De vegetatiemodule van Probe-2

Maat: px
Weergave met pagina beginnen:

Download "De vegetatiemodule van Probe-2"

Transcriptie

1 Mei 2010

2 Mei KWR Alle rechten voorbehouden. Niets uit deze uitgave mag worden verveelvoudigd, opgeslagen in een geautomatiseerd gegevensbestand, of openbaar gemaakt, in enige vorm of op enige wijze, hetzij elektronisch, mechanisch, door fotokopieën, opnamen, of enig andere manier, zonder voorafgaande schriftelijke toestemming van de uitgever. Postbus BB Nieuwegein T F E I

3 Colofon Titel Projectnummer A & B Onderzoeksprogramma PBC Bronnen Projectmanager J.W. Kooiman Opdrachtgevers BTO & Deltares Kwaliteitsborger M.W.A. de Haan Auteurs J.P.M. Witte, R.P. Bartholomeus, J.C. Douma, J. Runhaar & P.M. van Bodegom Verzonden aan Opdrachtgevers Dit rapport is niet openbaar en slechts verstrekt aan de opdrachtgevers van het Contractonderzoekproject/adviesproject. Eventuele verspreiding daarbuiten vindt alleen plaats door de opdrachtgever zelf.

4

5 Voorwoord Om de gevolgen van klimaatverandering op vegetatiedoelen en adaptieve maatregelen te kunnen beoordelen, laten de waterbedrijven door KWR een klimaatrobuust vegetatiemodel ontwikkelen. Dit model, Probe-2, zal bestaan uit een bodemmodule en een vegetatiemodule. In dit rapport wordt de vegetatiemodule beschreven. Het onderzoek is niet alleen uitgevoerd in opdracht van de waterbedrijven, maar tevens in opdracht van onderzoeksinstituut Deltares, dat op nationale schaal de ecologische effecten van klimaatverandering wil kunnen bepalen. De in dit rapport beschreven vegetatiemodule past in een onderzoekslijn die in 2002 voorzichtig werd ingezet met een voorstudie naar de mogelijkheid om een vegetatiemodel te bouwen voor de drie bedrijven die drinkwater winnen in de kustduinen (Witte et al., 2003). Na een aanvullende opdracht van deze bedrijven PWN, Dunea en Waternet werd vier jaar later het eerste model uiteindelijk opgeleverd (Witte et al., 2006). Dit model, Probe-1, werd onder meer toegepast in een MER-studie voor de Amsterdamse Waterleiding Duinen (De Haan & Doomen, 2006) en het zal binnenkort ook worden gebruikt voor een analyse van de duinen die in eigendom zijn van PWN. In 2005 ging KWR een verband aan met de afdeling Systeemecologie van de Vrije Universiteit door samen op te trekken in een door de Rijksoverheid gesubsidieerd onderzoeksprogramma (BSIK). Vanaf dat jaar konden drie promovendi aan de slag met het ontwikkelen van de bouwstenen voor een klimaatbestendig model. De eerste promovendus rondde zijn promotie dit jaar af (Bartholomeus, 2009), terwijl de twee anderen binnenkort zullen volgen. In 2009 gaven de waterbedrijven, verenigd in het bedrijfstakonderzoek (BTO), opdracht aan KWR om een klimaatbestendig model voor natuurdoelen te ontwikkelen, Probe-2 (project B111699). Zoals vermeld sloot Deltares zich hierbij aan (project A308331). In 2010 zal de ontwikkeling verder ondersteund gaan worden met een subsidie uit het programma Kennis voor Klimaat (gecofinancierd met project B111699), waardoor een postdoc kan worden aangesteld. Deze subsidie zal worden toegekend op grond van het voorstel Climate Adaptation for Rural areas (CARE) (Van den Brink et al., 2010). Dit voorstel is door externe reviewers zo goed beoordeeld, dat het onderzoeksconsortium, waarin KWR en VU Systeemecologie prominent participeren, van de Commissie Zegveld II het predicaat Centre of Excellence mag voeren. Al met al is er voor de komende jaren voldoende draagkracht verzameld om de in 2002 ingezette onderzoekslijn met succes te kunnen doorzetten. Samen met de VU Systeemecologie, waarmee KWR inmiddels een hecht samenwerkingsband heeft. In het kader van specifieke KvK-opdrachten liggen praktische toepassingen van Probe-2 in Gelderland en Noord-Brabant in het verschiet. Vanuit de waterbedrijven zijn Vitens en Brabant Water hierbij betrokken. Bij deze opdrachten zal voor enkele beekgebieden worden nagegaan wat de effecten op de vegetatie zijn van klimaatverandering en maatregelen als ASR (Aquifer Storage and Recovery). De vegetatiemodule die in dit rapport wordt besproken past dus in een lange onderzoekslijn en maakt onderdeel uit van het door meerdere partijen beoogde klimaatbestendige model Probe-2. Namens Deltares begeleidde Remco van Ek het onderzoek; voor de waterbedrijven was de begeleiding in handen van een commissie bestaande uit Marten Annema (Evides), Leo van Breukelen (Waternet; voorzitter), Cristijn de Vin (Vitens), Karin Rood en Harrie van der Hagen (beiden Dunea). Op deze plaats bedanken wij hen hartelijk voor hun inzet. Omdat dit rapport vooral technisch beschrijvend is, en bijvoorbeeld geen modelsimulaties of analyses van meetgegevens bevat, is een samenvatting achterwege gelaten. De auteurs KWR Mei 2010

6 KWR Mei 2010

7 Inhoud Voorwoord 1 Inhoud 3 1 Inleiding De opdracht van de waterbedrijven De opdracht van Deltares Inhoud van dit rapport 6 2 Theoretische achtergrond Nut, noodzaak en kwalijk gevolg Keuze voor Probe 9 3 Toepassing Afbakening opdracht Gebruikte relaties tussen standplaats en plant traits Relatie voor de standplaatsfactor Vochttoestand Relatie voor de standplaatsfactor Voedselrijkdom Relatie voor de standplaatsfactor Zuurgraad Landelijk module met ecotoopgroepen Landelijk module met plantensociologische verbonden 24 4 Vervolg Verbeteringen en uitbreidingen Vegetatiemodule Relaties tussen standplaats en vegetatie Uitbreiding en verbetering computerprogramma s De te gebruiken vegetatietypologie Aansluiting bij en ontwikkeling van de bodemmodule Inleiding Versie voor de duinen Landelijke versie Een op maat gesneden model 33 Referenties 35 I Bijlage: computerprogramma s 39 I.1 Inleiding 39 I.2 Het programma TraitAverages (1) 40 I.3 Het programma SelectTypes (2) 42 I.4 Het programma Pardens (3) 42 I.5 Het programma GeneratePardensUse (4) 43 KWR Mei 2010

8 I.6 Nogmaals: het programma Pardens (5) 45 I.7 Het programma GeneratePLUT (6) 45 I.8 Het uiteindelijke doel, het programma ProbeVeg (7) 45 I.9 Een extraatje, nabewerking met het programma Visualize 3D (8) 48 I.10 Kanttekeningen bij het gebruik van Pardens 48 KWR Mei 2010

9 1 Inleiding 1.1 De opdracht van de waterbedrijven Klimaatverandering kan er toe leiden dat het water- en natuurbeleid moeten worden aangepast om de door de overheid en terreinbeheerders vastgestelde natuurdoelen te kunnen realiseren. In sommige situaties kan het leiden tot het moeten opgeven van bepaalde natuurdoelen, omdat die in de toekomst niet meer haalbaar zijn, en daarmee tot het formuleren van nieuwe doelen, mede doordat nieuwe mogelijkheden voor natuur kunnen ontstaan. Om mogelijke gevolgen van klimaatverandering op vegetatiedoelen en adaptieve maatregelen te kunnen beoordelen, laten de waterbedrijven door KWR een klimaatrobuust vegetatiemodel ontwikkelen (BTO project B111699). Bij deze ontwikkeling wordt voortgebouwd op het prototype model Probe dat in opdracht van de duinwaterbedrijven PWN, Dunea en Waternet is gemaakt (Witte et al., 2006, 2007a, 2007b). Met dit prototype is het mogelijk de effecten op de duinvegetatie te voorspellen van (1) veranderingen in de grondwaterstand, (2) veranderingen in de atmosferische depositie van stikstof en fosfaat, (3) veranderingen in de vegetatiestructuur, (4) maaien en (5) plaggen. Het zuidelijke deel van de Amsterdamse waterleidingduinen (AWD) diende als proefgebied. In het nieuwe instrument, dat ook de naam Probe draagt en versienummer 2 krijgt, zullen op den duur verschillende verbeteringen en uitbreidingen worden aangebracht (uit de projectbeschrijving van december 2008): 1. Geschikt voor de kustduinen en pleistocene gebieden van Nederland. 2. Uitkomsten in termen van kansen op het voorkomen van vegetatietypen, in vegetatiekaarten, overzichtstabellen met oppervlakten per vegetatietype, etc. 3. Mogelijkheid om meerdere ruimtelijke gegevensbronnen bij de voorspelling te betrekken, zoals een vegetatiekaart of remote sensing beelden. 4. Relaties tussen standplaats en vegetatie zoveel mogelijk klimaatbestendig en (dus) gebaseerd op proceskennis. 5. Onzekerheden in de hydrologische invoer worden doorvertaald in de uitkomsten. 6. De ruimtelijke variatie in maaiveldhoogte binnen een hydrologische rekencel kan optioneel worden doorvertaald in de uitkomsten. 7. Onzekerheden in de empirische relaties tussen standplaats en vegetatie worden optioneel doorvertaald in de uitkomsten. 8. Geschikt om te worden uitgebreid met de successie van bodem en vegetatie. Belangrijk gegeven is dat de onderzoeksresultaten van promovendi en een postdoc in Probe-2 zullen worden verwerkt: 1. Samen met de afdeling Systeemecologie van de Vrije Universiteit (VU) participeert KWR in een BSIK project (A1: Biodiversity in a changing climate: predicting spatio-temporal dynamics of vegetation) waarin drie promovendi werken aan de bouwstenen van een klimaatbestendig ecologisch model: a. Jenny Ordonez (aanvang 1 mei 2005) doet onderzoek naar klimaatbestendige relaties tussen bodemnutriënten en vegetatie; b. Ruud Bartholomeus (gepromoveerd op 26 januari 2010) deed onderzoek naar klimaatbestendige relaties tussen water en vegetatie; c. Bob Douma (aanvang 1 januari 2007) doet onderzoek naar het gebruik en voorspellen van planteigenschappen in vegetatiemodellen. 2. Gijsbert Cirkel (Casimir-beurs, aanvang 1 maart 2007) onderzoekt de relatie tussen klimaatverandering en de wisselwerking in de wortelzone tussen basenrijk grondwater en basenarm regenwater. Dit gebeurt in samenwerking met WUR (leerstoelgroep Soil physics, Ecohydrology and Groundwater management) en VU (Systeemecologie). 3. Hans Roelofsen (Onderzoeksfonds KWR, aanvang 1 februari 2010) onderzoekt de mogelijkheden om remote sensing beelden te gebruiken bij het afleiden van vegetatie- en standplaatseigenschappen. 4. In het programma Kennis voor Klimaat zal KWR een postdoc aantrekken die mee gaat bouwen aan het beoogde Probe-2, waarbij nauw samengewerkt zal worden met de VU (Systeemecologie). KWR Mei 2010

10 Al met al is Probe-2 niet alleen een bruikbaar instrument bij beleidsmatige afwegingen van het water- en natuurbeheer, maar tevens fungeert het zowel als een assemblageplatform voor universitair onderzoek, als voor een structurering van het onderzoek en de signalering van belangrijke kennisvragen. 1.2 De opdracht van Deltares In 2009 is KWR benaderd door Deltares met het verzoek een model te bouwen dat in staat is de effecten van klimaatverandering op natte tot droge terrestrische vegetaties te voorspellen. Het model zou moeten aansluiten op uitkomsten van hydrologische modellen (NHI en MIPWA; Snepvangers & Berendrecht, 2007) die naar cellen van m zijn geschaald. Het model zou toetsbaar moeten zijn op een ruimtelijk fijn schaalniveau, maar tegelijk ook resultaten kunnen produceren, al dan niet via een aggregatieslag, op een grover schaalniveau. Voorts zou het model transparant moeten zijn, het nationale waterbeleid moeten kunnen ondersteunen, maar ook op draagvlak moeten kunnen rekenen van regionale overheden en belangenorganisaties. De verklarende standplaatsfactoren zouden Saliniteit, Vochttoestand, Voedselrijkdom, en Zuurgraad moeten zijn, op basis waarvan de kans op voorkomen van soortengroepen worden geprognosticeerd. De bouw van een dergelijke klimaatrobuuste module wil Deltares gefaseerd aanpakken; eerst een vegetatieresponsmodule, daarna een bodemmodule. Een werkende modelversie zou in 2010 gereed moeten zijn. Het offerteverzoek van Deltares sluit bijna naadloos aan bij de wensen van de waterbedrijven, behalve dan dat Deltares meer haast heeft (in 2010 moet er al een operationeel model liggen) en voor heel Nederland uitspraken wil kunnen doen, in plaats van alleen voor de hogere zandgronden. Gegeven de complexiteit van het onderzoek, de grote omvang van het reeds door de waterbedrijven geïnvesteerde budget, en de thans beschikbare budgetten, is afgesproken dat Deltares samen met KWR optrekt in de ontwikkeling van Probe-2. Deltares financiert aldus de ontwikkeling van dit model mee, en betrekt KWR vervolgens als partner bij de toepassing en aanpassing van het model. In de offerte van KWR aan Deltares is aangeboden op korte termijn een klimaatrobuuste vegetatieresponsmodule te ontwikkelen, met als voorwaarde dat de resultaten van het project niet exclusief voor Deltares zijn, maar ook eigendom blijven van KWR en de waterbedrijven. Omdat het model nog volop in ontwikkeling is, wordt de programmacode voorlopig niet uit handen gegeven. Deltares krijgt dus een executable met vegetatie-eenheden die aansluiten op het nationale beleid. 1.3 Inhoud van dit rapport In dit rapport wordt de eerste versie van de vegetatiemodule van Probe-2 gepresenteerd. In Hoofdstuk 2 gaan we in op de reden waarom voor het klimaatrobuuste model wordt voortgebouwd op Probe-1. De opdracht van Deltares was reden om met voorrang enkele gebruiksvriendelijke computerprogramma s te ontwikkelen. Ter verantwoording aan de opdrachtgevers en om de overdracht van de programma s te vergemakkelijken worden deze beschreven in de Bijlage van dit rapport. Hoofdstuk 3 toont hoe deze software voor de bouw van een vegetatiemodule kan worden gebruikt. De module is in dit geval speciaal bedoeld voor toepassing op nationale schaal door Deltares. Hoofdstuk 4, ten slotte, beschrijft het benodigde vervolgonderzoek: wat er aan de vegetatiemodule verbeterd kan worden, en welke mogelijkheden er zijn om het model te laten aansluiten bij een bodemmodule. KWR Mei 2010

11 2 Theoretische achtergrond 2.1 Nut, noodzaak en kwalijk gevolg Op een Europees schaalniveau zal klimaatverandering leiden tot verschuivingen in de arealen van soorten: soorten van een warmer klimaat zullen toenemen, terwijl soorten van een kouder klimaat op de langere termijn zullen verdwijnen uit Nederland. Voor de hogere planten in Nederland zijn zulke gevolgen van klimaatverandering onderzocht door Tamis (2005), terwijl t Lam (2007) de gevolgen van temperatuurstijging heeft beschreven voor hogere planten, dagvlinders en libellen in de Nederlandse duinen. Deze veranderingen hebben te maken met de directe invloed van temperatuur op het functioneren van organismen, bijvoorbeeld via de bestendigheid van planten tegen vorst en hitte, of via het uitlopen van bloemknoppen na het bereiken van een bepaalde temperatuursom (Noest et al., 1995; Walther et al., 2002). Het is echter aannemelijk dat de grootste effecten van klimaatverandering op de biodiversiteit optreden via wijzigingen in de waterhuishouding (Bazzaz et al., 1996; Van Oene & Berendse, 2001; Knapp et al., 2008; Witte et al., 2009). De hoeveelheid water die beschikbaar is voor transpiratie verandert en dit beïnvloedt de hoeveelheid regen die doorsijpelt naar het grondwater, en daarmee de kwel naar beekdalen en duinvalleien. Deze veranderingen beïnvloeden op hun beurt de nutriëntenkringloop en de zuurgraad in de wortelzone. Er bestaan ruwweg drie typen modellen om effecten van milieuveranderingen op de natuur te voorspellen. In de internationale literatuur over klimaateffecten is tot nu toe vaak gebruik gemaakt van klimaatenvelop modellen, het eerste type. Dit zijn statistische beschrijvingen van het potentieel voorkomen van soorten als functie van een beperkt aantal klimaatvariabelen, zoals jaarlijkse neerslag, minimum temperatuur en zonneschijnduur. Op dit type modellen bestaat, terecht, toenemende kritiek (o.a. Pearson & Dawson, 2003; Witte, 2004; Guisan & Thuiller, 2005; Botkin et al., 2007): de gevonden statistische relaties (klimaatenveloppen) zijn veel te correlatief; ze geven niet het potentieel voorkomen weer omdat ze zijn gebaseerd op gerealiseerde verspreidingspatronen waarbij soorten door allerlei oorzaken, zoals de laatste ijstijd, geschikte habitats (nog) niet bereikt hebben; ze houden geen rekening met interacties tussen soorten, etc. In een tweede type modellen zijn zoveel mogelijk processen ingebouwd. Een voorbeeld hiervan is NUCOM (Van Oene et al., 1999), dat de concurrentie om water, nutriënten en licht tussen een beperkt aantal functionele groepen van soorten (zoals grassen, mossen en heide ) simuleert. Zo n mechanistische aanpak is echter vooral van wetenschappelijk belang: begrijpen hoe de natuur werkt. Zo bevat NUCOM maar liefst 30 vergelijkingen en 98 modelparameters, wat voor de praktische toepassingen een bezwaar is. Een nadeel is bovendien dat van te voren functionele groepen moeten worden gedefinieerd en dat geen rekening gehouden wordt met de interne variatie binnen deze groepen, terwijl de samenstelling van functionele groepen in de toekomst waarschijnlijk gaat veranderen. Voor het bepalen van de effecten op de vegetatie van veranderingen in de waterhuishouding bestaat er een derde type modellen: de zogenaamde ecohydrologische modellen. Deze zijn hoofdzakelijk in Nederland ontwikkeld (Peter Horchler tijdens zijn presentatie in 2009 voor HydroEco2009 in Wenen). Voorbeelden zijn WAFLO, NICHE, NATLES, Waternood, DEMNAT en Probe-1 (resp. Gremmen et al., 1990; Koerselman et al., 1999; Runhaar et al., 2003a; Runhaar et al., 2003b; Van Ek et al., 2000; Witte et al., 2006, 2007a). Ecohydrologische modellen zijn in hun huidige vorm echter ongeschikt voor het bepalen van klimaateffecten, zoals onder meer is aan getoond door Bartholomeus et al. (2009; submitted a,b). De belangrijkste vijf redenen zijn dat: (1) ze gebruik maken van correlatieve verbanden die zijn ontleend aan gegevens uit het klimaat van de tweede helft van de twintigste eeuw, (2) de modellen geen terugkoppelingsmechanismen tussen vegetatie en bodem bevatten, (3) de meeste modellen alleen geschikt zijn voor grondwaterafhankelijke vegetaties, (4) door klimaatverandering nieuwe combinaties van milieuomstandigheden en soorten kunnen ontstaan die nu nog niet voorkomen, (5) door klimaatverandering de bandbreedten zullen worden overschreden van de beslisregels of relaties in deze modellen. Een voorbeeld van de laatste tekortkoming is een beslisregel voor bijvoorbeeld het vochttekort KWR Mei 2010

