From 5c307b8ca8c48b5011445cb6bbb368bfc64d7520 Mon Sep 17 00:00:00 2001 From: VANOVERBEKE Date: Fri, 31 May 2024 13:45:58 +0200 Subject: [PATCH 001/102] moneos vissen 2024 --- .../10_moneos_visdata_VIS_fuiken.Rmd | 249 ++ .../11_moneos_visdata_VIS_ankerkuil.Rmd | 292 ++ .../20_moneos_visdata_fuiken_integratie.Rmd | 626 ++++ ...21_moneos_visdata_ankerkuil_integratie.Rmd | 646 +++++ .../30_visdata_fuiken_controle_EMSE.Rmd | 243 ++ .../31_visdata_ankerkuil_controle_EMSE.Rmd | 239 ++ .../35_moneos_soorten_kleurcode.Rmd | 928 ++++++ .../40_moneos_analyse_fuiken_EMSE.Rmd | 2518 +++++++++++++++++ .../41_moneos_analyse_ankerkuil_EMSE.Rmd | 2122 ++++++++++++++ .../090_vissen_inleiding_en_methode.Rmd | 313 ++ .../091_vissen_ankerkuil.Rmd | 613 ++++ .../092_vissen_fuiken.Rmd | 686 +++++ .../093_vissen_conclusies.Rmd | 292 ++ 13 files changed, 9767 insertions(+) create mode 100644 moneos_2024/090_vissen/10_moneos_visdata_VIS_fuiken.Rmd create mode 100644 moneos_2024/090_vissen/11_moneos_visdata_VIS_ankerkuil.Rmd create mode 100644 moneos_2024/090_vissen/20_moneos_visdata_fuiken_integratie.Rmd create mode 100644 moneos_2024/090_vissen/21_moneos_visdata_ankerkuil_integratie.Rmd create mode 100644 moneos_2024/090_vissen/30_visdata_fuiken_controle_EMSE.Rmd create mode 100644 moneos_2024/090_vissen/31_visdata_ankerkuil_controle_EMSE.Rmd create mode 100644 moneos_2024/090_vissen/35_moneos_soorten_kleurcode.Rmd create mode 100644 moneos_2024/090_vissen/40_moneos_analyse_fuiken_EMSE.Rmd create mode 100644 moneos_2024/090_vissen/41_moneos_analyse_ankerkuil_EMSE.Rmd create mode 100644 moneos_2024/150_geintegreerd_rapport/090_vissen_inleiding_en_methode.Rmd create mode 100644 moneos_2024/150_geintegreerd_rapport/091_vissen_ankerkuil.Rmd create mode 100644 moneos_2024/150_geintegreerd_rapport/092_vissen_fuiken.Rmd create mode 100644 moneos_2024/150_geintegreerd_rapport/093_vissen_conclusies.Rmd diff --git a/moneos_2024/090_vissen/10_moneos_visdata_VIS_fuiken.Rmd b/moneos_2024/090_vissen/10_moneos_visdata_VIS_fuiken.Rmd new file mode 100644 index 0000000..1fd2cf3 --- /dev/null +++ b/moneos_2024/090_vissen/10_moneos_visdata_VIS_fuiken.Rmd @@ -0,0 +1,249 @@ +--- +params: + hoofdstuk: "090_vissen" +knit: (function(inputFile, encoding) { + rmarkdown::render(inputFile, + encoding=encoding, + output_dir = paste0(rmarkdown::yaml_front_matter(inputFile)$params$hoofdstuk, + "/output") + )}) + +title: "visdata fuiken" +output: + bookdown::word_document2: default +--- + + +```{r setup, include=FALSE} + +knitr::opts_chunk$set(echo = FALSE, error=FALSE, warning=FALSE, message=FALSE, cache=FALSE) + +``` + + +```{r libraries} + +library(tidyverse) +library(lubridate) +library(readxl) +library(writexl) +library(inbodb) + +library(rprojroot) ## workaround pad + +``` + + +```{r pad} + +# inlezen van variabelen +# pad naar data : pad_data +# pad naar tabellen : pad_tabellen +# pad naar figuren : pad_figuren + +run_pad <- function() { + + source(find_root_file("../pad.R", criterion = is_rstudio_project)) + + pad_data <- maak_pad(params$hoofdstuk, "data") + pad_figuren <- maak_pad(params$hoofdstuk, "figuren") + pad_tabellen <- maak_pad(params$hoofdstuk, "tabellen") + + # print(ls()) + + sapply(ls(), function(x) assign(x, get(x), .GlobalEnv)) + +} + +run_pad() + +``` + + +```{r variabelen} + +run_variabelen <- + function() { + + jaren <- 2022 + vangstmethode <- c('Schietfuik') + + # Zeeschelde vissen + locaties_name <- "fuikvangsten_Zeeschelde_locaties" + metadata_name <- "fuikvangsten_Zeeschelde_metadata" + filename <- "fuikdata_Zeeschelde" + + # zijrivieren vissen + # locaties_name <- "fuikvangsten_zijrivieren_locaties" + # metadata_name <- "fuikvangsten_zijrivieren_metadata" + # filename <- "fuikdata_zijrivieren" + + locaties <- + read_xlsx(str_c(pad_data, "metadata VLIZ/", locaties_name, ".xlsx")) + locatie_nrs <- locaties$locatiecode %>% as.character() + locatie_namen <- locaties$locatie + + # print(ls()) + + sapply(ls(), function(x) assign(x, get(x), .GlobalEnv)) + + } + +run_variabelen() + +``` + + +```{r connectie met databank} + +VIS2 <- connect_inbo_dbase("D0147_00_Vis2") +VIS <- connect_inbo_dbase("W0001_00_Vis") + +``` + + +```{r bevragen databank} + +FactMeting_Pivot <- + tbl(VIS, "FactMeting_Pivot") +DimWaarneming <- + tbl(VIS, "DimWaarneming") +DimGebied <- + tbl(VIS, "DimGebied") +DimGebiedInfo <- + tbl(VIS, "DimGebiedInfo") +DimTaxon <- + tbl(VIS, "DimTaxon") +DimVisindexTaxon <- + tbl(VIS, "DimVisindexTaxon") +DimMethode <- + tbl(VIS, "DimMethode") +DimDate <- + tbl(VIS, "DimDate") + + +# Vispunten <- +# tbl(VIS2, "Vispunten") +# VHAVispunten <- +# tbl(VIS2, "VHAVispunten") +AbiotischeMeting <- + tbl(VIS2, "AbiotischeMeting") + + +tbl_campagnes <- + DimWaarneming %>% + inner_join(DimGebied, + by = "GebiedKey") %>% + inner_join(DimDate, by = c("BeginDatumKey" = "DateKey")) %>% + inner_join(DimMethode, by = "MethodeKey") %>% + filter(Year %in% jaren, + Gebiedcode %in% locatie_nrs, + Methodenaam %in% vangstmethode) %>% + select(WaarnemingKey, WaarnemingID, GebiedKey, Gebiedcode, LambertX, LambertY, Lat, Long, Gebiednaam, Gemeentenaam, Begindatum, Month, Year, MethodeKey, Methodenaam, Methodegroepcode, AantalDagen, AantalFuiken) + +tbl_data <- + FactMeting_Pivot %>% + right_join(DimWaarneming %>% + inner_join(DimGebied, + by = "GebiedKey") %>% + inner_join(DimDate, by = c("BeginDatumKey" = "DateKey")), + by = "WaarnemingKey") %>% + inner_join(DimTaxon %>% + left_join(DimVisindexTaxon %>% select(TaxonKey, Exoot)), + by = "TaxonKey") %>% + inner_join(DimMethode, by = "MethodeKey") %>% + select(MetingPivotKey, WaarnemingKey, WaarnemingID, GebiedKey, Gebiedcode, LambertX, LambertY, Lat, Long, Gebiednaam, Gemeentenaam, Begindatum, Month, Year, MethodeKey, Methodenaam, Methodegroepcode, AantalDagen, AantalFuiken, TaxonKey, Soort, Exoot, TAXONAANTAL, TAXONGEW, TAXONTOTGEW, TAXONLEN, TEMPERATUUR, ZUURSTOF, TURBIDITEIT, CONDUCTIVITEIT, PH) %>% + filter(Year %in% jaren, + Gebiedcode %in% locatie_nrs, + Methodenaam %in% vangstmethode) + +gebied_codes <- + tbl_data %>% + distinct(Gebiedcode) %>% + collect() %>% + pull() + +waarneming_IDs <- + tbl_data %>% + distinct(WaarnemingID) %>% + collect() %>% + pull() + +# tbl_locatie_gegevens <- +# Vispunten %>% +# inner_join(VHAVispunten, by = c("VIP_ID" = "VHP_VIP_ID")) %>% +# select(VIP_CDE, VIP_Omschrijving, VHP_LOTIC_NAAM, VHP_LOTIC_BekNaam, VHP_LOTIC_STROOMGEBIED, VHP_GEMEENTE) %>% +# filter(VIP_CDE %in% gebied_codes) + +tbl_abiotiek <- + AbiotischeMeting %>% + select(ABME_WRNG_ID, ABME_ZUURSTOF, ABME_ZUURSTOFPROCENT, ABME_TEMPERATUUR, ABME_PH, ABME_CONDUCTIVITEIT, ABME_TURBIDITEIT, ABME_SALINITEIT_PRM) %>% + filter(ABME_WRNG_ID %in% waarneming_IDs) + +data <- + tbl_data %>% + collect() %>% + # left_join(tbl_locatie_gegevens %>% collect(), by = c("Gebiedcode" = "VIP_CDE")) %>% + left_join(tbl_abiotiek %>% collect(), by = c("WaarnemingID" = "ABME_WRNG_ID")) + +campagnes <- + tbl_campagnes %>% + collect() %>% + # left_join(tbl_locatie_gegevens %>% collect(), by = c("Gebiedcode" = "VIP_CDE")) %>% + left_join(tbl_abiotiek %>% collect(), by = c("WaarnemingID" = "ABME_WRNG_ID")) + +``` + + +```{r sluiten databank} + +dbDisconnect(VIS) +dbDisconnect(VIS2) + +``` + + +```{r hervariabel, ref.label=c('pad', 'variabelen')} + +rm(list = ls()[-which(ls() %in% c("data", "campagnes", "params", "run_pad", "run_variabelen"))]) + +run_pad() +run_variabelen() + +``` + + +```{r opslaan ruwe data fuiken} + +write_xlsx(list(campagnes = campagnes, + data = data), + path = str_c(pad_data, filename, "_ruw_VIS_", str_c(unique(range(jaren)), collapse = "_"), ".xlsx")) + +``` + + +```{r check campagnes, eval=FALSE} + +campagnes <- + read_xlsx(sheet = "campagnes", + path = str_c(pad_data, filename, "_ruw_VIS_", str_c(unique(range(jaren)), collapse = "_"), ".xlsx")) + +data <- + read_xlsx(sheet = "data", + path = str_c(pad_data, filename, "_ruw_VIS_", str_c(unique(range(jaren)), collapse = "_"), ".xlsx")) + +campagnes_dstnct <- + campagnes %>% + distinct(Gebiedcode, Gebiednaam, Begindatum, Month, Year, Methodenaam) + +campagnes_dstnct2 <- + data %>% + distinct(Gebiedcode, Gebiednaam, Begindatum, Month, Year, Methodenaam) + +setdiff(campagnes_dstnct, campagnes_dstnct2) + +campagnes_dstnct %>% + distinct(Gebiedcode, Gebiednaam) + +``` + diff --git a/moneos_2024/090_vissen/11_moneos_visdata_VIS_ankerkuil.Rmd b/moneos_2024/090_vissen/11_moneos_visdata_VIS_ankerkuil.Rmd new file mode 100644 index 0000000..1f8f96c --- /dev/null +++ b/moneos_2024/090_vissen/11_moneos_visdata_VIS_ankerkuil.Rmd @@ -0,0 +1,292 @@ +--- +params: + hoofdstuk: "090_vissen" +knit: (function(inputFile, encoding) { + rmarkdown::render(inputFile, + encoding=encoding, + output_dir = paste0(rmarkdown::yaml_front_matter(inputFile)$params$hoofdstuk, + "/output") + )}) + +title: "visdata fuiken" +output: + bookdown::word_document2: default +--- + + +```{r setup, include=FALSE} + +knitr::opts_chunk$set(echo = FALSE, error=FALSE, warning=FALSE, message=FALSE, cache=FALSE) + +``` + + +```{r libraries} + +library(tidyverse) +library(tidyjson) +library(lubridate) +library(readxl) +library(writexl) +library(inbodb) + +library(rprojroot) ## workaround pad + +``` + + +```{r, pad} + +# inlezen van variabelen +# pad naar data : pad_data +# pad naar tabellen : pad_tabellen +# pad naar figuren : pad_figuren + +run_pad <- function() { + + source(find_root_file("../pad.R", criterion = is_rstudio_project)) + + pad_data <- maak_pad(params$hoofdstuk, "data") + pad_figuren <- maak_pad(params$hoofdstuk, "figuren") + pad_tabellen <- maak_pad(params$hoofdstuk, "tabellen") + + # print(ls()) + + sapply(ls(), function(x) assign(x, get(x), .GlobalEnv)) + +} + +run_pad() + +``` + + +```{r, variabelen} + +run_variabelen <- + function() { + + jaren <- 2022 + vangstmethode <- c('Ankerkuil', 'Ankerkuil-vloed', 'Ankerkuil-eb') + + # Zeeschelde vissen + locaties_name <- "ankerkuil_Zeeschelde_locaties" + metadata_name <- "ankerkuil_Zeeschelde_metadata" + filename <- "ankerkuil_Zeeschelde" + + # zijrivieren vissen + # locaties_name <- "fuikvangsten_zijrivieren_locaties" + # metadata_name <- "fuikvangsten_zijrivieren_metadata" + # filename <- "fuikdata_zijrivieren" + + locaties <- + read_xlsx(str_c(pad_data, "metadata VLIZ/", locaties_name, ".xlsx")) + locatie_nrs <- locaties$locatiecode %>% as.character() + locatie_namen <- locaties$locatie + + # print(ls()) + + sapply(ls(), function(x) assign(x, get(x), .GlobalEnv)) + + } + +run_variabelen() + +``` + + +```{r connectie met databank} + +VIS2 <- connect_inbo_dbase("D0147_00_Vis2") +VIS <- connect_inbo_dbase("W0001_00_Vis") + +``` + + +```{r bevragen databank} + +FactMeting_Pivot <- + tbl(VIS, "FactMeting_Pivot") +DimWaarneming <- + tbl(VIS, "DimWaarneming") +DimGebied <- + tbl(VIS, "DimGebied") +DimGebiedInfo <- + tbl(VIS, "DimGebiedInfo") +DimTaxon <- + tbl(VIS, "DimTaxon") +DimVisindexTaxon <- + tbl(VIS, "DimVisindexTaxon") +DimMethode <- + tbl(VIS, "DimMethode") +DimDate <- + tbl(VIS, "DimDate") + + +# Vispunten <- +# tbl(VIS2, "Vispunten") +# VHAVispunten <- +# tbl(VIS2, "VHAVispunten") +AbiotischeMeting <- + tbl(VIS2, "AbiotischeMeting") +Waarneming <- + tbl(VIS2, "Waarneming") +Methode <- + tbl(VIS2, "Methode") +Meting <- + tbl(VIS2, "Meting") + +# informatie ivm met berekening en eenheid voor catch per unit effort zijn te vinden in VIS2 tabel 'Methode' (en 'MethodeCpueParameter') + + +tbl_campagnes <- + DimWaarneming %>% + inner_join(DimGebied, + by = "GebiedKey") %>% + inner_join(DimDate, by = c("BeginDatumKey" = "DateKey")) %>% + inner_join(DimMethode, by = "MethodeKey") %>% + filter(Year %in% jaren, + Gebiedcode %in% locatie_nrs, + Methodenaam %in% vangstmethode) %>% + select(WaarnemingKey, WaarnemingID, GebiedKey, Gebiedcode, LambertX, LambertY, Lat, Long, Gebiednaam, Gemeentenaam, Begindatum, Month, Year, MethodeKey, Methodenaam, Methodegroepcode) + + +tbl_data <- + FactMeting_Pivot %>% + right_join(DimWaarneming %>% + inner_join(DimGebied, + by = "GebiedKey") %>% + inner_join(DimDate, by = c("BeginDatumKey" = "DateKey")), + by = "WaarnemingKey") %>% + inner_join(DimTaxon %>% + left_join(DimVisindexTaxon %>% select(TaxonKey, Exoot)), + by = "TaxonKey") %>% + inner_join(DimMethode, by = "MethodeKey") %>% + select(MetingPivotKey, WaarnemingKey, MetingID, WaarnemingID, GebiedKey, Gebiedcode, LambertX, LambertY, Lat, Long, Gebiednaam, Gemeentenaam, Begindatum, Month, Year, MethodeKey, Methodenaam, Methodegroepcode, TaxonKey, Soort, Exoot, TAXONAANTAL, TAXONGEW, TAXONTOTGEW, TAXONLEN, TEMPERATUUR, ZUURSTOF, TURBIDITEIT, CONDUCTIVITEIT, PH) %>% + filter(Year %in% jaren, + Gebiedcode %in% locatie_nrs, + Methodenaam %in% vangstmethode) + +(gebied_codes <- + tbl_data %>% + distinct(Gebiedcode) %>% + collect() %>% + pull()) + +waarneming_IDs <- + tbl_data %>% + distinct(WaarnemingID) %>% + collect() %>% + pull() + +meting_IDs <- + tbl_data %>% + distinct(MetingID) %>% + collect() %>% + pull() + +tbl_abiotiek <- + AbiotischeMeting %>% + select(ABME_WRNG_ID, ABME_ZUURSTOF, ABME_ZUURSTOFPROCENT, ABME_TEMPERATUUR, ABME_PH, ABME_CONDUCTIVITEIT, ABME_TURBIDITEIT, ABME_SALINITEIT_PRM) %>% + filter(ABME_WRNG_ID %in% waarneming_IDs) + +tbl_volume <- + Waarneming %>% + select(WRNG_ID, WRNG_WGST_CDE, WRNG_METH_CDE, WRNG_OCR, WRNG_CPUE_PARAMETERS) %>% + filter(WRNG_ID %in% waarneming_IDs) + +tbl_verdunning <- + Meting %>% + select(METI_ID, METI_WRNG_ID, METI_DILUTION_FACTOR) %>% + filter(METI_ID %in% meting_IDs) + +volume <- + tbl_volume %>% + collect() %>% + bind_cols(., .$WRNG_CPUE_PARAMETERS %>% + spread_all() %>% + select(AantalUrenStuurboord, AantalUrenBakboord, AfgevistVolumeStuurboord, AfgevistVolumeBakboord) %>% + as_tibble()) %>% + replace_na(list(AantalUrenStuurboord = 0, AantalUrenBakboord = 0, + AfgevistVolumeStuurboord = 0, AfgevistVolumeBakboord = 0)) %>% + mutate(uren = AantalUrenStuurboord + AantalUrenBakboord, + volume = AfgevistVolumeStuurboord + AfgevistVolumeBakboord) + + +data <- + tbl_data %>% + collect() %>% + # left_join(tbl_locatie_gegevens %>% collect(), by = c("Gebiedcode" = "VIP_CDE")) %>% + left_join(volume %>% select(WRNG_ID, uren, volume), by = c("WaarnemingID" = "WRNG_ID")) %>% + left_join(tbl_verdunning %>% collect(), by = c("MetingID" = "METI_ID", "WaarnemingID" = "METI_WRNG_ID")) %>% + left_join(tbl_abiotiek %>% collect(), by = c("WaarnemingID" = "ABME_WRNG_ID")) + +campagnes <- + tbl_campagnes %>% + collect() %>% + # left_join(tbl_locatie_gegevens %>% collect(), by = c("Gebiedcode" = "VIP_CDE")) %>% + left_join(volume %>% select(WRNG_ID, uren, volume), by = c("WaarnemingID" = "WRNG_ID")) %>% + left_join(tbl_abiotiek %>% collect(), by = c("WaarnemingID" = "ABME_WRNG_ID")) + +``` + + +```{r sluiten databank} + +dbDisconnect(VIS) +dbDisconnect(VIS2) + +``` + + +```{r hervariabel, ref.label=c('pad', 'variabelen')} + +rm(list = ls()[-which(ls() %in% c("data", "campagnes", "params", "run_pad", "run_variabelen"))]) + +run_pad() +run_variabelen() + +``` + + +```{r controle dubbel gewicht in ruwe data} + +dubbel_gewicht <- + data %>% + filter(!is.na(TAXONGEW) & !is.na(TAXONTOTGEW)) + +``` + + +```{r opslaan ruwe data ankerkuil} + +write_xlsx(list(campagnes = campagnes, + data = data), + path = str_c(pad_data, filename, "_ruw_VIS_", str_c(unique(range(jaren)), collapse = "_"), ".xlsx")) + +``` + + +```{r check campagnes, eval=FALSE} + +campagnes <- + read_xlsx(sheet = "campagnes", + path = str_c(pad_data, filename, "_ruw_VIS_", str_c(unique(range(jaren)), collapse = "_"), ".xlsx")) + +data <- + read_xlsx(sheet = "data", + path = str_c(pad_data, filename, "_ruw_VIS_", str_c(unique(range(jaren)), collapse = "_"), ".xlsx")) + +campagnes_dstnct <- + campagnes %>% + distinct(Gebiedcode, Gebiednaam, Begindatum, Month, Year, Methodenaam) + +campagnes_dstnct2 <- + data %>% + distinct(Gebiedcode, Gebiednaam, Begindatum, Month, Year, Methodenaam) + +campagnes_dstnct %>% + distinct(Gebiedcode, Gebiednaam) + +``` + diff --git a/moneos_2024/090_vissen/20_moneos_visdata_fuiken_integratie.Rmd b/moneos_2024/090_vissen/20_moneos_visdata_fuiken_integratie.Rmd new file mode 100644 index 0000000..ef419b6 --- /dev/null +++ b/moneos_2024/090_vissen/20_moneos_visdata_fuiken_integratie.Rmd @@ -0,0 +1,626 @@ +--- +params: + hoofdstuk: "090_vissen" +title: "visdata fuiken" +knit: (function(inputFile, ...) { + rmarkdown::render(inputFile, + output_dir = paste0(rmarkdown::yaml_front_matter(inputFile)$params$hoofdstuk, "/output"))}) +output: word_document +editor_options: + chunk_output_type: console +--- + +```{r setup, include=FALSE} + +knitr::opts_chunk$set(echo = FALSE, error = FALSE, warning = FALSE, message = FALSE, cache = FALSE) + +``` + + +```{r libraries} + +library(tidyverse) +library(lubridate) +library(readxl) +library(writexl) + +library(inbodb) + +library(rprojroot) ## workaround pad + +``` + + +```{r pad} + +# inlezen van variabelen +# pad naar data : pad_data +# pad naar tabellen : pad_tabellen +# pad naar figuren : pad_figuren + +source(find_root_file("../pad.R", criterion = is_rstudio_project)) + +pad_data <- maak_pad(params$hoofdstuk, "data") +pad_figuren <- maak_pad(params$hoofdstuk, "figuren") +pad_tabellen <- maak_pad(params$hoofdstuk, "tabellen") + +``` + + +```{r variabelen} + +laatste_jaar <- 2022 +pad_data_historisch <- str_c(pad_prj_schelde, pad_moneos, as.numeric(jaar_moneos)-1, "/", params$hoofdstuk, "/data/") + +locaties_name <- "fuikvangsten_Zeeschelde_locaties" +metadata_name <- "fuikvangsten_Zeeschelde_metadata" +filename <- "fuikdata_Zeeschelde" + +locaties <- + read_xlsx(str_c(pad_data, "metadata VLIZ/", locaties_name, ".xlsx")) %>% + mutate(locatiecode = as.character(locatiecode)) + +``` + + +```{r inlezen historische data} + +campagnes_historisch <- + read_xlsx(str_c(pad_data_historisch, str_c("fuikdata_Zeeschelde_2009_", + laatste_jaar - 1 , + ".xlsx")), + sheet = "campagnes") + +# omzetten maand naar seizoen +campagnes_historisch <- + campagnes_historisch %>% + mutate(seizoen = + case_when( + maand %in% 3:5 ~ "voorjaar", + maand %in% 6:8 ~ "zomer", + maand %in% 9:11 ~ "najaar", + maand %in% 12:2 ~ "winter")) %>% + select(ID_afvissing:jaar, seizoen, everything(), -maand) + +aantal_historisch <- + read_xlsx(str_c(pad_data_historisch, str_c("fuikdata_Zeeschelde_2009_", + laatste_jaar - 1 , + ".xlsx")), + sheet = "aantallen") + +gewicht_historisch <- + read_xlsx(str_c(pad_data_historisch, str_c("fuikdata_Zeeschelde_2009_", + laatste_jaar - 1 , + ".xlsx")), + sheet = "gewicht") + +``` + + +```{r inlezen recent data} + +# campagnes_recent <- +# read_xlsx(str_c(pad_data, "fuikdata_Zeeschelde_ruw_VIS_", +# laatste_jaar, +# ".xlsx"), +# sheet = "campagnes") + +data_recent <- + read_xlsx(str_c(pad_data, "fuikdata_Zeeschelde_ruw_VIS_", + laatste_jaar, + ".xlsx"), + sheet = "data") + +(old_names <- + data_recent %>% + distinct(Gebiedcode, Gebiednaam) %>% + arrange(Gebiedcode) %>% + pull(Gebiednaam)) + +gebieden <- + data_recent %>% + distinct(Gebiedcode, Gebiednaam, round(LambertX), round(LambertY)) %>% + arrange(Gebiedcode) + +locaties <- + locaties %>% + filter(locatiecode %in% gebieden$Gebiedcode) + +locatie_nrs <- locaties$locatiecode +locatie_namen <- locaties$locatie + +(gebieden <- + gebieden %>% + mutate(new_names = locatie_namen[order(locatie_nrs)])) + +level_key <- locatie_namen[order(locatie_nrs)] +names(level_key) <- old_names + +``` + + +```{r correcties soortnamen} + +rename_vector <- + c("kleine koornaarvis" = "koornaarvis") + +aantal_historisch <- + aantal_historisch %>% + rename(!!!rename_vector) +gewicht_historisch <- + gewicht_historisch %>% + rename(!!!rename_vector) + +``` + + +```{r controle dubbel gewicht in ruwe data} + +dubbel_gewicht <- + data_recent %>% + filter(!is.na(TAXONGEW) & !is.na(TAXONTOTGEW)) + +``` + + +```{r controle uniek aantal of gewicht in ruwe data} + +aantal_NA_of_0_ruw <- + data_recent %>% + filter(is.na(TAXONAANTAL) | + near(TAXONAANTAL, 0)) %>% + select("MetingPivotKey", "WaarnemingKey", "WaarnemingID", "GebiedKey", "Gebiedcode", + "LambertX", "LambertY", "Gebiednaam", + "Begindatum", "Month", "Year", "MethodeKey", "Methodenaam", "Methodegroepcode", + "AantalDagen", "AantalFuiken", + "TaxonKey", "Soort", + "TAXONAANTAL", "TAXONGEW", "TAXONTOTGEW", "TAXONLEN") + +gewicht_NA_of_0_ruw <- + data_recent %>% + filter(if_all(c(TAXONGEW, TAXONTOTGEW), ~is.na(.)) | + if_all(c(TAXONGEW, TAXONTOTGEW), ~near(., 0))) %>% + select("MetingPivotKey", "WaarnemingKey", "WaarnemingID", "GebiedKey", "Gebiedcode", + "LambertX", "LambertY", "Gebiednaam", + "Begindatum", "Month", "Year", "MethodeKey", "Methodenaam", "Methodegroepcode", + "AantalDagen", "AantalFuiken", + "TaxonKey", "Soort", + "TAXONAANTAL", "TAXONGEW", "TAXONTOTGEW", "TAXONLEN") + + +soort_NA <- + gewicht_NA_of_0_ruw %>% + filter(TAXONAANTAL == 1) %>% + pull(Soort) %>% + unique() + +if (length(soort_NA) > 0) { + data_lengte <- + data_recent %>% + filter(Soort %in% soort_NA, + !is.na(TAXONLEN)) %>% + select(Soort, TAXONAANTAL, TAXONGEW, TAXONLEN) + + data_lengte %>% + ggplot(aes(TAXONLEN, TAXONGEW)) + + geom_point() + + geom_smooth(method = "lm") + + scale_x_log10() + + scale_y_log10() + + facet_wrap(~Soort) + + regressie_lengte <- + data_lengte %>% + group_by(Soort) %>% + summarise(int = coef(lm(log(TAXONGEW)~log(TAXONLEN)))[1], + slope = coef(lm(log(TAXONGEW)~log(TAXONLEN)))[2]) %>% + ungroup() + + datum_soort <- + data_recent %>% + mutate(gewicht = if_else(is.na(TAXONGEW), + TAXONTOTGEW, TAXONGEW)) %>% + select(Gebiedcode, Gebiednaam, Begindatum, Soort, aantal = TAXONAANTAL, gewicht) %>% + filter(str_c(Gebiedcode, Begindatum, Soort) %in% unique(str_c(gewicht_NA_of_0_ruw$Gebiedcode, gewicht_NA_of_0_ruw$Begindatum, gewicht_NA_of_0_ruw$Soort))) %>% + drop_na() %>% + group_by(Gebiedcode, Gebiednaam, Begindatum, Soort) %>% + summarise(across(everything(), sum)) %>% + ungroup() + + + gewicht_NA <- + gewicht_NA_of_0_ruw %>% + select(MetingPivotKey, Gebiedcode, Gebiednaam, Begindatum, Month, Year, Methodenaam, + TaxonKey, Soort, TAXONAANTAL, TAXONGEW, TAXONTOTGEW, TAXONLEN) %>% + left_join(datum_soort) %>% + left_join(regressie_lengte) %>% + replace_na(list(aantal = 0, gewicht = 0)) %>% + mutate(prop_aantal = TAXONAANTAL/aantal, + gewicht_imputed = + case_when( + TAXONAANTAL > 1 ~ gewicht*prop_aantal, + TRUE ~ exp(int + slope*log(TAXONLEN)) + )) + + + write_xlsx(list(#NA_aantal_of_gewicht = uniek_aantal_of_gewicht, + # NA_aantal = aantal_NA_of_0_ruw, + NA_gewicht = gewicht_NA), + path = str_c(pad_data, "controle/controle_NA_aantal_of_gewicht_fuiken.xlsx")) +} + +``` + + +```{r toevoegen imputation aan ruwe data} + +if (length(soort_NA) > 0) { + keys <- gewicht_NA$MetingPivotKey + + dat_before <- + data_recent %>% + filter(MetingPivotKey %in% keys) + + for(k in keys) { + data_recent$TAXONGEW[data_recent$MetingPivotKey == k] <- + gewicht_NA$gewicht_imputed[gewicht_NA$MetingPivotKey == k] + } + + dat_after <- + data_recent %>% + filter(MetingPivotKey %in% keys) +} + +``` + + +```{r data per datum} + +data_per_datum <- + data_recent %>% + select(locatiecode = Gebiedcode, locatie = Gebiednaam, datum = Begindatum, + aantal_dagen = AantalDagen, aantal_fuiken = AantalFuiken, soort = Soort, + aantal = TAXONAANTAL, gewicht_ind = TAXONGEW, gewicht_tot = TAXONTOTGEW, + temperatuur = ABME_TEMPERATUUR, zuurstof = ABME_ZUURSTOF, zuurstof_perc = ABME_ZUURSTOFPROCENT, + ph = ABME_PH, turbiditeit = ABME_TURBIDITEIT, conductiviteit = ABME_CONDUCTIVITEIT) %>% + mutate(locatie = recode(locatie, !!!level_key), + fuikdagen = aantal_dagen * aantal_fuiken, + datum = date(datum), + jaar = year(datum), + maand = month(datum), + seizoen = + case_when( + maand %in% 3:5 ~ "voorjaar", + maand %in% 6:8 ~ "zomer", + maand %in% 9:11 ~ "najaar", + maand %in% 12:2 ~ "winter"), + soort = str_to_lower(soort)) %>% + group_by(locatiecode, locatie, datum, jaar, maand, seizoen, aantal_dagen, aantal_fuiken, fuikdagen, soort) %>% + summarise(n = n(), + aantal = sum(aantal, na.rm = FALSE), + # gewicht = sum(if_else(is.na(gewicht_ind), + # if_else(is.na(gewicht_tot), NA_real_, gewicht_tot), + # if_else(is.na(gewicht_tot), gewicht_ind, gewicht_ind + gewicht_tot)), + gewicht = sum(if_else(is.na(gewicht_ind), + gewicht_tot, gewicht_ind), + na.rm = FALSE), + across(c(temperatuur, zuurstof, zuurstof_perc, ph, turbiditeit, conductiviteit), + ~mean(., na.rm = TRUE)), + .groups = "drop") + +``` + + +```{r controle NA in aantal of gewicht in geaggregeerde data} + +dat_NA <- + data_per_datum %>% + filter(is.na(aantal) | is.na(gewicht)) + +``` + + +```{r controle ontbrekende campagnes} + +campagnes <- + data_per_datum %>% + select(locatie, jaar, maand, seizoen) %>% + distinct() + +camp_tot <- + campagnes %>% + expand(locatie, jaar, seizoen) + +campagnes_ontbrekend <- + camp_tot %>% + anti_join(campagnes) + +campagnes_NA_or_0 <- + data_per_datum %>% + group_by(locatiecode, locatie, datum, jaar, maand, seizoen, aantal_dagen, aantal_fuiken) %>% + summarise(n = sum(n), aantal = sum(aantal, na.rm = TRUE), gewicht = sum(gewicht, na.rm = TRUE)) %>% + ungroup() %>% + arrange(datum, locatie, seizoen) %>% + filter(if_any(.cols = everything(), .fns = ~is.na(.)) | + if_any(.cols = c(aantal_dagen, aantal_fuiken), ~near(., 0))) + +``` + + +```{r controle uniek aantal of gewicht in geaggregeerde data} + +uniek_aantal_of_gewicht <- + data_per_datum %>% + select(locatiecode, locatie, datum, jaar, maand, seizoen, aantal_dagen, aantal_fuiken, fuikdagen, soort, n, aantal, gewicht) %>% + arrange(datum, locatie, seizoen) %>% + filter(if_any(c(aantal, gewicht), ~is.na(.)) | + (if_any(c(aantal, gewicht), ~near(., 0)) & !if_all(c(aantal, gewicht), ~near(., 0)))) + + +uniek_aantal_of_gewicht_vis <- + uniek_aantal_of_gewicht %>% + filter(!str_detect(str_to_lower(soort), "garnaal|garnalen|gammarus|krab|kreeft|inktvis|octopus|zeekat")) + +uniek_aantal_of_gewicht_inv <- + uniek_aantal_of_gewicht %>% + filter(str_detect(str_to_lower(soort), "garnaal|garnalen|gammarus|krab|kreeft|inktvis|octopus|zeekat")) + +``` + + +```{r vergelijking aanwezige soorten met historisch} + +(soorten_historisch_aanwezig <- + union( + aantal_historisch %>% + select(-ID_afvissing) %>% + colSums(na.rm = TRUE) %>% + .[. > 0] %>% + names(), + gewicht_historisch %>% + select(-ID_afvissing) %>% + colSums(na.rm = TRUE) %>% + .[. > 0] %>% + names()) %>% + sort()) + +(soorten_historisch_afwezig <- + intersect( + aantal_historisch %>% + select(-ID_afvissing) %>% + colSums(na.rm = TRUE) %>% + .[. == 0] %>% + names(), + gewicht_historisch %>% + select(-ID_afvissing) %>% + colSums(na.rm = TRUE) %>% + .[. == 0] %>% + names()) %>% + sort()) + +intersect(soorten_historisch_aanwezig, soorten_historisch_afwezig) +setdiff(aantal_historisch %>% + select(-ID_afvissing) %>% + names(), + union(soorten_historisch_aanwezig, soorten_historisch_afwezig)) + + +(soorten_recent_aanwezig <- + data_per_datum %>% + group_by(soort) %>% + summarise(aantal = sum(aantal, na.rm = TRUE)) %>% + ungroup() %>% + filter(aantal > 0) %>% + pull(soort) %>% + sort()) + +(soorten_recent_afwezig <- + data_per_datum %>% + group_by(soort) %>% + summarise(aantal = sum(aantal, na.rm = TRUE)) %>% + ungroup() %>% + filter(aantal == 0) %>% + pull(soort) %>% + sort()) + +intersect(soorten_recent_aanwezig, soorten_recent_afwezig) +setdiff(data_per_datum %>% + distinct(soort) %>% + pull(), + union(soorten_recent_aanwezig, soorten_recent_afwezig)) + + +(soorten_totaal_afwezig <- + setdiff(soorten_historisch_afwezig, soorten_recent_aanwezig) %>% + sort()) + +(soorten_totaal_aanwezig <- + union(soorten_historisch_aanwezig, soorten_recent_aanwezig) %>% + sort()) + +(soorten_totaal_aanwezig_invertebraten <- + soorten_totaal_aanwezig %>% + keep(~ str_detect(., "garnaal|garnalen|gammarus|krab|kreeft|inktvis|octopus|zeekat")) %>% + sort()) + +(soorten_totaal_aanwezig_vis <- + setdiff(soorten_totaal_aanwezig, soorten_totaal_aanwezig_invertebraten) %>% + sort()) + +(soorten_totaal_aanwezig <- + c(soorten_totaal_aanwezig_vis, soorten_totaal_aanwezig_invertebraten)) + + +(soorten_totaal <- + union(soorten_totaal_aanwezig, soorten_totaal_afwezig) %>% + sort()) + +(unieke_soorten_historisch_aanwezig <- + setdiff(soorten_historisch_aanwezig, + soorten_recent_aanwezig) %>% + sort()) + +(unieke_soorten_historisch_totaal <- + setdiff(union(soorten_historisch_aanwezig, soorten_historisch_afwezig), + soorten_recent_aanwezig) %>% + sort()) + +(unieke_soorten_recent_aanwezig <- + setdiff(soorten_recent_aanwezig, + soorten_historisch_aanwezig) %>% + sort()) + +``` + + +```{r sheets finale data recent} + +campagnes_recent <- + data_per_datum %>% + select(locatie, datum, jaar, seizoen, fuikdagen, + temperatuur, zuurstof, zuurstof_perc, ph, turbiditeit, conductiviteit) %>% + distinct() %>% + arrange(datum, locatie) %>% + mutate(ID_afvissing = 1:n()) %>% + select(ID_afvissing, everything()) %>% + arrange(ID_afvissing) + +aantallen_recent <- + data_per_datum %>% + select(locatie, datum, soort, aantal) %>% + pivot_wider(names_from = soort, + values_from = aantal, + names_sort = TRUE, + values_fill = 0) %>% + arrange(datum, locatie) %>% + mutate(ID_afvissing = 1:n()) %>% + select(ID_afvissing, everything(), -locatie, -datum) %>% + arrange(ID_afvissing) + +gewicht_recent <- + data_per_datum %>% + select(locatie, datum, soort, gewicht) %>% + pivot_wider(names_from = soort, + values_from = gewicht, + names_sort = TRUE, + values_fill = 0) %>% + arrange(datum, locatie) %>% + mutate(ID_afvissing = 1:n()) %>% + select(ID_afvissing, everything(), -locatie, -datum) %>% + arrange(ID_afvissing) + +``` + + +```{r samenvoegen recent met historisch} + +aantal_historisch_finaal <- + aantal_historisch %>% + .[,names(aantal_historisch) %in% c("ID_afvissing", soorten_historisch_aanwezig)] %>% + arrange(ID_afvissing) %>% + add_column(matrix(data = 0, nrow = nrow(aantal_historisch), ncol = length(unieke_soorten_recent_aanwezig)) %>% + as_tibble() %>% + rename_at(., vars(names(.)), ~ unieke_soorten_recent_aanwezig)) + +gewicht_historisch_finaal <- + gewicht_historisch %>% + .[,names(aantal_historisch) %in% c("ID_afvissing", soorten_historisch_aanwezig)] %>% + arrange(ID_afvissing) %>% + add_column(matrix(data = 0, nrow = nrow(gewicht_historisch), ncol = length(unieke_soorten_recent_aanwezig)) %>% + as_tibble() %>% + rename_at(., vars(names(.)), ~ unieke_soorten_recent_aanwezig)) + + +start_ID <- max(campagnes_historisch$ID_afvissing) + +campagnes_recent_finaal <- + campagnes_recent %>% + mutate(ID_afvissing = ID_afvissing + start_ID) + +aantal_recent_finaal <- + aantallen_recent %>% + mutate(ID_afvissing = ID_afvissing + start_ID) %>% + add_column(matrix(data = 0, nrow = nrow(aantallen_recent), ncol = length(unieke_soorten_historisch_aanwezig)) %>% + as_tibble() %>% + rename_at(., vars(names(.)), ~ unieke_soorten_historisch_aanwezig)) + +gewicht_recent_finaal <- + gewicht_recent %>% + mutate(ID_afvissing = ID_afvissing + start_ID) %>% + add_column(matrix(data = 0, nrow = nrow(gewicht_recent), ncol = length(unieke_soorten_historisch_aanwezig)) %>% + as_tibble() %>% + rename_at(., vars(names(.)), ~ unieke_soorten_historisch_aanwezig)) + + +soorten_order <- + soorten_totaal_aanwezig + +campagnes <- + campagnes_historisch %>% + bind_rows(campagnes_recent_finaal) + +aantallen <- + aantal_historisch_finaal %>% + bind_rows(aantal_recent_finaal) %>% + relocate(all_of(soorten_order), .after = ID_afvissing) + +gewicht <- + gewicht_historisch_finaal %>% + bind_rows(gewicht_recent_finaal) %>% + relocate(all_of(soorten_order), .after = ID_afvissing) + + +# NAs vervangen voor soorten die overal nul zijn, maar niet wanneer aantallen of gewicht wel aanwezig zijn + +# afwezige_soorten <- +# intersect( +# aantallen %>% +# select(-ID_afvissing) %>% +# colSums(na.rm = TRUE) %>% +# .[. == 0] %>% +# names(), +# gewicht %>% +# select(-ID_afvissing) %>% +# colSums(na.rm = TRUE) %>% +# .[. == 0] %>% +# names()) +# +# soorten_replace <- +# as.list(rep(0, length(afwezige_soorten))) +# names(soorten_replace) <- afwezige_soorten +# +# aantallen <- +# aantallen %>% +# replace_na(soorten_replace) +# gewicht <- +# gewicht %>% +# replace_na(soorten_replace) + +``` + + +```{r wegschrijven-data} + +filename <- "fuikdata_Zeeschelde_VLIZ" + +jaar_range <- + campagnes %>% + distinct(jaar) %>% + pull(jaar) %>% + range() + +locaties <- + read_xlsx(str_c(pad_data, "metadata VLIZ/fuikvangsten_Zeeschelde_locaties.xlsx")) + +metadata <- + read_xlsx(str_c(pad_data, "metadata VLIZ/fuikvangsten_Zeeschelde_metadata.xlsx")) + +write_xlsx(list(locaties = locaties, + campagnes = campagnes, + aantallen = aantallen, + gewicht = gewicht, + metadata = metadata), + path = str_c(pad_data, filename, "_", str_c(jaar_range, collapse = "_"), ".xlsx")) + +``` + diff --git a/moneos_2024/090_vissen/21_moneos_visdata_ankerkuil_integratie.Rmd b/moneos_2024/090_vissen/21_moneos_visdata_ankerkuil_integratie.Rmd new file mode 100644 index 0000000..ac11418 --- /dev/null +++ b/moneos_2024/090_vissen/21_moneos_visdata_ankerkuil_integratie.Rmd @@ -0,0 +1,646 @@ +--- +params: + hoofdstuk: "090_vissen" +title: "visdata ankerkuil" +knit: (function(inputFile, ...) { + rmarkdown::render(inputFile, + output_dir = paste0(rmarkdown::yaml_front_matter(inputFile)$params$hoofdstuk, "/output"))}) +output: word_document +editor_options: + chunk_output_type: console +--- + +```{r setup, include=FALSE} + +knitr::opts_chunk$set(echo = FALSE, error = FALSE, warning = FALSE, message = FALSE, cache = FALSE) + +``` + + +```{r libraries} + +library(tidyverse) +library(lubridate) +library(readxl) +library(writexl) + +library(inbodb) + +library(rprojroot) ## workaround pad + +``` + + +```{r pad} + +# inlezen van variabelen +# pad naar data : pad_data +# pad naar tabellen : pad_tabellen +# pad naar figuren : pad_figuren + +source(find_root_file("../pad.R", criterion = is_rstudio_project)) + +pad_data <- maak_pad(params$hoofdstuk, "data") +pad_figuren <- maak_pad(params$hoofdstuk, "figuren") +pad_tabellen <- maak_pad(params$hoofdstuk, "tabellen") + +``` + + +```{r variabelen} + +laatste_jaar <- 2022 +pad_data_historisch <- str_c(pad_prj_schelde, pad_moneos, as.numeric(jaar_moneos)-1, "/", params$hoofdstuk, "/data/") + +locaties_name <- "ankerkuil_Zeeschelde_locaties" +metadata_name <- "ankerkuil_Zeeschelde_metadata" +filename <- "ankerkuil_Zeeschelde" + +locaties <- + read_xlsx(str_c(pad_data, "metadata VLIZ/", locaties_name, ".xlsx")) %>% + mutate(locatiecode = as.character(locatiecode)) + +``` + + +```{r inlezen historische data} + +filename_historisch <- + list.files(path = pad_data_historisch, + pattern = "ankerkuil_VLIZ") + +campagnes_historisch <- + read_xlsx(str_c(pad_data_historisch, filename_historisch), + sheet = "campagnes") + +aantal_historisch <- + read_xlsx(str_c(pad_data_historisch, filename_historisch), + sheet = "aantallen") + +gewicht_historisch <- + read_xlsx(str_c(pad_data_historisch, filename_historisch), + sheet = "gewicht") + +``` + + +```{r inlezen recent data} + +data_recent <- + read_xlsx(str_c(pad_data, "ankerkuil_Zeeschelde_ruw_VIS_", + laatste_jaar, + ".xlsx"), + sheet = "data") + +(old_names <- + data_recent %>% + distinct(Gebiedcode, Gebiednaam) %>% + arrange(Gebiedcode) %>% + pull(Gebiednaam)) + +gebieden <- + data_recent %>% + distinct(Gebiedcode, Gebiednaam, round(LambertX), round(LambertY)) %>% + arrange(Gebiedcode) + +locaties <- + locaties %>% + filter(locatiecode %in% gebieden$Gebiedcode) + +locatie_nrs <- locaties$locatiecode +locatie_namen <- locaties$locatie + +(gebieden <- + gebieden %>% + mutate(new_names = locatie_namen[order(locatie_nrs)])) + +level_key <- locatie_namen[order(locatie_nrs)] +names(level_key) <- old_names + +``` + + +```{r correcties soortnamen} + +rename_vector_historisch <- + c("chinese wolhandkrab" = "wolhandkrab") + +aantal_historisch <- + aantal_historisch %>% + rename(!!!rename_vector_historisch) +gewicht_historisch <- + gewicht_historisch %>% + rename(!!!rename_vector_historisch) + + +data_recent <- + data_recent %>% + mutate(Soort = recode(Soort, + blauwband = "blauwbandgrondel", + zandspiering = "kleine zandspiering", + `gewone steurgarnaal` = "steurgarnalen", + `steurgarnaal` = "steurgarnalen", + `grijze garnaal` = "grijze garnalen")) + +``` + + +```{r correctie gewicht met verdunningsfactor} + +data_recent <- + data_recent %>% + mutate(TAXONGEW = TAXONGEW*METI_DILUTION_FACTOR, + TAXONTOTGEW = TAXONTOTGEW*METI_DILUTION_FACTOR) + +``` + + +```{r controle dubbel gewicht in ruwe data} + +dubbel_gewicht <- + data_recent %>% + filter(!is.na(TAXONGEW) & !is.na(TAXONTOTGEW)) + +``` + + +```{r controle uniek aantal of gewicht in ruwe data} + +aantal_NA_of_0_ruw <- + data_recent %>% + filter(is.na(TAXONAANTAL) | + near(TAXONAANTAL, 0)) %>% + select("MetingPivotKey", "WaarnemingKey", "MetingID", "WaarnemingID", "GebiedKey", "Gebiedcode", + "LambertX", "LambertY", "Gebiednaam", + "Begindatum", "Month", "Year", "MethodeKey", "Methodenaam", "Methodegroepcode", + "uren", "volume", + "TaxonKey", "Soort", + "TAXONAANTAL", "TAXONGEW", "TAXONTOTGEW", "TAXONLEN", "METI_DILUTION_FACTOR") + +gewicht_NA_of_0_ruw <- + data_recent %>% + filter(if_all(c(TAXONGEW, TAXONTOTGEW), ~is.na(.)) | + if_all(c(TAXONGEW, TAXONTOTGEW), ~near(., 0))) %>% + select("MetingPivotKey", "WaarnemingKey", "MetingID", "WaarnemingID", "GebiedKey", "Gebiedcode", + "LambertX", "LambertY", "Gebiednaam", + "Begindatum", "Month", "Year", "MethodeKey", "Methodenaam", "Methodegroepcode", + "uren", "volume", + "TaxonKey", "Soort", + "TAXONAANTAL", "TAXONGEW", "TAXONTOTGEW", "TAXONLEN", "METI_DILUTION_FACTOR") + +soort_NA <- + gewicht_NA_of_0_ruw %>% + filter(TAXONAANTAL == 1) %>% + pull(Soort) %>% + unique() + +if (length(soort_NA) > 0) { + data_lengte <- + data_recent %>% + filter(Soort %in% soort_NA, + !is.na(TAXONLEN)) %>% + select(Soort, TAXONAANTAL, TAXONGEW, TAXONLEN) + + data_lengte %>% + ggplot(aes(TAXONLEN, TAXONGEW)) + + geom_point() + + geom_smooth(method = "lm") + + scale_x_log10() + + scale_y_log10() + + facet_wrap(~Soort) + + regressie_lengte <- + data_lengte %>% + group_by(Soort) %>% + summarise(int = coef(lm(log(TAXONGEW)~log(TAXONLEN)))[1], + slope = coef(lm(log(TAXONGEW)~log(TAXONLEN)))[2]) %>% + ungroup() + + datum_soort <- + data_recent %>% + mutate(gewicht = if_else(is.na(TAXONGEW), + TAXONTOTGEW, TAXONGEW)) %>% + select(Gebiedcode, Gebiednaam, Begindatum, Soort, aantal = TAXONAANTAL, gewicht) %>% + filter(str_c(Gebiedcode, Begindatum, Soort) %in% unique(str_c(gewicht_NA_of_0_ruw$Gebiedcode, gewicht_NA_of_0_ruw$Begindatum, gewicht_NA_of_0_ruw$Soort))) %>% + drop_na() %>% + group_by(Gebiedcode, Gebiednaam, Begindatum, Soort) %>% + summarise(across(everything(), sum)) %>% + ungroup() + + +gewicht_NA <- + gewicht_NA_of_0_ruw %>% + select(MetingPivotKey, Gebiedcode, Gebiednaam, Begindatum, Month, Year, Methodenaam, + TaxonKey, Soort, TAXONAANTAL, TAXONGEW, TAXONTOTGEW, TAXONLEN) %>% + left_join(datum_soort) %>% + left_join(regressie_lengte) %>% + replace_na(list(aantal = 0, gewicht = 0)) %>% + mutate(prop_aantal = TAXONAANTAL/aantal, + gewicht_imputed = + case_when( + TAXONAANTAL > 1 ~ gewicht*prop_aantal, + TRUE ~ exp(int + slope*log(TAXONLEN)) + )) + +write_xlsx(list(#NA_aantal_of_gewicht = uniek_aantal_of_gewicht, + # NA_aantal = aantal_NA_of_0_ruw, + NA_gewicht = gewicht_NA), + path = str_c(pad_data, "controle/controle_NA_aantal_of_gewicht_ankerkuil.xlsx")) +} + +``` + + +```{r toevoegen imputation aan ruwe data} + +if (length(soort_NA) > 0) { + keys <- gewicht_NA$MetingPivotKey + + dat_before <- + data_recent %>% + filter(MetingPivotKey %in% keys) + + for(k in keys) { + data_recent$TAXONGEW[data_recent$MetingPivotKey == k] <- + gewicht_NA$gewicht_imputed[gewicht_NA$MetingPivotKey == k] + } + + dat_after <- + data_recent %>% + filter(MetingPivotKey %in% keys) +} + +``` + + +```{r data per datum} + +data_per_datum <- + data_recent %>% + select(locatiecode = Gebiedcode, locatie = Gebiednaam, datum = Begindatum, + getijde = Methodenaam, uren, volume, + soort = Soort, aantal = TAXONAANTAL, gewicht_ind = TAXONGEW, gewicht_tot = TAXONTOTGEW, + temperatuur = ABME_TEMPERATUUR, zuurstof = ABME_ZUURSTOF, zuurstof_perc = ABME_ZUURSTOFPROCENT, + ph = ABME_PH, turbiditeit = ABME_TURBIDITEIT, conductiviteit = ABME_CONDUCTIVITEIT) %>% + mutate(locatie = recode(locatie, !!!level_key), + datum = date(datum), + jaar = year(datum), + maand = month(datum), + seizoen = + case_when( + maand %in% 3:5 ~ "voorjaar", + maand %in% 6:7 ~ "zomer", + maand %in% 8:10 ~ "najaar", + maand %in% 12:2 ~ "winter"), + getijde = str_remove(getijde, "Ankerkuil-"), + soort = str_to_lower(soort)) %>% + group_by(locatiecode, locatie, datum, jaar, maand, seizoen, getijde, uren, volume, soort) %>% + summarise(n = n(), + gewicht = sum(if_else(is.na(gewicht_ind), + gewicht_tot, gewicht_ind), + na.rm = FALSE), + aantal = sum(aantal, na.rm = FALSE), + across(c(temperatuur, zuurstof, zuurstof_perc, ph, turbiditeit, conductiviteit), + ~mean(., na.rm = TRUE)), + .groups = "drop") + +``` + + +```{r controle NA in aantal of gewicht in geaggregeerde data} + +dat_NA <- + data_per_datum %>% + filter(is.na(aantal) | is.na(gewicht)) + +``` + + +```{r controle ontbrekende campagnes} + +campagnes <- + data_per_datum %>% + select(locatie, jaar, maand, seizoen, getijde) %>% + distinct() +camp_tot <- + campagnes %>% + expand(locatie, jaar, seizoen, getijde) + +campagnes_ontbrekend <- + camp_tot %>% + anti_join(campagnes) + +campagnes_NA_or_0 <- + data_per_datum %>% + group_by(locatiecode, locatie, datum, jaar, seizoen, getijde, uren, volume) %>% + summarise(n = sum(n), aantal = sum(aantal, na.rm = TRUE), gewicht = sum(gewicht, na.rm = TRUE)) %>% + ungroup() %>% + arrange(datum, locatie, getijde) %>% + filter(if_any(.cols = everything(), .fns = ~is.na(.)) | + if_any(.cols = c(uren, volume), ~near(., 0))) + +``` + + +```{r controle uniek aantal of gewicht} + +uniek_aantal_of_gewicht <- + data_per_datum %>% + select(locatiecode, locatie, datum, jaar, maand, seizoen, getijde, uren, volume, soort, n, aantal, gewicht) %>% + arrange(datum, locatie, getijde) %>% + filter(if_any(c(aantal, gewicht), ~is.na(.)) | + (if_any(c(aantal, gewicht), ~near(., 0)) & !if_all(c(aantal, gewicht), ~near(., 0)))) + + +uniek_aantal_of_gewicht_vis <- + uniek_aantal_of_gewicht %>% + filter(!str_detect(str_to_lower(soort), "garnaal|garnalen|gammarus|krab|kreeft|inktvis|octopus|zeekat")) + +uniek_aantal_of_gewicht_inv <- + uniek_aantal_of_gewicht %>% + filter(str_detect(str_to_lower(soort), "garnaal|garnalen|gammarus|krab|kreeft|inktvis|octopus|zeekat")) + + +write_xlsx(list(#NA_aantal_of_gewicht = uniek_aantal_of_gewicht, + NA_aantal = aantal_NA_of_0_ruw, + NA_gewicht = gewicht_NA_of_0_ruw), + path = str_c(pad_data, "controle/controle_NA_aantal_of_gewicht_ankerkuil.xlsx")) + + +(uniek_aantal_of_gewicht_historisch <- + symdiff( + aantal_historisch %>% + select(-ID_afvissing) %>% + colSums(na.rm = TRUE) %>% + .[is.na(.) | . > 0] %>% + names(), + gewicht_historisch %>% + select(-ID_afvissing) %>% + colSums(na.rm = TRUE) %>% + .[is.na(.) | . > 0] %>% + names())) + +``` + + +```{r vergelijking aanwezige soorten met historisch} + +(soorten_historisch_aanwezig <- + union( + aantal_historisch %>% + select(-ID_afvissing) %>% + colSums(na.rm = TRUE) %>% + .[. > 0] %>% + names(), + gewicht_historisch %>% + select(-ID_afvissing) %>% + colSums(na.rm = TRUE) %>% + .[. > 0] %>% + names()) %>% + sort()) + +(soorten_historisch_afwezig <- + intersect( + aantal_historisch %>% + select(-ID_afvissing) %>% + colSums(na.rm = TRUE) %>% + .[. == 0] %>% + names(), + gewicht_historisch %>% + select(-ID_afvissing) %>% + colSums(na.rm = TRUE) %>% + .[. == 0] %>% + names()) %>% + sort()) + +intersect(soorten_historisch_aanwezig, soorten_historisch_afwezig) +setdiff(aantal_historisch %>% + select(-ID_afvissing) %>% + names(), + union(soorten_historisch_aanwezig, soorten_historisch_afwezig)) + + +(soorten_recent_aanwezig <- + data_per_datum %>% + group_by(soort) %>% + summarise(aantal = sum(aantal, na.rm = TRUE)) %>% + ungroup() %>% + filter(aantal > 0) %>% + pull(soort) %>% + sort()) + +(soorten_recent_afwezig <- + data_per_datum %>% + group_by(soort) %>% + summarise(aantal = sum(aantal, na.rm = TRUE)) %>% + ungroup() %>% + filter(aantal == 0) %>% + pull(soort) %>% + sort()) + +intersect(soorten_recent_aanwezig, soorten_recent_afwezig) +setdiff(data_per_datum %>% + distinct(soort) %>% + pull(), + union(soorten_recent_aanwezig, soorten_recent_afwezig)) + + +(soorten_totaal_afwezig <- + setdiff(soorten_historisch_afwezig, soorten_recent_aanwezig) %>% + sort()) + +soorten_totaal_aanwezig <- + union(soorten_historisch_aanwezig, soorten_recent_aanwezig) %>% + sort() + +(soorten_totaal_aanwezig_invertebraten <- + soorten_totaal_aanwezig %>% + keep(~ str_detect(., "garnaal|garnalen|gammarus|krab|kreeft|inktvis|octopus|zeekat")) %>% + sort()) + +(soorten_totaal_aanwezig_vis <- + setdiff(soorten_totaal_aanwezig, soorten_totaal_aanwezig_invertebraten) %>% + sort()) + +(soorten_totaal_aanwezig <- + c(soorten_totaal_aanwezig_vis, soorten_totaal_aanwezig_invertebraten)) + + +(soorten_totaal <- + union(soorten_totaal_aanwezig, soorten_totaal_afwezig) %>% + sort()) + +(unieke_soorten_historisch_aanwezig <- + setdiff(soorten_historisch_aanwezig, + soorten_recent_aanwezig) %>% + sort()) + +(unieke_soorten_historisch_totaal <- + setdiff(union(soorten_historisch_aanwezig, soorten_historisch_afwezig), + soorten_recent_aanwezig) %>% + sort()) + +(unieke_soorten_recent_aanwezig <- + setdiff(soorten_recent_aanwezig, + soorten_historisch_aanwezig) %>% + sort()) + +haringachtigen <- + data_per_datum %>% + filter(soort %in% c("haring", "sprot", "haringachtigen")) + +``` + + +```{r sheets finale data recent} + +campagnes_recent <- + data_per_datum %>% + select(locatie, datum, jaar, seizoen, getijde, uren, volume, + temperatuur, zuurstof, zuurstof_perc, ph, turbiditeit, conductiviteit) %>% + distinct() %>% + arrange(datum, locatie) %>% + mutate(ID_afvissing = 1:n()) %>% + select(ID_afvissing, everything()) %>% + arrange(ID_afvissing) + +aantallen_recent <- + data_per_datum %>% + select(locatie, datum, getijde, soort, aantal) %>% + pivot_wider(names_from = soort, + values_from = aantal, + names_sort = TRUE, + values_fill = 0) %>% + arrange(datum, locatie) %>% + mutate(ID_afvissing = 1:n()) %>% + select(ID_afvissing, everything(), -locatie, -datum, -getijde) %>% + arrange(ID_afvissing) + +gewicht_recent <- + data_per_datum %>% + select(locatie, datum, getijde, soort, gewicht) %>% + pivot_wider(names_from = soort, + values_from = gewicht, + names_sort = TRUE, + values_fill = 0) %>% + arrange(datum, locatie) %>% + mutate(ID_afvissing = 1:n()) %>% + select(ID_afvissing, everything(), -locatie, -datum, -getijde) %>% + arrange(ID_afvissing) + +``` + + +```{r samenvoegen recent met historisch} + +aantal_historisch_finaal <- + aantal_historisch %>% + .[,names(aantal_historisch) %in% c("ID_afvissing", soorten_historisch_aanwezig)] %>% + arrange(ID_afvissing) %>% + add_column(matrix(data = 0, nrow = nrow(aantal_historisch), ncol = length(unieke_soorten_recent_aanwezig)) %>% + as_tibble() %>% + rename_at(., vars(names(.)), ~ unieke_soorten_recent_aanwezig)) + +gewicht_historisch_finaal <- + gewicht_historisch %>% + .[,names(aantal_historisch) %in% c("ID_afvissing", soorten_historisch_aanwezig)] %>% + arrange(ID_afvissing) %>% + add_column(matrix(data = 0, nrow = nrow(gewicht_historisch), ncol = length(unieke_soorten_recent_aanwezig)) %>% + as_tibble() %>% + rename_at(., vars(names(.)), ~ unieke_soorten_recent_aanwezig)) + + +start_ID <- max(campagnes_historisch$ID_afvissing) + +campagnes_recent_finaal <- + campagnes_recent %>% + mutate(ID_afvissing = ID_afvissing + start_ID) + +aantal_recent_finaal <- + aantallen_recent %>% + mutate(ID_afvissing = ID_afvissing + start_ID) %>% + add_column(matrix(data = 0, nrow = nrow(aantallen_recent), ncol = length(unieke_soorten_historisch_aanwezig)) %>% + as_tibble() %>% + rename_at(., vars(names(.)), ~ unieke_soorten_historisch_aanwezig)) + +gewicht_recent_finaal <- + gewicht_recent %>% + mutate(ID_afvissing = ID_afvissing + start_ID) %>% + add_column(matrix(data = 0, nrow = nrow(gewicht_recent), ncol = length(unieke_soorten_historisch_aanwezig)) %>% + as_tibble() %>% + rename_at(., vars(names(.)), ~ unieke_soorten_historisch_aanwezig)) + + +soorten_order <- + soorten_totaal_aanwezig + +campagnes <- + campagnes_historisch %>% + bind_rows(campagnes_recent_finaal) %>% + mutate(datum = ymd(datum)) + + +aantallen <- + aantal_historisch_finaal %>% + bind_rows(aantal_recent_finaal) %>% + relocate(all_of(soorten_order), .after = ID_afvissing) + +gewicht <- + gewicht_historisch_finaal %>% + bind_rows(gewicht_recent_finaal) %>% + relocate(all_of(soorten_order), .after = ID_afvissing) + +# NAs vervangen voor soorten die overal nul zijn, maar niet wanneer aantallen of gewicht wel aanwezig zijn + +# afwezige_soorten <- +# intersect( +# aantallen %>% +# select(-ID_afvissing) %>% +# colSums(na.rm = TRUE) %>% +# .[. == 0] %>% +# names(), +# gewicht %>% +# select(-ID_afvissing) %>% +# colSums(na.rm = TRUE) %>% +# .[. == 0] %>% +# names()) +# +# soorten_replace <- +# as.list(rep(0, length(afwezige_soorten))) +# names(soorten_replace) <- afwezige_soorten +# +# aantallen <- +# aantallen %>% +# replace_na(soorten_replace) +# gewicht <- +# gewicht %>% +# replace_na(soorten_replace) + +``` + + +```{r wegschrijven-data} + +filename <- "ankerkuil_Zeeschelde_VLIZ" + +jaar_range <- + campagnes %>% + distinct(jaar) %>% + pull(jaar) %>% + range() + +locaties <- + read_xlsx(str_c(pad_data, "metadata VLIZ/ankerkuil_Zeeschelde_locaties.xlsx")) + +metadata <- + read_xlsx(str_c(pad_data, "metadata VLIZ/ankerkuil_Zeeschelde_metadata.xlsx")) + +write_xlsx(list(locaties = locaties, + campagnes = campagnes, + aantallen = aantallen, + gewicht = gewicht, + metadata = metadata), + path = str_c(pad_data, filename, "_", str_c(jaar_range, collapse = "_"), ".xlsx")) + +``` + diff --git a/moneos_2024/090_vissen/30_visdata_fuiken_controle_EMSE.Rmd b/moneos_2024/090_vissen/30_visdata_fuiken_controle_EMSE.Rmd new file mode 100644 index 0000000..87f1e9c --- /dev/null +++ b/moneos_2024/090_vissen/30_visdata_fuiken_controle_EMSE.Rmd @@ -0,0 +1,243 @@ +--- +params: + hoofdstuk: "090_vissen" +knit: (function(inputFile, encoding) { + rmarkdown::render(inputFile, + encoding=encoding, + output_dir = paste0(rmarkdown::yaml_front_matter(inputFile)$params$hoofdstuk, "/output"))}) +title: "visdata fuiken controle EMSE" +output: word_document +editor_options: + chunk_output_type: console +--- + +```{r setup, include=FALSE} + +knitr::opts_chunk$set(echo = FALSE, error = FALSE, warning = FALSE, message = FALSE, cache = FALSE) + +``` + +```{r libraries} + +library(tidyverse) +library(lubridate) +library(forcats) +library(readxl) + +library(inbodb) + +library(rprojroot) ## workaround pad + +``` + +```{r pad} + +# inlezen van variabelen +# pad naar data : pad_data +# pad naar tabellen : pad_tabellen +# pad naar figuren : pad_figuren + +source(find_root_file("../pad.R", criterion = is_rstudio_project)) + +pad_data <- maak_pad(params$hoofdstuk, "data") +pad_figuren <- maak_pad(params$hoofdstuk, "figuren") +pad_tabellen <- maak_pad(params$hoofdstuk, "tabellen") + +``` + + +```{r data} + +filename <- + list.files(path = pad_data, + pattern = "fuikdata_Zeeschelde_VLIZ") + +fuiken_aantal <- + read_xlsx(str_c(pad_data, filename), + sheet = "campagnes") %>% + select(ID_afvissing, locatie, datum, jaar, seizoen, fuikdagen) %>% + left_join(read_xlsx(str_c(pad_data, filename), + sheet = "locaties") %>% + select(locatie, OMES, EMSE_niveau3)) %>% + left_join(read_xlsx(str_c(pad_data, filename), + sheet = "aantallen")) %>% + select(-ID_afvissing) %>% + select(locatie, OMES, EMSE_niveau3, datum, jaar, maand, everything()) +# %>% +# select(-datum, -jaar, -maand) %>% +# group_by(locatie, OMES, EMSE_niveau3) %>% +# summarise(across(everything(), ~sum(., na.rm = TRUE))) %>% +# ungroup() + + +soorten <- + read_xlsx(str_c(pad_data, "soorten_Zeeschelde.xlsx")) + +fuiken_aantal_long <- + fuiken_aantal %>% + pivot_longer(cols = -(locatie:fuikdagen), + names_to = "soort", + values_to = "aantal") %>% + filter(!str_detect(soort, "garnaal|garnalen|gammarus|krab|kreeft|inktvis|octopus|zeekat")) %>% + group_by(soort) %>% + mutate(anyN = any(aantal > 0)) %>% + ungroup() %>% + filter(anyN) %>% + left_join(soorten) + +``` + + +#### controle EMSE + +```{r EMSE} + +nieuwe_soorten <- + fuiken_aantal_long %>% + filter(is.na(fuiken)) %>% + distinct(soort, fuiken, ankerkuil) + +voorkomen <- + fuiken_aantal_long %>% + group_by(jaar, maand, locatie, soort, inEMSE) %>% + summarise(aantal = sum(aantal, na.rm = TRUE)) %>% + ungroup() %>% + group_by(soort, inEMSE) %>% + summarise(`N>0` = sum(aantal > 0, na.rm = TRUE)) %>% + ungroup() %>% + filter(`N>0` > 0) %>% + arrange(`N>0`, soort) + +soorten <- + soorten %>% + left_join(voorkomen %>% + select(soort, `N>0`)) + +# soorten %>% +# writexl::write_xlsx(str_c(pad_data, "soorten_Zeeschelde.xlsx")) + + +fuiken_aantal_long %>% + group_by(jaar, maand, locatie, soort, inEMSE) %>% + summarise(aantal = sum(aantal, na.rm = TRUE)) %>% + ungroup() %>% + group_by(soort, inEMSE) %>% + summarise(`N>0` = sum(aantal > 0, na.rm = TRUE)) %>% + ungroup() %>% + filter(`N>0` > 0) %>% + arrange(`N>0`, soort) %>% + ggplot(aes(fct_inorder(soort), `N>0`+0.1, fill = inEMSE)) + + geom_col() + + scale_y_log10() + + labs(x = "soort", + y = "aantal afvissingen waarbij N>0") + + theme_bw() + + theme(axis.text.x = element_text(angle = 90, vjust = 0.25, hjust = 1)) + +fuiken_aantal_long %>% + group_by(soort, inEMSE) %>% + # group_by(soort, inEMSE, jaar, seizoen, locatie) %>% + mutate(N_crit = any(aantal > 1)) %>% + ungroup() %>% + # filter(N_crit) %>% + group_by(soort, inEMSE) %>% + summarise(aantal = mean(aantal/uren, na.rm = TRUE)) %>% + ungroup() %>% + filter(aantal > 0) %>% + arrange(aantal, soort) %>% + ggplot(aes(fct_inorder(soort), aantal, fill = inEMSE)) + + geom_col() + + scale_y_log10() + + theme_bw() + + theme(axis.text.x = element_text(angle = 90, vjust = 0.25, hjust = 1)) + +fuiken_aantal_long %>% + group_by(soort, inEMSE) %>% + # group_by(soort, inEMSE, jaar, seizoen, locatie) %>% + mutate(N_crit = any(aantal > 1)) %>% + ungroup() %>% + filter(N_crit) %>% + group_by(soort, inEMSE) %>% + summarise(aantal = mean(aantal/uren, na.rm = TRUE)) %>% + ungroup() %>% + # filter(aantal >= 0.1) %>% + arrange(aantal, soort) %>% + ggplot(aes(fct_inorder(soort), aantal, fill = inEMSE)) + + geom_col() + + scale_y_log10() + + theme_bw() + + theme(axis.text.x = element_text(angle = 90, vjust = 0.25, hjust = 1)) + +fuiken_aantal_long %>% + group_by(soort, inEMSE) %>% + # group_by(soort, inEMSE, jaar, seizoen, locatie) %>% + mutate(N_crit = any(aantal > 1)) %>% + ungroup() %>% + filter(N_crit) %>% + group_by(soort, inEMSE, jaar) %>% + summarise(aantal = mean(aantal/uren, na.rm = TRUE)) %>% + ungroup() %>% + # filter(aantal >= 0.1) %>% + arrange(aantal, soort) %>% + ggplot(aes(fct_inorder(soort), aantal, fill = inEMSE)) + + geom_col() + + scale_y_log10() + + facet_wrap("jaar", ncol = 1) + + theme_bw() + + theme(axis.text.x = element_text(angle = 90, vjust = 0.25, hjust = 1)) + + +gewicht_long %>% + group_by(soort, inEMSE) %>% + # group_by(soort, inEMSE, jaar, seizoen, locatie) %>% + mutate(N_crit = any(gewicht > 1)) %>% + ungroup() %>% + # filter(N_crit) %>% + group_by(soort, inEMSE) %>% + summarise(gewicht = mean(gewicht/uren, na.rm = TRUE)) %>% + ungroup() %>% + filter(gewicht > 0) %>% + arrange(gewicht, soort) %>% + ggplot(aes(fct_inorder(soort), gewicht, fill = inEMSE)) + + geom_col() + + scale_y_log10() + + theme_bw() + + theme(axis.text.x = element_text(angle = 90, vjust = 0.25, hjust = 1)) + +gewicht_long %>% + group_by(soort, inEMSE) %>% + # group_by(soort, inEMSE, jaar, seizoen, locatie) %>% + mutate(N_crit = any(gewicht > 1)) %>% + ungroup() %>% + filter(N_crit) %>% + group_by(soort, inEMSE) %>% + summarise(gewicht = mean(gewicht/uren, na.rm = TRUE)) %>% + ungroup() %>% + # filter(gewicht >= 0.1) %>% + arrange(gewicht, soort) %>% + ggplot(aes(fct_inorder(soort), gewicht, fill = inEMSE)) + + geom_col() + + scale_y_log10() + + theme_bw() + + theme(axis.text.x = element_text(angle = 90, vjust = 0.25, hjust = 1)) + +gewicht_long %>% + group_by(soort, inEMSE) %>% + # group_by(soort, inEMSE, jaar, seizoen, locatie) %>% + mutate(N_crit = any(gewicht > 1)) %>% + ungroup() %>% + filter(N_crit) %>% + group_by(soort, inEMSE, jaar) %>% + summarise(gewicht = mean(gewicht/uren, na.rm = TRUE)) %>% + ungroup() %>% + # filter(gewicht >= 0.1) %>% + arrange(gewicht, soort) %>% + ggplot(aes(fct_inorder(soort), gewicht, fill = inEMSE)) + + geom_col() + + scale_y_log10() + + facet_wrap("jaar", ncol = 1) + + theme_bw() + + theme(axis.text.x = element_text(angle = 90, vjust = 0.25, hjust = 1)) + +``` + diff --git a/moneos_2024/090_vissen/31_visdata_ankerkuil_controle_EMSE.Rmd b/moneos_2024/090_vissen/31_visdata_ankerkuil_controle_EMSE.Rmd new file mode 100644 index 0000000..e13141f --- /dev/null +++ b/moneos_2024/090_vissen/31_visdata_ankerkuil_controle_EMSE.Rmd @@ -0,0 +1,239 @@ +--- +params: + hoofdstuk: "090_vissen" +knit: (function(inputFile, encoding) { + rmarkdown::render(inputFile, + encoding=encoding, + output_dir = paste0(rmarkdown::yaml_front_matter(inputFile)$params$hoofdstuk, "/output"))}) +title: "visdata ankerkuil controle EMSE" +output: word_document +editor_options: + chunk_output_type: console +--- + +```{r setup, include=FALSE} + +knitr::opts_chunk$set(echo = FALSE, error = FALSE, warning = FALSE, message = FALSE, cache = FALSE) + +``` + +```{r libraries} + +library(tidyverse) +library(lubridate) +library(forcats) +library(readxl) + +library(inbodb) + +library(rprojroot) ## workaround pad + +``` + +```{r pad} + +# inlezen van variabelen +# pad naar data : pad_data +# pad naar tabellen : pad_tabellen +# pad naar figuren : pad_figuren + +source(find_root_file("../pad.R", criterion = is_rstudio_project)) + +pad_data <- maak_pad(params$hoofdstuk, "data") +pad_figuren <- maak_pad(params$hoofdstuk, "figuren") +pad_tabellen <- maak_pad(params$hoofdstuk, "tabellen") + +``` + + +```{r data} + +filename <- + list.files(path = pad_data, + pattern = "ankerkuil_Zeeschelde_VLIZ") + +ankerkuil_aantal <- + read_xlsx(str_c(pad_data, filename), + sheet = "campagnes") %>% + select(ID_afvissing, locatie, datum, jaar, seizoen, uren, volume) %>% + left_join(read_xlsx(str_c(pad_data, filename), + sheet = "locaties") %>% + select(locatie, OMES, EMSE_niveau3)) %>% + left_join(read_xlsx(str_c(pad_data, filename), + sheet = "aantallen")) %>% + select(-ID_afvissing) %>% + select(locatie, OMES, EMSE_niveau3, datum, jaar, seizoen, everything()) + + +soorten <- + read_xlsx(str_c(pad_data, "soorten_Zeeschelde.xlsx")) + +ankerkuil_aantal_long <- + ankerkuil_aantal %>% + pivot_longer(cols = -(locatie:volume), + names_to = "soort", + values_to = "aantal") %>% + filter(!str_detect(soort, "garnaal|garnalen|gammarus|krab|kreeft|inktvis|octopus|zeekat")) %>% + group_by(soort) %>% + mutate(anyN = any(aantal > 0)) %>% + ungroup() %>% + filter(anyN) %>% + left_join(soorten) + +``` + + +#### controle EMSE + +```{r EMSE} + +nieuwe_soorten <- + ankerkuil_aantal_long %>% + filter(is.na(ankerkuil)) %>% + distinct(soort, fuiken, ankerkuil) + +voorkomen <- + ankerkuil_aantal_long %>% + group_by(jaar, seizoen, locatie, soort, inEMSE) %>% + summarise(aantal = sum(aantal, na.rm = TRUE)) %>% + ungroup() %>% + group_by(soort, inEMSE) %>% + summarise(`N>0` = sum(aantal > 0, na.rm = TRUE)) %>% + ungroup() %>% + filter(`N>0` > 0) %>% + arrange(`N>0`, soort) + +soorten <- + soorten %>% + left_join(voorkomen %>% + select(soort, `N>0`)) + +``` + + +```{r figuren vergelijking EMSE} + +ankerkuil_aantal_long %>% + group_by(jaar, seizoen, locatie, soort, inEMSE) %>% + summarise(aantal = sum(aantal, na.rm = TRUE)) %>% + ungroup() %>% + group_by(soort, inEMSE) %>% + summarise(`N>0` = sum(aantal > 0, na.rm = TRUE)) %>% + ungroup() %>% + filter(`N>0` > 0) %>% + arrange(`N>0`, soort) %>% + ggplot(aes(fct_inorder(soort), `N>0`+0.1, fill = inEMSE)) + + geom_col() + + scale_y_log10() + + labs(x = "soort", + y = "aantal afvissingen waarbij N>0") + + theme_bw() + + theme(axis.text.x = element_text(angle = 90, vjust = 0.25, hjust = 1)) + +aantal_long %>% + group_by(soort, inEMSE) %>% + # group_by(soort, inEMSE, jaar, seizoen, locatie) %>% + mutate(N_crit = any(aantal > 1)) %>% + ungroup() %>% + # filter(N_crit) %>% + group_by(soort, inEMSE) %>% + summarise(aantal = mean(aantal/uren, na.rm = TRUE)) %>% + ungroup() %>% + filter(aantal > 0) %>% + arrange(aantal, soort) %>% + ggplot(aes(fct_inorder(soort), aantal, fill = inEMSE)) + + geom_col() + + scale_y_log10() + + theme_bw() + + theme(axis.text.x = element_text(angle = 90, vjust = 0.25, hjust = 1)) + +aantal_long %>% + group_by(soort, inEMSE) %>% + # group_by(soort, inEMSE, jaar, seizoen, locatie) %>% + mutate(N_crit = any(aantal > 1)) %>% + ungroup() %>% + filter(N_crit) %>% + group_by(soort, inEMSE) %>% + summarise(aantal = mean(aantal/uren, na.rm = TRUE)) %>% + ungroup() %>% + # filter(aantal >= 0.1) %>% + arrange(aantal, soort) %>% + ggplot(aes(fct_inorder(soort), aantal, fill = inEMSE)) + + geom_col() + + scale_y_log10() + + theme_bw() + + theme(axis.text.x = element_text(angle = 90, vjust = 0.25, hjust = 1)) + +aantal_long %>% + group_by(soort, inEMSE) %>% + # group_by(soort, inEMSE, jaar, seizoen, locatie) %>% + mutate(N_crit = any(aantal > 1)) %>% + ungroup() %>% + filter(N_crit) %>% + group_by(soort, inEMSE, jaar) %>% + summarise(aantal = mean(aantal/uren, na.rm = TRUE)) %>% + ungroup() %>% + # filter(aantal >= 0.1) %>% + arrange(aantal, soort) %>% + ggplot(aes(fct_inorder(soort), aantal, fill = inEMSE)) + + geom_col() + + scale_y_log10() + + facet_wrap("jaar", ncol = 1) + + theme_bw() + + theme(axis.text.x = element_text(angle = 90, vjust = 0.25, hjust = 1)) + + +gewicht_long %>% + group_by(soort, inEMSE) %>% + # group_by(soort, inEMSE, jaar, seizoen, locatie) %>% + mutate(N_crit = any(gewicht > 1)) %>% + ungroup() %>% + # filter(N_crit) %>% + group_by(soort, inEMSE) %>% + summarise(gewicht = mean(gewicht/uren, na.rm = TRUE)) %>% + ungroup() %>% + filter(gewicht > 0) %>% + arrange(gewicht, soort) %>% + ggplot(aes(fct_inorder(soort), gewicht, fill = inEMSE)) + + geom_col() + + scale_y_log10() + + theme_bw() + + theme(axis.text.x = element_text(angle = 90, vjust = 0.25, hjust = 1)) + +gewicht_long %>% + group_by(soort, inEMSE) %>% + # group_by(soort, inEMSE, jaar, seizoen, locatie) %>% + mutate(N_crit = any(gewicht > 1)) %>% + ungroup() %>% + filter(N_crit) %>% + group_by(soort, inEMSE) %>% + summarise(gewicht = mean(gewicht/uren, na.rm = TRUE)) %>% + ungroup() %>% + # filter(gewicht >= 0.1) %>% + arrange(gewicht, soort) %>% + ggplot(aes(fct_inorder(soort), gewicht, fill = inEMSE)) + + geom_col() + + scale_y_log10() + + theme_bw() + + theme(axis.text.x = element_text(angle = 90, vjust = 0.25, hjust = 1)) + +gewicht_long %>% + group_by(soort, inEMSE) %>% + # group_by(soort, inEMSE, jaar, seizoen, locatie) %>% + mutate(N_crit = any(gewicht > 1)) %>% + ungroup() %>% + filter(N_crit) %>% + group_by(soort, inEMSE, jaar) %>% + summarise(gewicht = mean(gewicht/uren, na.rm = TRUE)) %>% + ungroup() %>% + # filter(gewicht >= 0.1) %>% + arrange(gewicht, soort) %>% + ggplot(aes(fct_inorder(soort), gewicht, fill = inEMSE)) + + geom_col() + + scale_y_log10() + + facet_wrap("jaar", ncol = 1) + + theme_bw() + + theme(axis.text.x = element_text(angle = 90, vjust = 0.25, hjust = 1)) + +``` + diff --git a/moneos_2024/090_vissen/35_moneos_soorten_kleurcode.Rmd b/moneos_2024/090_vissen/35_moneos_soorten_kleurcode.Rmd new file mode 100644 index 0000000..ce15e8b --- /dev/null +++ b/moneos_2024/090_vissen/35_moneos_soorten_kleurcode.Rmd @@ -0,0 +1,928 @@ +--- +params: + hoofdstuk: "090_vissen" +knit: (function(inputFile, encoding) { + rmarkdown::render(inputFile, + encoding=encoding, + output_dir = paste0(rmarkdown::yaml_front_matter(inputFile)$params$hoofdstuk, "/output"))}) +title: "analyse visdata fuiken" +output: word_document +editor_options: + chunk_output_type: console +--- + + +```{r setup, include=FALSE} + +knitr::opts_chunk$set(echo = FALSE, error=FALSE, warning=FALSE, message=FALSE, cache=FALSE) + +``` + + +```{r libraries} + +library(tidyverse) +library(lubridate) +library(janitor) +library(readxl) +library(writexl) +# library(yarrr) +library(wesanderson) +library(gridExtra) +library(cowplot) + +library(INBOtheme) +library(inbodb) + +library(rprojroot) ## workaround pad + +conflicted::conflicts_prefer(dplyr::filter) + +``` + + +```{r pad} + +# inlezen van variabelen +# pad naar data : pad_data +# pad naar tabellen : pad_tabellen +# pad naar figuren : pad_figuren + +source(find_root_file("../pad.R", criterion = is_rstudio_project)) + +pad_data <- maak_pad(params$hoofdstuk, "data") +# pad_figuren <- maak_pad(params$hoofdstuk, "figuren/fuiken") +# pad_tabellen <- maak_pad(params$hoofdstuk, "tabellen/fuiken") + +``` + + +```{r EMSE tabellen} + +soortenlijst <- + read_xlsx(str_c(pad_data, "soorten_Zeeschelde.xlsx"), sheet = "EMSE") + +sleutelsoorten_EMSE <- + read_xlsx(str_c(pad_data, "sleutelsoorten EMSE.xlsx")) + +# func_groepen_EMSE <- +# read_xlsx(str_c(pad_data, "functionele groepen.xlsx")) %>% +# mutate(Soort = str_to_lower(Soort)) + +levels_indeling <- + c("Mar/Est -- Benth", "Mar/Est -- Omn", "Mar/Est -- Pisc", "Mar/Est -- Plankt", + "Diadr -- Benth", "Diadr -- Omn", "Diadr -- Pisc", "Diadr -- Plankt", + "Zoetw -- Benth", "Zoetw -- Omn", "Zoetw -- Pisc", "Zoetw -- Plankt") + +locatie_scheldezone_fuiken <- + read_xlsx(str_c(pad_data, "metadata VLIZ/fuikvangsten_Zeeschelde_locaties.xlsx")) %>% + mutate(locatie = factor(locatie, levels = locatie[order(Y, decreasing = TRUE)])) %>% + select(locatie, scheldezone_full = EMSE_niveau3) %>% + mutate(scheldezone_full = str_remove(scheldezone_full, " verblijf"), + scheldezone = + case_when( + scheldezone_full == "saliniteitsgradient" ~ "SG", + scheldezone_full == "oligohalien" ~ "OH", + scheldezone_full == "zoet lang" ~ "ZL", + scheldezone_full == "zoet kort" ~ "ZK")) + +levels_locatie_fuiken <- levels(locatie_scheldezone_fuiken$locatie) + +locatie_scheldezone_ankerkuil <- + read_xlsx(str_c(pad_data, "metadata VLIZ/ankerkuil_Zeeschelde_locaties.xlsx")) %>% + mutate(locatie = factor(locatie, levels = locatie[order(Y, decreasing = TRUE)])) %>% + select(locatie, scheldezone_full = EMSE_niveau3) %>% + mutate(scheldezone_full = str_remove(scheldezone_full, " verblijf"), + scheldezone = + case_when( + scheldezone_full == "saliniteitsgradient" ~ "SG", + scheldezone_full == "oligohalien" ~ "OH", + scheldezone_full == "zoet lang" ~ "ZL", + scheldezone_full == "zoet kort" ~ "ZK")) + +levels_locatie_ankerkuil <- levels(locatie_scheldezone_ankerkuil$locatie) + +levels_scheldezone <- + c("SG", "OH", "ZL", "ZK") + +levels_scheldezone_full <- + c(SG = "saliniteitsgradient", OH = "oligohalien", ZL = "zoet lang", ZK = "zoet kort") + + +``` + +##### datasets voor aantal en gewicht: + +```{r data fuiken} + +(filename <- + list.files(path = pad_data, + pattern = "fuikdata_Zeeschelde_VLIZ") %>% + .[str_detect(., "~\\$", negate = TRUE)]) + +fuiken_aantal <- + read_xlsx(str_c(pad_data, filename), + sheet = "campagnes") %>% + select(ID_afvissing, locatie, datum, jaar, seizoen, fuikdagen) %>% + left_join(read_xlsx(str_c(pad_data, filename), + sheet = "locaties") %>% + select(locatie, OMES, EMSE_niveau3)) %>% + left_join(read_xlsx(str_c(pad_data, filename), + sheet = "aantallen")) %>% + select(-ID_afvissing) %>% + select(locatie, OMES, EMSE_niveau3, datum, jaar, seizoen, everything()) + +fuiken_gewicht <- + read_xlsx(str_c(pad_data, filename), + sheet = "campagnes") %>% + select(ID_afvissing, locatie, datum, jaar, seizoen, fuikdagen) %>% + left_join(read_xlsx(str_c(pad_data, filename), + sheet = "locaties") %>% + select(locatie, OMES, EMSE_niveau3)) %>% + left_join(read_xlsx(str_c(pad_data, filename), + sheet = "gewicht")) %>% + select(-ID_afvissing) %>% + select(locatie, OMES, EMSE_niveau3, datum, jaar, seizoen, everything()) + + +data_fuiken <- + fuiken_aantal %>% + pivot_longer(cols = -(locatie:fuikdagen), + names_to = "soort", + values_to = "aantal") %>% + left_join(fuiken_gewicht %>% + pivot_longer(cols = -(locatie:fuikdagen), + names_to = "soort", + values_to = "gewicht")) %>% + mutate(gewicht = if_else(aantal == 0, 0, gewicht), + seizoen = factor(seizoen, levels = c("voorjaar", "zomer", "najaar", "winter")), + locatie = factor(locatie, levels = levels_locatie_fuiken)) %>% + group_by(soort) %>% + mutate(anyN = any(aantal > 0)) %>% + ungroup() %>% + filter(anyN) %>% + select(-anyN) %>% + left_join(soortenlijst %>% + select(-opmerking)) + +``` + + +```{r data ankerkuil} + +(filename <- + list.files(path = pad_data, + pattern = "ankerkuil_Zeeschelde_VLIZ")) %>% + .[str_detect(., "~\\$", negate = TRUE)] + +ankerkuil_aantal <- + read_xlsx(str_c(pad_data, filename), + sheet = "campagnes") %>% + select(ID_afvissing, locatie, datum, jaar, seizoen, getijde, volume) %>% + left_join(read_xlsx(str_c(pad_data, filename), + sheet = "locaties") %>% + select(locatie, OMES, EMSE_niveau3)) %>% + left_join(read_xlsx(str_c(pad_data, filename), + sheet = "aantallen")) %>% + select(-ID_afvissing) %>% + select(locatie, OMES, EMSE_niveau3, datum, jaar, seizoen, everything()) + +ankerkuil_gewicht <- + read_xlsx(str_c(pad_data, filename), + sheet = "campagnes") %>% + select(ID_afvissing, locatie, datum, jaar, seizoen, getijde, volume) %>% + left_join(read_xlsx(str_c(pad_data, filename), + sheet = "locaties") %>% + select(locatie, OMES, EMSE_niveau3)) %>% + left_join(read_xlsx(str_c(pad_data, filename), + sheet = "gewicht")) %>% + select(-ID_afvissing) %>% + select(locatie, OMES, EMSE_niveau3, datum, jaar, seizoen, everything()) + + + +data_ankerkuil <- + ankerkuil_aantal %>% + pivot_longer(cols = -(locatie:volume), + names_to = "soort", + values_to = "aantal") %>% + left_join(ankerkuil_gewicht %>% + pivot_longer(cols = -(locatie:volume), + names_to = "soort", + values_to = "gewicht")) %>% + mutate(gewicht = if_else(aantal == 0, 0, gewicht), + seizoen = factor(seizoen, levels = c("voorjaar", "zomer", "najaar", "winter")), + locatie = factor(locatie, levels = levels_locatie_ankerkuil)) %>% + group_by(soort) %>% + mutate(anyN = any(aantal > 0)) %>% + ungroup() %>% + filter(anyN) %>% + select(-anyN) %>% + left_join(soortenlijst %>% + select(-opmerking)) + +``` + + +```{r samenvoegen Zandvliet en Paardenschor} + +data_fuiken <- + data_fuiken %>% + mutate(locatie = + if_else(locatie == "Zandvliet", + "Paardenschor", + locatie)) + +``` + + +```{r optellen eb vloed per locatie & campagne} + +(groupvars <- + names(data_ankerkuil) %>% + setdiff(c("datum", "getijde", "volume", "aantal", "gewicht"))) + +# setdiff(names(data_ankerkuil), groupvars) + +data_ankerkuil <- + data_ankerkuil %>% + select(-datum, -getijde) %>% + group_by(across(all_of(groupvars))) %>% + summarise(across(everything(), sum)) %>% + ungroup() + +dupes_na <- + data_ankerkuil %>% + select(locatie:seizoen) %>% + distinct() %>% + get_dupes(locatie, jaar, seizoen) + +``` + + +```{r optellen datums per locatie & campagne} + +dupes_voor <- + data_fuiken %>% + select(locatie:seizoen) %>% + distinct() %>% + get_dupes(locatie, jaar, seizoen) + +groupvars <- + names(data_fuiken) %>% + setdiff(c("datum", "fuikdagen", "aantal", "gewicht")) + +data_fuiken <- + data_fuiken %>% + select(-datum) %>% + group_by(across(all_of(groupvars))) %>% + summarise(across(everything(), sum)) %>% + ungroup() + +dupes_na <- + data_fuiken %>% + select(locatie:seizoen) %>% + distinct() %>% + get_dupes(locatie, jaar, seizoen) + +``` + + +```{r variabelen & functies} + +prop_lim <- 0.1 + +``` + + +```{r selectie data} + +data_fuiken <- + data_fuiken %>% + filter(!str_detect(soort, "hybride"), + seizoen != "winter") + +data_ankerkuil <- + data_ankerkuil %>% + filter(seizoen != "winter") + +``` + + +```{r enkel-vissen fuiken} + +soorten <- + data_fuiken %>% + distinct(soort) %>% + pull(soort) + +# soorten_invertebraten <- +# c("wolhandkrab", "grijze garnalen", "steurgarnalen", "gammarus", "noordzeekrab", "japanse steurgarnaal", "penseelkrab") + +soorten_invertebraten <- + soorten %>% + keep(~ str_detect(., "garnaal|garnalen|gammarus|krab|kreeft|inktvis|octopus|zeekat")) + +soorten_vis_fuiken <- + setdiff(soorten, soorten_invertebraten) %>% + {.[order(.)]} + +data_fuiken <- + data_fuiken %>% + filter(soort %in% soorten_vis_fuiken) + +# soorten_fuiken_sheet <- +# soortenlijst %>% +# filter(!is.na(fuiken)) %>% +# pull(soort) +# +# setdiff(soorten_fuiken_sheet, soorten_vis_fuiken) +# setdiff(soorten_vis_fuiken, soorten_fuiken_sheet) + +``` + + +```{r enkel-vissen ankerkuil} + +soorten <- + data_ankerkuil %>% + distinct(soort) %>% + pull(soort) + +# soorten_invertebraten <- +# c("wolhandkrab", "grijze garnalen", "steurgarnalen", "gammarus", "noordzeekrab", "japanse steurgarnaal", "penseelkrab") + +soorten_invertebraten <- + soorten %>% + keep(~ str_detect(., "garnaal|garnalen|gammarus|krab|kreeft|inktvis|octopus|zeekat")) + +soorten_vis_ankerkuil <- + setdiff(soorten, soorten_invertebraten) %>% + {.[order(.)]} + +data_ankerkuil <- + data_ankerkuil %>% + filter(soort %in% soorten_vis_ankerkuil) + + +# soorten_fuiken_sheet <- +# soortenlijst %>% +# filter(!is.na(ankerkuil)) %>% +# pull(soort) +# +# setdiff(soorten_fuiken_sheet, soorten_vis) +# setdiff(soorten_vis, soorten_fuiken_sheet) + +``` + + +```{r aantal-en-gewicht-per-fuikdag} + +data_fuiken <- + data_fuiken %>% + mutate(aantal_per_fuikdag = aantal/fuikdagen, + gewicht_per_fuikdag = gewicht/fuikdagen) + +``` + + +```{r salgroep en dieet haringachtigen} + +soortenlijst %>% + filter(soort %in% c("haring", "sprot")) + +data_ankerkuil <- + data_ankerkuil %>% + mutate(salgroep = if_else(soort == "haringachtigen", "mariene migranten", salgroep), + dieet = if_else(soort == "haringachtigen", "planktivoren", dieet)) + +``` + + +```{r aantal-en-gewicht-per-kub} + +data_ankerkuil <- + data_ankerkuil %>% + mutate(aantal_per_kub = aantal/volume, + gewicht_per_kub = gewicht/volume) + +``` + + +```{r indeling EMSE rapportage} + +indeling_EMSE_full <- + expand_grid(nesting(salgroep = c("mariene en estuariene soorten", "diadrome soorten", "zoetwatersoorten"), + sal_kort = c("Mar/Est", "Diadr", "Zoetw")), + nesting(dieet = c("benthivoren", "omnivoren", "planktivoren", "piscivoren"), + dieet_kort = c("Benth", "Omn", "Plankt", "Pisc"))) %>% + mutate(indeling = str_c(sal_kort, dieet_kort, sep = " -- ")) + +data_fuiken %>% + distinct(salgroep) + +data_fuiken %>% + distinct(dieet) + +data_fuiken <- + data_fuiken %>% + mutate(salgroep_detail = salgroep, + salgroep = case_when( + salgroep_detail %in% c("mariene migranten", "mariene dwaalgasten", "estuarien residenten") ~ "mariene en estuariene soorten", + salgroep_detail %in% c("diadromen") ~ "diadrome soorten", + salgroep_detail %in% c("zoetwatersoorten") ~ "zoetwatersoorten" + )) %>% + left_join(indeling_EMSE_full) %>% + mutate(indeling = factor(indeling, levels = levels_indeling), + in_indeling = !is.na(indeling)) %>% + left_join(sleutelsoorten_EMSE %>% select(-scheldezone) %>% rename(indeling_SL = indeling)) + +indeling_EMSE_soort <- + data_fuiken %>% + distinct(soort, salgroep, dieet, in_indeling, indeling, indeling_SL) + +indeling_EMSE_groep <- + data_fuiken %>% + distinct(salgroep, dieet, indeling) + +indeling_EMSE_missing <- + indeling_EMSE_full %>% + select(salgroep, dieet, indeling) %>% + anti_join(indeling_EMSE_groep) + +# levels(data_fuiken$indeling) +# levels(indeling_EMSE$indeling) + +indeling_EMSE_full <- + expand_grid(nesting(salgroep = c("mariene en estuariene soorten", "diadrome soorten", "zoetwatersoorten"), + sal_kort = c("Mar/Est", "Diadr", "Zoetw")), + nesting(dieet = c("benthivoren", "omnivoren", "planktivoren", "piscivoren"), + dieet_kort = c("Benth", "Omn", "Plankt", "Pisc"))) %>% + mutate(indeling = str_c(sal_kort, dieet_kort, sep = " -- ")) + +data_ankerkuil %>% + distinct(salgroep) + +data_ankerkuil %>% + distinct(dieet) + +data_ankerkuil <- + data_ankerkuil %>% + mutate(salgroep_detail = salgroep, + salgroep = case_when( + salgroep_detail %in% c("mariene migranten", "mariene dwaalgasten", "estuarien residenten") ~ "mariene en estuariene soorten", + salgroep_detail %in% c("diadromen") ~ "diadrome soorten", + salgroep_detail %in% c("zoetwatersoorten") ~ "zoetwatersoorten" + )) %>% + left_join(indeling_EMSE_full) %>% + mutate(indeling = factor(indeling, levels = levels_indeling), + in_indeling = !is.na(indeling)) %>% + left_join(sleutelsoorten_EMSE %>% select(-scheldezone) %>% rename(indeling_SL = indeling)) + +indeling_EMSE_soort <- + data_ankerkuil %>% + distinct(soort, salgroep, dieet, in_indeling, indeling, indeling_SL) + +indeling_EMSE_groep <- + data_ankerkuil %>% + distinct(salgroep, dieet, indeling) + +indeling_EMSE_missing <- + indeling_EMSE_full %>% + select(salgroep, dieet, indeling) %>% + anti_join(indeling_EMSE_groep) + +``` + + +```{r soorten kleur} + +relatief_aantal_fuiken <- + data_fuiken %>% + filter(jaar == 2022) %>% + group_by(seizoen, locatie) %>% + mutate(relatief_aantal = aantal/sum(aantal), + relatief_gewicht = gewicht/sum(gewicht)) %>% + ungroup() %>% + group_by(soort) %>% + mutate(soort2 = ifelse(any(relatief_aantal >= prop_lim | relatief_gewicht >= prop_lim), soort, "rest")) %>% + ungroup() %>% + group_by(seizoen, locatie, soort2) %>% + summarise(aantal = sum(aantal)) %>% + ungroup() %>% + group_by(seizoen, locatie) %>% + mutate(soort2 = soort2, + aantal = round(aantal/sum(aantal)*100)) %>% + ungroup() %>% + rename(soort = soort2) %>% + mutate(soort = factor(soort, + levels = unique(soort) %>% + sort() %>% + setdiff("rest") %>% + c(., "rest")), + locatie = factor(locatie, levels = levels_locatie_fuiken)) + +(soorten_fuiken_1 <- + relatief_aantal_fuiken %>% + distinct(soort) %>% + filter(str_detect(soort, "rest", negate = TRUE)) %>% + pull()) + + +relatieve_aantallen_EMSE_fuiken <- + data_fuiken %>% + left_join(locatie_scheldezone_fuiken) %>% + filter(in_indeling) %>% + filter(aantal > 0) %>% + group_by(jaar, scheldezone, soort, salgroep, dieet, indeling) %>% + summarise(aantal_per_fuikdag = mean(aantal_per_fuikdag), + gewicht_per_fuikdag = mean(gewicht_per_fuikdag)) %>% + ungroup() %>% + group_by(jaar, scheldezone, salgroep, dieet, indeling) %>% + mutate(relatief_aantal = aantal_per_fuikdag/sum(aantal_per_fuikdag), + relatief_gewicht = gewicht_per_fuikdag/sum(gewicht_per_fuikdag)) %>% + mutate(max_aantal = relatief_aantal >= prop_lim, + max_gewicht = relatief_gewicht >= prop_lim) %>% + ungroup() %>% + group_by(soort) %>% + mutate(soort = ifelse(any(max_aantal) | any(max_gewicht), soort, "rest")) %>% + ungroup() + +(soorten_fuiken_2 <- + relatieve_aantallen_EMSE_fuiken %>% + distinct(soort) %>% + filter(str_detect(soort, "rest", negate = TRUE)) %>% + pull()) + + +relatief_aantal_ankerkuil <- + data_ankerkuil %>% + filter(jaar == 2022) %>% + group_by(seizoen, locatie) %>% + mutate(relatief_aantal_laatste_jaar = aantal/sum(aantal), + relatief_gewicht_laatste_jaar = gewicht/sum(gewicht)) %>% + ungroup() %>% + group_by(soort) %>% + mutate(soort2 = ifelse(any(relatief_aantal_laatste_jaar >= prop_lim | relatief_gewicht_laatste_jaar >= prop_lim), soort, "rest")) %>% + ungroup() %>% + group_by(seizoen, locatie, soort2) %>% + summarise(aantal = sum(aantal)) %>% + ungroup() %>% + group_by(seizoen, locatie) %>% + mutate(soort2 = soort2, + aantal = round(aantal/sum(aantal)*100)) %>% + ungroup() %>% + rename(soort = soort2) %>% + mutate(soort = factor(soort, + levels = unique(soort) %>% + sort() %>% + setdiff("rest") %>% + c(., "rest"))) + +(soorten_ankerkuil_1 <- + relatief_aantal_ankerkuil %>% + distinct(soort) %>% + filter(str_detect(soort, "haringachtigen|rest", negate = TRUE)) %>% + pull()) + +relatieve_aantallen_EMSE_ankerkuil <- + data_ankerkuil %>% + left_join(locatie_scheldezone_ankerkuil) %>% + filter(in_indeling) %>% + filter(aantal > 0) %>% + group_by(jaar, scheldezone, soort, salgroep, dieet, indeling) %>% + summarise(aantal_per_kub = mean(aantal_per_kub), + gewicht_per_kub = mean(gewicht_per_kub)) %>% + ungroup() %>% + group_by(jaar, scheldezone, salgroep, dieet, indeling) %>% + mutate(relatief_aantal = aantal_per_kub/sum(aantal_per_kub), + relatief_gewicht = gewicht_per_kub/sum(gewicht_per_kub)) %>% + mutate(max_aantal = relatief_aantal >= prop_lim, + max_gewicht = relatief_gewicht >= prop_lim) %>% + ungroup() %>% + group_by(soort) %>% + mutate(soort = ifelse(any(max_aantal) | any(max_gewicht), soort, "rest")) %>% + ungroup() + +(soorten_ankerkuil_2 <- + relatieve_aantallen_EMSE_ankerkuil %>% + distinct(soort) %>% + filter(str_detect(soort, "haringachtigen|rest", negate = TRUE)) %>% + pull()) + + +(soorten_kleur <- + soorten_fuiken_1 %>% + union(soorten_fuiken_2) %>% + union(soorten_ankerkuil_1) %>% + union(soorten_ankerkuil_2)) + + + +relatief_aantal_fuiken <- + data_fuiken %>% + filter(jaar == 2022) %>% + group_by(seizoen, locatie) %>% + mutate(relatief_aantal = aantal/sum(aantal), + relatief_gewicht = gewicht/sum(gewicht)) %>% + ungroup() %>% + group_by(soort) %>% + filter(any(relatief_aantal >= prop_lim | relatief_gewicht >= prop_lim)) %>% + summarise(aant = max(relatief_aantal), + gew = max(relatief_gewicht)) %>% + ungroup() %>% + group_by(soort) %>% + summarise(max_rel = max(aant, gew)) %>% + ungroup() %>% + arrange(desc(max_rel)) + +(soorten_fuiken_1 <- + relatief_aantal_fuiken %>% + filter(str_detect(soort, "haringachtigen|rest", negate = TRUE))) + + +relatieve_aantallen_EMSE_fuiken <- + data_fuiken %>% + left_join(locatie_scheldezone_fuiken) %>% + filter(in_indeling) %>% + filter(aantal > 0) %>% + group_by(jaar, scheldezone, soort, salgroep, dieet, indeling) %>% + summarise(aantal_per_fuikdag = mean(aantal_per_fuikdag), + gewicht_per_fuikdag = mean(gewicht_per_fuikdag)) %>% + ungroup() %>% + group_by(jaar, scheldezone, salgroep, dieet, indeling) %>% + mutate(relatief_aantal = aantal_per_fuikdag/sum(aantal_per_fuikdag), + relatief_gewicht = gewicht_per_fuikdag/sum(gewicht_per_fuikdag)) %>% + ungroup() %>% + group_by(soort) %>% + filter(any(relatief_aantal >= prop_lim | relatief_gewicht >= prop_lim)) %>% + summarise(aant = max(relatief_aantal), + gew = max(relatief_gewicht)) %>% + ungroup() %>% + group_by(soort) %>% + summarise(max_rel = max(aant, gew)) %>% + ungroup() %>% + arrange(desc(max_rel)) + +(soorten_fuiken_2 <- + relatieve_aantallen_EMSE_fuiken %>% + filter(str_detect(soort, "haringachtigen|rest", negate = TRUE))) + + +relatief_aantal_ankerkuil <- + data_ankerkuil %>% + filter(jaar == 2022) %>% + group_by(seizoen, locatie) %>% + mutate(relatief_aantal = aantal/sum(aantal), + relatief_gewicht = gewicht/sum(gewicht)) %>% + ungroup() %>% + group_by(soort) %>% + filter(any(relatief_aantal >= prop_lim | relatief_gewicht >= prop_lim)) %>% + summarise(aant = max(relatief_aantal), + gew = max(relatief_gewicht)) %>% + ungroup() %>% + group_by(soort) %>% + summarise(max_rel = max(aant, gew)) %>% + ungroup() %>% + arrange(desc(max_rel)) + +(soorten_ankerkuil_1 <- + relatief_aantal_ankerkuil %>% + filter(str_detect(soort, "haringachtigen|rest", negate = TRUE))) + + +relatieve_aantallen_EMSE_ankerkuil <- + data_ankerkuil %>% + left_join(locatie_scheldezone_ankerkuil) %>% + filter(in_indeling) %>% + filter(aantal > 0) %>% + group_by(jaar, scheldezone, soort, salgroep, dieet, indeling) %>% + summarise(aantal_per_kub = mean(aantal_per_kub), + gewicht_per_kub = mean(gewicht_per_kub)) %>% + ungroup() %>% + group_by(jaar, scheldezone, salgroep, dieet, indeling) %>% + mutate(relatief_aantal = aantal_per_kub/sum(aantal_per_kub), + relatief_gewicht = gewicht_per_kub/sum(gewicht_per_kub)) %>% + ungroup() %>% + group_by(soort) %>% + filter(any(relatief_aantal >= prop_lim | relatief_gewicht >= prop_lim)) %>% + summarise(aant = max(relatief_aantal), + gew = max(relatief_gewicht)) %>% + ungroup() %>% + group_by(soort) %>% + summarise(max_rel = max(aant, gew)) %>% + ungroup() %>% + arrange(desc(max_rel)) + +(soorten_ankerkuil_2 <- + relatieve_aantallen_EMSE_ankerkuil %>% + filter(str_detect(soort, "haringachtigen|rest", negate = TRUE))) + + + +(soorten_vis <- + soorten_vis_fuiken %>% + union(soorten_vis_ankerkuil)) + + +(soorten_kleur <- + soorten_fuiken_1 %>% + union(soorten_fuiken_2) %>% + union(soorten_ankerkuil_1) %>% + union(soorten_ankerkuil_2) %>% + group_by(soort) %>% + summarise(across(everything(), max)) %>% + ungroup() %>% + arrange(desc(max_rel), soort)) + + +soorten_indeling_kleur <- + soorten_kleur %>% + left_join(soortenlijst %>% + filter(soort %in% soorten_kleur$soort) %>% + select(soort, salgroep, dieet)) %>% + mutate(pos = NA_integer_, + kleur = NA_character_) + +soorten_indeling_n <- + soorten_indeling_kleur %>% + count(salgroep, dieet) %>% + arrange(desc(n)) + +n_kleur <- nrow(soorten_kleur) + +save(soorten_indeling_kleur, file = str_c(pad_data, "soorten_kleur.RData")) + +``` + + +```{r test kleurcode, eval=FALSE} + +relatief_aantal_fuiken <- + data_fuiken %>% + filter(jaar == 2022) %>% + group_by(seizoen, locatie) %>% + mutate(relatief_aantal = aantal/sum(aantal), + relatief_gewicht = gewicht/sum(gewicht)) %>% + ungroup() %>% + group_by(soort) %>% + mutate(soort2 = ifelse(any(relatief_aantal >= prop_lim | relatief_gewicht >= prop_lim), soort, "rest")) %>% + ungroup() %>% + group_by(seizoen, locatie, soort2) %>% + summarise(aantal = sum(aantal)) %>% + ungroup() %>% + group_by(seizoen, locatie) %>% + mutate(soort2 = soort2, + aantal = round(aantal/sum(aantal)*100)) %>% + ungroup() %>% + rename(soort = soort2) %>% + mutate(soort = factor(soort, + levels = unique(soort) %>% + sort() %>% + setdiff("rest") %>% + c(., "rest")), + locatie = factor(locatie, levels = levels_locatie_fuiken)) + + +# n <- 3 +# seq(1,by=n,length.out=n_kleur)%%n_kleur+1 +# s <- 3 +for(s in 14:25) { + + # set.seed(s) + # set.seed(45) + + # n_rest <- n_kleur + # n_indeling <- nrow(soorten_indeling_n) + # serie <- 1:n_rest + # for (i in 1:n_indeling) { + # if (i < n_indeling) { + # # strt <- min(serie) + # lng <- soorten_indeling_n[i,]$n + # sq <- seq(1, by = n_rest%/%lng, length.out = lng) + # sel <- serie[sq] + # if (lng > 1) + # sel <- sample(sel) + # serie <- + # setdiff(serie, sel) + # n_rest <- length(serie) + # } else { + # sel <- serie + # } + # soorten_indeling_kleur[soorten_indeling_kleur$salgroep == soorten_indeling_n[i, ]$salgroep & + # soorten_indeling_kleur$dieet == soorten_indeling_n[i,]$dieet, "pos"] <- sel + # print(sel) + # } + + # s <- 14 + + + sq <- seq(1,by=s,length.out=n_kleur)%%(n_kleur+1) + lm <- 52-((s-1)%%(s)) + sq[sq<=lm] <- sq[sq<=lm] + 1 + # sort(sq) + + soorten_indeling_kleur$pos <- sq + + + soorten_indeling_kleur$kleur <- + wes_palette("Darjeeling1", + type = "continuous", + n = n_kleur) %>% + unname() %>% + .[soorten_indeling_kleur$pos] + + + # my_pal_wes <- + # c(wes_palette("Darjeeling1", + # type = "continuous", + # n = length(soorten_kleur)) %>% + # unname() %>% + # sample(), + # "azure", + # "darkslategrey") + # names(my_pal_wes) <- + # c(soorten_kleur, "haringachtigen", "rest") + + + my_pal_wes <- + c(soorten_indeling_kleur$kleur, + "azure", + "darkslategrey") + names(my_pal_wes) <- + c(soorten_indeling_kleur$soort, "haringachtigen", "rest") + + the_pal <- + my_pal_wes[names(my_pal_wes) %in% unique(relatief_aantal_fuiken$soort)] + + pl <- + relatief_aantal_fuiken %>% + mutate(aantal = if_else(aantal == 0, NA_real_, aantal)) %>% + ggplot(aes(x ="", y = aantal, fill = soort)) + + geom_col(position = "fill") + + # geom_text(aes(label = soort), + # size = 3) + + geom_text(aes(label = aantal, size = aantal), + position = position_fill(vjust = 0.5), + show.legend = FALSE) + + coord_polar("y", start=0) + + facet_grid(locatie ~ seizoen) + + labs(title = str_c("seed = ", s), + x = NULL, + y = NULL) + + scale_x_discrete(breaks = NULL) + + scale_y_continuous(breaks = NULL) + + scale_fill_manual(values = the_pal) + + theme( + # legend.position = "bottom", + legend.title = element_blank()) + print(pl) + +} + + +for(s in 76) { + + set.seed(s) + + my_pal_wes <- + c(wes_palette("Darjeeling1", + type = "continuous", + n = length(soorten_kleur)) %>% + unname() %>% + sample(), + "azure", + "darkslategrey") + names(my_pal_wes) <- + c(soorten_kleur, "haringachtigen", "rest") + + the_pal <- + my_pal_wes[names(my_pal_wes) %in% unique(relatief_aantal_ankerkuil$soort)] + + pl <- + relatief_aantal_ankerkuil %>% + mutate(aantal = if_else(aantal == 0, NA_real_, aantal)) %>% + ggplot(aes(x ="", y = aantal, fill = soort)) + + geom_col(position = "fill") + + # geom_text(aes(label = soort), + # size = 3) + + geom_text(aes(label = aantal, size = aantal), + position = position_fill(vjust = 0.5), + show.legend = FALSE) + + coord_polar("y", start=0) + + facet_grid(locatie ~ seizoen) + + labs(title = str_c("seed = ", s), + x = NULL, + y = NULL) + + scale_x_discrete(breaks = NULL) + + scale_y_continuous(breaks = NULL) + + scale_fill_manual(values = the_pal) + + theme( + # legend.position = "bottom", + legend.title = element_blank()) + print(pl) + +} + +``` + diff --git a/moneos_2024/090_vissen/40_moneos_analyse_fuiken_EMSE.Rmd b/moneos_2024/090_vissen/40_moneos_analyse_fuiken_EMSE.Rmd new file mode 100644 index 0000000..b4eb162 --- /dev/null +++ b/moneos_2024/090_vissen/40_moneos_analyse_fuiken_EMSE.Rmd @@ -0,0 +1,2518 @@ +--- +params: + hoofdstuk: "090_vissen" +knit: (function(inputFile, encoding) { + rmarkdown::render(inputFile, + encoding=encoding, + output_dir = paste0(rmarkdown::yaml_front_matter(inputFile)$params$hoofdstuk, "/output"))}) +title: "analyse visdata fuiken" +output: word_document +editor_options: + chunk_output_type: console +--- + + +```{r setup, include=FALSE} + +knitr::opts_chunk$set(echo = FALSE, error=FALSE, warning=FALSE, message=FALSE, cache=FALSE) + +``` + + +```{r libraries} + +library(tidyverse) +library(lubridate) +library(janitor) +library(readxl) +library(writexl) +# library(yarrr) +library(wesanderson) +library(gridExtra) +library(cowplot) + +library(INBOtheme) +library(inbodb) + +library(rprojroot) ## workaround pad + +conflicted::conflicts_prefer(dplyr::filter) + +``` + + +```{r pad} + +# inlezen van variabelen +# pad naar data : pad_data +# pad naar tabellen : pad_tabellen +# pad naar figuren : pad_figuren + +source(find_root_file("../pad.R", criterion = is_rstudio_project)) + +pad_data <- maak_pad(params$hoofdstuk, "data") +pad_figuren <- maak_pad(params$hoofdstuk, "figuren/fuiken") +pad_tabellen <- maak_pad(params$hoofdstuk, "tabellen/fuiken") + +``` + + +```{r excel sheets} + +sheets <- NULL +sheets_figuren <- NULL + +``` + + +```{r EMSE tabellen} + +soortenlijst <- + read_xlsx(str_c(pad_data, "soorten_Zeeschelde.xlsx"), sheet = "EMSE") + +sleutelsoorten_EMSE <- + read_xlsx(str_c(pad_data, "sleutelsoorten EMSE.xlsx")) + +# func_groepen_EMSE <- +# read_xlsx(str_c(pad_data, "functionele groepen.xlsx")) %>% +# mutate(Soort = str_to_lower(Soort)) + +levels_indeling <- + c("Mar/Est -- Benth", "Mar/Est -- Omn", "Mar/Est -- Pisc", "Mar/Est -- Plankt", + "Diadr -- Benth", "Diadr -- Omn", "Diadr -- Pisc", "Diadr -- Plankt", + "Zoetw -- Benth", "Zoetw -- Omn", "Zoetw -- Pisc", "Zoetw -- Plankt") + +locatie_scheldezone <- + read_xlsx(str_c(pad_data, "metadata VLIZ/fuikvangsten_Zeeschelde_locaties.xlsx")) %>% + mutate(locatie = factor(locatie, levels = locatie[order(Y, decreasing = TRUE)])) %>% + select(locatie, scheldezone_full = EMSE_niveau3) %>% + mutate(scheldezone_full = str_remove(scheldezone_full, " verblijf"), + scheldezone = + case_when( + scheldezone_full == "saliniteitsgradient" ~ "SG", + scheldezone_full == "oligohalien" ~ "OH", + scheldezone_full == "zoet lang" ~ "ZL", + scheldezone_full == "zoet kort" ~ "ZK")) + +levels_locatie <- levels(locatie_scheldezone$locatie) + +levels_seizoen_locatie <- + sapply(c("voorjaar", "zomer", "najaar"), + function(x) paste(x, levels_locatie, sep = "_")) %>% + c() + +levels_scheldezone <- + c("SG", "OH", "ZL", "ZK") + +levels_scheldezone_full <- + c(SG = "saliniteitsgradient", OH = "oligohalien", ZL = "zoet lang", ZK = "zoet kort") + +# levels_scheldezone_refactor <- c(SG = "saliniteitsgradient", OH = "oligohalien", ZL = "zoet lang", ZK = "zoet kort") + +``` + +##### datasets voor aantal en gewicht: + +```{r inlezen-data} + +filename <- + list.files(path = pad_data, + pattern = "fuikdata_Zeeschelde_VLIZ") %>% + .[str_detect(., "~\\$", negate = TRUE)] + +fuiken_aantal <- + read_xlsx(str_c(pad_data, filename), + sheet = "campagnes") %>% + select(ID_afvissing, locatie, datum, jaar, seizoen, fuikdagen) %>% + left_join(read_xlsx(str_c(pad_data, filename), + sheet = "locaties") %>% + select(locatie, OMES, EMSE_niveau3)) %>% + left_join(read_xlsx(str_c(pad_data, filename), + sheet = "aantallen")) %>% + select(-ID_afvissing) %>% + select(locatie, OMES, EMSE_niveau3, datum, jaar, seizoen, everything()) + +fuiken_gewicht <- + read_xlsx(str_c(pad_data, filename), + sheet = "campagnes") %>% + select(ID_afvissing, locatie, datum, jaar, seizoen, fuikdagen) %>% + left_join(read_xlsx(str_c(pad_data, filename), + sheet = "locaties") %>% + select(locatie, OMES, EMSE_niveau3)) %>% + left_join(read_xlsx(str_c(pad_data, filename), + sheet = "gewicht")) %>% + select(-ID_afvissing) %>% + select(locatie, OMES, EMSE_niveau3, datum, jaar, seizoen, everything()) + + +data_fuiken <- + fuiken_aantal %>% + pivot_longer(cols = -(locatie:fuikdagen), + names_to = "soort", + values_to = "aantal") %>% + left_join(fuiken_gewicht %>% + pivot_longer(cols = -(locatie:fuikdagen), + names_to = "soort", + values_to = "gewicht")) %>% + mutate(gewicht = if_else(aantal == 0, 0, gewicht), + seizoen = factor(seizoen, levels = c("voorjaar", "zomer", "najaar", "winter")), + locatie = factor(locatie, levels = levels_locatie)) %>% + group_by(soort) %>% + mutate(anyN = any(aantal > 0)) %>% + ungroup() %>% + filter(anyN) %>% + select(-anyN) %>% + left_join(soortenlijst %>% + select(-opmerking)) + +``` + + +```{r check meerdere datums per locatie en seizoen} + +campagne_dupes <- + data_fuiken %>% + select(locatie:seizoen) %>% + distinct() %>% + # select(-datum) %>% + get_dupes(locatie, jaar, seizoen) + +``` + + +```{r samenvoegen Zandvliet en Paardenschor} + +data_fuiken <- + data_fuiken %>% + mutate(locatie = + if_else(locatie == "Zandvliet", + "Paardenschor", + locatie)) + +``` + + +```{r optellen datums per locatie & campagne} + +dupes_voor <- + data_fuiken %>% + select(locatie:seizoen) %>% + distinct() %>% + get_dupes(locatie, jaar, seizoen) + +groupvars <- + names(data_fuiken) %>% + setdiff(c("datum", "fuikdagen", "aantal", "gewicht")) + +data_fuiken <- + data_fuiken %>% + select(-datum) %>% + group_by(across(all_of(groupvars))) %>% + summarise(across(everything(), sum)) %>% + ungroup() + +dupes_na <- + data_fuiken %>% + select(locatie:seizoen) %>% + distinct() %>% + get_dupes(locatie, jaar, seizoen) + +``` + + +```{r variabelen & functies} + +vroegste_jaar <- + data_fuiken %>% + pull(jaar) %>% + min() + +laatste_jaar <- + data_fuiken %>% + pull(jaar) %>% + max() + +prop_lim <- 0.1 +mult_fuik <- 1 + + +get_lab_aantal <- + function() { + if (mult_fuik > 1) + lab <- expr(paste("gem. aantal ind. / ", !!mult_fuik, "fuikdagen")) + else + lab <- expr(paste("gem. aantal ind. / fuikdag")) + lab + } + +get_lab_gewicht <- + function() { + if (mult_fuik > 1) + lab <- expr(paste("gem. biomassa [g/", !!mult_fuik, "fuikdagen]")) + else + lab <- expr(paste("gem. biomassa [g/fuikdag]")) + lab + } + +``` + + +```{r selectie data} + +data_fuiken <- + data_fuiken %>% + filter(!str_detect(soort, "hybride"), + seizoen != "winter") + +``` + + +```{r kleurcodes soorten} + +load(file = str_c(pad_data, "soorten_kleur.RData")) + +# set.seed(58) +# set.seed(61) +# set.seed(73) +# set.seed(76) + +# my_pal_wes <- +# c(wes_palette("Darjeeling1", +# type = "continuous", +# n = length(soorten_kleur)) %>% +# unname() %>% +# sample(), +# "darkslategrey") +# names(my_pal_wes) <- +# c(soorten_kleur, "rest") + + + my_pal_wes <- + c(soorten_indeling_kleur$kleur, + "azure", + "darkslategrey") + names(my_pal_wes) <- + c(soorten_indeling_kleur$soort, "haringachtigen", "rest") + +``` + + +```{r enkel-vissen} + +soorten <- + data_fuiken %>% + distinct(soort) %>% + pull(soort) + +# soorten_invertebraten <- +# c("wolhandkrab", "grijze garnalen", "steurgarnalen", "gammarus", "noordzeekrab", "japanse steurgarnaal", "penseelkrab") + +soorten_invertebraten <- + soorten %>% + keep(~ str_detect(., "garnaal|garnalen|gammarus|krab|kreeft|inktvis|octopus|zeekat")) + +soorten_vis <- + setdiff(soorten, soorten_invertebraten) %>% + {.[order(.)]} + +data_fuiken <- + data_fuiken %>% + filter(soort %in% soorten_vis) + +soortenlijst <- + read_xlsx(str_c(pad_data, "soorten_Zeeschelde.xlsx"), + sheet = "EMSE") %>% + select(-inEMSE, -exoot, -opmerking) + +soorten_fuiken_sheet <- + soortenlijst %>% + filter(!is.na(fuiken)) %>% + pull(soort) + +setdiff(soorten_fuiken_sheet, soorten_vis) +setdiff(soorten_vis, soorten_fuiken_sheet) + +``` + + +```{r aantal-en-gewicht-per-fuikdag} + +data_fuiken <- + data_fuiken %>% + mutate(aantal_per_fuikdag = aantal/fuikdagen, + gewicht_per_fuikdag = gewicht/fuikdagen) + +``` + + +```{r indeling EMSE rapportage} + +indeling_EMSE_full <- + expand_grid(nesting(salgroep = c("mariene en estuariene soorten", "diadrome soorten", "zoetwatersoorten"), + sal_kort = c("Mar/Est", "Diadr", "Zoetw")), + nesting(dieet = c("benthivoren", "omnivoren", "planktivoren", "piscivoren"), + dieet_kort = c("Benth", "Omn", "Plankt", "Pisc"))) %>% + mutate(indeling = str_c(sal_kort, dieet_kort, sep = " -- ")) + +data_fuiken %>% + distinct(salgroep) + +data_fuiken %>% + distinct(dieet) + +data_fuiken <- + data_fuiken %>% + mutate(salgroep_detail = salgroep, + salgroep = case_when( + salgroep_detail %in% c("mariene migranten", "mariene dwaalgasten", "estuarien residenten") ~ "mariene en estuariene soorten", + salgroep_detail %in% c("diadromen") ~ "diadrome soorten", + salgroep_detail %in% c("zoetwatersoorten") ~ "zoetwatersoorten" + )) %>% + left_join(indeling_EMSE_full) %>% + mutate(indeling = factor(indeling, levels = levels_indeling), + in_indeling = !is.na(indeling)) %>% + left_join(sleutelsoorten_EMSE %>% select(-scheldezone) %>% rename(indeling_SL = indeling)) + +indeling_EMSE_soort <- + data_fuiken %>% + distinct(soort, salgroep, dieet, in_indeling, indeling, indeling_SL) + +indeling_EMSE_groep <- + data_fuiken %>% + distinct(salgroep, dieet, indeling) + +indeling_EMSE_missing <- + indeling_EMSE_full %>% + select(salgroep, dieet, indeling) %>% + anti_join(indeling_EMSE_groep) + +# levels(data_fuiken$indeling) +# levels(indeling_EMSE$indeling) + +``` + +#### relatie aantal - gewicht + +```{r relatie-aantal-gewicht, eval = FALSE} + +# data_fuiken %>% +# ggplot(aes(aantal, gewicht)) + +# geom_point() + +# geom_smooth(span = 10, se = FALSE) + +# facet_wrap(~soort, +# scales = "free", +# ncol = 5) + +data_fuiken %>% + ggplot(aes(aantal + 1, gewicht + 1)) + + geom_point() + + geom_smooth(span = 10, se = FALSE) + + scale_x_log10(breaks = c(0,1,10,100,1000,10000,100000,1000000,10000000) + 1, labels = function(x) x-1) + + scale_y_log10(breaks = c(0,1,10,100,1000,10000,100000,1000000,10000000) + 1, labels = function(x) x-1) + + labs(x = "aantal", + y = "gewicht") + + facet_wrap(~soort, + scales = "free", + ncol = 8) + +# # ggsave(paste0(pad_figuren, "relatie_aantal_gewicht.jpg")) + +``` + + +#### aantal soorten + +```{r aantal-soorten} + +aantal_soorten_seizoen_locatie <- + data_fuiken %>% + filter(aantal > 0) %>% + distinct(jaar, seizoen, locatie, soort) %>% + count(jaar, seizoen, locatie, name = "soorten") %>% + bind_rows(data_fuiken %>% + filter(aantal > 0) %>% + distinct(jaar, locatie, soort) %>% + count(jaar, locatie, name = "soorten") %>% + mutate(seizoen = "totaal over seizoenen")) %>% + bind_rows(data_fuiken %>% + filter(aantal > 0) %>% + distinct(jaar, seizoen, soort) %>% + count(jaar, seizoen, name = "soorten") %>% + mutate(locatie = "totaal over locaties")) %>% + bind_rows(data_fuiken %>% + filter(aantal > 0) %>% + distinct(jaar, soort) %>% + count(jaar, name = "soorten") %>% + mutate(seizoen = "totaal over seizoenen", + locatie = "totaal over locaties")) %>% + mutate(seizoen = factor(seizoen, levels = c("voorjaar", "zomer", "najaar", "winter", "totaal over seizoenen")), + locatie = factor(locatie, levels = c(levels_locatie, "totaal over locaties"))) + +aantal_soorten_seizoen_locatie %>% + ggplot(aes(jaar, soorten)) + + geom_col(position = position_dodge(width = 0.8), + color = "steelblue4", + linewidth = 0.5, + width = 0.7, + alpha = 0.8) + + geom_text(aes(y = soorten + 3, label = soorten), + position = position_dodge(width = 0.8), + size = 3, color = "steelblue4") + + scale_x_continuous(breaks = seq(ifelse(vroegste_jaar%%2 == 0, vroegste_jaar, vroegste_jaar+1), laatste_jaar, 2)) + + # labs(fill = "jaar", + # color = "jaar") + + # guides(fill="none", + # color = "none") + + facet_grid(seizoen ~ locatie) + + theme(strip.text = element_text(size = 12)) + +ggsave(paste0(pad_figuren, "aantal_soorten_seizoen_locatie.jpg"), width = 10, height = 8) + + +aantal_soorten_seizoen <- + data_fuiken %>% + filter(aantal > 0) %>% + distinct(jaar, seizoen, locatie, soort) %>% + count(jaar, seizoen, locatie, name = "soorten") %>% + group_by(jaar, seizoen) %>% + summarise(soorten = round(mean(soorten))) %>% + ungroup() %>% + bind_rows(data_fuiken %>% + filter(aantal > 0) %>% + distinct(jaar, locatie, soort) %>% + count(jaar, locatie, name = "soorten") %>% + group_by(jaar) %>% + summarise(soorten = round(mean(soorten))) %>% + ungroup() %>% + mutate(seizoen = "totaal over seizoenen")) %>% + mutate(seizoen = factor(seizoen, levels = c("voorjaar", "zomer", "najaar", "totaal over seizoenen"))) + +aantal_soorten_seizoen %>% + ggplot(aes(seizoen, soorten, fill = ordered(jaar), color = ordered(jaar))) + + geom_col(position = position_dodge(width = 0.8), + width = 0.6, + alpha = 0.8) + + geom_text(aes(y = soorten + 1, label = soorten), + position = position_dodge(width = 0.8), + size = 2, color = "steelblue4") + + labs(fill = "jaar", + color = "jaar") + +ggsave(paste0(pad_figuren, "aantal_soorten_seizoen.jpg"), width = 10, height = 5) + + +aantal_soorten_locatie <- + data_fuiken %>% + filter(aantal > 0) %>% + distinct(jaar, seizoen, locatie, soort) %>% + count(jaar, seizoen, locatie, name = "soorten") %>% + group_by(jaar, locatie) %>% + summarise(soorten_gem = round(mean(soorten))) %>% + ungroup() %>% + left_join(data_fuiken %>% + filter(aantal > 0) %>% + distinct(jaar, locatie, soort) %>% + count(jaar, locatie, name = "soorten_tot")) %>% + bind_rows(data_fuiken %>% + filter(aantal > 0) %>% + distinct(jaar, seizoen, soort) %>% + count(jaar, seizoen, name = "soorten") %>% + group_by(jaar) %>% + summarise(soorten_gem = round(mean(soorten))) %>% + ungroup() %>% + mutate(locatie = "totaal over locaties") %>% + left_join(data_fuiken %>% + filter(aantal > 0) %>% + distinct(jaar, soort) %>% + count(jaar, name = "soorten_tot") %>% + mutate(locatie = "totaal over locaties"))) %>% + mutate(locatie = factor(locatie, levels = c(levels_locatie, "totaal over locaties"))) + +aantal_soorten_locatie %>% + ggplot(aes(locatie, soorten_gem, group = jaar)) + + geom_col(position = position_dodge(width = 0.8), + width = 0.6, + linewidth = 1) + + geom_col(aes(y = soorten_tot, fill = ordered(jaar), color = ordered(jaar)), + position = position_dodge(width = 0.8), + width = 0.6, + linewidth = 1, + alpha = 0.75) + + geom_text(aes(y = soorten_tot + 1, label = soorten_tot), + position = position_dodge(width = 0.8), + size = 1.5, color = "steelblue4", fontface = "bold") + + labs(fill = "jaar", + color = "jaar") + +ggsave(paste0(pad_figuren, "aantal_soorten_locatie.jpg"), width = 12, height = 5) + + +aantal_soorten_totaal <- + data_fuiken %>% + filter(aantal > 0) %>% + distinct(jaar, soort) %>% + count(jaar, name = "soorten") + +aantal_soorten_totaal %>% + ggplot(aes(jaar, soorten)) + + geom_col(position = position_dodge(width = 0.8), + color = "steelblue4", + linewidth = 0.5, + width = 0.7, + alpha = 0.8) + + geom_text(aes(y = soorten + 2, label = soorten), + position = position_dodge(width = 0.8), + size = 3, color = "steelblue4") + + scale_x_continuous(breaks = seq(ifelse(vroegste_jaar%%2 == 0, vroegste_jaar, vroegste_jaar+1), laatste_jaar, 2)) + + # labs(fill = "jaar", + # color = "jaar") + + guides(fill="none", + color = "none") + +ggsave(paste0(pad_figuren, "aantal_soorten_totaal.jpg"), width = 6, height = 4) + + +sheets_figuren[["aantal_soorten_seizoen_locatie"]] <- + aantal_soorten_seizoen_locatie %>% + pivot_wider(id_cols = c(jaar, seizoen), + names_from = locatie, + values_from = soorten) + +sheets_figuren[["aantal_soorten_seizoen"]] <- + aantal_soorten_seizoen %>% + pivot_wider(id_cols = c(jaar), + names_from = seizoen, + values_from = soorten) + +sheets_figuren[["aantal_soorten_locatie"]] <- + aantal_soorten_locatie +# %>% +# pivot_wider(id_cols = c(jaar), +# names_from = locatie, +# values_from = soorten) + +sheets_figuren[["aantal_soorten_totaal"]] <- + aantal_soorten_totaal + +``` + + +```{r overzicht-aantal-soorten} + +tabel_aantal_soorten <- + data_fuiken %>% + filter(jaar == laatste_jaar, + aantal > 0) %>% + distinct(seizoen, locatie, soort) %>% + count(seizoen, locatie, name = "soorten") %>% + bind_rows(data_fuiken %>% + filter(jaar == laatste_jaar, + aantal > 0) %>% + distinct(locatie, soort) %>% + count(locatie, name = "soorten") %>% + mutate(seizoen = "totaal over seizoenen")) %>% + bind_rows(data_fuiken %>% + filter(jaar == laatste_jaar, + aantal > 0) %>% + distinct(seizoen, soort) %>% + count(seizoen, name = "soorten") %>% + mutate(locatie = "totaal over locaties")) %>% + bind_rows(data_fuiken %>% + filter(jaar == laatste_jaar, + aantal > 0) %>% + distinct(soort) %>% + count(name = "soorten") %>% + mutate(seizoen = "totaal over seizoenen", + locatie = "totaal over locaties")) %>% + mutate(seizoen = factor(seizoen, levels = c("voorjaar", "zomer", "najaar", "totaal over seizoenen")), + locatie = factor(locatie, levels = c(levels_locatie, "totaal over locaties"))) %>% + pivot_wider(id_cols = locatie, names_from = seizoen, values_from = soorten) %>% + arrange(locatie) + +knitr::kable(tabel_aantal_soorten) + +sheets[["aantal_soorten"]] <- tabel_aantal_soorten + +``` + + +#### overzicht gevangen soorten + +```{r overzicht-gevangen-soorten} + +tabel_gevangen_soorten <- + data_fuiken %>% + filter(jaar == laatste_jaar, + aantal > 0) %>% + mutate(seizoen_locatie = factor(paste(seizoen, locatie, sep = "_"), + levels = levels_seizoen_locatie)) %>% + select(seizoen_locatie, soort) %>% + mutate(aanwezig = "x") %>% + pivot_wider(id_cols = soort, + names_from = seizoen_locatie, + values_from = aanwezig, + values_fill = "") %>% + select(soort, all_of(levels_seizoen_locatie[str_detect(levels_seizoen_locatie, "Zandvliet", negate = TRUE)])) + +knitr::kable(tabel_gevangen_soorten) + +sheets[["gevangen_soorten"]] <- tabel_gevangen_soorten + +``` + +#### nieuwe soorten + +```{r nieuwe soorten} + +(soorten_historisch <- + data_fuiken %>% + filter(jaar != laatste_jaar, + aantal > 0) %>% + distinct(soort) %>% + pull() %>% + sort()) + +(soorten_recent <- + data_fuiken %>% + filter(jaar == laatste_jaar, + aantal > 0) %>% + distinct(soort) %>% + pull() %>% + sort()) + +(soorten_nieuw <- + setdiff(soorten_recent, soorten_historisch)) + +data_soorten_nieuw <- + data_fuiken %>% + left_join(locatie_scheldezone) %>% + filter(jaar == laatste_jaar, + aantal > 0, + soort %in% soorten_nieuw) + +if (nrow(data_soorten_nieuw) > 0) { + data_soorten_nieuw %>% + ggplot(aes(seizoen, aantal)) + + geom_col(aes(fill = soort)) + + facet_wrap(~locatie) +} + +sheets[["nieuwe_soorten"]] <- + data_soorten_nieuw %>% + select(locatie, OMES, EMSE_niveau3, jaar, seizoen, soort, wetensch_naam, salgroep, dieet, + fuikdagen, aantal, gewicht, aantal_per_fuikdag, gewicht_per_fuikdag) + +``` + +#### relatief aantal gevangen individuen + +```{r relatief aantal gevangen individuen laatste jaar, fig.height=6, fig.width=6} + +relatief_aantal_laatste_jaar <- + data_fuiken %>% + filter(jaar == laatste_jaar) %>% + group_by(seizoen, locatie) %>% + mutate(relatief_aantal = aantal/sum(aantal), + relatief_gewicht = gewicht/sum(gewicht)) %>% + ungroup() %>% + group_by(soort) %>% + # mutate(soort2 = ifelse(any(relatief_aantal >= prop_lim | relatief_gewicht >= prop_lim), soort, "rest")) %>% + mutate(soort2 = + case_when( + any(relatief_aantal >= prop_lim | relatief_gewicht >= prop_lim) ~ soort, + TRUE ~ "rest" + )) %>% + ungroup() %>% + group_by(seizoen, locatie, soort2) %>% + summarise(aantal = sum(aantal)) %>% + ungroup() %>% + group_by(seizoen, locatie) %>% + mutate(soort2 = soort2, + aantal = round(aantal/sum(aantal)*100)) %>% + ungroup() %>% + rename(soort = soort2) %>% + mutate(soort = factor(soort, + levels = unique(soort) %>% + sort() %>% + setdiff("rest") %>% + c(., "rest")), + locatie = factor(locatie, levels = levels_locatie)) + + +the_pal <- + my_pal_wes[names(my_pal_wes) %in% unique(relatief_aantal_laatste_jaar$soort)] + +relatief_aantal_laatste_jaar %>% + mutate(aantal = if_else(aantal == 0, NA_real_, aantal)) %>% + ggplot(aes(x ="", y = aantal, fill = soort)) + + geom_col(position = "fill") + + # geom_text(aes(label = soort), + # size = 3) + + geom_text(aes(label = aantal, size = aantal), + position = position_fill(vjust = 0.5), + show.legend = FALSE) + + coord_polar("y", start=0) + + facet_grid(locatie ~ seizoen) + + labs(x = NULL, + y = NULL) + + scale_x_discrete(breaks = NULL) + + scale_y_continuous(breaks = NULL) + + scale_fill_manual(values = the_pal) + + theme( + # legend.position = "bottom", + legend.title = element_blank()) + +ggsave(str_c(pad_figuren, "relatief_aantal_gevangen_individuen.jpg"), width = 6, height = 8) + +``` + + +#### relatieve biomassa gevangen individuen + +```{r relatieve-biomassa-gevangen-individuen, fig.height=6, fig.width=6} + +relatief_gewicht_laatste_jaar <- + data_fuiken %>% + filter(jaar == laatste_jaar) %>% + group_by(seizoen, locatie) %>% + mutate(relatief_aantal = aantal/sum(aantal), + relatief_gewicht = gewicht/sum(gewicht)) %>% + ungroup() %>% + group_by(soort) %>% + # mutate(soort2 = ifelse(any(relatief_aantal >= prop_lim | relatief_gewicht >= prop_lim), soort, "rest")) %>% + mutate(soort2 = + case_when( + any(relatief_aantal >= prop_lim | relatief_gewicht >= prop_lim) ~ soort, + TRUE ~ "rest" + )) %>% + ungroup() %>% + group_by(seizoen, locatie, soort2) %>% + summarise(gewicht = sum(gewicht)) %>% + ungroup() %>% + group_by(seizoen, locatie) %>% + mutate(soort2 = soort2, + gewicht = round(gewicht/sum(gewicht)*100)) %>% + ungroup() %>% + rename(soort = soort2) %>% + mutate(soort = factor(soort, + levels = unique(soort) %>% + sort() %>% + setdiff("rest") %>% + c(., "rest")), + locatie = factor(locatie, levels = levels_locatie)) + + +the_pal <- + my_pal_wes[names(my_pal_wes) %in% unique(relatief_aantal_laatste_jaar$soort)] + +relatief_gewicht_laatste_jaar %>% + mutate(gewicht = if_else(gewicht == 0, NA_real_, gewicht)) %>% + ggplot(aes(x ="", y = gewicht, fill = soort)) + + geom_col(position = "fill") + + # geom_text(aes(label = soort), + # size = 3) + + geom_text(aes(label = gewicht, size = gewicht), + position = position_fill(vjust = 0.5), + show.legend = FALSE) + + coord_polar("y", start=0) + + facet_grid(locatie ~ seizoen) + + labs(x = NULL, + y = NULL) + + scale_x_discrete(breaks = NULL) + + scale_y_continuous(breaks = NULL) + + scale_fill_manual(values = the_pal) + + theme( + # legend.position = "bottom", + legend.title = element_blank()) + +ggsave(paste0(pad_figuren, "relatieve_biomassa_gevangen_individuen.jpg"), width = 6, height = 8) + +``` + + +```{r tabellen relatief aantal en gewicht laatste jaar} + +sheets_figuren[["relatief_aantal_laatste_jaar"]] <- + relatief_aantal_laatste_jaar %>% + pivot_wider(id_cols = c(seizoen, soort), + names_from = locatie, + values_from = aantal) + +sheets_figuren[["relatief_gewicht_laatste_jaar"]] <- + relatief_gewicht_laatste_jaar %>% + pivot_wider(id_cols = c(seizoen, soort), + names_from = locatie, + values_from = gewicht) + +``` + + +#### aantallen EMSE + +```{r aantallen EMSE, eval=FALSE} + +gemiddeld_aantal_EMSE <- + data_fuiken %>% + left_join(locatie_scheldezone) %>% + filter(in_indeling) %>% + group_by(jaar, scheldezone, seizoen, locatie, salgroep, dieet, indeling) %>% + summarise(aantal_per_fuikdag = sum(aantal_per_fuikdag)) %>% + ungroup() %>% + group_by(jaar, scheldezone, salgroep, dieet, indeling) %>% + summarise(aantal_per_fuikdag = mean(aantal_per_fuikdag)) %>% + ungroup() %>% + # add_row(tibble(aantal_per_fuikdag = NA, + # salgroep = "diadrome soorten", + # indeling = "Diadr -- Benth", + # jaar = vroegste_jaar:laatste_jaar) %>% + # expand_grid(scheldezone = c("SG", "OH", "ZL", "ZK"))) %>% + # add_row(indeling_EMSE_missing %>% + # expand_grid(scheldezone = c("SG", "OH", "ZL", "ZK"))) %>% + add_row(indeling_EMSE_missing %>% + expand_grid(jaar = vroegste_jaar:laatste_jaar, + scheldezone = unique(locatie_scheldezone$scheldezone))) %>% + mutate(indeling = factor(indeling, levels = levels_indeling), + scheldezone = factor(scheldezone, levels = levels_scheldezone), + scheldezone = recode_factor(scheldezone, !!!levels_scheldezone_full)) + +# gemiddeld_aantal_EMSE %>% +# filter(str_detect(salgroep, "mari")) %>% +# mutate(aantal_per_fuikdag = aantal_per_fuikdag*mult_fuik) %>% +# # ggplot(aes(jaar, aantal_per_fuikdag, fill = ordered(jaar), color = ordered(jaar))) + +# ggplot(aes(jaar, aantal_per_fuikdag)) + +# geom_col(position = position_dodge(), +# color = "steelblue4", +# linewidth = 0.5, +# width = 0.7, +# alpha = 0.8) + +# scale_x_continuous(breaks = seq(ifelse(vroegste_jaar%%2 == 0, vroegste_jaar, vroegste_jaar+1), laatste_jaar, 2)) + +# labs(title = "estuariene soorten en mariene migranten", +# y = get_lab_aantal()) + +# facet_grid(indeling ~ scheldezone, scales = "free_y") + +# theme(axis.text = element_text(size = 8)) + +# ggsave(paste0(pad_figuren, "aantallen_EMSE_marien.jpg"), width = 10, height = 6) + + +# gemiddeld_aantal_EMSE %>% +# filter(str_detect(salgroep, "diadr")) %>% +# mutate(aantal_per_fuikdag = aantal_per_fuikdag*mult_fuik) %>% +# ggplot(aes(jaar, aantal_per_fuikdag)) + +# geom_col(position = position_dodge(), +# color = "steelblue4", +# linewidth = 0.5, +# width = 0.7, +# alpha = 0.8) + +# scale_x_continuous(breaks = seq(ifelse(vroegste_jaar%%2 == 0, vroegste_jaar, vroegste_jaar+1), laatste_jaar, 2)) + +# labs(title = "diadrome soorten", +# y = get_lab_aantal()) + +# facet_grid(indeling ~ scheldezone, scales = "free_y") + +# theme(axis.text = element_text(size = 8)) + +# ggsave(paste0(pad_figuren, "aantallen_EMSE_diadroom.jpg"), width = 10, height = 6) + + +# gemiddeld_aantal_EMSE %>% +# filter(str_detect(salgroep, "zoet")) %>% +# mutate(aantal_per_fuikdag = aantal_per_fuikdag*mult_fuik) %>% +# ggplot(aes(jaar, aantal_per_fuikdag)) + +# geom_col(position = position_dodge(), +# color = "steelblue4", +# linewidth = 0.5, +# width = 0.7, +# alpha = 0.8) + +# scale_x_continuous(breaks = seq(ifelse(vroegste_jaar%%2 == 0, vroegste_jaar, vroegste_jaar+1), laatste_jaar, 2)) + +# labs(title = "zoetwater soorten", +# y = get_lab_aantal()) + +# facet_grid(indeling ~ scheldezone, scales = "free_y") + +# theme(axis.text = element_text(size = 8)) + +# ggsave(paste0(pad_figuren, "aantallen_EMSE_zoet.jpg"), width = 10, height = 6) + +``` + + +#### gewicht EMSE + +```{r gewicht EMSE, eval=FALSE} + +gemiddeld_gewicht_EMSE <- + data_fuiken %>% + left_join(locatie_scheldezone) %>% + filter(in_indeling) %>% + group_by(jaar, scheldezone, seizoen, locatie, salgroep, dieet, indeling) %>% + summarise(gewicht_per_fuikdag = sum(gewicht_per_fuikdag)) %>% + ungroup() %>% + group_by(jaar, scheldezone, salgroep, dieet, indeling) %>% + summarise(gewicht_per_fuikdag = mean(gewicht_per_fuikdag)) %>% + ungroup() %>% + # add_row(tibble(gewicht_per_fuikdag = NA, + # salgroep = "diadrome soorten", + # indeling = "Diadr -- Benth", + # jaar = vroegste_jaar:laatste_jaar) %>% + # expand_grid(scheldezone = c("SG", "OH", "ZL", "ZK"))) %>% + add_row(indeling_EMSE_missing %>% + expand_grid(jaar = vroegste_jaar:laatste_jaar, + scheldezone = unique(locatie_scheldezone$scheldezone))) %>% + mutate(indeling = factor(indeling, levels = levels_indeling), + scheldezone = factor(scheldezone, levels = levels_scheldezone), + scheldezone = recode_factor(scheldezone, !!!levels_scheldezone_full)) + +# gemiddeld_gewicht_EMSE %>% +# filter(str_detect(salgroep, "mari")) %>% +# mutate(gewicht_per_fuikdag = gewicht_per_fuikdag*mult_fuik) %>% +# # ggplot(aes(jaar, gewicht_per_fuikdag, fill = ordered(jaar), color = ordered(jaar))) + +# ggplot(aes(jaar, gewicht_per_fuikdag)) + +# geom_col(position = position_dodge(), +# color = "steelblue4", +# size = 0.5, +# width = 0.7, +# alpha = 0.8) + +# scale_x_continuous(breaks = seq(ifelse(vroegste_jaar%%2 == 0, vroegste_jaar, vroegste_jaar+1), laatste_jaar, 2)) + +# labs(title = "estuariene soorten en mariene migranten", +# y = get_lab_gewicht()) + +# facet_grid(indeling ~ scheldezone, scales = "free_y") + +# theme(axis.text = element_text(size = 8)) + +# ggsave(paste0(pad_figuren, "biomassa_EMSE_marien.jpg"), width = 10, height = 6) + + +# gemiddeld_gewicht_EMSE %>% +# filter(str_detect(salgroep, "diadr")) %>% +# mutate(gewicht_per_fuikdag = gewicht_per_fuikdag*mult_fuik) %>% +# ggplot(aes(jaar, gewicht_per_fuikdag)) + +# geom_col(position = position_dodge(), +# color = "steelblue4", +# size = 0.5, +# width = 0.7, +# alpha = 0.8) + +# scale_x_continuous(breaks = seq(ifelse(vroegste_jaar%%2 == 0, vroegste_jaar, vroegste_jaar+1), laatste_jaar, 2)) + +# labs(title = "diadrome soorten", +# y = get_lab_gewicht()) + +# facet_grid(indeling ~ scheldezone, scales = "free_y") + +# theme(axis.text = element_text(size = 8)) + +# ggsave(paste0(pad_figuren, "biomassa_EMSE_diadroom.jpg"), width = 10, height = 6) + + +# gemiddeld_gewicht_EMSE %>% +# filter(str_detect(salgroep, "zoet")) %>% +# mutate(gewicht_per_fuikdag = gewicht_per_fuikdag*mult_fuik) %>% +# ggplot(aes(jaar, gewicht_per_fuikdag)) + +# geom_col(position = position_dodge(), +# color = "steelblue4", +# size = 0.5, +# width = 0.7, +# alpha = 0.8) + +# scale_x_continuous(breaks = seq(ifelse(vroegste_jaar%%2 == 0, vroegste_jaar, vroegste_jaar+1), laatste_jaar, 2)) + +# # scale_y_log10() + +# labs(title = "zoetwater soorten", +# y = get_lab_gewicht()) + +# facet_grid(indeling ~ scheldezone, scales = "free_y") + +# theme(axis.text = element_text(size = 8)) + +# ggsave(paste0(pad_figuren, "biomassa_EMSE_zoet.jpg"), width = 10, height = 6) + +``` + + +#### diversiteit EMSE + +```{r diversiteit EMSE} + +gemiddeld_diversiteit_EMSE <- + data_fuiken %>% + left_join(locatie_scheldezone) %>% + filter(in_indeling) %>% + filter(aantal > 0) %>% + group_by(jaar, scheldezone, soort, salgroep, dieet, indeling) %>% + summarise(aantal_per_fuikdag = mean(aantal_per_fuikdag)) %>% + ungroup() %>% + group_by(jaar, scheldezone, salgroep, dieet, indeling) %>% + mutate(relatief_aantal = aantal_per_fuikdag/sum(aantal_per_fuikdag)) %>% + summarise(N = n(), + H_sh = -sum(relatief_aantal*log(relatief_aantal)), + H_gs = 1-sum(relatief_aantal^2), + D_sh = exp(H_sh), + D_gs = 1/(1-H_gs), + E_sh = H_sh/log(N)) %>% + ungroup() %>% + # add_row(tibble(N = NA, H_sh = NA, H_gs = NA, D_sh = NA, D_gs = NA, + # salgroep = "diadrome soorten", + # indeling = "Diadr -- Benth", + # jaar = vroegste_jaar:laatste_jaar) %>% + # expand_grid(scheldezone = c("SG", "OH", "ZL", "ZK"))) %>% + add_row(indeling_EMSE_missing %>% + expand_grid(jaar = vroegste_jaar:laatste_jaar, + scheldezone = unique(locatie_scheldezone$scheldezone))) %>% + mutate(indeling = factor(indeling, levels = levels_indeling), + scheldezone = factor(scheldezone, levels = levels_scheldezone), + scheldezone = recode_factor(scheldezone, !!!levels_scheldezone_full)) + +# gemiddeld_diversiteit_EMSE %>% +# filter(str_detect(salgroep, "mari")) %>% +# ggplot(aes(jaar, N)) + +# geom_col(position = position_dodge(), +# color = "steelblue4", +# size = 0.5, +# width = 0.7, +# alpha = 0.8) + +# scale_x_continuous(breaks = seq(ifelse(vroegste_jaar%%2 == 0, vroegste_jaar, vroegste_jaar+1), laatste_jaar, 2)) + +# # scale_y_log10() + +# labs(title = "estuariene soorten en mariene migranten", +# y = "aantal soorten") + +# facet_grid(indeling ~ scheldezone, scales = "free_y") + +# theme(axis.text = element_text(size = 8)) + +# ggsave(paste0(pad_figuren, "diversiteit_N_EMSE_marien.jpg"), width = 10, height = 6) + +# gemiddeld_diversiteit_EMSE %>% +# filter(str_detect(salgroep, "diadr")) %>% +# ggplot(aes(jaar, N)) + +# geom_col(position = position_dodge(), +# color = "steelblue4", +# size = 0.5, +# width = 0.7, +# alpha = 0.8) + +# scale_x_continuous(breaks = seq(ifelse(vroegste_jaar%%2 == 0, vroegste_jaar, vroegste_jaar+1), laatste_jaar, 2)) + +# # scale_y_log10() + +# labs(title = "diadrome soorten", +# y = "aantal soorten") + +# facet_grid(indeling ~ scheldezone, scales = "free_y") + +# theme(axis.text = element_text(size = 8)) + +# ggsave(paste0(pad_figuren, "diversiteit_N_EMSE_diadroom.jpg"), width = 10, height = 6) + +# gemiddeld_diversiteit_EMSE %>% +# filter(str_detect(salgroep, "zoet")) %>% +# ggplot(aes(jaar, N)) + +# geom_col(position = position_dodge(), +# color = "steelblue4", +# size = 0.5, +# width = 0.7, +# alpha = 0.8) + +# scale_x_continuous(breaks = seq(ifelse(vroegste_jaar%%2 == 0, vroegste_jaar, vroegste_jaar+1), laatste_jaar, 2)) + +# # scale_y_log10() + +# labs(title = "zoetwater soorten", +# y = "aantal soorten") + +# facet_grid(indeling ~ scheldezone, scales = "free_y") + +# theme(axis.text = element_text(size = 8)) + +# ggsave(paste0(pad_figuren, "diversiteit_N_EMSE_zoet.jpg"), width = 10, height = 6) + + +# gemiddeld_diversiteit_EMSE %>% +# filter(str_detect(salgroep, "mari")) %>% +# ggplot(aes(jaar, H_sh)) + +# geom_col(position = position_dodge(), +# color = "steelblue4", +# size = 0.5, +# width = 0.7, +# alpha = 0.8) + +# scale_x_continuous(breaks = seq(ifelse(vroegste_jaar%%2 == 0, vroegste_jaar, vroegste_jaar+1), laatste_jaar, 2)) + +# labs(title = "estuariene soorten en mariene migranten", +# y = "shannon diversity index H") + +# facet_grid(indeling ~ scheldezone, scales = "free_y") + +# theme(axis.text = element_text(size = 8)) + +# ggsave(paste0(pad_figuren, "diversiteit_H_shannon_EMSE_marien.jpg"), width = 10, height = 6) + +# gemiddeld_diversiteit_EMSE %>% +# filter(str_detect(salgroep, "diadr")) %>% +# ggplot(aes(jaar, H_sh)) + +# geom_col(position = position_dodge(), +# color = "steelblue4", +# size = 0.5, +# width = 0.7, +# alpha = 0.8) + +# scale_x_continuous(breaks = seq(ifelse(vroegste_jaar%%2 == 0, vroegste_jaar, vroegste_jaar+1), laatste_jaar, 2)) + +# labs(title = "diadrome soorten", +# y = "shannon diversity index H") + +# facet_grid(indeling ~ scheldezone, scales = "free_y") + +# theme(axis.text = element_text(size = 8)) + +# ggsave(paste0(pad_figuren, "diversiteit_H_shannon_EMSE_diadroom.jpg"), width = 10, height = 6) + +# gemiddeld_diversiteit_EMSE %>% +# filter(str_detect(salgroep, "zoet")) %>% +# ggplot(aes(jaar, H_sh)) + +# geom_col(position = position_dodge(), +# color = "steelblue4", +# size = 0.5, +# width = 0.7, +# alpha = 0.8) + +# scale_x_continuous(breaks = seq(ifelse(vroegste_jaar%%2 == 0, vroegste_jaar, vroegste_jaar+1), laatste_jaar, 2)) + +# labs(title = "zoetwater soorten", +# y = "shannon diversity index H") + +# facet_grid(indeling ~ scheldezone, scales = "free_y") + +# theme(axis.text = element_text(size = 8)) + +# ggsave(paste0(pad_figuren, "diversiteit_H_shannon_EMSE_zoet.jpg"), width = 10, height = 6) + + +# gemiddeld_diversiteit_EMSE %>% +# filter(str_detect(salgroep, "mari")) %>% +# ggplot(aes(jaar, D_sh)) + +# geom_col(position = position_dodge(), +# color = "steelblue4", +# size = 0.5, +# width = 0.7, +# alpha = 0.8) + +# scale_x_continuous(breaks = seq(ifelse(vroegste_jaar%%2 == 0, vroegste_jaar, vroegste_jaar+1), laatste_jaar, 2)) + +# # scale_y_log10() + +# labs(title = "estuariene soorten en mariene migranten", +# y = "shannon true diversity D") + +# facet_grid(indeling ~ scheldezone, scales = "free_y") + +# theme(axis.text = element_text(size = 8)) + +# ggsave(paste0(pad_figuren, "diversiteit_D_shannon_EMSE_marien.jpg"), width = 10, height = 6) + +# gemiddeld_diversiteit_EMSE %>% +# filter(str_detect(salgroep, "diadr")) %>% +# ggplot(aes(jaar, D_sh)) + +# geom_col(position = position_dodge(), +# color = "steelblue4", +# size = 0.5, +# width = 0.7, +# alpha = 0.8) + +# scale_x_continuous(breaks = seq(ifelse(vroegste_jaar%%2 == 0, vroegste_jaar, vroegste_jaar+1), laatste_jaar, 2)) + +# # scale_y_log10() + +# labs(title = "diadrome soorten", +# y = "shannon true diversity D") + +# facet_grid(indeling ~ scheldezone, scales = "free_y") + +# theme(axis.text = element_text(size = 8)) + +# ggsave(paste0(pad_figuren, "diversiteit_D_shannon_EMSE_diadroom.jpg"), width = 10, height = 6) + +# gemiddeld_diversiteit_EMSE %>% +# filter(str_detect(salgroep, "zoet")) %>% +# ggplot(aes(jaar, D_sh)) + +# geom_col(position = position_dodge(), +# color = "steelblue4", +# size = 0.5, +# width = 0.7, +# alpha = 0.8) + +# scale_x_continuous(breaks = seq(ifelse(vroegste_jaar%%2 == 0, vroegste_jaar, vroegste_jaar+1), laatste_jaar, 2)) + +# # scale_y_log10() + +# labs(title = "zoetwater soorten", +# y = "shannon true diversity D") + +# facet_grid(indeling ~ scheldezone, scales = "free_y") + +# theme(axis.text = element_text(size = 8)) + +# ggsave(paste0(pad_figuren, "diversiteit_D_shannon_EMSE_zoet.jpg"), width = 10, height = 6) + + +gemiddeld_diversiteit_EMSE %>% + filter(str_detect(salgroep, "mari")) %>% + ggplot(aes(jaar, N)) + + geom_col(position = position_dodge(), + color = "steelblue4", + size = 0.5, + width = 0.7, + alpha = 0.25) + + geom_col(aes(y = D_sh), + color = "steelblue4", + size = 0.5, + position = position_dodge(), + width = 0.7, + alpha = 0.8) + + scale_x_continuous(breaks = seq(ifelse(vroegste_jaar%%2 == 0, vroegste_jaar, vroegste_jaar+1), laatste_jaar, 2)) + + # scale_y_log10() + + labs(# title = "estuariene soorten en mariene migranten", + y = "S -- D") + + facet_grid(indeling ~ scheldezone, scales = "free_y") + + theme(axis.text = element_text(size = 8)) + +ggsave(paste0(pad_figuren, "diversiteit_S_D_EMSE_marien.jpg"), width = 10, height = 6) + +gemiddeld_diversiteit_EMSE %>% + filter(str_detect(salgroep, "diadr")) %>% + ggplot(aes(jaar, N)) + + geom_col(position = position_dodge(), + color = "steelblue4", + size = 0.5, + width = 0.7, + alpha = 0.25) + + geom_col(aes(y = D_sh), + color = "steelblue4", + size = 0.5, + position = position_dodge(), + width = 0.7, + alpha = 0.8) + + scale_x_continuous(breaks = seq(ifelse(vroegste_jaar%%2 == 0, vroegste_jaar, vroegste_jaar+1), laatste_jaar, 2)) + + # scale_y_log10() + + labs(# title = "diadrome soorten", + y = "S -- D") + + facet_grid(indeling ~ scheldezone, scales = "free_y") + + theme(axis.text = element_text(size = 8)) + +ggsave(paste0(pad_figuren, "diversiteit_S_D_EMSE_diadroom.jpg"), width = 10, height = 6) + +gemiddeld_diversiteit_EMSE %>% + filter(str_detect(salgroep, "zoet")) %>% + ggplot(aes(jaar, N)) + + geom_col(position = position_dodge(), + color = "steelblue4", + size = 0.5, + width = 0.7, + alpha = 0.25) + + geom_col(aes(y = D_sh), + color = "steelblue4", + size = 0.5, + position = position_dodge(), + width = 0.7, + alpha = 0.8) + + scale_x_continuous(breaks = seq(ifelse(vroegste_jaar%%2 == 0, vroegste_jaar, vroegste_jaar+1), laatste_jaar, 2)) + + # scale_y_log10() + + labs(# title = "zoetwater soorten", + y = "S -- D") + + facet_grid(indeling ~ scheldezone, scales = "free_y") + + theme(axis.text = element_text(size = 8)) + +ggsave(paste0(pad_figuren, "diversiteit_S_D_EMSE_zoet.jpg"), width = 10, height = 6) + +``` + + +#### aantallen en biomassa EMSE per soort + +```{r relatie soortaantallen vs aantal soorten, eval=FALSE} + +relatieve_aantallen_EMSE <- + data_fuiken %>% + left_join(locatie_scheldezone) %>% + filter(in_indeling) %>% + filter(aantal > 0) %>% + group_by(jaar, scheldezone, soort, salgroep, dieet, indeling) %>% + summarise(aantal_per_fuikdag = mean(aantal_per_fuikdag), + gewicht_per_fuikdag = mean(gewicht_per_fuikdag)) %>% + ungroup() %>% + group_by(jaar, scheldezone, salgroep, dieet, indeling) %>% + mutate(relatief_aantal = aantal_per_fuikdag/sum(aantal_per_fuikdag), + relatief_gewicht = gewicht_per_fuikdag/sum(gewicht_per_fuikdag)) %>% + mutate(max_aantal = relatief_aantal >= prop_lim, + max_gewicht = relatief_gewicht >= prop_lim) %>% + ungroup() %>% + group_by(soort) %>% + mutate(soort = ifelse(any(max_aantal) | any(max_gewicht), soort, "rest")) %>% + # mutate(soort = ifelse(any(max_aantal), soort, "rest")) %>% + ungroup() %>% + group_by(jaar, scheldezone, salgroep, dieet, indeling) %>% + mutate(relatief_aantal = relatief_aantal/sum(relatief_aantal)) %>% + ungroup() %>% + add_row(tibble(salgroep = "diadrome soorten", + indeling = "Diadr -- Benth", + jaar = vroegste_jaar:laatste_jaar) %>% + expand_grid(scheldezone = c("SG", "OH", "ZL", "ZK"))) %>% + mutate(indeling = factor(indeling, levels = levels_indeling), + scheldezone = factor(scheldezone, levels = levels_scheldezone), + scheldezone = recode_factor(scheldezone, !!!levels_scheldezone_full), + soort = factor(soort, + levels = unique(soort) %>% + sort() %>% + setdiff("rest") %>% + c(., "rest"))) %>% + left_join(gemiddeld_diversiteit_EMSE) + +data_split <- + relatieve_aantallen_EMSE %>% + filter(str_detect(salgroep, "mari")) %>% + group_by(indeling) %>% + nest() + +data_split <- + data_split %>% + mutate(legend = + map2(indeling, data, + function(ind, dat) { + pal_split <- + my_pal_wes[names(my_pal_wes) %in% unique(dat$soort)] + plt <- + dat %>% + ggplot(aes(jaar, relatief_aantal*N, fill = soort)) + + geom_col(position = position_stack(), + width = 0.7, + alpha = 0.9) + + scale_x_continuous(breaks = + seq(ifelse(vroegste_jaar %% 2 == 0, vroegste_jaar, vroegste_jaar + 1), laatste_jaar, 2)) + + scale_fill_manual(values = pal_split) + + labs(y = "aantal soorten", + fill = ind) + + guides(fill=guide_legend(nrow=4)) + + theme(legend.justification = c(0,1), + legend.box.background = element_rect(fill = 'transparent', colour = NA_character_)) + plt %>% + get_legend() + })) + +ggp_all <- + relatieve_aantallen_EMSE %>% + filter(str_detect(salgroep, "mari")) %>% + ggplot(aes(jaar, relatief_aantal*N, fill = soort, color = soort)) + + geom_col(width = 0.7, + alpha = 0.9, + size = 0.1) + + scale_x_continuous(breaks = seq(ifelse(vroegste_jaar %% 2 == 0, vroegste_jaar, vroegste_jaar + 1), laatste_jaar, 2)) + + scale_fill_manual(values = my_pal_wes) + + scale_color_manual(values = my_pal_wes) + + labs(title = "estuariene soorten en mariene migranten", + y = "aantal soorten") + + facet_grid(indeling ~ scheldezone, scales = "free_y") + + theme(legend.position = "none", + axis.text = element_text(size = 8)) + + +plot_grid(ggp_all, + NULL, + plot_grid(NULL, + plot_grid(plotlist = data_split$legend[sort.list(data_split$indeling)], + align = "h", ncol = 1), + NULL, + ncol = 1, rel_heights = c(0.1,1,0.05)), + ncol = 3, rel_widths = c(1.4,0.05,0.6)) + +# ggsave(paste0(pad_figuren, "relatieve_aantallen_EMSE_marien.jpg"), width = 14, height = 7, bg = "white") + + +data_split <- + relatieve_aantallen_EMSE %>% + filter(str_detect(salgroep, "diadr")) %>% + group_by(indeling) %>% + nest() + +data_split <- + data_split %>% + mutate(legend = + map2(indeling, data, + function(ind, dat) { + pal_split <- + my_pal_wes[names(my_pal_wes) %in% unique(dat$soort)] + plt <- + dat %>% + ggplot(aes(jaar, relatief_aantal*N, fill = soort)) + + geom_col(position = position_stack(), + width = 0.7, + alpha = 0.9) + + scale_x_continuous(breaks = + seq(ifelse(vroegste_jaar %% 2 == 0, vroegste_jaar, vroegste_jaar + 1), laatste_jaar, 2)) + + scale_fill_manual(values = pal_split) + + labs(y = "aantal soorten", + fill = ind) + + guides(fill=guide_legend(nrow=4)) + + theme(legend.justification = c(0,1), + legend.box.background = element_rect(fill = 'transparent', colour = NA_character_)) + plt %>% + get_legend() + })) + +ggp_all <- + relatieve_aantallen_EMSE %>% + filter(str_detect(salgroep, "diadr")) %>% + ggplot(aes(jaar, relatief_aantal*N, fill = soort, color = soort)) + + geom_col(width = 0.7, + alpha = 0.9, + size = 0.1) + + scale_x_continuous(breaks = seq(ifelse(vroegste_jaar %% 2 == 0, vroegste_jaar, vroegste_jaar + 1), laatste_jaar, 2)) + + # scale_y_log10() + + # scale_fill_brewer(palette = "Paired") + + scale_fill_manual(values = my_pal_wes) + + scale_color_manual(values = my_pal_wes) + + labs(title = "diadrome soorten", + y = "aantal soorten") + + facet_grid(indeling ~ scheldezone, scales = "free_y") + + theme(legend.position = "none", + axis.text = element_text(size = 8)) + + +plot_grid(ggp_all, + NULL, + plot_grid(NULL, + plot_grid(plotlist = data_split$legend[sort.list(data_split$indeling)], + align = "h", ncol = 1), + NULL, + ncol = 1, rel_heights = c(0.1,1,0.05)), + ncol = 3, rel_widths = c(1.4,0.05,0.6)) + +# ggsave(paste0(pad_figuren, "relatieve_aantallen_EMSE_diadroom.jpg"), width = 14, height = 7, bg = "white") + + +data_split <- + relatieve_aantallen_EMSE %>% + filter(str_detect(salgroep, "zoet")) %>% + group_by(indeling) %>% + nest() + +data_split <- + data_split %>% + mutate(legend = + map2(indeling, data, + function(ind, dat) { + pal_split <- + my_pal_wes[names(my_pal_wes) %in% unique(dat$soort)] + plt <- + dat %>% + ggplot(aes(jaar, relatief_aantal*N, fill = soort)) + + geom_col(position = position_stack(), + width = 0.7, + alpha = 0.9) + + scale_x_continuous(breaks = + seq(ifelse(vroegste_jaar %% 2 == 0, vroegste_jaar, vroegste_jaar + 1), laatste_jaar, 2)) + + scale_fill_manual(values = pal_split) + + labs(y = "aantal soorten", + fill = ind) + + guides(fill=guide_legend(nrow=4)) + + theme(legend.justification = c(0,1), + legend.box.background = element_rect(fill = 'transparent', colour = NA_character_)) + plt %>% + get_legend() + })) + +ggp_all <- + relatieve_aantallen_EMSE %>% + filter(str_detect(salgroep, "zoet")) %>% + ggplot(aes(jaar, relatief_aantal*N, fill = soort, color = soort)) + + geom_col(width = 0.7, + alpha = 0.9, + size = 0.1) + + scale_x_continuous(breaks = seq(ifelse(vroegste_jaar %% 2 == 0, vroegste_jaar, vroegste_jaar + 1), laatste_jaar, 2)) + + # scale_y_log10() + + # scale_fill_brewer(palette = "Paired") + + scale_fill_manual(values = my_pal_wes) + + scale_color_manual(values = my_pal_wes) + + labs(title = "zoetwater soorten", + y = "aantal soorten") + + facet_grid(indeling ~ scheldezone, scales = "free_y") + + theme(legend.position = "none", + axis.text = element_text(size = 8)) + + +plot_grid(ggp_all, + NULL, + plot_grid(NULL, + plot_grid(plotlist = data_split$legend[sort.list(data_split$indeling)], + align = "h", ncol = 1), + NULL, + ncol = 1, rel_heights = c(0.1,1,0.05)), + ncol = 3, rel_widths = c(1.4,0.05,0.6)) + +# ggsave(paste0(pad_figuren, "relatieve_aantallen_EMSE_zoet.jpg"), width = 14, height = 7, bg = "white") + +``` + + +```{r relatie soortaantallen vs totale aantallen} + +relatieve_aantallen_EMSE <- + data_fuiken %>% + left_join(locatie_scheldezone) %>% + filter(in_indeling) %>% + filter(aantal > 0) %>% + group_by(jaar, scheldezone, soort, salgroep, dieet, indeling) %>% + summarise(aantal_per_fuikdag = mean(aantal_per_fuikdag), + gewicht_per_fuikdag = mean(gewicht_per_fuikdag)) %>% + ungroup() %>% + group_by(jaar, scheldezone, salgroep, dieet, indeling) %>% + mutate(aantal_per_fuikdag_tot = sum(aantal_per_fuikdag), + gewicht_per_fuikdag_tot = sum(gewicht_per_fuikdag)) %>% + ungroup() %>% + mutate(relatief_aantal = aantal_per_fuikdag/aantal_per_fuikdag_tot, + relatief_gewicht = gewicht_per_fuikdag/gewicht_per_fuikdag_tot) %>% + mutate(max_aantal = relatief_aantal >= prop_lim, + max_gewicht = relatief_gewicht >= prop_lim) %>% + group_by(soort) %>% + mutate(soort = ifelse(any(max_aantal) | any(max_gewicht), soort, "rest")) %>% + ungroup() %>% + group_by(jaar, scheldezone, soort, salgroep, dieet, indeling) %>% + summarise(aantal_per_fuikdag_tot = mean(aantal_per_fuikdag_tot), + gewicht_per_fuikdag_tot = mean(gewicht_per_fuikdag_tot), + aantal_per_fuikdag = sum(aantal_per_fuikdag), + gewicht_per_fuikdag = sum(gewicht_per_fuikdag), + relatief_aantal = aantal_per_fuikdag/aantal_per_fuikdag_tot, + relatief_gewicht = gewicht_per_fuikdag/gewicht_per_fuikdag_tot) %>% + ungroup() %>% + add_row(indeling_EMSE_missing %>% + expand_grid(jaar = vroegste_jaar:laatste_jaar, + scheldezone = unique(locatie_scheldezone$scheldezone))) %>% + mutate(indeling = factor(indeling, levels = levels_indeling), + scheldezone = factor(scheldezone, levels = levels_scheldezone), + scheldezone = recode_factor(scheldezone, !!!levels_scheldezone_full), + soort = factor(soort, + levels = unique(soort) %>% + sort() %>% + setdiff("rest") %>% + c(., "rest"))) + + +data_split <- + relatieve_aantallen_EMSE %>% + filter(str_detect(salgroep, "mari")) %>% + group_by(indeling) %>% + nest() + +data_split <- + data_split %>% + mutate(legend = + map2(indeling, data, + function(ind, dat) { + pal_split <- + my_pal_wes[names(my_pal_wes) %in% unique(dat$soort)] + plt <- + dat %>% + ggplot(aes(jaar, aantal_per_fuikdag*mult_fuik, fill = soort)) + + geom_col(position = position_stack(), + width = 0.7, + alpha = 0.9) + + scale_x_continuous(breaks = + seq(ifelse(vroegste_jaar %% 2 == 0, vroegste_jaar, vroegste_jaar + 1), laatste_jaar, 2)) + + scale_fill_manual(values = pal_split) + + labs(y = get_lab_aantal(), + fill = ind) + + guides(fill=guide_legend(nrow=4)) + + theme(legend.justification = c(0,1), + legend.box.background = element_rect(fill = 'transparent', colour = NA_character_)) + plt %>% + get_legend() + })) + +ggp_all <- + relatieve_aantallen_EMSE %>% + filter(str_detect(salgroep, "mari")) %>% + ggplot(aes(jaar, aantal_per_fuikdag*mult_fuik, fill = soort, color = soort)) + + geom_col(width = 0.7, + alpha = 0.9, + size = 0.1) + + scale_x_continuous(breaks = seq(ifelse(vroegste_jaar %% 2 == 0, vroegste_jaar, vroegste_jaar + 1), laatste_jaar, 2)) + + scale_fill_manual(values = my_pal_wes) + + scale_color_manual(values = my_pal_wes) + + labs(y = get_lab_aantal()) + + facet_grid(indeling ~ scheldezone, scales = "free_y") + + theme(legend.position = "none", + axis.text = element_text(size = 8)) + + +plot_grid(ggp_all, + NULL, + plot_grid(NULL, + plot_grid(plotlist = data_split$legend[sort.list(data_split$indeling)], + align = "h", ncol = 1), + NULL, + ncol = 1, rel_heights = c(0.07,1,0.1)), + ncol = 3, rel_widths = c(1.4,0.05,0.6)) + +ggsave(paste0(pad_figuren, "relatieve_aantallen_tot_aantal_EMSE_marien.jpg"), width = 14, height = 7, bg = "white") + + +data_split <- + relatieve_aantallen_EMSE %>% + filter(str_detect(salgroep, "diadr")) %>% + group_by(indeling) %>% + nest() + +data_split <- + data_split %>% + mutate(legend = + map2(indeling, data, + function(ind, dat) { + pal_split <- + my_pal_wes[names(my_pal_wes) %in% unique(dat$soort)] + plt <- + dat %>% + ggplot(aes(jaar, aantal_per_fuikdag*mult_fuik, fill = soort)) + + geom_col(position = position_stack(), + width = 0.7, + alpha = 0.9) + + scale_x_continuous(breaks = + seq(ifelse(vroegste_jaar %% 2 == 0, vroegste_jaar, vroegste_jaar + 1), laatste_jaar, 2)) + + scale_fill_manual(values = pal_split) + + labs(y = get_lab_aantal(), + fill = ind) + + guides(fill=guide_legend(nrow=4)) + + theme(legend.justification = c(0,1), + legend.box.background = element_rect(fill = 'transparent', colour = NA_character_)) + plt %>% + get_legend() + })) + +ggp_all <- + relatieve_aantallen_EMSE %>% + filter(str_detect(salgroep, "diadr")) %>% + ggplot(aes(jaar, aantal_per_fuikdag*mult_fuik, fill = soort, color = soort)) + + geom_col(width = 0.7, + alpha = 0.9, + size = 0.1) + + scale_x_continuous(breaks = seq(ifelse(vroegste_jaar %% 2 == 0, vroegste_jaar, vroegste_jaar + 1), laatste_jaar, 2)) + + scale_fill_manual(values = my_pal_wes) + + scale_color_manual(values = my_pal_wes) + + labs(y = get_lab_aantal()) + + facet_grid(indeling ~ scheldezone, scales = "free_y") + + theme(legend.position = "none", + axis.text = element_text(size = 8)) + + +plot_grid(ggp_all, + NULL, + plot_grid(NULL, + plot_grid(plotlist = data_split$legend[sort.list(data_split$indeling)], + align = "h", ncol = 1), + NULL, + ncol = 1, rel_heights = c(0.1,1,0.05)), + ncol = 3, rel_widths = c(1.4,0.05,0.6)) + +ggsave(paste0(pad_figuren, "relatieve_aantallen_tot_aantal_EMSE_diadroom.jpg"), width = 14, height = 7, bg = "white") + + +data_split <- + relatieve_aantallen_EMSE %>% + filter(str_detect(salgroep, "zoet")) %>% + group_by(indeling) %>% + nest() + +data_split <- + data_split %>% + mutate(legend = + map2(indeling, data, + function(ind, dat) { + pal_split <- + my_pal_wes[names(my_pal_wes) %in% unique(dat$soort)] + plt <- + dat %>% + ggplot(aes(jaar, aantal_per_fuikdag*mult_fuik, fill = soort)) + + geom_col(position = position_stack(), + width = 0.7, + alpha = 0.9) + + scale_x_continuous(breaks = + seq(ifelse(vroegste_jaar %% 2 == 0, vroegste_jaar, vroegste_jaar + 1), laatste_jaar, 2)) + + scale_fill_manual(values = pal_split) + + labs(y = get_lab_aantal(), + fill = ind) + + guides(fill=guide_legend(nrow=4)) + + theme(legend.justification = c(0,1), + legend.box.background = element_rect(fill = 'transparent', colour = NA_character_)) + plt %>% + get_legend() + })) + +ggp_all <- + relatieve_aantallen_EMSE %>% + filter(str_detect(salgroep, "zoet")) %>% + ggplot(aes(jaar, aantal_per_fuikdag*mult_fuik, fill = soort, color = soort)) + + geom_col(width = 0.7, + alpha = 0.9, + size = 0.1) + + scale_x_continuous(breaks = seq(ifelse(vroegste_jaar %% 2 == 0, vroegste_jaar, vroegste_jaar + 1), laatste_jaar, 2)) + + scale_fill_manual(values = my_pal_wes) + + scale_color_manual(values = my_pal_wes) + + labs(y = get_lab_aantal()) + + facet_grid(indeling ~ scheldezone, scales = "free_y") + + theme(legend.position = "none", + axis.text = element_text(size = 8)) + + +plot_grid(ggp_all, + NULL, + plot_grid(NULL, + plot_grid(plotlist = data_split$legend[sort.list(data_split$indeling)], + align = "h", ncol = 1), + NULL, + ncol = 1, rel_heights = c(0.07,1,0.1)), + ncol = 3, rel_widths = c(1.4,0.05,0.6)) + +ggsave(paste0(pad_figuren, "relatieve_aantallen_tot_aantal_EMSE_zoet.jpg"), width = 14, height = 7, bg = "white") + +``` + + +```{r relatie soortbiomassa vs totale biomassa} + +data_split <- + relatieve_aantallen_EMSE %>% + filter(str_detect(salgroep, "mari")) %>% + group_by(indeling) %>% + nest() + +data_split <- + data_split %>% + mutate(legend = + map2(indeling, data, + function(ind, dat) { + pal_split <- + my_pal_wes[names(my_pal_wes) %in% unique(dat$soort)] + plt <- + dat %>% + ggplot(aes(jaar, gewicht_per_fuikdag*mult_fuik, fill = soort)) + + geom_col(position = position_stack(), + width = 0.7, + alpha = 0.9) + + scale_x_continuous(breaks = + seq(ifelse(vroegste_jaar %% 2 == 0, vroegste_jaar, vroegste_jaar + 1), laatste_jaar, 2)) + + scale_fill_manual(values = pal_split) + + labs(y = get_lab_gewicht(), + fill = ind) + + guides(fill=guide_legend(nrow=4)) + + theme(legend.justification = c(0,1), + legend.box.background = element_rect(fill = 'transparent', colour = NA_character_)) + plt %>% + get_legend() + })) + +ggp_all <- + relatieve_aantallen_EMSE %>% + filter(str_detect(salgroep, "mari")) %>% + ggplot(aes(jaar, gewicht_per_fuikdag*mult_fuik, fill = soort, color = soort)) + + geom_col(width = 0.7, + alpha = 0.9, + size = 0.1) + + scale_x_continuous(breaks = seq(ifelse(vroegste_jaar %% 2 == 0, vroegste_jaar, vroegste_jaar + 1), laatste_jaar, 2)) + + # scale_y_log10() + + # scale_fill_brewer(palette = "Paired") + + scale_fill_manual(values = my_pal_wes) + + scale_color_manual(values = my_pal_wes) + + labs(# title = "estuariene soorten en mariene migranten", + y = get_lab_gewicht()) + + facet_grid(indeling ~ scheldezone, scales = "free_y") + + theme(legend.position = "none", + axis.text = element_text(size = 8)) + + +plot_grid(ggp_all, + NULL, + plot_grid(NULL, + plot_grid(plotlist = data_split$legend[sort.list(data_split$indeling)], + align = "h", ncol = 1), + NULL, + ncol = 1, rel_heights = c(0.07,1,0.1)), + ncol = 3, rel_widths = c(1.4,0.05,0.6)) + +ggsave(paste0(pad_figuren, "relatieve_biomassa_tot_biomassa_EMSE_marien.jpg"), width = 14, height = 7, bg = "white") + + +data_split <- + relatieve_aantallen_EMSE %>% + filter(str_detect(salgroep, "diadr")) %>% + group_by(indeling) %>% + nest() + +data_split <- + data_split %>% + mutate(legend = + map2(indeling, data, + function(ind, dat) { + pal_split <- + my_pal_wes[names(my_pal_wes) %in% unique(dat$soort)] + plt <- + dat %>% + ggplot(aes(jaar, gewicht_per_fuikdag*mult_fuik, fill = soort)) + + geom_col(position = position_stack(), + width = 0.7, + alpha = 0.9) + + scale_x_continuous(breaks = + seq(ifelse(vroegste_jaar %% 2 == 0, vroegste_jaar, vroegste_jaar + 1), laatste_jaar, 2)) + + scale_fill_manual(values = pal_split) + + labs(y = get_lab_gewicht(), + fill = ind) + + guides(fill=guide_legend(nrow=4)) + + theme(legend.justification = c(0,1), + legend.box.background = element_rect(fill = 'transparent', colour = NA_character_)) + plt %>% + get_legend() + })) + +ggp_all <- + relatieve_aantallen_EMSE %>% + filter(str_detect(salgroep, "diadr")) %>% + ggplot(aes(jaar, gewicht_per_fuikdag*mult_fuik, fill = soort, color = soort)) + + geom_col(width = 0.7, + alpha = 0.9, + size = 0.1) + + scale_x_continuous(breaks = seq(ifelse(vroegste_jaar %% 2 == 0, vroegste_jaar, vroegste_jaar + 1), laatste_jaar, 2)) + + scale_fill_manual(values = my_pal_wes) + + scale_color_manual(values = my_pal_wes) + + labs(# title = "diadrome soorten", + y = get_lab_gewicht()) + + facet_grid(indeling ~ scheldezone, scales = "free_y") + + theme(legend.position = "none", + axis.text = element_text(size = 8)) + + +plot_grid(ggp_all, + NULL, + plot_grid(NULL, + plot_grid(plotlist = data_split$legend[sort.list(data_split$indeling)], + align = "h", ncol = 1), + NULL, + ncol = 1, rel_heights = c(0.1,1,0.05)), + ncol = 3, rel_widths = c(1.4,0.05,0.6)) + +ggsave(paste0(pad_figuren, "relatieve_biomassa_tot_biomassa_EMSE_diadroom.jpg"), width = 14, height = 7, bg = "white") + + +data_split <- + relatieve_aantallen_EMSE %>% + filter(str_detect(salgroep, "zoet")) %>% + group_by(indeling) %>% + nest() + +data_split <- + data_split %>% + mutate(legend = + map2(indeling, data, + function(ind, dat) { + pal_split <- + my_pal_wes[names(my_pal_wes) %in% unique(dat$soort)] + plt <- + dat %>% + ggplot(aes(jaar, gewicht_per_fuikdag*mult_fuik, fill = soort)) + + geom_col(position = position_stack(), + width = 0.7, + alpha = 0.9) + + scale_x_continuous(breaks = + seq(ifelse(vroegste_jaar %% 2 == 0, vroegste_jaar, vroegste_jaar + 1), laatste_jaar, 2)) + + scale_fill_manual(values = pal_split) + + labs(y = get_lab_gewicht(), + fill = ind) + + guides(fill=guide_legend(nrow=4)) + + theme(legend.justification = c(0,1), + legend.box.background = element_rect(fill = 'transparent', colour = NA_character_)) + plt %>% + get_legend() + })) + +ggp_all <- + relatieve_aantallen_EMSE %>% + filter(str_detect(salgroep, "zoet")) %>% + ggplot(aes(jaar, gewicht_per_fuikdag*mult_fuik, fill = soort, color = soort)) + + geom_col(width = 0.7, + alpha = 0.9, + size = 0.1) + + scale_x_continuous(breaks = seq(ifelse(vroegste_jaar %% 2 == 0, vroegste_jaar, vroegste_jaar + 1), laatste_jaar, 2)) + + scale_fill_manual(values = my_pal_wes) + + scale_color_manual(values = my_pal_wes) + + labs(# title = "zoetwater soorten", + y = get_lab_gewicht()) + + facet_grid(indeling ~ scheldezone, scales = "free_y") + + theme(legend.position = "none", + axis.text = element_text(size = 8)) + + +plot_grid(ggp_all, + NULL, + plot_grid(NULL, + plot_grid(plotlist = data_split$legend[sort.list(data_split$indeling)], + align = "h", ncol = 1), + NULL, + ncol = 1, rel_heights = c(0.07,1,0.1)), + ncol = 3, rel_widths = c(1.4,0.05,0.6)) + +ggsave(paste0(pad_figuren, "relatieve_biomassa_tot_biomassa_EMSE_zoet.jpg"), width = 14, height = 7, bg = "white") + +``` + + +```{r tabellen aantallen gewicht en diversiteit EMSE} + +sheets_figuren[["aantallen_en_gewichten_EMSE"]] <- + relatieve_aantallen_EMSE %>% + select(jaar, scheldezone, soort, salgroep, dieet, indeling, + relatief_aantal, aantal_per_fuikdag, relatief_gewicht, gewicht_per_fuikdag) + +sheets_figuren[["diversiteit_EMSE"]] <- + gemiddeld_diversiteit_EMSE %>% + select(jaar, scheldezone, salgroep, dieet, indeling, + N, D_sh) + +``` + + +#### sleutelsoorten EMSE + +```{r data sleutelsoorten} + +data_sleutelsoorten_EMSE <- + data_fuiken %>% + left_join(locatie_scheldezone) %>% + filter(soort %in% sleutelsoorten_EMSE$soort) %>% + left_join(sleutelsoorten_EMSE %>% select(soort, scheldezone_rap = scheldezone)) %>% + # filter(map2_lgl(scheldezone_rap, scheldezone, ~str_detect(.x, .y))) %>% + group_by(jaar, soort, salgroep, scheldezone) %>% + summarise(aantal_per_fuikdag = mean(aantal_per_fuikdag), + gewicht_per_fuikdag = mean(gewicht_per_fuikdag)) %>% + ungroup() %>% + mutate(scheldezone = factor(scheldezone, levels = levels_scheldezone), + scheldezone = recode_factor(scheldezone, !!!levels_scheldezone_full)) + +sheets_figuren[["sleutelsoorten_EMSE"]] <- + data_sleutelsoorten_EMSE + +``` + + +```{r sleutelsoorten aantal} + +data_sleutelsoorten_EMSE %>% + filter(str_detect(salgroep, "mari")) %>% + ggplot(aes(jaar, aantal_per_fuikdag*mult_fuik, color = scheldezone, fill = scheldezone)) + + geom_col(position = position_dodge(width = 0.9), + linewidth = 0.5, + width = 0.7, + alpha = 0.8) + + scale_x_continuous(breaks = seq(ifelse(vroegste_jaar%%2 == 0, vroegste_jaar, vroegste_jaar+1), laatste_jaar, 2)) + + labs(# title = "estuariene soorten en mariene migranten", + y = get_lab_aantal()) + + facet_wrap(~soort, + scales = "free_y", + ncol = 2) + + theme(axis.text.x = element_text(angle = 90, vjust = 0.25, hjust = 1), + legend.position = "top") + +ggsave(paste0(pad_figuren, "aantallen_sleutelsoorten_EMSE_marien.jpg"), width = 6, height = 8) + + +data_sleutelsoorten_EMSE %>% + filter(str_detect(salgroep, "diadr")) %>% + ggplot(aes(jaar, aantal_per_fuikdag*mult_fuik, color = scheldezone, fill = scheldezone)) + + geom_col(position = position_dodge(width = 0.9), + linewidth = 0.5, + width = 0.7, + alpha = 0.8) + + scale_x_continuous(breaks = seq(ifelse(vroegste_jaar%%2 == 0, vroegste_jaar, vroegste_jaar+1), laatste_jaar, 2)) + + labs(# title = "diadrome soorten", + y = get_lab_aantal()) + + facet_wrap(~soort, + scales = "free_y", + ncol = 2) + + theme(axis.text.x = element_text(angle = 90, vjust = 0.25, hjust = 1), + legend.position = "top") + +ggsave(paste0(pad_figuren, "aantallen_sleutelsoorten_EMSE_diadroom.jpg"), width = 7, height = 7) + + +data_sleutelsoorten_EMSE %>% + filter(str_detect(salgroep, "zoet")) %>% + ggplot(aes(jaar, aantal_per_fuikdag*mult_fuik, color = scheldezone, fill = scheldezone)) + + geom_col(position = position_dodge(width = 0.9), + linewidth = 0.5, + width = 0.7, + alpha = 0.8) + + scale_x_continuous(breaks = seq(ifelse(vroegste_jaar%%2 == 0, vroegste_jaar, vroegste_jaar+1), laatste_jaar, 2)) + + # scale_x_continuous(breaks = vroegste_jaar:laatste_jaar) + + labs(# title = "zoetwatersoorten", + y = get_lab_aantal()) + + facet_wrap(~soort, + scales = "free_y", + ncol = 2) + + theme(axis.text.x = element_text(angle = 90, vjust = 0.25, hjust = 1), + legend.position = "top") + +ggsave(paste0(pad_figuren, "aantallen_sleutelsoorten_EMSE_zoet.jpg"), width = 6, height = 8) + +``` + + +```{r sleutelsoorten biomassa, eval=FALSE} + +data_sleutelsoorten_EMSE %>% + filter(str_detect(salgroep, "mari")) %>% + ggplot(aes(jaar, gewicht_per_fuikdag*mult_fuik, color = scheldezone, fill = scheldezone)) + + geom_col(position = position_dodge(width = 0.9), + linewidth = 0.5, + width = 0.7, + alpha = 0.8) + + scale_x_continuous(breaks = seq(ifelse(vroegste_jaar%%2 == 0, vroegste_jaar, vroegste_jaar+1), laatste_jaar, 2)) + + labs(# title = "estuariene soorten en mariene migranten", + y = get_lab_gewicht()) + + facet_wrap(~soort, + scales = "free_y", + ncol = 2) + + theme(axis.text.x = element_text(angle = 90, vjust = 0.25, hjust = 1), + legend.position = "top") + +ggsave(paste0(pad_figuren, "biomassa_sleutelsoorten_EMSE_marien.jpg"), width = 6, height = 8) + + +data_sleutelsoorten_EMSE %>% + filter(str_detect(salgroep, "diadr")) %>% + ggplot(aes(jaar, gewicht_per_fuikdag*mult_fuik, color = scheldezone, fill = scheldezone)) + + geom_col(position = position_dodge(width = 0.9), + linewidth = 0.5, + width = 0.7, + alpha = 0.8) + + scale_x_continuous(breaks = seq(ifelse(vroegste_jaar%%2 == 0, vroegste_jaar, vroegste_jaar+1), laatste_jaar, 2)) + + labs(# title = "diadrome soorten", + y = get_lab_gewicht()) + + facet_wrap(~soort, + scales = "free_y", + ncol = 2) + + theme(axis.text.x = element_text(angle = 90, vjust = 0.25, hjust = 1), + legend.position = "top") + +ggsave(paste0(pad_figuren, "biomassa_sleutelsoorten_EMSE_diadroom.jpg"), width = 7, height = 7) + + +data_sleutelsoorten_EMSE %>% + filter(str_detect(salgroep, "zoet")) %>% + ggplot(aes(jaar, gewicht_per_fuikdag*mult_fuik, color = scheldezone, fill = scheldezone)) + + geom_col(position = position_dodge(width = 0.9), + linewidth = 0.5, + width = 0.7, + alpha = 0.8) + + scale_x_continuous(breaks = seq(ifelse(vroegste_jaar%%2 == 0, vroegste_jaar, vroegste_jaar+1), laatste_jaar, 2)) + + # scale_x_continuous(breaks = vroegste_jaar:laatste_jaar) + + labs(# title = "zoetwatersoorten", + y = get_lab_gewicht()) + + facet_wrap(~soort, + scales = "free_y", + ncol = 2) + + theme(axis.text.x = element_text(angle = 90, vjust = 0.25, hjust = 1), + legend.position = "top") + +ggsave(paste0(pad_figuren, "biomassa_sleutelsoorten_EMSE_zoet.jpg"), width = 6, height = 8) + +``` + + + + +#### aantallen en biomassa per saliniteit en dieet + +```{r aantallen en biomassa per salgroep} + +relatieve_aantallen_salgroep <- + data_fuiken %>% + left_join(locatie_scheldezone) %>% + filter(aantal > 0) %>% + group_by(jaar, scheldezone, soort, salgroep) %>% + summarise(aantal_per_fuikdag = mean(aantal_per_fuikdag), + gewicht_per_fuikdag = mean(gewicht_per_fuikdag)) %>% + ungroup() %>% + group_by(jaar, scheldezone, salgroep) %>% + mutate(aantal_per_fuikdag_tot = sum(aantal_per_fuikdag), + gewicht_per_fuikdag_tot = sum(gewicht_per_fuikdag)) %>% + ungroup() %>% + mutate(relatief_aantal = aantal_per_fuikdag/aantal_per_fuikdag_tot, + relatief_gewicht = gewicht_per_fuikdag/gewicht_per_fuikdag_tot) %>% + mutate(max_aantal = relatief_aantal >= prop_lim, + max_gewicht = relatief_gewicht >= prop_lim) %>% + group_by(soort) %>% + mutate(soort = ifelse(any(max_aantal) | any(max_gewicht), soort, "rest")) %>% + ungroup() %>% + group_by(jaar, scheldezone, soort, salgroep) %>% + summarise(aantal_per_fuikdag_tot = mean(aantal_per_fuikdag_tot), + gewicht_per_fuikdag_tot = mean(gewicht_per_fuikdag_tot), + aantal_per_fuikdag = sum(aantal_per_fuikdag), + gewicht_per_fuikdag = sum(gewicht_per_fuikdag), + relatief_aantal = aantal_per_fuikdag/aantal_per_fuikdag_tot, + relatief_gewicht = gewicht_per_fuikdag/gewicht_per_fuikdag_tot) %>% + ungroup() %>% + mutate(scheldezone = factor(scheldezone, levels = levels_scheldezone), + scheldezone = recode_factor(scheldezone, !!!levels_scheldezone_full), + soort = factor(soort, + levels = unique(soort) %>% + sort() %>% + setdiff("rest") %>% + c(., "rest")), + salgroep = factor(salgroep, levels = c("mariene en estuariene soorten", "diadrome soorten", "zoetwatersoorten"))) + + +data_split <- + relatieve_aantallen_salgroep %>% + group_by(salgroep) %>% + nest() + +data_split <- + data_split %>% + mutate(legend = + map2(salgroep, data, + function(ind, dat) { + pal_split <- + my_pal_wes[names(my_pal_wes) %in% unique(dat$soort)] + plt <- + dat %>% + ggplot(aes(jaar, aantal_per_fuikdag*mult_fuik, fill = soort)) + + geom_col(position = position_stack(), + width = 0.7, + alpha = 0.9) + + scale_x_continuous(breaks = + seq(ifelse(vroegste_jaar %% 2 == 0, vroegste_jaar, vroegste_jaar + 1), laatste_jaar, 2)) + + scale_fill_manual(values = pal_split) + + labs(y = get_lab_aantal(), + fill = ind) + + guides(fill=guide_legend(nrow=6)) + + theme(#rect = element_blank(), + # rect = element_rect(fill = 'transparent', colour = NA_character_), + legend.justification = c(0,1), + # legend.title = element_text(size = 8), + # legend.text = element_text(size = 8), + # legend.background = element_rect(fill = 'transparent', colour = NA_character_), + legend.box.background = element_rect(fill = 'transparent', colour = NA_character_)) + plt %>% + get_legend() + })) + +ggp_all <- + relatieve_aantallen_salgroep %>% + ggplot(aes(jaar, aantal_per_fuikdag*mult_fuik, fill = soort, color = soort)) + + geom_col(width = 0.7, + alpha = 0.9, + linewidth = 0.1) + + scale_x_continuous(breaks = seq(ifelse(vroegste_jaar %% 2 == 0, vroegste_jaar, vroegste_jaar + 1), laatste_jaar, 2)) + + # scale_y_log10() + + # scale_fill_brewer(palette = "Paired") + + scale_fill_manual(values = my_pal_wes) + + scale_color_manual(values = my_pal_wes) + + labs(# title = "estuariene soorten en mariene migranten", + y = get_lab_aantal()) + + facet_grid(salgroep ~ scheldezone, scales = "free_y") + + theme(legend.position = "none", + axis.text = element_text(size = 10), + axis.text.x = element_text(angle = 90, vjust = 0.5), + strip.text = element_text(size = 11)) + + +plot_grid(ggp_all, + NULL, + plot_grid(NULL, + plot_grid(plotlist = data_split$legend[sort.list(data_split$salgroep)], + align = "h", ncol = 1), + NULL, + ncol = 1, rel_heights = c(0.07,1,0.1)), + ncol = 3, rel_widths = c(1.4,0.05,0.6)) + +ggsave(paste0(pad_figuren, "EMSE_alternatief/relatieve_aantallen_tot_aantal_salgroep.jpg"), width = 15, height = 8, bg = "white") + + +ggp_all <- + relatieve_aantallen_salgroep %>% + ggplot(aes(jaar, gewicht_per_fuikdag*mult_fuik, fill = soort, color = soort)) + + geom_col(width = 0.7, + alpha = 0.9, + linewidth = 0.1) + + scale_x_continuous(breaks = seq(ifelse(vroegste_jaar %% 2 == 0, vroegste_jaar, vroegste_jaar + 1), laatste_jaar, 2)) + + # scale_y_log10() + + # scale_fill_brewer(palette = "Paired") + + scale_fill_manual(values = my_pal_wes) + + scale_color_manual(values = my_pal_wes) + + labs(# title = "estuariene soorten en mariene migranten", + y = get_lab_gewicht()) + + facet_grid(salgroep ~ scheldezone, scales = "free_y") + + theme(legend.position = "none", + axis.text = element_text(size = 10), + axis.text.x = element_text(angle = 90, vjust = 0.5), + strip.text = element_text(size = 11)) + + +plot_grid(ggp_all, + NULL, + plot_grid(NULL, + plot_grid(plotlist = data_split$legend[sort.list(data_split$salgroep)], + align = "h", ncol = 1), + NULL, + ncol = 1, rel_heights = c(0.07,1,0.1)), + ncol = 3, rel_widths = c(1.4,0.05,0.6)) + +ggsave(paste0(pad_figuren, "EMSE_alternatief/relatieve_biomassa_tot_biomassa_salgroep.jpg"), width = 15, height = 8, bg = "white") + +``` + + +```{r aantallen en biomassa per dieet} + +relatieve_aantallen_dieet <- + data_fuiken %>% + left_join(locatie_scheldezone) %>% + filter(aantal > 0) %>% + group_by(jaar, scheldezone, soort, dieet) %>% + summarise(aantal_per_fuikdag = mean(aantal_per_fuikdag), + gewicht_per_fuikdag = mean(gewicht_per_fuikdag)) %>% + ungroup() %>% + group_by(jaar, scheldezone, dieet) %>% + mutate(aantal_per_fuikdag_tot = sum(aantal_per_fuikdag), + gewicht_per_fuikdag_tot = sum(gewicht_per_fuikdag)) %>% + ungroup() %>% + mutate(relatief_aantal = aantal_per_fuikdag/aantal_per_fuikdag_tot, + relatief_gewicht = gewicht_per_fuikdag/gewicht_per_fuikdag_tot) %>% + mutate(max_aantal = relatief_aantal >= prop_lim, + max_gewicht = relatief_gewicht >= prop_lim) %>% + group_by(soort) %>% + mutate(soort = ifelse(any(max_aantal) | any(max_gewicht), soort, "rest")) %>% + ungroup() %>% + group_by(jaar, scheldezone, soort, dieet) %>% + summarise(aantal_per_fuikdag_tot = mean(aantal_per_fuikdag_tot), + gewicht_per_fuikdag_tot = mean(gewicht_per_fuikdag_tot), + aantal_per_fuikdag = sum(aantal_per_fuikdag), + gewicht_per_fuikdag = sum(gewicht_per_fuikdag), + relatief_aantal = aantal_per_fuikdag/aantal_per_fuikdag_tot, + relatief_gewicht = gewicht_per_fuikdag/gewicht_per_fuikdag_tot) %>% + ungroup() %>% + mutate(scheldezone = factor(scheldezone, levels = levels_scheldezone), + scheldezone = recode_factor(scheldezone, !!!levels_scheldezone_full), + soort = factor(soort, + levels = unique(soort) %>% + sort() %>% + setdiff("rest") %>% + c(., "rest")), + dieet = factor(dieet, levels = c("benthivoren", "omnivoren", "piscivoren", "planktivoren"))) + + +data_split <- + relatieve_aantallen_dieet %>% + group_by(dieet) %>% + nest() + +data_split <- + data_split %>% + mutate(legend = + map2(dieet, data, + function(ind, dat) { + pal_split <- + my_pal_wes[names(my_pal_wes) %in% unique(dat$soort)] + plt <- + dat %>% + ggplot(aes(jaar, aantal_per_fuikdag*mult_fuik, fill = soort)) + + geom_col(position = position_stack(), + width = 0.7, + alpha = 0.9) + + scale_x_continuous(breaks = + seq(ifelse(vroegste_jaar %% 2 == 0, vroegste_jaar, vroegste_jaar + 1), laatste_jaar, 2)) + + scale_fill_manual(values = pal_split) + + labs(y = get_lab_aantal(), + fill = ind) + + guides(fill=guide_legend(nrow=5)) + + theme(#rect = element_blank(), + # rect = element_rect(fill = 'transparent', colour = NA_character_), + legend.justification = c(0,1), + # legend.title = element_text(size = 8), + # legend.text = element_text(size = 8), + # legend.background = element_rect(fill = 'transparent', colour = NA_character_), + legend.box.background = element_rect(fill = 'transparent', colour = NA_character_)) + plt %>% + get_legend() + })) + +ggp_all <- + relatieve_aantallen_dieet %>% + ggplot(aes(jaar, aantal_per_fuikdag*mult_fuik, fill = soort, color = soort)) + + geom_col(width = 0.7, + alpha = 0.9, + linewidth = 0.1) + + scale_x_continuous(breaks = seq(ifelse(vroegste_jaar %% 2 == 0, vroegste_jaar, vroegste_jaar + 1), laatste_jaar, 2)) + + # scale_y_log10() + + # scale_fill_brewer(palette = "Paired") + + scale_fill_manual(values = my_pal_wes) + + scale_color_manual(values = my_pal_wes) + + labs(# title = "estuariene soorten en mariene migranten", + y = get_lab_aantal()) + + facet_grid(dieet ~ scheldezone, scales = "free_y") + + theme(legend.position = "none", + axis.text = element_text(size = 10), + axis.text.x = element_text(angle = 90, vjust = 0.5), + strip.text = element_text(size = 11)) + + +plot_grid(ggp_all, + NULL, + plot_grid(NULL, + plot_grid(plotlist = data_split$legend[sort.list(data_split$dieet)], + align = "h", ncol = 1), + NULL, + ncol = 1, rel_heights = c(0.07,1,0.1)), + ncol = 3, rel_widths = c(1.4,0.05,0.6)) + +ggsave(paste0(pad_figuren, "EMSE_alternatief/relatieve_aantallen_tot_aantal_dieet.jpg"), width = 14, height = 8, bg = "white") + + +ggp_all <- + relatieve_aantallen_dieet %>% + ggplot(aes(jaar, gewicht_per_fuikdag*mult_fuik, fill = soort, color = soort)) + + geom_col(width = 0.7, + alpha = 0.9, + linewidth = 0.1) + + scale_x_continuous(breaks = seq(ifelse(vroegste_jaar %% 2 == 0, vroegste_jaar, vroegste_jaar + 1), laatste_jaar, 2)) + + # scale_y_log10() + + # scale_fill_brewer(palette = "Paired") + + scale_fill_manual(values = my_pal_wes) + + scale_color_manual(values = my_pal_wes) + + labs(# title = "estuariene soorten en mariene migranten", + y = get_lab_gewicht()) + + facet_grid(dieet ~ scheldezone, scales = "free_y") + + theme(legend.position = "none", + axis.text = element_text(size = 10), + axis.text.x = element_text(angle = 90, vjust = 0.5), + strip.text = element_text(size = 11)) + + +plot_grid(ggp_all, + NULL, + plot_grid(NULL, + plot_grid(plotlist = data_split$legend[sort.list(data_split$dieet)], + align = "h", ncol = 1), + NULL, + ncol = 1, rel_heights = c(0.07,1,0.1)), + ncol = 3, rel_widths = c(1.4,0.05,0.6)) + +ggsave(paste0(pad_figuren, "EMSE_alternatief/relatieve_biomassa_tot_biomassa_dieet.jpg"), width = 14, height = 8, bg = "white") + +``` + + +#### diversiteit per saliniteit en dieet + +```{r diversiteit per salgroep} + +gemiddeld_diversiteit_salgroep <- + data_fuiken %>% + left_join(locatie_scheldezone) %>% + filter(aantal > 0) %>% + group_by(jaar, scheldezone, soort, salgroep) %>% + summarise(aantal_per_fuikdag = mean(aantal_per_fuikdag)) %>% + ungroup() %>% + group_by(jaar, scheldezone, salgroep) %>% + mutate(relatief_aantal = aantal_per_fuikdag/sum(aantal_per_fuikdag)) %>% + summarise(N = n(), + H_sh = -sum(relatief_aantal*log(relatief_aantal)), + H_gs = 1-sum(relatief_aantal^2), + D_sh = exp(H_sh), + D_gs = 1/(1-H_gs), + E_sh = H_sh/log(N)) %>% + ungroup() %>% + mutate(scheldezone = factor(scheldezone, levels = levels_scheldezone), + scheldezone = recode_factor(scheldezone, !!!levels_scheldezone_full), + salgroep = factor(salgroep, levels = c("mariene en estuariene soorten", "diadrome soorten", "zoetwatersoorten"))) + + +gemiddeld_diversiteit_salgroep %>% + ggplot(aes(jaar, N)) + + geom_col(position = position_dodge(), + color = "steelblue4", + linewidth = 0.5, + width = 0.7, + alpha = 0.25) + + geom_col(aes(y = D_sh), + color = "steelblue4", + linewidth = 0.5, + position = position_dodge(), + width = 0.7, + alpha = 0.8) + + scale_x_continuous(breaks = seq(ifelse(vroegste_jaar%%2 == 0, vroegste_jaar, vroegste_jaar+1), laatste_jaar, 2)) + + # scale_y_log10() + + labs(y = "S -- D") + + facet_grid(salgroep ~ scheldezone, scales = "free_y") + + theme(axis.text = element_text(size = 8), + axis.text.x = element_text(angle = 90, vjust = 0.5)) + +ggsave(paste0(pad_figuren, "EMSE_alternatief/diversiteit_S_D_salgroep.jpg"), width = 10, height = 7) + +``` + + +```{r diversiteit per dieet} + +gemiddeld_diversiteit_dieet <- + data_fuiken %>% + left_join(locatie_scheldezone) %>% + filter(aantal > 0, + !is.na(dieet)) %>% + group_by(jaar, scheldezone, soort, dieet) %>% + summarise(aantal_per_fuikdag = mean(aantal_per_fuikdag)) %>% + ungroup() %>% + group_by(jaar, scheldezone, dieet) %>% + mutate(relatief_aantal = aantal_per_fuikdag/sum(aantal_per_fuikdag)) %>% + summarise(N = n(), + H_sh = -sum(relatief_aantal*log(relatief_aantal)), + H_gs = 1-sum(relatief_aantal^2), + D_sh = exp(H_sh), + D_gs = 1/(1-H_gs), + E_sh = H_sh/log(N)) %>% + ungroup() %>% + mutate(scheldezone = factor(scheldezone, levels = levels_scheldezone), + scheldezone = recode_factor(scheldezone, !!!levels_scheldezone_full), + dieet = factor(dieet, levels = c("benthivoren", "omnivoren", "piscivoren", "planktivoren"))) + + +gemiddeld_diversiteit_dieet %>% + ggplot(aes(jaar, N)) + + geom_col(position = position_dodge(), + color = "steelblue4", + linewidth = 0.5, + width = 0.7, + alpha = 0.25) + + geom_col(aes(y = D_sh), + color = "steelblue4", + linewidth = 0.5, + position = position_dodge(), + width = 0.7, + alpha = 0.8) + + scale_x_continuous(breaks = seq(ifelse(vroegste_jaar%%2 == 0, vroegste_jaar, vroegste_jaar+1), laatste_jaar, 2)) + + # scale_y_log10() + + labs(y = "S -- D") + + facet_grid(dieet ~ scheldezone, scales = "free_y") + + theme(axis.text = element_text(size = 8), + axis.text.x = element_text(angle = 90, vjust = 0.5)) + +ggsave(paste0(pad_figuren, "EMSE_alternatief/diversiteit_S_D_dieet.jpg"), width = 7, height = 6) + +``` + + +```{r tabellen per saliniteit en dieet} + +sheets_figuren[["aantallen_en_gewichten_salgroep"]] <- + relatieve_aantallen_salgroep %>% + select(jaar, scheldezone, soort, salgroep, + relatief_aantal, aantal_per_fuikdag, relatief_gewicht, gewicht_per_fuikdag) + +sheets_figuren[["aantallen_en_gewichten_dieet"]] <- + relatieve_aantallen_dieet %>% + select(jaar, scheldezone, soort, dieet, + relatief_aantal, aantal_per_fuikdag, relatief_gewicht, gewicht_per_fuikdag) + +sheets_figuren[["diversieit_salgroep"]] <- + gemiddeld_diversiteit_salgroep %>% + select(jaar, scheldezone, salgroep, + N, D_sh) + +sheets_figuren[["diversieit_dieet"]] <- + gemiddeld_diversiteit_dieet %>% + select(jaar, scheldezone, dieet, + N, D_sh) + +``` + + +#### wegschrijven tabellen en metadata + +```{r wegschrijven tabellen} + +write_xlsx(sheets, + paste0(pad_tabellen, "tabellen_vissen.xlsx")) + +write_xlsx(sheets_figuren, + paste0(pad_tabellen, "tabellen_figuren.xlsx")) + +``` + + +```{r meta-data} + +meta_data <- + enframe(c(vroegste_jaar = vroegste_jaar, + laatste_jaar = laatste_jaar, + aantal_soorten = + data_fuiken %>% + filter(!is.na(aantal), + aantal > 0) %>% + distinct(soort) %>% + nrow(), + aantal_soorten_laatste_jaar = + data_fuiken %>% + filter(!is.na(aantal), + aantal > 0, + jaar == laatste_jaar) %>% + distinct(soort) %>% + nrow()), + name = "naam", value = "waarde") + +meta_data %>% + write_delim(paste0(pad_data, "fuiken_meta_data.csv"), + delim = ";") + +``` diff --git a/moneos_2024/090_vissen/41_moneos_analyse_ankerkuil_EMSE.Rmd b/moneos_2024/090_vissen/41_moneos_analyse_ankerkuil_EMSE.Rmd new file mode 100644 index 0000000..6dcf63b --- /dev/null +++ b/moneos_2024/090_vissen/41_moneos_analyse_ankerkuil_EMSE.Rmd @@ -0,0 +1,2122 @@ +--- +params: + hoofdstuk: "090_vissen" +knit: (function(inputFile, encoding) { + rmarkdown::render(inputFile, + encoding=encoding, + output_dir = paste0(rmarkdown::yaml_front_matter(inputFile)$params$hoofdstuk, "/output"))}) +title: "analyse visdata ankerkuil" +output: word_document +editor_options: + chunk_output_type: console +--- + + +```{r setup, include=FALSE} + +knitr::opts_chunk$set(echo = FALSE, error=FALSE, warning=FALSE, message=FALSE, cache=FALSE) + +``` + + +```{r libraries} + +library(tidyverse) +library(lubridate) +library(janitor) +library(readxl) +library(writexl) +# library(yarrr) +library(wesanderson) +library(gridExtra) +library(cowplot) + +library(INBOtheme) +library(inbodb) + +library(rprojroot) ## workaround pad + +conflicted::conflicts_prefer(dplyr::filter) + +``` + + +```{r pad} + +# inlezen van variabelen +# pad naar data : pad_data +# pad naar tabellen : pad_tabellen +# pad naar figuren : pad_figuren + +source(find_root_file("../pad.R", criterion = is_rstudio_project)) + +pad_data <- maak_pad(params$hoofdstuk, "data") +pad_figuren <- maak_pad(params$hoofdstuk, "figuren/ankerkuil") +pad_tabellen <- maak_pad(params$hoofdstuk, "tabellen/ankerkuil") + +``` + + +```{r excel sheets} + +sheets <- NULL +sheets_figuren <- NULL + +``` + + +```{r EMSE tabellen} + +soortenlijst <- + read_xlsx(str_c(pad_data, "soorten_Zeeschelde.xlsx"), sheet = "EMSE") + +sleutelsoorten_EMSE <- + read_xlsx(str_c(pad_data, "sleutelsoorten EMSE.xlsx")) + +# func_groepen_EMSE <- +# read_xlsx(str_c(pad_data, "functionele groepen.xlsx")) %>% +# mutate(Soort = str_to_lower(Soort)) + +levels_indeling <- + c("Mar/Est -- Benth", "Mar/Est -- Omn", "Mar/Est -- Pisc", "Mar/Est -- Plankt", + "Diadr -- Benth", "Diadr -- Omn", "Diadr -- Pisc", "Diadr -- Plankt", + "Zoetw -- Benth", "Zoetw -- Omn", "Zoetw -- Pisc", "Zoetw -- Plankt") + +locatie_scheldezone <- + read_xlsx(str_c(pad_data, "metadata VLIZ/ankerkuil_Zeeschelde_locaties.xlsx")) %>% + mutate(locatie = factor(locatie, levels = locatie[order(Y, decreasing = TRUE)])) %>% + select(locatie, scheldezone_full = EMSE_niveau3) %>% + mutate(scheldezone_full = str_remove(scheldezone_full, " verblijf"), + scheldezone = + case_when( + scheldezone_full == "saliniteitsgradient" ~ "SG", + scheldezone_full == "oligohalien" ~ "OH", + scheldezone_full == "zoet lang" ~ "ZL", + scheldezone_full == "zoet kort" ~ "ZK")) + +levels_locatie <- levels(locatie_scheldezone$locatie) + +levels_seizoen_locatie <- + sapply(c("voorjaar", "zomer", "najaar"), + function(x) paste(x, levels_locatie, sep = "_")) %>% + c() + +levels_scheldezone <- + c("SG", "OH", "ZL", "ZK") + +levels_scheldezone_full <- + c(SG = "saliniteitsgradient", OH = "oligohalien", ZL = "zoet lang", ZK = "zoet kort") + +``` + +##### datasets voor aantal en gewicht: + +```{r inlezen-data} + +(filename <- + list.files(path = pad_data, + pattern = "ankerkuil_Zeeschelde_VLIZ")) %>% + .[str_detect(., "~\\$", negate = TRUE)] + +ankerkuil_aantal <- + read_xlsx(str_c(pad_data, filename), + sheet = "campagnes") %>% + select(ID_afvissing, locatie, datum, jaar, seizoen, getijde, volume) %>% + left_join(read_xlsx(str_c(pad_data, filename), + sheet = "locaties") %>% + select(locatie, OMES, EMSE_niveau3)) %>% + left_join(read_xlsx(str_c(pad_data, filename), + sheet = "aantallen")) %>% + select(-ID_afvissing) %>% + select(locatie, OMES, EMSE_niveau3, datum, jaar, seizoen, everything()) + +ankerkuil_gewicht <- + read_xlsx(str_c(pad_data, filename), + sheet = "campagnes") %>% + select(ID_afvissing, locatie, datum, jaar, seizoen, getijde, volume) %>% + left_join(read_xlsx(str_c(pad_data, filename), + sheet = "locaties") %>% + select(locatie, OMES, EMSE_niveau3)) %>% + left_join(read_xlsx(str_c(pad_data, filename), + sheet = "gewicht")) %>% + select(-ID_afvissing) %>% + select(locatie, OMES, EMSE_niveau3, datum, jaar, seizoen, everything()) + + + +data_ankerkuil <- + ankerkuil_aantal %>% + pivot_longer(cols = -(locatie:volume), + names_to = "soort", + values_to = "aantal") %>% + left_join(ankerkuil_gewicht %>% + pivot_longer(cols = -(locatie:volume), + names_to = "soort", + values_to = "gewicht")) %>% + mutate(gewicht = if_else(aantal == 0, 0, gewicht), + seizoen = factor(seizoen, levels = c("voorjaar", "zomer", "najaar", "winter")), + locatie = factor(locatie, levels = levels_locatie)) %>% + group_by(soort) %>% + mutate(anyN = any(aantal > 0)) %>% + ungroup() %>% + filter(anyN) %>% + select(-anyN) %>% + left_join(soortenlijst %>% + select(-opmerking)) + +``` + + +```{r check eb vloed per locatie en seizoen} + +campagne_dupes <- + data_ankerkuil %>% + select(locatie:getijde) %>% + distinct() %>% + # select(-datum) %>% + get_dupes(locatie, jaar, seizoen) + +``` + + +```{r optellen eb vloed per locatie & campagne} + +(groupvars <- + names(data_ankerkuil) %>% + setdiff(c("datum", "getijde", "volume", "aantal", "gewicht"))) + +# setdiff(names(data_ankerkuil), groupvars) + +data_ankerkuil <- + data_ankerkuil %>% + select(-datum, -getijde) %>% + group_by(across(all_of(groupvars))) %>% + summarise(across(everything(), sum)) %>% + ungroup() + +dupes_na <- + data_ankerkuil %>% + select(locatie:seizoen) %>% + distinct() %>% + get_dupes(locatie, jaar, seizoen) + +``` + + +```{r variabelen & functies} + +vroegste_jaar <- + data_ankerkuil %>% + pull(jaar) %>% + min() + +laatste_jaar <- + data_ankerkuil %>% + pull(jaar) %>% + max() + +mult_kub <- 1000 +prop_lim <- 0.1 + + +get_lab_aantal <- + function() { + if (mult_kub > 1) + lab <- expr(paste("gem. aantal ind. / ", !!mult_kub, m^3)) + else + lab <- expr(paste("gem. aantal ind. / ", m^3)) + lab + } + +get_lab_gewicht <- + function() { + if (mult_kub > 1) + lab <- expr(paste("gem. biomassa [g/", !!mult_kub, m^3, "]")) + else + lab <- expr(paste("gem. biomassa [g/", m^3, "]")) + lab + } + +# get_lab_aantal() +# get_lab_gewicht() + +``` + + +```{r selectie data} + +data_ankerkuil <- + data_ankerkuil %>% + filter(seizoen != "winter") + +``` + + +```{r kleurcodes soorten} + +load(file = str_c(pad_data, "soorten_kleur.RData")) + +# set.seed(58) +# set.seed(61) +# set.seed(73) +# set.seed(76) + +# my_pal_wes <- +# c(wes_palette("Darjeeling1", +# type = "continuous", +# n = length(soorten_kleur)) %>% +# unname() %>% +# sample(), +# "darkslategrey") +# names(my_pal_wes) <- +# c(soorten_kleur, "rest") + + + my_pal_wes <- + c(soorten_indeling_kleur$kleur, + "azure", + "darkslategrey") + names(my_pal_wes) <- + c(soorten_indeling_kleur$soort, "haringachtigen", "rest") + +``` + + +```{r enkel-vissen} + +soorten <- + data_ankerkuil %>% + distinct(soort) %>% + pull(soort) + +# soorten_invertebraten <- +# c("wolhandkrab", "grijze garnalen", "steurgarnalen", "gammarus", "noordzeekrab", "japanse steurgarnaal", "penseelkrab") + +soorten_invertebraten <- + soorten %>% + keep(~ str_detect(., "garnaal|garnalen|gammarus|krab|kreeft|inktvis|octopus|zeekat")) + +soorten_vis <- + setdiff(soorten, soorten_invertebraten) %>% + {.[order(.)]} + +data_ankerkuil <- + data_ankerkuil %>% + filter(soort %in% soorten_vis) + + +# soortenlijst <- +# read_xlsx(str_c(pad_data, "soorten_Zeeschelde.xlsx"), +# sheet = "EMSE") %>% +# select(-inEMSE, -exoot, -opmerking) +# +# soorten_fuiken_sheet <- +# soortenlijst %>% +# filter(!is.na(ankerkuil)) %>% +# pull(soort) +# +# setdiff(soorten_fuiken_sheet, soorten_vis) +# setdiff(soorten_vis, soorten_fuiken_sheet) + +``` + + +```{r salgroep en dieet haringachtigen} + +soortenlijst %>% + filter(soort %in% c("haring", "sprot")) + +data_ankerkuil <- + data_ankerkuil %>% + mutate(salgroep = if_else(soort == "haringachtigen", "mariene migranten", salgroep), + dieet = if_else(soort == "haringachtigen", "planktivoren", dieet)) + +``` + + +```{r aantal-en-gewicht-per-kub} + +data_ankerkuil <- + data_ankerkuil %>% + mutate(aantal_per_kub = aantal/volume, + gewicht_per_kub = gewicht/volume) + +``` + + +```{r indeling EMSE rapportage} + +indeling_EMSE_full <- + expand_grid(nesting(salgroep = c("mariene en estuariene soorten", "diadrome soorten", "zoetwatersoorten"), + sal_kort = c("Mar/Est", "Diadr", "Zoetw")), + nesting(dieet = c("benthivoren", "omnivoren", "planktivoren", "piscivoren"), + dieet_kort = c("Benth", "Omn", "Plankt", "Pisc"))) %>% + mutate(indeling = str_c(sal_kort, dieet_kort, sep = " -- ")) + +data_ankerkuil %>% + distinct(salgroep) + +data_ankerkuil %>% + distinct(dieet) + +data_ankerkuil <- + data_ankerkuil %>% + mutate(salgroep_detail = salgroep, + salgroep = case_when( + salgroep_detail %in% c("mariene migranten", "mariene dwaalgasten", "estuarien residenten") ~ "mariene en estuariene soorten", + salgroep_detail %in% c("diadromen") ~ "diadrome soorten", + salgroep_detail %in% c("zoetwatersoorten") ~ "zoetwatersoorten" + )) %>% + left_join(indeling_EMSE_full) %>% + mutate(indeling = factor(indeling, levels = levels_indeling), + in_indeling = !is.na(indeling)) %>% + left_join(sleutelsoorten_EMSE %>% select(-scheldezone) %>% rename(indeling_SL = indeling)) + +indeling_EMSE_soort <- + data_ankerkuil %>% + distinct(soort, salgroep, dieet, in_indeling, indeling, indeling_SL) + +indeling_EMSE_groep <- + data_ankerkuil %>% + distinct(salgroep, dieet, indeling) + +indeling_EMSE_missing <- + indeling_EMSE_full %>% + select(salgroep, dieet, indeling) %>% + anti_join(indeling_EMSE_groep) + +# levels(data_ankerkuil$indeling) +# levels(indeling_EMSE$indeling) + +``` + +#### relatie aantal - gewicht + +```{r relatie-aantal-gewicht, eval = FALSE} + +data_ankerkuil %>% + ggplot(aes(aantal + 1, gewicht + 1)) + + geom_point() + + geom_smooth(span = 10, se = FALSE) + + scale_x_log10(breaks = c(0,1,10,100,1000,10000,100000,1000000,10000000) + 1, labels = function(x) x-1) + + scale_y_log10(breaks = c(0,1,10,100,1000,10000,100000,1000000,10000000) + 1, labels = function(x) x-1) + + labs(x = "aantal", + y = "gewicht") + + facet_wrap(~soort, + scales = "free", + ncol = 8) + +# # ggsave(paste0(pad_figuren, "relatie_aantal_gewicht.jpg")) + +``` + + +#### aantal soorten + +```{r aantal-soorten} + +aantal_soorten_seizoen_locatie <- + data_ankerkuil %>% + filter(soort != "haringachtigen") %>% + filter(aantal > 0) %>% + distinct(jaar, seizoen, locatie, soort) %>% + count(jaar, seizoen, locatie, name = "soorten") %>% + bind_rows(data_ankerkuil %>% + filter(soort != "haringachtigen") %>% + filter(aantal > 0) %>% + distinct(jaar, locatie, soort) %>% + count(jaar, locatie, name = "soorten") %>% + mutate(seizoen = "totaal over seizoenen")) %>% + bind_rows(data_ankerkuil %>% + filter(soort != "haringachtigen") %>% + filter(aantal > 0) %>% + distinct(jaar, seizoen, soort) %>% + count(jaar, seizoen, name = "soorten") %>% + mutate(locatie = "totaal over locaties")) %>% + bind_rows(data_ankerkuil %>% + filter(soort != "haringachtigen") %>% + filter(aantal > 0) %>% + distinct(jaar, soort) %>% + count(jaar, name = "soorten") %>% + mutate(seizoen = "totaal over seizoenen", + locatie = "totaal over locaties")) %>% + mutate(seizoen = factor(seizoen, levels = c("voorjaar", "zomer", "najaar", "winter", "totaal over seizoenen")), + locatie = factor(locatie, levels = c(levels_locatie, "totaal over locaties"))) + +aantal_soorten_seizoen_locatie %>% + ggplot(aes(jaar, soorten)) + + geom_col(position = position_dodge(width = 0.8), + color = "steelblue4", + linewidth = 0.5, + width = 0.7, + alpha = 0.8) + + geom_text(aes(y = soorten + 3, label = soorten), + position = position_dodge(width = 0.8), + size = 3, color = "steelblue4") + + scale_x_continuous(breaks = seq(ifelse(vroegste_jaar%%2 == 0, vroegste_jaar, vroegste_jaar+1), laatste_jaar, 2)) + + # labs(fill = "jaar", + # color = "jaar") + + # guides(fill="none", + # color = "none") + + facet_grid(seizoen ~ locatie) + + theme(strip.text = element_text(size = 12)) + +ggsave(paste0(pad_figuren, "aantal_soorten_seizoen_locatie.jpg"), width = 10, height = 8) + + +aantal_soorten_seizoen <- + data_ankerkuil %>% + filter(soort != "haringachtigen") %>% + filter(aantal > 0) %>% + distinct(jaar, seizoen, locatie, soort) %>% + count(jaar, seizoen, locatie, name = "soorten") %>% + group_by(jaar, seizoen) %>% + summarise(soorten = round(mean(soorten))) %>% + ungroup() %>% + bind_rows(data_ankerkuil %>% + filter(soort != "haringachtigen") %>% + filter(aantal > 0) %>% + distinct(jaar, locatie, soort) %>% + count(jaar, locatie, name = "soorten") %>% + group_by(jaar) %>% + summarise(soorten = round(mean(soorten))) %>% + ungroup() %>% + mutate(seizoen = "totaal over seizoenen")) %>% + mutate(seizoen = factor(seizoen, levels = c("voorjaar", "zomer", "najaar", "totaal over seizoenen"))) + +aantal_soorten_seizoen %>% + ggplot(aes(seizoen, soorten, fill = ordered(jaar), color = ordered(jaar))) + + geom_col(position = position_dodge(width = 0.8), + width = 0.6, + alpha = 0.8) + + geom_text(aes(y = soorten + 1, label = soorten), + position = position_dodge(width = 0.8), + size = 2, color = "steelblue4") + + labs(fill = "jaar", + color = "jaar") + +ggsave(paste0(pad_figuren, "aantal_soorten_seizoen.jpg"), width = 10, height = 5) + + +aantal_soorten_locatie <- + data_ankerkuil %>% + filter(soort != "haringachtigen") %>% + filter(aantal > 0) %>% + distinct(jaar, seizoen, locatie, soort) %>% + count(jaar, seizoen, locatie, name = "soorten") %>% + group_by(jaar, locatie) %>% + summarise(soorten_gem = round(mean(soorten))) %>% + ungroup() %>% + left_join(data_ankerkuil %>% + filter(soort != "haringachtigen") %>% + filter(aantal > 0) %>% + distinct(jaar, locatie, soort) %>% + count(jaar, locatie, name = "soorten_tot")) %>% + bind_rows(data_ankerkuil %>% + filter(soort != "haringachtigen") %>% + filter(aantal > 0) %>% + distinct(jaar, seizoen, soort) %>% + count(jaar, seizoen, name = "soorten") %>% + group_by(jaar) %>% + summarise(soorten_gem = round(mean(soorten))) %>% + ungroup() %>% + mutate(locatie = "totaal over locaties") %>% + left_join(data_ankerkuil %>% + filter(soort != "haringachtigen") %>% + filter(aantal > 0) %>% + distinct(jaar, soort) %>% + count(jaar, name = "soorten_tot") %>% + mutate(locatie = "totaal over locaties"))) %>% + mutate(locatie = factor(locatie, levels = c(levels_locatie, "totaal over locaties"))) + +aantal_soorten_locatie %>% + ggplot(aes(locatie, soorten_gem, group = jaar)) + + geom_col(position = position_dodge(width = 0.8), + width = 0.6, + linewidth = 1) + + geom_col(aes(y = soorten_tot, fill = ordered(jaar), color = ordered(jaar)), + position = position_dodge(width = 0.8), + width = 0.6, + linewidth = 1, + alpha = 0.75) + + geom_text(aes(y = soorten_tot + 1, label = soorten_tot), + position = position_dodge(width = 0.8), + size = 2, color = "steelblue4", fontface = "bold") + + labs(fill = "jaar", + color = "jaar") + +ggsave(paste0(pad_figuren, "aantal_soorten_locatie.jpg"), width = 12, height = 5) + + +aantal_soorten_totaal <- + data_ankerkuil %>% + filter(soort != "haringachtigen") %>% + filter(aantal > 0) %>% + distinct(jaar, soort) %>% + count(jaar, name = "soorten") + +aantal_soorten_totaal %>% + ggplot(aes(jaar, soorten)) + + geom_col(position = position_dodge(width = 0.8), + color = "steelblue4", + linewidth = 0.5, + width = 0.7, + alpha = 0.8) + + geom_text(aes(y = soorten + 2, label = soorten), + position = position_dodge(width = 0.8), + size = 3, color = "steelblue4") + + scale_x_continuous(breaks = seq(ifelse(vroegste_jaar%%2 == 0, vroegste_jaar, vroegste_jaar+1), laatste_jaar, 2)) + + # labs(fill = "jaar", + # color = "jaar") + + guides(fill="none", + color = "none") + +ggsave(paste0(pad_figuren, "aantal_soorten_totaal.jpg"), width = 6, height = 4) + + +sheets_figuren[["aantal_soorten_seizoen_locatie"]] <- + aantal_soorten_seizoen_locatie %>% + pivot_wider(id_cols = c(jaar, seizoen), + names_from = locatie, + values_from = soorten) + +sheets_figuren[["aantal_soorten_seizoen"]] <- + aantal_soorten_seizoen %>% + pivot_wider(id_cols = c(jaar), + names_from = seizoen, + values_from = soorten) + +sheets_figuren[["aantal_soorten_locatie"]] <- + aantal_soorten_locatie +# %>% +# pivot_wider(id_cols = c(jaar), +# names_from = locatie, +# values_from = soorten) + +sheets_figuren[["aantal_soorten_totaal"]] <- + aantal_soorten_totaal + +``` + + +```{r overzicht-aantal-soorten} + +tabel_aantal_soorten <- + data_ankerkuil %>% + filter(soort != "haringachtigen") %>% + filter(jaar == laatste_jaar, + aantal > 0) %>% + distinct(seizoen, locatie, soort) %>% + count(seizoen, locatie, name = "soorten") %>% + bind_rows(data_ankerkuil %>% + filter(soort != "haringachtigen") %>% + filter(jaar == laatste_jaar, + aantal > 0) %>% + distinct(locatie, soort) %>% + count(locatie, name = "soorten") %>% + mutate(seizoen = "totaal over seizoenen")) %>% + bind_rows(data_ankerkuil %>% + filter(soort != "haringachtigen") %>% + filter(jaar == laatste_jaar, + aantal > 0) %>% + distinct(seizoen, soort) %>% + count(seizoen, name = "soorten") %>% + mutate(locatie = "totaal over locaties")) %>% + bind_rows(data_ankerkuil %>% + filter(soort != "haringachtigen") %>% + filter(jaar == laatste_jaar, + aantal > 0) %>% + distinct(soort) %>% + count(name = "soorten") %>% + mutate(seizoen = "totaal over seizoenen", + locatie = "totaal over locaties")) %>% + mutate(seizoen = factor(seizoen, levels = c("voorjaar", "zomer", "najaar", "totaal over seizoenen")), + locatie = factor(locatie, levels = c(levels_locatie, "totaal over locaties"))) %>% + pivot_wider(id_cols = locatie, names_from = seizoen, values_from = soorten) %>% + arrange(locatie) + +knitr::kable(tabel_aantal_soorten) + +sheets[["aantal_soorten"]] <- tabel_aantal_soorten + +``` + + +#### overzicht gevangen soorten + +```{r overzicht-gevangen-soorten} + +tabel_gevangen_soorten <- + data_ankerkuil %>% + filter(soort != "haringachtigen") %>% + filter(jaar == laatste_jaar, + aantal > 0) %>% + mutate(seizoen_locatie = factor(paste(seizoen, locatie, sep = "_"), + levels = levels_seizoen_locatie)) %>% + select(seizoen_locatie, soort) %>% + mutate(aanwezig = "x") %>% + pivot_wider(id_cols = soort, + names_from = seizoen_locatie, + values_from = aanwezig, + values_fill = "") %>% + select(soort, all_of(levels_seizoen_locatie)) + +knitr::kable(tabel_gevangen_soorten) + +sheets[["gevangen_soorten"]] <- tabel_gevangen_soorten + +``` + + +#### nieuwe soorten + +```{r nieuwe soorten} + +(soorten_historisch <- + data_ankerkuil %>% + filter(soort != "haringachtigen") %>% + filter(jaar != laatste_jaar, + aantal > 0) %>% + distinct(soort) %>% + pull() %>% + sort()) + +(soorten_recent <- + data_ankerkuil %>% + filter(soort != "haringachtigen") %>% + filter(jaar == laatste_jaar, + aantal > 0) %>% + distinct(soort) %>% + pull() %>% + sort()) + +(soorten_nieuw <- + setdiff(soorten_recent, soorten_historisch)) + +data_soorten_nieuw <- + data_ankerkuil %>% + filter(soort != "haringachtigen") %>% + left_join(locatie_scheldezone) %>% + filter(jaar == laatste_jaar, + aantal > 0, + soort %in% soorten_nieuw) + +if (nrow(data_soorten_nieuw) > 0) { + data_soorten_nieuw %>% + ggplot(aes(seizoen, aantal)) + + geom_col(aes(fill = soort)) + + facet_wrap(~locatie) +} + +sheets[["nieuwe_soorten"]] <- + data_soorten_nieuw %>% + select(locatie, OMES, EMSE_niveau3, jaar, seizoen, soort, wetensch_naam, salgroep, dieet, + volume, aantal, gewicht, aantal_per_kub, gewicht_per_kub) + +``` + +#### relatief aantal gevangen individuen + +```{r relatief-aantal-gevangen-individuen, fig.height=6, fig.width=6} + +relatief_aantal_laatste_jaar <- + data_ankerkuil %>% + filter(jaar == laatste_jaar) %>% + group_by(seizoen, locatie) %>% + mutate(relatief_aantal_laatste_jaar = aantal/sum(aantal), + relatief_gewicht_laatste_jaar = gewicht/sum(gewicht)) %>% + ungroup() %>% + group_by(soort) %>% + mutate(soort2 = ifelse(any(relatief_aantal_laatste_jaar >= prop_lim) | any(relatief_gewicht_laatste_jaar >= prop_lim), soort, "rest")) %>% + ungroup() %>% + group_by(seizoen, locatie, soort2) %>% + summarise(aantal = sum(aantal)) %>% + ungroup() %>% + group_by(seizoen, locatie) %>% + mutate(soort2 = soort2, + aantal = round(aantal/sum(aantal)*100)) %>% + ungroup() %>% + rename(soort = soort2) %>% + mutate(soort = factor(soort, + levels = unique(soort) %>% + sort() %>% + setdiff("rest") %>% + c(., "rest"))) + +# my_pal_wes <- +# c(wes_palette("Darjeeling1", +# type = "continuous", +# n = length(levels(relatief_aantal_laatste_jaar$soort)) - 1) %>% +# unname(), +# "darkslategrey") +# names(my_pal_wes) <- +# levels(relatief_aantal_laatste_jaar$soort) + +the_pal <- + my_pal_wes[names(my_pal_wes) %in% unique(relatief_aantal_laatste_jaar$soort)] + +relatief_aantal_laatste_jaar %>% + mutate(aantal = if_else(aantal == 0, NA_real_, aantal)) %>% + ggplot(aes(x ="", y = aantal, fill = soort)) + + geom_col(position = "fill") + + # geom_text(aes(label = soort), + # size = 3) + + geom_text(aes(label = aantal, size = aantal), + position = position_fill(vjust = 0.5), + show.legend = FALSE) + + coord_polar("y", start=0) + + facet_grid(locatie ~ seizoen) + + labs(x = NULL, + y = NULL) + + scale_x_discrete(breaks = NULL) + + scale_y_continuous(breaks = NULL) + + scale_fill_manual(values = the_pal) + + theme( + # legend.position = "bottom", + legend.title = element_blank()) + +ggsave(paste0(pad_figuren, "relatief_aantal_gevangen_individuen.jpg")) + +``` + + +#### relatieve biomassa gevangen individuen + +```{r relatieve-biomassa-gevangen-individuen, fig.height=6, fig.width=6} + +relatief_gewicht_laatste_jaar <- + data_ankerkuil %>% + filter(jaar == laatste_jaar) %>% + group_by(seizoen, locatie) %>% + mutate(relatief_aantal_laatste_jaar = aantal/sum(aantal), + relatief_gewicht_laatste_jaar = gewicht/sum(gewicht)) %>% + ungroup() %>% + group_by(soort) %>% + mutate(soort2 = ifelse(any(relatief_aantal_laatste_jaar >= prop_lim) | any(relatief_gewicht_laatste_jaar >= prop_lim), soort, "rest")) %>% + ungroup() %>% + group_by(seizoen, locatie, soort2) %>% + summarise(gewicht = sum(gewicht)) %>% + ungroup() %>% + group_by(seizoen, locatie) %>% + mutate(soort2 = soort2, + gewicht = round(gewicht/sum(gewicht)*100)) %>% + ungroup() %>% + rename(soort = soort2) %>% + mutate(soort = factor(soort, + levels = unique(soort) %>% + sort() %>% + setdiff("rest") %>% + c(., "rest"))) + +# my_pal_wes <- +# c(wes_palette("Darjeeling1", +# type = "continuous", +# n = length(levels(relatief_gewicht_laatste_jaar$soort)) - 1) %>% +# unname(), +# "darkslategrey") +# names(my_pal_wes) <- +# levels(relatief_gewicht_laatste_jaar$soort) + +the_pal <- + my_pal_wes[names(my_pal_wes) %in% unique(relatief_aantal_laatste_jaar$soort)] + +relatief_gewicht_laatste_jaar %>% + mutate(gewicht = if_else(gewicht == 0, NA_real_, gewicht)) %>% + ggplot(aes(x ="", y = gewicht, fill = soort)) + + geom_col(position = "fill") + + # geom_text(aes(label = soort), + # size = 3) + + geom_text(aes(label = gewicht, size = gewicht), + position = position_fill(vjust = 0.5), + show.legend = FALSE) + + coord_polar("y", start=0) + + facet_grid(locatie ~ seizoen) + + labs(x = NULL, + y = NULL) + + scale_x_discrete(breaks = NULL) + + scale_y_continuous(breaks = NULL) + + scale_fill_manual(values = the_pal) + + theme( + # legend.position = "bottom", + legend.title = element_blank()) + +ggsave(paste0(pad_figuren, "relatieve_biomassa_gevangen_individuen.jpg")) + +``` + + +```{r tabellen relatief aantal en gewicht laatste jaar} + +sheets_figuren[["relatief_aantal_laatste_jaar"]] <- + relatief_aantal_laatste_jaar %>% + pivot_wider(id_cols = c(seizoen, soort), + names_from = locatie, + values_from = aantal) + +sheets_figuren[["relatief_gewicht_laatste_jaar"]] <- + relatief_gewicht_laatste_jaar %>% + pivot_wider(id_cols = c(seizoen, soort), + names_from = locatie, + values_from = gewicht) + +``` + + +#### aantallen EMSE + +```{r aantallen EMSE, eval=FALSE} + +gemiddeld_aantal_EMSE <- + data_ankerkuil %>% + left_join(locatie_scheldezone) %>% + filter(in_indeling) %>% + group_by(jaar, scheldezone, seizoen, locatie, salgroep, dieet, indeling) %>% + summarise(aantal_per_kub = sum(aantal_per_kub)) %>% + ungroup() %>% + group_by(jaar, scheldezone, salgroep, dieet, indeling) %>% + summarise(aantal_per_kub = mean(aantal_per_kub)) %>% + ungroup() %>% + add_row(indeling_EMSE_missing %>% + expand_grid(jaar = vroegste_jaar:laatste_jaar, + scheldezone = unique(locatie_scheldezone$scheldezone))) %>% + mutate(indeling = factor(indeling, levels = levels_indeling), + scheldezone = factor(scheldezone, levels = levels_scheldezone), + scheldezone = recode_factor(scheldezone, !!!levels_scheldezone_full)) + +``` + + +#### gewicht EMSE + +```{r gewicht EMSE, eval=FALSE} + +gemiddeld_gewicht_EMSE <- + data_ankerkuil %>% + left_join(locatie_scheldezone) %>% + filter(in_indeling) %>% + group_by(jaar, scheldezone, seizoen, locatie, salgroep, dieet, indeling) %>% + summarise(gewicht_per_kub = sum(gewicht_per_kub)) %>% + ungroup() %>% + group_by(jaar, scheldezone, salgroep, dieet, indeling) %>% + summarise(gewicht_per_kub = mean(gewicht_per_kub)) %>% + ungroup() %>% + add_row(indeling_EMSE_missing %>% + expand_grid(jaar = vroegste_jaar:laatste_jaar, + scheldezone = unique(locatie_scheldezone$scheldezone))) %>% + mutate(indeling = factor(indeling, levels = levels_indeling), + scheldezone = factor(scheldezone, levels = levels_scheldezone), + scheldezone = recode_factor(scheldezone, !!!levels_scheldezone_full)) + +``` + + +#### diversiteit EMSE + +```{r diversiteit EMSE} + +gemiddeld_diversiteit_EMSE <- + data_ankerkuil %>% + left_join(locatie_scheldezone) %>% + filter(soort != "haringachtigen") %>% + filter(in_indeling) %>% + filter(aantal > 0) %>% + group_by(jaar, scheldezone, soort, salgroep, dieet, indeling) %>% + summarise(aantal_per_kub = mean(aantal_per_kub)) %>% + ungroup() %>% + group_by(jaar, scheldezone, salgroep, dieet, indeling) %>% + mutate(relatief_aantal = aantal_per_kub/sum(aantal_per_kub)) %>% + summarise(N = n(), + H_sh = -sum(relatief_aantal*log(relatief_aantal)), + H_gs = 1-sum(relatief_aantal^2), + D_sh = exp(H_sh), + D_gs = 1/(1-H_gs), + E_sh = H_sh/log(N)) %>% + ungroup() %>% + add_row(indeling_EMSE_missing %>% + expand_grid(jaar = vroegste_jaar:laatste_jaar, + scheldezone = unique(locatie_scheldezone$scheldezone))) %>% + mutate(indeling = factor(indeling, levels = levels_indeling), + scheldezone = factor(scheldezone, levels = levels_scheldezone), + scheldezone = recode_factor(scheldezone, !!!levels_scheldezone_full)) + +gemiddeld_diversiteit_EMSE %>% + filter(str_detect(salgroep, "mari")) %>% + ggplot(aes(jaar, N)) + + geom_col(position = position_dodge(), + color = "steelblue4", + size = 0.5, + width = 0.7, + alpha = 0.25) + + geom_col(aes(y = D_sh), + color = "steelblue4", + size = 0.5, + position = position_dodge(), + width = 0.7, + alpha = 0.8) + + scale_x_continuous(breaks = seq(ifelse(vroegste_jaar%%2 == 0, vroegste_jaar, vroegste_jaar+1), laatste_jaar, 2)) + + # scale_y_log10() + + labs(# title = "estuariene soorten en mariene migranten", + y = "S -- D") + + facet_grid(indeling ~ scheldezone, scales = "free_y") + + theme(axis.text = element_text(size = 8)) + +ggsave(paste0(pad_figuren, "diversiteit_S_D_EMSE_marien.jpg"), width = 10, height = 6) + +gemiddeld_diversiteit_EMSE %>% + filter(str_detect(salgroep, "diadr")) %>% + ggplot(aes(jaar, N)) + + geom_col(position = position_dodge(), + color = "steelblue4", + size = 0.5, + width = 0.7, + alpha = 0.25) + + geom_col(aes(y = D_sh), + color = "steelblue4", + size = 0.5, + position = position_dodge(), + width = 0.7, + alpha = 0.8) + + scale_x_continuous(breaks = seq(ifelse(vroegste_jaar%%2 == 0, vroegste_jaar, vroegste_jaar+1), laatste_jaar, 2)) + + # scale_y_log10() + + labs(# title = "diadrome soorten", + y = "S -- D") + + facet_grid(indeling ~ scheldezone, scales = "free_y") + + theme(axis.text = element_text(size = 8)) + +ggsave(paste0(pad_figuren, "diversiteit_S_D_EMSE_diadroom.jpg"), width = 10, height = 6) + +gemiddeld_diversiteit_EMSE %>% + filter(str_detect(salgroep, "zoet")) %>% + ggplot(aes(jaar, N)) + + geom_col(position = position_dodge(), + color = "steelblue4", + size = 0.5, + width = 0.7, + alpha = 0.25) + + geom_col(aes(y = D_sh), + color = "steelblue4", + size = 0.5, + position = position_dodge(), + width = 0.7, + alpha = 0.8) + + scale_x_continuous(breaks = seq(ifelse(vroegste_jaar%%2 == 0, vroegste_jaar, vroegste_jaar+1), laatste_jaar, 2)) + + # scale_y_log10() + + labs(# title = "zoetwater soorten", + y = "S -- D") + + facet_grid(indeling ~ scheldezone, scales = "free_y") + + theme(axis.text = element_text(size = 8)) + +ggsave(paste0(pad_figuren, "diversiteit_S_D_EMSE_zoet.jpg"), width = 10, height = 6) + +``` + + +#### aantallen en biomassa EMSE per soort + +```{r relatie soortaantallen vs totale aantallen} + +relatieve_aantallen_EMSE <- + data_ankerkuil %>% + left_join(locatie_scheldezone) %>% + filter(in_indeling) %>% + filter(aantal > 0) %>% + group_by(jaar, scheldezone, soort, salgroep, dieet, indeling) %>% + summarise(aantal_per_kub = mean(aantal_per_kub), + gewicht_per_kub = mean(gewicht_per_kub)) %>% + ungroup() %>% + group_by(jaar, scheldezone, salgroep, dieet, indeling) %>% + mutate(aantal_per_kub_tot = sum(aantal_per_kub), + gewicht_per_kub_tot = sum(gewicht_per_kub)) %>% + ungroup() %>% + mutate(relatief_aantal = aantal_per_kub/aantal_per_kub_tot, + relatief_gewicht = gewicht_per_kub/gewicht_per_kub_tot) %>% + mutate(max_aantal = relatief_aantal >= prop_lim, + max_gewicht = relatief_gewicht >= prop_lim) %>% + group_by(soort) %>% + mutate(soort = ifelse(any(max_aantal) | any(max_gewicht), soort, "rest")) %>% + ungroup() %>% + group_by(jaar, scheldezone, soort, salgroep, dieet, indeling) %>% + summarise(aantal_per_kub_tot = mean(aantal_per_kub_tot), + gewicht_per_kub_tot = mean(gewicht_per_kub_tot), + aantal_per_kub = sum(aantal_per_kub), + gewicht_per_kub = sum(gewicht_per_kub), + relatief_aantal = aantal_per_kub/aantal_per_kub_tot, + relatief_gewicht = gewicht_per_kub/gewicht_per_kub_tot) %>% + ungroup() %>% + add_row(indeling_EMSE_missing %>% + expand_grid(jaar = vroegste_jaar:laatste_jaar, + scheldezone = unique(locatie_scheldezone$scheldezone))) %>% + mutate(indeling = factor(indeling, levels = levels_indeling), + scheldezone = factor(scheldezone, levels = levels_scheldezone), + scheldezone = recode_factor(scheldezone, !!!levels_scheldezone_full), + soort = factor(soort, + levels = unique(soort) %>% + sort() %>% + setdiff("rest") %>% + c(., "rest"))) + + +# relatieve_aantallen_EMSE <- +# data_ankerkuil %>% +# left_join(locatie_scheldezone) %>% +# filter(in_indeling) %>% +# filter(aantal > 0) %>% +# group_by(jaar, scheldezone, soort, salgroep, dieet, indeling) %>% +# summarise(aantal_per_kub = mean(aantal_per_kub), +# gewicht_per_kub = mean(gewicht_per_kub)) %>% +# ungroup() %>% +# group_by(jaar, scheldezone, salgroep, dieet, indeling) %>% +# mutate(relatief_aantal = aantal_per_kub/sum(aantal_per_kub), +# relatief_gewicht = gewicht_per_kub/sum(gewicht_per_kub)) %>% +# mutate(max_aantal = relatief_aantal >= prop_lim, +# max_gewicht = relatief_gewicht >= prop_lim) %>% +# ungroup() %>% +# group_by(soort) %>% +# mutate(soort = ifelse(any(max_aantal) | any(max_gewicht), soort, "rest")) %>% +# # mutate(soort = ifelse(any(max_aantal), soort, "rest")) %>% +# ungroup() %>% +# group_by(jaar, scheldezone, salgroep, dieet, indeling) %>% +# mutate(relatief_aantal = relatief_aantal/sum(relatief_aantal), +# relatief_gewicht = relatief_gewicht/sum(relatief_gewicht)) %>% +# ungroup() %>% +# add_row(indeling_EMSE_missing %>% +# expand_grid(jaar = vroegste_jaar:laatste_jaar, +# scheldezone = unique(locatie_scheldezone$scheldezone))) %>% +# mutate(indeling = factor(indeling, levels = levels_indeling), +# scheldezone = factor(scheldezone, levels = levels_scheldezone), +# scheldezone = recode_factor(scheldezone, !!!levels_scheldezone_full), +# soort = factor(soort, +# levels = unique(soort) %>% +# sort() %>% +# setdiff("rest") %>% +# c(., "rest"))) %>% +# select(-aantal_per_kub, -gewicht_per_kub) %>% +# left_join(gemiddeld_aantal_EMSE) %>% +# mutate(aantal_per_kub = relatief_aantal*aantal_per_kub) + + +data_split <- + relatieve_aantallen_EMSE %>% + filter(str_detect(salgroep, "mari")) %>% + group_by(indeling) %>% + nest() + +data_split <- + data_split %>% + mutate(legend = + map2(indeling, data, + function(ind, dat) { + pal_split <- + my_pal_wes[names(my_pal_wes) %in% unique(dat$soort)] + plt <- + dat %>% + ggplot(aes(jaar, aantal_per_kub*mult_kub, fill = soort)) + + geom_col(position = position_stack(), + width = 0.7, + alpha = 0.9) + + scale_x_continuous(breaks = + seq(ifelse(vroegste_jaar %% 2 == 0, vroegste_jaar, vroegste_jaar + 1), laatste_jaar, 2)) + + scale_fill_manual(values = pal_split) + + labs(y = get_lab_aantal(), + fill = ind) + + guides(fill=guide_legend(nrow=4)) + + theme(legend.justification = c(0,1), + legend.box.background = element_rect(fill = 'transparent', colour = NA_character_)) + plt %>% + get_legend() + })) + +ggp_all <- + relatieve_aantallen_EMSE %>% + filter(str_detect(salgroep, "mari")) %>% + ggplot(aes(jaar, aantal_per_kub*mult_kub, fill = soort, color = soort)) + + geom_col(width = 0.7, + alpha = 0.9, + size = 0.1) + + scale_x_continuous(breaks = seq(ifelse(vroegste_jaar %% 2 == 0, vroegste_jaar, vroegste_jaar + 1), laatste_jaar, 2)) + + scale_fill_manual(values = my_pal_wes) + + scale_color_manual(values = my_pal_wes) + + labs(y = get_lab_aantal()) + + facet_grid(indeling ~ scheldezone, scales = "free_y") + + theme(legend.position = "none", + axis.text = element_text(size = 8)) + + +plot_grid(ggp_all, + NULL, + plot_grid(NULL, + plot_grid(plotlist = data_split$legend[sort.list(data_split$indeling)], + align = "h", ncol = 1), + NULL, + ncol = 1, rel_heights = c(0.07,1,0.1)), + ncol = 3, rel_widths = c(1.4,0.05,0.6)) + +ggsave(paste0(pad_figuren, "relatieve_aantallen_tot_aantal_EMSE_marien.jpg"), width = 14, height = 7, bg = "white") + + +data_split <- + relatieve_aantallen_EMSE %>% + filter(str_detect(salgroep, "diadr")) %>% + group_by(indeling) %>% + nest() + +data_split <- + data_split %>% + mutate(legend = + map2(indeling, data, + function(ind, dat) { + pal_split <- + my_pal_wes[names(my_pal_wes) %in% unique(dat$soort)] + plt <- + dat %>% + ggplot(aes(jaar, aantal_per_kub*mult_kub, fill = soort)) + + geom_col(position = position_stack(), + width = 0.7, + alpha = 0.9) + + scale_x_continuous(breaks = + seq(ifelse(vroegste_jaar %% 2 == 0, vroegste_jaar, vroegste_jaar + 1), laatste_jaar, 2)) + + scale_fill_manual(values = pal_split) + + labs(y = get_lab_aantal(), + fill = ind) + + guides(fill=guide_legend(nrow=4)) + + theme(legend.justification = c(0,1), + legend.box.background = element_rect(fill = 'transparent', colour = NA_character_)) + plt %>% + get_legend() + })) + +ggp_all <- + relatieve_aantallen_EMSE %>% + filter(str_detect(salgroep, "diadr")) %>% + ggplot(aes(jaar, aantal_per_kub*mult_kub, fill = soort, color = soort)) + + geom_col(width = 0.7, + alpha = 0.9, + size = 0.1) + + scale_x_continuous(breaks = seq(ifelse(vroegste_jaar %% 2 == 0, vroegste_jaar, vroegste_jaar + 1), laatste_jaar, 2)) + + scale_fill_manual(values = my_pal_wes) + + scale_color_manual(values = my_pal_wes) + + labs(y = get_lab_aantal()) + + facet_grid(indeling ~ scheldezone, scales = "free_y") + + theme(legend.position = "none", + axis.text = element_text(size = 8)) + + +plot_grid(ggp_all, + NULL, + plot_grid(NULL, + plot_grid(plotlist = data_split$legend[sort.list(data_split$indeling)], + align = "h", ncol = 1), + NULL, + ncol = 1, rel_heights = c(0.1,1,0.05)), + ncol = 3, rel_widths = c(1.4,0.05,0.6)) + +ggsave(paste0(pad_figuren, "relatieve_aantallen_tot_aantal_EMSE_diadroom.jpg"), width = 14, height = 7, bg = "white") + + +data_split <- + relatieve_aantallen_EMSE %>% + filter(str_detect(salgroep, "zoet")) %>% + group_by(indeling) %>% + nest() + +data_split <- + data_split %>% + mutate(legend = + map2(indeling, data, + function(ind, dat) { + pal_split <- + my_pal_wes[names(my_pal_wes) %in% unique(dat$soort)] + plt <- + dat %>% + ggplot(aes(jaar, aantal_per_kub*mult_kub, fill = soort)) + + geom_col(position = position_stack(), + width = 0.7, + alpha = 0.9) + + scale_x_continuous(breaks = + seq(ifelse(vroegste_jaar %% 2 == 0, vroegste_jaar, vroegste_jaar + 1), laatste_jaar, 2)) + + scale_fill_manual(values = pal_split) + + labs(y = get_lab_aantal(), + fill = ind) + + guides(fill=guide_legend(nrow=4)) + + theme(legend.justification = c(0,1), + legend.box.background = element_rect(fill = 'transparent', colour = NA_character_)) + plt %>% + get_legend() + })) + +ggp_all <- + relatieve_aantallen_EMSE %>% + filter(str_detect(salgroep, "zoet")) %>% + ggplot(aes(jaar, aantal_per_kub*mult_kub, fill = soort, color = soort)) + + geom_col(width = 0.7, + alpha = 0.9, + size = 0.1) + + scale_x_continuous(breaks = seq(ifelse(vroegste_jaar %% 2 == 0, vroegste_jaar, vroegste_jaar + 1), laatste_jaar, 2)) + + scale_fill_manual(values = my_pal_wes) + + scale_color_manual(values = my_pal_wes) + + labs(y = get_lab_aantal()) + + facet_grid(indeling ~ scheldezone, scales = "free_y") + + theme(legend.position = "none", + axis.text = element_text(size = 8)) + + +plot_grid(ggp_all, + NULL, + plot_grid(NULL, + plot_grid(plotlist = data_split$legend[sort.list(data_split$indeling)], + align = "h", ncol = 1), + NULL, + ncol = 1, rel_heights = c(0.07,1,0.1)), + ncol = 3, rel_widths = c(1.4,0.05,0.6)) + +ggsave(paste0(pad_figuren, "relatieve_aantallen_tot_aantal_EMSE_zoet.jpg"), width = 14, height = 7, bg = "white") + +``` + + +```{r relatie soortbiomassa vs totale biomassa} + +data_split <- + relatieve_aantallen_EMSE %>% + filter(str_detect(salgroep, "mari")) %>% + group_by(indeling) %>% + nest() + +data_split <- + data_split %>% + mutate(legend = + map2(indeling, data, + function(ind, dat) { + pal_split <- + my_pal_wes[names(my_pal_wes) %in% unique(dat$soort)] + plt <- + dat %>% + ggplot(aes(jaar, gewicht_per_kub*mult_kub, fill = soort)) + + geom_col(position = position_stack(), + width = 0.7, + alpha = 0.9) + + scale_x_continuous(breaks = + seq(ifelse(vroegste_jaar %% 2 == 0, vroegste_jaar, vroegste_jaar + 1), laatste_jaar, 2)) + + scale_fill_manual(values = pal_split) + + labs(y = get_lab_gewicht(), + fill = ind) + + guides(fill=guide_legend(nrow=4)) + + theme(legend.justification = c(0,1), + legend.box.background = element_rect(fill = 'transparent', colour = NA_character_)) + plt %>% + get_legend() + })) + +ggp_all <- + relatieve_aantallen_EMSE %>% + filter(str_detect(salgroep, "mari")) %>% + ggplot(aes(jaar, gewicht_per_kub*mult_kub, fill = soort, color = soort)) + + geom_col(width = 0.7, + alpha = 0.9, + size = 0.1) + + scale_x_continuous(breaks = seq(ifelse(vroegste_jaar %% 2 == 0, vroegste_jaar, vroegste_jaar + 1), laatste_jaar, 2)) + + # scale_y_log10() + + # scale_fill_brewer(palette = "Paired") + + scale_fill_manual(values = my_pal_wes) + + scale_color_manual(values = my_pal_wes) + + labs(# title = "estuariene soorten en mariene migranten", + y = get_lab_gewicht()) + + facet_grid(indeling ~ scheldezone, scales = "free_y") + + theme(legend.position = "none", + axis.text = element_text(size = 8)) + + +plot_grid(ggp_all, + NULL, + plot_grid(NULL, + plot_grid(plotlist = data_split$legend[sort.list(data_split$indeling)], + align = "h", ncol = 1), + NULL, + ncol = 1, rel_heights = c(0.07,1,0.1)), + ncol = 3, rel_widths = c(1.4,0.05,0.6)) + +ggsave(paste0(pad_figuren, "relatieve_biomassa_tot_biomassa_EMSE_marien.jpg"), width = 14, height = 7, bg = "white") + + +data_split <- + relatieve_aantallen_EMSE %>% + filter(str_detect(salgroep, "diadr")) %>% + group_by(indeling) %>% + nest() + +data_split <- + data_split %>% + mutate(legend = + map2(indeling, data, + function(ind, dat) { + pal_split <- + my_pal_wes[names(my_pal_wes) %in% unique(dat$soort)] + plt <- + dat %>% + ggplot(aes(jaar, gewicht_per_kub*mult_kub, fill = soort)) + + geom_col(position = position_stack(), + width = 0.7, + alpha = 0.9) + + scale_x_continuous(breaks = + seq(ifelse(vroegste_jaar %% 2 == 0, vroegste_jaar, vroegste_jaar + 1), laatste_jaar, 2)) + + scale_fill_manual(values = pal_split) + + labs(y = get_lab_gewicht(), + fill = ind) + + guides(fill=guide_legend(nrow=4)) + + theme(legend.justification = c(0,1), + legend.box.background = element_rect(fill = 'transparent', colour = NA_character_)) + plt %>% + get_legend() + })) + +ggp_all <- + relatieve_aantallen_EMSE %>% + filter(str_detect(salgroep, "diadr")) %>% + ggplot(aes(jaar, gewicht_per_kub*mult_kub, fill = soort, color = soort)) + + geom_col(width = 0.7, + alpha = 0.9, + size = 0.1) + + scale_x_continuous(breaks = seq(ifelse(vroegste_jaar %% 2 == 0, vroegste_jaar, vroegste_jaar + 1), laatste_jaar, 2)) + + scale_fill_manual(values = my_pal_wes) + + scale_color_manual(values = my_pal_wes) + + labs(# title = "diadrome soorten", + y = get_lab_gewicht()) + + facet_grid(indeling ~ scheldezone, scales = "free_y") + + theme(legend.position = "none", + axis.text = element_text(size = 8)) + + +plot_grid(ggp_all, + NULL, + plot_grid(NULL, + plot_grid(plotlist = data_split$legend[sort.list(data_split$indeling)], + align = "h", ncol = 1), + NULL, + ncol = 1, rel_heights = c(0.1,1,0.05)), + ncol = 3, rel_widths = c(1.4,0.05,0.6)) + +ggsave(paste0(pad_figuren, "relatieve_biomassa_tot_biomassa_EMSE_diadroom.jpg"), width = 14, height = 7, bg = "white") + + +data_split <- + relatieve_aantallen_EMSE %>% + filter(str_detect(salgroep, "zoet")) %>% + group_by(indeling) %>% + nest() + +data_split <- + data_split %>% + mutate(legend = + map2(indeling, data, + function(ind, dat) { + pal_split <- + my_pal_wes[names(my_pal_wes) %in% unique(dat$soort)] + plt <- + dat %>% + ggplot(aes(jaar, gewicht_per_kub*mult_kub, fill = soort)) + + geom_col(position = position_stack(), + width = 0.7, + alpha = 0.9) + + scale_x_continuous(breaks = + seq(ifelse(vroegste_jaar %% 2 == 0, vroegste_jaar, vroegste_jaar + 1), laatste_jaar, 2)) + + scale_fill_manual(values = pal_split) + + labs(y = get_lab_gewicht(), + fill = ind) + + guides(fill=guide_legend(nrow=4)) + + theme(legend.justification = c(0,1), + legend.box.background = element_rect(fill = 'transparent', colour = NA_character_)) + plt %>% + get_legend() + })) + +ggp_all <- + relatieve_aantallen_EMSE %>% + filter(str_detect(salgroep, "zoet")) %>% + ggplot(aes(jaar, gewicht_per_kub*mult_kub, fill = soort, color = soort)) + + geom_col(width = 0.7, + alpha = 0.9, + size = 0.1) + + scale_x_continuous(breaks = seq(ifelse(vroegste_jaar %% 2 == 0, vroegste_jaar, vroegste_jaar + 1), laatste_jaar, 2)) + + scale_fill_manual(values = my_pal_wes) + + scale_color_manual(values = my_pal_wes) + + labs(# title = "zoetwater soorten", + y = get_lab_gewicht()) + + facet_grid(indeling ~ scheldezone, scales = "free_y") + + theme(legend.position = "none", + axis.text = element_text(size = 8)) + + +plot_grid(ggp_all, + NULL, + plot_grid(NULL, + plot_grid(plotlist = data_split$legend[sort.list(data_split$indeling)], + align = "h", ncol = 1), + NULL, + ncol = 1, rel_heights = c(0.07,1,0.1)), + ncol = 3, rel_widths = c(1.4,0.05,0.6)) + +ggsave(paste0(pad_figuren, "relatieve_biomassa_tot_biomassa_EMSE_zoet.jpg"), width = 14, height = 7, bg = "white") + +``` + + +```{r tabellen aantallen gewicht en diversiteit EMSE} + +sheets_figuren[["aantallen_en_gewichten_EMSE"]] <- + relatieve_aantallen_EMSE %>% + select(jaar, scheldezone, soort, salgroep, dieet, indeling, + relatief_aantal, aantal_per_kub, relatief_gewicht, gewicht_per_kub) + +sheets_figuren[["diversiteit_EMSE"]] <- + gemiddeld_diversiteit_EMSE %>% + select(jaar, scheldezone, salgroep, dieet, indeling, + N, D_sh) + +``` + + +#### sleutelsoorten EMSE + +```{r data sleutelsoorten} + +data_sleutelsoorten_EMSE <- + data_ankerkuil %>% + left_join(locatie_scheldezone) %>% + filter(soort %in% sleutelsoorten_EMSE$soort) %>% + left_join(sleutelsoorten_EMSE %>% select(soort, scheldezone_rap = scheldezone)) %>% + # filter(map2_lgl(scheldezone_rap, scheldezone, ~str_detect(.x, .y))) %>% + group_by(jaar, soort, salgroep, scheldezone) %>% + summarise(aantal_per_kub = mean(aantal_per_kub), + gewicht_per_kub = mean(gewicht_per_kub)) %>% + ungroup() %>% + mutate(scheldezone = factor(scheldezone, levels = levels_scheldezone), + scheldezone = recode_factor(scheldezone, !!!levels_scheldezone_full)) + +sheets_figuren[["sleutelsoorten_EMSE"]] <- + data_sleutelsoorten_EMSE + +``` + + +```{r sleutelsoorten aantal} + +data_sleutelsoorten_EMSE %>% + filter(str_detect(salgroep, "mari")) %>% + ggplot(aes(jaar, aantal_per_kub*mult_kub, color = scheldezone, fill = scheldezone)) + + geom_col(position = position_dodge(width = 0.9), + linewidth = 0.5, + width = 0.7, + alpha = 0.8) + + scale_x_continuous(breaks = seq(ifelse(vroegste_jaar%%2 == 0, vroegste_jaar, vroegste_jaar+1), laatste_jaar, 2)) + + labs(# title = "estuariene soorten en mariene migranten", + y = get_lab_aantal()) + + facet_wrap(~soort, + scales = "free_y", + ncol = 2) + + theme(axis.text.x = element_text(angle = 90, vjust = 0.25, hjust = 1), + legend.position = "top") + +ggsave(paste0(pad_figuren, "aantallen_sleutelsoorten_EMSE_marien.jpg"), width = 6, height = 8) + + +data_sleutelsoorten_EMSE %>% + filter(str_detect(salgroep, "diadr")) %>% + ggplot(aes(jaar, aantal_per_kub*mult_kub, color = scheldezone, fill = scheldezone)) + + geom_col(position = position_dodge(width = 0.9), + linewidth = 0.5, + width = 0.7, + alpha = 0.8) + + scale_x_continuous(breaks = seq(ifelse(vroegste_jaar%%2 == 0, vroegste_jaar, vroegste_jaar+1), laatste_jaar, 2)) + + labs(# title = "diadrome soorten", + y = get_lab_aantal()) + + facet_wrap(~soort, + scales = "free_y", + ncol = 2) + + theme(axis.text.x = element_text(angle = 90, vjust = 0.25, hjust = 1), + legend.position = "top") + +ggsave(paste0(pad_figuren, "aantallen_sleutelsoorten_EMSE_diadroom.jpg"), width = 7, height = 7) + + +data_sleutelsoorten_EMSE %>% + filter(str_detect(salgroep, "zoet")) %>% + ggplot(aes(jaar, aantal_per_kub*mult_kub, color = scheldezone, fill = scheldezone)) + + geom_col(position = position_dodge(width = 0.9), + linewidth = 0.5, + width = 0.7, + alpha = 0.8) + + scale_x_continuous(breaks = seq(ifelse(vroegste_jaar%%2 == 0, vroegste_jaar, vroegste_jaar+1), laatste_jaar, 2)) + + # scale_x_continuous(breaks = vroegste_jaar:laatste_jaar) + + labs(# title = "zoetwatersoorten", + y = get_lab_aantal()) + + facet_wrap(~soort, + scales = "free_y", + ncol = 2) + + theme(axis.text.x = element_text(angle = 90, vjust = 0.25, hjust = 1), + legend.position = "top") + +ggsave(paste0(pad_figuren, "aantallen_sleutelsoorten_EMSE_zoet.jpg"), width = 6, height = 8) + +``` + + +#### aantallen en biomassa per saliniteit en dieet + +```{r aantallen en biomassa per salgroep} + + +# gemiddeld_aantal_salgroep <- +# data_ankerkuil %>% +# left_join(locatie_scheldezone) %>% +# group_by(jaar, scheldezone, seizoen, locatie, salgroep) %>% +# summarise(aantal_per_kub = sum(aantal_per_kub), +# gewicht_per_kub = sum(gewicht_per_kub)) %>% +# ungroup() %>% +# group_by(jaar, scheldezone, salgroep) %>% +# summarise(aantal_per_kub = mean(aantal_per_kub), +# gewicht_per_kub = mean(gewicht_per_kub)) %>% +# ungroup() %>% +# mutate(scheldezone = factor(scheldezone, levels = levels_scheldezone), +# scheldezone = recode_factor(scheldezone, !!!levels_scheldezone_full)) + +# relatieve_aantallen_salgroep <- +# data_ankerkuil %>% +# left_join(locatie_scheldezone) %>% +# filter(aantal > 0) %>% +# group_by(jaar, scheldezone, soort, salgroep) %>% +# summarise(aantal_per_kub = mean(aantal_per_kub), +# gewicht_per_kub = mean(gewicht_per_kub)) %>% +# ungroup() %>% +# group_by(jaar, scheldezone, salgroep) %>% +# mutate(relatief_aantal = aantal_per_kub/sum(aantal_per_kub), +# relatief_gewicht = gewicht_per_kub/sum(gewicht_per_kub)) %>% +# # mutate(max_aantal = relatief_aantal == max(relatief_aantal), +# # max_gewicht = relatief_gewicht == max(relatief_gewicht)) %>% +# mutate(max_aantal = relatief_aantal >= prop_lim, +# max_gewicht = relatief_gewicht >= prop_lim) %>% +# ungroup() %>% +# group_by(soort) %>% +# mutate(soort = ifelse(any(max_aantal) | any(max_gewicht), soort, "rest")) %>% +# # mutate(soort = ifelse(any(max_aantal), soort, "rest")) %>% +# ungroup() %>% +# # mutate(soort = if_else(max_aantal | max_gewicht, soort, "rest")) %>% +# group_by(jaar, scheldezone, salgroep) %>% +# mutate(relatief_aantal2 = relatief_aantal/sum(relatief_aantal), +# relatief_gewicht2 = relatief_gewicht/sum(relatief_gewicht)) %>% +# ungroup() %>% +# mutate(scheldezone = factor(scheldezone, levels = levels_scheldezone), +# scheldezone = recode_factor(scheldezone, !!!levels_scheldezone_full), +# soort = factor(soort, +# levels = unique(soort) %>% +# sort() %>% +# setdiff("rest") %>% +# c(., "rest"))) %>% +# select(-aantal_per_kub, -gewicht_per_kub) %>% +# left_join(gemiddeld_aantal_salgroep) %>% +# mutate(aantal_per_kub = relatief_aantal*aantal_per_kub, +# gewicht_per_kub = relatief_gewicht*gewicht_per_kub) %>% +# mutate(salgroep = factor(salgroep, levels = c("mariene en estuariene soorten", "diadrome soorten", "zoetwatersoorten"))) + +relatieve_aantallen_salgroep <- + data_ankerkuil %>% + left_join(locatie_scheldezone) %>% + filter(in_indeling) %>% + filter(aantal > 0) %>% + group_by(jaar, scheldezone, soort, salgroep) %>% + summarise(aantal_per_kub = mean(aantal_per_kub), + gewicht_per_kub = mean(gewicht_per_kub)) %>% + ungroup() %>% + group_by(jaar, scheldezone, salgroep) %>% + mutate(aantal_per_kub_tot = sum(aantal_per_kub), + gewicht_per_kub_tot = sum(gewicht_per_kub)) %>% + ungroup() %>% + mutate(relatief_aantal = aantal_per_kub/aantal_per_kub_tot, + relatief_gewicht = gewicht_per_kub/gewicht_per_kub_tot) %>% + mutate(max_aantal = relatief_aantal >= prop_lim, + max_gewicht = relatief_gewicht >= prop_lim) %>% + group_by(soort) %>% + mutate(soort = ifelse(any(max_aantal) | any(max_gewicht), soort, "rest")) %>% + ungroup() %>% + group_by(jaar, scheldezone, soort, salgroep) %>% + summarise(aantal_per_kub_tot = mean(aantal_per_kub_tot), + gewicht_per_kub_tot = mean(gewicht_per_kub_tot), + aantal_per_kub = sum(aantal_per_kub), + gewicht_per_kub = sum(gewicht_per_kub), + relatief_aantal = aantal_per_kub/aantal_per_kub_tot, + relatief_gewicht = gewicht_per_kub/gewicht_per_kub_tot) %>% + ungroup() %>% + mutate(scheldezone = factor(scheldezone, levels = levels_scheldezone), + scheldezone = recode_factor(scheldezone, !!!levels_scheldezone_full), + soort = factor(soort, + levels = unique(soort) %>% + sort() %>% + setdiff("rest") %>% + c(., "rest")), + salgroep = factor(salgroep, + levels = c("mariene en estuariene soorten", "diadrome soorten", "zoetwatersoorten"))) + + +data_split <- + relatieve_aantallen_salgroep %>% + group_by(salgroep) %>% + nest() + +data_split <- + data_split %>% + mutate(legend = + map2(salgroep, data, + function(ind, dat) { + pal_split <- + my_pal_wes[names(my_pal_wes) %in% unique(dat$soort)] + plt <- + dat %>% + ggplot(aes(jaar, aantal_per_kub*mult_kub, fill = soort)) + + geom_col(position = position_stack(), + width = 0.7, + alpha = 0.9) + + scale_x_continuous(breaks = + seq(ifelse(vroegste_jaar %% 2 == 0, vroegste_jaar, vroegste_jaar + 1), laatste_jaar, 2)) + + scale_fill_manual(values = pal_split) + + labs(y = get_lab_aantal(), + fill = ind) + + guides(fill=guide_legend(nrow=5)) + + theme(#rect = element_blank(), + # rect = element_rect(fill = 'transparent', colour = NA_character_), + legend.justification = c(0,1), + # legend.title = element_text(size = 8), + # legend.text = element_text(size = 8), + # legend.background = element_rect(fill = 'transparent', colour = NA_character_), + legend.box.background = element_rect(fill = 'transparent', colour = NA_character_)) + plt %>% + get_legend() + })) + +ggp_all <- + relatieve_aantallen_salgroep %>% + ggplot(aes(jaar, aantal_per_kub*mult_kub, fill = soort, color = soort)) + + geom_col(width = 0.7, + alpha = 0.9, + linewidth = 0.1) + + scale_x_continuous(breaks = seq(ifelse(vroegste_jaar %% 2 == 0, vroegste_jaar, vroegste_jaar + 1), laatste_jaar, 2)) + + # scale_y_log10() + + # scale_fill_brewer(palette = "Paired") + + scale_fill_manual(values = my_pal_wes) + + scale_color_manual(values = my_pal_wes) + + labs(# title = "estuariene soorten en mariene migranten", + y = get_lab_aantal()) + + facet_grid(salgroep ~ scheldezone, scales = "free_y") + + theme(legend.position = "none", + axis.text = element_text(size = 10), + axis.text.x = element_text(angle = 90, vjust = 0.5), + strip.text = element_text(size = 11)) + + +plot_grid(ggp_all, + NULL, + plot_grid(NULL, + plot_grid(plotlist = data_split$legend[sort.list(data_split$salgroep)], + align = "h", ncol = 1), + NULL, + ncol = 1, rel_heights = c(0.07,1,0.1)), + ncol = 3, rel_widths = c(1.4,0.05,0.6)) + +ggsave(paste0(pad_figuren, "EMSE_alternatief/relatieve_aantallen_tot_aantal_salgroep.jpg"), width = 14, height = 8, bg = "white") + + +ggp_all <- + relatieve_aantallen_salgroep %>% + ggplot(aes(jaar, gewicht_per_kub*mult_kub, fill = soort, color = soort)) + + geom_col(width = 0.7, + alpha = 0.9, + linewidth = 0.1) + + scale_x_continuous(breaks = seq(ifelse(vroegste_jaar %% 2 == 0, vroegste_jaar, vroegste_jaar + 1), laatste_jaar, 2)) + + # scale_y_log10() + + # scale_fill_brewer(palette = "Paired") + + scale_fill_manual(values = my_pal_wes) + + scale_color_manual(values = my_pal_wes) + + labs(# title = "estuariene soorten en mariene migranten", + y = get_lab_gewicht()) + + facet_grid(salgroep ~ scheldezone, scales = "free_y") + + theme(legend.position = "none", + axis.text = element_text(size = 10), + axis.text.x = element_text(angle = 90, vjust = 0.5), + strip.text = element_text(size = 12)) + + +plot_grid(ggp_all, + NULL, + plot_grid(NULL, + plot_grid(plotlist = data_split$legend[sort.list(data_split$salgroep)], + align = "h", ncol = 1), + NULL, + ncol = 1, rel_heights = c(0.07,1,0.1)), + ncol = 3, rel_widths = c(1.4,0.05,0.6)) + +ggsave(paste0(pad_figuren, "EMSE_alternatief/relatieve_biomassa_tot_biomassa_salgroep.jpg"), width = 14, height = 8, bg = "white") + +``` + + +```{r aantallen en biomassa per dieet} + +# gemiddeld_aantal_dieet <- +# data_ankerkuil %>% +# left_join(locatie_scheldezone) %>% +# filter(!is.na(dieet)) %>% +# group_by(jaar, scheldezone, seizoen, locatie, dieet) %>% +# summarise(aantal_per_kub = sum(aantal_per_kub), +# gewicht_per_kub = sum(gewicht_per_kub)) %>% +# ungroup() %>% +# group_by(jaar, scheldezone, dieet) %>% +# summarise(aantal_per_kub = mean(aantal_per_kub), +# gewicht_per_kub = mean(gewicht_per_kub)) %>% +# ungroup() %>% +# mutate(scheldezone = factor(scheldezone, levels = levels_scheldezone), +# scheldezone = recode_factor(scheldezone, !!!levels_scheldezone_full)) +# +# +# relatieve_aantallen_dieet <- +# data_ankerkuil %>% +# left_join(locatie_scheldezone) %>% +# filter(aantal > 0, +# !is.na(dieet)) %>% +# group_by(jaar, scheldezone, soort, dieet) %>% +# summarise(aantal_per_kub = mean(aantal_per_kub), +# gewicht_per_kub = mean(gewicht_per_kub)) %>% +# ungroup() %>% +# group_by(jaar, scheldezone, dieet) %>% +# mutate(relatief_aantal = aantal_per_kub/sum(aantal_per_kub), +# relatief_gewicht = gewicht_per_kub/sum(gewicht_per_kub)) %>% +# # mutate(max_aantal = relatief_aantal == max(relatief_aantal), +# # max_gewicht = relatief_gewicht == max(relatief_gewicht)) %>% +# mutate(max_aantal = relatief_aantal >= prop_lim, +# max_gewicht = relatief_gewicht >= prop_lim) %>% +# ungroup() %>% +# group_by(soort) %>% +# mutate(soort = ifelse(any(max_aantal) | any(max_gewicht), soort, "rest")) %>% +# # mutate(soort = ifelse(any(max_aantal), soort, "rest")) %>% +# ungroup() %>% +# # mutate(soort = if_else(max_aantal | max_gewicht, soort, "rest")) %>% +# group_by(jaar, scheldezone, dieet) %>% +# mutate(relatief_aantal = relatief_aantal/sum(relatief_aantal), +# relatief_gewicht = relatief_gewicht/sum(relatief_gewicht)) %>% +# ungroup() %>% +# mutate(scheldezone = factor(scheldezone, levels = levels_scheldezone), +# scheldezone = recode_factor(scheldezone, !!!levels_scheldezone_full), +# soort = factor(soort, +# levels = unique(soort) %>% +# sort() %>% +# setdiff("rest") %>% +# c(., "rest"))) %>% +# select(-aantal_per_kub, -gewicht_per_kub) %>% +# left_join(gemiddeld_aantal_dieet) %>% +# mutate(aantal_per_kub = relatief_aantal*aantal_per_kub, +# gewicht_per_kub = relatief_gewicht*gewicht_per_kub) %>% +# mutate(dieet = factor(dieet, levels = c("benthivoren", "omnivoren", "piscivoren", "planktivoren"))) + +relatieve_aantallen_dieet <- + data_ankerkuil %>% + left_join(locatie_scheldezone) %>% + filter(in_indeling) %>% + filter(aantal > 0) %>% + group_by(jaar, scheldezone, soort, dieet) %>% + summarise(aantal_per_kub = mean(aantal_per_kub), + gewicht_per_kub = mean(gewicht_per_kub)) %>% + ungroup() %>% + group_by(jaar, scheldezone, dieet) %>% + mutate(aantal_per_kub_tot = sum(aantal_per_kub), + gewicht_per_kub_tot = sum(gewicht_per_kub)) %>% + ungroup() %>% + mutate(relatief_aantal = aantal_per_kub/aantal_per_kub_tot, + relatief_gewicht = gewicht_per_kub/gewicht_per_kub_tot) %>% + mutate(max_aantal = relatief_aantal >= prop_lim, + max_gewicht = relatief_gewicht >= prop_lim) %>% + group_by(soort) %>% + mutate(soort = ifelse(any(max_aantal) | any(max_gewicht), soort, "rest")) %>% + ungroup() %>% + group_by(jaar, scheldezone, soort, dieet) %>% + summarise(aantal_per_kub_tot = mean(aantal_per_kub_tot), + gewicht_per_kub_tot = mean(gewicht_per_kub_tot), + aantal_per_kub = sum(aantal_per_kub), + gewicht_per_kub = sum(gewicht_per_kub), + relatief_aantal = aantal_per_kub/aantal_per_kub_tot, + relatief_gewicht = gewicht_per_kub/gewicht_per_kub_tot) %>% + ungroup() %>% + mutate(scheldezone = factor(scheldezone, levels = levels_scheldezone), + scheldezone = recode_factor(scheldezone, !!!levels_scheldezone_full), + soort = factor(soort, + levels = unique(soort) %>% + sort() %>% + setdiff("rest") %>% + c(., "rest")), + dieet = factor(dieet, + levels = c("benthivoren", "omnivoren", "piscivoren", "planktivoren"))) + + +data_split <- + relatieve_aantallen_dieet %>% + group_by(dieet) %>% + nest() + +data_split <- + data_split %>% + mutate(legend = + map2(dieet, data, + function(ind, dat) { + pal_split <- + my_pal_wes[names(my_pal_wes) %in% unique(dat$soort)] + plt <- + dat %>% + ggplot(aes(jaar, aantal_per_kub*mult_kub, fill = soort)) + + geom_col(position = position_stack(), + width = 0.7, + alpha = 0.9) + + scale_x_continuous(breaks = + seq(ifelse(vroegste_jaar %% 2 == 0, vroegste_jaar, vroegste_jaar + 1), laatste_jaar, 2)) + + scale_fill_manual(values = pal_split) + + labs(y = get_lab_aantal(), + fill = ind) + + guides(fill=guide_legend(nrow=4)) + + theme(#rect = element_blank(), + # rect = element_rect(fill = 'transparent', colour = NA_character_), + legend.justification = c(0,1), + # legend.title = element_text(size = 8), + # legend.text = element_text(size = 8), + # legend.background = element_rect(fill = 'transparent', colour = NA_character_), + legend.box.background = element_rect(fill = 'transparent', colour = NA_character_)) + plt %>% + get_legend() + })) + +ggp_all <- + relatieve_aantallen_dieet %>% + ggplot(aes(jaar, aantal_per_kub*mult_kub, fill = soort, color = soort)) + + geom_col(width = 0.7, + alpha = 0.9, + linewidth = 0.1) + + scale_x_continuous(breaks = seq(ifelse(vroegste_jaar %% 2 == 0, vroegste_jaar, vroegste_jaar + 1), laatste_jaar, 2)) + + # scale_y_log10() + + # scale_fill_brewer(palette = "Paired") + + scale_fill_manual(values = my_pal_wes) + + scale_color_manual(values = my_pal_wes) + + labs(# title = "estuariene soorten en mariene migranten", + y = get_lab_aantal()) + + facet_grid(dieet ~ scheldezone, scales = "free_y") + + theme(legend.position = "none", + axis.text = element_text(size = 10), + axis.text.x = element_text(angle = 90, vjust = 0.5), + strip.text = element_text(size = 12)) + + +plot_grid(ggp_all, + NULL, + plot_grid(NULL, + plot_grid(plotlist = data_split$legend[sort.list(data_split$dieet)], + align = "h", ncol = 1), + NULL, + ncol = 1, rel_heights = c(0.07,1,0.1)), + ncol = 3, rel_widths = c(1.4,0.05,0.6)) + +ggsave(paste0(pad_figuren, "EMSE_alternatief/relatieve_aantallen_tot_aantal_dieet.jpg"), width = 14, height = 8, bg = "white") + + +ggp_all <- + relatieve_aantallen_dieet %>% + ggplot(aes(jaar, gewicht_per_kub*mult_kub, fill = soort, color = soort)) + + geom_col(width = 0.7, + alpha = 0.9, + linewidth = 0.1) + + scale_x_continuous(breaks = seq(ifelse(vroegste_jaar %% 2 == 0, vroegste_jaar, vroegste_jaar + 1), laatste_jaar, 2)) + + # scale_y_log10() + + # scale_fill_brewer(palette = "Paired") + + scale_fill_manual(values = my_pal_wes) + + scale_color_manual(values = my_pal_wes) + + labs(# title = "estuariene soorten en mariene migranten", + y = get_lab_gewicht()) + + facet_grid(dieet ~ scheldezone, scales = "free_y") + + theme(legend.position = "none", + axis.text = element_text(size = 10), + axis.text.x = element_text(angle = 90, vjust = 0.5), + strip.text = element_text(size = 12)) + + +plot_grid(ggp_all, + NULL, + plot_grid(NULL, + plot_grid(plotlist = data_split$legend[sort.list(data_split$dieet)], + align = "h", ncol = 1), + NULL, + ncol = 1, rel_heights = c(0.07,1,0.1)), + ncol = 3, rel_widths = c(1.4,0.05,0.6)) + +ggsave(paste0(pad_figuren, "EMSE_alternatief/relatieve_biomassa_tot_biomassa_dieet.jpg"), width = 14, height = 8, bg = "white") + +``` + + +#### diversiteit per saliniteit en dieet + +```{r diversiteit per salgroep} + +gemiddeld_diversiteit_salgroep <- + data_ankerkuil %>% + left_join(locatie_scheldezone) %>% + filter(soort != "haringachtigen") %>% + filter(aantal > 0) %>% + group_by(jaar, scheldezone, soort, salgroep) %>% + summarise(aantal_per_kub = mean(aantal_per_kub)) %>% + ungroup() %>% + group_by(jaar, scheldezone, salgroep) %>% + mutate(relatief_aantal = aantal_per_kub/sum(aantal_per_kub)) %>% + summarise(N = n(), + H_sh = -sum(relatief_aantal*log(relatief_aantal)), + H_gs = 1-sum(relatief_aantal^2), + D_sh = exp(H_sh), + D_gs = 1/(1-H_gs), + E_sh = H_sh/log(N)) %>% + ungroup() %>% + mutate(scheldezone = factor(scheldezone, levels = levels_scheldezone), + scheldezone = recode_factor(scheldezone, !!!levels_scheldezone_full), + salgroep = factor(salgroep, levels = c("mariene en estuariene soorten", "diadrome soorten", "zoetwatersoorten"))) + + +gemiddeld_diversiteit_salgroep %>% + ggplot(aes(jaar, N)) + + geom_col(position = position_dodge(), + color = "steelblue4", + linewidth = 0.5, + width = 0.7, + alpha = 0.25) + + geom_col(aes(y = D_sh), + color = "steelblue4", + linewidth = 0.5, + position = position_dodge(), + width = 0.7, + alpha = 0.8) + + scale_x_continuous(breaks = seq(ifelse(vroegste_jaar%%2 == 0, vroegste_jaar, vroegste_jaar+1), laatste_jaar, 2)) + + # scale_y_log10() + + labs(y = "S -- D") + + facet_grid(salgroep ~ scheldezone, scales = "free_y") + + theme(axis.text = element_text(size = 8), + axis.text.x = element_text(angle = 90, vjust = 0.5)) + +ggsave(paste0(pad_figuren, "EMSE_alternatief/diversiteit_S_D_salgroep.jpg"), width = 10, height = 7) + +``` + + +```{r diversiteit per dieet} + +gemiddeld_diversiteit_dieet <- + data_ankerkuil %>% + left_join(locatie_scheldezone) %>% + filter(soort != "haringachtigen") %>% + filter(aantal > 0, + !is.na(dieet)) %>% + group_by(jaar, scheldezone, soort, dieet) %>% + summarise(aantal_per_kub = mean(aantal_per_kub)) %>% + ungroup() %>% + group_by(jaar, scheldezone, dieet) %>% + mutate(relatief_aantal = aantal_per_kub/sum(aantal_per_kub)) %>% + summarise(N = n(), + H_sh = -sum(relatief_aantal*log(relatief_aantal)), + H_gs = 1-sum(relatief_aantal^2), + D_sh = exp(H_sh), + D_gs = 1/(1-H_gs), + E_sh = H_sh/log(N)) %>% + ungroup() %>% + mutate(scheldezone = factor(scheldezone, levels = levels_scheldezone), + scheldezone = recode_factor(scheldezone, !!!levels_scheldezone_full), + dieet = factor(dieet, levels = c("benthivoren", "omnivoren", "piscivoren", "planktivoren"))) + + +gemiddeld_diversiteit_dieet %>% + ggplot(aes(jaar, N)) + + geom_col(position = position_dodge(), + color = "steelblue4", + linewidth = 0.5, + width = 0.7, + alpha = 0.25) + + geom_col(aes(y = D_sh), + color = "steelblue4", + linewidth = 0.5, + position = position_dodge(), + width = 0.7, + alpha = 0.8) + + scale_x_continuous(breaks = seq(ifelse(vroegste_jaar%%2 == 0, vroegste_jaar, vroegste_jaar+1), laatste_jaar, 2)) + + # scale_y_log10() + + labs(y = "S -- D") + + facet_grid(dieet ~ scheldezone, scales = "free_y") + + theme(axis.text = element_text(size = 8), + axis.text.x = element_text(angle = 90, vjust = 0.5)) + +ggsave(paste0(pad_figuren, "EMSE_alternatief/diversiteit_S_D_dieet.jpg"), width = 7, height = 6) + +``` + + +```{r tabellen per saliniteit en dieet} + +sheets_figuren[["aantallen_en_gewichten_salgroep"]] <- + relatieve_aantallen_salgroep %>% + select(jaar, scheldezone, soort, salgroep, + relatief_aantal, aantal_per_kub, relatief_gewicht, gewicht_per_kub) + +sheets_figuren[["aantallen_en_gewichten_dieet"]] <- + relatieve_aantallen_dieet %>% + select(jaar, scheldezone, soort, dieet, + relatief_aantal, aantal_per_kub, relatief_gewicht, gewicht_per_kub) + +sheets_figuren[["diversieit_salgroep"]] <- + gemiddeld_diversiteit_salgroep %>% + select(jaar, scheldezone, salgroep, + N, D_sh) + +sheets_figuren[["diversieit_dieet"]] <- + gemiddeld_diversiteit_dieet %>% + select(jaar, scheldezone, dieet, + N, D_sh) + +``` + + +#### wegschrijven tabellen en metadata + +```{r wegschrijven tabellen} + +write_xlsx(sheets, + paste0(pad_tabellen, "ankerkuil_tabellen_vissen.xlsx")) + +write_xlsx(sheets_figuren, + paste0(pad_tabellen, "ankerkuil_tabellen_figuren.xlsx")) + +``` + + +```{r meta-data} + +meta_data <- + enframe(c(vroegste_jaar = vroegste_jaar, + laatste_jaar = laatste_jaar, + aantal_soorten = + data_ankerkuil %>% + filter(soort != "haringachtigen") %>% + filter(!is.na(aantal), + aantal > 0) %>% + distinct(soort) %>% + nrow(), + aantal_soorten_laatste_jaar = + data_ankerkuil %>% + filter(soort != "haringachtigen") %>% + filter(!is.na(aantal), + aantal > 0, + jaar == laatste_jaar) %>% + distinct(soort) %>% + nrow()), + name = "naam", value = "waarde") + +meta_data %>% + write_delim(paste0(pad_data, "ankerkuil_meta_data.csv"), + delim = ";") + +``` diff --git a/moneos_2024/150_geintegreerd_rapport/090_vissen_inleiding_en_methode.Rmd b/moneos_2024/150_geintegreerd_rapport/090_vissen_inleiding_en_methode.Rmd new file mode 100644 index 0000000..25806b5 --- /dev/null +++ b/moneos_2024/150_geintegreerd_rapport/090_vissen_inleiding_en_methode.Rmd @@ -0,0 +1,313 @@ +```{r 090-hoofdstuk, include=FALSE} + +hoofdstuk <- "090_vissen" + +``` + +```{r 090-setup, include=FALSE} + +knitr::opts_chunk$set(echo = FALSE, error=FALSE, warning=FALSE, message=FALSE, cache=FALSE, fig.pos = "H") +knitr::opts_knit$set(eval.after = "fig.cap") + +``` + +```{r 090-libraries} + +library(tidyverse) +library(readxl) +library(kableExtra) +library(rprojroot) ## workaround pad + +conflicted::conflicts_prefer(dplyr::filter) + +``` + +```{r 090-pad} + +# inlezen van variabelen +# pad naar data : pad_data +# pad naar tabellen : pad_tabellen +# pad naar figuren : pad_figuren + +source(find_root_file("../pad.R", criterion = is_rstudio_project)) + +pad_data <- maak_pad(hoofdstuk, "data") +pad_figuren <- maak_pad(hoofdstuk, "figuren") +pad_tabellen <- maak_pad(hoofdstuk, "tabellen") + +``` + +```{r 090-table_from_figure-function} +figtab <- + function(label, image_file, caption=NULL) { + txt <- sprintf('\\begin{table}[H]\n\\caption{%s}\n\\label{tab:%s}\n\\includegraphics{%s}\n\\end{table}', + caption, + label, + image_file) + magick::image_read(image_file) %>% magick::image_ggplot() %>% print() + writeLines(txt) + } +``` + +```{r 090-meta-data} + +laatste_jaar <- 2022 + +soortenlijst <- + read_xlsx(str_c(pad_data, "soorten_Zeeschelde.xlsx"), + sheet = "EMSE") %>% + select(-inEMSE, -exoot, -opmerking) + +aantal_soorten <- + nrow(soortenlijst) + +aantal_soorten_fuiken <- + soortenlijst %>% + filter(!is.na(fuiken)) %>% + nrow() + +aantal_soorten_ankerkuil <- + soortenlijst %>% + filter(!is.na(ankerkuil)) %>% + nrow() + +aantal_soorten_beide <- + soortenlijst %>% + filter(!is.na(fuiken) & !is.na(ankerkuil)) %>% + nrow() + +aantal_soorten_enkel_fuiken <- + aantal_soorten_fuiken - aantal_soorten_beide + +aantal_soorten_enkel_ankerkuil <- + aantal_soorten_ankerkuil - aantal_soorten_beide + +# meta_data <- +# read_delim(paste0(pad_data, "vissen_meta_data.csv"), +# delim = ";") +# +# for(i in 1:nrow(meta_data)){ +# ##first extract the object value +# tempobj=meta_data$waarde[i] +# ##now create a new variable with the original name of the list item +# eval(parse(text=paste(meta_data$naam[i],"= tempobj"))) +# } + +``` + +# Vissen + +Fichenummer: FICHE S-DS-V-004a -- Vissen (KRW) + +**Joost Vanoverbeke, Erika Van den Bergh, Gunther Van Ryckegem, Gerlinde Van Thuyne** + +## Inleiding + +De meeste vissen hebben een complexe levenscyclus. +Gedurende hun leven doorlopen ze verschillende niveaus in het voedselweb en bevolken ze diverse ecologische niches. +Estuaria zijn voedselrijk en door de diversiteit aan habitats voorzien ze voedsel en leefruimte voor veel jonge en adulte vissen (Baldoa & Drake, 2002). +Voor veel vissoorten vervullen ze verschillende functies naargelang het levensstadium. +Sommige soorten gebruiken estuaria als paaihabitat (Able, 2005; Van Der Meulen et al., 2013). +De kinderkamerfunctie voor jonge vis werd uitgebreid toegelicht door Elliott & Hemingway (2002). +Maes et al. (2007, 2008) en Stevens et al. (2009) gaan dieper in op de functie van estuaria als doorgangszone voor trekvissen. + +Het bestuderen van de visfauna in de Zeeschelde is belangrijk om de invulling van deze functies te begrijpen en om de ecologische lange termijn ontwikkelingen in het gebied op te volgen. +De Zeeschelde verzamelt een belangrijk deel van de bovenstroomse vuilvrachten. +Opvolging van de visstand in de Zeeschelde weerspiegelt dus ook de kwaliteit van de bovenstroomse gebieden. +De Europese Kaderrichtlijn Water (KRW, 2000/60/EG) verplicht om iedere zes jaar de ecologische toestand van oppervlaktewaterlichamen te rapporteren op basis van enkele bio-indicatoren waaronder de visgemeenschap. +De KRW rapportage gebeurt op basis van de daartoe speciaal ontworpen visindices (Breine et al, 2007; 2010). +In deze MONEOS rapportage wordt de Evaluatie Methodiek Schelde Estuarium (EMSE, 2021) toegepast. + +De visgemeenschap in de Zeeschelde wordt jaarlijks opgevolgd met dubbele schietfuiken en met ankerkuilvisserij (Tabel \@ref(tab:090-tabel-visinspanning)), niet alleen omwille van de dynamiek van het systeem maar ook om het ecosysteem herstel te evalueren na jarenlange plaatselijke en tijdelijke zuurstofloze condities (Maris et al., 2011). +Zesjaarlijkse afvissingen, het absolute minimum voor de KRW, geven te grote lacunes om dit herstelproces te documenteren. +Om seizoenale patronen te documenteren vissen we in de lente, zomer en herfst. + +Ankerkuilvisserij geeft een goed beeld van de visgemeenschap in de waterkolom, fuikvisserij bemonstert eerder nabij de bodem. +De resultaten van beide vangstmethoden verstrekken complementaire informatie over de kraamkamerfunctie en rekrutering van de visgemeenschappen in het estuarium doorheen het jaar en in de verschillende saliniteitszones. +Algemeen worden meer soorten gevangen met de ankerkuil. +De resultaten van de fuikvangsten leveren echter een hogere Shannon diversiteit (Breine & Van den Bergh, 2022). +De resultaten van het reguliere INBO meetnet worden aangevuld met extra informatie uit de resultaten van een vrijwilligersmeetnet (hier niet gerapporteerd). +Schietfuiken worden in alle EMSE Scheldezones niveau 3 uitgezet. +Aanvankelijk werd ook op de zijrivieren jaarlijks gevist maar sinds 2012 werd dit verminderd naar driejaarlijks omdat de totale inspanning te groot werd en omdat de ecosysteem evaluatie vooral op de Zeeschelde zelf gericht is. +Ankerkuilvisserij kan enkel uitgevoerd worden in de Zeeschelde tot in de zoete zone met lange verblijftijd omdat de geul verder stroomopwaarts daarvoor te nauw wordt. + +INBO fuikvangst- en ankerkuilgegevens zijn beschikbaar via de V.I.S. databank ([https://vis2.inbo.be/](https://vis2.inbo.be/#home)) (Brosens et al., 2015). +Vrijwilligersdata worden afzonderlijk opgeslagen. + +In de huidige rapportage worden ankerkuil data en fuikgegevens van de Zeeschelde besproken. +Gegevens van de zijrivieren worden later verwerkt en gerapporteerd. +Ankerkuildata en fuikdata van het reguliere Zeeschelde meetnet worden aangeleverd als xlsx-bestanden aan de Scheldemonitor. + +```{r 090-tabel-visinspanning, results="asis", fig.show='hide', out.width="100%"} +caption_tab <- "Historisch overzicht van de visinspanning met schietfuiken (groen) en ankerkuil (blauw) in de verschillende zones van de Zeeschelde." +img_file <- paste0(pad_figuren, "visinspanningINBO.jpg") +figtab(knitr::opts_current$get()$label, + img_file, + caption_tab) +``` + +## Materiaal en Methode + +### Ankerkuil + +De ankerkuilen zijn geïnstalleerd op een platbodemschip, 'De Harder' met registratienummer BOU25, eigendom van het visserijbedrijf Bout-Van Dijke. +De ankerkuil bestaat uit twee 8 meter brede stalen balken waarvan de onderste tot op de bodem wordt neergelaten en de bovenste tot net op of boven de waterlijn. +De uiteinden van de balken zijn verbonden met het scheepsanker waarmee het vaartuig voor anker ligt. +Tussen de balken is over de volledige breedte (8 m) een net of kuil met een maaswijdte van 20 mm gespannen. +Het doorstromende water houdt het net open. +De periode van het getij waarin gevist kan worden, is meestal van één uur na tot één uur voor de kentering van het getij, afhankelijk van de stroming die voldoende sterk moet zijn. +Op iedere locatie wordt één keer bij eb en één keer bij vloed gevist met één net aan bakboord en één net aan stuurboord. +De netten worden gelijktijdig aan stuurboord en bakboord neergelaten. +Het eerste net wordt meestal na een uur leeggemaakt en het tweede net na twee uur. +Zo kunnen twee vangsten per getijfase gemaakt worden en wordt het risico op misvangst beperkt. +De vangst wordt aan boord verwerkt. + +Eenmaal de vangst op het dek is gestort, halen we er onmiddellijk de minder algemene soorten en grote individuen uit. +Deze worden geïdentificeerd, geteld, gemeten en gewogen. +Van de zeer algemene soorten nemen we een deelmonster door 'voortgezette halvering', een gebruikelijk verdeelsysteem in de visserij. +Op die manier houden we een hanteerbaar, representatief aandeel over. +Vervolgens worden alle vissen in het deelstaal op soort geïdentificeerd, geteld, gemeten en gewogen. +Alle gevangen vissen worden na wegen en meten terug gezet in de Zeeschelde. + +Het bemonsterde watervolume wordt berekend met behulp van een mechanische stroomsnelheidsmeter met propeller die voor de duur van de vangst te water wordt gelaten. +De gemiddelde hoogte van de waterkolom, die met de duur van het getij verandert, wordt vermenigvuldigd met de kuilbreedte (8m) en de door de stroomsnelheidsmeter gepasseerde waterstroom. + +Aantallen en biomassa worden omgerekend naar aantallen en biomassa per m\textsuperscript{3} volume afgevist water. + +In de periode 2012-`r laatste_jaar` werd jaarlijks gevist in de lente (eind april of begin mei), de zomer (juli) en in het najaar (september). +In 2020 werd uitzonderlijk enkel in de zomer en het najaar gevist. +Er wordt telkens op vier locaties bemonsterd: Doel, Antwerpen, Steendorp en Branst (Figuur \@ref(fig:090-figuur-locaties-ankerkuil)). +Doel en Antwerpen bevinden zich in de EMSE niveau 3 scheldezone met sterke saliniteitsgradiënt, Steendorp bevindt zich in de oligohaliene zone en Branst in de zoetwater zone met lange verblijftijd. +De Lambert coördinaten van de locaties zijn: Doel: 143350; 223091, Antwerpen: 149192; 210267, Steendorp: 142898; 200951 en Branst: 137181; 195683. + +```{r 090-figuur-locaties-ankerkuil, fig.cap=cap_locaties_ankerkuil, out.width="100%"} + +cap_locaties_ankerkuil <- + "De met ankerkuil bemonsterde locaties in het Zeeschelde estuarium sinds 2012." + +knitr::include_graphics(paste0(pad_figuren, "locaties_ankerkuil.jpg")) + +``` + +
+ +### Fuikvisserij + +Voor de fuikvangsten worden dubbele schietfuiken gebruikt. +Een schietfuik bestaat uit twee fuiken van 7,7 m lengte, waartussen een net van 11 m gespannen is. +Dat net is bovenaan voorzien van vlotters. +Onderaan bevindt zich een loodlijn. +Vissen die tegen het overlangse net zwemmen, worden naar één van de fuiken geleid. +De twee fuiken (type 120/90) zijn opgebouwd uit een reeks hoepels waarrond een net (maaswijdte 1 cm) bevestigd is. +Aan de ingang van de fuik staat de grootste hoepel (hoogte 90 cm). +Deze is onderaan afgeplat (120 cm breed) zodat de hele fuik recht blijft staan. +Naar achter toe worden de hoepels kleiner. +Aan het uiteinde is de maaswijdte 8 mm. +In de fuik bevinden zich een aantal trechtervormige netten waarvan het smalle uiteinde naar achter is bevestigd. +Eenmaal de vissen een trechter gepasseerd zijn, kunnen ze niet meer terug. +Om de vissen uit de fuik te halen wordt deze helemaal achteraan geopend en leeggemaakt. + +De bemonsterde locaties in de periode 2009-2022 zijn weergegeven in Figuur \@ref(fig:090-figuur-locaties-fuiken). +Vanaf het najaar van 2015 werd de locatie Zandvliet niet meer bemonsterd maar vervangen door het Paardenschor als nieuwe locatie in de mesohaliene zone (Figuur 2). +Bij de bespreking van de resultaten wordt Zandvliet niet expliciet vermeld maar wordt er verwezen naar Paardenschor. +De Lambert coördinaten van de locaties zijn: Zandvliet: 139864; 228413, Paardenschor: 142882; 225713, Antwerpen: 150050; 210800, Steendorp: 142520; 201050, Kastel: 137450; 193480, Appels: 128997; 193213 en Overbeke: 114823; 188235. + +Bij iedere campagne (voorjaar (mrt-apr), zomer (juni-augustus) en najaar (sept-okt)) werden per locatie twee dubbele schietfuiken geplaatst op de laagwaterlijn. +Tot en met 2021 stonden de fuiken 48 uur op locatie en werden ze om de 24 uur leeggemaakt. +De gevangen vissen worden ter plaatse geïdentificeerd, geteld, gemeten, gewogen en vervolgens teruggezet. +Het aantal individuen en de biomassa gevangen met fuiken worden omgerekend naar aantallen en biomassa per fuikdag. +Deze getransformeerde data worden gebruikt in de verdere analyse. +Om de totale visinspanning op de Zeeschelde te rationaliseren staan de fuiken sinds 2022 slechts 24 u op locatie en worden ze maar één keer leeggemaakt. +De gemiddelde aantallen en biomassa per fuikdag zullen hierdoor weinig veranderen maar de tweede fuikdag voegde in het verleden gemiddeld 2 extra soorten toe (berekening op basis van 144 campagnes). +Deze strategiewijziging zal dus een sprong in de tijdreeks voor soortenrijkdom veroorzaken. + +```{r 090-figuur-locaties-fuiken, fig.cap=cap_locaties_fuiken, out.width="100%"} + +cap_locaties_fuiken <- + "De met fuiken bemonsterde locaties in het regulier meetnet in het Zeeschelde estuarium sinds 2009." + +knitr::include_graphics(paste0(pad_figuren, "locaties_fuiken_historisch.jpg")) + +``` + +
+ +### EMSE evaluatie + +De resultaten van ankerkuil- en fuikvangsten worden gerapporteerd volgens EMSE (Evaluatie Methodiek Schelde Estuarium; EMSE 2021). +De waargenomen soorten worden onderverdeeld in zogenaamde functionele groepen op basis van estuarien habitatgebruik en dieetvoorkeur. + +De indeling qua habitatgebruik is als volgt: + +- Estuariene soorten en mariene migranten. Estuariene soorten brengen hun hele levenscyclus in het estuarium door. Mariene migranten (juvenielen, seizoensgasten, dwaalgasten) kunnen hun levenscyclus op zee vervolledigen maar ze komen de gunstiger condities in het estuarium opzoeken vb. om op te groeien. +- Diadrome soorten moeten zich tussen zoet- en zoutwater verplaatsen om zich voort te planten en zo hun levenscyclus te vervolledigen. +- Zoetwatersoorten die ook in het estuarium hun levenscyclus kunnen vervolledigen. + +De indeling qua dieetvoorkeur is als volgt: + +- Benthivoor +- Piscivoor +- Omnivoor +- Planktivoor + +De functionele groep omnivore estuariene soorten en mariene migranten is niet opgenomen in de EMSE indeling (zie EMSE 2021). +Omdat van deze groep, althans volgens de EMSE dieetvoorkeur per soort, toch redelijke aantallen voorkomen in de Zeeschelde wordt deze echter wel opgenomen in de MONEOS rapportage. +Sommige combinaties van habitatgebruik en dieetvoorkeur komen niet voor in de data. +Om een overzichtelijke vaste structuur te behouden worden ze wel telkens mee opgenomen in de figuren. + +Een overzicht van soorten die sinds 2012 in de Zeeschelde werden gevangen, met aanduiding van EMSE habitatgebruik en dieetvoorkeur wordt gegeven in Tabel \@ref(tab:093-tabel-zeeschelde-soorten) in bijlage. +Er werden in die periode `r aantal_soorten` soorten gevangen waarvan `r aantal_soorten_beide` soorten in zowel ankerkuil als fuiken, `r aantal_soorten_enkel_ankerkuil` soorten enkel met de ankerkuil en `r aantal_soorten_enkel_fuiken` soorten enkel met de dubbele schietfuiken. + +Voor elk van de EMSE functionele groepen worden per jaar en per vangstmethode het totaal aantal gevangen individuen en de totale biomassa per vangsteenheid (1000m³ bemonsterd water voor ankerkuil, 1 fuikdag voor fuikvangsten) alsook het aantal soorten en de Shannon diversiteit gerapporteerd. +Dit per scheldezone (EMSE niveau 3) en gemiddeld over de bemonsterde seizoenen (voorjaar, zomer, najaar). + +De Shannon diversiteit *D* wordt berekend als: + +$$ +D = exp \left( -\sum^S_i p_i ln (p_i) \right) +$$ + +waarbij *S* het aantal gevangen soorten in de functionele groep is en *p~i~* de relatieve abundantie van soort *i*. +*D* neemt een waarde aan tussen 1 en *S*, afhankelijk van de gelijkheid (evenness) in abundantie van de soorten. +Indien *D* = *S* hebben alle soorten in de groep een gelijke abundantie. + +Naast de algemene trends per functionele groep wordt er ook gekeken naar de trends van een aantal sleutelsoorten. +Deze soorten zijn zo geselecteerd dat ze een goede vertegenwoordiging geven van de verschillende saliniteits- en dieetvoorkeuren (zie bijlage Tabel \@ref(tab:093-tabel-zeeschelde-soorten)) en zijn belangrijke indicatoren voor het ecologisch functioneren van het systeem. +Daarnaast zijn ook de europees beschermde soorten opgenomen in de sleutelsoortenlijst. + + +### Bepalen van de visindex + +De gegevens van de fuikvangsten in de Zeeschelde worden gebruikt om de visindex per KRW waterlichaam te berekenen volgens de zone-specifieke estuariene index voor biotische integriteit (Breine et al., 2010). +De Index wordt berekend op basis van de jaargegevens en is zodoende robuuster dan de brakwater index die gebaseerd is op dagvangsten (Breine et al., 2007). +De index score per waterlichaam integreert de beoordeling van een aantal metrieken, wordt vertaald naar een ecologische kwaliteitsratio (EQR) tussen 0 en 1 en ondergebracht in één van de ecologische kwaliteitsklassen, variërend van 'slecht' over 'onvoldoende', 'matig', 'goed ecologisch potentieel' (GEP) tot 'maximaal ecologisch potentieel' (MEP). +Elke gebruikte metriek staat voor een bepaalde functie van het ecosysteem voor de visgemeenschap. +De betekenis van de gebruikte metrieken is weergegeven in Tabel \@ref(tab:090-tabel-metrieken-visindex). +Voor elke metriek wordt een score bepaald in functie van een vastgelegde referentietoestand. +In elke saliniteitszone gelden andere metrieken en grenswaarden (Breine et al., 2010). + + +```{r 090-tabel-metrieken-visindex} + +tabel_metrieken <- + read_excel(paste0(maak_pad(hoofdstuk, "tabellen"), "visindexreeks.xlsx"), + sheet = "toelichting metrieken", + col_names = FALSE) + +cap_metrieken <- + "Toelichting van de metrieken gebruikt in de visindex." + +tabel_metrieken %>% + mutate(across(everything(), ~as.character(.) %>% replace_na(""))) %>% + mutate(across(everything(), ~cell_spec(., color = "black"))) %>% + knitr::kable(booktabs = TRUE, + caption = cap_metrieken, + col.names = NULL, + escape = FALSE) %>% + kable_styling("striped", + latex_options = c("striped")) + +``` + +
+ diff --git a/moneos_2024/150_geintegreerd_rapport/091_vissen_ankerkuil.Rmd b/moneos_2024/150_geintegreerd_rapport/091_vissen_ankerkuil.Rmd new file mode 100644 index 0000000..4ddef69 --- /dev/null +++ b/moneos_2024/150_geintegreerd_rapport/091_vissen_ankerkuil.Rmd @@ -0,0 +1,613 @@ +```{r 091-hoofdstuk, include=FALSE} + +hoofdstuk <- "090_vissen" + +``` + +```{r 091-setup, include=FALSE} + +knitr::opts_chunk$set(echo = FALSE, error=FALSE, warning=FALSE, message=FALSE, cache=FALSE, fig.pos = "H") +knitr::opts_knit$set(eval.after = "fig.cap") + +``` + +```{r 091-libraries} + +library(tidyverse) +library(readxl) +library(kableExtra) +library(rprojroot) ## workaround pad + +``` + +```{r 091-pad} + +# inlezen van variabelen +# pad naar data : pad_data +# pad naar tabellen : pad_tabellen +# pad naar figuren : pad_figuren + +source(find_root_file("../pad.R", criterion = is_rstudio_project)) + +pad_data <- maak_pad(hoofdstuk, "data") +pad_figuren <- maak_pad(hoofdstuk, "figuren/ankerkuil") +pad_tabellen <- maak_pad(hoofdstuk, "tabellen/ankerkuil") + +``` + +```{r 091-table_from_figure-function} +figtab <- + function(label, image_file, caption=NULL) { + txt <- sprintf('\\begin{table}[H]\n\\caption{%s}\n\\label{tab:%s}\n\\includegraphics{%s}\n\\end{table}', + caption, + label, + image_file) + magick::image_read(image_file) %>% magick::image_ggplot() %>% print() + writeLines(txt) + } +``` + +```{r 091-meta-data} + +meta_data <- + read_delim(paste0(pad_data, "ankerkuil_meta_data.csv"), + delim = ";") + +for(i in 1:nrow(meta_data)){ + ##first extract the object value + tempobj=meta_data$waarde[i] + ##now create a new variable with the original name of the list item + eval(parse(text=paste(meta_data$naam[i],"= tempobj"))) +} + +``` + +## Resultaten + +### Ankerkuil + +#### Soortenrijkdom in `r laatste_jaar` + +We vingen `r aantal_soorten_laatste_jaar` vissoorten in `r laatste_jaar`. +Een overzicht van de soorten gevangen in `r laatste_jaar` is weergegeven in Tabel \@ref(tab:091-tabel-overzicht-soorten). +In de zone met sterke saliniteitsgradiënt (Doel en Antwerpen) werden er meer soorten gevangen dan in de oligohaliene (Steendorp) en zoetwater (Branst) zone (Tabel \@ref(tab:091-tabel-aantal-soorten)). + Over de beschouwde periode (`r vroegste_jaar` - `r laatste_jaar`) worden er inderdaad systematisch meer soorten gevangen in deze zone dan in de oligohaliene en zoete zone (Figuur \@ref(fig:091-figuur-aantal-soorten-locatie-historisch)). +De turnover van soorten tussen seizoenen op elke locatie bedraagt tot een derde van de gevangen soorten. +Het totaal aantal soorten jaarlijks gevangen in de Zeeschelde (over alle locaties) in de periode `r vroegste_jaar`-`r laatste_jaar` varieert rond de 40, met een maximum (46) in 2017 en een minimum (36) in 2020. +De turnover in soorten tussen locaties bedraagt tot een kwart van het totaal aantal soorten. + +```{r 091-tabel-overzicht-soorten} + +tabel_gevangen_soorten <- + read_excel(paste0(pad_tabellen, "ankerkuil_tabellen_vissen.xlsx"), + sheet = "gevangen_soorten") %>% + arrange(soort) + +cap_gevangen_soorten <- + paste0("Overzicht van de vissoorten gevangen tijdens de ankerkuilcampagnes in de Zeeschelde in ", + laatste_jaar, + ".") + +tabel_gevangen_soorten %>% + mutate(across(everything(), ~as.character(.) %>% replace_na(""))) %>% + mutate(across(everything(), ~cell_spec(., color = "black"))) %>% + knitr::kable(booktabs = TRUE, + caption = cap_gevangen_soorten, + align = c("l", rep("c", 12)), + col.names = c("", rep(c("Doel", "Antw.", "Steend.", "Branst"), 3)), + escape = FALSE) %>% + add_header_above(c(" " = 1, "voorjaar" = 4, "zomer" = 4, "najaar" = 4)) %>% + kable_styling("striped", + latex_options = c("striped", "scale_down"), + font_size = 15) + +``` + +
+ +```{r 091-tabel-aantal-soorten} + +tabel_aantal_soorten <- + read_excel(paste0(pad_tabellen, "ankerkuil_tabellen_vissen.xlsx"), + sheet = "aantal_soorten") + +cap_aantal_soorten <- + paste0("Aantal soorten gevangen tijdens de ankerkuilcampagnes in de Zeeschelde in ", + laatste_jaar, + ".") + +tabel_aantal_soorten %>% + mutate(across(everything(), ~as.character(.) %>% replace_na(""))) %>% + mutate(across(everything(), ~cell_spec(., color = "black"))) %>% + knitr::kable(booktabs = TRUE, + caption = cap_aantal_soorten, + align = c("l", rep("c", 3)), + escape = FALSE) %>% + kable_styling("striped", + latex_options = c("striped"), + font_size = 10) + +``` + +
+ +```{r 091-figuur-aantal-soorten-locatie-historisch, fig.cap=cap_aantal_soorten_locatie, out.width="110%"} + +cap_aantal_soorten_locatie <- + str_c("Het aantal soorten gevangen per locatie in de Zeeschelde tijdens de ankerkuilcampagnes in de periode 2012-",laatste_jaar,". Het donkere deel per balk geeft het gemiddeld aantal soorten gevangen per jaar en locatie; het lichtere deel geeft het totaal aantal gevangen soorten per jaar en locatie.") + +knitr::include_graphics(paste0(pad_figuren, "aantal_soorten_locatie.jpg")) + +``` + +
+ +#### Relatieve soortensamenstelling voor de meest dominante soorten in `r laatste_jaar` + +We analyseren alle vangstgegevens van `r laatste_jaar`. +Soorten met in alle seizoenen en locaties een relatieve bijdrage kleiner dan 10% voor zowel de aantallen als biomassa worden als 'rest' samengenomen. + +Uit deze analyse blijkt dat de relatieve abundantie van soorten zowel seizoenaal als ruimtelijk verschilt (Figuur \@ref(fig:091-figuur-relatief-aantal)). +In Doel en Antwerpen (zone met sterke saliniteitsgradiënt) zijn haringachtigen dominant in alle seizoenen van `r laatste_jaar`. +Door omstandigheden was er in het voorjaar onvoldoende tijd om haring en sprot tot op soort te brengen. +Ze werden samen geregistreerd als "haringachtigen". +In de zomer en het najaar ging het in Doel vooral over haring, in Antwerpen werd eerder sprot gevangen. +Ook in de Westerschelde werd in het najaar van 2022 extreem veel kleine sprot gevangen in alle ankerkuil stations (de Boois & Couperus, 2022). +Spiering was veel minder omnipresent in 2022. +In Steendorp en Branst (zoetwater) domineerden ze de vangstaantallen in het voorjaar maar in zomer nam brakwatergrondel het over in Branst en in het najaar ook in Steendorp. + +Uitgedrukt in biomassa treden spiering en ook snoekbaars iets meer op de voorgrond (Figuur \@ref(fig:091-figuur-relatieve-biomassa)). +Naast spiering staan sprot en haring in voor een relatief groot aandeel van de biomassa in de zone met sterke saliniteitsgradiënt. +In de zoete zone zijn dat eerder brakwatergrondel en snoekbaars. + +```{r 091-figuur-relatief-aantal, fig.cap=cap_relatief_aantal, out.width="100%"} + +cap_relatief_aantal <- + str_c("Het relatief aantal gevangen individuen in de Zeeschelde tijdens de ankerkuilcampagnes in het voorjaar, de zomer en het najaar van ",laatste_jaar,". De getallen geven de percentages van het aantal gevangen vissen weer.") + +knitr::include_graphics(paste0(pad_figuren, "relatief_aantal_gevangen_individuen.jpg")) + +``` + +
+ +```{r 091-figuur-relatieve-biomassa, fig.cap=cap_relatieve_biomassa, out.width="100%"} + +cap_relatieve_biomassa <- + str_c("De relatieve biomassa van de vangsten in de Zeeschelde tijdens de ankerkuilcampagnes in het voorjaar, de zomer en het najaar van ",laatste_jaar,". De getallen geven de percentages van de totale biomassa weer.") + +knitr::include_graphics(paste0(pad_figuren, "relatieve_biomassa_gevangen_individuen.jpg")) + +``` + +
+ +#### Densiteit, biomassa en diversiteit binnen EMSE + +##### Algemene trends per saliniteits- en dieetvoorkeur + +In de hieronder volgende figuren voor aantallen en biomassa worden de bijdragen van de meest abundante soorten per functionele groep met individuele kleurcodes weergegeven. +Soorten die binnen een functionele groep minder dan 10% van zowel de aantallen als de biomassa uitmaken worden telkens samengenomen als 'rest'. + +[Estuariene soorten en mariene migranten]{.underline} + +Figuur \@ref(fig:091-figuur-aantallen-marien-EMSE) geeft per saliniteitszone (EMSE niveau 3) en dieetvoorkeur de aantallen weer voor de gevangen estuariene soorten en mariene migranten. + +Benthivore soorten overheersen naar aantal en biomassa, vooral in de zoete zone. +In de zone met sterke saliniteitsgradiënt is er een sterke piek van planktivoren in 2022. + +Brakwatergrondel en dikkopje zijn veruit de meest talrijke benthivore soorten in deze groep. +De grootste aantallen vonden we in de zoetwaterzone in Branst (vaak 100-200 individuen per 1000m³, met een piek in van 600 in 2018). +Enkel in 2020 waren ze meest talrijk in Steendorp. +In zomer en najaar 2022 overheerste brakwatergrondel in Branst. + +Omnivore mariene en estuariene soorten worden qua aantallen gedomineerd door kleine zeenaald in de zone met sterke saliniteitsgradiënt en in het oligohalien en zoetwater door, hoofdzakelijk juveniele, zeebaars die daar komt opgroeien. +De aantallen zijn beduidend lager dan voor de benthivore soorten van deze groep (\< 5 individuen per 1000m³). +De laatste jaren wordt deze soortengroep minder gevangen dan in de periode voor 2018. + +Piscivore estuariene en mariene soorten volgens de EMSE indeling komen in de Zeeschelde niet voor, de éénmalige vangst van een smelt uitgezonderd. +In realiteit gedragen ook zeebaars, steenbolk en zeeforel zich hoofdzakelijk piscivoor in de Zeeschelde. + +Planktivore individuen van de groep estuarien residente en mariene migranten zijn meest talrijk in de zone met sterke saliniteitsgradiënt, met een uitschieter tot meer dan 200 individuen per 1000m³ in `r laatste_jaar`, maar ze zijn toch ook tot in de zoete zone terug te vinden. +Het gaat hier vooral om juveniele haring en sprot, mariene soorten die de luwte en voedselrijkdom van het estuarium opzoeken om op te groeien. +Opvallend in 2022 was het relatief groot aantal sprot ten opzichte van haring in vergelijking tot vorige jaren. + +De patronen voor biomassa vertonen grotendeels dezelfde verhoudingen tussen soortgroepen, saliniteitszones en soorten (Figuur \@ref(fig:091-figuur-biomassa-marien-EMSE)). +De omnivore mariene en estuariene soorten vertonen echter wel een grotere soortendiversiteit qua biomassa dan qua aantallen in de zone met sterke saliniteitsgradiënt. +De dominatie van zeenaald is een stuk minder uitgesproken in de biomassa dan in de aantallen. + +De sterke dominantie van één of twee soorten qua aantallen binnen elke soortgroep is ook duidelijk zichtbaar in Figuur \@ref(fig:091-figuur-diversiteit-marien-EMSE). +Zelfs als er in totaal (S) 5 of meer soorten voorkomen in een groep wordt deze meestal door slechts één of twee soorten gedomineerd (D). +Enkel voor de omnivore mariene en estuariene soorten kan de diversiteit oplopen tot 4-6. +Soortenaantal en diversiteit vertonen geen uitgesproken trends binnen de soortgroepen, maar zijn relatief stabiel. + +```{r 091-figuur-aantallen-marien-EMSE, fig.cap=aantallen_marien_EMSE, out.width="110%"} + +aantallen_marien_EMSE <- + str_c("Totaal aantal gevangen individuen van estuariene soorten en mariene migranten in de Zeeschelde in de periode 2012-",laatste_jaar,". Jaargemiddelde aantallen per scheldezone (EMSE, niveau 3) en EMSE soortgroepen.") + +knitr::include_graphics(paste0(pad_figuren, "relatieve_aantallen_tot_aantal_EMSE_marien.jpg")) + +``` + +
+ +```{r 091-figuur-biomassa-marien-EMSE, fig.cap=biomassa_marien_EMSE, out.width="110%"} + +biomassa_marien_EMSE <- + str_c("Totale biomassa gevangen individuen van estuariene soorten en mariene migranten in de Zeeschelde in de periode 2012-",laatste_jaar,". Jaargemiddelde biomassa per scheldezone (EMSE, niveau 3) en EMSE soortgroepen.") + +knitr::include_graphics(paste0(pad_figuren, "relatieve_biomassa_tot_biomassa_EMSE_marien.jpg")) + +``` + +
+ +```{r 091-figuur-diversiteit-marien-EMSE, fig.cap=diversiteit_marien_EMSE, out.width="100%"} + +diversiteit_marien_EMSE <- + str_c("Aantal soorten (S, lichtblauw) en Shannon diversiteit (D, donkerblauw) van estuariene soorten en mariene migranten in de Zeeschelde in de periode 2012-",laatste_jaar,". Jaargemiddelde diversiteit per scheldezone (EMSE, niveau 3) en EMSE soortgroepen.") + +knitr::include_graphics(paste0(pad_figuren, "diversiteit_S_D_EMSE_marien.jpg")) + +``` + +
+ +[Diadrome soorten]{.underline} + +Volgens de EMSE indeling zijn er geen diadrome benthivore en planktivore vissoorten in de Zeeschelde. +De twee zogenaamd piscivore soorten, de zeeprik en de rivierprik zijn eigenlijk parasitaire soorten waarvan er telkens maar enkele gevangen worden. +Aantallen, biomassa en dominantie zijn dus sterk variabel in de tijd en per saliniteitszone voor deze functionele groep. + +De diadrome soorten in de Zeeschelde zijn dus voornamelijk omnivoor en deze functionele groep is zo sterk gedomineerd door spiering (Figuur \@ref(fig:091-figuur-aantallen-diadroom-EMSE)) dat bot, driedoornige stekelbaars, fint en paling, die nochtans ook zeer regelmatig gevangen worden, niet eens apart vermeld worden maar samen met nog enkele andere, minder algemene soorten, onder 'rest' verwerkt worden. + +Spieringen zijn meest talrijk in de oligohaliene en zoetwater zone met pieken tot 4000-6000 individuen per 1000m³ in 2014. +In recente jaren zijn de aantallen een stuk lager (50-600 individuen per 1000m³). +Met uitzondering van een dip rond 2016 was de biomassa aan spiering in voorgaande jaren relatief stabiel. +In `r laatste_jaar` zijn de aantallen en biomassa aan gevangen spiering echter opvallend laag, vooral in de zoetwater zone. +Vergelijking van aantallen en biomassa in de verschillende saliniteitszones doet vermoeden dat de spieringen gemiddeld het kleinst zijn in de zoete zone en het grootste in de zone met sterke saliniteitsgradiënt. +Deze soort plant zich inderdaad voort stroomopwaarts in de zoete zone met korte verblijftijd, groeit op in het estuarium en trekt na enkele jaren naar zee. +Om het rekruteringssucces te bepalen moet echter de grootteklasse verdeling per seizoen en per locatie geanalyseerd worden. +Deze data zijn voorhanden maar worden niet gebruikt in EMSE. +(Figuur \@ref(fig:091-figuur-biomassa-diadroom-EMSE)). + +De diversiteit voor diadrome functionele groepen is zeer laag. +Hoewel er tot 8 omnivore soorten samen kunnen voorkomen blijft de spiering dominant over alles heen (Figuur \@ref(fig:091-figuur-diversiteit-diadroom-EMSE)). + +```{r 091-figuur-aantallen-diadroom-EMSE, fig.cap=aantallen_diadroom_EMSE, out.width="110%"} + +aantallen_diadroom_EMSE <- + str_c("Totaal aantal gevangen individuen van diadrome soorten in de Zeeschelde in de periode 2012-",laatste_jaar,". Jaargemiddelde aantallen per scheldezone (EMSE, niveau 3) en EMSE soortgroepen.") + +knitr::include_graphics(paste0(pad_figuren, "relatieve_aantallen_tot_aantal_EMSE_diadroom.jpg")) + +``` + +
+ +```{r 091-figuur-biomassa-diadroom-EMSE, fig.cap=biomassa_diadroom_EMSE, out.width="110%"} + +biomassa_diadroom_EMSE <- + str_c("Totale biomassa gevangen individuen van diadrome soorten in de Zeeschelde in de periode 2012-",laatste_jaar,". Jaargemiddelde biomassa per scheldezone (EMSE, niveau 3) en EMSE soortgroepen.") + +knitr::include_graphics(paste0(pad_figuren, "relatieve_biomassa_tot_biomassa_EMSE_diadroom.jpg")) + +``` + +
+ +```{r 091-figuur-diversiteit-diadroom-EMSE, fig.cap=diversiteit_diadroom_EMSE, out.width="100%"} + +diversiteit_diadroom_EMSE <- + str_c("Aantal soorten (S, lichtblauw) en Shannon diversiteit (D, donkerblauw) van diadrome soorten in de Zeeschelde in de periode 2012-",laatste_jaar,". Jaargemiddelde diversiteit per scheldezone (EMSE, niveau 3) en EMSE soortgroepen.") + +knitr::include_graphics(paste0(pad_figuren, "diversiteit_S_D_EMSE_diadroom.jpg")) + +``` + +
+ +[Zoetwater soorten]{.underline} + +Zoetwater soorten zijn meest talrijk in de zoetwaterzone waar de aantallen en biomassa vanaf 2016 algemeen toenemen (Figuur \@ref(fig:091-figuur-aantallen-zoetwater-EMSE), Figuur \@ref(fig:091-figuur-biomassa-zoetwater-EMSE)). + +Binnen de zoetwatersoorten zijn omnivoren de meest talrijke en de meest soortenrijke functionele groep en ze vertegenwoordigen ook de grootste biomassa. +Snoekbaars is dominant in deze groep, zowel in aantallen als in biomassa. +De aantallen daalden maar de biomassa was groter in 2022, er werden dus relatief meer grotere exemplaren gevangen. + +Benthivore zoetwater soorten worden qua aantallen gedomineerd door brasem, tiendoornige stekelbaars en blauwbandgrondel. +Qua gewicht is enkel brasem dominant in deze functionele groep. +Brasem is in `r laatste_jaar` met opvallend hoge aantallen gevangen. +Dit weerspiegelt zich niet in de biomassa, wat aangeeft dat er vooral kleine specimens zijn gevangen. + +Baars en de exotische zonnebaars zijn de enige piscivore zoetwatersoorten voor de Zeeschelde. +Baars is de dominante soort naar aantallen en gewicht. +Na een uitschieter in 2021 zijn aantal en gewicht in `r laatste_jaar` weer gedaald. + +Planktivore zoetwatersoorten komen in de Zeeschelde niet voor. + +Zoals voor de mariene, estuariene en diadrome soorten worden ook de zoetwater soortengroepen grotendeels gedomineerd door één à twee soorten (D), hoewel vaak meer soorten gevangen worden (S) (Figuur \@ref(fig:091-figuur-diversiteit-zoetwater-EMSE)). + +```{r 091-figuur-aantallen-zoetwater-EMSE, fig.cap=aantallen_zoetwater_EMSE, out.width="110%"} + +aantallen_zoetwater_EMSE <- + str_c("Totaal aantal gevangen individuen van zoetwater soorten in de Zeeschelde in de periode 2012-",laatste_jaar,". Jaargemiddelde aantallen per scheldezone (EMSE, niveau 3) en EMSE soortgroepen op basis van ankerkuildata.") + +knitr::include_graphics(paste0(pad_figuren, "relatieve_aantallen_tot_aantal_EMSE_zoet.jpg")) + +``` + +
+ +```{r 091-figuur-biomassa-zoetwater-EMSE, fig.cap=biomassa_zoetwater_EMSE, out.width="110%"} + +biomassa_zoetwater_EMSE <- + str_c("Totale biomassa gevangen individuen van zoetwater soorten in de Zeeschelde in de periode 2012-",laatste_jaar,". Jaargemiddelde biomassa per scheldezone (EMSE, niveau 3) en EMSE soortgroepen.") + +knitr::include_graphics(paste0(pad_figuren, "relatieve_biomassa_tot_biomassa_EMSE_zoet.jpg")) + +``` + +
+ +```{r 091-figuur-diversiteit-zoetwater-EMSE, fig.cap=diversiteit_zoetwater_EMSE, out.width="100%"} + +diversiteit_zoetwater_EMSE <- + str_c("Aantal soorten (S, lichtblauw) en Shannon diversiteit (D, donkerblauw) van zoetwater soorten in de Zeeschelde in de periode 2012-",laatste_jaar,". Jaargemiddelde diversiteit per scheldezone (EMSE, niveau 3) en EMSE soortgroepen.") + +knitr::include_graphics(paste0(pad_figuren, "diversiteit_S_D_EMSE_zoet.jpg")) + +``` + +
+ +#### Trends in sleutelsoorten + +Een aantal soorten beschouwen we als sleutelsoorten in de Zeeschelde omdat ze informatie geven over één of meerdere ecologische functies van het estuarium of omdat ze Europees beschermd zijn. +De diadrome sleutelsoorten zijn: fint, spiering, bot, paling en rivierprik. +Ze geven informatie over het gebruik van het estuarium als migratiekanaal. +Fint- en spieringvangsten geven daarenboven informatie over het gebruik van het estuarium als paaihabitat. +Mariene sleutelsoorten zijn haring, zeebaars, tong en ansjovis. +Hun aanwezigheid toont aan dat het estuarium als opgroei- en foerageergebied wordt gebruikt. + + +Van de 25 sleutelsoorten uit de lijst (EMSE 2021) worden er 22 waargenomen in de Zeeschelde aan de hand van ankerkuil bevissingen: 8 mariene en estuariene soorten, 6 diadrome soorten en 8 zoetwater soorten. +Slechts een aantal soorten komen echter in relatief hoge aantallen voor. + + + +[Estuariene soorten en mariene migranten]{.underline} + +Van de estuariene en mariene sleutelsoorten komen brakwatergrondel, dikkopje, haring en zeebaars vrij frequent voor (\> 1 individu per 1000m³, Figuur \@ref(fig:091-figuur-mariene-sleutelsoorten)). +De overige soorten komen slechts in zeer kleine aantallen voor. +Sprot wordt eveneens in vrij grote aantallen gevangen maar werd niet als sleutelsoort aangeduid. + +- Brakwatergrondel komt in de grootste aantallen voor in het zoetwater en vertoont piekdensiteiten rond 2018. + In `r laatste_jaar` zijn de aantallen waargenomen in de ankerkuil vangsten gemiddeld. + +- Dikkopje komt meestal in de hoogste aantallen voor in het oligohalien. + Na hoge densiteiten in 2018 en 2020 zijn de aantallen in 2021 en `r laatste_jaar` eerder klein. + +- Haring komt vooral voor in de zone met sterke saliniteitsgradiënt. + De aantallen zijn relatief stabiel, met piekdensiteiten in 2014, 2018 en `r laatste_jaar`. + Een echte piek werd in 2022 veroorzaakt door sprot en haring samen. + +- Zeebaars wordt vooral waargenomen in de zoetwater zone en in het oligohalien. + In vergelijking met de periode 2012-2017 komt er nu weinig zeebaars voor in de Zeeschelde. + +```{r 091-figuur-mariene-sleutelsoorten, fig.cap=cap_aantal_sleutelsoorten_marien, out.width="100%"} + +cap_aantal_sleutelsoorten_marien <- + str_c("Aantallen van sleutelsoorten binnen estuariene soorten en mariene migranten in de Zeeschelde in de periode 2012-",laatste_jaar,". Jaargemiddelde aantallen per scheldezone (EMSE, niveau 3).") + +knitr::include_graphics(paste0(pad_figuren, "aantallen_sleutelsoorten_EMSE_marien.jpg")) + +``` + +
+ +[Diadrome soorten]{.underline} + +De meest voorkomende diadrome sleutelsoorten (\> 1 individu per 1000m³) zijn bot, fint en vooral spiering (Figuur \@ref(fig:091-figuur-diadrome-sleutelsoorten)). +Paling wordt slechts in kleine aantallen gevangen, maar is qua biomassa toch vrij belangrijk. + +- Bot komt voor in alle drie de scheldezones waar afvissingen met ankerkuil worden gedaan, maar met over het algemeen de hoogste aantallen in het zoetwater. + Aantallen bot varieren van jaar tot jaar, met in `r laatste_jaar` lage aantallen. + +- Fint aantallen vertoonden pieken in 2012, 2015 en 2017. + Hoewel de aantallen recent een stuk lager zijn, kunnen ze in het voorjaar tijdens de paaiperiode toch een belangrijk deel van de biomassa uitmaken in de zoetwaterzone (zie Figuur \@ref(fig:091-figuur-relatief-aantal)). + Sterke variatie in de aantallen kan zowel aan de paaitrek als aan het rekruteringssucces te wijten zijn. + Aangezien het om een habitatrichtlijn soort gaat die terugkwam nadat ze lange tijd als uitgestorven beschouwd was is het belangrijk om door jaarlijkse analyse van paaitrek én rekrutering te evalueren hoe duurzaam deze hervestiging van de fint in de Zeeschelde is. + +- Paling wordt vooral gevangen in het oligohalien en zoetwater. + De aantallen vertonen een licht dalende trend die lijkt gestabiliseerd in `r laatste_jaar`. + Deze trend is minder duidelijk in de biomassa die vrij sterk varieert van jaar tot jaar. + +- Spiering is in het algemeen de soort met de hoogste aantallen en biomassa in de Zeeschelde (zie ook Figuur \@ref(fig:091-figuur-relatief-aantal), \@ref(fig:091-figuur-relatieve-biomassa), \@ref(fig:091-figuur-aantallen-diadroom-EMSE) en \@ref(fig:091-figuur-biomassa-diadroom-EMSE)). + Deze soort vertoonde een heel sterke piek in aantallen in 2014. + In `r laatste_jaar` werden de laagste aantallen en biomassa sinds de start van de monitoringsreeks gevangen. + +```{r 091-figuur-diadrome-sleutelsoorten, fig.cap=cap_aantal_sleutelsoorten_diadroom, out.width="100%"} + +cap_aantal_sleutelsoorten_diadroom <- + str_c("Aantallen van diadrome sleutelsoorten in de Zeeschelde in de periode 2012-",laatste_jaar,". Jaargemiddelde aantallen per scheldezone (EMSE, niveau 3).") + +knitr::include_graphics(paste0(pad_figuren, "aantallen_sleutelsoorten_EMSE_diadroom.jpg")) + +``` + +
+ +[Zoetwater soorten]{.underline} + +De meest voorkomende sleutelsoorten qua aantallen/biomassa voor de zoetwatersoorten zijn blankvoorn, brasem en snoekbaars (Figuur \@ref(fig:091-figuur-zoetwater-sleutelsoorten)). + +- Na de forse toename van blankvoorn in het zoetwater in 2021 vertoont deze soort in `r laatste_jaar` opnieuw lagere aantallen. + Wat betreft biomassa is al vanaf 2019 een duidelijke toename waar te nemen. + + +- Brasem vertoont een duidelijke toename in aantallen in het zoetwater vanaf 2016 in vergelijking met de jaren ervoor. + In `r laatste_jaar` pieken de aantallen echt in het zoetwater. + +- Ook snoekbaars vertoont een toename vanaf 2016. + Deze soort komt niet alleen voor in het zoetwater maar ook vaak in het oligohalien en zelfs in de zone met sterke saliniteitsgradiënt. + +```{r 091-figuur-zoetwater-sleutelsoorten, fig.cap=cap_aantal_sleutelsoorten_zoetwater, out.width="100%"} + +cap_aantal_sleutelsoorten_zoetwater <- + str_c("Aantallen van zoetwater sleutelsoorten in de Zeeschelde in de periode 2012-",laatste_jaar,". Jaargemiddelde aantallen per scheldezone (EMSE, niveau 3).") + +knitr::include_graphics(paste0(pad_figuren, "aantallen_sleutelsoorten_EMSE_zoet.jpg")) + +``` + +
+ +#### Alternatieve evaluatie per estuarien habitatgebruik of dieet + +Het gildenconcept wordt normaal gezien gebruikt om een bepaald kenmerk van visgemeenschappen te onderzoeken. +De voorkomende soorten worden dan gegroepeerd op basis van dat bepaald kenmerk. +In de EMSE methodiek worden twee van deze kenmerken gebruikt, het gebruik van estuariene habitats en het dieet. +Er werd beslist om deze te 'nesten' waardoor er 12 functionele groepen gevormd werden. + +Alternatief kunnen we ook het gildenconcept toepassen zoals gebruikelijk en enerzijds het estuarien habitat gebruik door de visgemeenschap evalueren en anderzijds visgemeenschap positioneren in het estuariene voedselweb. +Op die manier wordt ook de volledige visgemeenschap in één overzicht beoordeeld. + +Zo zien we in één oogopslag dat er met de ankerkuil meest vissen per m³ gevangen worden in de zoete zone en het minst in de zone met sterke saliniteitsgradiënt. +Dit geldt zowel voor aantallen als voor biomassa. +Men zou dus kunnen besluiten dat de densiteit van de vispopulaties in de Zeeschelde aanwezig in het pelagiaal stijgt in stroomopwaartse richting als we abstractie maken van de verschillen in morfodynamische habitateigenschappen op de verschillende visplaatsten. + +##### Estuarien habitat gebruik + +De resultaten voor aantallen, biomassa en diversiteit per groep van estuarien habitat gebruik worden weergegeven in respectivelijk Figuur \@ref(fig:091-figuur-aantallen-habitat), Figuur \@ref(fig:091-figuur-biomassa-habitat) en Figuur \@ref(fig:091-figuur-diversiteit-habitat). + +Voor alle drie de estuariene habitat gebruik groepen zien we de laagste densiteiten in de zone met sterke saliniteitsgradiënt. +Diadrome vissen overheersten de aantallen in de ankerkuilvangsten, met vergelijkbare aantallen per m³ in de oligohaliene en zoete zone. +Mariene en estuariene soorten worden in kleinere aantallen gevist met bijna een factor 10 minder. +Zoetwatersoorten worden tenslotte nog eens met een factor 10 minder gevangen, weliswaar met duidelijke toename in stroomopwaartse richting. +Op basis van gemiddelde biomassa per m³ zijn de trends vergelijkbaar maar zijn de verschillen tussen estuariene habitat gebruik groepen veel kleiner. +Het gaat dus voornamelijk om kleine, juveniele diadrome individuen en grotere, adulte zoetwatervissen. +De estuarien residente soorten zijn middelgroot en alle leeftijdsklassen zijn aanwezig. + +Spieringen zijn zonder meer de dominante trekvissen, zowel naar aantal als naar biomassa en dat geldt in alle saliniteitszones van de Zeeschelde . +De aantallen spiering zijn al een aantal jaren veel kleiner dan voorheen, in 2022 echter zijn niet alleen de aantallen maar ook de biomassa's uitzonderlijk laag. +Dit vergt nader onderzoek. + +Snoekbaars is de dominante zoetwatersoort, eveneens in aantal en biomassa. +De dominantie is echter minder uitgesproken dan die van de spiering, o.a. +ook omdat het aantal algemene soorten het grootst is in deze groep. +Aantallen en biomassa van zoetwatersoorten vertonen een stijgende trend. + +Het beeld van mariene en estuariene soorten is iets complexer omdat hier in realiteit twee verschillende estuarien habitat gebruik gilden samengevoegd worden: estuarien residenten en mariene migranten die elk op een heel andere manier gebruik maken van het estuarien habitat. +In de zoete zone met lange verblijftijd en in het oligohalien zijn brakwatergrondel en dikkopje, twee estuarien residente soorten, de meest talrijke soorten van deze guildengroep. +Afgezien van de uitzonderlijke piek in 2018 schommelen de aantallen en biomassa's zonder uitgesproken trend te vertonen. + +In de zone met sterke saliniteitgradiënt is haring, een mariene migrant het meest talrijk. +In `r laatste_jaar` is er wel opvallend veel sprot gevangen in deze zone. +Indien we naar de biomassa kijken winnen haring en ook sprot aan belang in de twee stroomafwaartse zones en zelfs in de zoete zone met lange verblijftijd. +Mariene migranten zoeken de beschutting en voedselrijkdom van het estuarium op tot in de zoetwater zone. +De aantallen en biomassa's variëren sterk van jaar tot jaar. + +De grootste soortenrijkdom vinden we bij de mariene en estuariene soorten in de zone met sterke saliniteitsgradiënt. +De voornaamste oorzaak hiervan is dat er af toe vangsten zijn van mariene dwaalgasten of stragglers. +Deze hebben weinig betekenis voor het estuarien functioneren, buiten de indicatie dat ze kunnen overleven in die omgeving. +De laagste soortenrijkdom vinden we bij de diadromen in de oligohaliene zone. +De diversiteit is het grootst bij de zoetwatersoorten. + +
+ +```{r 091-figuur-aantallen-habitat, fig.cap=aantallen_habitat, out.width="110%"} + +aantallen_habitat <- + str_c("Totaal aantal gevangen individuen voor elke groep van estuarien habitat gebruik in de periode 2012-",laatste_jaar,". Jaargemiddelde aantallen per scheldezone (EMSE, niveau 3) en habitatgroepen.") + +knitr::include_graphics(paste0(pad_figuren, "EMSE_alternatief/relatieve_aantallen_tot_aantal_salgroep.jpg")) + +``` + +
+ +```{r 091-figuur-biomassa-habitat, fig.cap=biomassa_habitat, out.width="110%"} + +biomassa_habitat <- + str_c("Totale biomassa gevangen individuen voor elke groep van estuarien habitat gebruik in de periode 2012-",laatste_jaar,". Jaargemiddelde biomassa per scheldezone (EMSE, niveau 3) en habitatgroepen.") + +knitr::include_graphics(paste0(pad_figuren, "EMSE_alternatief/relatieve_biomassa_tot_biomassa_salgroep.jpg")) + +``` + +
+ +```{r 091-figuur-diversiteit-habitat, fig.cap=diversiteit_habitat, out.width="100%"} + +diversiteit_habitat <- + str_c("Aantal soorten (S, lichtblauw) en Shannon diversiteit (D, donkerblauw) voor elke groep van estuarien habitat gebruik in de periode 2012-",laatste_jaar,". Jaargemiddelde diversiteit per scheldezone (EMSE, niveau 3) en habitatgroepen.") + +knitr::include_graphics(paste0(pad_figuren, "EMSE_alternatief/diversiteit_S_D_salgroep.jpg")) + +``` + +
+ +##### Dieet + +De resultaten voor aantallen, biomassa en diversiteit per dieetgroep worden weergegeven in respectievelijk Figuur \@ref(fig:091-figuur-aantallen-dieet), Figuur \@ref(fig:091-figuur-biomassa-dieet) en Figuur \@ref(fig:091-figuur-diversiteit-dieet). + +Qua trofische samenstelling overheersen omnivoren de aantallen en ook de biomassa, gevolgd door benthivoren, planktivoren en tenslotte een zeer kleine minderheid aan piscivoren. + +Brakwatergrondel en dikkopje en ook brasem zijn de dominante benthivoren zowel in de aantallen als in de biomassa. +De gevangen hoeveelheden en de dominantie van brakwatergrondel over dikkopje stijgen beiden in stroomopwaartse richting. + +Spiering is de dominante omnivoor met veel hogere aantallen en biomassa dan snoekbaars en andere omnivoren. +Dit moet echter genuanceerd worden. +De overgrote meerderheid zijn planktivore juveniele spieringen. +In het pelagiaal van de oligohaliene en zoete zeeschelde vinden we dus voornamelijk planktivore individuen. + +In de saliniteitsgradiënt zijn haring en sprot de belangrijkste planktivoren, met een zeer opvallende piek in 2022. +Ook in het oligohalien zijn ze talrijk aanwezig. + +Baars, rivierprik en zeeprik zijn de belangrijkste piscivoren. +In aantallen overheerst baars, met een opvallende piek in Overbeke in 2021. +Pieken in de biomassa worden eerder veroorzaakt door occasionele vangsten van prikken, die gemiddeld veel groter zijn. +Ook piscivorie in de waterkolom van de Zeeschelde is onderschat doordat de EMSE indeling in dieetgroepen geen rekening houdt met de dieetshift van dominante soorten. +Een groot aandeel van 'omnivore' biomassa betreft ook volwassen spieringen en snoekbaars, die zich in de Schelde voornamelijk piscivoor gedragen (eigen observatie). +Ook volwassen fint, winde, meerval, zeebaars, steenbolk en zeeforel zijn als piscivoor gekend. + +Omnivoren vormen de meest soortenrijke trofische groep, gevolgd door benthivoren, planktivoren en tenslotte piscivoren. +Door de dominantie van enkele soorten in elke groep is de diversiteit algemeen laag in alle groepen en scheldezones. + +
+ +```{r 091-figuur-aantallen-dieet, fig.cap=aantallen_dieet, out.width="110%"} + +aantallen_dieet <- + str_c("Totaal aantal gevangen individuen per dieetgroep in de periode 2012-",laatste_jaar,". Jaargemiddelde aantallen per scheldezone (EMSE, niveau 3) en dieetgroepen.") + +knitr::include_graphics(paste0(pad_figuren, "EMSE_alternatief/relatieve_aantallen_tot_aantal_dieet.jpg")) + +``` + +
+ +```{r 091-figuur-biomassa-dieet, fig.cap=biomassa_dieet, out.width="110%"} + +biomassa_dieet <- + str_c("Totale biomassa gevangen individuen per dieetgroep in de periode 2012-",laatste_jaar,". Jaargemiddelde biomassa per scheldezone (EMSE, niveau 3) en dieetgroepen.") + +knitr::include_graphics(paste0(pad_figuren, "EMSE_alternatief/relatieve_biomassa_tot_biomassa_dieet.jpg")) + +``` + +
+ +```{r 091-figuur-diversiteit-dieet, fig.cap=diversiteit_dieet, out.width="100%"} + +diversiteit_dieet <- + str_c("Aantal soorten (S, lichtblauw) en Shannon diversiteit (D, donkerblauw) per dieetgroep in de periode 2012-",laatste_jaar,". Jaargemiddelde diversiteit per scheldezone (EMSE, niveau 3) en dieetgroepen.") + +knitr::include_graphics(paste0(pad_figuren, "EMSE_alternatief/diversiteit_S_D_dieet.jpg")) + +``` + +
diff --git a/moneos_2024/150_geintegreerd_rapport/092_vissen_fuiken.Rmd b/moneos_2024/150_geintegreerd_rapport/092_vissen_fuiken.Rmd new file mode 100644 index 0000000..d2f0d9b --- /dev/null +++ b/moneos_2024/150_geintegreerd_rapport/092_vissen_fuiken.Rmd @@ -0,0 +1,686 @@ +```{r 092-hoofdstuk, include=FALSE} + +hoofdstuk <- "090_vissen" + +``` + +```{r 092-setup, include=FALSE} + +knitr::opts_chunk$set(echo = FALSE, error=FALSE, warning=FALSE, message=FALSE, cache=FALSE, fig.pos = "H") +knitr::opts_knit$set(eval.after = "fig.cap") + +``` + +```{r 092-libraries} + +library(tidyverse) +library(readxl) +library(kableExtra) +library(rprojroot) ## workaround pad + +``` + +```{r 092-pad} + +# inlezen van variabelen +# pad naar data : pad_data +# pad naar tabellen : pad_tabellen +# pad naar figuren : pad_figuren + +source(find_root_file("../pad.R", criterion = is_rstudio_project)) + +pad_data <- maak_pad(hoofdstuk, "data") +pad_figuren <- maak_pad(hoofdstuk, "figuren/fuiken") +pad_tabellen <- maak_pad(hoofdstuk, "tabellen/fuiken") + +``` + +```{r 092-table_from_figure-function} +figtab <- + function(label, image_file, caption=NULL) { + txt <- sprintf('\\begin{table}[H]\n\\caption{%s}\n\\label{tab:%s}\n\\includegraphics{%s}\n\\end{table}', + caption, + label, + image_file) + magick::image_read(image_file) %>% magick::image_ggplot() %>% print() + writeLines(txt) + } +``` + +```{r 092-meta-data} + +meta_data <- + read_delim(paste0(pad_data, "fuiken_meta_data.csv"), + delim = ";") + +for(i in 1:nrow(meta_data)){ + ##first extract the object value + tempobj=meta_data$waarde[i] + ##now create a new variable with the original name of the list item + eval(parse(text=paste(meta_data$naam[i],"= tempobj"))) +} + +``` + +### Fuiken + +#### Soortenrijkdom in `r laatste_jaar` + +In `r laatste_jaar` werden `r aantal_soorten_laatste_jaar` vissoorten gevangen in de fuiken. +Een overzicht van de soorten gevangen in `r laatste_jaar` is weergegeven in Tabel \@ref(tab:092-tabel-overzicht-soorten). +De relatieve soortenrijkdom per saliniteitszone vertoont een gelijkaardige trend met fuiken en ankerkuil. +In de zone met sterke saliniteitsgradiënt (Paardenschor en Antwerpen) en de oligohaliene zone (Steendorp) werden er meer soorten gevangen dan in de zoetwaterzone met lange (Kastel) en korte (Appels, Overbeke) verblijftijd (Tabel \@ref(tab:092-tabel-aantal-soorten)). +In elke zone werden echter minder soorten bovengehaald met de fuiken. +Over de seizoenen werden met de fuiken minst soorten gevangen in het najaar terwijl dat met de ankerkuil in de zomer was. + +Ook totaal over de beschouwde periode (`r vroegste_jaar` - `r laatste_jaar`) worden meest soorten gevangen in de zone met sterke saliniteitsgradiënt (Zandvliet/Paardenschor \> Antwerpen) (Figuur \@ref(fig:092-figuur-aantal-soorten-locatie-historisch)) en daalt de soortenrijkdom in stroomopwaartse richting, net zoals met de ankerkuilvangsten. +Vanaf 2017 worden in de zone met sterke saliniteitsgradiënt wel minder soorten gevangen, terwijl meer stroomopwaarts het aantal soorten lijkt toe te nemen. + + +De soortensamenstelling op elke locatie kan sterk verschillen tussen de seizoenen, met een turnover van ongeveer één derde van de soorten. +Het totaal aantal soorten jaarlijks gevangen met fuiken in de Zeeschelde (over alle locaties) in de periode `r vroegste_jaar` - `r laatste_jaar` varieert rond de 33 (Figuur \@ref(fig:092-figuur-aantal-soorten-locatie-historisch)). +Tot een kwart van het aantal gevangen soorten kan verschillen tussen de locaties. +Het aantal gevangen soorten per jaar vertoont meer variatie vanaf 2016. +In 2022 zijn er met de fuiken beduidend minder soorten gevangen dan de jaren voorheen. +Dit heeft waarschijnlijk te maken met de halvering van het aantal fuikdagen per campagne van 2 naar 1 etmaal per locatie. +Uit vergelijking tussen vangsten na eerste en tweede etmaal in 144 campagnes blijkt dat een tweede vangst 0 tot 6 extra soorten oplevert met een gemiddelde van 2 soorten. + +```{r 092-tabel-overzicht-soorten} + +tabel_gevangen_soorten <- + read_excel(paste0(pad_tabellen, "tabellen_vissen.xlsx"), + sheet = "gevangen_soorten") %>% + arrange(soort) + +cap_gevangen_soorten <- + paste0("Overzicht van de vissoorten gevangen met fuiken in de Zeeschelde in ", + laatste_jaar, + ".") + +tabel_gevangen_soorten %>% + mutate(across(everything(), ~as.character(.) %>% replace_na(""))) %>% + mutate(across(everything(), ~cell_spec(., color = "black"))) %>% + knitr::kable(booktabs = TRUE, + caption = cap_gevangen_soorten, + align = c("l", rep("c", 12)), + col.names = c("", rep(c("Paard.", "Antw.", "Steend.", "Kastel", "Appels", "Overb."), 3)), + escape = FALSE) %>% + add_header_above(c(" " = 1, "voorjaar" = 6, "zomer" = 6, "najaar" = 6)) %>% + kable_styling("striped", + latex_options = c("striped", "scale_down"), + font_size = 15) + +``` + +
+ +```{r 092-tabel-aantal-soorten} + +tabel_aantal_soorten <- + read_excel(paste0(pad_tabellen, "tabellen_vissen.xlsx"), + sheet = "aantal_soorten") + +cap_aantal_soorten <- + paste0("Aantal soorten gevangen met fuiken in de Zeeschelde in ", + laatste_jaar, + ".") + +tabel_aantal_soorten %>% + mutate(across(everything(), ~as.character(.) %>% replace_na(""))) %>% + mutate(across(everything(), ~cell_spec(., color = "black"))) %>% + knitr::kable(booktabs = TRUE, + caption = cap_aantal_soorten, + align = c("l", rep("c", 3)), + escape = FALSE) %>% + kable_styling("striped", + latex_options = c("striped"), + font_size = 10) + +``` + +
+ +```{r 092-figuur-aantal-soorten-locatie-historisch, fig.cap=cap_aantal_soorten_locatie, out.width="110%"} + +cap_aantal_soorten_locatie <- + str_c("Het aantal soorten gevangen per locatie met fuiken in de Zeeschelde in de periode 2009-",laatste_jaar,". Het donkere deel per balk geeft het gemiddeld aantal soorten gevangen per jaar en locatie; het lichtere deel geeft het totaal aantal gevangen soorten per jaar en locatie.") + +knitr::include_graphics(paste0(pad_figuren, "aantal_soorten_locatie.jpg")) + +``` + +
+ +#### Relatieve soortensamenstelling voor de meest dominante soorten in `r laatste_jaar` + +Alle vangstgegevens van `r laatste_jaar` worden geanalyseerd. +Soorten met in alle seizoenen en locaties een relatieve bijdrage kleiner dan 10% voor zowel de aantallen als biomassa worden als 'rest' samengenomen. + +Deze analyse geeft aan dat de relatieve abundantie van de soorten zowel ruimtelijk als per seizoen verschilt (Figuur \@ref(fig:092-figuur-relatief-aantal)). +Het patroon verschilt ook sterk van dat van de ankerkuilvangsten en geeft algemeen een meer divers beeld met minder uitgesproken dominantie van een aantal soorten. + +In het voorjaar van `r laatste_jaar` overheersen schol, bot en zeebaars de aantallen aan het Paardenschor. +In Antwerpen zijn dat vooral spiering en bot. +In Steendorp wordt er naast spiering ook relatief veel paling gevangen. +In de zoete zone overheersen naast snoekbaars de typische zoetwatersoorten blankvoorn, kolblei en brasem. +In Kastel is er ook nog een redelijk aantal spiering. +In de zomer worden overal redelijke aantallen bot gevangen. +In de zone met sterke saliniteitsgradiënt overheerst tong, in Antwerpen aangevuld met snoekbaars. +In de zoete zone neemt snoekbaars in de zomer de overhand, aangevuld met paling, blankvoorn en brasem. +Dit beeld verandert compleet in het najaar. +In die periode overheerst brakwatergrondel de fuikvangsten van Antwerpen tot Appels. +Aan het Paardenschor blijven tong en bot belangrijk, aangevuld met zeebaars. +In Overbeke zijn dat de paling en kolblei. + +Uitgedrukt in biomassa overheerst de snoekbaars de zoete zone reeds in het voorjaar, in de zone met saliniteitsgradiënt zijn dat bot, dunlipharder, spiering en zeebaars. +In Kastel overheersen optrekkende finten niet in de aantallen maar wel in de biomassa. +Snoekbaars en paling blijven dominant in de zomer. +Aangevuld met brasem in de zoete zone en spiering en zeebaars meer stroomafwaarts. +In het Paardenschor is tong nu de belangrijkste soort (Figuur \@ref(fig:092-figuur-relatieve-biomassa)). +In het najaar overheersen achtereenvolgens zeebaars, bot en paling de biomassa van stroomaf naar stroomop. +Ook de talrijke kleine brakwatergrondeltjes laten zich bescheiden opmerken in de biomassa getallen. + +```{r 092-figuur-relatief-aantal, fig.cap=cap_relatief_aantal, out.width="100%"} + +cap_relatief_aantal <- + str_c("Het relatief aantal individuen per soort en per seizoen gevangen met fuiken in de Zeeschelde in ",laatste_jaar,". De getallen geven de percentages van het aantal gevangen vissen weer.") + +knitr::include_graphics(paste0(pad_figuren, "relatief_aantal_gevangen_individuen.jpg")) + +``` + +
+ +```{r 092-figuur-relatieve-biomassa, fig.cap=cap_relatieve_biomassa, out.width="100%"} + +cap_relatieve_biomassa <- + str_c("De relatieve biomassa per soort en per seizoen gevangen met fuiken in de Zeeschelde in ",laatste_jaar,". De getallen geven de percentages van de totale biomassa weer.") + +knitr::include_graphics(paste0(pad_figuren, "relatieve_biomassa_gevangen_individuen.jpg")) + +``` + +
+ +#### Densiteit, biomassa en diversiteit binnen EMSE + +##### Algemene trends per saliniteits- en dieetvoorkeur + +In de hieronder volgende figuren voor aantallen en biomassa worden de bijdragen van de meest abundante soorten per functionele groep met individuele kleurcodes weergegeven. +Soorten die binnen een functionele groep minder dan 10% van zowel de aantallen als de biomassa uitmaken worden telkens samengenomen als 'rest'. + +[Estuariene soorten en mariene migranten]{.underline} + +Figuur \@ref(fig:092-figuur-aantallen-marien-EMSE) en Figuur \@ref(fig:092-figuur-biomassa-marien-EMSE) geven per saliniteitszone (EMSE niveau 3) en dieetvoorkeur respectievelijk de aantallen en biomassa weer voor de gevangen estuariene soorten en mariene migranten. + +In deze estuariene gebruik groep overwegen benthivoren in aantal en biomassa. +Eerst vooral in de zone met sterke saliniteitsgradiënt maar de laatste jaren ook in de zoete zones. +In aantallen volgen planktivoren maar in biomassa zijn dat omnivoren. + +In de zone met sterke saliniteitsgradiënt worden vooral tong en schol gevangen als benthivore mariene migranten. +Het aantal tongen per fuikdag daalde sterk na 2011 en toonde nog een beperkte piek in 2017. +Brakwatergrondel en dikkopje zijn veruit de meest talrijke benthivore estuariene soorten in de oligohaliene en zoete zones. +De aantallen per fuikdag schommelen sterk zonder bepaalde trend. +In `r laatste_jaar` is er een piek in de zoete zones. +Deze werd ook waargenomen in Branst met de ankerkuilvangsten. + +Omnivore mariene soorten worden qua aantallen en biomassa gedomineerd door zeebaars. +Vooral in de zone met sterke saliniteitsgradiënt, zijn ze opvallend aanwezig in de fuikvangsten sinds 2015, terwijl ze in deze zone relatief minder gevangen worden met de ankerkuil. +Opvallend is ook de piek van steenbolk in 2019. + +Piscivore estuariene en mariene soorten volgens de EMSE indeling werden in de Zeeschelde niet gevangen met fuiken. + +Planktivore individuen van de groep estuarien residente en mariene migranten zijn vooral juvenielen van mariene soorten haring en sprot, die de luwte van het estuarium opzoeken om op te groeien. +Ze zijn meest talrijk in de zone met sterke saliniteitsgradiënt maar ze zijn toch ook tot in de zoete zone terug te vinden. +Daar waar de piek in de ankerkuil aantallen zich in 2022 voordeed was dat in 2021 voor de fuikvangsten. + +De patronen voor biomassa vertonen grotendeels dezelfde verhoudingen tussen soortgroepen, saliniteitszones en soorten (Figuur \@ref(fig:092-figuur-biomassa-marien-EMSE)). + +De sterke dominantie van één of twee soorten qua aantallen binnen elke soortgroep is ook duidelijk zichtbaar. +Uit Figuur \@ref(fig:092-figuur-diversiteit-marien-EMSE) blijkt de sterke dominantie van één of twee soorten qua aantallen binnen elke soortgroep. +De functionele groepen worden gedomineerd door slechts één of twee soorten (D), ook als er in totaal (S) 5 of meer soorten voorkomen in een groep. +Uitzonderlijk komt in de zone met sterke saliniteitsgradiënt een diversiteit (D) hoger dan 2 voor. +Soortenaantal en diversiteit vertonen geen uitgesproken trends binnen de soortgroepen, maar zijn relatief stabiel. + +```{r 092-figuur-aantallen-marien-EMSE, fig.cap=aantallen_marien_EMSE, out.width="110%"} + +aantallen_marien_EMSE <- + str_c("Totaal aantal gevangen individuen van estuariene soorten en mariene migranten in de Zeeschelde in de periode 2009-",laatste_jaar,". Jaargemiddelde aantallen per scheldezone (EMSE, niveau 3) en EMSE soortgroepen.") + +knitr::include_graphics(paste0(pad_figuren, "relatieve_aantallen_tot_aantal_EMSE_marien.jpg")) + +``` + +
+ +```{r 092-figuur-biomassa-marien-EMSE, fig.cap=biomassa_marien_EMSE, out.width="110%"} + +biomassa_marien_EMSE <- + str_c("Totale biomassa gevangen individuen van estuariene soorten en mariene migranten in de Zeeschelde in de periode 2009-",laatste_jaar,". Jaargemiddelde biomassa per scheldezone (EMSE, niveau 3) en EMSE soortgroepen.") + +knitr::include_graphics(paste0(pad_figuren, "relatieve_biomassa_tot_biomassa_EMSE_marien.jpg")) + +``` + +
+ +```{r 092-figuur-diversiteit-marien-EMSE, fig.cap=diversiteit_marien_EMSE, out.width="100%"} + +diversiteit_marien_EMSE <- + str_c("Aantal soorten (S, lichtblauw) en Shannon diversiteit (D, donkerblauw) van estuariene soorten en mariene migranten in de Zeeschelde in de periode 2009-",laatste_jaar,". Jaargemiddelde diversiteit per scheldezone (EMSE, niveau 3) en EMSE soortgroepen.") + +knitr::include_graphics(paste0(pad_figuren, "diversiteit_S_D_EMSE_marien.jpg")) + +``` + +
+ +[Diadrome soorten]{.underline} + +Er zijn geen diadrome benthivore vissoorten in de Zeeschelde. +De twee zogenaamd piscivore soorten, de zeeprik en de rivierprik zijn eigenlijk parasitaire soorten waarvan slechts sporadisch een enkel groter exemplaar met de fuik gevangen wordt. +De enige dieetgroep van tel onder de diadromen zijn de omnivore soorten. +In de fuikvangsten zijn de jonge spieringen minder dominant aanwezig dan in de ankerkuil. +Ook bot, driedoornige stelkelbaars, dunlipharder, fint en paling laten zich opmerken in de aantallen en/of biomassa (Figuur \@ref(fig:092-figuur-aantallen-diadroom-EMSE); Figuur \@ref(fig:092-figuur-biomassa-diadroom-EMSE)). + +In de zone met sterke saliniteitsgradiënt wordt bot in de grootste aantallen gevangen. +Spieringen zijn meest talrijk in de oligohaliene en zoetwater zone met pieken tot 400-600 individuen per fuikdag in 2015 in Overbeke. +In recente jaren zijn de aantallen, net als in de ankerkuildata een stuk lager (\<50 individuen per fuikdag). +Vergelijking van aantallen en biomassa in de verschillende saliniteitszones doet ook op basis van fuikdata vermoeden dat de spieringen gemiddeld het kleinst zijn in de zoete zone en het grootste in de zone met sterke saliniteitsgradiënt. +De biomassa van omnivore diadromen in de oligohaliene en zoete zones wordt vooral door paling en in sommige gevallen ook optrekkende fint bepaald (Figuur \@ref(fig:092-figuur-biomassa-diadroom-EMSE)). +In de zone met sterke saliniteitsgradient maken vooral paling, bot en een enkele keer ook dunlipharder en fint de biomassa uit. + +Diversiteit voor diadrome omnivoren is gemiddeld hoger dan voor mariene en estuarien residente soorten voor de fuikvangsten omdat spiering als pelagiale soort minder domineert met deze vangstmethode. +(Figuur \@ref(fig:092-figuur-diversiteit-diadroom-EMSE)). + +```{r 092-figuur-aantallen-diadroom-EMSE, fig.cap=aantallen_diadroom_EMSE, out.width="110%"} + +aantallen_diadroom_EMSE <- + str_c("Totaal aantal gevangen individuen van diadrome soorten in de Zeeschelde in de periode 2009-",laatste_jaar,". Jaargemiddelde aantallen per scheldezone (EMSE, niveau 3) en EMSE soortgroepen.") + +knitr::include_graphics(paste0(pad_figuren, "relatieve_aantallen_tot_aantal_EMSE_diadroom.jpg")) + +``` + +
+ +```{r 092-figuur-biomassa-diadroom-EMSE, fig.cap=biomassa_diadroom_EMSE, out.width="110%"} + +biomassa_diadroom_EMSE <- + str_c("Totale biomassa gevangen individuen van diadrome soorten in de Zeeschelde in de periode 2009-",laatste_jaar,". Jaargemiddelde biomassa per scheldezone (EMSE, niveau 3) en EMSE soortgroepen.") + +knitr::include_graphics(paste0(pad_figuren, "relatieve_biomassa_tot_biomassa_EMSE_diadroom.jpg")) + +``` + +
+ +```{r 092-figuur-diversiteit-diadroom-EMSE, fig.cap=diversiteit_diadroom_EMSE, out.width="100%"} + +diversiteit_diadroom_EMSE <- + str_c("Aantal soorten (S, lichtblauw) en Shannon diversiteit (D, donkerblauw) van diadrome soorten in de Zeeschelde in de periode 2012-",laatste_jaar,". Jaargemiddelde diversiteit per scheldezone (EMSE, niveau 3) en EMSE soortgroepen.") + +knitr::include_graphics(paste0(pad_figuren, "diversiteit_S_D_EMSE_diadroom.jpg")) + +``` + +
+ +[Zoetwater soorten]{.underline} + +Bij de zoetwater soorten zijn omnivoren het meest talrijk en vertegenwoordigen ze de grootste biomassa, gevolgd door benthivoren en vervolgens piscivoren (Figuur \@ref(fig:092-figuur-aantallen-zoetwater-EMSE), Figuur \@ref(fig:092-figuur-biomassa-zoetwater-EMSE)). + +De fuikresultaten van de zoetwater soorten geven een zeer verschillend beeld van dat van de ankerkuilvangsten. +Van deze estuariene gebruikgroep worden relatief meer individuen per fuikdag gevangen in de zone met sterke saliniteitsgradiënt en ook in de oligohaliene zone. +Kijken we echter naar de biomassa gegevens dan verandert het beeld grondig met de hogere biomassa's in stroomopwaartse richting. + +In de groep van benthische zoetwatersoorten bepalen vooral brasem en een enkele keer blauwbandgrondel de relatieve aantallen, die in stroomopwaartse richting afnemen. +De biomassa wordt echter bijna uitsluitend door brasem bepaald, die in individuele grootte en gewicht net toeneemt in stroomopwaartse richting van gemiddeld 10g aan de grens naar 300-400g in Overbeke. +Daarom is de biomassa van deze functionele groep relatief groter in de stroomopwaartse stations. +Opvallend zijn een recordvangst van grote brasems in Steendorp in de zomer van 2014 en een steur van 124cm en 13,5 kg in Kastel in 2019. +Deze zijn niet te zien in de aantallen maar wegen wel door in de biomassa. + +Snoekbaars is de meest talrijk gevangen omnivore zoetwatersoort, maar bepaalt de biomassa niet in dezelfde mate als bij de ankerkuilvangsten. +Er worden er meer gevangen in de zone met sterke saliniteitsgradiënt maar de exemplaren worden groter en zwaarder in stroomopwaartse richting. +Ook kolblei wordt meer gevangen aan de grens maar de exemplaren worden groter in stroomopwaartse richting. +Blankvoorn en giebel zijn overal en bijna altijd aanwezig maar dragen relatief weinig bij aan de biomassa. +Het omgekeerde is waar voor snoek, meerval en karper. +Vooral in de zoete zone met korte verblijftijd bepalen hun relatief geringe aantallen in grote mate de biomassa. +Zwartbekgrondel wordt vooral in de brakke zone gevangen. + +Baars is de belangrijkste piscivore zoetwatersoort. +In de zone met saliniteitsgradiënt wordt deze soort al geruime tijd in redelijke aantallen gevangen. +In de zoete zone nemen de aantallen geleidelijk toe. +Net zoals voor de meeste andere typische zoetwatersoorten neemt de biomassa toe in stroomopwaartse richting. + +Afgezien van 2 alvervangsten zijn er geen planktivore zoetwatersoorten in de Zeeschelde gevangen met fuiken. + +Vooral in de zoete zone met korte verblijtijd zijn zowel diversiteit (D), als soortenrijkdom (S) voor de omnivore en benthivore zoetwater soorten relatief hoger dan voor andere functionele groepen. +(Figuur \@ref(fig:092-figuur-diversiteit-zoetwater-EMSE)). + +```{r 092-figuur-aantallen-zoetwater-EMSE, fig.cap=aantallen_zoetwater_EMSE, out.width="110%"} + +aantallen_zoetwater_EMSE <- + str_c("Totaal aantal gevangen individuen van zoetwater soorten in de Zeeschelde in de periode 2012-",laatste_jaar,". Jaargemiddelde aantallen per scheldezone (EMSE, niveau 3) en EMSE soortgroepen.") + +knitr::include_graphics(paste0(pad_figuren, "relatieve_aantallen_tot_aantal_EMSE_zoet.jpg")) + +``` + +
+ +```{r 092-figuur-biomassa-zoetwater-EMSE, fig.cap=biomassa_zoetwater_EMSE, out.width="110%"} + +biomassa_zoetwater_EMSE <- + str_c("Totale biomassa gevangen individuen van zoetwater soorten in de Zeeschelde in de periode 2012-",laatste_jaar,". Jaargemiddelde biomassa per scheldezone (EMSE, niveau 3) en EMSE soortgroepen.") + +knitr::include_graphics(paste0(pad_figuren, "relatieve_biomassa_tot_biomassa_EMSE_zoet.jpg")) + +``` + +
+ +```{r 092-figuur-diversiteit-zoetwater-EMSE, fig.cap=diversiteit_zoetwater_EMSE, out.width="100%"} + +diversiteit_zoetwater_EMSE <- + str_c("Aantal soorten (S, lichtblauw) en Shannon diversiteit (D, donkerblauw) van zoetwater soorten in de Zeeschelde in de periode 2012-",laatste_jaar,". Jaargemiddelde diversiteit per scheldezone (EMSE, niveau 3) en EMSE soortgroepen.") + +knitr::include_graphics(paste0(pad_figuren, "diversiteit_S_D_EMSE_zoet.jpg")) + +``` + +
+ +#### Trends in sleutelsoorten + +Van de 25 sleutelsoorten uit de lijst (EMSE 2021) worden er 22 waargenomen in de Zeeschelde met fuiken: 8 mariene en estuariene soorten, 6 diadrome soorten en 8 zoetwater soorten. +Slechts een aantal soorten komen echter in relatief hoge aantallen voor. + + + +[Estuariene soorten en mariene migranten]{.underline} + +Van de estuariene en mariene soorten komen brakwatergrondel, dikkopje, haring en zeebaars vrij frequent voor (\> 30 per fuikdag, Figuur \@ref(fig:092-figuur-mariene-sleutelsoorten)). +De overige soorten komen slechts in zeer kleine aantallen voor. + +- Brakwatergrondel werd in de eerste jaren vooral in de zone met sterke saliniteitsgradiënt gevangen maar vertoont in recentere jaren grotere pieken in de zoete zones ook in `r laatste_jaar` werden veel brakwatergrondels gevangen met de fuiken. + +- Dikkopje bevindt zich gemiddeld meer stroomafwaarts en is veel minder talrijk dan brakwatergrondel. + Er was een grote piek in de oligohaliene zone in 2020. + In `r laatste_jaar` waren de aantallen redelijk laag in alle zones. + +- Haring komt vooral voor in de zone met sterke saliniteitsgradiënt. + 2019 en 2021 waren piekjaren voor de oligohaliene zone, 2021 ook voor de zone met sterke saliniteitsgradiënt. + In 2022 was het aantal haringen in de fuikvangsten in alle zones eerder gering. + +- Schol en ook zeebaars nemen de laatste jaren een vlucht in de zone met sterke saliniteitsgradiënt. + Zeedonderpad en slakdolf werden na 2014 niet meer gevangen. + + +```{r 092-figuur-mariene-sleutelsoorten, fig.cap=cap_aantal_sleutelsoorten_marien, out.width="100%"} + +cap_aantal_sleutelsoorten_marien <- + str_c("Aantallen van sleutelsoorten binnen estuariene soorten en mariene migranten in de Zeeschelde in de periode 2009-",laatste_jaar,". Jaargemiddelde aantallen per scheldezone (EMSE, niveau 3).") + +knitr::include_graphics(paste0(pad_figuren, "aantallen_sleutelsoorten_EMSE_marien.jpg")) + +``` + +
+ +[Diadrome soorten]{.underline} + +De meest voorkomende diadrome sleutelsoorten (\> 15 individuen per fuikdag) zijn bot, paling en vooral spiering (Figuur \@ref(fig:092-figuur-diadrome-sleutelsoorten)). + +- Bot komt voor in alle scheldezones. + Met fuiken worden veel meer exemplaren in de zone met sterke saliniteitsgradiënt gevangen dan in andere zones, terwijl dat met de ankerkuil eerder in de oligohaliene en zoete zone met lange verblijftijd is. + Aantallen bot die met de fuiken gevangen worden gaan in dalende lijn met in `r laatste_jaar` vrij lage aantallen. + +- Er worden niet elk jaar finten gevangen in de fuiken. + Dat is niet abnormaal voor deze pelagiale soort, die eerder in de waterkolom dan aan de laagwaterlijn gevangen wordt. + Hoewel de aantallen recent een stuk lager zijn, kunnen ze in het voorjaar tijdens de paaiperiode toch een belangrijk deel van de biomassa uitmaken in de zoetwaterzone (zie Figuur \@ref(fig:092-figuur-relatief-aantal) ). + Aangezien het om een habitatrichtlijn soort gaat die terugkwam nadat ze lange tijd als uitgestorven beschouwd was, is het belangrijk om door jaarlijkse analyse van paaitrek én rekrutering te evalueren hoe duurzaam deze hervestiging van de fint in de Zeeschelde is. + +- Paling wordt vooral gevangen in het oligohalien en zoetwater en is vooral qua biomassa vrij belangrijk. + De aantallen vertonen een licht dalende trend. + +- Spiering is in het algemeen de soort met de hoogste aantallen en biomassa in de Zeeschelde (zie ook Figuur \@ref(fig:092-figuur-relatief-aantal), \@ref(fig:092-figuur-relatief-aantal), \@ref(fig:092-figuur-aantallen-diadroom-EMSE) en \@ref(fig:092-figuur-biomassa-diadroom-EMSE)). + Deze soort vertoonde een heel sterke piek in aantallen in 2014 in de ankerkuilvangsten en in 2015 in de fuikvangsten. + Recent vertonen de fuikaantallen een dalende trend, met 2022 als een bodemjaar, net zoals voor de ankerkuilvangsten. + +```{r 092-figuur-diadrome-sleutelsoorten, fig.cap=cap_aantal_sleutelsoorten_diadroom, out.width="100%"} + +cap_aantal_sleutelsoorten_diadroom <- + str_c("Aantallen van diadrome sleutelsoorten in de Zeeschelde in de periode 2009-",laatste_jaar,". Jaargemiddelde aantallen per scheldezone (EMSE, niveau 3).") + +knitr::include_graphics(paste0(pad_figuren, "aantallen_sleutelsoorten_EMSE_diadroom.jpg")) + +``` + +
+ +[Zoetwater soorten]{.underline} + +De meest voorkomende sleutelsoorten qua aantallen/biomassa voor de zoetwatersoorten zijn blankvoorn, brasem en snoekbaars (Figuur \@ref(fig:092-figuur-zoetwater-sleutelsoorten)). + +- Na een afname in de periode 2009-2015 van het aantal blankvoorns in de fuikvangsten in alle zones behalve het zoet met korte verblijftijd, variëren de aantallen. + In `r laatste_jaar` werden er relatief veel blankvoorns gevangen in het oligohalien en zoetwater. + +- De hoogste aantallen brasem worden meestal gevangen in de zone met sterke saliniteitsgradiënt en het mesohalien. + Verder vertoont brasem geen duidelijke trend in aantallen. + +- Snoekbaars vertoont een bescheiden toename in de zoete zones. + In de meer saline zones zijn de aantallen in de fuikvangsten eerder variabel. + In 2022 werden in elke zone redelijke aantallen snoekbaars gevangen met de fuiken. + +```{r 092-figuur-zoetwater-sleutelsoorten, fig.cap=cap_aantal_sleutelsoorten_zoetwater, out.width="100%"} + +cap_aantal_sleutelsoorten_zoetwater <- + str_c("Aantallen van zoetwater sleutelsoorten in de Zeeschelde in de periode 2009-",laatste_jaar,". Jaargemiddelde aantallen per scheldezone (EMSE, niveau 3).") + +knitr::include_graphics(paste0(pad_figuren, "aantallen_sleutelsoorten_EMSE_zoet.jpg")) + +``` + +
+ +#### Alternatieve evaluatie per estuarien habitatgebruik of dieet + +Alternatief aan de EMSE indeling kunnen we het gildenconcept toepassen zoals gebruikelijk en enerzijds het estuarien habitat gebruik door de visgemeenschap evalueren en anderzijds de visgemeenschap positioneren in het estuariene voedselweb. +Op die manier wordt per functioneel aspect de volledige visgemeenschap van de Zeeschelde beschouwd. + +Fuikvangsten en ankerkuil leveren een verschillend beeld op van de relatieve densiteit en biomassa per saliniteitzone. +In de zone met grote saliniteitsgradiënt worden gemiddeld de grootste aantallen per fuikdag gevangen. +De biomassa verdeling toont dan weer een ander beeld naargelang het estuarien gebruik of naargelang het dieet. + +##### Estuarien habitat gebruik + +De resultaten voor aantallen, biomassa en diversiteit per groep van estuarien habitat gebruik worden weergegeven in respectivelijk Figuur \@ref(fig:092-figuur-aantallen-habitat), Figuur \@ref(fig:092-figuur-biomassa-habitat) en Figuur \@ref(fig:092-figuur-diversiteit-habitat). +Het beeld op basis van fuikvangsten is iets complexer en toont andere accenten dan op basis van ankerkuildata. + +In de zone met sterke saliniteitgradiënt overheerst tong zowel naar aantallen als naar biomassa in de groep van mariene migranten. +Sinds 2012 zijn aantallen en biomassa per fuikdag wel plots fel verminderd. +Ook zeebaars en haring zijn steeds in grote aantallen aanwezig, in toenemende mate sinds 2015. +Schol verdween na 2010 maar is sinds 2018 terug aanwezig. +Brakwatergrondel en dikkopje zijn als estuarien residenten ook elk jaar vertegenwoordigd in redelijk grote aantallen. +In de oligohaliene zone zijn dikkopje, haring en brakwatergrondel de belangrijkste soorten uit deze functionele groep. +De aantallen en biomassa nemen toe sinds 2017. +In de zoete zones is brakwatergrondel de belangrijkste estuariene soort. +De aantallen in de fuikvangsten variëren er sterk, met af en toe een extreme piek. +In drogere jaren komen ook haring en zeebaars opgroeien tot in de zoete zones. + +Bot is de belangrijkste trekvis in de zone met sterke saliniteitgradiënt, in aantallen én biomassa, in aantallen gevolgd door driedoornige stekelbaars en spiering. +Paling overheerst echter de biomassa en in sommige jaren wegen ook de optrekkende/terugkerende finten mee. +In de meer stroomopwaartse oligohaliene en zoete zones is spiering zonder meer de meest talrijk aanwezige trekvis. +Ook hier overheerst paling echter in de trekvis biomassa, soms bijgestaan door fint. + +Aantallen en biomassa van de zoetwatervissen vertonen een meer gediversifieerd beeld. +Snoekbaars is de dominante zoetwatersoort in aantal, maar de dominantie is niet zeer uitgesproken. +snoekbaars, karper, europese meerval, brasem en snoekbaars leveren de belangrijkste bijdragen aan de biomassa van zoetwatersoorten. + +De zoewatervissen zijn de meest soortenrijke estuariene gebruik groep. +De diversiteit is het grootst voor de zoetwatersoorten in de zoete zone met korte verblijftijd. +Het is vooral in deze groep dat in 2022 minder soorten gevangen werden met de fuiken, vermoedelijk ook door het feit dat de vangstinspanning gehalveerd werd. + +
+ +```{r 092-figuur-aantallen-habitat, fig.cap=aantallen_habitat, out.width="110%"} + +aantallen_habitat <- + str_c("Totaal aantal gevangen individuen voor elke groep van estuarien habitat gebruik in de periode 2009-",laatste_jaar,". Jaargemiddelde aantallen per scheldezone (EMSE, niveau 3) en habitatgroepen.") + +knitr::include_graphics(paste0(pad_figuren, "EMSE_alternatief/relatieve_aantallen_tot_aantal_salgroep.jpg")) + +``` + +
+ +```{r 092-figuur-biomassa-habitat, fig.cap=biomassa_habitat, out.width="110%"} + +biomassa_habitat <- + str_c("Totale biomassa gevangen individuen voor elke groep van estuarien habitat gebruik in de periode 2009-",laatste_jaar,". Jaargemiddelde biomassa per scheldezone (EMSE, niveau 3) en habitatgroepen.") + +knitr::include_graphics(paste0(pad_figuren, "EMSE_alternatief/relatieve_biomassa_tot_biomassa_salgroep.jpg")) + +``` + +
+ +```{r 092-figuur-diversiteit-habitat, fig.cap=diversiteit_habitat, out.width="100%"} + +diversiteit_habitat <- + str_c("Aantal soorten (S, lichtblauw) en Shannon diversiteit (D, donkerblauw) voor elke groep van estuarien habitat gebruik in de periode 2009-",laatste_jaar,". Jaargemiddelde diversiteit per scheldezone (EMSE, niveau 3) en habitatgroepen.") + +knitr::include_graphics(paste0(pad_figuren, "EMSE_alternatief/diversiteit_S_D_salgroep.jpg")) + +``` + +
+ +##### Dieet + +De resultaten voor aantallen, biomassa en diversiteit per dieetgroep worden weergegeven in respectievelijk Figuur \@ref(fig:092-figuur-aantallen-dieet), Figuur \@ref(fig:092-figuur-biomassa-dieet) en Figuur \@ref(fig:092-figuur-diversiteit-dieet). + + +Benthivoren en omnivoren zijn het meest talrijk en maken ook het grootste deel van de biomassa uit. +Het is dan ook in deze groepen dat het aantal soorten minder was in 2022 door de verminderde vangstinspanning. + +Tong in de zone met sterke saliniteitsgradiënt en brakwatergrondel in de zoetwater zone zijn de dominante benthivoren qua aantallen. +Brasem domineert echter qua biomassa in de oligohaliene en zoetwaterzone. + +Spiering (zoete zone) en bot (saliniteitsfgradiënt) zijn de dominante omnivoren wat betreft aantallen. +Voor de biomassa's bij de omnivoren is er geen duidelijke dominantie tussen de meest aspectbepalende soorten: bot, europese meerval, fint, karper, kolblei, snoek en snoekbaars. +Dit wordt vaak bepaald door de vangst van enkele grote individuen. + +Baars, rivierprik en zeeprik zijn de enige piscivoren die in kleine en sterk wisselende aantallen gevangen worden. +Haring en sprot zijn de enige planktivore soorten van betekenis in de Zeeschelde. + +Omnivoren vormen de meest soortenrijke trofische groep maar de diversiteit in deze groep (berekend op basis van aantallen) blijft toch relatief klein door de dominantie van vooral bot en spiering in de aantallen. +Benthivoren zijn de tweede trofische groep naar soortenrijkdom toe, maar zijn eveneens sterk gedomineerd door een beperkt aantal soorten. + +Net zoals bij de ankerkuilgegevens geldt hier de kanttekening dat de meeste spieringen juveniele planktivoren zijn en dat adulte spiering, europese meerval, snoek, snoekbaars en zeebaars eigenlijk voornamelijk als piscivoor gekend staan in de Zeeschelde. + +
+ +```{r 092-figuur-aantallen-dieet, fig.cap=aantallen_dieet, out.width="110%"} + +aantallen_dieet <- + str_c("Totaal aantal gevangen individuen per dieetgroep in de periode 2009-",laatste_jaar,". Jaargemiddelde aantallen per scheldezone (EMSE, niveau 3) en dieetgroepen.") + +knitr::include_graphics(paste0(pad_figuren, "EMSE_alternatief/relatieve_aantallen_tot_aantal_dieet.jpg")) + +``` + +
+ +```{r 092-figuur-biomassa-dieet, fig.cap=biomassa_dieet, out.width="110%"} + +biomassa_dieet <- + str_c("Totale biomassa gevangen individuen per dieetgroep in de periode 2009-",laatste_jaar,". Jaargemiddelde biomassa per scheldezone (EMSE, niveau 3) en dieetgroepen.") + +knitr::include_graphics(paste0(pad_figuren, "EMSE_alternatief/relatieve_biomassa_tot_biomassa_dieet.jpg")) + +``` + +
+ +```{r 092-figuur-diversiteit-dieet, fig.cap=diversiteit_dieet, out.width="100%"} + +diversiteit_dieet <- + str_c("Aantal soorten (S, lichtblauw) en Shannon diversiteit (D, donkerblauw) per dieetgroep in de periode 2009-",laatste_jaar,". Jaargemiddelde diversiteit per scheldezone (EMSE, niveau 3) en dieetgroepen.") + +knitr::include_graphics(paste0(pad_figuren, "EMSE_alternatief/diversiteit_S_D_dieet.jpg")) + +``` + +
+ +#### Visindex + +We berekenden de indexwaarden voor alle beschikbare gegevens (Tabel \@ref(tab:092-tabel-visindex), Figuur ). +De evolutie van de visindex in de Zeeschelde is ook één van de INBO natuurindicatoren () + +In de periode 2011-2020 was deze indicator redelijk stabiel in vergelijking tot het decennium dat daaraan voorafging: De zoete zone scoorde doorgaans beter dan de zone met sterke saliniteitsgradiënt en de oligohaliene zone had meestal de laagste score. +De laatste twee jaren daalde de EQR van de zoete zone echter van GEP in 2020 over matig in 2021 naar ontoereikend 2022. +De beide andere zones haalden nog nooit de goede ecologische toestand maar scoren wel matig in 2022. + +Figuur \@ref(fig:092-figuur-spindiagram) geeft voor elke zone een indicatie van de ecologische aspecten die minder en beter scoren in 2022. Zie Tabel \@ref(tab:090-tabel-metrieken-visindex) voor verklaring van de afkortingen. + + +```{r 092-tabel-visindex} + +tabel_visindex <- + read_excel(paste0(maak_pad(hoofdstuk, "tabellen"), "visindexreeks.xlsx"), + sheet = "tabel1995_2022", + skip = 1) + +cap_visindex <- + paste0("De EQR-waarde en appreciatie per jaar per saliniteitszone in de Zeeschelde (1995-", laatste_jaar, ") berekend met de zone-specifieke index.") + +tabel_visindex %>% + mutate(across(everything(), ~as.character(.) %>% replace_na(""))) %>% + mutate(across(everything(), ~cell_spec(., color = "black"))) %>% + knitr::kable(booktabs = TRUE, + caption = cap_visindex, + # align = c("l", rep("c", 12)), + col.names = rep(c("jaar", "EQR", "appreciatie"), 3), + escape = FALSE) %>% + add_header_above(c("Zoetwater zone" = 3, "Oligohaliene zone" = 3, "Mesohaliene zone" = 3)) %>% + kable_styling("striped", + latex_options = c("striped")) + +``` + +
+ +```{r 092-figuur-visindex, fig.cap=cap_fig_visindex, out.width="100%"} + +cap_fig_visindex <- + paste0("De EQR-score per jaar en per saliniteitszone in de Zeeschelde (1995-", laatste_jaar, ") berekend met de zone-specifieke index.") + +knitr::include_graphics(str_c(maak_pad(hoofdstuk, "figuren/EQR"), "visindex_EQR.png")) + +``` + +
+ +```{r 092-figuur-spindiagram, fig.cap=cap_spindiagram, out.width="70%", fig.show="hold", fig.fullwidth=TRUE} + +cap_spindiagram <- + str_c("Metriek scores en EQR voor de verschillende saliniteitszones van de Zeeschelde in ",laatste_jaar,".") + +figs_spin <- + list.files(maak_pad(hoofdstuk, "figuren/EQR"), full.names = TRUE) %>% + str_subset("spin") %>% + sort() + +knitr::include_graphics(figs_spin) + +``` + +
+ +In de zoetwaterzone scoren alle metrieken slecht behalve het totaal aantal soorten en het aantal individuen per fuikdag. +In de oligohaliene zone scoort het aantal mariene migrerende soorten zeer goed in 2022. +het aantal intolerante soorten en het totaal aantal individuen per fuikdag trekken de EQR voor deze zone omlaag. +In het mesohalien is de score voor het aantal intolerante individuen maximaal maar scoren de soorten met specifieke habitatvereisten, ook voor het paaien, zeer laag. diff --git a/moneos_2024/150_geintegreerd_rapport/093_vissen_conclusies.Rmd b/moneos_2024/150_geintegreerd_rapport/093_vissen_conclusies.Rmd new file mode 100644 index 0000000..2e8ebe9 --- /dev/null +++ b/moneos_2024/150_geintegreerd_rapport/093_vissen_conclusies.Rmd @@ -0,0 +1,292 @@ +```{r 093-hoofdstuk, include=FALSE} + +hoofdstuk <- "090_vissen" + +``` + +```{r 093-setup, include=FALSE} + +knitr::opts_chunk$set(echo = FALSE, error=FALSE, warning=FALSE, message=FALSE, cache=FALSE, fig.pos = "H") +knitr::opts_knit$set(eval.after = "fig.cap") + +``` + +```{r 093-libraries} + +library(tidyverse) +library(readxl) +library(kableExtra) +library(rprojroot) ## workaround pad + +``` + +```{r 093-pad} + +# inlezen van variabelen +# pad naar data : pad_data +# pad naar tabellen : pad_tabellen +# pad naar figuren : pad_figuren + +source(find_root_file("../pad.R", criterion = is_rstudio_project)) + +pad_data <- maak_pad(hoofdstuk, "data") +pad_figuren <- maak_pad(hoofdstuk, "figuren") +pad_tabellen <- maak_pad(hoofdstuk, "tabellen") + +``` + +```{r 093-table_from_figure-function} +figtab <- + function(label, image_file, caption=NULL) { + txt <- sprintf('\\begin{table}[H]\n\\caption{%s}\n\\label{tab:%s}\n\\includegraphics{%s}\n\\end{table}', + caption, + label, + image_file) + magick::image_read(image_file) %>% magick::image_ggplot() %>% print() + writeLines(txt) + } +``` + +```{r 093-meta-data} + +meta_data <- + read_delim(paste0(pad_data, "vissen_meta_data.csv"), + delim = ";") + +for(i in 1:nrow(meta_data)){ + ##first extract the object value + tempobj=meta_data$waarde[i] + ##now create a new variable with the original name of the list item + eval(parse(text=paste(meta_data$naam[i],"= tempobj"))) +} + +``` + +## Algemene conclusies + +### Afvissingen in 2022 + +2022 was een **bodemjaar voor het aantal spieringen** in de Zeeschelde. +Dit geldt zowel voor de ankerkuil als voor de fuikvangsten, waardoor het beeld van de absolute dominantie van deze soort zelfs in het pelagiaal vervaagt. +Aangezien het aantal spieringen al geruime tijd geen echte toppen meer scheert dringt zich nader onderzoek op naar de aard en oorzaak van deze dalende trend. +Meer bepaald moeten ruimtelijke en seizoenale patronen per leeftijdgroep over de jaren heen geanalyseerd worden in relatie tot abiotiek en beheer. +In de Elbe werden mogelijke oorzaken van de sterk verminderde spiering rekrutering uitvoerig onderzocht. +Verlies aan ondiep water in specifieke zones, koelwateronttrekking, onderhoudswerken en toegenomen turbiditeit werden als factoren aangestipt, mogelijks in cumulatieve interactie. +Ook de Schelde kent een evolutie van ondermeer toenemende verdieping, waterdynamiek en vertroebeling. +In de Elbe waren er onvoldoende data over de evolutie van het voedselaanbod voor spieringlarven om deze factor uit te sluiten (Scholle en Schuchardt, 2019; 2020). +In de Zeeschelde kan die informatie waarschijnlijk wel samengebracht worden. + +In 2022 werd met de ankerkuil **uitzonderlijk veel sprot** gevangen in Doel en Antwerpen en dit in voorjaar, zomer en najaar. +Hetzelfde fenomeen deed zich voor in de Westerschelde ankerkuilvangsten (de Boois & Couperus, 2022). + +In 2022 dook de **visindex voor de zoete zone** voor het eerst sinds 2009 onder die van de brakke en oligohaliene zones. + +In 2022 werd de **vangstinspanning met de fuiken gehalveerd**. +Fuiken werden telkens 1 in plaats van 2 etmaal uitgezet. +Dit had een invloed op het aantal gevangen soorten. +Hierdoor zal een breuk in de trends van soortenrijkdom bij fuikvangsten ontstaan. + +### Algemene kenmerken van de Zeeschelde populaties. + +Naar **estuarien habitatgebruik** overheersen de trekvissen de visgemeenschappen van de Zeeschelde in aantal en biomassa. +Het estuarium heeft dus weer zijn functie opgenomen in de levenscyclus van deze soorten. +Om te evalueren of de populaties echt gevestigd en duurzaam zijn is echter een cohorte analyse van de betrokken soorten in tijd en ruimte nodig. + +Naar **dieet** overheersen omnivore soorten, een normale opportunistische evolutie in een estuarium met wisselende levensomstandigheden. +Toch wordt het voedselweb stilaan complexer. +Dit uit zich in een toename van benthivore en piscivore soorten. +Om dit echt te evalueren moet voor de belangrijkste soorten rekening gehouden worden met de dieet shift die ze maken in de overgang van juveniel naar adult. +Ook worden in de EMSE classificatie een aantal gekende piscivoren (volwassen spiering, snoekbaars, zeebaars, snoek, europese meerval) over de volledige levenscyclus tot omnivoren gerekend. +Voor de soorten die de grootste biomassa uitmaken kunnen gerichte maag- en isotoopanalyses zoals voorgesteld in en ter ondersteuning en vervolg op Van de Meutter et al (2021) een het beeld van voedselinteracties verscherpen. + +### Ankerkuil versus fuikresultaten + +Ankerkuilvisserij geeft een goed beeld van de visgemeenschap in de waterkolom, fuikvisserij bemonstert eerder nabij de bodem en beide methoden verschaffen complementaire informatie. +Algemeen worden meer soorten gevangen met de ankerkuil. +De veel grotere omvang van de vangst vergroot de kans op éénmalige vangst van zeldzaamheden. +De resultaten van de fuikvangsten leveren echter een hogere Shannon diversiteit (Breine & Van den Bergh, 2022). + +In deze rapportage kwamen echter nog opvallende verschillen aan bod: + +- Fuikvangsten en ankerkuil leveren een verschillend beeld op van de relatieve densiteit en biomassa per saliniteitszone. + Met de ankerkuil worden de meeste vissen per m³ gevangen in de zoete zone en het minst in de zone met sterke saliniteitsgradiënt. + In deze laatste zone worden echter gemiddeld de grootste aantallen met fuiken gevangen. + Beide methoden leveren dus een omgekeerd beeld op van relatieve vis densiteit per saliniteitszone. + +- Pieken en dalen in de aantallen van de sleutelsoorten verschillen sterk. + De grote spieringpiek in de ankerkuildata valt in bijvoorbeeld in 2014 terwijl die in 2015 valt op basis van de fuikgegevens. + Voor haring waren dat 2022 en 2021 respectievelijk. + +Hieruit kunnen we enerzijds afleiden dat het omzetten van vangstaantallen naar aantal per volume eenheid niet zo evident is. +Anderzijds zijn plaats en tijdstip zeer bepalend voor het beeld dat we ons vormen van de visgemeenschap. Concluderend is er een noodzaak om met innovatieve monitoring (bijvoorbeeld met echosounding) continue data te verzamelen over de visgemeenschap op de besproken vislocaties. Dit onderzoek moet helpen om de variaties in de vispopulaties in ruimte en tijd te verklaren. Omgekeerd levert de klassieke monitoring informatie over de aanwezige soorten. + +### EMSE methodiek + +- EMSE soortenlijsten en categorieën voor de Zeeschelde moeten blijvend kritisch bekeken worden. + +- Het 'nesten' van gilden maakt de rapportage langer en ingewikkelder en levert geen helderder beeld op van de functies van de Zeeschelde voor visgemeenschappen. + +- Naar estuarien habitat gebruik zou het duidelijker zijn om mariene migranten en estuariene residenten als aparte groepen te beschouwen. + +- Dieetshifts in de overgang van juvenielen naar adulten mee in rekening brengen zou het inzicht in de trofische relaties verbeteren. + +- Om de duurzaamheid van de belangrijkste populaties beter in te schatten zijn cohorte analyses en evaluatie van rekrutering aangewezen. + +- EMSE stelt voor om voor de visgemeenschappen afhankelijk van de soort gebruik te maken van of ankerkuil of fuikgegevens. + Om de visgemeenschap op een zinvolle manier in zijn geheel te evalueren is het beter om alle soorten op basis van beide datasets te beoordelen. + +## Referenties + +Able K. +(2005). +A re-examination of fish estuarine dependence: Evidence for connectivity between estuarine and ocean habitats. +Estuarine, Coastal and Shelf Science. +64 (1): 5-17. + +Baldoa F. +& Drake P. (2002). +A multivariate approach to the feeding habits of small fishes in the Guadalquivir Estuary. +Journal of Fish Biology. +61: 21-32. + +Breine, J.J., Maes, J., Quataert, P., Van den Bergh, E., Simoens, I., Van Thuyne, G. +& C. +Belpaire (2007). +A fish-based assessment tool for the ecological quality of the brackish Schelde estuary in Flanders (Belgium). +Hydrobiologia, 575: 141-159. + +Breine, J., Quataert, P., Stevens, M., Ollevier, F., Volckaert, F.A.M., Van den Bergh, E. +& J. +Maes (2010). +A zone-specific fish-based biotic index as a management tool for the Zeeschelde estuary (Belgium). +Marine Pollution Bulletin, 60: 1099-1112. + +Breine J. +& Van den Bergh E. +(2022). +Vissen in de Zeeschelde: vertellen ankerkuil en fuiken hetzelfde? +Scheldesymposium Antwerpen. + +Brosens D., Breine J., Van Thuyne G., Belpaire C., Desmet P. & Verreycken H. +(2015) VIS - A database on the distribution of fishes in inland and estuarine waters in Flanders, Belgium. +ZooKeys 475: 119-145. +doi: 10.3897/zookeys.475.8556 + +de Boois I. J. +& Couperus A.S. +(2022). +Ankerkuilbemonstering in de Westerschelde. +Resultaten 2022 en meerjarenoverzichten. +WUR rapport C071/22. +39pp. +Wageningen. + +Elliott M. +& Hemingway K.L. +(2002). +In: Elliott, M. +& Hemingway K.L. +(Editors). +Fishes in estuaries. +Blackwell Science, London. +577-579. + +EMSE (2021). +Evaluatiemethodiek Schelde-estuarium: Update 2021. +Antea, Bureau Waardenburg, Deltares, UAntwerpen, UGent, INBO en NIOZ. + +Maes J., Stevens M. +& Breine J. +(2007). +Modelling the migration opportunities of diadromous fish species along a gradient of dissolved oxygen concentration in a European tidal watershed. +Estuarine, Coastal and Shelf Science. +75: 151-162. + +Maes J., Stevens M. +& Breine J. +(2008). +Poor water quality constrains the distribution and movements of twaite shad *Alosa fallax fallax* (Lacépède, 1803) in the watershed of river Scheldt. +Hydrobiologia. +602: 129-143. + +Maris T., Geerts L., & Meire P. (2011). +Basiswaterkwaliteit In Maris T. +& P. +Meire (Eds) Onderzoek naar de gevolgen van het Sigmaplan, baggeractiviteiten en havenuitbreiding in de Zeeschelde op het milieu. +Geïntegreerd eindverslag van het onderzoek verricht in 2009-2010. +011-143 Universiteit Antwerpen, 169pp. + +Scholle J. +& Schuchardt B. +(2019). +Analysis of longer-term data on the abundance of different age classen of stints (*Osmerus eperlanus*) in the Elbe estuary and the other Wadden Sea estuaries. +Bioconsult Bremen. +95pp. + +Scholle J. +& Schuchardt B. +(2020). +Analysis of longer-term data on the abundance of different age classen of stints (*Osmerus eperlanus*) in the Elbe estuary. +Part 2 possible influencing factors. +Bioconsult Bremen. +108 pp. + +Stevens M., Van den Neucker T., Mouton A., Buysse D., Martens S., Baeyens R., Jacobs Y., Gelaude E. +& Coeck J. +(2009). +Onderzoek naar de trekvissoorten in het stroomgebied van de Schelde. +Rapporten van het Instituut voor Natuur- en Bosonderzoek 2009 (INBO.R.2009.9), 188pp. + +Van de Meutter F, De Regge N, Bezdenjesnji, O (2021). +Dieetanalyse van hogere trofische niveaus in de Zeeschelde: deel vissen. +Resultaten van een studie met stabiele isotopen. +Rapporten van het Instituut voor Natuur- en Bosonderzoek 2021 (41). +Instituut voor Natuur- en Bosonderzoek, Brussel. +DOI: doi.org/10.21436/inbor.44407431 + +Van Der Meulen D., Walsh C., Taylor M. +& Gray C. +(2013). +Habitat requirements and spawning strategy of an estuarine-dependent fish, Percalates colonorum. +Marine and Freshwater Research. +65 (3): 218-227. + +\newpage + +## Bijlage + +```{r 093-tabel-zeeschelde-soorten} + +soortenlijst <- + read_xlsx(str_c(pad_data, "soorten_Zeeschelde.xlsx"), + sheet = "EMSE") %>% + select(-inEMSE, -exoot, -opmerking) %>% + rename(`Nederlandse naam` = soort, `Wetensch. naam` = wetensch_naam, + Saliniteitsgroep = salgroep, Dieet = dieet, + Fuiken = fuiken, Ankerkuil = ankerkuil) + +sleutelsoorten_EMSE <- + read_xlsx(str_c(pad_data, "sleutelsoorten EMSE.xlsx")) + +cap_soortenlijst <- + paste0("Overzicht van alle waargenomen vissoorten tijdens de ankerkuilcampagnes en fuikvangsten in de Zeeschelde in de periode 2009-", + laatste_jaar, + ". Soorten in vet en cursief geven de sleutelsoorten weer uit de EMSE evaluatie.") + +soortenlijst %>% + mutate(across(everything(), ~as.character(.) %>% replace_na(""))) %>% + mutate(across(c(-`Nederlandse naam`), ~cell_spec(., color = "black"))) %>% + # mutate(across(everything(), ~cell_spec(., , bold = TRUE, italic = TRUE, color = "black", background = "lightgreen"))) %>% + mutate(`Nederlandse naam` = + if_else(`Nederlandse naam` %in% sleutelsoorten_EMSE$soort, + cell_spec(`Nederlandse naam`, bold = TRUE, italic = TRUE, color = "black"), + cell_spec(`Nederlandse naam`, color = "black"))) %>% + knitr::kable(escape = FALSE, + booktabs = TRUE, + longtable = TRUE, + caption = cap_soortenlijst, + align = c(rep("l", 4), rep("c", 2))) %>% + kable_styling(latex_options = c("striped", "scale_down"), + font_size = 9) + +``` From 01892b5ef5b51d86a43c29c4384d61e85e24c0d5 Mon Sep 17 00:00:00 2001 From: VANOVERBEKE Date: Mon, 3 Jun 2024 13:46:34 +0200 Subject: [PATCH 002/102] moneos 2024 opstart --- .../10_moneos_visdata_VIS_fuiken.Rmd | 18 +- .../11_moneos_visdata_VIS_ankerkuil.Rmd | 4 +- .../20_moneos_visdata_fuiken_integratie.Rmd | 34 +- .../150_geintegreerd_rapport/000_abstract.Rmd | 126 ++++ .../010_Inleiding.Rmd | 140 ++++ .../020_Overzicht.Rmd | 158 ++++ .../090_vissen_inleiding_en_methode.Rmd | 313 -------- .../091_vissen_ankerkuil.Rmd | 613 ---------------- .../092_vissen_fuiken.Rmd | 686 ------------------ .../093_vissen_conclusies.Rmd | 292 -------- .../150_geintegreerd_rapport/index.Rmd | 2 +- 11 files changed, 457 insertions(+), 1929 deletions(-) create mode 100644 moneos_2024/150_geintegreerd_rapport/000_abstract.Rmd create mode 100644 moneos_2024/150_geintegreerd_rapport/010_Inleiding.Rmd create mode 100644 moneos_2024/150_geintegreerd_rapport/020_Overzicht.Rmd delete mode 100644 moneos_2024/150_geintegreerd_rapport/090_vissen_inleiding_en_methode.Rmd delete mode 100644 moneos_2024/150_geintegreerd_rapport/091_vissen_ankerkuil.Rmd delete mode 100644 moneos_2024/150_geintegreerd_rapport/092_vissen_fuiken.Rmd delete mode 100644 moneos_2024/150_geintegreerd_rapport/093_vissen_conclusies.Rmd diff --git a/moneos_2024/090_vissen/10_moneos_visdata_VIS_fuiken.Rmd b/moneos_2024/090_vissen/10_moneos_visdata_VIS_fuiken.Rmd index 1fd2cf3..b22ec10 100644 --- a/moneos_2024/090_vissen/10_moneos_visdata_VIS_fuiken.Rmd +++ b/moneos_2024/090_vissen/10_moneos_visdata_VIS_fuiken.Rmd @@ -65,7 +65,7 @@ run_pad() run_variabelen <- function() { - jaren <- 2022 + jaren <- 2023 vangstmethode <- c('Schietfuik') # Zeeschelde vissen @@ -137,8 +137,10 @@ tbl_campagnes <- inner_join(DimDate, by = c("BeginDatumKey" = "DateKey")) %>% inner_join(DimMethode, by = "MethodeKey") %>% filter(Year %in% jaren, - Gebiedcode %in% locatie_nrs, - Methodenaam %in% vangstmethode) %>% + Gebiedcode %in% locatie_nrs + # , + # Methodenaam %in% vangstmethode + ) %>% select(WaarnemingKey, WaarnemingID, GebiedKey, Gebiedcode, LambertX, LambertY, Lat, Long, Gebiednaam, Gemeentenaam, Begindatum, Month, Year, MethodeKey, Methodenaam, Methodegroepcode, AantalDagen, AantalFuiken) tbl_data <- @@ -154,14 +156,16 @@ tbl_data <- inner_join(DimMethode, by = "MethodeKey") %>% select(MetingPivotKey, WaarnemingKey, WaarnemingID, GebiedKey, Gebiedcode, LambertX, LambertY, Lat, Long, Gebiednaam, Gemeentenaam, Begindatum, Month, Year, MethodeKey, Methodenaam, Methodegroepcode, AantalDagen, AantalFuiken, TaxonKey, Soort, Exoot, TAXONAANTAL, TAXONGEW, TAXONTOTGEW, TAXONLEN, TEMPERATUUR, ZUURSTOF, TURBIDITEIT, CONDUCTIVITEIT, PH) %>% filter(Year %in% jaren, - Gebiedcode %in% locatie_nrs, - Methodenaam %in% vangstmethode) + Gebiedcode %in% locatie_nrs + # , + # Methodenaam %in% vangstmethode + ) -gebied_codes <- +(gebied_codes <- tbl_data %>% distinct(Gebiedcode) %>% collect() %>% - pull() + pull()) waarneming_IDs <- tbl_data %>% diff --git a/moneos_2024/090_vissen/11_moneos_visdata_VIS_ankerkuil.Rmd b/moneos_2024/090_vissen/11_moneos_visdata_VIS_ankerkuil.Rmd index 1f8f96c..ca33b19 100644 --- a/moneos_2024/090_vissen/11_moneos_visdata_VIS_ankerkuil.Rmd +++ b/moneos_2024/090_vissen/11_moneos_visdata_VIS_ankerkuil.Rmd @@ -66,7 +66,7 @@ run_pad() run_variabelen <- function() { - jaren <- 2022 + jaren <- 2023 vangstmethode <- c('Ankerkuil', 'Ankerkuil-vloed', 'Ankerkuil-eb') # Zeeschelde vissen @@ -285,6 +285,8 @@ campagnes_dstnct2 <- data %>% distinct(Gebiedcode, Gebiednaam, Begindatum, Month, Year, Methodenaam) +setdiff(campagnes_dstnct, campagnes_dstnct2) + campagnes_dstnct %>% distinct(Gebiedcode, Gebiednaam) diff --git a/moneos_2024/090_vissen/20_moneos_visdata_fuiken_integratie.Rmd b/moneos_2024/090_vissen/20_moneos_visdata_fuiken_integratie.Rmd index ef419b6..c26832b 100644 --- a/moneos_2024/090_vissen/20_moneos_visdata_fuiken_integratie.Rmd +++ b/moneos_2024/090_vissen/20_moneos_visdata_fuiken_integratie.Rmd @@ -49,12 +49,12 @@ pad_tabellen <- maak_pad(params$hoofdstuk, "tabellen") ```{r variabelen} -laatste_jaar <- 2022 +laatste_jaar <- 2023 pad_data_historisch <- str_c(pad_prj_schelde, pad_moneos, as.numeric(jaar_moneos)-1, "/", params$hoofdstuk, "/data/") locaties_name <- "fuikvangsten_Zeeschelde_locaties" metadata_name <- "fuikvangsten_Zeeschelde_metadata" -filename <- "fuikdata_Zeeschelde" +filename <- "fuikdata_Zeeschelde_VLIZ" locaties <- read_xlsx(str_c(pad_data, "metadata VLIZ/", locaties_name, ".xlsx")) %>% @@ -66,30 +66,30 @@ locaties <- ```{r inlezen historische data} campagnes_historisch <- - read_xlsx(str_c(pad_data_historisch, str_c("fuikdata_Zeeschelde_2009_", + read_xlsx(str_c(pad_data_historisch, str_c("fuikdata_Zeeschelde_VLIZ_2009_", laatste_jaar - 1 , ".xlsx")), sheet = "campagnes") # omzetten maand naar seizoen -campagnes_historisch <- - campagnes_historisch %>% - mutate(seizoen = - case_when( - maand %in% 3:5 ~ "voorjaar", - maand %in% 6:8 ~ "zomer", - maand %in% 9:11 ~ "najaar", - maand %in% 12:2 ~ "winter")) %>% - select(ID_afvissing:jaar, seizoen, everything(), -maand) +# campagnes_historisch <- +# campagnes_historisch %>% +# mutate(seizoen = +# case_when( +# maand %in% 3:5 ~ "voorjaar", +# maand %in% 6:8 ~ "zomer", +# maand %in% 9:11 ~ "najaar", +# maand %in% 12:2 ~ "winter")) %>% +# select(ID_afvissing:jaar, seizoen, everything(), -maand) aantal_historisch <- - read_xlsx(str_c(pad_data_historisch, str_c("fuikdata_Zeeschelde_2009_", + read_xlsx(str_c(pad_data_historisch, str_c("fuikdata_Zeeschelde_VLIZ_2009_", laatste_jaar - 1 , ".xlsx")), sheet = "aantallen") gewicht_historisch <- - read_xlsx(str_c(pad_data_historisch, str_c("fuikdata_Zeeschelde_2009_", + read_xlsx(str_c(pad_data_historisch, str_c("fuikdata_Zeeschelde_VLIZ_2009_", laatste_jaar - 1 , ".xlsx")), sheet = "gewicht") @@ -201,13 +201,15 @@ if (length(soort_NA) > 0) { !is.na(TAXONLEN)) %>% select(Soort, TAXONAANTAL, TAXONGEW, TAXONLEN) - data_lengte %>% + p <- + data_lengte %>% ggplot(aes(TAXONLEN, TAXONGEW)) + geom_point() + geom_smooth(method = "lm") + scale_x_log10() + scale_y_log10() + facet_wrap(~Soort) + print(p) regressie_lengte <- data_lengte %>% @@ -601,7 +603,7 @@ gewicht <- ```{r wegschrijven-data} -filename <- "fuikdata_Zeeschelde_VLIZ" +# filename <- "fuikdata_Zeeschelde_VLIZ" jaar_range <- campagnes %>% diff --git a/moneos_2024/150_geintegreerd_rapport/000_abstract.Rmd b/moneos_2024/150_geintegreerd_rapport/000_abstract.Rmd new file mode 100644 index 0000000..d3839e6 --- /dev/null +++ b/moneos_2024/150_geintegreerd_rapport/000_abstract.Rmd @@ -0,0 +1,126 @@ +# Dankwoord/Voorwoord {.unnumbered} + +Het INBO monitoringsprogramma wordt uitgevoerd met de financiële steun van de Vlaamse Waterweg nv, Maritieme Toegang (MT) en het Agentschap voor Natuur en Bos (ANB). +Waarvoor dank. +De monitoring zou niet mogelijk geweest zijn zonder de bemanning van de schepen SCALDIS I, Scheldewacht II, Veremans, Henry de Vos en de Parel. +Dank aan Erwin De Backer (Waterbouwkundig laboratorium) voor de uitstekende planning van de bootcampagnes. + +De zoogdierengegevens werden met toestemming ontleend uit de databank van Waarnemingen.be (Natuurpunt VZW). + +De superdeluxe dataverzameling en het laboratoriumwerk voor watervogels, hyperbenthos, macrozoöbenthos en de hoogteraaien werden uitgevoerd door Olja Bezdenjesnji, Dimitri Buerms, Nico De Regge, Kenny Hessel, Charles Lefranc, Vincent Smeekens, Jan Soors en Frederic Van Lierop. +Topteam Estuaria! + +De vismonitoring en data aanlevering werden voor ons verzorgd door INBO team MHAF (Monitoring Herstel Aquatische Fauna). +De onderzoekers en onderzoeksmedewerkers leverden opnieuw prachtig werk: Olja Bezdenjesnji, Adinda De Bruyn, Franky Dens, Marc Dewit, Linde Galle, Isabel Lambeens, Yves Maes, Thomas Terrie, Gerlinde Van Thuyne en Jeroen Van Wichelen. +Voor de ankerkuilvisserij konden we rekenen op Sjaak Bout en Davy Govers. +Dankzij hun professionele vaardigheid zijn de campagnes in 2022 vlot verlopen en kon ons onderzoek in de beste omstandigheden worden uitgevoerd, dank u wel. +Mevrouw Cabradilla (de Vlaamse Waterweg nv) verleent ons altijd vlot de nodige aanmeertoelatingen, hartelijk dank. + +We zijn ook de mensen van BMK en in het bijzonder Els Lommelen zeer erkentelijk en dankbaar voor de technische ondersteuning en begeleiding bij het uitwerken van de rapportering via rmarkdown, bookdown en github. + +# Samenvatting {.unnumbered} + +Deze rapportage geeft toelichting bij de datarapportage van de geïntegreerde systeemmonitoring van het Schelde-estuarium, kortweg MONEOS (= MONitoring Effecten OntwikkelingsSchets), uitgevoerd door het INBO. +De nadruk ligt op de resultaten van het monitoringsjaren 2021-2022 voor de aspecten leefomgeving voor flora en fauna en ecologie. + +We lichten de langjarige trends toe en we voeren in de datarapportage de Evaluatiemethodiek Schelde-estuarium (EMSE) uit voor verschillende hoofdstukken. + +We bespreken de ecotopenkaart van 2021 van de Beneden-Zeeschelde. +Het globale plaatje is een uitruiming van de vaargeul met steiler wordende oevers als gevolg. De kaart toont de grootste oppervlakte sublitoraal (water) sinds de start van de meetreeks. De schoroppervlakte nam ook verder toe, vooral in nieuwe Sigmagebieden. Voor het eerst werd het Fort Filip als afgewerkt Sigmaproject opgenomen in de ecotopenkaart. Dit resulteerde in een netto uitbreiding van het estuarium met 5 ha. Ongeveer 4 ha daarvan is wel antropogeen hard substraat. De ecologische kwaliteitswinst zit voornamelijk in het omvormen van hoogdynamisch diep water naar laagdynamisch ondiep aansluitend op een bredere gradiënt aan slikken, en de sanering van de site zelf. +In het tot nu toe toegepaste Zeeschelde ecotopenstelsel 1.0 werden subtidale (water) en litorale (slik) ecotopen vooralsnog uitsluitend op basis van diepte en overspoelingsregime onderscheiden, zonder ecologische validatie. +Op basis van recent onderzoek werd het ecotopenstelsel Zeeschelde 2.0 voorgesteld. +In deze rapportage wordt de ecotopenkaart voor de Beneden‐Zeeschelde 2021 volgens beide ecotopenstelsels voorgesteld en vergeleken. +Zo kunnen we nu in het sublitoraal de ecologisch meest waardevolle zones identificeren. +8.5% van het sublitoraal blijkt laagdynamisch waardevol habitat en situeert zich grotendeels in het ondiep subtidaal. +De klassificatie resulteert verder vooral in een verschuiving van middelhoog naar hoog slik zacht substraat of hard antropogeen (op hoog slik). De steile slikken zijn in hoofdzaak antropogeen verstevigde breuksteenzones. + +Op basis van de eerste dataverkenning tonen de sedimentdata verzameld bij de macrozoöbenthosstalen doorgaans het slibrijker worden van het litoraal en het ondiep- en matig diep sublitoraal sinds 2011. +Dit is vooral opvallend in de zoete zones. +In de diepere geul van de zone met sterke saliniteitsgradiënt is de variatie in sedimentsamenstelling groot en zonder duidelijk patroon. +In de olighohaliene zone en zoet lange zone van de Zeeschelde wordt de diepe waterbodem zandiger. + +De soortenrijkdom van het macrozoöbenthos (exclusief Oligochaeta) lijkt de laatste jaren licht te stijgen in de meeste zones van de Zeeschelde. +In het subtidaal zijn er veel diversiteitsschommelingen. +De shannondiversiteit in het intertidaal neemt toe in vrijwel alle zones sinds 2015. +Dit is vooral opvallend in de zone met sterke salinteitsgradiënt indien je de index baseert op aantallen, maar de index is negatief als de diversiteitsmaat gebaseerd is op biomassa. +Dat laatste is wellicht te wijten aan de opkomst van de brakwaterkorfschelp (*Potamocorbula amurensis*) en de platte slijkgapper (*Scrobicularia plana*). +Deze soorten zijn meteen ook de oorzaak van de hoge systeembiomassa berekend voor de zone met sterke saliniteitsgradiënt, waardoor ook voor het tweede jaar op rij de intertidale systeembiomassa ruim de doelstelling van 30 ton droge stof overschrijdt. +Hoewel de systeembiomassa ruim de doelstelling haalt, worden niet in alle deelzones de lokale doelstellingen gehaald. +Vooral in de oligohaliene en de zoete zone met lange verblijftijd is de biomassa en soortenrijkdom macrozoöbenthos (te) laag. De zone Zoet kort verblijf bleef de hele monitoringsperiode wel afgetekend het soortenrijkste waterlichaam. + +De soortenrijkdom van het hyperbenthos schommelt van jaar tot jaar. +In 2022 werd het hoogste aantal taxa, zowel totaal als enkel inheemse soorten, vastgesteld sinds de start van +de monitoring. Een hogere soortenrijkdom hangt mogelijk samen met droge jaren met lage bovenafvoer, +omdat soorten uit de Westerschelde dan vaker en verder doordringen in de Zeeschelde. +Biomassa vertoont een ander patroon met in de zones stroomopwaarts van Antwerpen een gestage +toename na juni tot het einde van het jaar. Dit bevestigt de aanname dat dit voor veel hyperbenthische +soorten en vooral voor garnalen, aasgarnalen en vissen, een opgroeigebied is. De evolutie van densiteiten +en biomassa overheen de monitoringsjaren is onderhevig aan grote schommelingen die samen hangen +met goede en slechte jaren van specifieke soorten. Het optreden van goede of slechte jaren kan soms +gelinkt worden aan bovenafvoer en zoutgehalte, maar is ook vaak nog niet goed begrepen. Van de recente +jaren 2021‐2022, die hier gerapporteerd worden, is vooral 2021 opmerkelijk. De historisch natte zomer +en de daarmee gepaard gaande piekdebieten zorgden voor bijzonder lage hyperbenthosdensiteiten vanaf +juli tot oktober. Vanwege de grote jaarlijkse variatie introduceerden we ook een parameter die naar het +lopend gemiddeld over 3 jaar kijkt, wat een stabieler beeld van evoluties geeft. Deze parameter is meer +richtinggevend voor langetermijntrends, en vertoonde in de meeste gevallen minder dan 25% variatie sinds +2015, wat recent vooropgesteld werd als nieuw kwaliteitscriterium. De laatste jaren lijkt de totale hyperbenthosbiomassa in het systeem te dalen. Vooral de grijze garnaal en de langneussteurgarnaal zijn, na elk +een eigen bloeiperiode, nu al enkele jaren in lagere aantallen aanwezig. + +In deze rapportage wordt de vismonitoring in 2022 op de Zeeschelde door ankerkuil en fuiken besproken. 2022 was een bodemjaar voor het aantal spieringen in de Zeeschelde. Dit geldt zowel voor de ankerkuil als voor de fuikvangsten, waardoor het beeld van de absolute dominantie van deze soort zelfs in het pelagiaal vervaagt. In 2022 werd met de ankerkuil uitzonderlijk veel sprot gevangen in Doel en Antwerpen en dit in het voorjaar, zomer en najaar. In 2022 dook de visindex voor de zoete zone, met een ontoereikende kwaliteitsbeoordeling, voor het eerst sinds 2009 onder die van de brakke en oligohaliene zones. Deze situatie moet nauw opgevolgd worden. +In 2022 werd de vangstinspanning met de fuiken gehalveerd. Fuiken werden telkens 1 in plaats van 2 etmaal uitgezet. +Dit had een invloed op het aantal gevangen soorten. +Naar estuarien habitatgebruik overheersen de trekvissen de visgemeenschappen van de Zeeschelde in aantal en biomassa. +Het estuarium heeft dus weer zijn functie opgenomen in de levenscyclus van deze soorten. +Om te evalueren of de populaties echt gevestigd en duurzaam zijn is echter een cohorte-analyse van de betrokken soorten in tijd en ruimte nodig. Naar dieet overheersen omnivore soorten, een normale opportunistische dieetkeuze in een estuarium met wisselende levensomstandigheden. Toch wordt het voedselweb stilaan complexer. Dit uit zich in een toename van benthivore en piscivore soorten. Om dit beter te evalueren moet voor de belangrijkste soorten rekening gehouden worden met de dieetshift die ze maken in de overgang van juveniel naar adult. In de rapportage wordt naast een evaluatie volgens de EMSE een alternatieve beoordelingsmethode voorgesteld bruikbaar als insteek voor een toekomstige herwerking van de methodiek. + +Opvallend is dat we veel schommelingen zien in het hyperbenthos en de vissen. De vraag kan gesteld worden in hoeverre +de sterk wisselende densiteiten een natuurlijk fenomeen zijn in het bovendeel van +een estuarium, en dus als negatief beoordeeld moet worden. Het is waarschijnlijk deels eigen aan een +opgroeigebied als de Zeeschelde dat er extreem succesvolle recruteringsjaren zijn waarin alle factoren +mee zitten, en waarin één of enkele soorten de gemeenschap domineren. Anderzijds is meer ecologische +kennis nodig over waarom soorten goede en slechte jaren afwisselen, en om natuurlijke en door de mens +beïnvloede oorzaken te kunnen onderscheiden. Concluderend is er een noodzaak om onderzoek op te starten om met innovatieve monitoring (bijvoorbeeld met echosounding) continue data te verzamelen. Dit onderzoek moet helpen om de variaties in het waterleven in ruimte en tijd te verklaren. + +Over de periode 2009-2022 bekeken is er op het niveau van de Zeeschelde een dalende trend te zien in het aantal overwinterende watervogels. +De trendindex toont wel een toename in de sterke saliniteitsgradiënt. Dit is vooral te wijten aan de toename van scholeksters en bergeenden. De toename van de scholekster is vermoedelijk het gevolg van de toename aan schelpdieren (zie hoofdstuk Macrozoöbenthos). Bovendien trok de ontpoldering van Hedwige-Prosper in de herfst van 2021 heel wat bergeenden aan die ook gebruik maakten van de slikken van de Zeeschelde. +Opvallend is de negatieve trend van de zone zoet lang, vooral veroorzaakt door een zeer sterke afname van de wilde eend. Niettegenstaande deze trend blijft de dichtheid aan overwinterende watervogels nog steeds het hoogst in de zone zoet lang en het laagst in de zone met sterke saliniteitsgradiënt. Opvallend is een lage dichtheid aan vogels op de Durme gedurende het winterseizoen. +De diversiteit is het grootst in de zone met een sterke saliniteitsgradiënt en laag in de Durme en de zone zoet lang. +De afname van de vogelaantallen langsheen de Zeeschelde wordt gecompenseerd door de toename van de vogelaantallen in de estuariene natuurontwikkelingsgebieden. +Dit resulteert tot vandaag niet in een totale toename van de watervogelaantallen binnen het estuarium (de vallei buiten beschouwing gelaten). + +De evoluties in de broedvogelaantallen voor een selectie van goed te inventariseren soorten binnen IHD-gebied (wetlands en estuariene gebieden) worden besproken in deze rapportage. +Verscheidene soorten met doelstellingen komen tot 2022 nog steeds zelden tot broeden in het IHD‐gebied Schelde‐estuarium (grote karekiet, kwak, kwartelkoning, roerdomp en paapje), of werden nog nooit vastgesteld als broedvogel (purperreiger). +Grote karekiet lijkt zich wel te vestigen als regelmatige broedvogel. +Ook de lepelaar nam toe door een broedkolonie in de Durme (Meulendijkbroek). +De zomertaling, baardman, woudaap en snor vertonen de laatste jaren een stijgende trend in de vallei van de Zeeschelde en haar tijgebonden zijrivieren. Voor het eerst wordt het doel van de zomertaling bereikt. +De predatiewerende omheiningen in het noordelijk gebied hebben duidelijk een effect met hogere broedaantallen sinds 2021 van kluut, tureluur en een beperkte toename van grutto. +De bruine kiekendief blijft stabiel. +Behalve voor zomertaling, blauwborst, rietzanger en dodaars worden de doelstellingen voor geen enkele soort gehaald. + +De bever koloniseerde ondertussen bijna alle geschikte habitats in het Zeeschelde-estuarium en zit nu ook in de Grote Nete, maar beperkt zich tot nu toe tot de vallei van de Grote Laak. +Opmerkelijk zijn nieuwe waarnemingslocaties in de buurt van Antwerpen en de Antwerpse haven en de Grote Geul Kieldrecht. +Het geschatte aantal beverterritoria in de vallei van de Zeeschelde en tijgebonden zijrivieren wordt geschat op ca. +63. +Dit stemt overeen met 38 families en 176 individuen. +De IHD-doelstelling voor bever is sinds 2021 gerealiseerd. +Het aantal waarnemeningen van otters nam niet verder toe. +De instandhoudingsdoelstellingen zijn echter zeker nog niet vervuld. +Het aantal waargenomen gewone en grijze zeehonden bleef laag en stabiel. Er waren wel waarnemingen tot ver stroomopwaarts de Zeeschelde en zijrivieren. +Er was slechts 1 waarneming van bruinvis. + +De detail-hoogtemetingen op raaien langsheen de Zeeschelde illustreren en onderbouwen de waargenomen ontwikkelingen in de ecotopenkaarten en zijn een indicatief als early warning voor morfologische veranderingen in het systeem. Algemeen kunnen we stellen dat in de omgeving tussen Doel en Lillo de morfodynamiek van de lage slikzone +op verschillende plaatsen is gewijzigd ten opzichte van de langjarige trend. +Ook in de zone rond Antwerpen en Hoboken (GW en HO) nam de morfodynamiek (zandmobiliteit) toe met +grote zandafzetting ter hoogte van de Galgenweel‐raai (GW) en zelfs met kleine lokale zandige afzettingen +(mesoribbels) in Hoboken (HO) onderaan de slikkliffen. Hier verliest het slik wel het grootste deel van het +slib waarbij meer harde substraat komt bloot te liggen. Dit illustreert de hoge dynamiek in deze zone. +Daarnaast zijn er opvallend veel aanwijzingen voor trendbreuken in 2022 in hoog en middelhoog slik in de +Boven‐Zeeschelde met plotse erosie of stagnatie van de sedimentatie. +Deze sterke en snelle ontwikkelingen met sterke veranderingen in slikprofielvorm wijzen op een plotse verandering in hydro‐ en morfodynamiek. Het ontstaan en verdwijnen van +vloedgeulen, snelle zandafzettingen en schorklifvorming wijzen in de richting van toename van hydrodynamiek +bij vloed, die gepaard gaat met groter bodemtransport van zand dat in de binnenbocht zelfs de +slikoevers bereikt. De hoogteverschilkaarten afgeleid van LIDAR en bathymetrische data uit 2022 en 2019 bevestigen de sterke morfologische veranderingen in dit gebied. Verder onderzoek naar de recente veranderingen in deze zone en mogelijke impact van huidige rivierbeheermaatregelen is hierbij wenselijk. + +Ook de oevererosie werd gemonitord op basis van de bathymetrische verschilkaart (2022 versus 2021, 2020 en 2019). +Deze kaarten dienen voornamelijk ter ondersteuning van de interpretatie van erosie van het hoger slik en schorrand als monitoring in functie van het oeverbeheer. Er wordt als signaalfunctie een erosie (en sedimentatie) van meer dan 50 cm gehanteerd. Zowel in de Boven‐ als Beneden‐Zeeschelde zijn grote dynamieken waargenomen in enkele zones. +De waargenomen erosiezones vergen geen directe ingrepen, maar kunnen de voorbode zijn van toenemende erosieve druk op de hogere slikken en schorren zoals ook vastgesteld op de raaimetingen en zijn zones van aandacht. diff --git a/moneos_2024/150_geintegreerd_rapport/010_Inleiding.Rmd b/moneos_2024/150_geintegreerd_rapport/010_Inleiding.Rmd new file mode 100644 index 0000000..9832b2d --- /dev/null +++ b/moneos_2024/150_geintegreerd_rapport/010_Inleiding.Rmd @@ -0,0 +1,140 @@ + +\mainmatter + + +```{r 010-hoofdstuk, include=FALSE} + +hoofdstuk <- "010_inleiding" + +``` + +```{r 010-setup, include=FALSE} + +knitr::opts_chunk$set(echo = FALSE, error=FALSE, warning=FALSE, message=FALSE, cache=FALSE) +knitr::opts_knit$set(eval.after = "fig.cap") + +``` + +```{r 010-libraries} + +library(tidyverse) +library(readxl) +library(kableExtra) +library(rprojroot) ## workaround pad +``` + +```{r 010-pad} + +# inlezen van variabelen +# pad naar data : pad_data +# pad naar tabellen : pad_tabellen +# pad naar figuren : pad_figuren + +source(find_root_file("../pad.R", criterion = is_rstudio_project)) +pad_data <- maak_pad(hoofdstuk, "data") +pad_figuren <- maak_pad(hoofdstuk, "figuren") +pad_tabellen <- maak_pad(hoofdstuk, "tabellen") + +``` + + +# Inleiding + +MONEOS (= MONitoring Effecten OntwikkelingsSchets 2010) (Meire & Maris, 2008) zorgt voor de aanlevering van basisdata voor de evaluatierapporten over de effecten van de verruiming (MT) en voor de evaluatie van de evolutie van het systeem (EMSE, 2021). +De voorliggende datarapportage omvat een toelichting en eerstelijnsanalyse van de onderdelen van de geïntegreerde systeemmonitoring van het Schelde-estuarium, kortweg MONEOS, uitgevoerd door het INBO in 2021 en/of 2022 afhankelijk van het thema. + +Het onderzoeksteam Estuaria van het INBO staat, voor wat de Zeeschelde betreft, reeds geruime tijd in voor de monitoring van diverse onderdelen die vallen onder de hoofdstukken Morfodynamiek, Diversiteit soorten en Diversiteit Habitats. +Het onderzoeksteam Monitoring en herstel Aquatische fauna van het INBO staat in voor de vismonitoring. + +Het INBO levert data aan voor volgende thema's en indicatoren: + +Thema Leefomgeving + +- Overzicht Estuariene Natuurontwikkelingsprojecten +- Sedimentkenmerken +- Geomorfologie, Fysiotopen, Ecotopen +- Vegetatiekartering +- Sedimentatie en erosie op punten en raaien + +Thema diversiteit soorten en thema Ecologisch Functioneren + +- Hogere planten +- Macrozoöbenthos +- Hyperbenthos +- Vissen +- Watervogels +- Broedvogels +- Zoogdieren + +De aangeleverde data omvatten enkel gegevens van de Zeeschelde en getijgebonden zijrivieren. +Tenzij anders vermeld kunnen ze gebruikt worden tot op niveau 3 van de Evaluatiemethodiek wat overeenkomt met de saliniteitszones aangevuld met de getijdenzijrivieren (Durme, Netes, Dijle, Zenne en Nete (Tabel \@ref(tab:010-tabel-indeling-schelde-estuarium). +Deze indeling valt samen met de indeling in waterlichamen van de Kaderrichtlijn Water (KRW) (Figuur \@ref(fig:010-figuur-waterlichamen)). + +Bij elk hoofdstuk is er een verwijzing naar de datafiches waarin de metadata beschreven zijn. +Zie hiervoor op ([https://rshiny.scheldemonitor.org/datafiches/)](https://rshiny.scheldemonitor.org/datafiches/)). + +Deze INBO MONEOS data is ook de basis voor de ecologische toestandsbepaling van de Zeeschelde in het kader van de Kaderrichtlijn Water ((KRW) hydromorfology, macrozoöbenthos, vis en macrofyten) en voor de vaststelling van staat van Instandhouding en de evaluatie van de Instandhoudingsdoelstellingen van de relevante Natura 2000 gebieden. + +```{r 010-tabel-indeling-schelde-estuarium} + +tabel_indeling_schelde_estuarium <- read_excel(paste0(pad_tabellen, "010_Inleiding_tabellen.xlsx"), + sheet = "indeling-schelde-estuarium2", .name_repair = "minimal") %>% + mutate_all(~replace_na(., "")) %>% + select(-`Model-eenheid`) + +cap_indeling_schelde_estuarium <- "Ruimtelijke indeling van het Schelde-estuarium volgens de Evaluatie methodiek (EM), KRW en saliniteitszones." + +footnote_text <- "n.v.t. : Deel van Zeeschelde niet beschouwd in Evaluatiemethodiek. Zou onderdeel kunnen worden van Z7. Ook wordt het traject Tijarm Merelbeke-Zwijnaarde (getijde Zeeschelde) niet gerekend tot Zeeschelde I in de KRW indeling. Dit zou beter wel deel worden van deze zone." + +tabel_indeling_schelde_estuarium %>% + mutate_all(~replace_na(., "")) %>% + mutate_all(~cell_spec(., color = "black")) %>% + {.[nrow(.)-1,c(1,2,3)] <- map(.[nrow(.)-1,c(1,2,3)], + ~paste0(.x, footnote_marker_symbol(1))) + .} %>% + {.[nrow(.),c(1,2,3,5)] <- map(.[nrow(.),c(1,2,3,5)], + ~paste0(.x, footnote_marker_symbol(1))) + .} %>% + knitr::kable(# "latex", + escape = FALSE, + booktabs = T, + caption = cap_indeling_schelde_estuarium) %>% + kable_styling(latex_options = c("scale_down"), + font_size = 15) %>% + # column_spec(1:3,width = "1in") %>% + collapse_rows(columns = 1:6, latex_hline = "full", valign = "middle") %>% + footnote(symbol = footnote_text, + # %>% + # cell_spec(color = "black"), + escape = FALSE, + threeparttable = TRUE) + +``` + +
+ +\newpage + +```{=tex} +\begin{landscape} +``` +```{r 010-figuur-waterlichamen, fig.cap = "Overzicht van de deelzones (niveau 3) en de estuariene Sigmagebieden."} + +knitr::include_graphics(paste0(pad_figuren, "010_kaart_gebiedsindeling.png")) +``` + +```{=tex} +\end{landscape} +``` +\newpage + +## Referenties + +EMSE (2021). +Evaluatiemethodiek Schelde-estuarium: Update 2021. +Antea, Bureau Waardenburg, Deltares, UAntwerpen, UGent, INBO en NIOZ. + +Meire, P., and T. +Maris. +(2008). +MONEOS: Geïntegreerde monitoring van het Schelde-estuarium. diff --git a/moneos_2024/150_geintegreerd_rapport/020_Overzicht.Rmd b/moneos_2024/150_geintegreerd_rapport/020_Overzicht.Rmd new file mode 100644 index 0000000..779889f --- /dev/null +++ b/moneos_2024/150_geintegreerd_rapport/020_Overzicht.Rmd @@ -0,0 +1,158 @@ +```{r 020-hoofdstuk, include=FALSE} + +hoofdstuk <- "020_overzicht" + +``` + +```{r 020-setup, include=FALSE} + +knitr::opts_chunk$set(echo = FALSE, error=FALSE, warning=FALSE, message=FALSE, cache=FALSE, fig.showtext = TRUE, dpi = 300) +knitr::opts_knit$set(eval.after = "fig.cap") + + +``` + +```{r 020-libraries} + +library(tidyverse) +library(readxl) +library(kableExtra) +library(rprojroot) ## workaround pad +library(lubridate, warn.conflicts = FALSE) +library(INBOtheme) + +``` + +```{r 020-pad} + +# inlezen van variabelen +# pad naar data : pad_data +# pad naar tabellen : pad_tabellen +# pad naar figuren : pad_figuren + +#source("../pad.R") +source(find_root_file("../pad.R", criterion = is_rstudio_project)) +pad_data <- maak_pad(hoofdstuk, "data") +pad_figuren <- maak_pad(hoofdstuk, "figuren") +pad_tabellen <- maak_pad(hoofdstuk, "tabellen") + +``` + +# Overzicht Estuariene Natuurontwikkelingsprojecten + +**Gunther Van Ryckegem** + +## Overzicht + +In dit hoofdstuk wordt een overzicht gegeven van de natuurontwikkelingsprojecten die reeds uitgevoerd zijn in de Zeeschelde, met weergave van de voornaamste karakteristieken van het gebied. +Onderstaande informatie is beschikbaar gemaakt via het online portaal . +Deze website omvat een databank met uitgevoerde estuariene natuurontwikkelingsprojecten. + +Voor details over de uitvoering en de initiele evoluties in de ontpolderingen wordt verwezen naar Van de Neucker et al., (2007) en Speybroeck et al. (2011). +De evoluties in de GGG's[^overzicht-1] worden opgevolgd door Universiteit Antwerpen (Maris et al., 2019). +In totaal werd er sinds 2003 ruim 750 ha aan estuariene natuurontwikkeling gerealiseerd (Tabel \@ref(tab:020-tabel-natuurontwikkelingsprojecten)). + +[^overzicht-1]: Gecontroleerd Gereduceerd Getijdengebied + +```{r 020-tabel-natuurontwikkelingsprojecten} + +tabel_natuurontwikkelingsprojecten <- read_excel(paste0(pad_tabellen, "020_Overzicht_tabellen.xlsx"), + sheet = "natuurontwikkelingsprojecten", .name_repair = "minimal") + +tabel_natuurontwikkelingsprojecten$Realisatie <- format(tabel_natuurontwikkelingsprojecten$Realisatie, format="%Y-%m") + +options(knitr.kable.NA = '') + +tabel_natuurontwikkelingsprojecten[c(7,10),3] <- sapply(tabel_natuurontwikkelingsprojecten[c(7,10),3], + function(x) paste0(x, footnote_marker_number(1))) + +tabel_natuurontwikkelingsprojecten[c(17),4] <- sapply(tabel_natuurontwikkelingsprojecten[c(16),4], + function(x) paste0(x, footnote_marker_number(2))) + +tabel_natuurontwikkelingsprojecten[c(17),4] <- sapply(tabel_natuurontwikkelingsprojecten[c(16),4], + function(x) paste0(x, footnote_marker_number(3))) + +tabel_natuurontwikkelingsprojecten[c(17),4] <- sapply(tabel_natuurontwikkelingsprojecten[c(16),4], + function(x) paste0(x, footnote_marker_number(4))) + + + +tabel_natuurontwikkelingsprojecten %>% + knitr::kable(caption = "Overzicht van de uitgevoerde estuariene natuurontwikkelingsprojecten langsheen de Zeeschelde en zijrivieren. De gebieden staan gerangschikt van grens BE-NL stroomopwaarts. MWeA - Meest Wenselijk Alternatief - geactualiseerd Sigmaplan gebieden zijn geselecteerd (Synthesenota, 2005).", + # "latex", + booktabs = T, + escape = F) %>% + kable_styling(latex_options = c("scale_down"), + font_size = 12) %>% + footnote(number = c("met koker verbonden (natuurlijk getijpatroon en dynamiek is beïnvloed)", + "in de loop van 2017 werd nog een grondstock opgeruimd en toegevoegd aan de ontpoldering (+ 2.2 ha)"), + "in de zomer van 2019 werd een geul gegraven in het westelijk deel van de Wijmeers en ging estuariene oppervlakte tijdelijk verloren door de aanleg van een zandstock", + "ontpoldering afgesloten voor getij tussen maart 2020 en april 2021 voor de aanleg van een vloedschaar in oostelijk deel", + threeparttable = TRUE) + +``` + +
+ +```{r 020-figuur-oppervlakte-estuariene-natuurontwikkeling, fig.cap=cap_oppervlakte, out.width="80%"} + +fig_natuurontwikkeling_opp <- read_excel(paste0(pad_tabellen, "020_Overzicht_tabellen.xlsx"), + sheet = "Blad2", .name_repair = "minimal") + +# fig_natuurontwikkeling_opp$Realisatie <- format(tabel_natuurontwikkelingsprojecten$Realisatie, format="%Y-%m") +# fig_natuurontwikkeling_opp$Realisatie <- as.Date(fig_natuurontwikkeling_opp$Realisatie) +fig_natuurontwikkeling_opp$Sigmaplan <- as.factor(fig_natuurontwikkeling_opp$`MWeA Estuarien gebied`) + +fig_natuurontwikkeling_opp %>% + arrange(Realisatie) %>% + mutate(cs = cumsum(Opp)) %>% + ggplot(aes(Realisatie, cs, colour = Sigmaplan)) + + geom_point(size = 2)+ + xlab("Datum realisatie project")+ + ylab("Cumulatieve oppervlakte (ha)")+ + theme(axis.text.x = element_text(angle = 0), + legend.position = "bottom", + legend.title = element_blank()) +ggsave(paste0(pad_figuren, "10_figuur_oppervlakte_estuariene_natuurontwikkeling.jpg")) + +cap_oppervlakte <- "Cumulatieve oppervlakte gerealiseerde estuariene natuurontwikkelingsgebieden. Oranje punten betreffen projecten van het geactualiseerde Sigmaplan (MWeA); blauwe punten zijn andere natuurontwikkelingsprojecten." + +# knitr::include_graphics(paste0(pad_figuren, "10_figuur_oppervlakte_estuariene_natuurontwikkeling.jpg")) +``` + +## Recente ontwikkelingen + +In de periode 2015-2021 werden verschillende estuariene Sigmaprojecten opgeleverd. +In 2017 werd er een verdubbeling van de oppervlakte gerealiseerd door de GGG's en ontpolderingsoppervlakte ter hoogte van Kruibeke-Bazel-Rupelmonde én door het openen van de GGG Zennegat langsheen de Dijle. +Vanaf maart 2020 tot april 2021 was de volledige Wijmeers inactief als estuarien gebied door werkzaamheden. +Het Groot Schoor te Hamme werd als ontpoldering gerealiseerd in juli 2021. +In juni 2021 werd ook de ontpoldering/dijkverlegging te Fort Filip gerealiseerd. +De exacte netto oppervlaktewinst is bepaald op basis van de ecotopenkaart 2021 (5 hectare). +Daarnaast streeft dit project ook naar een habitatkwaliteitsverbetering van een aangrenzend - hoogdynamische zone naar een laagdynamischer zone. In maart 2022 werd de Grote vijver Noord als GGG gerealiseerd. In oktober 2022 werd de Prosper- en Hedwigepolder gebrest. Zo kwam er ruim 450 ha estuariene natuur in één klap bij. + +## Referenties + +Maris, T., S. Baeten, K. De Schamphelaere, T. Van den Neucker, T. +van den Broeck & P. +Meire (2019). +Onderzoek naar de gevolgen van het Sigmaplan, baggeractiviteiten en havenuitbreiding in de Zeeschelde op het milieu. +Geïntegreerd eindverslag van het onderzoek verricht in 2018, deelrapport Intergetijdengebieden. +ECOBE 019-R245 Universiteit Antwerpen, Antwerpen. + +Speybroeck J., Van Ryckegem G., Vandevoorde B. +& Van de Bergh E. +(2011). +Evaluatie van natuurontwikkelingsprojecten in het Schelde-estuarium. +2de rapportage van de projectmonitoring periode 2006-2009. +Rapport INBO.R.2011.21. +160pp. +Instituut voor Natuur-en Bosonderzoek, Brussel. + +Synthesenota (2005). +Geactualiseerd Sigmaplan voor veiligheid en natuurlijkheid in het bekken van de Zeeschelde. +Waterwegen en Zeekanaal NV. + +Van den Neucker T., Verbessem I., Van Braeckel A., Stevens M., Spanoghe G., Gyselings R., Soors J., De Regge N., De Belder W & Van den Bergh E. +(2007). +Evaluatie van natuurontwikkelingsprojecten in het Schelde-estuarium. +INBO.R.2007.54. diff --git a/moneos_2024/150_geintegreerd_rapport/090_vissen_inleiding_en_methode.Rmd b/moneos_2024/150_geintegreerd_rapport/090_vissen_inleiding_en_methode.Rmd deleted file mode 100644 index 25806b5..0000000 --- a/moneos_2024/150_geintegreerd_rapport/090_vissen_inleiding_en_methode.Rmd +++ /dev/null @@ -1,313 +0,0 @@ -```{r 090-hoofdstuk, include=FALSE} - -hoofdstuk <- "090_vissen" - -``` - -```{r 090-setup, include=FALSE} - -knitr::opts_chunk$set(echo = FALSE, error=FALSE, warning=FALSE, message=FALSE, cache=FALSE, fig.pos = "H") -knitr::opts_knit$set(eval.after = "fig.cap") - -``` - -```{r 090-libraries} - -library(tidyverse) -library(readxl) -library(kableExtra) -library(rprojroot) ## workaround pad - -conflicted::conflicts_prefer(dplyr::filter) - -``` - -```{r 090-pad} - -# inlezen van variabelen -# pad naar data : pad_data -# pad naar tabellen : pad_tabellen -# pad naar figuren : pad_figuren - -source(find_root_file("../pad.R", criterion = is_rstudio_project)) - -pad_data <- maak_pad(hoofdstuk, "data") -pad_figuren <- maak_pad(hoofdstuk, "figuren") -pad_tabellen <- maak_pad(hoofdstuk, "tabellen") - -``` - -```{r 090-table_from_figure-function} -figtab <- - function(label, image_file, caption=NULL) { - txt <- sprintf('\\begin{table}[H]\n\\caption{%s}\n\\label{tab:%s}\n\\includegraphics{%s}\n\\end{table}', - caption, - label, - image_file) - magick::image_read(image_file) %>% magick::image_ggplot() %>% print() - writeLines(txt) - } -``` - -```{r 090-meta-data} - -laatste_jaar <- 2022 - -soortenlijst <- - read_xlsx(str_c(pad_data, "soorten_Zeeschelde.xlsx"), - sheet = "EMSE") %>% - select(-inEMSE, -exoot, -opmerking) - -aantal_soorten <- - nrow(soortenlijst) - -aantal_soorten_fuiken <- - soortenlijst %>% - filter(!is.na(fuiken)) %>% - nrow() - -aantal_soorten_ankerkuil <- - soortenlijst %>% - filter(!is.na(ankerkuil)) %>% - nrow() - -aantal_soorten_beide <- - soortenlijst %>% - filter(!is.na(fuiken) & !is.na(ankerkuil)) %>% - nrow() - -aantal_soorten_enkel_fuiken <- - aantal_soorten_fuiken - aantal_soorten_beide - -aantal_soorten_enkel_ankerkuil <- - aantal_soorten_ankerkuil - aantal_soorten_beide - -# meta_data <- -# read_delim(paste0(pad_data, "vissen_meta_data.csv"), -# delim = ";") -# -# for(i in 1:nrow(meta_data)){ -# ##first extract the object value -# tempobj=meta_data$waarde[i] -# ##now create a new variable with the original name of the list item -# eval(parse(text=paste(meta_data$naam[i],"= tempobj"))) -# } - -``` - -# Vissen - -Fichenummer: FICHE S-DS-V-004a -- Vissen (KRW) - -**Joost Vanoverbeke, Erika Van den Bergh, Gunther Van Ryckegem, Gerlinde Van Thuyne** - -## Inleiding - -De meeste vissen hebben een complexe levenscyclus. -Gedurende hun leven doorlopen ze verschillende niveaus in het voedselweb en bevolken ze diverse ecologische niches. -Estuaria zijn voedselrijk en door de diversiteit aan habitats voorzien ze voedsel en leefruimte voor veel jonge en adulte vissen (Baldoa & Drake, 2002). -Voor veel vissoorten vervullen ze verschillende functies naargelang het levensstadium. -Sommige soorten gebruiken estuaria als paaihabitat (Able, 2005; Van Der Meulen et al., 2013). -De kinderkamerfunctie voor jonge vis werd uitgebreid toegelicht door Elliott & Hemingway (2002). -Maes et al. (2007, 2008) en Stevens et al. (2009) gaan dieper in op de functie van estuaria als doorgangszone voor trekvissen. - -Het bestuderen van de visfauna in de Zeeschelde is belangrijk om de invulling van deze functies te begrijpen en om de ecologische lange termijn ontwikkelingen in het gebied op te volgen. -De Zeeschelde verzamelt een belangrijk deel van de bovenstroomse vuilvrachten. -Opvolging van de visstand in de Zeeschelde weerspiegelt dus ook de kwaliteit van de bovenstroomse gebieden. -De Europese Kaderrichtlijn Water (KRW, 2000/60/EG) verplicht om iedere zes jaar de ecologische toestand van oppervlaktewaterlichamen te rapporteren op basis van enkele bio-indicatoren waaronder de visgemeenschap. -De KRW rapportage gebeurt op basis van de daartoe speciaal ontworpen visindices (Breine et al, 2007; 2010). -In deze MONEOS rapportage wordt de Evaluatie Methodiek Schelde Estuarium (EMSE, 2021) toegepast. - -De visgemeenschap in de Zeeschelde wordt jaarlijks opgevolgd met dubbele schietfuiken en met ankerkuilvisserij (Tabel \@ref(tab:090-tabel-visinspanning)), niet alleen omwille van de dynamiek van het systeem maar ook om het ecosysteem herstel te evalueren na jarenlange plaatselijke en tijdelijke zuurstofloze condities (Maris et al., 2011). -Zesjaarlijkse afvissingen, het absolute minimum voor de KRW, geven te grote lacunes om dit herstelproces te documenteren. -Om seizoenale patronen te documenteren vissen we in de lente, zomer en herfst. - -Ankerkuilvisserij geeft een goed beeld van de visgemeenschap in de waterkolom, fuikvisserij bemonstert eerder nabij de bodem. -De resultaten van beide vangstmethoden verstrekken complementaire informatie over de kraamkamerfunctie en rekrutering van de visgemeenschappen in het estuarium doorheen het jaar en in de verschillende saliniteitszones. -Algemeen worden meer soorten gevangen met de ankerkuil. -De resultaten van de fuikvangsten leveren echter een hogere Shannon diversiteit (Breine & Van den Bergh, 2022). -De resultaten van het reguliere INBO meetnet worden aangevuld met extra informatie uit de resultaten van een vrijwilligersmeetnet (hier niet gerapporteerd). -Schietfuiken worden in alle EMSE Scheldezones niveau 3 uitgezet. -Aanvankelijk werd ook op de zijrivieren jaarlijks gevist maar sinds 2012 werd dit verminderd naar driejaarlijks omdat de totale inspanning te groot werd en omdat de ecosysteem evaluatie vooral op de Zeeschelde zelf gericht is. -Ankerkuilvisserij kan enkel uitgevoerd worden in de Zeeschelde tot in de zoete zone met lange verblijftijd omdat de geul verder stroomopwaarts daarvoor te nauw wordt. - -INBO fuikvangst- en ankerkuilgegevens zijn beschikbaar via de V.I.S. databank ([https://vis2.inbo.be/](https://vis2.inbo.be/#home)) (Brosens et al., 2015). -Vrijwilligersdata worden afzonderlijk opgeslagen. - -In de huidige rapportage worden ankerkuil data en fuikgegevens van de Zeeschelde besproken. -Gegevens van de zijrivieren worden later verwerkt en gerapporteerd. -Ankerkuildata en fuikdata van het reguliere Zeeschelde meetnet worden aangeleverd als xlsx-bestanden aan de Scheldemonitor. - -```{r 090-tabel-visinspanning, results="asis", fig.show='hide', out.width="100%"} -caption_tab <- "Historisch overzicht van de visinspanning met schietfuiken (groen) en ankerkuil (blauw) in de verschillende zones van de Zeeschelde." -img_file <- paste0(pad_figuren, "visinspanningINBO.jpg") -figtab(knitr::opts_current$get()$label, - img_file, - caption_tab) -``` - -## Materiaal en Methode - -### Ankerkuil - -De ankerkuilen zijn geïnstalleerd op een platbodemschip, 'De Harder' met registratienummer BOU25, eigendom van het visserijbedrijf Bout-Van Dijke. -De ankerkuil bestaat uit twee 8 meter brede stalen balken waarvan de onderste tot op de bodem wordt neergelaten en de bovenste tot net op of boven de waterlijn. -De uiteinden van de balken zijn verbonden met het scheepsanker waarmee het vaartuig voor anker ligt. -Tussen de balken is over de volledige breedte (8 m) een net of kuil met een maaswijdte van 20 mm gespannen. -Het doorstromende water houdt het net open. -De periode van het getij waarin gevist kan worden, is meestal van één uur na tot één uur voor de kentering van het getij, afhankelijk van de stroming die voldoende sterk moet zijn. -Op iedere locatie wordt één keer bij eb en één keer bij vloed gevist met één net aan bakboord en één net aan stuurboord. -De netten worden gelijktijdig aan stuurboord en bakboord neergelaten. -Het eerste net wordt meestal na een uur leeggemaakt en het tweede net na twee uur. -Zo kunnen twee vangsten per getijfase gemaakt worden en wordt het risico op misvangst beperkt. -De vangst wordt aan boord verwerkt. - -Eenmaal de vangst op het dek is gestort, halen we er onmiddellijk de minder algemene soorten en grote individuen uit. -Deze worden geïdentificeerd, geteld, gemeten en gewogen. -Van de zeer algemene soorten nemen we een deelmonster door 'voortgezette halvering', een gebruikelijk verdeelsysteem in de visserij. -Op die manier houden we een hanteerbaar, representatief aandeel over. -Vervolgens worden alle vissen in het deelstaal op soort geïdentificeerd, geteld, gemeten en gewogen. -Alle gevangen vissen worden na wegen en meten terug gezet in de Zeeschelde. - -Het bemonsterde watervolume wordt berekend met behulp van een mechanische stroomsnelheidsmeter met propeller die voor de duur van de vangst te water wordt gelaten. -De gemiddelde hoogte van de waterkolom, die met de duur van het getij verandert, wordt vermenigvuldigd met de kuilbreedte (8m) en de door de stroomsnelheidsmeter gepasseerde waterstroom. - -Aantallen en biomassa worden omgerekend naar aantallen en biomassa per m\textsuperscript{3} volume afgevist water. - -In de periode 2012-`r laatste_jaar` werd jaarlijks gevist in de lente (eind april of begin mei), de zomer (juli) en in het najaar (september). -In 2020 werd uitzonderlijk enkel in de zomer en het najaar gevist. -Er wordt telkens op vier locaties bemonsterd: Doel, Antwerpen, Steendorp en Branst (Figuur \@ref(fig:090-figuur-locaties-ankerkuil)). -Doel en Antwerpen bevinden zich in de EMSE niveau 3 scheldezone met sterke saliniteitsgradiënt, Steendorp bevindt zich in de oligohaliene zone en Branst in de zoetwater zone met lange verblijftijd. -De Lambert coördinaten van de locaties zijn: Doel: 143350; 223091, Antwerpen: 149192; 210267, Steendorp: 142898; 200951 en Branst: 137181; 195683. - -```{r 090-figuur-locaties-ankerkuil, fig.cap=cap_locaties_ankerkuil, out.width="100%"} - -cap_locaties_ankerkuil <- - "De met ankerkuil bemonsterde locaties in het Zeeschelde estuarium sinds 2012." - -knitr::include_graphics(paste0(pad_figuren, "locaties_ankerkuil.jpg")) - -``` - -
- -### Fuikvisserij - -Voor de fuikvangsten worden dubbele schietfuiken gebruikt. -Een schietfuik bestaat uit twee fuiken van 7,7 m lengte, waartussen een net van 11 m gespannen is. -Dat net is bovenaan voorzien van vlotters. -Onderaan bevindt zich een loodlijn. -Vissen die tegen het overlangse net zwemmen, worden naar één van de fuiken geleid. -De twee fuiken (type 120/90) zijn opgebouwd uit een reeks hoepels waarrond een net (maaswijdte 1 cm) bevestigd is. -Aan de ingang van de fuik staat de grootste hoepel (hoogte 90 cm). -Deze is onderaan afgeplat (120 cm breed) zodat de hele fuik recht blijft staan. -Naar achter toe worden de hoepels kleiner. -Aan het uiteinde is de maaswijdte 8 mm. -In de fuik bevinden zich een aantal trechtervormige netten waarvan het smalle uiteinde naar achter is bevestigd. -Eenmaal de vissen een trechter gepasseerd zijn, kunnen ze niet meer terug. -Om de vissen uit de fuik te halen wordt deze helemaal achteraan geopend en leeggemaakt. - -De bemonsterde locaties in de periode 2009-2022 zijn weergegeven in Figuur \@ref(fig:090-figuur-locaties-fuiken). -Vanaf het najaar van 2015 werd de locatie Zandvliet niet meer bemonsterd maar vervangen door het Paardenschor als nieuwe locatie in de mesohaliene zone (Figuur 2). -Bij de bespreking van de resultaten wordt Zandvliet niet expliciet vermeld maar wordt er verwezen naar Paardenschor. -De Lambert coördinaten van de locaties zijn: Zandvliet: 139864; 228413, Paardenschor: 142882; 225713, Antwerpen: 150050; 210800, Steendorp: 142520; 201050, Kastel: 137450; 193480, Appels: 128997; 193213 en Overbeke: 114823; 188235. - -Bij iedere campagne (voorjaar (mrt-apr), zomer (juni-augustus) en najaar (sept-okt)) werden per locatie twee dubbele schietfuiken geplaatst op de laagwaterlijn. -Tot en met 2021 stonden de fuiken 48 uur op locatie en werden ze om de 24 uur leeggemaakt. -De gevangen vissen worden ter plaatse geïdentificeerd, geteld, gemeten, gewogen en vervolgens teruggezet. -Het aantal individuen en de biomassa gevangen met fuiken worden omgerekend naar aantallen en biomassa per fuikdag. -Deze getransformeerde data worden gebruikt in de verdere analyse. -Om de totale visinspanning op de Zeeschelde te rationaliseren staan de fuiken sinds 2022 slechts 24 u op locatie en worden ze maar één keer leeggemaakt. -De gemiddelde aantallen en biomassa per fuikdag zullen hierdoor weinig veranderen maar de tweede fuikdag voegde in het verleden gemiddeld 2 extra soorten toe (berekening op basis van 144 campagnes). -Deze strategiewijziging zal dus een sprong in de tijdreeks voor soortenrijkdom veroorzaken. - -```{r 090-figuur-locaties-fuiken, fig.cap=cap_locaties_fuiken, out.width="100%"} - -cap_locaties_fuiken <- - "De met fuiken bemonsterde locaties in het regulier meetnet in het Zeeschelde estuarium sinds 2009." - -knitr::include_graphics(paste0(pad_figuren, "locaties_fuiken_historisch.jpg")) - -``` - -
