Kildeopsplitning. - Ska' vi holde balancen fremover? Asger Roer Pedersen Afd. f. Ferskvandsøkologi Danmarks Miljøundersøgelser



Relaterede dokumenter
Præcisering af trendanalyser af den normaliserede totale og diffuse kvælstoftransport i perioden

Epidemiologi og biostatistik. Uge 3, torsdag. Erik Parner, Institut for Biostatistik. Regressionsanalyse

Forespørgsel fra Miljø- og Fødevareministeriet vedr. fejlanalyser

Øvre rand ilt. Den målte variation, er antaget at være gældende på randen i en given periode før og efter målingerne er foretaget.

Anvendt Statistik Lektion 8. Multipel Lineær Regression

Information om retentionsfaktorer for fosfor i vandløb for målte/umålte oplande

Prøvetagning på mindre dambrug på foderkvote

fundament for AGL Charlotte Bruun 28. marts, 2007 Lektor Institut for Økonomi, Politik og Forvaltning Aalborg Universitet

1 Regressionsproblemet 2

Produkt og marked - matematiske og statistiske metoder

Mindste kvadraters tilpasning Prædiktion og residualer Estimation af betinget standardafvigelse Test for uafhængighed Konfidensinterval for hældning

Økonometri: Lektion 2 Multipel Lineær Regression 1/27

Statistik II Lektion 3. Logistisk Regression Kategoriske og Kontinuerte Forklarende Variable

Økonometri 1. Dagens program. Den simple regressionsmodel 15. september 2006

Fastlæggelse af baggrundsbidraget af N og P i Danmark

Kursusindhold: Produkt og marked - matematiske og statistiske metoder. Monte Carlo

Validering af fosformodellen

Epidemiologi og biostatistik. Uge 3, torsdag. Erik Parner, Afdeling for Biostatistik. Eksempel: Systolisk blodtryk

Multipel regression. M variable En afhængig (Y) M-1 m uafhængige / forklarende / prædikterende (X 1 til X m ) Model

Simpel Lineær Regression: Model

Oplandsmodel værktøjer til brug for vandplanlægningen

12. september Epidemiologi og biostatistik. Forelæsning 4 Uge 3, torsdag. Niels Trolle Andersen, Afdelingen for Biostatistik. Regressionsanalyse

Kursusindhold: Produkt og marked - matematiske og statistiske metoder. Monte Carlo

Module 3: Statistiske modeller

Program: 1. Repetition: p-værdi 2. Simpel lineær regression. 1/19

Anvendt Statistik Lektion 9. Variansanalyse (ANOVA)

Kursusindhold: X i : tilfældig værdi af ite eksperiment. Antag X i kun antager værdierne 1, 2,..., M.

Simpel Lineær Regression

Økonometri: Lektion 2 Multipel Lineær Regression 1/33

Næringsstoffer i vandløb

Opsætning af MIKE 3 model

Notat om basisanalyse: Opgave 2.2 Stofbelastning (N, P) af søer og kystvande

Eksempel Multipel regressions model Den generelle model Estimation Multipel R-i-anden F-test for effekt af prædiktorer Test for vekselvirkning

Statikstik II 2. Lektion. Lidt sandsynlighedsregning Lidt mere om signifikanstest Logistisk regression

Anvendt Statistik Lektion 9. Variansanalyse (ANOVA)

Teknisk anvisning for marin overvågning

Hydrologisk modellering af landovervågningsoplandet Lillebæk

Program. 1. Repetition 2. Fordeling af empirisk middelværdi og varians, t-fordeling, begreber vedr. estimation. 1/18

1 Ensidet variansanalyse(kvantitativt outcome) - sammenligning af flere grupper(kvalitativ

Bestemmelse af iltkoncentration i Østerå

Projekt 6.1 Rygtespredning - modellering af logistisk vækst

Residualer i grundforløbet

Økonometri Lektion 1 Simpel Lineær Regression 1/31

grupper(kvalitativ exposure) Variation indenfor og mellem grupper F-test for ingen effekt AnovaTabel Beregning af p-værdi i F-fordelingen

Lineær regression. Simpel regression. Model. ofte bruges følgende notation:

Kobling af to modelkoder: Integrerede HIRHAM og MIKE SHE simuleringer på et dansk opland

BM121 Resume af tirsdags forlæsningen, Uge 47

Epidemiologi og Biostatistik

men nu er Z N((µ 1 µ 0 ) n/σ, 1)!! Forkaster hvis X 191 eller X 209 eller

Muligheder for at vurdere effekter af klimaforandringer

Hypotesetests, fejltyper og p-værdier

GENOPRETNING AF FEJLBEHÆFTEDE KVÆLSTOF- OG FOSFORANALYSER I FERSKVAND

Økonometri 1. Den simple regressionsmodel 11. september Økonometri 1: F2

Note om Monte Carlo metoden

KONSTRUEREDE MINIVÅDOMRÅDER

Økonometri, ugeseddel 8 Hold 1 1/4-2003

2 km 2 stenrev = 800 tons N, kan det virkelig passe?

