Att utvärdera mätdata Representativa halter eller Nytta och faror med statistik Riskbedömning Kurs Länsstyrelsen i Stockholm 2014-12-10.

En presentation över ämnet: "Att utvärdera mätdata Representativa halter eller Nytta och faror med statistik Riskbedömning Kurs Länsstyrelsen i Stockholm 2014-12-10."— Presentationens avskrift:

1 Att utvärdera mätdata Representativa halter eller Nytta och faror med statistik Riskbedömning Kurs Länsstyrelsen i Stockholm 2014-12-10

2 När man fått sina mätdata – hur kan man jämföra dem med riktvärdena?  Egenskapsområden – Hur stora områden ska man titta på?  Representativa halter – Vilka halter ska man jämföra med?  Osäkerheter – Hur kan man ta hänsyn till att man har ett begränsat antal mätningar?

3 Komplex utvärdering  Utvärdering av mätdata från förorenad områden är komplext:  Flera medier (jord, grundvatten, sediment…)  Olika typer av mätdata (labbanalyser, fältmätningar)  Flera olika föroreningar med skilda egenskaper  Flera djupnivåer  Varierande geologi  Många osäkerheter  Provuttag  Uppslutning  Analys

4 Vad är viktigt i riskbedömningen?  Risker ofta relaterade till ett medelvärde  Långtidsexponering av föroreningar  Spridning av föroreningar  Högsta halt kan vara betydelsefull  Risk för akuta effekter  Påverkan på markmiljön  Hur ska man hantera osäkerheter i provtagning och analyser? 2014-12-10

5 Hur bedömer man föroreningsgraden? Förslag på arbetsgång: 1.Dela in undersökningsområdet i egenskapsområden (delområden, delvolymer) 2.Beräkna representativ halt:  Långtidsrisker  Akuta risker  Behov av säkerhet i bedömningen 3.Jämför med riktvärden

6 Steg 1: Egenskapsområden  Delområden (2D), delvolymer (3D).  Förhållandevis homogena ur föroreningssynpunkt.  Ofta bra med en preliminär indelning före provtagning.  Förnyad indelning i samband med utvärdering av data.  Indelning baserad på:  Konceptuell modell: Historik, geologi, förväntade föroreningars uppträdande, visuella intryck m.m.  Markanvändning  Saneringsaspekter  Gamla och nya data

7 Steg 2: Representativ halt  Den ”representativa halten” är den halt som bäst representerar risksituationen i kontakt- och spridningsmedier utan att risken underskattas.  Risknivån kan bedömas genom att jämföra den representativa halten med riktvärde.  Skilj på långtidsrisker och akuta risker (olika representativa halter)

8 Olika val för representativ halt  Medelvärde av uppmätta halter  Percentilvärde (t.ex. 90-percentil) av uppmätta halter  Den halt som 90 procent av proverna understiger  Max av uppmätta värden  UCLM = Medelvärde med hänsyn till osäkerheter 2014-12-10

9 Övre konfidensgräns för medelhalten, UCLM  UCLM = Upper Confidence Limit of the Mean  UCLM 95 = Övre konfidensgräns för ett ensidigt 95-procentigt konfidensintervall för medelhalten.  UCLM garderar för osäkerheter vid skattning av medelhalten → vi vill inte underskatta risken.  Med 95% sannolikhet att den verkliga medelhalten lägre än UCLM 95. Medelvärde av analyser, m UCLMLCLM Dubbelsidigt konfidensintervall för medelhalten halt Ensidigt konfidensintervall för medelhalten Sannolikhet för verklig medelhalt

10 Metoder att beräkna representativ halt 2014-12-10 MedelvärdePercentilerMaxvärdeUCLM Fördelar Lätta att beräkna Kan räcka om området är tydligt ”förorenat” eller tydligt ”rent” Lätta att beräkna Garderar i viss mån för osäkerheter (om tillräckligt hög percentil väljs) Kan användas för att bedöma akuta risker Lätta att beräkna Garderar i viss mån för osäkerheter (dock inte alltid). Kan ibland användas för att bedöma akuta risker Graden av säkerhet blir tydlig Osäkerhet pga. variabilitet och begränsat antal data beaktas automatiskt Metoden är vedertagen Nackdelar Den skattade medelhalten blir ofta mycket osäker Ej lämpligt för att bedöma akuta risker Saknar vetenskapligt stöd för bedömning av långtidsrisker 50-percentilen (median) underskattar ofta risken Saknar vetenskapligt stöd för bedömning av långtidsrisker Kan bara öka om fler prov tas Kan ge falsk känsla av säkerhet Svårt att välja beräkningsmetod Olika antaganden och metoder kan i vissa fall ge mycket olika resultat Ej lämplig för att bedöma akuta risker

11 Halterna ofta mycket ojämnt fördelade Exempel bly i utfyllnadsområde 2014-12-10

12 Annat val av egenskapsområden 2014-12-10

13 Representativ halt – metoder Önskad metodik, långtidsrisker: Litet dataunderlag Måttligt/stort dataunderlag 1.Enkel metodik. Säkerheten är mindre viktig. Medelvärde 2.Enkel metodik och viss säkerhet. Graden av säkerhet får vara okänd. Maxvärde eller percentil Percentil 3.Väldefinierad säkerhetUCLM Dokumentera och motivera alltid valet av representativ halt samt vilka antaganden som ligger till grund.