- -### EMSE evaluatie - -De resultaten van ankerkuil- en fuikvangsten worden gerapporteerd volgens EMSE (Evaluatie Methodiek Schelde Estuarium; EMSE 2021). -De waargenomen soorten worden onderverdeeld in zogenaamde functionele groepen op basis van estuarien habitatgebruik en dieetvoorkeur. - -De indeling qua habitatgebruik is als volgt: - -- Estuariene soorten en mariene migranten. Estuariene soorten brengen hun hele levenscyclus in het estuarium door. Mariene migranten (juvenielen, seizoensgasten, dwaalgasten) kunnen hun levenscyclus op zee vervolledigen maar ze komen de gunstiger condities in het estuarium opzoeken vb. om op te groeien. -- Diadrome soorten moeten zich tussen zoet- en zoutwater verplaatsen om zich voort te planten en zo hun levenscyclus te vervolledigen. -- Zoetwatersoorten die ook in het estuarium hun levenscyclus kunnen vervolledigen. - -De indeling qua dieetvoorkeur is als volgt: - -- Benthivoor -- Piscivoor -- Omnivoor -- Planktivoor - -De functionele groep omnivore estuariene soorten en mariene migranten is niet opgenomen in de EMSE indeling (zie EMSE 2021). -Omdat van deze groep, althans volgens de EMSE dieetvoorkeur per soort, toch redelijke aantallen voorkomen in de Zeeschelde wordt deze echter wel opgenomen in de MONEOS rapportage. -Sommige combinaties van habitatgebruik en dieetvoorkeur komen niet voor in de data. -Om een overzichtelijke vaste structuur te behouden worden ze wel telkens mee opgenomen in de figuren. - -Een overzicht van soorten die sinds 2012 in de Zeeschelde werden gevangen, met aanduiding van EMSE habitatgebruik en dieetvoorkeur wordt gegeven in Tabel \@ref(tab:093-tabel-zeeschelde-soorten) in bijlage. -Er werden in die periode `r aantal_soorten` soorten gevangen waarvan `r aantal_soorten_beide` soorten in zowel ankerkuil als fuiken, `r aantal_soorten_enkel_ankerkuil` soorten enkel met de ankerkuil en `r aantal_soorten_enkel_fuiken` soorten enkel met de dubbele schietfuiken. - -Voor elk van de EMSE functionele groepen worden per jaar en per vangstmethode het totaal aantal gevangen individuen en de totale biomassa per vangsteenheid (1000m³ bemonsterd water voor ankerkuil, 1 fuikdag voor fuikvangsten) alsook het aantal soorten en de Shannon diversiteit gerapporteerd. -Dit per scheldezone (EMSE niveau 3) en gemiddeld over de bemonsterde seizoenen (voorjaar, zomer, najaar). - -De Shannon diversiteit *D* wordt berekend als: - -$$ -D = exp \left( -\sum^S_i p_i ln (p_i) \right) -$$ - -waarbij *S* het aantal gevangen soorten in de functionele groep is en *p~i~* de relatieve abundantie van soort *i*. -*D* neemt een waarde aan tussen 1 en *S*, afhankelijk van de gelijkheid (evenness) in abundantie van de soorten. -Indien *D* = *S* hebben alle soorten in de groep een gelijke abundantie. - -Naast de algemene trends per functionele groep wordt er ook gekeken naar de trends van een aantal sleutelsoorten. -Deze soorten zijn zo geselecteerd dat ze een goede vertegenwoordiging geven van de verschillende saliniteits- en dieetvoorkeuren (zie bijlage Tabel \@ref(tab:093-tabel-zeeschelde-soorten)) en zijn belangrijke indicatoren voor het ecologisch functioneren van het systeem. -Daarnaast zijn ook de europees beschermde soorten opgenomen in de sleutelsoortenlijst. - - -### Bepalen van de visindex - -De gegevens van de fuikvangsten in de Zeeschelde worden gebruikt om de visindex per KRW waterlichaam te berekenen volgens de zone-specifieke estuariene index voor biotische integriteit (Breine et al., 2010). -De Index wordt berekend op basis van de jaargegevens en is zodoende robuuster dan de brakwater index die gebaseerd is op dagvangsten (Breine et al., 2007). -De index score per waterlichaam integreert de beoordeling van een aantal metrieken, wordt vertaald naar een ecologische kwaliteitsratio (EQR) tussen 0 en 1 en ondergebracht in één van de ecologische kwaliteitsklassen, variërend van 'slecht' over 'onvoldoende', 'matig', 'goed ecologisch potentieel' (GEP) tot 'maximaal ecologisch potentieel' (MEP). -Elke gebruikte metriek staat voor een bepaalde functie van het ecosysteem voor de visgemeenschap. -De betekenis van de gebruikte metrieken is weergegeven in Tabel \@ref(tab:090-tabel-metrieken-visindex). -Voor elke metriek wordt een score bepaald in functie van een vastgelegde referentietoestand. -In elke saliniteitszone gelden andere metrieken en grenswaarden (Breine et al., 2010). - - -```{r 090-tabel-metrieken-visindex} - -tabel_metrieken <- - read_excel(paste0(maak_pad(hoofdstuk, "tabellen"), "visindexreeks.xlsx"), - sheet = "toelichting metrieken", - col_names = FALSE) - -cap_metrieken <- - "Toelichting van de metrieken gebruikt in de visindex." - -tabel_metrieken %>% - mutate(across(everything(), ~as.character(.) %>% replace_na(""))) %>% - mutate(across(everything(), ~cell_spec(., color = "black"))) %>% - knitr::kable(booktabs = TRUE, - caption = cap_metrieken, - col.names = NULL, - escape = FALSE) %>% - kable_styling("striped", - latex_options = c("striped")) - -``` - -
- diff --git a/moneos_2024/150_geintegreerd_rapport/091_vissen_ankerkuil.Rmd b/moneos_2024/150_geintegreerd_rapport/091_vissen_ankerkuil.Rmd deleted file mode 100644 index 4ddef69..0000000 --- a/moneos_2024/150_geintegreerd_rapport/091_vissen_ankerkuil.Rmd +++ /dev/null @@ -1,613 +0,0 @@ -```{r 091-hoofdstuk, include=FALSE} - -hoofdstuk <- "090_vissen" - -``` - -```{r 091-setup, include=FALSE} - -knitr::opts_chunk$set(echo = FALSE, error=FALSE, warning=FALSE, message=FALSE, cache=FALSE, fig.pos = "H") -knitr::opts_knit$set(eval.after = "fig.cap") - -``` - -```{r 091-libraries} - -library(tidyverse) -library(readxl) -library(kableExtra) -library(rprojroot) ## workaround pad - -``` - -```{r 091-pad} - -# inlezen van variabelen -# pad naar data : pad_data -# pad naar tabellen : pad_tabellen -# pad naar figuren : pad_figuren - -source(find_root_file("../pad.R", criterion = is_rstudio_project)) - -pad_data <- maak_pad(hoofdstuk, "data") -pad_figuren <- maak_pad(hoofdstuk, "figuren/ankerkuil") -pad_tabellen <- maak_pad(hoofdstuk, "tabellen/ankerkuil") - -``` - -```{r 091-table_from_figure-function} -figtab <- - function(label, image_file, caption=NULL) { - txt <- sprintf('\\begin{table}[H]\n\\caption{%s}\n\\label{tab:%s}\n\\includegraphics{%s}\n\\end{table}', - caption, - label, - image_file) - magick::image_read(image_file) %>% magick::image_ggplot() %>% print() - writeLines(txt) - } -``` - -```{r 091-meta-data} - -meta_data <- - read_delim(paste0(pad_data, "ankerkuil_meta_data.csv"), - delim = ";") - -for(i in 1:nrow(meta_data)){ - ##first extract the object value - tempobj=meta_data$waarde[i] - ##now create a new variable with the original name of the list item - eval(parse(text=paste(meta_data$naam[i],"= tempobj"))) -} - -``` - -## Resultaten - -### Ankerkuil - -#### Soortenrijkdom in `r laatste_jaar` - -We vingen `r aantal_soorten_laatste_jaar` vissoorten in `r laatste_jaar`. -Een overzicht van de soorten gevangen in `r laatste_jaar` is weergegeven in Tabel \@ref(tab:091-tabel-overzicht-soorten). -In de zone met sterke saliniteitsgradiënt (Doel en Antwerpen) werden er meer soorten gevangen dan in de oligohaliene (Steendorp) en zoetwater (Branst) zone (Tabel \@ref(tab:091-tabel-aantal-soorten)). - Over de beschouwde periode (`r vroegste_jaar` - `r laatste_jaar`) worden er inderdaad systematisch meer soorten gevangen in deze zone dan in de oligohaliene en zoete zone (Figuur \@ref(fig:091-figuur-aantal-soorten-locatie-historisch)). -De turnover van soorten tussen seizoenen op elke locatie bedraagt tot een derde van de gevangen soorten. -Het totaal aantal soorten jaarlijks gevangen in de Zeeschelde (over alle locaties) in de periode `r vroegste_jaar`-`r laatste_jaar` varieert rond de 40, met een maximum (46) in 2017 en een minimum (36) in 2020. -De turnover in soorten tussen locaties bedraagt tot een kwart van het totaal aantal soorten. - -```{r 091-tabel-overzicht-soorten} - -tabel_gevangen_soorten <- - read_excel(paste0(pad_tabellen, "ankerkuil_tabellen_vissen.xlsx"), - sheet = "gevangen_soorten") %>% - arrange(soort) - -cap_gevangen_soorten <- - paste0("Overzicht van de vissoorten gevangen tijdens de ankerkuilcampagnes in de Zeeschelde in ", - laatste_jaar, - ".") - -tabel_gevangen_soorten %>% - mutate(across(everything(), ~as.character(.) %>% replace_na(""))) %>% - mutate(across(everything(), ~cell_spec(., color = "black"))) %>% - knitr::kable(booktabs = TRUE, - caption = cap_gevangen_soorten, - align = c("l", rep("c", 12)), - col.names = c("", rep(c("Doel", "Antw.", "Steend.", "Branst"), 3)), - escape = FALSE) %>% - add_header_above(c(" " = 1, "voorjaar" = 4, "zomer" = 4, "najaar" = 4)) %>% - kable_styling("striped", - latex_options = c("striped", "scale_down"), - font_size = 15) - -``` - -
- -```{r 091-tabel-aantal-soorten} - -tabel_aantal_soorten <- - read_excel(paste0(pad_tabellen, "ankerkuil_tabellen_vissen.xlsx"), - sheet = "aantal_soorten") - -cap_aantal_soorten <- - paste0("Aantal soorten gevangen tijdens de ankerkuilcampagnes in de Zeeschelde in ", - laatste_jaar, - ".") - -tabel_aantal_soorten %>% - mutate(across(everything(), ~as.character(.) %>% replace_na(""))) %>% - mutate(across(everything(), ~cell_spec(., color = "black"))) %>% - knitr::kable(booktabs = TRUE, - caption = cap_aantal_soorten, - align = c("l", rep("c", 3)), - escape = FALSE) %>% - kable_styling("striped", - latex_options = c("striped"), - font_size = 10) - -``` - -
- -```{r 091-figuur-aantal-soorten-locatie-historisch, fig.cap=cap_aantal_soorten_locatie, out.width="110%"} - -cap_aantal_soorten_locatie <- - str_c("Het aantal soorten gevangen per locatie in de Zeeschelde tijdens de ankerkuilcampagnes in de periode 2012-",laatste_jaar,". Het donkere deel per balk geeft het gemiddeld aantal soorten gevangen per jaar en locatie; het lichtere deel geeft het totaal aantal gevangen soorten per jaar en locatie.") - -knitr::include_graphics(paste0(pad_figuren, "aantal_soorten_locatie.jpg")) - -``` - -
- -#### Relatieve soortensamenstelling voor de meest dominante soorten in `r laatste_jaar` - -We analyseren alle vangstgegevens van `r laatste_jaar`. -Soorten met in alle seizoenen en locaties een relatieve bijdrage kleiner dan 10% voor zowel de aantallen als biomassa worden als 'rest' samengenomen. - -Uit deze analyse blijkt dat de relatieve abundantie van soorten zowel seizoenaal als ruimtelijk verschilt (Figuur \@ref(fig:091-figuur-relatief-aantal)). -In Doel en Antwerpen (zone met sterke saliniteitsgradiënt) zijn haringachtigen dominant in alle seizoenen van `r laatste_jaar`. -Door omstandigheden was er in het voorjaar onvoldoende tijd om haring en sprot tot op soort te brengen. -Ze werden samen geregistreerd als "haringachtigen". -In de zomer en het najaar ging het in Doel vooral over haring, in Antwerpen werd eerder sprot gevangen. -Ook in de Westerschelde werd in het najaar van 2022 extreem veel kleine sprot gevangen in alle ankerkuil stations (de Boois & Couperus, 2022). -Spiering was veel minder omnipresent in 2022. -In Steendorp en Branst (zoetwater) domineerden ze de vangstaantallen in het voorjaar maar in zomer nam brakwatergrondel het over in Branst en in het najaar ook in Steendorp. - -Uitgedrukt in biomassa treden spiering en ook snoekbaars iets meer op de voorgrond (Figuur \@ref(fig:091-figuur-relatieve-biomassa)). -Naast spiering staan sprot en haring in voor een relatief groot aandeel van de biomassa in de zone met sterke saliniteitsgradiënt. -In de zoete zone zijn dat eerder brakwatergrondel en snoekbaars. - -```{r 091-figuur-relatief-aantal, fig.cap=cap_relatief_aantal, out.width="100%"} - -cap_relatief_aantal <- - str_c("Het relatief aantal gevangen individuen in de Zeeschelde tijdens de ankerkuilcampagnes in het voorjaar, de zomer en het najaar van ",laatste_jaar,". De getallen geven de percentages van het aantal gevangen vissen weer.") - -knitr::include_graphics(paste0(pad_figuren, "relatief_aantal_gevangen_individuen.jpg")) - -``` - -
- -```{r 091-figuur-relatieve-biomassa, fig.cap=cap_relatieve_biomassa, out.width="100%"} - -cap_relatieve_biomassa <- - str_c("De relatieve biomassa van de vangsten in de Zeeschelde tijdens de ankerkuilcampagnes in het voorjaar, de zomer en het najaar van ",laatste_jaar,". De getallen geven de percentages van de totale biomassa weer.") - -knitr::include_graphics(paste0(pad_figuren, "relatieve_biomassa_gevangen_individuen.jpg")) - -``` - -
- -#### Densiteit, biomassa en diversiteit binnen EMSE - -##### Algemene trends per saliniteits- en dieetvoorkeur - -In de hieronder volgende figuren voor aantallen en biomassa worden de bijdragen van de meest abundante soorten per functionele groep met individuele kleurcodes weergegeven. -Soorten die binnen een functionele groep minder dan 10% van zowel de aantallen als de biomassa uitmaken worden telkens samengenomen als 'rest'. - -[Estuariene soorten en mariene migranten]{.underline} - -Figuur \@ref(fig:091-figuur-aantallen-marien-EMSE) geeft per saliniteitszone (EMSE niveau 3) en dieetvoorkeur de aantallen weer voor de gevangen estuariene soorten en mariene migranten. - -Benthivore soorten overheersen naar aantal en biomassa, vooral in de zoete zone. -In de zone met sterke saliniteitsgradiënt is er een sterke piek van planktivoren in 2022. - -Brakwatergrondel en dikkopje zijn veruit de meest talrijke benthivore soorten in deze groep. -De grootste aantallen vonden we in de zoetwaterzone in Branst (vaak 100-200 individuen per 1000m³, met een piek in van 600 in 2018). -Enkel in 2020 waren ze meest talrijk in Steendorp. -In zomer en najaar 2022 overheerste brakwatergrondel in Branst. - -Omnivore mariene en estuariene soorten worden qua aantallen gedomineerd door kleine zeenaald in de zone met sterke saliniteitsgradiënt en in het oligohalien en zoetwater door, hoofdzakelijk juveniele, zeebaars die daar komt opgroeien. -De aantallen zijn beduidend lager dan voor de benthivore soorten van deze groep (\< 5 individuen per 1000m³). -De laatste jaren wordt deze soortengroep minder gevangen dan in de periode voor 2018. - -Piscivore estuariene en mariene soorten volgens de EMSE indeling komen in de Zeeschelde niet voor, de éénmalige vangst van een smelt uitgezonderd. -In realiteit gedragen ook zeebaars, steenbolk en zeeforel zich hoofdzakelijk piscivoor in de Zeeschelde. - -Planktivore individuen van de groep estuarien residente en mariene migranten zijn meest talrijk in de zone met sterke saliniteitsgradiënt, met een uitschieter tot meer dan 200 individuen per 1000m³ in `r laatste_jaar`, maar ze zijn toch ook tot in de zoete zone terug te vinden. -Het gaat hier vooral om juveniele haring en sprot, mariene soorten die de luwte en voedselrijkdom van het estuarium opzoeken om op te groeien. -Opvallend in 2022 was het relatief groot aantal sprot ten opzichte van haring in vergelijking tot vorige jaren. - -De patronen voor biomassa vertonen grotendeels dezelfde verhoudingen tussen soortgroepen, saliniteitszones en soorten (Figuur \@ref(fig:091-figuur-biomassa-marien-EMSE)). -De omnivore mariene en estuariene soorten vertonen echter wel een grotere soortendiversiteit qua biomassa dan qua aantallen in de zone met sterke saliniteitsgradiënt. -De dominatie van zeenaald is een stuk minder uitgesproken in de biomassa dan in de aantallen. - -De sterke dominantie van één of twee soorten qua aantallen binnen elke soortgroep is ook duidelijk zichtbaar in Figuur \@ref(fig:091-figuur-diversiteit-marien-EMSE). -Zelfs als er in totaal (S) 5 of meer soorten voorkomen in een groep wordt deze meestal door slechts één of twee soorten gedomineerd (D). -Enkel voor de omnivore mariene en estuariene soorten kan de diversiteit oplopen tot 4-6. -Soortenaantal en diversiteit vertonen geen uitgesproken trends binnen de soortgroepen, maar zijn relatief stabiel. - -```{r 091-figuur-aantallen-marien-EMSE, fig.cap=aantallen_marien_EMSE, out.width="110%"} - -aantallen_marien_EMSE <- - str_c("Totaal aantal gevangen individuen van estuariene soorten en mariene migranten in de Zeeschelde in de periode 2012-",laatste_jaar,". Jaargemiddelde aantallen per scheldezone (EMSE, niveau 3) en EMSE soortgroepen.") - -knitr::include_graphics(paste0(pad_figuren, "relatieve_aantallen_tot_aantal_EMSE_marien.jpg")) - -``` - -
- -```{r 091-figuur-biomassa-marien-EMSE, fig.cap=biomassa_marien_EMSE, out.width="110%"} - -biomassa_marien_EMSE <- - str_c("Totale biomassa gevangen individuen van estuariene soorten en mariene migranten in de Zeeschelde in de periode 2012-",laatste_jaar,". Jaargemiddelde biomassa per scheldezone (EMSE, niveau 3) en EMSE soortgroepen.") - -knitr::include_graphics(paste0(pad_figuren, "relatieve_biomassa_tot_biomassa_EMSE_marien.jpg")) - -``` - -
- -```{r 091-figuur-diversiteit-marien-EMSE, fig.cap=diversiteit_marien_EMSE, out.width="100%"} - -diversiteit_marien_EMSE <- - str_c("Aantal soorten (S, lichtblauw) en Shannon diversiteit (D, donkerblauw) van estuariene soorten en mariene migranten in de Zeeschelde in de periode 2012-",laatste_jaar,". Jaargemiddelde diversiteit per scheldezone (EMSE, niveau 3) en EMSE soortgroepen.") - -knitr::include_graphics(paste0(pad_figuren, "diversiteit_S_D_EMSE_marien.jpg")) - -``` - -
- -[Diadrome soorten]{.underline} - -Volgens de EMSE indeling zijn er geen diadrome benthivore en planktivore vissoorten in de Zeeschelde. -De twee zogenaamd piscivore soorten, de zeeprik en de rivierprik zijn eigenlijk parasitaire soorten waarvan er telkens maar enkele gevangen worden. -Aantallen, biomassa en dominantie zijn dus sterk variabel in de tijd en per saliniteitszone voor deze functionele groep. - -De diadrome soorten in de Zeeschelde zijn dus voornamelijk omnivoor en deze functionele groep is zo sterk gedomineerd door spiering (Figuur \@ref(fig:091-figuur-aantallen-diadroom-EMSE)) dat bot, driedoornige stekelbaars, fint en paling, die nochtans ook zeer regelmatig gevangen worden, niet eens apart vermeld worden maar samen met nog enkele andere, minder algemene soorten, onder 'rest' verwerkt worden. - -Spieringen zijn meest talrijk in de oligohaliene en zoetwater zone met pieken tot 4000-6000 individuen per 1000m³ in 2014. -In recente jaren zijn de aantallen een stuk lager (50-600 individuen per 1000m³). -Met uitzondering van een dip rond 2016 was de biomassa aan spiering in voorgaande jaren relatief stabiel. -In `r laatste_jaar` zijn de aantallen en biomassa aan gevangen spiering echter opvallend laag, vooral in de zoetwater zone. -Vergelijking van aantallen en biomassa in de verschillende saliniteitszones doet vermoeden dat de spieringen gemiddeld het kleinst zijn in de zoete zone en het grootste in de zone met sterke saliniteitsgradiënt. -Deze soort plant zich inderdaad voort stroomopwaarts in de zoete zone met korte verblijftijd, groeit op in het estuarium en trekt na enkele jaren naar zee. -Om het rekruteringssucces te bepalen moet echter de grootteklasse verdeling per seizoen en per locatie geanalyseerd worden. -Deze data zijn voorhanden maar worden niet gebruikt in EMSE. -(Figuur \@ref(fig:091-figuur-biomassa-diadroom-EMSE)). - -De diversiteit voor diadrome functionele groepen is zeer laag. -Hoewel er tot 8 omnivore soorten samen kunnen voorkomen blijft de spiering dominant over alles heen (Figuur \@ref(fig:091-figuur-diversiteit-diadroom-EMSE)). - -```{r 091-figuur-aantallen-diadroom-EMSE, fig.cap=aantallen_diadroom_EMSE, out.width="110%"} - -aantallen_diadroom_EMSE <- - str_c("Totaal aantal gevangen individuen van diadrome soorten in de Zeeschelde in de periode 2012-",laatste_jaar,". Jaargemiddelde aantallen per scheldezone (EMSE, niveau 3) en EMSE soortgroepen.") - -knitr::include_graphics(paste0(pad_figuren, "relatieve_aantallen_tot_aantal_EMSE_diadroom.jpg")) - -``` - -
- -```{r 091-figuur-biomassa-diadroom-EMSE, fig.cap=biomassa_diadroom_EMSE, out.width="110%"} - -biomassa_diadroom_EMSE <- - str_c("Totale biomassa gevangen individuen van diadrome soorten in de Zeeschelde in de periode 2012-",laatste_jaar,". Jaargemiddelde biomassa per scheldezone (EMSE, niveau 3) en EMSE soortgroepen.") - -knitr::include_graphics(paste0(pad_figuren, "relatieve_biomassa_tot_biomassa_EMSE_diadroom.jpg")) - -``` - -
- -```{r 091-figuur-diversiteit-diadroom-EMSE, fig.cap=diversiteit_diadroom_EMSE, out.width="100%"} - -diversiteit_diadroom_EMSE <- - str_c("Aantal soorten (S, lichtblauw) en Shannon diversiteit (D, donkerblauw) van diadrome soorten in de Zeeschelde in de periode 2012-",laatste_jaar,". Jaargemiddelde diversiteit per scheldezone (EMSE, niveau 3) en EMSE soortgroepen.") - -knitr::include_graphics(paste0(pad_figuren, "diversiteit_S_D_EMSE_diadroom.jpg")) - -``` - -
- -[Zoetwater soorten]{.underline} - -Zoetwater soorten zijn meest talrijk in de zoetwaterzone waar de aantallen en biomassa vanaf 2016 algemeen toenemen (Figuur \@ref(fig:091-figuur-aantallen-zoetwater-EMSE), Figuur \@ref(fig:091-figuur-biomassa-zoetwater-EMSE)). - -Binnen de zoetwatersoorten zijn omnivoren de meest talrijke en de meest soortenrijke functionele groep en ze vertegenwoordigen ook de grootste biomassa. -Snoekbaars is dominant in deze groep, zowel in aantallen als in biomassa. -De aantallen daalden maar de biomassa was groter in 2022, er werden dus relatief meer grotere exemplaren gevangen. - -Benthivore zoetwater soorten worden qua aantallen gedomineerd door brasem, tiendoornige stekelbaars en blauwbandgrondel. -Qua gewicht is enkel brasem dominant in deze functionele groep. -Brasem is in `r laatste_jaar` met opvallend hoge aantallen gevangen. -Dit weerspiegelt zich niet in de biomassa, wat aangeeft dat er vooral kleine specimens zijn gevangen. - -Baars en de exotische zonnebaars zijn de enige piscivore zoetwatersoorten voor de Zeeschelde. -Baars is de dominante soort naar aantallen en gewicht. -Na een uitschieter in 2021 zijn aantal en gewicht in `r laatste_jaar` weer gedaald. - -Planktivore zoetwatersoorten komen in de Zeeschelde niet voor. - -Zoals voor de mariene, estuariene en diadrome soorten worden ook de zoetwater soortengroepen grotendeels gedomineerd door één à twee soorten (D), hoewel vaak meer soorten gevangen worden (S) (Figuur \@ref(fig:091-figuur-diversiteit-zoetwater-EMSE)). - -```{r 091-figuur-aantallen-zoetwater-EMSE, fig.cap=aantallen_zoetwater_EMSE, out.width="110%"} - -aantallen_zoetwater_EMSE <- - str_c("Totaal aantal gevangen individuen van zoetwater soorten in de Zeeschelde in de periode 2012-",laatste_jaar,". Jaargemiddelde aantallen per scheldezone (EMSE, niveau 3) en EMSE soortgroepen op basis van ankerkuildata.") - -knitr::include_graphics(paste0(pad_figuren, "relatieve_aantallen_tot_aantal_EMSE_zoet.jpg")) - -``` - -
- -```{r 091-figuur-biomassa-zoetwater-EMSE, fig.cap=biomassa_zoetwater_EMSE, out.width="110%"} - -biomassa_zoetwater_EMSE <- - str_c("Totale biomassa gevangen individuen van zoetwater soorten in de Zeeschelde in de periode 2012-",laatste_jaar,". Jaargemiddelde biomassa per scheldezone (EMSE, niveau 3) en EMSE soortgroepen.") - -knitr::include_graphics(paste0(pad_figuren, "relatieve_biomassa_tot_biomassa_EMSE_zoet.jpg")) - -``` - -
- -```{r 091-figuur-diversiteit-zoetwater-EMSE, fig.cap=diversiteit_zoetwater_EMSE, out.width="100%"} - -diversiteit_zoetwater_EMSE <- - str_c("Aantal soorten (S, lichtblauw) en Shannon diversiteit (D, donkerblauw) van zoetwater soorten in de Zeeschelde in de periode 2012-",laatste_jaar,". Jaargemiddelde diversiteit per scheldezone (EMSE, niveau 3) en EMSE soortgroepen.") - -knitr::include_graphics(paste0(pad_figuren, "diversiteit_S_D_EMSE_zoet.jpg")) - -``` - -
- -#### Trends in sleutelsoorten - -Een aantal soorten beschouwen we als sleutelsoorten in de Zeeschelde omdat ze informatie geven over één of meerdere ecologische functies van het estuarium of omdat ze Europees beschermd zijn. -De diadrome sleutelsoorten zijn: fint, spiering, bot, paling en rivierprik. -Ze geven informatie over het gebruik van het estuarium als migratiekanaal. -Fint- en spieringvangsten geven daarenboven informatie over het gebruik van het estuarium als paaihabitat. -Mariene sleutelsoorten zijn haring, zeebaars, tong en ansjovis. -Hun aanwezigheid toont aan dat het estuarium als opgroei- en foerageergebied wordt gebruikt. - - -Van de 25 sleutelsoorten uit de lijst (EMSE 2021) worden er 22 waargenomen in de Zeeschelde aan de hand van ankerkuil bevissingen: 8 mariene en estuariene soorten, 6 diadrome soorten en 8 zoetwater soorten. -Slechts een aantal soorten komen echter in relatief hoge aantallen voor. - - - -[Estuariene soorten en mariene migranten]{.underline} - -Van de estuariene en mariene sleutelsoorten komen brakwatergrondel, dikkopje, haring en zeebaars vrij frequent voor (\> 1 individu per 1000m³, Figuur \@ref(fig:091-figuur-mariene-sleutelsoorten)). -De overige soorten komen slechts in zeer kleine aantallen voor. -Sprot wordt eveneens in vrij grote aantallen gevangen maar werd niet als sleutelsoort aangeduid. - -- Brakwatergrondel komt in de grootste aantallen voor in het zoetwater en vertoont piekdensiteiten rond 2018. - In `r laatste_jaar` zijn de aantallen waargenomen in de ankerkuil vangsten gemiddeld. - -- Dikkopje komt meestal in de hoogste aantallen voor in het oligohalien. - Na hoge densiteiten in 2018 en 2020 zijn de aantallen in 2021 en `r laatste_jaar` eerder klein. - -- Haring komt vooral voor in de zone met sterke saliniteitsgradiënt. - De aantallen zijn relatief stabiel, met piekdensiteiten in 2014, 2018 en `r laatste_jaar`. - Een echte piek werd in 2022 veroorzaakt door sprot en haring samen. - -- Zeebaars wordt vooral waargenomen in de zoetwater zone en in het oligohalien. - In vergelijking met de periode 2012-2017 komt er nu weinig zeebaars voor in de Zeeschelde. - -```{r 091-figuur-mariene-sleutelsoorten, fig.cap=cap_aantal_sleutelsoorten_marien, out.width="100%"} - -cap_aantal_sleutelsoorten_marien <- - str_c("Aantallen van sleutelsoorten binnen estuariene soorten en mariene migranten in de Zeeschelde in de periode 2012-",laatste_jaar,". Jaargemiddelde aantallen per scheldezone (EMSE, niveau 3).") - -knitr::include_graphics(paste0(pad_figuren, "aantallen_sleutelsoorten_EMSE_marien.jpg")) - -``` - -
- -[Diadrome soorten]{.underline} - -De meest voorkomende diadrome sleutelsoorten (\> 1 individu per 1000m³) zijn bot, fint en vooral spiering (Figuur \@ref(fig:091-figuur-diadrome-sleutelsoorten)). -Paling wordt slechts in kleine aantallen gevangen, maar is qua biomassa toch vrij belangrijk. - -- Bot komt voor in alle drie de scheldezones waar afvissingen met ankerkuil worden gedaan, maar met over het algemeen de hoogste aantallen in het zoetwater. - Aantallen bot varieren van jaar tot jaar, met in `r laatste_jaar` lage aantallen. - -- Fint aantallen vertoonden pieken in 2012, 2015 en 2017. - Hoewel de aantallen recent een stuk lager zijn, kunnen ze in het voorjaar tijdens de paaiperiode toch een belangrijk deel van de biomassa uitmaken in de zoetwaterzone (zie Figuur \@ref(fig:091-figuur-relatief-aantal)). - Sterke variatie in de aantallen kan zowel aan de paaitrek als aan het rekruteringssucces te wijten zijn. - Aangezien het om een habitatrichtlijn soort gaat die terugkwam nadat ze lange tijd als uitgestorven beschouwd was is het belangrijk om door jaarlijkse analyse van paaitrek én rekrutering te evalueren hoe duurzaam deze hervestiging van de fint in de Zeeschelde is. - -- Paling wordt vooral gevangen in het oligohalien en zoetwater. - De aantallen vertonen een licht dalende trend die lijkt gestabiliseerd in `r laatste_jaar`. - Deze trend is minder duidelijk in de biomassa die vrij sterk varieert van jaar tot jaar. - -- Spiering is in het algemeen de soort met de hoogste aantallen en biomassa in de Zeeschelde (zie ook Figuur \@ref(fig:091-figuur-relatief-aantal), \@ref(fig:091-figuur-relatieve-biomassa), \@ref(fig:091-figuur-aantallen-diadroom-EMSE) en \@ref(fig:091-figuur-biomassa-diadroom-EMSE)). - Deze soort vertoonde een heel sterke piek in aantallen in 2014. - In `r laatste_jaar` werden de laagste aantallen en biomassa sinds de start van de monitoringsreeks gevangen. - -```{r 091-figuur-diadrome-sleutelsoorten, fig.cap=cap_aantal_sleutelsoorten_diadroom, out.width="100%"} - -cap_aantal_sleutelsoorten_diadroom <- - str_c("Aantallen van diadrome sleutelsoorten in de Zeeschelde in de periode 2012-",laatste_jaar,". Jaargemiddelde aantallen per scheldezone (EMSE, niveau 3).") - -knitr::include_graphics(paste0(pad_figuren, "aantallen_sleutelsoorten_EMSE_diadroom.jpg")) - -``` - -
- -[Zoetwater soorten]{.underline} - -De meest voorkomende sleutelsoorten qua aantallen/biomassa voor de zoetwatersoorten zijn blankvoorn, brasem en snoekbaars (Figuur \@ref(fig:091-figuur-zoetwater-sleutelsoorten)). - -- Na de forse toename van blankvoorn in het zoetwater in 2021 vertoont deze soort in `r laatste_jaar` opnieuw lagere aantallen. - Wat betreft biomassa is al vanaf 2019 een duidelijke toename waar te nemen. - - -- Brasem vertoont een duidelijke toename in aantallen in het zoetwater vanaf 2016 in vergelijking met de jaren ervoor. - In `r laatste_jaar` pieken de aantallen echt in het zoetwater. - -- Ook snoekbaars vertoont een toename vanaf 2016. - Deze soort komt niet alleen voor in het zoetwater maar ook vaak in het oligohalien en zelfs in de zone met sterke saliniteitsgradiënt. - -```{r 091-figuur-zoetwater-sleutelsoorten, fig.cap=cap_aantal_sleutelsoorten_zoetwater, out.width="100%"} - -cap_aantal_sleutelsoorten_zoetwater <- - str_c("Aantallen van zoetwater sleutelsoorten in de Zeeschelde in de periode 2012-",laatste_jaar,". Jaargemiddelde aantallen per scheldezone (EMSE, niveau 3).") - -knitr::include_graphics(paste0(pad_figuren, "aantallen_sleutelsoorten_EMSE_zoet.jpg")) - -``` - -
- -#### Alternatieve evaluatie per estuarien habitatgebruik of dieet - -Het gildenconcept wordt normaal gezien gebruikt om een bepaald kenmerk van visgemeenschappen te onderzoeken. -De voorkomende soorten worden dan gegroepeerd op basis van dat bepaald kenmerk. -In de EMSE methodiek worden twee van deze kenmerken gebruikt, het gebruik van estuariene habitats en het dieet. -Er werd beslist om deze te 'nesten' waardoor er 12 functionele groepen gevormd werden. - -Alternatief kunnen we ook het gildenconcept toepassen zoals gebruikelijk en enerzijds het estuarien habitat gebruik door de visgemeenschap evalueren en anderzijds visgemeenschap positioneren in het estuariene voedselweb. -Op die manier wordt ook de volledige visgemeenschap in één overzicht beoordeeld. - -Zo zien we in één oogopslag dat er met de ankerkuil meest vissen per m³ gevangen worden in de zoete zone en het minst in de zone met sterke saliniteitsgradiënt. -Dit geldt zowel voor aantallen als voor biomassa. -Men zou dus kunnen besluiten dat de densiteit van de vispopulaties in de Zeeschelde aanwezig in het pelagiaal stijgt in stroomopwaartse richting als we abstractie maken van de verschillen in morfodynamische habitateigenschappen op de verschillende visplaatsten. - -##### Estuarien habitat gebruik - -De resultaten voor aantallen, biomassa en diversiteit per groep van estuarien habitat gebruik worden weergegeven in respectivelijk Figuur \@ref(fig:091-figuur-aantallen-habitat), Figuur \@ref(fig:091-figuur-biomassa-habitat) en Figuur \@ref(fig:091-figuur-diversiteit-habitat). - -Voor alle drie de estuariene habitat gebruik groepen zien we de laagste densiteiten in de zone met sterke saliniteitsgradiënt. -Diadrome vissen overheersten de aantallen in de ankerkuilvangsten, met vergelijkbare aantallen per m³ in de oligohaliene en zoete zone. -Mariene en estuariene soorten worden in kleinere aantallen gevist met bijna een factor 10 minder. -Zoetwatersoorten worden tenslotte nog eens met een factor 10 minder gevangen, weliswaar met duidelijke toename in stroomopwaartse richting. -Op basis van gemiddelde biomassa per m³ zijn de trends vergelijkbaar maar zijn de verschillen tussen estuariene habitat gebruik groepen veel kleiner. -Het gaat dus voornamelijk om kleine, juveniele diadrome individuen en grotere, adulte zoetwatervissen. -De estuarien residente soorten zijn middelgroot en alle leeftijdsklassen zijn aanwezig. - -Spieringen zijn zonder meer de dominante trekvissen, zowel naar aantal als naar biomassa en dat geldt in alle saliniteitszones van de Zeeschelde . -De aantallen spiering zijn al een aantal jaren veel kleiner dan voorheen, in 2022 echter zijn niet alleen de aantallen maar ook de biomassa's uitzonderlijk laag. -Dit vergt nader onderzoek. - -Snoekbaars is de dominante zoetwatersoort, eveneens in aantal en biomassa. -De dominantie is echter minder uitgesproken dan die van de spiering, o.a. -ook omdat het aantal algemene soorten het grootst is in deze groep. -Aantallen en biomassa van zoetwatersoorten vertonen een stijgende trend. - -Het beeld van mariene en estuariene soorten is iets complexer omdat hier in realiteit twee verschillende estuarien habitat gebruik gilden samengevoegd worden: estuarien residenten en mariene migranten die elk op een heel andere manier gebruik maken van het estuarien habitat. -In de zoete zone met lange verblijftijd en in het oligohalien zijn brakwatergrondel en dikkopje, twee estuarien residente soorten, de meest talrijke soorten van deze guildengroep. -Afgezien van de uitzonderlijke piek in 2018 schommelen de aantallen en biomassa's zonder uitgesproken trend te vertonen. - -In de zone met sterke saliniteitgradiënt is haring, een mariene migrant het meest talrijk. -In `r laatste_jaar` is er wel opvallend veel sprot gevangen in deze zone. -Indien we naar de biomassa kijken winnen haring en ook sprot aan belang in de twee stroomafwaartse zones en zelfs in de zoete zone met lange verblijftijd. -Mariene migranten zoeken de beschutting en voedselrijkdom van het estuarium op tot in de zoetwater zone. -De aantallen en biomassa's variëren sterk van jaar tot jaar. - -De grootste soortenrijkdom vinden we bij de mariene en estuariene soorten in de zone met sterke saliniteitsgradiënt. -De voornaamste oorzaak hiervan is dat er af toe vangsten zijn van mariene dwaalgasten of stragglers. -Deze hebben weinig betekenis voor het estuarien functioneren, buiten de indicatie dat ze kunnen overleven in die omgeving. -De laagste soortenrijkdom vinden we bij de diadromen in de oligohaliene zone. -De diversiteit is het grootst bij de zoetwatersoorten. - -
- -```{r 091-figuur-aantallen-habitat, fig.cap=aantallen_habitat, out.width="110%"} - -aantallen_habitat <- - str_c("Totaal aantal gevangen individuen voor elke groep van estuarien habitat gebruik in de periode 2012-",laatste_jaar,". Jaargemiddelde aantallen per scheldezone (EMSE, niveau 3) en habitatgroepen.") - -knitr::include_graphics(paste0(pad_figuren, "EMSE_alternatief/relatieve_aantallen_tot_aantal_salgroep.jpg")) - -``` - -
- -```{r 091-figuur-biomassa-habitat, fig.cap=biomassa_habitat, out.width="110%"} - -biomassa_habitat <- - str_c("Totale biomassa gevangen individuen voor elke groep van estuarien habitat gebruik in de periode 2012-",laatste_jaar,". Jaargemiddelde biomassa per scheldezone (EMSE, niveau 3) en habitatgroepen.") - -knitr::include_graphics(paste0(pad_figuren, "EMSE_alternatief/relatieve_biomassa_tot_biomassa_salgroep.jpg")) - -``` - -
- -```{r 091-figuur-diversiteit-habitat, fig.cap=diversiteit_habitat, out.width="100%"} - -diversiteit_habitat <- - str_c("Aantal soorten (S, lichtblauw) en Shannon diversiteit (D, donkerblauw) voor elke groep van estuarien habitat gebruik in de periode 2012-",laatste_jaar,". Jaargemiddelde diversiteit per scheldezone (EMSE, niveau 3) en habitatgroepen.") - -knitr::include_graphics(paste0(pad_figuren, "EMSE_alternatief/diversiteit_S_D_salgroep.jpg")) - -``` - -
- -##### Dieet - -De resultaten voor aantallen, biomassa en diversiteit per dieetgroep worden weergegeven in respectievelijk Figuur \@ref(fig:091-figuur-aantallen-dieet), Figuur \@ref(fig:091-figuur-biomassa-dieet) en Figuur \@ref(fig:091-figuur-diversiteit-dieet). - -Qua trofische samenstelling overheersen omnivoren de aantallen en ook de biomassa, gevolgd door benthivoren, planktivoren en tenslotte een zeer kleine minderheid aan piscivoren. - -Brakwatergrondel en dikkopje en ook brasem zijn de dominante benthivoren zowel in de aantallen als in de biomassa. -De gevangen hoeveelheden en de dominantie van brakwatergrondel over dikkopje stijgen beiden in stroomopwaartse richting. - -Spiering is de dominante omnivoor met veel hogere aantallen en biomassa dan snoekbaars en andere omnivoren. -Dit moet echter genuanceerd worden. -De overgrote meerderheid zijn planktivore juveniele spieringen. -In het pelagiaal van de oligohaliene en zoete zeeschelde vinden we dus voornamelijk planktivore individuen. - -In de saliniteitsgradiënt zijn haring en sprot de belangrijkste planktivoren, met een zeer opvallende piek in 2022. -Ook in het oligohalien zijn ze talrijk aanwezig. - -Baars, rivierprik en zeeprik zijn de belangrijkste piscivoren. -In aantallen overheerst baars, met een opvallende piek in Overbeke in 2021. -Pieken in de biomassa worden eerder veroorzaakt door occasionele vangsten van prikken, die gemiddeld veel groter zijn. -Ook piscivorie in de waterkolom van de Zeeschelde is onderschat doordat de EMSE indeling in dieetgroepen geen rekening houdt met de dieetshift van dominante soorten. -Een groot aandeel van 'omnivore' biomassa betreft ook volwassen spieringen en snoekbaars, die zich in de Schelde voornamelijk piscivoor gedragen (eigen observatie). -Ook volwassen fint, winde, meerval, zeebaars, steenbolk en zeeforel zijn als piscivoor gekend. - -Omnivoren vormen de meest soortenrijke trofische groep, gevolgd door benthivoren, planktivoren en tenslotte piscivoren. -Door de dominantie van enkele soorten in elke groep is de diversiteit algemeen laag in alle groepen en scheldezones. - -
- -```{r 091-figuur-aantallen-dieet, fig.cap=aantallen_dieet, out.width="110%"} - -aantallen_dieet <- - str_c("Totaal aantal gevangen individuen per dieetgroep in de periode 2012-",laatste_jaar,". Jaargemiddelde aantallen per scheldezone (EMSE, niveau 3) en dieetgroepen.") - -knitr::include_graphics(paste0(pad_figuren, "EMSE_alternatief/relatieve_aantallen_tot_aantal_dieet.jpg")) - -``` - -
- -```{r 091-figuur-biomassa-dieet, fig.cap=biomassa_dieet, out.width="110%"} - -biomassa_dieet <- - str_c("Totale biomassa gevangen individuen per dieetgroep in de periode 2012-",laatste_jaar,". Jaargemiddelde biomassa per scheldezone (EMSE, niveau 3) en dieetgroepen.") - -knitr::include_graphics(paste0(pad_figuren, "EMSE_alternatief/relatieve_biomassa_tot_biomassa_dieet.jpg")) - -``` - -
- -```{r 091-figuur-diversiteit-dieet, fig.cap=diversiteit_dieet, out.width="100%"} - -diversiteit_dieet <- - str_c("Aantal soorten (S, lichtblauw) en Shannon diversiteit (D, donkerblauw) per dieetgroep in de periode 2012-",laatste_jaar,". Jaargemiddelde diversiteit per scheldezone (EMSE, niveau 3) en dieetgroepen.") - -knitr::include_graphics(paste0(pad_figuren, "EMSE_alternatief/diversiteit_S_D_dieet.jpg")) - -``` - -
diff --git a/moneos_2024/150_geintegreerd_rapport/092_vissen_fuiken.Rmd b/moneos_2024/150_geintegreerd_rapport/092_vissen_fuiken.Rmd deleted file mode 100644 index d2f0d9b..0000000 --- a/moneos_2024/150_geintegreerd_rapport/092_vissen_fuiken.Rmd +++ /dev/null @@ -1,686 +0,0 @@ -```{r 092-hoofdstuk, include=FALSE} - -hoofdstuk <- "090_vissen" - -``` - -```{r 092-setup, include=FALSE} - -knitr::opts_chunk$set(echo = FALSE, error=FALSE, warning=FALSE, message=FALSE, cache=FALSE, fig.pos = "H") -knitr::opts_knit$set(eval.after = "fig.cap") - -``` - -```{r 092-libraries} - -library(tidyverse) -library(readxl) -library(kableExtra) -library(rprojroot) ## workaround pad - -``` - -```{r 092-pad} - -# inlezen van variabelen -# pad naar data : pad_data -# pad naar tabellen : pad_tabellen -# pad naar figuren : pad_figuren - -source(find_root_file("../pad.R", criterion = is_rstudio_project)) - -pad_data <- maak_pad(hoofdstuk, "data") -pad_figuren <- maak_pad(hoofdstuk, "figuren/fuiken") -pad_tabellen <- maak_pad(hoofdstuk, "tabellen/fuiken") - -``` - -```{r 092-table_from_figure-function} -figtab <- - function(label, image_file, caption=NULL) { - txt <- sprintf('\\begin{table}[H]\n\\caption{%s}\n\\label{tab:%s}\n\\includegraphics{%s}\n\\end{table}', - caption, - label, - image_file) - magick::image_read(image_file) %>% magick::image_ggplot() %>% print() - writeLines(txt) - } -``` - -```{r 092-meta-data} - -meta_data <- - read_delim(paste0(pad_data, "fuiken_meta_data.csv"), - delim = ";") - -for(i in 1:nrow(meta_data)){ - ##first extract the object value - tempobj=meta_data$waarde[i] - ##now create a new variable with the original name of the list item - eval(parse(text=paste(meta_data$naam[i],"= tempobj"))) -} - -``` - -### Fuiken - -#### Soortenrijkdom in `r laatste_jaar` - -In `r laatste_jaar` werden `r aantal_soorten_laatste_jaar` vissoorten gevangen in de fuiken. -Een overzicht van de soorten gevangen in `r laatste_jaar` is weergegeven in Tabel \@ref(tab:092-tabel-overzicht-soorten). -De relatieve soortenrijkdom per saliniteitszone vertoont een gelijkaardige trend met fuiken en ankerkuil. -In de zone met sterke saliniteitsgradiënt (Paardenschor en Antwerpen) en de oligohaliene zone (Steendorp) werden er meer soorten gevangen dan in de zoetwaterzone met lange (Kastel) en korte (Appels, Overbeke) verblijftijd (Tabel \@ref(tab:092-tabel-aantal-soorten)). -In elke zone werden echter minder soorten bovengehaald met de fuiken. -Over de seizoenen werden met de fuiken minst soorten gevangen in het najaar terwijl dat met de ankerkuil in de zomer was. - -Ook totaal over de beschouwde periode (`r vroegste_jaar` - `r laatste_jaar`) worden meest soorten gevangen in de zone met sterke saliniteitsgradiënt (Zandvliet/Paardenschor \> Antwerpen) (Figuur \@ref(fig:092-figuur-aantal-soorten-locatie-historisch)) en daalt de soortenrijkdom in stroomopwaartse richting, net zoals met de ankerkuilvangsten. -Vanaf 2017 worden in de zone met sterke saliniteitsgradiënt wel minder soorten gevangen, terwijl meer stroomopwaarts het aantal soorten lijkt toe te nemen. - - -De soortensamenstelling op elke locatie kan sterk verschillen tussen de seizoenen, met een turnover van ongeveer één derde van de soorten. -Het totaal aantal soorten jaarlijks gevangen met fuiken in de Zeeschelde (over alle locaties) in de periode `r vroegste_jaar` - `r laatste_jaar` varieert rond de 33 (Figuur \@ref(fig:092-figuur-aantal-soorten-locatie-historisch)). -Tot een kwart van het aantal gevangen soorten kan verschillen tussen de locaties. -Het aantal gevangen soorten per jaar vertoont meer variatie vanaf 2016. -In 2022 zijn er met de fuiken beduidend minder soorten gevangen dan de jaren voorheen. -Dit heeft waarschijnlijk te maken met de halvering van het aantal fuikdagen per campagne van 2 naar 1 etmaal per locatie. -Uit vergelijking tussen vangsten na eerste en tweede etmaal in 144 campagnes blijkt dat een tweede vangst 0 tot 6 extra soorten oplevert met een gemiddelde van 2 soorten. - -```{r 092-tabel-overzicht-soorten} - -tabel_gevangen_soorten <- - read_excel(paste0(pad_tabellen, "tabellen_vissen.xlsx"), - sheet = "gevangen_soorten") %>% - arrange(soort) - -cap_gevangen_soorten <- - paste0("Overzicht van de vissoorten gevangen met fuiken in de Zeeschelde in ", - laatste_jaar, - ".") - -tabel_gevangen_soorten %>% - mutate(across(everything(), ~as.character(.) %>% replace_na(""))) %>% - mutate(across(everything(), ~cell_spec(., color = "black"))) %>% - knitr::kable(booktabs = TRUE, - caption = cap_gevangen_soorten, - align = c("l", rep("c", 12)), - col.names = c("", rep(c("Paard.", "Antw.", "Steend.", "Kastel", "Appels", "Overb."), 3)), - escape = FALSE) %>% - add_header_above(c(" " = 1, "voorjaar" = 6, "zomer" = 6, "najaar" = 6)) %>% - kable_styling("striped", - latex_options = c("striped", "scale_down"), - font_size = 15) - -``` - -
- -```{r 092-tabel-aantal-soorten} - -tabel_aantal_soorten <- - read_excel(paste0(pad_tabellen, "tabellen_vissen.xlsx"), - sheet = "aantal_soorten") - -cap_aantal_soorten <- - paste0("Aantal soorten gevangen met fuiken in de Zeeschelde in ", - laatste_jaar, - ".") - -tabel_aantal_soorten %>% - mutate(across(everything(), ~as.character(.) %>% replace_na(""))) %>% - mutate(across(everything(), ~cell_spec(., color = "black"))) %>% - knitr::kable(booktabs = TRUE, - caption = cap_aantal_soorten, - align = c("l", rep("c", 3)), - escape = FALSE) %>% - kable_styling("striped", - latex_options = c("striped"), - font_size = 10) - -``` - -
- -```{r 092-figuur-aantal-soorten-locatie-historisch, fig.cap=cap_aantal_soorten_locatie, out.width="110%"} - -cap_aantal_soorten_locatie <- - str_c("Het aantal soorten gevangen per locatie met fuiken in de Zeeschelde in de periode 2009-",laatste_jaar,". Het donkere deel per balk geeft het gemiddeld aantal soorten gevangen per jaar en locatie; het lichtere deel geeft het totaal aantal gevangen soorten per jaar en locatie.") - -knitr::include_graphics(paste0(pad_figuren, "aantal_soorten_locatie.jpg")) - -``` - -
- -#### Relatieve soortensamenstelling voor de meest dominante soorten in `r laatste_jaar` - -Alle vangstgegevens van `r laatste_jaar` worden geanalyseerd. -Soorten met in alle seizoenen en locaties een relatieve bijdrage kleiner dan 10% voor zowel de aantallen als biomassa worden als 'rest' samengenomen. - -Deze analyse geeft aan dat de relatieve abundantie van de soorten zowel ruimtelijk als per seizoen verschilt (Figuur \@ref(fig:092-figuur-relatief-aantal)). -Het patroon verschilt ook sterk van dat van de ankerkuilvangsten en geeft algemeen een meer divers beeld met minder uitgesproken dominantie van een aantal soorten. - -In het voorjaar van `r laatste_jaar` overheersen schol, bot en zeebaars de aantallen aan het Paardenschor. -In Antwerpen zijn dat vooral spiering en bot. -In Steendorp wordt er naast spiering ook relatief veel paling gevangen. -In de zoete zone overheersen naast snoekbaars de typische zoetwatersoorten blankvoorn, kolblei en brasem. -In Kastel is er ook nog een redelijk aantal spiering. -In de zomer worden overal redelijke aantallen bot gevangen. -In de zone met sterke saliniteitsgradiënt overheerst tong, in Antwerpen aangevuld met snoekbaars. -In de zoete zone neemt snoekbaars in de zomer de overhand, aangevuld met paling, blankvoorn en brasem. -Dit beeld verandert compleet in het najaar. -In die periode overheerst brakwatergrondel de fuikvangsten van Antwerpen tot Appels. -Aan het Paardenschor blijven tong en bot belangrijk, aangevuld met zeebaars. -In Overbeke zijn dat de paling en kolblei. - -Uitgedrukt in biomassa overheerst de snoekbaars de zoete zone reeds in het voorjaar, in de zone met saliniteitsgradiënt zijn dat bot, dunlipharder, spiering en zeebaars. -In Kastel overheersen optrekkende finten niet in de aantallen maar wel in de biomassa. -Snoekbaars en paling blijven dominant in de zomer. -Aangevuld met brasem in de zoete zone en spiering en zeebaars meer stroomafwaarts. -In het Paardenschor is tong nu de belangrijkste soort (Figuur \@ref(fig:092-figuur-relatieve-biomassa)). -In het najaar overheersen achtereenvolgens zeebaars, bot en paling de biomassa van stroomaf naar stroomop. -Ook de talrijke kleine brakwatergrondeltjes laten zich bescheiden opmerken in de biomassa getallen. - -```{r 092-figuur-relatief-aantal, fig.cap=cap_relatief_aantal, out.width="100%"} - -cap_relatief_aantal <- - str_c("Het relatief aantal individuen per soort en per seizoen gevangen met fuiken in de Zeeschelde in ",laatste_jaar,". De getallen geven de percentages van het aantal gevangen vissen weer.") - -knitr::include_graphics(paste0(pad_figuren, "relatief_aantal_gevangen_individuen.jpg")) - -``` - -
- -```{r 092-figuur-relatieve-biomassa, fig.cap=cap_relatieve_biomassa, out.width="100%"} - -cap_relatieve_biomassa <- - str_c("De relatieve biomassa per soort en per seizoen gevangen met fuiken in de Zeeschelde in ",laatste_jaar,". De getallen geven de percentages van de totale biomassa weer.") - -knitr::include_graphics(paste0(pad_figuren, "relatieve_biomassa_gevangen_individuen.jpg")) - -``` - -
- -#### Densiteit, biomassa en diversiteit binnen EMSE - -##### Algemene trends per saliniteits- en dieetvoorkeur - -In de hieronder volgende figuren voor aantallen en biomassa worden de bijdragen van de meest abundante soorten per functionele groep met individuele kleurcodes weergegeven. -Soorten die binnen een functionele groep minder dan 10% van zowel de aantallen als de biomassa uitmaken worden telkens samengenomen als 'rest'. - -[Estuariene soorten en mariene migranten]{.underline} - -Figuur \@ref(fig:092-figuur-aantallen-marien-EMSE) en Figuur \@ref(fig:092-figuur-biomassa-marien-EMSE) geven per saliniteitszone (EMSE niveau 3) en dieetvoorkeur respectievelijk de aantallen en biomassa weer voor de gevangen estuariene soorten en mariene migranten. - -In deze estuariene gebruik groep overwegen benthivoren in aantal en biomassa. -Eerst vooral in de zone met sterke saliniteitsgradiënt maar de laatste jaren ook in de zoete zones. -In aantallen volgen planktivoren maar in biomassa zijn dat omnivoren. - -In de zone met sterke saliniteitsgradiënt worden vooral tong en schol gevangen als benthivore mariene migranten. -Het aantal tongen per fuikdag daalde sterk na 2011 en toonde nog een beperkte piek in 2017. -Brakwatergrondel en dikkopje zijn veruit de meest talrijke benthivore estuariene soorten in de oligohaliene en zoete zones. -De aantallen per fuikdag schommelen sterk zonder bepaalde trend. -In `r laatste_jaar` is er een piek in de zoete zones. -Deze werd ook waargenomen in Branst met de ankerkuilvangsten. - -Omnivore mariene soorten worden qua aantallen en biomassa gedomineerd door zeebaars. -Vooral in de zone met sterke saliniteitsgradiënt, zijn ze opvallend aanwezig in de fuikvangsten sinds 2015, terwijl ze in deze zone relatief minder gevangen worden met de ankerkuil. -Opvallend is ook de piek van steenbolk in 2019. - -Piscivore estuariene en mariene soorten volgens de EMSE indeling werden in de Zeeschelde niet gevangen met fuiken. - -Planktivore individuen van de groep estuarien residente en mariene migranten zijn vooral juvenielen van mariene soorten haring en sprot, die de luwte van het estuarium opzoeken om op te groeien. -Ze zijn meest talrijk in de zone met sterke saliniteitsgradiënt maar ze zijn toch ook tot in de zoete zone terug te vinden. -Daar waar de piek in de ankerkuil aantallen zich in 2022 voordeed was dat in 2021 voor de fuikvangsten. - -De patronen voor biomassa vertonen grotendeels dezelfde verhoudingen tussen soortgroepen, saliniteitszones en soorten (Figuur \@ref(fig:092-figuur-biomassa-marien-EMSE)). - -De sterke dominantie van één of twee soorten qua aantallen binnen elke soortgroep is ook duidelijk zichtbaar. -Uit Figuur \@ref(fig:092-figuur-diversiteit-marien-EMSE) blijkt de sterke dominantie van één of twee soorten qua aantallen binnen elke soortgroep. -De functionele groepen worden gedomineerd door slechts één of twee soorten (D), ook als er in totaal (S) 5 of meer soorten voorkomen in een groep. -Uitzonderlijk komt in de zone met sterke saliniteitsgradiënt een diversiteit (D) hoger dan 2 voor. -Soortenaantal en diversiteit vertonen geen uitgesproken trends binnen de soortgroepen, maar zijn relatief stabiel. - -```{r 092-figuur-aantallen-marien-EMSE, fig.cap=aantallen_marien_EMSE, out.width="110%"} - -aantallen_marien_EMSE <- - str_c("Totaal aantal gevangen individuen van estuariene soorten en mariene migranten in de Zeeschelde in de periode 2009-",laatste_jaar,". Jaargemiddelde aantallen per scheldezone (EMSE, niveau 3) en EMSE soortgroepen.") - -knitr::include_graphics(paste0(pad_figuren, "relatieve_aantallen_tot_aantal_EMSE_marien.jpg")) - -``` - -
- -```{r 092-figuur-biomassa-marien-EMSE, fig.cap=biomassa_marien_EMSE, out.width="110%"} - -biomassa_marien_EMSE <- - str_c("Totale biomassa gevangen individuen van estuariene soorten en mariene migranten in de Zeeschelde in de periode 2009-",laatste_jaar,". Jaargemiddelde biomassa per scheldezone (EMSE, niveau 3) en EMSE soortgroepen.") - -knitr::include_graphics(paste0(pad_figuren, "relatieve_biomassa_tot_biomassa_EMSE_marien.jpg")) - -``` - -
- -```{r 092-figuur-diversiteit-marien-EMSE, fig.cap=diversiteit_marien_EMSE, out.width="100%"} - -diversiteit_marien_EMSE <- - str_c("Aantal soorten (S, lichtblauw) en Shannon diversiteit (D, donkerblauw) van estuariene soorten en mariene migranten in de Zeeschelde in de periode 2009-",laatste_jaar,". Jaargemiddelde diversiteit per scheldezone (EMSE, niveau 3) en EMSE soortgroepen.") - -knitr::include_graphics(paste0(pad_figuren, "diversiteit_S_D_EMSE_marien.jpg")) - -``` - -
- -[Diadrome soorten]{.underline} - -Er zijn geen diadrome benthivore vissoorten in de Zeeschelde. -De twee zogenaamd piscivore soorten, de zeeprik en de rivierprik zijn eigenlijk parasitaire soorten waarvan slechts sporadisch een enkel groter exemplaar met de fuik gevangen wordt. -De enige dieetgroep van tel onder de diadromen zijn de omnivore soorten. -In de fuikvangsten zijn de jonge spieringen minder dominant aanwezig dan in de ankerkuil. -Ook bot, driedoornige stelkelbaars, dunlipharder, fint en paling laten zich opmerken in de aantallen en/of biomassa (Figuur \@ref(fig:092-figuur-aantallen-diadroom-EMSE); Figuur \@ref(fig:092-figuur-biomassa-diadroom-EMSE)). - -In de zone met sterke saliniteitsgradiënt wordt bot in de grootste aantallen gevangen. -Spieringen zijn meest talrijk in de oligohaliene en zoetwater zone met pieken tot 400-600 individuen per fuikdag in 2015 in Overbeke. -In recente jaren zijn de aantallen, net als in de ankerkuildata een stuk lager (\<50 individuen per fuikdag). -Vergelijking van aantallen en biomassa in de verschillende saliniteitszones doet ook op basis van fuikdata vermoeden dat de spieringen gemiddeld het kleinst zijn in de zoete zone en het grootste in de zone met sterke saliniteitsgradiënt. -De biomassa van omnivore diadromen in de oligohaliene en zoete zones wordt vooral door paling en in sommige gevallen ook optrekkende fint bepaald (Figuur \@ref(fig:092-figuur-biomassa-diadroom-EMSE)). -In de zone met sterke saliniteitsgradient maken vooral paling, bot en een enkele keer ook dunlipharder en fint de biomassa uit. - -Diversiteit voor diadrome omnivoren is gemiddeld hoger dan voor mariene en estuarien residente soorten voor de fuikvangsten omdat spiering als pelagiale soort minder domineert met deze vangstmethode. -(Figuur \@ref(fig:092-figuur-diversiteit-diadroom-EMSE)). - -```{r 092-figuur-aantallen-diadroom-EMSE, fig.cap=aantallen_diadroom_EMSE, out.width="110%"} - -aantallen_diadroom_EMSE <- - str_c("Totaal aantal gevangen individuen van diadrome soorten in de Zeeschelde in de periode 2009-",laatste_jaar,". Jaargemiddelde aantallen per scheldezone (EMSE, niveau 3) en EMSE soortgroepen.") - -knitr::include_graphics(paste0(pad_figuren, "relatieve_aantallen_tot_aantal_EMSE_diadroom.jpg")) - -``` - -
- -```{r 092-figuur-biomassa-diadroom-EMSE, fig.cap=biomassa_diadroom_EMSE, out.width="110%"} - -biomassa_diadroom_EMSE <- - str_c("Totale biomassa gevangen individuen van diadrome soorten in de Zeeschelde in de periode 2009-",laatste_jaar,". Jaargemiddelde biomassa per scheldezone (EMSE, niveau 3) en EMSE soortgroepen.") - -knitr::include_graphics(paste0(pad_figuren, "relatieve_biomassa_tot_biomassa_EMSE_diadroom.jpg")) - -``` - -
- -```{r 092-figuur-diversiteit-diadroom-EMSE, fig.cap=diversiteit_diadroom_EMSE, out.width="100%"} - -diversiteit_diadroom_EMSE <- - str_c("Aantal soorten (S, lichtblauw) en Shannon diversiteit (D, donkerblauw) van diadrome soorten in de Zeeschelde in de periode 2012-",laatste_jaar,". Jaargemiddelde diversiteit per scheldezone (EMSE, niveau 3) en EMSE soortgroepen.") - -knitr::include_graphics(paste0(pad_figuren, "diversiteit_S_D_EMSE_diadroom.jpg")) - -``` - -
- -[Zoetwater soorten]{.underline} - -Bij de zoetwater soorten zijn omnivoren het meest talrijk en vertegenwoordigen ze de grootste biomassa, gevolgd door benthivoren en vervolgens piscivoren (Figuur \@ref(fig:092-figuur-aantallen-zoetwater-EMSE), Figuur \@ref(fig:092-figuur-biomassa-zoetwater-EMSE)). - -De fuikresultaten van de zoetwater soorten geven een zeer verschillend beeld van dat van de ankerkuilvangsten. -Van deze estuariene gebruikgroep worden relatief meer individuen per fuikdag gevangen in de zone met sterke saliniteitsgradiënt en ook in de oligohaliene zone. -Kijken we echter naar de biomassa gegevens dan verandert het beeld grondig met de hogere biomassa's in stroomopwaartse richting. - -In de groep van benthische zoetwatersoorten bepalen vooral brasem en een enkele keer blauwbandgrondel de relatieve aantallen, die in stroomopwaartse richting afnemen. -De biomassa wordt echter bijna uitsluitend door brasem bepaald, die in individuele grootte en gewicht net toeneemt in stroomopwaartse richting van gemiddeld 10g aan de grens naar 300-400g in Overbeke. -Daarom is de biomassa van deze functionele groep relatief groter in de stroomopwaartse stations. -Opvallend zijn een recordvangst van grote brasems in Steendorp in de zomer van 2014 en een steur van 124cm en 13,5 kg in Kastel in 2019. -Deze zijn niet te zien in de aantallen maar wegen wel door in de biomassa. - -Snoekbaars is de meest talrijk gevangen omnivore zoetwatersoort, maar bepaalt de biomassa niet in dezelfde mate als bij de ankerkuilvangsten. -Er worden er meer gevangen in de zone met sterke saliniteitsgradiënt maar de exemplaren worden groter en zwaarder in stroomopwaartse richting. -Ook kolblei wordt meer gevangen aan de grens maar de exemplaren worden groter in stroomopwaartse richting. -Blankvoorn en giebel zijn overal en bijna altijd aanwezig maar dragen relatief weinig bij aan de biomassa. -Het omgekeerde is waar voor snoek, meerval en karper. -Vooral in de zoete zone met korte verblijftijd bepalen hun relatief geringe aantallen in grote mate de biomassa. -Zwartbekgrondel wordt vooral in de brakke zone gevangen. - -Baars is de belangrijkste piscivore zoetwatersoort. -In de zone met saliniteitsgradiënt wordt deze soort al geruime tijd in redelijke aantallen gevangen. -In de zoete zone nemen de aantallen geleidelijk toe. -Net zoals voor de meeste andere typische zoetwatersoorten neemt de biomassa toe in stroomopwaartse richting. - -Afgezien van 2 alvervangsten zijn er geen planktivore zoetwatersoorten in de Zeeschelde gevangen met fuiken. - -Vooral in de zoete zone met korte verblijtijd zijn zowel diversiteit (D), als soortenrijkdom (S) voor de omnivore en benthivore zoetwater soorten relatief hoger dan voor andere functionele groepen. -(Figuur \@ref(fig:092-figuur-diversiteit-zoetwater-EMSE)). - -```{r 092-figuur-aantallen-zoetwater-EMSE, fig.cap=aantallen_zoetwater_EMSE, out.width="110%"} - -aantallen_zoetwater_EMSE <- - str_c("Totaal aantal gevangen individuen van zoetwater soorten in de Zeeschelde in de periode 2012-",laatste_jaar,". Jaargemiddelde aantallen per scheldezone (EMSE, niveau 3) en EMSE soortgroepen.") - -knitr::include_graphics(paste0(pad_figuren, "relatieve_aantallen_tot_aantal_EMSE_zoet.jpg")) - -``` - -
- -```{r 092-figuur-biomassa-zoetwater-EMSE, fig.cap=biomassa_zoetwater_EMSE, out.width="110%"} - -biomassa_zoetwater_EMSE <- - str_c("Totale biomassa gevangen individuen van zoetwater soorten in de Zeeschelde in de periode 2012-",laatste_jaar,". Jaargemiddelde biomassa per scheldezone (EMSE, niveau 3) en EMSE soortgroepen.") - -knitr::include_graphics(paste0(pad_figuren, "relatieve_biomassa_tot_biomassa_EMSE_zoet.jpg")) - -``` - -
- -```{r 092-figuur-diversiteit-zoetwater-EMSE, fig.cap=diversiteit_zoetwater_EMSE, out.width="100%"} - -diversiteit_zoetwater_EMSE <- - str_c("Aantal soorten (S, lichtblauw) en Shannon diversiteit (D, donkerblauw) van zoetwater soorten in de Zeeschelde in de periode 2012-",laatste_jaar,". Jaargemiddelde diversiteit per scheldezone (EMSE, niveau 3) en EMSE soortgroepen.") - -knitr::include_graphics(paste0(pad_figuren, "diversiteit_S_D_EMSE_zoet.jpg")) - -``` - -
- -#### Trends in sleutelsoorten - -Van de 25 sleutelsoorten uit de lijst (EMSE 2021) worden er 22 waargenomen in de Zeeschelde met fuiken: 8 mariene en estuariene soorten, 6 diadrome soorten en 8 zoetwater soorten. -Slechts een aantal soorten komen echter in relatief hoge aantallen voor. - - - -[Estuariene soorten en mariene migranten]{.underline} - -Van de estuariene en mariene soorten komen brakwatergrondel, dikkopje, haring en zeebaars vrij frequent voor (\> 30 per fuikdag, Figuur \@ref(fig:092-figuur-mariene-sleutelsoorten)). -De overige soorten komen slechts in zeer kleine aantallen voor. - -- Brakwatergrondel werd in de eerste jaren vooral in de zone met sterke saliniteitsgradiënt gevangen maar vertoont in recentere jaren grotere pieken in de zoete zones ook in `r laatste_jaar` werden veel brakwatergrondels gevangen met de fuiken. - -- Dikkopje bevindt zich gemiddeld meer stroomafwaarts en is veel minder talrijk dan brakwatergrondel. - Er was een grote piek in de oligohaliene zone in 2020. - In `r laatste_jaar` waren de aantallen redelijk laag in alle zones. - -- Haring komt vooral voor in de zone met sterke saliniteitsgradiënt. - 2019 en 2021 waren piekjaren voor de oligohaliene zone, 2021 ook voor de zone met sterke saliniteitsgradiënt. - In 2022 was het aantal haringen in de fuikvangsten in alle zones eerder gering. - -- Schol en ook zeebaars nemen de laatste jaren een vlucht in de zone met sterke saliniteitsgradiënt. - Zeedonderpad en slakdolf werden na 2014 niet meer gevangen. - - -```{r 092-figuur-mariene-sleutelsoorten, fig.cap=cap_aantal_sleutelsoorten_marien, out.width="100%"} - -cap_aantal_sleutelsoorten_marien <- - str_c("Aantallen van sleutelsoorten binnen estuariene soorten en mariene migranten in de Zeeschelde in de periode 2009-",laatste_jaar,". Jaargemiddelde aantallen per scheldezone (EMSE, niveau 3).") - -knitr::include_graphics(paste0(pad_figuren, "aantallen_sleutelsoorten_EMSE_marien.jpg")) - -``` - -
- -[Diadrome soorten]{.underline} - -De meest voorkomende diadrome sleutelsoorten (\> 15 individuen per fuikdag) zijn bot, paling en vooral spiering (Figuur \@ref(fig:092-figuur-diadrome-sleutelsoorten)). - -- Bot komt voor in alle scheldezones. - Met fuiken worden veel meer exemplaren in de zone met sterke saliniteitsgradiënt gevangen dan in andere zones, terwijl dat met de ankerkuil eerder in de oligohaliene en zoete zone met lange verblijftijd is. - Aantallen bot die met de fuiken gevangen worden gaan in dalende lijn met in `r laatste_jaar` vrij lage aantallen. - -- Er worden niet elk jaar finten gevangen in de fuiken. - Dat is niet abnormaal voor deze pelagiale soort, die eerder in de waterkolom dan aan de laagwaterlijn gevangen wordt. - Hoewel de aantallen recent een stuk lager zijn, kunnen ze in het voorjaar tijdens de paaiperiode toch een belangrijk deel van de biomassa uitmaken in de zoetwaterzone (zie Figuur \@ref(fig:092-figuur-relatief-aantal) ). - Aangezien het om een habitatrichtlijn soort gaat die terugkwam nadat ze lange tijd als uitgestorven beschouwd was, is het belangrijk om door jaarlijkse analyse van paaitrek én rekrutering te evalueren hoe duurzaam deze hervestiging van de fint in de Zeeschelde is. - -- Paling wordt vooral gevangen in het oligohalien en zoetwater en is vooral qua biomassa vrij belangrijk. - De aantallen vertonen een licht dalende trend. - -- Spiering is in het algemeen de soort met de hoogste aantallen en biomassa in de Zeeschelde (zie ook Figuur \@ref(fig:092-figuur-relatief-aantal), \@ref(fig:092-figuur-relatief-aantal), \@ref(fig:092-figuur-aantallen-diadroom-EMSE) en \@ref(fig:092-figuur-biomassa-diadroom-EMSE)). - Deze soort vertoonde een heel sterke piek in aantallen in 2014 in de ankerkuilvangsten en in 2015 in de fuikvangsten. - Recent vertonen de fuikaantallen een dalende trend, met 2022 als een bodemjaar, net zoals voor de ankerkuilvangsten. - -```{r 092-figuur-diadrome-sleutelsoorten, fig.cap=cap_aantal_sleutelsoorten_diadroom, out.width="100%"} - -cap_aantal_sleutelsoorten_diadroom <- - str_c("Aantallen van diadrome sleutelsoorten in de Zeeschelde in de periode 2009-",laatste_jaar,". Jaargemiddelde aantallen per scheldezone (EMSE, niveau 3).") - -knitr::include_graphics(paste0(pad_figuren, "aantallen_sleutelsoorten_EMSE_diadroom.jpg")) - -``` - -
- -[Zoetwater soorten]{.underline} - -De meest voorkomende sleutelsoorten qua aantallen/biomassa voor de zoetwatersoorten zijn blankvoorn, brasem en snoekbaars (Figuur \@ref(fig:092-figuur-zoetwater-sleutelsoorten)). - -- Na een afname in de periode 2009-2015 van het aantal blankvoorns in de fuikvangsten in alle zones behalve het zoet met korte verblijftijd, variëren de aantallen. - In `r laatste_jaar` werden er relatief veel blankvoorns gevangen in het oligohalien en zoetwater. - -- De hoogste aantallen brasem worden meestal gevangen in de zone met sterke saliniteitsgradiënt en het mesohalien. - Verder vertoont brasem geen duidelijke trend in aantallen. - -- Snoekbaars vertoont een bescheiden toename in de zoete zones. - In de meer saline zones zijn de aantallen in de fuikvangsten eerder variabel. - In 2022 werden in elke zone redelijke aantallen snoekbaars gevangen met de fuiken. - -```{r 092-figuur-zoetwater-sleutelsoorten, fig.cap=cap_aantal_sleutelsoorten_zoetwater, out.width="100%"} - -cap_aantal_sleutelsoorten_zoetwater <- - str_c("Aantallen van zoetwater sleutelsoorten in de Zeeschelde in de periode 2009-",laatste_jaar,". Jaargemiddelde aantallen per scheldezone (EMSE, niveau 3).") - -knitr::include_graphics(paste0(pad_figuren, "aantallen_sleutelsoorten_EMSE_zoet.jpg")) - -``` - -
- -#### Alternatieve evaluatie per estuarien habitatgebruik of dieet - -Alternatief aan de EMSE indeling kunnen we het gildenconcept toepassen zoals gebruikelijk en enerzijds het estuarien habitat gebruik door de visgemeenschap evalueren en anderzijds de visgemeenschap positioneren in het estuariene voedselweb. -Op die manier wordt per functioneel aspect de volledige visgemeenschap van de Zeeschelde beschouwd. - -Fuikvangsten en ankerkuil leveren een verschillend beeld op van de relatieve densiteit en biomassa per saliniteitzone. -In de zone met grote saliniteitsgradiënt worden gemiddeld de grootste aantallen per fuikdag gevangen. -De biomassa verdeling toont dan weer een ander beeld naargelang het estuarien gebruik of naargelang het dieet. - -##### Estuarien habitat gebruik - -De resultaten voor aantallen, biomassa en diversiteit per groep van estuarien habitat gebruik worden weergegeven in respectivelijk Figuur \@ref(fig:092-figuur-aantallen-habitat), Figuur \@ref(fig:092-figuur-biomassa-habitat) en Figuur \@ref(fig:092-figuur-diversiteit-habitat). -Het beeld op basis van fuikvangsten is iets complexer en toont andere accenten dan op basis van ankerkuildata. - -In de zone met sterke saliniteitgradiënt overheerst tong zowel naar aantallen als naar biomassa in de groep van mariene migranten. -Sinds 2012 zijn aantallen en biomassa per fuikdag wel plots fel verminderd. -Ook zeebaars en haring zijn steeds in grote aantallen aanwezig, in toenemende mate sinds 2015. -Schol verdween na 2010 maar is sinds 2018 terug aanwezig. -Brakwatergrondel en dikkopje zijn als estuarien residenten ook elk jaar vertegenwoordigd in redelijk grote aantallen. -In de oligohaliene zone zijn dikkopje, haring en brakwatergrondel de belangrijkste soorten uit deze functionele groep. -De aantallen en biomassa nemen toe sinds 2017. -In de zoete zones is brakwatergrondel de belangrijkste estuariene soort. -De aantallen in de fuikvangsten variëren er sterk, met af en toe een extreme piek. -In drogere jaren komen ook haring en zeebaars opgroeien tot in de zoete zones. - -Bot is de belangrijkste trekvis in de zone met sterke saliniteitgradiënt, in aantallen én biomassa, in aantallen gevolgd door driedoornige stekelbaars en spiering. -Paling overheerst echter de biomassa en in sommige jaren wegen ook de optrekkende/terugkerende finten mee. -In de meer stroomopwaartse oligohaliene en zoete zones is spiering zonder meer de meest talrijk aanwezige trekvis. -Ook hier overheerst paling echter in de trekvis biomassa, soms bijgestaan door fint. - -Aantallen en biomassa van de zoetwatervissen vertonen een meer gediversifieerd beeld. -Snoekbaars is de dominante zoetwatersoort in aantal, maar de dominantie is niet zeer uitgesproken. -snoekbaars, karper, europese meerval, brasem en snoekbaars leveren de belangrijkste bijdragen aan de biomassa van zoetwatersoorten. - -De zoewatervissen zijn de meest soortenrijke estuariene gebruik groep. -De diversiteit is het grootst voor de zoetwatersoorten in de zoete zone met korte verblijftijd. -Het is vooral in deze groep dat in 2022 minder soorten gevangen werden met de fuiken, vermoedelijk ook door het feit dat de vangstinspanning gehalveerd werd. - -
- -```{r 092-figuur-aantallen-habitat, fig.cap=aantallen_habitat, out.width="110%"} - -aantallen_habitat <- - str_c("Totaal aantal gevangen individuen voor elke groep van estuarien habitat gebruik in de periode 2009-",laatste_jaar,". Jaargemiddelde aantallen per scheldezone (EMSE, niveau 3) en habitatgroepen.") - -knitr::include_graphics(paste0(pad_figuren, "EMSE_alternatief/relatieve_aantallen_tot_aantal_salgroep.jpg")) - -``` - -
- -```{r 092-figuur-biomassa-habitat, fig.cap=biomassa_habitat, out.width="110%"} - -biomassa_habitat <- - str_c("Totale biomassa gevangen individuen voor elke groep van estuarien habitat gebruik in de periode 2009-",laatste_jaar,". Jaargemiddelde biomassa per scheldezone (EMSE, niveau 3) en habitatgroepen.") - -knitr::include_graphics(paste0(pad_figuren, "EMSE_alternatief/relatieve_biomassa_tot_biomassa_salgroep.jpg")) - -``` - -
- -```{r 092-figuur-diversiteit-habitat, fig.cap=diversiteit_habitat, out.width="100%"} - -diversiteit_habitat <- - str_c("Aantal soorten (S, lichtblauw) en Shannon diversiteit (D, donkerblauw) voor elke groep van estuarien habitat gebruik in de periode 2009-",laatste_jaar,". Jaargemiddelde diversiteit per scheldezone (EMSE, niveau 3) en habitatgroepen.") - -knitr::include_graphics(paste0(pad_figuren, "EMSE_alternatief/diversiteit_S_D_salgroep.jpg")) - -``` - -
- -##### Dieet - -De resultaten voor aantallen, biomassa en diversiteit per dieetgroep worden weergegeven in respectievelijk Figuur \@ref(fig:092-figuur-aantallen-dieet), Figuur \@ref(fig:092-figuur-biomassa-dieet) en Figuur \@ref(fig:092-figuur-diversiteit-dieet). - - -Benthivoren en omnivoren zijn het meest talrijk en maken ook het grootste deel van de biomassa uit. -Het is dan ook in deze groepen dat het aantal soorten minder was in 2022 door de verminderde vangstinspanning. - -Tong in de zone met sterke saliniteitsgradiënt en brakwatergrondel in de zoetwater zone zijn de dominante benthivoren qua aantallen. -Brasem domineert echter qua biomassa in de oligohaliene en zoetwaterzone. - -Spiering (zoete zone) en bot (saliniteitsfgradiënt) zijn de dominante omnivoren wat betreft aantallen. -Voor de biomassa's bij de omnivoren is er geen duidelijke dominantie tussen de meest aspectbepalende soorten: bot, europese meerval, fint, karper, kolblei, snoek en snoekbaars. -Dit wordt vaak bepaald door de vangst van enkele grote individuen. - -Baars, rivierprik en zeeprik zijn de enige piscivoren die in kleine en sterk wisselende aantallen gevangen worden. -Haring en sprot zijn de enige planktivore soorten van betekenis in de Zeeschelde. - -Omnivoren vormen de meest soortenrijke trofische groep maar de diversiteit in deze groep (berekend op basis van aantallen) blijft toch relatief klein door de dominantie van vooral bot en spiering in de aantallen. -Benthivoren zijn de tweede trofische groep naar soortenrijkdom toe, maar zijn eveneens sterk gedomineerd door een beperkt aantal soorten. - -Net zoals bij de ankerkuilgegevens geldt hier de kanttekening dat de meeste spieringen juveniele planktivoren zijn en dat adulte spiering, europese meerval, snoek, snoekbaars en zeebaars eigenlijk voornamelijk als piscivoor gekend staan in de Zeeschelde. - -
- -```{r 092-figuur-aantallen-dieet, fig.cap=aantallen_dieet, out.width="110%"} - -aantallen_dieet <- - str_c("Totaal aantal gevangen individuen per dieetgroep in de periode 2009-",laatste_jaar,". Jaargemiddelde aantallen per scheldezone (EMSE, niveau 3) en dieetgroepen.") - -knitr::include_graphics(paste0(pad_figuren, "EMSE_alternatief/relatieve_aantallen_tot_aantal_dieet.jpg")) - -``` - -
- -```{r 092-figuur-biomassa-dieet, fig.cap=biomassa_dieet, out.width="110%"} - -biomassa_dieet <- - str_c("Totale biomassa gevangen individuen per dieetgroep in de periode 2009-",laatste_jaar,". Jaargemiddelde biomassa per scheldezone (EMSE, niveau 3) en dieetgroepen.") - -knitr::include_graphics(paste0(pad_figuren, "EMSE_alternatief/relatieve_biomassa_tot_biomassa_dieet.jpg")) - -``` - -
- -```{r 092-figuur-diversiteit-dieet, fig.cap=diversiteit_dieet, out.width="100%"} - -diversiteit_dieet <- - str_c("Aantal soorten (S, lichtblauw) en Shannon diversiteit (D, donkerblauw) per dieetgroep in de periode 2009-",laatste_jaar,". Jaargemiddelde diversiteit per scheldezone (EMSE, niveau 3) en dieetgroepen.") - -knitr::include_graphics(paste0(pad_figuren, "EMSE_alternatief/diversiteit_S_D_dieet.jpg")) - -``` - -
- -#### Visindex - -We berekenden de indexwaarden voor alle beschikbare gegevens (Tabel \@ref(tab:092-tabel-visindex), Figuur ). -De evolutie van de visindex in de Zeeschelde is ook één van de INBO natuurindicatoren () - -In de periode 2011-2020 was deze indicator redelijk stabiel in vergelijking tot het decennium dat daaraan voorafging: De zoete zone scoorde doorgaans beter dan de zone met sterke saliniteitsgradiënt en de oligohaliene zone had meestal de laagste score. -De laatste twee jaren daalde de EQR van de zoete zone echter van GEP in 2020 over matig in 2021 naar ontoereikend 2022. -De beide andere zones haalden nog nooit de goede ecologische toestand maar scoren wel matig in 2022. - -Figuur \@ref(fig:092-figuur-spindiagram) geeft voor elke zone een indicatie van de ecologische aspecten die minder en beter scoren in 2022. Zie Tabel \@ref(tab:090-tabel-metrieken-visindex) voor verklaring van de afkortingen. - - -```{r 092-tabel-visindex} - -tabel_visindex <- - read_excel(paste0(maak_pad(hoofdstuk, "tabellen"), "visindexreeks.xlsx"), - sheet = "tabel1995_2022", - skip = 1) - -cap_visindex <- - paste0("De EQR-waarde en appreciatie per jaar per saliniteitszone in de Zeeschelde (1995-", laatste_jaar, ") berekend met de zone-specifieke index.") - -tabel_visindex %>% - mutate(across(everything(), ~as.character(.) %>% replace_na(""))) %>% - mutate(across(everything(), ~cell_spec(., color = "black"))) %>% - knitr::kable(booktabs = TRUE, - caption = cap_visindex, - # align = c("l", rep("c", 12)), - col.names = rep(c("jaar", "EQR", "appreciatie"), 3), - escape = FALSE) %>% - add_header_above(c("Zoetwater zone" = 3, "Oligohaliene zone" = 3, "Mesohaliene zone" = 3)) %>% - kable_styling("striped", - latex_options = c("striped")) - -``` - -
- -```{r 092-figuur-visindex, fig.cap=cap_fig_visindex, out.width="100%"} - -cap_fig_visindex <- - paste0("De EQR-score per jaar en per saliniteitszone in de Zeeschelde (1995-", laatste_jaar, ") berekend met de zone-specifieke index.") - -knitr::include_graphics(str_c(maak_pad(hoofdstuk, "figuren/EQR"), "visindex_EQR.png")) - -``` - -
- -```{r 092-figuur-spindiagram, fig.cap=cap_spindiagram, out.width="70%", fig.show="hold", fig.fullwidth=TRUE} - -cap_spindiagram <- - str_c("Metriek scores en EQR voor de verschillende saliniteitszones van de Zeeschelde in ",laatste_jaar,".") - -figs_spin <- - list.files(maak_pad(hoofdstuk, "figuren/EQR"), full.names = TRUE) %>% - str_subset("spin") %>% - sort() - -knitr::include_graphics(figs_spin) - -``` - -
- -In de zoetwaterzone scoren alle metrieken slecht behalve het totaal aantal soorten en het aantal individuen per fuikdag. -In de oligohaliene zone scoort het aantal mariene migrerende soorten zeer goed in 2022. -het aantal intolerante soorten en het totaal aantal individuen per fuikdag trekken de EQR voor deze zone omlaag. -In het mesohalien is de score voor het aantal intolerante individuen maximaal maar scoren de soorten met specifieke habitatvereisten, ook voor het paaien, zeer laag. diff --git a/moneos_2024/150_geintegreerd_rapport/093_vissen_conclusies.Rmd b/moneos_2024/150_geintegreerd_rapport/093_vissen_conclusies.Rmd deleted file mode 100644 index 2e8ebe9..0000000 --- a/moneos_2024/150_geintegreerd_rapport/093_vissen_conclusies.Rmd +++ /dev/null @@ -1,292 +0,0 @@ -```{r 093-hoofdstuk, include=FALSE} - -hoofdstuk <- "090_vissen" - -``` - -```{r 093-setup, include=FALSE} - -knitr::opts_chunk$set(echo = FALSE, error=FALSE, warning=FALSE, message=FALSE, cache=FALSE, fig.pos = "H") -knitr::opts_knit$set(eval.after = "fig.cap") - -``` - -```{r 093-libraries} - -library(tidyverse) -library(readxl) -library(kableExtra) -library(rprojroot) ## workaround pad - -``` - -```{r 093-pad} - -# inlezen van variabelen -# pad naar data : pad_data -# pad naar tabellen : pad_tabellen -# pad naar figuren : pad_figuren - -source(find_root_file("../pad.R", criterion = is_rstudio_project)) - -pad_data <- maak_pad(hoofdstuk, "data") -pad_figuren <- maak_pad(hoofdstuk, "figuren") -pad_tabellen <- maak_pad(hoofdstuk, "tabellen") - -``` - -```{r 093-table_from_figure-function} -figtab <- - function(label, image_file, caption=NULL) { - txt <- sprintf('\\begin{table}[H]\n\\caption{%s}\n\\label{tab:%s}\n\\includegraphics{%s}\n\\end{table}', - caption, - label, - image_file) - magick::image_read(image_file) %>% magick::image_ggplot() %>% print() - writeLines(txt) - } -``` - -```{r 093-meta-data} - -meta_data <- - read_delim(paste0(pad_data, "vissen_meta_data.csv"), - delim = ";") - -for(i in 1:nrow(meta_data)){ - ##first extract the object value - tempobj=meta_data$waarde[i] - ##now create a new variable with the original name of the list item - eval(parse(text=paste(meta_data$naam[i],"= tempobj"))) -} - -``` - -## Algemene conclusies - -### Afvissingen in 2022 - -2022 was een **bodemjaar voor het aantal spieringen** in de Zeeschelde. -Dit geldt zowel voor de ankerkuil als voor de fuikvangsten, waardoor het beeld van de absolute dominantie van deze soort zelfs in het pelagiaal vervaagt. -Aangezien het aantal spieringen al geruime tijd geen echte toppen meer scheert dringt zich nader onderzoek op naar de aard en oorzaak van deze dalende trend. -Meer bepaald moeten ruimtelijke en seizoenale patronen per leeftijdgroep over de jaren heen geanalyseerd worden in relatie tot abiotiek en beheer. -In de Elbe werden mogelijke oorzaken van de sterk verminderde spiering rekrutering uitvoerig onderzocht. -Verlies aan ondiep water in specifieke zones, koelwateronttrekking, onderhoudswerken en toegenomen turbiditeit werden als factoren aangestipt, mogelijks in cumulatieve interactie. -Ook de Schelde kent een evolutie van ondermeer toenemende verdieping, waterdynamiek en vertroebeling. -In de Elbe waren er onvoldoende data over de evolutie van het voedselaanbod voor spieringlarven om deze factor uit te sluiten (Scholle en Schuchardt, 2019; 2020). -In de Zeeschelde kan die informatie waarschijnlijk wel samengebracht worden. - -In 2022 werd met de ankerkuil **uitzonderlijk veel sprot** gevangen in Doel en Antwerpen en dit in voorjaar, zomer en najaar. -Hetzelfde fenomeen deed zich voor in de Westerschelde ankerkuilvangsten (de Boois & Couperus, 2022). - -In 2022 dook de **visindex voor de zoete zone** voor het eerst sinds 2009 onder die van de brakke en oligohaliene zones. - -In 2022 werd de **vangstinspanning met de fuiken gehalveerd**. -Fuiken werden telkens 1 in plaats van 2 etmaal uitgezet. -Dit had een invloed op het aantal gevangen soorten. -Hierdoor zal een breuk in de trends van soortenrijkdom bij fuikvangsten ontstaan. - -### Algemene kenmerken van de Zeeschelde populaties. - -Naar **estuarien habitatgebruik** overheersen de trekvissen de visgemeenschappen van de Zeeschelde in aantal en biomassa. -Het estuarium heeft dus weer zijn functie opgenomen in de levenscyclus van deze soorten. -Om te evalueren of de populaties echt gevestigd en duurzaam zijn is echter een cohorte analyse van de betrokken soorten in tijd en ruimte nodig. - -Naar **dieet** overheersen omnivore soorten, een normale opportunistische evolutie in een estuarium met wisselende levensomstandigheden. -Toch wordt het voedselweb stilaan complexer. -Dit uit zich in een toename van benthivore en piscivore soorten. -Om dit echt te evalueren moet voor de belangrijkste soorten rekening gehouden worden met de dieet shift die ze maken in de overgang van juveniel naar adult. -Ook worden in de EMSE classificatie een aantal gekende piscivoren (volwassen spiering, snoekbaars, zeebaars, snoek, europese meerval) over de volledige levenscyclus tot omnivoren gerekend. -Voor de soorten die de grootste biomassa uitmaken kunnen gerichte maag- en isotoopanalyses zoals voorgesteld in en ter ondersteuning en vervolg op Van de Meutter et al (2021) een het beeld van voedselinteracties verscherpen. - -### Ankerkuil versus fuikresultaten - -Ankerkuilvisserij geeft een goed beeld van de visgemeenschap in de waterkolom, fuikvisserij bemonstert eerder nabij de bodem en beide methoden verschaffen complementaire informatie. -Algemeen worden meer soorten gevangen met de ankerkuil. -De veel grotere omvang van de vangst vergroot de kans op éénmalige vangst van zeldzaamheden. -De resultaten van de fuikvangsten leveren echter een hogere Shannon diversiteit (Breine & Van den Bergh, 2022). - -In deze rapportage kwamen echter nog opvallende verschillen aan bod: - -- Fuikvangsten en ankerkuil leveren een verschillend beeld op van de relatieve densiteit en biomassa per saliniteitszone. - Met de ankerkuil worden de meeste vissen per m³ gevangen in de zoete zone en het minst in de zone met sterke saliniteitsgradiënt. - In deze laatste zone worden echter gemiddeld de grootste aantallen met fuiken gevangen. - Beide methoden leveren dus een omgekeerd beeld op van relatieve vis densiteit per saliniteitszone. - -- Pieken en dalen in de aantallen van de sleutelsoorten verschillen sterk. - De grote spieringpiek in de ankerkuildata valt in bijvoorbeeld in 2014 terwijl die in 2015 valt op basis van de fuikgegevens. - Voor haring waren dat 2022 en 2021 respectievelijk. - -Hieruit kunnen we enerzijds afleiden dat het omzetten van vangstaantallen naar aantal per volume eenheid niet zo evident is. -Anderzijds zijn plaats en tijdstip zeer bepalend voor het beeld dat we ons vormen van de visgemeenschap. Concluderend is er een noodzaak om met innovatieve monitoring (bijvoorbeeld met echosounding) continue data te verzamelen over de visgemeenschap op de besproken vislocaties. Dit onderzoek moet helpen om de variaties in de vispopulaties in ruimte en tijd te verklaren. Omgekeerd levert de klassieke monitoring informatie over de aanwezige soorten. - -### EMSE methodiek - -- EMSE soortenlijsten en categorieën voor de Zeeschelde moeten blijvend kritisch bekeken worden. - -- Het 'nesten' van gilden maakt de rapportage langer en ingewikkelder en levert geen helderder beeld op van de functies van de Zeeschelde voor visgemeenschappen. - -- Naar estuarien habitat gebruik zou het duidelijker zijn om mariene migranten en estuariene residenten als aparte groepen te beschouwen. - -- Dieetshifts in de overgang van juvenielen naar adulten mee in rekening brengen zou het inzicht in de trofische relaties verbeteren. - -- Om de duurzaamheid van de belangrijkste populaties beter in te schatten zijn cohorte analyses en evaluatie van rekrutering aangewezen. - -- EMSE stelt voor om voor de visgemeenschappen afhankelijk van de soort gebruik te maken van of ankerkuil of fuikgegevens. - Om de visgemeenschap op een zinvolle manier in zijn geheel te evalueren is het beter om alle soorten op basis van beide datasets te beoordelen. - -## Referenties - -Able K. -(2005). -A re-examination of fish estuarine dependence: Evidence for connectivity between estuarine and ocean habitats. -Estuarine, Coastal and Shelf Science. -64 (1): 5-17. - -Baldoa F. -& Drake P. (2002). -A multivariate approach to the feeding habits of small fishes in the Guadalquivir Estuary. -Journal of Fish Biology. -61: 21-32. - -Breine, J.J., Maes, J., Quataert, P., Van den Bergh, E., Simoens, I., Van Thuyne, G. -& C. -Belpaire (2007). -A fish-based assessment tool for the ecological quality of the brackish Schelde estuary in Flanders (Belgium). -Hydrobiologia, 575: 141-159. - -Breine, J., Quataert, P., Stevens, M., Ollevier, F., Volckaert, F.A.M., Van den Bergh, E. -& J. -Maes (2010). -A zone-specific fish-based biotic index as a management tool for the Zeeschelde estuary (Belgium). -Marine Pollution Bulletin, 60: 1099-1112. - -Breine J. -& Van den Bergh E. -(2022). -Vissen in de Zeeschelde: vertellen ankerkuil en fuiken hetzelfde? -Scheldesymposium Antwerpen. - -Brosens D., Breine J., Van Thuyne G., Belpaire C., Desmet P. & Verreycken H. -(2015) VIS - A database on the distribution of fishes in inland and estuarine waters in Flanders, Belgium. -ZooKeys 475: 119-145. -doi: 10.3897/zookeys.475.8556 - -de Boois I. J. -& Couperus A.S. -(2022). -Ankerkuilbemonstering in de Westerschelde. -Resultaten 2022 en meerjarenoverzichten. -WUR rapport C071/22. -39pp. -Wageningen. - -Elliott M. -& Hemingway K.L. -(2002). -In: Elliott, M. -& Hemingway K.L. -(Editors). -Fishes in estuaries. -Blackwell Science, London. -577-579. - -EMSE (2021). -Evaluatiemethodiek Schelde-estuarium: Update 2021. -Antea, Bureau Waardenburg, Deltares, UAntwerpen, UGent, INBO en NIOZ. - -Maes J., Stevens M. -& Breine J. -(2007). -Modelling the migration opportunities of diadromous fish species along a gradient of dissolved oxygen concentration in a European tidal watershed. -Estuarine, Coastal and Shelf Science. -75: 151-162. - -Maes J., Stevens M. -& Breine J. -(2008). -Poor water quality constrains the distribution and movements of twaite shad *Alosa fallax fallax* (Lacépède, 1803) in the watershed of river Scheldt. -Hydrobiologia. -602: 129-143. - -Maris T., Geerts L., & Meire P. (2011). -Basiswaterkwaliteit In Maris T. -& P. -Meire (Eds) Onderzoek naar de gevolgen van het Sigmaplan, baggeractiviteiten en havenuitbreiding in de Zeeschelde op het milieu. -Geïntegreerd eindverslag van het onderzoek verricht in 2009-2010. -011-143 Universiteit Antwerpen, 169pp. - -Scholle J. -& Schuchardt B. -(2019). -Analysis of longer-term data on the abundance of different age classen of stints (*Osmerus eperlanus*) in the Elbe estuary and the other Wadden Sea estuaries. -Bioconsult Bremen. -95pp. - -Scholle J. -& Schuchardt B. -(2020). -Analysis of longer-term data on the abundance of different age classen of stints (*Osmerus eperlanus*) in the Elbe estuary. -Part 2 possible influencing factors. -Bioconsult Bremen. -108 pp. - -Stevens M., Van den Neucker T., Mouton A., Buysse D., Martens S., Baeyens R., Jacobs Y., Gelaude E. -& Coeck J. -(2009). -Onderzoek naar de trekvissoorten in het stroomgebied van de Schelde. -Rapporten van het Instituut voor Natuur- en Bosonderzoek 2009 (INBO.R.2009.9), 188pp. - -Van de Meutter F, De Regge N, Bezdenjesnji, O (2021). -Dieetanalyse van hogere trofische niveaus in de Zeeschelde: deel vissen. -Resultaten van een studie met stabiele isotopen. -Rapporten van het Instituut voor Natuur- en Bosonderzoek 2021 (41). -Instituut voor Natuur- en Bosonderzoek, Brussel. -DOI: doi.org/10.21436/inbor.44407431 - -Van Der Meulen D., Walsh C., Taylor M. -& Gray C. -(2013). -Habitat requirements and spawning strategy of an estuarine-dependent fish, Percalates colonorum. -Marine and Freshwater Research. -65 (3): 218-227. - -\newpage - -## Bijlage - -```{r 093-tabel-zeeschelde-soorten} - -soortenlijst <- - read_xlsx(str_c(pad_data, "soorten_Zeeschelde.xlsx"), - sheet = "EMSE") %>% - select(-inEMSE, -exoot, -opmerking) %>% - rename(`Nederlandse naam` = soort, `Wetensch. naam` = wetensch_naam, - Saliniteitsgroep = salgroep, Dieet = dieet, - Fuiken = fuiken, Ankerkuil = ankerkuil) - -sleutelsoorten_EMSE <- - read_xlsx(str_c(pad_data, "sleutelsoorten EMSE.xlsx")) - -cap_soortenlijst <- - paste0("Overzicht van alle waargenomen vissoorten tijdens de ankerkuilcampagnes en fuikvangsten in de Zeeschelde in de periode 2009-", - laatste_jaar, - ". Soorten in vet en cursief geven de sleutelsoorten weer uit de EMSE evaluatie.") - -soortenlijst %>% - mutate(across(everything(), ~as.character(.) %>% replace_na(""))) %>% - mutate(across(c(-`Nederlandse naam`), ~cell_spec(., color = "black"))) %>% - # mutate(across(everything(), ~cell_spec(., , bold = TRUE, italic = TRUE, color = "black", background = "lightgreen"))) %>% - mutate(`Nederlandse naam` = - if_else(`Nederlandse naam` %in% sleutelsoorten_EMSE$soort, - cell_spec(`Nederlandse naam`, bold = TRUE, italic = TRUE, color = "black"), - cell_spec(`Nederlandse naam`, color = "black"))) %>% - knitr::kable(escape = FALSE, - booktabs = TRUE, - longtable = TRUE, - caption = cap_soortenlijst, - align = c(rep("l", 4), rep("c", 2))) %>% - kable_styling(latex_options = c("striped", "scale_down"), - font_size = 9) - -``` diff --git a/moneos_2024/150_geintegreerd_rapport/index.Rmd b/moneos_2024/150_geintegreerd_rapport/index.Rmd index 532b25d..3aad70c 100644 --- a/moneos_2024/150_geintegreerd_rapport/index.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/index.Rmd @@ -96,7 +96,7 @@ publication_type: report cover_photo: "" # naam foto file cover_description: "" # cover: media/cover.pdf # link naar pdf met cover -doi: "" +doi: 99.9999/inbor.9999999 reportnr: "" depotnr: "" ordernr: "" From 6f17da1985849363186d312ce615e95e31ddfa9f Mon Sep 17 00:00:00 2001 From: VAN RYCKEGEM Date: Tue, 4 Jun 2024 14:34:05 +0200 Subject: [PATCH 003/102] overzicht --- .../020_Overzicht.Rmd | 178 ++++++++++++++++++ 1 file changed, 178 insertions(+) create mode 100644 moneos_2024/150_geintegreerd_rapport/020_Overzicht.Rmd diff --git a/moneos_2024/150_geintegreerd_rapport/020_Overzicht.Rmd b/moneos_2024/150_geintegreerd_rapport/020_Overzicht.Rmd new file mode 100644 index 0000000..45379d2 --- /dev/null +++ b/moneos_2024/150_geintegreerd_rapport/020_Overzicht.Rmd @@ -0,0 +1,178 @@ +```{r 020-hoofdstuk, include=FALSE} + +hoofdstuk <- "020_overzicht" + +``` + +```{r 020-setup, include=FALSE} + +knitr::opts_chunk$set(echo = FALSE, error=FALSE, warning=FALSE, message=FALSE, cache=FALSE, fig.showtext = TRUE, dpi = 300) +knitr::opts_knit$set(eval.after = "fig.cap") + + +``` + +```{r 020-libraries} + +library(tidyverse) +library(readxl) +library(kableExtra) +library(rprojroot) ## workaround pad +library(lubridate, warn.conflicts = FALSE) +library(INBOtheme) + +``` + +```{r 020-pad} + +# inlezen van variabelen +# pad naar data : pad_data +# pad naar tabellen : pad_tabellen +# pad naar figuren : pad_figuren + +#source("../pad.R") +source(find_root_file("../pad.R", criterion = is_rstudio_project)) +pad_data <- maak_pad(hoofdstuk, "data") +pad_figuren <- maak_pad(hoofdstuk, "figuren") +pad_tabellen <- maak_pad(hoofdstuk, "tabellen") + +``` + +# Overzicht Estuariene Natuurontwikkelingsprojecten + +**Gunther Van Ryckegem** + +## Overzicht + +In dit hoofdstuk wordt een overzicht gegeven van de natuurontwikkelingsprojecten die reeds uitgevoerd zijn in de Zeeschelde, met weergave van de voornaamste karakteristieken van het gebied. +Onderstaande informatie is beschikbaar gemaakt via het online portaal . +Deze website omvat een databank met uitgevoerde estuariene natuurontwikkelingsprojecten. + +Voor details over de uitvoering en de initiele evoluties in de ontpolderingen wordt verwezen naar Van de Neucker et al., (2007) en Speybroeck et al. (2011). +De evoluties in de GGG's[^overzicht-1] worden opgevolgd door Universiteit Antwerpen (Maris et al., 2019). +In totaal werd er sinds 2003 ruim 750 ha aan estuariene natuurontwikkeling gerealiseerd (Tabel \@ref(tab:020-tabel-natuurontwikkelingsprojecten)). + +[^overzicht-1]: Gecontroleerd Gereduceerd Getijdengebied + +```{r 020-tabel-natuurontwikkelingsprojecten} + +tabel_natuurontwikkelingsprojecten <- read_excel(paste0(pad_tabellen, "020_Overzicht_tabellen.xlsx"), + sheet = "natuurontwikkelingsprojecten", .name_repair = "minimal") + +tabel_natuurontwikkelingsprojecten$Realisatie <- format(tabel_natuurontwikkelingsprojecten$Realisatie, format="%Y-%m") + +tabel_natuurontwikkelingsprojecten <- tabel_natuurontwikkelingsprojecten %>% + select('Deelzone niveau 3','Gebied','Getij', 'Oppervlakte estuarien (ha)', 'Realisatie', 'Sigmaplan Estuarien gebied') + +options(knitr.kable.NA = '') + +tabel_natuurontwikkelingsprojecten[c(9,12),3] <- sapply(tabel_natuurontwikkelingsprojecten[c(9,12),3], + function(x) paste0(x, footnote_marker_number(1))) + +tabel_natuurontwikkelingsprojecten[c(20),4] <- sapply(tabel_natuurontwikkelingsprojecten[c(20),4], + function(x) paste0(x, footnote_marker_number(2))) + +tabel_natuurontwikkelingsprojecten[c(20),4] <- sapply(tabel_natuurontwikkelingsprojecten[c(20),4], + function(x) paste0(x, footnote_marker_number(3))) + +tabel_natuurontwikkelingsprojecten[c(20),4] <- sapply(tabel_natuurontwikkelingsprojecten[c(20),4], + function(x) paste0(x, footnote_marker_number(4))) + + + +tabel_natuurontwikkelingsprojecten %>% + knitr::kable(caption = "Overzicht van de uitgevoerde estuariene natuurontwikkelingsprojecten langsheen de Zeeschelde en zijrivieren. De gebieden staan gerangschikt van grens BE-NL stroomopwaarts. MWeA - Meest Wenselijk Alternatief - geactualiseerd Sigmaplan gebieden zijn geselecteerd (Synthesenota, 2005).", + # "latex", + booktabs = T, + escape = F) %>% + kable_styling(latex_options = c("scale_down"), + font_size = 12) %>% + footnote(number = c("met koker verbonden (natuurlijk getijpatroon en dynamiek is beïnvloed)", + "in de loop van 2017 werd nog een grondstock opgeruimd en toegevoegd aan de ontpoldering (+ 2.2 ha)", + "in de zomer van 2019 werd een geul gegraven in het westelijk deel van de Wijmeers en ging estuariene oppervlakte tijdelijk verloren door de aanleg van een zandstock", + "ontpoldering afgesloten voor getij tussen maart 2020 en april 2021 voor de aanleg van een vloedschaar in oostelijk deel"), + threeparttable = TRUE) + +``` + +
+ +```{r 020-figuur-oppervlakte-estuariene-natuurontwikkeling, fig.cap=cap_oppervlakte, out.width="80%"} + +tabel_natuurontwikkelingsprojecten <- read_excel(paste0(pad_tabellen, "020_Overzicht_tabellen.xlsx"), + sheet = "natuurontwikkelingsprojecten", .name_repair = "minimal") +tabel_natuurontwikkelingsprojecten$Realisatie <- format(tabel_natuurontwikkelingsprojecten$Realisatie, format="%Y-%m") +fig_natuurontwikkeling_opp <- tabel_natuurontwikkelingsprojecten %>% + select('Deelzone niveau 3','Gebied','Getij', 'Opp_graph', 'Realisatie', 'Sigmaplan Estuarien gebied') + + + +# fig_natuurontwikkeling_opp$Realisatie <- format(tabel_natuurontwikkelingsprojecten$Realisatie, format="%Y-%m") +# fig_natuurontwikkeling_opp$Realisatie <- as.Date(fig_natuurontwikkeling_opp$Realisatie) + + + +fig_natuurontwikkeling_opp$Sigmaplan <- as.factor(fig_natuurontwikkeling_opp$`Sigmaplan Estuarien gebied`) +fig_natuurontwikkeling_opp$Opp <- fig_natuurontwikkeling_opp$`Opp_graph` +fig_natuurontwikkeling_opp$zone <- fig_natuurontwikkeling_opp$`Deelzone niveau 3` + + + +fig_natuurontwikkeling_opp %>% + mutate(date = lubridate::ym(Realisatie)) %>% + dplyr::filter(Sigmaplan == 1) %>% + dplyr::filter(zone != "Mesohalien") %>% + arrange(Realisatie) %>% + mutate(cs = cumsum(Opp)) %>% + ggplot(aes(date, cs)) + + geom_point(size = 2)+ + xlab("Datum realisatie project")+ + ylab("Cumulatieve oppervlakte (ha)")+ + theme(axis.text.x = element_text(angle = 0), + legend.position = "bottom", + legend.title = element_blank()) +ggsave(paste0(pad_figuren, "10_figuur_oppervlakte_estuariene_natuurontwikkeling.jpg")) + +rapport <- fig_natuurontwikkeling_opp %>% + dplyr::filter(Sigmaplan == 1) %>% + dplyr::filter(zone != "Mesohalien") %>% + arrange(Realisatie) %>% + mutate(cs = cumsum(Opp)) + +cap_oppervlakte <- "Cumulatieve oppervlakte gerealiseerde estuariene natuurontwikkelingsgebieden in het kader van het Sigmaplan (MWeA) - exclusief Hedwige (NL)" + +# knitr::include_graphics(paste0(pad_figuren, "10_figuur_oppervlakte_estuariene_natuurontwikkeling.jpg")) +``` + +## Recente ontwikkelingen + +Sinds 2021 werden verschillende estuariene Sigmaprojecten opgeleverd. +In juni 2021 werd de ontpoldering/dijkverlegging te Fort Filip gerealiseerd. Het Groot Schoor te Hamme werd als ontpoldering gerealiseerd in juli 2021. Het GGG Grote Vijver Noord langsheen de Beneden Nete trad in werking in maart 2022. Enkele maanden later in oktober 2022 werd definitief Prosper- en Hedwigepolder gebrest. Zo kwam er ruim 450 ha estuariene natuur in één klap bij. In het laatste monitoringsjaar werd het Klein Broek langsheen de Durme uitgevoerd. Dit resulteerde in ongeveer 35 ha extra estuariene natuur. In totaal werd tot nu toe 600 ha estuariene natuur gerealiseerd in het kader van het Sigmaplan (exclusief Hediwige). + + +## Referenties + +Maris, T., S. Baeten, K. De Schamphelaere, T. Van den Neucker, T. +van den Broeck & P. +Meire (2019). +Onderzoek naar de gevolgen van het Sigmaplan, baggeractiviteiten en havenuitbreiding in de Zeeschelde op het milieu. +Geïntegreerd eindverslag van het onderzoek verricht in 2018, deelrapport Intergetijdengebieden. +ECOBE 019-R245 Universiteit Antwerpen, Antwerpen. + +Speybroeck J., Van Ryckegem G., Vandevoorde B. +& Van de Bergh E. +(2011). +Evaluatie van natuurontwikkelingsprojecten in het Schelde-estuarium. +2de rapportage van de projectmonitoring periode 2006-2009. +Rapport INBO.R.2011.21. +160pp. +Instituut voor Natuur-en Bosonderzoek, Brussel. + +Synthesenota (2005). +Geactualiseerd Sigmaplan voor veiligheid en natuurlijkheid in het bekken van de Zeeschelde. +Waterwegen en Zeekanaal NV. + +Van den Neucker T., Verbessem I., Van Braeckel A., Stevens M., Spanoghe G., Gyselings R., Soors J., De Regge N., De Belder W & Van den Bergh E. +(2007). +Evaluatie van natuurontwikkelingsprojecten in het Schelde-estuarium. +INBO.R.2007.54. From bc8a3f6207325599b9dd367080b9b3c1891d2b62 Mon Sep 17 00:00:00 2001 From: VAN RYCKEGEM Date: Thu, 13 Jun 2024 15:09:30 +0200 Subject: [PATCH 004/102] kleine aanpassingen --- .../20_moneos_watervogels_analyse.Rmd | 180 +- .../20_moneos_watervogels_analyse.Rmd | 3103 +++++++++++++++++ 2 files changed, 3193 insertions(+), 90 deletions(-) create mode 100644 moneos_2024/100_watervogels/20_moneos_watervogels_analyse.Rmd diff --git a/moneos_2023/100_watervogels/20_moneos_watervogels_analyse.Rmd b/moneos_2023/100_watervogels/20_moneos_watervogels_analyse.Rmd index 8e98bd4..46cfa82 100644 --- a/moneos_2023/100_watervogels/20_moneos_watervogels_analyse.Rmd +++ b/moneos_2023/100_watervogels/20_moneos_watervogels_analyse.Rmd @@ -520,7 +520,7 @@ tabel_trofische_groep <- data_watervogels %>% mutate(telseizoen1 = as.numeric(str_sub(telseizoen, 1, 4))) %>% - dplyr::filter(telseizoen1 %in% c(2001:2021)) %>% + dplyr::filter(telseizoen1 %in% c(2001:2024)) %>% # dplyr::filter(taxongroepcode != "MS") %>% # geen meeuwen of sternen # geen meeuwen of sternen dplyr::filter(maand %in% c(10:12, 1:3)) %>% dplyr::filter(gebiedsgroep != "Getijdedurme" | telseizoen1 > 2012) %>% @@ -557,7 +557,7 @@ levels(data_watervogels$niveau3) ###facet_wrap figuur data_watervogels %>% mutate(telseizoen1 = as.numeric(str_sub(telseizoen, 1, 4))) %>% - dplyr::filter(telseizoen1 %in% c(2009:2021)) %>% + dplyr::filter(telseizoen1 %in% c(2009:2024)) %>% # dplyr::filter(taxongroepcode != "MS") %>% # geen meeuwen of sternen # geen meeuwen of sternen dplyr::filter(maand %in% c(10:12, 1:3)) %>% dplyr::filter(gebiedsgroep != "Getijdedurme" | telseizoen1 > 2012) %>% @@ -591,7 +591,7 @@ data_watervogels %>% ##grafiek niveau2 data_watervogels %>% mutate(telseizoen1 = as.numeric(str_sub(telseizoen, 1, 4))) %>% - dplyr::filter(telseizoen1 %in% c(2001:2021)) %>% + dplyr::filter(telseizoen1 %in% c(2001:2024)) %>% # dplyr::filter(taxongroepcode != "MS") %>% # geen meeuwen of sternen # geen meeuwen of sternen dplyr::filter(maand %in% c(10:12, 1:3)) %>% dplyr::filter(gebiedsgroep != "Getijdedurme" | telseizoen1 > 2012) %>% @@ -689,7 +689,7 @@ data_watervogels %>% mutate(datum = paste(jaar, maand, "15", sep = "-") %>% ymd()) %>% # dplyr::filter(maand %in% c(10:12, 1:3)) %>% - dplyr::filter(teldatum < "2023-04-01") %>% + dplyr::filter(teldatum < "2024-04-01") %>% # dplyr::filter(teldatum > "2007-06-01") %>% dplyr::filter(taxongroepcode != "MS") %>% #meeuwen en sternen niet meetellen worden pas sinds 1999 geteld group_by(telseizoen,datum) %>% @@ -755,7 +755,7 @@ data_watervogels %>% ymd()) %>% # dplyr::filter(maand %in% c(10:12, 1:3)) %>% dplyr::filter(teldatum > "2007-06-01") %>% - dplyr::filter(teldatum < "2023-04-01") %>% + dplyr::filter(teldatum < "2024-04-01") %>% dplyr::filter(taxongroepcode != "MS") %>% #meeuwen en sternen niet meetellen worden pas sinds 1999 geteld group_by(telseizoen,datum) %>% summarise(aantal = sum(aantal, na.rm = TRUE)) %>% @@ -781,89 +781,89 @@ Waterbirds_all <- ymd() %>% month()) -Waterbirds_all %>% - dplyr::filter(maand %in% c(10:12, 1:3)) %>% - mutate(telseizoen1 = as.numeric(str_sub(telseizoen, 1, 4))) %>% - # dplyr::filter(telseizoen1 > 2009) %>% - dplyr::filter(analyseset == "SIGMA_MIDMA") %>% - dplyr::filter(gebiedsgroep == "Estuarien" | gebiedsgroep == "Wetland") %>% - dplyr::filter(taxongroepcode != "MS") %>% #meeuwen en sternen niet meetellen worden pas sinds 1999 geteld - dplyr::filter(analyseset == "SIGMA_MIDMA") %>% - group_by(telseizoen, maand, gebiedsgroep_code) %>% - summarise(som = sum(aantal, na.rm = TRUE)) %>% - ungroup() %>% - group_by(telseizoen, gebiedsgroep_code) %>% - summarise(maximum = max(som, na.rm = TRUE)) %>% - ggplot(aes(ordered(telseizoen), maximum)) + - geom_col() + - labs(x = "telseizoen", - y = "wintermaximum per telseizoen") + - facet_wrap(~gebiedsgroep_code, - ncol = 2, scales = "free") + - theme(axis.text.x = element_text(angle = 90)) - -ggsave(paste0(pad_figuren, "100_figuur_wintermaxima_sigma_estuarien_wetland.jpg")) - -table(check$gebiedsgroep_code) - -Waterbirds_all %>% - dplyr::filter(maand %in% c(10:12, 1:3)) %>% - mutate(telseizoen1 = as.numeric(str_sub(telseizoen, 1, 4))) %>% - dplyr::filter(telseizoen1 > 2009) %>% - dplyr::filter(analyseset == "SIGMA_MIDMA") %>% - dplyr::filter(gebiedsgroep == "Estuarien" | gebiedsgroep == "Wetland") %>% - dplyr::filter(taxongroepcode != "MS") %>% #meeuwen en sternen niet meetellen worden pas sinds 1999 geteld - group_by(telseizoen, maand,gebiedsgroep) %>% - summarise(som = sum(aantal, na.rm = TRUE)) %>% - ungroup() %>% - group_by(telseizoen, gebiedsgroep) %>% - summarise(gemiddelde = mean(som, na.rm = TRUE)) %>% - ggplot(aes(ordered(telseizoen), gemiddelde)) + - geom_col() + - labs(x = "telseizoen", - y = "gemiddelde per telseizoen") + - facet_wrap(~gebiedsgroep, - # ncol = 2, scales = "free" - ) + - theme(axis.text.x = element_text(angle = 90)) - - - -Waterbirds_sigma_estuarien %>% - dplyr::filter(maand %in% c(10:12, 1:3)) %>% - mutate(telseizoen1 = as.numeric(str_sub(telseizoen, 1, 4))) %>% - # dplyr::filter(telseizoen1 > 2009) %>% - dplyr::filter(taxongroepcode != "MS") %>% #meeuwen en sternen niet meetellen worden pas sinds 1999 geteld - group_by(telseizoen, maand, gebiedsgroep_code) %>% - summarise(som = sum(aantal, na.rm = TRUE)) %>% - ungroup() %>% - group_by(telseizoen, gebiedsgroep_code) %>% - summarise(maximum = max(som, na.rm = TRUE)) %>% - ggplot(aes(ordered(telseizoen), maximum)) + - geom_col() + - labs(x = "telseizoen", - y = "wintermaximum per telseizoen Sigma estuarien") + - facet_wrap(~gebiedsgroep_code, - ncol = 2, scales = "free") + - theme(axis.text.x = element_text(angle = 90)) +# Waterbirds_all %>% +# dplyr::filter(maand %in% c(10:12, 1:3)) %>% +# mutate(telseizoen1 = as.numeric(str_sub(telseizoen, 1, 4))) %>% +# # dplyr::filter(telseizoen1 > 2009) %>% +# dplyr::filter(analyseset == "SIGMA_MIDMA") %>% +# dplyr::filter(gebiedsgroep == "Estuarien" | gebiedsgroep == "Wetland") %>% +# dplyr::filter(taxongroepcode != "MS") %>% #meeuwen en sternen niet meetellen worden pas sinds 1999 geteld +# dplyr::filter(analyseset == "SIGMA_MIDMA") %>% +# group_by(telseizoen, maand, gebiedsgroep_code) %>% +# summarise(som = sum(aantal, na.rm = TRUE)) %>% +# ungroup() %>% +# group_by(telseizoen, gebiedsgroep_code) %>% +# summarise(maximum = max(som, na.rm = TRUE)) %>% +# ggplot(aes(ordered(telseizoen), maximum)) + +# geom_col() + +# labs(x = "telseizoen", +# y = "wintermaximum per telseizoen") + +# facet_wrap(~gebiedsgroep_code, +# ncol = 2, scales = "free") + +# theme(axis.text.x = element_text(angle = 90)) +# +# ggsave(paste0(pad_figuren, "100_figuur_wintermaxima_sigma_estuarien_wetland.jpg")) +# +# table(check$gebiedsgroep_code) +# +# Waterbirds_all %>% +# dplyr::filter(maand %in% c(10:12, 1:3)) %>% +# mutate(telseizoen1 = as.numeric(str_sub(telseizoen, 1, 4))) %>% +# dplyr::filter(telseizoen1 > 2009) %>% +# dplyr::filter(analyseset == "SIGMA_MIDMA") %>% +# dplyr::filter(gebiedsgroep == "Estuarien" | gebiedsgroep == "Wetland") %>% +# dplyr::filter(taxongroepcode != "MS") %>% #meeuwen en sternen niet meetellen worden pas sinds 1999 geteld +# group_by(telseizoen, maand,gebiedsgroep) %>% +# summarise(som = sum(aantal, na.rm = TRUE)) %>% +# ungroup() %>% +# group_by(telseizoen, gebiedsgroep) %>% +# summarise(gemiddelde = mean(som, na.rm = TRUE)) %>% +# ggplot(aes(ordered(telseizoen), gemiddelde)) + +# geom_col() + +# labs(x = "telseizoen", +# y = "gemiddelde per telseizoen") + +# facet_wrap(~gebiedsgroep, +# # ncol = 2, scales = "free" +# ) + +# theme(axis.text.x = element_text(angle = 90)) +# +# +# +# Waterbirds_sigma_estuarien %>% +# dplyr::filter(maand %in% c(10:12, 1:3)) %>% +# mutate(telseizoen1 = as.numeric(str_sub(telseizoen, 1, 4))) %>% +# # dplyr::filter(telseizoen1 > 2009) %>% +# dplyr::filter(taxongroepcode != "MS") %>% #meeuwen en sternen niet meetellen worden pas sinds 1999 geteld +# group_by(telseizoen, maand, gebiedsgroep_code) %>% +# summarise(som = sum(aantal, na.rm = TRUE)) %>% +# ungroup() %>% +# group_by(telseizoen, gebiedsgroep_code) %>% +# summarise(maximum = max(som, na.rm = TRUE)) %>% +# ggplot(aes(ordered(telseizoen), maximum)) + +# geom_col() + +# labs(x = "telseizoen", +# y = "wintermaximum per telseizoen Sigma estuarien") + +# facet_wrap(~gebiedsgroep_code, +# ncol = 2, scales = "free") + +# theme(axis.text.x = element_text(angle = 90)) -Waterbirds_sigma_estuarien %>% - dplyr::filter(maand %in% c(10:12, 1:3)) %>% - mutate(telseizoen1 = as.numeric(str_sub(telseizoen, 1, 4))) %>% - # dplyr::filter(telseizoen1 > 2009) %>% - dplyr::filter(taxongroepcode != "MS") %>% #meeuwen en sternen niet meetellen worden pas sinds 1999 geteld - group_by(telseizoen, maand, gebiedsgroep_code) %>% - summarise(som = sum(aantal, na.rm = TRUE)) %>% - ungroup() %>% - group_by(telseizoen, gebiedsgroep_code) %>% - summarise(gemiddelde = mean(som, na.rm = TRUE)) %>% - ggplot(aes(ordered(telseizoen), gemiddelde)) + - geom_col() + - labs(x = "telseizoen", - y = "gemiddelde per telseizoen Sigma estuarien") + - facet_wrap(~gebiedsgroep_code, - ncol = 2, scales = "free") + - theme(axis.text.x = element_text(angle = 90)) +# Waterbirds_sigma_estuarien %>% +# dplyr::filter(maand %in% c(10:12, 1:3)) %>% +# mutate(telseizoen1 = as.numeric(str_sub(telseizoen, 1, 4))) %>% +# # dplyr::filter(telseizoen1 > 2009) %>% +# dplyr::filter(taxongroepcode != "MS") %>% #meeuwen en sternen niet meetellen worden pas sinds 1999 geteld +# group_by(telseizoen, maand, gebiedsgroep_code) %>% +# summarise(som = sum(aantal, na.rm = TRUE)) %>% +# ungroup() %>% +# group_by(telseizoen, gebiedsgroep_code) %>% +# summarise(gemiddelde = mean(som, na.rm = TRUE)) %>% +# ggplot(aes(ordered(telseizoen), gemiddelde)) + +# geom_col() + +# labs(x = "telseizoen", +# y = "gemiddelde per telseizoen Sigma estuarien") + +# facet_wrap(~gebiedsgroep_code, +# ncol = 2, scales = "free") + +# theme(axis.text.x = element_text(angle = 90)) ``` @@ -874,15 +874,15 @@ data_watervogels %>% mutate(datum = paste(jaar, maand, "15", sep = "-") %>% ymd()) %>% dplyr::filter(maand %in% c(10:12, 1:3)) %>% - dplyr::filter(teldatum > "2005-10-01" & teldatum < "2022-04-01") %>% # + dplyr::filter(teldatum > "2005-10-01" & teldatum < "2024-04-01") %>% # dplyr::filter(taxongroepcode != "MS") %>% #meeuwen en sternen niet meetellen worden pas sinds 1999 geteld - dplyr::filter(nednaam =="Wintertaling") %>% + dplyr::filter(nednaam =="Wintertaling") %>% group_by(telseizoen,datum,gebiedsgroep_code, niveau3) %>% summarise(aantal = sum(aantal, na.rm = TRUE)) %>% ungroup() %>% ggplot(aes(datum, aantal)) + geom_col() + - scale_x_date(date_breaks = "1 month", date_labels = "%m%Y") + + scale_x_date(date_breaks = "6 month", date_labels = "%m%Y") + labs(x = "jaar", y = "aantal") + theme(axis.text.x = element_text(angle = 90))+ geom_smooth(aes(color = "trendlijn")) + diff --git a/moneos_2024/100_watervogels/20_moneos_watervogels_analyse.Rmd b/moneos_2024/100_watervogels/20_moneos_watervogels_analyse.Rmd new file mode 100644 index 0000000..8e98bd4 --- /dev/null +++ b/moneos_2024/100_watervogels/20_moneos_watervogels_analyse.Rmd @@ -0,0 +1,3103 @@ +--- +params: + hoofdstuk: "100_watervogels" +knit: (function(inputFile, encoding) { + rmarkdown::render(inputFile, + encoding=encoding, + output_dir = paste0("../", + "/output") + )}) + rmarkdown::yaml_front_matter(inputFile)$params$hoofdstuk, +title: "analyse watervogels" +output: + bookdown::word_document2 +editor_options: + chunk_output_type: console +--- + +```{r setup, include=FALSE} + +knitr::opts_chunk$set(echo = FALSE, error=FALSE, warning=FALSE, message=FALSE, cache=FALSE, fig.showtext = TRUE, dpi = 300) + +``` + +```{r libraries} + +library(tidyverse) +library(lubridate) +# library(readxl) +library(INBOtheme) +library(writexl) +library(rprojroot) ## workaround pad +library(RcppRoll) +``` + +```{r pad} + +# inlezen van variabelen +# pad naar data : pad_data +# pad naar tabellen : pad_tabellen +# pad naar figuren : pad_figuren + +source(find_root_file("../pad.R", criterion = is_rstudio_project)) + +pad_data <- maak_pad(params$hoofdstuk, "data") +pad_figuren <- maak_pad(params$hoofdstuk, "figuren") +pad_tabellen <- maak_pad(params$hoofdstuk, "tabellen") + +``` + +```{r data-watervogels inlezen} + +data_watervogels <- + read_delim(paste0(pad_data, "Watervogels_Zeeschelde_Moneos.csv"), + delim = ";") +data_watervogels <- data_watervogels %>% +mutate(telseizoen1 = as.numeric(str_sub(telseizoen, 1, 4))) + + +data_analysesets <- + read_delim(paste0(pad_data, "Watervogels_analysesets.csv"), + delim = ";") +data_analysesets <- data_analysesets %>% +mutate(telseizoen1 = as.numeric(str_sub(telseizoen, 1, 4))) + +Waterbirds <- + read_delim(paste0(pad_data, "Watervogels_all_ruwedata.csv"), + delim = ";")%>% +mutate(telseizoen1 = as.numeric(str_sub(telseizoen, 1, 4))) + +Waterbirds_sigma_estuarien <- + Waterbirds %>% + dplyr::filter(analyseset == "SIGMA_MIDMA") %>% + dplyr::filter(gebiedsgroep == "Ontpoldering" | gebiedsgroep == "GGG") %>% + complete(nesting(gebiedsgroep_code, gebiedsgroep, rivier, gebied, telseizoen, teldatum), + nesting(nednaam, wetnaam, taxongroepcode), + fill = list(0)) + +Waterbirds_sigma_estuarien <- Waterbirds_sigma_estuarien %>% + mutate(maand = month(teldatum)) %>% + dplyr::rename(Sigmagebiedstype = gebiedsgroep) %>% + mutate(niveau3 = case_when( + gebiedsgroep_code == "MH" ~ "Saliniteitsgradient", + gebiedsgroep_code == "OH" ~ "Oligohalien", + gebiedsgroep_code == "ZLVT"~ "Zoet lang verblijf", + gebiedsgroep_code == "ZKVT"~ "Zoet kort verblijf", + gebiedsgroep_code == "Durme"~ "Durme", + gebiedsgroep_code == "Rupel"~ "Rupel", + TRUE ~ "Zoet zijrivier")) %>% + mutate(niveau3 = fct_relevel(niveau3, c("Saliniteitsgradient","Oligohalien","Zoet lang verblijf","Zoet kort verblijf", "Zoet zijrivier"))) + +# data_watervogels_ZSCHss <- +# read_delim(paste0(pad_data, "Watervogels_Zeeschelde_SS.csv"), +# delim = ";") +# +# data_watervogels_sigma <- +# read_delim(paste0(pad_data, "Watervogels_Sigma.csv"), +# delim = ";") +# +# data_watervogels_sigma_zeeschelde <- +# read_delim(paste0(pad_data, "Watervogels_Sigma_zeeschelde.csv"), +# delim = ";") +# +# data_watervogels_sigma_estuarien <- +# read_delim(paste0(pad_data, "Watervogels_Sigma_estuarien.csv"), +# delim = ";") +# +# data_watervogels_sigma_wetland <- +# read_delim(paste0(pad_data, "Watervogels_Sigma_wetland.csv"), +# delim = ";") +# +# data_watervogels_vallei <- +# read_delim(paste0(pad_data, "Watervogels_Vallei.csv"), +# delim = ";") +# data_watervogels_vallei_zeeschelde <- +# read_delim(paste0(pad_data, "Watervogels_Vallei_zeeschelde.csv"), +# delim = ";") +# +# data_watervogels_Zeeschelde_ZR_Sigma <- +# data_watervogels %>% +# bind_rows(data_watervogels_sigma) +# +# data_watervogels_Zeeschelde_Sigma_estuarien <- +# data_watervogels %>% +# dplyr::filter(rivier == "Zeeschelde") %>% +# bind_rows(data_watervogels_sigma_estuarien) +# +# data_watervogels_Zeeschelde_ZR_Sigma_estwet_vallei <- +# data_watervogels %>% +# bind_rows(data_watervogels_sigma_estuarien) %>% +# bind_rows(data_watervogels_sigma_wetland) %>% +# bind_rows(data_watervogels_vallei) +# +# data_watervogels_Zeeschelde_ZR_Sigma_Vallei <- +# data_watervogels_Zeeschelde_ZR_Sigma %>% +# bind_rows(data_watervogels_vallei) +# +# data_watervogels_ZSCH_Sigmass <- +# data_watervogels_ZSCHss %>% +# bind_rows(data_watervogels_sigma_zeeschelde) +# +# data_watervogels_ZSCH_Sigma_valleiss <- +# data_watervogels_ZSCH_Sigmass %>% +# bind_rows(data_watervogels_vallei_zeeschelde) + + +## toevoegen nultellingen (reeds in data script toegevoegd) +# data_watervogels <- +# data_watervogels %>% +# complete(nesting(gebiedsgroep_code, gebiedsgroep, rivier, telseizoen, teldatum), +# nesting(nednaam, wetnaam, taxongroepcode), +# fill = list(aantal = 0)) + +# toevoegen jaar en maand +data_watervogels <- + data_watervogels %>% + mutate(jaar = teldatum %>% + ymd() %>% + year(), + maand = teldatum %>% + ymd() %>% + month()) + +data_analysesets <- + data_analysesets %>% + mutate(jaar = teldatum %>% + ymd() %>% + year(), + maand = teldatum %>% + ymd() %>% + month()) + +Waterbirds <- + Waterbirds %>% + mutate(jaar = teldatum %>% + ymd() %>% + year(), + maand = teldatum %>% + ymd() %>% + month()) + +Waterbirds_sigma_estuarien <- + Waterbirds_sigma_estuarien %>% + mutate(jaar = teldatum %>% + ymd() %>% + year(), + maand = teldatum %>% + ymd() %>% + month()) + +# data_watervogels_Zeeschelde_Sigma_estuarien <- +# data_watervogels_Zeeschelde_Sigma_estuarien %>% +# mutate(jaar = teldatum %>% +# ymd() %>% +# year(), +# maand = teldatum %>% +# ymd() %>% +# month()) +# +# data_watervogels_sigma_estuarien <- +# data_watervogels_sigma_estuarien %>% +# mutate(jaar = teldatum %>% +# ymd() %>% +# year(), +# maand = teldatum %>% +# ymd() %>% +# month()) +# +# data_watervogels_sigma_wetland <- +# data_watervogels_sigma_wetland %>% +# mutate(jaar = teldatum %>% +# ymd() %>% +# year(), +# maand = teldatum %>% +# ymd() %>% +# month()) +# +# data_watervogels_ZSCH_Sigmass <- +# data_watervogels_ZSCH_Sigmass %>% +# mutate(jaar = teldatum %>% +# ymd() %>% +# year(), +# maand = teldatum %>% +# ymd() %>% +# month()) +# +# data_watervogels_ZSCHss <- +# data_watervogels_ZSCHss %>% +# mutate(jaar = teldatum %>% +# ymd() %>% +# year(), +# maand = teldatum %>% +# ymd() %>% +# month()) +# +# data_watervogels_ZSCH_Sigma_valleiss <- +# data_watervogels_ZSCH_Sigma_valleiss %>% +# mutate(jaar = teldatum %>% +# ymd() %>% +# year(), +# maand = teldatum %>% +# ymd() %>% +# month()) +# +# data_watervogels_Zeeschelde_ZR_Sigma <- +# data_watervogels_Zeeschelde_ZR_Sigma %>% +# mutate(jaar = teldatum %>% +# ymd() %>% +# year(), +# maand = teldatum %>% +# ymd() %>% +# month()) +# +# data_watervogels_Zeeschelde_ZR_Sigma_Vallei <- +# data_watervogels_Zeeschelde_ZR_Sigma_Vallei %>% +# mutate(jaar = teldatum %>% +# ymd() %>% +# year(), +# maand = teldatum %>% +# ymd() %>% +# month()) +# +# data_watervogels_Zeeschelde_ZR_Sigma_estwet_vallei <- +# data_watervogels_Zeeschelde_ZR_Sigma_estwet_vallei %>% +# mutate(jaar = teldatum %>% +# ymd() %>% +# year(), +# maand = teldatum %>% +# ymd() %>% +# month()) + + +# vroegste en meest recente telseizoen +vroegste_telseizoen <- + data_watervogels %>% + pull(telseizoen) %>% + unique() %>% + sort() %>% + first() + +laatste_telseizoen <- + data_watervogels %>% + pull(telseizoen) %>% + unique() %>% + sort() %>% + last() + + +# vroegste en meest recente jaar +vroegste_jaar <- + data_watervogels %>% + pull(jaar) %>% + unique() %>% + sort() %>% + first() + +laatste_jaar <- + data_watervogels %>% + pull(jaar) %>% + unique() %>% + sort() %>% + last() + +``` + + +##### testen voor dubbels + +```{r data-controle} + +# testen voor dubbels in tellingen +dubbele_tellingen <- + data_watervogels %>% + group_by_at(vars(-aantal)) %>% + mutate(n = n()) %>% + ungroup() %>% + dplyr::filter(n>1) %>% + arrange() + +``` + +- Er zijn `r nrow(dubbele_tellingen)` dubbele tellingen in de dataset + +##### rivieren in de dataset + +```{r rivieren} + +rivieren <- + data_watervogels %>% + distinct(gebiedsgroep_code, gebiedsgroep, rivier) + +knitr::kable(rivieren) + +``` + +##### gebiedsindeling T2021 + +```{r gebiedsindeling T2021} + +data_gebiedsindeling_T2021 <- + read_delim(paste0(pad_data, "Gebiedsindeling_T2021.csv"), + delim = ";") + +data_gebiedsindeling_T2021 <- + data_gebiedsindeling_T2021 %>% + mutate(rivier = case_when( + niveau4 == "Rupel" ~ "Rupel", + niveau4 == "GetijdeDurme" ~ "Durme", + niveau4 == "GetijdeDijle" ~ "Dijle", + niveau4 == "GetijdeZenne" ~ "Zenne", + niveau4 == "Monding" ~ "Monding", + niveau2 == "Westerschelde" ~"Westerschelde", + TRUE ~ "Zeeschelde" + )) + +data_gebiedsindeling_T2021 <- data_gebiedsindeling_T2021 %>% + rename(gebiedsgroep = krw) %>% + select("niveau1", "niveau2","niveau3", "gebiedsgroep", "rivier") %>% + distinct() %>% + dplyr::filter(gebiedsgroep != "Getijdenetes") + +knitr::kable(data_gebiedsindeling_T2021) + +# +# #### toevoegen gebiedsindeling EMSE +# data_watervogels <- +# data_watervogels %>% +# left_join(data_gebiedsindeling_T2021, na.rm = TRUE) %>% +# mutate(niveau3 = fct_relevel(niveau3, c("Saliniteitsgradient","Oligohalien","Zoet lang verblijf","Zoet kort verblijf", "Rupel","Durme", "Zoet zijrivier"))) +# +# data_watervogels %>% +# distinct(niveau3) +# + + +data_watervogels$niveau3 <- factor(data_watervogels$niveau3, levels = c("Saliniteitsgradient","Oligohalien","Zoet lang verblijf","Zoet kort verblijf", "Rupel","Durme", "Zoet zijrivier")) +data_watervogels$niveau2 <- factor(data_watervogels$niveau2) + +``` + +##### oppervlakte beschikbaar habitat + +```{r data-oppervlakte-slikken} + +data_oppecotoop <- + read_delim(paste0(pad_data, "OppEcotoop2001_19.csv"), + delim = ";") + +# data_oppecotoopKRWZS <- data_oppecotoop %>% +# dplyr::filter(str_detect(Fysiotoop, "slik")) %>% +# group_by(KRWzone,Jaar, Uitbreiding, Natuurlijkheid, Fysiotoop, Geomorf) %>% +# summarise(somha = sum(SomVanShape_Area/10000)) + +data_oppecotoop <- + data_oppecotoop %>% + dplyr::filter(KRWzone != "Tijarm") %>% + mutate(rivier = case_when( + Omes == "Rupel" ~ "Rupel", + KRWzone == "Getijdedurme" ~ "Durme", + TRUE ~ "Zeeschelde" + )) + +data_oppecotoop <- data_oppecotoop %>% + rename(gebiedsgroep = KRWzone) %>% + left_join(data_gebiedsindeling_T2021) %>% + mutate(niveau3 = fct_relevel(niveau3, c("Saliniteitsgradient","Oligohalien","Zoet lang verblijf","Zoet kort verblijf", "Rupel","Durme", "Zoet zijrivier"))) + + +data_oppzachtslikKRWZS <- data_oppecotoop %>% + dplyr::filter(str_detect(Fysiotoop, "slik")) %>% + dplyr::filter(Uitbreiding == 0) %>% ##uitbreidingen worden niet of niet goed geteld vanop de boot bij laagwater + dplyr::filter(str_detect(Ecotoop, "zacht")) %>% + group_by(niveau3,Jaar,telseizoen) %>% + summarise(somha = sum(SomVanShape_Area/10000)) %>% + rename(jaar = Jaar) %>% + ungroup() + +##correctie op Durme slikoppervlakte : stroomopwaartse oppervlakte 4.8ha (ongeveer) er vanaf getrokken +data_oppzachtslikKRWZS <- data_oppzachtslikKRWZS %>% + mutate(somha = case_when(niveau3 == "Durme" ~ somha - 4.8, + TRUE ~ somha)) + + +# data_oppzachtslikKRWZS %>% +# write_delim(paste0(pad_data, "data_oppzachtslikKRWZS.csv"), +# delim = ";") +#we koppelen de data aan volledige jaren (jaar x = juni x tot juli x+1) of aan winterjaar of wintertelseizoen (okt jaar x - mrt jaar x+1) + +###dataset nog niet goed de jaargangen met Zeeschelde III vr 2012,2014,2015,2017,2018 moeten eruit - slechts gedeeltelijke data + # dplyr::filter(KRWzone != "Zeeschelde III + Rupel" + # if Jaar == 2012,) +###dataset ook nog beperkt aantal jaren - meerdere jaren zouden geintepoleerd kunnen worden - nog uit te zoeken hoe je dat in R doet + +# library(zoo) + + +# df %>% +# group_by(variable) %>% +# arrange(variable, event.date) %>% +# mutate(ip.value = na.approx(value, maxgap = 4, rule = 2)) + + +``` + +##### soorten in de dataset + +```{r soorten} + +###opgelet voor de natuurindicator werken we met alle soorten, dus render script zonder selectie op soorten die meer dan 30 keer voorkomen + +# soortnamen +soortnamen <- + data_watervogels %>% + distinct(nednaam, wetnaam) + +#lijst ZS soorten die minstens 30 keer werden waargenomen - EMSE + +overzichtsoorten_analyse <- + data_watervogels %>% + group_by(nednaam) %>% + dplyr::filter(nednaam != "Morinelplevier") %>% + summarise(aantal = sum(aantal, na.rm = TRUE)) %>% + dplyr::filter(aantal > 30) %>% + select(nednaam) %>% + ungroup() + +#ontbreken er soorten waarvan we geen dieet opnamen in data trofische groep? + +# trofische_groep_aanvullen <- +# left_join(overzichtsoorten_analyse, data_trofische_groep) %>% +# dplyr::filter(is.na(trofische_groep)) +# +# # trofische_groep_aanvullen %>% +# # write_delim(paste0(pad_data, "trofischegroepaanvullen.csv"), +# # delim = ";") +# +# Soorten_analyse_trofisch <- +# left_join(overzichtsoorten_analyse, data_trofische_groep) +# +# Soorten_analyse_trofisch %>% +# rename(Soort = nednaam) %>% +# rename(Trofie = trofische_groep) %>% +# rename(Exoot = exoot) %>% +# write_delim(paste0(pad_tabellen, "Soorten_EMSE_analyse.csv"), +# delim = ";") + +###verwijder alle soorten die niet voldoen aan het criterium van minimaal 30 wrn EMSE + +data_watervogels <- data_watervogels %>% + dplyr::filter(nednaam %in% overzichtsoorten_analyse$nednaam) + +geen_trofische_groep <- + data_watervogels %>% + dplyr::filter(is.na(trofische_groep)) %>% + pull(nednaam) %>% + unique() %>% + sort() + +tabel_trofische_groep <- + data_watervogels %>% + dplyr::filter(!is.na(trofische_groep)) %>% + distinct(trofische_groep, nednaam) %>% + group_by(trofische_groep) %>% + summarise(aantal_soorten = n()) %>% + ungroup() + + +``` + +- Er zijn `r nrow(soortnamen)` soorten in de dataset +- `r length(geen_trofische_groep)` soorten hebben geen indicatie van trofische groep + - `r geen_trofische_groep` +- de overige soorten behoren tot volgende trofische groepen + - `r knitr::kable(tabel_trofische_groep)` + +#### shannon diversity + +```{r Shannon index} + +## inclusief exoten, inclusief meeuwen en sternen + +data_watervogels %>% + mutate(telseizoen1 = as.numeric(str_sub(telseizoen, 1, 4))) %>% + dplyr::filter(telseizoen1 %in% c(2001:2021)) %>% + # dplyr::filter(taxongroepcode != "MS") %>% # geen meeuwen of sternen # geen meeuwen of sternen + dplyr::filter(maand %in% c(10:12, 1:3)) %>% + dplyr::filter(gebiedsgroep != "Getijdedurme" | telseizoen1 > 2012) %>% + # dplyr::filter(gebiedsgroep != "Getijdedijle en Getijdezenne") %>% #EMSE rapporteert niet over Dijle en Zenne + dplyr::filter(gebiedsgroep != "Getijdedijle en Getijdezenne" | telseizoen1 != 2006) %>% + group_by(telseizoen1, niveau3) %>% + mutate(totaal = sum(aantal, na.rm = TRUE)) %>% + ungroup() %>% + group_by(telseizoen1, niveau3, nednaam,totaal) %>% + summarise(aantalsp = sum(aantal, na.rm = TRUE)) %>% + dplyr::filter(aantalsp > 0) %>% + mutate(pi = aantalsp/totaal) %>% + mutate(lnpi = log(pi)) %>% + mutate(pilnpi = pi * lnpi) %>% + ungroup() %>% + group_by(telseizoen1, niveau3) %>% + summarise(H_shannon = sum(pilnpi *-1, na.rm = TRUE)) %>% + ungroup() %>% + ggplot(aes(ordered(telseizoen1), H_shannon, group = niveau3, color = niveau3)) + + geom_point(aes(shape = niveau3)) + + geom_line(size = 1) + + labs(x = "telseizoen", + y = "Shannon diversiteit H") + + theme(axis.text.x = element_text(angle = 90), + legend.position = "bottom", + legend.title = element_blank())+ + scale_y_continuous() + +# ggsave(paste0(pad_figuren, "100_figuur_ShannonDiversity_wintervogels.jpg")) +ggsave(paste0(pad_figuren, "100_figuur_ShannonDiversity_wintervogels_metmeeuwen.jpg")) + +levels(data_watervogels$niveau3) + +###facet_wrap figuur +data_watervogels %>% + mutate(telseizoen1 = as.numeric(str_sub(telseizoen, 1, 4))) %>% + dplyr::filter(telseizoen1 %in% c(2009:2021)) %>% + # dplyr::filter(taxongroepcode != "MS") %>% # geen meeuwen of sternen # geen meeuwen of sternen + dplyr::filter(maand %in% c(10:12, 1:3)) %>% + dplyr::filter(gebiedsgroep != "Getijdedurme" | telseizoen1 > 2012) %>% + # dplyr::filter(gebiedsgroep != "Getijdedijle en Getijdezenne") %>% #EMSE rapporteert niet over Dijle en Zenne + dplyr::filter(gebiedsgroep != "Getijdedijle en Getijdezenne" | telseizoen1 != 2006) %>% + group_by(telseizoen1, niveau3) %>% + mutate(totaal = sum(aantal, na.rm = TRUE)) %>% + ungroup() %>% + group_by(telseizoen1, niveau3, nednaam,totaal) %>% + summarise(aantalsp = sum(aantal, na.rm = TRUE)) %>% + dplyr::filter(aantalsp > 0) %>% + mutate(pi = aantalsp/totaal) %>% + mutate(lnpi = log(pi)) %>% + mutate(pilnpi = pi * lnpi) %>% + ungroup() %>% + group_by(telseizoen1, niveau3) %>% + summarise(H_shannon = sum(pilnpi *-1, na.rm = TRUE)) %>% + ungroup() %>% + ggplot(aes(ordered(telseizoen1), H_shannon, group = niveau3)) + + geom_line(size = 1) + + labs(x = "telseizoen", + y = "Shannon diversiteit H") + + theme(axis.text.x = element_text(angle = 90), + legend.position = "bottom", + legend.title = element_blank())+ + scale_y_continuous()+ + facet_wrap(~niveau3) + + + +##grafiek niveau2 +data_watervogels %>% + mutate(telseizoen1 = as.numeric(str_sub(telseizoen, 1, 4))) %>% + dplyr::filter(telseizoen1 %in% c(2001:2021)) %>% + # dplyr::filter(taxongroepcode != "MS") %>% # geen meeuwen of sternen # geen meeuwen of sternen + dplyr::filter(maand %in% c(10:12, 1:3)) %>% + dplyr::filter(gebiedsgroep != "Getijdedurme" | telseizoen1 > 2012) %>% + # dplyr::filter(gebiedsgroep != "Getijdedijle en Getijdezenne") %>% #EMSE rapporteert niet over Dijle en Zenne + group_by(telseizoen1, niveau2) %>% + mutate(totaal = sum(aantal, na.rm = TRUE)) %>% + ungroup() %>% + group_by(telseizoen1, niveau2, nednaam,totaal) %>% + summarise(aantalsp = sum(aantal, na.rm = TRUE)) %>% + dplyr::filter(aantalsp > 0) %>% + mutate(pi = aantalsp/totaal) %>% + mutate(lnpi = log(pi)) %>% + mutate(pilnpi = pi * lnpi) %>% + ungroup() %>% + group_by(telseizoen1, niveau2) %>% + summarise(H_shannon = sum(pilnpi *-1, na.rm = TRUE)) %>% + ungroup() %>% + ggplot(aes(ordered(telseizoen1), H_shannon, group = niveau2, color = niveau2)) + + geom_point(aes(shape = niveau2)) + + geom_line(size = 1) + + labs(x = "telseizoen", + y = "Shannon diversiteit H") + + theme(axis.text.x = element_text(angle = 90), + legend.position = "bottom", + legend.title = element_blank())+ + scale_y_continuous()+ + ylim(0.75, 2.5) + +ggsave(paste0(pad_figuren, "100_figuur_ShannonDiversity_wintervogels_metmeeuwen_niveau2.jpg")) + +``` + +##### figuur maandelijkse totalen wintervogels Zeeschelde + +```{r 100-figuur-maandelijkse-totalen-winter-Zeeschelde, fig.height=5, fig.width=8} + +# data_watervogels %>% +# dplyr::filter(str_detect(gebiedsgroep_code, "ZS")) %>% ##♦dit rekent inclusief rupel +# mutate(datum = paste(jaar, maand, "15", sep = "-") %>% +# ymd()) %>% +# group_by(telseizoen, datum) %>% +# summarise(aantal = sum(aantal)) %>% +# ungroup() %>% +# ggplot(aes(datum, aantal)) + +# geom_col() + +# scale_x_date(date_breaks = "1 year", date_labels = "%Y") + +# labs(x = "datum", y = "aantal") + +# theme(axis.text.x = element_text(angle = 35)) +# probleem met deze figuur is dat sinds het stopzetten van de zomertellingen stroomop Antwerpen de zomercijfers niet meer in 1 figuur kunnen gezien worden - dit kan enkel nog in ZS4 waar jaarrond telling is. + +data_watervogels %>% + dplyr::filter(rivier == "Zeeschelde") %>% + mutate(datum = paste(jaar, maand, "15", sep = "-") %>% + ymd()) %>% + dplyr::filter(maand %in% c(10:12, 1:3)) %>% + # dplyr::filter(teldatum > "2020-06-01") %>% + dplyr::filter(taxongroepcode != "MS") %>% #meeuwen en sternen niet meetellen worden pas sinds 1999 geteld + group_by(telseizoen, datum) %>% + summarise(aantal = sum(aantal, na.rm = TRUE)) %>% + ungroup() %>% + ggplot(aes(datum, aantal)) + + geom_col() + + scale_x_date(date_breaks = "1 year", date_labels = "%Y") + + labs(x = "jaar", y = "aantal") + + theme(axis.text.x = element_text(angle = 90))+ + geom_smooth(aes(color = "trendlijn")) + +ggsave(paste0(pad_figuren, "100_figuur_maandelijkse_totalen_ZSwinter.jpg")) + +data_watervogels %>% + dplyr::filter(rivier == "Zeeschelde") %>% + mutate(datum = paste(jaar, maand, "15", sep = "-") %>% + ymd()) %>% + dplyr::filter(maand %in% c(10:12, 1:3)) %>% + dplyr::filter(teldatum > "2007-06-01") %>% + dplyr::filter(taxongroepcode != "MS") %>% #meeuwen en sternen niet meetellen worden pas sinds 1999 geteld + group_by(telseizoen, datum) %>% + summarise(aantal = sum(aantal, na.rm = TRUE)) %>% + ungroup() %>% + ggplot(aes(datum, aantal)) + + geom_col() + + scale_x_date(date_breaks = "1 year", date_labels = "%Y") + + labs(x = "jaar", y = "aantal") + + theme(axis.text.x = element_text(angle = 90))+ + geom_smooth(aes(color = "trendlijn")) +ggsave(paste0(pad_figuren, "100_figuur_maandelijkse_totalen_ZSwinter_sinds2008.jpg")) + +``` + +##### figuur maandelijkse totalen vogels Zeeschelde IV - Saliniteitsgradiënt + +```{r 100-figuur-maandelijkse-totalen-ZeescheldeIV, fig.height=5, fig.width=8} +data_watervogels %>% + dplyr::filter(gebiedsgroep_code == "ZS4") %>% + mutate(datum = paste(jaar, maand, "15", sep = "-") %>% + ymd()) %>% + # dplyr::filter(maand %in% c(10:12, 1:3)) %>% + dplyr::filter(teldatum < "2023-04-01") %>% + # dplyr::filter(teldatum > "2007-06-01") %>% + dplyr::filter(taxongroepcode != "MS") %>% #meeuwen en sternen niet meetellen worden pas sinds 1999 geteld + group_by(telseizoen,datum) %>% + summarise(aantal = sum(aantal, na.rm = TRUE)) %>% + ungroup() %>% + ggplot(aes(datum, aantal)) + + geom_col() + + scale_x_date(date_breaks = "1 year", date_labels = "%Y") + + labs(x = "jaar", y = "aantal", title = "Maandelijkse totalen saliniteitsgradiënt") + + theme(axis.text.x = element_text(angle = 90))+ + geom_smooth(aes(), color = "red") + +ggsave(paste0(pad_figuren, "100_figuur_maandelijkse_totalen_ZSIV.jpg")) + +data_watervogels %>% + dplyr::filter(gebiedsgroep_code == "ZS4") %>% + mutate(datum = paste(jaar, maand, "15", sep = "-") %>% + ymd()) %>% + # dplyr::filter(maand %in% c(10:12, 1:3)) %>% + dplyr::filter(teldatum > "2007-06-01") %>% + dplyr::filter(teldatum < "2023-04-01") %>% + dplyr::filter(taxongroepcode != "MS") %>% #meeuwen en sternen niet meetellen worden pas sinds 1999 geteld + group_by(telseizoen,datum) %>% + summarise(aantal = sum(aantal, na.rm = TRUE)) %>% + ungroup() %>% + ggplot(aes(datum, aantal)) + + geom_col() + + scale_x_date(date_breaks = "1 year", date_labels = "%Y") + + labs(x = "jaar", y = "aantal", title = "Maandelijkse totalen saliniteitsgradiënt") + + theme(axis.text.x = element_text(angle = 90))+ + geom_smooth(aes(), color = "red") + +ggsave(paste0(pad_figuren, "100_figuur_maandelijkse_totalen_ZSIV_sinds2008.jpg")) + +data_watervogels %>% + dplyr::filter(gebiedsgroep_code == "ZS4") %>% + dplyr::filter(nednaam == "Scholekster") %>% + mutate(datum = paste(jaar, maand, "15", sep = "-") %>% + ymd()) %>% + dplyr::filter(maand %in% c(10:12, 1:3)) %>% + # dplyr::filter(maand %in% c(4:9)) %>% + dplyr::filter(teldatum > "1991-10-01" & teldatum < "2023-04-01") %>% + # dplyr::filter(taxongroepcode != "MS") %>% #meeuwen en sternen niet meetellen worden pas sinds 1999 geteld + group_by(telseizoen,datum) %>% + summarise(aantal = sum(aantal, na.rm = TRUE)) %>% + ungroup() %>% + ggplot(aes(datum, aantal)) + + geom_col() + + scale_x_date(date_breaks = "1 year", date_labels = "%Y") + + labs(title = "scholekster",x = "jaar", y = "aantal") + + theme(axis.text.x = element_text(angle = 90))+ + geom_smooth(aes(), color = "red") + +ggsave(paste0(pad_figuren, "100_figuur_maandelijkse_totalen_saliniteitsgradient_scholekster.jpg")) +``` + +##### figuur maandelijkse totalen vogels Zeeschelde II - Zoet lang - focusgrafieken +```{r 100-figuur-maandelijkse-totalen-ZeescheldeII, fig.height=5, fig.width=8} + +data_watervogels %>% + dplyr::filter(gebiedsgroep_code == "ZS2") %>% + mutate(datum = paste(jaar, maand, "15", sep = "-") %>% + ymd()) %>% + # dplyr::filter(maand %in% c(10:12, 1:3)) %>% + dplyr::filter(teldatum > "2007-06-01") %>% + dplyr::filter(teldatum < "2023-04-01") %>% + dplyr::filter(taxongroepcode != "MS") %>% #meeuwen en sternen niet meetellen worden pas sinds 1999 geteld + group_by(telseizoen,datum) %>% + summarise(aantal = sum(aantal, na.rm = TRUE)) %>% + ungroup() %>% + ggplot(aes(datum, aantal)) + + geom_col() + + scale_x_date(date_breaks = "1 year", date_labels = "%Y") + + labs(x = "jaar", y = "aantal", title = "Maandelijkse totalen zoet lang Boottellingen") + + theme(axis.text.x = element_text(angle = 90))+ + geom_smooth(aes(), color = "red") + +ggsave(paste0(pad_figuren, "100_figuur_maandelijkse_totalen_ZSII_sinds2008.jpg")) + +Waterbirds_all <- + read_delim(paste0(pad_data, "Watervogels_all_ruwedata.csv"), + delim = ";") +Waterbirds_all <- + Waterbirds_all %>% + mutate(jaar = teldatum %>% + ymd() %>% + year(), + maand = teldatum %>% + ymd() %>% + month()) + +Waterbirds_all %>% + dplyr::filter(maand %in% c(10:12, 1:3)) %>% + mutate(telseizoen1 = as.numeric(str_sub(telseizoen, 1, 4))) %>% + # dplyr::filter(telseizoen1 > 2009) %>% + dplyr::filter(analyseset == "SIGMA_MIDMA") %>% + dplyr::filter(gebiedsgroep == "Estuarien" | gebiedsgroep == "Wetland") %>% + dplyr::filter(taxongroepcode != "MS") %>% #meeuwen en sternen niet meetellen worden pas sinds 1999 geteld + dplyr::filter(analyseset == "SIGMA_MIDMA") %>% + group_by(telseizoen, maand, gebiedsgroep_code) %>% + summarise(som = sum(aantal, na.rm = TRUE)) %>% + ungroup() %>% + group_by(telseizoen, gebiedsgroep_code) %>% + summarise(maximum = max(som, na.rm = TRUE)) %>% + ggplot(aes(ordered(telseizoen), maximum)) + + geom_col() + + labs(x = "telseizoen", + y = "wintermaximum per telseizoen") + + facet_wrap(~gebiedsgroep_code, + ncol = 2, scales = "free") + + theme(axis.text.x = element_text(angle = 90)) + +ggsave(paste0(pad_figuren, "100_figuur_wintermaxima_sigma_estuarien_wetland.jpg")) + +table(check$gebiedsgroep_code) + +Waterbirds_all %>% + dplyr::filter(maand %in% c(10:12, 1:3)) %>% + mutate(telseizoen1 = as.numeric(str_sub(telseizoen, 1, 4))) %>% + dplyr::filter(telseizoen1 > 2009) %>% + dplyr::filter(analyseset == "SIGMA_MIDMA") %>% + dplyr::filter(gebiedsgroep == "Estuarien" | gebiedsgroep == "Wetland") %>% + dplyr::filter(taxongroepcode != "MS") %>% #meeuwen en sternen niet meetellen worden pas sinds 1999 geteld + group_by(telseizoen, maand,gebiedsgroep) %>% + summarise(som = sum(aantal, na.rm = TRUE)) %>% + ungroup() %>% + group_by(telseizoen, gebiedsgroep) %>% + summarise(gemiddelde = mean(som, na.rm = TRUE)) %>% + ggplot(aes(ordered(telseizoen), gemiddelde)) + + geom_col() + + labs(x = "telseizoen", + y = "gemiddelde per telseizoen") + + facet_wrap(~gebiedsgroep, + # ncol = 2, scales = "free" + ) + + theme(axis.text.x = element_text(angle = 90)) + + + +Waterbirds_sigma_estuarien %>% + dplyr::filter(maand %in% c(10:12, 1:3)) %>% + mutate(telseizoen1 = as.numeric(str_sub(telseizoen, 1, 4))) %>% + # dplyr::filter(telseizoen1 > 2009) %>% + dplyr::filter(taxongroepcode != "MS") %>% #meeuwen en sternen niet meetellen worden pas sinds 1999 geteld + group_by(telseizoen, maand, gebiedsgroep_code) %>% + summarise(som = sum(aantal, na.rm = TRUE)) %>% + ungroup() %>% + group_by(telseizoen, gebiedsgroep_code) %>% + summarise(maximum = max(som, na.rm = TRUE)) %>% + ggplot(aes(ordered(telseizoen), maximum)) + + geom_col() + + labs(x = "telseizoen", + y = "wintermaximum per telseizoen Sigma estuarien") + + facet_wrap(~gebiedsgroep_code, + ncol = 2, scales = "free") + + theme(axis.text.x = element_text(angle = 90)) + +Waterbirds_sigma_estuarien %>% + dplyr::filter(maand %in% c(10:12, 1:3)) %>% + mutate(telseizoen1 = as.numeric(str_sub(telseizoen, 1, 4))) %>% + # dplyr::filter(telseizoen1 > 2009) %>% + dplyr::filter(taxongroepcode != "MS") %>% #meeuwen en sternen niet meetellen worden pas sinds 1999 geteld + group_by(telseizoen, maand, gebiedsgroep_code) %>% + summarise(som = sum(aantal, na.rm = TRUE)) %>% + ungroup() %>% + group_by(telseizoen, gebiedsgroep_code) %>% + summarise(gemiddelde = mean(som, na.rm = TRUE)) %>% + ggplot(aes(ordered(telseizoen), gemiddelde)) + + geom_col() + + labs(x = "telseizoen", + y = "gemiddelde per telseizoen Sigma estuarien") + + facet_wrap(~gebiedsgroep_code, + ncol = 2, scales = "free") + + theme(axis.text.x = element_text(angle = 90)) + +``` + + +```{r 100-figuur-maandelijkse-wintertotalen-KRWzones} +data_watervogels %>% + # dplyr::filter(gebiedsgroep_code == "ZS4") %>% + mutate(datum = paste(jaar, maand, "15", sep = "-") %>% + ymd()) %>% + dplyr::filter(maand %in% c(10:12, 1:3)) %>% + dplyr::filter(teldatum > "2005-10-01" & teldatum < "2022-04-01") %>% # + dplyr::filter(taxongroepcode != "MS") %>% #meeuwen en sternen niet meetellen worden pas sinds 1999 geteld + dplyr::filter(nednaam =="Wintertaling") %>% + group_by(telseizoen,datum,gebiedsgroep_code, niveau3) %>% + summarise(aantal = sum(aantal, na.rm = TRUE)) %>% + ungroup() %>% + ggplot(aes(datum, aantal)) + + geom_col() + + scale_x_date(date_breaks = "1 month", date_labels = "%m%Y") + + labs(x = "jaar", y = "aantal") + + theme(axis.text.x = element_text(angle = 90))+ + geom_smooth(aes(color = "trendlijn")) + + facet_wrap(~niveau3, ncol = 2, scales = "free") + + + +``` + +##### figuur verhouding aantallen + +```{r 100-figuur-verhouding-aantallen, fig.height=5, fig.width=8} + +# figuur met gemiddelde over tellingen per seizoen en gebiedsgroep +data_watervogels %>% + dplyr::filter(maand %in% c(10:12, 1:3)) %>% + dplyr::filter(taxongroepcode != "MS") %>% #meeuwen en sternen niet meetellen worden pas sinds 1999 geteld + mutate(telseizoen1 = as.numeric(str_sub(telseizoen, 1, 4))) %>% + # dplyr::filter(gebiedsgroep != "Getijdedurme" | telseizoen1 > 2012) %>% #Het telgebied oude durme en durme was vroeger samengeteld - dat is een probleem voor de estuariene evaluatie vn de watervogels + dplyr::filter(rivier =="Zeeschelde") %>% + group_by(telseizoen, niveau3, rivier) %>% + summarise(aantal = mean(aantal, na.rm = TRUE)) %>% + ungroup() %>% + group_by(telseizoen, niveau3) %>% + summarise(aantal = mean(aantal, na.rm = TRUE)) %>% + ungroup() %>% + ggplot(aes(ordered(telseizoen), aantal, fill = niveau3)) + + geom_col(position = "fill") + + scale_y_continuous(breaks = seq(0,1,0.1), labels = paste0(seq(0,100,10),"%")) + + scale_fill_manual(values = inbo_palette()) + + labs(x = "telseizoen", + y = "") + + theme(axis.text.x = element_text(angle = 90), + legend.position = "bottom", + legend.title = element_blank()) + +ggsave(paste0(pad_figuren, "100_figuur_verhouding_aantallen_niveau3Zeeschelde.jpg")) + +# dit is de oorspronkelijke figuur met de som over alle tellingen +# data_watervogels %>% +# dplyr::filter(maand %in% c(10:12, 1:3)) %>% +# group_by(telseizoen, gebiedsgroep) %>% +# summarise(aantal = sum(aantal, na.rm = TRUE)) %>% +# ungroup() %>% +# ggplot(aes(ordered(telseizoen), aantal, fill = gebiedsgroep)) + +# geom_col(position = "fill") + +# scale_y_continuous(breaks = seq(0,1,0.1), labels = paste0(seq(0,100,10),"%")) + +# scale_fill_manual(values = inbo.2015.colours()) + +# labs(x = "telseizoen", y = "") + +# theme(axis.text.x = element_text(angle = 35), +# legend.position = "bottom", +# legend.title = element_blank()) + +``` + +##### figuur wintermaxima Zeeschelde + +```{r 100-figuur-wintermaxima-Zeeschelde, fig.height=6, fig.width=8} + + +# figuur met max over tellingen per seizoen en gebiedsgroep + +data_watervogels %>% + dplyr::filter(rivier == "Zeeschelde") %>% + dplyr::filter(maand %in% c(10:12, 1:3)) %>% + dplyr::filter(taxongroepcode != "MS") %>% #meeuwen en sternen niet meetellen worden pas sinds 1999 geteld + group_by(telseizoen, maand) %>% + summarise(som = sum(aantal, na.rm = TRUE)) %>% + ungroup() %>% + group_by(telseizoen) %>% + summarise(maximum = max(som, na.rm = TRUE)) %>% + ggplot(aes(ordered(telseizoen), maximum)) + + geom_col() + + labs(x = "telseizoen", + y = "wintermaximum per telseizoen") + + theme(axis.text.x = element_text(angle = 90)) + +ggsave(paste0(pad_figuren, "100_figuur_wintermaxima_Zeeschelde.jpg")) + +wintermaximumZS <- data_watervogels %>% + dplyr::filter(rivier == "Zeeschelde") %>% + dplyr::filter(maand %in% c(10:12, 1:3)) %>% + dplyr::filter(taxongroepcode != "MS") %>% #meeuwen en sternen niet meetellen worden pas sinds 1999 geteld + group_by(telseizoen, maand) %>% + summarise(som = sum(aantal, na.rm = TRUE)) %>% + ungroup() %>% + group_by(telseizoen) %>% + summarise(maximum = max(som, na.rm = TRUE)) + +knitr::kable(wintermaximumZS) + +# tabel met maximum per jaar en in welke maand dit viel +# tabel waarin geteld wordt in welke maand het maximum valt per seizoen /// lukt me niet direct om de code goed te krijgen +# wintermaximummaandZS <- data_watervogels %>% +# dplyr::filter(rivier == "Zeeschelde") %>% +# dplyr::filter(maand %in% c(10:12, 1:3)) %>% +# dplyr::filter(taxongroepcode != "MS") %>% #meeuwen en sternen niet meetellen worden pas sinds 1999 geteld +# group_by(telseizoen, maand) %>% +# summarise(som = sum(aantal, na.rm = TRUE)) %>% +# ungroup() %>% +# group_by(maand, som) %>% +# summarise(maandmax = count(som, na.rm = TRUE)) +# +# knitr::kable(wintermaximummaandZS) +``` + +##### figuur wintermaxima KRW + +```{r 100-figuur-wintermaxima-KRWzones, fig.height=6, fig.width=8} + + +# figuur met max over tellingen per seizoen en gebiedsgroep + +data_watervogels %>% + dplyr::filter(maand %in% c(10:12, 1:3)) %>% + dplyr::filter(taxongroepcode != "MS") %>% #meeuwen en sternen niet meetellen worden pas sinds 1999 geteld + mutate(telseizoen1 = as.numeric(str_sub(telseizoen, 1, 4))) %>% + dplyr::filter(telseizoen1 > 2008) %>% + dplyr::filter(gebiedsgroep != "Getijdedurme" | telseizoen1 > 2012) %>% #Het telgebied oude durme en durme was vroeger samengeteld - dat is een probleem voor de estuariene evaluatie vn de watervogels + group_by(telseizoen, niveau3, maand) %>% + summarise(som = sum(aantal, na.rm = TRUE)) %>% + ungroup() %>% + group_by(telseizoen, niveau3) %>% + summarise(maximum = max(som, na.rm = TRUE)) %>% + ggplot(aes(ordered(telseizoen), maximum)) + + geom_col() + + labs(x = "telseizoen", + y = "wintermaximum per telseizoen") + + facet_wrap(~niveau3, + ncol = 2, scales = "free") + + theme(axis.text.x = element_text(angle = 90)) + +ggsave(paste0(pad_figuren, "100_figuur_wintermaxima_niveau3.jpg")) + + +``` + +##### figuur wintermaxima zijrivieren + +```{r 100-figuur-wintermaxima-zijrivieren, fig.height=6, fig.width=8} + +# figuur met max over tellingen per seizoen en gebiedsgroep + +data_watervogels %>% + dplyr::filter(maand %in% c(10:12, 1:3)) %>% + mutate(telseizoen1 = as.numeric(str_sub(telseizoen, 1, 4))) %>% + dplyr::filter(gebiedsgroep != "Getijdedurme" | telseizoen1 > 2012) %>% + dplyr::filter(taxongroepcode != "MS") %>% #meeuwen en sternen niet meetellen worden pas sinds 1999 geteld + group_by(telseizoen, rivier, maand) %>% + summarise(som = sum(aantal, na.rm = TRUE)) %>% + ungroup() %>% + group_by(telseizoen, rivier) %>% + summarise(maximum = max(som, na.rm = TRUE)) %>% + ggplot(aes(ordered(telseizoen), maximum)) + + geom_col() + + labs(x = "telseizoen", + y = "wintermaximum per telseizoen") + + facet_wrap(~rivier, + ncol = 2, scales = "free") + + theme(axis.text.x = element_text(angle = 90)) + +ggsave(paste0(pad_figuren, "100_figuur_wintermaxima_rivier.jpg")) +``` + +#### Watervogels Sigma estuarien en wetlands + +```{r winteraantallen Sigma} + +table(Waterbirds$analyseset) +table(Waterbirds$gebiedsgroep) + +Waterbirds %>% + dplyr::filter(maand %in% c(10:12, 1:3)) %>% + mutate(telseizoen1 = as.numeric(str_sub(telseizoen, 1, 4))) %>% + # dplyr::filter(telseizoen1 > 2009) %>% + dplyr::filter(analyseset == "SIGMA_MIDMA") %>% + dplyr::filter(gebiedsgroep == "Estuarien" | gebiedsgroep == "Wetland") %>% + dplyr::filter(taxongroepcode != "MS") %>% #meeuwen en sternen niet meetellen worden pas sinds 1999 geteld + group_by(telseizoen, maand, gebiedsgroep) %>% + summarise(som = sum(aantal, na.rm = TRUE)) %>% + ungroup() %>% + group_by(telseizoen, gebiedsgroep) %>% + summarise(maximum = max(som, na.rm = TRUE)) %>% + ggplot(aes(ordered(telseizoen), maximum)) + + geom_col() + + labs(x = "telseizoen", + y = "wintermaximum per telseizoen") + + facet_wrap(~gebiedsgroep, + # ncol = 2, scales = "free" + ) + + theme(axis.text.x = element_text(angle = 90)) + +ggsave(paste0(pad_figuren, "100_figuur_wintermaxima_sigma_estuarien_wetland.jpg")) + +# Waterbirds %>% +# dplyr::filter(maand %in% c(10:12, 1:3)) %>% +# mutate(telseizoen1 = as.numeric(str_sub(telseizoen, 1, 4))) %>% +# dplyr::filter(telseizoen1 > 2009) %>% +# dplyr::filter(analyseset == "SIGMA_MIDMA") %>% +# dplyr::filter(gebiedsgroep == "Wetland") %>% +# dplyr::filter(taxongroepcode != "MS") %>% #meeuwen en sternen niet meetellen worden pas sinds 1999 geteld +# group_by(telseizoen, maand, gebiedsgroep, gebiedsgroep_code) %>% +# summarise(som = sum(aantal, na.rm = TRUE)) %>% +# ungroup() %>% +# group_by(telseizoen, gebiedsgroep, gebiedsgroep_code) %>% +# summarise(maximum = max(som, na.rm = TRUE)) %>% +# ggplot(aes(ordered(telseizoen), maximum)) + +# geom_col() + +# labs(x = "telseizoen", +# y = "wintermaximum per telseizoen") + +# facet_wrap(~gebiedsgroep_code, +# # ncol = 2, scales = "free" +# ) + +# theme(axis.text.x = element_text(angle = 90)) + + +Waterbirds %>% + dplyr::filter(maand %in% c(10:12, 1:3)) %>% + mutate(telseizoen1 = as.numeric(str_sub(telseizoen, 1, 4))) %>% + # dplyr::filter(telseizoen1 > 2009) %>% + dplyr::filter(analyseset == "SIGMA_MIDMA") %>% + dplyr::filter(gebiedsgroep == "Estuarien") %>% + dplyr::filter(taxongroepcode != "MS") %>% #meeuwen en sternen niet meetellen worden pas sinds 1999 geteld + group_by(telseizoen, maand, gebiedsgroep) %>% + summarise(som = sum(aantal, na.rm = TRUE)) %>% + ungroup() %>% + group_by(telseizoen, gebiedsgroep) %>% + summarise(maximum = max(som, na.rm = TRUE)) %>% + ggplot(aes(ordered(telseizoen), maximum)) + + geom_col() + + labs(x = "telseizoen", + y = "wintermaximum per telseizoen") + + theme(axis.text.x = element_text(angle = 90)) + +ggsave(paste0(pad_figuren, "100_figuur_wintermaxima_sigma_estuarien.jpg")) +``` + +#### details Sigmagebieden + +```{r detail sigmagebieden} + +check <- Waterbirds_sigma_estuarien %>% + dplyr::filter(maand %in% c(10:12, 1:3)) %>% + mutate(telseizoen1 = as.numeric(str_sub(telseizoen, 1, 4))) %>% + dplyr::filter(telseizoen1 > 2009) %>% + group_by(telseizoen1, maand, gebied) %>% + summarise(som = sum(aantal, na.rm = TRUE)) %>% + ungroup() %>% + group_by(telseizoen1, gebied) %>% + summarise(maximum = max(som, na.rm = TRUE)) + +table(Waterbirds_sigma_estuarien$gebied) + +Waterbirds_sigma_estuarien <-Waterbirds_sigma_estuarien %>% +mutate(gebied = fct_relevel(gebied, c("Molen / Potpolder LILLO", "Burchtse Weel - Getijdengebied","GOG-GGG Kruibeekse Polder","GOG-GGG Bazelse Polder Noord","Bazelse Kreek KRUIBEKE", "Kruibeekse Kreek KRUIBEKE","Lippensbroek HAMME","Groot Schoor HAMME", "Bergenmeersen WICHELEN","Wijmeers-Ontpoldering UITBERGEN", "Ontpoldering Heusdenbrug (vroeger Driehoekig Plasje) HEUSDEN", "GGG Zennegat MECHELEN"))) + +Waterbirds_sigma_estuarien %>% + dplyr::filter(maand %in% c(10:12, 1:3)) %>% + mutate(telseizoen1 = as.numeric(str_sub(telseizoen, 1, 4))) %>% + dplyr::filter(telseizoen1 > 2009) %>% + group_by(telseizoen1, maand, gebied, Sigmagebiedstype) %>% + summarise(som = sum(aantal, na.rm = TRUE)) %>% + ungroup() %>% + group_by(telseizoen1, gebied, Sigmagebiedstype) %>% + summarise(maximum = max(som, na.rm = TRUE)) %>% + ggplot(aes(as.factor(telseizoen1), maximum, colour = Sigmagebiedstype)) + + geom_line(aes(group = 1)) + + # geom_point()+ + facet_wrap(~gebied, scales = "free")+ + theme(axis.text.x = element_text(angle = 90)) + + + +ggsave(paste0(pad_figuren, "100_figuur_wintermaxima_sigmagebieden_estuarien.jpg"), width = 30, height = 15, units = "cm" ) + +Waterbirds_sigma_estuarien %>% + dplyr::filter(maand %in% c(10:12, 1:3)) %>% + mutate(telseizoen1 = as.numeric(str_sub(telseizoen, 1, 4))) %>% + dplyr::filter(telseizoen1 > 2009) %>% + group_by(telseizoen1, maand, gebied, Sigmagebiedstype) %>% + summarise(som = sum(aantal, na.rm = TRUE)) %>% + ungroup() %>% + group_by(telseizoen1, gebied, Sigmagebiedstype) %>% + summarise(gemiddelde = mean(som, na.rm = TRUE)) %>% + ggplot(aes(as.factor(telseizoen1), gemiddelde, colour = Sigmagebiedstype)) + + geom_line(aes(group = 1)) + + # geom_point()+ + facet_wrap(~gebied, scales = "free")+ + theme(axis.text.x = element_text(angle = 90)) + +``` + +#### Natuurindicator berekening IHD-Z + +```{r wintermaximum-Natuurindicatorberekening, fig.height=6, fig.width=8} + +# IHD-Z: gemiddelde van de seizoensmaxima (excl. meeuwen) over de laatse 5 seizoenen mag niet minder zijn dan 40 000. Dit criterium is afgeleid van de aantallen op de Zeeschelde maar de doelen moeten gehaald worden binnen werkingsgebied IHD-Z +# er is ook een criterium voor het seizoensminimum voor de Zeeschelde (3500) maar door het terugschroeven van de monitoring kan dit niet meer berekend worden (en in de sigma en vallei gebieden is er geen systematische jaarrond watervogeltelling als je dit zou willen evalueren op het volledige IHD-Z gebied) + +##pas telseizoen1 aan! + +SeizMax <- function(data, type){ + data %>% + mutate(telseizoen1 = as.numeric(str_sub(telseizoen, 1, 4))) %>% + dplyr::filter(telseizoen1 %in% c(1991:2022)) %>% + dplyr::filter(taxongroepcode != "MS") %>% # geen meeuwen of sternen # geen meeuwen of sternen + dplyr::filter(maand %in% c(10:12, 1:3)) %>% + group_by(telseizoen1, maand) %>% + summarise(aantal = sum(aantal, na.rm = TRUE)) %>% + group_by(telseizoen1) %>% + summarise(Wmax = max(aantal, na.rm = TRUE)) %>% + mutate(type = type) +} + +Wmax_Zsch <- data_watervogels %>% + dplyr::filter(rivier == "Zeeschelde") %>% + SeizMax("Zeeschelde") #zonder de boottellingen op de rupel + +##voor natuurindicator met zijrivieren +Wmax_Zsch_ZR <- data_watervogels %>% + SeizMax("Zeeschelde + zijrivieren") +Wmax_Zsch_ZR_Sigma <- Waterbirds %>% + dplyr::filter(analyseset != "VALLEI_MIDMA") %>% + dplyr::filter(gebiedsgroep_code == "ZSEST"| gebiedsgroep_code == "WETL" ) %>% + group_by(telseizoen1, + gebiedsgroep_code, + gebiedsgroep, + rivier, + telseizoen, + teldatum, + nednaam, + taxongroepcode, + maand) %>% + summarise(aantal = sum(aantal)) %>% + SeizMax("Zeeschelde + zijrivieren + Sigma") + + +table(Waterbirds$gebiedsgroep_code) + +Wmax_Zsch_boottelling <- Waterbirds %>% + dplyr::filter(gebiedsgroep_code == "ZSEST") %>% + dplyr::filter(analyseset == "boottelling") %>% + group_by(telseizoen1, + gebiedsgroep_code, + gebiedsgroep, + rivier, + telseizoen, + teldatum, + nednaam, + taxongroepcode, + maand) %>% + summarise(aantal = sum(aantal)) %>% + SeizMax("Zeeschelde_Rupelboottelling") #met boottellingen op Rupel + +# Wmax_Zsch_boottellingss <- data_analysesets %>% +# dplyr::filter(analyseset == "boottelling") %>% +# dplyr::filter(gebiedsgroep_code == "ZSEST") %>% +# dplyr::filter(rivier == "Zeeschelde") %>% +# group_by(telseizoen1, +# gebiedsgroep_code, +# gebiedsgroep, +# rivier, +# telseizoen, +# teldatum, +# nednaam, +# taxongroepcode, +# maand) %>% +# summarise(aantal = sum(aantal)) %>% +# SeizMax("Zeeschelde_boottellingss") + + +#wwintermaximum Zeeschelde (zonder ZR) en sigmagebieden estuarien (langs Zeeschelde) +Wmax_Zsch_Sigma_estuarien <- Waterbirds %>% + dplyr::filter(analyseset == "boottelling" | analyseset == "SIGMA_MIDMA") %>% + dplyr::filter(gebiedsgroep_code == "ZSEST" ) %>% + dplyr::filter(rivier == "Zeeschelde") %>% + group_by(telseizoen1, + gebiedsgroep_code, + gebiedsgroep, + rivier, + telseizoen, + teldatum, + nednaam, + taxongroepcode, + maand) %>% + summarise(aantal = sum(aantal)) %>% + SeizMax("Zeeschelde_boottelling_Sigma_estuarien") + +#wwintermaximum Zeeschelde (zonder ZR) en sigmagebieden estuarien (langs Zeeschelde) +Wmax_Zsch_Sigma_estuarien_wetland <- Waterbirds %>% + dplyr::filter(analyseset == "boottelling" | analyseset == "SIGMA_MIDMA") %>% + dplyr::filter(gebiedsgroep_code == "ZSEST"| gebiedsgroep_code == "WETL" ) %>% + dplyr::filter(rivier == "Zeeschelde") %>% + group_by(telseizoen1, + gebiedsgroep_code, + gebiedsgroep, + rivier, + telseizoen, + teldatum, + nednaam, + taxongroepcode, + maand) %>% + summarise(aantal = sum(aantal)) %>% + SeizMax("Zeeschelde_boottelling_Sigma_estuarien_wetland") + + + + + + + + +``` + +```{r bereken glijdendgemiddel met CI, include=FALSE} +# Bereken glijdend gemiddelde met CI +# data = tibble, x = column for x-data, value = column with data for rolling mean, n = width of average(window size) +mav_wm <- function(data, x, value, n){ + rol <- data %>% + mutate(x = x, + v = value, + m = roll_mean(value,n=n, fill = NA), + sd = roll_sd(value,n=n, fill = NA), + ci_min = m + 1.96*sd/sqrt(n), + ci_max = m - 1.96*sd/sqrt(n)) +} +mav_Zsc <- Wmax_Zsch %>% mav_wm(.$telseizoen1, .$Wmax, 5) +mav_Zscboottelling <- Wmax_Zsch_boottelling %>% mav_wm(.$telseizoen1, .$Wmax, 5) +mav_ZschSigma_estuarien <- Wmax_Zsch_Sigma_estuarien %>% mav_wm(.$telseizoen1, .$Wmax, 5) +mav_ZschSigma_estuarien_wetland <- Wmax_Zsch_Sigma_estuarien_wetland %>% mav_wm(.$telseizoen1, .$Wmax, 5) + +##voor natuurindicator +mav_Zsc_ZR <- Wmax_Zsch_ZR %>% mav_wm(.$telseizoen1, .$Wmax, 5) + +mav_Zsc_ZR %>% write_delim(paste0(pad_tabellen, "mav_Zsc_ZR.csv", row.names=FALSE, delim = ";")) +mav_Zsc_ZR %>% write_tsv(paste0(pad_tabellen, "mav_Zsc_ZR.tsv")) +mav_Zsc_ZR_Sigma <- Wmax_Zsch_ZR_Sigma %>% mav_wm(.$telseizoen1, .$Wmax, 5) +mav_Zsc_ZR_Sigma %>% write_tsv(paste0(pad_tabellen, "mav_Zsc_ZR_Sigma.tsv")) + +# mav_ZscZRSigmaVallei <- Wmax_ZschZRSigmaVallei %>% mav_wm(.$telseizoen1, .$Wmax, 5) +# mav_ZscSigma <- Wmax_Zsch_Sigma %>% mav_wm(.$telseizoen1, .$Wmax, 5) +# mav_ZscSigmaVallei <- Wmax_Zsch_Sigma_vallei %>% mav_wm(.$telseizoen1, .$Wmax, 5) + + +# mav_Zsc %>% +# write_delim(paste0(pad_data, "mav_Zsc.csv"), +# delim = ";") + +# mav_ZscZR %>% +# write_delim(paste0(pad_data, "mav_ZscZR.csv"), +# delim = ";") +# +# mav_ZscZRSigma %>% +# write_delim(paste0(pad_data, "mav_ZscZRSigma.csv"), +# delim = ";") +# +# mav_ZscZRSigmaVallei %>% +# write_delim(paste0(pad_data, "mav_ZscZRSigmaVallei.csv"), +# delim = ";") + +# Doelstelling "Zeeschelde IHD-Z" bepaald op basis van winterseizoens glijdend gemiddelde (n=5) tussen 1995-2005 aantal vogels + +#enkel langsheen de Zeeschelde (excl. rupel) +mav_Zsc %>% + dplyr::filter(telseizoen1%in% c(1995:2005)) %>% + summarise(doel = mean(m, na.rm = TRUE)) %>% + pull() + +#enkel langsheen de Zeeschelde (incl. rupel) +mav_Zscboottelling %>% + dplyr::filter(telseizoen1%in% c(1995:2005)) %>% + summarise(doel = mean(m, na.rm = TRUE)) %>% + pull() + +##enkel berekend in de Zeeschelde vallei ss (sigmagebieden langs Zeeschelde) +# mav_ZscSigma %>% +# dplyr::filter(telseizoen1%in% c(1995:2005)) %>% +# summarise(doel = mean(m, na.rm = TRUE)) %>% +# pull() +# +# mav_ZscSigmaVallei%>% +# dplyr::filter(telseizoen1%in% c(1995:2005)) %>% +# summarise(doel = mean(m, na.rm = TRUE)) %>% +# pull() + +#gemiddelde max winterseizoen 1995-2005 Zeeschelde is 41926 (43952 als ook de boottellingen langsheen de Rupel beschouwd) - het doel is destijds afgerond naar onder en nu verondersteld als te behalen doelstelling binnen Zeeschelde + zijrivieren + Sigmagebieden (wetland + ontpoldering) (maar niet binnen de vallei IHD-Z contour) + +# mav_ZscZR %>% +# dplyr::filter(telseizoen1%in% c(1995:2005)) %>% +# summarise(doel = mean(m, na.rm = TRUE)) +# +# mav_ZscZRSigma %>% +# dplyr::filter(telseizoen1%in% c(1995:2005)) %>% +# summarise(doel = mean(m, na.rm = TRUE)) +# +# mav_ZscZRSigmaVallei %>% +# dplyr::filter(telseizoen1%in% c(1995:2005)) %>% +# summarise(doel = mean(m, na.rm = TRUE)) + + +``` + +```{r plotfunctie natuurindicator, include=FALSE} +# Plot glijdend gemiddelde + +# plot_mav <- function(data){ +# if(n_distinct(data$type)<2){ +# data %>% ggplot(aes(x=x)) + +# geom_errorbar(aes(ymin=ci_min, ymax=ci_max), width=.2) + +# geom_point(aes(y=m), size = 2.5, color="blue") + +# geom_line(aes(y=m), color="blue") + +# geom_hline(yintercept = 40000, linetype = 2, size = 1.4) + +# labs(y = "Wintermaximum") + +# scale_x_continuous(breaks = seq(1990, 2020, by = 5)) + +# scale_y_continuous(breaks = seq(0, 85000, by = 20000), +# limits = c(0, 85000)) + +# theme(axis.title.x = element_blank()) } +# else{ +# data %>% ggplot(aes(x=x)) + +# geom_errorbar(aes(ymin=ci_min, ymax=ci_max, color = type), width=.2, +# position=position_dodge(0.1)) + +# geom_point(aes(y=m, color = type), size = 2.5) + +# geom_line(aes(y=m, color = type)) + +# geom_hline(yintercept = 40000, linetype = 2, size = 1.4) + +# labs(y = "Wintermaximum") + +# scale_x_continuous(breaks = seq(1990, 2020, by = 5)) + +# scale_y_continuous(breaks = seq(0, 85000, by = 20000), +# limits = c(0, 85000)) + +# theme(axis.title.x = element_blank()) + +# scale_color_manual(values=c("blue", "red"))+ +# theme(legend.title=element_blank(), +# legend.position="top") } +# } + +plot_mav <- function(data){ + if(n_distinct(data$type)<2){ + data %>% ggplot(aes(x=x)) + + geom_errorbar(aes(ymin=ci_min, ymax=ci_max), width=.2) + + geom_point(aes(y=m), size = 2.5, color="blue") + + geom_line(aes(y=m), color="blue") + + # geom_hline(yintercept = 40000, linetype = 2, size = 1.4) + + labs(y = "Wintermaximum") + + scale_x_continuous(breaks = seq(1990, 2021, by = 5)) + + scale_y_continuous(breaks = seq(0, 85000, by = 20000), + limits = c(0, 85000)) + + theme(axis.title.x = element_blank()) + }else if(n_distinct(data$type)>1 & n_distinct(data$type)<3){ + data %>% ggplot(aes(x=x)) + + geom_errorbar(aes(ymin=ci_min, ymax=ci_max, color = type), width=.2, + position=position_dodge(0.1)) + + geom_point(aes(y=m, color = type), size = 2.5) + + geom_line(aes(y=m, color = type)) + + # geom_hline(yintercept = 40000, linetype = 2, size = 1.4) + + labs(y = "Wintermaximum") + + scale_x_continuous(breaks = seq(1990, 2021, by = 5)) + + scale_y_continuous(breaks = seq(0, 85000, by = 20000), + limits = c(0, 85000)) + + theme(axis.title.x = element_blank()) + + scale_color_manual(values=c("blue", "red"))+ + theme(legend.title=element_blank(), + legend.position="top") + }else{ + data %>% ggplot(aes(x=x)) + + geom_errorbar(aes(ymin=ci_min, ymax=ci_max, color = type), width=.2, + position=position_dodge(0.1)) + + geom_point(aes(y=m, color = type), size = 2.5) + + geom_line(aes(y=m, color = type)) + + # geom_hline(yintercept = 40000, linetype = 2, size = 1.4) + + labs(y = "Wintermaximum") + + scale_x_continuous(breaks = seq(1990, 2021, by = 5)) + + scale_y_continuous(breaks = seq(0, 85000, by = 20000), + limits = c(0, 85000)) + + theme(axis.title.x = element_blank()) + + scale_color_manual(values=c("blue", "red","green"))+ + theme(legend.title=element_blank(), + legend.position="top") + } + } +``` + +```{r 100-figuur-wintermaximum-Natuurindicatorberekening, fig.height=6, fig.width=15} + +# , fig.cap="Vijfjarig glijdend gemiddelde van het wintermaximum van het totaal aantal watervogels in de getijderivieren van het Zeeschelde-estuarium." + +# mav_Zsc %>% +# dplyr::filter(telseizoen1%in% c(1995:2005)) %>% +# plot_mav() +# ggsave(paste0(pad_figuren, "100_figuur_Natuurindicator_glijdendgemiddelde_ZS_doelIHD.jpg")) +# +# # mav_Zsc %>% bind_rows(mav_ZscSigma) %>% +# # plot_mav() +# + +mav_Zsc %>% plot_mav() + +mav_Zsc %>% bind_rows(mav_ZschSigma_estuarien) %>% plot_mav() +ggsave(paste0(pad_figuren, "100_figuur_Natuurindicator_glijdendgemiddelde_Zeeschelde_estuarien.jpg")) + +mav_Zsc_ZR %>% plot_mav() +mav_Zsc_ZR %>% bind_rows(mav_Zsc_ZR_Sigma) %>% + plot_mav() + +ggsave(paste0(pad_figuren, "100_figuur_Natuurindicator_website2022.png"), width = 30, height = 15, units = "cm") + +mav_Zsc %>% bind_rows(mav_ZschSigma_estuarien) %>% bind_rows(mav_ZschSigma_estuarien_wetland) %>% plot_mav() +ggsave(paste0(pad_figuren, "100_figuur_Natuurindicator_ZeescheldeSS_estuarien_Wetland.png"), width = 30, height = 15, units = "cm") + +# +# mav_Zsc %>% bind_rows(mav_ZscSigma) %>% bind_rows(mav_ZscSigmaVallei) %>% +# plot_mav() +# ggsave(paste0(pad_figuren, "100_figuur_Natuurindicator_glijdendgemiddelde_Zeeschelde_sensustricto.jpg")) +# +# +# mav_ZscZR %>% plot_mav() +# +# ggsave(paste0(pad_figuren, "100_figuur_Natuurindicator_glijdendgemiddelde_ZSZR.jpg")) +# +# mav_ZscZR %>% bind_rows(mav_ZscZRSigma) %>% +# plot_mav() +# +# ggsave(paste0(pad_figuren, "100_figuur_Natuurindicator_glijdendgemiddelde_ZSZR_Sigma.jpg")) +# +# mav_ZscZR %>% bind_rows(mav_ZscZRSigma) %>% bind_rows(mav_ZscZRSigmaVallei) %>% +# plot_mav() +# +# ggsave(paste0(pad_figuren, "100_figuur_Natuurindicator_glijdendgemiddelde_ZSZR_Sigma_Vallei.jpg")) +# + +``` + +### IHD overwinterende watervogels - soortdoelstellingen S-IHD besluit + +```{r berekening s-IHD soortdoelstellingen} + +# populatiedoelstellingen te bepalen obv dataset IHD-Z werkingsgebied: Zeeschelde + zijrivieren + Sigmagebieden + exclusief rest-IHDgebied/vallei wat geen deel is van S-IHD +# pijlstaart : winter seizoensgemiddelde telseizoen 2000/01 tot 2005/06 +# wintertaling : winter seizoensgemiddelde telseizoen 1998/99 tot 2005/06 +# krakeend: winter seizoensgemiddelde telseizoen 2002/03 tot 2006/07 +# tafeleend: winter seizoensgemiddelde telseizoen 2001/02 tot 2006/07 +# bergeend: winter seizoensgemiddelde telseizoen 1992/93 tot 2006/07 +# slobeend: winter seizoensgemiddelde telseizoen 2001/02 tot 2006/07 +# kleine zwaan : winter seizoensgemiddelde telseizoen 2001/02 tot 2006/07 (niet gespecifieerd in S-IHD rapport maar hier verondersteld) +# kokmeeuw : winter seizoensgemiddelde telseizoen 2001/02 tot 2006/07 (niet gespecifieerd in S-IHD rapport maar hier verondersteld) + +##### doelstellingen op basis van Zeeschelde + zijrivieren + +doelpijlstaart <- data_watervogels %>% + mutate(telseizoen1 = as.numeric(str_sub(telseizoen, 1, 4))) %>% + dplyr::filter(nednaam == "Pijlstaart") %>% + dplyr::filter(telseizoen1 %in% c(2000:2005)) %>% + dplyr::filter(maand %in% c(10:12, 1:3)) %>% + group_by(telseizoen1,maand) %>% + summarise(somaantal = sum(aantal, na.rm = TRUE)) %>% + ungroup() %>% + group_by(telseizoen1) %>% + summarise(gemidtelseizoen1 = mean(somaantal)) %>% + ungroup() %>% + summarise(doel = mean(gemidtelseizoen1)) %>% + round(digits = 0) %>% + pull() + +doelwintertaling <- data_watervogels %>% + mutate(telseizoen1 = as.numeric(str_sub(telseizoen, 1, 4))) %>% + dplyr::filter(nednaam == "Wintertaling") %>% + dplyr::filter(telseizoen1 %in% c(1998:2005)) %>% + dplyr::filter(maand %in% c(10:12, 1:3)) %>% + group_by(telseizoen1,maand) %>% + summarise(somaantal = sum(aantal, na.rm = TRUE)) %>% + ungroup() %>% + group_by(telseizoen1) %>% + summarise(gemidtelseizoen1 = mean(somaantal)) %>% + ungroup() %>% + summarise(doel = mean(gemidtelseizoen1)) %>% + round(digits = 0) %>% + pull() + +doelkrakeend <- data_watervogels %>% + mutate(telseizoen1 = as.numeric(str_sub(telseizoen, 1, 4))) %>% + dplyr::filter(nednaam == "Krakeend") %>% + dplyr::filter(telseizoen1 %in% c(2002:2006)) %>% + dplyr::filter(maand %in% c(10:12, 1:3)) %>% + group_by(telseizoen1,maand) %>% + summarise(somaantal = sum(aantal, na.rm = TRUE)) %>% + ungroup() %>% + group_by(telseizoen1) %>% + summarise(gemidtelseizoen1 = mean(somaantal)) %>% + ungroup() %>% + summarise(doel = mean(gemidtelseizoen1)) %>% + round(digits = 0) %>% + pull() + +doeltafeleend <- data_watervogels %>% + mutate(telseizoen1 = as.numeric(str_sub(telseizoen, 1, 4))) %>% + dplyr::filter(nednaam == "Tafeleend") %>% + dplyr::filter(telseizoen1 %in% c(2001:2006)) %>% + dplyr::filter(maand %in% c(10:12, 1:3)) %>% + group_by(telseizoen1,maand) %>% + summarise(somaantal = sum(aantal, na.rm = TRUE)) %>% + ungroup() %>% + group_by(telseizoen1) %>% + summarise(gemidtelseizoen1 = mean(somaantal)) %>% + ungroup() %>% + summarise(doel = mean(gemidtelseizoen1)) %>% + round(digits = 0) %>% + pull() + +doelbergeend <- data_watervogels %>% + mutate(telseizoen1 = as.numeric(str_sub(telseizoen, 1, 4))) %>% + dplyr::filter(nednaam == "Bergeend") %>% + dplyr::filter(telseizoen1 %in% c(1992:2006)) %>% + dplyr::filter(maand %in% c(10:12, 1:3)) %>% + group_by(telseizoen1,maand) %>% + summarise(somaantal = sum(aantal, na.rm = TRUE)) %>% + ungroup() %>% + group_by(telseizoen1) %>% + summarise(gemidtelseizoen1 = mean(somaantal)) %>% + ungroup() %>% + summarise(doel = mean(gemidtelseizoen1)) %>% + round(digits = 0) %>% + pull() + +doelslobeend <- data_watervogels %>% + mutate(telseizoen1 = as.numeric(str_sub(telseizoen, 1, 4))) %>% + dplyr::filter(nednaam == "Slobeend") %>% + dplyr::filter(telseizoen1 %in% c(2001:2006)) %>% + dplyr::filter(maand %in% c(10:12, 1:3)) %>% + group_by(telseizoen1,maand) %>% + summarise(somaantal = sum(aantal, na.rm = TRUE)) %>% + ungroup() %>% + group_by(telseizoen1) %>% + summarise(gemidtelseizoen1 = mean(somaantal)) %>% + ungroup() %>% + summarise(doel = mean(gemidtelseizoen1)) %>% + round(digits = 0) %>% + pull() + +doelkleinezwaan <- data_watervogels %>% + mutate(telseizoen1 = as.numeric(str_sub(telseizoen, 1, 4))) %>% + dplyr::filter(nednaam == "Kleine Zwaan") %>% + dplyr::filter(telseizoen1 %in% c(2001:2006)) %>% + dplyr::filter(maand %in% c(10:12, 1:3)) %>% + group_by(telseizoen1,maand) %>% + summarise(somaantal = sum(aantal, na.rm = TRUE)) %>% + ungroup() %>% + group_by(telseizoen1) %>% + summarise(gemidtelseizoen1 = mean(somaantal)) %>% + ungroup() %>% + summarise(doel = mean(gemidtelseizoen1)) %>% + round(digits = 0) %>% + pull() + +doelkokmeeuw <- data_watervogels %>% + mutate(telseizoen1 = as.numeric(str_sub(telseizoen, 1, 4))) %>% + dplyr::filter(nednaam == "Kokmeeuw") %>% + dplyr::filter(telseizoen1 %in% c(2001:2006)) %>% + dplyr::filter(maand %in% c(10:12, 1:3)) %>% + group_by(telseizoen1,maand) %>% + summarise(somaantal = sum(aantal, na.rm = TRUE)) %>% + ungroup() %>% + group_by(telseizoen1) %>% + summarise(gemidtelseizoen1 = mean(somaantal)) %>% + ungroup() %>% + summarise(doel = mean(gemidtelseizoen1)) %>% + round(digits = 0) %>% + pull() + + +##### doelstellingen op basis van Zeeschelde + zijrivieren + Sigmagebieden + +## code nog aan te passen aan data_analysesets + +# doelpijlstaart_IHDZzone <- data_watervogels_Zeeschelde_ZR_Sigma_Vallei %>% +# mutate(telseizoen1 = as.numeric(str_sub(telseizoen, 1, 4))) %>% +# dplyr::filter(nednaam == "Pijlstaart") %>% +# dplyr::filter(telseizoen1 %in% c(2000:2005)) %>% +# dplyr::filter(maand %in% c(10:12, 1:3)) %>% +# group_by(telseizoen1,maand) %>% +# summarise(somaantal = sum(aantal, na.rm = TRUE)) %>% +# ungroup() %>% +# group_by(telseizoen1) %>% +# summarise(gemidtelseizoen1 = mean(somaantal)) %>% +# ungroup() %>% +# summarise(doel = mean(gemidtelseizoen1)) %>% +# round(digits = 0) %>% +# pull() +# +# doelwintertaling_IHDZzone <- data_watervogels_Zeeschelde_ZR_Sigma_Vallei %>% +# mutate(telseizoen1 = as.numeric(str_sub(telseizoen, 1, 4))) %>% +# dplyr::filter(nednaam == "Wintertaling") %>% +# dplyr::filter(telseizoen1 %in% c(1998:2005)) %>% +# dplyr::filter(maand %in% c(10:12, 1:3)) %>% +# group_by(telseizoen1,maand) %>% +# summarise(somaantal = sum(aantal, na.rm = TRUE)) %>% +# ungroup() %>% +# group_by(telseizoen1) %>% +# summarise(gemidtelseizoen1 = mean(somaantal)) %>% +# ungroup() %>% +# summarise(doel = mean(gemidtelseizoen1)) %>% +# round(digits = 0) %>% +# pull() +# +# doelkrakeend_IHDZzone <- data_watervogels_Zeeschelde_ZR_Sigma_Vallei %>% +# mutate(telseizoen1 = as.numeric(str_sub(telseizoen, 1, 4))) %>% +# dplyr::filter(nednaam == "Krakeend") %>% +# dplyr::filter(telseizoen1 %in% c(2002:2006)) %>% +# dplyr::filter(maand %in% c(10:12, 1:3)) %>% +# group_by(telseizoen1,maand) %>% +# summarise(somaantal = sum(aantal, na.rm = TRUE)) %>% +# ungroup() %>% +# group_by(telseizoen1) %>% +# summarise(gemidtelseizoen1 = mean(somaantal)) %>% +# ungroup() %>% +# summarise(doel = mean(gemidtelseizoen1)) %>% +# round(digits = 0) %>% +# pull() +# +# doeltafeleend_IHDZzone <- data_watervogels_Zeeschelde_ZR_Sigma_Vallei %>% +# mutate(telseizoen1 = as.numeric(str_sub(telseizoen, 1, 4))) %>% +# dplyr::filter(nednaam == "Tafeleend") %>% +# dplyr::filter(telseizoen1 %in% c(2001:2006)) %>% +# dplyr::filter(maand %in% c(10:12, 1:3)) %>% +# group_by(telseizoen1,maand) %>% +# summarise(somaantal = sum(aantal, na.rm = TRUE)) %>% +# ungroup() %>% +# group_by(telseizoen1) %>% +# summarise(gemidtelseizoen1 = mean(somaantal)) %>% +# ungroup() %>% +# summarise(doel = mean(gemidtelseizoen1)) %>% +# round(digits = 0) %>% +# pull() +# +# doelbergeend_IHDZzone <- data_watervogels_Zeeschelde_ZR_Sigma_Vallei %>% +# mutate(telseizoen1 = as.numeric(str_sub(telseizoen, 1, 4))) %>% +# dplyr::filter(nednaam == "Bergeend") %>% +# dplyr::filter(telseizoen1 %in% c(1992:2006)) %>% +# dplyr::filter(maand %in% c(10:12, 1:3)) %>% +# group_by(telseizoen1,maand) %>% +# summarise(somaantal = sum(aantal, na.rm = TRUE)) %>% +# ungroup() %>% +# group_by(telseizoen1) %>% +# summarise(gemidtelseizoen1 = mean(somaantal)) %>% +# ungroup() %>% +# summarise(doel = mean(gemidtelseizoen1)) %>% +# round(digits = 0) %>% +# pull() +# +# doelslobeend_IHDZzone <- data_watervogels_Zeeschelde_ZR_Sigma_Vallei %>% +# mutate(telseizoen1 = as.numeric(str_sub(telseizoen, 1, 4))) %>% +# dplyr::filter(nednaam == "Slobeend") %>% +# dplyr::filter(telseizoen1 %in% c(2001:2006)) %>% +# dplyr::filter(maand %in% c(10:12, 1:3)) %>% +# group_by(telseizoen1,maand) %>% +# summarise(somaantal = sum(aantal, na.rm = TRUE)) %>% +# ungroup() %>% +# group_by(telseizoen1) %>% +# summarise(gemidtelseizoen1 = mean(somaantal)) %>% +# ungroup() %>% +# summarise(doel = mean(gemidtelseizoen1)) %>% +# round(digits = 0) %>% +# pull() +# +# doelkleinezwaan_IHDZzone <- data_watervogels_Zeeschelde_ZR_Sigma_Vallei %>% +# mutate(telseizoen1 = as.numeric(str_sub(telseizoen, 1, 4))) %>% +# dplyr::filter(nednaam == "Kleine Zwaan") %>% +# dplyr::filter(telseizoen1 %in% c(2001:2006)) %>% +# dplyr::filter(maand %in% c(10:12, 1:3)) %>% +# group_by(telseizoen1,maand) %>% +# summarise(somaantal = sum(aantal, na.rm = TRUE)) %>% +# ungroup() %>% +# group_by(telseizoen1) %>% +# summarise(gemidtelseizoen1 = mean(somaantal)) %>% +# ungroup() %>% +# summarise(doel = mean(gemidtelseizoen1)) %>% +# round(digits = 0) %>% +# pull() +# +# doelkokmeeuw_IHDZzone <- data_watervogels_Zeeschelde_ZR_Sigma_Vallei %>% +# mutate(telseizoen1 = as.numeric(str_sub(telseizoen, 1, 4))) %>% +# dplyr::filter(nednaam == "Kokmeeuw") %>% +# dplyr::filter(telseizoen1 %in% c(2001:2006)) %>% +# dplyr::filter(maand %in% c(10:12, 1:3)) %>% +# group_by(telseizoen1,maand) %>% +# summarise(somaantal = sum(aantal, na.rm = TRUE)) %>% +# ungroup() %>% +# group_by(telseizoen1) %>% +# summarise(gemidtelseizoen1 = mean(somaantal)) %>% +# ungroup() %>% +# summarise(doel = mean(gemidtelseizoen1)) %>% +# round(digits = 0) %>% +# pull() + +# +# doelpijlstaart <- pijlstaart %>% +# group_by(telseizoen) %>% +# summarise(jaartot = sum(aantal, na.rm = TRUE)) +# +# +# +# mav_ZscZR <- Wmax_ZschZR %>% mav_wm(.$telseizoen1, .$Wmax, 5) +# mav_ZscZRSigma <- Wmax_ZschZRSigma %>% mav_wm(.$telseizoen1, .$Wmax, 5) +# mav_ZscZRSigmaVallei <- Wmax_ZschZRSigmaVallei %>% mav_wm(.$telseizoen1, .$Wmax, 5) + +``` + +```{r 100-figuur_S-IHD overwinterende watervogels soortdoelstellingen} + +# table(data_analysesets$analyseset) +# ## dataset nog te aan te passen +# mean_S_IHD <- data_analysesets %>% +# dplyr::filter(nednaam %in% c("Bergeend", "Kleine Zwaan", "Kokmeeuw","Krakeend", "Pijlstaart", "Slobeend", "Tafeleend", "Wintertaling")) %>% +# dplyr::filter(maand %in% c(10:12, 1:3)) %>% +# dplyr::filter(gebiedsgroep == "Estuarien") %>% +# group_by(nednaam, telseizoen1, maand) %>% +# summarise(somaantal = sum(aantal, na.rm = TRUE)) %>% +# ungroup() %>% +# group_by(nednaam, telseizoen1) %>% +# summarise(gemidtelseizoen1 = mean(somaantal)) +# +# +# mav_S_IHD_Bergeend <- mean_S_IHD %>% +# dplyr::filter(nednaam == "Bergeend") %>% +# mav_wm(.$telseizoen1, .$gemidtelseizoen1, 5) +# mav_S_IHD_Wintertaling <- mean_S_IHD %>% +# dplyr::filter(nednaam == "Wintertaling") %>% +# mav_wm(.$telseizoen1, .$gemidtelseizoen1, 5) +# mav_S_IHD_Krakeend <- mean_S_IHD %>% +# dplyr::filter(nednaam == "Krakeend") %>% +# mav_wm(.$telseizoen1, .$gemidtelseizoen1, 5) +# mav_S_IHD_Pijlstaart <- mean_S_IHD %>% +# dplyr::filter(nednaam == "Pijlstaart") %>% +# mav_wm(.$telseizoen1, .$gemidtelseizoen1, 5) +# mav_S_IHD_Slobeend <- mean_S_IHD %>% +# dplyr::filter(nednaam == "Slobeend") %>% +# mav_wm(.$telseizoen1, .$gemidtelseizoen1, 5) +# mav_S_IHD_Kokmeeuw <- mean_S_IHD %>% +# dplyr::filter(nednaam == "Kokmeeuw") %>% +# dplyr::filter(telseizoen1>1998) %>% +# mav_wm(.$telseizoen1, .$gemidtelseizoen1, 5) +# mav_S_IHD_Tafeleend <- mean_S_IHD %>% +# dplyr::filter(nednaam == "Tafeleend") %>% +# mav_wm(.$telseizoen1, .$gemidtelseizoen1, 5) +# mav_S_IHD_Kleinezwaan <- mean_S_IHD %>% +# dplyr::filter(nednaam == "Kleine Zwaan") %>% +# mav_wm(.$telseizoen1, .$gemidtelseizoen1, 5) +# +# ##zou met functie moeten kunnen voor alle soorten en dan grafiek met facet_wrap op nednaam en met toevoeging van doelstelling geom_hline per soort +# ## 1 soort: +# +# mav_S_IHD_Bergeend %>% +# ggplot(aes(x=x)) + +# geom_errorbar(aes(ymin=ci_min, ymax=ci_max), width=.2) + +# geom_point(aes(y=m), size = 2.5) + +# geom_line(aes(y=m)) + +# geom_hline(yintercept = doelbergeend, linetype = 2, size = 1.4) + #IHD op basis van ZS+ZR +# # geom_hline(yintercept = doelbergeend_IHDZzone, linetype = 2, size = 1.4, color = "red") + #IHD op basis van IHD-Zone +# labs(y = "Wintergemiddeld glijdend n=5") + +# scale_x_continuous(breaks = seq(1990, 2021, by = 5)) + +# theme(axis.title.x = element_blank())+ +# labs(title = "Bergeend") +# +# ggsave(paste0(pad_figuren, "100-figuur_S-IHD_Bergeend.jpg")) +# +# +# mav_S_IHD_Wintertaling %>% +# ggplot(aes(x=x)) + +# geom_errorbar(aes(ymin=ci_min, ymax=ci_max), width=.2) + +# geom_point(aes(y=m), size = 2.5) + +# geom_line(aes(y=m)) + +# geom_hline(yintercept = doelwintertaling, linetype = 2, size = 1.4) + #IHD op basis van ZS+ZR +# # geom_hline(yintercept = doelwintertaling_IHDZzone, linetype = 2, size = 1.4, color = "red") + #IHD op basis van IHD-Zone +# labs(y = "Wintergemiddeld glijdend n=5") + +# scale_x_continuous(breaks = seq(1990, 2021, by = 5)) + +# theme(axis.title.x = element_blank())+ +# labs(title = "Wintertaling") +# +# ggsave(paste0(pad_figuren, "100-figuur_S-IHD_Wintertaling.jpg")) +# +# mav_S_IHD_Krakeend %>% +# ggplot(aes(x=x)) + +# geom_errorbar(aes(ymin=ci_min, ymax=ci_max), width=.2) + +# geom_point(aes(y=m), size = 2.5) + +# geom_line(aes(y=m)) + +# geom_hline(yintercept = doelkrakeend, linetype = 2, size = 1.4) + #IHD op basis van ZS+ZR +# # geom_hline(yintercept = doelkrakeend_IHDZzone, linetype = 2, size = 1.4, color = "red") + #IHD op basis van IHD-Zone +# labs(y = "Wintergemiddeld glijdend n=5") + +# scale_x_continuous(breaks = seq(1990, 2021, by = 5)) + +# theme(axis.title.x = element_blank())+ +# labs(title = "Krakeend") +# +# ggsave(paste0(pad_figuren, "100-figuur_S-IHD_Krakeend.jpg")) +# +# mav_S_IHD_Pijlstaart %>% +# ggplot(aes(x=x)) + +# geom_errorbar(aes(ymin=ci_min, ymax=ci_max), width=.2) + +# geom_point(aes(y=m), size = 2.5) + +# geom_line(aes(y=m)) + +# geom_hline(yintercept = doelpijlstaart, linetype = 2, size = 1.4) + #IHD op basis van ZS+ZR +# # geom_hline(yintercept = doelpijlstaart_IHDZzone, linetype = 2, size = 1.4, color = "red") + #IHD op basis van IHD-Zone +# labs(y = "Wintergemiddeld glijdend n=5") + +# scale_x_continuous(breaks = seq(1990, 2021, by = 5)) + +# theme(axis.title.x = element_blank()) + +# labs(title = "Pijlstaart") +# +# ggsave(paste0(pad_figuren, "100-figuur_S-IHD_Pijlstaart.jpg")) +# +# mav_S_IHD_Slobeend %>% +# ggplot(aes(x=x)) + +# geom_errorbar(aes(ymin=ci_min, ymax=ci_max), width=.2) + +# geom_point(aes(y=m), size = 2.5) + +# geom_line(aes(y=m)) + +# geom_hline(yintercept = doelslobeend, linetype = 2, size = 1.4) + #IHD op basis van ZS+ZR +# # geom_hline(yintercept = doelslobeend_IHDZzone, linetype = 2, size = 1.4, color = "red") + #IHD op basis van IHD-Zone +# labs(y = "Wintergemiddeld glijdend n=5") + +# scale_x_continuous(breaks = seq(1990, 2021, by = 5)) + +# theme(axis.title.x = element_blank())+ +# labs(title = "Slobeend") +# +# +# ggsave(paste0(pad_figuren, "100-figuur_S-IHD_Slobeend.jpg")) +# +# mav_S_IHD_Tafeleend %>% +# ggplot(aes(x=x)) + +# geom_errorbar(aes(ymin=ci_min, ymax=ci_max), width=.2) + +# geom_point(aes(y=m), size = 2.5) + +# geom_line(aes(y=m)) + +# geom_hline(yintercept = doeltafeleend, linetype = 2, size = 1.4) + #IHD op basis van ZS+ZR +# # geom_hline(yintercept = doeltafeleend_IHDZzone, linetype = 2, size = 1.4, color = "red") + #IHD op basis van IHD-Zone +# labs(y = "Wintergemiddeld glijdend n=5") + +# scale_x_continuous(breaks = seq(1990, 2021, by = 5)) + +# theme(axis.title.x = element_blank())+ +# labs(title = "Tafeleend") +# +# +# ggsave(paste0(pad_figuren, "100-figuur_S-IHD_Tafeleend.jpg")) +# +# +# mav_S_IHD_Kokmeeuw %>% +# ggplot(aes(x=x)) + +# geom_errorbar(aes(ymin=ci_min, ymax=ci_max), width=.2) + +# geom_point(aes(y=m), size = 2.5) + +# geom_line(aes(y=m)) + +# geom_hline(yintercept = doelkokmeeuw, linetype = 2, size = 1.4) + #IHD op basis van ZS+ZR +# # geom_hline(yintercept = doelkokmeeuw_IHDZzone, linetype = 2, size = 1.4, color = "red") + #IHD op basis van IHD-Zone +# labs(y = "Wintergemiddeld glijdend n=5") + +# scale_x_continuous(breaks = seq(1990, 2021, by = 5)) + +# theme(axis.title.x = element_blank())+ +# labs(title = "Kokmeeuw") +# +# +# ggsave(paste0(pad_figuren, "100-figuur_S-IHD_Kokmeeuw.jpg")) +# +# mav_S_IHD_Kleinezwaan %>% +# ggplot(aes(x=x)) + +# geom_errorbar(aes(ymin=ci_min, ymax=ci_max), width=.2) + +# geom_point(aes(y=m), size = 2.5) + +# geom_line(aes(y=m)) + +# geom_hline(yintercept = doelkleinezwaan, linetype = 2, size = 1.4) + #IHD op basis van ZS+ZR +# # geom_hline(yintercept = doelkleinezwaan_IHDZzone, linetype = 2, size = 1.4, color = "red") + #IHD op basis van IHD-Zone +# labs(y = "Wintergemiddeld glijdend n=5") + +# scale_x_continuous(breaks = seq(1990, 2021, by = 5)) + +# theme(axis.title.x = element_blank())+ +# labs(title = "Kleine zwaan") +# +# ggsave(paste0(pad_figuren, "100-figuur_S-IHD_Kleinezwaan.jpg")) + +``` + +##### indexberekening + +```{r index berekening} + +## dataset transformeren naar wijd formaat met kolom per jaar en data niveau 3 per soort +## obv analyseset boottelling en zijrivieren - estuariene data +## centreren op 2009 +## index_1 op basis van totale vogelaantallen - het is beter om te kijken naar de maxima (minder gevoelig als er eens een maand niet geteld is zoals soms voorkomt langsheen zijrivieren) + +# data_watervogels_index <- data_watervogels %>% +# dplyr::filter(taxongroepcode != "MS") %>% +# dplyr::filter(maand %in% c(10:12, 1:3)) %>% +# group_by(niveau3, telseizoen,telseizoen1) %>% +# summarise(aantal = sum(aantal, na.rm = TRUE)) %>% +# ungroup() %>% +# complete(niveau3, +# nesting(telseizoen,telseizoen1), +# fill = list(aantal = 0)) %>% +# group_by(niveau3) %>% +# mutate(rel_aantal = aantal/aantal[telseizoen1 == 2009]) %>% +# ungroup() + + +data_watervogels_index <- data_watervogels %>% + dplyr::filter(taxongroepcode != "MS") %>% # zonder meeuwen en sternen + dplyr::filter(maand %in% c(10:12, 1:3)) %>% + group_by(niveau3, telseizoen1, maand) %>% + summarise(maandsom = sum(aantal, na.rm = TRUE)) %>% + ungroup() %>% + group_by(niveau3, telseizoen1) %>% + summarise(maxwinter = max(maandsom, na.rm = TRUE)) %>% + ungroup() %>% + complete(niveau3, + nesting(telseizoen1), + fill = list(maxwinter = 0)) %>% + group_by(niveau3) %>% + mutate(rel_aantal = maxwinter/maxwinter[telseizoen1 == 2009]) %>% + ungroup() + +## we willen de verschillen tussen jaren vergelijken met 2009 als referentiejaar (kolom 20) + +data_watervogels_index %>% + dplyr::filter(telseizoen1 > 2008) %>% + ggplot(aes(telseizoen1, rel_aantal))+ + geom_line() + + geom_hline(yintercept = 1, linetype = 2, size = 1.4) + + facet_wrap(~niveau3, scales = "free") + + scale_y_log10(breaks = c(0.01, 0.03, 0.1, 0.3, 0.5, 1, 3,10))+ + labs(x = "telseizoen", + y = "index ") + + ggsave(paste0(pad_figuren, "100-figuur_Index_wintervogelaantallen.jpg")) + +### figuur per trofische groep + data_watervogels_index_trof <- data_watervogels %>% + dplyr::filter(taxongroepcode != "MS") %>% + dplyr::filter(maand %in% c(10:12, 1:3)) %>% + dplyr::filter(!is.na(trofische_groep)) %>% + dplyr::filter(niveau3 !="Durme") %>% #vertekend beeld voor de durme door inclusie oude durme in historische data + group_by(telseizoen1, maand,trofische_groep) %>% + summarise(maandsom = sum(aantal, na.rm = TRUE)) %>% + ungroup() %>% + group_by(telseizoen1, trofische_groep) %>% + summarise(maxwinter = max(maandsom, na.rm = TRUE)) %>% + ungroup() %>% + complete(trofische_groep, + nesting(telseizoen1), + fill = list(maxwinter = 0)) %>% + group_by(trofische_groep) %>% + mutate(rel_aantal = maxwinter/maxwinter[telseizoen1 == 2009]) %>% + ungroup() + +## figuur + +data_watervogels_index_trof %>% + dplyr::filter(telseizoen1 > 2008) %>% + ggplot(aes(telseizoen1, rel_aantal))+ + geom_line() + + geom_hline(yintercept = 1, linetype = 2, size = 1.4) + + facet_wrap(~trofische_groep, scales = "free") + + scale_y_log10(breaks = c(0.01, 0.03, 0.1, 0.3, 0.5, 1, 3,10))+ + labs(x = "telseizoen", + y = "index ") + + ggsave(paste0(pad_figuren, "100-figuur_Index_wintervogelaantallen_trofischegroepZS.jpg")) + + ### figuur per trofische groep per zone + data_watervogels_index_trofniv3 <- data_watervogels %>% + dplyr::filter(taxongroepcode != "MS") %>% + dplyr::filter(maand %in% c(10:12, 1:3)) %>% + dplyr::filter(!is.na(trofische_groep)) %>% + group_by(niveau3, telseizoen1, maand, trofische_groep) %>% + summarise(maandsom = sum(aantal, na.rm = TRUE)) %>% + ungroup() %>% + group_by(niveau3,telseizoen1, trofische_groep) %>% + summarise(maxwinter = max(maandsom, na.rm = TRUE)) %>% + ungroup() %>% + complete(niveau3, + nesting(telseizoen1, trofische_groep), + fill = list(maxwinter = 0)) %>% + group_by(trofische_groep, niveau3) %>% + mutate(rel_aantal = maxwinter/maxwinter[telseizoen1 == 2009]) %>% + ungroup() + +## figuur + +data_watervogels_index_trofniv3 %>% + dplyr::filter(telseizoen1 > 2008) %>% + dplyr::filter(niveau3 !="Durme") %>% #vertekend beeld voor de durme door inclusie oude durme in historische data + ggplot(aes(telseizoen1, rel_aantal, group = niveau3, color = niveau3)) + + geom_line(size = 1) + + geom_hline(yintercept = 1, linetype = 2, size = 1.4) + + facet_wrap(~trofische_groep, scales = "free") + + scale_y_log10(breaks = c(0.01, 0.03, 0.1, 0.3, 0.5, 1, 3,10))+ + labs(x = "telseizoen", + y = "index ") + + ggsave(paste0(pad_figuren, "100-figuur_Index_wintervogelaantallen_trofischegroepZSniv3.jpg")) + + + #### index niveau 2 + + data_watervogels_index_niv2 <- data_watervogels %>% + dplyr::filter(taxongroepcode != "MS") %>% # zonder meeuwen en sternen + dplyr::filter(maand %in% c(10:12, 1:3)) %>% + group_by(niveau2, telseizoen1, maand) %>% + summarise(maandsom = sum(aantal, na.rm = TRUE)) %>% + ungroup() %>% + group_by(niveau2, telseizoen1) %>% + summarise(maxwinter = max(maandsom, na.rm = TRUE)) %>% + ungroup() %>% + complete(niveau2, + nesting(telseizoen1), + fill = list(maxwinter = 0)) %>% + group_by(niveau2) %>% + mutate(rel_aantal = maxwinter/maxwinter[telseizoen1 == 2009]) %>% + ungroup() + + data_watervogels_index_niv2 %>% + dplyr::filter(telseizoen1 > 2008) %>% + ggplot(aes(telseizoen1, rel_aantal))+ + geom_line() + + geom_hline(yintercept = 1, linetype = 2, size = 1.4) + + facet_wrap(~niveau2) + + scale_y_log10(breaks = c(0.01, 0.03, 0.1, 0.3, 0.5, 1, 3,10))+ + labs(x = "telseizoen", + y = "index ") + + ggsave(paste0(pad_figuren, "100-figuur_Index_wintervogelaantallen_niv2.jpg")) + +``` + +##### figuur wintergemiddelde aantallen per KRWzone + +```{r 100-figuur-aantallen-niveau3, fig.height=6, fig.width=8} + + +# figuur met gemiddelde over tellingen per seizoen en gebiedsgroep + +#variant1 +data_watervogels %>% + dplyr::filter(maand %in% c(10:12, 1:3)) %>% + mutate(telseizoen1 = as.numeric(str_sub(telseizoen, 1, 4))) %>% + dplyr::filter(telseizoen1 > 2008) %>% + dplyr::filter(gebiedsgroep != "Getijdedurme" | telseizoen1 > 2012) %>% + dplyr::filter(taxongroepcode != "MS") %>% #meeuwen en sternen niet meetellen worden pas sinds 1999 geteld + group_by(telseizoen1, niveau3, maand) %>% + summarise(som = sum(aantal, na.rm = TRUE)) %>% + ungroup() %>% + group_by(telseizoen1, niveau3) %>% + summarise(aantal = mean(som, na.rm = TRUE)) %>% + ggplot(aes(ordered(telseizoen1), aantal)) + + geom_col() + + labs(x = "winter telseizoen", + y = "wintergemiddeld aantal watervogels") + + facet_wrap(~niveau3, + ncol = 2, scales = "free") + + theme(axis.text.x = element_text(angle = 90)) + + ggsave(paste0(pad_figuren, "100_figuur_meanwinter_niveau3.jpg")) + +data_watervogels %>% + dplyr::filter(maand %in% c(10:12, 1:3)) %>% + dplyr::filter(taxongroepcode != "MS") %>% #meeuwen en sternen niet meetellen worden pas sinds 1999 geteld + group_by(telseizoen, gebiedsgroep, maand) %>% + summarise(som = sum(aantal, na.rm = TRUE)) %>% + ungroup() %>% + group_by(telseizoen, gebiedsgroep) %>% + summarise(aantal = mean(som, na.rm = TRUE)) %>% + ggplot(aes(ordered(telseizoen), aantal)) + + geom_col() + + labs(x = "telseizoen", + y = "wintergemiddeld aantal watervogels") + + facet_wrap(~gebiedsgroep, + ncol = 2) + + theme(axis.text.x = element_text(angle = 90)) + +#variant2 inzoemen vanaf telseizoen 2009 +data_watervogels %>% + dplyr::filter(maand %in% c(10:12, 1:3)) %>% + mutate(telseizoen1 = as.numeric(str_sub(telseizoen, 1, 4))) %>% + dplyr::filter(gebiedsgroep != "Getijdedurme" | telseizoen1 > 2012) %>% +dplyr::filter(taxongroepcode != "MS") %>% #meeuwen en sternen niet meetellen worden pas sinds 1999 geteld + dplyr::filter(teldatum > "2009-06-01") %>% + group_by(telseizoen, gebiedsgroep, maand) %>% + summarise(som = sum(aantal, na.rm = TRUE)) %>% + ungroup() %>% + group_by(telseizoen, gebiedsgroep) %>% + summarise(aantal = mean(som, na.rm = TRUE)) %>% + ggplot(aes(ordered(telseizoen), aantal)) + + geom_col() + + labs(x = "telseizoen", + y = "wintergemiddeld aantal watervogels") + + facet_wrap(~gebiedsgroep, + ncol = 2, scales = "free") + + theme(axis.text.x = element_text(angle = 90)) + + +# dit is de oorspronkelijke figuur met de som over alle tellingen +# data_watervogels %>% +# dplyr::filter(maand %in% c(10:12, 1:3)) %>% +# group_by(telseizoen, gebiedsgroep) %>% +# summarise(aantal = sum(aantal, na.rm = TRUE)) %>% +# ungroup() %>% +# ggplot(aes(ordered(telseizoen), aantal)) + +# geom_col() + +# labs(x = "telseizoen", +# y = "aantal") + +# facet_wrap(~gebiedsgroep, scales = "free_y") + +# theme(axis.text.x = element_text(angle = 90)) + +``` + +##### figuur wintergemiddelde aantallen per zijrivier + +```{r 100-figuur-aantallen-zijrivieren, fig.height=4, fig.width=12} + +# figuur met gemiddelde over tellingen per seizoen en zijrivier +data_watervogels %>% + dplyr::filter(maand %in% c(10:12, 1:3), + rivier %in% c("Dijle", "Zenne")) %>% +dplyr::filter(taxongroepcode != "MS") %>% #meeuwen en sternen niet meetellen worden pas sinds 1999 geteld + group_by(rivier,telseizoen, maand) %>% + summarise(som = sum(aantal, na.rm = TRUE)) %>% + ungroup() %>% + group_by(telseizoen, rivier) %>% + summarise(aantal = mean(som, na.rm = TRUE)) %>% + ungroup() %>% + ggplot(aes(ordered(telseizoen), aantal)) + + geom_col() + + labs(x = "telseizoen", + y = "gemiddeld per maand aantal watervogels per winterseizoen") + + facet_wrap(~rivier, scales = "free_y") + + theme(axis.text.x = element_text(angle = 90)) + +ggsave(paste0(pad_figuren, "100_figuur_aantallen_zijrivieren.jpg")) + +data_watervogels %>% + dplyr::filter(maand %in% c(10:12, 1:3), + rivier %in% c("Rupel","Zeeschelde")) %>% +dplyr::filter(taxongroepcode != "MS") %>% #meeuwen en sternen niet meetellen worden pas sinds 1999 geteld + group_by(rivier,telseizoen1, maand) %>% + summarise(som = sum(aantal, na.rm = TRUE)) %>% + ungroup() %>% + group_by(telseizoen1, rivier) %>% + summarise(aantal = mean(som, na.rm = TRUE)) %>% + ungroup() %>% + ggplot(aes(ordered(telseizoen1), aantal)) + + geom_col() + + geom_smooth(aes(color = "trendlijn")) + + labs(x = "telseizoen", + y = "gemiddeld per maand aantal watervogels per winterseizoen") + + facet_wrap(~rivier) + + theme(axis.text.x = element_text(angle = 90)) + +# dit is de oorspronkelijke figuur met de som over alle tellingen +# data_watervogels %>% +# dplyr::filter(maand %in% c(10:12, 1:3), +# rivier %in% c("Dijle", "Rupel", "Zenne")) %>% +# group_by(telseizoen, rivier) %>% +# summarise(aantal = mean(aantal, na.rm = TRUE)) %>% +# ungroup() %>% +# ggplot(aes(ordered(telseizoen), aantal)) + +# geom_col() + +# labs(x = "telseizoen", +# y = "aantal") + +# facet_wrap(~rivier, scales = "free_y") + +# theme(axis.text.x = element_text(angle = 90)) + +``` + +##### figuur wintergemiddelde aantallen per trofische groep + +```{r 100-figuur-aantallen-trofische-groep, fig.height=5, fig.width=7} + +# figuur met gemiddelde over tellingen per seizoen, gebiedsgroep en trofische groep +# data_watervogels %>% +# dplyr::filter(maand %in% c(10:12, 1:3)) %>% +# dplyr::filter(str_detect(gebiedsgroep_code, "ZS")) %>% +# dplyr::filter(jaar >= 2009, +# telseizoen != "2008/09") %>% +# dplyr::filter(!is.na(trofische_groep)) %>% +# group_by(telseizoen, teldatum, trofische_groep, gebiedsgroep, rivier) %>% +# summarise(aantal = sum(aantal, na.rm = TRUE)) %>% +# ungroup() %>% +# group_by(telseizoen, trofische_groep, gebiedsgroep, rivier) %>% +# summarise(aantal = mean(aantal, na.rm = TRUE)) %>% +# ungroup() %>% +# group_by(telseizoen, gebiedsgroep, trofische_groep) %>% +# summarise(aantal = mean(aantal, na.rm = TRUE)) %>% +# ungroup() %>% +# ggplot(aes(ordered(telseizoen), aantal, group = gebiedsgroep, color = gebiedsgroep)) + +# geom_point(aes(shape = gebiedsgroep)) + +# geom_line() + +# labs(x = "telseizoen", +# y = "aantal") + +# facet_wrap(~trofische_groep, +# scales = "free_y") + +# theme(axis.text.x = element_text(angle = 90), +# legend.position = "bottom", +# legend.title = element_blank()) + +data_watervogels %>% + dplyr::filter(maand %in% c(10:12, 1:3)) %>% + # dplyr::filter(str_detect(gebiedsgroep_code, "ZS")) %>% + dplyr::filter(jaar >= 2009, + telseizoen != "2008/09") %>% + dplyr::filter(!is.na(trofische_groep)) %>% + group_by(telseizoen, maand, trofische_groep, niveau3) %>% + summarise(aantal = sum(aantal, na.rm = TRUE)) %>% + ungroup() %>% + group_by(telseizoen, trofische_groep, niveau3) %>% + summarise(aantal = mean(aantal, na.rm = TRUE)) %>% + ungroup() %>% + ggplot(aes(ordered(telseizoen), aantal, group = niveau3, color = niveau3)) + + geom_point(aes(shape = niveau3)) + + geom_line() + + labs(x = "telseizoen", + y = "wintergemiddelde") + + facet_wrap(~trofische_groep, + scales = "free_y") + + theme(axis.text.x = element_text(angle = 90), + legend.position = "bottom", + legend.title = element_blank()) + +ggsave(paste0(pad_figuren, "100_figuur_aantallen_trofische_groep_niveau3.jpg")) + + +###facet_wrap op niveau 3 +data_watervogels %>% + dplyr::filter(maand %in% c(10:12, 1:3)) %>% + # dplyr::filter(str_detect(gebiedsgroep_code, "ZS")) %>% + dplyr::filter(jaar >= 2009, + telseizoen != "2008/09") %>% + dplyr::filter(!is.na(trofische_groep)) %>% + dplyr::filter(trofische_groep == "Nomn" | trofische_groep == "Nherb") %>% + group_by(telseizoen, maand, trofische_groep, niveau3) %>% + summarise(aantal = sum(aantal, na.rm = TRUE)) %>% + ungroup() %>% + group_by(telseizoen, trofische_groep, niveau3) %>% + summarise(aantal = mean(aantal, na.rm = TRUE)) %>% + ungroup() %>% + ggplot(aes(ordered(telseizoen), aantal, group = trofische_groep, color = trofische_groep)) + + geom_line() + + labs(x = "telseizoen", + y = "wintergemiddelde") + + facet_wrap(~niveau3, + scales = "free_y") + + theme(axis.text.x = element_text(angle = 90), + legend.position = "bottom", + legend.title = element_blank()) + +###facet_wrap op niveau 3 +data_watervogels %>% + dplyr::filter(maand %in% c(10:12, 1:3)) %>% + # dplyr::filter(str_detect(gebiedsgroep_code, "ZS")) %>% + dplyr::filter(jaar >= 2009, + telseizoen != "2008/09") %>% + dplyr::filter(!is.na(trofische_groep)) %>% + dplyr::filter(trofische_groep == "Nomn") %>% + group_by(telseizoen, maand, trofische_groep, niveau3) %>% + summarise(aantal = sum(aantal, na.rm = TRUE)) %>% + ungroup() %>% + group_by(telseizoen, trofische_groep, niveau3) %>% + summarise(aantal = mean(aantal, na.rm = TRUE)) %>% + ungroup() %>% + ggplot(aes(ordered(telseizoen), aantal, group = trofische_groep, color = trofische_groep)) + + geom_line() + + labs(x = "telseizoen", + y = "wintergemiddelde") + + facet_wrap(~niveau3, + scales = "free_y") + + theme(axis.text.x = element_text(angle = 90), + legend.position = "bottom", + legend.title = element_blank()) + + + +##welke soorten -- achtergrond bespreking +data_watervogels %>% + dplyr::filter(maand %in% c(10:12, 1:3)) %>% + dplyr::filter(str_detect(gebiedsgroep_code, "ZS")) %>% + dplyr::filter(jaar >= 2012, + telseizoen != "2011/12") %>% + dplyr::filter(!is.na(trofische_groep)) %>% + dplyr::filter(trofische_groep=="Nomn") %>% + group_by(telseizoen, maand, trofische_groep, gebiedsgroep, nednaam) %>% + summarise(aantal = sum(aantal, na.rm = TRUE)) %>% + ungroup() %>% + group_by(telseizoen, trofische_groep, gebiedsgroep, nednaam) %>% + summarise(aantal = mean(aantal, na.rm = TRUE)) %>% + ungroup() %>% +ggplot(aes(ordered(telseizoen), aantal, group = gebiedsgroep, color = gebiedsgroep)) + + geom_point(aes(shape = gebiedsgroep)) + + geom_line() + + labs(x = "telseizoen", + y = "aantal") + + facet_wrap(~nednaam) + + theme(axis.text.x = element_text(angle = 90), + legend.position = "bottom", + legend.title = element_blank()) + +data_watervogels %>% + dplyr::filter(maand %in% c(10:12, 1:3)) %>% + dplyr::filter(str_detect(gebiedsgroep_code, "ZS")) %>% + dplyr::filter(jaar >= 2012, + telseizoen != "2011/12") %>% + dplyr::filter(!is.na(trofische_groep)) %>% + dplyr::filter(trofische_groep=="Nherb") %>% + group_by(telseizoen, maand, trofische_groep, gebiedsgroep, nednaam) %>% + summarise(aantal = sum(aantal, na.rm = TRUE)) %>% + ungroup() %>% + group_by(telseizoen, trofische_groep, gebiedsgroep, nednaam) %>% + summarise(aantal = mean(aantal, na.rm = TRUE)) %>% + ungroup() %>% +ggplot(aes(ordered(telseizoen), aantal, group = gebiedsgroep, color = gebiedsgroep)) + + geom_point(aes(shape = gebiedsgroep)) + + geom_line() + + labs(x = "telseizoen", + y = "aantal") + + facet_wrap(~nednaam) + + theme(axis.text.x = element_text(angle = 90), + legend.position = "bottom", + legend.title = element_blank()) + +data_watervogels %>% + dplyr::filter(maand %in% c(10:12, 1:3)) %>% + dplyr::filter(str_detect(gebiedsgroep_code, "ZS")) %>% + dplyr::filter(telseizoen > "2011/12") %>% + dplyr::filter(!is.na(trofische_groep)) %>% + dplyr::filter(trofische_groep=="Nomn") %>% + dplyr::filter(nednaam %in% c("Kokmeeuw")) %>% + group_by(telseizoen, maand, trofische_groep, gebiedsgroep, nednaam) %>% + summarise(aantal = sum(aantal, na.rm = TRUE)) %>% + ungroup() %>% + group_by(telseizoen, trofische_groep, gebiedsgroep, nednaam) %>% + summarise(aantal = mean(aantal, na.rm = TRUE)) %>% + ungroup() %>% +ggplot(aes(ordered(telseizoen), aantal, group = gebiedsgroep, color = gebiedsgroep)) + + geom_point(aes(shape = gebiedsgroep)) + + geom_line() + + labs(x = "telseizoen", + y = "aantal") + + facet_wrap(~nednaam) + + theme(axis.text.x = element_text(angle = 90), + legend.position = "bottom", + legend.title = element_blank()) + +data_watervogels %>% + dplyr::filter(maand %in% c(10:12, 1:3)) %>% + dplyr::filter(str_detect(gebiedsgroep_code, "ZS")) %>% + dplyr::filter(jaar >= 2012, + telseizoen != "2011/12") %>% + dplyr::filter(!is.na(trofische_groep)) %>% + dplyr::filter(trofische_groep=="Npisc") %>% + group_by(telseizoen, maand, trofische_groep, gebiedsgroep, nednaam) %>% + summarise(aantal = sum(aantal, na.rm = TRUE)) %>% + ungroup() %>% + group_by(telseizoen, trofische_groep, gebiedsgroep, nednaam) %>% + summarise(aantal = mean(aantal, na.rm = TRUE)) %>% + ungroup() %>% +ggplot(aes(ordered(telseizoen), aantal, group = gebiedsgroep, color = gebiedsgroep)) + + geom_point(aes(shape = gebiedsgroep)) + + geom_line() + + labs(x = "telseizoen", + y = "aantal") + + facet_wrap(~nednaam) + + theme(axis.text.x = element_text(angle = 90), + legend.position = "bottom", + legend.title = element_blank()) +``` + +##### figuur abundante soorten met \> 5% per KRWzone voor en na 2009 + +```{r 100-figuur-abundante-soorten, fig.height=5, fig.width=7} + +abundante_wintervogels <- data_watervogels %>% + # dplyr::filter(str_detect(gebiedsgroep_code, "ZS")) %>% + dplyr::filter(maand %in% c(10:12, 1:3)) %>% + group_by(niveau3, nednaam) %>% + mutate(totaal = sum(aantal, na.rm = TRUE)) %>% + ungroup() %>% + group_by(niveau3) %>% + mutate(totaalgebiedsgroep = sum(aantal, na.rm = TRUE)) %>% + mutate(perc = (totaal/totaalgebiedsgroep)*100) %>% + dplyr::filter(perc > 5) %>% + ungroup() %>% + select(nednaam) %>% + distinct(nednaam) %>% + arrange(nednaam) + + +# #Create a custom color scale for species: 10 colors needed and order of color must be the same for each species +# library(RColorBrewer) +# myColors <- brewer.pal(10,"Set3") +# names(myColors) <- levels(abundante_wintervogels$nednaam) +# colScale <- scale_colour_manual(name = "nednaam",values = myColors) +# # lukt me niet om dit te doen werken + + +data_watervogels %>% + # dplyr::filter(str_detect(gebiedsgroep_code, "ZS")) %>% + dplyr::filter(maand %in% c(10:12, 1:3)) %>% + dplyr::filter(telseizoen >= "2009/10") %>% + group_by(niveau3, nednaam) %>% + mutate(totaal = sum(aantal, na.rm = TRUE)) %>% + ungroup() %>% + group_by(niveau3) %>% + mutate(totaalgebiedsgroep = sum(aantal, na.rm = TRUE)) %>% + mutate(perc = (totaal/totaalgebiedsgroep)*100) %>% + dplyr::filter(perc > 5) %>% + ggplot(aes(ordered(niveau3), aantal, fill = nednaam)) + + geom_col(position = "fill") + + scale_y_continuous(breaks = seq(0,1,0.1), labels = paste0(seq(0,100,10),"%")) + + scale_fill_manual(values=c("#CC0000", "#006600", "#669999", "#00CCCC", + "#660099", "#CC0066", "#FF9999", "#FF9900", + "black", "red", "green", "blue", "yellow")) + + labs(x = "Niveau3 zones", + y = "") + + theme(axis.text.x = element_text(angle = 90), + legend.position = "bottom", + legend.title = element_blank()) + + + +ggsave(paste0(pad_figuren, "100_figuur_abundante_soortenna2009.jpg")) + + + +data_watervogels %>% + # dplyr::filter(str_detect(gebiedsgroep_code, "ZS")) %>% + dplyr::filter(maand %in% c(10:12, 1:3)) %>% + dplyr::filter(jaar <= 2009, + telseizoen != "2009/10") %>% + group_by(niveau3, nednaam) %>% + mutate(totaal = sum(aantal, na.rm = TRUE)) %>% + ungroup() %>% + group_by(niveau3) %>% + mutate(totaalgebiedsgroep = sum(aantal, na.rm = TRUE)) %>% + mutate(perc = (totaal/totaalgebiedsgroep)*100) %>% + dplyr::filter(perc > 5) %>% + ggplot(aes(ordered(niveau3), aantal, fill = nednaam)) + + geom_col(position = "fill") + + scale_y_continuous(breaks = seq(0,1,0.1), labels = paste0(seq(0,100,10),"%"))+ + scale_fill_manual(values=c("#CC0000", "#006600", "#669999", "#00CCCC", + "#660099", "#CC0066", "#FF9999", "#FF9900", + "black", "red", "green", "blue", "yellow")) + + labs(x = "Niveau3 zones", + y = "") + + theme(axis.text.x = element_text(angle = 90), + legend.position = "bottom", + legend.title = element_blank()) + + +ggsave(paste0(pad_figuren, "100_figuur_abundante_soortenvoor2009.jpg")) + + + + + +data_watervogels %>% + # dplyr::filter(str_detect(gebiedsgroep_code, "ZS")) %>% + dplyr::filter(maand %in% c(10:12, 1:3)) %>% + dplyr::filter(telseizoen >= "2009/10") %>% + dplyr::filter(niveau3 != 'Saliniteitsgradient') %>% + dplyr::filter(niveau2 == 'Zeeschelde') %>% + arrange(nednaam) %>% + group_by(nednaam) %>% + mutate(totaal = sum(aantal, na.rm = TRUE)) %>% + ungroup() %>% + group_by(niveau2) %>% + mutate(totaalgebiedsgroep = sum(aantal, na.rm = TRUE)) %>% + mutate(perc = (totaal/totaalgebiedsgroep)*100) %>% + dplyr::filter(perc > 10) %>% + mutate(soort = fct_reorder2(nednaam, niveau2, perc)) %>% + ggplot(aes(ordered(niveau2), aantal, fill = soort)) + + geom_col(position = "fill") + + # scale_y_continuous(breaks = seq(0,1,0.1), labels = paste0(seq(0,100,10),"%")) + + # scale_fill_manual(values=c("#CC0000", "#006600", "#669999", "#00CCCC", + # "#660099", "#CC0066", "#FF9999", "#FF9900", + # "black", "red", "green", "blue", "yellow")) + + labs(x = "", + y = "") + + theme(axis.text.x = element_text(angle = 90), + legend.position = "bottom", + legend.title = element_blank()) + +data_watervogels %>% + # dplyr::filter(str_detect(gebiedsgroep_code, "ZS")) %>% + dplyr::filter(maand %in% c(10:12, 1:3)) %>% + dplyr::filter(telseizoen < "2009/10") %>% + dplyr::filter(niveau3 != 'Saliniteitsgradient') %>% + dplyr::filter(niveau2 == 'Zeeschelde') %>% + arrange(nednaam) %>% + group_by(nednaam) %>% + mutate(totaal = sum(aantal, na.rm = TRUE)) %>% + ungroup() %>% + group_by(niveau2) %>% + mutate(totaalgebiedsgroep = sum(aantal, na.rm = TRUE)) %>% + mutate(perc = (totaal/totaalgebiedsgroep)*100) %>% + dplyr::filter(perc > 10) %>% + mutate(soort = fct_reorder2(nednaam, niveau2, perc)) %>% + ggplot(aes(ordered(niveau2), aantal, fill = soort)) + + geom_col(position = "fill") + + # scale_y_continuous(breaks = seq(0,1,0.1), labels = paste0(seq(0,100,10),"%")) + + # scale_fill_manual(values=c("#CC0000", "#006600", "#669999", "#00CCCC", + # "#660099", "#CC0066", "#FF9999", "#FF9900", + # "black", "red", "green", "blue", "yellow")) + + labs(x = "", + y = "") + + theme(axis.text.x = element_text(angle = 0), + legend.position = "bottom", + legend.title = element_blank()) + + +``` + +##### figuur wintergemiddelde aantallen voor abundante soorten Zeeschelde + +```{r 100-figuur-aantallen-abundante-soorten, fig.height=5, fig.width=7} + +# data_watervogels %>% +# dplyr::filter(nednaam %in% c("Bergeend", "Krakeend", "Wilde Eend", "Wintertaling")) %>% +# dplyr::filter(str_detect(gebiedsgroep_code, "ZS")) %>% +# dplyr::filter(maand %in% c(10:12, 1:3)) %>% +# dplyr::filter(jaar >= 2009, +# telseizoen != "2008/09") %>% +# group_by(telseizoen, gebiedsgroep, nednaam, rivier) %>% +# summarise(aantal = mean(aantal, na.rm = TRUE)) %>% +# ungroup() %>% +# group_by(telseizoen, gebiedsgroep, nednaam) %>% +# summarise(aantal = mean(aantal, na.rm = TRUE)) %>% +# ungroup() %>% +# ggplot(aes(ordered(telseizoen), aantal, group = gebiedsgroep, color = gebiedsgroep)) + +# geom_point(aes(shape = gebiedsgroep)) + +# geom_line() + +# labs(x = "telseizoen", +# y = "aantal") + +# facet_wrap(~nednaam, +# scales = "free_y") + +# theme(axis.text.x = element_text(angle = 90), +# legend.position = "bottom", +# legend.title = element_blank()) + +data_watervogels %>% + dplyr::filter(nednaam %in% c("Bergeend", "Krakeend", "Wilde Eend", "Wintertaling")) %>% + # dplyr::filter(rivier == "Zeeschelde") %>% + dplyr::filter(maand %in% c(10:12, 1:3)) %>% + dplyr::filter(jaar >= 2009, + telseizoen != "2008/09") %>% + group_by(telseizoen, niveau3, nednaam, maand) %>% + summarise(aantal = sum(aantal, na.rm = TRUE)) %>% + ungroup() %>% + group_by(telseizoen, niveau3, nednaam) %>% + summarise(aantal = mean(aantal, na.rm = TRUE)) %>% + ungroup() %>% + ggplot(aes(ordered(telseizoen), aantal, group = niveau3, color = niveau3)) + + geom_point(aes(shape = niveau3)) + + geom_line() + + labs(x = "telseizoen", + y = "gemiddeld aantal") + + facet_wrap(~nednaam, + scales = "free_y") + + theme(axis.text.x = element_text(angle = 90), + legend.position = "bottom", + legend.title = element_blank()) + + +ggsave(paste0(pad_figuren, "100_figuur_aantallen_abundante_soorten_niveau3.jpg")) + +``` + +##### figuur wintergemiddelde aantallen voor viseters en steltlopers + +```{r 100-figuur-aantallen-visetend-en-steltlopers, fig.height=5, fig.width=7} + +data_watervogels %>% + dplyr::filter(nednaam %in% c("Aalscholver", "Fuut", "Blauwe Reiger")) %>% + # dplyr::filter(str_detect(gebiedsgroep_code, "ZS")) %>% + dplyr::filter(maand %in% c(10:12, 1:3)) %>% + dplyr::filter(jaar >= 2009, + telseizoen != "2008/09") %>% + group_by(telseizoen, niveau3, nednaam, rivier) %>% + summarise(aantal = mean(aantal, na.rm = TRUE)) %>% + ungroup() %>% + group_by(telseizoen, niveau3, nednaam) %>% + summarise(aantal = mean(aantal, na.rm = TRUE)) %>% + ungroup() %>% + ggplot(aes(ordered(telseizoen), aantal, group = niveau3, color = niveau3)) + + geom_point(aes(shape = niveau3)) + + geom_line() + + labs(x = "telseizoen", + y = "gemiddeld aantal") + + facet_wrap(~nednaam, + scales = "free_y") + + theme(axis.text.x = element_text(angle = 90), + legend.position = "bottom", + legend.title = element_blank()) + +ggsave(paste0(pad_figuren, "100_figuur_aantallen_viseters_niveau3.jpg")) + +data_watervogels %>% + dplyr::filter(nednaam %in% c("Aalscholver", "Fuut", "Visdief", "Blauwe Reiger")) %>% + dplyr::filter(str_detect(gebiedsgroep_code, "ZS")) %>% + dplyr::filter(maand %in% c(4:9)) %>% + dplyr::filter(jaar >= 2009, + telseizoen != "2008/09") %>% + group_by(telseizoen, gebiedsgroep, nednaam, rivier) %>% + summarise(aantal = mean(aantal, na.rm = TRUE)) %>% + ungroup() %>% + group_by(telseizoen, gebiedsgroep, nednaam) %>% + summarise(aantal = mean(aantal, na.rm = TRUE)) %>% + ungroup() %>% + ggplot(aes(ordered(telseizoen), aantal, group = gebiedsgroep, color = gebiedsgroep)) + + geom_point(aes(shape = gebiedsgroep)) + + geom_line() + + labs(x = "telseizoen", + y = "gemiddeld aantal zomer") + + facet_wrap(~nednaam, + scales = "free_y") + + theme(axis.text.x = element_text(angle = 90), + legend.position = "bottom", + legend.title = element_blank()) + +ggsave(paste0(pad_figuren, "100_figuur_gemid_aantallenzomer_viseters.jpg")) + +data_watervogels %>% + dplyr::filter(nednaam %in% c("Aalscholver", "Fuut", "Visdief", "Blauwe Reiger")) %>% + # dplyr::filter(str_detect(gebiedsgroep_code, "ZS")) %>% + dplyr::filter(maand %in% c(4:9)) %>% + dplyr::filter(jaar >= 2009, + telseizoen != "2008/09") %>% + group_by(telseizoen, niveau3, nednaam, rivier) %>% + summarise(aantal = max(aantal, na.rm = TRUE)) %>% + ungroup() %>% + group_by(telseizoen, niveau3, nednaam) %>% + summarise(aantal = max(aantal, na.rm = TRUE)) %>% + ungroup() %>% + ggplot(aes(ordered(telseizoen), aantal, group = niveau3, color = niveau3)) + + geom_point(aes(shape = niveau3)) + + geom_line() + + labs(x = "telseizoen", + y = "max aantal zomer") + + facet_wrap(~nednaam, + scales = "free_y") + + theme(axis.text.x = element_text(angle = 90), + legend.position = "bottom", + legend.title = element_blank()) + +data_watervogels %>% + dplyr::filter(nednaam %in% c("Kluut", "Kievit", "Tureluur", "Wulp", "Scholekster", "Bonte Strandloper")) %>% + dplyr::filter(trofische_groep == "Nbenth") %>% + dplyr::filter(str_detect(gebiedsgroep_code, "ZS4")) %>% + dplyr::filter(maand %in% c(10:12, 1:3)) %>% + dplyr::filter(jaar >= 2005, + telseizoen != "2004/05") %>% + group_by(telseizoen, niveau3, nednaam, maand) %>% + summarise(aantal = sum(aantal, na.rm = TRUE)) %>% + ungroup() %>% + group_by(telseizoen, niveau3, nednaam) %>% + summarise(aantal = mean(aantal, na.rm = TRUE)) %>% + ungroup() %>% + ggplot(aes(ordered(telseizoen), aantal, group = niveau3, color = niveau3)) + + geom_point(aes(shape = niveau3)) + + geom_line() + + labs(x = "telseizoen", + y = "gemiddeld aantal") + + facet_wrap(~nednaam, + scales = "free_y") + + theme(axis.text.x = element_text(angle = 90), + legend.position = "bottom", + legend.title = element_blank()) + +data_watervogels %>% + dplyr::filter(nednaam %in% c( "Kievit", "Tureluur", "Wulp", "Scholekster")) %>% + dplyr::filter(trofische_groep == "Nbenth") %>% + dplyr::filter(str_detect(gebiedsgroep_code, "ZS4")) %>% + dplyr::filter(maand %in% c(10:12, 1:3)) %>% + dplyr::filter(jaar >= 2005, + telseizoen != "2004/05") %>% + group_by(telseizoen, niveau3, nednaam, maand) %>% + summarise(aantal = sum(aantal, na.rm = TRUE)) %>% + ungroup() %>% + group_by(telseizoen, niveau3, nednaam) %>% + summarise(aantal = mean(aantal, na.rm = TRUE)) %>% + ungroup() %>% + ggplot(aes(ordered(telseizoen), aantal, group = niveau3, color = niveau3)) + + geom_point(aes(shape = niveau3)) + + geom_line() + + labs(x = "telseizoen", + y = "gemiddeld aantal") + + facet_wrap(~nednaam, + scales = "free_y") + + theme(axis.text.x = element_text(angle = 90), + legend.position = "bottom", + legend.title = element_blank()) + +# data_watervogels %>% +# dplyr::filter(nednaam %in% c("Scholekster")) %>% +# dplyr::filter(trofische_groep == "Nbenth") %>% +# dplyr::filter(str_detect(gebiedsgroep_code, "ZS4")) %>% +# dplyr::filter(maand %in% c(10:12, 1:3)) %>% +# dplyr::filter(jaar >= 2019, +# telseizoen != "2004/05") %>% +# group_by(telseizoen, gebiedsgroep, nednaam, maand) %>% +# summarise(aantal = sum(aantal, na.rm = TRUE)) %>% +# ungroup() %>% +# # group_by(telseizoen, gebiedsgroep, nednaam) %>% +# # summarise(aantal = mean(aantal, na.rm = TRUE)) %>% +# # ungroup() %>% +# ggplot(aes(ordered(telseizoen), aantal, group = gebiedsgroep, color = gebiedsgroep)) + +# geom_point(aes(shape = gebiedsgroep)) + +# geom_line() + +# labs(x = "telseizoen", +# y = "gemiddeld aantal") + +# facet_wrap(~nednaam, +# scales = "free_y") + +# theme(axis.text.x = element_text(angle = 90), +# legend.position = "bottom", +# legend.title = element_blank()) +# +# +# data_watervogels %>% +# dplyr::filter(nednaam %in% c("Aalscholver", "Fuut", "Tureluur", "Wulp")) %>% +# dplyr::filter(str_detect(gebiedsgroep_code, "ZS")) %>% +# dplyr::filter(maand %in% c(10:12, 1:3)) %>% +# dplyr::filter(jaar >= 2005, +# telseizoen != "2004/05") %>% +# group_by(telseizoen, gebiedsgroep, nednaam, maand) %>% +# summarise(aantal = sum(aantal, na.rm = TRUE)) %>% +# ungroup() %>% +# group_by(telseizoen, gebiedsgroep, nednaam) %>% +# summarise(aantal = mean(aantal, na.rm = TRUE)) %>% +# ungroup() %>% +# ggplot(aes(ordered(telseizoen), aantal, group = gebiedsgroep, color = gebiedsgroep)) + +# geom_point(aes(shape = gebiedsgroep)) + +# geom_line() + +# labs(x = "telseizoen", +# y = "gemiddeld aantal") + +# facet_wrap(~nednaam, +# scales = "free_y") + +# theme(axis.text.x = element_text(angle = 90), +# legend.position = "bottom", +# legend.title = element_blank()) + +ggsave(paste0(pad_figuren, "100_figuur_aantallen_steltlopers.jpg")) + +``` + +##### figuur wintergemiddelde vogeldichtheid per zones + +```{r dichtheden winter watervogels per zone} + + + + data_watervogels %>% + dplyr::filter(maand %in% c(10:12, 1:3)) %>% + # dplyr::filter(str_detect(gebiedsgroep_code, "ZS")) %>% + dplyr::filter(niveau3 != "Zoet zijrivier") %>% + dplyr::filter(telseizoen %in% c("2001/02","2010/11","2013/14","2016/17","2019/20")) %>% + dplyr::filter(nednaam != "Tafeleend" & nednaam != "Kuifeend") %>% + dplyr::filter(trofische_groep != "Npisc" & trofische_groep != "Nherb") %>% + left_join(data_oppzachtslikKRWZS, by = c("niveau3","telseizoen")) %>% + group_by(telseizoen, maand, niveau3, somha) %>% + summarise(aantal = sum(aantal, na.rm = TRUE)) %>% + ungroup() %>% + group_by(telseizoen, niveau3, somha) %>% + summarise(aantal = mean(aantal, na.rm = TRUE)) %>% + ungroup() %>% + group_by(telseizoen, niveau3, somha) %>% + summarise(dichtheid = mean(aantal/somha, na.rm = TRUE)) %>% + ggplot(aes(ordered(telseizoen), dichtheid, group = niveau3, color = niveau3)) + + geom_point(aes(shape = niveau3)) + + geom_line() + + labs(x = "telseizoen", + y = "dichtheid overwinterende watervogel (#/ha)") + + theme(axis.text.x = element_text(angle = 0), + legend.position = "bottom", + legend.title = element_blank())+ + scale_y_continuous(breaks = seq(0,140,20)) + +ggsave(paste0(pad_figuren, "100_figuur_dichtheid.jpg")) + +data_watervogels %>% + dplyr::filter(maand %in% c(10:12, 1:3)) %>% + # dplyr::filter(str_detect(gebiedsgroep_code, "ZS")) %>% + dplyr::filter(niveau3 != "Zoet zijrivier") %>% + dplyr::filter(niveau3 != "Rupel") %>% + dplyr::filter(niveau3 != "Saliniteitsgradient") %>% + dplyr::filter(niveau3 != "Zoet kort verblijf") %>% + dplyr::filter(telseizoen %in% c("2001/02","2010/11","2013/14","2016/17","2019/20")) %>% + dplyr::filter(nednaam != "Tafeleend" & nednaam != "Kuifeend") %>% + dplyr::filter(trofische_groep != "Npisc" & trofische_groep != "Nherb") %>% + left_join(data_oppzachtslikKRWZS, by = c("niveau3","telseizoen")) %>% + group_by(telseizoen, maand, niveau3, somha) %>% + summarise(aantal = sum(aantal, na.rm = TRUE)) %>% + ungroup() %>% + group_by(telseizoen, niveau3, somha) %>% + summarise(aantal = mean(aantal, na.rm = TRUE)) %>% + ungroup() %>% + group_by(telseizoen, niveau3, somha) %>% + summarise(dichtheid = mean(aantal/somha, na.rm = TRUE)) %>% + ggplot(aes(ordered(telseizoen), dichtheid, group = niveau3, color = niveau3)) + + geom_point(aes(shape = niveau3)) + + geom_line() + + labs(x = "telseizoen", + y = "dichtheid overwinterende watervogel (#/ha)") + + theme(axis.text.x = element_text(angle = 0), + legend.position = "bottom", + legend.title = element_blank())+ + scale_y_continuous(breaks = seq(0,140,20)) + +ggsave(paste0(pad_figuren, "100_figuur_dichtheidDurme.jpg")) + +##Zeeschelde IV wintertrends +data_watervogels %>% + dplyr::filter(str_detect(gebiedsgroep_code, "ZS4")) %>% + dplyr::filter(maand %in% c(10:12, 1:3)) %>% + dplyr::filter(telseizoen %in% c("2001/02","2010/11","2012/13","2013/14","2014/15","2015/16","2016/17","2017/18","2018/19","2019/20","2020/21", + "2021/22")) %>% + dplyr::filter(nednaam != "Tafeleend" & nednaam != "Kuifeend") %>% + dplyr::filter(trofische_groep != "Npisc" & trofische_groep != "Nherb") %>% + left_join(data_oppzachtslikKRWZS, by = c("niveau3","telseizoen")) %>% + group_by(telseizoen, maand, niveau3, somha) %>% + summarise(aantal = sum(aantal, na.rm = TRUE)) %>% + ungroup() %>% + group_by(telseizoen, niveau3, somha) %>% + summarise(aantal = mean(aantal, na.rm = TRUE)) %>% + ungroup() %>% + group_by(telseizoen, niveau3, somha) %>% + summarise(dichtheid = mean(aantal/somha, na.rm = TRUE)) %>% + ggplot(aes(ordered(telseizoen), dichtheid, group = niveau3, color = niveau3)) + + geom_point(aes(shape = niveau3)) + + geom_line() + + labs(x = "telseizoen", + y = "dichtheid overwinterende watervogel (#/ha)") + + theme(axis.text.x = element_text(angle = 0), + legend.position = "bottom", + legend.title = element_blank())+ + scale_y_continuous(breaks = seq(0,20,2)) + +ggsave(paste0(pad_figuren, "100_figuur_dichtheidZS4.jpg")) + +##Zeeschelde IV wintertrends trofische groepen + +data_watervogels %>% + dplyr::filter(str_detect(gebiedsgroep_code, "ZS4")) %>% + dplyr::filter(maand %in% c(10:12, 1:3)) %>% + dplyr::filter(telseizoen %in% c("2001/02","2010/11","2012/13","2013/14","2014/15","2015/16","2016/17","2017/18","2018/19","2019/20","2020/21", + "2021/22", "2022/23")) %>% + dplyr::filter(nednaam != "Tafeleend" & nednaam != "Kuifeend") %>% + dplyr::filter(trofische_groep != "Npisc" & trofische_groep != "Nherb") %>% + left_join(data_oppzachtslikKRWZS, by = c("niveau3","telseizoen")) %>% + group_by(telseizoen, maand, niveau3, somha,trofische_groep) %>% + summarise(aantal = sum(aantal, na.rm = TRUE)) %>% + ungroup() %>% + group_by(telseizoen, niveau3, somha,trofische_groep) %>% + summarise(aantal = mean(aantal, na.rm = TRUE)) %>% + ungroup() %>% + group_by(telseizoen, niveau3, somha,trofische_groep) %>% + summarise(dichtheid = mean(aantal/somha, na.rm = TRUE)) %>% + ggplot(aes(ordered(telseizoen), dichtheid, group = trofische_groep, color = trofische_groep)) + + geom_point(aes(shape = niveau3)) + + geom_line() + + labs(x = "telseizoen", + y = "dichtheid overwinterende watervogel (#/ha)") + + theme(axis.text.x = element_text(angle = 0), + legend.position = "bottom", + legend.title = element_blank())+ + scale_y_continuous(breaks = seq(0,20,2)) + + + +##Zeeschelde IV jaartrends telseizoen +data_watervogels %>% + dplyr::filter(str_detect(gebiedsgroep_code, "ZS4")) %>% + # dplyr::filter(maand %in% c(10:12, 1:3)) %>% + dplyr::filter(telseizoen %in% c("2001/02","2010/11","2012/13","2013/14","2014/15","2015/16","2016/17","2017/18","2018/19","2019/20","2020/21", + "2021/22","2022/23")) %>% + dplyr::filter(nednaam != "Tafeleend" & nednaam != "Kuifeend") %>% + dplyr::filter(trofische_groep != "Npisc" & trofische_groep != "Nherb") %>% + left_join(data_oppzachtslikKRWZS, by = c("niveau3","telseizoen")) %>% + group_by(telseizoen, maand, niveau3, somha) %>% + summarise(aantal = sum(aantal, na.rm = TRUE)) %>% + ungroup() %>% + group_by(telseizoen, niveau3, somha) %>% + summarise(aantal = mean(aantal, na.rm = TRUE)) %>% + ungroup() %>% + group_by(telseizoen, niveau3, somha) %>% + summarise(dichtheid = mean(aantal/somha, na.rm = TRUE)) %>% + ggplot(aes(ordered(telseizoen), dichtheid, group = niveau3, color = niveau3)) + + geom_point(aes(shape = niveau3)) + + geom_line() + + labs(x = "telseizoen", + y = "dichtheid overwinterende watervogel (#/ha)") + + theme(axis.text.x = element_text(angle = 0), + legend.position = "bottom", + legend.title = element_blank())+ + scale_y_continuous(breaks = seq(0,20,2)) + +# oppervlakte veranderingen exclusief uitbreidingen (enge planimetrie) + +data_watervogels %>% + # dplyr::filter(str_detect(gebiedsgroep_code, "ZS")) %>% + dplyr::filter(telseizoen %in% c("2001/02","2010/11","2013/14","2016/17","2019/20")) %>% + left_join(data_oppzachtslikKRWZS, by = c("niveau3","telseizoen")) %>% + dplyr::filter(!is.na(somha)) %>% + group_by(telseizoen, niveau3, somha) %>% + ggplot(aes(ordered(telseizoen), somha, group = niveau3, color = niveau3)) + + geom_point(aes(shape = niveau3)) + + geom_line() + + labs(x = "telseizoen", + y = "Oppervlakte slik zacht substraat (ha)")+ + theme(axis.text.x = element_text(angle = 0), + legend.position = "bottom", + legend.title = element_blank()) + +ggsave(paste0(pad_figuren, "100_figuur_habitatoppervlakte.jpg")) + + +``` + +##### figuur exotentrends + +```{r 100-figuur-exotentrends, fig.height=5, fig.width=7} + + +data_watervogels %>% + dplyr::filter(nednaam %in% c("Nijlgans", "Canadese Gans", "Soepeend", "Boerengans")) %>% + dplyr::filter(str_detect(gebiedsgroep_code, "ZS")) %>% + dplyr::filter(maand %in% c(10:12, 1:3)) %>% + dplyr::filter(jaar >= 2009, + telseizoen != "2008/09") %>% + group_by(telseizoen, niveau3, nednaam, maand) %>% + summarise(aantal = sum(aantal, na.rm = TRUE)) %>% + ungroup() %>% + group_by(telseizoen, niveau3, nednaam) %>% + summarise(aantal = mean(aantal, na.rm = TRUE)) %>% + ungroup() %>% + ggplot(aes(ordered(telseizoen), aantal, group = niveau3, color = niveau3)) + + geom_point(aes(shape = niveau3)) + + geom_line() + + labs(x = "telseizoen", + y = "gemiddeld aantal") + + facet_wrap(~nednaam, + scales = "free_y") + + theme(axis.text.x = element_text(angle = 90), + legend.position = "bottom", + legend.title = element_blank()) + +ggsave(paste0(pad_figuren, "100_figuur_aantallen_exoten.jpg"), width = 20, height = 12, units = "cm") + +data_watervogels %>% + dplyr::filter(exoot == 1) %>% + dplyr::filter(str_detect(gebiedsgroep_code, "ZS")) %>% + dplyr::filter(maand %in% c(10:12, 1:3)) %>% + dplyr::filter (telseizoen1 > 2008) %>% + group_by(telseizoen1, niveau3, nednaam, maand) %>% + summarise(aantal = sum(aantal, na.rm = TRUE)) %>% + ungroup() %>% + group_by(telseizoen1, niveau3, nednaam) %>% + summarise(totaal = sum(aantal, na.rm = TRUE)) %>% + ungroup() %>% + ggplot(aes(ordered(telseizoen1), totaal, group = niveau3, color = niveau3)) + + geom_point(aes(shape = niveau3)) + + geom_line() + + labs(x = "telseizoen", + y = "totaal aantal per winter") + + facet_wrap(~nednaam, + scales = "free_y") + + theme(axis.text.x = element_text(angle = 90), + legend.position = "bottom", + legend.title = element_blank()) + +data_watervogels %>% + dplyr::filter(exoot == 1) %>% + dplyr::filter(str_detect(gebiedsgroep_code, "ZS")) %>% + dplyr::filter(maand %in% c(10:12, 1:3)) %>% + dplyr::filter (telseizoen1 > 2008) %>% + group_by(telseizoen1, niveau3, maand) %>% + summarise(aantal = sum(aantal, na.rm = TRUE)) %>% + ungroup() %>% + group_by(telseizoen1, niveau3) %>% + summarise(totaal = sum(aantal, na.rm = TRUE)) %>% + ungroup() %>% + ggplot(aes(ordered(telseizoen1), totaal, group = niveau3, color = niveau3)) + + geom_point(aes(shape = niveau3)) + + geom_line() + + labs(x = "telseizoen", + y = "totaal aantal exoten per winter") + + theme(axis.text.x = element_text(angle = 90), + legend.position = "bottom", + legend.title = element_blank()) + +ggsave(paste0(pad_figuren, "100_figuur_totaalaantal_exoten_niveau3.jpg")) + +data_watervogels %>% + dplyr::filter(exoot == 1) %>% + dplyr::filter(str_detect(gebiedsgroep_code, "ZS")) %>% + dplyr::filter(maand %in% c(10:12, 1:3)) %>% + dplyr::filter (telseizoen1 > 2008) %>% + group_by(telseizoen1) %>% + summarise(totaal = sum(aantal, na.rm = TRUE)) %>% + ungroup() %>% + ggplot(aes(ordered(telseizoen1), totaal)) + + geom_col() + + labs(x = "telseizoen", + y = "totaal aantal exoten per winter") + + theme(axis.text.x = element_text(angle = 90), + legend.position = "bottom", + legend.title = element_blank()) + +ggsave(paste0(pad_figuren, "100_figuur_totaalaantal_exoten.jpg")) + +``` + +```{r meta-data} + +meta_data <- + enframe(c(vroegste_telseizoen = vroegste_telseizoen, + laatste_telseizoen = laatste_telseizoen, + vroegste_jaar = vroegste_jaar, + laatste_jaar = laatste_jaar, + aantal_soorten = nrow(soortnamen)), + name = "naam", value = "waarde") + +meta_data %>% + write_delim(paste0(pad_data, "meta_data.csv"), + delim = ";") + +``` From 907384c278ba136637d19c4bf224026c8f6954b5 Mon Sep 17 00:00:00 2001 From: VAN RYCKEGEM Date: Thu, 13 Jun 2024 15:10:24 +0200 Subject: [PATCH 005/102] data analyse aanpassing --- .../10_moneos_watervogels_data.Rmd | 1411 +++++++++++++++++ 1 file changed, 1411 insertions(+) create mode 100644 moneos_2024/100_watervogels/10_moneos_watervogels_data.Rmd diff --git a/moneos_2024/100_watervogels/10_moneos_watervogels_data.Rmd b/moneos_2024/100_watervogels/10_moneos_watervogels_data.Rmd new file mode 100644 index 0000000..cc332b1 --- /dev/null +++ b/moneos_2024/100_watervogels/10_moneos_watervogels_data.Rmd @@ -0,0 +1,1411 @@ +--- +params: + hoofdstuk: "100_watervogels" +knit: (function(inputFile, encoding) { + rmarkdown::render(inputFile, + encoding=encoding, + output_dir = paste0( + rmarkdown::yaml_front_matter(inputFile)$params$hoofdstuk, + "/output") + )}) +title: "watervogeldata" +output: + bookdown::word_document2 +--- + +```{r setup, include=FALSE} + +knitr::opts_chunk$set(echo = FALSE, error=FALSE, warning=FALSE, message=FALSE, cache=FALSE) + +``` + +```{r libraries} + +library(tidyverse) +library(lubridate) +#library(inborutils) ## moet dat nu inbodb worden?? +library(inbodb) +library(DBI) +library(rprojroot) ## workaround pad +library(openxlsx) +library(waldo) + +``` + +```{r pad} + +# inlezen van variabelen +# pad naar data : pad_data +# pad naar tabellen : pad_tabellen +# pad naar figuren : pad_figuren + +source(find_root_file("../pad.R", criterion = is_rstudio_project)) + +pad_data <- maak_pad(params$hoofdstuk, "data") +pad_figuren <- maak_pad(params$hoofdstuk, "figuren") +pad_tabellen <- maak_pad(params$hoofdstuk, "tabellen") + +``` + + +```{r benodigde-seizoenen} + +vroegste_seizoen <- "1991/1992" +laatste_seizoen <- "2023/2024" + +seizoenen <- + (vroegste_seizoen %>% str_sub(0, 4) %>% as.numeric):(laatste_seizoen %>% str_sub(0, 4) %>% as.numeric) %>% + paste(., {.+1} %>% as.character() %>% str_sub(3, 5), sep = "/") + +seizoenen_query <- + paste0("'", seizoenen, "'", collapse = ",") %>% + paste0("(", ., ")") + +``` + + +```{r gebiedsgroepen en gebiedsindeling T2021} +gebiedsgroepenall <- + read_delim(paste0(pad_data, "Zeeschelde_gebiedsgroepen_corrWM.csv"), + delim = ";") %>% + mutate(gebiedscode = as.character(gebiedscode)) + +gebiedsindeling_T2021 <- + read_delim(paste0(pad_data, "Gebiedsindeling_T2021.csv"), + delim = ";") + +gebiedsindeling_T2021 <- + gebiedsindeling_T2021 %>% + mutate(rivier = case_when( + niveau4 == "Rupel" ~ "Rupel", + niveau4 == "GetijdeDurme" ~ "Durme", + niveau4 == "GetijdeDijle" ~ "Dijle", + niveau4 == "GetijdeZenne" ~ "Zenne", + niveau4 == "GetijdeNete" ~ "Nete", + niveau4 == "Monding" ~ "Monding", + niveau2 == "Westerschelde" ~"Westerschelde", + TRUE ~ "Zeeschelde" + )) + +gebiedsindeling_T2021 <- gebiedsindeling_T2021 %>% + rename(gebiedsgroep = krw) %>% + select("niveau1", "niveau2","niveau3","gebiedsgroep", "rivier") %>% + distinct() + + +knitr::kable(gebiedsindeling_T2021) + +gebiedsindeling <- + gebiedsgroepenall %>% + dplyr::left_join(gebiedsindeling_T2021) %>% + mutate(niveau3 = fct_relevel(niveau3, c("Saliniteitsgradient","Oligohalien","Zoet lang verblijf","Zoet kort verblijf", "Rupel","Durme", "Zoet zijrivier"))) + # filter(gebiedsgroeptype_code != "SALZS") %>% + # filter(gebiedsgroeptype_code != "OMES") %>% + # filter(gebiedsgroeptype_code != "STRJ") + +gebiedsindeling %>% + distinct(niveau3) +gebiedsindeling %>% + write_delim(paste0(pad_data, "gebiedsindeling_watervogels_T2021join.csv"), + delim = ";") + + +gebiedsgroepen <- + read_delim(paste0(pad_data, "Zeeschelde_gebiedsgroepen_corrWM.csv"), + delim = ";") %>% + dplyr::filter(gebiedsgroeptype_code == "KRWZS") %>% + mutate(gebiedscode = as.character(gebiedscode)) + +``` + + +```{r gebiedsgroepen imputatiedataset - check} +# # gebiedsgroepenall <- +# # read_delim(paste0(pad_data, "Zeeschelde_gebiedsgroepen_corrWM.csv"), +# # delim = ";") %>% +# # mutate(gebiedscode = as.character(gebiedscode)) +# +# ## vanaf rapportage 2024 gebruiken we de nieuwe gebiedsgroepenlijst +# +# gebiedsgroepenall_old <- +# read_delim(paste0(pad_data, "Zeeschelde_gebiedsgroepen_corrWM.csv"), +# delim = ";") %>% +# mutate(gebiedscode = as.character(gebiedscode)) +# gebiedsgroepen_old <- +# read_delim(paste0(pad_data, "Zeeschelde_gebiedsgroepen_corrWM.csv"), +# delim = ";") %>% +# dplyr::filter(gebiedsgroeptype_code == "KRWZS") %>% +# mutate(gebiedscode = as.character(gebiedscode)) +# +# gebiedsgroepenall <- read.xlsx(paste0(pad_data, "FctLocationGroup_info.xlsx")) +# +# gebiedsgroepenall$StartDate <- as.Date(convertToDateTime(gebiedsgroepenall$StartDate, origin = "1899-12-31"), format = "%d-%m-%Y") +# gebiedsgroepenall$EndDate <- as.Date(convertToDateTime(gebiedsgroepenall$EndDate, origin = "1899-12-31"), format = "%d-%m-%Y") +# +# ########################################## +# ## vergelijking old dataset tijdelijke code +# ########################################## +# +# gebiedsgroepen_ZS <- gebiedsgroepenall %>% +# select(LocationWVCode, LocationWVNaam, LocationGroupNaam) %>% +# filter(LocationGroupNaam == "Zeeschelde" | LocationGroupNaam == "Zijrivieren Zeeschelde") %>% +# select(-LocationGroupNaam) +# +# gebiedsgroepen_old_ZS <- gebiedsgroepen_old %>% +# select(gebiedscode, gebiedsnaam) %>% +# rename(LocationWVCode = gebiedscode) %>% +# rename(LocationWVNaam = gebiedsnaam) +# +# differences <- waldo::compare(gebiedsgroepen_ZS, gebiedsgroepen_old_ZS) +# print(differences) +# +# differences_rows <- gebiedsgroepen_ZS %>% +# full_join(gebiedsgroepen_old_ZS, by = "LocationWVCode", suffix = c("_new", "_old")) %>% +# dplyr::filter(LocationWVNaam_new != LocationWVNaam_old) +# +# print(differences_rows) +# +# ### conclusie - exact dezelfde gebieden bevraagd dus we houden oude gebiedscodelijst aan voor MONEOS + + +``` + +```{r sigmagebieden enkel langsheen de Zeeschelde} + +##Gebiedskenmerken + +## lijst met telgebieden aangemaakt met een aantal kenmerken - file Wim +# Gebied2 <- read_delim(paste0(pad_data, "Gebieden2.csv"), +# delim = ";") +## Gebied: naam van telgebied zoals in databank +## Estuarien: 1: getijderivier, 0: geen getijderivier (estuariene Sigmaprojectgebieden: 0) +## Vallei: 1: valleigebied; 0: geen valleigebied +## Sigma: 1 Sigmaprojectgebied, 0: geen Sigmaprojectgebied +## NOHaven: 1: Natuurontwikkelingsgebieden van de haven, 0: geen NOgebied van haven +## Voor de Sigmaprojectgebieden is er bijkomende info. + +# Sigma2 <- Gebied2 %>% +# filter(Sigma == 1) %>% +# rename(gebiedsnaam = Gebied) + +gebiedsgroepenSigma <- gebiedsgroepenall %>% + dplyr::filter(gebiedsgroeptype == "Sigma-gebieden") %>% + mutate(gebiedscode = as.character(gebiedscode)) + +knitr::kable(gebiedsgroepenSigma) + +gebiedsgroepenSigma_zeeschelde <- gebiedsgroepenall %>% + dplyr::filter(gebiedsgroeptype == "Sigma-gebieden") %>% + dplyr::filter(rivier == "Zeeschelde") %>% + mutate(gebiedscode = as.character(gebiedscode)) %>% + mutate(niveau3 = case_when( + gebiedsgroep_code == "MH" ~ "Saliniteitsgradient", + gebiedsgroep_code == "OH" ~ "Oligohalien", + gebiedsgroep_code == "ZLVT"~ "Zoet lang verblijf", + gebiedsgroep_code == "ZKVT"~ "Zoet kort verblijf", + gebiedsgroep_code == "Durme"~ "Durme", + gebiedsgroep_code == "Rupel"~ "Rupel", + TRUE ~ "nvt" + )) + +knitr::kable(gebiedsgroepenSigma_zeeschelde) + +gebiedsgroepenSigma_zeeschelde %>% + write_delim(paste0(pad_tabellen, "gebiedsgroepenSigma_zeeschelde.csv"), + delim = ";") + +##vergelijking tussen de files van Wim en Gunther +# check <- Sigma2 %>% +# left_join(gebiedsgroepenSigma) +## de file van gebiedsgroepen verschilt een beetje voor de sigmagebieden in Gebied2 (basis natuurindicator) maar niet veel en je kan erover ##discussieren of je sommige gebieden kan tellen als sigmagebied ## +##Burchtse weel zoet water buffer is geen deel van Sigma (zit wel in vallei) +##NOHaveis is onbekend in watervogeltelgebieden layer +##Lillo fort - LocationWVNaam is in watervogeldatabank FORT Lillo (selectie zal niet gebeuren met Gebied2 set) + +``` + +```{r valleigebieden Zeeschelde} + +gebiedsgroepenVallei <- gebiedsgroepenall %>% + dplyr::filter(gebiedsgroeptype != "Sigma-gebieden") %>% + dplyr::filter(gebiedsgroep == "Vallei") %>% + mutate(gebiedscode = as.character(gebiedscode)) + +knitr::kable(gebiedsgroepenVallei) + +gebiedsgroepenVallei_zeeschelde <- gebiedsgroepenall %>% + dplyr::filter(gebiedsgroeptype != "Sigma-gebieden") %>% + dplyr::filter(gebiedsgroep == "Vallei") %>% + dplyr::filter(rivier == "Zeeschelde") %>% + mutate(gebiedscode = as.character(gebiedscode)) +``` + + +```{r query-tellingen} + +query_tellingen <- +"SELECT + su.SurveyCode AS ProjectCode +, su.SurveyNaam AS Project +, a.AnalyseSetKey AS AnalyseSetCode +, a.AnalyseSetNaam AS AnalyseSet +, l.RegioWVNaam AS Regio +, l.LocationWVCode AS GebiedsCode +, l.LocationWVNaam AS Gebied +, ss.Seasonname AS Telseizoen +, e.EventLabel AS Telling +, e.SortOrder AS TellingSortOrder +, f.SampleDate AS Teldatum +, s.CoverageCode AS TelvolledigheidCode +, s.CoverageDescription AS Telvolledigheid +, s.IsNulTelling AS Nultelling +FROM FactAnalyseSetOccurrence f + INNER JOIN DimSurvey su ON su.surveykey = f.surveykey + INNER JOIN DimAnalyseSet a ON a.AnalyseSetKey = f.AnalyseSetKey + INNER JOIN DimLocationWV l ON l.locationwvkey = f.locationwvkey + INNER JOIN DimSeason ss ON ss.Seasonkey = f.seasonkey + INNER JOIN DimEvent e ON e.eventkey = f.eventkey + INNER JOIN DimSample s ON s.SampleKey = f.SampleKey +WHERE 1=1 + AND s.samplestatus = 'CHECKED' /**alleen gevalideerde records**/ + AND s.coveragecode not in ('-', 'N') /**niet getelde tellingen zijn irrelevant**/ +;" + +query_grouping <- +"GROUP BY + su.SurveyCode +, su.SurveyNaam +, a.AnalyseSetKey +, a.AnalyseSetNaam +, l.RegioWVCode +, l.RegioWVNaam +, l.LocationWVCode +, l.LocationWVNaam +, ss.Seasonname +, e.EventCode +, e.EventLabel +, e.SortOrder +, f.SampleDate +, s.CoverageCode +, s.CoverageDescription +, s.IsNulTelling;" + + + + +``` + + +```{r bevragen-warehouse-zeeschelde-tellingen} + +query <- + paste0(str_sub(query_tellingen, end=-2), + " AND f.AnalyseSetKey = 1 /**alleen Zeescheldetellingen**/", + " AND ss.seasonname in ", + seizoenen_query, + str_sub(query_grouping, end=-2), + ";" + ) + +con <- connect_inbo_dbase("W0004_00_Waterbirds") +overzicht_tellingen <- + dbGetQuery(con, + query) +# dbDisconnect(con) + +# selectie van de telgebieden gespecifieerd in de Zeeschelde_gebiedsgroepen - KRWZS +overzicht_tellingen <- + overzicht_tellingen %>% + dplyr::filter(GebiedsCode %in% gebiedsgroepen$gebiedscode) + +overzicht_tellingen %>% + distinct(Nultelling) + +``` + +#### teldata uit watervogeldatabank halen + +```{r basis-query bevraging Watervogeldatabank} + +basis_query <- + paste0( +"SELECT + SU.SurveyCode as ProjectCode +, SU.SurveyNaam as Project +, L.RegioWVCode as RegioCode +, L.RegioWVNaam as Regio +, L.LocationWVCode as GebiedsCode +, L.LocationWVNaam as Gebied +, SS.Seasonname as Telseizoen +, E.EventCode as TellingCode +, E.EventLabel as Telling +, E.SortOrder as TellingSortOrder +, S.sampleDate as Teldatum +, S.CoverageCode as Telvolledigheid +, T.Commonname as NedNaam +, T.scientificname as WetNaam +, T.TaxonGroupCode +, F.Taxoncount as Aantal + +FROM FactAnalyseSetOccurrence F +inner join DimSurvey SU on SU.surveykey = F.surveykey +inner join DimLocationWV L on L.locationwvkey = F.locationwvkey +inner join DimSeason SS on SS.Seasonkey = F.seasonkey +inner join DimEvent E on E.eventkey = F.eventkey +inner join DimSample S on F.samplekey = S.samplekey +inner join DimTaxonWV T on T.taxonwvkey = F.taxonwvkey +WHERE 1=1 + AND S.samplestatus = 'CHECKED' /**alleen gevalideerde records**/ + AND S.coveragecode not in ('-', 'N') /**niet getelde tellingen zijn irrelevant**/ + AND F.taxoncount > 0;" + ) + +``` + + +```{r checken details in databank} + +# con <- connect_inbo_dbase("W0004_00_Waterbirds") +# +# q_WVgebiedenUitbergen <- "SELECT * +# FROM DimLocationWV +# WHERE LocationWVNaam LIKE '%UITBERGEN%'" +# +# q_WVgebiedenNete <- "SELECT * +# FROM DimLocationWV +# WHERE LocationWVNaam LIKE '%Nete%'" +# +# +# # Selectie gebieden in Lier +# GebiedenUitbergen <- +# tbl(src = con, sql(q_WVgebiedenUitbergen)) %>% +# select(LocationWVCode, LocationWVNaam, IsStandardizedLocationWV) %>% +# collect() +# +# GebiedenNete <- +# tbl(src = con, sql(q_WVgebiedenNete)) %>% +# select(LocationWVCode, LocationWVNaam, IsStandardizedLocationWV) %>% +# collect() +# +# # query midmaandelijkse tellingen +# q_midmaandtellingen <- +# "SELECT SU.SurveyCode as ProjectCode +# , SU.SurveyNaam as Project +# , L.RegioWVCode as RegioCode +# , L.RegioWVNaam as Regio +# , L.LocationWVCode as GebiedsCode +# , L.LocationWVNaam as Gebied +# , SS.Seasonname as Telseizoen +# , E.EventCode as TellingCode +# , E.EventLabel as Telling +# , E.SortOrder as TellingSortOrder +# , S.sampleDate as Teldatum +# --, S.IceCoverCode as Ijsbedekking +# --, S.SnowCoverCode as Sneeuwbedekking +# , S.CoverageCode as Telvolledigheid +# , T.Commonname as NedNaam +# , T.scientificname as WetNaam +# , T.TaxonGroupCode +# , F.Taxoncount as Aantal +# FROM FactAnalyseSetOccurrence F +# inner join DimSurvey SU on SU.surveykey = F.surveykey +# inner join DimLocationWV L on L.locationwvkey = F.locationwvkey +# inner join DimSeason SS on SS.Seasonkey = F.seasonkey +# inner join DimEvent E on E.eventkey = F.eventkey +# inner join DimSample S on F.samplekey = S.samplekey +# inner join DimTaxonWV T on T.taxonwvkey = F.taxonwvkey +# WHERE 1=1 +# " +# # Selectie midmaandelijkse tellingen in gebieden Lier +# WaterbirdsUitbergen <- +# tbl(src = con, +# sql(q_midmaandtellingen)) %>% +# filter(GebiedsCode %in% !!GebiedenUitbergen$LocationWVCode) %>% +# collect() +# +# WaterbirdsNete <- +# tbl(src = con, +# sql(q_midmaandtellingen)) %>% +# filter(GebiedsCode %in% !!GebiedenNete$LocationWVCode) %>% +# collect() +# +# dbDisconnect(con) +# +# # Totalen per gebied per seizoen +# Totaal_n_Watervogels_Gebied_seizoen_Uitbergen <- +# WaterbirdsUitbergen %>% +# group_by(Gebied, Telseizoen) %>% +# summarise(Totaal = sum(Aantal, na.rm = TRUE)) %>% +# spread(key = Gebied, value = Totaal) +# +# Totaal_n_Watervogels_Gebied_seizoen_Nete <- +# WaterbirdsNete %>% +# group_by(Gebied, Telseizoen) %>% +# summarise(Totaal = sum(Aantal, na.rm = TRUE)) %>% +# spread(key = Gebied, value = Totaal) +# +# # +# # sla op als spreadsheet +# Totaal_n_Watervogels_Gebied_seizoen_Lier %>% +# write_delim(paste0(pad_data, "Totalen_gebiedenLier.csv"), +# delim = ";") +# +# Totaal_n_Watervogels_Gebied_seizoen_Nete %>% +# write_delim(paste0(pad_data, "Totalen_gebiedenNete.csv"), +# delim = ";") +# +# + + +``` + + +```{r bevragen-warehouse-zeeschelde-analyseset} + +query <- + paste0(str_sub(basis_query, end=-2), + " AND F.Analysesetkey in (1) /**alleen boottellingen, i.e. uit ZSCH-analyseset**/", + " AND SS.seasonname in ", + seizoenen_query, + ";" + ) + +con <- connect_inbo_dbase("W0004_00_Waterbirds") +WaterbirdsBT <- + dbGetQuery(con, + query) +dbDisconnect(con) + +# selectie van de telgebieden gespecifieerd in de Zeeschelde_gebiedsgroepen - KRWZS + +out <-WaterbirdsBT %>% + dplyr::filter(!GebiedsCode %in% gebiedsgroepen$gebiedscode) + +# verwijder uit dataset boottelling +WaterbirdsBT <- + WaterbirdsBT %>% + dplyr::filter(GebiedsCode %in% gebiedsgroepen$gebiedscode) %>% + mutate(Analyseset = "boottelling") + +``` + + +```{r toevoegen-warehouse-MIDMA-zijrivieren-analyseset} + +telzones_zijrivieren <- + gebiedsgroepen$gebiedscode %>% + unique() %>% + setdiff(WaterbirdsBT$GebiedsCode %>% + unique()) + +telzones_query <- + paste0("'", telzones_zijrivieren, "'", collapse = ",") %>% + paste0("(", ., ")") + +query <- + paste0(str_sub(basis_query, end=-2), + " AND F.Analysesetkey in (2, 3, 4) /**alleen midmaandelijkse tellingen, i.e. uit MIDMA-analysesets**/", + " AND SS.seasonname in ", + seizoenen_query, + " AND L.LocationWVCode in ", + telzones_query, + ";" + ) + +con <- connect_inbo_dbase("W0004_00_Waterbirds") +waterbirds_zijrivieren <- + dbGetQuery(con, + query) +dbDisconnect(con) + +waterbirds_zijrivieren <- waterbirds_zijrivieren %>% +mutate(Analyseset = "zijrivier_MIDMA") + +WaterbirdsBT_ZR <- + WaterbirdsBT %>% + bind_rows(waterbirds_zijrivieren) + +Waterbirds <- + WaterbirdsBT %>% + bind_rows(waterbirds_zijrivieren) + +``` + +```{r bevragen-warehouse-MIDMA-Sigma-analyseset} +# +# ## alle sigmagebieden +# telzones_sigma <- +# gebiedsgroepenSigma %>% +# pull(gebiedsnaam) +# +# +# telzones_query <- +# paste0("'", telzones_sigma, "'", collapse = ",") %>% +# paste0("(", ., ")") +# +# query <- +# paste0(str_sub(basis_query, end=-2), +# " AND F.Analysesetkey in (2, 3, 4) /**alleen midmaandelijkse tellingen, i.e. uit MIDMA-analysesets**/", +# " AND SS.seasonname in ", +# seizoenen_query, +# " AND L.LocationWVNaam in ", +# telzones_query, +# ";" +# ) +# +# con <- connect_inbo_dbase("W0004_00_Waterbirds") +# waterbirds_sigma <- +# dbGetQuery(con, +# query) +# dbDisconnect(con) +# +# waterbirds_sigma <- waterbirds_sigma %>% +# mutate(Analyseset = "SIGMA_MIDMA") +# +# Waterbirds_bt_zr_sigma <- +# WaterbirdsBT_ZR %>% +# bind_rows(waterbirds_sigma) +# + + + + +``` + +```{r bevragen-warehouse-MIDMA-vallei-analyseset} +# +# telzones_vallei <- +# gebiedsgroepenVallei %>% +# pull(gebiedsnaam) +# +# telzones_query <- +# paste0("'", telzones_vallei, "'", collapse = ",") %>% +# paste0("(", ., ")") +# +# query <- +# paste0(str_sub(basis_query, end=-2), +# " AND F.Analysesetkey in (2, 3, 4) /**alleen midmaandelijkse tellingen, i.e. uit MIDMA-analysesets**/", +# " AND SS.seasonname in ", +# seizoenen_query, +# " AND L.LocationWVNaam in ", +# telzones_query, +# ";" +# ) +# +# con <- connect_inbo_dbase("W0004_00_Waterbirds") +# waterbirds_vallei <- +# dbGetQuery(con, +# query) +# dbDisconnect(con) +# +# waterbirds_vallei <- waterbirds_vallei %>% +# mutate(Analyseset = "VALLEI_MIDMA") +# +# Waterbirds_bt_zr_sigma_vallei <- +# Waterbirds_bt_zr_sigma %>% +# bind_rows(waterbirds_vallei) +# +# #### +# +# # telzones_vallei_zeeschelde <- +# # gebiedsgroepenVallei_zeeschelde %>% +# # pull(gebiedsnaam) +# # +# # telzones_query <- +# # paste0("'", telzones_vallei_zeeschelde, "'", collapse = ",") %>% +# # paste0("(", ., ")") +# # +# # query <- +# # paste0(str_sub(basis_query, end=-2), +# # " AND F.Analysesetkey in (2, 3, 4) /**alleen midmaandelijkse tellingen, i.e. uit MIDMA-analysesets**/", +# # " AND SS.seasonname in ", +# # seizoenen_query, +# # " AND L.LocationWVNaam in ", +# # telzones_query, +# # ";" +# # ) +# # +# # con <- connect_inbo_dbase("W0004_00_Waterbirds") +# # waterbirds_vallei_zeeschelde <- +# # dbGetQuery(con, +# # query) +# # dbDisconnect(con) +# # +# # waterbirds_vallei_zeeschelde <- waterbirds_vallei_zeeschelde %>% +# # mutate(Analyseset = "VALLEI_ZSCH_MIDMA") +# # +# # Waterbirds_bt_zr_sigma_sigmazs_vallei_valleizs <- +# # Waterbirds_bt_zr_sigma_sigmazs_vallei %>% +# # bind_rows(waterbirds_vallei_zeeschelde) +# # +# Waterbirds <- Waterbirds_bt_zr_sigma_vallei + +``` + +#### volledigheid van de tellingen controleren + +```{r basis-query-tellingen} + +basis_query_tellingen <- +"WITH NulTelling AS + ( + SELECT SampleKey + FROM + ( + SELECT sampleKey, sum(taxoncount) as AantalIndividu + FROM FactAnalyseSetOccurrence + WHERE AnalyseSetKey = 1 + GROUP BY sampleKey + )tmp + WHERE tmp.AantalIndividu = 0 + ) +SELECT + su.SurveyCode AS ProjectCode +, su.SurveyNaam AS Project +, a.AnalyseSetKey AS AnalyseSetCode +, a.AnalyseSetNaam AS AnalyseSet +, l.RegioWVNaam AS Regio +, l.LocationWVCode AS GebiedsCode +, l.LocationWVNaam AS Gebied +, ss.Seasonname AS Telseizoen +, e.EventLabel AS Telling +, e.SortOrder AS TellingSortOrder +, f.SampleDate AS Teldatum +, s.CoverageCode AS TelvolledigheidCode +, s.CoverageDescription AS Telvolledigheid +, CASE WHEN NulTelling.SampleKey IS NOT NULL THEN 1 ELSE 0 END AS IsNulTelling +FROM FactAnalyseSetOccurrence f + INNER JOIN DimSurvey su ON su.surveykey = f.surveykey + INNER JOIN DimAnalyseSet a ON a.AnalyseSetKey = f.AnalyseSetKey + INNER JOIN DimLocationWV l ON l.locationwvkey = f.locationwvkey + INNER JOIN DimSeason ss ON ss.Seasonkey = f.seasonkey + INNER JOIN DimEvent e ON e.eventkey = f.eventkey + INNER JOIN DimSample s ON s.SampleKey = f.SampleKey + LEFT OUTER JOIN NulTelling ON NulTelling.SampleKey = f.SampleKey +WHERE 1=1 + AND s.samplestatus = 'CHECKED' /**alleen gevalideerde records**/ + AND s.coveragecode not in ('-', 'N') /**niet getelde tellingen zijn irrelevant**/ +;" + +grouping_tellingen <- +"GROUP BY + su.SurveyCode +, su.SurveyNaam +, a.AnalyseSetKey +, a.AnalyseSetNaam +, l.RegioWVCode +, l.RegioWVNaam +, l.LocationWVCode +, l.LocationWVNaam +, ss.Seasonname +, e.EventCode +, e.EventLabel +, e.SortOrder +, f.SampleDate +, s.CoverageCode +, s.CoverageDescription +, s.IsNulTelling +, NulTelling.SampleKey;" +``` + + +```{r bevragen-warehouse-zeeschelde-tellingen} + +query <- + paste0(str_sub(basis_query_tellingen, end=-2), + " AND f.AnalyseSetKey = 1 /**alleen Zeescheldetellingen**/", + " AND ss.seasonname in ", + seizoenen_query, + str_sub(grouping_tellingen, end=-2), + ";" + ) + +con <- connect_inbo_dbase("W0004_00_Waterbirds") +overzicht_tellingen <- + dbGetQuery(con, + query) +dbDisconnect(con) + +# selectie van de telgebieden gespecifieerd in de Zeeschelde_gebiedsgroepen - KRWZS +overzicht_tellingen <- + overzicht_tellingen %>% + dplyr::filter(GebiedsCode %in% gebiedsgroepen$gebiedscode) + +``` + +```{r toevoegen-warehouse-tellingen-MIDMA-zijrivieren} + +telzones_zijrivieren <- + gebiedsgroepen$gebiedscode %>% + unique() %>% + setdiff(overzicht_tellingen$GebiedsCode %>% + unique()) + +telzones_query <- + paste0("'", telzones_zijrivieren, "'", collapse = ",") %>% + paste0("(", ., ")") + +query <- + paste0(str_sub(basis_query_tellingen, end=-2), + " AND f.Analysesetkey = 2 /**alleen midmaandelijkse tellingen, i.e. uit MIDMA-analysesets - voldoende om enkel analyseset 2 te nemen**/", + " AND ss.seasonname in ", + seizoenen_query, + " AND l.LocationWVCode in ", + telzones_query, + str_sub(grouping_tellingen, end=-2), + ";" + ) + + +con <- connect_inbo_dbase("W0004_00_Waterbirds") +tellingen_zijrivieren <- + dbGetQuery(con, + query) +dbDisconnect(con) + +overzicht_tellingen <- + overzicht_tellingen %>% + bind_rows(tellingen_zijrivieren) + + +``` + + +```{r correcties-overzicht_tellingen} + +# checken voor dubbels in de dataset +overzicht_tellingen %>% + arrange(Gebied, Telseizoen, Telling, Teldatum, ProjectCode) %>% + distinct(Gebied, Telseizoen, Telling, Teldatum, ProjectCode) + + + +``` + + +```{r toevoegentellinging-informatie-gebiedsgroepen} + +overzicht_tellingen <- + overzicht_tellingen %>% + rename_all(tolower) %>% + left_join(gebiedsgroepen) %>% + select(-telling, -tellingsortorder) + +``` + +```{r overzicht-aantal-tellingen} + +overzicht_tellingen <- + overzicht_tellingen %>% + mutate(IsNulTelling = if_else(isnultelling == 1, "ja", "nee")) + + +# overzicht aantal tellingen +aantaltellingen <- overzicht_tellingen %>% + count(analyseset, telvolledigheidcode, telvolledigheid, isnultelling) + +knitr::kable(aantaltellingen) + +# volledigheid wintertelseizoen +overzicht_tellingen %>% + dplyr::filter (telseizoen == "2023/24") %>% + dplyr::filter(month(teldatum) %in% c(10, 11, 12, 1, 2, 3)) %>% + group_by(projectcode, gebiedscode, gebied, gebiedsgroep_code) %>% + count(telseizoen, sort= TRUE) %>% + dplyr::filter (n < 6) # gebieden met minder dan 6 tellingen vertonen ontbrekende wintertellingen + +# overzicht_tellingen %>% +# filter (telseizoen == "2021/22") %>% +# filter(month(teldatum) %in% c(10, 11, 12, 1, 2, 3)) %>% +# group_by(gebiedscode, gebied, gebiedsgroep_code) %>% +# count(telseizoen, sort= TRUE) %>% +# filter (n < 6) # gebieden met minder dan 6 tellingen vertonen ontbrekende wintertellingen +# # pull(gebiedscode) + + +# test <-overzicht_tellingen %>% +# mutate(telseizoen1 = as.numeric(str_sub(telseizoen, 1, 4))) %>% +# mutate(jaar = teldatum %>% +# ymd() %>% +# year(), +# maand = teldatum %>% +# ymd() %>% +# month()) %>% +# filter (telseizoen == "2021/22") %>% +# filter (gebiedscode == ontbrekendetellingen) %>% +# # select(gebied, teldatum) %>% #kijk alleen naar teldatum want telling en tellingsortorder kloppen niet in databank +# arrange(teldatum) + +overzicht_tellingen %>% + dplyr::filter (telseizoen == "2023/24") %>% + dplyr::filter (gebiedscode == "3153801") %>% + select(projectcode, gebiedscode, gebied, teldatum) %>% #kijk alleen naar teldatum want telling en tellingsortorder kloppen niet in databank + arrange(teldatum) + + +``` + +#### correcties op de opgehaalde data uit de watervogeldatabank + +```{r correcties-Waterbirds} + +# checken voor dubbels in de dataset +Waterbirds %>% + group_by_at(vars(-Aantal)) %>% + mutate(n = n()) %>% + ungroup() %>% + dplyr::filter(n>1) %>% + arrange(Gebied, Telseizoen, Telling, Teldatum, NedNaam, ProjectCode) + +# Correctie hiervoor +Waterbirds <- + Waterbirds %>% + group_by_at(vars(-Aantal)) %>% + summarise(Aantal = max(Aantal)) %>% # maximum van de dubbele tellingen + ungroup() + +# Twee gebieden in dataset die er niet thuishoren: +Waterbirds %>% + dplyr::filter(str_detect(Gebied, "aapskooi|Oude Dijle")) %>% + group_by(Gebied) %>% + summarise() %>% + ungroup() + +# Correctie +Waterbirds <- + Waterbirds %>% + dplyr::filter(!str_detect(Gebied, "aapskooi|Oude Dijle")) + +# Telzones op nederlands grondgebied worden niet meegeteld (strik gesproken geen Zeeschelde). Dit gaat over de teltrajecten (9999999 en 9999998) gelegen op Nederlands grondgebied. Deze teltrajecten zitten niet in de gebiedsgroepen file + +# # Enkel wintertellingen +# WaterbirdsBTw <- WaterbirdsBT %>% filter(month(Teldatum) %in% c(10, 11, 12, 1, 2, 3)) + +``` + +```{r telseizoen metadata} + + +laatste_telseizoen <- + WaterbirdsBT %>% + pull(Telseizoen) %>% + unique() %>% + sort() %>% + last() + + + +``` + +```{r toevoegen-informatie-gebiedsgroepen} + +Waterbirds_all <- + Waterbirds %>% + rename_all(tolower) %>% + left_join(gebiedsgroepenall) %>% + select(gebiedsgroeptype_code, + gebiedsgroep_code, + gebiedsgroep, + rivier, + gebiedscode, + gebied = gebiedsnaam, + telseizoen, + teldatum, + nednaam, + wetnaam, + taxongroepcode = taxongroupcode, + aantal, + analyseset) + +Waterbirds_all %>% + write_delim(paste0(pad_data, "Watervogels_all_ruwedata.csv"), + delim = ";") + +####dataset inlezen zonder databank bevraging +# Waterbirds <- +# read_delim(paste0(pad_data, "Watervogels_all_ruwedata.csv"), +# delim = ";") + + +#MONEOStelgebieden gebiedsgroepinfo (niet voor sigma, vallei) +Waterbirds <- + Waterbirds %>% + rename_all(tolower) %>% + mutate(gebiedscode = as.character(gebiedscode)) %>% + left_join(gebiedsgroepen) %>% + select(gebiedsgroeptype_code, + gebiedsgroep_code, + gebiedsgroep, + rivier, + gebiedscode, + gebied = gebiedsnaam, + telseizoen, + teldatum, + nednaam, + wetnaam, + taxongroepcode = taxongroupcode, + aantal, + analyseset) + + + + +``` + +```{r controle volledigheid} +Aantaltellingenpergebied0 <- WaterbirdsBT %>% + rename_all(tolower) %>% + dplyr::filter (telseizoen == "2023/24") %>% + distinct(gebiedscode, telseizoen, teldatum) %>% + count(gebiedscode, telseizoen, teldatum) + +# aantal tellingen per telseizoen ingevoerd +Aantaltellingenpergebied <- WaterbirdsBT %>% + rename_all(tolower) %>% + dplyr::filter(analyseset =="boottelling") %>% + dplyr::filter (telseizoen == "2020/21") %>% + distinct(gebiedscode, teldatum, telseizoen) %>% + count(gebiedscode, telseizoen) + + +knitr::kable(Aantaltellingenpergebied) + +Aantaltellingenpergebied <- WaterbirdsBT %>% + rename_all(tolower) %>% + dplyr::filter(analyseset =="zijrivier_MIDMA") %>% + dplyr::filter (telseizoen == "2021/22") %>% + distinct(gebiedscode, teldatum, telseizoen) %>% + count(gebiedscode, telseizoen) + + +knitr::kable(Aantaltellingenpergebied) + +Aantaltellingenpergebied <- WaterbirdsBT %>% + rename_all(tolower) %>% + dplyr::filter(analyseset =="SIGMA_MIDMA") %>% + dplyr::filter(telseizoen == "2021/22") %>% + distinct(gebiedscode, teldatum, telseizoen) %>% + count(gebiedscode, telseizoen) + + +knitr::kable(Aantaltellingenpergebied) + +``` + +```{r optellen-per-gebiedsgroep-rivier MONEOS dataset} + +Waterbirds_Moneos <- + Waterbirds %>% + dplyr::filter(analyseset == "boottelling" | analyseset == "zijrivier_MIDMA") %>% + group_by(gebiedsgroep_code, + gebiedsgroep, + rivier, + telseizoen, + teldatum, + nednaam, + wetnaam, + taxongroepcode) %>% + summarise(aantal = sum(aantal)) %>% + ungroup() %>% + mutate(analyseset = "Zeeschelde en Zijrivieren") + + + +Waterbirds_sets <- + Waterbirds %>% + group_by(gebiedsgroeptype_code, + gebiedsgroep_code, + gebiedsgroep, + rivier, + telseizoen, + teldatum, + nednaam, + wetnaam, + taxongroepcode, + analyseset) %>% + summarise(aantal = sum(aantal)) %>% + ungroup() + + +# #enkel de data van de Zeeschelde +# WaterbirdsBT_ZSCH <- +# WaterbirdsBTall %>% +# filter(analyseset == "boottelling") %>% +# group_by(gebiedsgroep_code, +# gebiedsgroep, +# rivier, +# telseizoen, +# teldatum, +# nednaam, +# wetnaam, +# taxongroepcode) %>% +# summarise(aantal = sum(aantal)) %>% +# ungroup() %>% +# mutate(analyseset = "boottelling") +# +# #enkel de data van de sigmagebieden +# WaterbirdsBT_sigma <- +# WaterbirdsBTall %>% +# filter(analyseset == "SIGMA_MIDMA") %>% +# group_by(gebiedsgroep_code, +# gebiedsgroep, +# rivier, +# telseizoen, +# teldatum, +# nednaam, +# wetnaam, +# taxongroepcode) %>% +# summarise(aantal = sum(aantal)) %>% +# ungroup() %>% +# mutate(analyseset = "Sigma") +# +# +# #enkel de data van de sigmagebieden langsheen de Zeeschelde +# WaterbirdsBT_sigma_zeeschelde <- +# WaterbirdsBTall %>% +# filter(analyseset == "SIGMA_ZSCH_MIDMA") %>% +# group_by(gebiedsgroep_code, +# gebiedsgroep, +# rivier, +# telseizoen, +# teldatum, +# nednaam, +# wetnaam, +# taxongroepcode) %>% +# summarise(aantal = sum(aantal)) %>% +# ungroup() %>% +# mutate(analyseset = "Sigma Zeeschelde") +# +# WaterbirdsBT_vallei <- +# WaterbirdsBTall %>% +# filter(analyseset == "VALLEI_MIDMA") %>% +# group_by(gebiedsgroep_code, +# gebiedsgroep, +# rivier, +# telseizoen, +# teldatum, +# nednaam, +# wetnaam, +# taxongroepcode) %>% +# summarise(aantal = sum(aantal)) %>% +# ungroup() %>% +# mutate(analyseset = "Vallei") +# +# WaterbirdsBT_vallei_zeeschelde <- +# WaterbirdsBTall %>% +# filter(analyseset == "VALLEI_ZSCH_MIDMA") %>% +# group_by(gebiedsgroep_code, +# gebiedsgroep, +# rivier, +# telseizoen, +# teldatum, +# nednaam, +# wetnaam, +# taxongroepcode) %>% +# summarise(aantal = sum(aantal)) %>% +# ungroup() %>% +# mutate(analyseset = "Vallei Zeeschelde") +# +# +# ####data ontpolderingen en GGG's Sigma +# +# WaterbirdsBT_sigma_estuarien <- +# WaterbirdsBTallcheck %>% +# filter(analyseset == "SIGMA_MIDMA") %>% +# filter(gebiedsgroep == "GGG" | gebiedsgroep == "Ontpoldering") %>% +# group_by(gebiedsgroep_code, +# gebiedsgroep, +# rivier, +# telseizoen, +# teldatum, +# nednaam, +# wetnaam, +# taxongroepcode) %>% +# summarise(aantal = sum(aantal)) %>% +# ungroup() %>% +# mutate(analyseset = "Sigma_estuarien") + + + +# Waterbirds_sigma_estuarien <- +# WaterbirdsBTallcheck %>% +# filter(analyseset == "SIGMA_MIDMA") %>% +# filter(gebiedsgroep == "Estuarien") %>% +# group_by(gebiedsgroep_code, +# gebiedsgroep, +# rivier, +# telseizoen, +# teldatum, +# nednaam, +# wetnaam, +# taxongroepcode) %>% +# summarise(aantal = sum(aantal)) %>% +# ungroup() %>% +# mutate(analyseset = "Sigma estuarien") +# +# Waterbirds_sigma_estuarien %>% +# group_by(telseizoen) %>% +# summarise(totaal = sum(aantal)) + +# WaterbirdsBT_sigma_wetland <- +# WaterbirdsBTallcheck %>% +# filter(gebiedsgroep == "Wetland") %>% +# group_by(gebiedsgroep_code, +# gebiedsgroep, +# rivier, +# telseizoen, +# teldatum, +# nednaam, +# wetnaam, +# taxongroepcode) %>% +# summarise(aantal = sum(aantal)) %>% +# ungroup() %>% +# mutate(analyseset = "Sigma_wetland") + + +``` + + +```{r toevoegen-nultellingen, eval=FALSE} + +Waterbirds_Moneos <- + Waterbirds_Moneos %>% + complete(nesting(gebiedsgroep_code, gebiedsgroep, rivier, telseizoen, teldatum), + nesting(nednaam, wetnaam, taxongroepcode), + fill = list(0)) +Waterbirds_sets <- + Waterbirds_sets %>% + complete(nesting(gebiedsgroep_code, gebiedsgroep, rivier, telseizoen, teldatum), + nesting(nednaam, wetnaam, taxongroepcode), + fill = list(0)) +Waterbirds_all <- + Waterbirds_all %>% + complete(nesting(gebiedsgroep_code, gebiedsgroep, rivier, telseizoen, teldatum), + nesting(nednaam, wetnaam, taxongroepcode), + fill = list(0)) +# WaterbirdsBT_ZSCH <- +# WaterbirdsBT_ZSCH %>% +# complete(nesting(gebiedsgroep_code, gebiedsgroep, rivier, telseizoen, teldatum), +# nesting(nednaam, wetnaam, taxongroepcode), +# fill = list(0)) +# +# WaterbirdsBT_sigma <- +# WaterbirdsBT_sigma %>% +# complete(nesting(gebiedsgroep_code, gebiedsgroep, rivier, telseizoen, teldatum), +# nesting(nednaam, wetnaam, taxongroepcode), +# fill = list(0)) +# +# WaterbirdsBT_sigma_zeeschelde <- +# WaterbirdsBT_sigma_zeeschelde %>% +# complete(nesting(gebiedsgroep_code, gebiedsgroep, rivier, telseizoen, teldatum), +# nesting(nednaam, wetnaam, taxongroepcode), +# fill = list(0)) +# +# WaterbirdsBT_sigma_wetland <- +# WaterbirdsBT_sigma_wetland %>% +# complete(nesting(gebiedsgroep_code, gebiedsgroep, rivier, telseizoen, teldatum), +# nesting(nednaam, wetnaam, taxongroepcode), +# fill = list(0)) +# +# WaterbirdsBT_vallei <- +# WaterbirdsBT_vallei %>% +# complete(nesting(gebiedsgroep_code, gebiedsgroep, rivier, telseizoen, teldatum), +# nesting(nednaam, wetnaam, taxongroepcode), +# fill = list(0)) +# +# WaterbirdsBT_vallei_zeeschelde <- +# WaterbirdsBT_vallei_zeeschelde %>% +# complete(nesting(gebiedsgroep_code, gebiedsgroep, rivier, telseizoen, teldatum), +# nesting(nednaam, wetnaam, taxongroepcode), +# fill = list(0)) + +``` + + + +```{r data-trofische-groep} + +data_trofische_groep <- + read_delim(paste0(pad_data, "Voedselgilde_exoten_Moneosrapport.csv"), + delim = ";") + +data_trofische_groep <- data_trofische_groep %>% + rename_all(tolower) %>% + rename(nednaam = species) + +# testen voor dubbels in trofische groep +# data_trofische_groep %>% +# group_by(Species, Indicator) %>% +# summarise(n = n()) %>% +# ungroup() %>% +# filter(n > 1) +# +# data_trofische_groep %>% +# group_by(Species) %>% +# summarise(n = n()) %>% +# ungroup() %>% +# filter(n > 1) + + +# toevoegen trofisch groep aan dataset +Waterbirds_Moneos <- + Waterbirds_Moneos %>% + left_join(data_trofische_groep) + +``` + + + +##### gebiedsindeling T2021 + +```{r gebiedsindeling T2021} + +data_gebiedsindeling_T2021 <- + read_delim(paste0(pad_data, "Gebiedsindeling_T2021.csv"), + delim = ";") + +data_gebiedsindeling_T2021 <- + data_gebiedsindeling_T2021 %>% + mutate(rivier = case_when( + niveau4 == "Rupel" ~ "Rupel", + niveau4 == "GetijdeDurme" ~ "Durme", + niveau4 == "GetijdeDijle" ~ "Dijle", + niveau4 == "GetijdeZenne" ~ "Zenne", + niveau4 == "Monding" ~ "Monding", + niveau2 == "Westerschelde" ~"Westerschelde", + TRUE ~ "Zeeschelde" + )) + +data_gebiedsindeling_T2021 <- data_gebiedsindeling_T2021 %>% + rename(gebiedsgroep = krw) %>% + select("niveau1", "niveau2","niveau3", "gebiedsgroep", "rivier") %>% + distinct() %>% + dplyr::filter(gebiedsgroep != "Getijdenetes") + +knitr::kable(data_gebiedsindeling_T2021) + + +#### toevoegen gebiedsindeling EMSE + Waterbirds_Moneos <- + Waterbirds_Moneos %>% + dplyr::left_join(data_gebiedsindeling_T2021) %>% + mutate(niveau3 = fct_relevel(niveau3, c("Saliniteitsgradient","Oligohalien","Zoet lang verblijf","Zoet kort verblijf", "Rupel","Durme", "Zoet zijrivier"))) + +Waterbirds_Moneos %>% + distinct(niveau3) + +Waterbirds_sets <- + Waterbirds_sets %>% + dplyr::left_join(data_gebiedsindeling_T2021) %>% + mutate(niveau3 = fct_relevel(niveau3, c("Saliniteitsgradient","Oligohalien","Zoet lang verblijf","Zoet kort verblijf", "Rupel","Durme", "Zoet zijrivier"))) + +Waterbirds_sets %>% + distinct(niveau3) + +# Waterbirds_all <- +# Waterbirds_all %>% +# left_join(data_gebiedsindeling_T2021, na.rm = TRUE) %>% +# mutate(niveau3 = fct_relevel(niveau3, c("Saliniteitsgradient","Oligohalien","Zoet lang verblijf","Zoet kort verblijf", "Rupel","Durme", "Zoet zijrivier"))) +# +# Waterbirds_all %>% +# distinct(niveau3) + +# data_watervogels$niveau3 <- factor(data_watervogels1$niveau3, levels = c("Saliniteitsgradient","Oligohalien","Zoet lang verblijf","Zoet kort verblijf", "Rupel","Durme", "Zoet zijrivier")) %>% + +``` + + +```{r wegschrijven-data} + +Waterbirds_Moneos %>% + write_delim(paste0(pad_data, "Watervogels_Zeeschelde_moneos.csv"), + delim = ";") + +Waterbirds_sets %>% + write_delim(paste0(pad_data, "Watervogels_analysesets.csv"), + delim = ";") + +table(Waterbirds_Moneos$gebiedsgroep_code) + +Waterbirds_Moneos %>% + mutate(maand = month(teldatum)) %>% + dplyr::select(-c(taxongroepcode,gebiedsgroep_code, wetnaam, teldatum, analyseset)) %>% + dplyr::rename(KRW_zone = gebiedsgroep) %>% + write_delim(paste0(pad_data, "Watervogels_ZeescheldeVLIZ.csv"), + delim = ";") + + +WaterbirdsBT_sigma_estuarien <- + Waterbirds_all %>% + dplyr::filter(analyseset == "SIGMA_MIDMA") %>% + dplyr::filter(gebiedsgroep == "Ontpoldering" | gebiedsgroep == "GGG") %>% + complete(nesting(gebiedsgroep_code, gebiedsgroep, rivier, telseizoen, teldatum), + nesting(nednaam, wetnaam, taxongroepcode), + fill = list(0)) + +WaterbirdsBT_sigma_estuarien %>% + mutate(maand = month(teldatum)) %>% + dplyr::rename(Sigmagebiedstype = gebiedsgroep) %>% + mutate(niveau3 = case_when( + gebiedsgroep_code == "MH" ~ "Saliniteitsgradient", + gebiedsgroep_code == "OH" ~ "Oligohalien", + gebiedsgroep_code == "ZLVT"~ "Zoet lang verblijf", + gebiedsgroep_code == "ZKVT"~ "Zoet kort verblijf", + gebiedsgroep_code == "Durme"~ "Durme", + gebiedsgroep_code == "Rupel"~ "Rupel", + TRUE ~ "Zoet zijrivier" + )) %>% + dplyr::select(-c(gebiedsgroep_code, taxongroepcode, wetnaam, teldatum, analyseset, gebiedscode, gebied)) %>% + write_delim(paste0(pad_data, "Watervogels_Sigma_estuarienVLIZ.csv"), + delim = ";") + + + +# WaterbirdsBT_sigma_wetland <- +# Waterbirds_all %>% +# dplyr::filter(gebiedsgroep == "Wetland") %>% +# group_by(gebiedsgroep_code, +# gebiedsgroep, +# rivier, +# telseizoen, +# teldatum, +# nednaam, +# wetnaam, +# taxongroepcode) %>% +# summarise(aantal = sum(aantal)) %>% +# ungroup() %>% +# mutate(analyseset = "Sigma_wetland") + +# WaterbirdsBT_ZSCH %>% +# write_delim(paste0(pad_data, "Watervogels_Zeeschelde_SS.csv"), +# delim = ";") + +# WaterbirdsBT_sigma %>% +# write_delim(paste0(pad_data, "Watervogels_Sigma.csv"), +# delim = ";") +# +# WaterbirdsBT_sigma_zeeschelde %>% +# write_delim(paste0(pad_data, "Watervogels_Sigma_zeeschelde.csv"), +# delim = ";") +# +# +# WaterbirdsBT_vallei %>% +# write_delim(paste0(pad_data, "Watervogels_Vallei.csv"), +# delim = ";") +# WaterbirdsBT_vallei_zeeschelde %>% +# write_delim(paste0(pad_data, "Watervogels_Vallei_zeeschelde.csv"), +# delim = ";") +# +# WaterbirdsBT_sigma_estuarien %>% +# write_delim(paste0(pad_data, "Watervogels_Sigma_estuarien.csv"), +# delim = ";") +# +# WaterbirdsBT_sigma_wetland %>% +# write_delim(paste0(pad_data, "Watervogels_Sigma_wetland.csv"), +# delim = ";") + +``` + + + + From d01d043234442f06f5ffed098d74d01e92946a09 Mon Sep 17 00:00:00 2001 From: VAN RYCKEGEM Date: Thu, 13 Jun 2024 15:45:49 +0200 Subject: [PATCH 006/102] errorbar --- .../100_watervogels/20_moneos_watervogels_analyse.Rmd | 7 ++++++- 1 file changed, 6 insertions(+), 1 deletion(-) diff --git a/moneos_2023/100_watervogels/20_moneos_watervogels_analyse.Rmd b/moneos_2023/100_watervogels/20_moneos_watervogels_analyse.Rmd index 46cfa82..9a54156 100644 --- a/moneos_2023/100_watervogels/20_moneos_watervogels_analyse.Rmd +++ b/moneos_2023/100_watervogels/20_moneos_watervogels_analyse.Rmd @@ -2624,11 +2624,16 @@ data_watervogels %>% summarise(aantal = sum(aantal, na.rm = TRUE)) %>% ungroup() %>% group_by(telseizoen, niveau3, nednaam) %>% - summarise(aantal = mean(aantal, na.rm = TRUE)) %>% + summarise( + aantal = mean(aantal, na.rm = TRUE), + # sd = sd(aantal, na.rm= TRUE) + ) %>% ungroup() %>% ggplot(aes(ordered(telseizoen), aantal, group = niveau3, color = niveau3)) + geom_point(aes(shape = niveau3)) + geom_line() + + # geom_errorbar(aes(ymin = aantal - sd, ymax = aantal + sd), + # width = 0.2) + labs(x = "telseizoen", y = "gemiddeld aantal") + facet_wrap(~nednaam, From 2f499721a7e7cad0d1d04f93a4f418cc4d1598b4 Mon Sep 17 00:00:00 2001 From: MERTENS Date: Wed, 10 Jul 2024 13:58:23 +0200 Subject: [PATCH 007/102] Changes from 2023 to 2024 --- .../030_ecotopen/10_tabellen_inleiding.Rmd | 238 +++++++ .../150_geintegreerd_rapport/030_ecotopen.Rmd | 602 ++++++++++++++++++ 2 files changed, 840 insertions(+) create mode 100644 moneos_2024/030_ecotopen/10_tabellen_inleiding.Rmd create mode 100644 moneos_2024/150_geintegreerd_rapport/030_ecotopen.Rmd diff --git a/moneos_2024/030_ecotopen/10_tabellen_inleiding.Rmd b/moneos_2024/030_ecotopen/10_tabellen_inleiding.Rmd new file mode 100644 index 0000000..0091ed4 --- /dev/null +++ b/moneos_2024/030_ecotopen/10_tabellen_inleiding.Rmd @@ -0,0 +1,238 @@ +--- +params: + hoofdstuk: "030_ecotopen" +knit: (function(inputFile, ...) { + rmarkdown::render(inputFile, + output_dir = paste0(rmarkdown::yaml_front_matter(inputFile)$params$hoofdstuk, "/output"))}) +title: "Rmarkdown template MONEOS analyse" +output: word_document +editor_options: + chunk_output_type: console +--- + + +```{r setup, include=FALSE} + +knitr::opts_chunk$set(echo = FALSE, error=FALSE, warning=FALSE, message=FALSE, cache=FALSE) + +``` + + +```{r libraries} + +library(tidyverse) +library(INBOtheme) +library(rprojroot) +library(readxl) +library(writexl) +library(flextable) +library(officer) + +``` + + +```{r pad} + +# inlezen van variabelen +# pad naar data : pad_data +# pad naar tabellen : pad_tabellen +# pad naar figuren : pad_figuren + +source(find_root_file("../pad.R", criterion = is_rstudio_project)) + +pad_data <- maak_pad(params$hoofdstuk, "data") +pad_figuren <- maak_pad(params$hoofdstuk, "figuren") +pad_tabellen <- maak_pad(params$hoofdstuk, "tabellen") + +``` + +# Tabel ecotoopklassen obv fysiotoop en geomorf + +```{r 030-tabel-ecotoopklassen-1} + +geomorftype <- + c("Onbepaald", + "Zacht substraat", + "Hard natuurlijk", + "Hard antropogeen (breuksteen)", + "Schor- en dijkvegetatie", + "Getijdeplas", + "Verhard" + ) + +fysiotopen <- + c("Zeer diep subtidaal", + "Diep subtidaal", + "Matig diep subtidaal", + "Ondiep subtidaal", + "Laag slik", + "Middelhoog slik", + "Hoog slik", + "Supralitoraal s.s.", + "Hoog supralitoraal" + ) + +ecotopen <- + c("Diep subtidaal", + "Matig diep subtidaal", + "Ondiep subtidaal", + "Laag slik zacht substraat", + "Middelhoog slik zacht substraat", + "Hoog slik zacht substraat", + "Laag slik hard natuurlijk", + "Middelhoog slik hard natuurlijk", + "Hoog slik hard natuurlijk", + "Laag slik hard antropogeen", + "Middelhoog slik hard antropogeen", + "Hoog slik hard antropogeen", + "Potentiële pionierzone", + "Schor", + "Supralitoraal s.s. hard natuurlijk", + "Supralitoraal s.s. hard antropogeen", + "Hoog supralitoraal (begroeid)", + "Hoog supralitoraal hard antropogeen", + "Getijdeplas", + "Antropogeen" + ) + +ecotopen_df <- data.frame(ecotopen) %>% + rename(Ecotoop = ecotopen) %>% + mutate( + Getijdezone = case_when( + str_detect(Ecotoop, "subtidaal") ~ "Sublitoraal", + str_detect(Ecotoop, "slik") ~ "Litoraal", + TRUE ~ "Supralitoraal" + ), + Geomorftype = case_when( + str_detect(Ecotoop, "Hoog supralitoraal hard antropogeen") ~ "Hard antropogeen (breuksteen)", + str_detect(Ecotoop, "Schor|Hoog supralitoraal") ~ "Schor- en dijkvegetatie", + str_detect(Ecotoop, "subtidaal") ~ "Onbepaald", + str_detect(Ecotoop, "zacht substraat|Potentiële pionierzone") ~ "Zacht substraat", + str_detect(Ecotoop, "hard natuurlijk") ~ "Hard natuurlijk", + str_detect(Ecotoop, "hard antropogeen") ~ "Hard antropogeen (breuksteen)", + str_detect(Ecotoop, "Getijdeplas") ~ "Getijdeplas", + str_detect(Ecotoop, "Antropogeen") ~ "Verhard" + ), + Fysiotoop = case_when( + str_detect(Ecotoop, "subtidaal") ~ Ecotoop, + str_detect(Ecotoop, "Laag slik") ~ "Laag slik", + str_detect(Ecotoop, "Middelhoog slik") ~ "Middelhoog slik", + str_detect(Ecotoop, "Hoog slik") ~ "Hoog slik", + str_detect(Ecotoop, "Hoog supralitoraal") ~ "Hoog supralitoraal", + str_detect(Ecotoop, "pionierzone|Supralitoraal|Schor") ~ "Supralitoraal s.s.", + str_detect(Ecotoop, "Getijdeplas|Antropogeen") ~ "" + ) + ) %>% + bind_rows(data.frame(Getijdezone = "Sublitoraal", + Ecotoop = "Diep subtidaal", + Geomorftype = "Onbepaald", + Fysiotoop = "Zeer diep subtidaal")) %>% + mutate(Ecotoop = factor(Ecotoop, levels = ecotopen)) %>% + arrange(Ecotoop, fct_relevel(Fysiotoop, 'Zeer diep subtidaal')) %>% + relocate(Getijdezone, Geomorftype, Fysiotoop, Ecotoop) + +``` + +```{r make flextable 1} +#### E1 klassen tabel #### + +set_flextable_defaults(background.color = "white") + +row_div <- c(5:7, 11:13, 18:19) + +flt_klassen <- + ecotopen_df %>% + flextable() %>% + merge_v() %>% + bold(i = 1, part = "header") %>% + width(j = "Fysiotoop", width = 40, unit = "mm") %>% + width(j = "Geomorftype", width = 45, unit = "mm") %>% + width(j = "Ecotoop", width = 67, unit = "mm") %>% + bg(i = row_div, j = 2:4, bg = "#D9D9D9", part = "body") %>% + hline_bottom(part = "body", border = fp_border(color = "#D9D9D9", width = 1.5)) %>% + rotate(j = "Getijdezone", rotation = "btlr", part = "body") %>% + set_header_labels(Getijdezone = "") %>% + width(j = 1, width = 10, unit = "mm") %>% + hline(i = c(4, 13), part = "body") %>% + vline(j = 1, part = "body") + +output_name_klassen <- "030_tabel_klassen_E1.png" +flt_klassen %>% save_as_image(path = str_c(pad_tabellen, output_name_klassen)) + +``` + +```{r 030-tabel-ecotoopklassen-2} + +ecotopen_20_sublitoraal <- + c("Hoogdynamisch diep subtidaal", + "Laagdynamisch diep subtidaal", + "Hoogdynamisch matig diep subtidaal", + "Laagdynamisch matig diep subtidaal", + "Hoogdynamisch ondiep subtidaal", + "Laagdynamisch ondiep subtidaal") + +snelheden_sublitoraal <- + c("> 0,83 m/s", + "<= 0,83 m/s", + "> 0,92 m/s", + "<= 0,92 m/s", + "> 1,01 m/s", + "<= 1,01 m/s") + +df_sublit_20 <- data.frame("Ecotoop" = ecotopen_20_sublitoraal, "maxV" = snelheden_sublitoraal) %>% + mutate(Getijdezone = "Sublitoraal", Geomorftype = "Onbepaald", Fysiotoop = Ecotoop) + +ecotopen_df_20 <- + ecotopen_df %>% + dplyr::filter(!str_detect(Ecotoop, "subtidaal")) %>% + mutate(maxV = "") %>% + bind_rows(df_sublit_20) %>% + bind_rows(data.frame(Getijdezone = "Sublitoraal", + Ecotoop = "Hoogdynamisch diep subtidaal", + Geomorftype = "Onbepaald", + Fysiotoop = "Zeer diep subtidaal", + maxV = "----")) %>% + mutate(Getijdezone = factor(Getijdezone, levels = c("Sublitoraal", "Litoraal", "Supralitoraal"))) %>% + arrange(Getijdezone, fct_relevel(Fysiotoop, 'Zeer diep subtidaal')) %>% + relocate(Getijdezone, Geomorftype, Fysiotoop, maxV, Ecotoop) + +movedown <- ecotopen_df_20 %>% + dplyr::filter(Ecotoop %in% c("Hoog supralitoraal (begroeid)", "Hoog supralitoraal hard antropogeen", "Getijdeplas", "Antropogeen")) + +ecotopen_df_20 <- ecotopen_df_20 %>% + dplyr::filter(!Ecotoop %in% c("Hoog supralitoraal (begroeid)", "Hoog supralitoraal hard antropogeen", "Getijdeplas", "Antropogeen")) %>% + bind_rows(movedown %>% + arrange(fct_relevel(Ecotoop, "Hoog supralitoraal (begroeid)", "Hoog supralitoraal hard antropogeen", "Getijdeplas", "Antropogeen"))) %>% + rename("Max. snelheid (vloed)" = maxV) + + + +``` + +```{r make flextable klassen 2} +#### E2 klassen tabel #### + +set_flextable_defaults(background.color = "white") + +row_div_2 <- c(8:10, 14:16, 21:22) + +flt_klassen_2 <- + ecotopen_df_20 %>% + flextable() %>% + merge_v(j = c(1:3, 5)) %>% + bold(i = 1, part = "header") %>% + width(j = "Fysiotoop", width = 40, unit = "mm") %>% + width(j = "Geomorftype", width = 45, unit = "mm") %>% + width(j = "Ecotoop", width = 67, unit = "mm") %>% + bg(i = row_div_2, j = 2:5, bg = "#D9D9D9", part = "body") %>% + hline_bottom(part = "body", border = fp_border(color = "#D9D9D9", width = 1.5)) %>% + rotate(j = "Getijdezone", rotation = "btlr", part = "body") %>% + set_header_labels(Getijdezone = "") %>% + width(j = 1, width = 10, unit = "mm") %>% + hline(i = c(7, 16), part = "body") %>% + vline(j = 1, part = "body") + +output_name_klasse_2 <- "030_tabel_klassen_E2.png" +flt_klassen_2 %>% save_as_image(path = str_c(pad_tabellen, output_name_klasse_2)) +``` + diff --git a/moneos_2024/150_geintegreerd_rapport/030_ecotopen.Rmd b/moneos_2024/150_geintegreerd_rapport/030_ecotopen.Rmd new file mode 100644 index 0000000..1b3b1cf --- /dev/null +++ b/moneos_2024/150_geintegreerd_rapport/030_ecotopen.Rmd @@ -0,0 +1,602 @@ +--- +editor_options: + markdown: + wrap: sentence + chunk_output_type: inline +--- + +```{r 030-hoofdstuk, include=FALSE} + +hoofdstuk <- "030_ecotopen" + +``` + +```{r 030-setup, include=FALSE} + +knitr::opts_chunk$set(echo = FALSE, error=FALSE, warning=FALSE, message=FALSE, cache=FALSE, fig.pos = "H") +knitr::opts_knit$set(eval.after = "fig.cap") + +``` + +```{r 030-libraries} + +library(tidyverse) +library(readxl) +library(kableExtra) +library(INBOtheme) +library(rprojroot) ## workaround pad + +``` + +```{r 030-pad} + +# inlezen van variabelen +# pad naar data : pad_data +# pad naar tabellen : pad_tabellen +# pad naar figuren : pad_figuren + +source(find_root_file("../pad.R", criterion = is_rstudio_project)) + +pad_data <- maak_pad(hoofdstuk, "data") +pad_figuren <- maak_pad(hoofdstuk, "figuren") +pad_tabellen <- maak_pad(hoofdstuk, "tabellen") + +``` + +```{r 030-table_from_figure-function} + +figtab <- + function(label, image_file, caption=NULL) { + txt <- sprintf('\\begin{table}[H]\n\\caption{%s}\n\\label{tab:%s}\n\\includegraphics{%s}\n\\end{table}', + caption, + label, + image_file) + magick::image_read(image_file) %>% magick::image_ggplot() %>% print() + writeLines(txt) + } + +``` + +```{r 030-meta_data} + +meta_data <- + read_delim(paste0(pad_data, "meta_data.csv"), + delim = ";") + +for(i in 1:nrow(meta_data)){ + ##first extract the object value + tempobj=meta_data$waarde[i] + ##now create a new variable with the original name of the list item + eval(parse(text=paste(meta_data$naam[i],"= tempobj"))) +} + +``` + +# Ecotopen + +**Fichenummer: S-DH-V-004 - Ecotopen** **Amber Mertens & Alexander Van Braeckel** + +## Inleiding + +Om de evolutie van de diversiteit van estuariene habitats in de Zeeschelde op te volgen vormt de ecotopenkaart, samen met haar basiskaarten de fysiotopenkaart en een geomorfologische kaart, het belangrijkste instrument. +Deze kaarten worden jaarlijks gemaakt voor de Beneden-Zeeschelde en 3-jaarlijks voor de Boven-Zeeschelde, Rupel en Durme. +In dit MONEOSrapport wordt de ecotopenkaart van `r laatste_jaar` van de Beneden-Zeeschelde besproken. +In de ecotopenkaart worden habitatoppervlakten in natuurontwikkelingsprojecten (NOP's) zoals ontpolderingen, GGG's en dijkverleggingen mee opgenomen wanneer deze een open aansluiting hebben met de Zeeschelde. + +De essentie van een goed ecotopenstelsel is dat de juiste fysische grenzen bepaald zijn voor het potentieel voorkomen van specifieke levensgemeenschappen. +In het tot nu toe toegepaste Zeeschelde ecotopenstelsel 1.0 werden subtidale (water) en litorale (slik) ecotopen vooralsnog uitsluitend op basis van diepte en overspoelingsregime onderscheiden, zonder ecologische validatie. +Van Braeckel *et al* (2018; 2020) onderzochten ondertussen de relatie tussen abiotische omgevingskenmerken, zoals hoogte in het getijvenster en stroomsnelheid, en het voorkomen van ongewervelde bodemdiergemeenschappen. +Op basis van hun bevindingen werd het ecotopenstelsel Zeeschelde 2.0 voorgesteld. +Deze nieuwe indeling van de ecotopen weerspiegelt beter de leefgebieden van verschillende levensgemeenschappen. +Het wordt uitgebreid besproken in Van Braeckel et al. (2018) voor de sublitorale zone en in Van Braeckel et al. (2020) voor de litorale zone. + +In deze rapportage wordt de ecotopenkaart voor de Beneden-Zeeschelde volgens beide ecotopenstelsels voorgesteld. +De kaart van het ecotopenstelsel *Zeeschelde 1.0* bestaat van `r vroegste_jaar` tot `r laatste_jaar`, terwijl de kaart van het ecotopenstelsel *Zeeschelde 2.0* teruggerekend is tot en met 2019. +De ecotopenkaart Zeeschelde 2.0 werd voor het eerst gerapporteerd in het MONEOS rapport van 2022 (kaart van toestand 2020) (Mertens & Van Braeckel, 2022). + +## Methodologie {#ECTM} + +De ecotopenkaart wordt samengesteld uit enerzijds een geomorfologische kaart en anderzijds een fysiotopenkaart (Tabel \@ref(tab:030-tabel-klassen-E1)). +Beiden worden hier kort beschreven. +Voor een uitgebreidere bespreking van materiaal en methode wordt verwezen naar Van Braeckel & Elsen (2018). + +### Geomorfologische kaart + +De geomorfologische kaart onderscheidt volgende subtraattypes: + +- schor- en dijkvegetatie (met hogere vegetatie begroeid substraat) +- getijdeplas (water) +- hard natuurlijk substraat (veen- en kleibanken) +- hard antropogeen substraat (breuksteen, schanskorven) +- verhard (volledig verharde zones zonder enige ecologische waarde: geen algen- noch plantengroei) +- onbepaald (zacht onbegroeid substraat: slik en potentiële pionierzone) + +De kaart wordt gemaakt aan de hand van false colour beelden bij laagwater, die eens in de drie jaar gemaakt worden in opdracht van De Vlaamse Waterweg. +Voor de tussenliggende jaren wordt ook gebruik gemaakt van orthofotomozaïeken van Vlaanderen, die echter niet altijd bij laag water genomen zijn. +Voor de huidige Beneden-Zeeschelde kaart is gebruikt gemaakt van het meest recente false color beeld van 2022 en de orthofotomozaïek van `r laatste_jaar`.2 +De grenzen worden hierop ingetekend door personen met een uitgebreide terreinkennis, vertrekkende van de grenzen van het voorgaande jaar. +Figuur \@ref(fig:030-figuur-geomorfkaart) toont een voorbeeld van de geomorfologische kaart 2021 ter hoogte van schor Ouden Doel met links het false color beeld van 2019 bij laag water en rechts de orthofotomozaïek van 2021. + +
+ +```{r 030-figuur-geomorfkaart, fig.cap=figuur_geomorfkaart, out.width="100%"} + +figuur_geomorfkaart <- "Geomorfologische kaart 2021 voorbeeld ter hoogte van schor van Ouden Doel met als achtergrond false color beeld 2019 (links) en orthofotomozaïek Vlaanderen 2021 (rechts)." + +knitr::include_graphics(paste0(pad_figuren, "030_voorbeeld_geomorf_2021.png")) +``` + +
+ +### Fysiotopenkaart + +De fysiotopenkaart bakent abiotische eenheden af op basis van overspoelingsregime in het litoraal en op basis van diepte (ecotopenstelsel *Zeeschelde 1.0)* en maximale stroomsnelheid bij vloed (ecotopenstelsel *Zeeschelde 2.0)* in het sublitoraal*.* De basisgegevens zijn een digitaal hoogtemodel, getijdata en berekende stroomsnelheden. + +- Het digitaal hoogtemodel wordt samengesteld en aangeleverd door afdeling Maritieme Toegang. + Het is een gecombineerd grid van lidar hoogtemetingen en multibeam bathymetriemetingen. + +- Overspoelingsfrequenties en droogvalduren worden berekend door interpolatie van waterstandsmetingen per tijpost en over een periode van 4 jaar. + De tijdata van het waterbouwkundig laboratorium worden via HIC webservices geleverd. + Om de litorale fysiotopen af te bakenen worden doorsnedes gemaakt van waterhoogtes met het digitaal hoogtemodel. + +- Maximale stroomsnelheden bij vloed worden berekend volgens het Scaldis 3D-model van het Waterbouwkundig Laboratorium. + +In de **sublitorale zone** worden in het ecotopenstelsel *Zeeschelde 1.0* 'diepte' fysiotopen onderscheiden onder gemiddeld laagwater bij springtij. +Het referentienieveau is het 30e percentiel van het laagwater (LW30): + +- Zeer diep subtidaal: \>10m onder LW30 + +- Diep subtidaal: 5-10m onder LW30 + +- Matig diep subtidaal: 2-5m onder LW30 + +- Ondiep subtidaal: 0-2m onder LW30 + +In het ecotopenstelsel *Zeeschelde 2.0* blijven dezelfde dieptegrenzen gehandhaafd. +Daarin worden telkens hoog- en laagdynamische habitats onderscheiden op basis van maximale stroomsnelheid bij vloed, berekend volgens het Scaldis 3D-model van het Waterbouwkundig Laboratorium. +Voor de jaren 2019 - 2021 is steeds hetzelfde Scaldis 2019 model gebruikt. +De grenswaarden zijn gebaseerd op het voorkomen van ongewervelde bodemdiergemeenschappen (Van Braeckel et al, 2018) en verschillen per diepteklasse (Tabel \@ref(tab:030-tabel-dynamiek-ecotopen) ). +In het ondiep subtidaal is de maximale stroomsnelheid voor laagdynamisch habitat 1.01 m/s. +In het matig diep subtidaal is dit 0.92 m/s en in het diep subtidaal wordt 0.83 m/s gehanteerd. +Het zeer diep subtidaal (\> 10 m onder LW30) wordt volledig als hoogdynamisch geklasseerd. + +
+ +```{r 030-tabel-dynamiek-ecotopen, results="asis", fig.show='hide', out.width="100%"} + +caption_tab <- "Afbakening van hoogdynamisch habitat op basis van maximale stroomsnelheid bij vloed, per diepteklasse (waterdiepte onder het gemiddeld laagwater bij springtij volgens de 30\\% laagwaterfrequentie)." + +img_file <- paste0(pad_tabellen, "030_tabel_dynamiek_ecotopen.png") + +figtab(knitr::opts_current$get()$label, + img_file, + caption_tab) + +``` + +
+ +De **litorale zone** ligt tussen gemiddeld laagwater en gemiddeld hoogwater bij springtij (GLWS-GHWS). +De gebruikte referentie niveaus zijn de waterstand bij LW30 (het 30e percentiel van de laagwaters) en bij HW85 (het 85e percentiel van de hoogwaters). + +In het ecotopenstelsel *Zeeschelde 1.0* worden 3 litorale fysiotopen onderscheiden op basis van percentages droogvalduur (DD): + +- Laag slik: tussen LW 30% en DD 25% +- Middelhoog slik: tussen DD 25% en DD 75% +- Hoog slik: tussen DD 75% en HW 85% + +In het ecotopenstelsel *Zeeschelde 2.0* worden op basis van de verspreiding van bodemdiergemeenschappen andere droogvalduurgrenzen gehanteerd. +Deze zijn niet overal dezelfde (Tabel \@ref(tab:030-tabel-slik-ecotopen)). +In de saliniteitszones "Mesohalien" en "Zone met sterke saliniteitsgradiënt" (brakke zone) blijft de grens tussen laag en middelhoog slik op 25% DD, maar in de saliniteitszones "Oligohalien" en de zones "Zoet lange/korte verblijftijd" verschuift deze grens naar 35% DD. +De verspreiding van de saliniteitszones is te zien op de kaart in Hoofdstuk 1. +De overgang van middelhoog naar hoog slik wordt 60%DD in plaats van 75%DD in de volledige Zeeschelde. + +
+ +```{r 030-tabel-slik-ecotopen, results="asis", fig.show='hide', out.width="100%"} + +caption_tab <- "Grenzen voor slik fysiotopen Zeeschelde 1.0 en Zeeschelde 2.0 op basis van verschillende percentielen van laagwater (LW), hoogwater (HW), en droogvalduur (DD)." + +img_file <- paste0(pad_tabellen, "030_tabel_slik_ecotopen.png") + +figtab(knitr::opts_current$get()$label, + img_file, + caption_tab) + +``` + +
+ +De **supralitorale zone** is de zone boven gemiddeld hoogwater bij springtij (HW85). +De bovengrens van van deze zone is ook de bovengrens van het estuarium en werd theoretisch vastgelegd als de hoogte die op basis van tijdata gemiddeld vier maal per jaar overspoelt. + In het supralitoraal worden twee fysiotopen onderscheiden : + +- supralitoraal s.s. +- hoog supralitoraal + +Het supralitoraal s.s. +is de zone waar het overspoelingsregime geschikt is voor de ontwikkeling van estuariene schorvegetaties. +Het hoog supralitoraal is de zone die hoger ligt dan de functionele schorren. +Deze zone overspoelt niet bij elk springtij maar enkel bij extreme hoogwaters zoals bij stormtij of hoge bovenafvoer. +Dat is onvoldoende om estuariene schorvegetaties te ontwikkelen. +Het hoog supralitoraal is dus de overgangszone tussen het schor en de dijkvegetatie alsook de opgehoogde delen midden in het schor. + +De grens tussen het hoog supralitoraal en het supralitoraal s.s of het schor verandert met het getijregime langs de longitudinale estuariene gradiënt. +Van de Belgisch-Nederlandse grens tot de Roggeman en Vlassenbroek ligt deze op 6,4m TAW. +Stroomopwaarts Roggeman/Vlassenbroek en in Durme en Rupel wordt 6,2m TAW aangehouden en in de Ringvaart en Tijarm Zwijnaarde 5.75m TAW. +Deze hoogtes zijn vastgesteld op basis van expertise en worden voorlopig toegepast. +Momenteel wordt een ecologisch gevalideerde grens gedefinieerd op basis van voorkomende plantengemeenschappen. +Op basis van de resultaten van dit onderzoek zal in de toekomst gebruik gemaakt worden van een grens gebaseerd op de overspoelingsfrequenties. + + + +### Ecotopenkaart + +De geomorfologische kaart en de fysiotopenkaart worden samengevoegd om de ecotopen te bekomen (Tabel \@ref(tab:030-tabel-klassen-E1) en Tabel @ref(tab:030-tabel-klassen-E2)). + +In de **sublitorale zone** zijn de ecotopen gelijk aan de fysiotopen. + +- In het ecotopenstelsel *Zeeschelde 1.0* worden het "Zeer diep subtidaal" en "Diep subtidaal" samengenomen in het ecotoop "Diep subtidaal". + +- In het ecotopenstelsel *Zeeschelde 2.0* wordt, behalve in het "Zeer diep subtidaal' telkens onderscheid gemaakt in hoog- en laagdynamisch + +In de **litorale zone** worden de slikfysiotopen gecombineerd met de geomorfologie tot zachte slikken, natuurlijk harde slikken en antropogeen harde slikken (Tabel \@ref(tab:030-tabel-klassen-E1)). + +In het *ecotopenstelsel 2.0* wordt ook slik met steile en vlakke helling onderscheiden met 25% als grenswaarde. +Deze worden niet als apart ecotoop gekarteerd, maar de oppervlaktes worden wel berekend. + + +In de **supralitorale zone** worden volgende ecotopen onderscheiden: + +- Potentiële pionierzone: de onbegroeide zone op zacht substraat boven HW85. In deze zone zou, op basis van de hoogteligging in het getijvenster, schoruitbreiding met kenmerkende schorvegetatie mogelijk zijn. Aangezien deze zone onbegroeid blijft, zijn de hydrodynamische omstandigheden en/of de waterverzadiging er niet geschikt voor vegetatievestiging; +- Schor: zone boven HW85, maar lager dan de grens voor het hoog supralitoraal, begroeid met vegetatie kenmerkend voor estuariene of fluviatiele omstandigheden; +- Getijdeplas: grote waterplas binnen de schorzone; +- Supralitoraal s.s. hard natuurlijk: zone van klei of veen, vaak door erosie vrijgekomen, gelegen tussen HW85 en de ondergrens van het hoog supralitoraal; +- Supralitoraal s.s. hard antropogeen: zone tussen HW85 en de ondergrens van het hoog supralitoraal met antropogeen hard substraat, meestal breuksteen of schanskorven, waartussen beperkte vegetatieontwikkeling mogelijk is en dus ook met beperkt ecologisch potentieel; +- Hoog supralitoraal: Met hogere planten begroeide zone boven de functionele schorren ; +- Hoog supralitoraal hard antropogeen: deze zone kent hetzelfde overspoelingsregime als het hoog supralitoraal maar is bestort met breuksteen. Beperkte (niet estuariene) vegetatieontwikkeling is mogelijk; +- Antropogeen: Dit ecotoop beschrijft de volledig verharde zones zonder enige ecologische waarde (geen algen noch plantengroei) zowel voor supralitoraal s.s. als voor hoog supralitoraal. + +In het verleden werd de categorie hoog supralitoraal ingevuld op basis van gekende hogere zones in combinatie met de vegetatiekaart. +Vanaf 2019 tot en met `r laatste_jaar` is het hoog supralitoraal ingevuld op basis van hoogtewaarden in het DTM (6,4/6,2/5,75 - 7m TAW). +Dit heeft in alle kaarten een verschuiving veroorzaakt van schor of supralitoraal hard antropogeen naar hoog supralitoraal van 2019 naar het daaropvolgend jaar. +De grote toename in hoog supralitoraal is dus het resultaat van een wijziging in de afbakeningsmethode en weerspiegelt geen natuurlijke evolutie. +Vanaf 2019 weerspiegelen de wijzigingen in het hoog supralitoraal opnieuw de natuurlijke evoluties. + +
+ + + + + + + + + + + + + + + + + + + + + +```{r 030-tabel-klassen-E1, results="asis", fig.show='hide', out.width="100%"} + +caption_tab <- "Fysiotoopklassen en geomorftypes worden gecombineerd tot ecotopenklassen in ecotopenstelsel Zeeschelde 1.0." + +img_file <- paste0(pad_tabellen, "030_tabel_klassen_E1.png") + +figtab(knitr::opts_current$get()$label, + img_file, + caption_tab) + +# # Tabel ecotoopklassen obv fysiotoop en geomorf +# ecotopen_df <- read_xlsx(path = str_c(pad_tabellen, "Klassen_Fysio_Geo_Eco.xlsx")) +# +# cap_ecotopen <- "Fysiotoopklassen en geomorftypes worden gecombineerd tot ecotopenklassen" +# +# ecotopen_df %>% +# knitr::kable(booktabs = TRUE, +# caption = cap_ecotopen) %>% +# collapse_rows(columns = c(1, 2)) %>% +# row_spec(0, background = "lightgray") %>% +# row_spec(c(5:7, 11:13, 20:21), background = "#F6F6F6") + +``` + +
+ +```{r 030-tabel-klassen-E2, results="asis", fig.show='hide', out.width="100%"} + +caption_tab2 <- "Fysiotoopklassen en geomorftypes worden gecombineerd tot ecotopenklassen in ecotopenstelsel Zeeschelde 2.0." + +img_file2 <- paste0(pad_tabellen, "030_tabel_klassen_E2.png") + +figtab(knitr::opts_current$get()$label, + img_file2, + caption_tab2) + +``` + + +\newpage + +## Ecotopen in de Zeeschelde + + + +### Ecotopen van de Beneden-Zeeschelde in `r laatste_jaar` {#BEZ} + +#### Zeeschelde ecotopen 1.0 + +De ecotopenkaart van de Beneden-Zeeschelde in `r laatste_jaar` is te zien in Figuur \@ref(fig:030-figuur-kaart-bez). + +Tabel \@ref(tab:030-tabel-oppervlakte-BEZ) toont de oppervlaktes per ecotoop in de Beneden-Zeeschelde voor elk jaar vanaf `r vroegste_jaar` in hectare (ha) en als percentage (%) van de totale oppervlakte. +De korte en lange termijn evolutie van de ecotopen is beschreven in Tabel \@ref(tab:030-tabel-evolutie-BEZ) via de absolute verandering (ha) en de procentuele verandering (%) tussen de aangegeven jaren. +Voor de korte termijn evolutie wordt het huidige jaar vergeleken met het jaar ervoor, terwijl voor de lange termijn evolutie de vergelijking van het huidig jaar gemaakt wordt met het eerste rapportage jaar (`r vroegste_jaar`). + +In `r laatste_jaar` is het **sublitoraal** met 0,7 hectare toegenomen ten opzichte van `r laatste_jaar - 1` (Tabel \@ref(tab:030-tabel-evolutie-BEZ)) en hiermee behaalt het sublitoraal in `r laatste_jaar` de hoogste oppervlakte sinds de start van de kartering (Tabel \@ref(tab:030-tabel-oppervlakte-BEZ)). +Over de gehele rapportage periode (lange termijn evolutie) is het sublitoraal in totaal met iets meer dan 15 ha toegenomen. +Er is bovendien een sterke toename (33 ha) waargenomen van ondiep subtidaal ten koste van matig diep subtidaal en laag slik. +Ook in de vergelijking van `r laatste_jaar` met `r laatste_jaar-1` is deze turnover zichtbaar. + +In het **litoraal** is de oppervlakte aan zacht substraat nagenoeg stabiel in vergelijking met `r laatste_jaar - 1`. +Binnen het zacht substraat zijn er wel verschuivingen zichtbaar in de hoogte van het slik. +Er is een turnover van laag en hoog slik naar middelhoog slik. +Deze toename in het middelhoog slik komt na een aanhoudende afname sinds 2018, maar de huidige oppervlakte is nog steeds lager dan deze in 2019. +Sinds de start van de rapportage is het zacht litoraal met ongeveer 12 hectare gestegen, voornamelijk door een stijging in het hoog slik. +Ook het natuurlijk hard substraat in het litoraal is sterk gestegen sinds `r vroegste_jaar`, namelijk 14 hectare (een stijging van bijna 80% van de initiële oppervlakte). + +In het **supralitoraal** is de oppervlakte potentiële pionierzone hersteld naar de oppervlakte in `r laatste_jaar - 2`. +In `r laatste_jaar - 1` werd een grote toename waargenomen omwille van een tijdelijke situatie van antropogene morfologische veranderingen, voornamelijk in de zone rondom Fort Filip. +De herinrichting is momenteel afgerond en de kaart weerspiegelt nu de nieuwe situatie (Figuur \@ref(fig:030-figuur-kaart-ff)). +De oppervlakte schor is met 18 hectare toegenomen ten opzichte van het voorgaande jaar. +Voor een gedeelte is deze schortoename zichtbaar in het GGG Burchtse Weel, waarbij grote delen potentiële pionierzone inmiddels begroeid zijn (Figuur \@ref(fig:030-figuur-kaart-bw)). +In `r laatste_jaar - 1` was het hoog supralitoraal sterk toegenomen (bijna 17 ha) door een wijziging in methodologie, maar in `r laatste_jaar` is de oppervlakte opnieuw afgenomen met 8,6 hectare voor het begroeide hoog supralitoraal. +Het hoog supralitoraal dat met breuksteen bedekt is (hard antropogeen) is juist toegenomen met bijna 4 hectare. +In totaal is het antropogeen hard substraat (de breuksteenzones zowel in het litoraal als supralitoraal) toegenomen met 4 hectare sinds het voorgaande jaar. +Deze nieuwe breuksteenzones liggen voornamelijk in de nieuwe zone rond Fort Filip. + +De totale oppervlakte van de Beneden-Zeeschelde ecotopen is met 5,3 ha gestegen. +Deze nieuwe oppervlakte ligt voornamelijk aan de zone rond Fort Filip. + + +
+ +\newpage + +```{r 030-figuur-kaart-bez, fig.cap=figuur_ecotopenkaart_bez, out.width="100%"} +# kaart wordt gemaakt in sjabloon_bez.mxd met schaal 1 : 97 000 + +figuur_ecotopenkaart_bez <- str_c("Ecotopenkaart ", laatste_jaar, " Beneden-Zeeschelde 1.0") + +knitr::include_graphics(paste0(pad_figuren, "030_figuur_Ecotoop_BEZ_", laatste_jaar, "_10.png")) +``` + +\newpage + +
+ +```{r 030-tabel-oppervlakte-BEZ, results="asis", fig.show='hide', out.width="100%"} + +caption_tab <- str_c("Oppervlaktes en oppervlaktepercentages van ecotopen Zeeschelde 1.0 in de Beneden-Zeeschelde in de laatste 6 jaar voor ", laatste_jaar, ", inclusief het startjaar ", vroegste_jaar, ".") + +img_file <- paste0(pad_tabellen, "030_tabel_Oppervlakte_BEZ_", vroegste_jaar, "_", laatste_jaar, "_E1.PNG") + +figtab(knitr::opts_current$get()$label, + img_file, + caption_tab) + +``` + +```{r 030-tabel-evolutie-BEZ, results="asis", fig.show='hide', out.width="100%"} + +caption_tab <- str_c("Absolute verandering en procentuele verandering van de lange termijn evolutie (tussen ", vroegste_jaar, " en ", laatste_jaar, ") en de korte termijn evolutie (tussen ", laatste_jaar - 1, " en ", laatste_jaar, ") in de Beneden-Zeeschelde 1.0.") + +img_file <- paste0(pad_tabellen, "030_tabel_evolutie_BEZ_", laatste_jaar, "_E1.PNG") + +figtab(knitr::opts_current$get()$label, + img_file, + caption_tab) + +``` + + +(ref:figff) Ecotopenkaart Zeeschelde 1.0 2021 Fort Filip vernieuwde zone (centraal onder), overzichtskaart met rode kader als indicator detailkaart (linksboven), ecotopenkaart 2020 Fort Filip tussentie fase (rechtsboven). Zie Figuur \@ref(fig:030-figuur-kaart-bez) voor legende. + + +```{r 030-figuur-kaart-ff, fig.cap='(ref:figff)', out.width="100%"} + +# figuur_kaart_ff <- "Ecotopenkaart Zeeschelde 1.0 2021 Fort Filip vernieuwde zone (centraal onder), overzichtskaart met rode kader als indicator detailkaart (linksboven), ecotopenkaart 2020 Fort Filip tussentie fase (rechtsboven). Zie Figuur \\@ref(fig:030-figuur-kaart-bez) voor legende." + +knitr::include_graphics(paste0(pad_figuren, "030_figuur_FortFilip_2021.png")) + +``` + + +(ref:figbw) Ecotopenkaart Zeeschelde 1.0 2021 Burchtse Weel schoruitbreiding (centraal onder), overzichtskaart met rode kader als indicator detailkaart (linksboven), ecotopenkaart 2020 Burchtse Weel (rechtsboven). Zie Figuur \@ref(fig:030-figuur-kaart-bez) voor legende. + + +```{r 030-figuur-kaart-bw, fig.cap='(ref:figbw)', out.width="100%"} + +# figuur_kaart_bw <- "Ecotopenkaart Zeeschelde 1.0 2021 Burchtse Weel schoruitbreiding (centraal onder), overzichtskaart met rode kader als indicator detailkaart (linksboven), ecotopenkaart 2020 Burchtse Weel (rechtsboven). Zie Figuur \\@ref(fig:030-figuur-kaart-bez) voor legende." + +knitr::include_graphics(paste0(pad_figuren, "030_figuur_BurchtseWeel_2021.png")) + +``` + +
+ +Om de veranderingen beschreven in Tabel \@ref(tab:030-tabel-oppervlakte-BEZ) en Tabel \@ref(tab:030-tabel-evolutie-BEZ) goed te begrijpen is het relevant om naast het bespreken van het geheel estuarien gebied met laterale uitbreidingen ook naar de 'enge' planimetrie van het estuarium te kijken (zie bijvoorbeeld Van Braeckel & Elsen, 2020), met name het estuariene deel van de Beneden-Zeeschelde zonder de laterale uitbreidingen van de natuurontwikkelingsprojecten. +Deze aanpak beschrijft beter de evolutie van de ecotopen in de Beneden-Zeeschelde onder rechtstreekse invloed van veranderingen in de vaargeul en van de het hydraulisch regime. +De gebieden die dus niet in rekening worden gebracht onder de 'enge' planimetrie van de Beneden-Zeeschelde zijn nieuwe Sigmagebieden of natuurontwikkelingsprojecten in KRWzone IV en III tot aan de Rupelmonding. +De oppervlaktes van de ecotopen binnen de 'enge' planimetrie zijn weergegeven in Tabel \@ref(tab:030-tabel-eng-BEZ) en het verschil in evolutie binnen het gehele estuarien gebied en enkel de 'enge' planimetrie is te zien in Figuur \@ref(fig:030-figuur-evolutie-bez). + +Zowel op korte als lange termijn volgen de evoluties in het laag en middelhoog slik dezelfde tendensen in de 'enge' planimetrie als in de volledige planimetrie. +De geleidelijke afname van de oppervlakte hoog slik zoals die zich voordoet in de volledige planimetrie lijkt zich niet voor te doen in de enge planimetrie. +Uit deze vergelijking blijkt ook dat ongeveer de helft van de toename in middelhoog slik heeft plaatsgevonden binnen de laterale uitbreidingen . + +De oppervlakte potentiële pionierzone is zowel in het volledige gebied als binnen de 'enge' planimetrie gedaald ten opzichte van `r laatste_jaar -1`, maar het grootste deel van de daling heeft plaatsgevonden binnen de laterale uitbreidingen (hieronder valt eveneens de herinrichting rond Fort Filip). +Het grootste verschil in de vergelijking tussen de enge en volledige planimetrie vinden we in het schor waar de verdubbeling in oppervlakte sinds 2010 nagenoeg volledig is toe te schrijven aan toename in de laterale uitbreidingen. +Op korte termijn vinden we hier een toename in zowel de enge als de volledige planimetrie. +De afname van het hoog supralitoraal vond bijna volledig plaats binnen de 'enge' planimetrie. +De toename van antropogeen hard substraat gebeurde hoofdzakelijk in de laterale uitbreidingen, in dit geval opnieuw de herinrichting rond Fort Filip. + +
+ +```{r 030-tabel-eng-BEZ, results="asis", fig.show='hide', out.width="100%"} + +caption_tab <- str_c("Ecotooparealen Zeeschelde 1.0 in de ‘enge planimetrie’ van de Beneden‐Zeeschelde zonder de NOP’s of ontpolderingen, dijkverleggingen en aantakkingen tussen ", vroegste_jaar, " en ", laatste_jaar, ".") + +img_file <- paste0(pad_tabellen, "030_tabel_Oppervlakte_EngePlanimetrie_BEZ_", laatste_jaar, ".PNG") + +figtab(knitr::opts_current$get()$label, + img_file, + caption_tab) + +``` + +```{r 030-figuur-evolutie-bez, fig.cap=figuur_evolutie_bez, out.width="100%"} + +figuur_evolutie_bez <- "Temporele evolutie van de oppervlakte van de ecologisch belangrijke ecotopen Zeeschelde 1.0 in de Beneden-Zeeschelde met en zonder NOP's (natuurontwikkelingsprojecten zoals ontpolderingen, GGG’s en dijkverleggingen)" + +knitr::include_graphics(paste0(pad_figuren, "030_figuur_Evolutie_NOPs_BEZ_", laatste_jaar, "_10.png")) + +``` + +
+ +#### Zeeschelde ecotopen 2.0 + +De ecotopenkaart van de Beneden-Zeeschelde in `r laatste_jaar` is te zien in Figuur \@ref(fig:030-figuur-kaart-bez-2). +Tabel \@ref(tab:030-tabel-oppervlakte-BEZ-2) toont voor de oppervlaktes per ecotoop in de Beneden-Zeeschelde volgens ecotoopindeling 2.0 voor de jaren 2019 tot en met `r laatste_jaar`. +De korte en lange termijn evolutie van de ecotopen is opnieuw beschreven in Tabel \@ref(tab:030-tabel-evolutie-BEZ-2) via de absolute verandering (ha) en de procentuele verandering (%) tussen de aangegeven jaren. +Voor de korte termijn evolutie wordt het huidige jaar vergeleken met het jaar ervoor, terwijl voor de lange termijn evolutie de vergelijking van het huidig jaar gemaakt wordt met het eerste rapportage jaar (2019 voor Zeeschelde 2.0). +Er zijn kleine verschillen in de oppervlaktes van Zeeschelde 1.0 en Zeeschelde 2.0 omwille van het modelleringsproces waarbij soms geïnterpoleerd wordt en datarasters vereenvoudigd worden. + +In het **sublitoraal** is een onderverdeling gemaakt tussen hoog- en laagdynamisch subtidaal, op basis van de maximale stroomsnelheid bij vloed. +De tabel toont dat de diepere delen (diep en matig diep subtidaal) grotendeels hoogdynamisch zijn. +In het ondiep subtidaal is het aandeel laagdynamisch ongeveer even groot als het aandeel hoogdynamisch. +In het diep subtidaal is het aandeel laagdynamisch toegenomen over de korte termijn, terwijl het hoogdynamisch heel licht is afgenomen . +In het matig diep subtidaal zijn zowel hoog- als laagdynamisch afgenomen . +In het ondiep subtidaal zijn hoog- en laagdynamisch ongeveer gelijk toegenomen. + +Bij de berekening van het **litoraal** zijn aangepaste grenzen gebruikt ten opzichte van ecotopen 1.0, afhankelijk van de saliniteitszone. +In de ecotopen 2.0 is het laag slik zacht substraat afgenomen, net als in de ecotopen 1.0. +Hetzelfde geldt voor de toename van het middelhoog slik, al is deze toename kleiner dan voor de ecotopen 1.0. +Het hoog slik zacht substraat is toegenomen in de ecotopen 2.0, in tegenstelling tot de ecotopen 1.0 waar het gedaald is. +Deze verschuiving van middelhoog slik naar hoog slik is een resultaat van de aangepaste grenzen. + +In de aangepaste methode wordt ook de helling van de slikken in rekening gebracht. +De oppervlaktes per slikecotoop met een steile (\>25%) en zwakke (\<=25%) helling zijn beschreven in Tabel (\@ref(tab:030-tabel-oppervlakte-helling-BEZ-2)). +Zowel het litoraal zacht substraat als het litoraal hard natuurlijk hebben vrijwel geen steile hellingen (\> 98% van het natuurlijk substraat). +In het litoraal antropogeen hard substraat is wel een redelijk aandeel steil, namelijk 33% van het totaal oppervlak litoraal hard antropogeen. +Dit is gelijkaardig aan het voorgaande jaar. +De overige 67% litoraal hard antropogeen heeft dus nog steeds een hellingsgraad van kleiner dan of gelijk aan 25%. + +
+ +```{r 030-tabel-oppervlakte-BEZ-2, results="asis", fig.show='hide', out.width="100%"} + +caption_tab <- str_c("Oppervlaktes en oppervlaktepercentages van ecotopen in de Beneden-Zeeschelde in ", laatste_jaar, " volgens de Zeeschelde ecotopen 2.0.") + +img_file <- paste0(pad_tabellen, "030_tabel_Oppervlakte_BEZ_2019_", laatste_jaar, "_E2.PNG") + +figtab(knitr::opts_current$get()$label, + img_file, + caption_tab) + +``` + +```{r 030-tabel-evolutie-BEZ-2, results="asis", fig.show='hide', out.width="100%"} + +caption_tab <- str_c("Absolute verandering en procentuele verandering van de lange termijn evolutie (tussen 2019 en ", laatste_jaar, ") en de korte termijn evolutie (tussen ", laatste_jaar - 1, " en ", laatste_jaar, ") in de Beneden-Zeeschelde 2.0.") + +img_file <- paste0(pad_tabellen, "030_tabel_evolutie_BEZ_", laatste_jaar, "_E2.PNG") + +figtab(knitr::opts_current$get()$label, + img_file, + caption_tab) + +``` + +```{r 030-tabel-oppervlakte-helling-BEZ-2, results="asis", fig.show='hide', out.width="100%"} + +caption_tab <- str_c("Oppervlaktes en percentages van steile en vlakke slikken in de Beneden-Zeeschelde in ", laatste_jaar, ", volgens de Zeeschelde ecotopen 2.0.") + +img_file <- paste0(pad_tabellen, "030_tabel_Oppervlakte_HellingSlik_BEZ_", laatste_jaar, "_E2.PNG") + +figtab(knitr::opts_current$get()$label, + img_file, + caption_tab) + +``` + +\newpage + +```{r 030-figuur-kaart-bez-2, fig.cap=figuur_ecotopenkaart_bez_2, out.width="100%"} + +figuur_ecotopenkaart_bez_2 <- "Ecotopenkaart 2020 Beneden-Zeeschelde 2.0" + +knitr::include_graphics(paste0(pad_figuren, "030_figuur_Ecotoop_BEZ_", laatste_jaar, "_20.png")) + +``` + +\newpage + +## Referenties + + + +Van Braeckel A. +& Elsen R. +(2018). +Ecotopen *in* Van Ryckegem, G., Van Braeckel, A., Elsen, R., Speybroeck, J., Vandevoorde, B., Mertens, W., Breine, J., Spanoghe, G., Bezdenjesnji, O., Buerms, D., De Beukelaer, J., De Regge, N., Hessel, K., Lefranc, C., Soors, J., Terrie, T., Van Lierop, F., & Van den Bergh, E. +(2018). +MONEOS -- Geïntegreerd datarapport INBO: Toestand Zeeschelde 2017: Monitoringsoverzicht en 1ste lijnsrapportage Geomorfologie, diversiteit Habitats en diversiteit Soorten. +(Rapporten van het Instituut voor Natuur en Bosonderzoek; Nr. 74). +Instituut voor Natuur- en Bosonderzoek. + + +Mertens A. +& Van Braeckel A. +(2021). +Ecotopen *in* Van Ryckegem, G., Vanoverbeke, J., Van Braeckel, A., Van de Meutter, F., Mertens, W., Mertens, A., & Breine, J. +(2021). +MONEOS-Datarapport INBO: toestand Zeeschelde 2020. +Monitoringsoverzicht en 1ste lijnsrapportage Geomorfologie, diversiteit Habitats en diversiteit Soorten. +(Rapporten van het Instituut voor Natuur- en Bosonderzoek; Nr. 47). +Instituut voor Natuur- en Bosonderzoek. + + +Mertens, A. +& Van Braeckel A. +(2022). +Ecotopen *in* Van Ryckegem, G., Vanoverbeke, J., Van de Meutter, F., Vandevoorde, B., Mertens, W., Mertens, A., Van Braeckel, A., Smeekens, V., Thibau, K., Bezdenjesnji, O., Buerms, D., De Regge, N., Hessel, K., Lefranc, C., Soors, J., Van Lierop, F. +(2022). +MONEOS ‐ Geïntegreerd datarapport INBO: Toestand Zeeschelde 2021. +Monitoringsoverzicht en 1ste lijnsrapportage Geomorfologie, diversiteit Habitats en diversiteit Soorten. +Rapporten van het Instituut voor Natuur‐ en Bosonderzoek 2022 (Rapporten van het Instituut voor Natuur‐ en Bosonderzoek 2022 (26)). +Instituut voor Natuur‐ en Bosonderzoek, Brussel. +DOI: [https://doi.org/10.21436/inbor.85928183](https://doi.org/10.21436/inbor.52484672){.uri} + +Van Braeckel, A., Speybroeck, J., Vanoverbeke, J., Van Ryckegem, G., & Van den Bergh, E. +(2018). +Habitatmapping Zeeschelde subtidaal: Relatie tussen bodemdieren en hydro- en morfodynamiek. +(Rapporten van het Instituut voor Natuur- en Bosonderzoek; Nr. 91). +Instituut voor Natuur- en Bosonderzoek. + + +Van Braeckel, A., Vanoverbeke, J., Van de Meutter, F., De Neve, L., Soors, J., Speybroeck, J., Van Ryckegem, G., & Van den Bergh, E. +(2020). +Habitatmapping Zeeschelde Slik: habitatkarakteristieken van bodemdieren en garnaalachtigen & slikecotopen Zeeschelde 2.0. +(Rapporten van het Instituut voor Natuur- en Bosonderzoek; Nr. 31). +Instituut voor Natuur- en Bosonderzoek. + + +
From b9110b2917587611bf684265951c6b7a4b1dffa2 Mon Sep 17 00:00:00 2001 From: VAN RYCKEGEM Date: Mon, 15 Jul 2024 17:30:24 +0200 Subject: [PATCH 008/102] Aanpassingen aan basisdata voor Groot Schoor en Scheldeteltraject --- .../20_moneos_watervogels_analyse.Rmd | 61 ++- .../10_moneos_watervogels_data.Rmd | 448 ++++++++++++------ 2 files changed, 354 insertions(+), 155 deletions(-) diff --git a/moneos_2023/100_watervogels/20_moneos_watervogels_analyse.Rmd b/moneos_2023/100_watervogels/20_moneos_watervogels_analyse.Rmd index 9a54156..8f832e5 100644 --- a/moneos_2023/100_watervogels/20_moneos_watervogels_analyse.Rmd +++ b/moneos_2023/100_watervogels/20_moneos_watervogels_analyse.Rmd @@ -67,6 +67,18 @@ Waterbirds <- delim = ";")%>% mutate(telseizoen1 = as.numeric(str_sub(telseizoen, 1, 4))) +GrootSchoor <- + read_delim(paste0(pad_data, "datathvGrootSchoorHamme.csv"), + delim = ";") %>% + rename_all(tolower) %>% +mutate(jaar = teldatum %>% + ymd() %>% + year(), + maand = teldatum %>% + ymd() %>% + month()) + + Waterbirds_sigma_estuarien <- Waterbirds %>% dplyr::filter(analyseset == "SIGMA_MIDMA") %>% @@ -681,6 +693,53 @@ ggsave(paste0(pad_figuren, "100_figuur_maandelijkse_totalen_ZSwinter_sinds2008.j ``` +##### figuur Groot schoor en omgeving + +```{r 100-figuur-maandelijkse-totalen-winter-GrootSchoor, fig.height=5, fig.width=8} + +# data_watervogels %>% +# dplyr::filter(str_detect(gebiedsgroep_code, "ZS")) %>% ##♦dit rekent inclusief rupel +# mutate(datum = paste(jaar, maand, "15", sep = "-") %>% +# ymd()) %>% +# group_by(telseizoen, datum) %>% +# summarise(aantal = sum(aantal)) %>% +# ungroup() %>% +# ggplot(aes(datum, aantal)) + +# geom_col() + +# scale_x_date(date_breaks = "1 year", date_labels = "%Y") + +# labs(x = "datum", y = "aantal") + +# theme(axis.text.x = element_text(angle = 35)) +# probleem met deze figuur is dat sinds het stopzetten van de zomertellingen stroomop Antwerpen de zomercijfers niet meer in 1 figuur kunnen gezien worden - dit kan enkel nog in ZS4 waar jaarrond telling is. + + +GrootSchoor %>% + mutate(datum = paste(jaar, maand, "15", sep = "-") %>% + ymd()) %>% + mutate(gebied = str_replace_all(gebied, 'Schelde St. Amands - Oude Briel \\(LO\\)','Boottelling Zeeschelde')) %>% + mutate(gebied = str_replace(gebied, "Groot Schoor HAMME","MIDMASigma - Groot Schoor")) %>% + mutate(gebied = str_replace(gebied, "Grote Wal HAMME","MIDMASigma - Wal")) %>% + dplyr::filter(maand %in% c(10:12, 1:3)) %>% + dplyr::filter(teldatum > "2018-06-01") %>% + # dplyr::filter(taxongroepcode != "MS") %>% #meeuwen en sternen niet meetellen worden pas sinds 1999 geteld + group_by(telseizoen, gebied, datum) %>% + summarise(aantal = sum(aantal, na.rm = TRUE)) %>% + ungroup() %>% + ggplot(aes(datum, aantal), color = gebied) + + geom_col(aes(color = gebied)) + + facet_wrap(~gebied)+ + scale_x_date(date_breaks = "1 year", date_labels = "%Y") + + labs(x = "jaar", y = "som aantal per wintermaand") + + theme(axis.text.x = element_text(angle = 90)) + +#check figuur: aantallen wijken sterk af - ergens fout gemaakt? +# ggsave(paste0(pad_figuren, "100_figuur_maandelijkse_totalen_Grootschoorwinter.jpg")) + + +``` + + + + ##### figuur maandelijkse totalen vogels Zeeschelde IV - Saliniteitsgradiënt ```{r 100-figuur-maandelijkse-totalen-ZeescheldeIV, fig.height=5, fig.width=8} @@ -883,7 +942,7 @@ data_watervogels %>% ggplot(aes(datum, aantal)) + geom_col() + scale_x_date(date_breaks = "6 month", date_labels = "%m%Y") + - labs(x = "jaar", y = "aantal") + + labs(x = "jaar", y = "aantal", title = "Wintertaling") + theme(axis.text.x = element_text(angle = 90))+ geom_smooth(aes(color = "trendlijn")) + facet_wrap(~niveau3, ncol = 2, scales = "free") diff --git a/moneos_2024/100_watervogels/10_moneos_watervogels_data.Rmd b/moneos_2024/100_watervogels/10_moneos_watervogels_data.Rmd index cc332b1..72c9756 100644 --- a/moneos_2024/100_watervogels/10_moneos_watervogels_data.Rmd +++ b/moneos_2024/100_watervogels/10_moneos_watervogels_data.Rmd @@ -125,7 +125,7 @@ gebiedsgroepen <- # # delim = ";") %>% # # mutate(gebiedscode = as.character(gebiedscode)) # -# ## vanaf rapportage 2024 gebruiken we de nieuwe gebiedsgroepenlijst +# ## vergelijk imputatielijst met MONEOSlijst # # gebiedsgroepenall_old <- # read_delim(paste0(pad_data, "Zeeschelde_gebiedsgroepen_corrWM.csv"), @@ -165,7 +165,7 @@ gebiedsgroepen <- # # print(differences_rows) # -# ### conclusie - exact dezelfde gebieden bevraagd dus we houden oude gebiedscodelijst aan voor MONEOS +# ### conclusie - exact dezelfde gebieden bevraagd dus we houden oude gebiedscodelijst aan voor MONEOS 2024 ``` @@ -365,96 +365,134 @@ WHERE 1=1 ```{r checken details in databank} -# con <- connect_inbo_dbase("W0004_00_Waterbirds") -# -# q_WVgebiedenUitbergen <- "SELECT * -# FROM DimLocationWV -# WHERE LocationWVNaam LIKE '%UITBERGEN%'" -# +con <- connect_inbo_dbase("W0004_00_Waterbirds") + +q_WVgebiedenHamme <- "SELECT * + FROM DimLocationWV + WHERE LocationWVNaam LIKE '%HAMME%'" + +q_WVgebiedenBriel <- "SELECT * + FROM DimLocationWV + WHERE LocationWVNaam LIKE '%Briel%'" + # q_WVgebiedenNete <- "SELECT * # FROM DimLocationWV # WHERE LocationWVNaam LIKE '%Nete%'" -# -# -# # Selectie gebieden in Lier -# GebiedenUitbergen <- -# tbl(src = con, sql(q_WVgebiedenUitbergen)) %>% -# select(LocationWVCode, LocationWVNaam, IsStandardizedLocationWV) %>% -# collect() -# + + +# Selectie gebieden +GebiedenHamme <- + tbl(src = con, sql(q_WVgebiedenHamme)) %>% + select(LocationWVCode, LocationWVNaam, IsStandardizedLocationWV) %>% + collect() + +GebiedenBriel <- + tbl(src = con, sql(q_WVgebiedenBriel)) %>% + select(LocationWVCode, LocationWVNaam, IsStandardizedLocationWV) %>% + collect() + # GebiedenNete <- # tbl(src = con, sql(q_WVgebiedenNete)) %>% # select(LocationWVCode, LocationWVNaam, IsStandardizedLocationWV) %>% # collect() -# -# # query midmaandelijkse tellingen -# q_midmaandtellingen <- -# "SELECT SU.SurveyCode as ProjectCode -# , SU.SurveyNaam as Project -# , L.RegioWVCode as RegioCode -# , L.RegioWVNaam as Regio -# , L.LocationWVCode as GebiedsCode -# , L.LocationWVNaam as Gebied -# , SS.Seasonname as Telseizoen -# , E.EventCode as TellingCode -# , E.EventLabel as Telling -# , E.SortOrder as TellingSortOrder -# , S.sampleDate as Teldatum -# --, S.IceCoverCode as Ijsbedekking -# --, S.SnowCoverCode as Sneeuwbedekking -# , S.CoverageCode as Telvolledigheid -# , T.Commonname as NedNaam -# , T.scientificname as WetNaam -# , T.TaxonGroupCode -# , F.Taxoncount as Aantal -# FROM FactAnalyseSetOccurrence F -# inner join DimSurvey SU on SU.surveykey = F.surveykey -# inner join DimLocationWV L on L.locationwvkey = F.locationwvkey -# inner join DimSeason SS on SS.Seasonkey = F.seasonkey -# inner join DimEvent E on E.eventkey = F.eventkey -# inner join DimSample S on F.samplekey = S.samplekey -# inner join DimTaxonWV T on T.taxonwvkey = F.taxonwvkey -# WHERE 1=1 -# " -# # Selectie midmaandelijkse tellingen in gebieden Lier -# WaterbirdsUitbergen <- -# tbl(src = con, -# sql(q_midmaandtellingen)) %>% -# filter(GebiedsCode %in% !!GebiedenUitbergen$LocationWVCode) %>% -# collect() -# + +# query midmaandelijkse tellingen +q_midmaandtellingen <- + "SELECT SU.SurveyCode as ProjectCode +, SU.SurveyNaam as Project +, L.RegioWVCode as RegioCode +, L.RegioWVNaam as Regio +, L.LocationWVCode as GebiedsCode +, L.LocationWVNaam as Gebied +, SS.Seasonname as Telseizoen +, E.EventCode as TellingCode +, E.EventLabel as Telling +, E.SortOrder as TellingSortOrder +, S.sampleDate as Teldatum +--, S.IceCoverCode as Ijsbedekking +--, S.SnowCoverCode as Sneeuwbedekking +, S.CoverageCode as Telvolledigheid +, T.Commonname as NedNaam +, T.scientificname as WetNaam +, T.TaxonGroupCode +, F.Taxoncount as Aantal +FROM FactAnalyseSetOccurrence F +inner join DimSurvey SU on SU.surveykey = F.surveykey +inner join DimLocationWV L on L.locationwvkey = F.locationwvkey +inner join DimSeason SS on SS.Seasonkey = F.seasonkey +inner join DimEvent E on E.eventkey = F.eventkey +inner join DimSample S on F.samplekey = S.samplekey +inner join DimTaxonWV T on T.taxonwvkey = F.taxonwvkey +WHERE 1=1 + " +# Selectie midmaandelijkse tellingen in gebieden + +WaterbirdsHamme <- + tbl(src = con, + sql(q_midmaandtellingen)) %>% + dplyr::filter(GebiedsCode %in% !!GebiedenHamme$LocationWVCode) %>% + collect() + +WaterbirdsBriel <- + tbl(src = con, + sql(q_midmaandtellingen)) %>% + dplyr::filter(GebiedsCode %in% !!GebiedenBriel$LocationWVCode) %>% + collect() + # WaterbirdsNete <- # tbl(src = con, # sql(q_midmaandtellingen)) %>% # filter(GebiedsCode %in% !!GebiedenNete$LocationWVCode) %>% # collect() -# -# dbDisconnect(con) -# -# # Totalen per gebied per seizoen -# Totaal_n_Watervogels_Gebied_seizoen_Uitbergen <- -# WaterbirdsUitbergen %>% -# group_by(Gebied, Telseizoen) %>% -# summarise(Totaal = sum(Aantal, na.rm = TRUE)) %>% -# spread(key = Gebied, value = Totaal) -# + +dbDisconnect(con) + +# Totalen per gebied per seizoen +Totaal_n_Watervogels_Gebied_seizoen_Hamme <- + WaterbirdsHamme %>% + group_by(Gebied, Telseizoen) %>% + summarise(Totaal = sum(Aantal, na.rm = TRUE)) %>% + spread(key = Gebied, value = Totaal) + +Totaal_n_Watervogels_Gebied_seizoen_Briel <- + WaterbirdsBriel %>% + group_by(Gebied, Telseizoen) %>% + summarise(Totaal = sum(Aantal, na.rm = TRUE)) %>% + spread(key = Gebied, value = Totaal) + # Totaal_n_Watervogels_Gebied_seizoen_Nete <- # WaterbirdsNete %>% # group_by(Gebied, Telseizoen) %>% # summarise(Totaal = sum(Aantal, na.rm = TRUE)) %>% # spread(key = Gebied, value = Totaal) -# -# # + +#trends in Grote Wal, Groot Schoor en bootteltraject Schelde St Amands - Oude Briel LO code 4143122 + + +datathvGrootschoor1 <- WaterbirdsHamme %>% + dplyr::filter(Gebied == "Grote Wal HAMME" | Gebied == "Groot Schoor HAMME") %>% + mutate(Analyseset = "SIGMA_MIDMA") + +datathvGrootschoor2 <- WaterbirdsBriel %>% + dplyr::filter(Gebied == "Schelde St. Amands - Oude Briel (LO)")%>% + mutate(Analyseset = "boottelling") + +datathvGrootschoor <- rbind(datathvGrootschoor1, datathvGrootschoor2) +# datathvGrootschoor %>% +# write_delim(paste0(pad_data, "datathvGrootSchoorHamme.csv"), +# delim = ";") + +# # # sla op als spreadsheet -# Totaal_n_Watervogels_Gebied_seizoen_Lier %>% +# Totaal_n_Watervogels_Gebied_seizoen_Lier %>% # write_delim(paste0(pad_data, "Totalen_gebiedenLier.csv"), # delim = ";") # -# Totaal_n_Watervogels_Gebied_seizoen_Nete %>% +# Totaal_n_Watervogels_Gebied_seizoen_Nete %>% # write_delim(paste0(pad_data, "Totalen_gebiedenNete.csv"), # delim = ";") # -# + ``` @@ -532,40 +570,40 @@ Waterbirds <- ``` ```{r bevragen-warehouse-MIDMA-Sigma-analyseset} -# -# ## alle sigmagebieden -# telzones_sigma <- -# gebiedsgroepenSigma %>% -# pull(gebiedsnaam) -# -# -# telzones_query <- -# paste0("'", telzones_sigma, "'", collapse = ",") %>% -# paste0("(", ., ")") -# -# query <- -# paste0(str_sub(basis_query, end=-2), -# " AND F.Analysesetkey in (2, 3, 4) /**alleen midmaandelijkse tellingen, i.e. uit MIDMA-analysesets**/", -# " AND SS.seasonname in ", -# seizoenen_query, -# " AND L.LocationWVNaam in ", -# telzones_query, -# ";" -# ) -# -# con <- connect_inbo_dbase("W0004_00_Waterbirds") -# waterbirds_sigma <- -# dbGetQuery(con, -# query) -# dbDisconnect(con) -# -# waterbirds_sigma <- waterbirds_sigma %>% -# mutate(Analyseset = "SIGMA_MIDMA") -# -# Waterbirds_bt_zr_sigma <- -# WaterbirdsBT_ZR %>% -# bind_rows(waterbirds_sigma) -# + +## alle sigmagebieden +telzones_sigma <- + gebiedsgroepenSigma %>% + pull(gebiedsnaam) + + +telzones_query <- + paste0("'", telzones_sigma, "'", collapse = ",") %>% + paste0("(", ., ")") + +query <- + paste0(str_sub(basis_query, end=-2), + " AND F.Analysesetkey in (2, 3, 4) /**alleen midmaandelijkse tellingen, i.e. uit MIDMA-analysesets**/", + " AND SS.seasonname in ", + seizoenen_query, + " AND L.LocationWVNaam in ", + telzones_query, + ";" + ) + +con <- connect_inbo_dbase("W0004_00_Waterbirds") +waterbirds_sigma <- + dbGetQuery(con, + query) +dbDisconnect(con) + +waterbirds_sigma <- waterbirds_sigma %>% + mutate(Analyseset = "SIGMA_MIDMA") + +Waterbirds_bt_zr_sigma <- + WaterbirdsBT_ZR %>% + bind_rows(waterbirds_sigma) + @@ -573,15 +611,48 @@ Waterbirds <- ``` ```{r bevragen-warehouse-MIDMA-vallei-analyseset} -# -# telzones_vallei <- -# gebiedsgroepenVallei %>% -# pull(gebiedsnaam) -# + +telzones_vallei <- + gebiedsgroepenVallei %>% + pull(gebiedsnaam) + +telzones_query <- + paste0("'", telzones_vallei, "'", collapse = ",") %>% + paste0("(", ., ")") + +query <- + paste0(str_sub(basis_query, end=-2), + " AND F.Analysesetkey in (2, 3, 4) /**alleen midmaandelijkse tellingen, i.e. uit MIDMA-analysesets**/", + " AND SS.seasonname in ", + seizoenen_query, + " AND L.LocationWVNaam in ", + telzones_query, + ";" + ) + +con <- connect_inbo_dbase("W0004_00_Waterbirds") +waterbirds_vallei <- + dbGetQuery(con, + query) +dbDisconnect(con) + +waterbirds_vallei <- waterbirds_vallei %>% + mutate(Analyseset = "VALLEI_MIDMA") + +Waterbirds_bt_zr_sigma_vallei <- + Waterbirds_bt_zr_sigma %>% + bind_rows(waterbirds_vallei) + +#### + +# telzones_vallei_zeeschelde <- +# gebiedsgroepenVallei_zeeschelde %>% +# pull(gebiedsnaam) +# # telzones_query <- -# paste0("'", telzones_vallei, "'", collapse = ",") %>% +# paste0("'", telzones_vallei_zeeschelde, "'", collapse = ",") %>% # paste0("(", ., ")") -# +# # query <- # paste0(str_sub(basis_query, end=-2), # " AND F.Analysesetkey in (2, 3, 4) /**alleen midmaandelijkse tellingen, i.e. uit MIDMA-analysesets**/", @@ -591,54 +662,21 @@ Waterbirds <- # telzones_query, # ";" # ) -# +# # con <- connect_inbo_dbase("W0004_00_Waterbirds") -# waterbirds_vallei <- +# waterbirds_vallei_zeeschelde <- # dbGetQuery(con, # query) # dbDisconnect(con) -# -# waterbirds_vallei <- waterbirds_vallei %>% -# mutate(Analyseset = "VALLEI_MIDMA") -# -# Waterbirds_bt_zr_sigma_vallei <- -# Waterbirds_bt_zr_sigma %>% -# bind_rows(waterbirds_vallei) -# -# #### -# -# # telzones_vallei_zeeschelde <- -# # gebiedsgroepenVallei_zeeschelde %>% -# # pull(gebiedsnaam) -# # -# # telzones_query <- -# # paste0("'", telzones_vallei_zeeschelde, "'", collapse = ",") %>% -# # paste0("(", ., ")") -# # -# # query <- -# # paste0(str_sub(basis_query, end=-2), -# # " AND F.Analysesetkey in (2, 3, 4) /**alleen midmaandelijkse tellingen, i.e. uit MIDMA-analysesets**/", -# # " AND SS.seasonname in ", -# # seizoenen_query, -# # " AND L.LocationWVNaam in ", -# # telzones_query, -# # ";" -# # ) -# # -# # con <- connect_inbo_dbase("W0004_00_Waterbirds") -# # waterbirds_vallei_zeeschelde <- -# # dbGetQuery(con, -# # query) -# # dbDisconnect(con) -# # -# # waterbirds_vallei_zeeschelde <- waterbirds_vallei_zeeschelde %>% -# # mutate(Analyseset = "VALLEI_ZSCH_MIDMA") -# # -# # Waterbirds_bt_zr_sigma_sigmazs_vallei_valleizs <- -# # Waterbirds_bt_zr_sigma_sigmazs_vallei %>% -# # bind_rows(waterbirds_vallei_zeeschelde) -# # -# Waterbirds <- Waterbirds_bt_zr_sigma_vallei +# +# waterbirds_vallei_zeeschelde <- waterbirds_vallei_zeeschelde %>% +# mutate(Analyseset = "VALLEI_ZSCH_MIDMA") +# +# Waterbirds_bt_zr_sigma_sigmazs_vallei_valleizs <- +# Waterbirds_bt_zr_sigma_sigmazs_vallei %>% +# bind_rows(waterbirds_vallei_zeeschelde) +# +Waterbirds <- Waterbirds_bt_zr_sigma_vallei ``` @@ -881,6 +919,108 @@ Waterbirds <- # # Enkel wintertellingen # WaterbirdsBTw <- WaterbirdsBT %>% filter(month(Teldatum) %in% c(10, 11, 12, 1, 2, 3)) +# Correctie Groot Schoor Hamme +## boottelling Schelde St. Amands - Oude Briel (LO) bevat infeite de vogels die foerageren in ontpoldering Groot Schoor Hamme +## voor 2022,2023,2024 houden we dezelfde aantallen als 2021 in teltraject +## Sigmagebied wordt niet goed geteld; we rekenen de vogelaantallen voor de ontpoldering als deze geteld op Zeeschelde vermindert met baseline aantallen van 2021 in teltraject + +StAmandstotOudeBriel2020 <- + Waterbirds %>% + dplyr::filter(GebiedsCode == 4143122) %>% + dplyr::filter(Telseizoen == "2020/21") + +years <- years(1) +StAmandstotOudeBriel2021false <- + StAmandstotOudeBriel2020 %>% + mutate(Telseizoen = str_replace_all(Telseizoen, "2020/21", "2021/22")) %>% + mutate(Teldatum = Teldatum +years) + +StAmandstotOudeBriel2022false <- + StAmandstotOudeBriel2021false %>% + mutate(Telseizoen = str_replace_all(Telseizoen, "2021/22", "2022/23")) %>% + mutate(Teldatum = Teldatum +years) + +StAmandstotOudeBriel2023false <- + StAmandstotOudeBriel2022false %>% + mutate(Telseizoen = str_replace_all(Telseizoen, "2022/23", "2023/24")) %>% + mutate(Teldatum = Teldatum +years) + +#GrootSchorberekend te gebruiken voor Sigma-estuarien ontpoldering Groot Schoor Hamme ipv landtelling +#bergeenden zijn nu wel onderschatting + +#pas dit ook aan in Sigma dataset! + +GrootSchorberekend2021 <- + Waterbirds %>% + dplyr::filter(GebiedsCode == 4143122) %>% + dplyr::filter(Telseizoen == "2021/22") %>% + left_join(StAmandstotOudeBriel2020, by = c("NedNaam","Telling"), suffix = c("_winter2021", "_Baseline2020"),keep = TRUE) %>% + mutate(across(c(Aantal_Baseline2020), ~replace_na(., 0))) %>% + mutate(Aantal_diff = Aantal_winter2021 - Aantal_Baseline2020) %>% + dplyr::filter(Aantal_diff >= 0) %>% + select(ends_with("winter2021"), Aantal_diff) %>% + select(-Aantal_winter2021) %>% + rename_with(~ str_remove(.x, "_winter2021")) %>% + rename(Aantal = Aantal_diff) %>% + mutate(GebiedsCode = if_else(GebiedsCode == "4143122", "2091308", GebiedsCode)) %>% + mutate(Gebied = if_else(Gebied == "Schelde St. Amands - Oude Briel (LO)", "Groot Schoor HAMME", Gebied)) %>% + mutate(Analyseset = if_else(Analyseset == "boottelling", "SIGMA_MIDMA", Analyseset)) + +GrootSchorberekend2022 <- + Waterbirds %>% + dplyr::filter(GebiedsCode == 4143122) %>% + dplyr::filter(Telseizoen == "2022/23") %>% + left_join(StAmandstotOudeBriel2020, by = c("NedNaam","Telling"), suffix = c("_winter2021", "_Baseline2020"),keep = TRUE) %>% + mutate(across(c(Aantal_Baseline2020), ~replace_na(., 0))) %>% + mutate(Aantal_diff = Aantal_winter2021 - Aantal_Baseline2020) %>% + dplyr::filter(Aantal_diff >= 0) %>% + select(ends_with("winter2021"), Aantal_diff) %>% + select(-Aantal_winter2021) %>% + rename_with(~ str_remove(.x, "_winter2021")) %>% + rename(Aantal = Aantal_diff)%>% + mutate(GebiedsCode = if_else(GebiedsCode == "4143122", "2091308", GebiedsCode)) %>% + mutate(Gebied = if_else(Gebied == "Schelde St. Amands - Oude Briel (LO)", "Groot Schoor HAMME", Gebied)) %>% + mutate(Analyseset = if_else(Analyseset == "boottelling", "SIGMA_MIDMA", Analyseset)) + +GrootSchorberekend2023 <- + Waterbirds %>% + dplyr::filter(GebiedsCode == 4143122) %>% + dplyr::filter(Telseizoen == "2023/24") %>% + left_join(StAmandstotOudeBriel2020, by = c("NedNaam","Telling"), suffix = c("_winter2021", "_Baseline2020"),keep = TRUE) %>% + mutate(across(c(Aantal_Baseline2020), ~replace_na(., 0))) %>% + mutate(Aantal_diff = Aantal_winter2021 - Aantal_Baseline2020) %>% + dplyr::filter(Aantal_diff >= 0) %>% + select(ends_with("winter2021"), Aantal_diff) %>% + select(-Aantal_winter2021) %>% + rename_with(~ str_remove(.x, "_winter2021")) %>% + rename(Aantal = Aantal_diff)%>% + mutate(GebiedsCode = if_else(GebiedsCode == "4143122", "2091308", GebiedsCode)) %>% + mutate(Gebied = if_else(Gebied == "Schelde St. Amands - Oude Briel (LO)", "Groot Schoor HAMME", Gebied)) %>% + mutate(Analyseset = if_else(Analyseset == "boottelling", "SIGMA_MIDMA", Analyseset)) + + +datathvGrootschoor %>% + dplyr::filter(!(GebiedsCode == 2091308 & (Telseizoen == "2021/22" | Telseizoen == "2022/23" | Telseizoen == "2023/24"))) %>% + dplyr::filter(!(GebiedsCode == 4143122 & (Telseizoen == "2021/22" | Telseizoen == "2022/23" | Telseizoen == "2023/24"))) %>% + bind_rows(GrootSchorberekend2021, GrootSchorberekend2022,GrootSchorberekend2023) %>% + bind_rows(StAmandstotOudeBriel2021false, StAmandstotOudeBriel2022false,StAmandstotOudeBriel2023false) %>% + write_delim(paste0(pad_data, "datathvGrootSchoorHamme.csv"), + delim = ";") + +GrootSchoorHamme <- bind_rows(GrootSchorberekend2021, GrootSchorberekend2022,GrootSchorberekend2023) + +Waterbirds <- + Waterbirds %>% + dplyr::filter(!(GebiedsCode == 4143122 & (Telseizoen == "2021/22" | Telseizoen == "2022/23" | Telseizoen == "2023/24"))) %>% + bind_rows(StAmandstotOudeBriel2021false, StAmandstotOudeBriel2022false,StAmandstotOudeBriel2023false) + +#### ook nog aanpassen in Sigmadataset voor rapportage! + +Waterbirds <- + Waterbirds %>% + dplyr::filter(!(GebiedsCode == 2091308 & (Telseizoen == "2021/22" | Telseizoen == "2022/23" | Telseizoen == "2023/24"))) %>% +bind_rows(GrootSchoorHamme) + ``` ```{r telseizoen metadata} @@ -983,7 +1123,7 @@ knitr::kable(Aantaltellingenpergebied) Aantaltellingenpergebied <- WaterbirdsBT %>% rename_all(tolower) %>% dplyr::filter(analyseset =="SIGMA_MIDMA") %>% - dplyr::filter(telseizoen == "2021/22") %>% + dplyr::filter(telseizoen == "2023/24") %>% distinct(gebiedscode, teldatum, telseizoen) %>% count(gebiedscode, telseizoen) From 65b29ff79e2771e2127fa448a1aa3d177222161c Mon Sep 17 00:00:00 2001 From: VAN RYCKEGEM Date: Tue, 16 Jul 2024 14:47:07 +0200 Subject: [PATCH 009/102] rapportfile --- .../10_moneos_watervogels_data.Rmd | 2 +- .../100_watervogels.Rmd | 635 ++++++++++++++++++ 2 files changed, 636 insertions(+), 1 deletion(-) create mode 100644 moneos_2024/150_geintegreerd_rapport/100_watervogels.Rmd diff --git a/moneos_2024/100_watervogels/10_moneos_watervogels_data.Rmd b/moneos_2024/100_watervogels/10_moneos_watervogels_data.Rmd index 72c9756..1f95645 100644 --- a/moneos_2024/100_watervogels/10_moneos_watervogels_data.Rmd +++ b/moneos_2024/100_watervogels/10_moneos_watervogels_data.Rmd @@ -876,7 +876,7 @@ overzicht_tellingen %>% overzicht_tellingen %>% dplyr::filter (telseizoen == "2023/24") %>% - dplyr::filter (gebiedscode == "3153801") %>% + dplyr::filter (gebiedscode == "3121003") %>% select(projectcode, gebiedscode, gebied, teldatum) %>% #kijk alleen naar teldatum want telling en tellingsortorder kloppen niet in databank arrange(teldatum) diff --git a/moneos_2024/150_geintegreerd_rapport/100_watervogels.Rmd b/moneos_2024/150_geintegreerd_rapport/100_watervogels.Rmd new file mode 100644 index 0000000..cc70586 --- /dev/null +++ b/moneos_2024/150_geintegreerd_rapport/100_watervogels.Rmd @@ -0,0 +1,635 @@ +```{r 100-hoofdstuk, include=FALSE} + +hoofdstuk <- "100_watervogels" + +``` + +```{r 100-setup, include=FALSE} + +knitr::opts_chunk$set(echo = FALSE, error=FALSE, warning=FALSE, message=FALSE, cache=FALSE, fig.pos = "H", out.extra = '') +knitr::opts_knit$set(eval.after = "fig.cap") + + +``` + +```{r 100-libraries} + +library(tidyverse) +library(readxl) +# library(flextable) +# library(officer) +library(kableExtra) +# library(huxtable) +# library(pander) +# library(ztable) +# library(magick) +# library(webshot) +library(rprojroot) +``` + +```{r 100-pad} + +# inlezen van variabelen +# pad naar data : pad_data +# pad naar tabellen : pad_tabellen +# pad naar figuren : pad_figuren + +source(find_root_file("../pad.R", criterion = is_rstudio_project)) +pad_data <- maak_pad(hoofdstuk, "data") +pad_figuren <- maak_pad(hoofdstuk, "figuren") +pad_tabellen <- maak_pad(hoofdstuk, "tabellen") + +``` + +```{r 100-meta_data} + +meta_data <- + read_delim(paste0(pad_data, "meta_data.csv"), + delim = ";") + +for(i in 1:nrow(meta_data)){ + ##first extract the object value + tempobj=meta_data$waarde[i] + ##now create a new variable with the original name of the list item + eval(parse(text=paste(meta_data$naam[i],"= tempobj"))) +} + +``` + +# Watervogels + +Fichenummer: FICHE S-DS-V-007a -- Maandelijkse vogeltellingen\ +Fichenummer: FICHE S-DS-V-007b -- Vogeltellingen zijrivieren\ +Fichenummer: FICHE S-DS-V-007c -- Vogeltellingen sigmagebieden (estuarien) + +**Gunther Van Ryckegem**, Jan Soors, Nico Deregge + +## Inleiding + +Overwinterende en doortrekkende watervogels kunnen indicatief zijn voor het estuarien ecosysteemfunctioneren. +Veranderingen in aantallen watervogels kunnen echter veroorzaakt zijn door factoren zowel buiten (bijvoorbeeld klimaatverandering, Europese populatietrends, de situatie in broedgebieden...) als binnen het estuarium. +Interne factoren zijn bijvoorbeeld wijzigingen in voedselaanbod, foerageerareaal, binnendijks habitat, verstoring,... . +Trends moeten dus steeds in een ruimer kader en met de nodige omzichtigheid geëvalueerd worden. + +De eerstelijnsrapportage beschrijft de aangeleverde watervogeldata van de Zeeschelde, de zijrivieren en estuariene natuurontwikkelingsprojecten, met focus op de verzamelde tellingen tot de winter van `r as.numeric(laatste_jaar) - 1` (eindigend in maart `r laatste_jaar`). +De data werden gefilterd uit de INBO watervogeldatabank. + +De evaluatie heeft volgende informatie nodig: aantallen vogels per soort per maand per segment op niveau 2 en 3 (niveau 2 is som van de KRW waterlichamen; niveau 3 heeft betrekking op het KRW waterlichaam of de saliniteitszone (Evaluatiemethodiek, 2021). +De getijdenetes worden hier niet mee gerapporteerd omdat ze geen apart afgebakend telgebied zijn in de INBO watervogeldatabank. + +Er zijn 2 datasets: 1 voor de rivieren zelf en 1 voor estuariene natuurontwikkelingsgebieden. +De eerste bevat de informatievelden KRW_zone, rivier, telseizoen, nednaam, aantal, maand, ruimtelijke niveau's, trofische groep en exoot. +De tweede bevat eveneens informatievelden Sigmagebiedstype en niveau3. + +- KRW_zone: naam van het KRW waterlichaam +- rivier: het naamveld van de rivier (Zeeschelde, Durme, Rupel, Zenne, Dijle) +- telseizoen: een vogeltelseizoen loopt van juli jaar x tot en met juni jaar x+1. +- nednaam: nederlandse naam van de vogelsoort +- aantal: de aantallen omvatten de som van de getelde vogels per soort, per maand, per rivier en deelzone niveau 1,2,3. +- niveau's: indeling volgens Figuur 1.1. +- maand: de maand van de telling +- trofische_groep: toekenning van de gebruikte trofische categorie in de Zeeschelde +- exoot: ja (= 1) +- Sigmagebiedstype: ontpoldering of GGG + +## Materiaal en methode + +#### Tellingen + +*Boottellingen* + +Sinds oktober 1991 tellen medewerkers van het INBO maandelijks het aantal watervogels langs de Zeeschelde van de Belgisch-Nederlandse grens tot Gent. +Sinds de winter van 1995/1996 wordt ook op de Rupel geteld van de Rupelmonding tot het sas van Wintam. +De tellingen gebeuren vanaf een boot en bij laagwater. +Omdat het niet haalbaar is om het volledige onderzoeksgebied grondig te tellen tijdens één laag tij, worden de tellingen op drie dagen uitgevoerd langs de deeltrajecten Grens-Antwerpen, Antwerpen-Dendermonde en Dendermonde-Gent. +De dagen worden steeds gegroepeerd in het midden van de maand om zo nauw mogelijk aan te sluiten bij de midmaandelijkse watervogeltellingen Vlaanderen (MIDMA). +Oorspronkelijk werd enkel tijdens de winter (oktober -- maart) geteld. +Sinds 1993 wordt ook tijdens de zomer geteld. +Sinds het telseizoen 2018/19 zijn maandelijkse zomertellingen (april - september) beperkt tot het traject Grens-Antwerpen en wordt enkel in juni over het volledige traject van de grens tot Gent geteld in de zomer. +Duikers, futen, aalscholvers, reigers, zwanen, ganzen, eenden, steltlopers, meerkoet en waterhoen worden geteld sinds het begin van de tellingen. +Sinds oktober 1999 worden ook de meeuwen en sternen meegeteld. + +*Zijrivieren* + +Watervogels langs de zijrivieren (behalve van de Rupelmonding tot het sas van Wintam) en het traject Melle-Gentbrugge worden door vrijwilligers geteld als onderdeel van de midmaandelijkse watervogeltellingen Vlaanderen. +Deze tellingen gebeuren vanaf de oever en gaan enkel door in de winter (oktober-maart). +Meeuwen, sternen, wulp, kievit en waterhoen worden langs de zijrivieren maar meegeteld sinds oktober 1999. + +*Estuariene natuurontwikkelingsgebieden* + +De estuariene natuurontwikkelingsgebieden worden geteld door vrijwilligers of door INBO medewerkers. +Alle watervogels worden geteld. + +#### **Ruimtelijke en temporele afbakening data** + +De aangeleverde data lopen van oktober 1991 tot en met maart `r laatste_jaar` en omvatten de Zeeschelde, zijrivieren en de estuariene natuurontwikkelingsgebieden. + +*Boottellingen* + +De data omvatten de aantallen watervogels die op de Zeeschelde en de Rupel geteld werden tijdens de boottellingen. +Daaraan zijn de aantallen toegevoegd die vanop de dijk geteld werden op het traject Melle-Gentbrugge (traject Tijgebonden oude Schelde Gent - tot aan monding Ringvaart (2050810) in de INBO watervogeldatabank). +Om de data voor het KRW waterlichaam ZSIII+Rupel te vervolledigen zijn ook de dijktellingen op de Rupel stroomopwaarts Wintam sas toegevoegd. +De zone oligohalien omvat enkel de boottellingen op de Zeeschelde zonder die op de Rupel. +De teltrajecten (9999999 en 9999998) gelegen op Nederlands grondgebied werden niet mee opgenomen in de data. + +*Zijrivieren* + +De geselecteerde teltrajecten van de zijrivieren (Watervogeldatabank, INBO) zijn weergegeven in Tabel \@ref(tab:100-tabel-teltrajecten). +Voor de Getijdenetes zijn geen afzonderlijke riviertellingen beschikbaar; voor de Getijdedijle is slechts een beperkte dataset beschikbaar (1996, 1999 en verder vanaf 2008). +Eén teltraject in de Durme (Durmemonding tot Mirabrug) werd niet geteld in 2007-2008. + +*Estuariene natuurontwikkelingsgebieden* + +De geselecteerde natuurontwikkelingsgebieden (GGG's en ontpolderingen) zijn weergegeven in Tabel\@ref(tab:100-tabel-estuarienesigmagebieden). +Het betreft alle recent ingerichte sigmagebieden opgenomen in het Meest Wenselijke Alternatief. +Zie hoofdstuk 2. +De overige gebieden worden in de mate van het mogelijke meegeteld met de boottellingen. +Sinds oktober 2022 werd Hedwige-Prosperpolder ontpolderd. +Deze gegevens zijn momenteel nog niet in de databank opgenomen. +Sinds juli 2021 is de ontpoldering Groot Schoor Hamme uitgevoerd. De vogelaantallen geteld bij laagwater in het bootteltraject namen hierdoor gevoelig toe. Terwijl er lage aantallen geteld werden tijdens de MIDMA tellingen in het gebied zelf. Dit heeft te maken met het getij-afhankelijke foerageren. De vogels zitten vooral in de ontpoldering bij opkomend getij. Om het effect van de estuariene Sigmagebieden te tonen werd hiervoor gecorrigeerd in de data door de surplus aan vogels in het teltraject sinds 2021 te beschouwen als vogels afhankelijk van het Groot Schoor Hamme (en dus niet mee te tellen in de Zeeschelde aantallen). + +*Ontbrekende data*: + +Deze eerstelijnsrapportage werkt met de effectieve data. Er gebeurde geen imputing van ontbrekende data. + +**2022/23** + +**INBO** Zeeschelde boottellingen zijn volledig uitgevoerd zoals gepland. + +**MIDMA** Durme monding - Mira-brug TIELRODE : geen telling in oktober 2023. +Zenne Zennegat - Hombeekbrug MECHELEN : geen telling in maart 2024. +Tijgebonden Oude Schelde Gent - monding Ringvaart- enkel een telling in oktober 2023 (5 ontbrekende tellingen). +Dijle Netemonding - Mechelen: geen telling in februari en maart 2024. +Rupel Wintam-sas tot brug Boom: geen telling in januari en maart 2024 + +*Winterkarakteristiek telseizoen 2022/23*: + +De winter van 2023/24 [^100_watervogels-1] was klimatologisch zeer warm en nat. +Er was één langere koude periode midden januari. Met voor het eerst sinds februari 2021 4 winterse dagen (max \< 0°C).Daarna volgde een zeer warme februari, een absoluut record. In totaal telde de winter 5 sneeuwdagen in december en januari (17 januari was dag met zware sneeuwval) en in totaal 17 vriesdagen (min \< 0°C). +De winter was de derde natste winter ooit met heel weinig zonnige dagen en hoge gemiddelde windsnelheid. + + +[^100_watervogels-1]: KMI winter `r laatste_jaar` (dec `r as.numeric(laatste_jaar) - 1` - feb `r laatste_jaar`) \~= wintervogeljaar (telseizoen `r laatste_telseizoen`). + + + + + + + +```{r 100-tabel-teltrajecten} + +tabel_teltrajecten <- read_excel(paste0(pad_tabellen, "100_Watervogels_tabellen.xlsx"), + sheet = "teltrajecten", .name_repair = "minimal") %>% + mutate_all(~replace_na(., "")) + + +cap_teltrajecten <- "Geselecteerde teltrajecten van de zijrivieren opgenomen in de exploratieve data-analyse en in de data-aanlevering." + +footnote_text <- "Opgelet dit teltraject omvat data van zowel de getijgebonden Durme als van de afgesneden ‘oude’ Durme-arm. Sinds oktober 2012 wordt de getijgebonden Durme afzonderlijk geteld." + +tabel_teltrajecten %>% + mutate(across(everything(), ~as.character(.) %>% replace_na(""))) %>% + mutate(across(everything(), ~cell_spec(., color = "black"))) %>% + {.[3,4] <- paste0(.[3,4], + footnote_marker_number(1)) + .} %>% + knitr::kable( + # caption = cap_teltrajecten, + # "html", + booktabs = TRUE, + escape = FALSE, + caption = cap_teltrajecten) %>% + kableExtra::kable_styling(latex_options = c("scale_down"), + font_size = 15) %>% + # kable_styling(latex_options = c("scale_down")) %>% + footnote(number = footnote_text, + escape = FALSE, + threeparttable = TRUE) + +``` + +
+ + + + + + + +```{r 100-tabel-estuarienesigmagebieden} + +tabel_sigma_estuarien <- + read_delim(paste0(pad_tabellen, "gebiedsgroepenSigma_zeeschelde.csv"), + delim = ";") + +tabel_sigma_estuarien <- tabel_sigma_estuarien %>% + dplyr::filter(gebiedsgroep == "GGG" | gebiedsgroep == "Ontpoldering") %>% + select(-c(gebiedsgroeptype_code, gebiedsgroeptype, gebiedsgroep_code)) %>% + mutate(niveau3 = fct_relevel(niveau3, c("Saliniteitsgradient","Oligohalien","Zoet lang verblijf","Zoet kort verblijf"))) %>% + arrange(niveau3) + +cap_estuarienesigmagebieden <- "Geselecteerde estuariene gebieden opgenomen in de exploratieve data-analyse (ifv IHD) en in de data-aanlevering." + +footnote_text <- "De watervogels in de Fasseitpolder worden niet afzonderlijk geteld en zijn vervat in het wetland-telgebied GOG Bazelse Polder Zuid" + +tabel_sigma_estuarien %>% + mutate(across(everything(), ~as.character(.) %>% replace_na(""))) %>% + mutate(across(everything(), ~cell_spec(., color = "black"))) %>% + {.[3,4] <- paste0(.[3,4], + footnote_marker_number(1)) + .} %>% + knitr::kable( + #caption = cap_estuarienesigmagebieden, + # "html", + booktabs = TRUE, + escape = FALSE, + caption = cap_estuarienesigmagebieden) %>% + kableExtra::kable_styling(latex_options = c("scale_down"), + font_size = 15) %>% + kableExtra::kable_styling(latex_options = c("scale_down")) %>% + footnote(number = footnote_text, + escape = FALSE, + threeparttable = TRUE) + +``` + +
+ +## Exploratieve data-analyse watervogelaantallen + +De exploratieve data-analyse van de overwinterende watervogels van de Zeeschelde en getijgebonden zijrivieren volgt de vernieuwde evaluatiemethodiek (EMSE, 2021) mits een aantal doorgevoerde aanpassingen: + +*voedselgroepen*: de weerhouden vogelsoorten (met meer dan 30 waarnemingen cf. EMSE, 2021) zijn ingedeeld in 4 categoriën (Tabel \@ref(tab:100-tabel-trofischegroepsoorten)):benthoseters (omvatten schelpdiereters, wormeneters, hyperbenthoseters en epibenthoseters), viseters, herbivoren en omnivoren (omvatten bijna alle eendensoorten in de Zeeschelde - deze voeden zich doorgaans opportunisistisch maar in belangrijke mate met Oligochaeta).De vleeseters (roofvogels) worden niet systematisch geteld bij de watervogeltellingen en werden niet meegenomen. + +*Areaal foerageergebied*: voor deze oefening werd de dichtheid van de vogelaantallen berekend op basis van het areaal slik zacht substraat aanwezig langs de deelzones van de Zeeschelde en zijrivieren. + +*Sleutelsoorten*: de sleutelsoorten niet-broedvogels in de Zeeschelde zijn soorten met een instandhoudingsdoelstelling (S-IHD) []. +Deze zijn gebaseerd op gemiddelde overwinterende aantallen in gedefinieerde periodes voor elke soort in de estuariene gebieden van de Zeeschelde en zijrivieren Rupel, Durme, Dijle en Zenne (voor de Netes zijn er geen telgegevens over de estuariene habitats apart). We leggen voor EMSE de klemtoon op de soorten die een sterke connectie hebben met de estuariene habitats (kleine zwaan, slobeend en kokmeeuw laten we buiten beschouwing). + +- pijlstaart : winter seizoensgemiddelde telseizoen 2000/01 tot 2005/06: 487ex. +- wintertaling : winter seizoensgemiddelde telseizoen 1998/99 tot 2005/06: 14584ex. +- krakeend: winter seizoensgemiddelde telseizoen 2002/03 tot 2006/07: 2408ex. +- tafeleend: winter seizoensgemiddelde telseizoen 2001/02 tot 2006/07: 3864ex. +- bergeend: winter seizoensgemiddelde telseizoen 1992/93 tot 2006/07: 1272ex. + + +*Indexen*: Om de trends te bespreken is er een index berekend met 2009 als referentiejaar en gebaseerd op de maximale winteraantallen. +Dit jaar is gekozen omdat er dan voor alle deelzones gegevens zijn en het referentiejaar valt na de systeemomslag. +Zo kan de trend in de verschillende deelzones in detail geëvalueerd worden voor de laatste jaren. +De Shannon-index toont de algemene patronen in de diversiteit. + +**Globaal patroon** + +Het globaal patroon in de maandelijkse wintervogelaantallen langsheen de Zeeschelde op de slikken (zonder Sigma natuurontwikkelingsgebieden) toont een sterke afname in vogelaantallen tussen 2002 en 2008, in 2010 en 2011 waren de vogelaantallen iets hoger. In het winterjaar 2020 (okt '20 - mrt '21) was er een winterinflux door koude temperaturen. De vogelaantallen in het laatste telseizoen zijn vergelijkbaar met winterjaar 2019 en de laagste sinds het begin van de meting (Figuur \@ref(fig:100-figuur-maandelijkse-totalen-winter-Zeeschelde)). +De wintermaxima[^100_watervogels-2] langsheen de Zeeschelde kenden de voorbije winter opnieuw een dieptepunt vergelijkbaar met het dal in de winter van 2019 (Figuur \@ref(fig:100-figuur-wintermaxima-Zeeschelde), Figuur \@ref(fig:100-figuur-index-niveau2)). +De proportionele verdeling van de watervogels in de verschillende zones van de Zeeschelde (zie in Figuur 1.1) toont na de sterke afname van de watervogels in winter 2006/07, vooral in de oligohaliene zone, een geleidelijke toename van het aandeel vogels dat verblijft in de sterke saliniteitsgradiënt (Beneden-Zeeschelde) en Zeeschelde I. De vogelaantallen namen verhoudingsgewijs in 2022 sterk toe in de sterke saliniteitsgradiënt (Beneden-Zeeschelde) (Figuur \@ref(fig:100-figuur-verhouding-aantallen)). + +[^100_watervogels-2]: Maximum van de som van alle vogels per wintermaand (oktober tot en met maart). + +**Bespreking per deelgebied** (Figuur \@ref(fig:100-figuur-index-niveau3)): + +Nieuwe SIGMA ontwikkelingen trekken veel watervogels aan. +Deze gebieden zijn niet vervat in onderstaande trendgrafieken. +De bijdrage van de Sigmagebieden wordt verderop besproken. + +In de zone met sterke **Saliniteitsgradient** (Kennedytunnel -- Grens) vertonen de winteraantallen een dalende trend tot 2019. +Sindsdien is de index stijgend. +Tegenover het beschouwde referentiejaar 2009 is er een afname met ongeveer de helft van de maximale vogelaantallen. +De terugval is vooral waarneembaar in een sterke afname van de aantallen smient, wintertaling en grauwe gans (zie verder soortbesprekingen). +De laatste winters worden hogere aantallen tureluur, scholekster en wulp geteld hierdoor stijgt de index in deze zone. + +**Oligohalien** (Durmemonding - Kennedytunnel) kende proportioneel de grootste afname in watervogelaantallen tussen 2006 en 2010. +Deze afname stabiliseert zich de laatste jaren.Tegenover het beschouwde referentiejaar 2009 is er een afname met meer dan de helft van de maximale vogelaantallen. + +In **Zoet lang verblijf** (Dendermonde -- Durmemonding) zijn de vogelaantallen sterk afgenomen in `r laatste_telseizoen`. +Het aantal watervogels was historisch laag. +Door de influx van vogels uit de vallei was er in 2020 nog een winterpiek. + +In **Zoet kort verblijf** (Gentbrugge -- Dendermonde) was er een duidelijke terugval in het overwinterend aantal watervogels in de winter van 2017/18-19. +De overwinterende watervogelaantallen op de Zeeschelde blijven bij de laagste geteld sinds begin jaren '90. +Door de aanhoudende koude zochten in de winter van 2020 vogels uit de vallei een toevlucht op de slikken van de Zeeschelde. + +De watervogels op de **Rupel** volgen sinds 2009 een dalende trend met een absoluut dieptepunt in het winterseizoen 2019. +De index schommelt rond 0.3 tenopzichte van 2009. + +De trends in de **Getijdedurme** zijn enigszins moeilijker te interpreteren omdat de afbakening van het telgebied veranderde. +Tot oktober 2012 werden de vogelaantallen van de Oude Durme en de Getijdendurme opgeteld. +Sindsdien worden de vogelaantallen afzonderlijk geteld. +Bovendien is er een datahiaat in de winter van 2007-2008 (niet zichtbaar in figuur). +Dit verklaart de lage aantallen in deze periode. +Uit de tellingen kan wel afgeleid worden dat er na een periode met hogere aantallen (2013-2017) de aantallen verder afnemen op de Durme. +De laatste winters (2021-2022) werden hoge wintermaxima geteld in het Klein Broek en Meulendijkbroek langsheen de Durme (tussentijds beheer) rond de 800- 1000 ex. +Vermoedelijk verplaasten een deel van de watervogels zich naar deze gebieden. + +**Zoet zijrivier** omvat voor de watervogelevaluatie de **Zenne** en **Dijle**. +Deze waren tot 2007 nagenoeg 'vogeldood' (zie ook Figuur \@ref(fig:100-figuur-aantallen-zijrivieren)). +De hoogste aantallen werden op de Dijle en Zenne slikken respectievelijk geteld in de de winter van 2007 en 2008. +Op de **Dijle** was de piek van vogelaantallen van korte duur. +De laatste jaren worden slechts enkele tientallen vogels gemiddeld per winterseizoen geteld op de slikken van de Dijle. +De wintermaxima in het GGG Zennegat schommelen de laatste jaren rond de 700 watervogels, een factor 10 hoger dan het aantal vogels geteld op de Dijle zelf. +Op de **Zenne** fluctueerden de aantallen enkele jaren sterk om dan af te nemen. + +```{r 100-figuur-maandelijkse-totalen-winter-Zeeschelde, fig.cap=cap_maandelijkse_totalen,out.height="40%"} + +cap_maandelijkse_totalen <- paste0("Maandelijkse wintertotalen van de watervogels langsheen de Zeeschelde sinds oktober 1991 tot ", + laatste_jaar, + " (exclusief zijrivieren; exclusief meeuwen en sternen).") + +knitr::include_graphics(paste0(pad_figuren, "100_figuur_maandelijkse_totalen_ZSwinter.jpg")) + +``` + +
+ +```{r 100-figuur-wintermaxima-Zeeschelde, fig.cap=cap_wintermaxima_Zeeschelde, out.width="80%"} + +cap_wintermaxima_Zeeschelde <- paste0("Wintermaxima van de watervogels langsheen de Zeeschelde sinds oktober 1991 tot ", + laatste_jaar, + " (exclusief zijrivieren; exclusief meeuwen en sternen).") + +knitr::include_graphics(paste0(pad_figuren, "100_figuur_wintermaxima_Zeeschelde.jpg")) + +``` + +
+ +```{r 100-figuur-verhouding-aantallen, fig.cap=cap_verhouding_aantallen, out.width="80%"} + +cap_verhouding_aantallen <- paste0("De verhouding per zone (niveau 3) van de totale aantallen watervogels geteld langsheen de Zeeschelde (winter 1991 - ", + laatste_jaar, + ") (winterdata okt – mrt).") + +knitr::include_graphics(paste0(pad_figuren, "100_figuur_verhouding_aantallen_niveau3Zeeschelde.jpg")) + +``` + +
+ +```{r 100-figuur-index-niveau2, fig.cap=cap_index_niveau2, out.width="80%"} + +cap_index_niveau2 <- paste0("Index van de maximale wintervogelaantallen in de Zeeschelde en zijrivieren (2009/10 – ",laatste_telseizoen, + "). Index gestandaardiseerd naar winter 2009/10.") + +knitr::include_graphics(paste0(pad_figuren, "100-figuur_Index_wintervogelaantallen_niv2.jpg")) + +``` + +
+ +```{r 100-figuur-index-niveau3, fig.cap=cap_index_niveau3, out.width="80%"} + +cap_index_niveau3 <- paste0("Index van de maximale wintervogelaantallen in de verschillende zones (2009/10 – ",laatste_telseizoen, + "). Index gestandaardiseerd naar winter 2009/10.") + +knitr::include_graphics(paste0(pad_figuren, "100-figuur_Index_wintervogelaantallen.jpg")) + +``` + +
+ +```{r 100-figuur-aantallen-zijrivieren, fig.cap=cap_aantallen_zijrivieren, out.width="80%"} + +cap_aantallen_zijrivieren <- paste0("De wintervogelaantallen in de Dijle en Zenne (gedeelte onder getijde-invloed) (gemiddelde per winter 1991/92 – ", + laatste_telseizoen, + ").") + +knitr::include_graphics(paste0(pad_figuren, "100_figuur_aantallen_zijrivieren.jpg")) + +``` + +
+ +**Trofische groepen** + +De trends in de wintervogelaantallen opgedeeld volgens de trofische indicatorgroepen is weergegeven in Figuur \@ref(fig:100-figuur-aantallen-trofische-groep), de index berekening op basis van het wintermaximum per trofische groep op niveau 3 is weergegeven in Figuur \@ref(fig:100-figuur-aantallen-trofische-groep-index). +In winter `r laatste_telseizoen` is er voor het vierde jaar op rij een stijging in het aantal benthivore overwinteraars (voornamelijk steltlopers) in de zone met sterke saliniteitsgradiënt. +Dit is te wijten aan de hogere aantallen van vooral scholekster, kievit en bergeend (Figuur \@ref(fig:100-figuur-aantallen-steltlopers)). +Minstens de scholekster lijkt een nieuwe voedselbron aan te boren - brakwaterkorfschelp *Potamocorbula amurensis* - op de lage slikzone. +Het gemiddeld aantal omnivore soorten (vooral eenden en meeuwen) is afnemend in alle zones behalve in de zone met een sterke saliniteitsgradiënt, waar vooral de kokmeeuw toenam de voorbije twee jaar. +Er is een sterke daling van omnivoren in zone Zoet lang. +Dit is vooral te wijten aan een sterke afname van de wilde eend (Figuur \@ref(fig:100-figuur-aantallen-abundante-soorten)). +Het gemiddeld aantal visetende vogels in Zeeschelde II (vooral aalscholver) varieert met de jaren, vermoedelijk in respons op de beschikbare visbiomassa. +Ook in de zone met sterke salniteitsgradiënt nemen de herbivoren toe, dit is vooral te wijten aan de hogere aantallen krakeend (Figuur \@ref(fig:100-figuur-aantallen-abundante-soorten)). + +De verhouding van de soorten die meer dan 5% van de totale soortenaantallen per zone omvatten in de winterperiode sinds 2009 wordt weergegeven in Figuur \@ref(fig:100-figuur-abundante-soortenna2009). +De kokmeeuw is de meest voorkomende wintersoort in de zone met sterke saliniteitsgradiënt en langs de zijrivieren. +De wilde eend is de meest algemene soort langsheen de Zeeschelde. +Proportioneel komt de wintertaling het meest voor langsheen de Rupel en de Durme. +De zone met sterke saliniteitsgradiënt en de Rupel hebben het meest aantal soorten die meer dan 5% van het totaal omvatten. +Dit vertaalt zich ook in een hogere Shannon diversiteit van deze zones Figuur \@ref(fig:100-figuur-ShannonDiversity-metmeeuwen). +De diversiteit is het hoogst en stabiel in de zone met sterke saliniteitsgradiënt en de Rupel. +De Durme heeft een lage, afnemende diversiteit aan overwinterende watervogels. +Samen met de sterke afname in overwinterende vogelaantallen nam in zoet lang ook de diversiteit af. + +Van een aantal algemenere soorten worden de trends in de periode 2010-`r laatste_jaar` getoond in Figuur \@ref(fig:100-figuur-aantallen-abundante-soorten) en Figuur \@ref(fig:100-figuur-aantallen-viseters) en Figuur \@ref(fig:100-figuur-aantallen-steltlopers). +De bergeend neemt voor het eerst in 9 jaar duidelijk toe in de zone met sterke saliniteitsgradiënt. +De afnemende aantallen langsheen de zone zoet lang van wilde eend(!) en wintertaling zijn opvallend. +Na een opvallende dip van de krakeend in 2019/20 neemt de krakeend toe in de sterke saliniteitsgradiënt. +De aalscholveraantallen in de winterperiode namen toe na 2014 en volgen op de toename van vis vooral in de Boven-Zeeschelde Figuur \@ref(fig:100-figuur-aantallen-viseters). +De fuut, ook een viseter is quasi volledig verdwenen langs alle teltrajecten. +Met een wintergemiddelde van een 100-tal exemplaren is de tureluur veel talrijker aanwezig sinds 2015. +De gemiddelde wulpaantallen namen opnieuw af na een herstelperiode. +De ontpoldering van Hedwige-prosper (data nog niet in databank) trok veel bergeenden en foeragerende wulpen aan. +Dit zal de aantallen beïnvloedt hebben op de slikken nabij Paardenschor. +In de zone met sterke saliniteitsgradiënt is er een toename in bodemdierbiomassa vastgesteld (Figuur \@ref(fig:070-figuur13)). + +Er zijn 11 exoten of verwilderde soorten die meer dan 30 keer werden waargenomen sinds de start van de tellingen langsheen de Zeeschelde en zijrivieren. +De totale aantallen zijn licht stijgend. +Dit is vooral door het toenemend aantal nijlganzen en Canadese ganzen. +De trends van de meest talrijke exotische overwinterende vogelsoorten is weergegeven in Figuur \@ref(fig:100-figuur-exotentrends). +De hoogste aantallen worden geteld in de oligohaliene zone. +De boerengans en soepeend komen in relatief kleine aantallen voor en zijn stabiel tot afnemend. + +De dichtheden van de overwinterende watervogels per zone op het oppervlakte zacht substraat slik in de Zeeschelde is weergegeven in Figuur \@ref(fig:100-figuur-dichtheden-watervogels-per-zone). +Voor de figuur werd een selectie gemaakt van alle omnivore en benthivore soorten en werden kuifeend en tafeleend uitgesloten omdat beide soorten vooral afhankelijk zijn van het voedselaanbod in de ondiepe waterzones. +De grafiek houdt geen rekening met natuurontwikkelingsgebieden. +In 2001 waren er hoge vogeldichtheden in de oligohaliene zone, zoet lang en Rupel rond de 120-160 vogels per ha . +Deze dichtheden namen drastisch af. +De dichtheden in 2019 zijn in alle zones, behalve de Durme, de laagste ooit gemeten tussen de 45 en 6 vogels per hectare slik. +De dichtheid bleef over de volledige monitoringsperiode het hoogst in zoet lang en was over de volledige periode het laagst in de zone met sterke saliniteitsgradiënt. +Nochtans is het voedselaanbod uitgedrukt als biomassa bodemdieren per oppervlakte eenheid hier niet significant lager dan in andere zones. +De oppervlakte zacht substraat in de verschillende zones is in beperkte mate veranderd (Hoofdstuk \@ref(030_ecotopen)) en heeft hierdoor een beperkte invloed, tot nu toe, op de berekende dichtheden. + +```{r 100-figuur-aantallen-trofische-groep, fig.cap=cap_aantallen_trofische_groep, out.width="80%"} + +cap_aantallen_trofische_groep <- paste0("Trends in gemiddelde wintervogelaantallen per zone (gemiddelde per winter 2009/10 – ", + laatste_telseizoen, + ") opgedeeld volgens de trofische indicatorgroepen (Nbenth: benthivoren, Nherb: herbivoren, Nomn: omnivoren en Npisc: piscivoren). Deze figuur is inclusief de meeuwen en sternen.") + +knitr::include_graphics(paste0(pad_figuren, "100_figuur_aantallen_trofische_groep_niveau3.jpg")) + +``` + +
+ +```{r 100-figuur-aantallen-trofische-groep-index, fig.cap=cap_aantallen_trofische_groep_index, out.width="80%"} + +cap_aantallen_trofische_groep_index <- paste0("Trendindex wintermaxima per zone (winter 2009/10 – ", + laatste_telseizoen, + ") opgedeeld volgens de trofische indicatorgroepen (Nbenth: benthivoren, Nherb: herbivoren, Nomn: omnivoren en Npisc: piscivoren). Deze figuur is inclusief de meeuwen en sternen.") + +knitr::include_graphics(paste0(pad_figuren, "100-figuur_Index_wintervogelaantallen_trofischegroepZSniv3.jpg")) + +``` + +
+ +```{r 100-figuur-abundante-soortenna2009, fig.cap=cap_verhouding_abundante_soorten, out.width="80%"} + +cap_verhouding_abundante_soorten <- paste0("Verhouding van de dominante soorten (> 5\\% totaal) per zone sinds 2009 - ", laatste_telseizoen, + ").") + +knitr::include_graphics(paste0(pad_figuren, "100_figuur_abundante_soortenna2009.jpg")) + +``` + +
+ +```{r 100-figuur-ShannonDiversity-metmeeuwen, fig.cap=cap_shannon_diversiteit, out.width="80%"} + +cap_shannon_diversiteit <- "Shannon diversiteitsindex per zone (niveau 3). Winterdata inclusief meeuwen en sternen." + +knitr::include_graphics(paste0(pad_figuren, "100_figuur_ShannonDiversity_wintervogels_metmeeuwen.jpg")) + +``` + +
+ +```{r 100-figuur-aantallen-abundante-soorten, fig.cap=cap_aantallen_abundante_soorten, out.width="80%"} + +cap_aantallen_abundante_soorten <- "Trends in het gemiddelde aantal wintervogels (okt.-mrt.) voor 4 abundante soorten in de deelzones Zeeschelde (niveau 3)." + +knitr::include_graphics(paste0(pad_figuren, "100_figuur_aantallen_abundante_soorten_niveau3.jpg")) + +``` + +
+ +```{r 100-figuur-aantallen-viseters, fig.cap=cap_aantallen_viseters, out.width="80%"} + +cap_aantallen_viseters <- "Trends in het gemiddeld aantal getelde wintervogels (okt.-mrt.) voor 2 abundante visetende (piscivore) en twee abundante steltlopers in de deelzones van de Zeeschelde (niveau 3)." + +knitr::include_graphics(paste0(pad_figuren, "100_figuur_aantallen_viseters_niveau3.jpg")) + +``` + +
+ +```{r 100-figuur-aantallen-steltlopers, fig.cap=cap_aantallen_steltlopers, out.width="80%"} + +cap_aantallen_steltlopers <- "Trends in het gemiddeld aantal getelde wintervogels (okt.-mrt.) voor 6 abundante steltlopers (benthivoor) in de zone met sterke saliniteitsgradiënt." + +knitr::include_graphics(paste0(pad_figuren, "100_figuur_aantallen_steltlopers.jpg")) + +``` + +
+ +```{r 100-figuur-exotentrends, fig.cap=cap_exotentrends, out.width="80%"} + +cap_exotentrends <- "Trends sinds 2009 in het gemiddeld aantal getelde wintervogels (okt.-mrt.) voor 4 abundante exoten/verwilderde vogels in de zones van de Zeeschelde en zijrivieren." + +knitr::include_graphics(paste0(pad_figuren, "100_figuur_aantallen_exoten.jpg")) + +``` + +
+ +```{r 100-figuur-dichtheden-watervogels-per-zone, fig.cap=cap_dichtheden,out.width="80%"} + +cap_dichtheden <- "Vogeldichtheid (aantallen per ha zacht substraat slik) van getelde wintervogels (NBenth + NOmn, inclusief meeuwen en sterns) (okt.-mrt.) in de niveau 3 zones van de Zeeschelde. Data gepresenteerd voor de jaren overeenkomstig de beschikbare ecotopenkaart. Watervogels en oppervlakte exclusief nieuwe gebieden." + +knitr::include_graphics(paste0(pad_figuren, "100_figuur_dichtheid.jpg")) + +``` + +
+ +## Overwinterende watervogels in gebieden met estuariene natuurontwikkeling + +De wintermaxima in de estuariene sigmagebieden (Tabel\@ref(tab:100-tabel-estuarienesigmagebieden)) vertonen een duidelijke sprong vanaf het moment dat de inrichting voltooid is (zie Tabel \@ref(tab:020-tabel-natuurontwikkelingsprojecten) (Figuur \@ref(fig:100-figuur-wintermaxima-sigma-estuarien)). +De wintermaxima vertoonden maxima in 2017, 2021 & 2022 , dit was vooral het gevolg van de grote vogelaantallen in het GGG Zennegat, GGG Battenbroek-Grote Vijver en Klein Broek langsheen de Durme (Figuur \@ref(fig:100-figuur-wintermaxima-sigmagebieden-estuarien)). +De nieuwe gebieden slagen er niet in om het glijdend gemiddelde (periode 5 jaar) van de dalende watervogelaantallen op de Zeeschelde om te buigen in stijgende wintermaxima ((Figuur \@ref(fig:100-figuur-natuurindicator-zeescheldesigma-estuarien)). +Binnen het estuarium compenseren de nieuwe gebieden de dalende trends langsheen de Zeeschelde. +Nemen we ook de wetland Sigmagebieden mee in beschouwing dan is de trend eerder positief (). + +
+ +```{r 100-figuur-wintermaxima-sigma-estuarien, fig.cap=cap_wintermaxima_sigma,out.width="80%"} + +cap_wintermaxima_sigma <- "De wintermaxima per winterseizoen in de estuariene sigmagebieden vanaf 1991." + +knitr::include_graphics(paste0(pad_figuren, "100_figuur_wintermaxima_sigma_estuarien.jpg")) + +``` + +
+ +```{r 100-figuur-wintermaxima-sigmagebieden-estuarien, fig.cap=cap_wintermaxima_sigmagebieden,out.width="100%"} + +cap_wintermaxima_sigmagebieden <- "De wintermaxima per winterseizoen in de estuariene sigmagebieden vanaf 2010." + +knitr::include_graphics(paste0(pad_figuren, "100_figuur_wintermaxima_sigmagebieden_estuarien.jpg")) + +``` + +
+ +```{r 100-figuur-natuurindicator-zeescheldesigma-estuarien, fig.cap=cap_natuurindicator_sigma,out.width="100%"} + +cap_natuurindicator_sigma <- "Het glijdend gemiddelde van de maximale wintervogels langsheen de Zeeschelde en de Zeeschelde plus de estuariene sigmagebieden." + +knitr::include_graphics(paste0(pad_figuren, "100_figuur_Natuurindicator_glijdendgemiddelde_Zeeschelde_estuarien.jpg")) + +``` + +
+ +## Sleutelsoorten - Instandhoudingsdoelstellingen (IHD-S) + +Zie rapportage vorig jaar. + +
**Algemene conclusie** + +Over de periode 2009-2022 bekeken is er op het niveau van de Zeeschelde een dalende trend te zien in het aantal overwinterende watervogels. +De trendindex toont een toename in de sterke saliniteitsgradiënt. Dit is vooral te wijten aan de toename van scholeksters en bergeenden. De toename van de scholekster is vermoedelijk het gevolg van de toename aan schelpdieren (zie hoofdstuk Macrozoöbenthos). De ontpoldering van Hedwige-Prosper trok heel wat bergeenden aan die ook gebruik maakten van de slikken van de Zeeschelde. +Opvallend is de negatieve trend van de zone zoet lang, vooral veroorzaakt door een sterke afname van de wilde eend. Niettegenstaande deze trend blijft de dichtheid aan overwinterende watervogels nog steeds het hoogst in de zone zoet lang en het laagst in de zone met sterke saliniteitsgradiënt. Opvallend is een lage dichtheid aan vogels op de Durme gedurende het winterseizoen. +De diversiteit is het grootst in de zone met een sterke saliniteitsgradiënt en laag in de Durme en de zone zoet lang. +De afname van de vogelaantallen langsheen de Zeeschelde wordt gecompenseerd door de toename van de vogelaantallen in de estuariene natuurontwikkelingsgebieden. +Dit resulteert tot op heden niet in een totale toename van de watervogelaantallen binnen het estuarium. + +## Referenties + +EMSE (2021). +Evaluatiemethodiek Schelde‐estuarium: Update 2021. +Antea, Bureau Waardenburg, Deltares, UAntwerpen, UGent, INBO en NIOZ. + +
+ + + + + + + +```{r 100-tabel-trofischegroepsoorten} + +tabel_trofischegroep <- + read_delim(paste0(pad_tabellen, "Soorten_EMSE_analyse.csv"), + delim = ";") + +cap_trofischegroepsoorten <- "Vogelsoorten (met meer dan 30 waarnemingen) werden ingedeeld in 4 groepen: benthoseters (NBenth) (omvatten: schelpdiereters, wormeneters, hyperbenthoseters en epibenthoseters), viseters (NPisc), herbivoren (Nherb) en omnivoren (Nomn). Soorten die beschouwd worden als exoten geselecteerd." + +tabel_trofischegroep %>% + mutate(across(everything(), ~as.character(.) %>% replace_na(""))) %>% + knitr::kable(booktabs = TRUE, + escape = FALSE, + longtable = TRUE, + caption = cap_trofischegroepsoorten) %>% + kableExtra::kable_styling(latex_options = c("scale_down"), + font_size = 8) + +``` + +
From 0f849134eb9a936e077f7c87e6144eb9ea41b5cc Mon Sep 17 00:00:00 2001 From: VAN RYCKEGEM Date: Wed, 17 Jul 2024 12:41:20 +0200 Subject: [PATCH 010/102] rapportage watervogels concept --- .../20_moneos_watervogels_analyse.Rmd | 110 +++++++++++++++++- .../100_watervogels.Rmd | 98 +++++----------- .../150_geintegreerd_rapport/index.Rmd | 2 +- 3 files changed, 138 insertions(+), 72 deletions(-) diff --git a/moneos_2023/100_watervogels/20_moneos_watervogels_analyse.Rmd b/moneos_2023/100_watervogels/20_moneos_watervogels_analyse.Rmd index 8f832e5..4246af3 100644 --- a/moneos_2023/100_watervogels/20_moneos_watervogels_analyse.Rmd +++ b/moneos_2023/100_watervogels/20_moneos_watervogels_analyse.Rmd @@ -731,8 +731,7 @@ GrootSchoor %>% labs(x = "jaar", y = "som aantal per wintermaand") + theme(axis.text.x = element_text(angle = 90)) -#check figuur: aantallen wijken sterk af - ergens fout gemaakt? -# ggsave(paste0(pad_figuren, "100_figuur_maandelijkse_totalen_Grootschoorwinter.jpg")) +ggsave(paste0(pad_figuren, "100_figuur_maandelijkse_totalen_Grootschoorwinter.jpg")) ``` @@ -1217,6 +1216,7 @@ Waterbirds_sigma_estuarien %>% ggsave(paste0(pad_figuren, "100_figuur_wintermaxima_sigmagebieden_estuarien.jpg"), width = 30, height = 15, units = "cm" ) +##wintergemiddelde Waterbirds_sigma_estuarien %>% dplyr::filter(maand %in% c(10:12, 1:3)) %>% mutate(telseizoen1 = as.numeric(str_sub(telseizoen, 1, 4))) %>% @@ -1232,6 +1232,40 @@ Waterbirds_sigma_estuarien %>% facet_wrap(~gebied, scales = "free")+ theme(axis.text.x = element_text(angle = 90)) +##axis not free +Waterbirds_sigma_estuarien %>% + dplyr::filter(maand %in% c(10:12, 1:3)) %>% + mutate(telseizoen1 = as.numeric(str_sub(telseizoen, 1, 4))) %>% + dplyr::filter(telseizoen1 > 2009) %>% + group_by(telseizoen1, maand, gebied, Sigmagebiedstype) %>% + summarise(som = sum(aantal, na.rm = TRUE)) %>% + ungroup() %>% + group_by(telseizoen1, gebied, Sigmagebiedstype) %>% + summarise(maximum = max(som, na.rm = TRUE)) %>% + ggplot(aes(as.factor(telseizoen1), maximum, colour = Sigmagebiedstype)) + + geom_line(aes(group = 1)) + + # geom_point()+ + facet_wrap(~gebied)+ + theme(axis.text.x = element_text(angle = 90)) + +Waterbirds_sigma_estuarien %>% + dplyr::filter(maand %in% c(10:12, 1:3)) %>% + dplyr::filter(gebied == "GOG-GGG Bazelse Polder Noord") %>% + mutate(telseizoen1 = as.numeric(str_sub(telseizoen, 1, 4))) %>% + dplyr::filter(telseizoen1 > 2009) %>% + group_by(telseizoen1, maand, nednaam) %>% + summarise(som = sum(aantal, na.rm = TRUE)) %>% + ungroup() %>% + group_by(telseizoen1, nednaam) %>% + summarise(maximum = max(som, na.rm = TRUE)) %>% + dplyr::filter(maximum >10) %>% + ggplot(aes(as.factor(telseizoen1), maximum)) + + geom_line(aes(group = 1)) + + # geom_point()+ + facet_wrap(~nednaam)+ + theme(axis.text.x = element_text(angle = 90)) + + ``` #### Natuurindicator berekening IHD-Z @@ -2161,6 +2195,31 @@ data_watervogels_index_trofniv3 %>% ``` +##### figuur wintergemiddelde Zeeschelde + +```{r 100-figuur-aantallen-niveau2, fig.height=6, fig.width=8} + +data_watervogels %>% + dplyr::filter(rivier == "Zeeschelde") %>% + dplyr::filter(maand %in% c(10:12, 1:3)) %>% + dplyr::filter(taxongroepcode != "MS") %>% #meeuwen en sternen niet meetellen worden pas sinds 1999 geteld + group_by(telseizoen, maand) %>% + summarise(som = sum(aantal, na.rm = TRUE)) %>% + ungroup() %>% + group_by(telseizoen) %>% + summarise(wintergemiddelde = mean(som, na.rm = TRUE)) %>% + ggplot(aes(ordered(telseizoen), wintergemiddelde)) + + geom_col() + + labs(x = "telseizoen", + y = "wintergemiddelde per telseizoen") + + theme(axis.text.x = element_text(angle = 90)) + + ggsave(paste0(pad_figuren, "100_figuur_meanwinter_niveau2.jpg")) +``` + + + + ##### figuur wintergemiddelde aantallen per KRWzone ```{r 100-figuur-aantallen-niveau3, fig.height=6, fig.width=8} @@ -2556,7 +2615,52 @@ data_watervogels %>% ggsave(paste0(pad_figuren, "100_figuur_abundante_soortenna2009.jpg")) +data_watervogels %>% + # dplyr::filter(str_detect(gebiedsgroep_code, "ZS")) %>% + dplyr::filter(maand %in% c(10:12, 1:3)) %>% + dplyr::filter(telseizoen >= "2009/10" & telseizoen <= "2014/15") %>% + group_by(niveau3, nednaam) %>% + mutate(totaal = sum(aantal, na.rm = TRUE)) %>% + ungroup() %>% + group_by(niveau3) %>% + mutate(totaalgebiedsgroep = sum(aantal, na.rm = TRUE)) %>% + mutate(perc = (totaal/totaalgebiedsgroep)*100) %>% + dplyr::filter(perc > 5) %>% + ggplot(aes(ordered(niveau3), aantal, fill = nednaam)) + + geom_col(position = "fill") + + scale_y_continuous(breaks = seq(0,1,0.1), labels = paste0(seq(0,100,10),"%")) + + scale_fill_manual(values=c("#CC0000", "#006600", "#669999", "#00CCCC", + "#660099", "#CC0066", "#FF9999", "#FF9900", + "black", "red", "green", "blue", "yellow")) + + labs(x = "Niveau3 zones", + y = "") + + theme(axis.text.x = element_text(angle = 90), + legend.position = "bottom", + legend.title = element_blank()) +data_watervogels %>% + # dplyr::filter(str_detect(gebiedsgroep_code, "ZS")) %>% + dplyr::filter(maand %in% c(10:12, 1:3)) %>% + dplyr::filter(telseizoen >= "2021/22" & telseizoen <= "2023/24") %>% + group_by(niveau3, nednaam) %>% + mutate(totaal = sum(aantal, na.rm = TRUE)) %>% + ungroup() %>% + group_by(niveau3) %>% + mutate(totaalgebiedsgroep = sum(aantal, na.rm = TRUE)) %>% + mutate(perc = (totaal/totaalgebiedsgroep)*100) %>% + dplyr::filter(perc > 5) %>% + ggplot(aes(ordered(niveau3), aantal, fill = nednaam)) + + geom_col(position = "fill") + + scale_y_continuous(breaks = seq(0,1,0.1), labels = paste0(seq(0,100,10),"%")) + + scale_fill_manual(values=c("#CC0000", "#006600", "#669999", "#00CCCC", + "#660099", "#CC0066", "#FF9999", "#FF9900", + "black", "red", "green", "blue", "yellow")) + + labs(x = "Niveau3 zones", + y = "") + + theme(axis.text.x = element_text(angle = 90), + legend.position = "bottom", + legend.title = element_blank()) +ggsave(paste0(pad_figuren, "100_figuur_abundante_soortennaT2021.jpg")) data_watervogels %>% # dplyr::filter(str_detect(gebiedsgroep_code, "ZS")) %>% @@ -3062,7 +3166,7 @@ ggsave(paste0(pad_figuren, "100_figuur_habitatoppervlakte.jpg")) data_watervogels %>% - dplyr::filter(nednaam %in% c("Nijlgans", "Canadese Gans", "Soepeend", "Boerengans")) %>% + dplyr::filter(nednaam %in% c("Nijlgans", "Grote Canadese Gans", "Brandgans", "Boerengans")) %>% dplyr::filter(str_detect(gebiedsgroep_code, "ZS")) %>% dplyr::filter(maand %in% c(10:12, 1:3)) %>% dplyr::filter(jaar >= 2009, diff --git a/moneos_2024/150_geintegreerd_rapport/100_watervogels.Rmd b/moneos_2024/150_geintegreerd_rapport/100_watervogels.Rmd index cc70586..4a7cfd7 100644 --- a/moneos_2024/150_geintegreerd_rapport/100_watervogels.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/100_watervogels.Rmd @@ -1,3 +1,8 @@ +--- +output: + pdf_document: default + html_document: default +--- ```{r 100-hoofdstuk, include=FALSE} hoofdstuk <- "100_watervogels" @@ -229,7 +234,7 @@ tabel_sigma_estuarien <- tabel_sigma_estuarien %>% mutate(niveau3 = fct_relevel(niveau3, c("Saliniteitsgradient","Oligohalien","Zoet lang verblijf","Zoet kort verblijf"))) %>% arrange(niveau3) -cap_estuarienesigmagebieden <- "Geselecteerde estuariene gebieden opgenomen in de exploratieve data-analyse (ifv IHD) en in de data-aanlevering." +cap_estuarienesigmagebieden <- "Geselecteerde estuariene gebieden opgenomen in de exploratieve data-analyse (ifv IHD) en in de data-aanlevering. Ontpoldering Prosperpolder Noord (sinds okt. 2022) ontbreekt nog als telgebied in databank" footnote_text <- "De watervogels in de Fasseitpolder worden niet afzonderlijk geteld en zijn vervat in het wetland-telgebied GOG Bazelse Polder Zuid" @@ -281,9 +286,8 @@ De Shannon-index toont de algemene patronen in de diversiteit. **Globaal patroon** -Het globaal patroon in de maandelijkse wintervogelaantallen langsheen de Zeeschelde op de slikken (zonder Sigma natuurontwikkelingsgebieden) toont een sterke afname in vogelaantallen tussen 2002 en 2008, in 2010 en 2011 waren de vogelaantallen iets hoger. In het winterjaar 2020 (okt '20 - mrt '21) was er een winterinflux door koude temperaturen. De vogelaantallen in het laatste telseizoen zijn vergelijkbaar met winterjaar 2019 en de laagste sinds het begin van de meting (Figuur \@ref(fig:100-figuur-maandelijkse-totalen-winter-Zeeschelde)). -De wintermaxima[^100_watervogels-2] langsheen de Zeeschelde kenden de voorbije winter opnieuw een dieptepunt vergelijkbaar met het dal in de winter van 2019 (Figuur \@ref(fig:100-figuur-wintermaxima-Zeeschelde), Figuur \@ref(fig:100-figuur-index-niveau2)). -De proportionele verdeling van de watervogels in de verschillende zones van de Zeeschelde (zie in Figuur 1.1) toont na de sterke afname van de watervogels in winter 2006/07, vooral in de oligohaliene zone, een geleidelijke toename van het aandeel vogels dat verblijft in de sterke saliniteitsgradiënt (Beneden-Zeeschelde) en Zeeschelde I. De vogelaantallen namen verhoudingsgewijs in 2022 sterk toe in de sterke saliniteitsgradiënt (Beneden-Zeeschelde) (Figuur \@ref(fig:100-figuur-verhouding-aantallen)). +Het globaal patroon in de maandelijkse wintervogelaantallen langsheen de Zeeschelde op de slikken (zonder Sigma natuurontwikkelingsgebieden) toont een sterke afname in vogelaantallen tussen 2002 en 2008, in 2010 en 2011 waren de vogelaantallen iets hoger. In het winterjaar 2020 (okt '20 - mrt '21) was er een winterinflux door koude temperaturen. De tellingen tonen een iets hoger wintermaximum[^100_watervogels-2] door de korte koudepiek in januari maar het wintergemiddelde was het laagste sinds het begin van de meting (Figuur \@ref(fig:100-figuur-maandelijkse-totalen-winter-Zeeschelde), Figuur \@ref(fig:100-figuur-index-niveau2), Figuur \@ref(fig:100-figuur-aantallen-niveau2)). +De proportionele verdeling van de watervogels in de verschillende zones van de Zeeschelde (zie in Figuur 1.1) toont na de sterke afname van de watervogels in winter 2006/07, vooral in de oligohaliene zone, een geleidelijke toename van het aandeel vogels dat verblijft in de sterke saliniteitsgradiënt (Beneden-Zeeschelde) en Zeeschelde I (zoet kort verblijf). De vogelaantallen namen verhoudingsgewijs in 2022 sterk toe in de sterke saliniteitsgradiënt (Beneden-Zeeschelde) (Figuur \@ref(fig:100-figuur-verhouding-aantallen)). [^100_watervogels-2]: Maximum van de som van alle vogels per wintermaand (oktober tot en met maart). @@ -294,24 +298,22 @@ Deze gebieden zijn niet vervat in onderstaande trendgrafieken. De bijdrage van de Sigmagebieden wordt verderop besproken. In de zone met sterke **Saliniteitsgradient** (Kennedytunnel -- Grens) vertonen de winteraantallen een dalende trend tot 2019. -Sindsdien is de index stijgend. +Tussen 2019 en 2022 was de index stijgend. Er was opnieuw een kleine afname voor winterseizoen 2023/24. Tegenover het beschouwde referentiejaar 2009 is er een afname met ongeveer de helft van de maximale vogelaantallen. De terugval is vooral waarneembaar in een sterke afname van de aantallen smient, wintertaling en grauwe gans (zie verder soortbesprekingen). De laatste winters worden hogere aantallen tureluur, scholekster en wulp geteld hierdoor stijgt de index in deze zone. **Oligohalien** (Durmemonding - Kennedytunnel) kende proportioneel de grootste afname in watervogelaantallen tussen 2006 en 2010. -Deze afname stabiliseert zich de laatste jaren.Tegenover het beschouwde referentiejaar 2009 is er een afname met meer dan de helft van de maximale vogelaantallen. +Tegenover het beschouwde referentiejaar 2009 is er een afname met meer dan de helft van de maximale vogelaantallen. Wanneer we de winterinflux van 2020 negeren is er een sterke afname van de index zichtbaar. In **Zoet lang verblijf** (Dendermonde -- Durmemonding) zijn de vogelaantallen sterk afgenomen in `r laatste_telseizoen`. -Het aantal watervogels was historisch laag. -Door de influx van vogels uit de vallei was er in 2020 nog een winterpiek. +Het aantal watervogels was historisch laag in winter 2022. Door de influx van vogels uit de vallei was er in 2020 nog een winterpiek. -In **Zoet kort verblijf** (Gentbrugge -- Dendermonde) was er een duidelijke terugval in het overwinterend aantal watervogels in de winter van 2017/18-19. +In **Zoet kort verblijf** (Gentbrugge -- Dendermonde) is er een duidelijke terugval in het overwinterend aantal watervogels. De overwinterende watervogelaantallen op de Zeeschelde blijven bij de laagste geteld sinds begin jaren '90. Door de aanhoudende koude zochten in de winter van 2020 vogels uit de vallei een toevlucht op de slikken van de Zeeschelde. De watervogels op de **Rupel** volgen sinds 2009 een dalende trend met een absoluut dieptepunt in het winterseizoen 2019. -De index schommelt rond 0.3 tenopzichte van 2009. De trends in de **Getijdedurme** zijn enigszins moeilijker te interpreteren omdat de afbakening van het telgebied veranderde. Tot oktober 2012 werden de vogelaantallen van de Oude Durme en de Getijdendurme opgeteld. @@ -323,12 +325,12 @@ De laatste winters (2021-2022) werden hoge wintermaxima geteld in het Klein Broe Vermoedelijk verplaasten een deel van de watervogels zich naar deze gebieden. **Zoet zijrivier** omvat voor de watervogelevaluatie de **Zenne** en **Dijle**. -Deze waren tot 2007 nagenoeg 'vogeldood' (zie ook Figuur \@ref(fig:100-figuur-aantallen-zijrivieren)). +Deze waren tot 2007 nagenoeg 'vogeldood'. De hoogste aantallen werden op de Dijle en Zenne slikken respectievelijk geteld in de de winter van 2007 en 2008. Op de **Dijle** was de piek van vogelaantallen van korte duur. De laatste jaren worden slechts enkele tientallen vogels gemiddeld per winterseizoen geteld op de slikken van de Dijle. De wintermaxima in het GGG Zennegat schommelen de laatste jaren rond de 700 watervogels, een factor 10 hoger dan het aantal vogels geteld op de Dijle zelf. -Op de **Zenne** fluctueerden de aantallen enkele jaren sterk om dan af te nemen. +Op de **Zenne** fluctueerden de aantallen sterk tussen 2008 en 2016 om dan af te nemen tot 2019. Sindsdien zijn de aantallen relatief stabiel. ```{r 100-figuur-maandelijkse-totalen-winter-Zeeschelde, fig.cap=cap_maandelijkse_totalen,out.height="40%"} @@ -342,13 +344,13 @@ knitr::include_graphics(paste0(pad_figuren, "100_figuur_maandelijkse_totalen_ZSw
-```{r 100-figuur-wintermaxima-Zeeschelde, fig.cap=cap_wintermaxima_Zeeschelde, out.width="80%"} +```{r 100-figuur-aantallen-niveau2, fig.cap=cap_wintergemiddelde_Zeeschelde, out.width="80%"} -cap_wintermaxima_Zeeschelde <- paste0("Wintermaxima van de watervogels langsheen de Zeeschelde sinds oktober 1991 tot ", +cap_wintergemiddelde_Zeeschelde <- paste0("Wintergemiddelde van de watervogels langsheen de Zeeschelde sinds oktober 1991 tot ", laatste_jaar, " (exclusief zijrivieren; exclusief meeuwen en sternen).") -knitr::include_graphics(paste0(pad_figuren, "100_figuur_wintermaxima_Zeeschelde.jpg")) +knitr::include_graphics(paste0(pad_figuren, "100_figuur_meanwinter_niveau2.jpg")) ``` @@ -386,25 +388,14 @@ knitr::include_graphics(paste0(pad_figuren, "100-figuur_Index_wintervogelaantall ``` -
- -```{r 100-figuur-aantallen-zijrivieren, fig.cap=cap_aantallen_zijrivieren, out.width="80%"} - -cap_aantallen_zijrivieren <- paste0("De wintervogelaantallen in de Dijle en Zenne (gedeelte onder getijde-invloed) (gemiddelde per winter 1991/92 – ", - laatste_telseizoen, - ").") - -knitr::include_graphics(paste0(pad_figuren, "100_figuur_aantallen_zijrivieren.jpg")) - -```
**Trofische groepen** -De trends in de wintervogelaantallen opgedeeld volgens de trofische indicatorgroepen is weergegeven in Figuur \@ref(fig:100-figuur-aantallen-trofische-groep), de index berekening op basis van het wintermaximum per trofische groep op niveau 3 is weergegeven in Figuur \@ref(fig:100-figuur-aantallen-trofische-groep-index). -In winter `r laatste_telseizoen` is er voor het vierde jaar op rij een stijging in het aantal benthivore overwinteraars (voornamelijk steltlopers) in de zone met sterke saliniteitsgradiënt. -Dit is te wijten aan de hogere aantallen van vooral scholekster, kievit en bergeend (Figuur \@ref(fig:100-figuur-aantallen-steltlopers)). +De index berekening op basis van het wintermaximum per trofische groep op niveau 3 is weergegeven in Figuur \@ref(fig:100-figuur-aantallen-trofische-groep-index). +In winter `r laatste_telseizoen` is er voor het vijfde jaar op rij een stijging in het aantal benthivore overwinteraars (voornamelijk steltlopers) in de zone met sterke saliniteitsgradiënt. +Dit is te wijten aan de hogere aantallen van vooral scholekster en tureluur (Figuur \@ref(fig:100-figuur-aantallen-steltlopers)). Minstens de scholekster lijkt een nieuwe voedselbron aan te boren - brakwaterkorfschelp *Potamocorbula amurensis* - op de lage slikzone. Het gemiddeld aantal omnivore soorten (vooral eenden en meeuwen) is afnemend in alle zones behalve in de zone met een sterke saliniteitsgradiënt, waar vooral de kokmeeuw toenam de voorbije twee jaar. Er is een sterke daling van omnivoren in zone Zoet lang. @@ -419,8 +410,8 @@ Proportioneel komt de wintertaling het meest voor langsheen de Rupel en de Durme De zone met sterke saliniteitsgradiënt en de Rupel hebben het meest aantal soorten die meer dan 5% van het totaal omvatten. Dit vertaalt zich ook in een hogere Shannon diversiteit van deze zones Figuur \@ref(fig:100-figuur-ShannonDiversity-metmeeuwen). De diversiteit is het hoogst en stabiel in de zone met sterke saliniteitsgradiënt en de Rupel. -De Durme heeft een lage, afnemende diversiteit aan overwinterende watervogels. -Samen met de sterke afname in overwinterende vogelaantallen nam in zoet lang ook de diversiteit af. +De Durme heeft een lage diversiteit aan overwinterende watervogels. +Samen met de sterke afname in overwinterende vogelaantallen nam in zoet lang ook de diversiteit af. De laatste jaren nam de diversiteit echter toe. Dit is vermoedelijk een neveneffect van de nieuwe sigmagebieden in deze zone - deze gebieden trekken soorten aan die af en toe naar de Zeeschelde trekken zoals pijlstaart of slobeend. Van een aantal algemenere soorten worden de trends in de periode 2010-`r laatste_jaar` getoond in Figuur \@ref(fig:100-figuur-aantallen-abundante-soorten) en Figuur \@ref(fig:100-figuur-aantallen-viseters) en Figuur \@ref(fig:100-figuur-aantallen-steltlopers). De bergeend neemt voor het eerst in 9 jaar duidelijk toe in de zone met sterke saliniteitsgradiënt. @@ -428,40 +419,21 @@ De afnemende aantallen langsheen de zone zoet lang van wilde eend(!) en winterta Na een opvallende dip van de krakeend in 2019/20 neemt de krakeend toe in de sterke saliniteitsgradiënt. De aalscholveraantallen in de winterperiode namen toe na 2014 en volgen op de toename van vis vooral in de Boven-Zeeschelde Figuur \@ref(fig:100-figuur-aantallen-viseters). De fuut, ook een viseter is quasi volledig verdwenen langs alle teltrajecten. -Met een wintergemiddelde van een 100-tal exemplaren is de tureluur veel talrijker aanwezig sinds 2015. -De gemiddelde wulpaantallen namen opnieuw af na een herstelperiode. +Met een wintergemiddelde van een 100 tot 150 exemplaren is de tureluur veel talrijker aanwezig sinds 2015. +De gemiddelde wulpaantallen zijn variabel. De ontpoldering van Hedwige-prosper (data nog niet in databank) trok veel bergeenden en foeragerende wulpen aan. Dit zal de aantallen beïnvloedt hebben op de slikken nabij Paardenschor. In de zone met sterke saliniteitsgradiënt is er een toename in bodemdierbiomassa vastgesteld (Figuur \@ref(fig:070-figuur13)). Er zijn 11 exoten of verwilderde soorten die meer dan 30 keer werden waargenomen sinds de start van de tellingen langsheen de Zeeschelde en zijrivieren. De totale aantallen zijn licht stijgend. -Dit is vooral door het toenemend aantal nijlganzen en Canadese ganzen. +Dit is vooral door het toenemend aantal nijlganzen, brandganzen en grote Canadese ganzen. De trends van de meest talrijke exotische overwinterende vogelsoorten is weergegeven in Figuur \@ref(fig:100-figuur-exotentrends). De hoogste aantallen worden geteld in de oligohaliene zone. De boerengans en soepeend komen in relatief kleine aantallen voor en zijn stabiel tot afnemend. -De dichtheden van de overwinterende watervogels per zone op het oppervlakte zacht substraat slik in de Zeeschelde is weergegeven in Figuur \@ref(fig:100-figuur-dichtheden-watervogels-per-zone). -Voor de figuur werd een selectie gemaakt van alle omnivore en benthivore soorten en werden kuifeend en tafeleend uitgesloten omdat beide soorten vooral afhankelijk zijn van het voedselaanbod in de ondiepe waterzones. -De grafiek houdt geen rekening met natuurontwikkelingsgebieden. -In 2001 waren er hoge vogeldichtheden in de oligohaliene zone, zoet lang en Rupel rond de 120-160 vogels per ha . -Deze dichtheden namen drastisch af. -De dichtheden in 2019 zijn in alle zones, behalve de Durme, de laagste ooit gemeten tussen de 45 en 6 vogels per hectare slik. -De dichtheid bleef over de volledige monitoringsperiode het hoogst in zoet lang en was over de volledige periode het laagst in de zone met sterke saliniteitsgradiënt. -Nochtans is het voedselaanbod uitgedrukt als biomassa bodemdieren per oppervlakte eenheid hier niet significant lager dan in andere zones. -De oppervlakte zacht substraat in de verschillende zones is in beperkte mate veranderd (Hoofdstuk \@ref(030_ecotopen)) en heeft hierdoor een beperkte invloed, tot nu toe, op de berekende dichtheden. +De dichtheden van de overwinterende watervogels per zone op het oppervlakte zacht substraat slik in de Zeeschelde bespreken we in deze rapportage niet omdat er geen update is van de ecotoopoppervlakte periode 2022/23 (Hoofdstuk \@ref(030_ecotopen)). -```{r 100-figuur-aantallen-trofische-groep, fig.cap=cap_aantallen_trofische_groep, out.width="80%"} - -cap_aantallen_trofische_groep <- paste0("Trends in gemiddelde wintervogelaantallen per zone (gemiddelde per winter 2009/10 – ", - laatste_telseizoen, - ") opgedeeld volgens de trofische indicatorgroepen (Nbenth: benthivoren, Nherb: herbivoren, Nomn: omnivoren en Npisc: piscivoren). Deze figuur is inclusief de meeuwen en sternen.") - -knitr::include_graphics(paste0(pad_figuren, "100_figuur_aantallen_trofische_groep_niveau3.jpg")) - -``` - -
```{r 100-figuur-aantallen-trofische-groep-index, fig.cap=cap_aantallen_trofische_groep_index, out.width="80%"} @@ -536,20 +508,10 @@ knitr::include_graphics(paste0(pad_figuren, "100_figuur_aantallen_exoten.jpg"))
-```{r 100-figuur-dichtheden-watervogels-per-zone, fig.cap=cap_dichtheden,out.width="80%"} - -cap_dichtheden <- "Vogeldichtheid (aantallen per ha zacht substraat slik) van getelde wintervogels (NBenth + NOmn, inclusief meeuwen en sterns) (okt.-mrt.) in de niveau 3 zones van de Zeeschelde. Data gepresenteerd voor de jaren overeenkomstig de beschikbare ecotopenkaart. Watervogels en oppervlakte exclusief nieuwe gebieden." - -knitr::include_graphics(paste0(pad_figuren, "100_figuur_dichtheid.jpg")) - -``` - -
- ## Overwinterende watervogels in gebieden met estuariene natuurontwikkeling -De wintermaxima in de estuariene sigmagebieden (Tabel\@ref(tab:100-tabel-estuarienesigmagebieden)) vertonen een duidelijke sprong vanaf het moment dat de inrichting voltooid is (zie Tabel \@ref(tab:020-tabel-natuurontwikkelingsprojecten) (Figuur \@ref(fig:100-figuur-wintermaxima-sigma-estuarien)). -De wintermaxima vertoonden maxima in 2017, 2021 & 2022 , dit was vooral het gevolg van de grote vogelaantallen in het GGG Zennegat, GGG Battenbroek-Grote Vijver en Klein Broek langsheen de Durme (Figuur \@ref(fig:100-figuur-wintermaxima-sigmagebieden-estuarien)). +De wintermaxima in de estuariene sigmagebieden (Tabel\@ref(tab:100-tabel-estuarienesigmagebieden)) vertonen een duidelijke sprong vanaf het moment dat de inrichting voltooid is (zie inrichtingsdatum in Tabel \@ref(tab:020-tabel-natuurontwikkelingsprojecten) (Figuur \@ref(fig:100-figuur-wintermaxima-sigma-estuarien)). +De wintermaxima vertonen vaak een piek kort na de inrichting van de gebieden (Figuur \@ref(fig:100-figuur-wintermaxima-sigmagebieden-estuarien)). De grootste aantallen overwinterende vogels verblijven in GOG-GGG Bazelse Polder Noord (vooral ganzen trekken de winteraantallen omhoog), GGG Zennegat, GGG Grote Vijver Battenbroek en ontpoldering Groot Schoor Hamme. De nieuwe gebieden slagen er niet in om het glijdend gemiddelde (periode 5 jaar) van de dalende watervogelaantallen op de Zeeschelde om te buigen in stijgende wintermaxima ((Figuur \@ref(fig:100-figuur-natuurindicator-zeescheldesigma-estuarien)). Binnen het estuarium compenseren de nieuwe gebieden de dalende trends langsheen de Zeeschelde. Nemen we ook de wetland Sigmagebieden mee in beschouwing dan is de trend eerder positief (). @@ -592,8 +554,8 @@ Zie rapportage vorig jaar.
