Template : Report Double Sided

Verbetering kennisregels ecologische effecten
Ten behoeve van de KRW-verkenner
Planbureau voor de Leefomgeving
19 februari 2015
Conceptrapport
BC8148
HASKONINGDHV NEDERLAND B.V.
RIVERS, DELTAS & COASTS
Larixplein 1
Postbus 80007
5600 JZ Eindhoven
+ 31 88 348 42 50
Telefoon
+31 88 348 42 51
Fax
[email protected]
www.royalhaskoningdhv.com
Amersfoort 56515154
Documenttitel
E-mail
Internet
KvK
Verbetering kennisregels ecologische
effecten
Ten behoeve van de KRW-verkenner
Verkorte documenttitel
EEE4
Status
Conceptrapport
Datum
19 februari 2015
Projectnaam
EEE4
Projectnummer
BC8148
Opdrachtgever
Planbureau voor de Leefomgeving
Referentie
Auteur(s)
Collegiale toets
Datum/paraaf
Vrijgegeven door
Datum/paraaf
RDC_BC8148_R001_901530_d1
drs. M.D. Schipper en ir. A.H.H.M. Schomaker
drs. ing. C.H.M. Evers
………………….
………………….
ir. R.A.E. Knoben
………………….
………………….
A company of Royal HaskoningDHV
EEE4
Conceptrapport
-i-
RDC_BC8148_R001_901530_d1
19 februari 2015
INHOUDSOPGAVE
Blz.
1
INLEIDING
2
OPZET
2.1
2.2
2.3
3
1
Methodiek
Verbetering datasets
Training neurale netwerken
RESULTATEN
2
2
2
5
10
BIJLAGEN
1. Beschrijving NN langzaam stromende beken
2. Beschrijving NN snel stromende beken
3. Beschrijving NN diepe meren
4. Beschrijving NN ondiepe meren
5. Beschrijving NN kanalen
6. Beschrijving NN sloten
7. Beschrijving NN zwak brake wateren
8. Beschrijving NN brak tot zoute wateren
EEE4
Conceptrapport
RDC_BC8148_R001_901530_d1
19 februari 2015
1
INLEIDING
Het afgelopen jaar hebben de waterbeheerders hard gewerkt om de waterlichamen,
doelen en maatregelen aan te passen en vast te stellen voor hun waterbeheerplannen
en SGBP2. Het Planbureau voor de Leefomgeving (PBL) gaat net als in 2007 en 2009
voor SGBP1 analyseren in hoeverre de geplande maatregelen leiden tot het bereiken
van de doelen (in de zogenaamde Ex Ante evaluatie). Dit gebeurt in samenwerking met
Deltares waarbij met de KRW-verkenner de effecten van de maatregelen op de
ecologische toestand worden doorgerekend. Om dit mogelijk te maken, is echter eerst
een aanpassing van de ecologische rekentools in de KRW-verkenner noodzakelijk.
Deze zijn namelijk nog opgesteld op basis van de oude maatlatten en
waterlichaamkarakterisering. De ecologische rekenregels zijn ondergebracht in een
rekenmodule Expertsystseem Ecologische Effecten. Waarbij voor dit project de versie 3
is aangepast naar versie 4 (EEE4)
Royal HaskoningDHV heeft van PBL opdracht gekregen om voor de KRW-Verkenner:
 Bestaande datasets aan te passen aan de nieuwe maatlatten en aan te vullen als
dat mogelijk is.
 Nieuwe neurale netwerken te trainen voor de acht verschillende watertypen (EEE4).
 De verkregen netwerken te testen en tezamen als ‘stand alone’ executable te
compileren voor gebruik in de KRW-verkenner.
In deze korte rapportage wordt de methodiek, opzet en resultaten van de neurale
netwerken beschreven. In bijlagen 1 t/m 8 worden de concrete resultaten van deze
netwerken voor elk van de acht watertypen gegeven.
EEE4
Conceptrapport
RDC_BC8148_R001_901530_d1
-1-
19 februari 2015
2
OPZET
2.1
Methodiek
Met de aangevulde en verbeterde datasets zijn nieuwe neurale netwerken getraind met
de Neural Network Toolbox V7.0 (R2010b) in Matlab V7.11 (R2010b) van Mathworks®.
Het daarbij gebruikte type neurale netwerk is een zogenaamd feed forward back
propagation netwerk dat ook toegepast is voor het trainen van de EEE21 en EEE32
netwerken. Voor elk te trainen netwerk zijn de datasets verdeeld in een set met 80%
wateren voor de training en validatie en een set met 20% wateren voor het testen. Deze
zelfde 20% worden ook bij de andere tools (PUNN en Regressiebomen) gebruikt om te
testen. Deze 20% testdata is in het verleden wel eens (foutief) validatiedata genoemd,
maar wordt dus enkel gebruik voor het testen en onderling vergelijken van de drie
rekentools.
De aldus verkregen netwerken zijn vervolgens gecompileerd tot de executable
EEE4.exe met Matlab Compiler V4.14 (R2010b). Deze executable leest een csvinvoerbestand in en genereert twee uitvoerbestanden, te weten:
 Een csv-bestand waarin eventuele te hoge of te lage waarden van een
stuurvariabele als ‘outliers’ zijn aangegeven.
 Een csv-bestand met voorspelde EKR’s voor alle kwaliteitselementen.
Deze executable is aan Deltares geleverd voor koppeling aan de KRW-verkenner.
2.2
Verbetering datasets
Uitgangspunten
Bij de verbetering van de dataset zijn de volgende uitgangspunten van toepassing:
 De clusters van regionale watertypen blijven gelijk.
 De stuurvariabelen binnen de genoemde watertypeclusters blijven ook gelijk.
 De kwaliteitselementen zijn: fytoplankton, overige waterflora (macrofyten,
gecombineerd met fytobenthos in de stromende wateren), macrofauna en vis.
 De datasets voor training (incl. validatie) en testen (verder trainingset genoemd) per
watertype en biologisch kwaliteitselement die voor EEE3 (Expertsysteem
Ecologische Effecten) zijn samengesteld in 2012 waren het startpunt. De
verbetering van de trainingsets is vooral gericht op de effecten van de nieuwe
maatlatten. Omdat het Waterkwaliteitsportaal (meest recente KRW-toetsing) voor
alle kwaliteitselementen nieuwe gegevens bevat, is vervanging van deze gegevens
in de trainingset noodzakelijk. Daarnaast moeten de EKR’s voor overige waterflora
en vis van de Limnodata-toetsingen en de expertoordelen ook vervangen worden
omdat deze maatlatten zijn gewijzigd. Dat is gedaan met nieuwe toetsingen, waar
beschikbaar, of met een factor of formule waar er een duidelijke relatie is tussen de
oude en nieuwe maatlatten. Voor macrofauna in M30 (zwak brakke wateren) en
fytoplankton in M20 (diepe zoete meren) geldt hetzelfde.
1
Rapport ‘Verdere ontwikkeling Expertsysteem Ecologische Effecten en evaluatie gebruik in de Ex ante evaluatie
KRW’, voor Planbureau voor de Leefomgeving, Royal Haskoning, 16 april 2009.
2
Rapport ‘Verbetering kennisregels ecologische effecten ten behoeve van de KRW-verkenner’, voor STOWA, Royal
HaskoningDHV, 6 februari 2013.
RDC_BC8148_R001_901530_d1
19 februari 2015
EEE4
-2-
Conceptrapport
Veranderingen in dataset
Voor het trainen van nieuwe neurale netwerken ten behoeve van EEE4 zijn de datasets
voor de acht verschillende watertypen zoals gebruikt voor de verdere ontwikkeling van
EEE3 in 2012 aangevuld en verbeterd. Tabel 2.1 geeft hiervan een overzicht.
Voor zes watertypen zijn de datasets uitgebreid, voor één watertype is de dataset gelijk
gebleven in aantal records en voor één watertype is er één record minder.
Van de uitgebreide datasets springen de watertypes langzaam stromende beken,
ondiepe meren en kanalen erbovenuit met aardig wat meer records, om precies te zijn
10, 11 en 13 records. Na deze update is voor alle watertypenclusters op de diepe meren
na een dataset van voldoende omvang (circa 190-200) verkregen. Het aantal diepe
meren dat in Nederland als waterlichaam is aangewezen is echter zo laag dat een
dataset met vergelijkbare omvang niet mogelijk is op dit moment. Ondanks de relatief
kleine dataset waren er voor alle kwaliteitselementen van dit type waterlichaam toch
goede netwerken te trainen.
Samenvattend zijn er iets meer records beschikbaar en meestal hetzelfde of meer echte
metingen. Bij meer records kan dat soms tot een iets lager percentage ‘echte
waarnemingen’ leiden.
Tabel 2.1: Aantal records in de datasets voor ontwikkeling EEE4 en aandeel monsters dat getoetst is
aan de KRW-maatlatten (uit Limnodata, Piscaria of uit het WKP), eventueel aangepast n.a.v.
ontbrekende data of andere gegevens. Resterend aandeel ingevuld op basis van expert judgement.
Tussen () het aantal records c.q. percentage getoetst bij EEE3
Watertypencluster
Aantal
Percentage records gebaseerd op echte biologische
records
monsters die aan KRW-maatlatten getoetst zijn.
Fytoplankton
Overige waterflora
Macrofauna
Vissen
96 (93)
97 (97)
69 (66)
63 (56)
97 (97)
62 (54)
56 (58)
90 (90)
28 (30)
79 (80)
39 (39)
84 (85)
22 (21)
71 (66)
75 (74)
95 (94)
52 (41)
69 (75)
93 (93)
26 (31)
94 (93)
59 (59)
93 (96)
23 (15)
95 (95)
23 (24)
97 (96)
10 (10)
Langzaam stromende beken
212 (202)
Snel stromende beken
195 (195)
Ondiepe meren
204 (193)
66 (66)
Diepe meren
129 (128)
Kanalen
211 (198)
Sloten
195 (193)
Zwak brakke wateren
209 (203)
Brakke tot zoute wateren
185 (186)
Verandering in oordelen na aanpassing maatlat
In beide clusters stromende wateren was het verwerken van de nieuwe maatlatten voor
overige waterflora (specifiek de macrofyten) en vis het meest ingrijpend. Met name voor
vis zijn de oordelen op dezelfde locaties nu een stuk lager dan voorheen.
In de zwak brakke wateren heeft de aangepaste maatlat voor macrofauna het meeste
effect op de EKR’s. In het zoete bereik (<1000 mg Cl/l) zijn de oordelen hoger dan
voorheen en in het zoute bereik (>2000 mg Cl/l) juist lager.
EEE4
Conceptrapport
RDC_BC8148_R001_901530_d1
-3-
19 februari 2015
In de diepe zoete meren heeft de aanpassing van de deelmaatlat voor chlorofyl geleid
tot hogere EKR’s voor fytoplankton. De nieuwe maatlatten voor overige waterflora en vis
leiden in de meeste gevallen tot wat lagere EKR’s.
In de sloten en kanalen zijn met de maatlataanpassingen (vis en overige waterflora)
hoofdzakelijk fouten opgelost. Dit heeft niet geleid tot een structurele verhoging of
verlaging van de EKR. De maatlatfouten spelen uiteraard niet in de expertoordelen en
zijn dan ook niet aangepast. Dit geldt ook voor overige waterflora in de ondiepe meren.
Bij vis in de ondiepe meren is wel overwogen om de expertoordelen wat te verlagen. De
relaties tussen de EKR’s van oude en nieuwe maatlatten was echt niet goed genoeg om
een juiste factor af te kunnen leiden. Daarom is eerst getraind en zijn vervolgens expert
oordelen aangepast waar de berekende oordelen die duidelijk afwijken van de
ingevoerde waarden.
De volgende codes zijn gebruikt in de trainingsets om de herkomst van de gegevens te
kunnen herleiden en of het betreffende record is gebruikt voor training (+ validatie) of
testen:
 Herkomst locatie: LD (meetpunt uit Limnodata), WL (Waterlichaam uit
Waterkwaliteitportaal/WKP) en DF (Default locatie op basis van de
referentiebeschrijvingen).
 Herkomst EKR per kwaliteitselement: 1 (KRW conforme toetsing
meetpuntgegevens), 2 (EKR waterlichaam uit WKP SGBP2), 3 (expertoordeel), 4
(eigen default) en 5 (EKR waterlichaam vorige ronde SGBP1, soms enige
mogelijkheid). Combinaties zijn ook mogelijk.
 Toepassing EKR kwaliteitselement: T (gebruikt voor de training) en V (gebruikt voor
testen3).
3
Werd bij EEE3 validatie genoemd, maar dit was eigenlijk het testen. Nu wordt het ook testen genoemd in het
rapport, maar de V komt nog van Validatie in de opgeleverde sets (zodat die overeenkomen met de vorige versie).
Zie ook paragraaf 2.3.
RDC_BC8148_R001_901530_d1
19 februari 2015
EEE4
-4-
Conceptrapport
2.3
Training neurale netwerken
De Matlab scripts die zijn opgesteld om de neurale netwerken te trainen zijn geupdate,
waarna nieuwe neurale netwerken zijn getraind met de datasets die ten opzichte van de
sets in 2012 zijn aangevuld en verbeterd.
In tabel 2.2 is een overzicht gegeven van de watertypen, de verschillende neurale
netwerken en het aantal trainingscycli dat is uitgevoerd.
Tabel 2.2: Watertypen, neurale netwerken en trainingscycli
Watertype
Codering
Omschrijving
R4, R5, R6 en R12
Langzaam stromende beken
R13, R14, R15, R17
Snel stromende beken
en R18
M20
M14, M23 en M27
M3, M4, M6a/b,
Diepe meren
Ondiepe meren
Kanalen
M7a/b en M10
M1a/b, M2 en M8
M30
M31
Sloten
Zwak brakke wateren
Brak tot zoute wateren
Neuraal netwerk voor
Aantal trainingscycli

