Trendanalyse dataset Brede Screening Maasstroomgebied

Transcriptie

1 Trendanalyse dataset Brede Screening Maasstroomgebied Trendplot kernmeetnet OW fluroxypyr Trendplot kernmeetnet OW isoproturon tijd reeks waarde Modellering en Optimalisatie

2 Trendanalyse dataset Brede Screening Maasstroomgebied Aanvrager: Provincie Noord-Brabant (namens Projectgroep Brede Screening) Auteurs: drs. Paul K. Baggelaar (Icastat) ir. Eit C.J. van der Meulen (amo) 11 juni 2018 Modellering en Optimalisatie Icastat Niagara JP Amstelveen

3 INHOUD SAMENVATTING INLEIDING Achtergronden Vraagstelling Over dit rapport Lijst van gebruikte afkortingen INVENTARISATIE KENMERKEN BASISDATA Ontvangen datasets Data grondwater Data oppervlaktewater Data effluent RWZI's DETAILS STUDIEAANPAK Bij trendanalyse te verdisconteren beperkingen basisdata Omgang met e waarden en met uitschieters Omgang met e waarden Omgang met uitschieters Trendanalyse Analyse ontwikkeling presentiegraad ONTWIKKELINGEN GBM IN GRONDWATER Ontwikkeling concentratie GBM in grondwater Ontwikkeling presentiegraad GBM in grondwater ONTWIKKELINGEN GBM IN OPPERVLAKTEWATER Ontwikkeling concentratie GBM in oppervlaktewater Ontwikkeling presentiegraad GBM in oppervlaktewater OVERZICHT ONTWIKKELINGEN OP STOFNIVEAU...31 AANGEHAALDE LITERATUUR...33 BIJLAGE 1: TECHNISCHE TOELICHTING OP TRENDANALYSE MEETREEKSEN BIJLAGE 2: TRENDPLOTS GBM-CONCENTRATIE GRONDWATER BIJLAGE 3: TRENDPLOTS GBM-CONCENTRATIE OPPERVLAKTEWATER...42 BIJLAGE 4: SAMENSTELLING KERNMEETNETTEN GW EN OW...55 BIJLAGE 5: TRENDPLOTS GBM-PRESENTIEGRAAD KERNMEETNET OPPERVLAKTEWATER...57 Icastat en amo 1 Trendanalyse dataset Brede Screening Maasstroomgebied

4 Samenvatting Dit rapport beschrijft een trendanalyse van de dataset van het project Brede Screening Maasstroomgebied. Het is vooral een technisch rapport, dat de details beschrijft van de dataverwerking, de uitgevoerde trendanalyses en de resultaten daarvan. Het bevat nog geen verdere analyse ter verklaring van de resultaten. In het project Brede Screening Maasstroomgebied zijn vanaf 1998 met enige regelmaat meetgegevens verzameld van de kwaliteit van het grondwater, het oppervlaktewater en het effluent van enkele RWZI's in Noord-Brabant en Limburg. De dataset omvat inmiddels gegevens over de periode en heeft voornamelijk betrekking op gewasbeschermingsmiddelen. Ontvangen datasets De grondwatergegevens betreffen de jaren 1998, 2003, 2007, 2008, 2012 en De meetinspanning was tot en met 2003 beperkt tot Noord-Brabant. Vanaf 2007 is deze echter uitgebreid tot het gehele stroomgebied van de Maas, inclusief Limburg. De metingen zijn afkomstig uit 353 filters van 267 meetpunten, waarvan meerdere met filters op verschillende diepten. De metingen betreffen 334 gewasbeschermingsmiddelen. De meetfrequentie is overwegend één meting per jaar. De oppervlaktewatergegevens beslaan de periode 1998 t/m 2016 en zijn afkomstig van zes waterschappen, WML, RIWA en RWS. De grootste meetinspanningen zijn verricht in de jaren 2000, 2003, 2007, 2011, 2012 en De metingen zijn afkomstig van 117 meetlocaties en betreffen 502 gewasbeschermingsmiddelen. De waterschappen en WML hebben doorgaans een meetfrequentie van vier metingen per jaar toegepast. Bij RIWA en RWS zijn behalve vier, ook vaak 12 tot 28 metingen per jaar beschikbaar. De RWZI-effluentgegevens betreffen vrijwel alleen 2011 en 2016 en zijn afkomstig van vier waterschappen en tien RWZI's. In 2011 bedroeg de meetfrequentie meestal twee of vier metingen per jaar, terwijl deze in 2016 meestal drie of vijf metingen per jaar bedroeg. Van slechts drie van de tien RWZI's zijn enigszins bruikbare hoeveelheden metingen beschikbaar van twee meetjaren, namelijk Asten, Oijen en Venlo. De metingen betreffen 373 gewasbeschermingsmiddelen. Deze subset biedt echter te weinig mogelijkheden voor trendanalyse, zodat we die niet verder hebben meegenomen. Beperkingen basisdata Bij de trendanalyse is rekening gehouden met de volgende beperkingen van de basisdata.» Er is sprake van extreem hoge percentages e meetwaarden (gerapporteerd als kleiner dan de betreffende rapportagegrens). Dit geldt het sterkst voor het compartiment grondwater (98,7%), maar het is ook nog aanzienlijk voor de compartimenten oppervlaktewater (92^) en RWZI-effluent (891^.» Voor veel stoffen is er bovendien sprake van een rapportagegrens die verandert in de tijd, wat zonder verdiscontering tot vertekening kan leiden bij trendanalyse. Bij het compartiment grondwater is dit het geval bij 27,4% van de meetreeksen en bij het compartiment oppervlaktewater bij 39,4% van de meetreeksen. Icastat en amo 2 Trendanalyse dataset Brede Screening Maasstroomgebied

5 » De meetnetten zijn niet ontworpen als een kanssteekproef, met het verlotingsprincipe. Daardoor zullen we gepast terughoudend moeten zijn met het vertalen van de steekproefresultaten naar uitspraken die betrekking hebben op meer dan alleen de steekproef.» Verder is er geen sprake van een specifiek op trendanalyse afgestemde meetnetinrichting. In plaats daarvan blijkt er per compartiment sprake van een variabel meetnet, met vrijwel elke meetronde aanpassingen van de ruimtelijke samenstelling (meetpunten) en het analysepakket (beschouwde stoffen) en soms al dan niet kortstondige aanpassingen van de meetfrequentie. Dit betekent ondermeer dat de ontwikkeling van de presentiegraad (het relatief aantal maal dat gewasbeschermingsmiddelen in het water worden aangetroffen) niet alleen wordt bepaald door de ontwikkeling van de hoeveelheid toegediende stoffen, maar ook door de veranderingen van de meetnetinrichting. Ontwikkelingen gewasbeschermingsmiddelen in grondwater De meetreeksen van de concentratie gewasbeschermingsmiddelen in grondwater zijn op trend geanalyseerd, waarbij bleek dat slechts tien daarvan een statistisch significante trend vertoonden. In zeven van deze tien gevallen betrof het een daling en in de overige drie gevallen betrof het een stijging. Ook is per diepteklasse van het grondwater het verloop gereconstrueerd van de presentiegraad van gewasbeschermingsmiddelen. Om daarbij de vertekenende invloed van veranderingen van de meetnetinrichting te vermijden is uitgegaan van een stabiel deel van het meetnet (het kernmeetnet), met zowel constante ruimtelijke samenstelling als constant analysepakket. Voor geen van de twee daarbij onderscheiden diepteklassen blijkt er echter sprake van een monotone ontwikkeling van de presentiegraad van gewasbeschermingsmiddelen in dat kernmeetnet. We hebben ook voor elk van de 56 meetfilters en elk van de 66 stoffen van het kernmeetnet trendanalyse toegepast op de presentiegraad. Daarbij is voor geen van deze 122 reeksen een statistisch significante trend gedetecteerd. Ontwikkelingen gewasbeschermingsmiddelen in oppervlaktewater Ook de meetreeksen van de concentratie gewasbeschermingsmiddelen in oppervlaktewater zijn op trend geanalyseerd, waarbij bleek dat 98 daarvan een statistisch significante trend vertoonden. In 69 gevallen betrof het een daling en in de overige 29 gevallen betrof het een stijging. Verder blijkt er sprake van een statistisch significante daling van de presentiegraad van gewasbeschermingsmiddelen in het kernmeetnet oppervlaktewater. We hebben ook voor elk van de 35 meetpunten en elk van de 60 stoffen van het kernmeetnet trendanalyse toegepast op de presentiegraad. Daarbij zijn statistisch significante dalingen gedetecteerd voor 22 van de 35 meetpunten (63%) en 15 van de 60 stoffen (25%). En voor 6 van de 60 stoffen (10%) zijn statistisch significante stijgingen gedetecteerd. Voor de meetpunten zijn geen statistisch significante stijgingen gedetecteerd. Overzicht ontwikkelingen op stofniveau grondwater en oppervlaktewater Voor 35 stoffen zijn in deze studie statistisch significante trends gedetecteerd in grondwater en/of oppervlaktewater. Van de 129 vastgestelde statistisch significante trends zijn 91 dalingen (70,5%) en 38 stijgingen (29,5%). De stoffen waarvan meerdere reeksen zijn gedaald en geen reeksen zijn gestegen zijn (in volgorde) diuron, isoproturon, diethyltoluamide (DEET), mecoprop (MCPP), simazine, atrazine, imidacloprid en pyrimethanil. En van tebuconazol zijn meerdere reeksen gestegen en geen reeksen gedaald. Het beeld voor carbendazim is gemengd. Icastat en amo 3 Trendanalyse dataset Brede Screening Maasstroomgebied

6 1 Inleiding 1.1 Achtergronden In het kader van het project Brede Screening Maasstroomgebied zijn vanaf 1998 met enige regelmaat meetgegevens verzameld van de kwaliteit van het grondwater, het oppervlaktewater en het effluent van enkele RWZI's in Noord-Brabant en Limburg. De dataset omvat inmiddels gegevens over de periode en heeft voornamelijk betrekking op gewasbeschermingsmiddelen1. Vanaf 2012 zijn ook meetgegevens verzameld over opkomende milieuvreemde stoffen zoals geneesmiddelen, hormonen en röntgencontrastmiddelen. Het doel van de screening is vast te stellen welke stoffen aanwezig zijn, welke de norm overschrijden en wat hun herkomst is. In 2007, 2012 en 2016 is door Royal HaskoningDHV beschrijvend gerapporteerd over de meetgegevens. Op verzoek van de Projectgroep Brede Screening2 hebben wij de in de dataset aanwezige gegevens over gewasbeschermingsmiddelen statistisch geanalyseerd op trends3. Dit rapport beschrijft aanpak en resultaten van deze trendanalyse. 1.2 Vraagstelling Breng aan de hand van een statistische analyse van de in de dataset van het project Brede Screening Maasstroomgebied aanwezige gegevens over gewasbeschermingsmiddelen de temporele ontwikkeling in beeld van de kwaliteit van de drie in dat project beschouwde compartimenten grondwater, oppervlaktewater en RWZI-effluent. Afbakening Deze studie richt zich in eerste instantie op een algemeen beeld van de ontwikkelingen van gewasbeschermingsmiddelen. Er wordt niet uitgesplitst naar ontwikkelingen van deelgebieden, aangezien dat een veel omvangrijkere studie zou vergen. Verder is dit vooral een technisch rapport, dat de details beschrijft van de dataverwerking, de uitgevoerde trendanalyses en de resultaten daarvan. Het bevat nog geen verdere analyse ter verklaring van de resultaten. 1.3 Over dit rapport Na deze inleiding inventariseert hoofdstuk 2 de kenmerken van de ontvangen basisdata, met onderscheid naar compartiment. Hoofdstuk 3 beschrijft dan de op basis van die kenmerken ontwikkelde aanpak voor deze studie. De hoofdstukken 4 en 5 presenteren de ontwikkelingen van concentraties en presentiegraden van gewasbeschermingsmiddelen, in respectievelijk grondwater en oppervlaktewater. Hoofdstuk 6 geeft een overzicht van de ontwikkelingen op stofniveau. Het hoofddeel van dit rapport sluit af met de alfabetische lijst van de aangehaalde literatuur. 1 Hierna zullen we deze term in bepaalde gevallen afkorten als GBM. 2 In deze vertegenwoordigd door Matthijs ten Harkel, beleidsmedewerker Monitoring en Evaluatie van de Provincie Noord-Brabant. 3 Onder het begrip trend verstaan we hier een permanente of semipermanente verandering van het niveau van de meetreeks over een tijdshorizon van tenminste enkele jaren. Icastat en amo 4 Trendanalyse dataset Brede Screening Maasstroomgebied

7 Rapportbijlagen Dit rapport bevat de volgende 5 bijlagen: 1. Technische toelichting op trendanalyse meetreeksen 2. Trendplots GBM-concentratie grondwater 3. Trendplots GBM-concentratie oppervlaktewater 4. Samenstelling kernmeetnetten GW en OW 5. Trendplots GBM-presentiegraad kernmeetnet oppervlaktewater 1.4 Lijst van gebruikte afkortingen EF: Effluent van RWZI. GBM: Gewasbeschermingsmiddelen. GW: Grondwater. OW: Oppervlaktewater. P(rg): Presentiegraad ten opzichte van rapportagegrens, zijnde de ratio van het aantal meetwaarden groter of gelijk aan de rapportagegrens en het aantal meetwaarden. P(0,1): Presentiegraad ten opzichte van 0,1 pg/l, zijnde de ratio van het aantal meetwaarden groter dan 0,1 pg/l en het aantal meetwaarden. P(1): Presentiegraad ten opzichte van 1 pg/l, zijnde de ratio van het aantal meetwaarden groter dan 1 pg/l en het aantal meetwaarden. Icastat en amo 5 Trendanalyse dataset Brede Screening Maasstroomgebied