12 of de voorjaarsgrondwaterstand, waarbij aan een bepaald vegetatietype alleen een ondergrens of bovengrens wordt gesteld: het vochttekort, bijvoorbeeld, dient minimaal zoveel millimeter per jaar te bedragen. Zulke beslisregels doen het goed onder het huidige klimaat, maar bij klimaatverandering moeten we ook rekening houden met bovengrenzen: het kan ook te droog worden voor een vegetatie die nu al als droog wordt gekarakteriseerd. Waar het duidelijk moge zijn dat voor modellen met een beleidsmatige toepassing vooral het derde type modellen geschikt is, kunnen we al met al met de huidige modellen niet uit de voeten en is er behoefte aan een klimaatbestendig model voor vegetatiekundige natuurdoelen. Een werkelijk klimaatrobuust model onderscheidt zich minstens in drie opzichten van de huidige generatie vegetatiemodellen (Tabel 1). In de eerste plaats zijn in een dergelijk model de verbanden tussen standplaats en vegetatie veel meer gebaseerd op processen die direct van invloed zijn op het functioneren van planten, dan in de huidige modellen. Correlatieve verbanden, ontleend aan meetgegevens in het Nederlandse klimaat van de twintigste eeuw, mogen immers niet worden gebruikt voor extrapolaties. In de tweede plaats zal een robuust model in staat moeten zijn nieuwe soortcombinaties te voorspellen, omdat de huidige combinaties (zoals in natuurdoeltypen en plantensociologische associaties) door klimaatverandering hun geldigheid kunnen verliezen. Ten derde zal het beoogde model rekening moeten houden met het feit dat op den duur bodemeigenschappen veranderen, en niet alleen doordat het klimaat verandert, maar ook als gevolg van de natuurlijke ontwikkeling van ecosystemen, waarbij terugkoppelingsprocessen een grote rol spelen. Levins (1966) onderscheidt bij modellen drie belangrijke intrinsieke kenmerken: realiteit (hoe realistisch wordt het fenomeen beschreven), generaliteit (hoe algemeen toepasbaar zijn de modellen) en precisie (hoe nauwkeurig zijn de modellen). Op basis van deze eigenschappen zijn, zie Figuur 1, drie modeltypen te onderscheiden: empirische, analytische en mechanistische (Guisan & Zimmermann, 2000). Op NUCOM na, dat duidelijk mechanistisch is, behoren alle hiervoor genoemde modellen vooral tot het empirische type. Ze zijn namelijk via statistiek of deskundigenoordeel geijkt aan waarnemingen. Een belangrijk principe van Levins (1966) is dat slechts twee van de drie modeleigenschappen tegelijk verbeterd kunnen worden, maar dan wel ten koste van de derde eigenschap. Het volgende voorbeeld, ontleend aan de afvoerhydrologie, moge de betekenis van dit principe illustreren. Het afvoerregime van beken en rivieren kan heel goed worden nagebootst met een simpel bakjesmodel. In het bakje valt de neerslag die er via een pijpje met een bepaalde weerstand weer uitstroomt. Hoe hoger de weerstand van het pijpje, des te meer water er in het bakje wordt geborgen en des te gelijkmatiger de uitstroom door het pijpje is. De weerstand wordt geijkt aan neerslag- en afvoermetingen, waarna het model in staat is om de afvoer bij een gegeven neerslag met een hoge precisie (P) te simuleren. Dit is typisch een modeltype met een hoge generaliteit (G): toepasbaar voor bijna alle stroomgebieden. Samen met de hoge precisie komt het bakjesmodel in Levins systeem dan uit tot het analytisch modeltype (Figuur 1). Het moge duidelijk zijn dat het bakjesmodel zijn voorspellende waarde verliest zodra de eigenschappen van het stroomgebied veranderen; wanneer bijvoorbeeld bos wordt gekapt of land wordt ontwaterd. Ook voorspellingen buiten het meetbereik zijn met dit simpele model niet mogelijk, omdat het systeem zich dan anders kan gedragen: dijken stromen bijvoorbeeld over bij heel hoge afvoeren, of de bodem droogt zo ver uit dat hij hydrofoob wordt zodat bij de eerste neerslagbui afstroming over het maaiveld optreedt. In beide gevallen verliest de via ijking gevonden relatie tussen neerslag en afvoer zijn betekenis. Om veranderingen in systeemgedrag en extrapolaties buiten het meetbereik mogelijk te maken, is een model nodig waarin processen als het overstromen van dijken en het kappen van bossen expliciet zijn beschreven. Daarmee wordt de realiteit (R) van het model verhoogd zodat we te maken krijgen met een mechanistisch modeltype. Een mechanistisch model vraagt echter veel meer invoergegevens (bodemkaart, landgebruik, enzovoorts) en schattingen van allerlei Tabel 1. Verschillen tussen de huidige generatie vegetatiemodellen (NICHE, NATLES, Probe-1, Waternood, etc.) en een klimaatrobuust vegetatiemodel. Huidig Klimaatrobuust 1 Verbanden tussen standplaats en vegetatie Correlatief Op processen gebaseerd 2 Soortensamenstelling vegetatie Onveranderlijk Nieuwe combinaties van soorten 3 Bodemeigenschappen Onveranderlijk Bodemsuccessie o.i.v. klimaat, water en vegetatie KWR Mei 2010

13 Figuur 1. Classificatie van modellen op basis van hun intrinsieke eigenschappen. Naar Guisan & Zimmerman (2000). parameters (bijvoorbeeld bodemfysische). Daarmee worden allerlei fouten en onzekerheden geïntroduceerd, wat uiteindelijk ten koste van de modelprecisie (P). Om een robuust model te verkrijgen, dat toepasbaar is onder een ander klimaat, zal dus proceskennis moeten worden ingebouwd. En een kwalijk gevolg is dat dit, volgens Levins principe, ten koste zal gaan van de modelprecisie. Van een klimaatrobuust vegetatiemodel kan dus worden verwacht dat het de huidige vegetatiepatronen minder goed voorspelt dan bestaande empirische modellen (die vooral beschrijvend zijn). De kunst in dit project zal zijn het evenwicht te bewaren tussen mechanistisch en empirisch; schieten we te veel door naar het eerste, dan worden de uitkomsten te onnauwkeurig, zelfs onder het huidige klimaat, blijven we teveel steken in het laatste, dan is het model niet robuust genoeg en krijgen we onrealistische uitkomsten. 2.2 Keuze voor Probe Probe-2 bouwt voort op het model Probe-1 dat voor de duinen is gebouwd. Wij nemen hier aan dat de lezer enigszins bekend is met dit model; voor meer informatie verwijzen we naar Witte et al. (2006, 2007). In Probe-2 wordt niet geprobeerd de concurrentie tussen soorten te modelleren, maar wordt er voorspeld op basis van planteigenschappen. Deze vereenvoudiging is nodig omdat het model daarmee robuuster wordt en omdat het model anders veel te complex wordt (McGill et al., 2006; Webb et al., 2010). Robuustheid wordt bovendien ingebouwd door gebruik te maken van op klimaatgestuurde processen die direct inwerken op het functioneren van planten. We gaan hier later in deze paragraaf verder op in. In eerste instantie zal Probe-2 uit twee onderdelen te bestaan: een bodemmodule en een vegetatiemodule. In de vegetatiemodule zullen we alleen de eerste twee verschillen van Tabel 1 proberen te overbruggen. Het inbouwen van bodemsuccessie en terugkoppelingsprocessen (punt 3 in Tabel 1) komt pas aan de orde als ook de bodem dynamisch gemodelleerd gaat worden. Op dat moment worden de twee modulen geïntegreerd tot één geheel. Concrete plannen voor de koppeling aan bodemmodellen worden genoemd in 4.2. Door KWR is een opzet voor een vegetatiemodule ontwikkeld die bestaat uit twee stappen (Witte et al., 2004): (1) het voorspellen van planteigenschappen of indicatiewaarden op basis van standplaatsfactoren, (2) het vervolgens vertalen van die planteigenschappen of indicatiewaarden naar de kans op voorkomen van soortengroepen (zoals associaties, natuurdoeltypen, ecotoopgroepen). De opzet van de module is voor drie planteigenschappen weergegeven in Figuur 2, terwijl Figuur 3 weergeeft hoe de vegetatiemodule past binnen de gehele voorspellingsmethode. Samen met VU Systeemecologie, werkt KWR aan bouwstenen die deze methode klimaatbestendig moeten maken. KWR Mei 2010

14 Figuur 2. Opzet van de vegetatiemodule. In dit denkbeeldige voorbeeld worden drie standplaatsfactoren voor Vochttoestand, Voedselrijkdom en Zuurgraad gebruikt om drie daarmee verband houdende planteigenschappen (eig. = eigenschap) af te leiden. Dat gebeurt aan de hand van empirisch bepaalde relaties: de drie grafieken in de figuur. Vervolgens wordt op basis van de planteigenschappen de Bayesiaanse kans op voorkomen van vegetatietypen berekend. Dat gebeurt met dichtheidsfuncties (gekleurde vlakken) die zijn afgeleid van een groot opnamebestand. In de methode (Figuur 3) worden de gevolgen van klimaatverandering voor bodemhydrologische en bodemchemische standplaatsfactoren berekend met hydrologische en bodemchemische instrumenten. De module (Figuur 2) vertaalt deze factoren naar planteigenschappen en wel zoveel mogelijk op basis van op klimaatafhankelijke processen gebaseerde verbanden. Dat betekent bijvoorbeeld dat de nu in veel modellen gebruikte relaties tussen grondwaterstand en vegetatie vervangen moeten worden. De grondwaterstand is immers een indirecte maat voor datgene waar het de planten om gaat: de beschikbaarheid in het wortelmilieu van voldoende zuurstof om te respireren en van voldoende vocht om te transpireren. Bij een ander klimaat verandert deze beschikbaarheid, zelfs als de grondwaterstand hetzelfde zou blijven. Zo zullen warmere zomers met meer onweersbuien vaker leiden tot het optreden van zuurstofstress (Bartholomeus et al., 2008), wat aanzienlijke gevolgen kan hebben voor de vegetatie (Bartholomeus et al., submitted a,b). Met bestaande ecohydrologische modellen kunnen deze gevolgen niet worden voorspeld. De planteigenschappen kunnen zogenaamd functioneel zijn (plant traits; Cornelissen et al., 2003), zoals de Specific Leaf Area, maar ook indicatiewaarden, bijvoorbeeld volgens het ecotopensysteem (Runhaar et al., 2004). Combinaties van indicatiewaarden en functionele eigenschappen binnen één module zijn ook mogelijk. Het gebruik van functionele planteigenschappen heeft twee voordelen (McGill et al., 2006; Webb et al., 2010): ze zijn beter te gebruiken bij het modelleren van terugkoppelingsprocessen (punt 3 in Tabel 1) en ze zijn in ieder geval robuust (functionele eigenschappen drukken fysiologische aanpassingen aan het milieu uit, terwijl indicatiewaarden onbedoeld geijkt kunnen zijn aan het huidige klimaat). Wanneer in een later stadium de terugkoppeling tussen bodem en vegetatie gaat worden ingebouwd (grijze pijlen Figuur 3), zal het noodzaak worden in ieder geval de indicatiewaarde voor voedselrijkdom te vervangen door planteigenschappen als relatieve groeisnelheid en decompositiesnelheid. De hoeveelheid en de aard van het geproduceerde organische materiaal dat de bodem bereikt bepalen immers de beschikbaarheid van water en nutriënten. Sommige soorten, zoals de Linde, zorgen er met hun strooisel voor dat de ph en de voedselrijkdom van de bodem op een hoog peil blijven; ze fungeren als het ware als kalkpompen (Hommel & De Waal, 2003). KWR Mei 2010

15 Figuur 3. Opzet voorspellingsmethode. De vegetatiemodule is met een stippellijn aangegeven; later in te bouwen terugkoppelingsmechanismen met grijze pijlen; nummers verwijzen naar Tabel 1. Het gebruik van planteigenschappen heeft ook nadelen: van veel soorten zijn de eigenschappen slecht bekend en de respons van de vegetatie laat zich niet eenvoudig vertalen naar één eigenschap (er zijn bijvoorbeeld vele fysiologische aanpassingsmogelijkheden aan een tekort of een teveel aan water). De nadelen kunnen echter tijdelijk zijn, want mogelijk zijn verschillende eigenschappen slim te combineren tot één verklarende as. Bovendien komen er internationaal steeds meer gegevens beschikbaar over functionele planteigenschappen. Het beheer van deze gegevens is mede in handen van de afdeling Systeemecologie (VU), dat in het onderzoek naar functionele planteigenschappen een toonaangevende rol heeft (zie onder andere Cornelissen et al., 2003; Ordoñez et al., 2009, 2010). Voor de bouw van de vegetatiemodule is het niet nodig nu al een keuze te maken, beide benaderingen sluiten elkaar niet uit. Begonnen kan worden met indicatiewaarden, om deze in een later stadium te vervangen door planteigenschappen. Tot hoever het mogelijk is indicatiewaarden te vervangen door, dan wel te onderbouwen op basis van gemeten planteigenschappen, zal de tijd leren. In principe zou met de voorspelling van nieuwe sets aan planteigenschappen (of indicatiewaarden) de voorspelling voltooid kunnen zijn, ware het niet dat dit type uitkomst weinig aansprekend is en dus op weinig draagvlak kan rekenen. Als tweede stap (punt 2 in Tabel 1) vertalen we daarom planteigenschappen naar herkenbare soortengroepen. Dat doen we met behulp van een gevalideerde en internationaal gepubliceerde methode (Witte et al., 2007b) die gebruik maakt van een bestand van ca vegetatieopnamen, dat de grondslag vormde voor het standaardwerk De Vegetatie van Nederland (DVN) (Schaminée et al., 1997, 1996, 1998; Stortelder et al., 1999). In de methode wordt iedere opname geclassificeerd tot een vegetatietype (of een andere soortengroep). Tevens worden van iedere opname het gemiddelde van de planteigenschappen bepaald. Met een wiskundige methode wordt ten slotte ieder vegetatietype beschreven als dichtheidsfunctie van planteigenschappen. Deze functies worden in de voorspelling gebruikt om de Bayesiaanse kans op voorkomen van vegetatietypen te voorspellen. Voor details verwijzen we hier naar Witte et al. (2007). Deze door Probe-2 voorspelde vegetatietypen dienen te worden beschouwd als referentiepunten, behulpzaam bij de interpretatie van de resultaten. Door klimaatverandering kan de inhoud van de typen veranderen. Van Walsum et al. (2002) laten bijvoorbeeld zien dat de beekdalgraslanden in La Brenne, Frankrijk, qua soortensamenstelling goed vergelijkbaar zijn met de huidige beekdalgraslanden in Nederland, maar dat daarin een aantal warmteminnende schermbloemigen (Oenanthe, Silaum, Carum) voorkomen terwijl een aantal zeggensoorten ontbreken. Verder kan Probe-2 op één locatie (in één rekencel) combinaties van vegetatietypen voorspellen, die in het huidige klimaat niet voorkomen. Denk aan de voorspelling van een hoge kans op voorkomen van twee typen met sterk afwijkende KWR Mei 2010

16 standplaatseisen, bijvoorbeeld één kenmerkend voor natte en één kenmerkend voor droge omstandigheden. Bovendien geeft Probe-2 aan wanneer wordt voorspeld ver buiten het meetbereik (nu: afgeleid uit de genoemde opnamen). Dat zal bijvoorbeeld gebeuren onder het W+ scenario, dat een twee keer zo groot neerslagtekort kent als onder het huidige klimaat, met locaties waar nu droge heide voorkomt. Probe-2 kan ook uitgebreid worden met opnamen en vegetatietypen uit andere landen, bijvoorbeeld Frankrijk. Als extra verklarende standplaatsfactor dient dan temperatuur te worden opgenomen. Ten slotte zijn er met Probe-2 mogelijkheden uitspraken te doen over kansen voor bedreigde soorten (sensu Van der Meijden et al., 2000). Zie verder 4.1 voor uitvoer- en interpretatiemogelijkheden. Zoals vermeld wordt in de vegetatiemodule, anders dan bij bijvoorbeeld in NUCOM, de concurrentie tussen soorten om water, licht en nutriënten niet expliciet gemodelleerd. Daarvoor is het aantal soorten en het aantal mogelijke interacties veel te groot. Er zijn in Nederland alleen al ca hogere planten, wat betekent dat we bij een soortgerichte modelbenadering rekening moeten houden met ongeveer één miljoen mogelijke interacties (½ N(N-1)), waarbij dan bovendien van alle soorten de parameters bekend moeten zijn. Het aantal te modelleren interacties kan worden teruggebracht door, zoals in NUCOM, uit te gaan van functionele groepen, maar dat heeft weer als nadeel dat die van te voren moeten worden gedefinieerd en dat alle variatie in planteigenschappen binnen de groepen wordt verwaarloosd. Door uit te gaan van een continue schaal met functionele planteigenschappen waarvan we weten dat ze een causale relatie hebben met gemodelleerde standplaatscondities, kan de voorspellende waarde, ook onder gewijzigde klimaatomstandigheden, sterk worden vergroot. Zo is er geen reden om aan te nemen dat de relatie tussen het voorkomen van soorten met luchtweefsels en het optreden van zuurstofloze condities bij een gewijzigd klimaat sterk zal veranderen. De vegetatiemodule kan vrij eenvoudig worden aangepast aan nieuwe planteigenschappen, of wensen van de gebruiker ten aanzien van de indeling in vegetatietypen. Ook kan men eenvoudig een module specifiek voor een bepaald natuurterrein of een bepaalde regio ontwikkelen, die betrouwbaarder is dan een module die op heel Nederland toepasbaar is. Om op het laatste voordeel in te gaan: het is bijvoorbeeld mogelijk bij een regionale toepassing op verbondsniveau te voorspellen en bij een lokale toepassing op associatieniveau. In het offerteverzoek van Deltares is voorgesteld om voor fijne vegetatie-eenheden voorspellingen te doen (omdat deze inzichtelijk zijn voor de veldecoloog) en deze eenheden vervolgens te aggregeren naar een beperkt aantal ecoysteemtypen voor toepassing in het nationale beleid. Dit voorstel spreekt ons echter niet zo aan. In de vegetatiekunde is een gebruikelijk niveau voor de veldecoloog de vegetatiekundige eenheid associatie, waarvan er in De Vegetatie van Nederland maar liefst 242 zijn beschreven (en daarnaast nog eens 130 romp- en derivaatgemeenschappen). Wanneer die allemaal tegelijk aan de hand van een beperkt aantal standplaatsfactoren op nationale schaal moeten worden voorspeld, kan men er gif op nemen dat de uitkomsten weinig betrouwbaar zullen zijn. Het vervolgens aggregeren van deze vegetatie-eenheden naar een grover niveau, bijvoorbeeld verbonden, zal welhaast zeker tot een ongewenste stapeling van fouten leiden, waarvan een deel ook systematisch is. Uit een losse verzameling moleculen bouw je ook geen zoogdier. En in de vijftiende eeuw voeren cartografen mee op zeilschepen, overal de wereld rond, maar al hun plaatselijke observaties leidden niet meteen tot een bijzonder realistisch kaartbeeld van de wereld (Figuur 4); zulks werd pas mogelijk nadat men in staat was over grote afstand nauwkeurig metingen te doen. Afstand dus, om het totaalbeeld goed te krijgen. Samengevat zijn de belangrijkste redenen om voor de vegetatiemodule van Probe te kiezen: 1. Probe sluit aan bij de klimaatbestendige modellenlijn van KWR en VU-systeemecologie, zodat maximaal geprofiteerd wordt van het langjarig onderzoek naar de effecten van klimaat op ecosystemen dat onder anderen door promovendi wordt uitgevoerd. 2. Het model is klimaatrobuust doordat het wordt gebaseerd op klimaatbestendige maten voor standplaatsfactoren en op planteigenschappen. 3. Relaties tussen standplaats en vegetatie worden in de praktijk altijd afgeleid van vegetatieopnamen. De ruimtelijke schaal waarop die relaties betrekking hebben is daarom fundamenteel die van de opname (orde grootte 10 m 2 ) en de daarbij behorende voorspelde eenheid is het vegetatietype (wat door Probe wordt voorspeld), en niet de plantensoort. KWR Mei 2010

17 4. 5. Probe is zeer flexibel opgezet: nieuwe relaties tussen standplaats en vegetatie kunnen simpel worden ingebouwd en het is eenvoudig een model te bouwen voor een specifieke regio, een bepaalde schaal, of voor een gebruiker met eigen wensen ten aan zien van de vegetatietypologie. Uitkomsten zijn in termen van kansen op voorkomen van vegetatietypen (waar ook in de realiteit het voorkomen is gebaseerd op kansprocessen) en combinaties van vegetatietypen kunnen worden voorspeld, die in het huidige klimaat niet voorkomen. Bovendien worden vergaande extrapolaties aangegeven en kunnen uitspraken worden gedaan over de kansen voor bedreigde soorten ( 4.1). Figuur 4. Wereldkaart van Johannes de Armsshein uit KWR Mei 2010

