Osäkerhet i statusklassning

Transkript

1 Osäkerhet i statusklassning Näringsämnen i sötvatten i skogslandskapet Institutionen för vatten och miljö, SLU Box 7050, Uppsala Rapport 2012:6

2

3 Osäkerhet i statusklassning Näringsämnen i sötvatten i skogslandskapet Jens Fölster och Claudia von Brömssen (Interngranskad av Ulf Grandin) Institutionen för vatten och miljö, SLU Box 7050, Uppsala Rapport 2012:6

4 Institutionen för vatten och miljö, SLU Box Uppsala Tel Omslagsillustration/omslagsfoto: Bryggan vid Norreda torp. foto: Jens Fölster Tryck: Institutionen för vatten och miljö, SLU Uppsala,

5 Förord Denna rapport utgör redovisningen av ett projekt utfört på uppdrag av Naturvårdsverket enligt överenskommelse med diarienummer Me. Redovisningen omfattar även två verktyg OSIS-PS och OSIS-PV, för klassning av ekologisk status utifrån totalfosfor med en bedömning av säkerheten i klassningen. Rapporten omfattar dels underlag för verktygen och dels en diskussion om hur man kan bedöma osäkerheten i statusklassning i anslutning till den diskussion som förts inom EU-projekten STAR och WISER samt Naturvårdsverksprojektet FAMILJ. Om man enbart är intresserad av bakgrunden till verktygen kan man hoppa över delarna som rör diskussionen om statistiken bakom osäkerhetsklassningen. 3

6 Innehåll FÖRORD 3 INNEHÅLL 4 SAMMANFATTNING 5 SUMMARY 6 BAKGRUND 7 Inledning och syfte 7 Beräkning av referensvärde för Tot-P 8 Bedömning av osäkerheten i statusklassning 9 DATAUNDERLAG 10 METODER 12 Beräkning av referensvärdet 12 Beräkning av osäkerhet i modellen 12 Beräkning av standardavvikelsen för Tot-P 12 Bedömning av statusklassning 13 RESULTAT 16 Är modellen för Tot-P ref stabil i tiden? 16 Beräkning av osäkerhet 19 Verktyg för klassning av övergödning med osäkerhetsuppskattning 21 Tillämpning av verktyget 22 DISKUSSION 25 Jämförelse med andra metoder för bedömning av måluppfyllelse 25 Uppskattning av osäkerhet i statusklassningar 27 REFERENSER 30 4

7 Sammanfattning Vattenförvaltningsförordningen innebär ökade krav på Bedömningsgrunderna för vattenkvalitet, både vad gäller precision och möjligheten att beskriva osäkerheten i klassningen av ekologisk status. Detta arbete syftar till att utveckla bedömningsgrunderna för totalfosfor (Tot-P) i sjöar och vattendrag genom att öka precisionen i klassningen, uppskatta osäkerheten i klassningen, samt att ta fram användarvänliga verktyg för bedömningen. Principerna för att bedöma osäkerheten i klassning av ekologisk status har diskuterats inom projektet FAMILJ finansierat av Naturvårdsverket. Där har man funnit att tidigare metoder som använts vid klassning av t.ex. bottenfauna och försurning av kalkade vatten, bygger på en felaktig tolkning av sannolikhetsbegreppet. Som alternativ föreslår man en metod där man anger gränsvärdet för god status med ett tekniskt säkerhetsintervall. I detta arbete tillämpar vi denna metod för att beskriva osäkerheten i klassningen av ekologisk status utifrån Tot-P. Ekologisk status för Tot-P klassas utifrån avvikelsen av ett mätvärde från ett referensvärde som beräknas med en regressionsmodell. I vår studie visade det sig att parametrarna regressionsmodellen visade sig variera något över tiden. Genom att anpassa modellen till den tidsperiod för vilken data ska bedömas kan osäkerheten i beräkningen av referensvärdet minskar med 1 µg/l eller mer. Vi tog fram två verktyg för klassning av ekologisk status med avseende på Tot-P. Ett för sjöar och ett för vattendrag. Verktygen bedömer om en vattenförekomst uppnår god status eller ej med avseende på Tot-P, eller om en klassning inte är möjligt (oklar). För resultaten uppfyllt eller ej uppfyllt används dessutom tre säkerhetsnivåer ; Mycket säkert, Säkert och Ganska säkert. Bedömningen görs med hjälp av konfidensintervallets läge jämfört med gränsvärdet och två ytterligare gränser, som beskriver gränsvärdets osäkerhet. Verktyget för sjöar tillämpades på resultat från omdrevsinventeringen av sjöar som är ett viktat slumpvis urval av alla Sveriges sjöar. God status eller bättre uppnåddes i 59 % av sjöarna med säker eller mycket säker klassning. Bara 1 % uppfyllde säkert inte god status. Hela 40 % av sjöarna kunde inte ges en säker klassning Verktyget för vattendrag testades på 166 vattendrag med medelvärden av treårs månadsvisa medelvärden. Av dessa var det bara 2 % som inte kunde bedömas och 80 % bedömdes med säkerhet uppfylla god status. Bedömning av ekologisk status för alla Sveriges vattenförekomster är en stor utmaning då det ofta bara finns ett begränsat dataunderlag. Oftast får man göra en expertbedömning där bedömningar enligt bedömningsgrunderna av olika kvalitetsfaktorer är en del i underlaget. En förutsättning för att klassningarna ska kunna användas i dessa expertbedömningar är att säkerheten i dem kan bedömas. Med de verktyg vi tagit fram hoppas vi att arbetet med statusklassningar ska underlättas och kvalitén förbättras. 5

8 Summary Implementing the EU Water Framework Directive has led to increased demands on the Ecological Quality Criteria (EQC) for water quality, both in terms of precision and the possibilities of describing the uncertainty in the classification of ecological status. In this work, we develop the EQC for total phosphorus (Tot-P) in lakes and streams so as to (i) increase the precision of the classification, (ii) to estimate the uncertainty in the classification and (iii) to develop a user-friendly tool for classification. The principles for estimating the uncertainty in classification of ecological criteria have been discussed within the SEPA financed FAMILJ project which found that earlier methods used for classification of e.g. benthic fauna and acidification of limed waters, are based on a misinterpretation of the probability concept. An alternative method was suggested where a technical confidence interval is set to the limit for good ecological status for any quality parameter. In this work we use this method for describing the uncertainty in the classification of ecological status based on Tot-P. Ecological status for Tot-P is estimated as the deviation of a value from a reference value that is calculated by a regression model. In our study we showed that the parameters in regression model change over time. By adapting the model to the relevant time period, the error in the reference value can be decreased by 1 µg/l. We developed two tools for classification of ecological status from Tot-P. One for lakes and one for water courses. The tools assess if a water body achieves good status, or not or if the uncertainty is too large for a classification to be made. If the ecological status for Tot-P can be assessed, the uncertainty is classified in three levels: Very certain, Certain and Somewhat certain. This classification is based on overlaps between the confidence intervals of the reference and measured values. The tool for lakes was applied to a survey of lakes sampled between within the national monitoring program, including a stratified random selection of all Swedish lakes with only one sample from each lake. Good ecological status or better was achieved in 59 % of the lakes. Only 1 % did not achieve good ecological status. As much as 40 % of the lakes could not be classified. The tool for water courses was applied to 166 water courses with a three year mean of monthly data. Only 2 % of the streams could not be classified and 80 % was classified to achieve good status. The classification of ecological status for all water bodies in Sweden is a major challenge due to the limited availability of data. Often an expert judgement is done where the EQC status classification is a part of the basis for the assessment. An assessment of the uncertainty in EQC status classifications will improve their usefulness in when used in support of expert judgement. We hope that the tools we developed will facilitate and improve the quality of the classifications of ecological status within the Water Framework Directive. 6

