Maasstroomgebied

AUTEURS

Wilfred Altena en Leonard Osté (Deltares)

Hannie Maas (Rijkswaterstaat)

Noud Kuijpers (Programmabureau KRW/DHZ Maasregio)

DE HERKOMST VAN VERONTREINIGINGEN BEPALEN OVER BEHEERGRENZEN HEEN: CASUS MAASSTROOMGEBIED

Voor sommige stoffen zijn de normoverschrijdingen in de Maas niet te verklaren vanuit de directe buitenlandse aanvoer (via Eijsden) en de activiteiten binnen het eigen beheergebied van Rijkswaterstaat. Rijkswaterstaat had behoefte aan meer inzicht in de stofbelasting vanuit de regionale wateren. Dezelfde vraag bleek relevant voor de regionale waterbeheerders ten aanzien van de belasting onderling en uit buitenlandse regionale wateren. Er was een manier nodig om de herkomst van verontreinigingen te traceren.

We hebben een model gebruikt dat emissiegegevens uit de Nederlandse EmissieRegistratie koppelt aan de hydrologie van de KRW-Verkenner (zie kader). Zo konden we voor elke willekeurige locatie de concentratie van een stof berekenen. De resultaten vergeleken we daarna met metingen en op basis daarvan is het model geoptimaliseerd. Essentieel is dat bij die optimalisatie de kennis over de bronnen en het gedrag van stoffen wordt meegenomen. Om voor een willekeurige locatie de herkomst van een stof te bepalen wordt gebruik gemaakt van virtuele ‘tracers’. Aan de hand van deze tracers kan bepaald worden uit welk beheergebied en uit welk brontype de stof afkomstig is.

Afbeelding 1. Vergelijking van gemeten (x-as) en berekende (y-as) waarden voor de gemodelleerde stoffen. Voor kobalt en zink geldt dat de open bolletjes van voor de kalibratie (‘bijschatting’ respectievelijk retentie) zijn en de gevulde bolletjes van erna. Vanwege de beperkte ruimte zijn de resultaten voor fluorantheen hier niet gepresenteerd

KRW-VERKENNER

De KRW-Verkenner analyseert de effectiviteit van mogelijke KRW-maatregelen en maatregelpak ketten op de chemische en ecologische kwaliteit van oppervlaktewateren. De tool geeft zo dus inzicht hoe KRW-doelen gehaald kunnen worden. Voorbeelden van maatregelen zijn het aanpakken van puntbronnen (zoals rwzi's) of diffuse bronnen (zoals landbouw of verkeer), het hermeanderen van beken of het aanleggen van natuurvriendelijke oevers. Zie ook www.deltares.nl/nl/projecten/ krw-verkenner

Opzetten van het model

De methode hebben we ontwikkeld en geoptimaliseerd aan de hand van vier stoffen (Osté en Altena, 2019): carbamazepine, fluorantheen, kobalt en zink. Deze stoffen verschillen in chemische eigenschappen en gebruik en er is niet voor alle vier dezelfde informatie beschikbaar. Van zink is het meest bekend: bronnen en meetgegevens. Voor kobalt geldt dat bijvoorbeeld data over lozingen naar oppervlaktewater incompleet zijn, vooral omdat de uitspoeling uit de bodem niet bekend is. Voor carbamazepine is de omvang van de bronnen vrij nauwkeurig bekend, maar zijn er weinig monitoringsgegevens. Fluorantheen heeft atmosferische depositie als belangrijkste bron. Het gebruik van virtuele tracers maakt het mogelijk om op basis van het model een schatting te maken van de herkomst en omvang van bronnen of in te schatten op welke plaatsen de hoogste concentraties verwacht mogen worden. Voor de berekeningen is gebruik gemaakt van de KRW-Verkenner Maasschematisatie (Meijers, 2018). Aan deze schematisatie zijn op basis van data uit de EmissieRegistratie (Nederlandse EmissieRegistratie, 2019) puntbronnen en diffuse bronnen van zink, kobalt, carbamazepine en fluorantheen toegevoegd. Deze puntbronnen betreffen bedrijven en waterzuiveringsinstallaties; ze zijn in de KRW-Verkenner toegevoegd op de locatie van hun uitstroompunt in de Maas. Naast deze interne bronnen zijn in het Maasstroomgebied ook de kleinere beheergrensoverschrijdende wateren van belang. Voor deze wateren is op basis van meetdata op of nabij het grenspunt voor de betreffende stoffen een concentratie vastgesteld. De waterbeheerders hebben daarvoor monitoringsgegevens aangeleverd.