8 2 Inventarisatie kenmerken basisdata Dit hoofdstuk inventariseert de kenmerken van de ontvangen basisdata, met onderscheid naar compartiment. Hoofdstuk 3 beschrijft dan de op basis van die kenmerken ontwikkelde aanpak voor deze studie. 2.1 Ontvangen datasets We ontvingen voor deze exercitie drie datasets van de Brede Screening, één voor elk compartiment (grondwater, oppervlaktewater en RWZI). Er bleken echter nog diverse onvolkomenheden aanwezig in deze data, zoals inconsistenties in de indeling van stoffen naar stofgroep en een groot aantal clusters meervoudige meetwaarden. Dergelijke clusters omvatten twee of meer meetwaarden - gelijk of ongelijk - van een combinatie van meetpunt en stof voor hetzelfde meetmoment en leveren daardoor allerlei valkuilen voor statistische analyses, zoals vertekeningen bij het schatten van kengetallen en bij het schatten van trends. Correcties van de onvolkomenheden De onvolkomenheden zijn in een aantal sessies gecorrigeerd door een gezamenlijke inspanning van Provincie Noord-Brabant4 en Royal HaskoningDHV5, indien nodig in samenspraak met de betreffende bronhouder. Daarna resteerden nog clusters meervoudige meetwaarden in de dataset oppervlaktewater (waarvan in de stofgroep Gewasbeschermingsmiddelen), die grotendeels afkomstig bleken van de bronhouders RIWA en RWS en in mindere mate van de waterschappen. Om vertekeningen te voorkomen bij de statistische analyses hebben wij voor elke resterende cluster meervoudige meetwaarden aselect slechts één meetwaarde geselecteerd. Als van een cluster meervoudige meetwaarden alle meetwaarden gelijk zijn (dit komt het meest voor) geeft deze voorbewerking geen relevant informatieverlies. Er kan wel enig informatieverlies optreden als de cluster ongelijke meetwaarden bevat, maar een betere oplossing is er niet. 2.2 Data grondwater De database Brede Screening van het grondwater bevat gegevens van de jaren 1998, 2003, 2007, 2008, 2012 en De meetinspanning was tot en met 2003 beperkt tot Noord-Brabant. Vanaf 2007 is deze echter uitgebreid tot het gehele stroomgebied van de Maas, inclusief Limburg. De metingen zijn afkomstig uit 353 filters van 267 meetpunten, waarvan meerdere met filters op verschillende diepten. Het betreft meetpunten van zowel het Provinciaal Meetnet Grondwaterkwaliteit (PMG) van de Provincie Noord-Brabant als dat van de Provincie Limburg en meetpunten in grondwaterbeschermingsgebieden van Brabant Water en Waterleidingmaatschappij Limburg (WML). De metingen betreffen 334 gewasbeschermingsmiddelen en de meetfrequentie is overwegend één meting per jaar. 4 Uitgevoerd door Matthijs ten Harkel. 5 Uitgevoerd door Floris Verhagen, Mirte Schipper en Anna-Lotta Holsteijn. Icastat en amo 6 Trendanalyse dataset Brede Screening Maasstroomgebied

9 Tabel 2.1 vermeldt het aantal metingen grondwaterkwaliteit voor de stofgroep Gewasbeschermingsmiddelen, per combinatie van bronhouder en meetjaar. Uit deze tabel blijkt dat de grootste meetinspanningen zijn verricht in de jaren 2007, 2012 en 2016, waarbij ook alle vier de bronhouders waren betrokken. De meetinspanningen in 1998, 2003 en 2008 waren geringer en betroffen bovendien alleen Noord-Brabant. Tabel 2.1: Aantal metingen grondwaterkwaliteit voor de stofgroep Gewasbeschermingsmiddelen, per combinatie van bronhouder en meetjaar. Bronhouder Totaal Brabant Water Provincie Noord-Brabant WML Provincie Limburg Totaal Opvallend is het zeer grote aandeel waarden dat is aangeduid als zijnde kleiner dan een bepaalde rapportagegrens (deze worden hier aangeduid als e waarden). Van de beschikbare metingen zijn er namelijk slechts boven de rapportagegrens (1,3%), zodat het percentage e waarden 98,7% bedraagt. Dit sterke informatiefilter zal het uiteraard moeilijker maken om trends te detecteren. Tabel 2.2 vermeldt voor elk van de zes meetjaren het aantal bemeten filters en ook het gemiddeld aantal stoffen waarop per filter is gemeten. Uit deze tabel blijkt ondermeer dat het analysepakket vanaf 2003 veel breder werd (gemiddeld meer dan 100 stoffen per filter) en in 2016 veruit het breedst was (gemiddeld 237,1 stoffen per filter). Tabel 2.2: Ontwikkeling op jaarbasis van het aantal bemeten filters en het gemiddeld aantal stoffen (in de stofgroep Gewasbeschermingsmiddelen) waarop in deze filters is gemeten Aantal filters met meetwaarden Gemiddeld aantal stoffen per filter 33,2 106,3 147,0 147,0 132,9 237,1 Tabel 2.3 vermeldt voor elk van de zes meetjaren het aantal bemeten stoffen en het gemiddeld aantal filters waarin op deze stoffen is gemeten. Tabel 2.3: Ontwikkeling op jaarbasis van het aantal bemeten stoffen (in de stofgroep Gewasbeschermingsmiddelen) en het gemiddeld aantal filters waarin op deze stoffen is gemeten Aantal stoffen met meetwaarden Gemiddeld aantal filters per stof 33,8 82,4 171,0 18,0 213,9 228,7 Icastat en amo 7 Trendanalyse dataset Brede Screening Maasstroomgebied

10 Omdat het denkbaar is dat de ontwikkeling van de grondwaterkwaliteit mede afhangt van de filterdiepte, zullen we bij de statistische analyses onderscheid maken naar diepteklasse. Daarbij is gekozen voor de indeling zoals toegepast bij de recentste rapportage van de Brede Screeningsdata [Royal HaskoningDHV, 2017], met als diepteklassen:» Ondiep: 0-5 meter onder maaiveld» Middiep: 5-15 meter onder maaiveld» Diep: meer dan 15 meter onder maaiveld Elk filter is bij een diepteklasse ingedeeld op basis van de diepte van het midden van het filter. Bij de indeling is tevens nog de klasse Bron onderscheiden. Dit betreft uittredend grondwater aan de randen van de plateaus in Zuid-Limburg, dat door de Provincie Limburg wordt gemonitord (aangeduid als het bronnenmeetnet). Tabel 2.4 vermeldt de verdeling van de 353 meetfilters over deze diepteklassen, met onderscheid naar bronhouder. Tabel 2.4: Verdeling van de 353 meetfilters over de diepteklassen, met ook onderscheid naar bronhouder. D iepteklasse Bronhouder Ondiep Middiep Diep Bron? Totaal Brabant Water Provincie Noord-Brabant WML Provincie Limburg Totaal Uit deze tabel blijkt dat de meeste meetfilters van de Provincie Noord-Brabant zijn (164), op enige afstand gevolgd door de Provincie Limburg (102). Verder betreft meer dan de helft van de meetfilters de klasse Middiep (187). Van de Provincie Limburg is slechts één meetfilter in de klasse Ondiep aanwezig. Daarbij kan meespelen dat het Limburgse grondwater zich op veel plaatsen dieper onder maaiveld bevindt. 2.3 Data oppervlaktewater De database Brede Screening van het oppervlaktewater bevat gegevens van de periode 1998 t/m 2016, afkomstig van zes waterschappen, WML, RIWA en RWS. Tabel 2.5 vermeldt het aantal metingen voor de stofgroep Gewasbeschermingsmiddelen per combinatie van bronhouder en meetjaar. Daaruit blijkt ondermeer dat de grootste meetinspanningen zijn verricht in de jaren 2000, 2003, 2007, 2011, 2012 en De oppervlaktewaterkwaliteitsmetingen zijn afkomstig van 117 meetlocaties. De metingen betreffen 502 gewasbeschermingsmiddelen. De waterschappen en WML hebben doorgaans een meetfrequentie van vier metingen per jaar toegepast. Bij RIWA en RWS zijn behalve vier, ook vaak 12 tot 28 metingen per jaar beschikbaar. Icastat en amo 8 Trendanalyse dataset Brede Screening Maasstroomgebied

11 Tabel 2.5: Aantal metingen van de oppervlaktewaterkwaliteit voor de stofgroep gewasbeschermingsmiddelen, per combinatie van bronhouder en meetjaar. Bronhouder RIWA RWS Waterschap Aa en Maas Waterschap Brabantse Delta Waterschap De Dommel Waterschap Hollandse Delta Waterschap Limburg Waterschap Rivierenland WML Totaal Bronhouder Totaal RIWA RWS Waterschap Aa en Maas Waterschap Brabantse Delta Waterschap De Dommel Waterschap Hollandse Delta Waterschap Limburg Waterschap Rivierenland WML Totaal Tabel 2.6 vermeldt voor elk van de meetjaren het aantal bemeten locaties en ook het gemiddeld aantal stoffen waarop per locatie is gemeten. Uit deze tabel blijkt dat in 2003, 2007, 2011 en 2016 veel locaties ^50) zijn bemeten. En in 2000, 2003, 2007, 2011, 2013 en 2016 zijn gemiddeld veel stoffen per locatie gemeten ^ 100). Tabel 2.6: Ontwikkeling op jaarbasis van het aantal bemeten locaties en het gemiddeld aantal stoffen (in de stofgroep Gewasbeschermingsmiddelen) waarop in deze locaties is gemeten. Aantal locaties met meetwaarden Gemiddeld aantal stoffen per ocatie ,0 152,7 20,3 6,3 103,2 37,3 52,2 59,6 122,5 68,4 64,8 71,8 191,0 73,9 119, ,5 79,1 166,3 Icastat en amo 9 Trendanalyse dataset Brede Screening Maasstroomgebied

12 Tabel 2.7 vermeldt voor elk van de meetjaren het aantal bemeten stoffen en het gemiddeld aantal locaties waar op deze stoffen is gemeten. Tabel 2.7: Ontwikkeling op jaarbasis van het aantal bemeten stoffen (in de stofgroep Gewasbeschermingsmiddelen) en het gemiddeld aantal locaties waar op deze stoffen is gemeten. Aanta stoffen met meetwaarden Gemic deld aantal locaties per stof ,3 34,8 10,6 3,3 28,1 5,1 4,8 9,1 36,0 11,1 6,4 7,8 49,0 13,9 8, ,3 7,0 36,8 2.4 Data effluent RWZI's De database Brede Screening van het RWZI-effluent bevat vrijwel alleen gegevens van 2011 en 2016, afkomstig van vier waterschappen en tien RWZI's. Verder bevat deze ook nog tien metingen van 2012, maar vanwege het geringe aantal worden die hier verder niet meegenomen. In 2011 bedroeg de meetfrequentie meestal twee of vier metingen per jaar, terwijl deze in 2016 meestal drie of vijf metingen per jaar bedroeg. Tabel 2.8 vermeldt het aantal metingen voor de stofgroep Gewasbeschermingsmiddelen per combinatie van RWZI en meetjaar. Daaruit blijkt ondermeer dat van vijf RWZI's niet meer dan zes metingen beschikbaar zijn. Van de overige vijf RWZI's zijn wél enigszins bruikbare hoeveelheden metingen beschikbaar ^200 per jaar), zij het van twee van deze van slechts één meetjaar. Daarmee zijn van slechts drie RWZI's enigszins bruikbare hoeveelheden metingen beschikbaar van twee meetjaren, namelijk Asten, Oijen en Venlo. Tabel 2.8: Aantal metingen van de kwaliteit van RWZI-effluent voor de stofgroep gewasbeschermingsmiddelen, per combinatie van RWZI en meetjaar. Bronhouder Meetpuntcode RWZI Totaal Waterschap Aa en Maas Asten Waterschap Aa en Maas Oijen Waterschap Brabantse Delta Halsteren Waterschap De Dommel Boxtel Waterschap De Dommel Eindhoven Waterschap De Dommel Sint Oedenrode Waterschap De Dommel Haaren Waterschap Limburg OEFFVNL1 Venlo Waterschap Limburg OEFFVNR1? Waterschap Limburg OEFFWRT1 Weert Totaal Icastat en amo 10 Trendanalyse dataset Brede Screening Maasstroomgebied

13 De metingen betreffen 373 gewasbeschermingsmiddelen. In 2011 is bij Asten gemeten op 238 stoffen, bij Oijen op 48 en bij Venlo op 249. En in 2016 is bij zowel Asten als Oijen gemeten op 186 stoffen en bij Venlo op 256. Deze dataset biedt weinig mogelijkheden voor trendanalyses, aangezien er voor drie RWZI's slechts twee meetjaren kunnen worden vergeleken. In principe kan er dan nog wel een paarsgewijze vergelijking tussen de twee meetjaren worden uitgevoerd per meetreeks (combinatie van RWZI en stof), maar het resultaat daarvan kan sterk gevoelig zijn voor verschillen in de meteorologische omstandigheden van de meetmomenten van de twee jaren. Vanwege de al bij voorbaat gering te achten zeggingskracht van de resultaten hebben we deze dataset niet geanalyseerd op trends. Icastat en amo 11 Trendanalyse dataset Brede Screening Maasstroomgebied

14 3 Details studieaanpak Dit hoofdstuk start met een bespreking van de bij trendanalyse te verdisconteren beperkingen van de basisdata. Daarna wordt de daarop gebaseerde studieaanpak toegelicht. 3.1 Bij trendanalyse te verdisconteren beperkingen basisdata Op basis van de in het voorgaande hoofdstuk beschreven inventarisatie van de basisdata concluderen we dat er verschillende databeperkingen zijn, waarmee zo mogelijk bij de trendanalyse rekening moet worden gehouden. 1. In veruit de meeste gevallen zijn de GBM gerapporteerd als kleiner dan de betreffende rapportagegrens (deze worden aangeduid als e waarden). Dit geldt het sterkst voor het compartiment grondwater (98,7%), maar het is ook nog aanzienlijk voor de compartimenten oppervlaktewater (92,4%) en RWZI-effluent (89%). Het probleem daarbij is dat de gebruikelijke verwerkingsmethoden niet meer toepasbaar zijn als een meetreeks één of meer e waarden bevat, omdat het semi-kwantitatieve waarden betreft. 2. Een bijkomende complicatie is dat er voor veel stoffen ook sprake is van een rapportagegrens die verandert in de tijd, wat tot vertekening kan leiden bij trendanalyse. Bij het compartiment grondwater is dit het geval bij 27,4% van de meetreeksen en bij het compartiment oppervlaktewater bij 39,4% van de meetreeksen. In Ş lichten we toe welke oplossingen we hanteren voor e waarden en veranderende rapportagegrenzen. 3. van de drie meetnetten (GW, OW en EF) is ontworpen als een kanssteekproef, met het verlotingsprincipe. Daardoor zullen we gepast terughoudend moeten zijn met het vertalen van de steekproefresultaten naar uitspraken die betrekking hebben op meer dan alleen de steekproef, zoals het gehele Maasstroomgebied of gewasbeschermingsmiddelen in het algemeen. 4. Evenmin is er voor geen van de drie te beschouwen meetnetten sprake van een specifiek op trendanalyse afgestemde meetnetinrichting (of deelmeetnetinrichting), zoals een statisch-synchrone opzet (stelsel vaste meetpunten die met verloting zijn geselecteerd en vervolgens elke meetronde parallel worden bemeten op dezelfde stoffen).6 In plaats daarvan blijkt er per compartiment sprake van een variabel meetnet, met vrijwel elke meetronde aanpassingen van de ruimtelijke samenstelling (meetpunten) en het analysepakket (beschouwde stoffen) en soms al dan niet kortstondige aanpassingen van de meetfrequentie. Dit betekent ondermeer dat de ontwikkeling van de presentiegraad (het relatief aantal maal dat gewasbeschermingsmiddelen in het water worden aangetroffen) niet alleen wordt bepaald door de ontwikkeling van de hoeveelheid toegediende stoffen, maar ook door de veranderingen van de meetnetinrichting. Om 6 Dit zal mede komen doordat het beschrijven van de algemene ontwikkeling van gewasbeschermingsmiddelen in het water geen expliciete doelstelling vormt van de Brede Screening Maasstroomgebied. Zoals aangegeven in de inleiding is het doel vast te stellen welke stoffen aanwezig zijn, welke de norm overschrijden en wat hun herkomst is. Icastat en amo 12 Trendanalyse dataset Brede Screening Maasstroomgebied