**Algemene conclusie** -Over de periode 2009-2022 bekeken is er op het niveau van de Zeeschelde een dalende trend te zien in het aantal overwinterende watervogels. -De trendindex toont een toename in de sterke saliniteitsgradiënt. Dit is vooral te wijten aan de toename van scholeksters en bergeenden. De toename van de scholekster is vermoedelijk het gevolg van de toename aan schelpdieren (zie hoofdstuk Macrozoöbenthos). De ontpoldering van Hedwige-Prosper trok heel wat bergeenden aan die ook gebruik maakten van de slikken van de Zeeschelde. +Over de periode 2009-2023 bekeken is er op het niveau van de Zeeschelde een dalende trend te zien in het aantal overwinterende watervogels. +De trendindex toont een toename in de sterke saliniteitsgradiënt. Dit is vooral te wijten aan de toename van scholeksters, tureluurs en bergeenden. De toename van de scholekster is vermoedelijk het gevolg van de toename aan schelpdieren (zie hoofdstuk Macrozoöbenthos). De ontpoldering van Hedwige-Prosper trok heel wat bergeenden aan die ook gebruik maakten van de slikken van de Zeeschelde. Opvallend is de negatieve trend van de zone zoet lang, vooral veroorzaakt door een sterke afname van de wilde eend. Niettegenstaande deze trend blijft de dichtheid aan overwinterende watervogels nog steeds het hoogst in de zone zoet lang en het laagst in de zone met sterke saliniteitsgradiënt. Opvallend is een lage dichtheid aan vogels op de Durme gedurende het winterseizoen. De diversiteit is het grootst in de zone met een sterke saliniteitsgradiënt en laag in de Durme en de zone zoet lang. De afname van de vogelaantallen langsheen de Zeeschelde wordt gecompenseerd door de toename van de vogelaantallen in de estuariene natuurontwikkelingsgebieden. diff --git a/moneos_2024/150_geintegreerd_rapport/index.Rmd b/moneos_2024/150_geintegreerd_rapport/index.Rmd index 532b25d..04031b4 100644 --- a/moneos_2024/150_geintegreerd_rapport/index.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/index.Rmd @@ -96,7 +96,7 @@ publication_type: report cover_photo: "" # naam foto file cover_description: "" # cover: media/cover.pdf # link naar pdf met cover -doi: "" +doi: 99.99999/inbor.99999999 reportnr: "" depotnr: "" ordernr: "" From 04dc65a32a414fb54b47490219b86396c33a4dfe Mon Sep 17 00:00:00 2001 From: VANOVERBEKE Date: Thu, 18 Jul 2024 15:59:22 +0200 Subject: [PATCH 011/102] clean --- .../150_geintegreerd_rapport/000_abstract.Rmd | 126 -------------- .../010_Inleiding.Rmd | 140 ---------------- .../020_Overzicht.Rmd | 158 ------------------ 3 files changed, 424 deletions(-) delete mode 100644 moneos_2024/150_geintegreerd_rapport/000_abstract.Rmd delete mode 100644 moneos_2024/150_geintegreerd_rapport/010_Inleiding.Rmd delete mode 100644 moneos_2024/150_geintegreerd_rapport/020_Overzicht.Rmd diff --git a/moneos_2024/150_geintegreerd_rapport/000_abstract.Rmd b/moneos_2024/150_geintegreerd_rapport/000_abstract.Rmd deleted file mode 100644 index d3839e6..0000000 --- a/moneos_2024/150_geintegreerd_rapport/000_abstract.Rmd +++ /dev/null @@ -1,126 +0,0 @@ -# Dankwoord/Voorwoord {.unnumbered} - -Het INBO monitoringsprogramma wordt uitgevoerd met de financiële steun van de Vlaamse Waterweg nv, Maritieme Toegang (MT) en het Agentschap voor Natuur en Bos (ANB). -Waarvoor dank. -De monitoring zou niet mogelijk geweest zijn zonder de bemanning van de schepen SCALDIS I, Scheldewacht II, Veremans, Henry de Vos en de Parel. -Dank aan Erwin De Backer (Waterbouwkundig laboratorium) voor de uitstekende planning van de bootcampagnes. - -De zoogdierengegevens werden met toestemming ontleend uit de databank van Waarnemingen.be (Natuurpunt VZW). - -De superdeluxe dataverzameling en het laboratoriumwerk voor watervogels, hyperbenthos, macrozoöbenthos en de hoogteraaien werden uitgevoerd door Olja Bezdenjesnji, Dimitri Buerms, Nico De Regge, Kenny Hessel, Charles Lefranc, Vincent Smeekens, Jan Soors en Frederic Van Lierop. -Topteam Estuaria! - -De vismonitoring en data aanlevering werden voor ons verzorgd door INBO team MHAF (Monitoring Herstel Aquatische Fauna). -De onderzoekers en onderzoeksmedewerkers leverden opnieuw prachtig werk: Olja Bezdenjesnji, Adinda De Bruyn, Franky Dens, Marc Dewit, Linde Galle, Isabel Lambeens, Yves Maes, Thomas Terrie, Gerlinde Van Thuyne en Jeroen Van Wichelen. -Voor de ankerkuilvisserij konden we rekenen op Sjaak Bout en Davy Govers. -Dankzij hun professionele vaardigheid zijn de campagnes in 2022 vlot verlopen en kon ons onderzoek in de beste omstandigheden worden uitgevoerd, dank u wel. -Mevrouw Cabradilla (de Vlaamse Waterweg nv) verleent ons altijd vlot de nodige aanmeertoelatingen, hartelijk dank. - -We zijn ook de mensen van BMK en in het bijzonder Els Lommelen zeer erkentelijk en dankbaar voor de technische ondersteuning en begeleiding bij het uitwerken van de rapportering via rmarkdown, bookdown en github. - -# Samenvatting {.unnumbered} - -Deze rapportage geeft toelichting bij de datarapportage van de geïntegreerde systeemmonitoring van het Schelde-estuarium, kortweg MONEOS (= MONitoring Effecten OntwikkelingsSchets), uitgevoerd door het INBO. -De nadruk ligt op de resultaten van het monitoringsjaren 2021-2022 voor de aspecten leefomgeving voor flora en fauna en ecologie. - -We lichten de langjarige trends toe en we voeren in de datarapportage de Evaluatiemethodiek Schelde-estuarium (EMSE) uit voor verschillende hoofdstukken. - -We bespreken de ecotopenkaart van 2021 van de Beneden-Zeeschelde. -Het globale plaatje is een uitruiming van de vaargeul met steiler wordende oevers als gevolg. De kaart toont de grootste oppervlakte sublitoraal (water) sinds de start van de meetreeks. De schoroppervlakte nam ook verder toe, vooral in nieuwe Sigmagebieden. Voor het eerst werd het Fort Filip als afgewerkt Sigmaproject opgenomen in de ecotopenkaart. Dit resulteerde in een netto uitbreiding van het estuarium met 5 ha. Ongeveer 4 ha daarvan is wel antropogeen hard substraat. De ecologische kwaliteitswinst zit voornamelijk in het omvormen van hoogdynamisch diep water naar laagdynamisch ondiep aansluitend op een bredere gradiënt aan slikken, en de sanering van de site zelf. -In het tot nu toe toegepaste Zeeschelde ecotopenstelsel 1.0 werden subtidale (water) en litorale (slik) ecotopen vooralsnog uitsluitend op basis van diepte en overspoelingsregime onderscheiden, zonder ecologische validatie. -Op basis van recent onderzoek werd het ecotopenstelsel Zeeschelde 2.0 voorgesteld. -In deze rapportage wordt de ecotopenkaart voor de Beneden‐Zeeschelde 2021 volgens beide ecotopenstelsels voorgesteld en vergeleken. -Zo kunnen we nu in het sublitoraal de ecologisch meest waardevolle zones identificeren. -8.5% van het sublitoraal blijkt laagdynamisch waardevol habitat en situeert zich grotendeels in het ondiep subtidaal. -De klassificatie resulteert verder vooral in een verschuiving van middelhoog naar hoog slik zacht substraat of hard antropogeen (op hoog slik). De steile slikken zijn in hoofdzaak antropogeen verstevigde breuksteenzones. - -Op basis van de eerste dataverkenning tonen de sedimentdata verzameld bij de macrozoöbenthosstalen doorgaans het slibrijker worden van het litoraal en het ondiep- en matig diep sublitoraal sinds 2011. -Dit is vooral opvallend in de zoete zones. -In de diepere geul van de zone met sterke saliniteitsgradiënt is de variatie in sedimentsamenstelling groot en zonder duidelijk patroon. -In de olighohaliene zone en zoet lange zone van de Zeeschelde wordt de diepe waterbodem zandiger. - -De soortenrijkdom van het macrozoöbenthos (exclusief Oligochaeta) lijkt de laatste jaren licht te stijgen in de meeste zones van de Zeeschelde. -In het subtidaal zijn er veel diversiteitsschommelingen. -De shannondiversiteit in het intertidaal neemt toe in vrijwel alle zones sinds 2015. -Dit is vooral opvallend in de zone met sterke salinteitsgradiënt indien je de index baseert op aantallen, maar de index is negatief als de diversiteitsmaat gebaseerd is op biomassa. -Dat laatste is wellicht te wijten aan de opkomst van de brakwaterkorfschelp (*Potamocorbula amurensis*) en de platte slijkgapper (*Scrobicularia plana*). -Deze soorten zijn meteen ook de oorzaak van de hoge systeembiomassa berekend voor de zone met sterke saliniteitsgradiënt, waardoor ook voor het tweede jaar op rij de intertidale systeembiomassa ruim de doelstelling van 30 ton droge stof overschrijdt. -Hoewel de systeembiomassa ruim de doelstelling haalt, worden niet in alle deelzones de lokale doelstellingen gehaald. -Vooral in de oligohaliene en de zoete zone met lange verblijftijd is de biomassa en soortenrijkdom macrozoöbenthos (te) laag. De zone Zoet kort verblijf bleef de hele monitoringsperiode wel afgetekend het soortenrijkste waterlichaam. - -De soortenrijkdom van het hyperbenthos schommelt van jaar tot jaar. -In 2022 werd het hoogste aantal taxa, zowel totaal als enkel inheemse soorten, vastgesteld sinds de start van -de monitoring. Een hogere soortenrijkdom hangt mogelijk samen met droge jaren met lage bovenafvoer, -omdat soorten uit de Westerschelde dan vaker en verder doordringen in de Zeeschelde. -Biomassa vertoont een ander patroon met in de zones stroomopwaarts van Antwerpen een gestage -toename na juni tot het einde van het jaar. Dit bevestigt de aanname dat dit voor veel hyperbenthische -soorten en vooral voor garnalen, aasgarnalen en vissen, een opgroeigebied is. De evolutie van densiteiten -en biomassa overheen de monitoringsjaren is onderhevig aan grote schommelingen die samen hangen -met goede en slechte jaren van specifieke soorten. Het optreden van goede of slechte jaren kan soms -gelinkt worden aan bovenafvoer en zoutgehalte, maar is ook vaak nog niet goed begrepen. Van de recente -jaren 2021‐2022, die hier gerapporteerd worden, is vooral 2021 opmerkelijk. De historisch natte zomer -en de daarmee gepaard gaande piekdebieten zorgden voor bijzonder lage hyperbenthosdensiteiten vanaf -juli tot oktober. Vanwege de grote jaarlijkse variatie introduceerden we ook een parameter die naar het -lopend gemiddeld over 3 jaar kijkt, wat een stabieler beeld van evoluties geeft. Deze parameter is meer -richtinggevend voor langetermijntrends, en vertoonde in de meeste gevallen minder dan 25% variatie sinds -2015, wat recent vooropgesteld werd als nieuw kwaliteitscriterium. De laatste jaren lijkt de totale hyperbenthosbiomassa in het systeem te dalen. Vooral de grijze garnaal en de langneussteurgarnaal zijn, na elk -een eigen bloeiperiode, nu al enkele jaren in lagere aantallen aanwezig. - -In deze rapportage wordt de vismonitoring in 2022 op de Zeeschelde door ankerkuil en fuiken besproken. 2022 was een bodemjaar voor het aantal spieringen in de Zeeschelde. Dit geldt zowel voor de ankerkuil als voor de fuikvangsten, waardoor het beeld van de absolute dominantie van deze soort zelfs in het pelagiaal vervaagt. In 2022 werd met de ankerkuil uitzonderlijk veel sprot gevangen in Doel en Antwerpen en dit in het voorjaar, zomer en najaar. In 2022 dook de visindex voor de zoete zone, met een ontoereikende kwaliteitsbeoordeling, voor het eerst sinds 2009 onder die van de brakke en oligohaliene zones. Deze situatie moet nauw opgevolgd worden. -In 2022 werd de vangstinspanning met de fuiken gehalveerd. Fuiken werden telkens 1 in plaats van 2 etmaal uitgezet. -Dit had een invloed op het aantal gevangen soorten. -Naar estuarien habitatgebruik overheersen de trekvissen de visgemeenschappen van de Zeeschelde in aantal en biomassa. -Het estuarium heeft dus weer zijn functie opgenomen in de levenscyclus van deze soorten. -Om te evalueren of de populaties echt gevestigd en duurzaam zijn is echter een cohorte-analyse van de betrokken soorten in tijd en ruimte nodig. Naar dieet overheersen omnivore soorten, een normale opportunistische dieetkeuze in een estuarium met wisselende levensomstandigheden. Toch wordt het voedselweb stilaan complexer. Dit uit zich in een toename van benthivore en piscivore soorten. Om dit beter te evalueren moet voor de belangrijkste soorten rekening gehouden worden met de dieetshift die ze maken in de overgang van juveniel naar adult. In de rapportage wordt naast een evaluatie volgens de EMSE een alternatieve beoordelingsmethode voorgesteld bruikbaar als insteek voor een toekomstige herwerking van de methodiek. - -Opvallend is dat we veel schommelingen zien in het hyperbenthos en de vissen. De vraag kan gesteld worden in hoeverre -de sterk wisselende densiteiten een natuurlijk fenomeen zijn in het bovendeel van -een estuarium, en dus als negatief beoordeeld moet worden. Het is waarschijnlijk deels eigen aan een -opgroeigebied als de Zeeschelde dat er extreem succesvolle recruteringsjaren zijn waarin alle factoren -mee zitten, en waarin één of enkele soorten de gemeenschap domineren. Anderzijds is meer ecologische -kennis nodig over waarom soorten goede en slechte jaren afwisselen, en om natuurlijke en door de mens -beïnvloede oorzaken te kunnen onderscheiden. Concluderend is er een noodzaak om onderzoek op te starten om met innovatieve monitoring (bijvoorbeeld met echosounding) continue data te verzamelen. Dit onderzoek moet helpen om de variaties in het waterleven in ruimte en tijd te verklaren. - -Over de periode 2009-2022 bekeken is er op het niveau van de Zeeschelde een dalende trend te zien in het aantal overwinterende watervogels. -De trendindex toont wel een toename in de sterke saliniteitsgradiënt. Dit is vooral te wijten aan de toename van scholeksters en bergeenden. De toename van de scholekster is vermoedelijk het gevolg van de toename aan schelpdieren (zie hoofdstuk Macrozoöbenthos). Bovendien trok de ontpoldering van Hedwige-Prosper in de herfst van 2021 heel wat bergeenden aan die ook gebruik maakten van de slikken van de Zeeschelde. -Opvallend is de negatieve trend van de zone zoet lang, vooral veroorzaakt door een zeer sterke afname van de wilde eend. Niettegenstaande deze trend blijft de dichtheid aan overwinterende watervogels nog steeds het hoogst in de zone zoet lang en het laagst in de zone met sterke saliniteitsgradiënt. Opvallend is een lage dichtheid aan vogels op de Durme gedurende het winterseizoen. -De diversiteit is het grootst in de zone met een sterke saliniteitsgradiënt en laag in de Durme en de zone zoet lang. -De afname van de vogelaantallen langsheen de Zeeschelde wordt gecompenseerd door de toename van de vogelaantallen in de estuariene natuurontwikkelingsgebieden. -Dit resulteert tot vandaag niet in een totale toename van de watervogelaantallen binnen het estuarium (de vallei buiten beschouwing gelaten). - -De evoluties in de broedvogelaantallen voor een selectie van goed te inventariseren soorten binnen IHD-gebied (wetlands en estuariene gebieden) worden besproken in deze rapportage. -Verscheidene soorten met doelstellingen komen tot 2022 nog steeds zelden tot broeden in het IHD‐gebied Schelde‐estuarium (grote karekiet, kwak, kwartelkoning, roerdomp en paapje), of werden nog nooit vastgesteld als broedvogel (purperreiger). -Grote karekiet lijkt zich wel te vestigen als regelmatige broedvogel. -Ook de lepelaar nam toe door een broedkolonie in de Durme (Meulendijkbroek). -De zomertaling, baardman, woudaap en snor vertonen de laatste jaren een stijgende trend in de vallei van de Zeeschelde en haar tijgebonden zijrivieren. Voor het eerst wordt het doel van de zomertaling bereikt. -De predatiewerende omheiningen in het noordelijk gebied hebben duidelijk een effect met hogere broedaantallen sinds 2021 van kluut, tureluur en een beperkte toename van grutto. -De bruine kiekendief blijft stabiel. -Behalve voor zomertaling, blauwborst, rietzanger en dodaars worden de doelstellingen voor geen enkele soort gehaald. - -De bever koloniseerde ondertussen bijna alle geschikte habitats in het Zeeschelde-estuarium en zit nu ook in de Grote Nete, maar beperkt zich tot nu toe tot de vallei van de Grote Laak. -Opmerkelijk zijn nieuwe waarnemingslocaties in de buurt van Antwerpen en de Antwerpse haven en de Grote Geul Kieldrecht. -Het geschatte aantal beverterritoria in de vallei van de Zeeschelde en tijgebonden zijrivieren wordt geschat op ca. -63. -Dit stemt overeen met 38 families en 176 individuen. -De IHD-doelstelling voor bever is sinds 2021 gerealiseerd. -Het aantal waarnemeningen van otters nam niet verder toe. -De instandhoudingsdoelstellingen zijn echter zeker nog niet vervuld. -Het aantal waargenomen gewone en grijze zeehonden bleef laag en stabiel. Er waren wel waarnemingen tot ver stroomopwaarts de Zeeschelde en zijrivieren. -Er was slechts 1 waarneming van bruinvis. - -De detail-hoogtemetingen op raaien langsheen de Zeeschelde illustreren en onderbouwen de waargenomen ontwikkelingen in de ecotopenkaarten en zijn een indicatief als early warning voor morfologische veranderingen in het systeem. Algemeen kunnen we stellen dat in de omgeving tussen Doel en Lillo de morfodynamiek van de lage slikzone -op verschillende plaatsen is gewijzigd ten opzichte van de langjarige trend. -Ook in de zone rond Antwerpen en Hoboken (GW en HO) nam de morfodynamiek (zandmobiliteit) toe met -grote zandafzetting ter hoogte van de Galgenweel‐raai (GW) en zelfs met kleine lokale zandige afzettingen -(mesoribbels) in Hoboken (HO) onderaan de slikkliffen. Hier verliest het slik wel het grootste deel van het -slib waarbij meer harde substraat komt bloot te liggen. Dit illustreert de hoge dynamiek in deze zone. -Daarnaast zijn er opvallend veel aanwijzingen voor trendbreuken in 2022 in hoog en middelhoog slik in de -Boven‐Zeeschelde met plotse erosie of stagnatie van de sedimentatie. -Deze sterke en snelle ontwikkelingen met sterke veranderingen in slikprofielvorm wijzen op een plotse verandering in hydro‐ en morfodynamiek. Het ontstaan en verdwijnen van -vloedgeulen, snelle zandafzettingen en schorklifvorming wijzen in de richting van toename van hydrodynamiek -bij vloed, die gepaard gaat met groter bodemtransport van zand dat in de binnenbocht zelfs de -slikoevers bereikt. De hoogteverschilkaarten afgeleid van LIDAR en bathymetrische data uit 2022 en 2019 bevestigen de sterke morfologische veranderingen in dit gebied. Verder onderzoek naar de recente veranderingen in deze zone en mogelijke impact van huidige rivierbeheermaatregelen is hierbij wenselijk. - -Ook de oevererosie werd gemonitord op basis van de bathymetrische verschilkaart (2022 versus 2021, 2020 en 2019). -Deze kaarten dienen voornamelijk ter ondersteuning van de interpretatie van erosie van het hoger slik en schorrand als monitoring in functie van het oeverbeheer. Er wordt als signaalfunctie een erosie (en sedimentatie) van meer dan 50 cm gehanteerd. Zowel in de Boven‐ als Beneden‐Zeeschelde zijn grote dynamieken waargenomen in enkele zones. -De waargenomen erosiezones vergen geen directe ingrepen, maar kunnen de voorbode zijn van toenemende erosieve druk op de hogere slikken en schorren zoals ook vastgesteld op de raaimetingen en zijn zones van aandacht. diff --git a/moneos_2024/150_geintegreerd_rapport/010_Inleiding.Rmd b/moneos_2024/150_geintegreerd_rapport/010_Inleiding.Rmd deleted file mode 100644 index 9832b2d..0000000 --- a/moneos_2024/150_geintegreerd_rapport/010_Inleiding.Rmd +++ /dev/null @@ -1,140 +0,0 @@ - -\mainmatter - - -```{r 010-hoofdstuk, include=FALSE} - -hoofdstuk <- "010_inleiding" - -``` - -```{r 010-setup, include=FALSE} - -knitr::opts_chunk$set(echo = FALSE, error=FALSE, warning=FALSE, message=FALSE, cache=FALSE) -knitr::opts_knit$set(eval.after = "fig.cap") - -``` - -```{r 010-libraries} - -library(tidyverse) -library(readxl) -library(kableExtra) -library(rprojroot) ## workaround pad -``` - -```{r 010-pad} - -# inlezen van variabelen -# pad naar data : pad_data -# pad naar tabellen : pad_tabellen -# pad naar figuren : pad_figuren - -source(find_root_file("../pad.R", criterion = is_rstudio_project)) -pad_data <- maak_pad(hoofdstuk, "data") -pad_figuren <- maak_pad(hoofdstuk, "figuren") -pad_tabellen <- maak_pad(hoofdstuk, "tabellen") - -``` - - -# Inleiding - -MONEOS (= MONitoring Effecten OntwikkelingsSchets 2010) (Meire & Maris, 2008) zorgt voor de aanlevering van basisdata voor de evaluatierapporten over de effecten van de verruiming (MT) en voor de evaluatie van de evolutie van het systeem (EMSE, 2021). -De voorliggende datarapportage omvat een toelichting en eerstelijnsanalyse van de onderdelen van de geïntegreerde systeemmonitoring van het Schelde-estuarium, kortweg MONEOS, uitgevoerd door het INBO in 2021 en/of 2022 afhankelijk van het thema. - -Het onderzoeksteam Estuaria van het INBO staat, voor wat de Zeeschelde betreft, reeds geruime tijd in voor de monitoring van diverse onderdelen die vallen onder de hoofdstukken Morfodynamiek, Diversiteit soorten en Diversiteit Habitats. -Het onderzoeksteam Monitoring en herstel Aquatische fauna van het INBO staat in voor de vismonitoring. - -Het INBO levert data aan voor volgende thema's en indicatoren: - -Thema Leefomgeving - -- Overzicht Estuariene Natuurontwikkelingsprojecten -- Sedimentkenmerken -- Geomorfologie, Fysiotopen, Ecotopen -- Vegetatiekartering -- Sedimentatie en erosie op punten en raaien - -Thema diversiteit soorten en thema Ecologisch Functioneren - -- Hogere planten -- Macrozoöbenthos -- Hyperbenthos -- Vissen -- Watervogels -- Broedvogels -- Zoogdieren - -De aangeleverde data omvatten enkel gegevens van de Zeeschelde en getijgebonden zijrivieren. -Tenzij anders vermeld kunnen ze gebruikt worden tot op niveau 3 van de Evaluatiemethodiek wat overeenkomt met de saliniteitszones aangevuld met de getijdenzijrivieren (Durme, Netes, Dijle, Zenne en Nete (Tabel \@ref(tab:010-tabel-indeling-schelde-estuarium). -Deze indeling valt samen met de indeling in waterlichamen van de Kaderrichtlijn Water (KRW) (Figuur \@ref(fig:010-figuur-waterlichamen)). - -Bij elk hoofdstuk is er een verwijzing naar de datafiches waarin de metadata beschreven zijn. -Zie hiervoor op ([https://rshiny.scheldemonitor.org/datafiches/)](https://rshiny.scheldemonitor.org/datafiches/)). - -Deze INBO MONEOS data is ook de basis voor de ecologische toestandsbepaling van de Zeeschelde in het kader van de Kaderrichtlijn Water ((KRW) hydromorfology, macrozoöbenthos, vis en macrofyten) en voor de vaststelling van staat van Instandhouding en de evaluatie van de Instandhoudingsdoelstellingen van de relevante Natura 2000 gebieden. - -```{r 010-tabel-indeling-schelde-estuarium} - -tabel_indeling_schelde_estuarium <- read_excel(paste0(pad_tabellen, "010_Inleiding_tabellen.xlsx"), - sheet = "indeling-schelde-estuarium2", .name_repair = "minimal") %>% - mutate_all(~replace_na(., "")) %>% - select(-`Model-eenheid`) - -cap_indeling_schelde_estuarium <- "Ruimtelijke indeling van het Schelde-estuarium volgens de Evaluatie methodiek (EM), KRW en saliniteitszones." - -footnote_text <- "n.v.t. : Deel van Zeeschelde niet beschouwd in Evaluatiemethodiek. Zou onderdeel kunnen worden van Z7. Ook wordt het traject Tijarm Merelbeke-Zwijnaarde (getijde Zeeschelde) niet gerekend tot Zeeschelde I in de KRW indeling. Dit zou beter wel deel worden van deze zone." - -tabel_indeling_schelde_estuarium %>% - mutate_all(~replace_na(., "")) %>% - mutate_all(~cell_spec(., color = "black")) %>% - {.[nrow(.)-1,c(1,2,3)] <- map(.[nrow(.)-1,c(1,2,3)], - ~paste0(.x, footnote_marker_symbol(1))) - .} %>% - {.[nrow(.),c(1,2,3,5)] <- map(.[nrow(.),c(1,2,3,5)], - ~paste0(.x, footnote_marker_symbol(1))) - .} %>% - knitr::kable(# "latex", - escape = FALSE, - booktabs = T, - caption = cap_indeling_schelde_estuarium) %>% - kable_styling(latex_options = c("scale_down"), - font_size = 15) %>% - # column_spec(1:3,width = "1in") %>% - collapse_rows(columns = 1:6, latex_hline = "full", valign = "middle") %>% - footnote(symbol = footnote_text, - # %>% - # cell_spec(color = "black"), - escape = FALSE, - threeparttable = TRUE) - -``` - -
- -\newpage - -```{=tex} -\begin{landscape} -``` -```{r 010-figuur-waterlichamen, fig.cap = "Overzicht van de deelzones (niveau 3) en de estuariene Sigmagebieden."} - -knitr::include_graphics(paste0(pad_figuren, "010_kaart_gebiedsindeling.png")) -``` - -```{=tex} -\end{landscape} -``` -\newpage - -## Referenties - -EMSE (2021). -Evaluatiemethodiek Schelde-estuarium: Update 2021. -Antea, Bureau Waardenburg, Deltares, UAntwerpen, UGent, INBO en NIOZ. - -Meire, P., and T. -Maris. -(2008). -MONEOS: Geïntegreerde monitoring van het Schelde-estuarium. diff --git a/moneos_2024/150_geintegreerd_rapport/020_Overzicht.Rmd b/moneos_2024/150_geintegreerd_rapport/020_Overzicht.Rmd deleted file mode 100644 index 779889f..0000000 --- a/moneos_2024/150_geintegreerd_rapport/020_Overzicht.Rmd +++ /dev/null @@ -1,158 +0,0 @@ -```{r 020-hoofdstuk, include=FALSE} - -hoofdstuk <- "020_overzicht" - -``` - -```{r 020-setup, include=FALSE} - -knitr::opts_chunk$set(echo = FALSE, error=FALSE, warning=FALSE, message=FALSE, cache=FALSE, fig.showtext = TRUE, dpi = 300) -knitr::opts_knit$set(eval.after = "fig.cap") - - -``` - -```{r 020-libraries} - -library(tidyverse) -library(readxl) -library(kableExtra) -library(rprojroot) ## workaround pad -library(lubridate, warn.conflicts = FALSE) -library(INBOtheme) - -``` - -```{r 020-pad} - -# inlezen van variabelen -# pad naar data : pad_data -# pad naar tabellen : pad_tabellen -# pad naar figuren : pad_figuren - -#source("../pad.R") -source(find_root_file("../pad.R", criterion = is_rstudio_project)) -pad_data <- maak_pad(hoofdstuk, "data") -pad_figuren <- maak_pad(hoofdstuk, "figuren") -pad_tabellen <- maak_pad(hoofdstuk, "tabellen") - -``` - -# Overzicht Estuariene Natuurontwikkelingsprojecten - -**Gunther Van Ryckegem** - -## Overzicht - -In dit hoofdstuk wordt een overzicht gegeven van de natuurontwikkelingsprojecten die reeds uitgevoerd zijn in de Zeeschelde, met weergave van de voornaamste karakteristieken van het gebied. -Onderstaande informatie is beschikbaar gemaakt via het online portaal . -Deze website omvat een databank met uitgevoerde estuariene natuurontwikkelingsprojecten. - -Voor details over de uitvoering en de initiele evoluties in de ontpolderingen wordt verwezen naar Van de Neucker et al., (2007) en Speybroeck et al. (2011). -De evoluties in de GGG's[^overzicht-1] worden opgevolgd door Universiteit Antwerpen (Maris et al., 2019). -In totaal werd er sinds 2003 ruim 750 ha aan estuariene natuurontwikkeling gerealiseerd (Tabel \@ref(tab:020-tabel-natuurontwikkelingsprojecten)). - -[^overzicht-1]: Gecontroleerd Gereduceerd Getijdengebied - -```{r 020-tabel-natuurontwikkelingsprojecten} - -tabel_natuurontwikkelingsprojecten <- read_excel(paste0(pad_tabellen, "020_Overzicht_tabellen.xlsx"), - sheet = "natuurontwikkelingsprojecten", .name_repair = "minimal") - -tabel_natuurontwikkelingsprojecten$Realisatie <- format(tabel_natuurontwikkelingsprojecten$Realisatie, format="%Y-%m") - -options(knitr.kable.NA = '') - -tabel_natuurontwikkelingsprojecten[c(7,10),3] <- sapply(tabel_natuurontwikkelingsprojecten[c(7,10),3], - function(x) paste0(x, footnote_marker_number(1))) - -tabel_natuurontwikkelingsprojecten[c(17),4] <- sapply(tabel_natuurontwikkelingsprojecten[c(16),4], - function(x) paste0(x, footnote_marker_number(2))) - -tabel_natuurontwikkelingsprojecten[c(17),4] <- sapply(tabel_natuurontwikkelingsprojecten[c(16),4], - function(x) paste0(x, footnote_marker_number(3))) - -tabel_natuurontwikkelingsprojecten[c(17),4] <- sapply(tabel_natuurontwikkelingsprojecten[c(16),4], - function(x) paste0(x, footnote_marker_number(4))) - - - -tabel_natuurontwikkelingsprojecten %>% - knitr::kable(caption = "Overzicht van de uitgevoerde estuariene natuurontwikkelingsprojecten langsheen de Zeeschelde en zijrivieren. De gebieden staan gerangschikt van grens BE-NL stroomopwaarts. MWeA - Meest Wenselijk Alternatief - geactualiseerd Sigmaplan gebieden zijn geselecteerd (Synthesenota, 2005).", - # "latex", - booktabs = T, - escape = F) %>% - kable_styling(latex_options = c("scale_down"), - font_size = 12) %>% - footnote(number = c("met koker verbonden (natuurlijk getijpatroon en dynamiek is beïnvloed)", - "in de loop van 2017 werd nog een grondstock opgeruimd en toegevoegd aan de ontpoldering (+ 2.2 ha)"), - "in de zomer van 2019 werd een geul gegraven in het westelijk deel van de Wijmeers en ging estuariene oppervlakte tijdelijk verloren door de aanleg van een zandstock", - "ontpoldering afgesloten voor getij tussen maart 2020 en april 2021 voor de aanleg van een vloedschaar in oostelijk deel", - threeparttable = TRUE) - -``` - -
- -```{r 020-figuur-oppervlakte-estuariene-natuurontwikkeling, fig.cap=cap_oppervlakte, out.width="80%"} - -fig_natuurontwikkeling_opp <- read_excel(paste0(pad_tabellen, "020_Overzicht_tabellen.xlsx"), - sheet = "Blad2", .name_repair = "minimal") - -# fig_natuurontwikkeling_opp$Realisatie <- format(tabel_natuurontwikkelingsprojecten$Realisatie, format="%Y-%m") -# fig_natuurontwikkeling_opp$Realisatie <- as.Date(fig_natuurontwikkeling_opp$Realisatie) -fig_natuurontwikkeling_opp$Sigmaplan <- as.factor(fig_natuurontwikkeling_opp$`MWeA Estuarien gebied`) - -fig_natuurontwikkeling_opp %>% - arrange(Realisatie) %>% - mutate(cs = cumsum(Opp)) %>% - ggplot(aes(Realisatie, cs, colour = Sigmaplan)) + - geom_point(size = 2)+ - xlab("Datum realisatie project")+ - ylab("Cumulatieve oppervlakte (ha)")+ - theme(axis.text.x = element_text(angle = 0), - legend.position = "bottom", - legend.title = element_blank()) -ggsave(paste0(pad_figuren, "10_figuur_oppervlakte_estuariene_natuurontwikkeling.jpg")) - -cap_oppervlakte <- "Cumulatieve oppervlakte gerealiseerde estuariene natuurontwikkelingsgebieden. Oranje punten betreffen projecten van het geactualiseerde Sigmaplan (MWeA); blauwe punten zijn andere natuurontwikkelingsprojecten." - -# knitr::include_graphics(paste0(pad_figuren, "10_figuur_oppervlakte_estuariene_natuurontwikkeling.jpg")) -``` - -## Recente ontwikkelingen - -In de periode 2015-2021 werden verschillende estuariene Sigmaprojecten opgeleverd. -In 2017 werd er een verdubbeling van de oppervlakte gerealiseerd door de GGG's en ontpolderingsoppervlakte ter hoogte van Kruibeke-Bazel-Rupelmonde én door het openen van de GGG Zennegat langsheen de Dijle. -Vanaf maart 2020 tot april 2021 was de volledige Wijmeers inactief als estuarien gebied door werkzaamheden. -Het Groot Schoor te Hamme werd als ontpoldering gerealiseerd in juli 2021. -In juni 2021 werd ook de ontpoldering/dijkverlegging te Fort Filip gerealiseerd. -De exacte netto oppervlaktewinst is bepaald op basis van de ecotopenkaart 2021 (5 hectare). -Daarnaast streeft dit project ook naar een habitatkwaliteitsverbetering van een aangrenzend - hoogdynamische zone naar een laagdynamischer zone. In maart 2022 werd de Grote vijver Noord als GGG gerealiseerd. In oktober 2022 werd de Prosper- en Hedwigepolder gebrest. Zo kwam er ruim 450 ha estuariene natuur in één klap bij. - -## Referenties - -Maris, T., S. Baeten, K. De Schamphelaere, T. Van den Neucker, T. -van den Broeck & P. -Meire (2019). -Onderzoek naar de gevolgen van het Sigmaplan, baggeractiviteiten en havenuitbreiding in de Zeeschelde op het milieu. -Geïntegreerd eindverslag van het onderzoek verricht in 2018, deelrapport Intergetijdengebieden. -ECOBE 019-R245 Universiteit Antwerpen, Antwerpen. - -Speybroeck J., Van Ryckegem G., Vandevoorde B. -& Van de Bergh E. -(2011). -Evaluatie van natuurontwikkelingsprojecten in het Schelde-estuarium. -2de rapportage van de projectmonitoring periode 2006-2009. -Rapport INBO.R.2011.21. -160pp. -Instituut voor Natuur-en Bosonderzoek, Brussel. - -Synthesenota (2005). -Geactualiseerd Sigmaplan voor veiligheid en natuurlijkheid in het bekken van de Zeeschelde. -Waterwegen en Zeekanaal NV. - -Van den Neucker T., Verbessem I., Van Braeckel A., Stevens M., Spanoghe G., Gyselings R., Soors J., De Regge N., De Belder W & Van den Bergh E. -(2007). -Evaluatie van natuurontwikkelingsprojecten in het Schelde-estuarium. -INBO.R.2007.54. From 6da70b05ade6f39c063e83bdf9dd0fdd4297c789 Mon Sep 17 00:00:00 2001 From: VANOVERBEKE Date: Thu, 25 Jul 2024 16:30:32 +0200 Subject: [PATCH 012/102] verwerking fuiken en deels ankerkuil --- .../10_moneos_visdata_VIS_fuiken.Rmd | 4 +- .../11_moneos_visdata_VIS_ankerkuil.Rmd | 9 +- .../20_moneos_visdata_fuiken_integratie.Rmd | 16 +- ...21_moneos_visdata_ankerkuil_integratie.Rmd | 55 ++++-- .../30_visdata_fuiken_controle_EMSE.Rmd | 161 ++++++------------ .../31_visdata_ankerkuil_controle_EMSE.Rmd | 105 ------------ 6 files changed, 115 insertions(+), 235 deletions(-) diff --git a/moneos_2024/090_vissen/10_moneos_visdata_VIS_fuiken.Rmd b/moneos_2024/090_vissen/10_moneos_visdata_VIS_fuiken.Rmd index b22ec10..142a8f4 100644 --- a/moneos_2024/090_vissen/10_moneos_visdata_VIS_fuiken.Rmd +++ b/moneos_2024/090_vissen/10_moneos_visdata_VIS_fuiken.Rmd @@ -65,7 +65,7 @@ run_pad() run_variabelen <- function() { - jaren <- 2023 + jaren <- as.numeric(jaar_moneos) - 1 vangstmethode <- c('Schietfuik') # Zeeschelde vissen @@ -244,7 +244,7 @@ campagnes_dstnct2 <- data %>% distinct(Gebiedcode, Gebiednaam, Begindatum, Month, Year, Methodenaam) -setdiff(campagnes_dstnct, campagnes_dstnct2) +(sd <- setdiff(campagnes_dstnct, campagnes_dstnct2)) campagnes_dstnct %>% distinct(Gebiedcode, Gebiednaam) diff --git a/moneos_2024/090_vissen/11_moneos_visdata_VIS_ankerkuil.Rmd b/moneos_2024/090_vissen/11_moneos_visdata_VIS_ankerkuil.Rmd index ca33b19..0daafb5 100644 --- a/moneos_2024/090_vissen/11_moneos_visdata_VIS_ankerkuil.Rmd +++ b/moneos_2024/090_vissen/11_moneos_visdata_VIS_ankerkuil.Rmd @@ -66,7 +66,8 @@ run_pad() run_variabelen <- function() { - jaren <- 2023 + jaren <- as.numeric(jaar_moneos) - 1 + # jaren <- 2015:2023 vangstmethode <- c('Ankerkuil', 'Ankerkuil-vloed', 'Ankerkuil-eb') # Zeeschelde vissen @@ -162,7 +163,9 @@ tbl_data <- left_join(DimVisindexTaxon %>% select(TaxonKey, Exoot)), by = "TaxonKey") %>% inner_join(DimMethode, by = "MethodeKey") %>% - select(MetingPivotKey, WaarnemingKey, MetingID, WaarnemingID, GebiedKey, Gebiedcode, LambertX, LambertY, Lat, Long, Gebiednaam, Gemeentenaam, Begindatum, Month, Year, MethodeKey, Methodenaam, Methodegroepcode, TaxonKey, Soort, Exoot, TAXONAANTAL, TAXONGEW, TAXONTOTGEW, TAXONLEN, TEMPERATUUR, ZUURSTOF, TURBIDITEIT, CONDUCTIVITEIT, PH) %>% + select(MetingPivotKey, WaarnemingKey, MetingID, WaarnemingID, GebiedKey, Gebiedcode, LambertX, LambertY, Lat, Long, Gebiednaam, Gemeentenaam, Begindatum, Month, Year, MethodeKey, Methodenaam, Methodegroepcode, TaxonKey, Soort, + # WetenschappelijkeNaam, + Exoot, TAXONAANTAL, TAXONGEW, TAXONTOTGEW, TAXONLEN, TEMPERATUUR, ZUURSTOF, TURBIDITEIT, CONDUCTIVITEIT, PH) %>% filter(Year %in% jaren, Gebiedcode %in% locatie_nrs, Methodenaam %in% vangstmethode) @@ -285,7 +288,7 @@ campagnes_dstnct2 <- data %>% distinct(Gebiedcode, Gebiednaam, Begindatum, Month, Year, Methodenaam) -setdiff(campagnes_dstnct, campagnes_dstnct2) +(df <- setdiff(campagnes_dstnct, campagnes_dstnct2)) campagnes_dstnct %>% distinct(Gebiedcode, Gebiednaam) diff --git a/moneos_2024/090_vissen/20_moneos_visdata_fuiken_integratie.Rmd b/moneos_2024/090_vissen/20_moneos_visdata_fuiken_integratie.Rmd index c26832b..4fb72ec 100644 --- a/moneos_2024/090_vissen/20_moneos_visdata_fuiken_integratie.Rmd +++ b/moneos_2024/090_vissen/20_moneos_visdata_fuiken_integratie.Rmd @@ -49,7 +49,7 @@ pad_tabellen <- maak_pad(params$hoofdstuk, "tabellen") ```{r variabelen} -laatste_jaar <- 2023 +laatste_jaar <- as.numeric(jaar_moneos) - 1 pad_data_historisch <- str_c(pad_prj_schelde, pad_moneos, as.numeric(jaar_moneos)-1, "/", params$hoofdstuk, "/data/") locaties_name <- "fuikvangsten_Zeeschelde_locaties" @@ -139,7 +139,7 @@ names(level_key) <- old_names ``` -```{r correcties soortnamen} +```{r correcties soortnamen historische data, eval=FALSE} rename_vector <- c("kleine koornaarvis" = "koornaarvis") @@ -475,6 +475,18 @@ setdiff(data_per_datum %>% ``` +```{r correcties soortnamen recente data, eval=FALSE} + +data_per_datum <- + data_per_datum %>% + mutate(soort = + case_match(soort, + "blauwband" ~ "blauwbandgrondel", + .default = soort)) + +``` + + ```{r sheets finale data recent} campagnes_recent <- diff --git a/moneos_2024/090_vissen/21_moneos_visdata_ankerkuil_integratie.Rmd b/moneos_2024/090_vissen/21_moneos_visdata_ankerkuil_integratie.Rmd index ac11418..539172a 100644 --- a/moneos_2024/090_vissen/21_moneos_visdata_ankerkuil_integratie.Rmd +++ b/moneos_2024/090_vissen/21_moneos_visdata_ankerkuil_integratie.Rmd @@ -49,8 +49,8 @@ pad_tabellen <- maak_pad(params$hoofdstuk, "tabellen") ```{r variabelen} -laatste_jaar <- 2022 -pad_data_historisch <- str_c(pad_prj_schelde, pad_moneos, as.numeric(jaar_moneos)-1, "/", params$hoofdstuk, "/data/") +laatste_jaar <- as.numeric(jaar_moneos) - 1 +pad_data_historisch <- str_c(pad_prj_schelde, pad_moneos, as.numeric(jaar_moneos) - 1, "/", params$hoofdstuk, "/data/") locaties_name <- "ankerkuil_Zeeschelde_locaties" metadata_name <- "ankerkuil_Zeeschelde_metadata" @@ -67,7 +67,7 @@ locaties <- filename_historisch <- list.files(path = pad_data_historisch, - pattern = "ankerkuil_VLIZ") + pattern = "ankerkuil_Zeeschelde_VLIZ") campagnes_historisch <- read_xlsx(str_c(pad_data_historisch, filename_historisch), @@ -122,25 +122,28 @@ names(level_key) <- old_names ```{r correcties soortnamen} +# rename_vector_historisch <- +# c("chinese wolhandkrab" = "wolhandkrab") rename_vector_historisch <- - c("chinese wolhandkrab" = "wolhandkrab") + c("gewone zwemkrab" = "zwemkrab") aantal_historisch <- - aantal_historisch %>% + aantal_historisch %>% rename(!!!rename_vector_historisch) gewicht_historisch <- - gewicht_historisch %>% + gewicht_historisch %>% rename(!!!rename_vector_historisch) data_recent <- data_recent %>% - mutate(Soort = recode(Soort, - blauwband = "blauwbandgrondel", - zandspiering = "kleine zandspiering", - `gewone steurgarnaal` = "steurgarnalen", - `steurgarnaal` = "steurgarnalen", - `grijze garnaal` = "grijze garnalen")) + mutate(Soort = case_match(Soort, + "blauwband" ~ "blauwbandgrondel", + "zandspiering" ~ "kleine zandspiering", + "gewone steurgarnaal" ~ "steurgarnalen", + "steurgarnaal" ~ "steurgarnalen", + "grijze garnaal" ~ "grijze garnalen", + .default = Soort)) ``` @@ -260,7 +263,7 @@ if (length(soort_NA) > 0) { data_recent %>% filter(MetingPivotKey %in% keys) - for(k in keys) { + for (k in keys) { data_recent$TAXONGEW[data_recent$MetingPivotKey == k] <- gewicht_NA$gewicht_imputed[gewicht_NA$MetingPivotKey == k] } @@ -485,13 +488,33 @@ soorten_totaal_aanwezig <- soorten_historisch_aanwezig) %>% sort()) -haringachtigen <- - data_per_datum %>% - filter(soort %in% c("haring", "sprot", "haringachtigen")) +# haringachtigen <- +# data_per_datum %>% +# filter(soort %in% c("haring", "sprot", "haringachtigen")) +# +# grondel_sp <- +# data_per_datum %>% +# filter(soort == "grondel sp") +# +# zwemkrab <- +# data_per_datum %>% +# filter(str_detect(soort, "zwemkrab")) ``` + + + + + + + + + + + + ```{r sheets finale data recent} campagnes_recent <- diff --git a/moneos_2024/090_vissen/30_visdata_fuiken_controle_EMSE.Rmd b/moneos_2024/090_vissen/30_visdata_fuiken_controle_EMSE.Rmd index 87f1e9c..c8246c8 100644 --- a/moneos_2024/090_vissen/30_visdata_fuiken_controle_EMSE.Rmd +++ b/moneos_2024/090_vissen/30_visdata_fuiken_controle_EMSE.Rmd @@ -62,7 +62,7 @@ fuiken_aantal <- left_join(read_xlsx(str_c(pad_data, filename), sheet = "aantallen")) %>% select(-ID_afvissing) %>% - select(locatie, OMES, EMSE_niveau3, datum, jaar, maand, everything()) + select(locatie, OMES, EMSE_niveau3, datum, jaar, seizoen, everything()) # %>% # select(-datum, -jaar, -maand) %>% # group_by(locatie, OMES, EMSE_niveau3) %>% @@ -99,7 +99,7 @@ nieuwe_soorten <- voorkomen <- fuiken_aantal_long %>% - group_by(jaar, maand, locatie, soort, inEMSE) %>% + group_by(jaar, seizoen, locatie, soort, inEMSE) %>% summarise(aantal = sum(aantal, na.rm = TRUE)) %>% ungroup() %>% group_by(soort, inEMSE) %>% @@ -118,7 +118,7 @@ soorten <- fuiken_aantal_long %>% - group_by(jaar, maand, locatie, soort, inEMSE) %>% + group_by(jaar, seizoen, locatie, soort, inEMSE) %>% summarise(aantal = sum(aantal, na.rm = TRUE)) %>% ungroup() %>% group_by(soort, inEMSE) %>% @@ -134,110 +134,57 @@ fuiken_aantal_long %>% theme_bw() + theme(axis.text.x = element_text(angle = 90, vjust = 0.25, hjust = 1)) -fuiken_aantal_long %>% - group_by(soort, inEMSE) %>% - # group_by(soort, inEMSE, jaar, seizoen, locatie) %>% - mutate(N_crit = any(aantal > 1)) %>% - ungroup() %>% - # filter(N_crit) %>% - group_by(soort, inEMSE) %>% - summarise(aantal = mean(aantal/uren, na.rm = TRUE)) %>% - ungroup() %>% - filter(aantal > 0) %>% - arrange(aantal, soort) %>% - ggplot(aes(fct_inorder(soort), aantal, fill = inEMSE)) + - geom_col() + - scale_y_log10() + - theme_bw() + - theme(axis.text.x = element_text(angle = 90, vjust = 0.25, hjust = 1)) - -fuiken_aantal_long %>% - group_by(soort, inEMSE) %>% - # group_by(soort, inEMSE, jaar, seizoen, locatie) %>% - mutate(N_crit = any(aantal > 1)) %>% - ungroup() %>% - filter(N_crit) %>% - group_by(soort, inEMSE) %>% - summarise(aantal = mean(aantal/uren, na.rm = TRUE)) %>% - ungroup() %>% - # filter(aantal >= 0.1) %>% - arrange(aantal, soort) %>% - ggplot(aes(fct_inorder(soort), aantal, fill = inEMSE)) + - geom_col() + - scale_y_log10() + - theme_bw() + - theme(axis.text.x = element_text(angle = 90, vjust = 0.25, hjust = 1)) - -fuiken_aantal_long %>% - group_by(soort, inEMSE) %>% - # group_by(soort, inEMSE, jaar, seizoen, locatie) %>% - mutate(N_crit = any(aantal > 1)) %>% - ungroup() %>% - filter(N_crit) %>% - group_by(soort, inEMSE, jaar) %>% - summarise(aantal = mean(aantal/uren, na.rm = TRUE)) %>% - ungroup() %>% - # filter(aantal >= 0.1) %>% - arrange(aantal, soort) %>% - ggplot(aes(fct_inorder(soort), aantal, fill = inEMSE)) + - geom_col() + - scale_y_log10() + - facet_wrap("jaar", ncol = 1) + - theme_bw() + - theme(axis.text.x = element_text(angle = 90, vjust = 0.25, hjust = 1)) - - -gewicht_long %>% - group_by(soort, inEMSE) %>% - # group_by(soort, inEMSE, jaar, seizoen, locatie) %>% - mutate(N_crit = any(gewicht > 1)) %>% - ungroup() %>% - # filter(N_crit) %>% - group_by(soort, inEMSE) %>% - summarise(gewicht = mean(gewicht/uren, na.rm = TRUE)) %>% - ungroup() %>% - filter(gewicht > 0) %>% - arrange(gewicht, soort) %>% - ggplot(aes(fct_inorder(soort), gewicht, fill = inEMSE)) + - geom_col() + - scale_y_log10() + - theme_bw() + - theme(axis.text.x = element_text(angle = 90, vjust = 0.25, hjust = 1)) - -gewicht_long %>% - group_by(soort, inEMSE) %>% - # group_by(soort, inEMSE, jaar, seizoen, locatie) %>% - mutate(N_crit = any(gewicht > 1)) %>% - ungroup() %>% - filter(N_crit) %>% - group_by(soort, inEMSE) %>% - summarise(gewicht = mean(gewicht/uren, na.rm = TRUE)) %>% - ungroup() %>% - # filter(gewicht >= 0.1) %>% - arrange(gewicht, soort) %>% - ggplot(aes(fct_inorder(soort), gewicht, fill = inEMSE)) + - geom_col() + - scale_y_log10() + - theme_bw() + - theme(axis.text.x = element_text(angle = 90, vjust = 0.25, hjust = 1)) - -gewicht_long %>% - group_by(soort, inEMSE) %>% - # group_by(soort, inEMSE, jaar, seizoen, locatie) %>% - mutate(N_crit = any(gewicht > 1)) %>% - ungroup() %>% - filter(N_crit) %>% - group_by(soort, inEMSE, jaar) %>% - summarise(gewicht = mean(gewicht/uren, na.rm = TRUE)) %>% - ungroup() %>% - # filter(gewicht >= 0.1) %>% - arrange(gewicht, soort) %>% - ggplot(aes(fct_inorder(soort), gewicht, fill = inEMSE)) + - geom_col() + - scale_y_log10() + - facet_wrap("jaar", ncol = 1) + - theme_bw() + - theme(axis.text.x = element_text(angle = 90, vjust = 0.25, hjust = 1)) +# fuiken_aantal_long %>% +# group_by(soort, inEMSE) %>% +# # group_by(soort, inEMSE, jaar, seizoen, locatie) %>% +# mutate(N_crit = any(aantal > 1)) %>% +# ungroup() %>% +# # filter(N_crit) %>% +# group_by(soort, inEMSE) %>% +# summarise(aantal = mean(aantal/fuikdagen, na.rm = TRUE)) %>% +# ungroup() %>% +# filter(aantal > 0) %>% +# arrange(aantal, soort) %>% +# ggplot(aes(fct_inorder(soort), aantal, fill = inEMSE)) + +# geom_col() + +# scale_y_log10() + +# theme_bw() + +# theme(axis.text.x = element_text(angle = 90, vjust = 0.25, hjust = 1)) +# +# fuiken_aantal_long %>% +# group_by(soort, inEMSE) %>% +# # group_by(soort, inEMSE, jaar, seizoen, locatie) %>% +# mutate(N_crit = any(aantal > 1)) %>% +# ungroup() %>% +# filter(N_crit) %>% +# group_by(soort, inEMSE) %>% +# summarise(aantal = mean(aantal/fuikdagen, na.rm = TRUE)) %>% +# ungroup() %>% +# # filter(aantal >= 0.1) %>% +# arrange(aantal, soort) %>% +# ggplot(aes(fct_inorder(soort), aantal, fill = inEMSE)) + +# geom_col() + +# scale_y_log10() + +# theme_bw() + +# theme(axis.text.x = element_text(angle = 90, vjust = 0.25, hjust = 1)) +# +# fuiken_aantal_long %>% +# group_by(soort, inEMSE) %>% +# # group_by(soort, inEMSE, jaar, seizoen, locatie) %>% +# mutate(N_crit = any(aantal > 1)) %>% +# ungroup() %>% +# filter(N_crit) %>% +# group_by(soort, inEMSE, jaar) %>% +# summarise(aantal = mean(aantal/fuikdagen, na.rm = TRUE)) %>% +# ungroup() %>% +# # filter(aantal >= 0.1) %>% +# arrange(aantal, soort) %>% +# ggplot(aes(fct_inorder(soort), aantal, fill = inEMSE)) + +# geom_col() + +# scale_y_log10() + +# facet_wrap("jaar", ncol = 1) + +# theme_bw() + +# theme(axis.text.x = element_text(angle = 90, vjust = 0.25, hjust = 1)) ``` diff --git a/moneos_2024/090_vissen/31_visdata_ankerkuil_controle_EMSE.Rmd b/moneos_2024/090_vissen/31_visdata_ankerkuil_controle_EMSE.Rmd index e13141f..72009bb 100644 --- a/moneos_2024/090_vissen/31_visdata_ankerkuil_controle_EMSE.Rmd +++ b/moneos_2024/090_vissen/31_visdata_ankerkuil_controle_EMSE.Rmd @@ -130,110 +130,5 @@ ankerkuil_aantal_long %>% theme_bw() + theme(axis.text.x = element_text(angle = 90, vjust = 0.25, hjust = 1)) -aantal_long %>% - group_by(soort, inEMSE) %>% - # group_by(soort, inEMSE, jaar, seizoen, locatie) %>% - mutate(N_crit = any(aantal > 1)) %>% - ungroup() %>% - # filter(N_crit) %>% - group_by(soort, inEMSE) %>% - summarise(aantal = mean(aantal/uren, na.rm = TRUE)) %>% - ungroup() %>% - filter(aantal > 0) %>% - arrange(aantal, soort) %>% - ggplot(aes(fct_inorder(soort), aantal, fill = inEMSE)) + - geom_col() + - scale_y_log10() + - theme_bw() + - theme(axis.text.x = element_text(angle = 90, vjust = 0.25, hjust = 1)) - -aantal_long %>% - group_by(soort, inEMSE) %>% - # group_by(soort, inEMSE, jaar, seizoen, locatie) %>% - mutate(N_crit = any(aantal > 1)) %>% - ungroup() %>% - filter(N_crit) %>% - group_by(soort, inEMSE) %>% - summarise(aantal = mean(aantal/uren, na.rm = TRUE)) %>% - ungroup() %>% - # filter(aantal >= 0.1) %>% - arrange(aantal, soort) %>% - ggplot(aes(fct_inorder(soort), aantal, fill = inEMSE)) + - geom_col() + - scale_y_log10() + - theme_bw() + - theme(axis.text.x = element_text(angle = 90, vjust = 0.25, hjust = 1)) - -aantal_long %>% - group_by(soort, inEMSE) %>% - # group_by(soort, inEMSE, jaar, seizoen, locatie) %>% - mutate(N_crit = any(aantal > 1)) %>% - ungroup() %>% - filter(N_crit) %>% - group_by(soort, inEMSE, jaar) %>% - summarise(aantal = mean(aantal/uren, na.rm = TRUE)) %>% - ungroup() %>% - # filter(aantal >= 0.1) %>% - arrange(aantal, soort) %>% - ggplot(aes(fct_inorder(soort), aantal, fill = inEMSE)) + - geom_col() + - scale_y_log10() + - facet_wrap("jaar", ncol = 1) + - theme_bw() + - theme(axis.text.x = element_text(angle = 90, vjust = 0.25, hjust = 1)) - - -gewicht_long %>% - group_by(soort, inEMSE) %>% - # group_by(soort, inEMSE, jaar, seizoen, locatie) %>% - mutate(N_crit = any(gewicht > 1)) %>% - ungroup() %>% - # filter(N_crit) %>% - group_by(soort, inEMSE) %>% - summarise(gewicht = mean(gewicht/uren, na.rm = TRUE)) %>% - ungroup() %>% - filter(gewicht > 0) %>% - arrange(gewicht, soort) %>% - ggplot(aes(fct_inorder(soort), gewicht, fill = inEMSE)) + - geom_col() + - scale_y_log10() + - theme_bw() + - theme(axis.text.x = element_text(angle = 90, vjust = 0.25, hjust = 1)) - -gewicht_long %>% - group_by(soort, inEMSE) %>% - # group_by(soort, inEMSE, jaar, seizoen, locatie) %>% - mutate(N_crit = any(gewicht > 1)) %>% - ungroup() %>% - filter(N_crit) %>% - group_by(soort, inEMSE) %>% - summarise(gewicht = mean(gewicht/uren, na.rm = TRUE)) %>% - ungroup() %>% - # filter(gewicht >= 0.1) %>% - arrange(gewicht, soort) %>% - ggplot(aes(fct_inorder(soort), gewicht, fill = inEMSE)) + - geom_col() + - scale_y_log10() + - theme_bw() + - theme(axis.text.x = element_text(angle = 90, vjust = 0.25, hjust = 1)) - -gewicht_long %>% - group_by(soort, inEMSE) %>% - # group_by(soort, inEMSE, jaar, seizoen, locatie) %>% - mutate(N_crit = any(gewicht > 1)) %>% - ungroup() %>% - filter(N_crit) %>% - group_by(soort, inEMSE, jaar) %>% - summarise(gewicht = mean(gewicht/uren, na.rm = TRUE)) %>% - ungroup() %>% - # filter(gewicht >= 0.1) %>% - arrange(gewicht, soort) %>% - ggplot(aes(fct_inorder(soort), gewicht, fill = inEMSE)) + - geom_col() + - scale_y_log10() + - facet_wrap("jaar", ncol = 1) + - theme_bw() + - theme(axis.text.x = element_text(angle = 90, vjust = 0.25, hjust = 1)) - ``` From 6b093578d7ec5dbe48f890abddf1e713ff9aece4 Mon Sep 17 00:00:00 2001 From: VANOVERBEKE Date: Thu, 1 Aug 2024 11:57:11 +0200 Subject: [PATCH 013/102] figuren fuiken en ankerkuil --- .../10_moneos_visdata_VIS_fuiken.Rmd | 19 +- .../11_moneos_visdata_VIS_ankerkuil.Rmd | 21 +- ...21_moneos_visdata_ankerkuil_integratie.Rmd | 5 +- .../31_visdata_ankerkuil_controle_EMSE.Rmd | 1 + .../35_moneos_soorten_kleurcode.Rmd | 52 +- .../40_moneos_analyse_fuiken_EMSE.Rmd | 587 +-------------- .../41_moneos_analyse_ankerkuil_EMSE.Rmd | 297 ++------ .../090_vissen_inleiding_en_methode.Rmd | 313 ++++++++ .../091_vissen_ankerkuil.Rmd | 613 ++++++++++++++++ .../092_vissen_fuiken.Rmd | 686 ++++++++++++++++++ .../093_vissen_conclusies.Rmd | 292 ++++++++ 11 files changed, 2064 insertions(+), 822 deletions(-) create mode 100644 moneos_2024/150_geintegreerd_rapport/090_vissen_inleiding_en_methode.Rmd create mode 100644 moneos_2024/150_geintegreerd_rapport/091_vissen_ankerkuil.Rmd create mode 100644 moneos_2024/150_geintegreerd_rapport/092_vissen_fuiken.Rmd create mode 100644 moneos_2024/150_geintegreerd_rapport/093_vissen_conclusies.Rmd diff --git a/moneos_2024/090_vissen/10_moneos_visdata_VIS_fuiken.Rmd b/moneos_2024/090_vissen/10_moneos_visdata_VIS_fuiken.Rmd index 142a8f4..58bb2ec 100644 --- a/moneos_2024/090_vissen/10_moneos_visdata_VIS_fuiken.Rmd +++ b/moneos_2024/090_vissen/10_moneos_visdata_VIS_fuiken.Rmd @@ -154,7 +154,13 @@ tbl_data <- left_join(DimVisindexTaxon %>% select(TaxonKey, Exoot)), by = "TaxonKey") %>% inner_join(DimMethode, by = "MethodeKey") %>% - select(MetingPivotKey, WaarnemingKey, WaarnemingID, GebiedKey, Gebiedcode, LambertX, LambertY, Lat, Long, Gebiednaam, Gemeentenaam, Begindatum, Month, Year, MethodeKey, Methodenaam, Methodegroepcode, AantalDagen, AantalFuiken, TaxonKey, Soort, Exoot, TAXONAANTAL, TAXONGEW, TAXONTOTGEW, TAXONLEN, TEMPERATUUR, ZUURSTOF, TURBIDITEIT, CONDUCTIVITEIT, PH) %>% + select(MetingPivotKey, WaarnemingKey, WaarnemingID, + GebiedKey, Gebiedcode, LambertX, LambertY, Lat, Long, Gebiednaam, Gemeentenaam, + Begindatum, Month, Year, + MethodeKey, Methodenaam, Methodegroepcode, AantalDagen, AantalFuiken, + TaxonKey, Soort, WetenschappelijkeNaam, Exoot, + TAXONAANTAL, TAXONGEW, TAXONTOTGEW, TAXONLEN, + TEMPERATUUR, ZUURSTOF, TURBIDITEIT, CONDUCTIVITEIT, PH) %>% filter(Year %in% jaren, Gebiedcode %in% locatie_nrs # , @@ -196,6 +202,14 @@ campagnes <- # left_join(tbl_locatie_gegevens %>% collect(), by = c("Gebiedcode" = "VIP_CDE")) %>% left_join(tbl_abiotiek %>% collect(), by = c("WaarnemingID" = "ABME_WRNG_ID")) +soorten <- + data %>% + distinct(Soort, WetenschappelijkeNaam, Exoot) + +data <- + data %>% + select(-WetenschappelijkeNaam) + ``` @@ -209,7 +223,7 @@ dbDisconnect(VIS2) ```{r hervariabel, ref.label=c('pad', 'variabelen')} -rm(list = ls()[-which(ls() %in% c("data", "campagnes", "params", "run_pad", "run_variabelen"))]) +rm(list = ls()[-which(ls() %in% c("data", "campagnes", "soorten", "params", "run_pad", "run_variabelen"))]) run_pad() run_variabelen() @@ -220,6 +234,7 @@ run_variabelen() ```{r opslaan ruwe data fuiken} write_xlsx(list(campagnes = campagnes, + soorten = soorten, data = data), path = str_c(pad_data, filename, "_ruw_VIS_", str_c(unique(range(jaren)), collapse = "_"), ".xlsx")) diff --git a/moneos_2024/090_vissen/11_moneos_visdata_VIS_ankerkuil.Rmd b/moneos_2024/090_vissen/11_moneos_visdata_VIS_ankerkuil.Rmd index 0daafb5..80224d8 100644 --- a/moneos_2024/090_vissen/11_moneos_visdata_VIS_ankerkuil.Rmd +++ b/moneos_2024/090_vissen/11_moneos_visdata_VIS_ankerkuil.Rmd @@ -163,9 +163,13 @@ tbl_data <- left_join(DimVisindexTaxon %>% select(TaxonKey, Exoot)), by = "TaxonKey") %>% inner_join(DimMethode, by = "MethodeKey") %>% - select(MetingPivotKey, WaarnemingKey, MetingID, WaarnemingID, GebiedKey, Gebiedcode, LambertX, LambertY, Lat, Long, Gebiednaam, Gemeentenaam, Begindatum, Month, Year, MethodeKey, Methodenaam, Methodegroepcode, TaxonKey, Soort, - # WetenschappelijkeNaam, - Exoot, TAXONAANTAL, TAXONGEW, TAXONTOTGEW, TAXONLEN, TEMPERATUUR, ZUURSTOF, TURBIDITEIT, CONDUCTIVITEIT, PH) %>% + select(MetingPivotKey, WaarnemingKey, MetingID, WaarnemingID, + GebiedKey, Gebiedcode, LambertX, LambertY, Lat, Long, Gebiednaam, Gemeentenaam, + Begindatum, Month, Year, + MethodeKey, Methodenaam, Methodegroepcode, + TaxonKey, Soort, WetenschappelijkeNaam, Exoot, + TAXONAANTAL, TAXONGEW, TAXONTOTGEW, TAXONLEN, + TEMPERATUUR, ZUURSTOF, TURBIDITEIT, CONDUCTIVITEIT, PH) %>% filter(Year %in% jaren, Gebiedcode %in% locatie_nrs, Methodenaam %in% vangstmethode) @@ -231,6 +235,14 @@ campagnes <- left_join(volume %>% select(WRNG_ID, uren, volume), by = c("WaarnemingID" = "WRNG_ID")) %>% left_join(tbl_abiotiek %>% collect(), by = c("WaarnemingID" = "ABME_WRNG_ID")) +soorten <- + data %>% + distinct(Soort, WetenschappelijkeNaam, Exoot) + +data <- + data %>% + select(-WetenschappelijkeNaam) + ``` @@ -244,7 +256,7 @@ dbDisconnect(VIS2) ```{r hervariabel, ref.label=c('pad', 'variabelen')} -rm(list = ls()[-which(ls() %in% c("data", "campagnes", "params", "run_pad", "run_variabelen"))]) +rm(list = ls()[-which(ls() %in% c("data", "campagnes", "soorten", "params", "run_pad", "run_variabelen"))]) run_pad() run_variabelen() @@ -264,6 +276,7 @@ dubbel_gewicht <- ```{r opslaan ruwe data ankerkuil} write_xlsx(list(campagnes = campagnes, + soorten = soorten, data = data), path = str_c(pad_data, filename, "_ruw_VIS_", str_c(unique(range(jaren)), collapse = "_"), ".xlsx")) diff --git a/moneos_2024/090_vissen/21_moneos_visdata_ankerkuil_integratie.Rmd b/moneos_2024/090_vissen/21_moneos_visdata_ankerkuil_integratie.Rmd index 539172a..ac1a9f7 100644 --- a/moneos_2024/090_vissen/21_moneos_visdata_ankerkuil_integratie.Rmd +++ b/moneos_2024/090_vissen/21_moneos_visdata_ankerkuil_integratie.Rmd @@ -84,7 +84,7 @@ gewicht_historisch <- ``` -```{r inlezen recent data} +```{r inlezen recente data} data_recent <- read_xlsx(str_c(pad_data, "ankerkuil_Zeeschelde_ruw_VIS_", @@ -140,6 +140,7 @@ data_recent <- mutate(Soort = case_match(Soort, "blauwband" ~ "blauwbandgrondel", "zandspiering" ~ "kleine zandspiering", + "klein zeepaardje" ~ "langsnuitzeepaardje", "gewone steurgarnaal" ~ "steurgarnalen", "steurgarnaal" ~ "steurgarnalen", "grijze garnaal" ~ "grijze garnalen", @@ -642,7 +643,7 @@ gewicht <- ``` -```{r wegschrijven-data} +```{r wegschrijven data} filename <- "ankerkuil_Zeeschelde_VLIZ" diff --git a/moneos_2024/090_vissen/31_visdata_ankerkuil_controle_EMSE.Rmd b/moneos_2024/090_vissen/31_visdata_ankerkuil_controle_EMSE.Rmd index 72009bb..cba4f24 100644 --- a/moneos_2024/090_vissen/31_visdata_ankerkuil_controle_EMSE.Rmd +++ b/moneos_2024/090_vissen/31_visdata_ankerkuil_controle_EMSE.Rmd @@ -30,6 +30,7 @@ library(rprojroot) ## workaround pad ``` + ```{r pad} # inlezen van variabelen diff --git a/moneos_2024/090_vissen/35_moneos_soorten_kleurcode.Rmd b/moneos_2024/090_vissen/35_moneos_soorten_kleurcode.Rmd index ce15e8b..5d7c3e7 100644 --- a/moneos_2024/090_vissen/35_moneos_soorten_kleurcode.Rmd +++ b/moneos_2024/090_vissen/35_moneos_soorten_kleurcode.Rmd @@ -376,6 +376,14 @@ data_ankerkuil <- ``` +```{r verschil soorten fuiken - ankerkuil} + +setdiff(soorten_vis_fuiken, soorten_vis_ankerkuil) +setdiff(soorten_vis_ankerkuil, soorten_vis_fuiken) + +``` + + ```{r aantal-en-gewicht-per-fuikdag} data_fuiken <- @@ -499,7 +507,7 @@ indeling_EMSE_missing <- relatief_aantal_fuiken <- data_fuiken %>% - filter(jaar == 2022) %>% + filter(jaar == 2023) %>% group_by(seizoen, locatie) %>% mutate(relatief_aantal = aantal/sum(aantal), relatief_gewicht = gewicht/sum(gewicht)) %>% @@ -557,7 +565,7 @@ relatieve_aantallen_EMSE_fuiken <- relatief_aantal_ankerkuil <- data_ankerkuil %>% - filter(jaar == 2022) %>% + filter(jaar == 2023) %>% group_by(seizoen, locatie) %>% mutate(relatief_aantal_laatste_jaar = aantal/sum(aantal), relatief_gewicht_laatste_jaar = gewicht/sum(gewicht)) %>% @@ -621,7 +629,7 @@ relatieve_aantallen_EMSE_ankerkuil <- relatief_aantal_fuiken <- data_fuiken %>% - filter(jaar == 2022) %>% + filter(jaar == 2023) %>% group_by(seizoen, locatie) %>% mutate(relatief_aantal = aantal/sum(aantal), relatief_gewicht = gewicht/sum(gewicht)) %>% @@ -671,7 +679,7 @@ relatieve_aantallen_EMSE_fuiken <- relatief_aantal_ankerkuil <- data_ankerkuil %>% - filter(jaar == 2022) %>% + filter(jaar == 2023) %>% group_by(seizoen, locatie) %>% mutate(relatief_aantal = aantal/sum(aantal), relatief_gewicht = gewicht/sum(gewicht)) %>% @@ -760,7 +768,7 @@ save(soorten_indeling_kleur, file = str_c(pad_data, "soorten_kleur.RData")) relatief_aantal_fuiken <- data_fuiken %>% - filter(jaar == 2022) %>% + filter(jaar == 2023) %>% group_by(seizoen, locatie) %>% mutate(relatief_aantal = aantal/sum(aantal), relatief_gewicht = gewicht/sum(gewicht)) %>% @@ -784,6 +792,20 @@ relatief_aantal_fuiken <- locatie = factor(locatie, levels = levels_locatie_fuiken)) +library(Polychrome) +swatch(kelly.colors(50)) +swatch(glasbey.colors(50)) +swatch(green.armytage.colors(50)) +swatch(palette36.colors(50)) +swatch(alphabet.colors(50)) +swatch(light.colors(50)) +swatch(dark.colors(50)) +swatch(sky.colors(50)) + +seed <- c("#ff0000", "#00ff00", "#0000ff") +mycolors <- createPalette(50, seed, prefix="mine") +swatch(mycolors) + # n <- 3 # seq(1,by=n,length.out=n_kleur)%%n_kleur+1 # s <- 3 @@ -818,20 +840,26 @@ for(s in 14:25) { sq <- seq(1,by=s,length.out=n_kleur)%%(n_kleur+1) - lm <- 52-((s-1)%%(s)) + lm <- n_kleur-((s-1)%%(s)) sq[sq<=lm] <- sq[sq<=lm] + 1 # sort(sq) soorten_indeling_kleur$pos <- sq + seed <- c("#ff6000", "#0a6f00", "#000fff") soorten_indeling_kleur$kleur <- - wes_palette("Darjeeling1", - type = "continuous", - n = n_kleur) %>% - unname() %>% - .[soorten_indeling_kleur$pos] + # wes_palette("Darjeeling1", + # type = "continuous", + # n = n_kleur) %>% + # scales::pal_hue()(n_kleur) %>% + createPalette(n_kleur, seed) + # %>% + # unname() + # %>% + # .[soorten_indeling_kleur$pos] + # swatch(createPalette(n_kleur, seed)) # my_pal_wes <- # c(wes_palette("Darjeeling1", @@ -900,7 +928,7 @@ for(s in 76) { my_pal_wes[names(my_pal_wes) %in% unique(relatief_aantal_ankerkuil$soort)] pl <- - relatief_aantal_ankerkuil %>% + relatief_aantal_fuiken %>% mutate(aantal = if_else(aantal == 0, NA_real_, aantal)) %>% ggplot(aes(x ="", y = aantal, fill = soort)) + geom_col(position = "fill") + diff --git a/moneos_2024/090_vissen/40_moneos_analyse_fuiken_EMSE.Rmd b/moneos_2024/090_vissen/40_moneos_analyse_fuiken_EMSE.Rmd index b4eb162..1654fff 100644 --- a/moneos_2024/090_vissen/40_moneos_analyse_fuiken_EMSE.Rmd +++ b/moneos_2024/090_vissen/40_moneos_analyse_fuiken_EMSE.Rmd @@ -459,8 +459,7 @@ aantal_soorten_seizoen_locatie %>% position = position_dodge(width = 0.8), size = 3, color = "steelblue4") + scale_x_continuous(breaks = seq(ifelse(vroegste_jaar%%2 == 0, vroegste_jaar, vroegste_jaar+1), laatste_jaar, 2)) + - # labs(fill = "jaar", - # color = "jaar") + + labs(y = "aantal soorten") + # guides(fill="none", # color = "none") + facet_grid(seizoen ~ locatie) + @@ -495,7 +494,8 @@ aantal_soorten_seizoen %>% geom_text(aes(y = soorten + 1, label = soorten), position = position_dodge(width = 0.8), size = 2, color = "steelblue4") + - labs(fill = "jaar", + labs(y = "aantal soorten", + fill = "jaar", color = "jaar") ggsave(paste0(pad_figuren, "aantal_soorten_seizoen.jpg"), width = 10, height = 5) @@ -541,7 +541,8 @@ aantal_soorten_locatie %>% geom_text(aes(y = soorten_tot + 1, label = soorten_tot), position = position_dodge(width = 0.8), size = 1.5, color = "steelblue4", fontface = "bold") + - labs(fill = "jaar", + labs(y = "aantal soorten", + fill = "jaar", color = "jaar") ggsave(paste0(pad_figuren, "aantal_soorten_locatie.jpg"), width = 12, height = 5) @@ -564,8 +565,7 @@ aantal_soorten_totaal %>% position = position_dodge(width = 0.8), size = 3, color = "steelblue4") + scale_x_continuous(breaks = seq(ifelse(vroegste_jaar%%2 == 0, vroegste_jaar, vroegste_jaar+1), laatste_jaar, 2)) + - # labs(fill = "jaar", - # color = "jaar") + + labs(y = "aantal soorten") + guides(fill="none", color = "none") @@ -745,13 +745,14 @@ the_pal <- relatief_aantal_laatste_jaar %>% mutate(aantal = if_else(aantal == 0, NA_real_, aantal)) %>% ggplot(aes(x ="", y = aantal, fill = soort)) + - geom_col(position = "fill") + + geom_col(position = "fill", color = "gray60") + # geom_text(aes(label = soort), # size = 3) + - geom_text(aes(label = aantal, size = aantal), + geom_text(aes(label = aantal, size = aantal), + color = "white", position = position_fill(vjust = 0.5), show.legend = FALSE) + - coord_polar("y", start=0) + + coord_polar("y", start = 0) + facet_grid(locatie ~ seizoen) + labs(x = NULL, y = NULL) + @@ -808,10 +809,11 @@ the_pal <- relatief_gewicht_laatste_jaar %>% mutate(gewicht = if_else(gewicht == 0, NA_real_, gewicht)) %>% ggplot(aes(x ="", y = gewicht, fill = soort)) + - geom_col(position = "fill") + + geom_col(position = "fill", color = "grey60") + # geom_text(aes(label = soort), # size = 3) + geom_text(aes(label = gewicht, size = gewicht), + color = "white", position = position_fill(vjust = 0.5), show.legend = FALSE) + coord_polar("y", start=0) + @@ -847,175 +849,6 @@ sheets_figuren[["relatief_gewicht_laatste_jaar"]] <- ``` -#### aantallen EMSE - -```{r aantallen EMSE, eval=FALSE} - -gemiddeld_aantal_EMSE <- - data_fuiken %>% - left_join(locatie_scheldezone) %>% - filter(in_indeling) %>% - group_by(jaar, scheldezone, seizoen, locatie, salgroep, dieet, indeling) %>% - summarise(aantal_per_fuikdag = sum(aantal_per_fuikdag)) %>% - ungroup() %>% - group_by(jaar, scheldezone, salgroep, dieet, indeling) %>% - summarise(aantal_per_fuikdag = mean(aantal_per_fuikdag)) %>% - ungroup() %>% - # add_row(tibble(aantal_per_fuikdag = NA, - # salgroep = "diadrome soorten", - # indeling = "Diadr -- Benth", - # jaar = vroegste_jaar:laatste_jaar) %>% - # expand_grid(scheldezone = c("SG", "OH", "ZL", "ZK"))) %>% - # add_row(indeling_EMSE_missing %>% - # expand_grid(scheldezone = c("SG", "OH", "ZL", "ZK"))) %>% - add_row(indeling_EMSE_missing %>% - expand_grid(jaar = vroegste_jaar:laatste_jaar, - scheldezone = unique(locatie_scheldezone$scheldezone))) %>% - mutate(indeling = factor(indeling, levels = levels_indeling), - scheldezone = factor(scheldezone, levels = levels_scheldezone), - scheldezone = recode_factor(scheldezone, !!!levels_scheldezone_full)) - -# gemiddeld_aantal_EMSE %>% -# filter(str_detect(salgroep, "mari")) %>% -# mutate(aantal_per_fuikdag = aantal_per_fuikdag*mult_fuik) %>% -# # ggplot(aes(jaar, aantal_per_fuikdag, fill = ordered(jaar), color = ordered(jaar))) + -# ggplot(aes(jaar, aantal_per_fuikdag)) + -# geom_col(position = position_dodge(), -# color = "steelblue4", -# linewidth = 0.5, -# width = 0.7, -# alpha = 0.8) + -# scale_x_continuous(breaks = seq(ifelse(vroegste_jaar%%2 == 0, vroegste_jaar, vroegste_jaar+1), laatste_jaar, 2)) + -# labs(title = "estuariene soorten en mariene migranten", -# y = get_lab_aantal()) + -# facet_grid(indeling ~ scheldezone, scales = "free_y") + -# theme(axis.text = element_text(size = 8)) - -# ggsave(paste0(pad_figuren, "aantallen_EMSE_marien.jpg"), width = 10, height = 6) - - -# gemiddeld_aantal_EMSE %>% -# filter(str_detect(salgroep, "diadr")) %>% -# mutate(aantal_per_fuikdag = aantal_per_fuikdag*mult_fuik) %>% -# ggplot(aes(jaar, aantal_per_fuikdag)) + -# geom_col(position = position_dodge(), -# color = "steelblue4", -# linewidth = 0.5, -# width = 0.7, -# alpha = 0.8) + -# scale_x_continuous(breaks = seq(ifelse(vroegste_jaar%%2 == 0, vroegste_jaar, vroegste_jaar+1), laatste_jaar, 2)) + -# labs(title = "diadrome soorten", -# y = get_lab_aantal()) + -# facet_grid(indeling ~ scheldezone, scales = "free_y") + -# theme(axis.text = element_text(size = 8)) - -# ggsave(paste0(pad_figuren, "aantallen_EMSE_diadroom.jpg"), width = 10, height = 6) - - -# gemiddeld_aantal_EMSE %>% -# filter(str_detect(salgroep, "zoet")) %>% -# mutate(aantal_per_fuikdag = aantal_per_fuikdag*mult_fuik) %>% -# ggplot(aes(jaar, aantal_per_fuikdag)) + -# geom_col(position = position_dodge(), -# color = "steelblue4", -# linewidth = 0.5, -# width = 0.7, -# alpha = 0.8) + -# scale_x_continuous(breaks = seq(ifelse(vroegste_jaar%%2 == 0, vroegste_jaar, vroegste_jaar+1), laatste_jaar, 2)) + -# labs(title = "zoetwater soorten", -# y = get_lab_aantal()) + -# facet_grid(indeling ~ scheldezone, scales = "free_y") + -# theme(axis.text = element_text(size = 8)) - -# ggsave(paste0(pad_figuren, "aantallen_EMSE_zoet.jpg"), width = 10, height = 6) - -``` - - -#### gewicht EMSE - -```{r gewicht EMSE, eval=FALSE} - -gemiddeld_gewicht_EMSE <- - data_fuiken %>% - left_join(locatie_scheldezone) %>% - filter(in_indeling) %>% - group_by(jaar, scheldezone, seizoen, locatie, salgroep, dieet, indeling) %>% - summarise(gewicht_per_fuikdag = sum(gewicht_per_fuikdag)) %>% - ungroup() %>% - group_by(jaar, scheldezone, salgroep, dieet, indeling) %>% - summarise(gewicht_per_fuikdag = mean(gewicht_per_fuikdag)) %>% - ungroup() %>% - # add_row(tibble(gewicht_per_fuikdag = NA, - # salgroep = "diadrome soorten", - # indeling = "Diadr -- Benth", - # jaar = vroegste_jaar:laatste_jaar) %>% - # expand_grid(scheldezone = c("SG", "OH", "ZL", "ZK"))) %>% - add_row(indeling_EMSE_missing %>% - expand_grid(jaar = vroegste_jaar:laatste_jaar, - scheldezone = unique(locatie_scheldezone$scheldezone))) %>% - mutate(indeling = factor(indeling, levels = levels_indeling), - scheldezone = factor(scheldezone, levels = levels_scheldezone), - scheldezone = recode_factor(scheldezone, !!!levels_scheldezone_full)) - -# gemiddeld_gewicht_EMSE %>% -# filter(str_detect(salgroep, "mari")) %>% -# mutate(gewicht_per_fuikdag = gewicht_per_fuikdag*mult_fuik) %>% -# # ggplot(aes(jaar, gewicht_per_fuikdag, fill = ordered(jaar), color = ordered(jaar))) + -# ggplot(aes(jaar, gewicht_per_fuikdag)) + -# geom_col(position = position_dodge(), -# color = "steelblue4", -# size = 0.5, -# width = 0.7, -# alpha = 0.8) + -# scale_x_continuous(breaks = seq(ifelse(vroegste_jaar%%2 == 0, vroegste_jaar, vroegste_jaar+1), laatste_jaar, 2)) + -# labs(title = "estuariene soorten en mariene migranten", -# y = get_lab_gewicht()) + -# facet_grid(indeling ~ scheldezone, scales = "free_y") + -# theme(axis.text = element_text(size = 8)) - -# ggsave(paste0(pad_figuren, "biomassa_EMSE_marien.jpg"), width = 10, height = 6) - - -# gemiddeld_gewicht_EMSE %>% -# filter(str_detect(salgroep, "diadr")) %>% -# mutate(gewicht_per_fuikdag = gewicht_per_fuikdag*mult_fuik) %>% -# ggplot(aes(jaar, gewicht_per_fuikdag)) + -# geom_col(position = position_dodge(), -# color = "steelblue4", -# size = 0.5, -# width = 0.7, -# alpha = 0.8) + -# scale_x_continuous(breaks = seq(ifelse(vroegste_jaar%%2 == 0, vroegste_jaar, vroegste_jaar+1), laatste_jaar, 2)) + -# labs(title = "diadrome soorten", -# y = get_lab_gewicht()) + -# facet_grid(indeling ~ scheldezone, scales = "free_y") + -# theme(axis.text = element_text(size = 8)) - -# ggsave(paste0(pad_figuren, "biomassa_EMSE_diadroom.jpg"), width = 10, height = 6) - - -# gemiddeld_gewicht_EMSE %>% -# filter(str_detect(salgroep, "zoet")) %>% -# mutate(gewicht_per_fuikdag = gewicht_per_fuikdag*mult_fuik) %>% -# ggplot(aes(jaar, gewicht_per_fuikdag)) + -# geom_col(position = position_dodge(), -# color = "steelblue4", -# size = 0.5, -# width = 0.7, -# alpha = 0.8) + -# scale_x_continuous(breaks = seq(ifelse(vroegste_jaar%%2 == 0, vroegste_jaar, vroegste_jaar+1), laatste_jaar, 2)) + -# # scale_y_log10() + -# labs(title = "zoetwater soorten", -# y = get_lab_gewicht()) + -# facet_grid(indeling ~ scheldezone, scales = "free_y") + -# theme(axis.text = element_text(size = 8)) - -# ggsave(paste0(pad_figuren, "biomassa_EMSE_zoet.jpg"), width = 10, height = 6) - -``` - - #### diversiteit EMSE ```{r diversiteit EMSE} @@ -1049,158 +882,6 @@ gemiddeld_diversiteit_EMSE <- scheldezone = factor(scheldezone, levels = levels_scheldezone), scheldezone = recode_factor(scheldezone, !!!levels_scheldezone_full)) -# gemiddeld_diversiteit_EMSE %>% -# filter(str_detect(salgroep, "mari")) %>% -# ggplot(aes(jaar, N)) + -# geom_col(position = position_dodge(), -# color = "steelblue4", -# size = 0.5, -# width = 0.7, -# alpha = 0.8) + -# scale_x_continuous(breaks = seq(ifelse(vroegste_jaar%%2 == 0, vroegste_jaar, vroegste_jaar+1), laatste_jaar, 2)) + -# # scale_y_log10() + -# labs(title = "estuariene soorten en mariene migranten", -# y = "aantal soorten") + -# facet_grid(indeling ~ scheldezone, scales = "free_y") + -# theme(axis.text = element_text(size = 8)) - -# ggsave(paste0(pad_figuren, "diversiteit_N_EMSE_marien.jpg"), width = 10, height = 6) - -# gemiddeld_diversiteit_EMSE %>% -# filter(str_detect(salgroep, "diadr")) %>% -# ggplot(aes(jaar, N)) + -# geom_col(position = position_dodge(), -# color = "steelblue4", -# size = 0.5, -# width = 0.7, -# alpha = 0.8) + -# scale_x_continuous(breaks = seq(ifelse(vroegste_jaar%%2 == 0, vroegste_jaar, vroegste_jaar+1), laatste_jaar, 2)) + -# # scale_y_log10() + -# labs(title = "diadrome soorten", -# y = "aantal soorten") + -# facet_grid(indeling ~ scheldezone, scales = "free_y") + -# theme(axis.text = element_text(size = 8)) - -# ggsave(paste0(pad_figuren, "diversiteit_N_EMSE_diadroom.jpg"), width = 10, height = 6) - -# gemiddeld_diversiteit_EMSE %>% -# filter(str_detect(salgroep, "zoet")) %>% -# ggplot(aes(jaar, N)) + -# geom_col(position = position_dodge(), -# color = "steelblue4", -# size = 0.5, -# width = 0.7, -# alpha = 0.8) + -# scale_x_continuous(breaks = seq(ifelse(vroegste_jaar%%2 == 0, vroegste_jaar, vroegste_jaar+1), laatste_jaar, 2)) + -# # scale_y_log10() + -# labs(title = "zoetwater soorten", -# y = "aantal soorten") + -# facet_grid(indeling ~ scheldezone, scales = "free_y") + -# theme(axis.text = element_text(size = 8)) - -# ggsave(paste0(pad_figuren, "diversiteit_N_EMSE_zoet.jpg"), width = 10, height = 6) - - -# gemiddeld_diversiteit_EMSE %>% -# filter(str_detect(salgroep, "mari")) %>% -# ggplot(aes(jaar, H_sh)) + -# geom_col(position = position_dodge(), -# color = "steelblue4", -# size = 0.5, -# width = 0.7, -# alpha = 0.8) + -# scale_x_continuous(breaks = seq(ifelse(vroegste_jaar%%2 == 0, vroegste_jaar, vroegste_jaar+1), laatste_jaar, 2)) + -# labs(title = "estuariene soorten en mariene migranten", -# y = "shannon diversity index H") + -# facet_grid(indeling ~ scheldezone, scales = "free_y") + -# theme(axis.text = element_text(size = 8)) - -# ggsave(paste0(pad_figuren, "diversiteit_H_shannon_EMSE_marien.jpg"), width = 10, height = 6) - -# gemiddeld_diversiteit_EMSE %>% -# filter(str_detect(salgroep, "diadr")) %>% -# ggplot(aes(jaar, H_sh)) + -# geom_col(position = position_dodge(), -# color = "steelblue4", -# size = 0.5, -# width = 0.7, -# alpha = 0.8) + -# scale_x_continuous(breaks = seq(ifelse(vroegste_jaar%%2 == 0, vroegste_jaar, vroegste_jaar+1), laatste_jaar, 2)) + -# labs(title = "diadrome soorten", -# y = "shannon diversity index H") + -# facet_grid(indeling ~ scheldezone, scales = "free_y") + -# theme(axis.text = element_text(size = 8)) - -# ggsave(paste0(pad_figuren, "diversiteit_H_shannon_EMSE_diadroom.jpg"), width = 10, height = 6) - -# gemiddeld_diversiteit_EMSE %>% -# filter(str_detect(salgroep, "zoet")) %>% -# ggplot(aes(jaar, H_sh)) + -# geom_col(position = position_dodge(), -# color = "steelblue4", -# size = 0.5, -# width = 0.7, -# alpha = 0.8) + -# scale_x_continuous(breaks = seq(ifelse(vroegste_jaar%%2 == 0, vroegste_jaar, vroegste_jaar+1), laatste_jaar, 2)) + -# labs(title = "zoetwater soorten", -# y = "shannon diversity index H") + -# facet_grid(indeling ~ scheldezone, scales = "free_y") + -# theme(axis.text = element_text(size = 8)) - -# ggsave(paste0(pad_figuren, "diversiteit_H_shannon_EMSE_zoet.jpg"), width = 10, height = 6) - - -# gemiddeld_diversiteit_EMSE %>% -# filter(str_detect(salgroep, "mari")) %>% -# ggplot(aes(jaar, D_sh)) + -# geom_col(position = position_dodge(), -# color = "steelblue4", -# size = 0.5, -# width = 0.7, -# alpha = 0.8) + -# scale_x_continuous(breaks = seq(ifelse(vroegste_jaar%%2 == 0, vroegste_jaar, vroegste_jaar+1), laatste_jaar, 2)) + -# # scale_y_log10() + -# labs(title = "estuariene soorten en mariene migranten", -# y = "shannon true diversity D") + -# facet_grid(indeling ~ scheldezone, scales = "free_y") + -# theme(axis.text = element_text(size = 8)) - -# ggsave(paste0(pad_figuren, "diversiteit_D_shannon_EMSE_marien.jpg"), width = 10, height = 6) - -# gemiddeld_diversiteit_EMSE %>% -# filter(str_detect(salgroep, "diadr")) %>% -# ggplot(aes(jaar, D_sh)) + -# geom_col(position = position_dodge(), -# color = "steelblue4", -# size = 0.5, -# width = 0.7, -# alpha = 0.8) + -# scale_x_continuous(breaks = seq(ifelse(vroegste_jaar%%2 == 0, vroegste_jaar, vroegste_jaar+1), laatste_jaar, 2)) + -# # scale_y_log10() + -# labs(title = "diadrome soorten", -# y = "shannon true diversity D") + -# facet_grid(indeling ~ scheldezone, scales = "free_y") + -# theme(axis.text = element_text(size = 8)) - -# ggsave(paste0(pad_figuren, "diversiteit_D_shannon_EMSE_diadroom.jpg"), width = 10, height = 6) - -# gemiddeld_diversiteit_EMSE %>% -# filter(str_detect(salgroep, "zoet")) %>% -# ggplot(aes(jaar, D_sh)) + -# geom_col(position = position_dodge(), -# color = "steelblue4", -# size = 0.5, -# width = 0.7, -# alpha = 0.8) + -# scale_x_continuous(breaks = seq(ifelse(vroegste_jaar%%2 == 0, vroegste_jaar, vroegste_jaar+1), laatste_jaar, 2)) + -# # scale_y_log10() + -# labs(title = "zoetwater soorten", -# y = "shannon true diversity D") + -# facet_grid(indeling ~ scheldezone, scales = "free_y") + -# theme(axis.text = element_text(size = 8)) - -# ggsave(paste0(pad_figuren, "diversiteit_D_shannon_EMSE_zoet.jpg"), width = 10, height = 6) - gemiddeld_diversiteit_EMSE %>% filter(str_detect(salgroep, "mari")) %>% @@ -1225,6 +906,7 @@ gemiddeld_diversiteit_EMSE %>% ggsave(paste0(pad_figuren, "diversiteit_S_D_EMSE_marien.jpg"), width = 10, height = 6) + gemiddeld_diversiteit_EMSE %>% filter(str_detect(salgroep, "diadr")) %>% ggplot(aes(jaar, N)) + @@ -1248,6 +930,7 @@ gemiddeld_diversiteit_EMSE %>% ggsave(paste0(pad_figuren, "diversiteit_S_D_EMSE_diadroom.jpg"), width = 10, height = 6) + gemiddeld_diversiteit_EMSE %>% filter(str_detect(salgroep, "zoet")) %>% ggplot(aes(jaar, N)) + @@ -1276,230 +959,6 @@ ggsave(paste0(pad_figuren, "diversiteit_S_D_EMSE_zoet.jpg"), width = 10, height #### aantallen en biomassa EMSE per soort -```{r relatie soortaantallen vs aantal soorten, eval=FALSE} - -relatieve_aantallen_EMSE <- - data_fuiken %>% - left_join(locatie_scheldezone) %>% - filter(in_indeling) %>% - filter(aantal > 0) %>% - group_by(jaar, scheldezone, soort, salgroep, dieet, indeling) %>% - summarise(aantal_per_fuikdag = mean(aantal_per_fuikdag), - gewicht_per_fuikdag = mean(gewicht_per_fuikdag)) %>% - ungroup() %>% - group_by(jaar, scheldezone, salgroep, dieet, indeling) %>% - mutate(relatief_aantal = aantal_per_fuikdag/sum(aantal_per_fuikdag), - relatief_gewicht = gewicht_per_fuikdag/sum(gewicht_per_fuikdag)) %>% - mutate(max_aantal = relatief_aantal >= prop_lim, - max_gewicht = relatief_gewicht >= prop_lim) %>% - ungroup() %>% - group_by(soort) %>% - mutate(soort = ifelse(any(max_aantal) | any(max_gewicht), soort, "rest")) %>% - # mutate(soort = ifelse(any(max_aantal), soort, "rest")) %>% - ungroup() %>% - group_by(jaar, scheldezone, salgroep, dieet, indeling) %>% - mutate(relatief_aantal = relatief_aantal/sum(relatief_aantal)) %>% - ungroup() %>% - add_row(tibble(salgroep = "diadrome soorten", - indeling = "Diadr -- Benth", - jaar = vroegste_jaar:laatste_jaar) %>% - expand_grid(scheldezone = c("SG", "OH", "ZL", "ZK"))) %>% - mutate(indeling = factor(indeling, levels = levels_indeling), - scheldezone = factor(scheldezone, levels = levels_scheldezone), - scheldezone = recode_factor(scheldezone, !!!levels_scheldezone_full), - soort = factor(soort, - levels = unique(soort) %>% - sort() %>% - setdiff("rest") %>% - c(., "rest"))) %>% - left_join(gemiddeld_diversiteit_EMSE) - -data_split <- - relatieve_aantallen_EMSE %>% - filter(str_detect(salgroep, "mari")) %>% - group_by(indeling) %>% - nest() - -data_split <- - data_split %>% - mutate(legend = - map2(indeling, data, - function(ind, dat) { - pal_split <- - my_pal_wes[names(my_pal_wes) %in% unique(dat$soort)] - plt <- - dat %>% - ggplot(aes(jaar, relatief_aantal*N, fill = soort)) + - geom_col(position = position_stack(), - width = 0.7, - alpha = 0.9) + - scale_x_continuous(breaks = - seq(ifelse(vroegste_jaar %% 2 == 0, vroegste_jaar, vroegste_jaar + 1), laatste_jaar, 2)) + - scale_fill_manual(values = pal_split) + - labs(y = "aantal soorten", - fill = ind) + - guides(fill=guide_legend(nrow=4)) + - theme(legend.justification = c(0,1), - legend.box.background = element_rect(fill = 'transparent', colour = NA_character_)) - plt %>% - get_legend() - })) - -ggp_all <- - relatieve_aantallen_EMSE %>% - filter(str_detect(salgroep, "mari")) %>% - ggplot(aes(jaar, relatief_aantal*N, fill = soort, color = soort)) + - geom_col(width = 0.7, - alpha = 0.9, - size = 0.1) + - scale_x_continuous(breaks = seq(ifelse(vroegste_jaar %% 2 == 0, vroegste_jaar, vroegste_jaar + 1), laatste_jaar, 2)) + - scale_fill_manual(values = my_pal_wes) + - scale_color_manual(values = my_pal_wes) + - labs(title = "estuariene soorten en mariene migranten", - y = "aantal soorten") + - facet_grid(indeling ~ scheldezone, scales = "free_y") + - theme(legend.position = "none", - axis.text = element_text(size = 8)) - - -plot_grid(ggp_all, - NULL, - plot_grid(NULL, - plot_grid(plotlist = data_split$legend[sort.list(data_split$indeling)], - align = "h", ncol = 1), - NULL, - ncol = 1, rel_heights = c(0.1,1,0.05)), - ncol = 3, rel_widths = c(1.4,0.05,0.6)) - -# ggsave(paste0(pad_figuren, "relatieve_aantallen_EMSE_marien.jpg"), width = 14, height = 7, bg = "white") - - -data_split <- - relatieve_aantallen_EMSE %>% - filter(str_detect(salgroep, "diadr")) %>% - group_by(indeling) %>% - nest() - -data_split <- - data_split %>% - mutate(legend = - map2(indeling, data, - function(ind, dat) { - pal_split <- - my_pal_wes[names(my_pal_wes) %in% unique(dat$soort)] - plt <- - dat %>% - ggplot(aes(jaar, relatief_aantal*N, fill = soort)) + - geom_col(position = position_stack(), - width = 0.7, - alpha = 0.9) + - scale_x_continuous(breaks = - seq(ifelse(vroegste_jaar %% 2 == 0, vroegste_jaar, vroegste_jaar + 1), laatste_jaar, 2)) + - scale_fill_manual(values = pal_split) + - labs(y = "aantal soorten", - fill = ind) + - guides(fill=guide_legend(nrow=4)) + - theme(legend.justification = c(0,1), - legend.box.background = element_rect(fill = 'transparent', colour = NA_character_)) - plt %>% - get_legend() - })) - -ggp_all <- - relatieve_aantallen_EMSE %>% - filter(str_detect(salgroep, "diadr")) %>% - ggplot(aes(jaar, relatief_aantal*N, fill = soort, color = soort)) + - geom_col(width = 0.7, - alpha = 0.9, - size = 0.1) + - scale_x_continuous(breaks = seq(ifelse(vroegste_jaar %% 2 == 0, vroegste_jaar, vroegste_jaar + 1), laatste_jaar, 2)) + - # scale_y_log10() + - # scale_fill_brewer(palette = "Paired") + - scale_fill_manual(values = my_pal_wes) + - scale_color_manual(values = my_pal_wes) + - labs(title = "diadrome soorten", - y = "aantal soorten") + - facet_grid(indeling ~ scheldezone, scales = "free_y") + - theme(legend.position = "none", - axis.text = element_text(size = 8)) - - -plot_grid(ggp_all, - NULL, - plot_grid(NULL, - plot_grid(plotlist = data_split$legend[sort.list(data_split$indeling)], - align = "h", ncol = 1), - NULL, - ncol = 1, rel_heights = c(0.1,1,0.05)), - ncol = 3, rel_widths = c(1.4,0.05,0.6)) - -# ggsave(paste0(pad_figuren, "relatieve_aantallen_EMSE_diadroom.jpg"), width = 14, height = 7, bg = "white") - - -data_split <- - relatieve_aantallen_EMSE %>% - filter(str_detect(salgroep, "zoet")) %>% - group_by(indeling) %>% - nest() - -data_split <- - data_split %>% - mutate(legend = - map2(indeling, data, - function(ind, dat) { - pal_split <- - my_pal_wes[names(my_pal_wes) %in% unique(dat$soort)] - plt <- - dat %>% - ggplot(aes(jaar, relatief_aantal*N, fill = soort)) + - geom_col(position = position_stack(), - width = 0.7, - alpha = 0.9) + - scale_x_continuous(breaks = - seq(ifelse(vroegste_jaar %% 2 == 0, vroegste_jaar, vroegste_jaar + 1), laatste_jaar, 2)) + - scale_fill_manual(values = pal_split) + - labs(y = "aantal soorten", - fill = ind) + - guides(fill=guide_legend(nrow=4)) + - theme(legend.justification = c(0,1), - legend.box.background = element_rect(fill = 'transparent', colour = NA_character_)) - plt %>% - get_legend() - })) - -ggp_all <- - relatieve_aantallen_EMSE %>% - filter(str_detect(salgroep, "zoet")) %>% - ggplot(aes(jaar, relatief_aantal*N, fill = soort, color = soort)) + - geom_col(width = 0.7, - alpha = 0.9, - size = 0.1) + - scale_x_continuous(breaks = seq(ifelse(vroegste_jaar %% 2 == 0, vroegste_jaar, vroegste_jaar + 1), laatste_jaar, 2)) + - # scale_y_log10() + - # scale_fill_brewer(palette = "Paired") + - scale_fill_manual(values = my_pal_wes) + - scale_color_manual(values = my_pal_wes) + - labs(title = "zoetwater soorten", - y = "aantal soorten") + - facet_grid(indeling ~ scheldezone, scales = "free_y") + - theme(legend.position = "none", - axis.text = element_text(size = 8)) - - -plot_grid(ggp_all, - NULL, - plot_grid(NULL, - plot_grid(plotlist = data_split$legend[sort.list(data_split$indeling)], - align = "h", ncol = 1), - NULL, - ncol = 1, rel_heights = c(0.1,1,0.05)), - ncol = 3, rel_widths = c(1.4,0.05,0.6)) - -# ggsave(paste0(pad_figuren, "relatieve_aantallen_EMSE_zoet.jpg"), width = 14, height = 7, bg = "white") - -``` - - ```{r relatie soortaantallen vs totale aantallen} relatieve_aantallen_EMSE <- @@ -1564,7 +1023,7 @@ data_split <- alpha = 0.9) + scale_x_continuous(breaks = seq(ifelse(vroegste_jaar %% 2 == 0, vroegste_jaar, vroegste_jaar + 1), laatste_jaar, 2)) + - scale_fill_manual(values = pal_split) + + scale_fill_manual(values = pal_split, na.translate = F) + labs(y = get_lab_aantal(), fill = ind) + guides(fill=guide_legend(nrow=4)) + @@ -1623,7 +1082,7 @@ data_split <- alpha = 0.9) + scale_x_continuous(breaks = seq(ifelse(vroegste_jaar %% 2 == 0, vroegste_jaar, vroegste_jaar + 1), laatste_jaar, 2)) + - scale_fill_manual(values = pal_split) + + scale_fill_manual(values = pal_split, na.translate = F) + labs(y = get_lab_aantal(), fill = ind) + guides(fill=guide_legend(nrow=4)) + @@ -1682,7 +1141,7 @@ data_split <- alpha = 0.9) + scale_x_continuous(breaks = seq(ifelse(vroegste_jaar %% 2 == 0, vroegste_jaar, vroegste_jaar + 1), laatste_jaar, 2)) + - scale_fill_manual(values = pal_split) + + scale_fill_manual(values = pal_split, na.translate = F) + labs(y = get_lab_aantal(), fill = ind) + guides(fill=guide_legend(nrow=4)) + @@ -1745,7 +1204,7 @@ data_split <- alpha = 0.9) + scale_x_continuous(breaks = seq(ifelse(vroegste_jaar %% 2 == 0, vroegste_jaar, vroegste_jaar + 1), laatste_jaar, 2)) + - scale_fill_manual(values = pal_split) + + scale_fill_manual(values = pal_split, na.translate = F) + labs(y = get_lab_gewicht(), fill = ind) + guides(fill=guide_legend(nrow=4)) + @@ -1807,7 +1266,7 @@ data_split <- alpha = 0.9) + scale_x_continuous(breaks = seq(ifelse(vroegste_jaar %% 2 == 0, vroegste_jaar, vroegste_jaar + 1), laatste_jaar, 2)) + - scale_fill_manual(values = pal_split) + + scale_fill_manual(values = pal_split, na.translate = F) + labs(y = get_lab_gewicht(), fill = ind) + guides(fill=guide_legend(nrow=4)) + @@ -1867,7 +1326,7 @@ data_split <- alpha = 0.9) + scale_x_continuous(breaks = seq(ifelse(vroegste_jaar %% 2 == 0, vroegste_jaar, vroegste_jaar + 1), laatste_jaar, 2)) + - scale_fill_manual(values = pal_split) + + scale_fill_manual(values = pal_split, na.translate = F) + labs(y = get_lab_gewicht(), fill = ind) + guides(fill=guide_legend(nrow=4)) + @@ -2008,7 +1467,7 @@ ggsave(paste0(pad_figuren, "aantallen_sleutelsoorten_EMSE_zoet.jpg"), width = 6, ``` -```{r sleutelsoorten biomassa, eval=FALSE} +```{r sleutelsoorten biomassa} data_sleutelsoorten_EMSE %>% filter(str_detect(salgroep, "mari")) %>% @@ -2133,7 +1592,7 @@ data_split <- alpha = 0.9) + scale_x_continuous(breaks = seq(ifelse(vroegste_jaar %% 2 == 0, vroegste_jaar, vroegste_jaar + 1), laatste_jaar, 2)) + - scale_fill_manual(values = pal_split) + + scale_fill_manual(values = pal_split, na.translate = F) + labs(y = get_lab_aantal(), fill = ind) + guides(fill=guide_legend(nrow=6)) + @@ -2273,7 +1732,7 @@ data_split <- alpha = 0.9) + scale_x_continuous(breaks = seq(ifelse(vroegste_jaar %% 2 == 0, vroegste_jaar, vroegste_jaar + 1), laatste_jaar, 2)) + - scale_fill_manual(values = pal_split) + + scale_fill_manual(values = pal_split, na.translate = F) + labs(y = get_lab_aantal(), fill = ind) + guides(fill=guide_legend(nrow=5)) + diff --git a/moneos_2024/090_vissen/41_moneos_analyse_ankerkuil_EMSE.Rmd b/moneos_2024/090_vissen/41_moneos_analyse_ankerkuil_EMSE.Rmd index 6dcf63b..d02d30d 100644 --- a/moneos_2024/090_vissen/41_moneos_analyse_ankerkuil_EMSE.Rmd +++ b/moneos_2024/090_vissen/41_moneos_analyse_ankerkuil_EMSE.Rmd @@ -162,7 +162,7 @@ data_ankerkuil <- filter(anyN) %>% select(-anyN) %>% left_join(soortenlijst %>% - select(-opmerking)) + select(-inEMSE, -fuiken, -ankerkuil, -opmerking)) ``` @@ -255,6 +255,7 @@ data_ankerkuil <- ```{r kleurcodes soorten} load(file = str_c(pad_data, "soorten_kleur.RData")) +# load(file = str_c("G:/.shortcut-targets-by-id/0B0xcP-eNvJ9dUVZJLVE1U2RobWs/INBODATA/PROJECTEN/PRJ_SCHELDE/VNSC/Rapportage_INBO/2023/090_vissen/data/", "soorten_kleur.RData")) # set.seed(58) # set.seed(61) @@ -390,6 +391,18 @@ indeling_EMSE_missing <- ``` + +```{r exclusie soorten} + +soorten_niet_in_aantal <- + c("grondel sp", "haringachtigen") + +soorten_niet_in_funcgroep <- + c("grondel sp") + +``` + + #### relatie aantal - gewicht ```{r relatie-aantal-gewicht, eval = FALSE} @@ -417,24 +430,24 @@ data_ankerkuil %>% aantal_soorten_seizoen_locatie <- data_ankerkuil %>% - filter(soort != "haringachtigen") %>% + filter(!(soort %in% soorten_niet_in_aantal)) %>% filter(aantal > 0) %>% distinct(jaar, seizoen, locatie, soort) %>% count(jaar, seizoen, locatie, name = "soorten") %>% bind_rows(data_ankerkuil %>% - filter(soort != "haringachtigen") %>% + filter(!(soort %in% soorten_niet_in_aantal)) %>% filter(aantal > 0) %>% distinct(jaar, locatie, soort) %>% count(jaar, locatie, name = "soorten") %>% mutate(seizoen = "totaal over seizoenen")) %>% bind_rows(data_ankerkuil %>% - filter(soort != "haringachtigen") %>% + filter(!(soort %in% soorten_niet_in_aantal)) %>% filter(aantal > 0) %>% distinct(jaar, seizoen, soort) %>% count(jaar, seizoen, name = "soorten") %>% mutate(locatie = "totaal over locaties")) %>% bind_rows(data_ankerkuil %>% - filter(soort != "haringachtigen") %>% + filter(!(soort %in% soorten_niet_in_aantal)) %>% filter(aantal > 0) %>% distinct(jaar, soort) %>% count(jaar, name = "soorten") %>% @@ -454,8 +467,7 @@ aantal_soorten_seizoen_locatie %>% position = position_dodge(width = 0.8), size = 3, color = "steelblue4") + scale_x_continuous(breaks = seq(ifelse(vroegste_jaar%%2 == 0, vroegste_jaar, vroegste_jaar+1), laatste_jaar, 2)) + - # labs(fill = "jaar", - # color = "jaar") + + labs(y = "aantal soorten") + # guides(fill="none", # color = "none") + facet_grid(seizoen ~ locatie) + @@ -466,7 +478,7 @@ ggsave(paste0(pad_figuren, "aantal_soorten_seizoen_locatie.jpg"), width = 10, he aantal_soorten_seizoen <- data_ankerkuil %>% - filter(soort != "haringachtigen") %>% + filter(!(soort %in% soorten_niet_in_aantal)) %>% filter(aantal > 0) %>% distinct(jaar, seizoen, locatie, soort) %>% count(jaar, seizoen, locatie, name = "soorten") %>% @@ -474,7 +486,7 @@ aantal_soorten_seizoen <- summarise(soorten = round(mean(soorten))) %>% ungroup() %>% bind_rows(data_ankerkuil %>% - filter(soort != "haringachtigen") %>% + filter(!(soort %in% soorten_niet_in_aantal)) %>% filter(aantal > 0) %>% distinct(jaar, locatie, soort) %>% count(jaar, locatie, name = "soorten") %>% @@ -492,7 +504,8 @@ aantal_soorten_seizoen %>% geom_text(aes(y = soorten + 1, label = soorten), position = position_dodge(width = 0.8), size = 2, color = "steelblue4") + - labs(fill = "jaar", + labs(y = "aantal soorten", + fill = "jaar", color = "jaar") ggsave(paste0(pad_figuren, "aantal_soorten_seizoen.jpg"), width = 10, height = 5) @@ -500,7 +513,7 @@ ggsave(paste0(pad_figuren, "aantal_soorten_seizoen.jpg"), width = 10, height = 5 aantal_soorten_locatie <- data_ankerkuil %>% - filter(soort != "haringachtigen") %>% + filter(!(soort %in% soorten_niet_in_aantal)) %>% filter(aantal > 0) %>% distinct(jaar, seizoen, locatie, soort) %>% count(jaar, seizoen, locatie, name = "soorten") %>% @@ -508,12 +521,12 @@ aantal_soorten_locatie <- summarise(soorten_gem = round(mean(soorten))) %>% ungroup() %>% left_join(data_ankerkuil %>% - filter(soort != "haringachtigen") %>% + filter(!(soort %in% soorten_niet_in_aantal)) %>% filter(aantal > 0) %>% distinct(jaar, locatie, soort) %>% count(jaar, locatie, name = "soorten_tot")) %>% bind_rows(data_ankerkuil %>% - filter(soort != "haringachtigen") %>% + filter(!(soort %in% soorten_niet_in_aantal)) %>% filter(aantal > 0) %>% distinct(jaar, seizoen, soort) %>% count(jaar, seizoen, name = "soorten") %>% @@ -522,7 +535,7 @@ aantal_soorten_locatie <- ungroup() %>% mutate(locatie = "totaal over locaties") %>% left_join(data_ankerkuil %>% - filter(soort != "haringachtigen") %>% + filter(!(soort %in% soorten_niet_in_aantal)) %>% filter(aantal > 0) %>% distinct(jaar, soort) %>% count(jaar, name = "soorten_tot") %>% @@ -542,7 +555,8 @@ aantal_soorten_locatie %>% geom_text(aes(y = soorten_tot + 1, label = soorten_tot), position = position_dodge(width = 0.8), size = 2, color = "steelblue4", fontface = "bold") + - labs(fill = "jaar", + labs(y = "aantal soorten", + fill = "jaar", color = "jaar") ggsave(paste0(pad_figuren, "aantal_soorten_locatie.jpg"), width = 12, height = 5) @@ -550,7 +564,7 @@ ggsave(paste0(pad_figuren, "aantal_soorten_locatie.jpg"), width = 12, height = 5 aantal_soorten_totaal <- data_ankerkuil %>% - filter(soort != "haringachtigen") %>% + filter(!(soort %in% soorten_niet_in_aantal)) %>% filter(aantal > 0) %>% distinct(jaar, soort) %>% count(jaar, name = "soorten") @@ -566,8 +580,7 @@ aantal_soorten_totaal %>% position = position_dodge(width = 0.8), size = 3, color = "steelblue4") + scale_x_continuous(breaks = seq(ifelse(vroegste_jaar%%2 == 0, vroegste_jaar, vroegste_jaar+1), laatste_jaar, 2)) + - # labs(fill = "jaar", - # color = "jaar") + + labs(y = "aantal soorten") + guides(fill="none", color = "none") @@ -603,27 +616,27 @@ sheets_figuren[["aantal_soorten_totaal"]] <- tabel_aantal_soorten <- data_ankerkuil %>% - filter(soort != "haringachtigen") %>% + filter(!(soort %in% soorten_niet_in_aantal)) %>% filter(jaar == laatste_jaar, aantal > 0) %>% distinct(seizoen, locatie, soort) %>% count(seizoen, locatie, name = "soorten") %>% bind_rows(data_ankerkuil %>% - filter(soort != "haringachtigen") %>% + filter(!(soort %in% soorten_niet_in_aantal)) %>% filter(jaar == laatste_jaar, aantal > 0) %>% distinct(locatie, soort) %>% count(locatie, name = "soorten") %>% mutate(seizoen = "totaal over seizoenen")) %>% bind_rows(data_ankerkuil %>% - filter(soort != "haringachtigen") %>% + filter(!(soort %in% soorten_niet_in_aantal)) %>% filter(jaar == laatste_jaar, aantal > 0) %>% distinct(seizoen, soort) %>% count(seizoen, name = "soorten") %>% mutate(locatie = "totaal over locaties")) %>% bind_rows(data_ankerkuil %>% - filter(soort != "haringachtigen") %>% + filter(!(soort %in% soorten_niet_in_aantal)) %>% filter(jaar == laatste_jaar, aantal > 0) %>% distinct(soort) %>% @@ -638,7 +651,7 @@ tabel_aantal_soorten <- knitr::kable(tabel_aantal_soorten) sheets[["aantal_soorten"]] <- tabel_aantal_soorten - + ``` @@ -648,7 +661,7 @@ sheets[["aantal_soorten"]] <- tabel_aantal_soorten tabel_gevangen_soorten <- data_ankerkuil %>% - filter(soort != "haringachtigen") %>% + filter(!(soort %in% soorten_niet_in_aantal)) %>% filter(jaar == laatste_jaar, aantal > 0) %>% mutate(seizoen_locatie = factor(paste(seizoen, locatie, sep = "_"), @@ -674,7 +687,7 @@ sheets[["gevangen_soorten"]] <- tabel_gevangen_soorten (soorten_historisch <- data_ankerkuil %>% - filter(soort != "haringachtigen") %>% + filter(!(soort %in% soorten_niet_in_aantal)) %>% filter(jaar != laatste_jaar, aantal > 0) %>% distinct(soort) %>% @@ -683,7 +696,7 @@ sheets[["gevangen_soorten"]] <- tabel_gevangen_soorten (soorten_recent <- data_ankerkuil %>% - filter(soort != "haringachtigen") %>% + filter(!(soort %in% soorten_niet_in_aantal)) %>% filter(jaar == laatste_jaar, aantal > 0) %>% distinct(soort) %>% @@ -695,7 +708,7 @@ sheets[["gevangen_soorten"]] <- tabel_gevangen_soorten data_soorten_nieuw <- data_ankerkuil %>% - filter(soort != "haringachtigen") %>% + filter(!(soort %in% soorten_niet_in_aantal)) %>% left_join(locatie_scheldezone) %>% filter(jaar == laatste_jaar, aantal > 0, @@ -715,6 +728,7 @@ sheets[["nieuwe_soorten"]] <- ``` + #### relatief aantal gevangen individuen ```{r relatief-aantal-gevangen-individuen, fig.height=6, fig.width=6} @@ -758,10 +772,11 @@ the_pal <- relatief_aantal_laatste_jaar %>% mutate(aantal = if_else(aantal == 0, NA_real_, aantal)) %>% ggplot(aes(x ="", y = aantal, fill = soort)) + - geom_col(position = "fill") + + geom_col(position = "fill", color = "gray60") + # geom_text(aes(label = soort), # size = 3) + geom_text(aes(label = aantal, size = aantal), + color = "grey60", position = position_fill(vjust = 0.5), show.legend = FALSE) + coord_polar("y", start=0) + @@ -823,10 +838,11 @@ the_pal <- relatief_gewicht_laatste_jaar %>% mutate(gewicht = if_else(gewicht == 0, NA_real_, gewicht)) %>% ggplot(aes(x ="", y = gewicht, fill = soort)) + - geom_col(position = "fill") + + geom_col(position = "fill", color = "gray60") + # geom_text(aes(label = soort), # size = 3) + geom_text(aes(label = gewicht, size = gewicht), + color = "grey60", position = position_fill(vjust = 0.5), show.legend = FALSE) + coord_polar("y", start=0) + @@ -862,54 +878,6 @@ sheets_figuren[["relatief_gewicht_laatste_jaar"]] <- ``` -#### aantallen EMSE - -```{r aantallen EMSE, eval=FALSE} - -gemiddeld_aantal_EMSE <- - data_ankerkuil %>% - left_join(locatie_scheldezone) %>% - filter(in_indeling) %>% - group_by(jaar, scheldezone, seizoen, locatie, salgroep, dieet, indeling) %>% - summarise(aantal_per_kub = sum(aantal_per_kub)) %>% - ungroup() %>% - group_by(jaar, scheldezone, salgroep, dieet, indeling) %>% - summarise(aantal_per_kub = mean(aantal_per_kub)) %>% - ungroup() %>% - add_row(indeling_EMSE_missing %>% - expand_grid(jaar = vroegste_jaar:laatste_jaar, - scheldezone = unique(locatie_scheldezone$scheldezone))) %>% - mutate(indeling = factor(indeling, levels = levels_indeling), - scheldezone = factor(scheldezone, levels = levels_scheldezone), - scheldezone = recode_factor(scheldezone, !!!levels_scheldezone_full)) - -``` - - -#### gewicht EMSE - -```{r gewicht EMSE, eval=FALSE} - -gemiddeld_gewicht_EMSE <- - data_ankerkuil %>% - left_join(locatie_scheldezone) %>% - filter(in_indeling) %>% - group_by(jaar, scheldezone, seizoen, locatie, salgroep, dieet, indeling) %>% - summarise(gewicht_per_kub = sum(gewicht_per_kub)) %>% - ungroup() %>% - group_by(jaar, scheldezone, salgroep, dieet, indeling) %>% - summarise(gewicht_per_kub = mean(gewicht_per_kub)) %>% - ungroup() %>% - add_row(indeling_EMSE_missing %>% - expand_grid(jaar = vroegste_jaar:laatste_jaar, - scheldezone = unique(locatie_scheldezone$scheldezone))) %>% - mutate(indeling = factor(indeling, levels = levels_indeling), - scheldezone = factor(scheldezone, levels = levels_scheldezone), - scheldezone = recode_factor(scheldezone, !!!levels_scheldezone_full)) - -``` - - #### diversiteit EMSE ```{r diversiteit EMSE} @@ -917,7 +885,7 @@ gemiddeld_gewicht_EMSE <- gemiddeld_diversiteit_EMSE <- data_ankerkuil %>% left_join(locatie_scheldezone) %>% - filter(soort != "haringachtigen") %>% + filter(!(soort %in% soorten_niet_in_aantal)) %>% filter(in_indeling) %>% filter(aantal > 0) %>% group_by(jaar, scheldezone, soort, salgroep, dieet, indeling) %>% @@ -1056,45 +1024,6 @@ relatieve_aantallen_EMSE <- c(., "rest"))) -# relatieve_aantallen_EMSE <- -# data_ankerkuil %>% -# left_join(locatie_scheldezone) %>% -# filter(in_indeling) %>% -# filter(aantal > 0) %>% -# group_by(jaar, scheldezone, soort, salgroep, dieet, indeling) %>% -# summarise(aantal_per_kub = mean(aantal_per_kub), -# gewicht_per_kub = mean(gewicht_per_kub)) %>% -# ungroup() %>% -# group_by(jaar, scheldezone, salgroep, dieet, indeling) %>% -# mutate(relatief_aantal = aantal_per_kub/sum(aantal_per_kub), -# relatief_gewicht = gewicht_per_kub/sum(gewicht_per_kub)) %>% -# mutate(max_aantal = relatief_aantal >= prop_lim, -# max_gewicht = relatief_gewicht >= prop_lim) %>% -# ungroup() %>% -# group_by(soort) %>% -# mutate(soort = ifelse(any(max_aantal) | any(max_gewicht), soort, "rest")) %>% -# # mutate(soort = ifelse(any(max_aantal), soort, "rest")) %>% -# ungroup() %>% -# group_by(jaar, scheldezone, salgroep, dieet, indeling) %>% -# mutate(relatief_aantal = relatief_aantal/sum(relatief_aantal), -# relatief_gewicht = relatief_gewicht/sum(relatief_gewicht)) %>% -# ungroup() %>% -# add_row(indeling_EMSE_missing %>% -# expand_grid(jaar = vroegste_jaar:laatste_jaar, -# scheldezone = unique(locatie_scheldezone$scheldezone))) %>% -# mutate(indeling = factor(indeling, levels = levels_indeling), -# scheldezone = factor(scheldezone, levels = levels_scheldezone), -# scheldezone = recode_factor(scheldezone, !!!levels_scheldezone_full), -# soort = factor(soort, -# levels = unique(soort) %>% -# sort() %>% -# setdiff("rest") %>% -# c(., "rest"))) %>% -# select(-aantal_per_kub, -gewicht_per_kub) %>% -# left_join(gemiddeld_aantal_EMSE) %>% -# mutate(aantal_per_kub = relatief_aantal*aantal_per_kub) - - data_split <- relatieve_aantallen_EMSE %>% filter(str_detect(salgroep, "mari")) %>% @@ -1116,7 +1045,7 @@ data_split <- alpha = 0.9) + scale_x_continuous(breaks = seq(ifelse(vroegste_jaar %% 2 == 0, vroegste_jaar, vroegste_jaar + 1), laatste_jaar, 2)) + - scale_fill_manual(values = pal_split) + + scale_fill_manual(values = pal_split, na.translate = F) + labs(y = get_lab_aantal(), fill = ind) + guides(fill=guide_legend(nrow=4)) + @@ -1175,7 +1104,7 @@ data_split <- alpha = 0.9) + scale_x_continuous(breaks = seq(ifelse(vroegste_jaar %% 2 == 0, vroegste_jaar, vroegste_jaar + 1), laatste_jaar, 2)) + - scale_fill_manual(values = pal_split) + + scale_fill_manual(values = pal_split, na.translate = F) + labs(y = get_lab_aantal(), fill = ind) + guides(fill=guide_legend(nrow=4)) + @@ -1209,7 +1138,7 @@ plot_grid(ggp_all, NULL, ncol = 1, rel_heights = c(0.1,1,0.05)), ncol = 3, rel_widths = c(1.4,0.05,0.6)) - + ggsave(paste0(pad_figuren, "relatieve_aantallen_tot_aantal_EMSE_diadroom.jpg"), width = 14, height = 7, bg = "white") @@ -1234,7 +1163,7 @@ data_split <- alpha = 0.9) + scale_x_continuous(breaks = seq(ifelse(vroegste_jaar %% 2 == 0, vroegste_jaar, vroegste_jaar + 1), laatste_jaar, 2)) + - scale_fill_manual(values = pal_split) + + scale_fill_manual(values = pal_split, na.translate = F) + labs(y = get_lab_aantal(), fill = ind) + guides(fill=guide_legend(nrow=4)) + @@ -1297,7 +1226,7 @@ data_split <- alpha = 0.9) + scale_x_continuous(breaks = seq(ifelse(vroegste_jaar %% 2 == 0, vroegste_jaar, vroegste_jaar + 1), laatste_jaar, 2)) + - scale_fill_manual(values = pal_split) + + scale_fill_manual(values = pal_split, na.translate = F) + labs(y = get_lab_gewicht(), fill = ind) + guides(fill=guide_legend(nrow=4)) + @@ -1359,7 +1288,7 @@ data_split <- alpha = 0.9) + scale_x_continuous(breaks = seq(ifelse(vroegste_jaar %% 2 == 0, vroegste_jaar, vroegste_jaar + 1), laatste_jaar, 2)) + - scale_fill_manual(values = pal_split) + + scale_fill_manual(values = pal_split, na.translate = F) + labs(y = get_lab_gewicht(), fill = ind) + guides(fill=guide_legend(nrow=4)) + @@ -1419,7 +1348,7 @@ data_split <- alpha = 0.9) + scale_x_continuous(breaks = seq(ifelse(vroegste_jaar %% 2 == 0, vroegste_jaar, vroegste_jaar + 1), laatste_jaar, 2)) + - scale_fill_manual(values = pal_split) + + scale_fill_manual(values = pal_split, na.translate = F) + labs(y = get_lab_gewicht(), fill = ind) + guides(fill=guide_legend(nrow=4)) + @@ -1564,59 +1493,6 @@ ggsave(paste0(pad_figuren, "aantallen_sleutelsoorten_EMSE_zoet.jpg"), width = 6, ```{r aantallen en biomassa per salgroep} - -# gemiddeld_aantal_salgroep <- -# data_ankerkuil %>% -# left_join(locatie_scheldezone) %>% -# group_by(jaar, scheldezone, seizoen, locatie, salgroep) %>% -# summarise(aantal_per_kub = sum(aantal_per_kub), -# gewicht_per_kub = sum(gewicht_per_kub)) %>% -# ungroup() %>% -# group_by(jaar, scheldezone, salgroep) %>% -# summarise(aantal_per_kub = mean(aantal_per_kub), -# gewicht_per_kub = mean(gewicht_per_kub)) %>% -# ungroup() %>% -# mutate(scheldezone = factor(scheldezone, levels = levels_scheldezone), -# scheldezone = recode_factor(scheldezone, !!!levels_scheldezone_full)) - -# relatieve_aantallen_salgroep <- -# data_ankerkuil %>% -# left_join(locatie_scheldezone) %>% -# filter(aantal > 0) %>% -# group_by(jaar, scheldezone, soort, salgroep) %>% -# summarise(aantal_per_kub = mean(aantal_per_kub), -# gewicht_per_kub = mean(gewicht_per_kub)) %>% -# ungroup() %>% -# group_by(jaar, scheldezone, salgroep) %>% -# mutate(relatief_aantal = aantal_per_kub/sum(aantal_per_kub), -# relatief_gewicht = gewicht_per_kub/sum(gewicht_per_kub)) %>% -# # mutate(max_aantal = relatief_aantal == max(relatief_aantal), -# # max_gewicht = relatief_gewicht == max(relatief_gewicht)) %>% -# mutate(max_aantal = relatief_aantal >= prop_lim, -# max_gewicht = relatief_gewicht >= prop_lim) %>% -# ungroup() %>% -# group_by(soort) %>% -# mutate(soort = ifelse(any(max_aantal) | any(max_gewicht), soort, "rest")) %>% -# # mutate(soort = ifelse(any(max_aantal), soort, "rest")) %>% -# ungroup() %>% -# # mutate(soort = if_else(max_aantal | max_gewicht, soort, "rest")) %>% -# group_by(jaar, scheldezone, salgroep) %>% -# mutate(relatief_aantal2 = relatief_aantal/sum(relatief_aantal), -# relatief_gewicht2 = relatief_gewicht/sum(relatief_gewicht)) %>% -# ungroup() %>% -# mutate(scheldezone = factor(scheldezone, levels = levels_scheldezone), -# scheldezone = recode_factor(scheldezone, !!!levels_scheldezone_full), -# soort = factor(soort, -# levels = unique(soort) %>% -# sort() %>% -# setdiff("rest") %>% -# c(., "rest"))) %>% -# select(-aantal_per_kub, -gewicht_per_kub) %>% -# left_join(gemiddeld_aantal_salgroep) %>% -# mutate(aantal_per_kub = relatief_aantal*aantal_per_kub, -# gewicht_per_kub = relatief_gewicht*gewicht_per_kub) %>% -# mutate(salgroep = factor(salgroep, levels = c("mariene en estuariene soorten", "diadrome soorten", "zoetwatersoorten"))) - relatieve_aantallen_salgroep <- data_ankerkuil %>% left_join(locatie_scheldezone) %>% @@ -1676,7 +1552,7 @@ data_split <- alpha = 0.9) + scale_x_continuous(breaks = seq(ifelse(vroegste_jaar %% 2 == 0, vroegste_jaar, vroegste_jaar + 1), laatste_jaar, 2)) + - scale_fill_manual(values = pal_split) + + scale_fill_manual(values = pal_split, na.translate = F) + labs(y = get_lab_aantal(), fill = ind) + guides(fill=guide_legend(nrow=5)) + @@ -1759,61 +1635,6 @@ ggsave(paste0(pad_figuren, "EMSE_alternatief/relatieve_biomassa_tot_biomassa_sal ```{r aantallen en biomassa per dieet} -# gemiddeld_aantal_dieet <- -# data_ankerkuil %>% -# left_join(locatie_scheldezone) %>% -# filter(!is.na(dieet)) %>% -# group_by(jaar, scheldezone, seizoen, locatie, dieet) %>% -# summarise(aantal_per_kub = sum(aantal_per_kub), -# gewicht_per_kub = sum(gewicht_per_kub)) %>% -# ungroup() %>% -# group_by(jaar, scheldezone, dieet) %>% -# summarise(aantal_per_kub = mean(aantal_per_kub), -# gewicht_per_kub = mean(gewicht_per_kub)) %>% -# ungroup() %>% -# mutate(scheldezone = factor(scheldezone, levels = levels_scheldezone), -# scheldezone = recode_factor(scheldezone, !!!levels_scheldezone_full)) -# -# -# relatieve_aantallen_dieet <- -# data_ankerkuil %>% -# left_join(locatie_scheldezone) %>% -# filter(aantal > 0, -# !is.na(dieet)) %>% -# group_by(jaar, scheldezone, soort, dieet) %>% -# summarise(aantal_per_kub = mean(aantal_per_kub), -# gewicht_per_kub = mean(gewicht_per_kub)) %>% -# ungroup() %>% -# group_by(jaar, scheldezone, dieet) %>% -# mutate(relatief_aantal = aantal_per_kub/sum(aantal_per_kub), -# relatief_gewicht = gewicht_per_kub/sum(gewicht_per_kub)) %>% -# # mutate(max_aantal = relatief_aantal == max(relatief_aantal), -# # max_gewicht = relatief_gewicht == max(relatief_gewicht)) %>% -# mutate(max_aantal = relatief_aantal >= prop_lim, -# max_gewicht = relatief_gewicht >= prop_lim) %>% -# ungroup() %>% -# group_by(soort) %>% -# mutate(soort = ifelse(any(max_aantal) | any(max_gewicht), soort, "rest")) %>% -# # mutate(soort = ifelse(any(max_aantal), soort, "rest")) %>% -# ungroup() %>% -# # mutate(soort = if_else(max_aantal | max_gewicht, soort, "rest")) %>% -# group_by(jaar, scheldezone, dieet) %>% -# mutate(relatief_aantal = relatief_aantal/sum(relatief_aantal), -# relatief_gewicht = relatief_gewicht/sum(relatief_gewicht)) %>% -# ungroup() %>% -# mutate(scheldezone = factor(scheldezone, levels = levels_scheldezone), -# scheldezone = recode_factor(scheldezone, !!!levels_scheldezone_full), -# soort = factor(soort, -# levels = unique(soort) %>% -# sort() %>% -# setdiff("rest") %>% -# c(., "rest"))) %>% -# select(-aantal_per_kub, -gewicht_per_kub) %>% -# left_join(gemiddeld_aantal_dieet) %>% -# mutate(aantal_per_kub = relatief_aantal*aantal_per_kub, -# gewicht_per_kub = relatief_gewicht*gewicht_per_kub) %>% -# mutate(dieet = factor(dieet, levels = c("benthivoren", "omnivoren", "piscivoren", "planktivoren"))) - relatieve_aantallen_dieet <- data_ankerkuil %>% left_join(locatie_scheldezone) %>% @@ -1873,7 +1694,7 @@ data_split <- alpha = 0.9) + scale_x_continuous(breaks = seq(ifelse(vroegste_jaar %% 2 == 0, vroegste_jaar, vroegste_jaar + 1), laatste_jaar, 2)) + - scale_fill_manual(values = pal_split) + + scale_fill_manual(values = pal_split, na.translate = F) + labs(y = get_lab_aantal(), fill = ind) + guides(fill=guide_legend(nrow=4)) + @@ -1961,7 +1782,7 @@ ggsave(paste0(pad_figuren, "EMSE_alternatief/relatieve_biomassa_tot_biomassa_die gemiddeld_diversiteit_salgroep <- data_ankerkuil %>% left_join(locatie_scheldezone) %>% - filter(soort != "haringachtigen") %>% + filter(!(soort %in% soorten_niet_in_aantal)) %>% filter(aantal > 0) %>% group_by(jaar, scheldezone, soort, salgroep) %>% summarise(aantal_per_kub = mean(aantal_per_kub)) %>% @@ -2010,7 +1831,7 @@ ggsave(paste0(pad_figuren, "EMSE_alternatief/diversiteit_S_D_salgroep.jpg"), wid gemiddeld_diversiteit_dieet <- data_ankerkuil %>% left_join(locatie_scheldezone) %>% - filter(soort != "haringachtigen") %>% + filter(!(soort %in% soorten_niet_in_aantal)) %>% filter(aantal > 0, !is.na(dieet)) %>% group_by(jaar, scheldezone, soort, dieet) %>% @@ -2100,14 +1921,14 @@ meta_data <- laatste_jaar = laatste_jaar, aantal_soorten = data_ankerkuil %>% - filter(soort != "haringachtigen") %>% + filter(!(soort %in% soorten_niet_in_aantal)) %>% filter(!is.na(aantal), aantal > 0) %>% distinct(soort) %>% nrow(), aantal_soorten_laatste_jaar = data_ankerkuil %>% - filter(soort != "haringachtigen") %>% + filter(!(soort %in% soorten_niet_in_aantal)) %>% filter(!is.na(aantal), aantal > 0, jaar == laatste_jaar) %>% diff --git a/moneos_2024/150_geintegreerd_rapport/090_vissen_inleiding_en_methode.Rmd b/moneos_2024/150_geintegreerd_rapport/090_vissen_inleiding_en_methode.Rmd new file mode 100644 index 0000000..25806b5 --- /dev/null +++ b/moneos_2024/150_geintegreerd_rapport/090_vissen_inleiding_en_methode.Rmd @@ -0,0 +1,313 @@ +```{r 090-hoofdstuk, include=FALSE} + +hoofdstuk <- "090_vissen" + +``` + +```{r 090-setup, include=FALSE} + +knitr::opts_chunk$set(echo = FALSE, error=FALSE, warning=FALSE, message=FALSE, cache=FALSE, fig.pos = "H") +knitr::opts_knit$set(eval.after = "fig.cap") + +``` + +```{r 090-libraries} + +library(tidyverse) +library(readxl) +library(kableExtra) +library(rprojroot) ## workaround pad + +conflicted::conflicts_prefer(dplyr::filter) + +``` + +```{r 090-pad} + +# inlezen van variabelen +# pad naar data : pad_data +# pad naar tabellen : pad_tabellen +# pad naar figuren : pad_figuren + +source(find_root_file("../pad.R", criterion = is_rstudio_project)) + +pad_data <- maak_pad(hoofdstuk, "data") +pad_figuren <- maak_pad(hoofdstuk, "figuren") +pad_tabellen <- maak_pad(hoofdstuk, "tabellen") + +``` + +```{r 090-table_from_figure-function} +figtab <- + function(label, image_file, caption=NULL) { + txt <- sprintf('\\begin{table}[H]\n\\caption{%s}\n\\label{tab:%s}\n\\includegraphics{%s}\n\\end{table}', + caption, + label, + image_file) + magick::image_read(image_file) %>% magick::image_ggplot() %>% print() + writeLines(txt) + } +``` + +```{r 090-meta-data} + +laatste_jaar <- 2022 + +soortenlijst <- + read_xlsx(str_c(pad_data, "soorten_Zeeschelde.xlsx"), + sheet = "EMSE") %>% + select(-inEMSE, -exoot, -opmerking) + +aantal_soorten <- + nrow(soortenlijst) + +aantal_soorten_fuiken <- + soortenlijst %>% + filter(!is.na(fuiken)) %>% + nrow() + +aantal_soorten_ankerkuil <- + soortenlijst %>% + filter(!is.na(ankerkuil)) %>% + nrow() + +aantal_soorten_beide <- + soortenlijst %>% + filter(!is.na(fuiken) & !is.na(ankerkuil)) %>% + nrow() + +aantal_soorten_enkel_fuiken <- + aantal_soorten_fuiken - aantal_soorten_beide + +aantal_soorten_enkel_ankerkuil <- + aantal_soorten_ankerkuil - aantal_soorten_beide + +# meta_data <- +# read_delim(paste0(pad_data, "vissen_meta_data.csv"), +# delim = ";") +# +# for(i in 1:nrow(meta_data)){ +# ##first extract the object value +# tempobj=meta_data$waarde[i] +# ##now create a new variable with the original name of the list item +# eval(parse(text=paste(meta_data$naam[i],"= tempobj"))) +# } + +``` + +# Vissen + +Fichenummer: FICHE S-DS-V-004a -- Vissen (KRW) + +**Joost Vanoverbeke, Erika Van den Bergh, Gunther Van Ryckegem, Gerlinde Van Thuyne** + +## Inleiding + +De meeste vissen hebben een complexe levenscyclus. +Gedurende hun leven doorlopen ze verschillende niveaus in het voedselweb en bevolken ze diverse ecologische niches. +Estuaria zijn voedselrijk en door de diversiteit aan habitats voorzien ze voedsel en leefruimte voor veel jonge en adulte vissen (Baldoa & Drake, 2002). +Voor veel vissoorten vervullen ze verschillende functies naargelang het levensstadium. +Sommige soorten gebruiken estuaria als paaihabitat (Able, 2005; Van Der Meulen et al., 2013). +De kinderkamerfunctie voor jonge vis werd uitgebreid toegelicht door Elliott & Hemingway (2002). +Maes et al. (2007, 2008) en Stevens et al. (2009) gaan dieper in op de functie van estuaria als doorgangszone voor trekvissen. + +Het bestuderen van de visfauna in de Zeeschelde is belangrijk om de invulling van deze functies te begrijpen en om de ecologische lange termijn ontwikkelingen in het gebied op te volgen. +De Zeeschelde verzamelt een belangrijk deel van de bovenstroomse vuilvrachten. +Opvolging van de visstand in de Zeeschelde weerspiegelt dus ook de kwaliteit van de bovenstroomse gebieden. +De Europese Kaderrichtlijn Water (KRW, 2000/60/EG) verplicht om iedere zes jaar de ecologische toestand van oppervlaktewaterlichamen te rapporteren op basis van enkele bio-indicatoren waaronder de visgemeenschap. +De KRW rapportage gebeurt op basis van de daartoe speciaal ontworpen visindices (Breine et al, 2007; 2010). +In deze MONEOS rapportage wordt de Evaluatie Methodiek Schelde Estuarium (EMSE, 2021) toegepast. + +De visgemeenschap in de Zeeschelde wordt jaarlijks opgevolgd met dubbele schietfuiken en met ankerkuilvisserij (Tabel \@ref(tab:090-tabel-visinspanning)), niet alleen omwille van de dynamiek van het systeem maar ook om het ecosysteem herstel te evalueren na jarenlange plaatselijke en tijdelijke zuurstofloze condities (Maris et al., 2011). +Zesjaarlijkse afvissingen, het absolute minimum voor de KRW, geven te grote lacunes om dit herstelproces te documenteren. +Om seizoenale patronen te documenteren vissen we in de lente, zomer en herfst. + +Ankerkuilvisserij geeft een goed beeld van de visgemeenschap in de waterkolom, fuikvisserij bemonstert eerder nabij de bodem. +De resultaten van beide vangstmethoden verstrekken complementaire informatie over de kraamkamerfunctie en rekrutering van de visgemeenschappen in het estuarium doorheen het jaar en in de verschillende saliniteitszones. +Algemeen worden meer soorten gevangen met de ankerkuil. +De resultaten van de fuikvangsten leveren echter een hogere Shannon diversiteit (Breine & Van den Bergh, 2022). +De resultaten van het reguliere INBO meetnet worden aangevuld met extra informatie uit de resultaten van een vrijwilligersmeetnet (hier niet gerapporteerd). +Schietfuiken worden in alle EMSE Scheldezones niveau 3 uitgezet. +Aanvankelijk werd ook op de zijrivieren jaarlijks gevist maar sinds 2012 werd dit verminderd naar driejaarlijks omdat de totale inspanning te groot werd en omdat de ecosysteem evaluatie vooral op de Zeeschelde zelf gericht is. +Ankerkuilvisserij kan enkel uitgevoerd worden in de Zeeschelde tot in de zoete zone met lange verblijftijd omdat de geul verder stroomopwaarts daarvoor te nauw wordt. + +INBO fuikvangst- en ankerkuilgegevens zijn beschikbaar via de V.I.S. databank ([https://vis2.inbo.be/](https://vis2.inbo.be/#home)) (Brosens et al., 2015). +Vrijwilligersdata worden afzonderlijk opgeslagen. + +In de huidige rapportage worden ankerkuil data en fuikgegevens van de Zeeschelde besproken. +Gegevens van de zijrivieren worden later verwerkt en gerapporteerd. +Ankerkuildata en fuikdata van het reguliere Zeeschelde meetnet worden aangeleverd als xlsx-bestanden aan de Scheldemonitor. + +```{r 090-tabel-visinspanning, results="asis", fig.show='hide', out.width="100%"} +caption_tab <- "Historisch overzicht van de visinspanning met schietfuiken (groen) en ankerkuil (blauw) in de verschillende zones van de Zeeschelde." +img_file <- paste0(pad_figuren, "visinspanningINBO.jpg") +figtab(knitr::opts_current$get()$label, + img_file, + caption_tab) +``` + +## Materiaal en Methode + +### Ankerkuil + +De ankerkuilen zijn geïnstalleerd op een platbodemschip, 'De Harder' met registratienummer BOU25, eigendom van het visserijbedrijf Bout-Van Dijke. +De ankerkuil bestaat uit twee 8 meter brede stalen balken waarvan de onderste tot op de bodem wordt neergelaten en de bovenste tot net op of boven de waterlijn. +De uiteinden van de balken zijn verbonden met het scheepsanker waarmee het vaartuig voor anker ligt. +Tussen de balken is over de volledige breedte (8 m) een net of kuil met een maaswijdte van 20 mm gespannen. +Het doorstromende water houdt het net open. +De periode van het getij waarin gevist kan worden, is meestal van één uur na tot één uur voor de kentering van het getij, afhankelijk van de stroming die voldoende sterk moet zijn. +Op iedere locatie wordt één keer bij eb en één keer bij vloed gevist met één net aan bakboord en één net aan stuurboord. +De netten worden gelijktijdig aan stuurboord en bakboord neergelaten. +Het eerste net wordt meestal na een uur leeggemaakt en het tweede net na twee uur. +Zo kunnen twee vangsten per getijfase gemaakt worden en wordt het risico op misvangst beperkt. +De vangst wordt aan boord verwerkt. + +Eenmaal de vangst op het dek is gestort, halen we er onmiddellijk de minder algemene soorten en grote individuen uit. +Deze worden geïdentificeerd, geteld, gemeten en gewogen. +Van de zeer algemene soorten nemen we een deelmonster door 'voortgezette halvering', een gebruikelijk verdeelsysteem in de visserij. +Op die manier houden we een hanteerbaar, representatief aandeel over. +Vervolgens worden alle vissen in het deelstaal op soort geïdentificeerd, geteld, gemeten en gewogen. +Alle gevangen vissen worden na wegen en meten terug gezet in de Zeeschelde. + +Het bemonsterde watervolume wordt berekend met behulp van een mechanische stroomsnelheidsmeter met propeller die voor de duur van de vangst te water wordt gelaten. +De gemiddelde hoogte van de waterkolom, die met de duur van het getij verandert, wordt vermenigvuldigd met de kuilbreedte (8m) en de door de stroomsnelheidsmeter gepasseerde waterstroom. + +Aantallen en biomassa worden omgerekend naar aantallen en biomassa per m\textsuperscript{3} volume afgevist water. + +In de periode 2012-`r laatste_jaar` werd jaarlijks gevist in de lente (eind april of begin mei), de zomer (juli) en in het najaar (september). +In 2020 werd uitzonderlijk enkel in de zomer en het najaar gevist. +Er wordt telkens op vier locaties bemonsterd: Doel, Antwerpen, Steendorp en Branst (Figuur \@ref(fig:090-figuur-locaties-ankerkuil)). +Doel en Antwerpen bevinden zich in de EMSE niveau 3 scheldezone met sterke saliniteitsgradiënt, Steendorp bevindt zich in de oligohaliene zone en Branst in de zoetwater zone met lange verblijftijd. +De Lambert coördinaten van de locaties zijn: Doel: 143350; 223091, Antwerpen: 149192; 210267, Steendorp: 142898; 200951 en Branst: 137181; 195683. + +```{r 090-figuur-locaties-ankerkuil, fig.cap=cap_locaties_ankerkuil, out.width="100%"} + +cap_locaties_ankerkuil <- + "De met ankerkuil bemonsterde locaties in het Zeeschelde estuarium sinds 2012." + +knitr::include_graphics(paste0(pad_figuren, "locaties_ankerkuil.jpg")) + +``` + +
+ +### Fuikvisserij + +Voor de fuikvangsten worden dubbele schietfuiken gebruikt. +Een schietfuik bestaat uit twee fuiken van 7,7 m lengte, waartussen een net van 11 m gespannen is. +Dat net is bovenaan voorzien van vlotters. +Onderaan bevindt zich een loodlijn. +Vissen die tegen het overlangse net zwemmen, worden naar één van de fuiken geleid. +De twee fuiken (type 120/90) zijn opgebouwd uit een reeks hoepels waarrond een net (maaswijdte 1 cm) bevestigd is. +Aan de ingang van de fuik staat de grootste hoepel (hoogte 90 cm). +Deze is onderaan afgeplat (120 cm breed) zodat de hele fuik recht blijft staan. +Naar achter toe worden de hoepels kleiner. +Aan het uiteinde is de maaswijdte 8 mm. +In de fuik bevinden zich een aantal trechtervormige netten waarvan het smalle uiteinde naar achter is bevestigd. +Eenmaal de vissen een trechter gepasseerd zijn, kunnen ze niet meer terug. +Om de vissen uit de fuik te halen wordt deze helemaal achteraan geopend en leeggemaakt. + +De bemonsterde locaties in de periode 2009-2022 zijn weergegeven in Figuur \@ref(fig:090-figuur-locaties-fuiken). +Vanaf het najaar van 2015 werd de locatie Zandvliet niet meer bemonsterd maar vervangen door het Paardenschor als nieuwe locatie in de mesohaliene zone (Figuur 2). +Bij de bespreking van de resultaten wordt Zandvliet niet expliciet vermeld maar wordt er verwezen naar Paardenschor. +De Lambert coördinaten van de locaties zijn: Zandvliet: 139864; 228413, Paardenschor: 142882; 225713, Antwerpen: 150050; 210800, Steendorp: 142520; 201050, Kastel: 137450; 193480, Appels: 128997; 193213 en Overbeke: 114823; 188235. + +Bij iedere campagne (voorjaar (mrt-apr), zomer (juni-augustus) en najaar (sept-okt)) werden per locatie twee dubbele schietfuiken geplaatst op de laagwaterlijn. +Tot en met 2021 stonden de fuiken 48 uur op locatie en werden ze om de 24 uur leeggemaakt. +De gevangen vissen worden ter plaatse geïdentificeerd, geteld, gemeten, gewogen en vervolgens teruggezet. +Het aantal individuen en de biomassa gevangen met fuiken worden omgerekend naar aantallen en biomassa per fuikdag. +Deze getransformeerde data worden gebruikt in de verdere analyse. +Om de totale visinspanning op de Zeeschelde te rationaliseren staan de fuiken sinds 2022 slechts 24 u op locatie en worden ze maar één keer leeggemaakt. +De gemiddelde aantallen en biomassa per fuikdag zullen hierdoor weinig veranderen maar de tweede fuikdag voegde in het verleden gemiddeld 2 extra soorten toe (berekening op basis van 144 campagnes). +Deze strategiewijziging zal dus een sprong in de tijdreeks voor soortenrijkdom veroorzaken. + +```{r 090-figuur-locaties-fuiken, fig.cap=cap_locaties_fuiken, out.width="100%"} + +cap_locaties_fuiken <- + "De met fuiken bemonsterde locaties in het regulier meetnet in het Zeeschelde estuarium sinds 2009." + +knitr::include_graphics(paste0(pad_figuren, "locaties_fuiken_historisch.jpg")) + +``` + +
+ +### EMSE evaluatie + +De resultaten van ankerkuil- en fuikvangsten worden gerapporteerd volgens EMSE (Evaluatie Methodiek Schelde Estuarium; EMSE 2021). +De waargenomen soorten worden onderverdeeld in zogenaamde functionele groepen op basis van estuarien habitatgebruik en dieetvoorkeur. + +De indeling qua habitatgebruik is als volgt: + +- Estuariene soorten en mariene migranten. Estuariene soorten brengen hun hele levenscyclus in het estuarium door. Mariene migranten (juvenielen, seizoensgasten, dwaalgasten) kunnen hun levenscyclus op zee vervolledigen maar ze komen de gunstiger condities in het estuarium opzoeken vb. om op te groeien. +- Diadrome soorten moeten zich tussen zoet- en zoutwater verplaatsen om zich voort te planten en zo hun levenscyclus te vervolledigen. +- Zoetwatersoorten die ook in het estuarium hun levenscyclus kunnen vervolledigen. + +De indeling qua dieetvoorkeur is als volgt: + +- Benthivoor +- Piscivoor +- Omnivoor +- Planktivoor + +De functionele groep omnivore estuariene soorten en mariene migranten is niet opgenomen in de EMSE indeling (zie EMSE 2021). +Omdat van deze groep, althans volgens de EMSE dieetvoorkeur per soort, toch redelijke aantallen voorkomen in de Zeeschelde wordt deze echter wel opgenomen in de MONEOS rapportage. +Sommige combinaties van habitatgebruik en dieetvoorkeur komen niet voor in de data. +Om een overzichtelijke vaste structuur te behouden worden ze wel telkens mee opgenomen in de figuren. + +Een overzicht van soorten die sinds 2012 in de Zeeschelde werden gevangen, met aanduiding van EMSE habitatgebruik en dieetvoorkeur wordt gegeven in Tabel \@ref(tab:093-tabel-zeeschelde-soorten) in bijlage. +Er werden in die periode `r aantal_soorten` soorten gevangen waarvan `r aantal_soorten_beide` soorten in zowel ankerkuil als fuiken, `r aantal_soorten_enkel_ankerkuil` soorten enkel met de ankerkuil en `r aantal_soorten_enkel_fuiken` soorten enkel met de dubbele schietfuiken. + +Voor elk van de EMSE functionele groepen worden per jaar en per vangstmethode het totaal aantal gevangen individuen en de totale biomassa per vangsteenheid (1000m³ bemonsterd water voor ankerkuil, 1 fuikdag voor fuikvangsten) alsook het aantal soorten en de Shannon diversiteit gerapporteerd. +Dit per scheldezone (EMSE niveau 3) en gemiddeld over de bemonsterde seizoenen (voorjaar, zomer, najaar). + +De Shannon diversiteit *D* wordt berekend als: + +$$ +D = exp \left( -\sum^S_i p_i ln (p_i) \right) +$$ + +waarbij *S* het aantal gevangen soorten in de functionele groep is en *p~i~* de relatieve abundantie van soort *i*. +*D* neemt een waarde aan tussen 1 en *S*, afhankelijk van de gelijkheid (evenness) in abundantie van de soorten. +Indien *D* = *S* hebben alle soorten in de groep een gelijke abundantie. + +Naast de algemene trends per functionele groep wordt er ook gekeken naar de trends van een aantal sleutelsoorten. +Deze soorten zijn zo geselecteerd dat ze een goede vertegenwoordiging geven van de verschillende saliniteits- en dieetvoorkeuren (zie bijlage Tabel \@ref(tab:093-tabel-zeeschelde-soorten)) en zijn belangrijke indicatoren voor het ecologisch functioneren van het systeem. +Daarnaast zijn ook de europees beschermde soorten opgenomen in de sleutelsoortenlijst. + + +### Bepalen van de visindex + +De gegevens van de fuikvangsten in de Zeeschelde worden gebruikt om de visindex per KRW waterlichaam te berekenen volgens de zone-specifieke estuariene index voor biotische integriteit (Breine et al., 2010). +De Index wordt berekend op basis van de jaargegevens en is zodoende robuuster dan de brakwater index die gebaseerd is op dagvangsten (Breine et al., 2007). +De index score per waterlichaam integreert de beoordeling van een aantal metrieken, wordt vertaald naar een ecologische kwaliteitsratio (EQR) tussen 0 en 1 en ondergebracht in één van de ecologische kwaliteitsklassen, variërend van 'slecht' over 'onvoldoende', 'matig', 'goed ecologisch potentieel' (GEP) tot 'maximaal ecologisch potentieel' (MEP). +Elke gebruikte metriek staat voor een bepaalde functie van het ecosysteem voor de visgemeenschap. +De betekenis van de gebruikte metrieken is weergegeven in Tabel \@ref(tab:090-tabel-metrieken-visindex). +Voor elke metriek wordt een score bepaald in functie van een vastgelegde referentietoestand. +In elke saliniteitszone gelden andere metrieken en grenswaarden (Breine et al., 2010). + + +```{r 090-tabel-metrieken-visindex} + +tabel_metrieken <- + read_excel(paste0(maak_pad(hoofdstuk, "tabellen"), "visindexreeks.xlsx"), + sheet = "toelichting metrieken", + col_names = FALSE) + +cap_metrieken <- + "Toelichting van de metrieken gebruikt in de visindex." + +tabel_metrieken %>% + mutate(across(everything(), ~as.character(.) %>% replace_na(""))) %>% + mutate(across(everything(), ~cell_spec(., color = "black"))) %>% + knitr::kable(booktabs = TRUE, + caption = cap_metrieken, + col.names = NULL, + escape = FALSE) %>% + kable_styling("striped", + latex_options = c("striped")) + +``` + +
+ diff --git a/moneos_2024/150_geintegreerd_rapport/091_vissen_ankerkuil.Rmd b/moneos_2024/150_geintegreerd_rapport/091_vissen_ankerkuil.Rmd new file mode 100644 index 0000000..4ddef69 --- /dev/null +++ b/moneos_2024/150_geintegreerd_rapport/091_vissen_ankerkuil.Rmd @@ -0,0 +1,613 @@ +```{r 091-hoofdstuk, include=FALSE} + +hoofdstuk <- "090_vissen" + +``` + +```{r 091-setup, include=FALSE} + +knitr::opts_chunk$set(echo = FALSE, error=FALSE, warning=FALSE, message=FALSE, cache=FALSE, fig.pos = "H") +knitr::opts_knit$set(eval.after = "fig.cap") + +``` + +```{r 091-libraries} + +library(tidyverse) +library(readxl) +library(kableExtra) +library(rprojroot) ## workaround pad + +``` + +```{r 091-pad} + +# inlezen van variabelen +# pad naar data : pad_data +# pad naar tabellen : pad_tabellen +# pad naar figuren : pad_figuren + +source(find_root_file("../pad.R", criterion = is_rstudio_project)) + +pad_data <- maak_pad(hoofdstuk, "data") +pad_figuren <- maak_pad(hoofdstuk, "figuren/ankerkuil") +pad_tabellen <- maak_pad(hoofdstuk, "tabellen/ankerkuil") + +``` + +```{r 091-table_from_figure-function} +figtab <- + function(label, image_file, caption=NULL) { + txt <- sprintf('\\begin{table}[H]\n\\caption{%s}\n\\label{tab:%s}\n\\includegraphics{%s}\n\\end{table}', + caption, + label, + image_file) + magick::image_read(image_file) %>% magick::image_ggplot() %>% print() + writeLines(txt) + } +``` + +```{r 091-meta-data} + +meta_data <- + read_delim(paste0(pad_data, "ankerkuil_meta_data.csv"), + delim = ";") + +for(i in 1:nrow(meta_data)){ + ##first extract the object value + tempobj=meta_data$waarde[i] + ##now create a new variable with the original name of the list item + eval(parse(text=paste(meta_data$naam[i],"= tempobj"))) +} + +``` + +## Resultaten + +### Ankerkuil + +#### Soortenrijkdom in `r laatste_jaar` + +We vingen `r aantal_soorten_laatste_jaar` vissoorten in `r laatste_jaar`. +Een overzicht van de soorten gevangen in `r laatste_jaar` is weergegeven in Tabel \@ref(tab:091-tabel-overzicht-soorten). +In de zone met sterke saliniteitsgradiënt (Doel en Antwerpen) werden er meer soorten gevangen dan in de oligohaliene (Steendorp) en zoetwater (Branst) zone (Tabel \@ref(tab:091-tabel-aantal-soorten)). + Over de beschouwde periode (`r vroegste_jaar` - `r laatste_jaar`) worden er inderdaad systematisch meer soorten gevangen in deze zone dan in de oligohaliene en zoete zone (Figuur \@ref(fig:091-figuur-aantal-soorten-locatie-historisch)). +De turnover van soorten tussen seizoenen op elke locatie bedraagt tot een derde van de gevangen soorten. +Het totaal aantal soorten jaarlijks gevangen in de Zeeschelde (over alle locaties) in de periode `r vroegste_jaar`-`r laatste_jaar` varieert rond de 40, met een maximum (46) in 2017 en een minimum (36) in 2020. +De turnover in soorten tussen locaties bedraagt tot een kwart van het totaal aantal soorten. + +```{r 091-tabel-overzicht-soorten} + +tabel_gevangen_soorten <- + read_excel(paste0(pad_tabellen, "ankerkuil_tabellen_vissen.xlsx"), + sheet = "gevangen_soorten") %>% + arrange(soort) + +cap_gevangen_soorten <- + paste0("Overzicht van de vissoorten gevangen tijdens de ankerkuilcampagnes in de Zeeschelde in ", + laatste_jaar, + ".") + +tabel_gevangen_soorten %>% + mutate(across(everything(), ~as.character(.) %>% replace_na(""))) %>% + mutate(across(everything(), ~cell_spec(., color = "black"))) %>% + knitr::kable(booktabs = TRUE, + caption = cap_gevangen_soorten, + align = c("l", rep("c", 12)), + col.names = c("", rep(c("Doel", "Antw.", "Steend.", "Branst"), 3)), + escape = FALSE) %>% + add_header_above(c(" " = 1, "voorjaar" = 4, "zomer" = 4, "najaar" = 4)) %>% + kable_styling("striped", + latex_options = c("striped", "scale_down"), + font_size = 15) + +``` + +
+ +```{r 091-tabel-aantal-soorten} + +tabel_aantal_soorten <- + read_excel(paste0(pad_tabellen, "ankerkuil_tabellen_vissen.xlsx"), + sheet = "aantal_soorten") + +cap_aantal_soorten <- + paste0("Aantal soorten gevangen tijdens de ankerkuilcampagnes in de Zeeschelde in ", + laatste_jaar, + ".") + +tabel_aantal_soorten %>% + mutate(across(everything(), ~as.character(.) %>% replace_na(""))) %>% + mutate(across(everything(), ~cell_spec(., color = "black"))) %>% + knitr::kable(booktabs = TRUE, + caption = cap_aantal_soorten, + align = c("l", rep("c", 3)), + escape = FALSE) %>% + kable_styling("striped", + latex_options = c("striped"), + font_size = 10) + +``` + +
+ +```{r 091-figuur-aantal-soorten-locatie-historisch, fig.cap=cap_aantal_soorten_locatie, out.width="110%"} + +cap_aantal_soorten_locatie <- + str_c("Het aantal soorten gevangen per locatie in de Zeeschelde tijdens de ankerkuilcampagnes in de periode 2012-",laatste_jaar,". Het donkere deel per balk geeft het gemiddeld aantal soorten gevangen per jaar en locatie; het lichtere deel geeft het totaal aantal gevangen soorten per jaar en locatie.") + +knitr::include_graphics(paste0(pad_figuren, "aantal_soorten_locatie.jpg")) + +``` + +
+ +#### Relatieve soortensamenstelling voor de meest dominante soorten in `r laatste_jaar` + +We analyseren alle vangstgegevens van `r laatste_jaar`. +Soorten met in alle seizoenen en locaties een relatieve bijdrage kleiner dan 10% voor zowel de aantallen als biomassa worden als 'rest' samengenomen. + +Uit deze analyse blijkt dat de relatieve abundantie van soorten zowel seizoenaal als ruimtelijk verschilt (Figuur \@ref(fig:091-figuur-relatief-aantal)). +In Doel en Antwerpen (zone met sterke saliniteitsgradiënt) zijn haringachtigen dominant in alle seizoenen van `r laatste_jaar`. +Door omstandigheden was er in het voorjaar onvoldoende tijd om haring en sprot tot op soort te brengen. +Ze werden samen geregistreerd als "haringachtigen". +In de zomer en het najaar ging het in Doel vooral over haring, in Antwerpen werd eerder sprot gevangen. +Ook in de Westerschelde werd in het najaar van 2022 extreem veel kleine sprot gevangen in alle ankerkuil stations (de Boois & Couperus, 2022). +Spiering was veel minder omnipresent in 2022. +In Steendorp en Branst (zoetwater) domineerden ze de vangstaantallen in het voorjaar maar in zomer nam brakwatergrondel het over in Branst en in het najaar ook in Steendorp. + +Uitgedrukt in biomassa treden spiering en ook snoekbaars iets meer op de voorgrond (Figuur \@ref(fig:091-figuur-relatieve-biomassa)). +Naast spiering staan sprot en haring in voor een relatief groot aandeel van de biomassa in de zone met sterke saliniteitsgradiënt. +In de zoete zone zijn dat eerder brakwatergrondel en snoekbaars. + +```{r 091-figuur-relatief-aantal, fig.cap=cap_relatief_aantal, out.width="100%"} + +cap_relatief_aantal <- + str_c("Het relatief aantal gevangen individuen in de Zeeschelde tijdens de ankerkuilcampagnes in het voorjaar, de zomer en het najaar van ",laatste_jaar,". De getallen geven de percentages van het aantal gevangen vissen weer.") + +knitr::include_graphics(paste0(pad_figuren, "relatief_aantal_gevangen_individuen.jpg")) + +``` + +
+ +```{r 091-figuur-relatieve-biomassa, fig.cap=cap_relatieve_biomassa, out.width="100%"} + +cap_relatieve_biomassa <- + str_c("De relatieve biomassa van de vangsten in de Zeeschelde tijdens de ankerkuilcampagnes in het voorjaar, de zomer en het najaar van ",laatste_jaar,". De getallen geven de percentages van de totale biomassa weer.") + +knitr::include_graphics(paste0(pad_figuren, "relatieve_biomassa_gevangen_individuen.jpg")) + +``` + +
+ +#### Densiteit, biomassa en diversiteit binnen EMSE + +##### Algemene trends per saliniteits- en dieetvoorkeur + +In de hieronder volgende figuren voor aantallen en biomassa worden de bijdragen van de meest abundante soorten per functionele groep met individuele kleurcodes weergegeven. +Soorten die binnen een functionele groep minder dan 10% van zowel de aantallen als de biomassa uitmaken worden telkens samengenomen als 'rest'. + +[Estuariene soorten en mariene migranten]{.underline} + +Figuur \@ref(fig:091-figuur-aantallen-marien-EMSE) geeft per saliniteitszone (EMSE niveau 3) en dieetvoorkeur de aantallen weer voor de gevangen estuariene soorten en mariene migranten. + +Benthivore soorten overheersen naar aantal en biomassa, vooral in de zoete zone. +In de zone met sterke saliniteitsgradiënt is er een sterke piek van planktivoren in 2022. + +Brakwatergrondel en dikkopje zijn veruit de meest talrijke benthivore soorten in deze groep. +De grootste aantallen vonden we in de zoetwaterzone in Branst (vaak 100-200 individuen per 1000m³, met een piek in van 600 in 2018). +Enkel in 2020 waren ze meest talrijk in Steendorp. +In zomer en najaar 2022 overheerste brakwatergrondel in Branst. + +Omnivore mariene en estuariene soorten worden qua aantallen gedomineerd door kleine zeenaald in de zone met sterke saliniteitsgradiënt en in het oligohalien en zoetwater door, hoofdzakelijk juveniele, zeebaars die daar komt opgroeien. +De aantallen zijn beduidend lager dan voor de benthivore soorten van deze groep (\< 5 individuen per 1000m³). +De laatste jaren wordt deze soortengroep minder gevangen dan in de periode voor 2018. + +Piscivore estuariene en mariene soorten volgens de EMSE indeling komen in de Zeeschelde niet voor, de éénmalige vangst van een smelt uitgezonderd. +In realiteit gedragen ook zeebaars, steenbolk en zeeforel zich hoofdzakelijk piscivoor in de Zeeschelde. + +Planktivore individuen van de groep estuarien residente en mariene migranten zijn meest talrijk in de zone met sterke saliniteitsgradiënt, met een uitschieter tot meer dan 200 individuen per 1000m³ in `r laatste_jaar`, maar ze zijn toch ook tot in de zoete zone terug te vinden. +Het gaat hier vooral om juveniele haring en sprot, mariene soorten die de luwte en voedselrijkdom van het estuarium opzoeken om op te groeien. +Opvallend in 2022 was het relatief groot aantal sprot ten opzichte van haring in vergelijking tot vorige jaren. + +De patronen voor biomassa vertonen grotendeels dezelfde verhoudingen tussen soortgroepen, saliniteitszones en soorten (Figuur \@ref(fig:091-figuur-biomassa-marien-EMSE)). +De omnivore mariene en estuariene soorten vertonen echter wel een grotere soortendiversiteit qua biomassa dan qua aantallen in de zone met sterke saliniteitsgradiënt. +De dominatie van zeenaald is een stuk minder uitgesproken in de biomassa dan in de aantallen. + +De sterke dominantie van één of twee soorten qua aantallen binnen elke soortgroep is ook duidelijk zichtbaar in Figuur \@ref(fig:091-figuur-diversiteit-marien-EMSE). +Zelfs als er in totaal (S) 5 of meer soorten voorkomen in een groep wordt deze meestal door slechts één of twee soorten gedomineerd (D). +Enkel voor de omnivore mariene en estuariene soorten kan de diversiteit oplopen tot 4-6. +Soortenaantal en diversiteit vertonen geen uitgesproken trends binnen de soortgroepen, maar zijn relatief stabiel. + +```{r 091-figuur-aantallen-marien-EMSE, fig.cap=aantallen_marien_EMSE, out.width="110%"} + +aantallen_marien_EMSE <- + str_c("Totaal aantal gevangen individuen van estuariene soorten en mariene migranten in de Zeeschelde in de periode 2012-",laatste_jaar,". Jaargemiddelde aantallen per scheldezone (EMSE, niveau 3) en EMSE soortgroepen.") + +knitr::include_graphics(paste0(pad_figuren, "relatieve_aantallen_tot_aantal_EMSE_marien.jpg")) + +``` + +
+ +```{r 091-figuur-biomassa-marien-EMSE, fig.cap=biomassa_marien_EMSE, out.width="110%"} + +biomassa_marien_EMSE <- + str_c("Totale biomassa gevangen individuen van estuariene soorten en mariene migranten in de Zeeschelde in de periode 2012-",laatste_jaar,". Jaargemiddelde biomassa per scheldezone (EMSE, niveau 3) en EMSE soortgroepen.") + +knitr::include_graphics(paste0(pad_figuren, "relatieve_biomassa_tot_biomassa_EMSE_marien.jpg")) + +``` + +
+ +```{r 091-figuur-diversiteit-marien-EMSE, fig.cap=diversiteit_marien_EMSE, out.width="100%"} + +diversiteit_marien_EMSE <- + str_c("Aantal soorten (S, lichtblauw) en Shannon diversiteit (D, donkerblauw) van estuariene soorten en mariene migranten in de Zeeschelde in de periode 2012-",laatste_jaar,". Jaargemiddelde diversiteit per scheldezone (EMSE, niveau 3) en EMSE soortgroepen.") + +knitr::include_graphics(paste0(pad_figuren, "diversiteit_S_D_EMSE_marien.jpg")) + +``` + +
+ +[Diadrome soorten]{.underline} + +Volgens de EMSE indeling zijn er geen diadrome benthivore en planktivore vissoorten in de Zeeschelde. +De twee zogenaamd piscivore soorten, de zeeprik en de rivierprik zijn eigenlijk parasitaire soorten waarvan er telkens maar enkele gevangen worden. +Aantallen, biomassa en dominantie zijn dus sterk variabel in de tijd en per saliniteitszone voor deze functionele groep. + +De diadrome soorten in de Zeeschelde zijn dus voornamelijk omnivoor en deze functionele groep is zo sterk gedomineerd door spiering (Figuur \@ref(fig:091-figuur-aantallen-diadroom-EMSE)) dat bot, driedoornige stekelbaars, fint en paling, die nochtans ook zeer regelmatig gevangen worden, niet eens apart vermeld worden maar samen met nog enkele andere, minder algemene soorten, onder 'rest' verwerkt worden. + +Spieringen zijn meest talrijk in de oligohaliene en zoetwater zone met pieken tot 4000-6000 individuen per 1000m³ in 2014. +In recente jaren zijn de aantallen een stuk lager (50-600 individuen per 1000m³). +Met uitzondering van een dip rond 2016 was de biomassa aan spiering in voorgaande jaren relatief stabiel. +In `r laatste_jaar` zijn de aantallen en biomassa aan gevangen spiering echter opvallend laag, vooral in de zoetwater zone. +Vergelijking van aantallen en biomassa in de verschillende saliniteitszones doet vermoeden dat de spieringen gemiddeld het kleinst zijn in de zoete zone en het grootste in de zone met sterke saliniteitsgradiënt. +Deze soort plant zich inderdaad voort stroomopwaarts in de zoete zone met korte verblijftijd, groeit op in het estuarium en trekt na enkele jaren naar zee. +Om het rekruteringssucces te bepalen moet echter de grootteklasse verdeling per seizoen en per locatie geanalyseerd worden. +Deze data zijn voorhanden maar worden niet gebruikt in EMSE. +(Figuur \@ref(fig:091-figuur-biomassa-diadroom-EMSE)). + +De diversiteit voor diadrome functionele groepen is zeer laag. +Hoewel er tot 8 omnivore soorten samen kunnen voorkomen blijft de spiering dominant over alles heen (Figuur \@ref(fig:091-figuur-diversiteit-diadroom-EMSE)). + +```{r 091-figuur-aantallen-diadroom-EMSE, fig.cap=aantallen_diadroom_EMSE, out.width="110%"} + +aantallen_diadroom_EMSE <- + str_c("Totaal aantal gevangen individuen van diadrome soorten in de Zeeschelde in de periode 2012-",laatste_jaar,". Jaargemiddelde aantallen per scheldezone (EMSE, niveau 3) en EMSE soortgroepen.") + +knitr::include_graphics(paste0(pad_figuren, "relatieve_aantallen_tot_aantal_EMSE_diadroom.jpg")) + +``` + +
+ +```{r 091-figuur-biomassa-diadroom-EMSE, fig.cap=biomassa_diadroom_EMSE, out.width="110%"} + +biomassa_diadroom_EMSE <- + str_c("Totale biomassa gevangen individuen van diadrome soorten in de Zeeschelde in de periode 2012-",laatste_jaar,". Jaargemiddelde biomassa per scheldezone (EMSE, niveau 3) en EMSE soortgroepen.") + +knitr::include_graphics(paste0(pad_figuren, "relatieve_biomassa_tot_biomassa_EMSE_diadroom.jpg")) + +``` + +
+ +```{r 091-figuur-diversiteit-diadroom-EMSE, fig.cap=diversiteit_diadroom_EMSE, out.width="100%"} + +diversiteit_diadroom_EMSE <- + str_c("Aantal soorten (S, lichtblauw) en Shannon diversiteit (D, donkerblauw) van diadrome soorten in de Zeeschelde in de periode 2012-",laatste_jaar,". Jaargemiddelde diversiteit per scheldezone (EMSE, niveau 3) en EMSE soortgroepen.") + +knitr::include_graphics(paste0(pad_figuren, "diversiteit_S_D_EMSE_diadroom.jpg")) + +``` + +
+ +[Zoetwater soorten]{.underline} + +Zoetwater soorten zijn meest talrijk in de zoetwaterzone waar de aantallen en biomassa vanaf 2016 algemeen toenemen (Figuur \@ref(fig:091-figuur-aantallen-zoetwater-EMSE), Figuur \@ref(fig:091-figuur-biomassa-zoetwater-EMSE)). + +Binnen de zoetwatersoorten zijn omnivoren de meest talrijke en de meest soortenrijke functionele groep en ze vertegenwoordigen ook de grootste biomassa. +Snoekbaars is dominant in deze groep, zowel in aantallen als in biomassa. +De aantallen daalden maar de biomassa was groter in 2022, er werden dus relatief meer grotere exemplaren gevangen. + +Benthivore zoetwater soorten worden qua aantallen gedomineerd door brasem, tiendoornige stekelbaars en blauwbandgrondel. +Qua gewicht is enkel brasem dominant in deze functionele groep. +Brasem is in `r laatste_jaar` met opvallend hoge aantallen gevangen. +Dit weerspiegelt zich niet in de biomassa, wat aangeeft dat er vooral kleine specimens zijn gevangen. + +Baars en de exotische zonnebaars zijn de enige piscivore zoetwatersoorten voor de Zeeschelde. +Baars is de dominante soort naar aantallen en gewicht. +Na een uitschieter in 2021 zijn aantal en gewicht in `r laatste_jaar` weer gedaald. + +Planktivore zoetwatersoorten komen in de Zeeschelde niet voor. + +Zoals voor de mariene, estuariene en diadrome soorten worden ook de zoetwater soortengroepen grotendeels gedomineerd door één à twee soorten (D), hoewel vaak meer soorten gevangen worden (S) (Figuur \@ref(fig:091-figuur-diversiteit-zoetwater-EMSE)). + +```{r 091-figuur-aantallen-zoetwater-EMSE, fig.cap=aantallen_zoetwater_EMSE, out.width="110%"} + +aantallen_zoetwater_EMSE <- + str_c("Totaal aantal gevangen individuen van zoetwater soorten in de Zeeschelde in de periode 2012-",laatste_jaar,". Jaargemiddelde aantallen per scheldezone (EMSE, niveau 3) en EMSE soortgroepen op basis van ankerkuildata.") + +knitr::include_graphics(paste0(pad_figuren, "relatieve_aantallen_tot_aantal_EMSE_zoet.jpg")) + +``` + +
+ +```{r 091-figuur-biomassa-zoetwater-EMSE, fig.cap=biomassa_zoetwater_EMSE, out.width="110%"} + +biomassa_zoetwater_EMSE <- + str_c("Totale biomassa gevangen individuen van zoetwater soorten in de Zeeschelde in de periode 2012-",laatste_jaar,". Jaargemiddelde biomassa per scheldezone (EMSE, niveau 3) en EMSE soortgroepen.") + +knitr::include_graphics(paste0(pad_figuren, "relatieve_biomassa_tot_biomassa_EMSE_zoet.jpg")) + +``` + +
+ +```{r 091-figuur-diversiteit-zoetwater-EMSE, fig.cap=diversiteit_zoetwater_EMSE, out.width="100%"} + +diversiteit_zoetwater_EMSE <- + str_c("Aantal soorten (S, lichtblauw) en Shannon diversiteit (D, donkerblauw) van zoetwater soorten in de Zeeschelde in de periode 2012-",laatste_jaar,". Jaargemiddelde diversiteit per scheldezone (EMSE, niveau 3) en EMSE soortgroepen.") + +knitr::include_graphics(paste0(pad_figuren, "diversiteit_S_D_EMSE_zoet.jpg")) + +``` + +
+ +#### Trends in sleutelsoorten + +Een aantal soorten beschouwen we als sleutelsoorten in de Zeeschelde omdat ze informatie geven over één of meerdere ecologische functies van het estuarium of omdat ze Europees beschermd zijn. +De diadrome sleutelsoorten zijn: fint, spiering, bot, paling en rivierprik. +Ze geven informatie over het gebruik van het estuarium als migratiekanaal. +Fint- en spieringvangsten geven daarenboven informatie over het gebruik van het estuarium als paaihabitat. +Mariene sleutelsoorten zijn haring, zeebaars, tong en ansjovis. +Hun aanwezigheid toont aan dat het estuarium als opgroei- en foerageergebied wordt gebruikt. + + +Van de 25 sleutelsoorten uit de lijst (EMSE 2021) worden er 22 waargenomen in de Zeeschelde aan de hand van ankerkuil bevissingen: 8 mariene en estuariene soorten, 6 diadrome soorten en 8 zoetwater soorten. +Slechts een aantal soorten komen echter in relatief hoge aantallen voor. + + + +[Estuariene soorten en mariene migranten]{.underline} + +Van de estuariene en mariene sleutelsoorten komen brakwatergrondel, dikkopje, haring en zeebaars vrij frequent voor (\> 1 individu per 1000m³, Figuur \@ref(fig:091-figuur-mariene-sleutelsoorten)). +De overige soorten komen slechts in zeer kleine aantallen voor. +Sprot wordt eveneens in vrij grote aantallen gevangen maar werd niet als sleutelsoort aangeduid. + +- Brakwatergrondel komt in de grootste aantallen voor in het zoetwater en vertoont piekdensiteiten rond 2018. + In `r laatste_jaar` zijn de aantallen waargenomen in de ankerkuil vangsten gemiddeld. + +- Dikkopje komt meestal in de hoogste aantallen voor in het oligohalien. + Na hoge densiteiten in 2018 en 2020 zijn de aantallen in 2021 en `r laatste_jaar` eerder klein. + +- Haring komt vooral voor in de zone met sterke saliniteitsgradiënt. + De aantallen zijn relatief stabiel, met piekdensiteiten in 2014, 2018 en `r laatste_jaar`. + Een echte piek werd in 2022 veroorzaakt door sprot en haring samen. + +- Zeebaars wordt vooral waargenomen in de zoetwater zone en in het oligohalien. + In vergelijking met de periode 2012-2017 komt er nu weinig zeebaars voor in de Zeeschelde. + +```{r 091-figuur-mariene-sleutelsoorten, fig.cap=cap_aantal_sleutelsoorten_marien, out.width="100%"} + +cap_aantal_sleutelsoorten_marien <- + str_c("Aantallen van sleutelsoorten binnen estuariene soorten en mariene migranten in de Zeeschelde in de periode 2012-",laatste_jaar,". Jaargemiddelde aantallen per scheldezone (EMSE, niveau 3).") + +knitr::include_graphics(paste0(pad_figuren, "aantallen_sleutelsoorten_EMSE_marien.jpg")) + +``` + +
+ +[Diadrome soorten]{.underline} + +De meest voorkomende diadrome sleutelsoorten (\> 1 individu per 1000m³) zijn bot, fint en vooral spiering (Figuur \@ref(fig:091-figuur-diadrome-sleutelsoorten)). +Paling wordt slechts in kleine aantallen gevangen, maar is qua biomassa toch vrij belangrijk. + +- Bot komt voor in alle drie de scheldezones waar afvissingen met ankerkuil worden gedaan, maar met over het algemeen de hoogste aantallen in het zoetwater. + Aantallen bot varieren van jaar tot jaar, met in `r laatste_jaar` lage aantallen. + +- Fint aantallen vertoonden pieken in 2012, 2015 en 2017. + Hoewel de aantallen recent een stuk lager zijn, kunnen ze in het voorjaar tijdens de paaiperiode toch een belangrijk deel van de biomassa uitmaken in de zoetwaterzone (zie Figuur \@ref(fig:091-figuur-relatief-aantal)). + Sterke variatie in de aantallen kan zowel aan de paaitrek als aan het rekruteringssucces te wijten zijn. + Aangezien het om een habitatrichtlijn soort gaat die terugkwam nadat ze lange tijd als uitgestorven beschouwd was is het belangrijk om door jaarlijkse analyse van paaitrek én rekrutering te evalueren hoe duurzaam deze hervestiging van de fint in de Zeeschelde is. + +- Paling wordt vooral gevangen in het oligohalien en zoetwater. + De aantallen vertonen een licht dalende trend die lijkt gestabiliseerd in `r laatste_jaar`. + Deze trend is minder duidelijk in de biomassa die vrij sterk varieert van jaar tot jaar. + +- Spiering is in het algemeen de soort met de hoogste aantallen en biomassa in de Zeeschelde (zie ook Figuur \@ref(fig:091-figuur-relatief-aantal), \@ref(fig:091-figuur-relatieve-biomassa), \@ref(fig:091-figuur-aantallen-diadroom-EMSE) en \@ref(fig:091-figuur-biomassa-diadroom-EMSE)). + Deze soort vertoonde een heel sterke piek in aantallen in 2014. + In `r laatste_jaar` werden de laagste aantallen en biomassa sinds de start van de monitoringsreeks gevangen. + +```{r 091-figuur-diadrome-sleutelsoorten, fig.cap=cap_aantal_sleutelsoorten_diadroom, out.width="100%"} + +cap_aantal_sleutelsoorten_diadroom <- + str_c("Aantallen van diadrome sleutelsoorten in de Zeeschelde in de periode 2012-",laatste_jaar,". Jaargemiddelde aantallen per scheldezone (EMSE, niveau 3).") + +knitr::include_graphics(paste0(pad_figuren, "aantallen_sleutelsoorten_EMSE_diadroom.jpg")) + +``` + +
+ +[Zoetwater soorten]{.underline} + +De meest voorkomende sleutelsoorten qua aantallen/biomassa voor de zoetwatersoorten zijn blankvoorn, brasem en snoekbaars (Figuur \@ref(fig:091-figuur-zoetwater-sleutelsoorten)). + +- Na de forse toename van blankvoorn in het zoetwater in 2021 vertoont deze soort in `r laatste_jaar` opnieuw lagere aantallen. + Wat betreft biomassa is al vanaf 2019 een duidelijke toename waar te nemen. + + +- Brasem vertoont een duidelijke toename in aantallen in het zoetwater vanaf 2016 in vergelijking met de jaren ervoor. + In `r laatste_jaar` pieken de aantallen echt in het zoetwater. + +- Ook snoekbaars vertoont een toename vanaf 2016. + Deze soort komt niet alleen voor in het zoetwater maar ook vaak in het oligohalien en zelfs in de zone met sterke saliniteitsgradiënt. + +```{r 091-figuur-zoetwater-sleutelsoorten, fig.cap=cap_aantal_sleutelsoorten_zoetwater, out.width="100%"} + +cap_aantal_sleutelsoorten_zoetwater <- + str_c("Aantallen van zoetwater sleutelsoorten in de Zeeschelde in de periode 2012-",laatste_jaar,". Jaargemiddelde aantallen per scheldezone (EMSE, niveau 3).") + +knitr::include_graphics(paste0(pad_figuren, "aantallen_sleutelsoorten_EMSE_zoet.jpg")) + +``` + +
+ +#### Alternatieve evaluatie per estuarien habitatgebruik of dieet + +Het gildenconcept wordt normaal gezien gebruikt om een bepaald kenmerk van visgemeenschappen te onderzoeken. +De voorkomende soorten worden dan gegroepeerd op basis van dat bepaald kenmerk. +In de EMSE methodiek worden twee van deze kenmerken gebruikt, het gebruik van estuariene habitats en het dieet. +Er werd beslist om deze te 'nesten' waardoor er 12 functionele groepen gevormd werden. + +Alternatief kunnen we ook het gildenconcept toepassen zoals gebruikelijk en enerzijds het estuarien habitat gebruik door de visgemeenschap evalueren en anderzijds visgemeenschap positioneren in het estuariene voedselweb. +Op die manier wordt ook de volledige visgemeenschap in één overzicht beoordeeld. + +Zo zien we in één oogopslag dat er met de ankerkuil meest vissen per m³ gevangen worden in de zoete zone en het minst in de zone met sterke saliniteitsgradiënt. +Dit geldt zowel voor aantallen als voor biomassa. +Men zou dus kunnen besluiten dat de densiteit van de vispopulaties in de Zeeschelde aanwezig in het pelagiaal stijgt in stroomopwaartse richting als we abstractie maken van de verschillen in morfodynamische habitateigenschappen op de verschillende visplaatsten. + +##### Estuarien habitat gebruik + +De resultaten voor aantallen, biomassa en diversiteit per groep van estuarien habitat gebruik worden weergegeven in respectivelijk Figuur \@ref(fig:091-figuur-aantallen-habitat), Figuur \@ref(fig:091-figuur-biomassa-habitat) en Figuur \@ref(fig:091-figuur-diversiteit-habitat). + +Voor alle drie de estuariene habitat gebruik groepen zien we de laagste densiteiten in de zone met sterke saliniteitsgradiënt. +Diadrome vissen overheersten de aantallen in de ankerkuilvangsten, met vergelijkbare aantallen per m³ in de oligohaliene en zoete zone. +Mariene en estuariene soorten worden in kleinere aantallen gevist met bijna een factor 10 minder. +Zoetwatersoorten worden tenslotte nog eens met een factor 10 minder gevangen, weliswaar met duidelijke toename in stroomopwaartse richting. +Op basis van gemiddelde biomassa per m³ zijn de trends vergelijkbaar maar zijn de verschillen tussen estuariene habitat gebruik groepen veel kleiner. +Het gaat dus voornamelijk om kleine, juveniele diadrome individuen en grotere, adulte zoetwatervissen. +De estuarien residente soorten zijn middelgroot en alle leeftijdsklassen zijn aanwezig. + +Spieringen zijn zonder meer de dominante trekvissen, zowel naar aantal als naar biomassa en dat geldt in alle saliniteitszones van de Zeeschelde . +De aantallen spiering zijn al een aantal jaren veel kleiner dan voorheen, in 2022 echter zijn niet alleen de aantallen maar ook de biomassa's uitzonderlijk laag. +Dit vergt nader onderzoek. + +Snoekbaars is de dominante zoetwatersoort, eveneens in aantal en biomassa. +De dominantie is echter minder uitgesproken dan die van de spiering, o.a. +ook omdat het aantal algemene soorten het grootst is in deze groep. +Aantallen en biomassa van zoetwatersoorten vertonen een stijgende trend. + +Het beeld van mariene en estuariene soorten is iets complexer omdat hier in realiteit twee verschillende estuarien habitat gebruik gilden samengevoegd worden: estuarien residenten en mariene migranten die elk op een heel andere manier gebruik maken van het estuarien habitat. +In de zoete zone met lange verblijftijd en in het oligohalien zijn brakwatergrondel en dikkopje, twee estuarien residente soorten, de meest talrijke soorten van deze guildengroep. +Afgezien van de uitzonderlijke piek in 2018 schommelen de aantallen en biomassa's zonder uitgesproken trend te vertonen. + +In de zone met sterke saliniteitgradiënt is haring, een mariene migrant het meest talrijk. +In `r laatste_jaar` is er wel opvallend veel sprot gevangen in deze zone. +Indien we naar de biomassa kijken winnen haring en ook sprot aan belang in de twee stroomafwaartse zones en zelfs in de zoete zone met lange verblijftijd. +Mariene migranten zoeken de beschutting en voedselrijkdom van het estuarium op tot in de zoetwater zone. +De aantallen en biomassa's variëren sterk van jaar tot jaar. + +De grootste soortenrijkdom vinden we bij de mariene en estuariene soorten in de zone met sterke saliniteitsgradiënt. +De voornaamste oorzaak hiervan is dat er af toe vangsten zijn van mariene dwaalgasten of stragglers. +Deze hebben weinig betekenis voor het estuarien functioneren, buiten de indicatie dat ze kunnen overleven in die omgeving. +De laagste soortenrijkdom vinden we bij de diadromen in de oligohaliene zone. +De diversiteit is het grootst bij de zoetwatersoorten. + +
+ +```{r 091-figuur-aantallen-habitat, fig.cap=aantallen_habitat, out.width="110%"} + +aantallen_habitat <- + str_c("Totaal aantal gevangen individuen voor elke groep van estuarien habitat gebruik in de periode 2012-",laatste_jaar,". Jaargemiddelde aantallen per scheldezone (EMSE, niveau 3) en habitatgroepen.") + +knitr::include_graphics(paste0(pad_figuren, "EMSE_alternatief/relatieve_aantallen_tot_aantal_salgroep.jpg")) + +``` + +
+ +```{r 091-figuur-biomassa-habitat, fig.cap=biomassa_habitat, out.width="110%"} + +biomassa_habitat <- + str_c("Totale biomassa gevangen individuen voor elke groep van estuarien habitat gebruik in de periode 2012-",laatste_jaar,". Jaargemiddelde biomassa per scheldezone (EMSE, niveau 3) en habitatgroepen.") + +knitr::include_graphics(paste0(pad_figuren, "EMSE_alternatief/relatieve_biomassa_tot_biomassa_salgroep.jpg")) + +``` + +
+ +```{r 091-figuur-diversiteit-habitat, fig.cap=diversiteit_habitat, out.width="100%"} + +diversiteit_habitat <- + str_c("Aantal soorten (S, lichtblauw) en Shannon diversiteit (D, donkerblauw) voor elke groep van estuarien habitat gebruik in de periode 2012-",laatste_jaar,". Jaargemiddelde diversiteit per scheldezone (EMSE, niveau 3) en habitatgroepen.") + +knitr::include_graphics(paste0(pad_figuren, "EMSE_alternatief/diversiteit_S_D_salgroep.jpg")) + +``` + +
+ +##### Dieet + +De resultaten voor aantallen, biomassa en diversiteit per dieetgroep worden weergegeven in respectievelijk Figuur \@ref(fig:091-figuur-aantallen-dieet), Figuur \@ref(fig:091-figuur-biomassa-dieet) en Figuur \@ref(fig:091-figuur-diversiteit-dieet). + +Qua trofische samenstelling overheersen omnivoren de aantallen en ook de biomassa, gevolgd door benthivoren, planktivoren en tenslotte een zeer kleine minderheid aan piscivoren. + +Brakwatergrondel en dikkopje en ook brasem zijn de dominante benthivoren zowel in de aantallen als in de biomassa. +De gevangen hoeveelheden en de dominantie van brakwatergrondel over dikkopje stijgen beiden in stroomopwaartse richting. + +Spiering is de dominante omnivoor met veel hogere aantallen en biomassa dan snoekbaars en andere omnivoren. +Dit moet echter genuanceerd worden. +De overgrote meerderheid zijn planktivore juveniele spieringen. +In het pelagiaal van de oligohaliene en zoete zeeschelde vinden we dus voornamelijk planktivore individuen. + +In de saliniteitsgradiënt zijn haring en sprot de belangrijkste planktivoren, met een zeer opvallende piek in 2022. +Ook in het oligohalien zijn ze talrijk aanwezig. + +Baars, rivierprik en zeeprik zijn de belangrijkste piscivoren. +In aantallen overheerst baars, met een opvallende piek in Overbeke in 2021. +Pieken in de biomassa worden eerder veroorzaakt door occasionele vangsten van prikken, die gemiddeld veel groter zijn. +Ook piscivorie in de waterkolom van de Zeeschelde is onderschat doordat de EMSE indeling in dieetgroepen geen rekening houdt met de dieetshift van dominante soorten. +Een groot aandeel van 'omnivore' biomassa betreft ook volwassen spieringen en snoekbaars, die zich in de Schelde voornamelijk piscivoor gedragen (eigen observatie). +Ook volwassen fint, winde, meerval, zeebaars, steenbolk en zeeforel zijn als piscivoor gekend. + +Omnivoren vormen de meest soortenrijke trofische groep, gevolgd door benthivoren, planktivoren en tenslotte piscivoren. +Door de dominantie van enkele soorten in elke groep is de diversiteit algemeen laag in alle groepen en scheldezones. + +
+ +```{r 091-figuur-aantallen-dieet, fig.cap=aantallen_dieet, out.width="110%"} + +aantallen_dieet <- + str_c("Totaal aantal gevangen individuen per dieetgroep in de periode 2012-",laatste_jaar,". Jaargemiddelde aantallen per scheldezone (EMSE, niveau 3) en dieetgroepen.") + +knitr::include_graphics(paste0(pad_figuren, "EMSE_alternatief/relatieve_aantallen_tot_aantal_dieet.jpg")) + +``` + +
+ +```{r 091-figuur-biomassa-dieet, fig.cap=biomassa_dieet, out.width="110%"} + +biomassa_dieet <- + str_c("Totale biomassa gevangen individuen per dieetgroep in de periode 2012-",laatste_jaar,". Jaargemiddelde biomassa per scheldezone (EMSE, niveau 3) en dieetgroepen.") + +knitr::include_graphics(paste0(pad_figuren, "EMSE_alternatief/relatieve_biomassa_tot_biomassa_dieet.jpg")) + +``` + +
+ +```{r 091-figuur-diversiteit-dieet, fig.cap=diversiteit_dieet, out.width="100%"} + +diversiteit_dieet <- + str_c("Aantal soorten (S, lichtblauw) en Shannon diversiteit (D, donkerblauw) per dieetgroep in de periode 2012-",laatste_jaar,". Jaargemiddelde diversiteit per scheldezone (EMSE, niveau 3) en dieetgroepen.") + +knitr::include_graphics(paste0(pad_figuren, "EMSE_alternatief/diversiteit_S_D_dieet.jpg")) + +``` + +
diff --git a/moneos_2024/150_geintegreerd_rapport/092_vissen_fuiken.Rmd b/moneos_2024/150_geintegreerd_rapport/092_vissen_fuiken.Rmd new file mode 100644 index 0000000..d2f0d9b --- /dev/null +++ b/moneos_2024/150_geintegreerd_rapport/092_vissen_fuiken.Rmd @@ -0,0 +1,686 @@ +```{r 092-hoofdstuk, include=FALSE} + +hoofdstuk <- "090_vissen" + +``` + +```{r 092-setup, include=FALSE} + +knitr::opts_chunk$set(echo = FALSE, error=FALSE, warning=FALSE, message=FALSE, cache=FALSE, fig.pos = "H") +knitr::opts_knit$set(eval.after = "fig.cap") + +``` + +```{r 092-libraries} + +library(tidyverse) +library(readxl) +library(kableExtra) +library(rprojroot) ## workaround pad + +``` + +```{r 092-pad} + +# inlezen van variabelen +# pad naar data : pad_data +# pad naar tabellen : pad_tabellen +# pad naar figuren : pad_figuren + +source(find_root_file("../pad.R", criterion = is_rstudio_project)) + +pad_data <- maak_pad(hoofdstuk, "data") +pad_figuren <- maak_pad(hoofdstuk, "figuren/fuiken") +pad_tabellen <- maak_pad(hoofdstuk, "tabellen/fuiken") + +``` + +```{r 092-table_from_figure-function} +figtab <- + function(label, image_file, caption=NULL) { + txt <- sprintf('\\begin{table}[H]\n\\caption{%s}\n\\label{tab:%s}\n\\includegraphics{%s}\n\\end{table}', + caption, + label, + image_file) + magick::image_read(image_file) %>% magick::image_ggplot() %>% print() + writeLines(txt) + } +``` + +```{r 092-meta-data} + +meta_data <- + read_delim(paste0(pad_data, "fuiken_meta_data.csv"), + delim = ";") + +for(i in 1:nrow(meta_data)){ + ##first extract the object value + tempobj=meta_data$waarde[i] + ##now create a new variable with the original name of the list item + eval(parse(text=paste(meta_data$naam[i],"= tempobj"))) +} + +``` + +### Fuiken + +#### Soortenrijkdom in `r laatste_jaar` + +In `r laatste_jaar` werden `r aantal_soorten_laatste_jaar` vissoorten gevangen in de fuiken. +Een overzicht van de soorten gevangen in `r laatste_jaar` is weergegeven in Tabel \@ref(tab:092-tabel-overzicht-soorten). +De relatieve soortenrijkdom per saliniteitszone vertoont een gelijkaardige trend met fuiken en ankerkuil. +In de zone met sterke saliniteitsgradiënt (Paardenschor en Antwerpen) en de oligohaliene zone (Steendorp) werden er meer soorten gevangen dan in de zoetwaterzone met lange (Kastel) en korte (Appels, Overbeke) verblijftijd (Tabel \@ref(tab:092-tabel-aantal-soorten)). +In elke zone werden echter minder soorten bovengehaald met de fuiken. +Over de seizoenen werden met de fuiken minst soorten gevangen in het najaar terwijl dat met de ankerkuil in de zomer was. + +Ook totaal over de beschouwde periode (`r vroegste_jaar` - `r laatste_jaar`) worden meest soorten gevangen in de zone met sterke saliniteitsgradiënt (Zandvliet/Paardenschor \> Antwerpen) (Figuur \@ref(fig:092-figuur-aantal-soorten-locatie-historisch)) en daalt de soortenrijkdom in stroomopwaartse richting, net zoals met de ankerkuilvangsten. +Vanaf 2017 worden in de zone met sterke saliniteitsgradiënt wel minder soorten gevangen, terwijl meer stroomopwaarts het aantal soorten lijkt toe te nemen. + + +De soortensamenstelling op elke locatie kan sterk verschillen tussen de seizoenen, met een turnover van ongeveer één derde van de soorten. +Het totaal aantal soorten jaarlijks gevangen met fuiken in de Zeeschelde (over alle locaties) in de periode `r vroegste_jaar` - `r laatste_jaar` varieert rond de 33 (Figuur \@ref(fig:092-figuur-aantal-soorten-locatie-historisch)). +Tot een kwart van het aantal gevangen soorten kan verschillen tussen de locaties. +Het aantal gevangen soorten per jaar vertoont meer variatie vanaf 2016. +In 2022 zijn er met de fuiken beduidend minder soorten gevangen dan de jaren voorheen. +Dit heeft waarschijnlijk te maken met de halvering van het aantal fuikdagen per campagne van 2 naar 1 etmaal per locatie. +Uit vergelijking tussen vangsten na eerste en tweede etmaal in 144 campagnes blijkt dat een tweede vangst 0 tot 6 extra soorten oplevert met een gemiddelde van 2 soorten. + +```{r 092-tabel-overzicht-soorten} + +tabel_gevangen_soorten <- + read_excel(paste0(pad_tabellen, "tabellen_vissen.xlsx"), + sheet = "gevangen_soorten") %>% + arrange(soort) + +cap_gevangen_soorten <- + paste0("Overzicht van de vissoorten gevangen met fuiken in de Zeeschelde in ", + laatste_jaar, + ".") + +tabel_gevangen_soorten %>% + mutate(across(everything(), ~as.character(.) %>% replace_na(""))) %>% + mutate(across(everything(), ~cell_spec(., color = "black"))) %>% + knitr::kable(booktabs = TRUE, + caption = cap_gevangen_soorten, + align = c("l", rep("c", 12)), + col.names = c("", rep(c("Paard.", "Antw.", "Steend.", "Kastel", "Appels", "Overb."), 3)), + escape = FALSE) %>% + add_header_above(c(" " = 1, "voorjaar" = 6, "zomer" = 6, "najaar" = 6)) %>% + kable_styling("striped", + latex_options = c("striped", "scale_down"), + font_size = 15) + +``` + +
+ +```{r 092-tabel-aantal-soorten} + +tabel_aantal_soorten <- + read_excel(paste0(pad_tabellen, "tabellen_vissen.xlsx"), + sheet = "aantal_soorten") + +cap_aantal_soorten <- + paste0("Aantal soorten gevangen met fuiken in de Zeeschelde in ", + laatste_jaar, + ".") + +tabel_aantal_soorten %>% + mutate(across(everything(), ~as.character(.) %>% replace_na(""))) %>% + mutate(across(everything(), ~cell_spec(., color = "black"))) %>% + knitr::kable(booktabs = TRUE, + caption = cap_aantal_soorten, + align = c("l", rep("c", 3)), + escape = FALSE) %>% + kable_styling("striped", + latex_options = c("striped"), + font_size = 10) + +``` + +
+ +```{r 092-figuur-aantal-soorten-locatie-historisch, fig.cap=cap_aantal_soorten_locatie, out.width="110%"} + +cap_aantal_soorten_locatie <- + str_c("Het aantal soorten gevangen per locatie met fuiken in de Zeeschelde in de periode 2009-",laatste_jaar,". Het donkere deel per balk geeft het gemiddeld aantal soorten gevangen per jaar en locatie; het lichtere deel geeft het totaal aantal gevangen soorten per jaar en locatie.") + +knitr::include_graphics(paste0(pad_figuren, "aantal_soorten_locatie.jpg")) + +``` + +
+ +#### Relatieve soortensamenstelling voor de meest dominante soorten in `r laatste_jaar` + +Alle vangstgegevens van `r laatste_jaar` worden geanalyseerd. +Soorten met in alle seizoenen en locaties een relatieve bijdrage kleiner dan 10% voor zowel de aantallen als biomassa worden als 'rest' samengenomen. + +Deze analyse geeft aan dat de relatieve abundantie van de soorten zowel ruimtelijk als per seizoen verschilt (Figuur \@ref(fig:092-figuur-relatief-aantal)). +Het patroon verschilt ook sterk van dat van de ankerkuilvangsten en geeft algemeen een meer divers beeld met minder uitgesproken dominantie van een aantal soorten. + +In het voorjaar van `r laatste_jaar` overheersen schol, bot en zeebaars de aantallen aan het Paardenschor. +In Antwerpen zijn dat vooral spiering en bot. +In Steendorp wordt er naast spiering ook relatief veel paling gevangen. +In de zoete zone overheersen naast snoekbaars de typische zoetwatersoorten blankvoorn, kolblei en brasem. +In Kastel is er ook nog een redelijk aantal spiering. +In de zomer worden overal redelijke aantallen bot gevangen. +In de zone met sterke saliniteitsgradiënt overheerst tong, in Antwerpen aangevuld met snoekbaars. +In de zoete zone neemt snoekbaars in de zomer de overhand, aangevuld met paling, blankvoorn en brasem. +Dit beeld verandert compleet in het najaar. +In die periode overheerst brakwatergrondel de fuikvangsten van Antwerpen tot Appels. +Aan het Paardenschor blijven tong en bot belangrijk, aangevuld met zeebaars. +In Overbeke zijn dat de paling en kolblei. + +Uitgedrukt in biomassa overheerst de snoekbaars de zoete zone reeds in het voorjaar, in de zone met saliniteitsgradiënt zijn dat bot, dunlipharder, spiering en zeebaars. +In Kastel overheersen optrekkende finten niet in de aantallen maar wel in de biomassa. +Snoekbaars en paling blijven dominant in de zomer. +Aangevuld met brasem in de zoete zone en spiering en zeebaars meer stroomafwaarts. +In het Paardenschor is tong nu de belangrijkste soort (Figuur \@ref(fig:092-figuur-relatieve-biomassa)). +In het najaar overheersen achtereenvolgens zeebaars, bot en paling de biomassa van stroomaf naar stroomop. +Ook de talrijke kleine brakwatergrondeltjes laten zich bescheiden opmerken in de biomassa getallen. + +```{r 092-figuur-relatief-aantal, fig.cap=cap_relatief_aantal, out.width="100%"} + +cap_relatief_aantal <- + str_c("Het relatief aantal individuen per soort en per seizoen gevangen met fuiken in de Zeeschelde in ",laatste_jaar,". De getallen geven de percentages van het aantal gevangen vissen weer.") + +knitr::include_graphics(paste0(pad_figuren, "relatief_aantal_gevangen_individuen.jpg")) + +``` + +
+ +```{r 092-figuur-relatieve-biomassa, fig.cap=cap_relatieve_biomassa, out.width="100%"} + +cap_relatieve_biomassa <- + str_c("De relatieve biomassa per soort en per seizoen gevangen met fuiken in de Zeeschelde in ",laatste_jaar,". De getallen geven de percentages van de totale biomassa weer.") + +knitr::include_graphics(paste0(pad_figuren, "relatieve_biomassa_gevangen_individuen.jpg")) + +``` + +
+ +#### Densiteit, biomassa en diversiteit binnen EMSE + +##### Algemene trends per saliniteits- en dieetvoorkeur + +In de hieronder volgende figuren voor aantallen en biomassa worden de bijdragen van de meest abundante soorten per functionele groep met individuele kleurcodes weergegeven. +Soorten die binnen een functionele groep minder dan 10% van zowel de aantallen als de biomassa uitmaken worden telkens samengenomen als 'rest'. + +[Estuariene soorten en mariene migranten]{.underline} + +Figuur \@ref(fig:092-figuur-aantallen-marien-EMSE) en Figuur \@ref(fig:092-figuur-biomassa-marien-EMSE) geven per saliniteitszone (EMSE niveau 3) en dieetvoorkeur respectievelijk de aantallen en biomassa weer voor de gevangen estuariene soorten en mariene migranten. + +In deze estuariene gebruik groep overwegen benthivoren in aantal en biomassa. +Eerst vooral in de zone met sterke saliniteitsgradiënt maar de laatste jaren ook in de zoete zones. +In aantallen volgen planktivoren maar in biomassa zijn dat omnivoren. + +In de zone met sterke saliniteitsgradiënt worden vooral tong en schol gevangen als benthivore mariene migranten. +Het aantal tongen per fuikdag daalde sterk na 2011 en toonde nog een beperkte piek in 2017. +Brakwatergrondel en dikkopje zijn veruit de meest talrijke benthivore estuariene soorten in de oligohaliene en zoete zones. +De aantallen per fuikdag schommelen sterk zonder bepaalde trend. +In `r laatste_jaar` is er een piek in de zoete zones. +Deze werd ook waargenomen in Branst met de ankerkuilvangsten. + +Omnivore mariene soorten worden qua aantallen en biomassa gedomineerd door zeebaars. +Vooral in de zone met sterke saliniteitsgradiënt, zijn ze opvallend aanwezig in de fuikvangsten sinds 2015, terwijl ze in deze zone relatief minder gevangen worden met de ankerkuil. +Opvallend is ook de piek van steenbolk in 2019. + +Piscivore estuariene en mariene soorten volgens de EMSE indeling werden in de Zeeschelde niet gevangen met fuiken. + +Planktivore individuen van de groep estuarien residente en mariene migranten zijn vooral juvenielen van mariene soorten haring en sprot, die de luwte van het estuarium opzoeken om op te groeien. +Ze zijn meest talrijk in de zone met sterke saliniteitsgradiënt maar ze zijn toch ook tot in de zoete zone terug te vinden. +Daar waar de piek in de ankerkuil aantallen zich in 2022 voordeed was dat in 2021 voor de fuikvangsten. + +De patronen voor biomassa vertonen grotendeels dezelfde verhoudingen tussen soortgroepen, saliniteitszones en soorten (Figuur \@ref(fig:092-figuur-biomassa-marien-EMSE)). + +De sterke dominantie van één of twee soorten qua aantallen binnen elke soortgroep is ook duidelijk zichtbaar. +Uit Figuur \@ref(fig:092-figuur-diversiteit-marien-EMSE) blijkt de sterke dominantie van één of twee soorten qua aantallen binnen elke soortgroep. +De functionele groepen worden gedomineerd door slechts één of twee soorten (D), ook als er in totaal (S) 5 of meer soorten voorkomen in een groep. +Uitzonderlijk komt in de zone met sterke saliniteitsgradiënt een diversiteit (D) hoger dan 2 voor. +Soortenaantal en diversiteit vertonen geen uitgesproken trends binnen de soortgroepen, maar zijn relatief stabiel. + +```{r 092-figuur-aantallen-marien-EMSE, fig.cap=aantallen_marien_EMSE, out.width="110%"} + +aantallen_marien_EMSE <- + str_c("Totaal aantal gevangen individuen van estuariene soorten en mariene migranten in de Zeeschelde in de periode 2009-",laatste_jaar,". Jaargemiddelde aantallen per scheldezone (EMSE, niveau 3) en EMSE soortgroepen.") + +knitr::include_graphics(paste0(pad_figuren, "relatieve_aantallen_tot_aantal_EMSE_marien.jpg")) + +``` + +
+ +```{r 092-figuur-biomassa-marien-EMSE, fig.cap=biomassa_marien_EMSE, out.width="110%"} + +biomassa_marien_EMSE <- + str_c("Totale biomassa gevangen individuen van estuariene soorten en mariene migranten in de Zeeschelde in de periode 2009-",laatste_jaar,". Jaargemiddelde biomassa per scheldezone (EMSE, niveau 3) en EMSE soortgroepen.") + +knitr::include_graphics(paste0(pad_figuren, "relatieve_biomassa_tot_biomassa_EMSE_marien.jpg")) + +``` + +
+ +```{r 092-figuur-diversiteit-marien-EMSE, fig.cap=diversiteit_marien_EMSE, out.width="100%"} + +diversiteit_marien_EMSE <- + str_c("Aantal soorten (S, lichtblauw) en Shannon diversiteit (D, donkerblauw) van estuariene soorten en mariene migranten in de Zeeschelde in de periode 2009-",laatste_jaar,". Jaargemiddelde diversiteit per scheldezone (EMSE, niveau 3) en EMSE soortgroepen.") + +knitr::include_graphics(paste0(pad_figuren, "diversiteit_S_D_EMSE_marien.jpg")) + +``` + +
+ +[Diadrome soorten]{.underline} + +Er zijn geen diadrome benthivore vissoorten in de Zeeschelde. +De twee zogenaamd piscivore soorten, de zeeprik en de rivierprik zijn eigenlijk parasitaire soorten waarvan slechts sporadisch een enkel groter exemplaar met de fuik gevangen wordt. +De enige dieetgroep van tel onder de diadromen zijn de omnivore soorten. +In de fuikvangsten zijn de jonge spieringen minder dominant aanwezig dan in de ankerkuil. +Ook bot, driedoornige stelkelbaars, dunlipharder, fint en paling laten zich opmerken in de aantallen en/of biomassa (Figuur \@ref(fig:092-figuur-aantallen-diadroom-EMSE); Figuur \@ref(fig:092-figuur-biomassa-diadroom-EMSE)). + +In de zone met sterke saliniteitsgradiënt wordt bot in de grootste aantallen gevangen. +Spieringen zijn meest talrijk in de oligohaliene en zoetwater zone met pieken tot 400-600 individuen per fuikdag in 2015 in Overbeke. +In recente jaren zijn de aantallen, net als in de ankerkuildata een stuk lager (\<50 individuen per fuikdag). +Vergelijking van aantallen en biomassa in de verschillende saliniteitszones doet ook op basis van fuikdata vermoeden dat de spieringen gemiddeld het kleinst zijn in de zoete zone en het grootste in de zone met sterke saliniteitsgradiënt. +De biomassa van omnivore diadromen in de oligohaliene en zoete zones wordt vooral door paling en in sommige gevallen ook optrekkende fint bepaald (Figuur \@ref(fig:092-figuur-biomassa-diadroom-EMSE)). +In de zone met sterke saliniteitsgradient maken vooral paling, bot en een enkele keer ook dunlipharder en fint de biomassa uit. + +Diversiteit voor diadrome omnivoren is gemiddeld hoger dan voor mariene en estuarien residente soorten voor de fuikvangsten omdat spiering als pelagiale soort minder domineert met deze vangstmethode. +(Figuur \@ref(fig:092-figuur-diversiteit-diadroom-EMSE)). + +```{r 092-figuur-aantallen-diadroom-EMSE, fig.cap=aantallen_diadroom_EMSE, out.width="110%"} + +aantallen_diadroom_EMSE <- + str_c("Totaal aantal gevangen individuen van diadrome soorten in de Zeeschelde in de periode 2009-",laatste_jaar,". Jaargemiddelde aantallen per scheldezone (EMSE, niveau 3) en EMSE soortgroepen.") + +knitr::include_graphics(paste0(pad_figuren, "relatieve_aantallen_tot_aantal_EMSE_diadroom.jpg")) + +``` + +
+ +```{r 092-figuur-biomassa-diadroom-EMSE, fig.cap=biomassa_diadroom_EMSE, out.width="110%"} + +biomassa_diadroom_EMSE <- + str_c("Totale biomassa gevangen individuen van diadrome soorten in de Zeeschelde in de periode 2009-",laatste_jaar,". Jaargemiddelde biomassa per scheldezone (EMSE, niveau 3) en EMSE soortgroepen.") + +knitr::include_graphics(paste0(pad_figuren, "relatieve_biomassa_tot_biomassa_EMSE_diadroom.jpg")) + +``` + +
+ +```{r 092-figuur-diversiteit-diadroom-EMSE, fig.cap=diversiteit_diadroom_EMSE, out.width="100%"} + +diversiteit_diadroom_EMSE <- + str_c("Aantal soorten (S, lichtblauw) en Shannon diversiteit (D, donkerblauw) van diadrome soorten in de Zeeschelde in de periode 2012-",laatste_jaar,". Jaargemiddelde diversiteit per scheldezone (EMSE, niveau 3) en EMSE soortgroepen.") + +knitr::include_graphics(paste0(pad_figuren, "diversiteit_S_D_EMSE_diadroom.jpg")) + +``` + +
+ +[Zoetwater soorten]{.underline} + +Bij de zoetwater soorten zijn omnivoren het meest talrijk en vertegenwoordigen ze de grootste biomassa, gevolgd door benthivoren en vervolgens piscivoren (Figuur \@ref(fig:092-figuur-aantallen-zoetwater-EMSE), Figuur \@ref(fig:092-figuur-biomassa-zoetwater-EMSE)). + +De fuikresultaten van de zoetwater soorten geven een zeer verschillend beeld van dat van de ankerkuilvangsten. +Van deze estuariene gebruikgroep worden relatief meer individuen per fuikdag gevangen in de zone met sterke saliniteitsgradiënt en ook in de oligohaliene zone. +Kijken we echter naar de biomassa gegevens dan verandert het beeld grondig met de hogere biomassa's in stroomopwaartse richting. + +In de groep van benthische zoetwatersoorten bepalen vooral brasem en een enkele keer blauwbandgrondel de relatieve aantallen, die in stroomopwaartse richting afnemen. +De biomassa wordt echter bijna uitsluitend door brasem bepaald, die in individuele grootte en gewicht net toeneemt in stroomopwaartse richting van gemiddeld 10g aan de grens naar 300-400g in Overbeke. +Daarom is de biomassa van deze functionele groep relatief groter in de stroomopwaartse stations. +Opvallend zijn een recordvangst van grote brasems in Steendorp in de zomer van 2014 en een steur van 124cm en 13,5 kg in Kastel in 2019. +Deze zijn niet te zien in de aantallen maar wegen wel door in de biomassa. + +Snoekbaars is de meest talrijk gevangen omnivore zoetwatersoort, maar bepaalt de biomassa niet in dezelfde mate als bij de ankerkuilvangsten. +Er worden er meer gevangen in de zone met sterke saliniteitsgradiënt maar de exemplaren worden groter en zwaarder in stroomopwaartse richting. +Ook kolblei wordt meer gevangen aan de grens maar de exemplaren worden groter in stroomopwaartse richting. +Blankvoorn en giebel zijn overal en bijna altijd aanwezig maar dragen relatief weinig bij aan de biomassa. +Het omgekeerde is waar voor snoek, meerval en karper. +Vooral in de zoete zone met korte verblijftijd bepalen hun relatief geringe aantallen in grote mate de biomassa. +Zwartbekgrondel wordt vooral in de brakke zone gevangen. + +Baars is de belangrijkste piscivore zoetwatersoort. +In de zone met saliniteitsgradiënt wordt deze soort al geruime tijd in redelijke aantallen gevangen. +In de zoete zone nemen de aantallen geleidelijk toe. +Net zoals voor de meeste andere typische zoetwatersoorten neemt de biomassa toe in stroomopwaartse richting. + +Afgezien van 2 alvervangsten zijn er geen planktivore zoetwatersoorten in de Zeeschelde gevangen met fuiken. + +Vooral in de zoete zone met korte verblijtijd zijn zowel diversiteit (D), als soortenrijkdom (S) voor de omnivore en benthivore zoetwater soorten relatief hoger dan voor andere functionele groepen. +(Figuur \@ref(fig:092-figuur-diversiteit-zoetwater-EMSE)). + +```{r 092-figuur-aantallen-zoetwater-EMSE, fig.cap=aantallen_zoetwater_EMSE, out.width="110%"} + +aantallen_zoetwater_EMSE <- + str_c("Totaal aantal gevangen individuen van zoetwater soorten in de Zeeschelde in de periode 2012-",laatste_jaar,". Jaargemiddelde aantallen per scheldezone (EMSE, niveau 3) en EMSE soortgroepen.") + +knitr::include_graphics(paste0(pad_figuren, "relatieve_aantallen_tot_aantal_EMSE_zoet.jpg")) + +``` + +
+ +```{r 092-figuur-biomassa-zoetwater-EMSE, fig.cap=biomassa_zoetwater_EMSE, out.width="110%"} + +biomassa_zoetwater_EMSE <- + str_c("Totale biomassa gevangen individuen van zoetwater soorten in de Zeeschelde in de periode 2012-",laatste_jaar,". Jaargemiddelde biomassa per scheldezone (EMSE, niveau 3) en EMSE soortgroepen.") + +knitr::include_graphics(paste0(pad_figuren, "relatieve_biomassa_tot_biomassa_EMSE_zoet.jpg")) + +``` + +
+ +```{r 092-figuur-diversiteit-zoetwater-EMSE, fig.cap=diversiteit_zoetwater_EMSE, out.width="100%"} + +diversiteit_zoetwater_EMSE <- + str_c("Aantal soorten (S, lichtblauw) en Shannon diversiteit (D, donkerblauw) van zoetwater soorten in de Zeeschelde in de periode 2012-",laatste_jaar,". Jaargemiddelde diversiteit per scheldezone (EMSE, niveau 3) en EMSE soortgroepen.") + +knitr::include_graphics(paste0(pad_figuren, "diversiteit_S_D_EMSE_zoet.jpg")) + +``` + +
+ +#### Trends in sleutelsoorten + +Van de 25 sleutelsoorten uit de lijst (EMSE 2021) worden er 22 waargenomen in de Zeeschelde met fuiken: 8 mariene en estuariene soorten, 6 diadrome soorten en 8 zoetwater soorten. +Slechts een aantal soorten komen echter in relatief hoge aantallen voor. + + + +[Estuariene soorten en mariene migranten]{.underline} + +Van de estuariene en mariene soorten komen brakwatergrondel, dikkopje, haring en zeebaars vrij frequent voor (\> 30 per fuikdag, Figuur \@ref(fig:092-figuur-mariene-sleutelsoorten)). +De overige soorten komen slechts in zeer kleine aantallen voor. + +- Brakwatergrondel werd in de eerste jaren vooral in de zone met sterke saliniteitsgradiënt gevangen maar vertoont in recentere jaren grotere pieken in de zoete zones ook in `r laatste_jaar` werden veel brakwatergrondels gevangen met de fuiken. + +- Dikkopje bevindt zich gemiddeld meer stroomafwaarts en is veel minder talrijk dan brakwatergrondel. + Er was een grote piek in de oligohaliene zone in 2020. + In `r laatste_jaar` waren de aantallen redelijk laag in alle zones. + +- Haring komt vooral voor in de zone met sterke saliniteitsgradiënt. + 2019 en 2021 waren piekjaren voor de oligohaliene zone, 2021 ook voor de zone met sterke saliniteitsgradiënt. + In 2022 was het aantal haringen in de fuikvangsten in alle zones eerder gering. + +- Schol en ook zeebaars nemen de laatste jaren een vlucht in de zone met sterke saliniteitsgradiënt. + Zeedonderpad en slakdolf werden na 2014 niet meer gevangen. + + +```{r 092-figuur-mariene-sleutelsoorten, fig.cap=cap_aantal_sleutelsoorten_marien, out.width="100%"} + +cap_aantal_sleutelsoorten_marien <- + str_c("Aantallen van sleutelsoorten binnen estuariene soorten en mariene migranten in de Zeeschelde in de periode 2009-",laatste_jaar,". Jaargemiddelde aantallen per scheldezone (EMSE, niveau 3).") + +knitr::include_graphics(paste0(pad_figuren, "aantallen_sleutelsoorten_EMSE_marien.jpg")) + +``` + +
+ +[Diadrome soorten]{.underline} + +De meest voorkomende diadrome sleutelsoorten (\> 15 individuen per fuikdag) zijn bot, paling en vooral spiering (Figuur \@ref(fig:092-figuur-diadrome-sleutelsoorten)). + +- Bot komt voor in alle scheldezones. + Met fuiken worden veel meer exemplaren in de zone met sterke saliniteitsgradiënt gevangen dan in andere zones, terwijl dat met de ankerkuil eerder in de oligohaliene en zoete zone met lange verblijftijd is. + Aantallen bot die met de fuiken gevangen worden gaan in dalende lijn met in `r laatste_jaar` vrij lage aantallen. + +- Er worden niet elk jaar finten gevangen in de fuiken. + Dat is niet abnormaal voor deze pelagiale soort, die eerder in de waterkolom dan aan de laagwaterlijn gevangen wordt. + Hoewel de aantallen recent een stuk lager zijn, kunnen ze in het voorjaar tijdens de paaiperiode toch een belangrijk deel van de biomassa uitmaken in de zoetwaterzone (zie Figuur \@ref(fig:092-figuur-relatief-aantal) ). + Aangezien het om een habitatrichtlijn soort gaat die terugkwam nadat ze lange tijd als uitgestorven beschouwd was, is het belangrijk om door jaarlijkse analyse van paaitrek én rekrutering te evalueren hoe duurzaam deze hervestiging van de fint in de Zeeschelde is. + +- Paling wordt vooral gevangen in het oligohalien en zoetwater en is vooral qua biomassa vrij belangrijk. + De aantallen vertonen een licht dalende trend. + +- Spiering is in het algemeen de soort met de hoogste aantallen en biomassa in de Zeeschelde (zie ook Figuur \@ref(fig:092-figuur-relatief-aantal), \@ref(fig:092-figuur-relatief-aantal), \@ref(fig:092-figuur-aantallen-diadroom-EMSE) en \@ref(fig:092-figuur-biomassa-diadroom-EMSE)). + Deze soort vertoonde een heel sterke piek in aantallen in 2014 in de ankerkuilvangsten en in 2015 in de fuikvangsten. + Recent vertonen de fuikaantallen een dalende trend, met 2022 als een bodemjaar, net zoals voor de ankerkuilvangsten. + +```{r 092-figuur-diadrome-sleutelsoorten, fig.cap=cap_aantal_sleutelsoorten_diadroom, out.width="100%"} + +cap_aantal_sleutelsoorten_diadroom <- + str_c("Aantallen van diadrome sleutelsoorten in de Zeeschelde in de periode 2009-",laatste_jaar,". Jaargemiddelde aantallen per scheldezone (EMSE, niveau 3).") + +knitr::include_graphics(paste0(pad_figuren, "aantallen_sleutelsoorten_EMSE_diadroom.jpg")) + +``` + +
+ +[Zoetwater soorten]{.underline} + +De meest voorkomende sleutelsoorten qua aantallen/biomassa voor de zoetwatersoorten zijn blankvoorn, brasem en snoekbaars (Figuur \@ref(fig:092-figuur-zoetwater-sleutelsoorten)). + +- Na een afname in de periode 2009-2015 van het aantal blankvoorns in de fuikvangsten in alle zones behalve het zoet met korte verblijftijd, variëren de aantallen. + In `r laatste_jaar` werden er relatief veel blankvoorns gevangen in het oligohalien en zoetwater. + +- De hoogste aantallen brasem worden meestal gevangen in de zone met sterke saliniteitsgradiënt en het mesohalien. + Verder vertoont brasem geen duidelijke trend in aantallen. + +- Snoekbaars vertoont een bescheiden toename in de zoete zones. + In de meer saline zones zijn de aantallen in de fuikvangsten eerder variabel. + In 2022 werden in elke zone redelijke aantallen snoekbaars gevangen met de fuiken. + +```{r 092-figuur-zoetwater-sleutelsoorten, fig.cap=cap_aantal_sleutelsoorten_zoetwater, out.width="100%"} + +cap_aantal_sleutelsoorten_zoetwater <- + str_c("Aantallen van zoetwater sleutelsoorten in de Zeeschelde in de periode 2009-",laatste_jaar,". Jaargemiddelde aantallen per scheldezone (EMSE, niveau 3).") + +knitr::include_graphics(paste0(pad_figuren, "aantallen_sleutelsoorten_EMSE_zoet.jpg")) + +``` + +
+ +#### Alternatieve evaluatie per estuarien habitatgebruik of dieet + +Alternatief aan de EMSE indeling kunnen we het gildenconcept toepassen zoals gebruikelijk en enerzijds het estuarien habitat gebruik door de visgemeenschap evalueren en anderzijds de visgemeenschap positioneren in het estuariene voedselweb. +Op die manier wordt per functioneel aspect de volledige visgemeenschap van de Zeeschelde beschouwd. + +Fuikvangsten en ankerkuil leveren een verschillend beeld op van de relatieve densiteit en biomassa per saliniteitzone. +In de zone met grote saliniteitsgradiënt worden gemiddeld de grootste aantallen per fuikdag gevangen. +De biomassa verdeling toont dan weer een ander beeld naargelang het estuarien gebruik of naargelang het dieet. + +##### Estuarien habitat gebruik + +De resultaten voor aantallen, biomassa en diversiteit per groep van estuarien habitat gebruik worden weergegeven in respectivelijk Figuur \@ref(fig:092-figuur-aantallen-habitat), Figuur \@ref(fig:092-figuur-biomassa-habitat) en Figuur \@ref(fig:092-figuur-diversiteit-habitat). +Het beeld op basis van fuikvangsten is iets complexer en toont andere accenten dan op basis van ankerkuildata. + +In de zone met sterke saliniteitgradiënt overheerst tong zowel naar aantallen als naar biomassa in de groep van mariene migranten. +Sinds 2012 zijn aantallen en biomassa per fuikdag wel plots fel verminderd. +Ook zeebaars en haring zijn steeds in grote aantallen aanwezig, in toenemende mate sinds 2015. +Schol verdween na 2010 maar is sinds 2018 terug aanwezig. +Brakwatergrondel en dikkopje zijn als estuarien residenten ook elk jaar vertegenwoordigd in redelijk grote aantallen. +In de oligohaliene zone zijn dikkopje, haring en brakwatergrondel de belangrijkste soorten uit deze functionele groep. +De aantallen en biomassa nemen toe sinds 2017. +In de zoete zones is brakwatergrondel de belangrijkste estuariene soort. +De aantallen in de fuikvangsten variëren er sterk, met af en toe een extreme piek. +In drogere jaren komen ook haring en zeebaars opgroeien tot in de zoete zones. + +Bot is de belangrijkste trekvis in de zone met sterke saliniteitgradiënt, in aantallen én biomassa, in aantallen gevolgd door driedoornige stekelbaars en spiering. +Paling overheerst echter de biomassa en in sommige jaren wegen ook de optrekkende/terugkerende finten mee. +In de meer stroomopwaartse oligohaliene en zoete zones is spiering zonder meer de meest talrijk aanwezige trekvis. +Ook hier overheerst paling echter in de trekvis biomassa, soms bijgestaan door fint. + +Aantallen en biomassa van de zoetwatervissen vertonen een meer gediversifieerd beeld. +Snoekbaars is de dominante zoetwatersoort in aantal, maar de dominantie is niet zeer uitgesproken. +snoekbaars, karper, europese meerval, brasem en snoekbaars leveren de belangrijkste bijdragen aan de biomassa van zoetwatersoorten. + +De zoewatervissen zijn de meest soortenrijke estuariene gebruik groep. +De diversiteit is het grootst voor de zoetwatersoorten in de zoete zone met korte verblijftijd. +Het is vooral in deze groep dat in 2022 minder soorten gevangen werden met de fuiken, vermoedelijk ook door het feit dat de vangstinspanning gehalveerd werd. + +
+ +```{r 092-figuur-aantallen-habitat, fig.cap=aantallen_habitat, out.width="110%"} + +aantallen_habitat <- + str_c("Totaal aantal gevangen individuen voor elke groep van estuarien habitat gebruik in de periode 2009-",laatste_jaar,". Jaargemiddelde aantallen per scheldezone (EMSE, niveau 3) en habitatgroepen.") + +knitr::include_graphics(paste0(pad_figuren, "EMSE_alternatief/relatieve_aantallen_tot_aantal_salgroep.jpg")) + +``` + +
+ +```{r 092-figuur-biomassa-habitat, fig.cap=biomassa_habitat, out.width="110%"} + +biomassa_habitat <- + str_c("Totale biomassa gevangen individuen voor elke groep van estuarien habitat gebruik in de periode 2009-",laatste_jaar,". Jaargemiddelde biomassa per scheldezone (EMSE, niveau 3) en habitatgroepen.") + +knitr::include_graphics(paste0(pad_figuren, "EMSE_alternatief/relatieve_biomassa_tot_biomassa_salgroep.jpg")) + +``` + +
+ +```{r 092-figuur-diversiteit-habitat, fig.cap=diversiteit_habitat, out.width="100%"} + +diversiteit_habitat <- + str_c("Aantal soorten (S, lichtblauw) en Shannon diversiteit (D, donkerblauw) voor elke groep van estuarien habitat gebruik in de periode 2009-",laatste_jaar,". Jaargemiddelde diversiteit per scheldezone (EMSE, niveau 3) en habitatgroepen.") + +knitr::include_graphics(paste0(pad_figuren, "EMSE_alternatief/diversiteit_S_D_salgroep.jpg")) + +``` + +
+ +##### Dieet + +De resultaten voor aantallen, biomassa en diversiteit per dieetgroep worden weergegeven in respectievelijk Figuur \@ref(fig:092-figuur-aantallen-dieet), Figuur \@ref(fig:092-figuur-biomassa-dieet) en Figuur \@ref(fig:092-figuur-diversiteit-dieet). + + +Benthivoren en omnivoren zijn het meest talrijk en maken ook het grootste deel van de biomassa uit. +Het is dan ook in deze groepen dat het aantal soorten minder was in 2022 door de verminderde vangstinspanning. + +Tong in de zone met sterke saliniteitsgradiënt en brakwatergrondel in de zoetwater zone zijn de dominante benthivoren qua aantallen. +Brasem domineert echter qua biomassa in de oligohaliene en zoetwaterzone. + +Spiering (zoete zone) en bot (saliniteitsfgradiënt) zijn de dominante omnivoren wat betreft aantallen. +Voor de biomassa's bij de omnivoren is er geen duidelijke dominantie tussen de meest aspectbepalende soorten: bot, europese meerval, fint, karper, kolblei, snoek en snoekbaars. +Dit wordt vaak bepaald door de vangst van enkele grote individuen. + +Baars, rivierprik en zeeprik zijn de enige piscivoren die in kleine en sterk wisselende aantallen gevangen worden. +Haring en sprot zijn de enige planktivore soorten van betekenis in de Zeeschelde. + +Omnivoren vormen de meest soortenrijke trofische groep maar de diversiteit in deze groep (berekend op basis van aantallen) blijft toch relatief klein door de dominantie van vooral bot en spiering in de aantallen. +Benthivoren zijn de tweede trofische groep naar soortenrijkdom toe, maar zijn eveneens sterk gedomineerd door een beperkt aantal soorten. + +Net zoals bij de ankerkuilgegevens geldt hier de kanttekening dat de meeste spieringen juveniele planktivoren zijn en dat adulte spiering, europese meerval, snoek, snoekbaars en zeebaars eigenlijk voornamelijk als piscivoor gekend staan in de Zeeschelde. + +
+ +```{r 092-figuur-aantallen-dieet, fig.cap=aantallen_dieet, out.width="110%"} + +aantallen_dieet <- + str_c("Totaal aantal gevangen individuen per dieetgroep in de periode 2009-",laatste_jaar,". Jaargemiddelde aantallen per scheldezone (EMSE, niveau 3) en dieetgroepen.") + +knitr::include_graphics(paste0(pad_figuren, "EMSE_alternatief/relatieve_aantallen_tot_aantal_dieet.jpg")) + +``` + +
+ +```{r 092-figuur-biomassa-dieet, fig.cap=biomassa_dieet, out.width="110%"} + +biomassa_dieet <- + str_c("Totale biomassa gevangen individuen per dieetgroep in de periode 2009-",laatste_jaar,". Jaargemiddelde biomassa per scheldezone (EMSE, niveau 3) en dieetgroepen.") + +knitr::include_graphics(paste0(pad_figuren, "EMSE_alternatief/relatieve_biomassa_tot_biomassa_dieet.jpg")) + +``` + +
+ +```{r 092-figuur-diversiteit-dieet, fig.cap=diversiteit_dieet, out.width="100%"} + +diversiteit_dieet <- + str_c("Aantal soorten (S, lichtblauw) en Shannon diversiteit (D, donkerblauw) per dieetgroep in de periode 2009-",laatste_jaar,". Jaargemiddelde diversiteit per scheldezone (EMSE, niveau 3) en dieetgroepen.") + +knitr::include_graphics(paste0(pad_figuren, "EMSE_alternatief/diversiteit_S_D_dieet.jpg")) + +``` + +
+ +#### Visindex + +We berekenden de indexwaarden voor alle beschikbare gegevens (Tabel \@ref(tab:092-tabel-visindex), Figuur ). +De evolutie van de visindex in de Zeeschelde is ook één van de INBO natuurindicatoren () + +In de periode 2011-2020 was deze indicator redelijk stabiel in vergelijking tot het decennium dat daaraan voorafging: De zoete zone scoorde doorgaans beter dan de zone met sterke saliniteitsgradiënt en de oligohaliene zone had meestal de laagste score. +De laatste twee jaren daalde de EQR van de zoete zone echter van GEP in 2020 over matig in 2021 naar ontoereikend 2022. +De beide andere zones haalden nog nooit de goede ecologische toestand maar scoren wel matig in 2022. + +Figuur \@ref(fig:092-figuur-spindiagram) geeft voor elke zone een indicatie van de ecologische aspecten die minder en beter scoren in 2022. Zie Tabel \@ref(tab:090-tabel-metrieken-visindex) voor verklaring van de afkortingen. + + +```{r 092-tabel-visindex} + +tabel_visindex <- + read_excel(paste0(maak_pad(hoofdstuk, "tabellen"), "visindexreeks.xlsx"), + sheet = "tabel1995_2022", + skip = 1) + +cap_visindex <- + paste0("De EQR-waarde en appreciatie per jaar per saliniteitszone in de Zeeschelde (1995-", laatste_jaar, ") berekend met de zone-specifieke index.") + +tabel_visindex %>% + mutate(across(everything(), ~as.character(.) %>% replace_na(""))) %>% + mutate(across(everything(), ~cell_spec(., color = "black"))) %>% + knitr::kable(booktabs = TRUE, + caption = cap_visindex, + # align = c("l", rep("c", 12)), + col.names = rep(c("jaar", "EQR", "appreciatie"), 3), + escape = FALSE) %>% + add_header_above(c("Zoetwater zone" = 3, "Oligohaliene zone" = 3, "Mesohaliene zone" = 3)) %>% + kable_styling("striped", + latex_options = c("striped")) + +``` + +
+ +```{r 092-figuur-visindex, fig.cap=cap_fig_visindex, out.width="100%"} + +cap_fig_visindex <- + paste0("De EQR-score per jaar en per saliniteitszone in de Zeeschelde (1995-", laatste_jaar, ") berekend met de zone-specifieke index.") + +knitr::include_graphics(str_c(maak_pad(hoofdstuk, "figuren/EQR"), "visindex_EQR.png")) + +``` + +
+ +```{r 092-figuur-spindiagram, fig.cap=cap_spindiagram, out.width="70%", fig.show="hold", fig.fullwidth=TRUE} + +cap_spindiagram <- + str_c("Metriek scores en EQR voor de verschillende saliniteitszones van de Zeeschelde in ",laatste_jaar,".") + +figs_spin <- + list.files(maak_pad(hoofdstuk, "figuren/EQR"), full.names = TRUE) %>% + str_subset("spin") %>% + sort() + +knitr::include_graphics(figs_spin) + +``` + +
+ +In de zoetwaterzone scoren alle metrieken slecht behalve het totaal aantal soorten en het aantal individuen per fuikdag. +In de oligohaliene zone scoort het aantal mariene migrerende soorten zeer goed in 2022. +het aantal intolerante soorten en het totaal aantal individuen per fuikdag trekken de EQR voor deze zone omlaag. +In het mesohalien is de score voor het aantal intolerante individuen maximaal maar scoren de soorten met specifieke habitatvereisten, ook voor het paaien, zeer laag. diff --git a/moneos_2024/150_geintegreerd_rapport/093_vissen_conclusies.Rmd b/moneos_2024/150_geintegreerd_rapport/093_vissen_conclusies.Rmd new file mode 100644 index 0000000..2e8ebe9 --- /dev/null +++ b/moneos_2024/150_geintegreerd_rapport/093_vissen_conclusies.Rmd @@ -0,0 +1,292 @@ +```{r 093-hoofdstuk, include=FALSE} + +hoofdstuk <- "090_vissen" + +``` + +```{r 093-setup, include=FALSE} + +knitr::opts_chunk$set(echo = FALSE, error=FALSE, warning=FALSE, message=FALSE, cache=FALSE, fig.pos = "H") +knitr::opts_knit$set(eval.after = "fig.cap") + +``` + +```{r 093-libraries} + +library(tidyverse) +library(readxl) +library(kableExtra) +library(rprojroot) ## workaround pad + +``` + +```{r 093-pad} + +# inlezen van variabelen +# pad naar data : pad_data +# pad naar tabellen : pad_tabellen +# pad naar figuren : pad_figuren + +source(find_root_file("../pad.R", criterion = is_rstudio_project)) + +pad_data <- maak_pad(hoofdstuk, "data") +pad_figuren <- maak_pad(hoofdstuk, "figuren") +pad_tabellen <- maak_pad(hoofdstuk, "tabellen") + +``` + +```{r 093-table_from_figure-function} +figtab <- + function(label, image_file, caption=NULL) { + txt <- sprintf('\\begin{table}[H]\n\\caption{%s}\n\\label{tab:%s}\n\\includegraphics{%s}\n\\end{table}', + caption, + label, + image_file) + magick::image_read(image_file) %>% magick::image_ggplot() %>% print() + writeLines(txt) + } +``` + +```{r 093-meta-data} + +meta_data <- + read_delim(paste0(pad_data, "vissen_meta_data.csv"), + delim = ";") + +for(i in 1:nrow(meta_data)){ + ##first extract the object value + tempobj=meta_data$waarde[i] + ##now create a new variable with the original name of the list item + eval(parse(text=paste(meta_data$naam[i],"= tempobj"))) +} + +``` + +## Algemene conclusies + +### Afvissingen in 2022 + +2022 was een **bodemjaar voor het aantal spieringen** in de Zeeschelde. +Dit geldt zowel voor de ankerkuil als voor de fuikvangsten, waardoor het beeld van de absolute dominantie van deze soort zelfs in het pelagiaal vervaagt. +Aangezien het aantal spieringen al geruime tijd geen echte toppen meer scheert dringt zich nader onderzoek op naar de aard en oorzaak van deze dalende trend. +Meer bepaald moeten ruimtelijke en seizoenale patronen per leeftijdgroep over de jaren heen geanalyseerd worden in relatie tot abiotiek en beheer. +In de Elbe werden mogelijke oorzaken van de sterk verminderde spiering rekrutering uitvoerig onderzocht. +Verlies aan ondiep water in specifieke zones, koelwateronttrekking, onderhoudswerken en toegenomen turbiditeit werden als factoren aangestipt, mogelijks in cumulatieve interactie. +Ook de Schelde kent een evolutie van ondermeer toenemende verdieping, waterdynamiek en vertroebeling. +In de Elbe waren er onvoldoende data over de evolutie van het voedselaanbod voor spieringlarven om deze factor uit te sluiten (Scholle en Schuchardt, 2019; 2020). +In de Zeeschelde kan die informatie waarschijnlijk wel samengebracht worden. + +In 2022 werd met de ankerkuil **uitzonderlijk veel sprot** gevangen in Doel en Antwerpen en dit in voorjaar, zomer en najaar. +Hetzelfde fenomeen deed zich voor in de Westerschelde ankerkuilvangsten (de Boois & Couperus, 2022). + +In 2022 dook de **visindex voor de zoete zone** voor het eerst sinds 2009 onder die van de brakke en oligohaliene zones. + +In 2022 werd de **vangstinspanning met de fuiken gehalveerd**. +Fuiken werden telkens 1 in plaats van 2 etmaal uitgezet. +Dit had een invloed op het aantal gevangen soorten. +Hierdoor zal een breuk in de trends van soortenrijkdom bij fuikvangsten ontstaan. + +### Algemene kenmerken van de Zeeschelde populaties. + +Naar **estuarien habitatgebruik** overheersen de trekvissen de visgemeenschappen van de Zeeschelde in aantal en biomassa. +Het estuarium heeft dus weer zijn functie opgenomen in de levenscyclus van deze soorten. +Om te evalueren of de populaties echt gevestigd en duurzaam zijn is echter een cohorte analyse van de betrokken soorten in tijd en ruimte nodig. + +Naar **dieet** overheersen omnivore soorten, een normale opportunistische evolutie in een estuarium met wisselende levensomstandigheden. +Toch wordt het voedselweb stilaan complexer. +Dit uit zich in een toename van benthivore en piscivore soorten. +Om dit echt te evalueren moet voor de belangrijkste soorten rekening gehouden worden met de dieet shift die ze maken in de overgang van juveniel naar adult. +Ook worden in de EMSE classificatie een aantal gekende piscivoren (volwassen spiering, snoekbaars, zeebaars, snoek, europese meerval) over de volledige levenscyclus tot omnivoren gerekend. +Voor de soorten die de grootste biomassa uitmaken kunnen gerichte maag- en isotoopanalyses zoals voorgesteld in en ter ondersteuning en vervolg op Van de Meutter et al (2021) een het beeld van voedselinteracties verscherpen. + +### Ankerkuil versus fuikresultaten + +Ankerkuilvisserij geeft een goed beeld van de visgemeenschap in de waterkolom, fuikvisserij bemonstert eerder nabij de bodem en beide methoden verschaffen complementaire informatie. +Algemeen worden meer soorten gevangen met de ankerkuil. +De veel grotere omvang van de vangst vergroot de kans op éénmalige vangst van zeldzaamheden. +De resultaten van de fuikvangsten leveren echter een hogere Shannon diversiteit (Breine & Van den Bergh, 2022). + +In deze rapportage kwamen echter nog opvallende verschillen aan bod: + +- Fuikvangsten en ankerkuil leveren een verschillend beeld op van de relatieve densiteit en biomassa per saliniteitszone. + Met de ankerkuil worden de meeste vissen per m³ gevangen in de zoete zone en het minst in de zone met sterke saliniteitsgradiënt. + In deze laatste zone worden echter gemiddeld de grootste aantallen met fuiken gevangen. + Beide methoden leveren dus een omgekeerd beeld op van relatieve vis densiteit per saliniteitszone. + +- Pieken en dalen in de aantallen van de sleutelsoorten verschillen sterk. + De grote spieringpiek in de ankerkuildata valt in bijvoorbeeld in 2014 terwijl die in 2015 valt op basis van de fuikgegevens. + Voor haring waren dat 2022 en 2021 respectievelijk. + +Hieruit kunnen we enerzijds afleiden dat het omzetten van vangstaantallen naar aantal per volume eenheid niet zo evident is. +Anderzijds zijn plaats en tijdstip zeer bepalend voor het beeld dat we ons vormen van de visgemeenschap. Concluderend is er een noodzaak om met innovatieve monitoring (bijvoorbeeld met echosounding) continue data te verzamelen over de visgemeenschap op de besproken vislocaties. Dit onderzoek moet helpen om de variaties in de vispopulaties in ruimte en tijd te verklaren. Omgekeerd levert de klassieke monitoring informatie over de aanwezige soorten. + +### EMSE methodiek + +- EMSE soortenlijsten en categorieën voor de Zeeschelde moeten blijvend kritisch bekeken worden. + +- Het 'nesten' van gilden maakt de rapportage langer en ingewikkelder en levert geen helderder beeld op van de functies van de Zeeschelde voor visgemeenschappen. + +- Naar estuarien habitat gebruik zou het duidelijker zijn om mariene migranten en estuariene residenten als aparte groepen te beschouwen. + +- Dieetshifts in de overgang van juvenielen naar adulten mee in rekening brengen zou het inzicht in de trofische relaties verbeteren. + +- Om de duurzaamheid van de belangrijkste populaties beter in te schatten zijn cohorte analyses en evaluatie van rekrutering aangewezen. + +- EMSE stelt voor om voor de visgemeenschappen afhankelijk van de soort gebruik te maken van of ankerkuil of fuikgegevens. + Om de visgemeenschap op een zinvolle manier in zijn geheel te evalueren is het beter om alle soorten op basis van beide datasets te beoordelen. + +## Referenties + +Able K. +(2005). +A re-examination of fish estuarine dependence: Evidence for connectivity between estuarine and ocean habitats. +Estuarine, Coastal and Shelf Science. +64 (1): 5-17. + +Baldoa F. +& Drake P. (2002). +A multivariate approach to the feeding habits of small fishes in the Guadalquivir Estuary. +Journal of Fish Biology. +61: 21-32. + +Breine, J.J., Maes, J., Quataert, P., Van den Bergh, E., Simoens, I., Van Thuyne, G. +& C. +Belpaire (2007). +A fish-based assessment tool for the ecological quality of the brackish Schelde estuary in Flanders (Belgium). +Hydrobiologia, 575: 141-159. + +Breine, J., Quataert, P., Stevens, M., Ollevier, F., Volckaert, F.A.M., Van den Bergh, E. +& J. +Maes (2010). +A zone-specific fish-based biotic index as a management tool for the Zeeschelde estuary (Belgium). +Marine Pollution Bulletin, 60: 1099-1112. + +Breine J. +& Van den Bergh E. +(2022). +Vissen in de Zeeschelde: vertellen ankerkuil en fuiken hetzelfde? +Scheldesymposium Antwerpen. + +Brosens D., Breine J., Van Thuyne G., Belpaire C., Desmet P. & Verreycken H. +(2015) VIS - A database on the distribution of fishes in inland and estuarine waters in Flanders, Belgium. +ZooKeys 475: 119-145. +doi: 10.3897/zookeys.475.8556 + +de Boois I. J. +& Couperus A.S. +(2022). +Ankerkuilbemonstering in de Westerschelde. +Resultaten 2022 en meerjarenoverzichten. +WUR rapport C071/22. +39pp. +Wageningen. + +Elliott M. +& Hemingway K.L. +(2002). +In: Elliott, M. +& Hemingway K.L. +(Editors). +Fishes in estuaries. +Blackwell Science, London. +577-579. + +EMSE (2021). +Evaluatiemethodiek Schelde-estuarium: Update 2021. +Antea, Bureau Waardenburg, Deltares, UAntwerpen, UGent, INBO en NIOZ. + +Maes J., Stevens M. +& Breine J. +(2007). +Modelling the migration opportunities of diadromous fish species along a gradient of dissolved oxygen concentration in a European tidal watershed. +Estuarine, Coastal and Shelf Science. +75: 151-162. + +Maes J., Stevens M. +& Breine J. +(2008). +Poor water quality constrains the distribution and movements of twaite shad *Alosa fallax fallax* (Lacépède, 1803) in the watershed of river Scheldt. +Hydrobiologia. +602: 129-143. + +Maris T., Geerts L., & Meire P. (2011). +Basiswaterkwaliteit In Maris T. +& P. +Meire (Eds) Onderzoek naar de gevolgen van het Sigmaplan, baggeractiviteiten en havenuitbreiding in de Zeeschelde op het milieu. +Geïntegreerd eindverslag van het onderzoek verricht in 2009-2010. +011-143 Universiteit Antwerpen, 169pp. + +Scholle J. +& Schuchardt B. +(2019). +Analysis of longer-term data on the abundance of different age classen of stints (*Osmerus eperlanus*) in the Elbe estuary and the other Wadden Sea estuaries. +Bioconsult Bremen. +95pp. + +Scholle J. +& Schuchardt B. +(2020). +Analysis of longer-term data on the abundance of different age classen of stints (*Osmerus eperlanus*) in the Elbe estuary. +Part 2 possible influencing factors. +Bioconsult Bremen. +108 pp. + +Stevens M., Van den Neucker T., Mouton A., Buysse D., Martens S., Baeyens R., Jacobs Y., Gelaude E. +& Coeck J. +(2009). +Onderzoek naar de trekvissoorten in het stroomgebied van de Schelde. +Rapporten van het Instituut voor Natuur- en Bosonderzoek 2009 (INBO.R.2009.9), 188pp. + +Van de Meutter F, De Regge N, Bezdenjesnji, O (2021). +Dieetanalyse van hogere trofische niveaus in de Zeeschelde: deel vissen. +Resultaten van een studie met stabiele isotopen. +Rapporten van het Instituut voor Natuur- en Bosonderzoek 2021 (41). +Instituut voor Natuur- en Bosonderzoek, Brussel. +DOI: doi.org/10.21436/inbor.44407431 + +Van Der Meulen D., Walsh C., Taylor M. +& Gray C. +(2013). +Habitat requirements and spawning strategy of an estuarine-dependent fish, Percalates colonorum. +Marine and Freshwater Research. +65 (3): 218-227. + +\newpage + +## Bijlage + +```{r 093-tabel-zeeschelde-soorten} + +soortenlijst <- + read_xlsx(str_c(pad_data, "soorten_Zeeschelde.xlsx"), + sheet = "EMSE") %>% + select(-inEMSE, -exoot, -opmerking) %>% + rename(`Nederlandse naam` = soort, `Wetensch. naam` = wetensch_naam, + Saliniteitsgroep = salgroep, Dieet = dieet, + Fuiken = fuiken, Ankerkuil = ankerkuil) + +sleutelsoorten_EMSE <- + read_xlsx(str_c(pad_data, "sleutelsoorten EMSE.xlsx")) + +cap_soortenlijst <- + paste0("Overzicht van alle waargenomen vissoorten tijdens de ankerkuilcampagnes en fuikvangsten in de Zeeschelde in de periode 2009-", + laatste_jaar, + ". Soorten in vet en cursief geven de sleutelsoorten weer uit de EMSE evaluatie.") + +soortenlijst %>% + mutate(across(everything(), ~as.character(.) %>% replace_na(""))) %>% + mutate(across(c(-`Nederlandse naam`), ~cell_spec(., color = "black"))) %>% + # mutate(across(everything(), ~cell_spec(., , bold = TRUE, italic = TRUE, color = "black", background = "lightgreen"))) %>% + mutate(`Nederlandse naam` = + if_else(`Nederlandse naam` %in% sleutelsoorten_EMSE$soort, + cell_spec(`Nederlandse naam`, bold = TRUE, italic = TRUE, color = "black"), + cell_spec(`Nederlandse naam`, color = "black"))) %>% + knitr::kable(escape = FALSE, + booktabs = TRUE, + longtable = TRUE, + caption = cap_soortenlijst, + align = c(rep("l", 4), rep("c", 2))) %>% + kable_styling(latex_options = c("striped", "scale_down"), + font_size = 9) + +``` From 055d3e5772b523ea03557df56ae5e0b284779653 Mon Sep 17 00:00:00 2001 From: VANOVERBEKE Date: Thu, 1 Aug 2024 14:44:16 +0200 Subject: [PATCH 014/102] opzet rapportage scripts --- .../090_vissen_inleiding_en_methode.Rmd | 19 +++++++++++++------ .../091_vissen_ankerkuil.Rmd | 16 ++++++++++------ .../092_vissen_fuiken.Rmd | 18 ++++++++++-------- .../093_vissen_conclusies.Rmd | 9 +++++++-- moneos_2024/moneos_2024.Rproj | 2 ++ 5 files changed, 42 insertions(+), 22 deletions(-) diff --git a/moneos_2024/150_geintegreerd_rapport/090_vissen_inleiding_en_methode.Rmd b/moneos_2024/150_geintegreerd_rapport/090_vissen_inleiding_en_methode.Rmd index 25806b5..2e2f94b 100644 --- a/moneos_2024/150_geintegreerd_rapport/090_vissen_inleiding_en_methode.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/090_vissen_inleiding_en_methode.Rmd @@ -38,6 +38,7 @@ pad_tabellen <- maak_pad(hoofdstuk, "tabellen") ``` ```{r 090-table_from_figure-function} + figtab <- function(label, image_file, caption=NULL) { txt <- sprintf('\\begin{table}[H]\n\\caption{%s}\n\\label{tab:%s}\n\\includegraphics{%s}\n\\end{table}', @@ -47,11 +48,21 @@ figtab <- magick::image_read(image_file) %>% magick::image_ggplot() %>% print() writeLines(txt) } + ``` ```{r 090-meta-data} -laatste_jaar <- 2022 +meta_data <- + read_delim(paste0(pad_data, "vissen_meta_data.csv"), + delim = ";") + +for(i in 1:nrow(meta_data)){ + ##first extract the object value + tempobj=meta_data$waarde[i] + ##now create a new variable with the original name of the list item + eval(parse(text=paste(meta_data$naam[i],"= tempobj"))) +} soortenlijst <- read_xlsx(str_c(pad_data, "soorten_Zeeschelde.xlsx"), @@ -135,8 +146,7 @@ INBO fuikvangst- en ankerkuilgegevens zijn beschikbaar via de V.I.S. databank ([ Vrijwilligersdata worden afzonderlijk opgeslagen. In de huidige rapportage worden ankerkuil data en fuikgegevens van de Zeeschelde besproken. -Gegevens van de zijrivieren worden later verwerkt en gerapporteerd. -Ankerkuildata en fuikdata van het reguliere Zeeschelde meetnet worden aangeleverd als xlsx-bestanden aan de Scheldemonitor. +***XXXGegevens van de zijrivieren worden later verwerkt en gerapporteerd.XXX*** Ankerkuildata en fuikdata van het reguliere Zeeschelde meetnet worden aangeleverd als xlsx-bestanden aan de Scheldemonitor. ```{r 090-tabel-visinspanning, results="asis", fig.show='hide', out.width="100%"} caption_tab <- "Historisch overzicht van de visinspanning met schietfuiken (groen) en ankerkuil (blauw) in de verschillende zones van de Zeeschelde." @@ -275,7 +285,6 @@ Naast de algemene trends per functionele groep wordt er ook gekeken naar de tren Deze soorten zijn zo geselecteerd dat ze een goede vertegenwoordiging geven van de verschillende saliniteits- en dieetvoorkeuren (zie bijlage Tabel \@ref(tab:093-tabel-zeeschelde-soorten)) en zijn belangrijke indicatoren voor het ecologisch functioneren van het systeem. Daarnaast zijn ook de europees beschermde soorten opgenomen in de sleutelsoortenlijst. - ### Bepalen van de visindex De gegevens van de fuikvangsten in de Zeeschelde worden gebruikt om de visindex per KRW waterlichaam te berekenen volgens de zone-specifieke estuariene index voor biotische integriteit (Breine et al., 2010). @@ -286,7 +295,6 @@ De betekenis van de gebruikte metrieken is weergegeven in Tabel \@ref(tab:090-ta Voor elke metriek wordt een score bepaald in functie van een vastgelegde referentietoestand. In elke saliniteitszone gelden andere metrieken en grenswaarden (Breine et al., 2010). - ```{r 090-tabel-metrieken-visindex} tabel_metrieken <- @@ -310,4 +318,3 @@ tabel_metrieken %>% ```
- diff --git a/moneos_2024/150_geintegreerd_rapport/091_vissen_ankerkuil.Rmd b/moneos_2024/150_geintegreerd_rapport/091_vissen_ankerkuil.Rmd index 4ddef69..cb18426 100644 --- a/moneos_2024/150_geintegreerd_rapport/091_vissen_ankerkuil.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/091_vissen_ankerkuil.Rmd @@ -36,6 +36,7 @@ pad_tabellen <- maak_pad(hoofdstuk, "tabellen/ankerkuil") ``` ```{r 091-table_from_figure-function} + figtab <- function(label, image_file, caption=NULL) { txt <- sprintf('\\begin{table}[H]\n\\caption{%s}\n\\label{tab:%s}\n\\includegraphics{%s}\n\\end{table}', @@ -45,6 +46,7 @@ figtab <- magick::image_read(image_file) %>% magick::image_ggplot() %>% print() writeLines(txt) } + ``` ```{r 091-meta-data} @@ -66,6 +68,8 @@ for(i in 1:nrow(meta_data)){ ### Ankerkuil + + #### Soortenrijkdom in `r laatste_jaar` We vingen `r aantal_soorten_laatste_jaar` vissoorten in `r laatste_jaar`. @@ -189,7 +193,7 @@ knitr::include_graphics(paste0(pad_figuren, "relatieve_biomassa_gevangen_individ In de hieronder volgende figuren voor aantallen en biomassa worden de bijdragen van de meest abundante soorten per functionele groep met individuele kleurcodes weergegeven. Soorten die binnen een functionele groep minder dan 10% van zowel de aantallen als de biomassa uitmaken worden telkens samengenomen als 'rest'. -[Estuariene soorten en mariene migranten]{.underline} +***Estuariene soorten en mariene migranten*** Figuur \@ref(fig:091-figuur-aantallen-marien-EMSE) geeft per saliniteitszone (EMSE niveau 3) en dieetvoorkeur de aantallen weer voor de gevangen estuariene soorten en mariene migranten. @@ -254,7 +258,7 @@ knitr::include_graphics(paste0(pad_figuren, "diversiteit_S_D_EMSE_marien.jpg"))
-[Diadrome soorten]{.underline} +***Diadrome soorten*** Volgens de EMSE indeling zijn er geen diadrome benthivore en planktivore vissoorten in de Zeeschelde. De twee zogenaamd piscivore soorten, de zeeprik en de rivierprik zijn eigenlijk parasitaire soorten waarvan er telkens maar enkele gevangen worden. @@ -308,7 +312,7 @@ knitr::include_graphics(paste0(pad_figuren, "diversiteit_S_D_EMSE_diadroom.jpg")
-[Zoetwater soorten]{.underline} +***Zoetwater soorten*** Zoetwater soorten zijn meest talrijk in de zoetwaterzone waar de aantallen en biomassa vanaf 2016 algemeen toenemen (Figuur \@ref(fig:091-figuur-aantallen-zoetwater-EMSE), Figuur \@ref(fig:091-figuur-biomassa-zoetwater-EMSE)). @@ -377,7 +381,7 @@ Slechts een aantal soorten komen echter in relatief hoge aantallen voor. -[Estuariene soorten en mariene migranten]{.underline} +***Estuariene soorten en mariene migranten*** Van de estuariene en mariene sleutelsoorten komen brakwatergrondel, dikkopje, haring en zeebaars vrij frequent voor (\> 1 individu per 1000m³, Figuur \@ref(fig:091-figuur-mariene-sleutelsoorten)). De overige soorten komen slechts in zeer kleine aantallen voor. @@ -407,7 +411,7 @@ knitr::include_graphics(paste0(pad_figuren, "aantallen_sleutelsoorten_EMSE_marie
-[Diadrome soorten]{.underline} +***Diadrome soorten*** De meest voorkomende diadrome sleutelsoorten (\> 1 individu per 1000m³) zijn bot, fint en vooral spiering (Figuur \@ref(fig:091-figuur-diadrome-sleutelsoorten)). Paling wordt slechts in kleine aantallen gevangen, maar is qua biomassa toch vrij belangrijk. @@ -439,7 +443,7 @@ knitr::include_graphics(paste0(pad_figuren, "aantallen_sleutelsoorten_EMSE_diadr
-[Zoetwater soorten]{.underline} +***Zoetwater soorten*** De meest voorkomende sleutelsoorten qua aantallen/biomassa voor de zoetwatersoorten zijn blankvoorn, brasem en snoekbaars (Figuur \@ref(fig:091-figuur-zoetwater-sleutelsoorten)). diff --git a/moneos_2024/150_geintegreerd_rapport/092_vissen_fuiken.Rmd b/moneos_2024/150_geintegreerd_rapport/092_vissen_fuiken.Rmd index d2f0d9b..d0e5b80 100644 --- a/moneos_2024/150_geintegreerd_rapport/092_vissen_fuiken.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/092_vissen_fuiken.Rmd @@ -36,6 +36,7 @@ pad_tabellen <- maak_pad(hoofdstuk, "tabellen/fuiken") ``` ```{r 092-table_from_figure-function} + figtab <- function(label, image_file, caption=NULL) { txt <- sprintf('\\begin{table}[H]\n\\caption{%s}\n\\label{tab:%s}\n\\includegraphics{%s}\n\\end{table}', @@ -45,6 +46,7 @@ figtab <- magick::image_read(image_file) %>% magick::image_ggplot() %>% print() writeLines(txt) } + ``` ```{r 092-meta-data} @@ -209,7 +211,7 @@ knitr::include_graphics(paste0(pad_figuren, "relatieve_biomassa_gevangen_individ In de hieronder volgende figuren voor aantallen en biomassa worden de bijdragen van de meest abundante soorten per functionele groep met individuele kleurcodes weergegeven. Soorten die binnen een functionele groep minder dan 10% van zowel de aantallen als de biomassa uitmaken worden telkens samengenomen als 'rest'. -[Estuariene soorten en mariene migranten]{.underline} +***Estuariene soorten en mariene migranten*** Figuur \@ref(fig:092-figuur-aantallen-marien-EMSE) en Figuur \@ref(fig:092-figuur-biomassa-marien-EMSE) geven per saliniteitszone (EMSE niveau 3) en dieetvoorkeur respectievelijk de aantallen en biomassa weer voor de gevangen estuariene soorten en mariene migranten. @@ -275,7 +277,7 @@ knitr::include_graphics(paste0(pad_figuren, "diversiteit_S_D_EMSE_marien.jpg"))
-[Diadrome soorten]{.underline} +***Diadrome soorten*** Er zijn geen diadrome benthivore vissoorten in de Zeeschelde. De twee zogenaamd piscivore soorten, de zeeprik en de rivierprik zijn eigenlijk parasitaire soorten waarvan slechts sporadisch een enkel groter exemplaar met de fuik gevangen wordt. @@ -326,7 +328,7 @@ knitr::include_graphics(paste0(pad_figuren, "diversiteit_S_D_EMSE_diadroom.jpg")
-[Zoetwater soorten]{.underline} +***Zoetwater soorten*** Bij de zoetwater soorten zijn omnivoren het meest talrijk en vertegenwoordigen ze de grootste biomassa, gevolgd door benthivoren en vervolgens piscivoren (Figuur \@ref(fig:092-figuur-aantallen-zoetwater-EMSE), Figuur \@ref(fig:092-figuur-biomassa-zoetwater-EMSE)). @@ -398,7 +400,7 @@ Slechts een aantal soorten komen echter in relatief hoge aantallen voor. -[Estuariene soorten en mariene migranten]{.underline} +***Estuariene soorten en mariene migranten*** Van de estuariene en mariene soorten komen brakwatergrondel, dikkopje, haring en zeebaars vrij frequent voor (\> 30 per fuikdag, Figuur \@ref(fig:092-figuur-mariene-sleutelsoorten)). De overige soorten komen slechts in zeer kleine aantallen voor. @@ -428,7 +430,7 @@ knitr::include_graphics(paste0(pad_figuren, "aantallen_sleutelsoorten_EMSE_marie
-[Diadrome soorten]{.underline} +***Diadrome soorten*** De meest voorkomende diadrome sleutelsoorten (\> 15 individuen per fuikdag) zijn bot, paling en vooral spiering (Figuur \@ref(fig:092-figuur-diadrome-sleutelsoorten)). @@ -459,7 +461,7 @@ knitr::include_graphics(paste0(pad_figuren, "aantallen_sleutelsoorten_EMSE_diadr
-[Zoetwater soorten]{.underline} +***Zoetwater soorten*** De meest voorkomende sleutelsoorten qua aantallen/biomassa voor de zoetwatersoorten zijn blankvoorn, brasem en snoekbaars (Figuur \@ref(fig:092-figuur-zoetwater-sleutelsoorten)). @@ -624,8 +626,8 @@ In de periode 2011-2020 was deze indicator redelijk stabiel in vergelijking tot De laatste twee jaren daalde de EQR van de zoete zone echter van GEP in 2020 over matig in 2021 naar ontoereikend 2022. De beide andere zones haalden nog nooit de goede ecologische toestand maar scoren wel matig in 2022. -Figuur \@ref(fig:092-figuur-spindiagram) geeft voor elke zone een indicatie van de ecologische aspecten die minder en beter scoren in 2022. Zie Tabel \@ref(tab:090-tabel-metrieken-visindex) voor verklaring van de afkortingen. - +Figuur \@ref(fig:092-figuur-spindiagram) geeft voor elke zone een indicatie van de ecologische aspecten die minder en beter scoren in 2022. +Zie Tabel \@ref(tab:090-tabel-metrieken-visindex) voor verklaring van de afkortingen. ```{r 092-tabel-visindex} diff --git a/moneos_2024/150_geintegreerd_rapport/093_vissen_conclusies.Rmd b/moneos_2024/150_geintegreerd_rapport/093_vissen_conclusies.Rmd index 2e8ebe9..ba1c72a 100644 --- a/moneos_2024/150_geintegreerd_rapport/093_vissen_conclusies.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/093_vissen_conclusies.Rmd @@ -36,6 +36,7 @@ pad_tabellen <- maak_pad(hoofdstuk, "tabellen") ``` ```{r 093-table_from_figure-function} + figtab <- function(label, image_file, caption=NULL) { txt <- sprintf('\\begin{table}[H]\n\\caption{%s}\n\\label{tab:%s}\n\\includegraphics{%s}\n\\end{table}', @@ -45,6 +46,7 @@ figtab <- magick::image_read(image_file) %>% magick::image_ggplot() %>% print() writeLines(txt) } + ``` ```{r 093-meta-data} @@ -52,7 +54,7 @@ figtab <- meta_data <- read_delim(paste0(pad_data, "vissen_meta_data.csv"), delim = ";") - + for(i in 1:nrow(meta_data)){ ##first extract the object value tempobj=meta_data$waarde[i] @@ -118,7 +120,10 @@ In deze rapportage kwamen echter nog opvallende verschillen aan bod: Voor haring waren dat 2022 en 2021 respectievelijk. Hieruit kunnen we enerzijds afleiden dat het omzetten van vangstaantallen naar aantal per volume eenheid niet zo evident is. -Anderzijds zijn plaats en tijdstip zeer bepalend voor het beeld dat we ons vormen van de visgemeenschap. Concluderend is er een noodzaak om met innovatieve monitoring (bijvoorbeeld met echosounding) continue data te verzamelen over de visgemeenschap op de besproken vislocaties. Dit onderzoek moet helpen om de variaties in de vispopulaties in ruimte en tijd te verklaren. Omgekeerd levert de klassieke monitoring informatie over de aanwezige soorten. +Anderzijds zijn plaats en tijdstip zeer bepalend voor het beeld dat we ons vormen van de visgemeenschap. +Concluderend is er een noodzaak om met innovatieve monitoring (bijvoorbeeld met echosounding) continue data te verzamelen over de visgemeenschap op de besproken vislocaties. +Dit onderzoek moet helpen om de variaties in de vispopulaties in ruimte en tijd te verklaren. +Omgekeerd levert de klassieke monitoring informatie over de aanwezige soorten. ### EMSE methodiek diff --git a/moneos_2024/moneos_2024.Rproj b/moneos_2024/moneos_2024.Rproj index 2c877d4..5ebfe47 100644 --- a/moneos_2024/moneos_2024.Rproj +++ b/moneos_2024/moneos_2024.Rproj @@ -14,3 +14,5 @@ LaTeX: XeLaTeX BuildType: Website WebsitePath: 150_geintegreerd_rapport + +MarkdownWrap: Sentence From 7ba4b5713b2b49bb7e3d7a9e284996f42be71e62 Mon Sep 17 00:00:00 2001 From: VAN DE MEUTTER Date: Fri, 23 Aug 2024 12:26:53 +0200 Subject: [PATCH 015/102] opstart --- .../070_macrozoobenthos_analyse.Rmd | 1676 +++++++++++++++++ .../070_macrozoobenthos_data.Rmd | 504 +++++ 2 files changed, 2180 insertions(+) create mode 100644 moneos_2024/070_macrozoobenthos/070_macrozoobenthos_analyse.Rmd create mode 100644 moneos_2024/070_macrozoobenthos/070_macrozoobenthos_data.Rmd diff --git a/moneos_2024/070_macrozoobenthos/070_macrozoobenthos_analyse.Rmd b/moneos_2024/070_macrozoobenthos/070_macrozoobenthos_analyse.Rmd new file mode 100644 index 0000000..fc3b04d --- /dev/null +++ b/moneos_2024/070_macrozoobenthos/070_macrozoobenthos_analyse.Rmd @@ -0,0 +1,1676 @@ +--- +params: + hoofdstuk: "070_macrozoobenthos" +knit: (function(inputFile, ...) { + rmarkdown::render(inputFile, + output_dir = paste0(rmarkdown::yaml_front_matter(inputFile)$params$hoofdstuk, "/output"))}) +title: "Macrozoöbenthos analyse" +output: word_document +editor_options: + chunk_output_type: console +--- + + +```{r 070-setup, include=FALSE} + +knitr::opts_chunk$set(echo = FALSE, error=FALSE, warning=FALSE, message=FALSE, cache=FALSE) + +``` + + +```{r 070-libraries} + +library(tidyverse) +library(readxl) +library(writexl) +library(ggpubr) +library(INBOtheme) +library(rprojroot) +library(lubridate) +library("ragg") +library(vegan) +library(ggpubr) + +``` + + +```{r 070-pad} + +# inlezen van variabelen +# pad naar data : pad_data +# pad naar tabellen : pad_tabellen +# pad naar figuren : pad_figuren + +#source("../pad.R") +source(find_root_file("../pad.R", criterion = is_rstudio_project)) + +pad_data <- maak_pad(params$hoofdstuk, "data") +pad_figuren <- maak_pad(params$hoofdstuk, "figuren") +pad_tabellen <- maak_pad(params$hoofdstuk, "tabellen") + +source("G:/.shortcut-targets-by-id/0B0xcP-eNvJ9dZDBwVVJOVk5Ld2s/PRJ_SCHELDE/VNSC/Rapportage_INBO/2022/Function_CalculateShannonIndex.R") +``` +# Wormendeterminatiejaar - alleen uit te voeren als er OID zijn verwerkt +```{r 070-Wormendeterminatiejaar - alleen uit te voeren als er OID zijn verwerkt} +# determinaties omzetten naar densiteit en biomassa door ze te verdelen over de Oligochaeta sp (waarvoor deze wel bekend zijn, voor de determinaties w geen biomassa of densiteit bepaald) + +#staalcodes waarvoor een determinatie is gebeurd +oli_loc <- + read_excel(paste0(pad_data, "Determinaties oligochaeten spatial 2020.xlsx")) %>% + dplyr::filter(RaaiofRandom == "random") %>% + dplyr::select(locatie=staal) %>% + dplyr::distinct() %>% + dplyr::mutate(del = 1) + +#data van Oligochaeta sp in 2020 waarvoor een determinatie is gebeurd (om te marchen met de dets) +oli2020 <- + read_excel(paste0(pad_data, "macrobenthos_data_2008_2021OID.xlsx")) %>% + left_join(oli_loc, by = "locatie") %>% + dplyr::filter(del == 1 & soort == "Oligochaeta sp") %>% + rename(soortGNOID = soort) + +# aantallen per wormensoort per staal van de OID +OID2020soortstaal <- + read_excel(paste0(pad_data, "Determinaties oligochaeten spatial 2020.xlsx")) %>% + dplyr::select(volgnr, RaaiofRandom, datum, staal, fractie, leeftijd, soort) %>% + dplyr::filter(RaaiofRandom == "random") %>% + dplyr::group_by(staal, soort) %>% + dplyr::summarise(N = length(staal)) + +#som van wormen per locatie in de OID +OID2020staal <- + read_excel(paste0(pad_data, "Determinaties oligochaeten spatial 2020.xlsx")) %>% + dplyr::select(volgnr, RaaiofRandom, datum, staal, fractie, leeftijd, soort) %>% + dplyr::filter(RaaiofRandom == "random") %>% + dplyr::group_by(staal) %>% + dplyr::summarise(Nst = length(staal)) + +# file met fractie per wormensoort van aandeel in het OID staal +OID <- OID2020soortstaal %>% + left_join(OID2020staal, by ="staal") %>% + dplyr::mutate(soortfractie = N/Nst) %>% + rename(locatie = staal) %>% + left_join(oli2020, by = "locatie") %>% + dplyr::mutate(Densiteit = soortfractie*densiteit, + Biomassa = soortfractie*biomassa) %>% + dplyr::filter(!is.na(fysiotoop)) %>% + dplyr::select(jaar, fysiotoop, locatie, soort, densiteit=Densiteit, biomassa=Biomassa, Taxa_groep, KRWzone, Staaltype) %>% + dplyr::mutate(Staaltype = "OID") %>% + dplyr::mutate(biomassa = if_else(biomassa == 0, 0.0001, biomassa)) + +#data oli determinaties toevoegen en de voormalige Oligochaeta sp weglaten +data_mzboidvervang <- + read_excel(paste0(pad_data, "macrobenthos_data_2008_2021OID.xlsx")) %>% + left_join(oli_loc, by = "locatie") %>% + dplyr::filter(!(del == 1 & jaar == 2020 & soort == "Oligochaeta sp")) %>% + dplyr::select(jaar, fysiotoop, locatie, soort, densiteit, biomassa, Taxa_groep, KRWzone, Staaltype) %>% + rbind(OID) + +file_nameoid <- + paste0(pad_data, "macrobenthos_data_2008_2021_OID", ".xlsx") + +write_xlsx(list(macrobenthos = data_mzboidvervang), + path = file_nameoid) + + +``` + +# Basis data file import +```{r 070-data} + +krwdatMZB <- + read_excel(paste0(pad_data, "macrobenthos_data_2008_2021NIETAANTELEVEREN.xlsx"), sheet = "macrobenthos") %>% + dplyr::distinct(locatie, waterlichaam, waterloop, waterloop2, systeem, tidaal) + +krwdatMZB + + +data_macrobenthos <- + read_excel(paste0(pad_data, "macrobenthos_data_2008_2021_OID.xlsx")) %>% + #mutate(tidaal = recode(tidaal, "sub" = "subtidaal", "Intertidaal" = "intertidaal", "inter" = "intertidaal"), + left_join(krwdatMZB, by ="locatie") %>% + dplyr::mutate(tidaal = factor(tidaal, + levels = c("subtidaal", "intertidaal"))) %>% + dplyr::mutate(niveau3_hybr = recode(waterloop2, "Zeeschelde IV"= "Saliniteitsgradient", "Zeeschelde III"= "Oligohalien", "Zeeschelde II"= "Zoet lang verblijf", "Zeeschelde I"= "Zoet kort verblijf")) %>% + dplyr::mutate(fysiotoop = case_when( + fysiotoop %in% c("diep subtidaal") ~ "diep subtidaal", + fysiotoop %in% c("matig diep subtidaal") ~ "matig diep subtidaal", + fysiotoop %in% c("ondiep subtidaal") ~ "ondiep subtidaal", + fysiotoop %in% c("subtidaal", "nog te bepalen - sub", "nog te bepalen - subtidaal") ~ "subtidaal indet.", + fysiotoop %in% c("lage slikzone", "laag slik", "laag intertidaal (75-100%)") ~ "laag intertidaal", + fysiotoop %in% c("middelhoge slikzone", "hoge slikzone", "hoog intertidaal (0-25%)", "middelhoog slik", "middelhoog/hoog slik", "midden intertidaal (25-75%)") ~ "middelhoog/hoog intertidaal", + fysiotoop %in% c("hard substraat", "hard antropogeen") ~ "hard substraat", + fysiotoop %in% c("nog te bepalen - inter", "onbepaald", "slik", "slik onbepaald") ~ "intertidaal indet.", + TRUE ~ fysiotoop)) %>% + dplyr::filter(!is.na(tidaal)) %>% + dplyr::filter(!soort == "stuk") %>% + dplyr::mutate(soort = recode(soort, "paranais litoralis"= "Paranais litoralis", "Limnodrilus spec" = "Limnodrilus sp", "Limnodrilus claparedeianus" = "Limnodrilus claparedianus", "quistadrilus multisetosus" = "Quistadrilus multisetosus" )) %>% + dplyr::mutate(densiteit = if_else(soort != "geen" & densiteit == 0, 628, densiteit)) ## probleem van soorten waarvoor densiteit = 0, wrsch doordat geen hele ex gevonden zijn of invoerfouten. Dit geeft probleem oa bij Shannon index dus hier waarden invullen met laagste waarde. Om toch onderscheid te maken met die soorten waarvoor wel een 1 genoteerd werd wordt 628 gebruikt (cijfers na de komma niet, wel bij andere cf opp van steekbuis) + + + +vroegste_jaar <- + data_macrobenthos %>% + pull(jaar) %>% + min() + +laatste_jaar <- + data_macrobenthos %>% + pull(jaar) %>% + max() + +zeeschelde_order <- + c("Zeeschelde IV", "Zeeschelde III", "Zeeschelde II", "Zeeschelde I") + +zeeschelde_order2022 <- c("Saliniteitsgradient", "Oligohalien", "Zoet lang verblijf", "Zoet kort verblijf") +zeeschelde_order2022tot <- c("Saliniteitsgradient", "Oligohalien", "Zoet lang verblijf", "Zoet kort verblijf", "Zeeschelde_totaal") + +zijrivieren_order <- + c("Rupel", "Durme", "Nete", "Dijle", "Zenne") +waterlopen_order <- + c(zeeschelde_order, zijrivieren_order) + +waterlopen_order2022 <- + c(zeeschelde_order2022, zijrivieren_order) +fysiotoop_order <- + c("diep subtidaal", "matig diep subtidaal", "ondiep subtidaal", "laag intertidaal", "middelhoog/hoog intertidaal", "hard substraat") + +``` + +# Totaal-files +```{r 070-totaal-over-soorten} + +data_macrobenthos_totaal <- + data_macrobenthos %>% + dplyr::group_by(jaar, waterlichaam, waterloop, niveau3_hybr, systeem, tidaal, fysiotoop, locatie) %>% + dplyr::summarise_at(vars(densiteit, biomassa), ~sum(.,na.rm=TRUE)) %>% + ungroup() +sum(data_macrobenthos_totaal$biomassa) + +loc_systdata <- data_macrobenthos %>% + dplyr::select(locatie, jaar, fysiotoop, waterlichaam, waterloop, niveau3_hybr, systeem, tidaal) %>% + dplyr::distinct() + +#groeperen per tax groep maar om later gemiddelde juist te berekenen nu ook mising cases toevoegen +data_macrobenthos_totaalTAX <- + data_macrobenthos %>% + complete(locatie, Taxa_groep, fill = list(densiteit = 0, biomassa =0)) %>% + dplyr::select(! c(jaar, fysiotoop, waterlichaam, waterloop, niveau3_hybr, systeem, tidaal)) %>% + left_join(loc_systdata, by = "locatie") %>% + dplyr::group_by(jaar, Taxa_groep, waterlichaam, waterloop, niveau3_hybr, systeem, tidaal, fysiotoop, locatie) %>% + dplyr::summarise_at(vars(densiteit, biomassa), ~sum(.,na.rm=TRUE)) %>% + ungroup() + + +# Bivalven +data_macrobenthos_totaalBIV <- + data_macrobenthos %>% + dplyr::select(!Taxa_groep) %>% + complete(locatie, soort, fill = list(densiteit = 0, biomassa =0)) %>% + dplyr::left_join(taxalijst, by = "soort") %>% + dplyr::select(! c(jaar, fysiotoop, waterlichaam, waterloop, niveau3_hybr, systeem, tidaal)) %>% # anders deze vars dubbel + left_join(loc_systdata, by = "locatie") %>% + dplyr::filter(Taxa_groep == "Bivalvia") %>% + dplyr::group_by(jaar, soort, waterlichaam, waterloop, niveau3_hybr, systeem, tidaal, fysiotoop, locatie) %>% + dplyr::summarise_at(vars(densiteit, biomassa), ~sum(.,na.rm=TRUE)) %>% + ungroup() + + + +sum(data_macrobenthos_totaalTAX$biomassa) + +biom_min <- + min(data_macrobenthos_totaal$biomassa[!is.na(data_macrobenthos_totaal$biomassa) & data_macrobenthos_totaal$biomassa > 0]) + +data_macrobenthos_totaal %>% + dplyr::distinct(tidaal, fysiotoop) %>% + arrange(tidaal, fysiotoop) + +data_macrobenthos_totaal %>% + dplyr::filter(jaar == laatste_jaar) %>% + dplyr::distinct(tidaal, fysiotoop) %>% + dplyr::arrange(tidaal, fysiotoop) + +``` + +```{r 070-tabel-staalnamelocaties} + +tabel_staalnamelocaties <- + data_macrobenthos_totaal %>% + dplyr::filter(jaar == laatste_jaar) %>% + dplyr::count(waterloop = niveau3_hybr, fysiotoop) %>% + pivot_wider(names_from = fysiotoop, + values_from = n, + values_fill = list(n = 0)) %>% + dplyr::select(waterloop, `laag intertidaal`, `middelhoog/hoog intertidaal`, `diep subtidaal`, `matig diep subtidaal`, `ondiep subtidaal`, `hard substraat`)# `subtidaal indet.`, + +aantal_stalen <- tabel_staalnamelocaties %>% + dplyr::select(-waterloop) %>% + dplyr::summarise(aantal = sum(.)) +n_staal <- aantal_stalen$aantal + +write_xlsx(list(staalnamelocaties = tabel_staalnamelocaties), + path = paste0(pad_tabellen, "070_Macrobenthos_tabellen.xlsx")) + +``` + + +```{r 070-per-waterloop-en-tidaal} + +data_macrobenthos_tidaal <- # als group_by met waterlichaam en systeem, dan 2 waarden op niveau3_hybr, dus versie met en zonder maken + data_macrobenthos_totaal %>% + group_by(jaar, niveau3_hybr, tidaal) %>% + summarise_at(vars(densiteit, biomassa), + list(mean = ~max(0, mean(., na.rm = TRUE)), + med = ~max(0, median(., na.rm = TRUE)), + lwr1 = ~max(0, quantile(., 0.25, na.rm = TRUE)), + upr1 = ~max(0, quantile(., 0.75, na.rm = TRUE)), + lwr2 = ~max(0, quantile(., 0.05, na.rm = TRUE)), + upr2 = ~max(0, quantile(., 0.95, na.rm = TRUE)))) %>% + ungroup() + +data_macrobenthos_tidaalWL <- # als group_by met waterlichaam, dan 2 waarden op niveau3_hybr, dus versie met en zonder maken + data_macrobenthos_totaal %>% + group_by(jaar, waterlichaam, niveau3_hybr, systeem, tidaal) %>% + summarise_at(vars(densiteit, biomassa), + list(mean = ~max(0, mean(., na.rm = TRUE)), + med = ~max(0, median(., na.rm = TRUE)), + lwr1 = ~max(0, quantile(., 0.25, na.rm = TRUE)), + upr1 = ~max(0, quantile(., 0.75, na.rm = TRUE)), + lwr2 = ~max(0, quantile(., 0.05, na.rm = TRUE)), + upr2 = ~max(0, quantile(., 0.95, na.rm = TRUE)))) %>% + ungroup() + +``` + + +```{r 070-figuur-densiteit-waterlichaam, fig.height=8, fig.width=8} + +xlb <- "waterloop" +ylb <- expression(paste("densiteit ", (ind/m^2))) + +fnt <- 8 + +bxp_ZS <- + data_macrobenthos_totaal %>% + dplyr::filter(niveau3_hybr %in% c("Saliniteitsgradient", "Oligohalien", "Zoet lang verblijf", "Zoet kort verblijf")) %>% + dplyr::mutate(jaar = ordered(jaar), + niveau3_hybr = factor(niveau3_hybr, + levels = c("Saliniteitsgradient", "Oligohalien", "Zoet lang verblijf", "Zoet kort verblijf")), + densiteit = densiteit + 1) %>% + ggplot(aes(niveau3_hybr, densiteit, fill = jaar)) + + geom_boxplot() + + ggsci::scale_fill_simpsons() + + scale_y_log10(breaks = c(0,10,1000,100000)+1, labels = c(0,10,1000,100000)) + + labs(x = xlb, + y = ylb) + + facet_wrap(~tidaal) +# bxp_ZS + +bxp_ZR <- data_macrobenthos_totaal %>% + dplyr::filter(niveau3_hybr %in% c("Rupel", "Durme", "Nete", "Dijle", "Zenne")) %>% + mutate(jaar = ordered(jaar), + niveau3_hybr = factor(niveau3_hybr, + levels = c("Rupel", "Durme", "Nete", "Dijle", "Zenne")), + densiteit = densiteit + 1) %>% + ggplot(aes(niveau3_hybr, densiteit, fill = jaar)) + + geom_boxplot() + + ggsci::scale_fill_simpsons() + + scale_y_log10(breaks = c(0,10,1000,100000)+1, labels = c(0,10,1000,100000)) + + labs(x = xlb, + y = ylb) + + facet_wrap(~tidaal) +# bxp_ZR + +pl1 <- ggarrange(bxp_ZS + rremove("xlab") + font("xy.text", size = fnt), + bxp_ZR + rremove("xlab") + font("xy.text", size = fnt), + nrow = 2, + common.legend = TRUE) + +pl1 +ggsave(paste0(pad_figuren, "070-figuur-densiteit-waterlichaam.jpg"), pl1) + +``` + + +```{r 070-figuur-densiteit-Zeeschelde} + +xlb <- "waterloop" +ylb <- expression(paste("densiteit ", (g/m^2))) + +fnt <- 8 + +data_macrobenthos_totaal %>% + dplyr::filter(niveau3_hybr %in% c("Saliniteitsgradient", "Oligohalien", "Zoet lang verblijf", "Zoet kort verblijf", "Durme", "Rupel")) %>% + mutate(jaar = ordered(jaar), + niveau3_hybr = factor(niveau3_hybr, + levels = c("Saliniteitsgradient", "Oligohalien", "Zoet lang verblijf", "Zoet kort verblijf", "Durme", "Rupel")), + densiteit = densiteit + 1) %>% + ggplot(aes(niveau3_hybr, densiteit, fill = jaar)) + + geom_boxplot() + + ggsci::scale_fill_simpsons() + + scale_y_log10(breaks = c(0,10,1000,100000)+1, labels = c(0,10,1000,100000)) + + labs(x = xlb, + y = ylb) + + theme(axis.text.x = element_text(angle = 350))+ + facet_wrap(~tidaal, ncol = 1) + +ggsave(paste0(pad_figuren, "070-figuur-densiteit-Zeeschelde.jpg"), height=6, width=8) + +``` + + +```{r 070-figuur-densiteit-mediaan-waterlichaam-alternatief} + +xlb <- "jaar" +ylb <- expression(paste("densiteit ", (ind/m^2))) + +fnt <- 8 + +bxp_ZS <- + data_macrobenthos_tidaal %>% + dplyr::filter(niveau3_hybr %in% c("Saliniteitsgradient", "Oligohalien", "Zoet lang verblijf", "Zoet kort verblijf")) %>% + dplyr::mutate(niveau3_hybr = factor(niveau3_hybr, + levels = c("Saliniteitsgradient", "Oligohalien", "Zoet lang verblijf", "Zoet kort verblijf")), + densiteit_med = densiteit_med + 1, + densiteit_lwr1 = densiteit_lwr1 + 1, + densiteit_upr1 = densiteit_upr1 + 1, + densiteit_lwr2 = densiteit_lwr2 + 1, + densiteit_upr1 = densiteit_upr2 + 1) %>% + ggplot(aes(jaar, densiteit_med)) + + geom_line() + + geom_ribbon(aes(ymin = densiteit_lwr1, ymax = densiteit_upr1), alpha = 0.2) + + # geom_ribbon(aes(ymin = densiteit_lwr2, ymax = densiteit_upr2), alpha = 0.2) + + # scale_x_continuous(breaks = vroegste_jaar:laatste_jaar) + + scale_x_continuous(breaks = seq(if_else((laatste_jaar-vroegste_jaar)%%2 == 0, vroegste_jaar, vroegste_jaar+1), laatste_jaar, 2)) + + scale_y_log10(breaks = c(0,10,1000,100000)+1, labels = c(0,10,1000,100000)) + + labs(x = xlb, + y = ylb) + + facet_grid(tidaal~niveau3_hybr) + + theme(axis.text.x = element_text(angle = 45)) +bxp_ZS + +# ggsave(paste0(pad_figuren, "070-figuur-densiteit-Zeeschelde-alternatief.jpg"), height=4, width=8) + + +bxp_ZR <- + data_macrobenthos_tidaal %>% + dplyr::filter(niveau3_hybr %in% c("Rupel", "Durme", "Nete", "Dijle", "Zenne")) %>% + mutate(niveau3_hybr = factor(niveau3_hybr, + levels = c("Rupel", "Durme", "Nete", "Dijle", "Zenne")), + densiteit_med = densiteit_med + 1, + densiteit_lwr1 = densiteit_lwr1 + 1, + densiteit_upr1 = densiteit_upr1 + 1, + densiteit_lwr2 = densiteit_lwr2 + 1, + densiteit_upr1 = densiteit_upr2 + 1) %>% + ggplot(aes(jaar, densiteit_med)) + + geom_line() + + geom_ribbon(aes(ymin = densiteit_lwr1, ymax = densiteit_upr1), alpha = 0.2) + + # geom_ribbon(aes(ymin = densiteit_lwr2, ymax = densiteit_upr2), alpha = 0.2) + + scale_x_continuous(breaks = seq(if_else((laatste_jaar-vroegste_jaar)%%2 == 0, vroegste_jaar, vroegste_jaar+1), laatste_jaar, 2)) + + scale_y_log10(breaks = c(0,10,1000,100000)+1, labels = c(0,10,1000,100000)) + + labs(x = xlb, + y = ylb) + + facet_grid(tidaal~niveau3_hybr) + + theme(axis.text.x = element_text(angle = 45)) +bxp_ZR + +ggarrange(bxp_ZS + font("xy.text", size = fnt), + bxp_ZR + font("xy.text", size = fnt), + nrow = 2, + common.legend = TRUE) + +ggsave(paste0(pad_figuren, "070-figuur-densiteit-waterlichaam-mediaan_alternatief.jpg"), height=8, width=8) + +``` + + +```{r 070-figuur-densiteit-gemiddelde-waterlichaam-alternatief} + +xlb <- "jaar" +ylb <- expression(paste("densiteit ", (ind/m^2))) + +fnt <- 8 + +bxp_ZS <- + data_macrobenthos_tidaal %>% + dplyr::filter(niveau3_hybr %in% c("Saliniteitsgradient", "Oligohalien", "Zoet lang verblijf", "Zoet kort verblijf")) %>% + mutate(niveau3_hybr = factor(niveau3_hybr, + levels = c("Saliniteitsgradient", "Oligohalien", "Zoet lang verblijf", "Zoet kort verblijf")), + densiteit_mean = densiteit_mean + 1, + densiteit_lwr1 = densiteit_lwr1 + 1, + densiteit_upr1 = densiteit_upr1 + 1, + densiteit_lwr2 = densiteit_lwr2 + 1, + densiteit_upr1 = densiteit_upr2 + 1) %>% + ggplot(aes(jaar, densiteit_mean)) + + geom_line() + + geom_ribbon(aes(ymin = densiteit_lwr1, ymax = densiteit_upr1), alpha = 0.2) + + # geom_ribbon(aes(ymin = densiteit_lwr2, ymax = densiteit_upr2), alpha = 0.2) + + # scale_x_continuous(breaks = vroegste_jaar:laatste_jaar) + + scale_x_continuous(breaks = seq(if_else((laatste_jaar-vroegste_jaar)%%2 == 0, vroegste_jaar, vroegste_jaar+1), laatste_jaar, 2)) + + scale_y_log10(breaks = c(0,10,1000,100000)+1, labels = c(0,10,1000,100000)) + + labs(x = xlb, + y = ylb) + + facet_grid(tidaal~niveau3_hybr) + + theme(axis.text.x = element_text(angle = 45)) +bxp_ZR +bxp_ZS + +# ggsave(paste0(pad_figuren, "070-figuur-densiteit-Zeeschelde-alternatief.jpg"), height=4, width=8) + + +bxp_ZR <- + data_macrobenthos_tidaal %>% + dplyr::filter(niveau3_hybr %in% c("Rupel", "Durme", "Nete", "Dijle", "Zenne")) %>% + mutate(niveau3_hybr = factor(niveau3_hybr, + levels = c("Rupel", "Durme", "Nete", "Dijle", "Zenne")), + densiteit_mean = densiteit_mean + 1, + densiteit_lwr1 = densiteit_lwr1 + 1, + densiteit_upr1 = densiteit_upr1 + 1, + densiteit_lwr2 = densiteit_lwr2 + 1, + densiteit_upr1 = densiteit_upr2 + 1) %>% + ggplot(aes(jaar, densiteit_mean)) + + geom_line() + + geom_ribbon(aes(ymin = densiteit_lwr1, ymax = densiteit_upr1), alpha = 0.2) + + # geom_ribbon(aes(ymin = densiteit_lwr2, ymax = densiteit_upr2), alpha = 0.2) + + scale_x_continuous(breaks = seq(if_else((laatste_jaar-vroegste_jaar)%%2 == 0, vroegste_jaar, vroegste_jaar+1), laatste_jaar, 2)) + + scale_y_log10(breaks = c(0,10,1000,100000)+1, labels = c(0,10,1000,100000)) + + labs(x = xlb, + y = ylb) + + facet_grid(tidaal~niveau3_hybr) + + theme(axis.text.x = element_text(angle = 45)) +bxp_ZR + +ggarrange(bxp_ZS + font("xy.text", size = fnt), + bxp_ZR + font("xy.text", size = fnt), + nrow = 2, + common.legend = TRUE) + +ggsave(paste0(pad_figuren, "070-figuur-densiteitgemiddelde.png"), height=8, width=8) + +``` + + +```{r 070-figuur-densiteit-Zeeschelde-alternatief} + +xlb <- "jaar" +ylb <- expression(paste("densiteit ", (ind/m^2))) + +data_macrobenthos_tidaal %>% + dplyr::filter(niveau3_hybr %in% c("Saliniteitsgradient", "Oligohalien", "Zoet lang verblijf", "Zoet kort verblijf", "Durme", "Rupel")) %>% + mutate(niveau3_hybr = factor(niveau3_hybr, + levels = c("Saliniteitsgradient", "Oligohalien", "Zoet lang verblijf", "Zoet kort verblijf", "Durme", "Rupel")), + densiteit_med = densiteit_med + 1, + densiteit_lwr1 = densiteit_lwr1 + 1, + densiteit_upr1 = densiteit_upr1 + 1, + densiteit_lwr2 = densiteit_lwr2 + 1, + densiteit_upr1 = densiteit_upr2 + 1) %>% + ggplot(aes(jaar, densiteit_med)) + + geom_line() + + geom_ribbon(aes(ymin = densiteit_lwr1, ymax = densiteit_upr1), alpha = 0.2) + + # geom_ribbon(aes(ymin = densiteit_lwr2, ymax = densiteit_upr2), alpha = 0.2) + + # scale_x_continuous(breaks = vroegste_jaar:laatste_jaar) + + scale_x_continuous(breaks = seq(if_else((laatste_jaar-vroegste_jaar)%%2 == 0, vroegste_jaar, vroegste_jaar+1), laatste_jaar, 2)) + + scale_y_log10(breaks = c(0,10,1000,100000)+1, labels = c(0,10,1000,100000)) + + labs(x = xlb, + y = ylb) + + facet_grid(niveau3_hybr~tidaal) + + theme(axis.text.x = element_text(angle = 45)) + +ggsave(paste0(pad_figuren, "070-figuur-densiteit-Zeeschelde-alternatief.jpg"), height=8, width=6) + + +``` + + +```{r 070-figuur-biomassa-waterlichaam, fig.height=8, fig.width=8} + +xlb <- "waterloop" +ylb <- expression(paste("biomassa ", (g/m^2))) + +fnt <- 8 + +bxp_ZS <- + data_macrobenthos_totaal %>% + dplyr::filter(niveau3_hybr %in% c("Saliniteitsgradient", "Oligohalien", "Zoet lang verblijf", "Zoet kort verblijf")) %>% + mutate(jaar = ordered(jaar), + niveau3_hybr = factor(niveau3_hybr, + levels = c("Saliniteitsgradient", "Oligohalien", "Zoet lang verblijf", "Zoet kort verblijf")), + biomassa = biomassa + biom_min) %>% + ggplot(aes(niveau3_hybr, biomassa, fill = jaar)) + + geom_boxplot() + + ggsci::scale_fill_simpsons() + + scale_y_log10(breaks = c(0,0.1,1,10,100,1000)+biom_min, labels = c(0,0.1,1,10,100,1000)) + + labs(x = xlb, + y = ylb) + + facet_wrap(~tidaal) +# bxp_ZS + +bxp_ZR <- data_macrobenthos_totaal %>% + dplyr::filter(niveau3_hybr %in% c("Rupel", "Durme", "Nete", "Dijle", "Zenne")) %>% + mutate(jaar = ordered(jaar), + niveau3_hybr = factor(niveau3_hybr, + levels = c("Rupel", "Durme", "Nete", "Dijle", "Zenne")), + biomassa = biomassa + biom_min) %>% + ggplot(aes(niveau3_hybr, biomassa, fill = jaar)) + + geom_boxplot() + + ggsci::scale_fill_simpsons() + + scale_y_log10(breaks = c(0,0.1,1,10,100,1000)+biom_min, labels = c(0,0.1,1,10,100,1000)) + + labs(x = xlb, + y = ylb) + + facet_wrap(~tidaal) +# bxp_ZR + +ggarrange(bxp_ZS + rremove("xlab") + font("xy.text", size = fnt), + bxp_ZR + rremove("xlab") + font("xy.text", size = fnt), + nrow = 2, + common.legend = TRUE) + +ggsave(paste0(pad_figuren, "070-figuur-biomassa-waterlichaam.jpg")) + +``` + + +```{r 070-figuur-biomassa-Zeeschelde} + +xlb <- "waterloop" +ylb <- expression(paste("biomassa ", (g/m^2))) + +fnt <- 8 + +data_macrobenthos_totaal %>% + dplyr::filter(niveau3_hybr %in% c("Saliniteitsgradient", "Oligohalien", "Zoet lang verblijf", "Zoet kort verblijf", "Durme", "Rupel")) %>% + mutate(jaar = ordered(jaar), + niveau3_hybr = factor(niveau3_hybr, + levels = c("Saliniteitsgradient", "Oligohalien", "Zoet lang verblijf", "Zoet kort verblijf", "Durme", "Rupel")), + biomassa = biomassa + biom_min) %>% + ggplot(aes(niveau3_hybr, biomassa, fill = jaar)) + + geom_boxplot() + + ggsci::scale_fill_simpsons() + + scale_y_log10(breaks = c(0,0.1,1,10,100,1000)+biom_min, labels = c(0,0.1,1,10,100,1000)) + + labs(x = xlb, + y = ylb) + + facet_wrap(~tidaal, ncol = 1) + +ggsave(paste0(pad_figuren, "070-figuur-biomassa-Zeeschelde.jpg"), height=6, width=8) + +``` + + +```{r 070-figuur-biomassa-waterlichaam-alternatief} + +xlb <- "jaar" +ylb <- expression(paste("biomassa ", (g/m^2))) + +fnt <- 8 + +bxp_ZS <- + data_macrobenthos_tidaal %>% + dplyr::filter(niveau3_hybr %in% c("Saliniteitsgradient", "Oligohalien", "Zoet lang verblijf", "Zoet kort verblijf")) %>% + mutate(niveau3_hybr = factor(niveau3_hybr, + levels = c("Saliniteitsgradient", "Oligohalien", "Zoet lang verblijf", "Zoet kort verblijf")), + biomassa_med = biomassa_med + biom_min, + biomassa_lwr1 = biomassa_lwr1 + biom_min, + biomassa_upr1 = biomassa_upr1 + biom_min, + biomassa_lwr2 = biomassa_lwr2 + biom_min, + biomassa_upr1 = biomassa_upr2 + biom_min) %>% + ggplot(aes(jaar, biomassa_med)) + + geom_line() + + geom_ribbon(aes(ymin = biomassa_lwr1, ymax = biomassa_upr1), alpha = 0.2) + + # geom_ribbon(aes(ymin = biomassa_lwr2, ymax = biomassa_upr2), alpha = 0.2) + + # scale_x_continuous(breaks = vroegste_jaar:laatste_jaar) + + scale_x_continuous(breaks = seq(if_else((laatste_jaar-vroegste_jaar)%%2 == 0, vroegste_jaar, vroegste_jaar+1), laatste_jaar, 2)) + + scale_y_log10(breaks = c(0,0.1,1,10,100,1000)+biom_min, labels = c(0,0.1,1,10,100,1000)) + + labs(x = xlb, + y = ylb)+ + facet_grid(tidaal~niveau3_hybr) + + theme(axis.text.x = element_text(angle = 45)) +bxp_ZS + +# ggsave(paste0(pad_figuren, "070-figuur-biomassa-Zeeschelde-alternatief.jpg"), height=4, width=8) + + +bxp_ZR <- + data_macrobenthos_tidaal %>% + dplyr::filter(niveau3_hybr %in% c("Rupel", "Durme", "Nete", "Dijle", "Zenne")) %>% + mutate(niveau3_hybr = factor(niveau3_hybr, + levels = c("Rupel", "Durme", "Nete", "Dijle", "Zenne")), + biomassa_med = biomassa_med + biom_min, + biomassa_lwr1 = biomassa_lwr1 + biom_min, + biomassa_upr1 = biomassa_upr1 + biom_min, + biomassa_lwr2 = biomassa_lwr2 + biom_min, + biomassa_upr1 = biomassa_upr2 + biom_min) %>% + ggplot(aes(jaar, biomassa_med)) + + geom_line() + + geom_ribbon(aes(ymin = biomassa_lwr1, ymax = biomassa_upr1), alpha = 0.2) + + # geom_ribbon(aes(ymin = biomassa_lwr2, ymax = biomassa_upr2), alpha = 0.2) + + scale_x_continuous(breaks = seq(if_else((laatste_jaar-vroegste_jaar)%%2 == 0, vroegste_jaar, vroegste_jaar+1), laatste_jaar, 2)) + + scale_y_log10(breaks = c(0,0.1,1,10,100,1000)+biom_min, labels = c(0,0.1,1,10,100,1000)) + + labs(x = xlb, + y = ylb) + + facet_grid(tidaal~niveau3_hybr) + + theme(axis.text.x = element_text(angle = 45)) +bxp_ZR + +ggarrange(bxp_ZS + font("xy.text", size = fnt), + bxp_ZR + font("xy.text", size = fnt), + nrow = 2, + common.legend = TRUE) + +ggsave(paste0(pad_figuren, "070-figuur-biomassa-waterlichaammediaan-alternatief.jpg"), height=8, width=8) + +``` + +```{r 070-figuur-biomassagemiddelde-waterlichaam-alternatief} + +xlb <- "jaar" +ylb <- expression(paste("biomassa ", (g/m^2))) + +fnt <- 8 + +bxp_ZS <- + data_macrobenthos_tidaal %>% + dplyr::filter(niveau3_hybr %in% c("Saliniteitsgradient", "Oligohalien", "Zoet lang verblijf", "Zoet kort verblijf")) %>% + mutate(niveau3_hybr = factor(niveau3_hybr, + levels = c("Saliniteitsgradient", "Oligohalien", "Zoet lang verblijf", "Zoet kort verblijf")), + biomassa_mean = biomassa_mean + biom_min, + biomassa_lwr1 = biomassa_lwr1 + biom_min, + biomassa_upr1 = biomassa_upr1 + biom_min, + biomassa_lwr2 = biomassa_lwr2 + biom_min, + biomassa_upr1 = biomassa_upr2 + biom_min) %>% + ggplot(aes(jaar, biomassa_mean)) + + geom_line() + + geom_ribbon(aes(ymin = biomassa_lwr1, ymax = biomassa_upr1), alpha = 0.2) + + # geom_ribbon(aes(ymin = biomassa_lwr2, ymax = biomassa_upr2), alpha = 0.2) + + # scale_x_continuous(breaks = vroegste_jaar:laatste_jaar) + + scale_x_continuous(breaks = seq(if_else((laatste_jaar-vroegste_jaar)%%2 == 0, vroegste_jaar, vroegste_jaar+1), laatste_jaar, 2)) + + # scale_y_log10(breaks = c(0,0.1,1,10,100,1000)+biom_min, labels = c(0,0.1,1,10,100,1000)) + + ylim(0,50)+ + labs(x = xlb, + y = ylb) + + facet_grid(tidaal~niveau3_hybr) + + theme(axis.text.x = element_text(angle = 45)) +bxp_ZS + +# ggsave(paste0(pad_figuren, "070-figuur-biomassa-Zeeschelde-alternatief.jpg"), height=4, width=8) + + +bxp_ZR <- + data_macrobenthos_tidaal %>% + dplyr::filter(niveau3_hybr %in% c("Rupel", "Durme", "Nete", "Dijle", "Zenne")) %>% + mutate(niveau3_hybr = factor(niveau3_hybr, + levels = c("Rupel", "Durme", "Nete", "Dijle", "Zenne")), + biomassa_mean = biomassa_mean + biom_min, + biomassa_lwr1 = biomassa_lwr1 + biom_min, + biomassa_upr1 = biomassa_upr1 + biom_min, + biomassa_lwr2 = biomassa_lwr2 + biom_min, + biomassa_upr1 = biomassa_upr2 + biom_min) %>% + ggplot(aes(jaar, biomassa_mean)) + + geom_line() + + geom_ribbon(aes(ymin = biomassa_lwr1, ymax = biomassa_upr1), alpha = 0.2) + + # geom_ribbon(aes(ymin = biomassa_lwr2, ymax = biomassa_upr2), alpha = 0.2) + + scale_x_continuous(breaks = seq(if_else((laatste_jaar-vroegste_jaar)%%2 == 0, vroegste_jaar, vroegste_jaar+1), laatste_jaar, 2)) + + # scale_y_log10(breaks = c(0,0.1,1,10,100,1000)+biom_min, labels = c(0,0.1,1,10,100,1000)) + + ylim(0,50)+ + labs(x = xlb, + y = ylb) + + facet_grid(tidaal~niveau3_hybr) + + theme(axis.text.x = element_text(angle = 45)) +bxp_ZR + +ggarrange(bxp_ZS + font("xy.text", size = fnt), + bxp_ZR + font("xy.text", size = fnt), + nrow = 2, + common.legend = TRUE) + +ggsave(paste0(pad_figuren, "070-figuur-biomassagemiddelde-waterlichaam-alternatief.jpg"), height=8, width=8) + +``` + +```{r 070-figuur-biomassa-Zeeschelde-alternatief} + +xlb <- "jaar" +ylb <- expression(paste("biomassa ", (g/m^2))) + +data_macrobenthos_tidaal %>% + dplyr::filter(niveau3_hybr %in% c("Saliniteitsgradient", "Oligohalien", "Zoet lang verblijf", "Zoet kort verblijf", "Durme", "Rupel")) %>% + mutate(niveau3_hybr = factor(niveau3_hybr, + levels = c("Saliniteitsgradient", "Oligohalien", "Zoet lang verblijf", "Zoet kort verblijf", "Durme", "Rupel")), + biomassa_med = biomassa_med + biom_min, + biomassa_lwr1 = biomassa_lwr1 + biom_min, + biomassa_upr1 = biomassa_upr1 + biom_min, + biomassa_lwr2 = biomassa_lwr2 + biom_min, + biomassa_upr1 = biomassa_upr2 + biom_min) %>% + ggplot(aes(jaar, biomassa_med)) + + geom_line() + + geom_ribbon(aes(ymin = biomassa_lwr1, ymax = biomassa_upr1), alpha = 0.2) + + # geom_ribbon(aes(ymin = biomassa_lwr2, ymax = biomassa_upr2), alpha = 0.2) + + # scale_x_continuous(breaks = vroegste_jaar:laatste_jaar) + + scale_x_continuous(breaks = seq(if_else((laatste_jaar-vroegste_jaar)%%2 == 0, vroegste_jaar, vroegste_jaar+1), laatste_jaar, 2)) + + scale_y_log10(breaks = c(0,0.1,1,10,100,1000)+biom_min, labels = c(0,0.1,1,10,100,1000)) + + labs(x = xlb, + y = ylb) + + facet_grid(niveau3_hybr~tidaal) + + theme(axis.text.x = element_text(angle = 45)) + +ggsave(paste0(pad_figuren, "070-figuur-biomassa-Zeeschelde-alternatief.jpg"), height=8, width=6) + +``` + + +```{r 070-figuur-aandeel-legel-stalen} + +data_macrobenthos_totaal %>% + dplyr::filter(!is.na(waterloop)) %>% + group_by(jaar, waterloop = niveau3_hybr, systeem) %>% + summarise(leeg = sum(densiteit == 0 & biomassa == 0, na.rm = TRUE), + totaal = n(), + leeg_perc = leeg/totaal*100) %>% + ungroup() %>% + mutate(waterloop = factor(waterloop, levels = waterlopen_order2022)) %>% + ggplot(aes(jaar, leeg_perc, color = waterloop)) + + geom_line(aes(linetype = systeem), size = 1) + + geom_point(aes(shape = systeem), size = 3) + + scale_x_continuous(breaks = seq(if_else((laatste_jaar-vroegste_jaar)%%2 == 0, vroegste_jaar, vroegste_jaar+1), laatste_jaar, 2)) + + scale_y_continuous(breaks = seq(0,50,10), labels = paste0(seq(0,50,10), "%")) + + labs(y = "aandeel lege stalen") + +ggsave(paste0(pad_figuren, "070-figuur-aandeel-lege-stalen.jpg"), height=5, width=8) + +unique(data_macrobenthos_totaal$niveau3_hybr) + +``` + + +```{r 070-figuur-soortenrijkdom-Zeeschelde} + +data_macrobenthos %>% + dplyr::filter(#waterloop2 == "Zeeschelde I", + fysiotoop %in% fysiotoop_order, + fysiotoop != "hard substraat") %>% + dplyr::filter(!is.na(waterloop)) %>% + mutate(is_soort = if_else(soort == "geen", 0, 1)) %>% + dplyr::group_by(jaar, tidaal, locatie, niveau3_hybr) %>% + dplyr::summarise(n = sum(is_soort)) %>% + ungroup() %>% + dplyr::mutate(jaar = ordered(jaar), + niveau3_hybr = factor(niveau3_hybr, levels = waterlopen_order2022)) %>% + ggplot(aes(tidaal, n, fill = jaar)) + + geom_boxplot() + + ggsci::scale_fill_simpsons() + + labs(y = "aantal soorten")+ + labs(x = "")+ + facet_wrap(~niveau3_hybr) + +ggsave(paste0(pad_figuren, "070-figuur-soortenrijkdom-Zeeschelde.jpg"), height=5, width=8) +waterlopen_order + + SR<- data_macrobenthos %>% + dplyr::filter(!is.na(waterloop)) %>% + select(!c(locatie, densiteit, biomassa)) %>% + dplyr::filter(fysiotoop %in% fysiotoop_order, + fysiotoop != "hard substraat") %>% + dplyr::mutate(is_soort = if_else(soort == "geen", 0, 1)) %>% + distinct() %>% + dplyr::group_by(jaar, tidaal, niveau3_hybr) +%>% + dplyr::summarise(n = sum(is_soort)) %>% + ungroup() %>% + mutate(jaar = ordered(jaar), + niveau3_hybr = factor(niveau3_hybr, levels = waterlopen_order2022)) %>% + ggplot(aes(x=jaar,y = n, fill = tidaal)) + + ylab("aantal taxa") + + geom_line(aes(colour = tidaal, group = tidaal)) + + theme(axis.text.x = element_text(angle = 90))+ + facet_wrap(~niveau3_hybr) +ggsave(paste0(pad_figuren, "070-figuur-soortenrijkdom-lijn-Zeeschelde.jpg"), height=5, width=8) + + +``` + + +```{r 070-Shannon} + +ZStotshbiom <- data_macrobenthos %>% + dplyr::filter(!is.na(waterloop)) %>% + dplyr::mutate(jaar = as.factor(jaar), soort = if_else(Taxa_groep == "Oligochaeta", "Oligochaeta", soort)) %>% ## sommige jaren zijn determinatiejaren voor wormen, dus alle oligo als 1 soort. Oligo weg laten geen goed idee want dan geen soorten meer in bv oligohalien in vele jaen + dplyr::filter(systeem != "zijrivieren", biomassa > 0, soort != "geen") %>% + dplyr::group_by(soort, tidaal, jaar) %>% + dplyr::summarize(bm = sum(na.omit(biomassa))) %>% + dplyr::ungroup() %>% + dplyr::group_by(tidaal, jaar) %>% + dplyr::summarize(Shannon_biomassa = calc_shannon_index(bm)) %>% + dplyr::mutate(waterloop_ZS = "Zeeschelde_totaal") + + +Sh_b_bas<- data_macrobenthos %>% + dplyr::filter(!is.na(waterloop)) %>% + dplyr::rename(waterloop_ZS = niveau3_hybr) %>% + dplyr::mutate(jaar = as.factor(jaar), soort = if_else(Taxa_groep == "Oligochaeta", "Oligochaeta", soort)) %>% ## sommige jaren zijn determinatiejaren voor wormen, dus alle oligo als 1 soort. Oligo weg laten geen goed idee want dan geen soorten meer in bv oligohalien in vele jaen + dplyr::filter(systeem != "zijrivieren", biomassa > 0) %>% + dplyr::group_by(soort, waterloop_ZS, tidaal, jaar) %>% + dplyr::summarize(bm = sum(na.omit(biomassa)), + ab = sum(na.omit(densiteit))) %>% + dplyr::ungroup() %>% + dplyr::group_by(waterloop_ZS, tidaal, jaar) %>% + dplyr::summarize(Shannon_biomassa = calc_shannon_index(bm)) + +Sh_biom_i <- Sh_b_bas %>% + rbind(ZStotshbiom) %>% + dplyr::mutate(waterloop_ZS = factor(waterloop_ZS, + levels = zeeschelde_order2022tot)) %>% + dplyr::filter(tidaal == "intertidaal") %>% + ggplot(aes(x=jaar, y=Shannon_biomassa), colour=waterloop_ZS)+ + geom_line(aes(colour=waterloop_ZS, group=waterloop_ZS), size =1.2) + +Sh_biom_s <- Sh_b_bas %>% + rbind(ZStotshbiom) %>% + dplyr::mutate(waterloop_ZS = factor(waterloop_ZS, + levels = zeeschelde_order2022tot)) %>% + dplyr::filter(tidaal == "subtidaal") %>% + ggplot(aes(x=jaar, y=Shannon_biomassa), colour=waterloop_ZS)+ + geom_line(aes(colour=waterloop_ZS, group=waterloop_ZS), size =1.2) + +# Shannon aantal +ZStotshaant <- data_macrobenthos %>% + dplyr::filter(!is.na(waterloop)) %>% + dplyr::mutate(jaar = as.factor(jaar), soort = if_else(Taxa_groep == "Oligochaeta", "Oligochaeta", soort)) %>% ## sommige jaren zijn determinatiejaren voor wormen, dus alle oligo als 1 soort. Oligo weg laten geen goed idee want dan geen soorten meer in bv oligohalien in vele jaen + dplyr::filter(systeem != "zijrivieren", soort != "geen") %>% + dplyr::group_by(soort, tidaal, jaar) %>% + dplyr::summarize(ab = sum(na.omit(densiteit))) %>% + dplyr::ungroup() %>% + dplyr::group_by(tidaal, jaar) %>% + dplyr::summarize(Shannon_aantal = calc_shannon_index(ab)) %>% + dplyr::mutate(waterloop_ZS = "Zeeschelde_totaal") + + +Sh_a_bas<- data_macrobenthos %>% + dplyr::filter(!is.na(waterloop)) %>% + dplyr::rename(waterloop_ZS = niveau3_hybr) %>% + dplyr::mutate(jaar = as.factor(jaar), soort = if_else(Taxa_groep == "Oligochaeta", "Oligochaeta", soort)) %>% ## sommige jaren zijn determinatiejaren voor wormen, dus alle oligo als 1 soort. Oligo weg laten geen goed idee want dan geen soorten meer in bv oligohalien in vele jaen + dplyr::filter(systeem != "zijrivieren", soort != "geen") %>% + dplyr::group_by(soort, waterloop_ZS, tidaal, jaar) %>% + dplyr::summarize(bm = sum(na.omit(biomassa)), + ab = sum(na.omit(densiteit))) %>% + dplyr::ungroup() %>% + dplyr::group_by(waterloop_ZS, tidaal, jaar) %>% + dplyr::summarize(Shannon_aantal = calc_shannon_index(ab)) + + + +Sh_aant_i<- Sh_a_bas %>% + rbind(ZStotshaant) %>% + dplyr::mutate(waterloop_ZS = factor(waterloop_ZS, + levels = zeeschelde_order2022tot)) %>% + dplyr::filter(tidaal == "intertidaal") %>% + ggplot(aes(x=jaar, y=Shannon_aantal), colour=waterloop_ZS)+ + geom_line(aes(colour=waterloop_ZS, group=waterloop_ZS), size =1.2) + +Sh_aant_s<- Sh_a_bas %>% + rbind(ZStotshaant) %>% + dplyr::mutate(waterloop_ZS = factor(waterloop_ZS, + levels = zeeschelde_order2022tot)) %>% + dplyr::filter(tidaal == "subtidaal") %>% + ggplot(aes(x=jaar, y=Shannon_aantal), colour=waterloop_ZS)+ + geom_line(aes(colour=waterloop_ZS, group=waterloop_ZS), size =1.2) + + +ggarrange(Sh_aant_i + rremove("xlab")+ font("xy.text", size = fnt), + Sh_biom_i + font("xy.text", size = fnt), + nrow = 2, + common.legend = TRUE, legend = "right")+ bgcolor("White") + +ggsave(paste0(pad_figuren, "070-figuur-Shannondiv-intert-Zeeschelde.jpg"), height=5, width=8) + +ggarrange(Sh_aant_s + rremove("xlab")+ font("xy.text", size = fnt), + Sh_biom_s + font("xy.text", size = fnt), + nrow = 2, + common.legend = TRUE, legend = "right")+ bgcolor("White") + +ggsave(paste0(pad_figuren, "070-figuur-Shannondiv-subt-Zeeschelde.jpg"), height=5, width=8) + +``` + + +```{r 070-oppervlakte koppelen} +#Volledige jaren: 2001,2010, 2016, 2019, andere jaren niet voor OMES 14-19 dus niet gebruiken + +oppsruw <- read_delim(paste0(pad_data, "SpatialEcotopenOpp_INBO_2021.csv")) %>% #, sheet = "SpatialEcotopenOpp_INBO_2021") + dplyr::filter(waterloop != "SCHRAP", !is.na(tidaal)) %>% + # hoog en middelhoog samennemen - tot categorie middelhoog/hoog intertidaal + # eco/fysiotoopnamen opkuisen om match te kunnen maken tussen + # oppervlakten en biotagegevens + dplyr::mutate(ecotoop = recode(ecotoop, "hoog intertidaal"= "middelhoog/hoog intertidaal", "middelhoog intertidaal" = "middelhoog/hoog intertidaal")) %>% + rename(fysiotoop = ecotoop, opp1 = SomVanShape_Area) %>% + dplyr::mutate(opp1 = opp1/100000000000000)# geen ieee waarom bij import er plots een veel hoger getal genomen wordt? + + + # segmenten optellen + opps <- oppsruw %>% + dplyr::group_by(jaar, waterloop, tidaal, fysiotoop) %>% + dplyr::summarise(opp =sum(na.omit(opp1))) + + opps_intertidaalfys <- opps %>% + dplyr::filter(tidaal == "intertidaal") %>% ## Enkel intertidaal + mutate (kaartjaar = jaar) %>% + mutate (fysiotoop = (if_else(waterloop == "Durme" & fysiotoop != "intertidaal indet.", "intertidaal indet.", fysiotoop))) %>% + mutate(waterloop = recode(waterloop, "Zeeschelde IV" = "Saliniteitsgradient", "Zeeschelde III" = "Oligohalien", "Zeeschelde II" = "Zoet lang verblijf", "Zeeschelde I" = "Zoet kort verblijf")) + + + opps_SUBfys <- opps %>% + dplyr::filter(tidaal == "subtidaal") %>% + mutate (kaartjaar = jaar) %>% + mutate(waterloop = recode(waterloop, "Zeeschelde IV" = "Saliniteitsgradient", "Zeeschelde III" = "Oligohalien", "Zeeschelde II" = "Zoet lang verblijf", "Zeeschelde I" = "Zoet kort verblijf")) + + + data_macrobenthos_intertidaalfys <- + data_macrobenthos_totaal %>% + dplyr::filter(tidaal == "intertidaal") %>% + dplyr::filter(fysiotoop != "hard substraat") %>% + mutate (fysiotoop = (if_else(waterloop == "Durme" & fysiotoop != "intertidaal indet.", "intertidaal indet.", fysiotoop))) %>% + group_by(jaar, waterlichaam, niveau3_hybr, systeem, fysiotoop) %>% + summarise_at(vars(densiteit, biomassa), + list(mean = ~max(0, mean(., na.rm = TRUE)), + med = ~max(0, median(., na.rm = TRUE)), + lwr1 = ~max(0, quantile(., 0.25, na.rm = TRUE)), + upr1 = ~max(0, quantile(., 0.75, na.rm = TRUE)), + lwr2 = ~max(0, quantile(., 0.05, na.rm = TRUE)), + upr2 = ~max(0, quantile(., 0.95, na.rm = TRUE)))) %>% + ungroup() %>% + dplyr::mutate (kaartjaar = jaar) %>% #jaar van de beste oppervlaktematch toevoegen - we kiezen de kaartjaren van totale Zeeschelde-ecotopenkaarten + dplyr::mutate (kaartjaar = if_else(jaar < 2012, 2010,kaartjaar)) %>% + dplyr::mutate (kaartjaar = if_else(jaar > 2011 & jaar < 2015, 2013, kaartjaar)) %>% + dplyr::mutate (kaartjaar = if_else(jaar > 2014 & jaar < 2018, 2016, kaartjaar)) %>% + dplyr::mutate (kaartjaar = if_else(jaar > 2017, 2019, kaartjaar)) %>% + rename (waterloop = niveau3_hybr) + + data_macrobenthos_OPP <- data_macrobenthos_intertidaalfys %>% + left_join(opps_intertidaalfys, by = c("kaartjaar", "fysiotoop","waterloop")) %>% + mutate(biomassa_fys = (biomassa_mean * opp*10000)/1000000) #ton benthos, maar opp te groot? + +## samenvatten per waterloop en bereken totaal + + data_macrobenthos_OPPWL <- data_macrobenthos_OPP %>% + rename(jaar = jaar.x) %>% + dplyr::filter(waterloop %in% c("Saliniteitsgradient", "Zoet kort verblijf", "Zoet lang verblijf", "Oligohalien", "Durme", "Rupel")) %>% + dplyr::group_by(waterloop, jaar) %>% + dplyr::summarise(biomass_waterloop = sum(na.omit(biomassa_fys))) %>% + dplyr::ungroup() + + totaal <-data_macrobenthos_OPPWL %>% + dplyr::group_by(jaar) %>% + dplyr::filter(waterloop %in% c("Saliniteitsgradient", "Zoet kort verblijf", "Zoet lang verblijf", "Oligohalien")) %>% ## som totale Zeeschelde dus ZONDER Rupel en Durme + dplyr::summarise(biomass_waterloop = sum(na.omit(biomass_waterloop))) %>% + dplyr::mutate (waterloop = "totaal_Zeeschelde") + + data_macrobenthos_OPPWL <- data_macrobenthos_OPPWL %>% + bind_rows(totaal) + + data_macrobenthos_OPPWL$waterloop <- factor(data_macrobenthos_OPPWL$waterloop, levels=c("Saliniteitsgradient", "Oligohalien", "Zoet lang verblijf", "Zoet kort verblijf","Rupel","Durme","totaal_Zeeschelde")) + + data_macrobenthos_OPPWL %>% + ggplot(aes(x = as.factor(jaar), y = biomass_waterloop))+ + geom_hline(yintercept = 30, linetype=2, colour = "deeppink3", size = 1.2) + + geom_hline(yintercept = 14.2, linetype=2, colour = "darkolivegreen4", size = 1.2) + + geom_hline(yintercept = 8.3, linetype=2, colour = "paleturquoise4", size = 1.2) + + geom_hline(yintercept = 5, linetype=2, colour = "darkorange2", size = 1.2) + + geom_hline(yintercept = 2.5, linetype=2, colour = "lightblue2", size = 1.2) + + geom_line(aes(colour = waterloop, group = waterloop), size = 1.8) + + labs(x="", y = "systeembiomassa (ton droge stof)") + +ggsave(paste0(pad_figuren, "070-figuur-intertidalesysteembiomassa.jpg"), height=5, width=8) + +## gewogen biomassa per m² per waterloop + data_macrobenthos_OPP$waterloop <- factor(data_macrobenthos_OPP$waterloop, levels=c("Saliniteitsgradient", "Oligohalien", "Zoet lang verblijf", "Zoet kort verblijf","Rupel","Durme","totaal_Zeeschelde")) + data_macrobenthos_OPP %>% + rename(jaar = jaar.x) %>% + dplyr::filter(waterloop %in% c("Saliniteitsgradient", "Oligohalien", "Zoet lang verblijf", "Zoet kort verblijf","Rupel","Durme","totaal_Zeeschelde")) %>% + dplyr::group_by(waterloop, jaar) %>% + dplyr::summarise(weightedbiomass_waterloop = weighted.mean(biomassa_mean, opp)) %>% + ggplot(aes(x = as.factor(jaar), y = weightedbiomass_waterloop))+ + geom_line(aes(colour = waterloop, group = waterloop), size = 1.8) + + labs(x="", y = "gewogen gemiddelde biomassa (g/m²)") + + ggsave(paste0(pad_figuren, "070-figuur-gewogengemiddeldebiomassa.jpg"), height=5, width=8) + +## Gemiddelde biomassa + data_macrobenthos_OPP %>% + rename(jaar = jaar.x) %>% + dplyr::filter(waterloop %in% c("Saliniteitsgradient", "Oligohalien", "Zoet lang verblijf", "Zoet kort verblijf","Rupel","Durme","totaal_Zeeschelde")) %>% + dplyr::group_by(waterloop, jaar) %>% + summarise(weightedbiomass_waterloop = mean(biomassa_mean)) %>% + ggplot(aes(x = as.factor(jaar), y = weightedbiomass_waterloop))+ + geom_line(aes(colour = waterloop, group = waterloop), size = 1.8) + + labs(x="", y = "gemiddelde biomassa (g/m²)") + + sysbiomgew <- data_macrobenthos_OPP %>% + rename(jaar = jaar.x) %>% + dplyr::filter(waterloop %in% c("Saliniteitsgradient", "Oligohalien", "Zoet lang verblijf", "Zoet kort verblijf","Rupel","Durme","totaal_Zeeschelde")) %>% + group_by(waterloop, jaar) %>% + summarise(weightedbiomass_waterloop = mean(biomassa_mean)) + +opps %>% + dplyr::group_by(waterloop, jaar) %>% + dplyr::summarise(oppt = sum(opp)) %>% + dplyr::filter(waterloop !="Tijarm") %>% + ggplot(aes(x=jaar, y=oppt))+ + geom_line(aes(colour=waterloop, group=waterloop), size=1.8) + +mb.sel.8sp<- data_macrobenthos %>% + dplyr::filter(waterlichaam == "Zeeschelde IV" & jaar == 2020) %>% + dplyr::group_by(soort) %>% + dplyr::summarise(biom = sum(na.omit(biomassa))) %>% + ungroup() %>% + distinct() %>% + arrange(desc(biom)) %>% + slice(1:8) %>% + ungroup() +selmb <- mb.sel.8sp$soort + +data_macrobenthos %>% + dplyr::filter(soort %in% selmb) %>% + dplyr::filter(jaar %in% c(2016, 2017, 2018, 2019, 2020)) %>% + dplyr::filter(waterlichaam == "Zeeschelde IV") %>% + dplyr::group_by(soort, jaar) %>% + dplyr::summarize(bm = sum(biomassa)) %>% + dplyr::ungroup() %>% + ggplot(aes(x=jaar, y = bm, colour = soort))+ + geom_line(aes(colour = soort, group = soort), size = 1.8) + +``` + +```{r 070-bijdrage taxa groepen Zeeschelde} +data_macrobenthos_intertidaalfysTAX <- + data_macrobenthos_totaalTAX %>% + dplyr::filter(tidaal == "intertidaal") %>% + dplyr::filter(fysiotoop != "hard substraat") %>% + dplyr::mutate (fysiotoop = (if_else(waterloop == "Durme" & fysiotoop != "intertidaal indet.", "intertidaal indet.", fysiotoop))) %>% + dplyr::filter(systeem == "Zeeschelde") %>% + dplyr::group_by(jaar, Taxa_groep, waterlichaam, niveau3_hybr, systeem, fysiotoop) %>% + summarise_at(vars(densiteit, biomassa), + list(mean = ~max(0, mean(., na.rm = TRUE)), + med = ~max(0, median(., na.rm = TRUE)), + lwr1 = ~max(0, quantile(., 0.25, na.rm = TRUE)), + upr1 = ~max(0, quantile(., 0.75, na.rm = TRUE)), + lwr2 = ~max(0, quantile(., 0.05, na.rm = TRUE)), + upr2 = ~max(0, quantile(., 0.95, na.rm = TRUE)))) %>% + ungroup() %>% + dplyr::mutate (kaartjaar = jaar) %>% #jaar van de beste oppervlaktematch toevoegen - we kiezen de kaartjaren van totale Zeeschelde-ecotopenkaarten + dplyr::mutate (kaartjaar = if_else(jaar < 2012, 2010, kaartjaar)) %>% + dplyr::mutate (kaartjaar = if_else(jaar > 2011 & jaar < 2015, 2013, kaartjaar)) %>% + dplyr::mutate (kaartjaar = if_else(jaar > 2014 & jaar < 2018, 2016, kaartjaar)) %>% + dplyr::mutate (kaartjaar = if_else(jaar > 2017, 2019, kaartjaar)) %>% + rename(waterloop = niveau3_hybr) + + +data_macrobenthos_OPPTAX <- data_macrobenthos_intertidaalfysTAX %>% + left_join(opps_intertidaalfys, by = c("kaartjaar", "fysiotoop","waterloop")) %>% + mutate(biomassa_fys = (biomassa_mean/1000000)*opp*10000) #ton benthos + + +data_macrobenthos_OPPWLTAXzs <- data_macrobenthos_OPPTAX %>% + rename(jaar = jaar.x) %>% + dplyr::group_by(Taxa_groep, jaar) %>% + dplyr::summarise(biomass_TAX = sum(na.omit(biomassa_fys))) %>% + dplyr::ungroup() %>% + dplyr::filter(!Taxa_groep %in% c("Acari", "Collembola", "Cladocera", "Coleoptera", "Nematoda", "Microturbellaria", "Psychodidae", "Diptera", "Hirudinea", "Neuroptera", "Trichoptera", "Gastropoda", "Maxillopoda", "Ostracoda", "Copepoda", "Ephemeroptera", "Cnidaria")) %>% + dplyr::filter(!is.na(Taxa_groep)) + +unique(data_macrobenthos_OPPWLTAXzs$Taxa_groep) + + +data_macrobenthos_OPPWLTAXzs %>% + ggplot(aes(x = as.factor(jaar), y = biomass_TAX, fill=Taxa_groep))+ + geom_bar(aes(fill=Taxa_groep), stat="identity")+ + labs(x="", y = "systeembiomassa (ton droge stof)") + +ggsave(filename = paste0(pad_figuren, "PopTaxgroep_ZS", ".jpg"), height=5, width=8) + + +## Zelfde voor Saliniteitsgradient +data_macrobenthos_intertidaalfysTAX <- + data_macrobenthos_totaalTAX %>% + dplyr::filter(tidaal == "intertidaal") %>% + dplyr::filter(fysiotoop != "hard substraat") %>% + dplyr::mutate (fysiotoop = (if_else(waterloop == "Durme" & fysiotoop != "intertidaal indet.", "intertidaal indet.", fysiotoop))) %>% + dplyr::filter(niveau3_hybr == "Saliniteitsgradient") %>% + dplyr::group_by(jaar, Taxa_groep, waterlichaam, niveau3_hybr, systeem, fysiotoop) %>% + summarise_at(vars(densiteit, biomassa), + list(mean = ~max(0, mean(., na.rm = TRUE)), + med = ~max(0, median(., na.rm = TRUE)), + lwr1 = ~max(0, quantile(., 0.25, na.rm = TRUE)), + upr1 = ~max(0, quantile(., 0.75, na.rm = TRUE)), + lwr2 = ~max(0, quantile(., 0.05, na.rm = TRUE)), + upr2 = ~max(0, quantile(., 0.95, na.rm = TRUE)))) %>% + ungroup() %>% + dplyr::mutate (kaartjaar = jaar) %>% #jaar van de beste oppervlaktematch toevoegen - we kiezen de kaartjaren van totale Zeeschelde-ecotopenkaarten + dplyr::mutate (kaartjaar = if_else(jaar < 2012, 2010, kaartjaar)) %>% + dplyr::mutate (kaartjaar = if_else(jaar > 2011 & jaar < 2015, 2013, kaartjaar)) %>% + dplyr::mutate (kaartjaar = if_else(jaar > 2014 & jaar < 2018, 2016, kaartjaar)) %>% + dplyr::mutate (kaartjaar = if_else(jaar > 2017, 2019, kaartjaar)) %>% + rename(waterloop = niveau3_hybr) + + +data_macrobenthos_OPPTAX <- data_macrobenthos_intertidaalfysTAX %>% + left_join(opps_intertidaalfys, by = c("kaartjaar", "fysiotoop","waterloop")) %>% + mutate(biomassa_fys = (biomassa_mean/1000000)*opp*10000) #ton benthos + + +data_macrobenthos_OPPWLTAX <- data_macrobenthos_OPPTAX %>% + rename(jaar = jaar.x) %>% + dplyr::group_by(Taxa_groep, jaar) %>% + dplyr::summarise(biomass_TAX = sum(na.omit(biomassa_fys))) %>% + dplyr::ungroup() %>% + dplyr::filter(!Taxa_groep %in% c("Acari", "Collembola", "Cladocera", "Coleoptera", "Nematoda", "Microturbellaria", "Psychodidae", "Diptera", "Hirudinea", "Neuroptera", "Trichoptera", "Gastropoda", "Maxillopoda", "Ostracoda", "Copepoda", "Ephemeroptera", "Cnidaria")) %>% + dplyr::filter(!is.na(Taxa_groep)) + +unique(data_macrobenthos_OPPWLTAX$Taxa_groep) + + +data_macrobenthos_OPPWLTAX %>% + ggplot(aes(x = as.factor(jaar), y = biomass_TAX, fill=Taxa_groep))+ + geom_bar(aes(fill=Taxa_groep), stat="identity")+ + labs(x="", y = "systeembiomassa (ton droge stof)") + +ggsave(filename = paste0(pad_figuren, "PopTaxgroep_Salgradient", ".jpg"), height=5, width=8) + + +``` + +```{r 070-bijdrage van bivalv soorten aan Bivalvia doorheen de tijd} +data_macrobenthos_intertidaalfysBIV <- + data_macrobenthos_totaalBIV %>% + dplyr::filter(tidaal == "intertidaal") %>% # hier kan ook subtidaal ingevuld worden; dan moet data_macrobenthos_OPPBIV wel een join krijgen met opps_SUBfys (zie hieronder) + dplyr::filter(fysiotoop != "hard substraat") %>% + dplyr::mutate (fysiotoop = (if_else(waterloop == "Durme" & fysiotoop != "intertidaal indet.", "intertidaal indet.", fysiotoop))) %>% + dplyr::filter(systeem == "Zeeschelde") %>% + dplyr::group_by(jaar, soort, waterlichaam, niveau3_hybr, systeem, fysiotoop) %>% + summarise_at(vars(densiteit, biomassa), + list(mean = ~max(0, mean(., na.rm = TRUE)), + med = ~max(0, median(., na.rm = TRUE)), + lwr1 = ~max(0, quantile(., 0.25, na.rm = TRUE)), + upr1 = ~max(0, quantile(., 0.75, na.rm = TRUE)), + lwr2 = ~max(0, quantile(., 0.05, na.rm = TRUE)), + upr2 = ~max(0, quantile(., 0.95, na.rm = TRUE)))) %>% + ungroup() %>% + dplyr::mutate (kaartjaar = jaar) %>% #jaar van de beste oppervlaktematch toevoegen - we kiezen de kaartjaren van totale Zeeschelde-ecotopenkaarten + dplyr::mutate (kaartjaar = if_else(jaar < 2012, 2010, kaartjaar)) %>% + dplyr::mutate (kaartjaar = if_else(jaar > 2011 & jaar < 2015, 2013, kaartjaar)) %>% + dplyr::mutate (kaartjaar = if_else(jaar > 2014 & jaar < 2018, 2016, kaartjaar)) %>% + dplyr::mutate (kaartjaar = if_else(jaar > 2017, 2019, kaartjaar)) %>% + rename(waterloop = niveau3_hybr) + + +data_macrobenthos_OPPBIV <- data_macrobenthos_intertidaalfysBIV %>% + left_join(opps_intertidaalfys, by = c("kaartjaar", "fysiotoop","waterloop")) %>% # opps_SUBfys voor sub + mutate(biomassa_fys = (biomassa_mean/1000000)*opp*10000) #ton benthos + + +data_macrobenthos_OPPWLBIVzs <- data_macrobenthos_OPPBIV %>% + rename(jaar = jaar.x) %>% + dplyr::group_by(soort, jaar) %>% + dplyr::summarise(biomass_BIV = sum(na.omit(biomassa_fys))) %>% + dplyr::ungroup() %>% + dplyr::filter(!soort %in% c("Pisidium sp", "Dreissena sp", "Dreissena polymorpha", "Dreissena bugensis")) %>% + dplyr::filter(!is.na(soort)) + +unique(data_macrobenthos_OPPWLBIVzs$soort) + + +data_macrobenthos_OPPWLBIVzs %>% + ggplot(aes(x = as.factor(jaar), y = biomass_BIV, fill=soort))+ + geom_bar(aes(fill=soort), stat="identity")+ + labs(x="", y = "systeembiomassa (ton droge stof)") + +data_macrobenthos_OPPWLBIVzs %>% + ggplot(aes(x = as.factor(jaar), y = biomass_BIV, color=soort))+ + geom_line(aes(x = as.factor(jaar), y=biomass_BIV, group=soort)) + + labs(x="", y = "systeembiomassa (ton droge stof)") + +data_macrobenthos_OPPWLBIVzs +ggsave(filename = paste0(pad_figuren, "BIVsoortenSUB_ZS", ".jpg"), height=5, width=8) + + +## Zelfde voor Saliniteitsgradient +data_macrobenthos_intertidaalfysTAX <- + data_macrobenthos_totaalTAX %>% + dplyr::filter(tidaal == "intertidaal") %>% + dplyr::filter(fysiotoop != "hard substraat") %>% + dplyr::mutate (fysiotoop = (if_else(waterloop == "Durme" & fysiotoop != "intertidaal indet.", "intertidaal indet.", fysiotoop))) %>% + dplyr::filter(niveau3_hybr == "Saliniteitsgradient") %>% + dplyr::group_by(jaar, Taxa_groep, waterlichaam, niveau3_hybr, systeem, fysiotoop) %>% + summarise_at(vars(densiteit, biomassa), + list(mean = ~max(0, mean(., na.rm = TRUE)), + med = ~max(0, median(., na.rm = TRUE)), + lwr1 = ~max(0, quantile(., 0.25, na.rm = TRUE)), + upr1 = ~max(0, quantile(., 0.75, na.rm = TRUE)), + lwr2 = ~max(0, quantile(., 0.05, na.rm = TRUE)), + upr2 = ~max(0, quantile(., 0.95, na.rm = TRUE)))) %>% + ungroup() %>% + dplyr::mutate (kaartjaar = jaar) %>% #jaar van de beste oppervlaktematch toevoegen - we kiezen de kaartjaren van totale Zeeschelde-ecotopenkaarten + dplyr::mutate (kaartjaar = if_else(jaar < 2012, 2010, kaartjaar)) %>% + dplyr::mutate (kaartjaar = if_else(jaar > 2011 & jaar < 2015, 2013, kaartjaar)) %>% + dplyr::mutate (kaartjaar = if_else(jaar > 2014 & jaar < 2018, 2016, kaartjaar)) %>% + dplyr::mutate (kaartjaar = if_else(jaar > 2017, 2019, kaartjaar)) %>% + rename(waterloop = niveau3_hybr) + + +data_macrobenthos_OPPTAX <- data_macrobenthos_intertidaalfysTAX %>% + left_join(opps_intertidaalfys, by = c("kaartjaar", "fysiotoop","waterloop")) %>% + mutate(biomassa_fys = (biomassa_mean/1000000)*opp*10000) #ton benthos + + +data_macrobenthos_OPPWLTAX <- data_macrobenthos_OPPTAX %>% + rename(jaar = jaar.x) %>% + dplyr::group_by(Taxa_groep, jaar) %>% + dplyr::summarise(biomass_TAX = sum(na.omit(biomassa_fys))) %>% + dplyr::ungroup() %>% + dplyr::filter(!Taxa_groep %in% c("Acari", "Collembola", "Cladocera", "Coleoptera", "Nematoda", "Microturbellaria", "Psychodidae", "Diptera", "Hirudinea", "Neuroptera", "Trichoptera", "Gastropoda", "Maxillopoda", "Ostracoda", "Copepoda", "Ephemeroptera", "Cnidaria")) %>% + dplyr::filter(!is.na(Taxa_groep)) + +unique(data_macrobenthos_OPPWLTAX$Taxa_groep) + + +data_macrobenthos_OPPWLTAX %>% + ggplot(aes(x = as.factor(jaar), y = biomass_TAX, fill=Taxa_groep))+ + geom_bar(aes(fill=Taxa_groep), stat="identity")+ + labs(x="", y = "systeembiomassa (ton droge stof)") + +ggsave(filename = paste0(pad_figuren, "PopTaxgroep_Salgradient", ".jpg"), height=5, width=8) + + + +``` + +# voorbereiding OID dataset +```{r 070-VOOR OID jaren, OID verwerking} + +OID <- data_macrobenthos %>% + dplyr::filter(Staaltype == "OID") %>% + dplyr::group_by(locatie, soort) %>% + dplyr::mutate(aantal = n()) %>% + dplyr::ungroup() + +OIDsp <- OID %>% + dplyr::group_by(locatie) %>% + dplyr::mutate(soortenrijkdom = n()) + + +rijkdomdata.waterlich1234inter <- OIDsp %>% + dplyr::filter(waterloop2 == c("Zeeschelde I", "Zeeschelde II", "Zeeschelde III", "Zeeschelde IV")) %>% dplyr::filter(tidaal == "inter") %>% + dplyr::mutate(jaar = factor(jaar)) + +rijkdomdata.waterlich1234sub <- OIDsp %>% + dplyr::filter(waterloop2 == c("Zeeschelde I", "Zeeschelde II", "Zeeschelde III", "Zeeschelde IV")) %>% dplyr::filter(tidaal == "sub")%>% + dplyr::mutate(jaar = factor(jaar)) + +rijkdomdata.zijrivierinter <- OIDsp %>% + dplyr::filter(waterloop2 == c("Nete", "Rupel", + "Durme", "Zenne", "Dijle")) %>% + dplyr::filter(tidaal == "inter")%>% + dplyr::mutate(jaar = factor(jaar)) + +rijkdomdata.zijriviersub <- OIDsp %>% + dplyr::filter(waterloop2 == c("Nete", "Rupel", + "Durme", "Zenne", "Dijle")) %>% + dplyr::filter(tidaal == "sub")%>% + dplyr::mutate(jaar = factor(jaar)) + + +#Figuur inter waterlichaam +Figwaterlichaaminter <- ggplot(rijkdomdata.waterlich1234inter, aes(x = waterloop2, y = soortenrijkdom), group = jaar)+ + geom_boxplot(aes(fill = jaar))+ + theme_bw() +Figwaterlichaaminter +#Figuur sub waterlichaam +Figwaterlichaamsub <- ggplot(rijkdomdata.waterlich1234sub, aes(x = waterloop2, y = soortenrijkdom), group = jaar)+ + geom_boxplot(aes(fill = jaar))+ + theme_bw() +Figwaterlichaamsub + +#Figuur inter zijrivier +Figzijrivierinter <- ggplot(rijkdomdata.zijrivierinter, aes(x = waterloop2, y = soortenrijkdom), group = jaar)+ + geom_boxplot(aes(fill = jaar))+ + theme_bw() +Figzijrivierinter +#Figuur sub zijrivier +Figzijriviersub <- ggplot(rijkdomdata.zijriviersub, aes(x = waterloop2, y = soortenrijkdom), group = jaar)+ + geom_boxplot(aes(fill = jaar))+ + theme_bw() +Figzijriviersub + + + +``` + +#Species accumulation OID: vgl tussen de 5 jaren per ZS segment +```{r 070-Species accumulation OID: vgl tussen de 5 jaren per ZS segment} +#for loop om df te maken bruikbaar voor vegan +var_list = unique(OIDsp$jaar) +df_list = list() +col <- c("black", "darkred", "forestgreen", "orange", "blue") #"darkgreen", + +# eerst teur echte tellingen gebruiken, ervan uitgaande dat altijd max. 50 wormen gedteermineerd zijn +OIDspN <- OIDsp %>% + dplyr::mutate(N = round(densiteit/628, 0)) %>% + dplyr::group_by(locatie) %>% + dplyr::mutate(NsampleOLI = sum(N)) %>% + dplyr::mutate(Ncorr = ifelse(NsampleOLI>50, round(N/NsampleOLI*50,0),N)) + + +for(i in 1:length(var_list)) + { + df_list[[i]] <- filter(OIDspN, systeem == "Zeeschelde" & jaar == var_list[i]) %>% + dplyr::group_by(waterloop2, soort) %>% + dplyr::summarise(tot = sum(na.omit(Ncorr))) %>% + dplyr::ungroup() %>% + pivot_wider(names_from = soort, values_from = tot) %>% + replace(is.na(.), 0) %>% + remove_rownames %>% + column_to_rownames(var="waterloop2") +} + +# voor elk van de gegenereerde df een rarecurve object maken + +plot_list <- list() +for(i in 1:length(var_list)) { +plot_list[[i]] <- rarecurve(df_list[[i]], + step=3, + sample=rowSums(df_list[[i]]), + col = col) +} + +#plotten van de rarecurve objects in ggplot +# eerst functie +as_tibble_rc <- function(x){ + nsamples <- map_int(x, length) + total_samples <- sum(nsamples) + if(!is.null(names(x))){ + sites <- names(x) + } else { + sites <- as.character(1:length(nsamples)) + } + result <- data_frame(Site = rep("", total_samples), + Sample_size = rep(0, total_samples), + Species = rep(0, total_samples)) + start <- 1 + for (i in 1:length(nsamples)){ + result[start:(start + nsamples[i]-1), "Site"] <- sites[i] + result[start:(start + nsamples[i]-1), "Sample_size"] <- attr(x[[i]], + "Subsample") + result[start:(start + nsamples[i]-1), "Species"] <- x[[i]] + start <- start + nsamples[i] + } + result + } + +plot_listt <- list() + +plotList <- lapply( + 1:length(var_list), + function(i) { + plot_listt[[i]] <- as_tibble_rc(plot_list[[i]]) + r <- ggplot(data = plot_listt[[i]], aes(x = Sample_size, y = Species, color = Site)) + + ggtitle(paste0(var_list[i]))+ + geom_line(size=1) + + ylab("")+ + scale_color_discrete(labels=c('ZS I', 'ZS II', 'ZS III', 'ZS IV')) + + ggsave(filename = paste0(pad_figuren, "ZS1234_rarefy", var_list[i], ".jpg")) + r + } +) + +# figuur maken met de 5 plots samen; best op 3 rijen om de figuur +allplots1 <- ggarrange(plotlist=plotList, + ncol = 2, nrow = 3) +allplots1 +ggsave(filename = paste0(pad_figuren, "ZS1234_rarefy1", ".jpg"), height=6, width=8) + + +``` +#Species accumulation OID: vgl tussen de 5 jaren per zijrivier +```{r 070-Species accumulation OID: vgl tussen de 5 jaren per zijrivier} +#for loop om df te maken bruikbaar voor vegan +var_list = unique(OIDsp$jaar) + +df_list = list() +col <- c("black", "darkred", "forestgreen", "orange", "blue") #"darkgreen", + +# eerst df met echte tellingen berekenen, ervan uitgaande dat altijd max. 50 wormen gedetermineerd zijn +OIDspN <- OIDsp %>% + dplyr::mutate(N = round(densiteit/628, 0)) %>% + dplyr::group_by(locatie) %>% + dplyr::mutate(NsampleOLI = sum(N)) %>% + dplyr::mutate(Ncorr = ifelse(NsampleOLI>50, round(N/NsampleOLI*50,0),N)) + + +for(i in 1:length(var_list)) + { + df_list[[i]] <- filter(OIDspN, systeem == "zijrivieren" & jaar == var_list[i]) %>% + dplyr::group_by(waterloop2, soort) %>% + dplyr::summarise(tot = sum(na.omit(Ncorr))) %>% + dplyr::ungroup() %>% + pivot_wider(names_from = soort, values_from = tot) %>% + replace(is.na(.), 0) %>% + remove_rownames %>% + column_to_rownames(var="waterloop2") +} + +rownames(df_list[[5]]) + + +# voor elk van de gegenereerde df een rarecurve object maken +plot_list <- list() +for(i in 1:length(var_list)) { +plot_list[[i]] <- rarecurve(df_list[[i]], + step=3, + sample=rowSums(df_list[[i]]), + col = col) +} + +#plotten van de rarecurve objects in ggplot +# eerst functie +as_tibble_rc <- function(x){ + nsamples <- map_int(x, length) + total_samples <- sum(nsamples) + if(!is.null(names(x))){ + sites <- names(x) + } else { + sites <- as.character(1:length(nsamples)) + } + result <- data_frame(Site = rep("", total_samples), + Sample_size = rep(0, total_samples), + Species = rep(0, total_samples)) + start <- 1 + for (i in 1:length(nsamples)){ + result[start:(start + nsamples[i]-1), "Site"] <- sites[i] + result[start:(start + nsamples[i]-1), "Sample_size"] <- attr(x[[i]], + "Subsample") + result[start:(start + nsamples[i]-1), "Species"] <- x[[i]] + start <- start + nsamples[i] + } + result + } + +plot_listt <- list() + +plotList <- lapply( + 1:length(var_list), + function(i) { + plot_listt[[i]] <- as_tibble_rc(plot_list[[i]]) + r <- ggplot(data = plot_listt[[i]], aes(x = Sample_size, y = Species, color = Site)) + + ggtitle(paste0(var_list[i]))+ + geom_line(size=1) + + ylab("")+ + scale_color_discrete(labels=c('Dijle', 'Durme', 'Nete', 'Rupel', 'Zenne')) + + ggsave(filename = paste0(pad_figuren, "Zijrivier_rarefy", var_list[i], ".jpg")) + r + } +) + +# figuur maken met de 5 plots samen; best op 3 rijen om de figuur +allplots <- ggarrange(plotlist=plotList, + ncol = 2, nrow = 3) +allplots +ggsave(filename = paste0(pad_figuren, "Zijrivier_rarefy", ".jpg"), height=6, width=8) + +``` + +# Species accumulation OID: vgl tussen de 5 jaren hele ZS +```{r 070-Species accumulation OID: vgl tussen de 5 jaren hele ZS} +#for loop om df te maken bruikbaar voor vegan +var_list1 <- OIDsp %>% + dplyr::ungroup() %>% + dplyr::filter(systeem == "Zeeschelde") %>% + dplyr::select(waterloop2) %>% + dplyr::distinct() %>% + dplyr::arrange(waterloop2) + +var_list = unique(var_list1$waterloop2) +var_list +df_list = list() +col <- c("black", "darkred", "forestgreen", "orange", "blue") #"darkgreen", + +# eerst df met echte tellingen berekenen, ervan uitgaande dat altijd max. 50 wormen gedetermineerd zijn +OIDspN <- OIDsp %>% + dplyr::mutate(N = round(densiteit/628, 0)) %>% + dplyr::group_by(locatie) %>% + dplyr::mutate(NsampleOLI = sum(N)) %>% + dplyr::mutate(Ncorr = ifelse(NsampleOLI>50, round(N/NsampleOLI*50,0),N)) + + +for(i in 1:length(var_list)) + { + df_list[[i]] <- filter(OIDspN, systeem == "Zeeschelde" & waterloop2 == var_list[i]) %>% + dplyr::group_by(jaar, soort) %>% + dplyr::summarise(tot = sum(na.omit(Ncorr))) %>% + dplyr::ungroup() %>% + pivot_wider(names_from = soort, values_from = tot) %>% + replace(is.na(.), 0) %>% + remove_rownames %>% + column_to_rownames(var="jaar") +} + +df_list[[2]] +# voor elk van de gegenereerde df een rarecurve object maken + +for(i in 1:length(var_list)) { +plot_list[[i]] <- rarecurve(df_list[[i]], + step=3, + sample=rowSums(df_list[[i]]), + col = col) +} + +#plotten van de rarecurve objects in ggplot +# eerst functie +as_tibble_rc <- function(x){ + nsamples <- map_int(x, length) + total_samples <- sum(nsamples) + if(!is.null(names(x))){ + sites <- names(x) + } else { + sites <- as.character(1:length(nsamples)) + } + result <- data_frame(Site = rep("", total_samples), + Sample_size = rep(0, total_samples), + Species = rep(0, total_samples)) + start <- 1 + for (i in 1:length(nsamples)){ + result[start:(start + nsamples[i]-1), "Site"] <- sites[i] + result[start:(start + nsamples[i]-1), "Sample_size"] <- attr(x[[i]], + "Subsample") + result[start:(start + nsamples[i]-1), "Species"] <- x[[i]] + start <- start + nsamples[i] + } + result + } + +plot_listt <- list() + +plotList <- lapply( + 1:length(var_list), + function(i) { + plot_listt[[i]] <- as_tibble_rc(plot_list[[i]]) + r <- ggplot(data = plot_listt[[i]], aes(x = Sample_size, y = Species, color = Site)) + + ggtitle(paste0(var_list[i]))+ + geom_line(size=1) + + ylab("")+ + xlab("N Oligochaeta")+ + scale_color_discrete(labels=c('2008', '2011', '2014', '2017', '2020'))+ + guides(fill=guide_legend(title="Jaar")) + + ggsave(filename = paste0(pad_figuren, "JaarperZS_rarefy", var_list[i], ".jpg")) + r + } +) + +# figuur maken met de 5 plots samen; best op 3 rijen om de figuur +allplots <- ggarrange(plotlist=plotList, + ncol = 2, nrow = 2) +allplots +ggsave(filename = paste0(pad_figuren, "JaarperZS", ".jpg"), height=6, width=8) + + +# freq tabellen soorten doorheen de tijd +OIDspN %>% + dplyr::filter(waterloop2 == "Zeeschelde IV") %>% + dplyr::group_by(waterloop2, soort, jaar) %>% + dplyr::summarise(Freq=n()) %>% + pivot_wider(names_from = jaar, values_from = Freq) %>% + write_xlsx(paste0(pad_tabellen,"ZSIV_olispecies.xlsx")) + +``` + + + + +```{r} +#unused fragments possibly recycling later + + opps <- aggregate(SomVanShape_Area ~ jaar + waterloop + tidaal + fysiotoop + Omessegmen, + data = oppsruw, FUN = sum) + # veinzen dat ook in 2012 en 2014 OMES 14 beschikbaar is + # door gegevens van 2013 in te vullen + twaalf <- opps[opps$jaar==2013 & opps$Omessegmen=="14",] + twaalf$jaar <- 2012 + veertien <- opps[opps$jaar==2013 & opps$Omessegmen=="14",] + veertien$jaar <- 2014 + opps <- rbind(opps,twaalf,veertien) + + + + # listopp <- opps_intertidaalfys[c("jaar","waterloop","fysiotoop")] + # listopp <- unique(listopp) + # unique(listopp$fysiotoop) + # unique(data_macrobenthos_intertidaalfys$fysiotoop) + + # opps_intertidaal_waterloop <- opps_intertidaalfys %>% + # filter(grepl("Zeeschelde", waterloop)) %>% + # group_by(waterloop, jaar) %>% + # summarise (Totslik = sum(opp)) %>% + # ungroup() + # + # ggplot(opps_intertidaal_waterloop,aes(x = jaar, y = Totslik, color = waterloop)) + + # geom_point(aes(shape = waterloop))+ + # geom_line() + ##oppervlakte data 2015 : er zit een fout in deze vr ZSIV en ZSIII - lijken niet betrouwbaar in deze dataset +``` + + +```{r 070-meta-data} + +meta_data <- + enframe(c(laatstejaar = laatste_jaar, + vroegstejaar = vroegste_jaar, + aantal_stalen = n_staal), + name = "naam", value = "waarde") + +meta_data %>% + write_delim(paste0(pad_data, "meta_data.csv"), + delim = ";") + +``` + + diff --git a/moneos_2024/070_macrozoobenthos/070_macrozoobenthos_data.Rmd b/moneos_2024/070_macrozoobenthos/070_macrozoobenthos_data.Rmd new file mode 100644 index 0000000..9636311 --- /dev/null +++ b/moneos_2024/070_macrozoobenthos/070_macrozoobenthos_data.Rmd @@ -0,0 +1,504 @@ +--- +params: + hoofdstuk: "070_macrozoobenthos" +knit: (function(inputFile, ...) { + rmarkdown::render(inputFile, + output_dir = paste0(rmarkdown::yaml_front_matter(inputFile)$params$hoofdstuk, "/output"))}) +title: "Macrozoöbenthos data" +output: word_document +editor_options: + chunk_output_type: console +--- + + +```{r setup, include=FALSE} + +knitr::opts_chunk$set(echo = FALSE, error=FALSE, warning=FALSE, message=FALSE, cache=FALSE) + +``` + + +```{r libraries} + +library(tidyverse) +library(lubridate) +library(readxl) +library(writexl) +library(rprojroot) + +``` + + +```{r pad} + +# inlezen van variabelen +# pad naar data : pad_data +# pad naar tabellen : pad_tabellen +# pad naar figuren : pad_figuren + +#source("../pad.R") +source(find_root_file("../pad.R", criterion = is_rstudio_project)) + +pad_data <- maak_pad(params$hoofdstuk, "data") +pad_figuren <- maak_pad(params$hoofdstuk, "figuren") +pad_tabellen <- maak_pad(params$hoofdstuk, "tabellen") + +``` + +```{r data voorbereiden} +#Er zijn geen ecotoopgrenzen beschikbaar meteen voorsp22 (fout in file, data van 21). Daarom de fysiotoopinfo vooraf genomen (staalnemers proberen toch binnen de grenzen te blijven) + +benthos22<- + read_excel(paste0(pad_data, "Benthos2022.xlsx"), sheet = "Sheet1") + +%>% + dplyr::filter(Raai_Random == "random") %>% + dplyr::select(-'...16') %>% + dplyr::filter(str_detect(Opmerking, "Losse")) + +MZB_benthos <- + read_excel(paste0(pad_data, "macrobenthos_spatial_2021.xlsx"), sheet = "Benthos") %>% + dplyr::filter(Raai_Random == "random") %>% + dplyr::select(-'...16') %>% + dplyr::filter(is.na(Opmerking) | !str_detect(Opmerking, "geen|Losse")) %>% + dplyr::group_by(staal, datum, soort) %>% + dplyr::summarise(Biomassa_per_m2 = sum(na.omit(AFDW))*628, + N_per_m2 = sum(na.omit(aantal))*628) + +MZB_KRW <- + read_excel(paste0(pad_data, "macrobenthos_spatial_2021.xlsx"), sheet = "KRW") + + + +``` + + +```{r inlezen-recente-data} + +# data_macrobenthos_recent <- +# read_excel(paste0(pad_data, "SpatialBenthos2018.xlsx")) %>% +# mutate(jaar = year(datum.x)) + +data_macrobenthos_recent <- + MZB_benthos %>% + left_join(MZB_KRW, by = "staal") %>% + dplyr::mutate(jaar = year(datum)) %>% + rename(fysiotoop = BenthosEcotoop) %>% + dplyr::mutate(tidaal = if_else(str_detect(fysiotoop, "subtid"), "sub", "inter")) %>% + dplyr::filter(!str_detect(staal, "WM")) + + + +jaar_recent <- + data_macrobenthos_recent %>% + distinct(jaar) %>% + pull(jaar) + +``` + + +```{r corrigeren-fysiotoop} + +# fysiotoop_verschil <- +# data_macrobenthos_recent %>% +# filter(is.na(fysiotoop) | ecotoop_gepland != fysiotoop) + + +data_macrobenthos_recent %>% + distinct(tidaal, fysiotoop) %>% + arrange(tidaal, fysiotoop) + +``` + + +##### aantal stalen: + +```{r aantal-stalen} + +aantal_stalen <- + data_macrobenthos_recent %>% + distinct(staal) %>% + nrow() + +aantal_stalen_waterlichaam_fysiotoop <- + data_macrobenthos_recent %>% + count(waterlichaam, tidaal, fysiotoop) %>% + knitr::kable() + + +``` + + - Er zijn `r aantal_stalen` stalen in de dataset voor `r jaar_recent` + - het aantal stalen per waterlichaam en fysiotoop: + + `r aantal_stalen_waterlichaam_fysiotoop` + + +##### lege stalen: + +```{r lege-stalen} + +lege_stalen <- + data_macrobenthos_recent %>% + dplyr::group_by(staal, waterlichaam, tidaal, fysiotoop) %>% + dplyr::summarise(N_per_m2 = max(N_per_m2)) %>% + ungroup() %>% + dplyr::filter(N_per_m2 == 0) + +``` + + - er zijn `r nrow(lege_stalen)` lege stalen in de dataset + + `r knitr::kable(lege_stalen)` + + +##### aantal soorten: + +```{r soorten-recent} +soortendata <- data_macrobenthos_recent %>% + dplyr::filter(soort != "geen") + +soorten <- + soortendata %>% + dplyr::filter(soort != "geen") %>% + distinct(soort) + +soorten_per_waterlichaam <- + soortendata %>% + distinct(waterlichaam, soort) %>% + count(waterlichaam) + +``` + + + - Er zijn `r nrow(soorten)` soorten(groepen) aangetroffen in de dataset + + `r pull(soorten, soort)` + + - Het aantal soorten per waterlichaam is: + + `r knitr::kable(soorten_per_waterlichaam)` + + +##### biomassa versus densiteit + +```{r biomassa-vs-densiteit, fig.height=4, fig.width=6} + +data_macrobenthos_recent %>% + ggplot(aes(N_per_m2/628.8 + 1, N_per_m2 + 1)) + + geom_point() + + scale_x_log10() + + scale_y_log10() + + +data_macrobenthos_recent %>% + ggplot(aes(Biomassa_per_m2/628.8 + min(Biomassa_per_m2[Biomassa_per_m2 > 0]/628.8), Biomassa_per_m2 + min(Biomassa_per_m2[Biomassa_per_m2 > 0]))) + + geom_point() + + scale_x_log10() + + scale_y_log10() + + +#data_macrobenthos_recent %>% +# ggplot(aes(aantal, AFDW)) + +# geom_point() + +data_macrobenthos_recent %>% + ggplot(aes(N_per_m2 + 1, Biomassa_per_m2 + min(Biomassa_per_m2[Biomassa_per_m2 > 0]))) + + geom_point() + + scale_x_log10() + + scale_y_log10() + +zero_aantal_nonzero_biomassa <- + data_macrobenthos_recent %>% + filter(N_per_m2 == 0, + Biomassa_per_m2 != 0) %>% + select(locatie = staal, waterlichaam, fysiotoop, soort, N_per_m2, Biomassa_per_m2) + +zero_biomassa_nonzero_aantal <- + data_macrobenthos_recent %>% + filter(N_per_m2 != 0, + Biomassa_per_m2 == 0) %>% + select(locatie = staal, waterlichaam, fysiotoop, soort, N_per_m2, Biomassa_per_m2) + +negatieve_biomassa <- + data_macrobenthos_recent %>% + filter(Biomassa_per_m2 < 0) %>% + select(locatie = staal, waterlichaam, fysiotoop, soort, N_per_m2, Biomassa_per_m2) + +extreme_biomassa <- + data_macrobenthos_recent %>% + filter(Biomassa_per_m2 > 0.5) %>% + select(locatie = staal, waterlichaam, fysiotoop, soort, N_per_m2, Biomassa_per_m2) + +``` + + - Er zijn `r nrow(zero_aantal_nonzero_biomassa)` cases van soorten met aantal = 0 en biomassa > 0 + + `r knitr::kable(zero_aantal_nonzero_biomassa)` + +
