logo

Dataset titel: KRW-Eems Dollard – Monitoring data verkregen uit een meetcampagne primaire productie door Wageningen Marine Research in het Eems estuarium in 2012 en 2013

Opdrachtgever: Rijkswaterstaat / Ministry of Infrastructure and Water Management

Achtergrond:

De Kaderrichtlijn Water (KRW) verplicht EU-lidstaten om goede ecologische en chemische toestand van alle aangewezen waterlichamen (rivieren, meren, overgangs- en kustwateren) tegen 2015. Daarom is door Rijkswaterstaat Waterdienst het project ‘Onderzoek slibhuishouding Eems-Dollard’ gestart.

Het doel van dit project, uitgevoerd door Deltares en Wageningen Marine Research (toen nog IMARES), was om

  1. onze kennis over de slibdynamiek in het Eems-estuarium te verbeteren,
  2. om de redenen voor de toename van troebelheid te identificeren en
  3. om maatregelen te definiëren voor een goede ecologische toestand van het estuarium.

Het hele onderzoek bestaat uit een analyse van beschikbare data, het verzamelen van nieuwe data en het verbetering en toepassing van numerieke modellen. Deze dataset is verzameld door Wageningen Marine Research, en is gebruikt om de numerieke modellen te voorzien van ecologische gegevens, en om een aantal primaire productie-gerelateerde vragen te beantwoorden die belangrijk zijn om het doel (3) te bereiken. De dataset beschrijft de aanwezigheid van fytoplankton en primaire productie in 2012 en 2103, en op de aanwezigheid van fytobenthos en primaire productie in 2013. Daarnaast werden concentraties van nutriënten, zwevende stoffen en een aantal bijbehorende variabelen gemeten. Een gedetailleerd rapport met een overzicht van de toegepaste methoden, de analytische procedures en de resultaten worden geleverd als ‘Full data report’ (Brinkman et al, 2014).

Op dit moment zijn de data voor pelagische primaire productie, algengroepen, Pocketbox sensordata, en nutriënten beschikbaar gemaakt.

Meetlocaties pelagische monitoring

De locaties voor bemonstering van nutrienten, algengroepen en primaire productiemetingen stemmen overeen met de MWTL stations GROOTGTND en HUIBGOT, MONDVDDLD en HUIBGOT, PAAPSSD en HUIBGOT, DOEKGZD en HUIBGOT, RANSGZD en HUIBGOT. Niet al deze stations worden meer in het MWTL programma bemonsterd. Alle zes stations zijn ook in een eerdere studie (BOEDE 1985) bemonsterd.

Gedurende de cruises is aan boord ook met een “Pocketbox” additionele metingen gedaan. Deze metingen zijn hoogfrequente metingen met sensoren. Deze metingen kunnen gekoppeld worden aan de metingen op de zes stations op basis van locatie, datum, en vaarsnelheid (bijna nul tijdens het monsteren).

pocketboxLocations <- st_read("https://rwsprojectarchief.openearth.nl/geoserver/eemsdollard/ows?service=WFS&version=1.0.0&request=GetFeature&typeName=eemsdollard%3Aed_pocketbox_locations", crs = 28992, quiet = TRUE) %>%
  sample_n(10000) %>%
  # st_as_sf(coords = c("geometriepuntx", "geometriepunty"), crs = 28992) %>%
  st_transform(crs = 4326)

nutrient_stations <- read_csv("https://rwsprojectarchief.openearth.nl/geoserver/eemsdollard/ows?service=WFS&version=1.0.0&request=GetFeature&typeName=eemsdollard%3Aed_nutrients&outputFormat=csv", col_types = cols()) %>% distinct(locatiecode, geometriepuntx, geometriepunty) %>%
  st_as_sf(coords = c("geometriepuntx", "geometriepunty"), crs = 28992) %>%
  st_transform(crs = 4326)
leaflet(nutrient_stations) %>%
  addTiles() %>%
  addCircleMarkers(label = ~locatiecode, labelOptions = labelOptions(noHide = T), radius = 20, opacity = 1) %>%
  addCircleMarkers(data = pocketboxLocations, color = "orange", fillColor = "orange", radius = 2, opacity = 0.2, stroke = T)

Meetlocaties voor deze dataset. Oranje: Pocketbox transectmeetpunten (random selectie van 10000 punten), Blauw: stations voor pelagische primaire productie, algengroepen en nutrienten. De namen van de stations komen overeen met de in MWTL gebruikte locatiecode.