18 KWR Mei 2010

19 3 Toepassing 3.1 Afbakening opdracht Binnen dit project is een aantal computerprogramma s geschreven waarmee de gebruiker in korte tijd een op een bepaald gebied toegesneden vegetatiemodule kan bouwen en vervolgens grafisch kan weergeven. Ook is de software zo opgezet, dat nieuwe relaties tussen standplaats en planteigenschappen kunnen worden verwerkt zonder dat de programmacode hoeft te worden veranderd. Ter verantwoording aan de opdrachtgevers en om de overdracht van de programma s te vergemakkelijken worden deze uitvoerig toegelicht in de Bijlage van dit rapport. Alle programma s zijn geschreven in een snelle programmeertaal, Fortran-99. Om de rekentijd zo kort mogelijk te houden is de software zo opgezet dat in nog geen 20 minuten op een simpele laptop (1995 Mhz, 2 Gb intern), de kans op voorkomen van 21 vegetatietypen in twintig miljoen rekencellen kan worden berekend. Deze snelheid wordt vooral van belang als Probe ooit, zoals we nastreven, dynamisch gaat rekenen, inclusief terugkoppelingsprocessen in het systeem van bodem, water en vegetatie. In dit hoofdstuk passen we de software toe voor de bouw van een vegetatiemodule. Daarbij richten we ons op de wensen van Deltares. Een vegetatiemodule kan pas dan worden toegepast, wanneer het aansluit bij de bodemmodule die de benodigde invoervariabelen genereert. In zijn offerteverzoek heeft Deltares aangegeven behoefte te hebben aan een landelijke vegetatiemodule die wordt aangestuurd door variabelen die de standplaatsfactoren Saliniteit, Vochttoestand, Voedselrijkdom en Zuurgraad vertegenwoordigen. Welke variabelen dit precies zijn, is nu echter nog niet helemaal duidelijk. We zouden bijvoorbeeld gebruik kunnen maken van een door Ertsen et al. (1998) gevonden verband tussen het chloridegehalte in de wortelzone en de indicatiewaarde voor Saliniteit volgens Ellenberg (1992), maar is het Nationaal Hydrologisch Instrumentarium (NHI) wel in staat dit gehalte te berekenen en, zo ja, sluiten de modeluitkomsten dan wel aan bij de op een bepaalde diepte en op een zekere datum verzamelde meetgegevens waarop het verband is gebaseerd? Gezien deze onduidelijkheid is in overleg met Deltares besloten de factor Saliniteit voorlopig buiten beschouwing te laten. Ook over de andere factoren bestaat nog enige onduidelijkheid, bijvoorbeeld of met het NHI de zuurstofstress in de wortelzone, als maat voor de factor Vochttoestand, kan worden berekend in de gewenste resolutie van 25 m. Nochtans zullen we in dit hoofdstuk twee vegetatiemodulen presenteren, één voor ecotoopgroepen ( 3.3) en één voor plantensociologische verbonden ( 3.4). Deze worden volgens 3.2 gebaseerd op de variabelen zuurstofstress RS, bodemzuurgraad ph H2O en stikstofmineralisatie N min. In de Bijlage laten we zien dat met de ontwikkelde software eenvoudig en snel een nieuwe vegetatiemodule kan worden gebouwd. Zodra er meer duidelijkheid is over de invoervariabelen die de module moeten aansturen, zullen we een daarop aangepaste nieuwe module bouwen; de hier gepresenteerde modulen dienen alleen als illustratie. Voor een discussie over de aansluiting tussen de vegetatiemodule en de bodemmodule verwijzen we naar 4.2. In overleg met Deltares is besloten voor de bouw van de vegetatiemodulen gebruik te maken van indicatiewaarden van Witte et al. (2007) die zijn afgeleid van de indeling in ecotoopgroepen volgens het ecotopensysteem (Runhaar et al., 2004; 3.3). Zuiver is dit niet, omdat de ecotoopgroepen ( vegetatietypen ) die dan worden voorspeld dezelfde zijn als de groepen waarvan de indicatiewaarden ( plant traits ) zijn afgeleid. Men zou eventueel die indicatiewaarden hard kunnen classificeren tot ecotoopgroepen, maar het voordeel van de huidige aanpak is dat allerlei tussenvormen kunnen worden voorspeld, bijvoorbeeld op de overgang van de klassen nat en vochtig, en dat de vegetatiemodule kan aangeven wanneer de voorspelling ver buiten het meetbereik ligt. Naast een module voor ecotoopgroepen is ook een module gemaakt voor plantensociologische verbonden ( 3.4), een indeling in vegetatietypen die onafhankelijk van de gebruikte indicatiewaarden tot stand is gekomen. KWR Mei 2010

20 Voor de bouw van een vegetatiemodule zijn vier basisbestanden nodig: DVN. Een groot bestand met vegetatieopnamen. In dit rapport maken we gebruik maken van het ongeveer opnamen tellende bestand dat voor het standaardwerk De Vegetatie van Nederland is gebruikt. Deze opnamen dienen te zijn geclassificeerd tot vegetatietypen, bijvoorbeeld verbonden, associaties of ecotoopgroepen. Traits. Een bestand met planteigenschappen of indicatiewaarden per plantensoort. Wij gebruiken, zoals vermeld, de aan het ecotopensysteem ontleende indicatiewaarden (Witte et al., 2007). Vegetation list. Een bestand waarin de vegetatietypen die van toepassing zijn op het gebied en de scenario s staan opgesomd. Calibration curves. In dit bestand staan de relaties tussen standplaatsfactoren en planteigenschappen beschreven. De relaties die voor Deltares zijn gebruikt worden in de volgende paragraaf gepresenteerd; één voor de standplaatsfactor Vochttoestand (Figuur 5), één voor Voedselrijkdom (Figuur 6) en één voor Zuurgraad (Figuur 8). 3.2 Gebruikte relaties tussen standplaats en plant traits Relatie voor de standplaatsfactor Vochttoestand Veelgebruikte maten voor de relatie tussen het vochtregime van de bodem en de vegetatie zijn de zogenaamde GXG-waarden. De meest gebruikte maat voor het karakteriseren van de vochthuishouding is de gemiddelde voorjaarsgrondwaterstand (GVG). De GVG wordt gebruikt als maat voor zuurstofstress, gebaseerd op de aanname dat de zuurstofvoorziening aan het begin van het groeiseizoen bepalend is voor de plantengroei (Runhaar et al., 1997). Een nadeel van de GVG is dat de grondwaterstand een indirecte maat is voor datgene waar het de planten werkelijk om gaat: voldoende zuurstof om te respireren en voldoende vocht om te transpireren. Zo houdt de GVG geen rekening met het effect op de zuurstofstress van extreme neerslag, temperatuur, bodemtextuur en het organische stofgehalte. Uit de landbouw, bijvoorbeeld, is bekend dat juist de combinatie van hoge temperatuur (die de zuurstofvraag van planten verhoogt) en intensieve neerslag (die de zuurstofbeschikbaarheid in de wortelzone verlaagt) schadelijk is voor planten. Een ander nadeel is dat de GVG is gedefinieerd als de gemiddelde grondwaterstand op één april, omdat dan het groeiseizoen zou beginnen. Door de stijgende temperaturen zal de start van het groeiseizoen echter steeds verder naar voren schuiven. Ten slotte wordt het voorkomen van soorten niet alleen bepaald door zuurstofstress, maar ook door droogtestress, die juist in de zomermaanden hoog kan zijn. Al met al is de GVG geen klimaatbestendige maat. We merken nu al dat het groeiseizoen eerder begint en dat hevige neerslag in de zomer steeds vaker voorkomt. De GVG houdt hier geen rekening mee en is daarom ongeschikt voor klimaatprojecties. In het kader van BSIK-project A1 is promotieonderzoek naar een klimaatrobuuste maat voor zuurstofstress verricht (Bartholomeus, 2009; Bartholomeus et al., 2010). Dit heeft geleid tot een rekenprocedure waarmee heel nauwkeurig de respiratiestress in de bodem kan worden gesimuleerd als functie van het vochtgehalte, de bodemtemperatuur, het organische-stofgehalte en de fysiologische eigenschappen van de vegetatie (Bartholomeus et al., 2008). Deze procedure is inmiddels ingebouwd in het model SWAP (Van Dam et al., 2008). Met de rekenprocedure kan de zuurstofstress worden berekend (Bartholomeus, 2009): de maximale respiratiereductie RS die een standaardgewas, een korte grasmat, gemiddeld gedurende 10 dagen in het jaar ondervindt. Door het gebruik van een referentiegewas is de RS, net als de GVG, een maat voor de natheid van de bodem, onafhankelijk van de werkelijke vegetatie. Deze natheid bepaalt uiteindelijk of een plant of vegetatietype kan voorkomen. Zo zullen Struikheide en Muizenoortje voorkomen op locaties met een zeer lage zuurstofstress, terwijl Zompzegge en Veldrus juist een voorkeur hebben voor locaties met een zeer hoge zuurstofstress. RS geeft dus per definitie de zuurstofstress aan waaraan de werkelijke vegetatie moet zijn aangepast om er te kunnen groeien. Deze maat blijkt goed te correleren met de vochtindicatie van de vegetatie, zoals Figuur 5 laat zien. Simulaties van de vochtindicatie F m in een toekomstig klimaat met RS als verklarende variabele, leiden tot systematisch andere projecties dan simulaties op grond van de GVG (Bartholomeus et al., 2010, submitted). Via een aantal reprofuncties (Bartholomeus et al., 2008) is het mogelijk RS te berekenen op basis van NHI-uitkomsten. KWR Mei 2010

21 F 4.0 m F m = RS (N = 145, R 2 = 0.75, RMSE = 0.25) RS [kg O 2 m -2 ] Figuur 5. Gebruikte relatie tussen gesimuleerde respiratiestress RS, als klimaatrobuuste maat voor de vochttoestand van de bodem, en de gemiddelde indicatiewaarde voor Vochttoestand F m (Bartholomeus et al., 2009). Figuur 5 laat zien dat het verband tussen RS en F m lineair is over het hele onderzochte bereik en dat ook vegetaties van de wat drogere standplaatsen zich door RS laten karakteriseren, hoewel die nauwelijks met zuurstofstress te maken hebben. Dat komt waarschijnlijk doordat zuurstofstress en droogtestress negatief zijn gecorreleerd: bodems met een wat fijnere textuur zullen eerder last hebben van zuurstofstress dan bodems met een wat grovere textuur, maar met die fijnere textuur hebben ze tevens minder vaak te maken met droogtestress. De juistheid van deze veronderstelling werd bevestigd door Bartholomeus (2009), die de zuurstofstress van 17 grondwateronafhankelijke vegetatieopnamen berekende: de gevonden punten bleken netjes rond de regressielijn van Figuur 5 te liggen; op het oog gemiddeld wel iets er boven (zie Figure 4A.1 op pagina 75 in Bartholomeus, 2009). Een nadere analyse liet echter ook zien dat het berekenen van de vochtindicatie op basis van zowel zuurstofstress als droogtestress, tot iets betere resultaten leidt. We gaan daar in 4.1 nader op in maar volstaan in deze studie verder met het gebruik van de relatie in Figuur 5 voor de vegetatiemodule. Daartoe is de functie in 99 equidistante knikpunten verdeeld die zijn ingevoerd in het bestand calibration curves.asc ( I.5 in de Bijlage) Relatie voor de standplaatsfactor Voedselrijkdom Over de standplaatsfactor Voedselrijkdom bestaat nog veel onduidelijkheid, zowel over de vraag hoe men de voedselrijkdom van de bodem moet karakteriseren, als over de vraag welke responsvariabele van de vegetatie deze standplaatsfactor het best weerspiegelt. Bij bodemvruchtbaarheid denkt men meestal aan de beschikbaarheid voor de plant van de nutriënten N, P en K. Deze kunnen volop in de bodem aanwezig zijn, maar wanneer ze zijn vastgelegd in een vorm dat ze niet kunnen worden opgenomen (bijvoorbeeld P aan ijzer of calcium in het bodemcomplex; N vastgelegd in anaeroob veen), heeft de vegetatie daar weinig aan. Ook grote droogte kan de opname belemmeren, simpelweg doordat de plant onvoldoende bodemvocht kan opnemen waarmee de nutriënten naar de wortels worden getransporteerd. Fluxen naar de plantenwortels van N, P en K zijn bepalend voor de biomassagroei, maar in de praktijk zijn deze nauwelijks te meten. Bovendien gaat het om de verhouding tussen de beschikbaarheid van deze nutriënten, omdat een van deze limiterend kan zijn voor de groei. Ook de responsvariabele van de vegetatie is nog onderwerp van studie. Jaarlijkse biomassaproductie kan een geschikte variabele zijn, maar ook plant traits als specifiek bladoppervlak (SLA) of relatieve groeisnelheid (RGR). In het kader van BSIK-project A1 wordt promotieonderzoek uitgevoerd naar de standplaatsfactor Voedselrijkdom, wat al enkele publicaties heeft opgeleverd (Ordoñez et al., 2009, 2010). Meer resultaten KWR Mei 2010

22 uit dit project zijn nog te verwachten. Bovendien kunnen binnen afzienbare tijd vorderingen worden verwacht van het project Relaties Standplaats en Vegetatie (B111697), dat KWR momenteel voor de waterbedrijven verricht. Voor de vegetatiemodule maken we voorlopig gebruik van het in Figuur 6 getoonde verband tussen met het model Century gesimuleerde stikstofmineralisatie in de bodem, en de gemiddelde indicatiewaarde voor Voedselrijkdom N m (Douma et al., in prep). De stikstofmineralisatie hangt in de gebruikte versie van Century af van de totale hoeveelheid C in de bodem, de C:N ratio, de bodemtextuur, bodemtemperatuur en de ratio tussen neerslag en verdamping. De functie is weer in 99 equidistante knikpunten verdeeld die zijn ingevoerd in het bestand calibration curves.asc ( I.5). Het in Figuur 6 getoonde verband is niet sterk, met een verklaarde variantie van slechts 44%. Dit percentage is echter nog hoog vergeleken met eerdere studies (bijvoorbeeld Ertsen et al., 1998) en deels toe te schrijven aan het feit dat voor de relatie gegevens zijn gebruikt uit een brede waaier van onderzoeksbronnen. Ook het feit dat de mineralisatiereductie door te natte omstandigheden is berekend uit de ratio tussen neerslag en verdamping, zal de nodige fouten hebben geïntroduceerd, zeker omdat de meeste plots onder invloed staan van het grondwater. Er is nu een nieuwe versie van Century waarin deze reductie afhangt van de fractie luchtgevulde poriën; mogelijk zou daarmee de relatie al sterk verbeterd kunnen worden. Klimaatverandering grijpt in op de stikstofmineralisatie door veranderingen in de temperatuur, de vochtvoorziening en de zuurgraad van de bodem. Deze veranderingen dienen door de beoogde bodemmodule te worden gesimuleerd Relatie voor de standplaatsfactor Zuurgraad Het is bekend dat de zuurgraad van de bodem grote invloed heeft op de soortensamenstelling van de vegetatie. Niet voor niets is deze factor opgenomen als onderscheidend kenmerk binnen het ecotopensysteem (Runhaar et al., 2004). De bodem-ph werkt op een aantal manieren door op de vegetatie (Figuur 7; Poozesh et al., 2007; Cirkel et al., in prep.). Bij een lage ph, bijvoorbeeld, zijn zware metalen als aluminium en zink, die in hoge concentraties giftig zijn voor de meeste plantensoorten, goed oplosbaar, terwijl bij een hoge ph ijzer in zulke lage concentraties kan voorkomen, dat planten aan chloreose kunnen gaan lijden. Binnen een ph-traject van ongeveer zes tot zeven zijn de microbiële activiteit van de bodem en de oplosbaarheid van fosfaat optimaal. Naar verwachting grijpt klimaatverandering in op de bodem-ph via veranderingen in de waterbalans van de bodem, de atmosferische CO 2-concentratie en via de afbraak van organische stof. N m 3.0 N m = log N min (N = 263, R 2 = 0.44, RMSE = 0.31) logn min [g N kg -1 y -1 ] Figuur 6. Gebruikte relatie tussen gesimuleerde stikstofmineralisatie N min, als maat voor de voedselrijkdom van de bodem, en de gemiddelde indicatiewaarde voor Voedselrijkdom N m (Douma et al., in prep). KWR Mei 2010

23 Figuur 7. Beschikbaarheid van nutriënten in relatie tot bodem-ph (en.wikipedia.org/wiki/soil_ph). Door Wamelink et al. (2002) is het verband onderzocht tussen de zuurgraad van de bodem en de gemiddelde indicatiewaarde van de vegetatie volgens Ellenberg (1992). Zij vonden een verklaarde variantie van 44%, maar meenden dat de betrekking verbeterd kan worden door voor iedere plantensociologische klasse een aparte ijkrelatie op te stellen, een opvatting die niet door iedereen wordt gedeeld (Witte & Von Asmuth, 2003). Wieger Wamelink was zo vriendelijk zijn gegevens aan ons ter beschikking te stellen. Uit zijn gegevens berekenden we per opname de gemiddelde indicatiewaarde volgens het ecotopensysteem R m, welke we tegen de gemeten bodem-ph uitzetten. Het resultaat is weergegeven in Figuur 8. De verklaarde variantie bedraagt nu 60%, wat opmerkelijk hoog is gegeven: (1) de geschetste onduidelijkheid over de ecologische betekenis van de bodem-ph, (2) de grote variatie die de bodem-ph kan vertonen in zowel ruimte en tijd (Cirkel et al., in prep.), (3) het feit dat het bestand van Wamelink is samengesteld uit R m R m = 1.56 ln ph (N = 3329, R 2 = 0.60, RMSE = 0.28) ph H2O Figuur 8. Gebruikte relatie tussen gemeten bodemzuurgraad ph H2O en de gemiddelde indicatiewaarde voor Zuurgraad R m. KWR Mei 2010

24 verschillende bronnen, met een grote variatie aan meetmethoden (meetdiepte, meetdatum, bemonstering- en analysemethode). Zowel in het promotieonderzoek van Gijsbert Cirkel (op een Casimir-beurs) als in het project Klimaatverandering/ Effecten grondwater (B ), dat KWR momenteel voor de waterbedrijven verricht, wordt het verband tussen bodemzuurgraad en vegetatie de komende tijd verder onderzocht. Verwacht wordt dat dit onderzoek nog dit jaar (2010) zal leiden tot een relatie tussen bodem-ph en vegetatie die niet alleen statistisch een stuk beter is, maar bovendien bodemchemisch onderbouwd. Voor de vegetatiemodule maken we voorlopig gebruik van het in Figuur 8 getoonde verband. De functie is in 99 equidistante knikpunten verdeeld die zijn ingevoerd in het bestand calibration curves.asc ( I.5). 3.3 Landelijk module met ecotoopgroepen In deze paragraaf wordt een vegetatiemodule gepresenteerd op basis van de ecotoopgroepen volgens het ecotopensysteem (Tabel 2) die op verzoek van Deltares is gebouwd. Deze groepen zijn eerder gebruikt in het model DEMNAT (Witte, 1998; Van Ek et al., 2000) en bovendien zijn ze op basis van floristische informatie landelijk in kaart gebracht in een resolutie van 1 1 km (Witte & Van der Meijden, 1995; Witte, 1998). Dat laatste is handig als we de uitkomsten van het door Deltares beoogde landelijke vegetatiemodel willen toetsen. Bovendien is er voor de ecotoopgroepen een systeem van natuurwaardering ontwikkeld (Witte, 1998) op basis waarvan we de uitkomsten van alle afzonderlijke ecotoopgroepen kunnen comprimeren tot bijvoorbeeld één waarderingsgetal, of één kaart met de voorspelde botanische natuurwaarde van Nederland. Omdat in Nederland het beheer van natuurterreinen bekend en opgelegd is, wordt de vegetatiestructuur in de module als bekend verondersteld. Twee deelmodulen worden onderscheiden, die, afhankelijk van de structuur (af te leiden uit het geografische bestand LGN: Landelijk Grondgebruik Nederland), worden aangeroepen: een module voor korte vegetaties (pioniervegetaties, graslanden en ruigten) en een voor houtige vegetaties (struwelen en bossen). In Tabel 2 is deze tweedeling te herkennen aan respectievelijk de structuurcodes K en H. Zoals vermeld laten we brakke en zoute systemen buiten beschouwing. Bovendien voegen we aan de deelmodule voor korte vegetaties ook aquatische ecotoopgroepen toe, in Tabel 2 te herkennen aan de structuurcode A. De reden is dat deze categorie naast watervegetaties ook verlandingsvegetaties omvat. Eerst is als volgt een validatie van de landelijke module uitgevoerd. Met het programma ECOTYP (Runhaar et al., 2002) zijn daartoe alle vegetatieopnamen uit het in 3.1 genoemde opnamebestand DVN geclassificeerd tot ecotoopgroepen. Vervolgens is, conform I.4, één random helft gebruikt voor het afleiden van dichtheidsfuncties. Met deze functies is daarna de kans op voorkomen van ectoopgroepen berekend bij iedere opname in de tweede random helft van het opnamebestand. De functies werden daartoe gevoed met de gemiddelde indicatiewaarden in deze tweede random helft. Vervolgens is per opname de voorspelde ecotoopgroep met de hoogste kans op voorkomen (op basis van indicatiewaarden en dichtheidsfuncties) vergeleken met de ecotoopgroep zoals afgeleid door ECOTYP (op basis van de soortensamenstelling). Tabel 3 geeft de resulterende confusion-matrix voor de korte vegetaties (K). Wegens het ontbreken van voldoende opnamen (>30) voor het betrouwbaar afleiden van functies, zijn twee ecotoopgroepen afgevallen (A13 en K68). De efficiëntie E, het percentage opnamen dat met indicatiewaarden tot dezelfde ecotoopgroep wordt geclassificeerd als met ECOTYP, bedraagt 87% (20 ecotoopgroepen). Voor de bouw van de definitieve landelijke module worden alle aanwezige opnamen gebruikt, en niet slechts een random helft, waardoor er dan voldoende opnamen zijn om ook ecotoopgroep K68 erbij te betrekken (E van de kalibratie bedraagt 90%). Het validatieresultaat voor bossen is weergegeven in Tabel 4 (E = 87%, 12 groepen). Er zijn door gebrek aan voldoende opnamen twee uitvallers, H62 en H69, maar na kalibratie op alle opnamen doen die ook mee in de module (E kalibratie bedraagt 91%). Als extraatje is tevens onderzocht wat het resultaat is van een K-module inclusief de brakke en zilte ecotoopgroepen, met als vierde verklarende as de indicatiewaarde voor Saliniteit. De efficiëntie E van de validatie bedraagt dan 85%. Het is dus goed mogelijk een vegetatiemodule inclusief de factor Saliniteit te ontwikkelen. KWR Mei 2010

