. parvum har dessutom beräknats hur många av dessa som är kalvar i åldern upp till 2 månader. Endast kalvar av köttdjursras har inkluderats eftersom kalvar av mjölkras inte går på bete. I modellen antas att det på beten som betas av dikor, finns 0,5 kalvar per hektar betesmark. I modellen har också antagits att kalvar finns på 50% av betesmarken eftersom 50% av betesarealen betas av dikor (som har kalvar). 16

18 Avrinningen av smittämnen från bete har beräknats på den mängd gödsel som producerats under en tvåveckorsperiod av betande djur. Efter den perioden har antagits att ett skyfall med åtföljande avrinning sker. Anledning till att en tvåveckorsperiod valts är att det är rimligt att ett regn kommer inom den perioden. Den totala mängden gödsel i kg/m 2 från betande djur under en tvåveckorsperiod har uppskattats, baserat på beräknad mängd träck som produceras per djur (SJV, 1995) av olika ålderskategorier. Den genomsnittliga totala mängden gödsel som produceras per vuxet nötkreatur på bete under en tvåveckorsperiod beräknades. Antal bakterier (salmonella, VTEC) per mängd gödsel från en smittad besättning har tidigare beräknats enligt tabell 4 ovan. Antal mikroorganismer som under en tvåveckorsperiod deponeras per m 2 betesmark som använts i modellen visas i tabell 8. Beräkningen har gjorts enligt följande för salmonella och VTEC: (Nöt/10 000) * (MäGöNö * 14dagar) * (GramSmittaGöSm*1000) * BesPrev där Nöt/ är antal betande vuxna nötkreatur per m 2, MäGöNö är den mängd gödsel (kg) som ett vuxet nötkretur producerar per dag (medelvärde av diko och mjölkko), (GramSmittaGöSm *1000) är mängd smittämnen i gödsel (kg) från en smittad besättning, BesPrev är andel av besättningarna som är smittade. För C. parvum har beräkningen gjorts enligt följande: Kalv/ * AndelKSmitt * 50%* MäGöKa * GramSmittaD där Kalv/ är antal betande kalvar per m 2, AndelKSmitt är andel av alla köttdjurskalvar som är infekterade, 50% är andelen av betesmarken som betas av köttdjur (som har kalvar), MäGöKa är den mängd gödsel (kg) som en kalv producerar under 14 dagar på bete, (GramSmittaD *1000) är mängd mikroorganismer som finns per kg träck från en smittad kalv (Tabell 6). Tabell 7. Antaganden gjorda för beräkning av mängd träck som deponeras på bete. Indatavärden Smittämne Värde Ref Tidsperiod som mängden träck beräknas på Alla 2 veckor Exp. bed. Antal vuxna djur per hektar betesmark Salmonella, 7 (SJV, 1995) VTEC Antal kalvar av köttras per hektar betesmark som betas av dikor C. parvum 0,5 (SJV, 1995) (Kalv) Mängd träck som produceras per vuxet nötkreatur (diko) (ton/år) Salmonella, 5,33 (SJV, 1995) VTEC Mängd träck som produceras per vuxet nötkreatur (mjölkande Salmonella, 11,83 (SJV, 1995) mjölkko) (ton/år) VTEC Mängd träck som produceras per kalv under två veckor på bete C. parvum 12,5 (SJV, 1995) (kg) (MäGöK) Andel av betet som betas av dikor (d.v.s. där det finns kalvar) C. parvum 50% Exp.bed. (Anonym, 2014c) Tabell 8. Slutlig mängd smittämne per m 2 betesmark som antagits deponeras på bete under en tvåveckorsperiod. Smittämne Scenario Mängd smittämne betesmark (mikroorganismer per m 2 ) Salmonella Medelhög Hög VTEC Medelhög Hög C. parvum Medelhög Hög

19 2.4.2 Människa som smittkälla Fekal smitta från människor har också inkluderats i modellen. Två alternativa punkter för utsläpp av avloppsvatten har antagits för Vombsjön, ett beläget nära ett fiktivt strandbete (cirka 0,5 km) och det andra långt ifrån detsamma (cirka 5 km). För Svartån och Skeboån har punkten för utsläpp av avloppsvatten antagits ligga vid inloppet till studieområdet (ca 10,1 km från fiktivt strandbete i Svartån och 10,8 km från fiktivt strandbete i Skeboån). För Erken har inga scenarier med utsläpp av avloppsvatten simulerats (Bilaga 1). Mängd smittämnen har, beroende på tillgång på data, beräknats på olika sätt för smittämnena. För salmonella och VTEC har mängden i orenat avloppsvatten beräknats utifrån andelen människor som beräknas vara sjuka av respektive smittämne. Beräkningen av mängd salmonella och VTEC som finns i det orenade avloppet har gjorts dels för vanliga förhållanden (baserat på antalet rapporterade fall) och dels för ett lokalt fiktivt utbrott. För cryptosporidier finns rapporterade mätningar av parasiten som gjorts i avloppsvatten i Sverige och dessa uppgifter har använts i denna rapport. Mängd salmonella och VTEC i avlopp under vanliga förhållanden i Sverige, har beräknats utifrån nationell statistik av incidens (antal nya rapporterade fall i en population under ett år) av salmonella respektive VTEC under sommarmånader april t.o.m. september under 2005 tom Eftersom inte alla personer som insjuknar provtas och därmed kommer med i den nationella statistiken, har en faktor för underrapportering inkluderats för att kunna skatta det verkliga antalet insjuknade (Tabell 9). I beräkningen har antagits att personer är kopplade till det utvalda fiktiva avloppet. Baserat på att det är 183 dagar på 6 månader beräknades den dagliga incidensen för personer. Utsöndring av bakterier sker dock under flera dagar, därför har utsöndringstid använts för att beräkna ett genomsnitt på antal personer som är kopplade till det aktuella avloppet som är smittade varje dag (Tabell 9). Det kan noteras att beräkningen baseras på antal rapporterade fall och dessa fall anses spegla förekomsten av personer som insjuknar. Symtomlösa personer söker vanligen inte läkare och kommer därför inte att ingå i den officiella statistiken. Även personer som infekteras men inte uppvisar kliniska symptom kan utsöndra bakterier, dock i mindre mängd varför denna underskattning bedöms vara av mindre betydelse. Vid ett fiktivt utbrott har beräkning av mängd salmonella och VTEC som finns i orenat avlopp baserats på att 20 infekterade personer är kopplade till det aktuella avloppet. Siffran 20 har baserats på det kan vara ett rimligt antal infekterade bland återvändande turister som deltagit i bussresa till medelhavsområdet och infekterats innan hemfärd. Den totala mängden av salmonella och VTEC som finns i avloppet under ett dygn beräknades baserat på antal infekterade personer som är kopplade till avloppet multiplicerat med mängd avföring per person per dag, multiplicerat med koncentration av smittämne (Tabell 10). För cryptosporidier där studier är gjorda på förekomsten av parasiten i svenska avlopp, gjordes beräkningen på annat sätt. I en studie studerades koncentrationer av cryptosporidier vid fyra svenska reningsverk (Ottoson et al., 2006). Det finns också mätningar från reningsverket i Östersund innan och under utbrottet år 2010/2011 (SMI, 2011). Eftersom studierna rapporterar totalantal cryptosporidier, har 60 % av koncentrationerna antagits representera cryptosporidier som kan infektera nötkreatur (expertbedömning; Annette Hansen, Folkhälsomyndigheten, Jakob Ottoson, Livsmedelsverket). Mängden av cryptosporidier som finns i avloppet under ett dygn beräknades baserat på koncentrationer i orenat avloppsvatten multiplicerat med daglig volym avloppsvatten från ett samhälle med invånare (Tabell 10). Daglig volym avloppsvatten från ett samhälle med invånare uppskattades genom att titta på reningsverk vid orter av liknande storlek, t.ex. Vänersborg. 18

20 Tabell 9. Indatavärden, specifika för salmonella respektive VTEC, som använts för att beräkna koncentration av smittämnen i orenat avloppsvatten under vanliga förhållanden och under ett fiktivt utbrott. Indata Salmonella VTEC Referens Incidens (antal fall per 6 månader per ) 17,96 2,56 (Folkhälsomyndigheten, 2015) Multiplikator för korrigering för 6,11 7,69 (Sundström, 2010) underrapportering Daglig incidens med korrigering för 0,15 0,03 Beräkning underrapportering (antal fall per ) Duration utsöndring av smittämnen 37 8 (Schönning et al., 2007) (dagar) Vanligt förhållande : antal personer 5,55 0,21 Beräkning som dagligen utsöndrar smittämnen till avloppet Fiktivt utbrott : antal personer som dagligen utsöndrar smittämnen till avloppet Antagande I verkligheten kan utsläpp av avloppsvatten till en vattentäkt ske av olika anledningar och på olika sätt, t.ex. genom bräddning av orenat avloppsvatten eller som ett normalt utsläpp av renat avloppsvatten från ett reningsverk. Bräddning innebär ett tillfälligt utsläpp av orenat avloppsvatten p.g.a. hydraulisk överbelastning i ledningsnätet, pumpstationen, eller vid reningsverket. Bräddning uppstår oftast vid kraftig nederbörd/snösmältning, vilket innebär ett utsläpp av orenat avloppsvatten som består till en stor del av tillskottsvatten (regn-, mark- och grundvatten). Andel tillskottsvatten vid bräddning varierar och beror på hur VA-systemet är utformat. Utsläpp av orenat avloppsvatten kan också ske p.g.a. driftstörning, ombyggnation eller underhållsarbete i ledningsnät/pumpstation; sådana utsläpp kallas för nödbräddning. Normalt utsläpp av renat avloppsvatten från ett reningsverk utgör också en risk, eftersom avloppsrening vid svenska reningsverk är dimensionerat för att reducera belastning av näringsämnen, inte smittämnen. Därför kan reduktionen av smittämnen vid reningsverk vara låg. I rapporten beräknades mängd smittämnen som kommer ut i en vattentäkt vid ett utsläpp av orenat avloppsvatten (utan extra tillskottsvatten) under ett dygn (Tabell 10). 19

21 Tabell 10. Indatavärden som använts för salmonella, VTEC och cryptosporidier för att beräkna utsläpp av mängd mikroorganismer i orenat avlopp under vanliga förhållanden (alla tre smittämnen) och under ett fiktivt utbrott (för salmonella och VTEC). Parameter Estimat Referens Nedre Centralmått Övre Daglig avföringsmängd (gram) (Cummings et al., från människa Koncentration av salmonella i avföring hos infekterad person (organismer per gram) Mängd salmonella som finns i avloppet under ett dygn under vanliga förhållanden (mikroorganismer) Mängd salmonella som finns i avloppet under ett dygn under ett fiktivt utbrott (mikroorganismer) Koncentration av VTEC i avföring hos infekterad person (mikroorganismer per gram) Mängd VTEC som finns i avloppet under ett dygn under vanliga förhållanden (mikroorganismer) Mängd VTEC som finns i avloppet under ett dygn under ett fiktivt utbrott (mikroorganismer) Utsläpp från ett reningsverk med anslutna personer (m 3 /h) Koncentration av cryptosporidier a i orenat avloppsvatten (mikroorganismer per liter) Andel cryptosporidier i avloppsvatten som är patogena för nötkreatur Mängd cryptosporidier b som finns i avloppet under ett dygn (mikroorganismer) a) alla typer av cryptosporidier b) cryptosporidier som är patogena för nötkreatur 1992) 10^4 10^6 10^8 (Schönning et al., 2007) 10^6,65 10^8,76 10^10,82 Beräkning 10^7,20 10^9,32 10^11,38 Beräkning 10^2 10^2,52 10^3 (Schönning et al., 2007) 10^3,24 10^3,88 10^4,41 Beräkning 10^5,20 10^5,84 10^6,38 Beräkning Expertbedömning 10^1,30-10^4,43 (Ottoson et al., 2006; SMI, 2011) - 0,6 - Expertbedömning 10^8,22-10^11,35 Beräkning 2.5 SCENARIER Baserat på de antaganden som beskrivits ovan har 12 scenarier där djur är smittkälla modellerats (Tabell 11). Tre olika smittämnen har modellerats för gödsling (Fert) respektive bete (Graz). Utöver det har två olika värden för inombesättningsprevalens (Med och High) använts för att illustrera den osäkerhet som finns i indatavärdena. Detta blir totalt 12 scenarier. Modellerna har applicerats på de fyra studieområdena, för att 20