Retentie

Voor zink worden alle (binnen- en buitenlandse) bronnen geregistreerd in de EmissieRegistratie en is de kwaliteit van die informatie goed. Daarnaast wordt zink ook op veel locaties gemonitord door de waterbeheerders waardoor veel validatiepunten beschikbaar zijn. Zink was dus een goede kandidaat om als eerste het model mee te testen en te kalibreren. Het blijkt dat de berekende zinkconcentraties aanzienlijk hoger zijn dan de gemeten concentraties (afbeelding 1). Dit geldt niet alleen voor de grotere wateren, maar ook voor de haarvaten van het systeem. Aangezien al veel onderzoek is gedaan naar alle puntbronnen, gaan we er vanuit dat de emissiegegevens kloppen. Waarheen ‘verdwijnt’ dan een deel van het geloosde zink? Wij hebben geconcludeerd dat het meenemen

24

Herkomst verontreinging Maasstroomgebied

Afbeelding 2. Herkomst van de belasting in en het debiet van de Maas bij Keizersveer, naar waterbeheerder en brontype De buitenlandse aanvoer is hierbij toegeschreven aan de waterbeheerder waar het buitenlandse waterlichaam Nederland binnenkomt. (Vanwege de beperkte ruimte zijn de testgegevens over fluorantheen hier niet gepresenteerd.)

van retentie, de vastlegging van stoffen in onder andere de waterbodem, in kleine wateren de meest logische optimalisatiestap was. Op basis van het verschil in gemeten en berekende concentraties in de kleine wateren is een retentiefactor berekend. Het doorrekenen met de retentiefactor bleek ook voor de grotere wateren zinkconcentraties op te leveren die beter overeenkomen met de feitelijke metingen.

‘Bijschatten’ van bronnen

Waar voor zink veel data beschikbaar zijn, zowel monitoringsgegevens als informatie over bronnen, ontbreekt voor veel andere stoffen een deel van de informatie. Voor kobalt bijvoorbeeld zijn veel metingen beschikbaar, maar is de kennis over bronnen gebrek kig. Uit onze berekeningen kwamen aanzienlijk lagere concentraties dan de gemeten waarden (afbeelding 1). De voornaamste oorzaak hiervan is waarschijn lijk dat voor kobalt uitspoeling uit de bodem niet is opgenomen in de EmissieRegistratie en dat deze bron dus niet is meegenomen in de berekening. Om de uitspoeling te kunnen modelleren is deze geschat op basis van het verschil tussen de gemeten en de gemodelleerde concentraties. De ruimtelijke spreiding in regionale wateren van dit concentratieverschil kan informatie opleveren over verschillen in de intensiteit van uitspoeling. Op die manier kunnen we een bron schatten waarvoor geen emissiecijfers aanwezig zijn. Voor kobalt is, op basis van het verschil in gemeten en gemodelleerde concentraties, de intensiteit van uit spoeling geschat op 11 gram/ha/jaar. Deze waarde is uniform over het gehele Maasstroomgebied toegepast.

Afbeelding 3. Effect van een hypothetische maatregel (emissiereductie van 90% voor carbamazepine door alle rwzi’s in waterschap De Dommel) op met het model berekende concentraties carbamazepine in de Maas

Monitoringsnetwerk afstemmen

Voor het geneesmiddel carbamazepine geldt dat de bronnen (rwzi’s en huishoudelijk afvalwater via septic tanks) goed bekend zijn, maar dat het aantal meetdata zeer beperkt is. Voor deze stof is dus alleen een modelberekening met de data uit de EmissieRegistratie gedaan, zonder verdere aanpassing van het model (zie afbeelding 1). Voor waterlichamen waarvan niet of nauwelijks meetdata over een specifieke stof aanwezig zijn geeft het instrument een eerste indicatie voor te verwachten concentraties. Hiermee kan besloten worden voor welke locaties het zinvol is om te gaan monitoren, bijvoorbeeld omdat er hoge concentraties worden verwacht bij een specifiek inlaatpunt. Voorwaarde hiervoor is wel dat een mate van retentie en/of afbraak bekend is.

