| Indhold |

Miljøprojekt nr. 665, 2002; Teknologiudviklingsprogrammet for jord- og grundvandsforurening

Kortlægning af diffus jordforurening i byområder. Delrapport 3

Indledende forslag til undersøgelsesstrategier for kortlægning af diffust forurenede arealer i byområder

Indholdsfortegnelse

Forord

Nærværende udredningsprojekt om kortlægning af diffus jordforurening i byområder er iværksat af Københavns Kommune, Miljøkontrollen, under Miljøstyrelsens teknologiprogram for jord- og grundvandsforurening. Projektet har det overordnede formål at udarbejde metoder til optimering og forenkling af myndighedernes faglige arbejde ved den forestående kortlægning af diffus jordforurening i byområder på vidensniveau 2.

Projektet er opdelt i 2 faser, hvor Fase I omfatter indsamling af erfaringer og viden om forureningskilder samt teknikker og metoder til undersøgelse af diffust forurenet jord. Fase II omfatter en fysiske afprøvning af de i Fase I udarbejdede undersøgelsesstrategier og på baggrund af de herved opnåede undersøgelsesresultater foretages en endelig redigering af strategierne.

Nærværende rapport er en af tre delrapporter udarbejdet under Fase I.

Nærværende delrapport 3 om indledende forslag til undersøgelsesstrategier for kortlægning af diffust forurenede arealer i byområder er én af tre delrapporter under Fase I af projektet om kortlægning af diffus jordforurening i byområder. Projektet er iværksat af Københavns Kommune, Miljøkontrollen, under Miljøstyrelsens teknologiudviklingsprogram med det overordnede formål at udarbejde metoder til optimering og forenkling af myndighedernes faglige arbejde ved kortlægning af diffus jordforurening på vidensniveau 2. Fase I har omfattet indsamling af erfaringer og viden om forureningskilder og undersøgelses metoder samt udarbejdelse af undersøgelsesstrategier.

Udgangspunktet for en undersøgelsesstrategi er, at den diffuse jordforurening, udfra en historisk redegørelse for området, skal kunne relateres til en eller flere hændelser, der kan være årsag til at området som helhed er forurenet, og dermed kan beskrives ved hjælp af statistisk værktøj. Ved diffuse jordforurening kan selv mange jordanalyser ikke sandsynliggøre, at et større område er forurenet. De enkelte analyser beviser kun, at punkterne, hvori de analyserede jordprøver er udtaget, er forurenede. Hvis derimod området mellem punkterne skal dokumenteres som værende forurenet, forudsætter dette en bevisførelse herfor. Denne bevisførelse kræver, at der, udfra den historiske redegørelse, opstilles en sandsynlig forureningsmodel for forureningens oprindelse, og at der i overensstemmelse hermed findes en indbyrdes og statistisk velfunderet relation mellem punktmålingerne i det aktuelle område.

Den historiske redegørelse, herunder afklaring af forureningsarten og spredningen til omgivelserne udarbejdes. Desuden afklares om der kan være punktkilder i området.

Forureningsmodeller

Der opstilles en eller flere forureningsmodeller for det diffust forurenet areal, der tager udgangspunkt i den måde (mekanismen), hvorpå en jordforurening er opstået, dvs. kilden, spredningen herfra og den forventede fordeling og belastning i jordmiljøet. I delrapport 1 om erfaringsopsamling er der derfor defineret fem typiske forureningsmodeller, som anvendes til definere fem undersøgelsesstrategier. De fem modeller er nedfaldsmodellen, liniemodellen, overflademodellen, bidragsmodellen og fyldjordsmodellen.

Hypoteser

Der defineres de hypoteser, som undersøgelsen skal belyse. F.eks. at blyniveauet i det specificerede areal overskrider jordkvalitetskriteriet og at forureningsniveauet er "ens" over arealet og kan repræsenteres af et gennemsnitsindhold og et konfidensinterval.

Statistiske databehov

Der defineres hvilke data der er behov for til beregninger af både den deskriptive statistik, d.v.s. analytiske usikkerhed og nøjagtighed, lognormal plot, kumulativt frekvensplot, geografiske variationer og korrelation mellem parametre (f.eks. bly og PAH) samt geostatistik (spatielle statistik), som estimerer den geografiske korrelation og udnytter denne til interpolation af koncentrationsniveauet samt usikkerheden på dette over hele arealet, da disse anvendes som bevis for accept eller afvisning af hypoteser. I delrapport 1 er statistiske metoder til vurdering af diffus jordforurening beskrevet.

Analyseparametre og måleteknikker

Baseret på den historiske redegørelse og forureningsmodellen vælges der passende analyseparametre og måleteknikker. Tidligere undersøgelser af diffus jordforurening har hovedsagelig fokuseret på tungmetaller, især bly, samt olie og PAH og disse er de meste kritiske parametre ved de fleste undersøgelser. Der kan dog være andre relevante parametre jf. den historiske redegørelse, f.eks. cyanid, svovl, sulfat, PCB, phthalater, blødgørere og dioxiner. Da det er omkostningskrævende at analysere alle jordprøver for samtlige forureningsparametre kan der som alternativ analyseres for et antal indikatorparametre, evt. ved feltmetoder, der belyser forureningsniveauet og –spredningsmønstret over arealet. Herefter analyseres et mindre antal repræsentative prøver for en række forureningsparametre ved hjælp af specifikke akkrediterede laboratorieanalyser, som udgør myndighedernes beslutningsgrundlag. I delrapport 1 er analyseparametre og analyseresultater ved forskellige former for diffus jordforurening vurderet og rapporteret.

Prøvetagnings- og analyseplan

På grundlag af de foregående trin opstilles en prøvetagnings- og analyseplan. Det nødvendige antal af prøver og afstanden mellem prøvetagningspunkterne er dels bestemt af ambitionsniveauet og dels af den "naturlige" variation i jorden. Hvorvidt antallet af prøver er tilstrækkeligt til at beskrive forureningsniveauet kan vurderes statistiske. De fleste former for diffus jordforurening (nedfaldsmodellen, liniemodellen og overflademodellen) findes i jordoverfladen, og forureningen er i værste fald blandet ned til plovdybden. Dette gælder dog ikke arealer i opfyldte områder og i gamle byområder.

Igangsættelse og udførelse af undersøgelsen

Undersøgelsen kan herefter iværksættes. Der foretages en løbende vurdering af de indsamlede oplysninger og resultater med henblik på en justering af hypoteserne eller strategien. Undersøgelsen rapporteres i en datarapport og resultaterne beskrives statistisk. Ved databehandlingen vurderes der, om hypoteserne vedrørende forureningsforhold kan dokumenteres. Der vurderes om der er opnået en afklaring vedrørende kortlægning på vidensniveau 2, herunder en indbyrdes og statistisk velfunderet relation mellem punktmålingerne i området. Der vurderes om der er behov for yderligere undersøgelser, f.eks. supplerende faser.

Forslag til undersøgelsesprogrammer for de fem forureningsmodeller omfattende alle de systematiske trin er angivet i rapporten.

Summary and conclusions

This review report concerning strategies for investigation of the diffuse soil pollution is part 3 of a three-part report prepared under Phase I of a project on mapping of diffuse soil pollution in urban areas.

The project is instigated and supervised by the Agency of Environmental Protection in Copenhagen under the Danish Environmental Protection Agency's technology development program. The overall objective is to prepare methods to optimise and simplify technical investigations by the environment authorities in connection with mapping of diffuse soil pollution at the legislative knowledge level 2. Phase I has included a review of information concerning the sources of pollution, measurements from actual investigations, analytical and sampling techniques and investigation strategies.

The basis for an investigation strategy is that the diffuse soil pollution via the historical description of activities for the area can be related to one or more events that caused the overall diffuse pollution of the area, and therefore can be described by statistical tools. Many individual soil analyses will seldom be sufficient to document that a larger area is polluted since the individual analyses can only demonstrate that the points from which the analysed soil samples are taken are contaminated. More evidence must be provided if the area between the sampling points is also to be documented as contaminated. This evidence can be provided by proposing a conceptual pollution model, which accounts for the origin of the contamination according to the historical description of activities in the area, and by showing that there is a reciprocal and statistically well founded relationship between point measurements within the area of interest, which is in accordance with the proposed model.

The historical description including the identification of potential contaminants, spreading to the environment and the possible presence of point sources is prepared.

Conceptual Pollution Model

One or more conceptual pollution models are proposed to describe the diffuse polluted area taking account of the way (mechanism) in which diffuse soil pollution can have occurred. The nature of the source, the emission, the spreading and expected loading of the soil environmental are important parameters. In the part 1 report summarising the present knowledge concerning sources of pollution and experiences acquired by investigation of diffuse soil pollution, five pollution models have been defined, which are used to define five overall types of strategy. The five models are the deposition model, the line source model, the surface addition model, the contribution model and the soil fill model.

Hypotheses

The hypotheses, which are to be elucidated during the course of the investigation, are defined. For example that the content of lead in the specified area exceeds the soil quality limit and that the contaminant level is uniform throughout the area and can be represented by an average and a confidence interval.

Statistical data needs

The data required to calculate both the descriptive statistics; analytical uncertainty and accuracy, log normal plot, cumulative frequency plot, geographical variation across the area and correlation between parameters (e.g. lead and PAH); as well as the geostatistical treatment (spatial statistics), which estimates the geographical correlation and uses this for interpolation of the concentration levels and uncertainty in these across the area of interest. The statistical treatments are used to confirm or reject the hypotheses. In the part 1 report, statistical methods for investigation of diffuse soil pollution are described.

Analytical parameters and measurement techniques

Based on the historical description of the area and the conceptual pollution model, suitable analytical parameters and measurement techniques are chosen. Previous investigations of diffuse soil pollution have mainly focussed on heavy metals especially lead, oil and PAH, and these are the most critical parameters for most investigations. However, other pollutants such as cyanides, sulphur, sulphate, PCB, phthalates, plasticizers and dioxins may be present and the range of relevant parameters is dependent on the historical description of the area. Since it is expensive to analyse soil samples for all potential pollutants, an advantageous alternative is to initially analyse indicator parameters and if possible to use field-screening techniques to assess the pollution levels and the pattern of distribution across the whole area. After the pattern of distribution is established, a number of representative samples can be sent to accredited laboratory analysis to confirm the content of a wide range of contaminants, which then constitutes the Environmental Authorities decision-making legal basis. In the part 1 report, analytical parameters and results from former investigations of diffuse soil pollution are assessed and reported.

Sampling and analytical programme

On the basis of the aforementioned systematic steps, a sampling and analytical programme is drawn up. The necessary number of samples and distance between the sampling points is partly determined by the ambition level for the investigation and partly by the natural variation in the soil and distribution pattern.

Whether the number of samples is adequate to describe the pollution distribution pattern can be estimated statistically. Most of the pollution models for diffuse soil pollution (deposition model, line source model, surface addition model) give rise to pollution of the topsoil surface and the pollution is not mixed to more than plough depth. This is however not true for areas built on fill (soil fill model) and in the older areas in towns (contribution model).

Initiation and execution of the investigation

After completion of the systematic steps in the planning phase, the investigation can be initiated. Assessment of the collected information and data with a view to adjusting the hypotheses or strategy must be undertaken continuously. The investigation is reported in a data report and the results are described statistically. During the data treatment, the hypotheses concerning the pollution model and distribution can be confirmed. Conclusions can be drawn as whether the area can be documented as polluted at the legislative knowledge level 2, and if an reciprocal and well founded relationship between point measurements in the area under consideration is established giving veracity to the original hypotheses. It is assessed whether further investigations in supplementary investigation phases are needed.

Suggestions for investigation strategies for the five conceptual pollution models including all the systematic steps are given in the report.

1. Formål

Som noget nyt i forhold til tidligere lovgivning omfatter jordforureningsloven bestemmelser om diffust forurenede arealer /ref. 1/. Jordforureningsloven indeholder dermed hjemmel til at kortlægge arealer med diffus jordforurening eller forventet diffus jordforurening. Der mangler dog et generelt videngrundlag til med større sikkerhed at kunne udpege disse arealer.

Diffus jordforurening har et andet forureningsmønster end punktforureninger, hvilket stiller særlige krav til forskellige undersøgelsesstrategier til brug ved dokumentation af signifikante diffuse forureningsniveauer.

Således har Københavns Kommune, Miljøkontrollen, under Miljøstyrelsens teknologiudviklingsprogram iværksat et projekt med det formål at udarbejde metoder til optimering og forenkling af myndighedernes faglige arbejde ved den forestående kortlægning af diffus jordforurening i byområder, i medfør af Jordforureningsloven.

Projektet er opdelt i 2 faser, hvor Fase I har omfattet indsamling af erfaringer og viden om forureningskilder samt teknikker og metoder til undersøgelse af diffust forurenet jord. Endvidere omfattede Fase I udarbejdelse af en strategi til afprøvning af fysiske undersøgelsesmetoder på diffust forurenede jord, inklusiv vurdering og validering af egnede feltmetoder. Undersøgelsesstrategier skal føre til beslutning om eventuel kortlægning af diffust forurenede arealer på vidensniveau 2.

I Fase I af projektet om kortlægning af diffus jordforurening i byområder er udarbejdet følgende tre delrapporter:

I Fase II skal der foretages en fysiske afprøvning af de i Fase I udarbejdede undersøgelsesstrategier. På baggrund af de opnåede undersøgelsesresultater skal der i Fase II foretages en endelig redigering af undersøgelsesstrategierne for kortlægning af diffus jordforurening på vidensniveau 2.