22 illustrera skillnader som orsakas av olika betingelser i de fyra områdena. Utöver det har fyra scenarier modellerats där smittkällan är avlopp och där två olika koncentrationer av smittämnen har använts i varje scenario (Tabell 11). Scenarierna är främst avsedda för att möjliggöra teoretiska resonemang kring olika aspekter av smittspridning, framför allt relativa förändringar som sker mellan olika scenarier. Resultaten bör alltså inte ses som sannolika utfall. Smittkällorna inkluderade i modellen är spridning av kontaminerad gödsel på åkermark, gödsel på betesmark från betande djur samt utsläpp av avloppsvatten. Endast en typ av smittkälla är inkluderad i varje scenario. Beräkning av mängd smittämnen har gjorts på två olika typer av platser (Tabell 12); 1) fiktivt råvattenintag (i Vombsjön), 2) fiktiva strandbeten (vid en strandkant i Vombsjön, vid tre åmynningar i Vombsjön och en i Erken, samt i Svartån och Skeboån där åarna rinner ut ur det definierade delavrinningsområdet). Lokaliseringen av åker, bete, fiktiva avlopp samt fiktiva strandbeten är markerade på karta i bilaga 1. Råvattenintagets exakta placering är inte officiell och har därför inte markerats på kartan. Var eventuella strandbeten finns i studieområdet i verkligheten är inte känt.. 21

23 Tabell 11. Översikt över alla studerade scenarier. Indatavärden använda i de tolv scenarier där fiktiva djur är smittkälla och de fyra scenarier där utsläpp från fiktiva avloppsreningsverk är smittkälla (Fert = gödsling, Graz = bete, Med = medelhög inombesättningsprevalens, High = hög inombesättningsprevalens) Scenario Smittkällor a är smittade (%) c Smittämne Djurkategori Andel av gödsel från nötkreatur Andel av gödsel som kommer från kalvar (%) Besättningsprevalens (%) Inombesättningsprevalens (%) Andel av alla kalvar som Andel av smittade djur som är låg/medel/högutsöndrare Genomsnittlig mängd smittämnen/g träck från smittad besättning Genomsnittlig mängd smittämnen/g kalvträck Beräkningspunkter Studieområden 1 SalmoFertMed Å S alla 0, ,1/0,8/0, d Alla e 2 SalmoFertHigh Å S alla 0, ,1/0,8/0, d Alla e 3 SalmoGrazMed B S alla ,1/0,8/0, d Alla e 4 SalmoGrazHigh B S alla ,1/0,8/0, d Alla e 5 VTECFertMed Å V alla 0, ,1/0,8/0, d Alla e 6 VTECFertHigh Å V alla 0, ,1/0,8/0, d Alla e 7 VTECGrazMed B V alla ,1/0,8/0, d Alla e 8 VTECGrazHigh B V alla ,1/0,8/0, d Alla e 9 CryptoFertMed Å C kalv 0,9 0,22 b b 10 0,1/0,8/0, d Alla e 10 CryptoFertHigh Å C kalv 0,9 0,22 b b 10 0/0,8/0, d Alla e 11 CryptoGrazMed B C kalv 1 0,22 b b 10 0,1/0,8/0, d Alla e 12 CryptoGrazHigh B C kalv 1 0,22 b b 10 0/0,8/0, d Alla e a) Smittkällor: Gödsel spridd på åkermark (Å), Gödsel deponerad på bete (B) b) Ej relevant eftersom beräkningar baseras på kalvar upp till 2 månaders ålder c) Genomsnitt för både smittade och osmittade besättningar d) Vombsjön: råvattenintag, fiktivt bete vid strandkant och åmynningar; Erken: fiktivt bete vid åmynning; Svartån och Skeboån: fiktivt bete vid utflöde ur delavrinningsområdet e) Vombsjön, Erken, Svartån, Skeboån Scenario Smittkälla Smittämne a Avstånd till bete b Beräkningspunkter Studieområden 13 Vombsjön-nära Avlopp Vombsjön 1 S+V+C ca 0,5 km Bete Vombsjön 14 Vombsjön-fjärran Avlopp Vombsjön 2 S+V+C ca 5 km Bete Vombsjön 15 Svartån Avlopp Svartån S+V+C ca 10km Bete Svartån 16 Skeboån Avlopp Skeboån S+V+C ca 11 km Bete Skeboån a) Två olika koncentrationer i orenat avloppsvatten används: vanliga förhållanden och utbrott b) Se kartor i bilaga 1. 22

24 Tabell 12. Smittkällor och beräkningspunkter använda i de fyra studieområdena. Studieområde Smittkälla Beräkningspunkt Avlopp Gödsel Bete Råvattenintag Strandbete a spridd på åker kontaminerad med träck Vombsjön 2 ja ja 1 4 b Ältaån nej ja ja nej 1 (tillflöde till Erken) Svartån och Skeboån 1 ja ja nej 1 a) Fiktivt strandbete där kor har sjövatten eller åvatten som dricksvatten b) Fyra beräkningspunkter (strandkant och åmynningar) i scenarierna med gödsel och bete som smittkälla, en beräkningspunkt (strandkant) i scenarierna med avlopp som smittkälla Scenarier med gödsling av åkermark med kontaminerad gödsel Scenarierna med gödsling på åkermark har simulerats för alla fyra studieområdena. I Vombsjön har all åkermark uppströms sjön gödslats med kontaminerad gödsel. I Erken har all åkermark i Ältaåns avrinningsområde gödslats med kontaminerad gödsel. I Skeboån och Svartån simulerades tillskottet av smittämnen då åkermarken inom studieområdet gödslats med kontaminerad gödsel. För att få så stor avrinning av smittämnen som möjligt valdes för varje studieområde ut ett tillfälle med kraftig observerad nederbörd under april eller maj, d.v.s. de månader då gödslingen antogs ske. Urvalet av period begränsades till åren eftersom detta var den period för vilken den hydrodynamiska modellen var uppsatt. Beräkningen av ytavrinningen gjordes med HYPE-modellen. Den framräknade mängden smittämnen i gödsel för de olika scenarierna (Tabell 6 och 13, se Kapitel för uträkning) lades ut jämnt över åkermarken vid ett tillfälle dagen innan det utvalda nederbördstillfället i respektive studieområde (Tabell 14). Därefter antogs att ingen vidare kontamination skedde i avrinningsområdet. Vidare avrinning av smittämnen i samband med kommande nederbörd var dock inkluderad i modellen. Nittiofem procent av gödseln antogs bli nedplöjd i samband med spridningen medan den resterande mängden antogs ligga kvar på markytan. Då nedplöjning antagits ske innan skyfallet, kom det mesta av smittämnena inte att beröras av ytavrinningen, utan kom istället att transporteras med vatten genom marken till ytvattnet. Även beräkningen av transport av smittämnen genom marken gjordes med HYPE-modellen. Indata som HYPE behöver definieras i tabell III i bilaga 2: Parametertabeller HYPE och värden för dessa för samtliga scenarier sammanfattas i tabell V i samma bilaga. Smittämnena simulerades (med HYPE) under tre år ( ) och beräkningar gjordes för två olika typer av punkter; råvattenintag och fiktiva strandbeten, placerade på olika ställen inom studieområdena. Hur dessa beräkningspunkter valts ut beskrivs under respektive studieområde (Kapitel 2.2). Resultaten från modellering av tillrinning till Vombsjön (med HYPE) för år 2012, d.v.s. koncentration av smittämnen och vattenflöden i tillrinningen till sjön, kopplades in till MIKE för att simulera vidare spridningen i sjön under På så sätt skattades koncentrationen av smittämnen vid råvattenintaget och det fiktiva strandbetet vid Vombsjön. Vid de fiktiva strandbetena som antagits ligga vid åmynningarna i Vombsjön och Ältaån, samt i Svartån och Skeboån, har koncentrationerna vid strandbetena antagits vara de samma som i åns flöde i den punkten. 23

25 Tabell 13. Mängd pålagda smittämnen per ha i scenarierna Gödsling på åkermark. Scenario Smittämne Mängd pålagda smittämnen (miljoner/ha) FertMed salmonella 217 FertHigh salmonella 509 FertMed VTEC FertHigh VTEC FertMed cryptosporidier FertHigh cryptosporidier Tabell 14. Datum för applicering av den kontaminerade gödseln i de olika studieområdena. Region (avrinningsområde/delavrinningsområde) År Dag Vombsjön maj Svartån april Ältaån och Skeboån april Scenarier med kontamination av betesmark med träck från betande smittade nötkreatur Scenarierna med kontamination av betesmark har simulerats för alla fyra studieområdena. Hela avrinningsområdena för Vombsjön och Ältaån har simulerats med kontaminerad betesmark. I studieområdena Skeboån och Svartån simulerades kontaminerad betesmark i de nedersta delavrinningsområdena (se 2.2). För respektive studieområde valdes det ut en 14-dagarsperiod i maj-juni under betessäsongen, följd av ett tillfälle med kraftig nederbörd och åtföljande ytavrinning. Urvalet av period begränsades till åren eftersom detta var den period för vilken den hydrodynamiska modellen var uppsatt. Den framräknade mängden smittämnen i träcken (Tabell 15) som beräknas utsöndras från de betande djuren spreds ut på betesmarken jämnt fördelat under 14 dagar innan den kraftiga nederbörden (Tabell 16) i respektive studieområde. Ingen nedplöjning simulerades eftersom detta inte sker på betesmarker. I varje simulering beräknade HYPE-modellen den fortsatta spridningen av smittämnen, drivet av det observerade vädret, till slutet av året. Därefter avslutades simuleringen och eventuellt återstående smittämne på markytan togs bort vid årets slut genom att den flyttades ner i marken där den adsorberades (d.v.s. bands till jordpartiklar). Indata som HYPE behöver definieras i tabell III i bilaga 4. Parametertabeller HYPE och värden för dessa för samtliga scenarier sammanfattas i tabell V i samma bilaga. På samma sätt som för scenarierna med gödsling av åkermark har resultat från HYPE vid inflöden till Vombsjön kopplats in till MIKE för att simulera vidare spridning i sjön till råvattenintag och strandbete under Vid de fiktiva strandbetena som antagits ligga vid åmynningarna i Vombsjön och Ältaån, samt i Svartån och Skeboån, har koncentrationerna vid strandbetena antagits vara de samma som i åns flöde i den punkten. 24

26 Tabell 15. Mängd pålagda smittämnen per ha i scenarierna Kontaminering av betesmark med träck. Scenario Smittämne Mängd pålagda smittämnen (miljoner/ha) GrazMed salmonella 73 GrazHigh salmonella 172 GrazMed VTEC GrazHigh VTEC GrazMed cryptosporidier 6375 GrazHigh cryptosporidier Tabell 16. Datum för applicering av den kontaminerade träcken i de olika studieområdena. Region (avrinningsområde/ År Dag delavrinningsområde) Vombsjön juni Svartån juni Ältaån och Skeboån maj Scenarier avlopp Modellerna användes för att studera hur fiktiva avloppsutsläpp skulle påverka vattenkvalitet vid fiktiva betesmarker. För att studera påverkan av avloppsutsläpp har två alternativa utsläppspunkter antagits för Vombsjön, en lokaliserad nära ett fiktivt strandbete och den andra långt ifrån detsamma. För Svartån och Skeboån har utsläppspunkten antagits ligga vid inloppet till delavrinningsområdet. För Erken har inget avloppsutsläpp inkluderats i modellen. För varje vattentäkt användes modellerna för att svara på frågan: hur stor smittämnesbelastning vid ovannämnda utsläppspunkter kan orsaka tillräckligt höga koncentrationer i vatten vid betesmarker för att infektera betande nötkreatur? För Svartån och Skeboån simulerades effekten av ett avloppsutsläpp från en uppströms källa på vattenkvaliteten i en punkt nedströms med HYPE-modellen. Effekten på nedströms recipienter beror på utspädningseffekter från uppströms vatten och från tillrinning från områden mellan källan och platsen av intresse nedströms. Transport och avdödning i vattendraget påverkar också halterna i ytvatten nedströms källan. För både Svartån och Skeboån studerades två fall; ett kontinuerligt utsläpp och ett utsläpp under ett dygn (pulsutsläpp) (angivet som antal smittämnen per dygn). I det senare modellexperimentet antogs worst case -situation genom att simulera utsläpp vid ett lågflödestillfälle då utspädningseffekten från tillkommande vatten är som lägst. Genom att modellen är linjär, så att en relativ ökning av källan ger en lika stor relativ ökning vid beräkningspunkten, så var det möjligt att beräkna hur många smittämnen per dygn som behöver tillföras vid källan för att nå upp till infektionsdos för nötkreatur för de respektive smittämnena. För Vombsjön simulerades påverkan av ett pulsutsläpp av orenat avloppsvatten under ett dygn med MIKE. Eftersom vinden förväntas påverka föroreningstransport i Vombsjön, simulerades nio olika vindförhållanden; fyra olika riktningar (norr, öster, söder och väst) vid två olika hastigheter (3 och 10 m/s). Smittämnesbelastningar vid punkterna för pulsutsläpp som kan orsaka infektion av nötkreatur (se infektionsdoser för nötkreatur, avsnitt 2.3) beräknades baserat på modelleringsresultat. De beräknade smittämnesbelastningarna jämfördes sedan med 25