15 de invloed van de veranderingen van de meetnetinrichting op de ontwikkeling van de presentiegraad te minimaliseren zullen we die per compartiment ook afleiden voor een stabiel deel van het meetnet, met zowel constante ruimtelijke samenstelling als constant analysepakket. Dat statisch-synchrone deel duiden we hier aan als het kernmeetnet. Zie voor de uitwerkingen daarvan Ş 4.2 (GW) en Ş 5.2 (OW). 5. Bij de Brede Screening Maasstroomgebied is de intentie dat de waterschappen het oppervlaktewater na een neerslagperiode bemonsteren op gewasbeschermingsmiddelen, om zo de trefkans te vergroten. Door deze worst-case-meetstrategie wordt het echter moeilijker om ontwikkelingen te interpreteren, met de volgende redenen:» consistent toepassen van deze meetstrategie stelt hoge eisen, zoals flexibel inzetbare monsternemers, voldoende ruimte in het labrooster en voldoende neerslag binnen het beschikbare monsterperiodevenster. Omdat daaraan niet altijd kan worden voldaan zullen de meetreeksen van GBM in het oppervlaktewater zowel worst-case-situaties als 'gewone' situaties omvatten;» bij deze meetstrategie zal de hoeveelheid neerslag en/of duur van de voorafgaande droge periode invloed hebben op de concentratie. Kleine aanpassingen van de besliscriteria voor bemonstering kunnen dan tot relevante veranderingen leiden, die niets te maken hebben met veranderingen in het toedienen van GBM. 3.2 Omgang met e waarden en met uitschieters Omgang met e waarden De dataset Brede Screening omvat veel e meetwaarden, wat inhoudt dat ze zijn aangeduid als zijnde kleiner dan een bepaalde rapportagegrens. Maar als een meetreeks één of meer e waarden bevat zijn de gebruikelijke verwerkingsmethoden niet meer toepasbaar (het betreft immers semi-kwantitatieve waarden). Een bijkomende complicatie is dat er voor bepaalde stoffen ook sprake zal zijn van een rapportagegrens die verandert in de tijd. Er zijn verschillende procedures mogelijk om het versluierende effect van e waarden op de resultaten van statistische analyses enigszins te verzachten. Maar de geschiktheid van een dergelijke procedure zal variëren, afhankelijk van het soort statistische analyse, het aantal meetwaarden, het percentage e waarden, het aantal rapportagegrenzen, de relatieve hoogtes van die rapportagegrenzen ten opzichte van de meetwaarden boven de rapportagegrenzen en het soort kansverdeling waar de meetwaarden uit afkomstig zijn (zie bijvoorbeeld [Helsel and Hirsch, 1992]). De enige procedure die bevredigende resultaten oplevert bij álle soorten statistische analyses en álle soorten e datasets, is het opheffen van de censuur, wat betekent dat alle e waarden worden vervangen door de one meetwaarden. Aangezien deze laatste hier niet beschikbaar zijn, hanteren wij de hieronder beschreven oplossingen.» Als een meetreeks één rapportagegrens bevat - Elke e waarde wordt vervangen door de helft van de rapportagegrens. Deze substitutiemethode is internationaal gezien vermoedelijk de meest gebruikte voorbewerking van e gegevens, aangezien die bij Icastat en amo 13 Trendanalyse dataset Brede Screening Maasstroomgebied

16 elke soort statistische analyse kan worden gebruikt. Uit simulatiestudies is wel gebleken dat er procedures zijn waarmee soms betere schattingen van het gemiddelde en de standaardafwijking kunnen worden verkregen dan met deze substitutiemethode, zoals extrapolatie van de niet-e data, of het gebruik van maximum likelihoodschatters, maar dat zijn zeer bewerkelijke methoden.» Als een meetreeks twee of meer rapportagegrenzen bevat - Voor de trendanalyse worden alle e waarden van een reeks op de helft van de hoogste rapportagegrens van die reeks gezet (zie het voorbeeld in figuur 3.1). Ook niet-e meetwaarden die lager zijn dan de hoogste rapportagegrens worden op de helft van die grens gezet (en zijn dan op te vatten als e waarden). Deze aanpak kan informatieverlies en daarmee ook verlies aan onderscheidend vermogen geven, maar is nodig om het detecteren van kunstmatige trends te vermijden die louter zijn veroorzaakt door veranderingen van de rapportagegrens (zie bijvoorbeeld [Helsel and Hirsch, 1992]). Door deze voorbewerking kan het voorkomen dat een tijdreeks meer e waarden bevat dan de oorspronkelijke meetreeks. Figuur 3.1: Voorbeeld van het voor trendanalyse voorbewerken van een reeks met meerdere rapportagegrenzen, teneinde kunstmatige trends te vermijden Basisreeks 10 Aangepaste reeks 8-8 * ** O O O O O O O 4 oooo oooooooooo Rappgrens O Waarde O Gecensur Rappgrens O Waarde O Gecensur Als voldaan wordt aan de volgende twee criteria, dan wordt een aangepaste aanpak gevolgd (zie het voorbeeld in figuur 3.2): i) de meetreeks bevat slechts één waarde die is ten opzichte van de hoogste rapportagegrens én ii) er komt minstens één niet-e waarde voor, die tussen de hoogste rapportagegrens en de op één na hoogste rapportagegrens ligt, of die onder de hoogste rapportagegrens ligt als dat de enige rapportagegrens in de meetreeks is. Alleen als wordt voldaan aan beide criteria dan wordt de ene waarde die is ten opzichte van de hoogste rapportagegrens verwijderd en worden vervolgens alle waarden (zowel de e als de niet-e) die onder de één na hoogste rapportagegrens liggen op de helft van die één na hoogste rapportagegrens gezet, tenzij de meetreeks maar één rapportagegrens omvat, in welk geval er na de verwijdering van de ene gecensu- Icastat en amo 14 Trendanalyse dataset Brede Screening Maasstroomgebied

17 reerde waarde ten opzichte van die grens geen verdere censuur wordt toegepast. Deze handelswijze voorkomt onnodig informatieverlies door een eenmalige, relatief hoge rapportagegrens. Figuur 3.2: Voorbeeld van een aangepaste vorm van het voorbewerken van een reeks met meerdere rapportagegrenzen, teneinde kunstmatige trends te vermijden. De aanpassing geeft minder informatieverlies bij een eenmalige, relatief hoge rapportagegrens. 10 Basisreeks 10 Aangepaste reeks O O O O O O O O Rappgrens «Waarde «Gecensur Rappgrens O Waarde O Gecensur De invloed van het voor trendanalyse voorbewerken van een reeks met meerdere rapportagegrenzen blijkt bij de Brede Screeningsdata groot, doordat er bij veel stoffen sprake is van het veranderen van de rapportagegrens in de tijd. Als voorbeeld illustreert figuur 3.3 de invloed van deze voorbewerking op het verloop van de presentiegraad P(rg) van GBM in het oppervlaktewater (zie Ş 3.4 voor de definitie). Het onbewerkte verloop (rode lijn) suggereert een sterkere afname dan het bewerkte verloop (blauwe lijn). Dit komt vooral doordat van veel stoffen de rapportagegrens na verloop van tijd is toegenomen. Het detectievermogen is daardoor afgenomen in de tijd, wat resulteert in de suggestie dat de presentiegraad van GBM relevant is afgenomen. Door de voorbewerking ontstaat echter een gematigder beeld. We wijzen er op dat ook dit aangepaste beeld nog diverse vertekeningen kan bevatten, door de voortdurende veranderingen van de meetnetinrichting (meetpunten, stoffen en meetfrequenties). Vandaar dat we het verloop van de presentiegraad in het vervolg ook zullen reconstrueren voor een stabiel deel van het meetnet (zie daarvoor Ş 4.2 en Ş 5.2). Figuur 3.3: De invloed van ons voorbewerken van reeksen met meerdere rapportagegrenzen op de presentiegraad P(rg) van GBM in het oppervlaktewater. De rode reeks (P(rg)*) is zónder voorbewerking, de blauwe is mét voorbewerking. Icastat en amo 15 Trendanalyse dataset Brede Screening Maasstroomgebied

18 2507o 20% 15% 10% 507o 0% P(rg) - Oppervlaktewater l imeetp l---- 1Stof ^^P(rg)* ^^P(rg) c QJ O 4l/l c QJ 4 c Q. 4 1 QJ QJ Omgang met uitschieters Uitschieters zijn meetwaarden die duidelijk afwijken van de andere meetwaarden. Ze kunnen zijn veroorzaakt door: 1. bemonsterings-, meet- of schrijffouten, of 2. een extreme situatie. Bij voorkeur dienen meetwaarden veroorzaakt door fouten uiteraard niet meegenomen te worden bij statistische analyses. Maar het vergt detailkennis van alle handelingen die tot een meetwaarde hebben geleid om objectief vast te kunnen stellen of er sprake is van een foute meetwaarde of van een meetwaarde die een extreme situatie weergeeft. Bij het ontbreken van deze detailkennis - en dit zal meer regel dan uitzondering zijn - is er dan ook geen objectieve rechtvaardiging voor het verwijderen van uitschieters en moet dit achterwege blijven. Om te voorkomen dat extreme meetwaarden veroorzaakt door fouten het beeld vertroebelen, hanteert onze dataverwerking in voorkomende gevallen een verdelingsvrije statistische methode (zoals een Mann-Kendalltoets op trend). Dergelijke methoden zijn robuust en worden niet of nauwelijks beïnvloed door extreme waarden. 3.3 Trendanalyse Onder het begrip trend verstaan we hier een permanente of semipermanente verandering van het niveau van de meetreeks over een tijdshorizon van tenminste enkele jaren. Seizoensmatige veranderingen en kortstondige calamiteiten vallen daar dus niet onder. Om objectief te kunnen vaststellen of een meetreeks een trend vertoont is statistische trendanalyse uitgevoerd. De trendanalyses van concentratiereeksen zijn uitgevoerd met behulp van het door ons ontwikkelde programma Trendanalist [Baggelaar en Van der Meulen, 2012] en de trendanalyses van presentiegraadreeksen zijn uitgevoerd met de Matlabroutine glmfit. Trendanalyses van concentratiereeksen Trendanalist is speciaal ontwikkeld voor milieuonderzoek en kan dus ook rekening houden met de specifieke eigenschappen van variabelen van de grond- of oppervlaktewaterwaterkwaliteit, zoals een niet-normale kansverdeling (al of niet door uitschieters), autocorrelatie, seizoeneffecten, e meetwaarden en ontbrekende meetwaarden. Afhankelijk van de eigenschappen van Icastat en amo 16 Trendanalyse dataset Brede Screening Maasstroomgebied

19 de betreffende meetreeks worden de trenddetectietoets en bijbehorende trendschatter geselecteerd die het best aansluiten op die eigenschappen. Daartoe staan zes trenddetectietoetsen en vier trendschatters ter beschikking. Het betreft drie toetsen die gebaseerd zijn op de lineaire regressietoets en drie toetsen die gebaseerd zijn op de Mann-Kendalltoets, het verdelingsvrije equivalent van de lineaire regressietoets. Ze kunnen ook rekening houden met seizoeneffecten en/of autocorrelatie. Deze flexibele aanpak geeft maatwerk en garandeert per reeks een maximaal onderscheidend vermogen bij de trenddetectie en ook een maximale precisie bij het trendschatten. Dit zorgt er voor dat de in de meetreeksen aanwezige informatie - die vaak een grote inspanning aan bemonsterings- en analysekosten heeft gekost - zo goed mogelijk wordt benut. Bijlage 1 geeft een technische toelichting op deze methodiek van trendanalyse. Icastat en amo 17 Trendanalyse dataset Brede Screening Maasstroomgebied

20 Trendanalyses van presentiegraadreeksen De presentiegraadreeksen zijn op trend geanalyseerd met de Matlabroutine glmfit, waarbij per reeks een logistisch regressiemodel is geschat dat uitgaat van de binomiale kansverdeling. Dit sluit aan op het feit dat de presentiegraad een proportie is (begrensd op het interval (0,1)) en zeer waarschijnlijk een binomiale kansverdeling zal volgen. Trendsoort, tweezijdig toetsen en betrouwbaarheid Bij de trendanalyses is getoetst op een monotone trend, dat wil zeggen op een overwegende daling of een overwegende stijging vanaf het startpunt van de reeks, ongeacht of dit in de vorm van een lineaire, convexe, of concave verandering is. Er is tweezijdig getoetst, dat wil zeggen op een verandering, ongeacht of het een daling of een stijging betreft. Daarbij is 95% betrouwbaarheid gehanteerd. 3.4 Analyse ontwikkeling presentiegraad Behalve de ontwikkelingen van de concentratie GBM in grondwater en oppervlaktewater worden ook de ontwikkelingen van de aanwezigheid van GBM in deze compartimenten in beeld gebracht. Daartoe zijn de volgende drie tijdreeksen van de presentiegraad op jaarbasis afgeleid:» P(rg)j = ^SiL, waarin P(rg)j de presentiegraad ten opzichte van de rapportagegrens, ũrgj nì het aantal meetwaarden dat niet is aangeduid als kleiner dan de rapportagegrens en nj het aantal meetwaarden, alle in meetjaar j.» P(0,l)y = ^±L, waarin P(0,1)j de presentiegraad ten opzichte van 0,1 pg/l, a0ij het aantal nì meetwaarden groter dan 0,1 pg/l en nj het aantal meetwaarden, alle in meetjaar j.» P(l)y =, waarin P(1)j de presentiegraad ten opzichte van 1 pg/l, aij het aantal meetnì waarden groter dan 1 pg/l en nj het aantal meetwaarden, alle in meetjaar j. Icastat en amo 18 Trendanalyse dataset Brede Screening Maasstroomgebied