Overige waterflora
Elk netwerk

Macrofauna
11 000

Vissen

Overige waterflora
Elk netwerk

Macrofauna
11 000

Vissen

Fytoplankton
Elk netwerk

Overige waterflora
11 000

Macrofauna

Vissen

Fytoplankton
Elk netwerk

Overige waterflora
11 000

Macrofauna

Vissen

Fytoplankton
Elk netwerk

Overige waterflora
55 000

Macrofauna

Vissen

Overige waterflora
Elk netwerk

Macrofauna
11 000

Vissen

Fytoplankton
Elk netwerk

Overige waterflora
55 000

Macrofauna

Vissen

Fytoplankton
Elk netwerk

Overige waterflora
55 000

Macrofauna

Vissen
EEE4
Conceptrapport
RDC_BC8148_R001_901530_d1
-5-
19 februari 2015
In Tekst box 1 is de opbouw van een training en de bijbehorende begrippen verder
toegelicht.
Tekst Box 1 De opbouw van een training
Met het trainen van een neuraal netwerk wordt in eerste instantie het complete proces bedoeld
waarmee het beste neuraal netwerk wordt bepaald dat gebruikt kan worden in de KRW-verkenner.
Echter binnen deze training zitten onderliggende trainingen. Elke training (complete proces) bestaat
namelijk uit herhalingen van een trainingscyclus. Binnen één trainingscyclus bestaat er ook weer een
training van een netwerk. Deze training in de trainingscyclus bestaat uit maximaal 100 epochs
(default). Een epoch is één training met meteen daaropvolgend de validatie van het getraind netwerk.
In figuur 2.1 is een voorbeeld te zien van een performance grafiek van de training van een netwerk
binnen een trainingscyclus. Te zien is dat voor elke epoch gekeken wordt naar de mean squared error
(mse), de netwerkfout, van de traindata en validatiedata. In dit specifieke geval gaf de 7e epoch de
laagste mse voor de validatiedata. Als de mse de volgende zes epochs niet lager is (default), wordt dit
netwerk gekozen als het beste netwerk uit deze trainingscyclus. Afhankelijk van de bijbehorende R2 en
RC wordt het netwerk wel of niet opgeslagen.
Figuur 2.1: Voorbeeld van een performance grafiek van de training van een neuraal netwerk.
Trainen, valideren en testen
Zoals al is aangegeven in paragraaf 2.1 is de dataset willekeurig verdeeld in 80% (train-)
en 20% (test-)data. De 80% data is vervolgens voor elke trainingscyclus opnieuw
willekeurig verdeeld in 80% voor de training en 20% voor de validatie. Tijdens de
training worden de netwerkfout in de trainingset en de netwerkfout in de validatieset
continu gecontroleerd. Beide fouten nemen tijdens de eerste fase van de training
gewoonlijk af. Wanneer het netwerk zichzelf overtraint (‘overfitting’), zal de fout in de
validatieset meestal groter worden. De netwerkparameters worden dan vastgelegd op
het minimum van de validatiefout.
De verdeling van de dataset in training + validatie (80%) en testen (20%) van de
uiteindelijk vastgestelde neurale netwerken zijn vervolgens ook beschikbaar gesteld
voor het trainen van de andere twee typen expertsystemen (PUNN’s bij Witteveen en
Bos en regressieboomanalyses bij Planbureau voor de Leefomgeving). In deze datasets
is de testset zoals eerder gesteld nog aangegeven met een ‘V’.
RDC_BC8148_R001_901530_d1
19 februari 2015
EEE4
-6-
Conceptrapport
Voor een specifiek neuraal netwerk is telkens één trainingscyclus4 ingezet. De cyclus is
gericht op:
1. Maximalisatie van de determinatiecoëfficiënt R2 tussen voorspelde en gemeten
EKR’s.
2. Optimalisatie van de richtingscoëfficiënt RC van de verkregen lineaire regressielijn
van voorspelde en gemeten EKR’s.
Dit houdt in dat na het bepalen van het netwerk met de laagste validatiefout de R2 wordt
berekend en vergeleken met de R2 van het voorgaande beste netwerk. Als de R2 beter
is wordt ook de RC berekend en vergeleken met de RC van het voorgaande beste
netwerk. Als de RC en dus ook de R2 beter is wordt dit netwerk opgeslagen en de
daarvoor gebruikte training- en validatieset bewaard. Tijdens de training van een
netwerk wordt de trainingscyclus minimaal 11 000 en maximaal 55 000 keer herhaald
afhankelijk van het watertype. Bij elke trainingscyclus wordt de dataset opnieuw
willekeurig verdeeld in training- en validatiedata en de maximale R2 en RC tot dan toe
wordt meegenomen. Aan het eind van de training is het netwerk met de beste R2 en RC
opgeslagen. De daarbij behorende trainings- en validatiesets zijn daarna verstuurd aan
de trainers van de andere twee expertsystemen.
Tabel 2.3 geeft een overzicht van de stuurfactoren die bij de training van de
verschillende watertypen als invoerparameter zijn gebruikt.
Brakke tot zoute
wateren
X
X
X
X
X
Peildynamiek
X
X
X
X
X
X
X
X
X
X
X
X
Onderhoud
Connectiviteit
Meandering
X
X
Verstuwing
X
X
Beschaduwing
X
X
Zwak brakke
wateren
X
Stuurvariabele
Sloten
Ondiepe meren
Oeverinrichting
Watertype
Kanalen en
vaarten
Diepe meren
Snel stromende
beken
Langzaam
stromende beken
Tabel 2.3: Watertypen en de gekozen hydromorfologische en chemische stuurvariabelen
X
Scheepvaart
X
X
X
X
Totaal P zgem
X
X
X
X
X
X
X
X
Totaal N zgem
X
X
X
X
X
X
X
X
BZV
Chloride zgem
In tabel 2.4a-e worden de waarden van de stuurvariabelen per watertypencluster verder
uitgewerkt naar klasse-indeling en eenheden.
4
Bij het trainen van EEE3 was dit opgesplitst in 2 cycli. Echter, tijdens het updaten van de scripts bleek het
efficiënter om dit te combineren in één cyclus.
EEE4
Conceptrapport
RDC_BC8148_R001_901530_d1
-7-
19 februari 2015
Tabel 2.4a: Stuurvariabelen langzaam en snel stromende beken uitgesplitst naar hydromorfologische
en chemische parameters
Hydromorfologische parameters
Klassen
Waarden en omschrijving
1=recht + normprofiel, 2=gestrekt + natuurlijker dwarsprofiel,
Meandering5
5
Verstuwing
3
3=zwak slingerend, 4=slingerend, 5=vrij meanderend
1=sterk gestuwd zonder vistrappen, 2=gestuwd met
vistrappen, 3=ongestuwd
1=onbeschaduwd zonder ruigte op de oevers, 2=gedeeltelijk
beschaduwd of ruigte op de oever en 3=grotendeels of geheel
Beschaduwing
3
beschaduwd (opgaande begroeiing/bos)
Chemische parameters
Eenheid
BZV*
mg O2/l
belasting
Totaal P
mg P/l
Zomergemiddelde (april-september), maat voor eutrofiëring
Totaal N
mg N/l
Zomergemiddelde (april-september), maat voor eutrofiëring
Zomergemiddelde (april-september), maat voor organische
* BZV is Biochemisch Zuurstofverbruik (maat voor de organische belasting van een water).
Tabel 2.4b: Stuurvariabelen zoete ondiepe en diepe meren uitgesplitst naar hydromorfologische en
chemische parameters
Hydromorfologische parameters
Klassen
Waarden en omschrijving
Oeverinrichting
3
3=moeras+riet/helofyten
Peildynamiek
3
1=tegennatuurlijk, 2=stabiel, 3=natuurlijk
Chemische parameters
Eenheid
Totaal P
mg P/l
Zomergemiddelde (april-september), maat voor eutrofiëring
Totaal N
mg N/l
Zomergemiddelde (april-september), maat voor eutrofiëring
1=beschoeid of steil en onbegroeid, 2=riet/helofyten,
Tabel 2.4c: Stuurvariabelen kanalen uitgesplitst naar hydromorfologische en chemische parameters
Hydromorfologische parameters
Klassen
Waarden en omschrijving
Oeverinrichting
3
1=beschoeid, 2=steil, 3=flauw/moerassig (NVO*)
Peildynamiek
3
1=tegennatuurlijk, 2=stabiel, 3=natuurlijk
2
1=intensief, 2=extensief
Scheepvaart
2
1=intensief bevaren, 2 niet of nauwelijks bevaren
Chemische parameters
Eenheid
Totaal P
mg P/l
Zomergemiddelde (april-september), maat voor eutrofiëring
Totaal N
mg N/l
Zomergemiddelde (april-september), maat voor eutrofiëring
Onderhoud
6
* NVO staat voor Natuurvriendelijke oevers.
5
De mate van meandering wordt uitgedrukt in sinuositeit. Sinuositeit is de lengte van de beek gedeeld door de
lengte van het stroomdal. Op basis van sinuositeit kunnen 5 klassen in meandering worden onderscheiden, te
weten: 1. Recht (sinuositeit 1), 2. Gestrekt (sinuositeit 1.01-1.05), 3. Zwak slingerend (sinuositeit 1.06-1.25), 4.
Slingerend (sinuositeit 1.26-1.5), 5. Meanderend (sinuositeit >1.5).
6
De mate van intensiteit van het onderhoud was meestal alleen kwalitatief beschikbaar. Wanneer als KRW
maatregel extensief onderhoud is opgenomen, is aangenomen dat het in de huidige situatie intensief is.
RDC_BC8148_R001_901530_d1
19 februari 2015
EEE4
-8-
Conceptrapport
Tabel 2.4d: Stuurvariabelen sloten uitgesplitst naar hydromorfologische en chemische parameters
Hydromorfologische parameters
Klassen
Waarden en omschrijving
Oeverinrichting
3
1=beschoeid, 2=steil, 3=flauw/moerassig (NVO*)
Peildynamiek
3
1=tegennatuurlijk, 2=stabiel, 3=natuurlijk
Onderhoud
2
1=intensief, 2=extensief
Chemische parameters
Eenheid
Totaal P
mg P/l
Zomergemiddelde (april-september), maat voor eutrofiëring
Totaal N
mg N/l
Zomergemiddelde (april-september), maat voor eutrofiëring
* NVO staat voor Natuurvriendelijke oevers.
Tabel 2.4e: Stuurvariabelen zwak brakke en brakke tot zoute wateren uitgesplitst in
hydromorfologische en chemische parameters
Hydromorfologische parameters
Klassen
Waarden en omschrijving
Oeverinrichting
3
1=beschoeid, 2=steil, 3=flauw/moerassig (NVO*)
Peildynamiek
3
1=tegennatuurlijk, 2=stabiel, 3=natuurlijk
Onderhoud
2
1=intensief, 2=extensief
Connectiviteit
3
1=geïsoleerd, 2=periodiek geïsoleerd, 3=open verbinding
Chemische parameters
Eenheid
Chloride gehalte
mg Cl/l
Zomergemiddelde (april-september), maat voor verzoeting
Totaal P
mg P/l
Zomergemiddelde (april-september), maat voor eutrofiëring
Totaal N
mg N/l
Zomergemiddelde (april-september), maat voor eutrofiëring
* NVO staat voor Natuurvriendelijke oevers.
EEE4
Conceptrapport
RDC_BC8148_R001_901530_d1
-9-
19 februari 2015
3
RESULTATEN
Hierna wordt in tabel 3.1 een samenvatting gegeven van de resultaten van de
netwerktrainingen voor de kwaliteitselementen van de verschillende watertypen.
Naast determinatiecoëfficiënt R2 en richtingscoëfficiënt RC zijn in de tabel opgenomen:
 De gemiddelde voorspelfout RMSE (Rooted Mean Square Error). Deze is als volgt
gedefinieerd:
𝑁
1
𝑅𝑀𝑆𝐸 = √
∑ (𝑦𝑖 − 𝑦̂𝑖 )2
𝑁
𝑖°1