+ + - Er zijn `r nrow(zero_biomassa_nonzero_aantal)` cases van soorten met aantal > 0 en biomassa = 0 + + `r knitr::kable(zero_biomassa_nonzero_aantal)` + +
+ + - Er zijn `r nrow(negatieve_biomassa)` cases van soorten met biomassa < 0 + + + negatieve biomassa wordt op NA gezet + + `r knitr::kable(negatieve_biomassa)` + +
+ + - Er is één outlier met extreem hoge biomassa + + `r knitr::kable(extreme_biomassa)` + + +```{r corrigeren-data} + +data_macrobenthos_recent <- + data_macrobenthos_recent %>% + mutate(N_per_m2 = if_else(N_per_m2 == 0 & Biomassa_per_m2 != 0, NA_real_, N_per_m2), + Biomassa_per_m2 = if_else(Biomassa_per_m2 == 0 & N_per_m2 != 0, NA_real_, Biomassa_per_m2)) %>% + mutate(Biomassa_per_m2 = if_else(Biomassa_per_m2 < 0, NA_real_, Biomassa_per_m2)) + + + +stalen_NA_aantal <- + data_macrobenthos_recent %>% + filter(is.na(N_per_m2)) %>% + distinct(staal) + +stalen_NA_biomassa <- + data_macrobenthos_recent %>% + filter(is.na(Biomassa_per_m2)) %>% + distinct(staal) + +``` + +
+ + - door missing values kunnen er van de `r aantal_stalen` stalen + + `r nrow(stalen_NA_aantal)` stalen niet gebruikt worden voor totalen aantallen + + `r nrow(stalen_NA_biomassa)` stalen niet gebruikt worden voor totalen biomassa + + + + +##### data worden samengevoegd met historische gegevens + +```{r inlezen-historische-data} + +data_macrobenthos_historisch <- + read_excel(paste0(pad_data, "benthos_data2008-2020_rapportage2022NIETOMAANTELEVEREN.xlsx"), + sheet = "macrobenthos") + +data_macrobenthos_historisch_locaties <- + read_excel(paste0(pad_data, "benthos_data2008-2020_rapportage2022.xlsx"), + sheet = "locaties") + + +``` + + +##### biomassa versus densiteit historische gegevens + +```{r biomassa-vs-densiteit_historisch, fig.height=4, fig.width=6} + +data_macrobenthos_historisch %>% + ggplot(aes(densiteit, biomassa)) + + geom_point() + +data_macrobenthos_historisch %>% + ggplot(aes(densiteit + 1, biomassa + min(biomassa[biomassa > 0], na.rm = TRUE))) + + geom_point() + + scale_x_log10() + + scale_y_log10() + +zero_densiteit_nonzero_biomassa <- + data_macrobenthos_historisch %>% + filter(densiteit == 0, + biomassa != 0) %>% + select(locatie, waterlichaam, fysiotoop, soort, densiteit, biomassa) + +zero_biomassa_nonzero_densiteit <- + data_macrobenthos_historisch %>% + filter(densiteit != 0, + biomassa == 0) %>% + select(locatie, waterlichaam, fysiotoop, soort, densiteit, biomassa) + +negatieve_biomassa <- + data_macrobenthos_historisch %>% + filter(biomassa < 0) %>% + select(locatie, waterlichaam, fysiotoop, soort, densiteit, biomassa) + +extreme_biomassa <- + data_macrobenthos_historisch %>% + filter(biomassa > 200) %>% + select(locatie, waterlichaam, fysiotoop, soort, densiteit, biomassa) + +``` + + - Er zijn `r nrow(zero_densiteit_nonzero_biomassa)` cases van soorten met aantal = 0 en biomassa > 0: + + - Er zijn `r nrow(zero_biomassa_nonzero_densiteit)` cases van soorten met aantal > 0 en biomassa = 0: + +
+ + - Er zijn `r nrow(negatieve_biomassa)` cases van soorten met biomassa < 0 + + + negatieve biomassa wordt op NA gezet + + `r knitr::kable(negatieve_biomassa)` + +
+ + - Er is één outlier met extreem hoge biomassa + + `r knitr::kable(extreme_biomassa)` + + + +```{r corrigeren-waterlichaam-historisch, eval=FALSE} + +# code_waterlopen_historisch <- +# data_macrobenthos_historisch %>% +# mutate(code = str_sub(locatie, 1, 2)) %>% +# count(waterlichaam, waterloop, code) %>% +# arrange(code) +# +# code_waterlopen_historisch_corrected <- +# code_waterlopen_historisch %>% +# group_by(code) %>% +# summarise(waterlichaam = waterlichaam[n == max(n)], +# waterloop = waterloop[n == max(n)]) %>% +# ungroup() %>% +# mutate(waterloop = if_else(code == "GM", "Zeeschelde I trj_Ml_Gb", waterloop), +# waterloop = if_else(code == "ZG", "Beneden_Dijle", waterloop)) %>% +# select(waterlichaam, waterloop, code) %>% +# arrange(waterlichaam, waterloop) +# +# write_xlsx(code_waterlopen_historisch_corrected, paste0(pad_data, "code_waterlopen.xlsx")) + +# code_waterlopen <- read_excel(paste0(pad_data, "code_waterlopen.xlsx")) +# code_waterlopen <- +# code_waterlopen %>% +# mutate(waterloop2 = waterloop, +# waterloop2 = case_when( +# str_detect(waterloop2, "Dijle") ~ "Dijle", +# waterlichaam == "Zeeschelde I" ~ "Zeeschelde I", +# TRUE ~ waterloop2), +# systeem = if_else(str_detect(waterloop2, "Zeeschelde"), "Zeeschelde", "zijrivieren")) %>% +# select(waterlichaam, waterloop, waterloop2, systeem, code) +# write_xlsx(code_waterlopen, paste0(pad_data, "code_waterlopen.xlsx")) + +``` + + +```{r samenvoegen recent-historisch} + +#Taxagroep toevoegen aan recente data + data tunen +taxalijst <- read_excel(paste0(pad_data, "Soortenlijst_macrozoobenthos_2008_2022.xlsx"), sheet = "Blad1") + +data_macrobenthos_recent1 <- data_macrobenthos_recent %>% + dplyr::ungroup() %>% + dplyr::mutate(waterloop2 = recode(DissolveField, "19 trGM"= "Zeeschelde I", "TijarmZwijnaarde"= "Zeeschelde I", "Getijdedurme"= "Durme")) %>% + dplyr::mutate(waterloop = if_else(str_detect(staal, "GM"), "Zeeschelde I trj_Ml_Gb", if_else(str_detect(staal, "TZ"), "Zeeschelde I tijarm Zwijnaarde", waterloop2))) %>% + dplyr::mutate(systeem = recode(Vallei_deel, "Durme" = "zijrivieren", "TijarmZwijnaarde" = "zijrivieren", "Rupel" = "zijrivieren")) %>% + left_join(taxalijst, by = "soort") %>% + dplyr::select(jaar, waterlichaam, waterloop, waterloop2, systeem, tidaal, fysiotoop, locatie=staal, soort, densiteit = N_per_m2, biomassa = Biomassa_per_m2, Taxa_groep) + +data_macrobenthos2008_2021 <- + data_macrobenthos_historisch %>% + bind_rows(data_macrobenthos_recent1) %>% + dplyr::mutate(tidaal = recode(tidaal, "inter" = "intertidaal", "sub"= "subtidaal", "subtidaal" = "subtidaal", "Intertidaal" = "intertidaal")) + + +#Nu voor locaties +data_macrobenthos_recent_loc <- data_macrobenthos_recent %>% + dplyr::ungroup() %>% + dplyr::mutate(campagne = "spatial 2021") %>% + dplyr::select(locatie=staal,campagne, X=POINT_X, Y=POINT_Y) + +data_macrobenthos_locaties <- + data_macrobenthos_historisch_locaties %>% + bind_rows(data_macrobenthos_recent_loc) + + +``` + + +```{r corrigeren-waterlichaam} + +#code_waterlopen <- read_excel(paste0(pad_data, "code_waterlopen.xlsx")) + +``` + + + +```{r hernoemen-fysiotopen} + +#data_macrobenthos <- + # data_macrobenthos %>% + #mutate(fysiotoop = case_when( + # fysiotoop %in% c("diep subtidaal") ~ "diep subtidaal", + #fysiotoop %in% c("matig diep subtidaal") ~ "matig diep subtidaal", + #fysiotoop %in% c("ondiep subtidaal") ~ "ondiep subtidaal", + #fysiotoop %in% c("subtidaal", "nog te bepalen - sub", "nog te bepalen - subtidaal") ~ "subtidaal indet.", + #fysiotoop %in% c("lage slikzone", "laag slik", "laag intertidaal (75-100%)") ~ "laag intertidaal", + #fysiotoop %in% c("middelhoge slikzone", "hoge slikzone", "hoog intertidaal (0-25%)", "middelhoog slik", "middelhoog/hoog slik", "midden intertidaal (25-75%)") ~ "middelhoog/hoog intertidaal", + #fysiotoop %in% c("hard substraat", "hard antropogeen") ~ "hard substraat", + #fysiotoop %in% c("nog te bepalen - inter", "onbepaald", "slik", "slik onbepaald") ~ "intertidaal indet.", + #TRUE ~ fysiotoop)) + + +#data_macrobenthos %>% + # distinct(tidaal, fysiotoop) %>% + #arrange(tidaal, fysiotoop) + +``` + + + +##### jaren in de finale dataset: + +```{r jaren} + +jaren <- + data_macrobenthos2008_2021 %>% + distinct(jaar) %>% + pull(jaar) + +jaar_range <- + range(jaren) + +``` + + + - `r jaren` + + +##### finale data weggeschreven naar: + +```{r filenames} + +file_name <- + paste0(pad_data, "macrobenthos_data_", paste(jaar_range, collapse = "_"), "NIETAANTELEVEREN", ".xlsx") + +``` + + - `r file_name` + + +```{r wegschrijven-data, eval=FALSE} + +write_xlsx(list(macrobenthos = data_macrobenthos2008_2021, + locaties = data_macrobenthos_locaties), + path = file_name) + +``` + + + From ab2b4fed5bd84bbbfde8646a794471260309c467 Mon Sep 17 00:00:00 2001 From: VAN RYCKEGEM Date: Fri, 23 Aug 2024 15:13:58 +0200 Subject: [PATCH 016/102] natuurindicator update --- .../20_moneos_watervogels_analyse.Rmd | 16 ++++++++++------ 1 file changed, 10 insertions(+), 6 deletions(-) diff --git a/moneos_2024/100_watervogels/20_moneos_watervogels_analyse.Rmd b/moneos_2024/100_watervogels/20_moneos_watervogels_analyse.Rmd index 8e98bd4..c4d1d98 100644 --- a/moneos_2024/100_watervogels/20_moneos_watervogels_analyse.Rmd +++ b/moneos_2024/100_watervogels/20_moneos_watervogels_analyse.Rmd @@ -1187,7 +1187,7 @@ Waterbirds_sigma_estuarien %>% SeizMax <- function(data, type){ data %>% mutate(telseizoen1 = as.numeric(str_sub(telseizoen, 1, 4))) %>% - dplyr::filter(telseizoen1 %in% c(1991:2022)) %>% + dplyr::filter(telseizoen1 %in% c(1991:2023)) %>% dplyr::filter(taxongroepcode != "MS") %>% # geen meeuwen of sternen # geen meeuwen of sternen dplyr::filter(maand %in% c(10:12, 1:3)) %>% group_by(telseizoen1, maand) %>% @@ -1317,11 +1317,15 @@ mav_ZschSigma_estuarien_wetland <- Wmax_Zsch_Sigma_estuarien_wetland %>% mav_wm( ##voor natuurindicator mav_Zsc_ZR <- Wmax_Zsch_ZR %>% mav_wm(.$telseizoen1, .$Wmax, 5) -mav_Zsc_ZR %>% write_delim(paste0(pad_tabellen, "mav_Zsc_ZR.csv", row.names=FALSE, delim = ";")) +mav_Zsc_ZR %>% + write_csv(paste0(pad_tabellen, "mav_Zsc_ZR.csv")) mav_Zsc_ZR %>% write_tsv(paste0(pad_tabellen, "mav_Zsc_ZR.tsv")) mav_Zsc_ZR_Sigma <- Wmax_Zsch_ZR_Sigma %>% mav_wm(.$telseizoen1, .$Wmax, 5) mav_Zsc_ZR_Sigma %>% write_tsv(paste0(pad_tabellen, "mav_Zsc_ZR_Sigma.tsv")) +mav_Zsc_ZR_Sigma %>% + write_csv(paste0(pad_tabellen, "mav_Zsc_ZR_Sigma.csv")) + # mav_ZscZRSigmaVallei <- Wmax_ZschZRSigmaVallei %>% mav_wm(.$telseizoen1, .$Wmax, 5) # mav_ZscSigma <- Wmax_Zsch_Sigma %>% mav_wm(.$telseizoen1, .$Wmax, 5) # mav_ZscSigmaVallei <- Wmax_Zsch_Sigma_vallei %>% mav_wm(.$telseizoen1, .$Wmax, 5) @@ -1425,7 +1429,7 @@ plot_mav <- function(data){ geom_line(aes(y=m), color="blue") + # geom_hline(yintercept = 40000, linetype = 2, size = 1.4) + labs(y = "Wintermaximum") + - scale_x_continuous(breaks = seq(1990, 2021, by = 5)) + + scale_x_continuous(breaks = seq(1990, 2022, by = 5)) + scale_y_continuous(breaks = seq(0, 85000, by = 20000), limits = c(0, 85000)) + theme(axis.title.x = element_blank()) @@ -1437,7 +1441,7 @@ plot_mav <- function(data){ geom_line(aes(y=m, color = type)) + # geom_hline(yintercept = 40000, linetype = 2, size = 1.4) + labs(y = "Wintermaximum") + - scale_x_continuous(breaks = seq(1990, 2021, by = 5)) + + scale_x_continuous(breaks = seq(1990, 2022, by = 5)) + scale_y_continuous(breaks = seq(0, 85000, by = 20000), limits = c(0, 85000)) + theme(axis.title.x = element_blank()) + @@ -1452,7 +1456,7 @@ plot_mav <- function(data){ geom_line(aes(y=m, color = type)) + # geom_hline(yintercept = 40000, linetype = 2, size = 1.4) + labs(y = "Wintermaximum") + - scale_x_continuous(breaks = seq(1990, 2021, by = 5)) + + scale_x_continuous(breaks = seq(1990, 2022, by = 5)) + scale_y_continuous(breaks = seq(0, 85000, by = 20000), limits = c(0, 85000)) + theme(axis.title.x = element_blank()) + @@ -1485,7 +1489,7 @@ mav_Zsc_ZR %>% plot_mav() mav_Zsc_ZR %>% bind_rows(mav_Zsc_ZR_Sigma) %>% plot_mav() -ggsave(paste0(pad_figuren, "100_figuur_Natuurindicator_website2022.png"), width = 30, height = 15, units = "cm") +ggsave(paste0(pad_figuren, "100_figuur_Natuurindicator_website2023.png"), width = 30, height = 15, units = "cm") mav_Zsc %>% bind_rows(mav_ZschSigma_estuarien) %>% bind_rows(mav_ZschSigma_estuarien_wetland) %>% plot_mav() ggsave(paste0(pad_figuren, "100_figuur_Natuurindicator_ZeescheldeSS_estuarien_Wetland.png"), width = 30, height = 15, units = "cm") From b56364e5af07aa2810bd6689fd42681b0e4800ce Mon Sep 17 00:00:00 2001 From: VAN DE MEUTTER Date: Mon, 26 Aug 2024 13:02:48 +0200 Subject: [PATCH 017/102] status 26/08 data done , analyse bezig --- .../070_macrozoobenthos_analyse.Rmd | 12 +- .../070_macrozoobenthos_data.Rmd | 393 +++++++---------- .../070_macrozoobenthos.Rmd | 414 ++++++++++++++++++ 3 files changed, 573 insertions(+), 246 deletions(-) create mode 100644 moneos_2024/150_geintegreerd_rapport/070_macrozoobenthos.Rmd diff --git a/moneos_2024/070_macrozoobenthos/070_macrozoobenthos_analyse.Rmd b/moneos_2024/070_macrozoobenthos/070_macrozoobenthos_analyse.Rmd index fc3b04d..ebab6d3 100644 --- a/moneos_2024/070_macrozoobenthos/070_macrozoobenthos_analyse.Rmd +++ b/moneos_2024/070_macrozoobenthos/070_macrozoobenthos_analyse.Rmd @@ -50,6 +50,7 @@ pad_tabellen <- maak_pad(params$hoofdstuk, "tabellen") source("G:/.shortcut-targets-by-id/0B0xcP-eNvJ9dZDBwVVJOVk5Ld2s/PRJ_SCHELDE/VNSC/Rapportage_INBO/2022/Function_CalculateShannonIndex.R") ``` + # Wormendeterminatiejaar - alleen uit te voeren als er OID zijn verwerkt ```{r 070-Wormendeterminatiejaar - alleen uit te voeren als er OID zijn verwerkt} # determinaties omzetten naar densiteit en biomassa door ze te verdelen over de Oligochaeta sp (waarvoor deze wel bekend zijn, voor de determinaties w geen biomassa of densiteit bepaald) @@ -117,16 +118,17 @@ write_xlsx(list(macrobenthos = data_mzboidvervang), # Basis data file import ```{r 070-data} - +#GEEN OID jaar, dus trends zonder soortniveau Oligochaeta krwdatMZB <- - read_excel(paste0(pad_data, "macrobenthos_data_2008_2021NIETAANTELEVEREN.xlsx"), sheet = "macrobenthos") %>% - dplyr::distinct(locatie, waterlichaam, waterloop, waterloop2, systeem, tidaal) + read_excel(paste0(pad_data, "macrobenthos_data_2008_2022NIETAANTELEVEREN.xlsx"), sheet = "macrobenthos") -krwdatMZB +ts<- arrange(as.data.frame((unique(krwdatMZB$soort)))) data_macrobenthos <- - read_excel(paste0(pad_data, "macrobenthos_data_2008_2021_OID.xlsx")) %>% + read_excel(paste0(pad_data, "macrobenthos_data_2008_2022_OID.xlsx")) + +%>% #mutate(tidaal = recode(tidaal, "sub" = "subtidaal", "Intertidaal" = "intertidaal", "inter" = "intertidaal"), left_join(krwdatMZB, by ="locatie") %>% dplyr::mutate(tidaal = factor(tidaal, diff --git a/moneos_2024/070_macrozoobenthos/070_macrozoobenthos_data.Rmd b/moneos_2024/070_macrozoobenthos/070_macrozoobenthos_data.Rmd index 9636311..cd50df2 100644 --- a/moneos_2024/070_macrozoobenthos/070_macrozoobenthos_data.Rmd +++ b/moneos_2024/070_macrozoobenthos/070_macrozoobenthos_data.Rmd @@ -43,68 +43,148 @@ pad_data <- maak_pad(params$hoofdstuk, "data") pad_figuren <- maak_pad(params$hoofdstuk, "figuren") pad_tabellen <- maak_pad(params$hoofdstuk, "tabellen") +pad_data ``` ```{r data voorbereiden} -#Er zijn geen ecotoopgrenzen beschikbaar meteen voorsp22 (fout in file, data van 21). Daarom de fysiotoopinfo vooraf genomen (staalnemers proberen toch binnen de grenzen te blijven) - -benthos22<- - read_excel(paste0(pad_data, "Benthos2022.xlsx"), sheet = "Sheet1") - -%>% - dplyr::filter(Raai_Random == "random") %>% - dplyr::select(-'...16') %>% - dplyr::filter(str_detect(Opmerking, "Losse")) - -MZB_benthos <- - read_excel(paste0(pad_data, "macrobenthos_spatial_2021.xlsx"), sheet = "Benthos") %>% - dplyr::filter(Raai_Random == "random") %>% - dplyr::select(-'...16') %>% - dplyr::filter(is.na(Opmerking) | !str_detect(Opmerking, "geen|Losse")) %>% - dplyr::group_by(staal, datum, soort) %>% - dplyr::summarise(Biomassa_per_m2 = sum(na.omit(AFDW))*628, - N_per_m2 = sum(na.omit(aantal))*628) - -MZB_KRW <- - read_excel(paste0(pad_data, "macrobenthos_spatial_2021.xlsx"), sheet = "KRW") - +#benthosdata inlezen, groeperen per staal. Opletten dat "geen" niet weerhouden wordt wanneer er ook andere soorten ih staal zitten (geen wordt op fractieniveau toegekend). Omzetten naar aantal/biom per m² +benthos22 <- + read_excel(paste0(pad_data, "Benthos2022.xlsx"), sheet = "Sheet1") %>% + dplyr::filter(CampagneCode == "Spatial2022") %>% + dplyr::group_by(LocatieCode, soort) %>% + dplyr::summarise(N = sum(aantal), + Biom = sum(AFDW)) %>% + dplyr::mutate(Nrec = length(soort)) %>% + dplyr::ungroup() %>% + dplyr::filter(!(soort == "geen" & Nrec >1)) %>% + dplyr::select(!Nrec) + + +loc22 <- + read_excel(paste0(pad_data, "Locaties2022.xlsx"), sheet = "Sheet1") %>% + dplyr::filter(CampagneCode == "Spatial2022") %>% + dplyr::select(LocatieCode, Benthosstaal, Protocol_conform) + + +#exacte XY Lambert72 via meting, door Dimi zijn WGS al omgezet naar Lambert72 +gps22 <- + read_excel(paste0(pad_data, "GPS2022.xlsx"), sheet = "Sheet1") %>% + dplyr::filter(CampagneCode == "Spatial2022") %>% + dplyr::select(LocatieCode, X_Lambert72, Y_Lambert72, Z) + +#Joost berekende met script via Waterinfo de effectieve subdieptes, maar niet voor zijrivieren! +Zberekend22 <- + read_excel(paste0(pad_data, "sample_allocnr_elevation.xlsx"), sheet = "Sheet1") %>% + dplyr::filter(campagne_code == "Spatial22") %>% + dplyr::select(LocatieCode=locatie_code, Zsub=Diepte) + +ontbrekendeZzijriv <- read_excel(paste0(pad_data, "RP_SP22_ecotoopgrenzen.xlsx"), sheet = "RP_spatial21_tijdata_Zwaarde") %>% + dplyr::select(LocatieCode = Staal, fysiotoop = BenthosEcotoop, Zvooraf = 'Z-waarde', POINT_X, POINT_Y) %>% + dplyr::mutate(LocatieCode = ifelse(nchar(LocatieCode) == 6, str_replace(LocatieCode, "_", "_0"), LocatieCode)) + +taxa <- read_excel(paste0(pad_data, "Soortenlijst_macrozoobenthos_2008_2022.xlsx"), sheet = "Blad1") + +B22 <- loc22 %>% + left_join(benthos22, by = "LocatieCode") %>% + left_join(gps22, by = "LocatieCode") %>% + left_join(Zberekend22, by = "LocatieCode") %>% + dplyr::mutate(Z = ifelse(is.na(Z) & !is.na(Zsub), Zsub, Z)) %>% + left_join(ontbrekendeZzijriv, by = "LocatieCode") %>% + dplyr::mutate(Z = ifelse(is.na(Z) & !is.na(Zvooraf), Zvooraf, Z)) %>% + dplyr::mutate(X_Lambert72 = ifelse(is.na(X_Lambert72), POINT_X, X_Lambert72)) %>% + dplyr::mutate(Y_Lambert72 = ifelse(is.na(Y_Lambert72), POINT_Y, Y_Lambert72)) %>% + dplyr::select(LocatieCode, X_Lambert72, Y_Lambert72, Z, fysiotoop, soort, N, Biom, Protocol_conform) %>% + dplyr::mutate(Nm2 = ifelse(Protocol_conform == "YES", N*1/((0.045/2)^2*pi), ifelse(Protocol_conform == "NO_43mm", N*1/((0.043/2)^2*pi), NA))) %>% + dplyr::mutate(Biomm2 = ifelse(Protocol_conform == "YES", Biom*1/((0.045/2)^2*pi), ifelse(Protocol_conform == "NO_43mm", Biom*1/((0.043/2)^2*pi), NA))) %>% + dplyr::filter(Protocol_conform != "NO_LV") %>% + dplyr::select(LocatieCode, X_Lambert72, Y_Lambert72, Z, fysiotoop, soort, densiteit= Nm2, biomassa = Biomm2) %>% + left_join(taxa, by = "soort") %>% + dplyr::mutate(waterloop = + ifelse(str_detect(LocatieCode, "DD"), "Zeeschelde II", + ifelse(str_detect(LocatieCode, "DG"), "Zeeschelde I", + ifelse(str_detect(LocatieCode, "DI"), "Dijle", + ifelse(str_detect(LocatieCode, "DU"), "Durme", + ifelse(str_detect(LocatieCode, "GK"), "Zeeschelde IV", + ifelse(str_detect(LocatieCode, "KD"), "Zeeschelde III", + ifelse(str_detect(LocatieCode, "NE"), "Nete", + ifelse(str_detect(LocatieCode, "RU"), "Rupel", + ifelse(str_detect(LocatieCode, "ZE"), "Zenne", + ifelse(str_detect(LocatieCode, "TZ"), "Zeeschelde I tijarm Zwijnaarde +", + ifelse(str_detect(LocatieCode, "GM"), "Zeeschelde I trj_Ml_Gb +", "")))))))))))) %>% + dplyr::mutate(waterlichaam = + ifelse(str_detect(LocatieCode, "DD"), "Zeeschelde II", + ifelse(str_detect(LocatieCode, "DG"), "Zeeschelde I", + ifelse(str_detect(LocatieCode, "DI"), "Getijdedijle en -zenne", + ifelse(str_detect(LocatieCode, "DU"), "Getijdedurme", + ifelse(str_detect(LocatieCode, "GK"), "Zeeschelde IV", + ifelse(str_detect(LocatieCode, "KD"), "Zeeschelde III + Rupel", + ifelse(str_detect(LocatieCode, "NE"), "GetijdeNete", + ifelse(str_detect(LocatieCode, "RU"), "Zeeschelde III + Rupel", + ifelse(str_detect(LocatieCode, "ZE"), "Getijdedijle en -zenne", + ifelse(str_detect(LocatieCode, "TZ"), "Zeeschelde I", + ifelse(str_detect(LocatieCode, "GM"), "Zeeschelde I", "")))))))))))) %>% + dplyr::mutate(waterloop2 = + ifelse(str_detect(LocatieCode, "DD"), "Zeeschelde II", + ifelse(str_detect(LocatieCode, "DG"), "Zeeschelde I", + ifelse(str_detect(LocatieCode, "DI"), "Dijle", + ifelse(str_detect(LocatieCode, "DU"), "Durme", + ifelse(str_detect(LocatieCode, "GK"), "Zeeschelde IV", + ifelse(str_detect(LocatieCode, "KD"), "Zeeschelde III", + ifelse(str_detect(LocatieCode, "NE"), "Nete", + ifelse(str_detect(LocatieCode, "RU"), "Rupel", + ifelse(str_detect(LocatieCode, "ZE"), "Zenne", + ifelse(str_detect(LocatieCode, "TZ"), "Zeeschelde I", + ifelse(str_detect(LocatieCode, "GM"), "Zeeschelde I", "")))))))))))) %>% + dplyr::mutate(KRWzone = + ifelse(str_detect(LocatieCode, "DD"), "Zeeschelde II", + ifelse(str_detect(LocatieCode, "DG"), "Zeeschelde I", + ifelse(str_detect(LocatieCode, "DI"), "Dijle", + ifelse(str_detect(LocatieCode, "DU"), "Durme", + ifelse(str_detect(LocatieCode, "GK"), "Zeeschelde IV", + ifelse(str_detect(LocatieCode, "KD"), "Zeeschelde III + Rupel", + ifelse(str_detect(LocatieCode, "NE"), "Nete", + ifelse(str_detect(LocatieCode, "RU"), "Zeeschelde III + Rupel", + ifelse(str_detect(LocatieCode, "ZE"), "Zenne", + ifelse(str_detect(LocatieCode, "TZ"), "tijarmTZ", + ifelse(str_detect(LocatieCode, "GM"), "tijarmGM", "")))))))))))) %>% + dplyr::mutate(systeem = ifelse(str_detect(LocatieCode, "DI|ZE|NE|DU|RU"), "zijrivieren", "Zeeschelde")) %>% + dplyr::mutate(tidaal = ifelse(str_detect(fysiotoop, "sub"), "subtidaal", "intertidaal"), jaar = 2022) + + +sheetmacrobenthos2022 <- B22 %>% + dplyr::select(jaar, waterlichaam, waterloop, waterloop2, systeem, tidaal, fysiotoop, locatie = LocatieCode, soort, densiteit, biomassa, Taxa_groep) + +write_xlsx(sheetmacrobenthos2022, + path = paste0(pad_data, "sheetmacrobenthos2022.xlsx")) + +sheetlocaties2022 <- B22 %>% + dplyr::select(LocatieCode, X_Lambert72, Y_Lambert72) %>% + dplyr::distinct() %>% + dplyr::mutate(campagne = "spatial 2022") %>% + dplyr::select(locatie = LocatieCode,campagne, X = X_Lambert72, Y = Y_Lambert72) + +write_xlsx(sheetlocaties2022, + path = paste0(pad_data, "sheetlocaties2022.xlsx")) ``` -```{r inlezen-recente-data} - -# data_macrobenthos_recent <- -# read_excel(paste0(pad_data, "SpatialBenthos2018.xlsx")) %>% -# mutate(jaar = year(datum.x)) - -data_macrobenthos_recent <- - MZB_benthos %>% - left_join(MZB_KRW, by = "staal") %>% - dplyr::mutate(jaar = year(datum)) %>% - rename(fysiotoop = BenthosEcotoop) %>% - dplyr::mutate(tidaal = if_else(str_detect(fysiotoop, "subtid"), "sub", "inter")) %>% - dplyr::filter(!str_detect(staal, "WM")) - - +```{r jaar} jaar_recent <- - data_macrobenthos_recent %>% + B22 %>% distinct(jaar) %>% pull(jaar) ``` -```{r corrigeren-fysiotoop} - -# fysiotoop_verschil <- -# data_macrobenthos_recent %>% -# filter(is.na(fysiotoop) | ecotoop_gepland != fysiotoop) +```{r controleren-fysiotoop} - -data_macrobenthos_recent %>% +B22 %>% distinct(tidaal, fysiotoop) %>% arrange(tidaal, fysiotoop) @@ -116,12 +196,13 @@ data_macrobenthos_recent %>% ```{r aantal-stalen} aantal_stalen <- - data_macrobenthos_recent %>% - distinct(staal) %>% + B22 %>% + distinct(LocatieCode) %>% nrow() aantal_stalen_waterlichaam_fysiotoop <- - data_macrobenthos_recent %>% + B22 %>% + distinct(LocatieCode, tidaal, fysiotoop, waterlichaam) %>% count(waterlichaam, tidaal, fysiotoop) %>% knitr::kable() @@ -138,12 +219,17 @@ aantal_stalen_waterlichaam_fysiotoop <- ```{r lege-stalen} +lege_stalen_waterlichaam_fysiotoop <- + B22 %>% + dplyr::filter(soort == "geen") %>% + count(waterlichaam, tidaal, fysiotoop) %>% + knitr::kable() + + lege_stalen <- - data_macrobenthos_recent %>% - dplyr::group_by(staal, waterlichaam, tidaal, fysiotoop) %>% - dplyr::summarise(N_per_m2 = max(N_per_m2)) %>% - ungroup() %>% - dplyr::filter(N_per_m2 == 0) + B22 %>% + dplyr::filter(soort == "geen") %>% + dplyr::select(LocatieCode, soort) ``` @@ -155,7 +241,7 @@ lege_stalen <- ##### aantal soorten: ```{r soorten-recent} -soortendata <- data_macrobenthos_recent %>% +soortendata <- B22 %>% dplyr::filter(soort != "geen") soorten <- @@ -183,120 +269,27 @@ soorten_per_waterlichaam <- ```{r biomassa-vs-densiteit, fig.height=4, fig.width=6} -data_macrobenthos_recent %>% - ggplot(aes(N_per_m2/628.8 + 1, N_per_m2 + 1)) + - geom_point() + - scale_x_log10() + - scale_y_log10() - - -data_macrobenthos_recent %>% - ggplot(aes(Biomassa_per_m2/628.8 + min(Biomassa_per_m2[Biomassa_per_m2 > 0]/628.8), Biomassa_per_m2 + min(Biomassa_per_m2[Biomassa_per_m2 > 0]))) + +B22 %>% + dplyr::filter(!is.na(biomassa), !is.na(densiteit)) %>% + #dplyr::filter(Taxa_groep != "Bivalvia") %>% + ggplot(aes(biomassa + min(biomassa[biomassa > 0]), densiteit + min(densiteit[densiteit > 0]))) + geom_point() + scale_x_log10() + scale_y_log10() - -#data_macrobenthos_recent %>% -# ggplot(aes(aantal, AFDW)) + -# geom_point() - -data_macrobenthos_recent %>% - ggplot(aes(N_per_m2 + 1, Biomassa_per_m2 + min(Biomassa_per_m2[Biomassa_per_m2 > 0]))) + - geom_point() + - scale_x_log10() + - scale_y_log10() - -zero_aantal_nonzero_biomassa <- - data_macrobenthos_recent %>% - filter(N_per_m2 == 0, - Biomassa_per_m2 != 0) %>% - select(locatie = staal, waterlichaam, fysiotoop, soort, N_per_m2, Biomassa_per_m2) - -zero_biomassa_nonzero_aantal <- - data_macrobenthos_recent %>% - filter(N_per_m2 != 0, - Biomassa_per_m2 == 0) %>% - select(locatie = staal, waterlichaam, fysiotoop, soort, N_per_m2, Biomassa_per_m2) - -negatieve_biomassa <- - data_macrobenthos_recent %>% - filter(Biomassa_per_m2 < 0) %>% - select(locatie = staal, waterlichaam, fysiotoop, soort, N_per_m2, Biomassa_per_m2) - -extreme_biomassa <- - data_macrobenthos_recent %>% - filter(Biomassa_per_m2 > 0.5) %>% - select(locatie = staal, waterlichaam, fysiotoop, soort, N_per_m2, Biomassa_per_m2) - -``` - - - Er zijn `r nrow(zero_aantal_nonzero_biomassa)` cases van soorten met aantal = 0 en biomassa > 0 - - `r knitr::kable(zero_aantal_nonzero_biomassa)` - -
- - - Er zijn `r nrow(zero_biomassa_nonzero_aantal)` cases van soorten met aantal > 0 en biomassa = 0 - - `r knitr::kable(zero_biomassa_nonzero_aantal)` - -
- - - Er zijn `r nrow(negatieve_biomassa)` cases van soorten met biomassa < 0 - - + negatieve biomassa wordt op NA gezet - - `r knitr::kable(negatieve_biomassa)` - -
- - - Er is één outlier met extreem hoge biomassa - - `r knitr::kable(extreme_biomassa)` - - -```{r corrigeren-data} - -data_macrobenthos_recent <- - data_macrobenthos_recent %>% - mutate(N_per_m2 = if_else(N_per_m2 == 0 & Biomassa_per_m2 != 0, NA_real_, N_per_m2), - Biomassa_per_m2 = if_else(Biomassa_per_m2 == 0 & N_per_m2 != 0, NA_real_, Biomassa_per_m2)) %>% - mutate(Biomassa_per_m2 = if_else(Biomassa_per_m2 < 0, NA_real_, Biomassa_per_m2)) - - - -stalen_NA_aantal <- - data_macrobenthos_recent %>% - filter(is.na(N_per_m2)) %>% - distinct(staal) - -stalen_NA_biomassa <- - data_macrobenthos_recent %>% - filter(is.na(Biomassa_per_m2)) %>% - distinct(staal) - ``` -
- - - door missing values kunnen er van de `r aantal_stalen` stalen - + `r nrow(stalen_NA_aantal)` stalen niet gebruikt worden voor totalen aantallen - + `r nrow(stalen_NA_biomassa)` stalen niet gebruikt worden voor totalen biomassa - - - ##### data worden samengevoegd met historische gegevens ```{r inlezen-historische-data} data_macrobenthos_historisch <- - read_excel(paste0(pad_data, "benthos_data2008-2020_rapportage2022NIETOMAANTELEVEREN.xlsx"), + read_excel(paste0(pad_data, "macrobenthos_data_2008_2021NIETAANTELEVEREN.xlsx"), sheet = "macrobenthos") data_macrobenthos_historisch_locaties <- - read_excel(paste0(pad_data, "benthos_data2008-2020_rapportage2022.xlsx"), + read_excel(paste0(pad_data, "macrobenthos_data_2008_2021NIETAANTELEVEREN.xlsx"), sheet = "locaties") @@ -361,102 +354,20 @@ extreme_biomassa <- -```{r corrigeren-waterlichaam-historisch, eval=FALSE} - -# code_waterlopen_historisch <- -# data_macrobenthos_historisch %>% -# mutate(code = str_sub(locatie, 1, 2)) %>% -# count(waterlichaam, waterloop, code) %>% -# arrange(code) -# -# code_waterlopen_historisch_corrected <- -# code_waterlopen_historisch %>% -# group_by(code) %>% -# summarise(waterlichaam = waterlichaam[n == max(n)], -# waterloop = waterloop[n == max(n)]) %>% -# ungroup() %>% -# mutate(waterloop = if_else(code == "GM", "Zeeschelde I trj_Ml_Gb", waterloop), -# waterloop = if_else(code == "ZG", "Beneden_Dijle", waterloop)) %>% -# select(waterlichaam, waterloop, code) %>% -# arrange(waterlichaam, waterloop) -# -# write_xlsx(code_waterlopen_historisch_corrected, paste0(pad_data, "code_waterlopen.xlsx")) - -# code_waterlopen <- read_excel(paste0(pad_data, "code_waterlopen.xlsx")) -# code_waterlopen <- -# code_waterlopen %>% -# mutate(waterloop2 = waterloop, -# waterloop2 = case_when( -# str_detect(waterloop2, "Dijle") ~ "Dijle", -# waterlichaam == "Zeeschelde I" ~ "Zeeschelde I", -# TRUE ~ waterloop2), -# systeem = if_else(str_detect(waterloop2, "Zeeschelde"), "Zeeschelde", "zijrivieren")) %>% -# select(waterlichaam, waterloop, waterloop2, systeem, code) -# write_xlsx(code_waterlopen, paste0(pad_data, "code_waterlopen.xlsx")) - -``` - ```{r samenvoegen recent-historisch} -#Taxagroep toevoegen aan recente data + data tunen -taxalijst <- read_excel(paste0(pad_data, "Soortenlijst_macrozoobenthos_2008_2022.xlsx"), sheet = "Blad1") -data_macrobenthos_recent1 <- data_macrobenthos_recent %>% - dplyr::ungroup() %>% - dplyr::mutate(waterloop2 = recode(DissolveField, "19 trGM"= "Zeeschelde I", "TijarmZwijnaarde"= "Zeeschelde I", "Getijdedurme"= "Durme")) %>% - dplyr::mutate(waterloop = if_else(str_detect(staal, "GM"), "Zeeschelde I trj_Ml_Gb", if_else(str_detect(staal, "TZ"), "Zeeschelde I tijarm Zwijnaarde", waterloop2))) %>% - dplyr::mutate(systeem = recode(Vallei_deel, "Durme" = "zijrivieren", "TijarmZwijnaarde" = "zijrivieren", "Rupel" = "zijrivieren")) %>% - left_join(taxalijst, by = "soort") %>% - dplyr::select(jaar, waterlichaam, waterloop, waterloop2, systeem, tidaal, fysiotoop, locatie=staal, soort, densiteit = N_per_m2, biomassa = Biomassa_per_m2, Taxa_groep) - -data_macrobenthos2008_2021 <- +data_macrobenthos2008_2022 <- data_macrobenthos_historisch %>% - bind_rows(data_macrobenthos_recent1) %>% + bind_rows(sheetmacrobenthos2022) %>% dplyr::mutate(tidaal = recode(tidaal, "inter" = "intertidaal", "sub"= "subtidaal", "subtidaal" = "subtidaal", "Intertidaal" = "intertidaal")) - -#Nu voor locaties -data_macrobenthos_recent_loc <- data_macrobenthos_recent %>% - dplyr::ungroup() %>% - dplyr::mutate(campagne = "spatial 2021") %>% - dplyr::select(locatie=staal,campagne, X=POINT_X, Y=POINT_Y) - + data_macrobenthos_locaties <- data_macrobenthos_historisch_locaties %>% - bind_rows(data_macrobenthos_recent_loc) - - -``` - - -```{r corrigeren-waterlichaam} - -#code_waterlopen <- read_excel(paste0(pad_data, "code_waterlopen.xlsx")) - -``` - - - -```{r hernoemen-fysiotopen} - -#data_macrobenthos <- - # data_macrobenthos %>% - #mutate(fysiotoop = case_when( - # fysiotoop %in% c("diep subtidaal") ~ "diep subtidaal", - #fysiotoop %in% c("matig diep subtidaal") ~ "matig diep subtidaal", - #fysiotoop %in% c("ondiep subtidaal") ~ "ondiep subtidaal", - #fysiotoop %in% c("subtidaal", "nog te bepalen - sub", "nog te bepalen - subtidaal") ~ "subtidaal indet.", - #fysiotoop %in% c("lage slikzone", "laag slik", "laag intertidaal (75-100%)") ~ "laag intertidaal", - #fysiotoop %in% c("middelhoge slikzone", "hoge slikzone", "hoog intertidaal (0-25%)", "middelhoog slik", "middelhoog/hoog slik", "midden intertidaal (25-75%)") ~ "middelhoog/hoog intertidaal", - #fysiotoop %in% c("hard substraat", "hard antropogeen") ~ "hard substraat", - #fysiotoop %in% c("nog te bepalen - inter", "onbepaald", "slik", "slik onbepaald") ~ "intertidaal indet.", - #TRUE ~ fysiotoop)) - + bind_rows(sheetlocaties2022) -#data_macrobenthos %>% - # distinct(tidaal, fysiotoop) %>% - #arrange(tidaal, fysiotoop) ``` @@ -467,7 +378,7 @@ data_macrobenthos_locaties <- ```{r jaren} jaren <- - data_macrobenthos2008_2021 %>% + data_macrobenthos2008_2022 %>% distinct(jaar) %>% pull(jaar) @@ -494,7 +405,7 @@ file_name <- ```{r wegschrijven-data, eval=FALSE} -write_xlsx(list(macrobenthos = data_macrobenthos2008_2021, +write_xlsx(list(macrobenthos = data_macrobenthos2008_2022, locaties = data_macrobenthos_locaties), path = file_name) diff --git a/moneos_2024/150_geintegreerd_rapport/070_macrozoobenthos.Rmd b/moneos_2024/150_geintegreerd_rapport/070_macrozoobenthos.Rmd new file mode 100644 index 0000000..487c85f --- /dev/null +++ b/moneos_2024/150_geintegreerd_rapport/070_macrozoobenthos.Rmd @@ -0,0 +1,414 @@ + +```{r 070-hoofdstuk, include=FALSE} + +hoofdstuk <- "070_macrozoobenthos" + +``` + + + +```{r 070-setup, include=FALSE} + +knitr::opts_chunk$set(echo = FALSE, error=FALSE, warning=FALSE, message=FALSE, cache=FALSE, fig.pos = "H") +knitr::opts_knit$set(eval.after = "fig.cap") + +``` + + +```{r 070-libraries} + +library(tidyverse) +library(readxl) +library(kableExtra) +library(INBOtheme) +library(rprojroot) ## workaround pad + +``` + + +```{r 070-pad} + +# pad naar data : pad_data +# pad naar tabellen : pad_tabellen +# pad naar figuren : pad_figuren + +source(find_root_file("../pad.R", criterion = is_rstudio_project)) + +pad_data <- maak_pad(hoofdstuk, "data") +pad_figuren <- maak_pad(hoofdstuk, "figuren") +pad_tabellen <- maak_pad(hoofdstuk, "tabellen") +``` + + +```{r 070-meta_data} +##metadata nog niet aangepast in 2022, wat moet dat zijn? +meta_data <- + read_delim(paste0(pad_data, "meta_data.csv"), + delim = ";") + +for(i in 1:nrow(meta_data)){ + ##first extract the object value + tempobj=meta_data$waarde[i] + ##now create a new variable with the original name of the list item + eval(parse(text=paste(meta_data$naam[i],"= tempobj"))) +} +``` + + + +# Macrozoöbenthos + +Fichenummer: S_DS_V_002_benthos + +__Frank Van de Meutter__, Jan Soors, Dimitri Buerms, Charles Lefranc, Olja Bezdenjesnji, Ada Coudenys + + +## Inleiding +Een beschrijving van de historische benthosgegevens in de Zeeschelde (1999, 2002, 2005) die verzameld zijn met het oog op een systeemmonitoring, is te vinden in Speybroeck et al. (2014). +Sinds 2008 wordt jaarlijks op basis van een random stratified design benthos bemonsterd. +De gegevens van 2008 tot en met 2022 worden geleverd in een Excel-bestand (benthos_data2008-2021_rapportage2024.xlsx) met volgende werkbladen. + + * macrobenthos –- densiteit en biomassa per staalnamelocatie + * locaties –- de Lambert72-coördinaten van de bemonsterde locaties + +## Materiaal en methode + +### Strategie +Sinds 2008 wordt een stratified random sampling design toegepast. +Als hoogste hiërarchisch niveau binnen de stratificatie worden de 7 waterlichamen genomen, zoals deze voor monitoring en beoordeling in de context van de Kaderrichtlijn Water (KRW) worden onderscheiden (EMSE niveau 3). +De benaming verschilt echter van de vorige rapportages en refereert nu aan de saliniteit en verblijftijd in de verschillende zones. +In de Oligohaliene zone wordt de Rupel echter apart beschouwd en ook de Dijle en Zenne worden als aparte eenheden behandeld. +Per waterlichaam wordt vervolgens een opdeling gemaakt per fysiotoop, met de uitzondering dat hoog slik en slik in het supralitoraal (potentiële pionierzone) samen genomen worden. +Dit resulteert in een gelijkmatige spreiding van de staalnamelocaties. +Als basis bij de randomisatie werd de fysiotopenkaart van 2019 gebruikt. +De fysiotoop per waterlichaam fungeert als kleinste eenheid van informatie. +De stalen van verschillende locaties binnen een zelfde fysiotoop x waterlichaam worden als replica's voor dat fysiotoop beschouwd. +In de Zeeschelde en de Rupel werden de antropogene harde zones (steenbestortingen) afzonderlijk onderscheiden. +Ook werden twee delen van waterlichamen afgescheiden omwille van de enigszins afwijkende aard van hun habitats en fauna. +De zone Zoet kort verblijf werd opgedeeld in het traject Melle-Gentbrugge en traject Zwijnaarde tot ringvaart ("tijarmen") versus de rest van het KRW-waterlichaam, terwijl de Dijle stroomaf van de Zennemonding (Zennegat) werd onderscheiden van de rest van de Dijle. +In de grafieken in de data-exploratie worden deze echter samengevoegd. +Tot en met 2017 werd het volledige estuarium jaarlijks bemonsterd. +Vanaf 2018 worden de zijrivieren Dijle, Nete en Zenne slechts 3-jaarlijks bemonsterd. +Een volledige staalname gebeurde in 2020; de volgende volledige staalname zal gebeuren in 2023. +Jaarlijks worden nieuwe random vastgelegde staalnamelocaties gekozen binnen elk van de strata. +In principe worden 5 locaties per stratum (combinatie van fysiotoop en waterlichaam) bemonsterd. +Dit aantal wordt aangepast in sommige gevallen in functie van de relatieve en absolute areaalgrootte van de fysiotopen binnen de waterlichamen. +Hoewel tijdens het nemen van de stalen veel aandacht gaat naar het zo volledig mogelijk uitvoeren van de vooropgezette design, kan doorgaans een klein aantal stalen niet genomen worden door technische problemen of onvoorziene omstandigheden (bijvoorbeeld grote ongekende velden breuksteen subtidaal die de staalname onmogelijk maken). +In `r laatstejaar` werden uiteindelijk `r aantal_stalen` stalen genomen. +Een overzicht van de stalen per stratum is weergegeven in Tabel \@ref(tab:070-staalnamelocaties). + + + +```{r 070-staalnamelocaties} + +# inlezen tabel +tabel_x_waarden <- + read_excel(paste0(pad_tabellen, "070_Macrobenthos_tabellen.xlsx"), + sheet = "staalnamelocaties", + .name_repair = "minimal") + +# naam van de tabel om weg te schrijven en uit te lezen in .png file +naam_tabel <-"tabel_staalnamelocaties" + +# hoofding tabel +caption_staalnamelocaties <- "Aantal stalen per stratum in 2021." + +# lege tabel om de hoofding weer te geven (trukje om hoofding en kruisverwijzingen correct weer te geven in Word) +#knitr::kable(NULL, caption = caption_staalnamelocaties) + +# opmaak tabel en opslaan als .png +tabel_x_waarden %>% + # mutate_all(~replace_na(., "")) %>% + knitr::kable(booktabs = TRUE, + caption = caption_staalnamelocaties) %>% + kable_styling(latex_options = "scale_down") + + +# weergeven van de tabel +#knitr::include_graphics(paste0(naam_tabel,".png")) +#knitr::include_graphics(paste0(pad_figuren, "070-figuur-gewogengemiddeldebiomassa.jpg")) +``` + + +
+ +### Staalname +We onderscheiden twee soorten benthosstalen. + +**basisstaal (BS)**: jaarlijks \* intertidaal: 1 steekbuisstaal (diameter: 4,5cm) tot op een diepte van 15cm \* subtidaal: 1 steekbuisstaal uit een Reineck box-corer staal (diameter: 4,5cm) tot op een diepte van 15cm (in het box-corer staal). + +**Oligochaetenidentificatiestaal (OID)**: elke drie jaar (2008, 2011, 2014, 2017) werd tot en met 2017 (dus niet meer in 2020) aanvullend een tweede benthosstaal genomen. +Dit staal wordt genomen in functie van de identificatie van oligochaeten (OID). +Vanaf 2020 gebeurt de determinatie echter op de oligochaeten die verzameld werden in het basisstaal. +Wanneer de Oligochaeten apart getrieerd zijn voor determinatie noemen we deze oligochaetenfractie wel opnieuw het OID staal. +Het staal werd op dezelfde manier genomen als het basisstaal. +De OID gegevens voor staalnamejaar 2020 waren te laat beschikbaar en worden daarom besproken in deze rapportage. +Beide benthosstalen (BS, OID) worden gefixeerd (F-Solv 50%). +Bij elk benthosstaal wordt jaarlijks ook een **sedimentstaal** genomen met een sedimentcorer (diameter 2 cm zie ook hoofdstuk 6.2) tot 10 cm diepte in het substraat (intertidaal) of in het box-corer sample (subtidaal). Dit wordt vervolgens ter bewaring ingevroren. + +### Verwerking +Hieronder geven we de chronologie van handelingen bij de verwerking van elk type staal. + +**BS** + +- spoelen en zeven over twee zeven met maaswijdtes 1 mm en 500 µm =\> twee zeeffracties. Elke fractie ondergaat de hierna volgende stappen. +- uitselecteren van fauna +- determineren van alle individuen tot op het laagst mogelijke taxonomische niveau + tellen (maar de Oligochaeta worden als 1 taxon gerekend) +- biomassabepaling = verassing ('loss on ignition'): + - per taxon (= soort of een hoger niet nader te determineren taxonomisch niveau) + - drogen (12h bij 105°C) =\> drooggewicht (DW) + - verassen (2h bij 550°C) =\> asgewicht (AW) + - biomassa: asvrij drooggewicht AFDW = DW -- AW + +**OID** + +- spoelen en zeven over twee zeven met maaswijdtes 1mm en 500µm =\> 2 zeeffracties +- uitselecteren van fauna +- determineren van 25 individuen Oligochaeta per zeeffractie tot op het laagst mogelijke taxonomische niveau + tellen totaal aantal wormen in het staal +- geen biomassabepaling per soort; totale oligochaetenbiomassa wordt bepaald in BS ! Dit staal dient dus enkel voor het determineren van oligochaeten! Het bepalen van de soortspecfieke biomassa en densiteit gebeurt door de totale biomassa Oligochaeta in het BS staal te alloceren aan de verschillende taxa volgens hun relatieve aantallen in het OID staal. Deze methode houdt geen rekening met soortspecifieke biomassa's en is dus benaderend. + + +## Resultaten +We bespreken hieronder de verkennende analyses van de jaarlijkse standaard monitoringsinspanning (BS stalen) die jaarlijks gerapporteerd wordt. + +### Resultaten macrozoöbenthos 2021 +#### Densiteit en biomassa + +De densiteit van het macrozoöbenthos in het Zeeschelde estuarium is in de recente periode relatief stabiel (Figuur \@ref(fig:070-figuur10-soorten), \@ref(fig:070-figuur11-soorten)). +Omdat deze parameter inherent grote fluctuaties ondergaat, wordt deze beoordeeld op zijn logaritmisch verloop. +De veranderingen in 2021 vallen binnen de langjarige variatie. +Na recordjaar 2019 in de zone Zoet kort verblijf daalden de waarden twee jaar op rij, maar ze blijven wel de hoogste in het Zeeschelde estuarium. +Die hoge waarden komen volledig op het conto van de kreekvormige aantakkingen van het traject Gentbrugge-Melle en in mindere mate van de tijarm Zwijnaarde. +De zijrivieren Durme en Rupel vertoonden matig hoge densiteiten binnen de variatie van het laatste decennium. +De biomassa dichtheid (g AFDW per m²) van het macrozoöbenthos in 2021 was vrij hoog in de zijrivieren, maar eerder laag in de Zeeschelde, met de belangrijke uitzondering van de zone Saliniteitsgradiënt. De opvallende stijging in de zone Saliniteitsgradiënt (Zeeschelde IV, ongeveer Antwerpen tot de Nederlandse grens) die startte in 2019 zette zich voor het derde opeenvolgende jaar door. +In de zone Zoet kort verblijf lijkt een einde gekomen aan een periode van zeer hoge biomassa dichtheid sinds 2015. +De biomassa dichtheid viel er terug tot waarden die we hier vóór 2015 noteerden. +Het wordt interessant om op te volgen of dit om een tijdelijke dip gaat of om een structurele trend. +Het aandeel lege stalen was opvallend laag voor de meeste zones, behalve in de oligohaliene zone waar voor het tweede jaar op rij bijna 40% lege stalen werden vastgesteld (Figuur \@ref(fig:070-figuur12-soorten)). + +```{r 070-figuur10-soorten, fig.cap=caption_regressie10, out.width="100%"} +caption_regressie10 <- "Gemiddelde densiteit (lijn) aan macrozoöbenthos per waterlichaam opgedeeld in subtidaal en intertidaal. De spreiding rond de lijn wordt begrensd door het 1ste quartiel en 3de quartiel." + +knitr::include_graphics(paste0(pad_figuren, "070-figuur-densiteitgemiddelde.png")) +``` +
+ +```{r 070-figuur11-soorten, fig.cap=caption_regressie11, out.width="100%"} +caption_regressie11 <- "Gemiddelde biomassa (lijn) aan macrozoöbenthos per waterlichaam opgedeeld in subtidaal en intertidaal. Met weergave van spreiding 1ste quartiel en 3de quartiel." + +knitr::include_graphics(paste0(pad_figuren, "070-figuur-biomassagemiddelde-waterlichaam-alternatief.jpg")) +``` +
+ +```{r 070-figuur12-soorten, fig.cap=caption_regressie12, out.width="70%"} +caption_regressie12 <- "Aandeel aan lege stalen per waterlichaam doorheen de tijd." + +knitr::include_graphics(paste0(pad_figuren, "070-figuur-aandeel-lege-stalen.jpg")) +``` +
+ +Door de vastgestelde biomassa dichtheidswaarden (in g AFDW per m²) te vermenigvuldigen met de aanwezige oppervlakte aan verschillende intertidale fysiotopen, kunnen we de totale, in de Zeeschelde aanwezige, biomassa macrozoöbenthos berekenen. Voor de berekening werden de ecotoopoppervlaktes gebruikt van de jaargangen waarvoor gebiedsdekkende ecotoopkaarten voorhanden waren (2010, 2013, 2016,2019). De oppervlaktes uit kaartjaar 2010 werden gelinkt aan de benthosjaren vóór 2012. De oppervlaktes uit kaartjaar 2013 werden gelinkt aan de benthosjaren 2012-2014, de oppervlaktes uit kaartjaar 2016 werden gelinkt aan de benthosjaren 2015-2017 en de oppervlaktes uit kaartjaar 2019 werden gelinkt aan de benthosjaren 2018-2020. Voor 2021 werden de fysiotoopoppervlaktes voor 2021 gebruikt. Ter illustratie worden ook de totale biomassa's macrozoöbenthos voor de Durme en Rupel getoond; deze maken echter geen deel uit van de totale systeembiomassa van de Zeeschelde. +De systeembiomassa Zeeschelde (Figuur \@ref(fig:070-figuur13)) kende een dip in 2017 voor het stroomafwaartse deel van het estuarium vanaf Durme, Rupel en de zone Saliniteitsgradiënt waarna deze sterk opveerden in 2018 wat zich daarna doorzette tot en met 2021 en culimineerde in een nieuw maximum voor de Zeeschelde sinds de start van de monitoring in 2008. + +```{r 070-figuur13, fig.cap=caption_regressie13, out.width="70%"} +caption_regressie13 <- "Gesommeerd totaal van de gemiddelden per stratum van de systeembiomassa per waterlichaam en voor de totale Zeeschelde, uitgedrukt in ton asvrij drooggewicht. +Doelstelling systeemniveau is 30 ton; doelstellingen per deelzones zijn op de figuur weergegeven door een horizontale lijn met bij het waterlichaam passende kleur (Saliniteistgradiënt=14.2, Oligohalien=8.3, Zoet lang verblijf=5, Zoet kort verblijf=2.5)." + +knitr::include_graphics(paste0(pad_figuren, "070-figuur-intertidalesysteembiomassa.jpg")) +``` + +
+ +De aanhoudende hoge systeembiomassa van de Zeeschelde sinds 2018 was met name in de periode 2019 tot en met 2021 volledig toe te schrijven aan de zone Saliniteitsgradiënt. +Aangezien er geen noemenswaardige fysiotoopoppervlakteveranderingen gebeurden is de toename volledig toe te schrijven aan een effectieve toename van macrozoöbenthosbiomassa in dit deel van de Zeeschelde. +Deze toename komt helemaal op het conto van de Bivalvia (zie Figuur \@ref(fig:070-figuur13b)). +In de eerste plaats is er de vestiging van een exotische nieuwkomer, de brakwaterkorfschelp (*Potamocorbula amurensis*) die in 2018 voor het eerst is vastgesteld in de Zeeschelde (meteen de ook eerste vondst in Europa, Dumoulin & Langeraert, 2020). +De soort breidt sindsdien sterk uit en was vorig jaar (2020) al verantwoordelijk voor ongeveer 17% van de intertidale systeembiomassa macrozoöbenthos in de Zeeschelde. +Maar ook andere bivalven doen het goed, met hoge aantallen van het Nonnetje (*Limecola balthica*) in 2020, en vooral een hoge biomassa dichtheid van de Platte slijkgaper in 2021 (*Scrobicularia plana*) (zie Figuur \@ref(fig:070-figuur13c)). +Het is de eerste keer dat we deze tweekleppige vaststellen tijdens de monitoring, maar we zien de aantallen van deze in hoofdzaak mariene soort, die normaalgezien in zeer lage aantallen gezien wordt, al enkele jaren fors toenemen in de Zeeschelde. +Een belangrijke opmerking bij de trends van de bivalven is dat de gebruikte staalnamemethode met een erg smalle steekbuis niet geschikt is om organismen van de grootte en de ruimtelijke distributie van bivalven te bemonsteren. +Toevalseffecten spelen dan een grote rol waardoor trends minder stabiele zijn tussen jaren. +Zo is de brakwaterkorfschelp nog steeds in grote aantallen aanwezig. +In 2021 is ze echter nauwelijks vastgesteld in het intertidaal, maar wel nog in grote aantallen in het subtidaal (zie Figuur \@ref(fig:070-figuur13d)). +Bovendien vinden we de bivalven op zacht substraat voornamelijk terug in de zone Saliniteitsgradiënt met (veruit) de grootste fysiotoopoppervlaktes in de Zeeschelde, zodat de toevalseffecten sterk uitvergroot worden. +In de zoete zones zitten driehoeksmossels, *Dreissena sp*, maar die zitten subtidaal op hard substraat en worden niet of enkel toevallig bemonsterd bij de spatial monitoringscampagne. + +De evaluatiegrenswaarde, 30 ton AFDW in het intertidaal van de Zeeschelde (EMSE 2021), werd in 2021 ook ruimschoots gehaald, doordat de systeembiomassa verder steeg tot een totaal van 45.68 ton droge stof. +De verdeling van de biomassa over de verschillende zones van het estuarium wijkt wel af van de doelstellingen (zie Figuur \@ref(fig:070-figuur13)). +De zones Oligohalien en Zoet lang verblijf zitten nog steeds onder de vooropgestelde zone-specifieke minimumgrens van respectievelijk 8,3 en 5 ton AFDW (Figuur \@ref(fig:070-figuur13)). +Hoewel een erg hoge systeembiomassa behaald werd in 2021, stelden we tegelijk een opvallende afname vast van de systeembiomassa Oligochaeta. +Omdat Oligochaeta klein zijn en vrij homogeen verspreid zitten is deze afname weinig aan toevalseffecten onderhevig. +De afname van Oligochaeta gebeurde in de zones Zoet kort verblijf en Oligohalien. + + + +```{r 070-figuur13b, fig.cap=caption_regressie13b, out.width="70%"} +caption_regressie13b <- "Jaarlijkse systeembiommassa (ton droge stof) voor de 7 belangrijkste Taxon groepen in de Zeeschelde. Deze groepen bevatten jaarlijks samen meer dan 95\\% van de systeembiomassa in de Zeeschelde. De toename van de Bivalvia is vrijwel volledig te wijten aan de de brakwaterkorfschelp " + +knitr::include_graphics(paste0(pad_figuren, "PopTaxgroep_ZS.jpg")) +``` +
+ +```{r 070-figuur13c, fig.cap=caption_regressie13c, out.width="70%"} +caption_regressie13c <- "Jaarlijkse systeembiommassa (ton droge stof) voor de belangrijkste tweekleppigen (Bivalvia) in het intertidaal van de Zeeschelde. Deze soorten bevatten jaarlijks samen meer dan 95\\% van de systeembiomassa in de Zeeschelde. " + +knitr::include_graphics(paste0(pad_figuren, "BIVsoortenINTER_ZS.jpg")) +``` +
+```{r 070-figuur13d, fig.cap=caption_regressie13d, out.width="70%"} +caption_regressie13d <- "Jaarlijkse systeembiommassa (ton droge stof) voor de belangrijkste tweekleppigen (Bivalvia) in het subtidaal van de Zeeschelde. Deze soorten bevatten jaarlijks samen meer dan 95\\% van de systeembiomassa in de Zeeschelde." + +knitr::include_graphics(paste0(pad_figuren, "BIVsoortenSUB_ZS.jpg")) +``` +
+ +#### Soortenrijkdom + +Volledige determinatie aan de hand van BS- en OID-stalen gebeurt elke drie jaar (2008, 2011, 2014, 2017, 2020). De soortenrijkdom is daarom periodiek hoger. +Een overzicht van de soortenrijkdom voor de verschillende waterlichamen en de verschillende jaren per tidale zone (inter-, sub-) staat in figuren \@ref(fig:070-figuur15) en \@ref(fig:070-figuur15b). In deze figuren zijn alle beschikbare determinaties opgenomen, waardoor de weergegeven soortenrijkdom in de jaren met OID-identificatie (zie hoger) groter is. +Vergelijken moet dus gebeuren tussen jaren met dezelfde telmethode. In vrij veel zones ligt de soortenrijkdom de laatste 2-3 onderzoeksjaren iets hoger dan in vergelijkbare jaren de voorbije periode. Mogelijke oorzaken zijn het steeds toenemend aantal exotische soorten en de uitzonderlijke droogteperioden die mogelijks marinisatie van de Zeeschelde veroorzaakten. Dit moet verder uitgeklaard worden. Opvallend is dat enkel in het Oligohalien en de Rupel de taxa rijkdom vaak hoger is in het subtidaal dan in het intertidaal (Oligochaeta niet meegeteld). Dit patroon is stabiel in de tijd maar een reden ervoor is niet gekend. in de zone Zoet kort verblijf is een gestage toename van de Oligochaeta rijkdom zichtbaar, die we niet zien. + +```{r 070-figuur15, fig.cap=caption_regressie15, out.width="100%"} +caption_regressie15 <- "Staalgemiddelde soortenrijkdom (boxplots; mediaan, IQrange) per waterlichaam doorheen de tijd. De Oligochaeta worden niet steeds gedetermineerd en werden als 1 taxon beschouwd, behalve in de jaren 2008, 2011, 2014, 2017 en 2020. De jaren onderling vergelijken kan dus enkel tussen deze opgesomde jaren, en tussen de tussenliggende jaren." + +knitr::include_graphics(paste0(pad_figuren, "070-figuur-soortenrijkdom-Zeeschelde.jpg")) +``` + +```{r 070-figuur15b, fig.cap=caption_regressie15b, out.width="100%"} +caption_regressie15b <- "Soortenrijkdom per waterlichaam doorheen de tijd. De Oligochaeta worden niet steeds gedetermineerd en werden als 1 taxon beschouwd, behalve in de jaren 2008, 2011, 2014, 2017 en 2020. De jaren onderling vergelijken kan dus enkel voor deze opgesomde jaren, en de tussenliggende jaren. In de zijrivieren wordt sinds 2017 niet meer jaarlijks maar driejaarlijks bemonsterd tijdens de OID jaren, waardoor de diversiteit hoger lijkt." + +knitr::include_graphics(paste0(pad_figuren, "070-figuur-soortenrijkdom-lijn-Zeeschelde.jpg")) +``` + +
+ +#### Soortendiversiteit Shannon-index + +De Shannon diversiteit is een relatief nieuwe evaluatieparameter (EMSE 2021). +Ze wordt berekend op zowel biomassa (g droge stof AFDW/m²) als aantallen van het macrozoöbenthos. +De Oligochaeta werden over alle jaren als één taxon beschouwd. +We berekenen de Shannon diversiteit voor de vier saliniteitszones van de Zeeschelde (niveau 3) en voor de totale Zeeschelde. +De evolutie van deze parameter overheen de jaren per tidale zone (inter-, sub-) staat in de figuren \@ref(fig:070-figuur16) en \@ref(fig:070-figuur17). + +De Shannon index voor het intertidaal in de gehele Zeeschelde is vrij stabiel doorheen de tijd. +De Zeeschelde als geheel en de zone sterke Saliniteitsgradiënt hebben intertidaal een hogere Shannon diversiteit dan de overige zones, die vrij laag scoren. +Voor oligohalien en zoet kort was er, vooral voor de densiteiten, een algemene toenemende trend tvan 2015 tot 2020. +In 2021 is er een terugval. + +De patronen in het subtidaal zijn behoorlijk erratisch. +Door de veel lagere densiteit en biomassa in het subtidaal is de invloed van toeval op de Shannon diversiteit relatief groter. +Met wat goede wil is ook hier een opvering van de Shannon index in de deelgebieden merkbaar sinds 2015, maar variatie tussen de jaren is groot. +Een opmerkelijk patroon is te zien in de zone sterke Saliniteitsgradiënt: bij densiteiten is er een toename, terwijl er voor biomassa een sterke afname van de Shannon diversiteit is in de laatste 2 jaren. +Waarschijnlijk is dit te wijten aan de opkomst van de brakwaterkorfschelp (Dumoulin & Langeraert, 2020). + +```{r 070-figuur16, fig.cap=caption_regressie16, out.width="100%"} +caption_regressie16 <- "Shannon diversiteit per waterlichaam en voor de volledige Zeeschelde voor het intertidaal doorheen de tijd. De shannon diversiteit werd zowel berekend op densiteiten (aantallen/m²) als voor biomassa (g/m²). De Oligochaeta worden niet steeds gedetermineerd en werden als 1 taxon beschouwd." + +knitr::include_graphics(paste0(pad_figuren, "070-figuur-Shannondiv-intert-Zeeschelde.jpg")) +``` + +```{r 070-figuur17, fig.cap=caption_regressie17, out.width="100%"} +caption_regressie17 <- "Shannon diversiteit per waterlichaam en voor de volledige Zeeschelde voor het subtidaal doorheen de tijd. De shannon diversiteit werd zowel berekend op densiteiten (aantallen/m²) als voor biomassa (g/m²). De Oligochaeta worden niet steeds gedetermineerd en werden als 1 taxon beschouwd." + +knitr::include_graphics(paste0(pad_figuren, "070-figuur-Shannondiv-subt-Zeeschelde.jpg")) +``` + +
+ +### Resultaten diversiteit Oligochaeta +#### Methode + +Veruit de belangrijkste groep macrozoöbenthos in het intertidaal van de zoete zones en het oligohalien van de Zeeschelde is de subklasse van de Oligochaeta. +De determinatie vergt veel tijd en expertise en is niet jaarlijks haalbaar. +Om toch voeling te houden met de diversiteit en trends wordt om de 3 jaar een inspanning gedaan om deze groep te determineren. +Daarbij wordt tegenwoordig van een staal een subsample van 50 individuen op naam gebracht. +Vaak bevat een staal echter minder dan 50 Oligochaeta en worden de x (\<50) aanwezige gedetermineerd. +Aangezien densiteit en soortenrijkdom doorgaans sterk gerelateerd zijn, is bij de vorige rapportage van diversiteit Oligochaeta (Van Rijckegem et al. 2021) gekozen voor een beschrijving en vergelijking van de gegevens aan de hand van rarefactie. +Daarbij worden uit alle verzamelde individuen random exemplaren getrokken en bij toenemend aantal de soortenrijkdom berekend. +Deze procedure wordt een groot aantal keer herhaald zodat een vloeiende curve ontstaat. +Bij het vergelijken van verschillende bemonsteringen (jaren, zones van de Zeeschelde,...) kan slechts vergeleken worden tot het minimum aantal dieren dat in een van de onderzochte groepen behaald werd. +In tegenstelling tot de rapportage van 2021 werd deze keer de volledige set van data sinds 2008 omgerekend zodat we een bespreking kunnen doen van de laatste 15 jaar (5 driejaarlijkse monitoringsjaren: 2008-2011-2014-2017-2020). +De gegevens van 2020 waren vorig jaar nog niet beschikbaar en worden daarom dit jaar gerapporteerd. + +#### Soortenrijkdom + +Een vergelijking van de soortenrijkdomcurves voor de 5 driejaarlijkse opnames in de deelzones van de Zeeschelde staat in de Figuur \@ref(fig:070-figuur18). +Opvallend is dat voor alle jaren de soortenrijkdom het hoogst is in Zeeschelde I, de zone Zoet kort verblijf. +Dit is eveneens de zone waar we de hoogste densiteiten oligochaeten vinden (de curve loopt het langst door). +Een andere opvallende vaststelling is dat in het eerste onderzochte jaar 2008 in de zone Zoet lang verblijf en de zone Oligohalien (Zeeschelde II en III) de soortenrijkdom hoger lag dan in de daarna volgende jaren. +De soortenrijkdom in de zone Saliniteitsgradiënt (Zeeschelde IV) die aanvankelijk veel lager ligt dan in de andere zones, is in latere jaren meer gelijk met deze van zone Zoet lang en Oligohalien, door een kleine toename van de soortenrijkdom in Saliniteitsgradiënt en een daling in de andere twee zones. +De situatie in 2020 was in lijn met de eerdere jaren, behalve dat in de zone Zoet lang er een opvallend lage soortenrijkdom was; zelfs lager dan in Saliniteitsgradiënt. + +```{r 070-figuur18, fig.cap=caption_regressie18, out.width="100%"} +caption_regressie18 <- "De relatie tussen intertidale soortenrijkdom en aantal onderzochte Oligochaeta na rarefactie voor de verschillende KRW zones in de Zeeschelde voor verschillende onderzochte jaren: 2008-2011-2014-2017-2020. De curve per KRWzone loopt door tot het totaal aantal gedetermineerde wormen voor die opname." + +knitr::include_graphics(paste0(pad_figuren, "ZS1234_rarefy1.jpg")) +``` +
+ +Een vergelijking doorheen de tijd per saliniteitszone is eenvoudiger te beoordelen in de Figuur \@ref(fig:070-figuur18b). +Uit deze figuur blijkt nog duidelijker dat de trend in de diversiteit van Oligochaeta omgekeerd verloopt in Saliniteitsgradiënt (toename) versus de andere zones (afname sinds 2008). +Vooral in de zones Zoet lang en Oligohalien is de afname na 2008 opvallend. +Dit zijn de zones waarin de biologisch te lage zuurstofconcentratie, als gevolg van organische vervuiling, het sterkst zijn tol had op het ecologisch functioneren, en er pas na 2007 vissen en andere grote ongewervelden verschenen. +Wel waren er toen enorme densiteiten Oligochaeta, en blijkbaar ook een grote diversiteit aan Oligochaeta. + +```{r 070-figuur18b, fig.cap=caption_regressie18b, out.width="100%"} +caption_regressie18b <- "De relatie tussen intertidale soortenrijkdom en aantal onderzochte Oligochaeta na rarefactie voor de verschillende KRW zones in de Zeeschelde voor verschillende onderzochte jaren: 2008-2011-2014-2017-2020. De curve per jaar loopt door tot het totaal aantal gedetermineerde wormen voor die opname." + +knitr::include_graphics(paste0(pad_figuren, "JaarperZS.jpg")) +``` + +
+ +Een gelijkaardige analyse werd gemaakt voor de zijrivieren (Figuur \@ref(fig:070-figuur19)). +Voor alle jaren zien we een typisch onderscheid tussen de iets soortenarmere Durme en Rupel, die een grotere invloed van de Zeeschelde ondergaan en in overeenstemming daarmee een vergelijkbare soortenrijkdom hebben, en de meer typische getijrivieren Dijle, Nete en Zenne die doorgaans een hogere soortenrijkdom hebben. +Relatief gezien is de soortenrijkdom van Rupel en Durme in het laatste monitoringsjaar 2020 lager dan in de voorgaande monitoringsjaren (2008-2011-2014-2017). + +```{r 070-figuur19, fig.cap=caption_regressie19, out.width="100%"} +caption_regressie19 <- "De relatie tussen intertidale soortenrijkdom en aantal onderzochte Oligochaeta na rarefactie voor de verschillende deelzones in de Zeeschelde voor verschillende onderzochte jaren: 2008-2011-2014-2017-2020. De curve per deelzone loopt door tot het totaal aantal gedetermineerde wormen voor die opname." + +knitr::include_graphics(paste0(pad_figuren, "Zijrivier_rarefy.jpg")) +``` + +
+ +## Algemene conclusie + +**De soortenrijkdom** + +Om de drie jaar wordt de volledige soortenrijkdom (inclusief determinatie van de Oligochaeta) van het macrozoöbenthos in de Zeeschelde bepaald, zo ook in 2020. +Deze data waren vorig jaar nog niet beschikbaar, maar worden in dit rapport, samen met de resultaten voor 2021 (zonder determinaties van Oligochaeta), gepresenteerd. +De soortenrijkdom (exclusief Oligochaeta) lijkt de laatste paar jaren licht te stijgen in verschillende waterlichamen van de Zeeschelde met name de zone Zoet kort en Saliniteitsgradiënt. +In de laatste zone zijn de laatste jaren een aantal soorten tweekleppigen toegenomen. +Voor de Oligochaeten analyseerden we in deze rapportage voor het eerst de volledige dataset sinds 2008 aan de hand van rarefactiecurves. +Daaruit blijkt dat er twee types evoluties zijn: in de zoete zones en het Oligohalien is er sinds 2008 een afname van de soortenrijkdom, in de zone Saliniteitsgradiënt is er een omgekeerde evolutie naar een toenemende soortenrijkdom. +De zone Zoet kort verblijf bleef de hele monitoringsperiode wel afgetekend het soortenrijkste waterlichaam. +De resultaten in 2020 waren in lijn met deze van de laatste monitoringsjaren, met uitzondering van een eerder historisch lage soortenrijkdom in zone Zoet lang. + +**De Shannon diversiteit** + +De Shannon diversiteit is een nieuwe EMSE evaluatieparameter die in 2022 voor het eerst gerapporteerd werd (Van Ryckegem et al. 2022). +Het gedrag van deze parameter en hoe deze best te interpreteren is nog onderhevig aan voortschrijdend inzicht. +Een eerste beoordeling gaf aan dat deze parameter vrij sterke fluctuaties vertoont en mogelijk minder goed bruikbaar is in de subtidale zone, door het erratisch verloop overheen de jaren, dat mogelijk gelinkt is aan lagere densiteiten macrozoöbenthos in deze zone. +De Shannon diversiteit in het intertidaal is in de meeste zones (behalve sterke saliniteitsgradiënt) heel laag. +Dit is te wijten aan de dominantie van 1 taxon (Oligochaeta). +In 2021 was bijna overal een terugval te zien. Subtidaal is er in de zone met sterke Saliniteitsgradiënt recent een duidelijke toename in diversiteit gebaseerd op aantallen, maar een gelijktijdige afname in diversiteit gebaseerd op biomassa. +Dat laatste fenomeen is wellicht te wijten aan de opkomst van enkele tweekleppigen. + +**De systeembiomassa** + +Voor het derde jaar op rij is de systeembiomassa in 2021 de hoogste waarde ooit vastgesteld in de recente monitoringcyclus (vanaf 2008) en overschrijdt ze ruim de doelstelling. De hoge waarde is vooral het gevolg van een sterke toename van benthosbiomassa in de zone met sterke Saliniteitsgradiënt. Deze zone heeft veruit de grootste intertidale fysiotoopoppervlaktes zodat kleine gemiddelde biomassawijzigingen een grote impact hebben. De veranderende biomassa aan macrozoöbenthos in deze zone komt voor een groot deel op het conto van de bivalven waaronder de recent gevestigde exotische brakwaterkorfschelp en de doorgaans mariene *Scrobicularia plana*. Dit duidt waarschijnlijk op een combinatie van oorzaken, namelijk de vestiging van nieuwe exotische soorten en het opschuiven van meer brakke tot mariene soorten naar de Zeeschelde. + +Hoewel de totale systeembiomassa ruim de doelstelling haalt werden de lokale doelstellingen niet in alle deelzones gehaald. In de Oligohaliene zone en in de Zoete zone met lang verblijf valt de biomassa macrozoöbenthos lager uit dan de doelstelling. Dit was overigens in bijna alle monitoringsjaren tot en met 2021 het geval. + + +## Referenties +Dumoulin, E., & Langeraert W. (2020). De brakwaterkorfschelp *Potamocorbula amurensis* (Schrenck, 1861) (Bivalvia, Myida, Corbulidae), een nieuwkomer in het Schelde-estuarium; of het begin van een lang verhaal. Inleiding. De Strandvlo 40: 113–172. + +Nichols F., Thompson J. & Schemel L. (1990). Remarkable invasion of San Francisco Bay (California, USA), by the Asian clam *Potamocorbula amurensis*. II, Displacement of a former community. Marine Ecology Progress Series 66: 95–101. + +Van Hoey G., Drent J. & Ysebaert T. (2007). The Benthic Ecosystem Quality Index (BEQI), intercalibration and assessment of Dutch coastal and transitional waters for the Water Framework Directive - Final Report. NIOO report 2007-02. + +Van Ryckegem G., Vanoverbeke J., Van Braeckel A., Van de Meutter F., Mertens W. Mertens A. & Breine J. (2021). MONEOS-Datarapport INBO: toestand Zeeschelde 2020. Monitoringsoverzicht en 1ste lijnsrapportage Geomorfologie, diversiteit Habitats en diversiteit Soorten. Rapporten van het Instituut voor Natuur- en Bosonderzoek 2021 (47). Instituut voor Natuur- en Bosonderzoek, Brussel. DOI: doi.org/10.21436/inbor.52484672. + +Van Ryckegem G., Vanoverbeke J., Van Braeckel A., Van de Meutter F., Mertens W. Mertens A. & Breine J. (2021). MONEOS-Datarapport INBO: toestand Zeeschelde 2020. Monitoringsoverzicht en 1ste lijnsrapportage Geomorfologie, diversiteit Habitats en diversiteit Soorten. Rapporten van het Instituut voor Natuur- en Bosonderzoek 2021 (47). Instituut voor Natuur- en Bosonderzoek, Brussel. DOI: doi.org/10.21436/inbor.52484672. From 94efce544d73e1fe4b3b0b84e78872ab8b33f230 Mon Sep 17 00:00:00 2001 From: JOCQUE Date: Mon, 26 Aug 2024 15:07:04 +0200 Subject: [PATCH 018/102] Merlijn inleiding vissen trial --- moneos_2024/150_geintegreerd_rapport/LICENSE.md | 4 +--- 1 file changed, 1 insertion(+), 3 deletions(-) diff --git a/moneos_2024/150_geintegreerd_rapport/LICENSE.md b/moneos_2024/150_geintegreerd_rapport/LICENSE.md index 7e5a52a..bed44e0 100644 --- a/moneos_2024/150_geintegreerd_rapport/LICENSE.md +++ b/moneos_2024/150_geintegreerd_rapport/LICENSE.md @@ -1,6 +1,4 @@ -## creative commons - -# Attribution 4.0 International +# Creative Commons Attribution 4.0 International Creative Commons Corporation (“Creative Commons”) is not a law firm and does not provide legal services or legal advice. Distribution of Creative Commons public licenses does not create a lawyer-client or other relationship. Creative Commons makes its licenses and related information available on an “as-is” basis. Creative Commons gives no warranties regarding its licenses, any material licensed under their terms and conditions, or any related information. Creative Commons disclaims all liability for damages resulting from their use to the fullest extent possible. From 365606c0575e870330e0b1bc28cdff50ce2825f1 Mon Sep 17 00:00:00 2001 From: VAN RYCKEGEM Date: Mon, 26 Aug 2024 17:16:33 +0200 Subject: [PATCH 019/102] data aanpassing --- .../10_sediment_data.Rmd | 157 +++ .../20_sediment_analyse.Rmd | 1244 +++++++++++++++++ 2 files changed, 1401 insertions(+) create mode 100644 moneos_2024/060_sedimentkenmerken/10_sediment_data.Rmd create mode 100644 moneos_2024/060_sedimentkenmerken/20_sediment_analyse.Rmd diff --git a/moneos_2024/060_sedimentkenmerken/10_sediment_data.Rmd b/moneos_2024/060_sedimentkenmerken/10_sediment_data.Rmd new file mode 100644 index 0000000..94a9fdd --- /dev/null +++ b/moneos_2024/060_sedimentkenmerken/10_sediment_data.Rmd @@ -0,0 +1,157 @@ +--- +params: + hoofdstuk: "060_sedimentkenmerken" +knit: (function(inputFile, ...) { + rmarkdown::render(inputFile, + output_dir = paste0(rmarkdown::yaml_front_matter(inputFile)$params$hoofdstuk, "/output"))}) +title: "Sediment MONEOS data" +output: word_document +editor_options: + chunk_output_type: console +--- + + +```{r setup, include=FALSE} + +knitr::opts_chunk$set(echo = FALSE, error=FALSE, warning=FALSE, message=FALSE, cache=FALSE, fig.showtext = TRUE, dpi = 300) + +``` + + + +```{r libraries} + +library(tidyverse) +library(lubridate) +library(readxl) +library(INBOtheme) +library(rprojroot) + + +``` + + +```{r pad} + +# inlezen van variabelen +# pad naar data : pad_data +# pad naar tabellen : pad_tabellen +# pad naar figuren : pad_figuren + +# source("../pad.R") +source(find_root_file("../pad.R", criterion = is_rstudio_project)) +pad_data <- maak_pad(params$hoofdstuk, "data") +pad_figuren <- maak_pad(params$hoofdstuk, "figuren") +pad_tabellen <- maak_pad(params$hoofdstuk, "tabellen") + +``` + + +```{r data} + +# OPGELET!!! + # Dit script start met de afgewerkte data-aanlevering. + # Om te starten met extractie van de gegevens uit de databank zie script 2017 + +##datavoorbereiding 2024 +##koppelen van sedimentdata met locatiegegevens + +data2022loc <- read_excel(paste0(pad_data, "Locaties2022.xlsx")) +data2022sed <- read_excel(paste0(pad_data, "Sediment2022_spatial.xlsx")) + +data2022loc <- data2022loc %>% + dplyr::filter(CampagneCode == "Spatial2022") %>% + rename_with(tolower) %>% + rename(X = x) %>% + rename(Y = y) + +data2022sed <- data2022sed %>% + rename_with(tolower) %>% + rename (OM = om) + +data2022 <- data2022loc %>% + left_join(data2022sed, by = "locatiecode") %>% + rename(locatie = locatiecode) + +data2023loc <- read_excel(paste0(pad_data, "Locaties2023_ONAF.xlsx")) +data2023sed <- read_excel(paste0(pad_data, "Sediment2023_spatial.xlsx")) + +data2023loc <- data2023loc %>% + dplyr::filter(CampagneCode == "Spatial2023") %>% + rename_with(tolower) %>% + rename(X = x) %>% + rename(Y = y) + +data2023sed <- data2023sed %>% + rename_with(tolower) %>% + rename (OM = om) + +data2023 <- data2023loc %>% + left_join(data2023sed, by = "locatiecode") %>% + rename(locatie = locatiecode) + + +##selectie variabelen en omzetten lang formaat + +data2022 <- data2022 %>% + select(jaar, campagne, waterloop, tidaal, fysiotoop, locatie, X, Y, mediaan, OM, slib) %>% + gather("mediaan", "OM", "slib", key = variabele, value = waarde, na.rm = TRUE) + +data2023 <- data2023 %>% + select(jaar, campagne, waterloop, tidaal, fysiotoop, locatie, X, Y, mediaan, OM, slib) %>% + gather("mediaan", "OM", "slib", key = variabele, value = waarde, na.rm = TRUE) + +##check op dubbels +dubbel <-data2023 %>% + dplyr::group_by(jaar, campagne, waterloop, tidaal, fysiotoop, locatie, X, Y, variabele) %>% + dplyr::summarise(n = dplyr::n(), .groups = "drop") %>% + dplyr::filter(n > 1L) + +##data toevoegen aan dataset vorige rapportage + data <- read_excel(paste0(pad_data, "S_DS_V_004a_sediment_data2008_2021_rapportage2023.xlsx")) + + data <- data %>% + select(jaar, campagne, waterloop, tidaal, fysiotoop, locatie, X, Y, variabele, waarde) + + ##promemory uit de dataset/databank zijn volgende data verwijderd bij de aanlevering naar VLIZ omdat ze foutief zijn gemeten: + # foute data van GK 2015 intertidaal verwijderen + #subset(data, !(tidaal=="intertidaal" & jaar==2015 & waterloop=="Zeeschelde IV" & + # variabele %in% c("mediaan","slib") )) + # foute data ZSIV 2013 intertidaal verwijderen + # subset(data, !(tidaal == "intertidaal" & jaar ==2013 & waterloop == "Zeeschelde IV" & + # variabele %in% c("mediaan","slib") )) + # data ZSI subtidaal 2013 is ook verdacht en werd verwijderd + # subset(data, !(tidaal == "subtidaal" & jaar ==2013 & waterloop == "Zeeschelde I" & + # variabele %in% c("mediaan","slib") )) + + data <- data %>% + rbind (data2022, data2023) %>% + na.omit(TRUE) + +# template_data <- +# data.frame(x = sample(seq(0,10,0.05), 100, replace = TRUE)) %>% +# mutate(y = 0.5 + 2*x + rnorm(n())) + +``` + + +data gecreëerd op `r Sys.time()` + +data weggeschreven naar `r paste0(pad_data, "template_data.csv")` + + +```{r wegschrijven-data} + + file <- paste0(pad_data, "S_DS_V_004a_sediment_data2008_",(year(Sys.Date())-1),"_rapportage",year(Sys.Date()),".xlsx") + + openxlsx::write.xlsx(data, file, rowNames = FALSE, overwrite = TRUE) + + data %>% + write_delim(paste0(pad_data, "sediment_data.csv"), + delim = ";") + +``` + + + + diff --git a/moneos_2024/060_sedimentkenmerken/20_sediment_analyse.Rmd b/moneos_2024/060_sedimentkenmerken/20_sediment_analyse.Rmd new file mode 100644 index 0000000..db422ed --- /dev/null +++ b/moneos_2024/060_sedimentkenmerken/20_sediment_analyse.Rmd @@ -0,0 +1,1244 @@ +--- +params: +hoofdstuk: "060_sedimentkenmerken" +knit: (function(inputFile, ...) { + rmarkdown::render(inputFile, + output_dir = paste0(rmarkdown::yaml_front_matter(inputFile)$params$hoofdstuk, "/output"))}) +title: "Sedimentkenmerken MONEOS analyse" +output: word_document +editor_options: + chunk_output_type: console +--- + + +```{r setup, include=FALSE} + +knitr::opts_chunk$set(echo = FALSE, error = FALSE, warning = FALSE, message = FALSE, cache = FALSE, fig.showtext = TRUE, dpi = 300) + +``` + + + +```{r libraries} + +library(tidyverse) +library(writexl) +library(gridExtra) +library(readxl) +library(rprojroot) +library(scales) +library(INBOtheme) + +``` + + +```{r pad} + +# inlezen van variabelen +# pad naar data : pad_data +# pad naar tabellen : pad_tabellen +# pad naar figuren : pad_figuren + +# source("../pad.R") +source(find_root_file("../pad.R", criterion = is_rstudio_project)) +pad_data <- maak_pad(params$hoofdstuk, "data") +pad_figuren <- maak_pad(params$hoofdstuk, "figuren") +pad_tabellen <- maak_pad(params$hoofdstuk, "tabellen") + +``` + + +```{r data} + +sediment_data <- + read_delim(paste0(pad_data, "sediment_data.csv"), + delim = ";") + +vroegste_jaar <- + sediment_data$jaar %>% + min() + +recentste_jaar <- + sediment_data$jaar %>% + max() +# +# kleinste_y <- +# template_data$y %>% +# min() +# +# grootste_y <- +# template_data$y %>% +# max() + +``` + + +# beschrijving van de data + + - Er zijn `r ncol(sediment_data)` variabelen + + `r paste(names(sediment_data), sep = ", ")` + - Er zijn `r nrow(sediment_data)` metingen + + + +# overzicht jaar waarden + +```{r 000-tabel-jaar-waarden} + +# tabel_jaar_waarden1 <- +# sediment_data %>% +# mutate(jaarcat = cut(jaar, floor(vroegste_jaar-1):ceiling(recentste_jaar+1))) %>% +# count(jaarcat) + + +tabel_jaar_waarden <- + sediment_data %>% + group_by(jaar,campagne) %>% + summarise (count = n_distinct(locatie)) + +knitr::kable(tabel_jaar_waarden) + +write_xlsx(list(jaar_waarden = tabel_jaar_waarden), + paste0(pad_tabellen, "sediment_tabellen.xlsx")) + +``` + + +# figuur regressie + +```{r 000-figuur-regressie, fig.height=5, fig.width=8} + + +ggplotRegression <- function (fit) { + +require(ggplot2) + +ggplot(fit$model, aes_string(x = names(fit$model)[2], y = names(fit$model)[1])) + + geom_point() + + stat_smooth(method = "lm", col = "red") + + labs(title = paste("Adj R2 = ",signif(summary(fit)$adj.r.squared, 5), + "Intercept =",signif(fit$coef[[1]],5 ), + " Slope =",signif(fit$coef[[2]], 5), + " P =",signif(summary(fit)$coef[2,4], 5))) +} + +test <- sediment_data %>% + pivot_wider(names_from = variabele, values_from = waarde) + + +test %>% + ggplot(aes(slib, mediaan)) + + geom_point() + + geom_smooth(method = "lm", color = "red") +# ggsave(paste0(pad_figuren, "000_figuur_regressie.jpg")) + +test %>% + ggplot(aes(slib, OM)) + + geom_point() + + geom_smooth(method = "lm",color = "red") + +test %>% + ggplot(aes(mediaan, OM)) + + geom_point() + + geom_smooth(method = "lm",color = "red") + +fit1 <- lm(OM ~ mediaan, data = test) +ggplotRegression(fit1) + +fit2 <- lm(OM ~ slib, data = test) +ggplotRegression(fit2) + +fit3 <- lm(mediaan ~ slib, data = test) +ggplotRegression(fit3) + +testslib <- test %>% + dplyr::filter(slib > 25) %>% #slibbodem + dplyr::filter(OM < 25) # geen veenbodem - arbitrair gekozen grens + +fit4 <- lm(OM ~ mediaan, data = testslib) +ggplotRegression(fit4) + +fit5 <- lm(OM ~ slib, data = testslib) +ggplotRegression(fit5) + +fit6 <- lm(mediaan ~ slib, data = testslib) +ggplotRegression(fit6) + + +``` + + +```{r meta-data} + +meta_data <- + enframe(c(vroegste_jaar = vroegste_jaar, + recentste_jaar = recentste_jaar, + metingen = nrow(sediment_data)), + name = "naam", value = "waarde") + +meta_data %>% + write_delim(paste0(pad_data, "meta_data.csv"), + delim = ";") + +``` + +```{r voorbereiding dataset} + +table(sediment_data$tidaal) +sediment_data$tidaal[sediment_data$tidaal=="inter"] <- "intertidaal" +sediment_data$tidaal[sediment_data$tidaal=="inter"] <- "Intertidaal" +sediment_data$tidaal[sediment_data$tidaal=="sub"] <- "subtidaal" + + table(sediment_data$waterloop) + # sediment_data$waterloop[sediment_data$waterloop=="Zeeschelde_trj_Ml_Gb"] <- "Zeeschelde I" + sediment_data$waterloop[sediment_data$waterloop=="Zeeschelde I trj_Ml_Gb"] <- "Zeeschelde I" + sediment_data$waterloop[sediment_data$waterloop=="Zeeschelde I tijarm Zwijnaarde"] <- "Zeeschelde I" + # sediment_data$waterloop[sediment_data$waterloop=="Beneden_Dijle"] <- "Dijle" + table(sediment_data$waterloop) + sediment_data$waterloop <- factor(sediment_data$waterloop, levels=c("Zeeschelde IV","Zeeschelde III","Zeeschelde II","Zeeschelde I", + "Rupel","Durme","Nete","Dijle","Zenne")) + + table(sediment_data$fysiotoop) + sediment_data$fysiotoop[sediment_data$fysiotoop=="diep subtidaal"] <- "diep" + sediment_data$fysiotoop[sediment_data$fysiotoop=="hoge slikzone"] <- "hoog" + sediment_data$fysiotoop[sediment_data$fysiotoop=="lage slikzone"] <- "laag" + sediment_data$fysiotoop[sediment_data$fysiotoop=="laag intertidaal"] <- "laag" + sediment_data$fysiotoop[sediment_data$fysiotoop=="laag slik"] <- "laag" + sediment_data$fysiotoop[sediment_data$fysiotoop=="matig diep subtidaal"] <- "matig diep" + sediment_data$fysiotoop[sediment_data$fysiotoop=="middelhoge slikzone"] <- "midden" + sediment_data$fysiotoop[sediment_data$fysiotoop=="middelhoog slik"] <- "midden" + sediment_data$fysiotoop[sediment_data$fysiotoop=="nog te bepalen - sub"] <- "sub indet." + sediment_data$fysiotoop[sediment_data$fysiotoop=="ondiep subtidaal"] <- "ondiep" + sediment_data$fysiotoop[sediment_data$fysiotoop=="slik onbepaald"] <- "inter indet." + + unique(sediment_data$fysiotoop) + + fyzzers <- c("supralitoraal","hoog","midden","laag", + "hard antropogeen","inter indet.","ondiep", + "matig diep","diep", "sub indet.","onbepaald") + sediment_data$fysiotoop <- factor(sediment_data$fysiotoop, levels = fyzzers) + + hoofd <- c("Zeeschelde IV","Zeeschelde III","Zeeschelde II","Zeeschelde I") + zij <- c("Rupel","Durme","Nete","Dijle","Zenne") + inter <- c("inter indet.","laag", "hoog", "midden") + sub <- c("diep","matig diep","ondiep","sub indet.") + intersubZS <- c("laag", "hoog", "midden", "diep","matig diep","ondiep") + +``` + +```{r Mediaan-Zeeschelde, fig.height=5, fig.width=8 } + +var <- "mediaan" + partim <- hoofd + deel <- "Zeeschelde" + sediment_datab <- sediment_data[sediment_data$variabele == var,] + sediment_datab <- sediment_datab[sediment_datab$waterloop %in% partim,] + sediment_datab <- sediment_datab[sediment_datab$fysiotoop %in% intersubZS,] + + grafdat <- sediment_datab + kijk <- grafdat %>% + dplyr::filter(waterloop == "Zeeschelde I") %>% + dplyr::filter(tidaal == "intertidaal") + + + ggplot(data = subset(grafdat,!is.na(fysiotoop)), + aes(x = factor(tidaal),y = waarde)) + + geom_boxplot(aes(fill = fysiotoop)) + + scale_y_log10(breaks = c(0,63,125,250,500,1000)) + + # coord_trans(y="log") + + facet_wrap(~waterloop, ncol=1) + xlab("") + ylab("mediane korrelgrootte (µm)") + + ggsave(file=paste0(pad_figuren,"060_figuur_",var,"_",deel,"_","boxplotfysiotopen.jpg")) + +``` + +```{r Mediaan-Zeeschelde-intertidaal1, fig.height=5, fig.width=8 } + +var <- "slib" + partim <- hoofd + deel <- "Zeeschelde" + sediment_datab <- sediment_data[sediment_data$variabele == var,] + sediment_datab <- sediment_datab[sediment_datab$waterloop %in% partim,] + grafdat <- sediment_datab + ggplot(data = subset(grafdat,!is.na(fysiotoop)), + aes(x = factor(tidaal),y = waarde)) + + geom_boxplot(aes(fill = fysiotoop)) + + # scale_y_log10(breaks = c(0,63,125,250,500,1000)) + + # coord_trans(y="log") + + facet_wrap(~waterloop, ncol=1) + xlab("") + ylab("slib (%)") + + ggsave(file=paste0(pad_figuren,"060_figuur_",var,"_",deel,"_","boxplotfysiotopen.jpg")) + +``` +```{r Mediaan-Zeeschelde-intertidaal,fig.height=5, fig.width=8 } + +var <- "mediaan" + partim <- hoofd + deel <- "Zeeschelde" + fysn <- inter + tidaal <- "intertidaal" + sediment_datab <- sediment_data[sediment_data$variabele == var,] + sediment_datab <- sediment_datab[sediment_datab$waterloop %in% partim,] + sediment_datab <- sediment_datab[sediment_datab$fysiotoop %in% fysn,] + grafdat <- sediment_datab + ggplot(grafdat, + aes(x=factor(jaar),y=waarde)) + + geom_boxplot(aes(fill=fysiotoop)) + + scale_y_log10(breaks = c(0,63,125,250,500,1000)) + + # coord_trans(y="log") + + facet_wrap(~waterloop, ncol=1) + xlab("") + ylab("mediane korrelgrootte (µm)") + +ggsave(file=paste0(pad_figuren,"060_figuur_",var,"_",deel,"_",tidaal,".jpg")) + + + +ggplot(grafdat, + aes(x=jaar,y=waarde)) + + geom_point(aes(color=fysiotoop)) + + geom_smooth(aes(color=fysiotoop)) + + facet_wrap(~waterloop, ncol=1) + xlab("") + ylab("Mediane korrelgrootte (µm)") + + scale_x_continuous (name = "jaar", + breaks = grafdat$jaar, + labels = grafdat$jaar) + +ggsave(file=paste0(pad_figuren,"060_figuur_",var,"_",deel,"_",tidaal,"trend.jpg")) + +grafdat %>% + dplyr::filter(jaar > 2016) %>% + ggplot(aes(x = fysiotoop, y = waarde)) + + geom_boxplot((aes(color = fysiotoop))) + + facet_wrap(~waterloop, ncol=1) + xlab("") + ylab("Mediane korrelgrootte (µm)") + + +``` + +```{r Mediaan-Zeeschelde-subtidaal,fig.height=5, fig.width=8} +var <- "mediaan" + partim <- hoofd + deel <- "Zeeschelde" + fysn <- sub + tidaal <- "subtidaal" + sediment_datab <- sediment_data[sediment_data$variabele == var,] + sediment_datab <- sediment_datab[sediment_datab$waterloop %in% partim,] + sediment_datab <- sediment_datab[sediment_datab$fysiotoop %in% fysn,] + grafdat <- sediment_datab + ggplot(grafdat, + aes(x=factor(jaar),y=waarde)) + + geom_boxplot(aes(fill=fysiotoop)) + + scale_y_log10(breaks = c(0,63,125,250,500,1000)) + + # coord_trans(y="log") + + facet_wrap(~waterloop, ncol=1) + xlab("") + ylab("mediane korrelgrootte (µm)") + + +ggsave(file=paste0(pad_figuren,"060_figuur_",var,"_",deel,"_",tidaal,".jpg")) + +ggplot(grafdat, + aes(x=jaar,y=waarde)) + + geom_point(aes(color=fysiotoop)) + + geom_smooth(aes(color=fysiotoop)) + + facet_wrap(~waterloop, ncol=1) + xlab("") + ylab("Mediane korrelgrootte (µm)") + + scale_x_continuous (name = "jaar", + breaks = grafdat$jaar, + labels = grafdat$jaar) + + +ggsave(file=paste0(pad_figuren,"060_figuur_",var,"_",deel,"_",tidaal,"trend.jpg")) + +grafdat %>% + dplyr::filter(jaar > 2016) %>% + ggplot(aes(x = fysiotoop, y = waarde)) + + geom_boxplot((aes(color = fysiotoop))) + + facet_wrap(~waterloop, ncol=1) + xlab("") + ylab("Mediane korrelgrootte (µm)") + +grafdat %>% + dplyr::filter(jaar > 2016) %>% + dplyr::filter(fysiotoop == "diep") %>% + ggplot(aes(x = waterloop, y = waarde)) + + geom_boxplot((aes(color = fysiotoop))) + + xlab("") + ylab("Mediane korrelgrootte (µm)") + +ggsave(file=paste0(pad_figuren,"060_figuur_",var,"_",deel,"_",tidaal,"diep.jpg")) + +grafdat %>% + dplyr::filter(jaar > 2016) %>% + dplyr::filter(fysiotoop == "diep") %>% + ggplot(aes(x = waterloop, y = waarde)) + + geom_boxplot(aes(color = campagne)) + + xlab("") + ylab("Mediane korrelgrootte (µm)") + + +grafdat %>% + dplyr::filter(jaar > 2016) %>% + dplyr::filter(fysiotoop == "matig diep") %>% + ggplot(aes(x = waterloop, y = waarde)) + + geom_boxplot((aes(color = fysiotoop))) + + xlab("") + ylab("Mediane korrelgrootte (µm)") + +grafdat %>% + dplyr::filter(jaar > 2016) %>% + dplyr::filter(fysiotoop == "ondiep") %>% + ggplot(aes(x = waterloop, y = waarde)) + + geom_boxplot((aes(color = fysiotoop))) + + xlab("") + ylab("Mediane korrelgrootte (µm)") + +``` + +```{r Mediaan-zijrivieren-intertidaal,fig.height=5, fig.width=8 } + +var <- "mediaan" + partim <- zij + deel <- "zijrivieren" + fysn <- inter + tidaal <- "intertidaal" + sediment_datab <- sediment_data[sediment_data$variabele == var,] + sediment_datab <- sediment_datab[sediment_datab$waterloop %in% partim,] + sediment_datab <- sediment_datab[sediment_datab$fysiotoop %in% fysn,] + grafdat <- sediment_datab + + ###maak selectie indien geen extra zijrivieren bemonsterd werden +grafdat <- grafdat %>% + dplyr::filter(waterloop == "Durme"| waterloop == "Rupel") + + + ggplot(grafdat, + aes(x=factor(jaar),y=waarde)) + + geom_boxplot(aes(fill=fysiotoop)) + + scale_y_log10(breaks = c(0,63,125,250,500,1000)) + + # coord_trans(y="log") + + facet_wrap(~waterloop, ncol=1) + xlab("") + ylab("mediane korrelgrootte (µm)") + +ggsave(file=paste0(pad_figuren,"060_figuur_",var,"_",deel,"_",tidaal,".jpg")) + + +ggplot(grafdat, + aes(x=jaar,y=waarde)) + + geom_point(aes(color=fysiotoop)) + + geom_smooth(aes(color=fysiotoop)) + + facet_wrap(~waterloop, ncol=2) + xlab("") + ylab("Mediane korrelgrootte (µm)") + + scale_x_continuous (name = "jaar", + breaks = grafdat$jaar, + labels = grafdat$jaar) + + ylim(0,250)+ + theme(axis.text.x = element_text(angle = 90)) + +ggsave(file=paste0(pad_figuren,"060_figuur_",var,"_",deel,"_",tidaal,"trend.jpg")) + +grafdat %>% + dplyr::filter(jaar > 2016) %>% + ggplot(aes(x = fysiotoop, y = waarde)) + + geom_boxplot((aes(color = fysiotoop))) + + facet_wrap(~waterloop, ncol=2) + xlab("") + ylab("Mediane korrelgrootte (µm)") + + ylim(0,200) +``` + +```{r Mediaan-zijrivieren-subtidaal,fig.height=5, fig.width=8 } + +var <- "mediaan" + partim <- zij + deel <- "zijrivieren" + fysn <- sub + tidaal <- "subtidaal" + sediment_datab <- sediment_data[sediment_data$variabele == var,] + sediment_datab <- sediment_datab[sediment_datab$waterloop %in% partim,] + sediment_datab <- sediment_datab[sediment_datab$fysiotoop %in% fysn,] + grafdat <- sediment_datab + + ###maak selectie indien geen extra zijrivieren bemonsterd werden +grafdat <- grafdat %>% + dplyr::filter(waterloop == "Durme"| waterloop == "Rupel") + + + ggplot(grafdat, + aes(x=factor(jaar),y=waarde)) + + geom_boxplot(aes(fill=fysiotoop)) + + scale_y_log10(breaks = c(0,63,125,250,500,1000)) + + # coord_trans(y="log") + + facet_wrap(~waterloop, ncol=1) + xlab("") + ylab("mediane korrelgrootte (µm)") + +ggsave(file=paste0(pad_figuren,"060_figuur_",var,"_",deel,"_",tidaal,".jpg")) + + + +ggplot(grafdat, + aes(x=jaar,y=waarde)) + + geom_point(aes(color=fysiotoop)) + + geom_smooth(aes(color=fysiotoop)) + + facet_wrap(~waterloop, ncol=2) + xlab("") + ylab("Mediane korrelgrootte (µm)") + + scale_x_continuous (name = "jaar", + breaks = grafdat$jaar, + labels = grafdat$jaar) + +ggsave(file=paste0(pad_figuren,"060_figuur_",var,"_",deel,"_",tidaal,"trend.jpg")) + +grafdat %>% + dplyr::filter(jaar > 2016) %>% + ggplot(aes(x = fysiotoop, y = waarde)) + + geom_boxplot((aes(color = fysiotoop))) + + facet_wrap(~waterloop, ncol=2) + xlab("") + ylab("Mediane korrelgrootte (µm)") +``` + +```{r Slib-Zeeschelde-intertidaal,fig.height=5, fig.width=8 } + +var <- "slib" + partim <- hoofd + deel <- "Zeeschelde" + fysn <- inter + tidaal <- "intertidaal" + sediment_datab <- sediment_data[sediment_data$variabele == var,] + sediment_datab <- sediment_datab[sediment_datab$waterloop %in% partim,] + sediment_datab <- sediment_datab[sediment_datab$fysiotoop %in% fysn,] + grafdat <- sediment_datab + ggplot(grafdat, + aes(x=factor(jaar),y=waarde)) + + geom_boxplot(aes(fill=fysiotoop)) + + # scale_y_log10(breaks = c(0,63,125,250,500,1000)) + + # coord_trans(y="log") + + facet_wrap(~waterloop, ncol=1) + xlab("") + ylab("slib %") + +ggsave(file=paste0(pad_figuren,"060_figuur_",var,"_",deel,"_",tidaal,".jpg")) + + + +ggplot(grafdat, + aes(x=jaar,y=waarde)) + + geom_point(aes(color=fysiotoop)) + + geom_smooth(aes(color=fysiotoop)) + + facet_wrap(~waterloop, ncol=1) + xlab("") + ylab("slib %") + + scale_x_continuous (name = "jaar", + breaks = grafdat$jaar, + labels = grafdat$jaar) + +ggsave(file=paste0(pad_figuren,"060_figuur_",var,"_",deel,"_",tidaal,"trend.jpg")) + +grafdat %>% + dplyr::filter(jaar > 2016) %>% + ggplot(aes(x = fysiotoop, y = waarde)) + + geom_boxplot((aes(color = fysiotoop))) + + facet_wrap(~waterloop, ncol=1) + xlab("") + ylab("slib %") + + +``` + + +```{r Slib-ZeescheldeIV-intertidaal,fig.height=5, fig.width=8 } + +var <- "slib" + partim <- hoofd + deel <- "Zeeschelde" + fysn <- inter + tidaal <- "intertidaal" + sediment_datab <- sediment_data[sediment_data$variabele == var,] + sediment_datab <- sediment_datab[sediment_datab$waterloop %in% partim,] + sediment_datab <- sediment_datab[sediment_datab$fysiotoop %in% fysn,] + grafdat <- sediment_datab %>% + dplyr::filter(waterloop == "Zeeschelde IV") + ggplot(grafdat, + aes(x=factor(jaar),y=waarde)) + + geom_boxplot(aes(fill=fysiotoop)) + + # scale_y_log10(breaks = c(0,63,125,250,500,1000)) + + # coord_trans(y="log") + + facet_wrap(~fysiotoop, ncol=1) + xlab("") + ylab("slib %") + +ggsave(file=paste0(pad_figuren,"060_figuur_",var,"_",deel,"_",tidaal,"ZSIV.jpg")) + + + +ggplot(grafdat, + aes(x=jaar,y=waarde)) + + geom_point(aes(color=fysiotoop)) + + geom_smooth(aes(color=fysiotoop)) + + facet_wrap(~waterloop, ncol=1) + xlab("") + ylab("slib %") + + scale_x_continuous (name = "jaar", + breaks = grafdat$jaar, + labels = grafdat$jaar) + +ggsave(file=paste0(pad_figuren,"060_figuur_",var,"_",deel,"_",tidaal,"trendZSIV.jpg")) + +grafdat %>% + dplyr::filter(jaar > 2016) %>% + ggplot(aes(x = fysiotoop, y = waarde)) + + geom_boxplot((aes(color = fysiotoop))) + + facet_wrap(~waterloop, ncol=1) + xlab("") + ylab("slib %") + + +``` + +```{r Slib-ZeescheldeIV-subtidaal,fig.height=5, fig.width=8 } + +var <- "slib" + partim <- hoofd + deel <- "Zeeschelde" + fysn <- sub + tidaal <- "subtidaal" + sediment_datab <- sediment_data[sediment_data$variabele == var,] + sediment_datab <- sediment_datab[sediment_datab$waterloop %in% partim,] + sediment_datab <- sediment_datab[sediment_datab$fysiotoop %in% fysn,] + grafdat <- sediment_datab %>% + dplyr::filter(waterloop == "Zeeschelde IV") + ggplot(grafdat, + aes(x=factor(jaar),y=waarde)) + + geom_boxplot(aes(fill=fysiotoop)) + + # scale_y_log10(breaks = c(0,63,125,250,500,1000)) + + # coord_trans(y="log") + + facet_wrap(~fysiotoop, ncol=1) + xlab("") + ylab("slib %") + +ggsave(file=paste0(pad_figuren,"060_figuur_",var,"_",deel,"_",tidaal,"ZSIV.jpg")) + + + +ggplot(grafdat, + aes(x=jaar,y=waarde)) + + geom_point(aes(color=fysiotoop)) + + geom_smooth(aes(color=fysiotoop)) + + facet_wrap(~waterloop, ncol=1) + xlab("") + ylab("slib %") + + scale_x_continuous (name = "jaar", + breaks = grafdat$jaar, + labels = grafdat$jaar) + +ggsave(file=paste0(pad_figuren,"060_figuur_",var,"_",deel,"_",tidaal,"trendZSIV.jpg")) + +grafdat %>% + dplyr::filter(jaar > 2016) %>% + ggplot(aes(x = fysiotoop, y = waarde)) + + geom_boxplot((aes(color = fysiotoop))) + + facet_wrap(~waterloop, ncol=1) + xlab("") + ylab("slib %") + + +``` + + +```{r Slib-Zeeschelde-intertidaal_zondertijarmen,fig.height=5, fig.width=8 } +###bij datavoorbereiding negeer even de klassificatie van TZ en GM naar Zeeschelde I om onderstaande figuren te maken + +# var <- "slib" +# partim <- hoofd +# deel <- "Zeeschelde" +# fysn <- inter +# tidaal <- "intertidaal" +# sediment_datab <- sediment_data[sediment_data$variabele == var,] +# sediment_datab <- sediment_datab[sediment_datab$waterloop %in% partim,] +# sediment_datab <- sediment_datab[sediment_datab$fysiotoop %in% fysn,] +# grafdat <- sediment_datab +# ggplot(grafdat, +# aes(x=factor(jaar),y=waarde)) + +# geom_boxplot(aes(fill=fysiotoop)) + +# # scale_y_log10(breaks = c(0,63,125,250,500,1000)) + +# # coord_trans(y="log") + +# facet_wrap(~waterloop, ncol=1) + xlab("") + ylab("slib %") +# +# ggsave(file=paste0(pad_figuren,"060_figuur_",var,"_",deel,"_",tidaal,"ZSIzndtijarmen.jpg")) +# +# +# +# ggplot(grafdat, +# aes(x=jaar,y=waarde)) + +# geom_point(aes(color=fysiotoop)) + +# geom_smooth(aes(color=fysiotoop)) + +# facet_wrap(~waterloop, ncol=1) + xlab("") + ylab("slib %") + +# scale_x_continuous (name = "jaar", +# breaks = grafdat$jaar, +# labels = grafdat$jaar) +# +# ggsave(file=paste0(pad_figuren,"060_figuur_",var,"_",deel,"_",tidaal,"trendZSIzndtijarmen.jpg")) +# +# grafdat %>% +# dplyr::filter(jaar > 2016) %>% +# ggplot(aes(x = fysiotoop, y = waarde)) + +# geom_boxplot((aes(color = fysiotoop))) + +# facet_wrap(~waterloop, ncol=1) + xlab("") + ylab("slib %") +# +# +# ``` +# +# +# ```{r Slib-Zeeschelde-subtidaal,fig.height=5, fig.width=8 } +# +# var <- "slib" +# partim <- hoofd +# deel <- "Zeeschelde" +# fysn <- sub +# tidaal <- "subtidaal" +# sediment_datab <- sediment_data[sediment_data$variabele == var,] +# sediment_datab <- sediment_datab[sediment_datab$waterloop %in% partim,] +# sediment_datab <- sediment_datab[sediment_datab$fysiotoop %in% fysn,] +# grafdat <- sediment_datab +# ggplot(grafdat, +# aes(x=factor(jaar),y=waarde)) + +# geom_boxplot(aes(fill=fysiotoop)) + +# # scale_y_log10(breaks = c(0,63,125,250,500,1000)) + +# # coord_trans(y="log") + +# facet_wrap(~waterloop, ncol=1) + xlab("") + ylab("slib %") +# +# ggsave(file=paste0(pad_figuren,"060_figuur_",var,"_",deel,"_",tidaal,".jpg")) + +# +# ggplot(grafdat, +# aes(x=jaar,y=waarde)) + +# geom_point(aes(color=fysiotoop)) + +# geom_smooth(aes(color=fysiotoop)) + +# facet_wrap(~waterloop, ncol=1) + xlab("") + ylab("slib %") + +# scale_x_continuous (name = "jaar", +# breaks = grafdat$jaar, +# labels = grafdat$jaar) +# +# ggsave(file=paste0(pad_figuren,"060_figuur_",var,"_",deel,"_",tidaal,"trend.jpg")) +# +# grafdat %>% +# dplyr::filter(jaar > 2016) %>% +# ggplot(aes(x = fysiotoop, y = waarde)) + +# geom_boxplot((aes(color = fysiotoop))) + +# facet_wrap(~waterloop, ncol=1) + xlab("") + ylab("slib %") + + +``` + + +```{r Slib-zijrivieren-subtidaal,fig.height=5, fig.width=8 } + +var <- "slib" + partim <- zij + deel <- "zijrivieren" + fysn <- sub + tidaal <- "subtidaal" + sediment_datab <- sediment_data[sediment_data$variabele == var,] + sediment_datab <- sediment_datab[sediment_datab$waterloop %in% partim,] + sediment_datab <- sediment_datab[sediment_datab$fysiotoop %in% fysn,] + grafdat <- sediment_datab + ggplot(grafdat, + aes(x=factor(jaar),y=waarde)) + + geom_boxplot(aes(fill=fysiotoop)) + + # scale_y_log10(breaks = c(0,63,125,250,500,1000)) + + # coord_trans(y="log") + + facet_wrap(~waterloop, ncol=1) + xlab("") + ylab("slib %") + +ggsave(file=paste0(pad_figuren,"060_figuur_",var,"_",deel,"_",tidaal,".jpg")) + + + +ggplot(grafdat, + aes(x=jaar,y=waarde)) + + geom_point(aes(color=fysiotoop)) + + geom_smooth(aes(color=fysiotoop)) + + facet_wrap(~waterloop, ncol=1) + xlab("") + ylab("slib %") + + scale_x_continuous (name = "jaar", + breaks = grafdat$jaar, + labels = grafdat$jaar) + +ggsave(file=paste0(pad_figuren,"060_figuur_",var,"_",deel,"_",tidaal,"trend.jpg")) + +grafdat %>% + dplyr::filter(jaar > 2016) %>% + ggplot(aes(x = fysiotoop, y = waarde)) + + geom_boxplot((aes(color = fysiotoop))) + + facet_wrap(~waterloop, ncol=1) + xlab("") + ylab("slib %") + + +``` + +```{r Slib-zijrivieren-intertidaal,fig.height=5, fig.width=8 } + +var <- "slib" + partim <- zij + deel <- "zijrivieren" + fysn <- inter + tidaal <- "intertidaal" + sediment_datab <- sediment_data[sediment_data$variabele == var,] + sediment_datab <- sediment_datab[sediment_datab$waterloop %in% partim,] + sediment_datab <- sediment_datab[sediment_datab$fysiotoop %in% fysn,] + grafdat <- sediment_datab + ggplot(grafdat, + aes(x=factor(jaar),y=waarde)) + + geom_boxplot(aes(fill=fysiotoop)) + + # scale_y_log10(breaks = c(0,63,125,250,500,1000)) + + # coord_trans(y="log") + + facet_wrap(~waterloop, ncol=1) + xlab("") + ylab("slib %") + +ggsave(file=paste0(pad_figuren,"060_figuur_",var,"_",deel,"_",tidaal,".jpg")) + + + +ggplot(grafdat, + aes(x=jaar,y=waarde)) + + geom_point(aes(color=fysiotoop)) + + geom_smooth(aes(color=fysiotoop)) + + facet_wrap(~waterloop, ncol=1) + xlab("") + ylab("slib %") + + scale_x_continuous (name = "jaar", + breaks = grafdat$jaar, + labels = grafdat$jaar) + +ggsave(file=paste0(pad_figuren,"060_figuur_",var,"_",deel,"_",tidaal,"trend.jpg")) + +grafdat %>% + dplyr::filter(jaar > 2016) %>% + ggplot(aes(x = fysiotoop, y = waarde)) + + geom_boxplot((aes(color = fysiotoop))) + + facet_wrap(~waterloop, ncol=1) + xlab("") + ylab("slib %") + + +``` + +```{r OM-Zeeschelde-intertidaal,fig.height=5, fig.width=8 } + +var <- "OM" + partim <- hoofd + deel <- "Zeeschelde" + fysn <- inter + tidaal <- "intertidaal" + sediment_datab <- sediment_data[sediment_data$variabele == var,] + sediment_datab <- sediment_datab[sediment_datab$waterloop %in% partim,] + sediment_datab <- sediment_datab[sediment_datab$fysiotoop %in% fysn,] + grafdat <- sediment_datab + ggplot(grafdat, + aes(x=factor(jaar),y=waarde)) + + geom_boxplot(aes(fill=fysiotoop)) + + # scale_y_log10(breaks = c(0,63,125,250,500,1000)) + + # coord_trans(y="log") + + facet_wrap(~waterloop, ncol=1) + xlab("") + ylab("Organisch materiaal %") + +ggsave(file=paste0(pad_figuren,"060_figuur_",var,"_",deel,"_",tidaal,".jpg")) + + + +ggplot(grafdat, + aes(x=jaar,y=waarde)) + + geom_point(aes(color=fysiotoop)) + + geom_smooth(aes(color=fysiotoop)) + + facet_wrap(~waterloop, ncol=1) + xlab("") + ylab("Organisch materiaal %") + + scale_x_continuous (name = "jaar", + breaks = grafdat$jaar, + labels = grafdat$jaar) + + ylim(0,20) + +ggsave(file=paste0(pad_figuren,"060_figuur_",var,"_",deel,"_",tidaal,"trend.jpg")) + +grafdat %>% + dplyr::filter(jaar > 2016) %>% + ggplot(aes(x = fysiotoop, y = waarde)) + + geom_boxplot((aes(color = fysiotoop))) + + facet_wrap(~waterloop, ncol=1) + xlab("") + ylab("Organisch materiaal %") + + ylim(0,20) + + +``` + +```{r OM-Zeeschelde-subtidaal,fig.height=5, fig.width=8 } + +var <- "OM" + partim <- hoofd + deel <- "Zeeschelde" + fysn <- sub + tidaal <- "subtidaal" + sediment_datab <- sediment_data[sediment_data$variabele == var,] + sediment_datab <- sediment_datab[sediment_datab$waterloop %in% partim,] + sediment_datab <- sediment_datab[sediment_datab$fysiotoop %in% fysn,] + grafdat <- sediment_datab + ggplot(grafdat, + aes(x=factor(jaar),y=waarde)) + + geom_boxplot(aes(fill=fysiotoop)) + + # scale_y_log10(breaks = c(0,63,125,250,500,1000)) + + # coord_trans(y="log") + + facet_wrap(~waterloop, ncol=1) + xlab("") + ylab("Organisch materiaal %") + +ggsave(file=paste0(pad_figuren,"060_figuur_",var,"_",deel,"_",tidaal,".jpg")) + + + +ggplot(grafdat, + aes(x=jaar,y=waarde)) + + geom_point(aes(color=fysiotoop)) + + geom_smooth(aes(color=fysiotoop)) + + facet_wrap(~waterloop, ncol=1) + xlab("") + ylab("Organisch materiaal %") + + scale_x_continuous (name = "jaar", + breaks = grafdat$jaar, + labels = grafdat$jaar) + +ggsave(file=paste0(pad_figuren,"060_figuur_",var,"_",deel,"_",tidaal,"trend.jpg")) + +grafdat %>% + dplyr::filter(jaar > 2016) %>% + ggplot(aes(x = fysiotoop, y = waarde)) + + geom_boxplot((aes(color = fysiotoop))) + + facet_wrap(~waterloop, ncol=1) + xlab("") + ylab("Organisch materiaal %") + + +``` + +```{r OM-Zijrivieren-subtidaal,fig.height=5, fig.width=8 } + +var <- "OM" + partim <- zij + deel <- "zijrivieren" + fysn <- sub + tidaal <- "subtidaal" + sediment_datab <- sediment_data[sediment_data$variabele == var,] + sediment_datab <- sediment_datab[sediment_datab$waterloop %in% partim,] + sediment_datab <- sediment_datab[sediment_datab$fysiotoop %in% fysn,] + grafdat <- sediment_datab + ggplot(grafdat, + aes(x=factor(jaar),y=waarde)) + + geom_boxplot(aes(fill=fysiotoop)) + + # scale_y_log10(breaks = c(0,63,125,250,500,1000)) + + # coord_trans(y="log") + + facet_wrap(~waterloop, ncol=1) + xlab("") + ylab("Organisch materiaal %") + +ggsave(file=paste0(pad_figuren,"060_figuur_",var,"_",deel,"_",tidaal,".jpg")) + + + +ggplot(grafdat, + aes(x=jaar,y=waarde)) + + geom_point(aes(color=fysiotoop)) + + geom_smooth(aes(color=fysiotoop)) + + facet_wrap(~waterloop, ncol=1) + xlab("") + ylab("Organisch materiaal %") + + scale_x_continuous (name = "jaar", + breaks = grafdat$jaar, + labels = grafdat$jaar) + +ggsave(file=paste0(pad_figuren,"060_figuur_",var,"_",deel,"_",tidaal,"trend.jpg")) + +grafdat %>% + dplyr::filter(jaar > 2016) %>% + ggplot(aes(x = fysiotoop, y = waarde)) + + geom_boxplot((aes(color = fysiotoop))) + + facet_wrap(~waterloop, ncol=1) + xlab("") + ylab("Organisch materiaal %") + + +``` + +```{r OM-Zijrivieren-intertidaal,fig.height=5, fig.width=8 } + +var <- "OM" + partim <- zij + deel <- "zijrivieren" + fysn <- inter + tidaal <- "intertidaal" + sediment_datab <- sediment_data[sediment_data$variabele == var,] + sediment_datab <- sediment_datab[sediment_datab$waterloop %in% partim,] + sediment_datab <- sediment_datab[sediment_datab$fysiotoop %in% fysn,] + grafdat <- sediment_datab + + ###maak selectie indien geen extra zijrivieren bemonsterd werden +grafdat <- grafdat %>% + dplyr::filter(waterloop == "Durme"| waterloop == "Rupel") + + ggplot(grafdat, + aes(x=factor(jaar),y=waarde)) + + geom_boxplot(aes(fill=fysiotoop)) + + # scale_y_log10(breaks = c(0,63,125,250,500,1000)) + + # coord_trans(y="log") + + facet_wrap(~waterloop, ncol=1) + xlab("") + ylab("Organisch materiaal %") + +ggsave(file=paste0(pad_figuren,"060_figuur_",var,"_",deel,"_",tidaal,".jpg")) + + + +ggplot(grafdat, + aes(x=jaar,y=waarde)) + + geom_point(aes(color=fysiotoop)) + + geom_smooth(aes(color=fysiotoop)) + + facet_wrap(~waterloop, ncol=1) + xlab("") + ylab("Organisch materiaal %") + + scale_x_continuous (name = "jaar", + breaks = grafdat$jaar, + labels = grafdat$jaar) + +ggsave(file=paste0(pad_figuren,var,"_",deel,"_",tidaal,"trend.jpg")) + +grafdat %>% + dplyr::filter(jaar > 2016) %>% + ggplot(aes(x = fysiotoop, y = waarde)) + + geom_boxplot((aes(color = fysiotoop))) + + facet_wrap(~waterloop, ncol=1) + xlab("") + ylab("Organisch materiaal %") + + +``` + +```{r Grafieken durme} + + +tabel_jaar_waarden_Durme <- + sediment_data %>% + dplyr::filter(waterloop == "Durme") %>% + group_by(jaar,campagne,tidaal) %>% + summarise (count = n_distinct(locatie)) %>% + spread(tidaal, count) + +knitr::kable(tabel_jaar_waarden_Durme) + +write_xlsx(list(jaar_waarden = tabel_jaar_waarden_Durme), + paste0(pad_tabellen, "sediment_tabel_Durme.xlsx")) +#################### +##slib intertidaal +################# + +var <- "slib" + partim <- zij + deel <- "zijrivieren" + fysn <- inter + tidaal <- "intertidaal" + sediment_datab <- sediment_data[sediment_data$variabele == var,] + sediment_datab <- sediment_datab[sediment_datab$waterloop %in% partim,] + sediment_datab <- sediment_datab[sediment_datab$fysiotoop %in% fysn,] + grafdat <- sediment_datab %>% + dplyr::filter (waterloop == "Durme") + + grafdat %>% + dplyr::filter(jaar == 2011| jaar > 2015) %>% + ggplot(aes(x=factor(jaar),y=waarde)) + + geom_boxplot(aes(fill=fysiotoop)) + + xlab("") + ylab("slib % intertidaal") + +ggsave(file=paste0(pad_figuren,"060_figuur_",var,"_",deel,"_",tidaal,"Durme.jpg")) + + ggplot(grafdat, + aes(x=factor(jaar),y=waarde)) + + geom_boxplot(aes()) + + # scale_y_log10(breaks = c(0,63,125,250,500,1000)) + + # coord_trans(y="log") + + xlab("") + ylab("slib % intertidaal") +ggsave(file=paste0(pad_figuren,"060_figuur_",var,"_",deel,"_",tidaal,"boxDurme.jpg")) + +grafdat %>% + group_by(jaar) %>% + summarise(slibmean = (mean(waarde))) %>% +ggplot(aes(x = jaar, y = slibmean))+ + geom_boxplot(aes()) + + # scale_y_log10(breaks = c(0,63,125,250,500,1000)) + + # coord_trans(y="log") + + xlab("") + ylab("slibmean %") + + +ggplot(grafdat, + aes(x=jaar,y=waarde)) + + geom_point(aes(color=fysiotoop)) + + geom_smooth(aes(color=fysiotoop)) + + facet_wrap(~waterloop, ncol=1) + xlab("") + ylab("slib %") + + scale_x_continuous (name = "jaar", + breaks = grafdat$jaar, + labels = grafdat$jaar) + +ggsave(file=paste0(pad_figuren,"060_figuur_",var,"_",deel,"_",tidaal,"Durmetrend.jpg")) + +grafdat %>% + dplyr::filter(jaar > 2016) %>% + ggplot(aes(x = fysiotoop, y = waarde)) + + geom_boxplot((aes(color = fysiotoop))) + + facet_wrap(~waterloop, ncol=1) + xlab("") + ylab("slib %") + +#################### +##slib subtidaal +################# + +var <- "slib" + partim <- zij + deel <- "zijrivieren" + fysn <- sub + tidaal <- "subtidaal" + sediment_datab <- sediment_data[sediment_data$variabele == var,] + sediment_datab <- sediment_datab[sediment_datab$waterloop %in% partim,] + sediment_datab <- sediment_datab[sediment_datab$fysiotoop %in% fysn,] + grafdat <- sediment_datab %>% + dplyr::filter (waterloop == "Durme") + + + grafdat %>% + dplyr::filter(jaar == 2012| jaar > 2015) %>% + ggplot(aes(x=factor(jaar),y=waarde)) + + geom_boxplot(aes(fill=fysiotoop)) + + xlab("") + ylab("slib % subtidaal") + + +ggsave(file=paste0(pad_figuren,"060_figuur_",var,"_",deel,"_",tidaal,"Durme.jpg")) + + ggplot(grafdat, + aes(x=factor(jaar),y=waarde)) + + geom_boxplot(aes()) + + # scale_y_log10(breaks = c(0,63,125,250,500,1000)) + + # coord_trans(y="log") + + xlab("") + ylab("slib % subtidaal") +ggsave(file=paste0(pad_figuren,"060_figuur_",var,"_",deel,"_",tidaal,"boxDurme.jpg")) + + + +#################### +##mediaan intertidaal +################# + +var <- "mediaan" + partim <- zij + deel <- "zijrivieren" + fysn <- inter + tidaal <- "intertidaal" + sediment_datab <- sediment_data[sediment_data$variabele == var,] + sediment_datab <- sediment_datab[sediment_datab$waterloop %in% partim,] + sediment_datab <- sediment_datab[sediment_datab$fysiotoop %in% fysn,] + grafdat <- sediment_datab %>% + dplyr::filter (waterloop == "Durme") + + + ggplot(grafdat, + aes(x=factor(jaar),y=waarde)) + + geom_boxplot(aes(fill=fysiotoop)) + + # scale_y_log10(breaks = c(0,63,125,250,500,1000)) + + # coord_trans(y="log") + + xlab("") + ylab("mediaan") + +ggsave(file=paste0(pad_figuren,"060_figuur_",var,"_",deel,"_",tidaal,"Durme.jpg")) + + + +ggplot(grafdat, + aes(x=jaar,y=waarde)) + + geom_point(aes(color=fysiotoop)) + + geom_smooth(aes(color=fysiotoop)) + + facet_wrap(~waterloop, ncol=1) + xlab("") + ylab("mediaan") + + scale_x_continuous (name = "jaar", + breaks = grafdat$jaar, + labels = grafdat$jaar) + +ggsave(file=paste0(pad_figuren,"060_figuur_",var,"_",deel,"_",tidaal,"Durmetrend.jpg")) + +grafdat %>% + dplyr::filter(jaar > 2016) %>% + ggplot(aes(x = fysiotoop, y = waarde)) + + geom_boxplot((aes(color = fysiotoop))) + + facet_wrap(~waterloop, ncol=1) + xlab("") + ylab("mediaan") + +#################### +##mediaan subtidaal +################# + +var <- "mediaan" + partim <- zij + deel <- "zijrivieren" + fysn <- sub + tidaal <- "subtidaal" + sediment_datab <- sediment_data[sediment_data$variabele == var,] + sediment_datab <- sediment_datab[sediment_datab$waterloop %in% partim,] + sediment_datab <- sediment_datab[sediment_datab$fysiotoop %in% fysn,] + grafdat <- sediment_datab %>% + dplyr::filter (waterloop == "Durme") + + + ggplot(grafdat, + aes(x=factor(jaar),y=waarde)) + + geom_boxplot(aes(fill=fysiotoop)) + + # scale_y_log10(breaks = c(0,63,125,250,500,1000)) + + # coord_trans(y="log") + + xlab("") + ylab("mediaan") + +ggsave(file=paste0(pad_figuren,"060_figuur_",var,"_",deel,"_",tidaal,"Durme.jpg")) + + +ggplot(grafdat, + aes(x=jaar,y=waarde)) + + geom_point(aes(color=fysiotoop)) + + geom_smooth(aes(color=fysiotoop)) + + facet_wrap(~waterloop, ncol=1) + xlab("") + ylab("mediaan") + + scale_x_continuous (name = "jaar", + breaks = grafdat$jaar, + labels = grafdat$jaar) + +ggsave(file=paste0(pad_figuren,"060_figuur_",var,"_",deel,"_",tidaal,"Durmetrend.jpg")) + +grafdat %>% + dplyr::filter(jaar > 2016) %>% + ggplot(aes(x = fysiotoop, y = waarde)) + + geom_boxplot((aes(color = fysiotoop))) + + facet_wrap(~waterloop, ncol=1) + xlab("") + ylab("mediaan") + +#################### +##OM intertidaal +################# + +var <- "OM" + partim <- zij + deel <- "zijrivieren" + fysn <- inter + tidaal <- "intertidaal" + sediment_datab <- sediment_data[sediment_data$variabele == var,] + sediment_datab <- sediment_datab[sediment_datab$waterloop %in% partim,] + sediment_datab <- sediment_datab[sediment_datab$fysiotoop %in% fysn,] + grafdat <- sediment_datab %>% + dplyr::filter (waterloop == "Durme") + + + ggplot(grafdat, + aes(x=factor(jaar),y=waarde)) + + geom_boxplot(aes(fill=fysiotoop)) + + # scale_y_log10(breaks = c(0,63,125,250,500,1000)) + + # coord_trans(y="log") + + xlab("") + ylab("OM%") + +ggsave(file=paste0(pad_figuren,"060_figuur_",var,"_",deel,"_",tidaal,"Durme.jpg")) + +ggplot(grafdat, + aes(x=factor(jaar),y=waarde)) + + geom_boxplot(aes()) + + # scale_y_log10(breaks = c(0,63,125,250,500,1000)) + + # coord_trans(y="log") + + xlab("") + ylab("OM % intertidaal") + +ggsave(file=paste0(pad_figuren,"060_figuur_",var,"_",deel,"_",tidaal,"boxDurme.jpg")) + +ggplot(grafdat, + aes(x=jaar,y=waarde)) + + geom_point(aes(color=fysiotoop)) + + geom_smooth(aes(color=fysiotoop)) + + facet_wrap(~waterloop, ncol=1) + xlab("") + ylab("OM%") + + scale_x_continuous (name = "jaar", + breaks = grafdat$jaar, + labels = grafdat$jaar) + +ggsave(file=paste0(pad_figuren,"060_figuur_",var,"_",deel,"_",tidaal,"Durmetrend.jpg")) + +grafdat %>% + dplyr::filter(jaar > 2016) %>% + ggplot(aes(x = fysiotoop, y = waarde)) + + geom_boxplot((aes(color = fysiotoop))) + + facet_wrap(~waterloop, ncol=1) + xlab("") + ylab("OM%") + +#################### +##OM subtidaal +################# + +var <- "OM" + partim <- zij + deel <- "zijrivieren" + fysn <- sub + tidaal <- "subtidaal" + sediment_datab <- sediment_data[sediment_data$variabele == var,] + sediment_datab <- sediment_datab[sediment_datab$waterloop %in% partim,] + sediment_datab <- sediment_datab[sediment_datab$fysiotoop %in% fysn,] + grafdat <- sediment_datab %>% + dplyr::filter (waterloop == "Durme") + + + ggplot(grafdat, + aes(x=factor(jaar),y=waarde)) + + geom_boxplot(aes(fill=fysiotoop)) + + # scale_y_log10(breaks = c(0,63,125,250,500,1000)) + + # coord_trans(y="log") + + xlab("") + ylab("OM%") + +ggsave(file=paste0(pad_figuren,"060_figuur_",var,"_",deel,"_",tidaal,"Durme.jpg")) + + +ggplot(grafdat, + aes(x=jaar,y=waarde)) + + geom_point(aes(color=fysiotoop)) + + geom_smooth(aes(color=fysiotoop)) + + facet_wrap(~waterloop, ncol=1) + xlab("") + ylab("OM%") + + scale_x_continuous (name = "jaar", + breaks = grafdat$jaar, + labels = grafdat$jaar) + +ggsave(file=paste0(pad_figuren,"060_figuur_",var,"_",deel,"_",tidaal,"Durmetrend.jpg")) + +grafdat %>% + dplyr::filter(jaar > 2016) %>% + ggplot(aes(x = fysiotoop, y = waarde)) + + geom_boxplot((aes(color = fysiotoop))) + + facet_wrap(~waterloop, ncol=1) + xlab("") + ylab("OM%") + +``` + From 21d88e9836d93dcbd0ceba49432194143a33c057 Mon Sep 17 00:00:00 2001 From: JOCQUE Date: Tue, 27 Aug 2024 14:12:46 +0200 Subject: [PATCH 020/102] Trial2 --- .../090_vissen_inleiding_en_methode.Rmd | 2 +- 1 file changed, 1 insertion(+), 1 deletion(-) diff --git a/moneos_2024/150_geintegreerd_rapport/090_vissen_inleiding_en_methode.Rmd b/moneos_2024/150_geintegreerd_rapport/090_vissen_inleiding_en_methode.Rmd index 2e2f94b..c301649 100644 --- a/moneos_2024/150_geintegreerd_rapport/090_vissen_inleiding_en_methode.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/090_vissen_inleiding_en_methode.Rmd @@ -110,7 +110,7 @@ aantal_soorten_enkel_ankerkuil <- Fichenummer: FICHE S-DS-V-004a -- Vissen (KRW) -**Joost Vanoverbeke, Erika Van den Bergh, Gunther Van Ryckegem, Gerlinde Van Thuyne** +**Joost Vanoverbeke, Erika Van den Bergh, Gunther Van Ryckegem, Gerlinde Van Thuyne, Merlijn Jocque** ## Inleiding From 5a9e9962563c5eb529ef9f986995ed8917c60e6d Mon Sep 17 00:00:00 2001 From: JOCQUE Date: Tue, 27 Aug 2024 14:18:38 +0200 Subject: [PATCH 021/102] Aanpassing auteurs --- .../090_vissen_inleiding_en_methode.Rmd | 2 +- 1 file changed, 1 insertion(+), 1 deletion(-) diff --git a/moneos_2024/150_geintegreerd_rapport/090_vissen_inleiding_en_methode.Rmd b/moneos_2024/150_geintegreerd_rapport/090_vissen_inleiding_en_methode.Rmd index c301649..e09d3bb 100644 --- a/moneos_2024/150_geintegreerd_rapport/090_vissen_inleiding_en_methode.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/090_vissen_inleiding_en_methode.Rmd @@ -110,7 +110,7 @@ aantal_soorten_enkel_ankerkuil <- Fichenummer: FICHE S-DS-V-004a -- Vissen (KRW) -**Joost Vanoverbeke, Erika Van den Bergh, Gunther Van Ryckegem, Gerlinde Van Thuyne, Merlijn Jocque** +**Joost Vanoverbeke, Erika Van den Bergh, Gunther Van Ryckegem, Rhea Measle, Merlijn Jocque** ## Inleiding From 896098ec3e260b2be208f9e58f5e66fca18c2430 Mon Sep 17 00:00:00 2001 From: JOCQUE Date: Wed, 28 Aug 2024 10:25:03 +0200 Subject: [PATCH 022/102] Relatief aantal --- .../091_vissen_ankerkuil.Rmd | 14 ++++++++------ 1 file changed, 8 insertions(+), 6 deletions(-) diff --git a/moneos_2024/150_geintegreerd_rapport/091_vissen_ankerkuil.Rmd b/moneos_2024/150_geintegreerd_rapport/091_vissen_ankerkuil.Rmd index cb18426..72a7697 100644 --- a/moneos_2024/150_geintegreerd_rapport/091_vissen_ankerkuil.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/091_vissen_ankerkuil.Rmd @@ -150,15 +150,17 @@ knitr::include_graphics(paste0(pad_figuren, "aantal_soorten_locatie.jpg")) We analyseren alle vangstgegevens van `r laatste_jaar`. Soorten met in alle seizoenen en locaties een relatieve bijdrage kleiner dan 10% voor zowel de aantallen als biomassa worden als 'rest' samengenomen. - -Uit deze analyse blijkt dat de relatieve abundantie van soorten zowel seizoenaal als ruimtelijk verschilt (Figuur \@ref(fig:091-figuur-relatief-aantal)). -In Doel en Antwerpen (zone met sterke saliniteitsgradiënt) zijn haringachtigen dominant in alle seizoenen van `r laatste_jaar`. Door omstandigheden was er in het voorjaar onvoldoende tijd om haring en sprot tot op soort te brengen. Ze werden samen geregistreerd als "haringachtigen". In de zomer en het najaar ging het in Doel vooral over haring, in Antwerpen werd eerder sprot gevangen. -Ook in de Westerschelde werd in het najaar van 2022 extreem veel kleine sprot gevangen in alle ankerkuil stations (de Boois & Couperus, 2022). -Spiering was veel minder omnipresent in 2022. -In Steendorp en Branst (zoetwater) domineerden ze de vangstaantallen in het voorjaar maar in zomer nam brakwatergrondel het over in Branst en in het najaar ook in Steendorp. + +Uit deze analyse blijkt dat de relatieve abundantie van soorten zowel seizoenaal als ruimtelijk verschilt (Figuur \@ref(fig:091-figuur-relatief-aantal)). +In Doel en Antwerpen (zone met sterke saliniteitsgradiënt) zijn haringachtigen dominant in alle seizoenen van `r laatste_jaar`. +Ook in het voorjaar in Steendorp zijn haringachtigen dominant. +Spiering is nog minder omnipresent als in 2022 en enkel dominant in Steendorp in de zomer. +In 2022 domineerden spieringen vangstaantallen in drie afvissingen in Steendorp en Branst (zoetwater). +In het najaar neemt brakwatergrondel het over in Steendorp, vergelijkbaar met vorig jaar. +Brakwatergrondel is minder dominant aanwezig in vergelijking met 2022, vooral in Branst, waar bot in `r laatste_jaar`dominant aanwezig is in het voorjaar en dikkopje het overneemt in de zomer en het najaar. Uitgedrukt in biomassa treden spiering en ook snoekbaars iets meer op de voorgrond (Figuur \@ref(fig:091-figuur-relatieve-biomassa)). Naast spiering staan sprot en haring in voor een relatief groot aandeel van de biomassa in de zone met sterke saliniteitsgradiënt. From e17253aeb4d82bd92469ed7bf7f3558139ec5f0b Mon Sep 17 00:00:00 2001 From: JOCQUE Date: Wed, 28 Aug 2024 14:18:18 +0200 Subject: [PATCH 023/102] Tekstverwerking - staan nog commentaren van Joost, biomassa voor sleutelsoorten nog niet opgenomen --- .../091_vissen_ankerkuil.Rmd | 60 +++++++++---------- 1 file changed, 28 insertions(+), 32 deletions(-) diff --git a/moneos_2024/150_geintegreerd_rapport/091_vissen_ankerkuil.Rmd b/moneos_2024/150_geintegreerd_rapport/091_vissen_ankerkuil.Rmd index 72a7697..3e115b3 100644 --- a/moneos_2024/150_geintegreerd_rapport/091_vissen_ankerkuil.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/091_vissen_ankerkuil.Rmd @@ -162,9 +162,9 @@ In 2022 domineerden spieringen vangstaantallen in drie afvissingen in Steendorp In het najaar neemt brakwatergrondel het over in Steendorp, vergelijkbaar met vorig jaar. Brakwatergrondel is minder dominant aanwezig in vergelijking met 2022, vooral in Branst, waar bot in `r laatste_jaar`dominant aanwezig is in het voorjaar en dikkopje het overneemt in de zomer en het najaar. -Uitgedrukt in biomassa treden spiering en ook snoekbaars iets meer op de voorgrond (Figuur \@ref(fig:091-figuur-relatieve-biomassa)). -Naast spiering staan sprot en haring in voor een relatief groot aandeel van de biomassa in de zone met sterke saliniteitsgradiënt. -In de zoete zone zijn dat eerder brakwatergrondel en snoekbaars. +Uitgedrukt in biomassa worden gelijkaardige patronen geobserveerd voor haringachtigen in Doel en Antwerpen. +Spiering treedt meer op de voorgrond in Steendorp in het voorjaar en de zomer met toenmende aanwezigheid van brakwatergrondel en dikkopje in het najaar. +In Branst staat fint in voor een groot deel van de biomassa in het voorjaar, spiering in de zomer en dikkopje in het najaar (Figuur \@ref(fig:091-figuur-relatieve-biomassa)). ```{r 091-figuur-relatief-aantal, fig.cap=cap_relatief_aantal, out.width="100%"} @@ -200,23 +200,23 @@ Soorten die binnen een functionele groep minder dan 10% van zowel de aantallen a Figuur \@ref(fig:091-figuur-aantallen-marien-EMSE) geeft per saliniteitszone (EMSE niveau 3) en dieetvoorkeur de aantallen weer voor de gevangen estuariene soorten en mariene migranten. Benthivore soorten overheersen naar aantal en biomassa, vooral in de zoete zone. -In de zone met sterke saliniteitsgradiënt is er een sterke piek van planktivoren in 2022. +In de zone met sterke saliniteitsgradiënt overheersen planktivoren in `r laatste_jaar`. -Brakwatergrondel en dikkopje zijn veruit de meest talrijke benthivore soorten in deze groep. -De grootste aantallen vonden we in de zoetwaterzone in Branst (vaak 100-200 individuen per 1000m³, met een piek in van 600 in 2018). +Dikkopje en brakwatergrondel zijn veruit de meest talrijke benthivore soorten in deze groep. +De grootste aantallen vonden we in de zoetwaterzone in Branst (over 600 individuen per 1000m³, sterk aanleunend bij de piek in 2018). Enkel in 2020 waren ze meest talrijk in Steendorp. -In zomer en najaar 2022 overheerste brakwatergrondel in Branst. +In zomer en najaar 2022 overheerste dikkopje in Branst. -Omnivore mariene en estuariene soorten worden qua aantallen gedomineerd door kleine zeenaald in de zone met sterke saliniteitsgradiënt en in het oligohalien en zoetwater door, hoofdzakelijk juveniele, zeebaars die daar komt opgroeien. +Omnivore mariene en estuariene soorten worden qua aantallen gedomineerd door kleine zeenaald in de zone met sterke saliniteitsgradiënt met aanwezigheid van steenbolk in `r laatste_jaar`. +In het oligohalien en zoetwater komt hoofdzakelijk juveniele zeebaars voor die daar komt opgroeien. De aantallen zijn beduidend lager dan voor de benthivore soorten van deze groep (\< 5 individuen per 1000m³). De laatste jaren wordt deze soortengroep minder gevangen dan in de periode voor 2018. Piscivore estuariene en mariene soorten volgens de EMSE indeling komen in de Zeeschelde niet voor, de éénmalige vangst van een smelt uitgezonderd. In realiteit gedragen ook zeebaars, steenbolk en zeeforel zich hoofdzakelijk piscivoor in de Zeeschelde. -Planktivore individuen van de groep estuarien residente en mariene migranten zijn meest talrijk in de zone met sterke saliniteitsgradiënt, met een uitschieter tot meer dan 200 individuen per 1000m³ in `r laatste_jaar`, maar ze zijn toch ook tot in de zoete zone terug te vinden. -Het gaat hier vooral om juveniele haring en sprot, mariene soorten die de luwte en voedselrijkdom van het estuarium opzoeken om op te groeien. -Opvallend in 2022 was het relatief groot aantal sprot ten opzichte van haring in vergelijking tot vorige jaren. +Planktivore individuen van de groep estuarien residente en mariene migranten zijn meest talrijk in de zone met sterke saliniteitsgradiënt, met een uitschieter tot meer dan 200 individuen per 1000m³ in 2022, maar ze zijn toch ook tot in de zoete zone terug te vinden. +Het gaat hier vooral om juveniele haring en een beetje sprot, mariene soorten die de luwte en voedselrijkdom van het estuarium opzoeken om op te groeien. De patronen voor biomassa vertonen grotendeels dezelfde verhoudingen tussen soortgroepen, saliniteitszones en soorten (Figuur \@ref(fig:091-figuur-biomassa-marien-EMSE)). De omnivore mariene en estuariene soorten vertonen echter wel een grotere soortendiversiteit qua biomassa dan qua aantallen in de zone met sterke saliniteitsgradiënt. @@ -320,12 +320,11 @@ Zoetwater soorten zijn meest talrijk in de zoetwaterzone waar de aantallen en bi Binnen de zoetwatersoorten zijn omnivoren de meest talrijke en de meest soortenrijke functionele groep en ze vertegenwoordigen ook de grootste biomassa. Snoekbaars is dominant in deze groep, zowel in aantallen als in biomassa. -De aantallen daalden maar de biomassa was groter in 2022, er werden dus relatief meer grotere exemplaren gevangen. +De aantallen daalden voor het derde jaar op rij, maar de biomassa de laatste jaren bleef grotendeels constant, er werden dus relatief meer grotere exemplaren gevangen. Benthivore zoetwater soorten worden qua aantallen gedomineerd door brasem, tiendoornige stekelbaars en blauwbandgrondel. Qua gewicht is enkel brasem dominant in deze functionele groep. -Brasem is in `r laatste_jaar` met opvallend hoge aantallen gevangen. -Dit weerspiegelt zich niet in de biomassa, wat aangeeft dat er vooral kleine specimens zijn gevangen. +Brasem zet in `r laatste_jaar` de toename in aantallen verder begonnen in 2021. Baars en de exotische zonnebaars zijn de enige piscivore zoetwatersoorten voor de Zeeschelde. Baars is de dominante soort naar aantallen en gewicht. @@ -392,12 +391,11 @@ Sprot wordt eveneens in vrij grote aantallen gevangen maar werd niet als sleutel - Brakwatergrondel komt in de grootste aantallen voor in het zoetwater en vertoont piekdensiteiten rond 2018. In `r laatste_jaar` zijn de aantallen waargenomen in de ankerkuil vangsten gemiddeld. -- Dikkopje komt meestal in de hoogste aantallen voor in het oligohalien. - Na hoge densiteiten in 2018 en 2020 zijn de aantallen in 2021 en `r laatste_jaar` eerder klein. +- Dikkopje bereikt in `r laatste_jaar` recordaantallen met \>300 individuen per 1000m³ in zoetwater. + Vorige pieken rond 50 individuen per 1000m³ in 2018 en 2020 zijn waargenomen in oligohalien. - Haring komt vooral voor in de zone met sterke saliniteitsgradiënt. - De aantallen zijn relatief stabiel, met piekdensiteiten in 2014, 2018 en `r laatste_jaar`. - Een echte piek werd in 2022 veroorzaakt door sprot en haring samen. + De aantallen zijn relatief stabiel en toenen op eerste zicht een golvende beweging, met piekdensiteiten in 2014, 2018 en 2022. - Zeebaars wordt vooral waargenomen in de zoetwater zone en in het oligohalien. In vergelijking met de periode 2012-2017 komt er nu weinig zeebaars voor in de Zeeschelde. @@ -419,7 +417,7 @@ De meest voorkomende diadrome sleutelsoorten (\> 1 individu per 1000m³) zijn bo Paling wordt slechts in kleine aantallen gevangen, maar is qua biomassa toch vrij belangrijk. - Bot komt voor in alle drie de scheldezones waar afvissingen met ankerkuil worden gedaan, maar met over het algemeen de hoogste aantallen in het zoetwater. - Aantallen bot varieren van jaar tot jaar, met in `r laatste_jaar` lage aantallen. + Aantallen bot varieren van jaar tot jaar, met in `r laatste_jaar` de hoogste aantallen tot nu toe. - Fint aantallen vertoonden pieken in 2012, 2015 en 2017. Hoewel de aantallen recent een stuk lager zijn, kunnen ze in het voorjaar tijdens de paaiperiode toch een belangrijk deel van de biomassa uitmaken in de zoetwaterzone (zie Figuur \@ref(fig:091-figuur-relatief-aantal)). @@ -432,7 +430,7 @@ Paling wordt slechts in kleine aantallen gevangen, maar is qua biomassa toch vri - Spiering is in het algemeen de soort met de hoogste aantallen en biomassa in de Zeeschelde (zie ook Figuur \@ref(fig:091-figuur-relatief-aantal), \@ref(fig:091-figuur-relatieve-biomassa), \@ref(fig:091-figuur-aantallen-diadroom-EMSE) en \@ref(fig:091-figuur-biomassa-diadroom-EMSE)). Deze soort vertoonde een heel sterke piek in aantallen in 2014. - In `r laatste_jaar` werden de laagste aantallen en biomassa sinds de start van de monitoringsreeks gevangen. + In `r laatste_jaar` werden lage aantallen en biomassa gevangen, een verderzetting van het geobserveerde dieptepunt in 2022. ```{r 091-figuur-diadrome-sleutelsoorten, fig.cap=cap_aantal_sleutelsoorten_diadroom, out.width="100%"} @@ -447,16 +445,15 @@ knitr::include_graphics(paste0(pad_figuren, "aantallen_sleutelsoorten_EMSE_diadr ***Zoetwater soorten*** -De meest voorkomende sleutelsoorten qua aantallen/biomassa voor de zoetwatersoorten zijn blankvoorn, brasem en snoekbaars (Figuur \@ref(fig:091-figuur-zoetwater-sleutelsoorten)). +De meest voorkomende sleutelsoorten voor de zoetwatersoorten zijn blankvoorn, brasem en snoekbaars (Figuur \@ref(fig:091-figuur-zoetwater-sleutelsoorten)). - Na de forse toename van blankvoorn in het zoetwater in 2021 vertoont deze soort in `r laatste_jaar` opnieuw lagere aantallen. - Wat betreft biomassa is al vanaf 2019 een duidelijke toename waar te nemen. - Brasem vertoont een duidelijke toename in aantallen in het zoetwater vanaf 2016 in vergelijking met de jaren ervoor. - In `r laatste_jaar` pieken de aantallen echt in het zoetwater. + In `r laatste_jaar` blijven de aantallen stijgen in het zoetwater. -- Ook snoekbaars vertoont een toename vanaf 2016. +- Ook snoekbaars vertoont een duidelijke toename in aantallen vanaf 2016 met een piek in 2021 waarna de aantallen terug afnemen. Deze soort komt niet alleen voor in het zoetwater maar ook vaak in het oligohalien en zelfs in de zone met sterke saliniteitsgradiënt. ```{r 091-figuur-zoetwater-sleutelsoorten, fig.cap=cap_aantal_sleutelsoorten_zoetwater, out.width="100%"} @@ -489,7 +486,7 @@ Men zou dus kunnen besluiten dat de densiteit van de vispopulaties in de Zeesche De resultaten voor aantallen, biomassa en diversiteit per groep van estuarien habitat gebruik worden weergegeven in respectivelijk Figuur \@ref(fig:091-figuur-aantallen-habitat), Figuur \@ref(fig:091-figuur-biomassa-habitat) en Figuur \@ref(fig:091-figuur-diversiteit-habitat). Voor alle drie de estuariene habitat gebruik groepen zien we de laagste densiteiten in de zone met sterke saliniteitsgradiënt. -Diadrome vissen overheersten de aantallen in de ankerkuilvangsten, met vergelijkbare aantallen per m³ in de oligohaliene en zoete zone. +Diadrome vissen overheersen de aantallen in de ankerkuilvangsten, met vergelijkbare aantallen per m³ in de oligohaliene en zoete zone. Mariene en estuariene soorten worden in kleinere aantallen gevist met bijna een factor 10 minder. Zoetwatersoorten worden tenslotte nog eens met een factor 10 minder gevangen, weliswaar met duidelijke toename in stroomopwaartse richting. Op basis van gemiddelde biomassa per m³ zijn de trends vergelijkbaar maar zijn de verschillen tussen estuariene habitat gebruik groepen veel kleiner. @@ -497,26 +494,24 @@ Het gaat dus voornamelijk om kleine, juveniele diadrome individuen en grotere, a De estuarien residente soorten zijn middelgroot en alle leeftijdsklassen zijn aanwezig. Spieringen zijn zonder meer de dominante trekvissen, zowel naar aantal als naar biomassa en dat geldt in alle saliniteitszones van de Zeeschelde . -De aantallen spiering zijn al een aantal jaren veel kleiner dan voorheen, in 2022 echter zijn niet alleen de aantallen maar ook de biomassa's uitzonderlijk laag. +De aantallen spiering zijn al een aantal jaren veel kleiner dan voorheen, in 2022 en `r laatste_jaar` echter zijn niet alleen de aantallen maar ook de biomassa's uitzonderlijk laag. Dit vergt nader onderzoek. Snoekbaars is de dominante zoetwatersoort, eveneens in aantal en biomassa. De dominantie is echter minder uitgesproken dan die van de spiering, o.a. ook omdat het aantal algemene soorten het grootst is in deze groep. -Aantallen en biomassa van zoetwatersoorten vertonen een stijgende trend. Het beeld van mariene en estuariene soorten is iets complexer omdat hier in realiteit twee verschillende estuarien habitat gebruik gilden samengevoegd worden: estuarien residenten en mariene migranten die elk op een heel andere manier gebruik maken van het estuarien habitat. In de zoete zone met lange verblijftijd en in het oligohalien zijn brakwatergrondel en dikkopje, twee estuarien residente soorten, de meest talrijke soorten van deze guildengroep. -Afgezien van de uitzonderlijke piek in 2018 schommelen de aantallen en biomassa's zonder uitgesproken trend te vertonen. +Afgezien van de uitzonderlijke piek in In `r laatste_jaar` voor dikkopje en in 2018 voor brakwatergrondel schommelen de aantallen en biomassa's zonder uitgesproken trend te vertonen. In de zone met sterke saliniteitgradiënt is haring, een mariene migrant het meest talrijk. -In `r laatste_jaar` is er wel opvallend veel sprot gevangen in deze zone. -Indien we naar de biomassa kijken winnen haring en ook sprot aan belang in de twee stroomafwaartse zones en zelfs in de zoete zone met lange verblijftijd. +Indien we naar de biomassa kijken winnen sprot en ook haring in `r laatste_jaar` aan belang in de twee stroomafwaartse zones en zelfs in de zoete zone met lange verblijftijd. Mariene migranten zoeken de beschutting en voedselrijkdom van het estuarium op tot in de zoetwater zone. De aantallen en biomassa's variëren sterk van jaar tot jaar. De grootste soortenrijkdom vinden we bij de mariene en estuariene soorten in de zone met sterke saliniteitsgradiënt. -De voornaamste oorzaak hiervan is dat er af toe vangsten zijn van mariene dwaalgasten of stragglers. +De voornaamste oorzaak hiervan is dat er af toe vangsten zijn van mariene dwaalgasten. Deze hebben weinig betekenis voor het estuarien functioneren, buiten de indicatie dat ze kunnen overleven in die omgeving. De laagste soortenrijkdom vinden we bij de diadromen in de oligohaliene zone. De diversiteit is het grootst bij de zoetwatersoorten. @@ -563,7 +558,8 @@ De resultaten voor aantallen, biomassa en diversiteit per dieetgroep worden weer Qua trofische samenstelling overheersen omnivoren de aantallen en ook de biomassa, gevolgd door benthivoren, planktivoren en tenslotte een zeer kleine minderheid aan piscivoren. Brakwatergrondel en dikkopje en ook brasem zijn de dominante benthivoren zowel in de aantallen als in de biomassa. -De gevangen hoeveelheden en de dominantie van brakwatergrondel over dikkopje stijgen beiden in stroomopwaartse richting. +De gevangen hoeveelheden en de dominantie van brakwatergrondel over dikkopje stijgen beiden in stroomopwaartse richting in de vorige jaren. +In `r laatste_jaar` is dikkopje voor de eerste keer dominant in aantallen en biomassa over brakwatergrondel in zoetwater. Spiering is de dominante omnivoor met veel hogere aantallen en biomassa dan snoekbaars en andere omnivoren. Dit moet echter genuanceerd worden. From 51ba0f20bdfe68b28d89d36e45289d308f2bcd4a Mon Sep 17 00:00:00 2001 From: VAN DE MEUTTER Date: Wed, 28 Aug 2024 15:20:56 +0200 Subject: [PATCH 024/102] data prep en analyse gedaan vs1;-) --- .../070_macrozoobenthos_analyse.Rmd | 121 +++++++++--------- .../070_macrozoobenthos_data.Rmd | 113 ++++++++++++++-- .../150_geintegreerd_rapport/index.Rmd | 2 +- 3 files changed, 164 insertions(+), 72 deletions(-) diff --git a/moneos_2024/070_macrozoobenthos/070_macrozoobenthos_analyse.Rmd b/moneos_2024/070_macrozoobenthos/070_macrozoobenthos_analyse.Rmd index ebab6d3..6c803ce 100644 --- a/moneos_2024/070_macrozoobenthos/070_macrozoobenthos_analyse.Rmd +++ b/moneos_2024/070_macrozoobenthos/070_macrozoobenthos_analyse.Rmd @@ -49,6 +49,9 @@ pad_figuren <- maak_pad(params$hoofdstuk, "figuren") pad_tabellen <- maak_pad(params$hoofdstuk, "tabellen") source("G:/.shortcut-targets-by-id/0B0xcP-eNvJ9dZDBwVVJOVk5Ld2s/PRJ_SCHELDE/VNSC/Rapportage_INBO/2022/Function_CalculateShannonIndex.R") + +controlelijst <- read_excel(paste0(pad_data, "Soortenlijst_macrozoobenthos_2008_2022.xlsx"), + sheet = "Blad1") ``` # Wormendeterminatiejaar - alleen uit te voeren als er OID zijn verwerkt @@ -119,20 +122,8 @@ write_xlsx(list(macrobenthos = data_mzboidvervang), # Basis data file import ```{r 070-data} #GEEN OID jaar, dus trends zonder soortniveau Oligochaeta -krwdatMZB <- - read_excel(paste0(pad_data, "macrobenthos_data_2008_2022NIETAANTELEVEREN.xlsx"), sheet = "macrobenthos") - -ts<- arrange(as.data.frame((unique(krwdatMZB$soort)))) - - data_macrobenthos <- - read_excel(paste0(pad_data, "macrobenthos_data_2008_2022_OID.xlsx")) - -%>% - #mutate(tidaal = recode(tidaal, "sub" = "subtidaal", "Intertidaal" = "intertidaal", "inter" = "intertidaal"), - left_join(krwdatMZB, by ="locatie") %>% - dplyr::mutate(tidaal = factor(tidaal, - levels = c("subtidaal", "intertidaal"))) %>% + read_excel(paste0(paste0(pad_data, "/Nieuwe_datafile/"), "macrobenthos_data_2008_2022NIETAANTELEVEREN.xlsx"), sheet = "macrobenthos") %>% dplyr::mutate(niveau3_hybr = recode(waterloop2, "Zeeschelde IV"= "Saliniteitsgradient", "Zeeschelde III"= "Oligohalien", "Zeeschelde II"= "Zoet lang verblijf", "Zeeschelde I"= "Zoet kort verblijf")) %>% dplyr::mutate(fysiotoop = case_when( fysiotoop %in% c("diep subtidaal") ~ "diep subtidaal", @@ -145,9 +136,7 @@ data_macrobenthos <- fysiotoop %in% c("nog te bepalen - inter", "onbepaald", "slik", "slik onbepaald") ~ "intertidaal indet.", TRUE ~ fysiotoop)) %>% dplyr::filter(!is.na(tidaal)) %>% - dplyr::filter(!soort == "stuk") %>% - dplyr::mutate(soort = recode(soort, "paranais litoralis"= "Paranais litoralis", "Limnodrilus spec" = "Limnodrilus sp", "Limnodrilus claparedeianus" = "Limnodrilus claparedianus", "quistadrilus multisetosus" = "Quistadrilus multisetosus" )) %>% - dplyr::mutate(densiteit = if_else(soort != "geen" & densiteit == 0, 628, densiteit)) ## probleem van soorten waarvoor densiteit = 0, wrsch doordat geen hele ex gevonden zijn of invoerfouten. Dit geeft probleem oa bij Shannon index dus hier waarden invullen met laagste waarde. Om toch onderscheid te maken met die soorten waarvoor wel een 1 genoteerd werd wordt 628 gebruikt (cijfers na de komma niet, wel bij andere cf opp van steekbuis) + dplyr::mutate(densiteit = if_else(soort != "geen" & densiteit == 0, 314, densiteit)) ## probleem van soorten waarvoor densiteit = 0, wrsch doordat geen hele ex gevonden zijn of invoerfouten. Dit geeft probleem oa bij Shannon index dus hier waarden invullen met helft laagste waarde. Om toch onderscheid te maken met die soorten waarvoor wel een 1 genoteerd werd wordt 628 gebruikt (cijfers na de komma niet, wel bij andere cf opp van steekbuis) @@ -193,7 +182,7 @@ loc_systdata <- data_macrobenthos %>% dplyr::select(locatie, jaar, fysiotoop, waterlichaam, waterloop, niveau3_hybr, systeem, tidaal) %>% dplyr::distinct() -#groeperen per tax groep maar om later gemiddelde juist te berekenen nu ook mising cases toevoegen +#groeperen per Taxa_groep maar om later gemiddelde juist te berekenen nu ook missing cases toevoegen data_macrobenthos_totaalTAX <- data_macrobenthos %>% complete(locatie, Taxa_groep, fill = list(densiteit = 0, biomassa =0)) %>% @@ -209,7 +198,7 @@ data_macrobenthos_totaalBIV <- data_macrobenthos %>% dplyr::select(!Taxa_groep) %>% complete(locatie, soort, fill = list(densiteit = 0, biomassa =0)) %>% - dplyr::left_join(taxalijst, by = "soort") %>% + dplyr::left_join(controlelijst, by = "soort") %>% dplyr::select(! c(jaar, fysiotoop, waterlichaam, waterloop, niveau3_hybr, systeem, tidaal)) %>% # anders deze vars dubbel left_join(loc_systdata, by = "locatie") %>% dplyr::filter(Taxa_groep == "Bivalvia") %>% @@ -307,7 +296,7 @@ bxp_ZS <- labs(x = xlb, y = ylb) + facet_wrap(~tidaal) -# bxp_ZS +#bxp_ZS bxp_ZR <- data_macrobenthos_totaal %>% dplyr::filter(niveau3_hybr %in% c("Rupel", "Durme", "Nete", "Dijle", "Zenne")) %>% @@ -814,8 +803,7 @@ waterlopen_order fysiotoop != "hard substraat") %>% dplyr::mutate(is_soort = if_else(soort == "geen", 0, 1)) %>% distinct() %>% - dplyr::group_by(jaar, tidaal, niveau3_hybr) -%>% + dplyr::group_by(jaar, tidaal, niveau3_hybr) %>% dplyr::summarise(n = sum(is_soort)) %>% ungroup() %>% mutate(jaar = ordered(jaar), @@ -944,19 +932,23 @@ oppsruw <- read_delim(paste0(pad_data, "SpatialEcotopenOpp_INBO_2021.csv")) %>% # oppervlakten en biotagegevens dplyr::mutate(ecotoop = recode(ecotoop, "hoog intertidaal"= "middelhoog/hoog intertidaal", "middelhoog intertidaal" = "middelhoog/hoog intertidaal")) %>% rename(fysiotoop = ecotoop, opp1 = SomVanShape_Area) %>% - dplyr::mutate(opp1 = opp1/100000000000000)# geen ieee waarom bij import er plots een veel hoger getal genomen wordt? + dplyr::mutate(opp1 = opp1/100000000000000) %>% # geen ieee waarom bij import er plots een veel hoger getal genomen wordt?%>% + dplyr::mutate(waterloop = recode(waterloop, "Zeeschelde IV" = "Saliniteitsgradient", "Zeeschelde III" = "Oligohalien", "Zeeschelde II" = "Zoet lang verblijf", "Zeeschelde I" = "Zoet kort verblijf", "Tijarm" = "Zeeschelde I tijarm Zwijnaarde")) %>% + dplyr::mutate(waterloop = ifelse(Omessegmen == "19 trGM", "Zeeschelde I trj_Ml_Gb", waterloop)) + # segmenten optellen opps <- oppsruw %>% dplyr::group_by(jaar, waterloop, tidaal, fysiotoop) %>% - dplyr::summarise(opp =sum(na.omit(opp1))) + dplyr::summarise(opp =sum(na.omit(opp1))) %>% + dplyr::ungroup() opps_intertidaalfys <- opps %>% dplyr::filter(tidaal == "intertidaal") %>% ## Enkel intertidaal - mutate (kaartjaar = jaar) %>% - mutate (fysiotoop = (if_else(waterloop == "Durme" & fysiotoop != "intertidaal indet.", "intertidaal indet.", fysiotoop))) %>% - mutate(waterloop = recode(waterloop, "Zeeschelde IV" = "Saliniteitsgradient", "Zeeschelde III" = "Oligohalien", "Zeeschelde II" = "Zoet lang verblijf", "Zeeschelde I" = "Zoet kort verblijf")) + dplyr::mutate (kaartjaar = jaar) %>% + dplyr::mutate (fysiotoop = (if_else(waterloop == "Durme" & fysiotoop != "intertidaal indet.", "intertidaal indet.", fysiotoop))) %>% + dplyr::mutate(waterloop = recode(waterloop, "Zeeschelde III + Rupel" = "Oligohalien")) opps_SUBfys <- opps %>% @@ -965,12 +957,13 @@ oppsruw <- read_delim(paste0(pad_data, "SpatialEcotopenOpp_INBO_2021.csv")) %>% mutate(waterloop = recode(waterloop, "Zeeschelde IV" = "Saliniteitsgradient", "Zeeschelde III" = "Oligohalien", "Zeeschelde II" = "Zoet lang verblijf", "Zeeschelde I" = "Zoet kort verblijf")) - data_macrobenthos_intertidaalfys <- +data_macrobenthos_intertidaalfys <- data_macrobenthos_totaal %>% + dplyr::mutate(waterloop = recode(waterloop, "Zeeschelde I trj_Ml_Gb\n" = "Zeeschelde I trj_Ml_Gb", "Zeeschelde I tijarm Zwijnaarde\n" = "Zeeschelde I tijarm Zwijnaarde" , "Beneden_Dijle" = "Dijle", "Zeeschelde IV" = "Saliniteitsgradient", "Zeeschelde III" = "Oligohalien", "Zeeschelde II" = "Zoet lang verblijf", "Zeeschelde I" = "Zoet kort verblijf")) %>% dplyr::filter(tidaal == "intertidaal") %>% dplyr::filter(fysiotoop != "hard substraat") %>% mutate (fysiotoop = (if_else(waterloop == "Durme" & fysiotoop != "intertidaal indet.", "intertidaal indet.", fysiotoop))) %>% - group_by(jaar, waterlichaam, niveau3_hybr, systeem, fysiotoop) %>% + group_by(jaar, waterloop, niveau3_hybr, systeem, fysiotoop) %>% summarise_at(vars(densiteit, biomassa), list(mean = ~max(0, mean(., na.rm = TRUE)), med = ~max(0, median(., na.rm = TRUE)), @@ -980,37 +973,44 @@ oppsruw <- read_delim(paste0(pad_data, "SpatialEcotopenOpp_INBO_2021.csv")) %>% upr2 = ~max(0, quantile(., 0.95, na.rm = TRUE)))) %>% ungroup() %>% dplyr::mutate (kaartjaar = jaar) %>% #jaar van de beste oppervlaktematch toevoegen - we kiezen de kaartjaren van totale Zeeschelde-ecotopenkaarten - dplyr::mutate (kaartjaar = if_else(jaar < 2012, 2010,kaartjaar)) %>% + dplyr::mutate (kaartjaar = if_else(jaar < 2012 & !waterloop %in% c("Nete", "Zenne", "Dijle"), 2010, ifelse(waterloop %in% c("Nete", "Zenne", "Dijle"), 2013, kaartjaar))) %>% dplyr::mutate (kaartjaar = if_else(jaar > 2011 & jaar < 2015, 2013, kaartjaar)) %>% - dplyr::mutate (kaartjaar = if_else(jaar > 2014 & jaar < 2018, 2016, kaartjaar)) %>% - dplyr::mutate (kaartjaar = if_else(jaar > 2017, 2019, kaartjaar)) %>% - rename (waterloop = niveau3_hybr) + dplyr::mutate (kaartjaar = if_else(jaar > 2014 & jaar < 2018 & !waterloop %in% c("Nete", "Zenne", "Dijle"), 2016, ifelse(waterloop %in% c("Nete", "Zenne", "Dijle"), 2013, kaartjaar))) %>% + dplyr::mutate (kaartjaar = if_else(jaar > 2017 & !waterloop %in% c("Nete", "Zenne", "Dijle"), 2019, ifelse(waterloop %in% c("Nete", "Zenne", "Dijle"), 2013, kaartjaar))) + +#Opps voor Zenne, Nete, Dijle enkel in 2013, dus steeds link met 2013 maken - data_macrobenthos_OPP <- data_macrobenthos_intertidaalfys %>% +# %>% + # rename (waterloop = niveau3_hybr) + +sort(unique(data_macrobenthos_intertidaalfys$waterloop)) +sort(unique(opps_intertidaalfys$waterloop)) + +data_macrobenthos_OPP <- data_macrobenthos_intertidaalfys %>% left_join(opps_intertidaalfys, by = c("kaartjaar", "fysiotoop","waterloop")) %>% mutate(biomassa_fys = (biomassa_mean * opp*10000)/1000000) #ton benthos, maar opp te groot? ## samenvatten per waterloop en bereken totaal - data_macrobenthos_OPPWL <- data_macrobenthos_OPP %>% +data_macrobenthos_OPPWL <- data_macrobenthos_OPP %>% rename(jaar = jaar.x) %>% - dplyr::filter(waterloop %in% c("Saliniteitsgradient", "Zoet kort verblijf", "Zoet lang verblijf", "Oligohalien", "Durme", "Rupel")) %>% + dplyr::filter(waterloop %in% c("Saliniteitsgradient", "Zoet kort verblijf", "Zoet lang verblijf", "Oligohalien", "Durme", "Rupel", "Zeeschelde I tijarm Zwijnaarde", "Zeeschelde I trj_Ml_Gb")) %>% dplyr::group_by(waterloop, jaar) %>% dplyr::summarise(biomass_waterloop = sum(na.omit(biomassa_fys))) %>% dplyr::ungroup() - totaal <-data_macrobenthos_OPPWL %>% +totaal <-data_macrobenthos_OPPWL %>% dplyr::group_by(jaar) %>% - dplyr::filter(waterloop %in% c("Saliniteitsgradient", "Zoet kort verblijf", "Zoet lang verblijf", "Oligohalien")) %>% ## som totale Zeeschelde dus ZONDER Rupel en Durme + dplyr::filter(waterloop %in% c("Saliniteitsgradient", "Zoet kort verblijf", "Zoet lang verblijf", "Oligohalien", "Zeeschelde I tijarm Zwijnaarde", "Zeeschelde I trj_Ml_Gb")) %>% ## som totale Zeeschelde dus ZONDER Rupel en Durme dplyr::summarise(biomass_waterloop = sum(na.omit(biomass_waterloop))) %>% dplyr::mutate (waterloop = "totaal_Zeeschelde") - data_macrobenthos_OPPWL <- data_macrobenthos_OPPWL %>% +data_macrobenthos_OPPWL <- data_macrobenthos_OPPWL %>% bind_rows(totaal) - data_macrobenthos_OPPWL$waterloop <- factor(data_macrobenthos_OPPWL$waterloop, levels=c("Saliniteitsgradient", "Oligohalien", "Zoet lang verblijf", "Zoet kort verblijf","Rupel","Durme","totaal_Zeeschelde")) +data_macrobenthos_OPPWL$waterloop <- factor(data_macrobenthos_OPPWL$waterloop, levels=c("Saliniteitsgradient", "Oligohalien", "Zoet lang verblijf", "Zoet kort verblijf","Zeeschelde I tijarm Zwijnaarde", "Zeeschelde I trj_Ml_Gb", "Rupel","Durme","totaal_Zeeschelde")) - data_macrobenthos_OPPWL %>% +data_macrobenthos_OPPWL %>% ggplot(aes(x = as.factor(jaar), y = biomass_waterloop))+ geom_hline(yintercept = 30, linetype=2, colour = "deeppink3", size = 1.2) + geom_hline(yintercept = 14.2, linetype=2, colour = "darkolivegreen4", size = 1.2) + @@ -1023,10 +1023,11 @@ oppsruw <- read_delim(paste0(pad_data, "SpatialEcotopenOpp_INBO_2021.csv")) %>% ggsave(paste0(pad_figuren, "070-figuur-intertidalesysteembiomassa.jpg"), height=5, width=8) ## gewogen biomassa per m² per waterloop - data_macrobenthos_OPP$waterloop <- factor(data_macrobenthos_OPP$waterloop, levels=c("Saliniteitsgradient", "Oligohalien", "Zoet lang verblijf", "Zoet kort verblijf","Rupel","Durme","totaal_Zeeschelde")) - data_macrobenthos_OPP %>% + data_macrobenthos_OPP$waterloop <- factor(data_macrobenthos_OPP$waterloop, levels=c("Saliniteitsgradient", "Oligohalien", "Zoet lang verblijf", "Zoet kort verblijf","Zeeschelde I tijarm Zwijnaarde", "Zeeschelde I trj_Ml_Gb", "Rupel","Durme","totaal_Zeeschelde")) + +data_macrobenthos_OPP %>% rename(jaar = jaar.x) %>% - dplyr::filter(waterloop %in% c("Saliniteitsgradient", "Oligohalien", "Zoet lang verblijf", "Zoet kort verblijf","Rupel","Durme","totaal_Zeeschelde")) %>% + dplyr::filter(waterloop %in% c("Saliniteitsgradient", "Oligohalien", "Zoet lang verblijf", "Zoet kort verblijf","Zeeschelde I tijarm Zwijnaarde", "Zeeschelde I trj_Ml_Gb","Rupel","Durme","totaal_Zeeschelde")) %>% dplyr::group_by(waterloop, jaar) %>% dplyr::summarise(weightedbiomass_waterloop = weighted.mean(biomassa_mean, opp)) %>% ggplot(aes(x = as.factor(jaar), y = weightedbiomass_waterloop))+ @@ -1038,7 +1039,7 @@ ggsave(paste0(pad_figuren, "070-figuur-intertidalesysteembiomassa.jpg"), height= ## Gemiddelde biomassa data_macrobenthos_OPP %>% rename(jaar = jaar.x) %>% - dplyr::filter(waterloop %in% c("Saliniteitsgradient", "Oligohalien", "Zoet lang verblijf", "Zoet kort verblijf","Rupel","Durme","totaal_Zeeschelde")) %>% + dplyr::filter(waterloop %in% c("Saliniteitsgradient", "Oligohalien", "Zoet lang verblijf", "Zoet kort verblijf","Zeeschelde I tijarm Zwijnaarde", "Zeeschelde I trj_Ml_Gb","Rupel","Durme","totaal_Zeeschelde")) %>% dplyr::group_by(waterloop, jaar) %>% summarise(weightedbiomass_waterloop = mean(biomassa_mean)) %>% ggplot(aes(x = as.factor(jaar), y = weightedbiomass_waterloop))+ @@ -1047,14 +1048,14 @@ ggsave(paste0(pad_figuren, "070-figuur-intertidalesysteembiomassa.jpg"), height= sysbiomgew <- data_macrobenthos_OPP %>% rename(jaar = jaar.x) %>% - dplyr::filter(waterloop %in% c("Saliniteitsgradient", "Oligohalien", "Zoet lang verblijf", "Zoet kort verblijf","Rupel","Durme","totaal_Zeeschelde")) %>% + dplyr::filter(waterloop %in% c("Saliniteitsgradient", "Oligohalien", "Zoet lang verblijf", "Zoet kort verblijf","Zeeschelde I tijarm Zwijnaarde", "Zeeschelde I trj_Ml_Gb","Rupel","Durme","totaal_Zeeschelde")) %>% group_by(waterloop, jaar) %>% summarise(weightedbiomass_waterloop = mean(biomassa_mean)) opps %>% dplyr::group_by(waterloop, jaar) %>% dplyr::summarise(oppt = sum(opp)) %>% - dplyr::filter(waterloop !="Tijarm") %>% + #dplyr::filter(waterloop !="Tijarm") %>% ggplot(aes(x=jaar, y=oppt))+ geom_line(aes(colour=waterloop, group=waterloop), size=1.8) @@ -1071,7 +1072,7 @@ selmb <- mb.sel.8sp$soort data_macrobenthos %>% dplyr::filter(soort %in% selmb) %>% - dplyr::filter(jaar %in% c(2016, 2017, 2018, 2019, 2020)) %>% + dplyr::filter(jaar %in% c(2016, 2017, 2018, 2019, 2020, 2021, 2022)) %>% dplyr::filter(waterlichaam == "Zeeschelde IV") %>% dplyr::group_by(soort, jaar) %>% dplyr::summarize(bm = sum(biomassa)) %>% @@ -1085,10 +1086,11 @@ data_macrobenthos %>% data_macrobenthos_intertidaalfysTAX <- data_macrobenthos_totaalTAX %>% dplyr::filter(tidaal == "intertidaal") %>% - dplyr::filter(fysiotoop != "hard substraat") %>% + dplyr::filter(fysiotoop != "hard substraat") %>% + dplyr::mutate(waterloop = recode(waterloop, "Zeeschelde I trj_Ml_Gb\n" = "Zeeschelde I trj_Ml_Gb", "Zeeschelde I tijarm Zwijnaarde\n" = "Zeeschelde I tijarm Zwijnaarde" , "Beneden_Dijle" = "Dijle", "Zeeschelde IV" = "Saliniteitsgradient", "Zeeschelde III" = "Oligohalien", "Zeeschelde II" = "Zoet lang verblijf", "Zeeschelde I" = "Zoet kort verblijf")) %>% dplyr::mutate (fysiotoop = (if_else(waterloop == "Durme" & fysiotoop != "intertidaal indet.", "intertidaal indet.", fysiotoop))) %>% dplyr::filter(systeem == "Zeeschelde") %>% - dplyr::group_by(jaar, Taxa_groep, waterlichaam, niveau3_hybr, systeem, fysiotoop) %>% + dplyr::group_by(jaar, Taxa_groep, waterloop, niveau3_hybr, systeem, fysiotoop) %>% summarise_at(vars(densiteit, biomassa), list(mean = ~max(0, mean(., na.rm = TRUE)), med = ~max(0, median(., na.rm = TRUE)), @@ -1101,8 +1103,7 @@ data_macrobenthos_intertidaalfysTAX <- dplyr::mutate (kaartjaar = if_else(jaar < 2012, 2010, kaartjaar)) %>% dplyr::mutate (kaartjaar = if_else(jaar > 2011 & jaar < 2015, 2013, kaartjaar)) %>% dplyr::mutate (kaartjaar = if_else(jaar > 2014 & jaar < 2018, 2016, kaartjaar)) %>% - dplyr::mutate (kaartjaar = if_else(jaar > 2017, 2019, kaartjaar)) %>% - rename(waterloop = niveau3_hybr) + dplyr::mutate (kaartjaar = if_else(jaar > 2017, 2019, kaartjaar)) data_macrobenthos_OPPTAX <- data_macrobenthos_intertidaalfysTAX %>% @@ -1133,10 +1134,11 @@ ggsave(filename = paste0(pad_figuren, "PopTaxgroep_ZS", ".jpg"), height=5, width data_macrobenthos_intertidaalfysTAX <- data_macrobenthos_totaalTAX %>% dplyr::filter(tidaal == "intertidaal") %>% - dplyr::filter(fysiotoop != "hard substraat") %>% + dplyr::filter(fysiotoop != "hard substraat") %>% + dplyr::mutate(waterloop = recode(waterloop, "Zeeschelde I trj_Ml_Gb\n" = "Zeeschelde I trj_Ml_Gb", "Zeeschelde I tijarm Zwijnaarde\n" = "Zeeschelde I tijarm Zwijnaarde" , "Beneden_Dijle" = "Dijle", "Zeeschelde IV" = "Saliniteitsgradient", "Zeeschelde III" = "Oligohalien", "Zeeschelde II" = "Zoet lang verblijf", "Zeeschelde I" = "Zoet kort verblijf")) %>% dplyr::mutate (fysiotoop = (if_else(waterloop == "Durme" & fysiotoop != "intertidaal indet.", "intertidaal indet.", fysiotoop))) %>% - dplyr::filter(niveau3_hybr == "Saliniteitsgradient") %>% - dplyr::group_by(jaar, Taxa_groep, waterlichaam, niveau3_hybr, systeem, fysiotoop) %>% + dplyr::filter(waterloop == "Saliniteitsgradient") %>% + dplyr::group_by(jaar, Taxa_groep, waterloop, niveau3_hybr, systeem, fysiotoop) %>% summarise_at(vars(densiteit, biomassa), list(mean = ~max(0, mean(., na.rm = TRUE)), med = ~max(0, median(., na.rm = TRUE)), @@ -1149,8 +1151,7 @@ data_macrobenthos_intertidaalfysTAX <- dplyr::mutate (kaartjaar = if_else(jaar < 2012, 2010, kaartjaar)) %>% dplyr::mutate (kaartjaar = if_else(jaar > 2011 & jaar < 2015, 2013, kaartjaar)) %>% dplyr::mutate (kaartjaar = if_else(jaar > 2014 & jaar < 2018, 2016, kaartjaar)) %>% - dplyr::mutate (kaartjaar = if_else(jaar > 2017, 2019, kaartjaar)) %>% - rename(waterloop = niveau3_hybr) + dplyr::mutate (kaartjaar = if_else(jaar > 2017, 2019, kaartjaar)) data_macrobenthos_OPPTAX <- data_macrobenthos_intertidaalfysTAX %>% @@ -1183,10 +1184,11 @@ ggsave(filename = paste0(pad_figuren, "PopTaxgroep_Salgradient", ".jpg"), height data_macrobenthos_intertidaalfysBIV <- data_macrobenthos_totaalBIV %>% dplyr::filter(tidaal == "intertidaal") %>% # hier kan ook subtidaal ingevuld worden; dan moet data_macrobenthos_OPPBIV wel een join krijgen met opps_SUBfys (zie hieronder) - dplyr::filter(fysiotoop != "hard substraat") %>% + dplyr::filter(fysiotoop != "hard substraat") %>% + dplyr::mutate(waterloop = recode(waterloop, "Zeeschelde I trj_Ml_Gb\n" = "Zeeschelde I trj_Ml_Gb", "Zeeschelde I tijarm Zwijnaarde\n" = "Zeeschelde I tijarm Zwijnaarde" , "Beneden_Dijle" = "Dijle", "Zeeschelde IV" = "Saliniteitsgradient", "Zeeschelde III" = "Oligohalien", "Zeeschelde II" = "Zoet lang verblijf", "Zeeschelde I" = "Zoet kort verblijf")) %>% dplyr::mutate (fysiotoop = (if_else(waterloop == "Durme" & fysiotoop != "intertidaal indet.", "intertidaal indet.", fysiotoop))) %>% dplyr::filter(systeem == "Zeeschelde") %>% - dplyr::group_by(jaar, soort, waterlichaam, niveau3_hybr, systeem, fysiotoop) %>% + dplyr::group_by(jaar, soort, waterloop, niveau3_hybr, systeem, fysiotoop) %>% summarise_at(vars(densiteit, biomassa), list(mean = ~max(0, mean(., na.rm = TRUE)), med = ~max(0, median(., na.rm = TRUE)), @@ -1199,8 +1201,7 @@ data_macrobenthos_intertidaalfysBIV <- dplyr::mutate (kaartjaar = if_else(jaar < 2012, 2010, kaartjaar)) %>% dplyr::mutate (kaartjaar = if_else(jaar > 2011 & jaar < 2015, 2013, kaartjaar)) %>% dplyr::mutate (kaartjaar = if_else(jaar > 2014 & jaar < 2018, 2016, kaartjaar)) %>% - dplyr::mutate (kaartjaar = if_else(jaar > 2017, 2019, kaartjaar)) %>% - rename(waterloop = niveau3_hybr) + dplyr::mutate (kaartjaar = if_else(jaar > 2017, 2019, kaartjaar)) data_macrobenthos_OPPBIV <- data_macrobenthos_intertidaalfysBIV %>% diff --git a/moneos_2024/070_macrozoobenthos/070_macrozoobenthos_data.Rmd b/moneos_2024/070_macrozoobenthos/070_macrozoobenthos_data.Rmd index cd50df2..8804bea 100644 --- a/moneos_2024/070_macrozoobenthos/070_macrozoobenthos_data.Rmd +++ b/moneos_2024/070_macrozoobenthos/070_macrozoobenthos_data.Rmd @@ -284,10 +284,81 @@ B22 %>% ```{r inlezen-historische-data} -data_macrobenthos_historisch <- +##Probleem: geen complete oude dataset met alle OID erin! (foutje in 2023) +data_macrobenthos_2020gnOID <- read_excel(paste0(pad_data, "macrobenthos_data_2008_2021NIETAANTELEVEREN.xlsx"), - sheet = "macrobenthos") + sheet = "macrobenthos") %>% + dplyr::filter(jaar == 2020) %>% + dplyr::distinct(locatie, jaar, waterlichaam, waterloop, waterloop2, systeem, tidaal, fysiotoop) + +#data met OID voor 2020 +data_macrobenthos_2020OID <- + read_excel(paste0(pad_data, "macrobenthos_data_2008_2021_OID.xlsx"), + sheet = "macrobenthos") %>% +dplyr::filter(jaar == 2020) %>% + dplyr::select(!Staaltype) %>% + left_join(data_macrobenthos_2020gnOID) %>% + dplyr::select(jaar, waterlichaam, waterloop, waterloop2, systeem, tidaal, fysiotoop, locatie, soort, densiteit, biomassa, Taxa_groep) + +#data met metadata, maar geen OID voor 2020. Daarom 2020 weg en vervangen door OID +data_macrobenthos_historisch.1 <- + read_excel(paste0(pad_data, "macrobenthos_data_2008_2021NIETAANTELEVEREN.xlsx"), + sheet = "macrobenthos") %>% + dplyr::filter(jaar != 2020) %>% + dplyr::select(!locatie_oud) %>% + rbind(data_macrobenthos_2020OID) +# soortnamen zijn een boeltje. Opkuisenen orig file vervangen + +soortlijsthist <- data_macrobenthos_historisch.2 %>% + dplyr::select(soort) %>% + dplyr::distinct() %>% + dplyr::filter(soort !="stuk") %>% + arrange(desc(soort)) + +controlelijst <- read_excel(paste0(pad_data, "Soortenlijst_macrozoobenthos_2008_2022.xlsx"), + sheet = "Blad1") %>% + dplyr::mutate(Naam_correct = "YES") + +checksoort <- soortlijsthist %>% + left_join(controlelijst, by = "soort") + +data_macrobenthos_historisch.2 <- data_macrobenthos_historisch.1 %>% + dplyr::filter(soort !="stuk") %>% + dplyr::mutate(soort = recode(soort, "Oligochaeta sp" = "Oligochaeta", + "quistadrilus multisetosus" = "Quistadrilus multisetosus", + "paranais litoralis" = "Paranais litoralis", + "heteromastus filiformis" = "Heteromastus filiformis", + "Muscidae sp" = "Muscidae", + "Microturbellaria sp" = "Microturbellaria", + "Lymnaeidae sp" = "Lymnaeidae", + "Limnodrilus spec" = "Limnodrilus sp", + "Limnodrilus claparedeianus" = "Limnodrilus claparedianus", + "Limecola balthica" = "Macoma balthica", + "Hypereteone sp." = "Hypereteone sp", + "Geen" = "geen", + "Ephemeroptera sp" = "Ephemeroptera", + "Chloropidae sp" = "Chloropidae", + "Coleoptera sp" = "Coleoptera")) %>% + dplyr::mutate(densiteit = ifelse(soort == "geen", NA, round(densiteit,0))) %>% + dplyr::mutate(biomassa = ifelse(soort == "geen", NA, biomassa)) %>% + dplyr::mutate(densiteit = ifelse(soort !="geen" & densiteit == 0, round(629/2, 0), densiteit)) %>% + dplyr::mutate(biomassa = ifelse(soort !="geen" & biomassa == 0, 0.0629/2, biomassa)) + + +#indien soort densiteit != 0 maar wel biomassa == 0, dan wellicht onder detectielimiet. Daarom wordt dan helft van detectielimiet toegekend, tenzij densiteit echt groot (dan ontbrekende data wellicht). ALs densiteit == 0, dan ook helft toekennen. Als soort == "geen", dan is biomassa en densiteit NA +geenbiom <- data_macrobenthos_historisch.2 %>% + dplyr::filter(biomassa < 0.1) + +soortrat <- data_macrobenthos_historisch.2 %>% + dplyr::filter(biomassa != 0) %>% + dplyr::group_by(soort) %>% + dplyr::reframe(rat = mean(na.omit(densiteit/biomassa))) %>% + dplyr::ungroup() + + +#########ungroup()##########################biomassa############################# +#locaties sheet data_macrobenthos_historisch_locaties <- read_excel(paste0(pad_data, "macrobenthos_data_2008_2021NIETAANTELEVEREN.xlsx"), sheet = "locaties") @@ -300,11 +371,11 @@ data_macrobenthos_historisch_locaties <- ```{r biomassa-vs-densiteit_historisch, fig.height=4, fig.width=6} -data_macrobenthos_historisch %>% +data_macrobenthos_historisch.2 %>% ggplot(aes(densiteit, biomassa)) + geom_point() -data_macrobenthos_historisch %>% +data_macrobenthos_historisch.2 %>% ggplot(aes(densiteit + 1, biomassa + min(biomassa[biomassa > 0], na.rm = TRUE))) + geom_point() + scale_x_log10() + @@ -317,18 +388,18 @@ zero_densiteit_nonzero_biomassa <- select(locatie, waterlichaam, fysiotoop, soort, densiteit, biomassa) zero_biomassa_nonzero_densiteit <- - data_macrobenthos_historisch %>% + data_macrobenthos_historisch.2 %>% filter(densiteit != 0, biomassa == 0) %>% select(locatie, waterlichaam, fysiotoop, soort, densiteit, biomassa) negatieve_biomassa <- - data_macrobenthos_historisch %>% + data_macrobenthos_historisch.2 %>% filter(biomassa < 0) %>% select(locatie, waterlichaam, fysiotoop, soort, densiteit, biomassa) extreme_biomassa <- - data_macrobenthos_historisch %>% + data_macrobenthos_historisch.2 %>% filter(biomassa > 200) %>% select(locatie, waterlichaam, fysiotoop, soort, densiteit, biomassa) @@ -358,11 +429,31 @@ extreme_biomassa <- ```{r samenvoegen recent-historisch} -data_macrobenthos2008_2022 <- - data_macrobenthos_historisch %>% +data_macrobenthos2008_2022.0 <- + data_macrobenthos_historisch.2 %>% bind_rows(sheetmacrobenthos2022) %>% - dplyr::mutate(tidaal = recode(tidaal, "inter" = "intertidaal", "sub"= "subtidaal", "subtidaal" = "subtidaal", "Intertidaal" = "intertidaal")) + dplyr::mutate(tidaal = recode(tidaal, "inter" = "intertidaal", "sub"= "subtidaal", "subtidaal" = "subtidaal", "Intertidaal" = "intertidaal")) %>% + dplyr::mutate(densiteit = round(densiteit,0)) %>% + dplyr::distinct() +# in sommige jaren is er "geen" behouden ook al zijn er andere soorten in het staal gevonden (vaak doordat geen op fractieniveau is toegekend en nadien bij een summarize behouden is) -> wegfilteren +FALSEgeen <- data_macrobenthos2008_2022.0 %>% + dplyr::distinct() %>% + dplyr::group_by(locatie) %>% + dplyr::mutate(Nspecs = length(soort)) %>% + dplyr::ungroup() %>% + dplyr::mutate(teveel = ifelse(soort == "geen" & Nspecs > 1, "Y", "N")) %>% + dplyr::select(locatie, teveel) %>% + dplyr::distinct() %>% + dplyr::group_by(locatie) %>% + dplyr::mutate(dubbels = length(locatie)) %>% + dplyr::filter(!(dubbels == 2 & teveel == "N")) + + +data_macrobenthos2008_2022 <- data_macrobenthos2008_2022.0 %>% + left_join(FALSEgeen, by = "locatie") %>% + dplyr::filter(!(soort == "geen" & teveel == "Y")) + data_macrobenthos_locaties <- data_macrobenthos_historisch_locaties %>% @@ -396,7 +487,7 @@ jaar_range <- ```{r filenames} file_name <- - paste0(pad_data, "macrobenthos_data_", paste(jaar_range, collapse = "_"), "NIETAANTELEVEREN", ".xlsx") + paste0(paste0(pad_data, "/Nieuwe_datafile/"), "macrobenthos_data_", paste(jaar_range, collapse = "_"), "NIETAANTELEVEREN", ".xlsx") ``` diff --git a/moneos_2024/150_geintegreerd_rapport/index.Rmd b/moneos_2024/150_geintegreerd_rapport/index.Rmd index 532b25d..7b5c6d0 100644 --- a/moneos_2024/150_geintegreerd_rapport/index.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/index.Rmd @@ -96,7 +96,7 @@ publication_type: report cover_photo: "" # naam foto file cover_description: "" # cover: media/cover.pdf # link naar pdf met cover -doi: "" +doi: 99.21436/inbor.98471395 reportnr: "" depotnr: "" ordernr: "" From 0fa3458bd281475627126375f9c882c606cbb7a7 Mon Sep 17 00:00:00 2001 From: JOCQUE Date: Wed, 28 Aug 2024 16:39:55 +0200 Subject: [PATCH 025/102] Alles behalve alternatieve evaluatie en visindex --- .../092_vissen_fuiken.Rmd | 85 +++++++++---------- 1 file changed, 41 insertions(+), 44 deletions(-) diff --git a/moneos_2024/150_geintegreerd_rapport/092_vissen_fuiken.Rmd b/moneos_2024/150_geintegreerd_rapport/092_vissen_fuiken.Rmd index d0e5b80..391e107 100644 --- a/moneos_2024/150_geintegreerd_rapport/092_vissen_fuiken.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/092_vissen_fuiken.Rmd @@ -70,14 +70,14 @@ for(i in 1:nrow(meta_data)){ In `r laatste_jaar` werden `r aantal_soorten_laatste_jaar` vissoorten gevangen in de fuiken. Een overzicht van de soorten gevangen in `r laatste_jaar` is weergegeven in Tabel \@ref(tab:092-tabel-overzicht-soorten). -De relatieve soortenrijkdom per saliniteitszone vertoont een gelijkaardige trend met fuiken en ankerkuil. -In de zone met sterke saliniteitsgradiënt (Paardenschor en Antwerpen) en de oligohaliene zone (Steendorp) werden er meer soorten gevangen dan in de zoetwaterzone met lange (Kastel) en korte (Appels, Overbeke) verblijftijd (Tabel \@ref(tab:092-tabel-aantal-soorten)). -In elke zone werden echter minder soorten bovengehaald met de fuiken. -Over de seizoenen werden met de fuiken minst soorten gevangen in het najaar terwijl dat met de ankerkuil in de zomer was. +De relatieve soortenrijkdom vertoont een dalende trend over de saliniteitszone met het hoogste aantal soorten in de zone met sterke saliniteitsgradiënt (Paardenschor) en de oligohaliene zone (Steendorp), en het laagst aantal soorten in de zoetwaterzone met lange (Kastel) en korte (Appels, Overbeke) verblijftijd (Tabel \@ref(tab:092-tabel-aantal-soorten)). +Opmerkelijk weinign soorten zijn gevangen in Antwerpen in `r laatste_jaar`. +In vergelijking met de ankerkuil werden in elke zone minder soorten bovengehaald met de fuiken. +Over de seizoenen werden met de fuiken het grootste aantal soorten gevangen in het najaar terwijl dat met de ankerkuil in het voorjaar en de zomer was. Ook totaal over de beschouwde periode (`r vroegste_jaar` - `r laatste_jaar`) worden meest soorten gevangen in de zone met sterke saliniteitsgradiënt (Zandvliet/Paardenschor \> Antwerpen) (Figuur \@ref(fig:092-figuur-aantal-soorten-locatie-historisch)) en daalt de soortenrijkdom in stroomopwaartse richting, net zoals met de ankerkuilvangsten. -Vanaf 2017 worden in de zone met sterke saliniteitsgradiënt wel minder soorten gevangen, terwijl meer stroomopwaarts het aantal soorten lijkt toe te nemen. - +Vanaf 2017 worden in de zone met sterke saliniteitsgradiënt (vooral Antwerpen) wel minder soorten gevangen. + De soortensamenstelling op elke locatie kan sterk verschillen tussen de seizoenen, met een turnover van ongeveer één derde van de soorten. Het totaal aantal soorten jaarlijks gevangen met fuiken in de Zeeschelde (over alle locaties) in de periode `r vroegste_jaar` - `r laatste_jaar` varieert rond de 33 (Figuur \@ref(fig:092-figuur-aantal-soorten-locatie-historisch)). @@ -161,26 +161,21 @@ Soorten met in alle seizoenen en locaties een relatieve bijdrage kleiner dan 10% Deze analyse geeft aan dat de relatieve abundantie van de soorten zowel ruimtelijk als per seizoen verschilt (Figuur \@ref(fig:092-figuur-relatief-aantal)). Het patroon verschilt ook sterk van dat van de ankerkuilvangsten en geeft algemeen een meer divers beeld met minder uitgesproken dominantie van een aantal soorten. -In het voorjaar van `r laatste_jaar` overheersen schol, bot en zeebaars de aantallen aan het Paardenschor. -In Antwerpen zijn dat vooral spiering en bot. -In Steendorp wordt er naast spiering ook relatief veel paling gevangen. -In de zoete zone overheersen naast snoekbaars de typische zoetwatersoorten blankvoorn, kolblei en brasem. -In Kastel is er ook nog een redelijk aantal spiering. -In de zomer worden overal redelijke aantallen bot gevangen. -In de zone met sterke saliniteitsgradiënt overheerst tong, in Antwerpen aangevuld met snoekbaars. -In de zoete zone neemt snoekbaars in de zomer de overhand, aangevuld met paling, blankvoorn en brasem. +In het voorjaar van `r laatste_jaar` overheersen zeebaars en bot de aantallen aan het Paardenschor. +In Antwerpen zijn dat vooral brakwatergrondel, blankvoorn en brasem. +In Steendorp wordt er naast blankvoorn ook relatief veel schol gevangen. +In de zoete zone overheersen brakwatergrondel, brasem, schol, baars en paling. +In de zomer worden overal redelijke aantallen bot en snoekbaars gevangen. +In de zone met sterke saliniteitsgradiënt aangevuld met haring. +In de zoete zone is paling meestal ook duidelijk aanwezig. Dit beeld verandert compleet in het najaar. In die periode overheerst brakwatergrondel de fuikvangsten van Antwerpen tot Appels. -Aan het Paardenschor blijven tong en bot belangrijk, aangevuld met zeebaars. -In Overbeke zijn dat de paling en kolblei. +In Overbeke is baars dominant. -Uitgedrukt in biomassa overheerst de snoekbaars de zoete zone reeds in het voorjaar, in de zone met saliniteitsgradiënt zijn dat bot, dunlipharder, spiering en zeebaars. +Uitgedrukt in biomassa overheerst snoekbaars, brasem en baars de zoete zone in het voorjaar, in de zone met saliniteitsgradiënt zijn dat ook snoekbaars, zeebaars en bot. In Kastel overheersen optrekkende finten niet in de aantallen maar wel in de biomassa. -Snoekbaars en paling blijven dominant in de zomer. -Aangevuld met brasem in de zoete zone en spiering en zeebaars meer stroomafwaarts. -In het Paardenschor is tong nu de belangrijkste soort (Figuur \@ref(fig:092-figuur-relatieve-biomassa)). -In het najaar overheersen achtereenvolgens zeebaars, bot en paling de biomassa van stroomaf naar stroomop. -Ook de talrijke kleine brakwatergrondeltjes laten zich bescheiden opmerken in de biomassa getallen. +Paling is dominant in de zomer, aangevuld met steenbolk in Paardeschor (Figuur \@ref(fig:092-figuur-relatieve-biomassa)). +In het najaar blijft paling dominant, aangevuld met bot in Paardeschor en zeebaars in Kastel. ```{r 092-figuur-relatief-aantal, fig.cap=cap_relatief_aantal, out.width="100%"} @@ -223,12 +218,10 @@ In de zone met sterke saliniteitsgradiënt worden vooral tong en schol gevangen Het aantal tongen per fuikdag daalde sterk na 2011 en toonde nog een beperkte piek in 2017. Brakwatergrondel en dikkopje zijn veruit de meest talrijke benthivore estuariene soorten in de oligohaliene en zoete zones. De aantallen per fuikdag schommelen sterk zonder bepaalde trend. -In `r laatste_jaar` is er een piek in de zoete zones. -Deze werd ook waargenomen in Branst met de ankerkuilvangsten. +In `r laatste_jaar` is er een piek in het oligohalien en zoet met lange verblijftijd. -Omnivore mariene soorten worden qua aantallen en biomassa gedomineerd door zeebaars. -Vooral in de zone met sterke saliniteitsgradiënt, zijn ze opvallend aanwezig in de fuikvangsten sinds 2015, terwijl ze in deze zone relatief minder gevangen worden met de ankerkuil. -Opvallend is ook de piek van steenbolk in 2019. +Omnivore mariene soorten worden qua aantallen en biomassa standaard gedomineerd door zeebaars, in `r laatste_jaar` blijft zeebaars aanwezig in vergelijkbare aantallen en biomassa, maar is er een piek van steenbolk. +Vooral in de zone met sterke saliniteitsgradiënt zijn zeebaars opvallend aanwezig in de fuikvangsten sinds 2015, terwijl ze in deze zone relatief minder gevangen worden met de ankerkuil. Piscivore estuariene en mariene soorten volgens de EMSE indeling werden in de Zeeschelde niet gevangen met fuiken. @@ -290,7 +283,7 @@ Spieringen zijn meest talrijk in de oligohaliene en zoetwater zone met pieken to In recente jaren zijn de aantallen, net als in de ankerkuildata een stuk lager (\<50 individuen per fuikdag). Vergelijking van aantallen en biomassa in de verschillende saliniteitszones doet ook op basis van fuikdata vermoeden dat de spieringen gemiddeld het kleinst zijn in de zoete zone en het grootste in de zone met sterke saliniteitsgradiënt. De biomassa van omnivore diadromen in de oligohaliene en zoete zones wordt vooral door paling en in sommige gevallen ook optrekkende fint bepaald (Figuur \@ref(fig:092-figuur-biomassa-diadroom-EMSE)). -In de zone met sterke saliniteitsgradient maken vooral paling, bot en een enkele keer ook dunlipharder en fint de biomassa uit. +In de zone met sterke saliniteitsgradient maken vooral bot, paling en een enkele keer ook dunlipharder en fint de biomassa uit. Diversiteit voor diadrome omnivoren is gemiddeld hoger dan voor mariene en estuarien residente soorten voor de fuikvangsten omdat spiering als pelagiale soort minder domineert met deze vangstmethode. (Figuur \@ref(fig:092-figuur-diversiteit-diadroom-EMSE)). @@ -355,7 +348,8 @@ In de zone met saliniteitsgradiënt wordt deze soort al geruime tijd in redelijk In de zoete zone nemen de aantallen geleidelijk toe. Net zoals voor de meeste andere typische zoetwatersoorten neemt de biomassa toe in stroomopwaartse richting. -Afgezien van 2 alvervangsten zijn er geen planktivore zoetwatersoorten in de Zeeschelde gevangen met fuiken. +In `r laatste_jaar` is er alver gevangen in de oligohaliene zone, de enigste planktivore zoetwatersoort in de Zeeschelde gevangen met fuiken. +Voordien was alver waargenomen in de oligohaliene zone (2020) en zoetwater met korte verblijftijd (2010). Vooral in de zoete zone met korte verblijtijd zijn zowel diversiteit (D), als soortenrijkdom (S) voor de omnivore en benthivore zoetwater soorten relatief hoger dan voor andere functionele groepen. (Figuur \@ref(fig:092-figuur-diversiteit-zoetwater-EMSE)). @@ -402,22 +396,27 @@ Slechts een aantal soorten komen echter in relatief hoge aantallen voor. ***Estuariene soorten en mariene migranten*** -Van de estuariene en mariene soorten komen brakwatergrondel, dikkopje, haring en zeebaars vrij frequent voor (\> 30 per fuikdag, Figuur \@ref(fig:092-figuur-mariene-sleutelsoorten)). -De overige soorten komen slechts in zeer kleine aantallen voor. +Van de estuariene en mariene soorten komen brakwatergrondel, zeebaars en schol vrij frequent voor (\> 30 per fuikdag, Figuur \@ref(fig:092-figuur-mariene-sleutelsoorten)). +De overige soorten komen slechts in kleine aantallen voor. -- Brakwatergrondel werd in de eerste jaren vooral in de zone met sterke saliniteitsgradiënt gevangen maar vertoont in recentere jaren grotere pieken in de zoete zones ook in `r laatste_jaar` werden veel brakwatergrondels gevangen met de fuiken. +- Brakwatergrondel werd in de eerste jaren vooral in de zone met sterke saliniteitsgradiënt gevangen maar vertoont in recentere jaren grote pieken in de zoete zones. + In `r laatste_jaar` werden veel brakwatergrondels gevangen met de fuiken in de oligohaliene zone en zoet lange verblijftijd. -- Dikkopje bevindt zich gemiddeld meer stroomafwaarts en is veel minder talrijk dan brakwatergrondel. +- Schol komt voor in de zone met sterke saliniteitsgradiëntvangsten, fuikvangsten in `r laatste_jaar` zijn de hoogste tot nu toe. + Een stijgende trend is merkbaar sinds de vangsten van 2017. + +- Zeebaars is grotendeels aanwezig in de zone met sterke saliniteitsgradiënt. + Aantallen tonen op lange termijn een eerder afnemende trend. + +- Dikkopje bevindt zich gemiddeld meer stroomafwaarts en is veel minder talrijk dan brakwatergrondel aanwezig in de fuiken. Er was een grote piek in de oligohaliene zone in 2020. - In `r laatste_jaar` waren de aantallen redelijk laag in alle zones. + In `r laatste_jaar` waren de aantallen het hoogst in in de oligohaliene zone. - Haring komt vooral voor in de zone met sterke saliniteitsgradiënt. 2019 en 2021 waren piekjaren voor de oligohaliene zone, 2021 ook voor de zone met sterke saliniteitsgradiënt. - In 2022 was het aantal haringen in de fuikvangsten in alle zones eerder gering. + In `r laatste_jaar` was het aantal haringen in de fuikvangsten het hoogst in de zone met sterke saliniteitsgradiënt. -- Schol en ook zeebaars nemen de laatste jaren een vlucht in de zone met sterke saliniteitsgradiënt. - Zeedonderpad en slakdolf werden na 2014 niet meer gevangen. - +- Zeedonderpad is voor het eerste terug gevangen sinds 2014. ```{r 092-figuur-mariene-sleutelsoorten, fig.cap=cap_aantal_sleutelsoorten_marien, out.width="100%"} @@ -432,11 +431,11 @@ knitr::include_graphics(paste0(pad_figuren, "aantallen_sleutelsoorten_EMSE_marie ***Diadrome soorten*** -De meest voorkomende diadrome sleutelsoorten (\> 15 individuen per fuikdag) zijn bot, paling en vooral spiering (Figuur \@ref(fig:092-figuur-diadrome-sleutelsoorten)). +De meest voorkomende diadrome sleutelsoorten (\> 10 individuen per fuikdag) zijn bot, paling en vooral spiering (Figuur \@ref(fig:092-figuur-diadrome-sleutelsoorten)). - Bot komt voor in alle scheldezones. Met fuiken worden veel meer exemplaren in de zone met sterke saliniteitsgradiënt gevangen dan in andere zones, terwijl dat met de ankerkuil eerder in de oligohaliene en zoete zone met lange verblijftijd is. - Aantallen bot die met de fuiken gevangen worden gaan in dalende lijn met in `r laatste_jaar` vrij lage aantallen. + In `r laatste_jaar` zijn terug hogere aantallen gevangen. - Er worden niet elk jaar finten gevangen in de fuiken. Dat is niet abnormaal voor deze pelagiale soort, die eerder in de waterkolom dan aan de laagwaterlijn gevangen wordt. @@ -448,7 +447,7 @@ De meest voorkomende diadrome sleutelsoorten (\> 15 individuen per fuikdag) zijn - Spiering is in het algemeen de soort met de hoogste aantallen en biomassa in de Zeeschelde (zie ook Figuur \@ref(fig:092-figuur-relatief-aantal), \@ref(fig:092-figuur-relatief-aantal), \@ref(fig:092-figuur-aantallen-diadroom-EMSE) en \@ref(fig:092-figuur-biomassa-diadroom-EMSE)). Deze soort vertoonde een heel sterke piek in aantallen in 2014 in de ankerkuilvangsten en in 2015 in de fuikvangsten. - Recent vertonen de fuikaantallen een dalende trend, met 2022 als een bodemjaar, net zoals voor de ankerkuilvangsten. + Recent vertonen de fuikaantallen een dalende trend, met in `r laatste_jaar` een bodemjaar, net zoals voor de ankerkuilvangsten. ```{r 092-figuur-diadrome-sleutelsoorten, fig.cap=cap_aantal_sleutelsoorten_diadroom, out.width="100%"} @@ -471,9 +470,7 @@ De meest voorkomende sleutelsoorten qua aantallen/biomassa voor de zoetwatersoor - De hoogste aantallen brasem worden meestal gevangen in de zone met sterke saliniteitsgradiënt en het mesohalien. Verder vertoont brasem geen duidelijke trend in aantallen. -- Snoekbaars vertoont een bescheiden toename in de zoete zones. - In de meer saline zones zijn de aantallen in de fuikvangsten eerder variabel. - In 2022 werden in elke zone redelijke aantallen snoekbaars gevangen met de fuiken. +- Snoekbaars vangsten in de fuiken blijven stabiel de laatste jaren met in `r laatste_jaar` lichtjes hogere aantallen in fuiken in meer saline zones. ```{r 092-figuur-zoetwater-sleutelsoorten, fig.cap=cap_aantal_sleutelsoorten_zoetwater, out.width="100%"} From f565532907775ce97144af5d792d78b14a78e0d7 Mon Sep 17 00:00:00 2001 From: VAN DE MEUTTER Date: Thu, 29 Aug 2024 12:09:20 +0200 Subject: [PATCH 026/102] ongeveer klaar --- .../070_macrozoobenthos_analyse.Rmd | 273 +++++++++++++++--- .../070_macrozoobenthos_data.Rmd | 4 +- .../070_macrozoobenthos.Rmd | 203 ++++--------- 3 files changed, 286 insertions(+), 194 deletions(-) diff --git a/moneos_2024/070_macrozoobenthos/070_macrozoobenthos_analyse.Rmd b/moneos_2024/070_macrozoobenthos/070_macrozoobenthos_analyse.Rmd index 6c803ce..d92ea1d 100644 --- a/moneos_2024/070_macrozoobenthos/070_macrozoobenthos_analyse.Rmd +++ b/moneos_2024/070_macrozoobenthos/070_macrozoobenthos_analyse.Rmd @@ -178,6 +178,9 @@ data_macrobenthos_totaal <- ungroup() sum(data_macrobenthos_totaal$biomassa) + + + loc_systdata <- data_macrobenthos %>% dplyr::select(locatie, jaar, fysiotoop, waterlichaam, waterloop, niveau3_hybr, systeem, tidaal) %>% dplyr::distinct() @@ -245,7 +248,7 @@ write_xlsx(list(staalnamelocaties = tabel_staalnamelocaties), ``` - +# Totaal files tidaal (met tijarm versie) ```{r 070-per-waterloop-en-tidaal} data_macrobenthos_tidaal <- # als group_by met waterlichaam en systeem, dan 2 waarden op niveau3_hybr, dus versie met en zonder maken @@ -260,6 +263,8 @@ data_macrobenthos_tidaal <- # als group_by met waterlichaam en systeem, dan 2 wa upr2 = ~max(0, quantile(., 0.95, na.rm = TRUE)))) %>% ungroup() + + data_macrobenthos_tidaalWL <- # als group_by met waterlichaam, dan 2 waarden op niveau3_hybr, dus versie met en zonder maken data_macrobenthos_totaal %>% group_by(jaar, waterlichaam, niveau3_hybr, systeem, tidaal) %>% @@ -272,6 +277,36 @@ data_macrobenthos_tidaalWL <- # als group_by met waterlichaam, dan 2 waarden op upr2 = ~max(0, quantile(., 0.95, na.rm = TRUE)))) %>% ungroup() +####################################### +#met tijarmen + +data_macrobenthos_tidaalTA <- # als group_by met waterlichaam en systeem, dan 2 waarden op niveau3_hybr, dus versie met en zonder maken + data_macrobenthos_totaal %>% + dplyr::mutate(waterloop = recode(waterloop, "Zeeschelde I trj_Ml_Gb\n" = "Zeeschelde I trj_Ml_Gb", "Zeeschelde I tijarm Zwijnaarde\n" = "Zeeschelde I tijarm Zwijnaarde" , "Beneden_Dijle" = "Dijle", "Zeeschelde IV" = "Saliniteitsgradient", "Zeeschelde III" = "Oligohalien", "Zeeschelde II" = "Zoet lang verblijf", "Zeeschelde I" = "Zoet kort verblijf")) %>% + group_by(jaar, waterloop, tidaal) %>% + summarise_at(vars(densiteit, biomassa), + list(mean = ~max(0, mean(., na.rm = TRUE)), + med = ~max(0, median(., na.rm = TRUE)), + lwr1 = ~max(0, quantile(., 0.25, na.rm = TRUE)), + upr1 = ~max(0, quantile(., 0.75, na.rm = TRUE)), + lwr2 = ~max(0, quantile(., 0.05, na.rm = TRUE)), + upr2 = ~max(0, quantile(., 0.95, na.rm = TRUE)))) %>% + ungroup() + + +data_macrobenthos_tidaalTA <- # als group_by met waterlichaam, dan 2 waarden op niveau3_hybr, dus versie met en zonder maken + data_macrobenthos_totaal %>% + dplyr::mutate(waterloop = recode(waterloop, "Zeeschelde I trj_Ml_Gb\n" = "Zeeschelde I trj_Ml_Gb", "Zeeschelde I tijarm Zwijnaarde\n" = "Zeeschelde I tijarm Zwijnaarde" , "Beneden_Dijle" = "Dijle", "Zeeschelde IV" = "Saliniteitsgradient", "Zeeschelde III" = "Oligohalien", "Zeeschelde II" = "Zoet lang verblijf", "Zeeschelde I" = "Zoet kort verblijf")) %>% + group_by(jaar, waterloop, niveau3_hybr, systeem, tidaal) %>% + summarise_at(vars(densiteit, biomassa), + list(mean = ~max(0, mean(., na.rm = TRUE)), + med = ~max(0, median(., na.rm = TRUE)), + lwr1 = ~max(0, quantile(., 0.25, na.rm = TRUE)), + upr1 = ~max(0, quantile(., 0.75, na.rm = TRUE)), + lwr2 = ~max(0, quantile(., 0.05, na.rm = TRUE)), + upr2 = ~max(0, quantile(., 0.95, na.rm = TRUE)))) %>% + ungroup() + ``` @@ -415,6 +450,72 @@ ggsave(paste0(pad_figuren, "070-figuur-densiteit-waterlichaam-mediaan_alternatie ``` +#Figuur densiteit mediaan tijarm +```{r 070-figuur-densiteit-mediaan-waterlichaam-alternatief versie TIJARMEN} + +xlb <- "jaar" +ylb <- expression(paste("densiteit ", (ind/m^2))) + +fnt <- 8 + +bxp_ZSTA <- + data_macrobenthos_tidaalTA %>% + dplyr::filter(waterloop %in% c("Saliniteitsgradient", "Oligohalien", "Zoet lang verblijf", "Zoet kort verblijf", "Zeeschelde I tijarm Zwijnaarde", "Zeeschelde I trj_Ml_Gb")) %>% + dplyr::mutate(waterloop = factor(waterloop, + levels = c("Saliniteitsgradient", "Oligohalien", "Zoet lang verblijf", "Zoet kort verblijf", "Zeeschelde I tijarm Zwijnaarde", "Zeeschelde I trj_Ml_Gb")), + densiteit_med = densiteit_med + 1, + densiteit_lwr1 = densiteit_lwr1 + 1, + densiteit_upr1 = densiteit_upr1 + 1, + densiteit_lwr2 = densiteit_lwr2 + 1, + densiteit_upr1 = densiteit_upr2 + 1) %>% + dplyr::mutate(waterloop = recode(waterloop, "Zeeschelde I tijarm Zwijnaarde" = "tijarm Zwijnaarde", "Zeeschelde I trj_Ml_Gb" = "tijarm Gent-Melle")) %>% + ggplot(aes(jaar, densiteit_med)) + + geom_line() + + geom_ribbon(aes(ymin = densiteit_lwr1, ymax = densiteit_upr1), alpha = 0.2) + + # geom_ribbon(aes(ymin = densiteit_lwr2, ymax = densiteit_upr2), alpha = 0.2) + + # scale_x_continuous(breaks = vroegste_jaar:laatste_jaar) + + scale_x_continuous(breaks = seq(if_else((laatste_jaar-vroegste_jaar)%%2 == 0, vroegste_jaar, vroegste_jaar+1), laatste_jaar, 2)) + + scale_y_log10(breaks = c(0,10,1000,100000)+1, labels = c(0,10,1000,100000)) + + labs(x = xlb, + y = ylb) + + facet_grid(tidaal~waterloop) + + theme(axis.text.x = element_text(angle = 45)) +bxp_ZSTA + +# ggsave(paste0(pad_figuren, "070-figuur-densiteit-Zeeschelde-alternatief.jpg"), height=4, width=8) + + +bxp_ZR <- + data_macrobenthos_tidaal %>% + dplyr::filter(niveau3_hybr %in% c("Rupel", "Durme", "Nete", "Dijle", "Zenne")) %>% + mutate(niveau3_hybr = factor(niveau3_hybr, + levels = c("Rupel", "Durme", "Nete", "Dijle", "Zenne")), + densiteit_med = densiteit_med + 1, + densiteit_lwr1 = densiteit_lwr1 + 1, + densiteit_upr1 = densiteit_upr1 + 1, + densiteit_lwr2 = densiteit_lwr2 + 1, + densiteit_upr1 = densiteit_upr2 + 1) %>% + ggplot(aes(jaar, densiteit_med)) + + geom_line() + + geom_ribbon(aes(ymin = densiteit_lwr1, ymax = densiteit_upr1), alpha = 0.2) + + # geom_ribbon(aes(ymin = densiteit_lwr2, ymax = densiteit_upr2), alpha = 0.2) + + scale_x_continuous(breaks = seq(if_else((laatste_jaar-vroegste_jaar)%%2 == 0, vroegste_jaar, vroegste_jaar+1), laatste_jaar, 2)) + + scale_y_log10(breaks = c(0,10,1000,100000)+1, labels = c(0,10,1000,100000)) + + labs(x = xlb, + y = ylb) + + facet_grid(tidaal~niveau3_hybr) + + theme(axis.text.x = element_text(angle = 45)) +bxp_ZR + +ggarrange(bxp_ZSTA + font("xy.text", size = fnt), + bxp_ZR + font("xy.text", size = fnt), + nrow = 2, + common.legend = TRUE) + +ggsave(paste0(pad_figuren, "070-figuur-densiteit-waterlichaam-mediaan_alternatiefTA.jpg"), height=8, width=8) + +``` + ```{r 070-figuur-densiteit-gemiddelde-waterlichaam-alternatief} @@ -481,6 +582,72 @@ ggsave(paste0(pad_figuren, "070-figuur-densiteitgemiddelde.png"), height=8, widt ``` +#Figuur densiteit gemiddelde met tijarm +```{r 070-figuur-densiteit-gemiddelde-waterlichaam-alternatief met TIJARMEN} + +xlb <- "jaar" +ylb <- expression(paste("densiteit ", (ind/m^2))) + +fnt <- 8 + +bxp_ZSTA <- + data_macrobenthos_tidaalTA %>% + dplyr::filter(waterloop %in% c("Saliniteitsgradient", "Oligohalien", "Zoet lang verblijf", "Zoet kort verblijf", "Zeeschelde I tijarm Zwijnaarde", "Zeeschelde I trj_Ml_Gb")) %>% + dplyr::mutate(waterloop = factor(waterloop, + levels = c("Saliniteitsgradient", "Oligohalien", "Zoet lang verblijf", "Zoet kort verblijf", "Zeeschelde I tijarm Zwijnaarde", "Zeeschelde I trj_Ml_Gb")), + densiteit_mean = densiteit_mean + 1, + densiteit_lwr1 = densiteit_lwr1 + 1, + densiteit_upr1 = densiteit_upr1 + 1, + densiteit_lwr2 = densiteit_lwr2 + 1, + densiteit_upr1 = densiteit_upr2 + 1) %>% + dplyr::mutate(waterloop = recode(waterloop, "Zeeschelde I tijarm Zwijnaarde" = "tijarm Zwijnaarde", "Zeeschelde I trj_Ml_Gb" = "tijarm Gent-Melle")) %>% + ggplot(aes(jaar, densiteit_mean)) + + geom_line() + + geom_ribbon(aes(ymin = densiteit_lwr1, ymax = densiteit_upr1), alpha = 0.2) + + # geom_ribbon(aes(ymin = densiteit_lwr2, ymax = densiteit_upr2), alpha = 0.2) + + # scale_x_continuous(breaks = vroegste_jaar:laatste_jaar) + + scale_x_continuous(breaks = seq(if_else((laatste_jaar-vroegste_jaar)%%2 == 0, vroegste_jaar, vroegste_jaar+1), laatste_jaar, 2)) + + scale_y_log10(breaks = c(0,10,1000,100000)+1, labels = c(0,10,1000,100000)) + + labs(x = xlb, + y = ylb) + + facet_grid(tidaal~waterloop) + + theme(axis.text.x = element_text(angle = 45)) +bxp_ZSTA + + +# ggsave(paste0(pad_figuren, "070-figuur-densiteit-Zeeschelde-alternatief.jpg"), height=4, width=8) + + +bxp_ZR <- + data_macrobenthos_tidaalTA %>% + dplyr::filter(niveau3_hybr %in% c("Rupel", "Durme", "Nete", "Dijle", "Zenne")) %>% + mutate(niveau3_hybr = factor(niveau3_hybr, + levels = c("Rupel", "Durme", "Nete", "Dijle", "Zenne")), + densiteit_mean = densiteit_mean + 1, + densiteit_lwr1 = densiteit_lwr1 + 1, + densiteit_upr1 = densiteit_upr1 + 1, + densiteit_lwr2 = densiteit_lwr2 + 1, + densiteit_upr1 = densiteit_upr2 + 1) %>% + ggplot(aes(jaar, densiteit_mean)) + + geom_line() + + geom_ribbon(aes(ymin = densiteit_lwr1, ymax = densiteit_upr1), alpha = 0.2) + + # geom_ribbon(aes(ymin = densiteit_lwr2, ymax = densiteit_upr2), alpha = 0.2) + + scale_x_continuous(breaks = seq(if_else((laatste_jaar-vroegste_jaar)%%2 == 0, vroegste_jaar, vroegste_jaar+1), laatste_jaar, 2)) + + scale_y_log10(breaks = c(0,10,1000,100000)+1, labels = c(0,10,1000,100000)) + + labs(x = xlb, + y = ylb) + + facet_grid(tidaal~niveau3_hybr) + + theme(axis.text.x = element_text(angle = 45)) +bxp_ZR + +ggarrange(bxp_ZSTA + font("xy.text", size = fnt), + bxp_ZR + font("xy.text", size = fnt), + nrow = 2, + common.legend = TRUE) + +ggsave(paste0(pad_figuren, "070-figuur-densiteitgemiddeldeTA.png"), height=8, width=8) + +``` ```{r 070-figuur-densiteit-Zeeschelde-alternatief} @@ -652,6 +819,7 @@ ggsave(paste0(pad_figuren, "070-figuur-biomassa-waterlichaammediaan-alternatief. ``` +#Figuur biomassa gemiddelde met tijarm ```{r 070-figuur-biomassagemiddelde-waterlichaam-alternatief} xlb <- "jaar" @@ -659,16 +827,17 @@ ylb <- expression(paste("biomassa ", (g/m^2))) fnt <- 8 -bxp_ZS <- - data_macrobenthos_tidaal %>% - dplyr::filter(niveau3_hybr %in% c("Saliniteitsgradient", "Oligohalien", "Zoet lang verblijf", "Zoet kort verblijf")) %>% - mutate(niveau3_hybr = factor(niveau3_hybr, - levels = c("Saliniteitsgradient", "Oligohalien", "Zoet lang verblijf", "Zoet kort verblijf")), +bxp_ZSTA <- + data_macrobenthos_tidaalTA %>% + dplyr::filter(waterloop %in% c("Saliniteitsgradient", "Oligohalien", "Zoet lang verblijf", "Zoet kort verblijf", "Zeeschelde I tijarm Zwijnaarde", "Zeeschelde I trj_Ml_Gb")) %>% + dplyr::mutate(waterloop = factor(waterloop, + levels = c("Saliniteitsgradient", "Oligohalien", "Zoet lang verblijf", "Zoet kort verblijf", "Zeeschelde I tijarm Zwijnaarde", "Zeeschelde I trj_Ml_Gb")), biomassa_mean = biomassa_mean + biom_min, biomassa_lwr1 = biomassa_lwr1 + biom_min, biomassa_upr1 = biomassa_upr1 + biom_min, biomassa_lwr2 = biomassa_lwr2 + biom_min, - biomassa_upr1 = biomassa_upr2 + biom_min) %>% + biomassa_upr1 = biomassa_upr2 + biom_min) %>% + dplyr::mutate(waterloop = recode(waterloop, "Zeeschelde I tijarm Zwijnaarde" = "tijarm Zwijnaarde", "Zeeschelde I trj_Ml_Gb" = "tijarm Gent-Melle")) %>% ggplot(aes(jaar, biomassa_mean)) + geom_line() + geom_ribbon(aes(ymin = biomassa_lwr1, ymax = biomassa_upr1), alpha = 0.2) + @@ -676,12 +845,12 @@ bxp_ZS <- # scale_x_continuous(breaks = vroegste_jaar:laatste_jaar) + scale_x_continuous(breaks = seq(if_else((laatste_jaar-vroegste_jaar)%%2 == 0, vroegste_jaar, vroegste_jaar+1), laatste_jaar, 2)) + # scale_y_log10(breaks = c(0,0.1,1,10,100,1000)+biom_min, labels = c(0,0.1,1,10,100,1000)) + - ylim(0,50)+ + ylim(0,70)+ labs(x = xlb, y = ylb) + - facet_grid(tidaal~niveau3_hybr) + + facet_grid(tidaal~waterloop) + theme(axis.text.x = element_text(angle = 45)) -bxp_ZS +bxp_ZSTA # ggsave(paste0(pad_figuren, "070-figuur-biomassa-Zeeschelde-alternatief.jpg"), height=4, width=8) @@ -702,22 +871,23 @@ bxp_ZR <- # geom_ribbon(aes(ymin = biomassa_lwr2, ymax = biomassa_upr2), alpha = 0.2) + scale_x_continuous(breaks = seq(if_else((laatste_jaar-vroegste_jaar)%%2 == 0, vroegste_jaar, vroegste_jaar+1), laatste_jaar, 2)) + # scale_y_log10(breaks = c(0,0.1,1,10,100,1000)+biom_min, labels = c(0,0.1,1,10,100,1000)) + - ylim(0,50)+ + ylim(0,70)+ labs(x = xlb, y = ylb) + facet_grid(tidaal~niveau3_hybr) + theme(axis.text.x = element_text(angle = 45)) bxp_ZR -ggarrange(bxp_ZS + font("xy.text", size = fnt), +ggarrange(bxp_ZSTA + font("xy.text", size = fnt), bxp_ZR + font("xy.text", size = fnt), nrow = 2, common.legend = TRUE) -ggsave(paste0(pad_figuren, "070-figuur-biomassagemiddelde-waterlichaam-alternatief.jpg"), height=8, width=8) +ggsave(paste0(pad_figuren, "070-figuur-biomassagemiddelde-waterlichaam-alternatiefTA.jpg"), height=8, width=8) ``` + ```{r 070-figuur-biomassa-Zeeschelde-alternatief} xlb <- "jaar" @@ -748,7 +918,7 @@ ggsave(paste0(pad_figuren, "070-figuur-biomassa-Zeeschelde-alternatief.jpg"), he ``` - +#Lege stalen ```{r 070-figuur-aandeel-legel-stalen} data_macrobenthos_totaal %>% @@ -772,7 +942,7 @@ unique(data_macrobenthos_totaal$niveau3_hybr) ``` - +#Soortenrijkdom ```{r 070-figuur-soortenrijkdom-Zeeschelde} data_macrobenthos %>% @@ -796,11 +966,12 @@ data_macrobenthos %>% ggsave(paste0(pad_figuren, "070-figuur-soortenrijkdom-Zeeschelde.jpg"), height=5, width=8) waterlopen_order - SR<- data_macrobenthos %>% +SR<- data_macrobenthos %>% dplyr::filter(!is.na(waterloop)) %>% select(!c(locatie, densiteit, biomassa)) %>% dplyr::filter(fysiotoop %in% fysiotoop_order, fysiotoop != "hard substraat") %>% + dplyr::filter(soort !="geen") %>% dplyr::mutate(is_soort = if_else(soort == "geen", 0, 1)) %>% distinct() %>% dplyr::group_by(jaar, tidaal, niveau3_hybr) %>% @@ -813,17 +984,18 @@ waterlopen_order geom_line(aes(colour = tidaal, group = tidaal)) + theme(axis.text.x = element_text(angle = 90))+ facet_wrap(~niveau3_hybr) +SR ggsave(paste0(pad_figuren, "070-figuur-soortenrijkdom-lijn-Zeeschelde.jpg"), height=5, width=8) ``` - +#Shannon ```{r 070-Shannon} ZStotshbiom <- data_macrobenthos %>% dplyr::filter(!is.na(waterloop)) %>% - dplyr::mutate(jaar = as.factor(jaar), soort = if_else(Taxa_groep == "Oligochaeta", "Oligochaeta", soort)) %>% ## sommige jaren zijn determinatiejaren voor wormen, dus alle oligo als 1 soort. Oligo weg laten geen goed idee want dan geen soorten meer in bv oligohalien in vele jaen + dplyr::mutate(jaar = as.factor(jaar), soort = if_else(Taxa_groep == "Oligochaeta", "Oligochaeta", soort)) %>% ## sommige jaren zijn determinatiejaren voor wormen, dus alle oligo als 1 soort. Oligo weg laten geen goed idee want dan geen soorten meer in bv oligohalien in vele jaren dplyr::filter(systeem != "zijrivieren", biomassa > 0, soort != "geen") %>% dplyr::group_by(soort, tidaal, jaar) %>% dplyr::summarize(bm = sum(na.omit(biomassa))) %>% @@ -922,6 +1094,8 @@ ggsave(paste0(pad_figuren, "070-figuur-Shannondiv-subt-Zeeschelde.jpg"), height= ``` +## koppelen met OPPS + ```{r 070-oppervlakte koppelen} #Volledige jaren: 2001,2010, 2016, 2019, andere jaren niet voor OMES 14-19 dus niet gebruiken @@ -939,19 +1113,19 @@ oppsruw <- read_delim(paste0(pad_data, "SpatialEcotopenOpp_INBO_2021.csv")) %>% # segmenten optellen - opps <- oppsruw %>% +opps <- oppsruw %>% dplyr::group_by(jaar, waterloop, tidaal, fysiotoop) %>% dplyr::summarise(opp =sum(na.omit(opp1))) %>% dplyr::ungroup() - opps_intertidaalfys <- opps %>% +opps_intertidaalfys <- opps %>% dplyr::filter(tidaal == "intertidaal") %>% ## Enkel intertidaal dplyr::mutate (kaartjaar = jaar) %>% dplyr::mutate (fysiotoop = (if_else(waterloop == "Durme" & fysiotoop != "intertidaal indet.", "intertidaal indet.", fysiotoop))) %>% dplyr::mutate(waterloop = recode(waterloop, "Zeeschelde III + Rupel" = "Oligohalien")) - opps_SUBfys <- opps %>% +opps_SUBfys <- opps %>% dplyr::filter(tidaal == "subtidaal") %>% mutate (kaartjaar = jaar) %>% mutate(waterloop = recode(waterloop, "Zeeschelde IV" = "Saliniteitsgradient", "Zeeschelde III" = "Oligohalien", "Zeeschelde II" = "Zoet lang verblijf", "Zeeschelde I" = "Zoet kort verblijf")) @@ -961,7 +1135,8 @@ data_macrobenthos_intertidaalfys <- data_macrobenthos_totaal %>% dplyr::mutate(waterloop = recode(waterloop, "Zeeschelde I trj_Ml_Gb\n" = "Zeeschelde I trj_Ml_Gb", "Zeeschelde I tijarm Zwijnaarde\n" = "Zeeschelde I tijarm Zwijnaarde" , "Beneden_Dijle" = "Dijle", "Zeeschelde IV" = "Saliniteitsgradient", "Zeeschelde III" = "Oligohalien", "Zeeschelde II" = "Zoet lang verblijf", "Zeeschelde I" = "Zoet kort verblijf")) %>% dplyr::filter(tidaal == "intertidaal") %>% - dplyr::filter(fysiotoop != "hard substraat") %>% + dplyr::filter(fysiotoop != "hard substraat") %>% + dplyr::filter(systeem == "Zeeschelde") %>% mutate (fysiotoop = (if_else(waterloop == "Durme" & fysiotoop != "intertidaal indet.", "intertidaal indet.", fysiotoop))) %>% group_by(jaar, waterloop, niveau3_hybr, systeem, fysiotoop) %>% summarise_at(vars(densiteit, biomassa), @@ -976,7 +1151,7 @@ data_macrobenthos_intertidaalfys <- dplyr::mutate (kaartjaar = if_else(jaar < 2012 & !waterloop %in% c("Nete", "Zenne", "Dijle"), 2010, ifelse(waterloop %in% c("Nete", "Zenne", "Dijle"), 2013, kaartjaar))) %>% dplyr::mutate (kaartjaar = if_else(jaar > 2011 & jaar < 2015, 2013, kaartjaar)) %>% dplyr::mutate (kaartjaar = if_else(jaar > 2014 & jaar < 2018 & !waterloop %in% c("Nete", "Zenne", "Dijle"), 2016, ifelse(waterloop %in% c("Nete", "Zenne", "Dijle"), 2013, kaartjaar))) %>% - dplyr::mutate (kaartjaar = if_else(jaar > 2017 & !waterloop %in% c("Nete", "Zenne", "Dijle"), 2019, ifelse(waterloop %in% c("Nete", "Zenne", "Dijle"), 2013, kaartjaar))) + dplyr::mutate (kaartjaar = if_else(jaar > 2017 & !waterloop %in% c("Nete", "Zenne", "Dijle", "Oligohalien", "Saliniteitsgradient"), 2019, ifelse(waterloop %in% c("Nete", "Zenne", "Dijle"), 2013, ifelse(jaar > 2017 & waterloop %in% c("Oligohalien", "Saliniteitsgradient"), 2021, kaartjaar)))) #Opps voor Zenne, Nete, Dijle enkel in 2013, dus steeds link met 2013 maken @@ -988,7 +1163,7 @@ sort(unique(opps_intertidaalfys$waterloop)) data_macrobenthos_OPP <- data_macrobenthos_intertidaalfys %>% left_join(opps_intertidaalfys, by = c("kaartjaar", "fysiotoop","waterloop")) %>% - mutate(biomassa_fys = (biomassa_mean * opp*10000)/1000000) #ton benthos, maar opp te groot? + dplyr::mutate(biomassa_fys = (biomassa_mean * opp*10000)/1000000) #ton benthos, maar opp te groot? ## samenvatten per waterloop en bereken totaal @@ -1012,11 +1187,11 @@ data_macrobenthos_OPPWL$waterloop <- factor(data_macrobenthos_OPPWL$waterloop, l data_macrobenthos_OPPWL %>% ggplot(aes(x = as.factor(jaar), y = biomass_waterloop))+ - geom_hline(yintercept = 30, linetype=2, colour = "deeppink3", size = 1.2) + - geom_hline(yintercept = 14.2, linetype=2, colour = "darkolivegreen4", size = 1.2) + - geom_hline(yintercept = 8.3, linetype=2, colour = "paleturquoise4", size = 1.2) + - geom_hline(yintercept = 5, linetype=2, colour = "darkorange2", size = 1.2) + - geom_hline(yintercept = 2.5, linetype=2, colour = "lightblue2", size = 1.2) + + geom_hline(yintercept = 30, linetype=2, colour = "deeppink4", size = 1.2) + + geom_hline(yintercept = 14.2, linetype=2, colour = "darkblue", size = 1.2) + + geom_hline(yintercept = 8.3, linetype=2, colour = "darkorange2", size = 1.2) + + geom_hline(yintercept = 5, linetype=2, colour = "brown", size = 1.2) + + geom_hline(yintercept = 2.5, linetype=2, colour = "darkgreen", size = 1.2) + geom_line(aes(colour = waterloop, group = waterloop), size = 1.8) + labs(x="", y = "systeembiomassa (ton droge stof)") @@ -1103,8 +1278,7 @@ data_macrobenthos_intertidaalfysTAX <- dplyr::mutate (kaartjaar = if_else(jaar < 2012, 2010, kaartjaar)) %>% dplyr::mutate (kaartjaar = if_else(jaar > 2011 & jaar < 2015, 2013, kaartjaar)) %>% dplyr::mutate (kaartjaar = if_else(jaar > 2014 & jaar < 2018, 2016, kaartjaar)) %>% - dplyr::mutate (kaartjaar = if_else(jaar > 2017, 2019, kaartjaar)) - + dplyr::mutate (kaartjaar = if_else(jaar > 2017, 2019, ifelse(jaar == 2022, 2021, kaartjaar))) data_macrobenthos_OPPTAX <- data_macrobenthos_intertidaalfysTAX %>% left_join(opps_intertidaalfys, by = c("kaartjaar", "fysiotoop","waterloop")) %>% @@ -1116,28 +1290,30 @@ data_macrobenthos_OPPWLTAXzs <- data_macrobenthos_OPPTAX %>% dplyr::group_by(Taxa_groep, jaar) %>% dplyr::summarise(biomass_TAX = sum(na.omit(biomassa_fys))) %>% dplyr::ungroup() %>% - dplyr::filter(!Taxa_groep %in% c("Acari", "Collembola", "Cladocera", "Coleoptera", "Nematoda", "Microturbellaria", "Psychodidae", "Diptera", "Hirudinea", "Neuroptera", "Trichoptera", "Gastropoda", "Maxillopoda", "Ostracoda", "Copepoda", "Ephemeroptera", "Cnidaria")) %>% + dplyr::mutate(Taxa_groep2 = if_else(Taxa_groep %in% c("Acari", "Collembola", "Cladocera", "Coleoptera", "Nematoda", "Microturbellaria", "Psychodidae", "Diptera", "Hirudinea", "Neuroptera", "Trichoptera", "Gastropoda", "Maxillopoda", "Ostracoda", "Copepoda", "Ephemeroptera", "Cnidaria"), "REST", Taxa_groep)) %>% + dplyr::filter(!is.na(Taxa_groep2)) + %>% dplyr::filter(!is.na(Taxa_groep)) unique(data_macrobenthos_OPPWLTAXzs$Taxa_groep) data_macrobenthos_OPPWLTAXzs %>% - ggplot(aes(x = as.factor(jaar), y = biomass_TAX, fill=Taxa_groep))+ - geom_bar(aes(fill=Taxa_groep), stat="identity")+ + ggplot(aes(x = as.factor(jaar), y = biomass_TAX, fill=Taxa_groep2))+ + geom_bar(aes(fill=Taxa_groep2), stat="identity")+ labs(x="", y = "systeembiomassa (ton droge stof)") ggsave(filename = paste0(pad_figuren, "PopTaxgroep_ZS", ".jpg"), height=5, width=8) ## Zelfde voor Saliniteitsgradient -data_macrobenthos_intertidaalfysTAX <- +data_macrobenthos_intertidaalfysTAX1 <- data_macrobenthos_totaalTAX %>% dplyr::filter(tidaal == "intertidaal") %>% dplyr::filter(fysiotoop != "hard substraat") %>% dplyr::mutate(waterloop = recode(waterloop, "Zeeschelde I trj_Ml_Gb\n" = "Zeeschelde I trj_Ml_Gb", "Zeeschelde I tijarm Zwijnaarde\n" = "Zeeschelde I tijarm Zwijnaarde" , "Beneden_Dijle" = "Dijle", "Zeeschelde IV" = "Saliniteitsgradient", "Zeeschelde III" = "Oligohalien", "Zeeschelde II" = "Zoet lang verblijf", "Zeeschelde I" = "Zoet kort verblijf")) %>% dplyr::mutate (fysiotoop = (if_else(waterloop == "Durme" & fysiotoop != "intertidaal indet.", "intertidaal indet.", fysiotoop))) %>% - dplyr::filter(waterloop == "Saliniteitsgradient") %>% + #dplyr::filter(waterloop == "Saliniteitsgradient") %>% dplyr::group_by(jaar, Taxa_groep, waterloop, niveau3_hybr, systeem, fysiotoop) %>% summarise_at(vars(densiteit, biomassa), list(mean = ~max(0, mean(., na.rm = TRUE)), @@ -1151,15 +1327,15 @@ data_macrobenthos_intertidaalfysTAX <- dplyr::mutate (kaartjaar = if_else(jaar < 2012, 2010, kaartjaar)) %>% dplyr::mutate (kaartjaar = if_else(jaar > 2011 & jaar < 2015, 2013, kaartjaar)) %>% dplyr::mutate (kaartjaar = if_else(jaar > 2014 & jaar < 2018, 2016, kaartjaar)) %>% - dplyr::mutate (kaartjaar = if_else(jaar > 2017, 2019, kaartjaar)) + dplyr::mutate (kaartjaar = if_else(jaar > 2017, 2019, ifelse(jaar == 2022, 2021, kaartjaar))) -data_macrobenthos_OPPTAX <- data_macrobenthos_intertidaalfysTAX %>% +data_macrobenthos_OPPTAX1 <- data_macrobenthos_intertidaalfysTAX1 %>% left_join(opps_intertidaalfys, by = c("kaartjaar", "fysiotoop","waterloop")) %>% mutate(biomassa_fys = (biomassa_mean/1000000)*opp*10000) #ton benthos -data_macrobenthos_OPPWLTAX <- data_macrobenthos_OPPTAX %>% +data_macrobenthos_OPPWLTAX1 <- data_macrobenthos_OPPTAX1 %>% rename(jaar = jaar.x) %>% dplyr::group_by(Taxa_groep, jaar) %>% dplyr::summarise(biomass_TAX = sum(na.omit(biomassa_fys))) %>% @@ -1167,10 +1343,10 @@ data_macrobenthos_OPPWLTAX <- data_macrobenthos_OPPTAX %>% dplyr::filter(!Taxa_groep %in% c("Acari", "Collembola", "Cladocera", "Coleoptera", "Nematoda", "Microturbellaria", "Psychodidae", "Diptera", "Hirudinea", "Neuroptera", "Trichoptera", "Gastropoda", "Maxillopoda", "Ostracoda", "Copepoda", "Ephemeroptera", "Cnidaria")) %>% dplyr::filter(!is.na(Taxa_groep)) -unique(data_macrobenthos_OPPWLTAX$Taxa_groep) +unique(data_macrobenthos_OPPWLTAX1$Taxa_groep) -data_macrobenthos_OPPWLTAX %>% +data_macrobenthos_OPPWLTAX1 %>% ggplot(aes(x = as.factor(jaar), y = biomass_TAX, fill=Taxa_groep))+ geom_bar(aes(fill=Taxa_groep), stat="identity")+ labs(x="", y = "systeembiomassa (ton droge stof)") @@ -1183,7 +1359,7 @@ ggsave(filename = paste0(pad_figuren, "PopTaxgroep_Salgradient", ".jpg"), height ```{r 070-bijdrage van bivalv soorten aan Bivalvia doorheen de tijd} data_macrobenthos_intertidaalfysBIV <- data_macrobenthos_totaalBIV %>% - dplyr::filter(tidaal == "intertidaal") %>% # hier kan ook subtidaal ingevuld worden; dan moet data_macrobenthos_OPPBIV wel een join krijgen met opps_SUBfys (zie hieronder) + dplyr::filter(tidaal == "subtidaal") %>% # hier kan ook subtidaal ingevuld worden; dan moet data_macrobenthos_OPPBIV wel een join krijgen met opps_SUBfys (zie hieronder) dplyr::filter(fysiotoop != "hard substraat") %>% dplyr::mutate(waterloop = recode(waterloop, "Zeeschelde I trj_Ml_Gb\n" = "Zeeschelde I trj_Ml_Gb", "Zeeschelde I tijarm Zwijnaarde\n" = "Zeeschelde I tijarm Zwijnaarde" , "Beneden_Dijle" = "Dijle", "Zeeschelde IV" = "Saliniteitsgradient", "Zeeschelde III" = "Oligohalien", "Zeeschelde II" = "Zoet lang verblijf", "Zeeschelde I" = "Zoet kort verblijf")) %>% dplyr::mutate (fysiotoop = (if_else(waterloop == "Durme" & fysiotoop != "intertidaal indet.", "intertidaal indet.", fysiotoop))) %>% @@ -1205,7 +1381,7 @@ data_macrobenthos_intertidaalfysBIV <- data_macrobenthos_OPPBIV <- data_macrobenthos_intertidaalfysBIV %>% - left_join(opps_intertidaalfys, by = c("kaartjaar", "fysiotoop","waterloop")) %>% # opps_SUBfys voor sub + left_join(opps_SUBfys, by = c("kaartjaar", "fysiotoop","waterloop")) %>% # opps_SUBfys voor sub opps_intertidaalfys mutate(biomassa_fys = (biomassa_mean/1000000)*opp*10000) #ton benthos @@ -1219,16 +1395,17 @@ data_macrobenthos_OPPWLBIVzs <- data_macrobenthos_OPPBIV %>% unique(data_macrobenthos_OPPWLBIVzs$soort) - +data_macrobenthos_OPPWLBIVzs %>% + ggplot(aes(x = as.factor(jaar), y = biomass_BIV, color=soort))+ + geom_line(aes(x = as.factor(jaar), y=biomass_BIV, group=soort)) + + labs(x="", y = "systeembiomassa (ton droge stof)") + data_macrobenthos_OPPWLBIVzs %>% ggplot(aes(x = as.factor(jaar), y = biomass_BIV, fill=soort))+ geom_bar(aes(fill=soort), stat="identity")+ labs(x="", y = "systeembiomassa (ton droge stof)") -data_macrobenthos_OPPWLBIVzs %>% - ggplot(aes(x = as.factor(jaar), y = biomass_BIV, color=soort))+ - geom_line(aes(x = as.factor(jaar), y=biomass_BIV, group=soort)) + - labs(x="", y = "systeembiomassa (ton droge stof)") + data_macrobenthos_OPPWLBIVzs ggsave(filename = paste0(pad_figuren, "BIVsoortenSUB_ZS", ".jpg"), height=5, width=8) diff --git a/moneos_2024/070_macrozoobenthos/070_macrozoobenthos_data.Rmd b/moneos_2024/070_macrozoobenthos/070_macrozoobenthos_data.Rmd index 8804bea..74cdec0 100644 --- a/moneos_2024/070_macrozoobenthos/070_macrozoobenthos_data.Rmd +++ b/moneos_2024/070_macrozoobenthos/070_macrozoobenthos_data.Rmd @@ -452,7 +452,9 @@ FALSEgeen <- data_macrobenthos2008_2022.0 %>% data_macrobenthos2008_2022 <- data_macrobenthos2008_2022.0 %>% left_join(FALSEgeen, by = "locatie") %>% - dplyr::filter(!(soort == "geen" & teveel == "Y")) + dplyr::filter(!(soort == "geen" & teveel == "Y")) %>% + dplyr::mutate(waterloop = recode(waterloop, "Zeeschelde I trj_Ml_Gb\n" = "Zeeschelde I trj_Ml_Gb", "Zeeschelde I tijarm Zwijnaarde\n" = "Zeeschelde I tijarm Zwijnaarde" )) %>% + dplyr::select(!c("teveel", "dubbels")) data_macrobenthos_locaties <- diff --git a/moneos_2024/150_geintegreerd_rapport/070_macrozoobenthos.Rmd b/moneos_2024/150_geintegreerd_rapport/070_macrozoobenthos.Rmd index 487c85f..dffddbc 100644 --- a/moneos_2024/150_geintegreerd_rapport/070_macrozoobenthos.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/070_macrozoobenthos.Rmd @@ -39,21 +39,7 @@ pad_figuren <- maak_pad(hoofdstuk, "figuren") pad_tabellen <- maak_pad(hoofdstuk, "tabellen") ``` - -```{r 070-meta_data} -##metadata nog niet aangepast in 2022, wat moet dat zijn? -meta_data <- - read_delim(paste0(pad_data, "meta_data.csv"), - delim = ";") - -for(i in 1:nrow(meta_data)){ - ##first extract the object value - tempobj=meta_data$waarde[i] - ##now create a new variable with the original name of the list item - eval(parse(text=paste(meta_data$naam[i],"= tempobj"))) -} -``` - +
# Macrozoöbenthos @@ -64,11 +50,11 @@ __Frank Van de Meutter__, Jan Soors, Dimitri Buerms, Charles Lefranc, Olja Bezde ## Inleiding -Een beschrijving van de historische benthosgegevens in de Zeeschelde (1999, 2002, 2005) die verzameld zijn met het oog op een systeemmonitoring, is te vinden in Speybroeck et al. (2014). +Een beschrijving van de historische benthosgegevens in de Zeeschelde (1999, 2002, 2005) die verzameld zijn met het oog op een systeemmonitoring, voorafgaand aan de moderne MONEOS monitoring, is te vinden in Speybroeck et al. (2014). Sinds 2008 wordt jaarlijks op basis van een random stratified design benthos bemonsterd. -De gegevens van 2008 tot en met 2022 worden geleverd in een Excel-bestand (benthos_data2008-2021_rapportage2024.xlsx) met volgende werkbladen. +De gegevens van 2008 tot en met 2022 worden geleverd in een Excel-bestand (benthos_data2008-2022_rapportage2024.xlsx) met volgende werkbladen. - * macrobenthos –- densiteit en biomassa per staalnamelocatie + * macrobenthos –- densiteit en biomassa per staalnamelocatie uitgedrukt per m² * locaties –- de Lambert72-coördinaten van de bemonsterde locaties ## Materiaal en methode @@ -77,24 +63,22 @@ De gegevens van 2008 tot en met 2022 worden geleverd in een Excel-bestand (benth Sinds 2008 wordt een stratified random sampling design toegepast. Als hoogste hiërarchisch niveau binnen de stratificatie worden de 7 waterlichamen genomen, zoals deze voor monitoring en beoordeling in de context van de Kaderrichtlijn Water (KRW) worden onderscheiden (EMSE niveau 3). De benaming verschilt echter van de vorige rapportages en refereert nu aan de saliniteit en verblijftijd in de verschillende zones. -In de Oligohaliene zone wordt de Rupel echter apart beschouwd en ook de Dijle en Zenne worden als aparte eenheden behandeld. +In de Oligohaliene zone wordt de Rupel echter apart beschouwd en ook de Dijle en Zenne worden als aparte eenheden behandeld. Sinds 2014 worden twee tijarmen die aantakken op de zone Zoet kort verblijf, de tijarm Zwijnaarde en de tijarm traject Melle-Gentbrugge, apart beschouwd in de sampling design als aparte levels in het stratum waterlichaam. Tot hiertoe werden deze gegevens samen gerapporteerd onder de zone Zoet kort verblijf, het grotere waterlichaam waartoe ze behoren, maar wegens hun aparte dynamiek geven we ze vanaf dit rapport apart weer. Per waterlichaam wordt vervolgens een opdeling gemaakt per fysiotoop, met de uitzondering dat hoog slik en slik in het supralitoraal (potentiële pionierzone) samen genomen worden. Dit resulteert in een gelijkmatige spreiding van de staalnamelocaties. -Als basis bij de randomisatie werd de fysiotopenkaart van 2019 gebruikt. +Als basis bij de randomisatie werd de fysiotopenkaart van 2021 gebruikt. De fysiotoop per waterlichaam fungeert als kleinste eenheid van informatie. De stalen van verschillende locaties binnen een zelfde fysiotoop x waterlichaam worden als replica's voor dat fysiotoop beschouwd. In de Zeeschelde en de Rupel werden de antropogene harde zones (steenbestortingen) afzonderlijk onderscheiden. -Ook werden twee delen van waterlichamen afgescheiden omwille van de enigszins afwijkende aard van hun habitats en fauna. -De zone Zoet kort verblijf werd opgedeeld in het traject Melle-Gentbrugge en traject Zwijnaarde tot ringvaart ("tijarmen") versus de rest van het KRW-waterlichaam, terwijl de Dijle stroomaf van de Zennemonding (Zennegat) werd onderscheiden van de rest van de Dijle. -In de grafieken in de data-exploratie worden deze echter samengevoegd. + Tot en met 2017 werd het volledige estuarium jaarlijks bemonsterd. Vanaf 2018 worden de zijrivieren Dijle, Nete en Zenne slechts 3-jaarlijks bemonsterd. -Een volledige staalname gebeurde in 2020; de volgende volledige staalname zal gebeuren in 2023. +Een volledige staalname gebeurde sindsdien in 2020 en 2023; deze laatste zal in 2025 gerapporteerd worden. Jaarlijks worden nieuwe random vastgelegde staalnamelocaties gekozen binnen elk van de strata. In principe worden 5 locaties per stratum (combinatie van fysiotoop en waterlichaam) bemonsterd. Dit aantal wordt aangepast in sommige gevallen in functie van de relatieve en absolute areaalgrootte van de fysiotopen binnen de waterlichamen. -Hoewel tijdens het nemen van de stalen veel aandacht gaat naar het zo volledig mogelijk uitvoeren van de vooropgezette design, kan doorgaans een klein aantal stalen niet genomen worden door technische problemen of onvoorziene omstandigheden (bijvoorbeeld grote ongekende velden breuksteen subtidaal die de staalname onmogelijk maken). -In `r laatstejaar` werden uiteindelijk `r aantal_stalen` stalen genomen. +Hoewel tijdens het nemen van de stalen veel aandacht gaat naar het zo volledig mogelijk uitvoeren van de vooropgezette design, kan doorgaans een klein aantal stalen niet genomen worden door technische problemen of onvoorziene omstandigheden (bijvoorbeeld grote ongekende velden breuksteen subtidaal die de staalname onmogelijk maken). In de meeste gevallen worden punten over een kleine afstand verlegd, waarbij erop gelet wordt dat ze in dezelfde strata-combinatie blijven. +In 2022 werden uiteindelijk 208 stalen genomen. Een overzicht van de stalen per stratum is weergegeven in Tabel \@ref(tab:070-staalnamelocaties). @@ -111,7 +95,7 @@ tabel_x_waarden <- naam_tabel <-"tabel_staalnamelocaties" # hoofding tabel -caption_staalnamelocaties <- "Aantal stalen per stratum in 2021." +caption_staalnamelocaties <- "Aantal stalen per stratum in 2022." # lege tabel om de hoofding weer te geven (trukje om hoofding en kruisverwijzingen correct weer te geven in Word) #knitr::kable(NULL, caption = caption_staalnamelocaties) @@ -135,14 +119,13 @@ tabel_x_waarden %>% ### Staalname We onderscheiden twee soorten benthosstalen. -**basisstaal (BS)**: jaarlijks \* intertidaal: 1 steekbuisstaal (diameter: 4,5cm) tot op een diepte van 15cm \* subtidaal: 1 steekbuisstaal uit een Reineck box-corer staal (diameter: 4,5cm) tot op een diepte van 15cm (in het box-corer staal). +**basisstaal (BS)**: jaarlijks \* intertidaal: 1 steekbuisstaal (diameter: 4,5cm) tot op een diepte van 15cm \* subtidaal: 1 steekbuisstaal uit een Reineck box-corer staal (diameter: 4,5cm) tot op een diepte van 15cm (in het box-corer staal). In de campagne van 2022 die we hier rapporteren was dit het enige benthosstaal. -**Oligochaetenidentificatiestaal (OID)**: elke drie jaar (2008, 2011, 2014, 2017) werd tot en met 2017 (dus niet meer in 2020) aanvullend een tweede benthosstaal genomen. +**Oligochaetenidentificatiestaal (OID)**: elke drie jaar (2008, 2011, 2014, 2017) werd tot en met 2017 (dus niet meer in 2020 en 2023) aanvullend een tweede benthosstaal genomen. Dit staal wordt genomen in functie van de identificatie van oligochaeten (OID). Vanaf 2020 gebeurt de determinatie echter op de oligochaeten die verzameld werden in het basisstaal. Wanneer de Oligochaeten apart getrieerd zijn voor determinatie noemen we deze oligochaetenfractie wel opnieuw het OID staal. Het staal werd op dezelfde manier genomen als het basisstaal. -De OID gegevens voor staalnamejaar 2020 waren te laat beschikbaar en worden daarom besproken in deze rapportage. Beide benthosstalen (BS, OID) worden gefixeerd (F-Solv 50%). Bij elk benthosstaal wordt jaarlijks ook een **sedimentstaal** genomen met een sedimentcorer (diameter 2 cm zie ook hoofdstuk 6.2) tot 10 cm diepte in het substraat (intertidaal) of in het box-corer sample (subtidaal). Dit wordt vervolgens ter bewaring ingevroren. @@ -167,36 +150,38 @@ Hieronder geven we de chronologie van handelingen bij de verwerking van elk type - determineren van 25 individuen Oligochaeta per zeeffractie tot op het laagst mogelijke taxonomische niveau + tellen totaal aantal wormen in het staal - geen biomassabepaling per soort; totale oligochaetenbiomassa wordt bepaald in BS ! Dit staal dient dus enkel voor het determineren van oligochaeten! Het bepalen van de soortspecfieke biomassa en densiteit gebeurt door de totale biomassa Oligochaeta in het BS staal te alloceren aan de verschillende taxa volgens hun relatieve aantallen in het OID staal. Deze methode houdt geen rekening met soortspecifieke biomassa's en is dus benaderend. +
## Resultaten We bespreken hieronder de verkennende analyses van de jaarlijkse standaard monitoringsinspanning (BS stalen) die jaarlijks gerapporteerd wordt. -### Resultaten macrozoöbenthos 2021 +### Resultaten macrozoöbenthos 2022 #### Densiteit en biomassa De densiteit van het macrozoöbenthos in het Zeeschelde estuarium is in de recente periode relatief stabiel (Figuur \@ref(fig:070-figuur10-soorten), \@ref(fig:070-figuur11-soorten)). -Omdat deze parameter inherent grote fluctuaties ondergaat, wordt deze beoordeeld op zijn logaritmisch verloop. -De veranderingen in 2021 vallen binnen de langjarige variatie. -Na recordjaar 2019 in de zone Zoet kort verblijf daalden de waarden twee jaar op rij, maar ze blijven wel de hoogste in het Zeeschelde estuarium. -Die hoge waarden komen volledig op het conto van de kreekvormige aantakkingen van het traject Gentbrugge-Melle en in mindere mate van de tijarm Zwijnaarde. +Omdat deze parameter voor een deel van de soorten inherent grote fluctuaties ondergaat, wordt deze beoordeeld op zijn logaritmisch verloop. +De veranderingen in 2022 vallen binnen de langjarige variatie. +In de vorige rapportages stipten we aan dat 2019 een recordjaar was in de zone Zoet kort verblijf. In 2020 en 2021 daalden de waarden twee jaar op rij, maar ze bleven wel de hoogste in het Zeeschelde estuarium. In deze rapportage worden voor het eerst de tijarmen onderscheiden van de hoofdbedding van Zeeschelde I. In deze nieuwe zienswijze blijkt niet 2019 maar 2018 het piekjaar in Zeeschelde I. Wel zien we een grote piek in densiteiten in de tijarm Gent-Melle in 2019, waaruit we afleiden dat de hiervoor vermelde piek in Zeeschelde I volledig op het conto kwam van het traject Gent-Melle. De zijrivieren Durme en Rupel vertoonden matig hoge densiteiten binnen de variatie van het laatste decennium. -De biomassa dichtheid (g AFDW per m²) van het macrozoöbenthos in 2021 was vrij hoog in de zijrivieren, maar eerder laag in de Zeeschelde, met de belangrijke uitzondering van de zone Saliniteitsgradiënt. De opvallende stijging in de zone Saliniteitsgradiënt (Zeeschelde IV, ongeveer Antwerpen tot de Nederlandse grens) die startte in 2019 zette zich voor het derde opeenvolgende jaar door. -In de zone Zoet kort verblijf lijkt een einde gekomen aan een periode van zeer hoge biomassa dichtheid sinds 2015. -De biomassa dichtheid viel er terug tot waarden die we hier vóór 2015 noteerden. -Het wordt interessant om op te volgen of dit om een tijdelijke dip gaat of om een structurele trend. -Het aandeel lege stalen was opvallend laag voor de meeste zones, behalve in de oligohaliene zone waar voor het tweede jaar op rij bijna 40% lege stalen werden vastgesteld (Figuur \@ref(fig:070-figuur12-soorten)). +Subtidale densiteiten liggen doorgaans een stuk lager, en vertonen een meer erratisch verloop, vermoedelijk doordat macrozoobenthos subtidaal meer heterogeen verspreid voorkomt. + +De biomassa dichtheid (g AFDW per m²) van het macrozoöbenthos in 2022 was eerder hoog in de zijrivieren, met waardes op of nabij de 10g AFDW per m², maar eerder laag in de Zeeschelde, met de uitzonderingen van de zone Saliniteitsgradiënt en het traject Gent-Melle, aan beide uitersten van het Vlaams deel van het estuarium. De opvallende stijging in de zone Saliniteitsgradiënt (Zeeschelde IV, ongeveer Antwerpen tot de Nederlandse grens) die startte in 2019 zette niet door in 2022 in het intertidaal, maar wel in het subtidaal. De verspreiding van grote organismen, met relatief lage aantalsdichtheid wordt met de toen toegepaste staalnametechniek (kleine steekbuis) niet optimaal in beeld gebracht. Dit gaat met name op voor de bivalven, die verantwoordelijk zijn voor de biomassastijging (zie verder). Vanaf 2023 beliste inbo daarom om in de zone Saliniteitsgradiënt aanvullend op de kleine steekbuis (4.5cm diameter) ook een grotere steekbuis (15 cm diameter) in te zetten, om zo een verbeterde schatting te kunnen maken van bivalven en andere grote organismen. De eerste resultaten hiervan zullen in 2025 gerapporteerd worden. +In de zone Zoet kort verblijf lijkt een einde gekomen aan een periode van zeer hoge biomassa dichtheid sinds 2015. VOor het eerst wordt dit patroon nu uitgesplitst voor de hoofdbedding en de twee grote tijarmen van Zwijnaarde en tussen Melle en Gent. Daaruit blijkt dat in tijarm Zwijnaarde relatief lage biomassa (en aantallen) benthos voorkomen, maar dat in de hoofdbedding en vooral in het traject Gent-Melle zeer hoge biomassadichtheden voorkomen. Het piekverloop van macrozooebenthos kende een vrij gelijkaardig tijdsverloop in beide delen, en in zowel het intertidaal als het subtidaal. Na de piek in 2018-2019 volgde een algemene biomassa afname die ook in 2022 verder doorzette. Enkel in het traject Gent-Melle zijn is de biomassadichtheid nog beduidend hoger dan in de overige zoete en oligohaliene delen van de Zeeschelde. + + +Het aandeel lege stalen viel voor alle zones ruim binnen de langjarige variatie (Figuur \@ref(fig:070-figuur12-soorten)). ```{r 070-figuur10-soorten, fig.cap=caption_regressie10, out.width="100%"} caption_regressie10 <- "Gemiddelde densiteit (lijn) aan macrozoöbenthos per waterlichaam opgedeeld in subtidaal en intertidaal. De spreiding rond de lijn wordt begrensd door het 1ste quartiel en 3de quartiel." -knitr::include_graphics(paste0(pad_figuren, "070-figuur-densiteitgemiddelde.png")) +knitr::include_graphics(paste0(pad_figuren, "070-figuur-densiteitgemiddeldeTA.png")) ```
```{r 070-figuur11-soorten, fig.cap=caption_regressie11, out.width="100%"} caption_regressie11 <- "Gemiddelde biomassa (lijn) aan macrozoöbenthos per waterlichaam opgedeeld in subtidaal en intertidaal. Met weergave van spreiding 1ste quartiel en 3de quartiel." -knitr::include_graphics(paste0(pad_figuren, "070-figuur-biomassagemiddelde-waterlichaam-alternatief.jpg")) +knitr::include_graphics(paste0(pad_figuren, "070-figuur-biomassagemiddelde-waterlichaam-alternatiefTA.jpg")) ```
@@ -207,8 +192,8 @@ knitr::include_graphics(paste0(pad_figuren, "070-figuur-aandeel-lege-stalen.jpg" ```
-Door de vastgestelde biomassa dichtheidswaarden (in g AFDW per m²) te vermenigvuldigen met de aanwezige oppervlakte aan verschillende intertidale fysiotopen, kunnen we de totale, in de Zeeschelde aanwezige, biomassa macrozoöbenthos berekenen. Voor de berekening werden de ecotoopoppervlaktes gebruikt van de jaargangen waarvoor gebiedsdekkende ecotoopkaarten voorhanden waren (2010, 2013, 2016,2019). De oppervlaktes uit kaartjaar 2010 werden gelinkt aan de benthosjaren vóór 2012. De oppervlaktes uit kaartjaar 2013 werden gelinkt aan de benthosjaren 2012-2014, de oppervlaktes uit kaartjaar 2016 werden gelinkt aan de benthosjaren 2015-2017 en de oppervlaktes uit kaartjaar 2019 werden gelinkt aan de benthosjaren 2018-2020. Voor 2021 werden de fysiotoopoppervlaktes voor 2021 gebruikt. Ter illustratie worden ook de totale biomassa's macrozoöbenthos voor de Durme en Rupel getoond; deze maken echter geen deel uit van de totale systeembiomassa van de Zeeschelde. -De systeembiomassa Zeeschelde (Figuur \@ref(fig:070-figuur13)) kende een dip in 2017 voor het stroomafwaartse deel van het estuarium vanaf Durme, Rupel en de zone Saliniteitsgradiënt waarna deze sterk opveerden in 2018 wat zich daarna doorzette tot en met 2021 en culimineerde in een nieuw maximum voor de Zeeschelde sinds de start van de monitoring in 2008. +Door de vastgestelde biomassa dichtheidswaarden (in g AFDW per m²) te vermenigvuldigen met de aanwezige oppervlakte aan verschillende intertidale fysiotopen, kunnen we de totale intertidale biomassa macrozoöbenthos in de Zeeschelde berekenen. Voor de berekening werden de ecotoopoppervlaktes gebruikt van de jaargangen waarvoor gebiedsdekkende ecotoopkaarten voorhanden waren. De oppervlaktes uit kaartjaar 2010 werden gelinkt aan de benthosjaren vóór 2012. De oppervlaktes uit kaartjaar 2013 werden gelinkt aan de benthosjaren 2012-2014, de oppervlaktes uit kaartjaar 2016 werden gelinkt aan de benthosjaren 2015-2017 en de oppervlaktes uit kaartjaar 2019 werden gelinkt aan de benthosjaren 2018-2020. Voor 2021 werden de fysiotoopoppervlaktes voor 2021 gebruikt. Omdat bij het schrijven van dit deelrapport de fysiotoopoppervlaktes voor 2022 nog niet beschikbaar waren, gebruikten we voor dat jaar de oppervlaktes van 2021. Ter illustratie worden ook de totale biomassa's macrozoöbenthos voor de Durme en Rupel getoond; deze maken echter geen deel uit van de totale systeembiomassa van de Zeeschelde. +De systeembiomassa Zeeschelde (Figuur \@ref(fig:070-figuur13)) kende een dip in 2017 voor het stroomafwaartse deel van het estuarium vanaf Durme, Rupel en de zone Saliniteitsgradiënt waarna deze sterk opveerden in en van 2019 tot 2021 de systeembiomassa meer dan 40 ton droge stof bedroeg. In 2022 daalde de systeembiomassa tot iets minder dan 23 ton droge stof, waarmee de vooropgestelde kwaliteitsgrens van 30 ton droge stof neit gehaald werd. ```{r 070-figuur13, fig.cap=caption_regressie13, out.width="70%"} caption_regressie13 <- "Gesommeerd totaal van de gemiddelden per stratum van de systeembiomassa per waterlichaam en voor de totale Zeeschelde, uitgedrukt in ton asvrij drooggewicht. @@ -219,26 +204,15 @@ knitr::include_graphics(paste0(pad_figuren, "070-figuur-intertidalesysteembiomas
-De aanhoudende hoge systeembiomassa van de Zeeschelde sinds 2018 was met name in de periode 2019 tot en met 2021 volledig toe te schrijven aan de zone Saliniteitsgradiënt. -Aangezien er geen noemenswaardige fysiotoopoppervlakteveranderingen gebeurden is de toename volledig toe te schrijven aan een effectieve toename van macrozoöbenthosbiomassa in dit deel van de Zeeschelde. -Deze toename komt helemaal op het conto van de Bivalvia (zie Figuur \@ref(fig:070-figuur13b)). +De aanhoudend hoge systeembiomassa van de Zeeschelde tussen 2019-2021 was grotendeels toe te schrijven aan de zone Saliniteitsgradiënt. Vooral in 2019 was er nog een grote bijdrage van de zone Zoet kort verblijf, die in dit rapport correcter becijferd werd door de bijdrages per deelgebied (met name de tijarmen) te berekenen, maar dit aandeel nam sterk af na 2019. +De toename in de zone Saliniteitsgradiënt komt helemaal op het conto van de Bivalvia (zie Figuur \@ref(fig:070-figuur13b)). In de eerste plaats is er de vestiging van een exotische nieuwkomer, de brakwaterkorfschelp (*Potamocorbula amurensis*) die in 2018 voor het eerst is vastgesteld in de Zeeschelde (meteen de ook eerste vondst in Europa, Dumoulin & Langeraert, 2020). -De soort breidt sindsdien sterk uit en was vorig jaar (2020) al verantwoordelijk voor ongeveer 17% van de intertidale systeembiomassa macrozoöbenthos in de Zeeschelde. -Maar ook andere bivalven doen het goed, met hoge aantallen van het Nonnetje (*Limecola balthica*) in 2020, en vooral een hoge biomassa dichtheid van de Platte slijkgaper in 2021 (*Scrobicularia plana*) (zie Figuur \@ref(fig:070-figuur13c)). -Het is de eerste keer dat we deze tweekleppige vaststellen tijdens de monitoring, maar we zien de aantallen van deze in hoofdzaak mariene soort, die normaalgezien in zeer lage aantallen gezien wordt, al enkele jaren fors toenemen in de Zeeschelde. -Een belangrijke opmerking bij de trends van de bivalven is dat de gebruikte staalnamemethode met een erg smalle steekbuis niet geschikt is om organismen van de grootte en de ruimtelijke distributie van bivalven te bemonsteren. -Toevalseffecten spelen dan een grote rol waardoor trends minder stabiele zijn tussen jaren. -Zo is de brakwaterkorfschelp nog steeds in grote aantallen aanwezig. -In 2021 is ze echter nauwelijks vastgesteld in het intertidaal, maar wel nog in grote aantallen in het subtidaal (zie Figuur \@ref(fig:070-figuur13d)). -Bovendien vinden we de bivalven op zacht substraat voornamelijk terug in de zone Saliniteitsgradiënt met (veruit) de grootste fysiotoopoppervlaktes in de Zeeschelde, zodat de toevalseffecten sterk uitvergroot worden. -In de zoete zones zitten driehoeksmossels, *Dreissena sp*, maar die zitten subtidaal op hard substraat en worden niet of enkel toevallig bemonsterd bij de spatial monitoringscampagne. +De soort breidt sindsdien sterk uit hoewel ze in 2021 en 2022 niet meer voorkwam in de intertidale stalen, maar wel steeds talrijker wordt in het subtidaal (zie Figuur \@ref(fig:070-figuur13d)). Het zwaartepunt van de niche van de brakwaterkorfschelp ligt waarschijnlijk vooral in de (ondiepe?) subtidale zone, en minder in het (laag) intertidaal. Maar zoals eerder aangehaald is de staalnamemethode met kleine steekbuis niet echt aangepast aan het bemonsteren van bivalven en het bepalen van hun densiteiten, zeker in de zones waar de dichtheden lager zijjn. Vanaf 2023 worden ook grotere steekbuis stalen genomen en zullen de schattingen betrouwbaarder worden. We zijn daarom terughoudend om de - voorlopig eenjarige - terugval in intertidale biomassa in de zone Saliniteitsgradiënt al te veel belang toe te kennen, vooral ook omdat we subtidaal wel een verdere toename zien. +Naast de brakwaterkorfschelp doen ook andere bivalven het opvallend goed de laatste jaren, met hoge aantallen van het Nonnetje (*Macoma balthica*) in 2020, en vooral een hoge biomassa dichtheid van de Platte slijkgaper in 2021 (*Scrobicularia plana*) (zie Figuur \@ref(fig:070-figuur13c)). +Het is de eerste keer dat we deze tweekleppige vaststellen tijdens de monitoring in het intertidaal, maar we zien de aantallen van deze in hoofdzaak mariene soort, die normaalgezien in zeer lage aantallen gezien wordt, al enkele jaren fors toenemen in de Zeeschelde. -De evaluatiegrenswaarde, 30 ton AFDW in het intertidaal van de Zeeschelde (EMSE 2021), werd in 2021 ook ruimschoots gehaald, doordat de systeembiomassa verder steeg tot een totaal van 45.68 ton droge stof. -De verdeling van de biomassa over de verschillende zones van het estuarium wijkt wel af van de doelstellingen (zie Figuur \@ref(fig:070-figuur13)). -De zones Oligohalien en Zoet lang verblijf zitten nog steeds onder de vooropgestelde zone-specifieke minimumgrens van respectievelijk 8,3 en 5 ton AFDW (Figuur \@ref(fig:070-figuur13)). -Hoewel een erg hoge systeembiomassa behaald werd in 2021, stelden we tegelijk een opvallende afname vast van de systeembiomassa Oligochaeta. -Omdat Oligochaeta klein zijn en vrij homogeen verspreid zitten is deze afname weinig aan toevalseffecten onderhevig. -De afname van Oligochaeta gebeurde in de zones Zoet kort verblijf en Oligohalien. + +De evaluatiegrenswaarde, 30 ton AFDW in het intertidaal van de Zeeschelde (EMSE 2021), werd in 2022 (22.81 ton droge stof) niet meer gehaald. Sinds 2019 is er een sterke afname van de biomassa van voornamelijk Oligochaeta in de zone Zoet kort verblijf. In het Oligohalien was de biomassa tijdelijk hoger in de periode 2011-2017, maar is sindsdien ook structureel laag. In 2022 is er geen enkele zoete of oligohaliene zone waar nog een hoge biomassa gehaald wordt, behalve in de tijarm Gent-Melle (al is de piek ook hier voorbij). Geen van de zoete of oligohaliene deelgebieden halen hun gebiedsspecifieke kwaliteitsgrens. Ook de globale evaluatiepramater wordt dit jaar niet gehaald, wat echter vooral te wijten is aan de plotse terugval in biomassa van de zone Saliniteitsgradiënt. Dit is veruit de grootste zone in oppervlaktes, zodat toevalseffecten hier sterk uitvergroot worden. Inbo heeft haar staalnamestrategie hierop al aangepast, dus het is vooral uitkijken nu of deze trend in 2023 met betere data kan bevestigd of weerlegd worden. @@ -264,9 +238,10 @@ knitr::include_graphics(paste0(pad_figuren, "BIVsoortenSUB_ZS.jpg")) #### Soortenrijkdom -Volledige determinatie aan de hand van BS- en OID-stalen gebeurt elke drie jaar (2008, 2011, 2014, 2017, 2020). De soortenrijkdom is daarom periodiek hoger. -Een overzicht van de soortenrijkdom voor de verschillende waterlichamen en de verschillende jaren per tidale zone (inter-, sub-) staat in figuren \@ref(fig:070-figuur15) en \@ref(fig:070-figuur15b). In deze figuren zijn alle beschikbare determinaties opgenomen, waardoor de weergegeven soortenrijkdom in de jaren met OID-identificatie (zie hoger) groter is. -Vergelijken moet dus gebeuren tussen jaren met dezelfde telmethode. In vrij veel zones ligt de soortenrijkdom de laatste 2-3 onderzoeksjaren iets hoger dan in vergelijkbare jaren de voorbije periode. Mogelijke oorzaken zijn het steeds toenemend aantal exotische soorten en de uitzonderlijke droogteperioden die mogelijks marinisatie van de Zeeschelde veroorzaakten. Dit moet verder uitgeklaard worden. Opvallend is dat enkel in het Oligohalien en de Rupel de taxa rijkdom vaak hoger is in het subtidaal dan in het intertidaal (Oligochaeta niet meegeteld). Dit patroon is stabiel in de tijd maar een reden ervoor is niet gekend. in de zone Zoet kort verblijf is een gestage toename van de Oligochaeta rijkdom zichtbaar, die we niet zien. +Volledige determinatie aan de hand van BS- en OID-stalen gebeurt elke drie jaar (2008, 2011, 2014, 2017, 2020). De soortenrijkdom is daarom cyclisch hoger, behalve na 2018 in de zijrivieren omdat hier enkel nog bemonsterd wordt in de OID-jaren. +Een overzicht van de soortenrijkdom voor de verschillende waterlichamen en de verschillende jaren per tidale zone (inter-, sub-) staat in de figuren \@ref(fig:070-figuur15) en \@ref(fig:070-figuur15b). + +In vrij veel zones ligt de soortenrijkdom de laatste 2-3 onderzoeksjaren iets hoger dan in vergelijkbare jaren de voorbije periode. Mogelijke oorzaken zijn het steeds toenemend aantal exotische soorten en de uitzonderlijke droogteperioden die mogelijks marinisatie van de Zeeschelde veroorzaakten. Vooral in de zone Saliniteitsgradiënt zien we vrij consistent een hogere soortenrijkdom. Apart onderzoek is nodig om het relatief belang van exoten in de Zeeschelde te duiden. Opvallend is dat enkel in het Oligohalien en de Rupel de taxa rijkdom vaak hoger is in het subtidaal dan in het intertidaal (Oligochaeta niet meegeteld). Dit patroon is stabiel in de tijd maar een reden ervoor is niet gekend. In de zone Zoet kort verblijf is een gestage toename van de Oligochaeta rijkdom zichtbaar, die we niet zien in de andere zones. ```{r 070-figuur15, fig.cap=caption_regressie15, out.width="100%"} caption_regressie15 <- "Staalgemiddelde soortenrijkdom (boxplots; mediaan, IQrange) per waterlichaam doorheen de tijd. De Oligochaeta worden niet steeds gedetermineerd en werden als 1 taxon beschouwd, behalve in de jaren 2008, 2011, 2014, 2017 en 2020. De jaren onderling vergelijken kan dus enkel tussen deze opgesomde jaren, en tussen de tussenliggende jaren." @@ -285,21 +260,21 @@ knitr::include_graphics(paste0(pad_figuren, "070-figuur-soortenrijkdom-lijn-Zees #### Soortendiversiteit Shannon-index De Shannon diversiteit is een relatief nieuwe evaluatieparameter (EMSE 2021). -Ze wordt berekend op zowel biomassa (g droge stof AFDW/m²) als aantallen van het macrozoöbenthos. -De Oligochaeta werden over alle jaren als één taxon beschouwd. -We berekenen de Shannon diversiteit voor de vier saliniteitszones van de Zeeschelde (niveau 3) en voor de totale Zeeschelde. +Ze wordt berekend op zowel biomassa (g droge stof AFDW/m²) als op aantallen van het macrozoöbenthos. +De Oligochaeta werden overheen alle jaren als één taxon beschouwd. +We berekenden de Shannon diversiteit voor de vier saliniteitszones van de Zeeschelde (niveau 3) en voor de totale Zeeschelde. De evolutie van deze parameter overheen de jaren per tidale zone (inter-, sub-) staat in de figuren \@ref(fig:070-figuur16) en \@ref(fig:070-figuur17). -De Shannon index voor het intertidaal in de gehele Zeeschelde is vrij stabiel doorheen de tijd. +De Shannon indices voor het intertidaal zijn vrij stabiel doorheen de tijd. De Zeeschelde als geheel en de zone sterke Saliniteitsgradiënt hebben intertidaal een hogere Shannon diversiteit dan de overige zones, die vrij laag scoren. -Voor oligohalien en zoet kort was er, vooral voor de densiteiten, een algemene toenemende trend tvan 2015 tot 2020. -In 2021 is er een terugval. +Voor Oligohalien biomassa en densiteiten en voor de overige zones enkel voor de densiteiten, is er grosso-modo een toenemende trend sinds 2015 van de Shannon-diversiteit. -De patronen in het subtidaal zijn behoorlijk erratisch. -Door de veel lagere densiteit en biomassa in het subtidaal is de invloed van toeval op de Shannon diversiteit relatief groter. + +De patronen in het subtidaal zijn behoorlijk erratisch in vergelijking met deze voor het intertidaal. +Door de veel lagere densiteit en biomassadichtheid in het subtidaal is de invloed van toeval op de Shannon diversiteit er vermoedelijk relatief groter. Met wat goede wil is ook hier een opvering van de Shannon index in de deelgebieden merkbaar sinds 2015, maar variatie tussen de jaren is groot. Een opmerkelijk patroon is te zien in de zone sterke Saliniteitsgradiënt: bij densiteiten is er een toename, terwijl er voor biomassa een sterke afname van de Shannon diversiteit is in de laatste 2 jaren. -Waarschijnlijk is dit te wijten aan de opkomst van de brakwaterkorfschelp (Dumoulin & Langeraert, 2020). +Waarschijnlijk is dit te wijten aan de opkomst en tegenwoordig dominantie van de brakwaterkorfschelp (Dumoulin & Langeraert, 2020). In 2022 vertoonden de overige subtidale Shannon-indices overwegend een neerwaartse trend, maar evaluatie gebeurt best op langjarige tijdsreeksen bij deze variabele parameter. ```{r 070-figuur16, fig.cap=caption_regressie16, out.width="100%"} caption_regressie16 <- "Shannon diversiteit per waterlichaam en voor de volledige Zeeschelde voor het intertidaal doorheen de tijd. De shannon diversiteit werd zowel berekend op densiteiten (aantallen/m²) als voor biomassa (g/m²). De Oligochaeta worden niet steeds gedetermineerd en werden als 1 taxon beschouwd." @@ -313,62 +288,6 @@ caption_regressie17 <- "Shannon diversiteit per waterlichaam en voor de volledig knitr::include_graphics(paste0(pad_figuren, "070-figuur-Shannondiv-subt-Zeeschelde.jpg")) ``` -
- -### Resultaten diversiteit Oligochaeta -#### Methode - -Veruit de belangrijkste groep macrozoöbenthos in het intertidaal van de zoete zones en het oligohalien van de Zeeschelde is de subklasse van de Oligochaeta. -De determinatie vergt veel tijd en expertise en is niet jaarlijks haalbaar. -Om toch voeling te houden met de diversiteit en trends wordt om de 3 jaar een inspanning gedaan om deze groep te determineren. -Daarbij wordt tegenwoordig van een staal een subsample van 50 individuen op naam gebracht. -Vaak bevat een staal echter minder dan 50 Oligochaeta en worden de x (\<50) aanwezige gedetermineerd. -Aangezien densiteit en soortenrijkdom doorgaans sterk gerelateerd zijn, is bij de vorige rapportage van diversiteit Oligochaeta (Van Rijckegem et al. 2021) gekozen voor een beschrijving en vergelijking van de gegevens aan de hand van rarefactie. -Daarbij worden uit alle verzamelde individuen random exemplaren getrokken en bij toenemend aantal de soortenrijkdom berekend. -Deze procedure wordt een groot aantal keer herhaald zodat een vloeiende curve ontstaat. -Bij het vergelijken van verschillende bemonsteringen (jaren, zones van de Zeeschelde,...) kan slechts vergeleken worden tot het minimum aantal dieren dat in een van de onderzochte groepen behaald werd. -In tegenstelling tot de rapportage van 2021 werd deze keer de volledige set van data sinds 2008 omgerekend zodat we een bespreking kunnen doen van de laatste 15 jaar (5 driejaarlijkse monitoringsjaren: 2008-2011-2014-2017-2020). -De gegevens van 2020 waren vorig jaar nog niet beschikbaar en worden daarom dit jaar gerapporteerd. - -#### Soortenrijkdom - -Een vergelijking van de soortenrijkdomcurves voor de 5 driejaarlijkse opnames in de deelzones van de Zeeschelde staat in de Figuur \@ref(fig:070-figuur18). -Opvallend is dat voor alle jaren de soortenrijkdom het hoogst is in Zeeschelde I, de zone Zoet kort verblijf. -Dit is eveneens de zone waar we de hoogste densiteiten oligochaeten vinden (de curve loopt het langst door). -Een andere opvallende vaststelling is dat in het eerste onderzochte jaar 2008 in de zone Zoet lang verblijf en de zone Oligohalien (Zeeschelde II en III) de soortenrijkdom hoger lag dan in de daarna volgende jaren. -De soortenrijkdom in de zone Saliniteitsgradiënt (Zeeschelde IV) die aanvankelijk veel lager ligt dan in de andere zones, is in latere jaren meer gelijk met deze van zone Zoet lang en Oligohalien, door een kleine toename van de soortenrijkdom in Saliniteitsgradiënt en een daling in de andere twee zones. -De situatie in 2020 was in lijn met de eerdere jaren, behalve dat in de zone Zoet lang er een opvallend lage soortenrijkdom was; zelfs lager dan in Saliniteitsgradiënt. - -```{r 070-figuur18, fig.cap=caption_regressie18, out.width="100%"} -caption_regressie18 <- "De relatie tussen intertidale soortenrijkdom en aantal onderzochte Oligochaeta na rarefactie voor de verschillende KRW zones in de Zeeschelde voor verschillende onderzochte jaren: 2008-2011-2014-2017-2020. De curve per KRWzone loopt door tot het totaal aantal gedetermineerde wormen voor die opname." - -knitr::include_graphics(paste0(pad_figuren, "ZS1234_rarefy1.jpg")) -``` -
- -Een vergelijking doorheen de tijd per saliniteitszone is eenvoudiger te beoordelen in de Figuur \@ref(fig:070-figuur18b). -Uit deze figuur blijkt nog duidelijker dat de trend in de diversiteit van Oligochaeta omgekeerd verloopt in Saliniteitsgradiënt (toename) versus de andere zones (afname sinds 2008). -Vooral in de zones Zoet lang en Oligohalien is de afname na 2008 opvallend. -Dit zijn de zones waarin de biologisch te lage zuurstofconcentratie, als gevolg van organische vervuiling, het sterkst zijn tol had op het ecologisch functioneren, en er pas na 2007 vissen en andere grote ongewervelden verschenen. -Wel waren er toen enorme densiteiten Oligochaeta, en blijkbaar ook een grote diversiteit aan Oligochaeta. - -```{r 070-figuur18b, fig.cap=caption_regressie18b, out.width="100%"} -caption_regressie18b <- "De relatie tussen intertidale soortenrijkdom en aantal onderzochte Oligochaeta na rarefactie voor de verschillende KRW zones in de Zeeschelde voor verschillende onderzochte jaren: 2008-2011-2014-2017-2020. De curve per jaar loopt door tot het totaal aantal gedetermineerde wormen voor die opname." - -knitr::include_graphics(paste0(pad_figuren, "JaarperZS.jpg")) -``` - -
- -Een gelijkaardige analyse werd gemaakt voor de zijrivieren (Figuur \@ref(fig:070-figuur19)). -Voor alle jaren zien we een typisch onderscheid tussen de iets soortenarmere Durme en Rupel, die een grotere invloed van de Zeeschelde ondergaan en in overeenstemming daarmee een vergelijkbare soortenrijkdom hebben, en de meer typische getijrivieren Dijle, Nete en Zenne die doorgaans een hogere soortenrijkdom hebben. -Relatief gezien is de soortenrijkdom van Rupel en Durme in het laatste monitoringsjaar 2020 lager dan in de voorgaande monitoringsjaren (2008-2011-2014-2017). - -```{r 070-figuur19, fig.cap=caption_regressie19, out.width="100%"} -caption_regressie19 <- "De relatie tussen intertidale soortenrijkdom en aantal onderzochte Oligochaeta na rarefactie voor de verschillende deelzones in de Zeeschelde voor verschillende onderzochte jaren: 2008-2011-2014-2017-2020. De curve per deelzone loopt door tot het totaal aantal gedetermineerde wormen voor die opname." - -knitr::include_graphics(paste0(pad_figuren, "Zijrivier_rarefy.jpg")) -```
@@ -376,30 +295,24 @@ knitr::include_graphics(paste0(pad_figuren, "Zijrivier_rarefy.jpg")) **De soortenrijkdom** -Om de drie jaar wordt de volledige soortenrijkdom (inclusief determinatie van de Oligochaeta) van het macrozoöbenthos in de Zeeschelde bepaald, zo ook in 2020. -Deze data waren vorig jaar nog niet beschikbaar, maar worden in dit rapport, samen met de resultaten voor 2021 (zonder determinaties van Oligochaeta), gepresenteerd. De soortenrijkdom (exclusief Oligochaeta) lijkt de laatste paar jaren licht te stijgen in verschillende waterlichamen van de Zeeschelde met name de zone Zoet kort en Saliniteitsgradiënt. -In de laatste zone zijn de laatste jaren een aantal soorten tweekleppigen toegenomen. -Voor de Oligochaeten analyseerden we in deze rapportage voor het eerst de volledige dataset sinds 2008 aan de hand van rarefactiecurves. -Daaruit blijkt dat er twee types evoluties zijn: in de zoete zones en het Oligohalien is er sinds 2008 een afname van de soortenrijkdom, in de zone Saliniteitsgradiënt is er een omgekeerde evolutie naar een toenemende soortenrijkdom. -De zone Zoet kort verblijf bleef de hele monitoringsperiode wel afgetekend het soortenrijkste waterlichaam. -De resultaten in 2020 waren in lijn met deze van de laatste monitoringsjaren, met uitzondering van een eerder historisch lage soortenrijkdom in zone Zoet lang. +In de laatste zone zijn de laatste jaren een aantal soorten tweekleppigen toegenomen en is er mogelijk marinisatie gaande. Verder is nader onderzoek nodig om het toenemend belang van exoten in de Zeeschelde in kaart te brengen. + **De Shannon diversiteit** De Shannon diversiteit is een nieuwe EMSE evaluatieparameter die in 2022 voor het eerst gerapporteerd werd (Van Ryckegem et al. 2022). Het gedrag van deze parameter en hoe deze best te interpreteren is nog onderhevig aan voortschrijdend inzicht. -Een eerste beoordeling gaf aan dat deze parameter vrij sterke fluctuaties vertoont en mogelijk minder goed bruikbaar is in de subtidale zone, door het erratisch verloop overheen de jaren, dat mogelijk gelinkt is aan lagere densiteiten macrozoöbenthos in deze zone. -De Shannon diversiteit in het intertidaal is in de meeste zones (behalve sterke saliniteitsgradiënt) heel laag. -Dit is te wijten aan de dominantie van 1 taxon (Oligochaeta). -In 2021 was bijna overal een terugval te zien. Subtidaal is er in de zone met sterke Saliniteitsgradiënt recent een duidelijke toename in diversiteit gebaseerd op aantallen, maar een gelijktijdige afname in diversiteit gebaseerd op biomassa. -Dat laatste fenomeen is wellicht te wijten aan de opkomst van enkele tweekleppigen. +Een eerste beoordeling gaf aan dat deze parameter vrij sterke fluctuaties vertoont en mogelijk minder goed bruikbaar is in de subtidale zone, door het erratisch verloop van de parameter overheen de jaren. Waarschijnlijk is dit gelinkt aan de lagere densiteiten macrozoöbenthos in deze zone, en grotere toevalseffecten bij de standaard bemonstering. +De Shannon diversiteit in het intertidaal is in de meeste zones behalve sterke saliniteitsgradiënt heel laag. +Dit is te wijten aan de dominantie van 1 taxon (Oligochaeta). Omdat Oligochaeta slechts om de drie jaren tot op soort gedetermineerd worden, wordt deze diversiteit niet in rekening gebracht. Sinds 2015 zien we dat de Shannon-diversiteit overal is toegenomen en de verschillen kleiner worden. Dit is het meest duidelijk in de oligohaliene zone. +Subtidaal is er in de zone met sterke Saliniteitsgradiënt recent een duidelijke toename in diversiteit gebaseerd op aantallen, maar een gelijktijdige sterke afname in diversiteit gebaseerd op biomassa. +Dat laatste fenomeen is wellicht te wijten aan de opkomst en momenteel sterke dominantie van de brakwaterkorfschelp. **De systeembiomassa** -Voor het derde jaar op rij is de systeembiomassa in 2021 de hoogste waarde ooit vastgesteld in de recente monitoringcyclus (vanaf 2008) en overschrijdt ze ruim de doelstelling. De hoge waarde is vooral het gevolg van een sterke toename van benthosbiomassa in de zone met sterke Saliniteitsgradiënt. Deze zone heeft veruit de grootste intertidale fysiotoopoppervlaktes zodat kleine gemiddelde biomassawijzigingen een grote impact hebben. De veranderende biomassa aan macrozoöbenthos in deze zone komt voor een groot deel op het conto van de bivalven waaronder de recent gevestigde exotische brakwaterkorfschelp en de doorgaans mariene *Scrobicularia plana*. Dit duidt waarschijnlijk op een combinatie van oorzaken, namelijk de vestiging van nieuwe exotische soorten en het opschuiven van meer brakke tot mariene soorten naar de Zeeschelde. - -Hoewel de totale systeembiomassa ruim de doelstelling haalt werden de lokale doelstellingen niet in alle deelzones gehaald. In de Oligohaliene zone en in de Zoete zone met lang verblijf valt de biomassa macrozoöbenthos lager uit dan de doelstelling. Dit was overigens in bijna alle monitoringsjaren tot en met 2021 het geval. +Na een periode van drie jaren waarin het kwaliteitscriterium voor de systeembiomassa vlot overschreden werd, zakte de systeembiomassa in 2022 weer (ver) onder de kritische grens van 30 ton droge stof voor het intertidaal van de Zeeschelde (22.8 ton). De periode waarin zeer hoge densiteiten en biomassa Oligochaeta in de zoete en oligohaliene zones een grote bijdrage hadden aan de systeembiomassa ligt als even achter ons. Tijdelijke bloeiperiodes van Oligochaeta, zoals in de zone Zoet kort verblijf en de aanliggende tijarm Gent-Melle in 2018-2019 doven nu uit. In al de zones waarin Oligochaeta de dominante groep zijn (zoet en oligohalien) halen we de lokale kwaliteitscriteria ruim niet. De totale systeembiomassa van het intertidaal macrozoöbenthos werd recent vooral bepaald door de zone Saliniteitsgradiënt, en werd aangestuurd door een plotse toename van tweekleppigen en de vestiging van een exotische soort brakwaterkorfschelp. Deze laatste soort komt vooral subtidaal voor, en heeft net als de andere tweekleppigen lagere densiteiten in het (laag) intertidaal. De standaard staalnamemethode met een kleine steekbuis is minder geschikt om in dergelijke situaties macrozoöbenthos densiteiten te bepalen, met een grotere onzekerheid op de biomassa bepaling en grotere, betekenisloze verschillen tussen opeenvolgende jaren als gevolg. De sterke daling van de biomassa droge stof in de zone Saliniteitsgradiënt, en daardoor een terugval onder de kritische grens voor het systeem Zeeschelde, is dus mogelijk een sampling effect. Een indicatie dat het om een sampling effect gaat, is dat in het subtidaal er wel een verdere toename van benthosbiomassa werd vastgesteld. +Om de impact van dit potentieel methodologisch artefact te verminderen, en de staalnamemethode aan te passen aan de nieuwe situatie waarin tweekleppigen talrijk voorkomen in de Zeeschelde, voegde inbo vanaf 2023 een extra staalname met grote steekbuis toe aan het moneos protocol voor de zone Saliniteistgradiënt. Bij de volgende rapportage in 2025 zullen de resultaten hiervan besproken worden, en zal met meer betrouwbare data kunnen beoordeeld worden hoe de systeembiomassa evolueert. ## Referenties From 41f850d46df804f5bb7db47af652190e734c1206 Mon Sep 17 00:00:00 2001 From: VAN RYCKEGEM Date: Fri, 30 Aug 2024 11:56:53 +0200 Subject: [PATCH 027/102] regressie analyse toegevoegd --- .../20_sediment_analyse.Rmd | 413 ++++++++++++++---- 1 file changed, 340 insertions(+), 73 deletions(-) diff --git a/moneos_2024/060_sedimentkenmerken/20_sediment_analyse.Rmd b/moneos_2024/060_sedimentkenmerken/20_sediment_analyse.Rmd index db422ed..e7a8578 100644 --- a/moneos_2024/060_sedimentkenmerken/20_sediment_analyse.Rmd +++ b/moneos_2024/060_sedimentkenmerken/20_sediment_analyse.Rmd @@ -28,6 +28,10 @@ library(readxl) library(rprojroot) library(scales) library(INBOtheme) +library(dplyr) +library(purrr) +library(ggplot2) +library(broom) ``` @@ -104,6 +108,88 @@ write_xlsx(list(jaar_waarden = tabel_jaar_waarden), ``` +```{r meta-data} + +meta_data <- + enframe(c(vroegste_jaar = vroegste_jaar, + recentste_jaar = recentste_jaar, + metingen = nrow(sediment_data)), + name = "naam", value = "waarde") + +meta_data %>% + write_delim(paste0(pad_data, "meta_data.csv"), + delim = ";") + +``` + +```{r voorbereiding dataset} + +table(sediment_data$tidaal) +sediment_data$tidaal[sediment_data$tidaal=="inter"] <- "intertidaal" +sediment_data$tidaal[sediment_data$tidaal=="inter"] <- "Intertidaal" +sediment_data$tidaal[sediment_data$tidaal=="sub"] <- "subtidaal" + +table(sediment_data$waterloop) + sediment_data$waterloop[sediment_data$waterloop=="Zeeschelde_trj_Ml_Gb"] <- "Zeeschelde I_up" + sediment_data$waterloop[sediment_data$waterloop=="Zeeschelde I trj_Ml_Gb"] <- "Zeeschelde I_up" + sediment_data$waterloop[sediment_data$waterloop=="Zeeschelde I trj_Ml_Gb\r\n"] <- "Zeeschelde I_up" + sediment_data$waterloop[sediment_data$waterloop=="Zeeschelde I tijarm Zwijnaarde"] <- "Zeeschelde I_up" + sediment_data$waterloop[sediment_data$waterloop=="Zeeschelde I tijarm Zwijnaarde\r\n"] <- "Zeeschelde I-up" + sediment_data$waterloop[sediment_data$waterloop=="Beneden_Dijle"] <- "Dijle" + # + # sediment_data$waterloop[sediment_data$waterloop=="Zeeschelde_trj_Ml_Gb"] <- "Zeeschelde I" + # sediment_data$waterloop[sediment_data$waterloop=="Zeeschelde I trj_Ml_Gb"] <- "Zeeschelde I" + # sediment_data$waterloop[sediment_data$waterloop=="Zeeschelde I trj_Ml_Gb\r\n"] <- "Zeeschelde I" + # sediment_data$waterloop[sediment_data$waterloop=="Zeeschelde I tijarm Zwijnaarde"] <- "Zeeschelde I" + # sediment_data$waterloop[sediment_data$waterloop=="Zeeschelde I tijarm Zwijnaarde\r\n"] <- "Zeeschelde I" + # + table(sediment_data$waterloop) + sediment_data$waterloop <- factor(sediment_data$waterloop, + levels=c("Zeeschelde IV","Zeeschelde III","Zeeschelde II","Zeeschelde I","Zeeschelde I_up","Rupel","Durme","Nete","Dijle","Zenne")) + + # sediment_data$waterloop <- factor(sediment_data$waterloop, + # levels=c("Zeeschelde IV","Zeeschelde III","Zeeschelde II","Zeeschelde I","Zeeschelde I_up","Rupel","Durme","Nete","Dijle","Zenne")) + + + table(sediment_data$fysiotoop) + sediment_data$fysiotoop[sediment_data$fysiotoop=="diep subtidaal"] <- "diep" + sediment_data$fysiotoop[sediment_data$fysiotoop=="hoge slikzone"] <- "hoog" + sediment_data$fysiotoop[sediment_data$fysiotoop=="hoog slik"] <- "hoog" + sediment_data$fysiotoop[sediment_data$fysiotoop=="lage slikzone"] <- "laag" + sediment_data$fysiotoop[sediment_data$fysiotoop=="laag intertidaal"] <- "laag" + sediment_data$fysiotoop[sediment_data$fysiotoop=="laag slik"] <- "laag" + sediment_data$fysiotoop[sediment_data$fysiotoop=="matig diep subtidaal"] <- "matig diep" + sediment_data$fysiotoop[sediment_data$fysiotoop=="laagdynamisch matig diep subtidaal"] <- "matig diep" + sediment_data$fysiotoop[sediment_data$fysiotoop=="hoogdynamisch matig diep subtidaal"] <- "matig diep" + sediment_data$fysiotoop[sediment_data$fysiotoop=="middelhoge slikzone"] <- "midden" + sediment_data$fysiotoop[sediment_data$fysiotoop=="middelhoog slik"] <- "midden" + sediment_data$fysiotoop[sediment_data$fysiotoop=="nog te bepalen - sub"] <- "sub indet." + sediment_data$fysiotoop[sediment_data$fysiotoop=="subtidaal"] <- "sub indet." + sediment_data$fysiotoop[sediment_data$fysiotoop=="ondiep subtidaal"] <- "ondiep" + sediment_data$fysiotoop[sediment_data$fysiotoop=="laagdynamisch ondiep subtidaal"] <- "ondiep" + sediment_data$fysiotoop[sediment_data$fysiotoop=="hoogdynamisch ondiep subtidaal"] <- "ondiep" + sediment_data$fysiotoop[sediment_data$fysiotoop=="slik onbepaald"] <- "inter indet." + sediment_data$fysiotoop[sediment_data$fysiotoop=="laagdynamisch diep subtidaal"] <- "diep" + sediment_data$fysiotoop[sediment_data$fysiotoop=="hoogdynamisch diep subtidaal"] <- "diep" + sediment_data$fysiotoop[sediment_data$fysiotoop=="hoogdynamisch zeer diep subtidaal"] <- "diep" + sediment_data$fysiotoop[sediment_data$fysiotoop=="hard antropogeen"] <- "hard substraat" + + unique(sediment_data$fysiotoop) + + fyzzers <- c("hoog","midden","laag", + "hard substraat","inter indet.","ondiep", + "matig diep","diep", "sub indet.","onbepaald") + sediment_data$fysiotoop <- factor(sediment_data$fysiotoop, levels = fyzzers) + + hoofd <- c("Zeeschelde IV","Zeeschelde III","Zeeschelde II","Zeeschelde I","Zeeschelde I_up" ) + # hoofd <- c("Zeeschelde IV","Zeeschelde III","Zeeschelde II","Zeeschelde I") + zij <- c("Rupel","Durme","Nete","Dijle","Zenne") + inter <- c("inter indet.","laag", "hoog", "midden") + sub <- c("diep","matig diep","ondiep","sub indet.") + intersubZS <- c("laag", "hoog", "midden", "diep","matig diep","ondiep") + +``` + # figuur regressie ```{r 000-figuur-regressie, fig.height=5, fig.width=8} @@ -126,22 +212,6 @@ test <- sediment_data %>% pivot_wider(names_from = variabele, values_from = waarde) -test %>% - ggplot(aes(slib, mediaan)) + - geom_point() + - geom_smooth(method = "lm", color = "red") -# ggsave(paste0(pad_figuren, "000_figuur_regressie.jpg")) - -test %>% - ggplot(aes(slib, OM)) + - geom_point() + - geom_smooth(method = "lm",color = "red") - -test %>% - ggplot(aes(mediaan, OM)) + - geom_point() + - geom_smooth(method = "lm",color = "red") - fit1 <- lm(OM ~ mediaan, data = test) ggplotRegression(fit1) @@ -164,68 +234,167 @@ ggplotRegression(fit5) fit6 <- lm(mediaan ~ slib, data = testslib) ggplotRegression(fit6) +fit6 <- lm(mediaan ~ jaar, data = testslib) +ggplotRegression(fit6) -``` +####testjes +nested_data <- test %>% + # dplyr::filter(waterloop == "Zeeschelde II") %>% + group_by(waterloop,fysiotoop) %>% + nest() -```{r meta-data} +#### model: mediane korrelgrootte +fit_lm <- function(df) { + lm(mediaan ~ jaar, data = df) +} -meta_data <- - enframe(c(vroegste_jaar = vroegste_jaar, - recentste_jaar = recentste_jaar, - metingen = nrow(sediment_data)), - name = "naam", value = "waarde") +# Apply the function to each nested data frame +models <- nested_data %>% + mutate(model = map(data, fit_lm)) -meta_data %>% - write_delim(paste0(pad_data, "meta_data.csv"), - delim = ";") +models -``` +# Extract the model coefficients and fitted values +models <- models %>% + mutate(tidy_model = map(model, tidy), + augment_model = map(model, augment)) -```{r voorbereiding dataset} +# Unnest the augmented data for plotting +augmented_data <- models %>% + select(fysiotoop, waterloop, augment_model) %>% + unnest(augment_model) -table(sediment_data$tidaal) -sediment_data$tidaal[sediment_data$tidaal=="inter"] <- "intertidaal" -sediment_data$tidaal[sediment_data$tidaal=="inter"] <- "Intertidaal" -sediment_data$tidaal[sediment_data$tidaal=="sub"] <- "subtidaal" +# Plot the models +ggplot(augmented_data, aes(x = jaar, y = mediaan)) + + geom_point() + + geom_line(aes(y = .fitted), linetype = "dashed") + + facet_wrap(~ fysiotoop+waterloop) + + labs(title = "Linear Regression Fits by fysiotoop in Zeeschelde II", + x = "Year", + y = "Median") + +ggsave(file=paste0(pad_figuren,"060_figuur_regressieZSII_median.jpg")) + +# Extract the model coefficients and p-values +model_summaries <- models %>% + mutate(tidy_model = map(model, tidy)) %>% + unnest(tidy_model) %>% + dplyr::filter(term == "jaar") %>% + select(waterloop,fysiotoop, estimate, p.value) + +# Identify significant models (e.g., p-value < 0.05) +significant_models <- model_summaries %>% + dplyr::filter(p.value < 0.05) + +significant_models + +write_xlsx(list(modeloutput = significant_models), + paste0(pad_tabellen, "modeloutput.xlsx")) + +#################### +# linear model: slib +#################### +fit_lm <- function(df) { + lm(slib ~ jaar, data = df) +} + +# Apply the function to each nested data frame +models <- nested_data %>% + mutate(model = map(data, fit_lm)) + +models + +# Extract the model coefficients and fitted values +models <- models %>% + mutate(tidy_model = map(model, tidy), + augment_model = map(model, augment)) + +# Unnest the augmented data for plotting +augmented_data <- models %>% + select(fysiotoop, waterloop, augment_model) %>% + unnest(augment_model) + +# Plot the models +ggplot(augmented_data, aes(x = jaar, y = slib)) + + geom_point() + + geom_line(aes(y = .fitted), linetype = "dashed") + + facet_wrap(~ fysiotoop+waterloop) + + labs(title = "Linear Regression Fits by fysiotoop", + x = "Year", + y = "Mud") + +# ggsave(file=paste0(pad_figuren,"060_figuur_regressie_mud.jpg")) + +# Extract the model coefficients and p-values +model_summaries <- models %>% + mutate(tidy_model = map(model, tidy)) %>% + unnest(tidy_model) %>% + dplyr::filter(term == "jaar") %>% + select(waterloop,fysiotoop, estimate, p.value) + +# Identify significant models (e.g., p-value < 0.05) +significant_models <- model_summaries %>% + dplyr::filter(p.value < 0.05) + +significant_models + +write_xlsx(list(modeloutput = significant_models), + paste0(pad_tabellen, "modeloutput_slib.xlsx")) +###################### +##### linear model: OM +###################### + +fit_lm <- function(df) { + lm(OM ~ jaar, data = df) +} + +# Apply the function to each nested data frame +models <- nested_data %>% + mutate(model = map(data, fit_lm)) + +models + +# Extract the model coefficients and fitted values +models <- models %>% + mutate(tidy_model = map(model, tidy), + augment_model = map(model, augment)) + +# Unnest the augmented data for plotting +augmented_data <- models %>% + select(fysiotoop, waterloop, augment_model) %>% + unnest(augment_model) + +# Plot the models +ggplot(augmented_data, aes(x = jaar, y = OM)) + + geom_point() + + geom_line(aes(y = .fitted), linetype = "dashed") + + facet_wrap(~ fysiotoop+waterloop) + + labs(title = "Linear Regression Fits by fysiotoop", + x = "Year", + y = "OM") + +# ggsave(file=paste0(pad_figuren,"060_figuur_regressie_OM.jpg")) + +# Extract the model coefficients and p-values +model_summaries <- models %>% + mutate(tidy_model = map(model, tidy)) %>% + unnest(tidy_model) %>% + dplyr::filter(term == "jaar") %>% + select(waterloop,fysiotoop, estimate, p.value) + +# Identify significant models (e.g., p-value < 0.05) +significant_models <- model_summaries %>% + dplyr::filter(p.value < 0.05) + +significant_models + +write_xlsx(list(modeloutput = significant_models), + paste0(pad_tabellen, "modeloutput_OM.xlsx")) - table(sediment_data$waterloop) - # sediment_data$waterloop[sediment_data$waterloop=="Zeeschelde_trj_Ml_Gb"] <- "Zeeschelde I" - sediment_data$waterloop[sediment_data$waterloop=="Zeeschelde I trj_Ml_Gb"] <- "Zeeschelde I" - sediment_data$waterloop[sediment_data$waterloop=="Zeeschelde I tijarm Zwijnaarde"] <- "Zeeschelde I" - # sediment_data$waterloop[sediment_data$waterloop=="Beneden_Dijle"] <- "Dijle" - table(sediment_data$waterloop) - sediment_data$waterloop <- factor(sediment_data$waterloop, levels=c("Zeeschelde IV","Zeeschelde III","Zeeschelde II","Zeeschelde I", - "Rupel","Durme","Nete","Dijle","Zenne")) - - table(sediment_data$fysiotoop) - sediment_data$fysiotoop[sediment_data$fysiotoop=="diep subtidaal"] <- "diep" - sediment_data$fysiotoop[sediment_data$fysiotoop=="hoge slikzone"] <- "hoog" - sediment_data$fysiotoop[sediment_data$fysiotoop=="lage slikzone"] <- "laag" - sediment_data$fysiotoop[sediment_data$fysiotoop=="laag intertidaal"] <- "laag" - sediment_data$fysiotoop[sediment_data$fysiotoop=="laag slik"] <- "laag" - sediment_data$fysiotoop[sediment_data$fysiotoop=="matig diep subtidaal"] <- "matig diep" - sediment_data$fysiotoop[sediment_data$fysiotoop=="middelhoge slikzone"] <- "midden" - sediment_data$fysiotoop[sediment_data$fysiotoop=="middelhoog slik"] <- "midden" - sediment_data$fysiotoop[sediment_data$fysiotoop=="nog te bepalen - sub"] <- "sub indet." - sediment_data$fysiotoop[sediment_data$fysiotoop=="ondiep subtidaal"] <- "ondiep" - sediment_data$fysiotoop[sediment_data$fysiotoop=="slik onbepaald"] <- "inter indet." - - unique(sediment_data$fysiotoop) - - fyzzers <- c("supralitoraal","hoog","midden","laag", - "hard antropogeen","inter indet.","ondiep", - "matig diep","diep", "sub indet.","onbepaald") - sediment_data$fysiotoop <- factor(sediment_data$fysiotoop, levels = fyzzers) - - hoofd <- c("Zeeschelde IV","Zeeschelde III","Zeeschelde II","Zeeschelde I") - zij <- c("Rupel","Durme","Nete","Dijle","Zenne") - inter <- c("inter indet.","laag", "hoog", "midden") - sub <- c("diep","matig diep","ondiep","sub indet.") - intersubZS <- c("laag", "hoog", "midden", "diep","matig diep","ondiep") - ``` + ```{r Mediaan-Zeeschelde, fig.height=5, fig.width=8 } var <- "mediaan" @@ -250,6 +419,13 @@ var <- "mediaan" ggsave(file=paste0(pad_figuren,"060_figuur_",var,"_",deel,"_","boxplotfysiotopen.jpg")) + ggplot(data = subset(grafdat,!is.na(fysiotoop) & jaar == 2022), + aes(x = factor(tidaal),y = waarde)) + + geom_boxplot(aes(fill = fysiotoop)) + + scale_y_log10(breaks = c(0,63,125,250,500,1000)) + + # coord_trans(y="log") + + facet_wrap(~waterloop, ncol=1) + xlab("") + ylab("mediane korrelgrootte (µm)") + ``` ```{r Mediaan-Zeeschelde-intertidaal1, fig.height=5, fig.width=8 } @@ -344,18 +520,28 @@ ggplot(grafdat, ggsave(file=paste0(pad_figuren,"060_figuur_",var,"_",deel,"_",tidaal,"trend.jpg")) -grafdat %>% +grafdat %>% + dplyr::filter(!is.na(fysiotoop)) %>% dplyr::filter(jaar > 2016) %>% ggplot(aes(x = fysiotoop, y = waarde)) + geom_boxplot((aes(color = fysiotoop))) + facet_wrap(~waterloop, ncol=1) + xlab("") + ylab("Mediane korrelgrootte (µm)") +grafdat %>% + dplyr::filter(jaar < 2016) %>% + dplyr::filter(!is.na(fysiotoop)) %>% + dplyr::filter(fysiotoop == "diep") %>% + ggplot(aes(x = waterloop, y = waarde)) + + geom_boxplot((aes(color = fysiotoop))) + + xlab("") + ylab("Mediane korrelgrootte (µm)")+ labs(title = "sedimentdata 2008-2015") + grafdat %>% dplyr::filter(jaar > 2016) %>% + dplyr::filter(!is.na(fysiotoop)) %>% dplyr::filter(fysiotoop == "diep") %>% ggplot(aes(x = waterloop, y = waarde)) + geom_boxplot((aes(color = fysiotoop))) + - xlab("") + ylab("Mediane korrelgrootte (µm)") + xlab("") + ylab("Mediane korrelgrootte (µm)") + labs(title = "sedimentdata 2016-2023") ggsave(file=paste0(pad_figuren,"060_figuur_",var,"_",deel,"_",tidaal,"diep.jpg")) @@ -487,7 +673,9 @@ var <- "slib" sediment_datab <- sediment_data[sediment_data$variabele == var,] sediment_datab <- sediment_datab[sediment_datab$waterloop %in% partim,] sediment_datab <- sediment_datab[sediment_datab$fysiotoop %in% fysn,] - grafdat <- sediment_datab + grafdat <- sediment_datab %>% + dplyr::filter(waterloop != "Zeeschelde I_up") + ggplot(grafdat, aes(x=factor(jaar),y=waarde)) + geom_boxplot(aes(fill=fysiotoop)) + @@ -515,7 +703,15 @@ grafdat %>% ggplot(aes(x = fysiotoop, y = waarde)) + geom_boxplot((aes(color = fysiotoop))) + facet_wrap(~waterloop, ncol=1) + xlab("") + ylab("slib %") - + +grafdat %>% + # dplyr::filter(waterloop == "Zeeschelde IV") %>% + mutate(periode = factor(ifelse(jaar < 2015, "voor 2015", "2015 en later"), + levels = c("voor 2015", "2015 en later"))) %>% + ggplot(aes(x = fysiotoop, y = waarde, fill = periode)) + + geom_boxplot(position = position_dodge(width = 0.8)) + + facet_wrap(~waterloop, ncol=1) + xlab("") + ylab("slib %") + labs(title= "slib% intertidaal") + ggsave(file=paste0(pad_figuren,"060_figuur_",var,"_",deel,"_",tidaal,"boxplotperiods.jpg")) ``` @@ -607,6 +803,60 @@ grafdat %>% ``` +```{r Slib-Zeeschelde-subtidaal,fig.height=5, fig.width=8 } + +var <- "slib" + partim <- hoofd + deel <- "Zeeschelde" + fysn <- sub + tidaal <- "subtidaal" + sediment_datab <- sediment_data[sediment_data$variabele == var,] + sediment_datab <- sediment_datab[sediment_datab$waterloop %in% partim,] + sediment_datab <- sediment_datab[sediment_datab$fysiotoop %in% fysn,] + grafdat <- sediment_datab %>% + dplyr::filter(waterloop != "Zeeschelde I_up") + + ggplot(grafdat, + aes(x=factor(jaar),y=waarde)) + + geom_boxplot(aes(fill=fysiotoop)) + + # scale_y_log10(breaks = c(0,63,125,250,500,1000)) + + # coord_trans(y="log") + + facet_wrap(~waterloop, ncol=1) + xlab("") + ylab("slib %") + +ggsave(file=paste0(pad_figuren,"060_figuur_",var,"_",deel,"_",tidaal,"box.jpg")) + + + +ggplot(grafdat, + aes(x=jaar,y=waarde)) + + geom_point(aes(color=fysiotoop)) + + geom_smooth(aes(color=fysiotoop)) + + facet_wrap(~waterloop, ncol=1) + xlab("") + ylab("slib %") + + scale_x_continuous (name = "jaar", + breaks = grafdat$jaar, + labels = grafdat$jaar) + +# ggsave(file=paste0(pad_figuren,"060_figuur_",var,"_",deel,"_",tidaal,"trendZSIV.jpg")) + +grafdat %>% + dplyr::filter(jaar > 2016) %>% + ggplot(aes(x = fysiotoop, y = waarde)) + + geom_boxplot((aes(color = fysiotoop))) + + facet_wrap(~waterloop, ncol=1) + xlab("") + ylab("slib %") + +grafdat %>% + mutate(periode = factor(ifelse(jaar < 2015, "voor 2015", "2015 en later"), + levels = c("voor 2015", "2015 en later"))) %>% + ggplot(aes(x = fysiotoop, y = waarde, fill = periode)) + + geom_boxplot(position = position_dodge(width = 0.8)) + + facet_wrap(~waterloop, ncol=1) + xlab("") + ylab("slib %") + labs(title= "slib% subtidaal") + ggsave(file=paste0(pad_figuren,"060_figuur_",var,"_",deel,"_",tidaal,"boxplotperiods.jpg")) + +``` + + + + ```{r Slib-Zeeschelde-intertidaal_zondertijarmen,fig.height=5, fig.width=8 } ###bij datavoorbereiding negeer even de klassificatie van TZ en GM naar Zeeschelde I om onderstaande figuren te maken @@ -703,7 +953,9 @@ var <- "slib" sediment_datab <- sediment_data[sediment_data$variabele == var,] sediment_datab <- sediment_datab[sediment_datab$waterloop %in% partim,] sediment_datab <- sediment_datab[sediment_datab$fysiotoop %in% fysn,] - grafdat <- sediment_datab + grafdat <- sediment_datab %>% + dplyr::filter(fysiotoop != "sub indet.") + ggplot(grafdat, aes(x=factor(jaar),y=waarde)) + geom_boxplot(aes(fill=fysiotoop)) + @@ -732,6 +984,13 @@ grafdat %>% geom_boxplot((aes(color = fysiotoop))) + facet_wrap(~waterloop, ncol=1) + xlab("") + ylab("slib %") +grafdat %>% + mutate(periode = factor(ifelse(jaar < 2015, "voor 2015", "2015 en later"), + levels = c("voor 2015", "2015 en later"))) %>% + ggplot(aes(x = fysiotoop, y = waarde, fill = periode)) + + geom_boxplot(position = position_dodge(width = 0.8)) + + facet_wrap(~waterloop, ncol=1) + xlab("") + ylab("slib %") + labs(title= "slib% subtidaal") + ggsave(file=paste0(pad_figuren,"060_figuur_",var,"_",deel,"_",tidaal,"boxplotperiods.jpg")) ``` @@ -745,7 +1004,8 @@ var <- "slib" sediment_datab <- sediment_data[sediment_data$variabele == var,] sediment_datab <- sediment_datab[sediment_datab$waterloop %in% partim,] sediment_datab <- sediment_datab[sediment_datab$fysiotoop %in% fysn,] - grafdat <- sediment_datab + grafdat <- sediment_datab %>% + dplyr::filter(fysiotoop !="inter indet.") ggplot(grafdat, aes(x=factor(jaar),y=waarde)) + geom_boxplot(aes(fill=fysiotoop)) + @@ -774,6 +1034,13 @@ grafdat %>% geom_boxplot((aes(color = fysiotoop))) + facet_wrap(~waterloop, ncol=1) + xlab("") + ylab("slib %") +grafdat %>% + mutate(periode = factor(ifelse(jaar < 2015, "voor 2015", "2015 en later"), + levels = c("voor 2015", "2015 en later"))) %>% + ggplot(aes(x = fysiotoop, y = waarde, fill = periode)) + + geom_boxplot(position = position_dodge(width = 0.8)) + + facet_wrap(~waterloop, ncol=1) + xlab("") + ylab("slib %") + labs(title= "slib% intertidaal") + ggsave(file=paste0(pad_figuren,"060_figuur_",var,"_",deel,"_",tidaal,"boxplotperiods.jpg")) ``` From 2602dd5b01214d2788e58922ab579e1a6ea8738c Mon Sep 17 00:00:00 2001 From: VAN RYCKEGEM Date: Fri, 30 Aug 2024 11:57:40 +0200 Subject: [PATCH 028/102] tekst aangepast hoofdstuk sediment --- .../060_sedimentkenmerken.Rmd | 266 ++++++++++++++++++ 1 file changed, 266 insertions(+) create mode 100644 moneos_2024/150_geintegreerd_rapport/060_sedimentkenmerken.Rmd diff --git a/moneos_2024/150_geintegreerd_rapport/060_sedimentkenmerken.Rmd b/moneos_2024/150_geintegreerd_rapport/060_sedimentkenmerken.Rmd new file mode 100644 index 0000000..030dca5 --- /dev/null +++ b/moneos_2024/150_geintegreerd_rapport/060_sedimentkenmerken.Rmd @@ -0,0 +1,266 @@ +--- +editor_options: + markdown: + wrap: sentence +--- + +```{r 060-hoofdstuk, include=FALSE} + +hoofdstuk <- "060_sedimentkenmerken" + +``` + +```{r 060-setup, include=FALSE} + +knitr::opts_chunk$set(echo = FALSE, error=FALSE, warning=FALSE, message=FALSE, cache=FALSE, fig.pos = "H", out.extra = '') +knitr::opts_knit$set(eval.after = "fig.cap") + + +``` + +```{r 060-libraries} + +library(tidyverse) +library(readxl) +library(kableExtra) +library(INBOtheme) +library(rprojroot) + +``` + +```{r 060-pad} + +# inlezen van variabelen +# pad naar data : pad_data +# pad naar tabellen : pad_tabellen +# pad naar figuren : pad_figuren + +# source("../pad.R") + +source(find_root_file("../pad.R", criterion = is_rstudio_project)) +pad_data <- maak_pad(hoofdstuk, "data") +pad_figuren <- maak_pad(hoofdstuk, "figuren") +pad_tabellen <- maak_pad(hoofdstuk, "tabellen") +``` + +```{r 060-meta-data} + +meta_data <- + read_delim(paste0(pad_data, "meta_data.csv"), + delim = ";") + +for(i in 1:nrow(meta_data)){ + ##first extract the object value + tempobj=meta_data$waarde[i] + ##now create a new variable with the original name of the list item + eval(parse(text=paste(meta_data$naam[i],"= tempobj"))) +} + +``` + +# Sedimentkenmerken + +Fichenummer: S-MD-V004a – Sedimentkenmerken (in functie van benthos) + +**Gunther Van Ryckegem** + +## Inleiding + +Op elke locatie waar monsters voor het macrozoöbenthos worden genomen (zie Hoofdstuk 7), wordt een begeleidend sedimentstaal genomen. +Van deze stalen worden de granulometrische karakteristieken bepaald door laserdiffractie (LDIF) en wordt het gehalte aan organisch materiaal (OM%) bepaald door verassing (LOI). +De korrelgrootte en hoeveelheid organisch materiaal geven respectievelijk informatie over de fysische structuur van de bodem en de mogelijke voedselrijkdom in het sediment – rechtstreeks als voedsel of onrechtstreeks als proxy voor potentiële bacteriële activiteit. +Hiermee zijn het interessante factoren voor het verklaren van trends in de bodemdierengemeenschappen en algemeen indicatief voor het functioneren van het bentisch ecosysteem als matrix voor bodemprocessen. +De aangeleverde data omvat de outputvariabelen mediane korrelgrootte (D50), het slibgehalte (percentage van het staalvolume dat een korrelgrootte heeft die kleiner is dan 63µm) en organisch materiaal (percentage na verhitting tot 550°C). + +## Materiaal en methode + +De data werden gegenereerd in R (R Core Team, 2019). + +Het aantal sedimentstalen per campagne is weergegeven in Tabel \@ref(tab:060-tabel-sediment). + +In het veld wordt net naast elk macrozoöbenthosstaal een sedimentstaal verzameld met een inox steekbuis (diameter 2cm) tot op 10 cm diepte. +De jaarlijkse campagnes vallen steeds in september – oktober. +Het organische stofgehalte van het sediment wordt bepaald door een hoeveelheid sediment te drogen (bij 105°C tot constante massa), te wegen en vervolgens gedurende 2 uur te verassen bij 550°C. +Het bekomen verlies aan massa ten gevolge van het verbranden van de organische component, het asvrij drooggewicht, wordt uitgedrukt als percentage van de oorspronkelijke droge massa van het deelmonster. +In Van Ryckegem et al. (2017) wordt uitvoerig de analyseprocedure en de datacorrectie besproken naar aanleiding van veranderingen in protocol en meettoestellen. +De geleverde data is de gecorrigeerde data. +In 2015 en 2013 bleken de korrelgrootte analyses voor de intertidale batch Zeeschelde IV en in 2013 voor de subtidale batch Zeeschelde I onbetrouwbaar. +Deze data werd niet aangeleverd en is buiten de analyse gelaten. +In Van de Meutter et al. (2022 - in prep.) een uitgebreide kwaliteitscontrole gepresenteerd van de INBO analysemethode voor korrelgrootteverdeling (adhv een Coultern counter). +De herhaalbaarheid van de metingen is hoog (mediaan verschil: ca. -1 tot 4µm; gemiddelde verschil: ca. -5 tot 7µm; standaarddeviatie (SD) \~ 15µm). +Afwijkende metingen (\> 2 keer SD) kunnen voorkomen in circa 7% van de stalen. + +```{r 060-tabel-sediment} + +# inlezen tabel +tabel_x_waarden <- + read_excel(paste0(pad_tabellen, "sediment_tabellen.xlsx"), + sheet = "jaar_waarden", + .name_repair = "minimal") + +# hoofding tabel +caption_x_waarden <- "Aantal sedimentstalen per jaar." + +# opmaak tabel +tabel_x_waarden %>% + # dplyr::mutate_all(~replace_na(., "")) %>% + kable(caption = caption_x_waarden, + booktabs = TRUE) %>% + kable_styling(latex_options = "HOLD_position") + +``` + + + +

+ +Om de lange termijn trends te onderzoeken bepalen we welke lineaire regressiemodellen een significante trend tonen over de periode 2008-`r recentste_jaar` (p-waarde genomen \< 0.01). +De dataset werd genest binnen fysiotoop en waterloop. +Slibpercentage is de responsvariabele en jaar de predictorvariabele. +De selectie van de meest significante modellen is weergegeven in Tabel \@ref(tab:060-tabel-modeloutput). De trendanalyses worden verduidelijkt door de data weer te geven met boxplots gegroepeerd in twee tijdsreeksen voor 2015 en 2015 en later. Deze opdeling is gebaseerd op de knikpunt analyse uitgevoerd door Meire et al. (2021). Deze auteurs vonden in 2014 een trendbreuk in de SPM concentraties in het opwaartse turbiditeitsmaximum (van Temse tot Dendermonde). + +```{r 060-tabel-modeloutput} + +# inlezen tabel +tabel_x_waarden <- + read_excel(paste0(pad_tabellen, "modeloutput_slib.xlsx"), + sheet = "modeloutput", + .name_repair = "minimal") + +# hoofding tabel +caption_x_waarden <- "Significante (<0.01) lineare regressiemodellen voor slibpercentage voor de waterloop zones per fysiotoop." + +# opmaak tabel +tabel_x_waarden %>% + dplyr::filter(p.value < 0.01) %>% + dplyr::arrange(p.value) %>% + # dplyr::mutate_all(~replace_na(., "")) %>% + kable(caption = caption_x_waarden, + booktabs = TRUE) %>% + kable_styling(latex_options = "HOLD_position") + +``` + + + +
+ +## Resultaten + +In deze eerstelijnsrapportage wordt de nadruk gelegd op de resultaten van de outputvariabele slibgehalte voor de periode 2008-`r recentste_jaar`. +In slibrijke bodems (\> 25% slib) vertonen de drie beschouwde variabelen in de dataset (mediane korrelgrootte, slibgehalte en organisch mateiraal) een sterk onderling verband. +Daarom beperken we de eerstelijnsbespreking tot het slibgehalte van de sedimenten. +De andere metingen werden gevalideerd. + +Doorheen het estuarium is er een grotere spreiding op de metingen van het subtidale tegenover het intertidale gebied (Figuur \@ref(fig:060-figuur-slib-Zeeschelde-boxplotfysiotopen)). In het intertidaal is er een consistent patroon van slibrijke (fijnere) bodems in het hoog slik fysiotoop naar minder slibrijke (grovere) sedimenten lager. Dit patroon zet zich globaal door in het subtidaal. + +```{r 060-figuur-slib-Zeeschelde-boxplotfysiotopen, fig.cap=slib_Zeeschelde_boxplotfysiotopen, out.width="80%"} + +slib_Zeeschelde_boxplotfysiotopen <- paste0("Boxplot van het slibpercentage per fysiotoop in het intertidaal en subtidaal van de Zeeschelde (data 2008-",recentste_jaar,").") + + + +knitr::include_graphics(paste0(pad_figuren, "060_figuur_slib_Zeeschelde_boxplotfysiotopen.jpg")) + +``` + +
+ + + +Het slibpercentage langsheen de Beneden-Nete neemt significant toe (Tabel \@ref(tab:060-tabel-modeloutput)). +Deze trend kan mogelijk gelinkt worden aan de sterk verhoogde sedimentimport uit de Kleine Nete waar het rivierbed zandiger werd en er dus slibrijk materiaal uitspoelde naar afwaarts (Meire et al., 2021). +De veranderingen in de Kleine Nete zijn mogelijk veroorzaakt door de activiteit van de Chinese wolhandkrab (Schoelynck et al., 2020). +Hoewel niet alle modellen sterk significant zijn, is deze tendens tot verhoogde intertidale 'verslibbing' ook zichtbaar langs de andere zijrivieren (Zenne, Rupel, Dijle) en langs de Zeeschelde (Figuur \@ref(fig:060-figuur-slib-zijrivieren-intertidaalboxplotperiodes) en (Figuur \@ref(fig:060-figuur-slib-Zeeschelde-intertidaalboxplotperiodes)). +Er zijn andere factoren (naast Chinese wolhandkrab, die een stabiele trend toont in de monitoringperiode 2012-2017 - Van Ryckegem et al., 2018) die elk een ander gewicht kunnen hebben langsheen de estuariene gradiënt (zie Meire et al., 2021). +Het aantal jaren met data in Nete, Zenne en Dijle is wel beperkt. +In de periode 2015 en later zijn er enkel gegevens in 2015, 2016, 2017 en 2020. Hierdoor kunnen we voor de zijrivieren geen uitspraak kunnen doen over de recente trends. + +Hoewel de significante trends zich tonen als toenemende slibpercentages in de intertidale zones van de Beneden-Zeeschelde (waar de variatie in korrelgrootte ook kleiner is dan subtidaal, zie boven) is het opvallend dat er zich een significante habitatwijziging voordoet (significant hoger slibpercentage en ook kleinere mediane korrelgrootte) van de diepe onderwaterbodems van de Beneden-Zeeschelde - Zeeschelde IV (Figuur \@ref(fig:060-figuur-slib-Zeeschelde-subtidaalboxplotperiodes). + +De regressie analyse en databeschrijving wijst op geleidelijke habitatveranderingen die gaande zijn onder invloed van de verhoogde SPM gehaltes. Dit verhoogd slibgehalte wordt afgezet op de intertidale habitats én de onderwaterbodem. Er zijn duidelijke aanwijzingen dat dit gerelateerd is aan de toegenomen baggeractiviteit. Dit in combinatie met veranderingen in de debieten en het veranderde systeemvolume zorgt voor een toename van het opwaarts transport in droogteperiodes. Deze sedimentpaketten worden bij hoge (winter) debieten opnieuw afwaarts getransporteerd (Meire et al., 2021). In Zeeschelde I is er een tendens tot het zandiger worden van het matig diep (maar niet significant in datareeks). + +In de gekozen ruimtelijke afbakening (KRW-zones) van deze verkennende analyse komen geen significante veranderingen in aan het licht in Zeeschelde III. Deze zone is sedimentologisch/morfologisch heterogeen, mogelijk loont het om ruimtelijk homogenere eenheden af te bakenen voor analyses (bv. stroomopwaarts en stroomafwaarts Rupel). Een diepgaandere analyse van de data is nodig om correlaties te zoeken met mogelijk verklarende factoren. De verandering in het slibgehalte (of de mediane korrelgrootte) is (vaak) subtiel in de absolute cijfers. Er zijn geen aanwijzingen dat het gehalte in organisch materiaal wijzigde (analyse niet getoond). Bijkomend onderzoek is nodig om de effecten op de bentische gemeenschap te duiden. + +```{r 060-figuur-slib-Zeeschelde-intertidaalboxplotperiodes, fig.cap=slib_Zeeschelde_intertidaal, out.width="80%"} + +slib_Zeeschelde_intertidaal <- paste0("Slibgehalte (\\%) – Zeeschelde intertidaal. Boxplots data voor periode voor 2015 en 2015 en later. Zeeschelde I is exclusief de sedimentstalen genomen in de tijarm Zwijnaarde en de Scheldemeander tussen Melle en Gentbrugge (data 2008-",recentste_jaar,").") + +knitr::include_graphics(paste0(pad_figuren, "060_figuur_slib_Zeeschelde_intertidaalboxplotperiods.jpg")) + +``` + +
+ +```{r 060-figuur-slib-Zeeschelde-subtidaalboxplotperiodes, fig.cap=slib_Zeeschelde_subtidaal, out.width="80%"} + +slib_Zeeschelde_subtidaal <- paste0("Slibgehalte (\\%) – Zeeschelde subtidaal. Boxplots data voor periode voor 2015 en 2015 en later. Zeeschelde I is exclusief de sedimentstalen genomen in de tijarm Zwijnaarde en de Scheldemeander tussen Melle en Gentbrugge (data 2008-",recentste_jaar,").") + +knitr::include_graphics(paste0(pad_figuren, "060_figuur_slib_Zeeschelde_subtidaalboxplotperiods.jpg")) + +``` + +
+ +```{r 060-figuur-slib-zijrivieren-intertidaalboxplotperiodes, fig.cap=slib_zijrivieren_intertidaal, out.width="80%"} + +slib_zijrivieren_intertidaal <- paste0("Slibgehalte (\\%) – zijrivieren intertidaal. Na 2017 enkel nog data van 2020 langsheen de zijrivieren Nete, Dijle en Zenne. Boxplots tonen data voor periode voor 2015 en 2015 en later (data 2008-",recentste_jaar,").") + +knitr::include_graphics(paste0(pad_figuren, "060_figuur_slib_zijrivieren_intertidaalboxplotperiods.jpg")) + +``` + +
+ +```{r 060-figuur-slib-zijrivieren-subtidaalboxplotperiodes, fig.cap=slib_zijrivieren_subtidaal, out.width="80%"} + +slib_zijrivieren_subtidaal <- paste0("Slibgehalte (\\%) – zijrivieren subtidaal. Na 2017 enkel nog data van 2020 langsheen de zijrivieren Nete, Dijle en Zenne. Boxplots tonen data voor periode voor 2015 en 2015 en later (data 2008-",recentste_jaar,"). Het fysiotoop 'diep' komt niet voor langsheen de Nete, Dijle en Zenne") + +knitr::include_graphics(paste0(pad_figuren, "060_figuur_slib_zijrivieren_subtidaalboxplotperiods.jpg")) + +``` + +
+ +## Algemene conclusie + +In de Zeeschelde en zijrivieren worden de intertidale habitats (vaak significant) slibrijker. Dit verandert (geleidelijk) de leefgebieden van het macrozoöbenthos. Bijkomend onderzoek is nodig om de mogelijke effecten op de benthische gemeenschap te duiden. +In de diepere geul is de variatie groot en vaak zonder duidelijk patroon. Des te opvallend is dan ook de significante trend uit de random staalname dat de diepe geul van de Beneden-Zeeschelde slibrijker wordt. + + +## Referenties + +Meire P., Plancke Y., Govaerts A., Cox T., Gelsomi P., Horemans D., Meire D., Meire L., Zetsche E. +and Maris T. +(2021). +Synthesis note: SPM dynamics and trends in the Scheldt estuary. +ECOBE Report 021-R267 Universiteit Antwerpen, Antwerpen. + +R Core Team (2019). +R: A Language and Environment for Statistical Computing. +R Foundation for Statistical Computing, Vienna, Austria. +. + +Schoelynck J., Wolters J. W., Teuchies J., Brion N., Puijalon S.,Horemans D.M.L., Keirsebelik H., Bervoets L., Blust R. +& Meire P. (2020). +Experimental evidence for the decline of submerged vegetation in freshwater ecosystems by the invasive Chinese mitten crab (*Eriocheir sinensis*). +Biological Invasions, 22(2), 627–641. + +Van de Meutter F., Smeekens V. & Buerms D. +(2022). +Beschrijvend datarapport: sedimentkarakteristieken en sedimentatie-erosie langsheen vaste raaien voor benthosmonitoring in de Zeeschelde 2018-2020.Rapporten van het Instituut voor Natuur- en Bosonderzoek 2022 (in prep.). +Instituut voor Natuur- en Bosonderzoek, Brussel. + +Van Ryckegem G., Van Braeckel A., Elsen R., Speybroeck J., Vandevoorde B., Mertens W., Breine J., Spanoghe G., Buerms D., De Beukelaer J., De Regge N., Hessel K., Soors J., Terrie T., Van Lierop F. +& Van den Bergh E. +(2017). +MONEOS – Geïntegreerd datarapport INBO: Toestand Zeeschelde 2016: monitoringsoverzicht en 1ste lijnsrapportage Geomorfologie, diversiteit Habitats en diversiteit Soorten. +Rapporten van het Instituut voor Natuur- en Bosonderzoek 2017 (37). +Instituut voor Natuur- en Bosonderzoek, Brussel. + +Van Ryckegem G., Van Braeckel A., Elsen R., Speybroeck J., Vandevoorde B., Mertens W., Breine J., Spanoghe G., +Bezdenjesnji O., Buerms D., De Beukelaer J., De Regge N., Hessel K., Lefranc C., Soors J., Terrie T., Van Lierop F. & Van den +Bergh E. (2018). MONEOS – Geïntegreerd datarapport INBO: Toestand Zeeschelde 2017: monitoringsoverzicht en 1ste +lijnsrapportage Geomorfologie, diversiteit Habitats en diversiteit Soorten. Rapporten van het Instituut voor Natuur- en +Bosonderzoek 2018 (74). Instituut voor Natuur- en Bosonderzoek, Brussel. +DOI: doi.org/10.21436/inbor.15000892 From 78d8bcc20123b67218de43c5f8d70b3b3aa85efb Mon Sep 17 00:00:00 2001 From: VAN RYCKEGEM Date: Fri, 30 Aug 2024 12:01:46 +0200 Subject: [PATCH 029/102] doi error fix --- moneos_2024/150_geintegreerd_rapport/index.Rmd | 6 +++--- 1 file changed, 3 insertions(+), 3 deletions(-) diff --git a/moneos_2024/150_geintegreerd_rapport/index.Rmd b/moneos_2024/150_geintegreerd_rapport/index.Rmd index 532b25d..080ccbb 100644 --- a/moneos_2024/150_geintegreerd_rapport/index.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/index.Rmd @@ -96,9 +96,9 @@ publication_type: report cover_photo: "" # naam foto file cover_description: "" # cover: media/cover.pdf # link naar pdf met cover -doi: "" -reportnr: "" -depotnr: "" +doi: "10.99999/inbor.9999999" +reportnr: "9999" +depotnr: "ISSN:9999-9999" ordernr: "" embargo: 2099-03-01 From 97aecf6b42ee3db3cfd6ebc5152400ea0287bb0f Mon Sep 17 00:00:00 2001 From: JOCQUE Date: Fri, 30 Aug 2024 13:01:58 +0200 Subject: [PATCH 030/102] Verdere aanvulling na samenzitten met Erika --- .../092_vissen_fuiken.Rmd | 6 ++-- .../093_vissen_conclusies.Rmd | 36 +++++++++++-------- 2 files changed, 24 insertions(+), 18 deletions(-) diff --git a/moneos_2024/150_geintegreerd_rapport/092_vissen_fuiken.Rmd b/moneos_2024/150_geintegreerd_rapport/092_vissen_fuiken.Rmd index 391e107..fce849b 100644 --- a/moneos_2024/150_geintegreerd_rapport/092_vissen_fuiken.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/092_vissen_fuiken.Rmd @@ -620,10 +620,10 @@ We berekenden de indexwaarden voor alle beschikbare gegevens (Tabel \@ref(tab:09 De evolutie van de visindex in de Zeeschelde is ook één van de INBO natuurindicatoren () In de periode 2011-2020 was deze indicator redelijk stabiel in vergelijking tot het decennium dat daaraan voorafging: De zoete zone scoorde doorgaans beter dan de zone met sterke saliniteitsgradiënt en de oligohaliene zone had meestal de laagste score. -De laatste twee jaren daalde de EQR van de zoete zone echter van GEP in 2020 over matig in 2021 naar ontoereikend 2022. -De beide andere zones haalden nog nooit de goede ecologische toestand maar scoren wel matig in 2022. +De laatste twee jaren daalde de EQR van de zoete zone echter van GEP in 2020 over matig in 2021 naar ontoereikend in 2022 en `r laatste_jaar`. +De beide andere zones haalden nog nooit de goede ecologische toestand en scoren ontoereikend in `r laatste_jaar`. -Figuur \@ref(fig:092-figuur-spindiagram) geeft voor elke zone een indicatie van de ecologische aspecten die minder en beter scoren in 2022. +Figuur \@ref(fig:092-figuur-spindiagram) geeft voor elke zone een indicatie van de ecologische aspecten die minder en beter scoren in `r laatste_jaar`. Zie Tabel \@ref(tab:090-tabel-metrieken-visindex) voor verklaring van de afkortingen. ```{r 092-tabel-visindex} diff --git a/moneos_2024/150_geintegreerd_rapport/093_vissen_conclusies.Rmd b/moneos_2024/150_geintegreerd_rapport/093_vissen_conclusies.Rmd index ba1c72a..65bf87e 100644 --- a/moneos_2024/150_geintegreerd_rapport/093_vissen_conclusies.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/093_vissen_conclusies.Rmd @@ -68,25 +68,20 @@ for(i in 1:nrow(meta_data)){ ### Afvissingen in 2022 -2022 was een **bodemjaar voor het aantal spieringen** in de Zeeschelde. +2023 was een tweede **bodemjaar** op rij **voor het aantal spieringen** in de Zeeschelde. Dit geldt zowel voor de ankerkuil als voor de fuikvangsten, waardoor het beeld van de absolute dominantie van deze soort zelfs in het pelagiaal vervaagt. -Aangezien het aantal spieringen al geruime tijd geen echte toppen meer scheert dringt zich nader onderzoek op naar de aard en oorzaak van deze dalende trend. -Meer bepaald moeten ruimtelijke en seizoenale patronen per leeftijdgroep over de jaren heen geanalyseerd worden in relatie tot abiotiek en beheer. -In de Elbe werden mogelijke oorzaken van de sterk verminderde spiering rekrutering uitvoerig onderzocht. -Verlies aan ondiep water in specifieke zones, koelwateronttrekking, onderhoudswerken en toegenomen turbiditeit werden als factoren aangestipt, mogelijks in cumulatieve interactie. -Ook de Schelde kent een evolutie van ondermeer toenemende verdieping, waterdynamiek en vertroebeling. -In de Elbe waren er onvoldoende data over de evolutie van het voedselaanbod voor spieringlarven om deze factor uit te sluiten (Scholle en Schuchardt, 2019; 2020). -In de Zeeschelde kan die informatie waarschijnlijk wel samengebracht worden. +Sterke schommelingen in spiering aantallen werden vroeger al opgemerkt in andere gebieden en kunnen deels teruggebracht worden op lage densiteiten van 1 of 2 jaarklassen (Belyanina 1969), waarbij verschillen in leeftijdssamenstelling van populaties voor een stuk gelinkt zijn met verschillen in groeisnelheid en maturatie van de verschillende jaarklassen (Lapin, 1960). +Om hier een beter zicht op te krijgen zou voor de Schelde ruimtelijke en seizoenale patronen per leeftijdgroep over de jaren heen geanalyseerd moeten worden in relatie tot abiotiek en beheer. -In 2022 werd met de ankerkuil **uitzonderlijk veel sprot** gevangen in Doel en Antwerpen en dit in voorjaar, zomer en najaar. -Hetzelfde fenomeen deed zich voor in de Westerschelde ankerkuilvangsten (de Boois & Couperus, 2022). +In 2023 werd met de ankerkuil **uitzonderlijk veel grondels** (*Potamoschistus* sp.)gevangen in vooral het najaar in Branst en Steendorp. +In Steendorp ging het om brakwatergrondel, in Branst opmerkelijk om dikkopje. -In 2022 dook de **visindex voor de zoete zone** voor het eerst sinds 2009 onder die van de brakke en oligohaliene zones. - -In 2022 werd de **vangstinspanning met de fuiken gehalveerd**. +De **visindex** voor zowel zoet, oligohalien als zoutgradient bereikt in 2023 een ontoereikende status. +Interpretatie dient met de nodige voorzichtigheid te gebeuren. +De **vangstinspanning met de fuiken is in 2022 gehalveerd**. Fuiken werden telkens 1 in plaats van 2 etmaal uitgezet. Dit had een invloed op het aantal gevangen soorten. -Hierdoor zal een breuk in de trends van soortenrijkdom bij fuikvangsten ontstaan. +Verschillende van de metrieken gebruikt in de visindex (Breine et al. 2010) zijn direct gerelateerd aan het aantal soorten en hierdoor zal een breuk in de trends van soortenrijkdom bij fuikvangsten ontstaan. ### Algemene kenmerken van de Zeeschelde populaties. @@ -154,7 +149,13 @@ A multivariate approach to the feeding habits of small fishes in the Guadalquivi Journal of Fish Biology. 61: 21-32. -Breine, J.J., Maes, J., Quataert, P., Van den Bergh, E., Simoens, I., Van Thuyne, G. +Belyanina T. N.  +(1969).  +Synopsis of biological data on smelt *Osmerus eperlanus* (Linnaeus, 1758).  +FAO Fisheries Synopsis. +No. 78. + +Breine J.J., Maes J., Quataert, P., Van den Bergh, E., Simoens, I., Van Thuyne, G. & C. Belpaire (2007). A fish-based assessment tool for the ecological quality of the brackish Schelde estuary in Flanders (Belgium). @@ -200,6 +201,11 @@ EMSE (2021). Evaluatiemethodiek Schelde-estuarium: Update 2021. Antea, Bureau Waardenburg, Deltares, UAntwerpen, UGent, INBO en NIOZ. +Lapin I.E. (1960). +On peculiarities of population dynamics in short lived fishes (freshwater smelt 1960 as example). +Zoologicheskii Zhurnal. +39(9): 1371-83. + Maes J., Stevens M. & Breine J. (2007). From 291f21738c64ae32d4b94096d97196a1c3aebec0 Mon Sep 17 00:00:00 2001 From: JOCQUE Date: Fri, 30 Aug 2024 14:31:27 +0200 Subject: [PATCH 031/102] Bijkomende verwerking --- .../090_vissen_inleiding_en_methode.Rmd | 2 +- .../092_vissen_fuiken.Rmd | 36 +++++++++---------- 2 files changed, 19 insertions(+), 19 deletions(-) diff --git a/moneos_2024/150_geintegreerd_rapport/090_vissen_inleiding_en_methode.Rmd b/moneos_2024/150_geintegreerd_rapport/090_vissen_inleiding_en_methode.Rmd index e09d3bb..82b5277 100644 --- a/moneos_2024/150_geintegreerd_rapport/090_vissen_inleiding_en_methode.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/090_vissen_inleiding_en_methode.Rmd @@ -110,7 +110,7 @@ aantal_soorten_enkel_ankerkuil <- Fichenummer: FICHE S-DS-V-004a -- Vissen (KRW) -**Joost Vanoverbeke, Erika Van den Bergh, Gunther Van Ryckegem, Rhea Measle, Merlijn Jocque** +**Joost Vanoverbeke, Erika Van den Bergh, Gunther Van Ryckegem, Rhea Measle, Gerlinde Van Thuyne, Merlijn Jocque** ## Inleiding diff --git a/moneos_2024/150_geintegreerd_rapport/092_vissen_fuiken.Rmd b/moneos_2024/150_geintegreerd_rapport/092_vissen_fuiken.Rmd index fce849b..30daff9 100644 --- a/moneos_2024/150_geintegreerd_rapport/092_vissen_fuiken.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/092_vissen_fuiken.Rmd @@ -402,16 +402,15 @@ De overige soorten komen slechts in kleine aantallen voor. - Brakwatergrondel werd in de eerste jaren vooral in de zone met sterke saliniteitsgradiënt gevangen maar vertoont in recentere jaren grote pieken in de zoete zones. In `r laatste_jaar` werden veel brakwatergrondels gevangen met de fuiken in de oligohaliene zone en zoet lange verblijftijd. +- Dikkopje bevindt zich gemiddeld meer stroomafwaarts en is veel minder talrijk dan brakwatergrondel aanwezig in de fuiken. + Er was een eerste grote piek in de oligohaliene zone in 2020, de hoogste aantallen zijn waargenomen in `r laatste_jaar`. + - Schol komt voor in de zone met sterke saliniteitsgradiëntvangsten, fuikvangsten in `r laatste_jaar` zijn de hoogste tot nu toe. Een stijgende trend is merkbaar sinds de vangsten van 2017. - Zeebaars is grotendeels aanwezig in de zone met sterke saliniteitsgradiënt. Aantallen tonen op lange termijn een eerder afnemende trend. -- Dikkopje bevindt zich gemiddeld meer stroomafwaarts en is veel minder talrijk dan brakwatergrondel aanwezig in de fuiken. - Er was een grote piek in de oligohaliene zone in 2020. - In `r laatste_jaar` waren de aantallen het hoogst in in de oligohaliene zone. - - Haring komt vooral voor in de zone met sterke saliniteitsgradiënt. 2019 en 2021 waren piekjaren voor de oligohaliene zone, 2021 ook voor de zone met sterke saliniteitsgradiënt. In `r laatste_jaar` was het aantal haringen in de fuikvangsten het hoogst in de zone met sterke saliniteitsgradiënt. @@ -502,10 +501,12 @@ Sinds 2012 zijn aantallen en biomassa per fuikdag wel plots fel verminderd. Ook zeebaars en haring zijn steeds in grote aantallen aanwezig, in toenemende mate sinds 2015. Schol verdween na 2010 maar is sinds 2018 terug aanwezig. Brakwatergrondel en dikkopje zijn als estuarien residenten ook elk jaar vertegenwoordigd in redelijk grote aantallen. -In de oligohaliene zone zijn dikkopje, haring en brakwatergrondel de belangrijkste soorten uit deze functionele groep. -De aantallen en biomassa nemen toe sinds 2017. +in 2023 valt de aanwezigheid van schol en vooral steenbolk op. + +In de oligohaliene zone zijn dikkopje en brakwatergrondel samen met haring de belangrijkste soorten uit deze functionele groep. In de zoete zones is brakwatergrondel de belangrijkste estuariene soort. -De aantallen in de fuikvangsten variëren er sterk, met af en toe een extreme piek. +De aantallen in de fuikvangsten variëren er sterk, met af en toe een grote piek. +De aantallen en biomassa van grondels bereiken in 2023 hoge waardes in oligohalien en zoet met lange verblijftijd. In drogere jaren komen ook haring en zeebaars opgroeien tot in de zoete zones. Bot is de belangrijkste trekvis in de zone met sterke saliniteitgradiënt, in aantallen én biomassa, in aantallen gevolgd door driedoornige stekelbaars en spiering. @@ -519,7 +520,7 @@ snoekbaars, karper, europese meerval, brasem en snoekbaars leveren de belangrijk De zoewatervissen zijn de meest soortenrijke estuariene gebruik groep. De diversiteit is het grootst voor de zoetwatersoorten in de zoete zone met korte verblijftijd. -Het is vooral in deze groep dat in 2022 minder soorten gevangen werden met de fuiken, vermoedelijk ook door het feit dat de vangstinspanning gehalveerd werd. +Het is vooral in deze groep dat in 2022 en 2023 minder soorten gevangen werden met de fuiken, vermoedelijk ook door het feit dat de vangstinspanning gehalveerd werd.