27 smittämnesbelastningar som kan komma med ett utsläpp av orenat avloppsvatten från en medelstor stad under ett dygn (se avsnitt 2.4.2). 2.6 HYDROLOGISK MODELLERING HYPE (Hydrological Predictions for the Environment) HYPE (Hydrological Predictions for the Environment) är en hydrologisk modell för simulering av flöden och omsättning av vatten och näringsämnen (Lindström et al., 2010). Den ger möjligheter för att beräkna faktorer knutna till vattenresurser och vattenkvalitet, men också annan hydrologisk information med mycket hög geografisk detaljeringsgrad. HYPE simulerar vattenflöden och ämnen från nederbörd genom mark och åar och sjöar till vattendragets utlopp, se figur 1. Modellen drivs med dygnsvärden av uppmätt nederbörd och lufttemperatur. Beräkningarna sker med dygnssteg och resultaten erhålls också med dygnsupplösning. Avrinningsområdet delas upp i delavrinningsområden och vidare i olika markklasser beroende på markanvändning och jordart (Figur 1). Jordprofilen inom en markklass delas i sin tur in vertikalt i maximalt tre markskikt. Markklasserna är i modellen inte kopplade till en geografisk plats inom delområdet utan anges som en andel av delområdet. Typiska markanvändningar är skog, sjö, öppen mark, men även indelning i olika grödor t. ex. vete, potatis används. Figur 1. Schematisk bild av hur landskapet delas in i markklasser i HYPEmodellen. Varje markklass består av en kombination av markanvändning och jordart. Modellen beskriver vattnets flödesvägar i mark och ämnesomsättningen i marken för olika markklasser. Marken delas upp i maximalt tre skikt vilka kan ha olika tjocklek (Figur 2). Modellens parametrar är kopplade till markanvändning, t. ex. avdunstningsparametrar, eller jordart, t. ex. vattenhållande förmåga, eller är generella för hela avrinningsområdet. Att parametrar på detta sätt kopplas till geografisk information gör modellen bättre 26

28 anpassad för beräkningar i avrinningsområden utan observationer. I en tillämpning av modellen görs en indelning i delavrinningsområden, och dessa delas i sin tur in i markklasser. Beräkningarna görs med dagligt tidssteg för vattenvolymer och koncentrationer. Figur 2. Schematisk bild av HYPE-modellen, med fokus på en markklass. Marken är indelad i 3 markskikt. Markens vattenhållande egenskaper, främst porositeten och mängden växttillgängligt vatten, knyts i modellen till jordart och är viktiga för beräkningen av vattenbalansen. Vattenhalten beräknas individuellt för varje markskikt. När de största porerna börjar fyllas med vatten uppstår grundvattenavrinning. Grundvattenytans läge i markprofilen beräknas som funktion av andelen av de största porerna som är vattenfyllda. Utflöde av markvatten kan också ske genom dräneringsrör i jordbruksmark. Ytavrinning kan uppstå om infiltrationshastigheten inte räcker vid intensiv nederbörd, samt om grundvattenytan går upp till markytan. Makroporer kan leda vatten direkt till dräneringsrören vid intensiv nederbörd. Flödena från de olika markklasserna läggs samman och transporteras vidare genom vattendrag och sjöar. I HYPE-modellen tas hänsyn till de viktigaste källorna och sänkorna av kväve och fosfor (t.ex. reningsverk, enskilda avlopp, gödsling, nedplöjning av växtrester, atmosfäriskt nedfall, denitrifikation och växtupptag). Näringsämnen följer samma vägar som vattnet. Beräkningar görs för de olika variablerna, och mängderna av respektive ämne i pooler i varje markskikt beräknas fortlöpande. Likartade jordarter, och likartade grödor, kan slås ihop i grupper för att förenkla beräkningarna. Datum för sådd, skörd och plöjning anges för varje typ av gröda. I vattendrag och sjöar beskrivs denitrifikation, mineralisering, näringsupptag av fytoplankton och alger, sedimentation, och i vattendrag beskrivs re-suspension från botten. Magasineringen och vattenståndsförändringar i sjöar beräknas kontinuerligt. Både oreglerade sjöar och regleringsmagasin kan beskrivas. Modellen innehåller ett stort antal parametrar, för vilka värdena måste bestämmas inför en tillämpning. HYPE har bland annat satts upp för hela Sverige (kallad S-HYPE) (Strömqvist et al., 2012), hela Europa och hela tillrinningsområdet till Arktis. Uppsättningen av en global modell och modeller för andra kontinenter pågår för närvarande (2016). I den nuvarande Sverigeuppsättningen delas landet in i ca delavrinningsområden, med en medianareal på 7 km 2. Åtta jordarter används i modellen: torv, finjord/lera, grovjord, morän, tunna jordar och kalt berg, silt, hårdgjorda ytor och isälvsmaterial. Indelningen 27

29 baseras på SGU:s jordartsdatabas. Modellresultat från S-HYPE finns fritt tillgängliga via Modellering av smittämnen i HYPE I detta projekt utvecklades en delmodell för simulering av smittämnen till HYPE. Liksom för kväve och fosfor antas smittämnen följa samma flödesvägar som vattnet. Smittämnen kan i modellen spridas från utsläpp från reningsverk i vattendrag och sjöar, från gödsel på jordbruksmark eller från gödsel från betande djur. Andelen smittämne som plöjs ned i det övre markskiktet vid plöjning kan anges. Den resterande mängden smittämne på markytan tvättas ur med en viss andel per mm nederbörd eller snösmältning. Adsorptionen till markpartiklar beskrivs med hjälp av en linjär Freundlich-isoterm. Smittämnena kan sedimentera i både vattendrag och sjöar, medan re-suspension endast sker i vattendragen. Avdödningen av smittämnen sker exponentiellt, med samma hastighet i alla miljöer (mark, sjöar, vattendrag etc.). Avdödningen anges som ett netto mellan avdödning och tillväxt, d.v.s. avdödningen antas i beräkningarna överstiga tillväxten. Parametervärden inom projektet har tagits fram för VTEC, salmonella och cryptosporidier. Principerna för modellering av smittämnen i HYPE sammanfattas i figur 3 och beskrivs i detalj i bilaga 3; Smittämnesmodellen i HYPE. De processer som används för modelleringen av smittämnen i detta projekt är avdödning, adsorption till markpartiklar och frigörelse från gödsel liggande på markytan vid regn. Dessa processer beskrivs i HYPE av varsin modellparameter definierade i tabell I i bilaga 2; Parametertabeller HYPE. Värden på parametrarna har uppskattats utifrån litteraturdata och expertkunskap och skiljer sig åt för olika smittämnen. Hur de tagits fram beskrivs i detalj i tabell II i bilaga 2; Parametertabeller HYPE. Indataparametrar som HYPE behöver för simulering av smittämnen definieras i tabell III i bilaga 2; Parametertabeller HYPE och värden för dessa för samtliga scenarier sammanfattas i tabell V i samma bilaga. Figur 3. Principerna för modellering av smittämnen i HYPE. 28

30 2.7 HYDRODYNAMISK MODELLERING (MIKE) En hydrodynamisk cirkulationsmodell för Vombsjön upprättades i MIKE, ett tredimensionellt modelleringsverktyg som utför beräkningar i rum och tid. Exempel på modelleringsresultat är strömningsfält (hastighet och riktning), temperatur i sjön och koncentrationer av mikroorganismer. Modellen tar hänsyn till bland annat vindens drivning på ytan, densitetsvariationer utifrån temperaturvariationer, densitetsdrivna strömmar, strömning orsakad av stora tillflöden, utsläpp från land, värmeutbyte med atmosfären och turbulens. Vombsjöns volym delades in i ett beräkningsnät som var anpassat till detaljer i strandlinjen och djupförhållanden. Volymen beskrivs av prismor (trianglar i horisontalled, Figur 4). I varje prisma sker beräkning av parametrarna. I vertikalled är volymen uppdelad i 16 lager. Modellen drivs med följande indata: flödet i tillflöden Björkaån, Torpsbäcken och Borstbäcken, utflöde från sjön, nederbörd på sjöytan, vindhastighet och vindriktning, pumpat flöde till vattenverket, lufttemperatur, molnighet och luftfuktighet. Figur 4. Beräkningsnät som använts i den hydrodynamiska modellen av Vombsjön. Färgerna visar sjöns batymetri (djupkarta); djupet varierar mellan 0 m (röd) och -15 m (lila). För att simulera transport, avdödning och sedimentation av smittämnen i sjön har modulen ECO Lab, som är kopplad till den hydrodynamiska modellen, använts. ECO Lab använder strömningsfält från den hydrodynamiska modellen för att beräkna koncentrationer av mikroorganismer i sjön. Avdödning i vatten simulerades baserat på samma antaganden som i HYPE-modellen angående halveringstid (3 dagar för salmonella och VTEC, respektive 25 dagar för 29

31 cryptosporidier, som räknades om till avdödningskoefficienter (0,0277 respektive 0,2310 1/dag)). Avdödning beräknades enligt följande: dc = k C dt där k är avdödningskoefficient, t är tid, och C är koncentrationen. För modelleringen av cryptosporidier togs även hänsyn till sedimentationseffekten. Sedimentationshastighet för cryptosporidier angavs som 0,03 m/dag, vilket är sedimentationshastighet som tidigare föreslagits för fria oocystor (Medema et al., 1998). Det antogs att cryptosporidie-oocystor som släpptes ut i sjön inte var bundna till partiklar. Sedimentationseffekten beräknades enligt följande: dc dt = V s dz C där V s är sedimentationshastigheten för smittämne s och dz är tjockleken på de respektive lager som beskriver sjödjup i den hydrodynamiska modellen. Beräkningar gjordes var tionde minut (till skillnad från HYPE där beräkning sker dygnsvis). Resultaten redovisas (liksom för HYPE) som maximala dygnsvärden. Detta påverkar inte resultaten i denna studie eftersom skillnaden mellan maximala värden (per 10 minuter respektive per dygn) är marginella. 2.8 KÄNSLIGHETSANALYS Känslighetsanalys gjordes för ett urval av de indata-värden som bedömdes ha störst effekt på resultaten i scenarioberäkningarna för gödsling av åker och betesmark. Jämfört med referensvärdena ändrades en parameter eller faktor i taget med ±30 %, medan alla de övriga parametrarna lämnades såsom i referensberäkningen. Förändringen i dels maximala halten under simuleringen (st/l) och dels totala antalet smittämnen (st) som passerar respektive beräkningspunkt under hela beräkningsperioden jämfördes med resultaten som erhölls i referensberäkningen. Känslighetsanalysen kan visa hur känsliga resultaten är för lika stora relativa avvikelser i parametervärden. Alla parametervärden är dock inte lika säkert eller osäkert bestämda. Därför gjordes också kompletterande känslighetsanalys. Även i denna förändrades en faktor i taget jämfört med referensberäkningen, men förändringen gjordes med en storlek som motsvarar en bedömd osäkerhet i uppskattningen av respektive parametervärde. Följande faktorer ändrades med ±30 % i känslighetsanalysen: mängd pålagda smittämnen avdödningshastighet (t1expdec, parameter i HYPE) Freundlich-parameter, adsorptionsparameter i marken (log(t1freuc), parameter i HYPE) hastigheten för uttvättning ur gödseln (t1rel, parameter i HYPE) nederbörd (under hela beräkningen) mix (modellparametrar för blandningsvolymen i vattendrag (deadl och deadm, parameter i HYPE)) andel ytavrinning vid regn (srrate, parameter i HYPE) ytavrinningshastighet vid mättad mark (srrcs, parameter i HYPE) 30