21 4 Ontwikkelingen GBM in grondwater 4.1 Ontwikkeling concentratie GBM in grondwater De afzonderlijke meetreeksen van de concentratie GBM in grondwater zijn op trend geanalyseerd (zie Ş 3.3 en bijlage 1 voor een technische toelichting). Een meetreeks is geselecteerd voor trendanalyse als deze minstens vijf jaar beslaat en hetzij minstens vijf meetwaarden heeft, of in minstens drie jaar minstens een meetwaarde heeft, anders bevat deze te weinig informatie. Van de meetreeksen vielen er zo af (86,2^! van het totaal). En van de overige meetreeksen bleken er alleen e waarden te omvatten, waarmee ze al zonder trendanalyse in de resultaatklasse trend vallen. De resterende 365 meetreeksen (0,4^! van het totaal) zijn geanalyseerd op trend, waarbij bleek dat slechts tien daarvan een statistisch significante trend vertoonden (zie tabel 4.1). Tabel 4.1: Meetreeksen die bij de trendanalyse een statistisch significante trend vertoonden. Meetpunt Klasse 2,6-dichloorbenzamide (BAM) atrazine bentazon diethyltoluamide (DEET) mecoprop (MCPP) B44G Ondiep Daling B46D Ondiep Stijging B51F Ondiep Daling B45G Middiep Daling B45H Middiep Stijging B52B Middiep Daling B57A Middiep Daling B58C Middiep Daling CPGB-026 Bron Stijging CPMA-034 Bron Daling In zeven van de tien gevallen van statistische significantie betrof het een daling en in de overige drie gevallen betrof het een stijging. Opvallend is dat voor 2,6-dichloorbenzamide (BAM) en bentazon zowel dalingen als stijgingen zijn gedetecteerd. De trendplots van de tien meetreeksen met statistisch significante verandering zijn weergegeven in bijlage 2. Figuur 4.1 toont hiervan twee voorbeelden. Figuur 4.1: Twee voorbeelden van trendplots van gewasbeschermingsmiddelen in het grondwater met statistisch significante trend. Links van mecoprop, zoals gemeten in het 1e filter van meetpunt B51F0250 en rechts van bentazon, zoals gemeten in het 1e filter van meetpunt B52B0301. Trendplot B51F mecoprop (MCPP) Trendplot B52B bentazon tijdreekswaarden * tijdreekswaarden " 0.1 Resultaat -toets -toets Oordeel - trend Oordeel s trend De geschatte trend s eenheden oer laar. De aeschatte trend = eenheden Der laar. Icastat en amo 19 Trendanalyse dataset Brede Screening Maasstroomgebied

22 4.2 Ontwikkeling presentiegraad GBM in grondwater Figuur 4.2 toont voor elk van de vier diepteklassen van het grondwater het verloop van de presentiegraad P(rg) van GBM in het grondwater van 1998 t/m 2016, evenals het verloop van het aantal meetfilters en het aantal stoffen waarmee deze is bepaald. Figuur 4.2: Verloop van de presentiegraad P(rg) voor elk van de vier diepteklassen van het grondwater, van 1998 t/m Elke deelfiguur toont tevens zowel het verloop van het aantal meetfilters als dat van het aantal stoffen. De onderliggende cijfers zijn vermeld in de tabel onder de figuur (ook die van de andere twee soorten presentiegraad). P(rg) - Grondwater - Ondiep P(rg) -Grondwater -Middiep 3,0Z 300 3,0Z 300 2,5Z 2,0Z įį 1,5Z Û- 1,0Z 0,5Z ,5Z 2,0Z 1,5Z 1,0Z 0,5Z o ī/^ coj c 3Q. OJ OJ 0,0Z ,0Z l I Meetf I^^IStof ^^P(rg) Meetf Stof P(rg) P(rg) - Grondwater - Diep P(rg) - Grondwater - Bron 3,0Z 300 3,0Z 300 2,5Z 2,0Z 1,5Z 1,0Z 0,5Z 0,0Z n 2012 n OJ c 3 OJ OJ 2,5Z 2,0Z S? 1,5Z Û- 1,0Z 0,5Z 0,0Z n n OJ c 3 OJ OJ I I Meetf Stof P(rg) I I Meetf I I Stof ^ P(rg) Ondiep Middiep P(rg) 2,5Z 1,1Z 1,9Z 1,0Z 1,3Z 1,3Z P(rg) 0,8Z 0,9Z 1,6Z 0,5Z 1,0Z 1,0Z P(0,1) 1,0Z 0,4Z 0,6Z 0,3Z 0,4Z 0,5Z P(0,1) 0,4Z 0,3Z 0,5Z 0,1Z 0,4Z 0,4Z P(1) 0,3Z 0,0Z 0,0Z 0,0Z 0,1Z 0,1Z P(1) 0,0Z 0,0Z 0,0Z 0,0Z 0,1Z 0,1Z Meetf Meetf Stof Stof Diep Bron P(rg) 0,0Z 0,9Z 2,1Z 1,3Z 1,4Z P(rg) 2,0Z 0,8Z 2,1Z P(0,1) 0,0Z 0,0Z 0,9Z 0,5Z 0,5Z P(0,1) 0,4Z 0,3Z 0,9Z P(1) 0,0Z 0,0Z 0,0Z 0,1Z 0,1Z P(1) 0,0Z 0,1Z 0,1Z Meetf Meetf Stof Stof Uit figuur 4.2 blijkt dat alleen het verloop van P(rg) in de diepteklasse Ondiep een monotone ontwikkeling (hier een daling) suggereert. Maar die bevinding leunt sterk op de afwijkend hoge waarde in 1998, terwijl die is gebaseerd op relatief weinig meetfilters en weinig stoffen en daardoor minder betrouwbaar moet worden geacht. Bovendien blijkt dat geen van de vier verlopen gebaseerd is op een stabiel meetnet. Er zijn voor elke diepteklasse namelijk sterke veranderingen van zowel het aantal meetfilters als het analysepakket, die op zich al aanleiding kunnen geven tot relevante ver Icastat en amo 20 Trendanalyse dataset Brede Screening Maasstroomgebied

23 andering van de afgeleide presentiegraad, die los staat van de werkelijke verandering. Het is daardoor niet mogelijk om op basis van dit beeld tot harde uitspraken te komen over algemene ontwikkelingen van de presentiegraad van GBM in het grondwater. Om de invloed van de veranderingen van het aantal meetfilters en het analysepakket op de ontwikkeling van de presentiegraad te vermijden hebben we die ook afgeleid voor een stabiel deel van het meetnet, met zowel constante ruimtelijke samenstelling als constant analysepakket. Dat statisch-synchrone deel van het meetnet duiden we hier aan als het kernmeetnet. Het kernmeetnet is afgeleid met de volgende stappen: 1. Selecteer op basis van de ruimte-tijd-matrix van de jaarlijkse meetinspanning (zie tabel 2.1) over een periode van minstens tien jaar minstens vier meetjaren met grote meetinspanning.7 2. Neem elk meetfilter waarvan voor minstens één stof geldt dat in elk van de geselecteerde meetjaren in dat meetfilter op die stof is gemeten. 3. Neem elke stof waarvan voor minstens één meetfilter geldt dat in elk van de geselecteerde meetjaren op die stof is gemeten in dat meetfilter. 4. Construeer de meetdichtheidsmatrix van deze meetfilters en stoffen, met daarin per cel vermeldt het aantal meetjaren met minstens één meting voor de betreffende combinatie van meetfilter en stof. 5. Verwijder uit dezer matrix alle rijen en kolommen waarin niet elke cel het aantal vermeldt dat gelijk is aan het aantal geselecteerde meetjaren. Dit leverde een kernmeetnet GW op dat bestaat uit een dataselectie van de jaren 2003, 2007, 2012 en 2016, afkomstig van 56 meetfilters (26 Ondiep en 30 Middiep) en 66 stoffen. Elk van de aldus geselecteerde meetreeksen omvat precies vier meetwaarden (één voor elk jaar). De meetfilters zijn van Provincie Noord-Brabant en Brabant Water. De samenstelling (meetfilters, stoffen) van het kernmeetnet GW is vermeld in bijlage 4. De figuren 4.3a en 4.3b tonen de locaties van de meetfilters van het kernmeetnet, voor respectievelijk de klasse Ondiep en de klasse Middiep. 7 De keuze voor minstens vier meetjaren heeft als nadeel dat hierdoor de Limburgse data afvallen, maar trendanalyse op basis van slechts drie meetjaren levert dermate weinig onderscheidend vermogen dat we hier het verlies aan ruimtelijke dekking verkiezen boven het verlies aan onderscheidend vermogen. Icastat en amo 21 Trendanalyse dataset Brede Screening Maasstroomgebied

24 Figuur 4.3a: Locaties van de meetfilters van het kernmeetnet GW, voor de klasse Ondiep. artťiĩreťļiiwī- " ZäTOommel Dordrecht Groesbeek reetokkee Heesth' tos ma lei,\ Gennep w.v ink '.s Hertog^ OosterhÄrt Zevenbertji yuļfht ixmeer üden ZDonç^v Veghel Steenbergen Ņoord:Brot* Roosendaal BerqerŶop' l Zoom.Sint-Oedenrode Venray HpIhìc.1 Zuńdert ľssen Gemert Gotrlc Deurne Baarfc,- tertõg Asten' Wuustwezel' Örecht Merksplas Stabroek Ravels Valkenswaard. Turnhout Örasschaat Malle Zoersel Retie Schoten.Antw: Kaster lee Dessel Zandhoven Hamoru-AiheU J Weert \Lommel Limburg ŖÖejrnond.Herental! Krui hek e RnrKnlt Figuur 4.3b: Locaties van de meetfilters van het kernmeetnet GW, voor de klasse Middiep. Veghel Stnt-Gedenrode Valkenswaard. Turnhout Retie Schoten Kasterte* Hamont*A#íl 'wèėtt. Dessel Limburg. [jagtil Zandhoven Boe holt Kinrooi Hpronlhm ir Figuur 4.4 geeft voor de diepteklassen Ondiep en Middiep van het grondwater het verloop van de drie soorten presentiegraad van GBM van 2003 t/m 2016, zoals afgeleid met het kernmeetnet. Te vens is gegeven het aantal meetfilters en het aantal stoffen waarmee deze is bepaald. Uit figuur 4.4 blijkt dat er voor geen van de twee diepteklassen sprake is van een monotone ont wikkeling van de presentiegraad van GBM in het grondwater van het kernmeetnet. We hebben ook voor elk van de 56 meetfilters en elk van de 66 stoffen van het kernmeetnet GW trendanalyse toegepast op de presentiegraad P(rg) van GBM in het grondwater (met logistische re gressie, zie Ş 3.3). Daarbij is voor geen van deze 122 P(rg)-reeksen een statistisch significante trend gedetecteerd. Icastat en amo 22 Trendanalyse dataset Brede Screening Maasstroomgebied

25 Figuur 4.4: Verloop van de drie soorten presentiegraad van GBM voor de twee diepteklassen van het kernmeetnet grondwater, van 2003 t/m Elke deelfiguur toont tevens zowel het verloop van het aantal meetfilters als dat van het aantal stoffen. De onderliggende cijfers zijn vermeld in de tabel onder de figuur. 1,80 0,60 P(rg) - Kernmeetnet grondwater -Ondiep I IMeetf IZZIStof ^P(rg) P(0,1) en P(1) -Kernnet grondwater -Ondiep J on c0j 25 Q. ZOJ ,80 1ƒ2% ļīb ûľ 0,60 0,00 P(rg) - Kernmeetnet grondwater - Middiep I I Meetf I I Stof P(rg) P(0,1) en P(1) - Kernnet grondwater -Middiep M e e tp u n te n /S to ffe n (-) M e e tp u n te n /S to ffe n (-) 1=1 Meetf ^ZISto^*-P(0,1^*-P(1) l= Meetf [=Stof -#-P(0,1) -*-P(1) Ondiep Middiep P(rg) 1,60 1,30 1,60 1,40 P(rg) 1,10 1,20 0,90 1,10 P(0,1) 0,70 0,30 0,60 0,70 P(0,1) 0,40 0,30 0,50 0,60 P(1) 0,000 0,000 0,060 0,120 P(1) 0,050 0,050 0,050 0,050 Meetf Meetf Stof Stof Icastat en amo 23 Trendanalyse dataset Brede Screening Maasstroomgebied

26 5 Ontwikkelingen GBM in oppervlaktewater 5.1 Ontwikkeling concentratie GBM in oppervlaktewater Een meetreeks van de concentratie GBM in het oppervlaktewater is op trend geanalyseerd als deze minstens vijf jaar beslaat en hetzij minstens vijf meetwaarden heeft, of in minstens drie jaar minstens een meetwaarde heeft, anders bevat deze te weinig informatie. Van de meetreeksen vielen er zo af (55,5% van het totaal). Van de overige bleken er alleen e waarden te omvatten, waarmee ze al zonder trendanalyse in de resultaatklasse trend vallen. De resterende meetreeksen (15,^ van het totaal) zijn geanalyseerd op trend, waarbij bleek dat 98 daarvan een statistisch significante trend vertoonden. Dit betreft 29 stijgingen en 69 dalingen, waarbij 25 stoffen en 47 meetpunten zijn betrokken, zoals vermeld in de tabellen 5.1 en 5.2. Tabel 5.1: Verdeling van de 98 statistisch significante trends van concentratie GBM in het oppervlaktewater over de 25 betrokken stoffen. Stof Stijging Daling Totaal 2,6-dichloorbenzamide (BAM) aminoacetofenon methyl-4-chloorfenoxyazijnzuur aminomethylfosfonzuur (AMPA) 1 1 atrazine 1 1 azoxystrobin 1 1 bentazon 1 1 carbendazim chloorprofam diethyltoluamide (DEET) 6 6 diuron ethofumesaat flutolanil 1 1 imidacloprid 3 3 isoproturon 8 8 linuron mecoprop (MCPP) 6 6 metazachloor 1 1 metolachloor 2 2 pirimicarb pyrimethanil 2 2 simazine 4 4 som cholinesteraseremmers 1 1 tebuconazol 3 3 terbutylazine Totaal De stoffen met meerdere veranderingen in één richting en geen in de andere richting zijn diuron (22 dalingen), isoproturon (8 dalingen), diethyltoluamide (DEET) en mecoprop (MCPP) (beide 6 dalingen), 2,6-dichloorbenzamide (BAM) (5 stijgingen), simazine (4 dalingen), imidacloprid (3 dalingen) en tebuconazol (3 stijgingen). Het beeld voor carbendazim is sterk gevarieerd, met 5 stijgingen en 7 dalingen. Icastat en amo 24 Trendanalyse dataset Brede Screening Maasstroomgebied