Kvantitative metoder 2

Gunnar Peter Jensen, Danmark Miljøportal. 4. februar 2010 Miljoeportal.dk 1

Indhold. 2 Tosidet variansanalyse Additive virkninger Vekselvirkning... 9

Bilag 6: Retningslinjer vedr. belastningsopgørelse til søer, fjorde og kystområder.

Kvadratisk regression

ANALYSEKVALITETSKRAV TIL PARAMETRE DER PT. IKKE ER

Landmålingens fejlteori - Lektion 2. Sandsynlighedsintervaller Estimation af µ Konfidensinterval for µ. Definition: Normalfordelingen

Multipel Lineær Regression

Opgaver til kapitel 3

I dag. Statistisk analyse af en enkelt stikprøve: LR test og t-test, modelkontrol, R Sandsynlighedsregning og Statistik (SaSt)

Kvælstoffets vej til recipient erfaringer med kortlægning af retention

Dokumentation for beregning af N-reduktion fra rodzonen til kyst i N- risikoværktøjet

1. Intoduktion. Undervisningsnoter til Øvelse i Paneldata

Teknisk anvisning for marin overvågning

Kvælstoftransport og beregningsmetoder. Dansk Landbrugsrådgivning Landscentret Plan & Miljø

[ 18 ] 1.2 Menneskelige påvirkninger

Effekten af indvandring på indfødte danskeres løn og beskæftigelse

1 Hb SS Hb Sβ Hb SC = , (s = )

Grundvandskort, KFT projekt

VMP2-vådområder: kort status

Hvad er de miljømæssigt acceptable koncentrationer af kvælstof i drænvand i forhold til vandmiljøets tilstand

NOTAT. Belastning fra spredt bebyggelse til vandløb. Projektnummer Jørgen Krogsgaard Jensen. Udgivet

Anvendt Statistik Lektion 7. Simpel Lineær Regression

Multipel regression. Data fra opgave 3 side 453: Multipel regressionsmodel: Y = α + β 1 x 1 + β 2 x 2 + ǫ. hvor ǫ N(0, σ 2 ).

To samhørende variable

Logistisk Regression. Repetition Fortolkning af odds Test i logistisk regression

Landmålingens fejlteori - Lektion4 - Vægte og Fordeling af slutfejl

Kausale modeller. Konstruktion og analyse

Statistik II 4. Lektion. Logistisk regression

Kursus i varians- og regressionsanalyse Data med detektionsgrænse. Birthe Lykke Thomsen H. Lundbeck A/S

Center for Statistik. Multipel regression med laggede responser som forklarende variable

Beregningsmetoder på oplandsskala og sårbarhedsvurdering. Specialkonsulent Flemming Gertz

Statistisk modellering og regressionsanalyse

Nitrat retentionskortlægningen

En intro til radiologisk statistik

Modellering 'State of the future'

Landmålingens fejlteori - Repetition - Fordeling af slutfejl - Lektion 8

Kvantitative metoder 2

Tema. Model og modelkontrol ( Fx. en normalfordelt obs. række m. kendt varians) Estimation af parametre. Fordeling. Hypotese og test. Teststørrelse.

Matematisk modellering og numeriske metoder. Lektion 17

Additiv model teori og praktiske erfaringer

En intro til radiologisk statistik. Erik Morre Pedersen

Kapitel 11 Lineær regression

Transkript:

Kildeopsplitning - Ska' vi holde balancen fremover? Asger Roer Pedersen Afd. f. Ferskvandsøkologi Danmarks Miljøundersøgelser NOVANA Erik Jeppesen (ca. 1992): - Det er verdens bedste datasæt!!! Vandbalancer Stofbalancer NOVANA Massebalancer etc. Kildeopsplitninger 1