In deze formule staat yi voor de gemeten EKR en 𝑦̂𝑖 voor de met het expertsysteem
voorspelde EKR in water i. Bij een perfecte voorspelling geldt dat de RMSE-waarde
gelijk is aan nul.
Het percentage voorspelde EKR’s dat minder dan 0,1 afwijkt van gemeten EKR.
De Coëfficiënt of Determination (CoD) van de testset. De CoD is een maat voor de
voorspellingswaarde van een neuraal netwerk. De waarde dient groter te zijn dan 0
en zo dicht mogelijk bij 1 te liggen. De formule voor de CoD is:
2
𝐶𝑜𝐷 = 1 − 𝑅𝑀𝑆𝐸 ⁄𝑣𝑎𝑟(𝑦 )
𝑖
Met ‘var(yi)’ de variantie van de metingen in de testset.
Voor de gedetailleerde resultaten van de getrainde netwerken voor de verschillende
watertypen wordt verwezen naar bijlagen 1 t/m 8.
De EEE4-resultaten zijn vergelijkbaar tot beter dan die van EEE3 (tabel 3.1). Zowel de
R2 als de RC is in alle gevallen verbeterd of zo goed als gelijk gebleven (-0.01 tot -0.06
afname). De RMSE is in alle gevallen kleiner geworden en het percentage binnen 0.1 is
op twee netwerken na (-1 en -3 afname) gelijk gebleven of toegenomen met zelfs een
toename van 24%. De CoD is heel wisselend met verschillen tussen de -0.48 en +0.45.
De resultaten van beide EEE-versies zijn statistisch niet verder met elkaar vergeleken.
We bevelen aan om dit weer gecombineerd voor alle drie de rekentools uit te voeren.
De met deze netwerken gecompileerde executable EEE4.exe dient als invoer een
inputdata.csv bestand te hebben zoals weergegeven in tabel 3.2.
De beide uitvoerbestanden van deze EEE4 tool – outputdata.csv en outliers.csv - zijn
weergegeven in tabel 3.3 en 3.4.
RDC_BC8148_R001_901530_d1
19 februari 2015
EEE4
- 10 -
Conceptrapport
Tabel 3.1: Statistische kenmerken van getrainde neurale netwerken voor de verschillende watertypen
tussen () waarden van EEE3
Watertype
Kwaliteitselementen
Trainingset
2
R
Testset
RC
RMSE
% afwijking
CoD
EKR < 0.1
Langzaam
stromende
beken
Snel
stromende
beken
Diepe
meren
Ondiepe
meren
Kanalen
Sloten
Zwak brakke
wateren
Brak tot
zoute
wateren
Overige waterflora
0.81 (0.81)
0.81 (0.83)
0.063 (0.066)
88 (88)
0.71 (0.56)
Macrofauna
0.91 (0.88)
0.91 (0.91)
0.052 (0.060)
96 (91)
0.54 (0.74)
Vissen
0.89 (0.87)
0.88 (0.91)
0.059 (0.061)
91 (90)
0.50 (0.84)
Overige waterflora
0.92 (0.91)
0.89 (0.95)
0.058 (0.063)
93 (87)
0.82 (0.76)
Macrofauna
0.81 (0.75)
0.78 (0.75)
0.094 (0.104)
67 (68)
0.51 (0.60)
Vissen
0.88 (0.82)
0.88 (0.82)
0.066 (0.093)
90 (72)
0.67 (0.84)
Fytoplankton
0.82 (0.66)
0.83 (0.64)
0.108 (0.158)
56 (54)
0.48 (-0.06)
Overige waterflora
0.93 (0.87)
0.92 (0.87)
0.040 (0.081)
99 (75)
0.50 (0.56)
Macrofauna
0.92 (0.86)
0.92 (0.88)
0.048 (0.068)
94 (89)
0.50 (0.56)
Vissen
0.91 (0.85)
0.91 (0.89)
0.062 (0.071)
87 (85)
0.21 (0.69)
Fytoplankton
0.87 (0.78)
0.86 (0.77)
0.097 (0.117)
65 (61)
0.65 (0.64)
Overige waterflora
0.90 (0.84)
0.90 (0.85)
0.068 (0.086)
85 (79)
0.76 (0.42)
Macrofauna
0.81 (0.73)
0.78 (0.75)
0.074 (0.089)
81 (72)
0.44 (0.57)
Vissen
0.87 (0.83)
0.84 (0.87)
0.077 (0.086)
81 (75)
0.57 (0.35)
Fytoplankton
0.86 (0.86)
0.86 (0.86)
0.066 (0.076)
85 (82)
0.69 (0.64)
Overige waterflora
0.77 (0.68)
0.78 (0.75)
0.081 (0.099)
74 (67)
0.02 (-0.21)
Macrofauna
0.80 (0.78)
0.80 (0.78)
0.083 (0.090)
73 (72)
0.62 (0.27)
Vissen
0.85 (0.81)
0.86 (0.81)
0.067 (0.070)
89 (86)
0.68 (0.23)
Overige waterflora
0.88 (0.79)
0.92 (0.76)
0.067 (0.089)
87 (73)
0.63 (0.49)
Macrofauna
0.78 (0.77)
0.78 (0.79)
0.089 (0.093)
70 (69)
0.57 (0.49)
Vissen
0.90 (0.89)
0.90 (0.91)
0.056 (0.057)
90 (93)
0.79 (0.71)
Fytoplankton
0.88 (0.70)
0.86 (0.79)
0.077 (0.119)
81 (72)
0.02 (-0.18)
Overige waterflora
0.90 (0.81)
0.92 (0.84)
0.066 (0.084)
84 (81)
0.33 (0.55)
Macrofauna
0.77 (0.66)
0.77 (0.68)
0.068 (0.104)
83 (75)
0.00 (0.06)
Vissen
0.88 (0.71)
0.87 (0.79)
0.059 (0.091)
90 (77)
0.00 (0.35)
Fytoplankton
0.85 (0.74)
0.85 (0.82)
0.064 (0.100)
84 (67)
0.45 (-0.13)
Overige waterflora
0.90 (0.84)
0.93 (0.88)
0.052 (0.063)
91 (88)
0.35 (0.45)
Macrofauna
0.76 (0.68)
0.73 (0.70)
0.109 (0.123)
60 (58)
0.36 (0.40)
Vissen
0.88 (0.68)
0.88 (0.75)
0.055 (0.086)
92 (83)
0.35 (0.36)
EEE4
Conceptrapport
RDC_BC8148_R001_901530_d1
- 11 -
19 februari 2015
Tabel 3.2: Voorbeeld van invoerbestand EEE4
ID
a1
a2
a3
a4
a5
a6
a7
a8
a9
a10
a11
a12
a13
a14
a15
a16
a17
a18
a19
a20
a21
a22
a23
a24
a25
a26
Waterbody
a
b
c
d
e
f
g
h
f
g
h
i
j
k
l
m
n
o
p
q
r
s
t
u
v
w
Watertype
R4
R5
R6
R12
R13
R14
R15
R17
