Vraag en antwoord Grondwaterdynamiek

Hoe noodzakelijk is patroononderzoek voor een goede uitvoering van de Grondwaterwet?

De schadeuitkering aan boeren in waterwingebieden wordt onder meer vastgesteld op basis van bodemkundig en hydrologisch patroononderzoek en de TCGB-tabellen. Over de werkelijke schade bestaat onzekerheid, omdat volledige zekerheid onbetaalbaar is. Door gericht onderzoek te verrichten is deze onzekerheid echter wel te reduceren. De kosten van dit onderzoek moeten worden bezien in het licht van de risico's die ermee kunnen worden voorkomen. Daarbij is het nuttig om onderscheid te maken tussen onzekerheid als gevolg van beperkte proceskennis en onzekerheid als gevolg van beperkte patroonkennis. Goede patroonkennis draagt bij aan

Onzekerheid is welkom bij beslissingen in het grondwaterbeheer.

Bij het nemen van deze beslissingen baseren grondwaterbeheerders zich op informatie die vaak bestaat uit schattingen en voorspellingen. Over de juiste waarden, en daarmee de juistheid van hun beslissingen, zijn grondwaterbeheerders onzeker. In dit artikel wordt geïllustreerd hoe kennis over onzekerheid het nemen van rationele beslissingen kan bevorderen.

Accuracy of spatio-temporal RARX model predictions of water table depths.

Tijdreeksen van grondwaterstanden (Ht) zijn ruimtelijk voorspeld met behulp van een geregionaliseerd autoregressief tijdreeksmodel met een exogene variabele (RARX-model), met het neerslagoverschot (Pt) als invoervariabele. Dankzij hun fysische basis kunnen RARX-modelparameters worden 'gegist' uit hulpinformatie zoals een digitaal hoogtemodel (DEM), digitale topografische kaarten en digitaal opgeslagen bodemkundige profielbeschrijvingen. Drie verschillende methoden zijn gevolgd om RARX-modelparameters te regionaliseren. Bij de 'directe methode' (DM), is Pt getransformeerd in Ht met behulp van de gegiste RARX-modelparameters. Bij de 'indirecte' methode (IM) zijn de voorspellingen van DM gecorrigeerd voor waargenomen systematische fouten. Bij de Kalmanfiltermethoden zijn de parameters van regionalisatiefuncties voor de RARX-modelparameters geoptimaliseerd, conditioneel op grondwaterstandswaarnemingen. Deze regionalisatiefuncties beschrijven de ruimtelijke afhankelijkheid van de RARX-modelparameters. External drift kriging en simple kriging with varying means zijn toegepast als regionalisatiefuncties, waarbij gegiste RARX-modelparameters of DEM-data zijn gebruikt als hulpvariabelen. Zowel voorspellingen van Ht voor gegeven dagen als schattingen van verwachte grondwaterstanden zijn gemaakt voor een studiegebied van 1375 hectare. De nauwkeurigheid van de drie methoden is getoetst door middel van kruisvalidatie, met behulp van waarnemingen van grondwaterstanden in 27 buizen waarvan de locatie is geselecteerd door middel van een gestratificeerde aselecte steekproef. IM schat de verwachte grondwaterstand met geringere systematische fouten dan de alternatieve methoden. De Kalmanfiltermethoden voorspellen de temporele variatie van Ht beter dan de alternatieve methoden, zoals blijkt uit kleinere 'toevallige' fouten. Met name de Kalmanfiltermethode waarbij gebruik wordt gemaakt van DEM-data als external drift voorspelt de ruimtelijke variatie van Ht nauwkeuriger dan de alternatieve methoden.

Predicting water table depths in space and time using a regionalised time series model.

Een geregionaliseerd autoregressief tijdreeksmodel met een exogene variabele (RARX-model) is gepresenteerd voor de beschrijving van de relatie tussen het neerslagoverschot en de grondwaterstand. De parameters van het RARX-model worden 'gegist' voor niet-bezochte locaties door gebruik te maken van hulpinformatie zoals bodemkundige profielbeschrijvingen, een topografische kaart en een digitaal hoogtemodel (DEM). Bij de Directe Methode worden de gegiste parameters gebruikt om tijdreeksen van grondwaterstanden te voorspellen voor niet-bezochte locaties; waargenomen grondwaterstanden worden niet gebruikt bij het voorspellen. Bij de Indirecte Methode worden waargenomen grondwaterstanden gebruikt om de voorspellingen uit de Directe Methode te corrigeren voor systematische voorspelfouten. De voorspelnauwkeurigheid is geëvalueerd door middel van kruisvalidatie. De validatieresultaten laten zien dat de 'toevallige' fout klein is (standaardafwijking rond de 10 cm), maar dat de systematische fouten groot kunnen zijn (de absolute gemiddelde fout is gemiddeld 18 cm). De root mean squared error van de voorspelde tijdreeksen is gemiddeld 22 cm. Rekening houdend met de onzekerheid over zowel de toekomstige meteorologische omstandigheden als de RARX-modelvoorspellingen, is een kaart vervaardigd van het risico dat een kritische grondwaterstand op een kritisch tijdstip in enig toekomstig jaar wordt overschreden. Bovendien zijn kaarten vervaardigd van de componenten van onzekerheid bij voorspellingen van de grondwaterstand.

