Dit rapport bevat aanbevelingen voor verbetering van de regionale ecologische kennisregelsvan de KRW-Verkenner. Het is onderdeel van het thema ecologie van de Kennisimpuls Waterkwaliteit en bevat een uitgewerkte case voor macrofauna in stromende wateren. Het doel van deze studie was om te onderzoeken of een meer gedetailleerde dataset met mee rparameters en meer trajecten een verbeterde voorspelling oplevert van EKR-scores. Daarnaast is gekeken welke typen voorspelmodellen de beste resultaten opleveren en waar rekening mee gehouden moet worden bij het trainen en testen van de voorspelkracht van de modellen. Hiervoor is een gedetailleerde dataset gebruikt met informatie van verschillende waterschappen. Deze dataset is uitgebreider dan de dataset die gebruikt is om de huidige kennisregels af te leiden omdat deze kleinere trajecten bevat met meer parameters. Dit biedt een goede basis voor het beantwoorden van de onderzoeksvragen. Resultaten laten zien dat de modelresultaten statistisch significant verbeteren als er meer gedetailleerde stuurvariabelen worden gebruikt. Hiervoor zijn de huidige samengevoegde stuurvariabelen uitgesplitst en afzonderlijk gebruikt in het trainen van het model. De aanbeveling is dan ook om de modelresultaten te verbeteren door stuurvariabelen op te splitsen, niet relevante stuurvariabelen te verwijderen en aanvullende relevante stuurvariabelen toe te voegen. Dit maakt ook dat de aansluiting op maatregelen beter kwantitatief te maken is. Het toevoegen van kleinere trajectgrootte leidt niet automatisch tot een betere modeltraining. Het opknippen van trajecten in kleinere trajecten lijkt alleen zinvol als de grote trajecten heterogeen zijn of op basis van gebieden waar wel en geen maatregelen getroffen worden. In dit geval levert een opsplitsing dus een andere range van stuurvariabelen op en kan het een bijdrage leveren aan een lokaal betere voorspelling of een meer gericht voorspelling van maatregel-effecten. Het voorspelmodel dat het beste presteert op deze dataset is de Gradient Boosting Regression. Dit is een andere methode dan de Ranger Random Forest die op dit moment in de verkenner gebruikt wordt. De EKR wordt het beste voorspeld tussen EKR-scores 0.3 en0.6. Boven een EKR-score van 0.6 worden ze meestal onderschat en onder de 0.3 worden ze overschat, dit is op dit moment ook het geval met de KRW-Verkenner. Dit kan mogelijk verbeterd worden door gericht meer waarnemingen toe te voegen die aan de uiteinden vanhet EKR-bereik zitten, bijvoorbeeld waarnemingen uit het buitenland of gegenereerde waarden op basis van expert-oordelen met behulp van de referentiebeschrijvingen in de maatlatdocumenten.De voorspelkracht van het model verbetert niet als er extra waarnemingen worden toegevoegd die in de gemiddelde range van EKR-scores zitten. Ook lijken de huidige stuurvariabelen minder goed onderscheid te kunnen maken tussen mediane en hoge EKR-scores. Om het model beter te laten presteren over de gehele EKR-range kan “physics-basedlearning” toegepast worden in de modeltraining. Dit houdt in dat je kennis over het systeem toevoegt in de training zodat het model beter “op de hoogte is van bij ons bekende(causale) relaties”.

Effluentlozingen van RWZI’s vormen een belangrijke bron van stikstof en fosfor in ontvangende oppervlaktewateren. De effluenteisen zijn gereguleerd in vergunningen en dienen enerzijds opgebouwd uit eisen aan emissiereducerende maatregelen en anderzijds aan ecologische kwaliteitseisen van het ontvangende oppervlaktewater. Deze studie heeft onderzocht op welke wijze de waterbeheerders dit laatstgenoemde kwaliteitsspoor hebben toegepast en of daarvoor een generieke systematiek is op te stellen. Doel van dit project is om een beslismethodiek op te stellen om vanuit de gewenste ecologische kwaliteit van het ontvangende waterlichaam, effluenteisen voor de RWZI af te leiden. Concreet is de actuele situatie bij de waterschappen geïnventariseerd, van waaruit een werkbare en uniforme wijze voor afleiding van gewenste N en P effluenteisen voor de RWZI wordt vastgesteld, waarmee vergunningverlener, waterecoloog en zuiveringstechnoloog gezamenlijk uit de voeten kunnen.