R18
M1a
M1b
M2
M8
M3
M4
M6a
M6b
M7a
M7b
M10
M14
M23
M27
M20
M30
M31
Meandering
Shading Weirs Banks LevelControl Maintenance Shipping Connectivity BOD Chloride P-total N-total
10
0.5
0.3 NA
NA
NA
NA
NA
1.7 NA
0.14
4
2
1
2 NA
NA
NA
NA
NA
1.5 NA
0.2
2
7
7
7 NA
NA
NA
NA
NA
1.5 NA
0.1
3
2
3
1 NA
NA
NA
NA
NA
1.8 NA
0.15
2
2
2
2 NA
NA
NA
NA
NA
1.2 NA
0.2
1
1
3
3 NA
NA
NA
NA
NA
1 NA
0.1
2
3
1
2 NA
NA
NA
NA
NA
1.5 NA
0.2
2
3
3
1 NA
NA
NA
NA
NA
1.5 NA
0.1
3
1
6
4 NA
NA
NA
NA
NA
1.8 NA
0.15
2
NA
NA
NA
1
1
2 NA
NA
NA NA
0.1
3
NA
NA
NA
2
1
1 NA
NA
NA NA
0.15
2
NA
NA
NA
6
6
6 NA
NA
NA NA
0.2
5
NA
NA
NA
2
2
1 NA
NA
NA NA
0.1
4
NA
NA
NA
1
2
3
2 NA
NA NA
0.2
4
NA
NA
NA
2
1
2
1 NA
NA NA
0.1
3
NA
NA
NA
1
2
3
2 NA
NA NA
0.15
2
NA
NA
NA
2
1
1
1 NA
NA NA
0.2
3
NA
NA
NA
1
2
2
2 NA
NA NA
0.25
5
NA
NA
NA
2
1
2
1 NA
NA NA
0.3
5
NA
NA
NA
1
2
3
2 NA
NA NA
0.2
4
NA
NA
NA
2
1 NA
NA
NA
NA NA
0.1
3
NA
NA
NA
1
2 NA
NA
NA
NA NA
0.2
2
NA
NA
NA
2
1 NA
NA
NA
NA NA
0.1
4
NA
NA
NA
1
2 NA
NA
NA
NA NA
0.2
4
NA
NA
NA
2
2
2
2
2000
0.5
6
NA
NA
NA
1
3
2
3
10000
0.7
3
RDC_BC8148_R001_901530_d1
19 februari 2015
EEE4
- 12 -
Conceptrapport
Tabel 3.3: Voorbeeld van uitvoerbestand outputdata.csv
ID
a1
a2
a3
a4
a5
a6
a7
a8
a9
a10
a11
a12
a13
a14
a15
a16
a17
a18
a19
a20
a21
a22
a23
a24
a25
a26
Waterbody
a
b
c
d
e
f
g
h
f
g
h
i
j
k
l
m
n
o
p
q
r
s
t
u
v
w
Watertype
R4
R5
R6
R12
R13
R14
R15
R17
R18
M1a
M1b
M2
M8
M3
M4
M6a
M6b
M7a
M7b
M10
M14
M23
M27
M20
M30
M31
Meandering Shading Weirs Banks LevelControl Maintenance Shipping Connectivity BOD Chloride P-total N-total EQRfytoplankton EQRaquaflora EQRmacroinv EQRfish
10
0.5
0.3 NA
NA
NA
NA
NA
1.7 NA
0.14
4 NA
0.51284
0.66277 0.38281
2
1
2 NA
NA
NA
NA
NA
1.5 NA
0.2
2 NA
0.49136
0.30431 0.31885
7
7
7 NA
NA
NA
NA
NA
1.5 NA
0.1
3 NA
0.93785
0.86214 0.91209
2
3
1 NA
NA
NA
NA
NA
1.8 NA
0.15
2 NA
0.52964
0.53334 0.52623
2
2
2 NA
NA
NA
NA
NA
1.2 NA
0.2
1 NA
0.50315
0.47833 0.43354
1
3
3 NA
NA
NA
NA
NA
1 NA
0.1
2 NA
0.50772
0.38774 0.44606
3
1
2 NA
NA
NA
NA
NA
1.5 NA
0.2
2 NA
0.5907
0.48234 0.47787
3
3
1 NA
NA
NA
NA
NA
1.5 NA
0.1
3 NA
0.61543
0.61575 0.44075
1
6
4 NA
NA
NA
NA
NA
1.8 NA
0.15
2 NA
0.43841
0.37512 0.42047
NA
NA
NA
1
1
2 NA
NA
NA NA
0.1
3 NA
0.3321
0.37495 0.47325
NA
NA
NA
2
1
1 NA
NA
NA NA
0.15
2 NA
0.29899
0.37095 0.47713
NA
NA
NA
6
6
6 NA
NA
NA NA
0.2
5 NA
0.85665
0.64703 0.95021
NA
NA
NA
2
2
1 NA
NA
NA NA
0.1
4 NA
0.33927
0.49802 0.5735
NA
NA
NA
1
2
3
2 NA
NA NA
0.2
4
0.47211
0.37762
0.38936 0.43983
NA
NA
NA
2
1
2
1 NA
NA NA
0.1
3
0.93493
0.1279
0.29451 0.97472
NA
NA
NA
1
2
3
2 NA
NA NA
0.15
2
0.52034
0.37925
0.57012 0.5285
NA
NA
NA
2
1
1
1 NA
NA NA
0.2
3
0.92999
0.077455
0.1194 0.97314
NA
NA
NA
1
2
2
2 NA
NA NA
0.25
5
0.4608
0.37596
0.16707 0.34282
NA
NA
NA
2
1
2
1 NA
NA NA
0.3
5
0.92203
0.31511
0.27583 0.95844
NA
NA
NA
1
2
3
2 NA
NA NA
0.2
4
0.47211
0.37762
0.38936 0.43983
NA
NA
NA
2
1 NA
NA
NA
NA NA
0.1
3
0.39174
0.33884
0.39231 0.21369
NA
NA
NA
1
2 NA
NA
NA
NA NA
0.2
2
0.33377
0.13267
0.39523 0.17629
NA
NA
NA
2
1 NA
NA
NA
NA NA
0.1
4
0.37261
0.32579
0.40229 0.18618
NA
NA
NA
1
2 NA
NA
NA
NA NA
0.2
4
0.25174
0.18503
0.29217 0.27509
NA
NA
NA
2
2
2
2
2000
0.5
6
0.3445
0.21557
0.57727 0.50995
NA
NA
NA
1
3
2
3
10000
0.7
3
0.87426
0.44087
0.74205 0.85524
EEE4
Conceptrapport
RDC_BC8148_R001_901530_d1
- 13 -
19 februari 2015
Tabel 3.4: Voorbeeld van uitvoerbestand outliers.csv
If environmental factor has value 1, its value is outside the data limits of the trainingset of the corresponding neural network
Outliers slow flowing brook
ID
Meandering Shading
Weirs
BOD
a1
1
1
1
Outliers fast flowing brook
ID
Meandering Shading
Weirs
BOD
a7
0
0
0
Outliers fast flowing brook
ID
Meandering Shading
Weirs
BOD
a8
0
0
0
Outliers fast flowing brook
ID
Meandering Shading
Weirs
BOD
a9
0
1
1
Outliers Ditch
ID
Banks
Level control Maintenance
P-total
a10
0
0
0
Outliers Ditch
ID
Banks
Level control Maintenance
P-total
a11
0
0
0
Outliers Ditch
ID
Banks
Level control Maintenance
P-total
a12
1
1
1
P-total
0
N-total
0
P-total
0
0
N-total
0
P-total
0
0
N-total
0
P-total
0
0
N-total
0
0
N-total
0
0
N-total
0
0
N-total
0
0
RDC_BC8148_R001_901530_d1
19 februari 2015
EEE4
- 14 -
Conceptrapport
Bijlage 1
Beschrijving NN langzaam stromende beken
EEE4
Conceptrapport
RDC_BC8148_R001_901530_d1
19 februari 2015
Neurale netwerken (EEE4) voor watertypen R4 R5 R6 R12 Langzaam stromende
beken