32 En separat analys gjordes av betydelsen av jordart, där all jordbruks- och betesmark antogs vara på antingen lera eller grovjord. Tabell 17 visar de antaganden som gjordes i den kompletterande känslighetsanalysen. Analysen begränsades till de parametrar i HYPE-modellen som beskriver hur smittämnena uppför sig. Tabell 17. Parametrar, referensvärden och intervall (min- och max-värden) i känslighetsanalysen. Indatavärden Referensvärde Osäkerhetsintervall Avdödningshastighet (t1expdec), VTEC Avdödningshastighet (t1expdec), cryptosporidier Adsorptionsparameter (t1freuc), VTEC Adsorptionsparameter (t1freuc), cryptosporidier Uttvättningshastighet (t1rel) 0,005 0,

33 3 Resultat och diskussion I denna studie kombinerades hydrologisk modellering (HYPE) med hydrodynamisk modellering (MIKE). Den hydrologiska modellen kan beskriva hur förorening transporteras från diffusa källor i avrinningsområden medan den hydrodynamiska modellen med hög upplösning kan beskriva hur förorening sprids i vattentäkten. Att kombinera dessa två modeller (HYPE och MIKE) är ett nytt angreppssätt för att beskriva de viktigaste processerna som påverkar spridning av mikrobiella föroreningar både i avrinningsområdet och i vattentäkten. Det bör noteras att erhållna värden inte direkt kan överföras till verkliga livet eftersom många indatavärden och antaganden till modellen är att betrakta som worst case och att osäkerheten i vissa indatavärden kan vara stor. Dessutom finns en naturlig variation över tid och rum i flera indatavärden. Detta begränsar användningen av resultaten i riskbedömningar med syfte att prediktera en risk. Den stora behållningen i denna typ av modellering är istället möjligheten att öka förståelsen för vilka processer som påverkar transporten av smittämnen, samt att i förlängningen kunna studera effekter av olika riskhanterande åtgärder och öka förståelsen för var och när riskhanterande åtgärder kan ha störst betydelse. 3.1 SCENARIER MED GÖDSLING AV ÅKERMARK OCH BETESMARK Beräkningspunkter fiktiva beten vid åmynningar Figur 5 visar ett exempel på resultat från en scenariosimulering med HYPE från Björkaån vid Vombsjön. Vid de utvalda tillfällena i maj 2012 för gödsling och juni 2012 för bete var den totala vattenföringen i Björkaån relativt låg, cirka 0,9 respektive 0,5 m 3 /s (Figur 5), men efterföljande nederbördstillfällen på ca 20 respektive 30 mm orsakade en hög andel ytavrinning i flödet till ån, enligt beräkningen. Den maximala genomsnittliga dygnskoncentrationen för VTEC orsakad av gödslingen (scenario med högt smittryck) var cirka 150 bakterier/l. Scenarierna visas i samma figur för att åskådliggöra likheter och olikheter mellan dem. Den höga andelen ytavrinning orsakade höga halter av smittämnen i vattendraget, då smittämnen i gödseln på marken sköljs med. VTEC bryts ned snabbt och förekommer endast vid första flödet som följer på regnet i maj, medan cryptosporidier bryts ned långsamt och sköljs ut även i samband med ytavrinning vid efterföljande regn i juni till september (Figur 5). 32

34 Maxhalt (st/l) Figur 5. Exempel på scenariosimuleringar, Björkaån vid utloppet i Vombsjön. De beräknade halterna i vattendragen svarade linjärt på mängden tillfört smittämne. Detta innebär att halten av smittämnen i vattnet under en simulering är proportionell mot mängden utspridd (och kontaminerad) gödsel (Figur 6 och 7). Förekomsten av smittämnena hos djurbesättningar i området är alltså av avgörande betydelse för mängden smittämne som kan förorena vattendragen. Figurerna 6 och 7 visar resultat för VTEC och C. parvum. Salmonella uppför sig i modellen på samma sätt som VTEC, och visas därför inte i figurerna Crypto VTEC Mängd pålagda smittämnen (miljoner/ha) Figur 6. Maxhalten (st/l) för respektive smittämne i scenariosimuleringarna (Med och High) som resultat av mängden pålagda smittämnen, Björkaån vid utloppet i Vombsjön. 33

35 Figur 7. Exempel på scenariosimuleringar, Björkaån vid utloppet i Vombsjön, Halterna är proportionella mot mängden tillfört smittämne i respektive scenario. Den högsta modellerade halten för respektive smittämne (medelhalt/dygn) och simuleringspunkt sammanfattas i tabell 18. För t.ex. scenariot VTECFertHigh uppnås koncentrationen 460 VTEC-bakterier per liter. Om koncentrationen är minst 30 VTECbakterier per liter så förväntas en kalv kunna bli infekterad (Tabell 2). I samma tabell kan man avläsa att vuxna nötkreatur inte förväntas bli infekterade eftersom infektionsdosen är mycket högre, bakterier per liter. Den högsta dygnshalten av smittämnen varierar i de olika scenarierna. Förutom själva markens beskaffenhet, beror variationen bland annat på mängd smittämne som applicerats på åker eller bete (Tabell 13 och 15), areal åker respektive bete i det aktuella avrinningsområdet (Tabell 1) samt vattenflödet vid simuleringen vilket inkluderar hur stora vattendragen är vilket i sin tur speglas av medelvattenföringen (Tabell 1). Givet de antaganden som gjorts i modellen samt att vattnet i vattendraget vid de fiktiva betena är enda vattenkällan för nötkreaturen visar simuleringarna att koncentrationen smittämnen inte överskrider den beräknade infektionsdosen för vuxna nötkreatur. För kalvar däremot överskrids infektionsdosen för VTEC i minst ett scenario i fyra av sex vattendrag och för C. parvum i alla sex vattendrag. Det bör noteras att den absolut högsta koncentrationen uppnås bara under ett dygn, därefter sjunker halten (Figur 7). Den maximala halten av smittämnen är proportionell mot mängden pålagda smittämnen (Figur 6). Modellen visar då att även om smittrycket av salmonella från nötkreatur skulle öka 10 gånger så förväntas inte koncentrationen av salmonella i vatten överstiga infektionsdosen. Detta baseras på antagandet att det krävs cirka 200 salmonellabakterier/l för att nötkreatur ska infekteras (Figur 6). I och med att antagandena som ligger till grund för mängden salmonellabakterier i gödsel och på betad åkermark i modellen i flera delar är att betrakta som worst case, är det rimligt att dra slutsatsen att ett smittryck som är tio gånger högre än vad som använts i modellen i verkligheten bör vara mycket ovanligt. Noteras bör att svenska animalieproducerande djur har en mycket låg förekomst av salmonella till skillnad från de flesta andra länder i Europa där smittrycket är avsevärt högre. Modellen visar att koncentrationen av VTEC-bakterier inte överstiger infektionsdosen för vuxna nötkreatur. För kalvar ger modellen andra resultat och indikerar att VTECsmittade nötkreatur kan utgöra en smittkälla för kalvar. Men även här har indata till modellen medvetet överskattats. Modellen indikerar att, i regioner i landet där förekomsten av VTEC är hög, kan det inte uteslutas att nötkreatur kan utgöra en smittkälla för kalvar. Slutsatsen blir att mera studier behövs för att klarlägga om så är fallet. Avseende C. parvum så visar modellen tydligt effekten av den längre överlevnaden som denna parasit har. Till skillnad från de övriga simulerade smittämnena så sker avrinning 34

36 av C. parvum även under kommande regn. Detta kan ytterligare accentueras i verkliga livet eftersom beten ju fortsätter att kontamineras av betande djur. Det kan också noteras att de simulerade värdena gäller kontamination av antingen bete eller gödsling på åker. I verkliga livet kan kontaminerad ytavrinning ske från både bete och åker och skattningar av max-koncentrationer skulle då kunna bli högre. De siffror som modellen beräknat är max-värden (maximal medelhalt per dygn) för respektive smittkälla. Eftersom tidpunkten när max-värdena inträffar kan variera i tiden kan värdena från olika källor inte adderas. Det är sannolikt att maxvärdena vid beräkningspunkterna skulle bli högre om alla smittkällor inkluderas, men det är okänt hur mycket högre. Om det hade varit möjligt att beräkna mängden vatten, och därmed smittämnen, som förväntas släppas ut vid en bräddning så skulle detta kunnat inkluderas i modellen och den kombinerade effekten av humant avlopp och gödsel från djur kunnat beräknas. Utöver bräddat avloppsvatten så kan även normala utsläpp från reningsverk (efter rening) innehålla smittämnen, men detta har inte heller inkluderats i denna studie. För Skeboån och Svartån har bara ett delavrinningsområde inkluderats i modellen och det vatten som kommer uppströms ifrån och rinner in i detta område har antagits vara fritt från smittämnen. I verkliga livet kan smittämnen tillkomma från hela avrinningsområdet och beräknade siffror underskattar möjligen därför koncentrationen vid strandbete vid dessa åar. De högsta halterna uppnåddes i tillflödena till Vombsjön. Detta beror dels på att andelen jordbruksmark är betydligt högre här än i Ältaån och Skeboån, och dels på att smittämnen spreds över alla delområdena (se Tabell 1). I Svartån uppnåddes lägst halter beroende på det stora tillflödet från Svartån uppströms beräkningspunkten. Cirka 98 % av vattnet vid beräkningspunkten i Svartån kommer i scenarierna från okontaminerade områden. 35

37 Tabell 18. Den högsta halten (genomsnitt under ett dygn) (st/l) för respektive smittämne och beräkningspunkt i scenariosimuleringarna. Siffror i fet kursiverad stil anger koncentrationer som överstiger infektionsdos för nötkreatur (vuxen eller kalv). Tillflöde Tillflöde till Vombsjön till Scenario Erken Björkaån Torpsbäcken Borstbäcken Ältaån Skeboån Svartån Salmonella SalmoFertMed 0,06 0,19 0,15 0,004 0,022 0,001 SalmoFertHigh 0,14 0,45 0,36 0,008 0,051 0,003 SalmoGrazMed 0,08 0,22 0,20 0,006 0,006 0,001 SalmoGrazHigh 0,18 0,52 0,46 0,013 0,015 0,003 VTEC VTECFertMed ,8 29,7 1,6 VTECFertHigh ,4 52,5 2,9 VTECGrazMed ,5 8,8 1,6 VTECGrazHigh ,2 15,5 2,7 C. parvum CryptoFertMed ,0 7,0 0,4 CryptoFertHigh ,0 13,8 0,8 CryptoGrazMed ,5 4,8 0,7 CryptoGrazHigh ,0 9,6 1, Beräkningspunkter fiktivt råvattenintag samt fiktivt bete vid strandkant Vombsjön Modelleringsresultat från simuleringar med HYPE för Björkaån, Torpsbäcken och Borstbäcken användes som indata för den hydrodynamiska modellen (MIKE) för Vombsjön. Modelleringsresultat från MIKE visar högsta simulerade dygnshalter vid råvattenintaget samt strandbetet i Vombsjön orsakade av förorening från ovannämnda tre tillflöden var för sig, dels för kontamination av bete och dels för kontamination av åker (Tabell 19). Resultaten redovisas också som tidsserier från tidpunkt för kontamination till årets slut (Figur 8) för scenarier bete och gödsling, båda med högt smittryck. Resultat för samma scenarier fast med medelhögt smittryck visar liknande mönster men med lägre halter. Enligt modelleringsresultaten bidrar Björkaån mest till förorening vid råvattenintaget och strandbetet i Vombsjön, följt av Torpsbäcken och Borstbäcken (Tabell 19, Figur 8). Detta kan delvis förklaras av att Björkaån har störst avrinningsområde, följt av Torpsbäcken och Borstbäcken. Om man jämför resultat från HYPE för Torpsbäcken (Tabell 18) med resultat från MIKE för det fiktiva strandbetet som ligger mindre än 0,3 km från Torpsbäckens mynning, kan man konstatera att p.g.a. utspädningseffekten i sjön är halterna vid det fiktiva strandbetet mycket lägre. Mönstren för salmonella och VTEC liknar varandra (Figur 8). Detta beror på att bakterier beskrivs på samma sätt när det gäller antaganden kring avdödning och andra processer, i både HYPE- och MIKE- modellerna. Cryptosporidier däremot beskrivs på ett annat sätt än bakterierna i båda modellerna; t.ex. är avdödning mycket långsammare (halveringstid 25 dagar) jämfört med bakterierna (halveringstid 3 dagar). Därför 36