@@ -562,13 +563,12 @@ De resultaten voor aantallen, biomassa en diversiteit per dieetgroep worden weer Benthivoren en omnivoren zijn het meest talrijk en maken ook het grootste deel van de biomassa uit. -Het is dan ook in deze groepen dat het aantal soorten minder was in 2022 door de verminderde vangstinspanning. - -Tong in de zone met sterke saliniteitsgradiënt en brakwatergrondel in de zoetwater zone zijn de dominante benthivoren qua aantallen. -Brasem domineert echter qua biomassa in de oligohaliene en zoetwaterzone. +Tong in de zone met sterke saliniteitsgradiënt en brakwatergrondel in de zoetwater zone zijn traditioneel de dominante benthivoren qua aantallen, in 2023 worden er meer schol waargenomen dan tong. +In biomassa blijft tong dominant in de oligohaliene en domineert brasem in de zoetwaterzone. -Spiering (zoete zone) en bot (saliniteitsfgradiënt) zijn de dominante omnivoren wat betreft aantallen. -Voor de biomassa's bij de omnivoren is er geen duidelijke dominantie tussen de meest aspectbepalende soorten: bot, europese meerval, fint, karper, kolblei, snoek en snoekbaars. +Spiering (zoete zone) en bot (saliniteitsgradiënt) zijn de dominante omnivoren wat betreft aantallen. +Een groot aantal steenbolk laat zich opmerken in 2023 en zijn dominant in biomassa in de zone met sterke saliniteitsgradiënt. +Voor de biomassa's bij de omnivoren is er meestal geen duidelijke dominantie tussen de meest aspectbepalende soorten: bot, europese meerval, fint, karper, kolblei, snoek en snoekbaars. Dit wordt vaak bepaald door de vangst van enkele grote individuen. Baars, rivierprik en zeeprik zijn de enige piscivoren die in kleine en sterk wisselende aantallen gevangen worden. @@ -621,7 +621,7 @@ De evolutie van de visindex in de Zeeschelde is ook één van de INBO natuurindi In de periode 2011-2020 was deze indicator redelijk stabiel in vergelijking tot het decennium dat daaraan voorafging: De zoete zone scoorde doorgaans beter dan de zone met sterke saliniteitsgradiënt en de oligohaliene zone had meestal de laagste score. De laatste twee jaren daalde de EQR van de zoete zone echter van GEP in 2020 over matig in 2021 naar ontoereikend in 2022 en `r laatste_jaar`. -De beide andere zones haalden nog nooit de goede ecologische toestand en scoren ontoereikend in `r laatste_jaar`. +De beide andere zones haalden nog nooit de goede ecologische toestand en scoren beide ontoereikend in `r laatste_jaar`. Figuur \@ref(fig:092-figuur-spindiagram) geeft voor elke zone een indicatie van de ecologische aspecten die minder en beter scoren in `r laatste_jaar`. Zie Tabel \@ref(tab:090-tabel-metrieken-visindex) voor verklaring van de afkortingen. @@ -680,6 +680,6 @@ knitr::include_graphics(figs_spin)
In de zoetwaterzone scoren alle metrieken slecht behalve het totaal aantal soorten en het aantal individuen per fuikdag. -In de oligohaliene zone scoort het aantal mariene migrerende soorten zeer goed in 2022. -het aantal intolerante soorten en het totaal aantal individuen per fuikdag trekken de EQR voor deze zone omlaag. -In het mesohalien is de score voor het aantal intolerante individuen maximaal maar scoren de soorten met specifieke habitatvereisten, ook voor het paaien, zeer laag. +Vooral het percentage van gespecialiseerde paaiers trekt het geheel omlaag. +In de oligohaliene zone scoren alle metrieken laag en het totaal aantal individuen per fuikdag goed. +In het mesohalien is de score voor alle metrieken laag. From 1e3c947e71a925f79eaf5174e7233a9081c9eefc Mon Sep 17 00:00:00 2001 From: JOCQUE Date: Fri, 30 Aug 2024 15:05:12 +0200 Subject: [PATCH 032/102] kleine correcties --- moneos_2024/150_geintegreerd_rapport/092_vissen_fuiken.Rmd | 5 +++-- 1 file changed, 3 insertions(+), 2 deletions(-) diff --git a/moneos_2024/150_geintegreerd_rapport/092_vissen_fuiken.Rmd b/moneos_2024/150_geintegreerd_rapport/092_vissen_fuiken.Rmd index 30daff9..7f727a7 100644 --- a/moneos_2024/150_geintegreerd_rapport/092_vissen_fuiken.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/092_vissen_fuiken.Rmd @@ -563,8 +563,9 @@ De resultaten voor aantallen, biomassa en diversiteit per dieetgroep worden weer Benthivoren en omnivoren zijn het meest talrijk en maken ook het grootste deel van de biomassa uit. -Tong in de zone met sterke saliniteitsgradiënt en brakwatergrondel in de zoetwater zone zijn traditioneel de dominante benthivoren qua aantallen, in 2023 worden er meer schol waargenomen dan tong. -In biomassa blijft tong dominant in de oligohaliene en domineert brasem in de zoetwaterzone. +Tong in de zone met sterke saliniteitsgradiënt en brakwatergrondel in de zoetwater zone zijn traditioneel de dominante benthivoren qua aantallen. +In 2023 worden er meer schol waargenomen dan tong. +In biomassa blijft tong dominant in de oligohaliene zone en domineert brasem in de zoetwater zone. Spiering (zoete zone) en bot (saliniteitsgradiënt) zijn de dominante omnivoren wat betreft aantallen. Een groot aantal steenbolk laat zich opmerken in 2023 en zijn dominant in biomassa in de zone met sterke saliniteitsgradiënt. From 17164ce87935e167d1b5df8977c82a70ef31f963 Mon Sep 17 00:00:00 2001 From: VAN DE MEUTTER Date: Sat, 31 Aug 2024 10:15:52 +0200 Subject: [PATCH 033/102] nagekeken fvdm 31/08 --- .../070_macrozoobenthos.Rmd | 271 +++++++++++++----- 1 file changed, 193 insertions(+), 78 deletions(-) diff --git a/moneos_2024/150_geintegreerd_rapport/070_macrozoobenthos.Rmd b/moneos_2024/150_geintegreerd_rapport/070_macrozoobenthos.Rmd index dffddbc..d5ced58 100644 --- a/moneos_2024/150_geintegreerd_rapport/070_macrozoobenthos.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/070_macrozoobenthos.Rmd @@ -1,3 +1,9 @@ +--- +editor_options: + markdown: + wrap: sentence + chunk_output_type: inline +--- ```{r 070-hoofdstuk, include=FALSE} @@ -5,8 +11,6 @@ hoofdstuk <- "070_macrozoobenthos" ``` - - ```{r 070-setup, include=FALSE} knitr::opts_chunk$set(echo = FALSE, error=FALSE, warning=FALSE, message=FALSE, cache=FALSE, fig.pos = "H") @@ -14,7 +18,6 @@ knitr::opts_knit$set(eval.after = "fig.cap") ``` - ```{r 070-libraries} library(tidyverse) @@ -25,7 +28,6 @@ library(rprojroot) ## workaround pad ``` - ```{r 070-pad} # pad naar data : pad_data @@ -39,31 +41,46 @@ pad_figuren <- maak_pad(hoofdstuk, "figuren") pad_tabellen <- maak_pad(hoofdstuk, "tabellen") ``` -
- +```{r 070-meta_data} +##metadata nog niet aangepast in 2022, wat moet dat zijn? +meta_data <- + read_delim(paste0(pad_data, "meta_data.csv"), + delim = ";") + +for(i in 1:nrow(meta_data)){ + ##first extract the object value + tempobj=meta_data$waarde[i] + ##now create a new variable with the original name of the list item + eval(parse(text=paste(meta_data$naam[i],"= tempobj"))) +} +``` # Macrozoöbenthos Fichenummer: S_DS_V_002_benthos -__Frank Van de Meutter__, Jan Soors, Dimitri Buerms, Charles Lefranc, Olja Bezdenjesnji, Ada Coudenys - +**Frank Van de Meutter**, Jan Soors, Dimitri Buerms, Charles Lefranc, Olja Bezdenjesnji, Ada Coudenys, Vincent Smeekens ## Inleiding -Een beschrijving van de historische benthosgegevens in de Zeeschelde (1999, 2002, 2005) die verzameld zijn met het oog op een systeemmonitoring, voorafgaand aan de moderne MONEOS monitoring, is te vinden in Speybroeck et al. (2014). -Sinds 2008 wordt jaarlijks op basis van een random stratified design benthos bemonsterd. + +Een beschrijving van de historische benthosgegevens in de Zeeschelde (1999, 2002, 2005) is te vinden in Speybroeck et al. (2014). +Deze gegevens zijn verzameld met het oog op een systeemmonitoring, maar volgen een andere methodologie dan de moderne MONEOS monitoring. +Sinds 2008 wordt jaarlijks op basis van een random stratified design benthos bemonsterd. De gegevens van 2008 tot en met 2022 worden geleverd in een Excel-bestand (benthos_data2008-2022_rapportage2024.xlsx) met volgende werkbladen. - * macrobenthos –- densiteit en biomassa per staalnamelocatie uitgedrukt per m² - * locaties –- de Lambert72-coördinaten van de bemonsterde locaties +- macrobenthos –- densiteit en biomassa per staalnamelocatie uitgedrukt per m² +- locaties –- de Lambert72-coördinaten van de bemonsterde locaties -## Materiaal en methode +## Materiaal en methode ### Strategie -Sinds 2008 wordt een stratified random sampling design toegepast. + +Sinds de intrede van de moneos methodologie in 2008 wordt een stratified random sampling design toegepast. Als hoogste hiërarchisch niveau binnen de stratificatie worden de 7 waterlichamen genomen, zoals deze voor monitoring en beoordeling in de context van de Kaderrichtlijn Water (KRW) worden onderscheiden (EMSE niveau 3). De benaming verschilt echter van de vorige rapportages en refereert nu aan de saliniteit en verblijftijd in de verschillende zones. -In de Oligohaliene zone wordt de Rupel echter apart beschouwd en ook de Dijle en Zenne worden als aparte eenheden behandeld. Sinds 2014 worden twee tijarmen die aantakken op de zone Zoet kort verblijf, de tijarm Zwijnaarde en de tijarm traject Melle-Gentbrugge, apart beschouwd in de sampling design als aparte levels in het stratum waterlichaam. Tot hiertoe werden deze gegevens samen gerapporteerd onder de zone Zoet kort verblijf, het grotere waterlichaam waartoe ze behoren, maar wegens hun aparte dynamiek geven we ze vanaf dit rapport apart weer. +In de Oligohaliene zone wordt de Rupel echter apart beschouwd en ook de Dijle en Zenne worden als aparte eenheden behandeld. +Sinds 2014 worden twee tijarmen die aantakken op de zone Zoet kort verblijf, de tijarm Zwijnaarde en de tijarm traject Melle-Gentbrugge, apart beschouwd in de sampling design als aparte levels in het stratum waterlichaam. +Tot hiertoe werden deze gegevens samen gerapporteerd onder de zone Zoet kort verblijf, het grotere waterlichaam waartoe ze behoren, maar wegens hun aparte dynamiek geven we ze vanaf dit rapport voor de meeste parameters apart weer. Per waterlichaam wordt vervolgens een opdeling gemaakt per fysiotoop, met de uitzondering dat hoog slik en slik in het supralitoraal (potentiële pionierzone) samen genomen worden. Dit resulteert in een gelijkmatige spreiding van de staalnamelocaties. Als basis bij de randomisatie werd de fysiotopenkaart van 2021 gebruikt. @@ -77,12 +94,11 @@ Een volledige staalname gebeurde sindsdien in 2020 en 2023; deze laatste zal in Jaarlijks worden nieuwe random vastgelegde staalnamelocaties gekozen binnen elk van de strata. In principe worden 5 locaties per stratum (combinatie van fysiotoop en waterlichaam) bemonsterd. Dit aantal wordt aangepast in sommige gevallen in functie van de relatieve en absolute areaalgrootte van de fysiotopen binnen de waterlichamen. -Hoewel tijdens het nemen van de stalen veel aandacht gaat naar het zo volledig mogelijk uitvoeren van de vooropgezette design, kan doorgaans een klein aantal stalen niet genomen worden door technische problemen of onvoorziene omstandigheden (bijvoorbeeld grote ongekende velden breuksteen subtidaal die de staalname onmogelijk maken). In de meeste gevallen worden punten over een kleine afstand verlegd, waarbij erop gelet wordt dat ze in dezelfde strata-combinatie blijven. -In 2022 werden uiteindelijk 208 stalen genomen. +Hoewel tijdens het nemen van de stalen veel aandacht gaat naar het zo volledig mogelijk uitvoeren van de vooropgezette design, kan doorgaans een klein aantal stalen niet genomen worden door technische problemen of onvoorziene omstandigheden (bijvoorbeeld grote ongekende velden breuksteen subtidaal die de staalname onmogelijk maken). +In de meeste gevallen worden punten over een kleine afstand verlegd, waarbij erop gelet wordt dat ze in dezelfde strata-combinatie blijven. +In 2022 werden uiteindelijk 208 stalen genomen, hetzelfde aantal als in 2021. Een overzicht van de stalen per stratum is weergegeven in Tabel \@ref(tab:070-staalnamelocaties). - - ```{r 070-staalnamelocaties} # inlezen tabel @@ -114,30 +130,40 @@ tabel_x_waarden %>% ``` -
+ +
### Staalname + We onderscheiden twee soorten benthosstalen. -**basisstaal (BS)**: jaarlijks \* intertidaal: 1 steekbuisstaal (diameter: 4,5cm) tot op een diepte van 15cm \* subtidaal: 1 steekbuisstaal uit een Reineck box-corer staal (diameter: 4,5cm) tot op een diepte van 15cm (in het box-corer staal). In de campagne van 2022 die we hier rapporteren was dit het enige benthosstaal. +**basisstaal (BS)**: jaarlijks + +- intertidaal: 1 steekbuisstaal (diameter: 4,5cm) tot op een diepte van 15cm + +- subtidaal: 1 steekbuisstaal uit een Reineck box-corer staal (diameter: 4,5cm) tot op een diepte van 15cm (in het box-corer staal). + In de campagne van 2022 die we hier rapporteren was dit het enige benthosstaal. -**Oligochaetenidentificatiestaal (OID)**: elke drie jaar (2008, 2011, 2014, 2017) werd tot en met 2017 (dus niet meer in 2020 en 2023) aanvullend een tweede benthosstaal genomen. +**Oligochaetenidentificatiestaal (OID)**: elke drie jaar (2008, 2011, 2014, 2017) werd tot en met 2017 (dus *niet* meer in 2020 en 2023) aanvullend een tweede benthosstaal genomen. Dit staal wordt genomen in functie van de identificatie van oligochaeten (OID). Vanaf 2020 gebeurt de determinatie echter op de oligochaeten die verzameld werden in het basisstaal. -Wanneer de Oligochaeten apart getrieerd zijn voor determinatie noemen we deze oligochaetenfractie wel opnieuw het OID staal. +Wanneer de oligochaeten apart getrieerd zijn voor determinatie noemen we deze oligochaetenfractie wel opnieuw het OID staal. Het staal werd op dezelfde manier genomen als het basisstaal. -Beide benthosstalen (BS, OID) worden gefixeerd (F-Solv 50%). -Bij elk benthosstaal wordt jaarlijks ook een **sedimentstaal** genomen met een sedimentcorer (diameter 2 cm zie ook hoofdstuk 6.2) tot 10 cm diepte in het substraat (intertidaal) of in het box-corer sample (subtidaal). Dit wordt vervolgens ter bewaring ingevroren. +Beide benthosstalen (BS, OID) worden gefixeerd (F-Solv 50%). +Bij elk benthosstaal wordt jaarlijks ook een **sedimentstaal** genomen met een sedimentcorer (diameter 2 cm zie ook hoofdstuk 6.2) tot 10 cm diepte in het substraat (intertidaal) of in het box-corer sample (subtidaal). +Dit wordt vervolgens ter bewaring ingevroren. +Deze gepaarde sedimentstalen worden gebruikt om te rapporteren over sedimentkwaliteit (zie elders in dit rapport). ### Verwerking + Hieronder geven we de chronologie van handelingen bij de verwerking van elk type staal. **BS** -- spoelen en zeven over twee zeven met maaswijdtes 1 mm en 500 µm =\> twee zeeffracties. Elke fractie ondergaat de hierna volgende stappen. +- spoelen en zeven over twee zeven met maaswijdtes 1mm en 500µm =\> twee zeeffracties. Elke fractie ondergaat de hierna volgende stappen: - uitselecteren van fauna - determineren van alle individuen tot op het laagst mogelijke taxonomische niveau + tellen (maar de Oligochaeta worden als 1 taxon gerekend) -- biomassabepaling = verassing ('loss on ignition'): +- biomassabepaling = verassing ('*loss on ignition*'): - per taxon (= soort of een hoger niet nader te determineren taxonomisch niveau) - drogen (12h bij 105°C) =\> drooggewicht (DW) - verassen (2h bij 550°C) =\> asgewicht (AW) @@ -150,24 +176,40 @@ Hieronder geven we de chronologie van handelingen bij de verwerking van elk type - determineren van 25 individuen Oligochaeta per zeeffractie tot op het laagst mogelijke taxonomische niveau + tellen totaal aantal wormen in het staal - geen biomassabepaling per soort; totale oligochaetenbiomassa wordt bepaald in BS ! Dit staal dient dus enkel voor het determineren van oligochaeten! Het bepalen van de soortspecfieke biomassa en densiteit gebeurt door de totale biomassa Oligochaeta in het BS staal te alloceren aan de verschillende taxa volgens hun relatieve aantallen in het OID staal. Deze methode houdt geen rekening met soortspecifieke biomassa's en is dus benaderend. -
- ## Resultaten -We bespreken hieronder de verkennende analyses van de jaarlijkse standaard monitoringsinspanning (BS stalen) die jaarlijks gerapporteerd wordt. + +We bespreken hieronder de verkennende analyses van de jaarlijkse standaard monitoringsinspanning (BS stalen) voor het jaar 2022. ### Resultaten macrozoöbenthos 2022 + #### Densiteit en biomassa De densiteit van het macrozoöbenthos in het Zeeschelde estuarium is in de recente periode relatief stabiel (Figuur \@ref(fig:070-figuur10-soorten), \@ref(fig:070-figuur11-soorten)). Omdat deze parameter voor een deel van de soorten inherent grote fluctuaties ondergaat, wordt deze beoordeeld op zijn logaritmisch verloop. +Bovendien is ze relatief minder betekenisvol en consistent dan de biomassa (zie verder). De veranderingen in 2022 vallen binnen de langjarige variatie. -In de vorige rapportages stipten we aan dat 2019 een recordjaar was in de zone Zoet kort verblijf. In 2020 en 2021 daalden de waarden twee jaar op rij, maar ze bleven wel de hoogste in het Zeeschelde estuarium. In deze rapportage worden voor het eerst de tijarmen onderscheiden van de hoofdbedding van Zeeschelde I. In deze nieuwe zienswijze blijkt niet 2019 maar 2018 het piekjaar in Zeeschelde I. Wel zien we een grote piek in densiteiten in de tijarm Gent-Melle in 2019, waaruit we afleiden dat de hiervoor vermelde piek in Zeeschelde I volledig op het conto kwam van het traject Gent-Melle. -De zijrivieren Durme en Rupel vertoonden matig hoge densiteiten binnen de variatie van het laatste decennium. -Subtidale densiteiten liggen doorgaans een stuk lager, en vertonen een meer erratisch verloop, vermoedelijk doordat macrozoobenthos subtidaal meer heterogeen verspreid voorkomt. - -De biomassa dichtheid (g AFDW per m²) van het macrozoöbenthos in 2022 was eerder hoog in de zijrivieren, met waardes op of nabij de 10g AFDW per m², maar eerder laag in de Zeeschelde, met de uitzonderingen van de zone Saliniteitsgradiënt en het traject Gent-Melle, aan beide uitersten van het Vlaams deel van het estuarium. De opvallende stijging in de zone Saliniteitsgradiënt (Zeeschelde IV, ongeveer Antwerpen tot de Nederlandse grens) die startte in 2019 zette niet door in 2022 in het intertidaal, maar wel in het subtidaal. De verspreiding van grote organismen, met relatief lage aantalsdichtheid wordt met de toen toegepaste staalnametechniek (kleine steekbuis) niet optimaal in beeld gebracht. Dit gaat met name op voor de bivalven, die verantwoordelijk zijn voor de biomassastijging (zie verder). Vanaf 2023 beliste inbo daarom om in de zone Saliniteitsgradiënt aanvullend op de kleine steekbuis (4.5cm diameter) ook een grotere steekbuis (15 cm diameter) in te zetten, om zo een verbeterde schatting te kunnen maken van bivalven en andere grote organismen. De eerste resultaten hiervan zullen in 2025 gerapporteerd worden. -In de zone Zoet kort verblijf lijkt een einde gekomen aan een periode van zeer hoge biomassa dichtheid sinds 2015. VOor het eerst wordt dit patroon nu uitgesplitst voor de hoofdbedding en de twee grote tijarmen van Zwijnaarde en tussen Melle en Gent. Daaruit blijkt dat in tijarm Zwijnaarde relatief lage biomassa (en aantallen) benthos voorkomen, maar dat in de hoofdbedding en vooral in het traject Gent-Melle zeer hoge biomassadichtheden voorkomen. Het piekverloop van macrozooebenthos kende een vrij gelijkaardig tijdsverloop in beide delen, en in zowel het intertidaal als het subtidaal. Na de piek in 2018-2019 volgde een algemene biomassa afname die ook in 2022 verder doorzette. Enkel in het traject Gent-Melle zijn is de biomassadichtheid nog beduidend hoger dan in de overige zoete en oligohaliene delen van de Zeeschelde. - +In de vorige rapportages stipten we aan dat 2019 een recordjaar was in de zone Zoet kort verblijf. +In 2020 en 2021 daalden de waarden twee jaar op rij, maar ze bleven wel de hoogste in het Zeeschelde estuarium. +In deze rapportage worden voor het eerst de tijarmen onderscheiden van de hoofdbedding van de zone Zoet kort verblijf. +In deze nieuwe zienswijze blijkt niet 2019 maar 2018 het piekjaar in deze zone. +Wel zien we een grote piek in densiteiten in de tijarm Gentbrugge-Melle in 2019, waaruit we afleiden dat de hiervoor vermelde piek in de zone Zoet kort verblijf volledig op het conto kwam van het traject Gentbrugge-Melle. +In beide gebieden is er na 2019 een netto afname. +De zijrivieren Durme en Rupel vertoonden matig hoge densiteiten, die valt binnen de variatie van het laatste decennium. +Subtidale densiteiten liggen doorgaans een stuk lager, en vertonen een meer erratisch verloop, vermoedelijk doordat macrozoöbenthos subtidaal meer heterogeen verspreid voorkomt. + +De biomassa dichtheid (g AFDW per m²) van het macrozoöbenthos in 2022 was eerder hoog in de zijrivieren Durme en Rupel, met waardes op of nabij de 10g AFDW per m², maar eerder laag in de Zeeschelde, met de uitzonderingen van de zone Saliniteitsgradiënt en het traject Gentbrugge-Melle, aan beide uitersten van het Vlaams deel van het estuarium. +De opvallende stijging in de zone Saliniteitsgradiënt (Zeeschelde IV, ongeveer Antwerpen tot de Nederlandse grens) die startte in 2019 zette niet door in 2022 in het intertidaal, maar wel in het subtidaal. +De verspreiding van grote organismen, met relatief lage aantalsdichtheid wordt met de toen toegepaste staalnametechniek (kleine steekbuis) niet optimaal in beeld gebracht. +Dit gaat met name op voor de bivalven, die verantwoordelijk zijn voor de biomassastijging (zie verder). +Vanaf 2023 beliste inbo daarom om in de zone Saliniteitsgradiënt aanvullend op de kleine steekbuis (4.5cm diameter) ook een grotere steekbuis (15cm diameter) in te zetten, om zo een verbeterde schatting te kunnen maken van bivalven en andere grote organismen. +De eerste resultaten hiervan zullen in 2025 gerapporteerd worden. +In de zone Zoet kort verblijf lijkt een einde gekomen aan een periode van zeer hoge biomassa dichtheid sinds 2015. +Voor het eerst wordt dit patroon nu uitgesplitst voor de hoofdbedding en de twee grote tijarmen van Zwijnaarde en tussen Melle en Gentbrugge. +Daaruit blijkt dat in tijarm Zwijnaarde relatief lage biomassa (en aantallen) benthos voorkomen, maar dat in de hoofdbedding en vooral in het traject Gentbrugge-Melle hogere tot zeer hoge biomassadichtheden voorkomen. +Het piekverloop van macrozoöbenthos kende een vrij gelijkaardig tijdsverloop in beide delen, en in zowel het intertidaal als het subtidaal. +De benthosbiomassa in deze zone bestaat vrijwel volledig uit Oligochaeta. +Na de piek in 2018-2019 volgde een algemene biomassa afname die ook in 2022 verder doorzette. +Enkel in het traject Gentbrugge-Melle is de biomassadichtheid nog beduidend hoger dan in de overige zoete en oligohaliene delen van de Zeeschelde. Het aandeel lege stalen viel voor alle zones ruim binnen de langjarige variatie (Figuur \@ref(fig:070-figuur12-soorten)). @@ -175,7 +217,9 @@ Het aandeel lege stalen viel voor alle zones ruim binnen de langjarige variatie caption_regressie10 <- "Gemiddelde densiteit (lijn) aan macrozoöbenthos per waterlichaam opgedeeld in subtidaal en intertidaal. De spreiding rond de lijn wordt begrensd door het 1ste quartiel en 3de quartiel." knitr::include_graphics(paste0(pad_figuren, "070-figuur-densiteitgemiddeldeTA.png")) + ``` +
```{r 070-figuur11-soorten, fig.cap=caption_regressie11, out.width="100%"} @@ -183,17 +227,28 @@ caption_regressie11 <- "Gemiddelde biomassa (lijn) aan macrozoöbenthos per wate knitr::include_graphics(paste0(pad_figuren, "070-figuur-biomassagemiddelde-waterlichaam-alternatiefTA.jpg")) ``` +
```{r 070-figuur12-soorten, fig.cap=caption_regressie12, out.width="70%"} caption_regressie12 <- "Aandeel aan lege stalen per waterlichaam doorheen de tijd." +pad_figuren + knitr::include_graphics(paste0(pad_figuren, "070-figuur-aandeel-lege-stalen.jpg")) ``` +
-Door de vastgestelde biomassa dichtheidswaarden (in g AFDW per m²) te vermenigvuldigen met de aanwezige oppervlakte aan verschillende intertidale fysiotopen, kunnen we de totale intertidale biomassa macrozoöbenthos in de Zeeschelde berekenen. Voor de berekening werden de ecotoopoppervlaktes gebruikt van de jaargangen waarvoor gebiedsdekkende ecotoopkaarten voorhanden waren. De oppervlaktes uit kaartjaar 2010 werden gelinkt aan de benthosjaren vóór 2012. De oppervlaktes uit kaartjaar 2013 werden gelinkt aan de benthosjaren 2012-2014, de oppervlaktes uit kaartjaar 2016 werden gelinkt aan de benthosjaren 2015-2017 en de oppervlaktes uit kaartjaar 2019 werden gelinkt aan de benthosjaren 2018-2020. Voor 2021 werden de fysiotoopoppervlaktes voor 2021 gebruikt. Omdat bij het schrijven van dit deelrapport de fysiotoopoppervlaktes voor 2022 nog niet beschikbaar waren, gebruikten we voor dat jaar de oppervlaktes van 2021. Ter illustratie worden ook de totale biomassa's macrozoöbenthos voor de Durme en Rupel getoond; deze maken echter geen deel uit van de totale systeembiomassa van de Zeeschelde. -De systeembiomassa Zeeschelde (Figuur \@ref(fig:070-figuur13)) kende een dip in 2017 voor het stroomafwaartse deel van het estuarium vanaf Durme, Rupel en de zone Saliniteitsgradiënt waarna deze sterk opveerden in en van 2019 tot 2021 de systeembiomassa meer dan 40 ton droge stof bedroeg. In 2022 daalde de systeembiomassa tot iets minder dan 23 ton droge stof, waarmee de vooropgestelde kwaliteitsgrens van 30 ton droge stof neit gehaald werd. +Door de vastgestelde biomassa dichtheidswaarden (in g AFDW per m²) te vermenigvuldigen met de aanwezige oppervlakte aan verschillende intertidale fysiotopen, kunnen we de totale intertidale biomassa macrozoöbenthos in de Zeeschelde berekenen. +Voor de berekening werden de ecotoopoppervlaktes gebruikt van de jaargangen waarvoor gebiedsdekkende ecotoopkaarten voorhanden waren. +De oppervlaktes uit kaartjaar 2010 werden gelinkt aan de benthosjaren vóór 2012. +De oppervlaktes uit kaartjaar 2013 werden gelinkt aan de benthosjaren 2012-2014, de oppervlaktes uit kaartjaar 2016 werden gelinkt aan de benthosjaren 2015-2017 en de oppervlaktes uit kaartjaar 2019 werden gelinkt aan de benthosjaren 2018-2020. +Voor 2021 werden de fysiotoopoppervlaktes voor 2021 gebruikt. +Omdat bij het schrijven van dit deelrapport de fysiotoopoppervlaktes voor 2022 nog niet beschikbaar waren, gebruikten we voor dat jaar de oppervlaktes van 2021. +Ter illustratie worden ook de totale biomassa's macrozoöbenthos voor de Durme en Rupel getoond; deze maken echter geen deel uit van de totale systeembiomassa van de Zeeschelde. +De systeembiomassa Zeeschelde (Figuur \@ref(fig:070-figuur13)) kende een dip in 2017 voor het stroomafwaartse deel van het estuarium vanaf Durme, Rupel en de zone Saliniteitsgradiënt, waarna deze sterk opveerden en van 2019 tot 2021 de systeembiomassa meer dan 40 ton droge stof bedroeg. +In 2022 daalde de systeembiomassa tot iets minder dan 23 ton droge stof, waarmee de vooropgestelde kwaliteitsgrens van 30 ton droge stof niet gehaald werd. ```{r 070-figuur13, fig.cap=caption_regressie13, out.width="70%"} caption_regressie13 <- "Gesommeerd totaal van de gemiddelden per stratum van de systeembiomassa per waterlichaam en voor de totale Zeeschelde, uitgedrukt in ton asvrij drooggewicht. @@ -204,53 +259,74 @@ knitr::include_graphics(paste0(pad_figuren, "070-figuur-intertidalesysteembiomas
-De aanhoudend hoge systeembiomassa van de Zeeschelde tussen 2019-2021 was grotendeels toe te schrijven aan de zone Saliniteitsgradiënt. Vooral in 2019 was er nog een grote bijdrage van de zone Zoet kort verblijf, die in dit rapport correcter becijferd werd door de bijdrages per deelgebied (met name de tijarmen) te berekenen, maar dit aandeel nam sterk af na 2019. +De aanhoudend hoge systeembiomassa van de Zeeschelde tussen 2019-2021 was grotendeels toe te schrijven aan de zone Saliniteitsgradiënt. +Vooral in 2019 was er recent nog een grote bijdrage van de zone Zoet kort verblijf, die in dit rapport correcter becijferd werd door de bijdrages per deelgebied (met name de tijarmen) te berekenen (vandaar lichte verschillen met eerdere rapportages), maar dit aandeel nam sterk af na 2019. De toename in de zone Saliniteitsgradiënt komt helemaal op het conto van de Bivalvia (zie Figuur \@ref(fig:070-figuur13b)). In de eerste plaats is er de vestiging van een exotische nieuwkomer, de brakwaterkorfschelp (*Potamocorbula amurensis*) die in 2018 voor het eerst is vastgesteld in de Zeeschelde (meteen de ook eerste vondst in Europa, Dumoulin & Langeraert, 2020). -De soort breidt sindsdien sterk uit hoewel ze in 2021 en 2022 niet meer voorkwam in de intertidale stalen, maar wel steeds talrijker wordt in het subtidaal (zie Figuur \@ref(fig:070-figuur13d)). Het zwaartepunt van de niche van de brakwaterkorfschelp ligt waarschijnlijk vooral in de (ondiepe?) subtidale zone, en minder in het (laag) intertidaal. Maar zoals eerder aangehaald is de staalnamemethode met kleine steekbuis niet echt aangepast aan het bemonsteren van bivalven en het bepalen van hun densiteiten, zeker in de zones waar de dichtheden lager zijjn. Vanaf 2023 worden ook grotere steekbuis stalen genomen en zullen de schattingen betrouwbaarder worden. We zijn daarom terughoudend om de - voorlopig eenjarige - terugval in intertidale biomassa in de zone Saliniteitsgradiënt al te veel belang toe te kennen, vooral ook omdat we subtidaal wel een verdere toename zien. -Naast de brakwaterkorfschelp doen ook andere bivalven het opvallend goed de laatste jaren, met hoge aantallen van het Nonnetje (*Macoma balthica*) in 2020, en vooral een hoge biomassa dichtheid van de Platte slijkgaper in 2021 (*Scrobicularia plana*) (zie Figuur \@ref(fig:070-figuur13c)). -Het is de eerste keer dat we deze tweekleppige vaststellen tijdens de monitoring in het intertidaal, maar we zien de aantallen van deze in hoofdzaak mariene soort, die normaalgezien in zeer lage aantallen gezien wordt, al enkele jaren fors toenemen in de Zeeschelde. - - -De evaluatiegrenswaarde, 30 ton AFDW in het intertidaal van de Zeeschelde (EMSE 2021), werd in 2022 (22.81 ton droge stof) niet meer gehaald. Sinds 2019 is er een sterke afname van de biomassa van voornamelijk Oligochaeta in de zone Zoet kort verblijf. In het Oligohalien was de biomassa tijdelijk hoger in de periode 2011-2017, maar is sindsdien ook structureel laag. In 2022 is er geen enkele zoete of oligohaliene zone waar nog een hoge biomassa gehaald wordt, behalve in de tijarm Gent-Melle (al is de piek ook hier voorbij). Geen van de zoete of oligohaliene deelgebieden halen hun gebiedsspecifieke kwaliteitsgrens. Ook de globale evaluatiepramater wordt dit jaar niet gehaald, wat echter vooral te wijten is aan de plotse terugval in biomassa van de zone Saliniteitsgradiënt. Dit is veruit de grootste zone in oppervlaktes, zodat toevalseffecten hier sterk uitvergroot worden. Inbo heeft haar staalnamestrategie hierop al aangepast, dus het is vooral uitkijken nu of deze trend in 2023 met betere data kan bevestigd of weerlegd worden. - - +De soort breidt sindsdien sterk uit hoewel ze in 2021 en 2022 niet meer voorkwam in de intertidale stalen, maar wel steeds talrijker werd in het subtidaal (zie Figuur \@ref(fig:070-figuur13d)). +Het zwaartepunt van de niche van de brakwaterkorfschelp ligt waarschijnlijk vooral in de (ondiepe?) subtidale zone, en minder in het (laag) intertidaal. +Zoals eerder aangehaald is de standaard staalnamemethode met kleine steekbuis niet echt aangepast aan het bemonsteren van bivalven en het bepalen van hun densiteiten, zeker in de zones waar de dichtheden lager zijn. +Vanaf 2023 worden ook grotere steekbuis stalen genomen en zullen de schattingen betrouwbaarder worden. +We zijn daarom terughoudend bij de interpretatie van de - voorlopig éénjarige - terugval in intertidale biomassa in de zone Saliniteitsgradiënt, vooral omdat we subtidaal wel nog steeds een verdere toename zien van bivalven. +Naast de brakwaterkorfschelp deden ook andere bivalven het opvallend goed de laatste jaren, met hoge aantallen van het Nonnetje (*Macoma balthica*) in 2020, en vooral een hoge biomassa dichtheid van de Platte slijkgaper in 2021 (*Scrobicularia plana*) (zie Figuur \@ref(fig:070-figuur13c)). +In hoeverre dit een toevalstreffer was zal hopelijk duidelijker worden nadat we de stalen van 2023 verwerkt hebben. +Zowel in 2021 als 2022 vinden we kleine aantallen van de Amerikaanse strandschelp, (*Mulinia lateralis*), een andere recent gevestigde exoot die waarschijnlijk uitbreidt. + + +De evaluatiegrenswaarde, 30 ton AFDW in het intertidaal van de Zeeschelde (EMSE 2021), werd in 2022 (22.81 ton droge stof) niet meer gehaald. +Sinds 2019 is er een sterke afname van de biomassa van voornamelijk Oligochaeta in de zone Zoet kort verblijf. +In het Oligohalien was de biomassa tijdelijk hoger in de periode 2011-2017, maar is sindsdien ook structureel laag. +In 2022 is er geen enkele zoete of oligohaliene zone waar nog een hoge biomassa gehaald wordt, behalve in de tijarm Gentbrugge-Melle (al is de piek ook hier voorbij). +Geen van de zoete of oligohaliene deelgebieden halen hun gebiedsspecifieke kwaliteitsgrens. +Ook de globale evaluatieparameter wordt dit jaar niet gehaald, wat echter vooral te wijten is aan de plotse terugval in biomassa van de zone sterke Saliniteitsgradiënt. +Dit is veruit de grootste zone in oppervlaktes, zodat toevalseffecten hier sterk uitvergroot worden. +Inbo heeft haar staalnamestrategie hierop al aangepast, dus het is vooral uitkijken nu of deze trend in 2023 met betere data kan bevestigd of weerlegd worden. ```{r 070-figuur13b, fig.cap=caption_regressie13b, out.width="70%"} caption_regressie13b <- "Jaarlijkse systeembiommassa (ton droge stof) voor de 7 belangrijkste Taxon groepen in de Zeeschelde. Deze groepen bevatten jaarlijks samen meer dan 95\\% van de systeembiomassa in de Zeeschelde. De toename van de Bivalvia is vrijwel volledig te wijten aan de de brakwaterkorfschelp " knitr::include_graphics(paste0(pad_figuren, "PopTaxgroep_ZS.jpg")) ``` +
```{r 070-figuur13c, fig.cap=caption_regressie13c, out.width="70%"} -caption_regressie13c <- "Jaarlijkse systeembiommassa (ton droge stof) voor de belangrijkste tweekleppigen (Bivalvia) in het intertidaal van de Zeeschelde. Deze soorten bevatten jaarlijks samen meer dan 95\\% van de systeembiomassa in de Zeeschelde. " +caption_regressie13c <- "Jaarlijkse systeembiommassa (ton droge stof) voor de belangrijkste tweekleppigen (Bivalvia) in het intertidaal van de Zeeschelde. Deze soorten bevatten jaarlijks samen meer dan 95\\% van de systeembiomassa in de intertidale Zeeschelde. " knitr::include_graphics(paste0(pad_figuren, "BIVsoortenINTER_ZS.jpg")) ``` +
+ ```{r 070-figuur13d, fig.cap=caption_regressie13d, out.width="70%"} -caption_regressie13d <- "Jaarlijkse systeembiommassa (ton droge stof) voor de belangrijkste tweekleppigen (Bivalvia) in het subtidaal van de Zeeschelde. Deze soorten bevatten jaarlijks samen meer dan 95\\% van de systeembiomassa in de Zeeschelde." +caption_regressie13d <- "Jaarlijkse systeembiommassa (ton droge stof) voor de belangrijkste tweekleppigen (Bivalvia) in het subtidaal van de Zeeschelde. Deze soorten bevatten jaarlijks samen meer dan 95\\% van de systeembiomassa in de subtidale Zeeschelde." knitr::include_graphics(paste0(pad_figuren, "BIVsoortenSUB_ZS.jpg")) ``` +
#### Soortenrijkdom -Volledige determinatie aan de hand van BS- en OID-stalen gebeurt elke drie jaar (2008, 2011, 2014, 2017, 2020). De soortenrijkdom is daarom cyclisch hoger, behalve na 2018 in de zijrivieren omdat hier enkel nog bemonsterd wordt in de OID-jaren. -Een overzicht van de soortenrijkdom voor de verschillende waterlichamen en de verschillende jaren per tidale zone (inter-, sub-) staat in de figuren \@ref(fig:070-figuur15) en \@ref(fig:070-figuur15b). +Volledige determinatie aan de hand van BS- en OID-stalen gebeurt elke drie jaar (2008, 2011, 2014, 2017, 2020). +De soortenrijkdom is daarom cyclisch hoger, behalve na 2018 in de zijrivieren omdat hier enkel nog driejaarlijks bemonsterd wordt in de OID-jaren.\ +Een overzicht van de soortenrijkdom voor de verschillende waterlichamen en de verschillende jaren per tidale zone (inter-, sub-) staat in de figuren \@ref(fig:070-figuur15) en \@ref(fig:070-figuur15b). -In vrij veel zones ligt de soortenrijkdom de laatste 2-3 onderzoeksjaren iets hoger dan in vergelijkbare jaren de voorbije periode. Mogelijke oorzaken zijn het steeds toenemend aantal exotische soorten en de uitzonderlijke droogteperioden die mogelijks marinisatie van de Zeeschelde veroorzaakten. Vooral in de zone Saliniteitsgradiënt zien we vrij consistent een hogere soortenrijkdom. Apart onderzoek is nodig om het relatief belang van exoten in de Zeeschelde te duiden. Opvallend is dat enkel in het Oligohalien en de Rupel de taxa rijkdom vaak hoger is in het subtidaal dan in het intertidaal (Oligochaeta niet meegeteld). Dit patroon is stabiel in de tijd maar een reden ervoor is niet gekend. In de zone Zoet kort verblijf is een gestage toename van de Oligochaeta rijkdom zichtbaar, die we niet zien in de andere zones. +In vrij veel zones ligt de soortenrijkdom de laatste 2-3 onderzoeksjaren iets hoger dan in vergelijkbare jaren de voorbije periode. +Mogelijke oorzaken zijn het steeds toenemend aantal exotische soorten en de uitzonderlijke droogteperioden die mogelijks marinisatie van de Zeeschelde veroorzaakten. +Vooral in de zone Saliniteitsgradiënt zien we vrij consistent een hogere soortenrijkdom. +Apart onderzoek is nodig om het relatief belang van exoten in de Zeeschelde te duiden. +Opvallend is dat enkel in het Oligohalien en de Rupel de taxa rijkdom vaak hoger is in het subtidaal dan in het intertidaal (Oligochaeta niet meegeteld). +Dit patroon is stabiel in de tijd maar een reden ervoor is niet gekend. ```{r 070-figuur15, fig.cap=caption_regressie15, out.width="100%"} -caption_regressie15 <- "Staalgemiddelde soortenrijkdom (boxplots; mediaan, IQrange) per waterlichaam doorheen de tijd. De Oligochaeta worden niet steeds gedetermineerd en werden als 1 taxon beschouwd, behalve in de jaren 2008, 2011, 2014, 2017 en 2020. De jaren onderling vergelijken kan dus enkel tussen deze opgesomde jaren, en tussen de tussenliggende jaren." +caption_regressie15 <- "Staalgemiddelde soortenrijkdom (boxplots; mediaan, IQrange) per waterlichaam doorheen de tijd. De Oligochaeta worden niet steeds gedetermineerd en werden als 1 taxon beschouwd, behalve in de jaren 2008, 2011, 2014, 2017 en 2020. De jaren onderling vergelijken kan dus enkel tussen deze opgesomde jaren, en tussen de tussenliggende jaren. De zijrivieren werden niet bemonsterd in 2022 en worden enkel getoond ter vergelijking." knitr::include_graphics(paste0(pad_figuren, "070-figuur-soortenrijkdom-Zeeschelde.jpg")) ``` ```{r 070-figuur15b, fig.cap=caption_regressie15b, out.width="100%"} -caption_regressie15b <- "Soortenrijkdom per waterlichaam doorheen de tijd. De Oligochaeta worden niet steeds gedetermineerd en werden als 1 taxon beschouwd, behalve in de jaren 2008, 2011, 2014, 2017 en 2020. De jaren onderling vergelijken kan dus enkel voor deze opgesomde jaren, en de tussenliggende jaren. In de zijrivieren wordt sinds 2017 niet meer jaarlijks maar driejaarlijks bemonsterd tijdens de OID jaren, waardoor de diversiteit hoger lijkt." +caption_regressie15b <- "Soortenrijkdom per waterlichaam doorheen de tijd. De Oligochaeta worden niet steeds gedetermineerd en werden als 1 taxon beschouwd, behalve in de jaren 2008, 2011, 2014, 2017 en 2020. De jaren onderling vergelijken kan dus enkel voor deze opgesomde jaren, en de tussenliggende jaren. In de zijrivieren wordt sinds 2017 niet meer jaarlijks maar driejaarlijks bemonsterd tijdens de OID jaren, waardoor de diversiteit hoger lijkt. De zijrivieren werden niet bemonsterd in 2022 en worden enkel getoond ter vergelijking." knitr::include_graphics(paste0(pad_figuren, "070-figuur-soortenrijkdom-lijn-Zeeschelde.jpg")) ``` @@ -267,61 +343,100 @@ De evolutie van deze parameter overheen de jaren per tidale zone (inter-, sub-) De Shannon indices voor het intertidaal zijn vrij stabiel doorheen de tijd. De Zeeschelde als geheel en de zone sterke Saliniteitsgradiënt hebben intertidaal een hogere Shannon diversiteit dan de overige zones, die vrij laag scoren. -Voor Oligohalien biomassa en densiteiten en voor de overige zones enkel voor de densiteiten, is er grosso-modo een toenemende trend sinds 2015 van de Shannon-diversiteit. - +Voor Oligohalien biomassa en densiteiten en voor de overige zones enkel voor de densiteiten, is er grosso-modo een toenemende trend sinds 2015 van de Shannon-diversiteit. De patronen in het subtidaal zijn behoorlijk erratisch in vergelijking met deze voor het intertidaal. Door de veel lagere densiteit en biomassadichtheid in het subtidaal is de invloed van toeval op de Shannon diversiteit er vermoedelijk relatief groter. Met wat goede wil is ook hier een opvering van de Shannon index in de deelgebieden merkbaar sinds 2015, maar variatie tussen de jaren is groot. Een opmerkelijk patroon is te zien in de zone sterke Saliniteitsgradiënt: bij densiteiten is er een toename, terwijl er voor biomassa een sterke afname van de Shannon diversiteit is in de laatste 2 jaren. -Waarschijnlijk is dit te wijten aan de opkomst en tegenwoordig dominantie van de brakwaterkorfschelp (Dumoulin & Langeraert, 2020). In 2022 vertoonden de overige subtidale Shannon-indices overwegend een neerwaartse trend, maar evaluatie gebeurt best op langjarige tijdsreeksen bij deze variabele parameter. +Waarschijnlijk is dit te wijten aan de opkomst en tegenwoordig dominantie van de brakwaterkorfschelp (Dumoulin & Langeraert, 2020). +In 2022 vertoonden de overige subtidale Shannon-indices overwegend een neerwaartse trend, maar evaluatie gebeurt best op langjarige tijdsreeksen bij deze variabele parameter. ```{r 070-figuur16, fig.cap=caption_regressie16, out.width="100%"} -caption_regressie16 <- "Shannon diversiteit per waterlichaam en voor de volledige Zeeschelde voor het intertidaal doorheen de tijd. De shannon diversiteit werd zowel berekend op densiteiten (aantallen/m²) als voor biomassa (g/m²). De Oligochaeta worden niet steeds gedetermineerd en werden als 1 taxon beschouwd." +caption_regressie16 <- "Shannon diversiteit per waterlichaam en voor de volledige Zeeschelde voor het intertidaal doorheen de tijd. De Shannon diversiteit werd zowel berekend op densiteiten (aantallen/m²) als voor biomassa (g/m²). De Oligochaeta worden niet steeds gedetermineerd en werden als 1 taxon beschouwd." knitr::include_graphics(paste0(pad_figuren, "070-figuur-Shannondiv-intert-Zeeschelde.jpg")) ``` ```{r 070-figuur17, fig.cap=caption_regressie17, out.width="100%"} -caption_regressie17 <- "Shannon diversiteit per waterlichaam en voor de volledige Zeeschelde voor het subtidaal doorheen de tijd. De shannon diversiteit werd zowel berekend op densiteiten (aantallen/m²) als voor biomassa (g/m²). De Oligochaeta worden niet steeds gedetermineerd en werden als 1 taxon beschouwd." +caption_regressie17 <- "Shannon diversiteit per waterlichaam en voor de volledige Zeeschelde voor het subtidaal doorheen de tijd. De Shannon diversiteit werd zowel berekend op densiteiten (aantallen/m²) als voor biomassa (g/m²). De Oligochaeta worden niet steeds gedetermineerd en werden als 1 taxon beschouwd." knitr::include_graphics(paste0(pad_figuren, "070-figuur-Shannondiv-subt-Zeeschelde.jpg")) ``` -
## Algemene conclusie **De soortenrijkdom** -De soortenrijkdom (exclusief Oligochaeta) lijkt de laatste paar jaren licht te stijgen in verschillende waterlichamen van de Zeeschelde met name de zone Zoet kort en Saliniteitsgradiënt. -In de laatste zone zijn de laatste jaren een aantal soorten tweekleppigen toegenomen en is er mogelijk marinisatie gaande. Verder is nader onderzoek nodig om het toenemend belang van exoten in de Zeeschelde in kaart te brengen. - +De soortenrijkdom (exclusief Oligochaeta) lijkt de laatste paar jaren licht te stijgen in verschillende waterlichamen van de Zeeschelde met name de zone Zoet kort verblijf en sterke Saliniteitsgradiënt. +In de laatste zone zijn recent een aantal soorten (deels exotische) tweekleppigen toegenomen en is er mogelijk marinisatie gaande, waardoor soorten die normaal in de Westerschelde voorkomen nu meer in de Zeeschelde opduiken. +Verder is nader onderzoek nodig om het toenemend belang van exoten in de Zeeschelde in kaart te brengen. **De Shannon diversiteit** De Shannon diversiteit is een nieuwe EMSE evaluatieparameter die in 2022 voor het eerst gerapporteerd werd (Van Ryckegem et al. 2022). Het gedrag van deze parameter en hoe deze best te interpreteren is nog onderhevig aan voortschrijdend inzicht. -Een eerste beoordeling gaf aan dat deze parameter vrij sterke fluctuaties vertoont en mogelijk minder goed bruikbaar is in de subtidale zone, door het erratisch verloop van de parameter overheen de jaren. Waarschijnlijk is dit gelinkt aan de lagere densiteiten macrozoöbenthos in deze zone, en grotere toevalseffecten bij de standaard bemonstering. -De Shannon diversiteit in het intertidaal is in de meeste zones behalve sterke saliniteitsgradiënt heel laag. -Dit is te wijten aan de dominantie van 1 taxon (Oligochaeta). Omdat Oligochaeta slechts om de drie jaren tot op soort gedetermineerd worden, wordt deze diversiteit niet in rekening gebracht. Sinds 2015 zien we dat de Shannon-diversiteit overal is toegenomen en de verschillen kleiner worden. Dit is het meest duidelijk in de oligohaliene zone. +Een eerste beoordeling gaf aan dat deze parameter vrij sterke fluctuaties vertoont en mogelijk minder goed bruikbaar is in de subtidale zone, door het erratisch verloop van de parameter overheen de jaren. +Waarschijnlijk is dit gelinkt aan de lagere densiteiten macrozoöbenthos in deze zone, en grotere toevalseffecten bij de standaard bemonstering. +De Shannon diversiteit in het intertidaal is in de meeste zones behalve sterke Saliniteitsgradiënt heel laag. +Dit is te wijten aan de dominantie van 1 taxon (Oligochaeta). +Omdat Oligochaeta slechts om de drie jaren tot op soort gedetermineerd worden, wordt deze diversiteit niet in rekening gebracht, en dus onderschat. +Sinds 2015 zien we dat de Shannon-diversiteit overal is toegenomen en de verschillen tussen deelgebieden kleiner worden. +Dit is het meest duidelijk in de oligohaliene zone. Subtidaal is er in de zone met sterke Saliniteitsgradiënt recent een duidelijke toename in diversiteit gebaseerd op aantallen, maar een gelijktijdige sterke afname in diversiteit gebaseerd op biomassa. Dat laatste fenomeen is wellicht te wijten aan de opkomst en momenteel sterke dominantie van de brakwaterkorfschelp. **De systeembiomassa** -Na een periode van drie jaren waarin het kwaliteitscriterium voor de systeembiomassa vlot overschreden werd, zakte de systeembiomassa in 2022 weer (ver) onder de kritische grens van 30 ton droge stof voor het intertidaal van de Zeeschelde (22.8 ton). De periode waarin zeer hoge densiteiten en biomassa Oligochaeta in de zoete en oligohaliene zones een grote bijdrage hadden aan de systeembiomassa ligt als even achter ons. Tijdelijke bloeiperiodes van Oligochaeta, zoals in de zone Zoet kort verblijf en de aanliggende tijarm Gent-Melle in 2018-2019 doven nu uit. In al de zones waarin Oligochaeta de dominante groep zijn (zoet en oligohalien) halen we de lokale kwaliteitscriteria ruim niet. De totale systeembiomassa van het intertidaal macrozoöbenthos werd recent vooral bepaald door de zone Saliniteitsgradiënt, en werd aangestuurd door een plotse toename van tweekleppigen en de vestiging van een exotische soort brakwaterkorfschelp. Deze laatste soort komt vooral subtidaal voor, en heeft net als de andere tweekleppigen lagere densiteiten in het (laag) intertidaal. De standaard staalnamemethode met een kleine steekbuis is minder geschikt om in dergelijke situaties macrozoöbenthos densiteiten te bepalen, met een grotere onzekerheid op de biomassa bepaling en grotere, betekenisloze verschillen tussen opeenvolgende jaren als gevolg. De sterke daling van de biomassa droge stof in de zone Saliniteitsgradiënt, en daardoor een terugval onder de kritische grens voor het systeem Zeeschelde, is dus mogelijk een sampling effect. Een indicatie dat het om een sampling effect gaat, is dat in het subtidaal er wel een verdere toename van benthosbiomassa werd vastgesteld. -Om de impact van dit potentieel methodologisch artefact te verminderen, en de staalnamemethode aan te passen aan de nieuwe situatie waarin tweekleppigen talrijk voorkomen in de Zeeschelde, voegde inbo vanaf 2023 een extra staalname met grote steekbuis toe aan het moneos protocol voor de zone Saliniteistgradiënt. Bij de volgende rapportage in 2025 zullen de resultaten hiervan besproken worden, en zal met meer betrouwbare data kunnen beoordeeld worden hoe de systeembiomassa evolueert. - +Na een periode van drie jaren waarin het kwaliteitscriterium voor de systeembiomassa vlot gehaald werd, zakte deze in 2022 weer (ver) onder de kritische grens van 30 ton droge stof voor het intertidaal van de Zeeschelde (22.8 ton). +De periode waarin zeer hoge densiteiten en biomassa Oligochaeta in de zoete en oligohaliene zones een grote bijdrage hadden aan de systeembiomassa ligt als even achter ons. +Tijdelijke bloeiperiodes van Oligochaeta, zoals in de zone Zoet kort verblijf en de aanliggende tijarm Gentbrugge-Melle in 2018-2019 doven nu uit. +In al de zones waarin Oligochaeta de dominante groep zijn (zoet en oligohalien) halen we de lokale kwaliteitscriteria ruim niet. +De totale systeembiomassa van het intertidaal macrozoöbenthos werd recent vooral bepaald door de zone Saliniteitsgradiënt, en werd aangestuurd door een plotse toename van tweekleppigen en de vestiging van een exotische soort, de brakwaterkorfschelp. +Deze laatste soort komt vooral subtidaal voor, en heeft net als de andere tweekleppigen lagere densiteiten in het (laag) intertidaal. +De standaard staalnamemethode met een kleine steekbuis is minder geschikt om in dergelijke situaties macrozoöbenthos densiteiten te bepalen, met een grotere onzekerheid op de biomassa bepaling en grotere, betekenisloze verschillen tussen opeenvolgende jaren als gevolg. +De sterke daling van de biomassa droge stof in de zone Saliniteitsgradiënt, en daardoor een terugval onder de kritische grens voor het systeem Zeeschelde, is dus mogelijk een sampling effect. +Een indicatie dat het om een sampling effect gaat, is dat in het subtidaal er wel een verdere toename van benthosbiomassa werd vastgesteld. +Om de impact van dit potentieel methodologisch artefact te verminderen, en de staalnamemethode aan te passen aan de nieuwe situatie waarin tweekleppigen talrijk voorkomen in de Zeeschelde, voegde inbo vanaf 2023 een extra staalname met grote steekbuis toe aan het moneos protocol voor de zone Saliniteistgradiënt. +Bij de volgende rapportage in 2025 zullen de resultaten hiervan besproken worden, en zal met meer betrouwbare data kunnen beoordeeld worden hoe de systeembiomassa evolueert. ## Referenties -Dumoulin, E., & Langeraert W. (2020). De brakwaterkorfschelp *Potamocorbula amurensis* (Schrenck, 1861) (Bivalvia, Myida, Corbulidae), een nieuwkomer in het Schelde-estuarium; of het begin van een lang verhaal. Inleiding. De Strandvlo 40: 113–172. - -Nichols F., Thompson J. & Schemel L. (1990). Remarkable invasion of San Francisco Bay (California, USA), by the Asian clam *Potamocorbula amurensis*. II, Displacement of a former community. Marine Ecology Progress Series 66: 95–101. - -Van Hoey G., Drent J. & Ysebaert T. (2007). The Benthic Ecosystem Quality Index (BEQI), intercalibration and assessment of Dutch coastal and transitional waters for the Water Framework Directive - Final Report. NIOO report 2007-02. - -Van Ryckegem G., Vanoverbeke J., Van Braeckel A., Van de Meutter F., Mertens W. Mertens A. & Breine J. (2021). MONEOS-Datarapport INBO: toestand Zeeschelde 2020. Monitoringsoverzicht en 1ste lijnsrapportage Geomorfologie, diversiteit Habitats en diversiteit Soorten. Rapporten van het Instituut voor Natuur- en Bosonderzoek 2021 (47). Instituut voor Natuur- en Bosonderzoek, Brussel. DOI: doi.org/10.21436/inbor.52484672. -Van Ryckegem G., Vanoverbeke J., Van Braeckel A., Van de Meutter F., Mertens W. Mertens A. & Breine J. (2021). MONEOS-Datarapport INBO: toestand Zeeschelde 2020. Monitoringsoverzicht en 1ste lijnsrapportage Geomorfologie, diversiteit Habitats en diversiteit Soorten. Rapporten van het Instituut voor Natuur- en Bosonderzoek 2021 (47). Instituut voor Natuur- en Bosonderzoek, Brussel. DOI: doi.org/10.21436/inbor.52484672. +Dumoulin, E., & Langeraert W. +(2020). +De brakwaterkorfschelp *Potamocorbula amurensis* (Schrenck, 1861) (Bivalvia, Myida, Corbulidae), een nieuwkomer in het Schelde-estuarium; of het begin van een lang verhaal. +Inleiding. +De Strandvlo 40: 113–172. + +Nichols F., Thompson J. +& Schemel L. +(1990). +Remarkable invasion of San Francisco Bay (California, USA), by the Asian clam *Potamocorbula amurensis*. +II, Displacement of a former community. +Marine Ecology Progress Series 66: 95–101. + +Van Hoey G., Drent J. +& Ysebaert T. +(2007). +The Benthic Ecosystem Quality Index (BEQI), intercalibration and assessment of Dutch coastal and transitional waters for the Water Framework Directive - Final Report. +NIOO report 2007-02. + +Van Ryckegem G., Vanoverbeke J., Van Braeckel A., Van de Meutter F., Mertens W. Mertens A. +& Breine J. +(2021). +MONEOS-Datarapport INBO: toestand Zeeschelde 2020. +Monitoringsoverzicht en 1ste lijnsrapportage Geomorfologie, diversiteit Habitats en diversiteit Soorten. +Rapporten van het Instituut voor Natuur- en Bosonderzoek 2021 (47). +Instituut voor Natuur- en Bosonderzoek, Brussel. +DOI: doi.org/10.21436/inbor.52484672. + +Van Ryckegem G., Vanoverbeke J., Van Braeckel A., Van de Meutter F., Mertens W. Mertens A. +& Breine J. +(2021). +MONEOS-Datarapport INBO: toestand Zeeschelde 2020. +Monitoringsoverzicht en 1ste lijnsrapportage Geomorfologie, diversiteit Habitats en diversiteit Soorten. +Rapporten van het Instituut voor Natuur- en Bosonderzoek 2021 (47). +Instituut voor Natuur- en Bosonderzoek, Brussel. +DOI: doi.org/10.21436/inbor.52484672. From f9ec1dc927d92c765915b8b69216933ac5544b02 Mon Sep 17 00:00:00 2001 From: VAN DE MEUTTER Date: Sat, 31 Aug 2024 14:18:32 +0200 Subject: [PATCH 034/102] eerste versie hyperbenthos --- .../080_hyperbenthos_analyse.Rmd | 715 ++++++++++++++++++ .../080_hyperbenthos_data.Rmd | 137 ++++ .../080_hyperbenthos.Rmd | 324 ++++++++ 3 files changed, 1176 insertions(+) create mode 100644 moneos_2024/080_hyperbenthos/080_hyperbenthos_analyse.Rmd create mode 100644 moneos_2024/080_hyperbenthos/080_hyperbenthos_data.Rmd create mode 100644 moneos_2024/150_geintegreerd_rapport/080_hyperbenthos.Rmd diff --git a/moneos_2024/080_hyperbenthos/080_hyperbenthos_analyse.Rmd b/moneos_2024/080_hyperbenthos/080_hyperbenthos_analyse.Rmd new file mode 100644 index 0000000..5fc18bb --- /dev/null +++ b/moneos_2024/080_hyperbenthos/080_hyperbenthos_analyse.Rmd @@ -0,0 +1,715 @@ +--- +params: + hoofdstuk: "080_hyperbenthos" +knit: (function(inputFile, ...) { + rmarkdown::render(inputFile, + output_dir = paste0(rmarkdown::yaml_front_matter(inputFile)$params$hoofdstuk, "/output"))}) +title: "Hyperbenthos data" +output: word_document +editor_options: + chunk_output_type: console +--- + +```{r 080-setup, include=FALSE} + +knitr::opts_chunk$set(echo = FALSE, error=FALSE, warning=FALSE, message=FALSE, cache=FALSE) + +``` + + +```{r 080-libraries} + +library(tidyverse) +library(readxl) +library(writexl) +library(ggpubr) +library(INBOtheme) +library(rprojroot) +library(lubridate) +library(ggforce) +library(grid) +library(forcats) +library(gghighlight) + +``` + + +```{r 080-pad} + +# inlezen van variabelen +# pad naar data : pad_data +# pad naar tabellen : pad_tabellen +# pad naar figuren : pad_figuren + +source(find_root_file("../pad.R", criterion = is_rstudio_project)) + +pad_data <- maak_pad(params$hoofdstuk, "data") +pad_figuren <- maak_pad(params$hoofdstuk, "figuren") +pad_tabellen <- maak_pad(params$hoofdstuk, "tabellen") + +source("G:/.shortcut-targets-by-id/0B0xcP-eNvJ9dZDBwVVJOVk5Ld2s/PRJ_SCHELDE/VNSC/Rapportage_INBO/2022/Function_CalculateShannonIndex.R") +``` + + +```{r 080-data} + +data_hyperbenthos <- + read_excel(paste0(pad_data, "hyperbenthos_data_2013_2023.xlsx")) + + +data_hpb.gnexoot <- data_hyperbenthos %>% + dplyr::filter(exoot == 0) + +vroegste_jaar <- + data_hyperbenthos %>% + pull(Jaar) %>% + min() + +laatste_jaar <- + data_hyperbenthos %>% + pull(Jaar) %>% + max() + +gebied_order <- + c("Paardenschor","St-Anna","Rupel", "Ballooi","Dendermonde","Brede Schoren") + + + +``` + + +```{r 080-totaal-over-soorten} +# som alle soorten, geen exoten +data_hyperbenthos_totaal <- + data_hpb.gnexoot %>% + dplyr::group_by(Jaar, Maand, gebied) %>% + dplyr::summarise_at(vars(n, AFDW), ~sum(.,na.rm=TRUE)) %>% + dplyr::mutate(zone = if_else(gebied == "Brede Schoren" | gebied == "Dendermonde", "Zoet", if_else(gebied == "Ballooi" | gebied == "Rupel", "Oligohalien", "Sterke Saliniteitsgradiënt"))) %>% + ungroup() + +#som per soort, per jaar, ook exoten, en in percent. stomme INBOtheme kan maar 9 kleuren, dus selecteren van 8 grootste +#eerst jaarsom om % te knn berekenen in volgende stap +hpb.totsom <- data_hyperbenthos %>% + dplyr::group_by(Jaar) %>% + dplyr::summarise(totbiom = sum(na.omit(AFDW)), + totdens = sum(na.omit(n))) + +data.h.b <- data_hyperbenthos %>% + left_join(hpb.totsom, by = "Jaar") %>% + dplyr::group_by(soort, Jaar) %>% + dplyr::summarise(biom_perc = sum(AFDW)/totbiom) %>% + ungroup() %>% + distinct() %>% + arrange(desc(biom_perc)) %>% + dplyr::group_by(Jaar) %>% + slice(1:8) %>% + ungroup() +#om negende fractie te krijgen +tussenstap.1 <- data.h.b %>% + group_by(Jaar) %>% + summarise(biom_perct = 1- sum(biom_perc)) %>% + ungroup() %>% + mutate(soort = "rest") +#de hoogste 8 samenvoegen met de rest +data.hpb.biomsoort<- tussenstap.1 %>% + dplyr::select(soort, Jaar, biom_perct) %>% + rename(biom_perc = biom_perct) %>% + rbind(data.h.b) + + +## probleem blijft want je hebt over meerdee jaren 21 soorten, dus soorten krijgen versch kleuren in versch jaren. Daarom selectie van 9 meest abundante taxa maken, en die dan voor elk jaar plotten. + + + + +``` + +```{r 080-soort trends} +data.h.bsp <- data_hyperbenthos %>% + dplyr::mutate(zone = if_else(gebied == "Brede Schoren" | gebied == "Dendermonde", "Zoet", if_else(gebied == "Ballooi" | gebied == "Rupel", "Oligohalien", "Sterke Saliniteitsgradiënt"))) %>% + mutate(zone = factor(zone, + levels = c("Sterke Saliniteitsgradiënt", "Oligohalien", "Zoet"))) %>% + dplyr::mutate(soort = recode(soort, "Pomatoschistus minutus"="Pomatoschistus sp")) %>% + dplyr::group_by(soort, Jaar, zone) %>% + dplyr::summarise(biom_sp = sum(na.omit(AFDW))) %>% + ungroup() %>% + complete(soort, zone, Jaar, fill = list(biom_sp = 0)) %>% #geen Palaemons in 2023!!! + dplyr::filter(soort %in% c("Platichthys flesus", "Crangon crangon", "Neomysis integer", "Pomatoschistus sp", "Palaemon longirostris", "Mesopodopsis slabberi")) #rest"Abramis brama", + +ggplot(data.h.bsp, aes(x=Jaar, y=biom_sp, color=soort))+ + geom_line(aes(color=soort), linewidth=2)+ + scale_x_continuous(labels = scales::number_format(accuracy = 1))+ + ylab("Biomassa AFDW jaarsom 2 locaties")+ + facet_grid(~zone) + +ggsave(paste0(pad_figuren, "080-figuur-biomassa_soorten_jaren.jpg"), height=6, width=9) + +levels(ordered(data_hyperbenthos$soort)) + +``` + + + +```{r 080-taxa selectie 8} +# selecteer 8 taxa met hoogste proc bijdrage aan biomassa overheen alle jaren. Keuze voor 8 omdat INBO_theme maar 9 kleur levels heeft +hpb.sel.8sp<- data_hyperbenthos %>% + dplyr::filter(Maand %in% c(4:10)) %>% + left_join(hpb.totsom, by = "Jaar") %>% + dplyr::group_by(soort, Jaar) %>% + dplyr::reframe(biom_perc = sum(na.omit(AFDW))/totbiom*100) %>% + ungroup() %>% + distinct() %>% + dplyr::group_by(soort) %>% + dplyr::summarize(perc_biom = max(na.omit(biom_perc)))%>% + arrange(desc(perc_biom)) %>% + slice(1:8) %>% + ungroup() +sel <- hpb.sel.8sp$soort + +#dframe met alleen de 8 sp en hun perc_biom +hpb.sel.8sp.biom<- data_hyperbenthos %>% + dplyr::filter(Maand %in% c(4:10)) %>% + left_join(hpb.totsom, by = "Jaar") %>% + dplyr::group_by(soort, Jaar) %>% + dplyr::reframe(biom_perc = sum(na.omit(AFDW))/totbiom*100) %>% + ungroup() %>% + complete(soort, Jaar, fill = list(biom_perc = 0)) %>% + dplyr::filter(soort %in% sel) %>% + distinct() + +# Nu berekenen wat biom proc is van rest voor elk jaar +restbiom8sp <-data_hyperbenthos %>% + dplyr::filter(Maand %in% c(4:10)) %>% + dplyr::filter(soort %in% sel) %>% + dplyr::group_by(Jaar) %>% + dplyr::summarise(biom_8sp = sum(na.omit(AFDW))) %>% + left_join(hpb.totsom, by ="Jaar") %>% + dplyr::mutate(perc_biom = (totbiom-biom_8sp)/totbiom*100, + soort = "rest") %>% + dplyr::select(soort, Jaar, perc_biom) %>% + rename(biom_perc = perc_biom) + +hpb.sel.8sp.compl <- hpb.sel.8sp.biom %>% + rbind(restbiom8sp) + + + +``` + + +```{r 080-per-waterloop-en-tidaal} + +data_hyperbenthos_ZSmaand <- + data_hyperbenthos_totaal %>% + group_by(Jaar, Maand) %>% + summarise_at(vars(n, AFDW), + list(mean = ~max(0, mean(., na.rm = TRUE)), + med = ~max(0, median(., na.rm = TRUE)), + lwr1 = ~max(0, quantile(., 0.25, na.rm = TRUE)), + upr1 = ~max(0, quantile(., 0.75, na.rm = TRUE)), + lwr2 = ~max(0, quantile(., 0.05, na.rm = TRUE)), + upr2 = ~max(0, quantile(., 0.95, na.rm = TRUE)))) %>% + ungroup() + +#jaartotalen voor ZS - som van 6 gebieden, alleen april-okt, +data_hyperbenthos_ZS <- + data_hyperbenthos_totaal %>% + dplyr::filter(Maand %in% c(4:10), Jaar %in% c(2014:2020)) %>% + dplyr::group_by(Jaar) %>% + summarise_at(vars(n, AFDW), + list(tot = ~sum(., na.rm = TRUE), mean = ~max(0, mean(., na.rm = TRUE)), + med = ~max(0, median(., na.rm = TRUE)), + lwr1 = ~max(0, quantile(., 0.25, na.rm = TRUE)), + upr1 = ~max(0, quantile(., 0.75, na.rm = TRUE)), + lwr2 = ~max(0, quantile(., 0.05, na.rm = TRUE)), + upr2 = ~max(0, quantile(., 0.95, na.rm = TRUE)))) %>% + ungroup() +``` + + +```{r 080-figuur-densiteit-totaal-gebied-maandverloop-jaren} + + +ylb <- expression(paste("densiteit ", "(ind/", '40', m^3, ")")) + +fnt <- 8 + + +bxp_hpbaprokt <- + data_hyperbenthos_totaal %>% + dplyr::filter(Maand %in% c(4:10)) %>% + mutate(gebied = factor(gebied, + levels = gebied_order), + Maand = ordered(Maand)) + +bxp_hpbaprokt23 <- + data_hyperbenthos_totaal %>% + dplyr::filter(Maand %in% c(4:10)) %>% + mutate(gebied = factor(gebied, + levels = gebied_order), + Maand = ordered(Maand)) %>% + dplyr::filter(Jaar == 2023) + +bxp_hpb <- bxp_hpbaprokt %>% + ggplot(aes(x=Maand, y= n, group=Jaar)) + + geom_line(aes(colour=Jaar), linewidth = 0.8) + + geom_line(data = bxp_hpbaprokt23, aes(x=Maand, y= n), linewidth = 3, colour = "lightblue") + + #gghighlight(Jaar == 2023, + # unhighlighted_params = list(linewidth = 0.5, colour= NULL), keep_scales = TRUE)+ + #geom_line(data = dplyr::filter(bxp_hpbaprokt, Jaar == 2023), linewidth = 2)+ + scale_y_log10(breaks = c(0,10,1000,100000)+1, labels = c(0,10,1000,100000)) + + scale_color_continuous(label = function(x) sprintf("%.0f", x)) + + labs(x = "Maand", + y = ylb) + +bxp_hpb1 <- bxp_hpb+ + facet_grid_paginate(~gebied, ncol=3, nrow=1, page=1) + + +bxp_hpb2 <- bxp_hpb+ + facet_grid_paginate(~gebied, ncol=3, nrow=1, page=2) + + +ggarrange(bxp_hpb1 + rremove("xlab")+ font("xy.text", size = fnt), + bxp_hpb2 + font("xy.text", size = fnt), + nrow = 2, common.legend = TRUE, legend = "right")+ bgcolor("White") + +ggsave(paste0(pad_figuren, "080-figuur-densiteit_totaal-gebied-maandverloop_jaren.jpg"), height=6, width=9) + +``` + +```{r 080-figuur-densiteit-totaal-ZS-maandverloop-jaren} +ylb <- expression(paste("densiteit ", "(ind/", '40', m^3, ")")) + +fnt <- 8 + + +bxp_hpbZSaprokt <- + data_hyperbenthos_totaal %>% + dplyr::filter(Maand %in% c(4:10), Jaar !=2013) %>% + mutate(Maand = ordered(Maand)) %>% + dplyr::group_by(Jaar, Maand) %>% + dplyr::summarise(nZS = sum(na.omit(n)), + AFDWZS = sum(na.omit(AFDW))) + +bxp_hpbZSaprokt23 <- bxp_hpbZSaprokt %>% + dplyr::filter(Jaar == 2023) + +bxp_hpbZS <- bxp_hpbZSaprokt %>% + ggplot(aes(x=Maand, y= nZS, group=Jaar)) + + geom_line(aes(colour=Jaar), linewidth = 0.8) + + geom_line(data= bxp_hpbZSaprokt23, aes(x=Maand, y= nZS), linewidth = 3, colour= "lightblue") + + scale_y_log10(breaks = c(0,10,1000,10000)+1, labels = c(0,10,1000,10000)) + + labs(x = "Maand", + y = ylb) +bxp_hpbZS + +ggsave(paste0(pad_figuren, "080-figuur-densiteit_totaal-ZS-maandverloop_jaren.jpg"), height=4, width=6) + + +bxp_hpbZSj_ALL <- + data_hyperbenthos_totaal %>% + dplyr::filter(Maand %in% c(4:10), Jaar !=2013) %>% + dplyr::group_by(Jaar) %>% + dplyr::summarise(nZS = sum(na.omit(n)/6), + AFDWZS = sum(na.omit(AFDW))/6) %>% + ggplot(aes(x=Jaar, y= nZS)) + + geom_line(size = 1.2) + + geom_line(aes(y=zoo::rollmean(nZS, 3, na.pad=TRUE)), size = 1.2, colour="red") + + geom_line(size = 1.2) + + labs(x = "", y="") + + #theme(axis.text.x = element_text(angle = 45))+ + ylim(100,25000)+ ggtitle("Volledige Zeeschelde")+ + theme(title =element_text(size=10)) +bxp_hpbZSj_ALL + +bxp_hpbZSj_SS <- + data_hyperbenthos_totaal %>% + dplyr::filter(Maand %in% c(4:10), Jaar !=2013, zone == "Sterke Saliniteitsgradiënt") %>% + dplyr::group_by(Jaar, zone) %>% + dplyr::summarise(nZS = sum(na.omit(n)/2), + AFDWZS = sum(na.omit(AFDW))/2) %>% + mutate(zone = factor(zone, + levels = c("Sterke Saliniteitsgradiënt", "Oligohalien", "Zoet"))) %>% + ggplot(aes(x=Jaar, y= nZS)) + + geom_line(size = 1.2) + + geom_line(aes(y=zoo::rollmean(nZS, 3, na.pad=TRUE)), size = 1.2, colour="red") + + geom_line(size = 1.2) + + labs(x = "", y="") + + #theme(axis.text.x = element_text(angle = 45))+ + ylim(100,80000)+ ggtitle("Sterke Saliniteitsgradiënt")+ + theme(title =element_text(size=10)) + +bxp_hpbZSj_OL <- + data_hyperbenthos_totaal %>% + dplyr::filter(Maand %in% c(4:10), Jaar !=2013, zone == "Oligohalien") %>% + dplyr::group_by(Jaar, zone) %>% + dplyr::summarise(nZS = sum(na.omit(n)/2), + AFDWZS = sum(na.omit(AFDW))/2) %>% + mutate(zone = factor(zone, + levels = c("Sterke Saliniteitsgradiënt", "Oligohalien", "Zoet"))) %>% + ggplot(aes(x=Jaar, y= nZS)) + + geom_line(size = 1.2) + + geom_line(aes(y=zoo::rollmean(nZS, 3, na.pad=TRUE)), size = 1.2, colour="red") + + geom_line(size = 1.2) + + labs(x = "", y="") + + #theme(axis.text.x = element_text(angle = 45))+ + ylim(100,3000)+ ggtitle("Oligohalien") + + theme(title =element_text(size=10)) + +bxp_hpbZSj_ZO <- + data_hyperbenthos_totaal %>% + dplyr::filter(Maand %in% c(4:10), Jaar !=2013,zone == "Zoet") %>% + dplyr::group_by(Jaar, zone) %>% + dplyr::summarise(nZS = sum(na.omit(n))/2, + AFDWZS = sum(na.omit(AFDW))/2) %>% + mutate(zone = factor(zone, + levels = c("Sterke Saliniteitsgradiënt", "Oligohalien", "Zoet"))) %>% + ggplot(aes(x=Jaar, y= nZS)) + + geom_line(size = 1.2) + + geom_line(aes(y=zoo::rollmean(nZS, 3, na.pad=TRUE)), size = 1.2, colour="red") + + geom_line(size = 1.2) + + labs(x = "", y="") + + #theme(axis.text.x = element_text(angle = 45))+ + ylim(100,3000)+ ggtitle("Zoet")+ + theme(title =element_text(size=10)) + +t <-ggarrange(bxp_hpbZSj_SS + font("xy.text", size = fnt), + bxp_hpbZSj_OL + font("xy.text", size = fnt), + bxp_hpbZSj_ZO + font("xy.text", size = fnt), + bxp_hpbZSj_ALL + font("xy.text", size = fnt), ncol=2, nrow = 2) +annotate_figure(t, left=text_grob("Gemiddelde densiteit per jaar per zone", rot=90), bottom=text_grob("Jaar"))+ bgcolor("White") + + +ggsave(paste0(pad_figuren, "080-figuur-densiteit_ZS_jaarverloop_zones1.jpg"), height=4, width=6) + + + +bxp_hpbZSb <- + data_hyperbenthos_totaal %>% + dplyr::filter(Maand %in% c(4:10), Jaar !=2013) %>% + mutate(Maand = ordered(Maand)) %>% + dplyr::group_by(Jaar, Maand) %>% + dplyr::summarise(nZS = sum(na.omit(n)), + AFDWZS = sum(na.omit(AFDW))) %>% + ggplot(aes(x=Jaar, y= nZS, group=Maand)) + + geom_line(aes(colour=Maand), size = 0.8) + + scale_y_log10(breaks = c(0,10,1000,10000)+1, labels = c(0,10,1000,10000)) + + labs(x = "Maand", + y = ylb) +bxp_hpbZSb + + +``` + +```{r 080-figuur-biomassa-totaal-ZS-maandverloop-jaren} +ylbb <- expression(paste("biomassa ", "(g droge stof/", '40', m^3, ")")) + +fnt <- 8 + +biom_hpbZSOA <- + data_hyperbenthos_totaal %>% + dplyr::filter(Maand %in% c(4:10), Jaar !=2013) %>% + mutate(Maand = ordered(Maand)) %>% + dplyr::group_by(Jaar, Maand) %>% + dplyr::summarise(nZS = sum(na.omit(n)), + AFDWZS = sum(na.omit(AFDW))) %>% + dplyr::ungroup() + +biom_hpbZSOA23 <- biom_hpbZSOA %>% + dplyr::filter(Jaar == 2023) + + +biom_hpbZS <- biom_hpbZSOA %>% + ggplot(aes(x=Maand, y= AFDWZS, group=Jaar)) + + geom_line(aes(colour=Jaar), size = 0.8) + + geom_line(data= biom_hpbZSOA23, aes(x=Maand, y= AFDWZS), linewidth = 3, colour= "lightblue") + + scale_y_log10(breaks = c(0,10,100, 1000,10000)+1, labels = c(0,10,100,1000,10000)) + + labs(x = "Maand", + y = ylbb) + + scale_color_continuous(label = function(x) sprintf("%.0f", x)) + + theme(axis.text.x = element_text(angle = 45)) +biom_hpbZS + +ggsave(paste0(pad_figuren, "080-figuur-biomassa_totaal-ZS-maandverloop_jaren.jpg"), height=4, width=6) + +biom_hpbZSj_ALL <- + data_hyperbenthos_totaal %>% + dplyr::filter(Maand %in% c(4:10), Jaar !=2013) %>% + dplyr::group_by(Jaar) %>% + dplyr::summarise(nZS = sum(na.omit(n)/6), + AFDWZS = sum(na.omit(AFDW))/6) %>% + ggplot(aes(x=Jaar, y= AFDWZS)) + + geom_line(size = 1.2) + + geom_line(aes(y=zoo::rollmean(AFDWZS, 3, na.pad=TRUE)), size = 1.2, colour="red") + + geom_line(size = 1.2) + + labs(x = "", y="")+ + ylim(0,30)+ ggtitle("Gehele Zeeschelde")+ + theme(title =element_text(size=10)) +biom_hpbZSj_ALL + +biom_hpbZSj_SS <- + data_hyperbenthos_totaal %>% + dplyr::filter(Maand %in% c(4:10), Jaar !=2013, zone == "Sterke Saliniteitsgradiënt") %>% + dplyr::group_by(Jaar, zone) %>% + dplyr::summarise(nZS = sum(na.omit(n)/2), + AFDWZS = sum(na.omit(AFDW))/2) %>% + mutate(zone = factor(zone, + levels = c("Sterke Saliniteitsgradiënt", "Oligohalien", "Zoet"))) %>% + ggplot(aes(x=Jaar, y= AFDWZS)) + + geom_line(size = 1.2) + + geom_line(aes(y=zoo::rollmean(AFDWZS, 3, na.pad=TRUE)), size = 1.2, colour="red") + + geom_line(size = 1.2) + + labs(x = "", y="")+ + ylim(0,60)+ ggtitle("Sterke Saliniteitsgradiënt")+ + theme(title =element_text(size=10)) + +biom_hpbZSj_OL <- + data_hyperbenthos_totaal %>% + dplyr::filter(Maand %in% c(4:10), Jaar !=2013, zone == "Oligohalien") %>% + dplyr::group_by(Jaar, zone) %>% + dplyr::summarise(nZS = sum(na.omit(n)/2), + AFDWZS = sum(na.omit(AFDW))/2) %>% + mutate(zone = factor(zone, + levels = c("Sterke Saliniteitsgradiënt", "Oligohalien", "Zoet"))) %>% + ggplot(aes(x=Jaar, y= AFDWZS)) + + geom_line(size = 1.2) + + geom_line(aes(y=zoo::rollmean(AFDWZS, 3, na.pad=TRUE)), size = 1.2, colour="red") + + geom_line(size = 1.2) + + labs(x = "", y="")+ + ylim(0,20)+ ggtitle("Oligohalien")+ + theme(title =element_text(size=10)) + +biom_hpbZSj_ZO <- + data_hyperbenthos_totaal %>% + dplyr::filter(Maand %in% c(4:10), Jaar !=2013, zone == "Zoet") %>% + dplyr::group_by(Jaar, zone) %>% + dplyr::summarise(nZS = sum(na.omit(n)/2), + AFDWZS = sum(na.omit(AFDW))/2) %>% + mutate(zone = factor(zone, + levels = c("Sterke Saliniteitsgradiënt", "Oligohalien", "Zoet"))) %>% + ggplot(aes(x=Jaar, y= AFDWZS)) + + geom_line(size = 1.2) + + geom_line(aes(y=zoo::rollmean(AFDWZS, 3, na.pad=TRUE)), size = 1.2, colour="red") + + geom_line(size = 1.2) + + labs(x = "", y="")+ + ylim(0,40)+ ggtitle("Zoet")+ + theme(title =element_text(size=10)) + +q <-ggarrange(biom_hpbZSj_SS + font("xy.text", size = fnt), + biom_hpbZSj_OL + font("xy.text", size = fnt), + biom_hpbZSj_ZO + font("xy.text", size = fnt), + biom_hpbZSj_ALL + font("xy.text", size = fnt), ncol=2, nrow = 2) +annotate_figure(q, left=text_grob("Gemiddelde biomassa (2 locaties)", rot=90), bottom=text_grob("Jaar"))+ bgcolor("White") + + + +ggsave(paste0(pad_figuren, "080-figuur-biomassa_ZS_jaarverloop_zones.jpg"), height=4, width=6) + +``` + + +```{r 080-figuur-biomassa-gebied-maandverloop-jaar} + + +ylbb <- expression(paste("biomassa ", "(mg droge stof/", '40', m^3, ")")) + +fnt <- 8 + + +bxp_hpbbOA <- + data_hyperbenthos_totaal %>% + dplyr::filter(Maand %in% c(4:10)) %>% + mutate(gebied = factor(gebied, + levels = gebied_order), + Maand = ordered(Maand)) +bxp_hpbbOA23 <- bxp_hpbbOA %>% + dplyr::filter(Jaar == 2023) + +bxp_hpbb <- bxp_hpbbOA %>% + ggplot(aes(x=Maand, y= AFDW+1, group=Jaar)) + + geom_line(aes(colour=Jaar)) + + geom_line(data= bxp_hpbbOA23, aes(x=Maand, y= AFDW+1), linewidth = 2, colour= "lightblue") + + scale_y_log10(breaks = c(0,10,1000,100000)+1, labels = c(0,10,1000,100000)) + + labs(x = "Maand", + y = ylbb) + + scale_color_continuous(label = function(x) sprintf("%.0f", x)) + + theme(axis.text.x = element_text(angle = 45)) + +bxp_hpbb1 <- bxp_hpbb+ + facet_grid_paginate(~gebied, ncol=3, nrow=1, page=1) + +bxp_hpbb2 <- bxp_hpbb+ + facet_grid_paginate(~gebied, ncol=3, nrow=1, page=2) + + +ggarrange(bxp_hpbb1 + rremove("xlab")+ font("xy.text", size = fnt), + bxp_hpbb2 + font("xy.text", size = fnt), + nrow = 2, common.legend = TRUE, legend = "right")+ bgcolor("White") +ggsave(paste0(pad_figuren, "080_figuur_biomassa_gebied_maandverloop_jaar.jpg"), height=6, width=9) + + +``` + + +```{r 080-figuur-biomassa-biomassa-perc-soorten-perjaar} + +pie_up <- hpb.sel.8sp.compl %>% + ggplot(aes(x="", y=biom_perc, fill=soort)) + + geom_bar(stat="identity", width=1, color="white") + + coord_polar("y", start=0) + + theme_void() + + facet_grid_paginate(~Jaar, ncol=3, nrow=1, page=1) +pie_middle<- hpb.sel.8sp.compl %>% + ggplot(aes(x="", y=biom_perc, fill=soort)) + + geom_bar(stat="identity", width=1, color="white") + + coord_polar("y", start=0) + + theme_void() + + facet_grid_paginate(~Jaar, ncol=3, nrow=1, page=2) +pie_bottom<- hpb.sel.8sp.compl %>% + ggplot(aes(x="", y=biom_perc, fill=soort)) + + geom_bar(stat="identity", width=1, color="white") + + coord_polar("y", start=0) + + theme_void() + + facet_grid_paginate(~Jaar, ncol=3, nrow=1, page=3) +pie_last<- hpb.sel.8sp.compl %>% + ggplot(aes(x="", y=biom_perc, fill=soort)) + + geom_bar(stat="identity", width=1, color="white") + + coord_polar("y", start=0) + + theme_void() + + facet_grid_paginate(~Jaar, ncol=3, nrow=1, page=4) + +ggarrange(pie_up, pie_middle, pie_bottom, pie_last, + nrow = 4, common.legend = TRUE, legend ="right")+ bgcolor("White") + +ggsave(paste0(pad_figuren, "080_figuur_biomassa_biomassa_perc_soorten_perjaar.jpg"), height=4, width=6) + +``` + +```{r 080-figuur-soortenrijkdomZS-perjaar} +#In jaar 2013 niet volledig gesampled wat taxa rijkdom beinvloedt, dus die niet +#met exoten +hpb_specrich <- data_hyperbenthos %>% + dplyr::filter(Maand %in% c(4:10)) %>% + dplyr::filter(Jaar != 2013) %>% + dplyr::group_by(Jaar) %>% + dplyr::summarise(specrich = length(unique(soort))) %>% + ungroup() + + +welex <-ggplot(hpb_specrich, aes(Jaar, specrich)) + + geom_line(size=1)+ + ylab("Taxa rijkdom")+ + ylim(35,60) + +#zonder exoten +hpb_specrichgnex <- data_hyperbenthos %>% + dplyr::filter(Maand %in% c(4:10)) %>% + dplyr::filter(exoot == 0, Jaar != 2013) %>% + dplyr::group_by(Jaar) %>% + dplyr::summarise(specrich = length(unique(soort))) %>% + ungroup() +gnex <-ggplot(hpb_specrichgnex, aes(Jaar, specrich)) + + geom_line(size=1)+ + ylab("Taxa rijkdom zonder exoten")+ + ylim(35,60) + +ggarrange(welex, gnex, + nrow = 1) + +ggsave(paste0(pad_figuren, "080_figuur_soortenrijkdomZS_perjaar.jpg"), height=4, width=6) + +``` + +```{r 080-figuur-soortenrijkdomZS-perjaargebied} +#In jaar 2013 niet volledig gesampled wat taxa rijkdom beinvloedt, dus die niet +#met exoten +hpb_specrichzon <- data_hyperbenthos %>% + dplyr::mutate(zone = if_else(gebied == "Brede Schoren" | gebied == "Dendermonde", "Zoet", if_else(gebied == "Ballooi" | gebied == "Rupel", "Oligohalien", "Sterke Saliniteitsgradiënt"))) %>% + mutate(zone = factor(zone, + levels = c("Sterke Saliniteitsgradiënt", "Oligohalien", "Zoet"))) %>% + dplyr::filter(Maand %in% c(4:10)) %>% + dplyr::filter(Jaar != 2013) %>% + dplyr::group_by(Jaar, zone) %>% + dplyr::summarise(specrich = length(unique(soort))) %>% + ungroup() + +welexgeb <-ggplot(hpb_specrichzon, aes(Jaar, specrich)) + + geom_line(size=1)+ + ylab("Taxa rijkdom")+ + ylim(0,50)+ + facet_grid(~zone)+ + theme(axis.text.x = element_text(angle = 45))+ + theme(strip.text = element_text(size=14)) +welexgeb + +ggsave(paste0(pad_figuren, "080_figuur_soortenrijkdomZS_perjaarzon.jpg"), height=5, width=10) +``` + + +```{r 080-figuur-Shannon-diversiteit} +shannon_hpbZS <- data_hyperbenthos %>% + dplyr::group_by(soort, Jaar) %>% + dplyr::summarise(nZS = sum(na.omit(n)), + afdwZS = sum(na.omit(AFDW))) %>% + dplyr::ungroup() %>% + dplyr::group_by(Jaar) %>% + dplyr::summarise(shannon_afdw = calc_shannon_index(afdwZS), + shannon_n = calc_shannon_index(nZS)) %>% + dplyr::ungroup() %>% + dplyr::mutate(zone = "Gehele Zeeschelde") + + +shannon_hpb <- data_hyperbenthos %>% + dplyr::mutate(zone = if_else(gebied == "Brede Schoren" | gebied == "Dendermonde", "Zoet", if_else(gebied == "Ballooi" | gebied == "Rupel", "Oligohalien", "Sterke Saliniteitsgradiënt"))) %>% + ungroup() %>% + dplyr::group_by(soort, zone, Jaar) %>% + dplyr::summarise(nzone = sum(na.omit(n)), + afdwzone = sum(na.omit(AFDW))) %>% + dplyr::ungroup() %>% + dplyr::group_by(zone, Jaar) %>% + dplyr::summarise(shannon_afdw = calc_shannon_index(afdwzone), + shannon_n = calc_shannon_index(nzone)) %>% + dplyr::ungroup() %>% + rbind(shannon_hpbZS) + + shan_n <- ggplot(shannon_hpb, aes(x=Jaar, colour=zone))+ + geom_line(aes(y=shannon_n), size=1)+ + ylab("Shannon diversiteit densiteit")+ + xlab("Jaar")+ + theme(legend.text = element_text(size=14))+ + theme(legend.title = element_text(size=14))+ + scale_x_continuous(labels = scales::number_format(accuracy = 1)) + + +shan_b <- ggplot(shannon_hpb, aes(x=Jaar, colour=zone))+ + geom_line(aes(y=shannon_afdw), size=1)+ + ylab("Shannon diversiteit biomassa")+ + xlab("Jaar")+ + theme(legend.text = element_text(size=14))+ + theme(legend.title = element_text(size=14))+ + scale_x_continuous(labels = scales::number_format(accuracy = 1)) + +ggarrange(shan_n, shan_b, + nrow = 1, common.legend=T)+ bgcolor("White") + +ggsave(paste0(pad_figuren, "080_figuur_shannon.jpg"), height=5, width=10) + +``` + + + +```{r 080-meta-data} + +meta_data <- + enframe(c(laatstejaar = laatste_jaar, + vroegstejaar = vroegste_jaar, + aantal_stalen = n_staal), + name = "naam", value = "waarde") + +meta_data %>% + write_delim(paste0(pad_data, "meta_data.csv"), + delim = ";") + +``` + diff --git a/moneos_2024/080_hyperbenthos/080_hyperbenthos_data.Rmd b/moneos_2024/080_hyperbenthos/080_hyperbenthos_data.Rmd new file mode 100644 index 0000000..165cad6 --- /dev/null +++ b/moneos_2024/080_hyperbenthos/080_hyperbenthos_data.Rmd @@ -0,0 +1,137 @@ +--- +params: + hoofdstuk: "080_hyperbenthos" +knit: (function(inputFile, ...) { + rmarkdown::render(inputFile, + output_dir = paste0(rmarkdown::yaml_front_matter(inputFile)$params$hoofdstuk, "/output"))}) +title: "Hyperbenthos data" +output: word_document +editor_options: + chunk_output_type: console +--- + + +```{r setup, include=FALSE} + +knitr::opts_chunk$set(echo = FALSE, error=FALSE, warning=FALSE, message=FALSE, cache=FALSE) + +``` + + +```{r libraries} + +library(rprojroot) +library(tidyverse) +library(lubridate) +library(readxl) +library(writexl) +library(RODBC) + +``` + + +```{r pad} + +# inlezen van variabelen +# pad naar data : pad_data +# pad naar tabellen : pad_tabellen +# pad naar figuren : pad_figuren + +source(find_root_file("../pad.R", criterion = is_rstudio_project)) + +pad_data <- maak_pad(params$hoofdstuk, "data") +pad_figuren <- maak_pad(params$hoofdstuk, "figuren") +pad_tabellen <- maak_pad(params$hoofdstuk, "tabellen") + +``` + + +```{r data} +#eerst recente kopie van op Amazon op G gezet +MDB <- odbcConnectAccess2007("G:/.shortcut-targets-by-id/0B0xcP-eNvJ9dZDBwVVJOVk5Ld2s/PRJ_SCHELDE/Benthos/HyperEpibenthos/DATA/HYPERBENTHOS_SCHELDEaug2024.accdb") + +# querry met mulitply (substaal nr) al gebruikt voor aantal, WW en AFDW, daardoor is AFDW niet meer DW-AW in uiteindelijke tabel! +sqlCode <- " +SELECT tblSample.campagne, tblStaalnameGebied.Naam AS gebied, tblSample.event_name, tblSample.datum, tblHyperBiot.fractie, tblTaxaList.hoger_taxon, tblHyperBiot.soort, tblTaxaList.vis_NL, tblTaxaList.exoot, Sum([aantal]*[multiply]) AS n, Sum([WW]*[multiply]) AS WWs, tblHyperBiot.DW, tblHyperBiot.AW, Sum([tblHyperBiot].[multiply]*([tblHyperBiot].[DW]-[tblHyperBiot].[AW])) AS AFDW, tblSample.materiaal, tblHyperBiot.Invoerder, tblHyperBiot.Aanmaakdatum, tblHyperBiot.[Laatst gewijzigd] +FROM tblStaalnameGebied INNER JOIN (tblCampagne INNER JOIN (tblTaxaList INNER JOIN (tblSample INNER JOIN tblHyperBiot ON (tblSample.Id = tblHyperBiot.IdSample) AND (tblSample.repeat = tblHyperBiot.repeat)) ON tblTaxaList.soortnaam = tblHyperBiot.soort) ON tblCampagne.campagnecode = tblSample.campagne) ON tblStaalnameGebied.Id = tblSample.IdStaalnameGebied +GROUP BY tblSample.campagne, tblStaalnameGebied.Naam, tblSample.event_name, tblSample.datum, tblHyperBiot.fractie, tblTaxaList.hoger_taxon, tblHyperBiot.soort, tblTaxaList.vis_NL, tblTaxaList.exoot, tblHyperBiot.WW, tblHyperBiot.DW, tblHyperBiot.AW, tblSample.materiaal, tblHyperBiot.Invoerder, tblHyperBiot.Aanmaakdatum, tblHyperBiot.[Laatst gewijzigd], tblTaxaList.taxonredux, tblSample.repeat, tblHyperBiot.contaminatie +HAVING (((tblTaxaList.taxonredux)='in') AND ((tblSample.repeat)=1) AND ((tblHyperBiot.contaminatie) Is Null)); +" +#, tblTaxaList.exoot tblTaxaList.exoot + +tel.0 <- sqlQuery(channel = MDB, sqlCode, stringsAsFactors=FALSE) +moniloc <- c("Paardenschor","St-Anna","Ballooi","Dendermonde","Brede Schoren","Rupel") + +#data van BoVO campagnes, van 6 stations, dubbelcampagne van 2014 wegdoen +tel <- tel.0 %>% + dplyr::mutate(Jaar = year(datum), + Maand= month(datum)) %>% + dplyr::mutate(gebied = if_else(gebied == "Konkelschoor - KS" & Jaar == 2013, "Brede Schoren", gebied), + gebied = if_else(gebied == "Vlassenbroek" & Jaar == 2013, "Dendermonde", gebied)) %>% + dplyr::filter(gebied %in% moniloc, str_detect(campagne, "BoVo")) %>% + dplyr::filter(!str_detect(campagne,"_1")) %>% + dplyr::filter(Jaar!=2024) %>% + rename(WW = WWs) + + +jaarorder <- c("2013", "2014", "2015", "2016","2017","2018","2019", "2020", "2021", "2022", "2023") + + +tel %>% + distinct(datum, gebied, Maand, Jaar) %>% + count(gebied, Maand, Jaar) %>% + dplyr::mutate(Jaar = ordered(Jaar, levels=jaarorder)) %>% + pivot_wider(names_from = Maand, values_from= n) %>% + knitr::kable() + + +``` + +```{r} +# paar ontbrekende AFDW aanvullen op basis van geschatte regressie WW-AFDW, vooral relaties gebruiken met hogere aantallen, want vaak afwijkingen bij zr lage gewichten. OOk enkele neg AFDW vervangen op zelfde manier +# Pomatoschistus soms als sp. (kleintjes en soms als microps, maar wrsch bijna altijd microps. Omdat dit voor taxonrijkdom en procentuele bijdrage lastig is, hier samen gevoegd) + +telc <- tel %>% + dplyr::mutate(AFDW = if_else(DW==0 & soort=="Gasterosteus aculeatus", WW/6, AFDW), + AFDW = if_else(DW==0 & soort == "Gammarus tigrinus", WW/5.5, AFDW), + AFDW = if_else(DW==0 & soort == "Pomatoschistus microps", WW/5.8, AFDW), + AFDW = if_else(DW==0 & soort == "Limnomysis benedeni", WW/4.7, AFDW), + AFDW = if_else(DW==0 & soort =="Bathyporeia pilosa", WW/6, AFDW), + AFDW = if_else(AFDW<0 & soort == "Abramis brama", WW/7.7, AFDW), + AFDW = if_else(AFDW<0 & soort=="Synidotea laticauda", WW/7, AFDW), + AFDW = if_else(WW% + dplyr::filter(WW% + distinct(Jaar) %>% + pull(Jaar) + +jaar_range <- + range(jaren) + +``` + +```{r wegschrijven-data} +file_name <- + paste0(pad_data, "hyperbenthos_data_", paste(jaar_range, collapse = "_"), ".xlsx") + +write_xlsx(telc, + path = file_name) +``` + + + + diff --git a/moneos_2024/150_geintegreerd_rapport/080_hyperbenthos.Rmd b/moneos_2024/150_geintegreerd_rapport/080_hyperbenthos.Rmd new file mode 100644 index 0000000..b1a9ce3 --- /dev/null +++ b/moneos_2024/150_geintegreerd_rapport/080_hyperbenthos.Rmd @@ -0,0 +1,324 @@ +--- +editor_options: + markdown: + wrap: sentence +--- + +```{r 080-hoofdstuk, include=FALSE} + +hoofdstuk <- "080_hyperbenthos" + +``` + +```{r 080-setup, include=FALSE} + +knitr::opts_chunk$set(echo = FALSE, error=FALSE, warning=FALSE, message=FALSE, cache=FALSE, fig.pos = "H") +knitr::opts_knit$set(eval.after = "fig.cap") + +``` + +```{r 080-libraries} + +library(tidyverse) +library(readxl) +library(kableExtra) +library(INBOtheme) +library(rprojroot) ## workaround pad + +``` + +```{r 080-pad} + +# pad naar data : pad_data +# pad naar tabellen : pad_tabellen +# pad naar figuren : pad_figuren + +source(find_root_file("../pad.R", criterion = is_rstudio_project)) + +pad_data <- maak_pad(hoofdstuk, "data") +pad_figuren <- maak_pad(hoofdstuk, "figuren") +pad_tabellen <- maak_pad(hoofdstuk, "tabellen") +``` + +```{r 080-meta_data} +##metadata nog niet aangepast in 2022, wat moet dat zijn? +#meta_data <- + # read_delim(paste0(pad_data, "meta_data.csv"), + # delim = ";") + +#for(i in 1:nrow(meta_data)){ + ##first extract the object value + # tempobj=meta_data$waarde[i] + ##now create a new variable with the original name of the list item + # eval(parse(text=paste(meta_data$naam[i],"= tempobj"))) +#} +``` + +# Hyperbenthos + +Fichenummer: S-DS-V-003 - Hyperbenthos + +**Frank Van de Meutter**, Jan Soors, Dimitri Buerms, Olja Bezdenjesnji, Charles Lefranc, Vincent Smeekens, Ada Coudenys + +## Inleiding + +Onder hyperbenthos verstaan we alle kleine fauna (1 mm tot enkele cm) die op en net boven de bodem leeft. +In de Zeeschelde betreft het vooral garnalen en krabben (Decapoda), aasgarnalen (Mysida) en juveniele vis. +De monitoring van het hyperbenthos in de Zeeschelde op zes vaste locaties startte in 2013. +Vóór die periode gebeurden op (sommige) van deze zes stations al vangsten met een andere frequentie (zie verder) aar dezelfde methode. +Voor de volledigheid worden deze gegevens mee aangeleverd. + +De gegevens van 2008 tot en met 2023 worden geleverd in een Excel-bestand (S_DS_V_003_hyperbenthos_data2013-2023_rapportage2024.xlsx). + +## Materiaal en methode + +### Strategie + +Vijf vaste locaties langsheen de Zeeschelde en één langs de Rupel worden maandelijks bemonsterd van april tot oktober. +Deze ruimtelijke en temporele spreiding is nodig om een beeld te te kunnen schetsen van de jaarlijkse toestand van het hyperbenthos in de Zeeschelde. + +```{r 080-figuur10-kaart, fig.cap=caption_fig1kaart, fig.height=3, fig.width=4.5, out.width="80%"} +caption_fig1kaart <- "Situering staalnamelocaties hyperbenthos. Sampling stations worden aangeduid door een driehoek, het cijfer in de driehoek is de afstand tot de monding (km). Naamgeving: M1=Paardenschor, M2=St. Anna, O1=Ballooi, O2=Rupel, F1=Dendermonde, F2=Brede Schoren." + +knitr::include_graphics(paste0(pad_figuren, "080-Kaart_hypersamplings.png")) +``` + +
+ +### Staalname + +De bemonstering gebeurt telkens rond het laagwatertijdstip in de dagen rond springtij. +Twee personen slepen een net met cirkelvormige opening (diameter: 50 cm) over een vast traject van 2 x 100 m (heen en terug). +Het net heeft een maaswijdte van 1 mm. +Een stroomsnelheidsmeter wordt in het net opgehangen om het watervolume dat door het net gaat (en dat bemonsterd werd) te kwantificeren. +Na de sleep wordt de vangst gefixeerd met F-Solv. +Bijkomende metingen van omgevingsvariabelen worden verricht met een multimeter ter bepaling van de saliniteit, het zuurstofgehalte en de watertemperatuur en de gemeten waarden worden genoteerd. +Per bemonstering wordt een waterstaal verzameld om het gehalte aan zwevende stof en de organische fractie ervan achteraf te bepalen. +Dit staal wordt bij laag water rond de waterkering genomen waarbij de persoon op heupdiepte in het water staat en water verzamelt op ca. +20 cm onder het wateroppervlak. + +### Verwerking + +De stalen worden in het labo gespoeld over een 1mm-zeef en alle organismen worden uitgeselecteerd, tot op soort gedetermineerd (tenzij dat niet mogelijk is, in dat geval tot op maximale taxonomische resolutie) en per soort geteld. +Als finale variabele voor analyse werden vroeger de getelde aantallen gestandaardiseerd naar aantal per m³ door te delen door het gemeten watervolume dat door het net is gegaan, indien gegevens over dit volume beschikbaar zijn. +Deze correctie is echter niet aangewezen voor organismen die op de bodem leven (epibenthische soorten, bijvoorbeeld veel garnalen), omdat hun aantallen en biomassa in relatie tot de lengte van het transect staan, en niet in relatie tot het bemonsterd watervolume. +De vangstmethode zelf is bovendien zo opgesteld dat het watervolume bij elk vangbeurt zeer vergelijkbaar is: er wordt gevangen bij de tijkering met minimale stroming, en er wordt een gelijke lengte stroomop- en stroomaf gewandeld met het bongonet (zodat eventuele verschillen als gevolg van stroming elkaar opheffen). +De stroomsnelheidsmeters geven bovendien een minder accuraat beeld wanneer het net zeer traag getrokken wordt of bij frequente stops (bij moeilijk bewandelbare bodems) en wanneer het net stroomafwaarts getrokken wordt (lage effectieve stroming door het net). +In deze gevallen werden onderschattingen tot 30% van het bemonsterd watervolume opgemerkt (inbo, niet gepubliceerde gegevens). +Al deze argumenten samen leidden ons tot de conclusie dat het met de gebruikte vangstmethode en de grote vertegenwoordiging van epibenthische taxa wellicht correcter is om uit te gaan van een vast vangvolume van 40m³. +In deze en volgende rapportages gebruiken we daarom de niet-gecorrigeerde vangstaantallen en biomassa (per 40m³). + +Ter bepaling van de biomassa worden de dieren vervolgens per soort verzameld in een kroes, gedroogd, gewogen (ter bepaling van droog gewicht), verast en opnieuw gewogen (ter bepaling van het asgewicht, AFDW) (zie procedure biomassabepaling macrobenthos). + +## Resultaten: data-analyse hyperbenthos + +### Densiteiten + +Het seizoenaal verloop van de densiteiten van hyperbenthos (alle soorten) voor elk van de staalnamejaren sinds 2013 wordt voor elk staalnamestation apart weergegeven in Figuur \@ref(fig:080-figuur2-dens). +Het seizoenaal patroon - hoewel inherent heel erratisch en afhankelijk van natuurlijke variatie in recruteringssucces en recente bovenafvoer (De Neve et al. 2020) - verloopt steeds min of meer volgens hetzelfde patroon, met een piek in het vroege voorjaar (april-mei) en een dip in juni, waarna er een blijvende toename dan wel korte piek en een afname volgen afhankelijk van de locatie. +DIt patroon werd ook gevolgd in 2023, al duurde de zomerdip in veel gebieden tot augustus. + +```{r 080-figuur2-dens, fig.cap=caption_fig2dens, out.width="100%"} +caption_fig2dens <- "Gemiddelde densiteit per 200m sleep (lijn) van hyperbenthos per maand (maandnummers), jaar en staalname station (opgelet: y-as heeft een log10-schaal)." + +knitr::include_graphics(paste0(pad_figuren, "080-figuur-densiteit_totaal-gebied-maandverloop_jaren.jpg")) +``` + +
+ +```{r 080-figuur3-dens, fig.cap=caption_fig3dens, out.width="80%"} +caption_fig3dens <- "Gemiddelde densiteit (per sleepvangst, lijn) aan hyperbenthos overheen alle sampling stations per maand (maandnummers) voor de verschillende monitoringsjaren (opgelet: y-as heeft een log10-schaal)." + +knitr::include_graphics(paste0(pad_figuren, "080-figuur-densiteit_totaal-ZS-maandverloop_jaren.jpg")) +``` + +
+ +De evolutie van de jaarsom (april-oktober) en het lopend gemiddelde van de jaarsom overheen drie jaren van de hyperbenthosdensiteiten in de gehele Zeeschelde en voor drie verschillende compartimenten (Sterke Saliniteitsgradiënt, Oligohalien en de Zoete zone) staat in Figuur \@ref(fig:080-figuur4-dens). +Het patroon van de totale densiteiten voor de Zeeschelde wordt sterk bepaald door deze van de zone Sterke Saliniteitsgradiënt. +Er is vrij veel variatie in de densiteiten tussen de jaren, met een opvallende algemene toename in 2020, maar een sterke terugval in 2021 (als gevolg van een zeer natte zomer en herfst), behalve in de zoete zone. +Veranderingen in het lopende gemiddelde sinds 2015 overschrijden vaak de vooropgestelde kwaliteitsgrens van 25% (EMSE 2021). +De laatste verandering in het driejarige gemiddelde is opnieuw negatief, en de densiteiten en het driejaarlijkse gemiddelde van de densiteiten bereikten hun laagste punt sinds de start van de monitoring. +Hyperbenthos densiteiten kunnen jaarlijks sterk wisselen in de Zeeschelde, vermoedelijk deels natuurlijk en deels door omgevingsvariabelen die (mee) door de mens bepaald worden (bv. zwevende stof gehaltes). +Ook doorheen het jaar kunnen densiteiten plots veranderen vooral omwille van plotse debietwijzigingen (De Neve et al. 2020). +Hyperbenthos is dus inherent een volatiele groep in de Zeeschelde. +Daarbij komt nog dat de monitoring voor de drie deelzones slechts gebaseerd is op 2 stations. +Dit draagt verder bij tot de vrij grote variatie tussen opeenvolgende meetjaren en meetmaanden. +Daar tegenonver staat dat herhaalde, en systeem wijde negatieve trends, wel duidelijke indicaties zijn voor kwaliteitsverlies. + +```{r 080-figuur4-dens, fig.cap=caption_fig4dens, out.width="100%"} +caption_fig4dens <- "Gemiddelde jaarsom van densiteiten van het hyperbenthos per deelzone en voor de volledige Zeeschelde. Het lopend gemiddelde (overheen 3 jaren) wordt weergegeven door een rode lijn. Door enkele ontbrekende maandvangsten in 2013 wordt dit jaar niet getoond. Let op: de y-assen verschillen onderling. " + +knitr::include_graphics(paste0(pad_figuren, "080-figuur-densiteit_ZS_jaarverloop_zones1.jpg")) +``` + +
+ +### Biomassa + +Het maandelijks verloop van de biomassa hyperbenthos per jaar en per station staat in Figuur \@ref(fig:080-figuur5-biom). +In de meeste stations behalve het Paardenschor is er doorheen het jaar een toename van de biomassa aan hyperbenthos. +Deze toename zien we niet voor de densiteiten. +Het hyperbenthos wordt dus groter en zwaarder doorheen het seizoen, wat wijst op het belang van de Zeeschelde als opgroeigebied. +Net daar lijkt het dat er een probleem was in 2023: de biomassa-aangroei was afwezig of zeer beperkt in 2023. +We noteerden in 2023 heel uitzonderlijk een volledige afwezigheid van de langneussteurgarnaal (*Palaemon longirsotris*) in de zoete en oligohaliene zone (zie verder). +Deze soort is vaak een bulksoort onder het hyperbenthos in de late zomer en herfst. +Er zijn vaak zeer grote verschillen tussen opeenvolgende staalnames op 1 station, wat waarschijnlijk op sterke mobiliteit van het hyperbenthos wijst, mogelijk als respons op hydrologische veranderingen. + +```{r 080-figuur5-biom, fig.cap=caption_fig5biom, out.width="100%"} +caption_fig5biom <- "Gemiddelde biomassa (per 40m³, lijn) aan hyperbenthos per maand (maandnummers), jaar en staalname station." + +knitr::include_graphics(paste0(pad_figuren, "080_figuur_biomassa_gebied_maandverloop_jaar.jpg")) +``` + +
+ +De evolutie van de gemiddelde jaarsom biomassa en het lopende gemiddelde overheen drie jaren per deelzone en voor de gehele Zeeschelde staat in Figuur \@ref(fig:080-figuur6-biom). +Het lopend gemiddelde werd toegevoegd aan de standaard evaluatieparameter biomassa vanwege de grote verschillende tussen de jaren. +Na een zeer goed 2018 voor alle zones stroomopwaarts van de Sterke Saliniteitsgradiënt noteerden we sindsdien normale tot eerder slechte jaren voor totale biomassa. +Het lopende gemiddelde van de biomassa bleef doorgaans binnen de 25% variatie sinds 2015 (EMSE 2021), behalve voor de zoete zone waar - als gevolg van een zeer goed 2018 - er een tijdelijke toename was. +De jaren met (lokaal) extreem hoge biomassa (2014, 2018) buiten beschouwing gelaten is het langjarig verloop van de biomassa doorheen de tijd eerder negatief. + +```{r 080-figuur6-biom, fig.cap=caption_fig6biom, out.width="100%"} +caption_fig6biom <- "De evolutie van de gemiddelde jaarsom biomassa (g droge stof per 40m³) per sleepvangst en haar lopend gemiddelde overheen drie jaren per deelzone en voor de gehele Zeeschelde." + +knitr::include_graphics(paste0(pad_figuren, "080-figuur-biomassa_ZS_jaarverloop_zones.jpg")) +``` + +Hoeveel bepaalde soorten elk jaar bijdragen tot de systeembiomassa wordt afgebeeld in Figuur \@ref(fig:080-figuur7-biomspec). +De langneussteurgarnaal (*Palaemon longirostris*) was in 2018 en 2019 de belangrijkste soort in de Zeeschelde wat betreft biomassa. +In 2020 was dit de aasgarnaal *Mesopodopsis slabberi*, een soort die haar optimum in de brakke zone van de Schelde heeft en maar net tot in de Zeeschelde voorkomt. +Deze soort werd in 2020 één keer in uitzonderlijke aantallen gevangen in het Paardenschor. +Het jaar 2021 was een uitzonderlijk jaar voor bot (*Platichthys flesus*) met meer dan een kwart van de totale biomassa. +Dit hoge aandeel was echter ook te wijten een lage presentie van andere taxa. +Voor 2022 valt een hoge biomassa op voor brasem *Abramis brama*. +Verder valt op dat Spiering *Osmerus eperlanus* in de eerste drie monitoringsjaren vrij goed vertegenwoordigd was, maar sindsdien een veel kleinere bijdrage tot de systeembiomassa hyperbenthos levert. +Het onderzoeksjaar 2023 was erg bijzonder. +Ten eerste was er de volledige afwezigheid (op 1 exemplaar in de zone sterke Saliniteitsgradiënt na) van de langneussteurgarnaal. +Dit was nog niet eerder voorgevallen. +Ten tweede was de meest dominante soort de brakwaterkorfschelp (*Potamocorbula amurensis*). +Deze laatste is geen hyperbenthische soort, maar wordt vaak gevangen wanneer het bongonet de bodem raakt. +Dit gebeurt geregeld en is moeilijk te vermijden, maar aangezien er sinds 2018 een explosieve toename van deze soort plaatsvindt (zie ook het hoofdstuk over macrozoöbenthos), resulteerde dit dit keer in een grote vangst van deze soort. +Toch waren het vooral ook de afwezigheid of zeer lage aantallen van het reguliere hyperbenthos die mee de procentuele dominantie van brakwaterkorfschelp versterkten. + +```{r 080-figuur7-biomspec, fig.cap=caption_fig7biomspec, out.width="100%"} +caption_fig7biomspec <- "Procentuele bijdrage van de 8 belangrijkste soorten tot de totale biomassa in de Zeeschelde op basis van 6 staalname locaties. De overige taxa zitten vervat in de rest-groep." + +knitr::include_graphics(paste0(pad_figuren, "080_figuur_biomassa_biomassa_perc_soorten_perjaar.jpg")) +``` + +
+ +Langjarige trends in de verschillende saliniteitszones voor zes talrijke typische hyperbenthische soorten staan in Figuur \@ref(fig:080-figuur7b-biomspec). +Uit deze figuur blijkt dat in 2023 geen enkele taxon in grote biomassadichtheden voorkwam. +Grijze garnaal is sinds 2018 sterk afgenomen maar handhaaft zich in de zone Saliniteitsgradiënt in matige densiteiten. +In erg droge jaren met lage bovenafvoer verplaats het zwaartepunt van de verspreiding van deze soort meer naar het oligohalien. +In 2023 waren zeer lage densiteiten aasgarnalen aanwezig, een belangrijk voedselitem voor vissoorten. +De vissoorten Bot en Brakwatergrondel kwamen in vrij normale dichtheden voor maar meest opvallend is de eerder aangehaalde totale afwezigheid van één van de belangrijkste hyperbenthische soorten in de Zeeschelde - de langneussteurgarnaal. + +(Figuur \@ref(fig:080-figuur6-biom)). + +```{r 080-figuur7b-biomspec, fig.cap=caption_fig7bbiomspec, out.width="100%"} +caption_fig7bbiomspec <- "Jaarbiomassa AFDW van 2 locaties (g per 540m³ per jaar) voor drie saliniteitszones voor zes talrijke typische hyperbenthische taxa voor de periode 2014-2023." + +knitr::include_graphics(paste0(pad_figuren, "080-figuur-biomassa_soorten_jaren.jpg")) +``` + +
+ +#### Soortenrijkdom + +De evolutie van de taxarijkdom overheen de monitoringsjaren is deelzone-specifiek (Figuur \@ref(fig:080-figuur8)). +Verschillen tussen jaren kunnen groot zijn zoals voor het Oligohalien in 2019 en 2020 (14 soorten ofwel 45% verschil). +Voor de gehele Zeeschelde zijn deze jaarlijkse verschillen kleiner (Figuur \@ref(fig:080-figuur9)). +Het onderzoeksjaar 2023 kende een lager aantal soorten dan 2022. +Een toename in soortenrijkdom in de Zeeschelde is bijna altijd het gevolg van de aankomst van nieuwe exotische taxa of soorten die doorgaans in de Westerschelde voorkomen en uitzonderlijk in de Zeeschelde opduiken. +Daarom wordt de toename in soortenrijkdom vooral gestuurd vanuit de zone Saliniteitsgradiënt (exoten duiken meestal op in de omgeving van de haven of in brakke gebieden). +In recente droge jaren met lage bovenafvoer en een hogere saliniteit in de Zeeschelde worden meer en vaker soorten uit de Westerschelde in de Zeeschelde gezien. + +```{r 080-figuur8, fig.cap=caption_fig8, out.width="100%"} +caption_fig8 <- "Taxa rijkdom per jaar per deelzone van de Zeeschelde." + +knitr::include_graphics(paste0(pad_figuren, "080_figuur_soortenrijkdomZS_perjaarzon.jpg")) +``` + +
+ +```{r 080-figuur9, fig.cap=caption_fig9, out.width="80%"} +caption_fig9 <- "Taxa rijkdom hyperbenthos in de Zeeschelde met (links) en zonder (rechts) exoten." + +knitr::include_graphics(paste0(pad_figuren, "080_figuur_soortenrijkdomZS_perjaar.jpg")) +``` + +
+ +#### Soortendiversiteit Shannon-index + +De Shannon diversiteit is een nieuwe evaluatieparameter die in 2022 voor het eerst gerapporteerd werd. +Ze wordt berekend voor zowel biomassa als aantallen van het hyperbenthos. +We berekenen ze voor drie deelzones van de Zeeschelde en voor de gehele Zeeschelde. +De evolutie van deze parameter overheen de jaren voor zowel densiteiten als biomassa staat in de figuur \@ref(fig:080-figuur10). +In lijn met de eerder gerapporteerde sterke jaarlijkse verschillen in densiteiten en biomassa van hyperbenthos vinden we ook sterke jaarlijkse verschillen in de Shannon diversiteits-index. +Enkele hyperbenthos soorten dringen in drogere jaren in grote aantallen verder stroomopwaarts door in de Zeeschelde. +Het tijdelijk talrijk verschijnen van een soort heeft een disruptieve invloed op de Shannon index. +Net doordat in 2023 geen enkele van de bulksoorten talrijk voorkwam, had dit een positieve invloed op de Shannon-diversiteit van densiteiten. +Het meest opvallende patroon in de figuren is de toename van Shannon-diversiteit voor densiteiten en de sterke afname voor biomassa in de zone Saliniteitsgradiënt. +Dit patroon verloopt parallel met de trend van de Shannon-diversiteiten bij macrozoöbenthos, en is het gevolg van de explosieve toename van de brakwaterkorfschelp, en het feit dat we die onbedoeld als bijvangst in het bongnet vinden. +Net zoals bij het macrozoöbenthos heeft dit een effect op de diversiteitmaat voor de gehele Zeeschelde. + +```{r 080-figuur10, fig.cap=caption_fig10, out.width="100%"} +caption_fig10 <- "Shannon diversiteit per deelzone en voor de volledige Zeeschelde voor de verschillende monitoringsjaren. De shannon diversiteit werd zowel berekend op densiteiten als voor biomassa." + +knitr::include_graphics(paste0(pad_figuren, "080_figuur_shannon.jpg")) +``` + +
+ +## Algemene conclusie + +**Densiteiten en biomassa** + +Het hyperbenthos van de Zeeschelde kent sinds het begin van de monitoring in 2013 gemiddeld genomen een vrij typisch verloop van densiteiten doorheen het jaar, met een voorjaarspiek gevolgd door een dip in juni waarna de aantallen weer enigszins toenemen en vervolgens verder aflopen naar het einde van het jaar toe. +Biomassa vertoont een ander patroon met in de zones stroomopwaarts van Antwerpen een gestage toename na juni tot het einde van het jaar. +Dit bevestigt de aanname dat dit voor veel hyperbenthische soorten en vooral voor garnalen, aasgarnalen en vissen, een opgroeigebied is. +De evolutie van densiteiten en biomassa overheen de monitoringsjaren is onderhevig aan grote schommelingen, die samen hangen met goede en slechte jaren van specifieke soorten. +Het optreden van goede of slechte jaren kan soms gelinkt worden aan bovenafvoer en zoutgehalte, maar is ook vaak nog niet goed begrepen. +Het onderzoeksjaar 2023 was opnieuw geen goed jaar voor hyperbenthos, met erg lage densiteiten van aasgarnalen, en een quasi afwezigheid van de doorgaans zeer talrijke langneussteurgarnaal. +Het gevolg is dat de langjarige negatieve trend voor hyperbenthos densiteiten en vooral biomassa zich verder doorzette, en we de laagste waarde voor zowel de feitelijke jaarsom als voor het driejarig lopend gemiddelde noteerden. +Dit patroon is bovendien nog een gunstige weergave van de toestand, doordat we grote aantallen en biomassa van de brakwaterkorfschelp vaststelden, een soort die strikt gezien niet tot het hyperbenthos behoort maar steeds talrijker voorkomt in de zone sterke Saliniteitsgradiënt. + +**De soortenrijkdom** + +Taxa rijkdom van het hyperbenthos in de deelzones van de Zeeschelde schommelde soms aanzienlijk van jaar tot jaar. +Mogelijk wordt ook hier best een lopend gemiddelde gebruikt om evoluties te detecteren. +In 2023 werd een lager aantal taxa vastgesteld dan in 2022 maar op langere termijn stellen we toename vast van de soortenrijkdom. +Redenen daarvoor zijn vermoedelijk de continue nieuwe vestiging van nieuwe exoten en mogelijk ook marinisatie, waarbij soorten uit de Westerschelde (tijdelijk) meer opschuiven naar de Zeeschelde. + +**De Shannon diversiteit** + +De Shannon diversiteit is een nieuwe evaluatieparameter die in 2022 voor het eerst getoond werd. +Met de bovenstaande vaststellingen in het achterhoofd is het geen verrassing dat de Shannon diversiteit, zowel voor densiteiten als voor biomassa, sterke schommelingen vertoonde tussen jaren. +Jaren waarin bepaalde hyperbenthische soorten uitzonderlijk talrijk zijn doen de Shannon diversiteit sterk dalen. +Net daarom scoorde 2023 eerder goed voor wat betreft de diverseit, voor de meeste zones. +Een uitzondering daarop is de zone sterke Saliniteitsgradiënt, waar de grote biomassa brakwaterkorfschelpen een sterk negatieve invloed had, die ook de systeemdiversiteit Zeeschelde negatief beïnvloedde. + +Het is waarschijnlijk deels eigen aan een opgroeigebied als de Zeeschelde dat er extreem succesvolle recruteringsjaren zijn waarin alle factoren mee zitten, en waarin één of enkele soorten de gemeenschap domineren. +Anderzijds is meer ecologische kennis nodig over waarom soorten goede en slechte jaren afwisselen, en om natuurlijke en door de mens beïnvloede oorzaken te kunnen onderscheiden. +Het steeds vaker uitblijven van goede jaren, of het frequenter optreden van zeer slechte jaren voor bepaalde soorten is een zorgerlijke trend. + +## Referenties + +De Neve L., Van Ryckegem G., Vanoverbeke J., Van de Meutter F., Van Braeckel A., Van den Bergh E., & Speybroeck, J. +(2020). +Hyperbenthos in the upper reaches of the Scheldt estuary (Belgium): Spatiotemporal patterns and ecological drivers of a recovered community. +Estuarine, Coastal and Shelf Science 245: 106967. +DOI: 10.1016/j.ecss.2020.106967. + +Van Ryckegem G., Vanoverbeke J., Van Braeckel A., Van de Meutter F., Mertens W. Mertens A. +& Breine J. +(2021). +MONEOS-Datarapport INBO: toestand Zeeschelde 2020. +Monitoringsoverzicht en 1ste lijnsrapportage Geomorfologie, diversiteit Habitats en diversiteit Soorten. +Rapporten van het Instituut voor Natuur- en Bosonderzoek 2021 (47). +Instituut voor Natuur- en Bosonderzoek, Brussel. +DOI: doi.org/10.21436/inbor.52484672. From 1cb42fbb13ed52a75d9b611ff3a8431d8ee70e07 Mon Sep 17 00:00:00 2001 From: VAN RYCKEGEM Date: Mon, 2 Sep 2024 12:01:44 +0200 Subject: [PATCH 035/102] oppervlakte analyse update --- .../20_moneos_watervogels_analyse.Rmd | 350 ++++++++++-------- 1 file changed, 187 insertions(+), 163 deletions(-) diff --git a/moneos_2024/100_watervogels/20_moneos_watervogels_analyse.Rmd b/moneos_2024/100_watervogels/20_moneos_watervogels_analyse.Rmd index c4d1d98..bf35ad9 100644 --- a/moneos_2024/100_watervogels/20_moneos_watervogels_analyse.Rmd +++ b/moneos_2024/100_watervogels/20_moneos_watervogels_analyse.Rmd @@ -347,6 +347,7 @@ data_gebiedsindeling_T2021 <- niveau4 == "GetijdeDurme" ~ "Durme", niveau4 == "GetijdeDijle" ~ "Dijle", niveau4 == "GetijdeZenne" ~ "Zenne", + niveau4 == "GetijdeNete" ~ "Nete", niveau4 == "Monding" ~ "Monding", niveau2 == "Westerschelde" ~"Westerschelde", TRUE ~ "Zeeschelde" @@ -356,7 +357,7 @@ data_gebiedsindeling_T2021 <- data_gebiedsindeling_T2021 %>% rename(gebiedsgroep = krw) %>% select("niveau1", "niveau2","niveau3", "gebiedsgroep", "rivier") %>% distinct() %>% - dplyr::filter(gebiedsgroep != "Getijdenetes") + dplyr::filter(gebiedsgroep != "Getijdenete") knitr::kable(data_gebiedsindeling_T2021) @@ -381,43 +382,66 @@ data_watervogels$niveau2 <- factor(data_watervogels$niveau2) ```{r data-oppervlakte-slikken} -data_oppecotoop <- - read_delim(paste0(pad_data, "OppEcotoop2001_19.csv"), - delim = ";") +# data_oppecotoop <- +# read_delim(paste0(pad_data, "OppEcotoop2001_19_2022copy2019.csv"), +# delim = ";") #remark aug 2024: file - values corrupt (komma separation??) -# data_oppecotoopKRWZS <- data_oppecotoop %>% -# dplyr::filter(str_detect(Fysiotoop, "slik")) %>% -# group_by(KRWzone,Jaar, Uitbreiding, Natuurlijkheid, Fysiotoop, Geomorf) %>% -# summarise(somha = sum(SomVanShape_Area/10000)) +##new file - same as benthosfile data_oppecotoop <- - data_oppecotoop %>% - dplyr::filter(KRWzone != "Tijarm") %>% - mutate(rivier = case_when( - Omes == "Rupel" ~ "Rupel", - KRWzone == "Getijdedurme" ~ "Durme", - TRUE ~ "Zeeschelde" + read_csv2(paste0(pad_data, "SpatialEcotopenOpp_INBO_2021.csv")) + +print(head(data_oppecotoop)) + +data_oppecotoop <-data_oppecotoop %>% + dplyr::filter(waterloop != "Tijarm") %>% + mutate(niveau3 = case_when( + waterloop == "Zeeschelde IV" ~ "Saliniteitsgradient", + waterloop == "Zeeschelde III" ~"Oligohalien", + waterloop == "Zeeschelde II" ~ "Zoet lang verblijf", + waterloop == "Zeeschelde I" ~ "Zoet kort verblijf", + waterloop == "Rupel"~ "Rupel", + waterloop == "Durme" ~ "Durme", + TRUE ~ "rest" )) -data_oppecotoop <- data_oppecotoop %>% - rename(gebiedsgroep = KRWzone) %>% +data_oppecotoop <- data_oppecotoop %>% + dplyr::filter(niveau3 != "rest") %>% left_join(data_gebiedsindeling_T2021) %>% - mutate(niveau3 = fct_relevel(niveau3, c("Saliniteitsgradient","Oligohalien","Zoet lang verblijf","Zoet kort verblijf", "Rupel","Durme", "Zoet zijrivier"))) + mutate(niveau3 = fct_relevel(niveau3, c("Saliniteitsgradient","Oligohalien","Zoet lang verblijf","Zoet kort verblijf", "Rupel","Durme"))) + +## we selecteren de jaren met volledige kaart BEZ BOZ Rupel Durme + +data_oppecotoop <-data_oppecotoop %>% + mutate(telseizoen = case_when( + jaar == "2001" ~ "2001/02", + jaar == "2010" ~ "2010/11", + jaar == "2013" ~ "2013/14", + jaar == "2016" ~ "2016/17", + jaar == "2019" ~ "2019/20", + jaar == "2022" ~ "2022/23", + TRUE ~ "incomplete" + )) %>% + dplyr::filter(telseizoen != "incomplete") data_oppzachtslikKRWZS <- data_oppecotoop %>% - dplyr::filter(str_detect(Fysiotoop, "slik")) %>% - dplyr::filter(Uitbreiding == 0) %>% ##uitbreidingen worden niet of niet goed geteld vanop de boot bij laagwater - dplyr::filter(str_detect(Ecotoop, "zacht")) %>% - group_by(niveau3,Jaar,telseizoen) %>% - summarise(somha = sum(SomVanShape_Area/10000)) %>% - rename(jaar = Jaar) %>% + dplyr::filter(str_detect(ecotoopruw, "zacht")) %>% + # dplyr::filter(Uitbreiding == 0) %>% ##uitbreidingen worden niet of niet goed geteld vanop de boot bij laagwater + # dplyr::filter(str_detect(Ecotoop, "zacht")) %>% + group_by(niveau3,jaar,telseizoen) %>% + summarise(somha = sum(SomVanShape_Area)) %>% ungroup() ##correctie op Durme slikoppervlakte : stroomopwaartse oppervlakte 4.8ha (ongeveer) er vanaf getrokken data_oppzachtslikKRWZS <- data_oppzachtslikKRWZS %>% mutate(somha = case_when(niveau3 == "Durme" ~ somha - 4.8, TRUE ~ somha)) +##correctie op uitbreidingen in Zoet kort vanaf telseizoen 2016: zacht slik - 12ha (niet te tellen vanaf boot) + +data_oppzachtslikKRWZS <- data_oppzachtslikKRWZS %>% + mutate(somha = case_when(niveau3 == "Zoet kort verblijf" & jaar > 2013 ~ somha - 12, + TRUE ~ somha)) # data_oppzachtslikKRWZS %>% @@ -520,7 +544,7 @@ tabel_trofische_groep <- data_watervogels %>% mutate(telseizoen1 = as.numeric(str_sub(telseizoen, 1, 4))) %>% - dplyr::filter(telseizoen1 %in% c(2001:2021)) %>% + dplyr::filter(telseizoen1 %in% c(2001:2023)) %>% # dplyr::filter(taxongroepcode != "MS") %>% # geen meeuwen of sternen # geen meeuwen of sternen dplyr::filter(maand %in% c(10:12, 1:3)) %>% dplyr::filter(gebiedsgroep != "Getijdedurme" | telseizoen1 > 2012) %>% @@ -557,7 +581,7 @@ levels(data_watervogels$niveau3) ###facet_wrap figuur data_watervogels %>% mutate(telseizoen1 = as.numeric(str_sub(telseizoen, 1, 4))) %>% - dplyr::filter(telseizoen1 %in% c(2009:2021)) %>% + dplyr::filter(telseizoen1 %in% c(2009:2023)) %>% # dplyr::filter(taxongroepcode != "MS") %>% # geen meeuwen of sternen # geen meeuwen of sternen dplyr::filter(maand %in% c(10:12, 1:3)) %>% dplyr::filter(gebiedsgroep != "Getijdedurme" | telseizoen1 > 2012) %>% @@ -591,7 +615,7 @@ data_watervogels %>% ##grafiek niveau2 data_watervogels %>% mutate(telseizoen1 = as.numeric(str_sub(telseizoen, 1, 4))) %>% - dplyr::filter(telseizoen1 %in% c(2001:2021)) %>% + dplyr::filter(telseizoen1 %in% c(2001:2023)) %>% # dplyr::filter(taxongroepcode != "MS") %>% # geen meeuwen of sternen # geen meeuwen of sternen dplyr::filter(maand %in% c(10:12, 1:3)) %>% dplyr::filter(gebiedsgroep != "Getijdedurme" | telseizoen1 > 2012) %>% @@ -2833,7 +2857,7 @@ ggsave(paste0(pad_figuren, "100_figuur_aantallen_steltlopers.jpg")) dplyr::filter(maand %in% c(10:12, 1:3)) %>% # dplyr::filter(str_detect(gebiedsgroep_code, "ZS")) %>% dplyr::filter(niveau3 != "Zoet zijrivier") %>% - dplyr::filter(telseizoen %in% c("2001/02","2010/11","2013/14","2016/17","2019/20")) %>% + dplyr::filter(telseizoen %in% c("2001/02","2010/11","2013/14","2016/17","2019/20","2022/23")) %>% dplyr::filter(nednaam != "Tafeleend" & nednaam != "Kuifeend") %>% dplyr::filter(trofische_groep != "Npisc" & trofische_groep != "Nherb") %>% left_join(data_oppzachtslikKRWZS, by = c("niveau3","telseizoen")) %>% @@ -2857,142 +2881,142 @@ ggsave(paste0(pad_figuren, "100_figuur_aantallen_steltlopers.jpg")) ggsave(paste0(pad_figuren, "100_figuur_dichtheid.jpg")) -data_watervogels %>% - dplyr::filter(maand %in% c(10:12, 1:3)) %>% - # dplyr::filter(str_detect(gebiedsgroep_code, "ZS")) %>% - dplyr::filter(niveau3 != "Zoet zijrivier") %>% - dplyr::filter(niveau3 != "Rupel") %>% - dplyr::filter(niveau3 != "Saliniteitsgradient") %>% - dplyr::filter(niveau3 != "Zoet kort verblijf") %>% - dplyr::filter(telseizoen %in% c("2001/02","2010/11","2013/14","2016/17","2019/20")) %>% - dplyr::filter(nednaam != "Tafeleend" & nednaam != "Kuifeend") %>% - dplyr::filter(trofische_groep != "Npisc" & trofische_groep != "Nherb") %>% - left_join(data_oppzachtslikKRWZS, by = c("niveau3","telseizoen")) %>% - group_by(telseizoen, maand, niveau3, somha) %>% - summarise(aantal = sum(aantal, na.rm = TRUE)) %>% - ungroup() %>% - group_by(telseizoen, niveau3, somha) %>% - summarise(aantal = mean(aantal, na.rm = TRUE)) %>% - ungroup() %>% - group_by(telseizoen, niveau3, somha) %>% - summarise(dichtheid = mean(aantal/somha, na.rm = TRUE)) %>% - ggplot(aes(ordered(telseizoen), dichtheid, group = niveau3, color = niveau3)) + - geom_point(aes(shape = niveau3)) + - geom_line() + - labs(x = "telseizoen", - y = "dichtheid overwinterende watervogel (#/ha)") + - theme(axis.text.x = element_text(angle = 0), - legend.position = "bottom", - legend.title = element_blank())+ - scale_y_continuous(breaks = seq(0,140,20)) - -ggsave(paste0(pad_figuren, "100_figuur_dichtheidDurme.jpg")) - -##Zeeschelde IV wintertrends -data_watervogels %>% - dplyr::filter(str_detect(gebiedsgroep_code, "ZS4")) %>% - dplyr::filter(maand %in% c(10:12, 1:3)) %>% - dplyr::filter(telseizoen %in% c("2001/02","2010/11","2012/13","2013/14","2014/15","2015/16","2016/17","2017/18","2018/19","2019/20","2020/21", - "2021/22")) %>% - dplyr::filter(nednaam != "Tafeleend" & nednaam != "Kuifeend") %>% - dplyr::filter(trofische_groep != "Npisc" & trofische_groep != "Nherb") %>% - left_join(data_oppzachtslikKRWZS, by = c("niveau3","telseizoen")) %>% - group_by(telseizoen, maand, niveau3, somha) %>% - summarise(aantal = sum(aantal, na.rm = TRUE)) %>% - ungroup() %>% - group_by(telseizoen, niveau3, somha) %>% - summarise(aantal = mean(aantal, na.rm = TRUE)) %>% - ungroup() %>% - group_by(telseizoen, niveau3, somha) %>% - summarise(dichtheid = mean(aantal/somha, na.rm = TRUE)) %>% - ggplot(aes(ordered(telseizoen), dichtheid, group = niveau3, color = niveau3)) + - geom_point(aes(shape = niveau3)) + - geom_line() + - labs(x = "telseizoen", - y = "dichtheid overwinterende watervogel (#/ha)") + - theme(axis.text.x = element_text(angle = 0), - legend.position = "bottom", - legend.title = element_blank())+ - scale_y_continuous(breaks = seq(0,20,2)) - -ggsave(paste0(pad_figuren, "100_figuur_dichtheidZS4.jpg")) - -##Zeeschelde IV wintertrends trofische groepen - -data_watervogels %>% - dplyr::filter(str_detect(gebiedsgroep_code, "ZS4")) %>% - dplyr::filter(maand %in% c(10:12, 1:3)) %>% - dplyr::filter(telseizoen %in% c("2001/02","2010/11","2012/13","2013/14","2014/15","2015/16","2016/17","2017/18","2018/19","2019/20","2020/21", - "2021/22", "2022/23")) %>% - dplyr::filter(nednaam != "Tafeleend" & nednaam != "Kuifeend") %>% - dplyr::filter(trofische_groep != "Npisc" & trofische_groep != "Nherb") %>% - left_join(data_oppzachtslikKRWZS, by = c("niveau3","telseizoen")) %>% - group_by(telseizoen, maand, niveau3, somha,trofische_groep) %>% - summarise(aantal = sum(aantal, na.rm = TRUE)) %>% - ungroup() %>% - group_by(telseizoen, niveau3, somha,trofische_groep) %>% - summarise(aantal = mean(aantal, na.rm = TRUE)) %>% - ungroup() %>% - group_by(telseizoen, niveau3, somha,trofische_groep) %>% - summarise(dichtheid = mean(aantal/somha, na.rm = TRUE)) %>% - ggplot(aes(ordered(telseizoen), dichtheid, group = trofische_groep, color = trofische_groep)) + - geom_point(aes(shape = niveau3)) + - geom_line() + - labs(x = "telseizoen", - y = "dichtheid overwinterende watervogel (#/ha)") + - theme(axis.text.x = element_text(angle = 0), - legend.position = "bottom", - legend.title = element_blank())+ - scale_y_continuous(breaks = seq(0,20,2)) - - - -##Zeeschelde IV jaartrends telseizoen -data_watervogels %>% - dplyr::filter(str_detect(gebiedsgroep_code, "ZS4")) %>% - # dplyr::filter(maand %in% c(10:12, 1:3)) %>% - dplyr::filter(telseizoen %in% c("2001/02","2010/11","2012/13","2013/14","2014/15","2015/16","2016/17","2017/18","2018/19","2019/20","2020/21", - "2021/22","2022/23")) %>% - dplyr::filter(nednaam != "Tafeleend" & nednaam != "Kuifeend") %>% - dplyr::filter(trofische_groep != "Npisc" & trofische_groep != "Nherb") %>% - left_join(data_oppzachtslikKRWZS, by = c("niveau3","telseizoen")) %>% - group_by(telseizoen, maand, niveau3, somha) %>% - summarise(aantal = sum(aantal, na.rm = TRUE)) %>% - ungroup() %>% - group_by(telseizoen, niveau3, somha) %>% - summarise(aantal = mean(aantal, na.rm = TRUE)) %>% - ungroup() %>% - group_by(telseizoen, niveau3, somha) %>% - summarise(dichtheid = mean(aantal/somha, na.rm = TRUE)) %>% - ggplot(aes(ordered(telseizoen), dichtheid, group = niveau3, color = niveau3)) + - geom_point(aes(shape = niveau3)) + - geom_line() + - labs(x = "telseizoen", - y = "dichtheid overwinterende watervogel (#/ha)") + - theme(axis.text.x = element_text(angle = 0), - legend.position = "bottom", - legend.title = element_blank())+ - scale_y_continuous(breaks = seq(0,20,2)) - -# oppervlakte veranderingen exclusief uitbreidingen (enge planimetrie) - -data_watervogels %>% - # dplyr::filter(str_detect(gebiedsgroep_code, "ZS")) %>% - dplyr::filter(telseizoen %in% c("2001/02","2010/11","2013/14","2016/17","2019/20")) %>% - left_join(data_oppzachtslikKRWZS, by = c("niveau3","telseizoen")) %>% - dplyr::filter(!is.na(somha)) %>% - group_by(telseizoen, niveau3, somha) %>% - ggplot(aes(ordered(telseizoen), somha, group = niveau3, color = niveau3)) + - geom_point(aes(shape = niveau3)) + - geom_line() + - labs(x = "telseizoen", - y = "Oppervlakte slik zacht substraat (ha)")+ - theme(axis.text.x = element_text(angle = 0), - legend.position = "bottom", - legend.title = element_blank()) - -ggsave(paste0(pad_figuren, "100_figuur_habitatoppervlakte.jpg")) - +# data_watervogels %>% +# dplyr::filter(maand %in% c(10:12, 1:3)) %>% +# # dplyr::filter(str_detect(gebiedsgroep_code, "ZS")) %>% +# dplyr::filter(niveau3 != "Zoet zijrivier") %>% +# dplyr::filter(niveau3 != "Rupel") %>% +# dplyr::filter(niveau3 != "Saliniteitsgradient") %>% +# dplyr::filter(niveau3 != "Zoet kort verblijf") %>% +# dplyr::filter(telseizoen %in% c("2001/02","2010/11","2013/14","2016/17","2019/20")) %>% +# dplyr::filter(nednaam != "Tafeleend" & nednaam != "Kuifeend") %>% +# dplyr::filter(trofische_groep != "Npisc" & trofische_groep != "Nherb") %>% +# left_join(data_oppzachtslikKRWZS, by = c("niveau3","telseizoen")) %>% +# group_by(telseizoen, maand, niveau3, somha) %>% +# summarise(aantal = sum(aantal, na.rm = TRUE)) %>% +# ungroup() %>% +# group_by(telseizoen, niveau3, somha) %>% +# summarise(aantal = mean(aantal, na.rm = TRUE)) %>% +# ungroup() %>% +# group_by(telseizoen, niveau3, somha) %>% +# summarise(dichtheid = mean(aantal/somha, na.rm = TRUE)) %>% +# ggplot(aes(ordered(telseizoen), dichtheid, group = niveau3, color = niveau3)) + +# geom_point(aes(shape = niveau3)) + +# geom_line() + +# labs(x = "telseizoen", +# y = "dichtheid overwinterende watervogel (#/ha)") + +# theme(axis.text.x = element_text(angle = 0), +# legend.position = "bottom", +# legend.title = element_blank())+ +# scale_y_continuous(breaks = seq(0,140,20)) +# +# ggsave(paste0(pad_figuren, "100_figuur_dichtheidDurme.jpg")) +# +# ##Zeeschelde IV wintertrends +# data_watervogels %>% +# dplyr::filter(str_detect(gebiedsgroep_code, "ZS4")) %>% +# dplyr::filter(maand %in% c(10:12, 1:3)) %>% +# dplyr::filter(telseizoen %in% c("2001/02","2010/11","2012/13","2013/14","2014/15","2015/16","2016/17","2017/18","2018/19","2019/20","2020/21", +# "2021/22")) %>% +# dplyr::filter(nednaam != "Tafeleend" & nednaam != "Kuifeend") %>% +# dplyr::filter(trofische_groep != "Npisc" & trofische_groep != "Nherb") %>% +# left_join(data_oppzachtslikKRWZS, by = c("niveau3","telseizoen")) %>% +# group_by(telseizoen, maand, niveau3, somha) %>% +# summarise(aantal = sum(aantal, na.rm = TRUE)) %>% +# ungroup() %>% +# group_by(telseizoen, niveau3, somha) %>% +# summarise(aantal = mean(aantal, na.rm = TRUE)) %>% +# ungroup() %>% +# group_by(telseizoen, niveau3, somha) %>% +# summarise(dichtheid = mean(aantal/somha, na.rm = TRUE)) %>% +# ggplot(aes(ordered(telseizoen), dichtheid, group = niveau3, color = niveau3)) + +# geom_point(aes(shape = niveau3)) + +# geom_line() + +# labs(x = "telseizoen", +# y = "dichtheid overwinterende watervogel (#/ha)") + +# theme(axis.text.x = element_text(angle = 0), +# legend.position = "bottom", +# legend.title = element_blank())+ +# scale_y_continuous(breaks = seq(0,20,2)) +# +# ggsave(paste0(pad_figuren, "100_figuur_dichtheidZS4.jpg")) +# +# ##Zeeschelde IV wintertrends trofische groepen +# +# data_watervogels %>% +# dplyr::filter(str_detect(gebiedsgroep_code, "ZS4")) %>% +# dplyr::filter(maand %in% c(10:12, 1:3)) %>% +# dplyr::filter(telseizoen %in% c("2001/02","2010/11","2012/13","2013/14","2014/15","2015/16","2016/17","2017/18","2018/19","2019/20","2020/21", +# "2021/22", "2022/23")) %>% +# dplyr::filter(nednaam != "Tafeleend" & nednaam != "Kuifeend") %>% +# dplyr::filter(trofische_groep != "Npisc" & trofische_groep != "Nherb") %>% +# left_join(data_oppzachtslikKRWZS, by = c("niveau3","telseizoen")) %>% +# group_by(telseizoen, maand, niveau3, somha,trofische_groep) %>% +# summarise(aantal = sum(aantal, na.rm = TRUE)) %>% +# ungroup() %>% +# group_by(telseizoen, niveau3, somha,trofische_groep) %>% +# summarise(aantal = mean(aantal, na.rm = TRUE)) %>% +# ungroup() %>% +# group_by(telseizoen, niveau3, somha,trofische_groep) %>% +# summarise(dichtheid = mean(aantal/somha, na.rm = TRUE)) %>% +# ggplot(aes(ordered(telseizoen), dichtheid, group = trofische_groep, color = trofische_groep)) + +# geom_point(aes(shape = niveau3)) + +# geom_line() + +# labs(x = "telseizoen", +# y = "dichtheid overwinterende watervogel (#/ha)") + +# theme(axis.text.x = element_text(angle = 0), +# legend.position = "bottom", +# legend.title = element_blank())+ +# scale_y_continuous(breaks = seq(0,20,2)) +# +# +# +# ##Zeeschelde IV jaartrends telseizoen +# data_watervogels %>% +# dplyr::filter(str_detect(gebiedsgroep_code, "ZS4")) %>% +# # dplyr::filter(maand %in% c(10:12, 1:3)) %>% +# dplyr::filter(telseizoen %in% c("2001/02","2010/11","2012/13","2013/14","2014/15","2015/16","2016/17","2017/18","2018/19","2019/20","2020/21", +# "2021/22","2022/23")) %>% +# dplyr::filter(nednaam != "Tafeleend" & nednaam != "Kuifeend") %>% +# dplyr::filter(trofische_groep != "Npisc" & trofische_groep != "Nherb") %>% +# left_join(data_oppzachtslikKRWZS, by = c("niveau3","telseizoen")) %>% +# group_by(telseizoen, maand, niveau3, somha) %>% +# summarise(aantal = sum(aantal, na.rm = TRUE)) %>% +# ungroup() %>% +# group_by(telseizoen, niveau3, somha) %>% +# summarise(aantal = mean(aantal, na.rm = TRUE)) %>% +# ungroup() %>% +# group_by(telseizoen, niveau3, somha) %>% +# summarise(dichtheid = mean(aantal/somha, na.rm = TRUE)) %>% +# ggplot(aes(ordered(telseizoen), dichtheid, group = niveau3, color = niveau3)) + +# geom_point(aes(shape = niveau3)) + +# geom_line() + +# labs(x = "telseizoen", +# y = "dichtheid overwinterende watervogel (#/ha)") + +# theme(axis.text.x = element_text(angle = 0), +# legend.position = "bottom", +# legend.title = element_blank())+ +# scale_y_continuous(breaks = seq(0,20,2)) +# +# # oppervlakte veranderingen exclusief uitbreidingen (enge planimetrie) +# +# data_watervogels %>% +# # dplyr::filter(str_detect(gebiedsgroep_code, "ZS")) %>% +# dplyr::filter(telseizoen %in% c("2001/02","2010/11","2013/14","2016/17","2019/20")) %>% +# left_join(data_oppzachtslikKRWZS, by = c("niveau3","telseizoen")) %>% +# dplyr::filter(!is.na(somha)) %>% +# group_by(telseizoen, niveau3, somha) %>% +# ggplot(aes(ordered(telseizoen), somha, group = niveau3, color = niveau3)) + +# geom_point(aes(shape = niveau3)) + +# geom_line() + +# labs(x = "telseizoen", +# y = "Oppervlakte slik zacht substraat (ha)")+ +# theme(axis.text.x = element_text(angle = 0), +# legend.position = "bottom", +# legend.title = element_blank()) +# +# ggsave(paste0(pad_figuren, "100_figuur_habitatoppervlakte.jpg")) +# ``` From d155e64dc7da8af330ac92883d462b39c3956e9b Mon Sep 17 00:00:00 2001 From: VAN RYCKEGEM Date: Mon, 2 Sep 2024 12:02:10 +0200 Subject: [PATCH 036/102] rapport update met dichtheid --- .../100_watervogels.Rmd | 106 +++++++++++++----- 1 file changed, 77 insertions(+), 29 deletions(-) diff --git a/moneos_2024/150_geintegreerd_rapport/100_watervogels.Rmd b/moneos_2024/150_geintegreerd_rapport/100_watervogels.Rmd index 4a7cfd7..b6cca39 100644 --- a/moneos_2024/150_geintegreerd_rapport/100_watervogels.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/100_watervogels.Rmd @@ -2,7 +2,11 @@ output: pdf_document: default html_document: default +editor_options: + markdown: + wrap: sentence --- + ```{r 100-hoofdstuk, include=FALSE} hoofdstuk <- "100_watervogels" @@ -73,8 +77,8 @@ Fichenummer: FICHE S-DS-V-007c -- Vogeltellingen sigmagebieden (estuarien) Overwinterende en doortrekkende watervogels kunnen indicatief zijn voor het estuarien ecosysteemfunctioneren. Veranderingen in aantallen watervogels kunnen echter veroorzaakt zijn door factoren zowel buiten (bijvoorbeeld klimaatverandering, Europese populatietrends, de situatie in broedgebieden...) als binnen het estuarium. -Interne factoren zijn bijvoorbeeld wijzigingen in voedselaanbod, foerageerareaal, binnendijks habitat, verstoring,... . -Trends moeten dus steeds in een ruimer kader en met de nodige omzichtigheid geëvalueerd worden. +Interne factoren zijn bijvoorbeeld wijzigingen in voedselaanbod, foerageerareaal, binnendijks habitat, verstoring,... +. Trends moeten dus steeds in een ruimer kader en met de nodige omzichtigheid geëvalueerd worden. De eerstelijnsrapportage beschrijft de aangeleverde watervogeldata van de Zeeschelde, de zijrivieren en estuariene natuurontwikkelingsprojecten, met focus op de verzamelde tellingen tot de winter van `r as.numeric(laatste_jaar) - 1` (eindigend in maart `r laatste_jaar`). De data werden gefilterd uit de INBO watervogeldatabank. @@ -151,11 +155,17 @@ Zie hoofdstuk 2. De overige gebieden worden in de mate van het mogelijke meegeteld met de boottellingen. Sinds oktober 2022 werd Hedwige-Prosperpolder ontpolderd. Deze gegevens zijn momenteel nog niet in de databank opgenomen. -Sinds juli 2021 is de ontpoldering Groot Schoor Hamme uitgevoerd. De vogelaantallen geteld bij laagwater in het bootteltraject namen hierdoor gevoelig toe. Terwijl er lage aantallen geteld werden tijdens de MIDMA tellingen in het gebied zelf. Dit heeft te maken met het getij-afhankelijke foerageren. De vogels zitten vooral in de ontpoldering bij opkomend getij. Om het effect van de estuariene Sigmagebieden te tonen werd hiervoor gecorrigeerd in de data door de surplus aan vogels in het teltraject sinds 2021 te beschouwen als vogels afhankelijk van het Groot Schoor Hamme (en dus niet mee te tellen in de Zeeschelde aantallen). +Sinds juli 2021 is de ontpoldering Groot Schoor Hamme uitgevoerd. +De vogelaantallen geteld bij laagwater in het bootteltraject namen hierdoor gevoelig toe. +Terwijl er lage aantallen geteld werden tijdens de MIDMA tellingen in het gebied zelf. +Dit heeft te maken met het getij-afhankelijke foerageren. +De vogels zitten vooral in de ontpoldering bij opkomend getij. +Om het effect van de estuariene Sigmagebieden te tonen werd hiervoor gecorrigeerd in de data door de surplus aan vogels in het teltraject sinds 2021 te beschouwen als vogels afhankelijk van het Groot Schoor Hamme (en dus niet mee te tellen in de Zeeschelde aantallen). *Ontbrekende data*: -Deze eerstelijnsrapportage werkt met de effectieve data. Er gebeurde geen imputing van ontbrekende data. +Deze eerstelijnsrapportage werkt met de effectieve data. +Er gebeurde geen imputing van ontbrekende data. **2022/23** @@ -170,9 +180,11 @@ Rupel Wintam-sas tot brug Boom: geen telling in januari en maart 2024 *Winterkarakteristiek telseizoen 2022/23*: De winter van 2023/24 [^100_watervogels-1] was klimatologisch zeer warm en nat. -Er was één langere koude periode midden januari. Met voor het eerst sinds februari 2021 4 winterse dagen (max \< 0°C).Daarna volgde een zeer warme februari, een absoluut record. In totaal telde de winter 5 sneeuwdagen in december en januari (17 januari was dag met zware sneeuwval) en in totaal 17 vriesdagen (min \< 0°C). -De winter was de derde natste winter ooit met heel weinig zonnige dagen en hoge gemiddelde windsnelheid. - +Er was één langere koude periode midden januari. +Met voor het eerst sinds februari 2021 4 winterse dagen (max \< 0°C). +Daarna volgde een zeer warme februari, een absoluut record. +In totaal telde de winter 5 sneeuwdagen in december en januari (17 januari was dag met zware sneeuwval) en in totaal 17 vriesdagen (min \< 0°C). +De winter was de derde natste winter ooit met heel weinig zonnige dagen en een hoge gemiddelde windsnelheid. [^100_watervogels-1]: KMI winter `r laatste_jaar` (dec `r as.numeric(laatste_jaar) - 1` - feb `r laatste_jaar`) \~= wintervogeljaar (telseizoen `r laatste_telseizoen`). @@ -265,12 +277,14 @@ tabel_sigma_estuarien %>% De exploratieve data-analyse van de overwinterende watervogels van de Zeeschelde en getijgebonden zijrivieren volgt de vernieuwde evaluatiemethodiek (EMSE, 2021) mits een aantal doorgevoerde aanpassingen: -*voedselgroepen*: de weerhouden vogelsoorten (met meer dan 30 waarnemingen cf. EMSE, 2021) zijn ingedeeld in 4 categoriën (Tabel \@ref(tab:100-tabel-trofischegroepsoorten)):benthoseters (omvatten schelpdiereters, wormeneters, hyperbenthoseters en epibenthoseters), viseters, herbivoren en omnivoren (omvatten bijna alle eendensoorten in de Zeeschelde - deze voeden zich doorgaans opportunisistisch maar in belangrijke mate met Oligochaeta).De vleeseters (roofvogels) worden niet systematisch geteld bij de watervogeltellingen en werden niet meegenomen. +*voedselgroepen*: de weerhouden vogelsoorten (met meer dan 30 waarnemingen cf. EMSE, 2021) zijn ingedeeld in 4 categoriën (Tabel \@ref(tab:100-tabel-trofischegroepsoorten)): benthoseters (omvatten schelpdiereters, wormeneters, hyperbenthoseters en epibenthoseters), viseters, herbivoren en omnivoren (omvatten bijna alle eendensoorten in de Zeeschelde - deze voeden zich doorgaans opportunisistisch maar in belangrijke mate met Oligochaeta). +De vleeseters (roofvogels) worden niet systematisch geteld bij de watervogeltellingen en werden niet meegenomen. -*Areaal foerageergebied*: voor deze oefening werd de dichtheid van de vogelaantallen berekend op basis van het areaal slik zacht substraat aanwezig langs de deelzones van de Zeeschelde en zijrivieren. +*Areaal foerageergebied*: voor deze oefening werd de dichtheid van de vogelaantallen berekend op basis van het areaal slik zacht substraat aanwezig langs de deelzones van de Zeeschelde en zijrivieren (zonder Sigma natuurontwikkelingsgebieden). *Sleutelsoorten*: de sleutelsoorten niet-broedvogels in de Zeeschelde zijn soorten met een instandhoudingsdoelstelling (S-IHD) []. -Deze zijn gebaseerd op gemiddelde overwinterende aantallen in gedefinieerde periodes voor elke soort in de estuariene gebieden van de Zeeschelde en zijrivieren Rupel, Durme, Dijle en Zenne (voor de Netes zijn er geen telgegevens over de estuariene habitats apart). We leggen voor EMSE de klemtoon op de soorten die een sterke connectie hebben met de estuariene habitats (kleine zwaan, slobeend en kokmeeuw laten we buiten beschouwing). +Deze zijn gebaseerd op gemiddelde overwinterende aantallen in gedefinieerde periodes voor elke soort in de estuariene gebieden van de Zeeschelde en zijrivieren Rupel, Durme, Dijle en Zenne (voor de Netes zijn er geen telgegevens over de estuariene habitats apart). +We leggen voor EMSE de klemtoon op de soorten die een sterke connectie hebben met de estuariene habitats (kleine zwaan, slobeend en kokmeeuw laten we buiten beschouwing). - pijlstaart : winter seizoensgemiddelde telseizoen 2000/01 tot 2005/06: 487ex. - wintertaling : winter seizoensgemiddelde telseizoen 1998/99 tot 2005/06: 14584ex. @@ -278,7 +292,6 @@ Deze zijn gebaseerd op gemiddelde overwinterende aantallen in gedefinieerde peri - tafeleend: winter seizoensgemiddelde telseizoen 2001/02 tot 2006/07: 3864ex. - bergeend: winter seizoensgemiddelde telseizoen 1992/93 tot 2006/07: 1272ex. - *Indexen*: Om de trends te bespreken is er een index berekend met 2009 als referentiejaar en gebaseerd op de maximale winteraantallen. Dit jaar is gekozen omdat er dan voor alle deelzones gegevens zijn en het referentiejaar valt na de systeemomslag. Zo kan de trend in de verschillende deelzones in detail geëvalueerd worden voor de laatste jaren. @@ -286,8 +299,11 @@ De Shannon-index toont de algemene patronen in de diversiteit. **Globaal patroon** -Het globaal patroon in de maandelijkse wintervogelaantallen langsheen de Zeeschelde op de slikken (zonder Sigma natuurontwikkelingsgebieden) toont een sterke afname in vogelaantallen tussen 2002 en 2008, in 2010 en 2011 waren de vogelaantallen iets hoger. In het winterjaar 2020 (okt '20 - mrt '21) was er een winterinflux door koude temperaturen. De tellingen tonen een iets hoger wintermaximum[^100_watervogels-2] door de korte koudepiek in januari maar het wintergemiddelde was het laagste sinds het begin van de meting (Figuur \@ref(fig:100-figuur-maandelijkse-totalen-winter-Zeeschelde), Figuur \@ref(fig:100-figuur-index-niveau2), Figuur \@ref(fig:100-figuur-aantallen-niveau2)). -De proportionele verdeling van de watervogels in de verschillende zones van de Zeeschelde (zie in Figuur 1.1) toont na de sterke afname van de watervogels in winter 2006/07, vooral in de oligohaliene zone, een geleidelijke toename van het aandeel vogels dat verblijft in de sterke saliniteitsgradiënt (Beneden-Zeeschelde) en Zeeschelde I (zoet kort verblijf). De vogelaantallen namen verhoudingsgewijs in 2022 sterk toe in de sterke saliniteitsgradiënt (Beneden-Zeeschelde) (Figuur \@ref(fig:100-figuur-verhouding-aantallen)). +Het globaal patroon in de maandelijkse wintervogelaantallen langsheen de Zeeschelde op de slikken (zonder Sigma natuurontwikkelingsgebieden) toont een sterke afname in vogelaantallen tussen 2002 en 2008, in 2010 en 2011 waren de vogelaantallen iets hoger. +In het winterjaar 2020 (okt '20 - mrt '21) was er een winterinflux door koude temperaturen. +De tellingen tonen een iets hoger wintermaximum[^100_watervogels-2] door de korte koudepiek in januari maar het wintergemiddelde was het laagste sinds het begin van de meting (Figuur \@ref(fig:100-figuur-maandelijkse-totalen-winter-Zeeschelde), Figuur \@ref(fig:100-figuur-index-niveau2), Figuur \@ref(fig:100-figuur-aantallen-niveau2)). +De proportionele verdeling van de watervogels in de verschillende zones van de Zeeschelde (zie in Figuur 1.1) toont na de sterke afname van de watervogels in winter 2006/07, vooral in de oligohaliene zone, een geleidelijke toename van het aandeel vogels dat verblijft in de sterke saliniteitsgradiënt (Beneden-Zeeschelde) en Zeeschelde I (zoet kort verblijf). +De vogelaantallen namen verhoudingsgewijs in 2022 sterk toe in de sterke saliniteitsgradiënt (Beneden-Zeeschelde) (Figuur \@ref(fig:100-figuur-verhouding-aantallen)). [^100_watervogels-2]: Maximum van de som van alle vogels per wintermaand (oktober tot en met maart). @@ -298,16 +314,19 @@ Deze gebieden zijn niet vervat in onderstaande trendgrafieken. De bijdrage van de Sigmagebieden wordt verderop besproken. In de zone met sterke **Saliniteitsgradient** (Kennedytunnel -- Grens) vertonen de winteraantallen een dalende trend tot 2019. -Tussen 2019 en 2022 was de index stijgend. Er was opnieuw een kleine afname voor winterseizoen 2023/24. +Tussen 2019 en 2022 was de index stijgend. +Er was opnieuw een kleine afname voor winterseizoen 2023/24. Tegenover het beschouwde referentiejaar 2009 is er een afname met ongeveer de helft van de maximale vogelaantallen. De terugval is vooral waarneembaar in een sterke afname van de aantallen smient, wintertaling en grauwe gans (zie verder soortbesprekingen). -De laatste winters worden hogere aantallen tureluur, scholekster en wulp geteld hierdoor stijgt de index in deze zone. +De laatste winters worden hogere aantallen tureluur, scholekster en wulp geteld, hierdoor stijgt de index in deze zone. **Oligohalien** (Durmemonding - Kennedytunnel) kende proportioneel de grootste afname in watervogelaantallen tussen 2006 en 2010. -Tegenover het beschouwde referentiejaar 2009 is er een afname met meer dan de helft van de maximale vogelaantallen. Wanneer we de winterinflux van 2020 negeren is er een sterke afname van de index zichtbaar. +Tegenover het beschouwde referentiejaar 2009 is er een afname met meer dan de helft van de maximale vogelaantallen. +Wanneer we de winterinflux van 2020 negeren is er een sterke afname van de index zichtbaar. In **Zoet lang verblijf** (Dendermonde -- Durmemonding) zijn de vogelaantallen sterk afgenomen in `r laatste_telseizoen`. -Het aantal watervogels was historisch laag in winter 2022. Door de influx van vogels uit de vallei was er in 2020 nog een winterpiek. +Het aantal watervogels was historisch laag in winter 2022. +Door de influx van vogels uit de vallei was er in 2020 nog een winterpiek. In **Zoet kort verblijf** (Gentbrugge -- Dendermonde) is er een duidelijke terugval in het overwinterend aantal watervogels. De overwinterende watervogelaantallen op de Zeeschelde blijven bij de laagste geteld sinds begin jaren '90. @@ -330,7 +349,8 @@ De hoogste aantallen werden op de Dijle en Zenne slikken respectievelijk geteld Op de **Dijle** was de piek van vogelaantallen van korte duur. De laatste jaren worden slechts enkele tientallen vogels gemiddeld per winterseizoen geteld op de slikken van de Dijle. De wintermaxima in het GGG Zennegat schommelen de laatste jaren rond de 700 watervogels, een factor 10 hoger dan het aantal vogels geteld op de Dijle zelf. -Op de **Zenne** fluctueerden de aantallen sterk tussen 2008 en 2016 om dan af te nemen tot 2019. Sindsdien zijn de aantallen relatief stabiel. +Op de **Zenne** fluctueerden de aantallen sterk tussen 2008 en 2016 om dan af te nemen tot 2019. +Sindsdien zijn de aantallen relatief stabiel. ```{r 100-figuur-maandelijkse-totalen-winter-Zeeschelde, fig.cap=cap_maandelijkse_totalen,out.height="40%"} @@ -388,7 +408,6 @@ knitr::include_graphics(paste0(pad_figuren, "100-figuur_Index_wintervogelaantall ``` -
**Trofische groepen** @@ -408,16 +427,20 @@ De kokmeeuw is de meest voorkomende wintersoort in de zone met sterke saliniteit De wilde eend is de meest algemene soort langsheen de Zeeschelde. Proportioneel komt de wintertaling het meest voor langsheen de Rupel en de Durme. De zone met sterke saliniteitsgradiënt en de Rupel hebben het meest aantal soorten die meer dan 5% van het totaal omvatten. -Dit vertaalt zich ook in een hogere Shannon diversiteit van deze zones Figuur \@ref(fig:100-figuur-ShannonDiversity-metmeeuwen). +Dit vertaalt zich ook in een hogere Shannon diversiteit van deze zones (Figuur \@ref(fig:100-figuur-ShannonDiversity-metmeeuwen)). De diversiteit is het hoogst en stabiel in de zone met sterke saliniteitsgradiënt en de Rupel. De Durme heeft een lage diversiteit aan overwinterende watervogels. -Samen met de sterke afname in overwinterende vogelaantallen nam in zoet lang ook de diversiteit af. De laatste jaren nam de diversiteit echter toe. Dit is vermoedelijk een neveneffect van de nieuwe sigmagebieden in deze zone - deze gebieden trekken soorten aan die af en toe naar de Zeeschelde trekken zoals pijlstaart of slobeend. +Samen met de sterke afname in overwinterende vogelaantallen nam in zoet lang ook de diversiteit af. +De laatste jaren nam de diversiteit echter toe. +Dit is vermoedelijk een neveneffect van de nieuwe sigmagebieden in deze zone - deze gebieden trekken soorten aan die af en toe naar de Zeeschelde trekken zoals pijlstaart of slobeend. Van een aantal algemenere soorten worden de trends in de periode 2010-`r laatste_jaar` getoond in Figuur \@ref(fig:100-figuur-aantallen-abundante-soorten) en Figuur \@ref(fig:100-figuur-aantallen-viseters) en Figuur \@ref(fig:100-figuur-aantallen-steltlopers). De bergeend neemt voor het eerst in 9 jaar duidelijk toe in de zone met sterke saliniteitsgradiënt. De afnemende aantallen langsheen de zone zoet lang van wilde eend(!) en wintertaling zijn opvallend. Na een opvallende dip van de krakeend in 2019/20 neemt de krakeend toe in de sterke saliniteitsgradiënt. -De aalscholveraantallen in de winterperiode namen toe na 2014 en volgen op de toename van vis vooral in de Boven-Zeeschelde Figuur \@ref(fig:100-figuur-aantallen-viseters). +De aalscholveraantallen in de winterperiode namen toe na 2014 en volgen de toename van vis vooral in de Boven-Zeeschelde Figuur \@ref(fig:100-figuur-aantallen-viseters). +De laatste jaren nemen de aalscholveraantallen opnieuw af. +Ook de visbiomassa neemt af (zie hoofdstuk vissen). De fuut, ook een viseter is quasi volledig verdwenen langs alle teltrajecten. Met een wintergemiddelde van een 100 tot 150 exemplaren is de tureluur veel talrijker aanwezig sinds 2015. De gemiddelde wulpaantallen zijn variabel. @@ -432,8 +455,17 @@ De trends van de meest talrijke exotische overwinterende vogelsoorten is weergeg De hoogste aantallen worden geteld in de oligohaliene zone. De boerengans en soepeend komen in relatief kleine aantallen voor en zijn stabiel tot afnemend. -De dichtheden van de overwinterende watervogels per zone op het oppervlakte zacht substraat slik in de Zeeschelde bespreken we in deze rapportage niet omdat er geen update is van de ecotoopoppervlakte periode 2022/23 (Hoofdstuk \@ref(030_ecotopen)). - +De dichtheden van de overwinterende watervogels per zone op het oppervlakte zacht substraat slik in de Zeeschelde is weergegeven in Figuur \@ref(fig:100-figuur-dichtheden-watervogels-per-zone). +Voor de figuur werd een selectie gemaakt van alle omnivore en benthivore soorten en werden kuifeend en tafeleend uitgesloten omdat beide soorten vooral afhankelijk zijn van het voedselaanbod in de ondiepe waterzones. +De grafiek houdt geen rekening met Sigma natuurontwikkelingsgebieden. +In 2001 waren er hoge vogeldichtheden in de oligohaliene zone, zoet lang en Rupel rond de 120-160 vogels per ha . +Deze dichtheden namen sterk af. +De dichtheden in 2023 zijn berekend op basis van de ecotopenkaart 2019 (en dus benaderd). +In de Boven-Zeeschelde zijn de dichtheden de laagste sinds 2001. +In de zone met sterke saliniteitsgradiënt is er een kleine toename in vogeldichtheid. +De dichtheid blijft hier wel laag aangezien ook het voedselaanbod uitgedrukt als biomassa bodemdieren per oppervlakte eenheid niet lager is dan in andere zones. +Een opvallend lage vogeldichtheid is er ook in de Durme waar het voedselaanbod relatief hoger is. +De oppervlakte zacht substraat in de verschillende zones is in beperkte mate veranderd (Hoofdstuk \@ref(030_ecotopen)) en heeft een beperkte invloed op de berekende dichtheden. ```{r 100-figuur-aantallen-trofische-groep-index, fig.cap=cap_aantallen_trofische_groep_index, out.width="80%"} @@ -508,10 +540,21 @@ knitr::include_graphics(paste0(pad_figuren, "100_figuur_aantallen_exoten.jpg"))
+```{r 100-figuur-dichtheden-watervogels-per-zone, fig.cap=cap_dichtheden,out.width="80%"} + +cap_dichtheden <- "Vogeldichtheid (aantallen per ha zacht substraat slik) van getelde wintervogels (NBenth + NOmn, inclusief meeuwen en sterns) (okt.-mrt.) in de niveau 3 zones van de Zeeschelde. Data gepresenteerd voor de jaren overeenkomstig de beschikbare ecotopenkaart. Watervogels en oppervlakte exclusief nieuwe gebieden." + +knitr::include_graphics(paste0(pad_figuren, "100_figuur_dichtheid.jpg")) + +``` + +
+ ## Overwinterende watervogels in gebieden met estuariene natuurontwikkeling De wintermaxima in de estuariene sigmagebieden (Tabel\@ref(tab:100-tabel-estuarienesigmagebieden)) vertonen een duidelijke sprong vanaf het moment dat de inrichting voltooid is (zie inrichtingsdatum in Tabel \@ref(tab:020-tabel-natuurontwikkelingsprojecten) (Figuur \@ref(fig:100-figuur-wintermaxima-sigma-estuarien)). -De wintermaxima vertonen vaak een piek kort na de inrichting van de gebieden (Figuur \@ref(fig:100-figuur-wintermaxima-sigmagebieden-estuarien)). De grootste aantallen overwinterende vogels verblijven in GOG-GGG Bazelse Polder Noord (vooral ganzen trekken de winteraantallen omhoog), GGG Zennegat, GGG Grote Vijver Battenbroek en ontpoldering Groot Schoor Hamme. +De wintermaxima vertonen vaak een piek kort na de inrichting van de gebieden (Figuur \@ref(fig:100-figuur-wintermaxima-sigmagebieden-estuarien)). +De grootste aantallen overwinterende vogels verblijven in GOG-GGG Bazelse Polder Noord (vooral ganzen trekken de winteraantallen omhoog), GGG Zennegat, GGG Grote Vijver Battenbroek en ontpoldering Groot Schoor Hamme. De nieuwe gebieden slagen er niet in om het glijdend gemiddelde (periode 5 jaar) van de dalende watervogelaantallen op de Zeeschelde om te buigen in stijgende wintermaxima ((Figuur \@ref(fig:100-figuur-natuurindicator-zeescheldesigma-estuarien)). Binnen het estuarium compenseren de nieuwe gebieden de dalende trends langsheen de Zeeschelde. Nemen we ook de wetland Sigmagebieden mee in beschouwing dan is de trend eerder positief (). @@ -536,7 +579,7 @@ knitr::include_graphics(paste0(pad_figuren, "100_figuur_wintermaxima_sigmagebied ``` -
+
```{r 100-figuur-natuurindicator-zeescheldesigma-estuarien, fig.cap=cap_natuurindicator_sigma,out.width="100%"} @@ -552,11 +595,16 @@ knitr::include_graphics(paste0(pad_figuren, "100_figuur_Natuurindicator_glijdend Zie rapportage vorig jaar. -
**Algemene conclusie** +
**Algemene conclusie** Over de periode 2009-2023 bekeken is er op het niveau van de Zeeschelde een dalende trend te zien in het aantal overwinterende watervogels. -De trendindex toont een toename in de sterke saliniteitsgradiënt. Dit is vooral te wijten aan de toename van scholeksters, tureluurs en bergeenden. De toename van de scholekster is vermoedelijk het gevolg van de toename aan schelpdieren (zie hoofdstuk Macrozoöbenthos). De ontpoldering van Hedwige-Prosper trok heel wat bergeenden aan die ook gebruik maakten van de slikken van de Zeeschelde. -Opvallend is de negatieve trend van de zone zoet lang, vooral veroorzaakt door een sterke afname van de wilde eend. Niettegenstaande deze trend blijft de dichtheid aan overwinterende watervogels nog steeds het hoogst in de zone zoet lang en het laagst in de zone met sterke saliniteitsgradiënt. Opvallend is een lage dichtheid aan vogels op de Durme gedurende het winterseizoen. +De trendindex toont een toename in de sterke saliniteitsgradiënt. +Dit is vooral te wijten aan de toename van scholeksters, tureluurs en bergeenden. +De toename van de scholekster is vermoedelijk het gevolg van de toename aan schelpdieren (zie hoofdstuk Macrozoöbenthos). +De ontpoldering van Hedwige-Prosper trok heel wat bergeenden aan die ook gebruik maakten van de slikken van de Zeeschelde. +Opvallend is de negatieve trend van de zone zoet lang, vooral veroorzaakt door een sterke afname van de wilde eend. +Niettegenstaande deze trend blijft de dichtheid aan overwinterende watervogels nog steeds het hoogst in de zone zoet lang en het laagst in de zone met sterke saliniteitsgradiënt. +Opvallend is een lage dichtheid aan vogels op de Durme gedurende het winterseizoen. De diversiteit is het grootst in de zone met een sterke saliniteitsgradiënt en laag in de Durme en de zone zoet lang. De afname van de vogelaantallen langsheen de Zeeschelde wordt gecompenseerd door de toename van de vogelaantallen in de estuariene natuurontwikkelingsgebieden. Dit resulteert tot op heden niet in een totale toename van de watervogelaantallen binnen het estuarium. From c075329ef532ddfa08bd7ebadfc679f2fd158411 Mon Sep 17 00:00:00 2001 From: WimMertens Date: Thu, 5 Sep 2024 10:14:03 +0200 Subject: [PATCH 037/102] aanmaak rapport 2024 --- .../110_broedvogels.Rmd | 396 ++++++++++++++++++ 1 file changed, 396 insertions(+) create mode 100644 moneos_2024/150_geintegreerd_rapport/110_broedvogels.Rmd diff --git a/moneos_2024/150_geintegreerd_rapport/110_broedvogels.Rmd b/moneos_2024/150_geintegreerd_rapport/110_broedvogels.Rmd new file mode 100644 index 0000000..b89f1f0 --- /dev/null +++ b/moneos_2024/150_geintegreerd_rapport/110_broedvogels.Rmd @@ -0,0 +1,396 @@ +--- +output: html_document +editor_options: + chunk_output_type: console +--- + +```{r 1100-hoofdstuk, include=FALSE} + +hoofdstuk <- "110_broedvogels" + +``` + +```{r 000-setup, include=FALSE} + +knitr::opts_chunk$set(echo = FALSE, error=FALSE, warning=FALSE, message=FALSE, cache=FALSE) +knitr::opts_knit$set(eval.after = "fig.cap") + +``` + +```{r 110-libraries} + +library(tidyverse) +library(readxl) +library(kableExtra) +library(INBOtheme) +library(rprojroot) ## workaround pad + +``` + +```{r 110-pad} + +# inlezen van variabelen +# pad naar data : pad_data +# pad naar tabellen : pad_tabellen +# pad naar figuren : pad_figuren + +source(find_root_file("../pad.R", criterion = is_rstudio_project)) + +pad_data <- maak_pad(hoofdstuk, "data") +pad_figuren <- maak_pad(hoofdstuk, "figuren") +pad_tabellen <- maak_pad(hoofdstuk, "tabellen") + +``` + +```{r 110-meta_data} + +# meta_data <- +# read_delim(paste0(pad_data, "meta_data.csv"), +# delim = ";") +# +# for(i in 1:nrow(meta_data)){ +# ##first extract the object value +# tempobj=meta_data$waarde[i] +# ##now create a new variable with the original name of the list item +# eval(parse(text=paste(meta_data$naam[i],"= tempobj"))) +# } + +``` + +# Broedvogels + +Fichenummer: Fiche S-DS-V-006 -- Broedvogels (aangepaste versie 11/04/2013) + +**Wim Mertens**, **Gunther Van Ryckegem**, Geert Spanoghe, Kenny Hessel, De Regge Nico, Frederic Van Lierop, Koen Thibau + +## Inleiding + +De eerstelijnsrapportage beschrijft de trends van de broedvogelsoorten waarvoor Instandhoudingsdoelstellingen gelden. + +## Materiaal en methode + +### Studiegebied + +Het IHD-gebied (zoals beschreven in Adriaensen et al. (2005)) omvat + +- het Noordelijk gebied (Doelpolder Noord, Doelpolder Midden, Prosperpolder en Schor Ouden Doel, Paardenschor), +- het Galgenschoor, +- Ketenisse +- Blokkersdijk en +- Rest IHD-gebied. + +```{r 110-figuur1, fig.cap=caption_figuur1, out.width="95%"} +caption_figuur1 <- "Het IHD-gebied met aanduiding van de gebieden die geanalyseerd worden op algemene broedvogelsoorten." +knitr::include_graphics(paste0(pad_figuren, "110_fig1.png")) +``` + +Rest IHD-gebied is de NOP-zoneplus, het studiegebied van de Instandhoudingsdoelstellingen Schelde-estuarium (IHD-Z, Adriaensen et al. 2005). +Dit gebied omvat de vallei van de Zeeschelde en haar tijgebonden zijrivieren, inclusief de vallei van de Grote Nete tot in Zammel en van de Kleine Nete tot in Grobbendonk en alle buitendijkse gebieden.\ +Het Galgenschoor, Ketenisse en het Noordelijk gebied worden apart behandeld omdat hiervoor aparte doelstellingen zijn gedefinieerd (Adriaensen et al., 2005).\ +Het Groot Buitenschoor, het overstromingsgebied Kruibeke -- Bazel -- Rupelmonde, de Potpolder Lillo, het Molsbroek, de overige gebieden vzw Durme (reservaten Durmemeersen, Scheldebroeken (excl. Paardeweide) en reservaatzone Donkmeer), de Kalkense Meersen en Wijmeers (KM en WM), het Weijmeerbroek, de Paardeweide, de Bergenmeersen, het Aubroek en de Sint Onolfspolder, Schellebelle (omgeving station) en Zennegat zitten vervat in het 'Rest IHD-gebied'. +De gegevens van deze gebieden worden tevens in aparte werkbladen gegeven omdat soms voor één of meerdere soorten goede lokale tijdsreeksen beschikbaar zijn. +In het werkblad "IHD-gebied_Totaal" worden de totalen berekend voor het IHD-gebied. +Deze totalen zijn gebaseerd op de aantallen van bovenstaande deelgebieden (zie andere werkbladen), waarbij in geval van een vork steeds de hoogste waarden werd genomen. +Aanwezigheid van NA's (soort niet geteld in dat gebied tijdens dat jaar) in één gebied leidt tot een NA in het totaal. + +Het Fort St- Marie en het gebied tussen de Vlakte van Zwijndrecht en Blokkersdijk is mee opgenomen in 'Rest IHD-gebied'. + +### Dataverzameling + +De aantallen zijn gecompileerd uit de volgende bronnen: Anselin et al. (1998); Vermeersch et al. (2004); Vermeersch et al. (2006); Vermeersch & Anselin (2009); Anselin (2010);Spanoghe et al. (2003); Gyselings et al. (2004); Spanoghe et al. (2006); Gyselings et al. (2007); Spanoghe et al. (2008); Van Ginhove et al. (2008), Gyselings et al. (2009); Spanoghe et al. (2010); (Gyselings et al., 2010); Gyselings et al. (2013); Weyn et al. (2013); Daniëls et al. (2013).\ +Daarnaast werd gebruik gemaakt van de Broedvogeldatabank van het INBO () en de Broedvogelatlasdatabank en --kaartlagen van het INBO. +Voor de periode 2010-2017 werden deze gegevens aangevuld met gegevens uit Waarnemingen.be, de website voor natuurinformatie van Natuurpunt en Stichting Natuurinformatie, ter beschikking gesteld door Natuurpunt Studie vzw.\ +De data vóór 2000 zijn afkomstig uit BBV-verslagen 1995-1996 en 1994-2005 (Anselin et al. 1998) en (Vermeersch et al. 2006) en de Broedvogeldatabank.\ +De gegevens van de periode 2000-2002 zijn afkomstig van de Broedvoegelatlas (Vermeersch et al. 2004) en de digitale voorbereidende bestanden. +Voor enkele zeldzame soorten zijn per jaar de aantallen gekend. +Voor algemenere soorten slaan de aantallen op de hele periode 2000-2002. +In de tabel werden ze ingevuld bij 2001. +De gegevens van de periode 2003-2005 zijn afkomstig uit het BBV-verslag 1994-2005 (Vermeersch et al. 2006) en de Broedvogeldatabank.\ +De gegevens van de periode 2006-2007 zijn afkomstig uit het BBV-verslag 2006-2007 (Vermeersch and Anselin 2009) en de Broedvogeldatabank.\ +De gegevens voor de periode 2008-2009 zijn afkomstig uit (Anselin 2010) en de Broedvogeldatabank. +Voor de deelgebieden Noordelijk gebied, Ketenisse, Rest AN-LO zijn de aantallen vanaf 2003 afgeleid uit de monitoringsrapporten van het Linkerscheldeoevergebied (Spanoghe et al., 2003, 2006, 2008, 2010 en Gyselings et al. 2004, 2007, 2009) en recentere monitoringsgegevens van het INBO-project "Monitoring en evaluatie van het Linkerscheldeoevergebied (LO)".\ +De aantallen voor Blokkersdijk zijn afkomstig van de website van Natuurpunt-Waasland en het tweede monitoringsrapport (De Jonghe & Verschueren, 2017) en data aangeleverd door Willy Verschueren (2018 - 2020). +Voor Kuifeend en omgeving zijn de gegevens vanaf 2009 en voor sommige soorten vanaf 2004 afkomstig uit het monitoringsrapport RO (Gyselings et al. 2014) en recentere monitoringsgegevens van het EVINBO-project "Monitoring en evaluatie van het Rechterscheldeoevergebied (RO)".\ +Voor het overstromingsgebied Kruibeke -- Bazel -- Rupelmonde zijn de gegevens afkomstig van de jaarverslagen van de Beheercommissie Kruibeke-Bazel-Rupelmonde (Anoniem, 2014) en recentere monitoringsgegevens van het INBO-project ""Opvolgen en adviseren beheercommissie Kruibeke-Bazel-Rupelmonder (KBR)".\ +Gegevens van Molsbroek en de overige gebieden van de vzw Durme zijn afkomstig van de Vogelwerkgroep Durmevallei aangeleverd door Joris Everaert.\ +Gegevens van Kalkense Meersen, Wijmeers, Paardeweide, Bergenmeersen, Weijmeerbroek en Zennegat na 2008 werden verzameld in het kader van het INBO/ANB-project "Wetenschappelijke opvolging van de natuurontwikkeling in de gebieden van het geactualiseerde Sigmaplan". In deze gebieden zijn frequent, maar niet jaarlijks broedvogelkarteringen uitgevoerd. Het aantal territoria voor jaren zonder kartering wordt berekend op basis van een lineair interpolatie.\ +Gegevens over het aantal gruttoterritoria in de Kalkense Meersen en omgeving in de periode 2001-2009 zijn afkomstig uit Schepers (2010). Recentere data werden aangeleverd door Robbert Schepers en zijn afkomstig van tellingen in het kader van het INBO/ANB-project "Wetenschappelijke opvolging van de natuurontwikkeling in de gebieden van het geactualiseerde Sigmaplan" gecombineerd met tellingen door vrijwilligers en medewerkers van het Regionaal Landschap "Schelde-Durme" De gegevens van het Groot Buitenschoor (2012) zijn ongepubliceerde gegevens verzameld in het kader van een INBO-ANB monitoringproject Antwerpen RO.\ +Voor de soorten baardman, bruine kiekendief, grote karekiet, kluut, snor, tureluur, woudaap en zomertaling werden de aantallen uit bovenstaande bronnen aangevuld op basis van waarnemingen uit waarnemingen.be geïnterpreteerd volgens de criteria uit Van Dijk en Boele (2011) en Vergeer et al. (2016). Nullen werden enkel ingevuld als: + +- er een intensieve monitoring werd uitgevoerd en geen territoria of broedgevallen zijn vastgesteld in een bepaald gebied +- er voor een bepaald jaar voor een gebied aantallen in de databank zaten voor andere soorten +- het op basis van de gekende Vlaamse populaties uiterst onwaarschijnlijk is dat een bepaalde soort zou hebben gebroed. + +In andere gevallen, waar geen zekerheid bestaat over aan- of afwezigheid, werd niets ingevuld. +De aantallen voor de gebieden Groot Buitenschoor, overstromingsgebied Kruibeke -- Bazel -- Rupelmonde, Potpolder Lillo, Molsbroek, Overige gebieden vzw Durme (reservaten Durmemeersen, Scheldebroeken (excl. Paardeweide en reservaatzone Donkmeer), Kalkense Meersen en Wijmeers (KM en WM), Paardeweide, Bergenmeersen, Aubroek en Sint Onolfspolder en Schellebelle (omgeving station) worden in aparte werkbladen gegeven maar zitten vervat in de totalen van de categorie Rest_IHD-gebied (indien aanwezig).\ +In het werkblad Rest_IHD-gebied worden enkel aantallen gegeven indien verwacht mag worden dat ze een redelijke schatting zijn van het totaal aantal territoria in het gebied. + +### Exploratieve data-analyse + +Voor sommige soorten werden redelijk volledige tijdsreeksen verkregen voor alle deelgebieden. +Dit zijn voornamelijk de zeldzame, goed te inventariseren soorten van het Bijzondere Broedvogelproject (baardman, bruine kiekendief, grote karekiet, lepelaar, porseleinhoen, roerdomp, snor) of soorten die niet of amper broeden in Vlaanderen (purperreiger, kwak, kwartelkoning, paapje).\ +Voor zomertaling werden de gegevens na 2007 aangevuld op basis van waarnemingen.be. +De gegeven aantallen kunnen als minima geïnterpreteerd worden maar geven na 2007 waarschijnlijk toch een redelijk accuraat beeld van de reële aantallen.\ +Voor kluut en tureluur kan aangenomen worden dat de gegeven aantallen voor het Rest IHD-gebied na de atlasperiode tamelijk nauwkeurig zijn omdat deze soorten amper of slechts in (zeer) lage aantallen broeden buiten de recent aangelegd en frequent gemonitorde natuurgebieden van het Sigmaplan. +Ook de aantallen grutto in het 'Rest IHD-gebied' zijn betrouwbaar omdat telkens de volledige populatie in en rond de Kalkense Meersen werd geteld. +Elders in het 'Rest_IHD-gebied' komt/kwam de soort niet of slechts in zeer lage aantallen tot broeden. + +Voor een aantal soorten is de tijdsreeks voor het Rest IHD-gebied en Galgeschoor beperkt tot de atlasperiode (2000-2002). +Dit zijn minder zeldzame soorten die niet opgenomen zijn in het Bijzondere Broedvogelproject (blauwborst, dodaars, rietzanger, scholekster, slobeend). +Voor deze soorten, aangevuld met zomertaling, voeren we een analyse uit op de aantallen in frequent getelde gebieden. +Het Noordelijk gebied in de haven van Antwerpen), Blokkersdijk en Ketenisse worden jaarlijks integraal onderzocht op broedvogels. +In de Sigmagebieden werd één telling uitgevoerd voorafgaand aan de inrichting (T0) en één tot drie na de inrichting. +Volgende Sigmagebieden nemen we mee in de analyse (zie Figuur \@ref(fig:110-figuur1)): + +- Kalkense Meersen: geleidelijke verwerving van gronden sinds 2008 waarna omzetting tot grasland en/of een verschralingsbeheer wordt opgestart. +- Bergenmeersen: GGG sinds april 2013 +- Wijmeers: deels ontpolderd en deels ingericht als niet-estuarien wetland sinds november 2015 +- Paardeweide: oostzijde ingericht als rietatol sinds 2014 +- Weijmeerbroek: verschralingsbeheer sinds 2010, beperkte vernatting sinds 2016 +- Polders van Kruibeke: geleidelijke inrichting sinds 2008, GGG Bazel-noord sinds 2015 +- Zennegat: inrichting afgerond in 2017 + +Grote Wal kent een tussentijds beheer als wetland en werd niet beschouwd voor deze analyse. Grote vijver zal vanaf volgend jaar in de analyse meegenomen worden. Om volledige tijdsreeksen te bekomen voor de Sigmagebieden werd een extrapolatie van de data doorgevoerd. +De jaren voorafgaand aan de inrichting kregen de aantallen van de nulmeting (T0) toegekend. +Gaten in de tijdsreeksen na de inrichting vullen we op d.m.v. een lineair verband (afronding naar boven). +Indien er geen telgegevens zijn van het laatste rapportagejaar worden deze gelijk gesteld aan deze van het laatste getelde jaar. + +## Resultaten + +Figuur \@ref(fig:110-figuur2) toont de data met uitzondering van de vijf algemenere soorten (blauwborst, dodaars, rietzanger, scholekster, slobeend) en één tot nog toe afwezige soort (puperreiger). +Deze figuur toont de trends van de soorten binnen de gebieden met instandhoudingsdoelstellingen in het Schelde-estuarium. +Hoewel geen gebiedsdekkende kartering mogelijk is, wordt aangenomen dat het aantal territoria voor deze soorten een redelijk accuraat beeld geeft van de reële aantallen. + +Verscheidene soorten komen tot 2022 nog steeds zelden tot broeden in het IHD-gebied Schelde-estuarium (grote karekiet, kwak, kwartelkoning, roerdomp en paapje) of werden nog nooit vastgesteld als broedvogel (purperreiger). +Van deze soorten worden geen trends besproken. +Grote karekiet lijkt zich wel te gaan vestigen als regelmatige broedvogel met opnieuw 2 territoria in 2022. + +Lepelaar behoorde tot 2020 ook tot bovenstaande categorie, maar ondertussen lijkt de soort zich te vestigen als broedvogel in het IHD-gebied. +Na een schuchtere poging tot nestbouw in de Wijmeers (Wichelen) in 2016 en twee nesten in het Broek De Naeyer (Willebroek) in 2020 werden in 2021 10 nesten gevonden in de Durmevallei (Waasmunster) en 4 in het Noordelijk gebied (Beveren). In 2022 werden 7 nesten geteld in de Durmevallei. + +Van de jaarlijks broedende soorten komt een aanzienlijk deel van de populatie van grutto, snor, woudaap en zomertaling voor buiten de haven. +Voor de andere soorten (baardman, bruine kiekendief, kluut, tureluur) is het Noordelijk gebied van het Antwerpse havengebied op linkeroever veruit het belangrijkste broedgebied. +Baardman broedt zelden stroomopwaarts Antwerpen. +In 2021 en opnieuw in 2022 werden voor het eerst een broedgevallen vastgesteld in het Zennegat (Mechelen). + +Baardman, woudaap en snor vertonen de laatste jaren een stijgende trend in de vallei van de Zeeschelde en haar tijgebonden zijrivieren (NOP-zone).\ +Het aantal territoria baardman was met 72 territoria het hoogste sinds de start van de meting, de IHD doelstelling komt in de buurt (100 territioria). + +Tussen 2003 en 2010 werden jaarlijks 1 tot 4 territoria snor vastgesteld, bijna uitsluitend in het Noordelijk gebied in de Antwerpse haven. +Tussen 2010 en 2020 schommelden de aantallen tussen 4 en 10, waarbij de soort ook opdook stroomopwaarts Antwerpen. +Sinds 2021 komen er meer dan 10 territoria voor in het IHD-gebied maar opvallend is dat de soort sinds 2021 niet meer broedt in het Noordelijk gebied. +De populatie is echter nog ver verwijderd van de tot doel gestelde populatie (100 broedparen), waardoor de stijging op \@ref(fig:110-figuur2) weinig opvalt. + +Ook het aantal woudaapterritoria neemt de laatste jaren toe. +In 2022 werd een recordaantal van 13 territoria vastgesteld, waarvan 4 in de Durmevallei en 4 in Grote Wal. + +De aantallen grutto vertonen een maximum tussen 2012 en 2015 met ca. +60 territoria. +Sinds 2017 lijken de aantallen te dalen. +Deze daling speelde zich aanvankelijk uitsluitend af in het Noordelijk gebied , van ca. +30 territoria in de periode 2010 - 2012 naar minder dan 10 territoria vanaf 2018, terwijl de aantallen stroomopwaarts in een ruim gebied gebied rond de Kalkense Meersen stabiel bleven. +Na 2018 dalen de aantallen ook daar van ca. +40 - 45 naar 28 in 2022, terwijl in het Noordelijk gebied een voorzichtige stijging lijkt op te treden naar 17 territoria. + +De hoogste aantallen kluut werden vastgesteld in de periode tussen 2012 en 2017 (bijna 200 territoria). +In 2018 en 2019 kende de soort een stevige dip (resp. 10 en 45 territoria). +Na het nemen van uitgebreide beschermingsmaatregelen tegen grondpredatoren in het Noordelijk gebied (vossenrasters) stijgen de aantallen opnieuw tot rond de 150 territoria sinds 2020. +Het overgrote deel van de kluten (\> 85%) broedt nu opnieuw in natuurgebieden in de haven (Noordelijk gebied, Potpolder Lillo en Antwerpen rechteroever). +Verder broedt kluut in kleine aantallen met wisselend succes in de Polders van Kruibeke, het Noordelijk eiland en de Paardeweide. + +De aantallen zomertaling stijgen na 2007 wat te verklaren is door de stapsgewijze inrichting van (estuariene) gebieden van het Sigmaplan. In 2022 wordt voor het eerst sinds 2002 het IHD-doel bereikt. +In de eerste jaren na inrichting van overstromingsgebieden met gecontroleerd gereduceerd getij en ontpolderingen verschijnen zomertalingen. +Tengevolge van de vegetatiesuccessie (verruiging) nemen de aantallen nadien terug af. +De laatste jaren nemen de aantallen echter ook duidelijk toe in niet-estuariene gebieden (Molsbroek, Paardeweide-oost, Grote Wal, Beneden Nete en Noordelijk eiland). + +De tureluurpopulatie kende tussen 2005 en 2010-2012 een toename tot ca. +50 territoria, het merendeel in het Noordelijk gebied. +Daarna boerde de populatie achteruit tot minder dan 30 territoria in de periode 2017 - 2020, als gevolg van een stijgende predatiedruk. +De beschermingsmaatregelen die op de linkerscheldeoever worden genomen tegen grondpredatoren werpen in 2021 hun vruchten af, het aantal territoria steeg opnieuw naar 40. +Met 9 territoria bruine kiekendief bleef in 2022 het aantal territoria op peil. Het Galgenschoor is met 6 territoria wel een bastion voor deze soort. + +Het aantal territoria van porseleinhoen kent een erratisch verloop, sterk onder de doelstelling, dat sterk afhangt van de weersomstandigheden in het voorjaar. +In 2022 werden 0 territoria vastgesteld. + +Figuur \@ref(fig:110-figuur3) toont de evolutie van zes algemene soorten in frequent getelde ingerichte Sigmagebieden. + +De sterk stijgende trend van de Rietzanger lijkt in 2022 af te vlakken. +In de beperkte set van onderzochte natuurgebieden tellen we in 2022 meer dan dubbel zoveel territoria dan het tot doel gesteld aantal voor de hele Scheldevallei (IHD = 170). Ook voor de blauwborst komt al een hoog percentage `r round(335/5.5, digits = -1)` % voor in deze kleine subset van gebieden. Voor deze soort is ook het doel (IHD = 550) gehaald. + +Dit geldt ook voor dodaars, alhoewel die de laatste jaren wat achteruitgaat in de onderzochte gebieden. Wetende dat er al 28 territoria geteld werden in 2022 in Grote Wal is het doel bereikt. De inrichting van Grote Wal betreft momenteel een tussentijds beheer als wetland. De achteruitgang in de subset is vooral veroorzaakt door lage aantallen in het Noordelijk gebied. + +Slobeend kende een sterke toename in de haven in de periode 2010 - 2015 30 territoria. +De laatste jaren daalde het aantal territoria er tot een 10-tal. Ook in de lijst van Sigmagebieden daalde het aantal, maar in Grote Wal kwamen 19 territoria voor. De som van alle gekende territoria is ruim onder het doel. +Het doel voor deze soort (IHD = 150) in de Scheldevallei wordt dus wellicht niet bereikt. + +Zomertaling verscheen in het Noordelijk gebied in 2008, in de Sigma-gebieden broedt de soort sinds 2011. +In 2021 was de soort voor het eerst sinds 2013 afwezig. +In de lijst van Sigmagebieden worden de laatste vier jaren telkens 6 territoria gevonden. + + +Scholekster broedt tegenwoordig vooral op akkers in het landbouwgebied. +In de natuurontwikkelingsgebieden van het Sigmaplan komt maar een klein aantal scholeksters tot broeden. +Jaarlijks zijn er tussen 10 en 20 territoria. +Als de broedstrategie van deze soort niet wijzigt, zullen de naturuontwikkelingsgebieden van het Sigmaplan weinig kunnen bijdragen aan de realisatie van de doelstelling (IHD = 190). + +
+ +```{r 110-figuur2, fig.cap=caption_figuur2, out.width="95%"} +caption_figuur2 <- "Evoluties in de broedvogelaantallen voor een selectie van soorten waarvoor de data-inzameling representatief is binnen IHD-gebied. Loess-smoother weergegeven. Rode horizontale lijn geeft de tot doel gestelde aantallen." + +knitr::include_graphics(paste0(pad_figuren, "110_fig2.jpg")) +``` + +
+ +```{r 110-figuur3, fig.cap=caption_figuur3, out.width="95%"} +caption_figuur3 <- "Evoluties in de broedvogelaantallen (territoria) voor een selectie van algemenere soorten voor een beperkt aantal gebieden die frequent worden geteld (Blokkersdijk, Ketenisse, Sigma (Kalkense Meersen, Wijmeers, Bergenmeersen, Paardeweide, Weijmeerbroek en Polder van Kruibeke), Sigma\\_LO (Noordelijke gebied = Doelpolder + Prosperpolder + Paardenschor + Schor Ouden Doel)). Rode horizontale lijn geeft de tot doel gestelde aantallen." + +knitr::include_graphics(paste0(pad_figuren, "110_fig3.jpg")) +``` + +
+ +## Referenties + +Adriaensen F., Van Damme S., Van den Bergh E., Van Hove D., Brys R., Cox T., Jacobs S., Konings P., Maes J., Maris T. +et al. (2005). +Instandhoudingsdoelstellingen Schelde-estuarium. +Antwerpen: Antwerpen U. +05-R82. +249 p. + +Anoniem (2014). +Jaarverslag 2013. +Beheercommissie Natuur Kruibeke -- Bazel -- Rupelmonde, Gent. + +Anselin A. +(2010). +Enkele resultaten van het project Bijzondere Broedvogels voor 2008 en 2009. +Vogelnieuws : ornithologische nieuwsbrief van het Instituut voor Natuur- en Bosonderzoek 14(Brussel). + +Anselin A., Devos K., Kuijken E. +(1998). +Kolonievogels en zeldzame broedvogels in Vlaanderen in 1995 en 1996 = colonial and rare breeding birds in flanders (belgium) in 1995 and 1996. + +Daniëls F., Deduytsche B., Dillen A., Maes T., Maris T., Nachtergale L., Nollet S., Spanoghe G., Vanden Abeele L., Van den Bergh E. +et al. (2013). +Jaarverslag 2012 Beheercommissie Kruibeke-Bazel-Rupelmonde. +Gent: Beheercommissie Kruibeke-Bazel-Rupelmonde. + +De Jonghe G., Verschueren W. +(2017). +Blokkersdijk E-131 (Antwerpen Linkeroever). +Tweede monitoringrapport. +Antwerpen: Natuurpunt Waasland vzw Kern Antwerpen Linkeroever. + +Gyselings R., Spanoghe G., Hessel K., Mertens W., Vandevoorde B., Van den Bergh E. +(2009). +Monitoring van het Linkerscheldeoevergebied in uitvoering van de resolutie van het Vlaams Parlement van 20 februari 2002: resultaten van het zesde jaar : bijlage 9.8 bij het zesde jaarverslag van de Beheercommissie Natuur Linkerscheldeoever. +Brussel. +2009.3. + +Gyselings R., Spanoghe G., Van den Bergh E. +(2004). +Monitoring van het linkerscheldeoevergebied in uitvoering van de resolutie van het Vlaams Parlement van 20 februari 2002: resultaten van het tweede jaar. +Brussel. +2004.19. + +Gyselings R., Spanoghe G., Van den Bergh E. +(2007). +Monitoring van het Linkerscheldeoevergebied in uitvoering van de resolutie van het Vlaams Parlement van 20 februari 2002: resultaten van het vierde jaar : bijlage 9.10 van het vierde jaarverslag van de Beheercommissie natuurcompensaties Linkerscheldeoevergebied. +Brussel. +2007.2. + +Gyselings R., Spanoghe G., Van den Bergh E., Verbelen D., Benoy B., Vogels B., Willems W. +(2011). +Monitoring natuur havengebied en omgeving Antwerpen Rechteroever. +Brussel. +2010.15. + +Gyselings R., Spanoghe G., Van den Bergh E., Verbelen D., Benoy L., Vogels B., Lefevre A. +(2013). +Monitoring natuur havengebied en omgeving Antwerpen Rechteroever, resultaten van het monitoringsjaar 2012. +Brussel: Instituut voor Natuur- en Bosonderzoek. + +Mertens W., Hessel K., Spanoghe G., Van Lierop F. +(in prep.). +T0-rapportage van de monitoring van de 2010-gebieden van het geactualiseerde Sigmaplan. +Broedvogels. +Brussel: Instituut voor Natuur- en Bosonderzoek. + +Gyselings R., Spanoghe G., Van den Bergh E., Verbelen D., Benoy L., Lefevre, A., Willems W. +(2014). +Monitoring natuur havengebied en omgeving Antwerpen Rechteroever -- Resultaten 2013. +Brussel. +2014.6392398. + +Schepers R. +(2010). +De Grutto (Limosa limosa) in de Kalkense Meersen. +Historiek, broedsucces en toekomstperspectieven. +Gent: Universiteit Gent. +63 p. +Spanoghe G., Gyselings R., Van den Bergh E. +(2003). +Monitoring van het Linkerscheldeoevergebied in uitvoering van de resolutie van het Vlaams Parlement van 20 februari 2002: resultaten van het eerste jaar. +Brussel. +2003.15. + +Spanoghe G., Gyselings R., Van den Bergh E. +(2006). +Monitoring van het Linkerscheldeoevergebied in uitvoering van de resolutie van het Vlaams Parlement van 20 februari 2002: resultaten van het derde jaar. +Brussel. +2006.1. + +Spanoghe G., Gyselings R., Van den Bergh E. +(2008). +Monitoring van het Linkerscheldeoevergebied in uitvoering van de resolutie van het Vlaams Parlement van 20 februari 2002: resultaten van het vijfde jaar : bijlage 9.10 bij het vijfde jaarverslag van de Beheercommissie Natuurcompensatie Linkerscheldeoevergebied. +Brussel. +2008.14. + +Spanoghe G., Gyselings R., Vandevoorde B., Van den Bergh E., Hessel K., Mertens W. +(2010). +Monitoring van het Linkerscheldeoevergebied in uitvoering van de resolutie van het Vlaams Parlement van 20 februari 2002: resultaten van het zevende jaar : bijlage 9.8 bij het zevende jaarverslag van de Beheercommissie Natuur Linkerscheldeoever. +Brussel. +2010.8. + +Van Dijk A.J., Boele A. +(2011). +Handleiding SOVON Broedvogelonderzoek. +Nijmegen, Nederland: SOVON Vogelonderzoek. + +Van Ginhove, W. +(2008). +Broedvogelinventarisatie Potpolder 2006-2007. +(weblink)[] + +Vergeer J.W., van Dijk A.J., Boele A., van Bruggen J. +& Hustings F. +2016. +Handleiding Sovon broedvogelonderzoek: Broedvogel Monitoring Project en Kolonievogels. +Sovon Vogelonderzoek Nederland, Nijmegen. +(weblink)[] + +Vermeersch G., Anselin A. +(2009). +Broedvogels in Vlaanderen in 2006-2007. +Recente status en trends van Bijzondere Broedvogels en soorten van de Vlaamse Rode Lijst en/of Bijlage I van de Europese Vogelrichtlijn. +Brussels, Belgium. +2009(3). + +Vermeersch G., Anselin A., Devos K. +(2006). +Bijzondere broedvogels in Vlaanderen in de periode 1994-2005 : populatietrends en recente status van zeldzame, kolonievormende en exotische broedvogels in Vlaanderen. +Brussels, Belgium. +2006(2). +1-64 p. + +Vermeersch G., Anselin A., Devos K., Herremans M., Stevens J., Gabriëls J., Van Der Krieken B. +(2004). +Atlas van de Vlaamse broedvogels : 2000-2002. + +Weyn K., Gyselings R., Spanoghe G. +(2013). +Jaarverslag 2012 Beheercommissie Natuur Linkerscheldeoever. +Kallo: Beheercommissie Natuur Linkerscheldeoever. From 85163718f18e1816a1615310c3e4b488664cadd2 Mon Sep 17 00:00:00 2001 From: MERTENS Date: Thu, 5 Sep 2024 15:17:01 +0200 Subject: [PATCH 038/102] Adapt index (temp doi) --- moneos_2024/150_geintegreerd_rapport/index.Rmd | 2 +- 1 file changed, 1 insertion(+), 1 deletion(-) diff --git a/moneos_2024/150_geintegreerd_rapport/index.Rmd b/moneos_2024/150_geintegreerd_rapport/index.Rmd index 532b25d..04031b4 100644 --- a/moneos_2024/150_geintegreerd_rapport/index.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/index.Rmd @@ -96,7 +96,7 @@ publication_type: report cover_photo: "" # naam foto file cover_description: "" # cover: media/cover.pdf # link naar pdf met cover -doi: "" +doi: 99.99999/inbor.99999999 reportnr: "" depotnr: "" ordernr: "" From 51d2bbdce146574fdc077fc3ea4dacd6ec6e0667 Mon Sep 17 00:00:00 2001 From: MERTENS Date: Thu, 5 Sep 2024 15:17:13 +0200 Subject: [PATCH 039/102] Update figs 2022 --- .../150_geintegreerd_rapport/030_ecotopen.Rmd | 14 +++++++------- 1 file changed, 7 insertions(+), 7 deletions(-) diff --git a/moneos_2024/150_geintegreerd_rapport/030_ecotopen.Rmd b/moneos_2024/150_geintegreerd_rapport/030_ecotopen.Rmd index 1b3b1cf..e1e5ffd 100644 --- a/moneos_2024/150_geintegreerd_rapport/030_ecotopen.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/030_ecotopen.Rmd @@ -410,7 +410,7 @@ figtab(knitr::opts_current$get()$label, (ref:figff) Ecotopenkaart Zeeschelde 1.0 2021 Fort Filip vernieuwde zone (centraal onder), overzichtskaart met rode kader als indicator detailkaart (linksboven), ecotopenkaart 2020 Fort Filip tussentie fase (rechtsboven). Zie Figuur \@ref(fig:030-figuur-kaart-bez) voor legende. -```{r 030-figuur-kaart-ff, fig.cap='(ref:figff)', out.width="100%"} +```{r 030-figuur-kaart-ff, fig.cap='(ref:figff)', out.width="100%", eval=FALSE} # figuur_kaart_ff <- "Ecotopenkaart Zeeschelde 1.0 2021 Fort Filip vernieuwde zone (centraal onder), overzichtskaart met rode kader als indicator detailkaart (linksboven), ecotopenkaart 2020 Fort Filip tussentie fase (rechtsboven). Zie Figuur \\@ref(fig:030-figuur-kaart-bez) voor legende." @@ -422,7 +422,7 @@ knitr::include_graphics(paste0(pad_figuren, "030_figuur_FortFilip_2021.png")) (ref:figbw) Ecotopenkaart Zeeschelde 1.0 2021 Burchtse Weel schoruitbreiding (centraal onder), overzichtskaart met rode kader als indicator detailkaart (linksboven), ecotopenkaart 2020 Burchtse Weel (rechtsboven). Zie Figuur \@ref(fig:030-figuur-kaart-bez) voor legende. -```{r 030-figuur-kaart-bw, fig.cap='(ref:figbw)', out.width="100%"} +```{r 030-figuur-kaart-bw, fig.cap='(ref:figbw)', out.width="100%", eval=FALSE} # figuur_kaart_bw <- "Ecotopenkaart Zeeschelde 1.0 2021 Burchtse Weel schoruitbreiding (centraal onder), overzichtskaart met rode kader als indicator detailkaart (linksboven), ecotopenkaart 2020 Burchtse Weel (rechtsboven). Zie Figuur \\@ref(fig:030-figuur-kaart-bez) voor legende." @@ -461,7 +461,7 @@ figtab(knitr::opts_current$get()$label, ``` -```{r 030-figuur-evolutie-bez, fig.cap=figuur_evolutie_bez, out.width="100%"} +```{r 030-figuur-evolutie-bez, fig.cap=figuur_evolutie_bez, out.width="100%", eval=FALSE} figuur_evolutie_bez <- "Temporele evolutie van de oppervlakte van de ecologisch belangrijke ecotopen Zeeschelde 1.0 in de Beneden-Zeeschelde met en zonder NOP's (natuurontwikkelingsprojecten zoals ontpolderingen, GGG’s en dijkverleggingen)" @@ -501,7 +501,7 @@ De overige 67% litoraal hard antropogeen heeft dus nog steeds een hellingsgraad
-```{r 030-tabel-oppervlakte-BEZ-2, results="asis", fig.show='hide', out.width="100%"} +```{r 030-tabel-oppervlakte-BEZ-2, results="asis", fig.show='hide', out.width="100%",eval=FALSE} caption_tab <- str_c("Oppervlaktes en oppervlaktepercentages van ecotopen in de Beneden-Zeeschelde in ", laatste_jaar, " volgens de Zeeschelde ecotopen 2.0.") @@ -513,7 +513,7 @@ figtab(knitr::opts_current$get()$label, ``` -```{r 030-tabel-evolutie-BEZ-2, results="asis", fig.show='hide', out.width="100%"} +```{r 030-tabel-evolutie-BEZ-2, results="asis", fig.show='hide', out.width="100%",eval=FALSE} caption_tab <- str_c("Absolute verandering en procentuele verandering van de lange termijn evolutie (tussen 2019 en ", laatste_jaar, ") en de korte termijn evolutie (tussen ", laatste_jaar - 1, " en ", laatste_jaar, ") in de Beneden-Zeeschelde 2.0.") @@ -525,7 +525,7 @@ figtab(knitr::opts_current$get()$label, ``` -```{r 030-tabel-oppervlakte-helling-BEZ-2, results="asis", fig.show='hide', out.width="100%"} +```{r 030-tabel-oppervlakte-helling-BEZ-2, results="asis", eval=FALSE, fig.show='hide', out.width="100%"} caption_tab <- str_c("Oppervlaktes en percentages van steile en vlakke slikken in de Beneden-Zeeschelde in ", laatste_jaar, ", volgens de Zeeschelde ecotopen 2.0.") @@ -539,7 +539,7 @@ figtab(knitr::opts_current$get()$label, \newpage -```{r 030-figuur-kaart-bez-2, fig.cap=figuur_ecotopenkaart_bez_2, out.width="100%"} +```{r 030-figuur-kaart-bez-2, fig.cap=figuur_ecotopenkaart_bez_2, eval=FALSE, out.width="100%"} figuur_ecotopenkaart_bez_2 <- "Ecotopenkaart 2020 Beneden-Zeeschelde 2.0" From 01159900bbd98a9867e49488fd8f8cdab8959ccd Mon Sep 17 00:00:00 2001 From: WimMertens Date: Thu, 5 Sep 2024 15:31:36 +0200 Subject: [PATCH 040/102] svz 20240905 15:30 --- .../10_broedvogels_analyse.Rmd | 195 ++++++++++++++++ .../110_broedvogels/10_broedvogels_data.Rmd | 213 ++++++++++++++++++ .../150_geintegreerd_rapport/LICENSE.md | 4 +- .../150_geintegreerd_rapport/index.Rmd | 2 +- 4 files changed, 410 insertions(+), 4 deletions(-) create mode 100644 moneos_2024/110_broedvogels/10_broedvogels_analyse.Rmd create mode 100644 moneos_2024/110_broedvogels/10_broedvogels_data.Rmd diff --git a/moneos_2024/110_broedvogels/10_broedvogels_analyse.Rmd b/moneos_2024/110_broedvogels/10_broedvogels_analyse.Rmd new file mode 100644 index 0000000..ee89ccc --- /dev/null +++ b/moneos_2024/110_broedvogels/10_broedvogels_analyse.Rmd @@ -0,0 +1,195 @@ +--- +params: + hoofdstuk: "110_broedvogels" +knit: (function(inputFile, encoding) { + rmarkdown::render(inputFile, + encoding=encoding, + output_dir = paste0( + rmarkdown::yaml_front_matter(inputFile)$params$hoofdstuk, "/output"))}) + +title: "MONEOS analyse - zoogdieren" +output: html_document +editor_options: + chunk_output_type: console +--- + + +```{r setup, include=FALSE} + +knitr::opts_chunk$set(echo = FALSE, error=FALSE, warning=FALSE, message=FALSE, cache=FALSE) + +``` + + +```{r libraries} + +library(tidyverse) +library(INBOtheme) +library(rprojroot) +library(lubridate) +library(kableExtra) +conflicted::conflicts_prefer(dplyr::filter) + +``` + + +```{r pad} + +# inlezen van variabelen +# pad naar data : pad_data +# pad naar tabellen : pad_tabellen +# pad naar figuren : pad_figuren + +source(find_root_file("../pad.R", criterion = is_rstudio_project)) + +pad_data <- maak_pad(params$hoofdstuk, "data") +pad_figuren <- maak_pad(params$hoofdstuk, "figuren") +pad_tabellen <- maak_pad(params$hoofdstuk, "tabellen") + +``` + + +```{r data} +Soort <- read_csv(str_c(pad_data, "Soort.csv")) +Terr_Sigma_BB <- + read_csv(str_c(pad_tabellen, "Terr_Sigma_BB.csv")) +Terr_Sigma_AB <- + read_csv(str_c(pad_tabellen, "Terr_Sigma_AB.csv")) + +``` + + +# beschrijving van de data Terr_Sigma_BB + + - Per waarneming zijn er `r ncol(Terr_Sigma_BB)` informatievelden + - In totaal bevat de dataset in 2022 `r nrow(Terr_Sigma_BB)` waarnemingen + - De dataset bevat waarnemingen van `r length(unique(Terr_Sigma_BB$Soort))` soorten. + - De dataset bevat waarnemingen van `r length(unique(Terr_Sigma_BB$Jaar))` jaren (1995 tot en met 2021). + + + + + +# Figuur bijzondere soorten + +```{r 110-plot-zeldzame-soorten, fig.height=8, fig.width=6, out.width="100%", fig.cap = cap_zeldzame_soorten} +cap_zeldzame_soorten <- + "Evoluties in de broedvogelaantallen voor een selectie van soorten waarvoor de data-inzameling representatief is binnen IHD-gebied. Loess-smoother weergegeven. Rode horizontale lijn geeft de tot doel gestelde aantallen." + +Terr_Sigma_BB %>% + filter(Soort != "Purperreiger") %>% + ggplot() + + geom_point(aes(x = Jaar, y = Aantal))+ + geom_smooth(aes(x = Jaar, y = Aantal))+ + geom_hline(aes(yintercept = Doel), size = 0.75, colour = "red") + + facet_wrap (~Soort, scales = "free", ncol=3) + + labs(y = "Aantal territoria") + + theme( + strip.text = element_text(size = 9), + axis.title = element_text(size = 9), + axis.title.x = element_blank(), + axis.text = element_text(size = 7)) + +ggsave(filename = str_c(pad_figuren, "110_fig2.jpg"), height=8, width=6) +``` +
+
+ +# Figuur Algemene soorten + +```{r 110-plot-algemene-soorten, fig.height=5, fig.width=6, out.width="100%", fig.cap = cap_algemene_soorten} + +cap_algemene_soorten <- + "Evoluties in de broedvogelaantallen (territoria) voor een selectie van algemenere soorten voor een beperkt aantal gebieden die frequent worden geteld (BD (Blokkersdijk), K (Ketenisse), Sigma (Kalkense Meersen, Wijmeers, Bergenmeersen, Paardeweide, Weijmeerbroek en Polder van Kruibeke), Sigma\\_LO (= Noordelijke gebied = Doelpolder + Prosperpolder + Paardenschor + Schor Ouden Doel)). Rode horizontale lijn geeft de tot doel gestelde aantallen." + +Terr_Sigma_AB %>% + ggplot() + + geom_bar(aes(Jaar, weight = Aantal, fill = TypeGebied))+ + geom_hline(aes(yintercept = Doel), size = 1, color = "red")+ + facet_wrap (~Soort, scales = "free", ncol=2)+ + scale_y_continuous(limits = c(0, NA))+ + scale_x_continuous(breaks = c(2005,2010,2015, 2020)) + + labs(y = "Aantal territoria") + + scale_fill_discrete(labels=c("Blokkersdijk", "Ketenisse", "Sigma", + "Sigma_Noordelijk gebied")) + + theme( + strip.text = element_text(size = 12), + axis.title = element_text(size = 11), + axis.title.x = element_blank(), + axis.text = element_text(size = 9), + legend.title = element_blank(), + legend.position = "bottom" + ) + +ggsave(filename = str_c(pad_figuren, "110_fig3.jpg"), height=8, width=7) + +``` + +```{r soortgrafiek per Typegebied, include = FALSE} +Terr_Sigma_AB %>% + filter(Soort == "Zomertaling") %>% + group_by(Soort, TypeGebied, Jaar) %>% + summarise(Aantal = sum(Aantal), .groups = "drop") %>% + ggplot() + + geom_point(aes(x = Jaar, y = Aantal, color = TypeGebied))+ + geom_line(aes(x = Jaar, y = Aantal, color = TypeGebied)) + + scale_y_continuous(limits = c(0, NA))+ + scale_x_continuous(breaks = c(2005,2010,2015, 2020)) + + labs(y = "Aantal territoria") + + theme( + strip.text = element_text(size = 12), + axis.title = element_text(size = 11), + axis.title.x = element_blank(), + axis.text = element_text(size = 9), + legend.title = element_blank(), + legend.position = "bottom" + ) +``` + +```{r totale aantammen per soort, include=FALSE} +Terr_Sigma_AB %>% + filter(Soort == "Scholekster") %>% + group_by(Soort, Jaar) %>% + summarise(Aantal = sum(Aantal), .groups = "drop") +``` + +# Broedlocaties per soort + +Voor het schrijven van het hoofdstuk kan het handig zijn een jaarlijks overzicht van broedlocaties van de soorten handig zijn. + +```{r nested data 202122} +data23 <- readxl::read_xlsx(str_c(pad_data, "Data_nieuwe_vorm_2023.xlsx"), + range = "A1:G350") %>% + filter(!is.na(Soort)) +# we nest data to make a table for each species-year by using a for loop +# the result is a dataframe with columns Soort(chr), Jaar (num) en data(list). Eacht list item in data contains a dataframe with Gebied, minimum and maximum. +data_nested <- + data23 %>% + arrange(Soort) %>% + nest(data = c(Gebiedsnaam, minimum, maximum), .by = c(Soort, Jaar)) +# data_nested$data[1] +# data_nested$data[data_nested$Soort == "Lepelaar"] +# data_nested$data[data_nested$Soort == "Lepelaar" & data_nested$Jaar == 2021] %>% +# kable() %>% +# kable_paper() +``` + +```{r broedlocaties 2021, results='asis'} +# The nested data ars used in a for loop to produce seperate table in de output html file, notice the use of results='asis' in the header! (witjout that kable does not work in a for loop) +for(x in data_nested$Soort){ + a <- data_nested %>% filter(Soort == x) + for(y in a$Jaar){ + cap <- str_c("Overzicht van broedlocaties en aantal broedkoppels van ", + x, " in ", y) + b <- data_nested$data[data_nested$Soort == x & data_nested$Jaar == y] %>% + kable(caption = cap, align = "lcc") %>% + kable_paper(full_width = TRUE, position = "left") + print(b) + cat("\n") + } + +} + +``` +
+
diff --git a/moneos_2024/110_broedvogels/10_broedvogels_data.Rmd b/moneos_2024/110_broedvogels/10_broedvogels_data.Rmd new file mode 100644 index 0000000..8395c4a --- /dev/null +++ b/moneos_2024/110_broedvogels/10_broedvogels_data.Rmd @@ -0,0 +1,213 @@ +--- +params: + hoofdstuk: "110_broedvogels" +knit: (function(inputFile, encoding) { + rmarkdown::render(inputFile, + encoding=encoding, + output_dir = paste0(rmarkdown::yaml_front_matter(inputFile)$params$hoofdstuk, "/output"))}) +title: "MONEOS broedvogel data" +date: '2024-09-05' +# date: '`r Sys.Date()`' +output: + bookdown::html_document2: + df_print: paged + toc: yes + toc_float: yes + toc_depth: 2 + number_sections: yes + language: + label: + fig: 'Figuur ' + tab: 'Tabel ' +editor_options: + chunk_output_type: console +--- + + +```{r setup, include=FALSE} + +knitr::opts_chunk$set(echo = TRUE, error=FALSE, warning=FALSE, message=FALSE, cache=FALSE) + +``` + + +```{r libraries} + +library(tidyverse) +library(rprojroot) +library(readxl) +library(lubridate) +library(sf) +library(kableExtra) +conflicted::conflicts_prefer(dplyr::filter) +``` + + +```{r pad} + +# inlezen van variabelen +# pad naar data : pad_data +# pad naar tabellen : pad_tabellen +# pad naar figuren : pad_figuren + +source(find_root_file("../pad.R", criterion = is_rstudio_project)) + +pad_data <- maak_pad(params$hoofdstuk, "data") +pad_figuren <- maak_pad(params$hoofdstuk, "figuren") +pad_tabellen <- maak_pad(params$hoofdstuk, "tabellen") + +``` + +```{r read-data} +# oude dataset met totalen voor het Sigmagebied +Terr_Sigma_95_21 <- read_csv(str_c(pad_data, "dataSigma_sel2_2022.csv"), na = c("na")) %>% + select(-c(Doel, Biotoop, Voedsel)) %>% + pivot_longer(!Soort, names_to = "Jaar", values_to = "Aantal") %>% + mutate(Jaar = as.integer(Jaar)) + +# nieuwe dataset met aantallen per gebied +data23 <- + read_xlsx(str_c(pad_data, "Data_nieuwe_vorm_2024_v2.xlsx"), range = "A1:G500") %>% + filter(!is.na(Soort)) %>% + filter(Jaar > 2020) # voor Zennegat is longfile aangevuld voor de hele periode, maar we gebruiken deze data nog niet. +``` + +# Omzetting broedvogeldata bestand in longfile. + +Twee jaar geleden werd een start gemaakt met de omzetting van het ingewikkelde excelbestand in één (eenvoudigere) long file. De data voor 2022 en 2023 zijn enkel toegevoegd in dit long formaat. De bedoeling is om de volledige excel om te zetten, maar dit is, nog steeds, werk voor later. Het bestand Data_nieuwe_vorm_2024_v2.xlsx is aangevuld voor de jaren 2017 tot 2020 voor het gebied Zennegat. Voorlopig kunnen we deze data nog niet gebruiken. Dit alles brengt dus nog steeds een beetje hocuspocus met zich mee. + +In het nieuwe dataformaat wordt per Soort, Jaar en Gebied een minimum- en maximumaantal territoria en de bron van de data weergegeven. Voorlopig bevat deze file data voor de jaren 2021, 2022 en 2023. Het is de bedoeling om ook de vroegere jaren om te zetten in dit format. + +```{r } +data23 %>% + head(n = 10) %>% + kbl(caption = "Eerste 10 records van Data_nieuwe_vorm.xlsx") %>% + kable_styling(full_width = FALSE) +``` + +# Aanvullen basistabel + +De basistabel met het aantal territoria voor de 21 doelsoorten tussen 1995 en 2021. De data van 2022 en 2023 zijn niet meer in deze tabel aangevuld. Deze wordt nu in een longfile bijgehouden ("Data_nieuwe_vorm_2024_v2.xlsx") met een complete dataset voor de periode 2021 tot en met 2023. + +*Aandachtspunt*: Vroeger werd steeds het hoogste aantal van elk gebied genomen voor de berekening van het totaal. In dit script wordt vanaf 2021 een sommatie gedaan van min en max en vervolgens hiervan het gemiddelde berekend. + + +```{r data_totaal} +# toe te voegen data +(Data_21_23 <- + data23 %>% + group_by(Jaar, Soort) %>% + summarise(Aantal = ceiling((sum(minimum) + sum(maximum))/2), + .groups = "drop")) # aantal is het naar boven afgerond gemiddelde van min en max + +# verwijder 2021 uit oude data en voeg samen +str(Terr_Sigma_95_21) +str(Data_21_23) +Terr_Sigma <- + Terr_Sigma_95_21 %>% + filter(Jaar !=2021) %>% + bind_rows(Data_21_23) +``` + +# Bijzondere broedvogels + +De dataset is verre van volledig voor de algemene soorten (niet elk gebied wordt elk jaar geteld). Voor de bijzondere broedvogels gaan we er van uit dat de gegevens volledig zijn. +We berekenen de totalen voor een set van 16 soorten. + +```{r} +(Terr_Sigma_BB <- + Terr_Sigma %>% + filter(Soort %in% c("Baardman", "Bruine kiekendief","Grote karekiet","Grutto", "Kluut", + "Kwak", "Kwartelkoning", "Lepelaar", "Paapje", "Porseleinhoen", + "Purperreiger", "Roerdomp", "Snor", "Tureluur", "Woudaap", "Zomertaling")) %>% + complete(Soort, Jaar, fill = list(Aantal = 0))) # add zero's + +# add species data (IHD, Biotoop, Voedselregime) +Soorten <- + read_csv(str_c(pad_data, "Soort.csv")) + +Terr_Sigma_BB %>% + left_join(Soorten, by = c("Soort")) %>% + write_csv(str_c(pad_tabellen, "Terr_Sigma_BB.csv")) +``` + + +# Algemene broedvogels + +```{r read data algemenesoorten} +# algemene soorten tot 2020 (oud format) +Terr_Sigma_AB_2021 <- + read_csv(str_c(pad_data, "dataSigma_sel_algemenesoorten2021.csv")) + +# gebieden waarop de analyse van de algemene soorten is gebaseerd +unique(Terr_Sigma_AB_2021$Gebied) + +# tabel met gebieden voor link Terr_Sigma_AB_2021$Gebied - data23$Gebied +Gebieden <- + read_csv(str_c(pad_data, "Gebieden.csv")) %>% + rename(Gebiedsnaam = Naam) + +# Selectie van gebieden waarop de analyse van de algmene soorten gebeurt +GebiedenAB <- + Gebieden %>% + filter(Gebied %in% Terr_Sigma_AB_2021$Gebied) + +# selectie territoria algemene soorten 2021 tem 2023 +Terr_Sigma_AB_2023 <- + data23 %>% + filter(Soort %in% c("Blauwborst", "Dodaars","Rietzanger","Scholekster", + "Slobeend", "Zomertaling"), + Gebied %in% GebiedenAB$Gebiedsnaam) %>% + left_join(Gebieden, by = c("Gebied")) %>% + left_join(Soorten, by = c("Soort")) %>% + mutate(Aantal = ceiling(minimum + maximum)/2) %>% + select(c(Soort, Gebied, TypeGebied, Doel, Jaar, Aantal)) + + +# Add 2021 and 2022 + +Terr_Sigma_AB <- + Terr_Sigma_AB_2021 %>% + pivot_longer(cols = !c(SOORT, Gebied, TypeGebied, Doel), + names_to = "Jaar", + values_to = "Aantal") %>% + rename(Soort = SOORT) %>% + mutate(Jaar = as.numeric(Jaar)) %>% + bind_rows(Terr_Sigma_AB_2023) %>% + complete(Soort, Gebied, Jaar, fill = list(Aantal = 0)) %>% + group_by(Soort, Gebied, TypeGebied, Doel, Jaar) %>% + summarise(Aantal = sum(Aantal)) +``` + +```{r check data} +table(Terr_Sigma_AB$Gebied, Terr_Sigma_AB$Soort) + +``` +
+ +Voor alle soorten is er data voor 19 jaren, nulwaarnemingen zijn aangevuld. + +```{r check data2} +table(Terr_Sigma_AB$Gebied, Terr_Sigma_AB$Jaar) +``` +
+ +Voor de onderzochte gebieden zijn er voor elk jaar aantallen van 6 soorten (nulwaarnemingen). + + +```{r check data3} +table(Terr_Sigma_AB$Soort, Terr_Sigma_AB$Jaar) +``` + +Voor alle soorten zijn er gegevens van 19 gebieden tot en met 2020. + +```{r save data} + +Terr_Sigma_AB %>% + write_csv(str_c(pad_tabellen, "Terr_Sigma_AB.csv")) +``` + + + + + diff --git a/moneos_2024/150_geintegreerd_rapport/LICENSE.md b/moneos_2024/150_geintegreerd_rapport/LICENSE.md index 7e5a52a..bed44e0 100644 --- a/moneos_2024/150_geintegreerd_rapport/LICENSE.md +++ b/moneos_2024/150_geintegreerd_rapport/LICENSE.md @@ -1,6 +1,4 @@ -## creative commons - -# Attribution 4.0 International +# Creative Commons Attribution 4.0 International Creative Commons Corporation (“Creative Commons”) is not a law firm and does not provide legal services or legal advice. Distribution of Creative Commons public licenses does not create a lawyer-client or other relationship. Creative Commons makes its licenses and related information available on an “as-is” basis. Creative Commons gives no warranties regarding its licenses, any material licensed under their terms and conditions, or any related information. Creative Commons disclaims all liability for damages resulting from their use to the fullest extent possible. diff --git a/moneos_2024/150_geintegreerd_rapport/index.Rmd b/moneos_2024/150_geintegreerd_rapport/index.Rmd index 532b25d..04031b4 100644 --- a/moneos_2024/150_geintegreerd_rapport/index.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/index.Rmd @@ -96,7 +96,7 @@ publication_type: report cover_photo: "" # naam foto file cover_description: "" # cover: media/cover.pdf # link naar pdf met cover -doi: "" +doi: 99.99999/inbor.99999999 reportnr: "" depotnr: "" ordernr: "" From b4fe801f843e84f103ce0ee42c7ac94e1dd04bb5 Mon Sep 17 00:00:00 2001 From: WimMertens Date: Thu, 5 Sep 2024 15:38:32 +0200 Subject: [PATCH 041/102] svz 20240905 15:40 --- .../110_broedvogels/10_broedvogels_data.Rmd | 20 +++++++++++++------ .../110_broedvogels.Rmd | 2 +- 2 files changed, 15 insertions(+), 7 deletions(-) diff --git a/moneos_2024/110_broedvogels/10_broedvogels_data.Rmd b/moneos_2024/110_broedvogels/10_broedvogels_data.Rmd index 8395c4a..e94eead 100644 --- a/moneos_2024/110_broedvogels/10_broedvogels_data.Rmd +++ b/moneos_2024/110_broedvogels/10_broedvogels_data.Rmd @@ -84,6 +84,8 @@ data23 %>% kbl(caption = "Eerste 10 records van Data_nieuwe_vorm.xlsx") %>% kable_styling(full_width = FALSE) ``` +
+ # Aanvullen basistabel @@ -144,27 +146,33 @@ unique(Terr_Sigma_AB_2021$Gebied) # tabel met gebieden voor link Terr_Sigma_AB_2021$Gebied - data23$Gebied Gebieden <- - read_csv(str_c(pad_data, "Gebieden.csv")) %>% + read_csv(str_c(pad_data, "Gebieden2024.csv")) %>% rename(Gebiedsnaam = Naam) +# Sinds 2023 worden aantallen voor deelgebieden van Noordelijk gebied apart ingegeven. # Selectie van gebieden waarop de analyse van de algmene soorten gebeurt +unique(Terr_Sigma_AB_2021$Gebied) GebiedenAB <- Gebieden %>% - filter(Gebied %in% Terr_Sigma_AB_2021$Gebied) + filter(Gebiedsnaam %in% Terr_Sigma_AB_2021$Gebied) # selectie territoria algemene soorten 2021 tem 2023 +nieuwegebieden2024 <- c("Doelpolder-noord", "Prosperpolder-noord", + "Prosperpolder-zuid", "Schor Ouden Doel") Terr_Sigma_AB_2023 <- data23 %>% filter(Soort %in% c("Blauwborst", "Dodaars","Rietzanger","Scholekster", - "Slobeend", "Zomertaling"), - Gebied %in% GebiedenAB$Gebiedsnaam) %>% - left_join(Gebieden, by = c("Gebied")) %>% + "Slobeend", "Zomertaling")) %>% + mutate(Gebied = case_when(Gebied %in% nieuwegebieden2024 ~ "NoordelijkGebied", + TRUE ~ Gebied)) %>% + filter(Gebied %in% GebiedenAB$Gebiedsnaam) %>% + left_join(Gebieden, by = c("Gebied" = "Gebiedsnaam")) %>% left_join(Soorten, by = c("Soort")) %>% mutate(Aantal = ceiling(minimum + maximum)/2) %>% select(c(Soort, Gebied, TypeGebied, Doel, Jaar, Aantal)) -# Add 2021 and 2022 +# Add 2021, 2022 and 2023 Terr_Sigma_AB <- Terr_Sigma_AB_2021 %>% diff --git a/moneos_2024/150_geintegreerd_rapport/110_broedvogels.Rmd b/moneos_2024/150_geintegreerd_rapport/110_broedvogels.Rmd index b89f1f0..1eca9d9 100644 --- a/moneos_2024/150_geintegreerd_rapport/110_broedvogels.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/110_broedvogels.Rmd @@ -1,7 +1,7 @@ --- output: html_document editor_options: - chunk_output_type: console + chunk_output_type: inline --- ```{r 1100-hoofdstuk, include=FALSE} From 252cdd82bc971684792167a911168ee3a6b208c5 Mon Sep 17 00:00:00 2001 From: MERTENS Date: Thu, 5 Sep 2024 15:55:54 +0200 Subject: [PATCH 042/102] Update figs 2022 --- .../150_geintegreerd_rapport/030_ecotopen.Rmd | 91 ++++++++++--------- 1 file changed, 48 insertions(+), 43 deletions(-) diff --git a/moneos_2024/150_geintegreerd_rapport/030_ecotopen.Rmd b/moneos_2024/150_geintegreerd_rapport/030_ecotopen.Rmd index e1e5ffd..4677e72 100644 --- a/moneos_2024/150_geintegreerd_rapport/030_ecotopen.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/030_ecotopen.Rmd @@ -90,7 +90,7 @@ Op basis van hun bevindingen werd het ecotopenstelsel Zeeschelde 2.0 voorgesteld Deze nieuwe indeling van de ecotopen weerspiegelt beter de leefgebieden van verschillende levensgemeenschappen. Het wordt uitgebreid besproken in Van Braeckel et al. (2018) voor de sublitorale zone en in Van Braeckel et al. (2020) voor de litorale zone. -In deze rapportage wordt de ecotopenkaart voor de Beneden-Zeeschelde volgens beide ecotopenstelsels voorgesteld. +In deze rapportage wordt de ecotopenkaart voor de Beneden-Zeeschelde vooralsnog volgens beide ecotopenstelsels voorgesteld. De kaart van het ecotopenstelsel *Zeeschelde 1.0* bestaat van `r vroegste_jaar` tot `r laatste_jaar`, terwijl de kaart van het ecotopenstelsel *Zeeschelde 2.0* teruggerekend is tot en met 2019. De ecotopenkaart Zeeschelde 2.0 werd voor het eerst gerapporteerd in het MONEOS rapport van 2022 (kaart van toestand 2020) (Mertens & Van Braeckel, 2022). @@ -113,7 +113,7 @@ De geomorfologische kaart onderscheidt volgende subtraattypes: De kaart wordt gemaakt aan de hand van false colour beelden bij laagwater, die eens in de drie jaar gemaakt worden in opdracht van De Vlaamse Waterweg. Voor de tussenliggende jaren wordt ook gebruik gemaakt van orthofotomozaïeken van Vlaanderen, die echter niet altijd bij laag water genomen zijn. -Voor de huidige Beneden-Zeeschelde kaart is gebruikt gemaakt van het meest recente false color beeld van 2022 en de orthofotomozaïek van `r laatste_jaar`.2 +Voor de huidige Beneden-Zeeschelde kaart is gebruikt gemaakt van het meest recente false color beeld van 2022 en de orthofotomozaïek van `r laatste_jaar`. De grenzen worden hierop ingetekend door personen met een uitgebreide terreinkennis, vertrekkende van de grenzen van het voorgaande jaar. Figuur \@ref(fig:030-figuur-geomorfkaart) toont een voorbeeld van de geomorfologische kaart 2021 ter hoogte van schor Ouden Doel met links het false color beeld van 2019 bij laag water en rechts de orthofotomozaïek van 2021. @@ -136,7 +136,7 @@ De fysiotopenkaart bakent abiotische eenheden af op basis van overspoelingsregim Het is een gecombineerd grid van lidar hoogtemetingen en multibeam bathymetriemetingen. - Overspoelingsfrequenties en droogvalduren worden berekend door interpolatie van waterstandsmetingen per tijpost en over een periode van 4 jaar. - De tijdata van het waterbouwkundig laboratorium worden via HIC webservices geleverd. + De tijdata van het Waterbouwkundig Laboratorium worden via HIC webservices geleverd. Voor de Durme, Rupel en delen van de Boven-Zeeschelde wordt de Scaldis gemodelleerde tijdata gebruikt afkomstig van het Waterbouwkundig Laboratorium. Om de litorale fysiotopen af te bakenen worden doorsnedes gemaakt van waterhoogtes met het digitaal hoogtemodel. - Maximale stroomsnelheden bij vloed worden berekend volgens het Scaldis 3D-model van het Waterbouwkundig Laboratorium. @@ -154,7 +154,8 @@ Het referentienieveau is het 30e percentiel van het laagwater (LW30): In het ecotopenstelsel *Zeeschelde 2.0* blijven dezelfde dieptegrenzen gehandhaafd. Daarin worden telkens hoog- en laagdynamische habitats onderscheiden op basis van maximale stroomsnelheid bij vloed, berekend volgens het Scaldis 3D-model van het Waterbouwkundig Laboratorium. -Voor de jaren 2019 - 2021 is steeds hetzelfde Scaldis 2019 model gebruikt. +Voor de jaren 2019 - 2021 is steeds hetzelfde Scaldis 2019 model gebruikt. In 2022 werd een nieuwe model-run uitgevoerd met de bathymetrie van 2022 als input. + De grenswaarden zijn gebaseerd op het voorkomen van ongewervelde bodemdiergemeenschappen (Van Braeckel et al, 2018) en verschillen per diepteklasse (Tabel \@ref(tab:030-tabel-dynamiek-ecotopen) ). In het ondiep subtidaal is de maximale stroomsnelheid voor laagdynamisch habitat 1.01 m/s. In het matig diep subtidaal is dit 0.92 m/s en in het diep subtidaal wordt 0.83 m/s gehanteerd. @@ -334,36 +335,40 @@ figtab(knitr::opts_current$get()$label, #### Zeeschelde ecotopen 1.0 -De ecotopenkaart van de Beneden-Zeeschelde in `r laatste_jaar` is te zien in Figuur \@ref(fig:030-figuur-kaart-bez). - -Tabel \@ref(tab:030-tabel-oppervlakte-BEZ) toont de oppervlaktes per ecotoop in de Beneden-Zeeschelde voor elk jaar vanaf `r vroegste_jaar` in hectare (ha) en als percentage (%) van de totale oppervlakte. -De korte en lange termijn evolutie van de ecotopen is beschreven in Tabel \@ref(tab:030-tabel-evolutie-BEZ) via de absolute verandering (ha) en de procentuele verandering (%) tussen de aangegeven jaren. -Voor de korte termijn evolutie wordt het huidige jaar vergeleken met het jaar ervoor, terwijl voor de lange termijn evolutie de vergelijking van het huidig jaar gemaakt wordt met het eerste rapportage jaar (`r vroegste_jaar`). - -In `r laatste_jaar` is het **sublitoraal** met 0,7 hectare toegenomen ten opzichte van `r laatste_jaar - 1` (Tabel \@ref(tab:030-tabel-evolutie-BEZ)) en hiermee behaalt het sublitoraal in `r laatste_jaar` de hoogste oppervlakte sinds de start van de kartering (Tabel \@ref(tab:030-tabel-oppervlakte-BEZ)). -Over de gehele rapportage periode (lange termijn evolutie) is het sublitoraal in totaal met iets meer dan 15 ha toegenomen. -Er is bovendien een sterke toename (33 ha) waargenomen van ondiep subtidaal ten koste van matig diep subtidaal en laag slik. -Ook in de vergelijking van `r laatste_jaar` met `r laatste_jaar-1` is deze turnover zichtbaar. - -In het **litoraal** is de oppervlakte aan zacht substraat nagenoeg stabiel in vergelijking met `r laatste_jaar - 1`. -Binnen het zacht substraat zijn er wel verschuivingen zichtbaar in de hoogte van het slik. -Er is een turnover van laag en hoog slik naar middelhoog slik. -Deze toename in het middelhoog slik komt na een aanhoudende afname sinds 2018, maar de huidige oppervlakte is nog steeds lager dan deze in 2019. -Sinds de start van de rapportage is het zacht litoraal met ongeveer 12 hectare gestegen, voornamelijk door een stijging in het hoog slik. -Ook het natuurlijk hard substraat in het litoraal is sterk gestegen sinds `r vroegste_jaar`, namelijk 14 hectare (een stijging van bijna 80% van de initiële oppervlakte). - -In het **supralitoraal** is de oppervlakte potentiële pionierzone hersteld naar de oppervlakte in `r laatste_jaar - 2`. -In `r laatste_jaar - 1` werd een grote toename waargenomen omwille van een tijdelijke situatie van antropogene morfologische veranderingen, voornamelijk in de zone rondom Fort Filip. -De herinrichting is momenteel afgerond en de kaart weerspiegelt nu de nieuwe situatie (Figuur \@ref(fig:030-figuur-kaart-ff)). -De oppervlakte schor is met 18 hectare toegenomen ten opzichte van het voorgaande jaar. -Voor een gedeelte is deze schortoename zichtbaar in het GGG Burchtse Weel, waarbij grote delen potentiële pionierzone inmiddels begroeid zijn (Figuur \@ref(fig:030-figuur-kaart-bw)). -In `r laatste_jaar - 1` was het hoog supralitoraal sterk toegenomen (bijna 17 ha) door een wijziging in methodologie, maar in `r laatste_jaar` is de oppervlakte opnieuw afgenomen met 8,6 hectare voor het begroeide hoog supralitoraal. -Het hoog supralitoraal dat met breuksteen bedekt is (hard antropogeen) is juist toegenomen met bijna 4 hectare. -In totaal is het antropogeen hard substraat (de breuksteenzones zowel in het litoraal als supralitoraal) toegenomen met 4 hectare sinds het voorgaande jaar. -Deze nieuwe breuksteenzones liggen voornamelijk in de nieuwe zone rond Fort Filip. - -De totale oppervlakte van de Beneden-Zeeschelde ecotopen is met 5,3 ha gestegen. -Deze nieuwe oppervlakte ligt voornamelijk aan de zone rond Fort Filip. +```{r tekstvorigjaar, eval=FALSE, include=FALSE} +# De ecotopenkaart van de Beneden-Zeeschelde in `r laatste_jaar` is te zien in Figuur \@ref(fig:030-figuur-kaart-bez). +# +# Tabel \@ref(tab:030-tabel-oppervlakte-BEZ) toont de oppervlaktes per ecotoop in de Beneden-Zeeschelde voor elk jaar vanaf `r vroegste_jaar` in hectare (ha) en als percentage (%) van de totale oppervlakte. +# De korte en lange termijn evolutie van de ecotopen is beschreven in Tabel \@ref(tab:030-tabel-evolutie-BEZ) via de absolute verandering (ha) en de procentuele verandering (%) tussen de aangegeven jaren. +# Voor de korte termijn evolutie wordt het huidige jaar vergeleken met het jaar ervoor, terwijl voor de lange termijn evolutie de vergelijking van het huidig jaar gemaakt wordt met het eerste rapportage jaar (`r vroegste_jaar`). +# +# In `r laatste_jaar` is het **sublitoraal** met 0,7 hectare toegenomen ten opzichte van `r laatste_jaar - 1` (Tabel \@ref(tab:030-tabel-evolutie-BEZ)) en hiermee behaalt het sublitoraal in `r laatste_jaar` de hoogste oppervlakte sinds de start van de kartering (Tabel \@ref(tab:030-tabel-oppervlakte-BEZ)). +# Over de gehele rapportage periode (lange termijn evolutie) is het sublitoraal in totaal met iets meer dan 15 ha toegenomen. +# Er is bovendien een sterke toename (33 ha) waargenomen van ondiep subtidaal ten koste van matig diep subtidaal en laag slik. +# Ook in de vergelijking van `r laatste_jaar` met `r laatste_jaar-1` is deze turnover zichtbaar. +# +# In het **litoraal** is de oppervlakte aan zacht substraat nagenoeg stabiel in vergelijking met `r laatste_jaar - 1`. +# Binnen het zacht substraat zijn er wel verschuivingen zichtbaar in de hoogte van het slik. +# Er is een turnover van laag en hoog slik naar middelhoog slik. +# Deze toename in het middelhoog slik komt na een aanhoudende afname sinds 2018, maar de huidige oppervlakte is nog steeds lager dan deze in 2019. +# Sinds de start van de rapportage is het zacht litoraal met ongeveer 12 hectare gestegen, voornamelijk door een stijging in het hoog slik. +# Ook het natuurlijk hard substraat in het litoraal is sterk gestegen sinds `r vroegste_jaar`, namelijk 14 hectare (een stijging van bijna 80% van de initiële oppervlakte). +# +# In het **supralitoraal** is de oppervlakte potentiële pionierzone hersteld naar de oppervlakte in `r laatste_jaar - 2`. +# In `r laatste_jaar - 1` werd een grote toename waargenomen omwille van een tijdelijke situatie van antropogene morfologische veranderingen, voornamelijk in de zone rondom Fort Filip. +# De herinrichting is momenteel afgerond en de kaart weerspiegelt nu de nieuwe situatie (Figuur \@ref(fig:030-figuur-kaart-ff)). +# De oppervlakte schor is met 18 hectare toegenomen ten opzichte van het voorgaande jaar. +# Voor een gedeelte is deze schortoename zichtbaar in het GGG Burchtse Weel, waarbij grote delen potentiële pionierzone inmiddels begroeid zijn (Figuur \@ref(fig:030-figuur-kaart-bw)). +# In `r laatste_jaar - 1` was het hoog supralitoraal sterk toegenomen (bijna 17 ha) door een wijziging in methodologie, maar in `r laatste_jaar` is de oppervlakte opnieuw afgenomen met 8,6 hectare voor het begroeide hoog supralitoraal. +# Het hoog supralitoraal dat met breuksteen bedekt is (hard antropogeen) is juist toegenomen met bijna 4 hectare. +# In totaal is het antropogeen hard substraat (de breuksteenzones zowel in het litoraal als supralitoraal) toegenomen met 4 hectare sinds het voorgaande jaar. +# Deze nieuwe breuksteenzones liggen voornamelijk in de nieuwe zone rond Fort Filip. +# +# De totale oppervlakte van de Beneden-Zeeschelde ecotopen is met 5,3 ha gestegen. +# Deze nieuwe oppervlakte ligt voornamelijk aan de zone rond Fort Filip. +``` + +
@@ -386,7 +391,7 @@ knitr::include_graphics(paste0(pad_figuren, "030_figuur_Ecotoop_BEZ_", laatste_j caption_tab <- str_c("Oppervlaktes en oppervlaktepercentages van ecotopen Zeeschelde 1.0 in de Beneden-Zeeschelde in de laatste 6 jaar voor ", laatste_jaar, ", inclusief het startjaar ", vroegste_jaar, ".") -img_file <- paste0(pad_tabellen, "030_tabel_Oppervlakte_BEZ_", vroegste_jaar, "_", laatste_jaar, "_E1.PNG") +img_file <- paste0(pad_tabellen, "030_tabel_Oppervlakte_BEZ_", vroegste_jaar, "_", laatste_jaar, "_10.PNG") figtab(knitr::opts_current$get()$label, img_file, @@ -398,7 +403,7 @@ figtab(knitr::opts_current$get()$label, caption_tab <- str_c("Absolute verandering en procentuele verandering van de lange termijn evolutie (tussen ", vroegste_jaar, " en ", laatste_jaar, ") en de korte termijn evolutie (tussen ", laatste_jaar - 1, " en ", laatste_jaar, ") in de Beneden-Zeeschelde 1.0.") -img_file <- paste0(pad_tabellen, "030_tabel_evolutie_BEZ_", laatste_jaar, "_E1.PNG") +img_file <- paste0(pad_tabellen, "030_tabel_evolutie_BEZ_", vroegste_jaar, "_", laatste_jaar, "_10.PNG") figtab(knitr::opts_current$get()$label, img_file, @@ -410,7 +415,7 @@ figtab(knitr::opts_current$get()$label, (ref:figff) Ecotopenkaart Zeeschelde 1.0 2021 Fort Filip vernieuwde zone (centraal onder), overzichtskaart met rode kader als indicator detailkaart (linksboven), ecotopenkaart 2020 Fort Filip tussentie fase (rechtsboven). Zie Figuur \@ref(fig:030-figuur-kaart-bez) voor legende. -```{r 030-figuur-kaart-ff, fig.cap='(ref:figff)', out.width="100%", eval=FALSE} +```{r 030-figuur-kaart-ff, fig.cap='(ref:figff)', out.width="100%", include=FALSE, eval=FALSE} # figuur_kaart_ff <- "Ecotopenkaart Zeeschelde 1.0 2021 Fort Filip vernieuwde zone (centraal onder), overzichtskaart met rode kader als indicator detailkaart (linksboven), ecotopenkaart 2020 Fort Filip tussentie fase (rechtsboven). Zie Figuur \\@ref(fig:030-figuur-kaart-bez) voor legende." @@ -422,7 +427,7 @@ knitr::include_graphics(paste0(pad_figuren, "030_figuur_FortFilip_2021.png")) (ref:figbw) Ecotopenkaart Zeeschelde 1.0 2021 Burchtse Weel schoruitbreiding (centraal onder), overzichtskaart met rode kader als indicator detailkaart (linksboven), ecotopenkaart 2020 Burchtse Weel (rechtsboven). Zie Figuur \@ref(fig:030-figuur-kaart-bez) voor legende. -```{r 030-figuur-kaart-bw, fig.cap='(ref:figbw)', out.width="100%", eval=FALSE} +```{r 030-figuur-kaart-bw, fig.cap='(ref:figbw)', out.width="100%", include=FALSE, eval=FALSE} # figuur_kaart_bw <- "Ecotopenkaart Zeeschelde 1.0 2021 Burchtse Weel schoruitbreiding (centraal onder), overzichtskaart met rode kader als indicator detailkaart (linksboven), ecotopenkaart 2020 Burchtse Weel (rechtsboven). Zie Figuur \\@ref(fig:030-figuur-kaart-bez) voor legende." @@ -453,7 +458,7 @@ De toename van antropogeen hard substraat gebeurde hoofdzakelijk in de laterale caption_tab <- str_c("Ecotooparealen Zeeschelde 1.0 in de ‘enge planimetrie’ van de Beneden‐Zeeschelde zonder de NOP’s of ontpolderingen, dijkverleggingen en aantakkingen tussen ", vroegste_jaar, " en ", laatste_jaar, ".") -img_file <- paste0(pad_tabellen, "030_tabel_Oppervlakte_EngePlanimetrie_BEZ_", laatste_jaar, ".PNG") +img_file <- paste0(pad_tabellen, "030_tabel_Oppervlakte_EngePlanimetrie_BEZ_", laatste_jaar, "_10.PNG") figtab(knitr::opts_current$get()$label, img_file, @@ -501,7 +506,7 @@ De overige 67% litoraal hard antropogeen heeft dus nog steeds een hellingsgraad
-```{r 030-tabel-oppervlakte-BEZ-2, results="asis", fig.show='hide', out.width="100%",eval=FALSE} +```{r 030-tabel-oppervlakte-BEZ-2, eval=FALSE, include=FALSE, results="asis", fig.show='hide', out.width="100%"} caption_tab <- str_c("Oppervlaktes en oppervlaktepercentages van ecotopen in de Beneden-Zeeschelde in ", laatste_jaar, " volgens de Zeeschelde ecotopen 2.0.") @@ -513,7 +518,7 @@ figtab(knitr::opts_current$get()$label, ``` -```{r 030-tabel-evolutie-BEZ-2, results="asis", fig.show='hide', out.width="100%",eval=FALSE} +```{r 030-tabel-evolutie-BEZ-2,eval=FALSE, include=FALSE, results="asis", fig.show='hide', out.width="100%",eval=FALSE} caption_tab <- str_c("Absolute verandering en procentuele verandering van de lange termijn evolutie (tussen 2019 en ", laatste_jaar, ") en de korte termijn evolutie (tussen ", laatste_jaar - 1, " en ", laatste_jaar, ") in de Beneden-Zeeschelde 2.0.") @@ -525,7 +530,7 @@ figtab(knitr::opts_current$get()$label, ``` -```{r 030-tabel-oppervlakte-helling-BEZ-2, results="asis", eval=FALSE, fig.show='hide', out.width="100%"} +```{r 030-tabel-oppervlakte-helling-BEZ-2,eval=FALSE, include=FALSE, results="asis", eval=FALSE, fig.show='hide', out.width="100%"} caption_tab <- str_c("Oppervlaktes en percentages van steile en vlakke slikken in de Beneden-Zeeschelde in ", laatste_jaar, ", volgens de Zeeschelde ecotopen 2.0.") @@ -539,7 +544,7 @@ figtab(knitr::opts_current$get()$label, \newpage -```{r 030-figuur-kaart-bez-2, fig.cap=figuur_ecotopenkaart_bez_2, eval=FALSE, out.width="100%"} +```{r 030-figuur-kaart-bez-2, eval=FALSE, include=FALSE,fig.cap=figuur_ecotopenkaart_bez_2, eval=FALSE, out.width="100%"} figuur_ecotopenkaart_bez_2 <- "Ecotopenkaart 2020 Beneden-Zeeschelde 2.0" From 744e5a1860e33a479157fb082104947b577044e6 Mon Sep 17 00:00:00 2001 From: WimMertens Date: Thu, 5 Sep 2024 17:47:10 +0200 Subject: [PATCH 043/102] svz 20240905 17:45 --- .../110_broedvogels/10_broedvogels_data.Rmd | 47 +++++++++++++++---- 1 file changed, 38 insertions(+), 9 deletions(-) diff --git a/moneos_2024/110_broedvogels/10_broedvogels_data.Rmd b/moneos_2024/110_broedvogels/10_broedvogels_data.Rmd index e94eead..f252286 100644 --- a/moneos_2024/110_broedvogels/10_broedvogels_data.Rmd +++ b/moneos_2024/110_broedvogels/10_broedvogels_data.Rmd @@ -154,37 +154,66 @@ Gebieden <- unique(Terr_Sigma_AB_2021$Gebied) GebiedenAB <- Gebieden %>% - filter(Gebiedsnaam %in% Terr_Sigma_AB_2021$Gebied) + filter(Gebied %in% Terr_Sigma_AB_2021$Gebied) # selectie territoria algemene soorten 2021 tem 2023 nieuwegebieden2024 <- c("Doelpolder-noord", "Prosperpolder-noord", "Prosperpolder-zuid", "Schor Ouden Doel") -Terr_Sigma_AB_2023 <- +# Terr_Sigma_AB_2023 <- +# data23 %>% +# filter(Soort %in% c("Blauwborst", "Dodaars","Rietzanger","Scholekster", +# "Slobeend", "Zomertaling")) %>% +# inner_join(GebiedenAB, by = c("Gebied" = "Gebied_f")) %>% +# left_join(Soorten, by = c("Soort")) %>% +# mutate(Aantal = ceiling(minimum + maximum)/2) %>% +# select(c(Soort, Gebied, TypeGebied, Doel, Jaar, Aantal)) + +(Terr_Sigma_AB_2023 <- data23 %>% filter(Soort %in% c("Blauwborst", "Dodaars","Rietzanger","Scholekster", "Slobeend", "Zomertaling")) %>% - mutate(Gebied = case_when(Gebied %in% nieuwegebieden2024 ~ "NoordelijkGebied", - TRUE ~ Gebied)) %>% - filter(Gebied %in% GebiedenAB$Gebiedsnaam) %>% - left_join(Gebieden, by = c("Gebied" = "Gebiedsnaam")) %>% + inner_join(GebiedenAB, by = c("Gebied" = "Gebied_f")) %>% + group_by(Jaar, Soort, Gebiedsnaam, TypeGebied) %>% + summarise(minimum = sum(minimum), maximum = sum(maximum)) %>% left_join(Soorten, by = c("Soort")) %>% mutate(Aantal = ceiling(minimum + maximum)/2) %>% - select(c(Soort, Gebied, TypeGebied, Doel, Jaar, Aantal)) - + select(c(Soort, Gebied = Gebiedsnaam, TypeGebied, Doel, Jaar, Aantal))) # Add 2021, 2022 and 2023 + +a <- + Gebieden %>% + group_by(Gebied, Gebiedsnaam) %>% + summarise() Terr_Sigma_AB <- Terr_Sigma_AB_2021 %>% - pivot_longer(cols = !c(SOORT, Gebied, TypeGebied, Doel), + left_join(a, relationship = 'many-to-many') %>% + pivot_longer(cols = !c(SOORT, Gebied, Gebiedsnaam, TypeGebied, Doel), names_to = "Jaar", values_to = "Aantal") %>% + mutate(Gebied = Gebiedsnaam) %>% + select(-Gebiedsnaam) %>% rename(Soort = SOORT) %>% mutate(Jaar = as.numeric(Jaar)) %>% bind_rows(Terr_Sigma_AB_2023) %>% complete(Soort, Gebied, Jaar, fill = list(Aantal = 0)) %>% group_by(Soort, Gebied, TypeGebied, Doel, Jaar) %>% summarise(Aantal = sum(Aantal)) + + +# Terr_Sigma_AB <- +# Terr_Sigma_AB_2021 %>% +# left_join(Gebieden[,c(1,2)]) %>% +# pivot_longer(cols = !c(SOORT, Gebied_f, TypeGebied, Doel), +# names_to = "Jaar", +# values_to = "Aantal") %>% +# rename(Soort = SOORT) %>% +# mutate(Jaar = as.numeric(Jaar)) %>% +# bind_rows(Terr_Sigma_AB_2023) %>% +# complete(Soort, Gebied, Jaar, fill = list(Aantal = 0)) %>% +# group_by(Soort, Gebied, TypeGebied, Doel, Jaar) %>% +# summarise(Aantal = sum(Aantal)) ``` ```{r check data} From 7d73c39cc0b7e8b5d388b25260376cce05505531 Mon Sep 17 00:00:00 2001 From: WimMertens Date: Fri, 6 Sep 2024 20:28:23 +0200 Subject: [PATCH 044/102] svz 20240906 20:30 --- .../10_broedvogels_analyse.Rmd | 25 +++-- .../110_broedvogels/10_broedvogels_data.Rmd | 100 ++++++++---------- 2 files changed, 56 insertions(+), 69 deletions(-) diff --git a/moneos_2024/110_broedvogels/10_broedvogels_analyse.Rmd b/moneos_2024/110_broedvogels/10_broedvogels_analyse.Rmd index ee89ccc..7094ddf 100644 --- a/moneos_2024/110_broedvogels/10_broedvogels_analyse.Rmd +++ b/moneos_2024/110_broedvogels/10_broedvogels_analyse.Rmd @@ -28,6 +28,7 @@ library(INBOtheme) library(rprojroot) library(lubridate) library(kableExtra) +library(readxl) conflicted::conflicts_prefer(dplyr::filter) ``` @@ -50,12 +51,12 @@ pad_tabellen <- maak_pad(params$hoofdstuk, "tabellen") ```{r data} -Soort <- read_csv(str_c(pad_data, "Soort.csv")) +Soorten <- read_xlsx(path = str_c(pad_data, "Data_nieuwe_vorm_2024.xlsx"), + sheet = "Soorten") Terr_Sigma_BB <- read_csv(str_c(pad_tabellen, "Terr_Sigma_BB.csv")) Terr_Sigma_AB <- read_csv(str_c(pad_tabellen, "Terr_Sigma_AB.csv")) - ``` @@ -127,7 +128,7 @@ ggsave(filename = str_c(pad_figuren, "110_fig3.jpg"), height=8, width=7) ```{r soortgrafiek per Typegebied, include = FALSE} Terr_Sigma_AB %>% - filter(Soort == "Zomertaling") %>% + filter(Soort == "Scholekster") %>% group_by(Soort, TypeGebied, Jaar) %>% summarise(Aantal = sum(Aantal), .groups = "drop") %>% ggplot() + @@ -158,15 +159,15 @@ Terr_Sigma_AB %>% Voor het schrijven van het hoofdstuk kan het handig zijn een jaarlijks overzicht van broedlocaties van de soorten handig zijn. ```{r nested data 202122} -data23 <- readxl::read_xlsx(str_c(pad_data, "Data_nieuwe_vorm_2023.xlsx"), - range = "A1:G350") %>% +data23 <- readxl::read_xlsx(str_c(pad_data, "Data_nieuwe_vorm_2024.xlsx"), + range = "A1:G500") %>% filter(!is.na(Soort)) # we nest data to make a table for each species-year by using a for loop # the result is a dataframe with columns Soort(chr), Jaar (num) en data(list). Eacht list item in data contains a dataframe with Gebied, minimum and maximum. data_nested <- data23 %>% - arrange(Soort) %>% - nest(data = c(Gebiedsnaam, minimum, maximum), .by = c(Soort, Jaar)) + arrange(Soort, Jaar) %>% + nest(data = c(Gebied, minimum, maximum), .by = c(Soort, Jaar)) # data_nested$data[1] # data_nested$data[data_nested$Soort == "Lepelaar"] # data_nested$data[data_nested$Soort == "Lepelaar" & data_nested$Jaar == 2021] %>% @@ -175,19 +176,17 @@ data_nested <- ``` ```{r broedlocaties 2021, results='asis'} -# The nested data ars used in a for loop to produce seperate table in de output html file, notice the use of results='asis' in the header! (witjout that kable does not work in a for loop) +# The nested data are used in a for loop to produce seperate table in de output html file, notice the use of results='asis' in the header! (without that kable does not work in a for loop) for(x in data_nested$Soort){ - a <- data_nested %>% filter(Soort == x) + a <- data_nested %>% filter(Soort == x) %>% slice(1) for(y in a$Jaar){ cap <- str_c("Overzicht van broedlocaties en aantal broedkoppels van ", x, " in ", y) b <- data_nested$data[data_nested$Soort == x & data_nested$Jaar == y] %>% - kable(caption = cap, align = "lcc") %>% - kable_paper(full_width = TRUE, position = "left") + kable(caption = cap, align = "lcc") print(b) - cat("\n") + # cat("\n") } - } ``` diff --git a/moneos_2024/110_broedvogels/10_broedvogels_data.Rmd b/moneos_2024/110_broedvogels/10_broedvogels_data.Rmd index f252286..32ede56 100644 --- a/moneos_2024/110_broedvogels/10_broedvogels_data.Rmd +++ b/moneos_2024/110_broedvogels/10_broedvogels_data.Rmd @@ -66,10 +66,29 @@ Terr_Sigma_95_21 <- read_csv(str_c(pad_data, "dataSigma_sel2_2022.csv"), na = c( mutate(Jaar = as.integer(Jaar)) # nieuwe dataset met aantallen per gebied -data23 <- +# er staan twe tabellen: Data_nieuwe_vorm_2024.xlsx en Data_nieuwe_vorm_2024_v2.xlsx. +data2123 <- + read_xlsx(str_c(pad_data, "Data_nieuwe_vorm_2024.xlsx"), range = "A1:G500") %>% + filter(!is.na(Soort)) +data2123_v2 <- read_xlsx(str_c(pad_data, "Data_nieuwe_vorm_2024_v2.xlsx"), range = "A1:G500") %>% - filter(!is.na(Soort)) %>% - filter(Jaar > 2020) # voor Zennegat is longfile aangevuld voor de hele periode, maar we gebruiken deze data nog niet. + filter(!is.na(Soort)) +data2123 %>% + group_by(Jaar) %>% + summarise(n_records = n(), n_birdsmin = sum(minimum), + nbirds_max = sum(maximum)) +data2123_v2 %>% + group_by(Jaar) %>% + summarise(n_records = n(), n_birdsmin = sum(minimum), + nbirds_max = sum(maximum)) +# v2 is aangevuld met alle waarnemingen van Zennegat als start voor toekomstig bestand. We gebruiken dit voorlopig niet +data2123 %>% + count(Gebied) + +# tabel met data van 2021 tot 2023 die we zullen gebruiken +data23 <- + read_xlsx(str_c(pad_data, "Data_nieuwe_vorm_2024.xlsx"), range = "A1:G500") %>% + filter(!is.na(Soort)) ``` # Omzetting broedvogeldata bestand in longfile. @@ -139,86 +158,55 @@ Terr_Sigma_BB %>% ```{r read data algemenesoorten} # algemene soorten tot 2020 (oud format) Terr_Sigma_AB_2021 <- - read_csv(str_c(pad_data, "dataSigma_sel_algemenesoorten2021.csv")) + read_csv(str_c(pad_data, "dataSigma_sel_algemenesoorten2021n.csv")) # gebieden waarop de analyse van de algemene soorten is gebaseerd unique(Terr_Sigma_AB_2021$Gebied) -# tabel met gebieden voor link Terr_Sigma_AB_2021$Gebied - data23$Gebied Gebieden <- - read_csv(str_c(pad_data, "Gebieden2024.csv")) %>% - rename(Gebiedsnaam = Naam) -# Sinds 2023 worden aantallen voor deelgebieden van Noordelijk gebied apart ingegeven. + read_xlsx(path = str_c(pad_data, "Data_nieuwe_vorm_2024.xlsx"), sheet = "Gebieden") +# In deze tabel zijn er 4 kolommen. Gebiedscode is wellicht overbodig nu. Gebieds_gr: sommige projectgebieden zijn na inrichting opgedeeld in deelgebieden, gebied_gr groepeert deze deelgebieden in de originele Sigmagebieden zoals ze geteld zijn tot in 2021. + +Soorten <- + read_xlsx(path = str_c(pad_data, "Data_nieuwe_vorm_2024.xlsx"), sheet = "Soorten") # Selectie van gebieden waarop de analyse van de algmene soorten gebeurt -unique(Terr_Sigma_AB_2021$Gebied) -GebiedenAB <- +(GebiedenAB <- Gebieden %>% - filter(Gebied %in% Terr_Sigma_AB_2021$Gebied) - -# selectie territoria algemene soorten 2021 tem 2023 -nieuwegebieden2024 <- c("Doelpolder-noord", "Prosperpolder-noord", - "Prosperpolder-zuid", "Schor Ouden Doel") -# Terr_Sigma_AB_2023 <- -# data23 %>% -# filter(Soort %in% c("Blauwborst", "Dodaars","Rietzanger","Scholekster", -# "Slobeend", "Zomertaling")) %>% -# inner_join(GebiedenAB, by = c("Gebied" = "Gebied_f")) %>% -# left_join(Soorten, by = c("Soort")) %>% -# mutate(Aantal = ceiling(minimum + maximum)/2) %>% -# select(c(Soort, Gebied, TypeGebied, Doel, Jaar, Aantal)) + filter(Gebied_gr %in% Terr_Sigma_AB_2021$Gebied)) (Terr_Sigma_AB_2023 <- data23 %>% filter(Soort %in% c("Blauwborst", "Dodaars","Rietzanger","Scholekster", "Slobeend", "Zomertaling")) %>% - inner_join(GebiedenAB, by = c("Gebied" = "Gebied_f")) %>% - group_by(Jaar, Soort, Gebiedsnaam, TypeGebied) %>% - summarise(minimum = sum(minimum), maximum = sum(maximum)) %>% - left_join(Soorten, by = c("Soort")) %>% + left_join(Gebieden) %>% + filter(Gebied_gr %in% c(Terr_Sigma_AB_2021$Gebied)) %>% + group_by(Jaar, Soort, Gebied) %>% + summarise(minimum = sum(minimum), maximum = sum(maximum), + .groups = "drop") %>% mutate(Aantal = ceiling(minimum + maximum)/2) %>% - select(c(Soort, Gebied = Gebiedsnaam, TypeGebied, Doel, Jaar, Aantal))) + select(-c(minimum, maximum))) # Add 2021, 2022 and 2023 - - -a <- - Gebieden %>% - group_by(Gebied, Gebiedsnaam) %>% - summarise() Terr_Sigma_AB <- Terr_Sigma_AB_2021 %>% - left_join(a, relationship = 'many-to-many') %>% - pivot_longer(cols = !c(SOORT, Gebied, Gebiedsnaam, TypeGebied, Doel), + select(-c(TypeGebied, Doel)) %>% + pivot_longer(cols = !c(SOORT, Gebied), names_to = "Jaar", values_to = "Aantal") %>% - mutate(Gebied = Gebiedsnaam) %>% - select(-Gebiedsnaam) %>% rename(Soort = SOORT) %>% mutate(Jaar = as.numeric(Jaar)) %>% bind_rows(Terr_Sigma_AB_2023) %>% - complete(Soort, Gebied, Jaar, fill = list(Aantal = 0)) %>% - group_by(Soort, Gebied, TypeGebied, Doel, Jaar) %>% - summarise(Aantal = sum(Aantal)) - - -# Terr_Sigma_AB <- -# Terr_Sigma_AB_2021 %>% -# left_join(Gebieden[,c(1,2)]) %>% -# pivot_longer(cols = !c(SOORT, Gebied_f, TypeGebied, Doel), -# names_to = "Jaar", -# values_to = "Aantal") %>% -# rename(Soort = SOORT) %>% -# mutate(Jaar = as.numeric(Jaar)) %>% -# bind_rows(Terr_Sigma_AB_2023) %>% -# complete(Soort, Gebied, Jaar, fill = list(Aantal = 0)) %>% -# group_by(Soort, Gebied, TypeGebied, Doel, Jaar) %>% -# summarise(Aantal = sum(Aantal)) + complete(Soort, Gebied, Jaar, fill = list(Aantal = 0)) %>% + group_by(Soort, Gebied, Jaar) %>% + summarise(Aantal = sum(Aantal), .groups = "drop") %>% + left_join(Gebieden[,c(1,4)]) %>% # add TypeGebied + left_join(Soorten[,c(1,5)]) # add Doel ``` ```{r check data} table(Terr_Sigma_AB$Gebied, Terr_Sigma_AB$Soort) - +table(Terr_Sigma_AB$TypeGebied, Terr_Sigma_AB$Soort) ```
From 5da2714e93802e2131f377664f2cca3c4b738e8c Mon Sep 17 00:00:00 2001 From: JOCQUE Date: Mon, 9 Sep 2024 11:53:58 +0200 Subject: [PATCH 045/102] Figure caption --- .../090_vissen_inleiding_en_methode.Rmd | 2 +- 1 file changed, 1 insertion(+), 1 deletion(-) diff --git a/moneos_2024/150_geintegreerd_rapport/090_vissen_inleiding_en_methode.Rmd b/moneos_2024/150_geintegreerd_rapport/090_vissen_inleiding_en_methode.Rmd index 82b5277..45f8d94 100644 --- a/moneos_2024/150_geintegreerd_rapport/090_vissen_inleiding_en_methode.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/090_vissen_inleiding_en_methode.Rmd @@ -149,7 +149,7 @@ In de huidige rapportage worden ankerkuil data en fuikgegevens van de Zeeschelde ***XXXGegevens van de zijrivieren worden later verwerkt en gerapporteerd.XXX*** Ankerkuildata en fuikdata van het reguliere Zeeschelde meetnet worden aangeleverd als xlsx-bestanden aan de Scheldemonitor. ```{r 090-tabel-visinspanning, results="asis", fig.show='hide', out.width="100%"} -caption_tab <- "Historisch overzicht van de visinspanning met schietfuiken (groen) en ankerkuil (blauw) in de verschillende zones van de Zeeschelde." +caption_tab <- "Historisch overzicht van de visinspanning met schietfuiken (groen) en ankerkuil (blauw) in de verschillende zones van de Zeeschelde. Schietfuiken worden doorgaans 48 uur uitgezet, soms 24 uur (*)." img_file <- paste0(pad_figuren, "visinspanningINBO.jpg") figtab(knitr::opts_current$get()$label, img_file, From 36f3a099761b85ea5c001f4fc05c87482411554c Mon Sep 17 00:00:00 2001 From: VAN RYCKEGEM Date: Mon, 9 Sep 2024 12:09:06 +0200 Subject: [PATCH 046/102] nalezen macrozoobenthos --- .../070_macrozoobenthos.Rmd | 33 ++++++++++--------- 1 file changed, 18 insertions(+), 15 deletions(-) diff --git a/moneos_2024/150_geintegreerd_rapport/070_macrozoobenthos.Rmd b/moneos_2024/150_geintegreerd_rapport/070_macrozoobenthos.Rmd index d5ced58..34367ca 100644 --- a/moneos_2024/150_geintegreerd_rapport/070_macrozoobenthos.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/070_macrozoobenthos.Rmd @@ -94,10 +94,11 @@ Een volledige staalname gebeurde sindsdien in 2020 en 2023; deze laatste zal in Jaarlijks worden nieuwe random vastgelegde staalnamelocaties gekozen binnen elk van de strata. In principe worden 5 locaties per stratum (combinatie van fysiotoop en waterlichaam) bemonsterd. Dit aantal wordt aangepast in sommige gevallen in functie van de relatieve en absolute areaalgrootte van de fysiotopen binnen de waterlichamen. -Hoewel tijdens het nemen van de stalen veel aandacht gaat naar het zo volledig mogelijk uitvoeren van de vooropgezette design, kan doorgaans een klein aantal stalen niet genomen worden door technische problemen of onvoorziene omstandigheden (bijvoorbeeld grote ongekende velden breuksteen subtidaal die de staalname onmogelijk maken). +Hoewel tijdens het nemen van de stalen veel aandacht gaat naar het zo volledig mogelijk uitvoeren van de vooropgezette design, kan doorgaans een klein aantal stalen niet genomen worden door technische problemen of onvoorziene omstandigheden (bijvoorbeeld grote ongekende velden breuksteen subtidaal die de staalname onmogelijk maken). In de meeste gevallen worden punten over een kleine afstand verlegd, waarbij erop gelet wordt dat ze in dezelfde strata-combinatie blijven. In 2022 werden uiteindelijk 208 stalen genomen, hetzelfde aantal als in 2021. Een overzicht van de stalen per stratum is weergegeven in Tabel \@ref(tab:070-staalnamelocaties). + ```{r 070-staalnamelocaties} @@ -139,10 +140,11 @@ We onderscheiden twee soorten benthosstalen. **basisstaal (BS)**: jaarlijks -- intertidaal: 1 steekbuisstaal (diameter: 4,5cm) tot op een diepte van 15cm +- intertidaal: 1 steekbuisstaal (diameter: 4,5cm) tot op een diepte van 15cm - subtidaal: 1 steekbuisstaal uit een Reineck box-corer staal (diameter: 4,5cm) tot op een diepte van 15cm (in het box-corer staal). - In de campagne van 2022 die we hier rapporteren was dit het enige benthosstaal. + + In de campagne van 2022 (deze rapportage) is er alleen een basisstaal genomen. **Oligochaetenidentificatiestaal (OID)**: elke drie jaar (2008, 2011, 2014, 2017) werd tot en met 2017 (dus *niet* meer in 2020 en 2023) aanvullend een tweede benthosstaal genomen. Dit staal wordt genomen in functie van de identificatie van oligochaeten (OID). @@ -184,8 +186,8 @@ We bespreken hieronder de verkennende analyses van de jaarlijkse standaard monit #### Densiteit en biomassa -De densiteit van het macrozoöbenthos in het Zeeschelde estuarium is in de recente periode relatief stabiel (Figuur \@ref(fig:070-figuur10-soorten), \@ref(fig:070-figuur11-soorten)). -Omdat deze parameter voor een deel van de soorten inherent grote fluctuaties ondergaat, wordt deze beoordeeld op zijn logaritmisch verloop. +De densiteit van het macrozoöbenthos in het Zeeschelde estuarium is in de recente periode relatief stabiel (Figuur \@ref(fig:070-figuur10-soorten)). +Omdat deze parameter voor een deel van de soorten inherent grote fluctuaties ondergaat, wordt deze beoordeeld op zijn logaritmisch verloop. Bovendien is ze relatief minder betekenisvol en consistent dan de biomassa (zie verder). De veranderingen in 2022 vallen binnen de langjarige variatie. In de vorige rapportages stipten we aan dat 2019 een recordjaar was in de zone Zoet kort verblijf. @@ -197,11 +199,11 @@ In beide gebieden is er na 2019 een netto afname. De zijrivieren Durme en Rupel vertoonden matig hoge densiteiten, die valt binnen de variatie van het laatste decennium. Subtidale densiteiten liggen doorgaans een stuk lager, en vertonen een meer erratisch verloop, vermoedelijk doordat macrozoöbenthos subtidaal meer heterogeen verspreid voorkomt. -De biomassa dichtheid (g AFDW per m²) van het macrozoöbenthos in 2022 was eerder hoog in de zijrivieren Durme en Rupel, met waardes op of nabij de 10g AFDW per m², maar eerder laag in de Zeeschelde, met de uitzonderingen van de zone Saliniteitsgradiënt en het traject Gentbrugge-Melle, aan beide uitersten van het Vlaams deel van het estuarium. +De biomassa dichtheid (g AFDW per m²) (Figuur \@ref(fig:070-figuur11-soorten)) van het macrozoöbenthos in 2022 was eerder hoog in de zijrivieren Durme en Rupel, met waardes op of nabij de 10g AFDW per m², maar eerder laag in de Zeeschelde, met de uitzonderingen van de zone Saliniteitsgradiënt en het traject Gentbrugge-Melle, aan beide uitersten van het Vlaams deel van het estuarium. De opvallende stijging in de zone Saliniteitsgradiënt (Zeeschelde IV, ongeveer Antwerpen tot de Nederlandse grens) die startte in 2019 zette niet door in 2022 in het intertidaal, maar wel in het subtidaal. De verspreiding van grote organismen, met relatief lage aantalsdichtheid wordt met de toen toegepaste staalnametechniek (kleine steekbuis) niet optimaal in beeld gebracht. Dit gaat met name op voor de bivalven, die verantwoordelijk zijn voor de biomassastijging (zie verder). -Vanaf 2023 beliste inbo daarom om in de zone Saliniteitsgradiënt aanvullend op de kleine steekbuis (4.5cm diameter) ook een grotere steekbuis (15cm diameter) in te zetten, om zo een verbeterde schatting te kunnen maken van bivalven en andere grote organismen. +Vanaf 2023 besliste INBO daarom om in de zone Saliniteitsgradiënt aanvullend op de kleine steekbuis (4.5cm diameter) ook een grotere steekbuis (15cm diameter) in te zetten, om zo een verbeterde schatting te kunnen maken van bivalven en andere grote organismen. De eerste resultaten hiervan zullen in 2025 gerapporteerd worden. In de zone Zoet kort verblijf lijkt een einde gekomen aan een periode van zeer hoge biomassa dichtheid sinds 2015. Voor het eerst wordt dit patroon nu uitgesplitst voor de hoofdbedding en de twee grote tijarmen van Zwijnaarde en tussen Melle en Gentbrugge. @@ -212,6 +214,7 @@ Na de piek in 2018-2019 volgde een algemene biomassa afname die ook in 2022 verd Enkel in het traject Gentbrugge-Melle is de biomassadichtheid nog beduidend hoger dan in de overige zoete en oligohaliene delen van de Zeeschelde. Het aandeel lege stalen viel voor alle zones ruim binnen de langjarige variatie (Figuur \@ref(fig:070-figuur12-soorten)). + ```{r 070-figuur10-soorten, fig.cap=caption_regressie10, out.width="100%"} caption_regressie10 <- "Gemiddelde densiteit (lijn) aan macrozoöbenthos per waterlichaam opgedeeld in subtidaal en intertidaal. De spreiding rond de lijn wordt begrensd door het 1ste quartiel en 3de quartiel." @@ -265,7 +268,7 @@ De toename in de zone Saliniteitsgradiënt komt helemaal op het conto van de Biv In de eerste plaats is er de vestiging van een exotische nieuwkomer, de brakwaterkorfschelp (*Potamocorbula amurensis*) die in 2018 voor het eerst is vastgesteld in de Zeeschelde (meteen de ook eerste vondst in Europa, Dumoulin & Langeraert, 2020). De soort breidt sindsdien sterk uit hoewel ze in 2021 en 2022 niet meer voorkwam in de intertidale stalen, maar wel steeds talrijker werd in het subtidaal (zie Figuur \@ref(fig:070-figuur13d)). Het zwaartepunt van de niche van de brakwaterkorfschelp ligt waarschijnlijk vooral in de (ondiepe?) subtidale zone, en minder in het (laag) intertidaal. -Zoals eerder aangehaald is de standaard staalnamemethode met kleine steekbuis niet echt aangepast aan het bemonsteren van bivalven en het bepalen van hun densiteiten, zeker in de zones waar de dichtheden lager zijn. + Zoals eerder aangehaald is de standaard staalnamemethode met kleine steekbuis in het intertidaal niet aangepast aan het bemonsteren van bivalven en het bepalen van hun densiteiten, zeker in de zones waar de dichtheden lager zijn. Vanaf 2023 worden ook grotere steekbuis stalen genomen en zullen de schattingen betrouwbaarder worden. We zijn daarom terughoudend bij de interpretatie van de - voorlopig éénjarige - terugval in intertidale biomassa in de zone Saliniteitsgradiënt, vooral omdat we subtidaal wel nog steeds een verdere toename zien van bivalven. Naast de brakwaterkorfschelp deden ook andere bivalven het opvallend goed de laatste jaren, met hoge aantallen van het Nonnetje (*Macoma balthica*) in 2020, en vooral een hoge biomassa dichtheid van de Platte slijkgaper in 2021 (*Scrobicularia plana*) (zie Figuur \@ref(fig:070-figuur13c)). @@ -280,7 +283,7 @@ In 2022 is er geen enkele zoete of oligohaliene zone waar nog een hoge biomassa Geen van de zoete of oligohaliene deelgebieden halen hun gebiedsspecifieke kwaliteitsgrens. Ook de globale evaluatieparameter wordt dit jaar niet gehaald, wat echter vooral te wijten is aan de plotse terugval in biomassa van de zone sterke Saliniteitsgradiënt. Dit is veruit de grootste zone in oppervlaktes, zodat toevalseffecten hier sterk uitvergroot worden. -Inbo heeft haar staalnamestrategie hierop al aangepast, dus het is vooral uitkijken nu of deze trend in 2023 met betere data kan bevestigd of weerlegd worden. +INBO heeft haar staalnamestrategie hierop al aangepast, dus het is vooral uitkijken nu of deze trend in 2023 met betere data kan bevestigd of weerlegd worden. ```{r 070-figuur13b, fig.cap=caption_regressie13b, out.width="70%"} caption_regressie13b <- "Jaarlijkse systeembiommassa (ton droge stof) voor de 7 belangrijkste Taxon groepen in de Zeeschelde. Deze groepen bevatten jaarlijks samen meer dan 95\\% van de systeembiomassa in de Zeeschelde. De toename van de Bivalvia is vrijwel volledig te wijten aan de de brakwaterkorfschelp " @@ -309,12 +312,12 @@ knitr::include_graphics(paste0(pad_figuren, "BIVsoortenSUB_ZS.jpg")) #### Soortenrijkdom Volledige determinatie aan de hand van BS- en OID-stalen gebeurt elke drie jaar (2008, 2011, 2014, 2017, 2020). -De soortenrijkdom is daarom cyclisch hoger, behalve na 2018 in de zijrivieren omdat hier enkel nog driejaarlijks bemonsterd wordt in de OID-jaren.\ +De soortenrijkdom lijkt daarom cyclisch hoger, behalve na 2018 in de zijrivieren omdat hier enkel nog driejaarlijks bemonsterd wordt in de OID-jaren.\ Een overzicht van de soortenrijkdom voor de verschillende waterlichamen en de verschillende jaren per tidale zone (inter-, sub-) staat in de figuren \@ref(fig:070-figuur15) en \@ref(fig:070-figuur15b). -In vrij veel zones ligt de soortenrijkdom de laatste 2-3 onderzoeksjaren iets hoger dan in vergelijkbare jaren de voorbije periode. +In vrij veel zones ligt de soortenrijkdom de laatste 2-3 onderzoeksjaren iets hoger dan in vergelijkbare jaren de voorbije periode. Mogelijke oorzaken zijn het steeds toenemend aantal exotische soorten en de uitzonderlijke droogteperioden die mogelijks marinisatie van de Zeeschelde veroorzaakten. -Vooral in de zone Saliniteitsgradiënt zien we vrij consistent een hogere soortenrijkdom. +Vooral in de zone Saliniteitsgradiënt zien we vrij consistent een hogere soortenrijkdom. Apart onderzoek is nodig om het relatief belang van exoten in de Zeeschelde te duiden. Opvallend is dat enkel in het Oligohalien en de Rupel de taxa rijkdom vaak hoger is in het subtidaal dan in het intertidaal (Oligochaeta niet meegeteld). Dit patroon is stabiel in de tijd maar een reden ervoor is niet gekend. @@ -348,7 +351,7 @@ Voor Oligohalien biomassa en densiteiten en voor de overige zones enkel voor de De patronen in het subtidaal zijn behoorlijk erratisch in vergelijking met deze voor het intertidaal. Door de veel lagere densiteit en biomassadichtheid in het subtidaal is de invloed van toeval op de Shannon diversiteit er vermoedelijk relatief groter. Met wat goede wil is ook hier een opvering van de Shannon index in de deelgebieden merkbaar sinds 2015, maar variatie tussen de jaren is groot. -Een opmerkelijk patroon is te zien in de zone sterke Saliniteitsgradiënt: bij densiteiten is er een toename, terwijl er voor biomassa een sterke afname van de Shannon diversiteit is in de laatste 2 jaren. +Een opmerkelijk patroon is te zien subtidaal in de zone sterke Saliniteitsgradiënt: bij densiteiten is er een toename, terwijl er voor biomassa een sterke afname van de Shannon diversiteit is. Waarschijnlijk is dit te wijten aan de opkomst en tegenwoordig dominantie van de brakwaterkorfschelp (Dumoulin & Langeraert, 2020). In 2022 vertoonden de overige subtidale Shannon-indices overwegend een neerwaartse trend, maar evaluatie gebeurt best op langjarige tijdsreeksen bij deze variabele parameter. @@ -399,12 +402,12 @@ Deze laatste soort komt vooral subtidaal voor, en heeft net als de andere tweekl De standaard staalnamemethode met een kleine steekbuis is minder geschikt om in dergelijke situaties macrozoöbenthos densiteiten te bepalen, met een grotere onzekerheid op de biomassa bepaling en grotere, betekenisloze verschillen tussen opeenvolgende jaren als gevolg. De sterke daling van de biomassa droge stof in de zone Saliniteitsgradiënt, en daardoor een terugval onder de kritische grens voor het systeem Zeeschelde, is dus mogelijk een sampling effect. Een indicatie dat het om een sampling effect gaat, is dat in het subtidaal er wel een verdere toename van benthosbiomassa werd vastgesteld. -Om de impact van dit potentieel methodologisch artefact te verminderen, en de staalnamemethode aan te passen aan de nieuwe situatie waarin tweekleppigen talrijk voorkomen in de Zeeschelde, voegde inbo vanaf 2023 een extra staalname met grote steekbuis toe aan het moneos protocol voor de zone Saliniteistgradiënt. +Om de impact van dit potentieel methodologisch artefact te verminderen, en de staalnamemethode aan te passen aan de nieuwe situatie waarin tweekleppigen talrijk voorkomen in de Zeeschelde, voegde INBO vanaf 2023 een extra staalname met grote steekbuis toe aan het moneos protocol voor de zone Saliniteistgradiënt. Bij de volgende rapportage in 2025 zullen de resultaten hiervan besproken worden, en zal met meer betrouwbare data kunnen beoordeeld worden hoe de systeembiomassa evolueert. ## Referenties -Dumoulin, E., & Langeraert W. +Dumoulin E., & Langeraert W. (2020). De brakwaterkorfschelp *Potamocorbula amurensis* (Schrenck, 1861) (Bivalvia, Myida, Corbulidae), een nieuwkomer in het Schelde-estuarium; of het begin van een lang verhaal. Inleiding. From 68deed75bbee58c1bb8e807d057d39100da07edd Mon Sep 17 00:00:00 2001 From: VAN RYCKEGEM Date: Mon, 9 Sep 2024 12:55:54 +0200 Subject: [PATCH 047/102] hoofdstuk inleiding --- .../010_Inleiding.Rmd | 140 ++++++++++++++++++ 1 file changed, 140 insertions(+) create mode 100644 moneos_2024/150_geintegreerd_rapport/010_Inleiding.Rmd diff --git a/moneos_2024/150_geintegreerd_rapport/010_Inleiding.Rmd b/moneos_2024/150_geintegreerd_rapport/010_Inleiding.Rmd new file mode 100644 index 0000000..5a9f32f --- /dev/null +++ b/moneos_2024/150_geintegreerd_rapport/010_Inleiding.Rmd @@ -0,0 +1,140 @@ + +\mainmatter + + +```{r 010-hoofdstuk, include=FALSE} + +hoofdstuk <- "010_inleiding" + +``` + +```{r 010-setup, include=FALSE} + +knitr::opts_chunk$set(echo = FALSE, error=FALSE, warning=FALSE, message=FALSE, cache=FALSE) +knitr::opts_knit$set(eval.after = "fig.cap") + +``` + +```{r 010-libraries} + +library(tidyverse) +library(readxl) +library(kableExtra) +library(rprojroot) ## workaround pad +``` + +```{r 010-pad} + +# inlezen van variabelen +# pad naar data : pad_data +# pad naar tabellen : pad_tabellen +# pad naar figuren : pad_figuren + +source(find_root_file("../pad.R", criterion = is_rstudio_project)) +pad_data <- maak_pad(hoofdstuk, "data") +pad_figuren <- maak_pad(hoofdstuk, "figuren") +pad_tabellen <- maak_pad(hoofdstuk, "tabellen") + +``` + + +# Inleiding + +MONEOS (= MONitoring Effecten OntwikkelingsSchets 2010) (Meire & Maris, 2008) zorgt voor de aanlevering van basisdata voor de evaluatierapporten over de effecten van de verruiming en het baggeronderhoud en voor de evaluatie van de evolutie van het systeem (EMSE, 2021). +De voorliggende datarapportage omvat een toelichting en eerstelijnsanalyse van de onderdelen van de geïntegreerde systeemmonitoring van het Schelde-estuarium, kortweg MONEOS, uitgevoerd door het INBO in 2022 en/of 2023 afhankelijk van het thema. + +Het onderzoeksteam Estuaria van het INBO staat, voor wat de Zeeschelde betreft, reeds geruime tijd in voor de monitoring van diverse onderdelen die vallen onder de hoofdstukken Morfodynamiek, Diversiteit soorten en Diversiteit Habitats. +Het onderzoeksteam Monitoring en Herstel Aquatische Fauna van het INBO staat in voor de vismonitoring. + +Het INBO levert data aan voor volgende thema's en indicatoren: + +Thema Leefomgeving + +- Overzicht Estuariene Natuurontwikkelingsprojecten +- Sedimentkenmerken +- Geomorfologie, Fysiotopen, Ecotopen +- Vegetatiekartering +- Sedimentatie en erosie op punten en raaien + +Thema diversiteit soorten en thema Ecologisch Functioneren + +- Hogere planten +- Macrozoöbenthos +- Hyperbenthos +- Vissen +- Watervogels +- Broedvogels +- Zoogdieren + +De aangeleverde data omvatten enkel gegevens van de Zeeschelde en getijgebonden zijrivieren. +Tenzij anders vermeld kunnen ze gebruikt worden tot op niveau 3 van de Evaluatiemethodiek wat overeenkomt met de saliniteitszones aangevuld met de getijdenzijrivieren (Durme, Netes, Dijle, Zenne en Nete (Tabel \@ref(tab:010-tabel-indeling-schelde-estuarium). +Deze indeling valt samen met de indeling in waterlichamen van de Kaderrichtlijn Water (KRW) (Figuur \@ref(fig:010-figuur-waterlichamen)). + +Bij elk hoofdstuk is er een verwijzing naar de datafiches waarin de metadata beschreven zijn. +Zie hiervoor op ([https://rshiny.scheldemonitor.org/datafiches/)](https://rshiny.scheldemonitor.org/datafiches/)). + +Deze INBO MONEOS data is ook de basis voor de ecologische toestandsbepaling van de Zeeschelde in het kader van de Kaderrichtlijn Water ((KRW) hydromorfology, macrozoöbenthos, vis en macrofyten) en voor de vaststelling van staat van Instandhouding en de evaluatie van de Instandhoudingsdoelstellingen van de relevante Natura 2000 gebieden. + +```{r 010-tabel-indeling-schelde-estuarium} + +tabel_indeling_schelde_estuarium <- read_excel(paste0(pad_tabellen, "010_Inleiding_tabellen.xlsx"), + sheet = "indeling-schelde-estuarium2", .name_repair = "minimal") %>% + mutate_all(~replace_na(., "")) %>% + select(-`Model-eenheid`) + +cap_indeling_schelde_estuarium <- "Ruimtelijke indeling van het Schelde-estuarium volgens de Evaluatie methodiek (EM), KRW en saliniteitszones." + +footnote_text <- "n.v.t. : Deel van Zeeschelde niet beschouwd in Evaluatiemethodiek. Zou onderdeel kunnen worden van Z7. Ook wordt het traject Tijarm Merelbeke-Zwijnaarde (getijde Zeeschelde) niet gerekend tot Zeeschelde I in de KRW indeling. Dit zou beter wel deel worden van deze zone." + +tabel_indeling_schelde_estuarium %>% + mutate_all(~replace_na(., "")) %>% + mutate_all(~cell_spec(., color = "black")) %>% + {.[nrow(.)-1,c(1,2,3)] <- map(.[nrow(.)-1,c(1,2,3)], + ~paste0(.x, footnote_marker_symbol(1))) + .} %>% + {.[nrow(.),c(1,2,3,5)] <- map(.[nrow(.),c(1,2,3,5)], + ~paste0(.x, footnote_marker_symbol(1))) + .} %>% + knitr::kable(# "latex", + escape = FALSE, + booktabs = T, + caption = cap_indeling_schelde_estuarium) %>% + kable_styling(latex_options = c("scale_down"), + font_size = 15) %>% + # column_spec(1:3,width = "1in") %>% + collapse_rows(columns = 1:6, latex_hline = "full", valign = "middle") %>% + footnote(symbol = footnote_text, + # %>% + # cell_spec(color = "black"), + escape = FALSE, + threeparttable = TRUE) + +``` + +
+ +\newpage + +```{=tex} +\begin{landscape} +``` +```{r 010-figuur-waterlichamen, fig.cap = "Overzicht van de deelzones (niveau 3) en de estuariene Sigmagebieden."} + +knitr::include_graphics(paste0(pad_figuren, "010_kaart_gebiedsindeling.png")) +``` + +```{=tex} +\end{landscape} +``` +\newpage + +## Referenties + +EMSE (2021). +Evaluatiemethodiek Schelde-estuarium: Update 2021. +Antea, Bureau Waardenburg, Deltares, UAntwerpen, UGent, INBO en NIOZ. + +Meire, P., and T. +Maris. +(2008). +MONEOS: Geïntegreerde monitoring van het Schelde-estuarium. From c476d4a31a68f8bf3e631acb388f3874f09a87be Mon Sep 17 00:00:00 2001 From: VAN RYCKEGEM Date: Mon, 9 Sep 2024 14:50:24 +0200 Subject: [PATCH 048/102] nalezen hoofdstuk hyperbenthos --- .../080_hyperbenthos.Rmd | 32 ++++++++++--------- 1 file changed, 17 insertions(+), 15 deletions(-) diff --git a/moneos_2024/150_geintegreerd_rapport/080_hyperbenthos.Rmd b/moneos_2024/150_geintegreerd_rapport/080_hyperbenthos.Rmd index b1a9ce3..9d73ea8 100644 --- a/moneos_2024/150_geintegreerd_rapport/080_hyperbenthos.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/080_hyperbenthos.Rmd @@ -65,7 +65,7 @@ Fichenummer: S-DS-V-003 - Hyperbenthos Onder hyperbenthos verstaan we alle kleine fauna (1 mm tot enkele cm) die op en net boven de bodem leeft. In de Zeeschelde betreft het vooral garnalen en krabben (Decapoda), aasgarnalen (Mysida) en juveniele vis. De monitoring van het hyperbenthos in de Zeeschelde op zes vaste locaties startte in 2013. -Vóór die periode gebeurden op (sommige) van deze zes stations al vangsten met een andere frequentie (zie verder) aar dezelfde methode. +Vóór die periode gebeurden op (sommige) van deze zes stations al vangsten met een andere frequentie (zie verder) maar dezelfde methode. Voor de volledigheid worden deze gegevens mee aangeleverd. De gegevens van 2008 tot en met 2023 worden geleverd in een Excel-bestand (S_DS_V_003_hyperbenthos_data2013-2023_rapportage2024.xlsx). @@ -104,7 +104,7 @@ Als finale variabele voor analyse werden vroeger de getelde aantallen gestandaar Deze correctie is echter niet aangewezen voor organismen die op de bodem leven (epibenthische soorten, bijvoorbeeld veel garnalen), omdat hun aantallen en biomassa in relatie tot de lengte van het transect staan, en niet in relatie tot het bemonsterd watervolume. De vangstmethode zelf is bovendien zo opgesteld dat het watervolume bij elk vangbeurt zeer vergelijkbaar is: er wordt gevangen bij de tijkering met minimale stroming, en er wordt een gelijke lengte stroomop- en stroomaf gewandeld met het bongonet (zodat eventuele verschillen als gevolg van stroming elkaar opheffen). De stroomsnelheidsmeters geven bovendien een minder accuraat beeld wanneer het net zeer traag getrokken wordt of bij frequente stops (bij moeilijk bewandelbare bodems) en wanneer het net stroomafwaarts getrokken wordt (lage effectieve stroming door het net). -In deze gevallen werden onderschattingen tot 30% van het bemonsterd watervolume opgemerkt (inbo, niet gepubliceerde gegevens). +In deze gevallen werden onderschattingen tot 30% van het bemonsterd watervolume opgemerkt (INBO, niet gepubliceerde gegevens). Al deze argumenten samen leidden ons tot de conclusie dat het met de gebruikte vangstmethode en de grote vertegenwoordiging van epibenthische taxa wellicht correcter is om uit te gaan van een vast vangvolume van 40m³. In deze en volgende rapportages gebruiken we daarom de niet-gecorrigeerde vangstaantallen en biomassa (per 40m³). @@ -119,7 +119,7 @@ Het seizoenaal patroon - hoewel inherent heel erratisch en afhankelijk van natuu DIt patroon werd ook gevolgd in 2023, al duurde de zomerdip in veel gebieden tot augustus. ```{r 080-figuur2-dens, fig.cap=caption_fig2dens, out.width="100%"} -caption_fig2dens <- "Gemiddelde densiteit per 200m sleep (lijn) van hyperbenthos per maand (maandnummers), jaar en staalname station (opgelet: y-as heeft een log10-schaal)." +caption_fig2dens <- "Gemiddelde densiteit per 200m sleep (lijn) van hyperbenthos per maand (maandnummers), jaar en staalname station (opgelet: y-as heeft een log10-schaal). Dikke lichtblauwe lijn is rapportagejaar" knitr::include_graphics(paste0(pad_figuren, "080-figuur-densiteit_totaal-gebied-maandverloop_jaren.jpg")) ``` @@ -127,7 +127,7 @@ knitr::include_graphics(paste0(pad_figuren, "080-figuur-densiteit_totaal-gebied-
```{r 080-figuur3-dens, fig.cap=caption_fig3dens, out.width="80%"} -caption_fig3dens <- "Gemiddelde densiteit (per sleepvangst, lijn) aan hyperbenthos overheen alle sampling stations per maand (maandnummers) voor de verschillende monitoringsjaren (opgelet: y-as heeft een log10-schaal)." +caption_fig3dens <- "Gemiddelde densiteit (per sleepvangst, lijn) aan hyperbenthos overheen alle sampling stations per maand (maandnummers) voor de verschillende monitoringsjaren (opgelet: y-as heeft een log10-schaal). Dikke lichtblauwe lijn is rapportagejaar" knitr::include_graphics(paste0(pad_figuren, "080-figuur-densiteit_totaal-ZS-maandverloop_jaren.jpg")) ``` @@ -144,7 +144,7 @@ Ook doorheen het jaar kunnen densiteiten plots veranderen vooral omwille van plo Hyperbenthos is dus inherent een volatiele groep in de Zeeschelde. Daarbij komt nog dat de monitoring voor de drie deelzones slechts gebaseerd is op 2 stations. Dit draagt verder bij tot de vrij grote variatie tussen opeenvolgende meetjaren en meetmaanden. -Daar tegenonver staat dat herhaalde, en systeem wijde negatieve trends, wel duidelijke indicaties zijn voor kwaliteitsverlies. +Daar tegenonver staat dat herhaalde, en systeemwijde negatieve trends, wel duidelijke indicaties zijn voor kwaliteitsverlies. ```{r 080-figuur4-dens, fig.cap=caption_fig4dens, out.width="100%"} caption_fig4dens <- "Gemiddelde jaarsom van densiteiten van het hyperbenthos per deelzone en voor de volledige Zeeschelde. Het lopend gemiddelde (overheen 3 jaren) wordt weergegeven door een rode lijn. Door enkele ontbrekende maandvangsten in 2013 wordt dit jaar niet getoond. Let op: de y-assen verschillen onderling. " @@ -176,8 +176,8 @@ knitr::include_graphics(paste0(pad_figuren, "080_figuur_biomassa_gebied_maandver De evolutie van de gemiddelde jaarsom biomassa en het lopende gemiddelde overheen drie jaren per deelzone en voor de gehele Zeeschelde staat in Figuur \@ref(fig:080-figuur6-biom). Het lopend gemiddelde werd toegevoegd aan de standaard evaluatieparameter biomassa vanwege de grote verschillende tussen de jaren. Na een zeer goed 2018 voor alle zones stroomopwaarts van de Sterke Saliniteitsgradiënt noteerden we sindsdien normale tot eerder slechte jaren voor totale biomassa. -Het lopende gemiddelde van de biomassa bleef doorgaans binnen de 25% variatie sinds 2015 (EMSE 2021), behalve voor de zoete zone waar - als gevolg van een zeer goed 2018 - er een tijdelijke toename was. -De jaren met (lokaal) extreem hoge biomassa (2014, 2018) buiten beschouwing gelaten is het langjarig verloop van de biomassa doorheen de tijd eerder negatief. + Het lopende gemiddelde van de biomassa bleef doorgaans binnen de 25% variatie sinds 2015 (EMSE 2021), behalve voor de zoete zone waar - als gevolg van een zeer goed 2018 - er een tijdelijke toename was. +De jaren met (lokaal) extreem hoge biomassa (2014 , 2018) buiten beschouwing gelaten is het langjarig verloop van de biomassa doorheen de tijd eerder negatief. ```{r 080-figuur6-biom, fig.cap=caption_fig6biom, out.width="100%"} caption_fig6biom <- "De evolutie van de gemiddelde jaarsom biomassa (g droge stof per 40m³) per sleepvangst en haar lopend gemiddelde overheen drie jaren per deelzone en voor de gehele Zeeschelde." @@ -190,16 +190,18 @@ De langneussteurgarnaal (*Palaemon longirostris*) was in 2018 en 2019 de belangr In 2020 was dit de aasgarnaal *Mesopodopsis slabberi*, een soort die haar optimum in de brakke zone van de Schelde heeft en maar net tot in de Zeeschelde voorkomt. Deze soort werd in 2020 één keer in uitzonderlijke aantallen gevangen in het Paardenschor. Het jaar 2021 was een uitzonderlijk jaar voor bot (*Platichthys flesus*) met meer dan een kwart van de totale biomassa. -Dit hoge aandeel was echter ook te wijten een lage presentie van andere taxa. +Dit hoge aandeel was echter ook te wijten aan een lage presentie van andere taxa. Voor 2022 valt een hoge biomassa op voor brasem *Abramis brama*. Verder valt op dat Spiering *Osmerus eperlanus* in de eerste drie monitoringsjaren vrij goed vertegenwoordigd was, maar sindsdien een veel kleinere bijdrage tot de systeembiomassa hyperbenthos levert. Het onderzoeksjaar 2023 was erg bijzonder. -Ten eerste was er de volledige afwezigheid (op 1 exemplaar in de zone sterke Saliniteitsgradiënt na) van de langneussteurgarnaal. +Teneerste was er de volledige afwezigheid (op 1 exemplaar in de zone sterke Saliniteitsgradiënt na) van de langneussteurgarnaal. Dit was nog niet eerder voorgevallen. Ten tweede was de meest dominante soort de brakwaterkorfschelp (*Potamocorbula amurensis*). Deze laatste is geen hyperbenthische soort, maar wordt vaak gevangen wanneer het bongonet de bodem raakt. -Dit gebeurt geregeld en is moeilijk te vermijden, maar aangezien er sinds 2018 een explosieve toename van deze soort plaatsvindt (zie ook het hoofdstuk over macrozoöbenthos), resulteerde dit dit keer in een grote vangst van deze soort. + Dit gebeurt geregeld en is moeilijk te vermijden. +Zo gebeurde het dit jaar dat we een grote vangst deden van deze explosief toegenomen soort (zie ook het hoofdstuk over macrozoöbenthos). Toch waren het vooral ook de afwezigheid of zeer lage aantallen van het reguliere hyperbenthos die mee de procentuele dominantie van brakwaterkorfschelp versterkten. + ```{r 080-figuur7-biomspec, fig.cap=caption_fig7biomspec, out.width="100%"} caption_fig7biomspec <- "Procentuele bijdrage van de 8 belangrijkste soorten tot de totale biomassa in de Zeeschelde op basis van 6 staalname locaties. De overige taxa zitten vervat in de rest-groep." @@ -214,7 +216,7 @@ Uit deze figuur blijkt dat in 2023 geen enkele taxon in grote biomassadichtheden Grijze garnaal is sinds 2018 sterk afgenomen maar handhaaft zich in de zone Saliniteitsgradiënt in matige densiteiten. In erg droge jaren met lage bovenafvoer verplaats het zwaartepunt van de verspreiding van deze soort meer naar het oligohalien. In 2023 waren zeer lage densiteiten aasgarnalen aanwezig, een belangrijk voedselitem voor vissoorten. -De vissoorten Bot en Brakwatergrondel kwamen in vrij normale dichtheden voor maar meest opvallend is de eerder aangehaalde totale afwezigheid van één van de belangrijkste hyperbenthische soorten in de Zeeschelde - de langneussteurgarnaal. +De vissoorten bot en brakwatergrondel kwamen in vrij normale dichtheden voor maar meest opvallend is de eerder aangehaalde totale afwezigheid van één van de belangrijkste hyperbenthische soorten in de Zeeschelde - de langneussteurgarnaal. (Figuur \@ref(fig:080-figuur6-biom)). @@ -263,7 +265,7 @@ Enkele hyperbenthos soorten dringen in drogere jaren in grote aantallen verder s Het tijdelijk talrijk verschijnen van een soort heeft een disruptieve invloed op de Shannon index. Net doordat in 2023 geen enkele van de bulksoorten talrijk voorkwam, had dit een positieve invloed op de Shannon-diversiteit van densiteiten. Het meest opvallende patroon in de figuren is de toename van Shannon-diversiteit voor densiteiten en de sterke afname voor biomassa in de zone Saliniteitsgradiënt. -Dit patroon verloopt parallel met de trend van de Shannon-diversiteiten bij macrozoöbenthos, en is het gevolg van de explosieve toename van de brakwaterkorfschelp, en het feit dat we die onbedoeld als bijvangst in het bongnet vinden. +Dit patroon verloopt parallel met de trend van de Shannon-diversiteiten bij macrozoöbenthos, en is het gevolg van de explosieve toename van de brakwaterkorfschelp , en het feit dat we die onbedoeld als bijvangst in het bongnet vinden. Net zoals bij het macrozoöbenthos heeft dit een effect op de diversiteitmaat voor de gehele Zeeschelde. ```{r 080-figuur10, fig.cap=caption_fig10, out.width="100%"} @@ -285,7 +287,7 @@ De evolutie van densiteiten en biomassa overheen de monitoringsjaren is onderhev Het optreden van goede of slechte jaren kan soms gelinkt worden aan bovenafvoer en zoutgehalte, maar is ook vaak nog niet goed begrepen. Het onderzoeksjaar 2023 was opnieuw geen goed jaar voor hyperbenthos, met erg lage densiteiten van aasgarnalen, en een quasi afwezigheid van de doorgaans zeer talrijke langneussteurgarnaal. Het gevolg is dat de langjarige negatieve trend voor hyperbenthos densiteiten en vooral biomassa zich verder doorzette, en we de laagste waarde voor zowel de feitelijke jaarsom als voor het driejarig lopend gemiddelde noteerden. -Dit patroon is bovendien nog een gunstige weergave van de toestand, doordat we grote aantallen en biomassa van de brakwaterkorfschelp vaststelden, een soort die strikt gezien niet tot het hyperbenthos behoort maar steeds talrijker voorkomt in de zone sterke Saliniteitsgradiënt. +Dit patroon is bovendien nog een gunstige weergave van de toestand, doordat we grote aantallen en biomassa van de brakwaterkorfschelp vaststelden, een soort die strikt gezien niet tot het hyperbenthos behoort maar steeds talrijker voorkomt in de zone sterke Saliniteitsgradiënt . **De soortenrijkdom** @@ -300,11 +302,11 @@ De Shannon diversiteit is een nieuwe evaluatieparameter die in 2022 voor het eer Met de bovenstaande vaststellingen in het achterhoofd is het geen verrassing dat de Shannon diversiteit, zowel voor densiteiten als voor biomassa, sterke schommelingen vertoonde tussen jaren. Jaren waarin bepaalde hyperbenthische soorten uitzonderlijk talrijk zijn doen de Shannon diversiteit sterk dalen. Net daarom scoorde 2023 eerder goed voor wat betreft de diverseit, voor de meeste zones. -Een uitzondering daarop is de zone sterke Saliniteitsgradiënt, waar de grote biomassa brakwaterkorfschelpen een sterk negatieve invloed had, die ook de systeemdiversiteit Zeeschelde negatief beïnvloedde. +Een uitzondering daarop is de zone sterke Saliniteitsgradiënt, waar de grote biomassa brakwaterkorfschelpen een sterk negatieve invloed had, die ook de systeemdiversiteit Zeeschelde negatief beïnvloedde. Het is waarschijnlijk deels eigen aan een opgroeigebied als de Zeeschelde dat er extreem succesvolle recruteringsjaren zijn waarin alle factoren mee zitten, en waarin één of enkele soorten de gemeenschap domineren. Anderzijds is meer ecologische kennis nodig over waarom soorten goede en slechte jaren afwisselen, en om natuurlijke en door de mens beïnvloede oorzaken te kunnen onderscheiden. -Het steeds vaker uitblijven van goede jaren, of het frequenter optreden van zeer slechte jaren voor bepaalde soorten is een zorgerlijke trend. +Het steeds vaker uitblijven van goede jaren, of het frequenter optreden van zeer slechte jaren voor bepaalde soorten is een verontrustende trend. ## Referenties From d49f9c1ba43e13b28bb2825d333e31dfab0f7bc8 Mon Sep 17 00:00:00 2001 From: JOCQUE Date: Mon, 9 Sep 2024 14:55:57 +0200 Subject: [PATCH 049/102] nalezen hoofdstuk --- .../010_Inleiding.Rmd | 19 ++++++++++--------- 1 file changed, 10 insertions(+), 9 deletions(-) diff --git a/moneos_2024/150_geintegreerd_rapport/010_Inleiding.Rmd b/moneos_2024/150_geintegreerd_rapport/010_Inleiding.Rmd index 5a9f32f..e507bc1 100644 --- a/moneos_2024/150_geintegreerd_rapport/010_Inleiding.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/010_Inleiding.Rmd @@ -40,23 +40,23 @@ pad_tabellen <- maak_pad(hoofdstuk, "tabellen") # Inleiding -MONEOS (= MONitoring Effecten OntwikkelingsSchets 2010) (Meire & Maris, 2008) zorgt voor de aanlevering van basisdata voor de evaluatierapporten over de effecten van de verruiming en het baggeronderhoud en voor de evaluatie van de evolutie van het systeem (EMSE, 2021). -De voorliggende datarapportage omvat een toelichting en eerstelijnsanalyse van de onderdelen van de geïntegreerde systeemmonitoring van het Schelde-estuarium, kortweg MONEOS, uitgevoerd door het INBO in 2022 en/of 2023 afhankelijk van het thema. +De voorliggende datarapportage omvat een eerstelijnsanalyse en toelichting van de onderdelen van de geïntegreerde systeemmonitoring van het Schelde-estuarium, kortweg MONEOS (= MONitoring Effecten OntwikkelingsSchets) (Meire & Maris, 2008), uitgevoerd door het INBO in 2022 en/of 2023 afhankelijk van het thema. MONEOS levert basisdata voor de evaluatierapporten over de effecten van de verruiming en het baggeronderhoud, evenals voor de evaluatie van de evolutie van het systeem (EMSE, 2021). -Het onderzoeksteam Estuaria van het INBO staat, voor wat de Zeeschelde betreft, reeds geruime tijd in voor de monitoring van diverse onderdelen die vallen onder de hoofdstukken Morfodynamiek, Diversiteit soorten en Diversiteit Habitats. +Het onderzoeksteam Estuaria van het INBO staat, voor wat de Zeeschelde betreft, reeds geruime tijd in voor de monitoring van diverse onderdelen die vallen onder de thema's morfodynamiek, diversiteit soorten en diversiteit habitats. Het onderzoeksteam Monitoring en Herstel Aquatische Fauna van het INBO staat in voor de vismonitoring. Het INBO levert data aan voor volgende thema's en indicatoren: -Thema Leefomgeving +Thema leefomgeving + - Overzicht Estuariene Natuurontwikkelingsprojecten +- Ecotopen +- Vegetatiekaart - Sedimentkenmerken -- Geomorfologie, Fysiotopen, Ecotopen -- Vegetatiekartering - Sedimentatie en erosie op punten en raaien -Thema diversiteit soorten en thema Ecologisch Functioneren +Thema diversiteit soorten en thema ecologisch functioneren - Hogere planten - Macrozoöbenthos @@ -65,15 +65,16 @@ Thema diversiteit soorten en thema Ecologisch Functioneren - Watervogels - Broedvogels - Zoogdieren +- Monitoring Slik en Schorrand De aangeleverde data omvatten enkel gegevens van de Zeeschelde en getijgebonden zijrivieren. -Tenzij anders vermeld kunnen ze gebruikt worden tot op niveau 3 van de Evaluatiemethodiek wat overeenkomt met de saliniteitszones aangevuld met de getijdenzijrivieren (Durme, Netes, Dijle, Zenne en Nete (Tabel \@ref(tab:010-tabel-indeling-schelde-estuarium). +Tenzij anders vermeld kunnen ze gebruikt worden tot op niveau 3 van de Evaluatiemethodiek wat overeenkomt met de saliniteitszones aangevuld met de getijdenzijrivieren (Durme, Netes, Dijle en Zenne (Tabel \@ref(tab:010-tabel-indeling-schelde-estuarium). Deze indeling valt samen met de indeling in waterlichamen van de Kaderrichtlijn Water (KRW) (Figuur \@ref(fig:010-figuur-waterlichamen)). Bij elk hoofdstuk is er een verwijzing naar de datafiches waarin de metadata beschreven zijn. Zie hiervoor op ([https://rshiny.scheldemonitor.org/datafiches/)](https://rshiny.scheldemonitor.org/datafiches/)). -Deze INBO MONEOS data is ook de basis voor de ecologische toestandsbepaling van de Zeeschelde in het kader van de Kaderrichtlijn Water ((KRW) hydromorfology, macrozoöbenthos, vis en macrofyten) en voor de vaststelling van staat van Instandhouding en de evaluatie van de Instandhoudingsdoelstellingen van de relevante Natura 2000 gebieden. +Deze INBO MONEOS data (hydromorfologie, macrozoöbenthos, vis en macrofyten) is ook de basis voor de ecologische toestandsbepaling van de Zeeschelde in het kader van de Kaderrichtlijn Water (KRW) en voor de vaststelling van de staat van instandhouding en de evaluatie van de instandhoudingsdoelstellingen van de relevante Natura 2000-gebieden. ```{r 010-tabel-indeling-schelde-estuarium} From 19562d868ef780936d4b793bd9e7e9e9fb4a9118 Mon Sep 17 00:00:00 2001 From: VAN DE MEUTTER Date: Mon, 9 Sep 2024 17:45:19 +0200 Subject: [PATCH 050/102] revised after G-check --- .../070_macrozoobenthos_analyse.Rmd | 24 +++++--- .../070_macrozoobenthos.Rmd | 57 ++++++++++--------- 2 files changed, 46 insertions(+), 35 deletions(-) diff --git a/moneos_2024/070_macrozoobenthos/070_macrozoobenthos_analyse.Rmd b/moneos_2024/070_macrozoobenthos/070_macrozoobenthos_analyse.Rmd index d92ea1d..03912cb 100644 --- a/moneos_2024/070_macrozoobenthos/070_macrozoobenthos_analyse.Rmd +++ b/moneos_2024/070_macrozoobenthos/070_macrozoobenthos_analyse.Rmd @@ -945,28 +945,35 @@ unique(data_macrobenthos_totaal$niveau3_hybr) #Soortenrijkdom ```{r 070-figuur-soortenrijkdom-Zeeschelde} -data_macrobenthos %>% +data_macrobenthos %>% + dplyr::mutate(waterloop = recode(waterloop, "Zeeschelde I trj_Ml_Gb\n" = "Zeeschelde I trj_Ml_Gb", "Zeeschelde I tijarm Zwijnaarde\n" = "Zeeschelde I tijarm Zwijnaarde" , "Beneden_Dijle" = "Dijle", "Zeeschelde IV" = "Saliniteitsgradient", "Zeeschelde III" = "Oligohalien", "Zeeschelde II" = "Zoet lang verblijf", "Zeeschelde I" = "Zoet kort verblijf")) %>% dplyr::filter(#waterloop2 == "Zeeschelde I", fysiotoop %in% fysiotoop_order, fysiotoop != "hard substraat") %>% dplyr::filter(!is.na(waterloop)) %>% + dplyr::filter(waterloop %in% c("Saliniteitsgradient", "Oligohalien", "Zoet lang verblijf", "Zoet kort verblijf", "Zeeschelde I tijarm Zwijnaarde", "Zeeschelde I trj_Ml_Gb")) %>% + dplyr::mutate(waterloop = factor(waterloop, + levels = c("Saliniteitsgradient", "Oligohalien", "Zoet lang verblijf", "Zoet kort verblijf", "Zeeschelde I tijarm Zwijnaarde", "Zeeschelde I trj_Ml_Gb"))) %>% mutate(is_soort = if_else(soort == "geen", 0, 1)) %>% - dplyr::group_by(jaar, tidaal, locatie, niveau3_hybr) %>% + dplyr::group_by(jaar, tidaal, locatie, waterloop) %>% dplyr::summarise(n = sum(is_soort)) %>% ungroup() %>% - dplyr::mutate(jaar = ordered(jaar), - niveau3_hybr = factor(niveau3_hybr, levels = waterlopen_order2022)) %>% + dplyr::mutate(jaar = ordered(jaar)) %>% ggplot(aes(tidaal, n, fill = jaar)) + geom_boxplot() + ggsci::scale_fill_simpsons() + labs(y = "aantal soorten")+ labs(x = "")+ - facet_wrap(~niveau3_hybr) + facet_wrap(~waterloop) ggsave(paste0(pad_figuren, "070-figuur-soortenrijkdom-Zeeschelde.jpg"), height=5, width=8) waterlopen_order SR<- data_macrobenthos %>% + dplyr::mutate(waterloop = recode(waterloop, "Zeeschelde I trj_Ml_Gb\n" = "Zeeschelde I trj_Ml_Gb", "Zeeschelde I tijarm Zwijnaarde\n" = "Zeeschelde I tijarm Zwijnaarde" , "Beneden_Dijle" = "Dijle", "Zeeschelde IV" = "Saliniteitsgradient", "Zeeschelde III" = "Oligohalien", "Zeeschelde II" = "Zoet lang verblijf", "Zeeschelde I" = "Zoet kort verblijf")) %>% + dplyr::filter(waterloop %in% c("Saliniteitsgradient", "Oligohalien", "Zoet lang verblijf", "Zoet kort verblijf", "Zeeschelde I tijarm Zwijnaarde", "Zeeschelde I trj_Ml_Gb")) %>% + dplyr::mutate(waterloop = factor(waterloop, + levels = c("Saliniteitsgradient", "Oligohalien", "Zoet lang verblijf", "Zoet kort verblijf", "Zeeschelde I tijarm Zwijnaarde", "Zeeschelde I trj_Ml_Gb"))) %>% dplyr::filter(!is.na(waterloop)) %>% select(!c(locatie, densiteit, biomassa)) %>% dplyr::filter(fysiotoop %in% fysiotoop_order, @@ -974,16 +981,15 @@ SR<- data_macrobenthos %>% dplyr::filter(soort !="geen") %>% dplyr::mutate(is_soort = if_else(soort == "geen", 0, 1)) %>% distinct() %>% - dplyr::group_by(jaar, tidaal, niveau3_hybr) %>% + dplyr::group_by(jaar, tidaal, waterloop) %>% dplyr::summarise(n = sum(is_soort)) %>% ungroup() %>% - mutate(jaar = ordered(jaar), - niveau3_hybr = factor(niveau3_hybr, levels = waterlopen_order2022)) %>% + mutate(jaar = ordered(jaar)) %>% ggplot(aes(x=jaar,y = n, fill = tidaal)) + ylab("aantal taxa") + geom_line(aes(colour = tidaal, group = tidaal)) + theme(axis.text.x = element_text(angle = 90))+ - facet_wrap(~niveau3_hybr) + facet_wrap(~waterloop) SR ggsave(paste0(pad_figuren, "070-figuur-soortenrijkdom-lijn-Zeeschelde.jpg"), height=5, width=8) diff --git a/moneos_2024/150_geintegreerd_rapport/070_macrozoobenthos.Rmd b/moneos_2024/150_geintegreerd_rapport/070_macrozoobenthos.Rmd index 34367ca..efa2ebc 100644 --- a/moneos_2024/150_geintegreerd_rapport/070_macrozoobenthos.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/070_macrozoobenthos.Rmd @@ -94,11 +94,17 @@ Een volledige staalname gebeurde sindsdien in 2020 en 2023; deze laatste zal in Jaarlijks worden nieuwe random vastgelegde staalnamelocaties gekozen binnen elk van de strata. In principe worden 5 locaties per stratum (combinatie van fysiotoop en waterlichaam) bemonsterd. Dit aantal wordt aangepast in sommige gevallen in functie van de relatieve en absolute areaalgrootte van de fysiotopen binnen de waterlichamen. -Hoewel tijdens het nemen van de stalen veel aandacht gaat naar het zo volledig mogelijk uitvoeren van de vooropgezette design, kan doorgaans een klein aantal stalen niet genomen worden door technische problemen of onvoorziene omstandigheden (bijvoorbeeld grote ongekende velden breuksteen subtidaal die de staalname onmogelijk maken). +Zo worden er in de zone sterke Saliniteitsgradiënt in het intertidaal ongeveer dubbel zoveel stalen genomen als in de andere zones (9), omdat in deze zone de slikoppervlaktes veel groter zijn, terwijl in de overige zones er vaak minder dan 5 stalen genomen worden (3-5). +Het overtal aan stalen in Saliniteitsgradiënt dient niet enkel om een (eventuele) grotere ruimtelijke variatie in rekening te brengen, maar vooral ook om de precisie hier groter te maken (of de foutenmarge op de schatting kleiner) aangezien deze bij het berekenen van de systeembiomassa een veel groter gewicht krijgt. +In het benthosarmere subtidaal worden er minder stalen genomen dan in het intertidaal (5 in Saliniteitsgradiënt, meestal 3 in de overige zones). + +Hoewel tijdens het nemen van de stalen veel aandacht gaat naar het zo volledig mogelijk uitvoeren van de vooropgezette design, kan doorgaans een klein aantal stalen niet genomen worden door technische problemen of onvoorziene omstandigheden (bijvoorbeeld grote ongekende velden breuksteen subtidaal die de staalname onmogelijk maken). In de meeste gevallen worden punten over een kleine afstand verlegd, waarbij erop gelet wordt dat ze in dezelfde strata-combinatie blijven. In 2022 werden uiteindelijk 208 stalen genomen, hetzelfde aantal als in 2021. Een overzicht van de stalen per stratum is weergegeven in Tabel \@ref(tab:070-staalnamelocaties). - +Omdat de getijkarakteristieken in de zijrivieren minder goed gekend zijn, wordt hier vaak geen onderscheid gemaakt tussen hoog en middelhoog slik. +In de tabel wordt voor de eenvormigheid het hoog en middelhoog slik overal als 1 klasse weergegeven. +In de zone Zoet kort verblijf worden de extra stalen uit de tijarmen meegerekend. ```{r 070-staalnamelocaties} @@ -152,7 +158,7 @@ Vanaf 2020 gebeurt de determinatie echter op de oligochaeten die verzameld werde Wanneer de oligochaeten apart getrieerd zijn voor determinatie noemen we deze oligochaetenfractie wel opnieuw het OID staal. Het staal werd op dezelfde manier genomen als het basisstaal. Beide benthosstalen (BS, OID) worden gefixeerd (F-Solv 50%). -Bij elk benthosstaal wordt jaarlijks ook een **sedimentstaal** genomen met een sedimentcorer (diameter 2 cm zie ook hoofdstuk 6.2) tot 10 cm diepte in het substraat (intertidaal) of in het box-corer sample (subtidaal). +Bij elk benthosstaal wordt jaarlijks ook een **sedimentstaal** genomen met een sedimentcorer (diameter 2cm zie ook hoofdstuk 6.2) tot 10 cm diepte in het substraat (intertidaal) of in het box-corer sample (subtidaal). Dit wordt vervolgens ter bewaring ingevroren. Deze gepaarde sedimentstalen worden gebruikt om te rapporteren over sedimentkwaliteit (zie elders in dit rapport). @@ -187,21 +193,21 @@ We bespreken hieronder de verkennende analyses van de jaarlijkse standaard monit #### Densiteit en biomassa De densiteit van het macrozoöbenthos in het Zeeschelde estuarium is in de recente periode relatief stabiel (Figuur \@ref(fig:070-figuur10-soorten)). -Omdat deze parameter voor een deel van de soorten inherent grote fluctuaties ondergaat, wordt deze beoordeeld op zijn logaritmisch verloop. +Omdat deze parameter voor een deel van de soorten inherent grote fluctuaties ondergaat, wordt deze beoordeeld op zijn logaritmisch verloop. Bovendien is ze relatief minder betekenisvol en consistent dan de biomassa (zie verder). De veranderingen in 2022 vallen binnen de langjarige variatie. In de vorige rapportages stipten we aan dat 2019 een recordjaar was in de zone Zoet kort verblijf. In 2020 en 2021 daalden de waarden twee jaar op rij, maar ze bleven wel de hoogste in het Zeeschelde estuarium. In deze rapportage worden voor het eerst de tijarmen onderscheiden van de hoofdbedding van de zone Zoet kort verblijf. In deze nieuwe zienswijze blijkt niet 2019 maar 2018 het piekjaar in deze zone. -Wel zien we een grote piek in densiteiten in de tijarm Gentbrugge-Melle in 2019, waaruit we afleiden dat de hiervoor vermelde piek in de zone Zoet kort verblijf volledig op het conto kwam van het traject Gentbrugge-Melle. -In beide gebieden is er na 2019 een netto afname. +Wel zien we een grote piek in densiteiten in de tijarm Gentbrugge-Melle in 2019, waaruit we afleiden dat de in eerdere rapportages vermelde piek in de zone Zoet kort verblijf volledig op het conto kwam van het traject Gentbrugge-Melle. +In beide gebieden is er na 2019 een continue afname. De zijrivieren Durme en Rupel vertoonden matig hoge densiteiten, die valt binnen de variatie van het laatste decennium. Subtidale densiteiten liggen doorgaans een stuk lager, en vertonen een meer erratisch verloop, vermoedelijk doordat macrozoöbenthos subtidaal meer heterogeen verspreid voorkomt. De biomassa dichtheid (g AFDW per m²) (Figuur \@ref(fig:070-figuur11-soorten)) van het macrozoöbenthos in 2022 was eerder hoog in de zijrivieren Durme en Rupel, met waardes op of nabij de 10g AFDW per m², maar eerder laag in de Zeeschelde, met de uitzonderingen van de zone Saliniteitsgradiënt en het traject Gentbrugge-Melle, aan beide uitersten van het Vlaams deel van het estuarium. De opvallende stijging in de zone Saliniteitsgradiënt (Zeeschelde IV, ongeveer Antwerpen tot de Nederlandse grens) die startte in 2019 zette niet door in 2022 in het intertidaal, maar wel in het subtidaal. -De verspreiding van grote organismen, met relatief lage aantalsdichtheid wordt met de toen toegepaste staalnametechniek (kleine steekbuis) niet optimaal in beeld gebracht. +De verspreiding van grote organismen met relatief lage aantalsdichtheid, wordt met de toen toegepaste staalnametechniek (kleine steekbuis) niet optimaal in beeld gebracht. Dit gaat met name op voor de bivalven, die verantwoordelijk zijn voor de biomassastijging (zie verder). Vanaf 2023 besliste INBO daarom om in de zone Saliniteitsgradiënt aanvullend op de kleine steekbuis (4.5cm diameter) ook een grotere steekbuis (15cm diameter) in te zetten, om zo een verbeterde schatting te kunnen maken van bivalven en andere grote organismen. De eerste resultaten hiervan zullen in 2025 gerapporteerd worden. @@ -211,13 +217,12 @@ Daaruit blijkt dat in tijarm Zwijnaarde relatief lage biomassa (en aantallen) be Het piekverloop van macrozoöbenthos kende een vrij gelijkaardig tijdsverloop in beide delen, en in zowel het intertidaal als het subtidaal. De benthosbiomassa in deze zone bestaat vrijwel volledig uit Oligochaeta. Na de piek in 2018-2019 volgde een algemene biomassa afname die ook in 2022 verder doorzette. -Enkel in het traject Gentbrugge-Melle is de biomassadichtheid nog beduidend hoger dan in de overige zoete en oligohaliene delen van de Zeeschelde. +Enkel in het traject Gentbrugge-Melle is de biomassadichtheid nog beduidend hoger dan in de overige zoete en oligohaliene delen van de Zeeschelde, waar Oligochaeta dominant zijn. Het aandeel lege stalen viel voor alle zones ruim binnen de langjarige variatie (Figuur \@ref(fig:070-figuur12-soorten)). - ```{r 070-figuur10-soorten, fig.cap=caption_regressie10, out.width="100%"} -caption_regressie10 <- "Gemiddelde densiteit (lijn) aan macrozoöbenthos per waterlichaam opgedeeld in subtidaal en intertidaal. De spreiding rond de lijn wordt begrensd door het 1ste quartiel en 3de quartiel." +caption_regressie10 <- "Gemiddelde densiteit (lijn) aan macrozoöbenthos per waterlichaam opgedeeld in subtidaal en intertidaal. De spreiding rond de lijn wordt begrensd door het 1ste quartiel en 3de quartiel. De zone Zoet kort verblijf is hier exclusief de tijarmen." knitr::include_graphics(paste0(pad_figuren, "070-figuur-densiteitgemiddeldeTA.png")) @@ -226,7 +231,7 @@ knitr::include_graphics(paste0(pad_figuren, "070-figuur-densiteitgemiddeldeTA.pn
```{r 070-figuur11-soorten, fig.cap=caption_regressie11, out.width="100%"} -caption_regressie11 <- "Gemiddelde biomassa (lijn) aan macrozoöbenthos per waterlichaam opgedeeld in subtidaal en intertidaal. Met weergave van spreiding 1ste quartiel en 3de quartiel." +caption_regressie11 <- "Gemiddelde biomassa (lijn) aan macrozoöbenthos per waterlichaam opgedeeld in subtidaal en intertidaal. Met weergave van spreiding 1ste quartiel en 3de quartiel. De zone Zoet kort verblijf is hier exclusief de tijarmen." knitr::include_graphics(paste0(pad_figuren, "070-figuur-biomassagemiddelde-waterlichaam-alternatiefTA.jpg")) ``` @@ -234,7 +239,7 @@ knitr::include_graphics(paste0(pad_figuren, "070-figuur-biomassagemiddelde-water
```{r 070-figuur12-soorten, fig.cap=caption_regressie12, out.width="70%"} -caption_regressie12 <- "Aandeel aan lege stalen per waterlichaam doorheen de tijd." +caption_regressie12 <- "Aandeel aan lege stalen per waterlichaam doorheen de tijd. De zone Zoet kort verblijf is hier inclusief de tijarmen." pad_figuren @@ -250,8 +255,8 @@ De oppervlaktes uit kaartjaar 2013 werden gelinkt aan de benthosjaren 2012-2014, Voor 2021 werden de fysiotoopoppervlaktes voor 2021 gebruikt. Omdat bij het schrijven van dit deelrapport de fysiotoopoppervlaktes voor 2022 nog niet beschikbaar waren, gebruikten we voor dat jaar de oppervlaktes van 2021. Ter illustratie worden ook de totale biomassa's macrozoöbenthos voor de Durme en Rupel getoond; deze maken echter geen deel uit van de totale systeembiomassa van de Zeeschelde. -De systeembiomassa Zeeschelde (Figuur \@ref(fig:070-figuur13)) kende een dip in 2017 voor het stroomafwaartse deel van het estuarium vanaf Durme, Rupel en de zone Saliniteitsgradiënt, waarna deze sterk opveerden en van 2019 tot 2021 de systeembiomassa meer dan 40 ton droge stof bedroeg. -In 2022 daalde de systeembiomassa tot iets minder dan 23 ton droge stof, waarmee de vooropgestelde kwaliteitsgrens van 30 ton droge stof niet gehaald werd. +De systeembiomassa Zeeschelde (Figuur \@ref(fig:070-figuur13)) kende een dip in 2017 voor het stroomafwaartse deel van het estuarium vanaf Durme, Rupel en de zone Saliniteitsgradiënt, waarna deze sterk opveerden met als gevolg dat van 2019 tot 2021 de systeembiomassa meer dan 40 ton droge stof bedroeg. +In 2022 daalde de systeembiomassa fors tot iets minder dan 23 ton droge stof, waarmee de vooropgestelde kwaliteitsgrens van 30 ton droge stof niet gehaald werd. ```{r 070-figuur13, fig.cap=caption_regressie13, out.width="70%"} caption_regressie13 <- "Gesommeerd totaal van de gemiddelden per stratum van de systeembiomassa per waterlichaam en voor de totale Zeeschelde, uitgedrukt in ton asvrij drooggewicht. @@ -263,18 +268,17 @@ knitr::include_graphics(paste0(pad_figuren, "070-figuur-intertidalesysteembiomas
De aanhoudend hoge systeembiomassa van de Zeeschelde tussen 2019-2021 was grotendeels toe te schrijven aan de zone Saliniteitsgradiënt. -Vooral in 2019 was er recent nog een grote bijdrage van de zone Zoet kort verblijf, die in dit rapport correcter becijferd werd door de bijdrages per deelgebied (met name de tijarmen) te berekenen (vandaar lichte verschillen met eerdere rapportages), maar dit aandeel nam sterk af na 2019. +Voorheen, en vooral in 2018-2019, was er nog een grote bijdrage aan de systeembiomassa vanuit de zone Zoet kort verblijf (inclusief de tijarm Melle-Gentbrugge), maar deze nam sterk af na 2019. De toename in de zone Saliniteitsgradiënt komt helemaal op het conto van de Bivalvia (zie Figuur \@ref(fig:070-figuur13b)). -In de eerste plaats is er de vestiging van een exotische nieuwkomer, de brakwaterkorfschelp (*Potamocorbula amurensis*) die in 2018 voor het eerst is vastgesteld in de Zeeschelde (meteen de ook eerste vondst in Europa, Dumoulin & Langeraert, 2020). -De soort breidt sindsdien sterk uit hoewel ze in 2021 en 2022 niet meer voorkwam in de intertidale stalen, maar wel steeds talrijker werd in het subtidaal (zie Figuur \@ref(fig:070-figuur13d)). +In de eerste plaats is er de vestiging van een exotische nieuwkomer, de brakwaterkorfschelp (*Potamocorbula amurensis*) die in 2018 voor het eerst is vastgesteld in de Zeeschelde (meteen ook de eerste vondst in Europa, Dumoulin & Langeraert, 2020). +De soort breidt sindsdien sterk uit hoewel ze in 2021 en 2022 niet meer voorkwam in de intertidale stalen, maar wel nog talrijker werd in het subtidaal (zie Figuur \@ref(fig:070-figuur13d)). Het zwaartepunt van de niche van de brakwaterkorfschelp ligt waarschijnlijk vooral in de (ondiepe?) subtidale zone, en minder in het (laag) intertidaal. - Zoals eerder aangehaald is de standaard staalnamemethode met kleine steekbuis in het intertidaal niet aangepast aan het bemonsteren van bivalven en het bepalen van hun densiteiten, zeker in de zones waar de dichtheden lager zijn. +Zoals eerder aangehaald is de standaard staalnamemethode met kleine steekbuis in het intertidaal niet aangepast aan het bemonsteren van bivalven en het bepalen van hun densiteiten, zeker in de zones waar de dichtheden lager zijn. Vanaf 2023 worden ook grotere steekbuis stalen genomen en zullen de schattingen betrouwbaarder worden. We zijn daarom terughoudend bij de interpretatie van de - voorlopig éénjarige - terugval in intertidale biomassa in de zone Saliniteitsgradiënt, vooral omdat we subtidaal wel nog steeds een verdere toename zien van bivalven. Naast de brakwaterkorfschelp deden ook andere bivalven het opvallend goed de laatste jaren, met hoge aantallen van het Nonnetje (*Macoma balthica*) in 2020, en vooral een hoge biomassa dichtheid van de Platte slijkgaper in 2021 (*Scrobicularia plana*) (zie Figuur \@ref(fig:070-figuur13c)). In hoeverre dit een toevalstreffer was zal hopelijk duidelijker worden nadat we de stalen van 2023 verwerkt hebben. Zowel in 2021 als 2022 vinden we kleine aantallen van de Amerikaanse strandschelp, (*Mulinia lateralis*), een andere recent gevestigde exoot die waarschijnlijk uitbreidt. - De evaluatiegrenswaarde, 30 ton AFDW in het intertidaal van de Zeeschelde (EMSE 2021), werd in 2022 (22.81 ton droge stof) niet meer gehaald. Sinds 2019 is er een sterke afname van de biomassa van voornamelijk Oligochaeta in de zone Zoet kort verblijf. @@ -282,7 +286,7 @@ In het Oligohalien was de biomassa tijdelijk hoger in de periode 2011-2017, maar In 2022 is er geen enkele zoete of oligohaliene zone waar nog een hoge biomassa gehaald wordt, behalve in de tijarm Gentbrugge-Melle (al is de piek ook hier voorbij). Geen van de zoete of oligohaliene deelgebieden halen hun gebiedsspecifieke kwaliteitsgrens. Ook de globale evaluatieparameter wordt dit jaar niet gehaald, wat echter vooral te wijten is aan de plotse terugval in biomassa van de zone sterke Saliniteitsgradiënt. -Dit is veruit de grootste zone in oppervlaktes, zodat toevalseffecten hier sterk uitvergroot worden. +Dit is veruit de grootste zone in fysiotoopoppervlaktes, zodat toevalseffecten hier sterk uitvergroot worden. INBO heeft haar staalnamestrategie hierop al aangepast, dus het is vooral uitkijken nu of deze trend in 2023 met betere data kan bevestigd of weerlegd worden. ```{r 070-figuur13b, fig.cap=caption_regressie13b, out.width="70%"} @@ -312,24 +316,25 @@ knitr::include_graphics(paste0(pad_figuren, "BIVsoortenSUB_ZS.jpg")) #### Soortenrijkdom Volledige determinatie aan de hand van BS- en OID-stalen gebeurt elke drie jaar (2008, 2011, 2014, 2017, 2020). -De soortenrijkdom lijkt daarom cyclisch hoger, behalve na 2018 in de zijrivieren omdat hier enkel nog driejaarlijks bemonsterd wordt in de OID-jaren.\ +De soortenrijkdom lijkt daarom cyclisch hoger, behalve na 2018 in de zijrivieren omdat hier enkel nog driejaarlijks bemonsterd wordt in de OID-jaren (niet in Durme en Rupel - deze worden wel jaarlijks bemonsterd), en de soortenrijkdom dus structureel hoger lijkt.\ Een overzicht van de soortenrijkdom voor de verschillende waterlichamen en de verschillende jaren per tidale zone (inter-, sub-) staat in de figuren \@ref(fig:070-figuur15) en \@ref(fig:070-figuur15b). +Het onderzoeksjaar 2022 was geen OID jaar, dus de de soortenrijkdom is exclusief de soortenrijkdom van Oligochaeta. -In vrij veel zones ligt de soortenrijkdom de laatste 2-3 onderzoeksjaren iets hoger dan in vergelijkbare jaren de voorbije periode. +In vrij veel zones ligt de soortenrijkdom de laatste 2-3 onderzoeksjaren iets hoger dan in vergelijkbare jaren (zonder OID) de voorbije periode. Mogelijke oorzaken zijn het steeds toenemend aantal exotische soorten en de uitzonderlijke droogteperioden die mogelijks marinisatie van de Zeeschelde veroorzaakten. -Vooral in de zone Saliniteitsgradiënt zien we vrij consistent een hogere soortenrijkdom. +Vooral in de zone Saliniteitsgradiënt zien we vrij consistent een hogere soortenrijkdom. Apart onderzoek is nodig om het relatief belang van exoten in de Zeeschelde te duiden. Opvallend is dat enkel in het Oligohalien en de Rupel de taxa rijkdom vaak hoger is in het subtidaal dan in het intertidaal (Oligochaeta niet meegeteld). Dit patroon is stabiel in de tijd maar een reden ervoor is niet gekend. ```{r 070-figuur15, fig.cap=caption_regressie15, out.width="100%"} -caption_regressie15 <- "Staalgemiddelde soortenrijkdom (boxplots; mediaan, IQrange) per waterlichaam doorheen de tijd. De Oligochaeta worden niet steeds gedetermineerd en werden als 1 taxon beschouwd, behalve in de jaren 2008, 2011, 2014, 2017 en 2020. De jaren onderling vergelijken kan dus enkel tussen deze opgesomde jaren, en tussen de tussenliggende jaren. De zijrivieren werden niet bemonsterd in 2022 en worden enkel getoond ter vergelijking." +caption_regressie15 <- "Staalgemiddelde soortenrijkdom (boxplots; mediaan, IQrange) per waterlichaam doorheen de tijd. De Oligochaeta worden niet steeds gedetermineerd en werden als 1 taxon beschouwd, behalve in de jaren 2008, 2011, 2014, 2017 en 2020. De jaren onderling vergelijken kan dus enkel tussen deze opgesomde jaren, en tussen de tussenliggende jaren." knitr::include_graphics(paste0(pad_figuren, "070-figuur-soortenrijkdom-Zeeschelde.jpg")) ``` ```{r 070-figuur15b, fig.cap=caption_regressie15b, out.width="100%"} -caption_regressie15b <- "Soortenrijkdom per waterlichaam doorheen de tijd. De Oligochaeta worden niet steeds gedetermineerd en werden als 1 taxon beschouwd, behalve in de jaren 2008, 2011, 2014, 2017 en 2020. De jaren onderling vergelijken kan dus enkel voor deze opgesomde jaren, en de tussenliggende jaren. In de zijrivieren wordt sinds 2017 niet meer jaarlijks maar driejaarlijks bemonsterd tijdens de OID jaren, waardoor de diversiteit hoger lijkt. De zijrivieren werden niet bemonsterd in 2022 en worden enkel getoond ter vergelijking." +caption_regressie15b <- "Soortenrijkdom per waterlichaam doorheen de tijd. De Oligochaeta worden niet steeds gedetermineerd en werden als 1 taxon beschouwd, behalve in de jaren 2008, 2011, 2014, 2017 en 2020. De jaren onderling vergelijken kan dus enkel voor deze opgesomde jaren, en voor de tussenliggende jaren. De zone Zoet kort verblijf wordt hier getoond exlusief de tijarmen." knitr::include_graphics(paste0(pad_figuren, "070-figuur-soortenrijkdom-lijn-Zeeschelde.jpg")) ``` @@ -373,7 +378,7 @@ knitr::include_graphics(paste0(pad_figuren, "070-figuur-Shannondiv-subt-Zeeschel **De soortenrijkdom** -De soortenrijkdom (exclusief Oligochaeta) lijkt de laatste paar jaren licht te stijgen in verschillende waterlichamen van de Zeeschelde met name de zone Zoet kort verblijf en sterke Saliniteitsgradiënt. +De soortenrijkdom (exclusief Oligochaeta) lijkt de laatste paar jaren licht te stijgen in verschillende waterlichamen van de Zeeschelde, met name de zone Zoet kort verblijf en sterke Saliniteitsgradiënt. In de laatste zone zijn recent een aantal soorten (deels exotische) tweekleppigen toegenomen en is er mogelijk marinisatie gaande, waardoor soorten die normaal in de Westerschelde voorkomen nu meer in de Zeeschelde opduiken. Verder is nader onderzoek nodig om het toenemend belang van exoten in de Zeeschelde in kaart te brengen. From 8f512eaf8d87cc29ef2b931728d327fe7bd2fb33 Mon Sep 17 00:00:00 2001 From: VAN DE MEUTTER Date: Mon, 9 Sep 2024 18:27:06 +0200 Subject: [PATCH 051/102] iets vreemds --- moneos_2024/080_hyperbenthos/080_hyperbenthos_analyse.Rmd | 6 ++++-- 1 file changed, 4 insertions(+), 2 deletions(-) diff --git a/moneos_2024/080_hyperbenthos/080_hyperbenthos_analyse.Rmd b/moneos_2024/080_hyperbenthos/080_hyperbenthos_analyse.Rmd index 5fc18bb..15ca95f 100644 --- a/moneos_2024/080_hyperbenthos/080_hyperbenthos_analyse.Rmd +++ b/moneos_2024/080_hyperbenthos/080_hyperbenthos_analyse.Rmd @@ -54,7 +54,9 @@ source("G:/.shortcut-targets-by-id/0B0xcP-eNvJ9dZDBwVVJOVk5Ld2s/PRJ_SCHELDE/VNSC ```{r 080-data} data_hyperbenthos <- - read_excel(paste0(pad_data, "hyperbenthos_data_2013_2023.xlsx")) + read_excel(paste0(pad_data, "hyperbenthos_data_2013_2023.xlsx")) %>% + dplyr::filter(soort != "Potamocorbula amurensis") + data_hpb.gnexoot <- data_hyperbenthos %>% @@ -117,7 +119,7 @@ data.hpb.biomsoort<- tussenstap.1 %>% rbind(data.h.b) -## probleem blijft want je hebt over meerdee jaren 21 soorten, dus soorten krijgen versch kleuren in versch jaren. Daarom selectie van 9 meest abundante taxa maken, en die dan voor elk jaar plotten. +## probleem blijft want je hebt over meerdere jaren 21 soorten, dus soorten krijgen versch kleuren in versch jaren. Daarom selectie van 9 meest abundante taxa maken, en die dan voor elk jaar plotten. From 0f3bc06f5ea64d17ee604036a82d6e8f3278156d Mon Sep 17 00:00:00 2001 From: VAN DE MEUTTER Date: Mon, 9 Sep 2024 19:25:47 +0200 Subject: [PATCH 052/102] vschevk1 --- moneos_2024/150_geintegreerd_rapport/080_hyperbenthos.Rmd | 7 ++++--- 1 file changed, 4 insertions(+), 3 deletions(-) diff --git a/moneos_2024/150_geintegreerd_rapport/080_hyperbenthos.Rmd b/moneos_2024/150_geintegreerd_rapport/080_hyperbenthos.Rmd index 9d73ea8..ac56a43 100644 --- a/moneos_2024/150_geintegreerd_rapport/080_hyperbenthos.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/080_hyperbenthos.Rmd @@ -80,6 +80,7 @@ Deze ruimtelijke en temporele spreiding is nodig om een beeld te te kunnen schet ```{r 080-figuur10-kaart, fig.cap=caption_fig1kaart, fig.height=3, fig.width=4.5, out.width="80%"} caption_fig1kaart <- "Situering staalnamelocaties hyperbenthos. Sampling stations worden aangeduid door een driehoek, het cijfer in de driehoek is de afstand tot de monding (km). Naamgeving: M1=Paardenschor, M2=St. Anna, O1=Ballooi, O2=Rupel, F1=Dendermonde, F2=Brede Schoren." + knitr::include_graphics(paste0(pad_figuren, "080-Kaart_hypersamplings.png")) ``` @@ -116,10 +117,10 @@ Ter bepaling van de biomassa worden de dieren vervolgens per soort verzameld in Het seizoenaal verloop van de densiteiten van hyperbenthos (alle soorten) voor elk van de staalnamejaren sinds 2013 wordt voor elk staalnamestation apart weergegeven in Figuur \@ref(fig:080-figuur2-dens). Het seizoenaal patroon - hoewel inherent heel erratisch en afhankelijk van natuurlijke variatie in recruteringssucces en recente bovenafvoer (De Neve et al. 2020) - verloopt steeds min of meer volgens hetzelfde patroon, met een piek in het vroege voorjaar (april-mei) en een dip in juni, waarna er een blijvende toename dan wel korte piek en een afname volgen afhankelijk van de locatie. -DIt patroon werd ook gevolgd in 2023, al duurde de zomerdip in veel gebieden tot augustus. +Dit patroon werd ook gevolgd in 2023, al duurde de zomerdip in veel gebieden tot augustus. ```{r 080-figuur2-dens, fig.cap=caption_fig2dens, out.width="100%"} -caption_fig2dens <- "Gemiddelde densiteit per 200m sleep (lijn) van hyperbenthos per maand (maandnummers), jaar en staalname station (opgelet: y-as heeft een log10-schaal). Dikke lichtblauwe lijn is rapportagejaar" +caption_fig2dens <- "Gemiddelde densiteit per 200m sleep (lijn) van hyperbenthos per maand (maandnummers), jaar en staalname station (opgelet: y-as heeft een log10-schaal). De dikke lichtblauwe lijn is het rapportagejaar" knitr::include_graphics(paste0(pad_figuren, "080-figuur-densiteit_totaal-gebied-maandverloop_jaren.jpg")) ``` @@ -142,7 +143,7 @@ De laatste verandering in het driejarige gemiddelde is opnieuw negatief, en de d Hyperbenthos densiteiten kunnen jaarlijks sterk wisselen in de Zeeschelde, vermoedelijk deels natuurlijk en deels door omgevingsvariabelen die (mee) door de mens bepaald worden (bv. zwevende stof gehaltes). Ook doorheen het jaar kunnen densiteiten plots veranderen vooral omwille van plotse debietwijzigingen (De Neve et al. 2020). Hyperbenthos is dus inherent een volatiele groep in de Zeeschelde. -Daarbij komt nog dat de monitoring voor de drie deelzones slechts gebaseerd is op 2 stations. +Daarbij komt nog dat de monitoring voor de drie deelzones elk slechts gebaseerd is op 2 stations. Dit draagt verder bij tot de vrij grote variatie tussen opeenvolgende meetjaren en meetmaanden. Daar tegenonver staat dat herhaalde, en systeemwijde negatieve trends, wel duidelijke indicaties zijn voor kwaliteitsverlies. From b6226589d72881b38378eec60ed0fe9714d264f5 Mon Sep 17 00:00:00 2001 From: VAN DE MEUTTER Date: Mon, 9 Sep 2024 20:57:45 +0200 Subject: [PATCH 053/102] revised --- .../080_hyperbenthos.Rmd | 24 +++++++------------ .../150_geintegreerd_rapport/index.Rmd | 2 +- 2 files changed, 9 insertions(+), 17 deletions(-) diff --git a/moneos_2024/150_geintegreerd_rapport/080_hyperbenthos.Rmd b/moneos_2024/150_geintegreerd_rapport/080_hyperbenthos.Rmd index ac56a43..3430c5c 100644 --- a/moneos_2024/150_geintegreerd_rapport/080_hyperbenthos.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/080_hyperbenthos.Rmd @@ -177,8 +177,8 @@ knitr::include_graphics(paste0(pad_figuren, "080_figuur_biomassa_gebied_maandver De evolutie van de gemiddelde jaarsom biomassa en het lopende gemiddelde overheen drie jaren per deelzone en voor de gehele Zeeschelde staat in Figuur \@ref(fig:080-figuur6-biom). Het lopend gemiddelde werd toegevoegd aan de standaard evaluatieparameter biomassa vanwege de grote verschillende tussen de jaren. Na een zeer goed 2018 voor alle zones stroomopwaarts van de Sterke Saliniteitsgradiënt noteerden we sindsdien normale tot eerder slechte jaren voor totale biomassa. - Het lopende gemiddelde van de biomassa bleef doorgaans binnen de 25% variatie sinds 2015 (EMSE 2021), behalve voor de zoete zone waar - als gevolg van een zeer goed 2018 - er een tijdelijke toename was. -De jaren met (lokaal) extreem hoge biomassa (2014 , 2018) buiten beschouwing gelaten is het langjarig verloop van de biomassa doorheen de tijd eerder negatief. +Het lopende gemiddelde van de biomassa bleef doorgaans binnen de 25% variatie sinds 2015 (EMSE 2021), behalve voor de zoete zone waar - als gevolg van een zeer goed 2018 - er een tijdelijke toename was. +De jaren met (lokaal) extreem hoge biomassa (2017, 2018) buiten beschouwing gelaten is het langjarig verloop van de biomassa doorheen de tijd eerder negatief. ```{r 080-figuur6-biom, fig.cap=caption_fig6biom, out.width="100%"} caption_fig6biom <- "De evolutie van de gemiddelde jaarsom biomassa (g droge stof per 40m³) per sleepvangst en haar lopend gemiddelde overheen drie jaren per deelzone en voor de gehele Zeeschelde." @@ -195,14 +195,9 @@ Dit hoge aandeel was echter ook te wijten aan een lage presentie van andere taxa Voor 2022 valt een hoge biomassa op voor brasem *Abramis brama*. Verder valt op dat Spiering *Osmerus eperlanus* in de eerste drie monitoringsjaren vrij goed vertegenwoordigd was, maar sindsdien een veel kleinere bijdrage tot de systeembiomassa hyperbenthos levert. Het onderzoeksjaar 2023 was erg bijzonder. -Teneerste was er de volledige afwezigheid (op 1 exemplaar in de zone sterke Saliniteitsgradiënt na) van de langneussteurgarnaal. +Er was de volledige afwezigheid (op 1 exemplaar in de zone sterke Saliniteitsgradiënt na) van de langneussteurgarnaal. Dit was nog niet eerder voorgevallen. -Ten tweede was de meest dominante soort de brakwaterkorfschelp (*Potamocorbula amurensis*). -Deze laatste is geen hyperbenthische soort, maar wordt vaak gevangen wanneer het bongonet de bodem raakt. - Dit gebeurt geregeld en is moeilijk te vermijden. -Zo gebeurde het dit jaar dat we een grote vangst deden van deze explosief toegenomen soort (zie ook het hoofdstuk over macrozoöbenthos). -Toch waren het vooral ook de afwezigheid of zeer lage aantallen van het reguliere hyperbenthos die mee de procentuele dominantie van brakwaterkorfschelp versterkten. - +Grijze garnalen werden in gemiddelde hoge biomassa dichtheden gevangen, wat enigzins contrasteert met de historisch lage dichtheden van deze soort in de Noordzee in 2023. ```{r 080-figuur7-biomspec, fig.cap=caption_fig7biomspec, out.width="100%"} caption_fig7biomspec <- "Procentuele bijdrage van de 8 belangrijkste soorten tot de totale biomassa in de Zeeschelde op basis van 6 staalname locaties. De overige taxa zitten vervat in de rest-groep." @@ -265,9 +260,7 @@ In lijn met de eerder gerapporteerde sterke jaarlijkse verschillen in densiteite Enkele hyperbenthos soorten dringen in drogere jaren in grote aantallen verder stroomopwaarts door in de Zeeschelde. Het tijdelijk talrijk verschijnen van een soort heeft een disruptieve invloed op de Shannon index. Net doordat in 2023 geen enkele van de bulksoorten talrijk voorkwam, had dit een positieve invloed op de Shannon-diversiteit van densiteiten. -Het meest opvallende patroon in de figuren is de toename van Shannon-diversiteit voor densiteiten en de sterke afname voor biomassa in de zone Saliniteitsgradiënt. -Dit patroon verloopt parallel met de trend van de Shannon-diversiteiten bij macrozoöbenthos, en is het gevolg van de explosieve toename van de brakwaterkorfschelp , en het feit dat we die onbedoeld als bijvangst in het bongnet vinden. -Net zoals bij het macrozoöbenthos heeft dit een effect op de diversiteitmaat voor de gehele Zeeschelde. +Het meest opvallende patroon in de figuren is de toename van Shannon-diversiteit, vooral voor densiteiten en in mindere mate ook voor biomassa. ```{r 080-figuur10, fig.cap=caption_fig10, out.width="100%"} caption_fig10 <- "Shannon diversiteit per deelzone en voor de volledige Zeeschelde voor de verschillende monitoringsjaren. De shannon diversiteit werd zowel berekend op densiteiten als voor biomassa." @@ -287,8 +280,8 @@ Dit bevestigt de aanname dat dit voor veel hyperbenthische soorten en vooral voo De evolutie van densiteiten en biomassa overheen de monitoringsjaren is onderhevig aan grote schommelingen, die samen hangen met goede en slechte jaren van specifieke soorten. Het optreden van goede of slechte jaren kan soms gelinkt worden aan bovenafvoer en zoutgehalte, maar is ook vaak nog niet goed begrepen. Het onderzoeksjaar 2023 was opnieuw geen goed jaar voor hyperbenthos, met erg lage densiteiten van aasgarnalen, en een quasi afwezigheid van de doorgaans zeer talrijke langneussteurgarnaal. -Het gevolg is dat de langjarige negatieve trend voor hyperbenthos densiteiten en vooral biomassa zich verder doorzette, en we de laagste waarde voor zowel de feitelijke jaarsom als voor het driejarig lopend gemiddelde noteerden. -Dit patroon is bovendien nog een gunstige weergave van de toestand, doordat we grote aantallen en biomassa van de brakwaterkorfschelp vaststelden, een soort die strikt gezien niet tot het hyperbenthos behoort maar steeds talrijker voorkomt in de zone sterke Saliniteitsgradiënt . +Het gevolg is dat de langjarige eerder neutrale trend voor hyperbenthos densiteiten en vooral biomassa steeds meer negatief oogt. +We noteerden dan ook de laagste feitelijke jaarsom en driejarig lopend gemiddelde voor biomassa. **De soortenrijkdom** @@ -302,8 +295,7 @@ Redenen daarvoor zijn vermoedelijk de continue nieuwe vestiging van nieuwe exote De Shannon diversiteit is een nieuwe evaluatieparameter die in 2022 voor het eerst getoond werd. Met de bovenstaande vaststellingen in het achterhoofd is het geen verrassing dat de Shannon diversiteit, zowel voor densiteiten als voor biomassa, sterke schommelingen vertoonde tussen jaren. Jaren waarin bepaalde hyperbenthische soorten uitzonderlijk talrijk zijn doen de Shannon diversiteit sterk dalen. -Net daarom scoorde 2023 eerder goed voor wat betreft de diverseit, voor de meeste zones. -Een uitzondering daarop is de zone sterke Saliniteitsgradiënt, waar de grote biomassa brakwaterkorfschelpen een sterk negatieve invloed had, die ook de systeemdiversiteit Zeeschelde negatief beïnvloedde. +Net daarom scoorde 2023 eerder goed voor wat betreft de diverseit. Het is waarschijnlijk deels eigen aan een opgroeigebied als de Zeeschelde dat er extreem succesvolle recruteringsjaren zijn waarin alle factoren mee zitten, en waarin één of enkele soorten de gemeenschap domineren. Anderzijds is meer ecologische kennis nodig over waarom soorten goede en slechte jaren afwisselen, en om natuurlijke en door de mens beïnvloede oorzaken te kunnen onderscheiden. diff --git a/moneos_2024/150_geintegreerd_rapport/index.Rmd b/moneos_2024/150_geintegreerd_rapport/index.Rmd index 532b25d..7b5c6d0 100644 --- a/moneos_2024/150_geintegreerd_rapport/index.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/index.Rmd @@ -96,7 +96,7 @@ publication_type: report cover_photo: "" # naam foto file cover_description: "" # cover: media/cover.pdf # link naar pdf met cover -doi: "" +doi: 99.21436/inbor.98471395 reportnr: "" depotnr: "" ordernr: "" From cc137805165aab2e9e6d99344d1d93cef0a0b03e Mon Sep 17 00:00:00 2001 From: VANOVERBEKE Date: Tue, 10 Sep 2024 11:00:19 +0200 Subject: [PATCH 054/102] nalezen ankerkuil --- .../091_vissen_ankerkuil.Rmd | 72 ++++++++++--------- .../150_geintegreerd_rapport/LICENSE.md | 4 +- 2 files changed, 40 insertions(+), 36 deletions(-) diff --git a/moneos_2024/150_geintegreerd_rapport/091_vissen_ankerkuil.Rmd b/moneos_2024/150_geintegreerd_rapport/091_vissen_ankerkuil.Rmd index 3e115b3..c7f7800 100644 --- a/moneos_2024/150_geintegreerd_rapport/091_vissen_ankerkuil.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/091_vissen_ankerkuil.Rmd @@ -68,14 +68,14 @@ for(i in 1:nrow(meta_data)){ ### Ankerkuil - + #### Soortenrijkdom in `r laatste_jaar` We vingen `r aantal_soorten_laatste_jaar` vissoorten in `r laatste_jaar`. Een overzicht van de soorten gevangen in `r laatste_jaar` is weergegeven in Tabel \@ref(tab:091-tabel-overzicht-soorten). In de zone met sterke saliniteitsgradiënt (Doel en Antwerpen) werden er meer soorten gevangen dan in de oligohaliene (Steendorp) en zoetwater (Branst) zone (Tabel \@ref(tab:091-tabel-aantal-soorten)). - Over de beschouwde periode (`r vroegste_jaar` - `r laatste_jaar`) worden er inderdaad systematisch meer soorten gevangen in deze zone dan in de oligohaliene en zoete zone (Figuur \@ref(fig:091-figuur-aantal-soorten-locatie-historisch)). +Over de beschouwde periode (`r vroegste_jaar` - `r laatste_jaar`) worden er inderdaad systematisch meer soorten gevangen in deze zone dan in de oligohaliene en zoete zone (Figuur \@ref(fig:091-figuur-aantal-soorten-locatie-historisch)). De turnover van soorten tussen seizoenen op elke locatie bedraagt tot een derde van de gevangen soorten. Het totaal aantal soorten jaarlijks gevangen in de Zeeschelde (over alle locaties) in de periode `r vroegste_jaar`-`r laatste_jaar` varieert rond de 40, met een maximum (46) in 2017 en een minimum (36) in 2020. De turnover in soorten tussen locaties bedraagt tot een kwart van het totaal aantal soorten. @@ -150,21 +150,22 @@ knitr::include_graphics(paste0(pad_figuren, "aantal_soorten_locatie.jpg")) We analyseren alle vangstgegevens van `r laatste_jaar`. Soorten met in alle seizoenen en locaties een relatieve bijdrage kleiner dan 10% voor zowel de aantallen als biomassa worden als 'rest' samengenomen. -Door omstandigheden was er in het voorjaar onvoldoende tijd om haring en sprot tot op soort te brengen. -Ze werden samen geregistreerd als "haringachtigen". -In de zomer en het najaar ging het in Doel vooral over haring, in Antwerpen werd eerder sprot gevangen. +Door omstandigheden was er in het voorjaar 2022 en 2023 onvoldoende tijd om alle haring en sprot vangsten volledig tot op soort te brengen. +Ze werden samen geregistreerd als "haringachtigen" . +In de zomer was het overgrote deel van de haringachtigen haring, in het najaar werden in Doel een merendeel sprot gevangen. Uit deze analyse blijkt dat de relatieve abundantie van soorten zowel seizoenaal als ruimtelijk verschilt (Figuur \@ref(fig:091-figuur-relatief-aantal)). In Doel en Antwerpen (zone met sterke saliniteitsgradiënt) zijn haringachtigen dominant in alle seizoenen van `r laatste_jaar`. Ook in het voorjaar in Steendorp zijn haringachtigen dominant. -Spiering is nog minder omnipresent als in 2022 en enkel dominant in Steendorp in de zomer. -In 2022 domineerden spieringen vangstaantallen in drie afvissingen in Steendorp en Branst (zoetwater). +Spiering is nog minder omnipresent dan in 2022 en enkel dominant in Steendorp in de zomer. +In 2022 domineerden spieringen nog de vangstaantallen in drie afvissingen in Steendorp en Branst (zoetwater). In het najaar neemt brakwatergrondel het over in Steendorp, vergelijkbaar met vorig jaar. Brakwatergrondel is minder dominant aanwezig in vergelijking met 2022, vooral in Branst, waar bot in `r laatste_jaar`dominant aanwezig is in het voorjaar en dikkopje het overneemt in de zomer en het najaar. Uitgedrukt in biomassa worden gelijkaardige patronen geobserveerd voor haringachtigen in Doel en Antwerpen. -Spiering treedt meer op de voorgrond in Steendorp in het voorjaar en de zomer met toenmende aanwezigheid van brakwatergrondel en dikkopje in het najaar. +Spiering treedt meer op de voorgrond in Steendorp maar met toenmende aanwezigheid van brakwatergrondel en dikkopje in het najaar. In Branst staat fint in voor een groot deel van de biomassa in het voorjaar, spiering in de zomer en dikkopje in het najaar (Figuur \@ref(fig:091-figuur-relatieve-biomassa)). +Ook snoekbaars is duidelijk aanwezig in de biomassa van voorjaar en zomer in Steendorp en Branst. ```{r 091-figuur-relatief-aantal, fig.cap=cap_relatief_aantal, out.width="100%"} @@ -203,11 +204,10 @@ Benthivore soorten overheersen naar aantal en biomassa, vooral in de zoete zone. In de zone met sterke saliniteitsgradiënt overheersen planktivoren in `r laatste_jaar`. Dikkopje en brakwatergrondel zijn veruit de meest talrijke benthivore soorten in deze groep. -De grootste aantallen vonden we in de zoetwaterzone in Branst (over 600 individuen per 1000m³, sterk aanleunend bij de piek in 2018). -Enkel in 2020 waren ze meest talrijk in Steendorp. -In zomer en najaar 2022 overheerste dikkopje in Branst. +De grootste aantallen vonden we in de zoetwaterzone in Branst (samen 600 individuen per 1000m³, sterk aanleunend bij de piek in 2018). +Enkel in 2020 waren ze meest talrijk in het oligohalien. -Omnivore mariene en estuariene soorten worden qua aantallen gedomineerd door kleine zeenaald in de zone met sterke saliniteitsgradiënt met aanwezigheid van steenbolk in `r laatste_jaar`. +Omnivore mariene en estuariene soorten worden qua aantallen in het verleden gedomineerd door kleine zeenaald in de zone met sterke saliniteitsgradiënt, maar in `r laatste_jaar` domineert steenbolk. In het oligohalien en zoetwater komt hoofdzakelijk juveniele zeebaars voor die daar komt opgroeien. De aantallen zijn beduidend lager dan voor de benthivore soorten van deze groep (\< 5 individuen per 1000m³). De laatste jaren wordt deze soortengroep minder gevangen dan in de periode voor 2018. @@ -216,11 +216,11 @@ Piscivore estuariene en mariene soorten volgens de EMSE indeling komen in de Zee In realiteit gedragen ook zeebaars, steenbolk en zeeforel zich hoofdzakelijk piscivoor in de Zeeschelde. Planktivore individuen van de groep estuarien residente en mariene migranten zijn meest talrijk in de zone met sterke saliniteitsgradiënt, met een uitschieter tot meer dan 200 individuen per 1000m³ in 2022, maar ze zijn toch ook tot in de zoete zone terug te vinden. -Het gaat hier vooral om juveniele haring en een beetje sprot, mariene soorten die de luwte en voedselrijkdom van het estuarium opzoeken om op te groeien. +Het gaat hier vooral om juveniele haring en sprot, mariene soorten die de luwte en voedselrijkdom van het estuarium opzoeken om op te groeien. De patronen voor biomassa vertonen grotendeels dezelfde verhoudingen tussen soortgroepen, saliniteitszones en soorten (Figuur \@ref(fig:091-figuur-biomassa-marien-EMSE)). De omnivore mariene en estuariene soorten vertonen echter wel een grotere soortendiversiteit qua biomassa dan qua aantallen in de zone met sterke saliniteitsgradiënt. -De dominatie van zeenaald is een stuk minder uitgesproken in de biomassa dan in de aantallen. +De dominatie van zeenaald in bepaalde jaren is een stuk minder uitgesproken in de biomassa dan in de aantallen. De sterke dominantie van één of twee soorten qua aantallen binnen elke soortgroep is ook duidelijk zichtbaar in Figuur \@ref(fig:091-figuur-diversiteit-marien-EMSE). Zelfs als er in totaal (S) 5 of meer soorten voorkomen in een groep wordt deze meestal door slechts één of twee soorten gedomineerd (D). @@ -263,23 +263,23 @@ knitr::include_graphics(paste0(pad_figuren, "diversiteit_S_D_EMSE_marien.jpg")) ***Diadrome soorten*** Volgens de EMSE indeling zijn er geen diadrome benthivore en planktivore vissoorten in de Zeeschelde. -De twee zogenaamd piscivore soorten, de zeeprik en de rivierprik zijn eigenlijk parasitaire soorten waarvan er telkens maar enkele gevangen worden. +De twee zogenaamd piscivore soorten, de zeeprik en de rivierprik zijn eigenlijk parasitaire soorten waarvan er telkens maar enkele, grote, exemplaren gevangen worden. Aantallen, biomassa en dominantie zijn dus sterk variabel in de tijd en per saliniteitszone voor deze functionele groep. -De diadrome soorten in de Zeeschelde zijn dus voornamelijk omnivoor en deze functionele groep is zo sterk gedomineerd door spiering (Figuur \@ref(fig:091-figuur-aantallen-diadroom-EMSE)) dat bot, driedoornige stekelbaars, fint en paling, die nochtans ook zeer regelmatig gevangen worden, niet eens apart vermeld worden maar samen met nog enkele andere, minder algemene soorten, onder 'rest' verwerkt worden. +De diadrome soorten in de Zeeschelde zijn dus voornamelijk omnivoor en deze functionele groep is zo sterk gedomineerd door spiering (Figuur \@ref(fig:091-figuur-aantallen-diadroom-EMSE)) dat bot, driedoornige stekelbaars, fint en paling, die nochtans ook zeer regelmatig gevangen worden, niet zichtbaar zijn op de figuur of zelfs niet eens apart vermeld worden maar samen met nog enkele andere, minder algemene soorten, onder 'rest' verwerkt worden. Spieringen zijn meest talrijk in de oligohaliene en zoetwater zone met pieken tot 4000-6000 individuen per 1000m³ in 2014. In recente jaren zijn de aantallen een stuk lager (50-600 individuen per 1000m³). -Met uitzondering van een dip rond 2016 was de biomassa aan spiering in voorgaande jaren relatief stabiel. -In `r laatste_jaar` zijn de aantallen en biomassa aan gevangen spiering echter opvallend laag, vooral in de zoetwater zone. +Met uitzondering van een dip rond 2016 was de biomassa (Figuur \@ref(fig:091-figuur-biomassa-diadroom-EMSE)) aan spiering in voorgaande jaren relatief stabiel. +In 2022 en `r laatste_jaar` zijn de aantallen en biomassa aan gevangen spiering echter opvallend lager, vooral in de zoetwater zone. Vergelijking van aantallen en biomassa in de verschillende saliniteitszones doet vermoeden dat de spieringen gemiddeld het kleinst zijn in de zoete zone en het grootste in de zone met sterke saliniteitsgradiënt. Deze soort plant zich inderdaad voort stroomopwaarts in de zoete zone met korte verblijftijd, groeit op in het estuarium en trekt na enkele jaren naar zee. Om het rekruteringssucces te bepalen moet echter de grootteklasse verdeling per seizoen en per locatie geanalyseerd worden. Deze data zijn voorhanden maar worden niet gebruikt in EMSE. -(Figuur \@ref(fig:091-figuur-biomassa-diadroom-EMSE)). De diversiteit voor diadrome functionele groepen is zeer laag. Hoewel er tot 8 omnivore soorten samen kunnen voorkomen blijft de spiering dominant over alles heen (Figuur \@ref(fig:091-figuur-diversiteit-diadroom-EMSE)). +In 2022 en `r laatste_jaar` lijkt die dominantie echter af te nemen in de zoete zone met een stijging van de diversiteit van 1 naar 2. ```{r 091-figuur-aantallen-diadroom-EMSE, fig.cap=aantallen_diadroom_EMSE, out.width="110%"} @@ -320,15 +320,15 @@ Zoetwater soorten zijn meest talrijk in de zoetwaterzone waar de aantallen en bi Binnen de zoetwatersoorten zijn omnivoren de meest talrijke en de meest soortenrijke functionele groep en ze vertegenwoordigen ook de grootste biomassa. Snoekbaars is dominant in deze groep, zowel in aantallen als in biomassa. -De aantallen daalden voor het derde jaar op rij, maar de biomassa de laatste jaren bleef grotendeels constant, er werden dus relatief meer grotere exemplaren gevangen. +De aantallen daalden voor het derde jaar op rij, maar de biomassa bleef de laatste jaren grotendeels constant, er werden dus relatief meer grotere exemplaren gevangen. Benthivore zoetwater soorten worden qua aantallen gedomineerd door brasem, tiendoornige stekelbaars en blauwbandgrondel. Qua gewicht is enkel brasem dominant in deze functionele groep. -Brasem zet in `r laatste_jaar` de toename in aantallen verder begonnen in 2021. +Brasem zet in `r laatste_jaar` de toename in aantallen verder begonnen in 2022. Baars en de exotische zonnebaars zijn de enige piscivore zoetwatersoorten voor de Zeeschelde. Baars is de dominante soort naar aantallen en gewicht. -Na een uitschieter in 2021 zijn aantal en gewicht in `r laatste_jaar` weer gedaald. +Na een uitschieter in 2021 zijn aantal en gewicht in `r laatste_jaar` weer gedaald en op het niveau van voor 2021. Planktivore zoetwatersoorten komen in de Zeeschelde niet voor. @@ -451,10 +451,10 @@ De meest voorkomende sleutelsoorten voor de zoetwatersoorten zijn blankvoorn, br - Brasem vertoont een duidelijke toename in aantallen in het zoetwater vanaf 2016 in vergelijking met de jaren ervoor. - In `r laatste_jaar` blijven de aantallen stijgen in het zoetwater. + In 2022 en `r laatste_jaar` is er nog een extra toename in het zoetwater. - Ook snoekbaars vertoont een duidelijke toename in aantallen vanaf 2016 met een piek in 2021 waarna de aantallen terug afnemen. - Deze soort komt niet alleen voor in het zoetwater maar ook vaak in het oligohalien en zelfs in de zone met sterke saliniteitsgradiënt. + Deze soort komt niet alleen voor in het zoetwater maar ook vaak in het oligohalien (waar de aantallen sinds 2021 ook terug afnemen) en zelfs in de zone met sterke saliniteitsgradiënt. ```{r 091-figuur-zoetwater-sleutelsoorten, fig.cap=cap_aantal_sleutelsoorten_zoetwater, out.width="100%"} @@ -487,8 +487,9 @@ De resultaten voor aantallen, biomassa en diversiteit per groep van estuarien ha Voor alle drie de estuariene habitat gebruik groepen zien we de laagste densiteiten in de zone met sterke saliniteitsgradiënt. Diadrome vissen overheersen de aantallen in de ankerkuilvangsten, met vergelijkbare aantallen per m³ in de oligohaliene en zoete zone. -Mariene en estuariene soorten worden in kleinere aantallen gevist met bijna een factor 10 minder. -Zoetwatersoorten worden tenslotte nog eens met een factor 10 minder gevangen, weliswaar met duidelijke toename in stroomopwaartse richting. +Die dominantie is echter hoofdzakelijk te wijten aan de grote aantallen en biomassa van spiering in voorgaande jaren. +De laatste twee jaar zijn de aantallen en biomassa een stuk lager en kunnen mariene en estuariene soorten zelfs domineren, waar die in het verleden met bijna een factor 10 minder gevist werden. + Zoetwatersoorten worden tenslotte in veel lagere aantallen gevangen, weliswaar met duidelijke toename van aantallen in stroomopwaartse richting. Op basis van gemiddelde biomassa per m³ zijn de trends vergelijkbaar maar zijn de verschillen tussen estuariene habitat gebruik groepen veel kleiner. Het gaat dus voornamelijk om kleine, juveniele diadrome individuen en grotere, adulte zoetwatervissen. De estuarien residente soorten zijn middelgroot en alle leeftijdsklassen zijn aanwezig. @@ -502,19 +503,19 @@ De dominantie is echter minder uitgesproken dan die van de spiering, o.a. ook omdat het aantal algemene soorten het grootst is in deze groep. Het beeld van mariene en estuariene soorten is iets complexer omdat hier in realiteit twee verschillende estuarien habitat gebruik gilden samengevoegd worden: estuarien residenten en mariene migranten die elk op een heel andere manier gebruik maken van het estuarien habitat. -In de zoete zone met lange verblijftijd en in het oligohalien zijn brakwatergrondel en dikkopje, twee estuarien residente soorten, de meest talrijke soorten van deze guildengroep. +In de zoete zone met lange verblijftijd en in het oligohalien zijn brakwatergrondel en dikkopje, twee estuarien residente soorten, de meest talrijke soorten van deze gildengroep. Afgezien van de uitzonderlijke piek in In `r laatste_jaar` voor dikkopje en in 2018 voor brakwatergrondel schommelen de aantallen en biomassa's zonder uitgesproken trend te vertonen. In de zone met sterke saliniteitgradiënt is haring, een mariene migrant het meest talrijk. -Indien we naar de biomassa kijken winnen sprot en ook haring in `r laatste_jaar` aan belang in de twee stroomafwaartse zones en zelfs in de zoete zone met lange verblijftijd. +Indien we naar de biomassa kijken winnen sprot en ook haring in 2022 en `r laatste_jaar` aan belang in de twee stroomafwaartse zones en zelfs in de zoete zone met lange verblijftijd. Mariene migranten zoeken de beschutting en voedselrijkdom van het estuarium op tot in de zoetwater zone. De aantallen en biomassa's variëren sterk van jaar tot jaar. De grootste soortenrijkdom vinden we bij de mariene en estuariene soorten in de zone met sterke saliniteitsgradiënt. De voornaamste oorzaak hiervan is dat er af toe vangsten zijn van mariene dwaalgasten. Deze hebben weinig betekenis voor het estuarien functioneren, buiten de indicatie dat ze kunnen overleven in die omgeving. -De laagste soortenrijkdom vinden we bij de diadromen in de oligohaliene zone. -De diversiteit is het grootst bij de zoetwatersoorten. +De laagste soortenrijkdom vinden we ook bij de mariene en estuariene soorten in de zoetwater zone. +De diversiteit is het grootst bij de mariene en estuariene soorten en zoetwatersoorten.
@@ -555,9 +556,10 @@ knitr::include_graphics(paste0(pad_figuren, "EMSE_alternatief/diversiteit_S_D_sa De resultaten voor aantallen, biomassa en diversiteit per dieetgroep worden weergegeven in respectievelijk Figuur \@ref(fig:091-figuur-aantallen-dieet), Figuur \@ref(fig:091-figuur-biomassa-dieet) en Figuur \@ref(fig:091-figuur-diversiteit-dieet). -Qua trofische samenstelling overheersen omnivoren de aantallen en ook de biomassa, gevolgd door benthivoren, planktivoren en tenslotte een zeer kleine minderheid aan piscivoren. +Qua trofische samenstelling overheersten in het verleden omnivoren de aantallen en ook de biomassa door toedoen van spiering, gevolgd door benthivoren, planktivoren en tenslotte een zeer kleine minderheid aan piscivoren. +zoals reeds vermeld is de dominantie van omnivoren (spiering) de laatste twee jaar echter grotendeels verdwenen. -Brakwatergrondel en dikkopje en ook brasem zijn de dominante benthivoren zowel in de aantallen als in de biomassa. +Brakwatergrondel en dikkopje en in mindere mate brasem zijn de dominante benthivoren zowel in de aantallen als in de biomassa. De gevangen hoeveelheden en de dominantie van brakwatergrondel over dikkopje stijgen beiden in stroomopwaartse richting in de vorige jaren. In `r laatste_jaar` is dikkopje voor de eerste keer dominant in aantallen en biomassa over brakwatergrondel in zoetwater. @@ -566,11 +568,11 @@ Dit moet echter genuanceerd worden. De overgrote meerderheid zijn planktivore juveniele spieringen. In het pelagiaal van de oligohaliene en zoete zeeschelde vinden we dus voornamelijk planktivore individuen. -In de saliniteitsgradiënt zijn haring en sprot de belangrijkste planktivoren, met een zeer opvallende piek in 2022. -Ook in het oligohalien zijn ze talrijk aanwezig. +In de zone met sterke saliniteitsgradiënt zijn haring en sprot de belangrijkste planktivoren, met een zeer opvallende piek in 2022. +Ook in het oligohalien zijn ze nog redelijk talrijk aanwezig. Baars, rivierprik en zeeprik zijn de belangrijkste piscivoren. -In aantallen overheerst baars, met een opvallende piek in Overbeke in 2021. +In aantallen overheerst baars, met een opvallende piek in Overbeke (zoetwater) in 2021. Pieken in de biomassa worden eerder veroorzaakt door occasionele vangsten van prikken, die gemiddeld veel groter zijn. Ook piscivorie in de waterkolom van de Zeeschelde is onderschat doordat de EMSE indeling in dieetgroepen geen rekening houdt met de dieetshift van dominante soorten. Een groot aandeel van 'omnivore' biomassa betreft ook volwassen spieringen en snoekbaars, die zich in de Schelde voornamelijk piscivoor gedragen (eigen observatie). diff --git a/moneos_2024/150_geintegreerd_rapport/LICENSE.md b/moneos_2024/150_geintegreerd_rapport/LICENSE.md index bed44e0..7e5a52a 100644 --- a/moneos_2024/150_geintegreerd_rapport/LICENSE.md +++ b/moneos_2024/150_geintegreerd_rapport/LICENSE.md @@ -1,4 +1,6 @@ -# Creative Commons Attribution 4.0 International +## creative commons + +# Attribution 4.0 International Creative Commons Corporation (“Creative Commons”) is not a law firm and does not provide legal services or legal advice. Distribution of Creative Commons public licenses does not create a lawyer-client or other relationship. Creative Commons makes its licenses and related information available on an “as-is” basis. Creative Commons gives no warranties regarding its licenses, any material licensed under their terms and conditions, or any related information. Creative Commons disclaims all liability for damages resulting from their use to the fullest extent possible. From d7072fda14ed1678dd1e3b7b0466f8344d7fab39 Mon Sep 17 00:00:00 2001 From: VAN DE MEUTTER Date: Tue, 10 Sep 2024 11:51:04 +0200 Subject: [PATCH 055/102] revisedfvdm --- .../060_sedimentkenmerken.Rmd | 76 ++++++++++++------- 1 file changed, 48 insertions(+), 28 deletions(-) diff --git a/moneos_2024/150_geintegreerd_rapport/060_sedimentkenmerken.Rmd b/moneos_2024/150_geintegreerd_rapport/060_sedimentkenmerken.Rmd index 030dca5..5aa0191 100644 --- a/moneos_2024/150_geintegreerd_rapport/060_sedimentkenmerken.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/060_sedimentkenmerken.Rmd @@ -2,6 +2,7 @@ editor_options: markdown: wrap: sentence + chunk_output_type: inline --- ```{r 060-hoofdstuk, include=FALSE} @@ -66,27 +67,27 @@ Fichenummer: S-MD-V004a – Sedimentkenmerken (in functie van benthos) ## Inleiding -Op elke locatie waar monsters voor het macrozoöbenthos worden genomen (zie Hoofdstuk 7), wordt een begeleidend sedimentstaal genomen. +Op elke locatie waar stalen voor het macrozoöbenthos worden genomen (zie Hoofdstuk 7), wordt een begeleidend sedimentstaal genomen. Van deze stalen worden de granulometrische karakteristieken bepaald door laserdiffractie (LDIF) en wordt het gehalte aan organisch materiaal (OM%) bepaald door verassing (LOI). De korrelgrootte en hoeveelheid organisch materiaal geven respectievelijk informatie over de fysische structuur van de bodem en de mogelijke voedselrijkdom in het sediment – rechtstreeks als voedsel of onrechtstreeks als proxy voor potentiële bacteriële activiteit. -Hiermee zijn het interessante factoren voor het verklaren van trends in de bodemdierengemeenschappen en algemeen indicatief voor het functioneren van het bentisch ecosysteem als matrix voor bodemprocessen. -De aangeleverde data omvat de outputvariabelen mediane korrelgrootte (D50), het slibgehalte (percentage van het staalvolume dat een korrelgrootte heeft die kleiner is dan 63µm) en organisch materiaal (percentage na verhitting tot 550°C). +Hiermee zijn het interessante factoren voor het verklaren van trends in de bodemdierengemeenschappen en algemeen indicatief voor het functioneren van het benthisch ecosysteem als matrix voor bodemprocessen. +De aangeleverde data omvatten de outputvariabelen mediane korrelgrootte (D50), het slibgehalte (percentage van het staalvolume dat een korrelgrootte heeft die kleiner is dan 63µm) en organisch materiaal (percentage van het droog staalgewicht, na verhitting tot 550°C). ## Materiaal en methode -De data werden gegenereerd in R (R Core Team, 2019). +De data werden geanalyseerd in R (R Core Team, 2019). Het aantal sedimentstalen per campagne is weergegeven in Tabel \@ref(tab:060-tabel-sediment). -In het veld wordt net naast elk macrozoöbenthosstaal een sedimentstaal verzameld met een inox steekbuis (diameter 2cm) tot op 10 cm diepte. +In het veld wordt net naast elk macrozoöbenthosstaal een sedimentstaal verzameld met een steekbuis (diameter 2cm) tot op 10 cm diepte. De jaarlijkse campagnes vallen steeds in september – oktober. Het organische stofgehalte van het sediment wordt bepaald door een hoeveelheid sediment te drogen (bij 105°C tot constante massa), te wegen en vervolgens gedurende 2 uur te verassen bij 550°C. -Het bekomen verlies aan massa ten gevolge van het verbranden van de organische component, het asvrij drooggewicht, wordt uitgedrukt als percentage van de oorspronkelijke droge massa van het deelmonster. +Het bekomen verlies aan massa ten gevolge van het verbranden van de organische component, het asvrij drooggewicht, wordt uitgedrukt als percentage van de oorspronkelijke droge massa van het deelstaal. In Van Ryckegem et al. (2017) wordt uitvoerig de analyseprocedure en de datacorrectie besproken naar aanleiding van veranderingen in protocol en meettoestellen. De geleverde data is de gecorrigeerde data. In 2015 en 2013 bleken de korrelgrootte analyses voor de intertidale batch Zeeschelde IV en in 2013 voor de subtidale batch Zeeschelde I onbetrouwbaar. Deze data werd niet aangeleverd en is buiten de analyse gelaten. -In Van de Meutter et al. (2022 - in prep.) een uitgebreide kwaliteitscontrole gepresenteerd van de INBO analysemethode voor korrelgrootteverdeling (adhv een Coultern counter). +In Van de Meutter et al. (2022 - in prep. ) een uitgebreide kwaliteitscontrole gepresenteerd van de INBO analysemethode voor korrelgrootteverdeling (adhv een Coultern counter). De herhaalbaarheid van de metingen is hoog (mediaan verschil: ca. -1 tot 4µm; gemiddelde verschil: ca. -5 tot 7µm; standaarddeviatie (SD) \~ 15µm). Afwijkende metingen (\> 2 keer SD) kunnen voorkomen in circa 7% van de stalen. @@ -114,10 +115,13 @@ tabel_x_waarden %>%

-Om de lange termijn trends te onderzoeken bepalen we welke lineaire regressiemodellen een significante trend tonen over de periode 2008-`r recentste_jaar` (p-waarde genomen \< 0.01). +Om de lange termijn trends te onderzoeken bepalen we welke lineaire regressiemodellen een significante trend tonen over de periode 2008-`r recentste_jaar` (p-waarde genomen \< 0.01). De dataset werd genest binnen fysiotoop en waterloop. Slibpercentage is de responsvariabele en jaar de predictorvariabele. -De selectie van de meest significante modellen is weergegeven in Tabel \@ref(tab:060-tabel-modeloutput). De trendanalyses worden verduidelijkt door de data weer te geven met boxplots gegroepeerd in twee tijdsreeksen voor 2015 en 2015 en later. Deze opdeling is gebaseerd op de knikpunt analyse uitgevoerd door Meire et al. (2021). Deze auteurs vonden in 2014 een trendbreuk in de SPM concentraties in het opwaartse turbiditeitsmaximum (van Temse tot Dendermonde). +De selectie van de meest significante modellen is weergegeven in Tabel \@ref(tab:060-tabel-modeloutput). +De trendanalyses worden verduidelijkt door de data weer te geven met boxplots gegroepeerd in twee tijdsreeksen vóór 2015 en vanaf 2015. +Deze opdeling is gebaseerd op de knikpunt analyse uitgevoerd door Meire et al. (2021). +Deze auteurs vonden in 2014 een trendbreuk in de SPM concentraties in het opwaartse turbiditeitsmaximum (van Temse tot Dendermonde). ```{r 060-tabel-modeloutput} @@ -148,11 +152,13 @@ tabel_x_waarden %>% ## Resultaten In deze eerstelijnsrapportage wordt de nadruk gelegd op de resultaten van de outputvariabele slibgehalte voor de periode 2008-`r recentste_jaar`. -In slibrijke bodems (\> 25% slib) vertonen de drie beschouwde variabelen in de dataset (mediane korrelgrootte, slibgehalte en organisch mateiraal) een sterk onderling verband. +In slibrijke bodems (\> 25% slib) vertonen de drie beschouwde variabelen in de dataset (mediane korrelgrootte, slibgehalte en organisch materiaal) een sterk onderling verband. Daarom beperken we de eerstelijnsbespreking tot het slibgehalte van de sedimenten. De andere metingen werden gevalideerd. -Doorheen het estuarium is er een grotere spreiding op de metingen van het subtidale tegenover het intertidale gebied (Figuur \@ref(fig:060-figuur-slib-Zeeschelde-boxplotfysiotopen)). In het intertidaal is er een consistent patroon van slibrijke (fijnere) bodems in het hoog slik fysiotoop naar minder slibrijke (grovere) sedimenten lager. Dit patroon zet zich globaal door in het subtidaal. +Doorheen het estuarium is er een grotere spreiding op de metingen van het subtidale tegenover het intertidale gebied (Figuur \@ref(fig:060-figuur-slib-Zeeschelde-boxplotfysiotopen)). +In het intertidaal is er een consistent patroon van slibrijke (fijnere) bodems in het hoog slik fysiotoop naar minder slibrijke (grovere) sedimenten lager. +Dit patroon zet zich globaal door in het subtidaal. ```{r 060-figuur-slib-Zeeschelde-boxplotfysiotopen, fig.cap=slib_Zeeschelde_boxplotfysiotopen, out.width="80%"} @@ -166,21 +172,32 @@ knitr::include_graphics(paste0(pad_figuren, "060_figuur_slib_Zeeschelde_boxplotf
- - +We stellen een aantal duidelijke veranderingen in sedimentsamenstelling vast in de Zeeschelde inclusief de zijrivieren. Het slibpercentage langsheen de Beneden-Nete neemt significant toe (Tabel \@ref(tab:060-tabel-modeloutput)). Deze trend kan mogelijk gelinkt worden aan de sterk verhoogde sedimentimport uit de Kleine Nete waar het rivierbed zandiger werd en er dus slibrijk materiaal uitspoelde naar afwaarts (Meire et al., 2021). De veranderingen in de Kleine Nete zijn mogelijk veroorzaakt door de activiteit van de Chinese wolhandkrab (Schoelynck et al., 2020). Hoewel niet alle modellen sterk significant zijn, is deze tendens tot verhoogde intertidale 'verslibbing' ook zichtbaar langs de andere zijrivieren (Zenne, Rupel, Dijle) en langs de Zeeschelde (Figuur \@ref(fig:060-figuur-slib-zijrivieren-intertidaalboxplotperiodes) en (Figuur \@ref(fig:060-figuur-slib-Zeeschelde-intertidaalboxplotperiodes)). Er zijn andere factoren (naast Chinese wolhandkrab, die een stabiele trend toont in de monitoringperiode 2012-2017 - Van Ryckegem et al., 2018) die elk een ander gewicht kunnen hebben langsheen de estuariene gradiënt (zie Meire et al., 2021). Het aantal jaren met data in Nete, Zenne en Dijle is wel beperkt. -In de periode 2015 en later zijn er enkel gegevens in 2015, 2016, 2017 en 2020. Hierdoor kunnen we voor de zijrivieren geen uitspraak kunnen doen over de recente trends. - -Hoewel de significante trends zich tonen als toenemende slibpercentages in de intertidale zones van de Beneden-Zeeschelde (waar de variatie in korrelgrootte ook kleiner is dan subtidaal, zie boven) is het opvallend dat er zich een significante habitatwijziging voordoet (significant hoger slibpercentage en ook kleinere mediane korrelgrootte) van de diepe onderwaterbodems van de Beneden-Zeeschelde - Zeeschelde IV (Figuur \@ref(fig:060-figuur-slib-Zeeschelde-subtidaalboxplotperiodes). - -De regressie analyse en databeschrijving wijst op geleidelijke habitatveranderingen die gaande zijn onder invloed van de verhoogde SPM gehaltes. Dit verhoogd slibgehalte wordt afgezet op de intertidale habitats én de onderwaterbodem. Er zijn duidelijke aanwijzingen dat dit gerelateerd is aan de toegenomen baggeractiviteit. Dit in combinatie met veranderingen in de debieten en het veranderde systeemvolume zorgt voor een toename van het opwaarts transport in droogteperiodes. Deze sedimentpaketten worden bij hoge (winter) debieten opnieuw afwaarts getransporteerd (Meire et al., 2021). In Zeeschelde I is er een tendens tot het zandiger worden van het matig diep (maar niet significant in datareeks). - -In de gekozen ruimtelijke afbakening (KRW-zones) van deze verkennende analyse komen geen significante veranderingen in aan het licht in Zeeschelde III. Deze zone is sedimentologisch/morfologisch heterogeen, mogelijk loont het om ruimtelijk homogenere eenheden af te bakenen voor analyses (bv. stroomopwaarts en stroomafwaarts Rupel). Een diepgaandere analyse van de data is nodig om correlaties te zoeken met mogelijk verklarende factoren. De verandering in het slibgehalte (of de mediane korrelgrootte) is (vaak) subtiel in de absolute cijfers. Er zijn geen aanwijzingen dat het gehalte in organisch materiaal wijzigde (analyse niet getoond). Bijkomend onderzoek is nodig om de effecten op de bentische gemeenschap te duiden. +In de periode 2015 en later zijn er enkel gegevens in 2015, 2016, 2017 en 2020. +Hierdoor kunnen we voor de zijrivieren geen uitspraak doen over de recente trends. + +De hydrodynamica van de Zeeschelde zal de verhoogde slibfractie (als SPM) in de waterkolom in principe preferentieel sorteren en sedimenteren naar (de hogere delen van) het intertidaal. +De significante toename van het slibpercentages in de intertidale zones van de Beneden-Zeeschelde liggen daarmee in de lijn der verwachtingen, maar het is het opvallend dat er zich ook een grote en significante habitatwijziging voordoet (significant hoger slibpercentage en ook kleinere mediane korrelgrootte) van de diepe onderwaterbodems van de Beneden-Zeeschelde - Zeeschelde IV (Figuur \@ref(fig:060-figuur-slib-Zeeschelde-subtidaalboxplotperiodes). + + +De regressie analyse en databeschrijving wijst op geleidelijke habitatveranderingen die gaande zijn, waarschijnlijk onder invloed van de verhoogde SPM gehaltes. +Dit verhoogd slibgehalte wordt afgezet op de intertidale habitats én de onderwaterbodem. +Er zijn duidelijke aanwijzingen dat dit gerelateerd is aan de toegenomen baggeractiviteit. +Dit in combinatie met veranderingen in de debieten en het veranderde systeemvolume zorgt voor een toename van het opwaarts transport in droogteperiodes. +Deze sedimentpaketten worden bij hoge (winter) debieten opnieuw afwaarts getransporteerd (Meire et al., 2021). +In Zeeschelde I is er een tendens tot het zandiger worden van het matig diep (maar niet significant in datareeks). + +In de gekozen ruimtelijke afbakening (KRW-zones) van deze verkennende analyse komen geen significante veranderingen aan het licht in Zeeschelde III. Deze zone is sedimentologisch/morfologisch heterogeen, mogelijk loont het om ruimtelijk homogenere eenheden af te bakenen voor analyses (bv. stroomopwaarts en stroomafwaarts Rupel). +Een diepgaandere analyse van de data is nodig om correlaties te zoeken met mogelijk verklarende factoren. +De verandering in het slibgehalte (of de mediane korrelgrootte) is (vaak) subtiel in de absolute cijfers. +Er zijn geen aanwijzingen dat het gehalte in organisch materiaal wijzigde (analyse niet getoond). +Bijkomend onderzoek is nodig om de effecten op de benthische gemeenschap te duiden. ```{r 060-figuur-slib-Zeeschelde-intertidaalboxplotperiodes, fig.cap=slib_Zeeschelde_intertidaal, out.width="80%"} @@ -224,9 +241,11 @@ knitr::include_graphics(paste0(pad_figuren, "060_figuur_slib_zijrivieren_subtida ## Algemene conclusie -In de Zeeschelde en zijrivieren worden de intertidale habitats (vaak significant) slibrijker. Dit verandert (geleidelijk) de leefgebieden van het macrozoöbenthos. Bijkomend onderzoek is nodig om de mogelijke effecten op de benthische gemeenschap te duiden. -In de diepere geul is de variatie groot en vaak zonder duidelijk patroon. Des te opvallend is dan ook de significante trend uit de random staalname dat de diepe geul van de Beneden-Zeeschelde slibrijker wordt. - +In de Zeeschelde en zijrivieren worden de intertidale habitats (vaak significant) slibrijker. +Dit verandert de leefgebieden van het macrozoöbenthos. +Bijkomend onderzoek is nodig om de mogelijke effecten op de benthische gemeenschap te duiden. +In de diepere geul is de variatie groot en vaak zonder duidelijk patroon. +Des te opvallender is dan ook de significante trend uit de random staalname dat de diepe geul van de Beneden-Zeeschelde slibrijker wordt. ## Referenties @@ -258,9 +277,10 @@ MONEOS – Geïntegreerd datarapport INBO: Toestand Zeeschelde 2016: monitorings Rapporten van het Instituut voor Natuur- en Bosonderzoek 2017 (37). Instituut voor Natuur- en Bosonderzoek, Brussel. -Van Ryckegem G., Van Braeckel A., Elsen R., Speybroeck J., Vandevoorde B., Mertens W., Breine J., Spanoghe G., -Bezdenjesnji O., Buerms D., De Beukelaer J., De Regge N., Hessel K., Lefranc C., Soors J., Terrie T., Van Lierop F. & Van den -Bergh E. (2018). MONEOS – Geïntegreerd datarapport INBO: Toestand Zeeschelde 2017: monitoringsoverzicht en 1ste -lijnsrapportage Geomorfologie, diversiteit Habitats en diversiteit Soorten. Rapporten van het Instituut voor Natuur- en -Bosonderzoek 2018 (74). Instituut voor Natuur- en Bosonderzoek, Brussel. +Van Ryckegem G., Van Braeckel A., Elsen R., Speybroeck J., Vandevoorde B., Mertens W., Breine J., Spanoghe G., Bezdenjesnji O., Buerms D., De Beukelaer J., De Regge N., Hessel K., Lefranc C., Soors J., Terrie T., Van Lierop F. +& Van den Bergh E. +(2018). +MONEOS – Geïntegreerd datarapport INBO: Toestand Zeeschelde 2017: monitoringsoverzicht en 1ste lijnsrapportage Geomorfologie, diversiteit Habitats en diversiteit Soorten. +Rapporten van het Instituut voor Natuur- en Bosonderzoek 2018 (74). +Instituut voor Natuur- en Bosonderzoek, Brussel. DOI: doi.org/10.21436/inbor.15000892 From 789ee37b89d072c27a3c0403bd0b03f84f453fe9 Mon Sep 17 00:00:00 2001 From: VAN DE MEUTTER Date: Tue, 10 Sep 2024 15:34:14 +0200 Subject: [PATCH 056/102] revised --- .../100_watervogels.Rmd | 52 ++++++++++--------- 1 file changed, 27 insertions(+), 25 deletions(-) diff --git a/moneos_2024/150_geintegreerd_rapport/100_watervogels.Rmd b/moneos_2024/150_geintegreerd_rapport/100_watervogels.Rmd index b6cca39..f71458c 100644 --- a/moneos_2024/150_geintegreerd_rapport/100_watervogels.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/100_watervogels.Rmd @@ -5,6 +5,7 @@ output: editor_options: markdown: wrap: sentence + chunk_output_type: inline --- ```{r 100-hoofdstuk, include=FALSE} @@ -71,7 +72,7 @@ Fichenummer: FICHE S-DS-V-007a -- Maandelijkse vogeltellingen\ Fichenummer: FICHE S-DS-V-007b -- Vogeltellingen zijrivieren\ Fichenummer: FICHE S-DS-V-007c -- Vogeltellingen sigmagebieden (estuarien) -**Gunther Van Ryckegem**, Jan Soors, Nico Deregge +**Gunther Van Ryckegem**, Jan Soors, Nico De Regge ## Inleiding @@ -93,7 +94,7 @@ De tweede bevat eveneens informatievelden Sigmagebiedstype en niveau3. - KRW_zone: naam van het KRW waterlichaam - rivier: het naamveld van de rivier (Zeeschelde, Durme, Rupel, Zenne, Dijle) - telseizoen: een vogeltelseizoen loopt van juli jaar x tot en met juni jaar x+1. -- nednaam: nederlandse naam van de vogelsoort +- nednaam: Nederlandse naam van de vogelsoort - aantal: de aantallen omvatten de som van de getelde vogels per soort, per maand, per rivier en deelzone niveau 1,2,3. - niveau's: indeling volgens Figuur 1.1. - maand: de maand van de telling @@ -150,8 +151,7 @@ Eén teltraject in de Durme (Durmemonding tot Mirabrug) werd niet geteld in 2007 *Estuariene natuurontwikkelingsgebieden* De geselecteerde natuurontwikkelingsgebieden (GGG's en ontpolderingen) zijn weergegeven in Tabel\@ref(tab:100-tabel-estuarienesigmagebieden). -Het betreft alle recent ingerichte sigmagebieden opgenomen in het Meest Wenselijke Alternatief. -Zie hoofdstuk 2. +Het betreft alle recent ingerichte sigmagebieden opgenomen in het Meest Wenselijke Alternatief (Zie hoofdstuk 2). De overige gebieden worden in de mate van het mogelijke meegeteld met de boottellingen. Sinds oktober 2022 werd Hedwige-Prosperpolder ontpolderd. Deze gegevens zijn momenteel nog niet in de databank opgenomen. @@ -161,6 +161,7 @@ Terwijl er lage aantallen geteld werden tijdens de MIDMA tellingen in het gebied Dit heeft te maken met het getij-afhankelijke foerageren. De vogels zitten vooral in de ontpoldering bij opkomend getij. Om het effect van de estuariene Sigmagebieden te tonen werd hiervoor gecorrigeerd in de data door de surplus aan vogels in het teltraject sinds 2021 te beschouwen als vogels afhankelijk van het Groot Schoor Hamme (en dus niet mee te tellen in de Zeeschelde aantallen). + *Ontbrekende data*: @@ -302,7 +303,7 @@ De Shannon-index toont de algemene patronen in de diversiteit. Het globaal patroon in de maandelijkse wintervogelaantallen langsheen de Zeeschelde op de slikken (zonder Sigma natuurontwikkelingsgebieden) toont een sterke afname in vogelaantallen tussen 2002 en 2008, in 2010 en 2011 waren de vogelaantallen iets hoger. In het winterjaar 2020 (okt '20 - mrt '21) was er een winterinflux door koude temperaturen. De tellingen tonen een iets hoger wintermaximum[^100_watervogels-2] door de korte koudepiek in januari maar het wintergemiddelde was het laagste sinds het begin van de meting (Figuur \@ref(fig:100-figuur-maandelijkse-totalen-winter-Zeeschelde), Figuur \@ref(fig:100-figuur-index-niveau2), Figuur \@ref(fig:100-figuur-aantallen-niveau2)). -De proportionele verdeling van de watervogels in de verschillende zones van de Zeeschelde (zie in Figuur 1.1) toont na de sterke afname van de watervogels in winter 2006/07, vooral in de oligohaliene zone, een geleidelijke toename van het aandeel vogels dat verblijft in de sterke saliniteitsgradiënt (Beneden-Zeeschelde) en Zeeschelde I (zoet kort verblijf). +De proportionele verdeling van de watervogels over de verschillende zones van de Zeeschelde (zie in Figuur 1.1) toont na de sterke afname van de watervogels in winter 2006/07, vooral in de oligohaliene zone, een geleidelijke toename van het aandeel vogels dat verblijft in de sterke saliniteitsgradiënt (Beneden-Zeeschelde) en Zeeschelde I (zoet kort verblijf). De vogelaantallen namen verhoudingsgewijs in 2022 sterk toe in de sterke saliniteitsgradiënt (Beneden-Zeeschelde) (Figuur \@ref(fig:100-figuur-verhouding-aantallen)). [^100_watervogels-2]: Maximum van de som van alle vogels per wintermaand (oktober tot en met maart). @@ -326,11 +327,11 @@ Wanneer we de winterinflux van 2020 negeren is er een sterke afname van de index In **Zoet lang verblijf** (Dendermonde -- Durmemonding) zijn de vogelaantallen sterk afgenomen in `r laatste_telseizoen`. Het aantal watervogels was historisch laag in winter 2022. -Door de influx van vogels uit de vallei was er in 2020 nog een winterpiek. +Door de winterprik en influx van vogels uit de vallei was er in 2020 nog een winterpiek. In **Zoet kort verblijf** (Gentbrugge -- Dendermonde) is er een duidelijke terugval in het overwinterend aantal watervogels. De overwinterende watervogelaantallen op de Zeeschelde blijven bij de laagste geteld sinds begin jaren '90. -Door de aanhoudende koude zochten in de winter van 2020 vogels uit de vallei een toevlucht op de slikken van de Zeeschelde. +Door de aanhoudende koude, zochten in de winter van 2020 vogels uit de vallei een toevlucht op de slikken van de Zeeschelde. De watervogels op de **Rupel** volgen sinds 2009 een dalende trend met een absoluut dieptepunt in het winterseizoen 2019. @@ -341,7 +342,7 @@ Bovendien is er een datahiaat in de winter van 2007-2008 (niet zichtbaar in figu Dit verklaart de lage aantallen in deze periode. Uit de tellingen kan wel afgeleid worden dat er na een periode met hogere aantallen (2013-2017) de aantallen verder afnemen op de Durme. De laatste winters (2021-2022) werden hoge wintermaxima geteld in het Klein Broek en Meulendijkbroek langsheen de Durme (tussentijds beheer) rond de 800- 1000 ex. -Vermoedelijk verplaasten een deel van de watervogels zich naar deze gebieden. +Vermoedelijk verplaatsten een deel van de watervogels zich naar deze gebieden. **Zoet zijrivier** omvat voor de watervogelevaluatie de **Zenne** en **Dijle**. Deze waren tot 2007 nagenoeg 'vogeldood'. @@ -420,13 +421,13 @@ Het gemiddeld aantal omnivore soorten (vooral eenden en meeuwen) is afnemend in Er is een sterke daling van omnivoren in zone Zoet lang. Dit is vooral te wijten aan een sterke afname van de wilde eend (Figuur \@ref(fig:100-figuur-aantallen-abundante-soorten)). Het gemiddeld aantal visetende vogels in Zeeschelde II (vooral aalscholver) varieert met de jaren, vermoedelijk in respons op de beschikbare visbiomassa. -Ook in de zone met sterke salniteitsgradiënt nemen de herbivoren toe, dit is vooral te wijten aan de hogere aantallen krakeend (Figuur \@ref(fig:100-figuur-aantallen-abundante-soorten)). +Ook in de zone met sterke saliniteitsgradiënt nemen de herbivoren toe, dit is vooral te wijten aan de hogere aantallen krakeend (Figuur \@ref(fig:100-figuur-aantallen-abundante-soorten)). De verhouding van de soorten die meer dan 5% van de totale soortenaantallen per zone omvatten in de winterperiode sinds 2009 wordt weergegeven in Figuur \@ref(fig:100-figuur-abundante-soortenna2009). De kokmeeuw is de meest voorkomende wintersoort in de zone met sterke saliniteitsgradiënt en langs de zijrivieren. De wilde eend is de meest algemene soort langsheen de Zeeschelde. Proportioneel komt de wintertaling het meest voor langsheen de Rupel en de Durme. -De zone met sterke saliniteitsgradiënt en de Rupel hebben het meest aantal soorten die meer dan 5% van het totaal omvatten. +De zone met sterke saliniteitsgradiënt en de Rupel hebben het hoogst aantal soorten die meer dan 5% van het totaal omvatten. Dit vertaalt zich ook in een hogere Shannon diversiteit van deze zones (Figuur \@ref(fig:100-figuur-ShannonDiversity-metmeeuwen)). De diversiteit is het hoogst en stabiel in de zone met sterke saliniteitsgradiënt en de Rupel. De Durme heeft een lage diversiteit aan overwinterende watervogels. @@ -441,12 +442,12 @@ Na een opvallende dip van de krakeend in 2019/20 neemt de krakeend toe in de ste De aalscholveraantallen in de winterperiode namen toe na 2014 en volgen de toename van vis vooral in de Boven-Zeeschelde Figuur \@ref(fig:100-figuur-aantallen-viseters). De laatste jaren nemen de aalscholveraantallen opnieuw af. Ook de visbiomassa neemt af (zie hoofdstuk vissen). -De fuut, ook een viseter is quasi volledig verdwenen langs alle teltrajecten. -Met een wintergemiddelde van een 100 tot 150 exemplaren is de tureluur veel talrijker aanwezig sinds 2015. +De fuut, ook een viseter, is quasi volledig verdwenen langs alle teltrajecten. +Met een wintergemiddelde van 100 tot 150 exemplaren is de tureluur veel talrijker aanwezig sinds 2015. De gemiddelde wulpaantallen zijn variabel. -De ontpoldering van Hedwige-prosper (data nog niet in databank) trok veel bergeenden en foeragerende wulpen aan. +De ontpoldering van Hedwige-Prosper (data nog niet in databank) trok veel bergeenden en foeragerende wulpen aan. Dit zal de aantallen beïnvloedt hebben op de slikken nabij Paardenschor. -In de zone met sterke saliniteitsgradiënt is er een toename in bodemdierbiomassa vastgesteld (Figuur \@ref(fig:070-figuur13)). +In de zone met sterke saliniteitsgradiënt is er een toename in bodemdierbiomassa vastgesteld, voornamelijk door een toename van bivalven (Figuur \@ref(fig:070-figuur13)). Er zijn 11 exoten of verwilderde soorten die meer dan 30 keer werden waargenomen sinds de start van de tellingen langsheen de Zeeschelde en zijrivieren. De totale aantallen zijn licht stijgend. @@ -455,15 +456,16 @@ De trends van de meest talrijke exotische overwinterende vogelsoorten is weergeg De hoogste aantallen worden geteld in de oligohaliene zone. De boerengans en soepeend komen in relatief kleine aantallen voor en zijn stabiel tot afnemend. -De dichtheden van de overwinterende watervogels per zone op het oppervlakte zacht substraat slik in de Zeeschelde is weergegeven in Figuur \@ref(fig:100-figuur-dichtheden-watervogels-per-zone). -Voor de figuur werd een selectie gemaakt van alle omnivore en benthivore soorten en werden kuifeend en tafeleend uitgesloten omdat beide soorten vooral afhankelijk zijn van het voedselaanbod in de ondiepe waterzones. +De dichtheden van de overwinterende watervogels per oppervlakte zacht substraat slik in de Zeeschelde is per deelzone weergegeven in Figuur \@ref(fig:100-figuur-dichtheden-watervogels-per-zone). +Voor de figuur werd een selectie gemaakt van alle omnivore en benthivore soorten en werden kuifeend en tafeleend uitgesloten omdat beide soorten vooral afhankelijk zijn van het voedselaanbod in de ondiepe waterzones . De grafiek houdt geen rekening met Sigma natuurontwikkelingsgebieden. -In 2001 waren er hoge vogeldichtheden in de oligohaliene zone, zoet lang en Rupel rond de 120-160 vogels per ha . +In 2001 waren er hoge vogeldichtheden in de oligohaliene zone, zoet lang en Rupel, met rond de 120-160 vogels per ha . Deze dichtheden namen sterk af. -De dichtheden in 2023 zijn berekend op basis van de ecotopenkaart 2019 (en dus benaderd). +De dichtheden in 2023 zijn berekend op basis van de ecotopenkaart 2019 (en dus benaderend). +In alle zones met uitzondering van saliniteitsgradiënt zijn of benaderen de dichtheden de laagste waardes sinds 2001. In de Boven-Zeeschelde zijn de dichtheden de laagste sinds 2001. -In de zone met sterke saliniteitsgradiënt is er een kleine toename in vogeldichtheid. -De dichtheid blijft hier wel laag aangezien ook het voedselaanbod uitgedrukt als biomassa bodemdieren per oppervlakte eenheid niet lager is dan in andere zones. +In de zone met sterke saliniteitsgradiënt is er een kleine toename in de vogeldichtheid. +De dichtheid blijft hier wel laag, aangezien het voedselaanbod (uitgedrukt als biomassa bodemdieren per oppervlakte eenheid) niet lager is dan in andere zones. Een opvallend lage vogeldichtheid is er ook in de Durme waar het voedselaanbod relatief hoger is. De oppervlakte zacht substraat in de verschillende zones is in beperkte mate veranderd (Hoofdstuk \@ref(030_ecotopen)) en heeft een beperkte invloed op de berekende dichtheden. @@ -559,7 +561,7 @@ De nieuwe gebieden slagen er niet in om het glijdend gemiddelde (periode 5 jaar) Binnen het estuarium compenseren de nieuwe gebieden de dalende trends langsheen de Zeeschelde. Nemen we ook de wetland Sigmagebieden mee in beschouwing dan is de trend eerder positief (). -
+
```{r 100-figuur-wintermaxima-sigma-estuarien, fig.cap=cap_wintermaxima_sigma,out.width="80%"} @@ -569,7 +571,7 @@ knitr::include_graphics(paste0(pad_figuren, "100_figuur_wintermaxima_sigma_estua ``` -
+
```{r 100-figuur-wintermaxima-sigmagebieden-estuarien, fig.cap=cap_wintermaxima_sigmagebieden,out.width="100%"} @@ -595,14 +597,14 @@ knitr::include_graphics(paste0(pad_figuren, "100_figuur_Natuurindicator_glijdend Zie rapportage vorig jaar. -
**Algemene conclusie** +
**Algemene conclusie** Over de periode 2009-2023 bekeken is er op het niveau van de Zeeschelde een dalende trend te zien in het aantal overwinterende watervogels. -De trendindex toont een toename in de sterke saliniteitsgradiënt. +De trendindex toont wel een toename in de sterke saliniteitsgradiënt. Dit is vooral te wijten aan de toename van scholeksters, tureluurs en bergeenden. De toename van de scholekster is vermoedelijk het gevolg van de toename aan schelpdieren (zie hoofdstuk Macrozoöbenthos). De ontpoldering van Hedwige-Prosper trok heel wat bergeenden aan die ook gebruik maakten van de slikken van de Zeeschelde. -Opvallend is de negatieve trend van de zone zoet lang, vooral veroorzaakt door een sterke afname van de wilde eend. +Opvallend is de negatieve trend in de zone zoet lang, vooral veroorzaakt door een sterke afname van de wilde eend. Niettegenstaande deze trend blijft de dichtheid aan overwinterende watervogels nog steeds het hoogst in de zone zoet lang en het laagst in de zone met sterke saliniteitsgradiënt. Opvallend is een lage dichtheid aan vogels op de Durme gedurende het winterseizoen. De diversiteit is het grootst in de zone met een sterke saliniteitsgradiënt en laag in de Durme en de zone zoet lang. From 5b538ed339cda498ad83da839eb5f66551a72e6f Mon Sep 17 00:00:00 2001 From: VANOVERBEKE Date: Wed, 11 Sep 2024 15:38:14 +0200 Subject: [PATCH 057/102] nalezen fuiken en conclusies --- .../40_moneos_analyse_fuiken_EMSE.Rmd | 151 ++++++++++++++++++ .../092_vissen_fuiken.Rmd | 109 +++++++------ .../093_vissen_conclusies.Rmd | 10 +- 3 files changed, 210 insertions(+), 60 deletions(-) diff --git a/moneos_2024/090_vissen/40_moneos_analyse_fuiken_EMSE.Rmd b/moneos_2024/090_vissen/40_moneos_analyse_fuiken_EMSE.Rmd index 1654fff..2017d2e 100644 --- a/moneos_2024/090_vissen/40_moneos_analyse_fuiken_EMSE.Rmd +++ b/moneos_2024/090_vissen/40_moneos_analyse_fuiken_EMSE.Rmd @@ -1181,6 +1181,157 @@ ggsave(paste0(pad_figuren, "relatieve_aantallen_tot_aantal_EMSE_zoet.jpg"), widt ``` +```{r alternatief 2} + +prop_lim_alt <- 0.2 + +relatieve_aantallen_EMSE_alt <- + data_fuiken %>% + left_join(locatie_scheldezone) %>% + filter(in_indeling) %>% + filter(aantal > 0) %>% + group_by(jaar, scheldezone, soort, salgroep, dieet, indeling) %>% + summarise(aantal_per_fuikdag = mean(aantal_per_fuikdag), + gewicht_per_fuikdag = mean(gewicht_per_fuikdag)) %>% + ungroup() %>% + group_by(jaar, scheldezone, salgroep, dieet, indeling) %>% + mutate(aantal_per_fuikdag_tot = sum(aantal_per_fuikdag), + gewicht_per_fuikdag_tot = sum(gewicht_per_fuikdag)) %>% + ungroup() %>% + mutate(relatief_aantal = aantal_per_fuikdag/aantal_per_fuikdag_tot, + relatief_gewicht = gewicht_per_fuikdag/gewicht_per_fuikdag_tot) %>% + mutate(max_aantal = relatief_aantal >= prop_lim_alt, + max_gewicht = relatief_gewicht >= prop_lim_alt) %>% + group_by(soort) %>% + mutate(soort = ifelse(any(max_aantal) | any(max_gewicht), soort, "rest")) %>% + ungroup() %>% + group_by(jaar, scheldezone, soort, salgroep, dieet, indeling) %>% + summarise(aantal_per_fuikdag_tot = mean(aantal_per_fuikdag_tot), + gewicht_per_fuikdag_tot = mean(gewicht_per_fuikdag_tot), + aantal_per_fuikdag = sum(aantal_per_fuikdag), + gewicht_per_fuikdag = sum(gewicht_per_fuikdag), + relatief_aantal = aantal_per_fuikdag/aantal_per_fuikdag_tot, + relatief_gewicht = gewicht_per_fuikdag/gewicht_per_fuikdag_tot) %>% + ungroup() %>% + add_row(indeling_EMSE_missing %>% + expand_grid(jaar = vroegste_jaar:laatste_jaar, + scheldezone = unique(locatie_scheldezone$scheldezone))) %>% + mutate(indeling = factor(indeling, levels = levels_indeling), + scheldezone = factor(scheldezone, levels = levels_scheldezone), + scheldezone = recode_factor(scheldezone, !!!levels_scheldezone_full), + soort = factor(soort, + levels = unique(soort) %>% + sort() %>% + setdiff("rest") %>% + c(., "rest"))) + +# relatieve_aantallen_EMSE %>% +# filter(scheldezone == "saliniteitsgradient") %>% +# ggplot(aes(jaar, aantal_per_fuikdag*mult_fuik, fill = soort, color = soort)) + +# geom_col(width = 0.7, +# alpha = 0.9, +# size = 0.1) + +# scale_x_continuous(breaks = seq(ifelse(vroegste_jaar %% 2 == 0, vroegste_jaar, vroegste_jaar + 1), laatste_jaar, 2)) + +# scale_fill_manual(values = my_pal_wes, na.translate = F) + +# scale_color_manual(values = my_pal_wes, na.translate = F) + +# labs(title = "saliniteitsgradient", +# y = get_lab_aantal()) + +# guides(color = guide_legend(ncol=2), +# fill = guide_legend(ncol=2)) + +# facet_grid(dieet ~ salgroep, scales = "free_y") + +# theme(#legend.position = "none", +# axis.text = element_text(size = 8)) + + +data_split <- + relatieve_aantallen_EMSE_alt %>% + mutate(soort = str_replace(soort, "grondel", "gr.")) %>% + mutate(soort = str_replace(soort, "kleine", "kl.")) %>% + mutate(soort = str_replace(soort, "grote", "gr.")) %>% + mutate(soort = str_replace(soort, "driedoornige", "dried.")) %>% + mutate(soort = str_replace(soort, "tiendoornige", "tiend.")) %>% + mutate(soort = str_replace(soort, "steur", "st.")) %>% + mutate(soort = str_replace(soort, "europese meerval", "meerval")) %>% + group_by(indeling) %>% + nest() + + + +my_pal_wes_kort <- my_pal_wes +names(my_pal_wes_kort) <- str_replace(names(my_pal_wes_kort), "grondel", "gr.") +names(my_pal_wes_kort) <- str_replace(names(my_pal_wes_kort), "kleine", "kl.") +names(my_pal_wes_kort) <- str_replace(names(my_pal_wes_kort), "grote", "gr.") +names(my_pal_wes_kort) <- str_replace(names(my_pal_wes_kort), "driedoornige", "dried.") +names(my_pal_wes_kort) <- str_replace(names(my_pal_wes_kort), "tiendoornige", "tiend.") +names(my_pal_wes_kort) <- str_replace(names(my_pal_wes_kort), "steur", "st.") +names(my_pal_wes_kort) <- str_replace(names(my_pal_wes_kort), "europese meerval", "meerval") + +data_split <- + data_split %>% + mutate(legend = + map2(indeling, data, + function(ind, dat) { + pal_split <- + my_pal_wes_kort[names(my_pal_wes_kort) %in% unique(dat$soort)] + plt <- + dat %>% + ggplot(aes(jaar, aantal_per_fuikdag*mult_fuik, fill = soort)) + + geom_col(position = position_stack(), + width = 0.7, + alpha = 0.9) + + scale_x_continuous(breaks = + seq(ifelse(vroegste_jaar %% 2 == 0, vroegste_jaar, vroegste_jaar + 1), laatste_jaar, 2)) + + scale_fill_manual(breaks = names(pal_split), values = pal_split, na.translate = F) + + labs(y = get_lab_aantal(), + fill = ind) + + guides(fill=guide_legend(nrow=6)) + + theme(legend.justification = c(0,1), + legend.box.background = element_rect(fill = 'transparent', colour = NA_character_), + legend.text = element_text(size = 8), + legend.title = element_text(size = 9), + legend.key.size = unit(0.8, "lines")) + plt %>% + get_legend() + })) + +ggp_all <- + relatieve_aantallen_EMSE_alt %>% + filter(scheldezone == "saliniteitsgradient") %>% + mutate(salgroep = factor(salgroep, levels = c("mariene en estuariene soorten", "diadrome soorten", "zoetwatersoorten"))) %>% + ggplot(aes(jaar, aantal_per_fuikdag*mult_fuik, fill = soort, color = soort)) + + geom_col(width = 0.7, + alpha = 0.9, + size = 0.1) + + scale_x_continuous(breaks = seq(ifelse(vroegste_jaar %% 2 == 0, vroegste_jaar, vroegste_jaar + 1), laatste_jaar, 2)) + + scale_fill_manual(values = my_pal_wes, na.translate = F) + + scale_color_manual(values = my_pal_wes, na.translate = F) + + labs(title = "saliniteitsgradient", + y = get_lab_aantal()) + + # guides(color = guide_legend(ncol=2), + # fill = guide_legend(ncol=2)) + + facet_grid(dieet ~ salgroep, scales = "free_y") + + theme(legend.position = "none", + axis.text = element_text(size = 8)) + + +plot_grid(ggp_all, + NULL, + plot_grid(NULL, + plot_grid(plotlist = data_split$legend[sort.list(data_split$indeling)], + byrow = FALSE + # , + # align = "v" + , nrow = 4 + ), + NULL, + ncol = 1, rel_heights = c(0.11,1,0.07)), + ncol = 3, rel_widths = c(1.2,0.02,0.9)) + +ggsave(paste0(pad_figuren, "relatieve_aantallen_tot_aantal_EMSE_saliniteitsgradient.jpg"), width = 14, height = 7, bg = "white") + +``` + + ```{r relatie soortbiomassa vs totale biomassa} data_split <- diff --git a/moneos_2024/150_geintegreerd_rapport/092_vissen_fuiken.Rmd b/moneos_2024/150_geintegreerd_rapport/092_vissen_fuiken.Rmd index 7f727a7..a9f059b 100644 --- a/moneos_2024/150_geintegreerd_rapport/092_vissen_fuiken.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/092_vissen_fuiken.Rmd @@ -70,13 +70,12 @@ for(i in 1:nrow(meta_data)){ In `r laatste_jaar` werden `r aantal_soorten_laatste_jaar` vissoorten gevangen in de fuiken. Een overzicht van de soorten gevangen in `r laatste_jaar` is weergegeven in Tabel \@ref(tab:092-tabel-overzicht-soorten). -De relatieve soortenrijkdom vertoont een dalende trend over de saliniteitszone met het hoogste aantal soorten in de zone met sterke saliniteitsgradiënt (Paardenschor) en de oligohaliene zone (Steendorp), en het laagst aantal soorten in de zoetwaterzone met lange (Kastel) en korte (Appels, Overbeke) verblijftijd (Tabel \@ref(tab:092-tabel-aantal-soorten)). -Opmerkelijk weinign soorten zijn gevangen in Antwerpen in `r laatste_jaar`. +Opmerkelijk weinig soorten zijn gevangen in Antwerpen in `r laatste_jaar` (Tabel \@ref(tab:092-tabel-aantal-soorten); Figuur \@ref(fig:092-figuur-aantal-soorten-locatie-historisch)). In vergelijking met de ankerkuil werden in elke zone minder soorten bovengehaald met de fuiken. -Over de seizoenen werden met de fuiken het grootste aantal soorten gevangen in het najaar terwijl dat met de ankerkuil in het voorjaar en de zomer was. +Over de seizoenen werden met de fuiken het grootste aantal soorten gevangen in de zomer en het najaar terwijl dat met de ankerkuil in het voorjaar en de zomer was. -Ook totaal over de beschouwde periode (`r vroegste_jaar` - `r laatste_jaar`) worden meest soorten gevangen in de zone met sterke saliniteitsgradiënt (Zandvliet/Paardenschor \> Antwerpen) (Figuur \@ref(fig:092-figuur-aantal-soorten-locatie-historisch)) en daalt de soortenrijkdom in stroomopwaartse richting, net zoals met de ankerkuilvangsten. -Vanaf 2017 worden in de zone met sterke saliniteitsgradiënt (vooral Antwerpen) wel minder soorten gevangen. +Totaal over de beschouwde periode (`r vroegste_jaar` - `r laatste_jaar`) worden meest soorten gevangen in de zone met sterke saliniteitsgradiënt (Zandvliet/Paardenschor \> Antwerpen) (Figuur \@ref(fig:092-figuur-aantal-soorten-locatie-historisch)) en daalt de soortenrijkdom in stroomopwaartse richting, met iets minder soorten in de oligohaliene zone (Steendorp), en het laagst aantal soorten in de zoetwaterzone met lange (Kastel) en korte (Appels, Overbeke) verblijftijd. +Vanaf 2017 worden in de zone met sterke saliniteitsgradiënt wel minder soorten gevangen. De soortensamenstelling op elke locatie kan sterk verschillen tussen de seizoenen, met een turnover van ongeveer één derde van de soorten. @@ -85,7 +84,7 @@ Tot een kwart van het aantal gevangen soorten kan verschillen tussen de locaties Het aantal gevangen soorten per jaar vertoont meer variatie vanaf 2016. In 2022 zijn er met de fuiken beduidend minder soorten gevangen dan de jaren voorheen. Dit heeft waarschijnlijk te maken met de halvering van het aantal fuikdagen per campagne van 2 naar 1 etmaal per locatie. -Uit vergelijking tussen vangsten na eerste en tweede etmaal in 144 campagnes blijkt dat een tweede vangst 0 tot 6 extra soorten oplevert met een gemiddelde van 2 soorten. + Uit vergelijking tussen vangsten na eerste en tweede etmaal in 144 campagnes blijkt dat een tweede vangst 0 tot 6 extra soorten oplevert met een gemiddelde van 2 soorten. ```{r 092-tabel-overzicht-soorten} @@ -167,15 +166,15 @@ In Steendorp wordt er naast blankvoorn ook relatief veel schol gevangen. In de zoete zone overheersen brakwatergrondel, brasem, schol, baars en paling. In de zomer worden overal redelijke aantallen bot en snoekbaars gevangen. In de zone met sterke saliniteitsgradiënt aangevuld met haring. -In de zoete zone is paling meestal ook duidelijk aanwezig. +In de zoete zone is paling en blankvoorn meestal ook duidelijk aanwezig. Dit beeld verandert compleet in het najaar. In die periode overheerst brakwatergrondel de fuikvangsten van Antwerpen tot Appels. -In Overbeke is baars dominant. +In het Paardenschor is dit bot en In Overbeke is paling dominant. -Uitgedrukt in biomassa overheerst snoekbaars, brasem en baars de zoete zone in het voorjaar, in de zone met saliniteitsgradiënt zijn dat ook snoekbaars, zeebaars en bot. -In Kastel overheersen optrekkende finten niet in de aantallen maar wel in de biomassa. -Paling is dominant in de zomer, aangevuld met steenbolk in Paardeschor (Figuur \@ref(fig:092-figuur-relatieve-biomassa)). -In het najaar blijft paling dominant, aangevuld met bot in Paardeschor en zeebaars in Kastel. +Uitgedrukt in biomassa overheerst snoekbaars, brasem en paling de zoete zone in het voorjaar, in de zone met saliniteitsgradiënt zijn dat ook snoekbaars, zeebaars en bot. +In Kastel nemen ook optrekkende finten een belangrijk deel van de biomassa in. +Paling is op de meeste locaties dominant in de zomer, aangevuld met steenbolk in Paardeschor (Figuur \@ref(fig:092-figuur-relatieve-biomassa)). +In het najaar blijft paling dominant, aangevuld met bot in Paardeschor en snoekbaars in Kastel. ```{r 092-figuur-relatief-aantal, fig.cap=cap_relatief_aantal, out.width="100%"} @@ -212,18 +211,18 @@ Figuur \@ref(fig:092-figuur-aantallen-marien-EMSE) en Figuur \@ref(fig:092-figuu In deze estuariene gebruik groep overwegen benthivoren in aantal en biomassa. Eerst vooral in de zone met sterke saliniteitsgradiënt maar de laatste jaren ook in de zoete zones. -In aantallen volgen planktivoren maar in biomassa zijn dat omnivoren. +Omnivoren volgen in aantallen en biomassa en daarna planktivoren. +Piscivore estuariene en mariene soorten volgens de EMSE indeling worden in de Zeeschelde niet gevangen met fuiken. In de zone met sterke saliniteitsgradiënt worden vooral tong en schol gevangen als benthivore mariene migranten. Het aantal tongen per fuikdag daalde sterk na 2011 en toonde nog een beperkte piek in 2017. Brakwatergrondel en dikkopje zijn veruit de meest talrijke benthivore estuariene soorten in de oligohaliene en zoete zones. +De laaste jaren wordt hier vooral brakwatergrondel gevangen. De aantallen per fuikdag schommelen sterk zonder bepaalde trend. In `r laatste_jaar` is er een piek in het oligohalien en zoet met lange verblijftijd. Omnivore mariene soorten worden qua aantallen en biomassa standaard gedomineerd door zeebaars, in `r laatste_jaar` blijft zeebaars aanwezig in vergelijkbare aantallen en biomassa, maar is er een piek van steenbolk. -Vooral in de zone met sterke saliniteitsgradiënt zijn zeebaars opvallend aanwezig in de fuikvangsten sinds 2015, terwijl ze in deze zone relatief minder gevangen worden met de ankerkuil. - -Piscivore estuariene en mariene soorten volgens de EMSE indeling werden in de Zeeschelde niet gevangen met fuiken. +Vooral in de zone met sterke saliniteitsgradiënt is zeebaars opvallend aanwezig in de fuikvangsten sinds 2015, terwijl ze in deze zone relatief minder gevangen worden met de ankerkuil. Planktivore individuen van de groep estuarien residente en mariene migranten zijn vooral juvenielen van mariene soorten haring en sprot, die de luwte van het estuarium opzoeken om op te groeien. Ze zijn meest talrijk in de zone met sterke saliniteitsgradiënt maar ze zijn toch ook tot in de zoete zone terug te vinden. @@ -231,9 +230,9 @@ Daar waar de piek in de ankerkuil aantallen zich in 2022 voordeed was dat in 202 De patronen voor biomassa vertonen grotendeels dezelfde verhoudingen tussen soortgroepen, saliniteitszones en soorten (Figuur \@ref(fig:092-figuur-biomassa-marien-EMSE)). -De sterke dominantie van één of twee soorten qua aantallen binnen elke soortgroep is ook duidelijk zichtbaar. -Uit Figuur \@ref(fig:092-figuur-diversiteit-marien-EMSE) blijkt de sterke dominantie van één of twee soorten qua aantallen binnen elke soortgroep. -De functionele groepen worden gedomineerd door slechts één of twee soorten (D), ook als er in totaal (S) 5 of meer soorten voorkomen in een groep. +Soortenrijdom aan estuariene residenten en mariene migranten is laag, met slechts één of twee soorten per voedselgroep en saliniteitszone (Figuur \@ref(fig:092-figuur-diversiteit-marien-EMSE)). +Uitzondering hierop zijn de zone met sterke saliniteitsgradient voor benthivoren en omnivoren. +Maar zelfs als er in totaal (S) 5 of meer soorten voorkomen in een functionele groep, wordt die gedomineerd door slechts één of twee soorten (D). Uitzonderlijk komt in de zone met sterke saliniteitsgradiënt een diversiteit (D) hoger dan 2 voor. Soortenaantal en diversiteit vertonen geen uitgesproken trends binnen de soortgroepen, maar zijn relatief stabiel. @@ -272,11 +271,12 @@ knitr::include_graphics(paste0(pad_figuren, "diversiteit_S_D_EMSE_marien.jpg")) ***Diadrome soorten*** -Er zijn geen diadrome benthivore vissoorten in de Zeeschelde. +Er zijn geen diadrome benthivore en planktivore vissoorten in de Zeeschelde. De twee zogenaamd piscivore soorten, de zeeprik en de rivierprik zijn eigenlijk parasitaire soorten waarvan slechts sporadisch een enkel groter exemplaar met de fuik gevangen wordt. De enige dieetgroep van tel onder de diadromen zijn de omnivore soorten. -In de fuikvangsten zijn de jonge spieringen minder dominant aanwezig dan in de ankerkuil. +In de fuikvangsten zijn de jonge spieringen, hoewel talrijk, minder dominant aanwezig dan in de ankerkuil. Ook bot, driedoornige stelkelbaars, dunlipharder, fint en paling laten zich opmerken in de aantallen en/of biomassa (Figuur \@ref(fig:092-figuur-aantallen-diadroom-EMSE); Figuur \@ref(fig:092-figuur-biomassa-diadroom-EMSE)). +In de zone met grote saliniteitsgradient is bot de meest dominante diadrome soort qua aantallen. In de zone met sterke saliniteitsgradiënt wordt bot in de grootste aantallen gevangen. Spieringen zijn meest talrijk in de oligohaliene en zoetwater zone met pieken tot 400-600 individuen per fuikdag in 2015 in Overbeke. @@ -285,8 +285,7 @@ Vergelijking van aantallen en biomassa in de verschillende saliniteitszones doet De biomassa van omnivore diadromen in de oligohaliene en zoete zones wordt vooral door paling en in sommige gevallen ook optrekkende fint bepaald (Figuur \@ref(fig:092-figuur-biomassa-diadroom-EMSE)). In de zone met sterke saliniteitsgradient maken vooral bot, paling en een enkele keer ook dunlipharder en fint de biomassa uit. -Diversiteit voor diadrome omnivoren is gemiddeld hoger dan voor mariene en estuarien residente soorten voor de fuikvangsten omdat spiering als pelagiale soort minder domineert met deze vangstmethode. -(Figuur \@ref(fig:092-figuur-diversiteit-diadroom-EMSE)). +Diversiteit voor diadrome omnivoren is gemiddeld hoger dan voor mariene en estuarien residente soorten voor de fuikvangsten omdat spiering als pelagiale soort minder domineert met deze vangstmethode (Figuur \@ref(fig:092-figuur-diversiteit-diadroom-EMSE)). ```{r 092-figuur-aantallen-diadroom-EMSE, fig.cap=aantallen_diadroom_EMSE, out.width="110%"} @@ -326,13 +325,13 @@ knitr::include_graphics(paste0(pad_figuren, "diversiteit_S_D_EMSE_diadroom.jpg") Bij de zoetwater soorten zijn omnivoren het meest talrijk en vertegenwoordigen ze de grootste biomassa, gevolgd door benthivoren en vervolgens piscivoren (Figuur \@ref(fig:092-figuur-aantallen-zoetwater-EMSE), Figuur \@ref(fig:092-figuur-biomassa-zoetwater-EMSE)). De fuikresultaten van de zoetwater soorten geven een zeer verschillend beeld van dat van de ankerkuilvangsten. -Van deze estuariene gebruikgroep worden relatief meer individuen per fuikdag gevangen in de zone met sterke saliniteitsgradiënt en ook in de oligohaliene zone. +Hoewel het gaat om zoetwater soorten, worden van deze estuariene gebruiksgroep worden relatief meer individuen per fuikdag gevangen in de zone met sterke saliniteitsgradiënt en ook in de oligohaliene zone. Kijken we echter naar de biomassa gegevens dan verandert het beeld grondig met de hogere biomassa's in stroomopwaartse richting. In de groep van benthische zoetwatersoorten bepalen vooral brasem en een enkele keer blauwbandgrondel de relatieve aantallen, die in stroomopwaartse richting afnemen. De biomassa wordt echter bijna uitsluitend door brasem bepaald, die in individuele grootte en gewicht net toeneemt in stroomopwaartse richting van gemiddeld 10g aan de grens naar 300-400g in Overbeke. Daarom is de biomassa van deze functionele groep relatief groter in de stroomopwaartse stations. -Opvallend zijn een recordvangst van grote brasems in Steendorp in de zomer van 2014 en een steur van 124cm en 13,5 kg in Kastel in 2019. +Opvallend zijn een recordvangst van grote brasems in Steendorp (oligohalien) in de zomer van 2014 en een steur van 124cm en 13,5 kg in Kastel (zoet lange verblijftijd) in 2019. Deze zijn niet te zien in de aantallen maar wegen wel door in de biomassa. Snoekbaars is de meest talrijk gevangen omnivore zoetwatersoort, maar bepaalt de biomassa niet in dezelfde mate als bij de ankerkuilvangsten. @@ -344,15 +343,15 @@ Vooral in de zoete zone met korte verblijftijd bepalen hun relatief geringe aant Zwartbekgrondel wordt vooral in de brakke zone gevangen. Baars is de belangrijkste piscivore zoetwatersoort. -In de zone met saliniteitsgradiënt wordt deze soort al geruime tijd in redelijke aantallen gevangen. +In de zone met sterke saliniteitsgradiënt wordt deze soort al geruime tijd in redelijke aantallen gevangen. In de zoete zone nemen de aantallen geleidelijk toe. Net zoals voor de meeste andere typische zoetwatersoorten neemt de biomassa toe in stroomopwaartse richting. +Sinds 2018 is er in het zoetwater echter een opvallende daling in de biomassa aan baars. In `r laatste_jaar` is er alver gevangen in de oligohaliene zone, de enigste planktivore zoetwatersoort in de Zeeschelde gevangen met fuiken. Voordien was alver waargenomen in de oligohaliene zone (2020) en zoetwater met korte verblijftijd (2010). -Vooral in de zoete zone met korte verblijtijd zijn zowel diversiteit (D), als soortenrijkdom (S) voor de omnivore en benthivore zoetwater soorten relatief hoger dan voor andere functionele groepen. -(Figuur \@ref(fig:092-figuur-diversiteit-zoetwater-EMSE)). +Vooral in de zoete zone met korte verblijtijd zijn zowel diversiteit (D), als soortenrijkdom (S) voor de omnivore en benthivore zoetwater soorten relatief hoger dan voor andere functionele groepen (Figuur \@ref(fig:092-figuur-diversiteit-zoetwater-EMSE)). ```{r 092-figuur-aantallen-zoetwater-EMSE, fig.cap=aantallen_zoetwater_EMSE, out.width="110%"} @@ -397,19 +396,20 @@ Slechts een aantal soorten komen echter in relatief hoge aantallen voor. ***Estuariene soorten en mariene migranten*** Van de estuariene en mariene soorten komen brakwatergrondel, zeebaars en schol vrij frequent voor (\> 30 per fuikdag, Figuur \@ref(fig:092-figuur-mariene-sleutelsoorten)). +Ook haring en dikkopje kunnen in vrij grote aantallen voorkomen. De overige soorten komen slechts in kleine aantallen voor. -- Brakwatergrondel werd in de eerste jaren vooral in de zone met sterke saliniteitsgradiënt gevangen maar vertoont in recentere jaren grote pieken in de zoete zones. +- Brakwatergrondel werd in de eerste jaren vooral in de zone met sterke saliniteitsgradiënt gevangen maar vertoont in recentere jaren grote pieken in het oligohalien en de zoetwater zones. In `r laatste_jaar` werden veel brakwatergrondels gevangen met de fuiken in de oligohaliene zone en zoet lange verblijftijd. - Dikkopje bevindt zich gemiddeld meer stroomafwaarts en is veel minder talrijk dan brakwatergrondel aanwezig in de fuiken. - Er was een eerste grote piek in de oligohaliene zone in 2020, de hoogste aantallen zijn waargenomen in `r laatste_jaar`. + Er was een eenmalige grote piek in de oligohaliene zone in 2020, de hoogste aantallen zijn waargenomen in `r laatste_jaar`. - Schol komt voor in de zone met sterke saliniteitsgradiëntvangsten, fuikvangsten in `r laatste_jaar` zijn de hoogste tot nu toe. Een stijgende trend is merkbaar sinds de vangsten van 2017. -- Zeebaars is grotendeels aanwezig in de zone met sterke saliniteitsgradiënt. - Aantallen tonen op lange termijn een eerder afnemende trend. +- Zeebaars is hoofdzakelijk aanwezig in de zone met sterke saliniteitsgradiënt. + Aantallen tonen de laatste 10 jaar een eerder afnemende trend. - Haring komt vooral voor in de zone met sterke saliniteitsgradiënt. 2019 en 2021 waren piekjaren voor de oligohaliene zone, 2021 ook voor de zone met sterke saliniteitsgradiënt. @@ -430,19 +430,18 @@ knitr::include_graphics(paste0(pad_figuren, "aantallen_sleutelsoorten_EMSE_marie ***Diadrome soorten*** -De meest voorkomende diadrome sleutelsoorten (\> 10 individuen per fuikdag) zijn bot, paling en vooral spiering (Figuur \@ref(fig:092-figuur-diadrome-sleutelsoorten)). +De meest voorkomende diadrome sleutelsoorten (\> 10 individuen per fuikdag) zijn bot, paling en (in het verleden) vooral spiering (Figuur \@ref(fig:092-figuur-diadrome-sleutelsoorten)). -- Bot komt voor in alle scheldezones. - Met fuiken worden veel meer exemplaren in de zone met sterke saliniteitsgradiënt gevangen dan in andere zones, terwijl dat met de ankerkuil eerder in de oligohaliene en zoete zone met lange verblijftijd is. +- Bot komt voor in alle scheldezones, maar met fuiken worden veel meer exemplaren in de zone met sterke saliniteitsgradiënt gevangen dan in andere zones, terwijl dat met de ankerkuil eerder in de oligohaliene en zoete zone met lange verblijftijd is. In `r laatste_jaar` zijn terug hogere aantallen gevangen. - Er worden niet elk jaar finten gevangen in de fuiken. - Dat is niet abnormaal voor deze pelagiale soort, die eerder in de waterkolom dan aan de laagwaterlijn gevangen wordt. - Hoewel de aantallen recent een stuk lager zijn, kunnen ze in het voorjaar tijdens de paaiperiode toch een belangrijk deel van de biomassa uitmaken in de zoetwaterzone (zie Figuur \@ref(fig:092-figuur-relatief-aantal) ). + Dat is niet abnormaal voor deze pelagiale soort, die eerder in de waterkolom dan tegen de bodem gevangen wordt. + Hoewel de aantallen recent een stuk lager zijn, kunnen ze in het voorjaar tijdens de paaiperiode toch een belangrijk deel van de biomassa uitmaken in de zoetwaterzone (zie Figuur \@ref(fig:092-figuur-biomassa-diadroom-EMSE)). Aangezien het om een habitatrichtlijn soort gaat die terugkwam nadat ze lange tijd als uitgestorven beschouwd was, is het belangrijk om door jaarlijkse analyse van paaitrek én rekrutering te evalueren hoe duurzaam deze hervestiging van de fint in de Zeeschelde is. - Paling wordt vooral gevangen in het oligohalien en zoetwater en is vooral qua biomassa vrij belangrijk. - De aantallen vertonen een licht dalende trend. + De aantallen vertonen de laatste 10 jaar een licht dalende trend. - Spiering is in het algemeen de soort met de hoogste aantallen en biomassa in de Zeeschelde (zie ook Figuur \@ref(fig:092-figuur-relatief-aantal), \@ref(fig:092-figuur-relatief-aantal), \@ref(fig:092-figuur-aantallen-diadroom-EMSE) en \@ref(fig:092-figuur-biomassa-diadroom-EMSE)). Deze soort vertoonde een heel sterke piek in aantallen in 2014 in de ankerkuilvangsten en in 2015 in de fuikvangsten. @@ -461,15 +460,15 @@ knitr::include_graphics(paste0(pad_figuren, "aantallen_sleutelsoorten_EMSE_diadr ***Zoetwater soorten*** -De meest voorkomende sleutelsoorten qua aantallen/biomassa voor de zoetwatersoorten zijn blankvoorn, brasem en snoekbaars (Figuur \@ref(fig:092-figuur-zoetwater-sleutelsoorten)). +De meest voorkomende zoetwater sleutelsoorten qua aantallen/biomassa zijn blankvoorn, brasem en snoekbaars (Figuur \@ref(fig:092-figuur-zoetwater-sleutelsoorten)). -- Na een afname in de periode 2009-2015 van het aantal blankvoorns in de fuikvangsten in alle zones behalve het zoet met korte verblijftijd, variëren de aantallen. - In `r laatste_jaar` werden er relatief veel blankvoorns gevangen in het oligohalien en zoetwater. +- Na een afname in de periode 2009-2015 van het aantal blankvoorns in de fuikvangsten in alle zones behalve het zoet met korte verblijftijd, variëren de aantallen met een trend tot lichte stijging in alle zones behalve de zone met sterke saliniteitsgradient. + Ook in `r laatste_jaar` werden er relatief veel blankvoorns gevangen in het oligohalien en zoetwater. - De hoogste aantallen brasem worden meestal gevangen in de zone met sterke saliniteitsgradiënt en het mesohalien. Verder vertoont brasem geen duidelijke trend in aantallen. -- Snoekbaars vangsten in de fuiken blijven stabiel de laatste jaren met in `r laatste_jaar` lichtjes hogere aantallen in fuiken in meer saline zones. +- Snoekbaars vangsten in de fuiken blijven relatief stabiel in de laatste 5 jaren met in `r laatste_jaar` lichtjes hogere aantallen in fuiken in meer saline zones. ```{r 092-figuur-zoetwater-sleutelsoorten, fig.cap=cap_aantal_sleutelsoorten_zoetwater, out.width="100%"} @@ -496,7 +495,7 @@ De biomassa verdeling toont dan weer een ander beeld naargelang het estuarien ge De resultaten voor aantallen, biomassa en diversiteit per groep van estuarien habitat gebruik worden weergegeven in respectivelijk Figuur \@ref(fig:092-figuur-aantallen-habitat), Figuur \@ref(fig:092-figuur-biomassa-habitat) en Figuur \@ref(fig:092-figuur-diversiteit-habitat). Het beeld op basis van fuikvangsten is iets complexer en toont andere accenten dan op basis van ankerkuildata. -In de zone met sterke saliniteitgradiënt overheerst tong zowel naar aantallen als naar biomassa in de groep van mariene migranten. +In de zone met sterke saliniteitgradiënt overheerst bot zowel naar aantallen als naar biomassa in de groep van mariene migranten. Sinds 2012 zijn aantallen en biomassa per fuikdag wel plots fel verminderd. Ook zeebaars en haring zijn steeds in grote aantallen aanwezig, in toenemende mate sinds 2015. Schol verdween na 2010 maar is sinds 2018 terug aanwezig. @@ -514,13 +513,14 @@ Paling overheerst echter de biomassa en in sommige jaren wegen ook de optrekkend In de meer stroomopwaartse oligohaliene en zoete zones is spiering zonder meer de meest talrijk aanwezige trekvis. Ook hier overheerst paling echter in de trekvis biomassa, soms bijgestaan door fint. -Aantallen en biomassa van de zoetwatervissen vertonen een meer gediversifieerd beeld. +Aantallen en biomassa van de zoetwatersoorten vertonen een meer gediversifieerd beeld. Snoekbaars is de dominante zoetwatersoort in aantal, maar de dominantie is niet zeer uitgesproken. -snoekbaars, karper, europese meerval, brasem en snoekbaars leveren de belangrijkste bijdragen aan de biomassa van zoetwatersoorten. +snoekbaars, karper, europese meerval, brasem en snoek leveren de belangrijkste bijdragen aan de biomassa van zoetwatersoorten. -De zoewatervissen zijn de meest soortenrijke estuariene gebruik groep. +De zoewatervissen zijn de meest soortenrijke estuariene gebruiksgroep. De diversiteit is het grootst voor de zoetwatersoorten in de zoete zone met korte verblijftijd. -Het is vooral in deze groep dat in 2022 en 2023 minder soorten gevangen werden met de fuiken, vermoedelijk ook door het feit dat de vangstinspanning gehalveerd werd. +Het is vooral in deze groep dat in 2022 en 2023 minder soorten gevangen werden met de fuiken, vermoedelijk ook door het feit dat de vangstinspanning gehalveerd werd . +Mariene soorten en estuariene migranten zijn duidelijk met een hoger aantal soorten en diversiteit (verdubbeling of meer) vertegenwoordigd in de zone met grote saliniteitsgradient dan in de andere saliniteitszones.
@@ -560,7 +560,7 @@ knitr::include_graphics(paste0(pad_figuren, "EMSE_alternatief/diversiteit_S_D_sa ##### Dieet De resultaten voor aantallen, biomassa en diversiteit per dieetgroep worden weergegeven in respectievelijk Figuur \@ref(fig:092-figuur-aantallen-dieet), Figuur \@ref(fig:092-figuur-biomassa-dieet) en Figuur \@ref(fig:092-figuur-diversiteit-dieet). - + Benthivoren en omnivoren zijn het meest talrijk en maken ook het grootste deel van de biomassa uit. Tong in de zone met sterke saliniteitsgradiënt en brakwatergrondel in de zoetwater zone zijn traditioneel de dominante benthivoren qua aantallen. @@ -569,7 +569,7 @@ In biomassa blijft tong dominant in de oligohaliene zone en domineert brasem in Spiering (zoete zone) en bot (saliniteitsgradiënt) zijn de dominante omnivoren wat betreft aantallen. Een groot aantal steenbolk laat zich opmerken in 2023 en zijn dominant in biomassa in de zone met sterke saliniteitsgradiënt. -Voor de biomassa's bij de omnivoren is er meestal geen duidelijke dominantie tussen de meest aspectbepalende soorten: bot, europese meerval, fint, karper, kolblei, snoek en snoekbaars. +Voor de biomassa bij de omnivoren is er meestal geen duidelijke dominantie tussen de meest aspectbepalende soorten: bot, europese meerval, fint, karper, kolblei, snoek en snoekbaars. Dit wordt vaak bepaald door de vangst van enkele grote individuen. Baars, rivierprik en zeeprik zijn de enige piscivoren die in kleine en sterk wisselende aantallen gevangen worden. @@ -621,11 +621,15 @@ We berekenden de indexwaarden voor alle beschikbare gegevens (Tabel \@ref(tab:09 De evolutie van de visindex in de Zeeschelde is ook één van de INBO natuurindicatoren () In de periode 2011-2020 was deze indicator redelijk stabiel in vergelijking tot het decennium dat daaraan voorafging: De zoete zone scoorde doorgaans beter dan de zone met sterke saliniteitsgradiënt en de oligohaliene zone had meestal de laagste score. -De laatste twee jaren daalde de EQR van de zoete zone echter van GEP in 2020 over matig in 2021 naar ontoereikend in 2022 en `r laatste_jaar`. +De laatste twee jaren daalde de EQR van de zoete zone echter van GEP in 2020 over matig in 2021 naar ontoereikend in 2022 en `r laatste_jaar`. De beide andere zones haalden nog nooit de goede ecologische toestand en scoren beide ontoereikend in `r laatste_jaar`. Figuur \@ref(fig:092-figuur-spindiagram) geeft voor elke zone een indicatie van de ecologische aspecten die minder en beter scoren in `r laatste_jaar`. Zie Tabel \@ref(tab:090-tabel-metrieken-visindex) voor verklaring van de afkortingen. +In de zoetwaterzone scoren alle metrieken slecht behalve het totaal aantal soorten en het aantal individuen per fuikdag. +Vooral het percentage van gespecialiseerde paaiers trekt het geheel omlaag. +In de oligohaliene zone scoren alle metrieken laag en het totaal aantal individuen per fuikdag goed. +In het mesohalien is de score voor alle metrieken laag. ```{r 092-tabel-visindex} @@ -679,8 +683,3 @@ knitr::include_graphics(figs_spin) ```
- -In de zoetwaterzone scoren alle metrieken slecht behalve het totaal aantal soorten en het aantal individuen per fuikdag. -Vooral het percentage van gespecialiseerde paaiers trekt het geheel omlaag. -In de oligohaliene zone scoren alle metrieken laag en het totaal aantal individuen per fuikdag goed. -In het mesohalien is de score voor alle metrieken laag. diff --git a/moneos_2024/150_geintegreerd_rapport/093_vissen_conclusies.Rmd b/moneos_2024/150_geintegreerd_rapport/093_vissen_conclusies.Rmd index 65bf87e..95f7976 100644 --- a/moneos_2024/150_geintegreerd_rapport/093_vissen_conclusies.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/093_vissen_conclusies.Rmd @@ -66,19 +66,19 @@ for(i in 1:nrow(meta_data)){ ## Algemene conclusies -### Afvissingen in 2022 +### Afvissingen in `r laatste_jaar` -2023 was een tweede **bodemjaar** op rij **voor het aantal spieringen** in de Zeeschelde. +`r laatste_jaar` was een tweede **bodemjaar** op rij **voor het aantal spieringen** in de Zeeschelde. Dit geldt zowel voor de ankerkuil als voor de fuikvangsten, waardoor het beeld van de absolute dominantie van deze soort zelfs in het pelagiaal vervaagt. Sterke schommelingen in spiering aantallen werden vroeger al opgemerkt in andere gebieden en kunnen deels teruggebracht worden op lage densiteiten van 1 of 2 jaarklassen (Belyanina 1969), waarbij verschillen in leeftijdssamenstelling van populaties voor een stuk gelinkt zijn met verschillen in groeisnelheid en maturatie van de verschillende jaarklassen (Lapin, 1960). Om hier een beter zicht op te krijgen zou voor de Schelde ruimtelijke en seizoenale patronen per leeftijdgroep over de jaren heen geanalyseerd moeten worden in relatie tot abiotiek en beheer. -In 2023 werd met de ankerkuil **uitzonderlijk veel grondels** (*Potamoschistus* sp.)gevangen in vooral het najaar in Branst en Steendorp. +In 2023 werd met de ankerkuil **uitzonderlijk veel grondels** (*Potamoschistus* sp.) gevangen in vooral het najaar in Branst en Steendorp. In Steendorp ging het om brakwatergrondel, in Branst opmerkelijk om dikkopje. De **visindex** voor zowel zoet, oligohalien als zoutgradient bereikt in 2023 een ontoereikende status. Interpretatie dient met de nodige voorzichtigheid te gebeuren. -De **vangstinspanning met de fuiken is in 2022 gehalveerd**. +De **vangstinspanning met de fuiken is in 2022 gehalveerd** . Fuiken werden telkens 1 in plaats van 2 etmaal uitgezet. Dit had een invloed op het aantal gevangen soorten. Verschillende van de metrieken gebruikt in de visindex (Breine et al. 2010) zijn direct gerelateerd aan het aantal soorten en hierdoor zal een breuk in de trends van soortenrijkdom bij fuikvangsten ontstaan. @@ -110,7 +110,7 @@ In deze rapportage kwamen echter nog opvallende verschillen aan bod: In deze laatste zone worden echter gemiddeld de grootste aantallen met fuiken gevangen. Beide methoden leveren dus een omgekeerd beeld op van relatieve vis densiteit per saliniteitszone. -- Pieken en dalen in de aantallen van de sleutelsoorten verschillen sterk. +- Pieken en dalen in de aantallen van de sleutelsoorten verschillen sterk tussen vangstmethodes. De grote spieringpiek in de ankerkuildata valt in bijvoorbeeld in 2014 terwijl die in 2015 valt op basis van de fuikgegevens. Voor haring waren dat 2022 en 2021 respectievelijk. From 075ebde1bacfb2bf5fb04a02b6c5323feff91584 Mon Sep 17 00:00:00 2001 From: VANOVERBEKE Date: Wed, 11 Sep 2024 15:38:14 +0200 Subject: [PATCH 058/102] nalezen fuiken en conclusies --- .../40_moneos_analyse_fuiken_EMSE.Rmd | 151 ++++++++++++++++++ .../092_vissen_fuiken.Rmd | 105 ++++++------ .../093_vissen_conclusies.Rmd | 8 +- 3 files changed, 207 insertions(+), 57 deletions(-) diff --git a/moneos_2024/090_vissen/40_moneos_analyse_fuiken_EMSE.Rmd b/moneos_2024/090_vissen/40_moneos_analyse_fuiken_EMSE.Rmd index 1654fff..2017d2e 100644 --- a/moneos_2024/090_vissen/40_moneos_analyse_fuiken_EMSE.Rmd +++ b/moneos_2024/090_vissen/40_moneos_analyse_fuiken_EMSE.Rmd @@ -1181,6 +1181,157 @@ ggsave(paste0(pad_figuren, "relatieve_aantallen_tot_aantal_EMSE_zoet.jpg"), widt ``` +```{r alternatief 2} + +prop_lim_alt <- 0.2 + +relatieve_aantallen_EMSE_alt <- + data_fuiken %>% + left_join(locatie_scheldezone) %>% + filter(in_indeling) %>% + filter(aantal > 0) %>% + group_by(jaar, scheldezone, soort, salgroep, dieet, indeling) %>% + summarise(aantal_per_fuikdag = mean(aantal_per_fuikdag), + gewicht_per_fuikdag = mean(gewicht_per_fuikdag)) %>% + ungroup() %>% + group_by(jaar, scheldezone, salgroep, dieet, indeling) %>% + mutate(aantal_per_fuikdag_tot = sum(aantal_per_fuikdag), + gewicht_per_fuikdag_tot = sum(gewicht_per_fuikdag)) %>% + ungroup() %>% + mutate(relatief_aantal = aantal_per_fuikdag/aantal_per_fuikdag_tot, + relatief_gewicht = gewicht_per_fuikdag/gewicht_per_fuikdag_tot) %>% + mutate(max_aantal = relatief_aantal >= prop_lim_alt, + max_gewicht = relatief_gewicht >= prop_lim_alt) %>% + group_by(soort) %>% + mutate(soort = ifelse(any(max_aantal) | any(max_gewicht), soort, "rest")) %>% + ungroup() %>% + group_by(jaar, scheldezone, soort, salgroep, dieet, indeling) %>% + summarise(aantal_per_fuikdag_tot = mean(aantal_per_fuikdag_tot), + gewicht_per_fuikdag_tot = mean(gewicht_per_fuikdag_tot), + aantal_per_fuikdag = sum(aantal_per_fuikdag), + gewicht_per_fuikdag = sum(gewicht_per_fuikdag), + relatief_aantal = aantal_per_fuikdag/aantal_per_fuikdag_tot, + relatief_gewicht = gewicht_per_fuikdag/gewicht_per_fuikdag_tot) %>% + ungroup() %>% + add_row(indeling_EMSE_missing %>% + expand_grid(jaar = vroegste_jaar:laatste_jaar, + scheldezone = unique(locatie_scheldezone$scheldezone))) %>% + mutate(indeling = factor(indeling, levels = levels_indeling), + scheldezone = factor(scheldezone, levels = levels_scheldezone), + scheldezone = recode_factor(scheldezone, !!!levels_scheldezone_full), + soort = factor(soort, + levels = unique(soort) %>% + sort() %>% + setdiff("rest") %>% + c(., "rest"))) + +# relatieve_aantallen_EMSE %>% +# filter(scheldezone == "saliniteitsgradient") %>% +# ggplot(aes(jaar, aantal_per_fuikdag*mult_fuik, fill = soort, color = soort)) + +# geom_col(width = 0.7, +# alpha = 0.9, +# size = 0.1) + +# scale_x_continuous(breaks = seq(ifelse(vroegste_jaar %% 2 == 0, vroegste_jaar, vroegste_jaar + 1), laatste_jaar, 2)) + +# scale_fill_manual(values = my_pal_wes, na.translate = F) + +# scale_color_manual(values = my_pal_wes, na.translate = F) + +# labs(title = "saliniteitsgradient", +# y = get_lab_aantal()) + +# guides(color = guide_legend(ncol=2), +# fill = guide_legend(ncol=2)) + +# facet_grid(dieet ~ salgroep, scales = "free_y") + +# theme(#legend.position = "none", +# axis.text = element_text(size = 8)) + + +data_split <- + relatieve_aantallen_EMSE_alt %>% + mutate(soort = str_replace(soort, "grondel", "gr.")) %>% + mutate(soort = str_replace(soort, "kleine", "kl.")) %>% + mutate(soort = str_replace(soort, "grote", "gr.")) %>% + mutate(soort = str_replace(soort, "driedoornige", "dried.")) %>% + mutate(soort = str_replace(soort, "tiendoornige", "tiend.")) %>% + mutate(soort = str_replace(soort, "steur", "st.")) %>% + mutate(soort = str_replace(soort, "europese meerval", "meerval")) %>% + group_by(indeling) %>% + nest() + + + +my_pal_wes_kort <- my_pal_wes +names(my_pal_wes_kort) <- str_replace(names(my_pal_wes_kort), "grondel", "gr.") +names(my_pal_wes_kort) <- str_replace(names(my_pal_wes_kort), "kleine", "kl.") +names(my_pal_wes_kort) <- str_replace(names(my_pal_wes_kort), "grote", "gr.") +names(my_pal_wes_kort) <- str_replace(names(my_pal_wes_kort), "driedoornige", "dried.") +names(my_pal_wes_kort) <- str_replace(names(my_pal_wes_kort), "tiendoornige", "tiend.") +names(my_pal_wes_kort) <- str_replace(names(my_pal_wes_kort), "steur", "st.") +names(my_pal_wes_kort) <- str_replace(names(my_pal_wes_kort), "europese meerval", "meerval") + +data_split <- + data_split %>% + mutate(legend = + map2(indeling, data, + function(ind, dat) { + pal_split <- + my_pal_wes_kort[names(my_pal_wes_kort) %in% unique(dat$soort)] + plt <- + dat %>% + ggplot(aes(jaar, aantal_per_fuikdag*mult_fuik, fill = soort)) + + geom_col(position = position_stack(), + width = 0.7, + alpha = 0.9) + + scale_x_continuous(breaks = + seq(ifelse(vroegste_jaar %% 2 == 0, vroegste_jaar, vroegste_jaar + 1), laatste_jaar, 2)) + + scale_fill_manual(breaks = names(pal_split), values = pal_split, na.translate = F) + + labs(y = get_lab_aantal(), + fill = ind) + + guides(fill=guide_legend(nrow=6)) + + theme(legend.justification = c(0,1), + legend.box.background = element_rect(fill = 'transparent', colour = NA_character_), + legend.text = element_text(size = 8), + legend.title = element_text(size = 9), + legend.key.size = unit(0.8, "lines")) + plt %>% + get_legend() + })) + +ggp_all <- + relatieve_aantallen_EMSE_alt %>% + filter(scheldezone == "saliniteitsgradient") %>% + mutate(salgroep = factor(salgroep, levels = c("mariene en estuariene soorten", "diadrome soorten", "zoetwatersoorten"))) %>% + ggplot(aes(jaar, aantal_per_fuikdag*mult_fuik, fill = soort, color = soort)) + + geom_col(width = 0.7, + alpha = 0.9, + size = 0.1) + + scale_x_continuous(breaks = seq(ifelse(vroegste_jaar %% 2 == 0, vroegste_jaar, vroegste_jaar + 1), laatste_jaar, 2)) + + scale_fill_manual(values = my_pal_wes, na.translate = F) + + scale_color_manual(values = my_pal_wes, na.translate = F) + + labs(title = "saliniteitsgradient", + y = get_lab_aantal()) + + # guides(color = guide_legend(ncol=2), + # fill = guide_legend(ncol=2)) + + facet_grid(dieet ~ salgroep, scales = "free_y") + + theme(legend.position = "none", + axis.text = element_text(size = 8)) + + +plot_grid(ggp_all, + NULL, + plot_grid(NULL, + plot_grid(plotlist = data_split$legend[sort.list(data_split$indeling)], + byrow = FALSE + # , + # align = "v" + , nrow = 4 + ), + NULL, + ncol = 1, rel_heights = c(0.11,1,0.07)), + ncol = 3, rel_widths = c(1.2,0.02,0.9)) + +ggsave(paste0(pad_figuren, "relatieve_aantallen_tot_aantal_EMSE_saliniteitsgradient.jpg"), width = 14, height = 7, bg = "white") + +``` + + ```{r relatie soortbiomassa vs totale biomassa} data_split <- diff --git a/moneos_2024/150_geintegreerd_rapport/092_vissen_fuiken.Rmd b/moneos_2024/150_geintegreerd_rapport/092_vissen_fuiken.Rmd index 7f727a7..c8b78fa 100644 --- a/moneos_2024/150_geintegreerd_rapport/092_vissen_fuiken.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/092_vissen_fuiken.Rmd @@ -70,13 +70,12 @@ for(i in 1:nrow(meta_data)){ In `r laatste_jaar` werden `r aantal_soorten_laatste_jaar` vissoorten gevangen in de fuiken. Een overzicht van de soorten gevangen in `r laatste_jaar` is weergegeven in Tabel \@ref(tab:092-tabel-overzicht-soorten). -De relatieve soortenrijkdom vertoont een dalende trend over de saliniteitszone met het hoogste aantal soorten in de zone met sterke saliniteitsgradiënt (Paardenschor) en de oligohaliene zone (Steendorp), en het laagst aantal soorten in de zoetwaterzone met lange (Kastel) en korte (Appels, Overbeke) verblijftijd (Tabel \@ref(tab:092-tabel-aantal-soorten)). -Opmerkelijk weinign soorten zijn gevangen in Antwerpen in `r laatste_jaar`. +Opmerkelijk weinig soorten zijn gevangen in Antwerpen in `r laatste_jaar` (Tabel \@ref(tab:092-tabel-aantal-soorten); Figuur \@ref(fig:092-figuur-aantal-soorten-locatie-historisch)). In vergelijking met de ankerkuil werden in elke zone minder soorten bovengehaald met de fuiken. -Over de seizoenen werden met de fuiken het grootste aantal soorten gevangen in het najaar terwijl dat met de ankerkuil in het voorjaar en de zomer was. +Over de seizoenen werden met de fuiken het grootste aantal soorten gevangen in de zomer en het najaar terwijl dat met de ankerkuil in het voorjaar en de zomer was. -Ook totaal over de beschouwde periode (`r vroegste_jaar` - `r laatste_jaar`) worden meest soorten gevangen in de zone met sterke saliniteitsgradiënt (Zandvliet/Paardenschor \> Antwerpen) (Figuur \@ref(fig:092-figuur-aantal-soorten-locatie-historisch)) en daalt de soortenrijkdom in stroomopwaartse richting, net zoals met de ankerkuilvangsten. -Vanaf 2017 worden in de zone met sterke saliniteitsgradiënt (vooral Antwerpen) wel minder soorten gevangen. +Totaal over de beschouwde periode (`r vroegste_jaar` - `r laatste_jaar`) worden meest soorten gevangen in de zone met sterke saliniteitsgradiënt (Zandvliet/Paardenschor \> Antwerpen) (Figuur \@ref(fig:092-figuur-aantal-soorten-locatie-historisch)) en daalt de soortenrijkdom in stroomopwaartse richting, met iets minder soorten in de oligohaliene zone (Steendorp), en het laagst aantal soorten in de zoetwaterzone met lange (Kastel) en korte (Appels, Overbeke) verblijftijd. +Vanaf 2017 worden in de zone met sterke saliniteitsgradiënt wel minder soorten gevangen. De soortensamenstelling op elke locatie kan sterk verschillen tussen de seizoenen, met een turnover van ongeveer één derde van de soorten. @@ -167,15 +166,15 @@ In Steendorp wordt er naast blankvoorn ook relatief veel schol gevangen. In de zoete zone overheersen brakwatergrondel, brasem, schol, baars en paling. In de zomer worden overal redelijke aantallen bot en snoekbaars gevangen. In de zone met sterke saliniteitsgradiënt aangevuld met haring. -In de zoete zone is paling meestal ook duidelijk aanwezig. +In de zoete zone is paling en blankvoorn meestal ook duidelijk aanwezig. Dit beeld verandert compleet in het najaar. In die periode overheerst brakwatergrondel de fuikvangsten van Antwerpen tot Appels. -In Overbeke is baars dominant. +In het Paardenschor is dit bot en In Overbeke is paling dominant. -Uitgedrukt in biomassa overheerst snoekbaars, brasem en baars de zoete zone in het voorjaar, in de zone met saliniteitsgradiënt zijn dat ook snoekbaars, zeebaars en bot. -In Kastel overheersen optrekkende finten niet in de aantallen maar wel in de biomassa. -Paling is dominant in de zomer, aangevuld met steenbolk in Paardeschor (Figuur \@ref(fig:092-figuur-relatieve-biomassa)). -In het najaar blijft paling dominant, aangevuld met bot in Paardeschor en zeebaars in Kastel. +Uitgedrukt in biomassa overheerst snoekbaars, brasem en paling de zoete zone in het voorjaar, in de zone met saliniteitsgradiënt zijn dat ook snoekbaars, zeebaars en bot. +In Kastel nemen ook optrekkende finten een belangrijk deel van de biomassa in. +Paling is op de meeste locaties dominant in de zomer, aangevuld met steenbolk in Paardeschor (Figuur \@ref(fig:092-figuur-relatieve-biomassa)). +In het najaar blijft paling dominant, aangevuld met bot in Paardeschor en snoekbaars in Kastel. ```{r 092-figuur-relatief-aantal, fig.cap=cap_relatief_aantal, out.width="100%"} @@ -212,18 +211,18 @@ Figuur \@ref(fig:092-figuur-aantallen-marien-EMSE) en Figuur \@ref(fig:092-figuu In deze estuariene gebruik groep overwegen benthivoren in aantal en biomassa. Eerst vooral in de zone met sterke saliniteitsgradiënt maar de laatste jaren ook in de zoete zones. -In aantallen volgen planktivoren maar in biomassa zijn dat omnivoren. +Omnivoren volgen in aantallen en biomassa en daarna planktivoren. +Piscivore estuariene en mariene soorten volgens de EMSE indeling worden in de Zeeschelde niet gevangen met fuiken. In de zone met sterke saliniteitsgradiënt worden vooral tong en schol gevangen als benthivore mariene migranten. Het aantal tongen per fuikdag daalde sterk na 2011 en toonde nog een beperkte piek in 2017. Brakwatergrondel en dikkopje zijn veruit de meest talrijke benthivore estuariene soorten in de oligohaliene en zoete zones. +De laaste jaren wordt hier vooral brakwatergrondel gevangen. De aantallen per fuikdag schommelen sterk zonder bepaalde trend. In `r laatste_jaar` is er een piek in het oligohalien en zoet met lange verblijftijd. Omnivore mariene soorten worden qua aantallen en biomassa standaard gedomineerd door zeebaars, in `r laatste_jaar` blijft zeebaars aanwezig in vergelijkbare aantallen en biomassa, maar is er een piek van steenbolk. -Vooral in de zone met sterke saliniteitsgradiënt zijn zeebaars opvallend aanwezig in de fuikvangsten sinds 2015, terwijl ze in deze zone relatief minder gevangen worden met de ankerkuil. - -Piscivore estuariene en mariene soorten volgens de EMSE indeling werden in de Zeeschelde niet gevangen met fuiken. +Vooral in de zone met sterke saliniteitsgradiënt is zeebaars opvallend aanwezig in de fuikvangsten sinds 2015, terwijl ze in deze zone relatief minder gevangen worden met de ankerkuil. Planktivore individuen van de groep estuarien residente en mariene migranten zijn vooral juvenielen van mariene soorten haring en sprot, die de luwte van het estuarium opzoeken om op te groeien. Ze zijn meest talrijk in de zone met sterke saliniteitsgradiënt maar ze zijn toch ook tot in de zoete zone terug te vinden. @@ -231,9 +230,9 @@ Daar waar de piek in de ankerkuil aantallen zich in 2022 voordeed was dat in 202 De patronen voor biomassa vertonen grotendeels dezelfde verhoudingen tussen soortgroepen, saliniteitszones en soorten (Figuur \@ref(fig:092-figuur-biomassa-marien-EMSE)). -De sterke dominantie van één of twee soorten qua aantallen binnen elke soortgroep is ook duidelijk zichtbaar. -Uit Figuur \@ref(fig:092-figuur-diversiteit-marien-EMSE) blijkt de sterke dominantie van één of twee soorten qua aantallen binnen elke soortgroep. -De functionele groepen worden gedomineerd door slechts één of twee soorten (D), ook als er in totaal (S) 5 of meer soorten voorkomen in een groep. +Soortenrijdom aan estuariene residenten en mariene migranten is laag, met slechts één of twee soorten per voedselgroep en saliniteitszone (Figuur \@ref(fig:092-figuur-diversiteit-marien-EMSE)). +Uitzondering hierop zijn de zone met sterke saliniteitsgradient voor benthivoren en omnivoren. +Maar zelfs als er in totaal (S) 5 of meer soorten voorkomen in een functionele groep, wordt die gedomineerd door slechts één of twee soorten (D). Uitzonderlijk komt in de zone met sterke saliniteitsgradiënt een diversiteit (D) hoger dan 2 voor. Soortenaantal en diversiteit vertonen geen uitgesproken trends binnen de soortgroepen, maar zijn relatief stabiel. @@ -272,11 +271,12 @@ knitr::include_graphics(paste0(pad_figuren, "diversiteit_S_D_EMSE_marien.jpg")) ***Diadrome soorten*** -Er zijn geen diadrome benthivore vissoorten in de Zeeschelde. +Er zijn geen diadrome benthivore en planktivore vissoorten in de Zeeschelde. De twee zogenaamd piscivore soorten, de zeeprik en de rivierprik zijn eigenlijk parasitaire soorten waarvan slechts sporadisch een enkel groter exemplaar met de fuik gevangen wordt. De enige dieetgroep van tel onder de diadromen zijn de omnivore soorten. -In de fuikvangsten zijn de jonge spieringen minder dominant aanwezig dan in de ankerkuil. +In de fuikvangsten zijn de jonge spieringen, hoewel talrijk, minder dominant aanwezig dan in de ankerkuil. Ook bot, driedoornige stelkelbaars, dunlipharder, fint en paling laten zich opmerken in de aantallen en/of biomassa (Figuur \@ref(fig:092-figuur-aantallen-diadroom-EMSE); Figuur \@ref(fig:092-figuur-biomassa-diadroom-EMSE)). +In de zone met grote saliniteitsgradient is bot de meest dominante diadrome soort qua aantallen. In de zone met sterke saliniteitsgradiënt wordt bot in de grootste aantallen gevangen. Spieringen zijn meest talrijk in de oligohaliene en zoetwater zone met pieken tot 400-600 individuen per fuikdag in 2015 in Overbeke. @@ -285,8 +285,7 @@ Vergelijking van aantallen en biomassa in de verschillende saliniteitszones doet De biomassa van omnivore diadromen in de oligohaliene en zoete zones wordt vooral door paling en in sommige gevallen ook optrekkende fint bepaald (Figuur \@ref(fig:092-figuur-biomassa-diadroom-EMSE)). In de zone met sterke saliniteitsgradient maken vooral bot, paling en een enkele keer ook dunlipharder en fint de biomassa uit. -Diversiteit voor diadrome omnivoren is gemiddeld hoger dan voor mariene en estuarien residente soorten voor de fuikvangsten omdat spiering als pelagiale soort minder domineert met deze vangstmethode. -(Figuur \@ref(fig:092-figuur-diversiteit-diadroom-EMSE)). +Diversiteit voor diadrome omnivoren is gemiddeld hoger dan voor mariene en estuarien residente soorten voor de fuikvangsten omdat spiering als pelagiale soort minder domineert met deze vangstmethode (Figuur \@ref(fig:092-figuur-diversiteit-diadroom-EMSE)). ```{r 092-figuur-aantallen-diadroom-EMSE, fig.cap=aantallen_diadroom_EMSE, out.width="110%"} @@ -326,13 +325,13 @@ knitr::include_graphics(paste0(pad_figuren, "diversiteit_S_D_EMSE_diadroom.jpg") Bij de zoetwater soorten zijn omnivoren het meest talrijk en vertegenwoordigen ze de grootste biomassa, gevolgd door benthivoren en vervolgens piscivoren (Figuur \@ref(fig:092-figuur-aantallen-zoetwater-EMSE), Figuur \@ref(fig:092-figuur-biomassa-zoetwater-EMSE)). De fuikresultaten van de zoetwater soorten geven een zeer verschillend beeld van dat van de ankerkuilvangsten. -Van deze estuariene gebruikgroep worden relatief meer individuen per fuikdag gevangen in de zone met sterke saliniteitsgradiënt en ook in de oligohaliene zone. +Hoewel het gaat om zoetwater soorten, worden van deze estuariene gebruiksgroep worden relatief meer individuen per fuikdag gevangen in de zone met sterke saliniteitsgradiënt en ook in de oligohaliene zone. Kijken we echter naar de biomassa gegevens dan verandert het beeld grondig met de hogere biomassa's in stroomopwaartse richting. In de groep van benthische zoetwatersoorten bepalen vooral brasem en een enkele keer blauwbandgrondel de relatieve aantallen, die in stroomopwaartse richting afnemen. De biomassa wordt echter bijna uitsluitend door brasem bepaald, die in individuele grootte en gewicht net toeneemt in stroomopwaartse richting van gemiddeld 10g aan de grens naar 300-400g in Overbeke. Daarom is de biomassa van deze functionele groep relatief groter in de stroomopwaartse stations. -Opvallend zijn een recordvangst van grote brasems in Steendorp in de zomer van 2014 en een steur van 124cm en 13,5 kg in Kastel in 2019. +Opvallend zijn een recordvangst van grote brasems in Steendorp (oligohalien) in de zomer van 2014 en een steur van 124cm en 13,5 kg in Kastel (zoet lange verblijftijd) in 2019. Deze zijn niet te zien in de aantallen maar wegen wel door in de biomassa. Snoekbaars is de meest talrijk gevangen omnivore zoetwatersoort, maar bepaalt de biomassa niet in dezelfde mate als bij de ankerkuilvangsten. @@ -344,15 +343,15 @@ Vooral in de zoete zone met korte verblijftijd bepalen hun relatief geringe aant Zwartbekgrondel wordt vooral in de brakke zone gevangen. Baars is de belangrijkste piscivore zoetwatersoort. -In de zone met saliniteitsgradiënt wordt deze soort al geruime tijd in redelijke aantallen gevangen. +In de zone met sterke saliniteitsgradiënt wordt deze soort al geruime tijd in redelijke aantallen gevangen. In de zoete zone nemen de aantallen geleidelijk toe. Net zoals voor de meeste andere typische zoetwatersoorten neemt de biomassa toe in stroomopwaartse richting. +Sinds 2018 is er in het zoetwater echter een opvallende daling in de biomassa aan baars. In `r laatste_jaar` is er alver gevangen in de oligohaliene zone, de enigste planktivore zoetwatersoort in de Zeeschelde gevangen met fuiken. Voordien was alver waargenomen in de oligohaliene zone (2020) en zoetwater met korte verblijftijd (2010). -Vooral in de zoete zone met korte verblijtijd zijn zowel diversiteit (D), als soortenrijkdom (S) voor de omnivore en benthivore zoetwater soorten relatief hoger dan voor andere functionele groepen. -(Figuur \@ref(fig:092-figuur-diversiteit-zoetwater-EMSE)). +Vooral in de zoete zone met korte verblijtijd zijn zowel diversiteit (D), als soortenrijkdom (S) voor de omnivore en benthivore zoetwater soorten relatief hoger dan voor andere functionele groepen (Figuur \@ref(fig:092-figuur-diversiteit-zoetwater-EMSE)). ```{r 092-figuur-aantallen-zoetwater-EMSE, fig.cap=aantallen_zoetwater_EMSE, out.width="110%"} @@ -397,19 +396,20 @@ Slechts een aantal soorten komen echter in relatief hoge aantallen voor. ***Estuariene soorten en mariene migranten*** Van de estuariene en mariene soorten komen brakwatergrondel, zeebaars en schol vrij frequent voor (\> 30 per fuikdag, Figuur \@ref(fig:092-figuur-mariene-sleutelsoorten)). +Ook haring en dikkopje kunnen in vrij grote aantallen voorkomen. De overige soorten komen slechts in kleine aantallen voor. -- Brakwatergrondel werd in de eerste jaren vooral in de zone met sterke saliniteitsgradiënt gevangen maar vertoont in recentere jaren grote pieken in de zoete zones. +- Brakwatergrondel werd in de eerste jaren vooral in de zone met sterke saliniteitsgradiënt gevangen maar vertoont in recentere jaren grote pieken in het oligohalien en de zoetwater zones. In `r laatste_jaar` werden veel brakwatergrondels gevangen met de fuiken in de oligohaliene zone en zoet lange verblijftijd. - Dikkopje bevindt zich gemiddeld meer stroomafwaarts en is veel minder talrijk dan brakwatergrondel aanwezig in de fuiken. - Er was een eerste grote piek in de oligohaliene zone in 2020, de hoogste aantallen zijn waargenomen in `r laatste_jaar`. + Er was een eenmalige grote piek in de oligohaliene zone in 2020, de hoogste aantallen zijn waargenomen in `r laatste_jaar`. - Schol komt voor in de zone met sterke saliniteitsgradiëntvangsten, fuikvangsten in `r laatste_jaar` zijn de hoogste tot nu toe. Een stijgende trend is merkbaar sinds de vangsten van 2017. -- Zeebaars is grotendeels aanwezig in de zone met sterke saliniteitsgradiënt. - Aantallen tonen op lange termijn een eerder afnemende trend. +- Zeebaars is hoofdzakelijk aanwezig in de zone met sterke saliniteitsgradiënt. + Aantallen tonen de laatste 10 jaar een eerder afnemende trend. - Haring komt vooral voor in de zone met sterke saliniteitsgradiënt. 2019 en 2021 waren piekjaren voor de oligohaliene zone, 2021 ook voor de zone met sterke saliniteitsgradiënt. @@ -430,19 +430,18 @@ knitr::include_graphics(paste0(pad_figuren, "aantallen_sleutelsoorten_EMSE_marie ***Diadrome soorten*** -De meest voorkomende diadrome sleutelsoorten (\> 10 individuen per fuikdag) zijn bot, paling en vooral spiering (Figuur \@ref(fig:092-figuur-diadrome-sleutelsoorten)). +De meest voorkomende diadrome sleutelsoorten (\> 10 individuen per fuikdag) zijn bot, paling en (in het verleden) vooral spiering (Figuur \@ref(fig:092-figuur-diadrome-sleutelsoorten)). -- Bot komt voor in alle scheldezones. - Met fuiken worden veel meer exemplaren in de zone met sterke saliniteitsgradiënt gevangen dan in andere zones, terwijl dat met de ankerkuil eerder in de oligohaliene en zoete zone met lange verblijftijd is. +- Bot komt voor in alle scheldezones, maar met fuiken worden veel meer exemplaren in de zone met sterke saliniteitsgradiënt gevangen dan in andere zones, terwijl dat met de ankerkuil eerder in de oligohaliene en zoete zone met lange verblijftijd is. In `r laatste_jaar` zijn terug hogere aantallen gevangen. - Er worden niet elk jaar finten gevangen in de fuiken. - Dat is niet abnormaal voor deze pelagiale soort, die eerder in de waterkolom dan aan de laagwaterlijn gevangen wordt. - Hoewel de aantallen recent een stuk lager zijn, kunnen ze in het voorjaar tijdens de paaiperiode toch een belangrijk deel van de biomassa uitmaken in de zoetwaterzone (zie Figuur \@ref(fig:092-figuur-relatief-aantal) ). + Dat is niet abnormaal voor deze pelagiale soort, die eerder in de waterkolom dan tegen de bodem gevangen wordt. + Hoewel de aantallen recent een stuk lager zijn, kunnen ze in het voorjaar tijdens de paaiperiode toch een belangrijk deel van de biomassa uitmaken in de zoetwaterzone (zie Figuur \@ref(fig:092-figuur-biomassa-diadroom-EMSE)). Aangezien het om een habitatrichtlijn soort gaat die terugkwam nadat ze lange tijd als uitgestorven beschouwd was, is het belangrijk om door jaarlijkse analyse van paaitrek én rekrutering te evalueren hoe duurzaam deze hervestiging van de fint in de Zeeschelde is. - Paling wordt vooral gevangen in het oligohalien en zoetwater en is vooral qua biomassa vrij belangrijk. - De aantallen vertonen een licht dalende trend. + De aantallen vertonen de laatste 10 jaar een licht dalende trend. - Spiering is in het algemeen de soort met de hoogste aantallen en biomassa in de Zeeschelde (zie ook Figuur \@ref(fig:092-figuur-relatief-aantal), \@ref(fig:092-figuur-relatief-aantal), \@ref(fig:092-figuur-aantallen-diadroom-EMSE) en \@ref(fig:092-figuur-biomassa-diadroom-EMSE)). Deze soort vertoonde een heel sterke piek in aantallen in 2014 in de ankerkuilvangsten en in 2015 in de fuikvangsten. @@ -461,15 +460,15 @@ knitr::include_graphics(paste0(pad_figuren, "aantallen_sleutelsoorten_EMSE_diadr ***Zoetwater soorten*** -De meest voorkomende sleutelsoorten qua aantallen/biomassa voor de zoetwatersoorten zijn blankvoorn, brasem en snoekbaars (Figuur \@ref(fig:092-figuur-zoetwater-sleutelsoorten)). +De meest voorkomende zoetwater sleutelsoorten qua aantallen/biomassa zijn blankvoorn, brasem en snoekbaars (Figuur \@ref(fig:092-figuur-zoetwater-sleutelsoorten)). -- Na een afname in de periode 2009-2015 van het aantal blankvoorns in de fuikvangsten in alle zones behalve het zoet met korte verblijftijd, variëren de aantallen. - In `r laatste_jaar` werden er relatief veel blankvoorns gevangen in het oligohalien en zoetwater. +- Na een afname in de periode 2009-2015 van het aantal blankvoorns in de fuikvangsten in alle zones behalve het zoet met korte verblijftijd, variëren de aantallen met een trend tot lichte stijging in alle zones behalve de zone met sterke saliniteitsgradient. + Ook in `r laatste_jaar` werden er relatief veel blankvoorns gevangen in het oligohalien en zoetwater. - De hoogste aantallen brasem worden meestal gevangen in de zone met sterke saliniteitsgradiënt en het mesohalien. Verder vertoont brasem geen duidelijke trend in aantallen. -- Snoekbaars vangsten in de fuiken blijven stabiel de laatste jaren met in `r laatste_jaar` lichtjes hogere aantallen in fuiken in meer saline zones. +- Snoekbaars vangsten in de fuiken blijven relatief stabiel in de laatste 5 jaren met in `r laatste_jaar` lichtjes hogere aantallen in fuiken in meer saline zones. ```{r 092-figuur-zoetwater-sleutelsoorten, fig.cap=cap_aantal_sleutelsoorten_zoetwater, out.width="100%"} @@ -496,7 +495,7 @@ De biomassa verdeling toont dan weer een ander beeld naargelang het estuarien ge De resultaten voor aantallen, biomassa en diversiteit per groep van estuarien habitat gebruik worden weergegeven in respectivelijk Figuur \@ref(fig:092-figuur-aantallen-habitat), Figuur \@ref(fig:092-figuur-biomassa-habitat) en Figuur \@ref(fig:092-figuur-diversiteit-habitat). Het beeld op basis van fuikvangsten is iets complexer en toont andere accenten dan op basis van ankerkuildata. -In de zone met sterke saliniteitgradiënt overheerst tong zowel naar aantallen als naar biomassa in de groep van mariene migranten. +In de zone met sterke saliniteitgradiënt overheerst bot zowel naar aantallen als naar biomassa in de groep van mariene migranten. Sinds 2012 zijn aantallen en biomassa per fuikdag wel plots fel verminderd. Ook zeebaars en haring zijn steeds in grote aantallen aanwezig, in toenemende mate sinds 2015. Schol verdween na 2010 maar is sinds 2018 terug aanwezig. @@ -514,13 +513,14 @@ Paling overheerst echter de biomassa en in sommige jaren wegen ook de optrekkend In de meer stroomopwaartse oligohaliene en zoete zones is spiering zonder meer de meest talrijk aanwezige trekvis. Ook hier overheerst paling echter in de trekvis biomassa, soms bijgestaan door fint. -Aantallen en biomassa van de zoetwatervissen vertonen een meer gediversifieerd beeld. +Aantallen en biomassa van de zoetwatersoorten vertonen een meer gediversifieerd beeld. Snoekbaars is de dominante zoetwatersoort in aantal, maar de dominantie is niet zeer uitgesproken. -snoekbaars, karper, europese meerval, brasem en snoekbaars leveren de belangrijkste bijdragen aan de biomassa van zoetwatersoorten. +snoekbaars, karper, europese meerval, brasem en snoek leveren de belangrijkste bijdragen aan de biomassa van zoetwatersoorten. -De zoewatervissen zijn de meest soortenrijke estuariene gebruik groep. +De zoewatervissen zijn de meest soortenrijke estuariene gebruiksgroep. De diversiteit is het grootst voor de zoetwatersoorten in de zoete zone met korte verblijftijd. Het is vooral in deze groep dat in 2022 en 2023 minder soorten gevangen werden met de fuiken, vermoedelijk ook door het feit dat de vangstinspanning gehalveerd werd. +Mariene soorten en estuariene migranten zijn duidelijk met een hoger aantal soorten en diversiteit (verdubbeling of meer) vertegenwoordigd in de zone met grote saliniteitsgradient dan in de andere saliniteitszones.
