De waterkwaliteitsresultaten van het LMM (Landelijk Meetnet effecten Mestbeleid) worden per regio of per bedrijfstype binnen een regio gerapporteerd. We presenteren bijvoorbeeld grafieken met de trends van de gemiddelde concentraties. Een ruimtelijke verdeling van de nitraatconcentraties kunnen we op basis van de LMM data niet geven. Op een kaart met gemeten concentraties is het misschien mogelijk af te leiden waar de concentraties zijn gemeten. Dit zou inbreuk maken op de privacy van de deelnemende bedrijven. Toch kunnen landelijke beelden behulpzaam zijn in de lastige discussie rond de effecten van stikstof uit de landbouw.
Een manier waarop we wel een landelijk beeld kunnen geven van nitraatconcentraties, is door het gebruik van kunstmatige intelligentie . Met die methode hebben we een kaart gemaakt met nitraatconcentraties in het water dat uitspoelt uit de wortelzone van landbouwpercelen voor heel Nederland: de nitraatkaart van Nederland.
De nitraatkaart van Nederland
Voor de nitraatkaart hebben we de meetgegevens uit het LMM (Landelijk Meetnet effecten Mestbeleid) gecombineerd met een groot aantal andere databronnen. Denk aan landgebruiksgegevens, gewassen, bodemkaarten, grondwaterstanden, hoogtemodellen, stikstof- en fosfaatemissies. Met machine learning technieken hebben we een model gebouwd. Op basis van de databronnen kan het model de gemeten nitraatconcentraties uit het LMM verklaren. Met behulp van ruimtelijke informatie hebben we het model vervolgens gebruikt om de nitraatconcentraties te voorspellen voor alle landbouwpercelen in Nederland.
De locatie van de meting, dus de locatie van het bedrijf, is geen onderdeel van het model. De voorspelling wordt volledig gedaan op basis van de bodem en gewaseigenschappen. De gegevens zijn dus niet meer herleidbaar tot de deelnemende bedrijven.
Kunstmatige intelligentie
Bij het RIVM passen we zogenaamde ‘machine learning’ technieken toe om grote datasets van ruimtelijke informatie te verwerken, en te combineren met data uit landelijke meetnetten. Op deze manier kunnen landsdekkende kaarten gemaakt worden. Deze machine learning technieken zijn gebaseerd op zelf lerende computer algoritmen. Deze methoden worden daarom ook wel kunstmatige intelligentie genoemd. Het gebruik van kunstmatige intelligentie is een andere manier van werken met data. De klassieke statisticus probeert met zijn statistische formules en kennis van een systeem (in dit geval de bodem) modellen te maken. Met die modellen kan hij de variatie in de data voorspellen. Dit is een tijdrovende en secure klus en vereist veel kennis over de data en over het bodemsysteem.
De moderne statisticus, ook wel data scientist genoemd, gaat veel meer uit van de data zelf. Hij gebruikt computer algoritmen om de patronen in de data zichtbaar te maken. De kracht van deze methode is dat het relatief eenvoudig is om tot voorspellingen te komen. Dit kan heel snel tot nieuwe en onverwachte inzichten leiden. En dus tot bijvoorbeeld een mooie nitraatkaart van Nederland. De data scientist heeft vooral tijd nodig voor de interpretatie van het resultaat. De gevonden relaties en patronen hebben niet per se een oorzakelijk verband. Daarom is analyse en duiding van de onzekerheden in de voorspelling van het model ook erg belangrijk. Bij het maken van de nitraatkaart heeft dit ook de meeste tijd gekost.
Voorlopige kaart met resultaten voor 2017
In 2017 hebben we op basis van het ontwikkelde model twee versies van de nitraatkaart gepubliceerd). Deze kaarten gaven een gemiddelde waarde weer van de nitraatconcentraties over twee periodes: 2008-2011 en 2012-2015. Daarna hebben we het model verder verbeterd. Er is bijvoorbeeld ook gewasinformatie toegevoegd. Het verbeterde model kan kaarten met nitraatconcentraties per jaar weergegeven. Figuur 1 laat de voorlopige resultaten zien voor 20171.
Figuur 1 Nitraatkaart van Nederland 2017 met concentraties in mg/l (voorlopig resultaat).
Onzekerheden
De nitraatkaart is een voorspelling van een statistisch model. Elk model heeft onzekerheden. Het model kan ongeveer de helft van de waargenomen nitraatconcentraties in de verschillende regio’s verklaren. Dit betekent dat andere factoren ook nog van invloed kunnen zijn op nitraatconcentraties. Bijvoorbeeld lokale weersomstandigheden, type bemesting en bodembeheer. Een analyse van de onzekerheden laat zien dat voor bijvoorbeeld een gemiddelde voorspelling van 24 mg/l een onzekerheidsmarge van 0 tot 55 mg/l aangehouden moet worden. Per regio kan deze onzekerheidsmarge ook nog variëren.
Regionaal beeld
De onzekerheid van de kaart betekent dat we geen uitspraken kunnen doen over de waterkwaliteit op lokaal niveau, bijvoorbeeld op het niveau van percelen. Het is dus niet mogelijk om te bepalen of een bepaald bedrijf voldoet aan de nitraatnorm. Wel kan de kaart gebruikt worden voor uitspraken op regionaal niveau. Bijvoorbeeld om te bepalen of de nitraatdoelstellingen in een regio (bijvoorbeeld het zuidelijk Zandgebied of het zuidwestelijk Zeekleigebied) worden gehaald.
Job Spijker (RIVM)
LMM e-nieuws april 2020
1De definitieve kaart kan nog veranderen omdat we nog aan het model werken.