38 elimineras inte cryptosporidierna lika snabbt utan blir kvar i vattentäkten i flera månader (Figur 8). För salmonella visar modellen att högsta dygnshalter och hur länge smittämnet persisterar vid råvattenintaget, är relativt lika för scenario Fert (åkermark) och scenario Graz (betesmark) (Figur 8). Samma sak gäller även för VTEC. För cryptosporidierna skiljer sig mönstren för dessa scenarier och simulerade halter för scenario Graz är högre än för scenario Fert (Tabell 19 och Figur 8). Dessa resultat reflekterar de indata-värden som använts i modellen vilket tidigare noterats under kapitel Man kan alltså inte generalisera resultaten och konkludera att kontamination från åker respektive bete kan förväntas vara ungefär lika då resultaten bara gäller för de ingångsvärden som använts i denna studie. Resultaten visar dock på möjligheterna att med hjälp av dessa modeller kunna få mera kunskap i frågan. Noteras kan också att resultaten gäller en föroreningskälla i taget. I verkliga livet kan kontamination ske i alla tre åar och kontamination kan också ske både från bete och åkrar samt inte minst kontinuerliga utsläpp från reningsverk (inte inkluderade i modellen) och utsläpp av orenat avloppsvatten vid bräddning (inte möjligt att kvantifiera i denna studie). Med hjälp av modellerna och med förfinade indata finns dock förutsättningar att skapa mera kunskap om den totala belastningen av smittämnen vid olika beräkningspunkter. Tabell 19 Den högsta dygnshalten (st/l) för respektive smittämne vid råvattenintag samt strandbete vid Vombsjön, som resultat av påverkan från respektive åar: Björkaån, Torpsbäcken eller Borstbäcken. Siffror i kursiv fetstil anger koncentrationer som överstiger infektionsdos hos nötkreatur (vuxen eller kalv). Scenario Fiktivt råvattenintag i Vombsjön Fiktivt strandbete vid Vombsjön Björkaån Torpsbäcken Borstbäcken Björkaån Torpsbäcken Borstbäcken Salmonella SalmoFertMed 8,4*10^(-5) 2,4*10^(-5) 9,4*10^(-6) 2,3*10^(-3) 2,2*10^(-5) 5,7*10^(-6) SalmoFertHigh 2,0*10^(-4) 5,5*10^(-5) 2,2*10^(-5) 5,3*10^(-3) 5,2*10^(-5) 1,3*10^(-5) SalmoGrazMed 7,7*10^(-5) 1,4*10^(-5) 7,3*10^(-6) 2,4*10^(-3) 5,2*10^(-5) 5,8*10^(-6) SalmoGrazHigh 1,8*10^(-4) 3,2*10^(-5) 1,7*10^(-5) 5,6*10^(-3) 1,2*10^(-4) 1,4*10^(-5) VTEC VTECFertMed 0,11 0,032 0,013 3,08 0,030 0,008 VTECFertHigh 0,20 0,056 0,022 5,44 0,053 0,014 VTECGrazMed 0,10 0,019 0,010 3,23 0,071 0,008 VTECGrazHigh 0,18 0,033 0,018 5,71 0,125 0,014 C. parvum CryptoFertMed 0,28 0,028 0,010 2,78 0,070 0,010 CryptoFertHigh 0,54 0,055 0,020 5,50 0,139 0,019 CryptoGrazMed 0,96 0,058 0,021 5,76 0,185 0,018 CryptoGrazHigh 1,91 0,114 0,041 11,4 0,367 0,036 37

39 maj jun jul aug sep okt nov dec antal/l maj jun jul aug sep okt nov dec antal/l 1,00E+01 10^(1) 1,00E+00 10^(0) 1,00E-01 10^(-1) 1,00E-02 10^(-2) 1,00E-03 10^(-3) 1,00E-04 10^(-4) 1,00E-05 10^(-5) 1,00E-06 10^(-6) 1,00E+01 10^(1) 1,00E+00 10^(0) 1,00E-01 10^(-1) 1,00E-02 10^(-2) 1,00E-03 10^(-3) 1,00E-04 10^(-4) 1,00E-05 10^(-5) 1,00E-06 10^(-6) Figur 8. Påverkan på vattenkvalitet vid råvattenintag i Vombsjön. Halter av salmonella (svart), VTEC (grå) och C. parvum (blå): påverkan från Björkaån (strecklinje), Torpsbäcken (heldragen linje) och Borstbäcken (punktlinje). Övre grafen visar resultat för scenarier gödsling av åkermark (Fert) och nedre grafen visar resultat för scenarier gödsel på betesmark (Graz). 3.2 KÄNSLIGHETSANALYS Figur 9 visar ett exempel på resultat från känslighetsanalysen. I VTEC-scenariot har mängden kvarvarande gödsel på markytan efter plöjning halverats, och i cryptosporidiescenariot har avdödningshastigheten dubblerats. I VTEC-simuleringen leder halveringen av gödselmängden till en ren halvering av halten i vattendraget. Cryptosporidiescenariosimuleringen, med snabbare nedbrytning, påminner om skillnaden mellan de två scenarierna CryptoGrazHigh och CryptoGrazMed i figur 7 men skillnaden mellan kurvorna ökar med tiden. Halten av smittämnet är lågt vid flödet i slutet av september på grund av den snabbare avdödningen. 38

40 Figur 9. Exempel på känslighetsanalys, Björkaån vid utloppet i Vombsjön, I VTEC-scenariot har mängden gödsel som är kvar på markytan efter plöjning halverats, och i cryptosporidium-scenariot har avdödningshastigheten dubblerats, medan alla andra faktorer behållits som i referenssimuleringen. Figurerna visar sammanställningar av resultaten från känslighetsanalyserna. Figurerna visar liksom tidigare att halten ökar linjärt med mängden tillfört smittämne. Till exempel ger en ökning av mängden med 30 % en ökning av halterna med 30 %. Resultaten är känsliga för avdödningshastigheten (t1expdec), speciellt VTEC och därmed även salmonella, men praktiskt taget okänsliga för adsorptionsvärdet (t1freuc). Det senare beror på att utgångsvärdet är satt så högt att praktiskt taget alla bakterier är fästa till markpartiklarna, och att så även är fallet efter det att parametervärdet förändras kraftigt. Resultaten är känsliga för alla faktorer som påverkar mängden ytavrinning, t.ex. mängden nederbörd och ytavrinningsparametern srrate i HYPE. Praktiskt taget inget av det smittämne som infiltrerade i marken transporterades vidare, i och med adsorption mot markpartiklar och avdödning. Halterna i avrinningen är därmed proportionell mot mängden kvarvarande gödsel på markytan. Vid nedplöjning antogs att 95 % av smittämnen försvann från ytan och bara 5 % blev kvar. Om ingen nedplöjning skett skulle 100 % vara kvar, d.v.s. i scenarier med spridning av gödsel på åker skulle mängden smittämnen i beräkningspunkter öka 20 gånger. Resultaten är känsliga för val av jordart, eftersom andelen ytavrinningen spelar så stor roll (Figur 12). Ytavrinningen är betydligt högre för lerjordar än i de jordar som finns i området, medan ytavrinningen i grova jordar blir försumbar med den parameterinställning som används i S-HYPE. I de grova jordarna antas att allt vatten infiltrerar ner i jorden vid de utvalda regntillfällena. Känslighetsanalysen för jordart visar att hur höga halter som enligt modellen uppnås beror av mängden tillfört smittämne som finns kvar på markytan vid tillfällen med ytavrinning. Vattnets flödesvägar och andelen ytavrinning har därför stor betydelse, liksom hur stor del av gödselmängden som har brukats ned i marken vid regntillfällena. Flödesvägarnas betydelse avspeglas också i den stora skillnaden mellan jordarter. Från lerjordar erhölls ökade halter i avrinningen, medan nästan inga smittämnen alls lämnade de grova jordarna, eftersom det mesta vattnet antas infiltrera i dessa. Det finns osäkerheter i hur väl HYPE-modellen kvantitativt beskriver vattnets flödesvägar, men det är tydligt att andelen ytavrinning har stor betydelse i sammanhanget. Bland modellparametrarna har avdödningshastigheten stor betydelse, medan resultaten är nästan helt okänsliga för värdet på adsorptionsparametern, eftersom referensinställningarna är satta så högt att nästan allt smittämne i marken adsorberades och hinner brytas ned innan utflödet ur marken. För några av faktorerna påverkades maxhalten och summan på samma sätt (Figur 10 och 11). Det gäller till exempel mängden smittämnen. Mängden nederbörd, däremot, spelade 39

41 mängd + mängd - nederb + nederb - t1expdec + t1expdec - log(t1freuc) + log(t1freuc) - t1rel + t1rel - mix + mix - srrate + srrate - srrcs + srrcs - mängd + mängd - nederb + nederb - t1expdec + t1expdec - log(t1freuc) + log(t1freuc) - t1rel + t1rel - mix + mix - srrate + srrate - srrcs + srrcs - större roll för summan av avrunna smittämnen än för den maximala halten, speciellt för cryptosporidier, som har en längre livslängd än VTEC. En förändring i blandningsvolymen (mix) i vattendragen hade stor påverkan på maxhalten, men liten påverkan på summan. 100% 80% 60% 40% 20% 0% -20% -40% -60% -80% -100% Känslighetsanalys VTECFertHigh Förändring i en faktor i taget med ±30% Figur 10. Exempel på känslighetsanalys, avvikelser från referensvärdet vid förändringar av en faktor i taget, VTECFertHigh, Björkaån vid utloppet i Vombsjön. Förändringen jämförs dels för den maximala halten under simuleringen och dels för det summerade antalet smittämnen. Max Summa 100% 80% 60% 40% 20% 0% -20% -40% -60% -80% Känslighetsanalys CryptoGrazHigh Förändring i en faktor i taget med ±30% Figur 11. Exempel på känslighetsanalys, avvikelser från referensvärdet vid förändringar av en faktor i taget, CryptoGrazHigh, Björkaån vid utloppet i Vombsjön. Förändringen jämförs dels för den maximala halten under simuleringen och dels för det summerade antalet smittämnen. Max Summa 40

42 150% Känslighetsanalys, jordart 100% 50% 0% -50% Max Summa -100% -150% Figur 12. Känslighetsanalys för jordart i förhållande till den verkliga jordartsfördelningen, Björkaån vid utloppet i Vombsjön. Förändringen jämförs dels för den maximala halten under simuleringen och dels för det summerade antalet smittämnen. Enligt den kompletterande känslighetsanalysen för de tre smitt-parametrarna i HYPEmodellen; Avdödningshastighet (t1expdec), Adsorptionsparameter (t1freuc) och Uttvättningshastighet (t1rel), bidrar osäkerheten i avdödningshastigheten för VTEC mest till osäkerheten i resultaten (Figur 13). Hur snabbt smittämnena tvättas ur gödseln har också stor betydelse, medan den antagna osäkerheten i Freundlich-parametern hade försumbar betydelse. Slutsatsen blir densamma för både max-värde och summa-värdet. Eftersom ett snävare osäkerhetsintervall valdes för avdödningshastigheten för cryptosporidier blev osäkerheten i resultaten mindre än för VTEC. Resultaten från denna analys ger en fingervisning om vilka parametrar som bidrar mest till osäkerheten. Den totala osäkerheten i modelleringsresultaten är sannolikt större än vad som antyds av resultaten på grund av förenklingar i modellen som inte framgår av de undersökta parameterintervallen. Utöver de undersökta parametrarna har, som nämnts, mängden smittämne i gödseln som appliceras på avrinningsområdet avgörande betydelse för hur mycket som hamnar i de olika vattendragen. En fördubbling av den mängd som tillförs medför en fördubbling av det som kommer ut och så vidare. För mängd smittämnen som utsöndras från infekterade djur så är osäkerheten stor, en av anledningarna är mätosäkerheten som är en 10-potens. Detta påverkar modellresultaten kraftigt genom att den modellerade mängden smittämnen kan, bara på grund av mätosäkerheten, variera från en tiondel till 10 gånger högre än resultaten i modellen. Detta medför att skattningarna av mängd smittämne är av största vikt för modelleringsresultaten. Det tydliggör också att ett bibehållet gott smittläge bland svenska djur är helt avgörande för risken för spridning av smitta via vattendrag. Eftersom smitta via vattendrag i sig kan bidra till ett försämrat smittläge måste förebyggande arbete för att kontrollera smitta i djurbesättningar ses som prioriterat för såväl vattenkvalitet som djurhälsa. 41