27 Tabel 5.2: Verdeling van de 98 statistisch significante trends van concentratie GBM in het oppervlaktewater over de 47 betrokken meetpunten. Meetpunt Bronhouder Stijging Daling Totaal Ws Aa en Maas Ws Aa en Maas Ws Aa en Maas Ws Aa en Maas Ws Brabantse Delta Ws Brabantse Delta Ws Brabantse Delta Ws Brabantse Delta Ws Brabantse Delta Ws De Dommel Ws De Dommel Ws De Dommel Ws De Dommel Ws De Dommel Ws De Dommel Ws De Dommel (WBD) Ws Brabantse Delta Ws De Dommel Ws De Dommel Ws Brabantse Delta Ws Aa en Maas Ws Aa en Maas Ws Aa en Maas Ws Aa en Maas Ws Brabantse Delta Ws Brabantse Delta Ws Brabantse Delta 1 1 ALMB0024 Ws Rivierenland 2 2 ALMB0037 Ws Rivierenland ALMB0041 Ws Rivierenland 1 1 BRA RIWA 1 1 FO 01 Ws Hollandse Delta FO 03 Ws Hollandse Delta FOP 0306 Ws Hollandse Delta 1 1 FOP 1001 Ws Hollandse Delta 1 1 FOP 1101 Ws Hollandse Delta 1 1 FOP 1301 Ws Hollandse Delta FOP 1710 Ws Hollandse Delta 2 2 FOP 1736 Ws Hollandse Delta GO 04 Ws Hollandse Delta 2 2 GO 08 Ws Hollandse Delta GOP 0302 Ws Hollandse Delta 1 1 LGGA5101 Ws Hollandse Delta 1 1 LGGA5102 Ws Hollandse Delta LGGA5104 Ws Hollandse Delta LGGA5107 Ws Hollandse Delta 2 2 OVLOO725 Ws Limburg 1 1 Totaal Icastat en amo 25 Trendanalyse dataset Brede Screening Maasstroomgebied

28 Uit tabel 5.2 blijkt dat de meeste veranderingen in één richting optreden bij de meetpunten (5 dalingen) en (3 dalingen). De trendplots van de 98 meetreeksen met statistisch significante verandering zijn weergegeven in bijlage 3. Figuur 5.1 toont hiervan twee voorbeelden. Figuur 5.1: Twee voorbeelden van trendplots van gewasbeschermingsmiddelen in het oppervlakte water met statistisch significante trend. Links van diuron, zoals gemeten op meetpunt en rechts van 2,6-dichloorbenzamide (BAM), zoals gemeten op meetpunt Trendplot diuron Trendplot ,6-dichloorbenzamide (BAM) tijd ree kswaa rde n tijd reeks waa rde n Oordeel s trend De aeschatte trend = eenheden oer iaar. Oordeel s trend De aeschatte trend = eenheden Der iaar. Toelichting op de LOWESS-liin in de trendplot De LOWESS-lijn beschrijft een lokaal gemiddelde van de meetwaarden, op basis van lokale gewogen regressie [Cleveland, 1979]. LOWESS staat voor LOcally WEighted Scatterplot Smoothing. Het is een flexibele manier om de langetermijn-veranderingen van een tijdreeks te tonen, maar is nog slechts een beschrijvend instrument, zonder statistische toetsing. Op iteratieve wijze wordt voor elk tijdstip de bijbehorende waarde van de LOWESS-lijn geschat met gewogen regressie, waarbij de gewichten zowel een functie zijn van de afstand tot het betreffende tijd-stip, als van het modelresidu van de vorige modeliteratie. De gladheidsfactor f bepaalt het venster dat aan weerskanten van elk tijdstip bij de modellering wordt betrokken en bepaalt daarmee mede de gladheid van de resulterende lijn. Deze factor hebben we voor de hier gepresenteerde figuren op 0,5 gezet, aangezien die waarde in de praktijk doorgaans de bruikbaarste LOWESS-lijnen oplevert [Helsel and Hirsch, 1992]. Icastat en amo 26 Trendanalyse dataset Brede Screening Maasstroomgebied

29 5.2 Ontwikkeling presentiegraad GBM in oppervlaktewater Figuur 5.2 toont het verloop van de drie soorten presentiegraad van GBM (zie Ş 3.4) in het oppervlaktewater van 1998 t/m De figuur toont tevens zowel het verloop van het aantal meetpunten als dat van het aantal stoffen. Figuur 5.2: Verloop van de drie soorten presentiegraad van GBM in het oppervlaktewater, van 1998 t/m De figuur toont tevens zowel het verloop van het aantal meetpunten als dat van het aantal stoffen. P(rg) - Oppervlaktewater P(0,1) en P(1) - Oppervlaktewater 1507o o o 1007o 250 " 607o o o 207o o o I IMeetp I IStof ^^P(rg) IZZIMeetp IZZIStof -»-P(0,1) -*-P(1) Uit figuur 5.2 komt naar voren dat zowel P(rg) als P(0,1) geleidelijk is gedaald. Maar deze bevindingen zijn niet gebaseerd op een stabiel meetnet, gezien de sterke veranderingen van zowel het aantal meetpunten als het analysepakket. We kunnen op basis hiervan nog geen harde uitspraken doen over algemene ontwikkelingen van de presentiegraad van GBM in het oppervlaktewater. Om de invloed van de veranderingen van het aantal meetpunten en het analysepakket op de ontwikkeling van de presentiegraad te vermijden hebben we - net als bij GW (zie Ş 4.2)- die ook afgeleid voor een kernmeetnet, zijnde een stabiel deel van het meetnet, met zowel constante ruimtelijke samenstelling als constant analysepakket. Daarbij zijn de stappen doorlopen vermeld in Ş 4.2. Dit leverde een kernmeetnet OW op dat bestaat uit een dataselectie van de jaren 2003, 2007, 2011 en 2016, afkomstig van 35 meetpunten en 60 stoffen (2.100 meetreeksen). De meetpunten zijn van de waterschappen Aa en Maas, Brabantse Delta en De Dommel. Elk van de aldus geselecteerde meetreeksen omvat doorgaans vier meetwaarden per jaar, maar lokaal en tijdelijk kan dat afwijken. In principe kunnen afwijkingen in meetfrequentie het beeld van de ontwikkeling van de presentiegraad enigszins vertekenen, maar we gaan er van uit dat de vertekeningen slechts beperkt zijn, doordat de afwijkingen gering in aantal zijn. De samenstelling van het kernmeetnet OW (meetpunten, stoffen) is vermeld in bijlage 4. Figuur 5.3 toont de locaties van de meetpunten van het kernmeetnet. Icastat en amo 27 Trendanalyse dataset Brede Screening Maasstroomgebied

30 Figuur 5.3: Locaties van de meetpunten van het kernmeetnet OW. Dferdrectit. ZaitÉoromel Groesbeífs lergen Berqenop' Zoom Stabroek järitwi Roosendaal l;-sen Brasschaat Schoten Zevenbergen..Etten-Leur Zunder! Wuustweíreľ Rŕin^t B recht Malle Zuursel Zandhoven Oosţerhūut fdongen Badrlt- tenjy Merksplas Ravels Turnhout Kasterlee Waalwijk '5-HērtOi GgirlO Heesthr los male S""' IV Veghel Boxtel 4 0 USint-Oedenrode \ Loinmel Valkemwaard, Gemen Helmoi Asren ^amont-äiľl - weert' Deurne Limburg Gennep Sòïmeer -'W Venray Roermond Figuur 5.4 geeft het verloop van de drie soorten presentiegraad van GBM van 2003 t/m 2016, zoals afgeleid met het kernmeetnet. Tevens is gegeven het aantal meetpunten en het aantal stoffen waarmee deze is bepaald. Figuur 5.4: Verloop van de drie soorten presentiegraad van GBM in het kernmeetnet oppervlaktewater, van 2003 t/m Elke deelfiguur toont tevens zowel het verloop van het aantal meetpunten als dat van het aantal stoffen. De onderliggende cijfers zijn vermeld in de tabel onder de figuur. P(rg) - Kernmeetnet oppervlaktewater P(0,1) en P(1) - Kernmeetnet oppervlaktewater QD ûľ OJ 50 o ín coj 25 Q. OJ OJ J 50 GO coj 25 Q. ŬJ OJ I I Meetp IZZI Stof P(rg) 1=1 Meetp Stof -*-P(0,1) -#-P(1) P(rg) 14,80 12,70 10,50 8,50 P(0,1) 5,00 4,20 3,50 3,60 P(1) 0,20 0,10 0,20 0,10 Meetp Stof Uit figuur 5.4 blijkt dat er sprake is van een duidelijke daling van de presentiegraad P(rg) van GBM in het oppervlaktewater van het kernmeetnet. Bij toetsing blijkt er sprake van een statistisch significante daling (toetsing uitgevoerd met logistische regressie, zie figuur 5.5). Icastat en amo 28 Trendanalyse dataset Brede Screening Maasstroomgebied

31 Figuur 5.5: Trendplot van de P(rg)-reeks van GBM in het kernmeetnet oppervlaktewater, met in rood het logistische regressiemodel van de reeks. Er is sprake van een statistisch significante daling. Trendplot kernmeetnet OW Alles tijdreekswaarde We hebben ook voor elk van de 35 meetpunten en elk van de 60 stoffen van het kernmeetnet trendanalyse toegepast op de presentiegraad P(rg) van GBM in het oppervlaktewater (met logistische regressie, zie Ş 3.3). De resultaten zijn samengevat in tabel 5.3. Tabel 5.3: Samenvatting van de trendanalyseresultaten van de presentiegraad P(rg) van GBM in het oppervlaktewater voor elk van de 35 meetpunten en elk van de 60 stoffen van het kernmeetnet. P(rg)-reeks per meetpunt P(rg)-reeks per stof Trendsoort Aantal 0zž Trendsoort Aantal 0zž Stijging 0 0^ Stijging 6 10^ 13 37,10zž 39 65^ Daling 22 62^ Daling 15 25^ ^ ^ Zoals tabel 5.3 aangeeft zijn bij de trendanalyses statistisch significante dalingen van de presentiegraad gedetecteerd voor 22 van de 35 meetpunten (63^^ en 15 van de 60 stoffen (25^!). En voor 6 van de 60 stoffen (ÏO1^) zijn statistisch significante stijgingen gedetecteerd. Voor de meetpunten zijn geen statistisch significante stijgingen gedetecteerd. De resultaten zijn zowel per meetpunt als per stof vermeld in tabel 5.4. De trendplots van de reeksen met statistisch significante trend zijn weergegeven in bijlage 5. Icastat en amo 29 Trendanalyse dataset Brede Screening Maasstroomgebied

32 Tabel 5.4: Trendanalyseresultaten van de presentiegraad P(rg) van GBM in het oppervlaktewater voor elk van de 35 meetpunten (boven) en elk van de 60 stoffen (onder) van het kernmeetnet. Meetpunt Bronhouder Trend Ws Aa en Maas Daling Ws Aa en Maas Daling Ws Aa en Maas Ws Aa en Maas Daling Ws Aa en Maas Ws Aa en Maas Daling Ws Aa en Maas Ws Brabantse Delta Daling Ws Brabantse Delta Ws Brabantse Delta Ws Brabantse Delta Ws Brabantse Delta Ws Brabantse Delta Daling Ws Brabantse Delta Ws De Dommel Daling Ws De Dommel Daling Ws De Dommel Daling Ws De Dommel Daling Meetpunt Bronhouder Trend Ws De Dommel Daling Ws De Dommel Ws De Dommel Daling Ws De Dommel Daling (WBD) Ws Brabantse Delta Ws De Dommel Ws De Dommel Daling Ws De Dommel Daling Ws Brabantse Delta Daling Ws Aa en Maas Daling Ws Aa en Maas Daling Ws Aa en Maas Ws Aa en Maas Daling Ws Aa en Maas Daling Ws Brabantse Delta Daling Ws Brabantse Delta Daling Ws Brabantse Delta Stof Trend Stof Trend 2,4-dichloorfenoxyazijnzuur imidacloprid 2-methyl-4-chloorfenoxyazijnzuur isoproturon Daling abamectine kresoxim-methyl atrazine Daling linuron azoxystrobin mecoprop (MCPP) Daling bentazon metabenzthiazuron Daling bitertanol metamitron Stijging broomoxynil metazachloor carbaryl Daling methiocarb carbendazim Daling methyl-metsulfuron chloorprofam Daling methylpirimifos chloridazon Stijging metolachloor cycloxydim metoxuron Daling cyprodinil Stijging metribuzin deltamethrin nicosulfuron Stijging diazinon penconazool Daling dichlobenil Daling pencycuron diethyltoluamide (DEET) Daling pirimicarb difenoconazool propiconazol diflubenzuron propoxur dimethoaat propyzamide diuron Daling prosulfocarb ethofumesaat Daling pymetrozine ethylchloorpyrifos pyrimethanil Daling etridiazol simazine Daling fenamifos tebuconazol Stijging fenhexamide terbutylazine fenitrothion triclopyr fluroxypyr Stijging trifloxystrobin flutolanil triflusulfuron-methyl Icastat en amo 30 Trendanalyse dataset Brede Screening Maasstroomgebied