9 Bakgrund Inledning och syfte Bedömningsgrunderna för vattenkvalitet bygger på att graden av påverkan klassas utifrån avvikelsen för ett uppmätt värde från ett referensvärde. Syftet med Bedömningsgrunderna har tidigare varit att ge en enkel och översiktlig redovisning och bedömning av tillstånd och påverkansgrad (Naturvårdsverket, 1990). De har också använts t.ex. för kvantifiering av andelen av sjöar som uppfyller en viss kvalitet på regional eller nationell skala (Fölster och Valinia, 2012). I och med att Vattenförvaltningsförordningen antogs 2004 ska varje vattenförekomst ges en individuell bedömning av den ekologiska statusen enligt Bedömningsgrunderna. Den bedömningen kan sedan ligga till grund för åtgärder och i vissa fall rättslig prövning (Naturvårdsverket, 2007). Detta ställer helt nya krav på Bedömningsgrunderna, dels på precisionen i bedömningarna men också på behovet av att kunna kvantifiera osäkerheten i klassningen i varje enskilt fall. Klassningen görs i en femgradig skala, men det främst gränsen mellan klasserna 2 och 3, god respektive måttlig status, som är viktig. Uppnår inte en vattenförekomst minst god status är myndigheterna ålagda att vidta åtgärder.. I statusklassningen inom Vattenförvaltningsförordningen ska en sammanvägning av en rad kvalitetsfaktorer göras, där de biologiska faktorerna har störst betydelse. I många vatten saknas dock data för biologiska faktorer, medan vattenkemiska mätningar är mer utbredda. Klassningen av ekologisk status görs därför i många fall enbart utifrån kemiska mätningar. För eutrofierings innebär det att klassningen görs utifrån halten totalfosfor (Tot-P) och ett referensvärde som beräknas enligt bedömningsgrunder. I många vatten ligger Tot-P i närheten av gränsvärdet för god status och frågan uppstår hur säker klassningen är. Syftet med denna rapport är: att kvantifiera och minimera osäkerheten i beräkningen av referensvärdet av Tot-P för sjöar och vattendrag enligt Bedömningsgrunder. Arbetet omfattar inte den särskilda modellen för jordbruksdominerade vattendrag. att redogöra för olika möjligheter att bedöma osäkerheten i en klassning samt välja ut och beskriva en metodik som passar för Tot-P. att ta fram och testa användarvänliga verktyg för klassning av ekologisk status utifrån Tot-P i sjöar och vattendrag som även omfattar en bedömning av osäkerheten i klassningen. Arbetet omfattar inte den särskilda modellen för jordbruksdominerade vattendrag. 7

10 Beräkning av referensvärde för Tot-P För vattenkemiska parametrar beräknas referensvärden enligt bedömningsgrunder med objektspecifika modeller, d v s för varje enskild vattenförekomst beräknar man ett referensvärde utifrån bestämda parametrar (Naturvårdsverket, 2007). För klassning av näringsämnen i sjöar beräknas ett referensvärde för totalfosfor (Tot-P) enligt följande formel: log(ref-p) =1, ,246*log10AbsF 0,139* log10höh 0,197* log10medeldjup (ekv1) och för vattendrag: log(ref-p) = 1, ,240 * log10(ca * Mg*) + 0,301* log10( AbsF ) - 0,012 (höh) 1/2 (ekv2) Där AbsF är absorbansen vid 420 nm på filtrerat prov (ett mått på vattnets färg), höh är höjden över havet, och Ca* + Mg* är summan av halterna av icke-marint kalcium och magnesium. Klassningen görs sedan utifrån kvoten mellan referensvärdet och det uppmätta värdet (EK). EK =!"#$!"#!"#$!"# (ekv 3) Klassningen ska enligt rekommendationen i bedömningsgrunder basera sig på ett medelvärde för flera år och då helst med flera prover från varje år. Osäkerheten i klassningen beror på osäkerheten i regressionsmodellen, d.v.s. beräkningen av referensvärdet men även på osäkerheten i uppskattningen av medelvärdet för Tot- P obs och på hur nära det sanna värdet (EK) ligger i förhållande till klassgränsen. Ju fler prover som regressionsmodellen baserar sig på desto mindre osäkerhet. Osäkerheten för medelvärdet minskar också med fler prover. Modellerna i Bedömningsgrunder baserar sig på 5-årsmedelvärden för perioden I de flesta fall är dock data mer begränsat. I sjöar finns ibland endast data från augusti eller höstomblandningen. Det är då inte säkert att regressionssambandet är detsamma som för det datamaterial som Bedömningsgrunder baserar sig på, vilket omfattar data från hela året. Det är inte heller säkert att sambandet är samma utanför den tidsperiod som referensmaterialet omfattar. I denna rapport undersöker vi regressionssambanden för modellerna för referensvärden varierar mellan år och säsong samt tar fram ett verktyg som anpassar modellen efter vilken typ av data som används i klassningen. Vi beräknar också osäkerheten i uppskattningen av värdet på Tot-P och tar fram schablonvärden på den osäkerheten som används i verktygen. 8