2.1 Definitioner for diffus jordforurening

Udgangspunktet for en undersøgelsesstrategi er, at den diffuse jordforurening udfra en historisk redegørelse for området skal kunne relateres til en eller flere hændelser, der kan være årsag til at området som helhed er forurenet, og dermed kan beskrives ved hjælp af statistisk værktøj.

Ved diffus jordforurening kan selv mange jordanalyser ikke sandsynliggøre, at et større område er forurenet. De enkelte analyser beviser kun, at punkterne, hvori de analyserede jordprøver er udtaget, er forurenede. Hvis derimod området mellem punkterne skal dokumenteres som værende forurenet, forudsætter dette en bevisførelse herfor. Denne bevisførelse kræver, at der udfra den historiske redegørelse opstilles en sandsynlig forureningsmodel for forureningens oprindelse, og at der i overensstemmelse hermed findes en indbyrdes og statistisk velfunderet relation mellem punktmålingerne i det aktuelle område.

2.2 Systematiske trin ved opbygning af strategier

2.3 Den historiske redegørelse

Ligesom ved andre typer undersøgelser skal der indsamles oplysninger om potentielle forurenende aktiviteter i området, herunder både punktkilder og diffuse kilder, og der skal defineres en præcis afgrænsning af undersøgelsesarealet. I modsætning til forurening ved punktkilder er der typisk tale om et større geografisk areal og dermed mulighed for bidrag fra flere forureningskilder.

Figur 2.1
Systematiske trin ved udvikling af en undersøgelsesstrategi
Systematic steps in the development of an investigation strategy

2.4 Forureningsmodeller

En undersøgelsesstrategi for et diffust forurenet areal tager udgangspunkt i den måde (mekanismen), hvorpå en jordforurening er opstået, dvs. kilden, spredningen herfra og den forventede fordeling og belastning i jordmiljøet.

Der kan beskrives fem forureningsmodeller, som er typiske for diffus forurening. Diffust forurenede arealer vil dog ofte have været udsat for mere end en form for belastning.

De fem forureningsmodeller er baseret på et koncept udarbejdet af Amternes Videncenter for Jordforurening, som følger, jf. figur 2.2:

De fem forureningsmodeller er illustreret i figur 2.2.

Se her!

Figur 2.2
De fem forureningsmodeller for diffus jordforurening
The five conceptual pollution models

For alle fem typer diffust forurenet jord er de tidsmæssige og historiske aspekter vedrørende spredning i miljøet væsentlige. For det aktuelle geografiske areal skal der opstilles en model eller modeller for forureningsforhold og sandsynlige forureningsparametre baseret på den historiske redegørelse.

Typiske kilder og forureningstyper er beskrevet i rapporten over erfaringsopsamling og afklaring af kilder til diffus jordforurening /ref. 2/.

I tabel 2.1 er gengivet en oversigt over potentielle kilder og forureningsparametre /ref. 2/. Listen er ikke udtømmende.

Tabel 2.1
Forureningsmodeller, potentielle kilder og forureningsparametre /ref. 2/.
Conceptual pollution models, potential sources and pollutants

**Analyseteknisk problemer

2.5 Hypoteser

Tabel 2.2
Hypoteser om datasammenhænge fra AVJ rapport /ref. 6/.
Hypotheses concerning data relationships according to /6/.

2.6 Statistiske og geostatistiske data

I forbindelse med planlægning af en undersøgelse bør der tages stilling til hvilken statistisk behandling af de indsamlede data er nødvendigt for at kunne bekræfte hypoteserne, f.eks. "er det gennemsnitlige indhold af bly større end jordkvalitetskriteriet?". I bilag A er angivet en række strategiske overvejelser vedrørende den statistiske og geostatistiske tilrettelæggelse af et undersøgelsesprogram.

Feltmetoder vil typisk have en større analyseusikkerhed, men tillader, at der kan analyseres et større prøveantal. Det er således vigtigt, at de almindelige analytiske kvalitetsmål inddrages i resultatbehandlingen /ref. 7/. I rapporten om afprøvning af feltmetoder /ref. 2/ er anvendelse af deskriptiv statistik illustreret ved afprøvning af to feltmetoder. I bilag B beskrives statistikken for undersøgelsesresultater fra en tidligere undersøgelse på Østerbro i København /ref. 11/, og i bilag C vurderes de supplerende resultater for bly indsamlet i forbindelse med rapporten om afprøvning af feltmetoder /ref.2/.

Ved den geostatistiske vurdering skal der bl.a. bestemmes afstanden mellem prøvetagningspunkterne, om der bør anvendes symmetriske eller tilfældige prøvetagningsnet, og om der i en mindre del af undersøgelsesarealet bør udtages prøver tæt på hinanden. Især ved vurdering af forureningens geografiske fordeling er det vigtigt, at der udtages prøver med lille såvel som stor indbyrdes afstand. Herved kan det vurderes, hvorvidt variansen mellem målingerne stiger med afstanden. I rapporten over erfaringsopsamling og afklaring af kilder /ref. 2/ angives eksempler på anvendelse af geostatistiske teknikker.

Hvis der skal udføres en streng statistisk test, skal både den statistiske nulhypotese og den alternative hypotese defineres, og det skal sikres, at de data, der kan bruges til at bekræfte eller forkaste den nulhypotese. Hvis den mest sandsynlige hypotese vælges som alternativ hypotese, kræves færre data til at forkaste nulhypotesen.

Det er dog ikke altid hensigtsmæssigt at vælge den mest sandsynlige hypotese som alternativ hypotese, idet det er undersøgelsens formål og ambitionsniveau, som bør være bestemmende for valg af nulhypotese.

Ved statistiske tests skal der vælges med hvilken sandsynlighed, testen ønskes udført, f.eks. 95% sandsynlighed. Vejledning i statistiske prøvetagningsstrategier er angivet i /ref. 8, 9 og 10/.

Ved afvigelser fra det forventede statistiske resultat kan afvigende målepunkter evt. fjernes, og der kan foretages følsomhedsberegninger af konsekvenser. Afvigende punkter bør aldrig bare fjernes fra et datasæt, men bør være udgangspunkt for vurdering af konsekvenser for konklusioner og evt. behov for en supplerende dataindsamling.

Enkelte afvigende punkter vil normalt ikke påvirke medianværdien, men har betydning for middelværdien /ref. 7/. Ved identifikation af afvigende måledata bør det vurderes, om der er uoverensstemmelse med den forventede forureningsmodel, og hvorvidt ændringer i undersøgelsesstrategien er nødvendige for at opfylde undersøgelsesformålet, dvs. belyse de oprindelige spørgsmål/hypoteser.

En geostatistisk følsomhedsvurdering (estimering af koncentrationsniveau inden for arealet ved hjælp af semivariogrammer og krigging samt efterfølgende sammenligning med de målte data) kan også anvendes i forbindelse med tolkning af afvigende data.

2.7 Valg af analyseparametre og måleteknikker

2.7.1 Analyseparametre

Den historiske redegørelse og erfaringer fra andre undersøgelser af samme eller tilsvarende lokaliteter udgør hovedkilderne til viden om mulige forureningsparametre på en given lokalitet, jf. tabel 2.1

I rapporten over erfaringsopsamling og afklaring af kilder til diffus jordforurening /ref. 2/ er der redegjort for typisk kilder og forureningsparametre. Tidligere undersøgelser af diffus jordforurening har hovedsagelig fokuseret på tungmetaller, inkl. cadmium og kviksølv, men især bly samt olie og PAH. Disse er de meste kritiske parametre ved de fleste undersøgelser. Der kan dog være andre relevante parametre som cyanid, svovl, sulfat, PCB, phthalater, blødgørere og dioxiner, men disse er sjældent blevet undersøgt.

2.7.2 Indikatorparametre, feltteknikker og screeningsanalyser

Det kan være omkostningskrævende at analysere alle jordprøver for alle forureningsparametre. Som alternativ kan der analyseres et antal indikatorparametre, der belyser forureningsniveauet og – spredningsmønstret over arealet. F.eks. kan bly anvendes som indikator for forurening fra trafikken. Som dokumentation for forureningsniveauet iht. myndighedskravene analyseres herefter et mindre antal repræsentative prøver for andre forureningsparametre ved hjælp af specifikke akkrediterede laboratorieanalyser /ref. 14, 15/.

Endvidere kan der anvendes screeningsanalyser, hvor en række stoffer analyseres på et semi-kvantitativt eller kvalitativt niveau, f.eks. GC-FID-screening for oliekulbrinter, tjære og andre kulbrinter. Screeningsanalyserne er typisk mindre specifikke metoder med højere detektionsgrænser end de specifikke akkrediterede laboratorieanalyser /ref. 16/.

Det er dog nødvendigt at identificere, hvilke sammenhæng der er mellem indikatorparametre, feltmålinger, screeningsanalyser og de specifikke akkrediterede laboratorieanalyser, som anvendes som dokumentationsanalyser.

Anvendelse af indikatorparametre, feltmålinger og screeningsanalyser skal også opfylde de krav til dataindsamling, der er defineret i det statistiske og geostatistiske design. Der er et behov for en statistisk vurdering af variationen mellem prøvetagningspunkterne, og dette betyder, at analyser med høj analyseusikkerhed (variation), d.v.s. feltmetoder ikke altid kan bruges. Imidlertid kan feltmetoder og andre parametre som geologi, tørstof, PID-målinger og organisk indhold (glødetab) give vigtige informationer om arealets inhomogenitet, som kan relateres til forureningsforholdene.

Feltmetoder anvendes ofte som screeningsanalyser. I håndbogen om feltmetoder /ref. 17/ er opstillet en oversigt over relevante feltmetoder i forhold til forureningsparametre. Et udsnit af tabellen vedr. parametre og metode som vurderes, som relevant for diffus forurening er gengivet i tabel 2.3.

Tabel 2.3
Oversigt over feltmetoder og forureningsparametre
Overview of field screening methods and pollutants

Som det ses af tabel 2.3, er de to teknikker af interesse ved analyse af henholdsvis metaller og organiske forbindelser, EDXRF og immunoassay.

En fordel ved at anvende immunoassays i stedet for laboratorieanalyser er, at der kan analyseres flere prøver inden for samme budget. En ulempe er dog, at analyseusikkerheden er større (f.eks. >25%) og nøjagtigheden væsentlig mindre (20 -70%) end ved laboratorieanalyser. Immunoassay for PAH og PCB er vurderet i rapporten om afprøvning af feltmetoder /ref. 3/.

Hvis inhomogeniteten over undersøgelsesarealet er endnu større end analyseusikkerheden, kan det alligevel være fordelagtigt at bruge feltmetoder til screening af forureningsniveauet. Resultaterne kan bruges til at vurdere, om målepunkterne (med en vis sandsynlighed) ligger inden for et givent koncentrationsinterval. Immunoassay kan derfor bruges til screening af et større område i en indledende (fase 1) undersøgelse. En indledende vurdering af forureningsniveauet og den spatielle fordeling kan bruges til justering af det statistiske design i de supplerende fase 2-undersøgelser.

Om der er fordele ved at bruge immunoassay vil derfor være afhængig af prøveantal og størrelsen af det areal, som skal undersøges. Immunoassay kan også bruges til vurdering af, om der findes større arealer inden for undersøgelsesområdet med signifikant forskellige koncentrationer. Ambitionsniveauet for undersøgelsen (formålet) har også betydning, idet immunoassays tillader optimering af et detaljeret prøvetagningsprogram. Immunoassays vil dog sjældent være fordelagtigt ved mindre og mere enkle undersøgelsesprogrammer. Immunoassay-resultaterne kan ikke direkte sammenlignes med GC-MS-SIM-resultaterne, men kan bruges til optimering af prøvetagningen. Ved mindre undersøgelser eller undersøgelser, hvor koncentrationerne ændres inden for kort afstand (liniekilder langs vej), og hvor forureningens sammensætning skal identificeres og kvantificeres, er immunoassay uegnet. Immunoassay kan derimod anvendes til afgrænsning af forurenede arealer og ved estimering af forureningsniveauet over et større areal.

Til analyse af tungmetaller er EDXRF et udmærket værktøj, dog er detektionsgrænsen for visse metaller (As, Cd, Hg) forholdsvis høje, hvilket kan begrænse metodens anvendelighed. Analyseusikkerheden er lille (<15%) og nøjagtigheden 75 - 125 % ved koncentrationsniveauer på 100–500 mg/kg TS. Ved lave koncentrationer tæt på detektionsgrænsen er analysekvaliteten dog mindre god. EDXRF er vurderet i rapporten om afprøvning af feltmetoder / ref. 3/ og kan både anvendes til dokumentation af forureningsforhold suppleret med enkelte akkrediterede kontrolanalyser, og til screening. Ved at udføre kontrolanalyser på jordprøver(hvor EDXRF og ICP/AAS resultater sammenlignes) og kontrolmålinger på referencejord kan analysekvaliteten bestemmes. Vurderingen af analysekvaliteten kan anvendes til vurdering af data samt forureningens geografiske fordeling af over undersøgelsesarealet /ref. 7/.

2.7.3 Dokumentationsanalyser

Når myndighederne skal træffe afgørelser er det vigtigt, at beslutningsgrundlaget er troværdigt. Der skal derfor udføres et antal analyser, som så præcist som muligt angiver forureningsart og koncentration Her tænkes på akkrediterede specifikt laboratorieanalyser /ref. 16/.