Regionalised time series models for water table depths.

De grondwaterspiegel is door zijn geringe diepte belangrijk voor o.a. landbouw en natuurbeheer. Nauwkeurige informatie is daarom nodig om beslissingen van waterbeheerders te ondersteunen. Met eenvoudige, empirische tijdreeksmodellen die het neerslagoverschot als invoer hebben blijkt de fluctuatie van de grondwaterstand ongeveer even nauwkeurig te kunnen worden beschreven als met complexere, fysische modellen die meer invoer nodig hebben. Voor locaties waar tijdreeksen zijn waargenomen kunnen tijdreeksmodellen worden gekalibreerd. Voor alle andere plaatsen worden de parameters van de tijdreeksmodellen geschat met behulp van digitaal beschikbare hulpinformatie en eenvoudige fysische relaties. Met deze 'geregionaliseerde' tijdreeksmodellen kunnen statistieken van de grondwaterstand worden geschat, die gebruikt worden in het waterbeheer op lange termijn. Door het geregionaliseerde tijdreeksmodel te combineren met een Kalmanfilter kunnen actuele grondwaterstanden worden voorspeld ten behoeve van het dagelijkse peilbeheer. De onzekerheid over de werkelijke grondwaterstandsfluctuatie kan worden gekwantificeerd, wat van belang is bij het ondersteunen van beslissingen.

Hoe lang moet je de grondwaterstand meten om iets over de dynamiek te weten?

De grondwaterstand wordt op tal van plaatsen en om tal van redenen gevolgd in de tijd. Op die manier ontstaan tijdreeksen waaruit informatie over het dynamische gedrag van de grondwaterstand kan worden afgeleid, als die reeksen tenminste lang genoeg zijn. Bij het inrichten en in stand houden van grondwatermeetnetten kan de vraag rijzen hoe lang je de grondwaterstand tenminste moet meten om de grondwaterstandsdynamiek te kunnen karakteriseren. In dit artikel zullen voor 51 locaties verspreid over het Pleistocene deel van Nederland de responstijden voor de relatie tussen neerslagoverschot en grondwaterstand worden gegeven, alsmede beknopte bodemkundig-hydrologische beschrijvingen van deze locaties. De responstijden geven een idee van de minimale lengte van de reeks die nodig is om de relatie tussen neerslagoverschot en grondwaterstand goed te kunnen beschrijven. In de toekomst zou deze lijst kunnen worden uitgebreid en gedifferentieerd.

Tijdreeksmodellen voor de grondwaterstand: een kijkje in de black box.

Grondwaterstandsreeksen worden in Nederland vaak gemodelleerd met transfer-ruismodellen. Het aantrekkelijke van deze modellen is dat je alleen reeksen van grondwaterstanden, neerslagoverschotten en eventueel andere reeksen zoals onttrekkingscijfers nodig hebt. Sinds kort behoeven deze reeksen zelfs niet meer per se equidistant te zijn. Transfer-ruismodellen kunnen dus worden opgesteld zonder dat er informatie over de bodemfysische eigenschappen van de grond nodig is, of informatie over regionale grondwaterfluxen en drainage of infiltratie. Transfer-ruismodellen hebben daarom ook een nadeel: je kunt er geen effecten van ingrepen in het hydrologische regime mee voorspellen, want er zitten geen fysische knoppen aan waar je aan kunt draaien; het zijn ‘black box’-modellen. In dit artikel nemen we een kijkje in de ‘black box’ en kijken we of het niet toch mogelijk is om het effect van ingrepen te voorspellen met een transfer-ruismodel. Deze effecten kunnen dan worden uitgedrukt in termen van risico’s - of kansen als je het positief benadert - want transfer-ruismodellen zijn immers stochastische modellen.