11 Bedömning av osäkerheten i statusklassning För biologiska kvalitetsfaktorer har osäkerheten i bedömningen studerats bl. a. inom EU-projekten STAR och WISER En stor del av det arbetet gick ut på att kvantifiera de olika komponenterna av osäkerheten som den rumsliga variationen i en rinnsträcka, variationen mellan provtagare och taxonomer o.s.v. Projekten har bl. a. resulterat i verktygen STARBUGS och WISERBUGS. I programmen uppskattas sannolikheten för att en vattenförekomst tillhör var och en av de fem olika klasserna i bedömningsgrunderna för olika biologiska kvalitetsfaktorer som t ex. bottenfauna. Beräkningen bygger på en typ av simulering med upprepade klassningar där man lägger till slumpmässiga fel på indata, så kallad Monte Carlo-simulering. Inom forskningsprogrammet WATERS, som finansieras av Naturvårdsverket, där bedömningsgrunderna för de biologiska kvalitetsfaktorerna ska utvecklas kommer osäkerheten vid bedömning att ytterligare utvecklas. För vattenkemiska parametrar är felkällorna inte lika sammansatta som för biologiska parametrar. Den rumsliga variationen av vattenkemin i en sjö är försumbar om man begränsar sig till ytprov och undviker närhet till inflöden (Göransson, 2003). Det är heller ingen skillnad i resultat mellan två provtagare vid ett och samma provtillfälle och den småskaliga variationen i tid och rum vid en provplats är försumbar om man undviker närhet till punktkällor (Löfgren m. fl., 2010). Den stora källan till variation är istället variationen i tid mellan provtagningstillfällena och osäkerheter i den vattenkemiska analysen. Ett likande metod som användes i WISERBUGS tillämpades för försurningspåverkan i kalkade vatten (Fölster m. fl., 2011). Påverkan bedöms då efter att en okalkad kemi beräknats med hjälp av kvoten Ca/Mg från närliggande referenser. Denna korrigering för kalkningens påverkan är en stor källa till osäkerhet vid bedömningen. Ett verktyg (OKLAK) togs därför fram för att beräkna den osäkerhet i bedömningen som beror av korrigering av kalkningspåverkan. Den metod som användes i WISERBUGS och OKALK kallas för Confidence of Class (CofC, Ellis 2006). Inom ramen för det av Naturvårdsverket finansierade projektet FAMILJ har man diskuterat metoden för beräkning av sannolikheten för felklassning och påpekat att man inte kan beräkna sannolikheten för felbedömning i ett specifikt fall på det sätt som görs i WISERBUGS, utan endast genom antaganden kring det sanna värdet. ( Där föreslår man också en alternativ metod för att avgöra om en vattenförekomst uppnår god status där man omger gränsvärdet med ett tekniskt säkerhetsintervall. Det möjliggör en tregradig klassning av måluppfyllelse: 1. Målet uppfylls, 2. Ingen klassning kan göras, 3. Målet uppfylls inte. I denna rapport utvecklar vi den metod som föreslås inom FAMILJ till att även ge olika grader i säkerheten om man uppnår målet god status. För en mer detaljerad beskrivning av den metod vi valt hänvisas till metoddelen. 9

12 Dataunderlag Som utgångspunkt för dataunderlaget användes samma sjöar och vattendrag som i underlaget till Bedömningsgrunder för Tot-P (Wilander, 2004). Dessa utgjorde ett urval av stationer inom den nationella och regionala miljöövervakningen med Institutionen för vatten och miljö, SLU, som utförare. Urvalet omfattade stationermed liten påverkan från jordbruk (< 10 % jordbruksmark i avrinningsområdet) och punktkällor. En del stationer i det ursprungliga urvalet fick utgå då provtagningen i dessa lagts ned. En ytterligare avgränsning av materialet till stationer med < 1 % jordbruksmark i avrinningsområdet gjordes för att säkerställa att fosforhalten inte påverkades av jordbruk. Detta grundade sig på en analys av sambandet mellan jordbruksmark och totalfosforhalt i det ursprungliga dataunderlaget. Vattendragens identitet och indata till modellen finns dokumenterat i beräkningsverktygen. För att beräkna osäkerheten för olika typer av data använde vi motsvarande urval och aggregeringar av rådata (tabell 1). Dels aggregerades data enligt rekommendationerna i Bedömningsgrunder, d.v.s. 3-årsmedel av 4 prover per år för sjöar och månadsvisa prov för vattendrag. Dessutom beräknades värden för utifrån ett mer begränsat underlag utifrån vad som är vanligt i miljöövervakning. Tabell 1. Olika aggregeringar av data som användes i beräkningen av osäkerheten i bedömningen Sjöar Enstaka sommarprov (augusti) Enstaka höstprov 1- årsmedelvärden på 4 prover 3- årsmedel sommarprov (augusti) 3- årsmedel höstprov 3- årsmedelvärden på 4 prover per år Vattendrag 1- årsmedel 6 prover 1- årsmedel 12 prover 3- årsmedel 6 prover 3- årsmedel 12 prover Sjöar Datasetet för sjöar omfattade 98 sjöar mellan 0,02 och 4,3 km 2 (tabell 2) och mellan 3 och 953 m.ö.h.. Medelfosforhalten varierade mellan 3 och 29 µg/l och den filtrerade absorbansen (AbsF) mellan 0,007 och 1,1. Sjöarna är fördelade över hela landet med undantag för Skåne och det är fler sjöar i södra Sverige jämfört med i norra Sverige (figur 1). Huvuddelen av sjöarna ingick ursprungligen i övervakningen av okalkade referenser till kalkningsverksamheten och har därför valts ut bland jonsvaga, klara till måttligt bruna medelstora sjöar (Johnson, 1999). Under 1990-talet kompletterades sjöarna till att även omfatta brunare sjöar. 10

13 Tabell 2. Min och maxvärden för egenskaper hos de 98 sjöar som ingick i studien. Min Max H.ö.h. m Sjöarea km 2 0,02 4,2 Medeldjup m 1 12 Tot- P µg/l 3 29 AbsF 420 0,007 1,1 Vattendrag Vattendragen som ingår i studien omfattar en stor spännvidd i storlek från Lilltjärnsbäcken (avrinningsområde = 0,6 km 2 ), till Torne älv (avrinningsområde = km 2 ). Fosforhalten har samma spännvidd som sjöarna, men intervallet av AbsF är något mindre (tabell 3). Vattendragsstationerna är liksom sjöarna fördelade över hela landet förutom den sydligaste delen, men medan sjöarna har en övervikt åt södra Sverige ligger en större andel av vattendragen i norra Sverige (figur 2). Den stora spännvidden i storlek beror på att många av stationerna tidigare ingick i två olika miljöövervakningsprogram. Dels ett program med större vattendrag uppströms påverkan från tätorter och jordbruk, och dels små skogs- eller fjällbäckar inom programmet PMK:s referensområden (Naturvårdsverket, 1985). Tabell 3. Min och maxvärden för egenskaper hos de 40 vattendrag som ingick i studien. Min Max H.ö.h. m Avrinningsområde km 2 0, Ca+Mg mekv/l 0,035 0,560 Tot- P µg/l 3 29 AbsF 420 0,015 0,560 Figur 1. Position för 98 sjöar som ingick i underlaget för beräkningen av osäkerhet. Figur 2. Position för 40 vattendrag som ingick i underlaget för beräkningen av osäkerhet. 11