43 200% Känslighetsanalys VTECFertHigh 150% 100% 50% 0% -50% t1expdec t1expdec t1freuc t1freuc t1rel t1rel Max Summa -100% Figur 13. Känslighetsanalys, där avvikelsen från referensvärdet för smittparametrarna i HYPE-modellen varierats inom rimliga osäkerhetsintervall, VTECFertHigh, Björkaån vid utloppet i Vombsjön. Förändringen jämförs dels för den maximala halten under simuleringen och dels för det summerade antalet smittämnen. 200% Känslighetsanalys CryptoGrazHigh 150% 100% 50% 0% -50% t1expdec t1expdec t1freuc t1freuc t1rel t1rel Max Summa -100% Figur 14. Känslighetsanalys, där avvikelsen från referensvärdet för smittparametrarna i HYPE-modellen varierats inom rimliga osäkerhetsintervall, CryptoGrazHigh, Björkaån vid utloppet i Vombsjön. Förändringen jämförs dels för den maximala halten under simuleringen och dels för det summerade antalet smittämnen. 3.3 SCENARIER AVLOPP Varaktig punktkälla Testet med en varaktig källa av smittämnen visar att halten smittämnen vid beräkningspunkten är omvänt proportionell mot flödet i vattendragen (Figur 15). Detta beror på att utspädningen från rent vatten uppströms ifrån och från tillflöden mellan utsläppspunkten och beräkningspunkten tillsammans med utsläppets storlek är de absolut viktigaste förklarande faktorerna för variationer av halten i beräkningspunkten. Störst risk för infektion, av t.ex. boskap som dricker vatten vid beräkningspunkten, uppstår därför vid lågflödestillfälle. 42

44 I figur 16 och 17 visas hur mycket smittämnen som behöver släppas ut per dag i Svartån respektive Skeboån för att infektionsdosen för nötkreatur vid olika flödesnivåer i de två områdena ska överstigas. I diagrammen går också att avläsa hur stor del av tiden som ett givet flöde överstigs. För ett visst flöde går det att i diagrammet läsa av antalet smittämnen som behöver släppas ut dagligen för att nå upp till infektionsdosen vid beräkningspunkten för de olika smittämnena (Se förklarande exempel i Figur 16). Exemplet syftar till att visa en metod som kan tillämpas för andra områden och utsläppstillfällen. Figur 15. Vattenföring samt halt av smittämnen i beräkningspunkten i Svartån vid simulering av en varaktig punktkälla av smittämnen per dag, med förklarande exempel. 43

45 Figur 16. Varaktighetskurva för vattenflöde vid beräkningspunkten i Svartån (blå linje) samt korresponderande daglig dos av smittämnen från punktkällan som krävs för att uppnå infektionsdos för olika smittämnen. Figur 17. Varaktighetskurva för vattenflöde vid beräkningspunkten i Skeboån (blå linje) samt korresponderande daglig dos av smittämnen från punktkällan som behövs för att uppnå infektionsdos för olika smittämnen. 44

46 3.3.2 Pulsutsläpp (utsläpp under ett dygn) Vid testet med ett utsläpp av smittämnen under ett dygn når cirka hälften av smittämnena fram till beräkningspunkterna cirka en mil nedströms samma dygn som utsläppen (Figur 18). Tidpunkt för utsläppen valdes då flödet i de två åarna var som lägst under simuleringsperioden. Notera att det finns en högre sjöandel i Svartåns avrinningsområde än i Skeboåns vilket ger ett mer utjämnat flöde under året. Halterna i vattendragen klingar av under att antal dygn efter toppen (Figur 19). I detta exempel var fokus på att studera transportmekanismer i vattendraget så ingen avdödning var inkluderad utan alla smittämnen passerar beräkningspunkterna efter mer eller mindre fördröjning. Figur 18. Flöde i åarna under simuleringsperioden samt antal smittämnen per dygn som passerar beräkningspunkterna i Svartån (övre figuren) och Skeboån (nedre figuren) vid ett utsläpp av smittämen ca en mil uppströms. Figur 19. Flöde samt halten av smittämnen vid beräkningspunkterna i Svartån (övre figuren) och Skeboån (nedre figuren) vid ett utsläpp av smittämnen ca en mil uppströms. Högsta halterna noteras samma dygn som utsläppen. 45

47 Genom att ta den högsta simulerade halten som uppstod i beräkningspunkten i Skeboån och Svartån vid experiment då ett känt antal smittämnen släpps ut går det att räkna ut mängden smittämne som behöver släppas ut vid källan för att nå upp till infektionsdosen för nötkreatur vid beräkningspunkten för de olika smittämnena. I dessa experiment simuleras avdödning av smittämnena och en viss reduktion hinner ske mellan utsläppspunkterna och beräkningspunkterna (4-5 % för cryptosporidier och % för VTEC och salmonella). Tiden för utsläppen valdes för att studera effekten vid värsta möjliga tidpunkter (d.v.s. under lågflöden i vattendragen). Under perioder med högre flöden krävs fler smittämnen i utsläppet för att orsaka infektion på grund av en ökad utspädning. Motsvarande beräkningar gjordes även för beräkningspunkten i Vombsjön. Denna beräkning gjordes med MIKE. Resultaten för de tre beräkningspunkterna, d.v.s. de fiktiva betena vid Svartåns och Skeboåns mynning samt vid Vombsjön redovisas i figur 20. Figur 20. Antal mikroorganismer som krävs (blåa staplar) vid utsläpp av avloppsvatten under ett dygn till respektive vattentäkt för att orsaka infektion hos betande djur vid strandbete. Fyra olika utsläppspunkter finns (Vombsjön 1, Vombsjön 2, Svartån och Skeboån) och tre olika fiktiva beten: vid Vombsjön (enfärgad), vid Svartåns mynning (randig) respektive Skeboåns mynning (prickig). Positioner av utsläppspunkter och fiktiva beten visas i bilaga 1. Ljusblå rektanglar visar skattningar av antal mikroorganismer (salmonella, VTEC och cryptosporidier som kan infektera nötkreatur) i ett utsläpp av orenat avloppsvatten från en medelstor stad under ett dygn. Figuren visar att om mer är 10^13,7 salmonellabakterier släpps ut till sjön vid punkt Vombsjön 1 (som ligger nära Torpsbäckens inflöde och ca 0,5 km från det fiktiva strandbetet, se Bilaga 1), visar modellen att halten vid det fiktiva strandbetet blir tillräckligt hög för att orsaka infektion hos betande nötkreatur. Å andra sidan, om utsläppet är lägre än 10^11,2 salmonellabakterier, indikerar våra beräkningar att koncentrationen vid betet skulle bli lägre än vad som krävs för att orsaka infektion hos 46

48 nötkreatur. Variationen i den mängd bakterier som behöver släppas ut (10^11,2 10^13,7 salmonellabakterier för Vombsjön 1 ) beror på variation i vindförhållanden i Vombsjön och för Svartån och Skeboån beror det på variation i flödesförhållanden; dessa förhållanden påverkar utspädning och transport i vattentäkterna. Resultat kan också tolkas utifrån hur mycket smittämnen som kan hamna i vattentäkter vid ett utsläpp av orenat avloppsvatten från en medelstor stad under ett dygn (se Tabell 10 i avsnitt 2.4.2). För salmonella, visade beräkningarna att ett sådant avloppsutsläpp skulle innebära att mellan ca 10^6,7 och 10^11,4 bakterier når vattentäkten (liggande rektangel i Figur 20). Om man jämför det övre estimatet (10^11,4 bakterier) med modelleringsresultat (staplarna i Figur 20), skulle det utsläppet kunna orsaka infektion hos nötkreatur vid Vombsjön, om utsläppet sker från Vombsjön 1 som ligger nära betet om vindförhållandena är ogynnsamma. Om utsläppet skedde i Svartån under låga flöden, och vid Skeboån, kan det också orsaka infektion hos nötkreatur. För VTEC, visade beräkningarna att avloppsutsläppet skulle resultera i att mellan 10^3,2 och 10^6,4 bakterier når vattentäkten (rektangel i Figur 20). Modelleringsresultat (staplarna i Figur 20) indikerar att i det fallet skulle halter vid beten vid alla studerade vattentäkterna bli lägre än vad som krävs för att orsaka infektion med VTEC hos nötkreatur. För cryptosporidier, beräknades att mellan 10^8,2 och 10^11,4 oocystor når vattentäkten. Jämförelse av det övre estimatet (10^11,4 oocystor) med modelleringsresultat (staplarna i Figur 20), visar att det vid alla de studerade vattentäkterna finns risk att nötkreatur blir infekterade. Mängden smittämnen i avloppsutsläpp som beräknades i avsnitt kan skalas om, t.ex. genom att anta en reduktion av smittämnen vid reningsverket med 1 eller 2 log10- enheter; eller genom att anta att bräddning sker under en kortare tid, t.ex. 4 timmar istället för 24 timmar (dela mängden smittämnen med 6). Om man antar att det sker ett utsläpp av renat avloppsvatten (antar 1,5 log10 reduktion vid reningsverk) under ett dygn, skulle övre estimat för salmonella bli ca 10^10 bakterier, vilket skulle innebära att halter av salmonella vid beten vid alla studerade vattentäkter skulle bli lägre än vad som krävs för att orsaka infektion hos nötkreatur. 47

49 4 Slutsatser I denna studie kombineras hydrologisk modellering (HYPE) med hydrodynamisk modellering (MIKE). Den hydrologiska modellen beskriver hur förorening transporteras från diffusa källor i avrinningsområden medan den hydrodynamiska modellen, med hög upplösning, beskriver hur föroreningar sprids i vattentäkten. I studien har HYPE anpassats, och för första gången använts, till att studera spridning av smittämnen. Att kombinera dessa två modeller är ett nytt angreppssätt för att beskriva de viktigaste processerna som påverkar spridning av mikrobiella föroreningar i både avrinningsområde och vattentäkt. Att använda denna typ av modellering för att studera risken för betande djur att infekteras har oss veterligen inte heller gjorts tidigare. Studien har visat att den kombinerade modellen kan: 1. användas för att beskriva transport av smittämnen via vatten, 2. användas för att skatta mängd/koncentration av smittämnen som behöver släppas ut vid olika punkter i vattendrag för att uppnå en bestämd koncentration i vattnet vid en viss punkt, 3. användas för att tolka relativa förändringar som sker när indatavärden förändras för att t.ex. undersöka effekten av olika riskreducerande interventioner. Studien har visat att: 1. risken för nötkreatur där strandbete är enda vattenkällan är omvänt proportionell mot flödet av vatten i vattendraget, 2. risken vid strandbete som ligger vid Vombsjön var mycket mindre jämfört med strandbete som låg vid åmynning (utspädningseffekt), 3. varaktigheten av kontamination i sjöar är längre för cryptosporidier än för salmonella och VTEC, 4. praktiskt taget inget av det smittämne som infiltrerar i marken når vattendragen enligt beräkningarna, i och med fastläggning mot markpartiklar och avdödning. Nedplöjning direkt efter spridning av gödsel på åkermark minskar därför risken för kontamination av ytvatten, 5. vattnets flödesvägar och andelen ytavrinning har stor betydelse. Från lerjordar erhölls höga beräknade halter p.g.a. hög andel ytavrinning medan nästan inga smittämnen alls lämnade grova jordar, där andelen ytavrinning är betydligt lägre, 6. i det fall orenat avloppsvatten skulle släppas ut under ett dygn (från ett samhälle med personer) kan nötkreatur vid strandbeten bli infekterade med salmonella och cryptosporidier (C. parvum) i alla studieområdena. För VTEC blir koncentrationen så låg att infektion sannolikt inte sker. Begränsningar i studien: 1. förväntad mängd orenat avloppsvatten (och därmed mängd smittämnen) som kan släppas ut vid bräddning var inte möjlig att skatta, och därmed inte heller risken detta skulle utgöra för nötkreatur vid strandbete, 2. resultat från studien kan användas för att tolka relativa förändringar som sker när indatavärden förändras men inte den absoluta magnituden av koncentration smittämnen, 3. liksom i alla modeller är resultaten behäftade med osäkerheter, kända och okända samt mer eller mindre kvantifierbara. De osäkerheter som bedömts vara viktigast för resultaten har diskuterats i studien och bör beaktas vid tolkning av resultaten, 4. HYPE-modellen finns uppsatt för hela Sverige (S-HYPE), MIKE-modellen däremot behöver sättas upp för varje vattentäkt separat. 48