2 VISION: Ethvert kvantitativt udsagn (læs: tal) fra NOVANA/DMU er forsynet med en sikkerhedsangivelse σ 2 2

2 Kildeopsplitning Årstransport af totalfosfor 3

Tudeå, Valbygård (Vestsjælland) - Enorm år-til-år variation i landbrugsbidraget! - Negativt landbrugsbidrag en tilfældig undtagelse? - Kildeopsplitninger: 1989-2004, 167 vandløbsstationer Negativt landbrugsbidrag mere reglen end undtagelsen 4

Hvor forekommer negative landbrugsbidrag? 1989-1992: 32% 1993-2004: 24% Hvad foregår der!? Transp. = Punkt + Diffus Underestimeres Negativ 5

Værst i - små vandløb - tørre år - lerjord Vandløbsspecifikt vandføringsindeks Årets gennemsnitlige vandføring ift. den gennemsnitlige årlige vandføring for årene 1989-2004. <1: Tørt år >1: Vådt år 6

7

Underestimering af transp. ordner BKR og ARP i 2006! 2 Hvad foregår der!? Transp. = Punkt + Diffus Overestimeret? - Spredt bebyggelse: Forsigtighedsprincip - Dambrug: Ingen fjernelse - Renseanlæg: Flow-proportional 8

Er problemet så løst? NEJ! - Ingen bias i landbrugsbidraget! - Usikkerheden på landbrugsbidraget? - År-til-år variationen i landbrugsbidraget? Det fælles problem: - Vandbalancer - Stofbalancer - Massebalancer - Kildeopsplitning -... Lokumsestimater TOTAL = KILDE 1 + KILDE 2 +... + KILDE 17 + - Afstemme vandbalancen - Afstemme massebalanceligningen Kildeopsplitning - diffuse kilder - sørententionen - landbrugsbidraget 9

Årsregnskab Husstands A-skat kr. 200.000 Husstands B-skat kr. 1.000 Kreditforening kr. "Mange penge" Forsikringer kr. "Også mange penge" Diverse Resten! Husstandsindkomst kr. 500.000 Årsregnskab Husstands A-skat kr. 200.000 Husstands B-skat Kunne alternativt have anslået kr. 1.000 Kreditforening "Lillemors ødsle forbrug" og kr. "Mange penge" Forsikringer hældt usikkerheden i "Rødvin" kr. "Også mange penge" Kontingenter Gaver Rødvin... σ 2 Lillemors ødsle forbrug Al usikkerhed Rigtig hældes dårlig heri! estimat!!! Resten! Husstandsindkomst kr. 500.000 Algebraisk mobning! 10

Sand balance TOTAL = KILDE 1 + KILDE 2 +... + KILDE 17 + X X = TOTAL ( KILDE 1 + KILDE 2 +... + KILDE 17 ) Målinger / Estimationer / Prædiktioner /... = TOTAL + ε = KILDE 1 + ε 1... σ 2 = KILDE 17 + ε 17 Lokumsestimatet = ( + +... + ) = X + [ ε ( ε 1 + ε 2 +... + ε 17 ) ] Al usikkerhed hældes heri! Usikkerheden Var() = Var() + Var( ) +... + Var( ) - Usikkerheden på lokumsestimatet er usikkerheden på totalen og alle de øvrige kilder TILSAMMEN!!! 11

Kildeopsplitning Transp. = Punkt + Natur Retent. + Landbr. Simulation Kilde Sand balance Måling Transp. 20 Unbiased, CV=20% Punkt 12 Unbiased, CV=10% Natur 2 Unbiased, CV=20% Landbr. 6 Lokumsestimat! 12

13

Bias 14

15

Hjælper det at aggregere over vandløb? - Gennemsnit over 80 "repræsentative" vandløb - National årstransport, dvs. sum over alle vandløb Simulation Kilde Sand balance Måling Transp. - Unbiased, CV=20% Punkt - Unbiased, CV=10% Natur - Unbiased, CV=20% Landbr. - Lokumsestimat! Vælger 80 realistiske vandløb 16

17

Bias: Underestimerer transporten med 15% i alle vandløb 1.8 Bias: Underestimerer transporten med 15% i alle vandløb 1.8 144 18