Laboratorieanalyser af metaller er baseret på, at metallerne ekstraheres fra jorden ved opvarmning i salpetersyre. Metallerne bliver således opløst i vand, og analyserne foretages herefter på den vandige opløsning. Analysen foretages på væskeekstrakt ved hjælp AAS (Atom Absorption Spektrometri) eller ved ICP-AES (Induktiv- koblet- plasma-atomemissionsspektrometri), hvor der måles ved de anbefalede bølgelængder for de udvalgte metaller. Ved ICP kan der analyseres for flere metaller i samme analysegang. Analyseusikkerheden er typisk mindre end 10% og nøjagtigheden 90 - 95%. For at opnå tilstrækkelige detektionsgrænser er det er nødvendigt med specielteknikker til kviksølv, cadmium, arsen, nikkel og molybdæn, henholdsvis coldvapour-teknik ved AAS for kviksølv og grafitovn ved AAS for cadmium, arsen, nikkel og molybdæn. For de fleste metaller kan opnås væsentlig lavere detektionsgrænser ved grafitovnsteknik.

Meget ofte udgøres en diffus forurening med metaller af flere forskellige stoffer, f.eks. chrom, zink og cadmium fra stålværker, bly, kobber og zink fra trafik og vanadium, bly og antimon fra kulfyrede kraftværker. Derfor er det også ofte af interesse at kunne vurdere koncentrationsniveauet for flere metaller, og multi-element-teknikker som ICP og EDXRF kan anbefales.

Tungmetaller med relativt høje jordkvalitetskriterier i forhold til en lav naturlig baggrundskoncentration, f.eks. kobber og chrom, er sjældent problematiske som diffus forurening, til trods for at der ofte måles markant forhøjede værdier.

Anderledes forholder det sig med bly, nikkel, arsen, cadmium og kviksølv, hvor jordkvalitetskriterierne er tæt på baggrundsniveauerne. Forhøjede tungmetalkoncentrationer kan i visse tilfælde have en naturlig oprindelse.

Principperne for laboratorieanalyser af organiske forureninger er typisk baseret på GC-teknikker efter ekstraktion med et ekstraktionsmiddel. Ekstraktions- og GC-betingelserne er optimeret for de stoffer, der skal måles. Ved GC-FID identificeres stofferne ved sammenligning af retentionstiden iht. standardstoffer, og derfor kan stoffer med samme retentionstid interferer. GC-MS er mindre sårbar over for interferens fra andre stoffer og identifikationen er derfor mere sikre. Analyseusikkerheden er typisk 15 - 20% og nøjagtigheden 70-95%.

I de senere år har der været en stigende interesse for en nøjere vurdering af forureningssammensætningen, især de organiske parametre som PAH (tjære, olie, emission fra forbrænding) og olieprodukter /ref. 18, 19/. Naturlig forekomst af kulbrinter og PAH-lignende stoffer er ligeledes af interesse, idet disse kan stamme fra tørv, spagnum, organisk-holdige sedimenter m.v.

Olie- og tjæreforurening består altid af flere enkeltstoffer, og selv ved de mere specifikke analyser (GC-MS-SIM) identificeres og kvantificeres kun en mindre del af det totale indhold. I rapporten over statistisk bearbejdning af data over diffus jordforurening /ref. 6/ er det vist, at der er en klar sammenhæng mellem benzo(a)pyren (BaP) og total PAH samt med Miljøstyrelsens jordkvalitetskriteriet (sum af 7 PAH´er). BaP kan derfor anvendes som kriterium ved klassificering af jord, mens de andre PAH´er og PAH-profilen kan anvendes til vurdering af forureningsart og -oprindelse. I tvivlstilfælde vil PAH-profilen også bekræfte, hvorvidt BaP-indholdet er realistisk.

Metoder til at skelne mellem naturlige kulbrinter og forureninger som olie og tjære, samt til at vurdere, om kilden til PAH-forureninger er pyrogen (forbrænding), petrogen (olie) eller biogen (naturligt), findes, men kræver detaljerede vurderinger af komponentsammensætning og komplicerede laboratorieteknikker som GC-MS-SIM /ref. 19, 20/.

2.8 Prøvetagnings- og analyseplan

2.8.1 Afstand og antal af målepunkter

Afstanden mellem prøvetagningspunkterne er bestemmende for, hvor nøjagtigt koncentrationsniveauerne for området kan bestemmes. Hvis der ikke foreligger informationer om stoffets inhomogenitet i jorden samt om analyseusikkerheden, kan den optimale afstand og antal af prøvepunkter først bestemmes efter en indledende undersøgelse og databehandling, se fase 1 i figur 2.1.

Selv om det indledningsvis vælges at udtage prøverne i en større skala, f.eks. > 100 m, er det vigtigt også, at vurdere variationen mellem prøver med en mindre indbyrdes afstand. Ligeledes skal analysemetodens analyseusikkerhed vurderes ved at der udføres flere bestemmelser på de samme prøver.

Beslutning om, i hvilken skala prøvetagningsnettet skal udføres, bør baseres på den forventede forureningsspredning over arealet. Den historiske redegørelse, erfaringer vedrørende typiske belastningsniveauer langs veje, OML-beregninger, vindretninger, topografi samt det forventede baggrundsniveau er blandt de mange oplysninger, som kan benyttes ved vurderingen af størrelsen af det påvirkede areal samt den forventelige variation i forureningsniveauet.

2.8.2 Prøvetagningsnet iht. forureningsmodellen

Hvis forureningsmodellen, jf. 2.4, indikerer, at en forureningsfane kan forventes i en vis retning (nedfalds- eller liniemodel), er det selvfølgelig nødvendigt, at der udtages prøver både inden for og uden for fanen, således at dens udbredelse kan kortlægges.

Ved en jævn belastning (overflademodel, bidragsmodel) skal der udtages det antal prøver, der anses for tilstrækkeligt, for at kunne vurdere variationen over hele området. Antallet af prøver er dels bestemt af ambitionsniveauet og dels af den "naturlige" variation i jorden. Hvorvidt antallet af prøverne er tilstrækkeligt til at beskrive forureningsniveauet kan først vurderes statistisk, når der er foretaget en beregning af variationen og analyseusikkerheden for de indledende data fra fase 1.

2.8.3 Prøvetagningsdybden

De fleste former for diffus jordforurening (nedfaldsmodel, liniemodel og overflademodel) findes i jordoverfladen, og forureningen er i værste fald blandet ned til plovdybden. Jordforureningen er ofte størst i de øverste 0 - 20 cm jord, og aftager derefter i styrken (gælder dog ikke i opfyldte områder og for bidragsmodellen og kulturlag).

Ved kortlægning af diffust forurenet jord er det, i forbindelse med en risikovurdering, jordoverfladen, der er mest kritisk, idet det primært er arealanvendelsen, der skal sikres. Ved nedfald af luftbåren forurening vil jordoverfladen, inkl. græstørv, være belastet. Det kan derfor forventes, at forureningen i de øverste 0–5 cm vil være større end de underliggende lag. Der er dog problemer forbundet med prøvetagning af jorden i det øverste vækstlag, hvorfor der kan også vælges at udtage jordprøver fra jordlag under græstørv i 2-10 cm dybde, som antages at være repræsentative ved vurdering af risiko for hudkontakt.

Det anbefales, at jordprøverne udtages i uberørt jord. Dette gælder navnlig jordprøver, der udtages i dybdeintervallet 0-5 cm. Det er vigtigt at skelne mellem plantebede, hvor der graves, og uberørt jord, hvor der ikke graves, f.eks. græsarealer og ikke-dyrket jord.

Ved vurdering af diffust forurenet arealer er det vigtigt, at vurdere om forureningen aftager med dybden (nedfaldsmodel, liniemodel og overflademodel), hvorfor der skal udtages jordprøver i forskellige dybder. Dybdemæssige betragtninger er desuden af interesse, hvis jorden skal bortskaffes.

For områder, hvor der er foretaget terrænregulering med fyldjord, kan der være tilkørt forurenet jord. Der kan være tale om få eller mange læs forurenet jord af varierende sammensætning. Dette kan medføre stor variation mellem de indbyrdes målepunkter samt over dybden. Prøvetagnings- og analyseplaner kan ikke belyse forureningsniveauet på et sådant areal som helhed, men kan såfremt prøvetagningsnettet er tilstrækkeligt tæt, evt. bekræfte hypotesen om, at forureningen skyldes tilfældige forurenede jordlæs,.

Ved anlægsarbejder udføres ofte større jordflytninger, blandt andet er jord langs veje ofte fyldjord.

2.8.4 Blandeprøver

Ved opstilling af en prøvetagnings- og analyseplan er det væsentligt at overveje, om prøverne skal udtages som blandeprøver eller som stikprøver.

Ved blanding af flere delprøver fås en prøve, som repræsenterer gennemsnittet for de sammenstukne prøver. Blandeprøver er udmærkede, hvis man kun er interesseret i en gennemsnitsværdi.

Fordelen ved blanding af stikprøver er, at analyseomkostningerne kan reduceres, mens resultaterne stadig vil være repræsentative for et større jordvolumen. Blanding af prøver foretages derfor ofte ved vurdering af jordbunker, hvor den spatielle sammenhæng mellem prøvernes placering i det oprindelig jordlag og forureningsniveauet er gået tabt, fordi jorden allerede er opblandet.

Til klassifikation af jord anvendes typisk blandeprøver sammenstukket af fem stikprøver /ref. 15/. Resultaterne anvendes til beregning af gennemsnittet for jordbunken i forhold til en grænseværdi, der højest må overskrides med 50% /ref. 15/. Der foretages naturligvis ikke blanding af stikprøver, hvis der er tale om flygtige stoffer.

Blanding af stikprøver er mindre hensigtsmæssig, hvis resultatet skal bruges til sortering af jord i bunker efter forskellige koncentrationsniveauer, eller til vurdering af jordforureningen i det oprindelig jordlag. I sådanne tilfælde skal prøverne kun blandes, hvis de forventes at være repræsentative for en sammenhængende forurening. Det vil sige, at prøver fra forskellige geologiske lag og dybder ikke bør blandes.

Ved vurdering af diffus jordforurening skal der etableres en indbyrdes og statistisk velfunderet relation mellem alle punktmålinger i området, jf. afsnit 2.1. Det er således vigtigt at vurdere både den indbyrdes variation mellem prøver udtaget tæt på hinanden og med større afstand. Det er derfor ikke ønskeligt, at prøver fra forskellige punkter blandes. Blanding af prøver kan dog evt. anvendes med henblik på at reducere analyseomkostningerne i en indledende vurdering af den spatielle fordeling af forureningen over større arealer med henblik på at identificere delområder, som kræver større opmærksomhed.

Endvidere er det ofte blevet forslået, at blande flere delprøver fra et mindre areal (f.eks. 1 m²) med henblik på at skabe én prøve, som er mere repræsentativ (gennemsnitsværdi) for prøvetagningspunktet end de enkelte stikprøver. Dette betyder bl.a., at en enkelt delprøve med højt forureningsindhold ikke kan identificeres som afvigende (outliers), hvilket kan påvirke den statistiske behandling. Hvis koncentrationer i delprøver alligevel er sammenlignelige, er der ingen fordel i at blande prøverne, idet det ikke giver nogen økonomisk fordel og samtidigt er en meget tidskrævende proces.

Derimod kan det i prøvetagningspunkter, hvor der alligevel er sket opblanding/ behandling af jord, f.eks. i dyrkede bede, overvejes at lave en blandeprøve af 3-5 delprøver for at sikre, at prøven er repræsentativ for feltet og at der ikke er sket en fortynding af forureningen.

Det skal dog bemærkes, at blanding af jordprøver kræver standardiserede teknikker og udstyr.

2.9 Databehandling og rapportering

Undersøgelsen rapporteres i en datarapport og resultaterne beskrives statistisk.

Ved databehandlingen vurderes der, om hypoteserne vedrørende forureningsforhold kan dokumenteres. Der foretages databehandling af de enkelte prøvetagningsfelter, for delområder og for undersøgelsesarealet som helhed. Med henblik på visualisering af koncentrationsniveauerne foretages der en geostatistisk vurdering af forureningsniveauerne over hele undersøgelsesarealet. Data fra den historiske redegørelse og evt. tidligere data indarbejdes i databehandlingen.

Der vurderes ,om der er behov for yderligere undersøgelser (f.eks. en fase 2 eller 3, jf. figur 2.1).

I bilag D er der opstillet et teoretisk eksempel på sammenhængen mellem dataindsamling, hypoteser og databehandling.

3. Forslag til undersøgelsesprogrammer

For de 5 forureningsmodeller er der i de efterfølgende afsnit skitseret aspekter, som bør overvejes som led i opstillingen af undersøgelsesprogrammer.

3.1 Nedfaldsmodel

Ved opstilling af en nedfaldsmodel forventes det, at forureningsniveauet i de terrænnære jordlag aftager med afstanden fra forureningskilden. Det forureningspåvirkede areal kan forventes at strække sig fra 100 m til 10 km, alt afhængig af historik vedrørende kildetype, kildestyrke, skorstenshøje, produktionsperiode m.v. En typisk undersøgelsesafstand vil være mindst 1000 m i alle retninger fra forureningskilden. Det vil forventes, at arealet nedstrøms den fremherskende vindretning vil være mere belastet end arealet opstrøms, og det forventes, at jordforureningen aftager i dybden. Endvidere kan topografi og nedbør påvirke omfanget af nedfaldsarealer for luftbåren forurening fra punktkilder. Ligeledes kan produktionsforhold som driftstemperatur, røgrensning, røgpartikelstørrelse m.v. have indflydelse på forureningsmængder og afstand for nedfaldsarealet.

For vurdering af jordforureningen opdeles det forureningspåvirkede areal i forskellige delområder i forskellige afstande (A-E) og retninger (N-NØ, NØ-Ø,Ø-SØ, SØ-Ø, Ø-SV,SV-V, V-NV, NV-N) fra forureningskilden. F.eks.:

Delområder opdelt i henhold til afstande og retningen er illustreret i figur 3.1.