25 Tabel 2. Indeling in ecotoopgroepen (bewerkt naar Runhaar et al., 2004). Code Omschrijving A11 Verlandings- en zoetwatervegetaties van voedselarme, zure wateren A12 Verlandings- en zoetwatervegetaties van voedselarme, zwakzure wateren A13 Verlandings- en zoetwatervegetaties van voedselarme, basische wateren A15 Verlandings- en zoetwatervegetaties van matig voedselrijke, zwakzure wateren A16 Verlandings- en zoetwatervegetaties van matig voedselrijke, basische wateren A18 Verlandings- en zoetwatervegetaties van zeer voedselrijke wateren K21 Pioniersvegetaties en graslanden op natte, voedselarme, zure bodems K22 Pioniersvegetaties en graslanden op natte, voedselarme, zwak zure bodems K23 Pioniersvegetaties en graslanden op natte, voedselarme, basische bodems K27 Pioniersvegetaties, graslanden en ruigten op natte, matig voedselrijke bodem K28 Pioniersvegetaties, graslanden en ruigten op natte, zeer voedselrijke bodems K41 Pioniersvegetaties en graslanden op vochtige, voedselarme, zure bodems K42 Pioniersvegetaties en graslanden op vochtige, voedselarme, zwak zure bodems K43 Pioniersvegetaties en graslanden op vochtige, voedselarme, basische bodems K46 Pioniersvegetaties en graslanden op vochtige, matig voedselrijke, kalkrijke bodems K47 Pioniersvegetaties en graslanden op vochtige, matig voedselrijke bodems K48 Pioniersvegetaties en graslanden op vochtige, zeer voedselrijke, kalkrijke bodems K61 Pioniersvegetaties en graslanden op droge, voedselarme, zure bodems K62 Pioniersvegetaties en graslanden op droge, voedselarme, zwak zure bodems K63 Pioniersvegetaties en graslanden op droge, voedselarme, basische bodems K67 Pioniersvegetaties en graslanden op droge, matig voedselrijke bodems K68 Pioniersvegetaties en graslanden op droge, zeer voedselrijke bodems H21 Bossen en struwelen op natte, voedselarme, zure bodems H22 Bossen en struwelen op natte, voedselarme, zwak zure bodems H27 Bossen en struwelen op natte, matig voedselrijke bodems H28 Bossen en struwelen op natte, zeer voedselrijke bodems H41 Bossen en struwelen op vochtige, voedselarme, zure bodems H42 Bossen en struwelen op vochtige, voedselarme, zwak zure bodems H43 Bossen en struwelen op vochtige, voedselarme, basische bodems H46 Bossen en struwelen op vochtige, voedselarme, kalkrijke bodems H47 Bossen en struwelen op vochtige, matig voedselrijke bodems H48 Bossen en struwelen op vochtige, zeer voedselrijke bodems H61 Bossen en struwelen op droge, voedselarme, zure bodems H62 Bossen en struwelen op droge, voedselarme, zwak zure bodems H63 Bossen en struwelen op droge, voedselarme, basische bodems H69 Bossen en struwelen op droge, voedselrijke bodems ba10 Verlandings- en watervegetaties in brak water bk20 Pioniersvegetaties, graslanden en ruigten op natte, brakke bodems bk40 Pioniersvegetaties, graslanden en ruigten op vochtige, brakke bodems bk60 Pioniersvegetaties op droge, brakke (en stuivende) bodems zk20 Pioniersvegetaties, graslanden en ruigten op natte, zoute bodems KWR Mei 2010

26 Tabel 3. Confusion matrix voor korte ecotoopgroepen (K). Hierin zijn de met Pardens geclassificeerde opnamen (rijen = voorspeld ) uitgezet tegen de met ECOTYP geclassificeerde opnamen (kolommen = waargenomen ). # = aantal opnamen,% = percentage overeenkomstig geclassificeerd. Voor- Waargenomen speld # % A11 A12 A15 A16 A18 K21 K22 K23 K27 K28 K41 K42 K43 K46 K47 K48 K61 K62 K63 K67 A A A A A K K K K K K K K K K K K K K K Tabel 4. Confusion matrix voor houtige ecotoopgroepen (H). Voorspeld # % H21 H22 H27 H28 H41 H42 H43 H46 H47 H48 H61 Waargenomen H63 H H H H H H H H H H H H Met de dichtheidsfuncties zijn twee modulen gemaakt, een voor korte en een voor houtige ecotoopgroepen. Deze zijn ter beschikking gesteld aan de opdrachtgevers, waardoor zij in feite een nationale vegetatiemodule in handen hebben gekregen. Teneinde de module te kunnen gebruiken is een invoerbestand nodig met, per rekencel, de waarde voor zuurstofstress ( 3.2.1), voor stikstofmineralisatie ( 3.2.2) en voor bodemzuurgraad ( 3.2.3). Om de module te illustreren is een dergelijk invoerbestand aangemaakt, met rekencellen van random geselecteerde standplaatsfactorwaarden die het hele bereik van de daarmee corresponderende indicatiewaarden beslaan. Tabel 5 geeft de berekende oppervlakten per ecotoopgroep voor korte vegetaties. Voor 18937van de cellen kon een oplossing KWR Mei 2010

27 Tabel 5. Gesimuleerde oppervlakten (in aantal rekencellen) bij een invoerbestand met rekencellen van random gegenereerde standplaatsfactoren. Omdat voor meer dan de helft van de cellen geen oplossing kon worden berekend, komt de totale oppervlakte in de tabel veel lager uit. Ecotoopgroep Oppervlak % Ecotoopgroep Oppervlak % A K A K A K A K A K K K K K K K K K K K K Totaal worden berekend; voor meer dan de helft van de cellen lagen de random gegenereerde waarden dus te ver buiten het kalibratiebereik. Dit zijn dus combinaties van standplaatsfactoren die in de huidige werkelijkheid niet voorkomen. De oppervlakteverdeling in Tabel 5 heeft niets te maken met de werkelijke zeldzaamheid van de ecotoopgroepen in Nederland, omdat daarbij de zeldzaamheid van de verschillende standplaatsen in Nederland een doorslaggevende rol speelt. Natte, voedselarme en zwak-zure standplaatsen, bijvoorbeeld, zijn zeer zeldzaam geworden in Nederland en dus zal op basis van werkelijke standplaatsinformatie K22 in een zeer kleine oppervlakte worden berekend, veel minder in ieder geval dan de 6.4% die in Tabel 5 staat vermeld. Verschillen in Tabel 5 hebben verscheidene oorzaken. Zo zijn sommige ecotoopgroepen veel breder gedefinieerd dan andere. Binnen ecotoopgroepen van voedselrijke milieus, bijvoorbeeld, wordt geen onderscheid meer gemaakt naar zuurgraad, terwijl er binnen de voedselarme groepen sprake is van een opsplitsing in drie klassen: zuur, zwak-zuur en basisch. Als we teruggaan naar de indicatiewaarden dan kunnen we op grond daarvan botweg als volgt de drie zuurklassen onderscheiden: tussen 1.0 en 1.5 is zuur, tussen 1.5 en 2.5 is zwakzuur en tussen 2.5 en 3.0 is basisch. De middelste klasse is dus breder, wat ook geldt voor de klassen vochtig en matig voedselrijk. Ten slotte speelt de toedeling met ECOTYP van opnamen uit DVN aan ecotoopgroepen een rol in de uitkomsten van Tabel 5. Voor geïnteresseerden is in Bijlage I tevens een voorbeeld opgenomen van een Monte-Carlo simulatie met 20 trekkingen voor ieder van de drie regressielijnen (Figuur 5, Figuur 6 en Figuur 8). Daarbij is uitgegaan van de in plut.asc opgegeven standaardafwijking (RMSE) en een normale verdeling rond iedere regressielijn. De voorspelde ecotoopgroepen met de hoogste kans op voorkomen zijn met een in de Bijlage ( I.9) beschreven programma gevisualiseerd. Ook deze figuren worden in digitale vorm aan de opdrachtgevers geleverd. Ter illustratie zijn in Figuur 9 enkele scatterplots weergegeven. De rode bolletjes zijn de waarnemingen, op basis waarvan de dichtheidsfuncties zijn gefit. De groene kruisjes zijn de voorspellingen. In dit voorbeeld is eerst een hele driedimensionale ruimte opgevuld met random geselecteerde waarden voor standplaatsfactoren, en op basis daarvan heeft de vegetatiemodule de vegetatietypen met de hoogste kans op voorkomen voorspeld (groene kruisjes). De plots van K43 en K63 zien er min of meer uit zoals verwacht kon worden: ongeveer bolvormige puntenwolken in de omgeving van het natte/droge, voedselarme en basische bereik. Van zaken die minder goed gaan kunnen we meer leren en daarom zijn in Figuur 9 ook de plots opgenomen van K41 en K47, ecotoopgroepen met in de validatie (Tabel 3) relatief veel misclassificaties (21 en 26%). Uitzonderlijk is de plot voor K41, met een vreemde uitwaaier naar een hogere voedselrijkdom (rechter as) in de natte kant van deze ecotoopgroep. Zijn tot K41 geclassificeerde opnamen inderdaad iets meer voedselminnend naarmate de standplaats wat natter is, of moet de classificatieprocedure met ECOTYP KWR Mei 2010

28 K41 K43 K47 K63 Figuur 9. Vier voorbeelden van scatterplots, zoals aangemaakt met het programma Visualize3D, met het waargenomen (rode bolletjes) en het random voorspelde (groene kruisjes) voorkomen van ecotoopgroep K41 (linksboven), K43 (rechtsboven), K47 (linksonder) en K63 (rechtsonder), alle beschreven in een driedimensionale ruimte van indicatiewaarden voor Vochttoestand F m, Voedselrijkdom N m en Zuurgraad R m (verticale as). worden herzien? Ook de plot voor K47 is leerzaam: daar zit aan de bovenkant een deukje in, veroorzaakt door de opnamen die binnen dat deukje zijn geclassificeerd tot K46. De concurrentie tussen K46 en K47 is ook zichtbaar in Tabel 3, waaruit blijkt dat beide groepen betrekkelijk vaak verwisseld worden. De hier geschetste onvolkomenheden vallen echter in het niet bij het algemene resultaat, dat met een efficiëntie van 87% uitstekend is te noemen. Bij de bouw van het uiteindelijke nationale vegetatiemodel van Deltares, dus inclusief de bodemmodule, zullen we nagaan of de classificatieprocedure met ECOTYP nog verbeteringen behoeft. 3.4 Landelijk module met plantensociologische verbonden Om te onderzoeken hoe goed de vegetatiemodule presteert bij het gebruik van plantensociologische eenheden, is tevens een module gemaakt op basis van Verbonden. We beschouwen alleen terrestrische verbonden van kruidachtige natuurlijke en halfnatuurlijke vegetaties op zoete standplaatsen. Zonder ons om de precieze toedeling te bekommeren stellen we dat verbond 09Aa tot en met 32Ba hieraan voldoen, met uitsluiting van de brakke en zilte reeks (22Aa-27Aa), de verbonden van muurvegetaties (21Aa, 21Aa) en van ruderale terreinen en akkers (verbonden uit de klassen 30 en 31). In totaal gaat het om een selectie van 30 verbonden. De confusion matrix is weergegeven in Tabel 6. De efficiëntie in de validatie bedraagt 64% (voor kalibratie op alle opnamen geldt E = 70%). Dat is een stuk lager dan bij ecotoopgroepen, maar vreemd is dat niet, alleen al omdat nu meer eenheden (verbonden) uit elkaar moeten worden gehouden, namelijk 28 (twee vallen in de validatie af wegens te weinig opnamen; deze komen er in de kalibratie op alle opnamen echter weer bij). KWR Mei 2010

29 Tabel 6. Confusion matrix voor kruidachtige Verbonden van zoete standplaatsen. Waargenomen 32BA 32AA 29AA 28AA 20AB 20AA 19AA 18AA 17AA 16BC 16BB 16BA 16AB 16AA 15AA 14CB 14CA 14BC 14BB 14BA 14AA 12BA 12AA 11BA 11AA 10AA 09BA 09AA Voorspeld # % 09Aa Verbond van Zwarte zegge Ba Knopbies-verbond Aa Verbond van Veenmos en Snavelbies Aa Dophei-verbond Ba Hoogveenmos-verbond Aa Varkensgras-verbond Ba Zilverschoon-verbond Aa Buntgras-verbond Ba Dwerghaver-verbond Bb Verbond van Gewoon struisgras Bc Verbond der droge stroomdalgraslanden Ca Duinsterretjes-verbond Cb Verbond der droge, kalkrijke duingraslanden Aa Verbond der matig droge kalkgraslanden Aa Verbond van Biezeknoppen en Pijpestrootje Ab Dotterbloem-verbond Ba Verbond van Grote vossestaart Bb Glanshaver-verbond Bc Kamgras-verbond Aa Marjolein-verbond Aa Verbond van Gladde witbol en Havikskruiden Aa Verbond der heischrale graslanden Aa Verbond van Struikhei en Kruipbrem Ab Kraaihei-verbond Aa Dwergbiezen-verbond Aa Tandzaad-verbond Aa Moerasspirea-verbond Ba Verbond van Harig wilgeroosje KWR Mei 2010

30 Naar aanleiding van Tabel 6 kan men zich natuurlijk van alles afvragen, bijvoorbeeld of dit hoge aantal verbonden niet een beetje veel van het goede is om aan de hand van slechts drie factoren uit elkaar te houden, en of sommige verbonden misschien beter buiten beschouwing kunnen worden gelaten omdat hun voorkomen veel meer bepaald wordt door historische factoren en beheer dan door de beschouwde standplaatsfactoren. We zullen ter lering Tabel 6 daarom nader bespreken. Een aantal verbonden is goed onderscheidbaar. Uitzonderlijk hoog scoort het Verbond der matig droge kalkgraslanden (15Aa; E = 94%). In vergelijking met schrale vegetaties op kalkrijke duingronden (14Ca en 14Cb) is de standplaats van de kalkgraslanden vochtiger door de hoge rijkdom aan lutum van de bodem (Figuur 10, bovenste plot). De standplaatsindicatie van de kalkgraslanden vertoont alleen een geringe overeenkomst met de voedselrijkere vegetaties van het Marjolein-verbond (17Aa), die onder meer verschijnen na stopzetting van weidebeheer in kalkgraslanden. Ook het Verbond van Veenmos en Snavelbies (10Aa; E = 91%), het Knopbies-verbond (09Ba, E = 74%), het Varkensgras-verbond (12Aa; E = 72%), het Duinsterretjes-verbond (14Ca; E = 80%), het Verbond van Biezeknoppen en Pijpestrootje (16Aa; E = 83%) en het Verbond van Struikhei en Kruipbrem (20Aa; E = 83%) onderscheiden zich duidelijk van andere verbonden. De geringe overlap van standplaatsindicaties met die van andere verbonden komt overeen met de in het veld waarneembare patronen van de betreffende vegetaties in gradiënten en mozaïeken. Het Dotterbloem-verbond (16Ab) is eveneens goed te onderscheiden, waarbij echter vooral de grote overlap met het Moerasspirea-verbond (32Aa) toch een betrekkelijk lage efficiëntie van 61% veroorzaakt. Hier speelt beheer en vegetatiestructuur een belangrijke rol: Dotterbloemhooilanden waar het maaibeheer wordt gestaakt, kunnen in één á twee jaar veranderen in een vegetatie behorende tot de natte ruigten van het Moerasspirea-verbond. Met medeneming van beheer als structuurbepalende factor kan een dergelijke overlap voorkomen worden. De standplaatsindicatie van verbonden uit de Klasse der droge graslanden op zandgrond (14) vertoont slechts een geringe overeenkomst met die van andere verbonden (alleen substantiële overlap met het Marjolein-verbond, 17Aa). Voor deze groep van verbonden is de lage vochtbeschikbaarheid (veroorzaakt door een diepe grondwaterstand in combinatie met een beperkt vochtleverend vermogen van de bodem) onderscheidend (Figuur 10, onderste plot). Binnen de klasse is echter een graduele overgang tussen de verbonden te zien, die deels kan worden verklaard door een toename van de zuurgraad veroorzaakt door aanwezigheid van kalk- of basenrijk bodemmateriaal, maar die ook deels samenhangt met de wijze van beheer. Ook de droge heiden en (hei)schrale graslanden (18Aa, 19Aa, 20Aa, 20Ab) vormen een goed onderscheidbaar cluster, waarbinnen echter niet een eenduidige, graduele overgang kan worden onderscheiden. Tevens is er een zekere overlap in standplaatsindicatie met tal van andere verbonden. Het betreffen plantengemeenschappen van voedselarme, zure tot matig zure, droge tot matig vochtige standplaatsen, waarbij variaties in alle drie factoren bijdragen tot zowel onderlinge overeenkomsten als overeenkomsten met andere verbonden. Een belangrijke oorzaak voor de grote overlap wordt veroorzaakt, doordat de verbonden 18Aa, 19Aa en 20Ab associaties omvatten met een grote variatie aan standplaatsindicaties. Een laatste cluster dat hier wordt besproken, is dat met verbonden van natte, (matig) voedselrijke standplaatsen, waarbij net als bij het Dotterbloem-verbond overeenkomsten in standplaatsindicatie zijn tussen lage kruidvegetaties en ruigten. Dit betreft het Zilverschoon-verbond (12Ba; E = 51%), het Verbond van Grote vossestaart (16Ba; E = 60%), het Tandzaad-verbond (29Aa; E = 53%), het Moerasspirea-verbond (32Aa; E = 49%) en het Verbond van Harig wilgeroosje (32Ba; E = 48%). Zowel bij de lage kruidachtige vegetaties als bij de ruigten manifesteert zich een spectrum aan plantengemeenschappen die zijn gerelateerd aan een vergelijkbaar bandbreedte aan standplaatsfactoren. Beheer is hierbij de onderscheidende factor. Ten slotte valt in de matrix de zeer lage efficiëntie van het Dwergbiezen-verbond op (28Aa; E = 27%). Zoals uitgelegd, komen in dit verbond associaties voor met verschillende ranges ten aanzien van de standplaatsindicatie. Dit geldt evenwel ook voor enkele andere verbonden, die beduidend hoger scoren. Het Dwergbiezen-verbond vormt echter een uitzondering als pioniervegetatie, vaak verschijnend op een KWR Mei 2010

31 Figuur 10. Toelichting bij de tekst van 3.4 in de vorm van 3D-plots met als assen de indicatiewaarden voor vochttoestand, voedselrijkdom en zuurgraad (Fm, Nm en Rm). Boven: 14Ca Duinsterretjes-verbond (rood), 14Cb Verbond der droge, kalkrijke duingraslanden (groen) en 15Aa Verbond der matig droge kalkgraslanden (blauw). Onder: Klasse 14 (groen) ten opzichte van de overige verbonden van Tabel 6. Ieder punt in de plot is afgeleid van een vegetatieopname. kale bodem, bijvoorbeeld na plaggen, waarbij het de wegbereider is voor allerlei vochtige tot natte, zwak zure tot basenrijke kruidachtige vegetaties. Op grond van deze bespreking kunnen we de selectie van verbonden voor nationale toepassingen heroverwegen met het doel de verspellende kracht van het model te verbeteren, zonder echter het onderscheid tussen voor het natuurbehoud belangrijke vegetaties te verliezen. Er valt allereerst veel voor te zeggen het Dwergbiezen-verbond op (28Aa) buiten de selectie te laten. Is het immers wel nodig op nationale schaal pioniervegetaties van geplagde bodems te voorspellen, of zouden alleen stabiele korte KWR Mei 2010

32 vegetaties, als representanten van een bepaald milieu en het langdurig gevoerde beheer volstaan? Ten tweede kan men overwegen om ruigtevegetaties van natte, voedselrijke bodem samen te voegen (12Ba, 29Aa, 32Aa en 32Ba). Het gaat immers om gemeenschappen van vergelijkbare milieus met een vrij lage natuurwaarde. KWR Mei 2010