14 Metoder Beräkning av referensvärdet Referensvärdet för Tot-P beräknades med samma typ av multipla regressionsmodeller som i de nationella Bedömningsgrunderna (BG) (ekvationer 1 och 2) men modellen kalibrerades med data med olika aggregeringar av data enligt tabell 1. För att bedöma om modellen som bestämmer referensvärdet är stabil över tiden genomförde vi även kalibreringar med glidande medelvärden av parametrarna. Beräkning av osäkerhet i modellen Osäkerheten i beräkningen av referensvärdet för Tot-P beror på att modellen för referensvärdet bara förklarar den del av variationen i Tot-P mellan sjöarna som kan beskrivas av de ingående förklarande variablerna. Resten av variationen utgörs av slumpmässigt variation. Den slumpmässiga variationen är mindre om modellen bygger på medelvärden för flera år än om den är beräknad på medelvärden av färre mätningar. Osäkerhetsskattningen för referensvärdet beräknades på vanligt sätt för en individuell prediktion i en multipel linjär regressionsmodell (t.ex. Olsson m. fl., 2005). Beräkning av standardavvikelsen för Tot-P Osäkerheten i den beräknade avvikelsekvoten beror dels på osäkerheten i referensvärdet, men även på osäkerheten i uppskattningen av medelvärdet för Tot-P. Den senare beror i sin tur på hur många prover som medelvärdet är baserat på och hur stor variationen i data är. En möjlighet att uppskatta variationen i Tot-P är att beräkna standardavvikelse för de värden som medelvärdet är beräknat ur. För treåriga medelvärden med 12 prover per år kan det ge en rimlig uppskattning av standardavvikelse, men för medelvärden beräknade ur färre data blir osäkerheten i standardavvikelsen för stor. Det är då bättre att beräkna ett schablonvärde för de olika typerna av data. Eftersom beräkningarna inom verktyget görs på log-skala så använder vi ett schablonvärde för varje typ av data (3-års medel, 1-års medel o.s.v.). Standardavvikelsen kan antas öka med ökat medelhalt när man undersöker detta samband på originalskala, men detta beroende antas försvinna när man hanterar log-transformerade observationer. Beräkningen av schablonvärdena baseras på stationerna i referensdatasetet. 12

15 Bedömning av statusklassning För att bedöma om det utvalda objektet tilldelas god status eller ej använder vi en kombination av fail-safe och benefit-of-doubt metoden. Fail safe-metoden innebär att man testar om t.ex. halten av Tot-P i en vattenförekomst med säkerhet underskrider ett gränsvärde så att man med säkerhet kan säga att man uppfyller ett miljökrav. Med benefit of doubt testar man istället om man med säkerhet kan säga att man överskrider ett gränsvärde för ett ämne så att man kan ställa krav på en förorenare att vidta åtgärder. Metoderna fail-safe och benefit of doubt motsvarar klassiska statistiska hypotestest som avgör om det observerade värdet för objektet ligger signifikant under respektive över referensvärdet. För fail-safe metoden sätts nollhypotesen till: H 0 : TP G och (ekv. 4) alternativhypotes till: H 1 :TP < G (ekv. 5) medan för benefit-of-doubt sätts nollhypotesen till: H 0 : TP G och (ekv. 6) alternativhypotes till: H 1 :TP > G (ekv. 7) där TP är det sanna värdet på totalfosfor och G är gränsvärdet som i fallet med uppfyllande av God ekologisk status är det dubbla referensvärdet. Båda metoderna är konservativa i den meningen att det behövs ett väsentligt underskridande av referensvärdet för att ge ett statistiskt säkerställt resultat i fail-safe metoden och ett väsentligt överskridande av referensvärdet för signifikanta resultat i benefit-of-doubt metodiken. Att vi använder båda metoderna i samma verktyg leder alltså till att vi kommer att få många situationer där en säker klassning inte är möjlig att göra, men det är också syftet med verktyget: Att skilja de vattenförekomster där vi med befintliga data säkert kan säga att vi uppnår god status, från dem där vi säkert kan kräva åtgärder för att minska påverkan och från dem där vi behöver bättre underlag eller inte kan ta något beslut ens med mer omfattande mätningar. I ett vanligt hypotestest jämför man det uppmätta värdet med ett känt gränsvärde, men i bedömningen av t.ex. halten Tot-P i sjöar och vattendrag är gränsvärdet skattat med en statistisk modell som inrymmer en viss osäkerhet. Vi väljer därför att använda flera nivåer på gränsvärdet för att avspegla denna osäkerhet. Även om bedömningen görs med hänsyn till det framräknade gränsvärdet, så kan de olika nivåerna av gränsvärdet hjälpa oss att gradera nivån av säkerhet i vårt påstående. Vi kan också använda de olika nivåerna av gränsvärdet för att avgöra om osäkerheten i gränsvärdet är orimligt högt, t.ex. för objekt som har inparametrar som avviker mycket från nivåerna av inparametrarna i referensdatamaterialet. 13

16 I Bedömningsgrunderna i Naturvårdsverkets Handbok för statusklassning (BG) bestäms klassningen av totalfosfor i vattendrag och sjöar genom EK-värdet som bestäms som EK = beräknat referensvärde avtot-p / observerat Tot-P (ekv. 8) Om EK har ett värde över 0,5 bestäms att vattendraget eller sjön uppnår god status. Vi omformulerar bedömningen till: om totalfosforhalten är mindre än 2 gånger referensvärdet så erhåller vattendraget eller sjön god status. I ekvationerna ovan (ekv. 4-7) sätter vi alltså gränsvärdet (G) till 2 gånger det beräknade referensvärdet. Vi använder dessutom ett dubbelsidigt test istället för de enkelsidiga som föreslås i fail safe och benefit of doubt och bedömer då nollypotesen att det sanna värdet ligger på gränsvärdet G. Bedömningen sker med 95 % konfidensintervall och gränsvärdet G tas fram för varje objekt. Om ett konfidensintervall i sin helhet ligger under gränsvärdet betyder det att vattenförekomsten uppnår god status. Om konfidensintervallet i stället i sin helhet ligger över gränsvärdet betyder det att vattenförekomsten inte uppnår god status. Om konfidensintervallet täcker gränsvärdet så får vi en situation där vi inte kan bedöma om god status är uppfyllt eller ej. Eftersom vi använder konfidensintervall kan vi även använda konfidensintervallets bredd för att få en uppfattning om hur stor osäkerheten i observationerna är. Konfidensintervallets bredd styrs dock i vårt fall av de schablonvärden vi använder för standardavvikelsen av olika typer av data (se ovan). Förutom att avgöra om god status är uppfylld eller ej så vill vi också bedöma i grova drag hur säkra vi kan vara på denna slutsats, framförallt med hänsyn till osäkerheten i gränsvärdet. Vi använder därför två ytterligare gränsvärden, undre gränsvärde (UG) och övre gränsvärde (ÖG), som bestäms med hjälp av gränsvärdet G och osäkerheten ur regressionsmodellen som beräknar G. Utifrån prediktionsfelet i modellen bestämmer vi två värden som representerar låga respektive höga värden för gränsvärdet, som ändå är rimliga med tanke på den osäkerhet som finns. Vi har här valt att använda 5 % och 95 % percentilen. Eftersom koncentrationer ofta följer en log-normalfördelning och även regressionsmodellen för referensvärdet anpassats för log-transformerade data, så definieras även de tre gränsvärdena på log-skala. Gränsvärdena som ges i verktyget är tillbakatransformerade värden och de två gränsvärden UG och ÖG ligger därför inte symmetrisk kring G. Säkerheten i klassningen definieras enligt graden av överlapp mellan de två olika konfidensintervallen (för objektets Tot-P värde och för referensvärdet) enligt figur 3. 14