14 Steg 3: Jämförelse med riktvärde Tre fall (långtidsrisker): 1.Medelvärdet större än riktvärdet  Risken är oacceptabel. Troligen krävs åtgärder. 2.Medelvärdet mindre än riktvärdet; UCLM större än riktvärdet:  Med de data vi har kan egenskapsområdet inte friklassas. Men mer data skulle kunna leda till friklassning. 3.UCLM mindre än riktvärdet:  Risken är acceptabel. Egenskapsområdet kan friklassas.

15 Exempel Pukebergs glasbruk OmrådeMark- använd­ ning AntimonArsenikBlyKadmium Medel UCLM95 MaxMedel UCLM95 MaxMedel UCLM95 MaxMedel UCLM95 Max Glasboden 3 Norra delenBruksmark1940180345443020827711007.421130 Glasboden 3 Södra delenBruksmark236.351223471252501.13.47.8 Glasboden 3 runt Hantverkshus Bruksmark122146164069781362600.92.33.9 NV hörnet Hyttan 1Bruksmark2642677314222058901602.45.18 Norr om bruketBruksmark36101425110661184403.716.849 N Hyttan 1 mot vägenBruksmark9214224431101944049203.87.618 Öster om bruketBruksmark10386813406317168813001.64.311 Syd Gamla hyttanBruksmark614173580150617277044003.68.511 Söder KonserthyttanBruksmark6121831881201344404606.233.924 Väster KonserthyttanBruksmark235.349152238600.93.66.4 Runt SodahusBruksmark346.8102946481542201.87.314 DeponinBruksmark23389910520147079417944500153583 I skogen syd deponinStröv9169207602082066170013285748740017506140 Mot åstrandenStröv812251114251642724302.23.714 Mot KärringagölenStröv4813203977821482800.71.02 Brukskontoret 1Bostad5154248172129530.30.61.2 Plan Brukskontoret 1Bostad11182861219132313357188000.40.60.9 Brukskontoret 2Bostad233.96102035561200.81.75.3 Glasboden 1 & 2Bostad223.1234.12538590.30.51.0 DisponentvillanBostad367.7234.31217210.2 0.3 Skog väster om glasbruketStröv344.5915213863810.60.91.2 Utanför deponinStröv345.347152048530.30.70.9 2014-12-10

16 Underlag för bedömning av åtgärdsbehov  Mycket stort åtgärdsbehov → medelvärden över riktvärde  Stort åtgärdsbehov → UCLM95 över riktvärde  Visst åtgärdsbehov → Halter i vissa punkter över riktvärdet  Speciell hänsyn till akuttoxiska ämnen 2014-12-10

17 Att beräkna UCLM95  Flera metoder möjliga att beräkna UCLM95  Beror på statistisk fördelning av proverna  Svårigheter om lämplig fördelning saknas  Beräkningsverktyg i Excel (Hållbar Sanering)  Kontroll av statistisk fördelning av prover (Normalfördelat – Lognormalfördelat)  UCLM95 (Normalfördelat, Lognormalfördelat, utan fördelning)  ProUCL (US EPA)  Flera statistiska funktioner  UCLM95 (Normalfördelat, Lognormalfördelat, Gammafördelat, utan fördelning)  Rekommendation på bästa värde 2014-12-10

18 Excelverktyget 2014-12-10

19 ProUCL 2014-12-10 UCLM95 i intervallet 110 – 170 mg/kg TS Rekommendation 147 mg/kg TS.

20 Representativ halt – Akut risk  Den representativa halten (95-percentil) överskrider referenshalten 100 mg/kg för akut risk (Naturvårdsverkets modell).  Sannolikheten är ca 6% att en slumpvis vald punkt på området överskrider referenshalten.

21 Vanliga misstag vid utvärdering av data  Tolkar ”ej provtaget” som ”ej förorenat” (undermedvetet)  Blanda data från olika populationer  Blanda data från riktad och slumpmässig provtagning  Utesluter avvikande provvärden ”outliers”

22 När är statistisk utvärdering fel väg att gå?  Mycket få data-värden från ett heterogent område  Data har dålig representativitet.  Tunga föroreningar (”sjunkare”), t.ex. klorerade alifater, styr risknivån, men man har inte lyckats hitta källan.  Enbart analyser på förorenat material  Stora mätfel i data

23 Sammanfattande råd  Lita inte blint på data! Det finns många felkällor… Tänk igenom hela kedjan hur data har kommit till.  Lita inte blint på beräkningsverktyg och programvaror! Vilka antaganden ligger till grund för beräkningarna? Är dessa rimliga? Om du inte vet det ska du kanske inte använda verktyget…  Gör rimlighetsbedömningar av dina och andras resultat! Om t.ex. UCLM-värdet är mindre än medelvärdet, eller 100 ggr större, vad betyder det?  Ta hjälp om datamängden är besvärlig…