33 6 Overzicht ontwikkelingen op stofniveau Onderstaande tabel geeft een overzicht van de in de twee voorgaande hoofdstukken vastgestelde statistisch significante ontwikkelingen op stofniveau. Dat betrof 35 stoffen. Van de 129 in deze studie vastgestelde statistisch significante trends zijn 91 dalingen (70,5%) en 38 stijgingen (29,5%). Grondwater Oppervlaktewater Sommatie Per meetreeks Per meetreeks Kernmeetnet Stof Stijging Daling Stijging Daling Stijging Daling Stijging Daling 2,6-dichloorbenzamide (BAM) aminoacetofe non methyl-4-chloorf e noxyazij nzuur aminomethylfosfonzuur (AMPA) 1 1 atrazine azoxystrobin 1 1 bentazon carbaryl 1 1 carbendazim chloorprofam chloridazon 1 1 cyprodinil 1 1 dichlobenil 1 1 diethyltoluamide (DEET) diuron ethofumesaat fluroxypyr 1 1 flutolanil 1 1 imidacloprid 3 3 isoproturon linuron mecoprop (MCPP) metabenzthiazuron 1 1 metamitron 1 1 metazachloor 1 1 metolachloor 2 2 metoxuron 1 1 nicosulfuron 1 1 penconazool 1 1 pirimicarb pyrimethanil simazine som cholinesteraseremmers 1 1 tebuconazol terbutylazine Totaal De resultaten per meetreeks betreffen de ontwikkeling van de concentratie voor een combinatie van meetpunt en stof, terwijl de resultaten voor het kernmeetnet de ontwikkeling betreffen van de presentiegraad P(rg) van de stof over alle meetpunten van het kernmeetnet. Deze laatste geven daarmee een algemener beeld van de stofontwikkeling. Icastat en amo 31 Trendanalyse dataset Brede Screening Maasstroomgebied

34 De stoffen waarvan meerdere reeksen zijn gedaald en geen reeksen zijn gestegen zijn dan (in volgorde) diuron, isoproturon, diethyltoluamide (DEET), mecoprop (MCPP), simazine, atrazine, imidacloprid en pyrimethanil. En van tebuconazol zijn meerdere reeksen gestegen en geen reeksen gedaald. Het beeld voor carbendazim is gemengd. Icastat en amo 32 Trendanalyse dataset Brede Screening Maasstroomgebied

35 Aangehaalde literatuur» Baggelaar, P.K. en Van der Meulen, E.C.J. (2012): Trendanalist - Gebruikershandleiding. Icastat en AMO, april 2012, 43 blz.» Cleveland, W.S. (1979): Robust Locally Weighted Regression and Smoothing Scatterplots. Journal of American Statistical Association 74, blz » Conover, W.J. (1980): Practical nonparametric statistics. John Wiley, New York.» Helsel, D.R. and Hirsch, R.M. (1992): Statistical Methods in Water Resources. Studies in Environmental Science 49. Elsevier, Amsterdam, 546 blz.» Hirsch, R.M., Slack, J.R. and Smith, R.A. (1982): Techniques of trend analysis for monthly water quality data. Water Resources Research, vol. 18, no. 1, February 1982, blz » Hirsch, R.M. and Slack, J.R. (1984): A nonparametric trend test for seasonal data with serial dependence. Water Resources Research, vol. 20, no. 6, June 1984, blz » Hirsch, R.M., Alexander, R.B. and Smith, R.A. (1991): Selection of methods for the detection and estimation of trends in water quality. Water Resources Research, vol. 27, no. 5, May 1991, blz » Kendall, M.G. (1938): A new measure of rank correlation. Biometrika, 30, 1938, blz » Kendall, M.G. (1975): Rank Correlation Methods. Charles Griffin, London, 1975.» Mann, H.B. (1945): Non-parametric tests against trend. Econometrica 13, blz , 1945.» Royal HaskoningDHV (2017): Feitenrapport Brede Screening bestrijdingsmiddelen en opkomende stoffen Maastroomgebied Brede Screening Maas Rapport WATBF1729R001D00, F.Th. Verhagen, A. Holsteijn en M. Schipper, 01/Concept 16 november 2017, 25 blz.» Sen, P.K. (1968): Estimates of the regression coefficient based on Kendall's tau. Journ. Am. Statist. Assoc., 63, blz , 1968.» Theil, H. (1950): A rank-invariant method of linear and polynomial regression analysis, 1,2 and 3. Ned. Akad. Wetensch. Proc., 53, blz , en Icastat en amo 33 Trendanalyse dataset Brede Screening Maasstroomgebied

36 Bijlage 1: Technische toelichting op trendanalyse meetreeksen Bij deze studie is trendanalyse toegepast op de meetreeksen van de Brede Screening Maasstroomgebied. Dit is een statistische techniek om objectief vast te kunnen stellen of een bepaalde meetreeks een trend vertoont, waarbij tevens een schatting voor de grootte van de trend wordt gegeven. Onder het begrip trend verstaan we hier een verandering van het centrum van de kansverdeling van de meetwaarden over tenminste enkele jaren. Seizoensmatige veranderingen en kortstondige calamiteiten vallen daar dus niet onder. Een statistische trendanalyse omvat per geanalyseerde reeks twee onderdelen, namelijk: (1) trenddetectie - dit levert een objectief antwoord op de vraag of de reeks een trend vertoont en wordt uitgevoerd met een statistische toets op trend; (2) trendkwantificering - dit levert een schatting van de grootte van de trend, bijvoorbeeld uitgedrukt als verandering per jaar. Trends kunnen verschillende vormen hebben, maar we hebben ons in deze studie beperkt tot de monotone trend. Een monotone trend is een verandering die doorgaans dezelfde kant opgaat, dat wil zeggen opwaarts of neerwaarts, ongeacht of dit lineair, stapsgewijs of in een andere vorm is. Waar het gaat om milieuveranderingen is dit een veel voorkomende trendvorm. Er bestaan meerdere statistische toetsen op monotone trend in meetreeksen. De bekendste is de lineaire regressietoets, gebaseerd op een lineair regressiemodel van de reeks, met de tijd als verklarende variabele. Er zijn ook toetsen beschikbaar die uitgebreidere vormen hanteren van het lineaire regressiemodel, om rekening te kunnen houden met log-normaliteit, seizoeneffecten en/of autocorrelatie8. Verder zijn er diverse verdelingsvrije toetsen beschikbaar, die geen eisen stellen aan het soort kansverdeling waar de meetwaarden uit afkomstig zijn, zoals de Mann-Kendalltoets [Mann, 1945; Kendall, 1938 en 1975] en uitbreidingen daarvan om rekening te kunnen houden met seizoeneffecten [Hirsch e.a., 1982], of met zowel seizoeneffecten als autocorrelatie [Hirsch and Slack, 1984]. Ter ondersteuning van de trendanalyses in deze studie hebben we het door ons ontwikkelde programma Trendanalist toegepast [Baggelaar en Van der Meulen, 2012]. Het is er op gericht om elke daarvoor geschikte meetreeks statistisch te toetsen op trend met de daarvoor meest geschikte trendtoets en daarbij tevens de meest geschikte trendkwantificering te verkrijgen. Trends kunnen door Trendanalist objectief worden vastgesteld als er meerjarige meetreeksen beschikbaar zijn. Daarbij houdt het programma rekening met de bijzondere karakteristieken die vaak kenmerkend zijn voor meetreeksen van milieuparameters, zoals niet-normale kansverdelingen, seizoeneffecten, autocorrelatie, ontbrekende meetwaarden en e meetwaarden. Het programma kan de analyse van een groot aantal meetreeksen (zoals van een meetnet) volledig automatisch uitvoeren, maar de gebruiker kan een meetreeks desgewenst ook handmatig analyseren, aangezien het programma daarvoor een uitgebreide statistische toolbox bevat. 8 Autocorrelatie is het verschijnsel dat opeenvolgende meetwaarden van een meetreeks een statistische relatie vertonen. Veel statistische technieken zijn gebaseerd op de vooronderstelling dat meetwaarden onafhankelijk van elkaar zijn genomen. Icastat en amo 34 Trendanalyse dataset Brede Screening Maasstroomgebied

37 Van meetreeks naar tijdreeks Meetreeksen van milieuvariabelen zijn zelden direct geschikt voor trendanalyse, vanwege uitschieters, tussentijdse veranderingen in meetfrequentie, ontbrekende waarden, of e waarden. Trendanalist zal daarom eerst elke meetreeks controleren op dergelijke ongewenste karakteristieken en vervolgens zonodig aanpassingen aanbrengen. In het nu volgende is aangegeven hoe dat geschiedt. Trendanalist voert alleen trendanalyses uit op tijdreeksen met één van de zeven in tabel b1.1 vermelde tijdseenheden. Tabel b1.1: De tijdseenheden waarop Trendanalist trendanalyse kan uitvoeren. Tijdseenheid Aantal waarden per jaar Vier weken 13 Maand 12 Twee maanden 6 Kwartaal 4 Vier maanden 3 Zes maanden 2 Jaar 1 De redenen waarom geen trendanalyse wordt uitgevoerd op tijdreeksen met een kortere tijdseenheid dan vier weken zijn: 1. eventuele seizoeneffecten zijn dan moeilijker te herkennen; 2. de autocorrelatie kan dan zulke grote vormen aannemen, dat elke trendtoets daardoor onbruikbaar wordt. Bij de voorbewerking wordt elke meetreeks omgezet in een tijdreeks met één van de in tabel b1.1 vermelde tijdseenheden. De tijdseenheid die het best past bij een meetreeks is de eerste tijdseenheid die een tijdreeks oplevert met minder dan 30% ontbrekende waarden, beginnend bij de tijdseenheid die het dichtst bij het meest voorkomende meetinterval in de meetreeks ligt. Als de tijdreeks 30% of meer ontbrekende waarden bevat wordt een grotere tijdseenheid genomen, totdat de reeks wél minder dan 30% ontbrekende waarden bevat. Een speciaal geval is de keuze tussen de tijdseenheid Vier weken en de tijdseenheid Maand, aangezien die zeer dicht bij elkaar liggen. De tijdseenheid Vier weken wordt pas verkozen boven de tijdseenheid Maand als dit geen groter percentage ontbrekende waarden oplevert. Zo wordt vermeden dat er bij het omzetten van een meetreeks onnodig ontbrekende waarden in de resulterende tijdreeks worden gecreëerd. Het omzetten van een meetreeks naar een tijdreeks geschiedt door alle waarden van de meetreeks die binnen de tijdseenheid van de tijdreeks vallen te vervangen door hun mediaan. Dit principe wordt ook gehanteerd om een tijdreeks om te zetten naar een tijdreeks met een grotere tijdseenheid. Maar als de gebruiker wil dat hiervoor het rekenkundig gemiddelde wordt gehanteerd in plaats van de mediaan, kan dit worden aangepast. De aanpassing blijft echter alleen gelden voor de betreffende sessie. Icastat en amo 35 Trendanalyse dataset Brede Screening Maasstroomgebied

38 Speciale criteria voor het omzetten naar een tijdreeks op jaarbasis Als enige uitzondering mag bij de tijdseenheid Jaar wél 30^ of meer van de jaren leeg zijn, op voorwaarde dat er wel minstens voor drie van de kalenderjaren een jaarwaarde is. De criteria die worden gehanteerd voor een jaarwaarde zijn: a. als er in een kalenderjaar minstens twee meetwaarden voorkomen, dan is hun mediaan (of hun rekenkundig gemiddelde, als die optie door de gebruiker is geselecteerd) de jaarwaarde; b. als er in een kalenderjaar maar één meetwaarde is, dan krijgt dat kalenderjaar geen jaarwaarde, tenzij er in geen van de andere kalenderjaren meer dan één meetwaarde voorkomt, want dan is de meetwaarde de jaarwaarde. Op deze wijze wordt voorkomen dat er een tijdreeks ontstaat met zowel enkelvoudige meetwaarden als medianen (of gemiddelden) van meetwaarden. De statistische toetsen gaan er namelijk van uit dat alle waarden in de tijdreeks dezelfde nauwkeurigheid hebben en dat is niet het geval als er zowel meetwaarden als medianen (of rekenkundige gemiddelden) van meetwaarden in de tijdreeks voorkomen. Dit zal overigens ook al niet het geval zijn - zij het in mindere mate - als de jaren sterk verschillende aantallen meetwaarden bevatten, maar het is moeilijk daar passende criteria in het programma voor op te nemen. De gebruiker dient er daarom ook zelf op toe te zien dat er geen reeksen aan Trendanalist worden aangeboden met té sterk wisselende meetfrequenties. Trenddetectie De aanpak die is vervat in Trendanalist stelt in staat voor elke meetreeks de trendtoets te hanteren die het best aansluit op de karakteristieken van die reeks. De daartoe ter beschikking staande trendtoetsen zijn in te delen in twee groepen, namelijk: 1. de lineaire regressietoets en zijn uitbreidingen; 2. de Mann-Kendalltoets en zijn uitbreidingen. Een toets uit de eerste groep is van toepassing als de residuen van het lineaire regressiemodel afkomstig zijn uit een normale kansverdeling. Als dat niet het geval is, is een toets uit de tweede groep van toepassing. De Mann-Kendalltoetsen zijn zogenaamde verdelingsvrije toetsen, die geen voorwaarden stellen aan het soort achterliggende kansverdeling. Voor beide groepen zijn de uitbreidingen bedoeld om ook rekening te kunnen houden met seizoeneffecten en/of autocorrelatie. Om te bewerkstelligen dat voor elke meetreeks de meest geschikte trendtoets wordt gehanteerd, past het programma een selectieprocedure toe (zie figuur b1.1). Trendkwantificering Voor wat betreft de trendkwantificering zijn de volgende drie trendschatters beschikbaar: 1. de lineaire regressiehelling in het geval van een normale kansverdeling; 2. de Theilhelling in het geval van een niet-normale kansverdeling en geen seizoeneffecten; 3. de Kendall-seizoenshelling in het geval van een niet-normale kansverdeling en seizoeneffecten. Voor elke reeks wordt een trend geschat, ongeacht of er met de trendtoets een statistisch significante trend in de tijdreeks is gedetecteerd. Aangezien ook bij de selectie van een trendtoets wordt afgegaan op kansverdeling, seizoeneffecten en autocorrelatie, worden altijd dezelfde combinaties van trendtoets en trendschatter gehanteerd. Deze combinaties zijn vermeld in tabel b1.2. Icastat en amo 36 Trendanalyse dataset Brede Screening Maasstroomgebied