17 Figur 3. En schematisk bild över beslutsgången för statusklassning och dess säkerhet Det finns olika möjligheter att hamna i klassen Oklar. Två situationer utgör det extrema bland dessa möjligheter: 1. Att det sanna värdet av Tot-P ligger långt från gränsvärdet men att osäkerheten i samplingen är stor och att konfidensintervallet blir så bred att den ändå täcker gränsvärdet G. Ytterligare insamling av data kan leda till att ett beslut kan tas. 2. Att det sanna värdet av Tot-P ligger så pass nära gränsvärdet att ett beslut enbart kan uppnås med orimliga insatser i datainsamlingen. Inget beslut kan tas. 15

18 Resultat Är modellen för Tot-P ref stabil i tiden? För att testa hur stabil modellen för referensvärdet är över tiden gjorde vi likadana regressionsmodeller som i Bedömningsgrunder (BG), men baserat på data från glidande treårsmedelvärden för indata så att en modell erhölls för varje år. Vi beräknade sedan referensvärden för Tot-P (Tot-P ref ) för samma indata men med de olika årsvisa modellerna. På det sättet fick vi ett värde på Tot-P ref för varje år. Vi upprepade detta för åtta olika uppsättningar av de tre indataparametrarna motsvarande kombinationer av 25- och 75-percentilerna för varje parameter i referensdatasetet (tabell 4). Sjöar Modeller för referensvärdet beräknades för varje år enligt ekvationen: Tot P!"#,! = 10!!!!!!"#!"!"#$!!!!!"#!"!.ö.!!!!!"#!"!"#$ (ekv. 9) Tot-P ref,t står för medel av Tot-P för år t. För 3-årsmedel togs medelvärdet för åren t-1, t och t+1. Glidande 3-årsmedelvärden beräknades både för Tot-P och de förklarande för att ta fram en modell för olika år. Parametrarna a t, b t, c t och d t bestämdes alltså för varje enskilt år. Referensvärden för Tot-P i sjöar beräknades sen ur dessa modeller för 8 fiktiva exempelsjöar med olika parameteruppsättningar motsvarande ett högt och ett lågt värde för parametrarna AbsF, h.ö.h. och djup (tabell 4). Tabell 4. Värden på inparametrar av AbsF, Alt och djup som användes för test av tidsvariationen av modellen för Tot-P ref för sjöar. De två värdena motsvarar 25 och 75-percentielrna av parametrarna i referensdatasetet. Parameter Lågt Högt AbsF 0,06 0,27 H.ö.h. (m) Djup (m) 3 6 Beräkningarna visar att referensvärdet för varje fiktiv sjö varierar med någon µg /l beroende på vilket år som modellen kalibrerats med (figur 4). Det finns en tendens till minskande trend under tioårsperioden. Standardavvikelsen för skillnaderna mellan de årsvisa referensvärdena och medelvärdet för varje sjö är 0,76. Det innebär att om man använder samma modell för olika år introducerar man ett fel på ungefär +/- 1,5 µg/l (95 % konfidensintervall). Genom att istället vid varje bedömning beräkna en modell baserad på endast ett urval av referensdata från samma tidsperiod som datamaterialet som ska bedömas, minskar man felet i beräkningen av referensvärdet. 16

19 16" 14" TotP%Ref% 12" 10" 8" 6" 4" Sjö1" Sjö2" Sjö3" Sjö4" Sjö5" Sjö6" Sjö7" Sjö8" 2" 0" 1999" 2000" 2001" 2002" 2003" 2004" 2005" 2006" 2007" 2008" 2009" Figur 4. Tot-P ref för sjöar med olika indata beräknat med årsspecifika modeller. Vattendrag På samma sätt som för sjöar beräknades referensvärden för Tot-P i vattendrag för 8 olika parameteruppsättningar motsvarande ett högt och ett lågt värde för parametrarna AbsF, Ca*+Mg* och h.ö.h. (tabell 5). Årsvisa Tot-P ref beräknades enligt: TotP!"# = 10!!!!!!"#!"!"#$!!!!"#!"!"#$!!!!"#!"!.ö.!. (ekv. 10) Där parametrarna a t, b t, c t och d t bestämts för varje enskilt år. Ekvationen är en modifiering av modellen i Bedömningsgrunder genom att roten ur h.ö.h. är ersatt med 10-logaritmen. Tabell 5. Värden på inparametrar av AbsF, Ca*+Mg* och Alt som användes för test av tidsvariationen av modellen för Tot-P ref. De två värdena motsvarar 25 och 75-percentielrna av parametrarna i referensdatasetet. Parameter Lågt Högt AbsF 0,09 0,24 Ca*+Mg* (mekv/l) 0,23 0,93 H.ö.h. (m) Även för vattendragen varierar referensvärdet för Tot-P med någon µg /l beroende på vilket år som modellen kalibrerats med. Till skillnad mot sjöarna var det ingen trend i de beräknade referensvärdena, utan snarare ett maximum i mitten av perioden (figur 5). 17

20 18" 16" TotP%Ref%µg/l% 14" 12" 10" 8" 6" 4" Vdr1" Vdr2" Vdr3" Vdr4" Vdr5" Vdr6" Vdr7" Vdr8" 2" 0" 1999" 2000" 2001" 2002" 2003" 2004" 2005" 2006" 2007" 2008" 2009" Figur 5. Tot-Pref för vattendrag med olika indata beräknat med årsspecifika modeller. Olika modeller för höstprover och sommarprover i sjöar Inom miljöövervakningen av sjöar förekommer synoptiska undersökningar där endast ett prov tas i varje sjö. Vanliga tidpunkter för sådana undersökningar är under sommarstagnationen i augusti eller vid höstomblandningen. En bedömning måste då basera sig på endast ett värde. För t. ex. det nationella programmet för omdrevssjöar har de flesta sjöarna provtagits i tidigare Riksinventeringar. Det finns då möjlighet att bedöma påverkan från ett medelvärde från flera höstprover. För att kunna använda de nuvarande bedömningsgrunderna på t. ex. höstprover måste man anta att sambandet mellan Tot-P och indata till modellen är konstant över året. Genom att ta fram modeller baserade på data från enbart augusti eller höstvärden, kunde vi undersöka om det antagandet gäller och i annat fall ta fram alternativa modeller för sommar respektive höstprover. Testen gjordes med samma 8 teoretiska sjöar som i exemplet med mellanårsvariation i sjöar ovan (tabell 4). Jämförelsen visar att för sjöarna 1, 2, 5 och 6 var referensvärdena beräknade med modeller för sommarvärden ca 1 µg/l högre än för höst eller årsmedelvärde (figur 6). För dessa sjöar var medeldjupet satt till 3 m, vilket tyder på att i grunda sjöar som är omblandade under sommaren kan man förvänta sig högre halter Tot-P under sommaren, jämfört med resten av året. För höstvärden och för djupare sjöar var skillnaden mellan olika årstider obetydlig för de data vi testade med. 18