Kwaliteitselementen (EKR):
Stuurfactoren:
Overige waterflora, macrofauna en vissen
Meandering, beschaduwing, verstuwing,
BZV, totaal fosfaat, totaal stikstof
Aantal waarnemingen in dataset: 212
Toegepast software pakket:
Neural Network Toolbox 7.0 in Matlab 7.11.0.584
(R2010b)
Aantal data gebruikt voor training: 64% (80% van de 80% van de hele dataset)
Aantal data gebruikt voor validatie: 16% (20% van de 80% van de hele dataset)
Aantal data gebruikt voor testen: 20% (20% van de hele dataset)
Aantal trainingscycli:
11 000
Resultaat neuraal netwerk op trainingset
EEE4
Conceptrapport
Bijlage 1
-1-
RDC_BC8148_R001_901530_d1
19 februari 2015
Resultaat neuraal netwerk op validatieset
Resultaat neuraal netwerk op testset
RDC_BC8148_R001_901530_d1
19 februari 2015
Bijlage 1
-2-
EEE4
Conceptrapport
Gevoeligheid voor verandering stuurfactoren
Statistische gegevens
Parameter
Betekenis
Overige
Macrofauna
Vissen
waterflora
COD testset
Coëfficiënt of determination1
0.71
0.54
0.50
R
Correlatie coëfficiënt
0.90
0.96
0.95
R2
Kwadraat corr. coeff.
0.81
0.91
0.89
RC
Richtingscoëfficiënt
regressielijn
0.81
0.91
0.88
Std RC
Standaard afwijking van RC
0.011
0.011
0.018
Int
Intercept van regressielijn
0.09
0.03
0.03
ME
Gemiddelde fout
0.000
0.000
0.001
MSE
Gemiddelde van gekwadrateerde
0.004
0.003
0.004
0.063
0.052
0.059
88
96
91
fouten
RMSE
Standaard deviatie (wortel van
MSE)
% binnen 0,1 EKR
1
COD is een maat voor de voorspellingswaarde van een ANN. Waarde dient groter te zijn dan 0 en zo dicht
mogelijk bij 1 te liggen.
EEE4
Conceptrapport
Bijlage 1
-3-
RDC_BC8148_R001_901530_d1
19 februari 2015
Bijlage 2
Beschrijving NN snel stromende beken
EEE4
Conceptrapport
RDC_BC8148_R001_901530_d1
19 februari 2015
Neurale netwerken (EEE4) voor watertypen R13 R14 R15 R17 R18 Snelstromende
beken