39 Figuur b1.1: Hoofdlijnen van de procedure om de geschiktste trendtoets voor een meetreeks te selecteren. meetreeks voorbewerking tijdreeks j*- reeks.seizoensefíect?. MK/MKs LR/LRs reeks autocorrelatie? residuen normaal? residuen autocorrelatie? MKsa residuen autocorrelatie? LRa/LRsa trend? omzetten naar grotere tijdseenheid De verschillende onderdelen van de selectieprocedure zijn in bovenstaand schema als volgt onderscheiden door vormen en kleuren: oranje ellips: invoer oranje parallellogram: bewerkte invoer lichtblauwe rechthoek: actie gele ruit: beslismoment blauwe rechthoek: trendtoets groene ellips: uitvoer Trendtoetsen: LR: lineaire regressietoets MK: Mann-Kendalltoets s: met verdiscontering seizoeneffecten a: met verdiscontering autocorrelatie sa: met verdiscontering seizoeneffecten en autocorrelatie Tabel b1.2: De vaste combinaties van trendtoets en trendschatter die de selectieprocedure hanteert. Trendtoets LR, LRs, LRa of LRsa MK MKs of MKsa Trendschatter Lineaire regressiehelling Theilhelling Kendall-seizoenshelling Theilhelling In het geval van een niet-normale kansverdeling en geen seizoeneffecten wordt een trend geschat als de Theilhelling [Theil, 1950, Sen, 1968]. Dit is de mediaan van alle mogelijke hellingen tussen de afzonderlijke waarden in de tijdreeks: Icastat en amo 37 Trendanalyse dataset Brede Screening Maasstroomgebied

40 bth = mediaan Zt - Zk Xt - Xk voor alle 1 ŭ k < t ŭ n waarin bth de Theilhelling (meeteenheid/jaar), Z de waarden van de beschouwde variabele (meeteenheid), X de tijd (jaar, met ook de jaarfractie), t en k waarden van de tijdsindex en n het aantal waarden in de reeks. Er zijn m(n-1^2 hellingen te bepalen bij n tijdreekswaarden. De Theilhelling is op te vatten ais een verdelingsvrije schatter, die vrij resistent is tegen de invloed van extremen, omdat de mediaan van alle individuele hellingen wordt gebruikt (zie het voorbeeld in figuur b1.2). Figuur b1.2: Illustratie van de robuustheid van de Theilhelling ten opzichte van de lineaire regressiehelling bij een uitschieter in de reeks Uitschieter Lineaire regressielijn Theillijn Verder is deze hellingschatter zuiver - dat wil zeggen zonder systematische fout - en met een grotere nauwkeurigheid dan die van de lineaire regressiehelling bij tijdreeksen met waarden afkomstig uit een scheve kansverdeling. Dit speelt zelfs al bij geringe afwijkingen van normaliteit, die op steekproefniveau praktisch niet visueel zijn te onderkennen. Dit laatste is bijvoorbeeld met een simulatiestudie geïllustreerd door [Hirsch et al, 1991]. Kendall-seizoenshelling Als er sprake is van een niet-normale kansverdeling en er ook seizoeneffecten optreden, wordt een trend geschat als de Kendall-seizoenshelling [Sen, 1968; Hirsch et al, 1982], gedefinieerd als: bks = mediaan Ztj - Zkj Xt - Xk voor alle 1 ŭ k < t ŭ nj en voor j = 1,..., s waarin bks de Kendall-seizoenshelling (meeteenheid/jaar), t en k waarden van de jaarindex, j de seizoensindex, nj het aantal jaar met een tijdreekswaarde in seizoen j en s het aantal tijdreekswaarden in een jaar (bij analyse op maandschaal is s bijvoorbeeld 12). Het is dus de mediaan van álle hellingen tussen tijdreekswaarden die precies een heel aantal jaren uit elkaar liggen. Deze schatter wordt niet beïnvloed door seizoeneffecten, omdat de hellingen slechts worden bepaald voor waarden uit hetzelfde seizoen, die één of meer jaren uit elkaar liggen. Het betreft een zuivere schatter en met een grotere nauwkeurigheid dan die van de lineaire regressiehelling bij tijdreeksen met seizoeneffecten, autocorrelatie en een scheve kansverdeling [Hirsch et al, 1982]. Icastat en amo 38 Trendanalyse dataset Brede Screening Maasstroomgebied

41 Resulterende Om de geschatte trend van een tijdreeks grafisch te kunnen weergeven in een, is tevens een schatting van het intercept (bo) nodig. Dit is het snijpunt van de met de Y-as voor het nulpunt van X (de tijd). Als er sprake is van een normale kansverdeling, dan maakt de schatting van het intercept al deel uit van de schatting van het lineaire regressiemodel. Als er daarbij ook sprake is van een seizoeneffect en het uitgebreide lineaire regressiemodel is gebruikt, dan moet het geschatte intercept worden gecorrigeerd voor het daarin vervatte seizoeneffect. Als er geen sprake is van een normale kansverdeling, dan wordt het intercept verdelingsvrij geschat, volgens [Conover, 1980]: b0 = mediaan ļzt voor 1 ^ t ^ n ]- b1 - mediaan [Xf voor 1 ^ t ^ n] waarin Z de waarden van de beschouwde variabele (meeteenheid), X de tijd (jaar, met daarbij ook de jaarfractie), t de tijdsindex, n het aantal waarden in de reeks en bí de geschatte helling (dit is dan de Theilhelling of de Kendall-seizoenshelling). Met het geschatte intercept en de geschatte helling kan tenslotte de worden geconstrueerd, volgens: Zt = bo + bi' Xt Icastat en amo 39 Trendanalyse dataset Brede Screening Maasstroomgebied

42 Bijlage 2: Trendplots GBM-concentratie grondwater Trendplot B44G bentazon Trendplot B45G ,6-dlchloorbenzamlde (BAM) - tijd reekswaarden ā» Oordeel = trend De geschatte trend s eenheden oer laar. Oordeel = trend De geschatte trend = eenheden oer laar. Trendplot B45H ,6-dichloorbenzamide (BAM) Trendplot B46D bentazon tijd reekswaarde n - tijd reekswaarden Oordeel s trend De geschatte trend « eenheden oer laar. Oordeel s trend De geschatte trend « eenheden oer laar. Trendplot B51F mecoprop (MCPP) Trendplot B52B bentazon 0.1 De geschatte trend " eenheden oer laar. De geschatte trend " eenheden oer laar. Trendplot B57A atrazlne Trendplot B58C dlethyltoluamlde (PEET) 'tijdreekswaarden Oordeel = trend De geschatte trend = eenheden oer laar. Oordeel = trend De geschatte trend = eenheden oer laar. Icastat en amo 40 Trendanalyse dataset Brede Screening Maasstroomgebied

43 Trend plot CPGB-026 bentazon Trendplot CPMA-034 2,6-dlchloorbenzamlde (BAM) - tijd reekswaarde n 0.3 meetwaarden * tijd reekswaarden trend J" De geschatte trend " eenheden oer laar. De oeschatte trend " eenheden oer laar. Icastat en amo 41 Trendanalyse dataset Brede Screening Maasstroomgebied

44 Bijlage 3: Trendplots GBM-concentratie oppervlaktewater Trendplot ethofumesaat Trendplot methyl-4-chloorfenoxyazlJnzuur tijdreekswaarden - - tijdreekswaarden Oordeel s trend e aeschatta trend eenheden oer laar. Oordeel = trend De geschatte trend s eenheden Der laar. Trendplot carbendazlm Trendplot dluron tijdreeks waarden Resultaat LR-toets is Oordeel = trend e geschatte trend = eenheden oer laar. Resultaat LR-toets is Oordeel = trend e geschatte trend = eenheden Der laar. Trendplot linuron Trendplot metolachloor - tijdreekswaarden Oordeel «trend De geschatte trend " eenheden oer iaar. Oordeel trend De geschatte trend» eenheden oer iaar. Trendplot dluron Trendplot ethofumesaat - tijdreekswaarden Oordeel = trend De geechatte trend s eenheden Der laar. Oordeel = trend De geschatte trend s eenheden Der laar. Icastat en amo 42 Trendanalyse dataset Brede Screening Maasstroomgebied

45 Trendplot carbendazlm Trendplot chloorprofam tijd ree kswaarden tijdreekswaarden Resultaat LR-toets is De geschatte trend = eenheden oer laar. Resultaat LR-toets is De geschatte trend = eenheden per laar. Trendplot diethyltoluamide (DEET) Trendplot tebuconazol - tijdreekswaarden Oordeel «trend De geschatte trend» eenheden oer iaar. Oordeel trend De geschatte trend» eenheden oer iaar. Trendplot atrazlne Trendplot carbendazlm tijdreekswaarden Oordeel = trend De geschatte trend s eenheden Der laar. Oordeel = trend De geschatte trend s eenheden per laar. Trendplot diuron Trendplot pyrímethanil - tijdreekswaarden Resultaat LR-toets is De geschatte trend = eenheden oer laar. Resultaat MK-toets (#8) is De geschatte trend = eenheden oer laar. Icastat en amo 43 Trendanalyse dataset Brede Screening Maasstroomgebied

46 Trendplot slmazlne Trendplot metazachloor tijdreekswaarden - tijdreekswaarden Resultaat LR-toets is De geschatte trend = eenheden oer laar. Resultaat LR-toets is De geschatte trend = eenheden per laar. Trendplot metolachloor Trendplot aminoacetofenon - tijdreekswaarden Oordeel «trend De geschatte trend» eenheden oer iaar. Oordeel trend De geschatte trend» eenheden oer iaar. Trendplot plrlmlcarb Trendplot pyrlmethanll Lowess - 5, o-15 ļ»0.3 \ai/ I Oordeel = trend De geschatte trend s eenheden Der laar. Oordeel = trend De geschatte trend s eenheden per laar. Trendplot terbutylazine Trendplot diethyltoluamide (DEET) ^ - - tijdreekswaarden - Resultaat LR-toets is De geschatte trend = eenheden oer laar. Resultaat LR-toets is De geschatte trend = eenheden oer laar. Icastat en amo 44 Trendanalyse dataset Brede Screening Maasstroomgebied

47 Trend plot mecoprop (MCPP) Trend plot bentazon - tijdreekswaarden Resultaat LR-toets is De geschatte trend = eenheden oer laar Resultaat LR-toets is De geschatte trend = eenheden Der laar. Trendplot simazine Trendplot diethyltoluamide (DEET) - tijdreekswaarden Oordeel «trend Da geschatte trend» eenheden oer iaar. Oordeel trend De geschatte trend» eenheden oer iaar. Trendplot dluron Trendplot ,6-dlchloorbenzamlde (BAM) Oordeel = trend De geschatte trend s eenheden Der laar. Oordeel = trend De geschatte trend s eenheden Der laar. Trendplot diuron Trendplot ,6-dichloorbenzamide (BAM) - tijdreekswaarden a. 0.1 Resultaat LR-toets is De geschatte trend = eenheden oer laar. Resultaat LR-toets is De geschatte trend = eenheden oer laar. Icastat en amo 45 Trendanalyse dataset Brede Screening Maasstroomgebied

48 Trendplot dluron Trendplot dlethyltoluamlde (DEET) tijd ree kswaarden tijdreekswaarden Resultaat LR-toets is De geschatte trend = eenheden oer laar. Resultaat LR-toets is De geschatte trend = eenheden per laar. Trendplot diuron Trendplot (WBD) som cholinesteraseremmers Oordeel «trend De geschatte trend» eenheden oer iaar Resultaat MKs-toeta Is Oordeel trend De geschatte trend» e-16 eenheden oer iaar. Trendplot (WBD) terbutylazlne Trendplot methyl-4-chloorfenoxyazlJnzuur - tijdreekswaarden Oordeel = trend De geschatte trend s eenheden Der laar. Oordeel = trend De geschatte trend s eenheden per laar Trendplot diuron tijdreekswaarden Trendplot diuron - tijdreekswaarden 3) Resultaat LR-toets is De geschatte trend = eenheden per laar. Resultaat LR-toets is De geschatte trend = eenheden oer laar. Icastat en amo 46 Trendanalyse dataset Brede Screening Maasstroomgebied

49 Trend plot mecoprop (MCPP) Trend plot dluron tijdreekswaarden Resultaat LR-toets is De geschatte trend = eenheden oer Jeer. Resultaat LR-toets is De geschatte trend = eenheden per laar. Trend plot mecoprop (MCPP) Trendplot ,6-dichloorbenzamide (BAM) - tijdreekswaarden Oordeel «trend De geschatte trend» eenheden oer iaar. Oordeel trend De geschatte trend» eenheden oer iaar. Trendplot dluron Trendplot mecoprop (MCPP) - tijdreekswaarden Oordeel = trend De geschatte trend s eenheden Der laar. Oordeel = trend De geschatte trend s eenheden per laar. Trendplot simazine Trendplot diethyltoluamide (DEET) - - tijdreekswaarden Resultaat LR-toets is De geschatte trend = eenheden oer laar. Resultaat LR-toets is De geschatte trend = eenheden per laar. Icastat en amo 47 Trendanalyse dataset Brede Screening Maasstroomgebied

50 Trendplot dluron Trendplot dluron tijdreekswaarden tijdreekswaarden Resultaat LR-toets is De geschatte trend = eenheden oer laar. Resultaat LR-toets is De geschatte trend = eenheden per laar. Trendplot mecoprop (MCPP) Trendplot carbendazim - tijdreekswaarden Oordeel «trend De geschatte trend» eenheden oer iaar. Oordeel trend De geschatte trend» eenheden oer iaar. Trendplot mecoprop (MCPP) Trendplot slmazlne tijdreekswaarden Oordeel = trend Da geschatte trend s eenheden Der laar. Oordeel = trend De geschatte trend s eenheden per laar. Trendplot diuron Trendplot linuron - tijdreekswaarden Resultaat LR-toets is De geschatte trend = eenheden oer laar. Resultaat LR-toets is De geschatte trend = eenheden oer laar. Icastat en amo 48 Trendanalyse dataset Brede Screening Maasstroomgebied

51 Trend plot ALMB0024 ethofumesaat Trend plot ALMB0024 Isoproturon - tijdreekswaarden Resultaat LR-toets is De geschatte trend = eenheden oer laar. Resultaat MK-toets is De geschatte trend = e-16 eenheden Der laar. Trendplot ALMB methyl-4-chloorfenoxyazijnzuur Trendplot ALM B0037 carbendazim tijdreekswaarden - - tijdreekswaarden Oordeel «trend Da geschatte trend» eenheden oer iaar Oordeel trend De geschatte trend» eenheden oer iaar. Trendplot ALMB0037 dlethyltoluamlde (DEET) Trendplot ALMB0037 dluron tijdreekswaarden Oordeel = trend De geschatte trend s eenheden Der laar. Oordeel = trend De geschatte trend s eenheden per laar. Trendplot ALMB0041 tebuconazol Trendplot BRA diuron - tijdreekswaarden Resultaat MK-toets is De geschatte trend = e-16 eenheden oer laar. Resultaat LR-toets is De geschatte trend = eenheden Der laar. Icastat en amo 49 Trendanalyse dataset Brede Screening Maasstroomgebied

