Maatalouden ravinnehuuhtoumien mallintamisen luotettavuus

Transkriptio

1 Maatalouden ravinnehuuhtoumien mallintamisen luotettavuus Sirkka Tattari Suomen ympäristökeskus MAISA hankkeen päätösseminaari,

2 HAJAKUORMITUS Maatalous Metsätalous Hulevedet Haja-asutus Turvetuotanto PISTEKUORMITUS Teollisuus, vedenpuhdistamot kalankasvatus ym. TAUSTA- KUORMA Eri malleilla lasketaan erilaisia tulosmuuttujia ja yleensä ei erotella esim. luonnonhuuhtoumaa, laskeuman osuutta. Metsätalouden vaikutuksia lasketaan vain siihen kehitetyillä malleilla.

3 Kuormituksen laskentaan tarvittavat muuttujat Pitoisuus Virtaama

4 Ainevirtaamien laskenta 2 eri menetelmällä Kuukausikeskiarvomenetelmä L a = 12 i= 1 C m Q m missä L a = ainevirtaama vuodessa C m = kuukauden keskipitoisuus Q m = virtaama kuukaudessa Periodimenetelmä Ainevirtaamaa ei lasketa havaintopäivien välisille jaksoille vaan vuoden jokaiselle päivälle erikseen kunkin päivän havaittua virtaamaa hyödyntäen. Toisekseen pitoisuuden oletetaan olevan havaintopäivänä mitatun suuruinen havaintopäivän (ti) ja sitä edeltävän havaintopäivän (ti-m) puolivälistä havaintopäivän ja sitä seuraavan havaintopäivän (ti+n) puoleenväliin

5 Mallintaminen MALLINTAMINEN

6 20.1. & Valuma-alueen prosessien mallinnus Dia: Mikko Dufva/SYKE

7 Maatalouden ravinnekuormitus

8 Miten maatalouden ravinnepäästöjä mitataan? Pienet maatalousvaltaiset valuma-alueet Mittauksia tehdään peltolohko-, pienen valumaalueen ja ison jokivaluma-alueen mittakaavassa. Pienillä valuma-alueilla maan käyttö sisältää usein muutakin kuin peltomaata, jolloin muiden kuormituslähteiden osuus tulee vähentää maatalouden kuormitusluvuista. Mitä pienempi on pellon osuus valuma-alueiden pintaalasta sitä vaikeammin on kuormituksen muutos havaittavissa. Jatkuvatoimisilla vedenlaatuantureilla on pystytty tarkentamaan kuormitusarvioita osoittamaan mm. kosteikkojen tehokkuus Perinteinen Uutta mittaustekniikkaa

9 Kalibrointitulosten vertailussa hyvyyslukuna käytetään usein Nashin & Sutcliffen (1970) esittämää kerrointa (E). E = 1 T t= 1 T t= 1 ( t t Q Q ) o 2 ( ) 2 t Q Q o m o missä Q o on havaittu virtaama, ja Q m on simuloitu virtaama. Q t on virtaama ajan hetkellä t. Päivittäisten aikasarjojen käyttö E-kertoimen laskennassa johtaa harvoin varsinkaan pitoisuuksien osalta korkeaan hyvyyslukuun pitkällisenkään kalibroinnin jälkeen.

10 VEMALA 1.1 mallilla simuloidun lasketun kuorman ero % 44 % 0 % FOSFORI 26 % Viite: A national scale nutrient loading model for Finnish watersheds VEMALA. Submitted to Environ. Modeling and assessment % TYPPI 10

11 Mallin hyvyyslukuja kuorma ja pitoisuus Malliversio Hav. lkm R 2 kuorma R 2 pitoisuus TN Vemala N 739 0, TN Vemala ,86 0,42 TP Vemala- Icecream 770 0,71 0,23 TP Vemala ,80 0,48 Viite: A national scale nutrient loading model for Finnish watersheds VEMALA. Submitted to Environ. Modeling and assessment

12 PELTOLOHKOMALLI Water and phosphorus movement on a field plot with ICECREAM tillage transpiration precipitation inorganic fertilization manure evaporation infiltration reactions of phosphorus in the soil surface runoff and erosion uptake by roots vertical movement in soil profile water phosphorus sediment percolation out of the root zone

13 ICECREAM Mallia on testattu koekenttähavaintojen perusteella: -Hydrologia -P huuhtoumat -P varastot cum. DPr [kg/ha] 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 Aurajoki - soluble P in runoff DPr_m DPr_s Asema/ Muuttuja Epäorgaaninen P (mg kg -1 ) Orgaaninen P (mg kg -1 ) Kok P (mg kg -1 ) Mitattu Simuloitu Mitattu Simuloitu Mitattu Simuloitu Toholampi Jokioinen [a] Sum of Chang and Jackson fractions ("Al-P", "Fe-P" and apatitic P) of inorganic P [b] Calculated as the difference of total P and the Chang and Jackson fractions

14 Mallin herkkyys maaperäparametrien vaihtelulle yhden maalajin sisällä A = aito savi B = hiesusavi C = hiuesavi D = karkea hiesu E = hieno hieta F = karkea hieta Rakeisuuskäyrä Vedenpidätysominaisuudet Kyllästynyt hydr. johtavuus

15 Jatkuvatoiminen mittaus => paras arvio kuormituksesta 15

16 Vuosi 2010 Jatkuvatoim. 5,85 kg/ha/v Periodi 5,41 VEMALA 4,77 Vuosi 2010 Jatkuvatoim. 11,21 kg/ha/v Periodi 17,19 VEMALA 13,45 Vuosi 2010 Jatkuvatoim. 5,31 kg/ha/v Periodi 7,09 VEMALA 8,27 16

17 LOPUKSI Lähtökohtaisesti on selvää että eri mallit eivät tuota eksaktisti oikeita tuloksia tai edes keskenään vertailukelpoisia tuloksia, jos lähtötiedot ja parametrit eivät ole samoja. Mallituloksien hyvyyttä voidaan tarkastella esim. Nashin & Sutcliffen luvulla. Mallin epävarmuus koostuu useasta eri tekijästä: lähtötietojen tarkkuus, malleihin rakennettu prosessikuvaus. Kun on saatavilla pidempikestoisia ja laatutarkastettuja jatkuvatoimisia vedenlaadun mittausjaksoja, voimme paremmin hyödyntää vedenlaadun mittausdataa mallien 17 testaukseen.

18 Keskustelua ja johtopäätöksiä Mallit kalibrodaan eri muuttujien avulla: jokiveden pitoisuus, ravinnekuorma, satotaso. Paras yhteensopivuus saavutetaan virtaamalle (data hyvää ja päivittäistä), kun taas melko huono jokiveden pitoisuudelle (noin 10 mittausta/vuosi). Epävarmuus tuloksissa: Tarvitaan useita oletuksia ( jos ), että mallinnus voidaan tehdä. Useille näille oletuksille on vaihtoehtoisia ratkaisumalleja. Tarvitaan tietoa, mitkä oleelliset prosessit on mallissa kuvattu hyvin ja mitkä huonosti eli malleja ei ole riittävästi testattu. 18

19 Kiitos! Kysymyksiä? 19