Herkomstanalyse

De ontwikkelde methode is toegepast op het Nederlandse Maasstroomgebied voor vier stoffen. Uit de modelberekeningen blijkt dat de regionale vracht op de Maas bij Keizersveer (net voor de Biesbosch) groter is dan de bij Eijsden uit België binnenstromende buitenlandse vracht. De regionale bronnen dragen dus belangrijk bij aan de totale vracht. Bovendien zijn de concentraties in de regionale wateren hoger, doordat het debiet er relatief klein is (afbeelding 2). Daar moet wel bij worden opgemerkt dat een groot gedeelte van deze binnenlandse belasting weer afkomstig is vanuit regionale grensoverschrijdende wateren. De bijdrage vanuit waterschap Brabantse Delta is zeer klein, omdat dit waterschap vooral ná

Keizersveer afwatert op de Maas. Daar treedt ook menging op met Rijnwater.

Voor de concentraties zink en kobalt is er een stijgende trend tussen Eijsden en Keizersveer, voor fluorantheen is er juist een duidelijke afname zichtbaar. In alle gevallen kan via de ontwikkelde methode worden verklaard of de toe- of afname afkomstig is uit het binnenland of uit het buitenland. Voor de praktijk betekent dit onder andere dat met de ontwikkelde methode afwenteling zichtbaar kan worden gemaakt en dat normoverschrijdingen dus niet alleen binnen het beheergebied van de betreffende waterbeheerder opgelost kunnen worden.

Effect van maatregelen kwantificeren

De herkomstbepaling maakt inzichtelijk welke bron(nen) belangrijk is/zijn voor benedenstroomse overschrijdingen en geeft daarmee een indicatie voor mogelijke maatregelen. Daarnaast kan met het model het effect van een mogelijke maatregel ook gekwanti ficeerd worden. Er zijn verschillende typen maatregelen die kunnen worden doorgerekend, zoals het lokaal of regionaal verminderen van diffuse bronnen, de emissies van puntbronnen aanpassen of bezinkputten toevoegen in het watersysteem. Als voorbeeld is het effect op de Maas van een emissiereductie van 90% voor carbamazepine door alle rwzi’s in waterschap De Dommel doorgerekend (afbeelding 3).

Conclusies

De ontwikkelde methode – koppelen van KRW-Verkennermodel (hydrologie) en Nederlandse EmissieRegistratie (emissies) – geeft stofconcentraties die niet altijd overeenkomen met meetdata en kennis over bronnen. Voor de kalibratiestap maakt het model gebruik van kennis over het gedrag van stoffen, afhankelijk van de beschikbare informatie: 1. retentie of nalevering in het watersysteem (als informatie over bronnen en concentraties goed beschikbaar is); 2. ‘bijschatten’ van bronnen (als de kennis over bronnen onvolledig is en het model de gemeten concentraties onderschat). Als geen of nauwelijks meetdata beschikbaar zijn maar wel betrouwbare informatie over bronnen, geven de modelresultaten een eerste indicatie voor te verwachten concentraties op een locatie. Ook kan het model kwantitatieve voorspellingen doen over (verandering van) concentraties bij het nemen van emissiereducerende maatregelen. Verder kan met behulp van virtuele ‘tracers’ op elke gewenste locatie in het model worden weergegeven waar de bronnen zich bevinden die verantwoordelijk zijn voor de gevonden stofconcentratie; een nuttig instrument om mee met andere beheerders in gesprek te gaan.