Lokumsestimater - Hvad er så "den rigtige" måde at gøre det på? Bemærk: Naturbidraget er aldrig negativt/ekstremt Estimér alle led direkte/separat/uafhængigt!!! Hvis blot X kan estimeres (uafhængigt) med en usikkerhed, der er mindre end usikkerheden på totalen og alle de øvrige kilder tilsammen, har vi opnået en forbedring! - Jaaamen, så er der jo ikke massebalance - vandbalancen er ikke afstemt -... Massebalanceligningen Så er vi hjemme! Antag (hypotetisk) at totalen og alle kilderne kan måles præcist Den sande balance: TOTAL = KILDE 1 + KILDE 2 +... + KILDE 17 + X Balancen for målingerne: = + +... + + + ε ( ε + ε 1 +... + ε 17 ) Al usikkerhed hældes heri! - Der skal IKKE gælde massebalance for uafhængige målinger! - Hvis der gør, er det bevis for, at fejlen er skjult i en af kilderne 19

Simulation Kilde Sand balance Måling Transp. 20 Unbiased, CV=20% Punkt 12 Unbiased, CV=10% Natur 2 Unbiased, CV=20% Landbr. 6 Unbiased, CV=30% Resid. 0 Lokumsestimat! 20

21

Massebalance for iltkoncentrationen i et vandløb (Odum, 1956) Ændring. pr. tidsenhed Iltkonc. dc/dt = K(C S C) R + P Respiration Mættet iltkonc. Genluftning Produktion Iltkoncentration [mg/l] 9.0 9.5 10.0 10.5 Iltkoncentration [mg/l] 1 2 3 4 5 6 σ 2 0:01 3:01 6:01 9:01 12:01 18:01 23:31 Klokkeslet 0:17 3:17 6:17 9:17 12:17 18:17 23:47 Klokkeslet Lokumsestimat Polynomiumsmodel σ(c- og 2 T-målinger) P = dc/dt - K(C S C) + R C-målinger Van Hoff modeller (C- og T-målinger) Rate [mg/l/minut] 0.0011 0.0012 0.0013 0.0014 0.0015 0.0016 Respiration Genluftning dc/dt & P [mg/l/minut] 0.002 0.001 0.000 0.001 0.002 0.003 0:19 3:19 6:19 9:19 12:19 18:19 23:49 Klokkeslet 0:19 3:19 6:19 9:19 12:19 18:19 23:49 Klokkeslet 22

Gryde Å Parametrisk estimat Polynomiumsmodel σ (C- og T-målinger) 2 dc/dt = K(C S C) R + P + ε Statistisk model for afvigelserne mellem model og virkelighed Van Hoff modeller (C- og T-målinger) Michaelis-Menten model (Lys- og T-målinger) 23

Gryde Å Ligningen, der ikke skal passe! Gryde Å 24

Visioner Massebalancer - Pas på lokumsestimater! - Direkte/separat/uafhængig estimation af alle led - Massebalanceligningen skal IKKE stemme! Kildeopsplitning af totalfosfor - Må har styr på bias i transportestimatet! - Uafhængigt estimat for landbrugsbidraget? Uafhængigt estimat for landbrugsbidraget? Faglig rapport fra DMU, nr. 485, 2004 (Odense Fjord) 1. Landbrugsbidraget som funktion af oplandskarakteristika + 24 oplande med ugemålinger af TP i 8 år + Ca. Punkt=0 og Retent.=0» Transp. = Natur + Landbr.» := - - Også et lokumsestimat - Ekstrapolation i multipel regressionsmodel - De 24 oplande er ikke repræsentative for DK - Bruge samme model altid? Transp. og Natur underestimeres pt. BKR og ARP 2006 25

2. Lokumsestimation er sikker, hvis ALLE øvrige led estimeres sikkert, så præcis estimation af Transp., Punkt, Natur og Retent. + Transp. og Natur vha. dynamisk model + Punkt ER allerede sikker (?) - Retent. er et lokumsestimat! - Transp. og Natur vha. dynamisk model; unbiased ja, men sikker? 3. Dynamisk massebalancemodellering (f.eks. som Odum, 1956) - Empirisk dynamisk modellering af indgående kilder vha. daglig vandføring, daglige meteorologiske variable og oplandskarakteristika med vandløbsspecifikke modelparametre kalibreret påp TP koncentrationmålinger Noget i stil med: dx dt dx dt v s SED RES = = = Q( P + P P ) + Q α + Q α + Q α SED + RES B = SED RES β θ J T 20 S S (1 e X / Z s v d log( Q) β R max(,0) dt T 20 ) θ R P P X s B G P P J B S = = D N β ( λ 1) J β ln( Q) B J - Vandløbsspecifik årlig kalibrering - Vandløbstypespecifik årlig kalibrering - etc. (Fokusrapport om fosfor, 2005) 26

27

28