Kwaliteitselementen (EKR):
Stuurfactoren:
Overige waterflora, macrofauna en vissen
Meandering, beschaduwing, verstuwing,
BZV, totaal fosfaat, totaal stikstof
Aantal waarnemingen in dataset: 195
Toegepast software pakket:
Neural Network Toolbox 7.0 in Matlab 7.11.0.584
(R2010b)
Aantal data gebruikt voor training: 64% (80% van de 80% van de hele dataset)
Aantal data gebruikt voor validatie: 16% (20% van de 80% van de hele dataset)
Aantal data gebruikt voor testen: 20% (20% van de hele dataset)
Aantal trainingscycli:
11 000
Resultaat neuraal netwerk op trainingset
EEE4
Conceptrapport
Bijlage 2
-1-
RDC_BC8148_R001_901530_d1
19 februari 2015
Resultaat neuraal netwerk op validatieset
Resultaat neuraal netwerk op testset
RDC_BC8148_R001_901530_d1
19 februari 2015
Bijlage 2
-2-
EEE4
Conceptrapport
Gevoeligheid voor verandering stuurfactoren
Statistische gegevens
Parameter
Betekenis
Overige
Macrofauna
Vissen
waterflora
COD test set
Coëfficiënt of determination 1
0.82
0.51
0.67
R
Correlatie coëfficiënt
0.96
0.90
0.94
R2
Kwadraat corr. coeff.
0.92
0.81
0.88
RC
Richtingscoëfficiënt
regressielijn
0.89
0.78
0.88
Std RC
Standaard afwijking van RC
0.011
0.016
0.016
Int
Intercept van regressielijn
0.046
0.11
0.034
ME
Gemiddelde fout
0.000
-0.004
-0.003
MSE
Gemiddelde van gekwadrateerde
fouten
0.003
0.009
0.004
Standaard deviatie (wortel van MSE)
0.058
0.094
0.066
93
67
90
RMSE
% binnen 0,1 EKR
1
COD is een maat voor de voorspellingswaarde van een ANN. Waarde dient groter te zijn dan 0 en zo dicht
mogelijk bij 1 te liggen.
EEE4
Conceptrapport
Bijlage 2
-3-
RDC_BC8148_R001_901530_d1
19 februari 2015
Bijlage 3
Beschrijving NN diepe meren
EEE4
Conceptrapport
RDC_BC8148_R001_901530_d1
19 februari 2015
Neurale netwerken (EEE4) voor watertypen M16 en M20 Diepe meren