@@ -560,7 +560,7 @@ knitr::include_graphics(paste0(pad_figuren, "EMSE_alternatief/diversiteit_S_D_sa ##### Dieet De resultaten voor aantallen, biomassa en diversiteit per dieetgroep worden weergegeven in respectievelijk Figuur \@ref(fig:092-figuur-aantallen-dieet), Figuur \@ref(fig:092-figuur-biomassa-dieet) en Figuur \@ref(fig:092-figuur-diversiteit-dieet). - + Benthivoren en omnivoren zijn het meest talrijk en maken ook het grootste deel van de biomassa uit. Tong in de zone met sterke saliniteitsgradiënt en brakwatergrondel in de zoetwater zone zijn traditioneel de dominante benthivoren qua aantallen. @@ -569,7 +569,7 @@ In biomassa blijft tong dominant in de oligohaliene zone en domineert brasem in Spiering (zoete zone) en bot (saliniteitsgradiënt) zijn de dominante omnivoren wat betreft aantallen. Een groot aantal steenbolk laat zich opmerken in 2023 en zijn dominant in biomassa in de zone met sterke saliniteitsgradiënt. -Voor de biomassa's bij de omnivoren is er meestal geen duidelijke dominantie tussen de meest aspectbepalende soorten: bot, europese meerval, fint, karper, kolblei, snoek en snoekbaars. +Voor de biomassa bij de omnivoren is er meestal geen duidelijke dominantie tussen de meest aspectbepalende soorten: bot, europese meerval, fint, karper, kolblei, snoek en snoekbaars. Dit wordt vaak bepaald door de vangst van enkele grote individuen. Baars, rivierprik en zeeprik zijn de enige piscivoren die in kleine en sterk wisselende aantallen gevangen worden. @@ -621,11 +621,15 @@ We berekenden de indexwaarden voor alle beschikbare gegevens (Tabel \@ref(tab:09 De evolutie van de visindex in de Zeeschelde is ook één van de INBO natuurindicatoren () In de periode 2011-2020 was deze indicator redelijk stabiel in vergelijking tot het decennium dat daaraan voorafging: De zoete zone scoorde doorgaans beter dan de zone met sterke saliniteitsgradiënt en de oligohaliene zone had meestal de laagste score. -De laatste twee jaren daalde de EQR van de zoete zone echter van GEP in 2020 over matig in 2021 naar ontoereikend in 2022 en `r laatste_jaar`. +De laatste twee jaren daalde de EQR van de zoete zone echter van GEP in 2020 over matig in 2021 naar ontoereikend in 2022 en `r laatste_jaar`. De beide andere zones haalden nog nooit de goede ecologische toestand en scoren beide ontoereikend in `r laatste_jaar`. Figuur \@ref(fig:092-figuur-spindiagram) geeft voor elke zone een indicatie van de ecologische aspecten die minder en beter scoren in `r laatste_jaar`. Zie Tabel \@ref(tab:090-tabel-metrieken-visindex) voor verklaring van de afkortingen. +In de zoetwaterzone scoren alle metrieken slecht behalve het totaal aantal soorten en het aantal individuen per fuikdag. +Vooral het percentage van gespecialiseerde paaiers trekt het geheel omlaag. +In de oligohaliene zone scoren alle metrieken laag en het totaal aantal individuen per fuikdag goed. +In het mesohalien is de score voor alle metrieken laag. ```{r 092-tabel-visindex} @@ -679,8 +683,3 @@ knitr::include_graphics(figs_spin) ```
- -In de zoetwaterzone scoren alle metrieken slecht behalve het totaal aantal soorten en het aantal individuen per fuikdag. -Vooral het percentage van gespecialiseerde paaiers trekt het geheel omlaag. -In de oligohaliene zone scoren alle metrieken laag en het totaal aantal individuen per fuikdag goed. -In het mesohalien is de score voor alle metrieken laag. diff --git a/moneos_2024/150_geintegreerd_rapport/093_vissen_conclusies.Rmd b/moneos_2024/150_geintegreerd_rapport/093_vissen_conclusies.Rmd index 65bf87e..7e9bc55 100644 --- a/moneos_2024/150_geintegreerd_rapport/093_vissen_conclusies.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/093_vissen_conclusies.Rmd @@ -66,14 +66,14 @@ for(i in 1:nrow(meta_data)){ ## Algemene conclusies -### Afvissingen in 2022 +### Afvissingen in `r laatste_jaar` -2023 was een tweede **bodemjaar** op rij **voor het aantal spieringen** in de Zeeschelde. +`r laatste_jaar` was een tweede **bodemjaar** op rij **voor het aantal spieringen** in de Zeeschelde. Dit geldt zowel voor de ankerkuil als voor de fuikvangsten, waardoor het beeld van de absolute dominantie van deze soort zelfs in het pelagiaal vervaagt. Sterke schommelingen in spiering aantallen werden vroeger al opgemerkt in andere gebieden en kunnen deels teruggebracht worden op lage densiteiten van 1 of 2 jaarklassen (Belyanina 1969), waarbij verschillen in leeftijdssamenstelling van populaties voor een stuk gelinkt zijn met verschillen in groeisnelheid en maturatie van de verschillende jaarklassen (Lapin, 1960). Om hier een beter zicht op te krijgen zou voor de Schelde ruimtelijke en seizoenale patronen per leeftijdgroep over de jaren heen geanalyseerd moeten worden in relatie tot abiotiek en beheer. -In 2023 werd met de ankerkuil **uitzonderlijk veel grondels** (*Potamoschistus* sp.)gevangen in vooral het najaar in Branst en Steendorp. +In 2023 werd met de ankerkuil **uitzonderlijk veel grondels** (*Potamoschistus* sp.) gevangen in vooral het najaar in Branst en Steendorp. In Steendorp ging het om brakwatergrondel, in Branst opmerkelijk om dikkopje. De **visindex** voor zowel zoet, oligohalien als zoutgradient bereikt in 2023 een ontoereikende status. @@ -110,7 +110,7 @@ In deze rapportage kwamen echter nog opvallende verschillen aan bod: In deze laatste zone worden echter gemiddeld de grootste aantallen met fuiken gevangen. Beide methoden leveren dus een omgekeerd beeld op van relatieve vis densiteit per saliniteitszone. -- Pieken en dalen in de aantallen van de sleutelsoorten verschillen sterk. +- Pieken en dalen in de aantallen van de sleutelsoorten verschillen sterk tussen vangstmethodes. De grote spieringpiek in de ankerkuildata valt in bijvoorbeeld in 2014 terwijl die in 2015 valt op basis van de fuikgegevens. Voor haring waren dat 2022 en 2021 respectievelijk. From ceeee7779e6e12ea70f5f3a576ebc4bf5ab19f99 Mon Sep 17 00:00:00 2001 From: WimMertens Date: Thu, 12 Sep 2024 21:13:24 +0200 Subject: [PATCH 059/102] eerste eindversie --- .../10_broedvogels_analyse.Rmd | 61 +- .../110_broedvogels/10_broedvogels_data.Rmd | 45 +- .../110_broedvogels/Terr_Sigma_AB_tot.csv | 4219 +++++++++++++++++ .../110_broedvogels.Rmd | 186 +- moneos_2024/moneos_2024.Rproj | 2 + 5 files changed, 4432 insertions(+), 81 deletions(-) create mode 100644 moneos_2024/110_broedvogels/Terr_Sigma_AB_tot.csv diff --git a/moneos_2024/110_broedvogels/10_broedvogels_analyse.Rmd b/moneos_2024/110_broedvogels/10_broedvogels_analyse.Rmd index 7094ddf..e49251e 100644 --- a/moneos_2024/110_broedvogels/10_broedvogels_analyse.Rmd +++ b/moneos_2024/110_broedvogels/10_broedvogels_analyse.Rmd @@ -7,7 +7,7 @@ knit: (function(inputFile, encoding) { output_dir = paste0( rmarkdown::yaml_front_matter(inputFile)$params$hoofdstuk, "/output"))}) -title: "MONEOS analyse - zoogdieren" +title: "MONEOS analyse - broedvogels" output: html_document editor_options: chunk_output_type: console @@ -57,6 +57,8 @@ Terr_Sigma_BB <- read_csv(str_c(pad_tabellen, "Terr_Sigma_BB.csv")) Terr_Sigma_AB <- read_csv(str_c(pad_tabellen, "Terr_Sigma_AB.csv")) +Terr_Sigma_AB_tot <- + read_csv("Terr_Sigma_AB_tot.csv") ``` @@ -81,8 +83,9 @@ Terr_Sigma_BB %>% filter(Soort != "Purperreiger") %>% ggplot() + geom_point(aes(x = Jaar, y = Aantal))+ - geom_smooth(aes(x = Jaar, y = Aantal))+ + geom_smooth(aes(x = Jaar, y = Aantal), span = 0.6)+ geom_hline(aes(yintercept = Doel), size = 0.75, colour = "red") + + ylim(0, NA_integer_) + facet_wrap (~Soort, scales = "free", ncol=3) + labs(y = "Aantal territoria") + theme( @@ -126,6 +129,32 @@ ggsave(filename = str_c(pad_figuren, "110_fig3.jpg"), height=8, width=7) ``` + +```{r 110-plot-algemene-soorten-tot, fig.height=5, fig.width=6, out.width="100%", fig.cap = cap_algemene_soorten} + +cap_algemene_soorten <- + "Evoluties in de broedvogelaantallen (territoria) voor een selectie van algemenere soorten voor een beperkt aantal gebieden die frequent worden geteld (BD (Blokkersdijk), K (Ketenisse), Sigma (Kalkense Meersen, Wijmeers, Bergenmeersen, Paardeweide, Weijmeerbroek en Polder van Kruibeke), Sigma\\_LO (= Noordelijke gebied = Doelpolder + Prosperpolder + Paardenschor + Schor Ouden Doel)) tot en met 2020 en voor alle getelde gebieden sinds 2021. Rode horizontale lijn geeft de tot doel gestelde aantallen." + +Terr_Sigma_AB_tot %>% + ggplot() + + geom_bar(aes(Jaar, weight = Aantal, fill = TypeGebied))+ + geom_hline(aes(yintercept = Doel), size = 1, color = "red")+ + facet_wrap (~Soort, scales = "free", ncol=2)+ + scale_y_continuous(limits = c(0, NA))+ + scale_x_continuous(breaks = c(2005,2010,2015, 2020)) + + labs(y = "Aantal territoria") + + scale_fill_discrete(labels=c("Blokkersdijk", "Ketenisse", "Sigma", + "Sigma_Noordelijk gebied")) + + theme( + strip.text = element_text(size = 12), + axis.title = element_text(size = 11), + axis.title.x = element_blank(), + axis.text = element_text(size = 9), + legend.title = element_blank(), + legend.position = "bottom" + ) + + ```{r soortgrafiek per Typegebied, include = FALSE} Terr_Sigma_AB %>% filter(Soort == "Scholekster") %>% @@ -154,6 +183,8 @@ Terr_Sigma_AB %>% summarise(Aantal = sum(Aantal), .groups = "drop") ``` + + # Broedlocaties per soort Voor het schrijven van het hoofdstuk kan het handig zijn een jaarlijks overzicht van broedlocaties van de soorten handig zijn. @@ -173,21 +204,33 @@ data_nested <- # data_nested$data[data_nested$Soort == "Lepelaar" & data_nested$Jaar == 2021] %>% # kable() %>% # kable_paper() + ``` -```{r broedlocaties 2021, results='asis'} +```{r broedlocaties, results='asis'} # The nested data are used in a for loop to produce seperate table in de output html file, notice the use of results='asis' in the header! (without that kable does not work in a for loop) -for(x in data_nested$Soort){ - a <- data_nested %>% filter(Soort == x) %>% slice(1) +for(x in unique(data_nested$Soort)){ + a <- data_nested %>% filter(Soort == x) for(y in a$Jaar){ - cap <- str_c("Overzicht van broedlocaties en aantal broedkoppels van ", - x, " in ", y) - b <- data_nested$data[data_nested$Soort == x & data_nested$Jaar == y] %>% + cap <- str_c(a$Soort[1], y, sep = " - ") + b <- + a %>% filter(Jaar == y) %>% pull(data) %>% kable(caption = cap, align = "lcc") print(b) - # cat("\n") + cat("\n") } } +``` + + +```{r broedlocaties2, results='asis'} +for(x in unique(data_nested$Soort)){ + a <- data_nested %>% filter(Soort == x) %>% unnest %>% + pivot_wider(id_cols = Gebied, names_from = Jaar, values_from = maximum) %>% + kable(caption = x, align = "lcc") + print(a) + cat("\n") +} ```
diff --git a/moneos_2024/110_broedvogels/10_broedvogels_data.Rmd b/moneos_2024/110_broedvogels/10_broedvogels_data.Rmd index 32ede56..ecd4b5c 100644 --- a/moneos_2024/110_broedvogels/10_broedvogels_data.Rmd +++ b/moneos_2024/110_broedvogels/10_broedvogels_data.Rmd @@ -71,7 +71,8 @@ data2123 <- read_xlsx(str_c(pad_data, "Data_nieuwe_vorm_2024.xlsx"), range = "A1:G500") %>% filter(!is.na(Soort)) data2123_v2 <- - read_xlsx(str_c(pad_data, "Data_nieuwe_vorm_2024_v2.xlsx"), range = "A1:G500") %>% + read_xlsx(str_c(pad_data, "Data_nieuwe_vorm_2024_v2.xlsx"), + sheet = "Data") %>% filter(!is.na(Soort)) data2123 %>% group_by(Jaar) %>% @@ -87,7 +88,7 @@ data2123 %>% # tabel met data van 2021 tot 2023 die we zullen gebruiken data23 <- - read_xlsx(str_c(pad_data, "Data_nieuwe_vorm_2024.xlsx"), range = "A1:G500") %>% + read_xlsx(str_c(pad_data, "Data_nieuwe_vorm_2024.xlsx"), sheet = "Data") %>% filter(!is.na(Soort)) ``` @@ -117,6 +118,7 @@ De basistabel met het aantal territoria voor de 21 doelsoorten tussen 1995 en 20 # toe te voegen data (Data_21_23 <- data23 %>% + filter(Gebied != "AN_RO_inclusief Kuifeend") %>% group_by(Jaar, Soort) %>% summarise(Aantal = ceiling((sum(minimum) + sum(maximum))/2), .groups = "drop")) # aantal is het naar boven afgerond gemiddelde van min en max @@ -141,11 +143,11 @@ We berekenen de totalen voor een set van 16 soorten. filter(Soort %in% c("Baardman", "Bruine kiekendief","Grote karekiet","Grutto", "Kluut", "Kwak", "Kwartelkoning", "Lepelaar", "Paapje", "Porseleinhoen", "Purperreiger", "Roerdomp", "Snor", "Tureluur", "Woudaap", "Zomertaling")) %>% - complete(Soort, Jaar, fill = list(Aantal = 0))) # add zero's - + # complete(Soort, Jaar, fill = list(Aantal = 0))) # add zero's, this is wrong, should be na + complete(Soort, Jaar, fill = list(Aantal = NA_integer_))) # add species data (IHD, Biotoop, Voedselregime) Soorten <- - read_csv(str_c(pad_data, "Soort.csv")) + read_xlsx(str_c(pad_data, "Data_nieuwe_vorm_2024.xlsx"), sheet = "Soorten") Terr_Sigma_BB %>% left_join(Soorten, by = c("Soort")) %>% @@ -174,7 +176,7 @@ Soorten <- (GebiedenAB <- Gebieden %>% filter(Gebied_gr %in% Terr_Sigma_AB_2021$Gebied)) - +# unique(Terr_Sigma_AB_2021$Gebied) (Terr_Sigma_AB_2023 <- data23 %>% filter(Soort %in% c("Blauwborst", "Dodaars","Rietzanger","Scholekster", @@ -233,6 +235,37 @@ Terr_Sigma_AB %>% ``` +```{r} +(Terr_Sigma_AB_2023_tot <- + data23 %>% + filter(Soort %in% c("Blauwborst", "Dodaars","Rietzanger","Scholekster", + "Slobeend", "Zomertaling")) %>% + filter(Gebied != "AN_RO_inclusief Kuifeend") %>% + group_by(Jaar, Soort, Gebied) %>% + summarise(minimum = sum(minimum), maximum = sum(maximum), + .groups = "drop") %>% + mutate(Aantal = ceiling(minimum + maximum)/2) %>% + select(-c(minimum, maximum))) + +# Add 2021, 2022 and 2023 +Terr_Sigma_AB_tot <- + Terr_Sigma_AB_2021 %>% + select(-c(TypeGebied, Doel)) %>% + pivot_longer(cols = !c(SOORT, Gebied), + names_to = "Jaar", + values_to = "Aantal") %>% + rename(Soort = SOORT) %>% + mutate(Jaar = as.numeric(Jaar)) %>% + bind_rows(Terr_Sigma_AB_2023_tot) %>% + complete(Soort, Gebied, Jaar, fill = list(Aantal = 0)) %>% + group_by(Soort, Gebied, Jaar) %>% + summarise(Aantal = sum(Aantal), .groups = "drop") %>% + left_join(Gebieden[,c(1,4)]) %>% # add TypeGebied + left_join(Soorten[,c(1,5)]) # add Doel +getwd() +Terr_Sigma_AB_tot %>% + write_csv("Terr_Sigma_AB_tot.csv") +``` diff --git a/moneos_2024/110_broedvogels/Terr_Sigma_AB_tot.csv b/moneos_2024/110_broedvogels/Terr_Sigma_AB_tot.csv new file mode 100644 index 0000000..2cd13b2 --- /dev/null +++ b/moneos_2024/110_broedvogels/Terr_Sigma_AB_tot.csv @@ -0,0 +1,4219 @@ +Soort,Gebied,Jaar,Aantal,TypeGebied,Doel +Blauwborst,Beneden Nete,2005,0,Sigma,550 +Blauwborst,Beneden Nete,2006,0,Sigma,550 +Blauwborst,Beneden Nete,2007,0,Sigma,550 +Blauwborst,Beneden Nete,2008,0,Sigma,550 +Blauwborst,Beneden Nete,2009,0,Sigma,550 +Blauwborst,Beneden Nete,2010,0,Sigma,550 +Blauwborst,Beneden Nete,2011,0,Sigma,550 +Blauwborst,Beneden Nete,2012,0,Sigma,550 +Blauwborst,Beneden Nete,2013,0,Sigma,550 +Blauwborst,Beneden Nete,2014,0,Sigma,550 +Blauwborst,Beneden Nete,2015,0,Sigma,550 +Blauwborst,Beneden Nete,2016,0,Sigma,550 +Blauwborst,Beneden Nete,2017,0,Sigma,550 +Blauwborst,Beneden Nete,2018,0,Sigma,550 +Blauwborst,Beneden Nete,2019,0,Sigma,550 +Blauwborst,Beneden Nete,2020,0,Sigma,550 +Blauwborst,Beneden Nete,2021,0,Sigma,550 +Blauwborst,Beneden Nete,2022,10,Sigma,550 +Blauwborst,Beneden Nete,2023,12,Sigma,550 +Blauwborst,Bergenmeersen,2005,1,Sigma,550 +Blauwborst,Bergenmeersen,2006,1,Sigma,550 +Blauwborst,Bergenmeersen,2007,1,Sigma,550 +Blauwborst,Bergenmeersen,2008,1,Sigma,550 +Blauwborst,Bergenmeersen,2009,1,Sigma,550 +Blauwborst,Bergenmeersen,2010,1,Sigma,550 +Blauwborst,Bergenmeersen,2011,1,Sigma,550 +Blauwborst,Bergenmeersen,2012,1,Sigma,550 +Blauwborst,Bergenmeersen,2013,1,Sigma,550 +Blauwborst,Bergenmeersen,2014,2,Sigma,550 +Blauwborst,Bergenmeersen,2015,6,Sigma,550 +Blauwborst,Bergenmeersen,2016,9,Sigma,550 +Blauwborst,Bergenmeersen,2017,11,Sigma,550 +Blauwborst,Bergenmeersen,2018,12,Sigma,550 +Blauwborst,Bergenmeersen,2019,16,Sigma,550 +Blauwborst,Bergenmeersen,2020,19,Sigma,550 +Blauwborst,Bergenmeersen,2021,14,Sigma,550 +Blauwborst,Bergenmeersen,2022,9,Sigma,550 +Blauwborst,Bergenmeersen,2023,9,Sigma,550 +Blauwborst,Blokkersdijk,2005,10,BD,550 +Blauwborst,Blokkersdijk,2006,10,BD,550 +Blauwborst,Blokkersdijk,2007,9,BD,550 +Blauwborst,Blokkersdijk,2008,9,BD,550 +Blauwborst,Blokkersdijk,2009,6,BD,550 +Blauwborst,Blokkersdijk,2010,4,BD,550 +Blauwborst,Blokkersdijk,2011,6,BD,550 +Blauwborst,Blokkersdijk,2012,8,BD,550 +Blauwborst,Blokkersdijk,2013,7,BD,550 +Blauwborst,Blokkersdijk,2014,7,BD,550 +Blauwborst,Blokkersdijk,2015,1,BD,550 +Blauwborst,Blokkersdijk,2016,3,BD,550 +Blauwborst,Blokkersdijk,2017,2,BD,550 +Blauwborst,Blokkersdijk,2018,5,BD,550 +Blauwborst,Blokkersdijk,2019,2,BD,550 +Blauwborst,Blokkersdijk,2020,3,BD,550 +Blauwborst,Blokkersdijk,2021,6,BD,550 +Blauwborst,Blokkersdijk,2022,5,BD,550 +Blauwborst,Blokkersdijk,2023,3,BD,550 +Blauwborst,Burchtse Weel,2005,0,Sigma,550 +Blauwborst,Burchtse Weel,2006,0,Sigma,550 +Blauwborst,Burchtse Weel,2007,0,Sigma,550 +Blauwborst,Burchtse Weel,2008,0,Sigma,550 +Blauwborst,Burchtse Weel,2009,0,Sigma,550 +Blauwborst,Burchtse Weel,2010,0,Sigma,550 +Blauwborst,Burchtse Weel,2011,0,Sigma,550 +Blauwborst,Burchtse Weel,2012,0,Sigma,550 +Blauwborst,Burchtse Weel,2013,0,Sigma,550 +Blauwborst,Burchtse Weel,2014,0,Sigma,550 +Blauwborst,Burchtse Weel,2015,0,Sigma,550 +Blauwborst,Burchtse Weel,2016,0,Sigma,550 +Blauwborst,Burchtse Weel,2017,0,Sigma,550 +Blauwborst,Burchtse Weel,2018,0,Sigma,550 +Blauwborst,Burchtse Weel,2019,0,Sigma,550 +Blauwborst,Burchtse Weel,2020,0,Sigma,550 +Blauwborst,Burchtse Weel,2021,0,Sigma,550 +Blauwborst,Burchtse Weel,2022,4,Sigma,550 +Blauwborst,Burchtse Weel,2023,0,Sigma,550 +Blauwborst,Doelpolder-noord,2005,0,Sigma_LO,550 +Blauwborst,Doelpolder-noord,2006,0,Sigma_LO,550 +Blauwborst,Doelpolder-noord,2007,0,Sigma_LO,550 +Blauwborst,Doelpolder-noord,2008,0,Sigma_LO,550 +Blauwborst,Doelpolder-noord,2009,0,Sigma_LO,550 +Blauwborst,Doelpolder-noord,2010,0,Sigma_LO,550 +Blauwborst,Doelpolder-noord,2011,0,Sigma_LO,550 +Blauwborst,Doelpolder-noord,2012,0,Sigma_LO,550 +Blauwborst,Doelpolder-noord,2013,0,Sigma_LO,550 +Blauwborst,Doelpolder-noord,2014,0,Sigma_LO,550 +Blauwborst,Doelpolder-noord,2015,0,Sigma_LO,550 +Blauwborst,Doelpolder-noord,2016,0,Sigma_LO,550 +Blauwborst,Doelpolder-noord,2017,0,Sigma_LO,550 +Blauwborst,Doelpolder-noord,2018,0,Sigma_LO,550 +Blauwborst,Doelpolder-noord,2019,0,Sigma_LO,550 +Blauwborst,Doelpolder-noord,2020,0,Sigma_LO,550 +Blauwborst,Doelpolder-noord,2021,0,Sigma_LO,550 +Blauwborst,Doelpolder-noord,2022,0,Sigma_LO,550 +Blauwborst,Doelpolder-noord,2023,2,Sigma_LO,550 +Blauwborst,Donkmeer,2005,0,Vallei buiten Sigma,550 +Blauwborst,Donkmeer,2006,0,Vallei buiten Sigma,550 +Blauwborst,Donkmeer,2007,0,Vallei buiten Sigma,550 +Blauwborst,Donkmeer,2008,0,Vallei buiten Sigma,550 +Blauwborst,Donkmeer,2009,0,Vallei buiten Sigma,550 +Blauwborst,Donkmeer,2010,0,Vallei buiten Sigma,550 +Blauwborst,Donkmeer,2011,0,Vallei buiten Sigma,550 +Blauwborst,Donkmeer,2012,0,Vallei buiten Sigma,550 +Blauwborst,Donkmeer,2013,0,Vallei buiten Sigma,550 +Blauwborst,Donkmeer,2014,0,Vallei buiten Sigma,550 +Blauwborst,Donkmeer,2015,0,Vallei buiten Sigma,550 +Blauwborst,Donkmeer,2016,0,Vallei buiten Sigma,550 +Blauwborst,Donkmeer,2017,0,Vallei buiten Sigma,550 +Blauwborst,Donkmeer,2018,0,Vallei buiten Sigma,550 +Blauwborst,Donkmeer,2019,0,Vallei buiten Sigma,550 +Blauwborst,Donkmeer,2020,0,Vallei buiten Sigma,550 +Blauwborst,Donkmeer,2021,0,Vallei buiten Sigma,550 +Blauwborst,Donkmeer,2022,5,Vallei buiten Sigma,550 +Blauwborst,Donkmeer,2023,2,Vallei buiten Sigma,550 +Blauwborst,Durmemeersen,2005,0,Vallei buiten Sigma,550 +Blauwborst,Durmemeersen,2006,0,Vallei buiten Sigma,550 +Blauwborst,Durmemeersen,2007,0,Vallei buiten Sigma,550 +Blauwborst,Durmemeersen,2008,0,Vallei buiten Sigma,550 +Blauwborst,Durmemeersen,2009,0,Vallei buiten Sigma,550 +Blauwborst,Durmemeersen,2010,0,Vallei buiten Sigma,550 +Blauwborst,Durmemeersen,2011,0,Vallei buiten Sigma,550 +Blauwborst,Durmemeersen,2012,0,Vallei buiten Sigma,550 +Blauwborst,Durmemeersen,2013,0,Vallei buiten Sigma,550 +Blauwborst,Durmemeersen,2014,0,Vallei buiten Sigma,550 +Blauwborst,Durmemeersen,2015,0,Vallei buiten Sigma,550 +Blauwborst,Durmemeersen,2016,0,Vallei buiten Sigma,550 +Blauwborst,Durmemeersen,2017,0,Vallei buiten Sigma,550 +Blauwborst,Durmemeersen,2018,0,Vallei buiten Sigma,550 +Blauwborst,Durmemeersen,2019,0,Vallei buiten Sigma,550 +Blauwborst,Durmemeersen,2020,0,Vallei buiten Sigma,550 +Blauwborst,Durmemeersen,2021,0,Vallei buiten Sigma,550 +Blauwborst,Durmemeersen,2022,2,Vallei buiten Sigma,550 +Blauwborst,Durmemeersen,2023,2,Vallei buiten Sigma,550 +Blauwborst,Gebieden vzwDurme,2005,0,Vallei buiten Sigma,550 +Blauwborst,Gebieden vzwDurme,2006,0,Vallei buiten Sigma,550 +Blauwborst,Gebieden vzwDurme,2007,0,Vallei buiten Sigma,550 +Blauwborst,Gebieden vzwDurme,2008,0,Vallei buiten Sigma,550 +Blauwborst,Gebieden vzwDurme,2009,0,Vallei buiten Sigma,550 +Blauwborst,Gebieden vzwDurme,2010,0,Vallei buiten Sigma,550 +Blauwborst,Gebieden vzwDurme,2011,0,Vallei buiten Sigma,550 +Blauwborst,Gebieden vzwDurme,2012,0,Vallei buiten Sigma,550 +Blauwborst,Gebieden vzwDurme,2013,0,Vallei buiten Sigma,550 +Blauwborst,Gebieden vzwDurme,2014,0,Vallei buiten Sigma,550 +Blauwborst,Gebieden vzwDurme,2015,0,Vallei buiten Sigma,550 +Blauwborst,Gebieden vzwDurme,2016,0,Vallei buiten Sigma,550 +Blauwborst,Gebieden vzwDurme,2017,0,Vallei buiten Sigma,550 +Blauwborst,Gebieden vzwDurme,2018,0,Vallei buiten Sigma,550 +Blauwborst,Gebieden vzwDurme,2019,0,Vallei buiten Sigma,550 +Blauwborst,Gebieden vzwDurme,2020,0,Vallei buiten Sigma,550 +Blauwborst,Gebieden vzwDurme,2021,0,Vallei buiten Sigma,550 +Blauwborst,Gebieden vzwDurme,2022,13,Vallei buiten Sigma,550 +Blauwborst,Gebieden vzwDurme,2023,0,Vallei buiten Sigma,550 +Blauwborst,Gentbrugse meersen,2005,0,Vallei buiten Sigma,550 +Blauwborst,Gentbrugse meersen,2006,0,Vallei buiten Sigma,550 +Blauwborst,Gentbrugse meersen,2007,0,Vallei buiten Sigma,550 +Blauwborst,Gentbrugse meersen,2008,0,Vallei buiten Sigma,550 +Blauwborst,Gentbrugse meersen,2009,0,Vallei buiten Sigma,550 +Blauwborst,Gentbrugse meersen,2010,0,Vallei buiten Sigma,550 +Blauwborst,Gentbrugse meersen,2011,0,Vallei buiten Sigma,550 +Blauwborst,Gentbrugse meersen,2012,0,Vallei buiten Sigma,550 +Blauwborst,Gentbrugse meersen,2013,0,Vallei buiten Sigma,550 +Blauwborst,Gentbrugse meersen,2014,0,Vallei buiten Sigma,550 +Blauwborst,Gentbrugse meersen,2015,0,Vallei buiten Sigma,550 +Blauwborst,Gentbrugse meersen,2016,0,Vallei buiten Sigma,550 +Blauwborst,Gentbrugse meersen,2017,0,Vallei buiten Sigma,550 +Blauwborst,Gentbrugse meersen,2018,0,Vallei buiten Sigma,550 +Blauwborst,Gentbrugse meersen,2019,0,Vallei buiten Sigma,550 +Blauwborst,Gentbrugse meersen,2020,0,Vallei buiten Sigma,550 +Blauwborst,Gentbrugse meersen,2021,0,Vallei buiten Sigma,550 +Blauwborst,Gentbrugse meersen,2022,0,Vallei buiten Sigma,550 +Blauwborst,Gentbrugse meersen,2023,0,Vallei buiten Sigma,550 +Blauwborst,Groot Broek,2005,0,Sigma,550 +Blauwborst,Groot Broek,2006,0,Sigma,550 +Blauwborst,Groot Broek,2007,0,Sigma,550 +Blauwborst,Groot Broek,2008,0,Sigma,550 +Blauwborst,Groot Broek,2009,0,Sigma,550 +Blauwborst,Groot Broek,2010,0,Sigma,550 +Blauwborst,Groot Broek,2011,0,Sigma,550 +Blauwborst,Groot Broek,2012,0,Sigma,550 +Blauwborst,Groot Broek,2013,0,Sigma,550 +Blauwborst,Groot Broek,2014,0,Sigma,550 +Blauwborst,Groot Broek,2015,0,Sigma,550 +Blauwborst,Groot Broek,2016,0,Sigma,550 +Blauwborst,Groot Broek,2017,0,Sigma,550 +Blauwborst,Groot Broek,2018,0,Sigma,550 +Blauwborst,Groot Broek,2019,0,Sigma,550 +Blauwborst,Groot Broek,2020,0,Sigma,550 +Blauwborst,Groot Broek,2021,0,Sigma,550 +Blauwborst,Groot Broek,2022,3.5,Sigma,550 +Blauwborst,Groot Broek,2023,3.5,Sigma,550 +Blauwborst,Groot buitenschoor,2005,0,Estuarium buiten Sigma,550 +Blauwborst,Groot buitenschoor,2006,0,Estuarium buiten Sigma,550 +Blauwborst,Groot buitenschoor,2007,0,Estuarium buiten Sigma,550 +Blauwborst,Groot buitenschoor,2008,0,Estuarium buiten Sigma,550 +Blauwborst,Groot buitenschoor,2009,0,Estuarium buiten Sigma,550 +Blauwborst,Groot buitenschoor,2010,0,Estuarium buiten Sigma,550 +Blauwborst,Groot buitenschoor,2011,0,Estuarium buiten Sigma,550 +Blauwborst,Groot buitenschoor,2012,0,Estuarium buiten Sigma,550 +Blauwborst,Groot buitenschoor,2013,0,Estuarium buiten Sigma,550 +Blauwborst,Groot buitenschoor,2014,0,Estuarium buiten Sigma,550 +Blauwborst,Groot buitenschoor,2015,0,Estuarium buiten Sigma,550 +Blauwborst,Groot buitenschoor,2016,0,Estuarium buiten Sigma,550 +Blauwborst,Groot buitenschoor,2017,0,Estuarium buiten Sigma,550 +Blauwborst,Groot buitenschoor,2018,0,Estuarium buiten Sigma,550 +Blauwborst,Groot buitenschoor,2019,0,Estuarium buiten Sigma,550 +Blauwborst,Groot buitenschoor,2020,0,Estuarium buiten Sigma,550 +Blauwborst,Groot buitenschoor,2021,0,Estuarium buiten Sigma,550 +Blauwborst,Groot buitenschoor,2022,12,Estuarium buiten Sigma,550 +Blauwborst,Groot buitenschoor,2023,0,Estuarium buiten Sigma,550 +Blauwborst,Grote Wal,2005,0,Sigma,550 +Blauwborst,Grote Wal,2006,0,Sigma,550 +Blauwborst,Grote Wal,2007,0,Sigma,550 +Blauwborst,Grote Wal,2008,0,Sigma,550 +Blauwborst,Grote Wal,2009,0,Sigma,550 +Blauwborst,Grote Wal,2010,0,Sigma,550 +Blauwborst,Grote Wal,2011,0,Sigma,550 +Blauwborst,Grote Wal,2012,0,Sigma,550 +Blauwborst,Grote Wal,2013,0,Sigma,550 +Blauwborst,Grote Wal,2014,0,Sigma,550 +Blauwborst,Grote Wal,2015,0,Sigma,550 +Blauwborst,Grote Wal,2016,0,Sigma,550 +Blauwborst,Grote Wal,2017,0,Sigma,550 +Blauwborst,Grote Wal,2018,0,Sigma,550 +Blauwborst,Grote Wal,2019,0,Sigma,550 +Blauwborst,Grote Wal,2020,0,Sigma,550 +Blauwborst,Grote Wal,2021,0,Sigma,550 +Blauwborst,Grote Wal,2022,29,Sigma,550 +Blauwborst,Grote Wal,2023,8,Sigma,550 +Blauwborst,Grote vijver - deel 1,2005,0,Sigma,550 +Blauwborst,Grote vijver - deel 1,2006,0,Sigma,550 +Blauwborst,Grote vijver - deel 1,2007,0,Sigma,550 +Blauwborst,Grote vijver - deel 1,2008,0,Sigma,550 +Blauwborst,Grote vijver - deel 1,2009,0,Sigma,550 +Blauwborst,Grote vijver - deel 1,2010,0,Sigma,550 +Blauwborst,Grote vijver - deel 1,2011,0,Sigma,550 +Blauwborst,Grote vijver - deel 1,2012,0,Sigma,550 +Blauwborst,Grote vijver - deel 1,2013,0,Sigma,550 +Blauwborst,Grote vijver - deel 1,2014,0,Sigma,550 +Blauwborst,Grote vijver - deel 1,2015,0,Sigma,550 +Blauwborst,Grote vijver - deel 1,2016,0,Sigma,550 +Blauwborst,Grote vijver - deel 1,2017,0,Sigma,550 +Blauwborst,Grote vijver - deel 1,2018,0,Sigma,550 +Blauwborst,Grote vijver - deel 1,2019,0,Sigma,550 +Blauwborst,Grote vijver - deel 1,2020,0,Sigma,550 +Blauwborst,Grote vijver - deel 1,2021,0,Sigma,550 +Blauwborst,Grote vijver - deel 1,2022,7,Sigma,550 +Blauwborst,Grote vijver - deel 1,2023,0,Sigma,550 +Blauwborst,Grote vijver - deel 2,2005,0,Sigma,550 +Blauwborst,Grote vijver - deel 2,2006,0,Sigma,550 +Blauwborst,Grote vijver - deel 2,2007,0,Sigma,550 +Blauwborst,Grote vijver - deel 2,2008,0,Sigma,550 +Blauwborst,Grote vijver - deel 2,2009,0,Sigma,550 +Blauwborst,Grote vijver - deel 2,2010,0,Sigma,550 +Blauwborst,Grote vijver - deel 2,2011,0,Sigma,550 +Blauwborst,Grote vijver - deel 2,2012,0,Sigma,550 +Blauwborst,Grote vijver - deel 2,2013,0,Sigma,550 +Blauwborst,Grote vijver - deel 2,2014,0,Sigma,550 +Blauwborst,Grote vijver - deel 2,2015,0,Sigma,550 +Blauwborst,Grote vijver - deel 2,2016,0,Sigma,550 +Blauwborst,Grote vijver - deel 2,2017,0,Sigma,550 +Blauwborst,Grote vijver - deel 2,2018,0,Sigma,550 +Blauwborst,Grote vijver - deel 2,2019,0,Sigma,550 +Blauwborst,Grote vijver - deel 2,2020,0,Sigma,550 +Blauwborst,Grote vijver - deel 2,2021,0,Sigma,550 +Blauwborst,Grote vijver - deel 2,2022,2,Sigma,550 +Blauwborst,Grote vijver - deel 2,2023,0,Sigma,550 +Blauwborst,KBR,2005,42,Sigma,550 +Blauwborst,KBR,2006,42,Sigma,550 +Blauwborst,KBR,2007,42,Sigma,550 +Blauwborst,KBR,2008,36,Sigma,550 +Blauwborst,KBR,2009,48,Sigma,550 +Blauwborst,KBR,2010,63,Sigma,550 +Blauwborst,KBR,2011,76,Sigma,550 +Blauwborst,KBR,2012,78,Sigma,550 +Blauwborst,KBR,2013,69,Sigma,550 +Blauwborst,KBR,2014,79,Sigma,550 +Blauwborst,KBR,2015,72,Sigma,550 +Blauwborst,KBR,2016,93,Sigma,550 +Blauwborst,KBR,2017,117,Sigma,550 +Blauwborst,KBR,2018,95,Sigma,550 +Blauwborst,KBR,2019,109,Sigma,550 +Blauwborst,KBR,2020,109,Sigma,550 +Blauwborst,KBR,2021,85,Sigma,550 +Blauwborst,KBR,2022,108,Sigma,550 +Blauwborst,KBR,2023,82,Sigma,550 +Blauwborst,Kalkense meersen,2005,29,Sigma,550 +Blauwborst,Kalkense meersen,2006,29,Sigma,550 +Blauwborst,Kalkense meersen,2007,29,Sigma,550 +Blauwborst,Kalkense meersen,2008,29,Sigma,550 +Blauwborst,Kalkense meersen,2009,29,Sigma,550 +Blauwborst,Kalkense meersen,2010,29,Sigma,550 +Blauwborst,Kalkense meersen,2011,29,Sigma,550 +Blauwborst,Kalkense meersen,2012,29,Sigma,550 +Blauwborst,Kalkense meersen,2013,34,Sigma,550 +Blauwborst,Kalkense meersen,2014,40,Sigma,550 +Blauwborst,Kalkense meersen,2015,43,Sigma,550 +Blauwborst,Kalkense meersen,2016,38,Sigma,550 +Blauwborst,Kalkense meersen,2017,37,Sigma,550 +Blauwborst,Kalkense meersen,2018,38,Sigma,550 +Blauwborst,Kalkense meersen,2019,42,Sigma,550 +Blauwborst,Kalkense meersen,2020,42,Sigma,550 +Blauwborst,Kalkense meersen,2021,47,Sigma,550 +Blauwborst,Kalkense meersen,2022,43,Sigma,550 +Blauwborst,Kalkense meersen,2023,43,Sigma,550 +Blauwborst,Ketenisse,2005,5,Estuarium buiten Sigma,550 +Blauwborst,Ketenisse,2006,6,Estuarium buiten Sigma,550 +Blauwborst,Ketenisse,2007,7,Estuarium buiten Sigma,550 +Blauwborst,Ketenisse,2008,12,Estuarium buiten Sigma,550 +Blauwborst,Ketenisse,2009,15,Estuarium buiten Sigma,550 +Blauwborst,Ketenisse,2010,20,Estuarium buiten Sigma,550 +Blauwborst,Ketenisse,2011,11,Estuarium buiten Sigma,550 +Blauwborst,Ketenisse,2012,15,Estuarium buiten Sigma,550 +Blauwborst,Ketenisse,2013,16,Estuarium buiten Sigma,550 +Blauwborst,Ketenisse,2014,17,Estuarium buiten Sigma,550 +Blauwborst,Ketenisse,2015,15,Estuarium buiten Sigma,550 +Blauwborst,Ketenisse,2016,17,Estuarium buiten Sigma,550 +Blauwborst,Ketenisse,2017,18,Estuarium buiten Sigma,550 +Blauwborst,Ketenisse,2018,19,Estuarium buiten Sigma,550 +Blauwborst,Ketenisse,2019,15,Estuarium buiten Sigma,550 +Blauwborst,Ketenisse,2020,15,Estuarium buiten Sigma,550 +Blauwborst,Ketenisse,2021,17,Estuarium buiten Sigma,550 +Blauwborst,Ketenisse,2022,18,Estuarium buiten Sigma,550 +Blauwborst,Ketenisse,2023,20,Estuarium buiten Sigma,550 +Blauwborst,Klein Broek,2005,0,Sigma,550 +Blauwborst,Klein Broek,2006,0,Sigma,550 +Blauwborst,Klein Broek,2007,0,Sigma,550 +Blauwborst,Klein Broek,2008,0,Sigma,550 +Blauwborst,Klein Broek,2009,0,Sigma,550 +Blauwborst,Klein Broek,2010,0,Sigma,550 +Blauwborst,Klein Broek,2011,0,Sigma,550 +Blauwborst,Klein Broek,2012,0,Sigma,550 +Blauwborst,Klein Broek,2013,0,Sigma,550 +Blauwborst,Klein Broek,2014,0,Sigma,550 +Blauwborst,Klein Broek,2015,0,Sigma,550 +Blauwborst,Klein Broek,2016,0,Sigma,550 +Blauwborst,Klein Broek,2017,0,Sigma,550 +Blauwborst,Klein Broek,2018,0,Sigma,550 +Blauwborst,Klein Broek,2019,0,Sigma,550 +Blauwborst,Klein Broek,2020,0,Sigma,550 +Blauwborst,Klein Broek,2021,0,Sigma,550 +Blauwborst,Klein Broek,2022,2,Sigma,550 +Blauwborst,Klein Broek,2023,2,Sigma,550 +Blauwborst,Mechels Broek,2005,0,Vallei buiten Sigma,550 +Blauwborst,Mechels Broek,2006,0,Vallei buiten Sigma,550 +Blauwborst,Mechels Broek,2007,0,Vallei buiten Sigma,550 +Blauwborst,Mechels Broek,2008,0,Vallei buiten Sigma,550 +Blauwborst,Mechels Broek,2009,0,Vallei buiten Sigma,550 +Blauwborst,Mechels Broek,2010,0,Vallei buiten Sigma,550 +Blauwborst,Mechels Broek,2011,0,Vallei buiten Sigma,550 +Blauwborst,Mechels Broek,2012,0,Vallei buiten Sigma,550 +Blauwborst,Mechels Broek,2013,0,Vallei buiten Sigma,550 +Blauwborst,Mechels Broek,2014,0,Vallei buiten Sigma,550 +Blauwborst,Mechels Broek,2015,0,Vallei buiten Sigma,550 +Blauwborst,Mechels Broek,2016,0,Vallei buiten Sigma,550 +Blauwborst,Mechels Broek,2017,0,Vallei buiten Sigma,550 +Blauwborst,Mechels Broek,2018,0,Vallei buiten Sigma,550 +Blauwborst,Mechels Broek,2019,0,Vallei buiten Sigma,550 +Blauwborst,Mechels Broek,2020,0,Vallei buiten Sigma,550 +Blauwborst,Mechels Broek,2021,0,Vallei buiten Sigma,550 +Blauwborst,Mechels Broek,2022,0,Vallei buiten Sigma,550 +Blauwborst,Mechels Broek,2023,0,Vallei buiten Sigma,550 +Blauwborst,Molsbroek,2005,0,Vallei buiten Sigma,550 +Blauwborst,Molsbroek,2006,0,Vallei buiten Sigma,550 +Blauwborst,Molsbroek,2007,0,Vallei buiten Sigma,550 +Blauwborst,Molsbroek,2008,0,Vallei buiten Sigma,550 +Blauwborst,Molsbroek,2009,0,Vallei buiten Sigma,550 +Blauwborst,Molsbroek,2010,0,Vallei buiten Sigma,550 +Blauwborst,Molsbroek,2011,0,Vallei buiten Sigma,550 +Blauwborst,Molsbroek,2012,0,Vallei buiten Sigma,550 +Blauwborst,Molsbroek,2013,0,Vallei buiten Sigma,550 +Blauwborst,Molsbroek,2014,0,Vallei buiten Sigma,550 +Blauwborst,Molsbroek,2015,0,Vallei buiten Sigma,550 +Blauwborst,Molsbroek,2016,0,Vallei buiten Sigma,550 +Blauwborst,Molsbroek,2017,0,Vallei buiten Sigma,550 +Blauwborst,Molsbroek,2018,0,Vallei buiten Sigma,550 +Blauwborst,Molsbroek,2019,0,Vallei buiten Sigma,550 +Blauwborst,Molsbroek,2020,0,Vallei buiten Sigma,550 +Blauwborst,Molsbroek,2021,10,Vallei buiten Sigma,550 +Blauwborst,Molsbroek,2022,7.5,Vallei buiten Sigma,550 +Blauwborst,Molsbroek,2023,7.5,Vallei buiten Sigma,550 +Blauwborst,Noordelijk eiland,2005,0,Vallei buiten Sigma,550 +Blauwborst,Noordelijk eiland,2006,0,Vallei buiten Sigma,550 +Blauwborst,Noordelijk eiland,2007,0,Vallei buiten Sigma,550 +Blauwborst,Noordelijk eiland,2008,0,Vallei buiten Sigma,550 +Blauwborst,Noordelijk eiland,2009,0,Vallei buiten Sigma,550 +Blauwborst,Noordelijk eiland,2010,0,Vallei buiten Sigma,550 +Blauwborst,Noordelijk eiland,2011,0,Vallei buiten Sigma,550 +Blauwborst,Noordelijk eiland,2012,0,Vallei buiten Sigma,550 +Blauwborst,Noordelijk eiland,2013,0,Vallei buiten Sigma,550 +Blauwborst,Noordelijk eiland,2014,0,Vallei buiten Sigma,550 +Blauwborst,Noordelijk eiland,2015,0,Vallei buiten Sigma,550 +Blauwborst,Noordelijk eiland,2016,0,Vallei buiten Sigma,550 +Blauwborst,Noordelijk eiland,2017,0,Vallei buiten Sigma,550 +Blauwborst,Noordelijk eiland,2018,0,Vallei buiten Sigma,550 +Blauwborst,Noordelijk eiland,2019,0,Vallei buiten Sigma,550 +Blauwborst,Noordelijk eiland,2020,0,Vallei buiten Sigma,550 +Blauwborst,Noordelijk eiland,2021,0,Vallei buiten Sigma,550 +Blauwborst,Noordelijk eiland,2022,0,Vallei buiten Sigma,550 +Blauwborst,Noordelijk eiland,2023,0,Vallei buiten Sigma,550 +Blauwborst,NoordelijkGebied,2005,27,Sigma_LO,550 +Blauwborst,NoordelijkGebied,2006,46,Sigma_LO,550 +Blauwborst,NoordelijkGebied,2007,58,Sigma_LO,550 +Blauwborst,NoordelijkGebied,2008,35,Sigma_LO,550 +Blauwborst,NoordelijkGebied,2009,43,Sigma_LO,550 +Blauwborst,NoordelijkGebied,2010,44,Sigma_LO,550 +Blauwborst,NoordelijkGebied,2011,49,Sigma_LO,550 +Blauwborst,NoordelijkGebied,2012,38,Sigma_LO,550 +Blauwborst,NoordelijkGebied,2013,27,Sigma_LO,550 +Blauwborst,NoordelijkGebied,2014,41,Sigma_LO,550 +Blauwborst,NoordelijkGebied,2015,54,Sigma_LO,550 +Blauwborst,NoordelijkGebied,2016,64,Sigma_LO,550 +Blauwborst,NoordelijkGebied,2017,67,Sigma_LO,550 +Blauwborst,NoordelijkGebied,2018,72,Sigma_LO,550 +Blauwborst,NoordelijkGebied,2019,82,Sigma_LO,550 +Blauwborst,NoordelijkGebied,2020,102,Sigma_LO,550 +Blauwborst,NoordelijkGebied,2021,83,Sigma_LO,550 +Blauwborst,NoordelijkGebied,2022,99,Sigma_LO,550 +Blauwborst,NoordelijkGebied,2023,0,Sigma_LO,550 +Blauwborst,Paardeweide,2005,4,Sigma,550 +Blauwborst,Paardeweide,2006,4,Sigma,550 +Blauwborst,Paardeweide,2007,4,Sigma,550 +Blauwborst,Paardeweide,2008,4,Sigma,550 +Blauwborst,Paardeweide,2009,4,Sigma,550 +Blauwborst,Paardeweide,2010,4,Sigma,550 +Blauwborst,Paardeweide,2011,4,Sigma,550 +Blauwborst,Paardeweide,2012,4,Sigma,550 +Blauwborst,Paardeweide,2013,4,Sigma,550 +Blauwborst,Paardeweide,2014,11,Sigma,550 +Blauwborst,Paardeweide,2015,9,Sigma,550 +Blauwborst,Paardeweide,2016,7,Sigma,550 +Blauwborst,Paardeweide,2017,11,Sigma,550 +Blauwborst,Paardeweide,2018,14,Sigma,550 +Blauwborst,Paardeweide,2019,19,Sigma,550 +Blauwborst,Paardeweide,2020,18,Sigma,550 +Blauwborst,Paardeweide,2021,0,Sigma,550 +Blauwborst,Paardeweide,2022,0,Sigma,550 +Blauwborst,Paardeweide,2023,0,Sigma,550 +Blauwborst,Paardeweide oost,2005,0,Sigma,550 +Blauwborst,Paardeweide oost,2006,0,Sigma,550 +Blauwborst,Paardeweide oost,2007,0,Sigma,550 +Blauwborst,Paardeweide oost,2008,0,Sigma,550 +Blauwborst,Paardeweide oost,2009,0,Sigma,550 +Blauwborst,Paardeweide oost,2010,0,Sigma,550 +Blauwborst,Paardeweide oost,2011,0,Sigma,550 +Blauwborst,Paardeweide oost,2012,0,Sigma,550 +Blauwborst,Paardeweide oost,2013,0,Sigma,550 +Blauwborst,Paardeweide oost,2014,0,Sigma,550 +Blauwborst,Paardeweide oost,2015,0,Sigma,550 +Blauwborst,Paardeweide oost,2016,0,Sigma,550 +Blauwborst,Paardeweide oost,2017,0,Sigma,550 +Blauwborst,Paardeweide oost,2018,0,Sigma,550 +Blauwborst,Paardeweide oost,2019,0,Sigma,550 +Blauwborst,Paardeweide oost,2020,0,Sigma,550 +Blauwborst,Paardeweide oost,2021,10,Sigma,550 +Blauwborst,Paardeweide oost,2022,10,Sigma,550 +Blauwborst,Paardeweide oost,2023,5,Sigma,550 +Blauwborst,Paardeweide west,2005,0,Sigma,550 +Blauwborst,Paardeweide west,2006,0,Sigma,550 +Blauwborst,Paardeweide west,2007,0,Sigma,550 +Blauwborst,Paardeweide west,2008,0,Sigma,550 +Blauwborst,Paardeweide west,2009,0,Sigma,550 +Blauwborst,Paardeweide west,2010,0,Sigma,550 +Blauwborst,Paardeweide west,2011,0,Sigma,550 +Blauwborst,Paardeweide west,2012,0,Sigma,550 +Blauwborst,Paardeweide west,2013,0,Sigma,550 +Blauwborst,Paardeweide west,2014,0,Sigma,550 +Blauwborst,Paardeweide west,2015,0,Sigma,550 +Blauwborst,Paardeweide west,2016,0,Sigma,550 +Blauwborst,Paardeweide west,2017,0,Sigma,550 +Blauwborst,Paardeweide west,2018,0,Sigma,550 +Blauwborst,Paardeweide west,2019,0,Sigma,550 +Blauwborst,Paardeweide west,2020,0,Sigma,550 +Blauwborst,Paardeweide west,2021,10,Sigma,550 +Blauwborst,Paardeweide west,2022,9,Sigma,550 +Blauwborst,Paardeweide west,2023,8,Sigma,550 +Blauwborst,Potpolder Lillo,2005,5,Sigma,550 +Blauwborst,Potpolder Lillo,2006,6,Sigma,550 +Blauwborst,Potpolder Lillo,2007,4,Sigma,550 +Blauwborst,Potpolder Lillo,2008,5,Sigma,550 +Blauwborst,Potpolder Lillo,2009,5,Sigma,550 +Blauwborst,Potpolder Lillo,2010,5,Sigma,550 +Blauwborst,Potpolder Lillo,2011,5,Sigma,550 +Blauwborst,Potpolder Lillo,2012,5,Sigma,550 +Blauwborst,Potpolder Lillo,2013,0,Sigma,550 +Blauwborst,Potpolder Lillo,2014,1,Sigma,550 +Blauwborst,Potpolder Lillo,2015,0,Sigma,550 +Blauwborst,Potpolder Lillo,2016,0,Sigma,550 +Blauwborst,Potpolder Lillo,2017,1,Sigma,550 +Blauwborst,Potpolder Lillo,2018,0,Sigma,550 +Blauwborst,Potpolder Lillo,2019,0,Sigma,550 +Blauwborst,Potpolder Lillo,2020,1,Sigma,550 +Blauwborst,Potpolder Lillo,2021,1,Sigma,550 +Blauwborst,Potpolder Lillo,2022,1,Sigma,550 +Blauwborst,Potpolder Lillo,2023,2,Sigma,550 +Blauwborst,Prosperpolder-noord,2005,0,Sigma_LO,550 +Blauwborst,Prosperpolder-noord,2006,0,Sigma_LO,550 +Blauwborst,Prosperpolder-noord,2007,0,Sigma_LO,550 +Blauwborst,Prosperpolder-noord,2008,0,Sigma_LO,550 +Blauwborst,Prosperpolder-noord,2009,0,Sigma_LO,550 +Blauwborst,Prosperpolder-noord,2010,0,Sigma_LO,550 +Blauwborst,Prosperpolder-noord,2011,0,Sigma_LO,550 +Blauwborst,Prosperpolder-noord,2012,0,Sigma_LO,550 +Blauwborst,Prosperpolder-noord,2013,0,Sigma_LO,550 +Blauwborst,Prosperpolder-noord,2014,0,Sigma_LO,550 +Blauwborst,Prosperpolder-noord,2015,0,Sigma_LO,550 +Blauwborst,Prosperpolder-noord,2016,0,Sigma_LO,550 +Blauwborst,Prosperpolder-noord,2017,0,Sigma_LO,550 +Blauwborst,Prosperpolder-noord,2018,0,Sigma_LO,550 +Blauwborst,Prosperpolder-noord,2019,0,Sigma_LO,550 +Blauwborst,Prosperpolder-noord,2020,0,Sigma_LO,550 +Blauwborst,Prosperpolder-noord,2021,0,Sigma_LO,550 +Blauwborst,Prosperpolder-noord,2022,0,Sigma_LO,550 +Blauwborst,Prosperpolder-noord,2023,0,Sigma_LO,550 +Blauwborst,Prosperpolder-zuid,2005,0,Sigma_LO,550 +Blauwborst,Prosperpolder-zuid,2006,0,Sigma_LO,550 +Blauwborst,Prosperpolder-zuid,2007,0,Sigma_LO,550 +Blauwborst,Prosperpolder-zuid,2008,0,Sigma_LO,550 +Blauwborst,Prosperpolder-zuid,2009,0,Sigma_LO,550 +Blauwborst,Prosperpolder-zuid,2010,0,Sigma_LO,550 +Blauwborst,Prosperpolder-zuid,2011,0,Sigma_LO,550 +Blauwborst,Prosperpolder-zuid,2012,0,Sigma_LO,550 +Blauwborst,Prosperpolder-zuid,2013,0,Sigma_LO,550 +Blauwborst,Prosperpolder-zuid,2014,0,Sigma_LO,550 +Blauwborst,Prosperpolder-zuid,2015,0,Sigma_LO,550 +Blauwborst,Prosperpolder-zuid,2016,0,Sigma_LO,550 +Blauwborst,Prosperpolder-zuid,2017,0,Sigma_LO,550 +Blauwborst,Prosperpolder-zuid,2018,0,Sigma_LO,550 +Blauwborst,Prosperpolder-zuid,2019,0,Sigma_LO,550 +Blauwborst,Prosperpolder-zuid,2020,0,Sigma_LO,550 +Blauwborst,Prosperpolder-zuid,2021,0,Sigma_LO,550 +Blauwborst,Prosperpolder-zuid,2022,0,Sigma_LO,550 +Blauwborst,Prosperpolder-zuid,2023,23,Sigma_LO,550 +Blauwborst,Scheldebroeken excl. Paardeweide-oost,2005,0,Vallei buiten Sigma,550 +Blauwborst,Scheldebroeken excl. Paardeweide-oost,2006,0,Vallei buiten Sigma,550 +Blauwborst,Scheldebroeken excl. Paardeweide-oost,2007,0,Vallei buiten Sigma,550 +Blauwborst,Scheldebroeken excl. Paardeweide-oost,2008,0,Vallei buiten Sigma,550 +Blauwborst,Scheldebroeken excl. Paardeweide-oost,2009,0,Vallei buiten Sigma,550 +Blauwborst,Scheldebroeken excl. Paardeweide-oost,2010,0,Vallei buiten Sigma,550 +Blauwborst,Scheldebroeken excl. Paardeweide-oost,2011,0,Vallei buiten Sigma,550 +Blauwborst,Scheldebroeken excl. Paardeweide-oost,2012,0,Vallei buiten Sigma,550 +Blauwborst,Scheldebroeken excl. Paardeweide-oost,2013,0,Vallei buiten Sigma,550 +Blauwborst,Scheldebroeken excl. Paardeweide-oost,2014,0,Vallei buiten Sigma,550 +Blauwborst,Scheldebroeken excl. Paardeweide-oost,2015,0,Vallei buiten Sigma,550 +Blauwborst,Scheldebroeken excl. Paardeweide-oost,2016,0,Vallei buiten Sigma,550 +Blauwborst,Scheldebroeken excl. Paardeweide-oost,2017,0,Vallei buiten Sigma,550 +Blauwborst,Scheldebroeken excl. Paardeweide-oost,2018,0,Vallei buiten Sigma,550 +Blauwborst,Scheldebroeken excl. Paardeweide-oost,2019,0,Vallei buiten Sigma,550 +Blauwborst,Scheldebroeken excl. Paardeweide-oost,2020,0,Vallei buiten Sigma,550 +Blauwborst,Scheldebroeken excl. Paardeweide-oost,2021,5,Vallei buiten Sigma,550 +Blauwborst,Scheldebroeken excl. Paardeweide-oost,2022,7.5,Vallei buiten Sigma,550 +Blauwborst,Scheldebroeken excl. Paardeweide-oost,2023,7.5,Vallei buiten Sigma,550 +Blauwborst,Schor Ouden Doel,2005,0,Sigma_LO,550 +Blauwborst,Schor Ouden Doel,2006,0,Sigma_LO,550 +Blauwborst,Schor Ouden Doel,2007,0,Sigma_LO,550 +Blauwborst,Schor Ouden Doel,2008,0,Sigma_LO,550 +Blauwborst,Schor Ouden Doel,2009,0,Sigma_LO,550 +Blauwborst,Schor Ouden Doel,2010,0,Sigma_LO,550 +Blauwborst,Schor Ouden Doel,2011,0,Sigma_LO,550 +Blauwborst,Schor Ouden Doel,2012,0,Sigma_LO,550 +Blauwborst,Schor Ouden Doel,2013,0,Sigma_LO,550 +Blauwborst,Schor Ouden Doel,2014,0,Sigma_LO,550 +Blauwborst,Schor Ouden Doel,2015,0,Sigma_LO,550 +Blauwborst,Schor Ouden Doel,2016,0,Sigma_LO,550 +Blauwborst,Schor Ouden Doel,2017,0,Sigma_LO,550 +Blauwborst,Schor Ouden Doel,2018,0,Sigma_LO,550 +Blauwborst,Schor Ouden Doel,2019,0,Sigma_LO,550 +Blauwborst,Schor Ouden Doel,2020,0,Sigma_LO,550 +Blauwborst,Schor Ouden Doel,2021,0,Sigma_LO,550 +Blauwborst,Schor Ouden Doel,2022,0,Sigma_LO,550 +Blauwborst,Schor Ouden Doel,2023,29,Sigma_LO,550 +Blauwborst,Viersels gebroekt,2005,0,Vallei buiten Sigma,550 +Blauwborst,Viersels gebroekt,2006,0,Vallei buiten Sigma,550 +Blauwborst,Viersels gebroekt,2007,0,Vallei buiten Sigma,550 +Blauwborst,Viersels gebroekt,2008,0,Vallei buiten Sigma,550 +Blauwborst,Viersels gebroekt,2009,0,Vallei buiten Sigma,550 +Blauwborst,Viersels gebroekt,2010,0,Vallei buiten Sigma,550 +Blauwborst,Viersels gebroekt,2011,0,Vallei buiten Sigma,550 +Blauwborst,Viersels gebroekt,2012,0,Vallei buiten Sigma,550 +Blauwborst,Viersels gebroekt,2013,0,Vallei buiten Sigma,550 +Blauwborst,Viersels gebroekt,2014,0,Vallei buiten Sigma,550 +Blauwborst,Viersels gebroekt,2015,0,Vallei buiten Sigma,550 +Blauwborst,Viersels gebroekt,2016,0,Vallei buiten Sigma,550 +Blauwborst,Viersels gebroekt,2017,0,Vallei buiten Sigma,550 +Blauwborst,Viersels gebroekt,2018,0,Vallei buiten Sigma,550 +Blauwborst,Viersels gebroekt,2019,0,Vallei buiten Sigma,550 +Blauwborst,Viersels gebroekt,2020,0,Vallei buiten Sigma,550 +Blauwborst,Viersels gebroekt,2021,0,Vallei buiten Sigma,550 +Blauwborst,Viersels gebroekt,2022,0,Vallei buiten Sigma,550 +Blauwborst,Viersels gebroekt,2023,0,Vallei buiten Sigma,550 +Blauwborst,Weijmeerbroek,2005,2,Sigma,550 +Blauwborst,Weijmeerbroek,2006,2,Sigma,550 +Blauwborst,Weijmeerbroek,2007,2,Sigma,550 +Blauwborst,Weijmeerbroek,2008,2,Sigma,550 +Blauwborst,Weijmeerbroek,2009,2,Sigma,550 +Blauwborst,Weijmeerbroek,2010,2,Sigma,550 +Blauwborst,Weijmeerbroek,2011,2,Sigma,550 +Blauwborst,Weijmeerbroek,2012,2,Sigma,550 +Blauwborst,Weijmeerbroek,2013,2,Sigma,550 +Blauwborst,Weijmeerbroek,2014,11,Sigma,550 +Blauwborst,Weijmeerbroek,2015,12,Sigma,550 +Blauwborst,Weijmeerbroek,2016,12,Sigma,550 +Blauwborst,Weijmeerbroek,2017,13,Sigma,550 +Blauwborst,Weijmeerbroek,2018,11,Sigma,550 +Blauwborst,Weijmeerbroek,2019,8,Sigma,550 +Blauwborst,Weijmeerbroek,2020,10,Sigma,550 +Blauwborst,Weijmeerbroek,2021,11,Sigma,550 +Blauwborst,Weijmeerbroek,2022,13,Sigma,550 +Blauwborst,Weijmeerbroek,2023,13,Sigma,550 +Blauwborst,Wijmeers,2005,0,Sigma,550 +Blauwborst,Wijmeers,2006,0,Sigma,550 +Blauwborst,Wijmeers,2007,0,Sigma,550 +Blauwborst,Wijmeers,2008,0,Sigma,550 +Blauwborst,Wijmeers,2009,0,Sigma,550 +Blauwborst,Wijmeers,2010,0,Sigma,550 +Blauwborst,Wijmeers,2011,0,Sigma,550 +Blauwborst,Wijmeers,2012,0,Sigma,550 +Blauwborst,Wijmeers,2013,0,Sigma,550 +Blauwborst,Wijmeers,2014,0,Sigma,550 +Blauwborst,Wijmeers,2015,0,Sigma,550 +Blauwborst,Wijmeers,2016,4,Sigma,550 +Blauwborst,Wijmeers,2017,11,Sigma,550 +Blauwborst,Wijmeers,2018,17,Sigma,550 +Blauwborst,Wijmeers,2019,22,Sigma,550 +Blauwborst,Wijmeers,2020,22,Sigma,550 +Blauwborst,Wijmeers,2021,0,Sigma,550 +Blauwborst,Wijmeers,2022,0,Sigma,550 +Blauwborst,Wijmeers,2023,0,Sigma,550 +Blauwborst,Wijmeers-noord,2005,0,Sigma,550 +Blauwborst,Wijmeers-noord,2006,0,Sigma,550 +Blauwborst,Wijmeers-noord,2007,0,Sigma,550 +Blauwborst,Wijmeers-noord,2008,0,Sigma,550 +Blauwborst,Wijmeers-noord,2009,0,Sigma,550 +Blauwborst,Wijmeers-noord,2010,0,Sigma,550 +Blauwborst,Wijmeers-noord,2011,0,Sigma,550 +Blauwborst,Wijmeers-noord,2012,0,Sigma,550 +Blauwborst,Wijmeers-noord,2013,0,Sigma,550 +Blauwborst,Wijmeers-noord,2014,0,Sigma,550 +Blauwborst,Wijmeers-noord,2015,0,Sigma,550 +Blauwborst,Wijmeers-noord,2016,0,Sigma,550 +Blauwborst,Wijmeers-noord,2017,0,Sigma,550 +Blauwborst,Wijmeers-noord,2018,0,Sigma,550 +Blauwborst,Wijmeers-noord,2019,0,Sigma,550 +Blauwborst,Wijmeers-noord,2020,0,Sigma,550 +Blauwborst,Wijmeers-noord,2021,20,Sigma,550 +Blauwborst,Wijmeers-noord,2022,20,Sigma,550 +Blauwborst,Wijmeers-noord,2023,20,Sigma,550 +Blauwborst,Wijmeers-zuid,2005,0,Sigma,550 +Blauwborst,Wijmeers-zuid,2006,0,Sigma,550 +Blauwborst,Wijmeers-zuid,2007,0,Sigma,550 +Blauwborst,Wijmeers-zuid,2008,0,Sigma,550 +Blauwborst,Wijmeers-zuid,2009,0,Sigma,550 +Blauwborst,Wijmeers-zuid,2010,0,Sigma,550 +Blauwborst,Wijmeers-zuid,2011,0,Sigma,550 +Blauwborst,Wijmeers-zuid,2012,0,Sigma,550 +Blauwborst,Wijmeers-zuid,2013,0,Sigma,550 +Blauwborst,Wijmeers-zuid,2014,0,Sigma,550 +Blauwborst,Wijmeers-zuid,2015,0,Sigma,550 +Blauwborst,Wijmeers-zuid,2016,0,Sigma,550 +Blauwborst,Wijmeers-zuid,2017,0,Sigma,550 +Blauwborst,Wijmeers-zuid,2018,0,Sigma,550 +Blauwborst,Wijmeers-zuid,2019,0,Sigma,550 +Blauwborst,Wijmeers-zuid,2020,0,Sigma,550 +Blauwborst,Wijmeers-zuid,2021,10,Sigma,550 +Blauwborst,Wijmeers-zuid,2022,10,Sigma,550 +Blauwborst,Wijmeers-zuid,2023,10,Sigma,550 +Blauwborst,Zennegat,2005,4,Sigma,550 +Blauwborst,Zennegat,2006,4,Sigma,550 +Blauwborst,Zennegat,2007,4,Sigma,550 +Blauwborst,Zennegat,2008,4,Sigma,550 +Blauwborst,Zennegat,2009,4,Sigma,550 +Blauwborst,Zennegat,2010,4,Sigma,550 +Blauwborst,Zennegat,2011,4,Sigma,550 +Blauwborst,Zennegat,2012,4,Sigma,550 +Blauwborst,Zennegat,2013,4,Sigma,550 +Blauwborst,Zennegat,2014,4,Sigma,550 +Blauwborst,Zennegat,2015,4,Sigma,550 +Blauwborst,Zennegat,2016,4,Sigma,550 +Blauwborst,Zennegat,2017,16,Sigma,550 +Blauwborst,Zennegat,2018,17,Sigma,550 +Blauwborst,Zennegat,2019,20,Sigma,550 +Blauwborst,Zennegat,2020,22,Sigma,550 +Blauwborst,Zennegat,2021,20,Sigma,550 +Blauwborst,Zennegat,2022,19,Sigma,550 +Blauwborst,Zennegat,2023,17,Sigma,550 +Blauwborst,Zuidelijk eiland,2005,0,Vallei buiten Sigma,550 +Blauwborst,Zuidelijk eiland,2006,0,Vallei buiten Sigma,550 +Blauwborst,Zuidelijk eiland,2007,0,Vallei buiten Sigma,550 +Blauwborst,Zuidelijk eiland,2008,0,Vallei buiten Sigma,550 +Blauwborst,Zuidelijk eiland,2009,0,Vallei buiten Sigma,550 +Blauwborst,Zuidelijk eiland,2010,0,Vallei buiten Sigma,550 +Blauwborst,Zuidelijk eiland,2011,0,Vallei buiten Sigma,550 +Blauwborst,Zuidelijk eiland,2012,0,Vallei buiten Sigma,550 +Blauwborst,Zuidelijk eiland,2013,0,Vallei buiten Sigma,550 +Blauwborst,Zuidelijk eiland,2014,0,Vallei buiten Sigma,550 +Blauwborst,Zuidelijk eiland,2015,0,Vallei buiten Sigma,550 +Blauwborst,Zuidelijk eiland,2016,0,Vallei buiten Sigma,550 +Blauwborst,Zuidelijk eiland,2017,0,Vallei buiten Sigma,550 +Blauwborst,Zuidelijk eiland,2018,0,Vallei buiten Sigma,550 +Blauwborst,Zuidelijk eiland,2019,0,Vallei buiten Sigma,550 +Blauwborst,Zuidelijk eiland,2020,0,Vallei buiten Sigma,550 +Blauwborst,Zuidelijk eiland,2021,0,Vallei buiten Sigma,550 +Blauwborst,Zuidelijk eiland,2022,0,Vallei buiten Sigma,550 +Blauwborst,Zuidelijk eiland,2023,0,Vallei buiten Sigma,550 +Dodaars,Beneden Nete,2005,0,Sigma,50 +Dodaars,Beneden Nete,2006,0,Sigma,50 +Dodaars,Beneden Nete,2007,0,Sigma,50 +Dodaars,Beneden Nete,2008,0,Sigma,50 +Dodaars,Beneden Nete,2009,0,Sigma,50 +Dodaars,Beneden Nete,2010,0,Sigma,50 +Dodaars,Beneden Nete,2011,0,Sigma,50 +Dodaars,Beneden Nete,2012,0,Sigma,50 +Dodaars,Beneden Nete,2013,0,Sigma,50 +Dodaars,Beneden Nete,2014,0,Sigma,50 +Dodaars,Beneden Nete,2015,0,Sigma,50 +Dodaars,Beneden Nete,2016,0,Sigma,50 +Dodaars,Beneden Nete,2017,0,Sigma,50 +Dodaars,Beneden Nete,2018,0,Sigma,50 +Dodaars,Beneden Nete,2019,0,Sigma,50 +Dodaars,Beneden Nete,2020,0,Sigma,50 +Dodaars,Beneden Nete,2021,0,Sigma,50 +Dodaars,Beneden Nete,2022,11,Sigma,50 +Dodaars,Beneden Nete,2023,6,Sigma,50 +Dodaars,Bergenmeersen,2005,0,Sigma,50 +Dodaars,Bergenmeersen,2006,0,Sigma,50 +Dodaars,Bergenmeersen,2007,0,Sigma,50 +Dodaars,Bergenmeersen,2008,0,Sigma,50 +Dodaars,Bergenmeersen,2009,0,Sigma,50 +Dodaars,Bergenmeersen,2010,0,Sigma,50 +Dodaars,Bergenmeersen,2011,0,Sigma,50 +Dodaars,Bergenmeersen,2012,0,Sigma,50 +Dodaars,Bergenmeersen,2013,0,Sigma,50 +Dodaars,Bergenmeersen,2014,0,Sigma,50 +Dodaars,Bergenmeersen,2015,0,Sigma,50 +Dodaars,Bergenmeersen,2016,0,Sigma,50 +Dodaars,Bergenmeersen,2017,0,Sigma,50 +Dodaars,Bergenmeersen,2018,0,Sigma,50 +Dodaars,Bergenmeersen,2019,0,Sigma,50 +Dodaars,Bergenmeersen,2020,0,Sigma,50 +Dodaars,Bergenmeersen,2021,0,Sigma,50 +Dodaars,Bergenmeersen,2022,0,Sigma,50 +Dodaars,Bergenmeersen,2023,0,Sigma,50 +Dodaars,Blokkersdijk,2005,4,BD,50 +Dodaars,Blokkersdijk,2006,4,BD,50 +Dodaars,Blokkersdijk,2007,5,BD,50 +Dodaars,Blokkersdijk,2008,6,BD,50 +Dodaars,Blokkersdijk,2009,6,BD,50 +Dodaars,Blokkersdijk,2010,6,BD,50 +Dodaars,Blokkersdijk,2011,4,BD,50 +Dodaars,Blokkersdijk,2012,6,BD,50 +Dodaars,Blokkersdijk,2013,6,BD,50 +Dodaars,Blokkersdijk,2014,7,BD,50 +Dodaars,Blokkersdijk,2015,6,BD,50 +Dodaars,Blokkersdijk,2016,7,BD,50 +Dodaars,Blokkersdijk,2017,6,BD,50 +Dodaars,Blokkersdijk,2018,10,BD,50 +Dodaars,Blokkersdijk,2019,6,BD,50 +Dodaars,Blokkersdijk,2020,8,BD,50 +Dodaars,Blokkersdijk,2021,5,BD,50 +Dodaars,Blokkersdijk,2022,6,BD,50 +Dodaars,Blokkersdijk,2023,4,BD,50 +Dodaars,Burchtse Weel,2005,0,Sigma,50 +Dodaars,Burchtse Weel,2006,0,Sigma,50 +Dodaars,Burchtse Weel,2007,0,Sigma,50 +Dodaars,Burchtse Weel,2008,0,Sigma,50 +Dodaars,Burchtse Weel,2009,0,Sigma,50 +Dodaars,Burchtse Weel,2010,0,Sigma,50 +Dodaars,Burchtse Weel,2011,0,Sigma,50 +Dodaars,Burchtse Weel,2012,0,Sigma,50 +Dodaars,Burchtse Weel,2013,0,Sigma,50 +Dodaars,Burchtse Weel,2014,0,Sigma,50 +Dodaars,Burchtse Weel,2015,0,Sigma,50 +Dodaars,Burchtse Weel,2016,0,Sigma,50 +Dodaars,Burchtse Weel,2017,0,Sigma,50 +Dodaars,Burchtse Weel,2018,0,Sigma,50 +Dodaars,Burchtse Weel,2019,0,Sigma,50 +Dodaars,Burchtse Weel,2020,0,Sigma,50 +Dodaars,Burchtse Weel,2021,0,Sigma,50 +Dodaars,Burchtse Weel,2022,0,Sigma,50 +Dodaars,Burchtse Weel,2023,0,Sigma,50 +Dodaars,Doelpolder-noord,2005,0,Sigma_LO,50 +Dodaars,Doelpolder-noord,2006,0,Sigma_LO,50 +Dodaars,Doelpolder-noord,2007,0,Sigma_LO,50 +Dodaars,Doelpolder-noord,2008,0,Sigma_LO,50 +Dodaars,Doelpolder-noord,2009,0,Sigma_LO,50 +Dodaars,Doelpolder-noord,2010,0,Sigma_LO,50 +Dodaars,Doelpolder-noord,2011,0,Sigma_LO,50 +Dodaars,Doelpolder-noord,2012,0,Sigma_LO,50 +Dodaars,Doelpolder-noord,2013,0,Sigma_LO,50 +Dodaars,Doelpolder-noord,2014,0,Sigma_LO,50 +Dodaars,Doelpolder-noord,2015,0,Sigma_LO,50 +Dodaars,Doelpolder-noord,2016,0,Sigma_LO,50 +Dodaars,Doelpolder-noord,2017,0,Sigma_LO,50 +Dodaars,Doelpolder-noord,2018,0,Sigma_LO,50 +Dodaars,Doelpolder-noord,2019,0,Sigma_LO,50 +Dodaars,Doelpolder-noord,2020,0,Sigma_LO,50 +Dodaars,Doelpolder-noord,2021,0,Sigma_LO,50 +Dodaars,Doelpolder-noord,2022,0,Sigma_LO,50 +Dodaars,Doelpolder-noord,2023,2,Sigma_LO,50 +Dodaars,Donkmeer,2005,0,Vallei buiten Sigma,50 +Dodaars,Donkmeer,2006,0,Vallei buiten Sigma,50 +Dodaars,Donkmeer,2007,0,Vallei buiten Sigma,50 +Dodaars,Donkmeer,2008,0,Vallei buiten Sigma,50 +Dodaars,Donkmeer,2009,0,Vallei buiten Sigma,50 +Dodaars,Donkmeer,2010,0,Vallei buiten Sigma,50 +Dodaars,Donkmeer,2011,0,Vallei buiten Sigma,50 +Dodaars,Donkmeer,2012,0,Vallei buiten Sigma,50 +Dodaars,Donkmeer,2013,0,Vallei buiten Sigma,50 +Dodaars,Donkmeer,2014,0,Vallei buiten Sigma,50 +Dodaars,Donkmeer,2015,0,Vallei buiten Sigma,50 +Dodaars,Donkmeer,2016,0,Vallei buiten Sigma,50 +Dodaars,Donkmeer,2017,0,Vallei buiten Sigma,50 +Dodaars,Donkmeer,2018,0,Vallei buiten Sigma,50 +Dodaars,Donkmeer,2019,0,Vallei buiten Sigma,50 +Dodaars,Donkmeer,2020,0,Vallei buiten Sigma,50 +Dodaars,Donkmeer,2021,3.5,Vallei buiten Sigma,50 +Dodaars,Donkmeer,2022,3.5,Vallei buiten Sigma,50 +Dodaars,Donkmeer,2023,3.5,Vallei buiten Sigma,50 +Dodaars,Durmemeersen,2005,0,Vallei buiten Sigma,50 +Dodaars,Durmemeersen,2006,0,Vallei buiten Sigma,50 +Dodaars,Durmemeersen,2007,0,Vallei buiten Sigma,50 +Dodaars,Durmemeersen,2008,0,Vallei buiten Sigma,50 +Dodaars,Durmemeersen,2009,0,Vallei buiten Sigma,50 +Dodaars,Durmemeersen,2010,0,Vallei buiten Sigma,50 +Dodaars,Durmemeersen,2011,0,Vallei buiten Sigma,50 +Dodaars,Durmemeersen,2012,0,Vallei buiten Sigma,50 +Dodaars,Durmemeersen,2013,0,Vallei buiten Sigma,50 +Dodaars,Durmemeersen,2014,0,Vallei buiten Sigma,50 +Dodaars,Durmemeersen,2015,0,Vallei buiten Sigma,50 +Dodaars,Durmemeersen,2016,0,Vallei buiten Sigma,50 +Dodaars,Durmemeersen,2017,0,Vallei buiten Sigma,50 +Dodaars,Durmemeersen,2018,0,Vallei buiten Sigma,50 +Dodaars,Durmemeersen,2019,0,Vallei buiten Sigma,50 +Dodaars,Durmemeersen,2020,0,Vallei buiten Sigma,50 +Dodaars,Durmemeersen,2021,1,Vallei buiten Sigma,50 +Dodaars,Durmemeersen,2022,1,Vallei buiten Sigma,50 +Dodaars,Durmemeersen,2023,1,Vallei buiten Sigma,50 +Dodaars,Gebieden vzwDurme,2005,0,Vallei buiten Sigma,50 +Dodaars,Gebieden vzwDurme,2006,0,Vallei buiten Sigma,50 +Dodaars,Gebieden vzwDurme,2007,0,Vallei buiten Sigma,50 +Dodaars,Gebieden vzwDurme,2008,0,Vallei buiten Sigma,50 +Dodaars,Gebieden vzwDurme,2009,0,Vallei buiten Sigma,50 +Dodaars,Gebieden vzwDurme,2010,0,Vallei buiten Sigma,50 +Dodaars,Gebieden vzwDurme,2011,0,Vallei buiten Sigma,50 +Dodaars,Gebieden vzwDurme,2012,0,Vallei buiten Sigma,50 +Dodaars,Gebieden vzwDurme,2013,0,Vallei buiten Sigma,50 +Dodaars,Gebieden vzwDurme,2014,0,Vallei buiten Sigma,50 +Dodaars,Gebieden vzwDurme,2015,0,Vallei buiten Sigma,50 +Dodaars,Gebieden vzwDurme,2016,0,Vallei buiten Sigma,50 +Dodaars,Gebieden vzwDurme,2017,0,Vallei buiten Sigma,50 +Dodaars,Gebieden vzwDurme,2018,0,Vallei buiten Sigma,50 +Dodaars,Gebieden vzwDurme,2019,0,Vallei buiten Sigma,50 +Dodaars,Gebieden vzwDurme,2020,0,Vallei buiten Sigma,50 +Dodaars,Gebieden vzwDurme,2021,0,Vallei buiten Sigma,50 +Dodaars,Gebieden vzwDurme,2022,0,Vallei buiten Sigma,50 +Dodaars,Gebieden vzwDurme,2023,0,Vallei buiten Sigma,50 +Dodaars,Gentbrugse meersen,2005,0,Vallei buiten Sigma,50 +Dodaars,Gentbrugse meersen,2006,0,Vallei buiten Sigma,50 +Dodaars,Gentbrugse meersen,2007,0,Vallei buiten Sigma,50 +Dodaars,Gentbrugse meersen,2008,0,Vallei buiten Sigma,50 +Dodaars,Gentbrugse meersen,2009,0,Vallei buiten Sigma,50 +Dodaars,Gentbrugse meersen,2010,0,Vallei buiten Sigma,50 +Dodaars,Gentbrugse meersen,2011,0,Vallei buiten Sigma,50 +Dodaars,Gentbrugse meersen,2012,0,Vallei buiten Sigma,50 +Dodaars,Gentbrugse meersen,2013,0,Vallei buiten Sigma,50 +Dodaars,Gentbrugse meersen,2014,0,Vallei buiten Sigma,50 +Dodaars,Gentbrugse meersen,2015,0,Vallei buiten Sigma,50 +Dodaars,Gentbrugse meersen,2016,0,Vallei buiten Sigma,50 +Dodaars,Gentbrugse meersen,2017,0,Vallei buiten Sigma,50 +Dodaars,Gentbrugse meersen,2018,0,Vallei buiten Sigma,50 +Dodaars,Gentbrugse meersen,2019,0,Vallei buiten Sigma,50 +Dodaars,Gentbrugse meersen,2020,0,Vallei buiten Sigma,50 +Dodaars,Gentbrugse meersen,2021,0,Vallei buiten Sigma,50 +Dodaars,Gentbrugse meersen,2022,0,Vallei buiten Sigma,50 +Dodaars,Gentbrugse meersen,2023,0,Vallei buiten Sigma,50 +Dodaars,Groot Broek,2005,0,Sigma,50 +Dodaars,Groot Broek,2006,0,Sigma,50 +Dodaars,Groot Broek,2007,0,Sigma,50 +Dodaars,Groot Broek,2008,0,Sigma,50 +Dodaars,Groot Broek,2009,0,Sigma,50 +Dodaars,Groot Broek,2010,0,Sigma,50 +Dodaars,Groot Broek,2011,0,Sigma,50 +Dodaars,Groot Broek,2012,0,Sigma,50 +Dodaars,Groot Broek,2013,0,Sigma,50 +Dodaars,Groot Broek,2014,0,Sigma,50 +Dodaars,Groot Broek,2015,0,Sigma,50 +Dodaars,Groot Broek,2016,0,Sigma,50 +Dodaars,Groot Broek,2017,0,Sigma,50 +Dodaars,Groot Broek,2018,0,Sigma,50 +Dodaars,Groot Broek,2019,0,Sigma,50 +Dodaars,Groot Broek,2020,0,Sigma,50 +Dodaars,Groot Broek,2021,2,Sigma,50 +Dodaars,Groot Broek,2022,2,Sigma,50 +Dodaars,Groot Broek,2023,2,Sigma,50 +Dodaars,Groot buitenschoor,2005,0,Estuarium buiten Sigma,50 +Dodaars,Groot buitenschoor,2006,0,Estuarium buiten Sigma,50 +Dodaars,Groot buitenschoor,2007,0,Estuarium buiten Sigma,50 +Dodaars,Groot buitenschoor,2008,0,Estuarium buiten Sigma,50 +Dodaars,Groot buitenschoor,2009,0,Estuarium buiten Sigma,50 +Dodaars,Groot buitenschoor,2010,0,Estuarium buiten Sigma,50 +Dodaars,Groot buitenschoor,2011,0,Estuarium buiten Sigma,50 +Dodaars,Groot buitenschoor,2012,0,Estuarium buiten Sigma,50 +Dodaars,Groot buitenschoor,2013,0,Estuarium buiten Sigma,50 +Dodaars,Groot buitenschoor,2014,0,Estuarium buiten Sigma,50 +Dodaars,Groot buitenschoor,2015,0,Estuarium buiten Sigma,50 +Dodaars,Groot buitenschoor,2016,0,Estuarium buiten Sigma,50 +Dodaars,Groot buitenschoor,2017,0,Estuarium buiten Sigma,50 +Dodaars,Groot buitenschoor,2018,0,Estuarium buiten Sigma,50 +Dodaars,Groot buitenschoor,2019,0,Estuarium buiten Sigma,50 +Dodaars,Groot buitenschoor,2020,0,Estuarium buiten Sigma,50 +Dodaars,Groot buitenschoor,2021,0,Estuarium buiten Sigma,50 +Dodaars,Groot buitenschoor,2022,0,Estuarium buiten Sigma,50 +Dodaars,Groot buitenschoor,2023,0,Estuarium buiten Sigma,50 +Dodaars,Grote Wal,2005,0,Sigma,50 +Dodaars,Grote Wal,2006,0,Sigma,50 +Dodaars,Grote Wal,2007,0,Sigma,50 +Dodaars,Grote Wal,2008,0,Sigma,50 +Dodaars,Grote Wal,2009,0,Sigma,50 +Dodaars,Grote Wal,2010,0,Sigma,50 +Dodaars,Grote Wal,2011,0,Sigma,50 +Dodaars,Grote Wal,2012,0,Sigma,50 +Dodaars,Grote Wal,2013,0,Sigma,50 +Dodaars,Grote Wal,2014,0,Sigma,50 +Dodaars,Grote Wal,2015,0,Sigma,50 +Dodaars,Grote Wal,2016,0,Sigma,50 +Dodaars,Grote Wal,2017,0,Sigma,50 +Dodaars,Grote Wal,2018,0,Sigma,50 +Dodaars,Grote Wal,2019,0,Sigma,50 +Dodaars,Grote Wal,2020,0,Sigma,50 +Dodaars,Grote Wal,2021,0,Sigma,50 +Dodaars,Grote Wal,2022,28,Sigma,50 +Dodaars,Grote Wal,2023,39,Sigma,50 +Dodaars,Grote vijver - deel 1,2005,0,Sigma,50 +Dodaars,Grote vijver - deel 1,2006,0,Sigma,50 +Dodaars,Grote vijver - deel 1,2007,0,Sigma,50 +Dodaars,Grote vijver - deel 1,2008,0,Sigma,50 +Dodaars,Grote vijver - deel 1,2009,0,Sigma,50 +Dodaars,Grote vijver - deel 1,2010,0,Sigma,50 +Dodaars,Grote vijver - deel 1,2011,0,Sigma,50 +Dodaars,Grote vijver - deel 1,2012,0,Sigma,50 +Dodaars,Grote vijver - deel 1,2013,0,Sigma,50 +Dodaars,Grote vijver - deel 1,2014,0,Sigma,50 +Dodaars,Grote vijver - deel 1,2015,0,Sigma,50 +Dodaars,Grote vijver - deel 1,2016,0,Sigma,50 +Dodaars,Grote vijver - deel 1,2017,0,Sigma,50 +Dodaars,Grote vijver - deel 1,2018,0,Sigma,50 +Dodaars,Grote vijver - deel 1,2019,0,Sigma,50 +Dodaars,Grote vijver - deel 1,2020,0,Sigma,50 +Dodaars,Grote vijver - deel 1,2021,0,Sigma,50 +Dodaars,Grote vijver - deel 1,2022,2,Sigma,50 +Dodaars,Grote vijver - deel 1,2023,0,Sigma,50 +Dodaars,Grote vijver - deel 2,2005,0,Sigma,50 +Dodaars,Grote vijver - deel 2,2006,0,Sigma,50 +Dodaars,Grote vijver - deel 2,2007,0,Sigma,50 +Dodaars,Grote vijver - deel 2,2008,0,Sigma,50 +Dodaars,Grote vijver - deel 2,2009,0,Sigma,50 +Dodaars,Grote vijver - deel 2,2010,0,Sigma,50 +Dodaars,Grote vijver - deel 2,2011,0,Sigma,50 +Dodaars,Grote vijver - deel 2,2012,0,Sigma,50 +Dodaars,Grote vijver - deel 2,2013,0,Sigma,50 +Dodaars,Grote vijver - deel 2,2014,0,Sigma,50 +Dodaars,Grote vijver - deel 2,2015,0,Sigma,50 +Dodaars,Grote vijver - deel 2,2016,0,Sigma,50 +Dodaars,Grote vijver - deel 2,2017,0,Sigma,50 +Dodaars,Grote vijver - deel 2,2018,0,Sigma,50 +Dodaars,Grote vijver - deel 2,2019,0,Sigma,50 +Dodaars,Grote vijver - deel 2,2020,0,Sigma,50 +Dodaars,Grote vijver - deel 2,2021,0,Sigma,50 +Dodaars,Grote vijver - deel 2,2022,0,Sigma,50 +Dodaars,Grote vijver - deel 2,2023,0,Sigma,50 +Dodaars,KBR,2005,0,Sigma,50 +Dodaars,KBR,2006,0,Sigma,50 +Dodaars,KBR,2007,0,Sigma,50 +Dodaars,KBR,2008,4,Sigma,50 +Dodaars,KBR,2009,1,Sigma,50 +Dodaars,KBR,2010,3,Sigma,50 +Dodaars,KBR,2011,5,Sigma,50 +Dodaars,KBR,2012,8,Sigma,50 +Dodaars,KBR,2013,11,Sigma,50 +Dodaars,KBR,2014,9,Sigma,50 +Dodaars,KBR,2015,14,Sigma,50 +Dodaars,KBR,2016,18,Sigma,50 +Dodaars,KBR,2017,15,Sigma,50 +Dodaars,KBR,2018,14,Sigma,50 +Dodaars,KBR,2019,11,Sigma,50 +Dodaars,KBR,2020,6,Sigma,50 +Dodaars,KBR,2021,8,Sigma,50 +Dodaars,KBR,2022,13,Sigma,50 +Dodaars,KBR,2023,11,Sigma,50 +Dodaars,Kalkense meersen,2005,0,Sigma,50 +Dodaars,Kalkense meersen,2006,0,Sigma,50 +Dodaars,Kalkense meersen,2007,0,Sigma,50 +Dodaars,Kalkense meersen,2008,0,Sigma,50 +Dodaars,Kalkense meersen,2009,0,Sigma,50 +Dodaars,Kalkense meersen,2010,0,Sigma,50 +Dodaars,Kalkense meersen,2011,0,Sigma,50 +Dodaars,Kalkense meersen,2012,0,Sigma,50 +Dodaars,Kalkense meersen,2013,0,Sigma,50 +Dodaars,Kalkense meersen,2014,0,Sigma,50 +Dodaars,Kalkense meersen,2015,0,Sigma,50 +Dodaars,Kalkense meersen,2016,1,Sigma,50 +Dodaars,Kalkense meersen,2017,1,Sigma,50 +Dodaars,Kalkense meersen,2018,0,Sigma,50 +Dodaars,Kalkense meersen,2019,1,Sigma,50 +Dodaars,Kalkense meersen,2020,1,Sigma,50 +Dodaars,Kalkense meersen,2021,1,Sigma,50 +Dodaars,Kalkense meersen,2022,3,Sigma,50 +Dodaars,Kalkense meersen,2023,3,Sigma,50 +Dodaars,Ketenisse,2005,0,Estuarium buiten Sigma,50 +Dodaars,Ketenisse,2006,0,Estuarium buiten Sigma,50 +Dodaars,Ketenisse,2007,0,Estuarium buiten Sigma,50 +Dodaars,Ketenisse,2008,0,Estuarium buiten Sigma,50 +Dodaars,Ketenisse,2009,0,Estuarium buiten Sigma,50 +Dodaars,Ketenisse,2010,0,Estuarium buiten Sigma,50 +Dodaars,Ketenisse,2011,0,Estuarium buiten Sigma,50 +Dodaars,Ketenisse,2012,0,Estuarium buiten Sigma,50 +Dodaars,Ketenisse,2013,0,Estuarium buiten Sigma,50 +Dodaars,Ketenisse,2014,0,Estuarium buiten Sigma,50 +Dodaars,Ketenisse,2015,0,Estuarium buiten Sigma,50 +Dodaars,Ketenisse,2016,0,Estuarium buiten Sigma,50 +Dodaars,Ketenisse,2017,0,Estuarium buiten Sigma,50 +Dodaars,Ketenisse,2018,0,Estuarium buiten Sigma,50 +Dodaars,Ketenisse,2019,0,Estuarium buiten Sigma,50 +Dodaars,Ketenisse,2020,0,Estuarium buiten Sigma,50 +Dodaars,Ketenisse,2021,0,Estuarium buiten Sigma,50 +Dodaars,Ketenisse,2022,0,Estuarium buiten Sigma,50 +Dodaars,Ketenisse,2023,0,Estuarium buiten Sigma,50 +Dodaars,Klein Broek,2005,0,Sigma,50 +Dodaars,Klein Broek,2006,0,Sigma,50 +Dodaars,Klein Broek,2007,0,Sigma,50 +Dodaars,Klein Broek,2008,0,Sigma,50 +Dodaars,Klein Broek,2009,0,Sigma,50 +Dodaars,Klein Broek,2010,0,Sigma,50 +Dodaars,Klein Broek,2011,0,Sigma,50 +Dodaars,Klein Broek,2012,0,Sigma,50 +Dodaars,Klein Broek,2013,0,Sigma,50 +Dodaars,Klein Broek,2014,0,Sigma,50 +Dodaars,Klein Broek,2015,0,Sigma,50 +Dodaars,Klein Broek,2016,0,Sigma,50 +Dodaars,Klein Broek,2017,0,Sigma,50 +Dodaars,Klein Broek,2018,0,Sigma,50 +Dodaars,Klein Broek,2019,0,Sigma,50 +Dodaars,Klein Broek,2020,0,Sigma,50 +Dodaars,Klein Broek,2021,5,Sigma,50 +Dodaars,Klein Broek,2022,0,Sigma,50 +Dodaars,Klein Broek,2023,1,Sigma,50 +Dodaars,Mechels Broek,2005,0,Vallei buiten Sigma,50 +Dodaars,Mechels Broek,2006,0,Vallei buiten Sigma,50 +Dodaars,Mechels Broek,2007,0,Vallei buiten Sigma,50 +Dodaars,Mechels Broek,2008,0,Vallei buiten Sigma,50 +Dodaars,Mechels Broek,2009,0,Vallei buiten Sigma,50 +Dodaars,Mechels Broek,2010,0,Vallei buiten Sigma,50 +Dodaars,Mechels Broek,2011,0,Vallei buiten Sigma,50 +Dodaars,Mechels Broek,2012,0,Vallei buiten Sigma,50 +Dodaars,Mechels Broek,2013,0,Vallei buiten Sigma,50 +Dodaars,Mechels Broek,2014,0,Vallei buiten Sigma,50 +Dodaars,Mechels Broek,2015,0,Vallei buiten Sigma,50 +Dodaars,Mechels Broek,2016,0,Vallei buiten Sigma,50 +Dodaars,Mechels Broek,2017,0,Vallei buiten Sigma,50 +Dodaars,Mechels Broek,2018,0,Vallei buiten Sigma,50 +Dodaars,Mechels Broek,2019,0,Vallei buiten Sigma,50 +Dodaars,Mechels Broek,2020,0,Vallei buiten Sigma,50 +Dodaars,Mechels Broek,2021,0,Vallei buiten Sigma,50 +Dodaars,Mechels Broek,2022,0,Vallei buiten Sigma,50 +Dodaars,Mechels Broek,2023,0,Vallei buiten Sigma,50 +Dodaars,Molsbroek,2005,0,Vallei buiten Sigma,50 +Dodaars,Molsbroek,2006,0,Vallei buiten Sigma,50 +Dodaars,Molsbroek,2007,0,Vallei buiten Sigma,50 +Dodaars,Molsbroek,2008,0,Vallei buiten Sigma,50 +Dodaars,Molsbroek,2009,0,Vallei buiten Sigma,50 +Dodaars,Molsbroek,2010,0,Vallei buiten Sigma,50 +Dodaars,Molsbroek,2011,0,Vallei buiten Sigma,50 +Dodaars,Molsbroek,2012,0,Vallei buiten Sigma,50 +Dodaars,Molsbroek,2013,0,Vallei buiten Sigma,50 +Dodaars,Molsbroek,2014,0,Vallei buiten Sigma,50 +Dodaars,Molsbroek,2015,0,Vallei buiten Sigma,50 +Dodaars,Molsbroek,2016,0,Vallei buiten Sigma,50 +Dodaars,Molsbroek,2017,0,Vallei buiten Sigma,50 +Dodaars,Molsbroek,2018,0,Vallei buiten Sigma,50 +Dodaars,Molsbroek,2019,0,Vallei buiten Sigma,50 +Dodaars,Molsbroek,2020,0,Vallei buiten Sigma,50 +Dodaars,Molsbroek,2021,8,Vallei buiten Sigma,50 +Dodaars,Molsbroek,2022,8,Vallei buiten Sigma,50 +Dodaars,Molsbroek,2023,8,Vallei buiten Sigma,50 +Dodaars,Noordelijk eiland,2005,0,Vallei buiten Sigma,50 +Dodaars,Noordelijk eiland,2006,0,Vallei buiten Sigma,50 +Dodaars,Noordelijk eiland,2007,0,Vallei buiten Sigma,50 +Dodaars,Noordelijk eiland,2008,0,Vallei buiten Sigma,50 +Dodaars,Noordelijk eiland,2009,0,Vallei buiten Sigma,50 +Dodaars,Noordelijk eiland,2010,0,Vallei buiten Sigma,50 +Dodaars,Noordelijk eiland,2011,0,Vallei buiten Sigma,50 +Dodaars,Noordelijk eiland,2012,0,Vallei buiten Sigma,50 +Dodaars,Noordelijk eiland,2013,0,Vallei buiten Sigma,50 +Dodaars,Noordelijk eiland,2014,0,Vallei buiten Sigma,50 +Dodaars,Noordelijk eiland,2015,0,Vallei buiten Sigma,50 +Dodaars,Noordelijk eiland,2016,0,Vallei buiten Sigma,50 +Dodaars,Noordelijk eiland,2017,0,Vallei buiten Sigma,50 +Dodaars,Noordelijk eiland,2018,0,Vallei buiten Sigma,50 +Dodaars,Noordelijk eiland,2019,0,Vallei buiten Sigma,50 +Dodaars,Noordelijk eiland,2020,0,Vallei buiten Sigma,50 +Dodaars,Noordelijk eiland,2021,0,Vallei buiten Sigma,50 +Dodaars,Noordelijk eiland,2022,0,Vallei buiten Sigma,50 +Dodaars,Noordelijk eiland,2023,0,Vallei buiten Sigma,50 +Dodaars,NoordelijkGebied,2005,0,Sigma_LO,50 +Dodaars,NoordelijkGebied,2006,0,Sigma_LO,50 +Dodaars,NoordelijkGebied,2007,2,Sigma_LO,50 +Dodaars,NoordelijkGebied,2008,7,Sigma_LO,50 +Dodaars,NoordelijkGebied,2009,14,Sigma_LO,50 +Dodaars,NoordelijkGebied,2010,11,Sigma_LO,50 +Dodaars,NoordelijkGebied,2011,4,Sigma_LO,50 +Dodaars,NoordelijkGebied,2012,9,Sigma_LO,50 +Dodaars,NoordelijkGebied,2013,4,Sigma_LO,50 +Dodaars,NoordelijkGebied,2014,11,Sigma_LO,50 +Dodaars,NoordelijkGebied,2015,15,Sigma_LO,50 +Dodaars,NoordelijkGebied,2016,13,Sigma_LO,50 +Dodaars,NoordelijkGebied,2017,9,Sigma_LO,50 +Dodaars,NoordelijkGebied,2018,12,Sigma_LO,50 +Dodaars,NoordelijkGebied,2019,13,Sigma_LO,50 +Dodaars,NoordelijkGebied,2020,17,Sigma_LO,50 +Dodaars,NoordelijkGebied,2021,9,Sigma_LO,50 +Dodaars,NoordelijkGebied,2022,8,Sigma_LO,50 +Dodaars,NoordelijkGebied,2023,0,Sigma_LO,50 +Dodaars,Paardeweide,2005,0,Sigma,50 +Dodaars,Paardeweide,2006,0,Sigma,50 +Dodaars,Paardeweide,2007,0,Sigma,50 +Dodaars,Paardeweide,2008,0,Sigma,50 +Dodaars,Paardeweide,2009,0,Sigma,50 +Dodaars,Paardeweide,2010,0,Sigma,50 +Dodaars,Paardeweide,2011,0,Sigma,50 +Dodaars,Paardeweide,2012,0,Sigma,50 +Dodaars,Paardeweide,2013,0,Sigma,50 +Dodaars,Paardeweide,2014,5,Sigma,50 +Dodaars,Paardeweide,2015,5,Sigma,50 +Dodaars,Paardeweide,2016,5,Sigma,50 +Dodaars,Paardeweide,2017,4,Sigma,50 +Dodaars,Paardeweide,2018,3,Sigma,50 +Dodaars,Paardeweide,2019,3,Sigma,50 +Dodaars,Paardeweide,2020,3,Sigma,50 +Dodaars,Paardeweide,2021,0,Sigma,50 +Dodaars,Paardeweide,2022,0,Sigma,50 +Dodaars,Paardeweide,2023,0,Sigma,50 +Dodaars,Paardeweide oost,2005,0,Sigma,50 +Dodaars,Paardeweide oost,2006,0,Sigma,50 +Dodaars,Paardeweide oost,2007,0,Sigma,50 +Dodaars,Paardeweide oost,2008,0,Sigma,50 +Dodaars,Paardeweide oost,2009,0,Sigma,50 +Dodaars,Paardeweide oost,2010,0,Sigma,50 +Dodaars,Paardeweide oost,2011,0,Sigma,50 +Dodaars,Paardeweide oost,2012,0,Sigma,50 +Dodaars,Paardeweide oost,2013,0,Sigma,50 +Dodaars,Paardeweide oost,2014,0,Sigma,50 +Dodaars,Paardeweide oost,2015,0,Sigma,50 +Dodaars,Paardeweide oost,2016,0,Sigma,50 +Dodaars,Paardeweide oost,2017,0,Sigma,50 +Dodaars,Paardeweide oost,2018,0,Sigma,50 +Dodaars,Paardeweide oost,2019,0,Sigma,50 +Dodaars,Paardeweide oost,2020,0,Sigma,50 +Dodaars,Paardeweide oost,2021,2.5,Sigma,50 +Dodaars,Paardeweide oost,2022,3,Sigma,50 +Dodaars,Paardeweide oost,2023,1,Sigma,50 +Dodaars,Paardeweide west,2005,0,Sigma,50 +Dodaars,Paardeweide west,2006,0,Sigma,50 +Dodaars,Paardeweide west,2007,0,Sigma,50 +Dodaars,Paardeweide west,2008,0,Sigma,50 +Dodaars,Paardeweide west,2009,0,Sigma,50 +Dodaars,Paardeweide west,2010,0,Sigma,50 +Dodaars,Paardeweide west,2011,0,Sigma,50 +Dodaars,Paardeweide west,2012,0,Sigma,50 +Dodaars,Paardeweide west,2013,0,Sigma,50 +Dodaars,Paardeweide west,2014,0,Sigma,50 +Dodaars,Paardeweide west,2015,0,Sigma,50 +Dodaars,Paardeweide west,2016,0,Sigma,50 +Dodaars,Paardeweide west,2017,0,Sigma,50 +Dodaars,Paardeweide west,2018,0,Sigma,50 +Dodaars,Paardeweide west,2019,0,Sigma,50 +Dodaars,Paardeweide west,2020,0,Sigma,50 +Dodaars,Paardeweide west,2021,0,Sigma,50 +Dodaars,Paardeweide west,2022,0,Sigma,50 +Dodaars,Paardeweide west,2023,0,Sigma,50 +Dodaars,Potpolder Lillo,2005,4,Sigma,50 +Dodaars,Potpolder Lillo,2006,2,Sigma,50 +Dodaars,Potpolder Lillo,2007,5,Sigma,50 +Dodaars,Potpolder Lillo,2008,4,Sigma,50 +Dodaars,Potpolder Lillo,2009,4,Sigma,50 +Dodaars,Potpolder Lillo,2010,4,Sigma,50 +Dodaars,Potpolder Lillo,2011,4,Sigma,50 +Dodaars,Potpolder Lillo,2012,4,Sigma,50 +Dodaars,Potpolder Lillo,2013,0,Sigma,50 +Dodaars,Potpolder Lillo,2014,0,Sigma,50 +Dodaars,Potpolder Lillo,2015,0,Sigma,50 +Dodaars,Potpolder Lillo,2016,0,Sigma,50 +Dodaars,Potpolder Lillo,2017,0,Sigma,50 +Dodaars,Potpolder Lillo,2018,0,Sigma,50 +Dodaars,Potpolder Lillo,2019,0,Sigma,50 +Dodaars,Potpolder Lillo,2020,0,Sigma,50 +Dodaars,Potpolder Lillo,2021,0,Sigma,50 +Dodaars,Potpolder Lillo,2022,0,Sigma,50 +Dodaars,Potpolder Lillo,2023,0,Sigma,50 +Dodaars,Prosperpolder-noord,2005,0,Sigma_LO,50 +Dodaars,Prosperpolder-noord,2006,0,Sigma_LO,50 +Dodaars,Prosperpolder-noord,2007,0,Sigma_LO,50 +Dodaars,Prosperpolder-noord,2008,0,Sigma_LO,50 +Dodaars,Prosperpolder-noord,2009,0,Sigma_LO,50 +Dodaars,Prosperpolder-noord,2010,0,Sigma_LO,50 +Dodaars,Prosperpolder-noord,2011,0,Sigma_LO,50 +Dodaars,Prosperpolder-noord,2012,0,Sigma_LO,50 +Dodaars,Prosperpolder-noord,2013,0,Sigma_LO,50 +Dodaars,Prosperpolder-noord,2014,0,Sigma_LO,50 +Dodaars,Prosperpolder-noord,2015,0,Sigma_LO,50 +Dodaars,Prosperpolder-noord,2016,0,Sigma_LO,50 +Dodaars,Prosperpolder-noord,2017,0,Sigma_LO,50 +Dodaars,Prosperpolder-noord,2018,0,Sigma_LO,50 +Dodaars,Prosperpolder-noord,2019,0,Sigma_LO,50 +Dodaars,Prosperpolder-noord,2020,0,Sigma_LO,50 +Dodaars,Prosperpolder-noord,2021,0,Sigma_LO,50 +Dodaars,Prosperpolder-noord,2022,0,Sigma_LO,50 +Dodaars,Prosperpolder-noord,2023,0,Sigma_LO,50 +Dodaars,Prosperpolder-zuid,2005,0,Sigma_LO,50 +Dodaars,Prosperpolder-zuid,2006,0,Sigma_LO,50 +Dodaars,Prosperpolder-zuid,2007,0,Sigma_LO,50 +Dodaars,Prosperpolder-zuid,2008,0,Sigma_LO,50 +Dodaars,Prosperpolder-zuid,2009,0,Sigma_LO,50 +Dodaars,Prosperpolder-zuid,2010,0,Sigma_LO,50 +Dodaars,Prosperpolder-zuid,2011,0,Sigma_LO,50 +Dodaars,Prosperpolder-zuid,2012,0,Sigma_LO,50 +Dodaars,Prosperpolder-zuid,2013,0,Sigma_LO,50 +Dodaars,Prosperpolder-zuid,2014,0,Sigma_LO,50 +Dodaars,Prosperpolder-zuid,2015,0,Sigma_LO,50 +Dodaars,Prosperpolder-zuid,2016,0,Sigma_LO,50 +Dodaars,Prosperpolder-zuid,2017,0,Sigma_LO,50 +Dodaars,Prosperpolder-zuid,2018,0,Sigma_LO,50 +Dodaars,Prosperpolder-zuid,2019,0,Sigma_LO,50 +Dodaars,Prosperpolder-zuid,2020,0,Sigma_LO,50 +Dodaars,Prosperpolder-zuid,2021,0,Sigma_LO,50 +Dodaars,Prosperpolder-zuid,2022,0,Sigma_LO,50 +Dodaars,Prosperpolder-zuid,2023,5,Sigma_LO,50 +Dodaars,Scheldebroeken excl. Paardeweide-oost,2005,0,Vallei buiten Sigma,50 +Dodaars,Scheldebroeken excl. Paardeweide-oost,2006,0,Vallei buiten Sigma,50 +Dodaars,Scheldebroeken excl. Paardeweide-oost,2007,0,Vallei buiten Sigma,50 +Dodaars,Scheldebroeken excl. Paardeweide-oost,2008,0,Vallei buiten Sigma,50 +Dodaars,Scheldebroeken excl. Paardeweide-oost,2009,0,Vallei buiten Sigma,50 +Dodaars,Scheldebroeken excl. Paardeweide-oost,2010,0,Vallei buiten Sigma,50 +Dodaars,Scheldebroeken excl. Paardeweide-oost,2011,0,Vallei buiten Sigma,50 +Dodaars,Scheldebroeken excl. Paardeweide-oost,2012,0,Vallei buiten Sigma,50 +Dodaars,Scheldebroeken excl. Paardeweide-oost,2013,0,Vallei buiten Sigma,50 +Dodaars,Scheldebroeken excl. Paardeweide-oost,2014,0,Vallei buiten Sigma,50 +Dodaars,Scheldebroeken excl. Paardeweide-oost,2015,0,Vallei buiten Sigma,50 +Dodaars,Scheldebroeken excl. Paardeweide-oost,2016,0,Vallei buiten Sigma,50 +Dodaars,Scheldebroeken excl. Paardeweide-oost,2017,0,Vallei buiten Sigma,50 +Dodaars,Scheldebroeken excl. Paardeweide-oost,2018,0,Vallei buiten Sigma,50 +Dodaars,Scheldebroeken excl. Paardeweide-oost,2019,0,Vallei buiten Sigma,50 +Dodaars,Scheldebroeken excl. Paardeweide-oost,2020,0,Vallei buiten Sigma,50 +Dodaars,Scheldebroeken excl. Paardeweide-oost,2021,2.5,Vallei buiten Sigma,50 +Dodaars,Scheldebroeken excl. Paardeweide-oost,2022,3,Vallei buiten Sigma,50 +Dodaars,Scheldebroeken excl. Paardeweide-oost,2023,2.5,Vallei buiten Sigma,50 +Dodaars,Schor Ouden Doel,2005,0,Sigma_LO,50 +Dodaars,Schor Ouden Doel,2006,0,Sigma_LO,50 +Dodaars,Schor Ouden Doel,2007,0,Sigma_LO,50 +Dodaars,Schor Ouden Doel,2008,0,Sigma_LO,50 +Dodaars,Schor Ouden Doel,2009,0,Sigma_LO,50 +Dodaars,Schor Ouden Doel,2010,0,Sigma_LO,50 +Dodaars,Schor Ouden Doel,2011,0,Sigma_LO,50 +Dodaars,Schor Ouden Doel,2012,0,Sigma_LO,50 +Dodaars,Schor Ouden Doel,2013,0,Sigma_LO,50 +Dodaars,Schor Ouden Doel,2014,0,Sigma_LO,50 +Dodaars,Schor Ouden Doel,2015,0,Sigma_LO,50 +Dodaars,Schor Ouden Doel,2016,0,Sigma_LO,50 +Dodaars,Schor Ouden Doel,2017,0,Sigma_LO,50 +Dodaars,Schor Ouden Doel,2018,0,Sigma_LO,50 +Dodaars,Schor Ouden Doel,2019,0,Sigma_LO,50 +Dodaars,Schor Ouden Doel,2020,0,Sigma_LO,50 +Dodaars,Schor Ouden Doel,2021,0,Sigma_LO,50 +Dodaars,Schor Ouden Doel,2022,0,Sigma_LO,50 +Dodaars,Schor Ouden Doel,2023,0,Sigma_LO,50 +Dodaars,Viersels gebroekt,2005,0,Vallei buiten Sigma,50 +Dodaars,Viersels gebroekt,2006,0,Vallei buiten Sigma,50 +Dodaars,Viersels gebroekt,2007,0,Vallei buiten Sigma,50 +Dodaars,Viersels gebroekt,2008,0,Vallei buiten Sigma,50 +Dodaars,Viersels gebroekt,2009,0,Vallei buiten Sigma,50 +Dodaars,Viersels gebroekt,2010,0,Vallei buiten Sigma,50 +Dodaars,Viersels gebroekt,2011,0,Vallei buiten Sigma,50 +Dodaars,Viersels gebroekt,2012,0,Vallei buiten Sigma,50 +Dodaars,Viersels gebroekt,2013,0,Vallei buiten Sigma,50 +Dodaars,Viersels gebroekt,2014,0,Vallei buiten Sigma,50 +Dodaars,Viersels gebroekt,2015,0,Vallei buiten Sigma,50 +Dodaars,Viersels gebroekt,2016,0,Vallei buiten Sigma,50 +Dodaars,Viersels gebroekt,2017,0,Vallei buiten Sigma,50 +Dodaars,Viersels gebroekt,2018,0,Vallei buiten Sigma,50 +Dodaars,Viersels gebroekt,2019,0,Vallei buiten Sigma,50 +Dodaars,Viersels gebroekt,2020,0,Vallei buiten Sigma,50 +Dodaars,Viersels gebroekt,2021,0,Vallei buiten Sigma,50 +Dodaars,Viersels gebroekt,2022,0,Vallei buiten Sigma,50 +Dodaars,Viersels gebroekt,2023,0,Vallei buiten Sigma,50 +Dodaars,Weijmeerbroek,2005,0,Sigma,50 +Dodaars,Weijmeerbroek,2006,0,Sigma,50 +Dodaars,Weijmeerbroek,2007,0,Sigma,50 +Dodaars,Weijmeerbroek,2008,0,Sigma,50 +Dodaars,Weijmeerbroek,2009,0,Sigma,50 +Dodaars,Weijmeerbroek,2010,0,Sigma,50 +Dodaars,Weijmeerbroek,2011,0,Sigma,50 +Dodaars,Weijmeerbroek,2012,0,Sigma,50 +Dodaars,Weijmeerbroek,2013,0,Sigma,50 +Dodaars,Weijmeerbroek,2014,0,Sigma,50 +Dodaars,Weijmeerbroek,2015,0,Sigma,50 +Dodaars,Weijmeerbroek,2016,0,Sigma,50 +Dodaars,Weijmeerbroek,2017,0,Sigma,50 +Dodaars,Weijmeerbroek,2018,0,Sigma,50 +Dodaars,Weijmeerbroek,2019,0,Sigma,50 +Dodaars,Weijmeerbroek,2020,0,Sigma,50 +Dodaars,Weijmeerbroek,2021,3,Sigma,50 +Dodaars,Weijmeerbroek,2022,0,Sigma,50 +Dodaars,Weijmeerbroek,2023,1,Sigma,50 +Dodaars,Wijmeers,2005,0,Sigma,50 +Dodaars,Wijmeers,2006,0,Sigma,50 +Dodaars,Wijmeers,2007,0,Sigma,50 +Dodaars,Wijmeers,2008,0,Sigma,50 +Dodaars,Wijmeers,2009,0,Sigma,50 +Dodaars,Wijmeers,2010,0,Sigma,50 +Dodaars,Wijmeers,2011,0,Sigma,50 +Dodaars,Wijmeers,2012,0,Sigma,50 +Dodaars,Wijmeers,2013,0,Sigma,50 +Dodaars,Wijmeers,2014,0,Sigma,50 +Dodaars,Wijmeers,2015,0,Sigma,50 +Dodaars,Wijmeers,2016,8,Sigma,50 +Dodaars,Wijmeers,2017,2,Sigma,50 +Dodaars,Wijmeers,2018,2,Sigma,50 +Dodaars,Wijmeers,2019,2,Sigma,50 +Dodaars,Wijmeers,2020,2,Sigma,50 +Dodaars,Wijmeers,2021,0,Sigma,50 +Dodaars,Wijmeers,2022,0,Sigma,50 +Dodaars,Wijmeers,2023,0,Sigma,50 +Dodaars,Wijmeers-noord,2005,0,Sigma,50 +Dodaars,Wijmeers-noord,2006,0,Sigma,50 +Dodaars,Wijmeers-noord,2007,0,Sigma,50 +Dodaars,Wijmeers-noord,2008,0,Sigma,50 +Dodaars,Wijmeers-noord,2009,0,Sigma,50 +Dodaars,Wijmeers-noord,2010,0,Sigma,50 +Dodaars,Wijmeers-noord,2011,0,Sigma,50 +Dodaars,Wijmeers-noord,2012,0,Sigma,50 +Dodaars,Wijmeers-noord,2013,0,Sigma,50 +Dodaars,Wijmeers-noord,2014,0,Sigma,50 +Dodaars,Wijmeers-noord,2015,0,Sigma,50 +Dodaars,Wijmeers-noord,2016,0,Sigma,50 +Dodaars,Wijmeers-noord,2017,0,Sigma,50 +Dodaars,Wijmeers-noord,2018,0,Sigma,50 +Dodaars,Wijmeers-noord,2019,0,Sigma,50 +Dodaars,Wijmeers-noord,2020,0,Sigma,50 +Dodaars,Wijmeers-noord,2021,1,Sigma,50 +Dodaars,Wijmeers-noord,2022,1,Sigma,50 +Dodaars,Wijmeers-noord,2023,1,Sigma,50 +Dodaars,Wijmeers-zuid,2005,0,Sigma,50 +Dodaars,Wijmeers-zuid,2006,0,Sigma,50 +Dodaars,Wijmeers-zuid,2007,0,Sigma,50 +Dodaars,Wijmeers-zuid,2008,0,Sigma,50 +Dodaars,Wijmeers-zuid,2009,0,Sigma,50 +Dodaars,Wijmeers-zuid,2010,0,Sigma,50 +Dodaars,Wijmeers-zuid,2011,0,Sigma,50 +Dodaars,Wijmeers-zuid,2012,0,Sigma,50 +Dodaars,Wijmeers-zuid,2013,0,Sigma,50 +Dodaars,Wijmeers-zuid,2014,0,Sigma,50 +Dodaars,Wijmeers-zuid,2015,0,Sigma,50 +Dodaars,Wijmeers-zuid,2016,0,Sigma,50 +Dodaars,Wijmeers-zuid,2017,0,Sigma,50 +Dodaars,Wijmeers-zuid,2018,0,Sigma,50 +Dodaars,Wijmeers-zuid,2019,0,Sigma,50 +Dodaars,Wijmeers-zuid,2020,0,Sigma,50 +Dodaars,Wijmeers-zuid,2021,0,Sigma,50 +Dodaars,Wijmeers-zuid,2022,0,Sigma,50 +Dodaars,Wijmeers-zuid,2023,0,Sigma,50 +Dodaars,Zennegat,2005,1,Sigma,50 +Dodaars,Zennegat,2006,1,Sigma,50 +Dodaars,Zennegat,2007,1,Sigma,50 +Dodaars,Zennegat,2008,1,Sigma,50 +Dodaars,Zennegat,2009,1,Sigma,50 +Dodaars,Zennegat,2010,1,Sigma,50 +Dodaars,Zennegat,2011,1,Sigma,50 +Dodaars,Zennegat,2012,1,Sigma,50 +Dodaars,Zennegat,2013,1,Sigma,50 +Dodaars,Zennegat,2014,1,Sigma,50 +Dodaars,Zennegat,2015,1,Sigma,50 +Dodaars,Zennegat,2016,1,Sigma,50 +Dodaars,Zennegat,2017,4,Sigma,50 +Dodaars,Zennegat,2018,6,Sigma,50 +Dodaars,Zennegat,2019,6,Sigma,50 +Dodaars,Zennegat,2020,5,Sigma,50 +Dodaars,Zennegat,2021,4,Sigma,50 +Dodaars,Zennegat,2022,2,Sigma,50 +Dodaars,Zennegat,2023,1,Sigma,50 +Dodaars,Zuidelijk eiland,2005,0,Vallei buiten Sigma,50 +Dodaars,Zuidelijk eiland,2006,0,Vallei buiten Sigma,50 +Dodaars,Zuidelijk eiland,2007,0,Vallei buiten Sigma,50 +Dodaars,Zuidelijk eiland,2008,0,Vallei buiten Sigma,50 +Dodaars,Zuidelijk eiland,2009,0,Vallei buiten Sigma,50 +Dodaars,Zuidelijk eiland,2010,0,Vallei buiten Sigma,50 +Dodaars,Zuidelijk eiland,2011,0,Vallei buiten Sigma,50 +Dodaars,Zuidelijk eiland,2012,0,Vallei buiten Sigma,50 +Dodaars,Zuidelijk eiland,2013,0,Vallei buiten Sigma,50 +Dodaars,Zuidelijk eiland,2014,0,Vallei buiten Sigma,50 +Dodaars,Zuidelijk eiland,2015,0,Vallei buiten Sigma,50 +Dodaars,Zuidelijk eiland,2016,0,Vallei buiten Sigma,50 +Dodaars,Zuidelijk eiland,2017,0,Vallei buiten Sigma,50 +Dodaars,Zuidelijk eiland,2018,0,Vallei buiten Sigma,50 +Dodaars,Zuidelijk eiland,2019,0,Vallei buiten Sigma,50 +Dodaars,Zuidelijk eiland,2020,0,Vallei buiten Sigma,50 +Dodaars,Zuidelijk eiland,2021,0,Vallei buiten Sigma,50 +Dodaars,Zuidelijk eiland,2022,0,Vallei buiten Sigma,50 +Dodaars,Zuidelijk eiland,2023,0,Vallei buiten Sigma,50 +Rietzanger,Beneden Nete,2005,0,Sigma,170 +Rietzanger,Beneden Nete,2006,0,Sigma,170 +Rietzanger,Beneden Nete,2007,0,Sigma,170 +Rietzanger,Beneden Nete,2008,0,Sigma,170 +Rietzanger,Beneden Nete,2009,0,Sigma,170 +Rietzanger,Beneden Nete,2010,0,Sigma,170 +Rietzanger,Beneden Nete,2011,0,Sigma,170 +Rietzanger,Beneden Nete,2012,0,Sigma,170 +Rietzanger,Beneden Nete,2013,0,Sigma,170 +Rietzanger,Beneden Nete,2014,0,Sigma,170 +Rietzanger,Beneden Nete,2015,0,Sigma,170 +Rietzanger,Beneden Nete,2016,0,Sigma,170 +Rietzanger,Beneden Nete,2017,0,Sigma,170 +Rietzanger,Beneden Nete,2018,0,Sigma,170 +Rietzanger,Beneden Nete,2019,0,Sigma,170 +Rietzanger,Beneden Nete,2020,0,Sigma,170 +Rietzanger,Beneden Nete,2021,0,Sigma,170 +Rietzanger,Beneden Nete,2022,5,Sigma,170 +Rietzanger,Beneden Nete,2023,11,Sigma,170 +Rietzanger,Bergenmeersen,2005,0,Sigma,170 +Rietzanger,Bergenmeersen,2006,0,Sigma,170 +Rietzanger,Bergenmeersen,2007,0,Sigma,170 +Rietzanger,Bergenmeersen,2008,0,Sigma,170 +Rietzanger,Bergenmeersen,2009,0,Sigma,170 +Rietzanger,Bergenmeersen,2010,0,Sigma,170 +Rietzanger,Bergenmeersen,2011,0,Sigma,170 +Rietzanger,Bergenmeersen,2012,0,Sigma,170 +Rietzanger,Bergenmeersen,2013,0,Sigma,170 +Rietzanger,Bergenmeersen,2014,0,Sigma,170 +Rietzanger,Bergenmeersen,2015,2,Sigma,170 +Rietzanger,Bergenmeersen,2016,5,Sigma,170 +Rietzanger,Bergenmeersen,2017,4,Sigma,170 +Rietzanger,Bergenmeersen,2018,3,Sigma,170 +Rietzanger,Bergenmeersen,2019,8,Sigma,170 +Rietzanger,Bergenmeersen,2020,12,Sigma,170 +Rietzanger,Bergenmeersen,2021,10,Sigma,170 +Rietzanger,Bergenmeersen,2022,7,Sigma,170 +Rietzanger,Bergenmeersen,2023,7,Sigma,170 +Rietzanger,Blokkersdijk,2005,5,BD,170 +Rietzanger,Blokkersdijk,2006,2,BD,170 +Rietzanger,Blokkersdijk,2007,6,BD,170 +Rietzanger,Blokkersdijk,2008,6,BD,170 +Rietzanger,Blokkersdijk,2009,5,BD,170 +Rietzanger,Blokkersdijk,2010,9,BD,170 +Rietzanger,Blokkersdijk,2011,8,BD,170 +Rietzanger,Blokkersdijk,2012,5,BD,170 +Rietzanger,Blokkersdijk,2013,5,BD,170 +Rietzanger,Blokkersdijk,2014,11,BD,170 +Rietzanger,Blokkersdijk,2015,7,BD,170 +Rietzanger,Blokkersdijk,2016,9,BD,170 +Rietzanger,Blokkersdijk,2017,12,BD,170 +Rietzanger,Blokkersdijk,2018,8,BD,170 +Rietzanger,Blokkersdijk,2019,10,BD,170 +Rietzanger,Blokkersdijk,2020,14,BD,170 +Rietzanger,Blokkersdijk,2021,15,BD,170 +Rietzanger,Blokkersdijk,2022,16,BD,170 +Rietzanger,Blokkersdijk,2023,20,BD,170 +Rietzanger,Burchtse Weel,2005,0,Sigma,170 +Rietzanger,Burchtse Weel,2006,0,Sigma,170 +Rietzanger,Burchtse Weel,2007,0,Sigma,170 +Rietzanger,Burchtse Weel,2008,0,Sigma,170 +Rietzanger,Burchtse Weel,2009,0,Sigma,170 +Rietzanger,Burchtse Weel,2010,0,Sigma,170 +Rietzanger,Burchtse Weel,2011,0,Sigma,170 +Rietzanger,Burchtse Weel,2012,0,Sigma,170 +Rietzanger,Burchtse Weel,2013,0,Sigma,170 +Rietzanger,Burchtse Weel,2014,0,Sigma,170 +Rietzanger,Burchtse Weel,2015,0,Sigma,170 +Rietzanger,Burchtse Weel,2016,0,Sigma,170 +Rietzanger,Burchtse Weel,2017,0,Sigma,170 +Rietzanger,Burchtse Weel,2018,0,Sigma,170 +Rietzanger,Burchtse Weel,2019,0,Sigma,170 +Rietzanger,Burchtse Weel,2020,0,Sigma,170 +Rietzanger,Burchtse Weel,2021,0,Sigma,170 +Rietzanger,Burchtse Weel,2022,2,Sigma,170 +Rietzanger,Burchtse Weel,2023,0,Sigma,170 +Rietzanger,Doelpolder-noord,2005,0,Sigma_LO,170 +Rietzanger,Doelpolder-noord,2006,0,Sigma_LO,170 +Rietzanger,Doelpolder-noord,2007,0,Sigma_LO,170 +Rietzanger,Doelpolder-noord,2008,0,Sigma_LO,170 +Rietzanger,Doelpolder-noord,2009,0,Sigma_LO,170 +Rietzanger,Doelpolder-noord,2010,0,Sigma_LO,170 +Rietzanger,Doelpolder-noord,2011,0,Sigma_LO,170 +Rietzanger,Doelpolder-noord,2012,0,Sigma_LO,170 +Rietzanger,Doelpolder-noord,2013,0,Sigma_LO,170 +Rietzanger,Doelpolder-noord,2014,0,Sigma_LO,170 +Rietzanger,Doelpolder-noord,2015,0,Sigma_LO,170 +Rietzanger,Doelpolder-noord,2016,0,Sigma_LO,170 +Rietzanger,Doelpolder-noord,2017,0,Sigma_LO,170 +Rietzanger,Doelpolder-noord,2018,0,Sigma_LO,170 +Rietzanger,Doelpolder-noord,2019,0,Sigma_LO,170 +Rietzanger,Doelpolder-noord,2020,0,Sigma_LO,170 +Rietzanger,Doelpolder-noord,2021,0,Sigma_LO,170 +Rietzanger,Doelpolder-noord,2022,0,Sigma_LO,170 +Rietzanger,Doelpolder-noord,2023,4,Sigma_LO,170 +Rietzanger,Donkmeer,2005,0,Vallei buiten Sigma,170 +Rietzanger,Donkmeer,2006,0,Vallei buiten Sigma,170 +Rietzanger,Donkmeer,2007,0,Vallei buiten Sigma,170 +Rietzanger,Donkmeer,2008,0,Vallei buiten Sigma,170 +Rietzanger,Donkmeer,2009,0,Vallei buiten Sigma,170 +Rietzanger,Donkmeer,2010,0,Vallei buiten Sigma,170 +Rietzanger,Donkmeer,2011,0,Vallei buiten Sigma,170 +Rietzanger,Donkmeer,2012,0,Vallei buiten Sigma,170 +Rietzanger,Donkmeer,2013,0,Vallei buiten Sigma,170 +Rietzanger,Donkmeer,2014,0,Vallei buiten Sigma,170 +Rietzanger,Donkmeer,2015,0,Vallei buiten Sigma,170 +Rietzanger,Donkmeer,2016,0,Vallei buiten Sigma,170 +Rietzanger,Donkmeer,2017,0,Vallei buiten Sigma,170 +Rietzanger,Donkmeer,2018,0,Vallei buiten Sigma,170 +Rietzanger,Donkmeer,2019,0,Vallei buiten Sigma,170 +Rietzanger,Donkmeer,2020,0,Vallei buiten Sigma,170 +Rietzanger,Donkmeer,2021,2,Vallei buiten Sigma,170 +Rietzanger,Donkmeer,2022,2,Vallei buiten Sigma,170 +Rietzanger,Donkmeer,2023,2,Vallei buiten Sigma,170 +Rietzanger,Durmemeersen,2005,0,Vallei buiten Sigma,170 +Rietzanger,Durmemeersen,2006,0,Vallei buiten Sigma,170 +Rietzanger,Durmemeersen,2007,0,Vallei buiten Sigma,170 +Rietzanger,Durmemeersen,2008,0,Vallei buiten Sigma,170 +Rietzanger,Durmemeersen,2009,0,Vallei buiten Sigma,170 +Rietzanger,Durmemeersen,2010,0,Vallei buiten Sigma,170 +Rietzanger,Durmemeersen,2011,0,Vallei buiten Sigma,170 +Rietzanger,Durmemeersen,2012,0,Vallei buiten Sigma,170 +Rietzanger,Durmemeersen,2013,0,Vallei buiten Sigma,170 +Rietzanger,Durmemeersen,2014,0,Vallei buiten Sigma,170 +Rietzanger,Durmemeersen,2015,0,Vallei buiten Sigma,170 +Rietzanger,Durmemeersen,2016,0,Vallei buiten Sigma,170 +Rietzanger,Durmemeersen,2017,0,Vallei buiten Sigma,170 +Rietzanger,Durmemeersen,2018,0,Vallei buiten Sigma,170 +Rietzanger,Durmemeersen,2019,0,Vallei buiten Sigma,170 +Rietzanger,Durmemeersen,2020,0,Vallei buiten Sigma,170 +Rietzanger,Durmemeersen,2021,3.5,Vallei buiten Sigma,170 +Rietzanger,Durmemeersen,2022,3.5,Vallei buiten Sigma,170 +Rietzanger,Durmemeersen,2023,3.5,Vallei buiten Sigma,170 +Rietzanger,Gebieden vzwDurme,2005,0,Vallei buiten Sigma,170 +Rietzanger,Gebieden vzwDurme,2006,0,Vallei buiten Sigma,170 +Rietzanger,Gebieden vzwDurme,2007,0,Vallei buiten Sigma,170 +Rietzanger,Gebieden vzwDurme,2008,0,Vallei buiten Sigma,170 +Rietzanger,Gebieden vzwDurme,2009,0,Vallei buiten Sigma,170 +Rietzanger,Gebieden vzwDurme,2010,0,Vallei buiten Sigma,170 +Rietzanger,Gebieden vzwDurme,2011,0,Vallei buiten Sigma,170 +Rietzanger,Gebieden vzwDurme,2012,0,Vallei buiten Sigma,170 +Rietzanger,Gebieden vzwDurme,2013,0,Vallei buiten Sigma,170 +Rietzanger,Gebieden vzwDurme,2014,0,Vallei buiten Sigma,170 +Rietzanger,Gebieden vzwDurme,2015,0,Vallei buiten Sigma,170 +Rietzanger,Gebieden vzwDurme,2016,0,Vallei buiten Sigma,170 +Rietzanger,Gebieden vzwDurme,2017,0,Vallei buiten Sigma,170 +Rietzanger,Gebieden vzwDurme,2018,0,Vallei buiten Sigma,170 +Rietzanger,Gebieden vzwDurme,2019,0,Vallei buiten Sigma,170 +Rietzanger,Gebieden vzwDurme,2020,0,Vallei buiten Sigma,170 +Rietzanger,Gebieden vzwDurme,2021,0,Vallei buiten Sigma,170 +Rietzanger,Gebieden vzwDurme,2022,0,Vallei buiten Sigma,170 +Rietzanger,Gebieden vzwDurme,2023,0,Vallei buiten Sigma,170 +Rietzanger,Gentbrugse meersen,2005,0,Vallei buiten Sigma,170 +Rietzanger,Gentbrugse meersen,2006,0,Vallei buiten Sigma,170 +Rietzanger,Gentbrugse meersen,2007,0,Vallei buiten Sigma,170 +Rietzanger,Gentbrugse meersen,2008,0,Vallei buiten Sigma,170 +Rietzanger,Gentbrugse meersen,2009,0,Vallei buiten Sigma,170 +Rietzanger,Gentbrugse meersen,2010,0,Vallei buiten Sigma,170 +Rietzanger,Gentbrugse meersen,2011,0,Vallei buiten Sigma,170 +Rietzanger,Gentbrugse meersen,2012,0,Vallei buiten Sigma,170 +Rietzanger,Gentbrugse meersen,2013,0,Vallei buiten Sigma,170 +Rietzanger,Gentbrugse meersen,2014,0,Vallei buiten Sigma,170 +Rietzanger,Gentbrugse meersen,2015,0,Vallei buiten Sigma,170 +Rietzanger,Gentbrugse meersen,2016,0,Vallei buiten Sigma,170 +Rietzanger,Gentbrugse meersen,2017,0,Vallei buiten Sigma,170 +Rietzanger,Gentbrugse meersen,2018,0,Vallei buiten Sigma,170 +Rietzanger,Gentbrugse meersen,2019,0,Vallei buiten Sigma,170 +Rietzanger,Gentbrugse meersen,2020,0,Vallei buiten Sigma,170 +Rietzanger,Gentbrugse meersen,2021,0,Vallei buiten Sigma,170 +Rietzanger,Gentbrugse meersen,2022,0,Vallei buiten Sigma,170 +Rietzanger,Gentbrugse meersen,2023,0,Vallei buiten Sigma,170 +Rietzanger,Groot Broek,2005,0,Sigma,170 +Rietzanger,Groot Broek,2006,0,Sigma,170 +Rietzanger,Groot Broek,2007,0,Sigma,170 +Rietzanger,Groot Broek,2008,0,Sigma,170 +Rietzanger,Groot Broek,2009,0,Sigma,170 +Rietzanger,Groot Broek,2010,0,Sigma,170 +Rietzanger,Groot Broek,2011,0,Sigma,170 +Rietzanger,Groot Broek,2012,0,Sigma,170 +Rietzanger,Groot Broek,2013,0,Sigma,170 +Rietzanger,Groot Broek,2014,0,Sigma,170 +Rietzanger,Groot Broek,2015,0,Sigma,170 +Rietzanger,Groot Broek,2016,0,Sigma,170 +Rietzanger,Groot Broek,2017,0,Sigma,170 +Rietzanger,Groot Broek,2018,0,Sigma,170 +Rietzanger,Groot Broek,2019,0,Sigma,170 +Rietzanger,Groot Broek,2020,0,Sigma,170 +Rietzanger,Groot Broek,2021,1,Sigma,170 +Rietzanger,Groot Broek,2022,2,Sigma,170 +Rietzanger,Groot Broek,2023,2,Sigma,170 +Rietzanger,Groot buitenschoor,2005,0,Estuarium buiten Sigma,170 +Rietzanger,Groot buitenschoor,2006,0,Estuarium buiten Sigma,170 +Rietzanger,Groot buitenschoor,2007,0,Estuarium buiten Sigma,170 +Rietzanger,Groot buitenschoor,2008,0,Estuarium buiten Sigma,170 +Rietzanger,Groot buitenschoor,2009,0,Estuarium buiten Sigma,170 +Rietzanger,Groot buitenschoor,2010,0,Estuarium buiten Sigma,170 +Rietzanger,Groot buitenschoor,2011,0,Estuarium buiten Sigma,170 +Rietzanger,Groot buitenschoor,2012,0,Estuarium buiten Sigma,170 +Rietzanger,Groot buitenschoor,2013,0,Estuarium buiten Sigma,170 +Rietzanger,Groot buitenschoor,2014,0,Estuarium buiten Sigma,170 +Rietzanger,Groot buitenschoor,2015,0,Estuarium buiten Sigma,170 +Rietzanger,Groot buitenschoor,2016,0,Estuarium buiten Sigma,170 +Rietzanger,Groot buitenschoor,2017,0,Estuarium buiten Sigma,170 +Rietzanger,Groot buitenschoor,2018,0,Estuarium buiten Sigma,170 +Rietzanger,Groot buitenschoor,2019,0,Estuarium buiten Sigma,170 +Rietzanger,Groot buitenschoor,2020,0,Estuarium buiten Sigma,170 +Rietzanger,Groot buitenschoor,2021,0,Estuarium buiten Sigma,170 +Rietzanger,Groot buitenschoor,2022,0,Estuarium buiten Sigma,170 +Rietzanger,Groot buitenschoor,2023,0,Estuarium buiten Sigma,170 +Rietzanger,Grote Wal,2005,0,Sigma,170 +Rietzanger,Grote Wal,2006,0,Sigma,170 +Rietzanger,Grote Wal,2007,0,Sigma,170 +Rietzanger,Grote Wal,2008,0,Sigma,170 +Rietzanger,Grote Wal,2009,0,Sigma,170 +Rietzanger,Grote Wal,2010,0,Sigma,170 +Rietzanger,Grote Wal,2011,0,Sigma,170 +Rietzanger,Grote Wal,2012,0,Sigma,170 +Rietzanger,Grote Wal,2013,0,Sigma,170 +Rietzanger,Grote Wal,2014,0,Sigma,170 +Rietzanger,Grote Wal,2015,0,Sigma,170 +Rietzanger,Grote Wal,2016,0,Sigma,170 +Rietzanger,Grote Wal,2017,0,Sigma,170 +Rietzanger,Grote Wal,2018,0,Sigma,170 +Rietzanger,Grote Wal,2019,0,Sigma,170 +Rietzanger,Grote Wal,2020,0,Sigma,170 +Rietzanger,Grote Wal,2021,0,Sigma,170 +Rietzanger,Grote Wal,2022,5,Sigma,170 +Rietzanger,Grote Wal,2023,13,Sigma,170 +Rietzanger,Grote vijver - deel 1,2005,0,Sigma,170 +Rietzanger,Grote vijver - deel 1,2006,0,Sigma,170 +Rietzanger,Grote vijver - deel 1,2007,0,Sigma,170 +Rietzanger,Grote vijver - deel 1,2008,0,Sigma,170 +Rietzanger,Grote vijver - deel 1,2009,0,Sigma,170 +Rietzanger,Grote vijver - deel 1,2010,0,Sigma,170 +Rietzanger,Grote vijver - deel 1,2011,0,Sigma,170 +Rietzanger,Grote vijver - deel 1,2012,0,Sigma,170 +Rietzanger,Grote vijver - deel 1,2013,0,Sigma,170 +Rietzanger,Grote vijver - deel 1,2014,0,Sigma,170 +Rietzanger,Grote vijver - deel 1,2015,0,Sigma,170 +Rietzanger,Grote vijver - deel 1,2016,0,Sigma,170 +Rietzanger,Grote vijver - deel 1,2017,0,Sigma,170 +Rietzanger,Grote vijver - deel 1,2018,0,Sigma,170 +Rietzanger,Grote vijver - deel 1,2019,0,Sigma,170 +Rietzanger,Grote vijver - deel 1,2020,0,Sigma,170 +Rietzanger,Grote vijver - deel 1,2021,0,Sigma,170 +Rietzanger,Grote vijver - deel 1,2022,1,Sigma,170 +Rietzanger,Grote vijver - deel 1,2023,0,Sigma,170 +Rietzanger,Grote vijver - deel 2,2005,0,Sigma,170 +Rietzanger,Grote vijver - deel 2,2006,0,Sigma,170 +Rietzanger,Grote vijver - deel 2,2007,0,Sigma,170 +Rietzanger,Grote vijver - deel 2,2008,0,Sigma,170 +Rietzanger,Grote vijver - deel 2,2009,0,Sigma,170 +Rietzanger,Grote vijver - deel 2,2010,0,Sigma,170 +Rietzanger,Grote vijver - deel 2,2011,0,Sigma,170 +Rietzanger,Grote vijver - deel 2,2012,0,Sigma,170 +Rietzanger,Grote vijver - deel 2,2013,0,Sigma,170 +Rietzanger,Grote vijver - deel 2,2014,0,Sigma,170 +Rietzanger,Grote vijver - deel 2,2015,0,Sigma,170 +Rietzanger,Grote vijver - deel 2,2016,0,Sigma,170 +Rietzanger,Grote vijver - deel 2,2017,0,Sigma,170 +Rietzanger,Grote vijver - deel 2,2018,0,Sigma,170 +Rietzanger,Grote vijver - deel 2,2019,0,Sigma,170 +Rietzanger,Grote vijver - deel 2,2020,0,Sigma,170 +Rietzanger,Grote vijver - deel 2,2021,0,Sigma,170 +Rietzanger,Grote vijver - deel 2,2022,0,Sigma,170 +Rietzanger,Grote vijver - deel 2,2023,0,Sigma,170 +Rietzanger,KBR,2005,1,Sigma,170 +Rietzanger,KBR,2006,1,Sigma,170 +Rietzanger,KBR,2007,1,Sigma,170 +Rietzanger,KBR,2008,2,Sigma,170 +Rietzanger,KBR,2009,6,Sigma,170 +Rietzanger,KBR,2010,14,Sigma,170 +Rietzanger,KBR,2011,12,Sigma,170 +Rietzanger,KBR,2012,23,Sigma,170 +Rietzanger,KBR,2013,25,Sigma,170 +Rietzanger,KBR,2014,29,Sigma,170 +Rietzanger,KBR,2015,37,Sigma,170 +Rietzanger,KBR,2016,57,Sigma,170 +Rietzanger,KBR,2017,82,Sigma,170 +Rietzanger,KBR,2018,54,Sigma,170 +Rietzanger,KBR,2019,66,Sigma,170 +Rietzanger,KBR,2020,66,Sigma,170 +Rietzanger,KBR,2021,79,Sigma,170 +Rietzanger,KBR,2022,80,Sigma,170 +Rietzanger,KBR,2023,118,Sigma,170 +Rietzanger,Kalkense meersen,2005,17,Sigma,170 +Rietzanger,Kalkense meersen,2006,17,Sigma,170 +Rietzanger,Kalkense meersen,2007,17,Sigma,170 +Rietzanger,Kalkense meersen,2008,17,Sigma,170 +Rietzanger,Kalkense meersen,2009,17,Sigma,170 +Rietzanger,Kalkense meersen,2010,17,Sigma,170 +Rietzanger,Kalkense meersen,2011,17,Sigma,170 +Rietzanger,Kalkense meersen,2012,17,Sigma,170 +Rietzanger,Kalkense meersen,2013,13,Sigma,170 +Rietzanger,Kalkense meersen,2014,25,Sigma,170 +Rietzanger,Kalkense meersen,2015,25,Sigma,170 +Rietzanger,Kalkense meersen,2016,32,Sigma,170 +Rietzanger,Kalkense meersen,2017,43,Sigma,170 +Rietzanger,Kalkense meersen,2018,43,Sigma,170 +Rietzanger,Kalkense meersen,2019,43,Sigma,170 +Rietzanger,Kalkense meersen,2020,43,Sigma,170 +Rietzanger,Kalkense meersen,2021,73,Sigma,170 +Rietzanger,Kalkense meersen,2022,82,Sigma,170 +Rietzanger,Kalkense meersen,2023,82,Sigma,170 +Rietzanger,Ketenisse,2005,1,Estuarium buiten Sigma,170 +Rietzanger,Ketenisse,2006,1,Estuarium buiten Sigma,170 +Rietzanger,Ketenisse,2007,0,Estuarium buiten Sigma,170 +Rietzanger,Ketenisse,2008,0,Estuarium buiten Sigma,170 +Rietzanger,Ketenisse,2009,0,Estuarium buiten Sigma,170 +Rietzanger,Ketenisse,2010,0,Estuarium buiten Sigma,170 +Rietzanger,Ketenisse,2011,4,Estuarium buiten Sigma,170 +Rietzanger,Ketenisse,2012,2,Estuarium buiten Sigma,170 +Rietzanger,Ketenisse,2013,0,Estuarium buiten Sigma,170 +Rietzanger,Ketenisse,2014,3,Estuarium buiten Sigma,170 +Rietzanger,Ketenisse,2015,0,Estuarium buiten Sigma,170 +Rietzanger,Ketenisse,2016,1,Estuarium buiten Sigma,170 +Rietzanger,Ketenisse,2017,1,Estuarium buiten Sigma,170 +Rietzanger,Ketenisse,2018,2,Estuarium buiten Sigma,170 +Rietzanger,Ketenisse,2019,0,Estuarium buiten Sigma,170 +Rietzanger,Ketenisse,2020,0,Estuarium buiten Sigma,170 +Rietzanger,Ketenisse,2021,1,Estuarium buiten Sigma,170 +Rietzanger,Ketenisse,2022,2,Estuarium buiten Sigma,170 +Rietzanger,Ketenisse,2023,0,Estuarium buiten Sigma,170 +Rietzanger,Klein Broek,2005,0,Sigma,170 +Rietzanger,Klein Broek,2006,0,Sigma,170 +Rietzanger,Klein Broek,2007,0,Sigma,170 +Rietzanger,Klein Broek,2008,0,Sigma,170 +Rietzanger,Klein Broek,2009,0,Sigma,170 +Rietzanger,Klein Broek,2010,0,Sigma,170 +Rietzanger,Klein Broek,2011,0,Sigma,170 +Rietzanger,Klein Broek,2012,0,Sigma,170 +Rietzanger,Klein Broek,2013,0,Sigma,170 +Rietzanger,Klein Broek,2014,0,Sigma,170 +Rietzanger,Klein Broek,2015,0,Sigma,170 +Rietzanger,Klein Broek,2016,0,Sigma,170 +Rietzanger,Klein Broek,2017,0,Sigma,170 +Rietzanger,Klein Broek,2018,0,Sigma,170 +Rietzanger,Klein Broek,2019,0,Sigma,170 +Rietzanger,Klein Broek,2020,0,Sigma,170 +Rietzanger,Klein Broek,2021,1,Sigma,170 +Rietzanger,Klein Broek,2022,1,Sigma,170 +Rietzanger,Klein Broek,2023,1,Sigma,170 +Rietzanger,Mechels Broek,2005,0,Vallei buiten Sigma,170 +Rietzanger,Mechels Broek,2006,0,Vallei buiten Sigma,170 +Rietzanger,Mechels Broek,2007,0,Vallei buiten Sigma,170 +Rietzanger,Mechels Broek,2008,0,Vallei buiten Sigma,170 +Rietzanger,Mechels Broek,2009,0,Vallei buiten Sigma,170 +Rietzanger,Mechels Broek,2010,0,Vallei buiten Sigma,170 +Rietzanger,Mechels Broek,2011,0,Vallei buiten Sigma,170 +Rietzanger,Mechels Broek,2012,0,Vallei buiten Sigma,170 +Rietzanger,Mechels Broek,2013,0,Vallei buiten Sigma,170 +Rietzanger,Mechels Broek,2014,0,Vallei buiten Sigma,170 +Rietzanger,Mechels Broek,2015,0,Vallei buiten Sigma,170 +Rietzanger,Mechels Broek,2016,0,Vallei buiten Sigma,170 +Rietzanger,Mechels Broek,2017,0,Vallei buiten Sigma,170 +Rietzanger,Mechels Broek,2018,0,Vallei buiten Sigma,170 +Rietzanger,Mechels Broek,2019,0,Vallei buiten Sigma,170 +Rietzanger,Mechels Broek,2020,0,Vallei buiten Sigma,170 +Rietzanger,Mechels Broek,2021,0,Vallei buiten Sigma,170 +Rietzanger,Mechels Broek,2022,0,Vallei buiten Sigma,170 +Rietzanger,Mechels Broek,2023,0,Vallei buiten Sigma,170 +Rietzanger,Molsbroek,2005,0,Vallei buiten Sigma,170 +Rietzanger,Molsbroek,2006,0,Vallei buiten Sigma,170 +Rietzanger,Molsbroek,2007,0,Vallei buiten Sigma,170 +Rietzanger,Molsbroek,2008,0,Vallei buiten Sigma,170 +Rietzanger,Molsbroek,2009,0,Vallei buiten Sigma,170 +Rietzanger,Molsbroek,2010,0,Vallei buiten Sigma,170 +Rietzanger,Molsbroek,2011,0,Vallei buiten Sigma,170 +Rietzanger,Molsbroek,2012,0,Vallei buiten Sigma,170 +Rietzanger,Molsbroek,2013,0,Vallei buiten Sigma,170 +Rietzanger,Molsbroek,2014,0,Vallei buiten Sigma,170 +Rietzanger,Molsbroek,2015,0,Vallei buiten Sigma,170 +Rietzanger,Molsbroek,2016,0,Vallei buiten Sigma,170 +Rietzanger,Molsbroek,2017,0,Vallei buiten Sigma,170 +Rietzanger,Molsbroek,2018,0,Vallei buiten Sigma,170 +Rietzanger,Molsbroek,2019,0,Vallei buiten Sigma,170 +Rietzanger,Molsbroek,2020,0,Vallei buiten Sigma,170 +Rietzanger,Molsbroek,2021,9.5,Vallei buiten Sigma,170 +Rietzanger,Molsbroek,2022,6,Vallei buiten Sigma,170 +Rietzanger,Molsbroek,2023,7,Vallei buiten Sigma,170 +Rietzanger,Noordelijk eiland,2005,0,Vallei buiten Sigma,170 +Rietzanger,Noordelijk eiland,2006,0,Vallei buiten Sigma,170 +Rietzanger,Noordelijk eiland,2007,0,Vallei buiten Sigma,170 +Rietzanger,Noordelijk eiland,2008,0,Vallei buiten Sigma,170 +Rietzanger,Noordelijk eiland,2009,0,Vallei buiten Sigma,170 +Rietzanger,Noordelijk eiland,2010,0,Vallei buiten Sigma,170 +Rietzanger,Noordelijk eiland,2011,0,Vallei buiten Sigma,170 +Rietzanger,Noordelijk eiland,2012,0,Vallei buiten Sigma,170 +Rietzanger,Noordelijk eiland,2013,0,Vallei buiten Sigma,170 +Rietzanger,Noordelijk eiland,2014,0,Vallei buiten Sigma,170 +Rietzanger,Noordelijk eiland,2015,0,Vallei buiten Sigma,170 +Rietzanger,Noordelijk eiland,2016,0,Vallei buiten Sigma,170 +Rietzanger,Noordelijk eiland,2017,0,Vallei buiten Sigma,170 +Rietzanger,Noordelijk eiland,2018,0,Vallei buiten Sigma,170 +Rietzanger,Noordelijk eiland,2019,0,Vallei buiten Sigma,170 +Rietzanger,Noordelijk eiland,2020,0,Vallei buiten Sigma,170 +Rietzanger,Noordelijk eiland,2021,0,Vallei buiten Sigma,170 +Rietzanger,Noordelijk eiland,2022,0,Vallei buiten Sigma,170 +Rietzanger,Noordelijk eiland,2023,0,Vallei buiten Sigma,170 +Rietzanger,NoordelijkGebied,2005,12,Sigma_LO,170 +Rietzanger,NoordelijkGebied,2006,20,Sigma_LO,170 +Rietzanger,NoordelijkGebied,2007,10,Sigma_LO,170 +Rietzanger,NoordelijkGebied,2008,2,Sigma_LO,170 +Rietzanger,NoordelijkGebied,2009,9,Sigma_LO,170 +Rietzanger,NoordelijkGebied,2010,13,Sigma_LO,170 +Rietzanger,NoordelijkGebied,2011,20,Sigma_LO,170 +Rietzanger,NoordelijkGebied,2012,5,Sigma_LO,170 +Rietzanger,NoordelijkGebied,2013,17,Sigma_LO,170 +Rietzanger,NoordelijkGebied,2014,35,Sigma_LO,170 +Rietzanger,NoordelijkGebied,2015,12,Sigma_LO,170 +Rietzanger,NoordelijkGebied,2016,36,Sigma_LO,170 +Rietzanger,NoordelijkGebied,2017,48,Sigma_LO,170 +Rietzanger,NoordelijkGebied,2018,57,Sigma_LO,170 +Rietzanger,NoordelijkGebied,2019,97,Sigma_LO,170 +Rietzanger,NoordelijkGebied,2020,135,Sigma_LO,170 +Rietzanger,NoordelijkGebied,2021,117,Sigma_LO,170 +Rietzanger,NoordelijkGebied,2022,142,Sigma_LO,170 +Rietzanger,NoordelijkGebied,2023,0,Sigma_LO,170 +Rietzanger,Paardeweide,2005,0,Sigma,170 +Rietzanger,Paardeweide,2006,0,Sigma,170 +Rietzanger,Paardeweide,2007,0,Sigma,170 +Rietzanger,Paardeweide,2008,0,Sigma,170 +Rietzanger,Paardeweide,2009,0,Sigma,170 +Rietzanger,Paardeweide,2010,0,Sigma,170 +Rietzanger,Paardeweide,2011,0,Sigma,170 +Rietzanger,Paardeweide,2012,0,Sigma,170 +Rietzanger,Paardeweide,2013,0,Sigma,170 +Rietzanger,Paardeweide,2014,0,Sigma,170 +Rietzanger,Paardeweide,2015,0,Sigma,170 +Rietzanger,Paardeweide,2016,0,Sigma,170 +Rietzanger,Paardeweide,2017,1,Sigma,170 +Rietzanger,Paardeweide,2018,3,Sigma,170 +Rietzanger,Paardeweide,2019,8,Sigma,170 +Rietzanger,Paardeweide,2020,5,Sigma,170 +Rietzanger,Paardeweide,2021,0,Sigma,170 +Rietzanger,Paardeweide,2022,0,Sigma,170 +Rietzanger,Paardeweide,2023,0,Sigma,170 +Rietzanger,Paardeweide oost,2005,0,Sigma,170 +Rietzanger,Paardeweide oost,2006,0,Sigma,170 +Rietzanger,Paardeweide oost,2007,0,Sigma,170 +Rietzanger,Paardeweide oost,2008,0,Sigma,170 +Rietzanger,Paardeweide oost,2009,0,Sigma,170 +Rietzanger,Paardeweide oost,2010,0,Sigma,170 +Rietzanger,Paardeweide oost,2011,0,Sigma,170 +Rietzanger,Paardeweide oost,2012,0,Sigma,170 +Rietzanger,Paardeweide oost,2013,0,Sigma,170 +Rietzanger,Paardeweide oost,2014,0,Sigma,170 +Rietzanger,Paardeweide oost,2015,0,Sigma,170 +Rietzanger,Paardeweide oost,2016,0,Sigma,170 +Rietzanger,Paardeweide oost,2017,0,Sigma,170 +Rietzanger,Paardeweide oost,2018,0,Sigma,170 +Rietzanger,Paardeweide oost,2019,0,Sigma,170 +Rietzanger,Paardeweide oost,2020,0,Sigma,170 +Rietzanger,Paardeweide oost,2021,3,Sigma,170 +Rietzanger,Paardeweide oost,2022,3,Sigma,170 +Rietzanger,Paardeweide oost,2023,20,Sigma,170 +Rietzanger,Paardeweide west,2005,0,Sigma,170 +Rietzanger,Paardeweide west,2006,0,Sigma,170 +Rietzanger,Paardeweide west,2007,0,Sigma,170 +Rietzanger,Paardeweide west,2008,0,Sigma,170 +Rietzanger,Paardeweide west,2009,0,Sigma,170 +Rietzanger,Paardeweide west,2010,0,Sigma,170 +Rietzanger,Paardeweide west,2011,0,Sigma,170 +Rietzanger,Paardeweide west,2012,0,Sigma,170 +Rietzanger,Paardeweide west,2013,0,Sigma,170 +Rietzanger,Paardeweide west,2014,0,Sigma,170 +Rietzanger,Paardeweide west,2015,0,Sigma,170 +Rietzanger,Paardeweide west,2016,0,Sigma,170 +Rietzanger,Paardeweide west,2017,0,Sigma,170 +Rietzanger,Paardeweide west,2018,0,Sigma,170 +Rietzanger,Paardeweide west,2019,0,Sigma,170 +Rietzanger,Paardeweide west,2020,0,Sigma,170 +Rietzanger,Paardeweide west,2021,3,Sigma,170 +Rietzanger,Paardeweide west,2022,3,Sigma,170 +Rietzanger,Paardeweide west,2023,2,Sigma,170 +Rietzanger,Potpolder Lillo,2005,2,Sigma,170 +Rietzanger,Potpolder Lillo,2006,0,Sigma,170 +Rietzanger,Potpolder Lillo,2007,3,Sigma,170 +Rietzanger,Potpolder Lillo,2008,2,Sigma,170 +Rietzanger,Potpolder Lillo,2009,2,Sigma,170 +Rietzanger,Potpolder Lillo,2010,2,Sigma,170 +Rietzanger,Potpolder Lillo,2011,2,Sigma,170 +Rietzanger,Potpolder Lillo,2012,2,Sigma,170 +Rietzanger,Potpolder Lillo,2013,0,Sigma,170 +Rietzanger,Potpolder Lillo,2014,0,Sigma,170 +Rietzanger,Potpolder Lillo,2015,0,Sigma,170 +Rietzanger,Potpolder Lillo,2016,0,Sigma,170 +Rietzanger,Potpolder Lillo,2017,0,Sigma,170 +Rietzanger,Potpolder Lillo,2018,0,Sigma,170 +Rietzanger,Potpolder Lillo,2019,0,Sigma,170 +Rietzanger,Potpolder Lillo,2020,0,Sigma,170 +Rietzanger,Potpolder Lillo,2021,0,Sigma,170 +Rietzanger,Potpolder Lillo,2022,0,Sigma,170 +Rietzanger,Potpolder Lillo,2023,0,Sigma,170 +Rietzanger,Prosperpolder-noord,2005,0,Sigma_LO,170 +Rietzanger,Prosperpolder-noord,2006,0,Sigma_LO,170 +Rietzanger,Prosperpolder-noord,2007,0,Sigma_LO,170 +Rietzanger,Prosperpolder-noord,2008,0,Sigma_LO,170 +Rietzanger,Prosperpolder-noord,2009,0,Sigma_LO,170 +Rietzanger,Prosperpolder-noord,2010,0,Sigma_LO,170 +Rietzanger,Prosperpolder-noord,2011,0,Sigma_LO,170 +Rietzanger,Prosperpolder-noord,2012,0,Sigma_LO,170 +Rietzanger,Prosperpolder-noord,2013,0,Sigma_LO,170 +Rietzanger,Prosperpolder-noord,2014,0,Sigma_LO,170 +Rietzanger,Prosperpolder-noord,2015,0,Sigma_LO,170 +Rietzanger,Prosperpolder-noord,2016,0,Sigma_LO,170 +Rietzanger,Prosperpolder-noord,2017,0,Sigma_LO,170 +Rietzanger,Prosperpolder-noord,2018,0,Sigma_LO,170 +Rietzanger,Prosperpolder-noord,2019,0,Sigma_LO,170 +Rietzanger,Prosperpolder-noord,2020,0,Sigma_LO,170 +Rietzanger,Prosperpolder-noord,2021,0,Sigma_LO,170 +Rietzanger,Prosperpolder-noord,2022,0,Sigma_LO,170 +Rietzanger,Prosperpolder-noord,2023,0,Sigma_LO,170 +Rietzanger,Prosperpolder-zuid,2005,0,Sigma_LO,170 +Rietzanger,Prosperpolder-zuid,2006,0,Sigma_LO,170 +Rietzanger,Prosperpolder-zuid,2007,0,Sigma_LO,170 +Rietzanger,Prosperpolder-zuid,2008,0,Sigma_LO,170 +Rietzanger,Prosperpolder-zuid,2009,0,Sigma_LO,170 +Rietzanger,Prosperpolder-zuid,2010,0,Sigma_LO,170 +Rietzanger,Prosperpolder-zuid,2011,0,Sigma_LO,170 +Rietzanger,Prosperpolder-zuid,2012,0,Sigma_LO,170 +Rietzanger,Prosperpolder-zuid,2013,0,Sigma_LO,170 +Rietzanger,Prosperpolder-zuid,2014,0,Sigma_LO,170 +Rietzanger,Prosperpolder-zuid,2015,0,Sigma_LO,170 +Rietzanger,Prosperpolder-zuid,2016,0,Sigma_LO,170 +Rietzanger,Prosperpolder-zuid,2017,0,Sigma_LO,170 +Rietzanger,Prosperpolder-zuid,2018,0,Sigma_LO,170 +Rietzanger,Prosperpolder-zuid,2019,0,Sigma_LO,170 +Rietzanger,Prosperpolder-zuid,2020,0,Sigma_LO,170 +Rietzanger,Prosperpolder-zuid,2021,0,Sigma_LO,170 +Rietzanger,Prosperpolder-zuid,2022,0,Sigma_LO,170 +Rietzanger,Prosperpolder-zuid,2023,32,Sigma_LO,170 +Rietzanger,Scheldebroeken excl. Paardeweide-oost,2005,0,Vallei buiten Sigma,170 +Rietzanger,Scheldebroeken excl. Paardeweide-oost,2006,0,Vallei buiten Sigma,170 +Rietzanger,Scheldebroeken excl. Paardeweide-oost,2007,0,Vallei buiten Sigma,170 +Rietzanger,Scheldebroeken excl. Paardeweide-oost,2008,0,Vallei buiten Sigma,170 +Rietzanger,Scheldebroeken excl. Paardeweide-oost,2009,0,Vallei buiten Sigma,170 +Rietzanger,Scheldebroeken excl. Paardeweide-oost,2010,0,Vallei buiten Sigma,170 +Rietzanger,Scheldebroeken excl. Paardeweide-oost,2011,0,Vallei buiten Sigma,170 +Rietzanger,Scheldebroeken excl. Paardeweide-oost,2012,0,Vallei buiten Sigma,170 +Rietzanger,Scheldebroeken excl. Paardeweide-oost,2013,0,Vallei buiten Sigma,170 +Rietzanger,Scheldebroeken excl. Paardeweide-oost,2014,0,Vallei buiten Sigma,170 +Rietzanger,Scheldebroeken excl. Paardeweide-oost,2015,0,Vallei buiten Sigma,170 +Rietzanger,Scheldebroeken excl. Paardeweide-oost,2016,0,Vallei buiten Sigma,170 +Rietzanger,Scheldebroeken excl. Paardeweide-oost,2017,0,Vallei buiten Sigma,170 +Rietzanger,Scheldebroeken excl. Paardeweide-oost,2018,0,Vallei buiten Sigma,170 +Rietzanger,Scheldebroeken excl. Paardeweide-oost,2019,0,Vallei buiten Sigma,170 +Rietzanger,Scheldebroeken excl. Paardeweide-oost,2020,0,Vallei buiten Sigma,170 +Rietzanger,Scheldebroeken excl. Paardeweide-oost,2021,3.5,Vallei buiten Sigma,170 +Rietzanger,Scheldebroeken excl. Paardeweide-oost,2022,3.5,Vallei buiten Sigma,170 +Rietzanger,Scheldebroeken excl. Paardeweide-oost,2023,3.5,Vallei buiten Sigma,170 +Rietzanger,Schor Ouden Doel,2005,0,Sigma_LO,170 +Rietzanger,Schor Ouden Doel,2006,0,Sigma_LO,170 +Rietzanger,Schor Ouden Doel,2007,0,Sigma_LO,170 +Rietzanger,Schor Ouden Doel,2008,0,Sigma_LO,170 +Rietzanger,Schor Ouden Doel,2009,0,Sigma_LO,170 +Rietzanger,Schor Ouden Doel,2010,0,Sigma_LO,170 +Rietzanger,Schor Ouden Doel,2011,0,Sigma_LO,170 +Rietzanger,Schor Ouden Doel,2012,0,Sigma_LO,170 +Rietzanger,Schor Ouden Doel,2013,0,Sigma_LO,170 +Rietzanger,Schor Ouden Doel,2014,0,Sigma_LO,170 +Rietzanger,Schor Ouden Doel,2015,0,Sigma_LO,170 +Rietzanger,Schor Ouden Doel,2016,0,Sigma_LO,170 +Rietzanger,Schor Ouden Doel,2017,0,Sigma_LO,170 +Rietzanger,Schor Ouden Doel,2018,0,Sigma_LO,170 +Rietzanger,Schor Ouden Doel,2019,0,Sigma_LO,170 +Rietzanger,Schor Ouden Doel,2020,0,Sigma_LO,170 +Rietzanger,Schor Ouden Doel,2021,0,Sigma_LO,170 +Rietzanger,Schor Ouden Doel,2022,0,Sigma_LO,170 +Rietzanger,Schor Ouden Doel,2023,33,Sigma_LO,170 +Rietzanger,Viersels gebroekt,2005,0,Vallei buiten Sigma,170 +Rietzanger,Viersels gebroekt,2006,0,Vallei buiten Sigma,170 +Rietzanger,Viersels gebroekt,2007,0,Vallei buiten Sigma,170 +Rietzanger,Viersels gebroekt,2008,0,Vallei buiten Sigma,170 +Rietzanger,Viersels gebroekt,2009,0,Vallei buiten Sigma,170 +Rietzanger,Viersels gebroekt,2010,0,Vallei buiten Sigma,170 +Rietzanger,Viersels gebroekt,2011,0,Vallei buiten Sigma,170 +Rietzanger,Viersels gebroekt,2012,0,Vallei buiten Sigma,170 +Rietzanger,Viersels gebroekt,2013,0,Vallei buiten Sigma,170 +Rietzanger,Viersels gebroekt,2014,0,Vallei buiten Sigma,170 +Rietzanger,Viersels gebroekt,2015,0,Vallei buiten Sigma,170 +Rietzanger,Viersels gebroekt,2016,0,Vallei buiten Sigma,170 +Rietzanger,Viersels gebroekt,2017,0,Vallei buiten Sigma,170 +Rietzanger,Viersels gebroekt,2018,0,Vallei buiten Sigma,170 +Rietzanger,Viersels gebroekt,2019,0,Vallei buiten Sigma,170 +Rietzanger,Viersels gebroekt,2020,0,Vallei buiten Sigma,170 +Rietzanger,Viersels gebroekt,2021,0,Vallei buiten Sigma,170 +Rietzanger,Viersels gebroekt,2022,0,Vallei buiten Sigma,170 +Rietzanger,Viersels gebroekt,2023,0,Vallei buiten Sigma,170 +Rietzanger,Weijmeerbroek,2005,0,Sigma,170 +Rietzanger,Weijmeerbroek,2006,0,Sigma,170 +Rietzanger,Weijmeerbroek,2007,0,Sigma,170 +Rietzanger,Weijmeerbroek,2008,0,Sigma,170 +Rietzanger,Weijmeerbroek,2009,0,Sigma,170 +Rietzanger,Weijmeerbroek,2010,0,Sigma,170 +Rietzanger,Weijmeerbroek,2011,0,Sigma,170 +Rietzanger,Weijmeerbroek,2012,0,Sigma,170 +Rietzanger,Weijmeerbroek,2013,0,Sigma,170 +Rietzanger,Weijmeerbroek,2014,0,Sigma,170 +Rietzanger,Weijmeerbroek,2015,1,Sigma,170 +Rietzanger,Weijmeerbroek,2016,2,Sigma,170 +Rietzanger,Weijmeerbroek,2017,3,Sigma,170 +Rietzanger,Weijmeerbroek,2018,7,Sigma,170 +Rietzanger,Weijmeerbroek,2019,10,Sigma,170 +Rietzanger,Weijmeerbroek,2020,15,Sigma,170 +Rietzanger,Weijmeerbroek,2021,33,Sigma,170 +Rietzanger,Weijmeerbroek,2022,13,Sigma,170 +Rietzanger,Weijmeerbroek,2023,18,Sigma,170 +Rietzanger,Wijmeers,2005,0,Sigma,170 +Rietzanger,Wijmeers,2006,0,Sigma,170 +Rietzanger,Wijmeers,2007,0,Sigma,170 +Rietzanger,Wijmeers,2008,0,Sigma,170 +Rietzanger,Wijmeers,2009,0,Sigma,170 +Rietzanger,Wijmeers,2010,0,Sigma,170 +Rietzanger,Wijmeers,2011,0,Sigma,170 +Rietzanger,Wijmeers,2012,0,Sigma,170 +Rietzanger,Wijmeers,2013,0,Sigma,170 +Rietzanger,Wijmeers,2014,0,Sigma,170 +Rietzanger,Wijmeers,2015,0,Sigma,170 +Rietzanger,Wijmeers,2016,4,Sigma,170 +Rietzanger,Wijmeers,2017,2,Sigma,170 +Rietzanger,Wijmeers,2018,8,Sigma,170 +Rietzanger,Wijmeers,2019,13,Sigma,170 +Rietzanger,Wijmeers,2020,13,Sigma,170 +Rietzanger,Wijmeers,2021,0,Sigma,170 +Rietzanger,Wijmeers,2022,0,Sigma,170 +Rietzanger,Wijmeers,2023,0,Sigma,170 +Rietzanger,Wijmeers-noord,2005,0,Sigma,170 +Rietzanger,Wijmeers-noord,2006,0,Sigma,170 +Rietzanger,Wijmeers-noord,2007,0,Sigma,170 +Rietzanger,Wijmeers-noord,2008,0,Sigma,170 +Rietzanger,Wijmeers-noord,2009,0,Sigma,170 +Rietzanger,Wijmeers-noord,2010,0,Sigma,170 +Rietzanger,Wijmeers-noord,2011,0,Sigma,170 +Rietzanger,Wijmeers-noord,2012,0,Sigma,170 +Rietzanger,Wijmeers-noord,2013,0,Sigma,170 +Rietzanger,Wijmeers-noord,2014,0,Sigma,170 +Rietzanger,Wijmeers-noord,2015,0,Sigma,170 +Rietzanger,Wijmeers-noord,2016,0,Sigma,170 +Rietzanger,Wijmeers-noord,2017,0,Sigma,170 +Rietzanger,Wijmeers-noord,2018,0,Sigma,170 +Rietzanger,Wijmeers-noord,2019,0,Sigma,170 +Rietzanger,Wijmeers-noord,2020,0,Sigma,170 +Rietzanger,Wijmeers-noord,2021,10,Sigma,170 +Rietzanger,Wijmeers-noord,2022,10,Sigma,170 +Rietzanger,Wijmeers-noord,2023,10,Sigma,170 +Rietzanger,Wijmeers-zuid,2005,0,Sigma,170 +Rietzanger,Wijmeers-zuid,2006,0,Sigma,170 +Rietzanger,Wijmeers-zuid,2007,0,Sigma,170 +Rietzanger,Wijmeers-zuid,2008,0,Sigma,170 +Rietzanger,Wijmeers-zuid,2009,0,Sigma,170 +Rietzanger,Wijmeers-zuid,2010,0,Sigma,170 +Rietzanger,Wijmeers-zuid,2011,0,Sigma,170 +Rietzanger,Wijmeers-zuid,2012,0,Sigma,170 +Rietzanger,Wijmeers-zuid,2013,0,Sigma,170 +Rietzanger,Wijmeers-zuid,2014,0,Sigma,170 +Rietzanger,Wijmeers-zuid,2015,0,Sigma,170 +Rietzanger,Wijmeers-zuid,2016,0,Sigma,170 +Rietzanger,Wijmeers-zuid,2017,0,Sigma,170 +Rietzanger,Wijmeers-zuid,2018,0,Sigma,170 +Rietzanger,Wijmeers-zuid,2019,0,Sigma,170 +Rietzanger,Wijmeers-zuid,2020,0,Sigma,170 +Rietzanger,Wijmeers-zuid,2021,3,Sigma,170 +Rietzanger,Wijmeers-zuid,2022,3,Sigma,170 +Rietzanger,Wijmeers-zuid,2023,3,Sigma,170 +Rietzanger,Zennegat,2005,0,Sigma,170 +Rietzanger,Zennegat,2006,0,Sigma,170 +Rietzanger,Zennegat,2007,0,Sigma,170 +Rietzanger,Zennegat,2008,0,Sigma,170 +Rietzanger,Zennegat,2009,0,Sigma,170 +Rietzanger,Zennegat,2010,0,Sigma,170 +Rietzanger,Zennegat,2011,0,Sigma,170 +Rietzanger,Zennegat,2012,0,Sigma,170 +Rietzanger,Zennegat,2013,0,Sigma,170 +Rietzanger,Zennegat,2014,0,Sigma,170 +Rietzanger,Zennegat,2015,0,Sigma,170 +Rietzanger,Zennegat,2016,0,Sigma,170 +Rietzanger,Zennegat,2017,2,Sigma,170 +Rietzanger,Zennegat,2018,13,Sigma,170 +Rietzanger,Zennegat,2019,24,Sigma,170 +Rietzanger,Zennegat,2020,34,Sigma,170 +Rietzanger,Zennegat,2021,34,Sigma,170 +Rietzanger,Zennegat,2022,33,Sigma,170 +Rietzanger,Zennegat,2023,33,Sigma,170 +Rietzanger,Zuidelijk eiland,2005,0,Vallei buiten Sigma,170 +Rietzanger,Zuidelijk eiland,2006,0,Vallei buiten Sigma,170 +Rietzanger,Zuidelijk eiland,2007,0,Vallei buiten Sigma,170 +Rietzanger,Zuidelijk eiland,2008,0,Vallei buiten Sigma,170 +Rietzanger,Zuidelijk eiland,2009,0,Vallei buiten Sigma,170 +Rietzanger,Zuidelijk eiland,2010,0,Vallei buiten Sigma,170 +Rietzanger,Zuidelijk eiland,2011,0,Vallei buiten Sigma,170 +Rietzanger,Zuidelijk eiland,2012,0,Vallei buiten Sigma,170 +Rietzanger,Zuidelijk eiland,2013,0,Vallei buiten Sigma,170 +Rietzanger,Zuidelijk eiland,2014,0,Vallei buiten Sigma,170 +Rietzanger,Zuidelijk eiland,2015,0,Vallei buiten Sigma,170 +Rietzanger,Zuidelijk eiland,2016,0,Vallei buiten Sigma,170 +Rietzanger,Zuidelijk eiland,2017,0,Vallei buiten Sigma,170 +Rietzanger,Zuidelijk eiland,2018,0,Vallei buiten Sigma,170 +Rietzanger,Zuidelijk eiland,2019,0,Vallei buiten Sigma,170 +Rietzanger,Zuidelijk eiland,2020,0,Vallei buiten Sigma,170 +Rietzanger,Zuidelijk eiland,2021,0,Vallei buiten Sigma,170 +Rietzanger,Zuidelijk eiland,2022,0,Vallei buiten Sigma,170 +Rietzanger,Zuidelijk eiland,2023,0,Vallei buiten Sigma,170 +Scholekster,Beneden Nete,2005,0,Sigma,190 +Scholekster,Beneden Nete,2006,0,Sigma,190 +Scholekster,Beneden Nete,2007,0,Sigma,190 +Scholekster,Beneden Nete,2008,0,Sigma,190 +Scholekster,Beneden Nete,2009,0,Sigma,190 +Scholekster,Beneden Nete,2010,0,Sigma,190 +Scholekster,Beneden Nete,2011,0,Sigma,190 +Scholekster,Beneden Nete,2012,0,Sigma,190 +Scholekster,Beneden Nete,2013,0,Sigma,190 +Scholekster,Beneden Nete,2014,0,Sigma,190 +Scholekster,Beneden Nete,2015,0,Sigma,190 +Scholekster,Beneden Nete,2016,0,Sigma,190 +Scholekster,Beneden Nete,2017,0,Sigma,190 +Scholekster,Beneden Nete,2018,0,Sigma,190 +Scholekster,Beneden Nete,2019,0,Sigma,190 +Scholekster,Beneden Nete,2020,0,Sigma,190 +Scholekster,Beneden Nete,2021,0,Sigma,190 +Scholekster,Beneden Nete,2022,0,Sigma,190 +Scholekster,Beneden Nete,2023,0,Sigma,190 +Scholekster,Bergenmeersen,2005,0,Sigma,190 +Scholekster,Bergenmeersen,2006,0,Sigma,190 +Scholekster,Bergenmeersen,2007,0,Sigma,190 +Scholekster,Bergenmeersen,2008,0,Sigma,190 +Scholekster,Bergenmeersen,2009,0,Sigma,190 +Scholekster,Bergenmeersen,2010,0,Sigma,190 +Scholekster,Bergenmeersen,2011,0,Sigma,190 +Scholekster,Bergenmeersen,2012,0,Sigma,190 +Scholekster,Bergenmeersen,2013,0,Sigma,190 +Scholekster,Bergenmeersen,2014,0,Sigma,190 +Scholekster,Bergenmeersen,2015,0,Sigma,190 +Scholekster,Bergenmeersen,2016,0,Sigma,190 +Scholekster,Bergenmeersen,2017,0,Sigma,190 +Scholekster,Bergenmeersen,2018,0,Sigma,190 +Scholekster,Bergenmeersen,2019,0,Sigma,190 +Scholekster,Bergenmeersen,2020,0,Sigma,190 +Scholekster,Bergenmeersen,2021,0,Sigma,190 +Scholekster,Bergenmeersen,2022,0,Sigma,190 +Scholekster,Bergenmeersen,2023,0,Sigma,190 +Scholekster,Blokkersdijk,2005,0,BD,190 +Scholekster,Blokkersdijk,2006,0,BD,190 +Scholekster,Blokkersdijk,2007,0,BD,190 +Scholekster,Blokkersdijk,2008,0,BD,190 +Scholekster,Blokkersdijk,2009,0,BD,190 +Scholekster,Blokkersdijk,2010,0,BD,190 +Scholekster,Blokkersdijk,2011,0,BD,190 +Scholekster,Blokkersdijk,2012,0,BD,190 +Scholekster,Blokkersdijk,2013,0,BD,190 +Scholekster,Blokkersdijk,2014,0,BD,190 +Scholekster,Blokkersdijk,2015,0,BD,190 +Scholekster,Blokkersdijk,2016,0,BD,190 +Scholekster,Blokkersdijk,2017,0,BD,190 +Scholekster,Blokkersdijk,2018,0,BD,190 +Scholekster,Blokkersdijk,2019,0,BD,190 +Scholekster,Blokkersdijk,2020,0,BD,190 +Scholekster,Blokkersdijk,2021,0,BD,190 +Scholekster,Blokkersdijk,2022,0,BD,190 +Scholekster,Blokkersdijk,2023,0,BD,190 +Scholekster,Burchtse Weel,2005,0,Sigma,190 +Scholekster,Burchtse Weel,2006,0,Sigma,190 +Scholekster,Burchtse Weel,2007,0,Sigma,190 +Scholekster,Burchtse Weel,2008,0,Sigma,190 +Scholekster,Burchtse Weel,2009,0,Sigma,190 +Scholekster,Burchtse Weel,2010,0,Sigma,190 +Scholekster,Burchtse Weel,2011,0,Sigma,190 +Scholekster,Burchtse Weel,2012,0,Sigma,190 +Scholekster,Burchtse Weel,2013,0,Sigma,190 +Scholekster,Burchtse Weel,2014,0,Sigma,190 +Scholekster,Burchtse Weel,2015,0,Sigma,190 +Scholekster,Burchtse Weel,2016,0,Sigma,190 +Scholekster,Burchtse Weel,2017,0,Sigma,190 +Scholekster,Burchtse Weel,2018,0,Sigma,190 +Scholekster,Burchtse Weel,2019,0,Sigma,190 +Scholekster,Burchtse Weel,2020,0,Sigma,190 +Scholekster,Burchtse Weel,2021,0,Sigma,190 +Scholekster,Burchtse Weel,2022,0,Sigma,190 +Scholekster,Burchtse Weel,2023,0,Sigma,190 +Scholekster,Doelpolder-noord,2005,0,Sigma_LO,190 +Scholekster,Doelpolder-noord,2006,0,Sigma_LO,190 +Scholekster,Doelpolder-noord,2007,0,Sigma_LO,190 +Scholekster,Doelpolder-noord,2008,0,Sigma_LO,190 +Scholekster,Doelpolder-noord,2009,0,Sigma_LO,190 +Scholekster,Doelpolder-noord,2010,0,Sigma_LO,190 +Scholekster,Doelpolder-noord,2011,0,Sigma_LO,190 +Scholekster,Doelpolder-noord,2012,0,Sigma_LO,190 +Scholekster,Doelpolder-noord,2013,0,Sigma_LO,190 +Scholekster,Doelpolder-noord,2014,0,Sigma_LO,190 +Scholekster,Doelpolder-noord,2015,0,Sigma_LO,190 +Scholekster,Doelpolder-noord,2016,0,Sigma_LO,190 +Scholekster,Doelpolder-noord,2017,0,Sigma_LO,190 +Scholekster,Doelpolder-noord,2018,0,Sigma_LO,190 +Scholekster,Doelpolder-noord,2019,0,Sigma_LO,190 +Scholekster,Doelpolder-noord,2020,0,Sigma_LO,190 +Scholekster,Doelpolder-noord,2021,0,Sigma_LO,190 +Scholekster,Doelpolder-noord,2022,0,Sigma_LO,190 +Scholekster,Doelpolder-noord,2023,19,Sigma_LO,190 +Scholekster,Donkmeer,2005,0,Vallei buiten Sigma,190 +Scholekster,Donkmeer,2006,0,Vallei buiten Sigma,190 +Scholekster,Donkmeer,2007,0,Vallei buiten Sigma,190 +Scholekster,Donkmeer,2008,0,Vallei buiten Sigma,190 +Scholekster,Donkmeer,2009,0,Vallei buiten Sigma,190 +Scholekster,Donkmeer,2010,0,Vallei buiten Sigma,190 +Scholekster,Donkmeer,2011,0,Vallei buiten Sigma,190 +Scholekster,Donkmeer,2012,0,Vallei buiten Sigma,190 +Scholekster,Donkmeer,2013,0,Vallei buiten Sigma,190 +Scholekster,Donkmeer,2014,0,Vallei buiten Sigma,190 +Scholekster,Donkmeer,2015,0,Vallei buiten Sigma,190 +Scholekster,Donkmeer,2016,0,Vallei buiten Sigma,190 +Scholekster,Donkmeer,2017,0,Vallei buiten Sigma,190 +Scholekster,Donkmeer,2018,0,Vallei buiten Sigma,190 +Scholekster,Donkmeer,2019,0,Vallei buiten Sigma,190 +Scholekster,Donkmeer,2020,0,Vallei buiten Sigma,190 +Scholekster,Donkmeer,2021,0,Vallei buiten Sigma,190 +Scholekster,Donkmeer,2022,0,Vallei buiten Sigma,190 +Scholekster,Donkmeer,2023,0,Vallei buiten Sigma,190 +Scholekster,Durmemeersen,2005,0,Vallei buiten Sigma,190 +Scholekster,Durmemeersen,2006,0,Vallei buiten Sigma,190 +Scholekster,Durmemeersen,2007,0,Vallei buiten Sigma,190 +Scholekster,Durmemeersen,2008,0,Vallei buiten Sigma,190 +Scholekster,Durmemeersen,2009,0,Vallei buiten Sigma,190 +Scholekster,Durmemeersen,2010,0,Vallei buiten Sigma,190 +Scholekster,Durmemeersen,2011,0,Vallei buiten Sigma,190 +Scholekster,Durmemeersen,2012,0,Vallei buiten Sigma,190 +Scholekster,Durmemeersen,2013,0,Vallei buiten Sigma,190 +Scholekster,Durmemeersen,2014,0,Vallei buiten Sigma,190 +Scholekster,Durmemeersen,2015,0,Vallei buiten Sigma,190 +Scholekster,Durmemeersen,2016,0,Vallei buiten Sigma,190 +Scholekster,Durmemeersen,2017,0,Vallei buiten Sigma,190 +Scholekster,Durmemeersen,2018,0,Vallei buiten Sigma,190 +Scholekster,Durmemeersen,2019,0,Vallei buiten Sigma,190 +Scholekster,Durmemeersen,2020,0,Vallei buiten Sigma,190 +Scholekster,Durmemeersen,2021,0,Vallei buiten Sigma,190 +Scholekster,Durmemeersen,2022,0,Vallei buiten Sigma,190 +Scholekster,Durmemeersen,2023,0,Vallei buiten Sigma,190 +Scholekster,Gebieden vzwDurme,2005,0,Vallei buiten Sigma,190 +Scholekster,Gebieden vzwDurme,2006,0,Vallei buiten Sigma,190 +Scholekster,Gebieden vzwDurme,2007,0,Vallei buiten Sigma,190 +Scholekster,Gebieden vzwDurme,2008,0,Vallei buiten Sigma,190 +Scholekster,Gebieden vzwDurme,2009,0,Vallei buiten Sigma,190 +Scholekster,Gebieden vzwDurme,2010,0,Vallei buiten Sigma,190 +Scholekster,Gebieden vzwDurme,2011,0,Vallei buiten Sigma,190 +Scholekster,Gebieden vzwDurme,2012,0,Vallei buiten Sigma,190 +Scholekster,Gebieden vzwDurme,2013,0,Vallei buiten Sigma,190 +Scholekster,Gebieden vzwDurme,2014,0,Vallei buiten Sigma,190 +Scholekster,Gebieden vzwDurme,2015,0,Vallei buiten Sigma,190 +Scholekster,Gebieden vzwDurme,2016,0,Vallei buiten Sigma,190 +Scholekster,Gebieden vzwDurme,2017,0,Vallei buiten Sigma,190 +Scholekster,Gebieden vzwDurme,2018,0,Vallei buiten Sigma,190 +Scholekster,Gebieden vzwDurme,2019,0,Vallei buiten Sigma,190 +Scholekster,Gebieden vzwDurme,2020,0,Vallei buiten Sigma,190 +Scholekster,Gebieden vzwDurme,2021,0,Vallei buiten Sigma,190 +Scholekster,Gebieden vzwDurme,2022,0,Vallei buiten Sigma,190 +Scholekster,Gebieden vzwDurme,2023,0,Vallei buiten Sigma,190 +Scholekster,Gentbrugse meersen,2005,0,Vallei buiten Sigma,190 +Scholekster,Gentbrugse meersen,2006,0,Vallei buiten Sigma,190 +Scholekster,Gentbrugse meersen,2007,0,Vallei buiten Sigma,190 +Scholekster,Gentbrugse meersen,2008,0,Vallei buiten Sigma,190 +Scholekster,Gentbrugse meersen,2009,0,Vallei buiten Sigma,190 +Scholekster,Gentbrugse meersen,2010,0,Vallei buiten Sigma,190 +Scholekster,Gentbrugse meersen,2011,0,Vallei buiten Sigma,190 +Scholekster,Gentbrugse meersen,2012,0,Vallei buiten Sigma,190 +Scholekster,Gentbrugse meersen,2013,0,Vallei buiten Sigma,190 +Scholekster,Gentbrugse meersen,2014,0,Vallei buiten Sigma,190 +Scholekster,Gentbrugse meersen,2015,0,Vallei buiten Sigma,190 +Scholekster,Gentbrugse meersen,2016,0,Vallei buiten Sigma,190 +Scholekster,Gentbrugse meersen,2017,0,Vallei buiten Sigma,190 +Scholekster,Gentbrugse meersen,2018,0,Vallei buiten Sigma,190 +Scholekster,Gentbrugse meersen,2019,0,Vallei buiten Sigma,190 +Scholekster,Gentbrugse meersen,2020,0,Vallei buiten Sigma,190 +Scholekster,Gentbrugse meersen,2021,0,Vallei buiten Sigma,190 +Scholekster,Gentbrugse meersen,2022,0,Vallei buiten Sigma,190 +Scholekster,Gentbrugse meersen,2023,0,Vallei buiten Sigma,190 +Scholekster,Groot Broek,2005,0,Sigma,190 +Scholekster,Groot Broek,2006,0,Sigma,190 +Scholekster,Groot Broek,2007,0,Sigma,190 +Scholekster,Groot Broek,2008,0,Sigma,190 +Scholekster,Groot Broek,2009,0,Sigma,190 +Scholekster,Groot Broek,2010,0,Sigma,190 +Scholekster,Groot Broek,2011,0,Sigma,190 +Scholekster,Groot Broek,2012,0,Sigma,190 +Scholekster,Groot Broek,2013,0,Sigma,190 +Scholekster,Groot Broek,2014,0,Sigma,190 +Scholekster,Groot Broek,2015,0,Sigma,190 +Scholekster,Groot Broek,2016,0,Sigma,190 +Scholekster,Groot Broek,2017,0,Sigma,190 +Scholekster,Groot Broek,2018,0,Sigma,190 +Scholekster,Groot Broek,2019,0,Sigma,190 +Scholekster,Groot Broek,2020,0,Sigma,190 +Scholekster,Groot Broek,2021,0,Sigma,190 +Scholekster,Groot Broek,2022,0,Sigma,190 +Scholekster,Groot Broek,2023,0,Sigma,190 +Scholekster,Groot buitenschoor,2005,0,Estuarium buiten Sigma,190 +Scholekster,Groot buitenschoor,2006,0,Estuarium buiten Sigma,190 +Scholekster,Groot buitenschoor,2007,0,Estuarium buiten Sigma,190 +Scholekster,Groot buitenschoor,2008,0,Estuarium buiten Sigma,190 +Scholekster,Groot buitenschoor,2009,0,Estuarium buiten Sigma,190 +Scholekster,Groot buitenschoor,2010,0,Estuarium buiten Sigma,190 +Scholekster,Groot buitenschoor,2011,0,Estuarium buiten Sigma,190 +Scholekster,Groot buitenschoor,2012,0,Estuarium buiten Sigma,190 +Scholekster,Groot buitenschoor,2013,0,Estuarium buiten Sigma,190 +Scholekster,Groot buitenschoor,2014,0,Estuarium buiten Sigma,190 +Scholekster,Groot buitenschoor,2015,0,Estuarium buiten Sigma,190 +Scholekster,Groot buitenschoor,2016,0,Estuarium buiten Sigma,190 +Scholekster,Groot buitenschoor,2017,0,Estuarium buiten Sigma,190 +Scholekster,Groot buitenschoor,2018,0,Estuarium buiten Sigma,190 +Scholekster,Groot buitenschoor,2019,0,Estuarium buiten Sigma,190 +Scholekster,Groot buitenschoor,2020,0,Estuarium buiten Sigma,190 +Scholekster,Groot buitenschoor,2021,0,Estuarium buiten Sigma,190 +Scholekster,Groot buitenschoor,2022,1,Estuarium buiten Sigma,190 +Scholekster,Groot buitenschoor,2023,0,Estuarium buiten Sigma,190 +Scholekster,Grote Wal,2005,0,Sigma,190 +Scholekster,Grote Wal,2006,0,Sigma,190 +Scholekster,Grote Wal,2007,0,Sigma,190 +Scholekster,Grote Wal,2008,0,Sigma,190 +Scholekster,Grote Wal,2009,0,Sigma,190 +Scholekster,Grote Wal,2010,0,Sigma,190 +Scholekster,Grote Wal,2011,0,Sigma,190 +Scholekster,Grote Wal,2012,0,Sigma,190 +Scholekster,Grote Wal,2013,0,Sigma,190 +Scholekster,Grote Wal,2014,0,Sigma,190 +Scholekster,Grote Wal,2015,0,Sigma,190 +Scholekster,Grote Wal,2016,0,Sigma,190 +Scholekster,Grote Wal,2017,0,Sigma,190 +Scholekster,Grote Wal,2018,0,Sigma,190 +Scholekster,Grote Wal,2019,0,Sigma,190 +Scholekster,Grote Wal,2020,0,Sigma,190 +Scholekster,Grote Wal,2021,0,Sigma,190 +Scholekster,Grote Wal,2022,0,Sigma,190 +Scholekster,Grote Wal,2023,0,Sigma,190 +Scholekster,Grote vijver - deel 1,2005,0,Sigma,190 +Scholekster,Grote vijver - deel 1,2006,0,Sigma,190 +Scholekster,Grote vijver - deel 1,2007,0,Sigma,190 +Scholekster,Grote vijver - deel 1,2008,0,Sigma,190 +Scholekster,Grote vijver - deel 1,2009,0,Sigma,190 +Scholekster,Grote vijver - deel 1,2010,0,Sigma,190 +Scholekster,Grote vijver - deel 1,2011,0,Sigma,190 +Scholekster,Grote vijver - deel 1,2012,0,Sigma,190 +Scholekster,Grote vijver - deel 1,2013,0,Sigma,190 +Scholekster,Grote vijver - deel 1,2014,0,Sigma,190 +Scholekster,Grote vijver - deel 1,2015,0,Sigma,190 +Scholekster,Grote vijver - deel 1,2016,0,Sigma,190 +Scholekster,Grote vijver - deel 1,2017,0,Sigma,190 +Scholekster,Grote vijver - deel 1,2018,0,Sigma,190 +Scholekster,Grote vijver - deel 1,2019,0,Sigma,190 +Scholekster,Grote vijver - deel 1,2020,0,Sigma,190 +Scholekster,Grote vijver - deel 1,2021,0,Sigma,190 +Scholekster,Grote vijver - deel 1,2022,0,Sigma,190 +Scholekster,Grote vijver - deel 1,2023,0,Sigma,190 +Scholekster,Grote vijver - deel 2,2005,0,Sigma,190 +Scholekster,Grote vijver - deel 2,2006,0,Sigma,190 +Scholekster,Grote vijver - deel 2,2007,0,Sigma,190 +Scholekster,Grote vijver - deel 2,2008,0,Sigma,190 +Scholekster,Grote vijver - deel 2,2009,0,Sigma,190 +Scholekster,Grote vijver - deel 2,2010,0,Sigma,190 +Scholekster,Grote vijver - deel 2,2011,0,Sigma,190 +Scholekster,Grote vijver - deel 2,2012,0,Sigma,190 +Scholekster,Grote vijver - deel 2,2013,0,Sigma,190 +Scholekster,Grote vijver - deel 2,2014,0,Sigma,190 +Scholekster,Grote vijver - deel 2,2015,0,Sigma,190 +Scholekster,Grote vijver - deel 2,2016,0,Sigma,190 +Scholekster,Grote vijver - deel 2,2017,0,Sigma,190 +Scholekster,Grote vijver - deel 2,2018,0,Sigma,190 +Scholekster,Grote vijver - deel 2,2019,0,Sigma,190 +Scholekster,Grote vijver - deel 2,2020,0,Sigma,190 +Scholekster,Grote vijver - deel 2,2021,0,Sigma,190 +Scholekster,Grote vijver - deel 2,2022,0,Sigma,190 +Scholekster,Grote vijver - deel 2,2023,0,Sigma,190 +Scholekster,KBR,2005,3,Sigma,190 +Scholekster,KBR,2006,3,Sigma,190 +Scholekster,KBR,2007,5,Sigma,190 +Scholekster,KBR,2008,2,Sigma,190 +Scholekster,KBR,2009,0,Sigma,190 +Scholekster,KBR,2010,2,Sigma,190 +Scholekster,KBR,2011,3,Sigma,190 +Scholekster,KBR,2012,1,Sigma,190 +Scholekster,KBR,2013,0,Sigma,190 +Scholekster,KBR,2014,1,Sigma,190 +Scholekster,KBR,2015,0,Sigma,190 +Scholekster,KBR,2016,1,Sigma,190 +Scholekster,KBR,2017,1,Sigma,190 +Scholekster,KBR,2018,0,Sigma,190 +Scholekster,KBR,2019,0,Sigma,190 +Scholekster,KBR,2020,0,Sigma,190 +Scholekster,KBR,2021,0,Sigma,190 +Scholekster,KBR,2022,0,Sigma,190 +Scholekster,KBR,2023,0,Sigma,190 +Scholekster,Kalkense meersen,2005,3,Sigma,190 +Scholekster,Kalkense meersen,2006,3,Sigma,190 +Scholekster,Kalkense meersen,2007,3,Sigma,190 +Scholekster,Kalkense meersen,2008,3,Sigma,190 +Scholekster,Kalkense meersen,2009,3,Sigma,190 +Scholekster,Kalkense meersen,2010,3,Sigma,190 +Scholekster,Kalkense meersen,2011,3,Sigma,190 +Scholekster,Kalkense meersen,2012,3,Sigma,190 +Scholekster,Kalkense meersen,2013,2,Sigma,190 +Scholekster,Kalkense meersen,2014,1,Sigma,190 +Scholekster,Kalkense meersen,2015,1,Sigma,190 +Scholekster,Kalkense meersen,2016,1,Sigma,190 +Scholekster,Kalkense meersen,2017,2,Sigma,190 +Scholekster,Kalkense meersen,2018,1,Sigma,190 +Scholekster,Kalkense meersen,2019,1,Sigma,190 +Scholekster,Kalkense meersen,2020,1,Sigma,190 +Scholekster,Kalkense meersen,2021,0,Sigma,190 +Scholekster,Kalkense meersen,2022,0,Sigma,190 +Scholekster,Kalkense meersen,2023,0,Sigma,190 +Scholekster,Ketenisse,2005,2,Estuarium buiten Sigma,190 +Scholekster,Ketenisse,2006,3,Estuarium buiten Sigma,190 +Scholekster,Ketenisse,2007,0,Estuarium buiten Sigma,190 +Scholekster,Ketenisse,2008,2,Estuarium buiten Sigma,190 +Scholekster,Ketenisse,2009,2,Estuarium buiten Sigma,190 +Scholekster,Ketenisse,2010,3,Estuarium buiten Sigma,190 +Scholekster,Ketenisse,2011,2,Estuarium buiten Sigma,190 +Scholekster,Ketenisse,2012,0,Estuarium buiten Sigma,190 +Scholekster,Ketenisse,2013,1,Estuarium buiten Sigma,190 +Scholekster,Ketenisse,2014,7,Estuarium buiten Sigma,190 +Scholekster,Ketenisse,2015,1,Estuarium buiten Sigma,190 +Scholekster,Ketenisse,2016,1,Estuarium buiten Sigma,190 +Scholekster,Ketenisse,2017,1,Estuarium buiten Sigma,190 +Scholekster,Ketenisse,2018,2,Estuarium buiten Sigma,190 +Scholekster,Ketenisse,2019,2,Estuarium buiten Sigma,190 +Scholekster,Ketenisse,2020,8,Estuarium buiten Sigma,190 +Scholekster,Ketenisse,2021,2,Estuarium buiten Sigma,190 +Scholekster,Ketenisse,2022,3,Estuarium buiten Sigma,190 +Scholekster,Ketenisse,2023,2,Estuarium buiten Sigma,190 +Scholekster,Klein Broek,2005,0,Sigma,190 +Scholekster,Klein Broek,2006,0,Sigma,190 +Scholekster,Klein Broek,2007,0,Sigma,190 +Scholekster,Klein Broek,2008,0,Sigma,190 +Scholekster,Klein Broek,2009,0,Sigma,190 +Scholekster,Klein Broek,2010,0,Sigma,190 +Scholekster,Klein Broek,2011,0,Sigma,190 +Scholekster,Klein Broek,2012,0,Sigma,190 +Scholekster,Klein Broek,2013,0,Sigma,190 +Scholekster,Klein Broek,2014,0,Sigma,190 +Scholekster,Klein Broek,2015,0,Sigma,190 +Scholekster,Klein Broek,2016,0,Sigma,190 +Scholekster,Klein Broek,2017,0,Sigma,190 +Scholekster,Klein Broek,2018,0,Sigma,190 +Scholekster,Klein Broek,2019,0,Sigma,190 +Scholekster,Klein Broek,2020,0,Sigma,190 +Scholekster,Klein Broek,2021,0,Sigma,190 +Scholekster,Klein Broek,2022,0,Sigma,190 +Scholekster,Klein Broek,2023,0,Sigma,190 +Scholekster,Mechels Broek,2005,0,Vallei buiten Sigma,190 +Scholekster,Mechels Broek,2006,0,Vallei buiten Sigma,190 +Scholekster,Mechels Broek,2007,0,Vallei buiten Sigma,190 +Scholekster,Mechels Broek,2008,0,Vallei buiten Sigma,190 +Scholekster,Mechels Broek,2009,0,Vallei buiten Sigma,190 +Scholekster,Mechels Broek,2010,0,Vallei buiten Sigma,190 +Scholekster,Mechels Broek,2011,0,Vallei buiten Sigma,190 +Scholekster,Mechels Broek,2012,0,Vallei buiten Sigma,190 +Scholekster,Mechels Broek,2013,0,Vallei buiten Sigma,190 +Scholekster,Mechels Broek,2014,0,Vallei buiten Sigma,190 +Scholekster,Mechels Broek,2015,0,Vallei buiten Sigma,190 +Scholekster,Mechels Broek,2016,0,Vallei buiten Sigma,190 +Scholekster,Mechels Broek,2017,0,Vallei buiten Sigma,190 +Scholekster,Mechels Broek,2018,0,Vallei buiten Sigma,190 +Scholekster,Mechels Broek,2019,0,Vallei buiten Sigma,190 +Scholekster,Mechels Broek,2020,0,Vallei buiten Sigma,190 +Scholekster,Mechels Broek,2021,0,Vallei buiten Sigma,190 +Scholekster,Mechels Broek,2022,0,Vallei buiten Sigma,190 +Scholekster,Mechels Broek,2023,0,Vallei buiten Sigma,190 +Scholekster,Molsbroek,2005,0,Vallei buiten Sigma,190 +Scholekster,Molsbroek,2006,0,Vallei buiten Sigma,190 +Scholekster,Molsbroek,2007,0,Vallei buiten Sigma,190 +Scholekster,Molsbroek,2008,0,Vallei buiten Sigma,190 +Scholekster,Molsbroek,2009,0,Vallei buiten Sigma,190 +Scholekster,Molsbroek,2010,0,Vallei buiten Sigma,190 +Scholekster,Molsbroek,2011,0,Vallei buiten Sigma,190 +Scholekster,Molsbroek,2012,0,Vallei buiten Sigma,190 +Scholekster,Molsbroek,2013,0,Vallei buiten Sigma,190 +Scholekster,Molsbroek,2014,0,Vallei buiten Sigma,190 +Scholekster,Molsbroek,2015,0,Vallei buiten Sigma,190 +Scholekster,Molsbroek,2016,0,Vallei buiten Sigma,190 +Scholekster,Molsbroek,2017,0,Vallei buiten Sigma,190 +Scholekster,Molsbroek,2018,0,Vallei buiten Sigma,190 +Scholekster,Molsbroek,2019,0,Vallei buiten Sigma,190 +Scholekster,Molsbroek,2020,0,Vallei buiten Sigma,190 +Scholekster,Molsbroek,2021,0,Vallei buiten Sigma,190 +Scholekster,Molsbroek,2022,0,Vallei buiten Sigma,190 +Scholekster,Molsbroek,2023,0,Vallei buiten Sigma,190 +Scholekster,Noordelijk eiland,2005,0,Vallei buiten Sigma,190 +Scholekster,Noordelijk eiland,2006,0,Vallei buiten Sigma,190 +Scholekster,Noordelijk eiland,2007,0,Vallei buiten Sigma,190 +Scholekster,Noordelijk eiland,2008,0,Vallei buiten Sigma,190 +Scholekster,Noordelijk eiland,2009,0,Vallei buiten Sigma,190 +Scholekster,Noordelijk eiland,2010,0,Vallei buiten Sigma,190 +Scholekster,Noordelijk eiland,2011,0,Vallei buiten Sigma,190 +Scholekster,Noordelijk eiland,2012,0,Vallei buiten Sigma,190 +Scholekster,Noordelijk eiland,2013,0,Vallei buiten Sigma,190 +Scholekster,Noordelijk eiland,2014,0,Vallei buiten Sigma,190 +Scholekster,Noordelijk eiland,2015,0,Vallei buiten Sigma,190 +Scholekster,Noordelijk eiland,2016,0,Vallei buiten Sigma,190 +Scholekster,Noordelijk eiland,2017,0,Vallei buiten Sigma,190 +Scholekster,Noordelijk eiland,2018,0,Vallei buiten Sigma,190 +Scholekster,Noordelijk eiland,2019,0,Vallei buiten Sigma,190 +Scholekster,Noordelijk eiland,2020,0,Vallei buiten Sigma,190 +Scholekster,Noordelijk eiland,2021,0,Vallei buiten Sigma,190 +Scholekster,Noordelijk eiland,2022,0,Vallei buiten Sigma,190 +Scholekster,Noordelijk eiland,2023,0,Vallei buiten Sigma,190 +Scholekster,NoordelijkGebied,2005,1,Sigma_LO,190 +Scholekster,NoordelijkGebied,2006,4,Sigma_LO,190 +Scholekster,NoordelijkGebied,2007,2,Sigma_LO,190 +Scholekster,NoordelijkGebied,2008,4,Sigma_LO,190 +Scholekster,NoordelijkGebied,2009,8,Sigma_LO,190 +Scholekster,NoordelijkGebied,2010,10,Sigma_LO,190 +Scholekster,NoordelijkGebied,2011,9,Sigma_LO,190 +Scholekster,NoordelijkGebied,2012,6,Sigma_LO,190 +Scholekster,NoordelijkGebied,2013,7,Sigma_LO,190 +Scholekster,NoordelijkGebied,2014,6,Sigma_LO,190 +Scholekster,NoordelijkGebied,2015,8,Sigma_LO,190 +Scholekster,NoordelijkGebied,2016,7,Sigma_LO,190 +Scholekster,NoordelijkGebied,2017,8,Sigma_LO,190 +Scholekster,NoordelijkGebied,2018,12,Sigma_LO,190 +Scholekster,NoordelijkGebied,2019,8,Sigma_LO,190 +Scholekster,NoordelijkGebied,2020,8,Sigma_LO,190 +Scholekster,NoordelijkGebied,2021,12,Sigma_LO,190 +Scholekster,NoordelijkGebied,2022,14,Sigma_LO,190 +Scholekster,NoordelijkGebied,2023,0,Sigma_LO,190 +Scholekster,Paardeweide,2005,0,Sigma,190 +Scholekster,Paardeweide,2006,0,Sigma,190 +Scholekster,Paardeweide,2007,0,Sigma,190 +Scholekster,Paardeweide,2008,0,Sigma,190 +Scholekster,Paardeweide,2009,0,Sigma,190 +Scholekster,Paardeweide,2010,0,Sigma,190 +Scholekster,Paardeweide,2011,1,Sigma,190 +Scholekster,Paardeweide,2012,0,Sigma,190 +Scholekster,Paardeweide,2013,0,Sigma,190 +Scholekster,Paardeweide,2014,1,Sigma,190 +Scholekster,Paardeweide,2015,0,Sigma,190 +Scholekster,Paardeweide,2016,0,Sigma,190 +Scholekster,Paardeweide,2017,0,Sigma,190 +Scholekster,Paardeweide,2018,0,Sigma,190 +Scholekster,Paardeweide,2019,0,Sigma,190 +Scholekster,Paardeweide,2020,0,Sigma,190 +Scholekster,Paardeweide,2021,0,Sigma,190 +Scholekster,Paardeweide,2022,0,Sigma,190 +Scholekster,Paardeweide,2023,0,Sigma,190 +Scholekster,Paardeweide oost,2005,0,Sigma,190 +Scholekster,Paardeweide oost,2006,0,Sigma,190 +Scholekster,Paardeweide oost,2007,0,Sigma,190 +Scholekster,Paardeweide oost,2008,0,Sigma,190 +Scholekster,Paardeweide oost,2009,0,Sigma,190 +Scholekster,Paardeweide oost,2010,0,Sigma,190 +Scholekster,Paardeweide oost,2011,0,Sigma,190 +Scholekster,Paardeweide oost,2012,0,Sigma,190 +Scholekster,Paardeweide oost,2013,0,Sigma,190 +Scholekster,Paardeweide oost,2014,0,Sigma,190 +Scholekster,Paardeweide oost,2015,0,Sigma,190 +Scholekster,Paardeweide oost,2016,0,Sigma,190 +Scholekster,Paardeweide oost,2017,0,Sigma,190 +Scholekster,Paardeweide oost,2018,0,Sigma,190 +Scholekster,Paardeweide oost,2019,0,Sigma,190 +Scholekster,Paardeweide oost,2020,0,Sigma,190 +Scholekster,Paardeweide oost,2021,0,Sigma,190 +Scholekster,Paardeweide oost,2022,0,Sigma,190 +Scholekster,Paardeweide oost,2023,0,Sigma,190 +Scholekster,Paardeweide west,2005,0,Sigma,190 +Scholekster,Paardeweide west,2006,0,Sigma,190 +Scholekster,Paardeweide west,2007,0,Sigma,190 +Scholekster,Paardeweide west,2008,0,Sigma,190 +Scholekster,Paardeweide west,2009,0,Sigma,190 +Scholekster,Paardeweide west,2010,0,Sigma,190 +Scholekster,Paardeweide west,2011,0,Sigma,190 +Scholekster,Paardeweide west,2012,0,Sigma,190 +Scholekster,Paardeweide west,2013,0,Sigma,190 +Scholekster,Paardeweide west,2014,0,Sigma,190 +Scholekster,Paardeweide west,2015,0,Sigma,190 +Scholekster,Paardeweide west,2016,0,Sigma,190 +Scholekster,Paardeweide west,2017,0,Sigma,190 +Scholekster,Paardeweide west,2018,0,Sigma,190 +Scholekster,Paardeweide west,2019,0,Sigma,190 +Scholekster,Paardeweide west,2020,0,Sigma,190 +Scholekster,Paardeweide west,2021,0,Sigma,190 +Scholekster,Paardeweide west,2022,0,Sigma,190 +Scholekster,Paardeweide west,2023,0,Sigma,190 +Scholekster,Potpolder Lillo,2005,0,Sigma,190 +Scholekster,Potpolder Lillo,2006,1,Sigma,190 +Scholekster,Potpolder Lillo,2007,0,Sigma,190 +Scholekster,Potpolder Lillo,2008,0,Sigma,190 +Scholekster,Potpolder Lillo,2009,0,Sigma,190 +Scholekster,Potpolder Lillo,2010,0,Sigma,190 +Scholekster,Potpolder Lillo,2011,0,Sigma,190 +Scholekster,Potpolder Lillo,2012,0,Sigma,190 +Scholekster,Potpolder Lillo,2013,0,Sigma,190 +Scholekster,Potpolder Lillo,2014,1,Sigma,190 +Scholekster,Potpolder Lillo,2015,2,Sigma,190 +Scholekster,Potpolder Lillo,2016,3,Sigma,190 +Scholekster,Potpolder Lillo,2017,3,Sigma,190 +Scholekster,Potpolder Lillo,2018,0,Sigma,190 +Scholekster,Potpolder Lillo,2019,0,Sigma,190 +Scholekster,Potpolder Lillo,2020,3,Sigma,190 +Scholekster,Potpolder Lillo,2021,2,Sigma,190 +Scholekster,Potpolder Lillo,2022,3,Sigma,190 +Scholekster,Potpolder Lillo,2023,3,Sigma,190 +Scholekster,Prosperpolder-noord,2005,0,Sigma_LO,190 +Scholekster,Prosperpolder-noord,2006,0,Sigma_LO,190 +Scholekster,Prosperpolder-noord,2007,0,Sigma_LO,190 +Scholekster,Prosperpolder-noord,2008,0,Sigma_LO,190 +Scholekster,Prosperpolder-noord,2009,0,Sigma_LO,190 +Scholekster,Prosperpolder-noord,2010,0,Sigma_LO,190 +Scholekster,Prosperpolder-noord,2011,0,Sigma_LO,190 +Scholekster,Prosperpolder-noord,2012,0,Sigma_LO,190 +Scholekster,Prosperpolder-noord,2013,0,Sigma_LO,190 +Scholekster,Prosperpolder-noord,2014,0,Sigma_LO,190 +Scholekster,Prosperpolder-noord,2015,0,Sigma_LO,190 +Scholekster,Prosperpolder-noord,2016,0,Sigma_LO,190 +Scholekster,Prosperpolder-noord,2017,0,Sigma_LO,190 +Scholekster,Prosperpolder-noord,2018,0,Sigma_LO,190 +Scholekster,Prosperpolder-noord,2019,0,Sigma_LO,190 +Scholekster,Prosperpolder-noord,2020,0,Sigma_LO,190 +Scholekster,Prosperpolder-noord,2021,0,Sigma_LO,190 +Scholekster,Prosperpolder-noord,2022,0,Sigma_LO,190 +Scholekster,Prosperpolder-noord,2023,2,Sigma_LO,190 +Scholekster,Prosperpolder-zuid,2005,0,Sigma_LO,190 +Scholekster,Prosperpolder-zuid,2006,0,Sigma_LO,190 +Scholekster,Prosperpolder-zuid,2007,0,Sigma_LO,190 +Scholekster,Prosperpolder-zuid,2008,0,Sigma_LO,190 +Scholekster,Prosperpolder-zuid,2009,0,Sigma_LO,190 +Scholekster,Prosperpolder-zuid,2010,0,Sigma_LO,190 +Scholekster,Prosperpolder-zuid,2011,0,Sigma_LO,190 +Scholekster,Prosperpolder-zuid,2012,0,Sigma_LO,190 +Scholekster,Prosperpolder-zuid,2013,0,Sigma_LO,190 +Scholekster,Prosperpolder-zuid,2014,0,Sigma_LO,190 +Scholekster,Prosperpolder-zuid,2015,0,Sigma_LO,190 +Scholekster,Prosperpolder-zuid,2016,0,Sigma_LO,190 +Scholekster,Prosperpolder-zuid,2017,0,Sigma_LO,190 +Scholekster,Prosperpolder-zuid,2018,0,Sigma_LO,190 +Scholekster,Prosperpolder-zuid,2019,0,Sigma_LO,190 +Scholekster,Prosperpolder-zuid,2020,0,Sigma_LO,190 +Scholekster,Prosperpolder-zuid,2021,0,Sigma_LO,190 +Scholekster,Prosperpolder-zuid,2022,0,Sigma_LO,190 +Scholekster,Prosperpolder-zuid,2023,1,Sigma_LO,190 +Scholekster,Scheldebroeken excl. Paardeweide-oost,2005,0,Vallei buiten Sigma,190 +Scholekster,Scheldebroeken excl. Paardeweide-oost,2006,0,Vallei buiten Sigma,190 +Scholekster,Scheldebroeken excl. Paardeweide-oost,2007,0,Vallei buiten Sigma,190 +Scholekster,Scheldebroeken excl. Paardeweide-oost,2008,0,Vallei buiten Sigma,190 +Scholekster,Scheldebroeken excl. Paardeweide-oost,2009,0,Vallei buiten Sigma,190 +Scholekster,Scheldebroeken excl. Paardeweide-oost,2010,0,Vallei buiten Sigma,190 +Scholekster,Scheldebroeken excl. Paardeweide-oost,2011,0,Vallei buiten Sigma,190 +Scholekster,Scheldebroeken excl. Paardeweide-oost,2012,0,Vallei buiten Sigma,190 +Scholekster,Scheldebroeken excl. Paardeweide-oost,2013,0,Vallei buiten Sigma,190 +Scholekster,Scheldebroeken excl. Paardeweide-oost,2014,0,Vallei buiten Sigma,190 +Scholekster,Scheldebroeken excl. Paardeweide-oost,2015,0,Vallei buiten Sigma,190 +Scholekster,Scheldebroeken excl. Paardeweide-oost,2016,0,Vallei buiten Sigma,190 +Scholekster,Scheldebroeken excl. Paardeweide-oost,2017,0,Vallei buiten Sigma,190 +Scholekster,Scheldebroeken excl. Paardeweide-oost,2018,0,Vallei buiten Sigma,190 +Scholekster,Scheldebroeken excl. Paardeweide-oost,2019,0,Vallei buiten Sigma,190 +Scholekster,Scheldebroeken excl. Paardeweide-oost,2020,0,Vallei buiten Sigma,190 +Scholekster,Scheldebroeken excl. Paardeweide-oost,2021,0,Vallei buiten Sigma,190 +Scholekster,Scheldebroeken excl. Paardeweide-oost,2022,0,Vallei buiten Sigma,190 +Scholekster,Scheldebroeken excl. Paardeweide-oost,2023,0,Vallei buiten Sigma,190 +Scholekster,Schor Ouden Doel,2005,0,Sigma_LO,190 +Scholekster,Schor Ouden Doel,2006,0,Sigma_LO,190 +Scholekster,Schor Ouden Doel,2007,0,Sigma_LO,190 +Scholekster,Schor Ouden Doel,2008,0,Sigma_LO,190 +Scholekster,Schor Ouden Doel,2009,0,Sigma_LO,190 +Scholekster,Schor Ouden Doel,2010,0,Sigma_LO,190 +Scholekster,Schor Ouden Doel,2011,0,Sigma_LO,190 +Scholekster,Schor Ouden Doel,2012,0,Sigma_LO,190 +Scholekster,Schor Ouden Doel,2013,0,Sigma_LO,190 +Scholekster,Schor Ouden Doel,2014,0,Sigma_LO,190 +Scholekster,Schor Ouden Doel,2015,0,Sigma_LO,190 +Scholekster,Schor Ouden Doel,2016,0,Sigma_LO,190 +Scholekster,Schor Ouden Doel,2017,0,Sigma_LO,190 +Scholekster,Schor Ouden Doel,2018,0,Sigma_LO,190 +Scholekster,Schor Ouden Doel,2019,0,Sigma_LO,190 +Scholekster,Schor Ouden Doel,2020,0,Sigma_LO,190 +Scholekster,Schor Ouden Doel,2021,0,Sigma_LO,190 +Scholekster,Schor Ouden Doel,2022,0,Sigma_LO,190 +Scholekster,Schor Ouden Doel,2023,0,Sigma_LO,190 +Scholekster,Viersels gebroekt,2005,0,Vallei buiten Sigma,190 +Scholekster,Viersels gebroekt,2006,0,Vallei buiten Sigma,190 +Scholekster,Viersels gebroekt,2007,0,Vallei buiten Sigma,190 +Scholekster,Viersels gebroekt,2008,0,Vallei buiten Sigma,190 +Scholekster,Viersels gebroekt,2009,0,Vallei buiten Sigma,190 +Scholekster,Viersels gebroekt,2010,0,Vallei buiten Sigma,190 +Scholekster,Viersels gebroekt,2011,0,Vallei buiten Sigma,190 +Scholekster,Viersels gebroekt,2012,0,Vallei buiten Sigma,190 +Scholekster,Viersels gebroekt,2013,0,Vallei buiten Sigma,190 +Scholekster,Viersels gebroekt,2014,0,Vallei buiten Sigma,190 +Scholekster,Viersels gebroekt,2015,0,Vallei buiten Sigma,190 +Scholekster,Viersels gebroekt,2016,0,Vallei buiten Sigma,190 +Scholekster,Viersels gebroekt,2017,0,Vallei buiten Sigma,190 +Scholekster,Viersels gebroekt,2018,0,Vallei buiten Sigma,190 +Scholekster,Viersels gebroekt,2019,0,Vallei buiten Sigma,190 +Scholekster,Viersels gebroekt,2020,0,Vallei buiten Sigma,190 +Scholekster,Viersels gebroekt,2021,0,Vallei buiten Sigma,190 +Scholekster,Viersels gebroekt,2022,0,Vallei buiten Sigma,190 +Scholekster,Viersels gebroekt,2023,0,Vallei buiten Sigma,190 +Scholekster,Weijmeerbroek,2005,0,Sigma,190 +Scholekster,Weijmeerbroek,2006,0,Sigma,190 +Scholekster,Weijmeerbroek,2007,0,Sigma,190 +Scholekster,Weijmeerbroek,2008,0,Sigma,190 +Scholekster,Weijmeerbroek,2009,0,Sigma,190 +Scholekster,Weijmeerbroek,2010,0,Sigma,190 +Scholekster,Weijmeerbroek,2011,0,Sigma,190 +Scholekster,Weijmeerbroek,2012,0,Sigma,190 +Scholekster,Weijmeerbroek,2013,0,Sigma,190 +Scholekster,Weijmeerbroek,2014,0,Sigma,190 +Scholekster,Weijmeerbroek,2015,0,Sigma,190 +Scholekster,Weijmeerbroek,2016,0,Sigma,190 +Scholekster,Weijmeerbroek,2017,0,Sigma,190 +Scholekster,Weijmeerbroek,2018,0,Sigma,190 +Scholekster,Weijmeerbroek,2019,0,Sigma,190 +Scholekster,Weijmeerbroek,2020,0,Sigma,190 +Scholekster,Weijmeerbroek,2021,0,Sigma,190 +Scholekster,Weijmeerbroek,2022,0,Sigma,190 +Scholekster,Weijmeerbroek,2023,0,Sigma,190 +Scholekster,Wijmeers,2005,0,Sigma,190 +Scholekster,Wijmeers,2006,0,Sigma,190 +Scholekster,Wijmeers,2007,0,Sigma,190 +Scholekster,Wijmeers,2008,0,Sigma,190 +Scholekster,Wijmeers,2009,0,Sigma,190 +Scholekster,Wijmeers,2010,0,Sigma,190 +Scholekster,Wijmeers,2011,0,Sigma,190 +Scholekster,Wijmeers,2012,0,Sigma,190 +Scholekster,Wijmeers,2013,0,Sigma,190 +Scholekster,Wijmeers,2014,0,Sigma,190 +Scholekster,Wijmeers,2015,0,Sigma,190 +Scholekster,Wijmeers,2016,3,Sigma,190 +Scholekster,Wijmeers,2017,2,Sigma,190 +Scholekster,Wijmeers,2018,1,Sigma,190 +Scholekster,Wijmeers,2019,0,Sigma,190 +Scholekster,Wijmeers,2020,0,Sigma,190 +Scholekster,Wijmeers,2021,0,Sigma,190 +Scholekster,Wijmeers,2022,0,Sigma,190 +Scholekster,Wijmeers,2023,0,Sigma,190 +Scholekster,Wijmeers-noord,2005,0,Sigma,190 +Scholekster,Wijmeers-noord,2006,0,Sigma,190 +Scholekster,Wijmeers-noord,2007,0,Sigma,190 +Scholekster,Wijmeers-noord,2008,0,Sigma,190 +Scholekster,Wijmeers-noord,2009,0,Sigma,190 +Scholekster,Wijmeers-noord,2010,0,Sigma,190 +Scholekster,Wijmeers-noord,2011,0,Sigma,190 +Scholekster,Wijmeers-noord,2012,0,Sigma,190 +Scholekster,Wijmeers-noord,2013,0,Sigma,190 +Scholekster,Wijmeers-noord,2014,0,Sigma,190 +Scholekster,Wijmeers-noord,2015,0,Sigma,190 +Scholekster,Wijmeers-noord,2016,0,Sigma,190 +Scholekster,Wijmeers-noord,2017,0,Sigma,190 +Scholekster,Wijmeers-noord,2018,0,Sigma,190 +Scholekster,Wijmeers-noord,2019,0,Sigma,190 +Scholekster,Wijmeers-noord,2020,0,Sigma,190 +Scholekster,Wijmeers-noord,2021,0,Sigma,190 +Scholekster,Wijmeers-noord,2022,0,Sigma,190 +Scholekster,Wijmeers-noord,2023,0,Sigma,190 +Scholekster,Wijmeers-zuid,2005,0,Sigma,190 +Scholekster,Wijmeers-zuid,2006,0,Sigma,190 +Scholekster,Wijmeers-zuid,2007,0,Sigma,190 +Scholekster,Wijmeers-zuid,2008,0,Sigma,190 +Scholekster,Wijmeers-zuid,2009,0,Sigma,190 +Scholekster,Wijmeers-zuid,2010,0,Sigma,190 +Scholekster,Wijmeers-zuid,2011,0,Sigma,190 +Scholekster,Wijmeers-zuid,2012,0,Sigma,190 +Scholekster,Wijmeers-zuid,2013,0,Sigma,190 +Scholekster,Wijmeers-zuid,2014,0,Sigma,190 +Scholekster,Wijmeers-zuid,2015,0,Sigma,190 +Scholekster,Wijmeers-zuid,2016,0,Sigma,190 +Scholekster,Wijmeers-zuid,2017,0,Sigma,190 +Scholekster,Wijmeers-zuid,2018,0,Sigma,190 +Scholekster,Wijmeers-zuid,2019,0,Sigma,190 +Scholekster,Wijmeers-zuid,2020,0,Sigma,190 +Scholekster,Wijmeers-zuid,2021,0,Sigma,190 +Scholekster,Wijmeers-zuid,2022,0,Sigma,190 +Scholekster,Wijmeers-zuid,2023,0,Sigma,190 +Scholekster,Zennegat,2005,0,Sigma,190 +Scholekster,Zennegat,2006,0,Sigma,190 +Scholekster,Zennegat,2007,0,Sigma,190 +Scholekster,Zennegat,2008,0,Sigma,190 +Scholekster,Zennegat,2009,0,Sigma,190 +Scholekster,Zennegat,2010,0,Sigma,190 +Scholekster,Zennegat,2011,0,Sigma,190 +Scholekster,Zennegat,2012,0,Sigma,190 +Scholekster,Zennegat,2013,0,Sigma,190 +Scholekster,Zennegat,2014,0,Sigma,190 +Scholekster,Zennegat,2015,0,Sigma,190 +Scholekster,Zennegat,2016,0,Sigma,190 +Scholekster,Zennegat,2017,1,Sigma,190 +Scholekster,Zennegat,2018,0,Sigma,190 +Scholekster,Zennegat,2019,0,Sigma,190 +Scholekster,Zennegat,2020,0,Sigma,190 +Scholekster,Zennegat,2021,0,Sigma,190 +Scholekster,Zennegat,2022,0,Sigma,190 +Scholekster,Zennegat,2023,0,Sigma,190 +Scholekster,Zuidelijk eiland,2005,0,Vallei buiten Sigma,190 +Scholekster,Zuidelijk eiland,2006,0,Vallei buiten Sigma,190 +Scholekster,Zuidelijk eiland,2007,0,Vallei buiten Sigma,190 +Scholekster,Zuidelijk eiland,2008,0,Vallei buiten Sigma,190 +Scholekster,Zuidelijk eiland,2009,0,Vallei buiten Sigma,190 +Scholekster,Zuidelijk eiland,2010,0,Vallei buiten Sigma,190 +Scholekster,Zuidelijk eiland,2011,0,Vallei buiten Sigma,190 +Scholekster,Zuidelijk eiland,2012,0,Vallei buiten Sigma,190 +Scholekster,Zuidelijk eiland,2013,0,Vallei buiten Sigma,190 +Scholekster,Zuidelijk eiland,2014,0,Vallei buiten Sigma,190 +Scholekster,Zuidelijk eiland,2015,0,Vallei buiten Sigma,190 +Scholekster,Zuidelijk eiland,2016,0,Vallei buiten Sigma,190 +Scholekster,Zuidelijk eiland,2017,0,Vallei buiten Sigma,190 +Scholekster,Zuidelijk eiland,2018,0,Vallei buiten Sigma,190 +Scholekster,Zuidelijk eiland,2019,0,Vallei buiten Sigma,190 +Scholekster,Zuidelijk eiland,2020,0,Vallei buiten Sigma,190 +Scholekster,Zuidelijk eiland,2021,0,Vallei buiten Sigma,190 +Scholekster,Zuidelijk eiland,2022,0,Vallei buiten Sigma,190 +Scholekster,Zuidelijk eiland,2023,0,Vallei buiten Sigma,190 +Slobeend,Beneden Nete,2005,0,Sigma,150 +Slobeend,Beneden Nete,2006,0,Sigma,150 +Slobeend,Beneden Nete,2007,0,Sigma,150 +Slobeend,Beneden Nete,2008,0,Sigma,150 +Slobeend,Beneden Nete,2009,0,Sigma,150 +Slobeend,Beneden Nete,2010,0,Sigma,150 +Slobeend,Beneden Nete,2011,0,Sigma,150 +Slobeend,Beneden Nete,2012,0,Sigma,150 +Slobeend,Beneden Nete,2013,0,Sigma,150 +Slobeend,Beneden Nete,2014,0,Sigma,150 +Slobeend,Beneden Nete,2015,0,Sigma,150 +Slobeend,Beneden Nete,2016,0,Sigma,150 +Slobeend,Beneden Nete,2017,0,Sigma,150 +Slobeend,Beneden Nete,2018,0,Sigma,150 +Slobeend,Beneden Nete,2019,0,Sigma,150 +Slobeend,Beneden Nete,2020,0,Sigma,150 +Slobeend,Beneden Nete,2021,0,Sigma,150 +Slobeend,Beneden Nete,2022,4,Sigma,150 +Slobeend,Beneden Nete,2023,1.5,Sigma,150 +Slobeend,Bergenmeersen,2005,0,Sigma,150 +Slobeend,Bergenmeersen,2006,0,Sigma,150 +Slobeend,Bergenmeersen,2007,0,Sigma,150 +Slobeend,Bergenmeersen,2008,0,Sigma,150 +Slobeend,Bergenmeersen,2009,0,Sigma,150 +Slobeend,Bergenmeersen,2010,0,Sigma,150 +Slobeend,Bergenmeersen,2011,0,Sigma,150 +Slobeend,Bergenmeersen,2012,0,Sigma,150 +Slobeend,Bergenmeersen,2013,0,Sigma,150 +Slobeend,Bergenmeersen,2014,2,Sigma,150 +Slobeend,Bergenmeersen,2015,2,Sigma,150 +Slobeend,Bergenmeersen,2016,2,Sigma,150 +Slobeend,Bergenmeersen,2017,2,Sigma,150 +Slobeend,Bergenmeersen,2018,1,Sigma,150 +Slobeend,Bergenmeersen,2019,0,Sigma,150 +Slobeend,Bergenmeersen,2020,0,Sigma,150 +Slobeend,Bergenmeersen,2021,0,Sigma,150 +Slobeend,Bergenmeersen,2022,0,Sigma,150 +Slobeend,Bergenmeersen,2023,0,Sigma,150 +Slobeend,Blokkersdijk,2005,1,BD,150 +Slobeend,Blokkersdijk,2006,0,BD,150 +Slobeend,Blokkersdijk,2007,1,BD,150 +Slobeend,Blokkersdijk,2008,1,BD,150 +Slobeend,Blokkersdijk,2009,0,BD,150 +Slobeend,Blokkersdijk,2010,0,BD,150 +Slobeend,Blokkersdijk,2011,0,BD,150 +Slobeend,Blokkersdijk,2012,0,BD,150 +Slobeend,Blokkersdijk,2013,0,BD,150 +Slobeend,Blokkersdijk,2014,0,BD,150 +Slobeend,Blokkersdijk,2015,0,BD,150 +Slobeend,Blokkersdijk,2016,0,BD,150 +Slobeend,Blokkersdijk,2017,0,BD,150 +Slobeend,Blokkersdijk,2018,0,BD,150 +Slobeend,Blokkersdijk,2019,0,BD,150 +Slobeend,Blokkersdijk,2020,0,BD,150 +Slobeend,Blokkersdijk,2021,0,BD,150 +Slobeend,Blokkersdijk,2022,0,BD,150 +Slobeend,Blokkersdijk,2023,0,BD,150 +Slobeend,Burchtse Weel,2005,0,Sigma,150 +Slobeend,Burchtse Weel,2006,0,Sigma,150 +Slobeend,Burchtse Weel,2007,0,Sigma,150 +Slobeend,Burchtse Weel,2008,0,Sigma,150 +Slobeend,Burchtse Weel,2009,0,Sigma,150 +Slobeend,Burchtse Weel,2010,0,Sigma,150 +Slobeend,Burchtse Weel,2011,0,Sigma,150 +Slobeend,Burchtse Weel,2012,0,Sigma,150 +Slobeend,Burchtse Weel,2013,0,Sigma,150 +Slobeend,Burchtse Weel,2014,0,Sigma,150 +Slobeend,Burchtse Weel,2015,0,Sigma,150 +Slobeend,Burchtse Weel,2016,0,Sigma,150 +Slobeend,Burchtse Weel,2017,0,Sigma,150 +Slobeend,Burchtse Weel,2018,0,Sigma,150 +Slobeend,Burchtse Weel,2019,0,Sigma,150 +Slobeend,Burchtse Weel,2020,0,Sigma,150 +Slobeend,Burchtse Weel,2021,0,Sigma,150 +Slobeend,Burchtse Weel,2022,0,Sigma,150 +Slobeend,Burchtse Weel,2023,0,Sigma,150 +Slobeend,Doelpolder-noord,2005,0,Sigma_LO,150 +Slobeend,Doelpolder-noord,2006,0,Sigma_LO,150 +Slobeend,Doelpolder-noord,2007,0,Sigma_LO,150 +Slobeend,Doelpolder-noord,2008,0,Sigma_LO,150 +Slobeend,Doelpolder-noord,2009,0,Sigma_LO,150 +Slobeend,Doelpolder-noord,2010,0,Sigma_LO,150 +Slobeend,Doelpolder-noord,2011,0,Sigma_LO,150 +Slobeend,Doelpolder-noord,2012,0,Sigma_LO,150 +Slobeend,Doelpolder-noord,2013,0,Sigma_LO,150 +Slobeend,Doelpolder-noord,2014,0,Sigma_LO,150 +Slobeend,Doelpolder-noord,2015,0,Sigma_LO,150 +Slobeend,Doelpolder-noord,2016,0,Sigma_LO,150 +Slobeend,Doelpolder-noord,2017,0,Sigma_LO,150 +Slobeend,Doelpolder-noord,2018,0,Sigma_LO,150 +Slobeend,Doelpolder-noord,2019,0,Sigma_LO,150 +Slobeend,Doelpolder-noord,2020,0,Sigma_LO,150 +Slobeend,Doelpolder-noord,2021,0,Sigma_LO,150 +Slobeend,Doelpolder-noord,2022,0,Sigma_LO,150 +Slobeend,Doelpolder-noord,2023,13,Sigma_LO,150 +Slobeend,Donkmeer,2005,0,Vallei buiten Sigma,150 +Slobeend,Donkmeer,2006,0,Vallei buiten Sigma,150 +Slobeend,Donkmeer,2007,0,Vallei buiten Sigma,150 +Slobeend,Donkmeer,2008,0,Vallei buiten Sigma,150 +Slobeend,Donkmeer,2009,0,Vallei buiten Sigma,150 +Slobeend,Donkmeer,2010,0,Vallei buiten Sigma,150 +Slobeend,Donkmeer,2011,0,Vallei buiten Sigma,150 +Slobeend,Donkmeer,2012,0,Vallei buiten Sigma,150 +Slobeend,Donkmeer,2013,0,Vallei buiten Sigma,150 +Slobeend,Donkmeer,2014,0,Vallei buiten Sigma,150 +Slobeend,Donkmeer,2015,0,Vallei buiten Sigma,150 +Slobeend,Donkmeer,2016,0,Vallei buiten Sigma,150 +Slobeend,Donkmeer,2017,0,Vallei buiten Sigma,150 +Slobeend,Donkmeer,2018,0,Vallei buiten Sigma,150 +Slobeend,Donkmeer,2019,0,Vallei buiten Sigma,150 +Slobeend,Donkmeer,2020,0,Vallei buiten Sigma,150 +Slobeend,Donkmeer,2021,0,Vallei buiten Sigma,150 +Slobeend,Donkmeer,2022,0,Vallei buiten Sigma,150 +Slobeend,Donkmeer,2023,0,Vallei buiten Sigma,150 +Slobeend,Durmemeersen,2005,0,Vallei buiten Sigma,150 +Slobeend,Durmemeersen,2006,0,Vallei buiten Sigma,150 +Slobeend,Durmemeersen,2007,0,Vallei buiten Sigma,150 +Slobeend,Durmemeersen,2008,0,Vallei buiten Sigma,150 +Slobeend,Durmemeersen,2009,0,Vallei buiten Sigma,150 +Slobeend,Durmemeersen,2010,0,Vallei buiten Sigma,150 +Slobeend,Durmemeersen,2011,0,Vallei buiten Sigma,150 +Slobeend,Durmemeersen,2012,0,Vallei buiten Sigma,150 +Slobeend,Durmemeersen,2013,0,Vallei buiten Sigma,150 +Slobeend,Durmemeersen,2014,0,Vallei buiten Sigma,150 +Slobeend,Durmemeersen,2015,0,Vallei buiten Sigma,150 +Slobeend,Durmemeersen,2016,0,Vallei buiten Sigma,150 +Slobeend,Durmemeersen,2017,0,Vallei buiten Sigma,150 +Slobeend,Durmemeersen,2018,0,Vallei buiten Sigma,150 +Slobeend,Durmemeersen,2019,0,Vallei buiten Sigma,150 +Slobeend,Durmemeersen,2020,0,Vallei buiten Sigma,150 +Slobeend,Durmemeersen,2021,0,Vallei buiten Sigma,150 +Slobeend,Durmemeersen,2022,0,Vallei buiten Sigma,150 +Slobeend,Durmemeersen,2023,0,Vallei buiten Sigma,150 +Slobeend,Gebieden vzwDurme,2005,0,Vallei buiten Sigma,150 +Slobeend,Gebieden vzwDurme,2006,0,Vallei buiten Sigma,150 +Slobeend,Gebieden vzwDurme,2007,0,Vallei buiten Sigma,150 +Slobeend,Gebieden vzwDurme,2008,0,Vallei buiten Sigma,150 +Slobeend,Gebieden vzwDurme,2009,0,Vallei buiten Sigma,150 +Slobeend,Gebieden vzwDurme,2010,0,Vallei buiten Sigma,150 +Slobeend,Gebieden vzwDurme,2011,0,Vallei buiten Sigma,150 +Slobeend,Gebieden vzwDurme,2012,0,Vallei buiten Sigma,150 +Slobeend,Gebieden vzwDurme,2013,0,Vallei buiten Sigma,150 +Slobeend,Gebieden vzwDurme,2014,0,Vallei buiten Sigma,150 +Slobeend,Gebieden vzwDurme,2015,0,Vallei buiten Sigma,150 +Slobeend,Gebieden vzwDurme,2016,0,Vallei buiten Sigma,150 +Slobeend,Gebieden vzwDurme,2017,0,Vallei buiten Sigma,150 +Slobeend,Gebieden vzwDurme,2018,0,Vallei buiten Sigma,150 +Slobeend,Gebieden vzwDurme,2019,0,Vallei buiten Sigma,150 +Slobeend,Gebieden vzwDurme,2020,0,Vallei buiten Sigma,150 +Slobeend,Gebieden vzwDurme,2021,0,Vallei buiten Sigma,150 +Slobeend,Gebieden vzwDurme,2022,0,Vallei buiten Sigma,150 +Slobeend,Gebieden vzwDurme,2023,0,Vallei buiten Sigma,150 +Slobeend,Gentbrugse meersen,2005,0,Vallei buiten Sigma,150 +Slobeend,Gentbrugse meersen,2006,0,Vallei buiten Sigma,150 +Slobeend,Gentbrugse meersen,2007,0,Vallei buiten Sigma,150 +Slobeend,Gentbrugse meersen,2008,0,Vallei buiten Sigma,150 +Slobeend,Gentbrugse meersen,2009,0,Vallei buiten Sigma,150 +Slobeend,Gentbrugse meersen,2010,0,Vallei buiten Sigma,150 +Slobeend,Gentbrugse meersen,2011,0,Vallei buiten Sigma,150 +Slobeend,Gentbrugse meersen,2012,0,Vallei buiten Sigma,150 +Slobeend,Gentbrugse meersen,2013,0,Vallei buiten Sigma,150 +Slobeend,Gentbrugse meersen,2014,0,Vallei buiten Sigma,150 +Slobeend,Gentbrugse meersen,2015,0,Vallei buiten Sigma,150 +Slobeend,Gentbrugse meersen,2016,0,Vallei buiten Sigma,150 +Slobeend,Gentbrugse meersen,2017,0,Vallei buiten Sigma,150 +Slobeend,Gentbrugse meersen,2018,0,Vallei buiten Sigma,150 +Slobeend,Gentbrugse meersen,2019,0,Vallei buiten Sigma,150 +Slobeend,Gentbrugse meersen,2020,0,Vallei buiten Sigma,150 +Slobeend,Gentbrugse meersen,2021,0,Vallei buiten Sigma,150 +Slobeend,Gentbrugse meersen,2022,0,Vallei buiten Sigma,150 +Slobeend,Gentbrugse meersen,2023,0,Vallei buiten Sigma,150 +Slobeend,Groot Broek,2005,0,Sigma,150 +Slobeend,Groot Broek,2006,0,Sigma,150 +Slobeend,Groot Broek,2007,0,Sigma,150 +Slobeend,Groot Broek,2008,0,Sigma,150 +Slobeend,Groot Broek,2009,0,Sigma,150 +Slobeend,Groot Broek,2010,0,Sigma,150 +Slobeend,Groot Broek,2011,0,Sigma,150 +Slobeend,Groot Broek,2012,0,Sigma,150 +Slobeend,Groot Broek,2013,0,Sigma,150 +Slobeend,Groot Broek,2014,0,Sigma,150 +Slobeend,Groot Broek,2015,0,Sigma,150 +Slobeend,Groot Broek,2016,0,Sigma,150 +Slobeend,Groot Broek,2017,0,Sigma,150 +Slobeend,Groot Broek,2018,0,Sigma,150 +Slobeend,Groot Broek,2019,0,Sigma,150 +Slobeend,Groot Broek,2020,0,Sigma,150 +Slobeend,Groot Broek,2021,0,Sigma,150 +Slobeend,Groot Broek,2022,0,Sigma,150 +Slobeend,Groot Broek,2023,0,Sigma,150 +Slobeend,Groot buitenschoor,2005,0,Estuarium buiten Sigma,150 +Slobeend,Groot buitenschoor,2006,0,Estuarium buiten Sigma,150 +Slobeend,Groot buitenschoor,2007,0,Estuarium buiten Sigma,150 +Slobeend,Groot buitenschoor,2008,0,Estuarium buiten Sigma,150 +Slobeend,Groot buitenschoor,2009,0,Estuarium buiten Sigma,150 +Slobeend,Groot buitenschoor,2010,0,Estuarium buiten Sigma,150 +Slobeend,Groot buitenschoor,2011,0,Estuarium buiten Sigma,150 +Slobeend,Groot buitenschoor,2012,0,Estuarium buiten Sigma,150 +Slobeend,Groot buitenschoor,2013,0,Estuarium buiten Sigma,150 +Slobeend,Groot buitenschoor,2014,0,Estuarium buiten Sigma,150 +Slobeend,Groot buitenschoor,2015,0,Estuarium buiten Sigma,150 +Slobeend,Groot buitenschoor,2016,0,Estuarium buiten Sigma,150 +Slobeend,Groot buitenschoor,2017,0,Estuarium buiten Sigma,150 +Slobeend,Groot buitenschoor,2018,0,Estuarium buiten Sigma,150 +Slobeend,Groot buitenschoor,2019,0,Estuarium buiten Sigma,150 +Slobeend,Groot buitenschoor,2020,0,Estuarium buiten Sigma,150 +Slobeend,Groot buitenschoor,2021,0,Estuarium buiten Sigma,150 +Slobeend,Groot buitenschoor,2022,0,Estuarium buiten Sigma,150 +Slobeend,Groot buitenschoor,2023,0,Estuarium buiten Sigma,150 +Slobeend,Grote Wal,2005,0,Sigma,150 +Slobeend,Grote Wal,2006,0,Sigma,150 +Slobeend,Grote Wal,2007,0,Sigma,150 +Slobeend,Grote Wal,2008,0,Sigma,150 +Slobeend,Grote Wal,2009,0,Sigma,150 +Slobeend,Grote Wal,2010,0,Sigma,150 +Slobeend,Grote Wal,2011,0,Sigma,150 +Slobeend,Grote Wal,2012,0,Sigma,150 +Slobeend,Grote Wal,2013,0,Sigma,150 +Slobeend,Grote Wal,2014,0,Sigma,150 +Slobeend,Grote Wal,2015,0,Sigma,150 +Slobeend,Grote Wal,2016,0,Sigma,150 +Slobeend,Grote Wal,2017,0,Sigma,150 +Slobeend,Grote Wal,2018,0,Sigma,150 +Slobeend,Grote Wal,2019,0,Sigma,150 +Slobeend,Grote Wal,2020,0,Sigma,150 +Slobeend,Grote Wal,2021,0,Sigma,150 +Slobeend,Grote Wal,2022,19,Sigma,150 +Slobeend,Grote Wal,2023,20,Sigma,150 +Slobeend,Grote vijver - deel 1,2005,0,Sigma,150 +Slobeend,Grote vijver - deel 1,2006,0,Sigma,150 +Slobeend,Grote vijver - deel 1,2007,0,Sigma,150 +Slobeend,Grote vijver - deel 1,2008,0,Sigma,150 +Slobeend,Grote vijver - deel 1,2009,0,Sigma,150 +Slobeend,Grote vijver - deel 1,2010,0,Sigma,150 +Slobeend,Grote vijver - deel 1,2011,0,Sigma,150 +Slobeend,Grote vijver - deel 1,2012,0,Sigma,150 +Slobeend,Grote vijver - deel 1,2013,0,Sigma,150 +Slobeend,Grote vijver - deel 1,2014,0,Sigma,150 +Slobeend,Grote vijver - deel 1,2015,0,Sigma,150 +Slobeend,Grote vijver - deel 1,2016,0,Sigma,150 +Slobeend,Grote vijver - deel 1,2017,0,Sigma,150 +Slobeend,Grote vijver - deel 1,2018,0,Sigma,150 +Slobeend,Grote vijver - deel 1,2019,0,Sigma,150 +Slobeend,Grote vijver - deel 1,2020,0,Sigma,150 +Slobeend,Grote vijver - deel 1,2021,0,Sigma,150 +Slobeend,Grote vijver - deel 1,2022,1,Sigma,150 +Slobeend,Grote vijver - deel 1,2023,0,Sigma,150 +Slobeend,Grote vijver - deel 2,2005,0,Sigma,150 +Slobeend,Grote vijver - deel 2,2006,0,Sigma,150 +Slobeend,Grote vijver - deel 2,2007,0,Sigma,150 +Slobeend,Grote vijver - deel 2,2008,0,Sigma,150 +Slobeend,Grote vijver - deel 2,2009,0,Sigma,150 +Slobeend,Grote vijver - deel 2,2010,0,Sigma,150 +Slobeend,Grote vijver - deel 2,2011,0,Sigma,150 +Slobeend,Grote vijver - deel 2,2012,0,Sigma,150 +Slobeend,Grote vijver - deel 2,2013,0,Sigma,150 +Slobeend,Grote vijver - deel 2,2014,0,Sigma,150 +Slobeend,Grote vijver - deel 2,2015,0,Sigma,150 +Slobeend,Grote vijver - deel 2,2016,0,Sigma,150 +Slobeend,Grote vijver - deel 2,2017,0,Sigma,150 +Slobeend,Grote vijver - deel 2,2018,0,Sigma,150 +Slobeend,Grote vijver - deel 2,2019,0,Sigma,150 +Slobeend,Grote vijver - deel 2,2020,0,Sigma,150 +Slobeend,Grote vijver - deel 2,2021,0,Sigma,150 +Slobeend,Grote vijver - deel 2,2022,0,Sigma,150 +Slobeend,Grote vijver - deel 2,2023,0,Sigma,150 +Slobeend,KBR,2005,1,Sigma,150 +Slobeend,KBR,2006,1,Sigma,150 +Slobeend,KBR,2007,1,Sigma,150 +Slobeend,KBR,2008,4,Sigma,150 +Slobeend,KBR,2009,1,Sigma,150 +Slobeend,KBR,2010,2,Sigma,150 +Slobeend,KBR,2011,1,Sigma,150 +Slobeend,KBR,2012,2,Sigma,150 +Slobeend,KBR,2013,3,Sigma,150 +Slobeend,KBR,2014,2,Sigma,150 +Slobeend,KBR,2015,5,Sigma,150 +Slobeend,KBR,2016,5,Sigma,150 +Slobeend,KBR,2017,5,Sigma,150 +Slobeend,KBR,2018,3,Sigma,150 +Slobeend,KBR,2019,3,Sigma,150 +Slobeend,KBR,2020,0,Sigma,150 +Slobeend,KBR,2021,6,Sigma,150 +Slobeend,KBR,2022,3,Sigma,150 +Slobeend,KBR,2023,0,Sigma,150 +Slobeend,Kalkense meersen,2005,12,Sigma,150 +Slobeend,Kalkense meersen,2006,12,Sigma,150 +Slobeend,Kalkense meersen,2007,12,Sigma,150 +Slobeend,Kalkense meersen,2008,12,Sigma,150 +Slobeend,Kalkense meersen,2009,12,Sigma,150 +Slobeend,Kalkense meersen,2010,12,Sigma,150 +Slobeend,Kalkense meersen,2011,12,Sigma,150 +Slobeend,Kalkense meersen,2012,12,Sigma,150 +Slobeend,Kalkense meersen,2013,16,Sigma,150 +Slobeend,Kalkense meersen,2014,9,Sigma,150 +Slobeend,Kalkense meersen,2015,10,Sigma,150 +Slobeend,Kalkense meersen,2016,10,Sigma,150 +Slobeend,Kalkense meersen,2017,13,Sigma,150 +Slobeend,Kalkense meersen,2018,13,Sigma,150 +Slobeend,Kalkense meersen,2019,12,Sigma,150 +Slobeend,Kalkense meersen,2020,12,Sigma,150 +Slobeend,Kalkense meersen,2021,9,Sigma,150 +Slobeend,Kalkense meersen,2022,11,Sigma,150 +Slobeend,Kalkense meersen,2023,11,Sigma,150 +Slobeend,Ketenisse,2005,1,Estuarium buiten Sigma,150 +Slobeend,Ketenisse,2006,0,Estuarium buiten Sigma,150 +Slobeend,Ketenisse,2007,0,Estuarium buiten Sigma,150 +Slobeend,Ketenisse,2008,0,Estuarium buiten Sigma,150 +Slobeend,Ketenisse,2009,0,Estuarium buiten Sigma,150 +Slobeend,Ketenisse,2010,0,Estuarium buiten Sigma,150 +Slobeend,Ketenisse,2011,0,Estuarium buiten Sigma,150 +Slobeend,Ketenisse,2012,0,Estuarium buiten Sigma,150 +Slobeend,Ketenisse,2013,0,Estuarium buiten Sigma,150 +Slobeend,Ketenisse,2014,0,Estuarium buiten Sigma,150 +Slobeend,Ketenisse,2015,0,Estuarium buiten Sigma,150 +Slobeend,Ketenisse,2016,0,Estuarium buiten Sigma,150 +Slobeend,Ketenisse,2017,0,Estuarium buiten Sigma,150 +Slobeend,Ketenisse,2018,0,Estuarium buiten Sigma,150 +Slobeend,Ketenisse,2019,0,Estuarium buiten Sigma,150 +Slobeend,Ketenisse,2020,0,Estuarium buiten Sigma,150 +Slobeend,Ketenisse,2021,0,Estuarium buiten Sigma,150 +Slobeend,Ketenisse,2022,0,Estuarium buiten Sigma,150 +Slobeend,Ketenisse,2023,0,Estuarium buiten Sigma,150 +Slobeend,Klein Broek,2005,0,Sigma,150 +Slobeend,Klein Broek,2006,0,Sigma,150 +Slobeend,Klein Broek,2007,0,Sigma,150 +Slobeend,Klein Broek,2008,0,Sigma,150 +Slobeend,Klein Broek,2009,0,Sigma,150 +Slobeend,Klein Broek,2010,0,Sigma,150 +Slobeend,Klein Broek,2011,0,Sigma,150 +Slobeend,Klein Broek,2012,0,Sigma,150 +Slobeend,Klein Broek,2013,0,Sigma,150 +Slobeend,Klein Broek,2014,0,Sigma,150 +Slobeend,Klein Broek,2015,0,Sigma,150 +Slobeend,Klein Broek,2016,0,Sigma,150 +Slobeend,Klein Broek,2017,0,Sigma,150 +Slobeend,Klein Broek,2018,0,Sigma,150 +Slobeend,Klein Broek,2019,0,Sigma,150 +Slobeend,Klein Broek,2020,0,Sigma,150 +Slobeend,Klein Broek,2021,0,Sigma,150 +Slobeend,Klein Broek,2022,0,Sigma,150 +Slobeend,Klein Broek,2023,0,Sigma,150 +Slobeend,Mechels Broek,2005,0,Vallei buiten Sigma,150 +Slobeend,Mechels Broek,2006,0,Vallei buiten Sigma,150 +Slobeend,Mechels Broek,2007,0,Vallei buiten Sigma,150 +Slobeend,Mechels Broek,2008,0,Vallei buiten Sigma,150 +Slobeend,Mechels Broek,2009,0,Vallei buiten Sigma,150 +Slobeend,Mechels Broek,2010,0,Vallei buiten Sigma,150 +Slobeend,Mechels Broek,2011,0,Vallei buiten Sigma,150 +Slobeend,Mechels Broek,2012,0,Vallei buiten Sigma,150 +Slobeend,Mechels Broek,2013,0,Vallei buiten Sigma,150 +Slobeend,Mechels Broek,2014,0,Vallei buiten Sigma,150 +Slobeend,Mechels Broek,2015,0,Vallei buiten Sigma,150 +Slobeend,Mechels Broek,2016,0,Vallei buiten Sigma,150 +Slobeend,Mechels Broek,2017,0,Vallei buiten Sigma,150 +Slobeend,Mechels Broek,2018,0,Vallei buiten Sigma,150 +Slobeend,Mechels Broek,2019,0,Vallei buiten Sigma,150 +Slobeend,Mechels Broek,2020,0,Vallei buiten Sigma,150 +Slobeend,Mechels Broek,2021,0,Vallei buiten Sigma,150 +Slobeend,Mechels Broek,2022,0,Vallei buiten Sigma,150 +Slobeend,Mechels Broek,2023,0,Vallei buiten Sigma,150 +Slobeend,Molsbroek,2005,0,Vallei buiten Sigma,150 +Slobeend,Molsbroek,2006,0,Vallei buiten Sigma,150 +Slobeend,Molsbroek,2007,0,Vallei buiten Sigma,150 +Slobeend,Molsbroek,2008,0,Vallei buiten Sigma,150 +Slobeend,Molsbroek,2009,0,Vallei buiten Sigma,150 +Slobeend,Molsbroek,2010,0,Vallei buiten Sigma,150 +Slobeend,Molsbroek,2011,0,Vallei buiten Sigma,150 +Slobeend,Molsbroek,2012,0,Vallei buiten Sigma,150 +Slobeend,Molsbroek,2013,0,Vallei buiten Sigma,150 +Slobeend,Molsbroek,2014,0,Vallei buiten Sigma,150 +Slobeend,Molsbroek,2015,0,Vallei buiten Sigma,150 +Slobeend,Molsbroek,2016,0,Vallei buiten Sigma,150 +Slobeend,Molsbroek,2017,0,Vallei buiten Sigma,150 +Slobeend,Molsbroek,2018,0,Vallei buiten Sigma,150 +Slobeend,Molsbroek,2019,0,Vallei buiten Sigma,150 +Slobeend,Molsbroek,2020,0,Vallei buiten Sigma,150 +Slobeend,Molsbroek,2021,0,Vallei buiten Sigma,150 +Slobeend,Molsbroek,2022,0,Vallei buiten Sigma,150 +Slobeend,Molsbroek,2023,0,Vallei buiten Sigma,150 +Slobeend,Noordelijk eiland,2005,0,Vallei buiten Sigma,150 +Slobeend,Noordelijk eiland,2006,0,Vallei buiten Sigma,150 +Slobeend,Noordelijk eiland,2007,0,Vallei buiten Sigma,150 +Slobeend,Noordelijk eiland,2008,0,Vallei buiten Sigma,150 +Slobeend,Noordelijk eiland,2009,0,Vallei buiten Sigma,150 +Slobeend,Noordelijk eiland,2010,0,Vallei buiten Sigma,150 +Slobeend,Noordelijk eiland,2011,0,Vallei buiten Sigma,150 +Slobeend,Noordelijk eiland,2012,0,Vallei buiten Sigma,150 +Slobeend,Noordelijk eiland,2013,0,Vallei buiten Sigma,150 +Slobeend,Noordelijk eiland,2014,0,Vallei buiten Sigma,150 +Slobeend,Noordelijk eiland,2015,0,Vallei buiten Sigma,150 +Slobeend,Noordelijk eiland,2016,0,Vallei buiten Sigma,150 +Slobeend,Noordelijk eiland,2017,0,Vallei buiten Sigma,150 +Slobeend,Noordelijk eiland,2018,0,Vallei buiten Sigma,150 +Slobeend,Noordelijk eiland,2019,0,Vallei buiten Sigma,150 +Slobeend,Noordelijk eiland,2020,0,Vallei buiten Sigma,150 +Slobeend,Noordelijk eiland,2021,0,Vallei buiten Sigma,150 +Slobeend,Noordelijk eiland,2022,0,Vallei buiten Sigma,150 +Slobeend,Noordelijk eiland,2023,0,Vallei buiten Sigma,150 +Slobeend,NoordelijkGebied,2005,1,Sigma_LO,150 +Slobeend,NoordelijkGebied,2006,1,Sigma_LO,150 +Slobeend,NoordelijkGebied,2007,1,Sigma_LO,150 +Slobeend,NoordelijkGebied,2008,0,Sigma_LO,150 +Slobeend,NoordelijkGebied,2009,4,Sigma_LO,150 +Slobeend,NoordelijkGebied,2010,16,Sigma_LO,150 +Slobeend,NoordelijkGebied,2011,12,Sigma_LO,150 +Slobeend,NoordelijkGebied,2012,34,Sigma_LO,150 +Slobeend,NoordelijkGebied,2013,10,Sigma_LO,150 +Slobeend,NoordelijkGebied,2014,23,Sigma_LO,150 +Slobeend,NoordelijkGebied,2015,20,Sigma_LO,150 +Slobeend,NoordelijkGebied,2016,13,Sigma_LO,150 +Slobeend,NoordelijkGebied,2017,12,Sigma_LO,150 +Slobeend,NoordelijkGebied,2018,10,Sigma_LO,150 +Slobeend,NoordelijkGebied,2019,10,Sigma_LO,150 +Slobeend,NoordelijkGebied,2020,7,Sigma_LO,150 +Slobeend,NoordelijkGebied,2021,9,Sigma_LO,150 +Slobeend,NoordelijkGebied,2022,7,Sigma_LO,150 +Slobeend,NoordelijkGebied,2023,0,Sigma_LO,150 +Slobeend,Paardeweide,2005,0,Sigma,150 +Slobeend,Paardeweide,2006,0,Sigma,150 +Slobeend,Paardeweide,2007,0,Sigma,150 +Slobeend,Paardeweide,2008,0,Sigma,150 +Slobeend,Paardeweide,2009,0,Sigma,150 +Slobeend,Paardeweide,2010,0,Sigma,150 +Slobeend,Paardeweide,2011,0,Sigma,150 +Slobeend,Paardeweide,2012,0,Sigma,150 +Slobeend,Paardeweide,2013,0,Sigma,150 +Slobeend,Paardeweide,2014,12,Sigma,150 +Slobeend,Paardeweide,2015,8,Sigma,150 +Slobeend,Paardeweide,2016,4,Sigma,150 +Slobeend,Paardeweide,2017,5,Sigma,150 +Slobeend,Paardeweide,2018,6,Sigma,150 +Slobeend,Paardeweide,2019,6,Sigma,150 +Slobeend,Paardeweide,2020,6,Sigma,150 +Slobeend,Paardeweide,2021,0,Sigma,150 +Slobeend,Paardeweide,2022,0,Sigma,150 +Slobeend,Paardeweide,2023,0,Sigma,150 +Slobeend,Paardeweide oost,2005,0,Sigma,150 +Slobeend,Paardeweide oost,2006,0,Sigma,150 +Slobeend,Paardeweide oost,2007,0,Sigma,150 +Slobeend,Paardeweide oost,2008,0,Sigma,150 +Slobeend,Paardeweide oost,2009,0,Sigma,150 +Slobeend,Paardeweide oost,2010,0,Sigma,150 +Slobeend,Paardeweide oost,2011,0,Sigma,150 +Slobeend,Paardeweide oost,2012,0,Sigma,150 +Slobeend,Paardeweide oost,2013,0,Sigma,150 +Slobeend,Paardeweide oost,2014,0,Sigma,150 +Slobeend,Paardeweide oost,2015,0,Sigma,150 +Slobeend,Paardeweide oost,2016,0,Sigma,150 +Slobeend,Paardeweide oost,2017,0,Sigma,150 +Slobeend,Paardeweide oost,2018,0,Sigma,150 +Slobeend,Paardeweide oost,2019,0,Sigma,150 +Slobeend,Paardeweide oost,2020,0,Sigma,150 +Slobeend,Paardeweide oost,2021,0,Sigma,150 +Slobeend,Paardeweide oost,2022,0,Sigma,150 +Slobeend,Paardeweide oost,2023,0,Sigma,150 +Slobeend,Paardeweide west,2005,0,Sigma,150 +Slobeend,Paardeweide west,2006,0,Sigma,150 +Slobeend,Paardeweide west,2007,0,Sigma,150 +Slobeend,Paardeweide west,2008,0,Sigma,150 +Slobeend,Paardeweide west,2009,0,Sigma,150 +Slobeend,Paardeweide west,2010,0,Sigma,150 +Slobeend,Paardeweide west,2011,0,Sigma,150 +Slobeend,Paardeweide west,2012,0,Sigma,150 +Slobeend,Paardeweide west,2013,0,Sigma,150 +Slobeend,Paardeweide west,2014,0,Sigma,150 +Slobeend,Paardeweide west,2015,0,Sigma,150 +Slobeend,Paardeweide west,2016,0,Sigma,150 +Slobeend,Paardeweide west,2017,0,Sigma,150 +Slobeend,Paardeweide west,2018,0,Sigma,150 +Slobeend,Paardeweide west,2019,0,Sigma,150 +Slobeend,Paardeweide west,2020,0,Sigma,150 +Slobeend,Paardeweide west,2021,0,Sigma,150 +Slobeend,Paardeweide west,2022,0,Sigma,150 +Slobeend,Paardeweide west,2023,0,Sigma,150 +Slobeend,Potpolder Lillo,2005,4,Sigma,150 +Slobeend,Potpolder Lillo,2006,3,Sigma,150 +Slobeend,Potpolder Lillo,2007,6,Sigma,150 +Slobeend,Potpolder Lillo,2008,4,Sigma,150 +Slobeend,Potpolder Lillo,2009,4,Sigma,150 +Slobeend,Potpolder Lillo,2010,4,Sigma,150 +Slobeend,Potpolder Lillo,2011,4,Sigma,150 +Slobeend,Potpolder Lillo,2012,4,Sigma,150 +Slobeend,Potpolder Lillo,2013,0,Sigma,150 +Slobeend,Potpolder Lillo,2014,0,Sigma,150 +Slobeend,Potpolder Lillo,2015,0,Sigma,150 +Slobeend,Potpolder Lillo,2016,0,Sigma,150 +Slobeend,Potpolder Lillo,2017,0,Sigma,150 +Slobeend,Potpolder Lillo,2018,0,Sigma,150 +Slobeend,Potpolder Lillo,2019,0,Sigma,150 +Slobeend,Potpolder Lillo,2020,0,Sigma,150 +Slobeend,Potpolder Lillo,2021,0,Sigma,150 +Slobeend,Potpolder Lillo,2022,0,Sigma,150 +Slobeend,Potpolder Lillo,2023,0,Sigma,150 +Slobeend,Prosperpolder-noord,2005,0,Sigma_LO,150 +Slobeend,Prosperpolder-noord,2006,0,Sigma_LO,150 +Slobeend,Prosperpolder-noord,2007,0,Sigma_LO,150 +Slobeend,Prosperpolder-noord,2008,0,Sigma_LO,150 +Slobeend,Prosperpolder-noord,2009,0,Sigma_LO,150 +Slobeend,Prosperpolder-noord,2010,0,Sigma_LO,150 +Slobeend,Prosperpolder-noord,2011,0,Sigma_LO,150 +Slobeend,Prosperpolder-noord,2012,0,Sigma_LO,150 +Slobeend,Prosperpolder-noord,2013,0,Sigma_LO,150 +Slobeend,Prosperpolder-noord,2014,0,Sigma_LO,150 +Slobeend,Prosperpolder-noord,2015,0,Sigma_LO,150 +Slobeend,Prosperpolder-noord,2016,0,Sigma_LO,150 +Slobeend,Prosperpolder-noord,2017,0,Sigma_LO,150 +Slobeend,Prosperpolder-noord,2018,0,Sigma_LO,150 +Slobeend,Prosperpolder-noord,2019,0,Sigma_LO,150 +Slobeend,Prosperpolder-noord,2020,0,Sigma_LO,150 +Slobeend,Prosperpolder-noord,2021,0,Sigma_LO,150 +Slobeend,Prosperpolder-noord,2022,0,Sigma_LO,150 +Slobeend,Prosperpolder-noord,2023,0,Sigma_LO,150 +Slobeend,Prosperpolder-zuid,2005,0,Sigma_LO,150 +Slobeend,Prosperpolder-zuid,2006,0,Sigma_LO,150 +Slobeend,Prosperpolder-zuid,2007,0,Sigma_LO,150 +Slobeend,Prosperpolder-zuid,2008,0,Sigma_LO,150 +Slobeend,Prosperpolder-zuid,2009,0,Sigma_LO,150 +Slobeend,Prosperpolder-zuid,2010,0,Sigma_LO,150 +Slobeend,Prosperpolder-zuid,2011,0,Sigma_LO,150 +Slobeend,Prosperpolder-zuid,2012,0,Sigma_LO,150 +Slobeend,Prosperpolder-zuid,2013,0,Sigma_LO,150 +Slobeend,Prosperpolder-zuid,2014,0,Sigma_LO,150 +Slobeend,Prosperpolder-zuid,2015,0,Sigma_LO,150 +Slobeend,Prosperpolder-zuid,2016,0,Sigma_LO,150 +Slobeend,Prosperpolder-zuid,2017,0,Sigma_LO,150 +Slobeend,Prosperpolder-zuid,2018,0,Sigma_LO,150 +Slobeend,Prosperpolder-zuid,2019,0,Sigma_LO,150 +Slobeend,Prosperpolder-zuid,2020,0,Sigma_LO,150 +Slobeend,Prosperpolder-zuid,2021,0,Sigma_LO,150 +Slobeend,Prosperpolder-zuid,2022,0,Sigma_LO,150 +Slobeend,Prosperpolder-zuid,2023,2,Sigma_LO,150 +Slobeend,Scheldebroeken excl. Paardeweide-oost,2005,0,Vallei buiten Sigma,150 +Slobeend,Scheldebroeken excl. Paardeweide-oost,2006,0,Vallei buiten Sigma,150 +Slobeend,Scheldebroeken excl. Paardeweide-oost,2007,0,Vallei buiten Sigma,150 +Slobeend,Scheldebroeken excl. Paardeweide-oost,2008,0,Vallei buiten Sigma,150 +Slobeend,Scheldebroeken excl. Paardeweide-oost,2009,0,Vallei buiten Sigma,150 +Slobeend,Scheldebroeken excl. Paardeweide-oost,2010,0,Vallei buiten Sigma,150 +Slobeend,Scheldebroeken excl. Paardeweide-oost,2011,0,Vallei buiten Sigma,150 +Slobeend,Scheldebroeken excl. Paardeweide-oost,2012,0,Vallei buiten Sigma,150 +Slobeend,Scheldebroeken excl. Paardeweide-oost,2013,0,Vallei buiten Sigma,150 +Slobeend,Scheldebroeken excl. Paardeweide-oost,2014,0,Vallei buiten Sigma,150 +Slobeend,Scheldebroeken excl. Paardeweide-oost,2015,0,Vallei buiten Sigma,150 +Slobeend,Scheldebroeken excl. Paardeweide-oost,2016,0,Vallei buiten Sigma,150 +Slobeend,Scheldebroeken excl. Paardeweide-oost,2017,0,Vallei buiten Sigma,150 +Slobeend,Scheldebroeken excl. Paardeweide-oost,2018,0,Vallei buiten Sigma,150 +Slobeend,Scheldebroeken excl. Paardeweide-oost,2019,0,Vallei buiten Sigma,150 +Slobeend,Scheldebroeken excl. Paardeweide-oost,2020,0,Vallei buiten Sigma,150 +Slobeend,Scheldebroeken excl. Paardeweide-oost,2021,0,Vallei buiten Sigma,150 +Slobeend,Scheldebroeken excl. Paardeweide-oost,2022,0,Vallei buiten Sigma,150 +Slobeend,Scheldebroeken excl. Paardeweide-oost,2023,0,Vallei buiten Sigma,150 +Slobeend,Schor Ouden Doel,2005,0,Sigma_LO,150 +Slobeend,Schor Ouden Doel,2006,0,Sigma_LO,150 +Slobeend,Schor Ouden Doel,2007,0,Sigma_LO,150 +Slobeend,Schor Ouden Doel,2008,0,Sigma_LO,150 +Slobeend,Schor Ouden Doel,2009,0,Sigma_LO,150 +Slobeend,Schor Ouden Doel,2010,0,Sigma_LO,150 +Slobeend,Schor Ouden Doel,2011,0,Sigma_LO,150 +Slobeend,Schor Ouden Doel,2012,0,Sigma_LO,150 +Slobeend,Schor Ouden Doel,2013,0,Sigma_LO,150 +Slobeend,Schor Ouden Doel,2014,0,Sigma_LO,150 +Slobeend,Schor Ouden Doel,2015,0,Sigma_LO,150 +Slobeend,Schor Ouden Doel,2016,0,Sigma_LO,150 +Slobeend,Schor Ouden Doel,2017,0,Sigma_LO,150 +Slobeend,Schor Ouden Doel,2018,0,Sigma_LO,150 +Slobeend,Schor Ouden Doel,2019,0,Sigma_LO,150 +Slobeend,Schor Ouden Doel,2020,0,Sigma_LO,150 +Slobeend,Schor Ouden Doel,2021,0,Sigma_LO,150 +Slobeend,Schor Ouden Doel,2022,0,Sigma_LO,150 +Slobeend,Schor Ouden Doel,2023,0,Sigma_LO,150 +Slobeend,Viersels gebroekt,2005,0,Vallei buiten Sigma,150 +Slobeend,Viersels gebroekt,2006,0,Vallei buiten Sigma,150 +Slobeend,Viersels gebroekt,2007,0,Vallei buiten Sigma,150 +Slobeend,Viersels gebroekt,2008,0,Vallei buiten Sigma,150 +Slobeend,Viersels gebroekt,2009,0,Vallei buiten Sigma,150 +Slobeend,Viersels gebroekt,2010,0,Vallei buiten Sigma,150 +Slobeend,Viersels gebroekt,2011,0,Vallei buiten Sigma,150 +Slobeend,Viersels gebroekt,2012,0,Vallei buiten Sigma,150 +Slobeend,Viersels gebroekt,2013,0,Vallei buiten Sigma,150 +Slobeend,Viersels gebroekt,2014,0,Vallei buiten Sigma,150 +Slobeend,Viersels gebroekt,2015,0,Vallei buiten Sigma,150 +Slobeend,Viersels gebroekt,2016,0,Vallei buiten Sigma,150 +Slobeend,Viersels gebroekt,2017,0,Vallei buiten Sigma,150 +Slobeend,Viersels gebroekt,2018,0,Vallei buiten Sigma,150 +Slobeend,Viersels gebroekt,2019,0,Vallei buiten Sigma,150 +Slobeend,Viersels gebroekt,2020,0,Vallei buiten Sigma,150 +Slobeend,Viersels gebroekt,2021,0,Vallei buiten Sigma,150 +Slobeend,Viersels gebroekt,2022,0,Vallei buiten Sigma,150 +Slobeend,Viersels gebroekt,2023,0,Vallei buiten Sigma,150 +Slobeend,Weijmeerbroek,2005,0,Sigma,150 +Slobeend,Weijmeerbroek,2006,0,Sigma,150 +Slobeend,Weijmeerbroek,2007,0,Sigma,150 +Slobeend,Weijmeerbroek,2008,0,Sigma,150 +Slobeend,Weijmeerbroek,2009,0,Sigma,150 +Slobeend,Weijmeerbroek,2010,0,Sigma,150 +Slobeend,Weijmeerbroek,2011,0,Sigma,150 +Slobeend,Weijmeerbroek,2012,0,Sigma,150 +Slobeend,Weijmeerbroek,2013,0,Sigma,150 +Slobeend,Weijmeerbroek,2014,2,Sigma,150 +Slobeend,Weijmeerbroek,2015,1,Sigma,150 +Slobeend,Weijmeerbroek,2016,0,Sigma,150 +Slobeend,Weijmeerbroek,2017,0,Sigma,150 +Slobeend,Weijmeerbroek,2018,0,Sigma,150 +Slobeend,Weijmeerbroek,2019,0,Sigma,150 +Slobeend,Weijmeerbroek,2020,0,Sigma,150 +Slobeend,Weijmeerbroek,2021,2,Sigma,150 +Slobeend,Weijmeerbroek,2022,0,Sigma,150 +Slobeend,Weijmeerbroek,2023,3,Sigma,150 +Slobeend,Wijmeers,2005,2,Sigma,150 +Slobeend,Wijmeers,2006,2,Sigma,150 +Slobeend,Wijmeers,2007,2,Sigma,150 +Slobeend,Wijmeers,2008,2,Sigma,150 +Slobeend,Wijmeers,2009,2,Sigma,150 +Slobeend,Wijmeers,2010,2,Sigma,150 +Slobeend,Wijmeers,2011,2,Sigma,150 +Slobeend,Wijmeers,2012,2,Sigma,150 +Slobeend,Wijmeers,2013,2,Sigma,150 +Slobeend,Wijmeers,2014,2,Sigma,150 +Slobeend,Wijmeers,2015,2,Sigma,150 +Slobeend,Wijmeers,2016,8,Sigma,150 +Slobeend,Wijmeers,2017,8,Sigma,150 +Slobeend,Wijmeers,2018,5,Sigma,150 +Slobeend,Wijmeers,2019,2,Sigma,150 +Slobeend,Wijmeers,2020,2,Sigma,150 +Slobeend,Wijmeers,2021,0,Sigma,150 +Slobeend,Wijmeers,2022,0,Sigma,150 +Slobeend,Wijmeers,2023,0,Sigma,150 +Slobeend,Wijmeers-noord,2005,0,Sigma,150 +Slobeend,Wijmeers-noord,2006,0,Sigma,150 +Slobeend,Wijmeers-noord,2007,0,Sigma,150 +Slobeend,Wijmeers-noord,2008,0,Sigma,150 +Slobeend,Wijmeers-noord,2009,0,Sigma,150 +Slobeend,Wijmeers-noord,2010,0,Sigma,150 +Slobeend,Wijmeers-noord,2011,0,Sigma,150 +Slobeend,Wijmeers-noord,2012,0,Sigma,150 +Slobeend,Wijmeers-noord,2013,0,Sigma,150 +Slobeend,Wijmeers-noord,2014,0,Sigma,150 +Slobeend,Wijmeers-noord,2015,0,Sigma,150 +Slobeend,Wijmeers-noord,2016,0,Sigma,150 +Slobeend,Wijmeers-noord,2017,0,Sigma,150 +Slobeend,Wijmeers-noord,2018,0,Sigma,150 +Slobeend,Wijmeers-noord,2019,0,Sigma,150 +Slobeend,Wijmeers-noord,2020,0,Sigma,150 +Slobeend,Wijmeers-noord,2021,2,Sigma,150 +Slobeend,Wijmeers-noord,2022,2,Sigma,150 +Slobeend,Wijmeers-noord,2023,2,Sigma,150 +Slobeend,Wijmeers-zuid,2005,0,Sigma,150 +Slobeend,Wijmeers-zuid,2006,0,Sigma,150 +Slobeend,Wijmeers-zuid,2007,0,Sigma,150 +Slobeend,Wijmeers-zuid,2008,0,Sigma,150 +Slobeend,Wijmeers-zuid,2009,0,Sigma,150 +Slobeend,Wijmeers-zuid,2010,0,Sigma,150 +Slobeend,Wijmeers-zuid,2011,0,Sigma,150 +Slobeend,Wijmeers-zuid,2012,0,Sigma,150 +Slobeend,Wijmeers-zuid,2013,0,Sigma,150 +Slobeend,Wijmeers-zuid,2014,0,Sigma,150 +Slobeend,Wijmeers-zuid,2015,0,Sigma,150 +Slobeend,Wijmeers-zuid,2016,0,Sigma,150 +Slobeend,Wijmeers-zuid,2017,0,Sigma,150 +Slobeend,Wijmeers-zuid,2018,0,Sigma,150 +Slobeend,Wijmeers-zuid,2019,0,Sigma,150 +Slobeend,Wijmeers-zuid,2020,0,Sigma,150 +Slobeend,Wijmeers-zuid,2021,0,Sigma,150 +Slobeend,Wijmeers-zuid,2022,0,Sigma,150 +Slobeend,Wijmeers-zuid,2023,0,Sigma,150 +Slobeend,Zennegat,2005,0,Sigma,150 +Slobeend,Zennegat,2006,0,Sigma,150 +Slobeend,Zennegat,2007,0,Sigma,150 +Slobeend,Zennegat,2008,0,Sigma,150 +Slobeend,Zennegat,2009,0,Sigma,150 +Slobeend,Zennegat,2010,0,Sigma,150 +Slobeend,Zennegat,2011,0,Sigma,150 +Slobeend,Zennegat,2012,0,Sigma,150 +Slobeend,Zennegat,2013,0,Sigma,150 +Slobeend,Zennegat,2014,0,Sigma,150 +Slobeend,Zennegat,2015,0,Sigma,150 +Slobeend,Zennegat,2016,0,Sigma,150 +Slobeend,Zennegat,2017,0,Sigma,150 +Slobeend,Zennegat,2018,8,Sigma,150 +Slobeend,Zennegat,2019,6,Sigma,150 +Slobeend,Zennegat,2020,4,Sigma,150 +Slobeend,Zennegat,2021,5,Sigma,150 +Slobeend,Zennegat,2022,4,Sigma,150 +Slobeend,Zennegat,2023,5,Sigma,150 +Slobeend,Zuidelijk eiland,2005,0,Vallei buiten Sigma,150 +Slobeend,Zuidelijk eiland,2006,0,Vallei buiten Sigma,150 +Slobeend,Zuidelijk eiland,2007,0,Vallei buiten Sigma,150 +Slobeend,Zuidelijk eiland,2008,0,Vallei buiten Sigma,150 +Slobeend,Zuidelijk eiland,2009,0,Vallei buiten Sigma,150 +Slobeend,Zuidelijk eiland,2010,0,Vallei buiten Sigma,150 +Slobeend,Zuidelijk eiland,2011,0,Vallei buiten Sigma,150 +Slobeend,Zuidelijk eiland,2012,0,Vallei buiten Sigma,150 +Slobeend,Zuidelijk eiland,2013,0,Vallei buiten Sigma,150 +Slobeend,Zuidelijk eiland,2014,0,Vallei buiten Sigma,150 +Slobeend,Zuidelijk eiland,2015,0,Vallei buiten Sigma,150 +Slobeend,Zuidelijk eiland,2016,0,Vallei buiten Sigma,150 +Slobeend,Zuidelijk eiland,2017,0,Vallei buiten Sigma,150 +Slobeend,Zuidelijk eiland,2018,0,Vallei buiten Sigma,150 +Slobeend,Zuidelijk eiland,2019,0,Vallei buiten Sigma,150 +Slobeend,Zuidelijk eiland,2020,0,Vallei buiten Sigma,150 +Slobeend,Zuidelijk eiland,2021,0,Vallei buiten Sigma,150 +Slobeend,Zuidelijk eiland,2022,0,Vallei buiten Sigma,150 +Slobeend,Zuidelijk eiland,2023,0,Vallei buiten Sigma,150 +Zomertaling,Beneden Nete,2005,0,Sigma,20 +Zomertaling,Beneden Nete,2006,0,Sigma,20 +Zomertaling,Beneden Nete,2007,0,Sigma,20 +Zomertaling,Beneden Nete,2008,0,Sigma,20 +Zomertaling,Beneden Nete,2009,0,Sigma,20 +Zomertaling,Beneden Nete,2010,0,Sigma,20 +Zomertaling,Beneden Nete,2011,0,Sigma,20 +Zomertaling,Beneden Nete,2012,0,Sigma,20 +Zomertaling,Beneden Nete,2013,0,Sigma,20 +Zomertaling,Beneden Nete,2014,0,Sigma,20 +Zomertaling,Beneden Nete,2015,0,Sigma,20 +Zomertaling,Beneden Nete,2016,0,Sigma,20 +Zomertaling,Beneden Nete,2017,0,Sigma,20 +Zomertaling,Beneden Nete,2018,0,Sigma,20 +Zomertaling,Beneden Nete,2019,0,Sigma,20 +Zomertaling,Beneden Nete,2020,0,Sigma,20 +Zomertaling,Beneden Nete,2021,0,Sigma,20 +Zomertaling,Beneden Nete,2022,2,Sigma,20 +Zomertaling,Beneden Nete,2023,0,Sigma,20 +Zomertaling,Bergenmeersen,2005,0,Sigma,20 +Zomertaling,Bergenmeersen,2006,0,Sigma,20 +Zomertaling,Bergenmeersen,2007,0,Sigma,20 +Zomertaling,Bergenmeersen,2008,0,Sigma,20 +Zomertaling,Bergenmeersen,2009,0,Sigma,20 +Zomertaling,Bergenmeersen,2010,0,Sigma,20 +Zomertaling,Bergenmeersen,2011,0,Sigma,20 +Zomertaling,Bergenmeersen,2012,0,Sigma,20 +Zomertaling,Bergenmeersen,2013,0,Sigma,20 +Zomertaling,Bergenmeersen,2014,0,Sigma,20 +Zomertaling,Bergenmeersen,2015,1,Sigma,20 +Zomertaling,Bergenmeersen,2016,1,Sigma,20 +Zomertaling,Bergenmeersen,2017,0,Sigma,20 +Zomertaling,Bergenmeersen,2018,0,Sigma,20 +Zomertaling,Bergenmeersen,2019,0,Sigma,20 +Zomertaling,Bergenmeersen,2020,0,Sigma,20 +Zomertaling,Bergenmeersen,2021,0,Sigma,20 +Zomertaling,Bergenmeersen,2022,0,Sigma,20 +Zomertaling,Bergenmeersen,2023,0,Sigma,20 +Zomertaling,Blokkersdijk,2005,0,BD,20 +Zomertaling,Blokkersdijk,2006,0,BD,20 +Zomertaling,Blokkersdijk,2007,0,BD,20 +Zomertaling,Blokkersdijk,2008,0,BD,20 +Zomertaling,Blokkersdijk,2009,0,BD,20 +Zomertaling,Blokkersdijk,2010,0,BD,20 +Zomertaling,Blokkersdijk,2011,0,BD,20 +Zomertaling,Blokkersdijk,2012,0,BD,20 +Zomertaling,Blokkersdijk,2013,0,BD,20 +Zomertaling,Blokkersdijk,2014,0,BD,20 +Zomertaling,Blokkersdijk,2015,0,BD,20 +Zomertaling,Blokkersdijk,2016,0,BD,20 +Zomertaling,Blokkersdijk,2017,0,BD,20 +Zomertaling,Blokkersdijk,2018,0,BD,20 +Zomertaling,Blokkersdijk,2019,0,BD,20 +Zomertaling,Blokkersdijk,2020,0,BD,20 +Zomertaling,Blokkersdijk,2021,0,BD,20 +Zomertaling,Blokkersdijk,2022,0,BD,20 +Zomertaling,Blokkersdijk,2023,0,BD,20 +Zomertaling,Burchtse Weel,2005,0,Sigma,20 +Zomertaling,Burchtse Weel,2006,0,Sigma,20 +Zomertaling,Burchtse Weel,2007,0,Sigma,20 +Zomertaling,Burchtse Weel,2008,0,Sigma,20 +Zomertaling,Burchtse Weel,2009,0,Sigma,20 +Zomertaling,Burchtse Weel,2010,0,Sigma,20 +Zomertaling,Burchtse Weel,2011,0,Sigma,20 +Zomertaling,Burchtse Weel,2012,0,Sigma,20 +Zomertaling,Burchtse Weel,2013,0,Sigma,20 +Zomertaling,Burchtse Weel,2014,0,Sigma,20 +Zomertaling,Burchtse Weel,2015,0,Sigma,20 +Zomertaling,Burchtse Weel,2016,0,Sigma,20 +Zomertaling,Burchtse Weel,2017,0,Sigma,20 +Zomertaling,Burchtse Weel,2018,0,Sigma,20 +Zomertaling,Burchtse Weel,2019,0,Sigma,20 +Zomertaling,Burchtse Weel,2020,0,Sigma,20 +Zomertaling,Burchtse Weel,2021,0,Sigma,20 +Zomertaling,Burchtse Weel,2022,0,Sigma,20 +Zomertaling,Burchtse Weel,2023,0,Sigma,20 +Zomertaling,Doelpolder-noord,2005,0,Sigma_LO,20 +Zomertaling,Doelpolder-noord,2006,0,Sigma_LO,20 +Zomertaling,Doelpolder-noord,2007,0,Sigma_LO,20 +Zomertaling,Doelpolder-noord,2008,0,Sigma_LO,20 +Zomertaling,Doelpolder-noord,2009,0,Sigma_LO,20 +Zomertaling,Doelpolder-noord,2010,0,Sigma_LO,20 +Zomertaling,Doelpolder-noord,2011,0,Sigma_LO,20 +Zomertaling,Doelpolder-noord,2012,0,Sigma_LO,20 +Zomertaling,Doelpolder-noord,2013,0,Sigma_LO,20 +Zomertaling,Doelpolder-noord,2014,0,Sigma_LO,20 +Zomertaling,Doelpolder-noord,2015,0,Sigma_LO,20 +Zomertaling,Doelpolder-noord,2016,0,Sigma_LO,20 +Zomertaling,Doelpolder-noord,2017,0,Sigma_LO,20 +Zomertaling,Doelpolder-noord,2018,0,Sigma_LO,20 +Zomertaling,Doelpolder-noord,2019,0,Sigma_LO,20 +Zomertaling,Doelpolder-noord,2020,0,Sigma_LO,20 +Zomertaling,Doelpolder-noord,2021,0,Sigma_LO,20 +Zomertaling,Doelpolder-noord,2022,0,Sigma_LO,20 +Zomertaling,Doelpolder-noord,2023,2,Sigma_LO,20 +Zomertaling,Donkmeer,2005,0,Vallei buiten Sigma,20 +Zomertaling,Donkmeer,2006,0,Vallei buiten Sigma,20 +Zomertaling,Donkmeer,2007,0,Vallei buiten Sigma,20 +Zomertaling,Donkmeer,2008,0,Vallei buiten Sigma,20 +Zomertaling,Donkmeer,2009,0,Vallei buiten Sigma,20 +Zomertaling,Donkmeer,2010,0,Vallei buiten Sigma,20 +Zomertaling,Donkmeer,2011,0,Vallei buiten Sigma,20 +Zomertaling,Donkmeer,2012,0,Vallei buiten Sigma,20 +Zomertaling,Donkmeer,2013,0,Vallei buiten Sigma,20 +Zomertaling,Donkmeer,2014,0,Vallei buiten Sigma,20 +Zomertaling,Donkmeer,2015,0,Vallei buiten Sigma,20 +Zomertaling,Donkmeer,2016,0,Vallei buiten Sigma,20 +Zomertaling,Donkmeer,2017,0,Vallei buiten Sigma,20 +Zomertaling,Donkmeer,2018,0,Vallei buiten Sigma,20 +Zomertaling,Donkmeer,2019,0,Vallei buiten Sigma,20 +Zomertaling,Donkmeer,2020,0,Vallei buiten Sigma,20 +Zomertaling,Donkmeer,2021,0,Vallei buiten Sigma,20 +Zomertaling,Donkmeer,2022,0.5,Vallei buiten Sigma,20 +Zomertaling,Donkmeer,2023,0,Vallei buiten Sigma,20 +Zomertaling,Durmemeersen,2005,0,Vallei buiten Sigma,20 +Zomertaling,Durmemeersen,2006,0,Vallei buiten Sigma,20 +Zomertaling,Durmemeersen,2007,0,Vallei buiten Sigma,20 +Zomertaling,Durmemeersen,2008,0,Vallei buiten Sigma,20 +Zomertaling,Durmemeersen,2009,0,Vallei buiten Sigma,20 +Zomertaling,Durmemeersen,2010,0,Vallei buiten Sigma,20 +Zomertaling,Durmemeersen,2011,0,Vallei buiten Sigma,20 +Zomertaling,Durmemeersen,2012,0,Vallei buiten Sigma,20 +Zomertaling,Durmemeersen,2013,0,Vallei buiten Sigma,20 +Zomertaling,Durmemeersen,2014,0,Vallei buiten Sigma,20 +Zomertaling,Durmemeersen,2015,0,Vallei buiten Sigma,20 +Zomertaling,Durmemeersen,2016,0,Vallei buiten Sigma,20 +Zomertaling,Durmemeersen,2017,0,Vallei buiten Sigma,20 +Zomertaling,Durmemeersen,2018,0,Vallei buiten Sigma,20 +Zomertaling,Durmemeersen,2019,0,Vallei buiten Sigma,20 +Zomertaling,Durmemeersen,2020,0,Vallei buiten Sigma,20 +Zomertaling,Durmemeersen,2021,0,Vallei buiten Sigma,20 +Zomertaling,Durmemeersen,2022,0,Vallei buiten Sigma,20 +Zomertaling,Durmemeersen,2023,0,Vallei buiten Sigma,20 +Zomertaling,Gebieden vzwDurme,2005,0,Vallei buiten Sigma,20 +Zomertaling,Gebieden vzwDurme,2006,0,Vallei buiten Sigma,20 +Zomertaling,Gebieden vzwDurme,2007,0,Vallei buiten Sigma,20 +Zomertaling,Gebieden vzwDurme,2008,0,Vallei buiten Sigma,20 +Zomertaling,Gebieden vzwDurme,2009,0,Vallei buiten Sigma,20 +Zomertaling,Gebieden vzwDurme,2010,0,Vallei buiten Sigma,20 +Zomertaling,Gebieden vzwDurme,2011,0,Vallei buiten Sigma,20 +Zomertaling,Gebieden vzwDurme,2012,0,Vallei buiten Sigma,20 +Zomertaling,Gebieden vzwDurme,2013,0,Vallei buiten Sigma,20 +Zomertaling,Gebieden vzwDurme,2014,0,Vallei buiten Sigma,20 +Zomertaling,Gebieden vzwDurme,2015,0,Vallei buiten Sigma,20 +Zomertaling,Gebieden vzwDurme,2016,0,Vallei buiten Sigma,20 +Zomertaling,Gebieden vzwDurme,2017,0,Vallei buiten Sigma,20 +Zomertaling,Gebieden vzwDurme,2018,0,Vallei buiten Sigma,20 +Zomertaling,Gebieden vzwDurme,2019,0,Vallei buiten Sigma,20 +Zomertaling,Gebieden vzwDurme,2020,0,Vallei buiten Sigma,20 +Zomertaling,Gebieden vzwDurme,2021,0,Vallei buiten Sigma,20 +Zomertaling,Gebieden vzwDurme,2022,2,Vallei buiten Sigma,20 +Zomertaling,Gebieden vzwDurme,2023,0,Vallei buiten Sigma,20 +Zomertaling,Gentbrugse meersen,2005,0,Vallei buiten Sigma,20 +Zomertaling,Gentbrugse meersen,2006,0,Vallei buiten Sigma,20 +Zomertaling,Gentbrugse meersen,2007,0,Vallei buiten Sigma,20 +Zomertaling,Gentbrugse meersen,2008,0,Vallei buiten Sigma,20 +Zomertaling,Gentbrugse meersen,2009,0,Vallei buiten Sigma,20 +Zomertaling,Gentbrugse meersen,2010,0,Vallei buiten Sigma,20 +Zomertaling,Gentbrugse meersen,2011,0,Vallei buiten Sigma,20 +Zomertaling,Gentbrugse meersen,2012,0,Vallei buiten Sigma,20 +Zomertaling,Gentbrugse meersen,2013,0,Vallei buiten Sigma,20 +Zomertaling,Gentbrugse meersen,2014,0,Vallei buiten Sigma,20 +Zomertaling,Gentbrugse meersen,2015,0,Vallei buiten Sigma,20 +Zomertaling,Gentbrugse meersen,2016,0,Vallei buiten Sigma,20 +Zomertaling,Gentbrugse meersen,2017,0,Vallei buiten Sigma,20 +Zomertaling,Gentbrugse meersen,2018,0,Vallei buiten Sigma,20 +Zomertaling,Gentbrugse meersen,2019,0,Vallei buiten Sigma,20 +Zomertaling,Gentbrugse meersen,2020,0,Vallei buiten Sigma,20 +Zomertaling,Gentbrugse meersen,2021,1,Vallei buiten Sigma,20 +Zomertaling,Gentbrugse meersen,2022,0.5,Vallei buiten Sigma,20 +Zomertaling,Gentbrugse meersen,2023,1.5,Vallei buiten Sigma,20 +Zomertaling,Groot Broek,2005,0,Sigma,20 +Zomertaling,Groot Broek,2006,0,Sigma,20 +Zomertaling,Groot Broek,2007,0,Sigma,20 +Zomertaling,Groot Broek,2008,0,Sigma,20 +Zomertaling,Groot Broek,2009,0,Sigma,20 +Zomertaling,Groot Broek,2010,0,Sigma,20 +Zomertaling,Groot Broek,2011,0,Sigma,20 +Zomertaling,Groot Broek,2012,0,Sigma,20 +Zomertaling,Groot Broek,2013,0,Sigma,20 +Zomertaling,Groot Broek,2014,0,Sigma,20 +Zomertaling,Groot Broek,2015,0,Sigma,20 +Zomertaling,Groot Broek,2016,0,Sigma,20 +Zomertaling,Groot Broek,2017,0,Sigma,20 +Zomertaling,Groot Broek,2018,0,Sigma,20 +Zomertaling,Groot Broek,2019,0,Sigma,20 +Zomertaling,Groot Broek,2020,0,Sigma,20 +Zomertaling,Groot Broek,2021,0,Sigma,20 +Zomertaling,Groot Broek,2022,1,Sigma,20 +Zomertaling,Groot Broek,2023,0.5,Sigma,20 +Zomertaling,Groot buitenschoor,2005,0,Estuarium buiten Sigma,20 +Zomertaling,Groot buitenschoor,2006,0,Estuarium buiten Sigma,20 +Zomertaling,Groot buitenschoor,2007,0,Estuarium buiten Sigma,20 +Zomertaling,Groot buitenschoor,2008,0,Estuarium buiten Sigma,20 +Zomertaling,Groot buitenschoor,2009,0,Estuarium buiten Sigma,20 +Zomertaling,Groot buitenschoor,2010,0,Estuarium buiten Sigma,20 +Zomertaling,Groot buitenschoor,2011,0,Estuarium buiten Sigma,20 +Zomertaling,Groot buitenschoor,2012,0,Estuarium buiten Sigma,20 +Zomertaling,Groot buitenschoor,2013,0,Estuarium buiten Sigma,20 +Zomertaling,Groot buitenschoor,2014,0,Estuarium buiten Sigma,20 +Zomertaling,Groot buitenschoor,2015,0,Estuarium buiten Sigma,20 +Zomertaling,Groot buitenschoor,2016,0,Estuarium buiten Sigma,20 +Zomertaling,Groot buitenschoor,2017,0,Estuarium buiten Sigma,20 +Zomertaling,Groot buitenschoor,2018,0,Estuarium buiten Sigma,20 +Zomertaling,Groot buitenschoor,2019,0,Estuarium buiten Sigma,20 +Zomertaling,Groot buitenschoor,2020,0,Estuarium buiten Sigma,20 +Zomertaling,Groot buitenschoor,2021,0,Estuarium buiten Sigma,20 +Zomertaling,Groot buitenschoor,2022,0,Estuarium buiten Sigma,20 +Zomertaling,Groot buitenschoor,2023,0,Estuarium buiten Sigma,20 +Zomertaling,Grote Wal,2005,0,Sigma,20 +Zomertaling,Grote Wal,2006,0,Sigma,20 +Zomertaling,Grote Wal,2007,0,Sigma,20 +Zomertaling,Grote Wal,2008,0,Sigma,20 +Zomertaling,Grote Wal,2009,0,Sigma,20 +Zomertaling,Grote Wal,2010,0,Sigma,20 +Zomertaling,Grote Wal,2011,0,Sigma,20 +Zomertaling,Grote Wal,2012,0,Sigma,20 +Zomertaling,Grote Wal,2013,0,Sigma,20 +Zomertaling,Grote Wal,2014,0,Sigma,20 +Zomertaling,Grote Wal,2015,0,Sigma,20 +Zomertaling,Grote Wal,2016,0,Sigma,20 +Zomertaling,Grote Wal,2017,0,Sigma,20 +Zomertaling,Grote Wal,2018,0,Sigma,20 +Zomertaling,Grote Wal,2019,0,Sigma,20 +Zomertaling,Grote Wal,2020,0,Sigma,20 +Zomertaling,Grote Wal,2021,0,Sigma,20 +Zomertaling,Grote Wal,2022,6,Sigma,20 +Zomertaling,Grote Wal,2023,5,Sigma,20 +Zomertaling,Grote vijver - deel 1,2005,0,Sigma,20 +Zomertaling,Grote vijver - deel 1,2006,0,Sigma,20 +Zomertaling,Grote vijver - deel 1,2007,0,Sigma,20 +Zomertaling,Grote vijver - deel 1,2008,0,Sigma,20 +Zomertaling,Grote vijver - deel 1,2009,0,Sigma,20 +Zomertaling,Grote vijver - deel 1,2010,0,Sigma,20 +Zomertaling,Grote vijver - deel 1,2011,0,Sigma,20 +Zomertaling,Grote vijver - deel 1,2012,0,Sigma,20 +Zomertaling,Grote vijver - deel 1,2013,0,Sigma,20 +Zomertaling,Grote vijver - deel 1,2014,0,Sigma,20 +Zomertaling,Grote vijver - deel 1,2015,0,Sigma,20 +Zomertaling,Grote vijver - deel 1,2016,0,Sigma,20 +Zomertaling,Grote vijver - deel 1,2017,0,Sigma,20 +Zomertaling,Grote vijver - deel 1,2018,0,Sigma,20 +Zomertaling,Grote vijver - deel 1,2019,0,Sigma,20 +Zomertaling,Grote vijver - deel 1,2020,0,Sigma,20 +Zomertaling,Grote vijver - deel 1,2021,0,Sigma,20 +Zomertaling,Grote vijver - deel 1,2022,1,Sigma,20 +Zomertaling,Grote vijver - deel 1,2023,0.5,Sigma,20 +Zomertaling,Grote vijver - deel 2,2005,0,Sigma,20 +Zomertaling,Grote vijver - deel 2,2006,0,Sigma,20 +Zomertaling,Grote vijver - deel 2,2007,0,Sigma,20 +Zomertaling,Grote vijver - deel 2,2008,0,Sigma,20 +Zomertaling,Grote vijver - deel 2,2009,0,Sigma,20 +Zomertaling,Grote vijver - deel 2,2010,0,Sigma,20 +Zomertaling,Grote vijver - deel 2,2011,0,Sigma,20 +Zomertaling,Grote vijver - deel 2,2012,0,Sigma,20 +Zomertaling,Grote vijver - deel 2,2013,0,Sigma,20 +Zomertaling,Grote vijver - deel 2,2014,0,Sigma,20 +Zomertaling,Grote vijver - deel 2,2015,0,Sigma,20 +Zomertaling,Grote vijver - deel 2,2016,0,Sigma,20 +Zomertaling,Grote vijver - deel 2,2017,0,Sigma,20 +Zomertaling,Grote vijver - deel 2,2018,0,Sigma,20 +Zomertaling,Grote vijver - deel 2,2019,0,Sigma,20 +Zomertaling,Grote vijver - deel 2,2020,0,Sigma,20 +Zomertaling,Grote vijver - deel 2,2021,0,Sigma,20 +Zomertaling,Grote vijver - deel 2,2022,0,Sigma,20 +Zomertaling,Grote vijver - deel 2,2023,0,Sigma,20 +Zomertaling,KBR,2005,0,Sigma,20 +Zomertaling,KBR,2006,0,Sigma,20 +Zomertaling,KBR,2007,0,Sigma,20 +Zomertaling,KBR,2008,0,Sigma,20 +Zomertaling,KBR,2009,0,Sigma,20 +Zomertaling,KBR,2010,0,Sigma,20 +Zomertaling,KBR,2011,1,Sigma,20 +Zomertaling,KBR,2012,2,Sigma,20 +Zomertaling,KBR,2013,0,Sigma,20 +Zomertaling,KBR,2014,1,Sigma,20 +Zomertaling,KBR,2015,1,Sigma,20 +Zomertaling,KBR,2016,2,Sigma,20 +Zomertaling,KBR,2017,0,Sigma,20 +Zomertaling,KBR,2018,0,Sigma,20 +Zomertaling,KBR,2019,0,Sigma,20 +Zomertaling,KBR,2020,0,Sigma,20 +Zomertaling,KBR,2021,2,Sigma,20 +Zomertaling,KBR,2022,1,Sigma,20 +Zomertaling,KBR,2023,2,Sigma,20 +Zomertaling,Kalkense meersen,2005,0,Sigma,20 +Zomertaling,Kalkense meersen,2006,0,Sigma,20 +Zomertaling,Kalkense meersen,2007,0,Sigma,20 +Zomertaling,Kalkense meersen,2008,0,Sigma,20 +Zomertaling,Kalkense meersen,2009,0,Sigma,20 +Zomertaling,Kalkense meersen,2010,0,Sigma,20 +Zomertaling,Kalkense meersen,2011,0,Sigma,20 +Zomertaling,Kalkense meersen,2012,0,Sigma,20 +Zomertaling,Kalkense meersen,2013,0,Sigma,20 +Zomertaling,Kalkense meersen,2014,0,Sigma,20 +Zomertaling,Kalkense meersen,2015,0,Sigma,20 +Zomertaling,Kalkense meersen,2016,0,Sigma,20 +Zomertaling,Kalkense meersen,2017,0,Sigma,20 +Zomertaling,Kalkense meersen,2018,0,Sigma,20 +Zomertaling,Kalkense meersen,2019,0,Sigma,20 +Zomertaling,Kalkense meersen,2020,0,Sigma,20 +Zomertaling,Kalkense meersen,2021,0,Sigma,20 +Zomertaling,Kalkense meersen,2022,0,Sigma,20 +Zomertaling,Kalkense meersen,2023,0,Sigma,20 +Zomertaling,Ketenisse,2005,0,Estuarium buiten Sigma,20 +Zomertaling,Ketenisse,2006,0,Estuarium buiten Sigma,20 +Zomertaling,Ketenisse,2007,0,Estuarium buiten Sigma,20 +Zomertaling,Ketenisse,2008,0,Estuarium buiten Sigma,20 +Zomertaling,Ketenisse,2009,0,Estuarium buiten Sigma,20 +Zomertaling,Ketenisse,2010,0,Estuarium buiten Sigma,20 +Zomertaling,Ketenisse,2011,0,Estuarium buiten Sigma,20 +Zomertaling,Ketenisse,2012,0,Estuarium buiten Sigma,20 +Zomertaling,Ketenisse,2013,0,Estuarium buiten Sigma,20 +Zomertaling,Ketenisse,2014,0,Estuarium buiten Sigma,20 +Zomertaling,Ketenisse,2015,0,Estuarium buiten Sigma,20 +Zomertaling,Ketenisse,2016,0,Estuarium buiten Sigma,20 +Zomertaling,Ketenisse,2017,0,Estuarium buiten Sigma,20 +Zomertaling,Ketenisse,2018,0,Estuarium buiten Sigma,20 +Zomertaling,Ketenisse,2019,0,Estuarium buiten Sigma,20 +Zomertaling,Ketenisse,2020,0,Estuarium buiten Sigma,20 +Zomertaling,Ketenisse,2021,0,Estuarium buiten Sigma,20 +Zomertaling,Ketenisse,2022,0,Estuarium buiten Sigma,20 +Zomertaling,Ketenisse,2023,0,Estuarium buiten Sigma,20 +Zomertaling,Klein Broek,2005,0,Sigma,20 +Zomertaling,Klein Broek,2006,0,Sigma,20 +Zomertaling,Klein Broek,2007,0,Sigma,20 +Zomertaling,Klein Broek,2008,0,Sigma,20 +Zomertaling,Klein Broek,2009,0,Sigma,20 +Zomertaling,Klein Broek,2010,0,Sigma,20 +Zomertaling,Klein Broek,2011,0,Sigma,20 +Zomertaling,Klein Broek,2012,0,Sigma,20 +Zomertaling,Klein Broek,2013,0,Sigma,20 +Zomertaling,Klein Broek,2014,0,Sigma,20 +Zomertaling,Klein Broek,2015,0,Sigma,20 +Zomertaling,Klein Broek,2016,0,Sigma,20 +Zomertaling,Klein Broek,2017,0,Sigma,20 +Zomertaling,Klein Broek,2018,0,Sigma,20 +Zomertaling,Klein Broek,2019,0,Sigma,20 +Zomertaling,Klein Broek,2020,0,Sigma,20 +Zomertaling,Klein Broek,2021,0,Sigma,20 +Zomertaling,Klein Broek,2022,0,Sigma,20 +Zomertaling,Klein Broek,2023,0,Sigma,20 +Zomertaling,Mechels Broek,2005,0,Vallei buiten Sigma,20 +Zomertaling,Mechels Broek,2006,0,Vallei buiten Sigma,20 +Zomertaling,Mechels Broek,2007,0,Vallei buiten Sigma,20 +Zomertaling,Mechels Broek,2008,0,Vallei buiten Sigma,20 +Zomertaling,Mechels Broek,2009,0,Vallei buiten Sigma,20 +Zomertaling,Mechels Broek,2010,0,Vallei buiten Sigma,20 +Zomertaling,Mechels Broek,2011,0,Vallei buiten Sigma,20 +Zomertaling,Mechels Broek,2012,0,Vallei buiten Sigma,20 +Zomertaling,Mechels Broek,2013,0,Vallei buiten Sigma,20 +Zomertaling,Mechels Broek,2014,0,Vallei buiten Sigma,20 +Zomertaling,Mechels Broek,2015,0,Vallei buiten Sigma,20 +Zomertaling,Mechels Broek,2016,0,Vallei buiten Sigma,20 +Zomertaling,Mechels Broek,2017,0,Vallei buiten Sigma,20 +Zomertaling,Mechels Broek,2018,0,Vallei buiten Sigma,20 +Zomertaling,Mechels Broek,2019,0,Vallei buiten Sigma,20 +Zomertaling,Mechels Broek,2020,0,Vallei buiten Sigma,20 +Zomertaling,Mechels Broek,2021,0,Vallei buiten Sigma,20 +Zomertaling,Mechels Broek,2022,0,Vallei buiten Sigma,20 +Zomertaling,Mechels Broek,2023,1,Vallei buiten Sigma,20 +Zomertaling,Molsbroek,2005,0,Vallei buiten Sigma,20 +Zomertaling,Molsbroek,2006,0,Vallei buiten Sigma,20 +Zomertaling,Molsbroek,2007,0,Vallei buiten Sigma,20 +Zomertaling,Molsbroek,2008,0,Vallei buiten Sigma,20 +Zomertaling,Molsbroek,2009,0,Vallei buiten Sigma,20 +Zomertaling,Molsbroek,2010,0,Vallei buiten Sigma,20 +Zomertaling,Molsbroek,2011,0,Vallei buiten Sigma,20 +Zomertaling,Molsbroek,2012,0,Vallei buiten Sigma,20 +Zomertaling,Molsbroek,2013,0,Vallei buiten Sigma,20 +Zomertaling,Molsbroek,2014,0,Vallei buiten Sigma,20 +Zomertaling,Molsbroek,2015,0,Vallei buiten Sigma,20 +Zomertaling,Molsbroek,2016,0,Vallei buiten Sigma,20 +Zomertaling,Molsbroek,2017,0,Vallei buiten Sigma,20 +Zomertaling,Molsbroek,2018,0,Vallei buiten Sigma,20 +Zomertaling,Molsbroek,2019,0,Vallei buiten Sigma,20 +Zomertaling,Molsbroek,2020,0,Vallei buiten Sigma,20 +Zomertaling,Molsbroek,2021,1.5,Vallei buiten Sigma,20 +Zomertaling,Molsbroek,2022,0.5,Vallei buiten Sigma,20 +Zomertaling,Molsbroek,2023,1.5,Vallei buiten Sigma,20 +Zomertaling,Noordelijk eiland,2005,0,Vallei buiten Sigma,20 +Zomertaling,Noordelijk eiland,2006,0,Vallei buiten Sigma,20 +Zomertaling,Noordelijk eiland,2007,0,Vallei buiten Sigma,20 +Zomertaling,Noordelijk eiland,2008,0,Vallei buiten Sigma,20 +Zomertaling,Noordelijk eiland,2009,0,Vallei buiten Sigma,20 +Zomertaling,Noordelijk eiland,2010,0,Vallei buiten Sigma,20 +Zomertaling,Noordelijk eiland,2011,0,Vallei buiten Sigma,20 +Zomertaling,Noordelijk eiland,2012,0,Vallei buiten Sigma,20 +Zomertaling,Noordelijk eiland,2013,0,Vallei buiten Sigma,20 +Zomertaling,Noordelijk eiland,2014,0,Vallei buiten Sigma,20 +Zomertaling,Noordelijk eiland,2015,0,Vallei buiten Sigma,20 +Zomertaling,Noordelijk eiland,2016,0,Vallei buiten Sigma,20 +Zomertaling,Noordelijk eiland,2017,0,Vallei buiten Sigma,20 +Zomertaling,Noordelijk eiland,2018,0,Vallei buiten Sigma,20 +Zomertaling,Noordelijk eiland,2019,0,Vallei buiten Sigma,20 +Zomertaling,Noordelijk eiland,2020,0,Vallei buiten Sigma,20 +Zomertaling,Noordelijk eiland,2021,1,Vallei buiten Sigma,20 +Zomertaling,Noordelijk eiland,2022,1,Vallei buiten Sigma,20 +Zomertaling,Noordelijk eiland,2023,0.5,Vallei buiten Sigma,20 +Zomertaling,NoordelijkGebied,2005,0,Sigma_LO,20 +Zomertaling,NoordelijkGebied,2006,0,Sigma_LO,20 +Zomertaling,NoordelijkGebied,2007,0,Sigma_LO,20 +Zomertaling,NoordelijkGebied,2008,2,Sigma_LO,20 +Zomertaling,NoordelijkGebied,2009,3,Sigma_LO,20 +Zomertaling,NoordelijkGebied,2010,3,Sigma_LO,20 +Zomertaling,NoordelijkGebied,2011,0,Sigma_LO,20 +Zomertaling,NoordelijkGebied,2012,3,Sigma_LO,20 +Zomertaling,NoordelijkGebied,2013,0,Sigma_LO,20 +Zomertaling,NoordelijkGebied,2014,2,Sigma_LO,20 +Zomertaling,NoordelijkGebied,2015,3,Sigma_LO,20 +Zomertaling,NoordelijkGebied,2016,4,Sigma_LO,20 +Zomertaling,NoordelijkGebied,2017,1,Sigma_LO,20 +Zomertaling,NoordelijkGebied,2018,5,Sigma_LO,20 +Zomertaling,NoordelijkGebied,2019,5,Sigma_LO,20 +Zomertaling,NoordelijkGebied,2020,2,Sigma_LO,20 +Zomertaling,NoordelijkGebied,2021,0,Sigma_LO,20 +Zomertaling,NoordelijkGebied,2022,3,Sigma_LO,20 +Zomertaling,NoordelijkGebied,2023,0,Sigma_LO,20 +Zomertaling,Paardeweide,2005,0,Sigma,20 +Zomertaling,Paardeweide,2006,0,Sigma,20 +Zomertaling,Paardeweide,2007,0,Sigma,20 +Zomertaling,Paardeweide,2008,0,Sigma,20 +Zomertaling,Paardeweide,2009,0,Sigma,20 +Zomertaling,Paardeweide,2010,0,Sigma,20 +Zomertaling,Paardeweide,2011,0,Sigma,20 +Zomertaling,Paardeweide,2012,0,Sigma,20 +Zomertaling,Paardeweide,2013,0,Sigma,20 +Zomertaling,Paardeweide,2014,4,Sigma,20 +Zomertaling,Paardeweide,2015,2,Sigma,20 +Zomertaling,Paardeweide,2016,0,Sigma,20 +Zomertaling,Paardeweide,2017,0,Sigma,20 +Zomertaling,Paardeweide,2018,0,Sigma,20 +Zomertaling,Paardeweide,2019,1,Sigma,20 +Zomertaling,Paardeweide,2020,2,Sigma,20 +Zomertaling,Paardeweide,2021,0,Sigma,20 +Zomertaling,Paardeweide,2022,0,Sigma,20 +Zomertaling,Paardeweide,2023,0,Sigma,20 +Zomertaling,Paardeweide oost,2005,0,Sigma,20 +Zomertaling,Paardeweide oost,2006,0,Sigma,20 +Zomertaling,Paardeweide oost,2007,0,Sigma,20 +Zomertaling,Paardeweide oost,2008,0,Sigma,20 +Zomertaling,Paardeweide oost,2009,0,Sigma,20 +Zomertaling,Paardeweide oost,2010,0,Sigma,20 +Zomertaling,Paardeweide oost,2011,0,Sigma,20 +Zomertaling,Paardeweide oost,2012,0,Sigma,20 +Zomertaling,Paardeweide oost,2013,0,Sigma,20 +Zomertaling,Paardeweide oost,2014,0,Sigma,20 +Zomertaling,Paardeweide oost,2015,0,Sigma,20 +Zomertaling,Paardeweide oost,2016,0,Sigma,20 +Zomertaling,Paardeweide oost,2017,0,Sigma,20 +Zomertaling,Paardeweide oost,2018,0,Sigma,20 +Zomertaling,Paardeweide oost,2019,0,Sigma,20 +Zomertaling,Paardeweide oost,2020,0,Sigma,20 +Zomertaling,Paardeweide oost,2021,1.5,Sigma,20 +Zomertaling,Paardeweide oost,2022,1.5,Sigma,20 +Zomertaling,Paardeweide oost,2023,1,Sigma,20 +Zomertaling,Paardeweide west,2005,0,Sigma,20 +Zomertaling,Paardeweide west,2006,0,Sigma,20 +Zomertaling,Paardeweide west,2007,0,Sigma,20 +Zomertaling,Paardeweide west,2008,0,Sigma,20 +Zomertaling,Paardeweide west,2009,0,Sigma,20 +Zomertaling,Paardeweide west,2010,0,Sigma,20 +Zomertaling,Paardeweide west,2011,0,Sigma,20 +Zomertaling,Paardeweide west,2012,0,Sigma,20 +Zomertaling,Paardeweide west,2013,0,Sigma,20 +Zomertaling,Paardeweide west,2014,0,Sigma,20 +Zomertaling,Paardeweide west,2015,0,Sigma,20 +Zomertaling,Paardeweide west,2016,0,Sigma,20 +Zomertaling,Paardeweide west,2017,0,Sigma,20 +Zomertaling,Paardeweide west,2018,0,Sigma,20 +Zomertaling,Paardeweide west,2019,0,Sigma,20 +Zomertaling,Paardeweide west,2020,0,Sigma,20 +Zomertaling,Paardeweide west,2021,0,Sigma,20 +Zomertaling,Paardeweide west,2022,0,Sigma,20 +Zomertaling,Paardeweide west,2023,0,Sigma,20 +Zomertaling,Potpolder Lillo,2005,0,Sigma,20 +Zomertaling,Potpolder Lillo,2006,0,Sigma,20 +Zomertaling,Potpolder Lillo,2007,0,Sigma,20 +Zomertaling,Potpolder Lillo,2008,0,Sigma,20 +Zomertaling,Potpolder Lillo,2009,0,Sigma,20 +Zomertaling,Potpolder Lillo,2010,0,Sigma,20 +Zomertaling,Potpolder Lillo,2011,0,Sigma,20 +Zomertaling,Potpolder Lillo,2012,0,Sigma,20 +Zomertaling,Potpolder Lillo,2013,0,Sigma,20 +Zomertaling,Potpolder Lillo,2014,0,Sigma,20 +Zomertaling,Potpolder Lillo,2015,0,Sigma,20 +Zomertaling,Potpolder Lillo,2016,0,Sigma,20 +Zomertaling,Potpolder Lillo,2017,0,Sigma,20 +Zomertaling,Potpolder Lillo,2018,0,Sigma,20 +Zomertaling,Potpolder Lillo,2019,0,Sigma,20 +Zomertaling,Potpolder Lillo,2020,0,Sigma,20 +Zomertaling,Potpolder Lillo,2021,0,Sigma,20 +Zomertaling,Potpolder Lillo,2022,0,Sigma,20 +Zomertaling,Potpolder Lillo,2023,0,Sigma,20 +Zomertaling,Prosperpolder-noord,2005,0,Sigma_LO,20 +Zomertaling,Prosperpolder-noord,2006,0,Sigma_LO,20 +Zomertaling,Prosperpolder-noord,2007,0,Sigma_LO,20 +Zomertaling,Prosperpolder-noord,2008,0,Sigma_LO,20 +Zomertaling,Prosperpolder-noord,2009,0,Sigma_LO,20 +Zomertaling,Prosperpolder-noord,2010,0,Sigma_LO,20 +Zomertaling,Prosperpolder-noord,2011,0,Sigma_LO,20 +Zomertaling,Prosperpolder-noord,2012,0,Sigma_LO,20 +Zomertaling,Prosperpolder-noord,2013,0,Sigma_LO,20 +Zomertaling,Prosperpolder-noord,2014,0,Sigma_LO,20 +Zomertaling,Prosperpolder-noord,2015,0,Sigma_LO,20 +Zomertaling,Prosperpolder-noord,2016,0,Sigma_LO,20 +Zomertaling,Prosperpolder-noord,2017,0,Sigma_LO,20 +Zomertaling,Prosperpolder-noord,2018,0,Sigma_LO,20 +Zomertaling,Prosperpolder-noord,2019,0,Sigma_LO,20 +Zomertaling,Prosperpolder-noord,2020,0,Sigma_LO,20 +Zomertaling,Prosperpolder-noord,2021,0,Sigma_LO,20 +Zomertaling,Prosperpolder-noord,2022,0,Sigma_LO,20 +Zomertaling,Prosperpolder-noord,2023,0,Sigma_LO,20 +Zomertaling,Prosperpolder-zuid,2005,0,Sigma_LO,20 +Zomertaling,Prosperpolder-zuid,2006,0,Sigma_LO,20 +Zomertaling,Prosperpolder-zuid,2007,0,Sigma_LO,20 +Zomertaling,Prosperpolder-zuid,2008,0,Sigma_LO,20 +Zomertaling,Prosperpolder-zuid,2009,0,Sigma_LO,20 +Zomertaling,Prosperpolder-zuid,2010,0,Sigma_LO,20 +Zomertaling,Prosperpolder-zuid,2011,0,Sigma_LO,20 +Zomertaling,Prosperpolder-zuid,2012,0,Sigma_LO,20 +Zomertaling,Prosperpolder-zuid,2013,0,Sigma_LO,20 +Zomertaling,Prosperpolder-zuid,2014,0,Sigma_LO,20 +Zomertaling,Prosperpolder-zuid,2015,0,Sigma_LO,20 +Zomertaling,Prosperpolder-zuid,2016,0,Sigma_LO,20 +Zomertaling,Prosperpolder-zuid,2017,0,Sigma_LO,20 +Zomertaling,Prosperpolder-zuid,2018,0,Sigma_LO,20 +Zomertaling,Prosperpolder-zuid,2019,0,Sigma_LO,20 +Zomertaling,Prosperpolder-zuid,2020,0,Sigma_LO,20 +Zomertaling,Prosperpolder-zuid,2021,0,Sigma_LO,20 +Zomertaling,Prosperpolder-zuid,2022,0,Sigma_LO,20 +Zomertaling,Prosperpolder-zuid,2023,2,Sigma_LO,20 +Zomertaling,Scheldebroeken excl. Paardeweide-oost,2005,0,Vallei buiten Sigma,20 +Zomertaling,Scheldebroeken excl. Paardeweide-oost,2006,0,Vallei buiten Sigma,20 +Zomertaling,Scheldebroeken excl. Paardeweide-oost,2007,0,Vallei buiten Sigma,20 +Zomertaling,Scheldebroeken excl. Paardeweide-oost,2008,0,Vallei buiten Sigma,20 +Zomertaling,Scheldebroeken excl. Paardeweide-oost,2009,0,Vallei buiten Sigma,20 +Zomertaling,Scheldebroeken excl. Paardeweide-oost,2010,0,Vallei buiten Sigma,20 +Zomertaling,Scheldebroeken excl. Paardeweide-oost,2011,0,Vallei buiten Sigma,20 +Zomertaling,Scheldebroeken excl. Paardeweide-oost,2012,0,Vallei buiten Sigma,20 +Zomertaling,Scheldebroeken excl. Paardeweide-oost,2013,0,Vallei buiten Sigma,20 +Zomertaling,Scheldebroeken excl. Paardeweide-oost,2014,0,Vallei buiten Sigma,20 +Zomertaling,Scheldebroeken excl. Paardeweide-oost,2015,0,Vallei buiten Sigma,20 +Zomertaling,Scheldebroeken excl. Paardeweide-oost,2016,0,Vallei buiten Sigma,20 +Zomertaling,Scheldebroeken excl. Paardeweide-oost,2017,0,Vallei buiten Sigma,20 +Zomertaling,Scheldebroeken excl. Paardeweide-oost,2018,0,Vallei buiten Sigma,20 +Zomertaling,Scheldebroeken excl. Paardeweide-oost,2019,0,Vallei buiten Sigma,20 +Zomertaling,Scheldebroeken excl. Paardeweide-oost,2020,0,Vallei buiten Sigma,20 +Zomertaling,Scheldebroeken excl. Paardeweide-oost,2021,0,Vallei buiten Sigma,20 +Zomertaling,Scheldebroeken excl. Paardeweide-oost,2022,0,Vallei buiten Sigma,20 +Zomertaling,Scheldebroeken excl. Paardeweide-oost,2023,1,Vallei buiten Sigma,20 +Zomertaling,Schor Ouden Doel,2005,0,Sigma_LO,20 +Zomertaling,Schor Ouden Doel,2006,0,Sigma_LO,20 +Zomertaling,Schor Ouden Doel,2007,0,Sigma_LO,20 +Zomertaling,Schor Ouden Doel,2008,0,Sigma_LO,20 +Zomertaling,Schor Ouden Doel,2009,0,Sigma_LO,20 +Zomertaling,Schor Ouden Doel,2010,0,Sigma_LO,20 +Zomertaling,Schor Ouden Doel,2011,0,Sigma_LO,20 +Zomertaling,Schor Ouden Doel,2012,0,Sigma_LO,20 +Zomertaling,Schor Ouden Doel,2013,0,Sigma_LO,20 +Zomertaling,Schor Ouden Doel,2014,0,Sigma_LO,20 +Zomertaling,Schor Ouden Doel,2015,0,Sigma_LO,20 +Zomertaling,Schor Ouden Doel,2016,0,Sigma_LO,20 +Zomertaling,Schor Ouden Doel,2017,0,Sigma_LO,20 +Zomertaling,Schor Ouden Doel,2018,0,Sigma_LO,20 +Zomertaling,Schor Ouden Doel,2019,0,Sigma_LO,20 +Zomertaling,Schor Ouden Doel,2020,0,Sigma_LO,20 +Zomertaling,Schor Ouden Doel,2021,0,Sigma_LO,20 +Zomertaling,Schor Ouden Doel,2022,0,Sigma_LO,20 +Zomertaling,Schor Ouden Doel,2023,0,Sigma_LO,20 +Zomertaling,Viersels gebroekt,2005,0,Vallei buiten Sigma,20 +Zomertaling,Viersels gebroekt,2006,0,Vallei buiten Sigma,20 +Zomertaling,Viersels gebroekt,2007,0,Vallei buiten Sigma,20 +Zomertaling,Viersels gebroekt,2008,0,Vallei buiten Sigma,20 +Zomertaling,Viersels gebroekt,2009,0,Vallei buiten Sigma,20 +Zomertaling,Viersels gebroekt,2010,0,Vallei buiten Sigma,20 +Zomertaling,Viersels gebroekt,2011,0,Vallei buiten Sigma,20 +Zomertaling,Viersels gebroekt,2012,0,Vallei buiten Sigma,20 +Zomertaling,Viersels gebroekt,2013,0,Vallei buiten Sigma,20 +Zomertaling,Viersels gebroekt,2014,0,Vallei buiten Sigma,20 +Zomertaling,Viersels gebroekt,2015,0,Vallei buiten Sigma,20 +Zomertaling,Viersels gebroekt,2016,0,Vallei buiten Sigma,20 +Zomertaling,Viersels gebroekt,2017,0,Vallei buiten Sigma,20 +Zomertaling,Viersels gebroekt,2018,0,Vallei buiten Sigma,20 +Zomertaling,Viersels gebroekt,2019,0,Vallei buiten Sigma,20 +Zomertaling,Viersels gebroekt,2020,0,Vallei buiten Sigma,20 +Zomertaling,Viersels gebroekt,2021,0,Vallei buiten Sigma,20 +Zomertaling,Viersels gebroekt,2022,0.5,Vallei buiten Sigma,20 +Zomertaling,Viersels gebroekt,2023,2.5,Vallei buiten Sigma,20 +Zomertaling,Weijmeerbroek,2005,0,Sigma,20 +Zomertaling,Weijmeerbroek,2006,0,Sigma,20 +Zomertaling,Weijmeerbroek,2007,0,Sigma,20 +Zomertaling,Weijmeerbroek,2008,0,Sigma,20 +Zomertaling,Weijmeerbroek,2009,0,Sigma,20 +Zomertaling,Weijmeerbroek,2010,0,Sigma,20 +Zomertaling,Weijmeerbroek,2011,0,Sigma,20 +Zomertaling,Weijmeerbroek,2012,0,Sigma,20 +Zomertaling,Weijmeerbroek,2013,0,Sigma,20 +Zomertaling,Weijmeerbroek,2014,0,Sigma,20 +Zomertaling,Weijmeerbroek,2015,0,Sigma,20 +Zomertaling,Weijmeerbroek,2016,0,Sigma,20 +Zomertaling,Weijmeerbroek,2017,0,Sigma,20 +Zomertaling,Weijmeerbroek,2018,0,Sigma,20 +Zomertaling,Weijmeerbroek,2019,0,Sigma,20 +Zomertaling,Weijmeerbroek,2020,0,Sigma,20 +Zomertaling,Weijmeerbroek,2021,0,Sigma,20 +Zomertaling,Weijmeerbroek,2022,0,Sigma,20 +Zomertaling,Weijmeerbroek,2023,1,Sigma,20 +Zomertaling,Wijmeers,2005,0,Sigma,20 +Zomertaling,Wijmeers,2006,0,Sigma,20 +Zomertaling,Wijmeers,2007,0,Sigma,20 +Zomertaling,Wijmeers,2008,0,Sigma,20 +Zomertaling,Wijmeers,2009,0,Sigma,20 +Zomertaling,Wijmeers,2010,0,Sigma,20 +Zomertaling,Wijmeers,2011,0,Sigma,20 +Zomertaling,Wijmeers,2012,0,Sigma,20 +Zomertaling,Wijmeers,2013,0,Sigma,20 +Zomertaling,Wijmeers,2014,0,Sigma,20 +Zomertaling,Wijmeers,2015,0,Sigma,20 +Zomertaling,Wijmeers,2016,2,Sigma,20 +Zomertaling,Wijmeers,2017,2,Sigma,20 +Zomertaling,Wijmeers,2018,1,Sigma,20 +Zomertaling,Wijmeers,2019,0,Sigma,20 +Zomertaling,Wijmeers,2020,0,Sigma,20 +Zomertaling,Wijmeers,2021,0,Sigma,20 +Zomertaling,Wijmeers,2022,0,Sigma,20 +Zomertaling,Wijmeers,2023,0,Sigma,20 +Zomertaling,Wijmeers-noord,2005,0,Sigma,20 +Zomertaling,Wijmeers-noord,2006,0,Sigma,20 +Zomertaling,Wijmeers-noord,2007,0,Sigma,20 +Zomertaling,Wijmeers-noord,2008,0,Sigma,20 +Zomertaling,Wijmeers-noord,2009,0,Sigma,20 +Zomertaling,Wijmeers-noord,2010,0,Sigma,20 +Zomertaling,Wijmeers-noord,2011,0,Sigma,20 +Zomertaling,Wijmeers-noord,2012,0,Sigma,20 +Zomertaling,Wijmeers-noord,2013,0,Sigma,20 +Zomertaling,Wijmeers-noord,2014,0,Sigma,20 +Zomertaling,Wijmeers-noord,2015,0,Sigma,20 +Zomertaling,Wijmeers-noord,2016,0,Sigma,20 +Zomertaling,Wijmeers-noord,2017,0,Sigma,20 +Zomertaling,Wijmeers-noord,2018,0,Sigma,20 +Zomertaling,Wijmeers-noord,2019,0,Sigma,20 +Zomertaling,Wijmeers-noord,2020,0,Sigma,20 +Zomertaling,Wijmeers-noord,2021,0,Sigma,20 +Zomertaling,Wijmeers-noord,2022,0,Sigma,20 +Zomertaling,Wijmeers-noord,2023,0,Sigma,20 +Zomertaling,Wijmeers-zuid,2005,0,Sigma,20 +Zomertaling,Wijmeers-zuid,2006,0,Sigma,20 +Zomertaling,Wijmeers-zuid,2007,0,Sigma,20 +Zomertaling,Wijmeers-zuid,2008,0,Sigma,20 +Zomertaling,Wijmeers-zuid,2009,0,Sigma,20 +Zomertaling,Wijmeers-zuid,2010,0,Sigma,20 +Zomertaling,Wijmeers-zuid,2011,0,Sigma,20 +Zomertaling,Wijmeers-zuid,2012,0,Sigma,20 +Zomertaling,Wijmeers-zuid,2013,0,Sigma,20 +Zomertaling,Wijmeers-zuid,2014,0,Sigma,20 +Zomertaling,Wijmeers-zuid,2015,0,Sigma,20 +Zomertaling,Wijmeers-zuid,2016,0,Sigma,20 +Zomertaling,Wijmeers-zuid,2017,0,Sigma,20 +Zomertaling,Wijmeers-zuid,2018,0,Sigma,20 +Zomertaling,Wijmeers-zuid,2019,0,Sigma,20 +Zomertaling,Wijmeers-zuid,2020,0,Sigma,20 +Zomertaling,Wijmeers-zuid,2021,0,Sigma,20 +Zomertaling,Wijmeers-zuid,2022,0,Sigma,20 +Zomertaling,Wijmeers-zuid,2023,0,Sigma,20 +Zomertaling,Zennegat,2005,0,Sigma,20 +Zomertaling,Zennegat,2006,0,Sigma,20 +Zomertaling,Zennegat,2007,0,Sigma,20 +Zomertaling,Zennegat,2008,0,Sigma,20 +Zomertaling,Zennegat,2009,0,Sigma,20 +Zomertaling,Zennegat,2010,0,Sigma,20 +Zomertaling,Zennegat,2011,0,Sigma,20 +Zomertaling,Zennegat,2012,0,Sigma,20 +Zomertaling,Zennegat,2013,0,Sigma,20 +Zomertaling,Zennegat,2014,0,Sigma,20 +Zomertaling,Zennegat,2015,0,Sigma,20 +Zomertaling,Zennegat,2016,0,Sigma,20 +Zomertaling,Zennegat,2017,0,Sigma,20 +Zomertaling,Zennegat,2018,5,Sigma,20 +Zomertaling,Zennegat,2019,5,Sigma,20 +Zomertaling,Zennegat,2020,4,Sigma,20 +Zomertaling,Zennegat,2021,2,Sigma,20 +Zomertaling,Zennegat,2022,2,Sigma,20 +Zomertaling,Zennegat,2023,1,Sigma,20 +Zomertaling,Zuidelijk eiland,2005,0,Vallei buiten Sigma,20 +Zomertaling,Zuidelijk eiland,2006,0,Vallei buiten Sigma,20 +Zomertaling,Zuidelijk eiland,2007,0,Vallei buiten Sigma,20 +Zomertaling,Zuidelijk eiland,2008,0,Vallei buiten Sigma,20 +Zomertaling,Zuidelijk eiland,2009,0,Vallei buiten Sigma,20 +Zomertaling,Zuidelijk eiland,2010,0,Vallei buiten Sigma,20 +Zomertaling,Zuidelijk eiland,2011,0,Vallei buiten Sigma,20 +Zomertaling,Zuidelijk eiland,2012,0,Vallei buiten Sigma,20 +Zomertaling,Zuidelijk eiland,2013,0,Vallei buiten Sigma,20 +Zomertaling,Zuidelijk eiland,2014,0,Vallei buiten Sigma,20 +Zomertaling,Zuidelijk eiland,2015,0,Vallei buiten Sigma,20 +Zomertaling,Zuidelijk eiland,2016,0,Vallei buiten Sigma,20 +Zomertaling,Zuidelijk eiland,2017,0,Vallei buiten Sigma,20 +Zomertaling,Zuidelijk eiland,2018,0,Vallei buiten Sigma,20 +Zomertaling,Zuidelijk eiland,2019,0,Vallei buiten Sigma,20 +Zomertaling,Zuidelijk eiland,2020,0,Vallei buiten Sigma,20 +Zomertaling,Zuidelijk eiland,2021,1,Vallei buiten Sigma,20 +Zomertaling,Zuidelijk eiland,2022,0,Vallei buiten Sigma,20 +Zomertaling,Zuidelijk eiland,2023,0,Vallei buiten Sigma,20 diff --git a/moneos_2024/150_geintegreerd_rapport/110_broedvogels.Rmd b/moneos_2024/150_geintegreerd_rapport/110_broedvogels.Rmd index 1eca9d9..c15e9e5 100644 --- a/moneos_2024/150_geintegreerd_rapport/110_broedvogels.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/110_broedvogels.Rmd @@ -71,13 +71,14 @@ De eerstelijnsrapportage beschrijft de trends van de broedvogelsoorten waarvoor ### Studiegebied -Het IHD-gebied (zoals beschreven in Adriaensen et al. (2005)) omvat +Het studiegebied is het IHD-gebied zoals beschreven in Adriaensen et al. (2005). +Het omvat - het Noordelijk gebied (Doelpolder Noord, Doelpolder Midden, Prosperpolder en Schor Ouden Doel, Paardenschor), - het Galgenschoor, - Ketenisse - Blokkersdijk en -- Rest IHD-gebied. +- Rest IHD-gebied ```{r 110-figuur1, fig.cap=caption_figuur1, out.width="95%"} caption_figuur1 <- "Het IHD-gebied met aanduiding van de gebieden die geanalyseerd worden op algemene broedvogelsoorten." @@ -85,15 +86,11 @@ knitr::include_graphics(paste0(pad_figuren, "110_fig1.png")) ``` Rest IHD-gebied is de NOP-zoneplus, het studiegebied van de Instandhoudingsdoelstellingen Schelde-estuarium (IHD-Z, Adriaensen et al. 2005). -Dit gebied omvat de vallei van de Zeeschelde en haar tijgebonden zijrivieren, inclusief de vallei van de Grote Nete tot in Zammel en van de Kleine Nete tot in Grobbendonk en alle buitendijkse gebieden.\ -Het Galgenschoor, Ketenisse en het Noordelijk gebied worden apart behandeld omdat hiervoor aparte doelstellingen zijn gedefinieerd (Adriaensen et al., 2005).\ -Het Groot Buitenschoor, het overstromingsgebied Kruibeke -- Bazel -- Rupelmonde, de Potpolder Lillo, het Molsbroek, de overige gebieden vzw Durme (reservaten Durmemeersen, Scheldebroeken (excl. Paardeweide) en reservaatzone Donkmeer), de Kalkense Meersen en Wijmeers (KM en WM), het Weijmeerbroek, de Paardeweide, de Bergenmeersen, het Aubroek en de Sint Onolfspolder, Schellebelle (omgeving station) en Zennegat zitten vervat in het 'Rest IHD-gebied'. -De gegevens van deze gebieden worden tevens in aparte werkbladen gegeven omdat soms voor één of meerdere soorten goede lokale tijdsreeksen beschikbaar zijn. -In het werkblad "IHD-gebied_Totaal" worden de totalen berekend voor het IHD-gebied. -Deze totalen zijn gebaseerd op de aantallen van bovenstaande deelgebieden (zie andere werkbladen), waarbij in geval van een vork steeds de hoogste waarden werd genomen. -Aanwezigheid van NA's (soort niet geteld in dat gebied tijdens dat jaar) in één gebied leidt tot een NA in het totaal. +Dit gebied omvat de vallei van de Zeeschelde en haar tijgebonden zijrivieren, inclusief de vallei van de Grote Nete tot in Zammel en van de Kleine Nete tot in Grobbendonk en alle buitendijkse gebieden. +De broedvogelaantallen in het vogelrichtlijngebied de Kuifeend en omgeving (Plas Hoge Maey, de Verlegde Schijns, het Oud Schijn, de Grote Kreek en Stadsgracht, de Meeuwenbroedplaats en het Opstalvalleigebied) en in het vogelrichtlijngebied op de linker Scheldeoever (m.u.v. het Noordelijkgebied) worden niet meegeteld omdat hiervoor aparte instandhoudingsdoelstellingen zijn opgesteld (IHD-Z, Adriaensen et al. 2005).\ + -Het Fort St- Marie en het gebied tussen de Vlakte van Zwijndrecht en Blokkersdijk is mee opgenomen in 'Rest IHD-gebied'. + ### Dataverzameling @@ -110,20 +107,27 @@ De gegevens van de periode 2006-2007 zijn afkomstig uit het BBV-verslag 2006-200 De gegevens voor de periode 2008-2009 zijn afkomstig uit (Anselin 2010) en de Broedvogeldatabank. Voor de deelgebieden Noordelijk gebied, Ketenisse, Rest AN-LO zijn de aantallen vanaf 2003 afgeleid uit de monitoringsrapporten van het Linkerscheldeoevergebied (Spanoghe et al., 2003, 2006, 2008, 2010 en Gyselings et al. 2004, 2007, 2009) en recentere monitoringsgegevens van het INBO-project "Monitoring en evaluatie van het Linkerscheldeoevergebied (LO)".\ De aantallen voor Blokkersdijk zijn afkomstig van de website van Natuurpunt-Waasland en het tweede monitoringsrapport (De Jonghe & Verschueren, 2017) en data aangeleverd door Willy Verschueren (2018 - 2020). -Voor Kuifeend en omgeving zijn de gegevens vanaf 2009 en voor sommige soorten vanaf 2004 afkomstig uit het monitoringsrapport RO (Gyselings et al. 2014) en recentere monitoringsgegevens van het EVINBO-project "Monitoring en evaluatie van het Rechterscheldeoevergebied (RO)".\ -Voor het overstromingsgebied Kruibeke -- Bazel -- Rupelmonde zijn de gegevens afkomstig van de jaarverslagen van de Beheercommissie Kruibeke-Bazel-Rupelmonde (Anoniem, 2014) en recentere monitoringsgegevens van het INBO-project ""Opvolgen en adviseren beheercommissie Kruibeke-Bazel-Rupelmonder (KBR)".\ + Voor het overstromingsgebied Kruibeke -- Bazel -- Rupelmonde zijn de gegevens afkomstig van de jaarverslagen van de Beheercommissie Kruibeke-Bazel-Rupelmonde (Anoniem, 2014) en recentere monitoringsgegevens van de INBO-project "Opvolgen en adviseren beheercommissie Kruibeke-Bazel-Rupelmonder (KBR)" en het INBO/ANB-project "Wetenschappelijke opvolging van de natuurontwikkeling in de gebieden van het geactualiseerde Sigmaplan".\ Gegevens van Molsbroek en de overige gebieden van de vzw Durme zijn afkomstig van de Vogelwerkgroep Durmevallei aangeleverd door Joris Everaert.\ -Gegevens van Kalkense Meersen, Wijmeers, Paardeweide, Bergenmeersen, Weijmeerbroek en Zennegat na 2008 werden verzameld in het kader van het INBO/ANB-project "Wetenschappelijke opvolging van de natuurontwikkeling in de gebieden van het geactualiseerde Sigmaplan". In deze gebieden zijn frequent, maar niet jaarlijks broedvogelkarteringen uitgevoerd. Het aantal territoria voor jaren zonder kartering wordt berekend op basis van een lineair interpolatie.\ -Gegevens over het aantal gruttoterritoria in de Kalkense Meersen en omgeving in de periode 2001-2009 zijn afkomstig uit Schepers (2010). Recentere data werden aangeleverd door Robbert Schepers en zijn afkomstig van tellingen in het kader van het INBO/ANB-project "Wetenschappelijke opvolging van de natuurontwikkeling in de gebieden van het geactualiseerde Sigmaplan" gecombineerd met tellingen door vrijwilligers en medewerkers van het Regionaal Landschap "Schelde-Durme" De gegevens van het Groot Buitenschoor (2012) zijn ongepubliceerde gegevens verzameld in het kader van een INBO-ANB monitoringproject Antwerpen RO.\ -Voor de soorten baardman, bruine kiekendief, grote karekiet, kluut, snor, tureluur, woudaap en zomertaling werden de aantallen uit bovenstaande bronnen aangevuld op basis van waarnemingen uit waarnemingen.be geïnterpreteerd volgens de criteria uit Van Dijk en Boele (2011) en Vergeer et al. (2016). Nullen werden enkel ingevuld als: +Gegevens van Kalkense Meersen, Wijmeers, Paardeweide, Bergenmeersen, Weijmeerbroek en Zennegat na 2008 werden verzameld in het kader van het INBO/ANB-project "Wetenschappelijke opvolging van de natuurontwikkeling in de gebieden van het geactualiseerde Sigmaplan". +INBO/ANB voert in deze gebieden frequent, maar niet jaarlijks, broedvogelkarteringen uit. +Het aantal territoria voor jaren zonder kartering wordt berekend op basis van een lineair interpolatie.\ +Gegevens over het aantal gruttoterritoria in de Kalkense Meersen en omgeving in de periode 2001-2009 zijn afkomstig uit Schepers (2010). +Recentere data werden aangeleverd door Robbert Schepers en zijn afkomstig van tellingen in het kader van het INBO/ANB-project "Wetenschappelijke opvolging van de natuurontwikkeling in de gebieden van het geactualiseerde Sigmaplan" gecombineerd met tellingen door vrijwilligers en medewerkers van het Regionaal Landschap "Schelde-Durme". +De gegevens van het Groot Buitenschoor (2012) zijn ongepubliceerde gegevens verzameld in het kader van een INBO-ANB monitoringproject Antwerpen RO.\ +Voor de soorten baardman, bruine kiekendief, grote karekiet, kluut, snor, tureluur, woudaap en zomertaling werden de aantallen uit bovenstaande bronnen aangevuld op basis van waarnemingen uit waarnemingen.be en geïnterpreteerd volgens de criteria uit Van Dijk en Boele (2011) en Vergeer et al. (2016). +Nullen werden enkel ingevuld als: - er een intensieve monitoring werd uitgevoerd en geen territoria of broedgevallen zijn vastgesteld in een bepaald gebied - er voor een bepaald jaar voor een gebied aantallen in de databank zaten voor andere soorten - het op basis van de gekende Vlaamse populaties uiterst onwaarschijnlijk is dat een bepaalde soort zou hebben gebroed. -In andere gevallen, waar geen zekerheid bestaat over aan- of afwezigheid, werd niets ingevuld. -De aantallen voor de gebieden Groot Buitenschoor, overstromingsgebied Kruibeke -- Bazel -- Rupelmonde, Potpolder Lillo, Molsbroek, Overige gebieden vzw Durme (reservaten Durmemeersen, Scheldebroeken (excl. Paardeweide en reservaatzone Donkmeer), Kalkense Meersen en Wijmeers (KM en WM), Paardeweide, Bergenmeersen, Aubroek en Sint Onolfspolder en Schellebelle (omgeving station) worden in aparte werkbladen gegeven maar zitten vervat in de totalen van de categorie Rest_IHD-gebied (indien aanwezig).\ -In het werkblad Rest_IHD-gebied worden enkel aantallen gegeven indien verwacht mag worden dat ze een redelijke schatting zijn van het totaal aantal territoria in het gebied. +In andere gevallen, waar geen zekerheid bestaat over aan- of afwezigheid, werd niets ingevuld (NA). + + +Het bestand dataSigma_sel2_2022.csv geeft de totalen voor het IHD-gebied. +Deze totalen zijn gebaseerd op de aantallen in bovenstaande bronnen, waarbij in geval van een vork steeds de hoogste waarden werd genomen. +Aanwezigheid van NA's (soort niet geteld in dat gebied tijdens dat jaar) in één gebied leidt tot een NA in het jaartotaal van de soort. ### Exploratieve data-analyse @@ -131,29 +135,38 @@ Voor sommige soorten werden redelijk volledige tijdsreeksen verkregen voor alle Dit zijn voornamelijk de zeldzame, goed te inventariseren soorten van het Bijzondere Broedvogelproject (baardman, bruine kiekendief, grote karekiet, lepelaar, porseleinhoen, roerdomp, snor) of soorten die niet of amper broeden in Vlaanderen (purperreiger, kwak, kwartelkoning, paapje).\ Voor zomertaling werden de gegevens na 2007 aangevuld op basis van waarnemingen.be. De gegeven aantallen kunnen als minima geïnterpreteerd worden maar geven na 2007 waarschijnlijk toch een redelijk accuraat beeld van de reële aantallen.\ -Voor kluut en tureluur kan aangenomen worden dat de gegeven aantallen voor het Rest IHD-gebied na de atlasperiode tamelijk nauwkeurig zijn omdat deze soorten amper of slechts in (zeer) lage aantallen broeden buiten de recent aangelegd en frequent gemonitorde natuurgebieden van het Sigmaplan. -Ook de aantallen grutto in het 'Rest IHD-gebied' zijn betrouwbaar omdat telkens de volledige populatie in en rond de Kalkense Meersen werd geteld. +Voor kluut en tureluur kan aangenomen worden dat de gegeven aantallen voor het Rest IHD-gebied na de atlasperiode tamelijk nauwkeurig zijn omdat deze soorten amper of slechts in (zeer) lage aantallen broeden buiten de recent aangelegde en frequent gemonitorde natuurgebieden van het Sigmaplan. +Ook de aantallen grutto in het 'Rest IHD-gebied' zijn betrouwbaar omdat telkens de volledige populatie in en rond de Kalkense Meersen en het Noordelijk gebied werd geteld. Elders in het 'Rest_IHD-gebied' komt/kwam de soort niet of slechts in zeer lage aantallen tot broeden. -Voor een aantal soorten is de tijdsreeks voor het Rest IHD-gebied en Galgeschoor beperkt tot de atlasperiode (2000-2002). -Dit zijn minder zeldzame soorten die niet opgenomen zijn in het Bijzondere Broedvogelproject (blauwborst, dodaars, rietzanger, scholekster, slobeend). -Voor deze soorten, aangevuld met zomertaling, voeren we een analyse uit op de aantallen in frequent getelde gebieden. -Het Noordelijk gebied in de haven van Antwerpen), Blokkersdijk en Ketenisse worden jaarlijks integraal onderzocht op broedvogels. -In de Sigmagebieden werd één telling uitgevoerd voorafgaand aan de inrichting (T0) en één tot drie na de inrichting. +Voor een aantal minder zeldzame soorten die niet opgenomen zijn in het Bijzondere Broedvogelproject (blauwborst, dodaars, rietzanger, scholekster, slobeend), zijn de tijdreeksen onvolledig. +Deze soorten broeden ook in substantiële aantallen in (natuur)gebieden die niet frequent gemonitord worden. +Voor deze soorten, aangevuld met zomertaling, voeren we een analyse uit op een deeldataset, nl. +de aantallen in een aantal frequent getelde gebieden. +Het Noordelijk gebied in de haven van Antwerpen, Blokkersdijk en Ketenisse worden jaarlijks integraal onderzocht op broedvogels. +Sinds 2022 is in het Noordelijk gebied en Ketenisse overgestapt op een driejaarlijkse monitoring voor zangvogels, de aantallen in de tussenliggende jaren worden geinterpoleerd (imputatie). +Weidevogels en watervogels worden nog steeds jaarlijks integraal geteld. +In de Sigmagebieden werd één telling uitgevoerd voorafgaand aan de inrichting (T0). +Het eerste jaar na de inrichting wordt in regel ook steeds geteld en vervolgens het derde jaar. +Nadien wordt minstens om de drie jaar een telling uitgevoerd. +De aantallen in de tussenliggende jaren worden per gebied geïnterpoleerd (lineair verband). Volgende Sigmagebieden nemen we mee in de analyse (zie Figuur \@ref(fig:110-figuur1)): - Kalkense Meersen: geleidelijke verwerving van gronden sinds 2008 waarna omzetting tot grasland en/of een verschralingsbeheer wordt opgestart. - Bergenmeersen: GGG sinds april 2013 - Wijmeers: deels ontpolderd en deels ingericht als niet-estuarien wetland sinds november 2015 -- Paardeweide: oostzijde ingericht als rietatol sinds 2014 -- Weijmeerbroek: verschralingsbeheer sinds 2010, beperkte vernatting sinds 2016 -- Polders van Kruibeke: geleidelijke inrichting sinds 2008, GGG Bazel-noord sinds 2015 -- Zennegat: inrichting afgerond in 2017 +- Paardeweide: oostzijde ingericht als rietatol sinds 2014, de westzijde is een hooilandgebied waar sinds 2022 geëxperimenteerd wordt met vernatting. +- Weijmeerbroek: verschralingsbeheer sinds 2010, beperkte vernatting sinds 2016, aanzienlijke vernatting sinds 2023. +- Polders van Kruibeke: geleidelijke inrichting sinds 2008, GGG Bazel-noord sinds 2015, GGG-Kruibeke sinds 2017, ontpoldering Fasseit sinds 2017 +- Zennegat: inrichting als GOG met gecontroleerd gereduceerd getijdengebied afgerond in 2017 + + -Grote Wal kent een tussentijds beheer als wetland en werd niet beschouwd voor deze analyse. Grote vijver zal vanaf volgend jaar in de analyse meegenomen worden. Om volledige tijdsreeksen te bekomen voor de Sigmagebieden werd een extrapolatie van de data doorgevoerd. +Om volledige tijdsreeksen te bekomen voor de Sigmagebieden werd een extrapolatie van de data doorgevoerd. De jaren voorafgaand aan de inrichting kregen de aantallen van de nulmeting (T0) toegekend. Gaten in de tijdsreeksen na de inrichting vullen we op d.m.v. een lineair verband (afronding naar boven). -Indien er geen telgegevens zijn van het laatste rapportagejaar worden deze gelijk gesteld aan deze van het laatste getelde jaar. +Indien er geen telgegevens zijn van het laatste rapportagejaar worden deze gelijk gesteld aan deze van het laatste getelde jaar.\ +
## Resultaten @@ -161,77 +174,118 @@ Figuur \@ref(fig:110-figuur2) toont de data met uitzondering van de vijf algemen Deze figuur toont de trends van de soorten binnen de gebieden met instandhoudingsdoelstellingen in het Schelde-estuarium. Hoewel geen gebiedsdekkende kartering mogelijk is, wordt aangenomen dat het aantal territoria voor deze soorten een redelijk accuraat beeld geeft van de reële aantallen. -Verscheidene soorten komen tot 2022 nog steeds zelden tot broeden in het IHD-gebied Schelde-estuarium (grote karekiet, kwak, kwartelkoning, roerdomp en paapje) of werden nog nooit vastgesteld als broedvogel (purperreiger). -Van deze soorten worden geen trends besproken. -Grote karekiet lijkt zich wel te gaan vestigen als regelmatige broedvogel met opnieuw 2 territoria in 2022. +Verscheidene soorten komen tot 2023 nog steeds zelden tot broeden in het IHD-gebied Schelde-estuarium (kwartelkoning, roerdomp en paapje) of werden nog nooit vastgesteld als broedvogel (purperreiger). -Lepelaar behoorde tot 2020 ook tot bovenstaande categorie, maar ondertussen lijkt de soort zich te vestigen als broedvogel in het IHD-gebied. -Na een schuchtere poging tot nestbouw in de Wijmeers (Wichelen) in 2016 en twee nesten in het Broek De Naeyer (Willebroek) in 2020 werden in 2021 10 nesten gevonden in de Durmevallei (Waasmunster) en 4 in het Noordelijk gebied (Beveren). In 2022 werden 7 nesten geteld in de Durmevallei. +Grote karekiet kwam vóór 2020 slechts af en toe voor als broedvogel. +Sinds 2020 worden jaarlijks territoria vastgesteld, in 2023 waren het er drie. +Enkel in het tijdelijk ingericht wetland in Grote Wal werd twee keer een territorium vastgesteld. +In de andere gebieden broedde de grote karekiet tot nog toe eenmalig. + +Lepelaar broedt sinds 2020 jaarlijks in het IHD-gebied. +Na een schuchtere poging tot nestbouw in de Wijmeers (Wichelen) in 2016 en twee nesten in het Broek De Naeyer (Willebroek) in 2020 werden in 2021 tien nesten gevonden in het Meulendijkbroek in de Durmevallei (Waasmunster) en vier in het Noordelijk gebied (Beveren). +In 2022 werden zeven nesten geteld in de Durmevallei en één in het Noordelijk gebied. +In 2023 daalde het aantal nesten in het Meulendijkbroek naar één, maar ontstond wel een kleine kolonie met acht nesten in het weidevogelgebied van Doelpolder-noord (Noordelijk gebied). +Aangezien de tijdelijke inrichting van Meulendijkbroek eind 2023 is stopgezet, zal de lepelaar hier niet meer broeden. +Mogelijk groeit de kleine kolonie in de tegen grondpredatoren beschermde Doelpolder de komende jaren verder uit. + +Kwak is sinds 2014 jaarlijks aanwezig in kleine aantallen. +In 2023 werd vier territoria vastgesteld, het hoogste aantal sinds de start van de monitoring. +Belangrijke gebieden waar kwak regelmatig broedt zijn het Donkmeer in Berlare en het Molsbroek in Lokeren. +Ook de tijdelijk ingerichte wetlands Grote Wal in Hamme (in 2022) en het Meulendijkbroek in Waasmunster (in 2023) trokken kwakken aan. +Aangezien de tijdelijke inrichting van beide wetlands ophoudt in 2023, zal de kwak er niet meer terecht kunnen. Van de jaarlijks broedende soorten komt een aanzienlijk deel van de populatie van grutto, snor, woudaap en zomertaling voor buiten de haven. Voor de andere soorten (baardman, bruine kiekendief, kluut, tureluur) is het Noordelijk gebied van het Antwerpse havengebied op linkeroever veruit het belangrijkste broedgebied. -Baardman broedt zelden stroomopwaarts Antwerpen. -In 2021 en opnieuw in 2022 werden voor het eerst een broedgevallen vastgesteld in het Zennegat (Mechelen). Baardman, woudaap en snor vertonen de laatste jaren een stijgende trend in de vallei van de Zeeschelde en haar tijgebonden zijrivieren (NOP-zone).\ -Het aantal territoria baardman was met 72 territoria het hoogste sinds de start van de meting, de IHD doelstelling komt in de buurt (100 territioria). + +Baardman broedt zelden stroomopwaarts Antwerpen. +Het Schor Ouden Doel is met voorsprong het belangrijkste gebied voor deze soort, met jaarlijks meer dan 30 territoria sinds 2020. +Stroomafwaarts Antwerpen broedt de baardman in kleine aantallen ook in andere buitendijkse gebieden (Ketenisse, Groot buitenschoor, Galgenschoor). +In 2021 werd voor het eerst een broedgeval vastgesteld in het Zennegat (Mechelen). +In 2022 en 2023 waren er twee territoria. Tussen 2003 en 2010 werden jaarlijks 1 tot 4 territoria snor vastgesteld, bijna uitsluitend in het Noordelijk gebied in de Antwerpse haven. Tussen 2010 en 2020 schommelden de aantallen tussen 4 en 10, waarbij de soort ook opdook stroomopwaarts Antwerpen. Sinds 2021 komen er meer dan 10 territoria voor in het IHD-gebied maar opvallend is dat de soort sinds 2021 niet meer broedt in het Noordelijk gebied. -De populatie is echter nog ver verwijderd van de tot doel gestelde populatie (100 broedparen), waardoor de stijging op \@ref(fig:110-figuur2) weinig opvalt. +Met 25 territoria in 2023 lijkt de tot doel gestelde populatie van 100 broedparen plots toch realistisch. +De polders van Kruibeke vromen momenteel het belangrijkste broedgebeid met 10 territoria in 2023, maar de snor heeft zich duidelijk ook gevestigd in de Durmevallei en in de Kalkense Meersen en omgeving. Ook het aantal woudaapterritoria neemt de laatste jaren toe. -In 2022 werd een recordaantal van 13 territoria vastgesteld, waarvan 4 in de Durmevallei en 4 in Grote Wal. - -De aantallen grutto vertonen een maximum tussen 2012 en 2015 met ca. -60 territoria. -Sinds 2017 lijken de aantallen te dalen. -Deze daling speelde zich aanvankelijk uitsluitend af in het Noordelijk gebied , van ca. +Vóór 2015 werden jaarlijks 0 tot maximaal 3 territoria geteld en tussen 2015 en 2022 2 tot 7 territoria. +In 2022 werden 14 territoria vastgesteld en in 2023 15 territoria. +Dit komt stilaan in de buurt van de IHD die stelt dat leefgebied voor 20 broedparen aanwezig moet zijn. +Jaarlijkse territoria sinds 2021 werden vastgesteld in Anderstad/Polder van Lier, het Donkmeer, het Molsbroek en de Polders van Kruibeke. +De tijdelijke inrichting als wetland in Grote Wal resulteerde zowel in 2022 als 2023 in vier territoria. +In de Oude Durme (Hamme, Waasmunster) werden in 2022 en 2023 respectievelijk twee en drie territoria vastgesteld. + +De aantallen grutto vertonen een dalende trend sinds 2013. +Maximale aantallen werden vastgesteld tussen 2011 en 2015 met met meer dan 60 territoria. +De 40 territoria in 2022 vormden het laagste aantal sinds 2008. +In 2023 werden iets meer territoria geteld, nl. +47. +De daling na speelde zich aanvankelijk uitsluitend af in het Noordelijk gebied, van ca. 30 territoria in de periode 2010 - 2012 naar minder dan 10 territoria vanaf 2018, terwijl de aantallen stroomopwaarts in een ruim gebied gebied rond de Kalkense Meersen stabiel bleven. Na 2018 dalen de aantallen ook daar van ca. -40 - 45 naar 28 in 2022, terwijl in het Noordelijk gebied een voorzichtige stijging lijkt op te treden naar 17 territoria. +40 - 45 naar 24 in 2022 en 26 in 2023, terwijl in het Noordelijk gebied een voorzichtige stijging lijkt op te treden naar 17 territoria in 2022 en 21 in 2023. De hoogste aantallen kluut werden vastgesteld in de periode tussen 2012 en 2017 (bijna 200 territoria). In 2018 en 2019 kende de soort een stevige dip (resp. 10 en 45 territoria). -Na het nemen van uitgebreide beschermingsmaatregelen tegen grondpredatoren in het Noordelijk gebied (vossenrasters) stijgen de aantallen opnieuw tot rond de 150 territoria sinds 2020. -Het overgrote deel van de kluten (\> 85%) broedt nu opnieuw in natuurgebieden in de haven (Noordelijk gebied, Potpolder Lillo en Antwerpen rechteroever). -Verder broedt kluut in kleine aantallen met wisselend succes in de Polders van Kruibeke, het Noordelijk eiland en de Paardeweide. - -De aantallen zomertaling stijgen na 2007 wat te verklaren is door de stapsgewijze inrichting van (estuariene) gebieden van het Sigmaplan. In 2022 wordt voor het eerst sinds 2002 het IHD-doel bereikt. +Na het nemen van uitgebreide beschermingsmaatregelen tegen grondpredatoren in het Noordelijk gebied (vossenrasters) stijgen de aantallen opnieuw tot rond de 150 territoria in 2020 en 2021 en rond de 130 in 2022 en 2023. +Het overgrote deel van de kluten (\> 85%) broedt nu opnieuw in natuurgebieden in de haven (Noordelijk gebied, Potpolder Lillo). +Verder broedde kluut in kleine aantallen met wisselend succes in de Polders van Kruibeke, het Noordelijk eiland en de Paardeweide. +In 2023 werden enkel territoria vastgesteld in het Noordelijk gebied (Doelpolder-noord en Prosperpolder-noord) en de Popolder van Lillo. + +De aantallen zomertaling stijgen na 2007 wat te verklaren is door de stapsgewijze inrichting van (estuariene) wetlandgebieden van het Sigmaplan. +In 2022 werd voor het eerst sinds 2002 het IHD-doel bereikt. +In 2023 werd de IHD opnieuw gerealiseerd met 24 territoria. In de eerste jaren na inrichting van overstromingsgebieden met gecontroleerd gereduceerd getij en ontpolderingen verschijnen zomertalingen. Tengevolge van de vegetatiesuccessie (verruiging) nemen de aantallen nadien terug af. De laatste jaren nemen de aantallen echter ook duidelijk toe in niet-estuariene gebieden (Molsbroek, Paardeweide-oost, Grote Wal, Beneden Nete en Noordelijk eiland). +Een vierde tot een vijfde van de zomertalingen zat in 2022 en 2023 in het tijdelijke wetland Grote Wal. De tureluurpopulatie kende tussen 2005 en 2010-2012 een toename tot ca. 50 territoria, het merendeel in het Noordelijk gebied. Daarna boerde de populatie achteruit tot minder dan 30 territoria in de periode 2017 - 2020, als gevolg van een stijgende predatiedruk. -De beschermingsmaatregelen die op de linkerscheldeoever worden genomen tegen grondpredatoren werpen in 2021 hun vruchten af, het aantal territoria steeg opnieuw naar 40. -Met 9 territoria bruine kiekendief bleef in 2022 het aantal territoria op peil. Het Galgenschoor is met 6 territoria wel een bastion voor deze soort. +De beschermingsmaatregelen die op de linkerscheldeoever worden genomen tegen grondpredatoren werpen hun vruchten af, het aantal territoria steeg naar 39 in 2021, 42 in 2022 en 53 in 2023. +Het overgrote deel van de populatie (\> 90%) broedt in het noordelijk gebied + +Het aantal territoria van bruine kiekendief blijft ver onder het tot doel gestelde aantal (50). +In 2023 werden in totaal slechts 6 territoria geteld. +Het Galgenschoor blijft met 4 territoria wel een bastion voor deze soort. -Het aantal territoria van porseleinhoen kent een erratisch verloop, sterk onder de doelstelling, dat sterk afhangt van de weersomstandigheden in het voorjaar. -In 2022 werden 0 territoria vastgesteld. +Het aantal territoria van porseleinhoen is zeer afhankelijk van de weersomstandigheden in het voorjaar en kent een erratisch verloop. +Zelfs in goede jaren, met natte voorjaren, blijven de aantallen ver onder de doelstelling (40). +In 2022 werden twee territoria gevonden in de Durmevallei. +Eén in het Molsbroek, de enige plaats waar de soort bijna jaarlijks broedt, en één mogelijk territorium in het Weijmeerbroek. Figuur \@ref(fig:110-figuur3) toont de evolutie van zes algemene soorten in frequent getelde ingerichte Sigmagebieden. -De sterk stijgende trend van de Rietzanger lijkt in 2022 af te vlakken. -In de beperkte set van onderzochte natuurgebieden tellen we in 2022 meer dan dubbel zoveel territoria dan het tot doel gesteld aantal voor de hele Scheldevallei (IHD = 170). Ook voor de blauwborst komt al een hoog percentage `r round(335/5.5, digits = -1)` % voor in deze kleine subset van gebieden. Voor deze soort is ook het doel (IHD = 550) gehaald. +De sterk stijgende trend van de Rietzanger lijkt te plafoneren in de onderzochte gebieden. +Maar zowel in 2022 als in 2023 tellen we in de beperkte set van natuurgebieden meer dan dubbel zoveel territoria dan het tot doel gesteld aantal voor de hele Scheldevallei (IHD = 170). -Dit geldt ook voor dodaars, alhoewel die de laatste jaren wat achteruitgaat in de onderzochte gebieden. Wetende dat er al 28 territoria geteld werden in 2022 in Grote Wal is het doel bereikt. De inrichting van Grote Wal betreft momenteel een tussentijds beheer als wetland. De achteruitgang in de subset is vooral veroorzaakt door lage aantallen in het Noordelijk gebied. +Ook voor de blauwborst komt al een hoog percentage (`r round(364/5.5, digits = 0)` % in 2022 en `r round(289/5.5, digits = 0)` % in 2023) voor in deze kleine subset van gebieden. +Deze soort haalt in het volledige IHD-gebied wellicht ook de tot doel gestelde aantallen (550). -Slobeend kende een sterke toename in de haven in de periode 2010 - 2015 30 territoria. -De laatste jaren daalde het aantal territoria er tot een 10-tal. Ook in de lijst van Sigmagebieden daalde het aantal, maar in Grote Wal kwamen 19 territoria voor. De som van alle gekende territoria is ruim onder het doel. -Het doel voor deze soort (IHD = 150) in de Scheldevallei wordt dus wellicht niet bereikt. +Dit geldt met zekerheid ook voor dodaars, alhoewel die de laatste jaren wat achteruitgaat in de onderzochte gebieden. +Maar daarnaast waren er telden we allen in Grote Wal in 2022 al 28 territoria en in 2023 39 territoria. +De achteruitgang in de subset is vooral veroorzaakt door lagere aantallen in het Noordelijk gebied. -Zomertaling verscheen in het Noordelijk gebied in 2008, in de Sigma-gebieden broedt de soort sinds 2011. -In 2021 was de soort voor het eerst sinds 2013 afwezig. -In de lijst van Sigmagebieden worden de laatste vier jaren telkens 6 territoria gevonden. +Slobeend kende een sterke toename in de haven in de periode 2010 - 2015 tot 30 territoria. +De laatste jaren daalde het aantal territoria er tot een 10-tal. +Ook in de lijst van Sigmagebieden daalde het aantal, maar in Grote Wal vonden we in 2022 19 territoria voor en in 2023 20 territoria. +De som van alle gekende territoria blijft ruim onder het doel. +Het doel voor deze soort (IHD = 150) wordt in de Scheldevallei dus niet bereikt. +Het aantal zomertalingterritoria overschreidt in 2022 en 2023 de IHD (20), deels door de hoge aantallen die in het tijdelijke wetland Grote Wal broeden. +In de beperkte set natuurgebieden die voor de algemene soorten onderzocht worden schommelen de aantallen 7 en 11 territoria. +In 2021 lag het aantal nog wat lager omdat er toen geen enkel territorium werd vastgesteld in het Noordelijk gebied. Scholekster broedt tegenwoordig vooral op akkers in het landbouwgebied. -In de natuurontwikkelingsgebieden van het Sigmaplan komt maar een klein aantal scholeksters tot broeden. +In de onderzochte natuurontwikkelingsgebieden van het Sigmaplan komt maar een klein aantal scholeksters tot broeden. Jaarlijks zijn er tussen 10 en 20 territoria. Als de broedstrategie van deze soort niet wijzigt, zullen de naturuontwikkelingsgebieden van het Sigmaplan weinig kunnen bijdragen aan de realisatie van de doelstelling (IHD = 190). +In het Noordelijk gebied lijken de aantallen de laatste jaren wel wat te stijgen, vooral in Doelpolder-noord, waar predatierasters geplaatst zijn om de weidevogels te beschermen, is dit het geval.
diff --git a/moneos_2024/moneos_2024.Rproj b/moneos_2024/moneos_2024.Rproj index 2c877d4..5ebfe47 100644 --- a/moneos_2024/moneos_2024.Rproj +++ b/moneos_2024/moneos_2024.Rproj @@ -14,3 +14,5 @@ LaTeX: XeLaTeX BuildType: Website WebsitePath: 150_geintegreerd_rapport + +MarkdownWrap: Sentence From 3a2b22cb3887d62ec1d504438f37b34e957743d6 Mon Sep 17 00:00:00 2001 From: VAN RYCKEGEM Date: Fri, 13 Sep 2024 10:26:30 +0200 Subject: [PATCH 060/102] aanpassing figuur obv review suggestie --- moneos_2024/100_watervogels/20_moneos_watervogels_analyse.Rmd | 2 ++ 1 file changed, 2 insertions(+) diff --git a/moneos_2024/100_watervogels/20_moneos_watervogels_analyse.Rmd b/moneos_2024/100_watervogels/20_moneos_watervogels_analyse.Rmd index bf35ad9..33e6905 100644 --- a/moneos_2024/100_watervogels/20_moneos_watervogels_analyse.Rmd +++ b/moneos_2024/100_watervogels/20_moneos_watervogels_analyse.Rmd @@ -1176,6 +1176,7 @@ Waterbirds_sigma_estuarien %>% geom_line(aes(group = 1)) + # geom_point()+ facet_wrap(~gebied, scales = "free")+ + expand_limits(y=0)+ theme(axis.text.x = element_text(angle = 90)) @@ -1195,6 +1196,7 @@ Waterbirds_sigma_estuarien %>% geom_line(aes(group = 1)) + # geom_point()+ facet_wrap(~gebied, scales = "free")+ + expand_limits(y=0)+ theme(axis.text.x = element_text(angle = 90)) ``` From 744cdca2dc63a24e7ad36d2686b5f34f1bfb0dbf Mon Sep 17 00:00:00 2001 From: VAN RYCKEGEM Date: Fri, 13 Sep 2024 10:27:08 +0200 Subject: [PATCH 061/102] aanpassingen na review van Frank --- .../150_geintegreerd_rapport/100_watervogels.Rmd | 10 +++++++--- 1 file changed, 7 insertions(+), 3 deletions(-) diff --git a/moneos_2024/150_geintegreerd_rapport/100_watervogels.Rmd b/moneos_2024/150_geintegreerd_rapport/100_watervogels.Rmd index f71458c..9e35c27 100644 --- a/moneos_2024/150_geintegreerd_rapport/100_watervogels.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/100_watervogels.Rmd @@ -457,7 +457,7 @@ De hoogste aantallen worden geteld in de oligohaliene zone. De boerengans en soepeend komen in relatief kleine aantallen voor en zijn stabiel tot afnemend. De dichtheden van de overwinterende watervogels per oppervlakte zacht substraat slik in de Zeeschelde is per deelzone weergegeven in Figuur \@ref(fig:100-figuur-dichtheden-watervogels-per-zone). -Voor de figuur werd een selectie gemaakt van alle omnivore en benthivore soorten en werden kuifeend en tafeleend uitgesloten omdat beide soorten vooral afhankelijk zijn van het voedselaanbod in de ondiepe waterzones . +Voor de figuur werd een selectie gemaakt van alle omnivore en benthivore soorten en werden kuifeend en tafeleend uitgesloten omdat beide soorten vooral afhankelijk zijn (waren - ze komen zelden nog voor de laatste 10 jaar) van het voedselaanbod in het subtidaal (Tessens, 2006). De grafiek houdt geen rekening met Sigma natuurontwikkelingsgebieden. In 2001 waren er hoge vogeldichtheden in de oligohaliene zone, zoet lang en Rupel, met rond de 120-160 vogels per ha . Deze dichtheden namen sterk af. @@ -571,7 +571,7 @@ knitr::include_graphics(paste0(pad_figuren, "100_figuur_wintermaxima_sigma_estua ``` -
+
```{r 100-figuur-wintermaxima-sigmagebieden-estuarien, fig.cap=cap_wintermaxima_sigmagebieden,out.width="100%"} @@ -597,7 +597,7 @@ knitr::include_graphics(paste0(pad_figuren, "100_figuur_Natuurindicator_glijdend Zie rapportage vorig jaar. -
**Algemene conclusie** +
**Algemene conclusie** Over de periode 2009-2023 bekeken is er op het niveau van de Zeeschelde een dalende trend te zien in het aantal overwinterende watervogels. De trendindex toont wel een toename in de sterke saliniteitsgradiënt. @@ -617,6 +617,10 @@ EMSE (2021). Evaluatiemethodiek Schelde‐estuarium: Update 2021. Antea, Bureau Waardenburg, Deltares, UAntwerpen, UGent, INBO en NIOZ. +Tessens B. (2006). +Voedselecologie van Tafeleenden op de Zeeschelde. +Vogelnieuws 7: 28-30. Uitgave Instituut voor Natuur- en Bosonderzoek, Brussel. +
From aec6e2a46bd0dbadd1147dd3c8879a238e06560c Mon Sep 17 00:00:00 2001 From: VAN RYCKEGEM Date: Fri, 13 Sep 2024 11:03:45 +0200 Subject: [PATCH 062/102] aanpassingen na review van Frank --- .../150_geintegreerd_rapport/060_sedimentkenmerken.Rmd | 8 ++++---- 1 file changed, 4 insertions(+), 4 deletions(-) diff --git a/moneos_2024/150_geintegreerd_rapport/060_sedimentkenmerken.Rmd b/moneos_2024/150_geintegreerd_rapport/060_sedimentkenmerken.Rmd index 5aa0191..7d4bd0b 100644 --- a/moneos_2024/150_geintegreerd_rapport/060_sedimentkenmerken.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/060_sedimentkenmerken.Rmd @@ -87,7 +87,7 @@ In Van Ryckegem et al. (2017) wordt uitvoerig de analyseprocedure en de datacorr De geleverde data is de gecorrigeerde data. In 2015 en 2013 bleken de korrelgrootte analyses voor de intertidale batch Zeeschelde IV en in 2013 voor de subtidale batch Zeeschelde I onbetrouwbaar. Deze data werd niet aangeleverd en is buiten de analyse gelaten. -In Van de Meutter et al. (2022 - in prep. ) een uitgebreide kwaliteitscontrole gepresenteerd van de INBO analysemethode voor korrelgrootteverdeling (adhv een Coultern counter). +In Van de Meutter et al. (2022) een uitgebreide kwaliteitscontrole gepresenteerd van de INBO analysemethode voor korrelgrootteverdeling (adhv een Coultern counter). De herhaalbaarheid van de metingen is hoog (mediaan verschil: ca. -1 tot 4µm; gemiddelde verschil: ca. -5 tot 7µm; standaarddeviatie (SD) \~ 15µm). Afwijkende metingen (\> 2 keer SD) kunnen voorkomen in circa 7% van de stalen. @@ -115,7 +115,7 @@ tabel_x_waarden %>%

-Om de lange termijn trends te onderzoeken bepalen we welke lineaire regressiemodellen een significante trend tonen over de periode 2008-`r recentste_jaar` (p-waarde genomen \< 0.01). +Om de lange termijn trends te onderzoeken bepalen we welke lineaire regressiemodellen per waterloop en fysiotoop een significante trend tonen over de periode 2008-`r recentste_jaar` (p-waarde genomen \< 0.01). De dataset werd genest binnen fysiotoop en waterloop. Slibpercentage is de responsvariabele en jaar de predictorvariabele. De selectie van de meest significante modellen is weergegeven in Tabel \@ref(tab:060-tabel-modeloutput). @@ -156,7 +156,7 @@ In slibrijke bodems (\> 25% slib) vertonen de drie beschouwde variabelen in de d Daarom beperken we de eerstelijnsbespreking tot het slibgehalte van de sedimenten. De andere metingen werden gevalideerd. -Doorheen het estuarium is er een grotere spreiding op de metingen van het subtidale tegenover het intertidale gebied (Figuur \@ref(fig:060-figuur-slib-Zeeschelde-boxplotfysiotopen)). +Doorheen het estuarium is er een grotere spreiding op de metingen van slibgehalte binnen het subtidale in vergelijking met het intertidale gebied (Figuur \@ref(fig:060-figuur-slib-Zeeschelde-boxplotfysiotopen)). In het intertidaal is er een consistent patroon van slibrijke (fijnere) bodems in het hoog slik fysiotoop naar minder slibrijke (grovere) sedimenten lager. Dit patroon zet zich globaal door in het subtidaal. @@ -267,7 +267,7 @@ Biological Invasions, 22(2), 627–641. Van de Meutter F., Smeekens V. & Buerms D. (2022). -Beschrijvend datarapport: sedimentkarakteristieken en sedimentatie-erosie langsheen vaste raaien voor benthosmonitoring in de Zeeschelde 2018-2020.Rapporten van het Instituut voor Natuur- en Bosonderzoek 2022 (in prep.). +Beschrijvend datarapport: sedimentkarakteristieken en sedimentatie-erosie langsheen vaste raaien voor benthosmonitoring in de Zeeschelde 2018-2020.Rapporten van het Instituut voor Natuur- en Bosonderzoek 2022 (34). Instituut voor Natuur- en Bosonderzoek, Brussel. Van Ryckegem G., Van Braeckel A., Elsen R., Speybroeck J., Vandevoorde B., Mertens W., Breine J., Spanoghe G., Buerms D., De Beukelaer J., De Regge N., Hessel K., Soors J., Terrie T., Van Lierop F. From 6522c335b558c62790c9dd11660f345447b72746 Mon Sep 17 00:00:00 2001 From: VAN RYCKEGEM Date: Fri, 13 Sep 2024 12:27:33 +0200 Subject: [PATCH 063/102] review Gunther --- .../110_broedvogels.Rmd | 23 ++++++++++++------- 1 file changed, 15 insertions(+), 8 deletions(-) diff --git a/moneos_2024/150_geintegreerd_rapport/110_broedvogels.Rmd b/moneos_2024/150_geintegreerd_rapport/110_broedvogels.Rmd index c15e9e5..14e8dee 100644 --- a/moneos_2024/150_geintegreerd_rapport/110_broedvogels.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/110_broedvogels.Rmd @@ -88,9 +88,9 @@ knitr::include_graphics(paste0(pad_figuren, "110_fig1.png")) Rest IHD-gebied is de NOP-zoneplus, het studiegebied van de Instandhoudingsdoelstellingen Schelde-estuarium (IHD-Z, Adriaensen et al. 2005). Dit gebied omvat de vallei van de Zeeschelde en haar tijgebonden zijrivieren, inclusief de vallei van de Grote Nete tot in Zammel en van de Kleine Nete tot in Grobbendonk en alle buitendijkse gebieden. De broedvogelaantallen in het vogelrichtlijngebied de Kuifeend en omgeving (Plas Hoge Maey, de Verlegde Schijns, het Oud Schijn, de Grote Kreek en Stadsgracht, de Meeuwenbroedplaats en het Opstalvalleigebied) en in het vogelrichtlijngebied op de linker Scheldeoever (m.u.v. het Noordelijkgebied) worden niet meegeteld omdat hiervoor aparte instandhoudingsdoelstellingen zijn opgesteld (IHD-Z, Adriaensen et al. 2005).\ - + - + ### Dataverzameling @@ -107,7 +107,7 @@ De gegevens van de periode 2006-2007 zijn afkomstig uit het BBV-verslag 2006-200 De gegevens voor de periode 2008-2009 zijn afkomstig uit (Anselin 2010) en de Broedvogeldatabank. Voor de deelgebieden Noordelijk gebied, Ketenisse, Rest AN-LO zijn de aantallen vanaf 2003 afgeleid uit de monitoringsrapporten van het Linkerscheldeoevergebied (Spanoghe et al., 2003, 2006, 2008, 2010 en Gyselings et al. 2004, 2007, 2009) en recentere monitoringsgegevens van het INBO-project "Monitoring en evaluatie van het Linkerscheldeoevergebied (LO)".\ De aantallen voor Blokkersdijk zijn afkomstig van de website van Natuurpunt-Waasland en het tweede monitoringsrapport (De Jonghe & Verschueren, 2017) en data aangeleverd door Willy Verschueren (2018 - 2020). - Voor het overstromingsgebied Kruibeke -- Bazel -- Rupelmonde zijn de gegevens afkomstig van de jaarverslagen van de Beheercommissie Kruibeke-Bazel-Rupelmonde (Anoniem, 2014) en recentere monitoringsgegevens van de INBO-project "Opvolgen en adviseren beheercommissie Kruibeke-Bazel-Rupelmonder (KBR)" en het INBO/ANB-project "Wetenschappelijke opvolging van de natuurontwikkeling in de gebieden van het geactualiseerde Sigmaplan".\ + Voor het overstromingsgebied Kruibeke -- Bazel -- Rupelmonde zijn de gegevens afkomstig van de jaarverslagen van de Beheercommissie Kruibeke-Bazel-Rupelmonde (Anoniem, 2014) en recentere monitoringsgegevens van de INBO-project "Opvolgen en adviseren beheercommissie Kruibeke-Bazel-Rupelmonder (KBR)" en het INBO/ANB-project "Wetenschappelijke opvolging van de natuurontwikkeling in de gebieden van het geactualiseerde Sigmaplan".\ Gegevens van Molsbroek en de overige gebieden van de vzw Durme zijn afkomstig van de Vogelwerkgroep Durmevallei aangeleverd door Joris Everaert.\ Gegevens van Kalkense Meersen, Wijmeers, Paardeweide, Bergenmeersen, Weijmeerbroek en Zennegat na 2008 werden verzameld in het kader van het INBO/ANB-project "Wetenschappelijke opvolging van de natuurontwikkeling in de gebieden van het geactualiseerde Sigmaplan". INBO/ANB voert in deze gebieden frequent, maar niet jaarlijks, broedvogelkarteringen uit. @@ -123,7 +123,8 @@ Nullen werden enkel ingevuld als: - het op basis van de gekende Vlaamse populaties uiterst onwaarschijnlijk is dat een bepaalde soort zou hebben gebroed. In andere gevallen, waar geen zekerheid bestaat over aan- of afwezigheid, werd niets ingevuld (NA). - + + Het bestand dataSigma_sel2_2022.csv geeft de totalen voor het IHD-gebied. Deze totalen zijn gebaseerd op de aantallen in bovenstaande bronnen, waarbij in geval van een vork steeds de hoogste waarden werd genomen. @@ -160,7 +161,7 @@ Volgende Sigmagebieden nemen we mee in de analyse (zie Figuur \@ref(fig:110-figu - Polders van Kruibeke: geleidelijke inrichting sinds 2008, GGG Bazel-noord sinds 2015, GGG-Kruibeke sinds 2017, ontpoldering Fasseit sinds 2017 - Zennegat: inrichting als GOG met gecontroleerd gereduceerd getijdengebied afgerond in 2017 - + Om volledige tijdsreeksen te bekomen voor de Sigmagebieden werd een extrapolatie van de data doorgevoerd. De jaren voorafgaand aan de inrichting kregen de aantallen van de nulmeting (T0) toegekend. @@ -209,7 +210,7 @@ Tussen 2003 en 2010 werden jaarlijks 1 tot 4 territoria snor vastgesteld, bijna Tussen 2010 en 2020 schommelden de aantallen tussen 4 en 10, waarbij de soort ook opdook stroomopwaarts Antwerpen. Sinds 2021 komen er meer dan 10 territoria voor in het IHD-gebied maar opvallend is dat de soort sinds 2021 niet meer broedt in het Noordelijk gebied. Met 25 territoria in 2023 lijkt de tot doel gestelde populatie van 100 broedparen plots toch realistisch. -De polders van Kruibeke vromen momenteel het belangrijkste broedgebeid met 10 territoria in 2023, maar de snor heeft zich duidelijk ook gevestigd in de Durmevallei en in de Kalkense Meersen en omgeving. +De polders van Kruibeke vormen momenteel het belangrijkste broedgebeid met 10 territoria in 2023, maar de snor heeft zich duidelijk ook gevestigd in de Durmevallei en in de Kalkense Meersen en omgeving. Ook het aantal woudaapterritoria neemt de laatste jaren toe. Vóór 2015 werden jaarlijks 0 tot maximaal 3 territoria geteld en tussen 2015 en 2022 2 tot 7 territoria. @@ -224,7 +225,7 @@ Maximale aantallen werden vastgesteld tussen 2011 en 2015 met met meer dan 60 te De 40 territoria in 2022 vormden het laagste aantal sinds 2008. In 2023 werden iets meer territoria geteld, nl. 47. -De daling na speelde zich aanvankelijk uitsluitend af in het Noordelijk gebied, van ca. +De daling speelde zich aanvankelijk uitsluitend af in het Noordelijk gebied, van ca. 30 territoria in de periode 2010 - 2012 naar minder dan 10 territoria vanaf 2018, terwijl de aantallen stroomopwaarts in een ruim gebied gebied rond de Kalkense Meersen stabiel bleven. Na 2018 dalen de aantallen ook daar van ca. 40 - 45 naar 24 in 2022 en 26 in 2023, terwijl in het Noordelijk gebied een voorzichtige stijging lijkt op te treden naar 17 territoria in 2022 en 21 in 2023. @@ -234,7 +235,7 @@ In 2018 en 2019 kende de soort een stevige dip (resp. 10 en 45 territoria). Na het nemen van uitgebreide beschermingsmaatregelen tegen grondpredatoren in het Noordelijk gebied (vossenrasters) stijgen de aantallen opnieuw tot rond de 150 territoria in 2020 en 2021 en rond de 130 in 2022 en 2023. Het overgrote deel van de kluten (\> 85%) broedt nu opnieuw in natuurgebieden in de haven (Noordelijk gebied, Potpolder Lillo). Verder broedde kluut in kleine aantallen met wisselend succes in de Polders van Kruibeke, het Noordelijk eiland en de Paardeweide. -In 2023 werden enkel territoria vastgesteld in het Noordelijk gebied (Doelpolder-noord en Prosperpolder-noord) en de Popolder van Lillo. +In 2023 werden enkel territoria vastgesteld in het Noordelijk gebied (Doelpolder-noord en Prosperpolder-noord) en de Potpolder van Lillo. De aantallen zomertaling stijgen na 2007 wat te verklaren is door de stapsgewijze inrichting van (estuariene) wetlandgebieden van het Sigmaplan. In 2022 werd voor het eerst sinds 2002 het IHD-doel bereikt. @@ -444,6 +445,12 @@ Vermeersch G., Anselin A., Devos K., Herremans M., Stevens J., Gabriëls J., Van (2004). Atlas van de Vlaamse broedvogels : 2000-2002. +Vochten T., Lenaerts B. +& Baetens J. +(2024). +Soortbeschermingsprogramma Antwerpse Haven Monitoringsrapport 2023. +Natuurpunt. + Weyn K., Gyselings R., Spanoghe G. (2013). Jaarverslag 2012 Beheercommissie Natuur Linkerscheldeoever. From 17ac2480b0287afbad109190884a800d2e387ed4 Mon Sep 17 00:00:00 2001 From: VAN RYCKEGEM Date: Fri, 13 Sep 2024 12:40:27 +0200 Subject: [PATCH 064/102] aanpassingen na lezing door Merlijn --- moneos_2024/150_geintegreerd_rapport/010_Inleiding.Rmd | 6 +++--- 1 file changed, 3 insertions(+), 3 deletions(-) diff --git a/moneos_2024/150_geintegreerd_rapport/010_Inleiding.Rmd b/moneos_2024/150_geintegreerd_rapport/010_Inleiding.Rmd index e507bc1..9479ec0 100644 --- a/moneos_2024/150_geintegreerd_rapport/010_Inleiding.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/010_Inleiding.Rmd @@ -47,14 +47,14 @@ Het onderzoeksteam Monitoring en Herstel Aquatische Fauna van het INBO staat in Het INBO levert data aan voor volgende thema's en indicatoren: -Thema leefomgeving +Thema leefomgeving - - Overzicht Estuariene Natuurontwikkelingsprojecten - Ecotopen - Vegetatiekaart - Sedimentkenmerken - Sedimentatie en erosie op punten en raaien +- Monitoring slik en schorrand Thema diversiteit soorten en thema ecologisch functioneren @@ -65,7 +65,7 @@ Thema diversiteit soorten en thema ecologisch functioneren - Watervogels - Broedvogels - Zoogdieren -- Monitoring Slik en Schorrand + De aangeleverde data omvatten enkel gegevens van de Zeeschelde en getijgebonden zijrivieren. Tenzij anders vermeld kunnen ze gebruikt worden tot op niveau 3 van de Evaluatiemethodiek wat overeenkomt met de saliniteitszones aangevuld met de getijdenzijrivieren (Durme, Netes, Dijle en Zenne (Tabel \@ref(tab:010-tabel-indeling-schelde-estuarium). From 87d211e7482b72592950fce29e3a935475eaed3f Mon Sep 17 00:00:00 2001 From: VAN RYCKEGEM Date: Mon, 16 Sep 2024 09:55:12 +0200 Subject: [PATCH 065/102] nalezen Gunther --- .../091_vissen_ankerkuil.Rmd | 20 ++++++++++--------- 1 file changed, 11 insertions(+), 9 deletions(-) diff --git a/moneos_2024/150_geintegreerd_rapport/091_vissen_ankerkuil.Rmd b/moneos_2024/150_geintegreerd_rapport/091_vissen_ankerkuil.Rmd index c7f7800..7098575 100644 --- a/moneos_2024/150_geintegreerd_rapport/091_vissen_ankerkuil.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/091_vissen_ankerkuil.Rmd @@ -163,7 +163,7 @@ In het najaar neemt brakwatergrondel het over in Steendorp, vergelijkbaar met vo Brakwatergrondel is minder dominant aanwezig in vergelijking met 2022, vooral in Branst, waar bot in `r laatste_jaar`dominant aanwezig is in het voorjaar en dikkopje het overneemt in de zomer en het najaar. Uitgedrukt in biomassa worden gelijkaardige patronen geobserveerd voor haringachtigen in Doel en Antwerpen. -Spiering treedt meer op de voorgrond in Steendorp maar met toenmende aanwezigheid van brakwatergrondel en dikkopje in het najaar. +Spiering treedt meer op de voorgrond in Steendorp maar met toenemende aanwezigheid van brakwatergrondel en dikkopje in het najaar. In Branst staat fint in voor een groot deel van de biomassa in het voorjaar, spiering in de zomer en dikkopje in het najaar (Figuur \@ref(fig:091-figuur-relatieve-biomassa)). Ook snoekbaars is duidelijk aanwezig in de biomassa van voorjaar en zomer in Steendorp en Branst. @@ -324,7 +324,7 @@ De aantallen daalden voor het derde + Van de 25 sleutelsoorten uit de lijst (EMSE 2021) worden er 22 waargenomen in de Zeeschelde aan de hand van ankerkuil bevissingen: 8 mariene en estuariene soorten, 6 diadrome soorten en 8 zoetwater soorten. Slechts een aantal soorten komen echter in relatief hoge aantallen voor. @@ -395,7 +395,7 @@ Sprot wordt eveneens in vrij grote aantallen gevangen maar werd niet als sleutel Vorige pieken rond 50 individuen per 1000m³ in 2018 en 2020 zijn waargenomen in oligohalien. - Haring komt vooral voor in de zone met sterke saliniteitsgradiënt. - De aantallen zijn relatief stabiel en toenen op eerste zicht een golvende beweging, met piekdensiteiten in 2014, 2018 en 2022. + De aantallen zijn relatief stabiel en tonen op eerste zicht een golvende beweging, met piekdensiteiten in 2014, 2018 en 2022. - Zeebaars wordt vooral waargenomen in de zoetwater zone en in het oligohalien. In vergelijking met de periode 2012-2017 komt er nu weinig zeebaars voor in de Zeeschelde. @@ -414,7 +414,9 @@ knitr::include_graphics(paste0(pad_figuren, "aantallen_sleutelsoorten_EMSE_marie ***Diadrome soorten*** De meest voorkomende diadrome sleutelsoorten (\> 1 individu per 1000m³) zijn bot, fint en vooral spiering (Figuur \@ref(fig:091-figuur-diadrome-sleutelsoorten)). -Paling wordt slechts in kleine aantallen gevangen, maar is qua biomassa toch vrij belangrijk. +Paling wordt slechts in kleine aantallen gevangen met de ankerkuil, maar is qua biomassa toch vrij belangrijk. + + - Bot komt voor in alle drie de scheldezones waar afvissingen met ankerkuil worden gedaan, maar met over het algemeen de hoogste aantallen in het zoetwater. Aantallen bot varieren van jaar tot jaar, met in `r laatste_jaar` de hoogste aantallen tot nu toe. @@ -448,7 +450,7 @@ knitr::include_graphics(paste0(pad_figuren, "aantallen_sleutelsoorten_EMSE_diadr De meest voorkomende sleutelsoorten voor de zoetwatersoorten zijn blankvoorn, brasem en snoekbaars (Figuur \@ref(fig:091-figuur-zoetwater-sleutelsoorten)). - Na de forse toename van blankvoorn in het zoetwater in 2021 vertoont deze soort in `r laatste_jaar` opnieuw lagere aantallen. - + - Brasem vertoont een duidelijke toename in aantallen in het zoetwater vanaf 2016 in vergelijking met de jaren ervoor. In 2022 en `r laatste_jaar` is er nog een extra toename in het zoetwater. @@ -504,7 +506,7 @@ ook omdat het aantal algemene soorten het grootst is in deze groep. Het beeld van mariene en estuariene soorten is iets complexer omdat hier in realiteit twee verschillende estuarien habitat gebruik gilden samengevoegd worden: estuarien residenten en mariene migranten die elk op een heel andere manier gebruik maken van het estuarien habitat. In de zoete zone met lange verblijftijd en in het oligohalien zijn brakwatergrondel en dikkopje, twee estuarien residente soorten, de meest talrijke soorten van deze gildengroep. -Afgezien van de uitzonderlijke piek in In `r laatste_jaar` voor dikkopje en in 2018 voor brakwatergrondel schommelen de aantallen en biomassa's zonder uitgesproken trend te vertonen. +Afgezien van de uitzonderlijke piek in `r laatste_jaar` voor dikkopje en in 2018 voor brakwatergrondel schommelen de aantallen en biomassa's zonder uitgesproken trend te vertonen. In de zone met sterke saliniteitgradiënt is haring, een mariene migrant het meest talrijk. Indien we naar de biomassa kijken winnen sprot en ook haring in 2022 en `r laatste_jaar` aan belang in de twee stroomafwaartse zones en zelfs in de zoete zone met lange verblijftijd. @@ -560,7 +562,7 @@ Qua trofische samenstelling overheersten in het verleden omnivoren de aantallen zoals reeds vermeld is de dominantie van omnivoren (spiering) de laatste twee jaar echter grotendeels verdwenen. Brakwatergrondel en dikkopje en in mindere mate brasem zijn de dominante benthivoren zowel in de aantallen als in de biomassa. -De gevangen hoeveelheden en de dominantie van brakwatergrondel over dikkopje stijgen beiden in stroomopwaartse richting in de vorige jaren. +De gevangen hoeveelheden en de dominantie van brakwatergrondel en dikkopje stijgen beiden in stroomopwaartse richting in de vorige jaren. In `r laatste_jaar` is dikkopje voor de eerste keer dominant in aantallen en biomassa over brakwatergrondel in zoetwater. Spiering is de dominante omnivoor met veel hogere aantallen en biomassa dan snoekbaars en andere omnivoren. @@ -572,7 +574,7 @@ In de zone met sterke saliniteitsgradiënt zijn haring en sprot de belangrijkste Ook in het oligohalien zijn ze nog redelijk talrijk aanwezig. Baars, rivierprik en zeeprik zijn de belangrijkste piscivoren. -In aantallen overheerst baars, met een opvallende piek in Overbeke (zoetwater) in 2021. +In aantallen overheerst baars, met een opvallende piek in Branst (zoet lang) in 2021. Pieken in de biomassa worden eerder veroorzaakt door occasionele vangsten van prikken, die gemiddeld veel groter zijn. Ook piscivorie in de waterkolom van de Zeeschelde is onderschat doordat de EMSE indeling in dieetgroepen geen rekening houdt met de dieetshift van dominante soorten. Een groot aandeel van 'omnivore' biomassa betreft ook volwassen spieringen en snoekbaars, die zich in de Schelde voornamelijk piscivoor gedragen (eigen observatie). From 07cc397795b5ff7287cd78ab75a47613a867d9eb Mon Sep 17 00:00:00 2001 From: WimMertens Date: Mon, 16 Sep 2024 22:10:15 +0200 Subject: [PATCH 066/102] afgewerkte versie 1 --- .../120_zoogdieren/10_zoogdieren_data.Rmd | 232 ++++++ .../120_zoogdieren/20_zoogdieren_analyse.Rmd | 686 ++++++++++++++++++ .../120_zoogdieren.Rmd | 443 +++++++++++ .../150_geintegreerd_rapport/LICENSE.md | 4 +- .../150_geintegreerd_rapport/index.Rmd | 2 +- 5 files changed, 1363 insertions(+), 4 deletions(-) create mode 100644 moneos_2024/120_zoogdieren/10_zoogdieren_data.Rmd create mode 100644 moneos_2024/120_zoogdieren/20_zoogdieren_analyse.Rmd create mode 100644 moneos_2024/150_geintegreerd_rapport/120_zoogdieren.Rmd diff --git a/moneos_2024/120_zoogdieren/10_zoogdieren_data.Rmd b/moneos_2024/120_zoogdieren/10_zoogdieren_data.Rmd new file mode 100644 index 0000000..7958965 --- /dev/null +++ b/moneos_2024/120_zoogdieren/10_zoogdieren_data.Rmd @@ -0,0 +1,232 @@ +--- +params: + hoofdstuk: "120_zoogdieren" +knit: (function(inputFile, ...) { + rmarkdown::render(inputFile, + output_dir = paste0(rmarkdown::yaml_front_matter(inputFile)$params$hoofdstuk, "/output"))}) +title: "MONEOS zoogdieren data" +output: + bookdown::html_document2: + toc: true + toc_float: true +editor_options: + chunk_output_type: console +--- + +```{r setup, include=FALSE} + +knitr::opts_chunk$set(echo = FALSE, error=FALSE, warning=FALSE, message=FALSE, cache=FALSE) +options(knitr.kable.NA = '') +``` + +```{r libraries} + +library(tidyverse) +library(rprojroot) +library(readxl) +library(lubridate) +library(kableExtra) + +``` + +```{r pad} + +# inlezen van variabelen +# pad naar data : pad_data +# pad naar tabellen : pad_tabellen +# pad naar figuren : pad_figuren + +source(find_root_file("../pad.R", criterion = is_rstudio_project)) + +pad_data <- maak_pad(params$hoofdstuk, "data") +pad_figuren <- maak_pad(params$hoofdstuk, "figuren") +pad_tabellen <- maak_pad(params$hoofdstuk, "tabellen") + +``` + +```{r data} +pad_data +(files <- list.files(pad_data, full.names = TRUE, )) +(rawfiles2024 <- files[str_detect(files, "xlsx")]) +# two tables delivered from waarningen.be, one with standard data, one with for which observer had to give consent +# read the xlsx files + +zoogdier_data <- + map(rawfiles2024, read_xlsx) + +# check whether files have same structure +ncol(zoogdier_data[[1]]) == ncol(zoogdier_data[[2]]) # same number of columns +names(zoogdier_data[[1]]) == names(zoogdier_data[[2]]) # same column names + +# combine list items to one tibble +zoogdier_data <- + zoogdier_data %>% + list_rbind() + +``` + +# Soorten in aangeleverde data + +In de dataset zitten waarnemingen van 5 soorten en één verzamelsoort (zeehond onbekend). + +```{r soorten} +zoogdier_data %>% + group_by(Soort = naam_nl) %>% + summarise() %>% + kbl(caption = "Soorten in dataset") %>% + kable_styling(full_width = FALSE, position = "left") +``` + +# Jaren in aangeleverde data + +De dataset bevat alle waarnemingen uit de periode 2010- 2023. + +```{r jaren} +table(year(zoogdier_data$datum)) +``` + +```{r jarensoort} +table(year(zoogdier_data$datum), zoogdier_data$naam_nl) %>% + kable(caption = "Aantal waarnemingen per jaar per soort") %>% + kableExtra::kable_paper() +``` + +# Gedrag in aangeleverde data + +Tot 2017 of 2018 werden waarnemingen van sporen (ook) als gedrag ingegeven. Vanaf 2019 gebeurt dit niet meer. Meerderheid van waarnemingen heeft gedrag "ter plaatse", dit is de default in de mobiele app. + +```{r gedrag} +zoogdier_data %>% + count(gedrag) %>% + knitr::kable(caption = "Gedrag in dataset") %>% + kable_styling(full_width = FALSE, position = "left") +``` + +```{r gedrag per jaar} +zoogdier_data %>% + count(gedrag, Jaar = year(datum)) %>% + spread(key = Jaar, value = n) %>% + knitr::kable(caption = "Gedrag per jaar in dataset") %>% + kable_styling() +``` + +# Methode in aangeleverde data + +Tot 2017 werd waarnemingsmethode in de overgrote meerderheid van de waarneming niet vermeld (NA). Andere waarnemingsmethodes werden amper ingevuld. Vanaf 2017 neemt het aandeel van waarnemingen waarbij de waarnemingsmethode is gespecificeerd toe. De categorie "onbekend" blijft wel een aanzienlijk aandeel innemen. + +```{r methode} +zoogdier_data %>% + count(methode) %>% + knitr::kable(caption = "Methode in dataset") %>% + kable_styling(full_width = FALSE, position = "left") +``` + +```{r methode per jaar} +zoogdier_data %>% + count(methode, Jaar = year(datum)) %>% + spread(key = Jaar, value = n) %>% + knitr::kable(caption = "Methode per jaar in dataset") %>% + kable_styling() +``` + +# Combinatie gedrag - methode + + +Analyse is niet makkelijk voor bever. Combinatie gedrag - methode is niet echt logisch voor deze soort. Bv. de categorie gedrag "(nabij) nest/burcht" kan zowel de aanwezigheid van een burcht betekenen als een zichtwaarneming van een induvidu bij de burcht. Bij gedrag bestaat een categorie bezet nest en bij methode bestaat een categorie "verlaten nest". Wij gebruiken het als zichtwaarnemingen indien methode niet aangegevens wordt dat het om sporen of een burcht gaat (zie 20_zoogdieren_analyse.Rmd). + +```{r gedrag-methode} +zoogdier_data %>% + count(gedrag, methode) %>% + knitr::kable(caption = "Combinatie Gedrag-Methode in dataset") %>% + kable_styling(full_width = FALSE, position = "left") +``` + +```{r gedrag-methode-bever} +zoogdier_data %>% + filter(str_detect(naam_nl, "Bever")) %>% + count(gedrag, methode) %>% + knitr::kable(caption = "Combinatie Gedrag-Methode voor bever") %>% + kable_styling(full_width = FALSE, position = "left") +``` + + +```{r gedrag-methode-nonspec} +zoogdier_data %>% + filter(str_detect(naam_nl, "Bever"), + (gedrag == "overige" & is.na(methode))| + (gedrag == "ter plaatse" & is.na(methode))| + (gedrag == "ter plaatse" & methode == "onbekend") + ) %>% + count(gedrag, methode, jaar = year(datum)) %>% + knitr::kable(caption = ) %>% + kable_styling(full_width = FALSE, position = "left") + +``` + + +Er zijn `r nrow(zoogdier_data[zoogdier_data$naam_nl == "Europese Bever" & zoogdier_data$gedrag == "overige" & is.na(zoogdier_data$methode),]) + nrow(zoogdier_data[zoogdier_data$naam_nl == "Europese Bever" & zoogdier_data$gedrag == "ter plaatse" & is.na(zoogdier_data$methode),])` waarnemingen van bever zonder specificatie (combinaties (gedrag = "overige" en methode = na), (gedrag = "ter plaatse" en methode = na) op een totaal van `r nrow(zoogdier_data[,2] == "Europese Bever")` waarnemingen. Gedrag = "ter plaatse" is de standaard instelling in ObsMap. Dit kan dus betekenen da het dier ter plaatse bleef maar ook dat het veld gedrag door de waarnemer niet werd ingevuld. Na 2017 komt de combinatie gedrag = "ter plaatse" en methode = na niet meer voor omdat een waarde voor methode moest worden ingevoerd, de standaardwaarde is vanaf toen "onbekend". + +```{r gedrag-methode-jaar} +zoogdier_data %>% + count(gedrag, methode, Jaar = year(datum)) %>% + spread(key = Jaar, value = n) %>% + knitr::kable() %>% + kable_styling() +``` + +
+ +# Status + +De meeste waarnemingen zijn op één of andere wijze gevalideerd (`r round(sum(str_detect(zoogdier_data$status, "Goed"))/count(zoogdier_data)*100, 0)` %).\ +`r round(sum(zoogdier_data$status == "Onbehandeld")/count(zoogdier_data)*100, 0)` % van waarnemingen zijn niet gevalideerd, `r round(sum(str_detect(zoogdier_data$status, "Niet"))/count(zoogdier_data)*100, 1)` % van de waarnemingen zijn gecategoriseerd als "Niet te beoordelen". + +Als we dit per soort bekeken valt op dat voor bever, otter (en bruinvis) een groot deel van de waarnemingen gevalideerd zijn. Voor gewone en grijze zeehond en 'zeehond onbekend' is (sinds 2016) een aanzienlijk deel van de waarnemingen onbehandeld. Dit geldt ook voor alle waarnemingen van bruinvis ná 2015, maar dat zijn er erg weinig. Gebrek aan goed bewijsmateriaal van deze laatste soorten is een mogelijke reden hiervoor, maar ook mindere aandacht van de personen die moeten valideren is een mogelijke reden, zeker gezien ook bij 'zeehond onbekend' het overgrote deel van de waarnemingen onbehandeld is. +
+ +```{r status} +zoogdier_data %>% + count(status) %>% + knitr::kable(caption = "Validatiestatus van de waarnemingen (totaal aantal in de dataset).") %>% + kable_styling(full_width = FALSE, position = "left") +``` +
+ +```{r} +zoogdier_data %>% + count(status, Jaar = year(datum)) %>% + spread(key = Jaar, value = n) %>% + knitr::kable(caption = "Validatiestatus van de waarnemingen (totaal aantal per jaar).") %>% + kable_styling(position = "left") +``` +
+ + +```{r} +zoogdier_data %>% + mutate(status2 = case_when(str_detect(status, "Goedg") ~ "Goedgekeurd", + TRUE ~ status)) %>% + count(status2, naam_nl, Jaar = year(datum)) %>% + ggplot(aes(x = Jaar, y = n, color = status2)) + + geom_point() + + labs(x ="", y = "Aantal") + + scale_x_continuous(breaks = seq(2010, 2025, by = 5), + minor_breaks = seq(2010, 2025, by = 1)) + + scale_y_continuous(label = ~ scales::comma(.x, accuracy = 1)) + + scale_color_manual(values = c("green", "red", "grey")) + + facet_wrap(facets = ~naam_nl, scales = "free") +``` +
+
+
+ +data gecreëerd op `r Sys.time()` + +data weggeschreven naar `r paste0(pad_data, "template_data.csv")` + +```{r wegschrijven-data} + +zoogdier_data %>% + write_csv(paste0(pad_data, "zoogdier_data_2010_2023.csv")) + +``` diff --git a/moneos_2024/120_zoogdieren/20_zoogdieren_analyse.Rmd b/moneos_2024/120_zoogdieren/20_zoogdieren_analyse.Rmd new file mode 100644 index 0000000..a3307f2 --- /dev/null +++ b/moneos_2024/120_zoogdieren/20_zoogdieren_analyse.Rmd @@ -0,0 +1,686 @@ +--- +params: + hoofdstuk: "120_zoogdieren" +knit: (function(inputFile, ...) { + rmarkdown::render(inputFile, + output_dir = paste0(rmarkdown::yaml_front_matter(inputFile)$params$hoofdstuk, "/output"))}) +title: "MONEOS zoogdieren analyse" +output: html_document +editor_options: + chunk_output_type: console +--- + + +```{r setup, include=FALSE} + +knitr::opts_chunk$set(echo = FALSE, error=FALSE, warning=FALSE, message=FALSE, cache=FALSE) +options(knitr.kable.NA = '') +``` + + +```{r libraries} + +library(tidyverse) +library(INBOtheme) +library(rprojroot) +library(lubridate) +library(readxl) +library("sf") +library("tmap") +library(kableExtra) +library(leaflet) +conflicted::conflicts_prefer(dplyr::filter) + +``` + + +```{r pad} +# inlezen van variabelen +# pad naar data : pad_data +# pad naar tabellen : pad_tabellen +# pad naar figuren : pad_figuren + +source(find_root_file("../pad.R", criterion = is_rstudio_project)) + +pad_data <- maak_pad(params$hoofdstuk, "data") +pad_figuren <- maak_pad(params$hoofdstuk, "figuren") +pad_tabellen <- maak_pad(params$hoofdstuk, "tabellen") +pad_geodata <- "I:/GIS/VNSC/" +pad_geodata2 <- "Z:/VNSC/gebiedsindeling_schelde_draft112014/gebiedsindeling_schelde112014/" +``` + + +```{r data} +zoogdier_data <- + read_csv(str_c(pad_data, "zoogdier_data_2010_2023.csv")) +``` + + +# beschrijving van de data + + - Per waarneming zijn er `r ncol(zoogdier_data)` informatievelden + + `r str_c(names(zoogdier_data), collapse = "\n - ")` + - In totaal bevat de dataset in 2022 `r nrow(zoogdier_data)` waarnemingen + - De dataset bevat waarnemingen van `r unique(zoogdier_data$naam_nl)` + + + +# Aantal waarnemingen per soort per jaar + +```{r aantal waarnemingen} + +n_seeings <- + zoogdier_data %>% + group_by(naam_nl, Jaar = year(datum)) %>% + count() %>% + spread(key = naam_nl, value = n) %>% + mutate_all(~replace(., is.na(.), 0)) +# Voor rapport wordt andere tabel gemaakt, zie chunk aantal_waarnemingen2 +# n_seeings %>% +# write_csv(paste0(pad_tabellen, "aantal_waarnemingen.csv")) + +knitr::kable(n_seeings, + caption = "Tabel X: Aantal waarnemingen per soort per jaar") %>% + kable_styling(full_width = FALSE, position = "left") + +``` +
+
+ +Tot en met rapportage 2021 werden alle waarnemingen opgenomen in de data-analyse. Hieronder wordt de dataset beperkt tot goedgekeurde waarnemingen. Voor bever, otter en bruinvis zijn de verschillen niet groot en de trends gelijkaardig, maar voor zeehonden zijn er zeker na 2016 weinig gevalideerde waarnemingen. + +```{r aantal goedgekeurde waarnemingen} +n_seeings_goedgekeurd <- + zoogdier_data %>% + filter(str_detect(status, "Goedgekeurd")) %>% + group_by(naam_nl, Jaar = year(datum)) %>% + count() %>% + spread(key = naam_nl, value = n) %>% + mutate_all(~replace(., is.na(.), 0)) +# wordt niet gebruikt in rapport +# n_seeings_goedgekeurd %>% +# write_csv(paste0(pad_tabellen, "aantal_waarnemingen_goedgekeurd.csv")) + +knitr::kable(n_seeings_goedgekeurd, + caption = "Tabel X: Aantal goedgekeurde waarnemingen per soort per jaar") %>% + kable_styling(full_width = FALSE, position = "left") +``` + + +```{r sporen} +nb <- nrow(zoogdier_data[zoogdier_data$naam_nl == "Europese Bever",]) +nsp <- nrow(zoogdier_data[zoogdier_data$naam_nl == "Europese Bever" & + (zoogdier_data$gedrag %in% c("bezet nest", "sporen", + "onbekend")| + zoogdier_data$methode %in% c( "andere sporen", "prenten", + "sporen", "sporenbed", + "uitwerpselen", "verlaten nest", + "vraatsporen")) ,]) +zoogdier_data[zoogdier_data$naam_nl == "Europese Bever" & + !(zoogdier_data$gedrag %in% c("bezet nest", "sporen", + "onbekend")| + zoogdier_data$methode %in% c( "andere sporen", "prenten", + "sporen", "sporenbed", + "uitwerpselen", "verlaten nest", + "vraatsporen")) ,] %>% + distinct(methode, gedrag) +# geen sporen in negatie => OK + +nnb <- nrow(zoogdier_data[zoogdier_data$naam_nl != "Europese Bever",]) +nspnb <- nrow(zoogdier_data[zoogdier_data$naam_nl != "Europese Bever" & + (zoogdier_data$gedrag %in% c("bezet nest", "sporen", + "onbekend")| + zoogdier_data$methode %in% c( "andere sporen", "prenten", + "sporen", "sporenbed", + "uitwerpselen", "verlaten nest", + "vraatsporen")) ,]) + +zoogdier_data[zoogdier_data$naam_nl != "Europese Bever" & + !(zoogdier_data$gedrag %in% c("bezet nest", "sporen", + "onbekend") | + zoogdier_data$methode %in% c( "andere sporen", "prenten", + "sporen", "sporenbed", + "uitwerpselen", "verlaten nest", + "vraatsporen")) ,] %>% + distinct(methode, gedrag) +# geen sporen in negatie => OK +``` + + + +
+
+ +# Aantal waarnemingen per soort per jaar (exclusief waarnemingen van sporen) + +Bij de beverwaarnemingen zitten heel wat waarnemingen van sporen of andere aanduidingen van de aanwezigheid van de soort anders dan een levend of een dood dier, het betreft meer dan een derde van de beverwaarnemingen (`r nsp` waarnemingen op een totaal van `r nb`). Bij de andere soorten nemen niet-dierwaarnemingen slechts `r round(100*nspnb/nnb, 0)` % in. + + +```{r aantal zichtwaarnemingen, include=FALSE} +n_seeings_sight <- + zoogdier_data %>% + filter( + # str_detect(status, "Goedgekeurd"), + naam_nl == "Europese Bever", + !(gedrag %in% c("sporen", "onbekend", "bezet nest")), + !(methode %in% c("vraatsporen", "andere sporen", "sporenbed", "verlaten nest"))) %>% + count(naam_nl, Jaar = year(datum)) %>% + spread(key = naam_nl, value = n) %>% + mutate_all(~replace(., is.na(.), 0)) +n_seeings_sight %>% + write_csv(paste0(pad_tabellen, "/aantal_waarnemingen_zicht.csv")) + +# Vraag: hoeveel zichtwaarnemingen bever hebben methode en gedrag ingevuld? +zoogdier_data %>% + filter( + # str_detect(status, "Goedgekeurd"), + naam_nl == "Europese Bever", + !(gedrag %in% c("sporen", "onbekend", "bezet nest")), + !(methode %in% c("vraatsporen", "andere sporen", "sporenbed", "verlaten nest"))) %>% + count(gedrag, methode) %>% + kbl() %>% + kable_styling(position = "left") + +knitr::kable(n_seeings_sight, + caption = "Tabel X: Aantal goedgekeurde zichtwaarnemingen bever per jaar (exclusief waarnemingen van sporen).", + align = "lc") %>% + kable_styling(position = "left") +``` +
+
+ +```{r aantal zichtwaarnemingen2} +n_seeings2 <- + n_seeings_sight %>% + inner_join(n_seeings, by = ("Jaar")) %>% + mutate(`Europese Bever` = paste0(`Europese Bever.y`, " (", + `Europese Bever.x`, ")")) %>% + select(Jaar, `Europese Bever`, `Europese Otter`, `Gewone Bruinvis`, `Gewone Zeehond`, + `Grijze Zeehond`, `Zeehond onbekend`) +n_seeings2 %>% + write_csv(paste0(pad_tabellen, "aantal_waarnemingen.csv")) + +knitr::kable(n_seeings2, + caption = "Tabel X: Aantal waarnemingen per soort per jaar, voor bever staat het aantal waarnemingen van niet-dieren (sporen e.d.m.) tussen hakkejes", + align = "lcccccc") %>% + kable_styling(full_width = FALSE, position = "left") +``` +
+
+ +```{r aantal individuen} +n_indiv <- + zoogdier_data %>% + filter( + # str_detect(status, "Goedgekeurd"), + !(gedrag %in% c("sporen", "onbekend", "bezet nest")), + !(methode %in% c( "andere sporen", "prenten", "sporen", "sporenbed", + "uitwerpselen", "verlaten nest", "vraatsporen"))) %>% + group_by(naam_nl, Jaar = year(datum)) %>% + summarise(n = sum(aantal), .groups = "drop") +# categorieën in veld gedrag zijn van naam gewijzigd tov 2022 +n_indiv_death <- + zoogdier_data %>% + filter(gedrag %in% c("dood", "slachtoffer verdrinking", "slachtoffer verkeer")) %>% + group_by(naam_nl, Jaar = year(datum)) %>% + summarise(n_death = sum(aantal), .groups = "drop") +n_indiv_with_dead <- + n_indiv %>% + left_join(n_indiv_death, by = c("naam_nl", "Jaar")) %>% + mutate(string = ifelse(is.na(n_death), + as.character(n), + paste0(n, " (", n_death, "†)"))) %>% + select(Jaar, naam_nl, string) %>% + spread(key = naam_nl, value = string) %>% + mutate_all(~replace(., is.na(.), 0)) + +n_indiv_with_dead %>% + write_csv(paste0(pad_tabellen, "/aantal_ind.csv")) + +knitr::kable(n_indiv_with_dead, align = "lccccccc", + caption = "Tabel X: Aantal ingevoerde individuen per jaar (exclusief waarnemingen van sporen).") %>% + kable_styling(full_width = FALSE, position = "left") +``` +
+
+ +```{r 120_fig_aantal_indiv} +fig_1 <- + zoogdier_data %>% + filter(!(gedrag %in% c("sporen", "onbekend")), + !(methode %in% c("vraatsporen", "andere sporen", "sporenbed"))) %>% + group_by(naam_nl, Jaar = year(datum)) %>% + summarise(n = sum(aantal), .groups = "drop") %>% + complete(naam_nl, Jaar, fill = list(n = 0)) %>% # fill out missing years + mutate(facet = case_when(naam_nl %in% c("Europese Bever", "Gewone Bruinvis") ~ + "Bever en bruinvis", + TRUE ~ "Otter en zeehonden")) %>% # for facetting of graph + ggplot(aes(x = Jaar, y = n, color = naam_nl)) + + geom_line(lwd = 1) + + scale_x_continuous(breaks = seq(2010, 2023, by =1)) + + theme(axis.title = element_blank(), + legend.title = element_blank(), + legend.position = "bottom") + + facet_wrap(facets = ~facet, scales = "free") + + scale_x_continuous(breaks = seq(2010, 2023, by = 2)) + +fig_1 +ggsave(paste0(pad_figuren, "120_fig1_aantal_ind.jpg"), width = 8, height = 4) +``` + +# Verspreidingskaartjes bever + +Onderstaande verspreidingskaartje zijn gebaseerd op alle gevalideerde waarnemingen van bever in waarnemingen.be. + +```{r geodata, include=FALSE} +utm1 <- st_read(str_c(pad_geodata, "NOPplus_UTM1.shp")) +utm1_c <- st_centroid(utm1) %>% + select(-c(Shape_Leng, Shape_Area)) +Schelde_boundaries <- st_read(str_c(pad_geodata2, "Boundaries.shp")) +pad_geodata +pad_geodata2 +getijrivieren <- st_read(str_c(pad_geodata2, "getij_afh_zones.shp")) +buurlanden <- st_read(str_c(pad_geodata2, "buurlanden.shp")) +``` + +```{r beverkaartdata} +(soort_nUTM1 <- + zoogdier_data %>% + filter(str_detect(status, "Goedg")) %>% + group_by(Jaar = year(datum), naam_nl) %>% + summarise(n = n_distinct(utm1), + .groups = "drop")) +write_csv(soort_nUTM1, file = str_c(pad_data, "soort_nUTM1.csv")) +``` + +```{r mapbackground} +bbox <- st_bbox(utm1_c) + c(-500, -500, 500, 500) +map_basis <- + tm_shape(buurlanden, bbox = bbox) + tm_borders() + tm_fill(col = "lightyellow") + + tm_shape(Schelde_boundaries) + + tm_borders(col = "blue", col.alpha = 0.5) + + tm_fill(col = "dodgerblue") + + tm_shape(getijrivieren) + tm_lines(col = "blue", col.alpha = 0.5) + + tm_shape(utm1) + + tm_borders(lwd = 0.25, col = "grey30") +``` + +```{r maps-nieuw-valid, eval=FALSE} +# make list of tibbles each tibble has unique naam_nl en Jaar, voor gevalideerde waarnemingen van bever en otter. +zoogd_grouped <- + zoogdier_data %>% + filter(str_detect(status, "Goedg"), + naam_nl %in% c("Europese Bever", "Europese Otter")) %>% # enkel gevalideerde waarnemingen + group_by(naam_nl, Jaar = year(datum), TAG = utm1) %>% + summarise(aantal = sum(aantal), radius = sum(aantal)^0.5, + .groups = "drop") %>% + group_by(naam_nl, Jaar) + +# make list of tibbles for each group in zoogd_grouped +utm_n_list <- + zoogd_grouped%>% + group_split(.keep = TRUE) +groupkeys <- # get names of eacht tibble ("naam-nl_jaar") + group_keys(zoogd_grouped) %>% + mutate(naam_jaar = str_c(naam_nl, "_", Jaar)) %>% + select(naam_jaar) +names(utm_n_list) <- groupkeys$naam_jaar # names tiblles in list + +# make list of simple features +utm_n_list2 <- map(utm_n_list, merge, utm1_c) # merge to utm centroid +utm_n_list_sf <- map(utm_n_list2, st_as_sf, sf_column_name = "geometry") # make sf + +# function to make list of tmaps +mapf <- function(x){ + title <- str_c(x[[2]][1], "_", x[[3]][1]) + m <- + map_basis + + tm_shape(x) + + tm_symbols(fill = "red", col = "black", + size = "radius", + size.scale = + tm_scale_continuous(limits = c(0,7), + outliers.trunc = c(FALSE, TRUE), + ticks = c(1, 2, 3, 5, 7), + labels = c("1", "4", "9", "49", ">=49")), + size.legend = tm_legend(title = title, + bg.color = "white", bg.alpha = 0.5, + position = tm_pos_in(pos.h = "right"), + title.size = 1.2, text.size = 0.8) + ) + return(m) +} + +# test +# mapf(utm_n_list_sf[[16]]) +# mapf(utm_n_list_sf[["Europese Otter_2012"]]) + +utm_tmmap_list <- map(utm_n_list_sf, mapf) # make tmap objects + +# utm_tmmap_list[[2]] +# utm_tmmap_list[[8]] +# utm_tmmap_list[["Europese Bever_2019"]] +# utm_tmmap_list[["Grijze Zeehond_2019"]] + +# save all maps +for(x in names(utm_tmmap_list)){ + a <- utm_tmmap_list[[x]] + tmap_save(a, filename = str_c(pad_figuren, x, ".png")) +} +# utm_tmmap_list[["Zeehond onbekend_2021"]] %>% +# tmap_save(filename = str_c(pad_figuren, "Zeehond onbekend_2021", ".png")) +# hieronder een poging om bovenstaand for-loop met purrr::map te doen, maar deze code (allebeid) bewaart herhaaldelijk "Zeehond onbekend_2021" +# map(utm_tmmap_list[], tmap_save, filename = str_c(pad_figuren, x, ".png")) +# map(utm_tmmap_list, tmap_save, filename = str_c(pad_figuren, x, ".png")) + +``` + +```{r maps-nieuw-notvalid, eval=FALSE} +# make list of tibbles each tibble has unique naam_nl en Jaar, met alle gevalideerde waarnemingen van gewone zeehond, grijze zeehond, bruinvis en zeehond onbekend +zoogd_grouped <- + zoogdier_data %>% + filter(!naam_nl %in% c("Europese Bever", "Europese Otter")) %>% # alle waarnemingen van zeehonden en bruikvis + group_by(naam_nl, Jaar = year(datum), TAG = utm1) %>% + summarise(aantal = sum(aantal), radius = sum(aantal)^0.5, + .groups = "drop") %>% + group_by(naam_nl, Jaar) + +# make list of tibbles for each group in zoogd_grouped +utm_n_list <- + zoogd_grouped%>% + group_split(.keep = TRUE) +groupkeys <- # get names of eacht tibble ("naam-nl_jaar") + group_keys(zoogd_grouped) %>% + mutate(naam_jaar = str_c(naam_nl, "_", Jaar)) %>% + select(naam_jaar) +names(utm_n_list) <- groupkeys$naam_jaar # names tiblles in list + +# make list of simple features +utm_n_list2 <- map(utm_n_list, merge, utm1_c) # merge to utm centroid +utm_n_list_sf <- map(utm_n_list2, st_as_sf, sf_column_name = "geometry") # make sf + +# function to make list of tmaps +mapf <- function(x){ + title <- str_c(x[[2]][1], "_", x[[3]][1]) + m <- + map_basis + + tm_shape(x) + + tm_symbols(fill = "red", col = "black", + size = "radius", + size.scale = + tm_scale_continuous(limits = c(0,7), + outliers.trunc = c(FALSE, TRUE), + ticks = c(1, 2, 3, 5, 7), + labels = c("1", "4", "9", "49", ">=49")), + size.legend = tm_legend(title = title, + bg.color = "white", bg.alpha = 0.5, + position = tm_pos_in(pos.h = "right"), + title.size = 1.2, text.size = 0.8) + ) + return(m) +} + +# test +# mapf(utm_n_list_sf[[16]]) +# mapf(utm_n_list_sf[["Europese Otter_2012"]]) + +utm_tmmap_list <- map(utm_n_list_sf, mapf) # make tmap objects + +# utm_tmmap_list[[2]] +# utm_tmmap_list[[8]] +# utm_tmmap_list[["Europese Bever_2019"]] +# utm_tmmap_list[["Grijze Zeehond_2019"]] + +# save all maps +for(x in names(utm_tmmap_list)){ + a <- utm_tmmap_list[[x]] + tmap_save(a, filename = str_c(pad_figuren, x, ".png")) +} +# utm_tmmap_list[["Zeehond onbekend_2021"]] %>% +# tmap_save(filename = str_c(pad_figuren, "Zeehond onbekend_2021", ".png")) +# hieronder een poging om bovenstaand for-loop met purrr::map te doen, maar deze code (allebeid) bewaart herhaaldelijk "Zeehond onbekend_2021" +# map(utm_tmmap_list[], tmap_save, filename = str_c(pad_figuren, x, ".png")) +# map(utm_tmmap_list, tmap_save, filename = str_c(pad_figuren, x, ".png")) + +``` + +```{r mapbever2019, fig.cap="Fig xxx: Aantal waarnemingen van Europese bever per UTM-km-hok in 2019."} +knitr::include_graphics(paste0(pad_figuren, "Europese Bever_2019.png")) +``` + +```{r mapbever2020, fig.cap="Fig xxx: Aantal waarnemingen van Europese bever per UTM-km-hok in 2020."} +knitr::include_graphics(paste0(pad_figuren, "Europese Bever_2020.png")) +``` + +```{r mapbever2021, fig.cap="Fig xxx: Aantal waarnemingen van Europese bever per UTM-km-hok in 2021."} +knitr::include_graphics(paste0(pad_figuren, "Europese Bever_2021.png")) +``` + +```{r mapbever2022, fig.cap="Fig xxx: Aantal waarnemingen van Europese bever per UTM-km-hok in 2022."} +knitr::include_graphics(paste0(pad_figuren, "Europese Bever_2022.png")) +``` + +```{r mapbever2023, fig.cap="Fig xxx: Aantal waarnemingen van Europese bever per UTM-km-hok in 2023."} +knitr::include_graphics(paste0(pad_figuren, "Europese Bever_2023.png")) +``` + +```{r bezette utm-hokken} +soort_nUTM1 %>% + filter(naam_nl == "Europese Bever") %>% + ggplot(aes(x = Jaar, y = n)) + + geom_point() + + geom_line() + + labs(y = "aantal bezette km-hokken") + + scale_x_continuous(breaks = seq(2010, 2022, by = 2)) +ggsave(filename = paste0(pad_figuren, "bever_utm.png")) +``` + +```{r recente-utm} +bever_evol <- + zoogdier_data %>% + filter(naam_nl == "Europese Bever") %>% + mutate(Jaar = year(datum)) %>% + group_by(utm1) %>% + summarise(EersteJaar = min(Jaar), AantalJaar = n_distinct(Jaar)) %>% + mutate(EersteJaarf = factor(EersteJaar, levels = c(2010:2023))) %>% + arrange(desc(EersteJaar)) + +map_basis + + (utm1 %>% + left_join(bever_evol, by = c("TAG" = "utm1")) %>% + filter(EersteJaar > 2020) %>% + tm_shape() + + tm_fill(fill = "EersteJaar", + fill.scale = + tm_scale_categorical(values = c("red", "orange", "yellow"), + labels = c("2021", "2022", "2023")))) +``` + + +```{r utm-evol} +pal <- cols4all::c4a("-brewer.yl_or_br", n = 14) +kolononisatie_fig <- + map_basis + + (utm1 %>% + left_join(bever_evol, by = c("TAG" = "utm1")) %>% + filter(!is.na(EersteJaar)) %>% + tm_shape() + + tm_fill(fill = "EersteJaarf", + fill.scale = + tm_scale_categorical(values = pal, labels = c(2010:2023)), + fill.legend = tm_legend_hide()) + + tm_add_legend(labels = c(2010:2016), fill = pal[1:7], type = "polygons", + title = "Eerste jaar", bg.color = "white") + + tm_add_legend(labels = c(2017:2023), fill = pal[8:14], type = "polygons", + title = " ", stack = "horizontal")) + + tm_place_legends_inside() + +tmap_save(tm = kolononisatie_fig, + filename = paste0(pad_figuren, "bever_kolonisatie.png")) +``` + + +# Verspreidingskaartjes otter + +```{r mapotter2020, fig.cap="Fig xxx: Aantal waarnemingen van Europese otter per UTM-km-hok in 2020."} +knitr::include_graphics(paste0(pad_figuren, "Europese Otter_2020.png")) +``` + +```{r mapotter2021, fig.cap="Fig xxx: Aantal waarnemingen van Europese otter per UTM-km-hok in 2021."} +knitr::include_graphics(paste0(pad_figuren, "Europese Otter_2021.png")) +``` + +```{r mapotter2022, fig.cap="Fig xxx: Aantal waarnemingen van Europese otter per UTM-km-hok in 2022."} +knitr::include_graphics(paste0(pad_figuren, "Europese Otter_2022.png")) +``` + +```{r mapotter2023, fig.cap="Fig xxx: Aantal waarnemingen van Europese otter per UTM-km-hok in 2023."} +knitr::include_graphics(paste0(pad_figuren, "Europese Otter_2023.png")) +``` + +Bij merendeel van de waarnemingen is methode niet ingevuld. Waarschijnlijk zijn meeste waarnemingen van Joris Everaert met cameraval, maar is dit uit veiligheidsoverwegingen niet ingegeven. + +```{r methode} +zoogdier_data %>% + filter(str_detect(status, "Goedg"), + naam_nl == "Europese Otter") %>% + count(Jaar = year(datum), methode) +``` + +```{r bezette utm-hokken_otter} +soort_nUTM1 %>% + filter(naam_nl == "Europese Otter") %>% + ggplot(aes(x = Jaar, y = n)) + + geom_point() + + geom_line() + + labs(y = "aantal bezette km-hokken") + + scale_x_continuous(breaks = seq(2010, 2022, by = 2)) + + scale_y_continuous(breaks = seq(0, 14, by = 5), minor_breaks = seq(0, 14, by =2)) +ggsave(filename = paste0(pad_figuren, "otter_utm.png")) +``` + +# Gewone zeehond + + +```{r tabel gewone zeehond} +GewoneZeehond2023 <- + zoogdier_data %>% + filter(naam_nl == "Gewone Zeehond", + year(datum) == 2023) %>% + select(Datum = datum, Aantal = aantal, Gedrag = gedrag, Gebied = gebied, + Gemeente = gemeente, Deelgemeente = deelgemeente) %>% + arrange(Datum) +GewoneZeehond2023 %>% + kbl(align = "lcllll", caption = "Tabel XX: overzicht van alle waarnemingen van gewone zeehond in 2023 in de Zeeschelde en haar bijrivieren.") %>% + kable_styling(full_width = TRUE, bootstrap_options = c("condensed")) %>% + column_spec(1, width = "2.5cm") %>% + column_spec(2, width = "1.5cm") %>% + column_spec(3, width = "2.5cm") + +GewoneZeehond2023 %>% + write_csv(paste0(pad_tabellen, "/zeehond2023.csv")) +``` +
+ +```{r make sf} +# zeehond_data_sf <- +# zoogdier_data %>% +# filter(naam_nl == "Gewone Zeehond", +# year(datum) == 2022) %>% +# select(datum, aantal, gedrag, methode, x, y) %>% +# st_as_sf(coords = c("x", "y"), crs =31370) %>% +# st_transform(crs = 4326) +``` + + +```{r map zeehond} +# leaflet() %>% + # addTiles() %>% + # addCircleMarkers(data = zeehond_data_sf, + # radius = 3, label = ~datum) +``` +
+
+ + + +# Grijze zeehond + +```{r tabel grijze zeehond} +GrijzeZeehond2023 <- + zoogdier_data %>% + filter(naam_nl == "Grijze Zeehond", + year(datum) == 2023) %>% + select(Datum = datum, Aantal = aantal, Gedrag = gedrag, Gebied = gebied, + Gemeente = gemeente, Deelgemeente = deelgemeente) %>% + arrange(Datum) +GrijzeZeehond2023 %>% + kbl(align = "lcllll", caption = "Tabel XX: overzicht van alle waarnemingen van grijze zeehond in 2023 in de Zeeschelde en haar bijrivieren.") %>% + kable_styling(full_width = TRUE, bootstrap_options = c("condensed")) %>% + column_spec(1, width = "2.5cm") %>% + column_spec(2, width = "1.5cm") %>% + column_spec(3, width = "2.5cm") + +GrijzeZeehond2023 %>% + write_csv(paste0(pad_tabellen, "/grijzezeehond2023.csv")) +``` +
+ +```{r make sf2} +# grijzezeehond_data_sf <- +# zoogdier_data %>% +# filter(naam_nl == "Grijze Zeehond", +# year(datum) == 2022) %>% +# select(datum, aantal, gedrag, methode, x, y) %>% +# st_as_sf(coords = c("x", "y"), crs =31370) %>% +# st_transform(crs = 4326) +``` + + +```{r map grijzezeehond} +# leaflet() %>% +# addTiles() %>% +# addCircleMarkers(data = grijzezeehond_data_sf, +# radius = 3, label = ~datum) +``` +
+ +```{r tabel bruinvis} +Bruinvis2023 <- + zoogdier_data %>% + filter(naam_nl == "Gewone Bruinvis", + year(datum) == 2023) %>% + select(Datum = datum, Aantal = aantal, Gedrag = gedrag, Gebied = gebied, + Gemeente = gemeente, Deelgemeente = deelgemeente) %>% + arrange(Datum) +Bruinvis2023 %>% + kbl(align = "lcllll", caption = "Tabel XX: overzicht van alle waarnemingen van bruinvis in 2023 in de Zeeschelde en haar bijrivieren.") %>% + kable_styling(full_width = TRUE, bootstrap_options = c("condensed")) %>% + column_spec(1, width = "2.5cm") %>% + column_spec(2, width = "1.5cm") %>% + column_spec(3, width = "2.5cm") + +Bruinvis2023 %>% + write_csv(paste0(pad_tabellen, "/bruinvis2023.csv")) +``` +
+ + +```{r make sf3} +# bruinvis_data_sf <- +# zoogdier_data %>% +# filter(naam_nl == "Gewone Bruinvis", +# year(datum) == 2022) %>% +# select(datum, aantal, gedrag, methode, x, y) %>% +# st_as_sf(coords = c("x", "y"), crs =31370) %>% +# st_transform(crs = 4326) +``` + + +```{r map bruinvis} +# leaflet() %>% +# addTiles() %>% +# addCircleMarkers(data = bruinvis_data_sf, +# radius = 3, label = ~datum) +``` +
diff --git a/moneos_2024/150_geintegreerd_rapport/120_zoogdieren.Rmd b/moneos_2024/150_geintegreerd_rapport/120_zoogdieren.Rmd new file mode 100644 index 0000000..9489e12 --- /dev/null +++ b/moneos_2024/150_geintegreerd_rapport/120_zoogdieren.Rmd @@ -0,0 +1,443 @@ +```{r 120-hoofdstuk, include=FALSE} + +hoofdstuk <- "120_zoogdieren" + +``` + +```{r 120-setup, include=FALSE} + +knitr::opts_chunk$set(echo = FALSE, error=FALSE, warning=FALSE, message=FALSE, cache=FALSE, fig.pos = "H", tab.pos = "H" ) +knitr::opts_knit$set(eval.after = "fig.cap") + +``` + +```{r 120-libraries} + +library(tidyverse) +library(lubridate) +library(readxl) +library(kableExtra) +library(INBOtheme) +library(rprojroot) ## workaround pad + +``` + +```{r 120-pad} + +# inlezen van variabelen +# pad naar data : pad_data +# pad naar tabellen : pad_tabellen +# pad naar figuren : pad_figuren + +source(find_root_file("../pad.R", criterion = is_rstudio_project)) + +pad_data <- maak_pad(hoofdstuk, "data") +pad_figuren <- maak_pad(hoofdstuk, "figuren") +pad_tabellen <- maak_pad(hoofdstuk, "tabellen") + +``` + + + + + + + + + + + + + + + + + + + + + + + +```{r 120-basisdata, include=FALSE} +zoogdier_data <- read_csv(paste0(pad_data, "zoogdier_data_2010_2023.csv")) +``` + +# Zoogdieren + +**Wim Mertens** + +## Inleiding + +Er bestaat in Vlaanderen of in het Schelde-estuarium geen systematische monitoring van de vijf hier behandelde zoogdiersoorten (gewone zeehond, grijze zeehond, bruinvis, bever en otter). +Voor otter wordt momenteel via het meetnettenproject een systematische monitoring opgestart (Gouwy et al. 2021, [webref1](https://meetnetten.be/projects/66/), [webref2](https://meetnetten.be/)). +Van Den Berge *et al.* (2019) geeft een uitgebreid overzicht van recente waarnemingen van otter in Vlaanderen. + +De Europese otter, de Europese bever en de gewone zeehond worden vermeld in de Instandhouwingsdoelstellingen Schelde-estuarium (Adrieansen *et al.* 2005). +Voor grijze zeehond en bruinvis zijn geen doelstellingen geformuleerd. +Deze zeezoogdieren worden echter min of meer regelmatig werden waargenomen in het stuarium. +Daarom worden de waarnemingen van deze soorten ook opgenomen in de rapportage. + +Alle aangeleverde data zijn afkomstig van [waarnemingen.be](http://www.waarnemingen.be/), de website voor natuurinformatie van Natuurpunt en Stichting Natuurinformatie, ter beschikking gesteld door Natuurpunt Studie vzw.\ + +De gewone zeehond kwam reeds in het estuarium voor toen de instandhoudingsdoelstellingen werden vastgelegd. +Als doel geldt het behoud van de het destijds aanwezige populatieniveau. +Deze doelstelling moeten gezien worden in één geheel met de Westerschelde-populatie. + +Voor bever en otter geldt het creëren van voldoende ruimte en geschikt habitat binnen strikt beschermde natuurgebieden voor één leefbare kernpopulatie als doelstelling. +Voor bever werd dit vertaald in een populatie van ca. +40 families (ca. 160 individuen), voor otter in 20 tot 25 individuen. + +De bever heeft zich in 2007 gevestigd in de valleien van de Schelde- en haar zijrivieren. +Tot 2010 was Dendermonde de enige gekende locatie. +Sindsdien duiken er steeds meer waarnemingslocaties op en plant de soort zich over het volledig estuarien valleigebied voort. + +De eerste waarnemingen van otter dateert van 2012. +Sinds 2020 lijkt de soort zich standvastig gevestigd te hebben.\ + +## Materiaal en methode + +Alle vrijgegeven waarnemingen van [waarnemingen.be](http://www.waarnemingen.be/) van otter, bruinvis, gewone zeehond, grijze zeehond en bever tussen 2010 en 2023 werden opgevraagd. +Deze gegevens mogen enkel gebruikt worden voor de geïntegreerde systeemmonitoring van het Schelde-estuarium -- MONEOS. +Deze gegevens mogen niet worden overgenomen zonder toestemming van de eigenaar (Natuurpunt Studie vzw).\ + +De waarnemingen betreffen uitsluitend losse waarnemingen. +Het wetenschappelijk gebruik van dergelijke waarnemingen kent zijn beperkingen (Herremans et al. 2018). +De losse waarnemingen kunnen worden gebruikt om veranderingen in verspreiding van de soorten te evalueren (Herremans et al. 2018, Maes et al. 2018). +De data kunnen niet worden gebruikt voor nauwkeurige trendbepaling o.a. +omdat de zoekinspanning niet gekend is en het meldingsgedrag variabel is. +De hier behandelde soorten zijn echter meldenswaardige soorten. +Ruwe trendinschatting zijn met het nodige voorbehoud eventueel wel zinvol (Herremans et al. 2018).\ + +Data van 2022 en vroeger kunnen verschillen van vorige dataleveringen als gevolg van retroactieve ingave van waarnemingen. + +## Resultaten + +### Overzicht van de waarnemingn sinds 2010 + +Tabel \@ref(tab:120-tabel1) geeft een overzicht van het totaal aantal waarnemingen van bever, otter, bruinvis, gewone zeehond en grijze zeehond. +Tabel \@ref(tab:120-tabel2) en figuur \@ref(fig:120-figuur1) geven een overzicht van het totaal aantal ingevoerde exemplaren van de soorten. + +```{r 120-tabel1} +# inlezen tabel +aantal_waarnemingen <- + read_csv(paste0(pad_tabellen, "aantal_waarnemingen.csv")) +soort_nUTM1 <- read.csv(str_c(pad_data, "soort_nUTM1.csv")) + +# hoofding tabel +caption_x_waarden <- "Totaal aantal waarnemingen in de vallei van de Zeeschelde en haar bijrivieren (inclusief niet gevalideerde waarnemingen). " + +# voetnoten bij tabel +footnote_text <- + c("Bij bever wordt het aantal waarschijnlijke zichtwaarnemingen (geen sporen) tussen haakjes aangegeven.") + +# opmaak tabel +aantal_waarnemingen %>% + mutate(across(everything(), ~as.character(.) %>% replace_na(""))) %>% + mutate(across(everything(), ~cell_spec(., color = "black", align = "c"))) %>% + knitr::kable(escape = FALSE, + booktabs = TRUE, + caption = caption_x_waarden) %>% + footnote(number = footnote_text, + escape = FALSE, + threeparttable = FALSE) %>% + kable_styling(latex_options = c("scale_down")) +``` + +
+ +```{r 120-tabel2} + +# inlezen tabel +aantal_ind <- + read_csv(paste0(pad_tabellen, "aantal_ind.csv")) + +# hoofding tabel +caption_x_waarden <- "Totaal aantal ingegeven waargenomen exemplaren per jaar in de vallei van de Zeeschelde en haar bijrivieren (exclusief waarnemingen van sporen)." + +# voetnoten bij tabel +footnote_text <- + c("Tussen haakjes wordt het aantal dood teruggevonden exemplaren gegeven.", + "Het totaal aantal waargenomen dieren betreft vaak meervoudige waarnemingen van hetzelfde dier of dezelfde dieren.") +# opmaak tabel +aantal_ind %>% + mutate(across(everything(), ~as.character(.) %>% replace_na(""))) %>% + mutate(across(everything(), ~cell_spec(., color = "black", align = "c"))) %>% + knitr::kable(escape = FALSE, + booktabs = TRUE, + caption = caption_x_waarden) %>% + footnote(number = footnote_text, + escape = FALSE, + threeparttable = FALSE) %>% + kable_styling(latex_options = c("scale_down")) + +``` + +
+ +```{r 120-figuur1, fig.cap=caption_figuur1, out.width="95%"} + +caption_figuur1 <- "Evolutie van het aantal waargenomen exemplaren van bever, otter, bruinvis, gewone zeehond en grijze zeehond." + +knitr::include_graphics(paste0(pad_figuren, "120_fig1_aantal_ind.jpg")) +``` + +
+ +### Overzicht waarnemingen 2023 + +#### Bever + +De gestage uitbreiding van de bever in de Scheldevallei (Mertens, 2016) lijkt zich, na een stagnatie in 2021 en 2022, verder te zetten. +Zowel het aantal ingevoerde waarnemingen als het totaal aantal ingevoerde individuen lag 2023 hoger dan ooit tevoren. +Ook het areaal breidt uit in 2023. +De bever werd in 2023 waargenomen in 163 km-hokken tegenover 143 in 2021 en 139 in 2022.\ + +Ondertussen zijn grote delen van de Scheldevallei en de valleien van de zijrivieren gekoloniseerd. +De uitbreiding in de in de Boven-Zeeschelde tussen Gent en Dendermonde zet zich in 2023 verder. +Ook in de omgeving van Antwerpen komt de soort in steeds meer km-hokken voor. +Na de Burchtse Weel heeft de bever ook de andere natuurgebieden in Antwerpen-Linkeroever ingepalmd. +Vanuit het oosten komt de bever via de Schijnvallei de stad binnen en in de haven zijn er zowel op linker- als op rechteroever steeds meer kom-hokken waar de soort is waargenomen. +Nieuw bezette hokken bevinden zich ook langs de Rupel (Polder van Niel, vallei van de Vliet) en in de Zennevallei. +De vallei van de Grote Nete bleef lange tijd eeen blinde vlek, maar daar lijkt de laatste toch verandering in te komen. +Er zijn in 2023 heel wat nieuwe vestigingingen in de vallei tussen Heist-op-den-Berg -Lier. +Ook in Westerlo en verder stroomopwaarts in het Zammels broek en de vallei van de Grote laak komt de bever ondertussen voor. +De zone Booischot en Westerlo is nog niet gekoloniseerd. + +```{r 120-figuur2, fig.cap=caption_figuur2, out.width="80%"} +caption_figuur2 <- "Evolutie van het aantal km-hokken (UTM1-hokken) met beverwaarnemingen in vallei van de Schelde en haar tijgebonden zijrivieren." + +knitr::include_graphics(paste0(pad_figuren, "bever_utm.png")) +``` + +```{r 120-figuur3, fig.cap=caption_figuur3, out.width="90%"} +caption_figuur3 <- "Geografische spreiding van gevalideerde beverwaarnemingen in 2021." + +knitr::include_graphics(paste0(pad_figuren, "Europese Bever_2021.png")) +``` + +```{r 120-figuur4, fig.cap=caption_figuur4, out.width="90%"} +caption_figuur4 <- "Geografische spreiding van gevalideerde beverwaarnemingen in 2022." + +knitr::include_graphics(paste0(pad_figuren, "Europese Bever_2022.png")) +``` + +```{r 120-figuur5, fig.cap=caption_figuur5, out.width="90%"} +caption_figuur5 <- "Geografische spreiding van gevalideerde beverwaarnemingen in 2023." + +knitr::include_graphics(paste0(pad_figuren, "Europese Bever_2023.png")) +``` + +```{r 120-figuur-kol, fig.cap=caption_figuur_kol, out.width="90%"} +caption_figuur_kol <- "Kolonisatiegeschiedenis van bever in de valleien van de Schelde en haar zijrivieren. De kleuren geven het jaar van de eerste waarneming in het km hok weer." + +knitr::include_graphics(paste0(pad_figuren, "bever_kolonisatie.png")) +``` + +
+ +#### Otter + +De otter werd in 2012 voor het eerst sinds lang opnieuw waargenomen in Vlaanderen, onder meer in de Rupelvallei. +Tot 2019 werden slechts sporadisch sporen of dieren waargenomen in de omgeving van de Rupelmonding. +Gerichte opvolging (spraints, cameravallen) in deze omgeving toonde aan dat de soort sinds 2014 constant aanwezig is en zich vermoedelijk voortplant (Gouwy et al., 2017). +Na de vondst van uitwerpselen in Waasmunster in 2019 leidde gericht onderzoek o.a. +met cameravallen, in de Durmevallei en verder stroomopwaarts langs de Schelde tot veel bijkomende waarnemingen. +In 2021 waren er in totaal `r nrow(zoogdier_data[which(zoogdier_data$naam_nl == "Europese Otter" & year(zoogdier_data$datum) == 2021 & str_detect(zoogdier_data$status, "Goed")),])` waarnemingen in `r soort_nUTM1[which(soort_nUTM1$naam_nl == "Europese Otter" & soort_nUTM1$Jaar == 2021),]$n` utm-hokken, in 2022 `r nrow(zoogdier_data[which(zoogdier_data$naam_nl == "Europese Otter" & year(zoogdier_data$datum) == 2022 & str_detect(zoogdier_data$status, "Goed")),])` waarnemingen in `r soort_nUTM1[which(soort_nUTM1$naam_nl == "Europese Otter" & soort_nUTM1$Jaar == 2022),]$n` utm-hokken en in 2023 `r nrow(zoogdier_data[which(zoogdier_data$naam_nl == "Europese Otter" & year(zoogdier_data$datum) == 2023 & str_detect(zoogdier_data$status, "Goed")),])` waarnemingen in `r soort_nUTM1[which(soort_nUTM1$naam_nl == "Europese Otter" & soort_nUTM1$Jaar == 2023),]$n` . +De meeste waarneming zijn afkomstig uit de Durmevallei en de omgeving van het Berlare Broek. +De otter werd ook in 2023 waargenomen langs de Rupel. +Er waren geen meldingen uit de Polders van Kruibeke. + +```{r 120-figuur6, fig.cap=caption_figuur6, out.width="90%"} +caption_figuur6 <- "Geografische spreiding van gevalideerde otterwaarnemingen in 2021." +knitr::include_graphics(paste0(pad_figuren, "Europese Otter_2023.png")) +``` + +```{r 120-figuur7, fig.cap=caption_figuur7, out.width="90%"} +caption_figuur7 <- "Geografische spreiding van gevalideerde otterwaarnemingen in 2022." +knitr::include_graphics(paste0(pad_figuren, "Europese Otter_2023.png")) +``` + +```{r 120-figuur8, fig.cap=caption_figuur8, out.width="90%"} +caption_figuur8 <- "Geografische spreiding van gevalideerde otterwaarnemingen in 2026." +knitr::include_graphics(paste0(pad_figuren, "Europese Otter_2023.png")) +``` + +
+ +#### Gewone zeehond + +Jaarlijks zwemmen zeehonden in kleine aantallen de Zeeschelde op en verblijven er min of meer lange tijd. +De soort plant zich niet voort in het Belgisch deel van het Schelde-estuarium.\ + +
+ +Zoals de voorgaande jaren werden in 2023 de meeste gewone zeehonden waargenomen nabij de grens met Nederland ter hoogte van het Groot Buitenschoor en het Schor Ouden Doel. +Daarnaast waren er aardig wat waarnemingen op de Schelde tussen Doel en Antwerpen en waarnemingen in het Kanaaldok en het het Hansadok in de haven van Antwerpen. +Stroomopwaarts Antwerpen is er op de Zeeschelde slechts één waarneming in Bornem (9/3). +Er zijn enkele waarnemingen op de Rupel, de Zenne en de Beneden Nete in augustus, september en oktober.\ +Zowel het aantal waarnemingen als het aantal ingevoerde individuen lag in 2023 lager dan in 2022, en veel lager dan in 2021 (zie figuur \@ref(fig:120-figuur1)). + +```{r 120-tabel3} +# inlezen tabel +zeehond <- + read_csv(paste0(pad_tabellen, "/zeehond2023.csv")) + +# hoofding tabel +caption_x_waarden <- "Waarnemingen (gevalideerde en niet gevalideerde) van gewone zeehond in 2023. " + + +# opmaak tabel +zeehond %>% + mutate(across(everything(), ~as.character(.) %>% replace_na(""))) %>% + mutate(across(everything(), ~cell_spec(., color = "black", font_size = 7))) %>% + knitr::kable(escape = FALSE, + booktabs = TRUE, + longtable = TRUE, + caption = caption_x_waarden) %>% + kable_styling(latex_options = c("scale_down"), + font_size = 7) + +``` + +\newpage + +#### Grijze zeehond + +Naast gewone zeehonden duiken af en toe ook grijze zeehonden op in de Zeeschelde. + +In 2023 werd de grijze zeehond slechts drie maal waargenomen . +Twee maal aan de grens met Nederlande en één maal aan het andere uiteinde van het estuarium in Merelbeke. + +
+ +```{r 120-tabel4} +# inlezen tabel +grijzezeehond <- + read_csv(paste0(pad_tabellen, "/grijzezeehond2023.csv")) + +# hoofding tabel +caption_x_waarden <- "Waarnemingen van grijze zeehond in 2023." + + +# opmaak tabel +grijzezeehond %>% + mutate(across(everything(), ~as.character(.) %>% replace_na(""))) %>% + mutate(across(everything(), ~cell_spec(., color = "black", font_size = 8))) %>% + knitr::kable(escape = FALSE, + booktabs = TRUE, + caption = caption_x_waarden) %>% + kable_styling(latex_options = c("scale_down")) + +``` + +
+ +#### Bruinvis + +In 2013 werd een groot aantal bruinvissen waargenomen in het Belgisch deel van het Schelde-estuarium. +Voor en na 2013 zijn er slechts sporadisch waarnemingen van deze soort.\ +
+ +In 2023 werden twee waarneming van bruinvis op de Schelde ingevoerd in waarnemingen.be. +Eén aan de Nederlandse grens (14 oktober) en één in Zele (4 mei). + +```{r 120-tabel5} +# inlezen tabel +bruinvis2021 <- + read_csv(paste0(pad_tabellen, "/bruinvis2023.csv")) + +# hoofding tabel +caption_x_waarden <- "Waarnemingen van bruinvis in 2023." + + +# opmaak tabel +bruinvis2021 %>% + mutate(across(everything(), ~as.character(.) %>% replace_na(""))) %>% + mutate(across(everything(), ~cell_spec(., color = "black", font_size = 8))) %>% + knitr::kable(escape = FALSE, + booktabs = TRUE, + caption = caption_x_waarden) %>% + kable_styling(latex_options = c("scale_down")) +``` + +\newpage + +## Discussie + +Noch voor gewone zeehond, noch voor grijze zeehond of gewone bruinvis zijn er (eenduidige) instandhoudingsdoelstelling voor de Zeeschelde.\ +Gewone zeehond werd in 2023 zoals steeds vooral waargenomen ter hoogte van de grens. +Het aantal warnemingen en het antals waargenomen exemlplaren lag lager dan in 2021 en 2022. + +Met twee waarnemingen blijft de grijze zeehond een zeldzame verschijning. + +Dit kan ook gezegd worden van de bruinvis met eveneens slechts 2 waarnemingen. + +Voor bever en otter zijn wel instandhoudingsdoelen geformuleerd. +Adriaensen *et al.* (2005) stellen dat voldoende ruimte en geschikt habitat aanwezig moeten zijn binnen strikt beschermde natuurgebieden voor een potentiële populatie bevers van ca. +40 families (ca. 160 individuen), verspreid over verschillende deelgebieden. +Voor otter moet er voldoende potentieel leefgebied zijn om een leefbare kernpopulatie van 20-25 individuen te onderhouden, verspreid over 3 - 4 deelgebieden.\ + +Bij een doorgedreven inventarisatie van beverterritoria in Vlaanderen vonden Huysentruyt *et al.* (2019) in 2017 29 beverterritoria in de vallei van de Zeeschelde en tijgebonden zijrivieren. +In dat zelfde jaar werden beverwaarnemingen verricht in 64 km-hokken, m.a.w. een verhouding van `r round(64/29, 2)` km-hokken per territoria. +Indien deze verhouding een constante is, zouden er in 2023 ca. +`r round(163/(64/29),0)` territoria zijn. +Volgens de methode in Huysentruyt *et al.* (2019) stemt dit overeen met `r round(163/(64/29)*0.6,0)` reproductieve eenheden (families) en `r round(163/(64/29)*2.8,0)` individuen. +De doelstelling voor bever is in 2023 gerealiseerd.\ + +Voor de otter is dit niet het geval. +Dat er meerdere exemplaren in twee deelgebieden (ruime omgeving van de Rupelmonding en Durmevallei - Berlare Broek) voorkomen werd bevestigd in 2023. +Maar er zijn zeker nog geen 20-25 individuen. + +
+\newpage + +## Referenties + +Adriaensen F., Van Damme S., Van den Bergh E., Van Hove D., Brys R., Cox T., Jacobs S., Konings P., Maes J., Maris T. +et al. (2005). +Instandhoudingsdoelstellingen Schelde-estuarium. +Antwerpen: Antwerpen U. +05-R82. +249 p. + +Everaert J. +2021. +Otter "Meneer Eenoog" heeft leefgebied van Wachtebeke tot Berlare in Oost-Vlaanderen. +Roofdiernieuws 29. +INBO. + +Gouwy J., Mergeay J., Neyrinck S., Van Breusegem A., Berlengee F., Van Den Berge K., Everaert J. +2021. +2022 : Otters troef! +INBO Roofdiernieuws 29, december 2021. + +Gouwy J., Van Den Berge K., Berlengee F. +& Vansevenant D. +2017. +Dode otter ingezameld in Kalmthout en bevestiging van de meerjarige aanwezigheid in de vallei van de Zeeschelde -- INBO Marternieuws 23, december 2017. + +Herremans M., Swinnen K. +& Vanormelingen P. 2018. +Www.waarnemingen.be, wat kunnen we daarmee? +Natuur.focus 17(4) online: [www.natuurpunt.be/focus](www.natuurpunt.be/focus) + +Huysentruyt F, Van Daele T, Verschelde P, Boone N, Devisscher S, Vernaillen J (2019). +Evaluatie van de monitoring van bever (Castor fiber) in Vlaanderen. +Rapporten van het Instituut voor Natuur- en Bosonderzoek 2019 (28). +Instituut voor Natuur- en Bosonderzoek, Brussel. + +Mertens W. +(2016). +Hoofdstuk 8 Zoogdieren in Van Ryckegem, G., Van Braeckel, A., Elsen, R., Speybroeck, J., Vandevoorde, B., Mertens, W., Breine, J., De Beukelaer, J., De Regge, N., Hessel, K., Soors, J., Terrie, T., Van Lierop, F. +& Van den Bergh, E. +(2016). +MONEOS -- Geïntegreerd datarapport INBO: Toestand Zeeschelde 2015: monitoringsoverzicht en 1ste lijnsrapportage Geomorfologie, diversiteit Habitats en diversiteit Soorten. +Rapporten van het Instituut voor Natuur- en Bosonderzoek 2016 (INBO.R.2016.12078839). +Instituut voor Natuur- en Bosonderzoek, Brussel. + +Van Den Berge K., Gouwy J. +& Berlengee F.(2019). De otter (Lutra lutra) in Vlaanderen. +State of the art anno 2019. +Rapporten van het Instituut voor Natuur- en Bosonderzoek 2019 (60). +Instituut voor Natuur- en Bosonderzoek, Brussel. diff --git a/moneos_2024/150_geintegreerd_rapport/LICENSE.md b/moneos_2024/150_geintegreerd_rapport/LICENSE.md index 7e5a52a..bed44e0 100644 --- a/moneos_2024/150_geintegreerd_rapport/LICENSE.md +++ b/moneos_2024/150_geintegreerd_rapport/LICENSE.md @@ -1,6 +1,4 @@ -## creative commons - -# Attribution 4.0 International +# Creative Commons Attribution 4.0 International Creative Commons Corporation (“Creative Commons”) is not a law firm and does not provide legal services or legal advice. Distribution of Creative Commons public licenses does not create a lawyer-client or other relationship. Creative Commons makes its licenses and related information available on an “as-is” basis. Creative Commons gives no warranties regarding its licenses, any material licensed under their terms and conditions, or any related information. Creative Commons disclaims all liability for damages resulting from their use to the fullest extent possible. diff --git a/moneos_2024/150_geintegreerd_rapport/index.Rmd b/moneos_2024/150_geintegreerd_rapport/index.Rmd index 532b25d..948fea8 100644 --- a/moneos_2024/150_geintegreerd_rapport/index.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/index.Rmd @@ -96,7 +96,7 @@ publication_type: report cover_photo: "" # naam foto file cover_description: "" # cover: media/cover.pdf # link naar pdf met cover -doi: "" +doi: "99.99999/inbor.99999999" reportnr: "" depotnr: "" ordernr: "" From fa064c88cf4af8fde26c0e6734f2a3d83d839830 Mon Sep 17 00:00:00 2001 From: WimMertens Date: Tue, 17 Sep 2024 16:21:58 +0200 Subject: [PATCH 067/102] svz 20240917 16:21 --- moneos_2024/110_broedvogels/10_broedvogels_data.Rmd | 2 +- 1 file changed, 1 insertion(+), 1 deletion(-) diff --git a/moneos_2024/110_broedvogels/10_broedvogels_data.Rmd b/moneos_2024/110_broedvogels/10_broedvogels_data.Rmd index ecd4b5c..7db189d 100644 --- a/moneos_2024/110_broedvogels/10_broedvogels_data.Rmd +++ b/moneos_2024/110_broedvogels/10_broedvogels_data.Rmd @@ -160,7 +160,7 @@ Terr_Sigma_BB %>% ```{r read data algemenesoorten} # algemene soorten tot 2020 (oud format) Terr_Sigma_AB_2021 <- - read_csv(str_c(pad_data, "dataSigma_sel_algemenesoorten2021n.csv")) + read_csv(str_c(pad_data, "dataSigma_sel_algemenesoorten_tot2020.csv")) # gebieden waarop de analyse van de algemene soorten is gebaseerd unique(Terr_Sigma_AB_2021$Gebied) From 5fd1e65b0c07989eab64de8111e4df7158cd5ec1 Mon Sep 17 00:00:00 2001 From: WimMertens Date: Tue, 17 Sep 2024 17:43:48 +0200 Subject: [PATCH 068/102] svz 20240917 17:40 --- .../110_broedvogels.Rmd | 37 +++++++++++++------ 1 file changed, 26 insertions(+), 11 deletions(-) diff --git a/moneos_2024/150_geintegreerd_rapport/110_broedvogels.Rmd b/moneos_2024/150_geintegreerd_rapport/110_broedvogels.Rmd index 14e8dee..2e074b3 100644 --- a/moneos_2024/150_geintegreerd_rapport/110_broedvogels.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/110_broedvogels.Rmd @@ -87,7 +87,7 @@ knitr::include_graphics(paste0(pad_figuren, "110_fig1.png")) Rest IHD-gebied is de NOP-zoneplus, het studiegebied van de Instandhoudingsdoelstellingen Schelde-estuarium (IHD-Z, Adriaensen et al. 2005). Dit gebied omvat de vallei van de Zeeschelde en haar tijgebonden zijrivieren, inclusief de vallei van de Grote Nete tot in Zammel en van de Kleine Nete tot in Grobbendonk en alle buitendijkse gebieden. -De broedvogelaantallen in het vogelrichtlijngebied de Kuifeend en omgeving (Plas Hoge Maey, de Verlegde Schijns, het Oud Schijn, de Grote Kreek en Stadsgracht, de Meeuwenbroedplaats en het Opstalvalleigebied) en in het vogelrichtlijngebied op de linker Scheldeoever (m.u.v. het Noordelijkgebied) worden niet meegeteld omdat hiervoor aparte instandhoudingsdoelstellingen zijn opgesteld (IHD-Z, Adriaensen et al. 2005).\ +De broedvogelaantallen in het vogelrichtlijngebied de Kuifeend en omgeving (Kuifeend, Plas Hoge Maey, de Verlegde Schijns, het Oud Schijn, de Grote Kreek en Stadsgracht, de Meeuwenbroedplaats en het Opstalvalleigebied) en in het vogelrichtlijngebied op de linker Scheldeoever (m.u.v. het Noordelijkgebied) worden niet meegeteld omdat hiervoor aparte instandhoudingsdoelstellingen zijn opgesteld (IHD-Z, Adriaensen et al. 2005).\ @@ -124,7 +124,9 @@ Nullen werden enkel ingevuld als: In andere gevallen, waar geen zekerheid bestaat over aan- of afwezigheid, werd niets ingevuld (NA). - + + + Het bestand dataSigma_sel2_2022.csv geeft de totalen voor het IHD-gebied. Deze totalen zijn gebaseerd op de aantallen in bovenstaande bronnen, waarbij in geval van een vork steeds de hoogste waarden werd genomen. @@ -132,6 +134,8 @@ Aanwezigheid van NA's (soort niet geteld in dat gebied tijdens dat jaar) in éé ### Exploratieve data-analyse +#### Zeldzame soorten met "volledige" tijdreeksen + Voor sommige soorten werden redelijk volledige tijdsreeksen verkregen voor alle deelgebieden. Dit zijn voornamelijk de zeldzame, goed te inventariseren soorten van het Bijzondere Broedvogelproject (baardman, bruine kiekendief, grote karekiet, lepelaar, porseleinhoen, roerdomp, snor) of soorten die niet of amper broeden in Vlaanderen (purperreiger, kwak, kwartelkoning, paapje).\ Voor zomertaling werden de gegevens na 2007 aangevuld op basis van waarnemingen.be. @@ -140,6 +144,8 @@ Voor kluut en tureluur kan aangenomen worden dat de gegeven aantallen voor het R Ook de aantallen grutto in het 'Rest IHD-gebied' zijn betrouwbaar omdat telkens de volledige populatie in en rond de Kalkense Meersen en het Noordelijk gebied werd geteld. Elders in het 'Rest_IHD-gebied' komt/kwam de soort niet of slechts in zeer lage aantallen tot broeden. +#### Algemenere soorten + Voor een aantal minder zeldzame soorten die niet opgenomen zijn in het Bijzondere Broedvogelproject (blauwborst, dodaars, rietzanger, scholekster, slobeend), zijn de tijdreeksen onvolledig. Deze soorten broeden ook in substantiële aantallen in (natuur)gebieden die niet frequent gemonitord worden. Voor deze soorten, aangevuld met zomertaling, voeren we een analyse uit op een deeldataset, nl. @@ -171,6 +177,8 @@ Indien er geen telgegevens zijn van het laatste rapportagejaar worden deze gelij ## Resultaten +### Zeldzame soorten {#zeld-soorten} + Figuur \@ref(fig:110-figuur2) toont de data met uitzondering van de vijf algemenere soorten (blauwborst, dodaars, rietzanger, scholekster, slobeend) en één tot nog toe afwezige soort (puperreiger). Deze figuur toont de trends van de soorten binnen de gebieden met instandhoudingsdoelstellingen in het Schelde-estuarium. Hoewel geen gebiedsdekkende kartering mogelijk is, wordt aangenomen dat het aantal territoria voor deze soorten een redelijk accuraat beeld geeft van de reële aantallen. @@ -198,7 +206,7 @@ Aangezien de tijdelijke inrichting van beide wetlands ophoudt in 2023, zal de kw Van de jaarlijks broedende soorten komt een aanzienlijk deel van de populatie van grutto, snor, woudaap en zomertaling voor buiten de haven. Voor de andere soorten (baardman, bruine kiekendief, kluut, tureluur) is het Noordelijk gebied van het Antwerpse havengebied op linkeroever veruit het belangrijkste broedgebied. -Baardman, woudaap en snor vertonen de laatste jaren een stijgende trend in de vallei van de Zeeschelde en haar tijgebonden zijrivieren (NOP-zone).\ +Baardman, woudaap en snor vertonen de laatste jaren een stijgende trend in de vallei van de Zeeschelde en haar tijgebonden zijrivieren (NOP-zone). Baardman broedt zelden stroomopwaarts Antwerpen. Het Schor Ouden Doel is met voorsprong het belangrijkste gebied voor deze soort, met jaarlijks meer dan 30 territoria sinds 2020. @@ -260,6 +268,8 @@ Zelfs in goede jaren, met natte voorjaren, blijven de aantallen ver onder de doe In 2022 werden twee territoria gevonden in de Durmevallei. Eén in het Molsbroek, de enige plaats waar de soort bijna jaarlijks broedt, en één mogelijk territorium in het Weijmeerbroek. +### Algemenere soorten + Figuur \@ref(fig:110-figuur3) toont de evolutie van zes algemene soorten in frequent getelde ingerichte Sigmagebieden. De sterk stijgende trend van de Rietzanger lijkt te plafoneren in de onderzochte gebieden. @@ -269,24 +279,23 @@ Ook voor de blauwborst komt al een hoog percentage (`r round(364/5.5, digits = 0 Deze soort haalt in het volledige IHD-gebied wellicht ook de tot doel gestelde aantallen (550). Dit geldt met zekerheid ook voor dodaars, alhoewel die de laatste jaren wat achteruitgaat in de onderzochte gebieden. -Maar daarnaast waren er telden we allen in Grote Wal in 2022 al 28 territoria en in 2023 39 territoria. +Maar daarnaast telden we alleen in Grote Wal in 2022 al 28 territoria en in 2023 39 territoria. De achteruitgang in de subset is vooral veroorzaakt door lagere aantallen in het Noordelijk gebied. Slobeend kende een sterke toename in de haven in de periode 2010 - 2015 tot 30 territoria. De laatste jaren daalde het aantal territoria er tot een 10-tal. Ook in de lijst van Sigmagebieden daalde het aantal, maar in Grote Wal vonden we in 2022 19 territoria voor en in 2023 20 territoria. -De som van alle gekende territoria blijft ruim onder het doel. -Het doel voor deze soort (IHD = 150) wordt in de Scheldevallei dus niet bereikt. +De som van alle gekende territoria blijft in 2023 ruim onder het doel (IHD = 150). -Het aantal zomertalingterritoria overschreidt in 2022 en 2023 de IHD (20), deels door de hoge aantallen die in het tijdelijke wetland Grote Wal broeden. -In de beperkte set natuurgebieden die voor de algemene soorten onderzocht worden schommelen de aantallen 7 en 11 territoria. -In 2021 lag het aantal nog wat lager omdat er toen geen enkel territorium werd vastgesteld in het Noordelijk gebied. +Het aantal zomertalingterritoria overschreidt in 2022 en 2023 de IHD (20), deels door de hoge aantallen die in het tijdelijke wetland Grote Wal broeden (zie paragraaf \@ref(zeld-soorten)). +In de beperkte set natuurgebieden die voor de algemene soorten onderzocht worden, schommelen de aantallen tussen 7 en 11 territoria. +In 2021 lag het aantal wat lager omdat er toen geen enkel territorium werd vastgesteld in het Noordelijk gebied. Scholekster broedt tegenwoordig vooral op akkers in het landbouwgebied. In de onderzochte natuurontwikkelingsgebieden van het Sigmaplan komt maar een klein aantal scholeksters tot broeden. Jaarlijks zijn er tussen 10 en 20 territoria. Als de broedstrategie van deze soort niet wijzigt, zullen de naturuontwikkelingsgebieden van het Sigmaplan weinig kunnen bijdragen aan de realisatie van de doelstelling (IHD = 190). -In het Noordelijk gebied lijken de aantallen de laatste jaren wel wat te stijgen, vooral in Doelpolder-noord, waar predatierasters geplaatst zijn om de weidevogels te beschermen, is dit het geval. +In het Noordelijk gebied lijken de aantallen de laatste jaren wel wat te stijgen, vooral in Doelpolder-noord waar predatierasters geplaatst zijn om de weidevogels te beschermen.