Wilfred Altena (Deltares), Leonard Osté (Deltares), Hannie Maas (Rijkswaterstaat), Noud Kuijpers (Programmabureau KRW/DHZ Maasregio)

Gebruikte bronnen • Osté, L. en Altena, W. (2019). Ontwikkeling methode afwenteling stoffen in het Maasstroomgebied, Deltares rapport 11203432-002-ZWS-0003. • Meijers, E. (2018). Verbetering hydrologische schematisatie

KRW-Verkenner Maas t.b.v. bronnenanalyses, Deltares memo. • Nederlandse EmissieRegistratie, www.emissieregistratie.nl, geraadpleegd: 13-02-2019.

SAMENVATTING

Waterbeheerders zijn doorgaans vooral gericht op de verontreinigingsbronnen in hun eigen watersysteem, maar soms is het wenselijk om inzicht te hebben in bronnen elders. Dit artikel beschrijft een nieuwe methode om de belasting vanuit bovenstroomse wateren naar een benedenstrooms punt te identificeren. De methode maakt iteratief gebruik van een waterkwaliteitsmodel (hydrologie, emissies) en gemeten concentraties in het oppervlaktewater. He model kan op een willekeurige locatie voor iedere stof de herkomst – ruimtelijk, naar brontype en kwantiteit – te bepalen. Dat maakt de methode nuttig in de samenwerking tussen waterbeheerders, in het zoeken naar maatregelen ter verbetering van de waterkwaliteit, en het voorspellend kwantificeren van de effecten van maatregelen.

Herkomst verontreinging Maasstroomgebied

AUTEURS

Herman Evenblij (RHDHV)

Els Schuman (LeAF)

Melanie Kuiper (Waterschap Drents Overijsselse Delta)

VERWIJDERINGS- RENDEMENTEN VAN MEDICIJNRESTEN OP 18 RWZI’S

Een meetcampagne op 18 rwzi’s in het oosten van het land geeft inzicht in de verwijderingsrendementen van medicijnresten. De 11 gidsstoffen laten een gemiddelde verwijdering zien van rond de 30%.

Vrijwel alle oppervlaktewateren in Nederland bevatten sporen van microverontreinigingen: medicijnresten, gewasbeschermingsmiddelen, huishoudelijke chemicaliën en industriële verontreinigingen. De concentraties van deze stoffen zijn laag, variërend van enkele nanogrammen tot milligrammen per liter. Ook al zijn de concentraties laag, er zijn steeds meer aanwijzingen dat deze stoffen een negatieve impact hebben op het watermilieu. Een groot deel van de microverontreinigingen in oppervlaktewater is te herleiden tot effluentlozingen van rioolwaterzuiveringsinstallaties (rwzi’s) (Moermond et al, 2016). Rwzi’s verwijderen deze stoffen in meer of mindere mate, tussen 0 en 99%. Dit is onder andere afhankelijk van de stofeigenschappen (o.a. Watson database, Wubbels et al, 2018, en vergelijk STOWA 2018-02, STOWA 2018-46). Het verwijderingsrendement voor specifieke stoffen kan per rwzi sterk verschillen (o.a. Maas et al, 2017). Dit artikel is het vervolg op een publicatie in de vorige uitgave van Water Matters (september 2019). Daarin werd een meetcampagne beschreven, opgezet om de impact van geloosde geneesmiddelen uit 7 rwzi’s bij waterschap Aa en Maas te bepalen (Evenblij et al, 2019). Dit artikel beschrijft beknopt de inzichten in de verwijderingsrendementen, verkregen met een meetcampagne op 18 rwzi’s in het oosten van Nederland. Het gaat specifiek in op de resultaten van de verwijdering van medicijnresten, niet op de andere gemeten organische microverontreinigingen.

Voorafgaand aan het onderzoek zijn twee onderzoeksvragen opgesteld: 1. Wat is het verwijderingsrendement van de microverontreinigingen? 2. Zijn er eenvoudige procesparameters waarmee het verwijderingsrendement beïnvloed kan worden?