Datasets

Nutriënten – metingen van nutriënten op 6 stations in de Eems-Dollard gedurende 2 jaar.

De volgende nutrienten zijn gemeten:

# lees data in van geoserver rws projectarchief
df <- read_csv("https://rwsprojectarchief.openearth.nl/geoserver/eemsdollard/ows?service=WFS&version=1.0.0&request=GetFeature&typeName=eemsdollard%3Aed_nutrients&outputFormat=csv", col_types = cols())

df %>% distinct(wmrparameteroriginal, grootheidcode, parametercode, eenheidcode) %>% knitr::kable()
grootheidcode parametercode eenheidcode wmrparameteroriginal
CONCTTE NH4 mg/l NH4_N
CONCTTE NO2 mg/l NO2_N
CONCTTE NO3 mg/l NO3_N
CONCTTE PO4 mg/l PO4_P_mg.l
CONCTTE SiO2 mg/l SILI

Om een indruk te krijgen van de meetfrequentie, en de variatie over de gemeten 2 jaar, is hieronder een grafiek gemaakt van het verloop in de tijd (2 jaar meten) van ammonium en nitraat voor alle zes stations.

df %>% 
  # distinct(wmr_parameter_original)
  filter(wmrparameteroriginal %in% c("NH4_N", "NO3_N")) %>%
  mutate(locatiecode = factor(locatiecode, levels = stationOrder)) %>%
  ggplot(aes(tijdstip, numeriekewaarde)) +
  geom_step() +
  geom_point(shape = 21, fill = "white") +
  facet_grid(wmrparameteroriginal ~ locatiecode, scales = "free_y") +
  scale_x_datetime(date_breaks = "6 month", date_labels = "%m/%y") +
  ylab("concentratie in mg N/l") + xlab("datum")

Een voorbeeld van nutrientmetingen in deze dataset. Ammonium en nitraatconcentraties zijn hier geplot voor de 2 jaar dat er gemeten is voor de 6 pelagische stations. Er is een stepfunctie gebruikt om de meetpunten met elkaar te verbinden. De stations zijn gerangschikt van binnen naar buiten.

Pocketbox – Continu-metingen tijdens het varen naar bovenstaande 6 stations.

Tijdens het varen is er continu gemeten met een scala aan sensoren gekoppeld aan de “Pocketbox”. De metingen van deze sensoren zijn per minuut opgeslagen. De variabelen die gerapporteerd worden zijn:

mapping <- structure(list(Betekenis = c("Geleidendheid", "Temperatuur", 
"Saliniteit", "Geluidssnelheid", "Zuurstofconcentratie", "Zuurstofverzadiging", 
"Chlorofyl-a gemeten met Cyclops sensor", "Chlorofyl-a van groene algen", 
"Chlorofyl-a van cyanobacterien", "Chlorofyl-a van diatomee<eb>n", 
"Chlorofyl-a van cryptofyten", "Humusconcentratie (Gelbstoff)", 
"Chlorofyl-a gemeten met AOA sensor", "Colloidaal opgelost organisch material", 
"Troebelheid", "Lichtextinctie sensor 1", "Lichtextinctie sensor 2", 
"Gesuspendeerd anorganisch materiaal uit CStar1 berekend", "Gesuspendeerd anorganisch materiaal uit CStar2 berekend", 
"Gesuspendeerd anorganisch materiaal  uit troebelheid berekend", 
"Chlorofyl-a", "Chlorofyl-a", "Percentage van chlorofyl-a in groenalgen", 
"Percentage van chlorofyl-a in cyanobacterien", "Percentage van chlorofyl-a in diatomee<eb>n", 
"Percentage van chlorofyl-a in cryptofyten"), grootheidcode = c("GELDHD", 
"T", "SALNTT", "Soundspeed", "CONCTTE", "VERZDGGD", "CONCTTE", 
"CONCTTE", "CONCTTE", "CONCTTE", "CONCTTE", "CONCTTE", "CONCTTE", 
"CONCTTE", "TROEBHD", "E", "E", "CONCTTE", "CONCTTE", "CONCTTE", 
"CONCTTE", "CONCTTE", "MASSFTE", "MASSFTE", "MASSFTE", "MASSFTE"
), parametercode = c("NVT", "NVT", "NVT", "NVT", "O2", "O2", 
"CHLFa", "AOA-GreenAlgae", "AOA-BlueAlgae", "AOA-Diatoms", "AOA-Cryptophy", 
"AOA-YellowSub", "CHLFa", "Cyclops CDOM", "NVT", "NVT", "NVT", 
"ZS", "ZS", "ZS", "CHLFa", "CHLFa", "AOA-GreenAlgae_perc_tot", 
"AOA-BlueAlgae_perc_tot", "AOA-Diatoms_perc_tot", "AOA-Cryptophy_perc_tot"
)), row.names = c(NA, -26L), class = c("tbl_df", "tbl", "data.frame"
))