Figur 3.1
Forslag til delområder og prøvetagningsfelter for nedfaldsmodel
Proposal for subdivision of investigation area and sampling zones for deposition model

Der kan forventes jordforurening i følgende dybder:

Forureningsmodellen indikerer, at forureningsniveauet inden for et delområde (A- N-NØ; A-NØ-Ø, …E-S-SV m.v.) er sammenligneligt (ens). Det vil sige, at indholdet i jordprøver fra samme dybde i hvert enkelt delområde bør være repræsenteret af en gennemsnitsværdi, en medianværdi, en variationskoefficient og et konfidensinterval for den sande gennemsnitsværdi.

Skiftende vindretning og eventuelle ændringer i skorstenhøjde og placering gennem tiden kan betyde, at der vil kunne forventes målbare ændringer i forureningsniveauerne over en afstand på flere hundrede meter.

Der udpeges et antal prøvetagningsfelter af ca. 100 m² i forskellig afstand og retning fra forureningskilden i hvert delområde (A- N-NØ; A-NØ-Ø, …E-S-SV m.v.). Forureningsniveauet i et prøvetagningsfelt antages at være sammenligneligt (på samme niveau). Derfor undersøges udvalgte prøvetagningsfelter intensivt, mens andre felter kan screenes ved et mindre antal prøvetagningspunkter. De prøvetagningsfelter, som undersøges intensivt, forventes at være repræsentative for delområder i samme afstand, retning og dybde fra kilden.

Prøvetagningsfelterne placeres med forskellig indbyrdes afstand inden for delområdet, jf. figur 3.1. I hvert prøvetagningsfelt udtages jordprøver fra ca. 2 - 5 punkter i forskellig dybde. Jordprøverne udtages i forskellig indbyrdes afstand inden for prøvetagningsfeltet (f.eks. 1, 2, 4, 6 og 10 m). Der udtages hovedsageligt prøver fra 2-10 cm´s dybde, men også fra andre dybder.

Prøverne udtages som stikprøver, jf. afsnit 2.8.4. Den indbyrdes variation mellem prøver udtaget tæt på hinanden (1-10 m) og prøver udtaget ved større afstand (20-500 m) anvendes i databehandlingen til at vurdere, om prøver fra forskellige områder er forskellige fra hinanden.

Gennemsnit, median, standardafvigelse, variationskoefficient og konfidensinterval kan beregnes for hvert prøvetagningsfelt eller for grupper af prøvetagningsfelter, f.eks. prøvetagningsfelter i samme afstand og/eller retning fra forureningskilden. Prøvetagningsfelter kan sammenlignes, og det kan vurderes, hvorvidt koncentrationsniveauer udviser signifikante forskelle, og om disse forskelle kan relateres til afstand eller retning fra forureningskilden, eller til dybden.

Der testes, om forureningsniveau inden for samme afstand og retning fra forureningskilden er sammenlignelig, f.eks. om variansen mellem målingerne er af samme størrelse som analyseusikkerheden. Der testes endvidere, om forureningsniveauet i prøvetagningsfelter i forskellig afstand og retning fra forureningskilden er forskellig, og om forureningsniveauet i prøver fra forskellige dybder inden for samme prøvetagningsfelt ligeledes er forskellige.

Analyseparametre vælges primært på grundlag af den historisk redegørelse og forventede emission fra punktkilden. Der udvælges en række indikatorparametre og felt- eller screeningsanalyser med henblik på en reducering af analyseomkostninger. Der foretages dog en vurdering af analyseusikkerheden for indikatorparametrene ved udførelse af dobbeltbestemmelse på delprøver fra samme homogeniserede jordprøve, samt ved sammenligning med akkrediterede analyser. Der vælges analyseteknikker og parametre, som vil kunne bruges til dokumentation af jordforureningsniveauer i forhold til jordkvalitetskriterier og afskæringskriterier.

Der etableres en prøvetagnings- og analyseplan, som skal sikre, at der skabes den nødvendige sammenhæng mellem felt- og screeningsanalyser og dokumentationsanalyser samt opfylder de krav til dataindsamling, som er defineret i det statistiske og geostatistiske design, der belyser de opstillede hypoteser vedrørende den diffuse jordforurening.

Som minimum udtages prøver fra 3-5 punkter i 2 prøvetagningsfelter på 100 m² fra hvert afstandsinterval og i den retning, der har interesse, dog som minimum 30 prøver. F.eks. udtages prøver ved 4 afstandsintervaller og to retninger, i alt 48 prøver.

Den statistiske behandling vil belyse ,om de opstillede hypoteser kan bekræftes på basis af de indsamlede data, eller om der er behov for supplerende dataindsamling (eller ændringer af hypotesen).

I tabel 3.1 opstilles forslag (ikke udtømmende) til elementer i undersøgelsesstrategien.

Tabel 3.1
Undersøgelsesprogram for nedfaldsmodel
Investigation programme in connection with deposition model

*niveauangivende

3.2 Liniemodel

Ved opstilling af en liniemodel forventes det, at forureningen aftager med afstanden fra vejen, og at det forureningspåvirkede areal strækker sig fra 0 til mindst 30 m fra vejrabatten. Det forventes, at jordforureningen aftager i dybden.

Der bør indsamles supplerende oplysninger om topografi, anlægsaktiviteter (årstal, jordfyld), afledning af vejvand, vejprofil (bredde, støjvold, vejgrøft), vejalder/tracé, omgivelser (fortov, cykelsti, græsplæne, afstand til boligbebyggelse, trafikmålinger som årsdøgntrafik, typisk trafikhastighed, antal af køretøjer og fordeling på typer, placering af vejkryds, meteorologiske oplysninger om vindforhold og nedbørmængder, samt om evt. andre kilder, herunder punkforureningskilder i området.

For vurdering af forureningen opdeles det forureningspåvirkede areal i forskellige afstandsintervaller fra den asfalterede vejkant.

Delområder opdelt i henhold til afstand er illustreret i figur 3.2.

Figur 3.2
Forslag til delområder og prøvetagningsfelter for liniemodel
Proposal for subdivision of investigation area and sampling zones for line model.

Der kan forventes jordforurening i følgende dybder:

Forureningsmodellen indikerer, at forureningsniveauet inden for et delområde (A-E) er sammenligneligt (ens). Det vil sige, at indholdet i jordprøver fra samme dybde i hvert delområde bør være repræsenteret af en gennemsnitsværdi, en medianværdi, en variationskoefficient og et konfidensinterval for den sande gennemsnitsværdi.

Der udpeges et antal prøvetagningsfelter på ca. 4 m² i hvert delområde (A-E). De trafikale forhold langs testarealet er ens, og derfor forureningsniveauet langs vejstrækningen forventes at være ens. Prøvetagningsfelterne placeres i forskellig afstand på begge sider af vejen. Tæt på vejstrækningen forventes ændringerne i forureningsniveauerne at være målbare over afstande på få m, hvorfor udvalgte prøvetagningsfelter undersøges intensivt tæt på vejen, mens andre prøvetagningsfelter screenes med et mindre antal prøvetagningspunkter. De prøvetagningsfelter, som undersøges intensivt, forventes at være repræsentative for delområder i samme afstand og dybde.

Prøvetagningsfelterne placeres med forskellig indbyrdes afstand inden for delområdet, jf. figur 3.2. Der udtages jordprøver fra ca. 2-5 punkter og i forskellig dybde i hvert prøvetagningsfelt. Jordprøverne udtages med forskellig indbyrdes afstand inden for prøvetagningsfeltet (f.eks. 0,5, 0,7, 1, 1,5, 2 m). Der udtages hovedsageligt prøver fra 2-10 cm´s dybde, men også fra andre dybder.

Prøverne udtages som stikprøver, jf. afsnit 2.8.4. Den indbyrdes variation mellem prøver udtaget tæt på hinanden (1-2 m) og prøver udtaget ved større afstand (5-30 m) anvendes i databehandling til at vurdere, om prøver fra forskellige områder er forskellige fra hinanden.

Gennemsnit, standardafvigelse, variationskoefficient og konfidensinterval kan beregnes for hver prøvetagningsfelt eller for grupper af prøvetagningsfelter, f.eks. prøvetagningsfelter i samme afstand fra vejen. Prøvetagningsfelter kan sammenlignes, og det kan vurderes, hvorvidt koncentrationsniveauer udviser signifikante forskelle, og om disse forskelle kan relateres til afstanden fra vejen og til dybden.

Det testes, om forureningsniveauet ved samme afstande fra asfaltvejkant er sammenlignelige, f.eks. om variansen mellem prøvepunkterne er af samme størrelse som analyseusikkerheden. Det testes, om forureningsniveauet i prøvetagningsfelter i forskellig afstand og retning fra vejen er forskellige. Det testes ,om forureningsniveauet i prøver fra forskellige dybder inden for samme prøvetagningsfelt er forskellige.

Analyseparametre er beskrevet i tabel 3.2 og forventes som minimum at omfatte bly og andre tungmetaller, PAH´er og olie. Ikke alle parametre måles i alle jordprøver, idet der anvendes indikatorparametre. Et mindre antal jordprøver screenes for flere parametre.

Der foretages en vurdering af analyseusikkerheden for indikatorparametrene. Dette gøres ved udførelse af dobbeltbestemmelser på delprøver fra samme homogeniserede jordprøve samt ved sammenligning med akkrediterede analyser.

Der udvælges en række indikatorparametre og felt- eller screeningsanalyser med henblik på reducering af analyseomkostninger. Der vælges analyseteknikker og parametre, som vil kunne bruges til dokumentation af jordforureningsniveauer i forhold til jordkvalitets- og afskæringskriterier. Der etableres en prøvetagnings- og analyseplan, som skal sikre at der skabes den nødvendige sammenhæng mellem felt-, screenings- og dokumentationsanalyser samt opfylder de krav til dataindsamling, som er defineret i det statistiske og geostatistiske design, der belyser de opstillede hypoteser vedrørende den diffuse jordforurening.

Som minimum udtages prøver fra 3-5 punkter i 2 prøvetagningsfelter på 10 m² i hvert afstandsinterval, dog minimum 30 prøver. F.eks. ved 5 afstandsintervaller, i alt 30 prøver.

Den statistiske behandling vil belyse, om de opstillede hypoteser kan bekræftes på basis af de indsamlede data, eller om der er behov for supplerende dataindsamling (eller ændringer af hypotesen).

I tabel 3.2 opstilles forslag (ikke udtømmende) til elementer i undersøgelsesstrategien.

Tabel 3.2
Undersøgelsesprogram for liniemodel
Investigation programme in connection with line model

3.3 Overfaldsmodel

Ved opstilling af en overflademodel forventes vil det, at jordforureningen er jævnt fordelt over området, og at forureningen aftager i dybden.

Der bør indsamle supplerende oplysninger om arealanvendelse samt om hvornår og hvor meget materiale, der er udlagt over arealet.

Der kan forventes jordforurening i følgende dybder:

Forureningsmodellen indikerer, at forureningsniveauet er sammenligneligt (ens) over arealet. Det vil sige, at indholdet i jordprøverne bør kunne repræsenteres af samme gennemsnitsværdi, medianværdi, variationskoefficient og konfidensinterval.

Der udpeges et antal prøvetagningsfelter på hver 100 m². Prøvetagningsfelterne placeres ved forskellige indbyrdes afstand inden for arealet. I hver prøvetagningsfelt udtages jordprøver med forskellige indbyrdes afstand (f.eks. 1, 2, 4, 10 m) fra ca. 2-5 punkter og ved forskellige dybder.

Prøverne udtages som stikprøver, jf. afsnit 2.8.4. Den indbyrdes variation mellem prøverne udtaget tæt på hinanden (1-10 m) samt med større afstand (20-500 m), anvendes i databehandling til at vurdere om prøverne fra forskellige områder er forskellige fra hinanden.

Gennemsnit, standardafvigelse, variationskoefficient og konfidensinterval kan beregnes for hvert prøvetagningsfelt eller for grupper af prøvetagningsfelter. Prøvetagningsfelter kan sammenlignes, og det kan vurderes, hvorvidt koncentrationsniveauer udviser signifikante forskelle.

Det testes, om forureningsniveauet er ens over arealet, dvs. om variansen mellem prøvepunkterne er af samme størrelse som analyseusikkerheden. Det testes, om forureningsniveauet i prøvetagningsfelter i forskellig afstand og retning er forskellige og det testes, om forureningsniveauet i prøver fra forskellige dybder inden for samme prøvetagningsfelt er forskellige.

Analyseparametre vælges primært på grundlag af den historiske redegørelse og den forventede belastning. Typiske måleparametre er beskrevet i tabel 3.3. Der udvælges en række indikatorparametre og felt- eller screeningsanalyser med henblik på reducering af analyseomkostningerne. Ikke alle parametre måles i alle jordprøver, men et mindre antal jordprøver screenes for flere parametre.

Der foretages dog vurdering af analyseusikkerheden for indikatorparametrene ved udførelse af dobbeltbestemmelse på delprøver fra samme homogeniserede jordprøve, samt ved sammenligning med akkrediterede analyser.

Der vælges analyseteknikker og parametre, som vil kunne anvendes til dokumentation af jordforureningsniveauer i forhold til jordkvalitets- og afskæringskriterier.

Der etableres en prøvetagnings- og analyseplan, som skal sikre, at der skabes den nødvendige sammenhæng mellem felt- og screenings- og dokumentationsanalyser samt opfylder de krav til dataindsamling, som er defineret i det statistiske og geostatistiske design, der belyser de opstillede hypoteser vedrørende den diffuse jordforurening.