33 4 Vervolg 4.1 Verbeteringen en uitbreidingen Vegetatiemodule Relaties tussen standplaats en vegetatie In 1.1 en 3.2 is vermeld dat er momenteel volop onderzoek geschiedt, via promovendi en via opdrachten voor de waterbedrijven, om de voor Probe noodzakelijke relaties tussen standplaats en planteigenschappen te verbeteren. Dat betekent dat we in de nabije toekomst betere relaties mogen verwachten voor met name de standplaatsfactoren Voedselrijkdom en Zuurgraad. De relatie voor de standplaatsfactor Vochttoestand is al zeer goed, maar deze heeft als nadeel dat hij alleen gebaseerd is op de zuurstofstress die planten door te natte omstandigheden kunnen ondervinden (Figuur 5), terwijl de plantengroei ook wordt bepaald door droogtestress. Nu zijn zuurstofstress en droogtestress gerelateerd ( 3.2.1), maar toch niet zodanig dat we droogtestress buiten beschouwing kunnen laten. Dat blijkt wel uit het feit dat met de relatie voor zuurstofstress, zie Figuur 5, geen hogere vochtindicatie dan F m = 3.5 kan worden berekend. Voor droge duinen en humusarme en leemarme hogere zandgronden is de voorspelde vochtindicatie op basis van Figuur 5 dus altijd te laag. Gelukkig hebben we uit het promotieonderzoek van Ruud Bartholomeus de in Figuur 11 getoonde relatie overgehouden, die de vochtindicatie als functie van zowel zuurstofstress als droogtestress weergeeft. Dat leidt niet alleen tot een hogere verklaarde variantie (81 in plaats van 75%), maar ook tot het overspannen van het hele vochtbereik met één functie. Wij willen op korte termijn de vegetatiemodule van Probe-2 zodanig aanpassen, dat planteigenschappen zijn te beschrijven als functie van twee of meer verklarende variabelen. Daarna kan een als in Figuur 11 weergegeven verband worden gebruikt Uitbreiding en verbetering computerprogramma s Een van de eerste verbeteringen is dus het zodanig aanpassen van de vegetatiemodule, dat planteigenschappen kunnen worden voorspeld op basis van meerdere verklarende variabelen. Maar er zijn meerdere uitbreidingen en verbeteringen mogelijk: a. Met de in de Bijlage beschreven software kan via een Monte-Carlo simulatie rekening worden gehouden met de onzekerheden waarmee planteigenschappen worden voorspeld op basis van gegeven standplaatsvariabelen, zoals bodem-ph en zuurstofstress. Deze variabelen zijn echter ook met onzekerheden omgeven, afhankelijk van bijvoorbeeld het hydrologisch model dat aan de vegetatiemodule wordt gekoppeld. De software voor Probe dient te worden uitgebreid met de mogelijkheid deze onzekerheden bij de Monte-Carlo simulatie te betrekken. Zie voor meer R 2 = 81% Figuur 11. Vochtindicatie als functie van zuurstofstress (respiratiereductie) en droogtestress (transpiratiereductie). KWR Mei 2010

34 informatie over het meenemen van onzekerheden. b. In de driedimensionale plots waarin de tot een bepaald vegetatietype geclassificeerde opnamen zijn uitgezet tegen planteigenschappen (Figuur 9, Figuur 10, Figuur 17, Figuur 23), zijn soms extreme uitbijters te zien. Zulke uitbijters zouden telkens moeten worden bestudeerd om na te gaan of de classificatie van de opnamen tot het vegetatietype wel juist is geweest. Een dergelijke analyse vergt echter veel tijd. Een oplossing kan zijn uitbijters via een automatische procedure te verwijderen. Daarvoor hebben we ook een computerprogramma ontwikkeld dat op grond van een aantal criteria afgelegen punten identificeert. Het automatisch verwijderen van uitbijters is echter omstreden, omdat het kan leiden tot het doelbewust manipuleren van de uitkomsten. Daarom hebben we deze procedure in deze studie niet toegepast. c. Gebruikers van Probe kunnen nog geholpen worden met een nabewerkingprogramma dat de interpretatie van de resultaten vergemakkelijkt. Zo zal men dikwijls geïnteresseerd zijn in de verschillen tussen twee scenario s, vaak een scenario voor de huidige situatie en een voor de toekomst (bijvoorbeeld het jaar 2050 onder het W+ klimaatscenario). Die verschillen kunnen in kaartvorm worden weergegeven, in tabellen met verschuivingen tussen de oppervlakten, in kruistabellen waarin men de verschuivingen van huidige vegetatietypen naar toekomstige vegetatietypen kan aflezen, enzovoorts. Bovendien kan de gebruiker worden geholpen met een geautomatiseerde interpretatie van de resultaten: o Zoals vermeld berekent Probe-2 per locatie de kans op voorkomen van verschillende vegetatietypen. Het zou heel goed kunnen dat klimaatverandering er toe leidt dat in een rekencel typen worden voorspeld, die qua standplaatsvoorkeur verder uit elkaar liggen dan onder het huidige klimaat. Voor de gebruiker is het handig zulke verschuivingen in heterogeniteit binnen een rekencel te kwantificeren en zo mogelijk van een oordeel te voorzien. o Voorspellingen kunnen ver buiten het bereik liggen van de opnamen waarop een vegetatiemodule is geijkt. Dat zal bijvoorbeeld gelden voor droge locaties die onder het W+scenario droger worden dan ooit in Nederland vertoond. In de hiervoor genoemde kruistabel worden zulke verschuivingen inzichtelijk gemaakt, maar het is ook wenselijk ze in kaartvorm op de een of andere manier weer te geven: onbekend welk type hier komt, maar het zal droger zijn dan wij thans kennen. Dit soort interpretaties zullen zich in de praktijk ontwikkelen. o Voor de interpretatie is het bovendien handig alle bruikbare extra informatie in kaartvorm toe te voegen. Zo is door Bartholomeus (2009; submitted) het aantal soorten in een opname dat op de Rode lijst staat, beschreven als empirische functie van zowel droogte- als zuurstofstress (Figuur 12). Deze functie kan worden gebruikt om te bepalen hoe thans bedreigde soorten reageren op veranderingen in beide stressfactoren. Zo berekende Bartholomeus (2009; submitted) op basis van een set van bijna tweehonderd vegetatieopnamen een achteruitgang van 17% in het huidige aantal Rode lijstsoorten ten gevolge van scenario W+ (2050). Figuur 12. Aantal soorten in vegetatieopnamen die op de Nederlandse Rode lijst (Van der Meijden et al., 2000) voorkomen als functie van zuurstofstress en droogtestress (Bartholomeus, 2009). KWR Mei 2010

35 4.1.3 De te gebruiken vegetatietypologie We hebben in dit project een nationale vegetatiemodule gemaakt voor ecotoopgroepen ( 3.3) en een voor plantensociologische verbonden ( 3.4). Op de laatste module is principiële kritiek gekomen van de kwaliteitsborger van het onderzoek, Martin de Haan. Hij stelt dat het verbondsniveau qua standplaats te heterogeen is en daarom een ongeschikt niveau is om voorspellingen voor te doen. De gewenste eenheid zou de associatie (of zelfs subassociatie) zijn, omdat deze gebaseerd is op de concrete plantengroei in het veld, en de milieuvariatie binnen de associatie dientengevolge in veel situaties beperkt is. Voor verbonden gaat dit absoluut niet op: associaties binnen verbonden kunnen elkaar zelfs op basis van standplaatseisen uitsluiten, aldus De Haan. Voor een nationale schaal is het aantal associaties echter veel te groot, tenzij we deelmodellen voor verschillende regio s zouden ontwikkelen, met voor iedere regio een beperkt (zeg minder dan 30) aantal kenmerkende associaties. Een gestratificeerde modellering dus. Aanbeveling van De Haan is daarentegen om voor vervolgtoepassing op nationale schaal gebruik te maken van de landelijke indeling in natuurdoeltypen (Bal et al., 2001), omdat die indeling een referentie vormt voor de plantengroei in specifieke milieus. Per natuurdoeltype is bekend welke associaties of subassociaties (volgens DVN) er toe behoren. Indien gewenst kan deze toedeling naar eigen inzicht worden aangepast. Dat zal bij sommige van de huidige landelijke natuurdoeltypen zeker nodig zijn, omdat ze te breed zijn gedefinieerd. Het gebruik van een landelijke typologie is niet voldoende als klimaatverandering tot standplaatscondities leidt waar in het huidige Nederlandse helemaal geen referentie voor is te vinden. Uitbreiding van de module met opnamen uit het buitenland en met een buiten Nederland toepasbare typologie is daarom dringend gewenst. We denken daarbij vooral aan uitbreiding met opnamen en typen uit Frankrijk. Een extra verklarende as zal dan nodig zijn, bijvoorbeeld de temperatuurindicatie volgens Ellenberg (1992). 4.2 Aansluiting bij en ontwikkeling van de bodemmodule Inleiding Om met de vegetatiemodule realistische berekeningen uit te kunnen voeren, moeten per rekencel de verklarende invoervariabelen bekend zijn. In de hier beschreven landelijke modulen zijn dat de zuurgraad, de stikstofmineralisatie en de zuurstofstress in de wortelzone. In een vervolg komen daar droogtestress en een maat voor de invloed van zout in de wortelzone bij en mogelijk ook andere maten voor de voedselrijkdom van de bodem. Droogtestress (gedefinieerd als de maximale tiendaagse transpiratiereductie, gemiddeld over een periode van liefst 30 jaar), is goed uit de uitkomsten van hydrologische modellen te destilleren. Met een aangepaste versie van het model SWAP (Van Dam et al., 2008), kan bovendien de zuurstofstress voor iedere locatie worden berekend (gedefinieerd als de maximale tiendaagse respiratiereductie, gemiddeld over een periode van liefst 30 jaar; Bartholomeus, 2009). Omdat die berekeningen veel tijd vergen, kan ook gebruik worden gemaakt van reproductiefuncties. Op basis van het bodemtype en de dagelijkse grondwaterstand en luchttemperatuur kan de zuurstofstress met deze functies redelijk betrouwbaar worden geschat (Bartholomeus, 2009). De mogelijkheden de voedselrijkdom en de zuurgraad van de bodem te simuleren, komen in de volgende twee paragrafen aan de orde Versie voor de duinen In opdracht van PWN, Waternet en Dunea wordt momenteel een minimodel voor bodemsuccessie in de duinen ontwikkeld (project A308202). Dit model, DuvelChem, moet de ontkalking, de ontwikkeling van de zuurgraad en de voedselrijkdom van de duinbodem kunnen simuleren in afhankelijkheid van onder meer het type begroeiing en het jaarlijkse neerslagoverschot. Hierbij wordt onder meer gebruik gemaakt van het langlopende onderzoek in de kustduinen door KWR (o.a. Koerselman et al., 1995, 1999; Stuijfzand, 1993), de Universiteit van Amsterdam (o.a. Kooijman et al., 1998 & 2009; Kooijman & Besse, 2002) en van de waterbedrijven zelf (o.a. Van Til & Mourik, 1999). Het minimodel dient te zijner tijd de KWR Mei 2010

36 nodige invoer te kunnen genereren voor Probe. Daarmee kan dan de ontwikkeling in de tijd van de vegetatie worden nagebootst, in afhankelijkheid van onder andere het gevoerde waterbeheer en de atmosferische depositie van nutriënten. In deze opzet is echter nog geen sprake van een modelmatige terugkoppeling tussen bodem en vegetatie: een bepaald begroeiingstype wordt aan het minimodel opgelegd en daaruit volgt dan een ontwikkeling van bodem en vegetatie. Bij een werkelijk dynamisch model wordt per tijdstap bijgehouden hoe de vegetatie de bodem beïnvloedt, vooral via verdamping en de afbraak van organisch materiaal, en hoe die gewijzigde bodemcondities weer de vegetatie bepalen Landelijke versie De vegetatiemodulen die nu voor Deltares zijn ontwikkeld, één met ecotoopgroepen en één met verbonden, kan worden aangesloten op de modellen die door het Planbureau voor de Leefomgeving voor haar landelijke analyses worden gebruikt. Dit zijn het NHI (www.nhi.nu) en het bodemchemische model SMART (Kros et al., 1995). Het model SMART is echter vooral ontwikkeld voor verzuring op de hogere zandgronden van Nederland, en minder geschikt voor natte natuurgebieden en de gevolgen van klimaatverandering. In overleg met partners als Deltares en Alterra wil KWR de komende jaren proberen de bodemchemische modellering te verbeteren. Het onderzoek zal worden uitgevoerd door een postdoc die bij KWR wordt aangesteld met subsidie vanuit het programma Kennis voor Klimaat, maar ook door andere onderzoekers van KWR (gefinancierd vanuit project B111699) en van de afdeling Systeemecologie van de VU. Aangezien de ambities hoog zijn, wordt naar aanvullende financiering gezocht. De bedoeling is de bodemchemische module voor Probe in drie fasen te ontwikkelen. In de eerste fase (beoogde oplevering: begin 2011) willen we gebruik maken van simpele beslisregels op basis waarvan de voedselrijkdom en de zuurgraad van de bodem kunnen worden vastgesteld. Zo is voor verschillende bodemgroepen de stikstofmineralisatie beschreven als functie van de gemiddelde voorjaarsgrondwaterstand. Deze functies zijn destijds door Mankor & Kemmers (1998) berekend met het model Econum en ze worden nu nog steeds toegepast in de modellen DEMNAT (Van Ek et al., 2000) en NICHE (Meuleman et al., 1996). Voor de zuurgraad zou gebruik kunnen worden gemaakt van de opzoektabellen die zijn opgesteld ten behoeve van het model Waternood: voor alle mogelijke combinaties van bodemtype, gemiddeld laagste grondwaterstand en kwelsituatie is met SMART berekend wat de ph in de bodem is. Uiteraard hebben dit soort simpele functies grote beperkingen; zo kan er niet mee worden bepaald wat de gevolgen zijn van klimaatverandering, via een hogere bodemtemperatuur en een grotere vochtdynamiek, op de stikstofmineralisatie en de basenhuishouding. Hiervoor is een meer mechanistische benadering nodig. In een tweede fase (beoogde oplevering: eind 2012, begin 2013), streven we naar een bodemchemisch model voor klimaatvraagstukken in Nederland. SMART is al genoemd als een van de mechanistische modellen, maar dit model is vooral bedoeld voor verzuring en het houdt geen rekening met de effecten van zuurstofgebrek op de afbraaksnelheid van organische stof. Internationaal is het model Century zeer bekend (o.a. Parton et al., 1987, 2007). In de nieuwste versie wordt de mineralisatie van zowel N als P berekend als functie van onder andere het percentage luchtgevulde poriën (dat met een hydrologisch model als SWAP kan worden berekend). Nadeel is dat de zuurgraad in dit model niet rechtstreeks invloed heeft op de mineralisatie van organische stof. Waarschijnlijk zullen we onderdelen uit verschillende modellen moeten integreren in een bestaand model; mogelijk wordt een nieuwe bodemmodule opgezet. In de hiervoor genoemde twee fasen zijn de modellen op afstand gekoppeld: een hydrologisch model genereert de invoer voor een bodemchemisch model en de uitvoer van beide modellen worden weer gebruikt om met Probe de vegetatie te voorspellen. In de derde fase (beoogde aanvang: eind 2012, begin 2013) willen we proberen de vegetatie dynamisch te simuleren, door vegetatie, bodemchemie en bodemwaterhuishouding via processen aan elkaar te koppelen. Om overparametrisatie en onwerkbaar lange rekentijden te vermijden, zal de bodemmodule waarschijnlijk aanzienlijk vereenvoudigd moeten worden. KWR Mei 2010

37 4.2.4 Een op maat gesneden model De vegetatiemodule van Probe maakt gebruik van empirische relaties tussen standplaatsvariabelen en gemiddelde planteigenschappen of indicatiewaarden. Die gemiddelden zijn berekend uit de soortensamenstelling van vegetatieopnamen. De standplaatsvariabelen zijn in het veld bij iedere opname gemeten (bijvoorbeeld de ph; Figuur 8) of gesimuleerd op basis van gedetailleerd veldmetingen (zoals zuurstofstress op basis van gemeten grondwaterstanden en bodembeschrijvingen; Figuur 5). Nu is de kans aanzienlijk dat hydrologische en bodemchemische modellen (als NHI en SMART) onvoldoende aansluiten bij de empirische ijkrelaties in Probe. Dat kan, en ongetwijfeld zal, tot systematische fouten leiden. Stel bijvoorbeeld dat de ph in een empirische relatie gebaseerd is op metingen in de maanden juni en juli op een diepte van 5-20 cm min maaiveld, terwijl een bodemchemisch model de jaargemiddelde ph berekent over een wortelzone van 25 cm en in rekencellen van m. Dan heb je te maken met op twee verschillende manieren gedefinieerde ph s, en kun je die gesimuleerde ph niet zo maar toepassen op een ijkrelatie die is gebaseerd op de in het veld gemeten ph. Of stel dat in de scenarioanalyses gebruik moet worden gemaakt van een hydrologisch model met cellen van m dat op decadebasis rekent. Je kunt er dan gif op innemen dat de zuurstofstress uit dit hydrologisch model veel meer afgevlakt is en systematisch verschilt van de zuurstofstress in de ijkrelatie (Figuur 5). Om systematische fouten te voorkomen willen we niet alleen gebruik maken van op veldgegevens gebaseerde ijkrelaties, maar voor ieder te modelleren gebied relaties opstellen op basis van goed gelokaliseerde vegetatieopnamen binnen dat gebied. Van iedere gelokaliseerde opname kunnen gemiddelde planteigenschappen worden bepaald en bij iedere opname kan worden opgezocht wat de uitkomsten zijn, voor het huidige klimaat en waterbeheer, van de hydrologische en bodemchemische modellen. Op deze manier krijgen we ijkrelaties die naadloos aansluiten op de vegetatiemodule. Bovendien krijgen we zo inzicht in de totale onzekerheid van het model: onzekerheden die te maken hebben met fouten in de hydrologische modellering, in de bodemchemische modellering, en in de daadwerkelijke betrekking tussen bodemfactoren en gemiddelde planteigenschappen. Via een Monte- Carlo simulatie kunnen deze onzekerheden worden vertaald in de uitkomsten en het in vermelde verbeteringspunt a (onzekerheden in standplaatsvariabelen expliciet simuleren) wordt daarmee overbodig. Voor ieder modelgebied kan een dergelijke ijking worden uitgevoerd, bijvoorbeeld voor het stroomgebied van de Baakse beek, dat binnen Thema 3 van Kennis voor Klimaat als studiegebied gaat dienen, maar ook voor heel Nederland, wat aansluit op de wensen van Deltares. Bij een nationale toepassing kan ook een ijkrelatie voor Salinitiet worden afgeleid op basis van door het NHI berekende chloridevrachten, chlorideconcentraties of andere aan zout gerelateerde grootheden. Aldus krijgen we voor ieder te onderzoeken gebied een op maat gesneden modelversie van Probe. KWR Mei 2010

38 KWR Mei 2010

39 Referenties Bal, D., H.M. Beije, M. Felliger, R. Haveman, A.J.F.M. van Opstal & F.J. van Zadelhoff, Handboek natuurdoeltypen. Rapport Expertisecentrum LNV 2001/020, Wageningen. Bartholomeus, R.P., Moisture Matters; Climate-proof and process-based relationships between water, oxygen and vegetation. PhD-thesis, VU, Amsterdam. Bartholomeus, R.P., J.P.M. Witte, P.M. van Bodegom, J.C. van Dam & R. Aerts, Critical soil conditions for oxygen stress to plant roots: improvement of the Feddes-function. Journal of Hydrology 360: Bartholomeus, R.P., J.P.M. Witte, P.M. van Bodegom & J.C. van Dam, Nieuwe maat voor bodemvochtregime ook geschikt onder toekomstig klimaat. H 2O 3: Bartholomeus, R.P., J.P.M. Witte, P.M. van Bodegom, J.C. van Dam & R. Aerts, submitted. Towards a climate-proof relationship between soil moisture conditions and vegetation composition. Bartholomeus, R.P., J.P.M. Witte, P.M. van Bodegom, J.C. van Dam & R. Aerts, submitted. Climate change especially hampers endangered species through amplified plant stresses. Bazzaz, F.A., S.L. Bassow, G.M. Berntson & S.C. Thomas, Elevated CO2 and terrestrial vegetation: Implications for and beyond the global carbon budget. In: B. Walker & W. Steffen (eds.), Global Change and Terrestrial Ecosystems, p Cambridge University Press. Botkin, D.B., H. Saxe, M.B. Araújo, R. Betts, R.H.W. Bradshaw, T. Cedhagen, P. Chesson, T.P. Dawson, J. Etterson, D.P. Faith, S. Ferrier, A. Guisan, A. Skjoldborg Hansen, D.W. Hilbert, C. Loehle, C. Margules, M. New, M.J. Sobel, and D.R.B. Cornelissen, J.H.C., Lavorel, S., Garnier, E., Diaz, S., Buchmann, N., Gurevich, D.E., Reich, P.B., ter Steege, H., Morgan, H.D., van der Heijden, M.G.A., Pausas, J.G. & Poorter, H A handbook of protocols for standardised and easy measurement of plant functional traits worldwide. Australian Journal of Botany 51: De Haan, M.W.A. & A. Doomen, Optimalisatie natuur en waterwinning in de Amsterdamse Waterleidingduinen. Milieueffectrapport - deelrapport natuur en landschap. Kiwa Water Research, Nieuwegein Douma, J.C., J.P.M. Witte, R. Aerts, R.P. Bartholomeus, J.C. Ordoñez, H. OldeVenterink, M.J. Wassen & P.M. van Bodegom, in prep. A trait assembly approach to include more mechanistic information in habitat distribution models. Ellenberg, H., Zeigerwerte der Gefässpflanzen (ohne Rubus). Scripta Geobotanica 18: Ertsen, A.C.D., J.R.M. Alkemad & M.J. Wassen, Calibrating Ellenberg indicator values for moisture, acidity, nutrient availability and salinity in the Netherlands. Plant Ecology 135: Gremmen, N. J. M., M. J. S. M. Reijnen, J. Wiertz, & G. van Wirdum, A model to predict and assess the effects of groundwater withdrawal on the vegetation in the Pleistocene areas of the Netherlands. Journal of environmental management 31: Guisan, A. & W. Thuiller, Predicting species distribution: Offering more than simple habitat models. Ecology Letters, 8, Guisan, A. & N.E. Zimmermann, Predictive habitat distribution models in ecology. Ecological Modelling 135: Hommel, P.W.F.M. & R.W. de Waal, Rijke bossen op arme bodems. Alternatieve boomsoortenkeuze verhoogt soortenrijkdom ondergroei op verzuringgevoelige gronden. Landschap 20: Knapp, A.K., C. Beier, D.D. Briske, A.T. Classen, Y. Luo, M. Reichstein, M.D. Smith, S.D. Smith, J.E. Bell, P.A. Fay, J.L. Heisler, S.W Leavitt, R. Sherry, B. Smith and E. Weng, Consequences of more extreme precipitation regimes for terrestrial ecosystems. BioScience 58: Koerselman, W. & A.F.M. Meuleman, Predicting the nature of nutrient limitation from the N:P ratio of plants; a new tool for the restoration of eutrophicated ecosystems. Journal of Applied Ecology 33: Koerselman, W., Meuleman, A.F.M., & De Haan, M.W.A., Ecohydrologische effectvoorspelling duinen. Standplaatsmodellering in NICHE Duinen. Kiwa Water Research, Nieuwegein. KWR Mei 2010