50 Rekommendationer för fortsatt utveckling: Resultaten från projektet bör utvärderas genom jämförelse med mätvärden av fekala indikatorer. En hydrologisk modell med hög rumslig upplösning finns idag för hela Sverige (S-HYPE). Det är därför relativt enkelt att använda många av de metoder som utvecklats under detta projektet på andra områden i landet. Speciellt föreslås att försöka kvantifiera hur stor andel av variationer i tid och rum av fekala indikatorer som kan förklaras av variationer i geografiska, meteorologiska och hydrologiska förhållanden. För detta ändamål behöver man inventera vilka mätdata som finns i landet, och sammanställa dem för modellering i HYPE. Halterna i diffusa bidrag och punktkällor behöver uppskattas. Ett sådant nationellt modelleringssystem kan användas för att identifiera var mätningar skulle göra mest nytta. 49

51 Referenser Aceto, H., Miller, S.A., Smith, G., Onset of diarrhea and pyrexia and time to detection of Salmonella enterica subsp enterica in feces in experimental studies of cattle, horses, goats, and sheep after infection per os. J Am Vet Med Assoc 238, Anonym Salmonella ett nationellt strategidokument Anonym, 2014a. Infektion med cryptosporidium ett nationellt strategidokument Anonym, 2014b. Infektion med EHEC/VTEC ett nationellt strategidokument Anonym 2014c. Jordbruksstatitisk årsbok. ammanstallning/jordbruksstatistiskarsbok e9ac46144f41921cd21b7b.ht ml. Besser, T.E., Richards, B.L., Rice, D.H., Hancock, D.D., Escherichia coli O157[ratio]H7 infection of calves: infectious dose and direct contact transmission. Epidemiology and Infection 127. Bjorkman, C., Lindstrom, L., Oweson, C., Ahola, H., Troell, K., Axen, C., Cryptosporidium infections in suckler herd beef calves. Parasitology 142, Callaway, T.R., Keen, J.E., Edrington, T.S., Baumgard, L.H., Spicer, L., Fonda, E.S., Griswold, K.E., Overton, T.R., VanAmburgh, M.E., Anderson, R.C., Genovese, K.J., Poole, T.L., Harvey, R.B., Nisbet, D.J., Fecal prevalence and diversity of Salmonella species in lactating dairy cattle in four states. J Dairy Sci 88, Cray, W.C., Jr., Moon, H.W., Experimental infection of calves and adult cattle with Escherichia coli O157:H7. Appl Environ Microbiol 61, Cummings, J.H., Bingham, S.A., Heaton, K.W., Eastwood, M.A., Fecal weight, colon cancer risk, and dietary intake of nonstarch polysaccharides (dietary fiber). Gastroenterology 103, Cummings, K.J., Warnick, L.D., Elton, M., Grohn, Y.T., McDonough, P.L., Siler, J.D., The effect of clinical outbreaks of salmonellosis on the prevalence of fecal Salmonella shedding among dairy cattle in New York. Foodborne Pathog Dis 7, Folkhälsomyndigheten Smittsamma sjukdomar ( Laegreid, W.W., Elder, R.O., Keen, J.E., Prevalence of Escherichia coli O157:H7 in range beef calves at weaning. Epidemiol Infect 123, Lindström, G., Pers, C., Rosberg, J., Strömqvist, J., Arheimer, B., Development and testing of the HYPE (Hydrological Predictions for the Environment) water quality model for different spatial scales. Hydrology Research 41, Medema, G.J., Schets, F.M., Teunis, P.F.M., Havelaar, A.H., Sedimentation of free and attached Cryptosporidium oocysts and Giardia cysts in water. Appl. Environ. Microbiol. 64, Nielsen, T.D., Nielsen, L.R., Toft, N., Bayesian estimation of true between-herd and within-herd prevalence of Salmonella in Danish veal calves. Prev Vet Med 100,

52 Ottoson, J., Hansen, A., Westrell, T., Johansen, K., Norder, H., Stenström, T.A., Removal of noro- and enteroviruses, Giardia cysts, Cryptosporidium oocysts, and fecal indicators at four secondary wastewater treatment plants in Sweden. Water Environment Research 78, Quinn, P.J., Markey, B.K., Leonard, F.C., FitzPatrick, E.S., Fanning, S., Hartigan, P.J., Veterinary Microbiology and Microbial Disease, 2nd Edition. Wiley- Blackwell, Oxford. Schouten, J.M., Graat, E.A., Frankena, K., van de Giessen, A.W., van der Zwaluw, W.K., de Jong, M.C., A longitudinal study of Escherichia coli O157 in cattle of a Dutch dairy farm and in the farm environment. Vet Microbiol 107, Schönning, C., Westrell, T., Stenström, T.A., Arnbjerg-Nielsen, K., Hasling, A.B., Høibye, L., Carlsen, A., Microbial risk assessment of local handling and use of human faeces. Journal of Water and Health 5, SJV, Gödselproduktion, lagringsbehov och djurtäthet vid nötkreaturshållning, SJV Rapport 1995:10. SMI Cryptosporidium i Östersund: Smittskyddsinstitutets arbete med det dricksvattenburna utbrottet i Östersund (Smittskyddsinstitutet). Strömqvist, J., Arheimer, B., Dahné, J., Donnelly, C., Lindström, G., Water and nutrient predictions in ungauged basins: set-up and evaluation of a model at the national scale. Hydrological Sciences Journal 57, Sundström, K Samhällskostnader för salmonellos, campylobacterios och EHEC. Bilaga 9 i Betänkande Folkhälsa Djurhälsa: Ny ansvarsfördelning mellan stat och näring. (SOU 2010:106.). SVA Surveillance of infectious diseases in animals and humans in Sweden illance-2015-w.pdf. Svenskt_Vatten QMRA kvantitativ mikrobiologisk riskanalys för dricksvatten, Wahlstrom, H., Andersson, Y., Plym-Forshell, L., Pires, S.M., Source attribution of human Salmonella cases in Sweden. Epidemiol Infect 139, Xiao, L., Molecular epidemiology of cryptosporidiosis: an update. Exp Parasitol 124, Zambriski, J.A., Nydam, D.V., Wilcox, Z.J., Bowman, D.D., Mohammed, H.O., Liotta, J.L., Cryptosporidium parvum: determination of ID(5)(0) and the doseresponse relationship in experimentally challenged dairy calves. Vet Parasitol 197, Ågren, E Tankmjölkscreening avseende antikroppar mot salmonellainfektion Resultatredovisning ( Ågren, E.C., Sternberg Lewerin, S., Wahlstrom, H., Emanuelson, U., Frossling, J., Low prevalence of Salmonella in Swedish dairy herds highlight differences between serotypes. Prev Vet Med 125,

53 Bilaga 1. Studieområden Kartor över de fyra studieområdena inklusive markanvändning, samt mätpunkter för HYPE respektive MIKE-modeller (avlopp och fiktiva strandbeten). 52

54 53

55 Bilaga 2. Parametertabeller HYPE Denna bilaga innehåller beskrivning av processrelaterade parametrar och indataparametrar för HYPE-simuleringarna. Parametrarnas värden, liksom deras ursprung från beräkningar och referenser sammanfattas. Följande tabell beskriver de processrelaterade parametrar som använts i HYPE för simulering av smittämne (T1). Sedimentation i sjöar och vattendrag samt resuspension av smittämnen i vattendrag försummas i dessa simuleringar. För beskrivning av modellen se bilaga 3. Beskrivning av smittämnesmodellen i HYPE. Tabell I. Modellparametrar för smittämnen simulerade med HYPE. Namn Beskrivning Enhet Värde T1expdec Halveringstid för exponentiellt avtagande av T1. Appliceras på T1 löst i markvatten och ytvatten (men ej i snötäcke). Appliceras också på T1 i lagret ovan mark, adsorberat till markpartiklar och i åsediment. dagar T1freuc T1rel Jämviktskoncentrationskoefficient (adsorptions isoterm) för adsorption/desorption av T1 till jordpartiklar. Antal bakterier bundna till ett kg jord per bakterie i liter vattenlösning. Även kallad fördelningskonstant (Kd). Frigörelse av T1 från lagret på markytan. För smittämnen motsvarar detta lager gödseln innan nedbrukning. L/kg jord eller (#/kg jord)/ (#/L) mm -1 Anges separat för varje smittämne (se tabell II) Anges separat för varje smittämne (se tabell II) Anges separat för varje smittämne (se tabell II) Följande tabell anger de värden vi uppskattat för de processrelaterade parametrar som använts i HYPE för simulering av smittämnena cryptosporidium, VTEC och salmonella. Tabell II. Värden på modellparametrar för smittämnen simulerade med HYPE. Parameter Smittämne Värde Beräkning och referenser T1expdec Cryptosporidium 25 d Litteraturvärden för reduktion av cryptosporidium i vatten av olika temperatur (5-23 grader) funna mellan och (logaritmer per vecka) (Olson et al., 1999; Nasser et al., 2003; Medema et al., 1997). Det motsvarar en halveringstid på dagar (om c0 är initial koncentration och T2 halveringstid så efter en vecka fås koncentrationen: c0*10 -a =c0*2-7dagar/t2, T2=7/a*ln(2)/ln(10) där a är 10-exponenten). Efter borttagning av yttersta värdena valdes ett värde i mitten av kvarvarande intervall (21-30) avrundat till närmsta 5-tal. T1expdec VTEC 3 d Eftersom det kan antas att överlevnad för salmonella respektive VTEC i vatten är 54

56 likvärdiga har litteraturdata för båda smittämnena sammanfattats i ett värde. Litteraturvärden för reduktion av VTEC och salmonella i vatten av olika temperatur funna mellan och 10 2 (logaritmer per vecka) (Nasser et al., 2003; Terzieva and McFeters, 1991; Medema et al., 1997; Rhodes and Kator, 1988; McGee, 2002; Cook and Bolster, 2007; Catalao Dionisio et al., 2000; Hendricks, 1971; Ottoson and Stenström, 2003). Det motsvarar en halveringstid på 1-21 dagar. Medianvärdet 3 dagar valdes. T1expdec Salmonella 3 d Samma värde som för VTEC, se beskrivning för VTEC. T1freuc Cryptosporidium (#/kg jord)/ (#/L) T1freuc VTEC 5000 (#/kg jord)/ (#/L) Oocystorna adsorberas till jordlagret i väldigt hög grad (ca 99 % återvinns i urlakning; Mawdsley et al., 1996; Bhattarai et al., 2011; Petersen et al., 2012). Därmed bör adsorptionskoefficienten ligga högre för cryptosporidier än för bakterier. Det dubbla värdet har därför antagits. Litteratur visar stor spridning i adsorptionskoefficienten; beräkningar utgående från Petersen et al. (2012) ger Kd i intervallet ( ) för olika typer av gödselformer. Kuczynska et al., 2005 fann Kd vara 1,4-7,7 i jordkolumnexperiment, men noterade att i batch experiment var Kd två storleksordningar större. Mawdsley et al, 1996: Ca , max 10 6 (i enstaka replikat) kunde vattnas ut ur jordkolonner, när 10 8 rena oocystor tillsattes. Bhattarai et al 2011: Upp till 20 % detektion av applicerade oocystor (oftast <1 %) från ytavrinning från olika jordtyper vid 1,5 % lutning. (simulerat regn och uppsamling av vatten från ytan och efter att det sipprat genom ytlagret) Petersen et al, 2012: <1 % av applicerade ocystor kunde återfås ur jordkolonner (oocystor i gödsel). Pachepsky et al. (2006) simulerade gödselburna smittoämnens fördelning och bindning som en funktion av lerinnehåll baserat på Ling et al. (2003). Ett lågt värde valdes för att inte underskatta smitta. Ekvationen gav med lerinnehåll på % ett Kd mellan 4000 och 8000 L/kg soil, och högre för högre lerhalter. Värdet avrundades till närmsta 5-tal. 55