df <- read_csv("https://rwsprojectarchief.openearth.nl/geoserver/eemsdollard/ows?service=WFS&version=1.0.0&request=GetFeature&typeName=eemsdollard%3Aed_pocketbox&outputFormat=csv", col_types = cols())

df2 <- df  %>%
  left_join(mapping, by = c(grootheidcode = "grootheidcode", parametercode = "parametercode")) %>% 
  distinct(wmrparameteroriginal, Betekenis) 

DT::datatable(df2)

Om een idee te krijgen van deze data is hieronder te zien hoe de chlorofyl-a concentratie varieert over ruimte en tijd. Het aantal metingen is hier door random sampling verkleind, en is in werkelijkheid 10 keer groter.

df %>% sample_n(40000) %>%
  filter(grepl("Chl", parametercode, ignore.case = T)) %>% 
  mutate(geometriepuntx = (year(tijdstip)-2011)*50000+ geometriepuntx) %>%
  filter(numeriekewaarde < 50) %>%
  arrange(numeriekewaarde) %>%
  ggplot(aes(x = geometriepuntx, y = geometriepunty)) +
  geom_point(aes(color = log10(numeriekewaarde), size = numeriekewaarde)) +
  scale_color_viridis_c(guide_legend(title = "10log chlfa")) +
  annotate("text", label = "2012", x = 300000, y = 610000) +
  annotate("text", label = "2013", x = 350000, y = 610000) +
  scale_size(guide = F) +
  facet_wrap(~lubridate::month(tijdstip, label = T)) +
    ggtitle("10log chlorofyl-a concentratie") +
  ylab("y coordinaat") + xlab("x coordinaat") +
  theme(axis.text = element_blank(), legend.position = "bottom")

Voorbeeld visualisatie van de pocketbox waarnemingen. Transecten waarbij de kleur van de punten indicatief is voor de chlorofyl-a concentratie. Er is een random selectie (10 % van totaal) gemaakt van alle metingen.

Fotosyntheseparameters pelagiaal

Deze dataset bevat verschillende fotosyntheseparameters afgeleid van de lichtafhankelijke 14C opname door fytoplankton op 6 stations gedurende 2 jaar (Brinkman et al., 2015). Omdat dit wat minder gangbare metingen zijn, volgt hier een korte uitleg over de gerapporteerde parameters:

Parameter code Parameter beschrijving Eenheid
Pmax Maximale fotosynthese snelheid (Eiler-Peters) mg C (mg chla)-1 h-1
Imax PFD bij maximale fototsynthese snelheid (Eiler-Peters) uE m-2 s-1
Monod Halfverzadigingsconstante van fotosynthese (Monod) uE m-2 s-1
alfa Initiele helling van P-I curve mg C mg Chla-1 h-1)-1 * (uE m-2 s-1
a_fit Beste schatting van a (Eiler-Peters) (mg C mg Chla-1 h-1)-1 * (uE m-2 s-1)-1
b_fit Beste schatting van b (Eiler-Peters) (mg C mg Chla-1 h-1)-1
c_fit Beste schatting van c (Eiler-Peters) (mg C mg Chla-1 h-1)-1 (uE m-2 s-1 )
a_std_err Standaardfout voor schatting van a (Eiler-Peters) (mg C mg Chla-1 h-1)-1 * (uE m-2 s-1)-1
b_std_err Standaardfout voor schatting van b (Eiler-Peters) (mg C mg Chla-1 h-1)-1
c_std_err Standaardfout voor schatting van c (Eiler-Peters) (mg C mg Chla-1 h-1)-1 (uE m-2 s-1 )