52 I Trend plot FO 01 carbendazlm I tl d reekswaarden scensureerd L Eiwess tr end lijn Trend plot FO 01 dluron tijdreekswaarden ř Resultaat MK-toets is De geschatte trend = eenheden oer laar. Resultaat MK-toats is De geschatte trend = e-16 eenheden Der laar. Trendplot FO 01 isoproturon Trendplot FO 03 diuron - tijdreekswaarden Resultaat MKs-toets Is Oordeel «trend Da geschatte trend» eenheden oer iaar. Resultaat MKsa-toets Is Oordeel trend De geschatte trend» eenheden oer iaar. Trendplot FO 03 flutolanll Trendplot FO 03 Imldacloprld tijdreekswaarden Oordeel = trend De geschatte trend s eenheden Der laar Resultaat MK-toets Is Oordeel = trend De geschatte trend s e-16 eenheden Der laar. Trendplot FO 03 isoproturon Trendplot FOP 0306 carbendazim - tijdreekswaarden Resultaat MK-toets is De geschatte trend = e-16 eenheden oer laar Resultaat MK-toets is De geschatte trend = eenheden oer laar. Icastat en amo 50 Trendanalyse dataset Brede Screening Maasstroomgebied

53 Trendplot FOP 1001 azoxystrobln Trendplot FOP 1101 Isoproturon - tijdreekswaarden Resultaat LR-toets is De geschatte trend = eenheden oer laar Resultaat MK-toets is De geschatte trend = e-16 eenheden per laar. Trendplot FOP 1301 carbendazim Trendplot FOP 1301 chloorprofam - tijdreekswaarden Resultaat LRs-toete Ie Oordeel «trend De geschatte trend» eenheden oer iaar Resultaat MKs-toets Is Oordeel trend De geschatte trend» eenheden oer iaar. Trendplot FOP 1301 Imldacloprld Trendplot FOP 1710 dluron - « Resultaat MK-toets Is Oordeel = trend De geschatte trend s e-16 eenheden per laar. Resultaat MK-toets Is Oordeel = trend De geschatte trend s e-16 eenheden per laar. Trendplot FOP 1710 imidacloprid Trendplot FOP 1736 carbendazim - tijdreekswaarden Resultaat MK-toets is De geschatte trend = e-16 eenheden oer laar. Resultaat MK-toets is De geschatte trend = eenheden oer laar. Icastat en amo 51 Trendanalyse dataset Brede Screening Maasstroomgebied

54 Trendplot FOP 1736 Isoproturon Trendplot GO 04 dluron tijdreekswaarden tijdreekswaarden Resultaat MK-toets is De geschatte trend = e-16 eenheden oer laar. Resultaat MK-toets is De geschatte trend = e-16 eenheden per laar. Trendplot GO 04 isoproturon Trendplot GO 08 2,6-dichloorbenzamide (BAM) - tijdreekswaarden Resultaat LR-toete Is Oordeel «trend De geschatte trend» eenheden oer iaar. Oordeel trend De geschatte trend» eenheden oer iaar. Trendplot GO 08 dluron Trendplot GOP 0302 carbendazlm tijdreekswaarden Oordeel = trend De geschatte trend s eenheden Der laar. Resultaat LRs-toets Is Oordeel = trend De geschatte trend s eenheden per laar. Trendplot LGGA5101 aminomethylfosfonzuur (AMPA) Trendplot LGGA5102 2,6-dichloorbenzamide (BAM) - tijdreekswaarden Resultaat LRs-toets is De geschatte trend = eenheden oer laar Resultaat LR-toets is De geschatte trend = eenheden oer laar. Icastat en amo 52 Trendanalyse dataset Brede Screening Maasstroomgebied

55 Trend plot LGGA5102 carbendazlm Trendplot LGGA5102 plrlmlcarb tijdreekswaarden Resultaat MK-toets is De geschatte trend = eenheden oer Jeer. Resultaat MK-toets is De geschatte trend = e-16 eenheden per laar. Trendplot LGGA5102 tebuconazol Trendplot LGGA methyl-4-chloorfenoxyazijnzuur - tijdreekswaarden Resultaat MK-toets Is Oordeel «trend De oeschatte trend» e-16 eenheden oer iaar Resultaat LRs-toets Is Oordeel trend De geschatte trend» eenheden oer iaar. Trendplot LGGA5104 carbendazlm Trendplot LGGA5104 ethofumesaat Resultaat MK-toets Is Oordeel = trend De geschatte trend s e-16 eenheden per laar. Resultaat MK-toets Is Oordeel = trend De geschatte trend s e-16 eenheden per laar. Trendplot LGGA5104 isoproturon Trendplot LGGA5107 diuron - tijdreekswaarden - Resultaat MK-toets is De oeschatte trend = e-16 eenheden oer laar. Resultaat MK-toets is De geschatte trend = -2.22Q4e-16 eenheden oer laar. Icastat en amo 53 Trendanalyse dataset Brede Screening Maasstroomgebied

56 Trendplot LGGA5107 Isoproturon Trendplot OVLOQ725 terbutylazlne tijdreekswaarden Resultaat LRs-toets is De geschatte trend = eenheden oer laar Resultaat LR-toets is De geschatte trend = eenheden per laar. Icastat en amo 54 Trendanalyse dataset Brede Screening Maasstroomgebied

57 Bijlage 4: Samenstelling kernmeetnetten GW en OW Samenstelling kernmeetnet GW Meetpunt Bronhouder Klasse B44G Prov NBr Ondiep B44G Prov NBr Ondiep B44H Br Water Middiep B44H Br Water Ondiep B45B Br Water Ondiep B45B Br Water Ondiep B45C Prov NBr Middiep B45C Prov NBr Ondiep B45C Br Water Ondiep B45D Prov NBr Ondiep B45E Br Water Ondiep B45E Br Water Ondiep B45F Prov NBr Ondiep B45F Prov NBr Middiep B45F Prov NBr Ondiep B45G Prov NBr Middiep B45H Prov NBr Middiep B46C Prov NBr Middiep B46C Prov NBr Middiep B46C Prov NBr Middiep B46D Prov NBr Middiep B46D Br Water Ondiep B49E Br Water Middiep B49F Br Water Middiep B49F Br Water Ondiep B50A Prov NBr Ondiep B50A Prov NBr Middiep B50A Prov NBr Ondiep B50A Prov NBr Middiep B50B Prov NBr Middiep B50B Prov NBr Ondiep B50D Prov NBr Middiep B50E Prov NBr Middiep B50F Prov NBr Middiep B50F Prov NBr Ondiep B50G Prov NBr Middiep B50G Prov NBr Middiep B50H Prov NBr Ondiep B51B Prov NBr Middiep B51C Br Water Ondiep Meetpunt Bronhouder Klasse B51E Prov NBr Middiep B51E Prov NBr Middiep B51F Prov NBr Middiep B51F Br Water Ondiep B51F Prov NBr Ondiep B51H Prov NBr Middiep B52B Prov NBr Middiep B52B Br Water Ondiep B52B Br Water Middiep B57A Prov NBr Middiep B57A Br Water Middiep B57A Br Water Middiep B57A Prov NBr Ondiep B57A Prov NBr Ondiep B57A Prov NBr Ondiep B57E Prov NBr Middiep Stof Stof 2,4-dichloorfenoxyazijnzuur metalaxyl 2,6-dichloorbenzamide (BAM) metamitron 2- methyl-4-chloorfe noxyazijnzuu r metazachloor abamectine methiocarb aminomethylfosfonzuur (AMPA) methyl-metsulfuron azoxystrobin methylpirimifos bentazon metolachloor bitertanol metoxuron broomoxynil metribuzin carbaryl oxamyl carbendazim penconazool chloorprofam pencycuron chloridazon pirimicarb cycloxydim procymidon deltamethrin propiconazol diazinon propoxur dichlobenil propyzamide dichlofluanide prosulfocarb dichloorvos pymetrozine diethyltoluamide (DEET) pyrimethanil difenoconazool tebuconazol diflubenzuron terbutylazine dimethenamide tolclofos-methyl dimethoaat triclopyr ethofumesaat trifloxystrobin ethylchloorpyrifos vinclozolin etridiazol fenamifos fenhexamide fenitrothion fenoxycarb fluroxypyr flutolanil glyfosaat imidacloprid iprodion kresoxim-methyl linuron mecoprop (MCPP) metabenzthiazuron Klasse Aantal Ondiep 26 Middiep 30 Diep 0 Bron 0 Icastat en amo 55 Trendanalyse dataset Brede Screening Maasstroomgebied

58 Samenstelling kernmeetnet OW Meetpunt Bronhouder Ws Aa en Maas Ws Aa en Maas Ws Aa en Maas Ws Aa en Maas Ws Aa en Maas Ws Aa en Maas Ws Aa en Maas Ws Brabantse Delta Ws Brabantse Delta Ws Brabantse Delta Ws Brabantse Delta Ws Brabantse Delta Ws Brabantse Delta Ws Brabantse Delta Ws De Dommel Ws De Dommel Ws De Dommel Ws De Dommel Ws De Dommel Ws De Dommel Ws De Dommel Ws De Dommel (WBD) Ws Brabantse Delta Ws De Dommel Ws De Dommel Ws De Dommel Ws Brabantse Delta Ws Aa en Maas Ws Aa en Maas Ws Aa en Maas Ws Aa en Maas Ws Aa en Maas Ws Brabantse Delta Ws Brabantse Delta Ws Brabantse Delta Stof 2,4-dichloorfenoxyazijnzuur 2-methyl-4-chloorfenoxyazijnzuur abamectine atrazine azoxystrobin bentazon bitertanol broomoxynil carbaryl carbendazim chloorprofam chloridazon cycloxydim cyprodinil deltamethrin diazinon dichlobenil diethyltoluamide (DEET) difenoconazool diflubenzuron dimethoaat diuron ethofumesaat ethylchloorpyrifos etridiazol fenamifos fenhexamide fenitrothion fluroxypyr flutolanil imidacloprid isoproturon kresoxim-methyl linuron mecoprop (MCPP) metabenzthiazuron metamitron metazachloor methiocarb methyl-metsulfuron Stof methylpirimifos metolachloor metoxuron metribuzin nicosulfuron penconazool pencycuron pirimicarb propiconazol propoxur propyzamide prosulfocarb pymetrozine pyrimethanil simazine tebuconazol terbutylazine triclopyr trifloxystrobin triflusulfuron-methyl Icastat en amo 56 Trendanalyse dataset Brede Screening Maasstroomgebied

59 Bijlage 5: Trendplots GBM-presentiegraad kernmeetnet oppervlaktewater Trendplot kernmeetnet OW tijd reeks waarde Trendplot kernmeetnet OW tijdreekswaarde P(rg) (14) P(rg) (14) P(rg) (14) P(rg) (V.) Trendplot kernmeetnet OW Trendplot kernmeetnet OW 'tijdreekswaarde 'tijdreekswaarde Trendplot kernmeetnet OW Trendplot kernmeetnet OW tijd reeks waarde 'tijdreekswaarde Trendplot kernmeetnet OW Trendplot kernmeetnet OW 'tijdreekswaarde 'tijdreekswaarde Icastat en amo 57 Trendanalyse dataset Brede Screening Maasstroomgebied

60 Trendplot kernmeetnet OW Trendplot kernmeetnet OW 'tijdreekswaarde 'tijdreekswaarde P(rg) (14) P(rg) (14) P(rg) (V.) P(rg) (14) Trendplot kernmeetnet OW tijd reeks waarde Trendplot kernmeetnet OW 'tijdreekswaarde Trendplot kernmeetnet OW 'tijdreekswaarde Trendplot kernmeetnet OW tijd reeks waarde Trendplot kernmeetnet OW 'tijdreekswaarde Trendplot kernmeetnet OW 'tijdreekswaarde Icastat en amo 58 Trendanalyse dataset Brede Screening Maasstroomgebied

61 Trendplot kernmeetnet OW 'tijdreekswaarde Trendplot kernmeetnet OW 'tijdreekswaarde P(rg) (14) P(rg) (14) P(rg) (V.) P(rg) (14) Trendplot kernmeetnet OW tijd reeks waarde Trendplot kernmeetnet OW 'tijdreekswaarde Trendplot kernmeetnet OW Trendplot kernmeetnet OW 'tijdreekswaarde 'tijdreekswaarde Trendplot kernmeetnet OW atrazme tijd reeks waarde Trendplot kernmeetnet OW carbaryl 'tijdreekswaarde Icastat en amo 59 Trendanalyse dataset Brede Screening Maasstroomgebied

62 Trendplot kernmeetnet OW carbendazim tijd reeks waarde Trendplot kernmeetnet OW chloorprofam 'tijdreekswaarde Trendplot kernmeetnet OW chlorldazon tijd reeks waarde Trendplot kernmeetnet OW cyprodlnll tijdreekswaarde Trendplot kernmeetnet OW dichlobenil 'tijdreekswaarde Trendplot kernmeetnet OW diethyltoluamide (DEET) 'tijdreekswaarde Trendplot kernmeetnet OW diuron tijd reeks waarde Trendplot kernmeetnet OW ethofumesaat 'tijdreekswaarde Icastat en amo 60 Trendanalyse dataset Brede Screening Maasstroomgebied

63 Trendplot kemmeetnet OW fluroxypyr tijd reeks waarde Trendplot kemmeetnet OW isoproturon 'tijdreekswaarde P(rg) (14) P(rg) (14) P(rg) (V.) P(rg) (14) Trendplot kemmeetnet OW mecoprop (MCPP) tijd reeks waards Trendplot kemmeetnet OW metabenzthlazuron tijdreekswaarde Trendplot kemmeetnet OW metamitron 'tijdreekswaarde Trendplot kemmeetnet OW nicosulfuron tijd reeks waarde Trendplot kemmeetnet OW metoxuron 'tijdreekswaarde Trendplot kemmeetnet OW penconazool 'tijdreekswaarde Icastat en amo 61 Trendanalyse dataset Brede Screening Maasstroomgebied

64 Trendplot kern meetnet OW pyrimethanil 'tijdreekswaarde Trendplot kernmeetnet OW simazine 'tijdreekswaarde Trendplot kernmeetnet OW tebuconazol tijdreekswaarde Icastat en amo 62 Trendanalyse dataset Brede Screening Maasstroomgebied