57 T1freuc Salmonella 5000 (#/kg jord)/ (#/L) T1rel Cryptosporidium 0,005 /mm T1rel VTEC 0,005 /mm T1rel Salmonella 0,005 /mm Nola et al. (2005) fann att adsorptionskoefficienten för E.coli och salmonella låg inom samma område (10000 och 7000 respektive). Därför valdes samma värde som för VTEC. En frigörelse på 0,0054/min vid 7.1cm regn/h för fekala coliformer (Shelton et al., 2003) användes för att uppskatta frigörelseparametern: T1rel=0,0054/7,1*6=0,005/mm För cryptosporidium blir detta egentligen en överskattning eftersom oocystorna är svåra at lösgöra från gödsel. I avsaknad av vetenskapliga data som stöd för andra siffror används denna siffra som ett worst case Samma som för cryptosporidium Samma som för cryptosporidium Följande tabell beskriver de indataparametrar som använts i HYPE för simulering av smittämne (T1). För beskrivning av modellen se bilaga 3. Beskrivning av smittämnesmodellen i HYPE. Tabell III. Indataparametrar för smittämnen simulerade med HYPE. Namn Beskrivning Enhet Värde tamount Mängd T1 som läggs på marken x/ha, x är i våra simuleringar miljoner smittämnen vilket ger koncentrationen i antal smittämnen per liter (#/L) Olika för olika scenarier/ smittämnen (se tabell V) tyear Vilket år mängden läggs ut - Olika för olika scenarier/ smittämnen/ avrinningsområde (se tabell V) tday tnumdays tdaydown tdown1 Dagnummer under året som mängden börjar läggas ut Mängden läggs ut likafördelat under så här många dagar (om värde större än 0) Dagnummer under året då (del av) utlagda mängden plöjs ner i marken Andel av mängden som plöjs ner till markskikt 1 vid tidpunkten tdaydown - Olika för olika scenarier/ smittämnen/ avrinningsområde (se tabell V) dagar Olika för olika scenarier (se tabell V) - Olika för olika scenarier (se tabell V) - Olika för olika scenarier (se tabell V) 56

58 Följande tabell sammanfattar de scenarier som simulerats för olika smittämnen. Två spridningsvägar har simulerats från nöt till ytvatten; kontaminerad gödsel som sprids på åkrarna och kontaminerad gödsel som kommer direkt från boskap som betar, och två belastningar; hög och mediumhög smittobelastning. Tabell IV. Spridningsscenarier simulerade med HYPE. Namn Spridningsväg Belastning Fert_Med Via gödsel spridd på åkrar Medium Fert_High Via gödsel spridd på åkrar Hög Graz_Med Via gödsel släppt av Medium betande djur Graz_High Via gödsel släppt av betande djur Hög 57

59 Tabell V. Värden på indataparametrar för spridningsscenarierna simulerade med HYPE. Scenario Smittämne Region (avrinningsområde) tamount (miljoner/ha) tyear tday tnumdays tdaydown tdown1 Fert_Med Salmonella 1 (Vombsjön) (=8 maj) (=8 maj) 0,95 Fert_High Salmonella 1 (Vombsjön) (=8 maj) (=8 maj) 0,95 Fert_Med VTEC 1 (Vombsjön) (=8 maj) (=8 maj) 0,95 Fert_High VTEC 1 (Vombsjön) (=8 maj) (=8 maj) 0,95 Fert_Med Cryptosporidium 1 (Vombsjön) (=8 maj) (=8 maj) 0,95 Fert_High Cryptosporidium 1 (Vombsjön) (=8 maj) (=8 maj) 0,95 Graz_Med Salmonella 1 (Vombsjön) (= (=30 dec) 1 juni) Graz_High Salmonella 1 (Vombsjön) (= (=30 dec) 1 juni) Graz_Med VTEC 1 (Vombsjön) (= (=30 dec) 1 juni) Graz_High VTEC 1 (Vombsjön) (=10 juni) (=30 dec) 1 Graz_Med Cryptosporidium 1 (Vombsjön) (= (=30 dec) 1 juni) Graz_High Cryptosporidium 1 (Vombsjön) (=10 juni) (=30 dec) 1 Fert_Med Salmonella 2 (Svartån) (=7 april) 0 97 (=7 april) 0,95 Fert_High Salmonella 2 (Svartån) (=7 april) 0 97 (=7 april) 0,95 Fert_Med VTEC 2 (Svartån) (=7 april) 0 97 (=7 april) 0,95 Fert_High VTEC 2 (Svartån) (=7 april) 0 97 (=7 april) 0,95 Fert_Med Cryptosporidium 2 (Svartån) (=7 april) 0 97 (=7 april) 0,95 Fert_High Cryptosporidium 2 (Svartån) (=7 april) 0 97 (=7 april) 0,95 58

60 Graz_Med Salmonella 2 (Svartån) (=11 juni) Graz_High Salmonella 2 (Svartån) (=11 juni) Graz_Med VTEC 2 (Svartån) (=11 juni) Graz_High VTEC 2 (Svartån) (=11 juni) Graz_Med Cryptosporidium 2 (Svartån) (=11 juni) Graz_High Cryptosporidium 2 (Svartån) (=11 juni) Fert_Med Salmonella 3 (Erken) och (=12 4 (Skeboån) april) Fert_High Salmonella 3 (Erken) och (=12 4 (Skeboån) april) Fert_Med VTEC 3 (Erken) och (=12 4 (Skeboån) april) Fert_High VTEC 3 (Erken) och (=12 4 (Skeboån) april) Fert_Med Cryptosporidium 3 (Erken) och (=12 4 (Skeboån) april) Fert_High Cryptosporidium 3 (Erken) och (=12 4 (Skeboån) april) Graz_Med Salmonella 3 (Erken) och (=17 4 (Skeboån) maj) Graz_High Salmonella 3 (Erken) och (=17 4 (Skeboån) maj) (=31 dec) (=31 dec) (=31 dec) (=31 dec) (=31 dec) (=31 dec) (=12 april) 0, (=12 april) 0, (=12 april) 0, (=12 april) 0, (=12 april) 0, (=12 april) 0, (=30 dec) (=30 dec) 1 59

61 Graz_Med VTEC 3 (Erken) och 4 (Skeboån) Graz_High VTEC 3 (Erken) och 4 (Skeboån) Graz_Med Cryptosporidium 3 (Erken) och 4 (Skeboån) Graz_High Cryptosporidium 3 (Erken) och 4 (Skeboån) (=17 maj) (=17 maj) (=17 maj) (=17 maj) (=30 dec) (=30 dec) (=30 dec) (=30 dec) 1 60

62 REFERENSER BILAGA 2 Bhattarai, R., Kalita, P., Trask, J., Kuhlenschmidt, M.S., Development of a physicallybased model for transport of Cryptosporidium parvum in overland flow. Environmental Modelling & Software 26: Catalao Dionisio, L.P, Joao, M., Soares Ferreiro, V., Leonor Fidalgo, M., Esther García Rosado, M., Borrego, J.J., Occurrence of Salmonella spp in estuarine and coastal waters of Portugal. Antonie van Leeuwenhoek 78: Cook, K.L., Bolster, C.H., Survival of Campylobacter jejuni and Escherichia coli in groundwater during prolonged starvation at low temperatures. Journal of Applied Microbiology, 103: Hendricks, Charles W., Increased Recovery Rate of Salmonellae from Stream Bottom Sediments Versus Surface Waters. Appl. Microbiol. 21(2):379. Kuczynska, E., Y. Pachepsky, S.A. Rouhi, and D.R. Shelton, Transport of manureborne Cryptosporidium parvum oocysts through saturated and unsaturated soil columns. Int. Agrophysics, 19, Ling, T.Y., Achberger, E.C., Drapcho, C.M., Bengtson, R.L., Quantifying adsorption of an indicator bacteria in a soilwater system. Trans. ASAE, 45, Mawdsley et al, 1996 McGee, P., Bolton, D.J., Sheridan, J.J., Earley, B., Kelly, G., Leonard, N., Survival of Escherichia coli O157:H7 in farm water: its role as a vector in the transmission of the organism within herds. Journal of Applied Microbiology, 93: Medema, G.J, Bahar, M., Schets, F.M., Survival of Cryptosporidium parvum, Escherichia coli, faecal enterococci, and Clostridium perfringens in river water: influence of temperature and autochthonous microorganisms. Water Science and Technology, 35: Nasser, A.M., Zaruk, N., Tenenbaum, L., Netzan, Y., Comparative survival of Cryptosporidium coxsackievirus A9 and Escherichia coli in stream, brackish and sea waters. Water Science and Technology, 47: Nola, Moïse, Thomas Njiné, Claude Boutin, Pierre Servais, Mohamed Messouli, Louise Marie Ngo Bidjeck, Adolphe Monkiedje, Serge H. Zébazé Togouet and Norbert Kemka, Sorption Kinetics of Escherichia coli and Salmonella sp on Two Soil Layers Associated with a Groundwater Table in Yaounde, Cameroon (Central Africa). Int. J. Environ. Res. Public Health, 2(3), Olson, M.E., Goh, J., Phillips, M., Guselle, N., McAllister, T.A., Giardia cyst and Cryptosporidium oocyst survival in water, soil, and cattle feces. Journal of Environmental Quality, 28: Ottoson, J., Stenström, T.A., Growth and reduction of microorganisms in sediments collected from a greywater treatment system. Letters in Applied Microbiology, 36: Pachepsky, Y.A., A.M. Sadeghi, S.A. Bradford, D.R. Shelton, A.K. Guber, and T. Dao, Transport and fate of manure-borne pathogens: Modeling Perspective. Agricultural Water Management, 86, Petersen, H.H., H.L. Enemark, A. Olsen, M.G. Mostofa Amin, and A. Dalsgaard, Transport of Cryptosporidium parvum Oocysts in Soil Columns following Applications of Raw and Separated Liquid Slurries. Applied and Environmental Microbiology, 78:

63 Rhodes, M.W., Kator, H., Survival of Escherichia coli and Salmonella spp. in estuarine environments. Applied and Environmental Microbiology, 54: Shelton, Daniel R., Yakov A. Pachepsky, Ali M. Sadeghi, William L. Stout, Jeffrey S. Karns, and William J. Gburek, Release Rates of Manure-Borne Coliform Bacteria from Data on Leaching through Stony Soil. Vadose Zone Journal 2: Terzieva, S.I., McFeters, G.A., Survival and injury of Escherichia coli, Campylobacter jejuni and Yersinia enterocolitica in stream water. Canadian Journal of Microbiology, 37:

64 Bilaga 3. Beskrivning av smittämnesmodellen i HYPE Med den hydrologiska modellen HYPE kan man förutom vattnets vägar och flöden simulera medföljande ämnen, t.ex. näringsämnen. Smittämnen kan simuleras av HYPE som ett spårämne (kallat T1 i HYPE, T som i tracer). Spårämnet T1 kan användas till att simulera olika ämnen inte bara smittämnen. Smittämnet simuleras i modellens vattenlager som snö, markvatten (alla markskikt), åar och sjöar genom sin koncentration i vattnet. Åar och sjöar kallas gemensamt för ytvatten. Därutöver kan smittämnen också finnas adsorberat till jord, i fast form liggande på markytan, och i sedimenten i åfåran. I HYPE simuleras avrinning via olika flödesvägar. Vilken väg avrinningen tar påverkar koncentrationen av spårämnet i avrinningen. Ytavrinning, grundvattenavrinning från olika markskikt och flöden genom dräneringsrör är några olika vägar vattnet kan ta. Smittämnen i vatten kan t.ex. komma från gödsel från infekterade djur. Om kontaminerad gödsel sprids på mark kan smittämnen lakas ur och följa med regnvattnet ner i marken eller direkt ut i vattendraget. Figur I visar schematiskt hur HYPE simulerar att detta fungerar. På och i marken och i vattendragen påverkas smittämnet av processer som förändrar koncentrationen, t.ex. avdödning. Figur I. Schematisk bild av smittämnesmodellen i HYPE. 63