Kwaliteitselementen (EKR):
Fytoplankton, overige waterflora, macrofauna en
vissen
Stuurfactoren:
Oeverinrichting, peilbeheer, totaal fosfaat, totaal
stikstof
Aantal waarnemingen in dataset: 129
Toegepast software pakket:
Neural Network Toolbox 7.0 in Matlab 7.11.0.584
(R2010b)
Aantal data gebruikt voor training: 64% (80% van de 80% van de hele dataset)
Aantal data gebruikt voor validatie: 16% (20% van de 80% van de hele dataset)
Aantal data gebruikt voor testen: 20% (20% van de hele dataset)
Aantal trainingscycli:
11 000
Resultaat neuraal netwerk op trainingset
EEE4
Conceptrapport
Bijlage 3
-1-
RDC_BC8148_R001_901530_d1
19 februari 2015
Resultaat neuraal netwerk op validatieset
Resultaat neuraal netwerk op testset
RDC_BC8148_R001_901530_d1
19 februari 2015
Bijlage 3
-2-
EEE4
Conceptrapport
Gevoeligheid voor verandering stuurfactoren
Statistische gegevens
Parameter
Betekenis
COD test set
Coëfficiënt of
Fytoplankton
Overige
Macrofauna
Vissen
waterflora
determination1
0.48
0.50
0.50
0.21
R
Correlatie coëfficiënt
0.91
0.96
0.96
0.95
R2
Kwadraat corr. coeff.
0.82
0.93
0.92
0.91
RC
Richtingscoëfficiënt
0.83
0.92
0.92
0.91
0.019
0.010
0.011
0.016
regressielijn
0.100
0.030
0.040
0.035
ME
Gemiddelde fout
0.000
0.000
0.000
0.000
MSE
Gemiddelde van
0.012
0.002
0.002
0.004
0.108
0.040
0.048
0.062
56
99
94
87
regressielijn
Std RC
Standaard afwijking van
RC
Int
Intercept van
gekwadrateerde fouten
RMSE
Standaard deviatie
(wortel van MSE)
% binnen 0,1 EKR
1
COD is een maat voor de voorspellingswaarde van een ANN. Waarde dient groter te zijn dan 0 en zo dicht
mogelijk bij 1 te liggen.
EEE4
Conceptrapport
Bijlage 3
-3-
RDC_BC8148_R001_901530_d1
19 februari 2015
Bijlage 4
Beschrijving NN ondiepe meren
EEE4
Conceptrapport
RDC_BC8148_R001_901530_d1
19 februari 2015
Neurale netwerken (EEE4) voor watertypen M14 M23 en M27 Ondiepe meren








Kwaliteitselementen (EKR):
Fytoplankton, overige waterflora, macrofauna en
vissen
Stuurfactoren:
Oeverinrichting, peilbeheer, totaal fosfaat, totaal
stikstof
Aantal waarnemingen in dataset: 204
Toegepast software pakket:
Neural Network Toolbox 7.0 in Matlab 7.11.0.584
(R2010b)
Aantal data gebruikt voor training: 64% (80% van de 80% van de hele dataset)
Aantal data gebruikt voor validatie: 16% (20% van de 80% van de hele dataset)
Aantal data gebruikt voor testen: 20% (20% van de hele dataset)
Aantal trainingscycli:
11 000
Resultaat neuraal netwerk op trainingset
EEE4
Conceptrapport
Bijlage 4
-1-
RDC_BC8148_R001_901530_d1
19 februari 2015
Resultaat neuraal netwerk op validatieset
Resultaat neuraal netwerk op testset
RDC_BC8148_R001_901530_d1
19 februari 2015
Bijlage 4
-2-
EEE4
Conceptrapport
Gevoeligheid voor verandering stuurfactoren
Statistische gegevens
Parameter
Betekenis
Fytoplankton
Overige
Macrofauna
Vissen
waterflora
COD test set
Coëfficiënt of
determination 1
0.65
0.76
0.44
0.57
R
Correlatie coëfficiënt
0.93
0.95
0.90
0.93
R2
Kwadraat corr coeff
0.87
0.90
0.81
0.87
RC
Richtingscoëfficiënt
0.86
0.90
0.78
0.84
0.016
0.012
0.013
0.014
regressielijn
Std RC
Standaard afwijking van
RC
Int
Intercept van regressielijn
0.063
0.045
0.100
0.062
ME
Gemiddelde fout
-0.002
0.000
-0.004
-0.007
MSE
Gemiddelde van
0.010
0.005
0.006
0.006
0.097
0.068
0.074
0.077
65
85
81
81
gekwadrateerde fouten
RMSE
Standaard deviatie (wortel
van MSE)
% binnen 0,1 EKR
1
COD is een maat voor de voorspellingswaarde van een ANN. Waarde dient groter te zijn dan 0 en zo dicht
mogelijk bij 1 te liggen.
EEE4
Conceptrapport
Bijlage 4
-3-
RDC_BC8148_R001_901530_d1
19 februari 2015
Bijlage 5
Beschrijving NN kanalen
EEE4
Conceptrapport
RDC_BC8148_R001_901530_d1
19 februari 2015
Neurale netwerken (EEE4) voor watertypen M3 M6ab M7ab en M10 Kanalen








Kwaliteitselementen (EKR):
Fytoplankton, overige waterflora, macrofauna en
vissen
Stuurfactoren:
Oeverinrichting, peilbeheer, onderhoud,
scheepvaart, totaal fosfaat, totaal stikstof
Aantal waarnemingen in dataset: 211
Toegepast software pakket:
Neural Network Toolbox 7.0 in Matlab 7.11.0.584
(R2010b)
Aantal data gebruikt voor training: 64% (80% van de 80% van de hele dataset)
Aantal data gebruikt voor validatie: 16% (20% van de 80% van de hele dataset)
Aantal data gebruikt voor testen: 20% (20% van de hele dataset)
Aantal trainingscycli:
55 000
Resultaat neuraal netwerk op trainingset
EEE4
Conceptrapport
Bijlage 5
-1-
RDC_BC8148_R001_901530_d1
19 februari 2015
Resultaat neuraal netwerk op validatieset
Resultaat neuraal netwerk op testset
RDC_BC8148_R001_901530_d1
19 februari 2015
Bijlage 5
-2-
EEE4
Conceptrapport
Gevoeligheid voor verandering stuurfactoren
Statistische gegevens
Parameter
Betekenis
COD testset
Coëfficiënt of
Fytoplankton
Overige
Macrofauna
Vissen
waterflora
determination 1
0.69
0.02
0.62
0.68
R
Correlatie coëfficiënt
0.93
0.88
0.90
0.92
R2
Kwadraat corr coeff
0.86
0.77
0.80
0.85
RC
Richtingscoëfficiënt
0.86
0.78
0.80
0.86
regressielijn
Std RC
Standaard afwijking van
RC
0.011
0.018
0.015
0.011
Int
Intercept van regressielijn
0.072
0.067
0.088
0.070
ME
Gemiddelde fout
-0.002
-0.016
-0.001
0.001
MSE
Gemiddelde van
0.004
0.006
0.007
0.004
0.066
0.081
0.083
0.067
85
74
73
89
gekwadrateerde fouten
RMSE
Standaard deviatie (wortel
van MSE)
% binnen 0,1 EKR
1
COD is een maat voor de voorspellingswaarde van een ANN. Waarde dient groter te zijn dan 0 en zo dicht
mogelijk bij 1 te liggen.
EEE4
Conceptrapport
Bijlage 5
-3-
RDC_BC8148_R001_901530_d1
19 februari 2015
Bijlage 6
Beschrijving NN sloten
EEE4
Conceptrapport
RDC_BC8148_R001_901530_d1
19 februari 2015
Neurale netwerken (EEE4) voor watertypen M01 M02 M08 Sloten