40 Kooijman, A.M., J.C.R. Dopheide, J. Sevink, I. Takken & J.M. Verstraten, Nutrien limitations and their implications on the effects of atmospheric deposition in coastal dunes; lime-poor and lime-rich sites in the Netherlands. Journal of Ecology 86: Kooijman, A.M. & M. Besse. The higher availability of N and P in lime-poor than in lime-rich coastal dunes in the Netherlands, Journal of Ecology 90: Kooijman, A.M., I. Lubbers & M. van Til, Iron-rich dune grasslands: Relations between soil organic matter and sorption of Fe and P. Environmental pollution Kros, J., G. J. Reinds, W. de Vries, J. B. Latour & M. Bollen, Modelling of soil acidity and nitrogen availability in natural ecosystems in response to changes in acid deposition and hydrology. Winand Staring Centre, Wageningen. Levins, R., The strategy of model building in population ecology. Am. Sci. 54: McGill, B.J., B.J. Enquist, E. Weiher & M. Westoby, Rebuilding community ecology from functional traits. Trends in Ecology and Evolution 21: Mankor, J. & R.H. Kemmers, Econum: een model voor de simulatie van de stikstof- en fosfaathuishouding op standplaatsen met de half-natuurlijke vegetaties onder invloed van het grondwater. ICW-rapport 32, Wageningen. Meuleman, A. F., R. A. Kloosterman, W. Koerselman, M. den Besten & A. J. M. Jansen, NICHE: een nieuw instrument voor hydro-ecologische effectvoorspelling. H2O 5: Noest, V., E. van der Maarel & F. van der Meulen, Impact of climate change on the ecology of temperate coastal wetlands, beaches and dunes. In: D. Eisma (ed.), Climate Change, Impact on coastal habitation. Lewis Publishers, Boca Raton. Ordoñez, J.C., P.M. van Bodegom, J.P.M. Witte, I.J. Wright, P.B. Reich, R. Aerts, A global study of relationships between leaf traits, climate and soil measures of nutrient fertility. Global ecology and Biogeography 18: Ordoñez, J.C., P.M. van Bodegom, J.P.M. Witte, R.P. Bartholomeus, J.R. van Hal & R. Aerts, Plant Strategies in Relation to Resource Supply in Mesic to Wet Environments: Does Theory Mirror Nature? American Naturalist 175(2): Parton, W.J., Schimel, D.S., Cole, C.V. & Ojima, D.S., Analysis of factors controlling soil organicmatter levels in great-plains grasslands. Soil Science Society of America Journal 51: Parton, W., W.L. Silver, I.C. Burke, L. Grassens, M.E. Harmon, W.S. Currie, J.Y. King, E.C. Adair, L.A. Brandt, S.C. Hart & B. Fasth, Global-scale similarities in nitrogen release patterns during longterm decomposition. Science 315: Pearson, R.G. & Dawson, T.P., Prediciting the impacts of climate change on the distribution of species: are bioclimate envelope models useful? Global Ecology & Biogeography 12: Poozesh, V., P. Cruz, P. Choler & G. Bertoni, Relationship between the Al resistance of grasses and their adaptation to an infertile habitat. Annals of Botany 99: Runhaar, J., H. Kuijpers, H.L. Boogaard, P.C. Jansen en E.P.A.G. Schouwenberg, Natuurgericht Landevaluatiesysteem (NATLES) versie 2.1. Alterra, Wageningen. Runhaar, J., G.W.W. Wamelink, S.M. Hennekens en J.C. Gehrels, Realisatie van natuurdoelen als functie van de hydrologie. Landschap 20(3): Runhaar, J., J.P.M. Witte & P.H. Verburg, Ground-water level, moisture supply, and vegetation in the Netherlands. Wetlands 17(4): Runhaar, J., Van Landuyt, W., Groen, C.L.G., Weeda, E.J. & Verloove, F Herziening van de indeling in ecologische soortengroepen voor Nederland en Vlaanderen. Gorteria 30: Schaminée, J.H.J., A.H.F. Stortelder & V. & Westhoff De vegetatie van Nederland. Vol. 2. Opulus Press, Uppsala, SE. Schaminée, J.H.J., A.F.H. Stortelder & E.J. Weeda, De vegetatie van Nederland. Vol. 3. Opulus Press, Uppsala, SE. Schaminée, J.H.J., E.J. Weeda & V. Westhoff, De vegetatie van Nederland. Vol. 4. Opulus Press, Uppsala, SE. Snepvangers, J. & W. Berendrecht, MIPWA Methodiekontwikkeling voor Interactieve Planvorming ten behoeve van Waterbeheer. TNO rapport 2007-U-R0972/A, Utrecht. Stockwell Forecasting Effects of Global Warming on Biodiversity. BioScience 57(3): Stortelder, A.H.F., J.H.J. Schaminée, & P.W.F.M. Hommel, De vegetatie van Nederland. Vol. 5. Opulus Press, Uppsala, SE. KWR Mei 2010

41 Stuyfzand, P.J., Hydrochemistry and hydrology of the coastal dune area of the Western Netherlands. Proefschrift Vrije Universiteit, Amsterdam. Tamis, W., Changes in the flora of the Netherlands in the 20th century. Proefschrift, Leiden. t Lam, N., De temperatuur stijgt, planten en dieren willen verhuizen. Duin 30(1): 4-5. Torfs P.J.J.F., E.E. van Loon, R. Wójcik & P.A. Troch, Data assimilation by non-parametric local density estimation. In: Proceedings of the XIV international conference on computational methods in water resources (ed. Hassanizadeh SM) Amsterdam, pp Van Dam, J.C., P. Groenendijk, R.F.A. Hendriks & J.G. Kroes, Advances of Modeling Water Flow in Variably Saturated Soils with SWAP. Vadose Zone Journal 7: Van den Brink, A., et al., Exploring the Potential for Climate Change Adaptation Strategies in Rural Areas. Onderzoeksvoorstel KvK tweede tranche, Thema 3, Wageningen. Van der Meijden, R., Odé, B., C.L.G. Groen & J.P.M. Witte, Bedreigde en kwetsbare vaatplanten in Nederland. Gorteria 26(4): Van Ek, R., J.P.M. Witte, J. Runhaar & F. Klijn, Ecological effects of water management in the Netherlands: the model DEMNAT. Ecological Engineering 16: Van Oene, H., F. Berendse & C.G.F. de Kovel, Model analysis of the effects of historic CO2 levels and Nitrogen inputs on vegetation succession. Ecological applications 9: Van Til, M. & J. Mourik, Hiëroglyfen van het zand. Vegetatie en landschap van de Amsterdamse Waterleidingduinen. Gemeentewaterleidingen, Amsterdam. Van Tongeren, O., Programma ASSOCIA gebruikershandleiding en voorwaarden. Data-analyse Ecologie, Wageningen. Van Walsum, P.E.V., P.F.M Verdonschot & J. Runhaar, Effects of climate and land-use change on lowland stream ecosystems. Report 523, Alterra, Wageningen. Walther, G.R., E. Post, P. Convey, A. Menzel, C. Parmesan, T.J.C. Beebee, J.M. Fromentin, O. Hoegh- Guldberg & F. Bairlein, Ecological responses to recent climate change. Nature 416: Wamelink G.W.W., Joosten V., Van Dobben, H.F. & Berendse, F Validity of Ellenberg indicator values judged from physico-chemical field measurements. Journal of vegetation Science 13: Webb, C.T., J.A. Hoeting, G.M. Ames, M.I. Pyne & N.L. Poff, A structured and dynamic framework to advance traits-based theory and prediction in ecology. Ecology Letters 13: Witte, J.P.M., National Water Management and the Value of Nature. PhD-thesis, Agricultural University Wageningen, Wageningen. Witte, J.P.M., Statistiek Groot Uitsterven rammelt. Bionieuws 2(14): 6. Witte, J.P.M., M. de Haan & M.J.M. Hootsmans, PROBE: een ruimtelijk model voor vegetatiedoelen. Landschap 24: Witte, J.P.M., M. de Haan, B. Raterman & C. Aggenbach, PROBE Versie 1: effecten van grondwaterbeheer, atmosferische depositie, maaien en plaggen. Kiwa rapport, Nieuwegein. Witte, J.P.M, J.A.M. Meuleman, S. van der Schaaf & B. Raterman, Eco-hydrology and Bio-diversity. In: Feddes, R.A., G.H, de Rooij & J.C. van Dam (eds.), Unsaturated Zone Modelling: Progress, Challenges and Applications, p Kluwer Academic Publisher, Dordrecht/Boston/London. Witte, J.P.M., J. Runhaar, R. van Ek & D.J. van der Hoek, Eerste landelijke schets van de ecohydrologische effecten van een warmer en grilliger klimaat. H 2O 16/17: Witte, J.P.M. & R. van der Meijden, Verspreidingskaartjes van de botanische kwaliteit in Nederland uit FLORBASE. Gorteria 21: Witte, J.P.M. & J.R. von Asmuth, Do we really need phytosociological classes to calibrate Ellenberg s indicator values? Journal of Vegetation Science 14: Witte, J.P.M., R. Wójcik, P.J.J.F. Torfs, M.W.H. de Haan & S. Hennekens, Bayesian classification of vegetation types with Gaussian mixture density fitting to indicator values. Journal of Vegetation Science 18: Wójcik R. & P.J.J.F. Torfs, PARDENS - an experimental program for Parzen density fitting. Wageningen University, Sub-department Water Resources. Wageningen. KWR Mei 2010

42 KWR Mei 2010

43 I Bijlage: computerprogramma s I.1 Inleiding Door KWR is een aantal computerprogramma s geschreven waarmee de gebruiker in korte tijd een op een bepaald gebied en de wensen van de gebruiker toegesneden vegetatiemodule kan bouwen. De software is flexibel en modulair van opzet waardoor zowel nieuwe relaties tussen standplaats en planteigenschappen, als een nieuwe vegetatietypologie eenvoudig kunnen worden verwerkt zonder dat de programmacode hoeft te worden veranderd. Hierdoor kan het model snel aangepast worden aan de nieuwste inzichten of aan specifieke gebiedsstudies. Alle programma s zijn geschreven in een snelle programmeertaal, Fortran-99. De samenhang tussen de programma s, hun in- en uitvoer, is weergegeven in Figuur 13, terwijl Tabel 7 hun functies samenvat. De op gebied en gebruiker toegesneden module bestaat in de kern uit twee onderdelen. Ten eerste is dat een tabel, in de figuur weergegeven met de naam plut.asc (van probability look-up table ; de gebruiker kan echter een andere naam kiezen), waarin bij iedere combinatie van standplaatsfactoren de kans op voorkomen van vegetatietypen kan worden afgelezen. Er is een aantal stappen voor nodig om deze opzoektabel aan te maken; deze worden in de volgende paragrafen besproken. Ten tweede is dat de software om deze tabel in te lezen en toe te passen in een scenario, het programma ProbeVeg. Voor het afleiden van plut.asc is een viertal basisbestanden nodig (geel gemarkeerd in Figuur 13): DVN. Een groot bestand met vegetatieopnamen. Hier zullen we gebruik maken van het ongeveer opnamen tellende bestand dat voor het standaardwerk De Vegetatie van Nederland is gebruikt (Schaminée et al., 1997, 1996, 1998; Stortelder et al., 1999). Deze opnamen dienen te zijn geclassificeerd tot vegetatietypen, bijvoorbeeld verbonden, associaties of natuurdoelen. Een programma dat daar veel voor wordt gebruikt is Associa (Van Tongeren, 2000). Figuur 13. Samenhang van de ontwikkelde software voor de vegetatiemodule, met bijbehorende in- en uitvoer. KWR Mei 2010

44 Tabel 7. Overzicht computerprogramma s en hun functies. Programma Associa GeneratePlut GenPardensUse Pardens ProbeVeg SelectTypes TraitAverages Vizualize3D Functie Classificeert opnamen tot vegetatietypen Genereert een opzoektabel van vegetatiekansen voor ProbeVeg Genereert een bestand voor Pardens, geheel gevuld met standplaatswaarden Fit dichtheidsfuncties van vegetatietypen op traits en past die functies toe Berekent de kans op voorkomen van vegetatietypen uit standplaatsfactoren Stelt drie lijsten op van (random) geselecteerde typen met hun traits Berekent gemiddelde plant traits uit opnamen Genereert plots van vegetatietypen in een 3D-ruimte van traits Traits. Een bestand met planteigenschappen of indicatiewaarden per plantensoort. Vegetation list. Een bestand waarin de door de gebruiker geselecteerde vegetatietypen volgens de gewenste classificatie voor het gebied en de scenario s staan opgesomd. Calibration curves. In dit bestand staan de relaties tussen standplaatsfactoren en planteigenschappen beschreven. Alle bestanden hebben een kop waarin informatie kan worden geschreven over de inhoud van het bestand. Deze kop wordt afgesloten door een serie is-gelijk-aan-tekens (=======), en daarna het formaat waarin de rest van het bestand moet worden ingelezen. We geven daar straks een voorbeeld van. De bestanden en parameters waarmee ieder programma rekent worden door de gebruiker opgegeven in een zogenaamd stuurbestand (voorbeeld volgt). In de volgende paragrafen bespreken we kort de programma s, in volgorde van de nummers in Figuur 13. I.2 Het programma TraitAverages (1) Dit programma berekent gemiddelde planteigenschappen (of indicatiewaarden) van de vegetatieopnamen. Een voorbeeld van de ingevulde stuurfile TraitAverages.str geeft Figuur 14. Net als bij de stuurfiles van de andere Fortran-programma s bestaat deze uit een aantal vragen en antwoorden. Bij de antwoorden kan een bestand (inclusief paden) worden ingevuld, een parameter of een tekst. Het antwoord op vraag 1 is de naam van het bestand met plant traits, dat op vraag 2 is het aantal in te lezen plant traits en dat op drie het minimaal aantal soorten per opname dat aanwezig moet zijn om betrouwbaar een gemiddelde te kunnen vaststellen. De antwoorden op vraag 4 en 5 verwijzen naar een bestand met respectievelijk de vegetatienamen en de soortensamenstelling van de opnamen; het antwoord op vraag 6 naar het bestand waarnaar de gemiddelde plant traits moeten worden weggeschreven. Het bovenste gedeelte het bestand met plant traits per soort wordt getoond in Figuur 15. In dit geval is er Steering file for the computation of ecological spectra van releves. Jan-Philip Witte, KWR, ====================================================================== (A60) Q: 1) Input file trait values A: D:\PROBE-VEG2\data\IV Witte et al 2007.prn Q: 2) Number of traits A: 3 Q: 3) Minimum number of species to compute an average trait value A: 1.0 Q: 4) Input vegetation types releves A: D:\PROBE-VEG2\Data\Releves\dvn_releve.kop Q: 5) Input species composition releves A: D:\PROBE-VEG2\Data\Releves\dvn_releve.srt Q: 6) Output ecological spectra A: D:\PROBE-VEG2\1 Trait averages\output\verb_iv_fresh.asc Q: 7) Author & Institute A: J.P.M. Witte, KWR Figuur 14. Een stuurfile van het programma TraitAverages. KWR Mei 2010

45 Indicator values of Witte et al., JVS, Flip Witte, KWR, 8 January 2009 No = species number S = salinity F = moisture N = nutrients R = acidity W = weighing factor No S W_S F W_F N W_N R W_R ====================================================== (I6,12X,6F6.2) Figuur 15.Voorbeeld van een lijst met planteigenschappen, in dit geval indicatiewaarden. sprake van vier indicatiewaarden volgens Witte et al. (2007b): voor Saliniteit (S), Vochttoestand (F), Voedselrijkdom (N) en voor Zuurgraad (R). In de rest van deze bijlage zal alleen van deze indicatiewaarden gebruik worden gemaakt. Per indicatiewaarde is tevens een gewicht W gegeven, op basis waarvan een naar dit gewicht gewogen gemiddelde indicatiewaarde per opname wordt berekend. In dit voorbeeld hebben de eerste drie indicatiewaarden telkens het gewicht 1.0 gekregen, tenzij de soort indifferent is; dan krijgt hij de waarde 0.0. Omdat het ecotopensysteem binnen matig voedselrijke en zeer voedselrijke milieus geen onderscheid meer maakt naar zuurgraad, is door Witte et al. (2007b) voor deze milieus een default waarde van 2.5 aangenomen en een gewicht van slechts 0.1. Soorten van voedselrijke milieus tellen zo minder zwaar mee in het opnamegemiddelde dan soorten van voedselarme milieus (zie Witte et al., 2007b, voor een uitgebreide toelichting). Merk op dat in Figuur 15 het bestand weer bestaat uit een kop en dat het wordt afsloten met het formaat waarmee de plant traits dienen te worden ingelezen. Er staan weliswaar vier indicatiewaarden in het bestand, maar volgens het opgegeven formaat dienen alleen de laatste drie te worden ingelezen (F, N, R). Wil men een model bouwen waarin ook saliniteit is betrokken, dan verandert men het formaat in (I6,8F6.2), wil men een model op basis van alleen F en N dan wordt het formaat (I6,12X,4F6.2), enzovoorts. Vraag 2 in het stuurbestand (Figuur 14) moet hier uiteraard op worden aangepast. Figuur 16 geeft een uitvoerbestand van het programma. Per regel zijn weggeschreven het vegetatietype (in dit geval verbonden, zoals aangegeven in het bestand dvn_releve.kop, zie Figuur 14), en de gemiddelde indicatiewaarden F m, N m en R m van de opname. Het opnamenummer is niet weggeschreven omdat dit voor de rest van de procedure niet meer nodig is. Auteur: J.P.M. Witte, KWR Date: Time: =================================== (A4,5F6.2) 29AA CA RG RG AA RG AA RG AB AB AB Figuur 16.Voorbeeld van uitvoer van het programma TraitAverages. KWR Mei 2010

46 I.3 Het programma SelectTypes (2) Dit programma selecteert uit het uitvoerbestand van TraitAverages de vegetatietypen die de gebruiker wil modelleren en schrijft de selectie weg naar een bestand met precies het dezelfde uitvoerformaat, alleen zonder kop (dus als Figuur 16, maar dan zonder kopgegevens en alleen bepaalde typen). Gebruikelijke naam voor het uitvoerbestand is Cal100.asc, maar de gebruiker staat het vrij hiervan af te wijken. Bovendien genereert het programma nog twee andere bestanden met random geselecteerde vegetatietypen uit het bovengenoemde uitvoerbestand (gebruikelijke namen Cal50.asc en Val50.asc. Deze kunnen desgewenst worden gebruikt bij de validatie met Pardens: gebruik één bestand voor het bouwen van dichtheidsfuncties, de andere voor het voorspellen van het vegetatietype op basis van deze functies en vergelijk tenslotte in een confusion matrix deze voorspelling met de waargenomen classificatie (zie I.4). I.4 Het programma Pardens (3) Pardens, ontwikkeld in Wageningen (Torfs et al., 2002; Wójcik & Torfs, 2003), is software waarmee dichtheidsfuncties door waarnemingspunten kunnen worden gefit en waarmee deze functies vervolgens gebruikt kunnen worden voor tal van toepassingen, zoals trendanalyses en extrapolaties. In opdracht van KWR en ten behoeve van BSIK-project A1 is het programma aangepast om ook te kunnen worden gebruikt voor het afleiden en toepassen van dichtheidsfuncties van klassen, zoals vegetatietypen (Figuur 17). Deze Pardens-versie is eerder gebruikt in de eerste versie van het model PROBE (Witte et al.,2006, 2007a, 2007b) (voor de modelbouwers staan in I.10 belangrijke adviezen over het gebruik van Pardens). Voor de bouw van de dichtheidsfuncties voor een PROBE-model gebruiken we altijd alle opnamen die met SelectTypes zijn geselecteerd (in het voorbeeld van I.3: Cal100.asc). Voor het valideren van de dichtheidsfuncties gebruiken we de helft van de opnamen voor de afleiding van deze functies en de andere helft voor de toetsing. Omdat de validatie op de helft van de beschikbare opnamen wordt gebaseerd, geeft het resultaat waarschijnlijk de minimale presentatie van het model aan. Die presentatie kan worden afgelezen aan een zogenaamde confusion-matrix en samengevat in de efficiëntie E, zijnde het percentage met Pardens goed geclassificeerde opnamen (Tabel 8). Bij Tabel 8 willen we twee opmerkingen kwijt. De eerste is dat een classificatie van opnamen op basis A B Figuur 17. (A) 3D-plot van vegetatieopnamen (bollen) in relatie tot hun gemiddelde indicatiewaarden (iv). Kleuren corresponderen met verschillende vegetatietypen: donker blauw = Riet-associatie, licht blauw = Knopbies-associatie, groen = associatie van Struikhei en Stekelbrem, rood = associatie van Zandhaver en Helm. (B) voor iedere associatie is een dichtheidsfunctie gefit door de waarnemingspunten uit A. Deze functies kunnen worden gebruikt om voor een combinatie van indicatiewaarden, de kansen op het voorkomen van vegetatietypen te voorspellen. KWR Mei 2010

Waterwijzer Natuur. Effecten van waterbeheer en klimaatverandering op de natuur

Waterwijzer Natuur. Effecten van waterbeheer en klimaatverandering op de natuur 1 Remco van Ek (Deltares) Janet Mol (Alterra) Han Runhaar (KWR) Flip Witte (KWR) Waterwijzer Natuur Effecten van waterbeheer en klimaatverandering op de natuur 2 Waarom een robuust vegetatiemodel nodig?