Som minimum udtages prøver fra 3-5 punkter i 5 prøvetagningsfelter på 100 m², dog minimum 30 prøver.

Den statistiske behandling vil belyse, om de opstillede hypoteser kan bekræftes på basis af de indsamlede data, eller om der er behov for supplerende dataindsamling (eller ændringer af hypotesen).

I tabel 3.3 opstilles forslag (ikke udtømmende) til elementer i undersøgelsesstrategien.

Tabel 3.3
Undersøgelsesprogram for overflademodel
Investigation programme in connection with surface addition model

3.4 Bidragsmodel

Ved opstilling af en bidragsmodel forventes det, at den diffuse jordforurening udgør en varierende og tilfældig belastning af topjorden i hele området. Det forventes, at jorden i gamle byområder er belastet af mange små bidrag gennem årene og at forureningsniveauerne her er større end med i boligområder uden for bymidten. Det forventes, at forureningsparametre er tungmetaller, PAH, dioxiner, PCB og olie. Der bør indsamles supplerende data om topografi, anlægsarbejder (jordfyld), infrastruktur (vejnet, jernbane), potentielle forureningskilder, lokale industrier, arealanvendelse samt den historiske udvikling for bydelen, m.v. Det vurderes, om der skal undersøges for andre forureningsparametre end tungmetaller, PAH, dioxiner, PCB og olie.

Ved vurdering af forureningen, opdeles det forureningspåvirkede areal i tilfældige prøvetagningsfelter, jf. figur 3.3.

Figur 3.3
Forslag over prøvetagningsfelter for bidragsmodel
Proposal for sampling zones for the contribution model

Der kan forventes jordforurening i følgende dybder:

Forureningsmodellen indikerer, at forureningsniveauet bør være varierende, men sammenligneligt (ens). Det vil sige, at indholdet i jordprøverne fra alle prøvetagningsfelter kan repræsenteres af samme gennemsnitsværdi, medianværdi, variationskoefficient og konfidensinterval.

Der udpeges et antal prøvetagningsfelter på hver 100 m². Prøvetagningsfelterne placeres med forskellig indbyrdes afstand inden for området. I hvert prøvetagningsfelt udtages jordprøver fra ca. 2-5 punkter i forskellige dybder Jordprøverne udtages med forskellig indbyrdes afstand inden for prøvetagningsfeltet (f.eks. 1, 2, 3, 5 og 10 m).

Prøvetagningsfelterne placeres tilfældigt over undersøgelsesarealet, dog helst i nogen afstand fra vej. Forureningsniveauet forventes at være varierende, men ens i boligområder.

Der testes, om prøvetagningsfelterne inden for arealet er sammenlignelige, dvs. om variansen mellem punkterne er af samme størrelse som analyseusikkerheden. Der testes endvidere om prøver fra forskellige dybder i et prøvetagningsfelt er forskellige.

Gennemsnit, standardafvigelse, variationskoefficient og konfidensinterval kan beregnes for hvert prøvetagningsfelt eller for grupper af felter. Prøvetagningsfelter kan sammenlignes, og det kan vurderes, hvorvidt koncentrationsniveauer er forskellige og om forskellen kan relateres til områdets bymæssige alder.

Analyseparametre vælges primært på grundlag af den historiske redegørelse, dog vælges som minimum, bly, Cu, Zn og PAH´er, jf. tabel 3.4. Der udvælges en række indikatorparametre og felt- eller screeningsanalyser med henblik på reducering af analyseomkostningerne. Ikke alle parametre måles i alle jordprøver, idet der anvendes indikatorparametre. Et mindre antal jordprøver screenes dog for flere parametre.

Der foretages desuden en vurdering af analyseusikkerheden for indikatorparametrene ved udførelse af dobbeltbestemmelse på delprøver fra samme homogeniserede jordprøve samt ved sammenligning med akkrediterede analyser.

Den statistiske behandling vil belyse, om de opstillede hypoteser kan bekræftes på basis af de indsamlede data, eller om der er behov for supplerende dataindsamling (eller ændringer af hypotesen).

I tabel 3.4 opstilles forslag (ikke udtømmende) til elementer i undersøgelsesstrategien.

Tabel 3.4
Undersøgelsesprogram for bidragsmodel
Investigation programme in connection with contribution model

*niveauangivende ** Der mangler en egnede analytisk metode.

3.5 Fyldjordsmodel

Ved opstilling af en fyldjordsmodel forventes det, at den diffuse jordforurening udgør en varierende og tilfældig belastning til fylddybden i hele området.

Det forventes, at forureningsparametre er tungmetaller, PAH, dioxiner, PCB, olie, cyanid, phthalater og blødgørere. Der bør indsamles supplerende data om topografi, anlægsarbejder (jordfyld), infrastruktur (vejnet, jernbane), potentielle forureningskilder, lokale industrier, arealanvendelse samt historiske oplysninger m.v. Det vurderes, om der skal undersøges for andre forureningsparametre end tungmetaller, PAH, dioxiner, PCB og olie.

Ved vurdering af forureningen, opdeles det forureningspåvirkede areal i tilfældige prøvetagningsfelter, jf. figur 3.3.

Der kan forventes jordforurening i følgende dybder:

Forureningsmodellen indikerer, at forureningsniveauet kan være stærkt varierende. Det vil sige, at det er tvivlsomt at indholdet i jordprøverne fra alle prøvetagningsfelter kan repræsenteres af samme gennemsnitsværdi, medianværdi, variationskoefficient og konfidensinterval.

Der udpeges et antal prøvetagningsfelter på hvert. 100 m². Prøvetagningsfelterne placeres ved forskellig indbyrdes afstand inden for området. I hver prøvetagningsfelt udtages jordprøver fra ca. 2-5 punkter i forskellige dybder Jordprøverne udtages i forskellig indbyrdes afstand inden for prøvetagningsfeltet, (f.eks. 1, 2, 3, 5 og 10 m). Prøvetagningsfelterne placeres tilfældigt i undersøgelsesarealet, dog helst i nogen afstand fra vej.

Der testes, om prøvetagningsfelter inden for arealet er sammenlignelige, dvs. om variansen mellem punkterne er af samme størrelse som analyseusikkerheden. Der testes endvidere, om prøver fra forskellige dybder i et prøvetagningsfelt er forskellige.

Gennemsnit, standardafvigelse, variationskoefficient og konfidensinterval kan beregnes for hvert prøvetagningsfelt eller for grupper af prøvetagningsfelter. Prøvetagningsfelter kan sammenlignes, og det kan vurderes, hvorvidt koncentrationsniveauer er forskellige.

Analyseparametre vælges primært på grundlag af den historisk redegørelse. Der udvælges en række indikatorparametre og felt- eller screeningsanalyser med henblik på reducering af analyseomkostningerne. Ikke alle parametre måles i alle jordprøver, idet der anvendes indikatorparametre. Et mindre antal jordprøver screenes dog for flere parametre.

Der foretages dog en vurdering af analyseusikkerheden for indikatorparametrene ved udførelse af dobbeltbestemmelse på delprøver fra samme homogeniserede jordprøve samt ved sammenligning med akkrediterede analyser.

I tabel 3.5 opstilles forslag (ikke udtømmende) til elementer i undersøgelsesstrategien.

Tabel 3.5
Undersøgelsesprogram for fyldjordsmodel
Investigation programme in connection with soil fill model

*niveauangivende

4. Ordforklaring

5. Referencer

Bilag A
Strategiske overvejelser i forbindelser med undersøgelse af diffus jordforurening

Udarbejdet af JSA-Envirostat A/S

Indhold

1. Formål

Dette bilag beskriver statistiske overvejelser i forbindelse med udarbejdelse af undersøgelsesstrategier af diffus jordforurening. Endvidere beskrives elementerne i en statistisk analyse af de fremkomne data. Denne type af statistiske analyser betegnes på engelsk "Spatial statistics" og dækker over metoder hvor den spatielle (rumlige eller geografiske) position spiller en specifik rolle i analysen af data.

Undersøgelser af diffus jordforurening har til formål at beskrive koncentrationen af ét enkeltstof eller flere stoffer indenfor et geografisk område. Dette betyder i praksis, at der anvendes forskellige interpolationsmetoder til, at forudsige koncentrationen hvor den ikke er målt ud fra målinger i nærheden. Det væsentligste valg i den forbindelse er antallet af målinger, deres positioner samt måden de observationer udnyttes på i beregningsmetoden. Det er i det følgende forsøgt at beskrive den nødvendige statistik uden anvendelse af detaljerede ligninger, ønskes en mere uddybende beskrivelse henvises til den angivne litteratur. Litteraturen på dette område er enorm, der er derfor udelukkende angivet enkelte centrale referencer, for specielle emner bør der foretages specifikke litteratursøgninger. En god matematisk/statistisk beskrivelse af geostatistik kan findes på følgende web-adresse (http://www.imm.dtu.dk/~aa/note67153.pdf).

2. Design

Formålet med en undersøgelse af diffus jordforurening inden for et givet afgrænset geografisk område er at beskrive niveauet af ét eller flere stoffer. Det aktuelle problem består dermed i at beslutte hvor mange prøver samt deres positioner, der skal undersøges for at tilvejebringe tilstrækkeligt med data til at niveauet kan beregnes med en tilfredsstillende nøjagtighed. Der kan anvendes en traditionel videnskabelig angrebsvinkel for at løse dette problem. I Figur 1 er forløbet, dets elementer og deres indbyrdes sammenhæng skitseret.

Figur 1
Oversigt over (statistisk relevante) elementer i undersøgelse af diffus jordforurening.
Overview of statistically relevant elements in investigation of diffuse soil pollution.

Som skitseret i Figur 1 er det få elementer der indgår i planlægning af undersøgelsen samt analyse af de fremkomne data. En mere uddybende beskrivelse af de enkelte elementer er præsenteret skematisk i Tabel 1, disse vil yderligere blive diskuteret i den efterfølgende tekst.

Tabel 1
Uddybende forklaring til oversigten præsenteret i Figur 1
Detailed explanation of terms in figure 1.

2.1 Forureningskilder

Diffus jordforurening kan stamme fra en eller flere kilder. Det er ikke muligt at præsentere et generelt design til undersøgelse af diffus jordforurening idet kilderne til diffus jordforurening kan variere mellem områder samt indenfor områder. I Figur 2 er angivet eksempler på udbredelsen af forskellige former for diffus jordforurening Disse kunne stamme fra forskellige kilder

Figur 2
Forskellige forureningstyper, mørk farve indikerer høj koncentration og lys lav koncentration. A: Punktkilde, B: Linjekilde, C: Overfladekilder, D: Mange små tilfældige kilder.
Different pollutant types: Dark and light colours indicate high and low concentrations respectively. A. Point sources. B. Line sources. C. Uniform surface sources. D. Many small haphazard sources.

Beskrivelsen i Figur 2 er ikke udtømmende og variationerne er uendelige. Variationer over A kunne være en ellipse, eller et cirkel udsnit forårsaget af vind eller andre påvirkninger. Variationer over B kunne være en krum linje hvor deponering/niveauer ikke fordeltes jævnt med afstanden, indflydelse af bygninger mv. Variationer over C kunne være parceller hvor forureningen er ens indenfor parceller og forskellig mellem parceller. Variationer over D kunne være lokale områder der er mere homogene end andre eller lokale områder med varierende koncentrationer grundet forskellig oprindelse.

Der vil i sagens natur skulle anvendes forskelligt stikprøveplaner for at kunne beskrive variationen i de scenarier beskrevet i Figur 2. Det er derfor vigtigt (ikke overraskende) at forhåndsviden om området inddrages i planlægning af undersøgelsen. Med den historiske arealanvendelse, resultater fra eventuelle tidligere undersøgelse, meteologiske forhold samt øvrige relevante oplysninger bør der kunne dannes en forestilling om, hvordan forureningen varierer indenfor området.

2.2 Indflydelse af forsøgsdesign på koncentrationsbestemmelse og usikkerhed

Som det vil fremgå af beskrivelsen af de statistiske værktøjer, der anvendes til at beskrive de data der fremkommer fra analyserne, er der en række egenskaber ved forsøgsdesignet der har betydning for estimationen af niveauet og usikkerheden på dette.

Det optimale design i forhold til estimationen er desværre ikke optimalt i forhold til usikkerheden på denne. I Figur 3 er skitseret en hypotetisk diffus jordforurening. Gråtoningen beskriver niveauet af det undersøgte stof (mørk=høj, lys=lav). Der er en diagonal trend fra øverste venstre hjørne mod nederste højre hjørne. De hvide cirkler angiver punkter, hvor der udtages prøver.

Figur 3
Forskellige undersøgelsesplaner.
Different investigation strategies

I A, C, D er udtaget prøver fra 30 positioner, hvor der i C er udtaget prøver fra 48 positioner. I A er et fastnet med ens afstand l mellem alle positioner, i B er positionerne tilfældige, i C et fast net med ens afstand l mellem alle positioner tilføjet 18 tilfældige positioner indenfor et begrænset område og i D er positionerne tilfældige dog er 10 positioner indenfor et begrænset område.