Hieronder is het tijdverloop te zien van 2 van deze geschatte parameters over de gemeten 2 jaar.

df <- read_csv("https://rwsprojectarchief.openearth.nl/geoserver/eemsdollard/ows?service=WFS&version=1.0.0&request=GetFeature&typeName=eemsdollard%3Aed_fotosynthese&outputFormat=csv", col_types = cols())

df %>%
  # distinct(wmr_parameteroriginal) %>%
  filter(wmrparameteroriginal %in% c("Pmax", "alfa")) %>%
  filter(wmrparameteroriginal != "alfa" | numeriekewaarde < 0.4) %>% 
  mutate(locatiecode = factor(locatiecode, levels = stationOrder)) %>%
  ggplot(aes(tijdstip, numeriekewaarde)) +
  geom_step() +
  geom_point(shape = 21, fill = "white") +
  facet_grid(wmrparameteroriginal ~ locatiecode, scales = "free_y") +
  scale_x_date(date_breaks = "6 month", date_labels = "%m/%y") +
  ylab("") + xlab("datum")

Verloop van fotosyntheseparameters in de tijd voor de verschillende stations. Alfa is de berekende initiele helling van de gemeten P-I curve, Pmax is de maximale fotosynthesesnelheid (zie ook boven). De stations zijn gerangschikt van binnen naar buiten.

Algengroepen

Deze dataset bevat informatie over het biovolume, de biomassa, en het berekende aandeel in de gemeten chlorofyl-a concentratie. De informatie is afgeleid uit microscopie tellingen van individuele soorten algen in het water.

df <- read_csv("https://rwsprojectarchief.openearth.nl/geoserver/eemsdollard/ows?service=WFS&version=1.0.0&request=GetFeature&typeName=eemsdollard%3Aed_algengroepen&outputFormat=csv", col_types = cols())

df %>%
  filter(parametercode %in% c("orgC") & !grepl("Som", KBalgengroep)) %>%
  mutate(locatiecode = factor(locatiecode, levels = stationOrder)) %>%
  select(locatiecode, tijdstip, numeriekewaarde, KBalgengroep) %>% #str()
  complete(locatiecode, nesting(tijdstip, KBalgengroep), fill = list(numeriekewaarde = 0)) %>% 
  ggplot(aes(tijdstip, numeriekewaarde)) +
  geom_area(aes(fill = KBalgengroep)) +
  facet_grid(. ~ locatiecode, scales = "free_y") +
  scale_x_date(date_breaks = "3 month", date_labels = "%m/%y") +
  ggtitle("koolstofconcentratie van algengroepen in pg/l") +
  ylab("concentratie C (pg/l)") + xlab("datum") +
  coord_cartesian(ylim = c(0,0.5)) +
  theme(legend.position = "bottom")

Tijdserie van algengroepen biomassa voor 2013, zoals berekend uit microscooptellingen voor de 6 stations. De schaal van de y-as is aangepast om ook de minder voorkomende algengroepen te kunnen laten zien. De stations zijn gerangschikt van binnen naar buiten.

Overige metingen

De hier getoonde metingen zijn beschikbaar als webservices. De meetcampagne heeft meer data geproduceerd, die niet in deze webservices is opgenomen. Deze bestaan onder andere uit geinterpoleerde schattingen van variabelen, en fotosyntheseparameters over de tijd. Deze zijn gebruikt om dekkende primaire producties te berekenen over de verschillende gebieden in het Eems-estuarium, en de benthische metingen van 2013 (Brinkman et al., 2015).

Deze overige data worden niet als webservice uitgeleverd, maar zullen via een fileserver kunnen worden gedownloadt.

Referenties:

  • BOEDE, 1985. Biological research Ems‐Dollard estuary. Rijkswaterstaat Communications no. 40/1985, The Hague. 182 pp.
  • Brinkman, A. G., Riegman, R., Jacobs, P., Kuhn, S., & Meijboom, A. (2015). Ems-Dollard primary production research; Full data report. 1–249. https://library.wur.nl/WebQuery/wurpubs/fulltext/350873
  • Taal, M., Schmidt, C., Brinkman, A., Stolte, W., & Maren, D. van. (2015). Slib en primaire productie in het Eems-estuarium. Een samenvatting van vier jaar meten, modelleren, kennis bundelen en verwerven. http://publications.deltares.nl/WeL1819.pdf