21 14" TotP%ref%µg/l% 12" 10" 8" 6" 4" 2" 0" Alla" Sommar" Höst" Sjö"1" Sjö"2" Sjö"3" Sjö4" Sjö5" Sjö6" Sjö7" Sjö8" Figur 6. Tot-P ref för sjöar med olika indata beräknat med modeller baserade på hela året, sommardata respektive höstdata. Beräkning av osäkerhet Schablonvärden för standardavvikelsen beräknades för olika typer av aggregering av data för sjöar och vattendrag för att kunna sättas in i verktygen. Sjöar Standardavvikelsen för log Tot-P i sjöarna antogs vara en konstant oberoende av medelvärdet. Det visade sig dock att osäkerheten var större för log-halter under ungefär 0,7 (figurer 7 och 8) vilket motsvarar 5 µg/l. Den större osäkerheten för låga värden beror troligen på att mätosäkerheten då är relativt stor. Vi valde att inte ta hänsyn till detta eftersom sjöar med så låga halter Tot-P med säkerhet uppnår god status och att standardavvikelsen för halter över 0,7 var oberoende av halten. Man kan konstatera att medelvärden av tre höst- eller tre sommarprover ger något lägre standardavvikelse jämfört med 1-årsmedelvärdet baserat på fyra prover på ett år (tabell 6). Det innebär att variationen inom året är något större än variationen mellan åren. Man ser också att sommarprover är något mer variabla än höstprover. 19

22 Figur 7. Standardavvikelse och medel för log Tot-P ref för sjöar (1-års medel) med schablonvärdet för standardavvikelsen. Figur 8. Standardavvikelse och medel för log Tot-P ref för sjöar (enstaka höstvärden) med schablonvärdet 0.15 för standardavvikelsen. 20

23 Tabell 6. Schablonvärden för standardavvikelserna på log-skala för sjödata med olika typer av aggregering. Typ av data Standardavvikelse 3-års medel 0,07 1-års medel 0,118 3 sommarvärden 0,098 3 höstvärden 0,09 1 sommarvärde 0,167 1 höstvärde 0,15 Vattendrag För vattendragen ser man att variationen minskar både om man har fler prover per år och om man har data från mer än ett år (tabell 7). Tabell 7. Schablonvärden för standardavvikelserna på log-skala för vattendrag. Typ av data 3-års medel 1-års medel Standardavvikelse 12 observationer/år observationer/år observationer/år observationer/år Verktyg för klassning av övergödning med osäkerhetsuppskattning Vi tog fram två verktyg för klassning av ekologisk status med avseende på Tot-P. Ett för sjöar och ett för vattendrag. Verktygen kallas OSIS-PS och OSIS-PV (OSäkerhet I Statusklassning-P för P i Sjöar, OSäkerhet I Statusklassning för P i Vattendrag). Verktygen bedömer om en vattenförekomst uppnår god status eller ej med avseende på Tot-P eller om en bedömning inte är möjligt (oklar). För resultaten uppfyllt eller ej uppfyllt används dessutom tre säkerhetsnivåer ;Mycket säkert, Säkert och Ganska säkert. Bedömningen görs med hjälp av konfidensintervallets läge jämfört med gränsvärdet och två ytterligare gränsvärden, som beskriver gränsvärdets osäkerhet (figur 3). Klassen oklar motsvarar att det inte med någon säkerhet går att avgöra om vattenförekomsten uppnår god status eller ej. Förutom av pedagogiska skäl är den grova klassningen av osäkerheten motiverad av svårigheten att göra en korrekt beräkning av osäkerheten. Indata till verktyget är samma som till modellerna för referensvärden i BG samt ett medelvärde av uppmätta halter av Tot-P. 21

24 Tillämpning av verktyget För sjöarna testades verktyget på sjöar i omdrevsinventeringen och med vattenkemi från endast ett höstprov. Materialet omfattade 2218 sjöar med < 10 % jordbruksmark i avrinningsområdet. Anledningen till att jordbrukspåverkade sjöar uteslöts är att enligt bedömningsgrunder för vattendrag ska sådana bedömas med en särskild beräkningsmodell. Någon motsvarande modell finns ännu inte framtagen för jordbrukspåverkade sjöar, men precis som för vattendrag bedöms de regressionsmodeller som används här inte vara relevanta för jordbruksdominerade vatten. För vattendragen testades det på 166 vattendrag från nationell och regional miljöövervakning och med mindre än 10 % jordbruksmark i avrinningsområdet. För vattendrag med en större andel jordbruksmark ska ett annat underlag användas för beräkning av referensvärde (Naturvårdsverket, 2007). Beräkningen gjordes på medelvärden av månadsvisa provtagningar SJÖAR Referensvärden för omdrevssjöarna beräknades med verktyget OSIS-PS. Jämför man resultaten från OSIS-PS med motsvarande värden beräknade med de befintliga Bedömningsgrunderna (BG) ser man att referensvärdena beräknade med OSIS-PS baserat på höstvärden från 2008, ger högre referensvärden (figur 9). Man kan därmed anta att BG, som baserar sig på femårsmedelvärden (Wilander, 2004) överskattar graden av påverkan i genomsnitt. 30 TotP ref specifik modell TotP ref Bedömningsgrunder Figur 9. Referensvärden för sjöar i Omdrevet enligt Bedömningsgrunder jämfört med referensvärden beräknade med en motsvarande modell kalibrerad med höstvärden Med OSIS-PS uppfyllde 59 % av sjöarna säkert eller mycket säkert god status (tabell 8) och bara 1 % uppfyllde säkert inte god status. Resultaten avspeglar att de allra flesta sjöarna ligger i skogslandskapet med liten mänsklig påverkan. Hela 40 % av sjöarna kunde inte klassas för att mätvärdet låg nära gränsvärdet, i kombination med att osäkerheten är stor när klassningen bara grundar sig på ett mätvärde. 22