Nadere informatie

Klimaatrobuuste natuurvoorspelling. Han Runhaar en Flip Witte

Klimaatrobuuste natuurvoorspelling. Han Runhaar en Flip Witte Klimaatrobuuste natuurvoorspelling Han Runhaar en Flip Witte Effecten klimaatveranderingen luchtcirculatie temperatuurstijging 1990 t.o.v. 2050 1 o C 2 o C veranderd G+ W+ onveranderd G W stijging temperatuur

Nadere informatie

Samenvatting 203 Klimaatverandering leidt volgens de voorspellingen tot een toename van de mondiale temperatuur en tot veranderingen in de mondiale waterkringloop. Deze veranderingen in de waterkringloop

Nadere informatie

(Klimaat)robuuste berekening landbouwschade

(Klimaat)robuuste berekening landbouwschade (Klimaat)robuuste berekening landbouwschade Ruud Bartholomeus en Mirjam Hack, Amersfoort, 14 maart 2013 mede namens Jan van Bakel, Joop Kroes, Jos van Dam en Flip Witte Het klimaat verandert Klimaatverandering:

Nadere informatie

Beter systeem voor bepalen waterschade

Beter systeem voor bepalen waterschade Beter systeem voor bepalen waterschade Mirjam Hack-ten Broeke (Alterra Wageningen UR), Ruud Bartholomeus (KWR Watercycle Research Institute), Joop Kroes (Alterra Wageningen UR), Jos van Dam (Wageningen

Nadere informatie

Effectbepaling saliniteit voor terrestrische natuur. Remco van Ek (remco.vanek@deltares.nl), mede namens Flip Witte (KWR) en Janet Mol (Alterra)

Effectbepaling saliniteit voor terrestrische natuur. Remco van Ek (remco.vanek@deltares.nl), mede namens Flip Witte (KWR) en Janet Mol (Alterra) Effectbepaling saliniteit voor terrestrische natuur Remco van Ek (remco.vanek@deltares.nl), mede namens Flip Witte (KWR) en Janet Mol (Alterra) Inhoud 1. Semi-natuurlijke vegetaties en zout 2. Verzilting

Nadere informatie

WaterWijzer Landbouw: wat is het en wat kun je ermee?

WaterWijzer Landbouw: wat is het en wat kun je ermee? WaterWijzer Landbouw: wat is het en wat kun je ermee? Mirjam Hack namens consortium 26 juni 2014 www.waterwijzer.nl WaterWijzer Landbouw: wat is het en wat kun je ermee? Wat is het? Waarom actualisatie

Nadere informatie

Droogtestress als ecologische maat voor de vochttoestand

Droogtestress als ecologische maat voor de vochttoestand Droogtestress als ecologische maat voor de vochttoestand Peter Jansen Han Runhaar Met grote regelmaat worden maatregelen uitgevoerd die het grondwaterregime in natuurgebieden beïnvloeden. Voor ecologische

Nadere informatie

Klimaatverandering en klimaatscenario s in Nederland

Klimaatverandering en klimaatscenario s in Nederland Page 1 of 6 Klimaatverandering en klimaatscenario s in Nederland Hoe voorspeld? Klimaatscenario's voor Nederland (samengevat) DOWNLOAD HIER DE WORD VERSIE In dit informatieblad wordt in het kort klimaatverandering

Nadere informatie

Nadere informatie. Weersverwachting

Nadere informatie. Weersverwachting Watermanagementcentrum Nederland Landelijke Coördinatiecommissie Waterverdeling (LCW) Droogtebericht 16 mei 2011 Nummer 2011-06 Droogtesituatie verandert weinig, ondanks regen De wateraanvoer van de Rijn

Nadere informatie

Vergelijk resultaten van twee modelstudies voor de polder Quarles van Ufford

Vergelijk resultaten van twee modelstudies voor de polder Quarles van Ufford Vergelijk resultaten van twee modelstudies voor de polder Quarles van Ufford april 2007 Waterbalansen Quarles van Ufford Vergelijk resultaten van twee modelstudies voor de polder Quarles van Ufford April

Nadere informatie

Een zeer lage Rijnafvoer, nog geen problemen met de watervoorziening.

Een zeer lage Rijnafvoer, nog geen problemen met de watervoorziening. Watermanagementcentrum Nederland Landelijke Coördinatiecommissie Waterverdeling (LCW) Droogtebericht 2 mei 2011 Nummer 2011-04 Een zeer lage Rijnafvoer, nog geen problemen met de watervoorziening. Afgelopen

Nadere informatie

De arbeidsmarkt voor leraren po Regio Zuid- en Oost-Gelderland

De arbeidsmarkt voor leraren po Regio Zuid- en Oost-Gelderland De arbeidsmarkt voor leraren po 2015-2020 Regio Zuid- en Oost-Gelderland datum 16 maart 2015 auteurs dr. Hendri Adriaens dr.ir. Peter Fontein drs. Marcia den Uijl CentERdata, Tilburg, 2015 Alle rechten

Nadere informatie

Fauna in de PAS. Hoe kunnen we effecten van N-depositie op Diersoorten mitigeren? Marijn Nijssen Stichting Bargerveen

Fauna in de PAS. Hoe kunnen we effecten van N-depositie op Diersoorten mitigeren? Marijn Nijssen Stichting Bargerveen Fauna in de PAS Hoe kunnen we effecten van N-depositie op Diersoorten mitigeren? Marijn Nijssen Stichting Bargerveen De Programatische Aanpak Stikstof Natuurdoelen en economische ontwikkelingsruimte 1600

Nadere informatie

De arbeidsmarkt voor leraren po Regio Rotterdam / Rijnmond

De arbeidsmarkt voor leraren po Regio Rotterdam / Rijnmond De arbeidsmarkt voor leraren po 2015-2020 Regio / datum 16 maart 2015 auteurs dr. Hendri Adriaens dr.ir. Peter Fontein drs. Marcia den Uijl CentERdata, Tilburg, 2015 Alle rechten voorbehouden. Niets uit

Nadere informatie

De arbeidsmarkt voor leraren po Regio Haaglanden en Rijn Gouwe

De arbeidsmarkt voor leraren po Regio Haaglanden en Rijn Gouwe De arbeidsmarkt voor leraren po 2015-2020 Regio en datum 16 maart 2015 auteurs dr. Hendri Adriaens dr.ir. Peter Fontein drs. Marcia den Uijl CentERdata, Tilburg, 2015 Alle rechten voorbehouden. Niets uit

Nadere informatie

De arbeidsmarkt voor leraren po 2015-2020 Regio Utrecht

De arbeidsmarkt voor leraren po 2015-2020 Regio Utrecht De arbeidsmarkt voor leraren po 2015-2020 Regio datum 16 maart 2015 auteurs dr. Hendri Adriaens dr.ir. Peter Fontein drs. Marcia den Uijl CentERdata, Tilburg, 2015 Alle rechten voorbehouden. Niets uit

Nadere informatie

KWR 05.026 april 2005

KWR 05.026 april 2005 KWR 05.026 april 2005 Kiwa N.V. - 1 - april 2005 KWR 05.026 april 2005 2005 Kiwa N.V. Alle rechten voorbehouden. Niets uit deze uitgave mag worden verveelvoudigd, opgeslagen in een geautomatiseerd gegevensbestand,

Nadere informatie

RISICOSIGNALERING Droogte

RISICOSIGNALERING Droogte RISICOSIGNALERING Koninklijk Nederlands Meteorologisch Instituut IEIDING heeft invloed op de groei van planten en gewassen, op de grondwaterstanden en daarmee indirect op bijvoorbeeld energiebedrijven

Nadere informatie

Optimalisatie van de eerste klinische studies in bi ondere patie ntengroepen: op weg naar gebruik van semifysiologische

Optimalisatie van de eerste klinische studies in bi ondere patie ntengroepen: op weg naar gebruik van semifysiologische Nederlandse samenvatting Optimalisatie van de eerste klinische studies in bi ondere patie ntengroepen: op weg naar gebruik van semifysiologische farmacokinetische modellen Algemene inleiding Klinisch onderzoek

Nadere informatie

Voorbeeld kaartvervaardiging: kreekruginfiltratie De volgende 5 factoren zijn gebruikt voor het bepalen van de geschiktheid voor kreekruginfiltratie:

Voorbeeld kaartvervaardiging: kreekruginfiltratie De volgende 5 factoren zijn gebruikt voor het bepalen van de geschiktheid voor kreekruginfiltratie: Verkennen van grootschalige potentie van kleinschalige maatregelen Binnen Kennis voor Klimaat worden kleinschalige maatregelen ontwikkeld om de zoetwatervoorziening te verbeteren. In deze studie worden

Nadere informatie

Watermanagement in een veranderend klimaat

Watermanagement in een veranderend klimaat Watermanagement in een veranderend klimaat Het Twentse waterschap Regge en Dinkel zoekt naar een oplossing om het door de klimaatverandering verwachte extra regenwater zonder overlast te verwerken. Naar

Nadere informatie

Invloed van grondwaterstanden op standplaatscondities en vegetatie

Invloed van grondwaterstanden op standplaatscondities en vegetatie Han Runhaar, Mark Jalink & Ruud Bartholomeus Het grondwaterregime heeft grote invloed op standplaatscondities en vegetaties. Maar waarom zijn grondwaterstanden zo belangrijk voor de plantengroei, en hoe

Nadere informatie

De arbeidsmarkt voor leraren po Regio Drenthe / Overijssel

De arbeidsmarkt voor leraren po Regio Drenthe / Overijssel De arbeidsmarkt voor leraren po 2015-2020 Regio Drenthe / Overijssel datum 16 maart 2015 auteurs dr. Hendri Adriaens dr.ir. Peter Fontein drs. Marcia den Uijl CentERdata, Tilburg, 2015 Alle rechten voorbehouden.

Nadere informatie

Klimaatverandering. Opzet presentatie

Klimaatverandering. Opzet presentatie Klimaatverandering Wat kunnen we in de toekomst verwachten? J. Bessembinder e.v.a. Opzet presentatie Wat is klimaat(verandering)? Het broeikaseffect Waargenomen klimaatverandering Wat verwachten we wereldwijd/in

Nadere informatie

Eco-hydrologische aspecten van beheer op landschapsniveau; Duinvalleien op de Waddeneilanden

Eco-hydrologische aspecten van beheer op landschapsniveau; Duinvalleien op de Waddeneilanden Eco-hydrologische aspecten van beheer op landschapsniveau; Duinvalleien op de Waddeneilanden Ab Grootjans, Rijksuniversiteit Groningen/ Radboud Universiteit Nijmegen E-mail; A.P.Grootjans@rug.nl Groenknolorchis

Nadere informatie

Grondwaterstanden juni 2016

Grondwaterstanden juni 2016 Grondwaterstanden juni 2016 Kennisvraag: In beeld brengen van de grondwatersituatie zoals die buiten geweest is. Antwoord: op vrijwel alle meetlocaties waar analyse mogelijk was komt de maximale waterstand

Nadere informatie

De arbeidsmarkt voor leraren po Regio Limburg

De arbeidsmarkt voor leraren po Regio Limburg De arbeidsmarkt voor leraren po 2017-2022 Regio Limburg datum 5 april 2017 auteurs dr. Hendri Adriaens dr.ir. Peter Fontein CentERdata, Tilburg, 2017 Alle rechten voorbehouden. Niets uit deze uitgave mag

Nadere informatie

De arbeidsmarkt voor leraren po Regio Limburg

De arbeidsmarkt voor leraren po Regio Limburg De arbeidsmarkt voor leraren po 2015-2020 Regio Limburg datum 16 maart 2015 auteurs dr. Hendri Adriaens dr.ir. Peter Fontein drs. Marcia den Uijl CentERdata, Tilburg, 2015 Alle rechten voorbehouden. Niets

Nadere informatie

De arbeidsmarkt voor leraren po 2015-2020 Regio West- en Midden-Brabant

De arbeidsmarkt voor leraren po 2015-2020 Regio West- en Midden-Brabant De arbeidsmarkt voor leraren po 2015-2020 Regio West- en datum 16 maart 2015 auteurs dr. Hendri Adriaens dr.ir. Peter Fontein drs. Marcia den Uijl CentERdata, Tilburg, 2015 Alle rechten voorbehouden. Niets

Nadere informatie

De arbeidsmarkt voor leraren po 2015-2020 Regio Noord-Holland

De arbeidsmarkt voor leraren po 2015-2020 Regio Noord-Holland De arbeidsmarkt voor leraren po 2015-2020 Regio Noord-Holland datum 16 maart 2015 auteurs dr. Hendri Adriaens dr.ir. Peter Fontein drs. Marcia den Uijl CentERdata, Tilburg, 2015 Alle rechten voorbehouden.

Nadere informatie

De arbeidsmarkt voor leraren po 2015-2020 Regio Flevoland

De arbeidsmarkt voor leraren po 2015-2020 Regio Flevoland De arbeidsmarkt voor leraren po 2015-2020 Regio datum 16 maart 2015 auteurs dr. Hendri Adriaens dr.ir. Peter Fontein drs. Marcia den Uijl CentERdata, Tilburg, 2015 Alle rechten voorbehouden. Niets uit

Nadere informatie

Planten als indicatoren voor water

Planten als indicatoren voor water Planten als indicatoren voor water Jan-Philip Witte Han Runhaar Inleiding Hydrologen kijken soms wat meewarig naar ecologen. Waar hydrologen vanuit twee simpele uitgangspunten - de wet van Darcy en het

Nadere informatie

Griepepidemie. Modelleren B. Javiér Sijen. Janine Sinke

Griepepidemie. Modelleren B. Javiér Sijen. Janine Sinke Javiér Sijen Janine Sinke Griepepidemie Modelleren B Om de uitbraak van een epidemie te voorspellen, wordt de verspreiding van een griepvirus gemodelleerd. Hierbij wordt zowel een detailbenadering als

Nadere informatie

De arbeidsmarkt voor leraren po 2015-2020 Regio Friesland

De arbeidsmarkt voor leraren po 2015-2020 Regio Friesland De arbeidsmarkt voor leraren po 2015-2020 Regio datum 16 maart 2015 auteurs dr. Hendri Adriaens dr.ir. Peter Fontein drs. Marcia den Uijl CentERdata, Tilburg, 2015 Alle rechten voorbehouden. Niets uit

Nadere informatie

Grondwater beïnvloedt kwaliteit Limburgse beken

Grondwater beïnvloedt kwaliteit Limburgse beken Grondwater beïnvloedt kwaliteit Limburgse beken Resultaten WAHYD Hoe zit het in elkaar: afkijken bij Noord-Brabant In het onderzoeksproject WAHYD (Waterkwaliteit op basis van Afkomst en HYDrologische systeemanalyse)

Nadere informatie

Klimaateffectschetsboek West-en Oost-Vlaanderen NATHALIE ERBOUT ZWEVEGEM, 5 DECEMBER 2014

Klimaateffectschetsboek West-en Oost-Vlaanderen NATHALIE ERBOUT ZWEVEGEM, 5 DECEMBER 2014 Klimaateffectschetsboek West-en Oost-Vlaanderen NATHALIE ERBOUT ZWEVEGEM, 5 DECEMBER 2014 Klimaateffectschetsboek Scheldemondraad: Actieplan Grensoverschrijdende klimaatbeleid, 11 september 2009 Interregproject

Nadere informatie

3 november 2014. Inleiding

3 november 2014. Inleiding 3 november 2014 Inleiding In 2006 publiceerde het KNMI vier mogelijke scenario s voor toekomstige veranderingen in het klimaat. Het Verbond van Verzekeraars heeft vervolgens doorgerekend wat de verwachte

Nadere informatie

De arbeidsmarkt voor leraren po Regio Drenthe / Overijssel

De arbeidsmarkt voor leraren po Regio Drenthe / Overijssel De arbeidsmarkt voor leraren po 2017-2022 Regio Drenthe / Overijssel datum 5 april 2017 auteurs dr. Hendri Adriaens dr.ir. Peter Fontein CentERdata, Tilburg, 2017 Alle rechten voorbehouden. Niets uit deze

Nadere informatie

25-3-2015. Sturen op Nutriënten. Sturen op Nutriënten. Doel. Sturen met Water. Sturen op Nutriënten. Waar kijken we naar. Bijeenkomst 19 februari 2015

25-3-2015. Sturen op Nutriënten. Sturen op Nutriënten. Doel. Sturen met Water. Sturen op Nutriënten. Waar kijken we naar. Bijeenkomst 19 februari 2015 Bijeenkomst 19 februari 2015 Jouke Velstra (Acacia Water) 4 Sturen met Water De basisgedachte is dat per perceel de grondwaterstand actief wordt geregeld. Onderwater drainage (OWD) geeft een directe relatie

Nadere informatie

Klimaatverandering. Opzet presentatie

Klimaatverandering. Opzet presentatie Klimaatverandering Mondiaal en in Nederland J. Bessembinder e.v.a. Opzet presentatie Wat is klimaat(verandering)? Het broeikaseffect Waargenomen klimaatverandering Wat verwachten we wereldwijd/in Europa

Nadere informatie

Remote Sensing. Betere informatie voor duurzamer, doelmatiger en klimaatrobuuster waterbeheer

Remote Sensing. Betere informatie voor duurzamer, doelmatiger en klimaatrobuuster waterbeheer Remote Sensing Betere informatie voor duurzamer, doelmatiger en klimaatrobuuster waterbeheer 2016 25 Remote Sensing Betere informatie voor duurzamer, doelmatiger en klimaatrobuuster waterbeheer Waterschappen

Nadere informatie

Plaggen ten behoeve van natuurontwikkeling. Fosfaatverzadiging als uitgangspunt

Plaggen ten behoeve van natuurontwikkeling. Fosfaatverzadiging als uitgangspunt Plaggen ten behoeve van natuurontwikkeling Fosfaatverzadiging als uitgangspunt fosfaatverzadigingsindex (PSI) Plaggen en fosfaatverzadiging van de grond Plaggen is een veelgebruikte methode om de voedingstoestand

Nadere informatie

Klimaatverandering & schadelast. April 2015

Klimaatverandering & schadelast. April 2015 Klimaatverandering & schadelast April 2015 Samenvatting Het Centrum voor Verzekeringsstatistiek, onderdeel van het Verbond, heeft berekend in hoeverre de klimaatscenario s van het KNMI (2014) voor klimaatverandering

Nadere informatie

Cover Page. The handle http://hdl.handle.net/1887/37037 holds various files of this Leiden University dissertation

Cover Page. The handle http://hdl.handle.net/1887/37037 holds various files of this Leiden University dissertation Cover Page The handle http://hdl.handle.net/1887/37037 holds various files of this Leiden University dissertation Author: Lupatini, Manoeli Title: Microbial communities in Pampa soils : impact of land-use

Nadere informatie

Hoofdstuk 26: Modelleren in Excel

Hoofdstuk 26: Modelleren in Excel Hoofdstuk 26: Modelleren in Excel 26.0 Inleiding In dit hoofdstuk leer je een aantal technieken die je kunnen helpen bij het voorbereiden van bedrijfsmodellen in Excel (zie hoofdstuk 25 voor wat bedoeld

Nadere informatie

Rekenen Groep 4-2e helft schooljaar.

Rekenen Groep 4-2e helft schooljaar. Sweelinck & De Boer B.V., Den Haag 2013 Alle rechten voorbehouden. Niets uit deze uitgave mag worden verveelvoudigd, opgeslagen in een geautomatiseerd gegevensbestand, of openbaar gemaakt, in enige vorm

Nadere informatie

Rekenen Groep 4-2e helft schooljaar.

Rekenen Groep 4-2e helft schooljaar. Sweelinck & De Boer B.V., Den Haag 2016 Alle rechten voorbehouden. Niets uit deze uitgave mag worden verveelvoudigd, opgeslagen in een geautomatiseerd gegevensbestand, of openbaar gemaakt, in enige vorm

Nadere informatie

Robuustheid regressiemodel voor kapitaalkosten gebaseerd op aansluitdichtheid

Robuustheid regressiemodel voor kapitaalkosten gebaseerd op aansluitdichtheid Robuustheid regressiemodel voor kapitaalkosten gebaseerd op aansluitdichtheid Dr.ir. P.W. Heijnen Faculteit Techniek, Bestuur en Management Technische Universiteit Delft 22 april 2010 1 1 Introductie De

Nadere informatie

Klantonderzoek: statistiek!