Kwaliteitselementen (EKR):
Stuurfactoren:
Overige waterflora, macrofauna en vissen
Oeverinrichting, peildynamiek, onderhoud, totaal
fosfaat, totaal stikstof
Aantal waarnemingen in dataset: 195
Toegepast software pakket:
Neural Network Toolbox 7.0 in Matlab 7.11.0.584
(R2010b)
Aantal data gebruikt voor training: 64% (80% van de 80% van de hele dataset)
Aantal data gebruikt voor validatie: 16% (20% van de 80% van de hele dataset)
Aantal data gebruikt voor testen: 20% (20% van de hele dataset)
Aantal trainingscycli:
11 000
Resultaat neuraal netwerk op trainingset
EEE4
Conceptrapport
Bijlage 6
-1-
RDC_BC8148_R001_901530_d1
19 februari 2015
Resultaat neuraal netwerk op validatieset
Resultaat neuraal netwerk op testset
RDC_BC8148_R001_901530_d1
19 februari 2015
Bijlage 6
-2-
EEE4
Conceptrapport
Gevoeligheid voor verandering stuurfactoren
Statistische gegevens
Parameter
Betekenis
Overige
Macrofauna
Vissen
waterflora
COD testset
Coëfficiënt of determination 1
0.63
0.57
0.79
R
Correlatie coëfficiënt
0.94
0.88
0.95
R2
Kwadraat corr coeff
0.88
0.78
0.90
RC
Richtingscoëfficiënt
Regressielijn
0.92
0.78
0.90
Std RC
Standaard afwijking van RC
0.015
0.017
0.009
Int
Intercept van regressielijn
0.026
0.100
0.053
ME
Gemiddelde fout
-0.004
0.005
0.000
MSE
Gemiddelde van
0.004
0.008
0.003
0.067
0.089
0.056
87
70
90
gekwadrateerde fouten
RMSE
Standaard deviatie (wortel
van MSE)
% binnen 0,1 EKR
1
COD is een maat voor de voorspellingswaarde van een ANN. Waarde dient groter te zijn dan 0 en zo dicht
mogelijk bij 1 te liggen.
EEE4
Conceptrapport
Bijlage 6
-3-
RDC_BC8148_R001_901530_d1
19 februari 2015
Bijlage 7
Beschrijving NN zwak brakke wateren
EEE4
Conceptrapport
RDC_BC8148_R001_901530_d1
19 februari 2015
Neurale netwerken (EEE4) voor watertype M30 Zwak brakke wateren








Kwaliteitselementen (EKR):
Fytoplankton, overige waterflora, macrofauna en
vissen
Stuurfactoren:
Oeverinrichting, peildynamiek, onderhoud,
connectiviteit, chloride, totaal fosfaat, totaal
stikstof
Aantal waarnemingen in dataset: 209
Toegepast software pakket:
Neural Network Toolbox 7.0 in Matlab 7.11.0.584
(R2010b)
Aantal data gebruikt voor training: 64% (80% van de 80% van de hele dataset)
Aantal data gebruikt voor validatie: 16% (20% van de 80% van de hele dataset)
Aantal data gebruikt voor testen: 20% (20% van de hele dataset)
Aantal trainingscycli:
55 000
Resultaat neuraal netwerk op trainingset
EEE4
Conceptrapport
Bijlage 7
-1-
RDC_BC8148_R001_901530_d1
19 februari 2015
Resultaat neuraal netwerk op validatieset
Resultaat neuraal netwerk op testset
RDC_BC8148_R001_901530_d1
19 februari 2015
Bijlage 7
-2-
EEE4
Conceptrapport
Gevoeligheid voor verandering stuurfactoren
Statistische gegevens
Parameter
Betekenis
Fytoplankton
Overige
Macrofauna
Vissen
waterflora
COD testset
Coëfficiënt of
determination 1
0.02
0.33
0.00
0.00
R
Correlatie coëfficiënt
0.94
0.95
0.88
0.94
R2
Kwadraat corr. coeff.
0.88
0.90
0.77
0.88
RC
Richtingscoëfficiënt
0.86
0.92
0.77
0.87
0.013
0.017
0.013
0.013
regressielijn
Std RC
Standaard afwijking van
RC
Int
Intercept van
regressielijn
0.061
0.020
0.100
0.040
ME
Gemiddelde fout
-0.003
-0.004
-0.001
-0.006
MSE
Gemiddelde van
0.006
0.004
0.005
0.003
0.077
0.066
0.068
0.059
81
84
83
90
gekwadrateerde fouten
RMSE
Standaard deviatie
(wortel van MSE)
% binnen 0,1 EKR
1
COD is een maat voor de voorspellingswaarde van een ANN. Waarde dient groter te zijn dan 0 en zo dicht
mogelijk bij 1 te liggen.
EEE4
Conceptrapport
Bijlage 7
-3-
RDC_BC8148_R001_901530_d1
19 februari 2015
Bijlage 8
Beschrijving NN brak tot zoute wateren
EEE4
Conceptrapport
RDC_BC8148_R001_901530_d1
19 februari 2015
Neurale netwerken (EEE4) voor watertype M31 Brak zoute wateren








Kwaliteitselementen (EKR):
Fytoplankton, overige waterflora, macrofauna en
vissen
Stuurfactoren:
Oeverinrichting, peildynamiek, onderhoud,
connectiviteit, chloride, totaal fosfaat, totaal
stikstof
Aantal waarnemingen in dataset: 185
Toegepast software pakket:
Neural Network Toolbox 7.0 in Matlab 7.11.0.584
(R2010b)
Aantal data gebruikt voor training: 64% (80% van de 80% van de hele dataset)
Aantal data gebruikt voor validatie: 16% (20% van de 80% van de hele dataset)
Aantal data gebruikt voor testen: 20% (20% van de hele dataset)
Aantal trainingscycli:
55 000
Resultaat neuraal netwerk op trainingset
EEE4
Conceptrapport
Bijlage 8
-1-
RDC_BC8148_R001_901530_d1
19 februari 2015
Resultaat neuraal netwerk op validatieset
Resultaat neuraal netwerk op testset
RDC_BC8148_R001_901530_d1
19 februari 2015
Bijlage 8
-2-
EEE4
Conceptrapport
Gevoeligheid voor verandering stuurfactoren
Statistische gegevens
Parameter
Betekenis
Fytoplankton
Overige
Macrofauna
Vissen
waterflora
COD testset
Coëfficiënt of
determination 1
0.45
0.35
0.36
0.35
R
Correlatie coëfficiënt
0.92
0.95
0.87
0.94
R2
Kwadraat corr coeff
0.85
0.90
0.76
0.88
RC
Richtingscoëfficiënt
0.85
0.93
0.73
0.88
0.012
0.011
0.018
0.011
regressielijn
Std RC
Standaard afwijking van
RC
Int
Intercept van
regressielijn
0.067
0.028
0.13
0.045
ME
Gemiddelde fout
0.012
0.011
0.018
0.011
MSE
Gemiddelde van
-0.002
0.000
-0.012
-0.007
0.004
0.003
0.012
0.003
84
91
60
92
gekwadrateerde fouten
RMSE
Standaard deviatie
(wortel van MSE)
% binnen 0,1 EKR
1
COD is een maat voor de voorspellingswaarde van een ANN. Waarde dient groter te zijn dan 0 en zo dicht
mogelijk bij 1 te liggen.
EEE4
Conceptrapport
Bijlage 8
-3-
RDC_BC8148_R001_901530_d1
19 februari 2015