De meetcampagne werd uitgevoerd op 18 rwzi’s in de beheersgebieden van 5 waterschappen: Drents Overijsselse Delta, Zuiderzeeland, Vallei en Veluwe, Vechtstromen en Rijn en IJssel. In februari en juli 2018 werd van deze rwzi’s 3 keer een 48-uursmonster van influent en effluent genomen. De monsters werden genomen in een periode van droogweeraanvoer, in een periode van ongeveer 10 dagen. Voor het project is een analysepakket opgesteld bestaande uit organische microverontreinigingen, macroparameters en metalen. Bij de samenstelling van het stoffenpakket is rekening gehouden met probleemstoffen die in oppervlaktewater voorkomen, de conceptlijst (2017) van RWS met 11 (aanbevolen) ‘gidsstoffen’ en ‘overige stoffen relevant voor

Figuur 1 (a en b) Medicijnresten in RWZI influent en effluent, in microgram per liter. De bij name genoemde stoffen zijn de stoffen met de hoogste concentraties, gemiddeld over 18 RWZI’s. De getallen zijn de gemiddelde concentratie per stof.

monitoring effluenten’, de stoffen die binnen vergelijkbare projecten zoals het PACAS-project op rwzi Papendrecht zijn gemeten en stoffen die prominent in de Watson database voorkomen. Vervolgens is met het beschikbare budget zoveel mogelijk aansluiting gezocht op gangbare analysepakketten van het laboratorium. Er is bewust voor een ‘beperkte’ analyse van het aantal microverontreinigingen gekozen, waardoor frequenter gemeten kon worden. In deze studie is niet gekeken naar effecten op het watersysteem.

Analyse van geneesmiddelen

De geneesmiddelenanalyses zijn uitgevoerd met positieve ionisatie vloeistofchromatografie – massaspectrometrie (pos-LC-MSMS). Daarvan werden 57 geneesmiddelen en 2 metabolieten daarvan bepaald. De effluentmonsters werden zonder extra verdunning opgenomen in eluens met toegevoegde gelabelde interne standaarden en door directe injectie geïnjecteerd op de LC-MSMS. De influentmonsters werden vooraf 5 keer verdund om matrixeffecten te verminderen en daarna op dezelfde wijze gemeten als de effluentmonsters. De analyses zijn uitgevoerd door Aqualysis.

Resultaten

De gemeten influentconcentraties van medicijnresten op de 18 onderzochte rwzi’s varieerden van kleiner dan 0,1 µg/l tot honderden µg/l. De totale hoeveelheid van de 59 geanalyseerde medicijnresten in het influent was gemiddeld 464 µg/l. Meer dan 75% van de vracht bestond uit paracetamol (pijnstiller) en metformine (bloedsuiker regulerend). In effluent van de rwzi’s was de totale concentratie aanzienlijk kleiner (21,1 µg/l), en hier is ook een andere ‘top 11’ dan in het influent (figuur 1). Metformine wordt door een rwzi weliswaar goed verwijderd, maar de gemeten effluentconcentratie was nog wel groter dan 1 µg/l. Het totale verwijderingsrendement op de totale vracht medicijnresten bedroeg meer dan 90%. Dit rendement wordt grotendeels beïnvloed door de hoge vracht van de goed verwijderbare stoffen metformine en paracetamol. Zonder deze twee stoffen ligt de totale vrachtverwijdering van de medicijnresten tussen de 60-85%, afhankelijk van de rwzi.

Verwijdering van gidsstoffen

Door STOWA is in samenwerking met het ministerie van Infrastructuur en Waterstaat het Innovatieprogramma Microverontreinigingen opgezet. In dit programma wordt gebruik gemaakt van 11 gidsstoffen, om de effectiviteit van verwijderingstechnieken te evalueren. De gemiddelde verwijderingsrendementen van deze 11 gidsstoffen, zoals afgeleid uit de meetcampagne, zijn gepresenteerd in figuur 2. Het gemiddelde verwijderingsrendement per rwzi varieert van 9% tot 53%. Overall, voor alle 18 rwzi’s gezamenlijk ligt het gemiddelde rendement van de 11 stoffen rond de 30%. Zowel in de zomer als in de winterperiode zijn er meerdere stoffen die regelmatig een negatief verwijderingsrendement laten zien: 22 in de zomer en 37 in de winter. Dit toont aan dat een aantal stoffen in het influent niet of onvoldoende wordt gemeten, terwijl deze in het effluent (blijkbaar) nauwkeuriger te meten zijn. Het is ook mogelijk dat