I det følgende vil blive beskrevet hvilken indflydelse de forskellige designs A-D har på den videre analyse af data. Alle spatielle analyser udnytter at målinger fra positioner tæt på hinanden er mere ens end målinger fra positioner langt på hinanden. Udtages der prøver "lige ved siden af hinanden" forventes det at prøver har stor lighed (er korrelerede). Prøver udtaget i hver sin ende af området forventes derimod ikke nødvendigvis at være ens. Afstanden mellem observationerne er omdrejningspunktet i det følgende

Variansen af målingerne kan anvendes som et mål for "ensheden" (en lille varians mellem observationer/målinger betyder de er meget ens/korrelerede og en stor varians mellem observationer/målinger betyder de er meget forskellige ens/ikke-korrelerede). Første trin i en vurdering af variansens afhængighed af afstanden mellem målepositionerne er at dele den maksimale afstand mellem to målinger i eksempelvis 10 intervaller (maksimal afstand 1000m; der inddeles i intervaller af 100m). Andet trin er at finde alle kombinationer af to målepunkter der har en indbyrdes afstand indenfor hvert af de pågældende intervaller (30 par i intervallet fra 0-100m, 47 par i intervallet fra 100-200m, …, 12 par i intervallet fra 900-1000m ). Tredje trin er at beregne variansen af punkterne i hvert af intervallerne. (variansen af de 30 par i intervallet 0-100m, variansen af de 47 par i intervallet 100-200m, …, variansen af de 12 par i intervallet fra 900-1000m). Herved kan man vurdere om variansen vokser med afstanden mellem observationerne. En væsentlig ting at bemærke er at vurdering af variansen indenfor afstande mindre end afstanden mellem de to nærmeste punkter er gætteri. Der fastlægges altså et minimumsvariationsniveau ud fra de nærmeste punkter i analysen. Med andre ord er vurdering af variationer på en skala mindre end denne afstand ekstrapolation. Derfor er den generelle opfattelse, blandt geostatistikere, at det er vigtigt at have nogle målinger meget tæt på hinanden samt gerne gentagne målinger på samme position (evt samme prøve). Se endvidere afsnittet på geografisk korrelation.

Betragtes figur 3 eksempel A vil det ikke være muligt at vurdere den spatielle variation på en skala mindre end maskestørrelsen i "nettet". I figur 3 eksempel B er det muligt at vurdere den spatielle variation fra en skala svarende ca. til den mindste afstand af de tilfældige placerede målinger. I figur 3 eksempel C og D opnås der derimod information om variationen på langt mindre skala (afstand). Denne information er vigtig for at kunne minimere usikkerheden på estimationen.

Relateres Figur 2 og Figur 3 kan følgende opsummeres. Det anvendte forsøgsdesign skal afspejle den hypotese der er beskrevet for området. Forventes en forureningsfane skal der foretages målinger i fanen så dens udbredelse kan følges. Omvendt forventes forureningen at være af mere tilfældig karakter, er der ikke grund til at prøverne skal udtages på bestemt positioner. Variationen mellem de nærmeste punkter bliver et minimumsvariansniveau og en minimumsinterpolationsafstand. Disse betragtningerne om variation uddybes i afsnittet om geografisk korrelation.

3. Analyse

3.1 Deskriptiv statistik

Som i enhver anden statistisk analyse bør der indledes med en række deskriptive mål og som minimum: Antal data, Fraktiler (minimum, median og maksimum), middelværdi og spredning, histogrammer samt fordelingsplot. Se et eksempel i bilag B.

Hvis de enkelte jordprøver er analyseret for flere forskellige stoffer bør korrelationen mellem enkeltstofferne beregnes. En høj korrelationskoefficient (tæt på 1 henholdsvis -1) betyder at to stoffer er positivt henholdsvis negativt korrelerede. En lav korrelationskoefficient (numerisk tæt på 0) betyder at der ikke er sammenhæng mellem de to enkeltstoffer. Se et eksempel i bilag B.

Er der målt mange enkeltstoffer kan forskellige multivariate teknikker eksempelvis principal komponent analyse (PCA) , Min/Max Autocorrelation Factors (MAF) anvendes til at beskrive korrelation af de stoffer der er interessante (Nielsen 1994, Andersen 1994). Derved kan man reducere dimensionen af datasættet. Teknikkerne beregner nye variable, der er linear kombinationer af de oprindelige måleparametre. Disse nye uafhængige variable kan så anvendes i en spatiel analyse. Anvendelse af disse metoder samt tolkningen resultaterne bør foretages af statistikere og miljø/forurenings eksperter i fælleskab.

3.2 Spatiel statistik (geostatistik)

Der findes forskellige statistiske metoder, der estimerer den geografiske varians/korrelationsstruktur udfra målingerne og udnytter denne i interpolationen mellem målepunkterne samt beregner usikkerheden på interpolationsresultatet.

Disse metoder antager og udnytter, at observationer i nærheden af hinanden er korrelerede mere korrelerede en observationer langt fra hinanden (modsat standard statistiske analyser der antager at observationerne er uafhængige).

3.2.1 Geografisk korrelation

Den geografiske varians/korrelationsstruktur i data kan beskrives på forskellig vis. To principielt forskellige mål anvendes hyppigt.

1. Det simple mål tester om data kan antages at være uafhængige af geografien (afstande) og er derfor ikke umiddelbart anvendeligt til beregninger.
2. Det mere komplicerede mål kvantificerer variansens (eller korrelationens) afhængighed af afstanden.

ad 1)

Som test for geografisk uafhængighed kan anvendes Moran’s I , der tester hypotesen om "ingen spatiel korrelation" (Cliff and Ord, 1973, 1981; Anselin 1995). Moran’s I beskriver korrelationen mellem "naboer". En stor værdi af Moran’s I betyder positiv korrelation og en lille (negativ) værdi betyder negativ korrelation. Det kan testes om (Moran’s I ) korrelationen er signifikant. Resultatet af analysen er udelukkende et ja/nej svar til om der er spatiel korrelation eller ej, der fremkommer ikke noget udtryk der beskriver korrelationens afhængighed af afstanden mellem observationerne

ad 2)

Variogrammer er hyppigt anvendt til at kvantificere den geografiske afhængighed. Der knytter sig normalt 3 parametre til et variogram. De beskriver egenskaber ved variogrammet og betegnes nugget, sill og range (Cressie 1991, Ripley 1988, Diggle 1983).

Nugget er en sum af flere komponenter der med en snedig forsøgsplan kan adskilles, den består af måleusikkerheden samt den variation der er mellem to prøver taget meget tæt på hinanden. Måle usikkerheden kan estimeres ved at lave flere bestemmelser på samme prøve og variationen mellem prøver med meget lille indbyrdes afstand kan estimeres ved at udtage prøver med meget lille afstand.

Sill er den maksimale variation, det vil sige den variation der er i data stammende fra målepunkter med så stor indbyrdes afstand at de er uafhængige.

Denne afstand hvor målingerne ikke længere er korrelerede, dvs. uafhængige kaldes range.

Forholdet (Sill - Nugget)/Nugget er af stor betydning for den videre anvendelse af variogrammet til for eksempel kriging. Variogrammet beregnes ved at inddele afstanden mellem observationerne i en række intervaller. Dernæst beregnes variansen mellem alle observationer i det pågældende interval. Disse varianser plottes derefter mod afstanden mellem observationer som skitseret i nedenstående Figur 4, Nugget, Sill og Range er ligeledes skitseres.

Det er nærliggende at tilpasse (fitte) en kurve til punkterne i variogrammet. Der eksisterer adskillige variogrammodeller – de oftest anvendte er en gaussisk, eksponentiel eller sfærisk funktion (Cressie 1991, Ripley 1983, Diggle Nielsen 1994, Andersen 1994). Parametrene der beskriver disse kurver er netop nugget, sill og range. Der anvendes ofte en vægtet mindste kvadraters metode til at fitte disse funktioner. Der vægtes ofte med antallet af punkter der ligger til grund for de enkelte varians punkter.

Her bør det påpeges at den tilpassede kurve og dermed estimationen af nugget, sill og range vil være afhængig af valget af antal intervaller. Den tilpassede kurve udgør nu det bedste bud på variations afhængighed af afstanden mellem observationer. Den tilpassede variogramkurve benyttes som en vægt i interpolationsmetoden kaldet kriging. Det er altså den aktuelle geografiske variation som data udviser der bestemmer med hvilken vægt de skal indgå i analysen, modsat standard interpolationsmetoder som "Nærmeste nabo" eller Euklidisk afstand" hvor der ikke tages hensyn til den struktur data udviser.

Stejlheden af variogrammet beskriver hvor hurtigt variansen/korrelationen ændrer sig

Variogrammet bør estimeres i forskellige retninger, så udelukkende målepunkter i en vis retning kommer i betragtning eks. (0° ,45° ,90° ,135° ). Endvidere kan området inddeles i delområder og variogrammet kan estimeres indenfor hvert delområde. Inddeles området i en række delområder bliver det naturligvis på bekostning af antallet af observationer i området.

Den væsentligste indvending mod at anvende traditionel kriging som interpolationsmetode er at variogrammet er afhængig af størrelsen af de valgte intervaller. Dette diskuteres yderligere i efterfølgende afsnit om estimation og kriging.

Figur 4
Teoretisk variogram
Theoretical variogram

3.2.2 Estimation og kriging

I dette afsnit vil der blive præsenteret to forskellige måder ( interpolationsmetoder) at estimere niveauet af ét enkelt stof inden for et geografisk område, her betegnet Kriging (Cressie 1991, Ripley 1988, Diggle 1983, Nielsen 1994, Andersen 1994) og Likelihood (Diggle and Ribeiro 2000, 2001; Christensen, Diggle and Ribeiro 2000, 2001). De to metoder er skitseret i det følgende

1. Vælg en maksimal afstand og inddel afstanden i antal intervaller.
2. Estimer variogrammet, dvs. variationen indenfor hvert afstandsinterval
3. Estimer parametrene i en variogramfunktion (nugget, sill og range).
4. Benyt variogramfunktionen i kriging til at estimere niveauet
5. Benyt "kriging standard error" til at beregne et konfidensinterval for estimatet

Resultatet er at der på basis af de målte værdier beregnes koncentrationsintervaller for forureningen (enkeltstoffer) over området som helhed.

I simpel/ordinær kriging prædikteres værdierne udelukkende baseret på variogrammet, hvor data vægtes i forhold til den fittede variogram funktion. Dvs. variogrammet benyttes til at forudsige både global og lokal variation.

I universel kriging fittes en n'te grads model til data og der foretages ordinær kriging af residualerne, addition af disse giver den predikterede værdi. n'te grads modellen beskriver den globale variation (eks. trend) og kriging af residualerne beskriver den lokale variation (afvigelser fra trenden).

Et specialtilfælde af universel kriging er ordinær kriging hvor n=0, dvs et niveau samt kriging af residualerne. Usikkerheden på prediktionen i universel kriging er usikkerheden på kriging af de spatielt korrelerede residualer adderet til usikkerheden på n'te grads polynomiet. Der benyttes almindelige statistiske betragtninger til at vurdere hvordan parametrene (orden af polynomiet), skal vælges (Venables and Ripley 1999, Cressie 1991)

1. Vælg en variogram funktion
2. Estimer niveauet samt parametrene i variogramfunktionen (nugget, sill og range).
3. Benyt "standard error" til at beregne et konfidensinterval for estimatet

3.2.3 Valg af metode

Udfra en statistisk betragtning bør Likelihood metoden vælges idet den er uafhængig af valg af intervaller og er derfor at foretrække. Desværre er denne metode ikke så velkendt eller anvendt af andre end statistikere (Diggle and Ribeiro 2000, 2001; Software geoR).

Udfra en praktisk synsvinkel og med den store mængde programmer der kan estimere semivariogrammer og foretage kriging vil denne metode være at foretrække

Valg af variogramfunktion

Der vælges den variogram funktion der ud fra almindelige statistiske betragtninger giver det bedste fit.

Validering af resultaterne

En ofte anvendt metode at slette enkelte datapunkter og dernæst estimere dem med kriging og kigge på forskellen mellem det målte og det estimerede (Cressie 1991, Andersen 1994).

4. Diskussion

Som beskrevet i afsnit 2 er designet afhængig af den hypotese, der er generet om den diffuse jordforureningsudbredelse samt formålet med analysen. Den væsentligste forskel ligger i om formålet er at estimere niveauet i hele det geografiske område eller der udelukkende ønskes en sandsynliggørelse af om en given grænseværdi overskrides.

Det vil til tider kunne betale sig at lave et faseopdelt undersøgelsesprogram med henblik på et dynamisk forsøgsdesign som skræddersyes/optimeres trinvis. Dette ville givetvis have været fornuftigt i eksemplet gennemarbejdet i bilag B.

Det er en fordel at udpege delarealer, hvor der kan forventes kritiske værdier, idet dette giver information om det maksimale niveau af den observerede størrelse.

4.1 Valg af software

Haves data i et GIS (MAPINFO, ARCVIEW, IDRISI) kan de tilhørende spatielle add-in’s benyttes til de geostatistiske analyser. På web adressen http://www.ai-geostats.org/ er en glimrende oversigt over alverdens forskellige programmer, samt henvisninger til litteratur.

Til analyserne i bilag B er anvendt GeoR: http://www.maths.lancs.ac.uk/~ribeiro/geoR.html

En løftet pegefinger: Pas på automatiserede interpolationsprogrammer idet disse ikke altid giver mulighed for at vurdere de underliggende forudsætninger.

5. Referenceliste

5.1 Litteratur

Andersen J.S. (1994). Flerdimensionale rumligt korrelerede forureningsdata, IMM, DTU. Eksamensprojekt 1994-28, ISSN 0909-6256.

Anselin L. (1995). Local indicators of Spatial Association – LISA. Geographical Analysis.; 27 (2):93-115.