25 Tabell 8. Bedömning av uppfyllelse av god status för 2209 Omdrevssjöar provtagna med < 10 % jordbruksmark i avrinningsområdet. Uppnår god status Säkerhet Andel (%) Ja Mycket säker 10 Säkert 49 Ganska säkert 0 Oklar Nära gränsen 2 Osäkra data 38 Nej Ganska säkert 0 Säkert 1 Mycket säkert 0 Av de 2209 omdrevssjöarna ingick 1081 sjöar i de tidigare Riksinventeringarna 2000 och Genom att beräkna ett medelvärde utifrån de tre höstvärdena kunde en något säkrare bedömning göras. Året för klassningen sattes till (Den klassning som gjordes avser egentligen medelvärden av tre höstvärden , men resultaten kan ändå användas för detta syfte att visa på hur osäkerheten minskar med flera prov.) När bedömningarna gjordes utifrån tre höstvärden sjönk andelen som inte kunde klassas från 40 % till 17 % (tabell 9). Hela 70 % uppnådde god status med god eller mycket god säkerhet. Sammanfattningsvis kan man säga att ett enstaka höstprov räcker för att klassa ekologisk status med avseende på Tot-P i 60 % av ett slumpmässigt urval av sjöar med < 10 % jordbruk i avrinningsområdet och om man utökar provtagningen till 3 höstprov kan hela 83 % av sjöarna klassas. Tabell 9. Bedömning av uppfyllelse av god status för 1081 sjöar med < 10 % jordbruksmark i avrinningsområdet. Bedömningen är gjord på medelvärden för tre prover tagna 2000, 2005 samt en gång mellan 2007 och Uppnår god status Säkerhet Andel (%) Ja Mycket säker 34 Säkert 36 Ganska säkert 11 Oklar Nära gränsen 17 Osäkra data 0 Nej Ganska säkert 1 Säkert 1 Mycket säkert 1 23

26 VATTENDRAG För vattendragen med medelvärden av treårs månadsvisa prover var det bara 2 % som inte kunde bedömas och hela 80 % bedömdes med säkerhet uppfylla god status (tabell 10). Tabell 10. Bedömning av uppfyllelse av god status för 166 vattendrag med < 10 % jordbruksmark i avrinningsområdet. Bedömningen är gjord på medelvärden av 3 års månadsvisa prover Uppnår god status Säkerhet Andel (%) Ja Mycket säker 73 Säkert 7 Ganska säkert 16 Oklar Nära gränsen 2 Osäkra data 0 Nej Ganska säkert 1 Säkert 0 Mycket säkert 1 24

27 Diskussion Jämförelse med andra metoder för bedömning av måluppfyllelse I den här rapporten föreslår vi en kombination av fail-safe och benefit-of-doubt bedömning som i viss mån kan ta hänsyn till att även referensvärdet vi jämför med är osäkert. Fail-safe metoden har tidigare pekats ut som den mest lämpliga metoden för bedömning av måluppfyllelse. Den kräver dock att det observerade värdet med god marginal ligger under det fastställda gränsvärdet. På samma sätt kräver benefit of doubt ett avsevärt överskridande av gränsvärdet. Det är också skälet för att man generellt avråder från att använda enbart benefit of doubt metoden. Det skulle då vara en fördel för en förorenare att leverera så osäkra data som möjligt så att man aldrig kan påvisa att man inte uppfyller god status (e.g. Carstensen, 2007). Denna metod kan jämföras med metoden med dirket insätning och beräkning av risken för felklassning med metoden Confidence of Class (CofC, Ellis 2006) som t. ex. används i WISERBUGS. Som vi påpekat tidigare bygger denna metod på felaktiga tolkningar av sannolikhetsbegrepp för konfidensintervall. För att förtydliga vad det innebär i praktiken ger vi här ett exempel med risken för felbedömning för olika sanna värden för den genomsnittliga halten Tot-P. Om vi tar ett exempel från vårt sjö-dataunderlag med ett observerat värde av 33,3 (3 höstvärden) och värden på de förklarande variablerna: Medelabsorbans: 0,057, höjd över havet 132 och medeldjup 1,52. Ett referensvärde med referensår 2000 blir då 25,4 enligt den modell vi tagit fram. Då vi baserar beräkningarna på normalfördelning för värden på log10-skala så kan vi utgå från ett observerat värde på ca 1,52 och ett gränsvärde av ungefär 1,4. Dessutom beräknar vi ett schablonvärde för osäkerheten till 0,09 (tabell 6). Riskbedömningen kan inte göras utifrån det observerade värdet, men enbart utifrån det sanna värdet (här kallat µ). Risken för felbedömning kan då illustreras med följande figur (figur 10). 0.5 Sannolikhet för felklassning sanna värdet

28 Figur 10: För sanna värden µ mellan 1,1 och 1,7 visas risken för felklassning, alltså att hamna på fel sida om 1,4. Det är lockande att använda sig av det observerade värdet för att avläsa risken för felklassning för den aktuella situationen, men detta är teoretiskt omöjligt. Om man till exempel antar att det sanna värdet är 1,55 så kan man avläsa ur grafen (eller beräkna med hjälp av normalfördelning) risken för felbedömning är 0,0397. P x µ SD 1,4 µ SD x µ SD 1,4 1,55 0,0855 ( X < 1,4) = P < = P < = P( Z < 1,754) = 0, 0397 (ekv. 11) Om nu det sanna värdet är 1,55 och standardavvikelsen är 0,09 så kan vi konstatera att det är möjligt att observera värden mellan 1,3 och 1,8. (figur 11). Det är alltså inte alls orimligt att observera t.ex. värdena 1,45 eller 1,7 i en specifik provtagning. Använder man vardera av dessa värden i metoden från Ellis (2006) så får man istället felrisken: a) Observerat värde 1,45 P x µ SD 1,4 µ SD x µ SD 1,4 1,45 0,0855 ( X < 1,4) = P < = P < = P( Z < 0,585) = 0, 28 (ekv. 12) b) Observerat värde 1,7 P x µ SD 1,4 µ SD x µ SD 1,4 1,7 0,0855 ( X < 1,4) = P < = P < = P( Z < 3,51) = 0, (ekv. 13) Vi får alltså vitt skilda värden för risken för felbedömning i en situation där vi vet att den sanna risken för felklassning är 0,

29 5 Fördelningsplot Normalfördelning, Medel=1.44, Standardavvikelse = Täthet Slumpvariabel X Figur 11: Fördelning av värden med väntevärdet 1,55 och standardavvikelse 0,0855. Ellis metod (CofC) kommer naturligtvis ge mindre missvisande resultat om standardavvikelsen (eller medelfelet) är mindre, dvs om vi använder 3-års medelvärden istället för 3-års höstvärden. Den är dock fortfarande felaktigt och kan inte ge någon relevant information. Däremot kan risken för felklassning beräknas på detta sätt för specifika värden för det (oobserverbara) sanna Tot-P. Ytterligare en metod för att uppskatta osäkerheten i klassningen skulle kunna vara så kallade Baysianska metoder. Med hjälp av dessa metoder kan man kombinera en föreliggande expertbedömning (prior) med det dataunderlag som finns till hands. Uppskattning av osäkerhet i statusklassningar I vår metod med en kombination av fail-safe och benefit of doubt metoderna har vi en möjlighet att göra olika graderingar för tillförlitligheten av resultaten. Vi bestämmer det nedre och övre gränsvärdet till 5 % och 95 % percentilerna ur referensvärdets fördelning. De olika klasserna av säkerhetbenämndes enligt följande: När vi kan förkasta nollhypotesen till förmån av god status: Säkert om konfidensintervallet ligger i sin helhet under G och det observerade värdet under UG, mycket säkert om konfidensintervallet ligger i sin helhet under UG och ganska säkert om vi observerar ett värde mellan gränsvärdet G och den undre gränsen UG medan konfidensintervallet fortfarande ligger i sin helhet under G. På motsvarande sätt benämner vi fallen där god status inte är uppfyllt. Detta lämnar oss med ett antal mellanlägen där vi inte kan dra några slutsatser med hjälp av verktyget. I vissa fall skulle ytterligare datainsamling leda till att det är möjligt att dra en slutsats, medan det i andra oklara fall kan vara så att det sanna värdet på Tot-P ligger så pass nära gränsvärdet att det inte med rimliga insatser kan avgöras om det signifikant ligger över eller under detta gränsvärde. För myndigheter som arbetar med Vattenförvaltningsförordningen innebär det att man behöver ta fram en praxis för 27