28 Meetcampagne medicijnresten op 18 rwzi’s

Figuur 2. Gemiddeld verwijderingsrendement van de 11 gidsstoffen van het Innovatieprogramma Microverontreinigingen, per RWZI

een stof in het influent als een niet gemeten metaboliet wordt aangevoerd en dus ‘onzichtbaar’ is, om vervolgens op de RWZI door omzettingsprocessen terug te vallen in de moedercomponent die wel gemeten is.

Vrachten en concentraties van de stoffen uit het ZORG-project

In 2011 is een inventarisatie gemaakt van de emissie van geneesmiddelen uit zorginstellingen (STOWA 2011-2). In die studie is op 8 rwzi’s de aanvoer en emissie van 25 stoffen gemeten. Het gemiddelde verwijderingspercentage van de destijds gemeten stoffen (exclusief metformine) (somvrachtverwijdering) bedroeg in die studie 65%. Ter vergelijking is dit percentage voor de 18 rwzi’s in deze studie ook berekend en gepresenteerd in figuur 3 (de blauwe balken). Het gemiddelde verwijderingsrendement bedroeg 78%, wat beduidend hoger is dan de 65% zoals gemeten in het ZORG-project. In figuur 3 is de verwijdering van medicijnresten ook op een andere manier gepresenteerd, namelijk als gemiddeld verwijderingspercentage per stof. Hiervoor is van elke stof individueel de procentuele concentratieverlaging berekend. Vervolgens zijn voor alle beschouwde stoffen deze waarden gemiddeld (analoog aan de berekening van verwijdering van de 11 gidsstoffen): de groene balken in figuur 3. Dit is gedaan voor dezelfde lijst van 25 stoffen uit het ZORG-project. Gemiddeld liggen de concentraties van deze stoffen in het effluent 46% lager dan in het influent. Verder blijkt dat deze benadering (kleine) veranderingen laat zien ten opzichte van de somvrachtbenadering. Beide benaderingen zijn echter nodig om te kunnen bepalen in hoeverre de lozing van medicijnresten een risico vormt voor het ontvangende oppervlaktewater. Dat is een studie op zich, waarbij ook nog tal van andere factoren een rol spelen, zoals de functie en kwaliteit van het oppervlaktewater waarop wordt geloosd. Verwijzend naar het vorige artikel over de meetcampagne bij waterschap Aa en Maas, kan wel gesteld worden dat dit type meetgegevens input geeft om een ‘ranking’ te bepalen van rwzi’s, als nadere detaillering van bijvoorbeeld de Hotspot Analyse Geneesmiddelen op rwzi’s.

Relatie tussen verwijdering en operationele karakteristieken van de rwzi

In dit project is tijdens ieder meetmoment een aantal karakteristieken van de rwzi genoteerd zodat eventuele verbanden gelegd kunnen worden. De zoektocht was daarbij gericht op relaties tussen procesomstandigheden van de rwzi’s en de verwijdering van medicijnresten. De volgende kenmerken zijn geanalyseerd: temperatuur, hydraulische verblijftijd, slibleeftijd, hoeveelheid zware metalen (waarbij koper als indicator is gebruikt), aanwezigheid van interne belasting uit ontwatering van uitgegist slib. Ook is de technologische opzet van de rwzi meegenomen. Zoals uit figuur 3 blijkt is er voor de gemiddelde verwijdering een grotere spreiding dan in de somvrachtverwijdering, zodat de verwachting was dat eventuele verbanden hiermee sterker konden worden aangetoond. Daarom zijn de genoemde technologische parameters gecorreleerd aan de gemiddelde verwijdering van de stoffen per rwzi. Er zijn echter geen statistisch significante verbanden gevonden tussen de beschouwde parameters en de verwijdering van medicijnresten. De enige significant relevante parameter bleek de temperatuur te zijn. In de zomerperiode is het gemiddelde

Figuur 3. Vergelijking tussen somvrachtverwijdering en procentuele concentratieverlaging van de 25 stoffen uit het ZORG project, voor de 18 beschouwde RWZI’s in Rijn-Oost gebied

verwijderingsrendement van alle gemeten stoffen (exclusief paracetamol en metformine) 55% en in de winter 32%.