Christensen, O.F. Diggle P.J. and Ribeiro J.R. (2001). Analysing positive-valued spatial data: the transformed Gaussian model. I Monestiez, P., Allard, D. and Froidevaux (eds), GeoENV III - Geostatistics for environmental applications. Quantitative Geology and Geostatistics, Kluwer Series, 11, 287--298.

Cressie N.A. (1991). Statistics for Spatial Data Wiley and Sons.

Diggle P.J. (1983). Statistical analysis of spatial point patterns. Academic press, London.

Diggle P.J. and Ribeiro J.R. (2000). Model-based geostatistics. Caxambu: Associação Brasileira de Estatística. (14º SINAPE - Simpósio Nacional de Probabilidade e Estatística).

Diggle P.J. and Ribeiro J.R. (2001). Bayesian inference in Gaussian model-based geostatistics. Geographical and Environmental Modelling (to appear)

Nielsen, A.A. (1994). Analysis of Regularly and Irregularly Sampled Spatial, Multivariate, and Multi-temporal Data. Ph.D. Thesis No. 6, Department of Mathematical Modelling, Technical University of Denmark

Cliff A.D. and Ord J.K. (1973). Spatial autocorrelation. London: Pion Ltd..

Cliff A.D. and Ord J.K. (1981). Spatial processes, Models and applications. London: Pion Ltd.

Ribeiro JR, and Diggle PJ. (1999). geoS: A geostatistical library for S-PLUS. Technical report ST-99-09, Dept of Maths and Stats, Lancaster University.

Ripley B. D. (1988) Statistical inference for spatial processes. Cambridge University Press. Cambridge

Venables W.M. and Ripley B. D (1999). Modern applied statistics with S-plus. 1999 Springer, New York.

5.2 Software

http://www.ai-geostats.org/
http://www.maths.lancs.ac.uk/~ribeiro/geoR.html

Bilag B
Statistisk behandling af tidligere data vedrørende diffus jordforurening på Østerbro

Udarbejdet af JSA-Envirostat A/S

Indhold

1. Eksempel med data fra Østerbro

Data i dette eksempel stammer fra Østerbro /Miljøkontrollen, 1998/. Der er på 138 positioner målt koncentrationen af Bly og (17) PAH. Koordinaterne på positionerne er angivet i UTM og enheden er derfor meter. Der vil i det følgende blive beskrevet en spatiel analyse for Bly og PAH.

1.1 Deskriptiv statistik

Indledningsvis beskrives det generelle niveau. Det ofte ses ved analyse af jordforureningsdata at en logaritme transformation af værdierne gør at data bliver approksimativt normalfordelte. Der er derfor i nedenstående tabel 1 angivet deskriptive størrelser for både de målte værdier samt de logaritmerede (den naturlige logaritme) værdier

Tabel I
Deskriptive statistiske størrelser
Descriptive statistics

For de målte værdier bemærkes at der ikke er korrelation (r =0,01) mellem de målte værdier af Bly og PAH. Dette betyder at man ikke udfra værdien af Bly kan forudsige hvad værdien af PAH vil være (eller omvendt). Median for både Bly og PAH er lavt i forhold til middelværdi, hvilket indikerer asymmetrisk fordeling af værdierne med en lang højre (høje værdier) hale på fordelingen. Dette betyder at en transformation bør overvejes.

For de transformerede værdier ses en lille positiv korrelation. Medianen er nu for både Log_e(Bly) og Log_e(PAH) tættere på middelværdien hvilket indikerer at fordelingen ikke længere er så asymmetrisk.

Betragtes forholdet mellem middelværdi og spredning (variationskoefficienten) ses at spredningen er af betragtelig størrelse i forhold til middelværdien. Dette vil dog altid være tilfældet hvis der er enkelte høje koncentrationer.

Baseret på ovenstående vil de efterfølgende analyser blive foretaget på de logaritmerede data. Dette vil mindske betydningen af enkelte meget høje koncentrationer.

1.2 Deskriptive plot

Baseret på de deskriptive størrelser i forrige afsnit er i Figur I vist histogrammer (Densiteten) for henholdsvis Log_e(Bly) i orange og Log_e(PAH) i blå. Endvidere er den estimerede densitet plottet som en kurve i samme farve som histogrammet. Ingen af de to histogrammer afviger meget fra en sædvanlig "klokkeformet" normalfordeling.

Figur I
Histogrammer (Densiteten) for henholdsvis Log_e(Bly) i orange og Log_e(PAH) i blå. Endvidere er den estimerede densitet plottet son en kurve i samme farve som histogrammet. De afbildede histogrammer afhænger af valget af intervalbredde og kurven af estimationsmetoden.

Histograms (density) for the Log_e(lead) in orange og Log_e(PAH) in blue. Furthermore the estimated density is plotted as a curve for each histogram. The illustrated histograms are dependent on the choice of width for the interval and the method to estimate the curve.

For at yderligere visuelt at undersøge om de transformerede værdier er approksimativt normalfordelte plottes de transformerede værdier ofte mod fraktilerne i en normalfordeling. Dette er vist i fraktil plottet i Figur 2.

Det ses at data bortset fra enkelte ekstreme observationer (både lave og høje) er rimeligt beskrevet ved en normalfordeling. Dette kunne testes, men nytten af disse tests er begrænset (Andersen 1994).

Figur 2
Fraktil plot af Log_e(Bly) i blå og Log_e(PAH) i rød.
Fractile plot of Log_e(lead) in blue and Log_e(PAH) in red.

Korrelationen mellem Log_e(Bly) og Log_e(PAH) kan visualiseres med et plot af de to parametre mod hinanden. Korrelationen på 0,46 kan ses som en svag positiv tendens i Figur 3.

Figur 3
Plot af Log_e(Bly) mod Log_e(PAH). Enkelte ekstreme værdier kan observeres
Plot of Log_e(lead) against Log_e(PAH). Individual extreme values are noted.

1.3 Geografisk korrelation af data

Indledningsvis skal gives en række deskriptive størrelser for afstanden mellem observationerne, analogt med de deskriptive størrelser for de målte værdier. Det ses at de to observationer, der har den mindste indbyrdes afstand, er placeret med 31 meters afstand og den maksimale afstand er 1930 meter. Dette indebærer at det udelukkende er muligt at vurdere spatiele korrelation i dette interval.

Tabel 2
Deskriptive størrelser vedrørende observationerne
Descriptive sizes for the observations.

Før positioner og værdierne for henholdsvis Log_e(Bly) og Log_e(PAH) plottes beregnes Moran's I for at få et førstehånds indtryk af den geografiske korrelation. Hypotesen der testes for Moran's I er: "Ingen spatiel korrelation", dvs det antages at data er uafhængige af geografien (afstanden). Er p-værdien meget lille befinder man sig langt ude i halen af fordelingen og hypotesen forkastes og er p-værdien større er der ingen spatiel korrelation. Den kritiske p-værdi vælges standard til p=0,05. Beregningerne ses i Tabel 3.

Tabel 3
Mål for geografisk korrelation, P-værdierne indikerer at der ikke er nogen geografisk (afstands) korrelation
Values for the geographical correlation. P-value indicates that there is no geographical (distance) correlation.

Hverken Log_e(Bly) eller Log_e(PAH) ser umiddelbart ud til at udvise spatiel korrelation (p>0,05). Det betyder at en observation ikke er mere lig dets naboobservationer end observationer længere væk.

Dette er ikke noget bevis for at der ikke er spatiel korrelation, det ser bare ikke ud til at den kan diagnosticeres udfra de observationer (afstanden mellem dem) der er foretaget.

Den mulige spatielle korrelation vil nu blive undersøgt nærmere med flere diagnostiske plot af data. I Figur 4 Log_e(Bly) og Figur 5 Log_e(PAH) er vist fire grafer.

Figur 4
Log_e(Bly) : Blå [0:25]% Fraktil, Grøn [25-50]% Fraktil, Gul[50:75]% Fraktil, Rød[75:100]% Fraktil

Der kan ikke umiddelbart diagnosticeres nogen spatielle strukturer udfra Figur 4. Høje og lave værdier ser ud til at være spredt tilfældigt mellem hinanden. Der observeres heller ikke nogen umiddelbare trends i projektionerne på henholdsvis x- og y-koordinaterne (nederst)

Figur 5
Log_e(PAH) : Blå [0:25]% Fraktil, Grøn [25-50]% Fraktil, Gul[50:75]% Fraktil, Rød[75:100]% Fraktil

Der kan ikke umiddelbart diagnosticeres nogen spatielle strukturer udfra Figur 5. Høje og lave værdier ser ud til at være spredt tilfældigt mellem hinanden. Der observeres heller ikke nogen umiddelbare trends i projektionerne på henholdsvis x- og y-koordinaterne (nederst)

1.4 Variogrammer

I det følgende beskrives variogrammer for henholdsvis Log_e(Bly) og Log_e(PAH). Betydningen af valget intervaller hvori variansen beregnes fremgår af nedenstående plot af variogrammet for Log_e(Bly).

Den sorte kurve er den maksimale afstand sat til 1,1 km med 10 intervaller. Den blå kurve er den maksimale afstand sat til 1,0 km med 10 intervaller. Den røde kurve er den maksimale afstand sat til 0,8 km med 10 intervaller. Den grønne kurve er den maksimale afstand sat til 0,5 km med 10 intervaller.

Det bemærkes at det visuelle indtryk af nugget effekten ændres ved forskelligt valg af maksimal afstande med samme antal punkter (Blå~0,18 ; Sort~0.45, Grøn~0,7 og Rød~0,8). Vælges en af disse værdier arbitrært vil det få meget stor indflydelse på usikkerheden på estimationen. Skal der estimeres en variogramkurve gøres dette normalt ved vægtet ikke-lineær regression. Vægten består i antallet af punkt-par der ligger til grund for den beregnede varians i et interval. For den sorte kurve er antallet af punkt-par i de ti intervaller:[10, 456, 877, 1093, 1119, 1080, 1043, 919, 759, 612]. Foretages den vægtede regression findes der ikke nogen spatiel korrelation (for nogen af de 4 valg). Betragtes grafen på ny skal hele den spatielle korrelation ekstraheres fra ét usikkert bestemt punkt (det der ligger udenfor ellipsen.). Dermed bliver det bedste bud på variationen det simple estimat fra de indledende deskriptive analyser: s ²=0.904²=0.82 (stiplet linje). Retningsbestemte variogrammer (0° , 45° , 90° , 135° ) er endvidere estimeret, dette gav ikke nogen ændring i resultatet (data ikke vist).

Figur 6
Variogram Log_e(Bly) : Sort Dist_max=1,1 km, Blå Dist_max=1,0 km, Rød Dist_max=0,8 km, Grøn Dist_max=0,5 km. Alle har 10 intervaller.
Variogram Log_e(lead) : Black Dist_max=1,1 km, Blue Dist_max=1,0 km, Red Dist_max=0,8 km, Green Dist_max=0,5 km. All have 10 intervals.

Betydningen af valget intervaller hvori variansen beregnes ligeledes af nedenstående plot af variogrammet for Log_e(PAH).

Den sorte kurve er den maksimale afstand sat til 1,1 km med 10 intervaller. Den blå kurve er den maksimale afstand sat til 1,0 km med 10 intervaller. Den røde kurve er den maksimale afstand sat til 0,8 km med 10 intervaller. Den grønne kurve er den maksimale afstand sat til 0,5 km med 10 intervaller.

Det bemærkes at det visuelle indtryk af nugget effekten ændres ved forskelligt valg af maksimal afstande med samme antal punkter (Blå~0,75 ; Sort~0.60, Grøn~1,0 og Rød~1,2). Vælges en af disse værdier arbitrært vil det få meget stor indflydelse på usikkerheden på estimationen. Skal der estimeres en variogramkurve gøres dette normalt ved vægtet ikke-lineær regression. Vægten består i antallet af punkter der ligger til grund for den beregnede varians i et interval. For den sorte kurve er antallet af punkter i de ti intervaller:[10, 456, 877, 1093, 1119, 1080, 1043, 919, 759, 612]. Foretages den vægtede regression findes der ikke nogen spatiel korrelation (for nogen af valgene).

Betragtes grafen påny skal hele den spatielle korrelation ekstraheres fra ét usikkert bestemt punkt (det der ligger udenfor ellipsen.). Dermed bliver det bedste bud på variationen det simple estimat fra de indledende deskriptive analyser: s ²=1,22²=1,49 (stiplet linje).

Retningsbestemte variogrammer (0° , 45° , 90° , 135° )er endvidere estimeret, dette gav ikke nogen ændring i resultatet (data ikke vist).

Figur 7
Variogram Log_e(PAH) : Sort Dist_max=1,1 km, Blå Dist_max=1,0 km, Rød Dist_max=0,8 km, Grøn Dist_max=0,5 km. Alle har 10 intervaller.
Variogram Log_e(PAH) : Black Dist_max=1,1 km, Blue Dist_max=1,0 km, Red Dist_max=0,8 km, Green Dist_max=0,5 km. All have 10 intervals.

1.5 Estimation og kriging

Da der ikke er nogen signifikant spatiel korrelation, beskrives data bedst ud fra de deskriptive størrelse angivet i starten af analysen. Antages normalfordeling af de logaritmerede værdier vil estimatet for koncentrationen samt et 95% konfidensinterval for en prøve et vilkårligt sted være:

For bly er der to værdier der er lavere en konfidensintervallet, endvidere er der 3 værdier der er højere. Dette er fint i overensstemmelse med en konfidensgrad på 95% (0,05*138» 7).

For PAH er der 3 værdier under nedre konfidensgrænse og 3 over øvre konfidensgrænse.