Klantonderzoek: statistiek! Klantonderzoek: statistiek! Statistiek bij klantonderzoek Om de resultaten van klantonderzoek juist te interpreteren is het belangrijk de juiste analyses uit te voeren. Vaak worden de mogelijkheden van

Nadere informatie

Bodem & Klimaat. Op weg naar een klimaatbestendig bodembeheer

Bodem & Klimaat. Op weg naar een klimaatbestendig bodembeheer Bodem & Klimaat Op weg naar een klimaatbestendig bodembeheer Jaartemperaturen en warmterecords in De Bilt sinds het begin van de metingen in 1706 Klimaatverandering KNMI scenarios Zomerse dagen Co de Naam

Nadere informatie

De natuur vanuit verschillend perspectief wetgeving, ecologie, remote sensing

De natuur vanuit verschillend perspectief wetgeving, ecologie, remote sensing De natuur vanuit verschillend perspectief wetgeving, ecologie, remote sensing Anne Schmidt 13 januari 2005 Waar gaat deze presentatie over? Kader: WOT-programma Informatievoorziening Natuur Centrale vraag:

Nadere informatie

Bijlage: bodemanalyses als nulmeting

Bijlage: bodemanalyses als nulmeting Credits for Carbon Care CLM Onderzoek en Advies Alterra Wageningen UR Louis Bolk Instituut Bijlage: bodemanalyses als nulmeting In het project Carbon Credits hadden we oorspronkelijk het idee dat we bij

Nadere informatie

Rekenen Groep 7-2e helft schooljaar.

Rekenen Groep 7-2e helft schooljaar. Sweelinck & De Boer B.V., Den Haag 2016 Alle rechten voorbehouden. Niets uit deze uitgave mag worden verveelvoudigd, opgeslagen in een geautomatiseerd gegevensbestand, of openbaar gemaakt, in enige vorm

Nadere informatie

BIODIVERSITEIT. RECHTSTREEKSE BEDREIGING DOOR DE MENS VERsnippering, VER. ONRECHTSTREEKSE BEDREIGING DOOR DE MENS Klimaatsverandering

BIODIVERSITEIT. RECHTSTREEKSE BEDREIGING DOOR DE MENS VERsnippering, VER. ONRECHTSTREEKSE BEDREIGING DOOR DE MENS Klimaatsverandering BIODIVERSITEIT RECHTSTREEKSE BEDREIGING DOOR DE MENS VERsnippering, VER ONRECHTSTREEKSE BEDREIGING DOOR DE MENS Klimaatsverandering DUURZAME ONTWIKKELING INTEGRAAL WATERBEHEER BIODIVERSITEIT Wat? Belang?

Nadere informatie

bron van leven en ontwikkeling

bron van leven en ontwikkeling Water bron van leven en ontwikkeling Water, evenwicht en diversiteit Nederland is een waterland. We hebben er veel van, zowel in de lucht (neerslag), aan de oppervlakte (meren en rivieren) als in de bodem

Nadere informatie

Natte en Vochtige bossen. Hydrologisch herstel van natte en vochtige bossen: welke kansen liggen er?

Natte en Vochtige bossen. Hydrologisch herstel van natte en vochtige bossen: welke kansen liggen er? Natte en Vochtige bossen Hydrologisch herstel van natte en vochtige bossen: welke kansen liggen er? Indeling Landschappelijke positie natte en vochtige bossen Verdroging Waar liggen de kansen? Hoe te herkennen

Nadere informatie

Invloed van klimaatverandering op hydrologische extremen (hoog- en laagwater langs rivieren in het Vlaamse binnenland)

Invloed van klimaatverandering op hydrologische extremen (hoog- en laagwater langs rivieren in het Vlaamse binnenland) 1 Invloed van klimaatverandering op hydrologische extremen (hoog- en laagwater langs rivieren in het Vlaamse binnenland) Op 26 augustus 2008 heeft Omar Boukhris een doctoraatsstudie verdedigd aan de K.U.Leuven

Nadere informatie

KNMI 06 klimaatscenario s

KNMI 06 klimaatscenario s KNMI 06 klimaatscenario s Hoe verandert ons klimaat? J. Bessembinder e.v.a. Opzet presentatie Wat is klimaat(verandering)? Het broeikaseffect Waargenomen klimaatverandering Klimaatscenario s Mogelijke

Nadere informatie

Limburg Waterproof Klimaat, water en landbouw

Limburg Waterproof Klimaat, water en landbouw Limburg Waterproof Klimaat, water en landbouw Provincie Limburg Maastricht, 14 september 216 Joris Schaap, Profiel 214 heden Zelfstandig hydroloog en bodemkundige 28-214 Adviseur water in het landelijk

Nadere informatie

(Regionale) gebiedsinformatie over huidig watersysteem

(Regionale) gebiedsinformatie over huidig watersysteem Memo DM 1013497 Aan: Marktpartijen uitwerking plannen het Burgje, gemeente Bunnik Van: Beke Romp, Hoogheemraadschap De Stichtse Rijnlanden Datum: 13 januari 2016 Onderwerp: Notitie gebiedskenmerken (waterthema

Nadere informatie

HOOFDSTUK VII REGRESSIE ANALYSE

HOOFDSTUK VII REGRESSIE ANALYSE HOOFDSTUK VII REGRESSIE ANALYSE 1 DOEL VAN REGRESSIE ANALYSE De relatie te bestuderen tussen een response variabele en een verzameling verklarende variabelen 1. LINEAIRE REGRESSIE Veronderstel dat gegevens

Nadere informatie

Wijzigingsvoorstel (RfC) op Aquo-lex Wijzigen diverse definities

Wijzigingsvoorstel (RfC) op Aquo-lex Wijzigen diverse definities Wijzigingsvoorstel (RfC) op Aquo-lex Wijzigen diverse definities Auteur: IDsW> Kenmerk: W 0908-0026> Documentbeheer Wijzigingshistorie Datum Versie Auteur Wijziging 18 aug 2009 0.9 Hinne Reitsma Initieel

Nadere informatie

Modelling Contest Hupsel

Modelling Contest Hupsel Modelling Contest Hupsel SPHY (Spatial Processes in Hydrology) toepassing Hupselse Beek Wilco Terink & Peter Droogers w.terink@futurewater.nl p.droogers@futurewater.nl FutureWater Locatie: Wageningen (6

Nadere informatie

Conclusies. Martijn de Ruyter de Wildt en Henk Eskes. KNMI, afdeling Chemie en Klimaat Telefoon +31-30-2206431 e-mail mruijterd@knmi.

Conclusies. Martijn de Ruyter de Wildt en Henk Eskes. KNMI, afdeling Chemie en Klimaat Telefoon +31-30-2206431 e-mail mruijterd@knmi. Lotos-Euros v1.7: validatierapport voor 10 en bias-correctie Martijn de Ruyter de Wildt en Henk Eskes KNMI, afdeling Chemie en Klimaat Telefoon +31-30-2206431 e-mail mruijterd@knmi.nl Conclusies Bias-correctie:

Nadere informatie

BEREGENING MET REMOTE SENSING (29)

BEREGENING MET REMOTE SENSING (29) BEREGENING MET REMOTE SENSING (29) Programma Precisie Landbouw Jacob v.d. Borne Maart 2011 ONTWIKKELVERZOEK: Een teler neemt zijn beslissingen over wel of niet beregenen aan de hand van de stand van het

Nadere informatie

Organisch (rest)materiaal als Bodemverbeteraar

Organisch (rest)materiaal als Bodemverbeteraar 17-1- Organisch (rest)materiaal als Bodemverbeteraar BODEM De Bodem Van Groot naar Klein tot zeer klein 2 1 17-1- Bodemprofiel Opbouw van de bodem Onaangeroerd = C Kleinste delen = 0 en A Poriënvolume

Nadere informatie

De wijde wereld in wandelen

De wijde wereld in wandelen 127 De wijde wereld in wandelen Valrisico schatten door het meten van lopen in het dagelijks leven Om een stap verder te komen in het schatten van valrisico heb ik het lopen in het dagelijks leven bestudeerd.

Nadere informatie

Klimaatverandering op de droge zandgronden: effecten en mogelijke adaptatiestrategieën

Klimaatverandering op de droge zandgronden: effecten en mogelijke adaptatiestrategieën Klimaatverandering op de droge zandgronden: effecten en mogelijke adaptatiestrategieën 24 april 2014, Presentatie voor KLV Alumnikring Noord, Assen Adri van den Brink Met dank aan de collega-onderzoekers

Nadere informatie

Modelleren van waterkwantiteit en waterkwaliteit

Modelleren van waterkwantiteit en waterkwaliteit Modelleren van waterkwantiteit en waterkwaliteit Wat wil het NHI van de regio, in relatie tot de waterbalans? Adviesgroep Watersysteemanalyse STOWA, 18 september 2014 Hoge resolutiemodellen 19 september

Nadere informatie

Nieuwe KNMIklimaatscenario s. Janette Bessembinder e.v.a.

Nieuwe KNMIklimaatscenario s. Janette Bessembinder e.v.a. Nieuwe KNMI klimaatscenario s Nieuwe KNMIklimaatscenario s 2006 2006 Janette Bessembinder e.v.a. Opzet presentatie Klimaatverandering Waargenomen veranderingen Wat zijn klimaatscenario s? Huidige en nieuwe

Nadere informatie

Huidige situatie en verwachtingen voor rivierafvoeren, (water)temperaturen en grondwater

Huidige situatie en verwachtingen voor rivierafvoeren, (water)temperaturen en grondwater Huidige situatie en verwachtingen voor rivierafvoeren, (water)temperaturen en grondwater De wateraanvoer van de Rijn is laag voor de tijd van het jaar, hij bedraagt momenteel 1165 m3/s. Naar verwachting

Nadere informatie

Hoe met remote sensing via de vegetatie bodem en water kunnen worden gekarteerd

Hoe met remote sensing via de vegetatie bodem en water kunnen worden gekarteerd Hoe met remote sensing via de vegetatie bodem en water kunnen worden gekarteerd Hans Roelofsen 1, Jorg van Amerongen 2, Lammert Kooistra 3, Han Runhaar 4 en Jan-Philip Witte 5 Inleiding Remote sensing

Nadere informatie

Klimaat in de 21 e eeuw

Klimaat in de 21 e eeuw Klimaat in de 21 e eeuw Hoe verandert ons klimaat? J. Bessembinder e.v.a. Opzet presentatie Wat is klimaat(verandering)? Waargenomen klimaatverandering Wat verwachten we wereldwijd en voor Nederland Mogelijke

Nadere informatie

Invloed van ventilatie-instellingen op vochtverliezen en kwaliteit in zand aardappelen

Invloed van ventilatie-instellingen op vochtverliezen en kwaliteit in zand aardappelen Invloed van ventilatie-instellingen op vochtverliezen en kwaliteit in zand aardappelen Ing. D. Bos en Dr. Ir. A. Veerman Praktijkonderzoek Plant & Omgeving B.V. Sector AGV PPO 5154708 2003 Wageningen,

Nadere informatie

Project WaterWijzer Landbouw en gebruik satellietdata (bijv. Groenmonitor) Mirjam Hack en Allard de Wit 22 april 2014

Project WaterWijzer Landbouw en gebruik satellietdata (bijv. Groenmonitor) Mirjam Hack en Allard de Wit 22 april 2014 Project WaterWijzer Landbouw en gebruik satellietdata (bijv. Groenmonitor) Mirjam Hack en Allard de Wit 22 april 2014 WaterWijzer Landbouw = Vervanging HELP HELP-tabellen: effecten kwantificeren van waterhuishoudkundige

Nadere informatie

WATERNOOD NATUUR-TERRESTRISCH VERSIE 3

WATERNOOD NATUUR-TERRESTRISCH VERSIE 3 FVOORSTUDIE Fina inal lrerepponaar rt ort UITBREIDING MODULE NATUUR-TERRESTRISCH WATERNOOD NATUUR-TERRESTRISCH VERSIE 3 WATERNOOD NATUUR-TERRESTRISCH VERSIE 3 2006 RAPPORT 22 2006 22 STOWA omslag (2006

Nadere informatie

e dro-ecologisch allei-ecosystemen in .&"~:II~LING - ecbnische s envatting ojecteval VLINAOO/16 Universiteit Utrecht Milieukunde en Hydro-ecologie

e dro-ecologisch allei-ecosystemen in .&~:II~LING - ecbnische s envatting ojecteval VLINAOO/16 Universiteit Utrecht Milieukunde en Hydro-ecologie ogramma.&"~:ii~ling - ecbnische s envatting ojecteval tie e dro-ecologisch allei-ecosystemen in l8a~noeren,itors-vi VLINAOO/16 april 2002 atuurbehoud Universiteit Utrecht Milieukunde en Hydro-ecologie

Nadere informatie

Formulier voor het beoordelen van de kwaliteit van een systematische review. Behorend bij: Evidence-based logopedie, hoofdstuk 2

Formulier voor het beoordelen van de kwaliteit van een systematische review. Behorend bij: Evidence-based logopedie, hoofdstuk 2 Formulier voor het beoordelen van de kwaliteit van een systematische review Behorend bij: Evidence-based logopedie, hoofdstuk 2 Toelichting bij de criteria voor het beoordelen van de kwaliteit van een

Nadere informatie

Naar een betere inschatting van de afbraak van bodemorganische stof

Naar een betere inschatting van de afbraak van bodemorganische stof Naar een betere inschatting van de afbraak van bodemorganische stof Marjoleine Hanegraaf (NMI) Saskia Burgers (Biometris) Willem van Geel (PPO) Themamiddag Bemesting Akkerbouw CBAV Nijkerk, 2 februari

Nadere informatie

Behoud meerjarig proefveld organische bemesting

Behoud meerjarig proefveld organische bemesting Behoud meerjarig proefveld organische bemesting Instandhouding meerjarig proefveld organische bemesting hyacint voor toekomstig onderzoek naar organische bemesting op duinzandgrond Peter Vreeburg Praktijkonderzoek

Nadere informatie

EIGENSCHAPPEN CONVERGED HARDWARE

EIGENSCHAPPEN CONVERGED HARDWARE EIGENSCHAPPEN CONVERGED HARDWARE Eigenschappen Converged Hardware 1 van 8 Document Informatie Versie Datum Omschrijving Auteur(s) 0.1 29-09-2015 Draft Remco Nijkamp 0.2 29-09-2015 Volgende Versie opgesteld

Nadere informatie

19. Verzilting: (Paragraaf 5.3/5.4 + achtergronddocument)

19. Verzilting: (Paragraaf 5.3/5.4 + achtergronddocument) Betreft Verduidelijking van effecten van Verdieping NWW Project P797 Van HydroLogic Aan Havenbedrijf Rotterdam Datum 08-03-2016 1 Inleiding Rijkswaterstaat heeft, als Bevoegd Gezag voor de ontgrondingvergunning

Nadere informatie

Examen VWO. wiskunde A1

Examen VWO. wiskunde A1 wiskunde A1 Examen VWO Voorbereidend Wetenschappelijk Onderwijs Tijdvak 1 Woensdag 25 mei 13.30 16.30 uur 20 05 Voor dit examen zijn maximaal 83 punten te behalen; het examen bestaat uit 21 vragen. Voor

Nadere informatie

Waterweerstand. 1 Inleiding. VWO Bovenbouwpracticum Natuurkunde Practicumhandleiding

Waterweerstand. 1 Inleiding. VWO Bovenbouwpracticum Natuurkunde Practicumhandleiding VWO Bovenbouwpracticum Natuurkunde Practicumhandleiding Waterweerstand 1 Inleiding Een bewegend vaartuig ondervindt altijd weerstand van het langsstromende water: het water oefent een wrijvingskracht uit

Nadere informatie

Klimaatverandering. Opzet presentatie

Klimaatverandering. Opzet presentatie Klimaatverandering Welke extremen kunnen we in de toekomst verwachten? J. Bessembinder e.v.a. Opzet presentatie Wat is klimaat(verandering)? Het broeikaseffect Waargenomen klimaatverandering Klimaatscenario

Nadere informatie

Extreme neerslaggebeurtenissen nemen toe en komen vaker voor

Extreme neerslaggebeurtenissen nemen toe en komen vaker voor Nieuwe neerslagstatistieken voor het waterbeheer: Extreme neerslaggebeurtenissen nemen toe en komen vaker voor 2015 10A In 2014 heeft het KNMI met het oog op klimaatverandering nieuwe klimaatscenario s

Nadere informatie

DEMNAT 2.1 voor Windows 95

DEMNAT 2.1 voor Windows 95 DEMNAT 2.1 voor Windows 95 Gebruikershandleiding Remco van Ek Jasper Stam Janke van Houten Bob de Boer RIZA-rapport 2000.049 RIZA, Lelystad Afdeling Grondwater en kleine wateren 2000 REFERAAT Van Ek, R.,

Nadere informatie

Gewasfactoren en potentiële verdamping: geen robuuste combinatie. Het gebruik van gewasfactoren in klimaatprojecties nader onderzocht

Gewasfactoren en potentiële verdamping: geen robuuste combinatie. Het gebruik van gewasfactoren in klimaatprojecties nader onderzocht Gewasfactoren en potentiële verdamping: geen robuuste combinatie Het gebruik van gewasfactoren in klimaatprojecties nader onderzocht Februari 2013 Postbus 1072 3430 BB Nieuwegein T 030 606 95 11 F 030

Nadere informatie

d rm Neder wa e landopg

d rm Neder wa e landopg Opgewarmd Nederland deel Natuur, water en landbouw: aanpassen Ecosystemen en klimaat Water, mens en landschap: eeuwenlang een gevaarlijk samenspel Polders, sloten en plassen: binnenwateren in beweging

Nadere informatie

Neerslag lenzen: sterke ruimtelijke variatie

Neerslag lenzen: sterke ruimtelijke variatie Neerslag lenzen: sterke ruimtelijke variatie Ben van der Wal Bij natuurontwikkelingsprojecten is het van belang inzicht te krijgen in de watersamenstelling in de wortelzone. Hydrologische effecten van

Nadere informatie

De klimaatbestendige (oude) stad

De klimaatbestendige (oude) stad De klimaatbestendige (oude) stad Peter den Nijs Wareco ingenieurs F3O KANS OP PAALROT Groot deel Nederland Grote verschillen bodemopbouw Grote verschillen in klimaateffect Grote spreiding in risico s 1

Nadere informatie

1 Kwel en geohydrologie

1 Kwel en geohydrologie 1 Kwel en geohydrologie 1.1 Inleiding Grondwater in de omgeving van de grote rivieren in Nederland wordt door verschillen in het peil sterk beïnvloed. Over het algemeen zal het rivierpeil onder het grondwatervlak

Nadere informatie

Examen VWO - Compex. wiskunde A1,2

Examen VWO - Compex. wiskunde A1,2 wiskunde A1,2 Examen VWO - Compex Voorbereidend Wetenschappelijk Onderwijs Tijdvak 1 Woensdag 25 mei totale examentijd 3 uur 20 05 Vragen 1 tot en met 13 In dit deel staan de vragen waarbij de computer

Nadere informatie

Meten in de Waddenzee

Meten in de Waddenzee Meten in de Waddenzee Bestand tegen superstorm De waterkeringen langs de Waddenzee moeten bestand zijn tegen een superstorm die gemiddeld eens in de 4000 jaar kan optreden. Om de sterkte van de waterkering

Nadere informatie

Almere 2.0. studieopdracht 3e jaar T&L (in teamverband)

Almere 2.0. studieopdracht 3e jaar T&L (in teamverband) Almere 2.0 studieopdracht 3e jaar T&L (in teamverband) Voor de derdejaarsopdracht Ecologie van de opleiding TenL stond de woningopgave van Almere centraal. Almere is in korte tijd uitgegroeid tot een stad

Nadere informatie

Nationaal modelinstrumentarium voor integraal waterbeheer. Jan van Bakel Alterra

Nationaal modelinstrumentarium voor integraal waterbeheer. Jan van Bakel Alterra Nationaal modelinstrumentarium voor integraal waterbeheer Jan van Bakel Alterra Inhoud Inleiding Enige historische achtergronden Modellering hydrologie op nationale schaal Vervolg Advies aan OWO Relaties

Nadere informatie

Statistische controle

Statistische controle 11 april 2013 Statistische controle Elektronische Volume Herleidingsinstrumenten Poolbesluit controlejaar 2012 11 april 2013 Statistische controle Elektronische Volume Herleidingsinstrumenten Poolbesluit

Nadere informatie

Studie naar de huidige en toekomstige waterbehoefte van stedelijke gebieden

Studie naar de huidige en toekomstige waterbehoefte van stedelijke gebieden Studie naar de huidige en toekomstige waterbehoefte van stedelijke gebieden extra aanvoer passieve infiltratie gronciwatervoorraad E,5 w 1,5.,/..,//1 4 4 4 5 4-- 2 E 1 4- ru 2,5 ir.lu -2-3 1 16 oktober

Nadere informatie

Het landschap als randvoorwaarde voor stuifzand natuur

Het landschap als randvoorwaarde voor stuifzand natuur Het landschap als randvoorwaarde voor stuifzand natuur Onderzoek stuifzandprocessen in relatie tot beheer 20-06-2013, Michel Riksen Inhoud Inleiding stuifzand als geomorfologische eenheid Onderzoek stuifzand

Nadere informatie