Conclusie

In alle influenten is een groot scala aan medicijnresten aangetroffen, variërend in concentratie van minder dan 0,1 tot honderden microgrammen per liter. De gemiddelde overall verwijderingsrendementen van microverontreinigingen is sterk afhankelijk van de beschouwde microverontreinigingen, en of de verwijdering wordt berekend op basis van de somvracht of op basis van het gemiddelde van de verwijderingsrendementen van individuele stoffen. Op basis van het gemiddelde van de rendementen van individuele stoffen zijn grotere verschillen gevonden tussen rwzi’s dan op basis van de verwijdering van somvrachten. De 11 gidsstoffen uit het innovatieprogramma microverontreinigingen die ook in dit onderzoek zijn meegenomen laten een gemiddelde verwijdering zien van rond de 30%. De prestaties van individuele rwzi’s variëren van 9% tot 53% voor de 11 gidsstoffen. De verschillen tussen rwzi’s zijn niet te koppelen aan eenvoudige technologische parameters of het zuiveringsconcept. Mogelijk dat voor individuele stoffen of stofgroepen de systeemconfiguratie van een rwzi wel van invloed kan zijn, dit is in dit onderzoek niet onderzocht. De verwijdering van microverontreinigingen bleek het sterkst in verband gebracht te kunnen worden met temperatuur. In de warme zomerperiode is een significant hoger verwijderingsrendement gevonden dan in de koude winter.

Herman Evenblij, (RHDHV), Els Schuman (LeAF), Melanie Kuiper (Waterschap Drents Overijsselse Delta)

De voor dit project verzamelde gegevens zijn opvraagbaar bij Waterschap Drents Overijsselse Delta.

Referenties Evenblij, H., Schoffelen, N., Knoben, R., Hulst, W. v.d. (2019) Rangschikking RWZI's op basis van metingen aan geneesmiddelen, Water Matters 1 (9), 36-39. Maas, P. van der; B. Bult; H. de Vries; O. Kluiving; 2017; Verwijdering van acesulfaam in rioolwaterzuiveringsinstallaties: wat bepaalt het verschil?, H2O, 17 juli 2017 Moermond, C. et al, Geneesmiddelen en waterkwaliteit, RIVM, 2016-0111 Wubbels et al. Biologische fingerprinting biedt inzicht in verwijdering van medicijnen en zoetstoffen in RWZI’s zie hier STOWA 2017-42 Landelijke Hotspotanalyse geneesmiddelen RWZI’s STOWA 2018-46 Zoetewaterfabriek awzi de Groot Lucht: pilotonderzoek ozonisatie en zandfiltratie STOWA 2018-02 PACAS – Poederkooldosering in actiefslib voor verwijdering van microverontreinigingen Watson database in de emissieregistratie; http://www.emissie registratie.nl/erpubliek/erpub/wsn/default.aspx

SAMENVATTING

Rwzi’s zijn een bron van microverontreinigingen in oppervlaktewater en vertonen een onverklaarbare onderlinge variatie in de verwijdering van deze stoffen. In het beheersgebied van de 5 oostelijke waterschappen is op 18 rwzi’s onderzocht wat het verwijderingsrendement is voor medicijnresten. Verder is getracht om de optredende verschillen te correleren aan de actuele procesparameters op de betreffende rwzi’s. Een selectie van 11 gidsstoffen uit het Innovatieprogramma Microverontreinigingen heeft een gemiddelde verwijdering van 30%. De prestaties van individuele rwzi’s variëren van 9% tot 53% voor deze gidsstoffen. De verschillen tussen rwzi’s zijn niet te koppelen aan eenvoudige technologische parameters of het zuiveringsconcept.

Meetcampagne medicijnresten op 18 rwzi’s