1.6 Konklusion

Analyserne i dette bilag understøtter betragtningerne i design afsnittet. Der blev ikke fundet nogen spatiel korrelation indenfor den forsøgsplan der er opstillet. Det betyder ikke at der ikke er spatiel korrelation, den forekommer højst sandsynligt på en mindre skala end den anvendte i dette design. Det ville have været meget værdifuldt med en række observationer med en indbyrdes afstand mindre end 31 m. Med 138 prøver burde et antal kunne benyttes til lokal variation.

Software der i situationer som denne automatisk anvender geostatistiske værktøjer til estimationen ved at foretages en vægtning af nabo observationerne, for eksempel nærmeste naboer eller kvadratisk afhængighed af afstanden, kan ikke understøttes af de målte værdier og må derfor betragtes som gætteri. Nedenstående graf kunne være ét eksempel på et automatisk genereret plot af koncentrationsniveauet, plottet er ganske flot men afspejler ikke den information der er i data og må derfor betragtes som grænsende til ubrugeligt.

Figur 8
Interpoleret plot af Log_e(Bly) : xny og yny er i meter og 0 angiver den mindste koordinat
Interpolation of plot for Log_e(lead) : xny and yny are in meters and o shows the lowest co-ordinate

Bilag C
Diffus jordforurening på Østerbro
Geostatistisk analyse af målinger af Bly

Udarbejdet af JSA-Envirostat A/S

Indhold

1. Introduktion

Data i denne analyse stammer fra Østerbro, koordinaterne på positionerne er angivet i UTM og enheden er derfor meter.

1.1 Deskriptivt Statistik

Det ofte ses ved analyse af jordforureningsdata at en logaritme transformation af værdierne gør at data bliver approksimativt normalfordelte. Der er derfor i nedenstående Tabel 1 angivet deskriptive størrelser for både de målte værdier samt de logaritmerede værdier (den naturlige logaritme).

Tabel 1
Deskriptive statistiske størrelser
Descriptive statistical values

Median er lav i forhold til middelværdien for "Østerbro" og "Tegnsprog", hvilket indikerer asymmetrisk fordeling af værdierne med en lang højre (høje værdier) hale på fordelingen. Dette betyder at en transformation bør overvejes for disse datasæt. I den samlede analyse vil alle data blive transformeret og dermed mindske betydningen af enkelte meget høje koncentrationer.

Baseret på de deskriptive størrelser i forrige afsnit er i Figur 1 vist histogrammet (Densiteten) for alle tre datasæt Log_e(Bly). Endvidere er den estimerede densitet plottet som en sort kurve. Histogrammer afviger ikke meget fra en sædvanlig "klokkeformet" normalfordeling. Både "Fælled" og "Tegnsprog" er jvf Tabel 1 fuldt indeholdt i histogrammet og antager ikke ekstreme værdier.

Figur 1
Histogram (Densiteten) for Log_e(Bly). Den estimerede densitet er plottet som en sort kurve. De afbildede histogrammer afhænger af valget af intervalbredde og kurven af estimationsmetoden.

Histogram (Density) for Log_e(lead). The estimated density is plotted as a black curve. The illustrated histogram depends on the choice of width of interval and on the estimation method.

1.2 Geografisk korrelation af data

Positionerne for "Fælled" og "Tegnsprog" er plottet nedenstående. Det er valgt at inddele data i henholdsvis 3 og 5 grupper (a,…,e) udfra deres placering. Først vurderes de enkelte grupper i forhold til hinanden. Dette er vist visuelt i box-plottene under (x,y-plottene). Den blå boks er "Inner-Quartile Range" dvs fra 25-75% kvartilen. Stregerne markerer range af data. Der ses forskelle for "Tegnsprog" men ikke for "Fælledparken".

Disse resultater kan ligeledes vurderes i en variansanalyse, her foretaget på der ikke-transformerede data. Den totale variation kan splittes op i 3 niveauer, hvor Niveau 1 er variansen af gruppemiddel i forhold til totalmiddel, Niveau 2 er variansen af middelværdien for de gentagne målinger i forhold til gruppemiddel og Niveau 3 er residualvariationen fra enkeltmålinger i forhold til middel af gentagne observationer.

Disse resultater antyder at small-variationen (som funktion af afstanden) ikke er ens overalt, hvilket ikke er overraskende men heller ikke opmuntrende idet dette ofte antages i geostatistiske analyser.

For "Tegnsprog" er der forskel på bly-niveauet i de fem grupper (a,…,e) men ikke forskel på punkterne i de enkelte grupper. Der forventes dermed at være

For "Fælled" er der ikke forskel på de tre grupper (a,b,c) og dermed er der ingen grund til at lave en spatiel analyse af disse data.Variogrammet for "Tegnsprog er vist nedenstående

Det er tydeligt at variansen er afhængig af afstanden, det er dog ikke helt tydeligt om range er nået. Der er fitte to variogrammer hvilket resulterede i parameter estimaterne givet i nedenstående tabel.

Den sorte kurve er den maksimale afstand sat til 8m km med 4 intervaller. Den blå kurve er den maksimale afstand sat til 8 m med 5 intervaller. Den røde kurve er den maksimale afstand sat til 8 m med 6 intervaller. Den grønne kurve er den maksimale afstand sat til 8 m med 8 intervaller.

Det bemærkes at det visuelle indtryk af nugget effekten ændres ved forskelligt valg af antal punkter. Vælges en af disse værdier arbitrært vil det få meget stor indflydelse på usikkerheden på estimationen.

Kriging med anvendelse af maximum likelihood estimatet er vist nedenstående

De tre datasæt er vist nedenstående, målet med behandling af de tre datasæt sammen er at udnytte "Tegnsprog" og "Fælled" til at beskrive beskrivet small-scale variationen.

Maksimum likelihood af alle data er beskrevet i nedenstående tabel

2. Software

Til analyserne er anvendt: http://www.maths.lancs.ac.uk/~ribeiro/geoR.html

Bilag D
Eksempel på samspil mellem dataindsamling i prøvetagningsfelter, databehandling og hypoteser

1. Eksempel over nedfaldsmodel

I det følgende er givet forslag til dataindsamling, databehandling og hypoteser for diffus jordforurening forårsaget af nedfald fra en industrikilde, dvs. iht. nedfaldsmodel.

Det forventes, at forureningsparametrene er tungmetaller og PAH´er. Det forventes, at forureningsbelastningen i de terrænnære jordlag aftager med afstanden fra forureningskilden, og at det forureningspåvirkede areal strækker sig mindst 1000 m i alle retninger fra forureningskilden. Det forventes, at jordforureningen aftager i dybden.

Det foreslås, at tungmetallerne Pb, Cu, As, Zn, Cr og Ni anvendes som indikatorparametre, og at disse måles med en feltteknikken, EDXRF. Der foretages endvidere nogle få akkrediterede ICP-analyser som kontrolmålinger. Til vurdering af arealet foretages en screening for PAH med immunoassay i alle prøvepunkter. Hovedformålet er at vurdere, om der er signifikante forskelle ved forskellige afstande og retninger fra forureningskilden. Herudover analyseres en række prøver med ved GC-MS-SIM, jf. Miljøstyrelsens anvisning med kvantificering af 7 PAH´er samt et mindre antal for flere PAH´er til vurdering af PAH profilen.

1.2 Definition af hypoteser

Der kan opstilles en række hypoteser om relationer mellem den diffuse jordforurening og forureningskilden. For eksempel:

Hypoteser vedr. jordforurening:

1.3 Design af statistisk og geostatistisk plan og prøvetagningfelter

For vurdering af jordforureningen opdeles det forureningspåvirkede areal i forskellige delområder i forskellige afstande (A-E) og retninger (N-NØ, NØ-Ø,Ø-SØ, SØ-Ø, Ø-SV,SV-V, V-NV, NV-N) fra forureningskilden:

Delområder opdelt i henhold til afstande og retningen er illustreret i figur 1.

Figur 1
Skitse over delområder og prøvetagningsfelter
Proposal for subdivison of investigation area and sampling zones

Der kan forventes jordforurening i følgende dybder:

Forureningsmodellen indikerer, at forureningsniveauet inden for et delområde (A- N-NØ; A-NØ-Ø, …E-S-SV m.v.) er sammenligneligt (ens). Det vil sige, at indholdet i jordprøver fra samme dybde i hvert enkelt delområde bør være repræsenteret af en gennemsnitsværdi, en medianværdi, en variationskoefficient og et konfidensinterval.

Herudover kan der dog være bidrag til jordforurening fra andre kilder i området (bidragsmodellen i gamle boligkvarter, fyldjordsmodellen og bidrag fra vejnet, liniemodellen), som påvirker forureningsniveauet over hele undersøgelsesområdet.

Der udpeges et antal prøvetagningsfelter af ca. 100 m² i hvert delområde (A:N-NØ, A:NØ-Ø, ….,E:S-SV, E:SV-V, m.v.). Prøvetagningsfelterne placeres med forskellig indbyrdes afstand inden for delområdet, jf. figur 1.

I hvert prøvetagningsfelt udtages jordprøver fra ca. 2 - 5 punkter i forskellig dybde. Jordprøverne udtages med forskellig indbyrdes afstand inden for prøvetagningsfeltet (f.eks. 1, 2, 4, 6 og 10 m). Der udtages hovedsageligt prøver fra 2-10 cm´s dybde, men også fra forskellige dybder. I tabel 1 angives forslag til antal af prøvetagningsfelter og jordprøver. Disse skal revideres og optimeres på baggrund af historik m.m. før iværksættelse af undersøgelsen.

Tabel 1
Forslag til antal af prøver omkring punktkilden.
Suggestion for number of samples around the point pollution source

Prøverne udtages som stikprøver, idet den indbyrdes variation mellem prøver, udtaget tæt på hinanden (1-10 m) samt med større afstand (20-500 m), anvendes i databehandlingen til at vurdere om prøver fra forskellige delområder er forskellige fra hinanden.

Gennemsnit, median, standardafvigelse, variationskoefficient og konfidensinterval kan beregnes for hvert prøvetagningsfelt eller for grupper af prøvetagningsfelter, f.eks. prøvetagningsfelter i samme afstand og/eller retning fra forureningskilden. Prøvetagningsfelter kan sammenlignes, og det kan vurderes, hvorvidt koncentrationsniveauer udviser signifikante forskelle, og om disse forskelle kan relateres til afstand eller retning fra forureningskilden eller til dybden.

Der testes, om forureningsbelastningen inden for samme afstand og retning fra forureningskilden er sammenlignelig, dvs. om variansen mellem prøvepunkterne er af samme størrelse som analyseusikkerheden. Der testes endvidere, om forureningsbelastningen i prøvetagningsfelter i forskellig afstand og retning fra forureningskilden er forskellig og der testes, om forureningsbelastningen i prøver fra forskellige dybder inden for samme prøvetagningsfelt ligeledes er forskellige.

Der foretages en vurdering af analyseusikkerheden og analysekvaliteten for indikatorparametrene (feltmålinger med EDXRF for tungmetaller og immunoassay for PAH). Dette gøres ved udførelse af dobbeltbestemmelser på delprøver fra samme homogeniserede jordprøve samt ved sammenligning med akkrediterede analyser

Ud over statistiske tests til vurdering af gennemsnit, variationskoefficient, konfidensinterval og korrelation mellem parametre kan der foretages en vurdering af den geografiske variation over arealet. Variansen mellem prøvepunkterne kan omregnes til et semivariogram og anvendes til estimering (visualisering) af koncentrationsniveauer over hele området, baseret på resultaterne fra prøvetagningsfelter.

1.4 Prøvetagnings- og analyseplan

Prøvetagningsplanen bestemmes af den statistiske og geostatistiske plan, jf. 1.3 og tabel 1. Det tilstræbes, at jordprøverne udtages i uberørt jord. Dette gælder navnlig jordprøver udtaget i dybdeintervallet 0-5 cm. Prøvetagningsforholdene noteres og prøvetagningspunktet indmåles. Prøverne udtages som enkeltprøver med kvarteringspyd eller håndbor.

Alle prøver fra prøvetagningsfelterne analyseres ved en feltteknik (EDXRF) for Pb, As, Cu, Zn, Cr, Ni (uden anden forbehandling end tørring). For alle prøvetagningspunkter vurderes jordarten, tørstofindholdet, glødetab, og PID-udslag. For et mindre antal prøver (ca. 10%) gentages analyserne efter homogenisering ved både EDXRF og ICP for vurdering af analyseusikkerhed og analysekvalitet.

Der anvendes immunoassay til vurdering af PAH-niveauer i alle jordprøver i intervallet 1-50 mg total PAH/kg. Kontrolanalyser for PAH´er måles ved akkrediterede GC-MS-SIM analyser. En række prøver (ca. 10% af prøverne til PAH-analyse) analyseres for flere PAH´er, inklusive methylerede PAH´er, til vurdering af sammensætning og PAH-profil, med henblik på en vurdering af PAH-kilden.

1.5 Databehandling og rapportering

Ved databehandlingen vurderes der, om koncentrationsniveauerne for de målte stoffer er aftagende med afstanden fra kilden, og om koncentrationerne når et stabilt niveau, d.v.s. om der er forskelle i koncentrationerne i de forskellige prøvetagningsfelter.

Med henblik på visualisering af koncentrationsniveauer foretages der en geostatistisk vurdering af forureningsniveauerne over hele undersøgelsesarealet.

Der vurderes om der er behov for yderligere undersøgelser. I tabel 2 angives en oversigt over forslag til hypoteser, dataindsamling og databehandling.

Tabel 2
Oversigt over hypoteser, analysedata og databehandling
Overview of hypotheses, analytical data and data treatment.

Se her!