30 hur man hanterar en vattenförekomst som man inte kan ge någon säker klassning. Hur ska man rapportera till EU? I vilken mån kan man man ställa krav på åtgärder? I detta verktyg använder vi schablonvärden för osäkerheten i de observerade värdena. Vi valde denna väg, då vi i vissa situationer enbart har en eller ett fåtal observationer och då blir det inte praktiskt möjligt att skatta osäkerheten med hjälp av observationerna. Vi har skattat ett genomsnittsvärde för varje modell som är tillåten i verktyget, t.ex. för 3-års medelvärden eller för 1-års medelvärden för sjödata och för 3-års medel med 12 observationer per år samt för 3-års medel med 6 observationer per år. Med hjälp av detta tillvägagångssätt erhåller vi en osäkerhetsskattning även om vi har få eller enstaka observationer. Det är dock inte säkert att vårt referensdatamaterial kan representera alla sjöar och vattendrag, d.v.s. osäkerheten i enskilda objekt kan vara betydligt större eller mindre än vad vi uppskattar. En möjlighet till förbättring skulle kunna vara att man kan ange osäkerheten i ett visst objekt när man har information för detta (t.ex. ur tidigare studier eller om man har tillräcklig med data), medan man använder schablonvärden för objekt där man inte vet någonting om osäkerheten. Ett problem som kan uppstår där är att beräkningar för standardavvikelser kan finnas på originalskala, medan programmet använder värden för standardavvikelser på log-skala. Även om det är möjligt att approximativt räkna om dessa standardavvikelser så är det inte optimalt och det skulle vara en fördel om standardavvikelserna för observationer på logskala skulle kunna anges av användaren för att inte tillföra ytterligare fel till skattningarna. I WISERBUGS finns en möjlighet att ta hänsyn till många olika källor till osäkerhet och i de bakomliggande projekten har man lagt ner stor möda på att kvantifiera osäkerheten för biologiska kvalitetsfaktorer som t. ex rumslig variation vid provplatsen, skillnad mellan provtagare och taxonomer etc. I vårt fall baserar sig bedömningen på fysikalisk/kemiska faktorer där huvuddelen av variationen utgörs av den naturliga variationen i tid. Mätosäkerheten för Tot-P är 10 % på laboratoriet på Institutionen för vatten och miljö, SLU, som analyserat samtliga prover i referensmaterialet. Detta kan jämföras med att variationen i tid oftast ligger mellan 30 % och 60 % för sjöarna i underlagsmaterialet. Om man använder data från andra laboratorier med en annan mätosäkerhet kan felet bli annorlunda. En möjlighet att utveckla verktyget är därför att kunna välja analysosäkerhet för de två kemiska parametrarna beroende på underlaget och anpassa feluppskattningen efter det. Detsamma gäller sjödjupet. Om mätdata saknas kan man beräkna det ur sjöarean och topografin runt sjön (Sobek m. fl., 2011). Osäkerheten för en sådan bedömning är dock stor och skulle behöva läggas till. I de befintliga bedömningsgrunderna för Tot-P beräknas referensvärdet med en generell formel baserat på långtidsmedelvärden. Med verktygen OSIS-PS/V beräknas referensvärdet med samma ekvation som i bedömningsgrunder, men med parametrarna beräknade utifrån ett material som motsvarar tidsperioden och mätfrekvensen hos det material som ska bedömas. Det gör att referensvärdet blir mer relevant för bedömningen. Det innebär samtidigt att hela dataunderlaget som referensformeln beräknas med finns med i verktyget vilket ökar transparensen i bedömningsgrunderna. 28

31 Bedömning av ekologisk status för alla Sveriges vattenförekomster är en stor utmaning då det ofta bara finns ett begränsat dataunderlag. Oftast får man göra en expertbedömning där bedömningar enligt bedömningsgrunderna av olika kvalitetsfaktorer är en del i underlaget. En förutsättning för att klassningarna ska kunna användas i dessa expertbedömningar är att säkerheten i dem kan bedömas. Med de verktyg vi tagit fram hoppas vi att arbetet med statusklassningar ska underlättas och kvalitén förbättras. 29

32 Referenser Carstensen J. (2007). Statistical principles for ecological status classification of Water Framework Directive monitoring data. Marine Pollution Bulletin 55, Ellis, J. and Adriaenssens, V., Uncertainty estimation for monitoring results by the WFD biological classification tools. Environment Agency. ISBN: Fölster, J., Köhler, S., von Brömsen, C., Akselsson, C.och Rönnback, P. (2011). Korrigering av vattenkemi för kalkningspåverkan - val av referenser och beräkning av osäkerheter. Institutionen för vatten och miljö, SLU. Rapport 2011:1. Fölster, J.och Valinia, S. (2012). Försurningsläget i Sveriges ytvatten Rapport 2012:5, Institutionen för vatten och miljö, SLU. Göransson, E. (2003). Variation in Lake Water Chemistry and Spatial Acale. Analysis of the Swedish National Lake Monitoring Programme. PhD Doctoral Thesis, SLU. Johnson, R. K. (1999). "Regional representativeness of Swedish reference lakes." Environmental Management 23(1): Löfgren, S., Rönnback, P.och Pilström, F. (2010). Kvalitetssäkrad vattenkemisk provtagning i vattendrag. Rapport 2010:3, Institutionen för vatten och miljö, SLU. Naturvårdsverket (1985). Monitor 1985 PMK: på vakt i naturen. Naturvårdsverket (1990). Bedömningsgrunder för sjöar och vattendrag. Allmänna råd 90:4. Naturvårdsverket (2007). "Bedömningsgrunder för sjöar och vattendrag. Bilaga A till Handbok 2007:4.". Naturvårdsverket (2007). "Status, potential och kvalitetskrav för sjöar, vattendrag, kustvatten och vatten i övergångszon. Handbok 2007:4.". Olsson, U., Englund, J.-E.och Engstrand, U. (2005). Biometri grundläggande biologisk statistik. Lund, Studentlitteratur. Sobek, S., Nisell, J.och Fölster, J. (2011). "Predicting the volume and depth of lakes from map-derived parameters." Inland Waters 1: Wilander, A. (2004). Förslag till bedömningsgrunder för eutrofierande ämnen, Institutionen för miljöanalys, SLU. Rapport 2004:19. 30