21-9-2026
De Schone Maaswaterketen (SMWK) neemt vier keer per jaar watermonsters op dertig locaties in het Maasstroomgebied. De analyse richt zich op 38 schadelijke stoffen. Er worden echter veel meer stoffen gemeten, de zogenoemde ‘bijvangst’. Zouden we hierdoor belangrijke stoffen kunnen missen? Data-analist en GIS-specialist Maryam Gholami zocht het uit. “Deze data hadden we al en verdienden meer aandacht."
De samenwerkingspartners van SMWK willen in 2040 30% minder microverontreinigingen in de Maas dan in 2023. Om te volgen of de reductiedoelstelling wordt gehaald, neemt het samenwerkingsverband sinds 2023 elk kwartaal watermonsters.
De SMWK analyseert in deze watermonsters 38 microverontreinigingen. De partners hebben deze 38 ‘gidsstoffen’ zorgvuldig gekozen, omdat ze een goed beeld geven van de vervuiling in de Maas. Het laboratorium meet echter veel méér dan de 38 SMWK gidsstoffen.
Dit komt omdat de analysemethode een hele groep stoffen meet, bijvoorbeeld 20 soorten PFAS, terwijl we op onze lijst maar 2 soorten hebben opgenomen: PFOA en PFOS. Deze stoffen hebben we zorgvuldig uitgekozen als zogenaamde ‘gidsstoffen’: ze signaleren de aanwezigheid van meer van dat soort stoffen uit dezelfde groep (bijvoorbeeld PFAS’en).
Met de analysemethode verzamelen we eigenlijk honderden stoffen per meetpunt, terwijl we focussen op onze 38 stoffen. Om te kijken of daar interessante data bijzitten, én of onze huidige lijst met gidsstoffen nog representatief is, hebben we deze bijvangst onderzocht. “In de watermonsters zitten nog duizenden andere chemische stoffen en wellicht zitten daar hele interessante bij,” legt Maryam Gholami uit.
Duizenden stoffen
De data-analist en GIS-specialist kreeg de vraag om te kijken naar deze bijvangstdata. Ze werkte met de beschikbare gegevens van 2023 en 2024, “een grote dataset met duizenden stoffen in een Excel-bestand, industriële stoffen, medicijnresten en pesticiden. Maar ook nog hormonen, persoonlijke verzorgingsproducten, polycyclische aromatische koolwaterstoffen of PAKs, persistente organische verontreinigingen, plastic additieven, biociden, contrastmiddelen en verschillende andere groepen opkomende verontreinigingen.”
Het doel van deze studie was het beoordelen van bijvangststoffen – stoffen die op dit moment geen deel uitmaken van het standaard SMWK-monitoringsprogramma.
Maryam Gholami deed de analyse in verschillende stappen. Eerst beoordeelde ze hoe vaak elke stof boven of onder de detectiegrens werd gemeten. Bij de monitoring van de waterkwaliteit is de detectiegrens de laagste concentratie van een stof die betrouwbaar kan worden gedetecteerd met een analytische methode. Wordt een stof bijna nooit aangetoond, is die immers niet relevant.
Vervolgens keek ze naar de frequentie en momenten dat een stof voorkwam in het water en op welke locaties. Als een stof op minder dan tien locaties voorkwam, verwijderde ze die uit de lijst. Een stof moet immers aanwezig zijn in (groot deel van) het Maasstroomgebied, als de stof maar op 1 of 2 locaties wordt aangetroffen is het lokaal interessant maar niet op Maasstroomgebiedniveau. Daarna vergeleek ze de geselecteerde stoffen met milieukwaliteitsnormen. Voor stoffen met beschikbare drempelwaarden beoordeelde ze of de gemeten concentraties de limieten overschreden en identificeerde ze zo stoffen die mogelijk verdere aandacht vereisen. Voor de analyses maakte ze gebruik van Excel, Python en Power BI.
Uiteindelijk hield ze acht stoffen over die mogelijk extra aandacht verdienen. “Allemaal industriële stoffen, waarvan vijf uit PFAS-groep en 3 PAK's,” zegt Maryam Gholami.
Analyse aanscherpen
Deze informatie en haar werkwijze verwerkte Maryam Gholami in een rapport, wat op dit moment nog alleen intern gebruikt wordt. De werkgroep Monitoring en duiding evalueert de uitkomsten om te bepalen of er stoffen vanuit de bijvangst toegevoegd moeten worden aan de 38 SMWK gidsstoffen.
Ze adviseert om deze analyse regelmatig te herhalen, bijvoorbeeld jaarlijks of tweejaarlijks. “Zo wordt zichtbaar welke stoffen in de Maas voorkomen, waar en wanneer,” zegt ze. “Op bepaalde locaties, bovenstrooms of benedenstrooms bijvoorbeeld, en op specifieke momenten van het jaar? Misschien zijn er bepaalde pieken in de zomer of winter. Over een paar jaar kan dat er heel anders uitzien. Dat inzicht helpt bepalen waarop de analyse zich moet richten.”
Data-analyse voor onderbouwde besluiten
Maryam Gholami studeerde River Delta Development en heeft vergelijkbare data-analyes voor RIWA Maas uitgevoerd. Komende maanden gaat ze aan de slag om de Atlas voor een schone Maas verder te ontwikkelen. Ook voor dit project gaat ze data analyseren en visualiseren in kaarten. “Dat kan helpen bij het vinden van oplossingen en het nemen van onderbouwde besluiten,” zegt ze.
Tekst door Thessa Lageman, tekstbureau Onder Woorden