@@ -306,6 +315,10 @@ knitr::include_graphics(paste0(pad_figuren, "110_fig3.jpg"))
+## Conclusie + +Nog te schrijven. + ## Referenties Adriaensen F., Van Damme S., Van den Bergh E., Van Hove D., Brys R., Cox T., Jacobs S., Konings P., Maes J., Maris T. @@ -445,7 +458,9 @@ Vermeersch G., Anselin A., Devos K., Herremans M., Stevens J., Gabriëls J., Van (2004). Atlas van de Vlaamse broedvogels : 2000-2002. -Vochten T., Lenaerts B. + + +Vochten T., Lenaerts B. & Baetens J. (2024). Soortbeschermingsprogramma Antwerpse Haven Monitoringsrapport 2023. From 97aff461525f8b6d671962e7dc866bb4faf27418 Mon Sep 17 00:00:00 2001 From: JOCQUE Date: Wed, 18 Sep 2024 13:50:37 +0200 Subject: [PATCH 069/102] Finale aanpassingen --- .../091_vissen_ankerkuil.Rmd | 2 +- .../150_geintegreerd_rapport/092_vissen_fuiken.Rmd | 14 ++++++++------ .../093_vissen_conclusies.Rmd | 5 +++-- 3 files changed, 12 insertions(+), 9 deletions(-) diff --git a/moneos_2024/150_geintegreerd_rapport/091_vissen_ankerkuil.Rmd b/moneos_2024/150_geintegreerd_rapport/091_vissen_ankerkuil.Rmd index 7098575..fb2d9cb 100644 --- a/moneos_2024/150_geintegreerd_rapport/091_vissen_ankerkuil.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/091_vissen_ankerkuil.Rmd @@ -320,7 +320,7 @@ Zoetwater soorten zijn meest talrijk in de zoetwaterzone waar de aantallen en bi Binnen de zoetwatersoorten zijn omnivoren de meest talrijke en de meest soortenrijke functionele groep en ze vertegenwoordigen ook de grootste biomassa. Snoekbaars is dominant in deze groep, zowel in aantallen als in biomassa. -De aantallen daalden voor het derde jaar op rij, maar de biomassa bleef de laatste jaren grotendeels constant, er werden dus relatief meer grotere exemplaren gevangen. +De aantallen daalden voor het tweede jaar op rij, maar de biomassa bleef de laatste jaren grotendeels constant, er werden dus relatief meer grotere exemplaren gevangen. Benthivore zoetwater soorten worden qua aantallen gedomineerd door brasem, tiendoornige stekelbaars en blauwbandgrondel. Qua gewicht is enkel brasem dominant in deze functionele groep. diff --git a/moneos_2024/150_geintegreerd_rapport/092_vissen_fuiken.Rmd b/moneos_2024/150_geintegreerd_rapport/092_vissen_fuiken.Rmd index c8b78fa..421325b 100644 --- a/moneos_2024/150_geintegreerd_rapport/092_vissen_fuiken.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/092_vissen_fuiken.Rmd @@ -165,16 +165,16 @@ In Antwerpen zijn dat vooral brakwatergrondel, blankvoorn en brasem. In Steendorp wordt er naast blankvoorn ook relatief veel schol gevangen. In de zoete zone overheersen brakwatergrondel, brasem, schol, baars en paling. In de zomer worden overal redelijke aantallen bot en snoekbaars gevangen. -In de zone met sterke saliniteitsgradiënt aangevuld met haring. +In de zone met sterke saliniteitsgradiënt aangevuld met haring, schol en steenbolk. In de zoete zone is paling en blankvoorn meestal ook duidelijk aanwezig. Dit beeld verandert compleet in het najaar. In die periode overheerst brakwatergrondel de fuikvangsten van Antwerpen tot Appels. In het Paardenschor is dit bot en In Overbeke is paling dominant. -Uitgedrukt in biomassa overheerst snoekbaars, brasem en paling de zoete zone in het voorjaar, in de zone met saliniteitsgradiënt zijn dat ook snoekbaars, zeebaars en bot. +Uitgedrukt in biomassa overheerst snoekbaars, brasem en paling de zoete zone in het voorjaar, in de zone met saliniteitsgradiënt zijn dat ook snoekbaars, zeebaars, baars en bot. In Kastel nemen ook optrekkende finten een belangrijk deel van de biomassa in. -Paling is op de meeste locaties dominant in de zomer, aangevuld met steenbolk in Paardeschor (Figuur \@ref(fig:092-figuur-relatieve-biomassa)). -In het najaar blijft paling dominant, aangevuld met bot in Paardeschor en snoekbaars in Kastel. +Paling is op de meeste locaties dominant in de zomer, aangevuld snoekbaars van Antwerpen tot Overbeke, met goede aanwezigheid van steenbolk in Paardeschor en karper in Overbeke (Figuur \@ref(fig:092-figuur-relatieve-biomassa)). +In het najaar blijft paling dominant op de meeste plaatsen behalve in voor bot in Paardeschor en snoekbaars in Kastel. ```{r 092-figuur-relatief-aantal, fig.cap=cap_relatief_aantal, out.width="100%"} @@ -216,12 +216,14 @@ Piscivore estuariene en mariene soorten volgens de EMSE indeling worden in de Ze In de zone met sterke saliniteitsgradiënt worden vooral tong en schol gevangen als benthivore mariene migranten. Het aantal tongen per fuikdag daalde sterk na 2011 en toonde nog een beperkte piek in 2017. +Goede aantallen schol werden gevangen in 2023. Brakwatergrondel en dikkopje zijn veruit de meest talrijke benthivore estuariene soorten in de oligohaliene en zoete zones. De laaste jaren wordt hier vooral brakwatergrondel gevangen. De aantallen per fuikdag schommelen sterk zonder bepaalde trend. In `r laatste_jaar` is er een piek in het oligohalien en zoet met lange verblijftijd. Omnivore mariene soorten worden qua aantallen en biomassa standaard gedomineerd door zeebaars, in `r laatste_jaar` blijft zeebaars aanwezig in vergelijkbare aantallen en biomassa, maar is er een piek van steenbolk. +Grote aantallen juveniele steenbolk werden gevangen in 2023. Vooral in de zone met sterke saliniteitsgradiënt is zeebaars opvallend aanwezig in de fuikvangsten sinds 2015, terwijl ze in deze zone relatief minder gevangen worden met de ankerkuil. Planktivore individuen van de groep estuarien residente en mariene migranten zijn vooral juvenielen van mariene soorten haring en sprot, die de luwte van het estuarium opzoeken om op te groeien. @@ -403,7 +405,8 @@ De overige soorten komen slechts in kleine aantallen voor. In `r laatste_jaar` werden veel brakwatergrondels gevangen met de fuiken in de oligohaliene zone en zoet lange verblijftijd. - Dikkopje bevindt zich gemiddeld meer stroomafwaarts en is veel minder talrijk dan brakwatergrondel aanwezig in de fuiken. - Er was een eenmalige grote piek in de oligohaliene zone in 2020, de hoogste aantallen zijn waargenomen in `r laatste_jaar`. + Er was een eenmalige grote piek in de oligohaliene zone in 2020, ook in 2023 goede aantallen in de oligohaliene zone. + Hoge aantallen dikkopje zijn waargenomen met de ankerkuilvisserij. - Schol komt voor in de zone met sterke saliniteitsgradiëntvangsten, fuikvangsten in `r laatste_jaar` zijn de hoogste tot nu toe. Een stijgende trend is merkbaar sinds de vangsten van 2017. @@ -441,7 +444,6 @@ De meest voorkomende diadrome sleutelsoorten (\> 10 individuen per fuikdag) zijn Aangezien het om een habitatrichtlijn soort gaat die terugkwam nadat ze lange tijd als uitgestorven beschouwd was, is het belangrijk om door jaarlijkse analyse van paaitrek én rekrutering te evalueren hoe duurzaam deze hervestiging van de fint in de Zeeschelde is. - Paling wordt vooral gevangen in het oligohalien en zoetwater en is vooral qua biomassa vrij belangrijk. - De aantallen vertonen de laatste 10 jaar een licht dalende trend. - Spiering is in het algemeen de soort met de hoogste aantallen en biomassa in de Zeeschelde (zie ook Figuur \@ref(fig:092-figuur-relatief-aantal), \@ref(fig:092-figuur-relatief-aantal), \@ref(fig:092-figuur-aantallen-diadroom-EMSE) en \@ref(fig:092-figuur-biomassa-diadroom-EMSE)). Deze soort vertoonde een heel sterke piek in aantallen in 2014 in de ankerkuilvangsten en in 2015 in de fuikvangsten. diff --git a/moneos_2024/150_geintegreerd_rapport/093_vissen_conclusies.Rmd b/moneos_2024/150_geintegreerd_rapport/093_vissen_conclusies.Rmd index 7e9bc55..879f64a 100644 --- a/moneos_2024/150_geintegreerd_rapport/093_vissen_conclusies.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/093_vissen_conclusies.Rmd @@ -78,10 +78,11 @@ In Steendorp ging het om brakwatergrondel, in Branst opmerkelijk om dikkopje. De **visindex** voor zowel zoet, oligohalien als zoutgradient bereikt in 2023 een ontoereikende status. Interpretatie dient met de nodige voorzichtigheid te gebeuren. -De **vangstinspanning met de fuiken is in 2022 gehalveerd**. +De **vangstinspanning met de fuiken is in 2022 en 2023 gehalveerd**. Fuiken werden telkens 1 in plaats van 2 etmaal uitgezet. Dit had een invloed op het aantal gevangen soorten. -Verschillende van de metrieken gebruikt in de visindex (Breine et al. 2010) zijn direct gerelateerd aan het aantal soorten en hierdoor zal een breuk in de trends van soortenrijkdom bij fuikvangsten ontstaan. +Verschillende van de metrieken gebruikt in de visindex (Breine et al. 2010) zijn direct gerelateerd aan het aantal soorten en hierdoor zal mogelijks een breuk in de trends van soortenrijkdom bij fuikvangsten ontstaan. +Opmerkelijk is wel dat de visindex al een ferme duik neemt in 2021, vergelijkbaar met 2016, een afname die best in meer detail bekeken wordt. ### Algemene kenmerken van de Zeeschelde populaties. From 9250b3882a981d2f3fb289a55b97f02cfc1d3e49 Mon Sep 17 00:00:00 2001 From: VANOVERBEKE Date: Thu, 19 Sep 2024 15:59:59 +0200 Subject: [PATCH 070/102] afwerken hoofdstuk --- moneos_2024/150_geintegreerd_rapport/092_vissen_fuiken.Rmd | 4 ++-- .../150_geintegreerd_rapport/093_vissen_conclusies.Rmd | 4 +++- 2 files changed, 5 insertions(+), 3 deletions(-) diff --git a/moneos_2024/150_geintegreerd_rapport/092_vissen_fuiken.Rmd b/moneos_2024/150_geintegreerd_rapport/092_vissen_fuiken.Rmd index 421325b..00c8a25 100644 --- a/moneos_2024/150_geintegreerd_rapport/092_vissen_fuiken.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/092_vissen_fuiken.Rmd @@ -173,7 +173,7 @@ In het Paardenschor is dit bot en In Overbeke is paling dominant. Uitgedrukt in biomassa overheerst snoekbaars, brasem en paling de zoete zone in het voorjaar, in de zone met saliniteitsgradiënt zijn dat ook snoekbaars, zeebaars, baars en bot. In Kastel nemen ook optrekkende finten een belangrijk deel van de biomassa in. -Paling is op de meeste locaties dominant in de zomer, aangevuld snoekbaars van Antwerpen tot Overbeke, met goede aanwezigheid van steenbolk in Paardeschor en karper in Overbeke (Figuur \@ref(fig:092-figuur-relatieve-biomassa)). +Paling is op de meeste locaties dominant in de zomer, aangevuld met snoekbaars van Antwerpen tot Overbeke, met goede aanwezigheid van steenbolk in Paardeschor en karper in Overbeke (Figuur \@ref(fig:092-figuur-relatieve-biomassa)). In het najaar blijft paling dominant op de meeste plaatsen behalve in voor bot in Paardeschor en snoekbaars in Kastel. ```{r 092-figuur-relatief-aantal, fig.cap=cap_relatief_aantal, out.width="100%"} @@ -405,7 +405,7 @@ De overige soorten komen slechts in kleine aantallen voor. In `r laatste_jaar` werden veel brakwatergrondels gevangen met de fuiken in de oligohaliene zone en zoet lange verblijftijd. - Dikkopje bevindt zich gemiddeld meer stroomafwaarts en is veel minder talrijk dan brakwatergrondel aanwezig in de fuiken. - Er was een eenmalige grote piek in de oligohaliene zone in 2020, ook in 2023 goede aantallen in de oligohaliene zone. + Er was een eenmalige grote piek in de oligohaliene zone in 2020, ook in 2023 zijn er goede aantallen in de oligohaliene zone. Hoge aantallen dikkopje zijn waargenomen met de ankerkuilvisserij. - Schol komt voor in de zone met sterke saliniteitsgradiëntvangsten, fuikvangsten in `r laatste_jaar` zijn de hoogste tot nu toe. diff --git a/moneos_2024/150_geintegreerd_rapport/093_vissen_conclusies.Rmd b/moneos_2024/150_geintegreerd_rapport/093_vissen_conclusies.Rmd index 879f64a..dcb480d 100644 --- a/moneos_2024/150_geintegreerd_rapport/093_vissen_conclusies.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/093_vissen_conclusies.Rmd @@ -287,12 +287,14 @@ cap_soortenlijst <- soortenlijst %>% mutate(across(everything(), ~as.character(.) %>% replace_na(""))) %>% - mutate(across(c(-`Nederlandse naam`), ~cell_spec(., color = "black"))) %>% + mutate(`Wetensch. naam` = str_to_sentence(`Wetensch. naam`)) %>% + mutate(across(c(-`Nederlandse naam`, -`Wetensch. naam`), ~cell_spec(., color = "black"))) %>% # mutate(across(everything(), ~cell_spec(., , bold = TRUE, italic = TRUE, color = "black", background = "lightgreen"))) %>% mutate(`Nederlandse naam` = if_else(`Nederlandse naam` %in% sleutelsoorten_EMSE$soort, cell_spec(`Nederlandse naam`, bold = TRUE, italic = TRUE, color = "black"), cell_spec(`Nederlandse naam`, color = "black"))) %>% + mutate(`Wetensch. naam` = cell_spec(`Wetensch. naam`, italic = TRUE, color = "black")) %>% knitr::kable(escape = FALSE, booktabs = TRUE, longtable = TRUE, From 4b1ce4ee01b1f3e47e675063058abd941e94396e Mon Sep 17 00:00:00 2001 From: VANOVERBEKE Date: Thu, 19 Sep 2024 16:23:05 +0200 Subject: [PATCH 071/102] rijhoogte tabel --- moneos_2024/150_geintegreerd_rapport/093_vissen_conclusies.Rmd | 3 ++- 1 file changed, 2 insertions(+), 1 deletion(-) diff --git a/moneos_2024/150_geintegreerd_rapport/093_vissen_conclusies.Rmd b/moneos_2024/150_geintegreerd_rapport/093_vissen_conclusies.Rmd index dcb480d..acddecd 100644 --- a/moneos_2024/150_geintegreerd_rapport/093_vissen_conclusies.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/093_vissen_conclusies.Rmd @@ -299,7 +299,8 @@ soortenlijst %>% booktabs = TRUE, longtable = TRUE, caption = cap_soortenlijst, - align = c(rep("l", 4), rep("c", 2))) %>% + align = c(rep("l", 4), rep("c", 2)), + linesep = "") %>% kable_styling(latex_options = c("striped", "scale_down"), font_size = 9) From 78a82bd093ab6b5cb9c25d6a05cf573c1ae75b7d Mon Sep 17 00:00:00 2001 From: VANOVERBEKE Date: Thu, 19 Sep 2024 17:07:48 +0200 Subject: [PATCH 072/102] correctie uitlijning tabellen --- .../090_vissen_inleiding_en_methode.Rmd | 3 ++- .../150_geintegreerd_rapport/091_vissen_ankerkuil.Rmd | 6 ++++-- .../150_geintegreerd_rapport/092_vissen_fuiken.Rmd | 9 ++++++--- 3 files changed, 12 insertions(+), 6 deletions(-) diff --git a/moneos_2024/150_geintegreerd_rapport/090_vissen_inleiding_en_methode.Rmd b/moneos_2024/150_geintegreerd_rapport/090_vissen_inleiding_en_methode.Rmd index 45f8d94..eaaa56e 100644 --- a/moneos_2024/150_geintegreerd_rapport/090_vissen_inleiding_en_methode.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/090_vissen_inleiding_en_methode.Rmd @@ -311,7 +311,8 @@ tabel_metrieken %>% knitr::kable(booktabs = TRUE, caption = cap_metrieken, col.names = NULL, - escape = FALSE) %>% + escape = FALSE, + linesep = "") %>% kable_styling("striped", latex_options = c("striped")) diff --git a/moneos_2024/150_geintegreerd_rapport/091_vissen_ankerkuil.Rmd b/moneos_2024/150_geintegreerd_rapport/091_vissen_ankerkuil.Rmd index fb2d9cb..b177b4a 100644 --- a/moneos_2024/150_geintegreerd_rapport/091_vissen_ankerkuil.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/091_vissen_ankerkuil.Rmd @@ -99,7 +99,8 @@ tabel_gevangen_soorten %>% caption = cap_gevangen_soorten, align = c("l", rep("c", 12)), col.names = c("", rep(c("Doel", "Antw.", "Steend.", "Branst"), 3)), - escape = FALSE) %>% + escape = FALSE, + linesep = "") %>% add_header_above(c(" " = 1, "voorjaar" = 4, "zomer" = 4, "najaar" = 4)) %>% kable_styling("striped", latex_options = c("striped", "scale_down"), @@ -126,7 +127,8 @@ tabel_aantal_soorten %>% knitr::kable(booktabs = TRUE, caption = cap_aantal_soorten, align = c("l", rep("c", 3)), - escape = FALSE) %>% + escape = FALSE, + linesep = "") %>% kable_styling("striped", latex_options = c("striped"), font_size = 10) diff --git a/moneos_2024/150_geintegreerd_rapport/092_vissen_fuiken.Rmd b/moneos_2024/150_geintegreerd_rapport/092_vissen_fuiken.Rmd index 00c8a25..f873cc6 100644 --- a/moneos_2024/150_geintegreerd_rapport/092_vissen_fuiken.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/092_vissen_fuiken.Rmd @@ -105,7 +105,8 @@ tabel_gevangen_soorten %>% caption = cap_gevangen_soorten, align = c("l", rep("c", 12)), col.names = c("", rep(c("Paard.", "Antw.", "Steend.", "Kastel", "Appels", "Overb."), 3)), - escape = FALSE) %>% + escape = FALSE, + linesep = "") %>% add_header_above(c(" " = 1, "voorjaar" = 6, "zomer" = 6, "najaar" = 6)) %>% kable_styling("striped", latex_options = c("striped", "scale_down"), @@ -132,7 +133,8 @@ tabel_aantal_soorten %>% knitr::kable(booktabs = TRUE, caption = cap_aantal_soorten, align = c("l", rep("c", 3)), - escape = FALSE) %>% + escape = FALSE, + linesep = "") %>% kable_styling("striped", latex_options = c("striped"), font_size = 10) @@ -650,7 +652,8 @@ tabel_visindex %>% caption = cap_visindex, # align = c("l", rep("c", 12)), col.names = rep(c("jaar", "EQR", "appreciatie"), 3), - escape = FALSE) %>% + escape = FALSE, + linesep = "") %>% add_header_above(c("Zoetwater zone" = 3, "Oligohaliene zone" = 3, "Mesohaliene zone" = 3)) %>% kable_styling("striped", latex_options = c("striped")) From 823c7f6e937b688b8afafd8c6a3e7203141c8c2d Mon Sep 17 00:00:00 2001 From: MERTENS Date: Thu, 19 Sep 2024 17:48:20 +0200 Subject: [PATCH 073/102] Add figures and adapt text to 2022. --- .../150_geintegreerd_rapport/030_ecotopen.Rmd | 286 ++++++++---------- 1 file changed, 131 insertions(+), 155 deletions(-) diff --git a/moneos_2024/150_geintegreerd_rapport/030_ecotopen.Rmd b/moneos_2024/150_geintegreerd_rapport/030_ecotopen.Rmd index 4677e72..28c1e14 100644 --- a/moneos_2024/150_geintegreerd_rapport/030_ecotopen.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/030_ecotopen.Rmd @@ -80,7 +80,6 @@ for(i in 1:nrow(meta_data)){ Om de evolutie van de diversiteit van estuariene habitats in de Zeeschelde op te volgen vormt de ecotopenkaart, samen met haar basiskaarten de fysiotopenkaart en een geomorfologische kaart, het belangrijkste instrument. Deze kaarten worden jaarlijks gemaakt voor de Beneden-Zeeschelde en 3-jaarlijks voor de Boven-Zeeschelde, Rupel en Durme. -In dit MONEOSrapport wordt de ecotopenkaart van `r laatste_jaar` van de Beneden-Zeeschelde besproken. In de ecotopenkaart worden habitatoppervlakten in natuurontwikkelingsprojecten (NOP's) zoals ontpolderingen, GGG's en dijkverleggingen mee opgenomen wanneer deze een open aansluiting hebben met de Zeeschelde. De essentie van een goed ecotopenstelsel is dat de juiste fysische grenzen bepaald zijn voor het potentieel voorkomen van specifieke levensgemeenschappen. @@ -94,6 +93,8 @@ In deze rapportage wordt de ecotopenkaart voor de Beneden-Zeeschelde vooralsnog De kaart van het ecotopenstelsel *Zeeschelde 1.0* bestaat van `r vroegste_jaar` tot `r laatste_jaar`, terwijl de kaart van het ecotopenstelsel *Zeeschelde 2.0* teruggerekend is tot en met 2019. De ecotopenkaart Zeeschelde 2.0 werd voor het eerst gerapporteerd in het MONEOS rapport van 2022 (kaart van toestand 2020) (Mertens & Van Braeckel, 2022). +In dit MONEOSrapport wordt de ecotopenkaart van `r laatste_jaar` van de Beneden-Zeeschelde besproken. De kaarten van de Boven-Zeeschelde van `r laatste_jaar` zullen gerapporteerd worden in de volgende MONEOS rapportage, wegens vertraging in de aangeleverde data. + ## Methodologie {#ECTM} De ecotopenkaart wordt samengesteld uit enerzijds een geomorfologische kaart en anderzijds een fysiotopenkaart (Tabel \@ref(tab:030-tabel-klassen-E1)). @@ -209,27 +210,26 @@ figtab(knitr::opts_current$get()$label,
De **supralitorale zone** is de zone boven gemiddeld hoogwater bij springtij (HW85). -De bovengrens van van deze zone is ook de bovengrens van het estuarium en werd theoretisch vastgelegd als de hoogte die op basis van tijdata gemiddeld vier maal per jaar overspoelt. - In het supralitoraal worden twee fysiotopen onderscheiden : +De bovengrens van van deze zone is ook de bovengrens van het estuarium en werd theoretisch vastgelegd als de hoogte die op basis van tijdata gemiddeld vier maal per jaar overspoelt. Deze buitengrens wordt in principe niet steeds aangepast, tenzij de estuariene grens door ingrepen is verlegd. + +In het supralitoraal worden twee fysiotopen onderscheiden: -- supralitoraal s.s. +- supralitoraal (s.s.) - hoog supralitoraal -Het supralitoraal s.s. -is de zone waar het overspoelingsregime geschikt is voor de ontwikkeling van estuariene schorvegetaties. +Het supralitoraal (s.s.) is de zone waar het overspoelingsregime geschikt is voor de ontwikkeling van estuariene schorvegetaties. Het hoog supralitoraal is de zone die hoger ligt dan de functionele schorren. Deze zone overspoelt niet bij elk springtij maar enkel bij extreme hoogwaters zoals bij stormtij of hoge bovenafvoer. Dat is onvoldoende om estuariene schorvegetaties te ontwikkelen. Het hoog supralitoraal is dus de overgangszone tussen het schor en de dijkvegetatie alsook de opgehoogde delen midden in het schor. -De grens tussen het hoog supralitoraal en het supralitoraal s.s of het schor verandert met het getijregime langs de longitudinale estuariene gradiënt. -Van de Belgisch-Nederlandse grens tot de Roggeman en Vlassenbroek ligt deze op 6,4m TAW. -Stroomopwaarts Roggeman/Vlassenbroek en in Durme en Rupel wordt 6,2m TAW aangehouden en in de Ringvaart en Tijarm Zwijnaarde 5.75m TAW. +De grens tussen het hoog supralitoraal en het supralitoraal (s.s) of het schor verandert met het getijregime langs de longitudinale estuariene gradiënt. +Van de Belgisch-Nederlandse grens tot de Roggeman en Vlassenbroek werd deze vastgelegd op 6,4m TAW. +Stroomopwaarts Roggeman/Vlassenbroek en in Durme en Rupel wordt 6,2m TAW aangehouden en in de Ringvaart en Tijarm Zwijnaarde 5.75m TAW. Voor de zoete zijrivieren (Dijle, Zenne, Nete) werd nog geen grens bepaald. Deze hoogtes zijn vastgesteld op basis van expertise en worden voorlopig toegepast. Momenteel wordt een ecologisch gevalideerde grens gedefinieerd op basis van voorkomende plantengemeenschappen. -Op basis van de resultaten van dit onderzoek zal in de toekomst gebruik gemaakt worden van een grens gebaseerd op de overspoelingsfrequenties. +Op basis van de resultaten van dit onderzoek zal in de toekomst gebruik gemaakt worden van een grens gebaseerd op de overspoelingsfrequenties, momenteel aangeduid met vraagtekens in Tabellen \@ref(tab:030-tabel-klassen-E1) en @ref(tab:030-tabel-klassen-E2)). - ### Ecotopenkaart @@ -239,74 +239,40 @@ In de **sublitorale zone** zijn de ecotopen gelijk aan de fysiotopen. - In het ecotopenstelsel *Zeeschelde 1.0* worden het "Zeer diep subtidaal" en "Diep subtidaal" samengenomen in het ecotoop "Diep subtidaal". -- In het ecotopenstelsel *Zeeschelde 2.0* wordt, behalve in het "Zeer diep subtidaal' telkens onderscheid gemaakt in hoog- en laagdynamisch +- In het ecotopenstelsel *Zeeschelde 2.0* wordt telkens onderscheid gemaakt in hoog- en laagdynamisch. In de **litorale zone** worden de slikfysiotopen gecombineerd met de geomorfologie tot zachte slikken, natuurlijk harde slikken en antropogeen harde slikken (Tabel \@ref(tab:030-tabel-klassen-E1)). In het *ecotopenstelsel 2.0* wordt ook slik met steile en vlakke helling onderscheiden met 25% als grenswaarde. Deze worden niet als apart ecotoop gekarteerd, maar de oppervlaktes worden wel berekend. - -In de **supralitorale zone** worden volgende ecotopen onderscheiden: +In de **supralitorale zone** worden volgende ecotopen onderscheiden: - Potentiële pionierzone: de onbegroeide zone op zacht substraat boven HW85. In deze zone zou, op basis van de hoogteligging in het getijvenster, schoruitbreiding met kenmerkende schorvegetatie mogelijk zijn. Aangezien deze zone onbegroeid blijft, zijn de hydrodynamische omstandigheden en/of de waterverzadiging er niet geschikt voor vegetatievestiging; - Schor: zone boven HW85, maar lager dan de grens voor het hoog supralitoraal, begroeid met vegetatie kenmerkend voor estuariene of fluviatiele omstandigheden; - Getijdeplas: grote waterplas binnen de schorzone; -- Supralitoraal s.s. hard natuurlijk: zone van klei of veen, vaak door erosie vrijgekomen, gelegen tussen HW85 en de ondergrens van het hoog supralitoraal; -- Supralitoraal s.s. hard antropogeen: zone tussen HW85 en de ondergrens van het hoog supralitoraal met antropogeen hard substraat, meestal breuksteen of schanskorven, waartussen beperkte vegetatieontwikkeling mogelijk is en dus ook met beperkt ecologisch potentieel; -- Hoog supralitoraal: Met hogere planten begroeide zone boven de functionele schorren ; -- Hoog supralitoraal hard antropogeen: deze zone kent hetzelfde overspoelingsregime als het hoog supralitoraal maar is bestort met breuksteen. Beperkte (niet estuariene) vegetatieontwikkeling is mogelijk; -- Antropogeen: Dit ecotoop beschrijft de volledig verharde zones zonder enige ecologische waarde (geen algen noch plantengroei) zowel voor supralitoraal s.s. als voor hoog supralitoraal. +- Supralitoraal (s.s.) hard natuurlijk: zone van klei of veen, vaak door erosie vrijgekomen, gelegen tussen HW85 en de ondergrens van het hoog supralitoraal; +- Supralitoraal (s.s.) hard antropogeen: zone tussen HW85 en de ondergrens van het hoog supralitoraal met antropogeen hard substraat, meestal breuksteen of schanskorven, waartussen beperkte vegetatieontwikkeling mogelijk is en dus ook met beperkt ecologisch potentieel; +- Hoog supralitoraal (hoog supralitorale vegetatie): Met hogere planten begroeide zone boven de functionele schorren; +- Antropogeen: Dit ecotoop beschrijft de volledig verharde zones zonder enige ecologische waarde (geen algen noch plantengroei). In het verleden werd de categorie hoog supralitoraal ingevuld op basis van gekende hogere zones in combinatie met de vegetatiekaart. -Vanaf 2019 tot en met `r laatste_jaar` is het hoog supralitoraal ingevuld op basis van hoogtewaarden in het DTM (6,4/6,2/5,75 - 7m TAW). +Vanaf 2019 tot en met `r laatste_jaar` is het hoog supralitoraal ingevuld op basis van hoogtewaarden in het DTM zoals hierboven bij het deel over fysiotopen vermeld (6,4/6,2/5,75 - 7m TAW). Dit heeft in alle kaarten een verschuiving veroorzaakt van schor of supralitoraal hard antropogeen naar hoog supralitoraal van 2019 naar het daaropvolgend jaar. De grote toename in hoog supralitoraal is dus het resultaat van een wijziging in de afbakeningsmethode en weerspiegelt geen natuurlijke evolutie. Vanaf 2019 weerspiegelen de wijzigingen in het hoog supralitoraal opnieuw de natuurlijke evoluties.
- - - - - - - - - - - - - - - - - - - - ```{r 030-tabel-klassen-E1, results="asis", fig.show='hide', out.width="100%"} -caption_tab <- "Fysiotoopklassen en geomorftypes worden gecombineerd tot ecotopenklassen in ecotopenstelsel Zeeschelde 1.0." +caption_tab <- "Ecotopenstelsel Zeeschelde 1.0." img_file <- paste0(pad_tabellen, "030_tabel_klassen_E1.png") figtab(knitr::opts_current$get()$label, img_file, caption_tab) - -# # Tabel ecotoopklassen obv fysiotoop en geomorf -# ecotopen_df <- read_xlsx(path = str_c(pad_tabellen, "Klassen_Fysio_Geo_Eco.xlsx")) -# -# cap_ecotopen <- "Fysiotoopklassen en geomorftypes worden gecombineerd tot ecotopenklassen" -# -# ecotopen_df %>% -# knitr::kable(booktabs = TRUE, -# caption = cap_ecotopen) %>% -# collapse_rows(columns = c(1, 2)) %>% -# row_spec(0, background = "lightgray") %>% -# row_spec(c(5:7, 11:13, 20:21), background = "#F6F6F6") ``` @@ -314,7 +280,7 @@ figtab(knitr::opts_current$get()$label, ```{r 030-tabel-klassen-E2, results="asis", fig.show='hide', out.width="100%"} -caption_tab2 <- "Fysiotoopklassen en geomorftypes worden gecombineerd tot ecotopenklassen in ecotopenstelsel Zeeschelde 2.0." +caption_tab2 <- "Ecotopenstelsel Zeeschelde 2.0." img_file2 <- paste0(pad_tabellen, "030_tabel_klassen_E2.png") @@ -329,47 +295,44 @@ figtab(knitr::opts_current$get()$label, ## Ecotopen in de Zeeschelde - - ### Ecotopen van de Beneden-Zeeschelde in `r laatste_jaar` {#BEZ} #### Zeeschelde ecotopen 1.0 +De ecotopenkaart methode 1.0 van de Beneden-Zeeschelde in `r laatste_jaar` is te zien in Figuur \@ref(fig:030-figuur-kaart-bez). + +Tabel \@ref(tab:030-tabel-oppervlakte-BEZ) toont de oppervlaktes per ecotoop in de Beneden-Zeeschelde voor elk jaar vanaf `r vroegste_jaar` in hectare (ha) en als percentage (%) van de totale oppervlakte. + +De korte en lange termijn evolutie van de ecotopen is beschreven in Tabel \@ref(tab:030-tabel-evolutie-BEZ) via de absolute verandering (ha) en de procentuele verandering (%) tussen de aangegeven jaren. Voor de korte termijn evolutie wordt het huidige jaar vergeleken met het jaar ervoor, terwijl voor de lange termijn evolutie de vergelijking van het huidig jaar gemaakt wordt met het eerste rapportage jaar (`r vroegste_jaar`). + +Na een kleine toename van 0,7 hectare van het **sublitoraal** bij de vorige rapportage (Mertens & Van Braeckel, 2022), is dit ecotoop in `r laatste_jaar` terug in oppervlakte gedaald met 0,8 hectare (Tabel \@ref(tab:030-tabel-evolutie-BEZ)). Deze daling bevindt zich vooral in het matig diep en ondiep subtidaal, terwijl het diep subtidaal juist in oppervlakte is gestegen (Tabel \@ref(tab:030-tabel-oppervlakte-BEZ)). + +In het **litoraal** is de totale oppervlakte aan zacht substraat met 6 hectare gestegen sinds `r laatste_jaar - 1`. Deze stijging vond vooral plaats in het laag slik zacht substraat. Het hoog slik zacht substraat is daarentegen licht gedaald in oppervlakte (3,4 hectare). +Het natuurlijk hard substraat in het litoraal is licht gedaald in `r laatste_jaar` ten opzichte van `r laatste_jaar - 1`. + +De nieuwe slikken net ten noorden van Fort Filip bestonden in `r laatste_jaar - 1` vooral uit hard substraat, maar in `r laatste_jaar` is hier een zachte sliklaag opgekomen (Figuur \@ref(fig:030-figuur-kaart-ff)). Net achter de strekdam bevindt zich wel nog een verharde zone. + +In het **supralitoraal** is de potentiële pionierzone opnieuw afgenomen en heeft met een oppervlakte van 17,2 hectare de laagste waarde bereikt sinds 2010. +Op de potentiële pionierzone is op verschillende plaatsen schorvorming ontstaan in 2022. +Voorbeelden zijn in de Lillo ontpoldering (Figuur \@ref(fig:030-figuur-kaart-lillo)), de heraangelegde zone stroomopwaarts van Fort Filip (Figuur \@ref(fig:030-figuur-kaart-ff)) en eveneens in de Fasseit ontpoldering (Figuur \@ref(fig:030-figuur-kaart-fasseit)). Ook in de Burchtse Weel GGG zette de trend van verschorring zich voort (zie ook Mertens & Van Braeckel, 2022). + +Het schor is verder blijven toenemen, in `r laatste_jaar` met 14,9 hectare ten opzichte van `r laatste_jaar - 1`. Het hoog supralitoraal is licht gedaald met 3,7 hectare. + +Een voorbeeld van lokale schorvermindering is te zien in Figuur \@ref(fig:030-figuur-kaart-cauwelaertsluis) net voorbij de Van Cauwelaertsluis waar er schor verwijderd is door menselijke ingrepen. + +Het antropogeen hard substraat (breuksteen) is over alle ecotopen afgenomen met 10,8 hectare. + +De totale oppervlakte estuarien gebied in de Beneden-Zeeschelde is met 1,9 hectare gedaald. Dit na een stijging van 5,3 hectare in `r laatste_jaar - 1` door de heraanleg rond Fort Filip. + ```{r tekstvorigjaar, eval=FALSE, include=FALSE} -# De ecotopenkaart van de Beneden-Zeeschelde in `r laatste_jaar` is te zien in Figuur \@ref(fig:030-figuur-kaart-bez). -# -# Tabel \@ref(tab:030-tabel-oppervlakte-BEZ) toont de oppervlaktes per ecotoop in de Beneden-Zeeschelde voor elk jaar vanaf `r vroegste_jaar` in hectare (ha) en als percentage (%) van de totale oppervlakte. -# De korte en lange termijn evolutie van de ecotopen is beschreven in Tabel \@ref(tab:030-tabel-evolutie-BEZ) via de absolute verandering (ha) en de procentuele verandering (%) tussen de aangegeven jaren. -# Voor de korte termijn evolutie wordt het huidige jaar vergeleken met het jaar ervoor, terwijl voor de lange termijn evolutie de vergelijking van het huidig jaar gemaakt wordt met het eerste rapportage jaar (`r vroegste_jaar`). -# -# In `r laatste_jaar` is het **sublitoraal** met 0,7 hectare toegenomen ten opzichte van `r laatste_jaar - 1` (Tabel \@ref(tab:030-tabel-evolutie-BEZ)) en hiermee behaalt het sublitoraal in `r laatste_jaar` de hoogste oppervlakte sinds de start van de kartering (Tabel \@ref(tab:030-tabel-oppervlakte-BEZ)). -# Over de gehele rapportage periode (lange termijn evolutie) is het sublitoraal in totaal met iets meer dan 15 ha toegenomen. -# Er is bovendien een sterke toename (33 ha) waargenomen van ondiep subtidaal ten koste van matig diep subtidaal en laag slik. -# Ook in de vergelijking van `r laatste_jaar` met `r laatste_jaar-1` is deze turnover zichtbaar. -# -# In het **litoraal** is de oppervlakte aan zacht substraat nagenoeg stabiel in vergelijking met `r laatste_jaar - 1`. -# Binnen het zacht substraat zijn er wel verschuivingen zichtbaar in de hoogte van het slik. -# Er is een turnover van laag en hoog slik naar middelhoog slik. -# Deze toename in het middelhoog slik komt na een aanhoudende afname sinds 2018, maar de huidige oppervlakte is nog steeds lager dan deze in 2019. -# Sinds de start van de rapportage is het zacht litoraal met ongeveer 12 hectare gestegen, voornamelijk door een stijging in het hoog slik. -# Ook het natuurlijk hard substraat in het litoraal is sterk gestegen sinds `r vroegste_jaar`, namelijk 14 hectare (een stijging van bijna 80% van de initiële oppervlakte). -# -# In het **supralitoraal** is de oppervlakte potentiële pionierzone hersteld naar de oppervlakte in `r laatste_jaar - 2`. -# In `r laatste_jaar - 1` werd een grote toename waargenomen omwille van een tijdelijke situatie van antropogene morfologische veranderingen, voornamelijk in de zone rondom Fort Filip. -# De herinrichting is momenteel afgerond en de kaart weerspiegelt nu de nieuwe situatie (Figuur \@ref(fig:030-figuur-kaart-ff)). -# De oppervlakte schor is met 18 hectare toegenomen ten opzichte van het voorgaande jaar. + + # Voor een gedeelte is deze schortoename zichtbaar in het GGG Burchtse Weel, waarbij grote delen potentiële pionierzone inmiddels begroeid zijn (Figuur \@ref(fig:030-figuur-kaart-bw)). -# In `r laatste_jaar - 1` was het hoog supralitoraal sterk toegenomen (bijna 17 ha) door een wijziging in methodologie, maar in `r laatste_jaar` is de oppervlakte opnieuw afgenomen met 8,6 hectare voor het begroeide hoog supralitoraal. -# Het hoog supralitoraal dat met breuksteen bedekt is (hard antropogeen) is juist toegenomen met bijna 4 hectare. -# In totaal is het antropogeen hard substraat (de breuksteenzones zowel in het litoraal als supralitoraal) toegenomen met 4 hectare sinds het voorgaande jaar. -# Deze nieuwe breuksteenzones liggen voornamelijk in de nieuwe zone rond Fort Filip. # -# De totale oppervlakte van de Beneden-Zeeschelde ecotopen is met 5,3 ha gestegen. -# Deze nieuwe oppervlakte ligt voornamelijk aan de zone rond Fort Filip. + ``` -
@@ -387,6 +350,10 @@ knitr::include_graphics(paste0(pad_figuren, "030_figuur_Ecotoop_BEZ_", laatste_j
+```{=tex} +\begin{landscape} +``` + ```{r 030-tabel-oppervlakte-BEZ, results="asis", fig.show='hide', out.width="100%"} caption_tab <- str_c("Oppervlaktes en oppervlaktepercentages van ecotopen Zeeschelde 1.0 in de Beneden-Zeeschelde in de laatste 6 jaar voor ", laatste_jaar, ", inclusief het startjaar ", vroegste_jaar, ".") @@ -399,6 +366,11 @@ figtab(knitr::opts_current$get()$label, ``` +```{=tex} +\end{landscape} +``` +\newpage + ```{r 030-tabel-evolutie-BEZ, results="asis", fig.show='hide', out.width="100%"} caption_tab <- str_c("Absolute verandering en procentuele verandering van de lange termijn evolutie (tussen ", vroegste_jaar, " en ", laatste_jaar, ") en de korte termijn evolutie (tussen ", laatste_jaar - 1, " en ", laatste_jaar, ") in de Beneden-Zeeschelde 1.0.") @@ -411,46 +383,59 @@ figtab(knitr::opts_current$get()$label, ``` +(ref:figlillo) Ecotopenkaart Zeeschelde 1.0 2022 Lillo (centraal onder), overzichtskaart met rode kader als indicator detailkaart (linksboven), ecotopenkaart 2021 1.0 Lillo (rechtsboven). Zie Figuur \\@ref(fig:030-figuur-kaart-bez) voor legende. -(ref:figff) Ecotopenkaart Zeeschelde 1.0 2021 Fort Filip vernieuwde zone (centraal onder), overzichtskaart met rode kader als indicator detailkaart (linksboven), ecotopenkaart 2020 Fort Filip tussentie fase (rechtsboven). Zie Figuur \@ref(fig:030-figuur-kaart-bez) voor legende. +```{r 030-figuur-kaart-lillo, fig.cap='(ref:figlillo)', out.width="100%"} +# figuur_kaart_lillo <- "Ecotopenkaart Zeeschelde 1.0 2022 Lillo (centraal onder), overzichtskaart met rode kader als indicator detailkaart (linksboven), ecotopenkaart 2021 1.0 Lillo (rechtsboven). Zie Figuur \\@ref(fig:030-figuur-kaart-bez) voor legende." -```{r 030-figuur-kaart-ff, fig.cap='(ref:figff)', out.width="100%", include=FALSE, eval=FALSE} +knitr::include_graphics(paste0(pad_figuren, "030_figuur_Lillo_2022.png")) -# figuur_kaart_ff <- "Ecotopenkaart Zeeschelde 1.0 2021 Fort Filip vernieuwde zone (centraal onder), overzichtskaart met rode kader als indicator detailkaart (linksboven), ecotopenkaart 2020 Fort Filip tussentie fase (rechtsboven). Zie Figuur \\@ref(fig:030-figuur-kaart-bez) voor legende." +``` + + +(ref:figcauw) Ecotopenkaart Zeeschelde 1.0 2022 voorbij Van Cauwelaertsluis (centraal onder), overzichtskaart met rode kader als indicator detailkaart (linksboven), ecotopenkaart 2021 1.0 (rechtsboven). Zie Figuur \\@ref(fig:030-figuur-kaart-bez) voor legende. -knitr::include_graphics(paste0(pad_figuren, "030_figuur_FortFilip_2021.png")) +```{r 030-figuur-kaart-cauwelaertsluis, fig.cap='(ref:figcauw)', out.width="100%"} + +knitr::include_graphics(paste0(pad_figuren, "030_figuur_Cauwelaertsluis_2022.png")) ``` +(ref:figff) Ecotopenkaart Zeeschelde 1.0 2022 rond Fort Filip (centraal onder), overzichtskaart met rode kader als indicator detailkaart (linksboven), ecotopenkaart 2021 1.0 (rechtsboven). Zie Figuur \\@ref(fig:030-figuur-kaart-bez) voor legende. + +```{r 030-figuur-kaart-ff, fig.cap='(ref:figff)', out.width="100%"} -(ref:figbw) Ecotopenkaart Zeeschelde 1.0 2021 Burchtse Weel schoruitbreiding (centraal onder), overzichtskaart met rode kader als indicator detailkaart (linksboven), ecotopenkaart 2020 Burchtse Weel (rechtsboven). Zie Figuur \@ref(fig:030-figuur-kaart-bez) voor legende. +knitr::include_graphics(paste0(pad_figuren, "030_figuur_FortFilip_2022.png")) +``` -```{r 030-figuur-kaart-bw, fig.cap='(ref:figbw)', out.width="100%", include=FALSE, eval=FALSE} +(ref:figfasseit) Ecotopenkaart Zeeschelde 1.0 2022 Fasseit ontpoldering (centraal onder), overzichtskaart met rode kader als indicator detailkaart (linksboven), ecotopenkaart 2021 1.0 (rechtsboven). Zie Figuur \\@ref(fig:030-figuur-kaart-bez) voor legende. -# figuur_kaart_bw <- "Ecotopenkaart Zeeschelde 1.0 2021 Burchtse Weel schoruitbreiding (centraal onder), overzichtskaart met rode kader als indicator detailkaart (linksboven), ecotopenkaart 2020 Burchtse Weel (rechtsboven). Zie Figuur \\@ref(fig:030-figuur-kaart-bez) voor legende." +```{r 030-figuur-kaart-fasseit, fig.cap='(ref:figfasseit)', out.width="100%"} -knitr::include_graphics(paste0(pad_figuren, "030_figuur_BurchtseWeel_2021.png")) +knitr::include_graphics(paste0(pad_figuren, "030_figuur_Fasseit_2022.png")) ``` +
Om de veranderingen beschreven in Tabel \@ref(tab:030-tabel-oppervlakte-BEZ) en Tabel \@ref(tab:030-tabel-evolutie-BEZ) goed te begrijpen is het relevant om naast het bespreken van het geheel estuarien gebied met laterale uitbreidingen ook naar de 'enge' planimetrie van het estuarium te kijken (zie bijvoorbeeld Van Braeckel & Elsen, 2020), met name het estuariene deel van de Beneden-Zeeschelde zonder de laterale uitbreidingen van de natuurontwikkelingsprojecten. -Deze aanpak beschrijft beter de evolutie van de ecotopen in de Beneden-Zeeschelde onder rechtstreekse invloed van veranderingen in de vaargeul en van de het hydraulisch regime. +Deze aanpak beschrijft beter de evolutie van de ecotopen in de Beneden-Zeeschelde onder rechtstreekse invloed van veranderingen in de vaargeul en van het hydraulisch regime. De gebieden die dus niet in rekening worden gebracht onder de 'enge' planimetrie van de Beneden-Zeeschelde zijn nieuwe Sigmagebieden of natuurontwikkelingsprojecten in KRWzone IV en III tot aan de Rupelmonding. De oppervlaktes van de ecotopen binnen de 'enge' planimetrie zijn weergegeven in Tabel \@ref(tab:030-tabel-eng-BEZ) en het verschil in evolutie binnen het gehele estuarien gebied en enkel de 'enge' planimetrie is te zien in Figuur \@ref(fig:030-figuur-evolutie-bez). -Zowel op korte als lange termijn volgen de evoluties in het laag en middelhoog slik dezelfde tendensen in de 'enge' planimetrie als in de volledige planimetrie. -De geleidelijke afname van de oppervlakte hoog slik zoals die zich voordoet in de volledige planimetrie lijkt zich niet voor te doen in de enge planimetrie. -Uit deze vergelijking blijkt ook dat ongeveer de helft van de toename in middelhoog slik heeft plaatsgevonden binnen de laterale uitbreidingen . +Zowel op korte als lange termijn volgen de evoluties in het laag en middelhoog slik dezelfde tendensen in de 'enge' planimetrie als in de volledige planimetrie. Het laag slik zacht substraat kent vooral schommelingen van stijgende en dalende oppervlakte in de enge planimetrie en is meest recentelijk gestegen. Het middelhoog slik zacht substraat is licht gestegen. +De zeer geleidelijke afname van de oppervlakte hoog slik zacht substraat zoals die zich voordoet in de volledige planimetrie is pas sinds `r laatste_jaar - 1` ook zichtbaar in de enge planimetrie, daarvoor bleef deze oppervlakte eerder stabiel. + +De oppervlakte potentiële pionierzone is zowel in het volledige gebied als binnen de 'enge' planimetrie gedaald ten opzichte van `r laatste_jaar -1`, maar het grootste deel van de daling heeft plaatsgevonden binnen de laterale uitbreidingen. -De oppervlakte potentiële pionierzone is zowel in het volledige gebied als binnen de 'enge' planimetrie gedaald ten opzichte van `r laatste_jaar -1`, maar het grootste deel van de daling heeft plaatsgevonden binnen de laterale uitbreidingen (hieronder valt eveneens de herinrichting rond Fort Filip). -Het grootste verschil in de vergelijking tussen de enge en volledige planimetrie vinden we in het schor waar de verdubbeling in oppervlakte sinds 2010 nagenoeg volledig is toe te schrijven aan toename in de laterale uitbreidingen. -Op korte termijn vinden we hier een toename in zowel de enge als de volledige planimetrie. -De afname van het hoog supralitoraal vond bijna volledig plaats binnen de 'enge' planimetrie. -De toename van antropogeen hard substraat gebeurde hoofdzakelijk in de laterale uitbreidingen, in dit geval opnieuw de herinrichting rond Fort Filip. +Het grootste verschil in de vergelijking tussen de enge en volledige planimetrie vinden we in het schor waar de verdubbeling in oppervlakte sinds 2010 nagenoeg volledig is toe te schrijven aan toename in de laterale uitbreidingen. Op korte termijn vinden we hier een toename in zowel de enge als de volledige planimetrie. + +De afname van het hoog supralitoraal vond voornamelijk plaats binnen de 'enge' planimetrie. + +De afname van antropogeen hard substraat gebeurde eveneens hoofdzakelijk binnen de enge planimetrie.
@@ -470,7 +455,7 @@ figtab(knitr::opts_current$get()$label, figuur_evolutie_bez <- "Temporele evolutie van de oppervlakte van de ecologisch belangrijke ecotopen Zeeschelde 1.0 in de Beneden-Zeeschelde met en zonder NOP's (natuurontwikkelingsprojecten zoals ontpolderingen, GGG’s en dijkverleggingen)" -knitr::include_graphics(paste0(pad_figuren, "030_figuur_Evolutie_NOPs_BEZ_", laatste_jaar, "_10.png")) +knitr::include_graphics(paste0(pad_figuren, "030_figuur_Evolution_NOPs_BEZ_", laatste_jaar, "_10.png")) ``` @@ -478,31 +463,31 @@ knitr::include_graphics(paste0(pad_figuren, "030_figuur_Evolutie_NOPs_BEZ_", laa #### Zeeschelde ecotopen 2.0 -De ecotopenkaart van de Beneden-Zeeschelde in `r laatste_jaar` is te zien in Figuur \@ref(fig:030-figuur-kaart-bez-2). -Tabel \@ref(tab:030-tabel-oppervlakte-BEZ-2) toont voor de oppervlaktes per ecotoop in de Beneden-Zeeschelde volgens ecotoopindeling 2.0 voor de jaren 2019 tot en met `r laatste_jaar`. -De korte en lange termijn evolutie van de ecotopen is opnieuw beschreven in Tabel \@ref(tab:030-tabel-evolutie-BEZ-2) via de absolute verandering (ha) en de procentuele verandering (%) tussen de aangegeven jaren. -Voor de korte termijn evolutie wordt het huidige jaar vergeleken met het jaar ervoor, terwijl voor de lange termijn evolutie de vergelijking van het huidig jaar gemaakt wordt met het eerste rapportage jaar (2019 voor Zeeschelde 2.0). -Er zijn kleine verschillen in de oppervlaktes van Zeeschelde 1.0 en Zeeschelde 2.0 omwille van het modelleringsproces waarbij soms geïnterpoleerd wordt en datarasters vereenvoudigd worden. - -In het **sublitoraal** is een onderverdeling gemaakt tussen hoog- en laagdynamisch subtidaal, op basis van de maximale stroomsnelheid bij vloed. -De tabel toont dat de diepere delen (diep en matig diep subtidaal) grotendeels hoogdynamisch zijn. -In het ondiep subtidaal is het aandeel laagdynamisch ongeveer even groot als het aandeel hoogdynamisch. -In het diep subtidaal is het aandeel laagdynamisch toegenomen over de korte termijn, terwijl het hoogdynamisch heel licht is afgenomen . -In het matig diep subtidaal zijn zowel hoog- als laagdynamisch afgenomen . -In het ondiep subtidaal zijn hoog- en laagdynamisch ongeveer gelijk toegenomen. - -Bij de berekening van het **litoraal** zijn aangepaste grenzen gebruikt ten opzichte van ecotopen 1.0, afhankelijk van de saliniteitszone. -In de ecotopen 2.0 is het laag slik zacht substraat afgenomen, net als in de ecotopen 1.0. -Hetzelfde geldt voor de toename van het middelhoog slik, al is deze toename kleiner dan voor de ecotopen 1.0. -Het hoog slik zacht substraat is toegenomen in de ecotopen 2.0, in tegenstelling tot de ecotopen 1.0 waar het gedaald is. -Deze verschuiving van middelhoog slik naar hoog slik is een resultaat van de aangepaste grenzen. - -In de aangepaste methode wordt ook de helling van de slikken in rekening gebracht. -De oppervlaktes per slikecotoop met een steile (\>25%) en zwakke (\<=25%) helling zijn beschreven in Tabel (\@ref(tab:030-tabel-oppervlakte-helling-BEZ-2)). -Zowel het litoraal zacht substraat als het litoraal hard natuurlijk hebben vrijwel geen steile hellingen (\> 98% van het natuurlijk substraat). -In het litoraal antropogeen hard substraat is wel een redelijk aandeel steil, namelijk 33% van het totaal oppervlak litoraal hard antropogeen. -Dit is gelijkaardig aan het voorgaande jaar. -De overige 67% litoraal hard antropogeen heeft dus nog steeds een hellingsgraad van kleiner dan of gelijk aan 25%. + + + + + + + + + +. --> +. --> + + + + + + + + + + + + + +
@@ -558,27 +543,6 @@ knitr::include_graphics(paste0(pad_figuren, "030_figuur_Ecotoop_BEZ_", laatste_j -Van Braeckel A. -& Elsen R. -(2018). -Ecotopen *in* Van Ryckegem, G., Van Braeckel, A., Elsen, R., Speybroeck, J., Vandevoorde, B., Mertens, W., Breine, J., Spanoghe, G., Bezdenjesnji, O., Buerms, D., De Beukelaer, J., De Regge, N., Hessel, K., Lefranc, C., Soors, J., Terrie, T., Van Lierop, F., & Van den Bergh, E. -(2018). -MONEOS -- Geïntegreerd datarapport INBO: Toestand Zeeschelde 2017: Monitoringsoverzicht en 1ste lijnsrapportage Geomorfologie, diversiteit Habitats en diversiteit Soorten. -(Rapporten van het Instituut voor Natuur en Bosonderzoek; Nr. 74). -Instituut voor Natuur- en Bosonderzoek. - - -Mertens A. -& Van Braeckel A. -(2021). -Ecotopen *in* Van Ryckegem, G., Vanoverbeke, J., Van Braeckel, A., Van de Meutter, F., Mertens, W., Mertens, A., & Breine, J. -(2021). -MONEOS-Datarapport INBO: toestand Zeeschelde 2020. -Monitoringsoverzicht en 1ste lijnsrapportage Geomorfologie, diversiteit Habitats en diversiteit Soorten. -(Rapporten van het Instituut voor Natuur- en Bosonderzoek; Nr. 47). -Instituut voor Natuur- en Bosonderzoek. - - Mertens, A. & Van Braeckel A. (2022). @@ -590,6 +554,24 @@ Rapporten van het Instituut voor Natuur‐ en Bosonderzoek 2022 (Rapporten van h Instituut voor Natuur‐ en Bosonderzoek, Brussel. DOI: [https://doi.org/10.21436/inbor.85928183](https://doi.org/10.21436/inbor.52484672){.uri} +Van Braeckel, A., Vanoverbeke, J., Van de Meutter, F., De Neve, L., Soors, J., Speybroeck, J., Van Ryckegem, G., & Van den Bergh, E. +(2020). +Habitatmapping Zeeschelde Slik: habitatkarakteristieken van bodemdieren en garnaalachtigen & slikecotopen Zeeschelde 2.0. +(Rapporten van het Instituut voor Natuur- en Bosonderzoek; Nr. 31). +Instituut voor Natuur- en Bosonderzoek. + + +Van Braeckel A. +& Elsen R. +(2018). +Ecotopen *in* Van Ryckegem, G., Van Braeckel, A., Elsen, R., Speybroeck, J., Vandevoorde, B., Mertens, W., Breine, J., Spanoghe, G., Bezdenjesnji, O., Buerms, D., De Beukelaer, J., De Regge, N., Hessel, K., Lefranc, C., Soors, J., Terrie, T., Van Lierop, F., & Van den Bergh, E. +(2018). +MONEOS -- Geïntegreerd datarapport INBO: Toestand Zeeschelde 2017: Monitoringsoverzicht en 1ste lijnsrapportage Geomorfologie, diversiteit Habitats en diversiteit Soorten. +(Rapporten van het Instituut voor Natuur en Bosonderzoek; Nr. 74). +Instituut voor Natuur- en Bosonderzoek. + + + Van Braeckel, A., Speybroeck, J., Vanoverbeke, J., Van Ryckegem, G., & Van den Bergh, E. (2018). Habitatmapping Zeeschelde subtidaal: Relatie tussen bodemdieren en hydro- en morfodynamiek. @@ -597,11 +579,5 @@ Habitatmapping Zeeschelde subtidaal: Relatie tussen bodemdieren en hydro- en mor Instituut voor Natuur- en Bosonderzoek. -Van Braeckel, A., Vanoverbeke, J., Van de Meutter, F., De Neve, L., Soors, J., Speybroeck, J., Van Ryckegem, G., & Van den Bergh, E. -(2020). -Habitatmapping Zeeschelde Slik: habitatkarakteristieken van bodemdieren en garnaalachtigen & slikecotopen Zeeschelde 2.0. -(Rapporten van het Instituut voor Natuur- en Bosonderzoek; Nr. 31). -Instituut voor Natuur- en Bosonderzoek. -
From 6400eb8763594b3c80b7761d4fd0ba53d6e09afa Mon Sep 17 00:00:00 2001 From: JOCQUE Date: Fri, 20 Sep 2024 13:06:26 +0200 Subject: [PATCH 074/102] =?UTF-8?q?Aanpassingen=20na=20nalezen=20Rhea.=20m?= =?UTF-8?q?esohalien=20is=20aangepast=20naar=20saliniteitsgradi=C3=ABnt?= MIME-Version: 1.0 Content-Type: text/plain; charset=UTF-8 Content-Transfer-Encoding: 8bit --- .../090_vissen_inleiding_en_methode.Rmd | 2 +- .../091_vissen_ankerkuil.Rmd | 5 ++-- .../092_vissen_fuiken.Rmd | 24 +++++++++---------- .../093_vissen_conclusies.Rmd | 2 +- .../150_geintegreerd_rapport/LICENSE.md | 4 +--- 5 files changed, 17 insertions(+), 20 deletions(-) diff --git a/moneos_2024/150_geintegreerd_rapport/090_vissen_inleiding_en_methode.Rmd b/moneos_2024/150_geintegreerd_rapport/090_vissen_inleiding_en_methode.Rmd index eaaa56e..64b53af 100644 --- a/moneos_2024/150_geintegreerd_rapport/090_vissen_inleiding_en_methode.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/090_vissen_inleiding_en_methode.Rmd @@ -218,7 +218,7 @@ Eenmaal de vissen een trechter gepasseerd zijn, kunnen ze niet meer terug. Om de vissen uit de fuik te halen wordt deze helemaal achteraan geopend en leeggemaakt. De bemonsterde locaties in de periode 2009-2022 zijn weergegeven in Figuur \@ref(fig:090-figuur-locaties-fuiken). -Vanaf het najaar van 2015 werd de locatie Zandvliet niet meer bemonsterd maar vervangen door het Paardenschor als nieuwe locatie in de mesohaliene zone (Figuur 2). +Vanaf het najaar van 2015 werd de locatie Zandvliet niet meer bemonsterd maar vervangen door het Paardenschor als nieuwe locatie in de zone saliniteitsgradiënt (Figuur 2). Bij de bespreking van de resultaten wordt Zandvliet niet expliciet vermeld maar wordt er verwezen naar Paardenschor. De Lambert coördinaten van de locaties zijn: Zandvliet: 139864; 228413, Paardenschor: 142882; 225713, Antwerpen: 150050; 210800, Steendorp: 142520; 201050, Kastel: 137450; 193480, Appels: 128997; 193213 en Overbeke: 114823; 188235. diff --git a/moneos_2024/150_geintegreerd_rapport/091_vissen_ankerkuil.Rmd b/moneos_2024/150_geintegreerd_rapport/091_vissen_ankerkuil.Rmd index b177b4a..eefdf74 100644 --- a/moneos_2024/150_geintegreerd_rapport/091_vissen_ankerkuil.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/091_vissen_ankerkuil.Rmd @@ -152,8 +152,7 @@ knitr::include_graphics(paste0(pad_figuren, "aantal_soorten_locatie.jpg")) We analyseren alle vangstgegevens van `r laatste_jaar`. Soorten met in alle seizoenen en locaties een relatieve bijdrage kleiner dan 10% voor zowel de aantallen als biomassa worden als 'rest' samengenomen. -Door omstandigheden was er in het voorjaar 2022 en 2023 onvoldoende tijd om alle haring en sprot vangsten volledig tot op soort te brengen. -Ze werden samen geregistreerd als "haringachtigen" . +Juveniele haring en sprot werden samen geregistreerd als "haringachtigen" . In de zomer was het overgrote deel van de haringachtigen haring, in het najaar werden in Doel een merendeel sprot gevangen. Uit deze analyse blijkt dat de relatieve abundantie van soorten zowel seizoenaal als ruimtelijk verschilt (Figuur \@ref(fig:091-figuur-relatief-aantal)). @@ -162,7 +161,7 @@ Ook in het voorjaar in Steendorp zijn haringachtigen dominant. Spiering is nog minder omnipresent dan in 2022 en enkel dominant in Steendorp in de zomer. In 2022 domineerden spieringen nog de vangstaantallen in drie afvissingen in Steendorp en Branst (zoetwater). In het najaar neemt brakwatergrondel het over in Steendorp, vergelijkbaar met vorig jaar. -Brakwatergrondel is minder dominant aanwezig in vergelijking met 2022, vooral in Branst, waar bot in `r laatste_jaar`dominant aanwezig is in het voorjaar en dikkopje het overneemt in de zomer en het najaar. +Brakwatergrondel is minder dominant aanwezig in vergelijking met 2022, vooral in Branst, waar bot in `r laatste_jaar` dominant aanwezig is in het voorjaar en dikkopje het overneemt in de zomer en het najaar. Uitgedrukt in biomassa worden gelijkaardige patronen geobserveerd voor haringachtigen in Doel en Antwerpen. Spiering treedt meer op de voorgrond in Steendorp maar met toenemende aanwezigheid van brakwatergrondel en dikkopje in het najaar. diff --git a/moneos_2024/150_geintegreerd_rapport/092_vissen_fuiken.Rmd b/moneos_2024/150_geintegreerd_rapport/092_vissen_fuiken.Rmd index f873cc6..d3038d5 100644 --- a/moneos_2024/150_geintegreerd_rapport/092_vissen_fuiken.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/092_vissen_fuiken.Rmd @@ -167,16 +167,16 @@ In Antwerpen zijn dat vooral brakwatergrondel, blankvoorn en brasem. In Steendorp wordt er naast blankvoorn ook relatief veel schol gevangen. In de zoete zone overheersen brakwatergrondel, brasem, schol, baars en paling. In de zomer worden overal redelijke aantallen bot en snoekbaars gevangen. -In de zone met sterke saliniteitsgradiënt aangevuld met haring, schol en steenbolk. +In de zone met saliniteitsgradiënt aangevuld met haring, schol en steenbolk. In de zoete zone is paling en blankvoorn meestal ook duidelijk aanwezig. Dit beeld verandert compleet in het najaar. In die periode overheerst brakwatergrondel de fuikvangsten van Antwerpen tot Appels. -In het Paardenschor is dit bot en In Overbeke is paling dominant. +In het Paardenschor is dit bot en in Overbeke is paling dominant. Uitgedrukt in biomassa overheerst snoekbaars, brasem en paling de zoete zone in het voorjaar, in de zone met saliniteitsgradiënt zijn dat ook snoekbaars, zeebaars, baars en bot. In Kastel nemen ook optrekkende finten een belangrijk deel van de biomassa in. Paling is op de meeste locaties dominant in de zomer, aangevuld met snoekbaars van Antwerpen tot Overbeke, met goede aanwezigheid van steenbolk in Paardeschor en karper in Overbeke (Figuur \@ref(fig:092-figuur-relatieve-biomassa)). -In het najaar blijft paling dominant op de meeste plaatsen behalve in voor bot in Paardeschor en snoekbaars in Kastel. +In het najaar blijft paling dominant op de meeste plaatsen behalve in Paardeschor en Kastel waar respectievelijk bot en snoekbaars dominant zijn. ```{r 092-figuur-relatief-aantal, fig.cap=cap_relatief_aantal, out.width="100%"} @@ -234,8 +234,8 @@ Daar waar de piek in de ankerkuil aantallen zich in 2022 voordeed was dat in 202 De patronen voor biomassa vertonen grotendeels dezelfde verhoudingen tussen soortgroepen, saliniteitszones en soorten (Figuur \@ref(fig:092-figuur-biomassa-marien-EMSE)). -Soortenrijdom aan estuariene residenten en mariene migranten is laag, met slechts één of twee soorten per voedselgroep en saliniteitszone (Figuur \@ref(fig:092-figuur-diversiteit-marien-EMSE)). -Uitzondering hierop zijn de zone met sterke saliniteitsgradient voor benthivoren en omnivoren. +Soortenrijkdom aan estuariene residenten en mariene migranten is laag, met slechts één of twee soorten per voedselgroep en saliniteitszone (Figuur \@ref(fig:092-figuur-diversiteit-marien-EMSE)). +Uitzondering hierop zijn de zone met sterke saliniteitsgradiënt voor benthivoren en omnivoren. Maar zelfs als er in totaal (S) 5 of meer soorten voorkomen in een functionele groep, wordt die gedomineerd door slechts één of twee soorten (D). Uitzonderlijk komt in de zone met sterke saliniteitsgradiënt een diversiteit (D) hoger dan 2 voor. Soortenaantal en diversiteit vertonen geen uitgesproken trends binnen de soortgroepen, maar zijn relatief stabiel. @@ -280,14 +280,14 @@ De twee zogenaamd piscivore soorten, de zeeprik en de rivierprik zijn eigenlijk De enige dieetgroep van tel onder de diadromen zijn de omnivore soorten. In de fuikvangsten zijn de jonge spieringen, hoewel talrijk, minder dominant aanwezig dan in de ankerkuil. Ook bot, driedoornige stelkelbaars, dunlipharder, fint en paling laten zich opmerken in de aantallen en/of biomassa (Figuur \@ref(fig:092-figuur-aantallen-diadroom-EMSE); Figuur \@ref(fig:092-figuur-biomassa-diadroom-EMSE)). -In de zone met grote saliniteitsgradient is bot de meest dominante diadrome soort qua aantallen. +In de zone met grote saliniteitsgradiënt is bot de meest dominante diadrome soort qua aantallen. In de zone met sterke saliniteitsgradiënt wordt bot in de grootste aantallen gevangen. Spieringen zijn meest talrijk in de oligohaliene en zoetwater zone met pieken tot 400-600 individuen per fuikdag in 2015 in Overbeke. In recente jaren zijn de aantallen, net als in de ankerkuildata een stuk lager (\<50 individuen per fuikdag). Vergelijking van aantallen en biomassa in de verschillende saliniteitszones doet ook op basis van fuikdata vermoeden dat de spieringen gemiddeld het kleinst zijn in de zoete zone en het grootste in de zone met sterke saliniteitsgradiënt. De biomassa van omnivore diadromen in de oligohaliene en zoete zones wordt vooral door paling en in sommige gevallen ook optrekkende fint bepaald (Figuur \@ref(fig:092-figuur-biomassa-diadroom-EMSE)). -In de zone met sterke saliniteitsgradient maken vooral bot, paling en een enkele keer ook dunlipharder en fint de biomassa uit. +In de zone met sterke saliniteitsgradiënt maken vooral bot, paling en een enkele keer ook dunlipharder en fint de biomassa uit. Diversiteit voor diadrome omnivoren is gemiddeld hoger dan voor mariene en estuarien residente soorten voor de fuikvangsten omdat spiering als pelagiale soort minder domineert met deze vangstmethode (Figuur \@ref(fig:092-figuur-diversiteit-diadroom-EMSE)). @@ -329,7 +329,7 @@ knitr::include_graphics(paste0(pad_figuren, "diversiteit_S_D_EMSE_diadroom.jpg") Bij de zoetwater soorten zijn omnivoren het meest talrijk en vertegenwoordigen ze de grootste biomassa, gevolgd door benthivoren en vervolgens piscivoren (Figuur \@ref(fig:092-figuur-aantallen-zoetwater-EMSE), Figuur \@ref(fig:092-figuur-biomassa-zoetwater-EMSE)). De fuikresultaten van de zoetwater soorten geven een zeer verschillend beeld van dat van de ankerkuilvangsten. -Hoewel het gaat om zoetwater soorten, worden van deze estuariene gebruiksgroep worden relatief meer individuen per fuikdag gevangen in de zone met sterke saliniteitsgradiënt en ook in de oligohaliene zone. +Hoewel het gaat om zoetwater soorten, worden van deze estuariene gebruiksgroep relatief meer individuen per fuikdag gevangen in de zone met sterke saliniteitsgradiënt en ook in de oligohaliene zone. Kijken we echter naar de biomassa gegevens dan verandert het beeld grondig met de hogere biomassa's in stroomopwaartse richting. In de groep van benthische zoetwatersoorten bepalen vooral brasem en een enkele keer blauwbandgrondel de relatieve aantallen, die in stroomopwaartse richting afnemen. @@ -466,10 +466,10 @@ knitr::include_graphics(paste0(pad_figuren, "aantallen_sleutelsoorten_EMSE_diadr De meest voorkomende zoetwater sleutelsoorten qua aantallen/biomassa zijn blankvoorn, brasem en snoekbaars (Figuur \@ref(fig:092-figuur-zoetwater-sleutelsoorten)). -- Na een afname in de periode 2009-2015 van het aantal blankvoorns in de fuikvangsten in alle zones behalve het zoet met korte verblijftijd, variëren de aantallen met een trend tot lichte stijging in alle zones behalve de zone met sterke saliniteitsgradient. +- Na een afname in de periode 2009-2015 van het aantal blankvoorns in de fuikvangsten in alle zones behalve het zoet met korte verblijftijd, variëren de aantallen met een trend tot lichte stijging in alle zones behalve de zone met sterke saliniteitsgradiënt. Ook in `r laatste_jaar` werden er relatief veel blankvoorns gevangen in het oligohalien en zoetwater. -- De hoogste aantallen brasem worden meestal gevangen in de zone met sterke saliniteitsgradiënt en het mesohalien. +- De hoogste aantallen brasem worden meestal gevangen in het oligohalien. Verder vertoont brasem geen duidelijke trend in aantallen. - Snoekbaars vangsten in de fuiken blijven relatief stabiel in de laatste 5 jaren met in `r laatste_jaar` lichtjes hogere aantallen in fuiken in meer saline zones. @@ -524,7 +524,7 @@ snoekbaars, karper, europese meerval, brasem en snoek leveren de belangrijkste b De zoewatervissen zijn de meest soortenrijke estuariene gebruiksgroep. De diversiteit is het grootst voor de zoetwatersoorten in de zoete zone met korte verblijftijd. Het is vooral in deze groep dat in 2022 en 2023 minder soorten gevangen werden met de fuiken, vermoedelijk ook door het feit dat de vangstinspanning gehalveerd werd. -Mariene soorten en estuariene migranten zijn duidelijk met een hoger aantal soorten en diversiteit (verdubbeling of meer) vertegenwoordigd in de zone met grote saliniteitsgradient dan in de andere saliniteitszones. +Mariene soorten en estuariene migranten zijn duidelijk met een hoger aantal soorten en diversiteit (verdubbeling of meer) vertegenwoordigd in de zone met grote saliniteitsgradiënt dan in de andere saliniteitszones.
@@ -633,7 +633,7 @@ Zie Tabel \@ref(tab:090-tabel-metrieken-visindex) voor verklaring van de afkorti In de zoetwaterzone scoren alle metrieken slecht behalve het totaal aantal soorten en het aantal individuen per fuikdag. Vooral het percentage van gespecialiseerde paaiers trekt het geheel omlaag. In de oligohaliene zone scoren alle metrieken laag en het totaal aantal individuen per fuikdag goed. -In het mesohalien is de score voor alle metrieken laag. +In de saliniteitsgradiënt is de score voor alle metrieken laag. ```{r 092-tabel-visindex} diff --git a/moneos_2024/150_geintegreerd_rapport/093_vissen_conclusies.Rmd b/moneos_2024/150_geintegreerd_rapport/093_vissen_conclusies.Rmd index acddecd..75f05e7 100644 --- a/moneos_2024/150_geintegreerd_rapport/093_vissen_conclusies.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/093_vissen_conclusies.Rmd @@ -76,7 +76,7 @@ Om hier een beter zicht op te krijgen zou voor de Schelde ruimtelijke en seizoen In 2023 werd met de ankerkuil **uitzonderlijk veel grondels** (*Potamoschistus* sp.) gevangen in vooral het najaar in Branst en Steendorp. In Steendorp ging het om brakwatergrondel, in Branst opmerkelijk om dikkopje. -De **visindex** voor zowel zoet, oligohalien als zoutgradient bereikt in 2023 een ontoereikende status. +De **visindex** voor zowel zoet, oligohalien als saliniteitsgradiënt bereikt in 2023 een ontoereikende status. Interpretatie dient met de nodige voorzichtigheid te gebeuren. De **vangstinspanning met de fuiken is in 2022 en 2023 gehalveerd**. Fuiken werden telkens 1 in plaats van 2 etmaal uitgezet. diff --git a/moneos_2024/150_geintegreerd_rapport/LICENSE.md b/moneos_2024/150_geintegreerd_rapport/LICENSE.md index 7e5a52a..bed44e0 100644 --- a/moneos_2024/150_geintegreerd_rapport/LICENSE.md +++ b/moneos_2024/150_geintegreerd_rapport/LICENSE.md @@ -1,6 +1,4 @@ -## creative commons - -# Attribution 4.0 International +# Creative Commons Attribution 4.0 International Creative Commons Corporation (“Creative Commons”) is not a law firm and does not provide legal services or legal advice. Distribution of Creative Commons public licenses does not create a lawyer-client or other relationship. Creative Commons makes its licenses and related information available on an “as-is” basis. Creative Commons gives no warranties regarding its licenses, any material licensed under their terms and conditions, or any related information. Creative Commons disclaims all liability for damages resulting from their use to the fullest extent possible. From 97f01cc1581bef1465cc177d063d98f50abc0da6 Mon Sep 17 00:00:00 2001 From: WimMertens Date: Fri, 20 Sep 2024 15:07:53 +0200 Subject: [PATCH 075/102] definitieve versie 20240920 --- moneos_2024/150_geintegreerd_rapport/120_zoogdieren.Rmd | 4 ++-- 1 file changed, 2 insertions(+), 2 deletions(-) diff --git a/moneos_2024/150_geintegreerd_rapport/120_zoogdieren.Rmd b/moneos_2024/150_geintegreerd_rapport/120_zoogdieren.Rmd index 9489e12..586e286 100644 --- a/moneos_2024/150_geintegreerd_rapport/120_zoogdieren.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/120_zoogdieren.Rmd @@ -75,7 +75,7 @@ Van Den Berge *et al.* (2019) geeft een uitgebreid overzicht van recente waarnem De Europese otter, de Europese bever en de gewone zeehond worden vermeld in de Instandhouwingsdoelstellingen Schelde-estuarium (Adrieansen *et al.* 2005). Voor grijze zeehond en bruinvis zijn geen doelstellingen geformuleerd. -Deze zeezoogdieren worden echter min of meer regelmatig werden waargenomen in het stuarium. +Deze zeezoogdieren worden echter min of meer regelmatig werden waargenomen in het estuarium. Daarom worden de waarnemingen van deze soorten ook opgenomen in de rapportage. Alle aangeleverde data zijn afkomstig van [waarnemingen.be](http://www.waarnemingen.be/), de website voor natuurinformatie van Natuurpunt en Stichting Natuurinformatie, ter beschikking gesteld door Natuurpunt Studie vzw.\ @@ -259,7 +259,7 @@ knitr::include_graphics(paste0(pad_figuren, "Europese Otter_2023.png")) ``` ```{r 120-figuur8, fig.cap=caption_figuur8, out.width="90%"} -caption_figuur8 <- "Geografische spreiding van gevalideerde otterwaarnemingen in 2026." +caption_figuur8 <- "Geografische spreiding van gevalideerde otterwaarnemingen in 2023." knitr::include_graphics(paste0(pad_figuren, "Europese Otter_2023.png")) ``` From b26762fdb954c5d278ec42e77a3a52ab43c2e868 Mon Sep 17 00:00:00 2001 From: MERTENS Date: Mon, 23 Sep 2024 17:16:56 +0200 Subject: [PATCH 076/102] Changed figure order --- .../150_geintegreerd_rapport/030_ecotopen.Rmd | 44 +++++++++---------- 1 file changed, 21 insertions(+), 23 deletions(-) diff --git a/moneos_2024/150_geintegreerd_rapport/030_ecotopen.Rmd b/moneos_2024/150_geintegreerd_rapport/030_ecotopen.Rmd index 28c1e14..cbc54bd 100644 --- a/moneos_2024/150_geintegreerd_rapport/030_ecotopen.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/030_ecotopen.Rmd @@ -322,17 +322,7 @@ Een voorbeeld van lokale schorvermindering is te zien in Figuur \@ref(fig:030-fi Het antropogeen hard substraat (breuksteen) is over alle ecotopen afgenomen met 10,8 hectare. -De totale oppervlakte estuarien gebied in de Beneden-Zeeschelde is met 1,9 hectare gedaald. Dit na een stijging van 5,3 hectare in `r laatste_jaar - 1` door de heraanleg rond Fort Filip. - -```{r tekstvorigjaar, eval=FALSE, include=FALSE} - - -# Voor een gedeelte is deze schortoename zichtbaar in het GGG Burchtse Weel, waarbij grote delen potentiële pionierzone inmiddels begroeid zijn (Figuur \@ref(fig:030-figuur-kaart-bw)). -# - -``` - - +De totale oppervlakte estuarien gebied in de Beneden-Zeeschelde is met 1,9 hectare gedaald. Dit na een stijging van 5,3 hectare in `r laatste_jaar - 1` door de heraanleg rond Fort Filip. Deze 'verloren' oppervlakte betreft voor een deel de nieuwe hoge breuksteen zone rond Fort Filip, waarbij de zone die hoger dan de estuariene bovengrens ligt uit de kaart is verwijderd. Verder zijn er ook enkele zones van hoog supralitoraal die inmiddels duidelijk buiten de estuariene grens vallen uit de kaart verwijderd.
@@ -383,6 +373,18 @@ figtab(knitr::opts_current$get()$label, ``` +
+ +(ref:figff) Ecotopenkaart Zeeschelde 1.0 2022 rond Fort Filip (centraal onder), overzichtskaart met rode kader als indicator detailkaart (linksboven), ecotopenkaart 2021 1.0 (rechtsboven). Zie Figuur \\@ref(fig:030-figuur-kaart-bez) voor legende. + +```{r 030-figuur-kaart-ff, fig.cap='(ref:figff)', out.width="100%"} + +knitr::include_graphics(paste0(pad_figuren, "030_figuur_FortFilip_2022.png")) + +``` + +
+ (ref:figlillo) Ecotopenkaart Zeeschelde 1.0 2022 Lillo (centraal onder), overzichtskaart met rode kader als indicator detailkaart (linksboven), ecotopenkaart 2021 1.0 Lillo (rechtsboven). Zie Figuur \\@ref(fig:030-figuur-kaart-bez) voor legende. ```{r 030-figuur-kaart-lillo, fig.cap='(ref:figlillo)', out.width="100%"} @@ -393,28 +395,24 @@ knitr::include_graphics(paste0(pad_figuren, "030_figuur_Lillo_2022.png")) ``` +
-(ref:figcauw) Ecotopenkaart Zeeschelde 1.0 2022 voorbij Van Cauwelaertsluis (centraal onder), overzichtskaart met rode kader als indicator detailkaart (linksboven), ecotopenkaart 2021 1.0 (rechtsboven). Zie Figuur \\@ref(fig:030-figuur-kaart-bez) voor legende. +(ref:figfasseit) Ecotopenkaart Zeeschelde 1.0 2022 Fasseit ontpoldering (centraal onder), overzichtskaart met rode kader als indicator detailkaart (linksboven), ecotopenkaart 2021 1.0 (rechtsboven). Zie Figuur \\@ref(fig:030-figuur-kaart-bez) voor legende. -```{r 030-figuur-kaart-cauwelaertsluis, fig.cap='(ref:figcauw)', out.width="100%"} +```{r 030-figuur-kaart-fasseit, fig.cap='(ref:figfasseit)', out.width="100%"} -knitr::include_graphics(paste0(pad_figuren, "030_figuur_Cauwelaertsluis_2022.png")) +knitr::include_graphics(paste0(pad_figuren, "030_figuur_Fasseit_2022.png")) ``` -(ref:figff) Ecotopenkaart Zeeschelde 1.0 2022 rond Fort Filip (centraal onder), overzichtskaart met rode kader als indicator detailkaart (linksboven), ecotopenkaart 2021 1.0 (rechtsboven). Zie Figuur \\@ref(fig:030-figuur-kaart-bez) voor legende. -```{r 030-figuur-kaart-ff, fig.cap='(ref:figff)', out.width="100%"} - -knitr::include_graphics(paste0(pad_figuren, "030_figuur_FortFilip_2022.png")) - -``` +
-(ref:figfasseit) Ecotopenkaart Zeeschelde 1.0 2022 Fasseit ontpoldering (centraal onder), overzichtskaart met rode kader als indicator detailkaart (linksboven), ecotopenkaart 2021 1.0 (rechtsboven). Zie Figuur \\@ref(fig:030-figuur-kaart-bez) voor legende. +(ref:figcauw) Ecotopenkaart Zeeschelde 1.0 2022 voorbij Van Cauwelaertsluis (centraal onder), overzichtskaart met rode kader als indicator detailkaart (linksboven), ecotopenkaart 2021 1.0 (rechtsboven). Zie Figuur \\@ref(fig:030-figuur-kaart-bez) voor legende. -```{r 030-figuur-kaart-fasseit, fig.cap='(ref:figfasseit)', out.width="100%"} +```{r 030-figuur-kaart-cauwelaertsluis, fig.cap='(ref:figcauw)', out.width="100%"} -knitr::include_graphics(paste0(pad_figuren, "030_figuur_Fasseit_2022.png")) +knitr::include_graphics(paste0(pad_figuren, "030_figuur_Cauwelaertsluis_2022.png")) ``` From 8a6968c94036a0ba3bdcedcb66fa4b0843acc664 Mon Sep 17 00:00:00 2001 From: JOCQUE Date: Tue, 24 Sep 2024 10:14:31 +0200 Subject: [PATCH 077/102] =?UTF-8?q?sterke=20saliniteitsgradi=C3=ABnt?= MIME-Version: 1.0 Content-Type: text/plain; charset=UTF-8 Content-Transfer-Encoding: 8bit --- .../090_vissen_inleiding_en_methode.Rmd | 4 ++-- moneos_2024/150_geintegreerd_rapport/092_vissen_fuiken.Rmd | 6 +++--- .../150_geintegreerd_rapport/093_vissen_conclusies.Rmd | 2 +- 3 files changed, 6 insertions(+), 6 deletions(-) diff --git a/moneos_2024/150_geintegreerd_rapport/090_vissen_inleiding_en_methode.Rmd b/moneos_2024/150_geintegreerd_rapport/090_vissen_inleiding_en_methode.Rmd index 64b53af..648b1bf 100644 --- a/moneos_2024/150_geintegreerd_rapport/090_vissen_inleiding_en_methode.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/090_vissen_inleiding_en_methode.Rmd @@ -187,7 +187,7 @@ Aantallen en biomassa worden omgerekend naar aantallen en biomassa per m\textsup In de periode 2012-`r laatste_jaar` werd jaarlijks gevist in de lente (eind april of begin mei), de zomer (juli) en in het najaar (september). In 2020 werd uitzonderlijk enkel in de zomer en het najaar gevist. Er wordt telkens op vier locaties bemonsterd: Doel, Antwerpen, Steendorp en Branst (Figuur \@ref(fig:090-figuur-locaties-ankerkuil)). -Doel en Antwerpen bevinden zich in de EMSE niveau 3 scheldezone met sterke saliniteitsgradiënt, Steendorp bevindt zich in de oligohaliene zone en Branst in de zoetwater zone met lange verblijftijd. +Doel en Antwerpen bevinden zich in de EMSE niveau 3 scheldezone 'sterke saliniteitsgradiënt', Steendorp bevindt zich in de oligohaliene zone en Branst in de zoetwater zone met lange verblijftijd. De Lambert coördinaten van de locaties zijn: Doel: 143350; 223091, Antwerpen: 149192; 210267, Steendorp: 142898; 200951 en Branst: 137181; 195683. ```{r 090-figuur-locaties-ankerkuil, fig.cap=cap_locaties_ankerkuil, out.width="100%"} @@ -218,7 +218,7 @@ Eenmaal de vissen een trechter gepasseerd zijn, kunnen ze niet meer terug. Om de vissen uit de fuik te halen wordt deze helemaal achteraan geopend en leeggemaakt. De bemonsterde locaties in de periode 2009-2022 zijn weergegeven in Figuur \@ref(fig:090-figuur-locaties-fuiken). -Vanaf het najaar van 2015 werd de locatie Zandvliet niet meer bemonsterd maar vervangen door het Paardenschor als nieuwe locatie in de zone saliniteitsgradiënt (Figuur 2). +Vanaf het najaar van 2015 werd de locatie Zandvliet niet meer bemonsterd maar vervangen door het Paardenschor als nieuwe locatie in de zone sterke saliniteitsgradiënt (Figuur 2). Bij de bespreking van de resultaten wordt Zandvliet niet expliciet vermeld maar wordt er verwezen naar Paardenschor. De Lambert coördinaten van de locaties zijn: Zandvliet: 139864; 228413, Paardenschor: 142882; 225713, Antwerpen: 150050; 210800, Steendorp: 142520; 201050, Kastel: 137450; 193480, Appels: 128997; 193213 en Overbeke: 114823; 188235. diff --git a/moneos_2024/150_geintegreerd_rapport/092_vissen_fuiken.Rmd b/moneos_2024/150_geintegreerd_rapport/092_vissen_fuiken.Rmd index d3038d5..2fe05ae 100644 --- a/moneos_2024/150_geintegreerd_rapport/092_vissen_fuiken.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/092_vissen_fuiken.Rmd @@ -167,13 +167,13 @@ In Antwerpen zijn dat vooral brakwatergrondel, blankvoorn en brasem. In Steendorp wordt er naast blankvoorn ook relatief veel schol gevangen. In de zoete zone overheersen brakwatergrondel, brasem, schol, baars en paling. In de zomer worden overal redelijke aantallen bot en snoekbaars gevangen. -In de zone met saliniteitsgradiënt aangevuld met haring, schol en steenbolk. +In de zone met sterke saliniteitsgradiënt aangevuld met haring, schol en steenbolk. In de zoete zone is paling en blankvoorn meestal ook duidelijk aanwezig. Dit beeld verandert compleet in het najaar. In die periode overheerst brakwatergrondel de fuikvangsten van Antwerpen tot Appels. In het Paardenschor is dit bot en in Overbeke is paling dominant. -Uitgedrukt in biomassa overheerst snoekbaars, brasem en paling de zoete zone in het voorjaar, in de zone met saliniteitsgradiënt zijn dat ook snoekbaars, zeebaars, baars en bot. +Uitgedrukt in biomassa overheerst snoekbaars, brasem en paling de zoete zone in het voorjaar, in de zone sterke saliniteitsgradiënt zijn dat ook snoekbaars, zeebaars, baars en bot. In Kastel nemen ook optrekkende finten een belangrijk deel van de biomassa in. Paling is op de meeste locaties dominant in de zomer, aangevuld met snoekbaars van Antwerpen tot Overbeke, met goede aanwezigheid van steenbolk in Paardeschor en karper in Overbeke (Figuur \@ref(fig:092-figuur-relatieve-biomassa)). In het najaar blijft paling dominant op de meeste plaatsen behalve in Paardeschor en Kastel waar respectievelijk bot en snoekbaars dominant zijn. @@ -280,7 +280,7 @@ De twee zogenaamd piscivore soorten, de zeeprik en de rivierprik zijn eigenlijk De enige dieetgroep van tel onder de diadromen zijn de omnivore soorten. In de fuikvangsten zijn de jonge spieringen, hoewel talrijk, minder dominant aanwezig dan in de ankerkuil. Ook bot, driedoornige stelkelbaars, dunlipharder, fint en paling laten zich opmerken in de aantallen en/of biomassa (Figuur \@ref(fig:092-figuur-aantallen-diadroom-EMSE); Figuur \@ref(fig:092-figuur-biomassa-diadroom-EMSE)). -In de zone met grote saliniteitsgradiënt is bot de meest dominante diadrome soort qua aantallen. +In de zone met sterke saliniteitsgradiënt is bot de meest dominante diadrome soort qua aantallen. In de zone met sterke saliniteitsgradiënt wordt bot in de grootste aantallen gevangen. Spieringen zijn meest talrijk in de oligohaliene en zoetwater zone met pieken tot 400-600 individuen per fuikdag in 2015 in Overbeke. diff --git a/moneos_2024/150_geintegreerd_rapport/093_vissen_conclusies.Rmd b/moneos_2024/150_geintegreerd_rapport/093_vissen_conclusies.Rmd index 75f05e7..da4ad21 100644 --- a/moneos_2024/150_geintegreerd_rapport/093_vissen_conclusies.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/093_vissen_conclusies.Rmd @@ -76,7 +76,7 @@ Om hier een beter zicht op te krijgen zou voor de Schelde ruimtelijke en seizoen In 2023 werd met de ankerkuil **uitzonderlijk veel grondels** (*Potamoschistus* sp.) gevangen in vooral het najaar in Branst en Steendorp. In Steendorp ging het om brakwatergrondel, in Branst opmerkelijk om dikkopje. -De **visindex** voor zowel zoet, oligohalien als saliniteitsgradiënt bereikt in 2023 een ontoereikende status. +De **visindex** voor zowel zoet, oligohalien als sterke saliniteitsgradiënt bereikt in 2023 een ontoereikende status. Interpretatie dient met de nodige voorzichtigheid te gebeuren. De **vangstinspanning met de fuiken is in 2022 en 2023 gehalveerd**. Fuiken werden telkens 1 in plaats van 2 etmaal uitgezet. From 6ad1c43f3712505471d3044bc7b322fff9bab5f2 Mon Sep 17 00:00:00 2001 From: VAN RYCKEGEM Date: Wed, 25 Sep 2024 16:13:28 +0200 Subject: [PATCH 078/102] toevoeging in tabelvoetnoot --- moneos_2024/150_geintegreerd_rapport/020_Overzicht.Rmd | 5 ++++- 1 file changed, 4 insertions(+), 1 deletion(-) diff --git a/moneos_2024/150_geintegreerd_rapport/020_Overzicht.Rmd b/moneos_2024/150_geintegreerd_rapport/020_Overzicht.Rmd index 45379d2..aecd2de 100644 --- a/moneos_2024/150_geintegreerd_rapport/020_Overzicht.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/020_Overzicht.Rmd @@ -78,6 +78,8 @@ tabel_natuurontwikkelingsprojecten[c(20),4] <- sapply(tabel_natuurontwikkelingsp tabel_natuurontwikkelingsprojecten[c(20),4] <- sapply(tabel_natuurontwikkelingsprojecten[c(20),4], function(x) paste0(x, footnote_marker_number(4))) +tabel_natuurontwikkelingsprojecten[c(20),4] <- sapply(tabel_natuurontwikkelingsprojecten[c(20),4], + function(x) paste0(x, footnote_marker_number(5))) tabel_natuurontwikkelingsprojecten %>% @@ -90,7 +92,8 @@ tabel_natuurontwikkelingsprojecten %>% footnote(number = c("met koker verbonden (natuurlijk getijpatroon en dynamiek is beïnvloed)", "in de loop van 2017 werd nog een grondstock opgeruimd en toegevoegd aan de ontpoldering (+ 2.2 ha)", "in de zomer van 2019 werd een geul gegraven in het westelijk deel van de Wijmeers en ging estuariene oppervlakte tijdelijk verloren door de aanleg van een zandstock", - "ontpoldering afgesloten voor getij tussen maart 2020 en april 2021 voor de aanleg van een vloedschaar in oostelijk deel"), + "ontpoldering afgesloten voor getij tussen maart 2020 en april 2021 voor de aanleg van een vloedschaar in oostelijk deel", + "oostelijke bres gedicht en voorzien van buis met terugslagklep."), threeparttable = TRUE) ``` From bc213bb81af09f67418172b7661b655502cb87d7 Mon Sep 17 00:00:00 2001 From: VAN RYCKEGEM Date: Wed, 25 Sep 2024 16:55:04 +0200 Subject: [PATCH 079/102] kleine aanpassingen --- moneos_2024/150_geintegreerd_rapport/020_Overzicht.Rmd | 10 +++++----- 1 file changed, 5 insertions(+), 5 deletions(-) diff --git a/moneos_2024/150_geintegreerd_rapport/020_Overzicht.Rmd b/moneos_2024/150_geintegreerd_rapport/020_Overzicht.Rmd index aecd2de..bfaec7f 100644 --- a/moneos_2024/150_geintegreerd_rapport/020_Overzicht.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/020_Overzicht.Rmd @@ -83,7 +83,7 @@ tabel_natuurontwikkelingsprojecten[c(20),4] <- sapply(tabel_natuurontwikkelingsp tabel_natuurontwikkelingsprojecten %>% - knitr::kable(caption = "Overzicht van de uitgevoerde estuariene natuurontwikkelingsprojecten langsheen de Zeeschelde en zijrivieren. De gebieden staan gerangschikt van grens BE-NL stroomopwaarts. MWeA - Meest Wenselijk Alternatief - geactualiseerd Sigmaplan gebieden zijn geselecteerd (Synthesenota, 2005).", + knitr::kable(caption = "Overzicht van de uitgevoerde estuariene natuurontwikkelingsprojecten langsheen de Zeeschelde en zijrivieren. De gebieden staan gerangschikt van grens BE-NL stroomopwaarts. MWeA - Meest Wenselijk Alternatief - geactualiseerd Sigmaplan gebieden zijn geselecteerd (Synthesenota, 2005 inclusief KBR).", # "latex", booktabs = T, escape = F) %>% @@ -93,7 +93,7 @@ tabel_natuurontwikkelingsprojecten %>% "in de loop van 2017 werd nog een grondstock opgeruimd en toegevoegd aan de ontpoldering (+ 2.2 ha)", "in de zomer van 2019 werd een geul gegraven in het westelijk deel van de Wijmeers en ging estuariene oppervlakte tijdelijk verloren door de aanleg van een zandstock", "ontpoldering afgesloten voor getij tussen maart 2020 en april 2021 voor de aanleg van een vloedschaar in oostelijk deel", - "oostelijke bres gedicht en voorzien van buis met terugslagklep."), + "december 2023 oostelijke bres gedicht en voorzien van buis met terugslagklep, tijdelijke compartimenteringsdijk aangelegd om gebied te verdrogen (knijten)."), threeparttable = TRUE) ``` @@ -123,7 +123,7 @@ fig_natuurontwikkeling_opp$zone <- fig_natuurontwikkeling_opp$`Deelzone niveau 3 fig_natuurontwikkeling_opp %>% mutate(date = lubridate::ym(Realisatie)) %>% - dplyr::filter(Sigmaplan == 1) %>% + # dplyr::filter(Sigmaplan == 1) %>% dplyr::filter(zone != "Mesohalien") %>% arrange(Realisatie) %>% mutate(cs = cumsum(Opp)) %>% @@ -137,12 +137,12 @@ fig_natuurontwikkeling_opp %>% ggsave(paste0(pad_figuren, "10_figuur_oppervlakte_estuariene_natuurontwikkeling.jpg")) rapport <- fig_natuurontwikkeling_opp %>% - dplyr::filter(Sigmaplan == 1) %>% + # dplyr::filter(Sigmaplan == 1) %>% dplyr::filter(zone != "Mesohalien") %>% arrange(Realisatie) %>% mutate(cs = cumsum(Opp)) -cap_oppervlakte <- "Cumulatieve oppervlakte gerealiseerde estuariene natuurontwikkelingsgebieden in het kader van het Sigmaplan (MWeA) - exclusief Hedwige (NL)" +cap_oppervlakte <- "Cumulatieve oppervlakte gerealiseerde estuariene natuurontwikkelingsgebieden, estuariene oppervlakte bepaald op basis van ecotopenkaarten indien beschikbaar - exclusief Hedwige (NL)" # knitr::include_graphics(paste0(pad_figuren, "10_figuur_oppervlakte_estuariene_natuurontwikkeling.jpg")) ``` From 6b386da99a7b51c4de4967bf063029b48a558151 Mon Sep 17 00:00:00 2001 From: VAN RYCKEGEM Date: Wed, 25 Sep 2024 16:56:49 +0200 Subject: [PATCH 080/102] index doi ingevuld met foute nummer om te kunnen builden --- moneos_2024/150_geintegreerd_rapport/index.Rmd | 6 +++--- 1 file changed, 3 insertions(+), 3 deletions(-) diff --git a/moneos_2024/150_geintegreerd_rapport/index.Rmd b/moneos_2024/150_geintegreerd_rapport/index.Rmd index 532b25d..af02baf 100644 --- a/moneos_2024/150_geintegreerd_rapport/index.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/index.Rmd @@ -96,9 +96,9 @@ publication_type: report cover_photo: "" # naam foto file cover_description: "" # cover: media/cover.pdf # link naar pdf met cover -doi: "" -reportnr: "" -depotnr: "" +doi: 10.21436/inbor.xxxxxxx5 +reportnr: 45 +depotnr: D/20xx/3241/365 ordernr: "" embargo: 2099-03-01 From efcbef07d7fe4971e3a8a4310dc90aa711abd0aa Mon Sep 17 00:00:00 2001 From: WimMertens Date: Wed, 25 Sep 2024 17:18:15 +0200 Subject: [PATCH 081/102] svz 25/09/2024 17:18 --- .../10_broedvogels_analyse.Rmd | 46 ++++++++++++++++++- .../110_broedvogels.Rmd | 2 +- 2 files changed, 45 insertions(+), 3 deletions(-) diff --git a/moneos_2024/110_broedvogels/10_broedvogels_analyse.Rmd b/moneos_2024/110_broedvogels/10_broedvogels_analyse.Rmd index e49251e..5552c8a 100644 --- a/moneos_2024/110_broedvogels/10_broedvogels_analyse.Rmd +++ b/moneos_2024/110_broedvogels/10_broedvogels_analyse.Rmd @@ -29,6 +29,7 @@ library(rprojroot) library(lubridate) library(kableExtra) library(readxl) +library(tmap) conflicted::conflicts_prefer(dplyr::filter) ``` @@ -58,7 +59,7 @@ Terr_Sigma_BB <- Terr_Sigma_AB <- read_csv(str_c(pad_tabellen, "Terr_Sigma_AB.csv")) Terr_Sigma_AB_tot <- - read_csv("Terr_Sigma_AB_tot.csv") + read_csv(str_c(pad_tabellen, "Terr_Sigma_AB_tot.csv")) ``` @@ -153,7 +154,7 @@ Terr_Sigma_AB_tot %>% legend.title = element_blank(), legend.position = "bottom" ) - +``` ```{r soortgrafiek per Typegebied, include = FALSE} Terr_Sigma_AB %>% @@ -235,3 +236,44 @@ for(x in unique(data_nested$Soort)){ ```

+ + +```{r} +NOPzone <- + st_read(dsn = ) + +tmap_mode("view") + +ngi_wms_url <- "https://cartoweb.wms.ngi.be/service?service=WMS&version=1.1.1&request=GetMap&layers=topo&styles=&format=image/png&transparent=TRUE&srs=EPSG:4326" +tm_shape(World) + + tm_basemap(leaflet::providers$CartoDB.Positron) + # Optional basemap + tm_tiles(ngi_wms_url) + # Add the NGI WMS layer + tm_borders() + + tm_layout(title = "World Map with NGI CartoWeb WMS Layer") +library(tmap) + +# Define the WMS URL and layer parameters +wms_url <- "https://ows.terrestris.de/osm/service" +wms_layer <- "OSM-WMS" + +# Use tm_basemap with a WMS server +tm_shape(World) + + tm_basemap( + leaflet::providers$CartoDB.Positron, # Use a standard basemap (optional) + server = wms_url, # WMS server URL + layer = wms_layer # WMS layer name + ) + + tm_borders() + + tm_layout(title = "World Map with WMS Layer") + +# Define the WMS URL and parameters in the URL query string +wms_url <- "https://ows.terrestris.de/osm/service?service=WMS&version=1.1.1&request=GetMap&layers=OSM-WMS&styles=&format=image/png&transparent=TRUE&srs=EPSG:4326" + +# Use tm_basemap with a standard base layer and tm_tiles for the WMS layer +tm_shape(World) + + # tm_basemap(leaflet::providers$CartoDB.Positron) + # Optional basemap + tm_tiles(wms_url) + # Add the WMS layer directly + tm_borders() + + tm_layout(title = "World Map with WMS Layer") +``` + diff --git a/moneos_2024/150_geintegreerd_rapport/110_broedvogels.Rmd b/moneos_2024/150_geintegreerd_rapport/110_broedvogels.Rmd index 2e074b3..5593ec8 100644 --- a/moneos_2024/150_geintegreerd_rapport/110_broedvogels.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/110_broedvogels.Rmd @@ -75,7 +75,7 @@ Het studiegebied is het IHD-gebied zoals beschreven in Adriaensen et al. (2005). Het omvat - het Noordelijk gebied (Doelpolder Noord, Doelpolder Midden, Prosperpolder en Schor Ouden Doel, Paardenschor), -- het Galgenschoor, +- het Galgenschoor en Groot Buitenschoor, - Ketenisse - Blokkersdijk en - Rest IHD-gebied From 3df82e2bb0ef32dbaeb3eee0a18cfb071508b8c5 Mon Sep 17 00:00:00 2001 From: VAN RYCKEGEM Date: Wed, 25 Sep 2024 19:38:36 +0200 Subject: [PATCH 082/102] opmerking op conclusie --- moneos_2024/150_geintegreerd_rapport/093_vissen_conclusies.Rmd | 1 + 1 file changed, 1 insertion(+) diff --git a/moneos_2024/150_geintegreerd_rapport/093_vissen_conclusies.Rmd b/moneos_2024/150_geintegreerd_rapport/093_vissen_conclusies.Rmd index da4ad21..4512f45 100644 --- a/moneos_2024/150_geintegreerd_rapport/093_vissen_conclusies.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/093_vissen_conclusies.Rmd @@ -135,6 +135,7 @@ Omgekeerd levert de klassieke monitoring informatie over de aanwezige soorten. - EMSE stelt voor om voor de visgemeenschappen afhankelijk van de soort gebruik te maken van of ankerkuil of fuikgegevens. Om de visgemeenschap op een zinvolle manier in zijn geheel te evalueren is het beter om alle soorten op basis van beide datasets te beoordelen. + ## Referenties From 65a9545a9f36a9b9a3a3b86c5cefc5e5b0d8b831 Mon Sep 17 00:00:00 2001 From: WimMertens Date: Wed, 25 Sep 2024 22:11:36 +0200 Subject: [PATCH 083/102] final version --- .../10_broedvogels_analyse.Rmd | 44 +- .../110_broedvogels/10_broedvogels_data.Rmd | 7 +- .../110_broedvogels/Terr_Sigma_AB_tot.csv | 4219 ----------------- .../110_broedvogels.Rmd | 37 +- 4 files changed, 26 insertions(+), 4281 deletions(-) delete mode 100644 moneos_2024/110_broedvogels/Terr_Sigma_AB_tot.csv diff --git a/moneos_2024/110_broedvogels/10_broedvogels_analyse.Rmd b/moneos_2024/110_broedvogels/10_broedvogels_analyse.Rmd index 5552c8a..1951b73 100644 --- a/moneos_2024/110_broedvogels/10_broedvogels_analyse.Rmd +++ b/moneos_2024/110_broedvogels/10_broedvogels_analyse.Rmd @@ -59,7 +59,7 @@ Terr_Sigma_BB <- Terr_Sigma_AB <- read_csv(str_c(pad_tabellen, "Terr_Sigma_AB.csv")) Terr_Sigma_AB_tot <- - read_csv(str_c(pad_tabellen, "Terr_Sigma_AB_tot.csv")) + read_csv(str_c("C:/R/Projects/Broedvogels/data-output/Terr_Sigma_AB_tot.csv")) ``` @@ -95,7 +95,7 @@ Terr_Sigma_BB %>% axis.title.x = element_blank(), axis.text = element_text(size = 7)) -ggsave(filename = str_c(pad_figuren, "110_fig2.jpg"), height=8, width=6) +ggsave(filename = str_c(pad_figuren, "110_fig3.jpg"), height=8, width=6) ```

@@ -126,7 +126,7 @@ Terr_Sigma_AB %>% legend.position = "bottom" ) -ggsave(filename = str_c(pad_figuren, "110_fig3.jpg"), height=8, width=7) +ggsave(filename = str_c(pad_figuren, "110_fig4.jpg"), height=8, width=7) ``` @@ -238,42 +238,4 @@ for(x in unique(data_nested$Soort)){
-```{r} -NOPzone <- - st_read(dsn = ) - -tmap_mode("view") - -ngi_wms_url <- "https://cartoweb.wms.ngi.be/service?service=WMS&version=1.1.1&request=GetMap&layers=topo&styles=&format=image/png&transparent=TRUE&srs=EPSG:4326" -tm_shape(World) + - tm_basemap(leaflet::providers$CartoDB.Positron) + # Optional basemap - tm_tiles(ngi_wms_url) + # Add the NGI WMS layer - tm_borders() + - tm_layout(title = "World Map with NGI CartoWeb WMS Layer") -library(tmap) - -# Define the WMS URL and layer parameters -wms_url <- "https://ows.terrestris.de/osm/service" -wms_layer <- "OSM-WMS" - -# Use tm_basemap with a WMS server -tm_shape(World) + - tm_basemap( - leaflet::providers$CartoDB.Positron, # Use a standard basemap (optional) - server = wms_url, # WMS server URL - layer = wms_layer # WMS layer name - ) + - tm_borders() + - tm_layout(title = "World Map with WMS Layer") - -# Define the WMS URL and parameters in the URL query string -wms_url <- "https://ows.terrestris.de/osm/service?service=WMS&version=1.1.1&request=GetMap&layers=OSM-WMS&styles=&format=image/png&transparent=TRUE&srs=EPSG:4326" - -# Use tm_basemap with a standard base layer and tm_tiles for the WMS layer -tm_shape(World) + - # tm_basemap(leaflet::providers$CartoDB.Positron) + # Optional basemap - tm_tiles(wms_url) + # Add the WMS layer directly - tm_borders() + - tm_layout(title = "World Map with WMS Layer") -``` diff --git a/moneos_2024/110_broedvogels/10_broedvogels_data.Rmd b/moneos_2024/110_broedvogels/10_broedvogels_data.Rmd index 7db189d..6b5ccde 100644 --- a/moneos_2024/110_broedvogels/10_broedvogels_data.Rmd +++ b/moneos_2024/110_broedvogels/10_broedvogels_data.Rmd @@ -82,7 +82,7 @@ data2123_v2 %>% group_by(Jaar) %>% summarise(n_records = n(), n_birdsmin = sum(minimum), nbirds_max = sum(maximum)) -# v2 is aangevuld met alle waarnemingen van Zennegat als start voor toekomstig bestand. We gebruiken dit voorlopig niet +# v2 is aangevuld maar nog niet volledig data2123 %>% count(Gebied) @@ -130,6 +130,9 @@ Terr_Sigma <- Terr_Sigma_95_21 %>% filter(Jaar !=2021) %>% bind_rows(Data_21_23) + +Terr_Sigma %>% + write_csv(str_c(pad_data, "Territoria_totalen-1995_2023.csv")) ``` # Bijzondere broedvogels @@ -264,7 +267,7 @@ Terr_Sigma_AB_tot <- left_join(Soorten[,c(1,5)]) # add Doel getwd() Terr_Sigma_AB_tot %>% - write_csv("Terr_Sigma_AB_tot.csv") + write_csv("C:/R/Projects/Broedvogels/data-output/Terr_Sigma_AB_tot.csv") ``` diff --git a/moneos_2024/110_broedvogels/Terr_Sigma_AB_tot.csv b/moneos_2024/110_broedvogels/Terr_Sigma_AB_tot.csv deleted file mode 100644 index 2cd13b2..0000000 --- a/moneos_2024/110_broedvogels/Terr_Sigma_AB_tot.csv +++ /dev/null @@ -1,4219 +0,0 @@ -Soort,Gebied,Jaar,Aantal,TypeGebied,Doel -Blauwborst,Beneden Nete,2005,0,Sigma,550 -Blauwborst,Beneden Nete,2006,0,Sigma,550 -Blauwborst,Beneden Nete,2007,0,Sigma,550 -Blauwborst,Beneden Nete,2008,0,Sigma,550 -Blauwborst,Beneden Nete,2009,0,Sigma,550 -Blauwborst,Beneden Nete,2010,0,Sigma,550 -Blauwborst,Beneden Nete,2011,0,Sigma,550 -Blauwborst,Beneden Nete,2012,0,Sigma,550 -Blauwborst,Beneden Nete,2013,0,Sigma,550 -Blauwborst,Beneden Nete,2014,0,Sigma,550 -Blauwborst,Beneden Nete,2015,0,Sigma,550 -Blauwborst,Beneden Nete,2016,0,Sigma,550 -Blauwborst,Beneden Nete,2017,0,Sigma,550 -Blauwborst,Beneden Nete,2018,0,Sigma,550 -Blauwborst,Beneden Nete,2019,0,Sigma,550 -Blauwborst,Beneden Nete,2020,0,Sigma,550 -Blauwborst,Beneden Nete,2021,0,Sigma,550 -Blauwborst,Beneden Nete,2022,10,Sigma,550 -Blauwborst,Beneden Nete,2023,12,Sigma,550 -Blauwborst,Bergenmeersen,2005,1,Sigma,550 -Blauwborst,Bergenmeersen,2006,1,Sigma,550 -Blauwborst,Bergenmeersen,2007,1,Sigma,550 -Blauwborst,Bergenmeersen,2008,1,Sigma,550 -Blauwborst,Bergenmeersen,2009,1,Sigma,550 -Blauwborst,Bergenmeersen,2010,1,Sigma,550 -Blauwborst,Bergenmeersen,2011,1,Sigma,550 -Blauwborst,Bergenmeersen,2012,1,Sigma,550 -Blauwborst,Bergenmeersen,2013,1,Sigma,550 -Blauwborst,Bergenmeersen,2014,2,Sigma,550 -Blauwborst,Bergenmeersen,2015,6,Sigma,550 -Blauwborst,Bergenmeersen,2016,9,Sigma,550 -Blauwborst,Bergenmeersen,2017,11,Sigma,550 -Blauwborst,Bergenmeersen,2018,12,Sigma,550 -Blauwborst,Bergenmeersen,2019,16,Sigma,550 -Blauwborst,Bergenmeersen,2020,19,Sigma,550 -Blauwborst,Bergenmeersen,2021,14,Sigma,550 -Blauwborst,Bergenmeersen,2022,9,Sigma,550 -Blauwborst,Bergenmeersen,2023,9,Sigma,550 -Blauwborst,Blokkersdijk,2005,10,BD,550 -Blauwborst,Blokkersdijk,2006,10,BD,550 -Blauwborst,Blokkersdijk,2007,9,BD,550 -Blauwborst,Blokkersdijk,2008,9,BD,550 -Blauwborst,Blokkersdijk,2009,6,BD,550 -Blauwborst,Blokkersdijk,2010,4,BD,550 -Blauwborst,Blokkersdijk,2011,6,BD,550 -Blauwborst,Blokkersdijk,2012,8,BD,550 -Blauwborst,Blokkersdijk,2013,7,BD,550 -Blauwborst,Blokkersdijk,2014,7,BD,550 -Blauwborst,Blokkersdijk,2015,1,BD,550 -Blauwborst,Blokkersdijk,2016,3,BD,550 -Blauwborst,Blokkersdijk,2017,2,BD,550 -Blauwborst,Blokkersdijk,2018,5,BD,550 -Blauwborst,Blokkersdijk,2019,2,BD,550 -Blauwborst,Blokkersdijk,2020,3,BD,550 -Blauwborst,Blokkersdijk,2021,6,BD,550 -Blauwborst,Blokkersdijk,2022,5,BD,550 -Blauwborst,Blokkersdijk,2023,3,BD,550 -Blauwborst,Burchtse Weel,2005,0,Sigma,550 -Blauwborst,Burchtse Weel,2006,0,Sigma,550 -Blauwborst,Burchtse Weel,2007,0,Sigma,550 -Blauwborst,Burchtse Weel,2008,0,Sigma,550 -Blauwborst,Burchtse Weel,2009,0,Sigma,550 -Blauwborst,Burchtse Weel,2010,0,Sigma,550 -Blauwborst,Burchtse Weel,2011,0,Sigma,550 -Blauwborst,Burchtse Weel,2012,0,Sigma,550 -Blauwborst,Burchtse Weel,2013,0,Sigma,550 -Blauwborst,Burchtse Weel,2014,0,Sigma,550 -Blauwborst,Burchtse Weel,2015,0,Sigma,550 -Blauwborst,Burchtse Weel,2016,0,Sigma,550 -Blauwborst,Burchtse Weel,2017,0,Sigma,550 -Blauwborst,Burchtse Weel,2018,0,Sigma,550 -Blauwborst,Burchtse Weel,2019,0,Sigma,550 -Blauwborst,Burchtse Weel,2020,0,Sigma,550 -Blauwborst,Burchtse Weel,2021,0,Sigma,550 -Blauwborst,Burchtse Weel,2022,4,Sigma,550 -Blauwborst,Burchtse Weel,2023,0,Sigma,550 -Blauwborst,Doelpolder-noord,2005,0,Sigma_LO,550 -Blauwborst,Doelpolder-noord,2006,0,Sigma_LO,550 -Blauwborst,Doelpolder-noord,2007,0,Sigma_LO,550 -Blauwborst,Doelpolder-noord,2008,0,Sigma_LO,550 -Blauwborst,Doelpolder-noord,2009,0,Sigma_LO,550 -Blauwborst,Doelpolder-noord,2010,0,Sigma_LO,550 -Blauwborst,Doelpolder-noord,2011,0,Sigma_LO,550 -Blauwborst,Doelpolder-noord,2012,0,Sigma_LO,550 -Blauwborst,Doelpolder-noord,2013,0,Sigma_LO,550 -Blauwborst,Doelpolder-noord,2014,0,Sigma_LO,550 -Blauwborst,Doelpolder-noord,2015,0,Sigma_LO,550 -Blauwborst,Doelpolder-noord,2016,0,Sigma_LO,550 -Blauwborst,Doelpolder-noord,2017,0,Sigma_LO,550 -Blauwborst,Doelpolder-noord,2018,0,Sigma_LO,550 -Blauwborst,Doelpolder-noord,2019,0,Sigma_LO,550 -Blauwborst,Doelpolder-noord,2020,0,Sigma_LO,550 -Blauwborst,Doelpolder-noord,2021,0,Sigma_LO,550 -Blauwborst,Doelpolder-noord,2022,0,Sigma_LO,550 -Blauwborst,Doelpolder-noord,2023,2,Sigma_LO,550 -Blauwborst,Donkmeer,2005,0,Vallei buiten Sigma,550 -Blauwborst,Donkmeer,2006,0,Vallei buiten Sigma,550 -Blauwborst,Donkmeer,2007,0,Vallei buiten Sigma,550 -Blauwborst,Donkmeer,2008,0,Vallei buiten Sigma,550 -Blauwborst,Donkmeer,2009,0,Vallei buiten Sigma,550 -Blauwborst,Donkmeer,2010,0,Vallei buiten Sigma,550 -Blauwborst,Donkmeer,2011,0,Vallei buiten Sigma,550 -Blauwborst,Donkmeer,2012,0,Vallei buiten Sigma,550 -Blauwborst,Donkmeer,2013,0,Vallei buiten Sigma,550 -Blauwborst,Donkmeer,2014,0,Vallei buiten Sigma,550 -Blauwborst,Donkmeer,2015,0,Vallei buiten Sigma,550 -Blauwborst,Donkmeer,2016,0,Vallei buiten Sigma,550 -Blauwborst,Donkmeer,2017,0,Vallei buiten Sigma,550 -Blauwborst,Donkmeer,2018,0,Vallei buiten Sigma,550 -Blauwborst,Donkmeer,2019,0,Vallei buiten Sigma,550 -Blauwborst,Donkmeer,2020,0,Vallei buiten Sigma,550 -Blauwborst,Donkmeer,2021,0,Vallei buiten Sigma,550 -Blauwborst,Donkmeer,2022,5,Vallei buiten Sigma,550 -Blauwborst,Donkmeer,2023,2,Vallei buiten Sigma,550 -Blauwborst,Durmemeersen,2005,0,Vallei buiten Sigma,550 -Blauwborst,Durmemeersen,2006,0,Vallei buiten Sigma,550 -Blauwborst,Durmemeersen,2007,0,Vallei buiten Sigma,550 -Blauwborst,Durmemeersen,2008,0,Vallei buiten Sigma,550 -Blauwborst,Durmemeersen,2009,0,Vallei buiten Sigma,550 -Blauwborst,Durmemeersen,2010,0,Vallei buiten Sigma,550 -Blauwborst,Durmemeersen,2011,0,Vallei buiten Sigma,550 -Blauwborst,Durmemeersen,2012,0,Vallei buiten Sigma,550 -Blauwborst,Durmemeersen,2013,0,Vallei buiten Sigma,550 -Blauwborst,Durmemeersen,2014,0,Vallei buiten Sigma,550 -Blauwborst,Durmemeersen,2015,0,Vallei buiten Sigma,550 -Blauwborst,Durmemeersen,2016,0,Vallei buiten Sigma,550 -Blauwborst,Durmemeersen,2017,0,Vallei buiten Sigma,550 -Blauwborst,Durmemeersen,2018,0,Vallei buiten Sigma,550 -Blauwborst,Durmemeersen,2019,0,Vallei buiten Sigma,550 -Blauwborst,Durmemeersen,2020,0,Vallei buiten Sigma,550 -Blauwborst,Durmemeersen,2021,0,Vallei buiten Sigma,550 -Blauwborst,Durmemeersen,2022,2,Vallei buiten Sigma,550 -Blauwborst,Durmemeersen,2023,2,Vallei buiten Sigma,550 -Blauwborst,Gebieden vzwDurme,2005,0,Vallei buiten Sigma,550 -Blauwborst,Gebieden vzwDurme,2006,0,Vallei buiten Sigma,550 -Blauwborst,Gebieden vzwDurme,2007,0,Vallei buiten Sigma,550 -Blauwborst,Gebieden vzwDurme,2008,0,Vallei buiten Sigma,550 -Blauwborst,Gebieden vzwDurme,2009,0,Vallei buiten Sigma,550 -Blauwborst,Gebieden vzwDurme,2010,0,Vallei buiten Sigma,550 -Blauwborst,Gebieden vzwDurme,2011,0,Vallei buiten Sigma,550 -Blauwborst,Gebieden vzwDurme,2012,0,Vallei buiten Sigma,550 -Blauwborst,Gebieden vzwDurme,2013,0,Vallei buiten Sigma,550 -Blauwborst,Gebieden vzwDurme,2014,0,Vallei buiten Sigma,550 -Blauwborst,Gebieden vzwDurme,2015,0,Vallei buiten Sigma,550 -Blauwborst,Gebieden vzwDurme,2016,0,Vallei buiten Sigma,550 -Blauwborst,Gebieden vzwDurme,2017,0,Vallei buiten Sigma,550 -Blauwborst,Gebieden vzwDurme,2018,0,Vallei buiten Sigma,550 -Blauwborst,Gebieden vzwDurme,2019,0,Vallei buiten Sigma,550 -Blauwborst,Gebieden vzwDurme,2020,0,Vallei buiten Sigma,550 -Blauwborst,Gebieden vzwDurme,2021,0,Vallei buiten Sigma,550 -Blauwborst,Gebieden vzwDurme,2022,13,Vallei buiten Sigma,550 -Blauwborst,Gebieden vzwDurme,2023,0,Vallei buiten Sigma,550 -Blauwborst,Gentbrugse meersen,2005,0,Vallei buiten Sigma,550 -Blauwborst,Gentbrugse meersen,2006,0,Vallei buiten Sigma,550 -Blauwborst,Gentbrugse meersen,2007,0,Vallei buiten Sigma,550 -Blauwborst,Gentbrugse meersen,2008,0,Vallei buiten Sigma,550 -Blauwborst,Gentbrugse meersen,2009,0,Vallei buiten Sigma,550 -Blauwborst,Gentbrugse meersen,2010,0,Vallei buiten Sigma,550 -Blauwborst,Gentbrugse meersen,2011,0,Vallei buiten Sigma,550 -Blauwborst,Gentbrugse meersen,2012,0,Vallei buiten Sigma,550 -Blauwborst,Gentbrugse meersen,2013,0,Vallei buiten Sigma,550 -Blauwborst,Gentbrugse meersen,2014,0,Vallei buiten Sigma,550 -Blauwborst,Gentbrugse meersen,2015,0,Vallei buiten Sigma,550 -Blauwborst,Gentbrugse meersen,2016,0,Vallei buiten Sigma,550 -Blauwborst,Gentbrugse meersen,2017,0,Vallei buiten Sigma,550 -Blauwborst,Gentbrugse meersen,2018,0,Vallei buiten Sigma,550 -Blauwborst,Gentbrugse meersen,2019,0,Vallei buiten Sigma,550 -Blauwborst,Gentbrugse meersen,2020,0,Vallei buiten Sigma,550 -Blauwborst,Gentbrugse meersen,2021,0,Vallei buiten Sigma,550 -Blauwborst,Gentbrugse meersen,2022,0,Vallei buiten Sigma,550 -Blauwborst,Gentbrugse meersen,2023,0,Vallei buiten Sigma,550 -Blauwborst,Groot Broek,2005,0,Sigma,550 -Blauwborst,Groot Broek,2006,0,Sigma,550 -Blauwborst,Groot Broek,2007,0,Sigma,550 -Blauwborst,Groot Broek,2008,0,Sigma,550 -Blauwborst,Groot Broek,2009,0,Sigma,550 -Blauwborst,Groot Broek,2010,0,Sigma,550 -Blauwborst,Groot Broek,2011,0,Sigma,550 -Blauwborst,Groot Broek,2012,0,Sigma,550 -Blauwborst,Groot Broek,2013,0,Sigma,550 -Blauwborst,Groot Broek,2014,0,Sigma,550 -Blauwborst,Groot Broek,2015,0,Sigma,550 -Blauwborst,Groot Broek,2016,0,Sigma,550 -Blauwborst,Groot Broek,2017,0,Sigma,550 -Blauwborst,Groot Broek,2018,0,Sigma,550 -Blauwborst,Groot Broek,2019,0,Sigma,550 -Blauwborst,Groot Broek,2020,0,Sigma,550 -Blauwborst,Groot Broek,2021,0,Sigma,550 -Blauwborst,Groot Broek,2022,3.5,Sigma,550 -Blauwborst,Groot Broek,2023,3.5,Sigma,550 -Blauwborst,Groot buitenschoor,2005,0,Estuarium buiten Sigma,550 -Blauwborst,Groot buitenschoor,2006,0,Estuarium buiten Sigma,550 -Blauwborst,Groot buitenschoor,2007,0,Estuarium buiten Sigma,550 -Blauwborst,Groot buitenschoor,2008,0,Estuarium buiten Sigma,550 -Blauwborst,Groot buitenschoor,2009,0,Estuarium buiten Sigma,550 -Blauwborst,Groot buitenschoor,2010,0,Estuarium buiten Sigma,550 -Blauwborst,Groot buitenschoor,2011,0,Estuarium buiten Sigma,550 -Blauwborst,Groot buitenschoor,2012,0,Estuarium buiten Sigma,550 -Blauwborst,Groot buitenschoor,2013,0,Estuarium buiten Sigma,550 -Blauwborst,Groot buitenschoor,2014,0,Estuarium buiten Sigma,550 -Blauwborst,Groot buitenschoor,2015,0,Estuarium buiten Sigma,550 -Blauwborst,Groot buitenschoor,2016,0,Estuarium buiten Sigma,550 -Blauwborst,Groot buitenschoor,2017,0,Estuarium buiten Sigma,550 -Blauwborst,Groot buitenschoor,2018,0,Estuarium buiten Sigma,550 -Blauwborst,Groot buitenschoor,2019,0,Estuarium buiten Sigma,550 -Blauwborst,Groot buitenschoor,2020,0,Estuarium buiten Sigma,550 -Blauwborst,Groot buitenschoor,2021,0,Estuarium buiten Sigma,550 -Blauwborst,Groot buitenschoor,2022,12,Estuarium buiten Sigma,550 -Blauwborst,Groot buitenschoor,2023,0,Estuarium buiten Sigma,550 -Blauwborst,Grote Wal,2005,0,Sigma,550 -Blauwborst,Grote Wal,2006,0,Sigma,550 -Blauwborst,Grote Wal,2007,0,Sigma,550 -Blauwborst,Grote Wal,2008,0,Sigma,550 -Blauwborst,Grote Wal,2009,0,Sigma,550 -Blauwborst,Grote Wal,2010,0,Sigma,550 -Blauwborst,Grote Wal,2011,0,Sigma,550 -Blauwborst,Grote Wal,2012,0,Sigma,550 -Blauwborst,Grote Wal,2013,0,Sigma,550 -Blauwborst,Grote Wal,2014,0,Sigma,550 -Blauwborst,Grote Wal,2015,0,Sigma,550 -Blauwborst,Grote Wal,2016,0,Sigma,550 -Blauwborst,Grote Wal,2017,0,Sigma,550 -Blauwborst,Grote Wal,2018,0,Sigma,550 -Blauwborst,Grote Wal,2019,0,Sigma,550 -Blauwborst,Grote Wal,2020,0,Sigma,550 -Blauwborst,Grote Wal,2021,0,Sigma,550 -Blauwborst,Grote Wal,2022,29,Sigma,550 -Blauwborst,Grote Wal,2023,8,Sigma,550 -Blauwborst,Grote vijver - deel 1,2005,0,Sigma,550 -Blauwborst,Grote vijver - deel 1,2006,0,Sigma,550 -Blauwborst,Grote vijver - deel 1,2007,0,Sigma,550 -Blauwborst,Grote vijver - deel 1,2008,0,Sigma,550 -Blauwborst,Grote vijver - deel 1,2009,0,Sigma,550 -Blauwborst,Grote vijver - deel 1,2010,0,Sigma,550 -Blauwborst,Grote vijver - deel 1,2011,0,Sigma,550 -Blauwborst,Grote vijver - deel 1,2012,0,Sigma,550 -Blauwborst,Grote vijver - deel 1,2013,0,Sigma,550 -Blauwborst,Grote vijver - deel 1,2014,0,Sigma,550 -Blauwborst,Grote vijver - deel 1,2015,0,Sigma,550 -Blauwborst,Grote vijver - deel 1,2016,0,Sigma,550 -Blauwborst,Grote vijver - deel 1,2017,0,Sigma,550 -Blauwborst,Grote vijver - deel 1,2018,0,Sigma,550 -Blauwborst,Grote vijver - deel 1,2019,0,Sigma,550 -Blauwborst,Grote vijver - deel 1,2020,0,Sigma,550 -Blauwborst,Grote vijver - deel 1,2021,0,Sigma,550 -Blauwborst,Grote vijver - deel 1,2022,7,Sigma,550 -Blauwborst,Grote vijver - deel 1,2023,0,Sigma,550 -Blauwborst,Grote vijver - deel 2,2005,0,Sigma,550 -Blauwborst,Grote vijver - deel 2,2006,0,Sigma,550 -Blauwborst,Grote vijver - deel 2,2007,0,Sigma,550 -Blauwborst,Grote vijver - deel 2,2008,0,Sigma,550 -Blauwborst,Grote vijver - deel 2,2009,0,Sigma,550 -Blauwborst,Grote vijver - deel 2,2010,0,Sigma,550 -Blauwborst,Grote vijver - deel 2,2011,0,Sigma,550 -Blauwborst,Grote vijver - deel 2,2012,0,Sigma,550 -Blauwborst,Grote vijver - deel 2,2013,0,Sigma,550 -Blauwborst,Grote vijver - deel 2,2014,0,Sigma,550 -Blauwborst,Grote vijver - deel 2,2015,0,Sigma,550 -Blauwborst,Grote vijver - deel 2,2016,0,Sigma,550 -Blauwborst,Grote vijver - deel 2,2017,0,Sigma,550 -Blauwborst,Grote vijver - deel 2,2018,0,Sigma,550 -Blauwborst,Grote vijver - deel 2,2019,0,Sigma,550 -Blauwborst,Grote vijver - deel 2,2020,0,Sigma,550 -Blauwborst,Grote vijver - deel 2,2021,0,Sigma,550 -Blauwborst,Grote vijver - deel 2,2022,2,Sigma,550 -Blauwborst,Grote vijver - deel 2,2023,0,Sigma,550 -Blauwborst,KBR,2005,42,Sigma,550 -Blauwborst,KBR,2006,42,Sigma,550 -Blauwborst,KBR,2007,42,Sigma,550 -Blauwborst,KBR,2008,36,Sigma,550 -Blauwborst,KBR,2009,48,Sigma,550 -Blauwborst,KBR,2010,63,Sigma,550 -Blauwborst,KBR,2011,76,Sigma,550 -Blauwborst,KBR,2012,78,Sigma,550 -Blauwborst,KBR,2013,69,Sigma,550 -Blauwborst,KBR,2014,79,Sigma,550 -Blauwborst,KBR,2015,72,Sigma,550 -Blauwborst,KBR,2016,93,Sigma,550 -Blauwborst,KBR,2017,117,Sigma,550 -Blauwborst,KBR,2018,95,Sigma,550 -Blauwborst,KBR,2019,109,Sigma,550 -Blauwborst,KBR,2020,109,Sigma,550 -Blauwborst,KBR,2021,85,Sigma,550 -Blauwborst,KBR,2022,108,Sigma,550 -Blauwborst,KBR,2023,82,Sigma,550 -Blauwborst,Kalkense meersen,2005,29,Sigma,550 -Blauwborst,Kalkense meersen,2006,29,Sigma,550 -Blauwborst,Kalkense meersen,2007,29,Sigma,550 -Blauwborst,Kalkense meersen,2008,29,Sigma,550 -Blauwborst,Kalkense meersen,2009,29,Sigma,550 -Blauwborst,Kalkense meersen,2010,29,Sigma,550 -Blauwborst,Kalkense meersen,2011,29,Sigma,550 -Blauwborst,Kalkense meersen,2012,29,Sigma,550 -Blauwborst,Kalkense meersen,2013,34,Sigma,550 -Blauwborst,Kalkense meersen,2014,40,Sigma,550 -Blauwborst,Kalkense meersen,2015,43,Sigma,550 -Blauwborst,Kalkense meersen,2016,38,Sigma,550 -Blauwborst,Kalkense meersen,2017,37,Sigma,550 -Blauwborst,Kalkense meersen,2018,38,Sigma,550 -Blauwborst,Kalkense meersen,2019,42,Sigma,550 -Blauwborst,Kalkense meersen,2020,42,Sigma,550 -Blauwborst,Kalkense meersen,2021,47,Sigma,550 -Blauwborst,Kalkense meersen,2022,43,Sigma,550 -Blauwborst,Kalkense meersen,2023,43,Sigma,550 -Blauwborst,Ketenisse,2005,5,Estuarium buiten Sigma,550 -Blauwborst,Ketenisse,2006,6,Estuarium buiten Sigma,550 -Blauwborst,Ketenisse,2007,7,Estuarium buiten Sigma,550 -Blauwborst,Ketenisse,2008,12,Estuarium buiten Sigma,550 -Blauwborst,Ketenisse,2009,15,Estuarium buiten Sigma,550 -Blauwborst,Ketenisse,2010,20,Estuarium buiten Sigma,550 -Blauwborst,Ketenisse,2011,11,Estuarium buiten Sigma,550 -Blauwborst,Ketenisse,2012,15,Estuarium buiten Sigma,550 -Blauwborst,Ketenisse,2013,16,Estuarium buiten Sigma,550 -Blauwborst,Ketenisse,2014,17,Estuarium buiten Sigma,550 -Blauwborst,Ketenisse,2015,15,Estuarium buiten Sigma,550 -Blauwborst,Ketenisse,2016,17,Estuarium buiten Sigma,550 -Blauwborst,Ketenisse,2017,18,Estuarium buiten Sigma,550 -Blauwborst,Ketenisse,2018,19,Estuarium buiten Sigma,550 -Blauwborst,Ketenisse,2019,15,Estuarium buiten Sigma,550 -Blauwborst,Ketenisse,2020,15,Estuarium buiten Sigma,550 -Blauwborst,Ketenisse,2021,17,Estuarium buiten Sigma,550 -Blauwborst,Ketenisse,2022,18,Estuarium buiten Sigma,550 -Blauwborst,Ketenisse,2023,20,Estuarium buiten Sigma,550 -Blauwborst,Klein Broek,2005,0,Sigma,550 -Blauwborst,Klein Broek,2006,0,Sigma,550 -Blauwborst,Klein Broek,2007,0,Sigma,550 -Blauwborst,Klein Broek,2008,0,Sigma,550 -Blauwborst,Klein Broek,2009,0,Sigma,550 -Blauwborst,Klein Broek,2010,0,Sigma,550 -Blauwborst,Klein Broek,2011,0,Sigma,550 -Blauwborst,Klein Broek,2012,0,Sigma,550 -Blauwborst,Klein Broek,2013,0,Sigma,550 -Blauwborst,Klein Broek,2014,0,Sigma,550 -Blauwborst,Klein Broek,2015,0,Sigma,550 -Blauwborst,Klein Broek,2016,0,Sigma,550 -Blauwborst,Klein Broek,2017,0,Sigma,550 -Blauwborst,Klein Broek,2018,0,Sigma,550 -Blauwborst,Klein Broek,2019,0,Sigma,550 -Blauwborst,Klein Broek,2020,0,Sigma,550 -Blauwborst,Klein Broek,2021,0,Sigma,550 -Blauwborst,Klein Broek,2022,2,Sigma,550 -Blauwborst,Klein Broek,2023,2,Sigma,550 -Blauwborst,Mechels Broek,2005,0,Vallei buiten Sigma,550 -Blauwborst,Mechels Broek,2006,0,Vallei buiten Sigma,550 -Blauwborst,Mechels Broek,2007,0,Vallei buiten Sigma,550 -Blauwborst,Mechels Broek,2008,0,Vallei buiten Sigma,550 -Blauwborst,Mechels Broek,2009,0,Vallei buiten Sigma,550 -Blauwborst,Mechels Broek,2010,0,Vallei buiten Sigma,550 -Blauwborst,Mechels Broek,2011,0,Vallei buiten Sigma,550 -Blauwborst,Mechels Broek,2012,0,Vallei buiten Sigma,550 -Blauwborst,Mechels Broek,2013,0,Vallei buiten Sigma,550 -Blauwborst,Mechels Broek,2014,0,Vallei buiten Sigma,550 -Blauwborst,Mechels Broek,2015,0,Vallei buiten Sigma,550 -Blauwborst,Mechels Broek,2016,0,Vallei buiten Sigma,550 -Blauwborst,Mechels Broek,2017,0,Vallei buiten Sigma,550 -Blauwborst,Mechels Broek,2018,0,Vallei buiten Sigma,550 -Blauwborst,Mechels Broek,2019,0,Vallei buiten Sigma,550 -Blauwborst,Mechels Broek,2020,0,Vallei buiten Sigma,550 -Blauwborst,Mechels Broek,2021,0,Vallei buiten Sigma,550 -Blauwborst,Mechels Broek,2022,0,Vallei buiten Sigma,550 -Blauwborst,Mechels Broek,2023,0,Vallei buiten Sigma,550 -Blauwborst,Molsbroek,2005,0,Vallei buiten Sigma,550 -Blauwborst,Molsbroek,2006,0,Vallei buiten Sigma,550 -Blauwborst,Molsbroek,2007,0,Vallei buiten Sigma,550 -Blauwborst,Molsbroek,2008,0,Vallei buiten Sigma,550 -Blauwborst,Molsbroek,2009,0,Vallei buiten Sigma,550 -Blauwborst,Molsbroek,2010,0,Vallei buiten Sigma,550 -Blauwborst,Molsbroek,2011,0,Vallei buiten Sigma,550 -Blauwborst,Molsbroek,2012,0,Vallei buiten Sigma,550 -Blauwborst,Molsbroek,2013,0,Vallei buiten Sigma,550 -Blauwborst,Molsbroek,2014,0,Vallei buiten Sigma,550 -Blauwborst,Molsbroek,2015,0,Vallei buiten Sigma,550 -Blauwborst,Molsbroek,2016,0,Vallei buiten Sigma,550 -Blauwborst,Molsbroek,2017,0,Vallei buiten Sigma,550 -Blauwborst,Molsbroek,2018,0,Vallei buiten Sigma,550 -Blauwborst,Molsbroek,2019,0,Vallei buiten Sigma,550 -Blauwborst,Molsbroek,2020,0,Vallei buiten Sigma,550 -Blauwborst,Molsbroek,2021,10,Vallei buiten Sigma,550 -Blauwborst,Molsbroek,2022,7.5,Vallei buiten Sigma,550 -Blauwborst,Molsbroek,2023,7.5,Vallei buiten Sigma,550 -Blauwborst,Noordelijk eiland,2005,0,Vallei buiten Sigma,550 -Blauwborst,Noordelijk eiland,2006,0,Vallei buiten Sigma,550 -Blauwborst,Noordelijk eiland,2007,0,Vallei buiten Sigma,550 -Blauwborst,Noordelijk eiland,2008,0,Vallei buiten Sigma,550 -Blauwborst,Noordelijk eiland,2009,0,Vallei buiten Sigma,550 -Blauwborst,Noordelijk eiland,2010,0,Vallei buiten Sigma,550 -Blauwborst,Noordelijk eiland,2011,0,Vallei buiten Sigma,550 -Blauwborst,Noordelijk eiland,2012,0,Vallei buiten Sigma,550 -Blauwborst,Noordelijk eiland,2013,0,Vallei buiten Sigma,550 -Blauwborst,Noordelijk eiland,2014,0,Vallei buiten Sigma,550 -Blauwborst,Noordelijk eiland,2015,0,Vallei buiten Sigma,550 -Blauwborst,Noordelijk eiland,2016,0,Vallei buiten Sigma,550 -Blauwborst,Noordelijk eiland,2017,0,Vallei buiten Sigma,550 -Blauwborst,Noordelijk eiland,2018,0,Vallei buiten Sigma,550 -Blauwborst,Noordelijk eiland,2019,0,Vallei buiten Sigma,550 -Blauwborst,Noordelijk eiland,2020,0,Vallei buiten Sigma,550 -Blauwborst,Noordelijk eiland,2021,0,Vallei buiten Sigma,550 -Blauwborst,Noordelijk eiland,2022,0,Vallei buiten Sigma,550 -Blauwborst,Noordelijk eiland,2023,0,Vallei buiten Sigma,550 -Blauwborst,NoordelijkGebied,2005,27,Sigma_LO,550 -Blauwborst,NoordelijkGebied,2006,46,Sigma_LO,550 -Blauwborst,NoordelijkGebied,2007,58,Sigma_LO,550 -Blauwborst,NoordelijkGebied,2008,35,Sigma_LO,550 -Blauwborst,NoordelijkGebied,2009,43,Sigma_LO,550 -Blauwborst,NoordelijkGebied,2010,44,Sigma_LO,550 -Blauwborst,NoordelijkGebied,2011,49,Sigma_LO,550 -Blauwborst,NoordelijkGebied,2012,38,Sigma_LO,550 -Blauwborst,NoordelijkGebied,2013,27,Sigma_LO,550 -Blauwborst,NoordelijkGebied,2014,41,Sigma_LO,550 -Blauwborst,NoordelijkGebied,2015,54,Sigma_LO,550 -Blauwborst,NoordelijkGebied,2016,64,Sigma_LO,550 -Blauwborst,NoordelijkGebied,2017,67,Sigma_LO,550 -Blauwborst,NoordelijkGebied,2018,72,Sigma_LO,550 -Blauwborst,NoordelijkGebied,2019,82,Sigma_LO,550 -Blauwborst,NoordelijkGebied,2020,102,Sigma_LO,550 -Blauwborst,NoordelijkGebied,2021,83,Sigma_LO,550 -Blauwborst,NoordelijkGebied,2022,99,Sigma_LO,550 -Blauwborst,NoordelijkGebied,2023,0,Sigma_LO,550 -Blauwborst,Paardeweide,2005,4,Sigma,550 -Blauwborst,Paardeweide,2006,4,Sigma,550 -Blauwborst,Paardeweide,2007,4,Sigma,550 -Blauwborst,Paardeweide,2008,4,Sigma,550 -Blauwborst,Paardeweide,2009,4,Sigma,550 -Blauwborst,Paardeweide,2010,4,Sigma,550 -Blauwborst,Paardeweide,2011,4,Sigma,550 -Blauwborst,Paardeweide,2012,4,Sigma,550 -Blauwborst,Paardeweide,2013,4,Sigma,550 -Blauwborst,Paardeweide,2014,11,Sigma,550 -Blauwborst,Paardeweide,2015,9,Sigma,550 -Blauwborst,Paardeweide,2016,7,Sigma,550 -Blauwborst,Paardeweide,2017,11,Sigma,550 -Blauwborst,Paardeweide,2018,14,Sigma,550 -Blauwborst,Paardeweide,2019,19,Sigma,550 -Blauwborst,Paardeweide,2020,18,Sigma,550 -Blauwborst,Paardeweide,2021,0,Sigma,550 -Blauwborst,Paardeweide,2022,0,Sigma,550 -Blauwborst,Paardeweide,2023,0,Sigma,550 -Blauwborst,Paardeweide oost,2005,0,Sigma,550 -Blauwborst,Paardeweide oost,2006,0,Sigma,550 -Blauwborst,Paardeweide oost,2007,0,Sigma,550 -Blauwborst,Paardeweide oost,2008,0,Sigma,550 -Blauwborst,Paardeweide oost,2009,0,Sigma,550 -Blauwborst,Paardeweide oost,2010,0,Sigma,550 -Blauwborst,Paardeweide oost,2011,0,Sigma,550 -Blauwborst,Paardeweide oost,2012,0,Sigma,550 -Blauwborst,Paardeweide oost,2013,0,Sigma,550 -Blauwborst,Paardeweide oost,2014,0,Sigma,550 -Blauwborst,Paardeweide oost,2015,0,Sigma,550 -Blauwborst,Paardeweide oost,2016,0,Sigma,550 -Blauwborst,Paardeweide oost,2017,0,Sigma,550 -Blauwborst,Paardeweide oost,2018,0,Sigma,550 -Blauwborst,Paardeweide oost,2019,0,Sigma,550 -Blauwborst,Paardeweide oost,2020,0,Sigma,550 -Blauwborst,Paardeweide oost,2021,10,Sigma,550 -Blauwborst,Paardeweide oost,2022,10,Sigma,550 -Blauwborst,Paardeweide oost,2023,5,Sigma,550 -Blauwborst,Paardeweide west,2005,0,Sigma,550 -Blauwborst,Paardeweide west,2006,0,Sigma,550 -Blauwborst,Paardeweide west,2007,0,Sigma,550 -Blauwborst,Paardeweide west,2008,0,Sigma,550 -Blauwborst,Paardeweide west,2009,0,Sigma,550 -Blauwborst,Paardeweide west,2010,0,Sigma,550 -Blauwborst,Paardeweide west,2011,0,Sigma,550 -Blauwborst,Paardeweide west,2012,0,Sigma,550 -Blauwborst,Paardeweide west,2013,0,Sigma,550 -Blauwborst,Paardeweide west,2014,0,Sigma,550 -Blauwborst,Paardeweide west,2015,0,Sigma,550 -Blauwborst,Paardeweide west,2016,0,Sigma,550 -Blauwborst,Paardeweide west,2017,0,Sigma,550 -Blauwborst,Paardeweide west,2018,0,Sigma,550 -Blauwborst,Paardeweide west,2019,0,Sigma,550 -Blauwborst,Paardeweide west,2020,0,Sigma,550 -Blauwborst,Paardeweide west,2021,10,Sigma,550 -Blauwborst,Paardeweide west,2022,9,Sigma,550 -Blauwborst,Paardeweide west,2023,8,Sigma,550 -Blauwborst,Potpolder Lillo,2005,5,Sigma,550 -Blauwborst,Potpolder Lillo,2006,6,Sigma,550 -Blauwborst,Potpolder Lillo,2007,4,Sigma,550 -Blauwborst,Potpolder Lillo,2008,5,Sigma,550 -Blauwborst,Potpolder Lillo,2009,5,Sigma,550 -Blauwborst,Potpolder Lillo,2010,5,Sigma,550 -Blauwborst,Potpolder Lillo,2011,5,Sigma,550 -Blauwborst,Potpolder Lillo,2012,5,Sigma,550 -Blauwborst,Potpolder Lillo,2013,0,Sigma,550 -Blauwborst,Potpolder Lillo,2014,1,Sigma,550 -Blauwborst,Potpolder Lillo,2015,0,Sigma,550 -Blauwborst,Potpolder Lillo,2016,0,Sigma,550 -Blauwborst,Potpolder Lillo,2017,1,Sigma,550 -Blauwborst,Potpolder Lillo,2018,0,Sigma,550 -Blauwborst,Potpolder Lillo,2019,0,Sigma,550 -Blauwborst,Potpolder Lillo,2020,1,Sigma,550 -Blauwborst,Potpolder Lillo,2021,1,Sigma,550 -Blauwborst,Potpolder Lillo,2022,1,Sigma,550 -Blauwborst,Potpolder Lillo,2023,2,Sigma,550 -Blauwborst,Prosperpolder-noord,2005,0,Sigma_LO,550 -Blauwborst,Prosperpolder-noord,2006,0,Sigma_LO,550 -Blauwborst,Prosperpolder-noord,2007,0,Sigma_LO,550 -Blauwborst,Prosperpolder-noord,2008,0,Sigma_LO,550 -Blauwborst,Prosperpolder-noord,2009,0,Sigma_LO,550 -Blauwborst,Prosperpolder-noord,2010,0,Sigma_LO,550 -Blauwborst,Prosperpolder-noord,2011,0,Sigma_LO,550 -Blauwborst,Prosperpolder-noord,2012,0,Sigma_LO,550 -Blauwborst,Prosperpolder-noord,2013,0,Sigma_LO,550 -Blauwborst,Prosperpolder-noord,2014,0,Sigma_LO,550 -Blauwborst,Prosperpolder-noord,2015,0,Sigma_LO,550 -Blauwborst,Prosperpolder-noord,2016,0,Sigma_LO,550 -Blauwborst,Prosperpolder-noord,2017,0,Sigma_LO,550 -Blauwborst,Prosperpolder-noord,2018,0,Sigma_LO,550 -Blauwborst,Prosperpolder-noord,2019,0,Sigma_LO,550 -Blauwborst,Prosperpolder-noord,2020,0,Sigma_LO,550 -Blauwborst,Prosperpolder-noord,2021,0,Sigma_LO,550 -Blauwborst,Prosperpolder-noord,2022,0,Sigma_LO,550 -Blauwborst,Prosperpolder-noord,2023,0,Sigma_LO,550 -Blauwborst,Prosperpolder-zuid,2005,0,Sigma_LO,550 -Blauwborst,Prosperpolder-zuid,2006,0,Sigma_LO,550 -Blauwborst,Prosperpolder-zuid,2007,0,Sigma_LO,550 -Blauwborst,Prosperpolder-zuid,2008,0,Sigma_LO,550 -Blauwborst,Prosperpolder-zuid,2009,0,Sigma_LO,550 -Blauwborst,Prosperpolder-zuid,2010,0,Sigma_LO,550 -Blauwborst,Prosperpolder-zuid,2011,0,Sigma_LO,550 -Blauwborst,Prosperpolder-zuid,2012,0,Sigma_LO,550 -Blauwborst,Prosperpolder-zuid,2013,0,Sigma_LO,550 -Blauwborst,Prosperpolder-zuid,2014,0,Sigma_LO,550 -Blauwborst,Prosperpolder-zuid,2015,0,Sigma_LO,550 -Blauwborst,Prosperpolder-zuid,2016,0,Sigma_LO,550 -Blauwborst,Prosperpolder-zuid,2017,0,Sigma_LO,550 -Blauwborst,Prosperpolder-zuid,2018,0,Sigma_LO,550 -Blauwborst,Prosperpolder-zuid,2019,0,Sigma_LO,550 -Blauwborst,Prosperpolder-zuid,2020,0,Sigma_LO,550 -Blauwborst,Prosperpolder-zuid,2021,0,Sigma_LO,550 -Blauwborst,Prosperpolder-zuid,2022,0,Sigma_LO,550 -Blauwborst,Prosperpolder-zuid,2023,23,Sigma_LO,550 -Blauwborst,Scheldebroeken excl. Paardeweide-oost,2005,0,Vallei buiten Sigma,550 -Blauwborst,Scheldebroeken excl. Paardeweide-oost,2006,0,Vallei buiten Sigma,550 -Blauwborst,Scheldebroeken excl. Paardeweide-oost,2007,0,Vallei buiten Sigma,550 -Blauwborst,Scheldebroeken excl. Paardeweide-oost,2008,0,Vallei buiten Sigma,550 -Blauwborst,Scheldebroeken excl. Paardeweide-oost,2009,0,Vallei buiten Sigma,550 -Blauwborst,Scheldebroeken excl. Paardeweide-oost,2010,0,Vallei buiten Sigma,550 -Blauwborst,Scheldebroeken excl. Paardeweide-oost,2011,0,Vallei buiten Sigma,550 -Blauwborst,Scheldebroeken excl. Paardeweide-oost,2012,0,Vallei buiten Sigma,550 -Blauwborst,Scheldebroeken excl. Paardeweide-oost,2013,0,Vallei buiten Sigma,550 -Blauwborst,Scheldebroeken excl. Paardeweide-oost,2014,0,Vallei buiten Sigma,550 -Blauwborst,Scheldebroeken excl. Paardeweide-oost,2015,0,Vallei buiten Sigma,550 -Blauwborst,Scheldebroeken excl. Paardeweide-oost,2016,0,Vallei buiten Sigma,550 -Blauwborst,Scheldebroeken excl. Paardeweide-oost,2017,0,Vallei buiten Sigma,550 -Blauwborst,Scheldebroeken excl. Paardeweide-oost,2018,0,Vallei buiten Sigma,550 -Blauwborst,Scheldebroeken excl. Paardeweide-oost,2019,0,Vallei buiten Sigma,550 -Blauwborst,Scheldebroeken excl. Paardeweide-oost,2020,0,Vallei buiten Sigma,550 -Blauwborst,Scheldebroeken excl. Paardeweide-oost,2021,5,Vallei buiten Sigma,550 -Blauwborst,Scheldebroeken excl. Paardeweide-oost,2022,7.5,Vallei buiten Sigma,550 -Blauwborst,Scheldebroeken excl. Paardeweide-oost,2023,7.5,Vallei buiten Sigma,550 -Blauwborst,Schor Ouden Doel,2005,0,Sigma_LO,550 -Blauwborst,Schor Ouden Doel,2006,0,Sigma_LO,550 -Blauwborst,Schor Ouden Doel,2007,0,Sigma_LO,550 -Blauwborst,Schor Ouden Doel,2008,0,Sigma_LO,550 -Blauwborst,Schor Ouden Doel,2009,0,Sigma_LO,550 -Blauwborst,Schor Ouden Doel,2010,0,Sigma_LO,550 -Blauwborst,Schor Ouden Doel,2011,0,Sigma_LO,550 -Blauwborst,Schor Ouden Doel,2012,0,Sigma_LO,550 -Blauwborst,Schor Ouden Doel,2013,0,Sigma_LO,550 -Blauwborst,Schor Ouden Doel,2014,0,Sigma_LO,550 -Blauwborst,Schor Ouden Doel,2015,0,Sigma_LO,550 -Blauwborst,Schor Ouden Doel,2016,0,Sigma_LO,550 -Blauwborst,Schor Ouden Doel,2017,0,Sigma_LO,550 -Blauwborst,Schor Ouden Doel,2018,0,Sigma_LO,550 -Blauwborst,Schor Ouden Doel,2019,0,Sigma_LO,550 -Blauwborst,Schor Ouden Doel,2020,0,Sigma_LO,550 -Blauwborst,Schor Ouden Doel,2021,0,Sigma_LO,550 -Blauwborst,Schor Ouden Doel,2022,0,Sigma_LO,550 -Blauwborst,Schor Ouden Doel,2023,29,Sigma_LO,550 -Blauwborst,Viersels gebroekt,2005,0,Vallei buiten Sigma,550 -Blauwborst,Viersels gebroekt,2006,0,Vallei buiten Sigma,550 -Blauwborst,Viersels gebroekt,2007,0,Vallei buiten Sigma,550 -Blauwborst,Viersels gebroekt,2008,0,Vallei buiten Sigma,550 -Blauwborst,Viersels gebroekt,2009,0,Vallei buiten Sigma,550 -Blauwborst,Viersels gebroekt,2010,0,Vallei buiten Sigma,550 -Blauwborst,Viersels gebroekt,2011,0,Vallei buiten Sigma,550 -Blauwborst,Viersels gebroekt,2012,0,Vallei buiten Sigma,550 -Blauwborst,Viersels gebroekt,2013,0,Vallei buiten Sigma,550 -Blauwborst,Viersels gebroekt,2014,0,Vallei buiten Sigma,550 -Blauwborst,Viersels gebroekt,2015,0,Vallei buiten Sigma,550 -Blauwborst,Viersels gebroekt,2016,0,Vallei buiten Sigma,550 -Blauwborst,Viersels gebroekt,2017,0,Vallei buiten Sigma,550 -Blauwborst,Viersels gebroekt,2018,0,Vallei buiten Sigma,550 -Blauwborst,Viersels gebroekt,2019,0,Vallei buiten Sigma,550 -Blauwborst,Viersels gebroekt,2020,0,Vallei buiten Sigma,550 -Blauwborst,Viersels gebroekt,2021,0,Vallei buiten Sigma,550 -Blauwborst,Viersels gebroekt,2022,0,Vallei buiten Sigma,550 -Blauwborst,Viersels gebroekt,2023,0,Vallei buiten Sigma,550 -Blauwborst,Weijmeerbroek,2005,2,Sigma,550 -Blauwborst,Weijmeerbroek,2006,2,Sigma,550 -Blauwborst,Weijmeerbroek,2007,2,Sigma,550 -Blauwborst,Weijmeerbroek,2008,2,Sigma,550 -Blauwborst,Weijmeerbroek,2009,2,Sigma,550 -Blauwborst,Weijmeerbroek,2010,2,Sigma,550 -Blauwborst,Weijmeerbroek,2011,2,Sigma,550 -Blauwborst,Weijmeerbroek,2012,2,Sigma,550 -Blauwborst,Weijmeerbroek,2013,2,Sigma,550 -Blauwborst,Weijmeerbroek,2014,11,Sigma,550 -Blauwborst,Weijmeerbroek,2015,12,Sigma,550 -Blauwborst,Weijmeerbroek,2016,12,Sigma,550 -Blauwborst,Weijmeerbroek,2017,13,Sigma,550 -Blauwborst,Weijmeerbroek,2018,11,Sigma,550 -Blauwborst,Weijmeerbroek,2019,8,Sigma,550 -Blauwborst,Weijmeerbroek,2020,10,Sigma,550 -Blauwborst,Weijmeerbroek,2021,11,Sigma,550 -Blauwborst,Weijmeerbroek,2022,13,Sigma,550 -Blauwborst,Weijmeerbroek,2023,13,Sigma,550 -Blauwborst,Wijmeers,2005,0,Sigma,550 -Blauwborst,Wijmeers,2006,0,Sigma,550 -Blauwborst,Wijmeers,2007,0,Sigma,550 -Blauwborst,Wijmeers,2008,0,Sigma,550 -Blauwborst,Wijmeers,2009,0,Sigma,550 -Blauwborst,Wijmeers,2010,0,Sigma,550 -Blauwborst,Wijmeers,2011,0,Sigma,550 -Blauwborst,Wijmeers,2012,0,Sigma,550 -Blauwborst,Wijmeers,2013,0,Sigma,550 -Blauwborst,Wijmeers,2014,0,Sigma,550 -Blauwborst,Wijmeers,2015,0,Sigma,550 -Blauwborst,Wijmeers,2016,4,Sigma,550 -Blauwborst,Wijmeers,2017,11,Sigma,550 -Blauwborst,Wijmeers,2018,17,Sigma,550 -Blauwborst,Wijmeers,2019,22,Sigma,550 -Blauwborst,Wijmeers,2020,22,Sigma,550 -Blauwborst,Wijmeers,2021,0,Sigma,550 -Blauwborst,Wijmeers,2022,0,Sigma,550 -Blauwborst,Wijmeers,2023,0,Sigma,550 -Blauwborst,Wijmeers-noord,2005,0,Sigma,550 -Blauwborst,Wijmeers-noord,2006,0,Sigma,550 -Blauwborst,Wijmeers-noord,2007,0,Sigma,550 -Blauwborst,Wijmeers-noord,2008,0,Sigma,550 -Blauwborst,Wijmeers-noord,2009,0,Sigma,550 -Blauwborst,Wijmeers-noord,2010,0,Sigma,550 -Blauwborst,Wijmeers-noord,2011,0,Sigma,550 -Blauwborst,Wijmeers-noord,2012,0,Sigma,550 -Blauwborst,Wijmeers-noord,2013,0,Sigma,550 -Blauwborst,Wijmeers-noord,2014,0,Sigma,550 -Blauwborst,Wijmeers-noord,2015,0,Sigma,550 -Blauwborst,Wijmeers-noord,2016,0,Sigma,550 -Blauwborst,Wijmeers-noord,2017,0,Sigma,550 -Blauwborst,Wijmeers-noord,2018,0,Sigma,550 -Blauwborst,Wijmeers-noord,2019,0,Sigma,550 -Blauwborst,Wijmeers-noord,2020,0,Sigma,550 -Blauwborst,Wijmeers-noord,2021,20,Sigma,550 -Blauwborst,Wijmeers-noord,2022,20,Sigma,550 -Blauwborst,Wijmeers-noord,2023,20,Sigma,550 -Blauwborst,Wijmeers-zuid,2005,0,Sigma,550 -Blauwborst,Wijmeers-zuid,2006,0,Sigma,550 -Blauwborst,Wijmeers-zuid,2007,0,Sigma,550 -Blauwborst,Wijmeers-zuid,2008,0,Sigma,550 -Blauwborst,Wijmeers-zuid,2009,0,Sigma,550 -Blauwborst,Wijmeers-zuid,2010,0,Sigma,550 -Blauwborst,Wijmeers-zuid,2011,0,Sigma,550 -Blauwborst,Wijmeers-zuid,2012,0,Sigma,550 -Blauwborst,Wijmeers-zuid,2013,0,Sigma,550 -Blauwborst,Wijmeers-zuid,2014,0,Sigma,550 -Blauwborst,Wijmeers-zuid,2015,0,Sigma,550 -Blauwborst,Wijmeers-zuid,2016,0,Sigma,550 -Blauwborst,Wijmeers-zuid,2017,0,Sigma,550 -Blauwborst,Wijmeers-zuid,2018,0,Sigma,550 -Blauwborst,Wijmeers-zuid,2019,0,Sigma,550 -Blauwborst,Wijmeers-zuid,2020,0,Sigma,550 -Blauwborst,Wijmeers-zuid,2021,10,Sigma,550 -Blauwborst,Wijmeers-zuid,2022,10,Sigma,550 -Blauwborst,Wijmeers-zuid,2023,10,Sigma,550 -Blauwborst,Zennegat,2005,4,Sigma,550 -Blauwborst,Zennegat,2006,4,Sigma,550 -Blauwborst,Zennegat,2007,4,Sigma,550 -Blauwborst,Zennegat,2008,4,Sigma,550 -Blauwborst,Zennegat,2009,4,Sigma,550 -Blauwborst,Zennegat,2010,4,Sigma,550 -Blauwborst,Zennegat,2011,4,Sigma,550 -Blauwborst,Zennegat,2012,4,Sigma,550 -Blauwborst,Zennegat,2013,4,Sigma,550 -Blauwborst,Zennegat,2014,4,Sigma,550 -Blauwborst,Zennegat,2015,4,Sigma,550 -Blauwborst,Zennegat,2016,4,Sigma,550 -Blauwborst,Zennegat,2017,16,Sigma,550 -Blauwborst,Zennegat,2018,17,Sigma,550 -Blauwborst,Zennegat,2019,20,Sigma,550 -Blauwborst,Zennegat,2020,22,Sigma,550 -Blauwborst,Zennegat,2021,20,Sigma,550 -Blauwborst,Zennegat,2022,19,Sigma,550 -Blauwborst,Zennegat,2023,17,Sigma,550 -Blauwborst,Zuidelijk eiland,2005,0,Vallei buiten Sigma,550 -Blauwborst,Zuidelijk eiland,2006,0,Vallei buiten Sigma,550 -Blauwborst,Zuidelijk eiland,2007,0,Vallei buiten Sigma,550 -Blauwborst,Zuidelijk eiland,2008,0,Vallei buiten Sigma,550 -Blauwborst,Zuidelijk eiland,2009,0,Vallei buiten Sigma,550 -Blauwborst,Zuidelijk eiland,2010,0,Vallei buiten Sigma,550 -Blauwborst,Zuidelijk eiland,2011,0,Vallei buiten Sigma,550 -Blauwborst,Zuidelijk eiland,2012,0,Vallei buiten Sigma,550 -Blauwborst,Zuidelijk eiland,2013,0,Vallei buiten Sigma,550 -Blauwborst,Zuidelijk eiland,2014,0,Vallei buiten Sigma,550 -Blauwborst,Zuidelijk eiland,2015,0,Vallei buiten Sigma,550 -Blauwborst,Zuidelijk eiland,2016,0,Vallei buiten Sigma,550 -Blauwborst,Zuidelijk eiland,2017,0,Vallei buiten Sigma,550 -Blauwborst,Zuidelijk eiland,2018,0,Vallei buiten Sigma,550 -Blauwborst,Zuidelijk eiland,2019,0,Vallei buiten Sigma,550 -Blauwborst,Zuidelijk eiland,2020,0,Vallei buiten Sigma,550 -Blauwborst,Zuidelijk eiland,2021,0,Vallei buiten Sigma,550 -Blauwborst,Zuidelijk eiland,2022,0,Vallei buiten Sigma,550 -Blauwborst,Zuidelijk eiland,2023,0,Vallei buiten Sigma,550 -Dodaars,Beneden Nete,2005,0,Sigma,50 -Dodaars,Beneden Nete,2006,0,Sigma,50 -Dodaars,Beneden Nete,2007,0,Sigma,50 -Dodaars,Beneden Nete,2008,0,Sigma,50 -Dodaars,Beneden Nete,2009,0,Sigma,50 -Dodaars,Beneden Nete,2010,0,Sigma,50 -Dodaars,Beneden Nete,2011,0,Sigma,50 -Dodaars,Beneden Nete,2012,0,Sigma,50 -Dodaars,Beneden Nete,2013,0,Sigma,50 -Dodaars,Beneden Nete,2014,0,Sigma,50 -Dodaars,Beneden Nete,2015,0,Sigma,50 -Dodaars,Beneden Nete,2016,0,Sigma,50 -Dodaars,Beneden Nete,2017,0,Sigma,50 -Dodaars,Beneden Nete,2018,0,Sigma,50 -Dodaars,Beneden Nete,2019,0,Sigma,50 -Dodaars,Beneden Nete,2020,0,Sigma,50 -Dodaars,Beneden Nete,2021,0,Sigma,50 -Dodaars,Beneden Nete,2022,11,Sigma,50 -Dodaars,Beneden Nete,2023,6,Sigma,50 -Dodaars,Bergenmeersen,2005,0,Sigma,50 -Dodaars,Bergenmeersen,2006,0,Sigma,50 -Dodaars,Bergenmeersen,2007,0,Sigma,50 -Dodaars,Bergenmeersen,2008,0,Sigma,50 -Dodaars,Bergenmeersen,2009,0,Sigma,50 -Dodaars,Bergenmeersen,2010,0,Sigma,50 -Dodaars,Bergenmeersen,2011,0,Sigma,50 -Dodaars,Bergenmeersen,2012,0,Sigma,50 -Dodaars,Bergenmeersen,2013,0,Sigma,50 -Dodaars,Bergenmeersen,2014,0,Sigma,50 -Dodaars,Bergenmeersen,2015,0,Sigma,50 -Dodaars,Bergenmeersen,2016,0,Sigma,50 -Dodaars,Bergenmeersen,2017,0,Sigma,50 -Dodaars,Bergenmeersen,2018,0,Sigma,50 -Dodaars,Bergenmeersen,2019,0,Sigma,50 -Dodaars,Bergenmeersen,2020,0,Sigma,50 -Dodaars,Bergenmeersen,2021,0,Sigma,50 -Dodaars,Bergenmeersen,2022,0,Sigma,50 -Dodaars,Bergenmeersen,2023,0,Sigma,50 -Dodaars,Blokkersdijk,2005,4,BD,50 -Dodaars,Blokkersdijk,2006,4,BD,50 -Dodaars,Blokkersdijk,2007,5,BD,50 -Dodaars,Blokkersdijk,2008,6,BD,50 -Dodaars,Blokkersdijk,2009,6,BD,50 -Dodaars,Blokkersdijk,2010,6,BD,50 -Dodaars,Blokkersdijk,2011,4,BD,50 -Dodaars,Blokkersdijk,2012,6,BD,50 -Dodaars,Blokkersdijk,2013,6,BD,50 -Dodaars,Blokkersdijk,2014,7,BD,50 -Dodaars,Blokkersdijk,2015,6,BD,50 -Dodaars,Blokkersdijk,2016,7,BD,50 -Dodaars,Blokkersdijk,2017,6,BD,50 -Dodaars,Blokkersdijk,2018,10,BD,50 -Dodaars,Blokkersdijk,2019,6,BD,50 -Dodaars,Blokkersdijk,2020,8,BD,50 -Dodaars,Blokkersdijk,2021,5,BD,50 -Dodaars,Blokkersdijk,2022,6,BD,50 -Dodaars,Blokkersdijk,2023,4,BD,50 -Dodaars,Burchtse Weel,2005,0,Sigma,50 -Dodaars,Burchtse Weel,2006,0,Sigma,50 -Dodaars,Burchtse Weel,2007,0,Sigma,50 -Dodaars,Burchtse Weel,2008,0,Sigma,50 -Dodaars,Burchtse Weel,2009,0,Sigma,50 -Dodaars,Burchtse Weel,2010,0,Sigma,50 -Dodaars,Burchtse Weel,2011,0,Sigma,50 -Dodaars,Burchtse Weel,2012,0,Sigma,50 -Dodaars,Burchtse Weel,2013,0,Sigma,50 -Dodaars,Burchtse Weel,2014,0,Sigma,50 -Dodaars,Burchtse Weel,2015,0,Sigma,50 -Dodaars,Burchtse Weel,2016,0,Sigma,50 -Dodaars,Burchtse Weel,2017,0,Sigma,50 -Dodaars,Burchtse Weel,2018,0,Sigma,50 -Dodaars,Burchtse Weel,2019,0,Sigma,50 -Dodaars,Burchtse Weel,2020,0,Sigma,50 -Dodaars,Burchtse Weel,2021,0,Sigma,50 -Dodaars,Burchtse Weel,2022,0,Sigma,50 -Dodaars,Burchtse Weel,2023,0,Sigma,50 -Dodaars,Doelpolder-noord,2005,0,Sigma_LO,50 -Dodaars,Doelpolder-noord,2006,0,Sigma_LO,50 -Dodaars,Doelpolder-noord,2007,0,Sigma_LO,50 -Dodaars,Doelpolder-noord,2008,0,Sigma_LO,50 -Dodaars,Doelpolder-noord,2009,0,Sigma_LO,50 -Dodaars,Doelpolder-noord,2010,0,Sigma_LO,50 -Dodaars,Doelpolder-noord,2011,0,Sigma_LO,50 -Dodaars,Doelpolder-noord,2012,0,Sigma_LO,50 -Dodaars,Doelpolder-noord,2013,0,Sigma_LO,50 -Dodaars,Doelpolder-noord,2014,0,Sigma_LO,50 -Dodaars,Doelpolder-noord,2015,0,Sigma_LO,50 -Dodaars,Doelpolder-noord,2016,0,Sigma_LO,50 -Dodaars,Doelpolder-noord,2017,0,Sigma_LO,50 -Dodaars,Doelpolder-noord,2018,0,Sigma_LO,50 -Dodaars,Doelpolder-noord,2019,0,Sigma_LO,50 -Dodaars,Doelpolder-noord,2020,0,Sigma_LO,50 -Dodaars,Doelpolder-noord,2021,0,Sigma_LO,50 -Dodaars,Doelpolder-noord,2022,0,Sigma_LO,50 -Dodaars,Doelpolder-noord,2023,2,Sigma_LO,50 -Dodaars,Donkmeer,2005,0,Vallei buiten Sigma,50 -Dodaars,Donkmeer,2006,0,Vallei buiten Sigma,50 -Dodaars,Donkmeer,2007,0,Vallei buiten Sigma,50 -Dodaars,Donkmeer,2008,0,Vallei buiten Sigma,50 -Dodaars,Donkmeer,2009,0,Vallei buiten Sigma,50 -Dodaars,Donkmeer,2010,0,Vallei buiten Sigma,50 -Dodaars,Donkmeer,2011,0,Vallei buiten Sigma,50 -Dodaars,Donkmeer,2012,0,Vallei buiten Sigma,50 -Dodaars,Donkmeer,2013,0,Vallei buiten Sigma,50 -Dodaars,Donkmeer,2014,0,Vallei buiten Sigma,50 -Dodaars,Donkmeer,2015,0,Vallei buiten Sigma,50 -Dodaars,Donkmeer,2016,0,Vallei buiten Sigma,50 -Dodaars,Donkmeer,2017,0,Vallei buiten Sigma,50 -Dodaars,Donkmeer,2018,0,Vallei buiten Sigma,50 -Dodaars,Donkmeer,2019,0,Vallei buiten Sigma,50 -Dodaars,Donkmeer,2020,0,Vallei buiten Sigma,50 -Dodaars,Donkmeer,2021,3.5,Vallei buiten Sigma,50 -Dodaars,Donkmeer,2022,3.5,Vallei buiten Sigma,50 -Dodaars,Donkmeer,2023,3.5,Vallei buiten Sigma,50 -Dodaars,Durmemeersen,2005,0,Vallei buiten Sigma,50 -Dodaars,Durmemeersen,2006,0,Vallei buiten Sigma,50 -Dodaars,Durmemeersen,2007,0,Vallei buiten Sigma,50 -Dodaars,Durmemeersen,2008,0,Vallei buiten Sigma,50 -Dodaars,Durmemeersen,2009,0,Vallei buiten Sigma,50 -Dodaars,Durmemeersen,2010,0,Vallei buiten Sigma,50 -Dodaars,Durmemeersen,2011,0,Vallei buiten Sigma,50 -Dodaars,Durmemeersen,2012,0,Vallei buiten Sigma,50 -Dodaars,Durmemeersen,2013,0,Vallei buiten Sigma,50 -Dodaars,Durmemeersen,2014,0,Vallei buiten Sigma,50 -Dodaars,Durmemeersen,2015,0,Vallei buiten Sigma,50 -Dodaars,Durmemeersen,2016,0,Vallei buiten Sigma,50 -Dodaars,Durmemeersen,2017,0,Vallei buiten Sigma,50 -Dodaars,Durmemeersen,2018,0,Vallei buiten Sigma,50 -Dodaars,Durmemeersen,2019,0,Vallei buiten Sigma,50 -Dodaars,Durmemeersen,2020,0,Vallei buiten Sigma,50 -Dodaars,Durmemeersen,2021,1,Vallei buiten Sigma,50 -Dodaars,Durmemeersen,2022,1,Vallei buiten Sigma,50 -Dodaars,Durmemeersen,2023,1,Vallei buiten Sigma,50 -Dodaars,Gebieden vzwDurme,2005,0,Vallei buiten Sigma,50 -Dodaars,Gebieden vzwDurme,2006,0,Vallei buiten Sigma,50 -Dodaars,Gebieden vzwDurme,2007,0,Vallei buiten Sigma,50 -Dodaars,Gebieden vzwDurme,2008,0,Vallei buiten Sigma,50 -Dodaars,Gebieden vzwDurme,2009,0,Vallei buiten Sigma,50 -Dodaars,Gebieden vzwDurme,2010,0,Vallei buiten Sigma,50 -Dodaars,Gebieden vzwDurme,2011,0,Vallei buiten Sigma,50 -Dodaars,Gebieden vzwDurme,2012,0,Vallei buiten Sigma,50 -Dodaars,Gebieden vzwDurme,2013,0,Vallei buiten Sigma,50 -Dodaars,Gebieden vzwDurme,2014,0,Vallei buiten Sigma,50 -Dodaars,Gebieden vzwDurme,2015,0,Vallei buiten Sigma,50 -Dodaars,Gebieden vzwDurme,2016,0,Vallei buiten Sigma,50 -Dodaars,Gebieden vzwDurme,2017,0,Vallei buiten Sigma,50 -Dodaars,Gebieden vzwDurme,2018,0,Vallei buiten Sigma,50 -Dodaars,Gebieden vzwDurme,2019,0,Vallei buiten Sigma,50 -Dodaars,Gebieden vzwDurme,2020,0,Vallei buiten Sigma,50 -Dodaars,Gebieden vzwDurme,2021,0,Vallei buiten Sigma,50 -Dodaars,Gebieden vzwDurme,2022,0,Vallei buiten Sigma,50 -Dodaars,Gebieden vzwDurme,2023,0,Vallei buiten Sigma,50 -Dodaars,Gentbrugse meersen,2005,0,Vallei buiten Sigma,50 -Dodaars,Gentbrugse meersen,2006,0,Vallei buiten Sigma,50 -Dodaars,Gentbrugse meersen,2007,0,Vallei buiten Sigma,50 -Dodaars,Gentbrugse meersen,2008,0,Vallei buiten Sigma,50 -Dodaars,Gentbrugse meersen,2009,0,Vallei buiten Sigma,50 -Dodaars,Gentbrugse meersen,2010,0,Vallei buiten Sigma,50 -Dodaars,Gentbrugse meersen,2011,0,Vallei buiten Sigma,50 -Dodaars,Gentbrugse meersen,2012,0,Vallei buiten Sigma,50 -Dodaars,Gentbrugse meersen,2013,0,Vallei buiten Sigma,50 -Dodaars,Gentbrugse meersen,2014,0,Vallei buiten Sigma,50 -Dodaars,Gentbrugse meersen,2015,0,Vallei buiten Sigma,50 -Dodaars,Gentbrugse meersen,2016,0,Vallei buiten Sigma,50 -Dodaars,Gentbrugse meersen,2017,0,Vallei buiten Sigma,50 -Dodaars,Gentbrugse meersen,2018,0,Vallei buiten Sigma,50 -Dodaars,Gentbrugse meersen,2019,0,Vallei buiten Sigma,50 -Dodaars,Gentbrugse meersen,2020,0,Vallei buiten Sigma,50 -Dodaars,Gentbrugse meersen,2021,0,Vallei buiten Sigma,50 -Dodaars,Gentbrugse meersen,2022,0,Vallei buiten Sigma,50 -Dodaars,Gentbrugse meersen,2023,0,Vallei buiten Sigma,50 -Dodaars,Groot Broek,2005,0,Sigma,50 -Dodaars,Groot Broek,2006,0,Sigma,50 -Dodaars,Groot Broek,2007,0,Sigma,50 -Dodaars,Groot Broek,2008,0,Sigma,50 -Dodaars,Groot Broek,2009,0,Sigma,50 -Dodaars,Groot Broek,2010,0,Sigma,50 -Dodaars,Groot Broek,2011,0,Sigma,50 -Dodaars,Groot Broek,2012,0,Sigma,50 -Dodaars,Groot Broek,2013,0,Sigma,50 -Dodaars,Groot Broek,2014,0,Sigma,50 -Dodaars,Groot Broek,2015,0,Sigma,50 -Dodaars,Groot Broek,2016,0,Sigma,50 -Dodaars,Groot Broek,2017,0,Sigma,50 -Dodaars,Groot Broek,2018,0,Sigma,50 -Dodaars,Groot Broek,2019,0,Sigma,50 -Dodaars,Groot Broek,2020,0,Sigma,50 -Dodaars,Groot Broek,2021,2,Sigma,50 -Dodaars,Groot Broek,2022,2,Sigma,50 -Dodaars,Groot Broek,2023,2,Sigma,50 -Dodaars,Groot buitenschoor,2005,0,Estuarium buiten Sigma,50 -Dodaars,Groot buitenschoor,2006,0,Estuarium buiten Sigma,50 -Dodaars,Groot buitenschoor,2007,0,Estuarium buiten Sigma,50 -Dodaars,Groot buitenschoor,2008,0,Estuarium buiten Sigma,50 -Dodaars,Groot buitenschoor,2009,0,Estuarium buiten Sigma,50 -Dodaars,Groot buitenschoor,2010,0,Estuarium buiten Sigma,50 -Dodaars,Groot buitenschoor,2011,0,Estuarium buiten Sigma,50 -Dodaars,Groot buitenschoor,2012,0,Estuarium buiten Sigma,50 -Dodaars,Groot buitenschoor,2013,0,Estuarium buiten Sigma,50 -Dodaars,Groot buitenschoor,2014,0,Estuarium buiten Sigma,50 -Dodaars,Groot buitenschoor,2015,0,Estuarium buiten Sigma,50 -Dodaars,Groot buitenschoor,2016,0,Estuarium buiten Sigma,50 -Dodaars,Groot buitenschoor,2017,0,Estuarium buiten Sigma,50 -Dodaars,Groot buitenschoor,2018,0,Estuarium buiten Sigma,50 -Dodaars,Groot buitenschoor,2019,0,Estuarium buiten Sigma,50 -Dodaars,Groot buitenschoor,2020,0,Estuarium buiten Sigma,50 -Dodaars,Groot buitenschoor,2021,0,Estuarium buiten Sigma,50 -Dodaars,Groot buitenschoor,2022,0,Estuarium buiten Sigma,50 -Dodaars,Groot buitenschoor,2023,0,Estuarium buiten Sigma,50 -Dodaars,Grote Wal,2005,0,Sigma,50 -Dodaars,Grote Wal,2006,0,Sigma,50 -Dodaars,Grote Wal,2007,0,Sigma,50 -Dodaars,Grote Wal,2008,0,Sigma,50 -Dodaars,Grote Wal,2009,0,Sigma,50 -Dodaars,Grote Wal,2010,0,Sigma,50 -Dodaars,Grote Wal,2011,0,Sigma,50 -Dodaars,Grote Wal,2012,0,Sigma,50 -Dodaars,Grote Wal,2013,0,Sigma,50 -Dodaars,Grote Wal,2014,0,Sigma,50 -Dodaars,Grote Wal,2015,0,Sigma,50 -Dodaars,Grote Wal,2016,0,Sigma,50 -Dodaars,Grote Wal,2017,0,Sigma,50 -Dodaars,Grote Wal,2018,0,Sigma,50 -Dodaars,Grote Wal,2019,0,Sigma,50 -Dodaars,Grote Wal,2020,0,Sigma,50 -Dodaars,Grote Wal,2021,0,Sigma,50 -Dodaars,Grote Wal,2022,28,Sigma,50 -Dodaars,Grote Wal,2023,39,Sigma,50 -Dodaars,Grote vijver - deel 1,2005,0,Sigma,50 -Dodaars,Grote vijver - deel 1,2006,0,Sigma,50 -Dodaars,Grote vijver - deel 1,2007,0,Sigma,50 -Dodaars,Grote vijver - deel 1,2008,0,Sigma,50 -Dodaars,Grote vijver - deel 1,2009,0,Sigma,50 -Dodaars,Grote vijver - deel 1,2010,0,Sigma,50 -Dodaars,Grote vijver - deel 1,2011,0,Sigma,50 -Dodaars,Grote vijver - deel 1,2012,0,Sigma,50 -Dodaars,Grote vijver - deel 1,2013,0,Sigma,50 -Dodaars,Grote vijver - deel 1,2014,0,Sigma,50 -Dodaars,Grote vijver - deel 1,2015,0,Sigma,50 -Dodaars,Grote vijver - deel 1,2016,0,Sigma,50 -Dodaars,Grote vijver - deel 1,2017,0,Sigma,50 -Dodaars,Grote vijver - deel 1,2018,0,Sigma,50 -Dodaars,Grote vijver - deel 1,2019,0,Sigma,50 -Dodaars,Grote vijver - deel 1,2020,0,Sigma,50 -Dodaars,Grote vijver - deel 1,2021,0,Sigma,50 -Dodaars,Grote vijver - deel 1,2022,2,Sigma,50 -Dodaars,Grote vijver - deel 1,2023,0,Sigma,50 -Dodaars,Grote vijver - deel 2,2005,0,Sigma,50 -Dodaars,Grote vijver - deel 2,2006,0,Sigma,50 -Dodaars,Grote vijver - deel 2,2007,0,Sigma,50 -Dodaars,Grote vijver - deel 2,2008,0,Sigma,50 -Dodaars,Grote vijver - deel 2,2009,0,Sigma,50 -Dodaars,Grote vijver - deel 2,2010,0,Sigma,50 -Dodaars,Grote vijver - deel 2,2011,0,Sigma,50 -Dodaars,Grote vijver - deel 2,2012,0,Sigma,50 -Dodaars,Grote vijver - deel 2,2013,0,Sigma,50 -Dodaars,Grote vijver - deel 2,2014,0,Sigma,50 -Dodaars,Grote vijver - deel 2,2015,0,Sigma,50 -Dodaars,Grote vijver - deel 2,2016,0,Sigma,50 -Dodaars,Grote vijver - deel 2,2017,0,Sigma,50 -Dodaars,Grote vijver - deel 2,2018,0,Sigma,50 -Dodaars,Grote vijver - deel 2,2019,0,Sigma,50 -Dodaars,Grote vijver - deel 2,2020,0,Sigma,50 -Dodaars,Grote vijver - deel 2,2021,0,Sigma,50 -Dodaars,Grote vijver - deel 2,2022,0,Sigma,50 -Dodaars,Grote vijver - deel 2,2023,0,Sigma,50 -Dodaars,KBR,2005,0,Sigma,50 -Dodaars,KBR,2006,0,Sigma,50 -Dodaars,KBR,2007,0,Sigma,50 -Dodaars,KBR,2008,4,Sigma,50 -Dodaars,KBR,2009,1,Sigma,50 -Dodaars,KBR,2010,3,Sigma,50 -Dodaars,KBR,2011,5,Sigma,50 -Dodaars,KBR,2012,8,Sigma,50 -Dodaars,KBR,2013,11,Sigma,50 -Dodaars,KBR,2014,9,Sigma,50 -Dodaars,KBR,2015,14,Sigma,50 -Dodaars,KBR,2016,18,Sigma,50 -Dodaars,KBR,2017,15,Sigma,50 -Dodaars,KBR,2018,14,Sigma,50 -Dodaars,KBR,2019,11,Sigma,50 -Dodaars,KBR,2020,6,Sigma,50 -Dodaars,KBR,2021,8,Sigma,50 -Dodaars,KBR,2022,13,Sigma,50 -Dodaars,KBR,2023,11,Sigma,50 -Dodaars,Kalkense meersen,2005,0,Sigma,50 -Dodaars,Kalkense meersen,2006,0,Sigma,50 -Dodaars,Kalkense meersen,2007,0,Sigma,50 -Dodaars,Kalkense meersen,2008,0,Sigma,50 -Dodaars,Kalkense meersen,2009,0,Sigma,50 -Dodaars,Kalkense meersen,2010,0,Sigma,50 -Dodaars,Kalkense meersen,2011,0,Sigma,50 -Dodaars,Kalkense meersen,2012,0,Sigma,50 -Dodaars,Kalkense meersen,2013,0,Sigma,50 -Dodaars,Kalkense meersen,2014,0,Sigma,50 -Dodaars,Kalkense meersen,2015,0,Sigma,50 -Dodaars,Kalkense meersen,2016,1,Sigma,50 -Dodaars,Kalkense meersen,2017,1,Sigma,50 -Dodaars,Kalkense meersen,2018,0,Sigma,50 -Dodaars,Kalkense meersen,2019,1,Sigma,50 -Dodaars,Kalkense meersen,2020,1,Sigma,50 -Dodaars,Kalkense meersen,2021,1,Sigma,50 -Dodaars,Kalkense meersen,2022,3,Sigma,50 -Dodaars,Kalkense meersen,2023,3,Sigma,50 -Dodaars,Ketenisse,2005,0,Estuarium buiten Sigma,50 -Dodaars,Ketenisse,2006,0,Estuarium buiten Sigma,50 -Dodaars,Ketenisse,2007,0,Estuarium buiten Sigma,50 -Dodaars,Ketenisse,2008,0,Estuarium buiten Sigma,50 -Dodaars,Ketenisse,2009,0,Estuarium buiten Sigma,50 -Dodaars,Ketenisse,2010,0,Estuarium buiten Sigma,50 -Dodaars,Ketenisse,2011,0,Estuarium buiten Sigma,50 -Dodaars,Ketenisse,2012,0,Estuarium buiten Sigma,50 -Dodaars,Ketenisse,2013,0,Estuarium buiten Sigma,50 -Dodaars,Ketenisse,2014,0,Estuarium buiten Sigma,50 -Dodaars,Ketenisse,2015,0,Estuarium buiten Sigma,50 -Dodaars,Ketenisse,2016,0,Estuarium buiten Sigma,50 -Dodaars,Ketenisse,2017,0,Estuarium buiten Sigma,50 -Dodaars,Ketenisse,2018,0,Estuarium buiten Sigma,50 -Dodaars,Ketenisse,2019,0,Estuarium buiten Sigma,50 -Dodaars,Ketenisse,2020,0,Estuarium buiten Sigma,50 -Dodaars,Ketenisse,2021,0,Estuarium buiten Sigma,50 -Dodaars,Ketenisse,2022,0,Estuarium buiten Sigma,50 -Dodaars,Ketenisse,2023,0,Estuarium buiten Sigma,50 -Dodaars,Klein Broek,2005,0,Sigma,50 -Dodaars,Klein Broek,2006,0,Sigma,50 -Dodaars,Klein Broek,2007,0,Sigma,50 -Dodaars,Klein Broek,2008,0,Sigma,50 -Dodaars,Klein Broek,2009,0,Sigma,50 -Dodaars,Klein Broek,2010,0,Sigma,50 -Dodaars,Klein Broek,2011,0,Sigma,50 -Dodaars,Klein Broek,2012,0,Sigma,50 -Dodaars,Klein Broek,2013,0,Sigma,50 -Dodaars,Klein Broek,2014,0,Sigma,50 -Dodaars,Klein Broek,2015,0,Sigma,50 -Dodaars,Klein Broek,2016,0,Sigma,50 -Dodaars,Klein Broek,2017,0,Sigma,50 -Dodaars,Klein Broek,2018,0,Sigma,50 -Dodaars,Klein Broek,2019,0,Sigma,50 -Dodaars,Klein Broek,2020,0,Sigma,50 -Dodaars,Klein Broek,2021,5,Sigma,50 -Dodaars,Klein Broek,2022,0,Sigma,50 -Dodaars,Klein Broek,2023,1,Sigma,50 -Dodaars,Mechels Broek,2005,0,Vallei buiten Sigma,50 -Dodaars,Mechels Broek,2006,0,Vallei buiten Sigma,50 -Dodaars,Mechels Broek,2007,0,Vallei buiten Sigma,50 -Dodaars,Mechels Broek,2008,0,Vallei buiten Sigma,50 -Dodaars,Mechels Broek,2009,0,Vallei buiten Sigma,50 -Dodaars,Mechels Broek,2010,0,Vallei buiten Sigma,50 -Dodaars,Mechels Broek,2011,0,Vallei buiten Sigma,50 -Dodaars,Mechels Broek,2012,0,Vallei buiten Sigma,50 -Dodaars,Mechels Broek,2013,0,Vallei buiten Sigma,50 -Dodaars,Mechels Broek,2014,0,Vallei buiten Sigma,50 -Dodaars,Mechels Broek,2015,0,Vallei buiten Sigma,50 -Dodaars,Mechels Broek,2016,0,Vallei buiten Sigma,50 -Dodaars,Mechels Broek,2017,0,Vallei buiten Sigma,50 -Dodaars,Mechels Broek,2018,0,Vallei buiten Sigma,50 -Dodaars,Mechels Broek,2019,0,Vallei buiten Sigma,50 -Dodaars,Mechels Broek,2020,0,Vallei buiten Sigma,50 -Dodaars,Mechels Broek,2021,0,Vallei buiten Sigma,50 -Dodaars,Mechels Broek,2022,0,Vallei buiten Sigma,50 -Dodaars,Mechels Broek,2023,0,Vallei buiten Sigma,50 -Dodaars,Molsbroek,2005,0,Vallei buiten Sigma,50 -Dodaars,Molsbroek,2006,0,Vallei buiten Sigma,50 -Dodaars,Molsbroek,2007,0,Vallei buiten Sigma,50 -Dodaars,Molsbroek,2008,0,Vallei buiten Sigma,50 -Dodaars,Molsbroek,2009,0,Vallei buiten Sigma,50 -Dodaars,Molsbroek,2010,0,Vallei buiten Sigma,50 -Dodaars,Molsbroek,2011,0,Vallei buiten Sigma,50 -Dodaars,Molsbroek,2012,0,Vallei buiten Sigma,50 -Dodaars,Molsbroek,2013,0,Vallei buiten Sigma,50 -Dodaars,Molsbroek,2014,0,Vallei buiten Sigma,50 -Dodaars,Molsbroek,2015,0,Vallei buiten Sigma,50 -Dodaars,Molsbroek,2016,0,Vallei buiten Sigma,50 -Dodaars,Molsbroek,2017,0,Vallei buiten Sigma,50 -Dodaars,Molsbroek,2018,0,Vallei buiten Sigma,50 -Dodaars,Molsbroek,2019,0,Vallei buiten Sigma,50 -Dodaars,Molsbroek,2020,0,Vallei buiten Sigma,50 -Dodaars,Molsbroek,2021,8,Vallei buiten Sigma,50 -Dodaars,Molsbroek,2022,8,Vallei buiten Sigma,50 -Dodaars,Molsbroek,2023,8,Vallei buiten Sigma,50 -Dodaars,Noordelijk eiland,2005,0,Vallei buiten Sigma,50 -Dodaars,Noordelijk eiland,2006,0,Vallei buiten Sigma,50 -Dodaars,Noordelijk eiland,2007,0,Vallei buiten Sigma,50 -Dodaars,Noordelijk eiland,2008,0,Vallei buiten Sigma,50 -Dodaars,Noordelijk eiland,2009,0,Vallei buiten Sigma,50 -Dodaars,Noordelijk eiland,2010,0,Vallei buiten Sigma,50 -Dodaars,Noordelijk eiland,2011,0,Vallei buiten Sigma,50 -Dodaars,Noordelijk eiland,2012,0,Vallei buiten Sigma,50 -Dodaars,Noordelijk eiland,2013,0,Vallei buiten Sigma,50 -Dodaars,Noordelijk eiland,2014,0,Vallei buiten Sigma,50 -Dodaars,Noordelijk eiland,2015,0,Vallei buiten Sigma,50 -Dodaars,Noordelijk eiland,2016,0,Vallei buiten Sigma,50 -Dodaars,Noordelijk eiland,2017,0,Vallei buiten Sigma,50 -Dodaars,Noordelijk eiland,2018,0,Vallei buiten Sigma,50 -Dodaars,Noordelijk eiland,2019,0,Vallei buiten Sigma,50 -Dodaars,Noordelijk eiland,2020,0,Vallei buiten Sigma,50 -Dodaars,Noordelijk eiland,2021,0,Vallei buiten Sigma,50 -Dodaars,Noordelijk eiland,2022,0,Vallei buiten Sigma,50 -Dodaars,Noordelijk eiland,2023,0,Vallei buiten Sigma,50 -Dodaars,NoordelijkGebied,2005,0,Sigma_LO,50 -Dodaars,NoordelijkGebied,2006,0,Sigma_LO,50 -Dodaars,NoordelijkGebied,2007,2,Sigma_LO,50 -Dodaars,NoordelijkGebied,2008,7,Sigma_LO,50 -Dodaars,NoordelijkGebied,2009,14,Sigma_LO,50 -Dodaars,NoordelijkGebied,2010,11,Sigma_LO,50 -Dodaars,NoordelijkGebied,2011,4,Sigma_LO,50 -Dodaars,NoordelijkGebied,2012,9,Sigma_LO,50 -Dodaars,NoordelijkGebied,2013,4,Sigma_LO,50 -Dodaars,NoordelijkGebied,2014,11,Sigma_LO,50 -Dodaars,NoordelijkGebied,2015,15,Sigma_LO,50 -Dodaars,NoordelijkGebied,2016,13,Sigma_LO,50 -Dodaars,NoordelijkGebied,2017,9,Sigma_LO,50 -Dodaars,NoordelijkGebied,2018,12,Sigma_LO,50 -Dodaars,NoordelijkGebied,2019,13,Sigma_LO,50 -Dodaars,NoordelijkGebied,2020,17,Sigma_LO,50 -Dodaars,NoordelijkGebied,2021,9,Sigma_LO,50 -Dodaars,NoordelijkGebied,2022,8,Sigma_LO,50 -Dodaars,NoordelijkGebied,2023,0,Sigma_LO,50 -Dodaars,Paardeweide,2005,0,Sigma,50 -Dodaars,Paardeweide,2006,0,Sigma,50 -Dodaars,Paardeweide,2007,0,Sigma,50 -Dodaars,Paardeweide,2008,0,Sigma,50 -Dodaars,Paardeweide,2009,0,Sigma,50 -Dodaars,Paardeweide,2010,0,Sigma,50 -Dodaars,Paardeweide,2011,0,Sigma,50 -Dodaars,Paardeweide,2012,0,Sigma,50 -Dodaars,Paardeweide,2013,0,Sigma,50 -Dodaars,Paardeweide,2014,5,Sigma,50 -Dodaars,Paardeweide,2015,5,Sigma,50 -Dodaars,Paardeweide,2016,5,Sigma,50 -Dodaars,Paardeweide,2017,4,Sigma,50 -Dodaars,Paardeweide,2018,3,Sigma,50 -Dodaars,Paardeweide,2019,3,Sigma,50 -Dodaars,Paardeweide,2020,3,Sigma,50 -Dodaars,Paardeweide,2021,0,Sigma,50 -Dodaars,Paardeweide,2022,0,Sigma,50 -Dodaars,Paardeweide,2023,0,Sigma,50 -Dodaars,Paardeweide oost,2005,0,Sigma,50 -Dodaars,Paardeweide oost,2006,0,Sigma,50 -Dodaars,Paardeweide oost,2007,0,Sigma,50 -Dodaars,Paardeweide oost,2008,0,Sigma,50 -Dodaars,Paardeweide oost,2009,0,Sigma,50 -Dodaars,Paardeweide oost,2010,0,Sigma,50 -Dodaars,Paardeweide oost,2011,0,Sigma,50 -Dodaars,Paardeweide oost,2012,0,Sigma,50 -Dodaars,Paardeweide oost,2013,0,Sigma,50 -Dodaars,Paardeweide oost,2014,0,Sigma,50 -Dodaars,Paardeweide oost,2015,0,Sigma,50 -Dodaars,Paardeweide oost,2016,0,Sigma,50 -Dodaars,Paardeweide oost,2017,0,Sigma,50 -Dodaars,Paardeweide oost,2018,0,Sigma,50 -Dodaars,Paardeweide oost,2019,0,Sigma,50 -Dodaars,Paardeweide oost,2020,0,Sigma,50 -Dodaars,Paardeweide oost,2021,2.5,Sigma,50 -Dodaars,Paardeweide oost,2022,3,Sigma,50 -Dodaars,Paardeweide oost,2023,1,Sigma,50 -Dodaars,Paardeweide west,2005,0,Sigma,50 -Dodaars,Paardeweide west,2006,0,Sigma,50 -Dodaars,Paardeweide west,2007,0,Sigma,50 -Dodaars,Paardeweide west,2008,0,Sigma,50 -Dodaars,Paardeweide west,2009,0,Sigma,50 -Dodaars,Paardeweide west,2010,0,Sigma,50 -Dodaars,Paardeweide west,2011,0,Sigma,50 -Dodaars,Paardeweide west,2012,0,Sigma,50 -Dodaars,Paardeweide west,2013,0,Sigma,50 -Dodaars,Paardeweide west,2014,0,Sigma,50 -Dodaars,Paardeweide west,2015,0,Sigma,50 -Dodaars,Paardeweide west,2016,0,Sigma,50 -Dodaars,Paardeweide west,2017,0,Sigma,50 -Dodaars,Paardeweide west,2018,0,Sigma,50 -Dodaars,Paardeweide west,2019,0,Sigma,50 -Dodaars,Paardeweide west,2020,0,Sigma,50 -Dodaars,Paardeweide west,2021,0,Sigma,50 -Dodaars,Paardeweide west,2022,0,Sigma,50 -Dodaars,Paardeweide west,2023,0,Sigma,50 -Dodaars,Potpolder Lillo,2005,4,Sigma,50 -Dodaars,Potpolder Lillo,2006,2,Sigma,50 -Dodaars,Potpolder Lillo,2007,5,Sigma,50 -Dodaars,Potpolder Lillo,2008,4,Sigma,50 -Dodaars,Potpolder Lillo,2009,4,Sigma,50 -Dodaars,Potpolder Lillo,2010,4,Sigma,50 -Dodaars,Potpolder Lillo,2011,4,Sigma,50 -Dodaars,Potpolder Lillo,2012,4,Sigma,50 -Dodaars,Potpolder Lillo,2013,0,Sigma,50 -Dodaars,Potpolder Lillo,2014,0,Sigma,50 -Dodaars,Potpolder Lillo,2015,0,Sigma,50 -Dodaars,Potpolder Lillo,2016,0,Sigma,50 -Dodaars,Potpolder Lillo,2017,0,Sigma,50 -Dodaars,Potpolder Lillo,2018,0,Sigma,50 -Dodaars,Potpolder Lillo,2019,0,Sigma,50 -Dodaars,Potpolder Lillo,2020,0,Sigma,50 -Dodaars,Potpolder Lillo,2021,0,Sigma,50 -Dodaars,Potpolder Lillo,2022,0,Sigma,50 -Dodaars,Potpolder Lillo,2023,0,Sigma,50 -Dodaars,Prosperpolder-noord,2005,0,Sigma_LO,50 -Dodaars,Prosperpolder-noord,2006,0,Sigma_LO,50 -Dodaars,Prosperpolder-noord,2007,0,Sigma_LO,50 -Dodaars,Prosperpolder-noord,2008,0,Sigma_LO,50 -Dodaars,Prosperpolder-noord,2009,0,Sigma_LO,50 -Dodaars,Prosperpolder-noord,2010,0,Sigma_LO,50 -Dodaars,Prosperpolder-noord,2011,0,Sigma_LO,50 -Dodaars,Prosperpolder-noord,2012,0,Sigma_LO,50 -Dodaars,Prosperpolder-noord,2013,0,Sigma_LO,50 -Dodaars,Prosperpolder-noord,2014,0,Sigma_LO,50 -Dodaars,Prosperpolder-noord,2015,0,Sigma_LO,50 -Dodaars,Prosperpolder-noord,2016,0,Sigma_LO,50 -Dodaars,Prosperpolder-noord,2017,0,Sigma_LO,50 -Dodaars,Prosperpolder-noord,2018,0,Sigma_LO,50 -Dodaars,Prosperpolder-noord,2019,0,Sigma_LO,50 -Dodaars,Prosperpolder-noord,2020,0,Sigma_LO,50 -Dodaars,Prosperpolder-noord,2021,0,Sigma_LO,50 -Dodaars,Prosperpolder-noord,2022,0,Sigma_LO,50 -Dodaars,Prosperpolder-noord,2023,0,Sigma_LO,50 -Dodaars,Prosperpolder-zuid,2005,0,Sigma_LO,50 -Dodaars,Prosperpolder-zuid,2006,0,Sigma_LO,50 -Dodaars,Prosperpolder-zuid,2007,0,Sigma_LO,50 -Dodaars,Prosperpolder-zuid,2008,0,Sigma_LO,50 -Dodaars,Prosperpolder-zuid,2009,0,Sigma_LO,50 -Dodaars,Prosperpolder-zuid,2010,0,Sigma_LO,50 -Dodaars,Prosperpolder-zuid,2011,0,Sigma_LO,50 -Dodaars,Prosperpolder-zuid,2012,0,Sigma_LO,50 -Dodaars,Prosperpolder-zuid,2013,0,Sigma_LO,50 -Dodaars,Prosperpolder-zuid,2014,0,Sigma_LO,50 -Dodaars,Prosperpolder-zuid,2015,0,Sigma_LO,50 -Dodaars,Prosperpolder-zuid,2016,0,Sigma_LO,50 -Dodaars,Prosperpolder-zuid,2017,0,Sigma_LO,50 -Dodaars,Prosperpolder-zuid,2018,0,Sigma_LO,50 -Dodaars,Prosperpolder-zuid,2019,0,Sigma_LO,50 -Dodaars,Prosperpolder-zuid,2020,0,Sigma_LO,50 -Dodaars,Prosperpolder-zuid,2021,0,Sigma_LO,50 -Dodaars,Prosperpolder-zuid,2022,0,Sigma_LO,50 -Dodaars,Prosperpolder-zuid,2023,5,Sigma_LO,50 -Dodaars,Scheldebroeken excl. Paardeweide-oost,2005,0,Vallei buiten Sigma,50 -Dodaars,Scheldebroeken excl. Paardeweide-oost,2006,0,Vallei buiten Sigma,50 -Dodaars,Scheldebroeken excl. Paardeweide-oost,2007,0,Vallei buiten Sigma,50 -Dodaars,Scheldebroeken excl. Paardeweide-oost,2008,0,Vallei buiten Sigma,50 -Dodaars,Scheldebroeken excl. Paardeweide-oost,2009,0,Vallei buiten Sigma,50 -Dodaars,Scheldebroeken excl. Paardeweide-oost,2010,0,Vallei buiten Sigma,50 -Dodaars,Scheldebroeken excl. Paardeweide-oost,2011,0,Vallei buiten Sigma,50 -Dodaars,Scheldebroeken excl. Paardeweide-oost,2012,0,Vallei buiten Sigma,50 -Dodaars,Scheldebroeken excl. Paardeweide-oost,2013,0,Vallei buiten Sigma,50 -Dodaars,Scheldebroeken excl. Paardeweide-oost,2014,0,Vallei buiten Sigma,50 -Dodaars,Scheldebroeken excl. Paardeweide-oost,2015,0,Vallei buiten Sigma,50 -Dodaars,Scheldebroeken excl. Paardeweide-oost,2016,0,Vallei buiten Sigma,50 -Dodaars,Scheldebroeken excl. Paardeweide-oost,2017,0,Vallei buiten Sigma,50 -Dodaars,Scheldebroeken excl. Paardeweide-oost,2018,0,Vallei buiten Sigma,50 -Dodaars,Scheldebroeken excl. Paardeweide-oost,2019,0,Vallei buiten Sigma,50 -Dodaars,Scheldebroeken excl. Paardeweide-oost,2020,0,Vallei buiten Sigma,50 -Dodaars,Scheldebroeken excl. Paardeweide-oost,2021,2.5,Vallei buiten Sigma,50 -Dodaars,Scheldebroeken excl. Paardeweide-oost,2022,3,Vallei buiten Sigma,50 -Dodaars,Scheldebroeken excl. Paardeweide-oost,2023,2.5,Vallei buiten Sigma,50 -Dodaars,Schor Ouden Doel,2005,0,Sigma_LO,50 -Dodaars,Schor Ouden Doel,2006,0,Sigma_LO,50 -Dodaars,Schor Ouden Doel,2007,0,Sigma_LO,50 -Dodaars,Schor Ouden Doel,2008,0,Sigma_LO,50 -Dodaars,Schor Ouden Doel,2009,0,Sigma_LO,50 -Dodaars,Schor Ouden Doel,2010,0,Sigma_LO,50 -Dodaars,Schor Ouden Doel,2011,0,Sigma_LO,50 -Dodaars,Schor Ouden Doel,2012,0,Sigma_LO,50 -Dodaars,Schor Ouden Doel,2013,0,Sigma_LO,50 -Dodaars,Schor Ouden Doel,2014,0,Sigma_LO,50 -Dodaars,Schor Ouden Doel,2015,0,Sigma_LO,50 -Dodaars,Schor Ouden Doel,2016,0,Sigma_LO,50 -Dodaars,Schor Ouden Doel,2017,0,Sigma_LO,50 -Dodaars,Schor Ouden Doel,2018,0,Sigma_LO,50 -Dodaars,Schor Ouden Doel,2019,0,Sigma_LO,50 -Dodaars,Schor Ouden Doel,2020,0,Sigma_LO,50 -Dodaars,Schor Ouden Doel,2021,0,Sigma_LO,50 -Dodaars,Schor Ouden Doel,2022,0,Sigma_LO,50 -Dodaars,Schor Ouden Doel,2023,0,Sigma_LO,50 -Dodaars,Viersels gebroekt,2005,0,Vallei buiten Sigma,50 -Dodaars,Viersels gebroekt,2006,0,Vallei buiten Sigma,50 -Dodaars,Viersels gebroekt,2007,0,Vallei buiten Sigma,50 -Dodaars,Viersels gebroekt,2008,0,Vallei buiten Sigma,50 -Dodaars,Viersels gebroekt,2009,0,Vallei buiten Sigma,50 -Dodaars,Viersels gebroekt,2010,0,Vallei buiten Sigma,50 -Dodaars,Viersels gebroekt,2011,0,Vallei buiten Sigma,50 -Dodaars,Viersels gebroekt,2012,0,Vallei buiten Sigma,50 -Dodaars,Viersels gebroekt,2013,0,Vallei buiten Sigma,50 -Dodaars,Viersels gebroekt,2014,0,Vallei buiten Sigma,50 -Dodaars,Viersels gebroekt,2015,0,Vallei buiten Sigma,50 -Dodaars,Viersels gebroekt,2016,0,Vallei buiten Sigma,50 -Dodaars,Viersels gebroekt,2017,0,Vallei buiten Sigma,50 -Dodaars,Viersels gebroekt,2018,0,Vallei buiten Sigma,50 -Dodaars,Viersels gebroekt,2019,0,Vallei buiten Sigma,50 -Dodaars,Viersels gebroekt,2020,0,Vallei buiten Sigma,50 -Dodaars,Viersels gebroekt,2021,0,Vallei buiten Sigma,50 -Dodaars,Viersels gebroekt,2022,0,Vallei buiten Sigma,50 -Dodaars,Viersels gebroekt,2023,0,Vallei buiten Sigma,50 -Dodaars,Weijmeerbroek,2005,0,Sigma,50 -Dodaars,Weijmeerbroek,2006,0,Sigma,50 -Dodaars,Weijmeerbroek,2007,0,Sigma,50 -Dodaars,Weijmeerbroek,2008,0,Sigma,50 -Dodaars,Weijmeerbroek,2009,0,Sigma,50 -Dodaars,Weijmeerbroek,2010,0,Sigma,50 -Dodaars,Weijmeerbroek,2011,0,Sigma,50 -Dodaars,Weijmeerbroek,2012,0,Sigma,50 -Dodaars,Weijmeerbroek,2013,0,Sigma,50 -Dodaars,Weijmeerbroek,2014,0,Sigma,50 -Dodaars,Weijmeerbroek,2015,0,Sigma,50 -Dodaars,Weijmeerbroek,2016,0,Sigma,50 -Dodaars,Weijmeerbroek,2017,0,Sigma,50 -Dodaars,Weijmeerbroek,2018,0,Sigma,50 -Dodaars,Weijmeerbroek,2019,0,Sigma,50 -Dodaars,Weijmeerbroek,2020,0,Sigma,50 -Dodaars,Weijmeerbroek,2021,3,Sigma,50 -Dodaars,Weijmeerbroek,2022,0,Sigma,50 -Dodaars,Weijmeerbroek,2023,1,Sigma,50 -Dodaars,Wijmeers,2005,0,Sigma,50 -Dodaars,Wijmeers,2006,0,Sigma,50 -Dodaars,Wijmeers,2007,0,Sigma,50 -Dodaars,Wijmeers,2008,0,Sigma,50 -Dodaars,Wijmeers,2009,0,Sigma,50 -Dodaars,Wijmeers,2010,0,Sigma,50 -Dodaars,Wijmeers,2011,0,Sigma,50 -Dodaars,Wijmeers,2012,0,Sigma,50 -Dodaars,Wijmeers,2013,0,Sigma,50 -Dodaars,Wijmeers,2014,0,Sigma,50 -Dodaars,Wijmeers,2015,0,Sigma,50 -Dodaars,Wijmeers,2016,8,Sigma,50 -Dodaars,Wijmeers,2017,2,Sigma,50 -Dodaars,Wijmeers,2018,2,Sigma,50 -Dodaars,Wijmeers,2019,2,Sigma,50 -Dodaars,Wijmeers,2020,2,Sigma,50 -Dodaars,Wijmeers,2021,0,Sigma,50 -Dodaars,Wijmeers,2022,0,Sigma,50 -Dodaars,Wijmeers,2023,0,Sigma,50 -Dodaars,Wijmeers-noord,2005,0,Sigma,50 -Dodaars,Wijmeers-noord,2006,0,Sigma,50 -Dodaars,Wijmeers-noord,2007,0,Sigma,50 -Dodaars,Wijmeers-noord,2008,0,Sigma,50 -Dodaars,Wijmeers-noord,2009,0,Sigma,50 -Dodaars,Wijmeers-noord,2010,0,Sigma,50 -Dodaars,Wijmeers-noord,2011,0,Sigma,50 -Dodaars,Wijmeers-noord,2012,0,Sigma,50 -Dodaars,Wijmeers-noord,2013,0,Sigma,50 -Dodaars,Wijmeers-noord,2014,0,Sigma,50 -Dodaars,Wijmeers-noord,2015,0,Sigma,50 -Dodaars,Wijmeers-noord,2016,0,Sigma,50 -Dodaars,Wijmeers-noord,2017,0,Sigma,50 -Dodaars,Wijmeers-noord,2018,0,Sigma,50 -Dodaars,Wijmeers-noord,2019,0,Sigma,50 -Dodaars,Wijmeers-noord,2020,0,Sigma,50 -Dodaars,Wijmeers-noord,2021,1,Sigma,50 -Dodaars,Wijmeers-noord,2022,1,Sigma,50 -Dodaars,Wijmeers-noord,2023,1,Sigma,50 -Dodaars,Wijmeers-zuid,2005,0,Sigma,50 -Dodaars,Wijmeers-zuid,2006,0,Sigma,50 -Dodaars,Wijmeers-zuid,2007,0,Sigma,50 -Dodaars,Wijmeers-zuid,2008,0,Sigma,50 -Dodaars,Wijmeers-zuid,2009,0,Sigma,50 -Dodaars,Wijmeers-zuid,2010,0,Sigma,50 -Dodaars,Wijmeers-zuid,2011,0,Sigma,50 -Dodaars,Wijmeers-zuid,2012,0,Sigma,50 -Dodaars,Wijmeers-zuid,2013,0,Sigma,50 -Dodaars,Wijmeers-zuid,2014,0,Sigma,50 -Dodaars,Wijmeers-zuid,2015,0,Sigma,50 -Dodaars,Wijmeers-zuid,2016,0,Sigma,50 -Dodaars,Wijmeers-zuid,2017,0,Sigma,50 -Dodaars,Wijmeers-zuid,2018,0,Sigma,50 -Dodaars,Wijmeers-zuid,2019,0,Sigma,50 -Dodaars,Wijmeers-zuid,2020,0,Sigma,50 -Dodaars,Wijmeers-zuid,2021,0,Sigma,50 -Dodaars,Wijmeers-zuid,2022,0,Sigma,50 -Dodaars,Wijmeers-zuid,2023,0,Sigma,50 -Dodaars,Zennegat,2005,1,Sigma,50 -Dodaars,Zennegat,2006,1,Sigma,50 -Dodaars,Zennegat,2007,1,Sigma,50 -Dodaars,Zennegat,2008,1,Sigma,50 -Dodaars,Zennegat,2009,1,Sigma,50 -Dodaars,Zennegat,2010,1,Sigma,50 -Dodaars,Zennegat,2011,1,Sigma,50 -Dodaars,Zennegat,2012,1,Sigma,50 -Dodaars,Zennegat,2013,1,Sigma,50 -Dodaars,Zennegat,2014,1,Sigma,50 -Dodaars,Zennegat,2015,1,Sigma,50 -Dodaars,Zennegat,2016,1,Sigma,50 -Dodaars,Zennegat,2017,4,Sigma,50 -Dodaars,Zennegat,2018,6,Sigma,50 -Dodaars,Zennegat,2019,6,Sigma,50 -Dodaars,Zennegat,2020,5,Sigma,50 -Dodaars,Zennegat,2021,4,Sigma,50 -Dodaars,Zennegat,2022,2,Sigma,50 -Dodaars,Zennegat,2023,1,Sigma,50 -Dodaars,Zuidelijk eiland,2005,0,Vallei buiten Sigma,50 -Dodaars,Zuidelijk eiland,2006,0,Vallei buiten Sigma,50 -Dodaars,Zuidelijk eiland,2007,0,Vallei buiten Sigma,50 -Dodaars,Zuidelijk eiland,2008,0,Vallei buiten Sigma,50 -Dodaars,Zuidelijk eiland,2009,0,Vallei buiten Sigma,50 -Dodaars,Zuidelijk eiland,2010,0,Vallei buiten Sigma,50 -Dodaars,Zuidelijk eiland,2011,0,Vallei buiten Sigma,50 -Dodaars,Zuidelijk eiland,2012,0,Vallei buiten Sigma,50 -Dodaars,Zuidelijk eiland,2013,0,Vallei buiten Sigma,50 -Dodaars,Zuidelijk eiland,2014,0,Vallei buiten Sigma,50 -Dodaars,Zuidelijk eiland,2015,0,Vallei buiten Sigma,50 -Dodaars,Zuidelijk eiland,2016,0,Vallei buiten Sigma,50 -Dodaars,Zuidelijk eiland,2017,0,Vallei buiten Sigma,50 -Dodaars,Zuidelijk eiland,2018,0,Vallei buiten Sigma,50 -Dodaars,Zuidelijk eiland,2019,0,Vallei buiten Sigma,50 -Dodaars,Zuidelijk eiland,2020,0,Vallei buiten Sigma,50 -Dodaars,Zuidelijk eiland,2021,0,Vallei buiten Sigma,50 -Dodaars,Zuidelijk eiland,2022,0,Vallei buiten Sigma,50 -Dodaars,Zuidelijk eiland,2023,0,Vallei buiten Sigma,50 -Rietzanger,Beneden Nete,2005,0,Sigma,170 -Rietzanger,Beneden Nete,2006,0,Sigma,170 -Rietzanger,Beneden Nete,2007,0,Sigma,170 -Rietzanger,Beneden Nete,2008,0,Sigma,170 -Rietzanger,Beneden Nete,2009,0,Sigma,170 -Rietzanger,Beneden Nete,2010,0,Sigma,170 -Rietzanger,Beneden Nete,2011,0,Sigma,170 -Rietzanger,Beneden Nete,2012,0,Sigma,170 -Rietzanger,Beneden Nete,2013,0,Sigma,170 -Rietzanger,Beneden Nete,2014,0,Sigma,170 -Rietzanger,Beneden Nete,2015,0,Sigma,170 -Rietzanger,Beneden Nete,2016,0,Sigma,170 -Rietzanger,Beneden Nete,2017,0,Sigma,170 -Rietzanger,Beneden Nete,2018,0,Sigma,170 -Rietzanger,Beneden Nete,2019,0,Sigma,170 -Rietzanger,Beneden Nete,2020,0,Sigma,170 -Rietzanger,Beneden Nete,2021,0,Sigma,170 -Rietzanger,Beneden Nete,2022,5,Sigma,170 -Rietzanger,Beneden Nete,2023,11,Sigma,170 -Rietzanger,Bergenmeersen,2005,0,Sigma,170 -Rietzanger,Bergenmeersen,2006,0,Sigma,170 -Rietzanger,Bergenmeersen,2007,0,Sigma,170 -Rietzanger,Bergenmeersen,2008,0,Sigma,170 -Rietzanger,Bergenmeersen,2009,0,Sigma,170 -Rietzanger,Bergenmeersen,2010,0,Sigma,170 -Rietzanger,Bergenmeersen,2011,0,Sigma,170 -Rietzanger,Bergenmeersen,2012,0,Sigma,170 -Rietzanger,Bergenmeersen,2013,0,Sigma,170 -Rietzanger,Bergenmeersen,2014,0,Sigma,170 -Rietzanger,Bergenmeersen,2015,2,Sigma,170 -Rietzanger,Bergenmeersen,2016,5,Sigma,170 -Rietzanger,Bergenmeersen,2017,4,Sigma,170 -Rietzanger,Bergenmeersen,2018,3,Sigma,170 -Rietzanger,Bergenmeersen,2019,8,Sigma,170 -Rietzanger,Bergenmeersen,2020,12,Sigma,170 -Rietzanger,Bergenmeersen,2021,10,Sigma,170 -Rietzanger,Bergenmeersen,2022,7,Sigma,170 -Rietzanger,Bergenmeersen,2023,7,Sigma,170 -Rietzanger,Blokkersdijk,2005,5,BD,170 -Rietzanger,Blokkersdijk,2006,2,BD,170 -Rietzanger,Blokkersdijk,2007,6,BD,170 -Rietzanger,Blokkersdijk,2008,6,BD,170 -Rietzanger,Blokkersdijk,2009,5,BD,170 -Rietzanger,Blokkersdijk,2010,9,BD,170 -Rietzanger,Blokkersdijk,2011,8,BD,170 -Rietzanger,Blokkersdijk,2012,5,BD,170 -Rietzanger,Blokkersdijk,2013,5,BD,170 -Rietzanger,Blokkersdijk,2014,11,BD,170 -Rietzanger,Blokkersdijk,2015,7,BD,170 -Rietzanger,Blokkersdijk,2016,9,BD,170 -Rietzanger,Blokkersdijk,2017,12,BD,170 -Rietzanger,Blokkersdijk,2018,8,BD,170 -Rietzanger,Blokkersdijk,2019,10,BD,170 -Rietzanger,Blokkersdijk,2020,14,BD,170 -Rietzanger,Blokkersdijk,2021,15,BD,170 -Rietzanger,Blokkersdijk,2022,16,BD,170 -Rietzanger,Blokkersdijk,2023,20,BD,170 -Rietzanger,Burchtse Weel,2005,0,Sigma,170 -Rietzanger,Burchtse Weel,2006,0,Sigma,170 -Rietzanger,Burchtse Weel,2007,0,Sigma,170 -Rietzanger,Burchtse Weel,2008,0,Sigma,170 -Rietzanger,Burchtse Weel,2009,0,Sigma,170 -Rietzanger,Burchtse Weel,2010,0,Sigma,170 -Rietzanger,Burchtse Weel,2011,0,Sigma,170 -Rietzanger,Burchtse Weel,2012,0,Sigma,170 -Rietzanger,Burchtse Weel,2013,0,Sigma,170 -Rietzanger,Burchtse Weel,2014,0,Sigma,170 -Rietzanger,Burchtse Weel,2015,0,Sigma,170 -Rietzanger,Burchtse Weel,2016,0,Sigma,170 -Rietzanger,Burchtse Weel,2017,0,Sigma,170 -Rietzanger,Burchtse Weel,2018,0,Sigma,170 -Rietzanger,Burchtse Weel,2019,0,Sigma,170 -Rietzanger,Burchtse Weel,2020,0,Sigma,170 -Rietzanger,Burchtse Weel,2021,0,Sigma,170 -Rietzanger,Burchtse Weel,2022,2,Sigma,170 -Rietzanger,Burchtse Weel,2023,0,Sigma,170 -Rietzanger,Doelpolder-noord,2005,0,Sigma_LO,170 -Rietzanger,Doelpolder-noord,2006,0,Sigma_LO,170 -Rietzanger,Doelpolder-noord,2007,0,Sigma_LO,170 -Rietzanger,Doelpolder-noord,2008,0,Sigma_LO,170 -Rietzanger,Doelpolder-noord,2009,0,Sigma_LO,170 -Rietzanger,Doelpolder-noord,2010,0,Sigma_LO,170 -Rietzanger,Doelpolder-noord,2011,0,Sigma_LO,170 -Rietzanger,Doelpolder-noord,2012,0,Sigma_LO,170 -Rietzanger,Doelpolder-noord,2013,0,Sigma_LO,170 -Rietzanger,Doelpolder-noord,2014,0,Sigma_LO,170 -Rietzanger,Doelpolder-noord,2015,0,Sigma_LO,170 -Rietzanger,Doelpolder-noord,2016,0,Sigma_LO,170 -Rietzanger,Doelpolder-noord,2017,0,Sigma_LO,170 -Rietzanger,Doelpolder-noord,2018,0,Sigma_LO,170 -Rietzanger,Doelpolder-noord,2019,0,Sigma_LO,170 -Rietzanger,Doelpolder-noord,2020,0,Sigma_LO,170 -Rietzanger,Doelpolder-noord,2021,0,Sigma_LO,170 -Rietzanger,Doelpolder-noord,2022,0,Sigma_LO,170 -Rietzanger,Doelpolder-noord,2023,4,Sigma_LO,170 -Rietzanger,Donkmeer,2005,0,Vallei buiten Sigma,170 -Rietzanger,Donkmeer,2006,0,Vallei buiten Sigma,170 -Rietzanger,Donkmeer,2007,0,Vallei buiten Sigma,170 -Rietzanger,Donkmeer,2008,0,Vallei buiten Sigma,170 -Rietzanger,Donkmeer,2009,0,Vallei buiten Sigma,170 -Rietzanger,Donkmeer,2010,0,Vallei buiten Sigma,170 -Rietzanger,Donkmeer,2011,0,Vallei buiten Sigma,170 -Rietzanger,Donkmeer,2012,0,Vallei buiten Sigma,170 -Rietzanger,Donkmeer,2013,0,Vallei buiten Sigma,170 -Rietzanger,Donkmeer,2014,0,Vallei buiten Sigma,170 -Rietzanger,Donkmeer,2015,0,Vallei buiten Sigma,170 -Rietzanger,Donkmeer,2016,0,Vallei buiten Sigma,170 -Rietzanger,Donkmeer,2017,0,Vallei buiten Sigma,170 -Rietzanger,Donkmeer,2018,0,Vallei buiten Sigma,170 -Rietzanger,Donkmeer,2019,0,Vallei buiten Sigma,170 -Rietzanger,Donkmeer,2020,0,Vallei buiten Sigma,170 -Rietzanger,Donkmeer,2021,2,Vallei buiten Sigma,170 -Rietzanger,Donkmeer,2022,2,Vallei buiten Sigma,170 -Rietzanger,Donkmeer,2023,2,Vallei buiten Sigma,170 -Rietzanger,Durmemeersen,2005,0,Vallei buiten Sigma,170 -Rietzanger,Durmemeersen,2006,0,Vallei buiten Sigma,170 -Rietzanger,Durmemeersen,2007,0,Vallei buiten Sigma,170 -Rietzanger,Durmemeersen,2008,0,Vallei buiten Sigma,170 -Rietzanger,Durmemeersen,2009,0,Vallei buiten Sigma,170 -Rietzanger,Durmemeersen,2010,0,Vallei buiten Sigma,170 -Rietzanger,Durmemeersen,2011,0,Vallei buiten Sigma,170 -Rietzanger,Durmemeersen,2012,0,Vallei buiten Sigma,170 -Rietzanger,Durmemeersen,2013,0,Vallei buiten Sigma,170 -Rietzanger,Durmemeersen,2014,0,Vallei buiten Sigma,170 -Rietzanger,Durmemeersen,2015,0,Vallei buiten Sigma,170 -Rietzanger,Durmemeersen,2016,0,Vallei buiten Sigma,170 -Rietzanger,Durmemeersen,2017,0,Vallei buiten Sigma,170 -Rietzanger,Durmemeersen,2018,0,Vallei buiten Sigma,170 -Rietzanger,Durmemeersen,2019,0,Vallei buiten Sigma,170 -Rietzanger,Durmemeersen,2020,0,Vallei buiten Sigma,170 -Rietzanger,Durmemeersen,2021,3.5,Vallei buiten Sigma,170 -Rietzanger,Durmemeersen,2022,3.5,Vallei buiten Sigma,170 -Rietzanger,Durmemeersen,2023,3.5,Vallei buiten Sigma,170 -Rietzanger,Gebieden vzwDurme,2005,0,Vallei buiten Sigma,170 -Rietzanger,Gebieden vzwDurme,2006,0,Vallei buiten Sigma,170 -Rietzanger,Gebieden vzwDurme,2007,0,Vallei buiten Sigma,170 -Rietzanger,Gebieden vzwDurme,2008,0,Vallei buiten Sigma,170 -Rietzanger,Gebieden vzwDurme,2009,0,Vallei buiten Sigma,170 -Rietzanger,Gebieden vzwDurme,2010,0,Vallei buiten Sigma,170 -Rietzanger,Gebieden vzwDurme,2011,0,Vallei buiten Sigma,170 -Rietzanger,Gebieden vzwDurme,2012,0,Vallei buiten Sigma,170 -Rietzanger,Gebieden vzwDurme,2013,0,Vallei buiten Sigma,170 -Rietzanger,Gebieden vzwDurme,2014,0,Vallei buiten Sigma,170 -Rietzanger,Gebieden vzwDurme,2015,0,Vallei buiten Sigma,170 -Rietzanger,Gebieden vzwDurme,2016,0,Vallei buiten Sigma,170 -Rietzanger,Gebieden vzwDurme,2017,0,Vallei buiten Sigma,170 -Rietzanger,Gebieden vzwDurme,2018,0,Vallei buiten Sigma,170 -Rietzanger,Gebieden vzwDurme,2019,0,Vallei buiten Sigma,170 -Rietzanger,Gebieden vzwDurme,2020,0,Vallei buiten Sigma,170 -Rietzanger,Gebieden vzwDurme,2021,0,Vallei buiten Sigma,170 -Rietzanger,Gebieden vzwDurme,2022,0,Vallei buiten Sigma,170 -Rietzanger,Gebieden vzwDurme,2023,0,Vallei buiten Sigma,170 -Rietzanger,Gentbrugse meersen,2005,0,Vallei buiten Sigma,170 -Rietzanger,Gentbrugse meersen,2006,0,Vallei buiten Sigma,170 -Rietzanger,Gentbrugse meersen,2007,0,Vallei buiten Sigma,170 -Rietzanger,Gentbrugse meersen,2008,0,Vallei buiten Sigma,170 -Rietzanger,Gentbrugse meersen,2009,0,Vallei buiten Sigma,170 -Rietzanger,Gentbrugse meersen,2010,0,Vallei buiten Sigma,170 -Rietzanger,Gentbrugse meersen,2011,0,Vallei buiten Sigma,170 -Rietzanger,Gentbrugse meersen,2012,0,Vallei buiten Sigma,170 -Rietzanger,Gentbrugse meersen,2013,0,Vallei buiten Sigma,170 -Rietzanger,Gentbrugse meersen,2014,0,Vallei buiten Sigma,170 -Rietzanger,Gentbrugse meersen,2015,0,Vallei buiten Sigma,170 -Rietzanger,Gentbrugse meersen,2016,0,Vallei buiten Sigma,170 -Rietzanger,Gentbrugse meersen,2017,0,Vallei buiten Sigma,170 -Rietzanger,Gentbrugse meersen,2018,0,Vallei buiten Sigma,170 -Rietzanger,Gentbrugse meersen,2019,0,Vallei buiten Sigma,170 -Rietzanger,Gentbrugse meersen,2020,0,Vallei buiten Sigma,170 -Rietzanger,Gentbrugse meersen,2021,0,Vallei buiten Sigma,170 -Rietzanger,Gentbrugse meersen,2022,0,Vallei buiten Sigma,170 -Rietzanger,Gentbrugse meersen,2023,0,Vallei buiten Sigma,170 -Rietzanger,Groot Broek,2005,0,Sigma,170 -Rietzanger,Groot Broek,2006,0,Sigma,170 -Rietzanger,Groot Broek,2007,0,Sigma,170 -Rietzanger,Groot Broek,2008,0,Sigma,170 -Rietzanger,Groot Broek,2009,0,Sigma,170 -Rietzanger,Groot Broek,2010,0,Sigma,170 -Rietzanger,Groot Broek,2011,0,Sigma,170 -Rietzanger,Groot Broek,2012,0,Sigma,170 -Rietzanger,Groot Broek,2013,0,Sigma,170 -Rietzanger,Groot Broek,2014,0,Sigma,170 -Rietzanger,Groot Broek,2015,0,Sigma,170 -Rietzanger,Groot Broek,2016,0,Sigma,170 -Rietzanger,Groot Broek,2017,0,Sigma,170 -Rietzanger,Groot Broek,2018,0,Sigma,170 -Rietzanger,Groot Broek,2019,0,Sigma,170 -Rietzanger,Groot Broek,2020,0,Sigma,170 -Rietzanger,Groot Broek,2021,1,Sigma,170 -Rietzanger,Groot Broek,2022,2,Sigma,170 -Rietzanger,Groot Broek,2023,2,Sigma,170 -Rietzanger,Groot buitenschoor,2005,0,Estuarium buiten Sigma,170 -Rietzanger,Groot buitenschoor,2006,0,Estuarium buiten Sigma,170 -Rietzanger,Groot buitenschoor,2007,0,Estuarium buiten Sigma,170 -Rietzanger,Groot buitenschoor,2008,0,Estuarium buiten Sigma,170 -Rietzanger,Groot buitenschoor,2009,0,Estuarium buiten Sigma,170 -Rietzanger,Groot buitenschoor,2010,0,Estuarium buiten Sigma,170 -Rietzanger,Groot buitenschoor,2011,0,Estuarium buiten Sigma,170 -Rietzanger,Groot buitenschoor,2012,0,Estuarium buiten Sigma,170 -Rietzanger,Groot buitenschoor,2013,0,Estuarium buiten Sigma,170 -Rietzanger,Groot buitenschoor,2014,0,Estuarium buiten Sigma,170 -Rietzanger,Groot buitenschoor,2015,0,Estuarium buiten Sigma,170 -Rietzanger,Groot buitenschoor,2016,0,Estuarium buiten Sigma,170 -Rietzanger,Groot buitenschoor,2017,0,Estuarium buiten Sigma,170 -Rietzanger,Groot buitenschoor,2018,0,Estuarium buiten Sigma,170 -Rietzanger,Groot buitenschoor,2019,0,Estuarium buiten Sigma,170 -Rietzanger,Groot buitenschoor,2020,0,Estuarium buiten Sigma,170 -Rietzanger,Groot buitenschoor,2021,0,Estuarium buiten Sigma,170 -Rietzanger,Groot buitenschoor,2022,0,Estuarium buiten Sigma,170 -Rietzanger,Groot buitenschoor,2023,0,Estuarium buiten Sigma,170 -Rietzanger,Grote Wal,2005,0,Sigma,170 -Rietzanger,Grote Wal,2006,0,Sigma,170 -Rietzanger,Grote Wal,2007,0,Sigma,170 -Rietzanger,Grote Wal,2008,0,Sigma,170 -Rietzanger,Grote Wal,2009,0,Sigma,170 -Rietzanger,Grote Wal,2010,0,Sigma,170 -Rietzanger,Grote Wal,2011,0,Sigma,170 -Rietzanger,Grote Wal,2012,0,Sigma,170 -Rietzanger,Grote Wal,2013,0,Sigma,170 -Rietzanger,Grote Wal,2014,0,Sigma,170 -Rietzanger,Grote Wal,2015,0,Sigma,170 -Rietzanger,Grote Wal,2016,0,Sigma,170 -Rietzanger,Grote Wal,2017,0,Sigma,170 -Rietzanger,Grote Wal,2018,0,Sigma,170 -Rietzanger,Grote Wal,2019,0,Sigma,170 -Rietzanger,Grote Wal,2020,0,Sigma,170 -Rietzanger,Grote Wal,2021,0,Sigma,170 -Rietzanger,Grote Wal,2022,5,Sigma,170 -Rietzanger,Grote Wal,2023,13,Sigma,170 -Rietzanger,Grote vijver - deel 1,2005,0,Sigma,170 -Rietzanger,Grote vijver - deel 1,2006,0,Sigma,170 -Rietzanger,Grote vijver - deel 1,2007,0,Sigma,170 -Rietzanger,Grote vijver - deel 1,2008,0,Sigma,170 -Rietzanger,Grote vijver - deel 1,2009,0,Sigma,170 -Rietzanger,Grote vijver - deel 1,2010,0,Sigma,170 -Rietzanger,Grote vijver - deel 1,2011,0,Sigma,170 -Rietzanger,Grote vijver - deel 1,2012,0,Sigma,170 -Rietzanger,Grote vijver - deel 1,2013,0,Sigma,170 -Rietzanger,Grote vijver - deel 1,2014,0,Sigma,170 -Rietzanger,Grote vijver - deel 1,2015,0,Sigma,170 -Rietzanger,Grote vijver - deel 1,2016,0,Sigma,170 -Rietzanger,Grote vijver - deel 1,2017,0,Sigma,170 -Rietzanger,Grote vijver - deel 1,2018,0,Sigma,170 -Rietzanger,Grote vijver - deel 1,2019,0,Sigma,170 -Rietzanger,Grote vijver - deel 1,2020,0,Sigma,170 -Rietzanger,Grote vijver - deel 1,2021,0,Sigma,170 -Rietzanger,Grote vijver - deel 1,2022,1,Sigma,170 -Rietzanger,Grote vijver - deel 1,2023,0,Sigma,170 -Rietzanger,Grote vijver - deel 2,2005,0,Sigma,170 -Rietzanger,Grote vijver - deel 2,2006,0,Sigma,170 -Rietzanger,Grote vijver - deel 2,2007,0,Sigma,170 -Rietzanger,Grote vijver - deel 2,2008,0,Sigma,170 -Rietzanger,Grote vijver - deel 2,2009,0,Sigma,170 -Rietzanger,Grote vijver - deel 2,2010,0,Sigma,170 -Rietzanger,Grote vijver - deel 2,2011,0,Sigma,170 -Rietzanger,Grote vijver - deel 2,2012,0,Sigma,170 -Rietzanger,Grote vijver - deel 2,2013,0,Sigma,170 -Rietzanger,Grote vijver - deel 2,2014,0,Sigma,170 -Rietzanger,Grote vijver - deel 2,2015,0,Sigma,170 -Rietzanger,Grote vijver - deel 2,2016,0,Sigma,170 -Rietzanger,Grote vijver - deel 2,2017,0,Sigma,170 -Rietzanger,Grote vijver - deel 2,2018,0,Sigma,170 -Rietzanger,Grote vijver - deel 2,2019,0,Sigma,170 -Rietzanger,Grote vijver - deel 2,2020,0,Sigma,170 -Rietzanger,Grote vijver - deel 2,2021,0,Sigma,170 -Rietzanger,Grote vijver - deel 2,2022,0,Sigma,170 -Rietzanger,Grote vijver - deel 2,2023,0,Sigma,170 -Rietzanger,KBR,2005,1,Sigma,170 -Rietzanger,KBR,2006,1,Sigma,170 -Rietzanger,KBR,2007,1,Sigma,170 -Rietzanger,KBR,2008,2,Sigma,170 -Rietzanger,KBR,2009,6,Sigma,170 -Rietzanger,KBR,2010,14,Sigma,170 -Rietzanger,KBR,2011,12,Sigma,170 -Rietzanger,KBR,2012,23,Sigma,170 -Rietzanger,KBR,2013,25,Sigma,170 -Rietzanger,KBR,2014,29,Sigma,170 -Rietzanger,KBR,2015,37,Sigma,170 -Rietzanger,KBR,2016,57,Sigma,170 -Rietzanger,KBR,2017,82,Sigma,170 -Rietzanger,KBR,2018,54,Sigma,170 -Rietzanger,KBR,2019,66,Sigma,170 -Rietzanger,KBR,2020,66,Sigma,170 -Rietzanger,KBR,2021,79,Sigma,170 -Rietzanger,KBR,2022,80,Sigma,170 -Rietzanger,KBR,2023,118,Sigma,170 -Rietzanger,Kalkense meersen,2005,17,Sigma,170 -Rietzanger,Kalkense meersen,2006,17,Sigma,170 -Rietzanger,Kalkense meersen,2007,17,Sigma,170 -Rietzanger,Kalkense meersen,2008,17,Sigma,170 -Rietzanger,Kalkense meersen,2009,17,Sigma,170 -Rietzanger,Kalkense meersen,2010,17,Sigma,170 -Rietzanger,Kalkense meersen,2011,17,Sigma,170 -Rietzanger,Kalkense meersen,2012,17,Sigma,170 -Rietzanger,Kalkense meersen,2013,13,Sigma,170 -Rietzanger,Kalkense meersen,2014,25,Sigma,170 -Rietzanger,Kalkense meersen,2015,25,Sigma,170 -Rietzanger,Kalkense meersen,2016,32,Sigma,170 -Rietzanger,Kalkense meersen,2017,43,Sigma,170 -Rietzanger,Kalkense meersen,2018,43,Sigma,170 -Rietzanger,Kalkense meersen,2019,43,Sigma,170 -Rietzanger,Kalkense meersen,2020,43,Sigma,170 -Rietzanger,Kalkense meersen,2021,73,Sigma,170 -Rietzanger,Kalkense meersen,2022,82,Sigma,170 -Rietzanger,Kalkense meersen,2023,82,Sigma,170 -Rietzanger,Ketenisse,2005,1,Estuarium buiten Sigma,170 -Rietzanger,Ketenisse,2006,1,Estuarium buiten Sigma,170 -Rietzanger,Ketenisse,2007,0,Estuarium buiten Sigma,170 -Rietzanger,Ketenisse,2008,0,Estuarium buiten Sigma,170 -Rietzanger,Ketenisse,2009,0,Estuarium buiten Sigma,170 -Rietzanger,Ketenisse,2010,0,Estuarium buiten Sigma,170 -Rietzanger,Ketenisse,2011,4,Estuarium buiten Sigma,170 -Rietzanger,Ketenisse,2012,2,Estuarium buiten Sigma,170 -Rietzanger,Ketenisse,2013,0,Estuarium buiten Sigma,170 -Rietzanger,Ketenisse,2014,3,Estuarium buiten Sigma,170 -Rietzanger,Ketenisse,2015,0,Estuarium buiten Sigma,170 -Rietzanger,Ketenisse,2016,1,Estuarium buiten Sigma,170 -Rietzanger,Ketenisse,2017,1,Estuarium buiten Sigma,170 -Rietzanger,Ketenisse,2018,2,Estuarium buiten Sigma,170 -Rietzanger,Ketenisse,2019,0,Estuarium buiten Sigma,170 -Rietzanger,Ketenisse,2020,0,Estuarium buiten Sigma,170 -Rietzanger,Ketenisse,2021,1,Estuarium buiten Sigma,170 -Rietzanger,Ketenisse,2022,2,Estuarium buiten Sigma,170 -Rietzanger,Ketenisse,2023,0,Estuarium buiten Sigma,170 -Rietzanger,Klein Broek,2005,0,Sigma,170 -Rietzanger,Klein Broek,2006,0,Sigma,170 -Rietzanger,Klein Broek,2007,0,Sigma,170 -Rietzanger,Klein Broek,2008,0,Sigma,170 -Rietzanger,Klein Broek,2009,0,Sigma,170 -Rietzanger,Klein Broek,2010,0,Sigma,170 -Rietzanger,Klein Broek,2011,0,Sigma,170 -Rietzanger,Klein Broek,2012,0,Sigma,170 -Rietzanger,Klein Broek,2013,0,Sigma,170 -Rietzanger,Klein Broek,2014,0,Sigma,170 -Rietzanger,Klein Broek,2015,0,Sigma,170 -Rietzanger,Klein Broek,2016,0,Sigma,170 -Rietzanger,Klein Broek,2017,0,Sigma,170 -Rietzanger,Klein Broek,2018,0,Sigma,170 -Rietzanger,Klein Broek,2019,0,Sigma,170 -Rietzanger,Klein Broek,2020,0,Sigma,170 -Rietzanger,Klein Broek,2021,1,Sigma,170 -Rietzanger,Klein Broek,2022,1,Sigma,170 -Rietzanger,Klein Broek,2023,1,Sigma,170 -Rietzanger,Mechels Broek,2005,0,Vallei buiten Sigma,170 -Rietzanger,Mechels Broek,2006,0,Vallei buiten Sigma,170 -Rietzanger,Mechels Broek,2007,0,Vallei buiten Sigma,170 -Rietzanger,Mechels Broek,2008,0,Vallei buiten Sigma,170 -Rietzanger,Mechels Broek,2009,0,Vallei buiten Sigma,170 -Rietzanger,Mechels Broek,2010,0,Vallei buiten Sigma,170 -Rietzanger,Mechels Broek,2011,0,Vallei buiten Sigma,170 -Rietzanger,Mechels Broek,2012,0,Vallei buiten Sigma,170 -Rietzanger,Mechels Broek,2013,0,Vallei buiten Sigma,170 -Rietzanger,Mechels Broek,2014,0,Vallei buiten Sigma,170 -Rietzanger,Mechels Broek,2015,0,Vallei buiten Sigma,170 -Rietzanger,Mechels Broek,2016,0,Vallei buiten Sigma,170 -Rietzanger,Mechels Broek,2017,0,Vallei buiten Sigma,170 -Rietzanger,Mechels Broek,2018,0,Vallei buiten Sigma,170 -Rietzanger,Mechels Broek,2019,0,Vallei buiten Sigma,170 -Rietzanger,Mechels Broek,2020,0,Vallei buiten Sigma,170 -Rietzanger,Mechels Broek,2021,0,Vallei buiten Sigma,170 -Rietzanger,Mechels Broek,2022,0,Vallei buiten Sigma,170 -Rietzanger,Mechels Broek,2023,0,Vallei buiten Sigma,170 -Rietzanger,Molsbroek,2005,0,Vallei buiten Sigma,170 -Rietzanger,Molsbroek,2006,0,Vallei buiten Sigma,170 -Rietzanger,Molsbroek,2007,0,Vallei buiten Sigma,170 -Rietzanger,Molsbroek,2008,0,Vallei buiten Sigma,170 -Rietzanger,Molsbroek,2009,0,Vallei buiten Sigma,170 -Rietzanger,Molsbroek,2010,0,Vallei buiten Sigma,170 -Rietzanger,Molsbroek,2011,0,Vallei buiten Sigma,170 -Rietzanger,Molsbroek,2012,0,Vallei buiten Sigma,170 -Rietzanger,Molsbroek,2013,0,Vallei buiten Sigma,170 -Rietzanger,Molsbroek,2014,0,Vallei buiten Sigma,170 -Rietzanger,Molsbroek,2015,0,Vallei buiten Sigma,170 -Rietzanger,Molsbroek,2016,0,Vallei buiten Sigma,170 -Rietzanger,Molsbroek,2017,0,Vallei buiten Sigma,170 -Rietzanger,Molsbroek,2018,0,Vallei buiten Sigma,170 -Rietzanger,Molsbroek,2019,0,Vallei buiten Sigma,170 -Rietzanger,Molsbroek,2020,0,Vallei buiten Sigma,170 -Rietzanger,Molsbroek,2021,9.5,Vallei buiten Sigma,170 -Rietzanger,Molsbroek,2022,6,Vallei buiten Sigma,170 -Rietzanger,Molsbroek,2023,7,Vallei buiten Sigma,170 -Rietzanger,Noordelijk eiland,2005,0,Vallei buiten Sigma,170 -Rietzanger,Noordelijk eiland,2006,0,Vallei buiten Sigma,170 -Rietzanger,Noordelijk eiland,2007,0,Vallei buiten Sigma,170 -Rietzanger,Noordelijk eiland,2008,0,Vallei buiten Sigma,170 -Rietzanger,Noordelijk eiland,2009,0,Vallei buiten Sigma,170 -Rietzanger,Noordelijk eiland,2010,0,Vallei buiten Sigma,170 -Rietzanger,Noordelijk eiland,2011,0,Vallei buiten Sigma,170 -Rietzanger,Noordelijk eiland,2012,0,Vallei buiten Sigma,170 -Rietzanger,Noordelijk eiland,2013,0,Vallei buiten Sigma,170 -Rietzanger,Noordelijk eiland,2014,0,Vallei buiten Sigma,170 -Rietzanger,Noordelijk eiland,2015,0,Vallei buiten Sigma,170 -Rietzanger,Noordelijk eiland,2016,0,Vallei buiten Sigma,170 -Rietzanger,Noordelijk eiland,2017,0,Vallei buiten Sigma,170 -Rietzanger,Noordelijk eiland,2018,0,Vallei buiten Sigma,170 -Rietzanger,Noordelijk eiland,2019,0,Vallei buiten Sigma,170 -Rietzanger,Noordelijk eiland,2020,0,Vallei buiten Sigma,170 -Rietzanger,Noordelijk eiland,2021,0,Vallei buiten Sigma,170 -Rietzanger,Noordelijk eiland,2022,0,Vallei buiten Sigma,170 -Rietzanger,Noordelijk eiland,2023,0,Vallei buiten Sigma,170 -Rietzanger,NoordelijkGebied,2005,12,Sigma_LO,170 -Rietzanger,NoordelijkGebied,2006,20,Sigma_LO,170 -Rietzanger,NoordelijkGebied,2007,10,Sigma_LO,170 -Rietzanger,NoordelijkGebied,2008,2,Sigma_LO,170 -Rietzanger,NoordelijkGebied,2009,9,Sigma_LO,170 -Rietzanger,NoordelijkGebied,2010,13,Sigma_LO,170 -Rietzanger,NoordelijkGebied,2011,20,Sigma_LO,170 -Rietzanger,NoordelijkGebied,2012,5,Sigma_LO,170 -Rietzanger,NoordelijkGebied,2013,17,Sigma_LO,170 -Rietzanger,NoordelijkGebied,2014,35,Sigma_LO,170 -Rietzanger,NoordelijkGebied,2015,12,Sigma_LO,170 -Rietzanger,NoordelijkGebied,2016,36,Sigma_LO,170 -Rietzanger,NoordelijkGebied,2017,48,Sigma_LO,170 -Rietzanger,NoordelijkGebied,2018,57,Sigma_LO,170 -Rietzanger,NoordelijkGebied,2019,97,Sigma_LO,170 -Rietzanger,NoordelijkGebied,2020,135,Sigma_LO,170 -Rietzanger,NoordelijkGebied,2021,117,Sigma_LO,170 -Rietzanger,NoordelijkGebied,2022,142,Sigma_LO,170 -Rietzanger,NoordelijkGebied,2023,0,Sigma_LO,170 -Rietzanger,Paardeweide,2005,0,Sigma,170 -Rietzanger,Paardeweide,2006,0,Sigma,170 -Rietzanger,Paardeweide,2007,0,Sigma,170 -Rietzanger,Paardeweide,2008,0,Sigma,170 -Rietzanger,Paardeweide,2009,0,Sigma,170 -Rietzanger,Paardeweide,2010,0,Sigma,170 -Rietzanger,Paardeweide,2011,0,Sigma,170 -Rietzanger,Paardeweide,2012,0,Sigma,170 -Rietzanger,Paardeweide,2013,0,Sigma,170 -Rietzanger,Paardeweide,2014,0,Sigma,170 -Rietzanger,Paardeweide,2015,0,Sigma,170 -Rietzanger,Paardeweide,2016,0,Sigma,170 -Rietzanger,Paardeweide,2017,1,Sigma,170 -Rietzanger,Paardeweide,2018,3,Sigma,170 -Rietzanger,Paardeweide,2019,8,Sigma,170 -Rietzanger,Paardeweide,2020,5,Sigma,170 -Rietzanger,Paardeweide,2021,0,Sigma,170 -Rietzanger,Paardeweide,2022,0,Sigma,170 -Rietzanger,Paardeweide,2023,0,Sigma,170 -Rietzanger,Paardeweide oost,2005,0,Sigma,170 -Rietzanger,Paardeweide oost,2006,0,Sigma,170 -Rietzanger,Paardeweide oost,2007,0,Sigma,170 -Rietzanger,Paardeweide oost,2008,0,Sigma,170 -Rietzanger,Paardeweide oost,2009,0,Sigma,170 -Rietzanger,Paardeweide oost,2010,0,Sigma,170 -Rietzanger,Paardeweide oost,2011,0,Sigma,170 -Rietzanger,Paardeweide oost,2012,0,Sigma,170 -Rietzanger,Paardeweide oost,2013,0,Sigma,170 -Rietzanger,Paardeweide oost,2014,0,Sigma,170 -Rietzanger,Paardeweide oost,2015,0,Sigma,170 -Rietzanger,Paardeweide oost,2016,0,Sigma,170 -Rietzanger,Paardeweide oost,2017,0,Sigma,170 -Rietzanger,Paardeweide oost,2018,0,Sigma,170 -Rietzanger,Paardeweide oost,2019,0,Sigma,170 -Rietzanger,Paardeweide oost,2020,0,Sigma,170 -Rietzanger,Paardeweide oost,2021,3,Sigma,170 -Rietzanger,Paardeweide oost,2022,3,Sigma,170 -Rietzanger,Paardeweide oost,2023,20,Sigma,170 -Rietzanger,Paardeweide west,2005,0,Sigma,170 -Rietzanger,Paardeweide west,2006,0,Sigma,170 -Rietzanger,Paardeweide west,2007,0,Sigma,170 -Rietzanger,Paardeweide west,2008,0,Sigma,170 -Rietzanger,Paardeweide west,2009,0,Sigma,170 -Rietzanger,Paardeweide west,2010,0,Sigma,170 -Rietzanger,Paardeweide west,2011,0,Sigma,170 -Rietzanger,Paardeweide west,2012,0,Sigma,170 -Rietzanger,Paardeweide west,2013,0,Sigma,170 -Rietzanger,Paardeweide west,2014,0,Sigma,170 -Rietzanger,Paardeweide west,2015,0,Sigma,170 -Rietzanger,Paardeweide west,2016,0,Sigma,170 -Rietzanger,Paardeweide west,2017,0,Sigma,170 -Rietzanger,Paardeweide west,2018,0,Sigma,170 -Rietzanger,Paardeweide west,2019,0,Sigma,170 -Rietzanger,Paardeweide west,2020,0,Sigma,170 -Rietzanger,Paardeweide west,2021,3,Sigma,170 -Rietzanger,Paardeweide west,2022,3,Sigma,170 -Rietzanger,Paardeweide west,2023,2,Sigma,170 -Rietzanger,Potpolder Lillo,2005,2,Sigma,170 -Rietzanger,Potpolder Lillo,2006,0,Sigma,170 -Rietzanger,Potpolder Lillo,2007,3,Sigma,170 -Rietzanger,Potpolder Lillo,2008,2,Sigma,170 -Rietzanger,Potpolder Lillo,2009,2,Sigma,170 -Rietzanger,Potpolder Lillo,2010,2,Sigma,170 -Rietzanger,Potpolder Lillo,2011,2,Sigma,170 -Rietzanger,Potpolder Lillo,2012,2,Sigma,170 -Rietzanger,Potpolder Lillo,2013,0,Sigma,170 -Rietzanger,Potpolder Lillo,2014,0,Sigma,170 -Rietzanger,Potpolder Lillo,2015,0,Sigma,170 -Rietzanger,Potpolder Lillo,2016,0,Sigma,170 -Rietzanger,Potpolder Lillo,2017,0,Sigma,170 -Rietzanger,Potpolder Lillo,2018,0,Sigma,170 -Rietzanger,Potpolder Lillo,2019,0,Sigma,170 -Rietzanger,Potpolder Lillo,2020,0,Sigma,170 -Rietzanger,Potpolder Lillo,2021,0,Sigma,170 -Rietzanger,Potpolder Lillo,2022,0,Sigma,170 -Rietzanger,Potpolder Lillo,2023,0,Sigma,170 -Rietzanger,Prosperpolder-noord,2005,0,Sigma_LO,170 -Rietzanger,Prosperpolder-noord,2006,0,Sigma_LO,170 -Rietzanger,Prosperpolder-noord,2007,0,Sigma_LO,170 -Rietzanger,Prosperpolder-noord,2008,0,Sigma_LO,170 -Rietzanger,Prosperpolder-noord,2009,0,Sigma_LO,170 -Rietzanger,Prosperpolder-noord,2010,0,Sigma_LO,170 -Rietzanger,Prosperpolder-noord,2011,0,Sigma_LO,170 -Rietzanger,Prosperpolder-noord,2012,0,Sigma_LO,170 -Rietzanger,Prosperpolder-noord,2013,0,Sigma_LO,170 -Rietzanger,Prosperpolder-noord,2014,0,Sigma_LO,170 -Rietzanger,Prosperpolder-noord,2015,0,Sigma_LO,170 -Rietzanger,Prosperpolder-noord,2016,0,Sigma_LO,170 -Rietzanger,Prosperpolder-noord,2017,0,Sigma_LO,170 -Rietzanger,Prosperpolder-noord,2018,0,Sigma_LO,170 -Rietzanger,Prosperpolder-noord,2019,0,Sigma_LO,170 -Rietzanger,Prosperpolder-noord,2020,0,Sigma_LO,170 -Rietzanger,Prosperpolder-noord,2021,0,Sigma_LO,170 -Rietzanger,Prosperpolder-noord,2022,0,Sigma_LO,170 -Rietzanger,Prosperpolder-noord,2023,0,Sigma_LO,170 -Rietzanger,Prosperpolder-zuid,2005,0,Sigma_LO,170 -Rietzanger,Prosperpolder-zuid,2006,0,Sigma_LO,170 -Rietzanger,Prosperpolder-zuid,2007,0,Sigma_LO,170 -Rietzanger,Prosperpolder-zuid,2008,0,Sigma_LO,170 -Rietzanger,Prosperpolder-zuid,2009,0,Sigma_LO,170 -Rietzanger,Prosperpolder-zuid,2010,0,Sigma_LO,170 -Rietzanger,Prosperpolder-zuid,2011,0,Sigma_LO,170 -Rietzanger,Prosperpolder-zuid,2012,0,Sigma_LO,170 -Rietzanger,Prosperpolder-zuid,2013,0,Sigma_LO,170 -Rietzanger,Prosperpolder-zuid,2014,0,Sigma_LO,170 -Rietzanger,Prosperpolder-zuid,2015,0,Sigma_LO,170 -Rietzanger,Prosperpolder-zuid,2016,0,Sigma_LO,170 -Rietzanger,Prosperpolder-zuid,2017,0,Sigma_LO,170 -Rietzanger,Prosperpolder-zuid,2018,0,Sigma_LO,170 -Rietzanger,Prosperpolder-zuid,2019,0,Sigma_LO,170 -Rietzanger,Prosperpolder-zuid,2020,0,Sigma_LO,170 -Rietzanger,Prosperpolder-zuid,2021,0,Sigma_LO,170 -Rietzanger,Prosperpolder-zuid,2022,0,Sigma_LO,170 -Rietzanger,Prosperpolder-zuid,2023,32,Sigma_LO,170 -Rietzanger,Scheldebroeken excl. Paardeweide-oost,2005,0,Vallei buiten Sigma,170 -Rietzanger,Scheldebroeken excl. Paardeweide-oost,2006,0,Vallei buiten Sigma,170 -Rietzanger,Scheldebroeken excl. Paardeweide-oost,2007,0,Vallei buiten Sigma,170 -Rietzanger,Scheldebroeken excl. Paardeweide-oost,2008,0,Vallei buiten Sigma,170 -Rietzanger,Scheldebroeken excl. Paardeweide-oost,2009,0,Vallei buiten Sigma,170 -Rietzanger,Scheldebroeken excl. Paardeweide-oost,2010,0,Vallei buiten Sigma,170 -Rietzanger,Scheldebroeken excl. Paardeweide-oost,2011,0,Vallei buiten Sigma,170 -Rietzanger,Scheldebroeken excl. Paardeweide-oost,2012,0,Vallei buiten Sigma,170 -Rietzanger,Scheldebroeken excl. Paardeweide-oost,2013,0,Vallei buiten Sigma,170 -Rietzanger,Scheldebroeken excl. Paardeweide-oost,2014,0,Vallei buiten Sigma,170 -Rietzanger,Scheldebroeken excl. Paardeweide-oost,2015,0,Vallei buiten Sigma,170 -Rietzanger,Scheldebroeken excl. Paardeweide-oost,2016,0,Vallei buiten Sigma,170 -Rietzanger,Scheldebroeken excl. Paardeweide-oost,2017,0,Vallei buiten Sigma,170 -Rietzanger,Scheldebroeken excl. Paardeweide-oost,2018,0,Vallei buiten Sigma,170 -Rietzanger,Scheldebroeken excl. Paardeweide-oost,2019,0,Vallei buiten Sigma,170 -Rietzanger,Scheldebroeken excl. Paardeweide-oost,2020,0,Vallei buiten Sigma,170 -Rietzanger,Scheldebroeken excl. Paardeweide-oost,2021,3.5,Vallei buiten Sigma,170 -Rietzanger,Scheldebroeken excl. Paardeweide-oost,2022,3.5,Vallei buiten Sigma,170 -Rietzanger,Scheldebroeken excl. Paardeweide-oost,2023,3.5,Vallei buiten Sigma,170 -Rietzanger,Schor Ouden Doel,2005,0,Sigma_LO,170 -Rietzanger,Schor Ouden Doel,2006,0,Sigma_LO,170 -Rietzanger,Schor Ouden Doel,2007,0,Sigma_LO,170 -Rietzanger,Schor Ouden Doel,2008,0,Sigma_LO,170 -Rietzanger,Schor Ouden Doel,2009,0,Sigma_LO,170 -Rietzanger,Schor Ouden Doel,2010,0,Sigma_LO,170 -Rietzanger,Schor Ouden Doel,2011,0,Sigma_LO,170 -Rietzanger,Schor Ouden Doel,2012,0,Sigma_LO,170 -Rietzanger,Schor Ouden Doel,2013,0,Sigma_LO,170 -Rietzanger,Schor Ouden Doel,2014,0,Sigma_LO,170 -Rietzanger,Schor Ouden Doel,2015,0,Sigma_LO,170 -Rietzanger,Schor Ouden Doel,2016,0,Sigma_LO,170 -Rietzanger,Schor Ouden Doel,2017,0,Sigma_LO,170 -Rietzanger,Schor Ouden Doel,2018,0,Sigma_LO,170 -Rietzanger,Schor Ouden Doel,2019,0,Sigma_LO,170 -Rietzanger,Schor Ouden Doel,2020,0,Sigma_LO,170 -Rietzanger,Schor Ouden Doel,2021,0,Sigma_LO,170 -Rietzanger,Schor Ouden Doel,2022,0,Sigma_LO,170 -Rietzanger,Schor Ouden Doel,2023,33,Sigma_LO,170 -Rietzanger,Viersels gebroekt,2005,0,Vallei buiten Sigma,170 -Rietzanger,Viersels gebroekt,2006,0,Vallei buiten Sigma,170 -Rietzanger,Viersels gebroekt,2007,0,Vallei buiten Sigma,170 -Rietzanger,Viersels gebroekt,2008,0,Vallei buiten Sigma,170 -Rietzanger,Viersels gebroekt,2009,0,Vallei buiten Sigma,170 -Rietzanger,Viersels gebroekt,2010,0,Vallei buiten Sigma,170 -Rietzanger,Viersels gebroekt,2011,0,Vallei buiten Sigma,170 -Rietzanger,Viersels gebroekt,2012,0,Vallei buiten Sigma,170 -Rietzanger,Viersels gebroekt,2013,0,Vallei buiten Sigma,170 -Rietzanger,Viersels gebroekt,2014,0,Vallei buiten Sigma,170 -Rietzanger,Viersels gebroekt,2015,0,Vallei buiten Sigma,170 -Rietzanger,Viersels gebroekt,2016,0,Vallei buiten Sigma,170 -Rietzanger,Viersels gebroekt,2017,0,Vallei buiten Sigma,170 -Rietzanger,Viersels gebroekt,2018,0,Vallei buiten Sigma,170 -Rietzanger,Viersels gebroekt,2019,0,Vallei buiten Sigma,170 -Rietzanger,Viersels gebroekt,2020,0,Vallei buiten Sigma,170 -Rietzanger,Viersels gebroekt,2021,0,Vallei buiten Sigma,170 -Rietzanger,Viersels gebroekt,2022,0,Vallei buiten Sigma,170 -Rietzanger,Viersels gebroekt,2023,0,Vallei buiten Sigma,170 -Rietzanger,Weijmeerbroek,2005,0,Sigma,170 -Rietzanger,Weijmeerbroek,2006,0,Sigma,170 -Rietzanger,Weijmeerbroek,2007,0,Sigma,170 -Rietzanger,Weijmeerbroek,2008,0,Sigma,170 -Rietzanger,Weijmeerbroek,2009,0,Sigma,170 -Rietzanger,Weijmeerbroek,2010,0,Sigma,170 -Rietzanger,Weijmeerbroek,2011,0,Sigma,170 -Rietzanger,Weijmeerbroek,2012,0,Sigma,170 -Rietzanger,Weijmeerbroek,2013,0,Sigma,170 -Rietzanger,Weijmeerbroek,2014,0,Sigma,170 -Rietzanger,Weijmeerbroek,2015,1,Sigma,170 -Rietzanger,Weijmeerbroek,2016,2,Sigma,170 -Rietzanger,Weijmeerbroek,2017,3,Sigma,170 -Rietzanger,Weijmeerbroek,2018,7,Sigma,170 -Rietzanger,Weijmeerbroek,2019,10,Sigma,170 -Rietzanger,Weijmeerbroek,2020,15,Sigma,170 -Rietzanger,Weijmeerbroek,2021,33,Sigma,170 -Rietzanger,Weijmeerbroek,2022,13,Sigma,170 -Rietzanger,Weijmeerbroek,2023,18,Sigma,170 -Rietzanger,Wijmeers,2005,0,Sigma,170 -Rietzanger,Wijmeers,2006,0,Sigma,170 -Rietzanger,Wijmeers,2007,0,Sigma,170 -Rietzanger,Wijmeers,2008,0,Sigma,170 -Rietzanger,Wijmeers,2009,0,Sigma,170 -Rietzanger,Wijmeers,2010,0,Sigma,170 -Rietzanger,Wijmeers,2011,0,Sigma,170 -Rietzanger,Wijmeers,2012,0,Sigma,170 -Rietzanger,Wijmeers,2013,0,Sigma,170 -Rietzanger,Wijmeers,2014,0,Sigma,170 -Rietzanger,Wijmeers,2015,0,Sigma,170 -Rietzanger,Wijmeers,2016,4,Sigma,170 -Rietzanger,Wijmeers,2017,2,Sigma,170 -Rietzanger,Wijmeers,2018,8,Sigma,170 -Rietzanger,Wijmeers,2019,13,Sigma,170 -Rietzanger,Wijmeers,2020,13,Sigma,170 -Rietzanger,Wijmeers,2021,0,Sigma,170 -Rietzanger,Wijmeers,2022,0,Sigma,170 -Rietzanger,Wijmeers,2023,0,Sigma,170 -Rietzanger,Wijmeers-noord,2005,0,Sigma,170 -Rietzanger,Wijmeers-noord,2006,0,Sigma,170 -Rietzanger,Wijmeers-noord,2007,0,Sigma,170 -Rietzanger,Wijmeers-noord,2008,0,Sigma,170 -Rietzanger,Wijmeers-noord,2009,0,Sigma,170 -Rietzanger,Wijmeers-noord,2010,0,Sigma,170 -Rietzanger,Wijmeers-noord,2011,0,Sigma,170 -Rietzanger,Wijmeers-noord,2012,0,Sigma,170 -Rietzanger,Wijmeers-noord,2013,0,Sigma,170 -Rietzanger,Wijmeers-noord,2014,0,Sigma,170 -Rietzanger,Wijmeers-noord,2015,0,Sigma,170 -Rietzanger,Wijmeers-noord,2016,0,Sigma,170 -Rietzanger,Wijmeers-noord,2017,0,Sigma,170 -Rietzanger,Wijmeers-noord,2018,0,Sigma,170 -Rietzanger,Wijmeers-noord,2019,0,Sigma,170 -Rietzanger,Wijmeers-noord,2020,0,Sigma,170 -Rietzanger,Wijmeers-noord,2021,10,Sigma,170 -Rietzanger,Wijmeers-noord,2022,10,Sigma,170 -Rietzanger,Wijmeers-noord,2023,10,Sigma,170 -Rietzanger,Wijmeers-zuid,2005,0,Sigma,170 -Rietzanger,Wijmeers-zuid,2006,0,Sigma,170 -Rietzanger,Wijmeers-zuid,2007,0,Sigma,170 -Rietzanger,Wijmeers-zuid,2008,0,Sigma,170 -Rietzanger,Wijmeers-zuid,2009,0,Sigma,170 -Rietzanger,Wijmeers-zuid,2010,0,Sigma,170 -Rietzanger,Wijmeers-zuid,2011,0,Sigma,170 -Rietzanger,Wijmeers-zuid,2012,0,Sigma,170 -Rietzanger,Wijmeers-zuid,2013,0,Sigma,170 -Rietzanger,Wijmeers-zuid,2014,0,Sigma,170 -Rietzanger,Wijmeers-zuid,2015,0,Sigma,170 -Rietzanger,Wijmeers-zuid,2016,0,Sigma,170 -Rietzanger,Wijmeers-zuid,2017,0,Sigma,170 -Rietzanger,Wijmeers-zuid,2018,0,Sigma,170 -Rietzanger,Wijmeers-zuid,2019,0,Sigma,170 -Rietzanger,Wijmeers-zuid,2020,0,Sigma,170 -Rietzanger,Wijmeers-zuid,2021,3,Sigma,170 -Rietzanger,Wijmeers-zuid,2022,3,Sigma,170 -Rietzanger,Wijmeers-zuid,2023,3,Sigma,170 -Rietzanger,Zennegat,2005,0,Sigma,170 -Rietzanger,Zennegat,2006,0,Sigma,170 -Rietzanger,Zennegat,2007,0,Sigma,170 -Rietzanger,Zennegat,2008,0,Sigma,170 -Rietzanger,Zennegat,2009,0,Sigma,170 -Rietzanger,Zennegat,2010,0,Sigma,170 -Rietzanger,Zennegat,2011,0,Sigma,170 -Rietzanger,Zennegat,2012,0,Sigma,170 -Rietzanger,Zennegat,2013,0,Sigma,170 -Rietzanger,Zennegat,2014,0,Sigma,170 -Rietzanger,Zennegat,2015,0,Sigma,170 -Rietzanger,Zennegat,2016,0,Sigma,170 -Rietzanger,Zennegat,2017,2,Sigma,170 -Rietzanger,Zennegat,2018,13,Sigma,170 -Rietzanger,Zennegat,2019,24,Sigma,170 -Rietzanger,Zennegat,2020,34,Sigma,170 -Rietzanger,Zennegat,2021,34,Sigma,170 -Rietzanger,Zennegat,2022,33,Sigma,170 -Rietzanger,Zennegat,2023,33,Sigma,170 -Rietzanger,Zuidelijk eiland,2005,0,Vallei buiten Sigma,170 -Rietzanger,Zuidelijk eiland,2006,0,Vallei buiten Sigma,170 -Rietzanger,Zuidelijk eiland,2007,0,Vallei buiten Sigma,170 -Rietzanger,Zuidelijk eiland,2008,0,Vallei buiten Sigma,170 -Rietzanger,Zuidelijk eiland,2009,0,Vallei buiten Sigma,170 -Rietzanger,Zuidelijk eiland,2010,0,Vallei buiten Sigma,170 -Rietzanger,Zuidelijk eiland,2011,0,Vallei buiten Sigma,170 -Rietzanger,Zuidelijk eiland,2012,0,Vallei buiten Sigma,170 -Rietzanger,Zuidelijk eiland,2013,0,Vallei buiten Sigma,170 -Rietzanger,Zuidelijk eiland,2014,0,Vallei buiten Sigma,170 -Rietzanger,Zuidelijk eiland,2015,0,Vallei buiten Sigma,170 -Rietzanger,Zuidelijk eiland,2016,0,Vallei buiten Sigma,170 -Rietzanger,Zuidelijk eiland,2017,0,Vallei buiten Sigma,170 -Rietzanger,Zuidelijk eiland,2018,0,Vallei buiten Sigma,170 -Rietzanger,Zuidelijk eiland,2019,0,Vallei buiten Sigma,170 -Rietzanger,Zuidelijk eiland,2020,0,Vallei buiten Sigma,170 -Rietzanger,Zuidelijk eiland,2021,0,Vallei buiten Sigma,170 -Rietzanger,Zuidelijk eiland,2022,0,Vallei buiten Sigma,170 -Rietzanger,Zuidelijk eiland,2023,0,Vallei buiten Sigma,170 -Scholekster,Beneden Nete,2005,0,Sigma,190 -Scholekster,Beneden Nete,2006,0,Sigma,190 -Scholekster,Beneden Nete,2007,0,Sigma,190 -Scholekster,Beneden Nete,2008,0,Sigma,190 -Scholekster,Beneden Nete,2009,0,Sigma,190 -Scholekster,Beneden Nete,2010,0,Sigma,190 -Scholekster,Beneden Nete,2011,0,Sigma,190 -Scholekster,Beneden Nete,2012,0,Sigma,190 -Scholekster,Beneden Nete,2013,0,Sigma,190 -Scholekster,Beneden Nete,2014,0,Sigma,190 -Scholekster,Beneden Nete,2015,0,Sigma,190 -Scholekster,Beneden Nete,2016,0,Sigma,190 -Scholekster,Beneden Nete,2017,0,Sigma,190 -Scholekster,Beneden Nete,2018,0,Sigma,190 -Scholekster,Beneden Nete,2019,0,Sigma,190 -Scholekster,Beneden Nete,2020,0,Sigma,190 -Scholekster,Beneden Nete,2021,0,Sigma,190 -Scholekster,Beneden Nete,2022,0,Sigma,190 -Scholekster,Beneden Nete,2023,0,Sigma,190 -Scholekster,Bergenmeersen,2005,0,Sigma,190 -Scholekster,Bergenmeersen,2006,0,Sigma,190 -Scholekster,Bergenmeersen,2007,0,Sigma,190 -Scholekster,Bergenmeersen,2008,0,Sigma,190 -Scholekster,Bergenmeersen,2009,0,Sigma,190 -Scholekster,Bergenmeersen,2010,0,Sigma,190 -Scholekster,Bergenmeersen,2011,0,Sigma,190 -Scholekster,Bergenmeersen,2012,0,Sigma,190 -Scholekster,Bergenmeersen,2013,0,Sigma,190 -Scholekster,Bergenmeersen,2014,0,Sigma,190 -Scholekster,Bergenmeersen,2015,0,Sigma,190 -Scholekster,Bergenmeersen,2016,0,Sigma,190 -Scholekster,Bergenmeersen,2017,0,Sigma,190 -Scholekster,Bergenmeersen,2018,0,Sigma,190 -Scholekster,Bergenmeersen,2019,0,Sigma,190 -Scholekster,Bergenmeersen,2020,0,Sigma,190 -Scholekster,Bergenmeersen,2021,0,Sigma,190 -Scholekster,Bergenmeersen,2022,0,Sigma,190 -Scholekster,Bergenmeersen,2023,0,Sigma,190 -Scholekster,Blokkersdijk,2005,0,BD,190 -Scholekster,Blokkersdijk,2006,0,BD,190 -Scholekster,Blokkersdijk,2007,0,BD,190 -Scholekster,Blokkersdijk,2008,0,BD,190 -Scholekster,Blokkersdijk,2009,0,BD,190 -Scholekster,Blokkersdijk,2010,0,BD,190 -Scholekster,Blokkersdijk,2011,0,BD,190 -Scholekster,Blokkersdijk,2012,0,BD,190 -Scholekster,Blokkersdijk,2013,0,BD,190 -Scholekster,Blokkersdijk,2014,0,BD,190 -Scholekster,Blokkersdijk,2015,0,BD,190 -Scholekster,Blokkersdijk,2016,0,BD,190 -Scholekster,Blokkersdijk,2017,0,BD,190 -Scholekster,Blokkersdijk,2018,0,BD,190 -Scholekster,Blokkersdijk,2019,0,BD,190 -Scholekster,Blokkersdijk,2020,0,BD,190 -Scholekster,Blokkersdijk,2021,0,BD,190 -Scholekster,Blokkersdijk,2022,0,BD,190 -Scholekster,Blokkersdijk,2023,0,BD,190 -Scholekster,Burchtse Weel,2005,0,Sigma,190 -Scholekster,Burchtse Weel,2006,0,Sigma,190 -Scholekster,Burchtse Weel,2007,0,Sigma,190 -Scholekster,Burchtse Weel,2008,0,Sigma,190 -Scholekster,Burchtse Weel,2009,0,Sigma,190 -Scholekster,Burchtse Weel,2010,0,Sigma,190 -Scholekster,Burchtse Weel,2011,0,Sigma,190 -Scholekster,Burchtse Weel,2012,0,Sigma,190 -Scholekster,Burchtse Weel,2013,0,Sigma,190 -Scholekster,Burchtse Weel,2014,0,Sigma,190 -Scholekster,Burchtse Weel,2015,0,Sigma,190 -Scholekster,Burchtse Weel,2016,0,Sigma,190 -Scholekster,Burchtse Weel,2017,0,Sigma,190 -Scholekster,Burchtse Weel,2018,0,Sigma,190 -Scholekster,Burchtse Weel,2019,0,Sigma,190 -Scholekster,Burchtse Weel,2020,0,Sigma,190 -Scholekster,Burchtse Weel,2021,0,Sigma,190 -Scholekster,Burchtse Weel,2022,0,Sigma,190 -Scholekster,Burchtse Weel,2023,0,Sigma,190 -Scholekster,Doelpolder-noord,2005,0,Sigma_LO,190 -Scholekster,Doelpolder-noord,2006,0,Sigma_LO,190 -Scholekster,Doelpolder-noord,2007,0,Sigma_LO,190 -Scholekster,Doelpolder-noord,2008,0,Sigma_LO,190 -Scholekster,Doelpolder-noord,2009,0,Sigma_LO,190 -Scholekster,Doelpolder-noord,2010,0,Sigma_LO,190 -Scholekster,Doelpolder-noord,2011,0,Sigma_LO,190 -Scholekster,Doelpolder-noord,2012,0,Sigma_LO,190 -Scholekster,Doelpolder-noord,2013,0,Sigma_LO,190 -Scholekster,Doelpolder-noord,2014,0,Sigma_LO,190 -Scholekster,Doelpolder-noord,2015,0,Sigma_LO,190 -Scholekster,Doelpolder-noord,2016,0,Sigma_LO,190 -Scholekster,Doelpolder-noord,2017,0,Sigma_LO,190 -Scholekster,Doelpolder-noord,2018,0,Sigma_LO,190 -Scholekster,Doelpolder-noord,2019,0,Sigma_LO,190 -Scholekster,Doelpolder-noord,2020,0,Sigma_LO,190 -Scholekster,Doelpolder-noord,2021,0,Sigma_LO,190 -Scholekster,Doelpolder-noord,2022,0,Sigma_LO,190 -Scholekster,Doelpolder-noord,2023,19,Sigma_LO,190 -Scholekster,Donkmeer,2005,0,Vallei buiten Sigma,190 -Scholekster,Donkmeer,2006,0,Vallei buiten Sigma,190 -Scholekster,Donkmeer,2007,0,Vallei buiten Sigma,190 -Scholekster,Donkmeer,2008,0,Vallei buiten Sigma,190 -Scholekster,Donkmeer,2009,0,Vallei buiten Sigma,190 -Scholekster,Donkmeer,2010,0,Vallei buiten Sigma,190 -Scholekster,Donkmeer,2011,0,Vallei buiten Sigma,190 -Scholekster,Donkmeer,2012,0,Vallei buiten Sigma,190 -Scholekster,Donkmeer,2013,0,Vallei buiten Sigma,190 -Scholekster,Donkmeer,2014,0,Vallei buiten Sigma,190 -Scholekster,Donkmeer,2015,0,Vallei buiten Sigma,190 -Scholekster,Donkmeer,2016,0,Vallei buiten Sigma,190 -Scholekster,Donkmeer,2017,0,Vallei buiten Sigma,190 -Scholekster,Donkmeer,2018,0,Vallei buiten Sigma,190 -Scholekster,Donkmeer,2019,0,Vallei buiten Sigma,190 -Scholekster,Donkmeer,2020,0,Vallei buiten Sigma,190 -Scholekster,Donkmeer,2021,0,Vallei buiten Sigma,190 -Scholekster,Donkmeer,2022,0,Vallei buiten Sigma,190 -Scholekster,Donkmeer,2023,0,Vallei buiten Sigma,190 -Scholekster,Durmemeersen,2005,0,Vallei buiten Sigma,190 -Scholekster,Durmemeersen,2006,0,Vallei buiten Sigma,190 -Scholekster,Durmemeersen,2007,0,Vallei buiten Sigma,190 -Scholekster,Durmemeersen,2008,0,Vallei buiten Sigma,190 -Scholekster,Durmemeersen,2009,0,Vallei buiten Sigma,190 -Scholekster,Durmemeersen,2010,0,Vallei buiten Sigma,190 -Scholekster,Durmemeersen,2011,0,Vallei buiten Sigma,190 -Scholekster,Durmemeersen,2012,0,Vallei buiten Sigma,190 -Scholekster,Durmemeersen,2013,0,Vallei buiten Sigma,190 -Scholekster,Durmemeersen,2014,0,Vallei buiten Sigma,190 -Scholekster,Durmemeersen,2015,0,Vallei buiten Sigma,190 -Scholekster,Durmemeersen,2016,0,Vallei buiten Sigma,190 -Scholekster,Durmemeersen,2017,0,Vallei buiten Sigma,190 -Scholekster,Durmemeersen,2018,0,Vallei buiten Sigma,190 -Scholekster,Durmemeersen,2019,0,Vallei buiten Sigma,190 -Scholekster,Durmemeersen,2020,0,Vallei buiten Sigma,190 -Scholekster,Durmemeersen,2021,0,Vallei buiten Sigma,190 -Scholekster,Durmemeersen,2022,0,Vallei buiten Sigma,190 -Scholekster,Durmemeersen,2023,0,Vallei buiten Sigma,190 -Scholekster,Gebieden vzwDurme,2005,0,Vallei buiten Sigma,190 -Scholekster,Gebieden vzwDurme,2006,0,Vallei buiten Sigma,190 -Scholekster,Gebieden vzwDurme,2007,0,Vallei buiten Sigma,190 -Scholekster,Gebieden vzwDurme,2008,0,Vallei buiten Sigma,190 -Scholekster,Gebieden vzwDurme,2009,0,Vallei buiten Sigma,190 -Scholekster,Gebieden vzwDurme,2010,0,Vallei buiten Sigma,190 -Scholekster,Gebieden vzwDurme,2011,0,Vallei buiten Sigma,190 -Scholekster,Gebieden vzwDurme,2012,0,Vallei buiten Sigma,190 -Scholekster,Gebieden vzwDurme,2013,0,Vallei buiten Sigma,190 -Scholekster,Gebieden vzwDurme,2014,0,Vallei buiten Sigma,190 -Scholekster,Gebieden vzwDurme,2015,0,Vallei buiten Sigma,190 -Scholekster,Gebieden vzwDurme,2016,0,Vallei buiten Sigma,190 -Scholekster,Gebieden vzwDurme,2017,0,Vallei buiten Sigma,190 -Scholekster,Gebieden vzwDurme,2018,0,Vallei buiten Sigma,190 -Scholekster,Gebieden vzwDurme,2019,0,Vallei buiten Sigma,190 -Scholekster,Gebieden vzwDurme,2020,0,Vallei buiten Sigma,190 -Scholekster,Gebieden vzwDurme,2021,0,Vallei buiten Sigma,190 -Scholekster,Gebieden vzwDurme,2022,0,Vallei buiten Sigma,190 -Scholekster,Gebieden vzwDurme,2023,0,Vallei buiten Sigma,190 -Scholekster,Gentbrugse meersen,2005,0,Vallei buiten Sigma,190 -Scholekster,Gentbrugse meersen,2006,0,Vallei buiten Sigma,190 -Scholekster,Gentbrugse meersen,2007,0,Vallei buiten Sigma,190 -Scholekster,Gentbrugse meersen,2008,0,Vallei buiten Sigma,190 -Scholekster,Gentbrugse meersen,2009,0,Vallei buiten Sigma,190 -Scholekster,Gentbrugse meersen,2010,0,Vallei buiten Sigma,190 -Scholekster,Gentbrugse meersen,2011,0,Vallei buiten Sigma,190 -Scholekster,Gentbrugse meersen,2012,0,Vallei buiten Sigma,190 -Scholekster,Gentbrugse meersen,2013,0,Vallei buiten Sigma,190 -Scholekster,Gentbrugse meersen,2014,0,Vallei buiten Sigma,190 -Scholekster,Gentbrugse meersen,2015,0,Vallei buiten Sigma,190 -Scholekster,Gentbrugse meersen,2016,0,Vallei buiten Sigma,190 -Scholekster,Gentbrugse meersen,2017,0,Vallei buiten Sigma,190 -Scholekster,Gentbrugse meersen,2018,0,Vallei buiten Sigma,190 -Scholekster,Gentbrugse meersen,2019,0,Vallei buiten Sigma,190 -Scholekster,Gentbrugse meersen,2020,0,Vallei buiten Sigma,190 -Scholekster,Gentbrugse meersen,2021,0,Vallei buiten Sigma,190 -Scholekster,Gentbrugse meersen,2022,0,Vallei buiten Sigma,190 -Scholekster,Gentbrugse meersen,2023,0,Vallei buiten Sigma,190 -Scholekster,Groot Broek,2005,0,Sigma,190 -Scholekster,Groot Broek,2006,0,Sigma,190 -Scholekster,Groot Broek,2007,0,Sigma,190 -Scholekster,Groot Broek,2008,0,Sigma,190 -Scholekster,Groot Broek,2009,0,Sigma,190 -Scholekster,Groot Broek,2010,0,Sigma,190 -Scholekster,Groot Broek,2011,0,Sigma,190 -Scholekster,Groot Broek,2012,0,Sigma,190 -Scholekster,Groot Broek,2013,0,Sigma,190 -Scholekster,Groot Broek,2014,0,Sigma,190 -Scholekster,Groot Broek,2015,0,Sigma,190 -Scholekster,Groot Broek,2016,0,Sigma,190 -Scholekster,Groot Broek,2017,0,Sigma,190 -Scholekster,Groot Broek,2018,0,Sigma,190 -Scholekster,Groot Broek,2019,0,Sigma,190 -Scholekster,Groot Broek,2020,0,Sigma,190 -Scholekster,Groot Broek,2021,0,Sigma,190 -Scholekster,Groot Broek,2022,0,Sigma,190 -Scholekster,Groot Broek,2023,0,Sigma,190 -Scholekster,Groot buitenschoor,2005,0,Estuarium buiten Sigma,190 -Scholekster,Groot buitenschoor,2006,0,Estuarium buiten Sigma,190 -Scholekster,Groot buitenschoor,2007,0,Estuarium buiten Sigma,190 -Scholekster,Groot buitenschoor,2008,0,Estuarium buiten Sigma,190 -Scholekster,Groot buitenschoor,2009,0,Estuarium buiten Sigma,190 -Scholekster,Groot buitenschoor,2010,0,Estuarium buiten Sigma,190 -Scholekster,Groot buitenschoor,2011,0,Estuarium buiten Sigma,190 -Scholekster,Groot buitenschoor,2012,0,Estuarium buiten Sigma,190 -Scholekster,Groot buitenschoor,2013,0,Estuarium buiten Sigma,190 -Scholekster,Groot buitenschoor,2014,0,Estuarium buiten Sigma,190 -Scholekster,Groot buitenschoor,2015,0,Estuarium buiten Sigma,190 -Scholekster,Groot buitenschoor,2016,0,Estuarium buiten Sigma,190 -Scholekster,Groot buitenschoor,2017,0,Estuarium buiten Sigma,190 -Scholekster,Groot buitenschoor,2018,0,Estuarium buiten Sigma,190 -Scholekster,Groot buitenschoor,2019,0,Estuarium buiten Sigma,190 -Scholekster,Groot buitenschoor,2020,0,Estuarium buiten Sigma,190 -Scholekster,Groot buitenschoor,2021,0,Estuarium buiten Sigma,190 -Scholekster,Groot buitenschoor,2022,1,Estuarium buiten Sigma,190 -Scholekster,Groot buitenschoor,2023,0,Estuarium buiten Sigma,190 -Scholekster,Grote Wal,2005,0,Sigma,190 -Scholekster,Grote Wal,2006,0,Sigma,190 -Scholekster,Grote Wal,2007,0,Sigma,190 -Scholekster,Grote Wal,2008,0,Sigma,190 -Scholekster,Grote Wal,2009,0,Sigma,190 -Scholekster,Grote Wal,2010,0,Sigma,190 -Scholekster,Grote Wal,2011,0,Sigma,190 -Scholekster,Grote Wal,2012,0,Sigma,190 -Scholekster,Grote Wal,2013,0,Sigma,190 -Scholekster,Grote Wal,2014,0,Sigma,190 -Scholekster,Grote Wal,2015,0,Sigma,190 -Scholekster,Grote Wal,2016,0,Sigma,190 -Scholekster,Grote Wal,2017,0,Sigma,190 -Scholekster,Grote Wal,2018,0,Sigma,190 -Scholekster,Grote Wal,2019,0,Sigma,190 -Scholekster,Grote Wal,2020,0,Sigma,190 -Scholekster,Grote Wal,2021,0,Sigma,190 -Scholekster,Grote Wal,2022,0,Sigma,190 -Scholekster,Grote Wal,2023,0,Sigma,190 -Scholekster,Grote vijver - deel 1,2005,0,Sigma,190 -Scholekster,Grote vijver - deel 1,2006,0,Sigma,190 -Scholekster,Grote vijver - deel 1,2007,0,Sigma,190 -Scholekster,Grote vijver - deel 1,2008,0,Sigma,190 -Scholekster,Grote vijver - deel 1,2009,0,Sigma,190 -Scholekster,Grote vijver - deel 1,2010,0,Sigma,190 -Scholekster,Grote vijver - deel 1,2011,0,Sigma,190 -Scholekster,Grote vijver - deel 1,2012,0,Sigma,190 -Scholekster,Grote vijver - deel 1,2013,0,Sigma,190 -Scholekster,Grote vijver - deel 1,2014,0,Sigma,190 -Scholekster,Grote vijver - deel 1,2015,0,Sigma,190 -Scholekster,Grote vijver - deel 1,2016,0,Sigma,190 -Scholekster,Grote vijver - deel 1,2017,0,Sigma,190 -Scholekster,Grote vijver - deel 1,2018,0,Sigma,190 -Scholekster,Grote vijver - deel 1,2019,0,Sigma,190 -Scholekster,Grote vijver - deel 1,2020,0,Sigma,190 -Scholekster,Grote vijver - deel 1,2021,0,Sigma,190 -Scholekster,Grote vijver - deel 1,2022,0,Sigma,190 -Scholekster,Grote vijver - deel 1,2023,0,Sigma,190 -Scholekster,Grote vijver - deel 2,2005,0,Sigma,190 -Scholekster,Grote vijver - deel 2,2006,0,Sigma,190 -Scholekster,Grote vijver - deel 2,2007,0,Sigma,190 -Scholekster,Grote vijver - deel 2,2008,0,Sigma,190 -Scholekster,Grote vijver - deel 2,2009,0,Sigma,190 -Scholekster,Grote vijver - deel 2,2010,0,Sigma,190 -Scholekster,Grote vijver - deel 2,2011,0,Sigma,190 -Scholekster,Grote vijver - deel 2,2012,0,Sigma,190 -Scholekster,Grote vijver - deel 2,2013,0,Sigma,190 -Scholekster,Grote vijver - deel 2,2014,0,Sigma,190 -Scholekster,Grote vijver - deel 2,2015,0,Sigma,190 -Scholekster,Grote vijver - deel 2,2016,0,Sigma,190 -Scholekster,Grote vijver - deel 2,2017,0,Sigma,190 -Scholekster,Grote vijver - deel 2,2018,0,Sigma,190 -Scholekster,Grote vijver - deel 2,2019,0,Sigma,190 -Scholekster,Grote vijver - deel 2,2020,0,Sigma,190 -Scholekster,Grote vijver - deel 2,2021,0,Sigma,190 -Scholekster,Grote vijver - deel 2,2022,0,Sigma,190 -Scholekster,Grote vijver - deel 2,2023,0,Sigma,190 -Scholekster,KBR,2005,3,Sigma,190 -Scholekster,KBR,2006,3,Sigma,190 -Scholekster,KBR,2007,5,Sigma,190 -Scholekster,KBR,2008,2,Sigma,190 -Scholekster,KBR,2009,0,Sigma,190 -Scholekster,KBR,2010,2,Sigma,190 -Scholekster,KBR,2011,3,Sigma,190 -Scholekster,KBR,2012,1,Sigma,190 -Scholekster,KBR,2013,0,Sigma,190 -Scholekster,KBR,2014,1,Sigma,190 -Scholekster,KBR,2015,0,Sigma,190 -Scholekster,KBR,2016,1,Sigma,190 -Scholekster,KBR,2017,1,Sigma,190 -Scholekster,KBR,2018,0,Sigma,190 -Scholekster,KBR,2019,0,Sigma,190 -Scholekster,KBR,2020,0,Sigma,190 -Scholekster,KBR,2021,0,Sigma,190 -Scholekster,KBR,2022,0,Sigma,190 -Scholekster,KBR,2023,0,Sigma,190 -Scholekster,Kalkense meersen,2005,3,Sigma,190 -Scholekster,Kalkense meersen,2006,3,Sigma,190 -Scholekster,Kalkense meersen,2007,3,Sigma,190 -Scholekster,Kalkense meersen,2008,3,Sigma,190 -Scholekster,Kalkense meersen,2009,3,Sigma,190 -Scholekster,Kalkense meersen,2010,3,Sigma,190 -Scholekster,Kalkense meersen,2011,3,Sigma,190 -Scholekster,Kalkense meersen,2012,3,Sigma,190 -Scholekster,Kalkense meersen,2013,2,Sigma,190 -Scholekster,Kalkense meersen,2014,1,Sigma,190 -Scholekster,Kalkense meersen,2015,1,Sigma,190 -Scholekster,Kalkense meersen,2016,1,Sigma,190 -Scholekster,Kalkense meersen,2017,2,Sigma,190 -Scholekster,Kalkense meersen,2018,1,Sigma,190 -Scholekster,Kalkense meersen,2019,1,Sigma,190 -Scholekster,Kalkense meersen,2020,1,Sigma,190 -Scholekster,Kalkense meersen,2021,0,Sigma,190 -Scholekster,Kalkense meersen,2022,0,Sigma,190 -Scholekster,Kalkense meersen,2023,0,Sigma,190 -Scholekster,Ketenisse,2005,2,Estuarium buiten Sigma,190 -Scholekster,Ketenisse,2006,3,Estuarium buiten Sigma,190 -Scholekster,Ketenisse,2007,0,Estuarium buiten Sigma,190 -Scholekster,Ketenisse,2008,2,Estuarium buiten Sigma,190 -Scholekster,Ketenisse,2009,2,Estuarium buiten Sigma,190 -Scholekster,Ketenisse,2010,3,Estuarium buiten Sigma,190 -Scholekster,Ketenisse,2011,2,Estuarium buiten Sigma,190 -Scholekster,Ketenisse,2012,0,Estuarium buiten Sigma,190 -Scholekster,Ketenisse,2013,1,Estuarium buiten Sigma,190 -Scholekster,Ketenisse,2014,7,Estuarium buiten Sigma,190 -Scholekster,Ketenisse,2015,1,Estuarium buiten Sigma,190 -Scholekster,Ketenisse,2016,1,Estuarium buiten Sigma,190 -Scholekster,Ketenisse,2017,1,Estuarium buiten Sigma,190 -Scholekster,Ketenisse,2018,2,Estuarium buiten Sigma,190 -Scholekster,Ketenisse,2019,2,Estuarium buiten Sigma,190 -Scholekster,Ketenisse,2020,8,Estuarium buiten Sigma,190 -Scholekster,Ketenisse,2021,2,Estuarium buiten Sigma,190 -Scholekster,Ketenisse,2022,3,Estuarium buiten Sigma,190 -Scholekster,Ketenisse,2023,2,Estuarium buiten Sigma,190 -Scholekster,Klein Broek,2005,0,Sigma,190 -Scholekster,Klein Broek,2006,0,Sigma,190 -Scholekster,Klein Broek,2007,0,Sigma,190 -Scholekster,Klein Broek,2008,0,Sigma,190 -Scholekster,Klein Broek,2009,0,Sigma,190 -Scholekster,Klein Broek,2010,0,Sigma,190 -Scholekster,Klein Broek,2011,0,Sigma,190 -Scholekster,Klein Broek,2012,0,Sigma,190 -Scholekster,Klein Broek,2013,0,Sigma,190 -Scholekster,Klein Broek,2014,0,Sigma,190 -Scholekster,Klein Broek,2015,0,Sigma,190 -Scholekster,Klein Broek,2016,0,Sigma,190 -Scholekster,Klein Broek,2017,0,Sigma,190 -Scholekster,Klein Broek,2018,0,Sigma,190 -Scholekster,Klein Broek,2019,0,Sigma,190 -Scholekster,Klein Broek,2020,0,Sigma,190 -Scholekster,Klein Broek,2021,0,Sigma,190 -Scholekster,Klein Broek,2022,0,Sigma,190 -Scholekster,Klein Broek,2023,0,Sigma,190 -Scholekster,Mechels Broek,2005,0,Vallei buiten Sigma,190 -Scholekster,Mechels Broek,2006,0,Vallei buiten Sigma,190 -Scholekster,Mechels Broek,2007,0,Vallei buiten Sigma,190 -Scholekster,Mechels Broek,2008,0,Vallei buiten Sigma,190 -Scholekster,Mechels Broek,2009,0,Vallei buiten Sigma,190 -Scholekster,Mechels Broek,2010,0,Vallei buiten Sigma,190 -Scholekster,Mechels Broek,2011,0,Vallei buiten Sigma,190 -Scholekster,Mechels Broek,2012,0,Vallei buiten Sigma,190 -Scholekster,Mechels Broek,2013,0,Vallei buiten Sigma,190 -Scholekster,Mechels Broek,2014,0,Vallei buiten Sigma,190 -Scholekster,Mechels Broek,2015,0,Vallei buiten Sigma,190 -Scholekster,Mechels Broek,2016,0,Vallei buiten Sigma,190 -Scholekster,Mechels Broek,2017,0,Vallei buiten Sigma,190 -Scholekster,Mechels Broek,2018,0,Vallei buiten Sigma,190 -Scholekster,Mechels Broek,2019,0,Vallei buiten Sigma,190 -Scholekster,Mechels Broek,2020,0,Vallei buiten Sigma,190 -Scholekster,Mechels Broek,2021,0,Vallei buiten Sigma,190 -Scholekster,Mechels Broek,2022,0,Vallei buiten Sigma,190 -Scholekster,Mechels Broek,2023,0,Vallei buiten Sigma,190 -Scholekster,Molsbroek,2005,0,Vallei buiten Sigma,190 -Scholekster,Molsbroek,2006,0,Vallei buiten Sigma,190 -Scholekster,Molsbroek,2007,0,Vallei buiten Sigma,190 -Scholekster,Molsbroek,2008,0,Vallei buiten Sigma,190 -Scholekster,Molsbroek,2009,0,Vallei buiten Sigma,190 -Scholekster,Molsbroek,2010,0,Vallei buiten Sigma,190 -Scholekster,Molsbroek,2011,0,Vallei buiten Sigma,190 -Scholekster,Molsbroek,2012,0,Vallei buiten Sigma,190 -Scholekster,Molsbroek,2013,0,Vallei buiten Sigma,190 -Scholekster,Molsbroek,2014,0,Vallei buiten Sigma,190 -Scholekster,Molsbroek,2015,0,Vallei buiten Sigma,190 -Scholekster,Molsbroek,2016,0,Vallei buiten Sigma,190 -Scholekster,Molsbroek,2017,0,Vallei buiten Sigma,190 -Scholekster,Molsbroek,2018,0,Vallei buiten Sigma,190 -Scholekster,Molsbroek,2019,0,Vallei buiten Sigma,190 -Scholekster,Molsbroek,2020,0,Vallei buiten Sigma,190 -Scholekster,Molsbroek,2021,0,Vallei buiten Sigma,190 -Scholekster,Molsbroek,2022,0,Vallei buiten Sigma,190 -Scholekster,Molsbroek,2023,0,Vallei buiten Sigma,190 -Scholekster,Noordelijk eiland,2005,0,Vallei buiten Sigma,190 -Scholekster,Noordelijk eiland,2006,0,Vallei buiten Sigma,190 -Scholekster,Noordelijk eiland,2007,0,Vallei buiten Sigma,190 -Scholekster,Noordelijk eiland,2008,0,Vallei buiten Sigma,190 -Scholekster,Noordelijk eiland,2009,0,Vallei buiten Sigma,190 -Scholekster,Noordelijk eiland,2010,0,Vallei buiten Sigma,190 -Scholekster,Noordelijk eiland,2011,0,Vallei buiten Sigma,190 -Scholekster,Noordelijk eiland,2012,0,Vallei buiten Sigma,190 -Scholekster,Noordelijk eiland,2013,0,Vallei buiten Sigma,190 -Scholekster,Noordelijk eiland,2014,0,Vallei buiten Sigma,190 -Scholekster,Noordelijk eiland,2015,0,Vallei buiten Sigma,190 -Scholekster,Noordelijk eiland,2016,0,Vallei buiten Sigma,190 -Scholekster,Noordelijk eiland,2017,0,Vallei buiten Sigma,190 -Scholekster,Noordelijk eiland,2018,0,Vallei buiten Sigma,190 -Scholekster,Noordelijk eiland,2019,0,Vallei buiten Sigma,190 -Scholekster,Noordelijk eiland,2020,0,Vallei buiten Sigma,190 -Scholekster,Noordelijk eiland,2021,0,Vallei buiten Sigma,190 -Scholekster,Noordelijk eiland,2022,0,Vallei buiten Sigma,190 -Scholekster,Noordelijk eiland,2023,0,Vallei buiten Sigma,190 -Scholekster,NoordelijkGebied,2005,1,Sigma_LO,190 -Scholekster,NoordelijkGebied,2006,4,Sigma_LO,190 -Scholekster,NoordelijkGebied,2007,2,Sigma_LO,190 -Scholekster,NoordelijkGebied,2008,4,Sigma_LO,190 -Scholekster,NoordelijkGebied,2009,8,Sigma_LO,190 -Scholekster,NoordelijkGebied,2010,10,Sigma_LO,190 -Scholekster,NoordelijkGebied,2011,9,Sigma_LO,190 -Scholekster,NoordelijkGebied,2012,6,Sigma_LO,190 -Scholekster,NoordelijkGebied,2013,7,Sigma_LO,190 -Scholekster,NoordelijkGebied,2014,6,Sigma_LO,190 -Scholekster,NoordelijkGebied,2015,8,Sigma_LO,190 -Scholekster,NoordelijkGebied,2016,7,Sigma_LO,190 -Scholekster,NoordelijkGebied,2017,8,Sigma_LO,190 -Scholekster,NoordelijkGebied,2018,12,Sigma_LO,190 -Scholekster,NoordelijkGebied,2019,8,Sigma_LO,190 -Scholekster,NoordelijkGebied,2020,8,Sigma_LO,190 -Scholekster,NoordelijkGebied,2021,12,Sigma_LO,190 -Scholekster,NoordelijkGebied,2022,14,Sigma_LO,190 -Scholekster,NoordelijkGebied,2023,0,Sigma_LO,190 -Scholekster,Paardeweide,2005,0,Sigma,190 -Scholekster,Paardeweide,2006,0,Sigma,190 -Scholekster,Paardeweide,2007,0,Sigma,190 -Scholekster,Paardeweide,2008,0,Sigma,190 -Scholekster,Paardeweide,2009,0,Sigma,190 -Scholekster,Paardeweide,2010,0,Sigma,190 -Scholekster,Paardeweide,2011,1,Sigma,190 -Scholekster,Paardeweide,2012,0,Sigma,190 -Scholekster,Paardeweide,2013,0,Sigma,190 -Scholekster,Paardeweide,2014,1,Sigma,190 -Scholekster,Paardeweide,2015,0,Sigma,190 -Scholekster,Paardeweide,2016,0,Sigma,190 -Scholekster,Paardeweide,2017,0,Sigma,190 -Scholekster,Paardeweide,2018,0,Sigma,190 -Scholekster,Paardeweide,2019,0,Sigma,190 -Scholekster,Paardeweide,2020,0,Sigma,190 -Scholekster,Paardeweide,2021,0,Sigma,190 -Scholekster,Paardeweide,2022,0,Sigma,190 -Scholekster,Paardeweide,2023,0,Sigma,190 -Scholekster,Paardeweide oost,2005,0,Sigma,190 -Scholekster,Paardeweide oost,2006,0,Sigma,190 -Scholekster,Paardeweide oost,2007,0,Sigma,190 -Scholekster,Paardeweide oost,2008,0,Sigma,190 -Scholekster,Paardeweide oost,2009,0,Sigma,190 -Scholekster,Paardeweide oost,2010,0,Sigma,190 -Scholekster,Paardeweide oost,2011,0,Sigma,190 -Scholekster,Paardeweide oost,2012,0,Sigma,190 -Scholekster,Paardeweide oost,2013,0,Sigma,190 -Scholekster,Paardeweide oost,2014,0,Sigma,190 -Scholekster,Paardeweide oost,2015,0,Sigma,190 -Scholekster,Paardeweide oost,2016,0,Sigma,190 -Scholekster,Paardeweide oost,2017,0,Sigma,190 -Scholekster,Paardeweide oost,2018,0,Sigma,190 -Scholekster,Paardeweide oost,2019,0,Sigma,190 -Scholekster,Paardeweide oost,2020,0,Sigma,190 -Scholekster,Paardeweide oost,2021,0,Sigma,190 -Scholekster,Paardeweide oost,2022,0,Sigma,190 -Scholekster,Paardeweide oost,2023,0,Sigma,190 -Scholekster,Paardeweide west,2005,0,Sigma,190 -Scholekster,Paardeweide west,2006,0,Sigma,190 -Scholekster,Paardeweide west,2007,0,Sigma,190 -Scholekster,Paardeweide west,2008,0,Sigma,190 -Scholekster,Paardeweide west,2009,0,Sigma,190 -Scholekster,Paardeweide west,2010,0,Sigma,190 -Scholekster,Paardeweide west,2011,0,Sigma,190 -Scholekster,Paardeweide west,2012,0,Sigma,190 -Scholekster,Paardeweide west,2013,0,Sigma,190 -Scholekster,Paardeweide west,2014,0,Sigma,190 -Scholekster,Paardeweide west,2015,0,Sigma,190 -Scholekster,Paardeweide west,2016,0,Sigma,190 -Scholekster,Paardeweide west,2017,0,Sigma,190 -Scholekster,Paardeweide west,2018,0,Sigma,190 -Scholekster,Paardeweide west,2019,0,Sigma,190 -Scholekster,Paardeweide west,2020,0,Sigma,190 -Scholekster,Paardeweide west,2021,0,Sigma,190 -Scholekster,Paardeweide west,2022,0,Sigma,190 -Scholekster,Paardeweide west,2023,0,Sigma,190 -Scholekster,Potpolder Lillo,2005,0,Sigma,190 -Scholekster,Potpolder Lillo,2006,1,Sigma,190 -Scholekster,Potpolder Lillo,2007,0,Sigma,190 -Scholekster,Potpolder Lillo,2008,0,Sigma,190 -Scholekster,Potpolder Lillo,2009,0,Sigma,190 -Scholekster,Potpolder Lillo,2010,0,Sigma,190 -Scholekster,Potpolder Lillo,2011,0,Sigma,190 -Scholekster,Potpolder Lillo,2012,0,Sigma,190 -Scholekster,Potpolder Lillo,2013,0,Sigma,190 -Scholekster,Potpolder Lillo,2014,1,Sigma,190 -Scholekster,Potpolder Lillo,2015,2,Sigma,190 -Scholekster,Potpolder Lillo,2016,3,Sigma,190 -Scholekster,Potpolder Lillo,2017,3,Sigma,190 -Scholekster,Potpolder Lillo,2018,0,Sigma,190 -Scholekster,Potpolder Lillo,2019,0,Sigma,190 -Scholekster,Potpolder Lillo,2020,3,Sigma,190 -Scholekster,Potpolder Lillo,2021,2,Sigma,190 -Scholekster,Potpolder Lillo,2022,3,Sigma,190 -Scholekster,Potpolder Lillo,2023,3,Sigma,190 -Scholekster,Prosperpolder-noord,2005,0,Sigma_LO,190 -Scholekster,Prosperpolder-noord,2006,0,Sigma_LO,190 -Scholekster,Prosperpolder-noord,2007,0,Sigma_LO,190 -Scholekster,Prosperpolder-noord,2008,0,Sigma_LO,190 -Scholekster,Prosperpolder-noord,2009,0,Sigma_LO,190 -Scholekster,Prosperpolder-noord,2010,0,Sigma_LO,190 -Scholekster,Prosperpolder-noord,2011,0,Sigma_LO,190 -Scholekster,Prosperpolder-noord,2012,0,Sigma_LO,190 -Scholekster,Prosperpolder-noord,2013,0,Sigma_LO,190 -Scholekster,Prosperpolder-noord,2014,0,Sigma_LO,190 -Scholekster,Prosperpolder-noord,2015,0,Sigma_LO,190 -Scholekster,Prosperpolder-noord,2016,0,Sigma_LO,190 -Scholekster,Prosperpolder-noord,2017,0,Sigma_LO,190 -Scholekster,Prosperpolder-noord,2018,0,Sigma_LO,190 -Scholekster,Prosperpolder-noord,2019,0,Sigma_LO,190 -Scholekster,Prosperpolder-noord,2020,0,Sigma_LO,190 -Scholekster,Prosperpolder-noord,2021,0,Sigma_LO,190 -Scholekster,Prosperpolder-noord,2022,0,Sigma_LO,190 -Scholekster,Prosperpolder-noord,2023,2,Sigma_LO,190 -Scholekster,Prosperpolder-zuid,2005,0,Sigma_LO,190 -Scholekster,Prosperpolder-zuid,2006,0,Sigma_LO,190 -Scholekster,Prosperpolder-zuid,2007,0,Sigma_LO,190 -Scholekster,Prosperpolder-zuid,2008,0,Sigma_LO,190 -Scholekster,Prosperpolder-zuid,2009,0,Sigma_LO,190 -Scholekster,Prosperpolder-zuid,2010,0,Sigma_LO,190 -Scholekster,Prosperpolder-zuid,2011,0,Sigma_LO,190 -Scholekster,Prosperpolder-zuid,2012,0,Sigma_LO,190 -Scholekster,Prosperpolder-zuid,2013,0,Sigma_LO,190 -Scholekster,Prosperpolder-zuid,2014,0,Sigma_LO,190 -Scholekster,Prosperpolder-zuid,2015,0,Sigma_LO,190 -Scholekster,Prosperpolder-zuid,2016,0,Sigma_LO,190 -Scholekster,Prosperpolder-zuid,2017,0,Sigma_LO,190 -Scholekster,Prosperpolder-zuid,2018,0,Sigma_LO,190 -Scholekster,Prosperpolder-zuid,2019,0,Sigma_LO,190 -Scholekster,Prosperpolder-zuid,2020,0,Sigma_LO,190 -Scholekster,Prosperpolder-zuid,2021,0,Sigma_LO,190 -Scholekster,Prosperpolder-zuid,2022,0,Sigma_LO,190 -Scholekster,Prosperpolder-zuid,2023,1,Sigma_LO,190 -Scholekster,Scheldebroeken excl. Paardeweide-oost,2005,0,Vallei buiten Sigma,190 -Scholekster,Scheldebroeken excl. Paardeweide-oost,2006,0,Vallei buiten Sigma,190 -Scholekster,Scheldebroeken excl. Paardeweide-oost,2007,0,Vallei buiten Sigma,190 -Scholekster,Scheldebroeken excl. Paardeweide-oost,2008,0,Vallei buiten Sigma,190 -Scholekster,Scheldebroeken excl. Paardeweide-oost,2009,0,Vallei buiten Sigma,190 -Scholekster,Scheldebroeken excl. Paardeweide-oost,2010,0,Vallei buiten Sigma,190 -Scholekster,Scheldebroeken excl. Paardeweide-oost,2011,0,Vallei buiten Sigma,190 -Scholekster,Scheldebroeken excl. Paardeweide-oost,2012,0,Vallei buiten Sigma,190 -Scholekster,Scheldebroeken excl. Paardeweide-oost,2013,0,Vallei buiten Sigma,190 -Scholekster,Scheldebroeken excl. Paardeweide-oost,2014,0,Vallei buiten Sigma,190 -Scholekster,Scheldebroeken excl. Paardeweide-oost,2015,0,Vallei buiten Sigma,190 -Scholekster,Scheldebroeken excl. Paardeweide-oost,2016,0,Vallei buiten Sigma,190 -Scholekster,Scheldebroeken excl. Paardeweide-oost,2017,0,Vallei buiten Sigma,190 -Scholekster,Scheldebroeken excl. Paardeweide-oost,2018,0,Vallei buiten Sigma,190 -Scholekster,Scheldebroeken excl. Paardeweide-oost,2019,0,Vallei buiten Sigma,190 -Scholekster,Scheldebroeken excl. Paardeweide-oost,2020,0,Vallei buiten Sigma,190 -Scholekster,Scheldebroeken excl. Paardeweide-oost,2021,0,Vallei buiten Sigma,190 -Scholekster,Scheldebroeken excl. Paardeweide-oost,2022,0,Vallei buiten Sigma,190 -Scholekster,Scheldebroeken excl. Paardeweide-oost,2023,0,Vallei buiten Sigma,190 -Scholekster,Schor Ouden Doel,2005,0,Sigma_LO,190 -Scholekster,Schor Ouden Doel,2006,0,Sigma_LO,190 -Scholekster,Schor Ouden Doel,2007,0,Sigma_LO,190 -Scholekster,Schor Ouden Doel,2008,0,Sigma_LO,190 -Scholekster,Schor Ouden Doel,2009,0,Sigma_LO,190 -Scholekster,Schor Ouden Doel,2010,0,Sigma_LO,190 -Scholekster,Schor Ouden Doel,2011,0,Sigma_LO,190 -Scholekster,Schor Ouden Doel,2012,0,Sigma_LO,190 -Scholekster,Schor Ouden Doel,2013,0,Sigma_LO,190 -Scholekster,Schor Ouden Doel,2014,0,Sigma_LO,190 -Scholekster,Schor Ouden Doel,2015,0,Sigma_LO,190 -Scholekster,Schor Ouden Doel,2016,0,Sigma_LO,190 -Scholekster,Schor Ouden Doel,2017,0,Sigma_LO,190 -Scholekster,Schor Ouden Doel,2018,0,Sigma_LO,190 -Scholekster,Schor Ouden Doel,2019,0,Sigma_LO,190 -Scholekster,Schor Ouden Doel,2020,0,Sigma_LO,190 -Scholekster,Schor Ouden Doel,2021,0,Sigma_LO,190 -Scholekster,Schor Ouden Doel,2022,0,Sigma_LO,190 -Scholekster,Schor Ouden Doel,2023,0,Sigma_LO,190 -Scholekster,Viersels gebroekt,2005,0,Vallei buiten Sigma,190 -Scholekster,Viersels gebroekt,2006,0,Vallei buiten Sigma,190 -Scholekster,Viersels gebroekt,2007,0,Vallei buiten Sigma,190 -Scholekster,Viersels gebroekt,2008,0,Vallei buiten Sigma,190 -Scholekster,Viersels gebroekt,2009,0,Vallei buiten Sigma,190 -Scholekster,Viersels gebroekt,2010,0,Vallei buiten Sigma,190 -Scholekster,Viersels gebroekt,2011,0,Vallei buiten Sigma,190 -Scholekster,Viersels gebroekt,2012,0,Vallei buiten Sigma,190 -Scholekster,Viersels gebroekt,2013,0,Vallei buiten Sigma,190 -Scholekster,Viersels gebroekt,2014,0,Vallei buiten Sigma,190 -Scholekster,Viersels gebroekt,2015,0,Vallei buiten Sigma,190 -Scholekster,Viersels gebroekt,2016,0,Vallei buiten Sigma,190 -Scholekster,Viersels gebroekt,2017,0,Vallei buiten Sigma,190 -Scholekster,Viersels gebroekt,2018,0,Vallei buiten Sigma,190 -Scholekster,Viersels gebroekt,2019,0,Vallei buiten Sigma,190 -Scholekster,Viersels gebroekt,2020,0,Vallei buiten Sigma,190 -Scholekster,Viersels gebroekt,2021,0,Vallei buiten Sigma,190 -Scholekster,Viersels gebroekt,2022,0,Vallei buiten Sigma,190 -Scholekster,Viersels gebroekt,2023,0,Vallei buiten Sigma,190 -Scholekster,Weijmeerbroek,2005,0,Sigma,190 -Scholekster,Weijmeerbroek,2006,0,Sigma,190 -Scholekster,Weijmeerbroek,2007,0,Sigma,190 -Scholekster,Weijmeerbroek,2008,0,Sigma,190 -Scholekster,Weijmeerbroek,2009,0,Sigma,190 -Scholekster,Weijmeerbroek,2010,0,Sigma,190 -Scholekster,Weijmeerbroek,2011,0,Sigma,190 -Scholekster,Weijmeerbroek,2012,0,Sigma,190 -Scholekster,Weijmeerbroek,2013,0,Sigma,190 -Scholekster,Weijmeerbroek,2014,0,Sigma,190 -Scholekster,Weijmeerbroek,2015,0,Sigma,190 -Scholekster,Weijmeerbroek,2016,0,Sigma,190 -Scholekster,Weijmeerbroek,2017,0,Sigma,190 -Scholekster,Weijmeerbroek,2018,0,Sigma,190 -Scholekster,Weijmeerbroek,2019,0,Sigma,190 -Scholekster,Weijmeerbroek,2020,0,Sigma,190 -Scholekster,Weijmeerbroek,2021,0,Sigma,190 -Scholekster,Weijmeerbroek,2022,0,Sigma,190 -Scholekster,Weijmeerbroek,2023,0,Sigma,190 -Scholekster,Wijmeers,2005,0,Sigma,190 -Scholekster,Wijmeers,2006,0,Sigma,190 -Scholekster,Wijmeers,2007,0,Sigma,190 -Scholekster,Wijmeers,2008,0,Sigma,190 -Scholekster,Wijmeers,2009,0,Sigma,190 -Scholekster,Wijmeers,2010,0,Sigma,190 -Scholekster,Wijmeers,2011,0,Sigma,190 -Scholekster,Wijmeers,2012,0,Sigma,190 -Scholekster,Wijmeers,2013,0,Sigma,190 -Scholekster,Wijmeers,2014,0,Sigma,190 -Scholekster,Wijmeers,2015,0,Sigma,190 -Scholekster,Wijmeers,2016,3,Sigma,190 -Scholekster,Wijmeers,2017,2,Sigma,190 -Scholekster,Wijmeers,2018,1,Sigma,190 -Scholekster,Wijmeers,2019,0,Sigma,190 -Scholekster,Wijmeers,2020,0,Sigma,190 -Scholekster,Wijmeers,2021,0,Sigma,190 -Scholekster,Wijmeers,2022,0,Sigma,190 -Scholekster,Wijmeers,2023,0,Sigma,190 -Scholekster,Wijmeers-noord,2005,0,Sigma,190 -Scholekster,Wijmeers-noord,2006,0,Sigma,190 -Scholekster,Wijmeers-noord,2007,0,Sigma,190 -Scholekster,Wijmeers-noord,2008,0,Sigma,190 -Scholekster,Wijmeers-noord,2009,0,Sigma,190 -Scholekster,Wijmeers-noord,2010,0,Sigma,190 -Scholekster,Wijmeers-noord,2011,0,Sigma,190 -Scholekster,Wijmeers-noord,2012,0,Sigma,190 -Scholekster,Wijmeers-noord,2013,0,Sigma,190 -Scholekster,Wijmeers-noord,2014,0,Sigma,190 -Scholekster,Wijmeers-noord,2015,0,Sigma,190 -Scholekster,Wijmeers-noord,2016,0,Sigma,190 -Scholekster,Wijmeers-noord,2017,0,Sigma,190 -Scholekster,Wijmeers-noord,2018,0,Sigma,190 -Scholekster,Wijmeers-noord,2019,0,Sigma,190 -Scholekster,Wijmeers-noord,2020,0,Sigma,190 -Scholekster,Wijmeers-noord,2021,0,Sigma,190 -Scholekster,Wijmeers-noord,2022,0,Sigma,190 -Scholekster,Wijmeers-noord,2023,0,Sigma,190 -Scholekster,Wijmeers-zuid,2005,0,Sigma,190 -Scholekster,Wijmeers-zuid,2006,0,Sigma,190 -Scholekster,Wijmeers-zuid,2007,0,Sigma,190 -Scholekster,Wijmeers-zuid,2008,0,Sigma,190 -Scholekster,Wijmeers-zuid,2009,0,Sigma,190 -Scholekster,Wijmeers-zuid,2010,0,Sigma,190 -Scholekster,Wijmeers-zuid,2011,0,Sigma,190 -Scholekster,Wijmeers-zuid,2012,0,Sigma,190 -Scholekster,Wijmeers-zuid,2013,0,Sigma,190 -Scholekster,Wijmeers-zuid,2014,0,Sigma,190 -Scholekster,Wijmeers-zuid,2015,0,Sigma,190 -Scholekster,Wijmeers-zuid,2016,0,Sigma,190 -Scholekster,Wijmeers-zuid,2017,0,Sigma,190 -Scholekster,Wijmeers-zuid,2018,0,Sigma,190 -Scholekster,Wijmeers-zuid,2019,0,Sigma,190 -Scholekster,Wijmeers-zuid,2020,0,Sigma,190 -Scholekster,Wijmeers-zuid,2021,0,Sigma,190 -Scholekster,Wijmeers-zuid,2022,0,Sigma,190 -Scholekster,Wijmeers-zuid,2023,0,Sigma,190 -Scholekster,Zennegat,2005,0,Sigma,190 -Scholekster,Zennegat,2006,0,Sigma,190 -Scholekster,Zennegat,2007,0,Sigma,190 -Scholekster,Zennegat,2008,0,Sigma,190 -Scholekster,Zennegat,2009,0,Sigma,190 -Scholekster,Zennegat,2010,0,Sigma,190 -Scholekster,Zennegat,2011,0,Sigma,190 -Scholekster,Zennegat,2012,0,Sigma,190 -Scholekster,Zennegat,2013,0,Sigma,190 -Scholekster,Zennegat,2014,0,Sigma,190 -Scholekster,Zennegat,2015,0,Sigma,190 -Scholekster,Zennegat,2016,0,Sigma,190 -Scholekster,Zennegat,2017,1,Sigma,190 -Scholekster,Zennegat,2018,0,Sigma,190 -Scholekster,Zennegat,2019,0,Sigma,190 -Scholekster,Zennegat,2020,0,Sigma,190 -Scholekster,Zennegat,2021,0,Sigma,190 -Scholekster,Zennegat,2022,0,Sigma,190 -Scholekster,Zennegat,2023,0,Sigma,190 -Scholekster,Zuidelijk eiland,2005,0,Vallei buiten Sigma,190 -Scholekster,Zuidelijk eiland,2006,0,Vallei buiten Sigma,190 -Scholekster,Zuidelijk eiland,2007,0,Vallei buiten Sigma,190 -Scholekster,Zuidelijk eiland,2008,0,Vallei buiten Sigma,190 -Scholekster,Zuidelijk eiland,2009,0,Vallei buiten Sigma,190 -Scholekster,Zuidelijk eiland,2010,0,Vallei buiten Sigma,190 -Scholekster,Zuidelijk eiland,2011,0,Vallei buiten Sigma,190 -Scholekster,Zuidelijk eiland,2012,0,Vallei buiten Sigma,190 -Scholekster,Zuidelijk eiland,2013,0,Vallei buiten Sigma,190 -Scholekster,Zuidelijk eiland,2014,0,Vallei buiten Sigma,190 -Scholekster,Zuidelijk eiland,2015,0,Vallei buiten Sigma,190 -Scholekster,Zuidelijk eiland,2016,0,Vallei buiten Sigma,190 -Scholekster,Zuidelijk eiland,2017,0,Vallei buiten Sigma,190 -Scholekster,Zuidelijk eiland,2018,0,Vallei buiten Sigma,190 -Scholekster,Zuidelijk eiland,2019,0,Vallei buiten Sigma,190 -Scholekster,Zuidelijk eiland,2020,0,Vallei buiten Sigma,190 -Scholekster,Zuidelijk eiland,2021,0,Vallei buiten Sigma,190 -Scholekster,Zuidelijk eiland,2022,0,Vallei buiten Sigma,190 -Scholekster,Zuidelijk eiland,2023,0,Vallei buiten Sigma,190 -Slobeend,Beneden Nete,2005,0,Sigma,150 -Slobeend,Beneden Nete,2006,0,Sigma,150 -Slobeend,Beneden Nete,2007,0,Sigma,150 -Slobeend,Beneden Nete,2008,0,Sigma,150 -Slobeend,Beneden Nete,2009,0,Sigma,150 -Slobeend,Beneden Nete,2010,0,Sigma,150 -Slobeend,Beneden Nete,2011,0,Sigma,150 -Slobeend,Beneden Nete,2012,0,Sigma,150 -Slobeend,Beneden Nete,2013,0,Sigma,150 -Slobeend,Beneden Nete,2014,0,Sigma,150 -Slobeend,Beneden Nete,2015,0,Sigma,150 -Slobeend,Beneden Nete,2016,0,Sigma,150 -Slobeend,Beneden Nete,2017,0,Sigma,150 -Slobeend,Beneden Nete,2018,0,Sigma,150 -Slobeend,Beneden Nete,2019,0,Sigma,150 -Slobeend,Beneden Nete,2020,0,Sigma,150 -Slobeend,Beneden Nete,2021,0,Sigma,150 -Slobeend,Beneden Nete,2022,4,Sigma,150 -Slobeend,Beneden Nete,2023,1.5,Sigma,150 -Slobeend,Bergenmeersen,2005,0,Sigma,150 -Slobeend,Bergenmeersen,2006,0,Sigma,150 -Slobeend,Bergenmeersen,2007,0,Sigma,150 -Slobeend,Bergenmeersen,2008,0,Sigma,150 -Slobeend,Bergenmeersen,2009,0,Sigma,150 -Slobeend,Bergenmeersen,2010,0,Sigma,150 -Slobeend,Bergenmeersen,2011,0,Sigma,150 -Slobeend,Bergenmeersen,2012,0,Sigma,150 -Slobeend,Bergenmeersen,2013,0,Sigma,150 -Slobeend,Bergenmeersen,2014,2,Sigma,150 -Slobeend,Bergenmeersen,2015,2,Sigma,150 -Slobeend,Bergenmeersen,2016,2,Sigma,150 -Slobeend,Bergenmeersen,2017,2,Sigma,150 -Slobeend,Bergenmeersen,2018,1,Sigma,150 -Slobeend,Bergenmeersen,2019,0,Sigma,150 -Slobeend,Bergenmeersen,2020,0,Sigma,150 -Slobeend,Bergenmeersen,2021,0,Sigma,150 -Slobeend,Bergenmeersen,2022,0,Sigma,150 -Slobeend,Bergenmeersen,2023,0,Sigma,150 -Slobeend,Blokkersdijk,2005,1,BD,150 -Slobeend,Blokkersdijk,2006,0,BD,150 -Slobeend,Blokkersdijk,2007,1,BD,150 -Slobeend,Blokkersdijk,2008,1,BD,150 -Slobeend,Blokkersdijk,2009,0,BD,150 -Slobeend,Blokkersdijk,2010,0,BD,150 -Slobeend,Blokkersdijk,2011,0,BD,150 -Slobeend,Blokkersdijk,2012,0,BD,150 -Slobeend,Blokkersdijk,2013,0,BD,150 -Slobeend,Blokkersdijk,2014,0,BD,150 -Slobeend,Blokkersdijk,2015,0,BD,150 -Slobeend,Blokkersdijk,2016,0,BD,150 -Slobeend,Blokkersdijk,2017,0,BD,150 -Slobeend,Blokkersdijk,2018,0,BD,150 -Slobeend,Blokkersdijk,2019,0,BD,150 -Slobeend,Blokkersdijk,2020,0,BD,150 -Slobeend,Blokkersdijk,2021,0,BD,150 -Slobeend,Blokkersdijk,2022,0,BD,150 -Slobeend,Blokkersdijk,2023,0,BD,150 -Slobeend,Burchtse Weel,2005,0,Sigma,150 -Slobeend,Burchtse Weel,2006,0,Sigma,150 -Slobeend,Burchtse Weel,2007,0,Sigma,150 -Slobeend,Burchtse Weel,2008,0,Sigma,150 -Slobeend,Burchtse Weel,2009,0,Sigma,150 -Slobeend,Burchtse Weel,2010,0,Sigma,150 -Slobeend,Burchtse Weel,2011,0,Sigma,150 -Slobeend,Burchtse Weel,2012,0,Sigma,150 -Slobeend,Burchtse Weel,2013,0,Sigma,150 -Slobeend,Burchtse Weel,2014,0,Sigma,150 -Slobeend,Burchtse Weel,2015,0,Sigma,150 -Slobeend,Burchtse Weel,2016,0,Sigma,150 -Slobeend,Burchtse Weel,2017,0,Sigma,150 -Slobeend,Burchtse Weel,2018,0,Sigma,150 -Slobeend,Burchtse Weel,2019,0,Sigma,150 -Slobeend,Burchtse Weel,2020,0,Sigma,150 -Slobeend,Burchtse Weel,2021,0,Sigma,150 -Slobeend,Burchtse Weel,2022,0,Sigma,150 -Slobeend,Burchtse Weel,2023,0,Sigma,150 -Slobeend,Doelpolder-noord,2005,0,Sigma_LO,150 -Slobeend,Doelpolder-noord,2006,0,Sigma_LO,150 -Slobeend,Doelpolder-noord,2007,0,Sigma_LO,150 -Slobeend,Doelpolder-noord,2008,0,Sigma_LO,150 -Slobeend,Doelpolder-noord,2009,0,Sigma_LO,150 -Slobeend,Doelpolder-noord,2010,0,Sigma_LO,150 -Slobeend,Doelpolder-noord,2011,0,Sigma_LO,150 -Slobeend,Doelpolder-noord,2012,0,Sigma_LO,150 -Slobeend,Doelpolder-noord,2013,0,Sigma_LO,150 -Slobeend,Doelpolder-noord,2014,0,Sigma_LO,150 -Slobeend,Doelpolder-noord,2015,0,Sigma_LO,150 -Slobeend,Doelpolder-noord,2016,0,Sigma_LO,150 -Slobeend,Doelpolder-noord,2017,0,Sigma_LO,150 -Slobeend,Doelpolder-noord,2018,0,Sigma_LO,150 -Slobeend,Doelpolder-noord,2019,0,Sigma_LO,150 -Slobeend,Doelpolder-noord,2020,0,Sigma_LO,150 -Slobeend,Doelpolder-noord,2021,0,Sigma_LO,150 -Slobeend,Doelpolder-noord,2022,0,Sigma_LO,150 -Slobeend,Doelpolder-noord,2023,13,Sigma_LO,150 -Slobeend,Donkmeer,2005,0,Vallei buiten Sigma,150 -Slobeend,Donkmeer,2006,0,Vallei buiten Sigma,150 -Slobeend,Donkmeer,2007,0,Vallei buiten Sigma,150 -Slobeend,Donkmeer,2008,0,Vallei buiten Sigma,150 -Slobeend,Donkmeer,2009,0,Vallei buiten Sigma,150 -Slobeend,Donkmeer,2010,0,Vallei buiten Sigma,150 -Slobeend,Donkmeer,2011,0,Vallei buiten Sigma,150 -Slobeend,Donkmeer,2012,0,Vallei buiten Sigma,150 -Slobeend,Donkmeer,2013,0,Vallei buiten Sigma,150 -Slobeend,Donkmeer,2014,0,Vallei buiten Sigma,150 -Slobeend,Donkmeer,2015,0,Vallei buiten Sigma,150 -Slobeend,Donkmeer,2016,0,Vallei buiten Sigma,150 -Slobeend,Donkmeer,2017,0,Vallei buiten Sigma,150 -Slobeend,Donkmeer,2018,0,Vallei buiten Sigma,150 -Slobeend,Donkmeer,2019,0,Vallei buiten Sigma,150 -Slobeend,Donkmeer,2020,0,Vallei buiten Sigma,150 -Slobeend,Donkmeer,2021,0,Vallei buiten Sigma,150 -Slobeend,Donkmeer,2022,0,Vallei buiten Sigma,150 -Slobeend,Donkmeer,2023,0,Vallei buiten Sigma,150 -Slobeend,Durmemeersen,2005,0,Vallei buiten Sigma,150 -Slobeend,Durmemeersen,2006,0,Vallei buiten Sigma,150 -Slobeend,Durmemeersen,2007,0,Vallei buiten Sigma,150 -Slobeend,Durmemeersen,2008,0,Vallei buiten Sigma,150 -Slobeend,Durmemeersen,2009,0,Vallei buiten Sigma,150 -Slobeend,Durmemeersen,2010,0,Vallei buiten Sigma,150 -Slobeend,Durmemeersen,2011,0,Vallei buiten Sigma,150 -Slobeend,Durmemeersen,2012,0,Vallei buiten Sigma,150 -Slobeend,Durmemeersen,2013,0,Vallei buiten Sigma,150 -Slobeend,Durmemeersen,2014,0,Vallei buiten Sigma,150 -Slobeend,Durmemeersen,2015,0,Vallei buiten Sigma,150 -Slobeend,Durmemeersen,2016,0,Vallei buiten Sigma,150 -Slobeend,Durmemeersen,2017,0,Vallei buiten Sigma,150 -Slobeend,Durmemeersen,2018,0,Vallei buiten Sigma,150 -Slobeend,Durmemeersen,2019,0,Vallei buiten Sigma,150 -Slobeend,Durmemeersen,2020,0,Vallei buiten Sigma,150 -Slobeend,Durmemeersen,2021,0,Vallei buiten Sigma,150 -Slobeend,Durmemeersen,2022,0,Vallei buiten Sigma,150 -Slobeend,Durmemeersen,2023,0,Vallei buiten Sigma,150 -Slobeend,Gebieden vzwDurme,2005,0,Vallei buiten Sigma,150 -Slobeend,Gebieden vzwDurme,2006,0,Vallei buiten Sigma,150 -Slobeend,Gebieden vzwDurme,2007,0,Vallei buiten Sigma,150 -Slobeend,Gebieden vzwDurme,2008,0,Vallei buiten Sigma,150 -Slobeend,Gebieden vzwDurme,2009,0,Vallei buiten Sigma,150 -Slobeend,Gebieden vzwDurme,2010,0,Vallei buiten Sigma,150 -Slobeend,Gebieden vzwDurme,2011,0,Vallei buiten Sigma,150 -Slobeend,Gebieden vzwDurme,2012,0,Vallei buiten Sigma,150 -Slobeend,Gebieden vzwDurme,2013,0,Vallei buiten Sigma,150 -Slobeend,Gebieden vzwDurme,2014,0,Vallei buiten Sigma,150 -Slobeend,Gebieden vzwDurme,2015,0,Vallei buiten Sigma,150 -Slobeend,Gebieden vzwDurme,2016,0,Vallei buiten Sigma,150 -Slobeend,Gebieden vzwDurme,2017,0,Vallei buiten Sigma,150 -Slobeend,Gebieden vzwDurme,2018,0,Vallei buiten Sigma,150 -Slobeend,Gebieden vzwDurme,2019,0,Vallei buiten Sigma,150 -Slobeend,Gebieden vzwDurme,2020,0,Vallei buiten Sigma,150 -Slobeend,Gebieden vzwDurme,2021,0,Vallei buiten Sigma,150 -Slobeend,Gebieden vzwDurme,2022,0,Vallei buiten Sigma,150 -Slobeend,Gebieden vzwDurme,2023,0,Vallei buiten Sigma,150 -Slobeend,Gentbrugse meersen,2005,0,Vallei buiten Sigma,150 -Slobeend,Gentbrugse meersen,2006,0,Vallei buiten Sigma,150 -Slobeend,Gentbrugse meersen,2007,0,Vallei buiten Sigma,150 -Slobeend,Gentbrugse meersen,2008,0,Vallei buiten Sigma,150 -Slobeend,Gentbrugse meersen,2009,0,Vallei buiten Sigma,150 -Slobeend,Gentbrugse meersen,2010,0,Vallei buiten Sigma,150 -Slobeend,Gentbrugse meersen,2011,0,Vallei buiten Sigma,150 -Slobeend,Gentbrugse meersen,2012,0,Vallei buiten Sigma,150 -Slobeend,Gentbrugse meersen,2013,0,Vallei buiten Sigma,150 -Slobeend,Gentbrugse meersen,2014,0,Vallei buiten Sigma,150 -Slobeend,Gentbrugse meersen,2015,0,Vallei buiten Sigma,150 -Slobeend,Gentbrugse meersen,2016,0,Vallei buiten Sigma,150 -Slobeend,Gentbrugse meersen,2017,0,Vallei buiten Sigma,150 -Slobeend,Gentbrugse meersen,2018,0,Vallei buiten Sigma,150 -Slobeend,Gentbrugse meersen,2019,0,Vallei buiten Sigma,150 -Slobeend,Gentbrugse meersen,2020,0,Vallei buiten Sigma,150 -Slobeend,Gentbrugse meersen,2021,0,Vallei buiten Sigma,150 -Slobeend,Gentbrugse meersen,2022,0,Vallei buiten Sigma,150 -Slobeend,Gentbrugse meersen,2023,0,Vallei buiten Sigma,150 -Slobeend,Groot Broek,2005,0,Sigma,150 -Slobeend,Groot Broek,2006,0,Sigma,150 -Slobeend,Groot Broek,2007,0,Sigma,150 -Slobeend,Groot Broek,2008,0,Sigma,150 -Slobeend,Groot Broek,2009,0,Sigma,150 -Slobeend,Groot Broek,2010,0,Sigma,150 -Slobeend,Groot Broek,2011,0,Sigma,150 -Slobeend,Groot Broek,2012,0,Sigma,150 -Slobeend,Groot Broek,2013,0,Sigma,150 -Slobeend,Groot Broek,2014,0,Sigma,150 -Slobeend,Groot Broek,2015,0,Sigma,150 -Slobeend,Groot Broek,2016,0,Sigma,150 -Slobeend,Groot Broek,2017,0,Sigma,150 -Slobeend,Groot Broek,2018,0,Sigma,150 -Slobeend,Groot Broek,2019,0,Sigma,150 -Slobeend,Groot Broek,2020,0,Sigma,150 -Slobeend,Groot Broek,2021,0,Sigma,150 -Slobeend,Groot Broek,2022,0,Sigma,150 -Slobeend,Groot Broek,2023,0,Sigma,150 -Slobeend,Groot buitenschoor,2005,0,Estuarium buiten Sigma,150 -Slobeend,Groot buitenschoor,2006,0,Estuarium buiten Sigma,150 -Slobeend,Groot buitenschoor,2007,0,Estuarium buiten Sigma,150 -Slobeend,Groot buitenschoor,2008,0,Estuarium buiten Sigma,150 -Slobeend,Groot buitenschoor,2009,0,Estuarium buiten Sigma,150 -Slobeend,Groot buitenschoor,2010,0,Estuarium buiten Sigma,150 -Slobeend,Groot buitenschoor,2011,0,Estuarium buiten Sigma,150 -Slobeend,Groot buitenschoor,2012,0,Estuarium buiten Sigma,150 -Slobeend,Groot buitenschoor,2013,0,Estuarium buiten Sigma,150 -Slobeend,Groot buitenschoor,2014,0,Estuarium buiten Sigma,150 -Slobeend,Groot buitenschoor,2015,0,Estuarium buiten Sigma,150 -Slobeend,Groot buitenschoor,2016,0,Estuarium buiten Sigma,150 -Slobeend,Groot buitenschoor,2017,0,Estuarium buiten Sigma,150 -Slobeend,Groot buitenschoor,2018,0,Estuarium buiten Sigma,150 -Slobeend,Groot buitenschoor,2019,0,Estuarium buiten Sigma,150 -Slobeend,Groot buitenschoor,2020,0,Estuarium buiten Sigma,150 -Slobeend,Groot buitenschoor,2021,0,Estuarium buiten Sigma,150 -Slobeend,Groot buitenschoor,2022,0,Estuarium buiten Sigma,150 -Slobeend,Groot buitenschoor,2023,0,Estuarium buiten Sigma,150 -Slobeend,Grote Wal,2005,0,Sigma,150 -Slobeend,Grote Wal,2006,0,Sigma,150 -Slobeend,Grote Wal,2007,0,Sigma,150 -Slobeend,Grote Wal,2008,0,Sigma,150 -Slobeend,Grote Wal,2009,0,Sigma,150 -Slobeend,Grote Wal,2010,0,Sigma,150 -Slobeend,Grote Wal,2011,0,Sigma,150 -Slobeend,Grote Wal,2012,0,Sigma,150 -Slobeend,Grote Wal,2013,0,Sigma,150 -Slobeend,Grote Wal,2014,0,Sigma,150 -Slobeend,Grote Wal,2015,0,Sigma,150 -Slobeend,Grote Wal,2016,0,Sigma,150 -Slobeend,Grote Wal,2017,0,Sigma,150 -Slobeend,Grote Wal,2018,0,Sigma,150 -Slobeend,Grote Wal,2019,0,Sigma,150 -Slobeend,Grote Wal,2020,0,Sigma,150 -Slobeend,Grote Wal,2021,0,Sigma,150 -Slobeend,Grote Wal,2022,19,Sigma,150 -Slobeend,Grote Wal,2023,20,Sigma,150 -Slobeend,Grote vijver - deel 1,2005,0,Sigma,150 -Slobeend,Grote vijver - deel 1,2006,0,Sigma,150 -Slobeend,Grote vijver - deel 1,2007,0,Sigma,150 -Slobeend,Grote vijver - deel 1,2008,0,Sigma,150 -Slobeend,Grote vijver - deel 1,2009,0,Sigma,150 -Slobeend,Grote vijver - deel 1,2010,0,Sigma,150 -Slobeend,Grote vijver - deel 1,2011,0,Sigma,150 -Slobeend,Grote vijver - deel 1,2012,0,Sigma,150 -Slobeend,Grote vijver - deel 1,2013,0,Sigma,150 -Slobeend,Grote vijver - deel 1,2014,0,Sigma,150 -Slobeend,Grote vijver - deel 1,2015,0,Sigma,150 -Slobeend,Grote vijver - deel 1,2016,0,Sigma,150 -Slobeend,Grote vijver - deel 1,2017,0,Sigma,150 -Slobeend,Grote vijver - deel 1,2018,0,Sigma,150 -Slobeend,Grote vijver - deel 1,2019,0,Sigma,150 -Slobeend,Grote vijver - deel 1,2020,0,Sigma,150 -Slobeend,Grote vijver - deel 1,2021,0,Sigma,150 -Slobeend,Grote vijver - deel 1,2022,1,Sigma,150 -Slobeend,Grote vijver - deel 1,2023,0,Sigma,150 -Slobeend,Grote vijver - deel 2,2005,0,Sigma,150 -Slobeend,Grote vijver - deel 2,2006,0,Sigma,150 -Slobeend,Grote vijver - deel 2,2007,0,Sigma,150 -Slobeend,Grote vijver - deel 2,2008,0,Sigma,150 -Slobeend,Grote vijver - deel 2,2009,0,Sigma,150 -Slobeend,Grote vijver - deel 2,2010,0,Sigma,150 -Slobeend,Grote vijver - deel 2,2011,0,Sigma,150 -Slobeend,Grote vijver - deel 2,2012,0,Sigma,150 -Slobeend,Grote vijver - deel 2,2013,0,Sigma,150 -Slobeend,Grote vijver - deel 2,2014,0,Sigma,150 -Slobeend,Grote vijver - deel 2,2015,0,Sigma,150 -Slobeend,Grote vijver - deel 2,2016,0,Sigma,150 -Slobeend,Grote vijver - deel 2,2017,0,Sigma,150 -Slobeend,Grote vijver - deel 2,2018,0,Sigma,150 -Slobeend,Grote vijver - deel 2,2019,0,Sigma,150 -Slobeend,Grote vijver - deel 2,2020,0,Sigma,150 -Slobeend,Grote vijver - deel 2,2021,0,Sigma,150 -Slobeend,Grote vijver - deel 2,2022,0,Sigma,150 -Slobeend,Grote vijver - deel 2,2023,0,Sigma,150 -Slobeend,KBR,2005,1,Sigma,150 -Slobeend,KBR,2006,1,Sigma,150 -Slobeend,KBR,2007,1,Sigma,150 -Slobeend,KBR,2008,4,Sigma,150 -Slobeend,KBR,2009,1,Sigma,150 -Slobeend,KBR,2010,2,Sigma,150 -Slobeend,KBR,2011,1,Sigma,150 -Slobeend,KBR,2012,2,Sigma,150 -Slobeend,KBR,2013,3,Sigma,150 -Slobeend,KBR,2014,2,Sigma,150 -Slobeend,KBR,2015,5,Sigma,150 -Slobeend,KBR,2016,5,Sigma,150 -Slobeend,KBR,2017,5,Sigma,150 -Slobeend,KBR,2018,3,Sigma,150 -Slobeend,KBR,2019,3,Sigma,150 -Slobeend,KBR,2020,0,Sigma,150 -Slobeend,KBR,2021,6,Sigma,150 -Slobeend,KBR,2022,3,Sigma,150 -Slobeend,KBR,2023,0,Sigma,150 -Slobeend,Kalkense meersen,2005,12,Sigma,150 -Slobeend,Kalkense meersen,2006,12,Sigma,150 -Slobeend,Kalkense meersen,2007,12,Sigma,150 -Slobeend,Kalkense meersen,2008,12,Sigma,150 -Slobeend,Kalkense meersen,2009,12,Sigma,150 -Slobeend,Kalkense meersen,2010,12,Sigma,150 -Slobeend,Kalkense meersen,2011,12,Sigma,150 -Slobeend,Kalkense meersen,2012,12,Sigma,150 -Slobeend,Kalkense meersen,2013,16,Sigma,150 -Slobeend,Kalkense meersen,2014,9,Sigma,150 -Slobeend,Kalkense meersen,2015,10,Sigma,150 -Slobeend,Kalkense meersen,2016,10,Sigma,150 -Slobeend,Kalkense meersen,2017,13,Sigma,150 -Slobeend,Kalkense meersen,2018,13,Sigma,150 -Slobeend,Kalkense meersen,2019,12,Sigma,150 -Slobeend,Kalkense meersen,2020,12,Sigma,150 -Slobeend,Kalkense meersen,2021,9,Sigma,150 -Slobeend,Kalkense meersen,2022,11,Sigma,150 -Slobeend,Kalkense meersen,2023,11,Sigma,150 -Slobeend,Ketenisse,2005,1,Estuarium buiten Sigma,150 -Slobeend,Ketenisse,2006,0,Estuarium buiten Sigma,150 -Slobeend,Ketenisse,2007,0,Estuarium buiten Sigma,150 -Slobeend,Ketenisse,2008,0,Estuarium buiten Sigma,150 -Slobeend,Ketenisse,2009,0,Estuarium buiten Sigma,150 -Slobeend,Ketenisse,2010,0,Estuarium buiten Sigma,150 -Slobeend,Ketenisse,2011,0,Estuarium buiten Sigma,150 -Slobeend,Ketenisse,2012,0,Estuarium buiten Sigma,150 -Slobeend,Ketenisse,2013,0,Estuarium buiten Sigma,150 -Slobeend,Ketenisse,2014,0,Estuarium buiten Sigma,150 -Slobeend,Ketenisse,2015,0,Estuarium buiten Sigma,150 -Slobeend,Ketenisse,2016,0,Estuarium buiten Sigma,150 -Slobeend,Ketenisse,2017,0,Estuarium buiten Sigma,150 -Slobeend,Ketenisse,2018,0,Estuarium buiten Sigma,150 -Slobeend,Ketenisse,2019,0,Estuarium buiten Sigma,150 -Slobeend,Ketenisse,2020,0,Estuarium buiten Sigma,150 -Slobeend,Ketenisse,2021,0,Estuarium buiten Sigma,150 -Slobeend,Ketenisse,2022,0,Estuarium buiten Sigma,150 -Slobeend,Ketenisse,2023,0,Estuarium buiten Sigma,150 -Slobeend,Klein Broek,2005,0,Sigma,150 -Slobeend,Klein Broek,2006,0,Sigma,150 -Slobeend,Klein Broek,2007,0,Sigma,150 -Slobeend,Klein Broek,2008,0,Sigma,150 -Slobeend,Klein Broek,2009,0,Sigma,150 -Slobeend,Klein Broek,2010,0,Sigma,150 -Slobeend,Klein Broek,2011,0,Sigma,150 -Slobeend,Klein Broek,2012,0,Sigma,150 -Slobeend,Klein Broek,2013,0,Sigma,150 -Slobeend,Klein Broek,2014,0,Sigma,150 -Slobeend,Klein Broek,2015,0,Sigma,150 -Slobeend,Klein Broek,2016,0,Sigma,150 -Slobeend,Klein Broek,2017,0,Sigma,150 -Slobeend,Klein Broek,2018,0,Sigma,150 -Slobeend,Klein Broek,2019,0,Sigma,150 -Slobeend,Klein Broek,2020,0,Sigma,150 -Slobeend,Klein Broek,2021,0,Sigma,150 -Slobeend,Klein Broek,2022,0,Sigma,150 -Slobeend,Klein Broek,2023,0,Sigma,150 -Slobeend,Mechels Broek,2005,0,Vallei buiten Sigma,150 -Slobeend,Mechels Broek,2006,0,Vallei buiten Sigma,150 -Slobeend,Mechels Broek,2007,0,Vallei buiten Sigma,150 -Slobeend,Mechels Broek,2008,0,Vallei buiten Sigma,150 -Slobeend,Mechels Broek,2009,0,Vallei buiten Sigma,150 -Slobeend,Mechels Broek,2010,0,Vallei buiten Sigma,150 -Slobeend,Mechels Broek,2011,0,Vallei buiten Sigma,150 -Slobeend,Mechels Broek,2012,0,Vallei buiten Sigma,150 -Slobeend,Mechels Broek,2013,0,Vallei buiten Sigma,150 -Slobeend,Mechels Broek,2014,0,Vallei buiten Sigma,150 -Slobeend,Mechels Broek,2015,0,Vallei buiten Sigma,150 -Slobeend,Mechels Broek,2016,0,Vallei buiten Sigma,150 -Slobeend,Mechels Broek,2017,0,Vallei buiten Sigma,150 -Slobeend,Mechels Broek,2018,0,Vallei buiten Sigma,150 -Slobeend,Mechels Broek,2019,0,Vallei buiten Sigma,150 -Slobeend,Mechels Broek,2020,0,Vallei buiten Sigma,150 -Slobeend,Mechels Broek,2021,0,Vallei buiten Sigma,150 -Slobeend,Mechels Broek,2022,0,Vallei buiten Sigma,150 -Slobeend,Mechels Broek,2023,0,Vallei buiten Sigma,150 -Slobeend,Molsbroek,2005,0,Vallei buiten Sigma,150 -Slobeend,Molsbroek,2006,0,Vallei buiten Sigma,150 -Slobeend,Molsbroek,2007,0,Vallei buiten Sigma,150 -Slobeend,Molsbroek,2008,0,Vallei buiten Sigma,150 -Slobeend,Molsbroek,2009,0,Vallei buiten Sigma,150 -Slobeend,Molsbroek,2010,0,Vallei buiten Sigma,150 -Slobeend,Molsbroek,2011,0,Vallei buiten Sigma,150 -Slobeend,Molsbroek,2012,0,Vallei buiten Sigma,150 -Slobeend,Molsbroek,2013,0,Vallei buiten Sigma,150 -Slobeend,Molsbroek,2014,0,Vallei buiten Sigma,150 -Slobeend,Molsbroek,2015,0,Vallei buiten Sigma,150 -Slobeend,Molsbroek,2016,0,Vallei buiten Sigma,150 -Slobeend,Molsbroek,2017,0,Vallei buiten Sigma,150 -Slobeend,Molsbroek,2018,0,Vallei buiten Sigma,150 -Slobeend,Molsbroek,2019,0,Vallei buiten Sigma,150 -Slobeend,Molsbroek,2020,0,Vallei buiten Sigma,150 -Slobeend,Molsbroek,2021,0,Vallei buiten Sigma,150 -Slobeend,Molsbroek,2022,0,Vallei buiten Sigma,150 -Slobeend,Molsbroek,2023,0,Vallei buiten Sigma,150 -Slobeend,Noordelijk eiland,2005,0,Vallei buiten Sigma,150 -Slobeend,Noordelijk eiland,2006,0,Vallei buiten Sigma,150 -Slobeend,Noordelijk eiland,2007,0,Vallei buiten Sigma,150 -Slobeend,Noordelijk eiland,2008,0,Vallei buiten Sigma,150 -Slobeend,Noordelijk eiland,2009,0,Vallei buiten Sigma,150 -Slobeend,Noordelijk eiland,2010,0,Vallei buiten Sigma,150 -Slobeend,Noordelijk eiland,2011,0,Vallei buiten Sigma,150 -Slobeend,Noordelijk eiland,2012,0,Vallei buiten Sigma,150 -Slobeend,Noordelijk eiland,2013,0,Vallei buiten Sigma,150 -Slobeend,Noordelijk eiland,2014,0,Vallei buiten Sigma,150 -Slobeend,Noordelijk eiland,2015,0,Vallei buiten Sigma,150 -Slobeend,Noordelijk eiland,2016,0,Vallei buiten Sigma,150 -Slobeend,Noordelijk eiland,2017,0,Vallei buiten Sigma,150 -Slobeend,Noordelijk eiland,2018,0,Vallei buiten Sigma,150 -Slobeend,Noordelijk eiland,2019,0,Vallei buiten Sigma,150 -Slobeend,Noordelijk eiland,2020,0,Vallei buiten Sigma,150 -Slobeend,Noordelijk eiland,2021,0,Vallei buiten Sigma,150 -Slobeend,Noordelijk eiland,2022,0,Vallei buiten Sigma,150 -Slobeend,Noordelijk eiland,2023,0,Vallei buiten Sigma,150 -Slobeend,NoordelijkGebied,2005,1,Sigma_LO,150 -Slobeend,NoordelijkGebied,2006,1,Sigma_LO,150 -Slobeend,NoordelijkGebied,2007,1,Sigma_LO,150 -Slobeend,NoordelijkGebied,2008,0,Sigma_LO,150 -Slobeend,NoordelijkGebied,2009,4,Sigma_LO,150 -Slobeend,NoordelijkGebied,2010,16,Sigma_LO,150 -Slobeend,NoordelijkGebied,2011,12,Sigma_LO,150 -Slobeend,NoordelijkGebied,2012,34,Sigma_LO,150 -Slobeend,NoordelijkGebied,2013,10,Sigma_LO,150 -Slobeend,NoordelijkGebied,2014,23,Sigma_LO,150 -Slobeend,NoordelijkGebied,2015,20,Sigma_LO,150 -Slobeend,NoordelijkGebied,2016,13,Sigma_LO,150 -Slobeend,NoordelijkGebied,2017,12,Sigma_LO,150 -Slobeend,NoordelijkGebied,2018,10,Sigma_LO,150 -Slobeend,NoordelijkGebied,2019,10,Sigma_LO,150 -Slobeend,NoordelijkGebied,2020,7,Sigma_LO,150 -Slobeend,NoordelijkGebied,2021,9,Sigma_LO,150 -Slobeend,NoordelijkGebied,2022,7,Sigma_LO,150 -Slobeend,NoordelijkGebied,2023,0,Sigma_LO,150 -Slobeend,Paardeweide,2005,0,Sigma,150 -Slobeend,Paardeweide,2006,0,Sigma,150 -Slobeend,Paardeweide,2007,0,Sigma,150 -Slobeend,Paardeweide,2008,0,Sigma,150 -Slobeend,Paardeweide,2009,0,Sigma,150 -Slobeend,Paardeweide,2010,0,Sigma,150 -Slobeend,Paardeweide,2011,0,Sigma,150 -Slobeend,Paardeweide,2012,0,Sigma,150 -Slobeend,Paardeweide,2013,0,Sigma,150 -Slobeend,Paardeweide,2014,12,Sigma,150 -Slobeend,Paardeweide,2015,8,Sigma,150 -Slobeend,Paardeweide,2016,4,Sigma,150 -Slobeend,Paardeweide,2017,5,Sigma,150 -Slobeend,Paardeweide,2018,6,Sigma,150 -Slobeend,Paardeweide,2019,6,Sigma,150 -Slobeend,Paardeweide,2020,6,Sigma,150 -Slobeend,Paardeweide,2021,0,Sigma,150 -Slobeend,Paardeweide,2022,0,Sigma,150 -Slobeend,Paardeweide,2023,0,Sigma,150 -Slobeend,Paardeweide oost,2005,0,Sigma,150 -Slobeend,Paardeweide oost,2006,0,Sigma,150 -Slobeend,Paardeweide oost,2007,0,Sigma,150 -Slobeend,Paardeweide oost,2008,0,Sigma,150 -Slobeend,Paardeweide oost,2009,0,Sigma,150 -Slobeend,Paardeweide oost,2010,0,Sigma,150 -Slobeend,Paardeweide oost,2011,0,Sigma,150 -Slobeend,Paardeweide oost,2012,0,Sigma,150 -Slobeend,Paardeweide oost,2013,0,Sigma,150 -Slobeend,Paardeweide oost,2014,0,Sigma,150 -Slobeend,Paardeweide oost,2015,0,Sigma,150 -Slobeend,Paardeweide oost,2016,0,Sigma,150 -Slobeend,Paardeweide oost,2017,0,Sigma,150 -Slobeend,Paardeweide oost,2018,0,Sigma,150 -Slobeend,Paardeweide oost,2019,0,Sigma,150 -Slobeend,Paardeweide oost,2020,0,Sigma,150 -Slobeend,Paardeweide oost,2021,0,Sigma,150 -Slobeend,Paardeweide oost,2022,0,Sigma,150 -Slobeend,Paardeweide oost,2023,0,Sigma,150 -Slobeend,Paardeweide west,2005,0,Sigma,150 -Slobeend,Paardeweide west,2006,0,Sigma,150 -Slobeend,Paardeweide west,2007,0,Sigma,150 -Slobeend,Paardeweide west,2008,0,Sigma,150 -Slobeend,Paardeweide west,2009,0,Sigma,150 -Slobeend,Paardeweide west,2010,0,Sigma,150 -Slobeend,Paardeweide west,2011,0,Sigma,150 -Slobeend,Paardeweide west,2012,0,Sigma,150 -Slobeend,Paardeweide west,2013,0,Sigma,150 -Slobeend,Paardeweide west,2014,0,Sigma,150 -Slobeend,Paardeweide west,2015,0,Sigma,150 -Slobeend,Paardeweide west,2016,0,Sigma,150 -Slobeend,Paardeweide west,2017,0,Sigma,150 -Slobeend,Paardeweide west,2018,0,Sigma,150 -Slobeend,Paardeweide west,2019,0,Sigma,150 -Slobeend,Paardeweide west,2020,0,Sigma,150 -Slobeend,Paardeweide west,2021,0,Sigma,150 -Slobeend,Paardeweide west,2022,0,Sigma,150 -Slobeend,Paardeweide west,2023,0,Sigma,150 -Slobeend,Potpolder Lillo,2005,4,Sigma,150 -Slobeend,Potpolder Lillo,2006,3,Sigma,150 -Slobeend,Potpolder Lillo,2007,6,Sigma,150 -Slobeend,Potpolder Lillo,2008,4,Sigma,150 -Slobeend,Potpolder Lillo,2009,4,Sigma,150 -Slobeend,Potpolder Lillo,2010,4,Sigma,150 -Slobeend,Potpolder Lillo,2011,4,Sigma,150 -Slobeend,Potpolder Lillo,2012,4,Sigma,150 -Slobeend,Potpolder Lillo,2013,0,Sigma,150 -Slobeend,Potpolder Lillo,2014,0,Sigma,150 -Slobeend,Potpolder Lillo,2015,0,Sigma,150 -Slobeend,Potpolder Lillo,2016,0,Sigma,150 -Slobeend,Potpolder Lillo,2017,0,Sigma,150 -Slobeend,Potpolder Lillo,2018,0,Sigma,150 -Slobeend,Potpolder Lillo,2019,0,Sigma,150 -Slobeend,Potpolder Lillo,2020,0,Sigma,150 -Slobeend,Potpolder Lillo,2021,0,Sigma,150 -Slobeend,Potpolder Lillo,2022,0,Sigma,150 -Slobeend,Potpolder Lillo,2023,0,Sigma,150 -Slobeend,Prosperpolder-noord,2005,0,Sigma_LO,150 -Slobeend,Prosperpolder-noord,2006,0,Sigma_LO,150 -Slobeend,Prosperpolder-noord,2007,0,Sigma_LO,150 -Slobeend,Prosperpolder-noord,2008,0,Sigma_LO,150 -Slobeend,Prosperpolder-noord,2009,0,Sigma_LO,150 -Slobeend,Prosperpolder-noord,2010,0,Sigma_LO,150 -Slobeend,Prosperpolder-noord,2011,0,Sigma_LO,150 -Slobeend,Prosperpolder-noord,2012,0,Sigma_LO,150 -Slobeend,Prosperpolder-noord,2013,0,Sigma_LO,150 -Slobeend,Prosperpolder-noord,2014,0,Sigma_LO,150 -Slobeend,Prosperpolder-noord,2015,0,Sigma_LO,150 -Slobeend,Prosperpolder-noord,2016,0,Sigma_LO,150 -Slobeend,Prosperpolder-noord,2017,0,Sigma_LO,150 -Slobeend,Prosperpolder-noord,2018,0,Sigma_LO,150 -Slobeend,Prosperpolder-noord,2019,0,Sigma_LO,150 -Slobeend,Prosperpolder-noord,2020,0,Sigma_LO,150 -Slobeend,Prosperpolder-noord,2021,0,Sigma_LO,150 -Slobeend,Prosperpolder-noord,2022,0,Sigma_LO,150 -Slobeend,Prosperpolder-noord,2023,0,Sigma_LO,150 -Slobeend,Prosperpolder-zuid,2005,0,Sigma_LO,150 -Slobeend,Prosperpolder-zuid,2006,0,Sigma_LO,150 -Slobeend,Prosperpolder-zuid,2007,0,Sigma_LO,150 -Slobeend,Prosperpolder-zuid,2008,0,Sigma_LO,150 -Slobeend,Prosperpolder-zuid,2009,0,Sigma_LO,150 -Slobeend,Prosperpolder-zuid,2010,0,Sigma_LO,150 -Slobeend,Prosperpolder-zuid,2011,0,Sigma_LO,150 -Slobeend,Prosperpolder-zuid,2012,0,Sigma_LO,150 -Slobeend,Prosperpolder-zuid,2013,0,Sigma_LO,150 -Slobeend,Prosperpolder-zuid,2014,0,Sigma_LO,150 -Slobeend,Prosperpolder-zuid,2015,0,Sigma_LO,150 -Slobeend,Prosperpolder-zuid,2016,0,Sigma_LO,150 -Slobeend,Prosperpolder-zuid,2017,0,Sigma_LO,150 -Slobeend,Prosperpolder-zuid,2018,0,Sigma_LO,150 -Slobeend,Prosperpolder-zuid,2019,0,Sigma_LO,150 -Slobeend,Prosperpolder-zuid,2020,0,Sigma_LO,150 -Slobeend,Prosperpolder-zuid,2021,0,Sigma_LO,150 -Slobeend,Prosperpolder-zuid,2022,0,Sigma_LO,150 -Slobeend,Prosperpolder-zuid,2023,2,Sigma_LO,150 -Slobeend,Scheldebroeken excl. Paardeweide-oost,2005,0,Vallei buiten Sigma,150 -Slobeend,Scheldebroeken excl. Paardeweide-oost,2006,0,Vallei buiten Sigma,150 -Slobeend,Scheldebroeken excl. Paardeweide-oost,2007,0,Vallei buiten Sigma,150 -Slobeend,Scheldebroeken excl. Paardeweide-oost,2008,0,Vallei buiten Sigma,150 -Slobeend,Scheldebroeken excl. Paardeweide-oost,2009,0,Vallei buiten Sigma,150 -Slobeend,Scheldebroeken excl. Paardeweide-oost,2010,0,Vallei buiten Sigma,150 -Slobeend,Scheldebroeken excl. Paardeweide-oost,2011,0,Vallei buiten Sigma,150 -Slobeend,Scheldebroeken excl. Paardeweide-oost,2012,0,Vallei buiten Sigma,150 -Slobeend,Scheldebroeken excl. Paardeweide-oost,2013,0,Vallei buiten Sigma,150 -Slobeend,Scheldebroeken excl. Paardeweide-oost,2014,0,Vallei buiten Sigma,150 -Slobeend,Scheldebroeken excl. Paardeweide-oost,2015,0,Vallei buiten Sigma,150 -Slobeend,Scheldebroeken excl. Paardeweide-oost,2016,0,Vallei buiten Sigma,150 -Slobeend,Scheldebroeken excl. Paardeweide-oost,2017,0,Vallei buiten Sigma,150 -Slobeend,Scheldebroeken excl. Paardeweide-oost,2018,0,Vallei buiten Sigma,150 -Slobeend,Scheldebroeken excl. Paardeweide-oost,2019,0,Vallei buiten Sigma,150 -Slobeend,Scheldebroeken excl. Paardeweide-oost,2020,0,Vallei buiten Sigma,150 -Slobeend,Scheldebroeken excl. Paardeweide-oost,2021,0,Vallei buiten Sigma,150 -Slobeend,Scheldebroeken excl. Paardeweide-oost,2022,0,Vallei buiten Sigma,150 -Slobeend,Scheldebroeken excl. Paardeweide-oost,2023,0,Vallei buiten Sigma,150 -Slobeend,Schor Ouden Doel,2005,0,Sigma_LO,150 -Slobeend,Schor Ouden Doel,2006,0,Sigma_LO,150 -Slobeend,Schor Ouden Doel,2007,0,Sigma_LO,150 -Slobeend,Schor Ouden Doel,2008,0,Sigma_LO,150 -Slobeend,Schor Ouden Doel,2009,0,Sigma_LO,150 -Slobeend,Schor Ouden Doel,2010,0,Sigma_LO,150 -Slobeend,Schor Ouden Doel,2011,0,Sigma_LO,150 -Slobeend,Schor Ouden Doel,2012,0,Sigma_LO,150 -Slobeend,Schor Ouden Doel,2013,0,Sigma_LO,150 -Slobeend,Schor Ouden Doel,2014,0,Sigma_LO,150 -Slobeend,Schor Ouden Doel,2015,0,Sigma_LO,150 -Slobeend,Schor Ouden Doel,2016,0,Sigma_LO,150 -Slobeend,Schor Ouden Doel,2017,0,Sigma_LO,150 -Slobeend,Schor Ouden Doel,2018,0,Sigma_LO,150 -Slobeend,Schor Ouden Doel,2019,0,Sigma_LO,150 -Slobeend,Schor Ouden Doel,2020,0,Sigma_LO,150 -Slobeend,Schor Ouden Doel,2021,0,Sigma_LO,150 -Slobeend,Schor Ouden Doel,2022,0,Sigma_LO,150 -Slobeend,Schor Ouden Doel,2023,0,Sigma_LO,150 -Slobeend,Viersels gebroekt,2005,0,Vallei buiten Sigma,150 -Slobeend,Viersels gebroekt,2006,0,Vallei buiten Sigma,150 -Slobeend,Viersels gebroekt,2007,0,Vallei buiten Sigma,150 -Slobeend,Viersels gebroekt,2008,0,Vallei buiten Sigma,150 -Slobeend,Viersels gebroekt,2009,0,Vallei buiten Sigma,150 -Slobeend,Viersels gebroekt,2010,0,Vallei buiten Sigma,150 -Slobeend,Viersels gebroekt,2011,0,Vallei buiten Sigma,150 -Slobeend,Viersels gebroekt,2012,0,Vallei buiten Sigma,150 -Slobeend,Viersels gebroekt,2013,0,Vallei buiten Sigma,150 -Slobeend,Viersels gebroekt,2014,0,Vallei buiten Sigma,150 -Slobeend,Viersels gebroekt,2015,0,Vallei buiten Sigma,150 -Slobeend,Viersels gebroekt,2016,0,Vallei buiten Sigma,150 -Slobeend,Viersels gebroekt,2017,0,Vallei buiten Sigma,150 -Slobeend,Viersels gebroekt,2018,0,Vallei buiten Sigma,150 -Slobeend,Viersels gebroekt,2019,0,Vallei buiten Sigma,150 -Slobeend,Viersels gebroekt,2020,0,Vallei buiten Sigma,150 -Slobeend,Viersels gebroekt,2021,0,Vallei buiten Sigma,150 -Slobeend,Viersels gebroekt,2022,0,Vallei buiten Sigma,150 -Slobeend,Viersels gebroekt,2023,0,Vallei buiten Sigma,150 -Slobeend,Weijmeerbroek,2005,0,Sigma,150 -Slobeend,Weijmeerbroek,2006,0,Sigma,150 -Slobeend,Weijmeerbroek,2007,0,Sigma,150 -Slobeend,Weijmeerbroek,2008,0,Sigma,150 -Slobeend,Weijmeerbroek,2009,0,Sigma,150 -Slobeend,Weijmeerbroek,2010,0,Sigma,150 -Slobeend,Weijmeerbroek,2011,0,Sigma,150 -Slobeend,Weijmeerbroek,2012,0,Sigma,150 -Slobeend,Weijmeerbroek,2013,0,Sigma,150 -Slobeend,Weijmeerbroek,2014,2,Sigma,150 -Slobeend,Weijmeerbroek,2015,1,Sigma,150 -Slobeend,Weijmeerbroek,2016,0,Sigma,150 -Slobeend,Weijmeerbroek,2017,0,Sigma,150 -Slobeend,Weijmeerbroek,2018,0,Sigma,150 -Slobeend,Weijmeerbroek,2019,0,Sigma,150 -Slobeend,Weijmeerbroek,2020,0,Sigma,150 -Slobeend,Weijmeerbroek,2021,2,Sigma,150 -Slobeend,Weijmeerbroek,2022,0,Sigma,150 -Slobeend,Weijmeerbroek,2023,3,Sigma,150 -Slobeend,Wijmeers,2005,2,Sigma,150 -Slobeend,Wijmeers,2006,2,Sigma,150 -Slobeend,Wijmeers,2007,2,Sigma,150 -Slobeend,Wijmeers,2008,2,Sigma,150 -Slobeend,Wijmeers,2009,2,Sigma,150 -Slobeend,Wijmeers,2010,2,Sigma,150 -Slobeend,Wijmeers,2011,2,Sigma,150 -Slobeend,Wijmeers,2012,2,Sigma,150 -Slobeend,Wijmeers,2013,2,Sigma,150 -Slobeend,Wijmeers,2014,2,Sigma,150 -Slobeend,Wijmeers,2015,2,Sigma,150 -Slobeend,Wijmeers,2016,8,Sigma,150 -Slobeend,Wijmeers,2017,8,Sigma,150 -Slobeend,Wijmeers,2018,5,Sigma,150 -Slobeend,Wijmeers,2019,2,Sigma,150 -Slobeend,Wijmeers,2020,2,Sigma,150 -Slobeend,Wijmeers,2021,0,Sigma,150 -Slobeend,Wijmeers,2022,0,Sigma,150 -Slobeend,Wijmeers,2023,0,Sigma,150 -Slobeend,Wijmeers-noord,2005,0,Sigma,150 -Slobeend,Wijmeers-noord,2006,0,Sigma,150 -Slobeend,Wijmeers-noord,2007,0,Sigma,150 -Slobeend,Wijmeers-noord,2008,0,Sigma,150 -Slobeend,Wijmeers-noord,2009,0,Sigma,150 -Slobeend,Wijmeers-noord,2010,0,Sigma,150 -Slobeend,Wijmeers-noord,2011,0,Sigma,150 -Slobeend,Wijmeers-noord,2012,0,Sigma,150 -Slobeend,Wijmeers-noord,2013,0,Sigma,150 -Slobeend,Wijmeers-noord,2014,0,Sigma,150 -Slobeend,Wijmeers-noord,2015,0,Sigma,150 -Slobeend,Wijmeers-noord,2016,0,Sigma,150 -Slobeend,Wijmeers-noord,2017,0,Sigma,150 -Slobeend,Wijmeers-noord,2018,0,Sigma,150 -Slobeend,Wijmeers-noord,2019,0,Sigma,150 -Slobeend,Wijmeers-noord,2020,0,Sigma,150 -Slobeend,Wijmeers-noord,2021,2,Sigma,150 -Slobeend,Wijmeers-noord,2022,2,Sigma,150 -Slobeend,Wijmeers-noord,2023,2,Sigma,150 -Slobeend,Wijmeers-zuid,2005,0,Sigma,150 -Slobeend,Wijmeers-zuid,2006,0,Sigma,150 -Slobeend,Wijmeers-zuid,2007,0,Sigma,150 -Slobeend,Wijmeers-zuid,2008,0,Sigma,150 -Slobeend,Wijmeers-zuid,2009,0,Sigma,150 -Slobeend,Wijmeers-zuid,2010,0,Sigma,150 -Slobeend,Wijmeers-zuid,2011,0,Sigma,150 -Slobeend,Wijmeers-zuid,2012,0,Sigma,150 -Slobeend,Wijmeers-zuid,2013,0,Sigma,150 -Slobeend,Wijmeers-zuid,2014,0,Sigma,150 -Slobeend,Wijmeers-zuid,2015,0,Sigma,150 -Slobeend,Wijmeers-zuid,2016,0,Sigma,150 -Slobeend,Wijmeers-zuid,2017,0,Sigma,150 -Slobeend,Wijmeers-zuid,2018,0,Sigma,150 -Slobeend,Wijmeers-zuid,2019,0,Sigma,150 -Slobeend,Wijmeers-zuid,2020,0,Sigma,150 -Slobeend,Wijmeers-zuid,2021,0,Sigma,150 -Slobeend,Wijmeers-zuid,2022,0,Sigma,150 -Slobeend,Wijmeers-zuid,2023,0,Sigma,150 -Slobeend,Zennegat,2005,0,Sigma,150 -Slobeend,Zennegat,2006,0,Sigma,150 -Slobeend,Zennegat,2007,0,Sigma,150 -Slobeend,Zennegat,2008,0,Sigma,150 -Slobeend,Zennegat,2009,0,Sigma,150 -Slobeend,Zennegat,2010,0,Sigma,150 -Slobeend,Zennegat,2011,0,Sigma,150 -Slobeend,Zennegat,2012,0,Sigma,150 -Slobeend,Zennegat,2013,0,Sigma,150 -Slobeend,Zennegat,2014,0,Sigma,150 -Slobeend,Zennegat,2015,0,Sigma,150 -Slobeend,Zennegat,2016,0,Sigma,150 -Slobeend,Zennegat,2017,0,Sigma,150 -Slobeend,Zennegat,2018,8,Sigma,150 -Slobeend,Zennegat,2019,6,Sigma,150 -Slobeend,Zennegat,2020,4,Sigma,150 -Slobeend,Zennegat,2021,5,Sigma,150 -Slobeend,Zennegat,2022,4,Sigma,150 -Slobeend,Zennegat,2023,5,Sigma,150 -Slobeend,Zuidelijk eiland,2005,0,Vallei buiten Sigma,150 -Slobeend,Zuidelijk eiland,2006,0,Vallei buiten Sigma,150 -Slobeend,Zuidelijk eiland,2007,0,Vallei buiten Sigma,150 -Slobeend,Zuidelijk eiland,2008,0,Vallei buiten Sigma,150 -Slobeend,Zuidelijk eiland,2009,0,Vallei buiten Sigma,150 -Slobeend,Zuidelijk eiland,2010,0,Vallei buiten Sigma,150 -Slobeend,Zuidelijk eiland,2011,0,Vallei buiten Sigma,150 -Slobeend,Zuidelijk eiland,2012,0,Vallei buiten Sigma,150 -Slobeend,Zuidelijk eiland,2013,0,Vallei buiten Sigma,150 -Slobeend,Zuidelijk eiland,2014,0,Vallei buiten Sigma,150 -Slobeend,Zuidelijk eiland,2015,0,Vallei buiten Sigma,150 -Slobeend,Zuidelijk eiland,2016,0,Vallei buiten Sigma,150 -Slobeend,Zuidelijk eiland,2017,0,Vallei buiten Sigma,150 -Slobeend,Zuidelijk eiland,2018,0,Vallei buiten Sigma,150 -Slobeend,Zuidelijk eiland,2019,0,Vallei buiten Sigma,150 -Slobeend,Zuidelijk eiland,2020,0,Vallei buiten Sigma,150 -Slobeend,Zuidelijk eiland,2021,0,Vallei buiten Sigma,150 -Slobeend,Zuidelijk eiland,2022,0,Vallei buiten Sigma,150 -Slobeend,Zuidelijk eiland,2023,0,Vallei buiten Sigma,150 -Zomertaling,Beneden Nete,2005,0,Sigma,20 -Zomertaling,Beneden Nete,2006,0,Sigma,20 -Zomertaling,Beneden Nete,2007,0,Sigma,20 -Zomertaling,Beneden Nete,2008,0,Sigma,20 -Zomertaling,Beneden Nete,2009,0,Sigma,20 -Zomertaling,Beneden Nete,2010,0,Sigma,20 -Zomertaling,Beneden Nete,2011,0,Sigma,20 -Zomertaling,Beneden Nete,2012,0,Sigma,20 -Zomertaling,Beneden Nete,2013,0,Sigma,20 -Zomertaling,Beneden Nete,2014,0,Sigma,20 -Zomertaling,Beneden Nete,2015,0,Sigma,20 -Zomertaling,Beneden Nete,2016,0,Sigma,20 -Zomertaling,Beneden Nete,2017,0,Sigma,20 -Zomertaling,Beneden Nete,2018,0,Sigma,20 -Zomertaling,Beneden Nete,2019,0,Sigma,20 -Zomertaling,Beneden Nete,2020,0,Sigma,20 -Zomertaling,Beneden Nete,2021,0,Sigma,20 -Zomertaling,Beneden Nete,2022,2,Sigma,20 -Zomertaling,Beneden Nete,2023,0,Sigma,20 -Zomertaling,Bergenmeersen,2005,0,Sigma,20 -Zomertaling,Bergenmeersen,2006,0,Sigma,20 -Zomertaling,Bergenmeersen,2007,0,Sigma,20 -Zomertaling,Bergenmeersen,2008,0,Sigma,20 -Zomertaling,Bergenmeersen,2009,0,Sigma,20 -Zomertaling,Bergenmeersen,2010,0,Sigma,20 -Zomertaling,Bergenmeersen,2011,0,Sigma,20 -Zomertaling,Bergenmeersen,2012,0,Sigma,20 -Zomertaling,Bergenmeersen,2013,0,Sigma,20 -Zomertaling,Bergenmeersen,2014,0,Sigma,20 -Zomertaling,Bergenmeersen,2015,1,Sigma,20 -Zomertaling,Bergenmeersen,2016,1,Sigma,20 -Zomertaling,Bergenmeersen,2017,0,Sigma,20 -Zomertaling,Bergenmeersen,2018,0,Sigma,20 -Zomertaling,Bergenmeersen,2019,0,Sigma,20 -Zomertaling,Bergenmeersen,2020,0,Sigma,20 -Zomertaling,Bergenmeersen,2021,0,Sigma,20 -Zomertaling,Bergenmeersen,2022,0,Sigma,20 -Zomertaling,Bergenmeersen,2023,0,Sigma,20 -Zomertaling,Blokkersdijk,2005,0,BD,20 -Zomertaling,Blokkersdijk,2006,0,BD,20 -Zomertaling,Blokkersdijk,2007,0,BD,20 -Zomertaling,Blokkersdijk,2008,0,BD,20 -Zomertaling,Blokkersdijk,2009,0,BD,20 -Zomertaling,Blokkersdijk,2010,0,BD,20 -Zomertaling,Blokkersdijk,2011,0,BD,20 -Zomertaling,Blokkersdijk,2012,0,BD,20 -Zomertaling,Blokkersdijk,2013,0,BD,20 -Zomertaling,Blokkersdijk,2014,0,BD,20 -Zomertaling,Blokkersdijk,2015,0,BD,20 -Zomertaling,Blokkersdijk,2016,0,BD,20 -Zomertaling,Blokkersdijk,2017,0,BD,20 -Zomertaling,Blokkersdijk,2018,0,BD,20 -Zomertaling,Blokkersdijk,2019,0,BD,20 -Zomertaling,Blokkersdijk,2020,0,BD,20 -Zomertaling,Blokkersdijk,2021,0,BD,20 -Zomertaling,Blokkersdijk,2022,0,BD,20 -Zomertaling,Blokkersdijk,2023,0,BD,20 -Zomertaling,Burchtse Weel,2005,0,Sigma,20 -Zomertaling,Burchtse Weel,2006,0,Sigma,20 -Zomertaling,Burchtse Weel,2007,0,Sigma,20 -Zomertaling,Burchtse Weel,2008,0,Sigma,20 -Zomertaling,Burchtse Weel,2009,0,Sigma,20 -Zomertaling,Burchtse Weel,2010,0,Sigma,20 -Zomertaling,Burchtse Weel,2011,0,Sigma,20 -Zomertaling,Burchtse Weel,2012,0,Sigma,20 -Zomertaling,Burchtse Weel,2013,0,Sigma,20 -Zomertaling,Burchtse Weel,2014,0,Sigma,20 -Zomertaling,Burchtse Weel,2015,0,Sigma,20 -Zomertaling,Burchtse Weel,2016,0,Sigma,20 -Zomertaling,Burchtse Weel,2017,0,Sigma,20 -Zomertaling,Burchtse Weel,2018,0,Sigma,20 -Zomertaling,Burchtse Weel,2019,0,Sigma,20 -Zomertaling,Burchtse Weel,2020,0,Sigma,20 -Zomertaling,Burchtse Weel,2021,0,Sigma,20 -Zomertaling,Burchtse Weel,2022,0,Sigma,20 -Zomertaling,Burchtse Weel,2023,0,Sigma,20 -Zomertaling,Doelpolder-noord,2005,0,Sigma_LO,20 -Zomertaling,Doelpolder-noord,2006,0,Sigma_LO,20 -Zomertaling,Doelpolder-noord,2007,0,Sigma_LO,20 -Zomertaling,Doelpolder-noord,2008,0,Sigma_LO,20 -Zomertaling,Doelpolder-noord,2009,0,Sigma_LO,20 -Zomertaling,Doelpolder-noord,2010,0,Sigma_LO,20 -Zomertaling,Doelpolder-noord,2011,0,Sigma_LO,20 -Zomertaling,Doelpolder-noord,2012,0,Sigma_LO,20 -Zomertaling,Doelpolder-noord,2013,0,Sigma_LO,20 -Zomertaling,Doelpolder-noord,2014,0,Sigma_LO,20 -Zomertaling,Doelpolder-noord,2015,0,Sigma_LO,20 -Zomertaling,Doelpolder-noord,2016,0,Sigma_LO,20 -Zomertaling,Doelpolder-noord,2017,0,Sigma_LO,20 -Zomertaling,Doelpolder-noord,2018,0,Sigma_LO,20 -Zomertaling,Doelpolder-noord,2019,0,Sigma_LO,20 -Zomertaling,Doelpolder-noord,2020,0,Sigma_LO,20 -Zomertaling,Doelpolder-noord,2021,0,Sigma_LO,20 -Zomertaling,Doelpolder-noord,2022,0,Sigma_LO,20 -Zomertaling,Doelpolder-noord,2023,2,Sigma_LO,20 -Zomertaling,Donkmeer,2005,0,Vallei buiten Sigma,20 -Zomertaling,Donkmeer,2006,0,Vallei buiten Sigma,20 -Zomertaling,Donkmeer,2007,0,Vallei buiten Sigma,20 -Zomertaling,Donkmeer,2008,0,Vallei buiten Sigma,20 -Zomertaling,Donkmeer,2009,0,Vallei buiten Sigma,20 -Zomertaling,Donkmeer,2010,0,Vallei buiten Sigma,20 -Zomertaling,Donkmeer,2011,0,Vallei buiten Sigma,20 -Zomertaling,Donkmeer,2012,0,Vallei buiten Sigma,20 -Zomertaling,Donkmeer,2013,0,Vallei buiten Sigma,20 -Zomertaling,Donkmeer,2014,0,Vallei buiten Sigma,20 -Zomertaling,Donkmeer,2015,0,Vallei buiten Sigma,20 -Zomertaling,Donkmeer,2016,0,Vallei buiten Sigma,20 -Zomertaling,Donkmeer,2017,0,Vallei buiten Sigma,20 -Zomertaling,Donkmeer,2018,0,Vallei buiten Sigma,20 -Zomertaling,Donkmeer,2019,0,Vallei buiten Sigma,20 -Zomertaling,Donkmeer,2020,0,Vallei buiten Sigma,20 -Zomertaling,Donkmeer,2021,0,Vallei buiten Sigma,20 -Zomertaling,Donkmeer,2022,0.5,Vallei buiten Sigma,20 -Zomertaling,Donkmeer,2023,0,Vallei buiten Sigma,20 -Zomertaling,Durmemeersen,2005,0,Vallei buiten Sigma,20 -Zomertaling,Durmemeersen,2006,0,Vallei buiten Sigma,20 -Zomertaling,Durmemeersen,2007,0,Vallei buiten Sigma,20 -Zomertaling,Durmemeersen,2008,0,Vallei buiten Sigma,20 -Zomertaling,Durmemeersen,2009,0,Vallei buiten Sigma,20 -Zomertaling,Durmemeersen,2010,0,Vallei buiten Sigma,20 -Zomertaling,Durmemeersen,2011,0,Vallei buiten Sigma,20 -Zomertaling,Durmemeersen,2012,0,Vallei buiten Sigma,20 -Zomertaling,Durmemeersen,2013,0,Vallei buiten Sigma,20 -Zomertaling,Durmemeersen,2014,0,Vallei buiten Sigma,20 -Zomertaling,Durmemeersen,2015,0,Vallei buiten Sigma,20 -Zomertaling,Durmemeersen,2016,0,Vallei buiten Sigma,20 -Zomertaling,Durmemeersen,2017,0,Vallei buiten Sigma,20 -Zomertaling,Durmemeersen,2018,0,Vallei buiten Sigma,20 -Zomertaling,Durmemeersen,2019,0,Vallei buiten Sigma,20 -Zomertaling,Durmemeersen,2020,0,Vallei buiten Sigma,20 -Zomertaling,Durmemeersen,2021,0,Vallei buiten Sigma,20 -Zomertaling,Durmemeersen,2022,0,Vallei buiten Sigma,20 -Zomertaling,Durmemeersen,2023,0,Vallei buiten Sigma,20 -Zomertaling,Gebieden vzwDurme,2005,0,Vallei buiten Sigma,20 -Zomertaling,Gebieden vzwDurme,2006,0,Vallei buiten Sigma,20 -Zomertaling,Gebieden vzwDurme,2007,0,Vallei buiten Sigma,20 -Zomertaling,Gebieden vzwDurme,2008,0,Vallei buiten Sigma,20 -Zomertaling,Gebieden vzwDurme,2009,0,Vallei buiten Sigma,20 -Zomertaling,Gebieden vzwDurme,2010,0,Vallei buiten Sigma,20 -Zomertaling,Gebieden vzwDurme,2011,0,Vallei buiten Sigma,20 -Zomertaling,Gebieden vzwDurme,2012,0,Vallei buiten Sigma,20 -Zomertaling,Gebieden vzwDurme,2013,0,Vallei buiten Sigma,20 -Zomertaling,Gebieden vzwDurme,2014,0,Vallei buiten Sigma,20 -Zomertaling,Gebieden vzwDurme,2015,0,Vallei buiten Sigma,20 -Zomertaling,Gebieden vzwDurme,2016,0,Vallei buiten Sigma,20 -Zomertaling,Gebieden vzwDurme,2017,0,Vallei buiten Sigma,20 -Zomertaling,Gebieden vzwDurme,2018,0,Vallei buiten Sigma,20 -Zomertaling,Gebieden vzwDurme,2019,0,Vallei buiten Sigma,20 -Zomertaling,Gebieden vzwDurme,2020,0,Vallei buiten Sigma,20 -Zomertaling,Gebieden vzwDurme,2021,0,Vallei buiten Sigma,20 -Zomertaling,Gebieden vzwDurme,2022,2,Vallei buiten Sigma,20 -Zomertaling,Gebieden vzwDurme,2023,0,Vallei buiten Sigma,20 -Zomertaling,Gentbrugse meersen,2005,0,Vallei buiten Sigma,20 -Zomertaling,Gentbrugse meersen,2006,0,Vallei buiten Sigma,20 -Zomertaling,Gentbrugse meersen,2007,0,Vallei buiten Sigma,20 -Zomertaling,Gentbrugse meersen,2008,0,Vallei buiten Sigma,20 -Zomertaling,Gentbrugse meersen,2009,0,Vallei buiten Sigma,20 -Zomertaling,Gentbrugse meersen,2010,0,Vallei buiten Sigma,20 -Zomertaling,Gentbrugse meersen,2011,0,Vallei buiten Sigma,20 -Zomertaling,Gentbrugse meersen,2012,0,Vallei buiten Sigma,20 -Zomertaling,Gentbrugse meersen,2013,0,Vallei buiten Sigma,20 -Zomertaling,Gentbrugse meersen,2014,0,Vallei buiten Sigma,20 -Zomertaling,Gentbrugse meersen,2015,0,Vallei buiten Sigma,20 -Zomertaling,Gentbrugse meersen,2016,0,Vallei buiten Sigma,20 -Zomertaling,Gentbrugse meersen,2017,0,Vallei buiten Sigma,20 -Zomertaling,Gentbrugse meersen,2018,0,Vallei buiten Sigma,20 -Zomertaling,Gentbrugse meersen,2019,0,Vallei buiten Sigma,20 -Zomertaling,Gentbrugse meersen,2020,0,Vallei buiten Sigma,20 -Zomertaling,Gentbrugse meersen,2021,1,Vallei buiten Sigma,20 -Zomertaling,Gentbrugse meersen,2022,0.5,Vallei buiten Sigma,20 -Zomertaling,Gentbrugse meersen,2023,1.5,Vallei buiten Sigma,20 -Zomertaling,Groot Broek,2005,0,Sigma,20 -Zomertaling,Groot Broek,2006,0,Sigma,20 -Zomertaling,Groot Broek,2007,0,Sigma,20 -Zomertaling,Groot Broek,2008,0,Sigma,20 -Zomertaling,Groot Broek,2009,0,Sigma,20 -Zomertaling,Groot Broek,2010,0,Sigma,20 -Zomertaling,Groot Broek,2011,0,Sigma,20 -Zomertaling,Groot Broek,2012,0,Sigma,20 -Zomertaling,Groot Broek,2013,0,Sigma,20 -Zomertaling,Groot Broek,2014,0,Sigma,20 -Zomertaling,Groot Broek,2015,0,Sigma,20 -Zomertaling,Groot Broek,2016,0,Sigma,20 -Zomertaling,Groot Broek,2017,0,Sigma,20 -Zomertaling,Groot Broek,2018,0,Sigma,20 -Zomertaling,Groot Broek,2019,0,Sigma,20 -Zomertaling,Groot Broek,2020,0,Sigma,20 -Zomertaling,Groot Broek,2021,0,Sigma,20 -Zomertaling,Groot Broek,2022,1,Sigma,20 -Zomertaling,Groot Broek,2023,0.5,Sigma,20 -Zomertaling,Groot buitenschoor,2005,0,Estuarium buiten Sigma,20 -Zomertaling,Groot buitenschoor,2006,0,Estuarium buiten Sigma,20 -Zomertaling,Groot buitenschoor,2007,0,Estuarium buiten Sigma,20 -Zomertaling,Groot buitenschoor,2008,0,Estuarium buiten Sigma,20 -Zomertaling,Groot buitenschoor,2009,0,Estuarium buiten Sigma,20 -Zomertaling,Groot buitenschoor,2010,0,Estuarium buiten Sigma,20 -Zomertaling,Groot buitenschoor,2011,0,Estuarium buiten Sigma,20 -Zomertaling,Groot buitenschoor,2012,0,Estuarium buiten Sigma,20 -Zomertaling,Groot buitenschoor,2013,0,Estuarium buiten Sigma,20 -Zomertaling,Groot buitenschoor,2014,0,Estuarium buiten Sigma,20 -Zomertaling,Groot buitenschoor,2015,0,Estuarium buiten Sigma,20 -Zomertaling,Groot buitenschoor,2016,0,Estuarium buiten Sigma,20 -Zomertaling,Groot buitenschoor,2017,0,Estuarium buiten Sigma,20 -Zomertaling,Groot buitenschoor,2018,0,Estuarium buiten Sigma,20 -Zomertaling,Groot buitenschoor,2019,0,Estuarium buiten Sigma,20 -Zomertaling,Groot buitenschoor,2020,0,Estuarium buiten Sigma,20 -Zomertaling,Groot buitenschoor,2021,0,Estuarium buiten Sigma,20 -Zomertaling,Groot buitenschoor,2022,0,Estuarium buiten Sigma,20 -Zomertaling,Groot buitenschoor,2023,0,Estuarium buiten Sigma,20 -Zomertaling,Grote Wal,2005,0,Sigma,20 -Zomertaling,Grote Wal,2006,0,Sigma,20 -Zomertaling,Grote Wal,2007,0,Sigma,20 -Zomertaling,Grote Wal,2008,0,Sigma,20 -Zomertaling,Grote Wal,2009,0,Sigma,20 -Zomertaling,Grote Wal,2010,0,Sigma,20 -Zomertaling,Grote Wal,2011,0,Sigma,20 -Zomertaling,Grote Wal,2012,0,Sigma,20 -Zomertaling,Grote Wal,2013,0,Sigma,20 -Zomertaling,Grote Wal,2014,0,Sigma,20 -Zomertaling,Grote Wal,2015,0,Sigma,20 -Zomertaling,Grote Wal,2016,0,Sigma,20 -Zomertaling,Grote Wal,2017,0,Sigma,20 -Zomertaling,Grote Wal,2018,0,Sigma,20 -Zomertaling,Grote Wal,2019,0,Sigma,20 -Zomertaling,Grote Wal,2020,0,Sigma,20 -Zomertaling,Grote Wal,2021,0,Sigma,20 -Zomertaling,Grote Wal,2022,6,Sigma,20 -Zomertaling,Grote Wal,2023,5,Sigma,20 -Zomertaling,Grote vijver - deel 1,2005,0,Sigma,20 -Zomertaling,Grote vijver - deel 1,2006,0,Sigma,20 -Zomertaling,Grote vijver - deel 1,2007,0,Sigma,20 -Zomertaling,Grote vijver - deel 1,2008,0,Sigma,20 -Zomertaling,Grote vijver - deel 1,2009,0,Sigma,20 -Zomertaling,Grote vijver - deel 1,2010,0,Sigma,20 -Zomertaling,Grote vijver - deel 1,2011,0,Sigma,20 -Zomertaling,Grote vijver - deel 1,2012,0,Sigma,20 -Zomertaling,Grote vijver - deel 1,2013,0,Sigma,20 -Zomertaling,Grote vijver - deel 1,2014,0,Sigma,20 -Zomertaling,Grote vijver - deel 1,2015,0,Sigma,20 -Zomertaling,Grote vijver - deel 1,2016,0,Sigma,20 -Zomertaling,Grote vijver - deel 1,2017,0,Sigma,20 -Zomertaling,Grote vijver - deel 1,2018,0,Sigma,20 -Zomertaling,Grote vijver - deel 1,2019,0,Sigma,20 -Zomertaling,Grote vijver - deel 1,2020,0,Sigma,20 -Zomertaling,Grote vijver - deel 1,2021,0,Sigma,20 -Zomertaling,Grote vijver - deel 1,2022,1,Sigma,20 -Zomertaling,Grote vijver - deel 1,2023,0.5,Sigma,20 -Zomertaling,Grote vijver - deel 2,2005,0,Sigma,20 -Zomertaling,Grote vijver - deel 2,2006,0,Sigma,20 -Zomertaling,Grote vijver - deel 2,2007,0,Sigma,20 -Zomertaling,Grote vijver - deel 2,2008,0,Sigma,20 -Zomertaling,Grote vijver - deel 2,2009,0,Sigma,20 -Zomertaling,Grote vijver - deel 2,2010,0,Sigma,20 -Zomertaling,Grote vijver - deel 2,2011,0,Sigma,20 -Zomertaling,Grote vijver - deel 2,2012,0,Sigma,20 -Zomertaling,Grote vijver - deel 2,2013,0,Sigma,20 -Zomertaling,Grote vijver - deel 2,2014,0,Sigma,20 -Zomertaling,Grote vijver - deel 2,2015,0,Sigma,20 -Zomertaling,Grote vijver - deel 2,2016,0,Sigma,20 -Zomertaling,Grote vijver - deel 2,2017,0,Sigma,20 -Zomertaling,Grote vijver - deel 2,2018,0,Sigma,20 -Zomertaling,Grote vijver - deel 2,2019,0,Sigma,20 -Zomertaling,Grote vijver - deel 2,2020,0,Sigma,20 -Zomertaling,Grote vijver - deel 2,2021,0,Sigma,20 -Zomertaling,Grote vijver - deel 2,2022,0,Sigma,20 -Zomertaling,Grote vijver - deel 2,2023,0,Sigma,20 -Zomertaling,KBR,2005,0,Sigma,20 -Zomertaling,KBR,2006,0,Sigma,20 -Zomertaling,KBR,2007,0,Sigma,20 -Zomertaling,KBR,2008,0,Sigma,20 -Zomertaling,KBR,2009,0,Sigma,20 -Zomertaling,KBR,2010,0,Sigma,20 -Zomertaling,KBR,2011,1,Sigma,20 -Zomertaling,KBR,2012,2,Sigma,20 -Zomertaling,KBR,2013,0,Sigma,20 -Zomertaling,KBR,2014,1,Sigma,20 -Zomertaling,KBR,2015,1,Sigma,20 -Zomertaling,KBR,2016,2,Sigma,20 -Zomertaling,KBR,2017,0,Sigma,20 -Zomertaling,KBR,2018,0,Sigma,20 -Zomertaling,KBR,2019,0,Sigma,20 -Zomertaling,KBR,2020,0,Sigma,20 -Zomertaling,KBR,2021,2,Sigma,20 -Zomertaling,KBR,2022,1,Sigma,20 -Zomertaling,KBR,2023,2,Sigma,20 -Zomertaling,Kalkense meersen,2005,0,Sigma,20 -Zomertaling,Kalkense meersen,2006,0,Sigma,20 -Zomertaling,Kalkense meersen,2007,0,Sigma,20 -Zomertaling,Kalkense meersen,2008,0,Sigma,20 -Zomertaling,Kalkense meersen,2009,0,Sigma,20 -Zomertaling,Kalkense meersen,2010,0,Sigma,20 -Zomertaling,Kalkense meersen,2011,0,Sigma,20 -Zomertaling,Kalkense meersen,2012,0,Sigma,20 -Zomertaling,Kalkense meersen,2013,0,Sigma,20 -Zomertaling,Kalkense meersen,2014,0,Sigma,20 -Zomertaling,Kalkense meersen,2015,0,Sigma,20 -Zomertaling,Kalkense meersen,2016,0,Sigma,20 -Zomertaling,Kalkense meersen,2017,0,Sigma,20 -Zomertaling,Kalkense meersen,2018,0,Sigma,20 -Zomertaling,Kalkense meersen,2019,0,Sigma,20 -Zomertaling,Kalkense meersen,2020,0,Sigma,20 -Zomertaling,Kalkense meersen,2021,0,Sigma,20 -Zomertaling,Kalkense meersen,2022,0,Sigma,20 -Zomertaling,Kalkense meersen,2023,0,Sigma,20 -Zomertaling,Ketenisse,2005,0,Estuarium buiten Sigma,20 -Zomertaling,Ketenisse,2006,0,Estuarium buiten Sigma,20 -Zomertaling,Ketenisse,2007,0,Estuarium buiten Sigma,20 -Zomertaling,Ketenisse,2008,0,Estuarium buiten Sigma,20 -Zomertaling,Ketenisse,2009,0,Estuarium buiten Sigma,20 -Zomertaling,Ketenisse,2010,0,Estuarium buiten Sigma,20 -Zomertaling,Ketenisse,2011,0,Estuarium buiten Sigma,20 -Zomertaling,Ketenisse,2012,0,Estuarium buiten Sigma,20 -Zomertaling,Ketenisse,2013,0,Estuarium buiten Sigma,20 -Zomertaling,Ketenisse,2014,0,Estuarium buiten Sigma,20 -Zomertaling,Ketenisse,2015,0,Estuarium buiten Sigma,20 -Zomertaling,Ketenisse,2016,0,Estuarium buiten Sigma,20 -Zomertaling,Ketenisse,2017,0,Estuarium buiten Sigma,20 -Zomertaling,Ketenisse,2018,0,Estuarium buiten Sigma,20 -Zomertaling,Ketenisse,2019,0,Estuarium buiten Sigma,20 -Zomertaling,Ketenisse,2020,0,Estuarium buiten Sigma,20 -Zomertaling,Ketenisse,2021,0,Estuarium buiten Sigma,20 -Zomertaling,Ketenisse,2022,0,Estuarium buiten Sigma,20 -Zomertaling,Ketenisse,2023,0,Estuarium buiten Sigma,20 -Zomertaling,Klein Broek,2005,0,Sigma,20 -Zomertaling,Klein Broek,2006,0,Sigma,20 -Zomertaling,Klein Broek,2007,0,Sigma,20 -Zomertaling,Klein Broek,2008,0,Sigma,20 -Zomertaling,Klein Broek,2009,0,Sigma,20 -Zomertaling,Klein Broek,2010,0,Sigma,20 -Zomertaling,Klein Broek,2011,0,Sigma,20 -Zomertaling,Klein Broek,2012,0,Sigma,20 -Zomertaling,Klein Broek,2013,0,Sigma,20 -Zomertaling,Klein Broek,2014,0,Sigma,20 -Zomertaling,Klein Broek,2015,0,Sigma,20 -Zomertaling,Klein Broek,2016,0,Sigma,20 -Zomertaling,Klein Broek,2017,0,Sigma,20 -Zomertaling,Klein Broek,2018,0,Sigma,20 -Zomertaling,Klein Broek,2019,0,Sigma,20 -Zomertaling,Klein Broek,2020,0,Sigma,20 -Zomertaling,Klein Broek,2021,0,Sigma,20 -Zomertaling,Klein Broek,2022,0,Sigma,20 -Zomertaling,Klein Broek,2023,0,Sigma,20 -Zomertaling,Mechels Broek,2005,0,Vallei buiten Sigma,20 -Zomertaling,Mechels Broek,2006,0,Vallei buiten Sigma,20 -Zomertaling,Mechels Broek,2007,0,Vallei buiten Sigma,20 -Zomertaling,Mechels Broek,2008,0,Vallei buiten Sigma,20 -Zomertaling,Mechels Broek,2009,0,Vallei buiten Sigma,20 -Zomertaling,Mechels Broek,2010,0,Vallei buiten Sigma,20 -Zomertaling,Mechels Broek,2011,0,Vallei buiten Sigma,20 -Zomertaling,Mechels Broek,2012,0,Vallei buiten Sigma,20 -Zomertaling,Mechels Broek,2013,0,Vallei buiten Sigma,20 -Zomertaling,Mechels Broek,2014,0,Vallei buiten Sigma,20 -Zomertaling,Mechels Broek,2015,0,Vallei buiten Sigma,20 -Zomertaling,Mechels Broek,2016,0,Vallei buiten Sigma,20 -Zomertaling,Mechels Broek,2017,0,Vallei buiten Sigma,20 -Zomertaling,Mechels Broek,2018,0,Vallei buiten Sigma,20 -Zomertaling,Mechels Broek,2019,0,Vallei buiten Sigma,20 -Zomertaling,Mechels Broek,2020,0,Vallei buiten Sigma,20 -Zomertaling,Mechels Broek,2021,0,Vallei buiten Sigma,20 -Zomertaling,Mechels Broek,2022,0,Vallei buiten Sigma,20 -Zomertaling,Mechels Broek,2023,1,Vallei buiten Sigma,20 -Zomertaling,Molsbroek,2005,0,Vallei buiten Sigma,20 -Zomertaling,Molsbroek,2006,0,Vallei buiten Sigma,20 -Zomertaling,Molsbroek,2007,0,Vallei buiten Sigma,20 -Zomertaling,Molsbroek,2008,0,Vallei buiten Sigma,20 -Zomertaling,Molsbroek,2009,0,Vallei buiten Sigma,20 -Zomertaling,Molsbroek,2010,0,Vallei buiten Sigma,20 -Zomertaling,Molsbroek,2011,0,Vallei buiten Sigma,20 -Zomertaling,Molsbroek,2012,0,Vallei buiten Sigma,20 -Zomertaling,Molsbroek,2013,0,Vallei buiten Sigma,20 -Zomertaling,Molsbroek,2014,0,Vallei buiten Sigma,20 -Zomertaling,Molsbroek,2015,0,Vallei buiten Sigma,20 -Zomertaling,Molsbroek,2016,0,Vallei buiten Sigma,20 -Zomertaling,Molsbroek,2017,0,Vallei buiten Sigma,20 -Zomertaling,Molsbroek,2018,0,Vallei buiten Sigma,20 -Zomertaling,Molsbroek,2019,0,Vallei buiten Sigma,20 -Zomertaling,Molsbroek,2020,0,Vallei buiten Sigma,20 -Zomertaling,Molsbroek,2021,1.5,Vallei buiten Sigma,20 -Zomertaling,Molsbroek,2022,0.5,Vallei buiten Sigma,20 -Zomertaling,Molsbroek,2023,1.5,Vallei buiten Sigma,20 -Zomertaling,Noordelijk eiland,2005,0,Vallei buiten Sigma,20 -Zomertaling,Noordelijk eiland,2006,0,Vallei buiten Sigma,20 -Zomertaling,Noordelijk eiland,2007,0,Vallei buiten Sigma,20 -Zomertaling,Noordelijk eiland,2008,0,Vallei buiten Sigma,20 -Zomertaling,Noordelijk eiland,2009,0,Vallei buiten Sigma,20 -Zomertaling,Noordelijk eiland,2010,0,Vallei buiten Sigma,20 -Zomertaling,Noordelijk eiland,2011,0,Vallei buiten Sigma,20 -Zomertaling,Noordelijk eiland,2012,0,Vallei buiten Sigma,20 -Zomertaling,Noordelijk eiland,2013,0,Vallei buiten Sigma,20 -Zomertaling,Noordelijk eiland,2014,0,Vallei buiten Sigma,20 -Zomertaling,Noordelijk eiland,2015,0,Vallei buiten Sigma,20 -Zomertaling,Noordelijk eiland,2016,0,Vallei buiten Sigma,20 -Zomertaling,Noordelijk eiland,2017,0,Vallei buiten Sigma,20 -Zomertaling,Noordelijk eiland,2018,0,Vallei buiten Sigma,20 -Zomertaling,Noordelijk eiland,2019,0,Vallei buiten Sigma,20 -Zomertaling,Noordelijk eiland,2020,0,Vallei buiten Sigma,20 -Zomertaling,Noordelijk eiland,2021,1,Vallei buiten Sigma,20 -Zomertaling,Noordelijk eiland,2022,1,Vallei buiten Sigma,20 -Zomertaling,Noordelijk eiland,2023,0.5,Vallei buiten Sigma,20 -Zomertaling,NoordelijkGebied,2005,0,Sigma_LO,20 -Zomertaling,NoordelijkGebied,2006,0,Sigma_LO,20 -Zomertaling,NoordelijkGebied,2007,0,Sigma_LO,20 -Zomertaling,NoordelijkGebied,2008,2,Sigma_LO,20 -Zomertaling,NoordelijkGebied,2009,3,Sigma_LO,20 -Zomertaling,NoordelijkGebied,2010,3,Sigma_LO,20 -Zomertaling,NoordelijkGebied,2011,0,Sigma_LO,20 -Zomertaling,NoordelijkGebied,2012,3,Sigma_LO,20 -Zomertaling,NoordelijkGebied,2013,0,Sigma_LO,20 -Zomertaling,NoordelijkGebied,2014,2,Sigma_LO,20 -Zomertaling,NoordelijkGebied,2015,3,Sigma_LO,20 -Zomertaling,NoordelijkGebied,2016,4,Sigma_LO,20 -Zomertaling,NoordelijkGebied,2017,1,Sigma_LO,20 -Zomertaling,NoordelijkGebied,2018,5,Sigma_LO,20 -Zomertaling,NoordelijkGebied,2019,5,Sigma_LO,20 -Zomertaling,NoordelijkGebied,2020,2,Sigma_LO,20 -Zomertaling,NoordelijkGebied,2021,0,Sigma_LO,20 -Zomertaling,NoordelijkGebied,2022,3,Sigma_LO,20 -Zomertaling,NoordelijkGebied,2023,0,Sigma_LO,20 -Zomertaling,Paardeweide,2005,0,Sigma,20 -Zomertaling,Paardeweide,2006,0,Sigma,20 -Zomertaling,Paardeweide,2007,0,Sigma,20 -Zomertaling,Paardeweide,2008,0,Sigma,20 -Zomertaling,Paardeweide,2009,0,Sigma,20 -Zomertaling,Paardeweide,2010,0,Sigma,20 -Zomertaling,Paardeweide,2011,0,Sigma,20 -Zomertaling,Paardeweide,2012,0,Sigma,20 -Zomertaling,Paardeweide,2013,0,Sigma,20 -Zomertaling,Paardeweide,2014,4,Sigma,20 -Zomertaling,Paardeweide,2015,2,Sigma,20 -Zomertaling,Paardeweide,2016,0,Sigma,20 -Zomertaling,Paardeweide,2017,0,Sigma,20 -Zomertaling,Paardeweide,2018,0,Sigma,20 -Zomertaling,Paardeweide,2019,1,Sigma,20 -Zomertaling,Paardeweide,2020,2,Sigma,20 -Zomertaling,Paardeweide,2021,0,Sigma,20 -Zomertaling,Paardeweide,2022,0,Sigma,20 -Zomertaling,Paardeweide,2023,0,Sigma,20 -Zomertaling,Paardeweide oost,2005,0,Sigma,20 -Zomertaling,Paardeweide oost,2006,0,Sigma,20 -Zomertaling,Paardeweide oost,2007,0,Sigma,20 -Zomertaling,Paardeweide oost,2008,0,Sigma,20 -Zomertaling,Paardeweide oost,2009,0,Sigma,20 -Zomertaling,Paardeweide oost,2010,0,Sigma,20 -Zomertaling,Paardeweide oost,2011,0,Sigma,20 -Zomertaling,Paardeweide oost,2012,0,Sigma,20 -Zomertaling,Paardeweide oost,2013,0,Sigma,20 -Zomertaling,Paardeweide oost,2014,0,Sigma,20 -Zomertaling,Paardeweide oost,2015,0,Sigma,20 -Zomertaling,Paardeweide oost,2016,0,Sigma,20 -Zomertaling,Paardeweide oost,2017,0,Sigma,20 -Zomertaling,Paardeweide oost,2018,0,Sigma,20 -Zomertaling,Paardeweide oost,2019,0,Sigma,20 -Zomertaling,Paardeweide oost,2020,0,Sigma,20 -Zomertaling,Paardeweide oost,2021,1.5,Sigma,20 -Zomertaling,Paardeweide oost,2022,1.5,Sigma,20 -Zomertaling,Paardeweide oost,2023,1,Sigma,20 -Zomertaling,Paardeweide west,2005,0,Sigma,20 -Zomertaling,Paardeweide west,2006,0,Sigma,20 -Zomertaling,Paardeweide west,2007,0,Sigma,20 -Zomertaling,Paardeweide west,2008,0,Sigma,20 -Zomertaling,Paardeweide west,2009,0,Sigma,20 -Zomertaling,Paardeweide west,2010,0,Sigma,20 -Zomertaling,Paardeweide west,2011,0,Sigma,20 -Zomertaling,Paardeweide west,2012,0,Sigma,20 -Zomertaling,Paardeweide west,2013,0,Sigma,20 -Zomertaling,Paardeweide west,2014,0,Sigma,20 -Zomertaling,Paardeweide west,2015,0,Sigma,20 -Zomertaling,Paardeweide west,2016,0,Sigma,20 -Zomertaling,Paardeweide west,2017,0,Sigma,20 -Zomertaling,Paardeweide west,2018,0,Sigma,20 -Zomertaling,Paardeweide west,2019,0,Sigma,20 -Zomertaling,Paardeweide west,2020,0,Sigma,20 -Zomertaling,Paardeweide west,2021,0,Sigma,20 -Zomertaling,Paardeweide west,2022,0,Sigma,20 -Zomertaling,Paardeweide west,2023,0,Sigma,20 -Zomertaling,Potpolder Lillo,2005,0,Sigma,20 -Zomertaling,Potpolder Lillo,2006,0,Sigma,20 -Zomertaling,Potpolder Lillo,2007,0,Sigma,20 -Zomertaling,Potpolder Lillo,2008,0,Sigma,20 -Zomertaling,Potpolder Lillo,2009,0,Sigma,20 -Zomertaling,Potpolder Lillo,2010,0,Sigma,20 -Zomertaling,Potpolder Lillo,2011,0,Sigma,20 -Zomertaling,Potpolder Lillo,2012,0,Sigma,20 -Zomertaling,Potpolder Lillo,2013,0,Sigma,20 -Zomertaling,Potpolder Lillo,2014,0,Sigma,20 -Zomertaling,Potpolder Lillo,2015,0,Sigma,20 -Zomertaling,Potpolder Lillo,2016,0,Sigma,20 -Zomertaling,Potpolder Lillo,2017,0,Sigma,20 -Zomertaling,Potpolder Lillo,2018,0,Sigma,20 -Zomertaling,Potpolder Lillo,2019,0,Sigma,20 -Zomertaling,Potpolder Lillo,2020,0,Sigma,20 -Zomertaling,Potpolder Lillo,2021,0,Sigma,20 -Zomertaling,Potpolder Lillo,2022,0,Sigma,20 -Zomertaling,Potpolder Lillo,2023,0,Sigma,20 -Zomertaling,Prosperpolder-noord,2005,0,Sigma_LO,20 -Zomertaling,Prosperpolder-noord,2006,0,Sigma_LO,20 -Zomertaling,Prosperpolder-noord,2007,0,Sigma_LO,20 -Zomertaling,Prosperpolder-noord,2008,0,Sigma_LO,20 -Zomertaling,Prosperpolder-noord,2009,0,Sigma_LO,20 -Zomertaling,Prosperpolder-noord,2010,0,Sigma_LO,20 -Zomertaling,Prosperpolder-noord,2011,0,Sigma_LO,20 -Zomertaling,Prosperpolder-noord,2012,0,Sigma_LO,20 -Zomertaling,Prosperpolder-noord,2013,0,Sigma_LO,20 -Zomertaling,Prosperpolder-noord,2014,0,Sigma_LO,20 -Zomertaling,Prosperpolder-noord,2015,0,Sigma_LO,20 -Zomertaling,Prosperpolder-noord,2016,0,Sigma_LO,20 -Zomertaling,Prosperpolder-noord,2017,0,Sigma_LO,20 -Zomertaling,Prosperpolder-noord,2018,0,Sigma_LO,20 -Zomertaling,Prosperpolder-noord,2019,0,Sigma_LO,20 -Zomertaling,Prosperpolder-noord,2020,0,Sigma_LO,20 -Zomertaling,Prosperpolder-noord,2021,0,Sigma_LO,20 -Zomertaling,Prosperpolder-noord,2022,0,Sigma_LO,20 -Zomertaling,Prosperpolder-noord,2023,0,Sigma_LO,20 -Zomertaling,Prosperpolder-zuid,2005,0,Sigma_LO,20 -Zomertaling,Prosperpolder-zuid,2006,0,Sigma_LO,20 -Zomertaling,Prosperpolder-zuid,2007,0,Sigma_LO,20 -Zomertaling,Prosperpolder-zuid,2008,0,Sigma_LO,20 -Zomertaling,Prosperpolder-zuid,2009,0,Sigma_LO,20 -Zomertaling,Prosperpolder-zuid,2010,0,Sigma_LO,20 -Zomertaling,Prosperpolder-zuid,2011,0,Sigma_LO,20 -Zomertaling,Prosperpolder-zuid,2012,0,Sigma_LO,20 -Zomertaling,Prosperpolder-zuid,2013,0,Sigma_LO,20 -Zomertaling,Prosperpolder-zuid,2014,0,Sigma_LO,20 -Zomertaling,Prosperpolder-zuid,2015,0,Sigma_LO,20 -Zomertaling,Prosperpolder-zuid,2016,0,Sigma_LO,20 -Zomertaling,Prosperpolder-zuid,2017,0,Sigma_LO,20 -Zomertaling,Prosperpolder-zuid,2018,0,Sigma_LO,20 -Zomertaling,Prosperpolder-zuid,2019,0,Sigma_LO,20 -Zomertaling,Prosperpolder-zuid,2020,0,Sigma_LO,20 -Zomertaling,Prosperpolder-zuid,2021,0,Sigma_LO,20 -Zomertaling,Prosperpolder-zuid,2022,0,Sigma_LO,20 -Zomertaling,Prosperpolder-zuid,2023,2,Sigma_LO,20 -Zomertaling,Scheldebroeken excl. Paardeweide-oost,2005,0,Vallei buiten Sigma,20 -Zomertaling,Scheldebroeken excl. Paardeweide-oost,2006,0,Vallei buiten Sigma,20 -Zomertaling,Scheldebroeken excl. Paardeweide-oost,2007,0,Vallei buiten Sigma,20 -Zomertaling,Scheldebroeken excl. Paardeweide-oost,2008,0,Vallei buiten Sigma,20 -Zomertaling,Scheldebroeken excl. Paardeweide-oost,2009,0,Vallei buiten Sigma,20 -Zomertaling,Scheldebroeken excl. Paardeweide-oost,2010,0,Vallei buiten Sigma,20 -Zomertaling,Scheldebroeken excl. Paardeweide-oost,2011,0,Vallei buiten Sigma,20 -Zomertaling,Scheldebroeken excl. Paardeweide-oost,2012,0,Vallei buiten Sigma,20 -Zomertaling,Scheldebroeken excl. Paardeweide-oost,2013,0,Vallei buiten Sigma,20 -Zomertaling,Scheldebroeken excl. Paardeweide-oost,2014,0,Vallei buiten Sigma,20 -Zomertaling,Scheldebroeken excl. Paardeweide-oost,2015,0,Vallei buiten Sigma,20 -Zomertaling,Scheldebroeken excl. Paardeweide-oost,2016,0,Vallei buiten Sigma,20 -Zomertaling,Scheldebroeken excl. Paardeweide-oost,2017,0,Vallei buiten Sigma,20 -Zomertaling,Scheldebroeken excl. Paardeweide-oost,2018,0,Vallei buiten Sigma,20 -Zomertaling,Scheldebroeken excl. Paardeweide-oost,2019,0,Vallei buiten Sigma,20 -Zomertaling,Scheldebroeken excl. Paardeweide-oost,2020,0,Vallei buiten Sigma,20 -Zomertaling,Scheldebroeken excl. Paardeweide-oost,2021,0,Vallei buiten Sigma,20 -Zomertaling,Scheldebroeken excl. Paardeweide-oost,2022,0,Vallei buiten Sigma,20 -Zomertaling,Scheldebroeken excl. Paardeweide-oost,2023,1,Vallei buiten Sigma,20 -Zomertaling,Schor Ouden Doel,2005,0,Sigma_LO,20 -Zomertaling,Schor Ouden Doel,2006,0,Sigma_LO,20 -Zomertaling,Schor Ouden Doel,2007,0,Sigma_LO,20 -Zomertaling,Schor Ouden Doel,2008,0,Sigma_LO,20 -Zomertaling,Schor Ouden Doel,2009,0,Sigma_LO,20 -Zomertaling,Schor Ouden Doel,2010,0,Sigma_LO,20 -Zomertaling,Schor Ouden Doel,2011,0,Sigma_LO,20 -Zomertaling,Schor Ouden Doel,2012,0,Sigma_LO,20 -Zomertaling,Schor Ouden Doel,2013,0,Sigma_LO,20 -Zomertaling,Schor Ouden Doel,2014,0,Sigma_LO,20 -Zomertaling,Schor Ouden Doel,2015,0,Sigma_LO,20 -Zomertaling,Schor Ouden Doel,2016,0,Sigma_LO,20 -Zomertaling,Schor Ouden Doel,2017,0,Sigma_LO,20 -Zomertaling,Schor Ouden Doel,2018,0,Sigma_LO,20 -Zomertaling,Schor Ouden Doel,2019,0,Sigma_LO,20 -Zomertaling,Schor Ouden Doel,2020,0,Sigma_LO,20 -Zomertaling,Schor Ouden Doel,2021,0,Sigma_LO,20 -Zomertaling,Schor Ouden Doel,2022,0,Sigma_LO,20 -Zomertaling,Schor Ouden Doel,2023,0,Sigma_LO,20 -Zomertaling,Viersels gebroekt,2005,0,Vallei buiten Sigma,20 -Zomertaling,Viersels gebroekt,2006,0,Vallei buiten Sigma,20 -Zomertaling,Viersels gebroekt,2007,0,Vallei buiten Sigma,20 -Zomertaling,Viersels gebroekt,2008,0,Vallei buiten Sigma,20 -Zomertaling,Viersels gebroekt,2009,0,Vallei buiten Sigma,20 -Zomertaling,Viersels gebroekt,2010,0,Vallei buiten Sigma,20 -Zomertaling,Viersels gebroekt,2011,0,Vallei buiten Sigma,20 -Zomertaling,Viersels gebroekt,2012,0,Vallei buiten Sigma,20 -Zomertaling,Viersels gebroekt,2013,0,Vallei buiten Sigma,20 -Zomertaling,Viersels gebroekt,2014,0,Vallei buiten Sigma,20 -Zomertaling,Viersels gebroekt,2015,0,Vallei buiten Sigma,20 -Zomertaling,Viersels gebroekt,2016,0,Vallei buiten Sigma,20 -Zomertaling,Viersels gebroekt,2017,0,Vallei buiten Sigma,20 -Zomertaling,Viersels gebroekt,2018,0,Vallei buiten Sigma,20 -Zomertaling,Viersels gebroekt,2019,0,Vallei buiten Sigma,20 -Zomertaling,Viersels gebroekt,2020,0,Vallei buiten Sigma,20 -Zomertaling,Viersels gebroekt,2021,0,Vallei buiten Sigma,20 -Zomertaling,Viersels gebroekt,2022,0.5,Vallei buiten Sigma,20 -Zomertaling,Viersels gebroekt,2023,2.5,Vallei buiten Sigma,20 -Zomertaling,Weijmeerbroek,2005,0,Sigma,20 -Zomertaling,Weijmeerbroek,2006,0,Sigma,20 -Zomertaling,Weijmeerbroek,2007,0,Sigma,20 -Zomertaling,Weijmeerbroek,2008,0,Sigma,20 -Zomertaling,Weijmeerbroek,2009,0,Sigma,20 -Zomertaling,Weijmeerbroek,2010,0,Sigma,20 -Zomertaling,Weijmeerbroek,2011,0,Sigma,20 -Zomertaling,Weijmeerbroek,2012,0,Sigma,20 -Zomertaling,Weijmeerbroek,2013,0,Sigma,20 -Zomertaling,Weijmeerbroek,2014,0,Sigma,20 -Zomertaling,Weijmeerbroek,2015,0,Sigma,20 -Zomertaling,Weijmeerbroek,2016,0,Sigma,20 -Zomertaling,Weijmeerbroek,2017,0,Sigma,20 -Zomertaling,Weijmeerbroek,2018,0,Sigma,20 -Zomertaling,Weijmeerbroek,2019,0,Sigma,20 -Zomertaling,Weijmeerbroek,2020,0,Sigma,20 -Zomertaling,Weijmeerbroek,2021,0,Sigma,20 -Zomertaling,Weijmeerbroek,2022,0,Sigma,20 -Zomertaling,Weijmeerbroek,2023,1,Sigma,20 -Zomertaling,Wijmeers,2005,0,Sigma,20 -Zomertaling,Wijmeers,2006,0,Sigma,20 -Zomertaling,Wijmeers,2007,0,Sigma,20 -Zomertaling,Wijmeers,2008,0,Sigma,20 -Zomertaling,Wijmeers,2009,0,Sigma,20 -Zomertaling,Wijmeers,2010,0,Sigma,20 -Zomertaling,Wijmeers,2011,0,Sigma,20 -Zomertaling,Wijmeers,2012,0,Sigma,20 -Zomertaling,Wijmeers,2013,0,Sigma,20 -Zomertaling,Wijmeers,2014,0,Sigma,20 -Zomertaling,Wijmeers,2015,0,Sigma,20 -Zomertaling,Wijmeers,2016,2,Sigma,20 -Zomertaling,Wijmeers,2017,2,Sigma,20 -Zomertaling,Wijmeers,2018,1,Sigma,20 -Zomertaling,Wijmeers,2019,0,Sigma,20 -Zomertaling,Wijmeers,2020,0,Sigma,20 -Zomertaling,Wijmeers,2021,0,Sigma,20 -Zomertaling,Wijmeers,2022,0,Sigma,20 -Zomertaling,Wijmeers,2023,0,Sigma,20 -Zomertaling,Wijmeers-noord,2005,0,Sigma,20 -Zomertaling,Wijmeers-noord,2006,0,Sigma,20 -Zomertaling,Wijmeers-noord,2007,0,Sigma,20 -Zomertaling,Wijmeers-noord,2008,0,Sigma,20 -Zomertaling,Wijmeers-noord,2009,0,Sigma,20 -Zomertaling,Wijmeers-noord,2010,0,Sigma,20 -Zomertaling,Wijmeers-noord,2011,0,Sigma,20 -Zomertaling,Wijmeers-noord,2012,0,Sigma,20 -Zomertaling,Wijmeers-noord,2013,0,Sigma,20 -Zomertaling,Wijmeers-noord,2014,0,Sigma,20 -Zomertaling,Wijmeers-noord,2015,0,Sigma,20 -Zomertaling,Wijmeers-noord,2016,0,Sigma,20 -Zomertaling,Wijmeers-noord,2017,0,Sigma,20 -Zomertaling,Wijmeers-noord,2018,0,Sigma,20 -Zomertaling,Wijmeers-noord,2019,0,Sigma,20 -Zomertaling,Wijmeers-noord,2020,0,Sigma,20 -Zomertaling,Wijmeers-noord,2021,0,Sigma,20 -Zomertaling,Wijmeers-noord,2022,0,Sigma,20 -Zomertaling,Wijmeers-noord,2023,0,Sigma,20 -Zomertaling,Wijmeers-zuid,2005,0,Sigma,20 -Zomertaling,Wijmeers-zuid,2006,0,Sigma,20 -Zomertaling,Wijmeers-zuid,2007,0,Sigma,20 -Zomertaling,Wijmeers-zuid,2008,0,Sigma,20 -Zomertaling,Wijmeers-zuid,2009,0,Sigma,20 -Zomertaling,Wijmeers-zuid,2010,0,Sigma,20 -Zomertaling,Wijmeers-zuid,2011,0,Sigma,20 -Zomertaling,Wijmeers-zuid,2012,0,Sigma,20 -Zomertaling,Wijmeers-zuid,2013,0,Sigma,20 -Zomertaling,Wijmeers-zuid,2014,0,Sigma,20 -Zomertaling,Wijmeers-zuid,2015,0,Sigma,20 -Zomertaling,Wijmeers-zuid,2016,0,Sigma,20 -Zomertaling,Wijmeers-zuid,2017,0,Sigma,20 -Zomertaling,Wijmeers-zuid,2018,0,Sigma,20 -Zomertaling,Wijmeers-zuid,2019,0,Sigma,20 -Zomertaling,Wijmeers-zuid,2020,0,Sigma,20 -Zomertaling,Wijmeers-zuid,2021,0,Sigma,20 -Zomertaling,Wijmeers-zuid,2022,0,Sigma,20 -Zomertaling,Wijmeers-zuid,2023,0,Sigma,20 -Zomertaling,Zennegat,2005,0,Sigma,20 -Zomertaling,Zennegat,2006,0,Sigma,20 -Zomertaling,Zennegat,2007,0,Sigma,20 -Zomertaling,Zennegat,2008,0,Sigma,20 -Zomertaling,Zennegat,2009,0,Sigma,20 -Zomertaling,Zennegat,2010,0,Sigma,20 -Zomertaling,Zennegat,2011,0,Sigma,20 -Zomertaling,Zennegat,2012,0,Sigma,20 -Zomertaling,Zennegat,2013,0,Sigma,20 -Zomertaling,Zennegat,2014,0,Sigma,20 -Zomertaling,Zennegat,2015,0,Sigma,20 -Zomertaling,Zennegat,2016,0,Sigma,20 -Zomertaling,Zennegat,2017,0,Sigma,20 -Zomertaling,Zennegat,2018,5,Sigma,20 -Zomertaling,Zennegat,2019,5,Sigma,20 -Zomertaling,Zennegat,2020,4,Sigma,20 -Zomertaling,Zennegat,2021,2,Sigma,20 -Zomertaling,Zennegat,2022,2,Sigma,20 -Zomertaling,Zennegat,2023,1,Sigma,20 -Zomertaling,Zuidelijk eiland,2005,0,Vallei buiten Sigma,20 -Zomertaling,Zuidelijk eiland,2006,0,Vallei buiten Sigma,20 -Zomertaling,Zuidelijk eiland,2007,0,Vallei buiten Sigma,20 -Zomertaling,Zuidelijk eiland,2008,0,Vallei buiten Sigma,20 -Zomertaling,Zuidelijk eiland,2009,0,Vallei buiten Sigma,20 -Zomertaling,Zuidelijk eiland,2010,0,Vallei buiten Sigma,20 -Zomertaling,Zuidelijk eiland,2011,0,Vallei buiten Sigma,20 -Zomertaling,Zuidelijk eiland,2012,0,Vallei buiten Sigma,20 -Zomertaling,Zuidelijk eiland,2013,0,Vallei buiten Sigma,20 -Zomertaling,Zuidelijk eiland,2014,0,Vallei buiten Sigma,20 -Zomertaling,Zuidelijk eiland,2015,0,Vallei buiten Sigma,20 -Zomertaling,Zuidelijk eiland,2016,0,Vallei buiten Sigma,20 -Zomertaling,Zuidelijk eiland,2017,0,Vallei buiten Sigma,20 -Zomertaling,Zuidelijk eiland,2018,0,Vallei buiten Sigma,20 -Zomertaling,Zuidelijk eiland,2019,0,Vallei buiten Sigma,20 -Zomertaling,Zuidelijk eiland,2020,0,Vallei buiten Sigma,20 -Zomertaling,Zuidelijk eiland,2021,1,Vallei buiten Sigma,20 -Zomertaling,Zuidelijk eiland,2022,0,Vallei buiten Sigma,20 -Zomertaling,Zuidelijk eiland,2023,0,Vallei buiten Sigma,20 diff --git a/moneos_2024/150_geintegreerd_rapport/110_broedvogels.Rmd b/moneos_2024/150_geintegreerd_rapport/110_broedvogels.Rmd index 5593ec8..e5a8d15 100644 --- a/moneos_2024/150_geintegreerd_rapport/110_broedvogels.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/110_broedvogels.Rmd @@ -72,22 +72,16 @@ De eerstelijnsrapportage beschrijft de trends van de broedvogelsoorten waarvoor ### Studiegebied Het studiegebied is het IHD-gebied zoals beschreven in Adriaensen et al. (2005). -Het omvat - -- het Noordelijk gebied (Doelpolder Noord, Doelpolder Midden, Prosperpolder en Schor Ouden Doel, Paardenschor), -- het Galgenschoor en Groot Buitenschoor, -- Ketenisse -- Blokkersdijk en -- Rest IHD-gebied +Het omvat de NOP-zoneplus met uitzondering van de gebieden van het Vogelrichtlijngebied BE2301336 - Schorren en polders van de Beneden-Schelde, waarvoor aparte en niet overlapende instandhoudingsdoelstellingen voor gelden, inclusief de compensatiegebieden (zie @\ref(fig:110-figuur1). +Dit gebied omvat de vallei van de Zeeschelde en haar tijgebonden zijrivieren, inclusief de vallei van de Grote Nete tot in Zammel en van de Kleine Nete tot in Grobbendonk en alle buitendijkse gebieden. +De broedvogelaantallen in het vogelrichtlijngebied de Kuifeend en omgeving (Kuifeend, Plas Hoge Maey, de Verlegde Schijns, het Oud Schijn, de Grote Kreek en Stadsgracht, de Meeuwenbroedplaats en het Opstalvalleigebied) en in het vogelrichtlijngebied op de linker Scheldeoever (m.u.v. het Noordelijkgebied) worden niet meegeteld omdat hiervoor aparte instandhoudingsdoelstellingen zijn opgesteld (IHD-Z, Adriaensen et al. 2005).\ ```{r 110-figuur1, fig.cap=caption_figuur1, out.width="95%"} caption_figuur1 <- "Het IHD-gebied met aanduiding van de gebieden die geanalyseerd worden op algemene broedvogelsoorten." knitr::include_graphics(paste0(pad_figuren, "110_fig1.png")) ``` -Rest IHD-gebied is de NOP-zoneplus, het studiegebied van de Instandhoudingsdoelstellingen Schelde-estuarium (IHD-Z, Adriaensen et al. 2005). -Dit gebied omvat de vallei van de Zeeschelde en haar tijgebonden zijrivieren, inclusief de vallei van de Grote Nete tot in Zammel en van de Kleine Nete tot in Grobbendonk en alle buitendijkse gebieden. -De broedvogelaantallen in het vogelrichtlijngebied de Kuifeend en omgeving (Kuifeend, Plas Hoge Maey, de Verlegde Schijns, het Oud Schijn, de Grote Kreek en Stadsgracht, de Meeuwenbroedplaats en het Opstalvalleigebied) en in het vogelrichtlijngebied op de linker Scheldeoever (m.u.v. het Noordelijkgebied) worden niet meegeteld omdat hiervoor aparte instandhoudingsdoelstellingen zijn opgesteld (IHD-Z, Adriaensen et al. 2005).\ + @@ -157,7 +151,7 @@ In de Sigmagebieden werd één telling uitgevoerd voorafgaand aan de inrichting Het eerste jaar na de inrichting wordt in regel ook steeds geteld en vervolgens het derde jaar. Nadien wordt minstens om de drie jaar een telling uitgevoerd. De aantallen in de tussenliggende jaren worden per gebied geïnterpoleerd (lineair verband). -Volgende Sigmagebieden nemen we mee in de analyse (zie Figuur \@ref(fig:110-figuur1)): +Volgende Sigmagebieden nemen we mee in de analyse (zie Figuur \@ref(fig:110-figuur2)): - Kalkense Meersen: geleidelijke verwerving van gronden sinds 2008 waarna omzetting tot grasland en/of een verschralingsbeheer wordt opgestart. - Bergenmeersen: GGG sinds april 2013 @@ -167,6 +161,11 @@ Volgende Sigmagebieden nemen we mee in de analyse (zie Figuur \@ref(fig:110-figu - Polders van Kruibeke: geleidelijke inrichting sinds 2008, GGG Bazel-noord sinds 2015, GGG-Kruibeke sinds 2017, ontpoldering Fasseit sinds 2017 - Zennegat: inrichting als GOG met gecontroleerd gereduceerd getijdengebied afgerond in 2017 +```{r 110-figuur2, fig.cap=caption_figuur2, out.width="95%"} +caption_figuur2 <- "Het IHD-gebied met aanduiding van de gebieden voor de analyse van de algemene broedvogelsoorten." +knitr::include_graphics(paste0(pad_figuren, "110_fig2.png")) +``` + Om volledige tijdsreeksen te bekomen voor de Sigmagebieden werd een extrapolatie van de data doorgevoerd. @@ -179,7 +178,7 @@ Indien er geen telgegevens zijn van het laatste rapportagejaar worden deze gelij ### Zeldzame soorten {#zeld-soorten} -Figuur \@ref(fig:110-figuur2) toont de data met uitzondering van de vijf algemenere soorten (blauwborst, dodaars, rietzanger, scholekster, slobeend) en één tot nog toe afwezige soort (puperreiger). +Figuur \@ref(fig:110-figuur3) toont de data met uitzondering van de vijf algemenere soorten (blauwborst, dodaars, rietzanger, scholekster, slobeend) en één tot nog toe afwezige soort (puperreiger). Deze figuur toont de trends van de soorten binnen de gebieden met instandhoudingsdoelstellingen in het Schelde-estuarium. Hoewel geen gebiedsdekkende kartering mogelijk is, wordt aangenomen dat het aantal territoria voor deze soorten een redelijk accuraat beeld geeft van de reële aantallen. @@ -270,7 +269,7 @@ Eén in het Molsbroek, de enige plaats waar de soort bijna jaarlijks broedt, en ### Algemenere soorten -Figuur \@ref(fig:110-figuur3) toont de evolutie van zes algemene soorten in frequent getelde ingerichte Sigmagebieden. +Figuur \@ref(fig:110-figuur4) toont de evolutie van zes algemene soorten in frequent getelde ingerichte Sigmagebieden. De sterk stijgende trend van de Rietzanger lijkt te plafoneren in de onderzochte gebieden. Maar zowel in 2022 als in 2023 tellen we in de beperkte set van natuurgebieden meer dan dubbel zoveel territoria dan het tot doel gesteld aantal voor de hele Scheldevallei (IHD = 170). @@ -299,18 +298,18 @@ In het Noordelijk gebied lijken de aantallen de laatste jaren wel wat te stijgen
-```{r 110-figuur2, fig.cap=caption_figuur2, out.width="95%"} -caption_figuur2 <- "Evoluties in de broedvogelaantallen voor een selectie van soorten waarvoor de data-inzameling representatief is binnen IHD-gebied. Loess-smoother weergegeven. Rode horizontale lijn geeft de tot doel gestelde aantallen." +```{r 110-figuur3, fig.cap=caption_figuur3, out.width="95%"} +caption_figuur3 <- "Evoluties in de broedvogelaantallen voor een selectie van soorten waarvoor de data-inzameling representatief is binnen IHD-gebied. Loess-smoother weergegeven. Rode horizontale lijn geeft de tot doel gestelde aantallen." -knitr::include_graphics(paste0(pad_figuren, "110_fig2.jpg")) +knitr::include_graphics(paste0(pad_figuren, "110_fig3.jpg")) ```
-```{r 110-figuur3, fig.cap=caption_figuur3, out.width="95%"} -caption_figuur3 <- "Evoluties in de broedvogelaantallen (territoria) voor een selectie van algemenere soorten voor een beperkt aantal gebieden die frequent worden geteld (Blokkersdijk, Ketenisse, Sigma (Kalkense Meersen, Wijmeers, Bergenmeersen, Paardeweide, Weijmeerbroek en Polder van Kruibeke), Sigma\\_LO (Noordelijke gebied = Doelpolder + Prosperpolder + Paardenschor + Schor Ouden Doel)). Rode horizontale lijn geeft de tot doel gestelde aantallen." +```{r 110-figuur4, fig.cap=caption_figuur4, out.width="95%"} +caption_figuur4 <- "Evoluties in de broedvogelaantallen (territoria) voor een selectie van algemenere soorten voor een beperkt aantal gebieden die frequent worden geteld (Blokkersdijk, Ketenisse, Sigma (Kalkense Meersen, Wijmeers, Bergenmeersen, Paardeweide, Weijmeerbroek en Polder van Kruibeke), Sigma\\_LO (Noordelijke gebied = Doelpolder + Prosperpolder + Paardenschor + Schor Ouden Doel)). Rode horizontale lijn geeft de tot doel gestelde aantallen." -knitr::include_graphics(paste0(pad_figuren, "110_fig3.jpg")) +knitr::include_graphics(paste0(pad_figuren, "110_fig4.jpg")) ```
From 7aafd5be4473a6c787f2f50b708268283258e41b Mon Sep 17 00:00:00 2001 From: WimMertens Date: Wed, 25 Sep 2024 22:22:54 +0200 Subject: [PATCH 084/102] final version --- moneos_2024/110_broedvogels/10_broedvogels_data.Rmd | 2 +- moneos_2024/150_geintegreerd_rapport/110_broedvogels.Rmd | 2 +- 2 files changed, 2 insertions(+), 2 deletions(-) diff --git a/moneos_2024/110_broedvogels/10_broedvogels_data.Rmd b/moneos_2024/110_broedvogels/10_broedvogels_data.Rmd index 6b5ccde..3ee548a 100644 --- a/moneos_2024/110_broedvogels/10_broedvogels_data.Rmd +++ b/moneos_2024/110_broedvogels/10_broedvogels_data.Rmd @@ -132,7 +132,7 @@ Terr_Sigma <- bind_rows(Data_21_23) Terr_Sigma %>% - write_csv(str_c(pad_data, "Territoria_totalen-1995_2023.csv")) + write_csv(str_c(pad_data, "Territoria_totalen_1995_2023.csv")) ``` # Bijzondere broedvogels diff --git a/moneos_2024/150_geintegreerd_rapport/110_broedvogels.Rmd b/moneos_2024/150_geintegreerd_rapport/110_broedvogels.Rmd index e5a8d15..73bbff6 100644 --- a/moneos_2024/150_geintegreerd_rapport/110_broedvogels.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/110_broedvogels.Rmd @@ -122,7 +122,7 @@ In andere gevallen, waar geen zekerheid bestaat over aan- of afwezigheid, werd n -Het bestand dataSigma_sel2_2022.csv geeft de totalen voor het IHD-gebied. +Het bestand Territoria_totalen-1995_2023.csv geeft de totalen voor het IHD-gebied. Deze totalen zijn gebaseerd op de aantallen in bovenstaande bronnen, waarbij in geval van een vork steeds de hoogste waarden werd genomen. Aanwezigheid van NA's (soort niet geteld in dat gebied tijdens dat jaar) in één gebied leidt tot een NA in het jaartotaal van de soort. From 0de31edb9299eeb2bfc474880d7e2257427d0c32 Mon Sep 17 00:00:00 2001 From: WimMertens Date: Thu, 26 Sep 2024 12:32:06 +0200 Subject: [PATCH 085/102] finale versie met conclusie en verbetering fig 3. --- moneos_2024/110_broedvogels/10_broedvogels_data.Rmd | 6 +++++- moneos_2024/150_geintegreerd_rapport/110_broedvogels.Rmd | 6 +++++- 2 files changed, 10 insertions(+), 2 deletions(-) diff --git a/moneos_2024/110_broedvogels/10_broedvogels_data.Rmd b/moneos_2024/110_broedvogels/10_broedvogels_data.Rmd index 3ee548a..90228e5 100644 --- a/moneos_2024/110_broedvogels/10_broedvogels_data.Rmd +++ b/moneos_2024/110_broedvogels/10_broedvogels_data.Rmd @@ -147,7 +147,11 @@ We berekenen de totalen voor een set van 16 soorten. "Kwak", "Kwartelkoning", "Lepelaar", "Paapje", "Porseleinhoen", "Purperreiger", "Roerdomp", "Snor", "Tureluur", "Woudaap", "Zomertaling")) %>% # complete(Soort, Jaar, fill = list(Aantal = 0))) # add zero's, this is wrong, should be na - complete(Soort, Jaar, fill = list(Aantal = NA_integer_))) + complete(Soort, Jaar, fill = list(Aantal = NA_integer_)) %>% +# volgende kunstgreep is nodig om laatste jaren voor KK en Paapje in grafiek te krijgen. + mutate(Aantal = case_when( + Soort %in% c("Kwartelkoning", "Paapje") & Jaar > 2020 ~ 0, + TRUE ~ Aantal))) # add species data (IHD, Biotoop, Voedselregime) Soorten <- read_xlsx(str_c(pad_data, "Data_nieuwe_vorm_2024.xlsx"), sheet = "Soorten") diff --git a/moneos_2024/150_geintegreerd_rapport/110_broedvogels.Rmd b/moneos_2024/150_geintegreerd_rapport/110_broedvogels.Rmd index 73bbff6..a082fb6 100644 --- a/moneos_2024/150_geintegreerd_rapport/110_broedvogels.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/110_broedvogels.Rmd @@ -316,7 +316,11 @@ knitr::include_graphics(paste0(pad_figuren, "110_fig4.jpg")) ## Conclusie -Nog te schrijven. +Een aantal broedvogelsoorten haalt in de laatste jaren het tot doel gestelde populatieniveau. De toename van het aantal insectenetende rietvogels blauwborst en rietzanger en de watervogels dodaars en zomertaing in de natuurontwikkelingsgebieden van het Sigmaplan heeft hieraan zeker bijgedragen. Voor zomertaling zou het doel niet gehaald zijn zonder de tijdelijke inrichting van Grote en Kleine Wal in Hamme als ondiepe plas en moeras. Vanaf 2024 zal de bijdrage van deze tijdelijke inrichting wegvallen. +De insectenetende rietvogels baardman en snor, en de visetende lepelaar en woudaap vertonen de laatste jaren een duidelijk positieve trend. +De soorten van schrale graslandcomplexen kwartelkoning en paapje blijven afwezig. Herstel van hun leefgebied vergt bodemverschraling van voormalige landbouwgronden en zal (veel) meer tijd in beslag nemen dan de inrichting van moeras- en getijdengebieden. +De insectenetende grote karekiet en de visetende kwak en roerdomp, soorten van grootschalige moerasgebieden zijn jaarlijks aanwezig, maar nog steeds in zeer beperkt aantal (minder dan 5 territoria). +De weidevogels vertonen over het volledige studiegebied geen duidelijke trend. In het Noordelijk gebied treedt wel populatieherstel op als gevolg van predatiewerende maatregelen. ## Referenties From a0685df337ccc75eb7e53afb78874a4ad02757f3 Mon Sep 17 00:00:00 2001 From: MERTENS Date: Thu, 26 Sep 2024 13:38:32 +0200 Subject: [PATCH 086/102] Small text changes --- .../150_geintegreerd_rapport/030_ecotopen.Rmd | 17 +++++++++-------- 1 file changed, 9 insertions(+), 8 deletions(-) diff --git a/moneos_2024/150_geintegreerd_rapport/030_ecotopen.Rmd b/moneos_2024/150_geintegreerd_rapport/030_ecotopen.Rmd index cbc54bd..af87ba6 100644 --- a/moneos_2024/150_geintegreerd_rapport/030_ecotopen.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/030_ecotopen.Rmd @@ -313,10 +313,11 @@ Het natuurlijk hard substraat in het litoraal is licht gedaald in `r laatste_jaa De nieuwe slikken net ten noorden van Fort Filip bestonden in `r laatste_jaar - 1` vooral uit hard substraat, maar in `r laatste_jaar` is hier een zachte sliklaag opgekomen (Figuur \@ref(fig:030-figuur-kaart-ff)). Net achter de strekdam bevindt zich wel nog een verharde zone. In het **supralitoraal** is de potentiële pionierzone opnieuw afgenomen en heeft met een oppervlakte van 17,2 hectare de laagste waarde bereikt sinds 2010. -Op de potentiële pionierzone is op verschillende plaatsen schorvorming ontstaan in 2022. -Voorbeelden zijn in de Lillo ontpoldering (Figuur \@ref(fig:030-figuur-kaart-lillo)), de heraangelegde zone stroomopwaarts van Fort Filip (Figuur \@ref(fig:030-figuur-kaart-ff)) en eveneens in de Fasseit ontpoldering (Figuur \@ref(fig:030-figuur-kaart-fasseit)). Ook in de Burchtse Weel GGG zette de trend van verschorring zich voort (zie ook Mertens & Van Braeckel, 2022). +Het schor is verder blijven toenemen, in `r laatste_jaar` met 14,8 hectare ten opzichte van `r laatste_jaar - 1`. +Beide verschijnselen worden deels verklaard doordat op de potentiële pionierzone op verschillende plaatsen schorvorming is ontstaan of uitgebreid in 2022. +Voorbeelden zijn in de Lillo ontpoldering (Figuur \@ref(fig:030-figuur-kaart-lillo)), de heraangelegde zone stroomopwaarts van Fort Filip (Figuur \@ref(fig:030-figuur-kaart-ff) in de hoek rechts onderaan) en eveneens in de Fasseit ontpoldering (Figuur \@ref(fig:030-figuur-kaart-fasseit)). Ook in de Burchtse Weel GGG zette de trend van verschorring zich voort (zie ook Mertens & Van Braeckel, 2022). +Het hoog supralitoraal is licht gedaald met 3,6 hectare. -Het schor is verder blijven toenemen, in `r laatste_jaar` met 14,9 hectare ten opzichte van `r laatste_jaar - 1`. Het hoog supralitoraal is licht gedaald met 3,7 hectare. Een voorbeeld van lokale schorvermindering is te zien in Figuur \@ref(fig:030-figuur-kaart-cauwelaertsluis) net voorbij de Van Cauwelaertsluis waar er schor verwijderd is door menselijke ingrepen. @@ -375,7 +376,7 @@ figtab(knitr::opts_current$get()$label,
-(ref:figff) Ecotopenkaart Zeeschelde 1.0 2022 rond Fort Filip (centraal onder), overzichtskaart met rode kader als indicator detailkaart (linksboven), ecotopenkaart 2021 1.0 (rechtsboven). Zie Figuur \\@ref(fig:030-figuur-kaart-bez) voor legende. +(ref:figff) Ecotopenkaart Zeeschelde 1.0 2022 rond Fort Filip (centraal onder), overzichtskaart met rode kader als indicator detailkaart (linksboven), ecotopenkaart 2021 1.0 (rechtsboven). Zie Figuur \@ref(fig:030-figuur-kaart-bez) voor legende. ```{r 030-figuur-kaart-ff, fig.cap='(ref:figff)', out.width="100%"} @@ -385,7 +386,7 @@ knitr::include_graphics(paste0(pad_figuren, "030_figuur_FortFilip_2022.png"))
-(ref:figlillo) Ecotopenkaart Zeeschelde 1.0 2022 Lillo (centraal onder), overzichtskaart met rode kader als indicator detailkaart (linksboven), ecotopenkaart 2021 1.0 Lillo (rechtsboven). Zie Figuur \\@ref(fig:030-figuur-kaart-bez) voor legende. +(ref:figlillo) Ecotopenkaart Zeeschelde 1.0 2022 Lillo (centraal onder), overzichtskaart met rode kader als indicator detailkaart (linksboven), ecotopenkaart 2021 1.0 Lillo (rechtsboven). Zie Figuur \@ref(fig:030-figuur-kaart-bez) voor legende. ```{r 030-figuur-kaart-lillo, fig.cap='(ref:figlillo)', out.width="100%"} @@ -397,7 +398,7 @@ knitr::include_graphics(paste0(pad_figuren, "030_figuur_Lillo_2022.png"))
-(ref:figfasseit) Ecotopenkaart Zeeschelde 1.0 2022 Fasseit ontpoldering (centraal onder), overzichtskaart met rode kader als indicator detailkaart (linksboven), ecotopenkaart 2021 1.0 (rechtsboven). Zie Figuur \\@ref(fig:030-figuur-kaart-bez) voor legende. +(ref:figfasseit) Ecotopenkaart Zeeschelde 1.0 2022 Fasseit ontpoldering (centraal onder), overzichtskaart met rode kader als indicator detailkaart (linksboven), ecotopenkaart 2021 1.0 (rechtsboven). Zie Figuur \@ref(fig:030-figuur-kaart-bez) voor legende. ```{r 030-figuur-kaart-fasseit, fig.cap='(ref:figfasseit)', out.width="100%"} @@ -408,7 +409,7 @@ knitr::include_graphics(paste0(pad_figuren, "030_figuur_Fasseit_2022.png"))
-(ref:figcauw) Ecotopenkaart Zeeschelde 1.0 2022 voorbij Van Cauwelaertsluis (centraal onder), overzichtskaart met rode kader als indicator detailkaart (linksboven), ecotopenkaart 2021 1.0 (rechtsboven). Zie Figuur \\@ref(fig:030-figuur-kaart-bez) voor legende. +(ref:figcauw) Ecotopenkaart Zeeschelde 1.0 2022 voorbij Van Cauwelaertsluis (centraal onder), overzichtskaart met rode kader als indicator detailkaart (linksboven), ecotopenkaart 2021 1.0 (rechtsboven). Zie Figuur \@ref(fig:030-figuur-kaart-bez) voor legende. ```{r 030-figuur-kaart-cauwelaertsluis, fig.cap='(ref:figcauw)', out.width="100%"} @@ -449,7 +450,7 @@ figtab(knitr::opts_current$get()$label, ``` -```{r 030-figuur-evolutie-bez, fig.cap=figuur_evolutie_bez, out.width="100%", eval=FALSE} +```{r 030-figuur-evolutie-bez, fig.cap=figuur_evolutie_bez, out.width="100%"} figuur_evolutie_bez <- "Temporele evolutie van de oppervlakte van de ecologisch belangrijke ecotopen Zeeschelde 1.0 in de Beneden-Zeeschelde met en zonder NOP's (natuurontwikkelingsprojecten zoals ontpolderingen, GGG’s en dijkverleggingen)" From 98db4aa8155c23b5161861194f5dc6ea281b8377 Mon Sep 17 00:00:00 2001 From: MERTENS Date: Thu, 26 Sep 2024 13:41:14 +0200 Subject: [PATCH 087/102] Feedback Alexander --- moneos_2024/150_geintegreerd_rapport/030_ecotopen.Rmd | 4 ++-- 1 file changed, 2 insertions(+), 2 deletions(-) diff --git a/moneos_2024/150_geintegreerd_rapport/030_ecotopen.Rmd b/moneos_2024/150_geintegreerd_rapport/030_ecotopen.Rmd index af87ba6..91312f9 100644 --- a/moneos_2024/150_geintegreerd_rapport/030_ecotopen.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/030_ecotopen.Rmd @@ -305,12 +305,12 @@ Tabel \@ref(tab:030-tabel-oppervlakte-BEZ) toont de oppervlaktes per ecotoop in De korte en lange termijn evolutie van de ecotopen is beschreven in Tabel \@ref(tab:030-tabel-evolutie-BEZ) via de absolute verandering (ha) en de procentuele verandering (%) tussen de aangegeven jaren. Voor de korte termijn evolutie wordt het huidige jaar vergeleken met het jaar ervoor, terwijl voor de lange termijn evolutie de vergelijking van het huidig jaar gemaakt wordt met het eerste rapportage jaar (`r vroegste_jaar`). -Na een kleine toename van 0,7 hectare van het **sublitoraal** bij de vorige rapportage (Mertens & Van Braeckel, 2022), is dit ecotoop in `r laatste_jaar` terug in oppervlakte gedaald met 0,8 hectare (Tabel \@ref(tab:030-tabel-evolutie-BEZ)). Deze daling bevindt zich vooral in het matig diep en ondiep subtidaal, terwijl het diep subtidaal juist in oppervlakte is gestegen (Tabel \@ref(tab:030-tabel-oppervlakte-BEZ)). +Na een kleine toename van 0,7 hectare van het **sublitoraal** bij de vorige rapportage (Mertens & Van Braeckel, 2022), is dit ecotoop in `r laatste_jaar` terug in oppervlakte gedaald met 0,8 hectare (Tabel \@ref(tab:030-tabel-evolutie-BEZ)). Het diep subtidaal is anderzijds gestegen met 9,3 hectare en dit vooral ten koste van het matig diep subtidaal. Het ondiep subtidaal bleef vrij stabiel (Tabel \@ref(tab:030-tabel-oppervlakte-BEZ)). In het **litoraal** is de totale oppervlakte aan zacht substraat met 6 hectare gestegen sinds `r laatste_jaar - 1`. Deze stijging vond vooral plaats in het laag slik zacht substraat. Het hoog slik zacht substraat is daarentegen licht gedaald in oppervlakte (3,4 hectare). Het natuurlijk hard substraat in het litoraal is licht gedaald in `r laatste_jaar` ten opzichte van `r laatste_jaar - 1`. -De nieuwe slikken net ten noorden van Fort Filip bestonden in `r laatste_jaar - 1` vooral uit hard substraat, maar in `r laatste_jaar` is hier een zachte sliklaag opgekomen (Figuur \@ref(fig:030-figuur-kaart-ff)). Net achter de strekdam bevindt zich wel nog een verharde zone. +De nieuwe slikken net ten noorden van Fort Filip bestonden in `r laatste_jaar - 1` vooral uit hard substraat, maar in `r laatste_jaar` is hier een zachte sliblaag opgekomen (Figuur \@ref(fig:030-figuur-kaart-ff)). Net achter de strekdam bevindt zich wel nog een verharde zone. In het **supralitoraal** is de potentiële pionierzone opnieuw afgenomen en heeft met een oppervlakte van 17,2 hectare de laagste waarde bereikt sinds 2010. Het schor is verder blijven toenemen, in `r laatste_jaar` met 14,8 hectare ten opzichte van `r laatste_jaar - 1`. From 828352c52030d8174378adaeb2978947aba8ccb5 Mon Sep 17 00:00:00 2001 From: VANOVERBEKE Date: Thu, 26 Sep 2024 14:01:18 +0200 Subject: [PATCH 088/102] figuur regressie met facet grid --- moneos_2024/060_sedimentkenmerken/20_sediment_analyse.Rmd | 5 +++-- 1 file changed, 3 insertions(+), 2 deletions(-) diff --git a/moneos_2024/060_sedimentkenmerken/20_sediment_analyse.Rmd b/moneos_2024/060_sedimentkenmerken/20_sediment_analyse.Rmd index e7a8578..27332b7 100644 --- a/moneos_2024/060_sedimentkenmerken/20_sediment_analyse.Rmd +++ b/moneos_2024/060_sedimentkenmerken/20_sediment_analyse.Rmd @@ -1,6 +1,6 @@ --- params: -hoofdstuk: "060_sedimentkenmerken" + hoofdstuk: "060_sedimentkenmerken" knit: (function(inputFile, ...) { rmarkdown::render(inputFile, output_dir = paste0(rmarkdown::yaml_front_matter(inputFile)$params$hoofdstuk, "/output"))}) @@ -319,7 +319,8 @@ augmented_data <- models %>% ggplot(augmented_data, aes(x = jaar, y = slib)) + geom_point() + geom_line(aes(y = .fitted), linetype = "dashed") + - facet_wrap(~ fysiotoop+waterloop) + + # facet_wrap(~ fysiotoop+waterloop) + + facet_grid(fysiotoop ~ waterloop) + labs(title = "Linear Regression Fits by fysiotoop", x = "Year", y = "Mud") From 90d30b3bbe652924f49cf25d130d5817960ed4e5 Mon Sep 17 00:00:00 2001 From: VANOVERBEKE Date: Mon, 30 Sep 2024 10:58:54 +0200 Subject: [PATCH 089/102] vegetatiekaart 2024 --- ...ONEOS_sjabloonT2023_BV_vegetatiekaart.docx | Bin 0 -> 40993 bytes .../040_vegetatiekaart/word_naar_rmd.R | 19 +++++++ .../040_vegetatiekaart.Rmd | 52 ++++++++++++++++++ .../150_geintegreerd_rapport/LICENSE.md | 4 +- .../150_geintegreerd_rapport/index.Rmd | 2 +- 5 files changed, 73 insertions(+), 4 deletions(-) create mode 100644 moneos_2024/040_vegetatiekaart/INBO.MONEOS_sjabloonT2023_BV_vegetatiekaart.docx create mode 100644 moneos_2024/040_vegetatiekaart/word_naar_rmd.R create mode 100644 moneos_2024/150_geintegreerd_rapport/040_vegetatiekaart.Rmd diff --git a/moneos_2024/040_vegetatiekaart/INBO.MONEOS_sjabloonT2023_BV_vegetatiekaart.docx b/moneos_2024/040_vegetatiekaart/INBO.MONEOS_sjabloonT2023_BV_vegetatiekaart.docx new file mode 100644 index 0000000000000000000000000000000000000000..3ea331c53cf90cf71ef6e463dae4554500bd6a8e GIT binary patch literal 40993 zcmeFYWmg?RyDhqK5AN>nPH+frA-KD{ySqCC4HDel-3ct*-Q8i~T;6@gxntjP_dhtN zKGcWq>aOnU`PiJ*O0p1;7yxJhEC2u?1tg3jxF>)C0IV<^Hy^>61vRJw?z6C-T z-7F94LKw%&hwq4{9IZ4#=95va`KEW?Fv}@&`l5+*gtWJMt=^_7F3(A-TXK-EU#H8Z zW||TYWsJL0EhYsQfsX!zkQ$h>gjG5`*AGPGY-(O8dgV(9p7Inyt-yOcYJS*fMyg)> zj*ah3U1AQ)edEDMFN#W0zx&QTrSrHcQ00tP_KNGq=`vvZENBx>eJ5J;Ah^MS{d<_yeLAs(?FMY3 zgDHt_uEE|K0dfR|1%$!bdPHr&jkh&M&p&(-nX4I3n?3va#aNVW6!eO~n8~zmZiq)VFRo=a;HYi?@Fi9P1&LLbg29`pvuc<- z`;fmd`1uI|Q2PHEGEpL4%hlHzg)cir_%dXDCsP||W~Tr2|JQ*354PI>_Ue^MeO3c3 zh{9LF@4+)&KUe#33Kf`*r`K>+U|_YS<CuZl8r@frBC0w^t zbg%K!RFR^(;1-|t2DD#0Jpiepoqt(979DmGvko84-p9$MX~%=3H8G=rc+iPY5gC)c z=m&J-j|U|PmSnWRd1H!(!dyqyB~XSR`=8&e3yW4#+TJkb0zbOL2-~M{{ou`n>eAU6 z6XN?f>vacJPLo^NVy$Q&81QUZm?^UpjVj^st~+N=y$X9uh9W~5;PT-jnO}X(bkMXu zj-n26g}AOrH5>JJ?D4a8Mee@B+5g`@5Ijwhv@rnymVN*L^=nbw?VU`RP3(87-2JO8%4>SlZOMHw_61fsH$Ou-K}xTN|Czf(mV zgWN;>LqoxW&!Qd^@}v~;4I53@x^=UBlAqFMCMJWC$*9sYA1BQEyAe7K49K3hR*H7g z-XW9%L?L6_3!D1P-z67`#tqJ8&S=-0JZ91&!s1DJ>qTAa z-U9_vigEFGn+Zc4_Ctoud%RcJRYdXeo;}2m%Qr~CAmblNl#VH8og=pd!_JmY@^@V_ zI#&~Bvq3SN!sZyIgrG1E`sMWBh|e>k_j`|ZO$<^iqA35A64QT_#bcQg6spMvHC90e zs>vqZUrWF>OspsunCM%Mx!)R4aus*`UXSoNNT z(}p~qJ&x5`=_LII3wmqhOX}5b>HM2tWPM{G_s_w`5h}WW@w_t>(2zjr&2bLSy>a{` zpm;z%MelJP5_WVXVnveUde#r_aX4M7b?a#K1*|UudY7v zBh>ox?Mifs57%)WL`(Qee2~HvG#t=^8$6a|9#$Lym8e%8K-e8A_V}Z*u;zvY2i>Hq z>(}U9JAdmC2t&bwns)LSw^zpvb1vokWv)f2YIU!gSUr*$tAK?-U^WYne-pK|t>(}B z$Hp;ZU%t4g1NOYyv2+(r$HCr{61h%Yj22WHA18UkXOD?ro>x!zC3`2&Oh@E89L(?< zwmWQyqHv~E9ATE9?@1sR&14r3OJm@Iz`j;I_ly)5qbfUxF1>d|VALGYrWamAemO!^ zaXud<)8wzM!{w1z2I}VaI><=uVFNUA!+o6w-9h?@Rtk znX3u$CV&Jal_k{?Roj(Zb=_w9joS&RS1KmHSJLpF=bs`yv5Q^}dNVor9@4|HjFx!mQ-w-`O z!CWsp?el=LzkZd_lh@E)nVCteX&d`yOCyovwr+Euoj(K5RU*70++CRE)@D#ObCBew z*~qcS$yU!Mh5kXi*Qt-B)r?tkOa2d9LxXLV&seqe0EOIL_y`KJFF==kcAP{DzS#iF zfGmW~0-c9IcuH6@^cXUG6{!Y?0K%7w6w{EyV8ezW4qn1Y4UspA$tMm0D^#6a!lFkO zY*<(p_8uUCR0uXGs}!XOxD#c`M|D^i&j~!W|3fnbBJgM-^GbUi$#G-onmyFGWzB`N*W}xR2cLS_Git)EX*m5Vvv<0 z`C8+862&A@A7@~n4n6?m)<~|wfgl-Nb@&IG`1yClxB?$WGeOhn88tEr3|_J0Lxk4A zM9W6_??aZd8H0Sn*083gZ5-E~YZV9HM%XZ|ND(&{T$uG&@uZ57-YkZC2Y-GD7G`@I z$ZPQaL&zmvo8%Au{B2MV%RDp#5cGIJWEWuZi(B*K-dP~j@fiqc0())xk$t{L@J$PU z`VY8ueaY`rQMwg3q$L-=Eqi&le)@WcgP2{s z`o23%hzAs{6bzn*YwBg+WtIB{jiu(9QR|LE7@wLGU? zHY5AN1TsF3Wq(%vJp3w(U>6Jtj*5Ofvg+d6Eqfn~9k(3Ltu#u#)1?p*S4OKn7>-GA z4Rp-DW~LdP0z}3U6wY25pb)2dBk{+^G~loe0BxoJFopvS-xhboEj!B&5%a7P!1_ID z{c==$eclpq7ZQ+o)I#A$VW1yr|h<|gAck_C26C|kuT>x`TUe0$x+q$>AZO;XaEaZ-2zqOGW+qtGiO60%$GVvuFzCYJ;H=8fa zK&B(^a|RjQMSL&GPUmaKTUA(INt5)-N>6I7Mi=Slj$(y&yzwi~V0UzQ{2vu+Na z#QOKt_}^4@!gG4OeS{Wh*orMIQQrLLS*Sl0l-5{$oo~z$+)_OBEQN$dMKz(Qd!44g$i zT~3TO*5;KvKd_rH`@gm&;_oakXQ-yf#bs`b8xHi8>YLuX`fMt4z{cD$c1z|b&HHOQ zuX;QcWx0vEECO$HJK~PC3QNB`hS|6$F?ZFGo0P+wDBUr0TgAIo5WW8H@&kIhBHUOZJtZWo#>r+=zRC2u9!Vst<8I21sdm-c6dlj2$g5y0Wo`D{ zG43NhJERvbBLm#qK+LUjG~H-e`5Vl#Lawdg)zla*ZoaTNe&KHV4}kS}nyG!A1J}nB z(@lPp>c9eiw-wz~6V42hq#9*SnS+}t_Cl?$swb6xwl&?9WT2tI&#a^)Itf)ePRyh1 z$eXIhiy^!pYV<%#tdesJJ*wx~UD_Dt+_LClRQU`OD+t`E}*B#34;r zer>Mz!>fafC?N*L)TZLz6-@upO!^5WN3IVG_^BrA%q=z5uIKXpsrB6y#0~b$5pg}0 zzB2FJON~P;eK9{?DC%z4Len)|6qa%d`eqmG1th3%DHC0zWimOZdyFrE#SNPn)tV2l)} z13UIE;h~QCiM$hDL-bWFGe!eLFBYd!lKtceC2+||X4(x`Z-zm_A4yZh2&bCFGtrUg z?jD+Xyp9_&Jm&_j)!@HUgZCIDQ3X8+l5bl3&48p<#(YMl=%d8pls@3lQ?!iTTSzt4+WSY>@b}}lVzc?4Q~kRMJbRVg;tPIZ z)#3Z-HPDn-{WQCOCSl-Nb;q@)kC{5bZPLc|g6B6;+G`;NA4a5WU_HT`!MnVtnfDTv z2+UDqycZlTx4_QAp43;zKF*eE{68P`pTVXSV_H!#_(L68?MAx?*m$rSL`J$0=29p( zVj55tz*GN)qHdb))lNv98}I@SgI3tS$2k&D3kBD{Qg{fmbb05681SkPmGpNe(i>M5 zBl|I)liP%P1kek1gP7w;bfrDjlwc!#rPTjiLDR`+jx&hQxGYtaR_btziWKE%F;`Xv zIP!fan}g(@8(m>D)QW-^b>f}cG>R;TPD<05naz~j^LZq^{S2REG6m5C{b0iWnPoF1 zY?b_+au_2p4_NY(09%pN4MT)@I&U>Uf&n<1T(S|c?wh-$n7u_kM4`PR3?_%z_=wRk z)S?JO^nH~^K|bunu>n^g7U6WHk)M1BpOJ#w7Jax;E_p&$)w&RU1Dq4EQfWO*d})+I z3hdLu&*K2oe$i87tVU~=E2IetsQ^t_IrwNeToZn{gxhci#9J`&Lrz&IW!TKlLRKbH z1eZpe$J zaqeZof_gl-D&jN&Q%oVMnmEL0MK3zzu3`5Aaxw~}4l`e4iihM8A;rH)7tL8$VFay} zcBi&_+JWrTjO;*yM#j(prc*m@fn<3#!Ic@4u0n?O9uA+kH3%%Up`}!Dqu%nEE*d*h z{|cGT7Jkf7Vk=epx#&6PMVM8o-r;BH)2wb2ytMWQ0e9V>tK;YGBU6^oxmvb@^pbSc za4S>>bktWQ(w+k&Lk>P!$<9yPtovRP1U!CON@<6K;bJ5$0i?epe(fuAD164mLiUB0 zouM#^T_!SUwAy|}umE0VSO9uhKc{X2YEfqbJK{C@J~qa7reuI~0{AEOkV15}I?20_ z+jHWd`90a!xtnKJoY#cWa_L$5T2rs`o%YlAwU&-k0{?7B8t^}1V8P??IQNsb@O`cQnMjog z#{XPXVVnMoxPIy#PQWzTb+Oci#icp-BDW|PJrO`)mk>;yXbItDr($+jdQXJ(QT2j^ zC~+!v5ax-n#QRx_)!_mNr3uA*;A8lM$VAFglu#^EH$O>YE0z^S*BA$xo7Uuu(`U32 zwCnEWv9(*|qB4-nV}Kq*(``0dD+4qZcU2uwU$<|VWiTjmEAD-(RmjI# zW#f6-#Zq&}T7s}iqfn`1>^EiV@j=p94c~8eWx-T|CjL+LKh;s!eW>pgp*CF@7Z`*+ zT5CJXY^H8R6-EhIZM z^c>Q8Di}t47G+iKi+0tgVt2Mi%S)k~cW7Y*@r*qUr_H!EP0;fX4hGv@eBCzrpqYY$ zsK3rI71Zp-4=B!D@5dDu1&f7Jym4w;$L%XY*dbQ}_=TjPCE57ci4HRl=7?A7fB$Zh z@o#eKkr$hLfk8K$DB>ym<AGlQTY$QN(p|*JR?SA)t(#?Su?pe`2JO0>1lCey@m(xQl@u2zj4jtR=uKN z-?9R|#4QIo98G?O0%uI8ZC=f#v{7P36i5q<99^THiHTW_dD_`UzWD+=iwD~j*Ag{c zQl`p6#3}0(EaiJyQzC(`B_5x{O&|WBXa;R%b`Z%>qIrE84r|uA{im4~h#feSf9$o5(p%4OeH zznQ(gi=DlTsq=sM|H`yArz{qfu&eKL?gp*ygME@zZo|K*bJkrmAHgt45z$?6q;Xy^ zI=~_99N07Fv7sq0O8nJVQ!k0*7~H?9oXA}_oo#tmi}9j54uh;gpqi4gS=Yus{^7Q5 zmy6s|H)1aRp7r#fWFb5KN*93Ov(glki{jx?SW(-2ad@I?M@pzZDL_ryJM={t{QNL=QcEHIbKH}8V8te~)1vCwuEjbMmDx=JBM=@0E7A1bZHAO9NdV%r_ zVEkgx;XrZdiCP4ae6_rBMc809*A|>I%eXuyXOYD>M+}{k-!>Hx__D!Mje!J$@V$Wt zldZ}x5Wg<;|JtfEi@^|(eRjGr)TH{$-FJaiSfW-9p}_eAS7;1tgF7N6Ll4PXKYDlP z06|0s3dg+z1%?bjMDh0X=4=}SEzWE&RR-!a@H6Dfz^fr0!0s-UI0_fv`9P+At&7d> zJ(o^{#OSI~@UP0XqB?P}tl$PLcO&eZv{xYIf;%Pr%1k|QCb#2OYc*>MsnXd=4-4^~ zmz9||P01BEG8d#n^OhM*CdCO;KUAjH`!P`55PzCVRN>aK_(;h_pxv}SIrL+amfSfB zFsot|8mq*_vBD^HQxS;9P?C7z9X5Po+^TCsyaR5by@SKi?CSWT`Ky(4SZJyGsOm6! z#c6@-!XhYo{odPexwxcC2&v^EL@34AA`*@VDcHe?h5#csnhR8VQ3JzSaK@yHT>60z zQ^O|<$&JfgPQHK8wYQ1c6TD$_RE4$kdEKGvuR0`|tK)M#`Q>K+2gM6~KN`RA3-ab) zkpF)bFH<{{|AzPtyHys9kt^y8Lb9!2)L`J^p)yderx)!40cSWyoF54nC?2mXq{Nkm zG}0rX#&OPmAFsgoC0-%D8dP*{SMN1*W{I=5t z${?w<)}EUqh!dePzvaEmpoPMpod>W-{3=4^ZHh5qG5MzMumTlIF6H&rjYDd z#Z|cBCrL%QSY|x=hK3GD9EO{8v}2KFdLx14DFOAOz_uuw9Slg6)#O~?H2|?JUPpmJ zgG_A8Qetw2?Y(rEWL!vsrd|&zP(HaY1j>YrbcLgg)(FXIXm8wq_UZe{%}|dQ2NA^? zcU6uZ)YzEG>U?*(;yKgh_dsWfR@y>n%rP4Rs3qD|c~=8tOE;D((h+Ykp886^ngkJ` z%B#BNnr?GG)MKLl1>pqK_!T-t&xjqL_}+|U|CaNjOol+;#bBYRGv@jq^P4g-Ll_jp z*}M8u+=(bK$E=MwG4Ep4$+q*Ty=ksm5g^`^=08l5F&NT*%c=o^>{m=#YAWgQol}9J zDQw&nvJHw@@+3oqZ0=U}j;I!XAI362n#74Ti5>}W+X?F(K^N%S^8HRGoEK}OO=Sw( z1ydeB0f+o)Z!^pll{=eekArWmi$r`NnvQ*y)eXH4g(UB4t3dhJoI}hyUfGEmak9`D zrQXc-$UMjc?^(VnBko75*qO@%PfQ8sKaH!}(>!MdFTConlNoP15L@~`qMw}>GTcn! zZ~y7U^0Yh2vvaQV_s^PXYc{8jYX{YBhuwB|LTw60gX}Hx?9+i27i4cWtM=us4ROsi z-2VR~qFFY?Xu+WYfFgVV;7iK=UmC89g{iG6^MCcM|E1$<%G#q#67;B_y5n3BzC{ow z!NLs1Au&Q03@SMiT*bM=052=ehT*zZ9V%7I=&HPEl!HFTZ zGE`3&PQ56HIc}7Kj19bvd5Q!@d?#nua@nrfo@7$y5d_i0Gdb&M5V>#`?!^>L!r@#( zG$$Z;y9%c!2V`>Ob@v7{*r`v|!T`KJ&mzq$LrX zs^;0j2W(|f^&+a$nyO3Wm72C;?S0p|2N(oJW6CFF7MVo&_PRRoqhMHrc|>o|Dm3p; zgi72h^T1800DC@nufp>R zdWif%Z++@^oeX>apC=7le($qLDyG{FHN@{X`!fypf}eNcFyEfydV|?I6^+SeT%BUR zc_4=ILM8-y2t@gXSpGJmhND!dEq46VL03P$M4fRkQ|Dl7OkAs92L z@e}6S3PZbBU`jI!p+sK2sj?n>So#=?Y1nifY*>BJASUVTSfVQXBkB9r!-n+f*d-CsBI!54fTGXEwIY#EwnZREz-H&wn6&~R*LLgqcd3)@qKA#UeD|3O}l)&~{ z-XKNf)iC+a`+0$)7{YQm@};7aEwq0KUbPlfVWm9#C8&tbj#x|>%Q1=Dr|9Jc1F$6| z#by*CZ03YADNbuE*roEVd7h-t?ij-k%{7^l%{F^lNd zarHLLVLiw&8(gSN8`I2i_SPpg>vr5ImwP!Ut?5)bm=U!s!3ukVrjSjW7gg5mWho2k zBD{gMcP3VC&d9d#5vz$M-pOLjLCUAe#FT3i^rV66hyyiZ(L1~g2;SsV?aK|2@legs znL`J|v~n{rQ}@$@y6bt~UkKF1+v%h}LCev~=$mYv?)xWmirK)su{DkH>(<;vhBx-p zy!iNED8!}KpKw6}2uKM&No^u*y4~r}*@zbbFc=tegnLmXEG^2xd*)>=btjH9ZCvDE zN)ARpVK~HtL`!}pl9=cpxOE3VZ61&{Jk==ql&$Wov>a=gO`#YgQ|b86zsV)%_NV9ppt` z5b(G$1+#MOU*7-)@yqw(ktC=~|+e`^$45ljrtq$#3fFSh9`E?V}kh{X&{P4lpKH{qGk4QaBzHI~-^)MhoRriu`Ej6aHt#1nsuv(cvVXMAo_Cl#fYJA0S&8{^l?cO^6Hbw=QWay!I3 zw?5Alm(&$EZR1-y20kiEUffSlk}p1X9op7ET4U2XNWZsaOFtz4jU)b;o}`ra(ewUo?FMjrv~nK$ifxLbO@uiJnC`owWd zS?C|0K6h_k&TluDhbu!nFJ{iGU8}km3dFhifBWac&A#aibbY_n=jXUN_i}gSUnkPb zTV!PZR-=E#)QtQI@))^U;s<@C`L(uoY+foJQ40#$)l7#Ed^}!U9)9f(I_qiS46rB0 z_XO#84R)MWjBIr+ovL?Uz7E{n?h*DBd!L16?d=$Odq=~ycYB?0+kKw&U1B5o`aE7; zpNFgSbBC@q@qIpc0^jYed*2EI9qQgsTAC7xRz2dr3)!2yKd-IA5wETI;%N|mbWiy# z_8x55TlFuG_*H&txA-qEUL2f!?HsYbbd1Zb@#Zd>T${X*jMQPY^It=FiJ$as{ovSa zQSXrezseW7&?Dp?d3|^%@ms=X?)GdDBH*s6o+gagL6@3McD`EtG!k9>%=ujZaOv(I zHhd49dB)TF+GjcNkPKqBYaT&h5GZ9R%oWt{eYo`CC+OKA*gAh~Iik0BPhU&tUaO#I z2&(HB(yxD6Lae35){nx|2XPe0*)wsqK{m2^PjoBpM_8QeFw@~T~;fs?OE9b z51A+PaW}QK^KH4lPTvo0T%0((dq{794njC@hyFUxwQQY#wm0@YkFQ;rX}&W1HT87( zH3@vYomw)kGFR(d#;rxq`7$rH`t*F>ZRkP!FB5Rv$7N-;+$wf^`_w;0_f+cn_?%Q+ z96rJMwtDfcFAMoSYaN|kxwUlU_4J#?UJyaJcDI||#bh7t-1hZ;I`C&tBmBd&Th_b$ z3~~_&uI!}l)j!{05P7vi%(9s@!I?&%PSmjlM%<8xX+1qLrF z4?paC1by6jL}-Zasl)CY@VkXB9d6z_-gm+~-iJ;u*I)fdMt7*qw|5z-K;XvDw`R_P z(MZ1hMAbyZ&UQV44}>BzL}5F(Pq!C`W@}fHXOCxF#Cq%12*?BOulpO(7m7FwoVy13 z+#M5VNI1biKh{rRPioRZjhr7?s-!J{T>I9=7@l4)Hgx^G9kF>i9Jx8S2Xnjy6S-lvdNy@D zKmJ4LUePxS{TLu>_I~&B9)xgHqSz8ea~~Oaz2gz8-1eV#zOrkXxD2RV=`nbC*FdIT z4iNI2W%mDcCN_Oee(JZ;%~fB1*#m0O68o30H&)HR<}%%*2YtE_^AvbH60rUhh`41= z&_a~7p-CpU)5wPrJRl{J7l?TSqExLG=6>)RiSGN(9lP#CEU31QyxjiD@(;wA^sdUO z6SekJ0E6p;1H!SJ#fj?{1gK1I&C{HrOWL4$8LYG9kg5GJRH$MNY%#04Qxnd_(sFKh z=B>4pk*Z7u#{bg013A)t+k_~gjC5B+NII_M_Nfds$%mwhWaERO+6&ZA<}leqA<*z&xs$hkl|C|v#wk#FIw;i87&PtZ_cKE zugcW=d)^!Yix{{vIPnaDFWO~f-JK&no|c|)J&WCtNS+eD%;_zC9 ztjR!7dmB#ZQL9#~f{oz!9r@rIpURGMaO^WaQ$fCs(_Zgs+cF!^UOe} z`;%X!IDKUsQ8Wv*Slj3oE)J9+-$1a7BZc@7rDI5T=urq=Z3$|_UIU9NTI1*Z*e#Kq zIeuQ~iPfGmr`V$pmKjaZ-<%BMRfw*0#2ntL#zQO=DUL=ME!;^-73LaY;Wrf*an6|Q zKgIwGGddWpK#+1y=}f2`rMUG)n;RHgszW@SR_ln$#A|Vmyo=v-;FM0#P(N*WLYgu9g-6=pM11s-iBI zaT{N=UUN}=2yVI!nfJk@w^2Z&fC(aqob+iUXu;hYbLbd5P)=CW5#cvBU#1mu#@2WaVX5&^udeZd}YCi=p+l! zO{fQ!Z&^p_;MJ&t>FP|#T7%cTlpau?ZLkFxS`eUge)lNW{a*7TNgfGtxp5eV z5=VHc>fcI5AtfrP_!c@L!rA0_Qf1I0YE24zH}@y~**WtBT+C8K)5kB9U7>a42hrN} zn5q$?=X8?7CNdILSj06%=3e-^gLN)Xy$FvtyeqQGfTh4H>uQ6&Cb zsbDvj#GubFlk)L*G=V+{k1Z-#imSDdD9&-u zDWw?rfoWb&I=cL(AF7lTcM-p5)FP^JTKjTNtqTWAUEXmr*bQB-MI%AI%e{MD!%xGw zQLOoQ8NqesihL!*R;i^q5Xzz4P=WiE(4!pv0)i@Z--W&QjFC)WyTYLMoeYc*QMLBw z_Z?;TVs>9vdDecI+^QOpbgnbuV1E$~K-hE?7%#?7#q;F&rlsHPMtiXrZ@imDbfl@y ztR%6L8?m5ZXVyJ2tfKLeF?L!ig9XPGIJN6D5#C^urM~ok-Y7x4UtrDjK@=@r2N$LM zo=XTpX4wsUI+=$ayd9c}(^SYuG|J%Pl60DlnpK1u{|~I}mvH4_A}`6%^>2tPLLaQ8 zmY_q~pUzhU0Ry)&NC~Tdy|oS+5@OZ*1so_syp49#7BP%H*0&llRS#fo3LWCB`r+;R zMgYfE&Ii4a&ePH7qsg>QIwRZ+C=!X%^Rkbl(n38)y_B4cuzExg z{Ok8%=p>Cm-$%-hAF22kK+n{OMNtN>ezcA@%JIfK2Yo4>(N>PdgBF{dFz6bg%d5D` zU2(pj*-xk5`q)CJF*U}Rp}P&7k%>?MFXN8}m{@FbSE0w}189|zU4Sa;nv4hV4jT@> zNa6-hSn#wri!rS0K=55mVnT=q4W!m=hF9_LySsQe{E(;=v$n`LNNzy0=ci3P~EIIG+9j95NLMWBRv zD3Q1vVfqY?QxTT2DjfnJh2_ZJ4HsjJyf9e{4wvRop}sI12;Rmi$xqe}QIO9-C!R8` zM>xa_yJHzWeFkx2a7nQ_Rg&7)Ez`U%kYmc7p%n)h3VtHG6@_M`C~S1t#YA_vnmXhK z<*QqHq^VEx`xU48w3inxVN8HUTYl%K6^Yoi>H^;->Dp;f1cqJ}lnH!AH}r_}s4&@) zPjlHIdxbD`jinAO=(pMfJ`e~t)` z8(f;7eSfjy7S+|vNpU^ULaj-#DA>SrcmPh9jR65lHj4(W?!Qg-c7zKb^7t)P5Y9RDEbTicaWta*n z)M|eyic&7Gqmr|PCM;Y)0yBd_BnEaBrxPz)8uC`AeF^TLhXZ+uT;$MEi$Wyifa;@i ztnJdN_m7fM#W}bDYHBNhBUj9A>_;vwG#ey+vdCKFWtNAF*n{oe$uyO@N+@bMC@ zl~o3l_0s%X$Mw!ZhZA-V@%{@4uy@J6*!zqF7PkwqAxjx;1$^-gtp$wnXaHP(qN}K% z{Pf6!aB9UG`Mc1g`$RqT)pFI0`5UcQ=TX4WczhI*YT1AN{EBDokFnYf)#yiE)mfy+ zEq1>9cXM4zP~aQ8o|G~8?Qm{(8NFu}>$Sg**BnHf;3!nCodP(BVjalk0$t;lJx#PX zHIIt1jYRFjrYeNLyfK2t4!5EtjMP4>QI8XsO7Z|3-_&^k;5%>U(yP?L|W!c z6}LCqer6yEZP2!N-DNehk3C?(i`ZuOJd@9Ny0CTWJe>c|33G+7!_wU_6+C)}i3s@( zQ_{#yMH~Did%z1B^?<#FZ0b$E@4f92X4kW8LQ6diXgM9cq#aa&fD1;Frr!68A`tHd zDC@M_7*U1jL#^;=1{&9UnvGK1dW6;~DoX%v?L00CBe2!5T21$=`mFaosq*A^5QogO z+BmiSP~#1r&e3ZEu6beK0HfQ#rSxlMp0cp2S{cDsSl9FJhDrt{8>KiiyL&Bnt*gt2 zL3E;;$V4lT3*sWL>fHays^Hx6U;3+xYw|4wq2<-}u(z|=`3n#6Ik<>(4q@V;R3V)?cFnX$RCJu{mP&KVR+meVu z8@bjHD3UG*oPB=%-!Zh3*_4QMV$^?%3~^6^2hB!Z%l4~v_F6`HmA zA<(&X;{`*Xp`+?uArIc_D6ov*Xn~XDns*1YW~x)dC~4Tu1iIJ-2j4_B;E@F8iGme5 zmBCY4ObrFV($i~DT3}!A41!=GtI!#d0!xR0@sEoyofCb-Tjz2@ zX5d+B8zCm(>phx}Y}oce+s9)Y0vQ7=JE`bfOWX3G1|0?AO`P{K@JD$7{BY)2$bNW3Zs}{a%tS|E5Zm&H3#t6qce_^DS_IA z>{@$l!O}gA(mXi_KUoa1efKSXvM{LN@+ z1i+u0M}yif-N|RnDyt^|@dMLi9^z|OL6YFBEO-GgBI3}JlU8PkqFdiLVdyP-aPiVz zqya>c&9DVej*)`{xS=ehg9~3Qr&$9#?#X07qHpZ9zvuPv;_=v z@pf}5P)7f6cMiAPN*@jd$1ZdrehJSmrx1`S)8OlK%VSI>Mq*W?_Kfh6CZkm?trtL) z@f$-FdG8P%3zqAC`H_l9E-sPs?Fok-N7V1Rc@WB;3jBPnI6jAJx51!E*&~3cI=o|g z>lDRa*Q4HOQjiPY)OkUC)R{O*|2L=UpF4;(u$cW-R4AkaMCr0)rqsfePSS|YcT#Zt zzk7jOny^Bu5Tg;I*2*UM5qpSequZYMu1SIS#dWvkU9hQx)+MUbmwCggrjxH}s$aiT zo%7x5Hn57(!dI=(+%tC2R#v*sLfBVXP>+ht^iNf3#MJteV&U_wMGPG<+ynN8n=~Rr z^IA~P;GvzxkN$D$yT+dE1vfql!bd!G;&E2#a=9P|U@+ZS z4k?`cqpZTKF$5>uZ%JN^Qf~rSW|LFeX0jBldR9LteG6P-p{%u-x=x;n^EMF11J+SA zxCOyU9kTA4=o~KMN*($6YB6L2n^lAFT1=XD+vx)7o$cL8*E7LzgDA8-gx}m#;$#c1qc*())liu4lyIKsqwCXvXm;9hawH3$(A7QE`DO#EVc3okHEzhJN70cWp zOrvs3N};D$NcCWccy%9aIFy0+ufoNAL|M4y*(ye+G*Nm6W6C|i#gMa~1+D=AJ;uvh znz8eGBs>%%MV>GQGb(7ZFrdU6$Rv<5hg_aBTjs|w*LLMANq#xTm7#*DvddhV$7bvlI*%*b$V zLf9hKj6x}UKA0_9n+FEKntvR+ZZp~2`dTXq$Mm8HaxjsuERQQz2hdus3r%i!`J|dy zhip`?XzlQ)Aeu*+d)6Zbn;WxxFoQJee}zt1xE0@~LYZ7QB^b)LNr2C`bwjf~ZyuZn z^*+}}_m?59Wc8g%0<$8Ya6Fh*l1zz1R%-}S_C9D6`hANDT=s5S2x9(J1aKI-1pR)) zi26b6v2RYQY^}z_2|K#o;o}4-`IE^XUfPxeu^ZxwS8$}pE}85xNlTNoQ`Z=J?abm7 zlXwK?tekwL!Ir@dI&xx5ehuJV>9>_u=tkf($r+;OhsmYyp$?Y%wFWEBBPR4!FI&xL zFKH&CkxAL>^#S5EhAP;d9!39=9&PhRLnrap2 zs8j}c?9j`#K~9h#w^dh35U}QsC^}J7nOu7ntqY?*X<1wk zwl&)f-w_tJX;NMXn|&85ByTbB)M0S{3#B%f>L3A=FkDFAW<5~|iQB235NuamixqIK zp>-*EJARJ1Inm}sH0xd!07*19K47UQk`nG>Wkn>iJc4Wj%V3)$`HyopLbvvK?wj69 za=xeM{uc~p=}<`belK~ti6VC%9WCtRa;87k$5|BtX^-S13BY2DyO_@8;H-W}MMW+F zu&UreG)v~mPjs}_#@ts~dasSVXb`|qtiq6}{`!coBYj$bDvEHnpot05Lw)myyaw2< zOyT&6AIrNXDLpZ5QN(pKurg8PK|FJk{((6Gyg_G^(G2f_mBLuG?8|nNW>C1XfJ}?nX^XEfNcQnNg;#-<+S4DSi~f7_3?_?y zZ_$)xm2(B`_HR^|2_$E_FV$iT@UY0xqr08|cg{3@L$zw zEKS9PIS@>m=_BlHIP}OymO5BO zi~?T!cBo2DR0yBGIH38*{S1CJTWB4>Ku#Eb_u?7NT+6d6*!fUw(t64iYvQ`*`O!pr zv&{JAL=(#tG^=&7`j@~}I*)V^rFOHwk`qsURI_{p>;3!REq$<8|o}$6%jiEZLPEB3?*LMNB?)^j5YxFRnUqf(mX5xLk~f# zP(@Nlos}~^0S65TJ6|LKqyjs6W7y36lkk)YakkHy$thiuJ0J6TJ2TdPeJ+$RUV&)U z++Y1Sb17VzMtKnq65J>R1or<>_7=dAG(Fm&8OQ9gJ!WQRW@g4QGcz+YGcz+YkD12I z%*;&J@AvKQ?cTp}an}*8P%5QNWkr`dOZAlM9F@37&;6c_rUlwTd*i?}@9YhYKDWK1 z;ig2z8F#RD5!FXfG}vRe6drW!qcfuUt-se(qaUAxtd@oJsvTsks{>m67`vR6=pv$g z3a0c1xIAlQ`H1oxUfKF4I~X@;+?_jac-0#G_<$>)N}cTawhHxV(M_~C+<0%eVrl_4py z(+h#iJd4n=2~vB^F{agisQOMNi`<4vrPm*pa?Zn}tDJzvwr2)(&1#sPPY^2ap%3ie z%2-Z4K008zSBnL{?s`CmA;Q^mLTy7@4GY)QX4YpnPMdTcBhM{Spn5q~IdS5~4N!gN z#W6pV`y1uJTJNNMyq{ctFo4JW8GAltE(NJo8*XSApk_bkI0s8`2N!k}7!_uPL^=#} z%{i{{7uG-On%LNfoO6SKiQx92<=Rr~5vzX1UodJ05}h<9NE@Kq*R)G+JV6uO>u3#T zXLmJM5VMg2{9JR)^|G@#fRG&WX*3CrVTv3>whQJ5IES!rF4Q9hZsOM0GX5OmhtP_v zC<^_Bq|%)!X8WaYY9S@N61t&yvEdjTsNiPQc}UORs}pwEsIAIS;>Rp7f^Tazg>al=9Zdhi^Ha9iF1F@_J4rPDwM$E`#WPIN9+|3w6Nf zsNpyl!p1s-AW12rjq+y7A28*?}U$!D_3=g@m z-qxz=9)Ldlq(;}wq}04!RUNND{@gK*bvS0{PDf0{m@fDk>C7x^*KyM>X;)?Gf+D#D zRmHmBbE4u4sgrE6_gI>HlO~8g`x67QJ9F-n`JQB1+UwnHA7J?Sf$!@)qKmRKM{i(2T)lsb<0V<`Pe90`LOA@nY+#t}DQ9{W_4g;YGNQ$1 zXhgc0IFP1-gH;HNj>2U5 zwh%c;&5!()&*!1`@#lg1U3OdZ>h%I!pp{Iu*mLO?aW~KhpvVe+xZ{X}n*l?ndL(EhDd51gbro6L6E?zjB4m?t z5lVk=D=QMDY?lPlu)_L+MB$@-1(3t)P&`nrgFGY9EYL)61s^BL?QgtA`AKX0F;t-I zOBJjS-(iL;0#UE*gT-1#A~0d9tM`5ahYx%##JO)6Gh@I3&qf~$iZzPH#i4P}fPx^o z^u^c^#zq4E1EN^ir?Z!>qj0Ie_ZItbx0p~JXG)GD*GMyggGq_*vA^k76;d!$r^)v=bZn}6ffKIM|8v8&p7WK z5!_x<`@@b5$46mYqtxYw&_v7K*#*U`%cs;i%rjnIcwFi#Z5UKbH1*gGQW5V5wXK<9 z`OTWEw9hzGCx;TW^2S_$w`Lc1a*)h3uh|bG3rjWVX`Ow@W$wp54N;Fu4aol9ZrEnA z%J!g@Xfc4rU;r*)PpyuAI1q5}{V2L4pLXJPergD^`(ot*^Y1NpjS#~mQzzS2 z;tpi_{XVl3l#S`=ec&ghaucJbFog)Qjl!`Ha{v`)CkeHXc}xuy)^t?xD*#)#(!I%9 z)V5eBbkvy}kpQ+8est$GAwB8v2e>%$((k$Ck!_QPK(RAZhh#Oxse@)Gxk<0kl}XL} z&qw~C>{zDtKG!**UtLRvCe--6HmlIo)<@201R@a+;B@$c*0a=Ww=0~8yRe9k*1P+L z+E&NMK(s+jsQ7_mYNRVP&&MX=tGD$Koj*-FDQ8^&fKp_wPF29gK2KX<&p1t41i!^; zblVBiAm)$jEuCiY8cQ+;*h)o9vj>C1zl^djv$|x z?9tnhjqlt1)!Xgcj;nudxEr0B@e4lE%b)hXax8ecNCY76CBegj` zACB6--fbP6UE4Zew&aUmj%)fDIZF*OGxvgbeO<$e>xP(aa z?G5d0eDBbA*i;1coGwoQpe9J5dm}rCx4nB+TgTSt?W|nkS)~l2w`a|ZeIvW)<#J#t z*0#rL*THdZ=jmSB$Nt_O{G*EQZA&y1z~k%`8n25$(#qFiHJqA#*G6$y03 zhVNtj>@6EPGN}2>NCK!(naPPW$S)>d@pPR7>%0`1}# z5Cf6t;R6)@-#=Bc0x*O4h$6LwxcDd?CxQw5c@v5tHXSFTml)vD1t?}Vx)jA^CwILF z2wQo<(w+?J>3{q}ZYWNn*zZQVCO5TpINtp-Bj8wvSE)j(VR#(GlEC>{;0r6X$J?4` zN|1jxYp9AZc?6~!J%wTQmtW81b;I*kix|6l8T%^8fPNU1umK$WKdVdac*1;c1A0^d zPby*jA4`;Xu(fmi|FzDnxPFU2_<)B|f_nldHy7auh@~dyc3?bdXdccm6QL9WGv*ZE zu2>$Lc%GQOm?pjW=5zQi0=AsPhPfa{K*5W$?*i>n0+-SKE%_NF*hYuAruy93U1Je0 z5#<7<8AKkyh|U| zlQri-LSC$@j)Ls9NDVDSP%VklC-lLNp4+ILvPcydFc(=!d3>6p{d?)|)0+E;acv*l z0)DSMF|~oVUy8r{iXy(8z*mudtuy=izaBhi^I|3MUqC=q;2{6^vpF`-)&|B70F2(h zYjaH{tcyGJa1C7Noj~C%3V))bR;~iw8piT)xwsuXrk{l@JlvHA8c7l5Vn5A7Zd>Jg z*AsmJ`Q&;7_XfZM2?QAB1EB&T$0;%}&>-o#EUKle=$aTCe;&2=(xTV$j$~eXb$hsm zUS)Tx-Ja=xvg>+#xIVXD7qZ=5ExNF2@l2zgt9)EtS$1{5Un2Ovk@ddbxjZ&}AlfcO z)+R+QK3%3Bhq}7Tb#C6Tj~Tt+pwgMHzaM_+H*VGNU0vZVO^m(mkGu+Tzcy@f%hm;E zJ=o4bhQgVD*J-WAauSa^mH0LypOkG62IS|Il;^vrSYJZ$7Kv+-*$!vsop$5@_ zmE#&XQA9AK4UtJy(t;^a2~?<{C!}Q)%N)056MIoetVj^1CKP2C!8&W|P`1xZES$4|zSSj5)c{ny~7A_7{kpX+c6u-L0qxq){)& z-Ue_VDK1@K>9AI|zF+rpc=4IPtzW#q!0~@^W(d?bUhi4L6T+RG=LxFy`3f6agNa%Y#!Bk;xVXUMT2REpomwj|S zV$(jVX_FF`g;|&$#_m-piz4f5x|L8ox3f>z5>Ns}Tfy;q0CE!y^o6+mo7&-*1D)ZW zUDK8DbXSSSp+kd$#KB~2UqOcBj=LcY2(B(>cptH?*d5WUhrrU4{qxI$^lx6##DmVp z%?tAu9t;^m2Ad@T7sO|0jlTC+C9cA^#;Lc%S90qu*|pe_(?_WRC(O|`EK~b|l@`lM zI=MzumUCLXt*;mJ=B-IyYURkJ@@~bYJ4zh?gKx>x1iVw-eckz)#Cq8;0CtQrz4^*V zUfB9czjJ*O*M+Z_S~vUST&(yq;)WvKmaX2vJ@a5NYTg~s_12^#+|*ZGN1~{zWz5#| z-Mu6QD3rrr2;|r%fm@@8+T}iXZ{~LIbNQIvm+aFi-YcWKS&NtM&NM*$Ot>bMN5e}N zcXBcI!?oCYOjmSOE5b%}VlWg>2QAVqmB;h|G-{t` zeR-F}TB##{Ja`^@+@};|9Dx`VsLAO*%3t-bw?~0N9KR>q?|E>uqzqIVZ*Ei>qDukK zd2pivmNShzH*$}ZshMj0_g>$(Yg+!q7=@XHky4M8UK@zZ)Y=Jza}nU$0m!L5104Rx zneSO(Wel9Rnm|f#E6~O5^47$elZv%oVNY(oM<4`;v%knKN#N$PJBU29V=_cQinKH^h{W^t7avlz+Z8CVhwqbQ~o^uvb-h~uT1!3-xb_jzo3+QEZ z^169F{N9dwes60U*#9(K&>$C@Mr#uCWmBX_DN z_qZ(M5^e)6d>LCcj)JY9FP<%~X{E;9rd!LV`}*s}=H~k=;}$9D&6(}e#A*foQ}8m1 zL)E1IV_)T7cxN3~-?2Y;*d`3zbNxD=TrP z{t==iQD-?lg zw#@LKVTIpSy=h#rSgt)0#V4Ik@l(+y)*VR-rq;1xHDZ~srKNYY+SKtU^xMBWl%qyX z#ysPVQ*rl0UmaRnL+`)-4ihP};H4_`R#M4(F-=pv z*rm9ISH~7D==;^ilpKTiqJhN;N9SDseldgQxHxmr>8^VDUg}ovWXz#k&E}gU-=loP z%joU(sozP}#h%S)a@~A@RcEXX%EF$f3jCKuAb{qau>o9biA6pT)Z!;lKX9|6*^VD3 zw*2{@y$nUe%E;xgKLL^0yPKgbqrTm-9|5BtKK2w{7(NuQg+ z+2plpkv-WPo~DdyRjsZ2V5fnuthSrPi;n=Pk6w_H)w z4ou=!IR(Jp6{R(@vjQ?V+O4`x?Qk4tFX4XU6){|aH;F_1RC`?JLqao1I%J*aByNW4>Z58Q; z^`XhRmR01N*e=FAn`*q@FHr&tNuxN!<7|AMMz`)3k($>n=c zXw3rztg&4GOHCd%{XKq^VE?OLb3?73mzq4uZ>Ckb3m^B1Kt9 zSYusza(yuNXY8dyMe(Cwe%f4Nr@poL5rIq#DY|E_K|=LEyxNGmOALXI?X(WJoMJE!_MB|(;v$tmejMzrXkZ`g z@zcg+4+;E3qRG)m&Pv43JhCpN;@2E?|9InZwC$~-?)3C|`@e%cgI{qOMS@ZwudMIBrwyhBbOav^#I0L-M-dg#AnJKUAh^-~pPtTmU0Lz$V)3QFVow`|Aqr zDgxo>e8pV4@vMD0vfM>cJT;cp4liQ;n@~#q3hLV&B!D^8;7m zstFw;p@PJ#PCkarRTJhERu(cdg!gO1ywVb>yrArNT#8Q+iouL)0cyMwoF7KVG=m=o z=byi@Wdc9C(IW%@;XUiv!}3!FK^dIF@?8z=;o5CEnbhrcCFpannE0&PYp+8RJSMS) zAphg2=>Gdyx!BtGc~AHOU%gj5ZvO$na?}+is;aYbZ{~pkA-j9^n}H)8G+~PRbl5(h z0UfPhIKIw0FF3HOhO^m*TQ+8UriC1LzOCz?$am1*ga6ZsO}SkBakO>F-%g9u;>w|3 z6KQj#&3f3Oy3EXoEB=T#0aQ0_9|u38G~y*gBuH4KbFz#*l6rjXcCXZ>RJ|QLP1ji) zDOC97@Y!Yiu!`R+`YZ$4ZjabTGbLgpgNSxcSBjtIipF+jrDD`d3Mrx_^)B6+v}s;* zi8T9Y#`OJQw4-q>pyo8H#^`jKz#^KW?Gc4{G_krxJN+(%6)Ue2)}wpRA3k0KD&}bDN6J$e0bYY~(f#-a`W*oQ-rU+=hQl@( zJ?s@0)ESXs7Taf2(BruIju`K3!p(37x#CntU*`%u!=QVN zn)ALqLRL+RfB)ea@b~u82C?ECEe&byeS$OSN*51LXTqGPXA@4`IlT8*QQ_+ue}}KP zmrZQqL3t8#Rzj&rR*bD{AWCz8Id&{ypr&Uuo6h~B-85wBxe*b0m}}QSm~&yzCo!jJ zv&~-Ko<$J)q|IVw2=%)cu)6*CO`u^eVCez+E^5rZ}(v zK_V_Se1e>0zW)J=IPWRopVUFOa$-Y$hbyTt1sui;oy&?7{J)0-u2%Mcq5@zG+4j#C zGVEPbn}3)P$$)b+HLm%vhuDrhy5wl@cc=mL<8Zw}W5X%`Rsm3IHi(cw&4m*AsLCo1 z`RJnHX&yd0>H(!8-nM{1%>(Q6u$MmZ@n3nF_J@fau~_CIKD@YN}GCD!(R5|GCJHv#jN?DT^S4 z5Qyz+gIrj9@@PGK4pS7W^kB&y)CDt_6XE9_iP{4)p0t=M1YOkI=&r}k(mxpoKPFS= z*HoLKw_RYU0B$VT+}9(dRs?don*_)=JI(!dmr!nRzb8aOqFzglZE)5ple5Qnq!5v5 zn{)~0=gE4&^o@Z5P_-RgS&wKQ32*?VvO^&29?mIZB)qb8?#6Z{5_9{)m9V^;5I>1L z^=r3fv|=4xp?mKB;`YOq^8T7`r%h1nbkHmMow~WviA}ydH26dtI_@0Kg?Q~y_B-`1 z(=!$Hu)}F(>rk(qwj(||f z74IEPG90EeE+tk{gGiZ`yxeJCgMc7IUIVZ)t68xVXoZ!Yvj%Exk(78&g2lwIuF*pO zD$YOPo`ZF4KRgGwrMiARg*^84ZPjHD^>5K%zyWq!|B#Karx28(#+@Fdq5Ne=y160X zVeyQ8WA+=N?Oo^VUh0_r(@$N#sc)ao30&KCX>7Zb%EE96c<<)nU+~_KKor<-m z%yjf|`^LV4OQ-#%g3o+E#`Av32k#d5v})r)=dD%eearo7XXo?1ahFWhkxC1e6ZXfz zdAR?n4)-$DqTphgP%N5lgB0;(3nVYX3%99w;0)+L%+9^ve==TNys?YTHUV}K*r>*F zr`|aa^T@Vj!dZ;moA1&hIHNvlk5IY959Tg53+oe2M4BXJ=@8n7sQFExB%Jv2oVE*U z{=-~MXyV#?@=O#R<0$q)^m_hg8D_pgs*n^*HoCiC_Jfp_fy7kdDgodSe! zueMQi3>x0CeH1UF5fnSL!b?azZ(1)yQ(&cel@Fy_{kC;EzAA9wp-2}5bpz;hMaN$p6fB6f%*IyWk*DQeo zgx?j-BI)#y5XoPd=?ctvC=M#GI4Shp}+p&$wxuFg`E_Tx|UK1E>NOfwk;~ zpp*f&ct)T*^~<8T1;i9++HQ?x=SSbKJ6vEuzyiOU4qpey1?gAJmZx+i#)*9cfhPS6zr zt`dhAzbA^1)X#%T(7CcGXPL(5+qloA&t3q)e7kO2l*HXrJ!`? zFlnB0JH&FYRZ}EMajjCq`m0{eMJn2vpAIM z<#{ECUs-6k-|__HoQ%L!x?*sv_*i7@ZJ5^WJ~yOojSBa%_S;Wdz03gG#^$CW%W%{+qYv*x>-Pu&|k>F}nbJkd;y8aZY z>d4DYVA_TDYZ{?UL$pZyCG8(D*7MWa<10yv_WPWU!7Zm``~qp3s&I~zEEy%)--yl} zr5jzmcuEzTY_fF4{I6Q#6j>!!1jTj`^}$I4_1$QSFr^!s03nnmKNVB|Cx?)6im zCP5zfyYdm1rdsB*t8yv4AYL8C*nCbR3NIir1w1$zEA7SEIsXEpntzgES3ma3m36xu zu~?%RrXNBw7}GDuljRF&*V03AMA%3e5DpG6oqg)Yi0@ToU|K5ER3~@L8B3d2Y0Iu;)qME7SP)2;N! zoO2EUQL}Pru7+Hb5Qqezkp4j7WmrXDTua5IxgrPqVNF81C@GhBmSri@f}NVN0bhuD zf}<|MjxxvWm>Cs$hOS5(9{{xNQeB{lV$2xsgJ`M@gJ1M*~sskBza6nR~5pRAi z^-d){P&;uvI!6t z&~tE|e9v(~@iT@-lDG45y?kDsO}*fc-qC9WF-Z5V_PfU6d>n6ozw>>2cx4`L8^(b{ z;g4a8Djl)xkIF?m!Tq93hvS(~IfOzYjX6@mjIj9@%w6-naSOYmEo0(rq!Sny-EMn1ZR`AX z9pM>TdQc-OE)EP_90~*^>RY7gkMF41P4w>(p+3C7eP7W{mcYkKbw66|b9QS_WyX6N zY!7CBO5ahtd10B{lXG&lMJ|aG)b<LG~%mmi~ zn}WCd0ZeV<=(K;47wQY6{qZ>{gV~QdMS9q*RTr}*76~pMbey2l1ms)8f9DB-cKEnm zGaA%KJGsj$kQ+)yG!V|N_1h;i5H3gO?&z?r*YS1&&MjF@)7Ui=qam8c|8EeT$+N z02A>K(*a<{|6zIn3@qoaB0Bzy-vad*m*pz*0JlE}l*3Immu4D1H8SFB{~#-Tkq*Qu zaLBaPsLHNK7$ksDw+8BLQT#-EKDOIBM?1SR#*f5Ey^>)>jz0jCja=olx?U zt1T7`k4!jTQ4Lp3{W!gbXu}=ob4?-xnyC)1Pq32C896=FX(cJxU@aqICtXlevz+0X zza3({gqqJUVu-ZrfK z+E9nmbG6%$MAen1OpZ{ea|EB~fidJBlCSaT{TeH-0OMF7nz)Etwps~SjXq|VNd4lD z&E_6e(Vcm2Z{pG9rwJ0Y$R9l1xMFM~sGbCDFBrD$F<+EWg}J^l*`{`{M)*SZn`6+f z-uDNFwm>ZGWqrk0;H*CGP)pl1>e;7QzW$3`E_}+ z09ZNkQRk=xacfTPn=ja&8ND>xkG#zyKQy<4K9oJ{wk`RYfxwph_IsqU3dq#Zolm3^ zB-yDK#YQeVJ;5W|_30izch^A|I8bkglKCGu=d5HB0(-m2U9vdUea^0Ily;lia09wV zf_1{47*^ml?|M{rJrJHqp&DrBY7E)8UT~@Vuei3)X|cQg7$p;wE>4M2hKhd@D&l7TlPjlk-z zk{LnNpB;X|9F2h^_IZt^tKHXX#o9yOlbC`{re-10>pF-6#H)6geuv2ILtoNSK&Mhi zVB)?Zq+|Uap!4*fSI~Ei5YPFchrkgoi322Cus|r9+vmW@r6q>3)2zYwLkE2QlUmF4 zDKkFqqg5gHKlGJEr#lQ?sp_t93AX?2Vpr*P0hQZ#$j62R?61qPFPq$fV>|SdGrTc$ z=pOc8R;Uvo>Wg+SrEveQWw!hlu=-nU5*T8V+ef%o<1SWCuZD>*g@tlj&CF|I``ZI9 zIb|e-=5QOkxs{q{PjUifFy+oR22Kk(yQ;|wdD1+MmmGYzNWv$=O_s=uOh!?eS@p{* z5&tKR3ZdH^vB*yq=;>p}t{i;F5oyzh%c&%>?Jd#B2XfZ4A~A*~Djs3LiwYrhiL8b? zrz(peMS_L9PvhGDiaMU!YKh;!B#TfcR4`k71GmdaK!A`;|MjY`WV}A1u;d0lC5SR5 zDhj2~$ZVRbCZ*tsxV0({rO#=3KwP>{wIaGWqHFKo{2*y{P46{AO?|Bl)XfW} zcR>VnM^Fl>Q&~W63n1thmnk}ui6kpj{Zt95Q&s*ops8S-Iw`Ag_~a5n+3KpG{A)-= z!5Gz2B$?p9t3X+bI6pi!Pi3R3h}Qpy89+wzWdJFXyuMCRv9a}!8T$WYWPr+ljH9Sr z-kw-6PX2FSDt_o!ml<&s1{RE8UZSelTo;rvMnwM4ZpNVIg7JU*PEoP2A@M)GYEWJg z`2XNEV0Kg$i>o5Q@c%g)^B9>{-a_)x^JQbs8l~_35cN{|%v5J3_(eVk>vah@d-z*) z9~mMq*pSJfi869QTE1u_djN4|wMHnqy#!qFqU32UI-uBtu#-%G&8hrK3Ty)_l|Np3 zOVS*@n2aW2OVZvzA?YEamSoJC!h8@-OA__5!aTQ(a=KbQJ}fDVO-6dqu(!;83ABzG zZDO0bCOYOgs!hgZa0sJ+W{F+?uD##!y~nws5NC8mfHHKx1U7gO3Xfo-`gqqKQ(F~A ziS#^CnuA=d-nb}Fz)!wr`lqNxAq_`$gu`JAjVUXQ%bGF|FfG*yDA}qMy$uZ-A&y4P z5C_9%Zicl6P0>2z=J$gtF*}21u>EO^U*qYEj7eCP#!4m=7Qgya78wI*D!DL?Xrj0( zjmb?_C**CaQnI=J8Lg!%1<6W-hKRjhGr-=o`N!cTz&d(SQO|nnzbuWx$W*21uc}h= zvjFq5)MpUuP*%0<)&1R=hDO0$`(>1$zj;8->=c#~v=lR&;J1T8GuE}o-5Qx9Tylye z-Cin2Z(NAmACaqx;W>PkU&T=s3UFMzsmP$Yv)~Lcy)` zOX)vWrroqKYSC#{9>3@^n~?JliTG~>2d)8aI2#~PB&xhDAmRCk{QRGU2GA@PRb3a6 zimqyjOnLZ+DF08=^iLD>zkGQM$`Cg3bh`N&2|l{+oOaYti%{W-XHv;+rMuN6_QfM1 z0I^@Ihjfv_kH)8%KMQt@)S8bX6`6l8^c(-uDIE@#TYV z1J{*KuQtt~R)erm&$9o(F(cnEn`i#~(ev{w==3(E2a~EWQ-79eml2ZUZHQr&C|FLB zlM5p%?6zN**Y*~+W561I)egh&=%*ICKK9fcRI7>Y%%0k4ttp>dErj$%BOZDiNB6Lr zYjCO=$!+F&EJlr2I9j(bAiIu@COYUT z`A=Z))HQcZdxo4@U%Hb%JpKrkgpZ{<#B@QuG;^fjFuq4HLFT_ONaum=h;Ug!X6(PR z5N2e8%MioKX@89ld7Cma6CrC!(|dKyMxutEG0!R&lN)#U~bJKY6Gfqh}wH*Pui@ zl&0CA{2IArg71GGdM%swO)k85Vw$Q?`L4pZK_j$%Tpk$piRv+O4}(Ts8y~4p^ok-a z>~A`QD(A`M4F?fP$vkCAO`>!)#e{GwWc4Phh**=}pDO3@ppEq#8=7v4-f>-IT`hS2 z*@M5_P4>4Dh2~ge$9VcR@pz9rbynLxXU8+sbc%TAl=@Pg3b;!52$|l87J8?lg9;k| z<;%Ou^ys5J<(}H!eEN0%zf4?ryzt3jE=WPHOY~yce@?G*JX)u7ohfvO3&ddVJSB{p z>9C1#YLj9`5;P#8nM=I=CIOca%Rlvwxt}NH5km-2KeIlh_maVT?N_kQ7S_%fQpWuo ziU25sVsxERnyu|+I8EN+3%vKDB%T|B^;yUcRpk24<3MSC`4!a@B(%;;0!yU{gq;nO zov)h-PD)^_YRKioY~%~ck8FtkTi_Omj@pT&C7*ky^;f|(jZfaz5aFT5H9-f`L!bjl zr3e~a2mdcssY*sxv&IrW7gzni4V~z*+ zj^*U|hCEss>hdzrgXj*c$+wM#nZ!pVC3fe6gyz$`u3^!Exz2|2UyPcXuZ433b9rR6 z>^X7H_8-L^JL)p0XyyAHyd>{hJ#dCD6?7zOiH;JoB)nYeV$jmthO!aLYFoq~s$1!% z?RM_SG!chWCZQyQV5Ob-ad zF8cjg3d1t6(5|wD)>M#g>9Zgfmxt!lCZj;AytTTZEdPxREe@jJ13wR$QBuJKv;*mY zSTw}IOPf?}T!t~$Qy@0If70VO)`Asha?iYmSkY<0ho=IMiz>mwONcFQzlPOXMYKjLsHIlqbkPMheh3$g`jrzsTYfz;yzFD~u&c3vbPvBTShz;(D23 z<($#R7`Q^tA$52M@Zy{tZ`1cRUo03HM&wbW{e#8`%3-)Lu^YkCZ+?u;qQ^$XdUmz& z>#~>3R)cL7A<|lMUsJhVt)Hm4D;(R}FUP_p2ON~p(S%HUY_#wK zfV=uvt5ou&@-4IBqg1MMD2w-Y)$%i}l@6hOBUBn?wh|d2EFOcn$QKGiVeu|5kwTeR z#Xcjy>_$rvwO%U|vmxq8W`q4)Qty3?C!HDZGPef4X&qL@^91iuIaI$By%d_|hGw46D+vwMvFB!l9%Qe&+SWgl`KkiCg%f!0l`3RNPG8^LJ`C|h$#Hv6-><%lIpNbgQL97 zY7iimvL0$kPXpmBF%@lkUe zUMb_c8EF4)Ez|}HdqL#1%zB7RK04DIom6C`LV~)Z@?EU%?lF9CR7PO}8w~IJ91f*; zr&?y}R6;}oOWlE2W}tP3#E;$Ob>$h}^ZAyaw)7=7t+vI;X-`!g?GPqj@N8IVN8wd? zhdAFqR)N#CmM(Lm`+WJurz)s#2CB8ky$BAppSvrEUPTn%g&G31UPqx_+~tg63pM{f zkaoo;(681kN7((uyF>g-XuouCLos?rd3boc7)N)f+3u3Io9X%57ll0y2R{*az^@=z zRwa`b6DoA?Js1HVWMGd^%2D1J2#&f06LV58%nrYRr;)d{p}1@QobGX1e#vj$%t9@PS2^F=H81WMO|WnsQ^7%yN|rbqw3#17qA_>}jq0Mq zAng-hjB{GY)2`WOVNS&bcG2L!vg)aok-*?AKO$VnZR<}n4ckRWt{yVC`6J594qR2R z1j3W#f%|X_QccgI(V~f`nMX;Bml{MVGdZ1)rDlC+}KN!5(i1=VnE+Y%kmMNBq2I_0;`q8BnW7dg=V7kl>)gq2s_ z&P^H_^J`-ArC(AXxWq)Mw_=isC85YEMzOj3wqHd|5RtvJMB5Y6QI~vyIZvqaSfDVb znth=?e|wFE0W(KNlm;pP6Dvt*eGbekDE zOh5)+5OIRNVGa<0EX=J8Vdtz$xj?5j^W`gfcOExRhZ79aCd68@vDVD#BN5J9OJH<*z zcm3AlzCrgLXmbr#{onGx@N0e0owO=Q9E9#9Te$E zM!85mpQ4;BKwBPU@10H+o%$0on_^>@mpQZ^swT`l^q1Dq4v%m)-(TE2$o0>d!3;Bk z64qFjTxhqBb7k`!dL2^L6S*;Pt5+G{O@4W?O*lN8PSy@@8b;|#YmF%7(X63M9%^V0Z6SM&s6dsq*1{lq&H!AsQCSr~w3|Vkl&RPk zsG~yEUVoKYc3)8*=r2#hmDJKeje54#5{h3|!9GQ%!|_Qb$GGBng>-y~OuHsK#zZk3_6DwEDJWL%WzlZu7Jw>IoXH;miZx>IE~`vm)fB-Gk#eh~25pmd_hfPB`CbJEe#@`qJ=UA8)yo$(+Uya& zzvpPO5^z>-up9>c>D3N;)g;n>&7JaQxSV2UP=Yax9Rk2|5c_5X54Q!O-y`T{2wHRF z9l4;npBt0+hVd!5@2kED^LQx{wzdAWHSbht3l~VeO$TJGL?KrOyG@7)@a`t=55~ZI zCljDh@fX%azqGKf~TzwS7Fpr zWj2OtC-5=3%v;>)NEa@IM*f6&JPzfz8|nx*ei>}$Sj;%m`Gz^l%T!T895hSI{w!FO z;UMx6XmLR)S2LOzgvO-ATS4(%q{81|bEit$JZuU`36Q7cqjPDru=F1`!@5e4rMoaV;`w@Pbpb{zcY=k>!j9eO)3An?{8Up>UY)P zjeg>QaS@|a^ZHkEUX$CN3l~ZP3-*xMVjinwPL2c7te4`p(junpu2(07nYepL_HhMI z>__;HQkw#$_+Up#P>qy%g`0uJ{>{Ra5G2RCa@ZOC84`s{wEYI;sx^p;j0VniMCk{0 z{nXkgdV(84{b z`SWgwK$H)Rb$Vw>;kr7?7gBSA-p6j0O-)xw@mgCY<%?65>H(8TbPtvVpASE`DIjDi z;(9Fb{CF*ymLM8b-!{4)whVSU6N2DIoirq!kL`H02wBxn22XVR4FMR(#AR{Lv5>pb6Ru||+_zaJRl zThL@<#~|;Eq1Tt-%Kcl0)qiO`8~gse{-Wr~DMY(K64lX2n`iS*aPI&viF&r9Z}0Zpz6s0QS=CxqzU5xczhFBZgZqTk-L8i|4)rR!l!oYRHe zKMui%5W*-WAOf~q=xtXOWUeuLw#uJ6Wh&)_MCm`{kz?jt-PEC9Cl8)aEH-kbZ^7*& z&Dci>2VBigz&-K9E`Iqsi#WUAJBg2nzuq0i-LC2L%uAvU8M0agta2VibXk0|5D75T zvdD*tYja1Mg1p6*at3B7HbIp!XQNcZKu=va2}RtMZc% zzUaUazKmlk%Xo#alwtyVzg-8&SqEDy<4_CPVA|vzXyzS?l2&((>^O|6vL!(%mtEG; zeOM|Vgf&+WC7Sd?(aWffWt!>_NfW`^!^-{jNUh#QCKwqzm)OmD-ZnQ+z7U35qG{u;+9BaXQ{<>{B+XY#Oo`Gba z57DG0q_;uQuR!|3SI8NWaj2(T@NH;irT{iRuR0AhECi&r0nLz=&NrpFd?>ZbHI3J?g-#n|H9hu|p zqFm>gz0oYs|F9e1P2^ByL79ul_f<37Gl$@zm8N})&;C&lE*|#gg7@2!pX{m1owk~> z%|%(P4(>F-kZC;+1Cooy%Wt@&Jb7#v;PYZK4l>)$Y7clw*qIPGfhN_9rNr2s{8b!W zBVpM&HQz2|9{Hax-MepAe9`zuY;Kpnk)wrN+knk=hK+Dg`{zbflRI(wCjpA|t_d@` zunAYbA*^lf*dDX(a+4mB9F^%xH-Rid-+#V_sEbMnteQWP)#m4ouG>A$?EB{V#Ld#- zdciPvzMdY9hkWD5ExX7Sy3;8TufG%2V?HXXWK<)IwcE|~SVht{W_N0`w%|$miPYf(4;_j&7L<+Qjr#{@-RnhIrQ(00ROXAoEa0vC!mt9TlES_Hqb;^Gr zXfJLakW&;aqI9#BBfm%gBUra*$ar(YnOSeeSSsCiTU0{n;bi%?umh^&YrI%tu4!Xe z`uexeew`bFxy2jbH4k~p9THJ?Y7f(=(g3XC7O<+!_rnWCpSyGt^#?LGrB6$QG$AFy zI?=gfS-HunWo5d(jyG?0`=GuKyw`dLv*-01!F^lxS!{K!FWI}@LSFcu&juZ7X;l@~ zbU)w|E_QfgqA9)Ehj8CFhoUe675VXRQ7vz}Pf3kcQz{bJrIxK2-Fuy;`t5x9ANJ2X z2K9ZkUM$vJe0UgOJPJVNj%REf=WV0>I$Iq_Qi&C3sDy#co+B*dr=)s&Esz_xq}?QZ zK2mZzGQ~jE^r|gIbb8!O;wU==m^Q9k6uO9wS9WLH@G2Y*7SxC*q)(NmjtyEbEPM-J zWG-_bb~dOj->uyPp*K%f%}?@FsmgrVA6G~muO28SE*R_dSi+jjy7Ou-b7a?stE^V; zKa=S{a6A-B?z>T&xC5;v@KTa0n0Gh;z4A|mnhocWg&309PvvxE@5d@YS(Dhhq=)k8(-JuIsoroRqpo~IJn(rJqVGgR;dSl7i$gan| z6|jG5F&24Oom_VQ-4YJ;G-=SV&o3p;3}=#g+)b{OI_@g=kK9`jaqoLq;X@o`@_<_x zT{`3DrYXP~vEwXk1baXsHDjvFxEYqATwo)N8$xGel1-s@4>tsCLl{7mO85rW<{{17 zK|Z?J^>S{wfrd@pr=_7)-o1Wq_;x`CIE|j}V;Kd(1^O+rpe$eLEixub3T2QnrE_zG z7bG<;j9jm!L0aJz^c2Z9O@Vizi%3dY+Kvf$;Z>M=g!Bpe8_yCssQ-HG?U!wZE>C2L zV(GUUpw8qxhg5*AhIgBEoimy8WxFul69J@!Q}0Nr(8Rt~#^`g?7w!k($1qLUkiJA6 z^T6HW$n4 z;dnHTJK@k~MAFMKj`ga)8tA>HFbx&V&wYkL4!iWv|f+ zvs`3@3N&gIPlmJO%Qk4rP-(u;MZPPe6;w_m^jDu23KY8I%RSXm@j}+WSCW{6c0~Xj ziTrf0!R}%_FD()<+6AZykmO<+>JoOX^u^`v6cx6}=pXs^r6A3I*jN!~COh1Fh-dHZ z)Xr8!3~@imj8p4KE<`U-gVBH{nnpp0U`(fyw7*6hQh9ZW~}!_ZcfDj#>O7;%!x7qU(MD~DqkUPghtoXA$`%rM3wyRq>*T; zP$2LSSE+od+%7P)uAT9Cyl?bTSQ$XB?KxcNb^WqMvIi0_h)+W+)ZyR9p5x?c@X^oD zPgF9ElwCOV;T5L7<%hP94HR~fE(o^uUVCzvIsoAt_#F)$ejq1Qur+zzC^5m44tF7sK1@9S2q0^c?C#=-WuSf*i+=>hV4bw}gnN`*c_U_dgI0o4&FGXyy3f$P0N=|6gh>Y8h7RB!O zU2;lJzn|1p_N`Nfg5na9^qi?kii9@*)YCh>b_S4XusiPH)1E7=*K_UP^!4y2Rl@@{ zyKJG>GimWDVLBVeei+&+OSLRM!Ua4gw zde=iTY2hJ#+_rQE;&-zgYC^;%(nY?)SCTPe`Xb1=(Jav@%>2dOh8bHV&ZPnWL`HH zR}_F+?o|hUT>oW&>!TV(tWvDP>ddGP0n-ftr3$A}U)KtLFDwYJ(&Lf0DZ8@rq>er? z=&imG*Sr@LS4l*|_(lo@2hZGx>K6TqUe^43xQ@O94#%Yj5U+;%2-C(l+5mmOTfnN% zz@otl`+qn^+2s$omnkd~j7L9<3hyNsBzNXdRlmDmVv1D6;j`lq`U;gQq-M2JCO6X} z0;p%_Qq$!pUVHj|+Wuy$rP}Zb3P>4f?JagD!YfueGleteAs zx3_x{+c9{TN2W)LS^!VVb$yifK$nb`O}8Z^c9Uq_9P+H%vB}zLp-bCEn<<=s5PvNx z|9#n)rgv7%>fw&fbYy+z`E#!{!?$*tyb(!hZ6Da%jZIro$X*di)QhO&LdkHjXAbjl z7)n6rx!&vk-dl6LFCsWdTxCbE^J9G+Y)BAY@iElwhZ;+6nX{H z7G&oz-&>W}&RVjXFoqL;*_TnLKHk}9fy^Jhjp)S>qIsk;XA#y)aWzlrZA|}u*}e^& zUVczOQ!tB0d5&**Kk1{pv{g`E0~q^eBW1_^xoG=c?Fi^c&wvr^>%5P(O*91j^0YZ! z3&|O;3+rp8JdVg*0ecV-WP5MDw*t1logHbdEiuWeYsPC9yZKd>@U9d1FLJ#2KF(XE4s{1qZjcvabL>RaeD$ z3i-|V@iqjPxz41n;@i#x!_pG({zGj)ZGL4uCWC#YYW^L>|A{|>jP|LJg(x(8};5;TKtH9mr0(a%{lD^})2Ew3Mkr#dD)2}1t~#`YfY zzG3I6s5Ed!G9qo4p*V4{wB?f!Lr@)OSt-X6V!hS0+i$Nw@)n|C2sqz$M_Oi*Bej9t zgwQ50t_5G-Dl>W6y^@SC$oRb!NOzupbO*4{4|!IV9Y5L!-dyn+l^2or@RjYq4ERC8aLR}Yk)hM!h`xvd(iT4Y=0HTi5C=zNLkI{!@A;S3CJ zS5X64cAHI~B0c7Dxr7XlHK^05QPgV;-D^^MQU86zB)Nw1pIU|#q+jgXOXS2+Pa;F+ zWkIK=9u6`QIadaPtEJvswvYq&hC0fPMqrTfoK%4R_BH3A8H*|L;N`#T*})}5TpQ6= zdKKMeF`>QqESl0U4fTIxD*Y#*{?nU(eFXIs1~h?4@TZTbCmT$xlg1$(6q!oga4|)) zDtdVZWy4OWnd#KW#SC8f^3_+ThicWeKC-$3#hE54S!NKr%cSD>@n0Mso8bnuv^HF) z?ybLkscd3N-mSSsk!W*`>O-o`O;BK(b?!(P-8HQ!P)z4N5h%Ce8+g%%1=m-7huT3@ z9ri?I7MYjFb2@s+@tqm5o5Am#Dy}#Y(JjdOI9{YB&MY`G;t9?!ceyJtjn_1lofSY- zWxm^wm_QFpe!a`Farn^leS9oJbd^}K!af0=!q7G#fLD>%#wuK&Qr z24=7O4H~nBtUY6tg_PDb7n(V#5E7 ztab**!ZLzj{VmQKCc&R^%gz(Xt6>tHMKQx Date: Mon, 30 Sep 2024 12:23:06 +0200 Subject: [PATCH 090/102] hogere planten MONEOS 2024 --- ...MONEOS_sjabloonT2023_BV_hogereplanten.docx | Bin 0 -> 532012 bytes .../050_hogere_planten/word_naar_rmd.R | 19 ++ .../050_hogere_planten.Rmd | 199 ++++++++++++++++++ .../150_geintegreerd_rapport/LICENSE.md | 4 +- .../150_geintegreerd_rapport/index.Rmd | 2 +- 5 files changed, 220 insertions(+), 4 deletions(-) create mode 100644 moneos_2024/050_hogere_planten/INBO.MONEOS_sjabloonT2023_BV_hogereplanten.docx create mode 100644 moneos_2024/050_hogere_planten/word_naar_rmd.R create mode 100644 moneos_2024/150_geintegreerd_rapport/050_hogere_planten.Rmd diff --git a/moneos_2024/050_hogere_planten/INBO.MONEOS_sjabloonT2023_BV_hogereplanten.docx b/moneos_2024/050_hogere_planten/INBO.MONEOS_sjabloonT2023_BV_hogereplanten.docx new file mode 100644 index 0000000000000000000000000000000000000000..faf5326cd8b5f6afd529249bed8b31fd4207dc0c GIT binary patch literal 532012 zcmeFZQo=(< z)YC4r%!U~#EoD-eWU%Ctm&b_jo?fhPBVmF4 zB!(USVU@VG^{3C)@oy?VDzR&YVYIM)^iy%Vz6hlcfEcRgSQP@Ekw5SPKgf=IqlfpD zsXK%mIQlPoi{qe62Ih5bUIn$93B7|Bmv^|EJPrM#e5Zy z;H5e&%o^+p2@QV|(Kw6no%BQnYOdhaE^W@h3RL8_BEnV&7ASwt3J)eGi%E^&Tc*)u zbXPS5N@r~dJs>IPmo*e!P^p_X?`#j_CWCf<>O(9+Jh8pSM8OZ8O4i|tEY3{Y9MNpd zO%cL>9z*BVUj<0CFvW6Z=RRIWfr%hP0Mxi%iMR)@Y#1Vbr#$&BZs*-`4%j#^bs+34 z2tuMA=?8#<0^HtwA5i%%yG(!XQ;$z4v5J0I+-AQ3KX#dWaTmwYXL28gruq<&)ihrP z2(0nueDHoG&8&7JiV~+Io$7FhgSSlV>T8-0b6z^*@`{C+rYCp>k8n>2ZpRF!50nXSeJV3;T-;=fICwRJF}H?lQ!w*KcO|HD0A zd9NpIiY4rQW?b{?HMMkC)N|Y6t5@RyL&z1=;i^kCTeMb9Pw+7%1VI4d08Aw{v6*~B z8n)1L=mcMv4{B z5by=&?RZ`!cXvFD{np4N`N8dqf~`0`OwTnsIxK-TKNV?myxiKd5!)#w#K@NZN%+_R>LB9_QnkX_O^?5N$ z7D9jjEWLb1e1d-Q`Kk8_4EpW}zNvD2V1!<*a$`RaKehdoo8|9EN?RTKX zMf+?4V>cBhZsi8qq8m79?<`(QT;34MoGj5_)Wg4fY}X8eaqx*uSTkg+4}Zq?<|}(q z=W76f+HvYaw~!c1_JGPQ0CcYe^p^6ViY$O-wmtOf+PASHKO0vO=CV?$%hn52D=&qq z0#>xpYuG4&-R7_+>6x2 zUmA_QSMYG~c^`dz{+7p?l{eQh&9mNTG!j7EjQRqF`CN6qR|7U4 zI8D%}s;IG`@(grI(*8k^6&DCHJ`=?ZM+k`$Q1Bm&B(tQDpg-KwDU$Ss;h{lJNH|L2 zZbzYt-pgx|ucoLWfkz3d3$h^o4Gq1h3@TWfhta$a|NTM=?yScQ3D*a3!mLJvPFR|& z^MT&2r!}YWn7*qES!h|s&gn*|k=?#rd@U`Yfb{*m{6%bglm|2_GmB{H=NCNOg;u>B z@!oG*d2!`A8Ly+2Y`CByl&rZjd#U4;tuU&fbu-T>ojA10St~}$CHcd}aFW-{CbbZ= z60&Mn1lKU)X}2|I4bu>O7k6piP_=nIW_?qTPAF4>QxASL7$hZzG==D~Z_JnAHV&-Q zY^;pA#eVl$c>dsx5Iry5ql3UiE>As(d;yfCz*in6l_tEkdKkEQbSFFqPZbVJ;WnA))gjz zq-R&e7QWdL2(;rQNGY=9=jF&?N76~=7v*o_QP3RE217NB$#$^LG@LK?e2O*uUR=}P ztqz4uoeWalT| zB@`h&3zF&u2FIU{2dP*``|U203*sljfQN6~Q%ABlEKJ}M#?brNpA6y`RI1ABP2NY& z4YXZ75MBr16l4$eV$_Yl9~0!57XqULYXiiDh-Aj0W90#N*p3fINjNS9L9}mz8omDv zl(Y`@W~5=k{@E0ya)^yV2wAD>?nrCdaKMB)AJSDyKTeJzFjSo0m3`54a?nDe4m{D^ zPf!hM-lI zNrjX_nzKJq!V)Z}-+f(_N%L(0C?AFrg1_QOff6dW~5eK6;TIgUA1H5kvk` zAK-ey*ek?k6qJ)-@1mSObz!+`hhLkKQ^Pr>orQ@1MT`KbXX$4O2w#8%ngA~0O+>OZ zCZ!`K#a7o+N)9u(0PSvfOcv9KH!b<+U;}U0Mz_E|*Cos*03;QfZT6Jx$-(0r6R*Sb zMJRzL-oO`Z*IBVx<%T1tZ}QLG;j`TXXhvWV|VA^s?#ngnPs_5&8>I8YGQ2li5Ye(G%Gx=EI@myKes z%^9#JW8Ejyvv|kVc#ckfkBe)iM`-W~n?b?+wnG5C9y)oy^vbopKKDo~ zJ;(wgU!FDn4kJan^@PQmFjbRvKoCAVy-a4@AA3lYoCna?8)5@efXGk0rFvN~w^B1^a zyzi5$-fk^l!LXb;)Cg$a0XN`ipRtj-Ic*%69fCx^7?D&Zd3heF=?9>Yu*8sc!aQiB z#UPiF+&-#$mdT~`x8PD68@>gPD|ISgP#h`>^bgmktMIDw;lV^V7%Yr;@dXm`1%68a zwlu3oTaln3j5|cWFIm5Z#0lZ2TxKTOM&x~{6A~D4H=-cDmTU-`wx7`7m-(NZpL*3i zXT1x5bqa7{0`z|8nRjx?zgq_$bin3cA203)^rro8X#hB3=D!9S9S=-+vx{EM9qSIj1bs*I9%Ea%*48B`>(!cwZ$b`ypO@k4c!i_+e=Isrj;NdTlo8%!w#@$UR-U> zXD?J3hiUiVc?a_HqJYQ(VU5k8cN8!wg9I>$vv0UCR1FyMTO|s9+6r-eO5z~$BBj7- z7seUKyK6yTw(Cv&c9S#be8}LX6=rUwEyY-+dQsRFWdW;nus@)?U@F?hVsSoabb$e! zA0?nkNJ>LlRFY`Opk;4G1UZfTgjIRf;%qtltJoN~ngseUGaq2WGhp~{)WvMkzW4WJ z>U-pVgkD7g`-(f1f25%RxidB(A5u}6Ch0B5Rixqsyk zLLO{KBBV+b!aLELxs&zWGK%0?v;@x_v|r>QVP_If%3FAxF61vgujHAGm*s@KzT(?V zkJ;I8B=!sPIu+XJ?2-HwJYGni3dK1~Ccm`s$y_C&{!Qj9f2Dl5UiBSvkAJ){GM?YL z`-cLdizX`pFkqX?h4pW*_rp30BU1FA)A}~376oZ2=GzWm0up8r=AOVr;xeUA4flH$l(Nh#}!zHQ2F5Obx7V+`u{;MF74d{ z#q3II81CUf$3uVbN!wHu-Dqp{r0 zhO~);Y;`Rldb6*r6F*5Z2PXiR!7^#+Ki0X(w9uZgVsgQSH$m3r2v zE@;aWF`m>683M)PjvRm_QCq2j0q{&r1mJouEy8b7lN8*`^~};xZ^JuFbow0 z2N=I>nJ(%IyQmmKp(a^H3C|+w%tp=bB;ce?Lwlm6mKd*-&iWWCS#*3y*7@W%IR%Pu zb_XEHZ&pL@o)oxBficbirBj&bQgQ*Vd}u&dD?Xe+TECZ10P2vL2yyBv5yzaCg7_xR z4=l)ZMP&Av{%O|Ui54^F7Y8yW)bZ#oktK^6E9CV2RV1Pqy5HG@70sM6Y_;7vBZ=X0 z6D?k|b&)f&V*~;QsOG1fJ$inPj^3@uN|8H zaOr>o9z}cYBgl#7T;;9_=z236Zxal9{Qxc_7ye?RBCR&GnUyaz7C6r$9`2AY&dv(7 z20m*6ae8UI4XHR(&AFY!VK|?8>NFTT@AihWa1wxkvmC`*hW@}nl|^ck&Mlm)nJ0t? zcoEzfyKz>8kPwL4<50nf@X)LhVG-318yB6|@@V-<}Kii?1^PGOux_}3(W zMU45TjBqLor{q#nMHuzwQDjmn5iF-lt$E99dKpF@SBZA9!cq;Al+o(gRRbw53xnni zG8L8@rjwL+{W#134#5Qj`uc|0MXkOV&@>g5nt0YAJs&H7{>sgn-5hTVQ#UX9)2x1% zd7loVe=?(>=)&P=LZEzEC6A>g52{s-yQ=o!c?9|cMcBg(>LNTM3bY0Wj{@;M{Bqk3 z`rIWBw<`k85%B6Gm{;cD)~l!%*uP^K6oF;I?mQi{7Ltw?7>RK>c~YG8QBN?s`;_tt z@uRemLno+*mnUC?H?8s3@r_eoSO4M;x^_DOJ2_M&LBi~chvOFU?Hpr}SiEN}khVUQ z(FuDPld^PjZn#WhgTInBWL%FSiH?9e@E0!K<(jePm<4^?xSv(x>pm*8c7^9T?bwTe z_QYx>_YY$f(Cn^%ngm1?Kx+ILx3E>zA;sgU*;oF8eorGq1i8_DH(yHsH2DY7pwe)6 zUd>Vf0pP%_4wN`f7_jhgn8P1pl~fwVcnd-eVYKHF1nXRiljBHh`gcmVef7Id-=HHd zy_TN0UYhrXIVB{71Qua*jzrQSNx84G%SLA~_uHG#BlZ>r>S7iw%1KX~aX82}^$Q-W z72LY}KRIvm49Ajf3j`UO=?U&%?f!skZT#$b?tIl0U=tg`C~ns&feP1nmvG(9UF!1Pp=Fm~X&dIK=b%>c^RTqWf?K`m35XejEGWQK z?h=E{!aag`fi>2jcY`XXBm{g#r7VXuVf;D{uXxH#<1HKs+BgW8 zNMvJK5cWsAQ(r`4ZOwlEJzQ$BY3&f#dTRhq@7e%GFduEcV?gAM0+-UBjTFF2(Mtvx zFyqVwwpbtQYpQxURs|0%PO1Af)KzUqI-qDd}7Q^6aqfDNwMiCDBskLcb2Ho$0PwFKta32YZR!9f_p`-}mg(;)ts8)`!Z zz_B)8yIC4+4t5PW@NqrOu>N=&)?5C`ArI3lbLu~nBiIlNc!XLW;Mz+Oq}7VAp{nVA zL4wCMjkFo9$Ju&HqERhmz$k3m1&oEg6p~KoVp%WKU=xz3tzR3J3wEKHXwgw?z6HFu z<&8e&GmX^VJ0LDv8U}nv9Z;+~SY-N=E{T)h;k8@uxY%&5upm0=lE*Ix9({r7Z1I+| zmzG}Lwn&LNJyVf{LehP10-BK=@K7CdPx_Fe6!vM+Ahq-aY*Oghsd{~ipfg(Bejp!+ z#o&bKBbxQqeNTi0B=(4LxrR4N9-!WxzebVrjT#F8!$zYh_7DEXUUBs!T(^dlZDpqc zbR%1l%m|y9i15bSZK9Fh+t4dqR)8JOMFHGISd2U8w4*Y@Ko&`)E&x-;7)8b+27LAl zlL*kPv-(2WkqER}9;&b&C=Hg(5EA9z+WWRbbe&#eQ6kq(Y)is!-MTV-IDHy(&o-zb zbm}LdRJy=%v}iE_ocC3`%@hFO<5%VVzOMaMxjLYql)FI?)=ZtYp|7WZ(449`S!&q^ z+l&W`gD;|j>=0E&y8v(YHT&Z)^QIZ(b!nxug4FCH;)cIpvl(*e@%$~;L5@{X?hu%2 z3h;{u%w#jgGHuS z03NuXuF0z<&x?YIEJVinrj%hw2dz8k6~kx&1g|~3&IHF8x^LV^iZ!@+)DJcdd)Lyl zb7$oxr%EfdgjrlL5D2`?0JeF}$;E{WreAjiX8alykB@p5RM#$F(P;Gk*9a|Nn)(%x zRno<5L8-WaIhs4@)k1L?ye`9L2c3^agp-B;aL$o`(E1NDl5hJE;}y60_VnwVf3~0Q zgI1x;k;`BjcF3!r*5AnM@CEk!F3WW@S-Vyag3_-DJ-EY945fZcK&JMhtUcZAAJ#M7 z#GhulngE12C`~-(T`q?RtYX99E{BKSPND$-KK-@J&CwsSxEMMY*5g`s~DE7aHbVRJ*?P zhu*iOm+uU`&ZAO}^8Q^>vM^7Mo*Wu5BIXkk0VFb8ZOaQRETrpogEsA-(+$}p#~D2 z?dUmwaAk4R9I#g|o(i5*;BUtPS%4I2Y070tv%X;cqoM6WOuTO4dy=#q$XatLz*PRY zok716^Lhkeh8gPJ)0f4-nsH9}KofY<0W;J*9;ON8*)_7TI%aMStodU|So=7XRRMcx zQAX&HQbkn_1Y=@zE!Q=7EDwU`x$&6|QZO&PSzGI14y|x`u@U3m#7L^Dh&E4>hbuu~jtFuX5Nj6+_R{Z4ohj$!2=bxyL7m90zG=W@0xtTxVhnBi4s-HSee1 zG^wm4KiuDnY1#;m_|70ktcBWGO3AC_;)d+|PsCK@7BN2-AWyNa7NW3#g%-G4HC6Ts zCX29dJg!mj9<2lS+i2gaZdVfhmAg0j7!p^mTNjqCz7Ac+RZc`H)p&WzdEIAc@@WSE zLUUE58E#^!*4m=&bo!pcf1k%$oE^a!KHA?{RNg$Sef;?+46UIEsT0L$cKs@hEP{-~ z29%BYi&WW3gzFoPzR!!bnFn*dK#=z%N>q4R+EhFuvw%la__5@LDfg))S~`IRsI934 zHXWMz#l#vEj%Jh{Cd<@96n=)oJ18ZiK7hbGE!Jw~!bkOm&2-NJq=e2y-!X zW^7QhxV2d*y@WfgSZcfO@Hj-4b%Gch8IrXI$~Q^ZpnNf=#~U)_fA$x3Z@W(gvTo^7 z7Eqra%-J`06^us@CGv0U&w*;_V(DyaBGPXDdJGc=1#*AUjm4bqyB_3i58j4WdyTk9 zn>A3OIg@GtP2qlqOx!ti8{px;98+3lBi>qKVhue7h8gv8+J9Ka5-h#YxVWe+Pfa(7 zv2FR6XRy*zmUobcyF7;#;B0e6;(|&0cGle{>H65DFw-<1wEn(@xd5|P*gsEl2 zqIgrCw7R5c)RA9*;kuU)u{Wx48K|qXxUk1qRoAYqqnM%uc~`t2t~?d6neTT%a#tGO z%h7*bMxxGe!G)-^fK*pj+@rklwXL+_!>^C6;pepbBp*b}20+06~< zEsGoPg5hB5?oyth+kJ=y#~eTfw&;v#PI(YMJU>QKq{*BXziOUG368B;VJeohTKZ)X z{YIUl%^Nco?Hn<-!B0|hQC6WbNs?+knLMQszpg;6%m5>u6g}dBw>;YF6*6Li@p1N& z^{f=tS3LtFJ$BdRkKkCxs2k21+q8jqGp9{wUrGwg&TU;7j756oJS2DitsR3=092Sv z>I!@ZaSGiGQBqjM$C<-ah z*7Vuh`-5FL{%54m?0)o_YUCw@h#D^awDMyeDvCbu#T?9J6(W`VF0yxGjOq_!pGnz7 zn)c|HK$F(VxrGyb%!Nf0d#1jdwlYldt+)=?6QIU(^6N`GyVv7O@^_8urRTwgJTBfy z^vLa>KDLnC(Xwkv`EJUr3p6r;2i#l|`hAuM#k-I5Z0Th{DaO)244U#)Ug+l?<<{y`Ms|AC?O>S3;Zb69+0adh>5%w&QqA zD%Q-G31}!g)Zs=}>FSl#KgjB1Nb8rtlhn2k&b#JsQmsVot4@&sUZ*VQTv}3ew#w&Dp=fy?3|0WlXOrqarLGQH0M%4Uj0?} z17Rb{I`TCIgEiZihBcPzQ5Bt>%djRA-cCx!9EU3|+KB7v&|T3(NXKHxVI-q(C}3Et zYZGDg z=BVbH{>2qED^gqT4pg)_@);@{wCQcpB+WUEUR>JxE9ehR8lp~zA&YVglN=dC1X=Yu zYj^|AAZPbMmgV!f!IjIK3sdU)w=uD#_MM1tWh8X3Fz-CzW2tSZDt(HYcFaw^6co6U zJptz|vFPR@!;cd~Gg)QL7@2wyROno+{*ML$&&)PJ+#}2}ZB|>t9P7nx+TsO)oxLtS zi$dM>yWWQNbZE>yERo6|ytXyFdayXQc`GwKsxazHFvgB?T(~aI;>E8QT`=c#mj5z~qv@-h=z%X{@)&tF zeIbdK@K{Z}HI_kOUg#$lN#s_NepRV__ZOpwd0pPSgWx2`F-`| zH)p8aIWTM}9@a!4wRWp8GRd&=u5@Mh8U&kTq)frB2H{I6mg>+&k&!D~xYe{+#h?oh z$fT6RYL3PRw_daqM`dpR<`$e<&XCegFjX_=1H{k^+hxtIeh71Tp+_4#T&@Q#Zrc#y3f(uBu_oG)Jva5g`+?SOu_SQ-3JJp|W;WJWuZ z`2@>%Snsh44%8L_mFg#AjTj2pDIIb!SITeV_=)4li$4UYC@pZA54N}Zl@%3kF{HdD z`oDjm#W3=Dl1PzC7``ef+GwIwO(|7y)S5CWpwM&sOHH1WQ_) z1AH#z*1*w@GjA*n-Ji|67+K3b{e%^tN={v6Y;zr#hg4&9d?oJ{o@W7ZvzK)|JKAEF zbqcO0zt}Oj6!I%4ldQ6QUL|-i*!=!U;|6HPjJdvOSvDc|j*sV}aenZjoMbhg$7m^b zz>jW#*-Q@U=maw5PfsU}HbWFK@`seT&Y8pni^+avsgX?R+!K`7!%y8X@9DT(>Q4@Rb*n(liDV_*&8{=7 z`J#X|H*bf8)fk;bVCR+D$a+PZLpf3~E2qu>K2=2@nC%yE6Sni_It8TFY#Q5mu4LitJK7QJ`7HnP8!4Pu-g|{fLZ1yS)lyC+4)wa+{7{lS|YV zeKl)1HWVfp44YmnO}~v1XzaKMCxXcPEK&ESD8JydzC67b>v{cg64v4+hO5!o;iAMU zVP?U(kKYTznY@TpsF=pcLI)=rW?#pS;FlKBIj0oRPiw?s3G z0cQ#5F^=ii=^_@pImWA}+@nQZ-zDq^8#X=Ls{H=k91`U#Q@UOG;2tiFm(x2}@g;*D zrgkg3wXBA@tlI3iyLG63%=AFg{bQ~E`!@NJun!j^VL27RwooM&+fY^O9z&%5w3OAb zv?^t}N9EQ$xb(SAbLmS7xBzfukM<%w+Xxo3gtl>luo9CGv#vzCZ1H%(f%2qGe+3-V zoa#A~Cccri zDj*k)et>9(@oZr_b@{->bjq~#5Iap^89mA6<7TbTg{pLZV&PpOWmaG@7$ zKF&0rL*SQ-(s+UP`>lA|}HKR?1ZD zxtfX$zU$-#YGUnfe+rL3aF0(q=?F5;bDXJWbSglT^waaEtA&sNcxK zqV#DqMA?*WHCdf1WX95D3t0BQbaF4m|sgSR_f zod^vakAn)z#ka1QRgZ(g05%^$mdxJtT7$JLk}CaK-#>^xv-_t(-(Jrr0%}8)pZdLB z2wvQz(7q2rlErw3uLG8+K&8luRiX@|&}Yxvnj6+Q;FOT=)2uLg^WBY zTZi(%lS&X)pefb1?g8DBjrN?^a5S%dkEu{Jw@SDP&b#su4M0>jiRZWAVGrmLBCP^V z$b7p8GgqsrGK5KB4Mmx{6-;p^nj!2;7AqMQmJ@QTZ1>?{!FQgKT=;@5b(7f!N0*R# zmI>tHf&Jg$b=tFX&Y$w6aol_;@;GTZloy^un!ODGEi|w+@=Z70LXlK|BB~dcf@+EV zx^Y)L!uFb(SVCj8YWL68BT6K+c<-rUbTShv+;w91Lm_okJGkxY8y8mUorGcgh=t2p zCmXF=tHp3aJzS?)*^CrjhC~&jVg_ee?ha+g2SF-u=as5H#;J8xk~xYWo~pLK%;jx; zva40$Xjdne4WB~)_&+P`UcDh`jPz*T_9RB#7cwFodH}DQOaH7vy1!?~@I~cw z@Js+NFXDt|-roE9V_;_1fE%#XkDk~0minhv1MOtVbOJLjIUXLqOM)6yC_irc@gcbU zaXw=#`e+__q-}dZC3`lHIX1gM-^`^fPq-Ot-itUH3(OZ%6vb=K_MY0CfGf4~;^{{e zZ>jRvFHGs$-3u%0jJP5s{L%&$l~QJxx|L7H>dKYQNHO)8siTE*V&PN}a?Dc?&kDd0wQA z9lU2-)2#8j%|{xvBN^Q;RnWItV#Qk{B@vpAbRLTT^Whc$XJ4QV+9OT- zZ64)}*~*oI^95MN1X+2|E;^umg~#Gw5)bZOS&$J!wt1Nm)inC0V4hLo--CZh%5zio zmoPQ(t@Sr_{N85;gQ0q`R=tJ^XQ}YIqslEoqf#|rJwqJ-3fT9@4p=u?WW{8+316zS zc+0eCFys72#tl`JL`D`luFb85L}DYRFTR4ZB1v!#mE!^sAlm8mx~@HXX6l*=BlQp| z9wp=0qOt(Uv&9DGUQ1a%S#Wg*<^$T9?YnIxS-;JhERW2V#t~W z=^#)WwEQoR&VgLM9ONyz1ri)Sm?EGwa3H|%#(^-dZdZuLCjZmefT`IzGNk|Pb_mk_ zx~It;uB3?xl+St?Oo_441a0R1KK7`iUDu!#iI*niA~ua=_U|b(`*?k47p&T0oU%B+ z&MpO%;S?hpK|R3C48`#8dyXWXXZU{ zh}SO@96VScR@FJZRW_VT9ytD{hP=zUrCE8@p` z+lkGKztm?qhDOiZDrSjbd?3~?bmD6!mt;>ad;ao=BYZy?6slljrWcktTW`PUVp_qI z`@vaTm<_}88FzSl{(fMDIu8tJrVuCTK!*s$@K44A@Luaw%!8VfJW_V{$il!Y-5P;= zF90ZAwZgpS-+-J3_6BQszlyhY+=)qN;ic-U!azp8)J@Cd!&_4n&$W=zi=bjI?jfmV zOTEMRMV#D=vNW%cKYOZLo9(4L|5C;0g=CDUf8AA=Nu-jCM*H;Pcd6=@4s(EgThtpb zV^SAI?C&r?-eG@gjX7|soUvZXZG$UWmN6(iXthW!Cg#w#qx;pFWGcR>-4low;x5@A zOM*UAe+J@Ye^1Xh(C@hlEIKWpOk{fahSkr}lPUd}iT19rA2!f5KoTJ#Q>htr8k92{ zB7nRw9@}?9va-iktl$#o@1^&RWPyCKfZ;TVg*;;`Cp4Pl z?=X(<_Mi1E$OFUq@{?B&4XHIDtJOfY*e&6+C>t! zt%}>HaD|Yii$>D5QUEZ%twVD5y33zn_KO*#5I7#HYqDdr6mG`EPeuLh^f>~oYf#1d zuJ2G6eVPeEpC{?_vlOT&w>G?mt3w%Hbg3c@IvzC6PT@VNz<&2(H2eUPi07 zop9Qoi4icujo|4)+7|uStz~YT;u-*-Bw(tRMowsy17!abn>24Z^WLUTG9dzqHo2~W zAAydHuNr*;jhS>ViV+2KLJafQV2VrkK96S(<1OjyB^OaaOw0~6Fg$0Iqo0q1u#$@~ zvYvJ?k#gYSWjnTXwzh`)dgq;zP1C~ZymSB@UriLkTdQsW*1`?OK8U#Aglx>}GMLuQ z8cz}C?T#oIdq+dM^axE=K7uu!84IWgcg{5;<7tk+=Q(IQh*2!1SYP+fypEL(Y)k_o z2l5s_Bn+X)EXMH@U}yXK$D^_V~rcAfgXGK6J5~WxeZ=W-Ceu(L2IXZQ&l%Nq?cxX zN4?m7iSbR0mZ5mF!D!yiUiBosLZ9`N3|6ySko5}S%OJd1zvb8;H8aUglc)SO&i2_0 zJ(g7*l~sCyN|T5Fv2m!;uZY!&?Mg?>G}ro2VCmSu=CZkaqQh{l;#}z)V>`hJmR(NS zq%wnDPC)MY-oZj=u_#qhT_>IZ(A}Qwt6!I<7hUHa65+0sdA}ScWZKnqppw0|n|&31 zz;Q_oGo7p~u1_$!kRWniSlhE<)yn(Y*7sXA!Gzk(wE0Y!Ai<*CgJ)JH*-8<7ql!Ry z#b|hYuN<0kdDNAELh>QJq@r-`7_E^lGUU*w$>2SED;UB6@`qe|tGKCkP+S0f>ldkdm2H}97h zm{A`xjWzzRERwVu0bQTpi{NOQ0y&T*e9vv@6t zMUXP~;$TP_26+p#LUV{;|6nLEQ;A9fKj#LmVCuSjz?dhYw?~Kck9=REE+L-)bYn^M zlHuR(h5b|JBQ+oyYVSu6@xReOytb;Vn`AJ;zY)!)e_3!51o9Qgi;Xn# z7Fab4dJ=~~GyX7K4typfud5&F!Hs|A3hiI^@~Y#7KhLK+v~l^O2I z3vOnT+<$$FM{#@Lk&^ZcLV04M>uABo!t0xLY!~96!q80@Z%f!?M|cAgD2H3^Cu5W< zJMR{6lnv3_`B144zFg_epdJn&#)dbi$LyH$d5$NLZvLc_dzS4<6kjE^C_d=yK@E%J zhrHJL;tb~p+HUkw{ViIKNVIE;f0?B#+n8gz8U&Z^bYpazao+UG7VND1RPh5km#*u< z0250C-^@aYDlstvzLkGVkvZXSyK@lPrmSZ6Vu&sMHh7f zh$FFDuR_NOU;u|H&1&-V&Y%ssBv?FMni)((PRIzA!kjj&&k0LuWF7@iBr^1Bpd(8< z=?$yNw+9T{B+2|#Qw;wugw#tht!L^K+NVlrlb3zQm?uOlzL%NInI`YlXI%=ymKJfN zPxAnAHCx6PVZGS*9+2r93$9qX+>9;&hu;%L(8b%}8aQWc^BbhB^>&<7;^UvN+x>&$ zY8<_bInt)^>|Qd=uNyQjwJRu4h0idZ54xZ@9+ex?$)F|*bufRlw0ZF9mMkX0shg)5 zN#7pO|0@CrPF_Rb_a7Uy^^cgv0e}Gfp9Ii2>q|6`# zg7B-@m*5ePeS&~{nK?T|xh4gYCVM(JK@0IeQ1lj4gOznogJ$b^Ys^u$X7t7Ag|hPu zH_EzsLLG~o21xm=LD_jG2OS=rou+|8iITILz|^wNij9XilUsm14sE^U+FD3EX<9vS zZP(r=60E4M{)T@(RRWtbPD1ff2gSAkEQfSF4Z9UQ^XCk6dNM2BUHm7~8UFXYy0U_H zPY0bE5(-}J4onC#gcC{;SYcK=dt@o>e(>j}bTvt5E^wH)*_KbD*J3x)Vhi~5lB!W3w zHV)2wrjT5M1hrO}@u}1~fjecw;%%ra6@8%2nlGDS=^KKLtgpU@C=+Z(|9vWRVXEV! zokQw?Oz*!__kSa7Y*dWY@E`yH3`hU~|Gxi3*i39~oosBKj2-`jVVg?Tw!Pr^hxV#& z{OTQhm?H@Y@&y;B#46ubEN*wZCIWU1xfo@}zO3GI5EAnE+vJHZms25G%^td%aJRI7 zwwzL~2P{ZM#2@au!2u#p28ADwy?@ralRJd5DUq-w1BuK~o1JdHz3$$)3t%#D_NDh zz_q#U#-vbm2pU3Pwckfj0e=z?_F_0(!flm7Ug!V{z<2r}qiRJ#X;)SNUTA{~D8nvX zI~O6(1h2+-NGtquD$J1xuf}6dhO?u$P4VfS3Q)_Jw`~; z(=aB5Kchy>RS?|~w5QFvwo4JfCL|Dv&WMEX_xC8SYn~4d{M?n%5LmO*%COt%+bUQ~ zXfBhv1ivedV8aa@$vdJJVTe*bMHnyN^wk#YpH>7}@j~^blpeQfpS036J8Et=i47vI ziTn_{a?>XHNtv7{D6hsHTI;Kc))a)G&sRoyzY4skTC<1lB@?i*04i*>*frnt@ zS8h6}O*T;d5muoI#Ra}>-2(PSQ3NK*j6~SZThhm0=^9xG7gtH$pTKEfNx|wU=%B)q z44TC0sz9G7+}s-K<5i`~4O*>R%N!;NU{(Lb9Fch{MRan;6y$4?cY z`ba1sqG1hK7I=VJlhty1iSHfwYuno1LO&j|rag(dN@roj&QgmRz+$8%Pn;Ym?K1BA z<)s&r(w%?pIW)qM=GhoJzBI0RkHON??EBVO;$|t;6N@t&d1FgVUy)H#mzTN3;+bQ$ z__cEj`Z^pWJMq^^#Lx)~d_EYEn}T~3ceh>Hm$3{*+o{}u??;`}ZDCyvYH)~*S0KmN zX^U&Wl{ZtWq;c*S(?|6}w!-W>JlTUv_}hjh`xCzVRpDD4#Z8gkjof+R_45^8c`-4% z0exzapb66Ej2EVsl+u%}wj8yw*bVYc6euEbqz^0Bjs3L|V|0Sh9qIm4=yW#e1aqcS zXu~}X*C8u&*}+>uKe|@tqArzA?uCzrjE7jDHyPJQ?dhyFoNlv2UVD)dcvoM(xFUEU zm$|*(Q(OnDEsPlyYY8ojv0iWrz5G45N}W)VfIhCz!y4L65>(vJu3S+fHOM@m+K-EX z)fWLUWKL-l5EhyYsl|BwB+GH7xgX#+lJuRmroR^TV(}7Ca=$R|*`(XfuH>qhE}@N} zDd|m70zsyHAgUM8-S8KR2%`pySRYdJOALZ`C9vDc>?$5-_W_Inzy19fFIyYCS7r{? z6lfNkK!9!>=?b#Q2r3VWMlPzl+upCu{d6omuB~+nZ~`c-O?Am8WIb0ccv$Klt+5 z>YOeo)5f6WiPrC|AkhU_&dB61cbLRfbgLGUJZE5gQ>Q0)^@>?ihZ4~@2me(;p4_Ko z$+ZhV6e|{p6)HPuCX~Ox$+d@bfI=xKi%X0FtKNqi^_gb}G*-g^^HFBTVgZ?5foJv? z(n$GPEYiFPJ5p1IIM{pPn?+%Xe0Wi;`*7$3TuW@?dQXQUBDxGvAJaECZ_J|^1TB6($a4%N-(3hRV$DzBzUU>l`A5dX;l38X8hkob+OkxW z--D^0ExHy9sWb9ZW-mbArlO2r*b!T_-#KHvg|n`lg)5CM?$8vFqoK>aHmSc)=~LBw zQ@bS}7%pD-7I%_v&RH-`44bqvTd??rZs!`B$yaDn2%&iWd-}(38Fy znhm(%F~>a($M$R)A%JqF=7r)nZf?!9U-|qv)w*UUes2cs!RMtj;I)zF>JSySsS&}^ zZZFBkvRSQbSXWW8u6{_-qiGv=livoS#~=P|Z32(2JYKZ9*KOWax*zB4=-K)CFNyBZ zPE^rK{#3<4Y|*c6qC&DN1GnUO@+uUYF{2ZU|qFGS7AsFOnr19EQ63-!k%(Ob_`S z{(AVP5BHeTprM>9)J6O1kN9r+d^h|hrCi2SgHFssS$`{Urs5xqOR~4RaT94`aWK6N zI}*Eb!PGw^VHK7~06WfHNMJD3D<`LkS$ji`$qJn>8zEGKp)sG{X+jk04g^2d|g z0vAT+s~e=aDm*EampoE>=6g-#%c~I8kRtvzbeuFVDwEatAFRE1SX0s0E*N^3-i3%% zrAZe-qM{TLY0^vRRX|V#1rr46AVmQIB_aYMB~l|b^eBj^^dbo$ph6@Oi3d`cIEV=X^UeHkZJ8~ZfwFwtt5mG{@njky7MkNMFp(~3Zd z(_A3bwS1oERB}L0f63`9wyaKk_a}Y?4{%3Wx|-DJU5cPx$a>j~(xZUd+=eb4Nm?H) zN?Df`Fj`!iTX5nhf1Ree79{ETSfS;{qe+z_O5@iYWPoc@yw!T&fD)F6#^}vw*G`|B zW;idDqkV$!n|^a{THANr-yAw6Az+;rtd?p4+#Gk~N)ukvFn+Hmvzf}0Wy6<#H&M}t z1tz8^-zbsZI!`=3-`D!uaQ4;dt21ZxkGilNicK^I|YM{La}9qmP_Ug-^dG`9uis7WuL{ z7C-tHqxo_KYN(QQZTFaaw>I-HuC$MO>#9b@bd8x`DPrYyZVa);VD2-&gj4hoDQhyl z7sy5C5aAs(Ug5f4kV5 zEnOb_JBD{UPL;h{G)bJj&CG4`PT#Qm9`1pu+k)tuj=qnCeVPs>yC?3v^56~6f8%62gWjna&5+L6p+8}1Of{saDmjB-N3)UR4zZsS-UP*A>9ga~c8ETF9r zaI`GGTu?n{X+HkAVL_LtnZy}OYdi2F{&@#Cp+Md%d)dQ+(%6Cgn=q+qfc4`MAkiYT zEnu@q@JQ;F&+?gF&x2Vxdrxt9y?XCG#cSv&^J!2;;MLE(>NSf);O+cr`zgh7T)vX0 zz461T`K#Ss{Z+oqUjM7M{({uM8DDNTZV~rpZ;?vYiIS+`?3Q9ied>Q;xLVMha3L(y z;~+)MaveDf82xxZjSZFJFZx?1RvmwF`}$44F!)#H+s=R66xf0WitJ2F*9FW^Tq&)s zK0|8KjVqbSTZ?Bp{kvN>*4}608WkSm4lk}?qvXRIWG2v~c;(ddxzo4OM=En4z&7g( zZ_M=*hbk}J6kd80M6PAB<2WT>zv*MAvzmF|qU`I#M|)T5N^g3K;@&UxrJfBV;C&+? ztr8E?mD-NXp8hLcR8dqtcwl^;3`fqu#8JGp6T5WHL>#L%od)e(FV_WaP zMzOzn{jFPFV#CkZ%c1`H&**~dlnbG>qU7Tidi>49s?L39eI`4qx0`Q<#D)>iw30lg ze>>l}R7u#fC>Nc zc3C%+cuQGt%3~$9V_HGCf{C@w%Q;@yPOF~6BF@&5-}Wo~4Ypw`KJ~ObrHgF^?}|Oh zg%RLYi3x3)37HNWEZYkYpY?FPzxP_?iIi}=;^=4;qfu5pPk}9frF$4*@v^#0ey~I0 zOFzpJI%$dhm`lahH9KOKo#*xL*NG9*_xtL&YbUe+WDUoZB~z$Ye3>`y?o)z5e=n3HwIXw zFv&>+X)|WpnzPswdpTRn=V8#xd{VPIJR9s!e%-3SRiU~y^y|6F3PY*lN|4=P!H9tQ z$7>Q9%|;5=AtWueV~fSiZ>(2+y-q$Yt)g_z=o?-i6m-GS6Lty!!v5GrTw_xiyIts1 z)XGxeiY2pTg6@)vu5y1&s6L9B-~{nR%^0h3o56y-4_&^d3Qw!mCEc789n5%mKPHsY zhk9nn#0o-=h%V9~uNnP86|>BP;+4#^17^j+LPCyWIdWgd#O6*!QNJlH``+`k`)buI zXzq4PhPX24S#N=r}?n%>ID^T+zabD&--}d}E#|PnpkG%7$ zUjw3BW;Yb)j!m}J3wnHJ<%~FcUg1vSpI_GTl;=d=`YYTuW%~BBF~o;D#KfuOFz-`P zxAw2l*v_k1k+YZOk0OJ+h+Ze2eiEG@>O4ay`$umKSAIxU?#b{E@uM zW!yQqu5c$J`cn)J1J%wnzG8cr>)4;@DEoLfvhK9RU`NgUNZ;>fLX18=G)SX*1!&O6PKZ087I{#_zP~)e!O?_D8}Q)8MNQ2=+Rz zMy8BtZC<5^Mn+cb!nSb_9rb&kO6l}|j{J1CiZ@_5Tj;gjIYIHT&T4l7RhfIac0;zo zz2C%}XC}DzG{1e+vurRADQ!RA{;fgrtozfD@Ofc|MlRyN^pS$(&Z!4}(%CrG9(E7S_(ZBSMlyJFm*<1?NaD zD7}{Y-Yd-c;&r}kXFkI(YA`|pb5$xvp6}<&C95OKvin%B2&)!;P^ImhL<)BnQ^l>< z&ldzv4&2JsH~e|=#}{Y)`L3mVBgv12s#`o;6fM1>h7NXWuYaEF`tn@oq#QL@-`nO< z^wRm$e7OtpRpCW7E4-|~@HZXNJ7hX@p!KN4u%RFkiGPS_oK*1q9;^I7U} z4eMLIzEj8eG_wk{G$d}{Fagcgz}QJqc_MRVXfr29YNl@|xdZYbMD>A@%G#-%D6Ds_ zZJM2tM~VC*;F}{~|Ju|q{pD9?=*guFuWiiS*W0hk6>Ww~#PDYEhQ+hV`y(O!Cy#6f z^xI2~2!ov!z7ceoto@5!{mq~B4O zQ01~m(!4(CcVpy68h4kSc)L#^FysZL3VtZZtGn(f)|bJiw{4}2NWRsr9;VvaNydsd zAi8oH$D?iPPu%r9+z;q2)f8~^k$XFJ<@ldj^!KfVJ!3en_u$}84sYWsEz-(d0=Bv=e4D|ZQub!9G3^_+F?>Tmye1t^NWj>dB-$v`xH|HZLt^_&~S~18~wh#Va40rr&jg&-D1qtW4gSxIt(^ZmcB94MzcMa_4&pO zR>*cza&Jm9;n)Ld7OYUpiL0R5lCB=I{dYljW;2tVA4$_uEc=zLehvb+0@AfHy-D z7x+&2MO8kBkwSs|ozn^rDzc_Ta*|HHi@$6&kbS?l-Q{T$ndfLnd!=2DruQ~@VYP3) zde=<$8y)}5qTtW0Id>DiQ!3wNNX43s=Q&J6tnc1G=a{TZG(W(t2GT7ml|q(tbt4MI z=oUG|p)zTYlS+j3^PvybY18IIO(p@M5bu=m-{mhedYE*c6iPfzci_L|?I;L5xvlg; zu=sJ6pPT)+g^AX5ZtD4fotNgZ)EBjCE(;NEPa-nrrmIJa+B+;xi8JnF^m{RKbtl%>j z13sG#p#D*L+l0HTUX6EdM9ehoHGcbmjB%3AYxqk&g!?> zA^+}T;P3uZMF|h^5Ao3q3HJ#K(9#IK5fF4ZcSwK;TsE^bgD^2ML6*QT$l)Ty6v7NX zWn%jG$o%id%JT1#jg^&!m7R^9{XcgOE>3n1E)I5fP99D!?teG%CtevozWN^ccL=K>n~&sZH1&(x zeBUQC<`$Nh9j-Y#IlH*J`S}L~1_g(N z-n19S=jInyR@c6*Z)|@5@ss>}_s<^XFR*{`Z(U3fmj7B7`1oI9{J*VB5L_4Y zKN)cRTNe{^EO=)TWMz}nVi!7Z$Kewtd|dlJr^to;il%-pc^!L_sBiRVZZQSj6-DyD zrTu4R|IZed^#5sP|8rsg*SZ!Uyev$h@K^*PFbJJCE}a@xx{qV%= z2AH%7)g=AV%pAKJtNQHfDvNMPldv%l<(g&mAw<=i<*kKCBGO?2mD#QN;^*zV8ZE0v z(pKY_&8$tnY>?%Pek8tknNHU@_fzDkQwrh=V+mmbz>w4cWWQkycF~;@MV4(NClB)l zUf&DX9N~Mp7#Hj8Q**Yzqls#C?8(Ocv-oTV{{l#QTMtFvoHw&<;HI6RHzEnIvCTC!5i9|}eF&jiGd>~Tq-9~> ztk7$7Qy7x(t7#5Y$+yA7E&4SoV#*2brF!~nyix|tKD$9X=*27skG$sgI`wkRwl!6S zfn%rv`{djB^VTIAbMEXek+C;hO7Y{2mWdv9JrAKqX9CJAku>q- zmCd0;$Xw)FG4UL}1(i-ayEZYuu^a>Bl9Go?Gu^)~EStSdFChBG1V5>KRXoa})$VsR z5KR-BWbo7}uC1 zo%?lM&G%d!gbsO;sq(+v_xTw-j}9ShtYl4^umgi@VvT=6XJxNjJFY#X;g1bR*^}wD zG`lX}S|j-zs|v0G3+H+LAS7$Zy*v3^W?|&m0VK(MVm_B4viZQ|46@$`NoZU?`-Nc; zw|mJmjOySFtb{)|t+70=x-WL>t6)z!?cG%20Q-ugcxdh`JtUxFGpGqD!nU}O*O2~<7O+Yb_X5_~%c_E%5c*OwvuSO&Mn7WI@;+izs>Hc_U2g>h+*-PH?-BL( zA*A2ekNyM}JO-Vsp}^?{-LB-#HQr^Y)UT=)DDTfxKPa6hC0)U#KPdq*Ic4&ptcFV+ z0UGxcO=dt%5(K&i%8#@@JcJA{D^LD;rBvdR8h)94%slVUIgdmaii~xF90|=hB0?|O zL(gljaS(;6=Mqkkod;pU37oxYSAl#I&gFN_l=qafpG-r~%fuHR8C85zhJu7T9kwfm zw9!LI(iS*JM-x@XS8Nk};4I6UIZb$Mm81Vjf+^YbGT9(;Z$iM!{9g6ef!pGT6tLW9 z&HBw_WL3SM@5K;-KGD3?h&$WqqJz?{0ee` zgRq&w-~bl>+G9S`Tq~A-xD}4%Cd^>$28{y^f~&mzZb+=8nZgs{vM@p}wk38D4QQqf zXadUOX$)1G#~~yob`72uEA?zQT5YG9f`;4uso@Y3hFpMAf=TAvKklGIkS*|mF1%P=-H07fay<1HWqCe` zG3tW&xa_W_Q6BkZE*SMUC>(O{>m`K6_#uSD`e!V@Zp}7%|AErV)7ej`*1t4yn-$H$;9fC6lVSnzt)g?G zf+kvkhNc*x+{chCRO9^Y$-^_Ym@&w6$;jW9+wiL}vv|@ulboua6_sWAaR03e+_!ZRrH*(q_UfA=}Enm#jK-H}HCj%L4#~QB=jr@_1e&e?{{l7__ zBR`XNa0p3`LY$(x0xML-1V?hs2t4ENCP>-RD`~D_qKux`Rxt|t-@|X8m;HUwPGe(H zi0#t*g%{ZKVY_e!->pN)BLx85%pkqhLkPX~IscdJwFXI1;1B|Cl4F88y)zOPz%QL} z?=v5;t zCV7Hl2u?59SO+v5uGz+VnlF~q80r^R=HJW${iEN~w%_>V=BVptn2B#(2oYD*mE(aV2`bpq^;nGb^x>My;{KrSuu4J&(kuUGI>h4jyvT9r5ZizsC?)$nq=#o1f&u0 zS^pFsN{ZU)o0!j{h|pgl6o4{I;C^^O4B2Xcaf0k$+HyyG{3fL`CQlUmxsrOhrSZ>c z?;Dpul?4^P5I~W2`j8mhw)6^`CBcHso>dJLucZv5(*Mw*Zg1O?9WgwC7Y(#VezxEW z5YD`Y#?dzqj+qbgcUz}Al=Nj5O5CI)`M_Uv90H7HJpQU|0_jkjbu>DeZ#-(}g! zziQQcdUCV6FM&m$GoCG1UTnmzKr)nFVxJU_3@UvcI&zNVHS>SOqX$eLLf8jF;6lct z)NsTioQt7I3nh!^Ms_Q&Evjq7h2n}1TpRVcAs&O$#u9 z(ZrP*+&on85PUnDn6);+K2PH#^ByPRf@gl{eSKfIu56tjZvk8{B|VrdVxN5{piIK9{3g5^MY@7dK7=%*`}yZt z27CGFS%_0!aa$|jT0G&wy$Zc#+ZnHK<2uI4M3&sbzZxHyABY|k2xgf8^(Pr|nv5Aj z0*dAXhY-nxOXQ-4RX*R}o^f8G2OCxD>r+%cqM0sUxBes5&e6sApT-Bsow4I^-2F>ynLyEC%BGCE?8$6MYYG=($Fzf(&s=mXIAjIO%NY<}l z+T%|I6dgkBP|FBu%((;5NQx zXGq<&e-Qml*K14)=m)0Upvoi|Bk2X7^rKpz--}$jLN=fVG69#xPayx5uF1 z^_zrJ?XzL~OZ2kdBR|2!&^0&d5YpyM6JepW(>slkE65BepRrwCKWXRumxLR-JqG=s z+}x$hJZIJvkB7i+z71Dc?1~8CId$-t!PP;!IS7t%14a|vT7hODBMu?yy(W*~B$KY! zA-i$O1Is7FO}3nhIDXs57hj9i%a(QVy%XdV9X*l=b8S8wwmV2E2W`{pf36)kS}m5JURg-~P8)IBx6; z5TBr?*=;U;sae&zM>6i1liJ5j{*t^S5cDV%IDWN`45K)LE^i0%3H2tn51YHJN#5*( zvjRxlt`5xXUiFmR7XAcfcbhe$M#?VdClV!Et0&px;~p|98Q+E?)9HmoV<=!55M!+ z=Rva~y(9lG`=fW^L;GkjeaaKKYnOMXlx7BHr&)o~L>F8Xf$+vn_RON3@Pd%*(m0AqlHCsaQBd$n6`Im}>}^wT)7#*{_7dI2R7?4MPX8Eh3GKY|kR-l9&`TNW(c_2V zV1k^;P$6H%+^PLpTHKG~`5Nk0RB>x}$#co_<)ZN;EBS&iMp|kghKdvlEcN^t+~C@j zq{(Q;duRsi&uo+{l5`~z$KYz9o=q`6gbd`6P>d2{Fw0W&*Ne!EH*;as|j759=S9Pos^!XPkr6ecyrA*Kb1ceE0$nNKuR#CSS-?3F2{M95pNY61q}{MQH*sdyF>U4S}-XYW-=P@dU)7S``&K)zV~ z`PqfhFTd@MYuVN*QC&{0nBJGKRkRRY$MeDbVL8}#5V=gQ8qmZ|SJQ|Un$1%B&*?iveH02$O>$4a61z}`!LHs{)p5;SCFvd|_CJM;@ zC{W`{;4QPmk-4xoTrN$y0uSgD5emUDzCGP9o8;7*qeA|@>Sg@RNY@ZhodX+Yie)ga~Vb|9yi$8_S7i$OB18t{)&<5mAV&0o=kvV<*EK7bwGS zt46*I`^)FOJyd)pJHBoHIh}WAb_3m)yYH5}mPRlA1uA#djOd;Xag)jy2FKjaU)f1J zgCm-+?LgvWKU#Gd!z&VurczO{tKr|XSarN0UMlkRE!|M96ERT(R#Gvb}cK*fx);Wx*wl?2*HRGMM0JGAY-@1sgN+JWE+@? ze1{)3If~9?=!7owOqmSEHqf7X;uPQJi`=moul8s<$IbE9{#yE!^Gn2l8+2#_P~4%3 z&w`*O$)2VU?60ZEuka7SQX*HO+&>WdGi7#1ad6n{*4%G7nQ=bd*2OIxBn%l?~mT2wI2DQ@?#{krssgcFm&$jFr_$(y}03Cegv%Lm#n_aFXL)C z|G94_12-0L#OeJ568-Uq5I?LqvR?_;k6b9GM1otC1SWR;xE+zWPjmR?xU7-fn466$ z4|F^(U4MQ(Bk*^HJ`k6=^jhGCHWOVy2=e~DeKSD7H^wvpI&xaHJB4QJ?A2JE|}%7 zigtPG<2*z3rt$!)2@gtWA(Fw_w2B8bc0jZrj>;OOBt5+6FmxbRQw0o!#mktC;_Slw zLS(wVC2+;O>j~|S*6%>YyBLb)_q3_E2B%e_Qt{G=q%n-;Pd(K+%Ti2^gS&1=+5QUVU&Ys}T6|Bjg$|F9?%@ zrJBga1>y(YuGTf!M1{S)q}V{Ul&QBjw2JY4?P4Y(Q}>kMH-aR5o*?#U5)6nOgm9Y? zsos|G73{-Ux4^Qfdbsg#PG3xpc#$$|3hVv*rGHR>d>X9^!{F9Bgal{~U=Pe+*>e1_ zJQkzN%zt?wPGNvk2ysRBpG&X{#7e=!;2B=xKv-4Wy%%pu{E0E^p9$FBUDt(!-``Yq ze>Oe1mXdh!8jPMMJfn_9!le;|0n@PR=%WglA90}H|Je7B3 z8um6S)F0gJ`w}5-j7j=Fpd)eYDF3M<2qV`(vw`*g)GT;x@MQ)L4|1D6SU>?YU;}7C z2hfY|t9!G!droWT$ox5a>h2>#UtNCcAJpz5K72a0pMND!UbW?A=27jHMCf_iEg)@e z2T;$Yi5U!l33#Lo&4-LkV(1*$%zu`${n)4tyOeRxT4EpIoYnwC?=!jboZfkM4 zW2##bHmsV(d89)0PwFz8(15(+XSt!U6G7_t-w#6&-Jqp;7>BHBvc~BU&Q2tC!(V^@ z9SU!Y9sFuw|HyJGpxxlM!_U!2?w9?1HcXETp``;{Zk!k0dzNq$bbUoQ+A(CyN7#1~ z0^G#9Ha7mQZ0L(ps}Yl1lmw-PjR)^vr^)flqz1vhfny3{77Dk1={cJiBMSJjb2}K7J!(jXaCQ>}-?Q;D7??X80-Iq)jl0!)dN$gKQI(u%a~_Lxvob z<3HV~r{ZpxB(MG@uVS^syo1f(USv_H*1iM&92=UW2^ty6c>>VHWn#g=DPm#(EDqq= z7`!yST(_xiL&CE=tv~d7uDWc`S?gxj+@5@8#!l#WVipg{ABP~`2c11(pm}AMz_CpS zR|uikfB~=&e*{K&4sF_oN$TxLx-%wb+9zq!)5h?G+2XsGy_Ru4oF5W*a@eNpm*IkG zId7g@Ob;_Y!DqW`ScB=gj$l9b34gM=f?!^`Z>@*W_OUp5t6il3igaCd;a!v=tnnEeYd zwyHNfj1}_OS|}a~HfAHu;-sp!#*o!Ne$QuRp^nFnVT$C6RF<9&1rD70J*C-zSU@({ z;i1HZVqFT@rfaH}!2$;~fd|CXC5F{b*CtO~L zK1;nq>iP3hmFs9*&!B(p>A0y=*9JirAW55MLI&YtGR1{n@m~l7sY^lDu?Y{==ZM%&qXw}z59oyh3?Ga0MK>qoVpmK*Br_fS2N{i+N|oHBz) zk0j3Es-^NL*a5ZrRWS+(MF3M5h7wTfk-A+hol&GtBK%rQ8GTu4fUUCzL{F>zF&Rq0J2r8faZOhMV!0Yif3f&mzXc#y3zR)I6! z)`St4J@d)WyLt`X#PPb(Q@zniqdJK<;aOO&UP%BCVg-==Gf05ZGhx2a1&38=W;g$8 z1H1H2Mz1K@AOnBR-J61mzM_#auygSt&&&MB7S%VN7hXTbvC{-b8-G7T^bj0E6C?A} zj)Gu>&4&KkSeR;s_=FWShLL6ovJKD_1{5&uH&F~Xk&YicJKlx2sBra}#t=Hhb3LC^eB++z8xZFLS*+onnlU4 z|9vsH^wM5OEc;5A#qWYdSmm4Z--FdS9N>wlcI7+CtT2EFoLaL{GA*%T%}P z+C8I7z+?^3GF-6i5|=xXYFHDPoqbY&@wq5%plU6~`~6!Iv^_1GApqbQ+#FQ9?|70s zdZA`5ZSa}-U`|XtRsVah#FU25m&RKan>;~HE^EP6`2!32j0R8Ij<(GylTZBL-PaVq zP8SdGi^5$zEqOly5eF85sTXpkvts26(~c#-lg|tL#t-Okt!fTwW`QX(NFl%l5GR4Z zZe)|5R~o%Bd^d;OT4!gAjf~H~8Y%am)G;Dnye6s4{hA%Z3|b;^ypyq@4ywYHmL7U% zO!(d1;bMf$Orvfr`C9ft>36hnnOyV)bzoh4Y$IV+KU>y}74+6&c-r$p0+L#O{17sg z>+qZ(YryZOGZOY2&fw_+2YdG!jSQH02*=Fgkc&I3FMvmbVg^#UK^diqA^d!&cv}0D znaL}uykFBE<6Y5j?zyO->JhvB zjH(Z8f(4uzSSbG@4<()c%0w~PK$eSKbqGo8{5GwIT{Crt)vcWPHEJCQ##oPKi z&F_Yr2ZK3wBFuEodEb>{gzsqrs++`qvMGZzoMhT}cY-L5j*IsoJL9&%YySmIRLx(B zP79kSomO^GoD>aS*YbRRCzj(@n-OX=f%*;4_lUun2I}%FdMSd3@gCb|kkjo-`nxt{ zT?Op+BUH(+rVXxs;XIC25jh!9_0R$@o%=|;F5FjzWm|KRV--0x&ciq&NzX%w2O|aB zsG7W6%S_~#3!ACidnId=dy;aKjc&^2Up>rqvUnb8kQG^!xU5*x zEg2sd+rG)k|Ac+={x~H56$sVAk`Z77iuF2780()4oVHp6dB4Auc>41Mzcti-6LAue z_^~c%l`o`?^VZ_a%+IMFw7MwK56x~x=c)$Y+_+5ZMsF8Vb!ldxRQG9$^eQZ&5(Yhl zgu*ix4AQ%GR*CLc0Obn6eOTKqgdyo}q!r7&&utP_(lA9-`QR6;=J^`}d#?6L0t`he zNW$Yoh%7h)igXPM$YD~#dxa2F3&;lu6*pjDZJ<{Ts9II!n2KThOq?rzn{t}})gA4= z%-@1?{K3_SCV=e)N#hA&bTs0`JPrOi1}YGW;w93I zR_DWSeP!l5Dcbq)i)!46qb0w@ob9UxyiSBV#Q@|u!y?nM?XxtgduzG5aPhX0X=8^d zlF`sYM9=HXeedI=0w`rRCRdoKIG4i3hprhr=b*Qc{TkgMzaok32N|%S3Gp~Aymz`S z+<|~fiP$^qVBZ;^l{J>3TNYFh;vem1DVY%%sL%xRN$A^4Jv#8SpgAk)fIzp2UIqr1 zi_ihsL0}tt3<{jKVQ{TPQ56_Cw+WgEY#2teLuE_ha6GW1ATu;z@X8~ur~bN&hZhtm zo^u&6pLgQq8SQo7q)R>_;ULh?i}z=;li?}QRvV%wH3+d-`ga?Q7_5B&hWu!_oCmBc z&XZOrhhb8CX#VAU$=7CxL)y)KUyjMT7N{C}7E51wRO@fVJR48t`|bq;x6=-sX+Mgz zwUdTAY81b@&enP;jIO?k26vae@)P2)6*yQNsvF?mxtr+ki zZ==f8BIk1-`c7yFXwmJ#w^h)D=q(HwO#lNH&lMR{Vpy(Q``o3ZcF=iFy z!(Q5#k{Y7Gz?{akEX ze~RbomR;&8V&7C)L(6V-X{N${w*?L5QgzBS=_d1^IDRnw2OyflwHbIg>FOOY=f3+f zYh@<`*5*7E$w@msd8_O3OadS2uM1<8@wGeF^yuH%%aY3~(=MF)M770?cf$x5WIq<( zW`KjuV}{@uj^x&fY{YS(f@Dt6cvKf^!a1c!v}}A4Qoqr2Dm_4fC@w}>|LV8TWlP}w z%|!j;0`kS6xB3{F2(k|oIrw&dnqV;wPVxl#`*!s3FhGwqX<3crg9k64Dq0x4(lUv@ z0`t#YHkO$67ni=R&3YtJL*y6rb3zDcSzu&KdJZaqsEGj08-P(=TxeS1@hil=oe`8s z$laTk4WU*+U{|DDywX%#d`81J?YAm^LVP8VN(cfKA@MO7WO#npG5CVYR)dE5f#d3X zsfFY-R2#BJ)#`+hTZoBDkHbBsvK#NE2BVsthI$>|L`lokNEi#l!E~knHr5{|4t`gl zxso&~S@a@gBr3;C4j`_A1)H{_T7wMQjlUQ-%Dc5gh=mJ8+IKheg16jiz}subh~HTL zU>HZdfI+f5;U8nN8Z-n?!V9*6sd)So{-A8^I>+3Q{$&3MzZ+!k-H%c( zmIkCTk_6wG!wsWImyw(_d3vJ>JF?%jS1&G&a-S^zuxQYBs%=NgcycRLeZl-~(lkV1 z_~;9X-j4>u;5nbi$SBa+zlMo|pVGA`&*0Xff|)|UEXdzwmMa4BEBJITE*r6gKqTi+ zrO{mnRkjbgJ{y`Unb(y)J5)OZeCz$(AoNsL*~k8OXIJstM%A<%psfACF>V=yxR~`h zph#XE0`)F(4gSC(E_a1eNLF?$w#_x0o|zjvTJ}ads7z+yojg~Mq!oMc)T}sFon}aH z>IF5X|1+GQA;XwMw#`(L&4)`j2Y84#;T;%Pb=|TPfo;9aBcrpor`yxUn7A&g4L^O| zA_!K%SpVa?o}ozYU}2ysGTqp3VDL+J*n=%dyOMH8w$OkZLX#Y{y&Jja7evyuClBvh z-%;$2UgGi;{RmVBk2m=*)NY8Ke7^IXKMGvGcfwVmaE%{OMG^N2aPfqTvu&RIgR;sb zV}#V_Hg(_lEKfP5NzL+rwv4%|x3?Vw1ygvh2|wkgGr!wIe}n=Ge`(d=thGSX3rd9j znM8W!g9|tbj_d}&DTJx+OJrqA5gmh2igRAsNF&e}Y?5h;tD;|YdyfAUDYe`S8-dW9 z`c%$63LR<6Ga>6TQQFPj{?+9`B%cH}M_q3KDVbzsZW~(El!UwHsk0*6 zvuY{(qha%{h4)Fc#zujJ;@c!2X`$yW8s`X6$X4;~NHT`<&!ZY87=n+RptRZ=m?|v4jDoL;%shJm2Ewm|Vf1(TnEBx0SX|%Dv%Ho@m1u+Sg~-bJO`j zt&${XJHbhpG?PrukntI=KJ6s+;pN)8(Bg~xQB~7p#?2O+DUPfKHjsE*js*pf;~K@1 zoDLyUakxG_J45WJ2^Tq{wsOe}@dbaRUQ_u?8<+ZWyd~{YhzRAEpSRZu`9SmRbx%uH zL3jqp!{A`K$aZt0B`J%+U5*#*Hh)2bkx@i-KSE^EvP|2Q5(a}Byc;ljr}NP<`HhZ_ zAmiQNo#mpc6tFE16rqCAiZcC~!JsDHvL5UR{Fs#3N8*dZwnD+uCKTioRKXe+2m^c7 zm*e=oW?DPcb@38E+C!qEUK){tGLEKbvwi$>_o(bN0LFSYHF{b1zYHE^Op|IDV?U_u zj5(}$w+)$P6`Ag9BmEtrL9Q=t7->vp%m}Ivti%pSD|DDyGTD6-v#+v*KtJ^#i?#+q zHXq^)Vm>c!hrvA#j{0{BODMz&^yglSrEfvpApq?nn>_1U%)zU?sut|CWM zs0k2e36&HI;oXogC`1*SC-p`GAN@7*IvS8igDKjAhIQ!9N>BFP+`g~K)wZdHq+lzx z{8yHz>LCeVD`Ea;@iE(;4TZG3Icx_N2JNc ziAcgrSnJ#Uj&?W7@F*YQK>bhpj)s?T5>Laua(+m+H^XuUO;xeGlJXTk5=6aA|{Z$Ngf+lgzpk z3i*$`z|@I-4f$S&UWeTN+kNK{@;qdU=|Ih5uTpOxe8z?WrRx11D%8tNyG3uu2E!Ne ztA*LiqNMSeCep;<0z8Ag>^a~=B#M}ZQ?7ySXC)CD&S6(v{r%3oSPPwfZvy^~{$i2AHYGTUi(ZisvK3;Y z{+6^cHH(_TqOgm}6bAq-d9liVh6RF+fY9w7ste72#`yedq*TaVn~^M-2+-_44jW2Z z{TdO37nE?B!$o(&Kd5e)jha69Bf?2BxIx%rDSSSD7}e^DCW6Tm=T1MC_x6I&3IvDCWb`%{I1w(8XNzR& zz8TkI1He}5;769=DkToK-R-Ryt2AC@ob6~p|HsuQhODz26EtBA4od=|j2JBpa9Bg< zB1uljhozfDx!0kcUNv=b)w^C(4Z21-o(qN#i#M#p*QM{_wrg%ah%mb*0O8oe5I?U$ z#eqo5CwlH5=n(+zFu5JGljXMF*x~1gR5&NQ^qX+SaD{sj%}WUB$Pl&H#r8tPu!qL z(yLA6id2s>rtCUKClJFfqbLYR@8D;hdU(#&#l- zcCAD{X!bGa8}s?Xnlj7CCBvMxBE;&C9lxt#Ns2a)lNQ%BxmCGg4I*xR$=iDm#J& zi4sCH*!sHzDD!XEQS}r4!ML;p3*Z^~5jEPpdum&^44(02Ff674e)UpMYgBrM%lJ^; z?`&d@`*VBqx5)kukecKe!p?UwICm?zpb~m?x7{JA(6JtJ0_C7>ag^dTYkPd*qCvsA zu(%hGvq=GG&)9N+I|}wknFASQu!@Bx#jc7EN6Kz_DbMb)tny>F%8yS6_H=j5uku~i z-Bl_n!G|6{_Wrb^?J0=pUqf%O_u(IvoeZ8x!wzLd{sN~w_2?Q}8JzhhvR~^K*nUQ@3O!`p#n9Lb#ZXBjv27LSc=Rr1ARdFiww4gBsXQ@G2?!}5RBTxNex50JpSqI z?7-|yM$8^R0OoNZ_Hze^lwgcu+4O93mQ}tagi+5Ycy*BykV4g6QFTzh!MjC2FYXJ8 z1wE7B#c%{y$VV-^^*q8MnT$1z((H0s@@8s6)M^?Q z)6uXHgTee(KHFb~7*|92#d`Ye0YvUH#x`rib7~%Pet!`(UlmVblU0 z-`9!3N%QfqObmdKYEbW4BdUh}Y&~r8N35!cSC_ofsdwpDXZALaOLg}v$?C;4<%5YN*O9uKxLaI&A3i-HAAc3ang6NQWh_F@Adl&QD<7^- zyGll7t6>REc+PH?pw;oK>g=GhKyx%BTU~a(xf^9YiGlOKbm*3AH%@OJef>?$PCoIR zAL>06Q0_qwq=T<*fHGf)5z_E&ks~&;fYR3aa0f~rT;iv=&X3#r)_FqTt&fIk9Nl5k zZ=YukG=Q1lrzbKGA-~JeNrweKeR_JHh5hf+9B9@T95IKaJ+hrU% z4b*~?`AskRcP#?Q3lk7oD_wOB@mI-5-X3J12_Ic>w=ihhcZ!Qxr)tG;f8bGNKHtaj z>piG+sv!Ka0uu-@)NpWwU|Tnd@2M9UQ!ruOv*!H_?WtDHB!mp9CR298hV*68tt?%l zuk!EH_u*aAk|qAW!%svH3>aKo)C-_k&B4v7Mv_c(R4oBJs;x^Le08L7tt^*w3oDY~ z;HOlH6wBwblwB9dUB=gogJ;{x?Pmv+3_c^U?4ka{S51KS(-tNRBV8?{28PJ00{77X z-j)ZB)gfKDqfkzDP5O4?PfPYn~`}7J} z;tu~aI)9qn!I{u^>9Zs#yd>@Q-}-{$czp@5V444M@I z4Jd&H+%+hBTqf0G`VTtUM4{`;o~H(x`0M&F`N^Q*^-Py{!Czh2d0z^gJ2nNPE4&c! zXav;6iTS_73@tJrrJ*hq#YWSK1zUis)|Nb$JuIu;yB}GpJ!pOS!Ai{6QlTJh4VwmU ziyX>bv|;eMlV@>M`S znUbLKU1N+7!geqGqXetVLLmpr(FdO_Kt=@A0|D^QH!Z2UjFDw^@W;%!Ee5wLIsO_j zUITobvElR>Uma5c3FO@ZAZZ zNcDPE5`xG<$-fw9S1tQq#cP{x8 zI2CJzCgUAKki1C~GG`nS0&^!qDV&>O9JlBN=z#sxw-%NQpU16v-7}?X+CSu}HJ&R; z{6E-x^RSrT|6ja_q|&}AOlZ4PShU^b|2uRw5c@gGF5ncUEC>7;TT?;b|%%tFT{lZhfKC+NU+C zn8A|EV&AS-AKOFS1q1|zKlH`(cIy1F1WMjw%QguglFmXo+A6{%h<@ugpb05NOL_@Q z>P9w9j9I1GpiqO6>+gQAJQC}7X6d`pp7*mA@gBz=hoA3918E$%MYIBJO37scOJR~o zT5yru|BB-~hK~<;mDggsg{wrX%rDc5O6|3z&&tU(5M&31Mr3Yc@v0WTclnd@kBg(=N_XkJi|jBDDo79NAaj;o#|3Y6*=x z6zqh(GA#eAxfV%PbU_9dycx-Q0Ic2?d#oNJxV zjY(wJs;OG{Q7`tu514l5W6g^&hcjFCHneI>sc_sjm= z*XCo!@xNO+)&IgId??U!Ye?u3i{8hfnPMmLZ)Mh8^%%-DpM8r0XPDee_@0EyqW$DD zs)UYpR5AWovv~(9+2ZZQ)!Q_eoBeMEcZw5S?Ldb;9SeSavsP%qx zUUPdsSD$ZjUrWD8PPYE(u#2R6)oTdeD#tV6S_u><7;Y_yVPi&sKp8#emIehL2%sDu z91U4b%er0K?=bWw--8vZ_qs7-y{oeP`sl=i)mOp+A4vMlp;edMm=u-==#ijtj^SbB z@@Bv@0L47HOq>}98UF*7sER|v4@+RA>-Nz8#>X9JYMr!lbx``@PAebDzk7BiA$KJW zSdBwYd^=nRs9GImQ)@*l${1*BY@3^pN_W$WNZMs>9d2Y7uZ)&FUTl0+v$cldx583= zsN|RL#rlytwM$~c8=s%I2kNh?7l1QQjzFEktAjuFaYlk=FrROL8%3?QvFCQQ7jF#N z;UPFamP&jvkg>v{SV#Q4(!OTZ_|)wFb2om)2t$R>Q1rq%@a*m?3pe4Ng^GN-wjyVF z5yS6*3xnMvyb#FonL5iK2LYLQ;Tijt52a<(ju+`y-;sMvmMp_T;L+_OBY`s)El_RY z@!%LHKJ5}{R{A3*)5-Y}jj`*qjJaRigB5BsCioU+Z8~#W%i|KF4>e7dIw0=~9fFD#)objtfBcp3SHHGjUal;5DoAsPw zdrr|K@C?qBwY$4$CqjyMNdU2{4|1|A+-)lDGFpr@A)v{)ibk_NlVK{rTm`yvI`4OI&K- zJm3GzaqM~o`U!3a_|AnqfsC+KgQq>=pfTDo)bcy*Ib+0gVt;?#uevy=!v0w)&-M2V zLNjuoWIdNi%8}CQcMb|q zHwrHc!h-^UTa0_6n0f?QH&uwB0PKt7{0RDPDuxBK1OToCoAdk)A~M8rK@X+A2KB8- zAT}ySCa76d5Y%LqoO37Myt-NPtf|mWKD1)uE%JSI^Ut<$kmO?q(G0g{2sU-dMumU` zC~C%%YdvQ58l676x^BB!HK&Dzw@t0E!(dju&F=|xLVcTE;-s5cYy5_P$TW^4A)ctobx5tUsNCKAy4tj# z@W9hXX?J^&mz-w&yO<9vx-8#Ae>rt=jrLe4&^!rHG_o@4o5;orY#r~Tf5ff^f|iLK zh@OG?0ckJnMYD&0#NO12^F~y-MvJ^&iAZ-Fcyt}qEr`Z|_j*zOM@;vl%tgBgtxuKA1Yqw8~FyJQ0)8UD2U+bW7`%CC`tHX?%yW(Hv(Ibzh4} zDuk~n@PSA8YSGi}KAP}>htV0dF+_8y?daEDZ@lxX{;w}Q^4GmC-uUrhhm6XI!d4k~ z9P#hB^;IyBfiRd>iL`!H*cvsE1U!urC^qsEINDVVq4c3*mvpqE+p)%8i?`ZHqnVch zuZp+%6>d8tePvVK)h?G}h+cqhjB0m*4KQRH)y@%q4nFHA2+&P8GbP&&;2<&3Jj{8V zM;)1ZkfP^zp|YMerqjwiS@p`JxkB0UckI8}88DX#$SXz#EN?#8MC3J)A6rsj5AR@Z z6}T{wR5I4<0ieh_6nouPd>5#wp8P(z?2f_7Rd&9Z8{#cXjHw{qCOrk@g;X@hGdq^o zDkPFlBh%3uqyVrJM-^%l`}vIYrr6s{T^kz`#SFZhPW!gKJf&^#>XrS@qhtfh0s5zD zK>TCt#iKUcF8H^tAlE}uD@0QE+*uT?UnNkA7(=#bzKN`ooyrG@mm+QyX%n$5?{ibP z`|!vKm-o^pm6t<%8rsBi?>z<9=n){VN3}!n`bL4$7=40FO9JIqb{5qJk^{Xb!-O;{ z?>WP&p{Baew;{y7rZzju>Eh$>Z-yK0?y>)z6xH#Y@Nedp_lh96L29;`d05JN0SXZRJjjdNzJ_oAZ`l8f7yEy+ zy;z{}|D{bLxGj8y)5h-XL(!)RL-Wk#;J%OGxaGYJ+0SmC?#(NraOD)GxoPEH%icHb44vH1Tj}~|}j*MZb)-9lk)b(L>$J~y4gQJv{zh~wS ze9qWmpw4`yDOy<#!XgknChi3G&I$4bYJC6|5U5PFkYwpx%b!Idh2yxTpDec&e~`M| z8LT_JeB`^nN9e>CSMSnI6#K^z*&U)^HU=)^J8)WwmtgRbn;4yH_IV7G(Ph0q@v!~R zZJzyVy@hX1+^~NkrM~p5%IB9kxKp=2N=`Js#sFoEwop5fEWH=_A&~<32ng%VmCSB} z%6z_!ig8ub84a&K{w&hG?dhTa!Yl22hsi;|w3ergF^Lz6=L2}aStUA7qiZDF@IwTU zcXIjK@bs7i8FWzC7BSFizoS~bGSe|l)|I;r!{r9YvkNU^dV|bO!cXsdxj~%YE0W3s z6L122iV>Iq;6_ioNQfwatB}qhsYA^OSt`_Q59&){4^Qz(w%O-@}{BHm7 znR`nvW>MoQ4%T89G6@8q2W62=HXdh;drjgTL}$@foTa3&EGC-*xL*9d>ObpqBlPq0 zKaO}Ge4c$beW-6@RY}6YPtXFl=*Ry5%O;aRQc53i`DN~sLE}aEApeLB@B2afr?Wsy zgOw43=rw52M?Itm_;l%X1l5RF(~aF+F^$l+aegw{5Opc^N46~?f``$itKT`P!rLOg zHf7tA_#G(GssdqMlT`)oEpZ`kJqx?ht=bO6Qf&2~c3Xy8dvL&C`mp!7_a4dd&v7n| z>(FtI`n4zY?M}zHdflYcv|$omjRkTGiRgY?MD#pQAFgLs8Z!{hEa?`Syv@=otnK$% zo4w0Q&%L*RJ&%N4w<*U8vX(sjb#T)Z^pDVD(Wv%n0R-X#(893Nh#LTaff+vdx;tQ8 zo&t9`;GR{EsU*5;TP(Wh@I`DlhNBcYSU*6 ztU+s|omWM2mY0`ffSlISO*i!ws@|@?r(1f`YI3nW^uI_j3LrA(14O@v=D2MBBX*nz za;lxRRgI{#XzEKcRP6$~yDC7ZqP&ePldUj$$)dmebC9iMH>%EZ{r+D44Zca2!o+W> zTBj&0QAxTGy#kzT50K?T6!tKhX9^c_l6X(MBP-G-dVW)uG?buAg}untp4? zi+qXpmKEyU9^w?xf}nsL2l4%XOO}3hfW_V{Bm#OnTD0;M-#&!6U3f#Z#dAp1Lr^pI z=co(|wq4b&$q3>1%RPAMxa{eYDbqIW>x~qfh*5Adj^PE0)@_J}f^4~VB&^#=L8qa$ zOxUWj+H)=18l==c-0Yrql7F$2sadyCw&+-p%&NAdk{36jF^id#MZ!igYz1FMM8<(* zmejYiF)X z71`MI2(7I_w7b;Y{sGZo#nATz@vKwPAH*uFV9Q3HE}$r%t{SvzbtTjhl8{)v^J7(r z6Va(HBFVl|--vsI^-b~*Zff2rjZkH#$|$crseWC%eDMHy!HlE+ksk+$WGDZKUE7TX zKIh4(E~w9D9l;hH!yp+0TqpCT?Z?UNoNnD5=4n!ilp2CAOlRsG&+^U+1-^hY9K7Fvh+Seacb07A=Ptc%PZ9KEk2!b zHxt}E6^`rkdLx|R${*y;BW55Dfhj4FFA%NJ;f)$_>M3cqYhkYzx8EbPN%yF)#$2k< z?>#jw-LGdp#+WErKiIJ6;4g~h=-+P17`#AJny(Z+$BPiAMPjJvvDuX>DZ!z;wzz4wVtTp^+PSfR~|_vDY*bpqrE@pZK~{1NMRtDpL34o6fG z-b2xAP@Mg2b%+dVZ2=@|R|~p6Co_sO*Nj+cV^5bOM5y$^Sl(6aUOp-tapsC_G9ju*m5nCI36i()}@NH#% zep?3_M3}yQcJ*$u!;PoyQDPsQ495LYZhwt(-~w=f>f^>z0;ckau#gmphYiZx03^p` zr`v=u<&;9yP%9$wlCTr|$EzUBO#cTBALf=f_>FCbha73vdJ<=Jdf&+pE|ti zKT5Pd^}TxSp2vgDDRT&T+h*RxM<|e;4M_uhd!w+>cC$|~dI@n0pe3^o;1F+q$FZ6W zH?n*!!mS9m0X<@8oIMWE3jPw*yFfG+KDCkNM?ho)91`~tTGh043@I}iMU!dr3enCR z>y+eM9p0Pj@_esVAl5HGF{4X?&vBzsJ%r#JMBRd{pB< zpmdGidY!8j36M%S;7Rm5L@nVf6i}Ao^g*0sm?8Aomw{#|d43#}^)@rmDT*|YP90p> z&n<4y($>$8tUEo*=e=sxpE0dp8{X!uV{64h@a_mJ zP-kecKC)E~2A5}mfU20LVMg4J{v2Yvn$uc{x=bD0`@F7iR@$<=$*o-_;Ms;ZRhrAP z3dD;rQ_$aU*~_;Vy+*IJvAi#O4RnKMy1Bjf17;S(*_bx8 zysZJ&!rN@eC7$JBlim-Fif8q=4Bq{6SS|2$Yi(@T-;ebMb_Fn(4@6s`p(o$|i2e3H zwSerup>YmlsCb^a@YV%%5~+Hk1)+kDZegZUS%%#5)F0c}D27HaQ{nOVc3nHsHD+ja zuABcF%KHlRMl9F~iEqGXY;FSnOj1(dF087rqPEy4F}l)F0m99@dTb6+L%AtqhjYGn zkABukdM~4DwQYl1PW}91(diw~GD^=YWY6e5!BL90fDd;Ry+_s3DB0E&NX-@z@)53L z7PMBS=s7p`Tdud5?CpH^%qxBWribBATf>zVrPVI_b1=!YdNmdxj*C{jWg=mn_J?3e zxNxTxC4Dv$DIF9V#4!JDk?-~*^F)2GkK{@*r~8LqTkKasyr&*S9V7h}_<%y80@;IT z9v%#FpTJ9anG|L$m*}Gd14WSpXq8(tTFpct>BpO{v~?o(^&Zf&yQy@s?1HMxb?Kc6 zH*MN1r_j|Dff+!0*I@*zMWA`W!yCc#;Laz5Gi?bwSfz>(lSGRisJ0%X9E=Xg+td;^ z^ZHCzxK+v-$+sFN@71Oe|I7my2Ms$xr(Pp#8-FuIc0vW1`tm}Aw;*~tLamNKHEQ+I ztt~cnI|3t@-;5~pN$+=l?njKj876IXQ)5nS?_5;1rhVLPK1QGo5AjhDxoY(Q84Vg| z!-I)iIkaYPZAxpw5pUt$d`m3*qr2~xHXcXlZW>Pj3IXNVaQLnq z8JVPQ0=GplDxE#?&BQfLpNbs1>E_<(xMJ0UH_1BcyuoOO1Z*=Mj^SGhc5+jjX|Nj*lo)pUD6s9B z_B2sD=lv_xvY6FPDtHhevs?0V$@css=ZIps4=7F2LX-jyBS2SFqBurvBw3Lh2hOKRkBa zOtZMuZSXJieNBk`03{CSdZ-kf87PU!W%*d~B@;C%zppnuWOzH1{ohTy4s`6KQ8^#D zC8p1_{ag&3_7l&o=!~Ta6k0?_hQSg5K0{3b11;3+GwxmFSYu6rU7&yi{1zf_#z_Jz z=CGjHltoeo$+oGQBZtz;UK4$Z|GKb_8aiiKiCI?3eE&`Hb4_y4p*0Mrk@mo)A4&8H zG`vodg`_{nf^xA03zp*Wnac|pptm6C>In7-TtEld*yrE^RjNs?lT5y9V6sYCq(ji= z4T{OW@6t6=*Ko!T2(OVs*|1(CVE5{S@WE}NA(FAf*NG!@X(W3BfB_Pe61?J6{(OIJ ze(v;#Gr6-dy2o2Wk9*%ar6(2#@X5t03yXSO@n4bLSYEd90XPyQ&OVpRB#s>|8U56u zjfG$WDV#enL@6X>*cch4q?UP1Is{M)C-Gvx4p~duue3@Yy%@%$;YDKbT`(jsFmt`I zFYi|$2&f6#*xm4ECMw}YR6=BE2xB%`SQ2%A)MJoJy%W7uwv1HEx)FB9)q@b^pM7ni z5C88+{M|*Mgl;AvnhpbQnR6Nmz%#YYHEH&blvL}Sk;IArx{z+)UH6$ANpwZW7qI)0c%%*t6E3R zzgs5iqpf5i>s3F5-NzqI*Y=6|bwhQcIOLlg*rU9%e$;8&ARzys>PV@!DpSNQeS%G; z=@&@S-#$9&56mBNywZ9j+vD=7ao3A0_uZ?esQelLTN}Ji;y8GT^|sq!7dr7ar=0ip zV`O^MX8!(YwbsJ%bCaHlMc!r|$DG2R9OR$6p0m+CAz$a56q8u=U+fDHu%zX}CY&_Z zL|ASEPQo%3@EuohUFf=~RwUKBeV{8eAm+YcO^^j7<^KG8z9zz)aY9K|>74zLs_&sF z$DX+Le3uXiNNDFRbi^q`WM{!C{$}hRZX=nNjgVnuX$?8`9Ai(;!7{$R7vShbkw=Yp z1w8Z_o}9lr+S==|R@FEWM=C`hn7OcHL)X4IQn1z8XbHQe8!sHX^G5l()XSfm{{{}Eci>kp5F9PR zv=#$-yiHs+;OyD0E=e?bTcycD!&IP>NmN)}wm?D{8hYKWVq%l;Uz-=sKJeCjD=zffkZdy3^YCh1$OamkgK6@mD`C&!QW-0 z!q8bLO;oTDC6c;Xf!zu}XRzZ7ZTh1Kssc9-`}JJ#rPTEKy#murW{OPSm z#+h@_yaVkOODIuV_ddo{@t*UXExPi)IvM%LEI+@{?36=T4H5%7NlEk`FfPfo!44)N zaYi6LrYWZ&2<0O2SaT}wc8Rc9Im7+VwQ42d^p%7}>&9zKWUA30QU9FPMXiEddL1U6 zpoF5QKpYPe)oTpX&K|O6MrGToi9Q}!Rm+f5!dh}@yz<|{?|SR&GGDoxYcs!ScqGYQ zed_8a5o;xoSE9R6*Spod@K*&%@G970rkPw#I`0<^w7r9!hqg&zIfD*?yIcxax8TyC& z{mlg#-DmuQ{060Gj#eMBuor@q?r+Qgps}@}T`mK`*+qjlOt20!2|0)wqc)TVb_e{c z(kLB=fb$q#ple5!IpcC3HB`E`Z*P=Ohvt%~hv|-cJya^%%7E3~BpQJ^Ip>$%ys~dyCC&mPgMZvj8|_}zIO@aHAT_@ev^11%mw>8mmoz7U{m#Y zO&AJC2ZXsfKFkd7!#9xEmlj&|Aa4KT*UP*|efb)qkEAsydIC{jSPuC@Sx~iH8(s|^J={JZ(t$TW zi3X*>2b0tZg7THu2DjB?0(TFquK&7S^{U6xb&@~a7BlhPi^l>>nO#G9pzqTUtjuq) zA(l@rl>Q$P0GB9RWJCpm6njK#f%ct1>Fz60B_rMJ&ic>`qsOY>N?dIVUHuYhue|Es zjpNvcfakg3`EbDsA%F+y571ILl&Bf>)FHL8^6*lQ_Y=zz-!@3ube8eS#=Ejw+rDo1 zRLsqils(z;ZhnUhOzYlcK!3@VvgzdkGkyIUD4loljsAz`%mozZyc(b$^KJ?+{}DUG z0s>CeKpcc5Kkc&v&Wt>NKS-qCeZiyZXp1ZNp2dKl-rnWmPgHdV#T!w!KE2=7SimhW z10R{_53@zmC45s{pGZ;oxXz0v2CI>6&1$#-X=A;ZR?iFb7nLYsIhA4hr)Q^1f}d(k zsLZ1lvCVhnu9E1Z2&y!1m5`v<1A5L=wK zj3)094^kTmuD3Jp2S*wrFv(|Er4?p8PsXtHGINdvAYGyhcA2L*I|6Nl~uwl%`pX3Pr zU7~G9@UwY+OcgWx@kP}ztzOON@|HAw{ z;&`j0#o`xP+o~mC6bq(0YQdI)4sZG`lqOLIYap!qAsf&-x(*Jg zn53@CTb}ozVr0bm?6lTCpTTt|tzzy8UHYJhAI)(Z+5-?9(op+F*R{4wV5hXhx#vqf z2N?711dzt;7Lowj6c{}sL@y`QOi(KDiKLa04hSjYD%gdQ)!6?#YuZqD^g*x9+D!FN zqZ=!qsbsEI5OjS+!$wGf8c8H2#|aQg{p46N)LOfSLt1{jr3sLnq?StuNoAd-!TWhp z4Zppcj_z&)MC)9=^&1@Z&pCd5^0xAA_zyV%`>k@6~Q);IL!T~yk)1jZ;Lv(6t-j}~U zs}=|wPgADUSO9le776QdYI!<9$PiT_5QjS+1|d`)hlN^rOWSeOpMUx>5vWflHp~so zjD4}04RieYnEltmD~aCIMJ2W{5ai=vh*5&QusHXq1NVOI7}zS`}8|;l4n{@f#b#(^7Sy-g@0!O_DfiVOdx`IO~DFcu3NPVb~9jd65 z-&He|5XMV{${O=OVs8tMAMm02*GuuB&F8W;YTUvkPjGi?H-cvXDT%xr6^u?0t>mz0 z9QbBH!?3^jD}K3Ol3Of!L(stG;Z1LQlCsF%}#$ zw>IQpM>~Pz2!RHNFnEYQoE^dlYoJbKgSI>y0KNzFzJB&}j@r>0Ve9XIdkZCAbt`Xu zvy9N-U#&En5p|~u)z|yft#!Hh+755+<9<8#X|v#_|Z%c_G1uO zk+q-v8*^jvTho=!8e4YgzS;cDaAy_RVt*aST8m`sz*k(JMAxVRF|$^5O;sy$$ahS? z*n*Q>kYN)(MO>C|EX@x*?c~~{@tJL99!h=q#nxBZJXXK73;`LT){%$ z1tJf+yEvKj`!Bh!(>wbt-33;RqT5FfAos<0L|)Ws48q>Hvcz-maQ)6H$0`a6-Wn^C zUYPeb;ZqX*8cN=F39ge?PfTYL)Pt${sb)oYhb9ZSZ_hoQYN*|3=Ny){r9J2KQ^rB_ zb8^&vKx-ig6b?$OpUeYD^5}T_aT3${QRGt5tH7n-U3d`-6AfF9Re`(Lz+5F3g3E9~ zXxD`w)g8cYju{sy0|f$?*gKilTs?PD19xExg@j`Y%0-+E2mqu%quV^Kxl`b4*MlQ+|_5$CX5^SgrQ@-F(NoM{Nxa9t7AjtHauNKAV#KQ^-nn|l|4P!{O| znE(>Y>|guY0%c!OdzTnAd0#~I1^+c43Zvm|tzhY0b_eZsW)$ ze*J{3&ve>({Q}?e{rPK$O5VS}WBt_im+yruU}_`5L;ffrS0Ra_KOi(rP*CaU`X`xX zunRLP4XYVJ_YMv<7nXb~sq1~he17J5qZ#o;uI}xr=SEpMA*_X($N$-gvlC$%eGoHL zBw7iAPKjU`qzDo%;G4ok9gvbpyDCYrG_Y8+7iSQ?>%ysu(M){3efs+kwJsLC)XuB# z1ii~`l<>JC0}%)+>rt$F@N_DC9{ee&MriHpHuWgbg+yHj3@pI~j{RT+baec_T;0_QN0I@1PAAOXQ%CD=Xi zVeW!vkc@9{WS4sMFge0A$VK^grpCR7D^6bz5SK>}hT5ge9Y&vA)XObK8^av|n()9l z7C|6e9AdvF)zHWoHBldEf=Ob~WCVMAe~?mFLkT$fwotXp0qLh4tHN+yn49;+mW+l) zU3ovGU-%z&z5GCevS2e`4Ip1@V8&Q1N-6psg_j1qNM_jBmrqUyEic0n*FIJH?66W$ zZTv^iJM0TVJ`Cy;S;MS^UfCm||<~dP}1;_+QoInEQVZa0`vDLwSEH-+P zJ8Um%gKc`gjmr0S&Gr}r4Gb6mC>`>bQ#=Ptd*DS)8==YUBPV9fv0Ah6h^W0U#b z;6fx4Js-rY=n!xNOFL%2KI}?UMIpr2Mh5;>y-+kDMm7+hi&=u+R0olj{y_I>} zpZdF-CO$l=k@eE)xD3tp@Arlut`)&K>LMXnFqbSrB)GlDiN6ke3B3$^ru&Cbt+|@Q z`QXyv^*O*LtG-8Lx4rt7@7Q;<=aX_A5x}F6_n<(D=V>FT)*7`T0E7kJRFB+ax4E^+E#RcVD$iB8TS!X+PYr< z5z7STz+AAl52yJJQpUy!tLW%d&ldBMNzY3r2|n(_U(;${?7jQ?qSv`rv5w*~k!<@P zvD^SYn3W-R^c>)v_Ex-H@cjQLA+R1aTq}V4DgV0%E)Yob_e>%H6dDqz)Y7QEQTW*A z6q6w95OE*G7u~@lgUP&1;me9X(pK17 z1%h$^5o_5Id4`Kc$u`Ma&fXo%-Y2hqdhaIvi$kGl17+WYRO-f|A3!F_v{d!RXe+OQyV2(0hD0^vSIUvd>3#@2L89 z_5YKYwkXxP7*X#+!RHV-=uk;skT8iTk82~T*sMWb#(Lim0e6fzj}c^S31#0Zg2Hre z>)b4wZ<#MJurmpJU%l=`ZRk%LyuFC`mNTD8@*}ANX;Yw5xs-Xoek^vfZjH}?XSa>w zyeHyHfs^&#u#)i6lY3C>vf>9dW^KVl{B3mjD~g$44PX;M0;1Ds>Nr5rz>tw?g;v=_ z&1i=f*TdgNZ8%-L6NMk{mbYMx+X7x3{aW!@@m_6cN6nJu;kL)%d9L&rLZH$D(1JpU zejOnJ=#K=YCL``8-2541KO zwGE^Mz^cr=m_*x zK-K1YhZK%j93G8!VO9abhqVC$RRp*!u!7sdbB4>tTv7;iD&wAD?+XraXe}sevER2s zkIu(Qm(t$EzPx<${Tl4EK|SLXMA%>3CoEWhiKGHBZ;Hb_bNCAgx3&qN{ihV{F@@G5 zn#$r3sX#jISD$5vvBuZD8J0n<&Doo|Q>Txo`DGtY>o^%r5@?R`BcmZYo;ARo1NB^# zKR#O(;&jti1E2l+#buh@nVkN2qh2p3T>JE6#2Q{d$6I4x+lEC?{BZd<>;DCU&B`wm zkzmK}2k!Phs+KKK3?Yv$2O+3&9MUzj9ieKoyYNIud0p_6W~FV1wSUxmTsxI>hG@@k zQTg3f737Ia=6s#E?>RfxSYO+HCWSg`&`epq`}na{uf@cwt}Nnb4slTeEiW)fZhbbE z58SZkrE<2hiccJVQA5w904 z79MI@i|eB;$88Nl)v%i(`Az+GgcOlP@pnFDd*w^t*f*Vu4rjw%x5)4hZI1V`4-^8C zRuOox54RhB@$}Z7o(ZENx#mis%4Rb#`cQZ}uTxU`*9BCJ9 zVx*i4mmEU zmX!`aW+{x%ox;CubQzgFDSi8yotG!O6-p;@e9*8la;A&x3+`Ah=Ngj{08)SX7V9*I zT%hw!@X)s()IEKlf5mX#BZu!5sp)l5|9VF9u9q{kzm5C4Fz|LY-luL-kZc5*R$~SD z;V;Kz=hJNEvHo?R1WpwWbPfHUDpTM3E1PPcw4dFIMFAr5cVBA{Rkh%o-Q+0)pL#)5QW<&nW`<+p6J@d;Q|NMqC zyjD@-vwH0t?++7OfwbMf=$@U+pL7bJNdvWjwkp-&(T&{uWlyjg z12#&GfIbUW1WT2L5zoJH>P!2ci|_YIt&w(oobfj4r<*{rXx9KR3yCC-y*HvAYA|X> zX$Je~3^e&|sb$JZ!J4~Q->*2e<<46z1)JS_G#pQ+m;NH|4R5;YGxo2*A7CSw(?!Fc zMr0(lWz4M^lSZlyXt$QGqDqh1O%bL0W^KgvFK%)DFrT}gbbTBVu=RRGouhcyj_CxT zOfLzJT|3NX0ykZ(F3ekS6l-RoAQz<*=t4rgF!wJ77eelT?V`T5j(Ku(|4e+(kPM!=1d|JUifD=JOKjz zC{{H?=+#=h4t8eB8t?33^hBz}cD(&DIhLY=JgcmF@%XYdv0_Ip@EpAe&GG4i^7rKPy-j$AyD z`#=v*JAk8*uyD8;Am$@Gll&3*BiQAzL&Y0gb%7oSYH`Ax>JJ;s^Yxy}-rT$*LfwC- z<~mpT<9o7=x&fLDCf&yd=&ytFwjKDSpSbt58gK_e2#~jV*}*bu7p)>R-ycTzJXV}? z1cl0{%YCc!oo{EA-Witn-$}h_d9qY;Cfyt5gcZb zO4mI&e2h|z2wCIc-RC2HXIi%5>t~1IfNgtEN^Cllaz&gw4Uu;@8S{Y`C+{2Pfn`jr zz`a8wkOFBAlMO<&Bw*OQ4MevwbF+M(J9BSWnFR?w3ot2&gRzcNtlufKZ_4H!JXj2voQk{%h>dPQ6@OVQ5v z+al=uP6Q|rX^GZ~UKbk+uQvg#R-!VuI?4xE8t93@jg7K4e&BOpm=eqFIP$z-u#Mqy z0lm_)Jv%DoQRkd@QR~@Ldj@2(GPuv&-$pKL5dC%Hhc)0|5S$d&g43A=7IE(%F(79R zdQbVF_HPKMGrOctw2fi3qaF4V4!OwK>3$P@PuY)wjP+VyQdjPL`&tK4RY=Lc1BY-7r!@~1qiQ; zP$9jr?c6&U!6|PhNf-0?a#$~_qn`xCjHiBhwzuUR!QzhNK}8FfezXj*ByGSi#-UmY zoV}qD0b0I zJC{(67AVUBsW1rR9U)qI9Zb(DA=r0@nrhJT^6>rJC zFiLjGe~HGnHsvlwd;**QJizTccKko=5;?nVAi?8ZCTDQ5&jO ztsNsV1Y7Oe-te#z1Bl63~)N(9I0o1yHreJ_Y;*R3#RrTYG;?^7FoNh zGzcJ=unC}rBN#3~=YTgLyi3#(^}jGIqSMmzqLpDa?}7uQz@Ml5O1otH+q}Z3zr1-@ ze(8zRm|me+BdEu1#*Hj!tMB4Qfm%f3X;=@~-By+yBdj_kD2|)QluWSE-10EyLC~CH z%fZ^6zS-9{;O5NZzkJeMS!4WLvN?n{1XRK_f$55e+rUo%O(dSfbr6(^+Q<~#>e5SV zNUdy1vz!-g{CxrG*_2xymaVeZ!QIl6too=+T>>>XK;gKH z@+Tw_Rsh?QiCTtL;;wFa{S<5camLmZdz9mlRNnW*%p&ccYNfB=>T9k6UKe9_UAIbg zf4j0Lfc@7rLXZ?ztJ(BL2hijpEJU#=ztjkiHE ze>QO?TSM3>8{s3ehJ)tU%-^0JMbDOMN8Olta)09k^|u*9ufLyNzQdk|SGC=hCO?g7 zb)W6erk_9Gh$&?344|AXhE^Mo(~_ZutWdv^BA33}s9EkZy1_ON^eRT@9m#0f(|v&^ zH-)zxY0a)b>@XDl)8yPEag&`AiSawE$GV#3U?U6}KsW>h6i7=#toX4*@qgQ zkduGwYH8m7im#m(SHrtZGORXrY@Ro4l57DT^+0pJgjsos(k#+~uky`CgI8Z4zu2(l z+~kXGF<-AH>Id6A0e1$*7V-;@^j;Y8d3V6tt(Wnl@%nkwSFO9cDR+;o0GHH3bfhF` zfPm-^4#O@jKJq=j@KXMIIMMp{C1!_n@<}cpe_bkL;1V80r0<4rU(y&{FSGI3QdReF30s!D^v8sUZWdUOF zrM)P|2wXCya_-b}W(z8)b&0dzr(N|rwqI~U+^Sh8XWpUs zK<1Yi!XIh@WBnucBk=z^*0mzQwQzUQ66_Mz3at5xqHY8r(jX91#nvAqWu2P=Hd~0( zv90tCvCNIha}QRXbJBn6_;EIOo88&Cth?b-tI@R}(M0j)g*B)^q-qBr1%q2%t6B)+ z*ds4Fsp(BhOo9rnZLBo0XL@FSb-Lr#%E~0OU-we>7<6y?>X#%Y_lU$u`;XoIZQ+s( z4A;&{n!x{=T)OQNFpHumWv|m^Ok85_6{er>yb`>5#N>=g*y5oOgQ< zUVJg0tiFtR>Jy31l*=F@VW>jX4-9q_#Mk!_Z0W%bMU@NIb1Cf!AzUS&UY2)4G{fQh z+1Y?S0V(~Cyk{?At|c~WoAs08ks@kWMwTa5`=009wr|_s zKW1yY<}x$qaUA=;AN&5>7eBUb6q$D0WF`N;ks6Tu6ix{270Bq8J5w`M6FY0isvT_k zl#@%Xv>MlV6l%Mx(wN-g# zS;;Gtlh?1jw(Ss@jbje8x)2&Cma>{S|O(QKu2X5j%*e6nQa=(f*S zY(E`$ZQFdxGKb)`zV(2q(A*Nbn~ixI$Xn;X7l>X2)F6!Y=AV30XQ-NJve~~jGY*dt zNiwpNPRe&ZUSCqwxn(3jQpHi+S!v(f11=vPYl_Dz_HqHM-$|oT#?-Jy6Rr$9iDsK| z0^!R=@Gq2EUkG{y42px`sD-MWyPTc#6@U`B7buirQ?2EfRaLxd_vb=UXwp(b^b9w& zmOjT@Q^7gRQij%&eQ{UGLU>8~M92!J=YWv~T|sl`Q>nX4+Qvx<@eGTNA&ta?3)>(0 zFWAOa<>*cF>>j#&a%tnXE0JRqw+z1>-5}XU@z@hXB>q5IE2)(8>u8S-4(o1Q&+mM3&d|o=Q*%JtorGZ)BYTreAjiOb(}3xx@~L zgo=&=iruLebUehmg+I;DMz#}P*P^59REzx_Z<&a}4SM6PX%7(q2EpYreXPrYzhZFU;cg=l!0B9$N^>c{$o>MVDE8EZ0;(40$~Nx zLl)PCBnH1jmAa{J@Mh|$PXhh@MR!SF?5%I($La$!HdcQ)c6I*Ch4|ZAsh7E6^uTE& ze+Fr&mC7;T=kbDBBBT0Mqv++|z^n*jBGwzLpkH>%CLxY!Q&*E^aZ5a1@pRJM zg2al@#!ompsWC;~BMf(>4o)9U?6k3M&C0lD7cOy!b9%>Mp6A#Diedk?m3vV|D9#JA z0651TXCdEW?1$;^oQtqGSyHP`K{X-ZA_jJ-Zoye4e|FPr8xkhnSaCCEy7LOdi%yE06KAcaQAkcmqXzgg^A|qSg?$0c?#O6sM@bssS;px1p>aBunKPKYRAP zC!|F2%Uk~!ZpB-k@uy!XYsRXc3Z49X`f*g`mL=u&)r2BgXkOs*Tx zoK0b-KrHH!td2-CIwl&?)0k=wP&!SBibY-X~UbFUW{C%0lRFKPu2R9I91DnTj>L!-ph8T$tZ1_nL(?y<6W zV@qX2E)u5m=vZ4{p}pKG+~7wVBTajzof zJ|3j4uYkF=qevM`&=lUp^7!65g6Y-xso>wpf(@BYfi=THr#p6 zYGaaE0|BA-sB~HO;g_`|gYso(D&eskq07&5)(OncEn#=wFR3Qq)*TVa1o6m!!jts4 zXO0So{_i*c&luqU?#5puqW{L-xDy)0v3AkCu5C5e>eiWbq3iNHiO(F;72xvcQdvhx z!^0dtdpVI!ZOB~?%LKA6&9ulYc$Cn7vc0%r-6P=3ga$x;@U= zQl$U)%li28mo(4x2xlMN@tZK)@ z0WW!%rVXqWB>9)XUVzNSezG49WM0?S?F4`bg-;~Nd;?=rc8*Tqca8=Gj}qfa0i{NE zPuw0{aCh-dJW~*GMO4bemUn!( z(jrytXoUjfmcKx<57VKa{BVsse9vTqwT zCIbT+nYsUch;?gO&Mn3v1IMKCAKT6qD{aad+%mkzs>=EVrI%XX41md-zffZNfx`#d zUhRNC;NAdNA;w?hyKjJh>gNou&(!|gug|hmQ=@|RN`VdgJw{z3t~&xsmB>rDo**Fl zefNKgZ50IW-hb~md!qjuR+E8`NgIMd3)WeHp2*{m3=lRU-5$#+Bn|SJDXAg1PyUK) z%4^fqE^;+rXFQ0{FmG?XE|7~N4T$k50F!XXer`8Wg9f|8fX5oJRdDk6Jy_E7?%SG& z2Dq%RAsSYeVTKm^{!ue&O|y+cmQ_y zdI~6km<*!7AjuHk;L!EU;2E2;yJnFgbZFIt%&8%>yXu!Wt7xAOdbX0r*hRVvmRE&Y zi{Hr#=F9-GQx0pRldjd_3VrLf*}=!*&;~>*)2*+x>CD+EGcU1&Lc?P7gp3fd7P5!4EoqI3tIB=iZ zrQ8uwWSWKI3oLcQOX=6keF-RDHc*kbgg3;Bz-TCt`a#u{703KZ3)tS~0Z#-6l)6mR zOO{{JII#NG?c@;4sEplMwPm|W?@brsCt!2Z{~FYcVqr}Y-UBd+WgOI;|J&flo`#-( zNf48N{1|E-upVw7*md%HUAg6lV@I^DjHA{G%=A-0Zf}cwN?Rvx@YD?5_SFYOY2?hf zLlw&!b~-3`v)b&^Icc<7kZtOGo4IP99#G)l-35Yf*fe^5Sm6PHTYSMu_=W;fvUia0 z>r!2!hRcX;%s@VO8GYF!B?)|c_sO`x(JsP|GjcytMsvhEn@1G-==Hrn2Ux{PyMHBYtjUu>U zVA46l7W1Ho9)$OR`uYVXIsLd!_@!Fg1WhBp@I&RvWO-=&@RwaE%jlYon5Vx-KuZDz zMS`hWTLs5R!xaFHxKXL~A(0_nb06s-u3}E9BT{f|gmp1a(3jo5GV$R@?ON?dv8NkX zn+i#$x)515Qy-={7HrTMM5bxQ8<}#|dArHvdRU9@pZNWIx8MhBz2@!*ZaS}jyt{SD zTlto9+F_eNsEb2K4`CTT{50D&&_wAd$m-B;Q>T+s2EQY(L$3m?x!ZrQ0{UNy0it-p zuqhC$7XF?34WD@K{JeTGKur}I!}Ll}>k4gFT-`HSazD*NR4y|ts&l89h`r6lED>fj zR}3!RSHZ@{lD&vAGDDa0{S^j?k^VGyeaq5Ksbsh5cO_~%D(|9&SMa>=M_g;7X(rC*Y(1H7+e1Hv7B2lEcL+28<+@IEaxbz%gdN@L zv5_DDg`ZKs;~QGF89g}O0sx+$XP{F0WF4g-&`BedxyRYW1r-gPP%XahEaERhTw3SML+%7s~pH+U(<{_3;e048!zTZp-{D^i<>ol8g=JU`B`< z2gAQ+qKx#prm3fg9c|L-Dsa=s_JoM;T=l@{CpAdfI>l`727r>Fx%iu^*A)vLIF(vhW(ZmDR0q}IW_bj{29PQbg6O9xtmabxK=%?wrUvP{rN1xKFfBcgQ*A;QMn%=5+V%{egj}g$nAtM&<9us0uz+sZStvfVoGR z%x`2cYy+?ut1=_KzF5=2dKfgD$^M+i-P5CN&U4vF-JHVomC}#lZwAj8m(B>zV*ivr zW9;ew?V}n1%ZEh<_QXxz0m{b$RI<@6N85j)L>=l=_;HM4x0qq$(&r~yd)QmdI(DZi zsq{uyn;W-8?%b=0Tkmi#fZLFY$Y5 z_TLy@0#Jj12cqN-@-1lm2E;b(hHC{SmWnNqJxThOqm) zZ^nE`te6*y4)mvVILRYAb;A7&Ae5B^=q^9*+thXyR_5C(5H zN)qL*g&kN1Ev}iDe|i?cjcsPE(u^RLl(6-E4d)+8PE#*lSgH86sjL)`naXe-L3jl` zJ_oiEC%?b{bl?iuV|3i6<`lLk@WYCdP3ymT&_|C$Rk$o@k#c#kw*|wpAP?trf}stz z!2zD!WB4tRYex(EhcW8BeX$n(O5w-viar2F=7^8x`}*Cw0&`$)&nOk%oWhJA^~WqH z^e$Kc(YA3rTF&(*7Q&fLwKh*E(%g>l$0gDSe>fhWeQlC41eO4zEum)q1H4Ee+kz(2 zK)Rx+&6@087w5vF#$3#Pae=n%NL|os*=5>=LZ?p$<1mDeSVb_f)(C2d;K?vj;<188 zA?#(XfrEiZDpSniNET*-TmQnUApS|*NKsGr7hKl+funSw9)50g! ztMGOLOUF}-uw5I*u)Kx7oHdZBl3IFZ-^lyXOozJO92q7xAoWd@%G8UQ8_i-UZsrnq zmjBEPL_8AAm+8tC;}-*-C}Y(Ias}n`Y_@wa=Wg$lpT&^|jgIFnptG(UnzSG6wO-%e zp?_?_>H8`IKwf{FCxnWuSjuwzH%j^6=noxQPd?TCVYHJ53K*x! zOaRdTJ0`G{A}vOY(@UgR{x;GEd9VNcH}mfC%OG#t!5RyouGg>t@2_1HZhvVx%Y7RwbC~AckwlwQ*|wrp-yvz)g7{w zBBGZ z-5t1nXtz^R&&JoUre#-~es=ok0M48zU4z(d;vRqoF%;}<+Cda>c4)VV)`G$+iI7zmN8n9#>%{NeDIsTTy*J$tTr1j@D!1eeUOV*$FezKihzN;cS`)f?)h&Nwxz_F)EyXysX#OPgFzvKA>I`B4dNQX(zX(Agm(SV z0R$7cVo-kTkK~#&4}(N9o?2HWOtmsM_(&~O-~f!W5*qXCzJ}rW=;Ib5EAr5lOKH%* z;H>?ZAaz(Za7^RfgK-?+KPMe|!FL#Fut@S{Jhs^F+X%)w@~Am0DWl}g!J)3Kr!J?i zxnFqjsA0WObc5d9KsG4DY1JxpdqH?j7N36i2+Q6(F%pg3rnHe+A%(nq;-e}2SR>F% zSy;S>zq*I~Stj5Y$^%GKUIJ^FK z_sn)qtqF5FSe5*3dheSXN=9bEH6Mm`y$4kq8CSz1T?wKQvxFBp0Mr}KZ9@Gvihc2qKqqTXN=>Ysw&)<*gk zsFUF2g}%WNY{53CHBh71y${$}JmeER{n6F`5C3fI2RXLelw_M9Y}jxR9kf^R(Nfy0 z`=?K%gkk-qHtSEX<|z2?7yR2~Z!(x@i37PbkF{)7<_yixSbMHf-+p+a zQzZl6qb^x#esZOQwUA&C>TW77kNSIPAqz}{DtSzY461~<@)+ePySy4leCtn^*rWl?36Mvj=}jz;$&+ z9|3dtX$|rz@`v2%5yKa@gIe^nWtR8y)35>)Pf82#37Ngto%&4~N@WmHC9eWskl_X; z?+emN>_kiU?4H1;B<)UQP1o{?!pi!vlal0HKLl4_e~8U-Xt*BhaANPm_9&w|q#0Kh z&Op}xrH(5KOQYfjqd8{)W$_H>ULBjtoCM<;Yz#SX*)6d-D#dhpwP;^oIp^?8?7;Z> zAeAq}a&)JlSL;cA3p}8)(Lv;yc}MD6aexuGoKxQTo>s6Ep|_OE&zB zO7yTT$MAh6b}*YhnX^cf;vVf-RmF0@8Z^>eFFA19dCYG0nyn#DVuJ!1Zbd?oc1vle z-Y5vtk7&)C;64;1o%-ZosG@TUBE{a1x}J}{ZHm7lbcmHQ}2gqg}}QBJYF zlbZQz&m~jIyO^JPOsP8z-2B>*K<@J6(AVlbbXOp(pUH6ph~*-punt)Xw~b<$<22(4 z=Q>bV6gT-tX%$^ut@sWHj`(-2P%T;p4Jz~C!` zRgni-1q8r64`8L=f%E^qoxlU|Z1H?c0I>>LgttC`tBp5Gv8>}0c>y7z1%+3h2-o$t z6^Dg;X5>#-S3G_Zb4vTZ1uCiy8{yQB1rF_)0ZtfrU7zs4nJP??I3iN9gg5vvJU>M| zj|Z+10LbPus;js=z=%bsSHsl!T!miGzL0L=VUTVJIMCYP?B$&%DLuANCH`}An(AC^ zWN+JuKInF0oAHLj!Br=!-TYn5)<#iwUT19;S zvlml^Qme;KW}F)dDOPZg9N0UWK1&vf-Ot@;%nkCK;Kb zn7J$JTe80R^h^$ZP90kFmf4)voMxpw<8c`z48ZHA9nyp2nBl?o_pmr26A@htMD8&^ z8)C-%&&Iw!fsg<14(z|AWCXvKmAxp2rGWO9DrdAln5)e*PPeRp(KP>J8% zhXUzbypRLo&E%G;^?LfMh_iE2o|Jy=i;3Csa8P z9I@WLC2b8gOb6M|S3??}LSM^VkNsC*M@tCJ-=R`CA|U<44JLB@K&nCdJBP<|B!e-0 z(p-yo-tZ+|V-=8Wv3K(wIhS<4XI@g*{N%_howI^L>v!udJi^_De(!fdMFP0;ca!>e z7{W~Gq&%2Ur994zqswD4gkJDrFnw{Yd7qxt)3QFE4c%CCVEvB-qbpKAahZei)goT1 zRY&-DHv`2rBv3eWbJ+5^7_85f;wp_R-|S$|rUm1^ThG6q-haJZFjo|%*ji_ZNUUH# zOk{n*4H~rNDzVO0jjAcAa*E!cJ2#7!_^R!fIrqLKHt*08*8}1oEk6nQiRz6Jm(}m# zf!b?`Mnek%YUoIoTQhFikJ;`k3sp%2*=&PXP9{?Q^-7((kKecX`|DbBZZij@Qy&DA z%ZsuB4S-#S$&(<8* zZdH`cwK`^q>XJ(ij$SOkkS~QA4w6q22ZtNLR2E883cRU*c8^J-Txki(ozSDW;nsJ% zx{SFIKOK6oa{24-P3wQGJAo3JFbB|MY9JUwGXRx|fXV97%@}bk?Jgt%`3A<3rRySt z7{-c`X3bfSsik2a$b^#2rS$qjab-?R??sQJYse-vaVH!X2Q^^HzQiFc=Mub=9ohg@ zq=3f|2aTNu>}8A=ed-E1)^XU!vHZ66%7xRJ%La61)(ltLjEAe}Vs zX}tthJ|weasctY3HK7zZkR@Z@J3D+?|78HfM)g?#4^7$at+zTKy2e<>Ym3TRIh0jy z&-EYI8p`Gv@?T&B&?)uO6uT?LM0DnJ8zg8MxgkfjlWPRoAKlx7SysYrMRpUqs8E=(U&$Ya<8ny33JKquf zvJRWb%mGq#9DFvP@D^M7varcmv8@3SfU%BHWZhKrE%1{G8jcSrxd&rK@)GXz%ABnRbs6_qRNfji=Xn`;40pnt5in8P>B^6K9l~1= zgFd5u^&;%5zN249l&W(%-0r8hobg{7z9r*HjNrNhbTiLexFW2lwe65wGiJTUPx3X; zP~RO(6}ae*wS6|jGY$MxfX1JlxUXAfqusZCzv&Ijo`Z$50&ZCg3kfLDP6cbIUV+YO zfi&FHFJ&wr&PtdtG#^HcL`8Z;xuU0Z5|7;q)x4~nJ6opyHesXC=c2pM?444c z6y>2~!My;QGi&A=Uy8qi%BwPYl6v(UcslQCmG810;}~Bq6KXZH@(xgzuh@HQEaL)m z-BfDLhFiNyl7LSLu)ta%qSU-^)N)E3h~_hJAPaK_TG23CauCdNf!1zeUrK!d`l04B zFMQM}eI$MF+>DjFmKs_cv-42I-u1_wzGbWvU_q1f++~D!UrAZvIVVOLQ0 zhAjU!?)U<>Ejnl$^D|!aNmqS-fvL```zGXPS(XlF+be{>?dcx0#|(8kuWuUs~4Ni>E3i`va zZ8!ixG=gG|gzt!GKfrhgiH@wmYY+Os98fD(cXOxB0i5E8Y@chh4Zfc1yf0?iT=#nE z5Z32Kz(IWi~A{JR*x*p ztpgsr*4gO2v9n5hNQuyfF5W0!urNpA1Md+!u~jRnEGMEMfkIrZtDrK|v=GQ_P>nIN z8?{mVwksgJ+4iw{u=07=cD3W`>VmapE2YjCbUI-cQN2t+n~15TOg4G4v9?GPOKVb` zHQWTs-czpS)m;f+IWQE!lvy(`u6jH7P{sb?(J)*pJ6CcAq^IAq@x<7&wXb%QDuCp* zgNqe;i)Fdlf{>tLcNHkwO1=X;U4s|B7a_rKpp=5J%N@Vh%(wV!{r=S9Hi?_dK3Wji z<&7(QESBvUd9$}Egenb&&=adLadk2P)93-F8xew4M@3Rhmh(2&uzZ>^(e=CfO7d$c z>SIr0mmxGy(hm>DSemRq2kcN`58hvgHD^ZwD z+yi(Cz=Dpxj;XGRyT~_SIJE%n@d(Qvl`18MuX=Oo_OYt+%4BEv_xZ^~LYo|JZ_8*q zPN5t-B4EDm|M5#W!0V@TW#S`UwJ`5`w^02ccT0PNOy3Wsuhu+vTfcFQh-VL3TMP1} z4*PJ@`OgT_$U7OZKZmshk+=0*S%JwVKcRS{T-{Fgo*o1z;~SJ;^7iJf>hoziHjk{{={5k^Wo;#e2xsqaqDJM?`l7MI(H4y@C!rDp=iG`*{GD;6Z z^Y*bt;(j=aD^q@W*W73e2+)1_`PG{=sZ;WPm!DtO<0Jv2L`{HbxzHL!cd@Ox$|=5H z`KyvG9Kf!inZ(gPVVYM{P1TcvH#oij2oSBfnRRXB`OCgN{v=?;Xsg7qfam*rPwz!78wL6+gJ}m`h%14pLzxL=3r%^vwuZHq7>C%+_wasbPiP`&C zoBPX^I__xc9N)P7H5W-hEsuD==-w5A&%6SG*)?#40Ow-Xe}cYBhb%bnar#2!$p|9$ zs$iRDfE&RDU_zb?W#YudUg0n-ZylwHT7^!6PD1fiG~{W!s}$%?<&q zwB2jARAwGnMGEF@=@Twme!O!m+{5v(J|lqxvTVveO_-r{nh#T$rWHl3mWieH@_cB9 z+wexcuHW8!SQPnk(kdOD4zhIu&}TQ#%S$|)k1}%Vx%sCqihx-QfwsK+Yw1}2CAJLm zz%?hb04EKW{SrGJzc`Qo=WsJ_A=NL0lYx?&=dx81QQRZK2*f%{!hq_q8r#cN@dSl1 z!^S;=vI;eb6DrW9)gm;r+rP$9*Y|| zOlSw>a3@*lMn$b2-f<(H?XX0^QHIDhE%hf=yF5R6yN-NAtb=7!B?)I|B(h^!AkSGvYO+--a%U4CPRfO+J1 zbJU`)6a089{sT2AuE1fwn5Bd`=Knc1=S4oKstJi9WE>H|tp~s5O7_&cPGlWPilC91 zW$4%~>9nf06mm`dF25W8se`XM`aAAu=>8Pne%yd~{(y(%?KcO9Gf|X5aNB*sO)jzs z3JJmc2`ExC5mxQK%5y-sPNCq$Lu`YlOKjDa$WQq>~>YCE#OtNbyG#xSvH(+ zA$SQz8gLZwBcWL}I`i=FQMy?i5o^ra7CZWBnL~bkU z_mV8!X-X@VbsopN*TyL1C*C41T&T=Lm!G+xfJ)~0mN3V1N8XnzTMp*O$SzNfqMM#V zsTL}uU3nD1_DzdLMByAdBtrmB2Fv~zN-!)-D~Y(SF8py=T#G(I4z79P%ksU|ZMY>P z3TY!JjGSCm`w;U*Dct?T5s?Y6bpl}M;2H`?9DW40;4|puH^xh`;;wE{DValC>WL~JK0+tz9% zFIW^gP1r1!PHe!AY5bX7+C~64Ymf21DD1(-rEUGU7d(!LgAZ-iVgi%t6T_nXLfLM^ zc{+ix%_U`C67nGe>aSSxLij`~P@hL1ac7#LOGuhIEi_@mAu3+F?>p!k?A> zOBCubz`VaerawCc5nEM+m*-~$;I-6=%Sk4iG@r9OkHsBN?m5tVcC+@-#8>HK&jKrt zXLL5|tWR>gK$BZU5dhn`Angsc;th2*L?a?=*~c*Qc=1x-dS%#OHNIZ!du_}M+~B8{ zZE@!wK^k=d%Kn?xugmyL&EGstnEVSp>m{C1Jb7Zc-eTRc83RbCFr&;z@Hye+f=*_*sPbWhe_wtF`O49B#29S%%4 zs0aAmgC3_Ah~-b=PtCFs`^hAi|~NSMg7}LaK`5!d^FU5@X-*`oxXHW zmi$7gZ9`hfoWqN_{KMfazDnM*dSKD7G~<`^9|8;iVcaJtPZhblw z^ODTL#-4t*>e2C(-F+R0wt7x8Rx-EjlKQ!LdsDce$Gf41_|z$d?1h%XZ-Vvc7+K$u z&4FTFB3FLs*(M@eUX)k#ZBEobH&7!p?RL|}5qq=Q!D8=@og5LS5w&tV@|q~Y1cYs% z;bxW0s5vo4ebUJ5RP9Xz;>5ew&1twj(r2h|wtc}r2_h?)|530GbYwT5Mw#y%9`tBc2^Y66-q#iLI74`%h=!mxj`0?&?a3f6Spa?hY%-5m* z?IkeZ4bWLvsAF~g)?cU(o=wDsKPpJ?SE(VUm#9B~5EoXE-U26LPcL#LhHZf~DQ*B? z(w{?!_r*<%1HmO-1cG9Ya(?*HDD~B}xwvJ=gC~A_)q~!hzMTGJZz1qqvWR75o}?fk zAl9ghTYo1DXh!t20e+{OMj+MaAtJQIhA8iPq}K=7|zhdvC_(0pAgGA^lJWbSM?@$$!JjWDYmzV4ec&0L&sb-b1tZCrQ$*$ZrohUh|@}tFeh%=lAF59$e{nUcUOk=?~9Q z)jc2Fhb?+;f+Z8cximbZPJ^tlAC+r7r3ihM3n3&rjob3%ffg%wbAV=5jIhU%%Y{co zzE*)PTHK~Tw+f{38upSu&qJq3T=gMf4(`={iVVUn{q{dTChQ$XLH2)gLmDzM3mV0T zD~$YsO+N>I=0s--U%F3#mAOQo&}kf)oF&qS|CDQG9?X#J4Q1eiQ-)grcOw-KAt$n5B$j#x; zs?nHR**SH+RW@P7HX!W!iIkl|#_XOn$kF{03bvW!SC54h?a_-P9QDX1zZd?+Z(VKv;VIuK5Yw- z<9Qn*sG~O^13zb?w>jiz6+WE>AxC}KO-R?&E9}BWwnAjUKM#`-0feBJI310>PW{QI zllYdEL!g+v8-n))BS(DL*+{(+xP2cIZ$ICiiCrrE}y zZrc`M(7LBEX1GQA4>Na{;UV|@?H}FCTOZVwrHmSl`!+ z$$vp|t}<>?5>VdSz?f0nAvH$wOU+C=R&?Ua-0{9m<+sM@aTiMI>khu4EyDi&lg4nfy7WVnW6GwUM{pYjXB`t@ zbQ`fUl($Zh)4+em3*oLLv_Knp+gKGAuxj3!DYn{ZY%%RBC9q1v|H$Qs2_0`cT=HYL z?my%5sdI;_c$CRGoqb>pfNjPUS%;V47n=yFMVIi6Z6!W=A^pwxo(U%eO+|D?|8 z;kO;()s(4IPfoj>GQVYYFFvY8|KUibzyi)34?G(o8W`zbJUSIs=fHNHLd32CHqY31 zSh}qL?Ma>NVQ1wO z@YO(=>x+$X)rO&lnymhsrun*Mn!~L(oQ_86NB}k63d@*ca>9mx;@1lz{n-@_KKk zkL$*7xvjqSMjFBAh$2hI)F4+CowTLD?kNIK9% z3l;!r*0Tx^$2B2>>CLM2ySd9`u&mpzE~0YN5yPWw`SoMYUOSuoWzFT+Jy)(m5uP90 zlf!fM$PRk+_WJwb#_8I^kxiz`XoA`drH#ruiWzd_G_mJiL4%>d=0<{_6bwsY$Tai= z3e@fm@C%DQBtV-a9&Y#G(m({mI=k>$dgpR`C4mdaesnOAZZeoXI9bKQa%ckpZN=3< z%_MQ2Wo9#0EYQe{MI8-|!|U)9gF;uXy{-8q@NDXcRBEWmfp~@=Z#WSjg|S1Lsa2Gw zZqTCR$!eQ)VioQkn0+bO67;d2=sCJ|Q}XmC;lApwFY4MI(OTk?Rl{RSyLK-_Cy}cy znjql3SK2mW2lHEU6)2ijohFHUE3V4%U@s6U$wiiPc`Y_o&9$E zTRer%of3U*U((Av%0h#dH9CN^yE*D0GjWHz7d9Au2o6TnBC*s+hoKXLAUk!+C|o^-A8!z)jSFU#WR%Z>X$qUM6H<&DcT!5;1Z zyqf;vsw`=a|KtCca&zuKTdA@6yIbG*^yHJtk%((()`0|<6q*333k(jEC)3KQEPLp3 z4Yj6?S;e)$8^Ac)_enFmz!*sECn*jZYHOC3&a{7(=2x3|xZKTXQhcSGilpV#%xZM+ zLAB{N;54wDvBTnwKxQU)BmNTq22YO;CU*nY0p;Vcb&H}bdtYVNai{mD;epz9_YSoS zIXQkgIhLxlS?JTuT8~r~!~jFOvS|PyG_&DHVf`^fwvA*-4HI?z_Wn9^8l-RrLXY;S zvRWUV?noQ1dfYJ)a_+uEh_*gwlc~}dA;BM0Vt7-QO!9cYMx7)hK-D>Yf8T@Ns-oGK z2i0Pq*6kG^KBVM1cJSWK+rujbS0?+PB5#9e0P7JX2dpvx!}#xmG!AySntF^yjRUr> zdyOmT8!cvKH4cL5Oo@gkLIf_R%RF7#wKg(W@1o*i0Y1a?A*{eoT=a9pc&4C*n~u2* zRoOOm#}X7^TlR})ML8DovWSPZ@j2RWL%ubzfWJ{;zUt+Zpx4=@*oYt{EbD3$ijZZ8 z%d7|S(3JtCmw*M-BA^zvQJ&S-Scbd@lg#UN-FZsfE%P^F$adgKL26*gzQ@SfTkT@% z_qUv#x~XZ2%dYGrfFi2~Yb-4XTZL(Wgb0H`FEgVFdf*g4F?R7b3{?|Zd?Ucjj60qy z6Je`y;?C&vs?>M)v`?8f$hOJ~en$`HbGl%E?om*xUBY6#@=&ClB@xi@w5=$d7I120 zUBWl^#$?YeWyww&(u3=~8uf#x=L(S_GKjweKOCh!#$SX>==@;&p3`iV%=;QOaV7LL z#-z+#&`{%tEa%J<;p@si-N>Wuq#=Lc<@is#nP?iI6f&6f4Wxs?M@CBAeaEc}Ce~Qm z8@^~i`{YE8#mU#U`o}(67@D^20`;9@&%vLo6~>TH0>*@1P7@fyC?CdXs^1D=_!q== zu$vXj%vZ)kqAuXnkmbFn&yt;FSaF-zo4k7r3-l+iIDsA#Q=1V%#K5g6e2Hy)nS9RJ zpQFH1o%Hl!soJt^V`lkBn+e8P;SemS$IAIh3r%Pp>giF99a?u)tzGxCPGv&bb*1zO z&M9zE#f10R^<*%Gt4gHVnkwn~Emsqkx$l<*9EF4dDthXoo0io6+S8eiS#ccie7Q;; zrPg*`W!br{+x4I3p~=`YDMR9PTV@F;5y4bq+AwSMQ@|(=XFkcT@77zlXd%OXZKW6& z>K89r2i2^vMpBGbf}=9gl|)6@p7n9!kCAL)B>Vh(U2nJWd>5t2QbA3J%MGYxnjG(a z9}wIWSj{3D(6=b+f=A8cIq~z2)_SVkV`+d}cRA1CU7fg4@x4#4tIJ)fU62~4>LBZm ztMf{0vAS0q8^xGd5Y7*40dEoAMjga*!ue_VqqN~jA4Xi0yT@E}=7@F=zSB@GF+yG~ zz36JZsKR}VXWPzQzot|xvgz16k*^t2EDL5j*BNv@EhnF)UdKH3nY_c`V@AgSc#o_b z=9#f7&HerKCqgAIzlli#4)_69@ZIY0x$+=bEP)PuIxo+91aJ z3Lg4Dj>nhycvax@k1T>miAPD5#h@+Cpb)VWWf74Vf3_BB9Io&A$8Y|Np#DD)rq^Uz9(MZV zFO)o%nHC0aOq)=tOyDJg4ExQqglV^s4ZXbqa%*D zRvxh{;~GPQ65zS+Or8<^_*Vdv*AGhqn8ohTGCg--xn^q{$p?#PoM;xj5{tzME7Ssb z`QOF(+yA+edVR3LS3upV1XcmdJYETKm5hSObeueh4WQ{bOfr$9=?YDB^hBAo{{<}j z{{zzc@7w<8v;Gb%l6tb1#vxJsZGTy*U?xljNQGMq@LtuvVHRw*-~ke_{3WO)G!cQG zk81HPf9~NPWk9^tKmZPWAQeFqx*2R7PwwZR)yN9Scs%*1Qr}m>sgA#(m{@%%AaLHr zmIGpm@?Zvuum6!Up+`823{j`ciA(^-ogN1~CIQb$J%0a?ST&%+utp&7z8ME(ILfi5 z(1dcvPhmV6C}#t<`k|@wie%HkTM}m2;}VqIgnx#WoYp3AT+^w8-=y}chG$CU*0$np%U!a z3fww~xs%?_H+G?Xjm`Ll+V~=HVa}E>S9B4QZ5Pzs|}x! z@|W0t6Zph$9T<_}f76)}8UEK~KQ0H$I%mL3#}3sX-4SiXh2=T8`~CC1;ItV~yAHn? zV$RitgG{P#pTL5~Up^`F8hBp6m*G1t{q{ef)+HBQ2&o2+0Dt#tLlXUZpLEOpLcPu| zhCXOBexb~(Q1~t2$Dc2X+KOMOkL>{IPxID3p8&- zX@Ix}IM7ANXu2uz^M3)|c0&y(ps{sOWhVaybsYd{9*-6PTeSZds$)CZo66m^m^z3jpujaB>Bd%LFV8-k ztXB=gaAH{l+4LNb9(DJRgVeY0K25Y_ehKqVG0bn0cqXV4g*7kA+i?B;|2cvQ0}OO) zIWBAv)K-ALp(FeZf{g#314I%$+*D}WGZivXko2S!;U~4*gtvh~89qXpz8d%9cf}?Oy z|Mth~dqp2dEY@Wjpo)@YIvX_!o_C$v$%|bFnTQybJ%_BI&_Mc4knF2<^$(~Kdo5S0 z?@3@4X$?%64a;o&13yPO@8RlV5r`xa6!5K9s%LUmzR|u^>@+ET&(rs@bJs)MtMZ1R zwHCVPv=wAeJmPGAPL0L_Ivk`Mv$B#HjT7RD7sCFHLmRZDQ}0cjpTEQ@n%2Eu^n91_ zr|fU7Q6_ugMKfCj7qW^SV0m^iBKkkrd-Hgx`?h~rA-gF;h^Z(Qa+a;o49S)>trRg8 zSz{7q8#6_A5|U6RktH;VL0Kky5z21JEYf1h3>jZ$xt@>ny07azuj}gmUHARG?&tM- ze$VguBh5KyX1>ek`#Fx|eZ1fAgUr%x#;LHrzDZt#jL-@s#@g%J0%}}YjJn(w);GQq1frDiPN3@iKr;bdw0VxMprn;F7=6>0ova265kzii0 z^mSaYyl+*R6|AMG^2BSy=3KRiw}mRE#O`Eh2WT0VfUox9LzDn z8nvZI(9Q!GG=Gi3h{V_FJ{_|&aR?31KaPLmvd)g9k;zCooWD8U9$E3aA+2C~#cnXF zbfn$iBg~KK?DY24IoIpEJHlht?G+m5BFU0?4-gQutQvbFRmIDhU!#61<14OIce6CJL*&`d`v``kI(SP~1h66`)i( zz^} zwgW^mXgb7TeL3rKRBDCQYycQc0s?r1Uofc2kLBiZ-CtMqW3MykCWJzx%1HN#7(dXp zqsSX(VXwW*bUm}MHT7U^H0_hXE6xReGqqY|HkTt0q3If})HtN%BotN1b@@=|P(1dn z%5YHWAi%|nw!f>039bROdHvn$S0gMx$F_!-SqS{CD)_(iwk zb60ix^tsrdDz2!Sng{3}|02D03QFxy;JH5KpcBA>NW`F)6?kmOnqVh8dC zu%4$C2Vl`WVx0{bOnn-%Qq3sB^^foBBcY_YXM2h1dbOlGBhkek{ufFY4mh0l@yh5# z9NG6el}^3@Q3`Z?YdK^&L5&)+_ovlOsdpR{o!LTnco`8$2?c> znkRBNjNJ!a=lD(&s@u7;g$%1^(jYg49wsFLUe3i2E|q_GBn~GMT>H1ymOJD~#HLy% zUrb8re|Xp5IVKSyfcr$Qw3?A)MbbQG4@~^dxy->HV&;_O2j8GJ-f&>A7$jC3tQ+6| zw5Eo7@a=-Fb)V?*sPHGc)f!WP^!qtE3I77M`Uo;DMgZDE(TT$v!;;(}okGaeyV~JY zl9o%OmynLegBO|D)Q@|mCjA-}j|WQ)fMzQu0c1^8I;+Ftn;97CBsdM-{3*bUb-Cnx z4?DXvp=;lGuSO+W!{>4EgYuNTt=4ZewuA?OMw>3j8OQ=Op}m~r*wtQAHZ0ApRe_y?&mt$timRlJ*i&rl9JXm*Hrwc8G-3WPs-mF+T2yCNFE3TYV zbIuN4GS?y~my7K68yrMNFwgl=>SU}WeG1zd%1(LeOFyDqwb}Tb)4MJA4RDgeE_)P@ zbQO9Vq>MR@S$^yh`WS7qAzJ)}$$BdxRZ(J&i30fOcyL&*SYzlZ*kpxpO;pLBR9VMy z-pjs|Rm?iUnI*-y_jj@;+i3HOr{zo%l?0ZOg`jA>La?z7%egzjzu;Z*_ZQ9$gd2Oc z%Tx6OWC2q6iW1&P>?T9{ef*1 z@qaEQ^?nU>aKR#spy4|}@(y^qY_uQwr-TttOXcs3m({vY@Rvvj5p;dV3Co8yn(!;L zt0gYUh;!ucgeP%sKd*#5=|LSq^WVnAlYgF>#ib8@DV%i%@B@P10S^7J$r;dgB?9NH z=YPg(0KW2Hz%_hM@x?(EumjGj;J?#|L;f7{KL=!Mm}SfMnMF{z8iS+qAU%fpgX8~O z?JD>yn1k5$E9+QCU&khyS^Ar{K?mKb@^K`ro1()3d0g zf6vMS(Ca?{2O~TZdGa!HxSId2=MMSjXaG8YV7cNKPB(wM%L2pr?k5gRGo{T`@J3R2T zJUH7R7(6Lg%4Ub8s)r~3T=WWvrW z&uaA#b`o5@{|dG-0MxhtmML>wFVxOHkwwmbLmoC5 z@R?3(8;}oaE>QW>55byK3<1C5{(v0A8tc6YmL_^{c9!nCdKiQ~lNH96`v6nPFGQZ%aOR zW>mT`Bn+RBP<&}JFVRX#E#UrVcumnC&*`7Gr?vn5x-JOB4-Od1BhGK5u1ETW)QOI3 zpx1u$IAJ6{g?2S0*Bzec&h0_z%zeGl_Pw`0z5#$skrBvADR`v_FLw4X0#Da}5ZPV` z&J+#Qdeq4A{ZJUF1cldtC-0g!T&zxkWqkhS2d*wl0@Tp5T6HH}F~#Hf_ELp+Qgt$p z`HzGiT!kGMP!FH1aos^apbsA=^2HB=50LF`SRbs*re)KBO$uKcf}j70Js0wrYdk>G zcCu$#w5DQ6)mdRBVSz7i?zKP1C5S#Z3ZKwO4h&N^ zb`CHHz4F(de6AwxZ2o3w=*IYNmh+g>)2{mG_YiGm0a^?ByHiCoRpR&V z(|JFzipCl@Xri$Qa2XoDk=Hhea#?%ONzu#fq!ly63?l>f}u>SR{0gfl>9k{}C1NBp5f(A6Hy>X|wg# z=QCF>(9(g?liYGPh)OEFED|vhU7-;}#-NhXm4&S+1t`0@VGm0SA^qV;T~LU8`qN=2 zZ-qfX_)Z;wUtX{t{p__zC=nT0QfaCCmj9OelF$N!b{2AFD}Y7eDGZQ=5nJmG8RW!_ zR;Bwf$S4yp6CMF*=+RUlPUZOo@ocF)u2{#RnUw! zlMJw*FSiQ49NX{IX|5|N@}i(J**+ngAC}@=b$utG2ZT`e2eWTJ%sESl$FTw(Eap)- zq|rX(%0UF9TPbz;O(w=SuqW~%Slj(^<$=Wn6@%6v(vL9DoaOGkKjIXa_&l}p>PyQv z4L;w9!)i1})0UljH^wb0Qz}msxnJm@P|MLX0}RmF%!mPlq=w0r@Y!>$ zgl5Ff7{*d8sI7*MF_FoBm0{?$BVIu`i|PyyK~cXwVs`V{>GzO=g6el+L??C^YYMEP zvqP&Rv~N4vfFG9|ga{z-@x?98Qm-hzcsY+)%9y;e-0)-e6RR~Gp2aQWF=%r)<33+}vR zsR5o(3KFC*vQBT{%;SXH1Q=f(%5GcHnc)B#_TV7XuL#U94)GAZyr8A!&`7+>owHvEG{_wxGNbKkt)?gd50BRh@-VGpY z^emj?fpzP{ZO0xa56snR2hhl|Ls`cj(f0e2Bpzt{YHMkK^8LJFS>WB*{KU@>?_O&W zT)g>0#ZDk{oGg1CMoDH@@@kM5@sI|e9KtygoY#oZV=cAS&WS-K?JlyJmumXA02}`{ zThbwujF3w)p%r<%-;Q56UqpNiY(5W;@mr8ghdE)~Tf7v`7<+UG>`*`!!Vu$Lq?47g zrv3U}YW-JKw=1xRbgkX1vJO9r+>~jmo<2GsCBP|RV|gVw7{Bi|Avut6dnJ9bg(_8d zJ%kPelSu4R$IPEOsbjSKGX%R#w;#2Bbt*^mV#YD8K52bq_C|d}$WN7gu5F zvWs5va>+h~qzzC|6TY%Kz7i!20U8bvtR*qF!`#cgnmgUYl zeCoFg85J!FqS;@NwKv{fvI`4pPrl`_YU~VPK(+@f8Ss!yvB&#O3|X!W67eQtD;CLW zPoBe?c|5bYF7#A?XY2G^=J`Y4>$42bXtoU~M+$^Hal~;HRTJJb+&`DH0fPnw0qB}VLSc>_(p|xd<%T zpUg3{kxnSK+2rr4-&OU9Xl>b8;t#U&AJi0v=HK$Z)5QLHoI+yTvO zOI8bceVrVQ0Cw$RSj*TbM49R~y8DAh(J7Cgoj`_lYh|Z-r`@ zzpsDj+Q;!b85y04ZIg{2o4z3wzOD9@ZV^^pzZaSbB&$duj(ntG!Msx)#Km==_b zmjU8N8tswJ$>{D0`?OHvy)+c32HKurczM4N&B20}gmGlSBlQUDp^T;l&(I`xwlMI+ z2r#nUe!EAhVzeT6_e|muc^9$scQofc+Q3|m_y#F_<2n;BPM8m#WY~(4BBdIWHxSZi1Xxip^d>1JooUiyO>K#BId-vi6iQ7x;=lMj7zvz@9i4tycpX%`30RY& zR5FY}y3L93-x(sd^lQ06EY`Z_=GUKJ?@9A7av6pE6y?7_`K zN#WK_6DoUvA5H+I!Dg_C?U?mYA72KRq|_YjN>}-j#LRASY%R-4ehh=|Ia>u44tI*m zOo{dxm1ZvQ8&)5h0ynpl-3a=56RTAmb}uyj%vdK@I$AGTVbmr?U8z1n+3E3A$jLc{ ztc~;XXSxK!fA9ALBLHPJ07g!)+6B{t0Z3@!HL!BxciVs~$=qz>s*=tlY68WRD|Gm7 zAzDr6>*D0yJf^uYg7+p4=dlsI=lDxK@yM4yfcwe} zSp@QfN8&f`V2Lyl)_WQ(d{?-I=)x^2CEZ(}rux_|GsFMJLY$z$-8CyJ9MCUmv;;*1 zERs-FaEk+5g?7uO2(1KJAGov!D`}uDmvsmx-R|Wf_pQ=R^?H7j<@j6NJRv)`QGbZP znsBG{DoChUxHxVrSA4KRfqNV}RqFViy52;r)cZH8cHa3W_o|wz+S@{4mbhGeLqAey z_ZlHCnS=h0B-xX|gUDw(6K5hP2x}mGs{}`LN+%!;6y4QXj}jd5nAUoEP1_O=nT)-6 zTRWm8#Z%4X0qt@Ky%F4z9?&YA6$U=*BR7m(>RA;G`Gf+lSvCU`{ajJ63u6{XY3l9J zlsBaWlZ=58Z`qD>S(eK-0z8dhi%|a^TZ|Zw*b1(eCtv0F+g$F6WF8Fz1x`@v*{Sl; zvr}l)PJryoy8B;$50$-F>QEgyGIM`PH1=DL;{*(+e%d)oxsFg zMo041awy&N9p9u3-eKtF1_e4Z!yRHm4JVZ&?>D6iAoDg@gbd9jaV&yS>}uWvtT0dm zZ_VHsw(;d&4$yD!clGOSDN~oUVp;8gMtS-A-zwL1azT2PstsBX9JxgpZ%1kahz^l1 z&Q)`UslYW$zavPX z9Bo9AF+4CDte&$6#rlcWu4fIt3L&2L#K|%d+2L%Tq<|BzGrZrVhMY{_rhnf&b~r_G z(^vg5AmkxgMc{qOBd6XFNDj@@mmejrOb@_4*w5 zq+0iU$^J9TL#ftsu6(Hp-V=nvcl<^`8XlIVR~44n&-)-|gP`1Dzp(0at2 zsUxjwYuE{IqI@qX(kjy`Puv=-c?=We5%9E1vNQthEsZBuI~PJ!5@Z|plmcBlc!=7J z+^|Rg0=r?yfZkjMc#zMUi=@`7j&(0@b9fsSCy|1_;;=v}!}U@t2*Ai>E&n}Sl`B^i zJkObkX@tj_x05$yEzuQXXPyjXIAvzH*mvRmFRBnF^t@l{Wh?rg-enw(&qa#|6ArPe zqkd8qgV87NEFB#v-CEyA+%U@tFjT^j*jATIl7+j>fWXJxtConXhKEc_h97z;}e- z0#~}FiK+@>7Y#o`eUp)+-mi@{q&c5zS&NeQE@p>WdnDVD9x?Wwt>`Y>asmu42Ba!; zq#Kgr)QGM!oN1+@DKT`$awzJKiM~&X)2LpPCCTf!qV~v5fx45JxElCARpC&5+y!u} zUZE=uo1JWX?ogR1a!mE>{49}XWNZ*<`ZOC1=}FA)W}qaz=j)iQY^QHeYETv3+Y|4b z!XDgqTkrF81qkSWp{T~)b@&2)9lq>X!LZ_Gc4hDhSH21Ui~#89x_8?wlx@|7&nUXP z-V`ZYC9tmY-XcC?!Lt~V!o@?mOx?qfML1oJR*V>-b)7msaC@RH6h7*ArMpB3cNBN} zlFwD~=({k$P>s+G;7dH>oS#CLS94{J89K>z+e2AUMT`9j$f0rXXq#J>^QjY<3d>8T z64tD?-Y$~arLFsghQ2D}`tjvfGhQ5PehXO+?{4SX26u(oBPlub0nPNy znAL^1&OsVWT;0Lyl20zdku+4?bFOTNf05V1$e4>4vpT!r6REyQ{euW8&@^>-&2KNZ zY={@&iGntj;D07C$AMO5Vj*ftC3` zgYje|JZ%iKyaP|d@N$-tkw2x3$QC6Fg?y>Jt1um2 zCD|J#!f!>stiD6`#;csQ2`hv&n-{#{BQM^orSh*DG}3hh>Yy5!9zQM zB2B_-bt&^ZKX9?A=pYx7q0&0DB2Sk+OoQB_@MmAm`pb6gWY6179=6$e>8`u}mLu!- z6VvfDGP1I|SpowBS4HxS8O!iYe|uCNFvitU=V$ zm##W_NFZw7bloc?v?FLXj;U!4zIhbu4e2w@kF!L$TL9)_5Q&-Skt&R>lYRD0TO@WS zZ~asitGU?e&3vZowr_Rbr-d62I12DwR&UN{;Oe2kCFsnY0SIMnSdcBV$)}VJv$?bTE+LgQ8n`N5pH9D?5 z`|R)$6e+X2=;YxAwk;ILK?OfQJJ{2Rkge+YBB9+Cy~3-0T{CsXCx7Cci!h52gHwYvte_~ml%;W(hD-14qRO869UVOwJs)*HSf1Ki1gXRn z{(k}~S`H`{{nc^IfF&MHmIUc{f`-8qE$4oL! z-nI-K$+bz8$;XHY@QTqfIoiBucvl^OZ|Cu1 z>eb5KcvWYcWYFQ+5Pm$aDgzcPyG0=XCXPCKzA*%&@~N~_{o0n`&qm_#!l!N4f_ZhShx7MKNydcO2NNa4fc$5Fa1J;}yu zVbkS>8ds5QUM87VfRwBA;+z}hHv>>7Xy#%ucM}v<7VJLJf`FYhx$MKx)^K@I?RJh^ z+ZoIlF}eKmqaHrcBWMeJ4>&oFBiFWm0O=NniVW?JD-3>yq7V-|ujRC4VXN)eJBLRe zA6{sdOnIk%Vew3$df-JDe2F>dJpVm`c^32&fvgBm%YWS-!QX1mQnn@o2V|ln$}KH$RqL8K=gvqKGDHO5OAYwDyd@p(g*Uzg^HAPku*(1g{!wQay^e z4&VxJ@$9>iMp7l=g|}mL>__eXz02{-i5+)tP6{mFWBP#M#NvoeAACWpqaN8TA7G=$sm)h$3w=WoL|s@H90z?1p=p;;!LT@5udi*Y;09LKP>%%SE_ z*SaY^E;*ZSBZ5Q9F6VT6#QKK#=EwDn3mNJI>B1V;9QS|++b5E}g^8I#KE(p#9l}NC z*ET5zA!gj5Z_(OyNKfUo3+lR5%c+nZ279w(Ox2UBcNqS-Lh|8CfopyS@}MJU&pp9W za0huMd@bw|=vE$tKJfuriM?Jj@(!b&)YsIcN2(%4D`T{pQ$9b#?9;XRqVg110;W<2 zvE_J)CW0J6Tz3_+!lM}_=i}I&RyakupDV|1_(1Bk2@BC4i$A)zE&I%u%jb6*o4(W7 z(GZSg9)jJx?-&zrqC!Ved?paLm>F%3lY>Nt&aD-A;(coKkfDO2Zd>UK-gC{6%|F6| zf5;ntdsDoH_YM#g(w>7|R+;Rc4CWS-CGf6cbBa*+5PxI)$XCb*-1&jL3YK(SnCOKJ zf7HfH2cawb9(4RBxcjQ;RD(4C4NjN2uB>dDx)DqhgsULboV~|4)qW_8i8ZnDxVSD; zs_oN~JoEdF`{fCw-6pjeFm>#V=BtXIz@cj%-AsVg`APX)Po`BHCYf4g)dowv#?`G$ z<Yr1PlttrVwf|?AX4*dSp97aj@=wU+-W?o72{fyHiSLQ+E+?O92mkHGAu)0OW-P z2~UIwb`x6kJASQ60Ot}nn1yb1mS^v(q(<}z{jf3B&xjD*|N)5{oFvFN7J^5 z2!o@luQofp{4c08{>;|-#p^YSoAjCEB_IIrg6s;$f{9IJA>;T)$6|t6^ZVr`J;hV5&QsD%NL8{9GEsjzd=d_YjRLc zMzERhj0gJUwckP|QlN?5DWj&gq{wPgdPwag3WT+yPcS+pa`%`(e3 zlVoy%YGzg`t0E+@@^eX6uy?PmH$3rray{kkox$hXUDRBo4QMdk6~82H(w|3o|611Q@DH_}$EG;IAbXj>egsy! zDG3U3`u?m}$4h(IBMlmD@+yN^r3fdrp_EdMw@)>mz1JjJ3EG_M?Lgf>qy!5 zc&yw?)NV2}Jz+1>?1ZT*jHSR{3wf|K`C{PTGwpcjwwx_7P1mp{mCP`o`@N?6YF{hf`X3PTcUc5GXd%am-)665n26BjQ<2gp+RvZ`hBS#|Jf$jD z4qd*k=TqRbxBaWLg~;0ojDeSO$Nsx(%Weu@jG0VsCMsiPAt#PBkS7Gq?Be+IhlU6w zTns(QpwApK!eA}5%L-~596K)uUC=0J6cc~I4u4AK7Pu6x)ZIZ!7*NP9hF-i0vYvd{JT^vD3L0%Sa?1KV9Pj=!TkSi zqyL3_=>I-#qhNA8@)A4-r_XzBqQeP+h^?UmOR**jv;?Yjuv2rN9(*J#h%yQD$0kfJ zlf44h%Cy-vpp^r=cRi{5UlDPX!^zYjdpK^zVKd$JVSHF>1Ak^FM0>8ysT zD)U&RbY|hZkQZH7*JBqtPMkUV@_^UoD1nOdH{Z{QIT}2ouv1WW<1s7 zpa;#ezyJvX+a4l^6rcOnup?T9azAOCRmepX-F)VlX?JPKHXEfE9d|>7E@Uk}Th&n{ zGHZ2V2@{bPrs?vP@FXOOz;PbfuoLzjSMz zl|X~ zn-SY;;?L>5^?R;_FK_wSmKkjrG*Tnqyt#ZrwF~&v{ZDo!)`6!25K-Nc!;y6IOfxHh z@wNS+M9a!xJtH}BT*oe;g;MbPL&a$R@mSx|E%SMHRUdZH;zzT;UMVlap5cgd4OsA5 zDjncB`Y{RDXEoZuYPb6urBlf>I&0s4zRx4A+xo{q-kzf;`7CjxfW*&|4%PqRa+r;* zs^*p!a^wLNb^vHsvi*F1W|4ns4j>>0;v+D^w_r}Q*^uvJ?pEj(2~og6|h|B(VCmy!xMH zXs3HJqdv%%b)9%~2NOqpI@~4Nw^(+taDidC^JB(7^Q~Hm&+Bi!-9+>SmrZj4bmh2Z z=U8g|_g^}JBXHIA6|;XeIR%QGRaJ=znw`muMQr8|5EOCixlT|vBgx|(aL0OAXY(Z3 zy}yx1D4KE?+$j4=Bq`t3&nETYod*GFwNJfpqxkZrrn%7`_63&1Off5(!5=keoq6bQ zhtGc-7j#+gTKIgS}Ny=61`gZhV} zzbrpVI^MIV^~^rRr!JD|*fD|4_9UQQ|BC!KP7Gww5ui<@mJcbk!a0(`03Ao!Utih! z6#sV5D8Ih%F9K#8*Idf>-<7BQ`%w`AAXL8C^^J`(7M>)wM)j@d33ww zZ~KeLUQ}>_$g>Aog@6bwSQcFC0=DLOoCNgT*`ql$Ip%YeU4KC9=TB$Phm{NPs^?l@rT%&uNvxo_u0 zWci(g(wh0;q3vNC@iKoV4^!Ef0ft1TQ)88u;`MrjzD+;<9@-w4A2sJjO3Hqh^nP#K zZ7apI8R7`*p#ujr`oIH^xCSaGP=9pn1kF_)&en!q04_h%Y70U(U~AkvgXIk%snEzPc`j@bO&KRLKd? zGm?{OuRj-5Y#cqQwo1ti>6x(w&U1Ttw~_8B34SM1^atj7C0cT{qommTeNspfN~_0Y z$WSu=+59`LJMRwx1W-VHbt3~szdLc*gHD|(XMLSeXopAh_pt=6Sb(fV;n&lh-sSol z9_#Ow-8f|MtXwO839e~dKPHoqR71S-`zD>t7s~{fi3aXQ9DWFZ*DG$Xh#xz+6W|SZ zd`B>n_5{61r4#v?dw?YI+G?X|4X**5BT|A-RaIspGD^7~teBgNsF)n1YL-Vd)`FI) zE&qdhJX$O_kw9wHyKMR>TUqz+fi|-V1Yr6$?x<6sQ7LeM@{)9BS8ZX>0G~IQaI*Ss%8h@0S5ny^M__$;fF{fw81bXPIzaR6)A6DV#Vj`d=?FNRX3PA0kC;OQ9JcHf$p-%HT*X+ZdN==<;3NqYTW2&{Cn!L}BW$XyG}$}ffE**(b&c;w=&0oAOgj_F*N zv#*L&#d4lv)mmEPH{QPBLhv1FXA>#XJX zAQV3?B5yUoYy15Wa*a=$GK`#~pX-T)pY^I4i%sdcq}H+ZI3Yuj*pIGsCN#cXZIN#F zhKtT%b>ZxonO00dksW>5cW72R@ZMS*NwqKPG0NEwqn94TD$4Lzs3X$A<%IY~8A(Z| z&ome{L?5`qRfZ>)-YGV@W~pvzi#F`K@YZ~-Li(0Fn&=6SS!E6q*M(C~ZbMfh+hL-R zf_0X^q)}m_iG^>$=)0}oB5Y$Uv}dG!SRD2c1UisHbP!s&$`dqn9P(vb5^X|LJbcu4@wKyRO%ag*G z^m>ogFx3c?sBTnIXxq@NUmkJ!!L*_L)ng`AH5_Zo%*~qQt8bl$1y<(RO}qj4v!%p=Bt+!=t^j^NQzFU{rE-0vRQ*!~s zQKn}^{?6G#nZP)3r|(y>iq+6omDb6Os87;K9*p*nKlqgUP5Um{hzq!%Zrdzi`bO~7 z`Cfz~^p&y1mHA39oIT1mgiBx$5?vv#d7x{+f7fqvLOQBYLb%2TAEXtpQkQ@A+H90i z`NlPi_-LeW_FN+9)KJ%O_d#+T^Y6IbpsI$AR6DRltC`(Ty}}E|r>^?kV0T`tUjJjP zQ`zVu8dKC2t}uZf4P)y<7?ul_X4RrYX{R^DO!&OoW{Vc}<{P}I>YwyFrY7O5{^aCY z-pA^k5n>NnFjxaLQm+G^gyPg|%#3+%@Sb)T%t(+kp)J%Q(k)J#F(h5$F)2omeUSSo zZ-d{OGqIHOGG;^q*mSay<%D+lDA-bg^Ybi*qQ>?Eoxs~KIV~HoE@|xq!TkQZ69wLL zAy@b8=+_q+c%m8j;G9~@lSIoB`GF?4o48)A1(=d3h~3gZ@e!v9dIiL2%=V8&{oq+} zKyeFW0n?P*x#UHX6J;*EudKd!BYgW)iY-|bG%F$ zk->mTPo=nwI6r%3xwlJV-+t-RLLpkQiUrP*d!Cn4w}vqX?Sun9G~1Jx%XPTOinL|U zH6dk4e^IY^#na%b^rHrj|Sq4x5uCdP$H0KBN=9bgx%%}(hnM% zgR#F9s$K6D*Q)B++Kfx(ZEK&O%e*6^o;H3H;meC5dt(xTNtLe-g-EMz(RS~hFojM{ zbSWHR`qtM+SZuE+b*D)6m#7uJ&+qsgF?Q<>qc(X%Fo)4aoaKQ49$kfBW&NPneZm^P zCclP&Xpd!&cF`VeEH*VVy}$zx@E-o-Z2$ zb3s17agkhH)Szw)WK+y*BF$pCDd*s9)R6egDl_=#)df?y36#bLHUTfe4C+|464}cK zolL33nJ}rd3Plj!oVA-mSso0%g4NZv{&- zwhLX57C@Rc$YMPpGuCwDU91H#b+v77*vsVg?HirWQ5bwou1t?P{_@TH+jnTHngzrz z@~~zzRlE+Qw8AuC8!N|A@>EmOI8Q3N_x9Pw zNt=tc`+4gBH4W*XX)J$xU02Jn0(giLb~BXV#f)T7XD>3TO?)k~XKO|@)@;H@*?9SV zQq^xSY=_Yof49lU3iwp~6JELi)2QpfhQSr%z0nEbB8XWRD*?M<2)6xMvG z=O%d9XNI7J6@;{bd!Gc4se26C$|RdJ)02TQ2}C@`vdo}=+M{V~cWk`Z>6BlZxy&;} z*XOln`^Aj}b_xz6FZ4iKOEXV7SFxv9UmHIeGOC;FHCt5SP-bzk&l`$Ga!Z0Sr$_NS z`-OUEiKFRSV~cH>$JAts)|W3Ri>MAwkViY&TOsGCsOMZ;9+AHZ!nF;xI4B8seIZSh zAqMx8ocuFq6!Raf@!!-2p}Jpv7GD9Mz8>5K7kLyA_gThPheiWiZuZyp48?`a%!tSi*XG2;)8D?sHe@#(X@d^i_d z^U*}jH)ykUmVH*0{Cw>CC&jxJhbI$MLx)x$WHeY?SzJUf+3k_7J?}Q~6PpvE29JUa zTeeQ~DHLTQ%Sb|=tm`X#PI}<$5gnZVbUv~;Rri(I+b!!YunDXoXDEi=Gn@cq7A08S zh6Yl;47h=km(Iz=1t)w?v4HP|l}tx0mFC?`p-a2R~0?O~B6puEZc1@FdCI zTh0<-5h7ioQ^lS#PVL20j$z*NWUtGfqN%fzrga5&(_b!T%dD~{T3OBP4BjK8I~q0` zOk^iPEKq%{@e0a-djPAe%M4p*1H~_G*vhaN3->n~0%`H2LTnhMQo`Mu#*XL(Lxf$X z-}rl7^S&0`OLeIZ-*qMLWbgUx$Nb}Qr)AJLKCDq^p&y`?Or%(&6GX1U5+mkj@60)Fwh0ujqH^^TjPG;Kn?t9AZtn-K10~h_TA#u&`Zyb-@U1Sl+;o~zetu@ihe*KOznnZW4F+Z?EfIq&==df(nC*~0apcM1Uj!Uk8$+?aMN|LqOrRIADF9`^oSvv>Z2w(so*~P(wtkbwb4jahSCdAe08aAOfxQu%` zrrsyjrjA;^$l0J5GOFjZTkQdLXX`qe)y6d|z`UBB3TDxH5v0!tw*ybEuXLEImq9g{ zmD0~uVc7Z}8CQG(yWi_n`>aaT*rr?RstaJoMSvo$aX&%gSfZS2i(|i?{ z-BOzyRF*qsG|RnuK4C;nNpCCh)T!4eFFn$@ksNSLVnek6ynYU&~Matl#4l^L8!2{F1y~lAB~ix5Tg3%>U%Ltoid!TX)~Fm(k5A(jAH5 zZD;Axo0{@H*R3tuEFdBv4g7U`{@J+*v=RQn=>I{f1ktUi8gCyIB#(P2cNRn6V30Kg=F=sW0SO&0PWmhBXr`SX;t zzs^|OkMD5$-6rPbDhQPy8il(z^h=f7KRN!u?%-(^@cC`PV3Zw<27_?s)7kpJQ>7mO zGgUB41azgFRta^5_lV_x;7+TM-Kt?#%D;LM5xek^ffe6wXw|v6qKQ?=kMAq_`Nt5w z|BuXs``fMlm97DO{Fmd`b_#-_BVZ}-e96nk&qP92z-@Mr^iu`93^I!Q07X2viXxhE z)c}g<Xi};gNQ90n)V=Ga6*UEGVbLMk7x$5wA+U9G|p; z+-4IbuQ+>Ys8sUE;UW2xKRDZ)8YbOrRCOEAU(*B+#x{`_j4-YnzZvgEg*1lR;2S8O z$PJZLil7V2FFoITNJ5hGC8qdZ&frS_Uf#+TG{K#b={(#OzQpVU`&=VDkun#{)n}$L zsv;RqbD~pX7a5*<2agyNXGRO`7-C1=qS7$i15!TR^b{oizPiC|Bp|if1vdVFnAGDC|o>}DVg#?eVtlE;3aO&BBZ&v_CFsv&(MQMq)A~}0mef66rvcw$snVp+QiY* zA?wjI?R!H2!`8}68R&m|wMbUWlvq<|&N+tbZjc+|?xNcP@6xEUMU;wjS#{+9#on8T zL)rKJ<0C}bk`Q7lqO2uLWf>}45?Mn`CD~~q%9ts8wkeV#MoCDr@66cOO2{_Cj7gR( zGpcbi%k}-ZuKRxO`+4r`{yz8p9M2!$-*No@avf*aZ0Gq|-k;a|wFFX%S_Z#ct4r{V zJ-SfQdP$|$(CSD^R~JtZpsfD8?%Nj#JJI_>EXfM3A3~?|ut7$ppP1S?6W;0VltY)f ziyADH%P!r#9^1*85=Sfshn{dOQ<{cZ;$d*0u0gWYjj_BD)Ol*3<6wnP&|Zn$>Lm4{jDa z4@Xn%8W^Xq4dvPKi;X#ZA6qcC`~u=og47byt6TK800Mp__2Yvah-h&fL6#qE(8e4X z#)*!0-3pM4d)I$N>ha+(FYd`bN?BcD3Ww4^u(I?Of&VL8(shh!-XB;%>tfcIhKb@ur~CLSGa@3@ypL1% zA~V3OX6N`shxEe+|6}f7-l`uvHhu4e;(J;#^FduTD?%0V)7d`rKgI3kbCT5{&0e&cgdSsb8-M{4@dzqz5x`13qL3TKvh#!g zR4ZEm>Zfu+r&`#GL$5CQx{WCRf>%@~q#PL+X)uxqPUZi&>*^<-{;9IH`@q%|zKyL` z90h3AlyTw>x+tF_uOG;Hv?$g#ab>nLmQ!w8^g!e#;U5oo(G|AVE5eliO4TP|9%m3a56%hZq3CpD8wNi-vgbCEca@~9(~ zV7RU`{XuET9=?s+!{&oj*DjXE+xH_pST;>*;`6{gwU+=m+56!KMZrR|g?YF)8eqWsNc6GCh zFtaUS!d?M0hmt2}Lxtq8x|Qbm zYK3&l?v?2y`w(^@Lp;vmY1bYJ;@()e@u#OoHICqf|!)evgfq>;~X$PpC=0k5UHx33AjUV~q+_R}L4069@Qd;=)|BdLvJC;kWjEhWt zRwTh)O%go>j;~AaR0DB5^YULuoiOk4HNh8(mTV%TpWKm6*m;=mD^=ib<)#jgM~o>8 zs0~w)+*I3c{2mBBYyTOgmhZ_{NHH(B7;tf#CnktHDCX2&*lE(#t#gcP`kp$90~kJI z^ktcPpuqMPp-qu+F~2PA2lUQ$(!)OM^4&U+U|(h|t-Ku6j$7ImRB`X)!>7aNA_7F$ zZpYjxbeXFPzDv)L&iwhLv~lLSwv2c4AuHFzkW@>RfiFMhn6y&orrkeC;dH|SYm?|S zAj>9HSVsDxIP_x#mPTULD!VR6cOEJ5RG4h-d1f|x#rIf1n*VjBQ4N7m6WX~b_i2of zxA4ULM(V3zdu^-duRe9X=pPv^;0p8HGJ_5UZ~gy5w&TC*ge2O_^ni{~>*+BN@-0&g z8Y1-q!ku%Q7~$G*h4a#+#TVxYU%yv-+zm-dsh`iM!y?WO`Ud)GO_>ZV*-JTJ*eMla zv)n0p?@i7qj5}m@={%Tg-&oNYzYivs!vycXF-!|u>$Aqwh9ZRZ5I~N8=3nX7x5`p4 z+r4Twdf}bfvF;C{_MX{-CQWb{o)@JESqL>@qNjM7IxiqqJ_%(C^<73zt7y#FS1vP& zC5;3O(oooy601np8W=J1$H-Z1tN^blf#Nz2}GVY-~)iY|8pwANiE`M z$ghAMn5!*oV#HTkR-MYNmpxIx0ucm*3ngFn%qk2ayfLF{bS+kOAPZr^dW-OY^Fi~0 zPp%CtYkttxY=4bjZC6iyBwEuGy?s=IXG`PFIM@&1W8X1VMrg&10VJDl3jznlTb zmai=WJ{Rv~NU%};Kwx~LU}u-7pQ?MDbL25ZgSr`)@<+z=b)O%X9QFZj?lvB9b334Q z+O>cr%x=UL1k4AoR97Q1<-O)~*uEj-_z#8C`xI{8t%z%{PeGdW8|*pIx7f}=d|?_> z1KM9h7CD{MLNRwOhSNx4Cnu+R*zILC53Zz7PV9&@C2E`=uLgjq=tMu@EqBuT*t`Id zOyJjHu{P|k3HK0VGztg!`NdahH zA7r`TRFi<9e(yeL<2u-u>{!}C;m_G=RPVh^Y|`p~PI4$XZ?FfxxB_x<``~4k zt)pyF^auFX1_TKw)OqCTd=`8#nd^x)OufrsLOBw~S9@(Q2QV|6`I|@1f4J8C-*iiV z|8Gbgrac(m@M{RuX1$eRlv*@Ar7t(@KQda|rI2*QC2SW51(Zl! zpk))ELC?j~$B<)$mU)`f?lGHA;nBqgxt34j2Tbj6iD;lNTQklby{GgwV9bQgI|xEV z(&E_q-x1XF0i&I*Cw}-4Dym}}&QrfJTp6052j@m^IK|F5s^of@X1=`XH=}s7*0aM9 zkz;GcBQ*^lqmZ=Y_4%t8zfU70&=PnmpI0eB6R6Q&JWI5mRuy1Xh5f2~?JVBd!n9Jk zF5UBqV1d&p0250vi|31`AROI+^+Z>e)M#T9-_tl$k*Up6H7(l~|M6i(yu{v}am{A1 zM-P?8^RorTn-S%RCd(KHv{nN(pruj%176O1U;(X*+}o8t@wt@uYI5Ms9!3twc8b>? zVOJ9p0g_E)?pz^HWL3M7Fr%2J6HXy<)5Cs_MS+>cO3o7|!P^U$Cw3~+Occ^2Y*i$` z?%BTKe0<*6ld}tKgMV3WG$s&dS%p9c0Ot#t2~1PT{o-@?x=;LB)=ZN7_Vn(|a_6D~Lk0x`d5h4!1U`fZ$hX5Z>C2YaRMB{%12Z)Y1#|b%?pUwST>o*@BvSRg zvnS`VEsfXWU}T_jR7Y{sJQjaq+yNEw$lyD+w06wPPuR$>LUiQf+#_opf2rH;wpPbK z@;I3RI)TtV2gD9tA=)`i)P_$;3>lw#>op{9w~sj?GcYY0?s;Xsv~t?$)WdV!!Oy@n zbfBlO9{V!gU!qK*Muz@{dC+{OOk<;}@giWYHx#d_e3@4zR)@0}T5vvNcf34_;9BC)7 zr#WY0`*Xy@-kprVjV&DHJlcF0?EFzo=~s}C?TEjoc@e@QoJg?&@SJn7+>JLCeeA&< z7Z~Zxg+D)G~UtW;oC5*q@>hmq^ZybIbJJv6mizOq;hI4GyuksFG10AbDn za?xL5%vH623GS-|s=9wE;tjSY`FD^b;!hyJKhJaf%TKvyD6tjLQ~zCXFz49!KYXIm zKA7e`h#3_E^*okwXtT^4&^!5uAviC#48>w%hR+;7nz z;XO5mZE@AE8x+5W%lDDI#Bgc2<2F;&;`i9(iQCNbc*=8+^hGu|x(~yNxuzELgs_d^ z0ZcfBB6PK{wUhdpIrRc4;u6ePtADWm1)fD4Dt%RAHkh`h{L`W)+!s$vFDyo7v>tU zds<X!*;EBj`)!Cq!_p5xnBtH(j%_1%+b5&%uN)Ale_vzUa`A|s zliiijWTmN}(wrx$?;d!Nar~ZDb^aN7;|Cg}ac=%4&3@Yt+9qijhzi@ncEJGOv)TwI z`k#2jMJN6frewv_f~5MSF|%7qSk`;oMzVM61_u(%_kIixYJHehP^ZYM*ZSy z^Tk8|7T^!$dnkNUcI);xQ%K*iPM~LR?Rc9Oy@B6Tsp* zKiC%Zs}l7mF7*c7TwA3sT=xW9FQ78>&Vb2Q9x+XYR)iL%s6!~LYMhVr4E4*&eF)|+ zvEN_|oU@seuDAMJedg^rjE6QC%>Ug3zlXHv?dIZ7Y>(2M%CcB~fp4&wj{UyLnLG`r$KyRRTEkRRWWnLb^OFp~1n8x<(I& zM(YA%gZM;31ISD8){Ug{e3f_81kdF0bJbZFE-P<;aMkXlAuRa_QjE#d5CH94TaqB- zws~7i1&mqJzo9Er5Z8STf6H zf5K61{ch3SKR399W`CF2_W4~AN^dJ}I&rI>-ep69)dr0xl;Ic8gqinR< z^^{(|I}ghFn_g^4k!F|H8Hy-hi1RIbFiRZDrNcQPuUu@K%zm1EM84+^M~(Ax$>pkf z-1Y01uOcV851KVyF$CR5dOpNWE{PsacuFckST+g_Ko}h$C zYNLICkMdHV6RK{Tq9XN9QB-Tm#nMg?khF#SF6+wsD>Noed}&v9a)}JKGXAtp%;@3E z`>W5jh(CoO+0J_nJQ#*Odjfy7j*3pxD!#)o^Okh^R&e04-wn;=QRk8>57`^B8f9AV zmwHP(Le7M>kt>Vn5RZ|ju z@NCHxc#_SM^Hf(l@+v!rw!D=6Z$Ek zg%jV!@J`+ISd~CXAP63>V z)lcmy`c|QTrfp9C==z&}7S1E%+aZgLXr*an5>7;aJJS`Mei=6`7`H;y=;o|f;-tjJ znd)fv0lkEDzmAv!b@KyJABw&{Jepr~Z!zS6Sx$%J1yo)WV5t#^X%wL)EJG6A0d#_D z9gR*u$U>1C0ZC4=P!t8rIp=l9Ew@Ho%PBaP6wcn3BX;wQL|aN5L%;u_A<>j)L2Yq! z0_%xm3U zjt_iNw>mnv5yg6q)zNPjU7E>lcrxrSH0d~VlF)u1c_!q^xLpHviS;@vuxf2!tmnzC zlCGpHk+Nuk2xKybYSuR%!QR%-0FE^(4MvP(=yAf%1|>2gc2aa$*UXPr-jt=GnBGxc zV1WsI54PaP5<#-MDmx1j-MKE`YKNhdP}f+E1h>Aim6j|)+HWvmR>9f20gpjpWECP& zCO35SGci^DD}1asnx0p%i?oJtGwJgsuq$nxz37ifsvTieh+ff1GfrV3*q;u6C&oln z*bn_$I?$k3;5hj@OB~@HOl6-E`mhq;C35Cd2u!1PGFxtJK= zq{AL!oHPRq6>oK%GP9$4@S0@QP*el$%!yY5JYB6bO8oBkv!01!QIgx$EodCKpmLB`E9!?QEzXAZefEZ_k1i&O=to<)SO z5%G^`BJ{kn%Fh}?!V8izm9L1*eAvOVO~HrH4?k{ik2j zGW6vsu4hH$&wixPr%haGvBx-*jnF2LY_n5!s~WJqTO4GZMqQ>F7x*#sy$DtAzrhlJ z^$C6Px@9JqLY6A5FJ7##UAm{Nvh$jV-$6shSwHMkkM9BF70K zq7|{D;SQju#q~ouZBA?V{c{M|R<=mefDysDK41OG{Nbyy2Fq_h+KP6=?%f4^#e}%}YPX&6EmOPV^s;AC^km z?a|HF3^_Wj&;}pPVQ()W9&hFJeLB+&r79u1<6xUkr!lNsGHPlg`;KXvhb`{+!-8Nug zEH?Y`$kB@U-2(Lh^YCKWf{g^>wlex|&8#0(Zwc4u>RvZs<+0iG8+yxy1uktk^wsi` z@X&~zS^Rj{CR6VFd+l&s=t*1|0uV2-j;zuK4qCD05L-GV*s`HQR>?ikgb|!6o{}2?c^ps>|G?MBlvD(&^XyLhCsdmb&Yw( zzy2?bMm1v}+i5milaW>3uij^iUnIYY!=f-Lgl^WgMR- zn`unN=?hRDu)uE(PCcim)G;YBSQ+n(jLee9S5|&5vi2NUkQVGFKeKC=qFk4DmavB< z>=1y36*IuGw)rH+t#ABwuWLOkO<%(qO19*?Xu=a)@jX%ThXsBx-AF|ueRyNH$LZ@* zK97mx&Rir)XG0KJ-q>KmnlX=$AY0jTtU_0_t#64gjr2s4G{(BLp}}79QguT`$&<;M zRwdQ_kJhbEgoFO+UT4oqN$|QE^e1h)t2n+vGG@_4`deWx6n1;kyUZm2gJf(IPvAFA z;TL-!o=Ljv&YD;RQ0HPZm$-*Hn6({1T=cmR-z{!y*RTvWB7_Flxb)lSg>*DA| zl_7kp@>)r2UbFgpE_K(_U-2y`(LcjE7{ADtB6Dm_Dn5e(7qXB`M;EyX%p{~ZoAFhs zX9ue6c~dMwY*k!%n-|W(yeNsX0DJ3V<~~}`d76jXBXjLL}$Tr z{x1YodUAg8{5y#F&jH)QKTD>}-ckz|+o_!m3RE95HWse}{jf3D6K_3nV7Q>r#k7gH zi1Z-$5%_=HEh#SCXbc#&Et7|#2pSLFgNkK}WROljDWY-GpU{d3Q9mp2H6f(x0n+{z z>)Om5`=I-m6WwmcT~O|XJ&J>^!lC^ROT7$#D1%-OL`RIfA@m=%l^_COcRS6EG?Y2b zjXhcFGai{{ik*=d_ools@8*4Tw^VbZ5t#^DOMP3xhuaX`L-1gFHlN1pK;rbfgD5qI zdPr5Xsso9|t|P{U_^*=&1AN~He~L{kjmqiMNx4$?)0>s>sS=1b>JH#QO7TghUg?v= zIvG0od(|3SPwB@`g9(<6Sv^(AFm7Sfn<5LpHcjQA% zsa-X5S025Nl?#*^(4p$ZP%`q~1~#0n6!NSAPIhD;L4H>XQj4juIgqYdHczd%LY%fy zPOObTs$c+<+pw}54lx{n*pi#|in*heq1GuQUOueiCV*4wd*Jd?f3E!@qoCMe zlP#@{y8sS&`d)Ae1SyqJAu?CRR)xeV5y3C#Hv~Qpj26fI3StD65j9)h0+T4E_iqLS znobmab(oiiiLL|G_|GCnS%)^A>t$n@xz+6LN5IHYYawiyUnNnt8L;9A0%W=);-AWiFm|?UB~&Fm4I4>iwoq=^jc=R*G1rxcmwQgo7~*nSj6+ z?uLG!9vt;cZRf(I9DFD9vIoUHKKAG3mvhNH;e0=QvDzs&ZrdG>PwwYX& zc9x^#?Cqfp1Q>3>yS-5X&?(5k-{ce-o~S7lS(jA8_Dgzo^+^vnYb@k2)?)|;P5%Ll7w)#jCH8`4aSFYmsV?aTIuW)nqQF6 zHPB2nlMPkSu{=ClocY;rr%sTS&#%x{8QFg3WnhTej+bsU&qUak#VvPCYxVT<$4c)B z72P{R!7LtNfQ7T!5jYB9#zdw&JCFiQP1bV{YTi;rkvIF`a1r{Dclw5pn;9Xos7U21 zgMX`Nl8%vayqDaz;GNs{hJiEZ)^(HzZ8jcpX@>Qbt?ez`4LsIDf#o!n(jmOfTq|(> zjFVXx|M{YXGw%%4X2cdOU}62B!Nc?KhFx4nSwZn+;GrZ?36`_T1nUf<^LF+RtX@l!3R72C ztyFsUOf>V-1zF*)^XA;oA8vy=ya%nV6%KGGZ4vH8;v_6{7n~A&58(l1SctOOxS#Y# z=p9qviwo4Emx00QNgn$ z!4L;f*7qQqk1?b$T_oSxf)S|%@KZp5Y(tsXx4~k$YChm?@b=AH@~La5>Lu)unHbVb zeK3f_gP4Ge9X`rDUc+ic`H{^r(Q8v>ABJ;YEM)Dc{j3vsz7|kqJiH|R*+FZj_vGrs zj4thKrR`3TQO}bqiw1Tk0ZtFS$|*Ls35+Mc>(qKyp*pR z49N9Rf1pBBjw>_O{+iO1E%dpLISf8`71KQhZXuY8iwl8MtnJ(XSY^}{n7}iTDFS+K zAM?OZ{ge$P6u-+4m=VwtSZP#PMY^EW;=YKez{ao@CNQl^;P9xGO0{gq?};+3tQ{)$ zl?zR@%Yd&g-O&&}>fhNFk=Oh39c)ON;`=h?H2(G4!is;d z=ho0}o%Y>pcbSC{xG!Aw;5&AObh3FF7>49`SAJH8`~ZHhSGA1Nu$pF(Tic=Oh$7c7 z7;nA@{8nL^0WULp48z^Fids9~H04; zF;XV-T#tP0<%pAa;*ON2n>~^NHbLy7M@4U(~oYNk{v??;ht{gt{jZ%ri zQF>R#ar6)1C8N+FC2djdB}(CQAZ9GSrH~}$jEhf8e|{S|UY8zUbjAm<2u-}FwUj#R zuZr4IxA_A+S9JyBg%~YoZy%?n&=IWSir-+cd2s~1!VW4VOQ}V#rImRSh>yDbf-aD> z``=CmjygZsG2_sC;JP4;XTc8i0^t9S?bWU^xuo4hM;AN0o9{beLQX-b95AxpvOt^* z<1nUK2X&)>sq6TP)|r?S(~K1I^Sd!?QRLl6HxGNZ&?Ws1tkSj|w6w(t@FGRlJ6$92 z_iR64iP=DDcfuH&?0#1*n!`P|(43lNyo=(Bk*D>*x-)<*upQy^CJMKX{@Px{3KfMi z8O{L81|@CD)HaYZBO?j{&6d#E>nSr~ZTEkxTA3Jtm=A5SmH4fV5Aar!0Zw>-b6PlCMt2r{+sm*l^ln8A;U&C;Qc zw5-6sV|Fq<3QRn5AdFef=SuV1-Q3ZWyNPCdX8Uc^ndM*(sj(+9RU-h*$RSOQV>{P~ zPofxSQ92pZ!Oa3%tA`&!=#MHVXQa-=&q#d87(aI$v47t}8xBY-BcgOeX+Sqvwu#SO z3b-%Ci8{^7ZE*J?6>+P&Uyb7vXrWlwK7CoP%;zUzCShCR_y832>$lk3ji?m%_Ckhg zh&YL`G)0RcuPiRPk#S>|?M`7|&NKIa)|?#@Z%uis!T1hK`xI+Y@BDP_YxMb@Wm&v? z;pKsLLffGXLt1gP#?)@e*(RE?NvUoaELIs0yw$A8lVqgVs)wLKze2$gV2vHb!IHaK6_PtmDnmt98Aj&O%J-{*-h zjJe9!@$G@hNuOoh=s5imwQuP@LkWcdnt{DGd}0&< zGEe6Sf@&Q=oTUT&2SIub&eQ=>Xs#&;(J{Fnu={zM*KoT7enr*#37xuD?WH1a`GCUE z{LpJI8*rta(gAY~JIWULHN-x|{s52|A?N^Ni8l*gMl)$%krcSqdKZL9d8AlkTZuhk zWd|42XY9RH$eCZQ1_W9^+9`n04MlM1{QrjCaOIT|>b{)@QxMBcLgAa2sw+oZbdS+?dA3 z<6vxA;3m*6v%jG!#j)&ZMy5VvH(aS@F}~wW%Qm_6RRnaXa%D-IaTU{i0WHYxA(U1< zAn92%=ywLLLb=m3Q0k34GO?OE;l4lfbG1x=+@Td@O>4q9>*dJT?*zoGO;ybL)=!=GRN3keAjPaU%~f&5Y1{x?{OdnY^Id+@(z zaKKOpz#d<_xySSV2K&~RS0GTbizDZ2_$LqiM;D7INICLXG4KbsQYjMoZJpNJzg-ty#bjtT$$sD_o@KS*+zT{hcf^`ivt zhQUxX;CX|sJg>h-@ZJ-1__-0c$8MW!aV4*c6{x2{kta$qWp7j4` zbO)py6AnIZjCmdW!ceLZJ5$#L>HN2$fCNkt$N=%;`0KyPUzF`7Y~TAW&z6edA3x?ZM0JKFDbol9z|i@u2Dc*fN$1g&pB`1Wk6;Mf?W#sL3c zP%|9@5w4aTNWLPWb|=x-#jh@^BJTLz*xoC#v2+7>%0={djz_(#4s@SXJeJXcqn_(a z+9*oE?Lb_^$+(2rSVwn|UnN<{TmH;EF)h3QZ6c@fs)^KzXeC$|PaKQ)e;C>Uf!?_r z1)I2W7Ez9EL55Gk8ytaXRm@{aC>IDc?yiOVUyiY2_ho(jl_`7YN$rEiwpWE8 zUBosacCtTjMp=mxTEOG6FJ^dz)Kg;a>xNP5ZE0FBgxU`JE^88aC!EYBjgC$@o#NFR z;f_;05w=LlIv2p)j2`NrBA%y_4fL3z;?jWPpfUkmBWGp8%J=;cJr$FLI+FL@ z$%5%>M^7tsG`SIQ{n^Jc*@vPx9v<5p*Pp+~g|2vjdmj% zb&5RO2H%d`0_(<%DUjzBR|5>js@?a%pf9u9=W<*X7*< zS}<8V8fEA1wlDc(U)x=Q#-CP4c7KUiKWvkv4x6q5wX!gTad_OE>r)kcuJDO@=&PGN z?>IECI2U?K%Vv>8emZ@mWHYPZi@dmf_#cVcru*YZEy;OFJKqleo=oj`y#ljlWRf>XW zaGSmwH7_zy&%BMTMAO2(_Nvo+o^}`iBHvZ+@aXtU@jI`B_qiDvDLcl(wwN{Lw8*GY zacx3;UhLyk_=BG;AETi~N&^U}mZzzz1o(Zm>i@8-G`URn5dYg(;lP;{Hp}E;=%P3v zhhmqILNXTg=6OK>65rMMxdP5l9P7K0l7ctQu}39a%KdQ8lBTMKqxJnYxvg(HLt;-Ok``- zh_-#yIoo#SSXW&c*wfjD4Tp2H)lIyF+E*f7#c9@~rmpQM zvutN1-)%i7#Br(1YrBhji-kP3>!hG7KTemYStNfRH_PkxP2@c3;FZu}JdhDGp5PYu z5%Qy%kn=i_JVfRxkSf4;ie`WR?tn^GEqTITYWz6yxa9FI7JTYQ9EBg1oRhe)XNQsh zCmtp0AjzZIGMsj?nHmZ@lTl0sY0B0HEUzURNZUz#RTv3W)pvZ-K$|w(-`c@ zk5hmD;U3RBFYD8(Vy0izOL{=To6Y@42Oy5P(L?Q0UZ$jVKkQUX+v}HbqM-BClEKb? ztFfukg(DTju&+m7)*5?W<>wU4Nt%8Qx($lQ-WBEDkqswH=lGQ=mK+dz@l%82z$Te( zmpwmX7hd8E$}EF4L};@Rv=kqo`(Ai4#7@)mT#jgj*^J7#v;Pk<5rr-}rHX2azFi!R ze^975!A9v1LzRyOg6`bdbHund*=)CB{x7+oyTCh-&LnvbdtSA-zgT#vOLn;SHy9k{ z0-dMkwLXG6r(@ctgrES^^bM(lK^CDG!Uranb1|w1xsuBY9({?j{pgqklLr!ArLFKd z9KQ#Ys?hvYfB#$ng*Py0=r#4t!l%qLdb-^+eC2-i?{_@YH{9n^U-L1fXyHF~Wd2Hc zS9(knZ^GPXAEveA+NQ)%Qq*?^(-ztRbWE(Kkl?sQm`}wFs&<0^LByaBzk`Dj>?#z~ zl(mf(#D4Y$Ds0|x%?)}v8CGmk^H~G>mfS+&M$I{Xe)_6e_9lr$(fHoS38|f@`QfmY zLcH_0zSsFxRBfOuwQy1{#8!FTF3Qt)KTVpxya7VQS}(zzlwoL#bqEm24#w3kqzY)0Yrtaz@WOp z&Z!FHYRVM%_!mdjd}ZI|=_=D_!wVCqwGp*`EqYD-m-_-r4rcSJRy1lc&ZU?(4wBP{ zFPv2;_VRj8svov0*sW;7<;LZJppI;=brD+C_6S~mkr0oTk||TUhL~2c)Wv-yT{;?j z{?rbg=jrov+59-65RqmXVf>ILVta^=`Jif0{otLVi(VTjt43C{)oZV3yCkj>VPD3M z!93z-e@=}R(}VioYFen7K-)<5<}No^l^Xpg$6JOUb>?3*Qpng-o}aMIMUG=AqL~9N6x~hFTJ_0-28s;?6u^#oh%7ZX{q8p z_APB1kVB)9JPjvwFVlRcDtiyL5?n{yV zQ>iPbDyh9hy~2>&Q)W@hPCQ&1#xT5V2UmFgb;GarzjkrNW2hjdq=1Bk>^5-s14FR_ zQle%0GBpF!p(4K7ip^g|SD7U+4y`2^M;x5o**d1#DBCs=B5vYm-bx>Eo;wlYb$xxq zSM`O=F}VNS`N!Ofky~Iq_nk%hxGOC5-uLeDR{ywkkEcN6P0#mQslBVbD+V%N3^VqJ zIz*>hBwL?a99ek`wT~hs2?;VIt_fn#_8}9x_{=&`QZ)YN0$YPa^EV678Ny|JVs75 z76lx|H-HF#7*>!EY!I{n4ipZKeu4;T#NtH&r4FX%hNb*tfc-uFZm^GWq=`{o#=Cuj zws-G|vp4-})zf3lyZ0BDJtl%F4tB|ytUZ;~;CrY;ujlR>C8w4T{0!Z_RFrMq9&4Jz zVJjv_<&jGte0fj32*pRrP!pd(8I}RMr(k24hji|8wHQuv@}hHxnQ7Lg`iWi1CzB22 zNVl9SHo4pX1G&)FGZ0@>FU1~8#tRI@#AaABIDJ|zzU*-Uh;&6A)!d#jnKuakfFQBBCy)i{TnHT-!JTw4wsdG{N@IE*(t z`u|ptiDFu8!*Nh1iqAQq#c9`~JPPL1qv{RA^1Q_gG{lb_ZZ(nf-(L5q*_wC%yM6=F z3O~3hbveZ++f&k|F)=Z*&d|f%V@oH$@ZRmEFAr{ilf9{B*ez;#5)^L@YHz)>_ESe9 zH5w6CBdTIy-W#2kNfMRY>`p4D)a83!IJjM+doO=rk<;%)gn!o|Nj=Dt1A)^t+`8o}^Fa}fNdyU}Mh!^7ip0MFzE}ee?HH=h z$fo2Zn31&~M5SVFiYxX1`zFsledgvsRA`yx0x=99vnTnex6@upJ6k3H2D3fkiW4P_ ztA2s4?OgZP?Y?lZx9S4vD$O{Lq{jK(RdEm%^fpBMOx^I$kZ)MiVbwtBRb8o>!Opkp zWq{}hJ8Z2DJNg`iHvA!ODrfj$dU`OW0jv}p0D`K%5zGpIc+f$QF7+|^8B+`e{S#pA z@cV#H0XUWZL8?MH%6|iubrekRLamg16HKmFUS9hRx>C)LvT2nCRIP)8V9n($-XiZm z78L_}_2IXVx^k~3jwtrr4c7@*jEP`MkcDFKzpp3_O0VbAjpBUE27bna6{ToIZpoCw zVRbd-9*=y*<~jy$W;pmZe;?%izh!tOSeZgbfH}})HR%jVHP_iE%H-smVe(C0&C{HV zhCV<2q43Z+2UT>x_M>BIw`LJ2MW-N!z{&p`o<*(k>39>3~MD(7ZiS zEb6uM*oCpChmK>!lcnukXSTfAe~`l#Y#lIIQ{iS84FFBlpgiUazG*BgTK6~r4GT}O zb_@`{iu(ak`}}XP>^LTnOGXqSW_XdiFpEdXeJnl4k-6y9-(Y*|12)zySzK1!alZXV zH$)6|z2_F}hSK)kU*H8<9ujB)s!4>tG^pKL;6e=tUVGlPct`QcoudmA$6IUTwYn%) zg-@<@aweNCc$I+pr!}dbF|9&~)Tm(^23@Igkev3S#drIq#w!bGO)Txca$%p2p&VuN z;cQ|Q|I9C|_#+&WTVuWs{++_&=5Y`4a}a~f`TQS5aEC4cSz_1sO>ILg&f_I83l{E3 z*FU*v0C)X+9=XG;B~uE_dbvJ&5m=5UX|wG6c@A@x=s-}?)l99P1-kJmhTe({W==8) zhK>iXWCWn9YS@mB6{2I{bzE!pZ}0Vjl0kwtaVI_H#E4 z{N|L?{bS1APAjZ>l;4@}rSis$_C-pmg6lw=^XK)O`ED^64|g|ztMvRsXSs>GW+PWo zgi;`-_XCTi)r3F3rufe<|Bd`st_$GC{r=#GT z|B}J+x5q))Yzoi!tsCMx0yZG(2>X?jA3D-umcWz-Q}W=^O+f-u29Q8M$6I6zH8x26 z=YWk5R1fBZ4F^`lB_MjfQjxz!z{Y$qs8NezJRCTuro2q{^e^&%;V7G~wfn03rBjEv z!g-swW>Y((n3|+wp)ts^881^h5ZI_caj9f5aQt-mB=NxR3zS5dt<|yZur0-4E}uZ& z*A;#N<=E2j@uVfiKBwU)qQgO{2P!lHLG;F~h}RIbQ+IkzjXmmX7mQKm=7gW?15lf7|7CAxbJD;0BPv)j@cF9b4aB8?;Q zicl@-kgifT6k-mmPG&pDcf4m?T?>ld6?`)%L9!Q+3PE}X-4(?3ga>W*4tSYT??Up7 zAU)bnTbf5~V3?qn-;y{({)XnS?!+_WCI{M*P95h|-D;LC5RmA4kd+z0+!XHZrh2pn z+#ex|Csp7gw33+yv`F@Wn!1QKG$tk>>ywd}?9)Z&(^lC#mr*Ta$M+XwnsqS&AB38x z$_a~^3_+9_e8_zq+hoGB{Of)@G|py}dZ1L=|LEwn8L{hUJM>mTSI%~!tODY@n2Vw>WdaI?Lz zTNiOmk$U<~RxXB=d>thYbpyXilLXC`XoR$`D7jDw>&jV9{V+7#NJ5IrXYMk88-G3V z7Tx|*|Cc6*H6B&iZUc_BfZv5-f>gC736fB}j3O;9QdL*z4N9B_tSEnj$;_Qd-RL{; zuoS83zZP}2RTD3N>VAjuxdET|4d6?2V+VDeK{NUQ=zs!!V>_`LtFL>}6=2b?A;jwi zu}@x`8gAcIkU(K=3xq1;d@Z=DyhJ>l-3i{0Y4kQk ziB6Mt8h2R;_S@rIB3E~IpiQD@`TDHfJ0UOd3UG1^515lA zw5g5NQ!EIJL2ppr&?%~i$>)Zn6w4^Icrbe~=1ltV?xldY*>R??>Oy3=C;0suJ3hTZ zUxDer0Ffu8m+5PrLP>RY@)*8DExuAjh=Xd_t7s@tAgsA@EPy0xkS#Jz<%ki4b6(qRkA~x(B?5Zca~5 zdp>NR^-Vjk9Gl!#BEL_hBllU^Rs=v$NJ5L;b8|J1@<;`+9}e|QgQUvGF&Ha zr|!|v99HhtboJpK;|t;e*S{`0^2hTgaCI=B%V62Oc2wMSaEsb#Xd8PcR7#z?Nc~uJ zgBITrT;he_J0M?PlS~Y=_J|Hjva>(Z6{%jb`;sA79E?VQmS|wJ($4MwsSC(98hqIxHl?F{q8>%d-xLvbTKh7P0RPm+k(H&y=2apuF>*`R- z8+JciiuDBJ2Oq_>BRO>~Dc^N^u`$|`xVVZB!ImS$0fg4K(Tnq|hr?%NS+kER->gi1 zN$|dL3?$#TBm~r+ygm$_Ihp;e$CZ5|K1g2t(FHL6Vww>hkEvyJ0Yj>w&J zDH`J2lrN=D5(1NZgn$;;5;r!&-iEuyI1f2@fMO!{TK_w9ohZ zY4B)$%y3{BQ!}2)@%IbuKYrc$hNAu@jyW8hKq|+GF!u%1Y}zno)qwTZLD;R!M|H4n z9ANJcS?z2m`ltB$B%- zTuK{KjD5^A`0iSSzKADYYar9csM{U5fMeD3Q-YhVr)o|kWr9cBA}qKASxgt zCDN4^=_(=$3Iak3pj1gLVIaltX6t7;Ad>;nZxh$ED3Qb!_+4LUOic9WhK&Pe zZFv_)tUkH6drwPP0NwfhV( z;n12v&OI=I1E+v$cB`Zp9T&auotj8Vw|KGzCc2uU1D04{<{A!^?=4>Kx;KUXU{u;d z_0yurWTRaWWx#}UjU7A<0fPP)!|E`a?cUUYs$wr=-LEfpolN$>tp6p%E;KOsRGXHB zu3C^l{@6B~V-0$2nn0p}ZS<5TMF`{C5`bGDei}c>v~DCvyR~xCO9%%@Z5f{FD|+64 z2+RKB9=g#ENIc2jz42kG#I^Gl%UXh?8BoguU@OtJ;J0AO|DMMR=4~Tn*s{I+^g!W~ zFVwVC_TK9cGhcXs7QR>}Yx z00XOID@e#Gl%!xQ-knp&7E6MBXsQ8<`>IZB$@lKsAw9a2lW08E;d`=e{Db6sFVzjg z<3AAb)YX_%XxM0$V+XZ_f z%**y}+;da{S_wMkAy(d8gdoJ~Y9kFeaKzcxS8zO6Hra}$d6VJc+@=`T*;xIybaXON zgOaHjsd01Wxl~cY@>$Py+?*t1QVoK>ak z#HE@e7APCRD_XS{Fcp+s;rJF*W%TrN=4|+YR6N7AZjTRB=TNJgXJtT$_e#n27!IL` zGbbeV1EFyvMefo0$J;Tb(LCAc5l}|J#H@htqhT#vQk^y{z1=MUkY_W~?lOzlPv{mC z?q@77nO^(b2bbJu)OE*bdUv)DC4U7vH8cmf9}rJOva|Z8+qq`MH)&A0XgVu-4P0Yq|FFh z*2i1b$4qaXjUr3dS)RKGwA-B{ON!Rn%<9~dc>JwHDb{JkX^V1U$jGv4p*g#A*V3f z+a5T!h^KOt;a09AXuw8+GTgyg$#&+g!i{LPm=XJ!hSZ0=ZET>xdTUl6CF|;M^kvAs z{^P^X>wDA>Y4+Pc71_9Z$AWfOi6 z6Hj;QTnlb+Yv24Jx9UyQCZj;aYq0>XI@IW}8RL(>hLWwbyuj7N)0(L==8}`niasQB zq*4E@!O41;eZU~!WZZnQdKo52bJS_=x1)OJvsZ!TxsZ37MQ*2nydW6zfdFcWPBfRC zfaJh#GmRF4tG>2nm{$j$d$>Bow^(o)OO z?AF6q!a9N2f%pUyiy-z7>+{3SMTsq{#&7{!so7XJ_2K(|_=00aW$Ba3+Q{6LfWnS@ z*C*I5yR0P2D=2HlbC$*uz{`si!x9e#O{kTaKwK54Shc+8@uQ+Wl+!nM8TQegJ5uKgL$HwEDbilc;M)^m@#~Z?sq4R^LlY#un{Q9@91b%Y5o%wCz&5v7s6I+%r@rd zmgEC-NzZ|GJ7c6pQN7nmx|08!k)*=l`o!el3~Ke#;^#twfJPj3I+p7|>>(=$bz+-o z7366olN_Pv+P^0xci2B$x4W{?Y_HadJkzP=?$5JqmbOgI?cZsp4dNT&gCKU$s0R5y zg~pSounYU%eZ}!srPFFd5l&he&Xk8c%lB()Coie!B z?z!YQ9;Wz6yRnY!}XuHN4I2~!AGFun#qi` zhPS%kW4*$0>sK>VY+Y#=DU}CKrnQ?M5PL@}9rcAyA|qKd^AO|cc#iKk?oxw!YcAl4 z=3D@N`by_U!CHP=gBX@z#)>Dtb=$oX_HktEv=whU+RW_I3`uNl)_at;+iyu~q~z7^ zhSz-Xe0t6$Re(NgM)gBZ{3xm)MPl+b?BmdlHke&aK)$^=quL!Bs^RQcGOFa2P~m;# z7Q*&mTL5!NkK@YEUnN+!3Pg4ya9m^j1i>Sa>tOlt1ME?!g*RATB$lA@*vLL`Y(5^D zvb*89NA0rHBN>Q=zFm*2%fL0)>yCs5ZE9D>mX3h}WWyy7*lW~N$3-0L!FL~l`&xlM z*$;#-w!d7kynu~m`aC5|4h`)oAh^5<(lP9(+^tIP{y1yjqjlpbZSbxYpE)fSaJJUo z56Lx5)#BtS$<~?<0bY9(zS~UKyVQLmC|&1Fx;uedu{rQ#$nomP z`O>6-X6i}uz#&cpV3CL3=Rn)*^ zHG>1YUrcsyet)s?MT!L|)%k(Af>AM76!c(400z^7r_$GVm_<#{cQLS+f~^jB;5LaW z-T0EU!|BkAvg;wDH4F2f1j{YCns74*_&?!zf;Q;Bb(4=g@exf8%Kas_0h;4pb=iKp zr=ko68%9Dh49*B0UW$+sd;MqR_K$FEzlxWo+R7yfDWT4d85Ev;N4u&aR+eDLzYdg& zXtL&82pX*Y#XLcgkWL(c=&+2wZ^ozYNG%sqGWc+Hl(w{4V$u4|>Eo$rMKq?R4yT z+OU>|j09cROx#@kg!&}A_oK(Y?ePv`ua+D<7iD3z(slr09`k!KQ#C(}xQZtPD{=S3 z3Qx^9vFEN4O#-m}*-E6QUQG{2lZXKQ(x;nQZthXp=0d zFyad}oVtj~tsqT5S>&FYU|D*yGz%yJo+9uZCdORNj!|#y-hn|%Je&RO{qLfo&P>x;RRSU0C@FDB5kTFY+Sx8gXk`uc=*N?n{omf?ho(bw!^L z;c>Qoai#0k)5^ktvkwHWF7h7(8wXON`XUom#o$4%8a`vBc?*x&R}_Sn^{2_}XTBGx z7CBuv_VqiR_;JWuX=aJt*%O*0YM;%5+XcYtvt)`T5;X~17Kt|L89xv*<{N>1wwxF8 za9mYa@VxhQk^cCx^1wo4PmgKW&!@)HUdW|b-CXPXa?M#K~ z2sXrd+8sTu!474fig-YL+py{J>+iGI77)GhllM%HErbn~ZAp24DaPYW=0*FD+cj1| zTg3W6!bIdDKV_5;61&_GKVxiMkTzybKr$TM3?aYqbxyM7W@83?u8bE3)*&m3lAqV= zRIHy}8vX>hGXnAFBlr0^1Qd6hV376*N-`Io!pLN}2$ZH2Us3a?jGZbkD4%jF3(Ztm z-#dNhMbn5*&)S<}BV7OkY6u0+hC`3ip8`z;W8~Ef_;@A>z^ezm4#2G=sECC#g<=Dq z9gb<|3=-=S2nD#ck$28MX*|BEKx+*L6Q{Zr25X7Pd42)aC({8zY^5mxT`DBKuVo60 zf@y8!)ux&RjP?h&#Jf}F3c5C;}j%P2A$U(8Uq`ouAEGHlpH`fLMssdF|_Q`ez z^f+uw1}>Tq$kuDjSZx04fOIG4-fGTN(cnJ$d7YDf`UTl5Rn&e{`Ls!C?U^Z_7kF?t zAOoH50j*bt)$S0sy{o9dz|?A+FdzXci|c-0T;1VF9r~keJ>2F-N1MFROEG(M?~in> zP%H$OEaN|b0)P?|W_l3>dX+2*(bG^Wb(q3&fj%qgE?eePD{)n*QkYJ0P{1K|x66p` z$&t%x+bqI2(4B4$oqg~W6)1R%VjV=u6Sl%1X=V99a!?DOJ`&y1p(3hsp(R5qlH%eg zZ!DUnSF=-Ni2t?dV5c6S9Y(D9Tw1PjXUPR~6x4VG=;f07^+wR`dLy ze|UKw)VLAs>h)-j3Yb1;c^0twus%z-G~hUcy2|%LYcc-exjdUkb}I2794?@`w40J` z3e>i!Yp$_HP}qe6@jwP?5G*n@w%v$P8y422kxHmOehsn>wF)r?IEB{S>i8As2XSTL z8`RyWeEYL9wC^8wO%YvZaSZuj5hEX-$1~%{9-Bh{_Q7+QH3P>b7+ zkD!xU$Wd;x=4<=v&`h%veU4FKGDkFmBtkp3dEJ&Ra2EcYg4i4^!lK4tS)OE42C|7F zDd@ocDIS^gc=Q>-^DL(ob&?!%mwb9pWnjXDs2AlobO9DZu_N1WdKo^gP!aOAul0Ng^>X##8v<7;fvS|F5X8?-(0q60LS4;dK7syYl(lRgGaz-V3pjE$f5>@oU_X7%4WL3m*L|4Jb4&(!21 z&f=G(Ae3Ke!~Mw>&3nr)q>lN}`mus%(Q(voM`nmO`#$E+fH9|SE_eZObh}ND{6O5J z0ActNP>j3eA3x-J(4s4#%r}|`O7+TYnGSq|4^CL#DkZ_e#htxhibWROo(VYg-_eS@ zgFFY?|4$l{UonDE{zDn=ub{O*U*mtkk@3gNPz|W`B-EEQ8oZ&Me}gIxSUy$nV)G3C zGa?BDf8)=M9U;S;+j%k6@-9Hw+>GU$=7l9x%@(TDrzcVDvD+&c1?V1R9K08})_S->9I75*R8)V}}~{fly)6m|sSCF2wT zG@kMRn$W+=#_|-ugEZ_GSViy&XauSOjX;OQ{~G^u2TA=oGyLzeJTF2@(!p4-q<)D- z0@lxGf+qlIl;ZqW?#th6dJ#iltl2>?Hd9a0xN8L<*wJH9943Y}hZ;4gWAfN?959YS zLD@t`Z$rdSU&=_Z8X#`ok!3K`uTE3Haec74a`RMHyTGXkP6l-I7rX%^WY8GFU;A^1 zekBW}DgZcO9pT^)#H03T%(w48*n5i3yzm+7)DY&IG&bwM#+4vS|A}S?^>m+*Jeg3z zp~ajSXi;hTQ`CYVmGWki2lnJ}2k3>*?;?bTcwvAHF#5h=_8%PNi#U2hG`I%1nJFr) zRKcrEM!F!k_sI9LU!6WI^nL7i==~!6ei4%h)|$UzH;D1SgnAqh8(%D&`~5m_M5%#G zEvTdO&3?1(@)xzM!u|gO#CR*jO6MtpN;NRpz@08=334;? zh*z9Hfgb<+>7Q!J)OpUJKZXck)RqUa`vlphJFxD*ED1ay*8BFSjQIcQWpRJ_jLx5c zyt|&@P$L*DGCvR{Kv50)_WS}i=jMDnFqvM0ug8KKcT=aRV1e3p^tIUdUq;GLJ^#lD z`0LS0s|AV$$rvOaN{)Z24&s7@k;uKBOUcK1$;vv0I4zp#&GWGMzn03K`idL2^SU$z> zXs>~qx*||jAVCbt<1?LnJkZTR!c{;H3AywvQEeF`?o{wPxm$GQO{uRHIWG|NBOD}{ zKSV!l>7@d;1QQe6V1!R)`m|u;GR7M6Mo22~z2Sl3P+Ga=s9U45{DbSwvIo$GmE{m~w>l}L0wah2*wi$${<^nv ztNufV%Xz6Sp$EiD4|-l;KwxHY4uLxDI`jxxjM!~1@=hPC+Mb19C=1#MZ*2<9a}b8ZIjfE;JOOBRMp@_wi3fUi*4L#&~>eqYE`>)L$ue~s`S2Wr7Oy`PZ27L(>62Zr ze(2l9fM3IOa>trYlc6hZih=lK^d9hmFoeDEF4H}9bibZJ+!YikK+Ra$fb@luyL1(_ z%^O_njlS-R>VV^6A$}U~Qfh0yb&UflfP5TASh11QNFbZGIHSm#oY~vVEGn zmQW+63489edl%{!=bH5lJy+pZdUL%p8nV~yI#i9G*G#;+RAZ@^%zzh9{}XYM*u33x)sVKDiV!U0mr`H1K6v(%g~eG>i77qZ!-=z)?aJ<0-%wxI1_#R^L<7 zHFH%D?PgW!H-X=Zkq)+Nc=5gm)-QQ!r+4gRsd}k;ifzfmKMj;W43&TTXqw<0D*!p^ zQU{Ry@yc>$wiPgFD*lRt1SgnMfS;U4&x|Da%_+o+S5}0Ye+w8*&?B^)_Eq_q{cd<^ z3F{*c9z`|I4*1YX?On1ktr1#II9*ef#~NwrWXvkM>m;^d`Ug^4Qf^7uDHf5{3WnBP z{G?R2ET8xWRY7TV=(lDtc}_5Y#G56!GEkqERukd!;pnN)pM%1O&8}O`etj|dWU#_V z{c5U(%Dcs7L5?&s8>1=$10FL=rb0{C>Iow1^~DFKGY)ROl#$BH3es9!itDn&N3UC9}tL|J~#_H?F@p9KLM(+K*Ru03J@77(oo^ zpewT-odbT?$Iyyn^rhR+W2BRE_O3R4}fr&+xPtl|C5t-DhXTb?wiS8fHZVVns-i(Uq*55O4nz>GdO*M|B#@l=ow(Ej#+ zby|*tOd4i71)mD+l3+PtuPp_G_r_@uFXLF&X@MH^P`Ce&IxUNKAc)V>sq>bkb_cG4 z4(8jKANFKl8;x}q%e&h?lFyG%BQKl>j#8QLVlCr8ev1(LzYDR*EgZsT&{)>Uc{?0W z)=ThWk<_1b;1BYp-$HFl75_(PE*>$UL+Miv^ScyU zQ2=lQp6}okw6HD@dZs%ls0Xg|PPut7!NuI57b_b!0N2N>nY?hhobpCeTd?yI?fYl) z!m>LOKi7u;Z-Br41M)5O1;dk-5ICeSLbl2}DL`97skpCC?$@V(FPHfJQYW88Xw?24 zb$ZP?;NA~ZOzE{zzi3XSPnIoEOK^*W9GI&leQ0?$Nz(9^IuQ?4p{#k zWBNBXj+={G8EmZJP!J0%=Xh_Jw)eIr2K{a?#+9E2K=L1VH|MLPdFO%`~1 z51Dyj67L4?-KIsSa2*lEjC$-V5n<9l-}^a643v%;E-J?l^Mrx3=OEp;NE!m{Y$ zl9(V~E)RG{KmifMxe6<=4mq7%_}W%gIm65H*Q>9)^B>}jH3vWLpHMuTJJxTl;w#)mJ&qfg5tF7zBB<09M+dkMsSz%w=ZB^6zA zgkbQ{i^LWIg00ZxAP$Ff_jU&%V^mEa_k1TQ*WZ|tds%aG%Tv~1d%f!Rfw4BGUi-_4 z&lDkF1vjW!QlVLKhLV0xDgqY}BE`D&DDq&R+FJVPNg3_0WX=&5mL~^1lyj_j7k;F< zxS-Kkt95q81abYlGelXQT_t?`c%JJ(KX$nDVzPg4`et3rr(X?6&XlN}RY-n(B?t@j zu4{~_tTt-->`W-&#qXSJ(9ImNZh26L3StSE-z*DUCv{Xl;Cz&yNXN>58S>ip_`RCW zx}#SrM`&$nkx`fAG0M!4f?ak%Jd)ZzG?+<$z-i zI@Z^8w>Cf*o$TJ9NGF=JHeR{B3Y*zr3>+?F0)PsIPYT}jVJlG6Y-U%?%1P{sI;o7K zi$rq4%&PK}Nvv9%s@Ha$V~saNkJWOn>s9oP&rUyK8;wM_c3tBL^!ax&K1!5G^Ys~@ zeMebAbFoF={qDp{$yjA~W~`#7i5JHsI%FwQSVLdX2}QD173wMSW#J1nfvSXV|>7reuWWBf_|cuji$Q zjy8G+YK*<@P(HXWME$~*hoZLT?!GttPRURrLg@Lb~3HIhgVVscVZJb9wh+<94}j-U@JaxL~LXQ)NPILRFEb`&e^L z0)2LHb39Fsr`^j_VAj@K+SCM`TCPhbbU#hWO)kG1qUM-)p~CQR-;HrB%a%eymFI)4 z^t~57`ilN{c07TUU4Qz4aBD78;lPUXzum zr)Cq0I-muuJPG~-QxkgB6EL?xjRWw<-S8%9b z?8~M3&Q**&lbsUTbBz$okp^#^n=u>dN`RywFYJ3V<8#j95M-uRG74wq;HkDA7r%wv zOOb?l6PLTTnxTDGNVVr#$>czKD-y-Cz##PeyN-ZcbpXhhUtV5^)9Gw)0@#}g&Nuy($p>X2%=(f4ug=$g- z|AI4HwGt;$oGU+-e|ue2?+#RGU5WbHEf4B_g=0X0M*uRK_NX6>oCLu;+Nv4dk_wy% zAlgnZcX>bZs_yzk@4052Dqd2(BxX7N%yYVPDxl?~`XND&w@`p50fN$%v(xr;+Hx4( z1{muVpxjAMDfY|sK7j&mCf@H}<-3{B>k{;yJ$BgkzATrlE%ex{zmf`TU}uzoAidGd z3`?su!_-{%G0b3}4}=)R(y#|R^%Y86ai=&v&vb^ZqYSeLy#V#FP-+D`JDAhWs^-b3 z3dF^@TE3X_xj2A=5ujLR?NK~eMwUbCz|BuBGsX*8XN~F% z)6-!ydP&5>teLZDKvoBk#i;)Ar4WQ;o4R#szHkqt?$0ZB&lz#`)IKgB}Ao{8T~+jqP-JHAWwDFT!Ix!u;OQ59I_V3NMf1< zx*h?|m+M&X&Blt~-Q=y_=C=Q#)iN2YBX6D@&9>xJ@vjll1aO0J626c#0t~EGT!8DS zn2jK6;jQ=fnA+3pF9&L>_%zp~WtUk?j-^i0-3{uJx43#qCAnx{s1|!oAqo*(;oBf2 z(F5}V6DfwZA1y{$!8S^&Qz` z5MnoYmf-nUiSKD3B?F`!r7?jdfc#$qyO~RP5>!;zvHBti-bHo~CKZRC1~|uaceTGT zWcR-+-u&jl%`uB)+}Pu9=mE4q{1E#SCx}g%e#bQ-zC@J@NF(-#Mx2{#2a6S&4UO+j zTv{+|&CB|&6rDk<4R6|zcQbe0nxDup5iDrS8x&&?5j zL}ly>$lonTWxuvIKDYYoz(Fyo1f%&(sqH7W_|?!rDU#(daTrw^+_v3ZxfXwc;oJns zZT!s5-%=}ew&r;rosjQkwH)a9XkX(p6uhe>XN~$2NpRce5bGeo%t!&4GF-q#fwj-V zd>KBV$=nnUq~lEkaSsV5y}AY}YVNPqKTtMXF}HuTJ&|lEcg#rUEaGVO6@o4JX7vEJ z6$qU|3k!xZNU+?Ht{Ov4xY%LMZv9ztcR01(Eq9=5NG;PA~<4ON_&{ABgXRE!c%* z{~*py0@%t#!JhGAo%yOCh(4S&U|1~Z8#w$&xB%h&tK@#bw-V~#B||Jwc^7}mriCc* zWW@ygFe5(v6bBh-qJ&unKF=-Mmqb$kl;GJS3H-ON05>x00BU{<2=S6Rwx(db+^>xT zk(_WZ=!GH1hr(Sq4BFLWR*VQu{P}G%s7o+o{+J{bC!hu+NOy6bI70O2fu!!u2ZHTT ze+ekySnxQG&HL#^{uU#olm+}v@cDpPzy43}@IRD?_~XO>+qwyW74;thiGN!>U@@e! z`1`%dBBKB}0>aYa5Xe%!ouDqr{v+1u=`at{$}ku#{H*<%KM;3!f?oUijn9J^?hnLh zJf13O4FgM_Z7wBlaa2?0cSb**om=GlE>O+K`V+upO3`5gNP*mUBwsV7K^ug`J*i`& zC}HXcwt^t{auy$BI$oQt#-)bE;Q6pHrWPu@XNevZy)f6W(2f(U(z57!9{lUY1iJ}i0)zqwJ3 zA^Hd0ye3qM<7dy2FyADNuVD5(_$k;kj}nNB07jY)t{l{Vst>FvlD$(?asSEbKO6ej zprKpPUzCgQAc1|@hXw``Z#KW^wfW%gLVt%vww;@BS2>%Fm=EQNOVn zFMekjpa6z}8W;`Ih*KjJzA66v74xc}K^vd`TXY5wsDQ}%OB`mvPVfvD2Yq{Y&Jir4 z>!C5Z-!UY=V}I@sTrrRN`PQT42mpu4TwI!PL||U`18rf0t_1IWj*M?~+X4uzy0Wsv_!b!5XBwi8!Cgj><3gZCLg8 zJ0v+S<3EsCLe}q9JgTRT3)yye<1)WB2kjn7q#esKy}pC;iVSPb@m5alPNkcY6)~Z224}B{t1d3hpZMGraDvknU*nDCDyJr2C6EO-~DS-aKBq*U z7;sv_+Sm?m0o>KU;2ZkJ$A}=P-Kd8dGX>aH^ujC)jOcyo`a%mkzyc=r5@NYv2S|tc zDO7qkZKe4-yr~^JzOryNPmgYA;>DfH!W}y2?OU3Va5IF^leDX)y^?ShJf|F90@0HI z_{Z@+Sc!w{c{Ele&llFt#iut1AA0iT48cA3X;sFvglb;pZA`bT&~_|3!MP5!#2#~; z8joci#0*T)9U93X@$6Iqi_tTSE!)gZ*`g%ok)F@G-=E#v;&=~>;i zpl?6z^%6RRg4IqHv(n}mxS3$kj_+llRudgZTQ1O?sHrcB7(pl0q&=ufN>rOS&iYNK z*t5=XMqM(c@p@UCm2J~?WRLj9M>gF}Wu{h!-W_VvH#y9#KiA`*HsPO_LlC+CP0)t{ z!r_$nwV?7ic*dH2rt9!y7A^c+IaFwQZy>kNVYT;BtEBOw{^Rd%guWKbIfzC2(O90d z{XRS2>PK*Gh+Sk=;1|__N8*481dq~5^fWZ5B=m4uLdW>3L6%=Fp$)ii&X+UQ639DzO*;iu_ z-zK#ic>!D^&y+>sp#vlwqCK}{aOtQ>sETKStJt`Cy7FSc8j6gz#1pafvzMBVJY%eh zy5P|_UCRDs&wl_G6RMD)ThTf?zgx#Nh@pbv%@<@Q^|%eyR_)!Xk# zEyU?rT>zi#RL+y%+y|fUP^zocsqT{%`Uq8sO~I|e2JDAsFn zlx8)z64v1%LaoECOqGVCN#{B*Us<#T!^4RE8AyO_-UtVC3RrztDFh>LrbO|s)fHj8 zCNwiv`GuL~$c!(^YFpB*A}r+j20Zzs)P0apEU_H<)JBpd0_Fi*zFwnnm}FZN@c#cENjF_)E>4~P!Qo=PCOf%Uy1fS(Q)okDCGX~vuD%G=M6Yfz?5 zT_T#ohr$f1s=Z1kp5s*SJn9^^H%Kj_e6m)~JW{>%_{VjF5!Z#j<;jf+#QDYMiuhSh z3A=qdD93N12`+r9s?;4+e}>8IH7H9NJg675)N#3l9;v*6e$e6ty=uRiB>*_=0XZrw zi&-b&^HAz$Wa0#I5OAIcrH=5M5j(8helI(R;+uy=aaok%~nZmb+1qnF^T6TnV^AI zzMTkJ=h&TG|M69z7yy`F;RKQp4f5Z~$|77O*l{YjJ0dGlrD5qEZ8O}4u>Q8~Q=SEE zg?3}3W>oaTrxvnwZf8CWSwDG8NgLSGz4};eUf7-Fw1IqKHLb^YBr~*`S$2|qe{ z-~_a6n4k}y5F&VIe+SOgwR(Yz_4Gr~AO#4*`b5!e86#D*N8 zm952ezG5x~Bags2>_cseP&9AH-Tunq(&EWJJITr$5_7pJR%l=ZjpoUwGJ>bom=pwFxRol}po#z5 zf|V%=T1L=e&>{s2q$3SkMR#rUH8r!F`AJ~{1kQIGKaCq%8hc#+<*w!<13r0Ck%Nu9mgx)4zIDz3rNEU) zuxk5-5d4tgJZ)w%TCftQ=!y3_jFZKm2{iQ>au1{#P=L*hlJBe?yNN%odUL|{5BMnP z;)59*5C&r)6zcr@9CxI`5f6CU9{X(BdQ8c=ggSeEUf3t$f}x@S^v$PVMq2EyeNz6~ z8HAN0>hZMT`e3F6Dv~Cx53RIk*k2A@)lxcP^xVWRMSpK_V=tlZ9jM&X#_wTk<(&&)YmZd_H&gaf=PP zdqsOvTTM88e#JNBdo{W&q{_3SyVIoIo-^xFmV#G3pHtQtO)8WQ=<mil{hKsJoE{J3i)1+?x=RW&Cy}U(lPpp;7!a4BntzuyKmli!Ix2&){?62MR zpR&$>6X)b>Q#u_6Y6VVVi$!A7G5A7Y4tfH&#p95Rp!8AH zg^;~m#Rd?(`3219?LQ+SzlUKcU@LtF${2tY3YmlV1WWB3w;a< z1K$Haz2CcqpVB;wl&>L}(OIxbk^u}f$QUPx6d~T|`&i9WNEPe{nCaz<)SfzU(8d}BZOH!($K3)&{7YEr z-y*{NqpyDj;GsOw25TRzgX7(^Z^gq*HcYE2mHTce`JMD{88!wj>um#D88F-2JZz#OKt$$s?iEFeVQdE$iPi~ zyZon5H;)uZYy}*NCJZfpmQgdBZ(CG2_2L(29|%vq_$dq^&I5BH;v9AKw%{F=6FLl{ zeXsQ=`SOeYmXVUcmOSGQ#!3B17hib)9poGTpDs1G24D3m^!$sU70Yq01VJ9lpqd3{ z!>>>O+0>V83NN;%njfKy`R4AF^%q?J17QXlHt1L!YSw~}4t!gKy?g|v3-tBBp8R7k z1oWl0FqkNR^}rjdC@Dk`BzkeCK>|b@Y8EkM4ywv`ki~xqEc_o%NBB<+Fy$2n)SC11 zBLw0aKM)=QkQi>ldqtZ^fJ0baObSp)ZfOvL zTXP1mc%Or?t#QE0;WkBs7{AuKSC_ZRNflo|a?@p{h1%Co99@1f)gKZiwgHkKic}+e z)q$S7a5B@j0<~taGeDM7|T8?+R*n8-J~=ibJByGwdMbEY=((~~<$ zA-I#f3pnM`VB-Zka0+civ&RiA2+Z#AnhUUrWlHZ-(!KziB(3A(kvB_8A8q2=U!H2) zQfn>u31V5J2O>s5u)c#adks^b{*)A3PSAtTaZLz%tPI}4q%d=uKnA5a={Rw=&hYHc z3rd+D%6B&7mP9|ESbl_0pQN6`NZ~^{Gp;wmkY7fCv|{S^ zaE&I@i5e_UG2|ywS5qB1JL5KMOFFqJ?p2ax!Le;E?b-JD*;eu(m-8JK*n$JMk=h+{JI;NQJ20CjLF`3#Q37$(yC7m6J(# zf5%*~te*csoFNU+o-j--F2g8dEK)?2}lf@hZ1mZsI1#gX3&x6mq42}C8qYcit22-A#>hn59NbdW^wcPoP4ZuY6FjXY7)GaG29 zm4(~%P`L74-_nAmuf;&lp>Z4JPaedyV5?5ma?N;_Jw!8n55w%!)%}(CcvkQjYa4di zq@q=+%8Nakx4QH4D(gqjw+PNlE866_5|8B-iV2qMFhPm*rnk#fSxXSEb@l_ zK*-hE-t#kG{sw?`KD9U*W?UO@KJ)}1T!1LrDsf!;@D;s^gik0B!Aq zr!fPePX(H#sr%$>0GEI&&m`5REF8CGYh6lcVQpco#(?-~snRR`12&>%RC*?=RJESF zocQW;`%{`UUeMEWXfoTpkGHEPGA+AzLebxdbpFw_&xyTa1Mb_mj|0&>AC4Elj;JAM zfml1S{c~3Ex&Wf77u%WHOJV4s4tEo@HS2?OTXmllbes#p-QR6V`=EaCW}Hy7Ny+q; zot)YCQ=Dr45SQ?c$2Py2xfFMTFGrvK6}Tz24lgiZFsCeTKhp@Mu7WZC^uBX z#cgBOKAoixZ8U7oyXaij0$-dSGbc}F?E?%A)Kc>&+&xGAvQ6M4BL#I{bX1(@n(n26 zc>$;a=isw@b?#r1v67j%hwp#H$3Jba5_DmgW9a$DJ}rsbE!fInKsETujrA(kXY&OZ z#{h*tPcHTwJaJnetMRUL==*b$*9nWNsnw@eYvDR9P}#tt~sclA3;nzs+`8_Ckz6LGlwomy4p6H+tdQw7Q4(Yg{3!t=Yj zjtKJ9a;;{_+e5*E?M^tw&%20(wWF_^ivi#U?<_kl?>^5A&H|8^j90~si8S`h)T19J zmsO8`E|~i-y0B%*{yW0!{R7Y=!A5%B1n9Sl&T~ z$0n`?TjRHym*;i{9zRY|zph?Zd~bNi`J=nuh&*dviQETo89E{j2~_Q zTn3;=^28=8c!yKu0YJf1@`T;@v?dcC@$9QJ65(xrGk(d4L|iMLS)w*%(yCZ-PCsSC z_0!77coI~2itFPGlJ)@6E#3~|Sm;)yhzmihvV!%g4N%Uj_UtczQ>kLB3FOQ|!wh%& z=vl>;lhlqMIZ^yviI@$dqTy%p52r>z44Z9B)OOj7DaS?`=x95Y37&@yOnLae_G_}q ze93?66!Xkd?Ahs)(kVipfVoUuzQ_U6ppCcXGgE7bi4VsNvn3FUfh_Td}RgEUchycr9=W z==b|TgjsDQKBVGtgGdLR1n*|_xD1)n2K>S}$%g#AOZjPPgTGx5zC?LG`@Tvr2vWYF zT8-HWAi)?{|huYjahtvJdani7(d*Jo}V|OUjkdfzL zl~|Sdav9&BA4xPI?BnN9y+~1zDsdYRqbkRCh_737{9!;g$|X1P^k>aTkDHGBYBs*2 zm)LDMwmM~bi4SKzKcN!azmMk=-Kx5+lr4*qYtReuG>lqZ(IeA8NZW&3U4GqU%gyxX zJI)A;azR0cGe4E;kBcONtZ{fcn3h#ggn{8(o>B-`7e=~*3CyEQdZL$5J(GE{+X$E^W|x}0@Pg9`6RX?0H>njTuX zMy}52{^q&V`sj?4$JK=>Cl8AkMoxixFl-ZA3myZfVjU0iq7-s{|~vtFB!cj>_aDNnF|MRFaXMhksVmqj<4 z&KXg`FdX8{F$A->1TVHk8|{7Rq$B=PvqOu*O25}fS1EPqyiYzjwnA->)20??J(3Q1 z0g;1h99{6)vS2-qIOr*VB~qg5a=4XVjCEmQVhsRHqTg?!H@d*@A<3+0=0tMyg{9Zi zym30N?h>zMhK$+(Xo7+TL$r#tOtuXjE8W}RI?$+m zYAYw2w@Qtp-V5qKq5fT{{@PY^lXCWMHk{-B?&RB|Z=CAHZh;`+E-LNwrwtkd`$N=B zFH*?nDA4rvnA5bYo~zl;(*<1Mg*NW?Vv(nRAef2J!MB0mTzJ$uq(_F2#nQea5 zQ&5bP>iTyEsOcSs0dL%kU))l2(A!eJy!~Zs`wRTX3VjN!HUcEc;CYrcgVY91Bd=gk zrh1pFsZyJ#ReV_4)ZkTnE`;U1RR4e2d-HIp`@VlzAw?QnC^2P8g;cgeGnJ5>(rRZa z$rh7RM#hY+Wt$?LQ6@=}7_wH(G{%xtvNL4HhzgS#X?&UGd_K>)fdaY8gqt>(rwANtM4nIB`g^gjMplyc*Qo;u!`EPJB z3bQ&3Re8RKByjBz7>rIQEEHZ3?GKH3k61Xfx-a|6SX^wN;(@WlXU8v6%j|R*YZ zW%^7z;$Cm1-iV1Y$d`K99#l9~@R4J#2 zs2TENN#WadW{yQCh2C8KT;(EDlH@0Rj`V>+TZn9_kWm6Sx3a&91v26n(7GcGX;15X7q|MZIb0-0>5m{`Wk#NWsty&hwS;T z7(fMG!bB!h)@Q?Ef^A8SK$nZW8EXh3VM$o`XYcxuJ~c^Gy*xtT>EvT$nM`_yPMYz_ zPuV;)0nV`_Dm!qTc^5e~fc{BjxDpUHo~@0A;EfvFKYkzuJsHe_l?~CtrCSx{^$*S@ zOXsR=0AniYqE#*YqficOnnoE!Gh5g`4>5tfC=Mm6uOZj8*HEC)hfw2YBpuRCTQ@sf zYj@hZmZ9yif#0`HX2ba?OA=2HSg3eWFLDh+P1LEeQCL_f%MEPIm4uKZJ6Xg8iX7QM zusMtRvgXD{zW&URe?=q5O5!<9d)q_IZ8Pnt=WF!FQ-F0fTeS0B_|)7(Q6EJX>&ZV3 z_(YwGe0@po0^M@q?O<5c6`63}o-Tvw3&Hy?kydfZCi=#hg#Q`0-rwzeO}X}1biyneBV z3x;XR3YtMC<@#eC7+oVh9H%o2N zl6jF6wJXGn#3BvSsEjJZsX1;0RYOB~A56C+0+Dg%W1|6ZMFebOSfe7tI=?V$!`y96 zyX_wGsuqdyyBo5nK#bj=-j5=3U`FYm` zVq(vqO1YaTp3F>7obPL7a2yDOW=uS2w$%mHCyF_|cFy$mS$xt$QEwd>`+#GS=ASYi zS9WM054Z|j`wpg*`b5TtKdQYtdU>1}mk+WQee6_#H0?mI;rKL5w^7#IFojrQ^MZu& ztcx6Zues%P_gK}Tv8rw-`YFt4SgK?8u7dqu_gJ-*K?V;mB#Qt#p{j~>aNWepEWj|^ z7^Vmqm1uzrH8kW($ilYj<1wEqS7oYCCf&X{$@{w2{L}Bu=fC!?LOJdS4i*dWv_SF1 zsMM5W9`Nrpd#q(&G#NIAoouOzdidz{wx(I=&gMK&iGgEAaFO@1E)M?G}h~ns}g5qvHWz_L*A#=gZsY=562iA$Q=ZX9cIY zuc#=_aZ*3Akx^0DU|`nbwWGSHE<~6<0@NfX^WBHPSnuCFS)F)HxxcM;UM=KkUGSTQ zLeOoi!}k(_+@sVP$cOKN`-ocyC0xmO8~8S?)?H`Dkqy^(JUvM1y;<4dq7T##wp{qP%OMY^Z z&ei9;H&rz685ijWX4l*VaK8**R(SIYzxM^Xn=FHAnBa}vKG|lR?V0oH)&ntn1&r9` z*Q8>Q452(PE$3gvfl@E!+$X7KQxUw5+m|rtklb6>h&9j1drQ{Xrfj4?7 zOycmC9?At2n7heE-OSwT3!JQ|eB_grt?1q5%_TbQd&-l>m(Y#-S6d{Oowf4TTK52! zZW+Xn6!p;!0o^Wd78>*BKK&t5Ajaa=>#QFNEPB)&Dn8}=_jY|_srjIE&m}(exB0eq zC}GdpeVQ$7Z?2U{`Zixe^Z@}}S#%E8R`~LnAm}W4<3|(=NqvP})<5tSIbeS0qkEvz`t8n*Kw{M91hOcFJ{oSwP@PUuzPi|;=faJRrV?uiz+megmxy;NXb zD@MpK%VYxh_v>05wa52YZs0t8IlTtl1^q>SX*$@221+cYDuK-p95uX-Q+e4@caW^+ zDAp3lg2_kTu?q3^ei|UNGu7qnZ5y{O-r)zfVr$-sA#F;=-ESyd`8uJB)4YEmD&J3i z%LD0`ymH?Ww!#low`=BbbFY0;{HfNJiLPacsJ?N+RM8VW^#q0a1Ye=kCs2ZoObe7W zQL#IqZ2ocL2$JTY^4i>!ml1TvKipDod$Gy8OCBDrJ7ecl6dUC>Jk3?YWe@FN+YJk{ z4B!I&FPn9%3!fn4a99lJJhtNFMehJDsnisWuYjl88WUGyRr*Za+wQA4aA7o`?w`{u zsNt6B9`61%(c`-Z!VZnC$K1bFZ3EL5Zx$>f-(Q3;DgK21X`TU8#W#f*G?6$Lz(CU9iDvxmFo{YTBOT4$qVnsCKxyV_+wd z7%M7yr7#1bgq7rWekH33vjvgx8@YSk-VJ>UWYpe2umAN;k@52nGZk#T%-voY6L2LY zxPB}tfl}BAirpGC+UD+w9AR9)!d^Z}>vS=4xVCUT_F3_ki%%5ajvY?B++7o~k7k zG>tRAY?O@g!@XOCd`E#tL&;P8*oynWlcx@0cX4WHZ~{V$(;kByfpe5|BA@=!u`*Y+ zwBXf^Cf*i>ldCrPe>v>h_Rh3)8Yj#Jkse4{v`^LW1F=>RiBrhC#{u+1TN#O7mbF}B zV%@SLjDG9Wrl*enV}~>QSQm?A-rjl>cJTcTUg=OKa---q3d}w{&_IAR?HLS(w?$YT zicjD$aNW3VomYUGE#-A_$-v+nt?F~#Q`PSkX;&o*T+i(~FruX&`{02rVI`i5TI8C( zNhu>Xpb~KFUUGWx^Y??!Xs_ z&;&sc9|KllCnbOsRgF}k1gqPRX3&1r*RdKzS~m?JvA4+eV4fg46D*kI5R_jO>l) zehgB+kEJ^0TKm~GzmGAf&^_^*!8rn>cY#hVtwox1u>1sEA3}rslhR<(+zp&CaTz4{ zHQSd*jeEGhT*9c(3R6A6q2-`zFQ^{r=_*0)EBUZ@&WRr9wM*BQOWYqb-p$D-+nFV zZs8T8lA)C3kR0leyM zQ8#h5-Y0{0 zM=a``=+k1~Uuv!v_!LmW=jlN{qv(|3HJmIOQrh1w;YJl93Mq*n+0pxR?}?+XI;rdK zmy|y2VtdD(O!+vUzURV@ljGB`+d)U=ECqZ78rS2c1<@W04tD%x#FF7Xh0qDEBTK5G z$kN~`6#dTs(vbTn`@*4yO=ikJHrbwYG!Px|_P7<<{(IglLiF(#Za@W9Lz>d!+kGXA zb4fSqb_R}s9vDEtGOU>H@)2trc)^4IflCcR8=LKz-d37+n)G&`WKAf2ZYq!OCO9Wd z#2Mh)k(FQAR^ay(pbD06!W9Q2$DUBb<)B69o7aZKiI%Ch)utkBMf-a4H+u)8Lrrg^ zpDKyLZdWmG09a}m4={x-8ZfCkkhkE5!@_b6ddbV0O8pSBAM4Z}TRnoVu|g}e=@VNu zRB{6|k}!APyjQHJu~QD{Tp@y_G4NQD%eZD>wpBy)0S?Rp8(xSp1*t@uY`}CgeY|Sq zR}+bplG#bUOiH3`@yl<^a^5<$t(m_x@%91i0nQLlMFDEv`DwX z9=@U`NxMtEM9>!Dcg75{@8Y0K;~|H6wU_r!TmfnT?TIEZdJWGPFkg)Lx){{FMlGMz zfOl6?rfPneB-D33sC3PbgktrqYKvEBo9^0~Ej9xmKmm+Wz_-LPi0kmDNhu6E zuc#GloF*2@T~YPW)t~;fJcIqHYcqfKv8HWxZ>4u9?@HbC9((FCcuOf^A;Mhrp0N_- z-Zq2X?+;Kxtru;<9_W~zR=|A_NrL9cM=v{qrVX*huk0iC=#SS|1?~xWgYn+Me@i7imXF;v622x z+mW$X9Y>&x=8c$pM0p_c3Pql402 zZ!}Nt`@aAD%BL^9qgIFsKzjEN9Xlte>zm72uod6T=Wc{<1=5gwhiDf6my8;dd+qBh z8XPYrAO1qt`$76QwdQPJh%27+3wqwBW$Gtr1+r+sFZfpdn_BbV)S4hy{%>l{e^YDz zopJL&yA@IYrq(RG0AJ8|$~X@hi4F?&MAS0;*K)U$e{T}}*HUZBG1@N&d7CudClQT9 zjI7tN$==HvKF_v}n#_Yf6d33fiv~rW&X;b5BJFB`L*G;_Z1oD{pA;MyKETNdcA}JV z@A1zC6cx*ZS9YI9OVdWx_O32@wSp1C%PI4=Sb3~sT3rxoybQF1S%QvoQ2IRlb%F?` z(Lwz}v)e5}pj0E0@qOC=zF-2+2{z3O2?|lP4nZT?x_Rb@lXtv*8?@tfOf*cw*=_^{ z=@qiCJjT)CG8At^x}Ip2e-TE-3Cc4W?DulTp6#q^y`UfD{b}!PZ*Pe5Avw0^_cy9( zN)^ki=1RnHX9ZfqN<6ceA!extr;)CM@z`D>lLDg|r(5M=97p@&XD4@mzMK^zTc5V^ zyd|I!o%A$Y;+gxt7J%8=zJFXB^Z!_zN<6I{$*e`rmZlc{CU(;x4~%UY;1a=T-+esi zM?16~Ce+J+if7sT;RQ*yOMQ5UTMN68Rc|JezMl_545T;5CYQdwkaK*pc?NT{l*qOV zQGQ%~w%;~|?CQjLwWnRRDRS*U|M6c7u+vP&pnVf!5z9TmwDY8DIS8UMVFVwWjZR{6 zr9Jn&$PLWttJz_Uq01i#UcKh>KDYuPtEcg=30$BAFg2Zs;`mKp7ud00T}>$wIFPU& zoQ&~2d8<2mA=`61mlr-(OYN!WCh)4kH$23B99Bu9!r^#kuYpR-dVNLxvTqvOp|O$s zhkMP`RjotLPOO~T_l874UO=YMYo@yRTR|k67pgAJI7#L>M*lPj?s9l_H$QR0J}@l9 z`|8od#cQb>&xt!Bec;LFg`ikxh}{Ftmwc^W2>OyzC-Z2s&n@yN!`fBgeSuyuL1xoQRHEf%LvhR`);+VNZ8q z_lK<@XQwr1AMIp6yjOhi=v{2Pnct?YV59dIJX2wnF~}VAn~>`)jm~g*L6T%Sfh(D_ zx3Me0K15ikQ&nHr{B580Ohz5YRG~5G!{|LRSSBcBPK#usR!9ld{?{k=UwR$>{ozYm ziT|H3OCbp9AYdJ+SXWLEDBP10@tg~tm~`60GsKaiyh%o-ZURYvTI-F4PQ1IRoyx`y zJG3@B-T#}f@Go$oJ@zLq`U*4}t+R0cQO&$Xu3Rod2OOjoVU2Ylft>QOFQ?$ z&HwI8G8cV`;qSiWGz8~?ZpP>rf?YW-wGbMN4m1x!I7j(Fg^A&f>DIyrmKFh53=SN9 zX#Xl^ZQ6WS?I~HUu^hkF-D?+oz*q@LmM`I<;D7K80u1+OVWKCKuvBVNL*PvBtn=P9P*4z?GS`^nMZ-ZJEt2Y#ma{UM@ z>GCk7NZW-C==`b7jpN#1=zqrDSA5Q<8*%RXo#}5>QqA8!dJTgU{5!n*+m-MJi~Yw* zsXPC=`(J=b7s(iLVrVGNDIrMVp)UhoLH}v?@nQ50RPd=Tc2%o>_JV~Wtq-WUB4(U45rk4v=fxE9c0avKg z^WOYCl(OEMJ9?g6K+~5eg6AYzLpztpO6)921-|s@cNCQ;bCBcRjgkEtJ*ag9U6T2Nad%OGD^I-g@Z^pVWDd6qj5=uAw&qoB`|qMXR=lRG4iM5xD!;;xl8}C-+^gHoCXrY!t$N z$p>2Mz>vXp0RyLl8lYMi9V=?ZsR)be)JBSCb^4rG>L+MfSqJ=QBPPRhWs>Y%wvFBX zICIKQ^2mx1uf8R*FiJu65neq9?ldTPMSm5DL#-?{q*V{9Kx)r1)zBBwN|_=EZQYI22y~)T zZn*Pqb_B;~1?nWX8Fa)M#MqDJ`Sw3j9*nvaK$zMIPRly5z;7@Xyv@+w5qJV<5m&cw z%7u4|lp$REe(qu1N4iP&q;iOVnYK#wDubj3ofIcWgPZ3Vm1+A)ABoTwnBZ4@b30!< zSNk`yF3%<(a0zx&#?;^yeZpJQ;P`*b?TtcsEV;r<9i-na&tEv(iDH7uzxLr&IOs=T z^cQoW9X*IJ!aCrW2_x8uz`P7QKA-VxO0#;v4igr+!zK51gV(vR;|yOMU{<aKa zcboS=_ka30k~+<$Ndm1y6c=d=}z3LFUeKmy+LNyWS4VY#yO{K>bpO` zL%-aO?Y9});;qZ@06k*Gf8n~UW&vr zM#J)o|I`OnaghSW%RG=*i6%mz3wtg9Jcco1E0FKxHxF;&`leLM5a1Y7WQv<-491jY z5lEGN<neo4V)c@K&S~Rs8A_ge5Ig#Ly zBU4CfB0`%)`AkeGg>FPOe;gB{+mfPnRMg)S^iwCoVav*rzE-ncXLnloXnh!$a0Z(0 z|2<{mbsuanaBH_!c;IYTG(Z4p72YA0KlvTa{ckw#OIhMSzf5Ro>!Qnq&y@ZS(f=Xc z6HVk;5eE}Q(vciI^GkDzF7GN>jXey(sj?o5-?U;twx|HsTyJ=2{q|!0t7k_KZ?#Zpy7Jr7-b+nU|g0#w{^Y!h%q11q}GQu-K4Rhu1 zw6Ln8t=NqmN7~*KG$YK4Z@wHMuNeE>Fmd+$i`r^Wr-1|8-z1lvPOjBBiye3)rU7=~ zpT)J;TG%mQ|8${Ajs>szBmOLYAcvhsgdyh;F8`jR?G+q35(p{P`2CC<0c9n)b z4?T?wUPje=F1(Is=3RrctISeyaEQR9+(fJs9ELoL-M>-f5pXE?(BmwJY?hY30`2m$ zouAy_CN}AKK4NP>k+c`X0)xK9BQ9RTwMl=wgh1OC*z9wj5u?uF5&|Fny?6vqaB|DK zUg?T3@xOMPd-ZXN@_Q4XcuDtN{V2wvbvEDcIWHppB_^=N0{+hlvc~aEfF=|#P^KJ* z{88TX^mZ5FZG7LFx?n%MjzAw!59UWq9g&5lj#PUgbVCDOy!t zum~6D1-j@6jik}ylKl=@H>zY{6@b61f3T%YUgyQV@AHG2D%ytY_}l*spVk46QIKko z1Whx*wH^e2UlW|?n1StuHXSKoqGTo*Yp%F^;+v1-KCVYRcxg~PSe7<5XnldSJLS@_ z+bwrh3Fj&6rD*q}5TF$=8Vi)c7CRe7QoFw}kVJZBI z>xshgCAb46+y9U8^c%q*3UEUd&Pj9%kz-HNz?usmBbh1AjFnjR@F!n^uoMrULU*dH zhG`UD;2I7XFzvK|XrD~l6wfdUValVtUGUT+cxFvUKWzi30#!emD0|`rgtan0Hjkv% z@(qYZ~5L7F&yZSSt2VZC6fL-qN)0a@Eg4A z24U3ir%5Fmxya;R?MqnHnWUqP$RY}V}YKLw)m48Uy+?9MW9zG|@hAa~B(5vU3T zAG^EjV7}hmFRvF;v+%kt^_qeJ^9=HfAcMy_&-JeC%(P!U_HPzs|Nb{YWx#@Y2z(_&)Fsm9WToOPK;n0m zA!}M5s{=)_*l1g>N($(`vN)X0Z|y8S7yW(QVEe&Tf72TSykPitoHyVTqWp7df*0iF z*kCAve;7z|kbpytU3ip5R^w*I1Qve{J8{4}tU7n6X0X-U>NV22vGSf*Kn9rjH_$4| z`2DSa&v~ZcnaQXcFwhDgK}G}5AY&MX;@IR&->jzhv29uJQH^~&1VNp%B*^yX&CGVT z`5wjB4F4UH1mUI~gz<|jWO36=YkK~(uhDUM)$8~Fe0JI^gKrA_98M0`iR2t70?Fqi z_u(Ve1qJQQesq=ubO=-CO9uF1>W!hp5qKt5_N+(NB4%{GC1`n-F16PFcB;#QrL*>GBUzn z#kO${JyLRfU64fU1?BD*w00lDJ6hHKj`;SK3o1)p@4!BgD@M&=Ddo<>%pm-4Vn;s( zlWYG{_U}(`>t8``PrY=&KIGu3!P_k@@MvJ?R@_j*gY{ye{q` zb*}#}OfpBoxVS(rfyV~F{sapcPNJQ_+!^}!?p&2BSd!Q3t{gW}3v?a!H-P%CmsF6Y zoTWUi?d8#~jWkjpb{dI#?cDdray(#-4$KlfpfL%;cf^IXfQ*G@OXd=nF38dtW-I)FHQL6=?@*X}0QAQY;TxAJa@&R&DyisKm7{Uq#|bxN$xd-oRRck7tb#Qfe&?;Ls9RM| zzJkAVsZOAM8o+ih5xo6x$QI@8UPnqnz<$Te*wf(g3jja$s`NsEY4=pHr3E^CP5S6$ z(infui(*&nAOlg(>WF0uud~*9*Au=Ix8+Mjh1V>x6n_?SZv_ec17Lk@kjy-g5ph9k zfIj~9b&6bP(aOC=7(<$QO+)>)u11X=>AdKU>8yj#(;9rTfmjs4&^Kl5#)?)CUR=4E z2&@3u;OHCRlg?mQ@x_7JcWz)n8^0HfI)hmf!J z%bqI{kH5)Q)fwoQK$?pC;1d6w>GXOJUNQr`WHA^sl_qh*zy#AQD)wbz)D@C6bTgEV zYA_$08S=DRUCkY$d!}jqVrzWd2j}&qUtdf&S@;x~&MLr$avnubYCu-B+{A6b5be{C za-9kuPu>a~UfnJFRP46D&@M!hkuX}Fc&aDUJtK86Kz*XK$mi%=7jcku|0lyz@;nqY z>Ik`r#5%A5!mWHo{$BSO0{P4&NZ-2H`@J&U6g!L$hStm6Qx1zu%Ks2m_w08KlZn~FSF zl~(Sx>Ajlh?&_lHQ>L&#<3zRfn-x(A-+%fH*3|ic)#!zMMv(MrN8!C-gbaqOo8IuU z^B}M#swIN=YujPVDwJVxZ|fe?@U|tz1DCff@qK?{PG<=MB_I>F zY=i)929s1_d}|;pcLlyKKq1h{+$>(8{>bA-aMk?-;|@g<7mjfb2I?nBw_LCl%l?i( zX9(DlDAkTrub6mx{zzkx24NH}J2-J`pt8ZvKs!{(u6WKlm$;8>Dm85N`T;Bj|4$+D zl2;UHdml~Dkq$;KKA@v3vyxVVP1m%WNKand7fJ$D?QckBaf9nj(!_#%=9woWn_%Hfh|xMk2Fuma}Y z2zAKuWOt@)So06;wN4Y04(7)6Jyr3a&gDoft8&rsBUK8_SnBYmVf8XDDgm82>DZ&s zdR6{{VBr&ga80UFe~}dTVbu1HMWW_E`Qxn1WsHW=@B=kW#!a%N0L4|h<`|FF&2KN7 zbe_StZP7f?A`bn^d77VjR_t@1D++YFQtc_HWi3R~wtU2Zs6Cs}+%AXFXl67ynUB36 zj`0n;%p0%N=eoDczO}qW8~=4|%j@WmkN2-rS~iO0*b$-uhrpIe1gL>W*NeJEDw*vp z-R7h#V5Nnh4aOlPbtjg7_1=T@YS%k5ci&!r@!4ycgmWWug=GXE2fo`Hu?CaFdsPFe z^PK~8H*81iXxeQ$$`S1wv?jweUn*DAZ{K}V(C2U$BqxK^L5w4o zIkKym$Q##G5`Q1+jDqg7?!)c7^J=>-4W3}6Xr{cE1uu6S25M2yKG!slF39&ez2;=} zvJK;)q#}Xmno*}!p@(07r%8yxo`j5;jP-$Y>wD`teA)tzP~^{Hch zH!{>I%ts6roQ~s_k+ypHk*eC7PGfh6y}`@lU%7-1?vBm!FAG2M#-%0m^?ZsL76n$0 z+gpWiQstZA%woDOJkKV|EGiR(Nt%yZ}Rq1GF))5_S~<+EC-i&*#XU(exFk% z?87@Ao@zb&W{~k5Np(y{a-0UI0qm&KZ6Xc&j@m{ASHhCBr(pFB49F&N*5 z1uB&|05qw)VeFqATpQ~PAo~M~VxUMdOH{=grn79SOiP})kP9Ar9_c;tsr98ldo))` zuP&|VmZKA?N&tdL2_AHri67Kzz*o&BSo%L}31Lo0kB*SDMh5RHW7boH(?)`|@BT1) zXIb_rb5p$Cmuyd%Xw@hul>r2(xZL(;^NhY5B}hNG?6>tQNp-qKR`C9Z&&w-nD|hA{ zRgWznLI_(@`yasG8Lq}4MbhtCuqcEa823$o7Vx9_2fPEOj;-Dhan#2yF{%aWEV~+%)#K<*bJHkF!2>Y}nAGJH!Igp(VeG^m=UnS^d?4)?3W}HnfF%B@YNRtYoB1wvsR|0(f42c zF`rjn_X@pjzeUJC_}vOoD_#T8utA!JiAd%nq9TQvM^sf~g{6`eCN&ItL-}yUb(Y)d zp}pyQKK5DPQacyreqH|d@^@)IH0A|!hBDHRLN_}KdGcjNRHOtJ&ee13z@Fh-xMK2~ zvr!F56<5FYymGY9V^>?*du|z@KN?gn`}8QMHN)3urP7mDq?N7!lpmR|&~fX(OqCSk zK2g?};3OwxuyiDKFfw4+LfxQLd~FijU#>2@bC2qqYJ%aNcPlsy)9F*c=K=3Po?Ja< z9~CWy!H=3HW7S66qs-S<-{lOlTH+o@8#r}nRU~%$WNy{M=*EY}S@x?-?^I=;lY?ym zo8W@61-w2S3a^q&h$U-bVSvI7AC+Ag{jmOHiO39lyi;(h$Uj#rb?o?|px~0};9y*v z$*ZibM!Q`#EnKZ6Eda_5p$HznY6N92OAH89j~gKBr+KHq9Q!V;40m%0n6hQm7&fAl z*FP@uR=>9s^RUmMYj$$w?Y8gnZAYr3H|^AwH446ZRAr;swiY&*zYcQe%?oo(U<0IP zoN;#@vT(w@IqQjC(YKv8Kk{7|`!R_UQKjo1NMo3asea;LP=mHW*qW~hI?*e*;BSX& zP*%{a5oF*89Yr7bUZ8^p@WdU!x(kym^|+ULuOTb`nE;$w_p_glvF5mX|Hpp4oaUe^ z$sU8zXq${*(Z{1VwpAvlUCs`hO5v+w+<7)!!zPjf6xe(%o}}AENi-vy^=MJzO_a^d zc2E`Fo62N6o?JgIvL=ckuK)d{52tLZI8XbgYKZPCTMh*cI0s*GeerI*p1+ANpx*pn8 z?_}5bF>9TZrln4+{fuzwN+mt=^w(Tq^|76%Rp`$?4;WkAN%`7u;o`e-G+GiH_W)1b zjCCXl>;YdHB>+CiXOWtwWdH%{UdoL+7?Y&z<}bG&{nWkKprq&1`+|GUD$^^kZu7aE zIiC~qVV|WDF9fm$BIDA7pglhxYUAR0O;9TnaH%nxgWN|zBn_9r?&4OyTw8rpe0BBSYS^F*&mT~p28v|V`Np{RYZNw`^r z(_mWWzffJj+Dv)!(x%hup>r?NS9e-xrP%9Vc$9#8NY=(v)!Exc7SQM@YO0kVByfZD zU`_TT5nKxzLK1L(>^(bq+V)k{r~P{U9xr2FVpd}BC7*WA$DjeV5~mID{J@}2^qEod!$SclegACx)cCvV=_v+V9?k3U&RxBHpEUNx7vp80 z@m168b$kb0F9Q@lnYp-akT-X-k+JFuA$4I0&-pa~p?I&kO?Eii=f$bGA4?)B@Yc{-g=+~ z42;LE-KDyt2~*;nwow&=NE~WA0%(QId^zHcDNiAHtInWNzDa}d=CjU$x#h==lev{K zO%XkRXTARq?SQrOpmAiyOMGh@7J#yfY%X3zcm8I*WJmG>fX*O4U@K7eLK05k7?g5L ze1-a#7`EUd)`vAcwXQBQD9kjCB#a#t%vOZ{Dw@W9dWML6F@M>ka7y?@)CCvAGiw)Y z3c-5r=(N-=1ze)e4TB}(fDDzaGBjlM;45#vcL|%9*=yz(?BuVW>3#9Xp*5$JwtONK z112;Sr29CZ?}wQj!8Z|B;JUnYA$JxdcHwb;B+!Dz_}Z1%Mb2e5(2sTuH);FMMMS+N zk|UVO=mC(X^M5SZE__sizks4!@d~(eEwG!}2m&H~#38J?;X`j9t@pCnW_No%)w9ui zw8ddtkH6bJS|S$dy7{nc=U}*SF=Rq#BhEs{4s^eBA(DvkzVaAfcT<8Fb`Ps5L^0 zZTAHCQED_b=W$I`)u&rt?w{tb($Rxj&rOF>JU6x!VD(CuEZc>AFg@^Uv@nL^&xq1k zEzA?ae?eJuN%0qc-rsGs!f&)T?%d4a2K4bJ_l`Tg&FP#jpdC-MK*ucL6WF61c4>UJ zr8z3ovf#PPK~42~(|PaUy?XD!aVIj$aWMd1359o!2?Ho9L&1ci=!a0RuS3IzFxS2L z*7xuA!FIU?r|b(&3O{vrm#tSr)ZV9y{PszB<}h*ope~sHW-s=7RGIS+lMMi}_ItGjk%D>wJ*R1XX@^4}XWK6$M9Zw9khWZMphHMY6U@X+lJi z@$GNazC+a*{k&|?=fl&wdNp(V(qFev$hQZ8--{uZeTfk%i3W&k@j-)(^%HJ$iDX^> z1*c!j1LPXZzMA_aTOa?>=l7}n^JeEEJHz$>G00oAGKqf%*PaFz-3ISZ7*OHixl{C( z>)60jd_y;M*`PTg@^SbsuM0^o6)uJ&@%x`M8z;+6gA8JBS>uZP;sj`699A6|{6@%* zf58ni=>(o6QKUqB>T0WTcZ0*47mpbS72NeoCLA-LN!&OY{mhZ1@zp5RPi!eojlOT5 zxBy%aW2Rzy3S8lHR!yjdZM-Pt;jcgUeYcumc9%dMOWmUBv#ff>zBs!`Uk zk={%wq$=8yN|NJUrnaw+Vy#H`HXT0FR65B^fn=CSdJIz~8R?6>c{N2hK@bQ+D7BL= z7qt)h-pt<~8!cXHwUtWSviFJjvksH{MvZPJg+N9e`u=RXB)_)eWn7JRxp}mZQ*Q$O#aTsfmu2^Y`Kh)_~slyKF!4A-{jnClvHR@<40y*zXBePmq|Jec3=c zT>QhCX)7qP<xqhHu1d`av@@Q|gV&TKrphU>+mH6UQn30-QtgzErg z=G2p)7V$aUWUwF-(HWX}==02j`CrZ2Ue8}fRn(Mwc(}Gnmb9nqHMeb`T7?Its!5gZ zUF0f04eyTu96F9bE8#oxI$|~Vd;x1uspbBnK=MYeP37&9@roj^A>$t&@5iEErJh!ta}eo4hQ~l2U^`g1Og<0qm%Ii_8gMv z_Jq>1g%kg%*U|F-nh*;d^u188;se{J`&&e-k^t|lZoG-(b0`N@?kEH8Yc6trofVH{Ffac2MSSf*kVE(AjITEH8G<64o`zEkd_gaO#7b#IB!2xFBs$Cs7ufq}bq zIz^gK2f9r-8vMMsQ!YEnPCq6b>(Fp(4bqL`Kiz*BfUhc43qA&=D%uDQ9w#_LCafHS z{5P^nPp!U5g2x_d}SBQ(x@IeNMRva0&iqb`>wH5K6QN zi*fDbMHV}}j1J9}`86!s?9uI_FHhb~?}IDj26o{3vXC4UX@%j`sUoaN71vj=tNB6j zBdE~($&mke8y{ydqTJx}`A5w>Mt{(B`ppOW3vlNib(6OWKu8jOANP?_G0lE4A_Vj} zj79_9U$~#zQ!Te*+aFAb)MKmS?ibvzysck-pnp2~S&7~o`#qPI_f?2K;yLz)H&7}d zFqaZ_Q&uCliM}5tpjsds9LE8<=nIq(&+lBhO z90SA_j!;Y}%sS#s7zpmbJ>i?*H~UTOK=j`ZpA5)*>*B%N{U!#$RZ$mycFPv=*~kA7 z>#RWmhR54z6%dh;p5VV3XK+!1^*@1n%nnFh^aXf5E#UPWQ@~ib_2OLES#lmA#^`iz z!gB)q7HiL8{9Mi7#JUM59>6GD{?Ygh2&*V#KFIzWQENL8B^|tsdek$&gwoCvG16Ay z3#5OEIGFprh0wxvYiOq-b*Tu2y6(J08*#RZ-a2K@YL1&-a>(_e+O-osEO<@f)Ltgw z;s$-MUI`q>MVr6Zh^DNuyR%9dVc(UPlI0cOjNTJE-xhO2`(j+RfU&Vj45yA{-{!B! zeZZF+0xq+I7}zKx|C!(#w4b{lj53?QgQPsG)13*ZyE%=flz{A3gQSP{3i1A?yXe?Q znd?M1>r7bcYE5L2;dM?hS!|&{@>cJa%$vm)`WuTa^l$e|ee6SW2bo#d@qUD8#5QOd zSK;-0aQ{^?SEp@y&Ll01t8X+=RC=>laG?|?9u!E+Sety>EkL>iiVEL~yI zp{k)td+~0G#xGyg#0JG4(pq-uc5L$LOLD&VK1w}u2F*YmH^%(I1ok@McJW}cq|;7s zLV6xAl5q$7b_;MVO%W!E3wAnU!Qi^MK`7r!gK>JNN&({>S5LrR$lol``Z{SOuu!q1o+5=jzyV&=| zaJT*;m%VJh9Z*ub;opLsGB`}$G~&Xw3Q~uxo@oD7#?SA>g_Wcap#9RkOLR1jYb&B@ zYycn9b02rZA2lOW{hJsm6iED7i@7{Zyzou`mgU8^u~%DVHV?6PGe_&iaHgUTWOd7w zEC>%|q_~52!W!JxAy-Imq_1HQP6^}a_?#15T&(l{d&#WY1L zOZl73CJ5BL`6pbk7;wR_&;_b5x%+#5Qlb%?UUK&G@^mVD*?6De!P!Zw(nN(#nw#am zRck#|@5!xfiqzvT6VY;|gg~@l7_^yZCH*v17!E|}_gLDq&`N>FY_hV+1^A0y_LdKK zsBBb9J{{TLS8vV1^AtGFufZAhWo5C6Oh@$qjsrK$u5*NoilOhORL~ciET8<8*cA4x zMCA=ldqaA6vRDLAR0EpIAT>Wd{|n$u^A_Ee|S`?@6Mt^HdM@4#u|c8tHYiZ z#*-0PV_~A;GRMk}gQIYhSURyN&h7q*B$kzSc0t3Cw%N9JU&Y-zT4C3D=%Mg+@G2X! z6o(*?_a3#SslnDlYRo>t+6dNMjHTizOeKKMD;Pnof$&x-d0EF^L?mUz|75Qp*R;P? zTDlISwIXV-k!WQO7e4|7T%gSa+8)s=tVNHdRz8HXPjBeLpj;{LukM@vaL8b9*Nlie z=^lM9h4@}NkMcm)KZEdFA zde_p;886aYwZpD@r@BXpiCtS12JZsl<|w|^NLY-YnyU*3t(ZWg%wSP`KG;l@#1A!iTlR zUtDl5>q`)Q!j}OR95h-S<2ZtDB&bceq2nvzaDUw9-pWXXYBo~N;J-joyOi(;utsoS zE)e@`cy2;~?av_zL|L41fLmWPF$OND)<|4C^_ipbDsXd25NqoyuF~d-h~4Z@qq`nB z`7bZ4nZM-X%TwbmfQ>vaYDaNSz!EM^E{qqTh4qmm`@NYA#eiG(&-`Eha>9PYI8S}M zU1!gC^%c~R>ziAer^NI?D$0)(C6WM~X`lwe3xzTQX8bfvIiJQ;o~{H)I9SuKEpKDg zOJ#ZZy9Ih9%GL(Dym)|{)+9avxXHNd%>D}p4@o3De?i4iE)XDH(iD-87BwSG zg#?_DM?f|%i3yQqut!rtJ7{lOh5wwz`nKc#X!fQXvE9FW}CFRna6=ta|gc^f!k zY)9@Kv#*(Q!^@;QvxV7mGq?`0{T)#~YkDpB2`AiX&P?)pQ19o8mKwOxhMwucKHhc+ zfC0&6!pu5*z5&+0*RZl!Ju+yly0`KcF|cbp`%5Zj`GFN;q zdkHx*Ofwo`AZO%A7U#r>ddg2yLg+C~|Et&H%P(Vj9hJ!}oy>7N?U}Bt-427tmOqVp zD)!Y<{b2xNJts43gzes_vc9S(l_*>Pq4>)BXEkZsXWV?Hm&ad{kpmJ)A%IoLxfKcU z^q3h+5(qke!d?N*)Pyz8y*)FIP560-J}RDXhEm6W8>QV@_Ol8YP>n$TSy2aBRd^fe zgT4W;WF%{Ydq7w$w423xK&|66h*`%GLb?nnUX@Tr3;dA6USTw2(J~hoh1lf+- z6gRT`pF38=`&6INFogGg>!Duu=4(!(px;ZcgKQ{( za~zweV{)~jwWBFJeHMdpti_dw6Pe{tJm~E*2SzX(<(`GKNJxwIa(t6QVQ`Fk^NR8X1_8yYnv6zO0D6c(UFDS{$Iq*;In zp^AX?CWIs?A}v7-52Sc*{NA4@NMKkmq^sdCz;!YhLr3gVDxv z3r4j;hhkXHHPJ8AMmywEck|B6pV;)HWcwmGc;7OC@yA$jGAw0SJ8T&SZj4Yu#L|hS z68Nb>wPgJ#m2oNS%;E$%pS;xMl%5CWTn_5f=KFtm6g;7m4DB{#X3)DDx`w()*m9Ff zTD%bqIyG+9%ho9g1nt${&SxkLwXS0C=Nr{KRJ}qsr6?G}EZ1K_edMePGk8aD2puol2)??4S$XYxc5-M{6`F&h<%S?FA5{N!ndYCbMnQRnx zq9#j$+d|y5wT2Fx6QEZOHjFgmO>h73*0eHhG}q7w0D+2>nE&QIdZ}R#_utCCnLPB# zkSVklPVpb$+$H+|I;J5;=QI4+Nf;WtRe~al9F?%5BB_I zM7(sddfu*G_`|o()^_g^i}dG{rF4Z?0K9HpH&+RDHh8bI#lGG%Wo2o{`?YFc`{&vu zoXfd><2-tU_i!doBWnbN*(+Kg{$)Su0%JzA$>G?gX{!0^2$(ns2O&Z^1itnB@&t@y zj=ED<^_O4#9YG0m+kJ}2R^AOFM?Mbb%MQ#zR&_6E(d;Riss&fmZietHbG?Sz4TSR@!XdE z-G4YEgSOT_IQrq}x8?Svjkht=@v5Sqi4&=?s*Krw1NLSyW()@eHhwN~FK4Xzpnjx8 zW0z26SL_dQgV~WDwfg5H!i0(F;jx61kqO66tM5K4G;YlYY(#b~2_Uv0s^?2+dQP4U z`$RTSHANhJQ5$1iP3LA@Xm*boD*A+8iM!tptI1P3jsVJ|TPHvXka-6(WF5mcgchTa zO?ZJHGwmIk3yukz3J>ppQgI%@UsQIP_dQ(mbbSpi?Jh4(Wg9qO#kozGZJft?T*Ff+ zPua3C+2c6(m}!F6;DT}D+nJzOmFEUW7Uo_!UC^s3a&>7<-QjlRKKz1*r|lU(@gxEE zE1wg+A5tDxMMR{Zb%I@XwEDK^U6VA=zY$C8nBt1n18*(~TNt4 zd#8iUb*}gaP60;D8x_S2=R^V;$B4IIL)|(k`Vtixy_})oI-b)5`MIY&Ik8!+HTR)& zWlN@1YJ!+Ufg`^ZvwD`m5{C?!XP_oVBJGokVPB0Sm5{{Uh4UJ$v~rW{e?CWvI9<{E zct~ho)u#SRxS>L~QoaZQl%a8qPZQfsjm7KQbeM66VojcsLseEv0TJt+a zYTldjID6`7VGi%aWnL->@9G8MXK&#~B;iSyQQnFm#l0O8bSv(BDuca8|JCY)>+Rs2 zZ`d2c{Z#%4*D9(QHo2}@%IU^D&3pW0Cx85_xl0H~aDwR2otV~OV3-1XJ;Nn}D+KxbGtCR0FR#XA z`&}`gW{h#}X%GVZ7cJd(w!Zh>(I8{`)x@}FjR!XWx zyNBxaL(fVJ997tZQ)Chm+5&4N^K!eY;ANnc;|5C>qel)jJDX$qrWLGX3oAy@r3-q5 z(cB8wf&3hwm@RGFKbR{W78*djfVW6Q0|9T`tT(-dcD)`U;T-@*QVB)rp8vR%NXvY# zdgAuk;m$)}k{&0$&@lOw6lHr2FHk4WHUq=Hq)^uR3`UWC ziZP!!!Ex&)VT4|PG!6p{b?V4BrLj-;R}+T6OGlgW`A@#&M);GZxC&5W^J)tTF2UaS zaiPYMGE_1N6uf7D_@Arml?)x@J8ARW_qM~Mm$HZD)`N-SpK@Pk0}`F!4{xo;EN&(v zh-7MFE&k?J6(ek}t~P}J^~xT(R1`tUderaEF6Du}1;-<8gp6HCunL!14h^Y5ARz?N zSLq=H>NcYjmA8Q#q6Rr74)o@W`qXUHh}joH`S|?pwH=}LyQO)DkDNq=!viFSY1FR7 zN@Ofilxu|oxHUKY62Tt>W7rma{*wJYn8V)D+9mNpc;(&X*<{G|d`3-9P%eO*zqYi`o9vf9Hnb1wM3_}uM- zF9i25%nl$bs%JkJp;eJ1V2E8f{UCRp>oug(K5DT^cSC-RDg1)u4KsHEi7wJQ33X}S z(IY39NytRJsP!($+8_=q#MMIGYQn%?`E3l!Q5<+wSAO>?Ngzwe*Uai7YT*Px&H@p` zX|(I{#u9>TSxzonggWQr(AHl;5QE;dAAbFk6l{Ir@PQ5$Mcf}7P>(juC#)=RMT;4Q zOmG&i)q%k24nVkJ-vDQtfq*}J)NRL%XTY24tnu;VsnZHOzFrO@lG69_zGbB?*)0Ic`tj5_bCh4xa?2{Z{jRCgoi{dY=831zxT7;l=EXA zAy#Mh35YtT02aLy^E*^IK^B==R#E6BH+y!L6z$2IE(=WCTcWESvQ;$P!Nb)_^4dqC z7e`Kv^FYaT7L|B=&hi$$y5**6{8g(xrb9EQVEt+}6|Yayc6NyEGHX>=&AHz(4Cs>O zf`yFpF5y|oIoN~_PI>Q#a+E$y&cph7lI$hH4^C6-WYg|XT(MD}lUX#ljrCth&cXvx zfF^*mKAgh&rcvfIS-YplHOlDZq2LDFXHLbnZ$GUxz|GP&idD284i(D@nt8_acd+k2 z`aREhN{4lt+olIb7z!E8+0!SX5hr|k%LIcKBr#`~jUP*NG3_*{U%57wz_S#nlLj~j zGZTLAls6biv9Cj26gdBMdHZKl5$bKD+nWoL@MSlrSX-?jrCv}Q@s|i+#Wlo2j6(JW zdJqoC`9Ic`WS?NrHhA6P@&JumeJV3&VfIWjy1_F~ea!00# z5{HOI5X}wBE*#w#^i14lM0taQhWfdW2M@XyNCv~dF}?#&+~+O^M86(^xxRjVDspr|9K(Pb6I}?U zHD@^!nfmx=fmO^w&;E~9j_1AnJ?=lbD02Qp-<*)yx;kLOkqGYKDL9k~%3>BR#7cu^ zi`_=}Sa`+t#H-4tCkC2w@Ikp>-Qa#ZZ8eHgRPU(HAAFfQ1UGzeSZG+R43WSH6tP+a1r0z+Hk?Y)}?4AI> zfE<>6w|e2`U@|-q7qe>hV5Gk}S$zB{El~_L+4m^8d{{8`w0L9iVvWthzIq;jfgbTt zF@Pc_;IZQpZ=h%zSusEX7CWm~*Bw?Gq;St|;2OxKy6m&;gyXs0s_tuysWDC>*A#jK z16Yv&F^Cw=H5e>Co9Y!N)xfpxtrTlJB75Z}iT}f_%pQ%1@ZCnd-`4mE|1me=PYm@x zuh{=dhgf?>djW_F1PbrBSWErn8AO7~_O@WMy($#sqgbN_EdWZp>x0J&Cn ztdV1wj+Ty~;P^J79oT~p_Pq(*kHFe84lbkDsw5DMUBph3xF*H+2|OXi0JM>Dk!EP2!^;%7k^AMq0y zr$4kOzJ1-EISbjFJ{9i`r-in~R!$+{p zhn$B?h)B!^&b=BhN{0}j64aSY=ZL);sBxhT^y|%*%$Jltc(3Y_t6NXqx7=)JFW+&) zuNgV2$Q4}+QQtCPF<@r&covA~63BeUU7G-hMw>wnXB&n-4jdOxpJo>k^z}4ey-En$ zsjhn7ecbS)^5b{#{n}4Rx>p*?NosG*W89A2eYY(A?SGAFD1m<#Mo434cT&1IRvv?2 zV?b)H`WCsm?84!9pTe@01HfL|3xWM`2Dbq_{jHO@--xgxFp3>~gZ-)&u6x9G{l$Dx zr@;hZKHwFJ6BV#3CZ6F%t$v3a0h7pLfy)qJpJ%{tgVBx)GHCsp%#hq(gM&wIEYlH4 zo3FhqqSq-A>^$$qVl)^4~@^+R9<7cIZ;O| z6B*{Gj_wM&q~c+UCIzj3F*3{hLk1Yke_o_O$bhrc9)!B1P7UNL{49&5#BGI1Tf!!W z>vTP!+%TU;6bBVp_-I;!sb7|0osqipq@qJl*obMfn{4)=HAM8NX zedQtC1t)7cY;j+mBzCwLy$e7cS?}v=e*1Q~b7jKZ>D9hi z&*Nm3?58KXG;(GCSf_@XJblOzk8kH;jU@240-@VQH~>qzE*Z@2z@c;ye)4=%EEyb> z`Tg5#F7t-g+yW!78DEZ@bz}t5mPsjo9O6V*?9JxNToCiwoQs-s8@SvK`y=As%lRWI zDJh>03zc*uvU60R$KV-GeZ=|_*K5~D>fZBC?#Zw<+NS<`~|F)z2b zdj1ymT`f~1xvYL$O1(7iH`h!WVnr$x$r3z?{aRIG{!g9Y4Tyi~*hYYK!n3Ie`eSn1N(S`SuCa5?+e= zaPJ3ftt1(aj5om+L9-lW@y+E!wI9+qKM(?5G87jDKi0DJGl#hQC(x3z2X#GZ%1WQ;B&lmGU;N;RHK9h z%Dvtlqc~W>G1|2;xoFYIOC5&iItPQ$zWbdSd^JM+EEP*E(0aRR!;kWPK1b^~4IXy8jN9=nc z!gpsQoy4kH1(OK@IiJmWRJR4wJq}>m$S}+}aXs6Df=yQ8>z=D@x7t@N^}|>%RT0| z#{61%2VcF)09BziQ)>lkF@zBu^FAl5hL?`B$npQZ61$PVr(nv3aKSGWe;*Fr-o5&H@M>shd zGy^$Es$u!&=JE;36|H+2JtK~nF3B|Iwzeu2FUWs2>-rj6@>xIVxa#|w(Ea|mO`d#9mw&Nk zAR<@Po8`zIRuSYpUxTWL4VZhO3<^y66#7gJL*r(3oTUdvc0h9Y>WuI_O+@tMp5?kw zxG95gR44^(!C~-aQQUW6QxB4eQDE+;8Ab&Hh;9>J(jbPd!-%EKr-bIW8b^Y%ESDu4s}H9to}z`#S~G&r&AUC?zo|*jxO4j zRgJyYL+ryeTW{|{!@(aIjh+_qM#=l!`v^Y}FIt6lbhm|F+GV?) z_Bln`oT>H}Hd4qHNdW@CqZq^PIyFomw){{Ob?(ZZsM*zP#n*aCro+n%EXxx9xDeG( zj*I8Wun%N|55qi=1=EI+5ye%*G!W^>3{+5Jjait=+;2n~?v|4QSykDW(?-1;(7S_U z@7QkjcCn1yQwj(4%<@UwdleRM+O)A@6ZClLiTA4kZ> zO%JYJj<&t1*EiavbY{z9|K8+BDnX@mzjx%@bv%&X6K-dnJbh~dO5KsZbWnkje6zr?U~2kD+*s8jXgQ}QK*Ah4r2cs;CbR8us21usIYnjFWdNIDC?FXtO2nl~1y4k~c2lI=E^11IeI$t)*?~_OXp;9K8UkJ!)v_iI2F*6->Na7|0 zqrmwwlLLq1&uG>XJWBdIl4~o++HKN6fU+g{wje;-_(jw1Zq7sJnyO^>J(|2K7hoNInrs=~0+)Z^^H_lciXpU{V<97GM zo#gke8j{<-HoQj2V(T@q6Av*KkPrnsoYsUd7sTC|=;H6VWN>?lNv!co)|c$5^9tg#JvC>>@aB9)nXE< z`a0{qMdIgIWe)4BdPY|^epuJEtJwn)U_3Jpvb#t(OwTe*j=PS1u?&i4ZDCvXS_;sD z;m5jv;38pS3ro)X8WjSP@<)z-s>;*7zT@QRyrRd6)Mpd)Vb*tw#HD=>l|q_^d|Oxk!TS#$5mnLe$Or`8UINm@&h|6x zdTFNh*kK*gs!P1lXq0tYm~sCYbvpF{ZdZ?DW`06{_*vfgjYVd1pn&ml+=Lzz#Sj96 z&ckbtovrpfRsE#vOwp*Bz`02Ok=@c$Wo~Lja7PmltThHOJJA6g5Pzg&cGj@26|l5H zN6(i6+R)baO`8+ud>%WHxgW~oD4ivS=(JlaV}Nk807g?kWh>R3kRQsW8_4bcZ=?@KfX0 z6|eI@wbME3D%z)b&61yNQ@K>FPl`G<3}&Sm(guIcU!3Ww6AGw?3p}a($mMN%hBozRKi{_%cQ~hcKrA~nXyU0t`OcJd=?Q&DLbo;%2soUQ7->L^rW-_g`a>lq z5u8M=q?+NH?>^y{wb|@P*TU;gJF_s}qo^WmAYcHvFzq<6YOKys2qVQ4ZizJEtC?Be zn%@|{G2dOzH!qZr*)Y0zf{S0N7hM#bxTwuX0lh4(Ffip=YLw~Asi@O~5Y!gX!|A|2 zGO^8=xPfgAsZ-uQ)Hy`2A_!()e0i$g&#Li@e8@&yeOcad<#$*4rU(&${ffjP0Q@8+ zL}3!>?Nr3<6-pS0a7e3ml~2$ox-s(KEkX9aafOI_bTz_&_n{o4_Zw0QU`kH=Om!CNxc8>aMtoI$f zhlkW)Y{|RqBiKY5b1OaJTMvR$Id^PM?1}t$P);7s1JgYDY6 z8#EcwIfNp;u}_FHZbF9pfw%j6#4nM|lp}VVEfa`3u`f8;b)o^-3cckyk24bvK2Ssv z^$<)zE!P!G*rPOdy?cD#PADwS+lAokJIT<*(P$hQ4 z(<3{;%vD~CFYVnNB9dHql)P#mfM3TJE29w->#PWbP}?lS{G2;ZyCrN z_bEKF9z!C73+qPXweC2-s2yqDbAj2l5YLme38DQBj1a~`8uQgu!X{MvF-{y?ed|=h zme}WUcql;bu?{tO=c=Il7jzQn>5?_G_Cg_2(StO zCP~FIH96%*a0!2S1p$;%@}VraNYiK3wQo+@*Zr#EC{wdnyZ%HzLaz#!N!#Ap zSe}0NL^uYE83WX?uGy!oZPAHh z>1B9wWjsh$(s13ScYHE4D#nliYgZtdeknVEyooD}5}fbyvt#g!7~KEK??`$rV+4^!iIZa+AZaYMz-iGdmmDq0M^H2D6LV!>e+}#;GA(&{@jI<+Tenq03XwhF&c3NIxJ`cq}!ySC~SRtk} zN0*Zdn!1+ldbx@yDmSQ05`sIW-tw}DFYq5`>K@%zeUh|U{dTUljf@R7+!`>_BM&(F z0`jJTasZruI2&2P?P1o*R%B3465%>jOFN% zbG@KWFhFAtB~WLWCfQ6f;{hOTUQNp10p-nYws*>C6vCU@k;^xg_DhBLWO&D6k(e!* z7Ff9-m{x_h0$hDubX7HgSsRM;;3Q6YtJ7d}%{j7+Tu<5Y+L}w=@TLNiIUiF9< z%ddf$j?ZbB%9KrD^ZkT4Z=|JTOIprw4gXltWqKjO#NLVFQ!r-AE_K`CM_RrMzT)B>(xlj_47^3PJ zrQY`WDUUC%oH%h0{xZ3WzzRUSfK`unV(FmuAOLElk<1T8Q3yN`+_U>fal2C@7Cxu& zpxXRIke6M~ZZ`vcA@G{p{{0tE!Nvla9&^}!7uQ~ zockF0X~YJkk$6x&_gY3!D9zdKR$M{Cjfy$7fMC@-L+Zhq_>OC6AODH}N-~Kc!<`s( zS=r^1KxSS!1t6Ev0~~Ea2Np8!MMRSm*mOW+^D` z;IZehEHxDX<#oGPuDT=swFdP_qUX)uPDsndUkW>#Fa}U_(29rueg@v+I+KFf4c`!_5gUKX4v;$*oizC^C(*foKiQVG4}?4TZQ_k zo*Rif*fkJZjoSrhq7dTPrN#S91Pdd2p@gt-OIz$W7=iUiw>9^6PpRv2Elv(*#-Jx2t51s3>O}p#upSXt9BV zUc;TZorR$O{P7W3vA^H#ZY-$s{k#4jLZ!7S=uq6uz;Y5+W4URLzYu={Vlhf0f;|6g zZjaTWaBKE|yBj|yc#ik)fu~GnX<3_tGGlNDCe8gz*IWtcHrd8)A~FxHF@B$nW^pwC zvf1Aimk@`4+Zm(HcbzMu2Nv@sCmTB(1=)il>R-?Z1Ek&+vqT68iRX&%c%Fc#-zZgj!lE(Sy!4Kl~IDH*OqaT*n>CT_Xy(4@6UU+e{Lub&8!N?R- zos)qLA@hQDUXKl2h~9y!-q#a)yZ`Fw?n<5FV@Om=P0+5kAYJ6$)K{#bl{Z&Q5ljHs zM0&0*Gx01z>LhB48OX_~v7pRhs3!3>wx$oUPc``3d|4B-2fuAdt1;)K)}=z3t#%- zhsafMXGhKvXU5=5n-IW~{;l$LnZr+>i=1u#mPv<&03t@;>wRTEeF_A6ESn(fE&X#B zF3e$rB;qcg96NPV_ef*Z(YEvFRk!1gUOIuGJBlA7{c7w?!wiwDV@ccU`sw7RQ)-~% zAB|Qot(Rlz*IK9eOrG){eMR-Zov(e@*92v`(aNWhNZ*5lGzdv`YTw8*XjhhUz|ELS zLQsZ6bLG~-xJtL`+S;6Bx;>5;LTX|+%sTERXVa?M*RqnEAzzBV<#2RDPezrRY9KEMuw@3O*%NUAo5a%)Ugyr0;;W%%kEamiF^KGBL ztJl>{(Wj-W#@G>Q^&Aytoo4JgiM5smch-hcge^-41YgSZ9=Oq6>??p; ze5edu+}pJV4Tc1J<1s2c93zdbUyl(-v8aAYOSOEqJ?x!DE=AwoG%a0YGP_F)t~pt} z7R^(6Qa4{yQBAB!Z&=)-VQAO=KAC;MPMBRxBMJk%C&K9VSpJ#xEM^Kz0)?SGKmR>= zHZ6QN-h27he zn^~$qU-e+LSl-qB+SugAT^A+#VO0`rDFjoSQ~Se3Vg_4@uNOvp+@PE&Jxk}b2e~s{ z&SwZ3?urVqw2iuPgfmM+%C&VC&K7{aw`TGS?!#M!-1p@2!C17)YL4L3qM^}>>g9Jz z&$@0{ST(-SfB0;1$H@o0HY)FG*CK-z7*|vP^qjV{WU#~M2Y>SX5FePCN%-Hq&7(7g zg>)iX*pf76j21VJ90!`z$E?COoq$VYO*j5-boAbTA9mBcQEXBo-|Gra*JbQ&jqQSBCCQt4YD# z7lK2@R!a3~=eUw*P?ODqmLE0>8~36$!Fm8=)wC9Y+Fck65!ka`8>|cRTVDnQ6TZog zG@7Jt6VSLL#){9iKPosVEbp-5Kqxt~*;qs&+I2#E&PME?TatR8cPW5b)!D_^pNcc+V=O9}ebM(Kkr8hWN3i7d zb>^R~bTNy;^*VvgVT}zYChPzpSs~W%4@+liVwj56c4Z%~q~4+Td;FAeYI|)9J{+*Q zp)?tZ38~fQ`vNk@>?W?lTFqnPEiht(269AJM_u(Lx}rS;o?xvVc+*LP{x#*)NJ~I~ zpJg1zu^WEQF%WN%uA8A~qXX`zu>l;Fo7A>^IYV*wm0*_)1 z$_7z)fLaF`5JL1QL=Jq&Jq#qf*Eofkjoc29Gh^civ72ffeXGaS=o|7LLq2=HADRDA zVz<~oce=7V{9&(!UIJrln4c=so5XE@GgMI?8|LOY%JmGqGdTLmKNuzPD;wAp8cgE zKY|hkVJ#O1zdJL*pA6A^ZZF@&a}`E+LPT1dak7aM56A)-LAFz*19}gI7;ElbS{bCh zQWAoW4p6ns@j1WqfzmlMYVCaZ&UZi)rt^OyihKlHe;WH)8e5UUxl5J?Wx!|D0&s;O zPk6tbc%IDKvZhqf>s-kbwrNdgrU9Haqj7q~iRXyw+tr4;fpyySeTEi1z~F9UOD-dX zEnOaAK)^=7q!m|Z#$MmA_k$pWmV@}~HZTwgMpcf_3kQ+LQda@vLHVVl^zQRKRSgA) zMC6wdI6U1J3u(H~!5KJD&LivH+z*>arV?xRe^f@EP|@rU#tfZ_KZ8SGTRzg#=wG~i zgYUuQU=0vB6QH{={h?cabUYIS9eac_C0*NXGGY+3^r}R!A2)uvEL?tQv2z$qKX)*v~R5_YZdlT3Y$fbnI9Hl0OZ8+?lealcE%$Xy_DP9FZy_!vt6XUStdsqg;<+i($imm}MKk4~ zQ9)}$a3UltQ*2s~U(}jLFvX*QLrUoREB+>$0dJ6rU(At!v@4+H~rdaJc>2(ExfbMI}Hon#8&N#{+@B8q6W=>^dEgG)K}= zL=pn_10Rl{yI`X|$LdNLhD|`07hY0@d(xVA^6MMxZ1t1lfmfbYeN}T<-8uSJL;oU( zk4J^LB4aE?E_oA#fsgb~R1y=36q$6Yi$t3y;nsO(uzBu#*AlJxI~0X=aw&_91jI0$ zD>BTI!jPWc1hxFG+0Q`1Vm#2P`pAGDC6#vM&B3Ym)J4kVtJEDfTNL&_T3Q!wm4B&e zjW_e}e&ky`b$*3jemM3GdO25QC!>W5BS|O*auo-c@IskOwO97^6_nSMXUuI9XE;mg zG!JQF3yg-^M{z>H*;krKm)UwEdx7&2hyB6G}&pJe z$9bZQc4bTN;ToOz>&uWXd|t}$FmNvxm@n`xAwV+p{P zum2itpn#DD$BolkMCVdxX4(>LPpX3vduw1+Tw(@Bt+&SG*|?)4XSLBgE1#Z()Lj^|iMq0fYSNq%XvZoIUU|0qh^zVj5WQ^Ja)3R- z$yh?(!P7m)bQyLo8O}*cR&9m#K43$RH`$S`%N%kNLyH0_-Tg z#$e;ZKo34Sl3b1;;RV@8q3qD7Ed{8VrYzG~qs=dSJp&Y2$1bKn?t`U>!7_1T3#aU1 z$#wE%?l>HV7Rtwb#7Y^%HwO@fud-^rDB~p;3maDTD#{LQdGo?1yyU|Zlkbi`gI{@s z1~PMrs>F%AM7k$pD35sz+_4v0846=uImIYgV5`5e7+w2Pp@>jr7km2i@88@7wSVY9 zXZ=eix2c(YDCe=WnQ;G#pECdth!->xoWlvCe457182SaJCsCgxAqmh9)va$_>($uO zF8QUor~8y+pI!Zj@C&Xw>53VuD*ZO9OU4w$%fUI2ZCi6kZeCAVf<-T)(rg*_w|$N? z+#}GTlv^bdCwur?JJzQSkEykmwLZFccU>XBpDLheafN4CNVX&gN1RB)^M%5a-i#NA zm7v<2vIY`CG9~73j?TJMMnG8CqAiPqd{-ugi59OL)Nq**+l7Uuf5?1ao^u4(zHP1D z^BhcRnkbBR%tO(dRm}U1h;t5TK6=Z$)^b zsrz%?=+C?CEAK3iMNDD&i9quX*lhqZ>ZaB&lMn;;bdT*%pTb#QD%kgI6!M|OHU^-z z9z)K4F6KINdXHL0^5eZ-CtvN7^|kb|2#4EhgR=)j)d7SNCn}LGSQ*v;>x4>hMR<4=luI;cx4* z16U`q_1+k3LR0WjnYXq5Y#76kyNM&~^7@^Rc>3Kqy;H)YpH;42mQ||SC1Yc~k_%kU zGD&64vVQ7*FBJ#OF5&7SMbOn$C}WNZ83tkJ;?s{m1FMu>rePc`jOP{|A@r zFEAS5qE`VfssVva+s~K^c)}Hgo&+|?K%>0jlWo>I*x?Qo@h49(z+wRe`Hxseq5}@; z3$gQEfS5fnN#@K?9vdKdQ{O{00`Bt_Y%v9lUBYuRMhTpCokS<01OM&2A<*bK4e+qN zYmsE>xY}Cl^f5w3F_rwgk>%_D{9d9lJaA#fV|fj$d%1;5;KN9Wckl=emc)%@@;LTaGg;lIW# z{jVPgv_yjssTs_E2WuTo2W#xI4dLV7@*5qszu;W3?crM+u`QUUu18h(a$NLmtv|$f!e`mFVKa!S;(2Cn?y70L>hT9^H(QO zat=sqd!0EL+}|3Hwt!EZhfl_$H9$!C1Ud&m7vuY3HxR#lpC|0bpPE@~ufLHHLgebUjHkB@)pq*{n%?asX~>_2uwaDDzp8&#lrO*V4> z;?l5|rp*aZi9_!1uoZ)|)xZFD04)o6;%WxT*|2f59?c-Z9i#TKQrs@sdiTi47t-PH zK8qSD37>bgDym;I!53pE?vbmi^1uiAIk(Z`EN3WVZ>$qzLt&5=F45@i>HXJ6O7a)I zy!rW4)dSS@6CAfF@6m{|f$bmgOU6z*_Y-I3FM;CKNX3j{GjUP#8=1Ktgw5T-HZT!v zed$`&C=$NB3;WISnfq4(3>K`*KflQ%eLjIr24KPlD1-S9oP0DOXK;~$oZH99tLI95 zB%bFOAj*Ic4Es1pe#8PLo_~7x-68$u_P28M{1p8C8xx0xrUkEnLt+NnM>81l?&iurE`YYa;QTD7v?2Yq}tn7+7|7UZB{(`08i z;Kz~vKcUJS-l;fWX9%o69J7UO3wZ;xeF7!ZV9|(8#tWiBcgg-cJZHw`2Q**QRe4kv zYv(T(MyETp+s)=bm0xea*Y<|X+$|O#w-@$eYL-Qn7=7WrQRXR-Q(aPz)Nj6 zmQmW7GVPm z1s2@Ed4pMx=^@hX7Gkym`{Mx>zY7bA&wm;&c^pU z#{DW@<2u~r(%Q}1VB6d|2K1J=3Zg6u>B2Z4eOa@tU-#_W^30o#(s9a)jHBW_r~W_0 zqyH=NTK8u(^t;zOfG|ZxI>6|5xDh@ruJ1JvmmvU|eQ9_i=8I+wb?em-d5_BgEjamA z$_eZnO9*H|;u7DSbPi%^u`y{biOrjLMllgFIXhlO^WRMJ-?imM9WwnekHaMI%SYR* zg;;K&*-gX|=;()H^v8gEId&QfFiE@wrqjXcG1ZM>TlFcXDxnJxf|r{ol;4_eN=kB{ zWmP)lUf=ro1{eZfj zEg|W_ZOb?%eZyLOPbulTOhn&?`&UCfj8OC8S9?DcT&fWMo*czPYpVgP&%X-U(+#-7 zPwBE;(Lt6XTe`;xeg`YemdHiXj`vsGI-`inX;Rx)>~+dun`!2S^Ov?Dc6wO5DaOHH zIq`238cyB1X>Rm|f!tD)+Q_Ib?A(cs_SMLA>EMqeVfG;d$2|u)WTE`c|J?RJ+6DQ3e3Ls{9e*Zr z>;5Crt|xg9zIj<*i_l*j*nRKv=Kbr1rfgs-c=`c@VH)!?C)ZksJH}Py+{LH>9Lba} zMST+W7=?XjK9EiEO13yqBjiw1S(D!37tjAbt##I8&(RYb9Zoy4%rHZ+7q|xU5S|3! zbQegUOj6dVx7LIlksDG}G8yWmV;zs6EV7HBj@2>eHz&pwlis!6Eveaw*%9<(MEh*y zPU%hCw{!Yk-^nO<;(cx&ANOc7A;0}%rw9Wgmx`DU#EZf>fCEEY@pI1k+-8`lzLCXl zc;F3dRc_bKLwS_pt8bmpcGh2ADUlpkEJ#k5_qpS6LUhRN1&kcq8N%Muio5FUN#)JH<$&qzxL9J|eAJ;@N8sqSyEdG2 z`yB>-17+-Om7i@h8ngDoRXX{I9WZz3jwCT2Nu(1eV(Ua1coH7cXnBVfK<}lO7CfFY z$A$-|vK;$oK^QQcXd#el%9~Pk_u5_IF3<%`#m#CEtA*Gy2F#BDBD+G(qremK5_4Q7 zD2gJ4D^Uz?j(u)h;4Nc!rmgA$uXOi=Vs$_MM})!EWW5qvW~q9#o8u1U`*vQ+yKaGY z5d*fgA#rHUaZA(2gviGnCdLzEF&ivzlaD#&?EP0racZYDabi7`z3Osp5I|Na=V~# z!mdLfh4vs$S!WlveL=pAuc5AgorIpe+EwBlk#sg3E>A=P0M%tSmUW)nNd~1Vm*Kp| z)v1I^C)geG1_SgFV|+|V>L5u|2g)@WNm^8EL0;~uY6>^Bknu^*3k?&W@Yo1U{1P_k z@hfawHH7%dv!{mev7%>bXwdg2dVAgJuwpqDi8wf(zqyL)_F!+FPw7Bdp2p4d;c)Sv zJU##c#Lu1qJ!9f4vCQoZZgS~9#=cV!;(36IA{1;IS?c+{*ZqpE=nVzm z58n=v6z4^c^99isX5Ug5hAo=b8Z48D!LU16IqS`AD>`wOIxfiYYwU_PZ%j`^IW_W+ z9xMx#-6qX-&VN?7CoJOnyX-%<56+EDXI-wjte0ewOEp<+X<@uFnA$Q8Z@<^@zujL>Zva} z)F-wpx=?Ij$=FJR*g8ozAe2QC(I=s5mM`WLQK60>(9kOq8Ieq-MSRujcPZ zJRPN1!^VcHAFglp>WFrfakw^b-`_+Ie)XOIn}53wUQKk_=%10b;Zb(ULWytnL%ZGfM+*sM zgjV9P4h=pF5-@%`Ckv#gkUE0B`TDy7E{u+kMLQM|BG^Z0FaTpykV;>Vev`lkshw=b zNq%acOOJT}^4`I7QM{|1BPWMF#*3WVPkeEm)J=)u`wnzP37|(!8`{mf1W9p4l|cz@ zGo2r!2o3=!7y4LX{oK((lHqig$>SS-XVl9*6XSqz>uBCe{t?`Gh|t}j!AD>PaA0;G zsMd8@OFpL3)B3YbnTD1Ck=C1buKB}N@wVKaP~#FT)@EE`~yuP(Ap zAyaxM%brmk!_^JMSV5qRaASbMX(XnJDnI{!vG?xbP_}K`_(-x!lXaG(kjko}6f#Lj z(oiA9BxIG85@pPYtXClvWhz8jOtOkF)bMjha(9@p5-awWEc%M0v z9E+$%%>RU44r2LZb`DnbCT8*9^1sT_TZQwZmk3lVar>7M+yf=9to`0C$CbCMIHiY2 zEgw0Hbc8iFO0Lhkh~LvO_OUE7UqQvI$rbA3e}kkS?&X8JDI{PnPu31^P=cIJ022Tt zW#aygsI;Qd`uex!><;&o*SyMSlkbF?KO{W;r8@t!N*DSK{-nP6_;)-{7zfnCe_;;1 z|2=b)@ZSMee_;cwpKhcH@~3}vulR59s={ANc+}V{u3ac69gqZLf{Q@o&*gvV^zdgT z|4sX!;%inS|4GLK*ploo3yS;=hx7OL2ETljL?W3?TsBGWK(VAXk&7R_(e5MdB>E*Z z`%%YK0Vh5KzYxWw~GCeD<{!eBrv|TZ0Wx$%iM*I#4RRU{}-C1(SGp2 zyurPWXBh&nEd>J}<-sod_wRtUHV|e$j0V<{y~04lFXu!<`(OCuY8DI!4By|dH~$Ee ze}t?4!ogOr^)~|Vf0I1o86dwK-Kkme}JIRU1 z&EH=g4Y#V^vtot*t+L49L-sf7<)OxC(B^3J#eEb*01cHC&Xu1q3zdf=q~EB81b+X_ z7IWg-c(C?@r3b>)+Z=^>2 zs6$*eijXtp0gdzQ6^1l^8~VvEf&BVo9=ats8D#g9Up z47w-n&-KbT^>B@{lUWyr+zl{WP%(SXYt!erf(!H!N>C#q<~!RCsxM$~8_=ysQ2bjs zV&6}^(+Ui(c>kDX7%yRZHqk@QJ;UsjHC%;^0H6~&9%M;N$v9UMq~>`OD}ZqlB_y~@ zXOZF`g=HWtYlsy=bBc%PAVikphNl$p|P(@>;ezIR5z^{T9^qIy>StrFbyb74aN zNua^*!TI13?%@e1Zc`>=MYE8Xq78wG8*5j(IrkHaW3lHb2S(@x2lRh^@!=ZcF77_= zC;(MS^Hv}t)h*l^AmU&Iow!R~Se4;rA)wVe;KF*e~Y5Lo-Ti6J+XVia3n^K?iSylrLpC@x< zA}5;w3>p}eF4)T0>TVPX)_2uDfF{(g13l^C`7kv|gRHM4aWjjHtr1 zr3{#7I8SgM3(`Q|n|@qd+6pipdRw)HKR`hT>A+i4H@oQW)v4>ERleh_+)YtEld38A z>ymWJVTwmM@;Q^jg$dF-i$QMcY`pHC?~@s(##;}!^#(8fwRYC93wgV7uE^0QqC4XK zASHReZSUjiOhtaW9X^lbV%D0swCm7gZ}EKwvd$lkr?;=EKL?QZ|HC52;5g>}R!s)e z@CM8soG2U_WN1}wnKW&;x`sNd;skrCQM6ZF{39DEY2>XqW1NyhH6+or& zNcttuR&73vDqVZNpJ7Qw#n2XU@Zcck3wlOwsn5u*m{oRInX0v%W{%4P_pY8*k{}Dtz**}uB|4JU|aYHtq0%5Ex%JThK16|z02Z@ z1lGDHfGoFp+xbTzr%?mMc{zS=yk!30IXqZ^JU8heKN=$FHrgv-3j#9%nR{0DqwfP{ zq~2u|KU>0*`-;7KeyhHPVUvE{QU9mkPZ-9^E~GRUer?bA4-Cr;M@~dktTSi7rmgBR z^zpwZ=-QMntJSFQ)abbnDSRo_-70ZqPpA9%NAKwDNPKhYfK@QEnKb^Y8Hi>QFT!Q8 zExXuy!@3h8O<0}*!;^(RnQ5le778p$r%TT)1viFo%GpOANx}}|s{Q9_j9#WI=Xo73 zBZ&Mtj$o)xSMcn|1iC$$3-6h7iJ#v!sW-Yc$}~8jR9f}U=l3ZG5ohNRq74WrsLj#* zX5del{1>MF=NQ9*qf6STW)^}?ig(7Zv#N#c}XMT7Aac$|?e<`@)2$J-~jgOP7H=C#`L zxX;HQ&`KZW3|lC@s!F%5>K0E)SDH##M3kXu-^qAk%syZQ;fjwW!G9zx1}~h1v?&iz z?bcs*AFj#~?C-gEQR*k`WY!@m<;_&}z&9^`2=Sa~LY{bWCMh}>VYxE_34=H#2;$4Vlt7kSkRIFG>* z^*9J8Vq{(@d$+BtPv8GS&3$9$? z_nIc#-@~?o?SG`Dcig{GeInJd2O#YLyG$C+pMd+9sNm!oMF=ZL0j9k z87kmbf_=;s6Aiv$lQV{g+B<46#ZP++Hh`Oo8g-B@y=!20ss+2_rI%l3$7RPTmT7yo zcopM{If>f=tX7CCt7`N5l}laH8BEz^~wM3YBXL2+p*EYNovWXczXx z?@M<)A2)R5;*@iK*4|WA@huk*20RP{j*}QmU+~P_#kUMM$Uy|~kn=+|^aV00{zv=) zq%l+tM*Ca*MC;PemA`Cw9yPO|`(&TEhA zbs*&G0x55`Mr;`Q(YO37Xht0^x6efF?F zYJVofzm+KWg{v@-o3#&pVr0*@63t-?c@;1B^mG%Q=e9DPDmlhQrt0z%TiVQ4G%mOy;~8Xt}vpP=bE$c z=EjKcw@0mc7FLhsUz7ZQ>UZno>wKxm1RVV|P7&LiCArj&Ph35H5?y2$elO4uGczoI1j2raANucwW3B zBNNzqROIN&tR*rQFZ`q2r#3(F_33G2`Lfq^D~XiX3R}&0kj3^jDFMw*v=9VLm~zRM zBq_{+VYV+gdCt(2oBiW*R4V%n;f%D_72C?H2cd;$2rD~7PHKh)(q_9Egd~h4eWZCLXFn8A)|s@`<6!MEFTibZEVEo-nPQ@Ug#C zyu|CODd7qvYLUVAT|lS_OySy7@U$7w$6vx=pa~#Iw(=>;?`r%5=~fq6#-6(o*8O{& z4ji3SFEY4g=dmG4KT0VaE+59TV(T5`i}O|Zk@)6{iLS4T&S6UWP(sw&OUCly`ori5 z?q-OeD&`{=EZn|g^s?6MsaAH;-jt`N0UCsJ9oc@`86DmCcI%nF_jvtUhH#$?=aO=S zh8qrm#*!p-fWF|!cv7DmyajN9ss1s#_qJGRH}=&(mh&Q z8uBb|Jeh(96;}}R4#Pa*s20Xhg!<+G~1?g9}bwDZhmE}!Hz>AiGgD2Nvpka#z zrQ7Ln#Q^2`y|f;u*pG*6Gfth{G1m0yn0SUz@I!c?koreF81HCu#Cg6oVA?}YEGzbA zdO>W%W(!6wbFzhEA6{qRDdv+ku~^or>{N~4VtQfo>HP0`DXo{U`(+qj^F;9X7>NSD=Dbm{-SREn`VZqSv58Oq5p51*}rLK|2)miWcR}l z9k3wXRqGDB&tTUJcjoq$CfG(d5k)C?rVtFRoG_#Cq}egMQOVW|p^`VBs()KxV!{8n z0o#h)NF)Oao(NY1%nyqW0Vi^|p$3T=+0tZ&WuwuShO!~0clm?oGT+|OV5!A^ywEAG zHGJaW*d_BpFe$b$E=+~f0P$z-99_Eu9#4^Lw~2o%-Zmm?R+#A+899{k;sc+x#Px;~ zU5CP+4Q$-ECd{btzs^s3{}-ZJn2{K0iJV!L$X<*4>JFH?X{QK%LhPTg-@Odmo_c1y zdEDcH#EK3Nitq-ROe|9a7S&gQ4YJ}^z>@N&yBz~n!((o@qbV?@ogFwg+&B0&bwN~v_gqiv`sN%h&Tc%= zxUT+Om{9;&BaowYZ3CoqZPw-nz=|2PZLtF zVlSKC)*5gci0M5smWevtesp`UwS9v9Lv9N%73dlQNUVnH52@b4NrFk*-dmG9AbUhI zR>BE-bvo0gj{Y=iVLr&w@yr`X2hC*C!FkN{xOJ8WJNdt?4wU_CG_#ZL8QaWe+-(($ z-xt__?qJI+)90Fyn+$nad)R6~g%qm9Z3xa}KBs476TJ1-cPr5Hy04`kVjVGXu#n&A z#k(lApK|xSOnMn-c-;eZI+A`u8&d0NCO|6o^Q`M24_5{&;W9pp7Y-ywuB1m5P#1W= zaFt&9@wPh}*BsIE)7JQuGWC70Rrl_-^1II?>Q4l^C5GxvX>3>yNlFO?b z19+b9&~Z(NiE~7t%D?-}$d`}5MfG%fR`vs`Ew6jdCfvxeqMYoz>-**VkG`U&IE31k zqwj+$THNRoxtE3li?E9m%jL!P<-jT!sE8kLQ60#!+6|9X;zgR`&5}-cU-0nHIBd5` zIb|m0j6W@uwL4giD-gsmp}@hvtn<0?`4(1wjwGqu%a3t{4%Pm6HylxTdNz5wgi~L! zpj1^GIkfi+gQz4gLTN;v@_H!$_jd1J?bko^mOp%XeG*QvX^#;9L#RAQI9VPe>E3Gtg~ht(beRu3{@WO4-~S=JDmIm^ic z9sIObyf9bWY32rsrU0z@vLu$Ov(6VxKXZZ}4|J{FEq(INt5eQz3a;C^-B~1zDpNkU zDkuX}VU`2t_%IeRm*FBm!j>lQt3YgY@%rB4QCPRvevNy0(7`lakFY>9RY9KTzO-Wa zQ6Li%F=ZbML|7Y%bcdfX8SDsGgLAiGd+>M4Qd@F_tX*uu98wq~WAtikc9Hjz*shA2 z@DI{47BVMZREcZw816!g(Lc8=jHOXC=RLuF(PE$yaqb92uudyNVvhxZtxT>*S)|T# zx!ZNOiK#}+&vpiGZjL^(K77Bhc}<)c&TXeYH35DU#wKtI058A`AAtl=6d8|HWDB#D z*@vJA;O#?6s+iR8W2@&@k6-=b-lw6NxAv$cU)R@^)M2wEi!7-`Bi9aNioXa3>^(Okwux>X@?K`eE+m zH3EB9TyM@Cgk6>3fslY}(~N#@-?%XPwS##9{LPzS_fvCaeqMxi+843v8xE;`Zcko2r>FuMhvrq~PjL_~(vuo#^Fc1QCFxI!uI!n+d!L4U znXoH;jm&;phfX5S|)oZ}C9Ib_}L` zWr``3z&jRZWDD*HiY?Ab!HQ$l7{@DFO4!$kjSZq-8a6YGvsOq{cl`wYsCt!4W<}UC zAH95YQa{Atp3 z-d20GM1vGtuddI~fB>Cr3IbEi8?To8zi4JzeLMGUjFKyqI%a0sK4oz5+|xyKnkpc` z9_KtolA|+8FHqt0(*ta00$XtK>V#3piRAe=nT*p;wPRf>u(sMGbx%I#_J=stnLfw*SD~1**ah`^D$n~AS(phikEIsV;_KC)b1@JBNSFArEW#d ze;Ki3qR-b3Y8Nlc-MSaxW}oDlIO4^7N#h_Vp>Z)+afoMGnB};7HEZR#0v%KS{Mbgs zbMrO=?`Uw*lv;G9T(1z6ZT_xcB#@we^10aTxyg|D?Dvm%7C0Cd*a+)vNxsYK1p;^! zQach-?WLJN!!_;u0gu*SifLE}^(gFpyZ!3EY^C)I**zw&5 zRfO1U!CtbR<$(nxf->pWL|$f6Kkgzy6x%;yx02E<6m<&kH)Cv+GUEvn zPlc&qBhTKj0lO>W?kd0zVt1gnn)dlABt11;&9V)?LOut9u|vpLZ@xUwrD81SrTgU& zseS*zJw{q=klbvfvXnVn~s&E+`x`^k|&FBPhITpmR zfDUHxK!XH0bV)Gofg^i3@K$|n#FbDS86j!mFFjTq=xwWb(qq3&+@~w7CyGw;>uxL) zDcbX>`@F-YtGf>vnmJ0B25I367 zXP#e@)=R6u)sqkg%Zpvq;0KdA)vn^!*TSJsCY$5PNX3}YcKXKC`nLb z;vjQeBt|*9+;sDxq9XMs5&ahew_SxEdVl?)VCovFIh7u8RLYZ==aMBHq`P-ODrL0< zU>T+;U^;bDHGN1Y8S65A4=ly~FfcW;?I{W}%+yoW=`_85%%^otw`?kpihVyKQUYf8 ze{3XGa=D4|d1`MyO9@2A6^se%aPR^%7^lf%w@h<^MCgXV62Uk0^ zYjdGQigpwNUb!IQdxG>u$LULsZ2u=>{mUbjMcdtXHLa;g^*emtz_{_m4PF;NmJ^qR zkVjsGkIuE?%0}j;SsU1(#=Z55x*=lk&FfR}SkeZ6L(PZK`K}qm`1sDxLsEM8hNW-k zSu2-398d5>A9~Ut}PxFN|u#40kx90C(ed@61fcf>4QsD3k?XahXQ1S7I z7o-j=-=hp}4aJfmI6Jup+Fvwx?MArcmw1Wsi<*zTzNuWohZLT@9O074f&=NdM>uaV zX5Jf5Bp2Z;f*L2BC`rkP76>Ck$2I2c@FG@aTCq@LrIqSms6kE+s%amO2~3ISr-K39xbO}(IH{v}fE|N7As#DAuTI<( zFTmY~IRzDweUnArf2q~b6TEDA?Y7JO%lg{1E?e6p&9DzdXJX!@44s)yL2U5mO7!_j zO?Ftmh#TnQn~~r3@UYFIHJ{5;+bSuU$X3`7ZjTNGxG`u&pb|C|Z}oo%807y9NSbMA z1`>?KZ$r=HSXQ{^I}n(x7lNd17-_+e{i7TBh$97M(vHWj(WT>h^gQ6oWbq_k#Y?_- zIS(t5iD)3@lYkcF!XY`PEtE(`+-%^1Qe3A{F*$lr86~=}bWi71s(a-?u`VlI%iTfc zf`!iG9fiw5mtQSDiv!}ozcSAM+ux_T``DKu;7W$sHe$4o?axRgMzgn5ULh;zZnO;r z7+!n+Rk*I$=gsxA`%YXheeoaELtq4j_{#{YkG~HokM#8)?PXr1Z;fRDuj%oU$aoO!50T@$t1)eO(-{--R_-I*u+|as`7k5cCu9ap5*Zr9I8!(`n!h z98?GDqxDAX=7bCv*5;12JGDxC>Bui-Hd#b@b+^geP!wLTuQUu{ow8tQ;+lfF`+a5r znBfE!@4<%~ZMa$7APyNRxHyTVksd5s9cJ-R17F9xCVAsNyC%G6u5VY;u;~t3Z&Q(QM0k^5&k-R(YQrj>;FxcN;0W=Y z_PCQnKe?KoQA33*2ETF{!3uR2y!8yBLub67?9dHR~rmd^BGX()}ch z>(!}rRP(IE)^FePu4nIc7rj4HFhh5ScqzqFBh{I*c`I5mMVhVAyC*7kCX|7WOWfyK z-|uc*fwmyZ0X3!o1Hf8vYETnGlzkFvV%WE3wUE3V8iW zDSVspH{1S0QFE21uuu+5mpg(hN6-?`+b#aWbp0xir&kHw-$NjFhQUW~=SpF$vMKzDKrGIGjgxOx zHTryg9LYK)JH(gY(ImWL0{a@tS`` zQG($aSr3E+^H9-JvPa!LQI#kq{#c8AXzug?qLU`%*`^CChT z{%mo3rX^HUh!NmCBKkZ~Zoz5{xQ6>#n&OWVb1biB?Naf`5)Lx1*`znwBN7DCzJ*w1 zIk6q_ejKz4v_}mn--GQbll2c(KSvtsubi>7a=q}iqig4(1$pFvurceL8NQ6rt{vY^@WS$%RYUgVmwUYCG4;SEu5R}S(~p9Bl%0r67CMP_Vc7ea zt++APv{qIU%N)2G>)i) zBS+K{W2V3=Vln3$IQM|+fLJtDE0+<`IyQt8#F#QC_6|}woDXql`xZJzZ!xa>+`QW% zddO0so2RxGz5(2L5VRmOx{0d-XHFQhg4hlp9i(21Ww^DDD9Y9(lNZM3fA|Z{TKa0X zq73zyvv2XDjrDxUP%2jXsDhC5RXX6+ApEhHK_wt5#{Akn`3UF(tSK$!q{T6!wbejGn0V$ ziaZ$pSi`nqnPSilwN>=qh{f1Fnir`(Z%b7zud>?Q(D!A8|&d!Q%L9o=aw7IuU z4gwu%?ilXHNV|4&!){JSgB-?dAP^OU2C~@gijvW9oJ#heE?jT&I95XXpyTc)%ffTQ zup4sP$wYxbMA8VUd{1U#$uwj59_6l~NhqaXBIkm>`(Wo9RqD!$h$5Ol-A3# zJph?3IR*_-RA1EC6|T?(>wuRI2`EY8IE8Bd@?K0IODMi^Nna{skL7M2xh%e)u%ik0 zZ*5mTo5d0*Yqz7pHY83YS5Im|95Paem(0|*x-SR3?=11r(P(&hVZYM1 z{ro9$FwVNi#C=#P><3VIokoqL$-p2s0NVy404p$q7JmC~x?v3+m7IABAV2O)*@zPk_|eHAS; zEA}Ll5;&OB{xlFn*S@EF?OXe6(KWg+U#llqJCR}p9vbZO=s-F$xaIF+C; zv}iiQ<8PQf4WtiJrJKh?<~F%}M@4R}8T>j=P`%gBe%zB<9C`Yzn?cn#0J;K2YG{W) z4b4JhE`n&JEq;S`+| z%|=djzk&i69<6||aJB-deD+%AQ)AxqtvYjTx(L9 zPJ%j#nMe-{zM>n&`2zAe`w6#=z$Vv(GFmeZ=owY04*&OaOiM;V6FyN9MlZeRKa~s} ztK;{4>_fYPRk(0*+UffAZe5GZ8clhdqdqEM+Cu|VLzwM!xmA-y0gOI9vjzD+o{DTU zW9&`7VCa0APH24Y>-eN3RI@N^%6jNc`QZVL7dq@WJ?qF}d@yVN_oVgQ?QC7BpX`jJ z;+nN%WVPcA_ZJ=V7z`xAXD_=rOem>ZSe!d=*RrO7KU`p+Qrz+!0OskA3y`W_3p{oZ zgJ9rk{bYmC8fnUEqg=;~xAU4;W=Z-BcoQ zAr-U$2LO&4K$m8V`%=x5j1+-zPC$kbK}U^(Aq z97H%nPHirm7#-0X7&kIO^u4dF*;8MI;p}HKL9v(pf_MwvGq$^_x`Vk950#ApB4~mV z=Oz}I*5IU(ZvN3YaiRwT2FgqY-v;@(@69d>ep>3v1!McqZP|JFt-QMeX@`#Xqb>E= zzYqETIne#@srdhbe*b$a{@+vaqx%^n-0X|Ki@;Ci&j;oI&r|W@H?y`Qz9RC$G%FPk zX@U9ulc3BD^p8~3;#Ah@70hKRRvM)hJ2`tV%_%&X-n}V5&Vt)JUD|OXznZpb4s9I_ z@8I%5`4kZ(mA?fkGh?)+FVOe0QD%wPjaxz2GE)>&O?8iTZo%8C*ta0*CUBu(bUV6y z1a!wq($K{g+rb5-&rev)?a9-#cHV|M?SUE+S1;M#NqQJAau(NwU?cOnKnBEyG%n5s z&>B6jlGuV2430m@u#Z^WG=09h@BF)Y46FMH&rg`W=xuckw~yBQrpuHNxvL=jzdYz~ zAIBZR(```iiOltB2cwx)&_V&U8zmuk^P%~5w?G4z>pbgU*-dU25dO5)f_FiP`3$mT zP9M(X3SVZ4o9|HH-p}3g@w7VvN_PSvCi(?|Eg{F$;8go9sBqGW-Uwl+YwEc3O4Pk4 zqzes|$HG)HhON`uZ$0N3U6a(eIziZPz* z$vX+W0(#l8`W>9`ugFEG)jNF%bqg(w-HU4yY7k-XhwAA-P-bgHQLvkJgv~%;iIG8! zTEeXT*(m$9p>XT#Yh_`qZi{ynB_Wp8Bf1BUPcpl{t|8mHs?-u^KMa9p@{IRDG_bSPJ z*~HVhhIk0@c6;!Uo*dT#PjdnQcl}f^hxa(4--kT|sK=Ly)AzXVh|G{lkn!~C&cZlS zfc?kYiu5Hy+W>18#acHjyCI$Bgb5j}le3q(AX|wMNlN$d+Ys2m6}M)pw7FZgm))xvth#QW~c zE)OzaCaQv^rg2}-Y*E){tK(zv>g#{Py6Yn^0X1Fis7Zbxr|7FaiUyv2^ph=BSOgRq z#F(?BYsYHqW(VG6TRfUAdjkLf*L7NZ1#X&Q?sO{OehK5KJ-#{cue$-ksh+KPUbZ|G zREjwb-J@>1irWDBTf7{qe0ySgSJJ@nrZ=fw<6Z4%@J=+p+KiP2^N$!}()5V#fkODR=+K?RUAVz_2wvtAj+;37xEI9C@NQfwa*`7lq=Jqu7`8T9o3xO|`6K9b*QFrpPlq-&6;zyLRN+`_G#QW`wu+ zF(;seNd$su+G_J740~osUom^X9*rjt%5FhO>iQ{)@>NwTq!$NWtA5cMx3MRcxSR70 zww8RKn+Cp!3L8{EcP22>K!i6CoQgSy`_WE7fm0GFaO$D?z(X;yY6@78yuq4(c(rkP z8C{`A6Q?^dZ6K2(%yrHqOsFpVe#c z1(2{e?ZWwJBgQcrkQ&P)*!(0z^7}LI+C7VD-Xqcj;x`p)C(T7);+V=GCf|Jm4liI7 z;s`ocnfrJW45STmBCi4du=Xf|>`yZQaPB;G$4C`2M{$Sg#G89WaLw4QmVuTuxJ`ML zZ=sgvXPZxl52t9+@-CiO5pU4&izX%cWOFhF76{>9>VW~Ib!6uIOLcm_qBfma6X4BTa33Yn<^G)8 zL{Qt!JQ)M?!~ZOe9=5V&Rrceq5%2`|M1nF6G~e1qoXCg{+*pS>U_ixJNJR!FN`-21 zJu7y%zUZi@R9}@zeAlpK(xd(Xh_8e~s;r}Iqe`fRg~Zr{Hzd^Q-8ecv=OXv+TwS#m zY(mECJuUF{hs3CpO|X#;fbt$N>aYP9NZ?LNjYZx+*`XH8-bj$|kFq;S;TrQ-UPkiP z@l%lRUvW2prD#NqE?HFeVMG}P|8Lb=-~HYi=r4NT{}Wmh_R_3F*ggP@AU#mG9ElzHG2xD?1{r!%cuG}C ziHo^%$3>O&Eys#|dIG-2!A=Cc8?$c)n_vJqJOGv#z8_;(^UXc28*l8dCHY|?@nS2* zJRk(_2xG!Wf$wTJh|({d7g!}kB(gl3hNb{l@a%b-uDC*&4x*9E-jtLm~;cpSa*FD$>DJP5mg zo_O>>+Oeyx;s5R*$?sr>1kdz?@GOu$>KkbQ62m%8jn81*)^PWQt6r7DP5#1`pUvK1 z7uakj@ja<>(H5BfeFi)9T5ey%Mrev&z!l{AI(>*BoI7P{!z|Eco&_au; zs7H0q*#hakZysA-kC~D?PJUJy%kZQCrIKVank^|#MbPfCG_YM*VJMwKLVz&=Zde}_ zL5=&ObGp|}v-|ZmPU_Sf{vO`vQ~M97FU)S^B@;(MmwbtJy7Upt3h*8)6?$)JaMi*1 zgJ`^28QnbM;&hs2pQfMga!JYN)UT)PY974FeUo|CruyUSeU1&gL9jWq?IApfD0zDF zJRem?m!nOs4#y(A7AOx6jj?qdgJKt-r#W^iG@{dwl`Wq?Xf&OO1_DR&$&J~Bcv*at zw$KL*rmy%aNw$+Rhk`7NuZ}-DP~n(-hv+4`521@aPpu0b&;evv0}f!Mkn<7rWAK=U zoj^zdZzKhUFg(f035GU7R1rN&L876}-iT+xMk_N3nHxtZi^WYeQ*ig(u1?l8PV028 zYz9mLb8x9l4ggxc--=HK(IiqYeif(n;j8k+LrHMv4bFYg2_*u@w)Neto!oA$Aat3rM4o&QbcwV9N7>1!0N6Bt zREg^C*BTeyS-SLz7CD2p?n2YJOMZtrn*hPu0O?7Dls#L~F~~9m4Nm80E;7`jXm!Q_ zKer|_>OZs9Yt*vfLX*cbN-p|+tg-d>2oLc{+b486;kLz7*D{bVhSe$4Ev-3s46W#H zWOVEDlfLPG4Xn-?h`VGVEkzKFrs<8Ht-P*C-rl{udrQVlPQjvn9E<^nwvy&6ss8VQ z3MAyl+5z>pR_V8wka5B$PiFNq?#Y$ZecyiGO_45l-U;@6?akD6myFy;8aCpZtiaBK zgtpsv5P)uoJ0}$bXXrE&rLU5NTRivHFdVLKpGO}n3r6qC-rxQ8x|2LX0B-P-BLu#! zZZVOZO04PtX@fnpbcDMF<4Gsp0un4k_Ira)jzN2U)BEcV@ZGmqFN+&H8k_&!)jrPq z9gmUg4*1FTRsY;@N9z@W5SCVUKNLC)1qGGyXO2c#g<}IWdMj&_Ov)FGCk+d6zqKU>XLBR>D}#XP1I9E{F8AnP_!B{Y24flTuvspnPx6JwlQ(54-RT#w3GSchDsKUMAyc}a2ve3CY{75Bot z6%|3;g!F-LWV`k))?7uzlce)TFi3xefe*qZyB4zz%*3A<9deZ6G08Ei{9eEom*xs^ z7@wJ2IIpm~e6ac>S0{YQ*nBbqI?NSoibt|P2@=;I=OGM$c_Rug68VBa8)eyJC-87!@b;>wo7{Lm>$9eMWrTE+BkI zdXFV_5W({~|B8})%W(;0xzK035sr2{ z>Dy<>>8M8_G?R%hdfRaC3%G(LkUufqp$`|FTDhCJLsmzv_L42u=Ugiax-9op9@GCO z!Tv#BdS^Ro5O_}f;v(_C`hAVQMvPmEiTe88DZ@lVqfOin68!{_v+hk|J5YeX%|c`Y zf_(;3p!SMS`mP{bl4YUCe*AWHzmMbh)T%4$PH&C!Ro<*oI8*1TU}A`W3^J@nWpF*Lb2c(lkTq*KS!$6EY0?K8m!!SBmeFE4b=xv@T#{b0x!#6Por&D@^F4M za;b4M5Dtd(f~55-&J`DBhkH>FVI+sy3@uY|A~RD~bRcpU(qZqSI8;)syw1SuhXK0$ zn3m$c=Ivh2mOH++y?D2x0Jd{D3km*&OzGFv|c=@U?uaAb+ zJrm4bvUH%ihqW+^CUoYLl|NiiA*OG6guN%D_Qzg|hSc;xn4;gmV#+~imO9kYnxWrb zMD`aL2cFXTPt4~04POghOAZz(R|z}4=3po9KE-!`6LS1jKg|9Uku3`_fUOn`CvJ}~ zC^}i*=zPg#0!aUAah<6cJ5T^+F>u^5;8bDyXLD$Ecr*(~KLcMrf@h2Oa=U3G+?$^0 z{D^$4H&~EM$d6labQF@MU5#Ghdw|W@aOY1+$JL)a41c!VASfztK`3C+SZ4|>PNWLZ z-u7)ox<6pUiBpiAYYb^_p5ueiUnSFgu-18bz`ntH7bD1(i!XHf7$={b>vwtqAPRlav=&h zpBD$@-cMB-e%|S8V^T{f6-aHy)IbUGi9c-1{1^Vg>3) zSz8hCmQ2}w9|IpQ1Ws34iaU?O|*TRL;ke@Za101#+;f&6xn2n0}bq!W>gb`Smx z5I|e%tmOj3o?sVUu<(w7*gJpU4^}VL1+@%LK1dB%VLdpW{S)@c7@fao8K4V%(_p1R zFE1Piv{Hv=h$|AHY&!YNH|5u65V=RHp&w?U`GZ%QWEhisEL?pZ4*SR>9CebLQXM6R}4*mBf!8 z$oJLU&R!ryIerD5H}qG?+JlmX?nqib98Hq}p@BOCKFLCTR_Hg-IP4-=Emh)2sXyvq zoB#-jtl@?T0v`E~Rz`h)ZI}P30!tVWVv``ZpD=Yh45-V?_k((PkOrIpZvXP|@+|j) zKyt)&ZEV=~6ZYP%1;28moX{_#&NaS9`tcRNB0%T?tN%YR$YG}+)tmrmKT-$hfsO=- z8~!~O5l0f>ieTIELWV$WdvMA=&d?b|xLj}=bupuV+~n!xy>mM6P29ijJ1pd2XM4_q zchlQY5OizbaUw7tETtKj15gQLi5f{rY}m;@%P?oFAjImdo{ZJk$J`U|u73U^w$r_` zI(gTl3p(zp5`MNT*Z#v>iw!;{9EI!h{3DR}27?{iO7F+Y0rY(&-C|++7?87b`>p9hAoWeeXYc?YgJ6f z?qg@Ozs{#5zrMjkQl>ov7084-b3dnk)$e7@lhWJK3vHXsCZk~xoPvl!Qnt|jn|{L9 z_>Rcdx965VP7i0D7*gEk<{qIs6}N5qoXO<}r0XEK{zcH)hH)UWy@*n8Vp$>l>BIZC z5+O8ua z&_@;HzMGZPzhByT%y@_3lsdZblr{fN5P%?Ubxl;`3bI&w1x)aNPdjqLHe=q4B&85yDxxCOVkybAlB8)R#1v&slVr=7qsSTwAv$X;SxSsu zNi*5oq^ub+Tasm%QO1!uW_rHP>prjZysyi3-{G4;>)m#;3g)Nz-pi0=@ZRn$fFE%T% z>1zEY(L#e8Q2a&p{0iBr*I=4F>IG3A98JzBRF)74xnLI}^FWJJfCl;n-&utUSBCJ` zhZ08yy4CkqCVlC^R#!x+>^oi)oOIikaX-$yRd@q)7I19hO6X(NAnQHGJXL+ngCgH9 z^}sHzwI-xDon}9N7DG?<)V_7?1^U`mG4c^0wDv#63`~&`J}{R9R0R}8a5_#@V*Bp$ zt%d0X4IX+|4^if0km;9}MwDXO&eZlV8V5qEZn<@bj#j>3Bz>%HIVJ@7dL_|YI!G3M zc*po%C14riz_+oeoLE2uVJStu=7YHsVIx<*tLfccriTHQJu=Q3_ums3vYz<0EW7#9 z=FI`u1xEqZ!2gM;`fNAWYvLQ6D&{ldLPdDwlZT(Y^lG zj`_B?3(vp3NLi$?mAo9D;6D3RqEAW@b`KG(2jkc$0QW~Q9Ky2pb!AU1^`I_x=b1kZ z%`Khh?X*L&ou(d`C?5adc8TneSYr6hl6_(T>yZ&Hhqp6G0Nq-IXuyHF!l<3x;wbM2 z9#tW4f{m+q`bTuI`ny-YGE06{92Wa8q5u8%)Lap&I|iKt&EYB>CEh6COLz;B;HlTs zRsC(|O;}TVDEjis-V$eWiwdQ$+rK-dqEDRU=JX_-5QbCFU=n6G-^>>n6)9m20x|nT z*r=No);{yv_H$1K%47#w?z)C_c5n_3y}dVZ%1Zy;{8MKvHn&adZM}# z=xeFNiM#)qKKBpN#9X|%#G7_QC}imt(J^49rNG%P26R8r_g8*9Q8_7-phlsL<=evz z0uS&!+d)tFHbk=H`zTr2J3h|}^j7zJAh1z$o(#exmRmQ3X+gJ>6NYx{ka^Y90at4%B( zcDkvuwQYUB9cKe~yGT}*TPTt(G~sjzw1}e5=K*(KFwT~Kb|pP8$W(~MxGQ{2rV?0fm%Lv6*()tgyO%fA$XdTh37r27wFgG{2=as?Auug7%_7sh+1hEZ zm*T`OjfT)5JIj8v8;maay8A zY6TTp=Gan`f1Mx)YAiDGKoV+xbrgGP&hWo`rFeg;gjR9-s!Qy zI*^cM$5_>4XYlNwVki#`*EvCa6sKsW6=*n{c`RZj2qt7%Xy>k;`o{L>W8&@ zF0|3zE4)ICSa$?>AICkK&=G?MC z(?R8J*(bYhnEtX>)od{qV&F7`bXib%1w9&)uf^qg&nzl;OS@uGnN7F!_YAqfUZ;Pw z`N00TZJ-a^)NaTwmWU>Hfu-1&k1Ug8xQaT}@*_dQ5HZvAygK|s1%2VL-z(QVV2wX&eOl=z6&%5QZ$KdOi1RzK`Nb*Y_{NE`&`E zbKj-A~ha8R9ZTFM(N1dUW#B zFh9_5&yp^(fyAeDgN54LsyrIKb{)owNqncpA|zh^EQZezWE1cna=BsvV^E$cI$hp)CC+;jf^LH_51#f2La%a$qb^kJa< zgMbipJw4XWbdc15jh;b8>u}#y8YHmRes^+E&ugDr5SFe#E_t4i{(f_6Jom-Mm!IwS z;8LjEJs8lzd#3~A0i29=*|7m76k^(BQQF zL|5_K)y84%Y|bXR%cT+82RG+@di{2A@Nn!3iSMlNcItWpNJOMkgk*{~v7RnltH;DD zz_xARy5Hc@rkPURmHuw+UsF}O6hUyv#skS@KFBT=X z-xCB7dj}Q@!--NYJa)_dC0&(;GG<2}d<|={*d$XsDtO6pg$BxsyMo0p_+9nQK&Iex zf-@u35^Mt=z~Z2YHnDKeW3K@vVU~L+%I29%No%mty@*;(&!Y;d+9~!WyVfs|Tsqq& z@E9ivF&>f>FlR8b@B}|!_|$AWPs@@g-3Up&VdLk2BJ8MW2jeJc+{vmWqxK7r>nlDy zxW0EZU`36=)aBDBUSQnk`?f0mNSGx8Iw&&uM5K$>2xH8b69RcX^`u3}Hg0j+!=U6Q zoIFwL6FhXXt5R<&cy;B+s ztdr14pMP1ycD5H?g|LrX3@vP9g`CN=^7A3iIDMB>`?P2M=KY1Jq{elVoyH5K2Y!lG zKpgQ|yb=r-vM@9SRwgLzp}3V%eMZ=^Py_2XB=i;XI5SS!FLlMDaBaps?`$siMnwV& zHnHLjT&K~fLZq!ge z(1md)NfLH&`}@ZuB=tdK4%qt=HGYeH{OUze~R_s0R*(~VGr%ZKR_J+`cnb0HapDnSReq#qjxdS zP89o`++Krp3Ja-&?sU+5^fD@z`uzk)jF|FAOzks{dl>a&<4>`865q(4-t72@NDe}t;MkOctQED&vldW*k;0eGh~xZD$S0*-(9 zJ=6g^Bs3X?x=G?2I6%X%+bOTef2TsV6L4t%jtq*~eW^y4G>DG&fwK;(4`pd!5Lv79 zKSZ2vq9#-6@Y)vP?O)qEG_!W1a{u_41hA!2pgAW|g&zzMn0nY7;F-6{rG;z~tlxq} zQ_I@`ZU`9i%yL8He@_yAg^D$|!p>Ljg+Bc6(Z|c;(}RD+!{=0&qRy$2{?{X`^lOq*EjqGFU;*`_ zdNALU4$Op6z_pm2&wH(n0c!ACzfw}{RHt&S@IUsYje$)%i>k-WxK)xfM~B+xP@=m0 zJ97Eur&t5(heJ8bQkdSFCL*05{T@a&5rIv9-9=KwjJ-Qg{Vs6diF)uGK05pQ>m~iK zI3@JHQALXYK7D%?;Rx^*Em4^7Q|`EIH9I7XLmlnMd|$Ft`8QFv+1Gy-)dS6kf1ysk z1vV1E(|ah2P;UoeGZ@m&culD#&-M0I^V;7&Hv9U|w>$nufGF`90+}{KLXVvQ(Ac960E&2tV996^(P?#jh1N)rU^L5`` zkb#(>uZ}dSJB;JYgYUU7w*4`EKJ=253w<(Sg2Q zx`FriOVq94_@t92?<>G-(}aPuhAGcFLrk~=Y?nkMbOF^zXY`E8fF{L-LDj$>MAn`u z!o<~{P>3=!$%fS%E_u~N@U!$czfQE2JiA4)gt95=keIa5JK`%U_c(A9QT(TH`9osc zeN=~;F9V9sa848EqpuRz1+5?5*_BuF5?9$EUw=*C@y@&xF&g_NGPr0MJsn*e!c?dC z>NSEvIf^=%k~zcDL(vNNk@j(``JE1d{G$4gUQ!!GT^l#mJ>fmSCh?0lL2l% z4CX0`sRRFUDt_C&IbUnHh-4iF>);$dQy5{shWJV($J-Zq<53X1VF+8^WwgJ)h;z5q z@)J|sW#jdWTUtXdWKJi3w9&aI`|4uprZAK9^9dJazPA#6fYCV))wTT;`+kFT4T3MH z0fP&YO>Dj93Q_|_q8-r+zNDShVioz$K5I?j=Dmx{rZqNi@A(3H;p>#Bj7-roVFG0} zAj=~vi+XS}71ZnI`lg@x11q1vcz@j+{`09BR-!kMFP~IimYVz~Bx`BgV0J|FG6Mkl z7-5kWvrb|EQy2s&QC65A1_`hi3El?0MWP=U4WPUvXwpe6R24`D0r(-mUZljuMN(a< z@g(W2jtaaa&4aj_JJE!aqz}+OovOd)z?T^-&boc!NcpQ<%U-k{Yat=vxQ7MJ792`i z#uAwHa7?KsM~};evr)?4pmXvUqB(crMCM3`*U@xmxs&?EIcbN&q%qI-_lHBuoA(8i z{`6D&YXVapwi?Tm=DWaCTsr>&+>~2=6XStWaR|z{?*iG;<>4A^q>AA%5q1d4qsn0X+k z83w`Ynh$fXA5ac?r1#D4|9|@bf9?Ojc5=K6JkUr)S)0Sh^j7ni3QI8O(0zd{Od~21qiLq#%f+y&6UJ-3 zS%8UQK=lcJv4fW%E%@jj@5@QidpE4#J$TPPEbD}*#Uj_z7N=lb!*^KIwXu<)$ z`y-&O(jF)3q^xV7BFiHd-19Z@mAC7+yE)l5TZ3t?n#Q|o>%!~n*SO(mLG>@V^rqp< zL3v4dC9@72KYw43)=I{mHf=YJ7Ow?ALZbqz!yv|eYBh=@F0cdxRKVU#Z4u_0iL*AC zFhm73>NSECx4hoOG&G{S{By;Tk+g44t@>o`17k*lvmrD6A`0ex-}Xv$m_WWvHljvL9# zIY+*KT2b5YX=bwcRK3P6pEdS}7HyO7f}{8@!V1b(Q3Fa@Bu4BcY1S${4(emsMf%(5 zS=De!*Yi6r;}vpS6MB=B?A!};KO1^a3GSN%m2;o`QA%Yk+Z_9Kne^k zS}=`9mil3NUy|{xb><2mgSLwl*Ja)A4b7H2dB&4}jrvAs_0Hyt`%Hj$4TFL}?Os@n zaZ{kJF$>87gioj!rrpPccrqe#GAWLc-&Zw+_Kn42EO*6@w^9xC7?@7 z;}}zyBf%RL$$GOUmO42F?Vz3&{1lVz55m`fs2RP+d2pX^#rc$=zbP)|5R;2l0*8<5 zfW84nMo_S>WjJVepvpmbQZKcMvbvq9`4w~vE{Aoqbsj#pc(u?f%b@g(Delv$+p9I2 ztnAGbup;DLbaU$#grC`qF zFUFcJI^xF#*wvy~ka0VSU1^!Ssgk9FD5~=To*pI&0+eV&TyT{E#s`SWzX8e3S{b}f zsW6J{O}(f2UAE|p?x zZ`f~bbM~p=;I~tunLjSA-0b7ju-y`9fkPhuR@p&0#K^=A~+c@%V;q=^DBreRGpwy0R@dI0If1}aiUP5DT zs<*Xr=^d=0CqL(T_vSGbX>IZ27#9VaooLb44;UBvbyJf%I;=BP7wTSbOp^P)fS~u- z3#X{8euHCl`KvN5*i~@2SF3SJ`o)bW;}*JH#W??4Wm6IiOQgt>*C1*Qv;=wTsH|{3 z`2{9|qydnhCjnHh6E$XFE4K&84pt4ZPxQQaZra!AEOWQTtLEJOI0Mc>yCa{3IYTMG zSmc`gGGBKd1(d$#@+j}6hfgT|DE#wrCMx$hXab%qADt7704>8{ChQ^($!cNe3vZ;7 zW-e8bK?QWKXX$x|;o6~TDA6Kuo;$KMjg=Nf^}@iqZS^Qwc>btGHBK=od^dc(+AiSY zjhC_&zH)g32d}9tH(RDD*SFBi8v@{@dYJ?xfR(l)Wc=`* zrNaz*4hsniHvi;l{2$tPOr<5VLS%_#{{dhLMAWswxWVXb!Gjsp0f1f4u9+jat5oh@ z(oGO)ox)2YtKc{80!`5UDvP*27$ANi>eTSg^+eYORN>E%%>p3rvg@I_gqK?LHkA22 z^CPq<@uTLtYX55JhiXJ+)RHCx!Bb;FHOcgz$xpG}VgKm#o}g@pz~Mb6*e!Z>C4qw$ z$RT>%ch4UnL1j;2+?i~6_(FE~REf(Z$Kd3t>SUQ!emZulBWoq5$N#;6f_X4VakL$q zKz&Vb1T|x`hF}M3uFs*@3(ci}Q+fP`kD*p7AS+q}x%5V5%4%@bT@d-|j?W(qQfFA0 zn32{MI?9V)gp!j~wCw=X_8xo!7#2VS5V39pMFn=}8wuaU8e#3s*ec_nfn{Y$dLDl2O-d);>30(W{bgyMFKKLK@SpEhOWBIYkLgP<8!$!n; zq7Iw}mGOj@hA7|Qd-Bp6F&`b7&i8nMhqzE|4jjS|pf&U}h-44`F}YU;2IlVxsW&%| zgK$%|)2R>?I zwFd5o1uhxUpPfZc*$4nT(z@mVqHGHXxkx<**o_oSqV_TOTcud0^Q-?21&O5Z|cFg z@Yy!a1RUT*0hF&Bkw7N3&y~LzJ_ZI#w|J>-@pje*GaJf$e)qmkPKNl3)q~R$cP!#3 zf6?2-Rz;n*7j*(7>(_4Icng>a1CdnOg3fiIf$+gEaZt~o7%}aC$YISLasA2Yk01xO z_yHBvLsT$~Wcp@ z&FWN^=fUSd+qO|kP{Lg9mJ$Naal$Nd1ot8qbc7-1Rl-aR<31!^i^=Ol0=WC$Mfv3t z_Buw@bm#PJxQngu<>yqbE8gq-j9039S4&k4RoVG#e2V#Fp8XGtPXF4V26qp`yZN|h>r3CJOwV z!PPXQ#;mfCNlKE zX+n%&Nb@hFBnJo^da`%{Pjiv|_Tv>oqlzC9O^us`1wWFs_odrO`-yGziw#7UviV7~ zC6ro>K$@WPo&wEnI&MwVo@9DG+ogm`D)+*?hvp%<8W{# zCgJVAJjGEa>N~t~R9x9Z;7bdNYfXwVR})r1r`sYlWnsLpaV%jM3%3ydfybYJJ!))& zAFMaP5e3&4`hfVQlnwk^jWd`Q`Jj18 zv(Iu2Z+aNaTK(TJTI`I?yoH=#Z)KzZp%*^4tOJ>_(){ySHT z?W+$O9I}$QRDE~OFdlU0&Sf_LWZ?LpecKC29OHq9w}v;-Rgo=BY69polCFamz&aDQ z5oSkNHrrdE3r|YQ-klA~w61+Au;^l3J*l`rQt_%e0vg+XYh(PoSMqki-+fGQ2)1Ot zy+R&K2fyZkA#Yb_wv{2I5>)1--06@KIvK;Re6prNQe0MS&!$fs#lIh5P`yyJJxpjU zN`MI}=ii1~9}A-zhzcJDJB`*^n7mweW>uV`iM3Wryh`Er0u2v|&+Vgzkr8N|o~k(kj$pGqTGI-N@1mKIGNo;l_I5_ooo)t8x$tn8kNXnI~$MS9RA ze)H9ah1L{H+6RFa&0Rry1ZXZR80Lb7uOIa92y5~$FM+&f_2^~QLh2oTqYkEXQ?uEDj zjz0Fz*idDho@4Wpm{YdXV~&Cqu!=}_;vwMzXlXy+2AuigT;9znUPB}30t;4%LPA4x zq55ZK9Xk6t#3uR24_5@*3rAnAe)YVnR61#=Ii;I=o)j|!1Rvh)5r$=bxU9n^=5lpL zo0CW6y-oN@BTGgKJxU+n4@~*I{9{tyYQfV1X{GPY-jn(KbYVgT9#93!-31f4fiQ_j zZdvM~43$Y1vYv5NoPEp%&C1+Sy`_!=pJ-$Lk%4;pZ)6hQ>Q%3jITp@kvrspId9)PC zuHstr&+`_QhJZjj%vtgS;>yhj)BTq&RnX`t|ilk1czdW~T`Rbj&t~LdyMvqz# zVhz(WTwiR+t$Y%5Pd-z&Ag(aEWPFAOslp^C9Z{YD(|Hl@`Ax>9S)!&H=NyekVPB^= z4t#pKIB;bRyE9fyFe|Cu!6Nsz@GuZABS>q_|0;#80_ij`fT)+ET7LU%7=E(7^Ur$ z3Q7!jlHR1EcHvph@SB`|FCVugInIHBx73W%mlk#Ah|l&aw$?Tjz{%@$pmPa*;rw&L zhlrE%Q^97Fy0)uVTEfnl;v4QJ+(ffaj@4Rew2#-6CwX)`p3JLq|EBfoD6i1{mP!F| zx$%HvMQK16Y%RMUHIwN1U7Ukb2ZT+bu1pmmBZ1~`t%Uu3Aa7ojHE&ISPqcQI+BUmz$Xrteb}%KT4L4pM&@68KYp zS1p*(y6(5|)5AlWp(@p0y1;$il{` z*qUny^T0gjG%YHU;1}#~*y@@8$s%o+{@z;~WAwjNo&@|XJ>ElC#bx zdX@w{aGf*JgxHQ+LG>Z4!z0sRK#JF4$2Do#p|F?N#ZN|E8>{$Q^wuPxr1y1f^(C{s zV}{qJm7KRW9T$Rx@~j>Lu}=c|9Bn_Gr9L8{e~MLoM)b=th)F7h>m)_dTDq zCou5*l9UUM^4p@`Y?gm58wFY)$`eN|{MxCyA_Z^FSzOtX5Gs6XK9BhJ%Kgev1{&14 zr7lyWAqB!xve&fQZ3mr)J5q)-wrYN{Onw=>q1$42%hu8RSQ7wbNOr;Yfc9G(j1|-! z0y>G-1e;`j^j*d%!2+e81E)N+^uvSm;;zp0x)noto9YF9KoS=V2X<=3i4p71UipxL z#0yJm{dpmL8te$ZAFZd>hPS2hzGRQNfp;k;&IrH2SzVoxM$|+HmDKzcE7+WsxTm0h zdD&`z6SW8t2>k=6GV*+Mht6sxJdTX$JJij`y!0^)BUAJN`){SYWFo@)aikP?ZBT0xuFb~aUsaJIYBTizVAEU4Z|v-|DG-q51-+?(Bu zdoNdneh8C31=t@z8(vs6!4iB2EHr*-i ziID8$*09@UkYo0h(ElOoh@gpf(q#L^U~JeG9AHaS16u{On)8XDC}yBV8|c-D-b0Jf z6_6OR|Gi=02W@Usabnf@&;ik#Z~5`3)9;-VSZ2I?C#EfCdlhroBNI?r%soW*U(i-v zqOUMF0Fwo%IUd#~%Wsnm3nMOSQ{H!Hn@-?^%tK+^NxvTIO&;Pm#-&Gg$n{U;DkKXMdk z*-VRMq>B(Ms*pt4VZxCwLQX>o%FgQ(7#7bAQk2OWLwCJY4m+Mv=!MFcS$>I}?A+f- zs1(!*))3!|l!QeXH>|j*T_khD#-v44sjQ2`v^Npn%ZssR>Pl=-PmL2~Wh(3i$4G)j zhfVTDM`XAp(X$|M5RPs*L}@4AfEWX$AA5D{p&1SfE!Ixs&)%mb|j@cMjIjeCi0xeX!E3Kd1;S}k2)t4Tfe4Tmg@y=IuO(Fh79M~>bj3-sz zi^@F;0TyT59z=tkpcDiscC$>HaA3H&fhsuwM}B)-Wmo;d*3oed3#qa#x@8 z-%Ecaacxk2kqshQ6~StdF(rZpG7&Ag=Q8r;n+?zII&JLTjLt*Pi`-KVTW;?@kg{;| zqktNo^N-nao#f`RhX!t z1br=}i3#;)ucfYp4n;|rieXe{sBnODk=n|mjx7d=k@g3|_FQAKH}|I)OFN@938Rb~ zR%}@G&}W7D(TI(;Nv9ttq+CyqV}w*A%c}Y0GGR3J3?_zN@wUgeC6q~(JEbw-xcP#S zm1W{N+3@M~aqXC$b?>}+X)UPbh^k-}sFIeE!A+19y(4LIh&sep(UzztXY+2vhHK)~ zp>MR+KTx+Z(YgS8z9jpZ&E(6Wg{yXbIxPKNW8YzJb0K5d^BP z%J^tnOH4kc)2L{D&v9?tb~DWB#7cf%lS}f&xYot8yTenrN74kRzLQ%tAfR%vMz9O2 z1DDfFK@;(V(LBGF`_doG7Jx-ZR81O4*RNE^=qqkpLdR{`5vQ=iPqkl*<{0o{xaukf zXQm3w?;>O;_huTKy1>hq?rGXhlIPzImOH0gow`Z;(z@^KUx=OW!TW4r?p18s) zNVFBc{vNPDcAGjqYYp)$@bdY*1h1%PR`y_i@VxBQHDVIlc6H7M!UrM=VhdEMFm?_I z&jr3{i+5fIE@?xk4(PUM^f|_o22D{7-74lN%1L(Ei1o84imSBkdY^0>GB`)L{Hqj| zH@0t@Uk--~0zFVAX=4cjG`zhzT45{{yIB$fn8OJPC=HYG_#}J0na>B)by~oHt=G45qg6`;<0y; z$8EJP=^4zoI3)cRG%u=zf%fDCz#IbAs^o}XlQa!cAR)!|;*KP-9eFC(0Cco6%=!qq zQEdsHU+DArWR8rg9+aeqrLK5*RfUu5S01X?a@NkIQ)UOHy8ls_S>XcUJCfAnfZ*I0iQ0w;9P_XH4gy@ay_fF7Sq4zlKWj!eo*LG+gzC zYBhU=c?s~^C=T`ku?bVE+t@}6Iq@X^ENFoqFTPxG_Oy9N!R8+U7Z*->8fa=ubQMSp zQF}W?a*kQQR%-Ku8bmS^zFeOQlKgPH7cKA_QTtV)%8kaE=A;eOiZR!y*Rpvi(_>He z_bwiixF|7R;@1l8aNY_(XHt8kL^5pxBfzemHpbzNqk!KnpGe4tud#hX8gcWcTFo0y znEukL8=aMQB%}AtO%r>rj%!6xh3j)@r@0I-DvAR7ysdcC*ZtQ{7~b=<0jI#aHhR## zI>RVwn{>IJ1pIz}E`bUz1&I7^?`4_lMHSbqmnuqqd?mtdMSDeRyFDH z{0T(SQFP>-z!>x(NpllK=|$dOO@DlwvljpR)bbB1w?$<87zTIW%@0J<`F*CsmE=|c zf?*~r-5V1GTkfKT=Dh&^`eVX_`UT`0{`p9j94kQ>X|@e~uFzDtxSjf0#pkD(^Dvn6 z2h$)RK`X)xF2F5=#x^nAggfkezDB0}6kGWWKQoOLN*DM)S2b)Y@lUVO4>TL&NS44#L@U)NP4X;^LslcCqarQ`IjLYvEvan;deC zt9*lpu2Xv)NHd8xyc=q5RU1)O-iK9trJmsOSe|GFH}FefbwEobJ1p1(53vL55^mrY zn@KaEs3NX+J&s#UTslJ0F8Nk``weTUcK62pi3c@us%ehCPW|(@OrW?v`5gHIc$%-) z35XR{`$laCv;mK@lRsnh2DH@U+b}Jz=CDraW>$z**V!t!s#}(WPhM_R6B90+4bQ%T zlLCV6bpSjHi-SJ)G8BY{^q#L%|47v5*O}jWvu2$FItf5y*{emfBO&fK+&3V$^IktQ zIrsZwGn2C)qHZ-?15ORd8p7fbOW2Vo$4`e(fP2gaq{T#aWE(Fn+AtnFMp7A&4;b&; z|13%UA+sV4yJX7`--@s;#*XS1hs1>_aufYy6#p>zF3H3WOvz9SSrX7yS7Waeq?q`{ zh#MT0uN!HEj?o0 ziG)1V6mFWCcs?HX9k5XL$iBakwQZTAMDc+V$+(AgM*VhR9(OM~!C6|E2{AHAiz-QC zgf-zWs))-gpKu?Dl*&6DCI_0?*7wFfPrBnXJU%vkk#;#b@wrqgq5C+H0>>iiz}{%L z@xi4j9{?5lYx#CxD~Vt+>YmUi4+6hW7wnkOgubfzixF=CvWnm4>%}KAbJj}de*3Q< z6Z@NrWX0%~X6mHQ2%W$12}sj@cA{jUx?;d6 zf_~Wa)IkCh958h3hLovFLNX60I_A&CiCTMFa5F*NL9tLDK(!%uXudZS8%E+f^eeD{ z_IO|;XsUUZ5H6n=89SY2<9gh0%_ybsq^mgY zLG)F+60#i-sS|PWbV+k&@tgPi)`C~(ODyFYj3wU&q*TUT zHWP#PRM-Nf9u?%xs%~hNW<`Y?Evx;2Smn@0GHg2C^^7VTt@RJ>h&3fOR{>LvhV>PY z?1b5(TbVkGBs4m89OMF|AN%ZnWlliXQ)fJ@3jUOS$yM{{*~tDs{z%L{+Wtcqz>!E^ z8{qoAOTP+zA7+`((5{*T*A-R*c5JUd7S@#>8$83qyr4^;g=5&DtMfj64;Q+|nV`{Z zjxv+1zO3rrwtNAHk+J9cw)Hu2U!KeH&kKtT6KJ3Y4>0s7ZgRbe8VxS2+ccU1MPBav zNceFfPKt!Jck^H=KCa9BG#0ITsmTHijBz3auCT)F&*lWVTk^;api*VX#f^1w$5|uZ z=t!!3B}y^c%&BN)yj1(g2HoUx?5Ec_)D{hDlP!jE4Y!!685Cs&qB%yYNSmt=^Vm$6 ziB%pL8Ia*lB$%Otv*@i1p?|LLd4AyfSUOOk4}RHz)xrk=NSjau zA`lv|63bf97ZN|8)>9uqQ8%usjyQPhEv<2;wF_8@&yoGzX!O`qPbENpF+7ap+R@?l z2Gzjgbi&&o22oHEJu&I>#eeFyR*~5 z(xzqSe~+|Jp#Jcm^gaV=Bna>>p?dv9GCAx(`116nAT~=pyv|&zv||G;|AK(uAGy|&e9IXlg{sN)=nsnHR1WUlh#hxD7ncz$w_&)aqYaG z`iVYwC-{v(XOvXw-azj4Yq3k^=Z)ZGU>DwF{VDXa-lpm|wbfR|yB%BB>c38tUvYKS z>$3&;`ylcnVYrS?Tlhnu2It9De?eVnL|*JTOf*WRbqlPxZ!fe-|}K$Yo`IZ_5|~uIbdZ#7aPc? zKj>9Qr=HASVOcS6vsf{T5eT-4ZwagN!jHneIfQNPc%uZ^`rR|ew5fb98Ckt^_?Bnh z>&8AyRY#mozryXo9;hw;^#ifcHMoD4Z1eUk^%5wONNpBArRWoz9MJWxCXA@M9qKL4 zYvDrP0U*O*ahD9If4}P(T)bg?js5+z)xWSeN@=-UybG%P0=Waul{SuoufYAJ2*A?S zCS&ROhzTz$rdBVIg_<{de<`nQw8p&J+v{cZ#vk!gwIywuNQwv7?pCnsH$04{B=Y2N zoz%1UR6y6w`C1c}Ho3N*+a)XM%Vxa!>M=y1qq@K4o+D@3={*5ea$G zKemYE6u4+MmNUfjt_Nc`S#VK4onXdY^o$Ama;Q<-T%*zEo};x_E)*AyB3T7+=7g{vSRfRc}{g0t* z7_JS_7g6t?!YT$m<3EFiyv@@`xtxI;3#m&eYi%x8DOa!B+dQDRm6Kz2v#D>JZOVcl z8khXOrz{hn#MeWxHYj>W{S;enrpJq7p*bktGgifbIK_KH>?=lzxJu)g4VObt{jlNf z;>VjRk{+BtqWvT|oygrz@oI$&!FpQ@(?Ge_h3DQxmqr}nIxY(nokl+or!i5H&=R-y z%XsBeizSo#UlhDeSUu>(8Biu99b!398o_UFSx+rdc>&E6brMyCg|%u%J|-u*Q2jaB zKl7_`^$~dk`aZ|&_oP!@Hm4tNex%;oS8@8GSy#eBVm(Qsb~{hNmgdNWXy!b|As0Vf zF4ApL)2!6q;z{;A<6~6eyKiyyMny}ru$|+~XHu%ty@2iY1|klgcn_?>ecTHlWA<=- z1(qK4Mc)OLcWq$nJjD4))Xs{y{o2YO#-g3|#hVG#3U-qDgwpsGlQAbQX`isP)=F@p zsbF+VP+^m^SOu4upZDq1Zkk62XI%60xrEn>GS=G`9*j7^tMDf~fil42G?DzEFlNnr zqqc}b-WK*UNNy^IY~VwbYvHLKVcM)7XKR1zvkwk_dudbZ*4(6%$_F<^GsH*0eoz^= zapell)N2?yqMSD^KhE&p9tI`d)1BMGGKnPY1!1$IhmPDy4&iGtYiGoRSR+L(3ztiq zU75b$o0f@#TU8b{W|S>@En3-Cd(I!Iwz6l-r< zAF+A&waE4ZN#c^9uT(A*{|w3m7*|pxN{Q-)1{2=Z(Npo4(29soS+@_t#M9khvG-8M z?IjHtFD%J+zocxmuCzmXTmSnjO}~@U{gtWz4@7nU-Fs3#?$%X3hBu0or*co?Hw?&R z$k5i!D@)n#wBYP{P1XG?Cl?q^LJfeRUn{K+gb+u$>RFESui*rAG2OTnH1vb+q(VwE$8duyhG^o3i`YF&ZC&*PK(=RXs zqrc&>w_tCOjy!JvbNC3i8v-2XyUHnh@|qsJc46&HGEV<|L{Cm2N+$z+n5LGGd)*acgyBYqbekN9=sb&<8+%KuWg|B)Siz3v zuL5PS-y-wivt)QlNsIJ!`JgHkb{v^6Os5#x2o8FamWp%;ws5jAb;gavCf^Wk zG;I>4xxjQE55=un*Om)er4#3GoebL-YVsH1ihod@O8JowJjx4z^u&PR`#;S(9~O6Z z6u1LE4KeWG?x@88?^7aJv*ghY#I=q=Qx6GSf|Z_ka`&0}EjM|yEYosToZi)^YfsMG zk}z_h7`X+SE`}yYuLXC5v=e^GjX zt3~o49J{@n0E#8W1FHe1cjFkjqHxZ-RHoSECg(le8+?6mECc!3p#F&SRI7UW5U9^T zzH(Nrzq#Ch*{xxI>c%^n73Ifc79O5-N=bjSt^a=4Xy;++n}`RXC{;x8!aRzysC#C- zi0nz+3|r}Bn_>L3=nppG9C5o>KPj)Zjeq-ov4qso>lx;Dig5khQ|<+U-o#e8jzLs_6qki`{C{y-cixZ!0UkDtId0-Ci@RYQF<=r8!#w74>Rb60i1B&H5gIaNxR__zatmC zYGeg4UTb|}a2#9)^F_ZD>5XN;eWFEj;CO6BfIlg{1m*+}+1?iC+kj?@B?EoW`yW)5 zetIQmrM|v(k%`5ALBmBYt%8?YAA4?#8o~c3)#E;HVQ8d{O>r-LJ4xyAsnqMY_-4yf z>hv2?OBw8MXxq`$SlXiYN^1*ymCE3W>$z5w{VbpYZ7 zKwhskmn=#gS@t(#H!VPRCE>>s$ekoG16le^@Bx7u1puUT42X9A20qQcivOz9^z!dz zcxGjt=9;tIskw_c&DVpE39Ja0;UhdY%Z*%YoUE|Z7WvIFPQ@_QB zEibuo6^>5xO0^@0LF{^-+KXbM0h7HEOag4Xbj>VatwHa%YwS4N>IrahXJe0NtYai5 zcCE3}vN(Do(qh5NTcNvw1hWYr1ae^($TndnaRY40?xJ$sd2e12H*=#JzW+b$y?0bo z-MTLv1w=qVDbj?XASl&B5k(@R6cJHT>Eu;Fnh;TtAR$3|M?gVAh)S0dDFH!D=!l3& zZ$d~AL5d^_aY@R1C+|M{?0xU{j&sg8&Ns##_xt{E;E0B-%r)0DpYkj8KyoZe9(p%m z-7px?x9>4&aK&BqvC`WY?`^N8Z5lu5oVnx$lA}q8pCyR~woGE|y#%PUBiD!#-U*K< z?FHy3rG@b?Mcdqdoi}X1pcHq^Ov1Bqv$3M=`sR3;`tOGl|E6vFuk2008TAB;m4BZs z%yRX?;_hVNIPvQ-+;j`1B#5+xjn>>f%D2D9=Eu*G2LBU`NEqv{KI^{~2%h9|yVz0)p0rqGPR1MTc5OP>aC}Fy@&3QMf5kbolS+p3w z@zb?uBdDYrFWsqZUJ%v2$5O+7!0zOvl0A@HxjhQ}j4R}FPm)mIO#f<*NxM|)C*<*( z;2mXEr+0ZzNNqik5OrC;+9hJc{swfwcK% zzY>XO22i$<*Ho$qgx|dQRFtr>`$Y|HTQZPzV^ri_IVjtLj$EE&SwpB+BQ1trLHQz9 z05E$OedN{b3EyNxiieMs@y5wjzdUl^h%(cw`_oxsQycdKxw@{IFou}!h+r9Ud%0VP z^tnikt_Ras$%5$N9%p&D`f$Cr((CGD$Hd;he{Z3jwG8|W1=-*n_!moh&d%Q{x;_={ z^9F0Ou`U~bjLbloxrgie&TU6B?TG;QWD?l0P9y#P<$r(Mf1A(F-^+iJ1qAwB`x_u_ zkd!Y160jlq7OD2PjGL#T<;7sN!6R-09`VbpJM07fTw%7)(AwKZ{j0Q|!!BGG%-ksJ zIPy7d-}5V5%aoiHTlOUTXRU&7^?#O_?05K>>qaKXQeGsB8QM?FJ30*o;^U`|H!wUB zh$%aqO?2DpZmYd$mWkijGSQY$yYKB@V*}T$l=GZe()LO2r=vKw#OBsZBQ>C08iz!X zTPcpC6w@qhc_Dbk(>QQPVs)3qrZNi)^{RzdvEzy|s3caGivOFLHmJr{v( z#|eLHJ8tzHePM07c37muq1E9}UKEsK?mQ`SGT z+WXJ_+B0E>Wac|gDpw3UiKs@!0R$f*d51Tgo{WAme53+6o7gU{Fz)>EhKFgQF?R>`WTOh7Z99A_xvGb^30T`vjooeqLJlcB`Nk{3EWy4(25z--OhUMING+nDJ>A}I)Z3hh#zSl&_Fq-~2 zLU=L%kMZZ)k96d;+>u05Vfl}}E;O|#~MZZEG}k?MVvhf`E@ zWUpOHHXqB}cK7I$nXL8Aq$40Ch2v(0;Whl6*k$18xcwvlkdYK)OC1d!?SP8EE| z^jT{ltEYSOdwR@ViNLG%G``@@B|IaYrdPnyN85Jbh?I8G$ZB-8)8O99^h=Njp^>CO zuJ3iNvY*(+LoANiwE9!Fu=pKl*1tJvpVgfoj!xgULq}^bL z&^$h_%8HZOrZz2XLU@63R~C-*%~t(J}k{*gfe#L`>E2aX3#zSnjs|mB3zUj2}HY z-Mw&uGUkxw}(iYATL!Ndn>6j@gw+#$scplgdXw)9PnMitnC_NVt}c{0I>2E zDk9oYXhwSn#yb7v;Bups*vavqky9;Z_ATf`|L$wAhg<3D4#`YvXL(CrRefzU1KMZNC)*};;LWv)@P0cw6N{6;5>{i{I^ zU5_gJDs}hF;&4MjW5yxJxS7Uech9Un`T{%=;jiZI_$T}D072T72)MM-7!dc$q|HSe z+Hi8Ix}uPo?qbMF^}!E2t@ln`Jz}^kfYAIJbbm3N~{@4CZ;LFGmuzi&3 z-l&?jA+|MW;WYS`Wz~#31=(`<)kN!&Vrh=&dlk318S3DIt$79Ma7c~3e3((hyhY^X zet~w+pq5ggb2u-Q5ZboweM9J*-iex!4*c@Y)(=VSH!P{2smrPU-(PkSfXK@96C~XV zKU&8urw1(uGh6|yM0SJ8ixAfMZh#LKv)f6#wIIB(6b#HCDFtgk%qfsOYmOQR& zybo+`5z~D<%*AG$GNM zyR~)s@(TAjTd2R{S=Au-Fm!IpCn>nbeD^DcWR*_V^O?Z-@L&2ox4!K7k(g{i=%I{< zFfRdo`ZXk^X0~)0$AV$B=_6qPQ%)9J7*~z2N#UI+XjsgZbk;4%^?CdJPgu&sq*Ny- ziwx~>`}m|<-1I}_%b!cti~;5=P6gQ$o5nCmMeyR zr1Rf7d>D8YlyyKErMc;b)>i)cl{REDoR1_*%)&STtPf78_G!BggQkfc?_Ab68q1z@ z{_J-1@NmQ4K@FF;-d@4tjy2dnUfFMHdGuj<@?i4q0m)xJpw6Lj9)gp4WnylIyzIre z%>@0y3sht*MO-H(Ijb|u9gHTuB!AI+qnBOd0-*BUc!XPAYW`In@2J>o()X<}sk9V0 z23Xy(#ZYaO>dxjBd9d|c9$8O(u#TCM9BFheb0)=4@$28q82<82VCU_E&|+!jwEder z>x!>FInVzM0N}_Q-$T1AShNM1FeSw>`TAb!JW^zF_-DsZ@=fLKuWzXGR~(i7MP@2; zib;ntS2&G0A3`KTqA^&0E(*I7s&1{#6|PLTuDuuV+9yYKSqj#@%lmtD`j<&{1DCLS z?U)(55J0!EJlID#L?cmde>asf#!uDDoMtUPB2M7OR$8(u5`t(wheEE~R=%>3ZoX45 zpq453F#V?A0jxcT05ZEc2dU)=mZRB>;~Vc0rq`g69{Ol6GmAtwF>hEps+_gm&UB5p zvruQ$vLof^l#TC29=#KYI~e&H;tt+ z$y*IpoR9x|Pvf7>6#lb+=M6h#g^{9KPvmh0c|bhmgC5f$-1OrqDae&dh~#c%NOs&) zZSRdAt{abKm=@eP<5c+gs=E&VQeRgT>ug%sXH5L3C{||sQTM4jYLc1h%SNBzZ%fys z<)V%pJiPn-r07XNn>b9Kj<$54S%Fj(D#2!(8o(O(zy-lgRAodHpP{LZM#DZ8UxVP| zKb$o``#YQLv5;UKF+P~|Fq)IUeJgCedirN4WrAngwxu_A>L@r(pP@sj9}=Fk5&d8y zUe4WvIX0vvf-kdEzHK;LR#ENmWq4BO-Okiq@1DuW>dwIVKz@aTG*Qc4fb0W^Vfe-! zbTg1Pgkg-mwJ|(Ya(tFcN$Fz4n~2$`uV4G9$L^`LPj}VuRtdE2TE;&lsn1htk)0{` z;Pi{ykm}ILGGazFQ4C{1Uy0$r_pR}?eAwV#F?*cnlw*WDO7NJ)td8TIxmlrR<&kj; zAKRF!4ed`^5};Sp5CE)s6RM{A;fv7NKB7HIp7g-a_j7XJwM?tVb(Q`;B{g10-ItBJuM+S=tfA=92M+Tbj+$??=t4yRxgU zexG@u{_KJJy$BbZY1{^B0cWI(RuN4;sv3##Ktwaw^Y@25XYXeeR8$vxr%oK$mWuSg zGN62ApbG!U47D$Dt?OM%0#})Rl2h;}%m)SO>tYSrHjKhbhPEAqVvMbk#XngI*EbBU z%1gCXX~cI)cTzW3ir`uHsI`2#ikhhbNn`1|pj4J{cS9dQ0eAX|`35%y)nXViPN z^ckwrH`W5kG1jlYD*Jy@6jF0@cZ5wRhTT#xCuEbS?;~UY`1~W8ewGkUmgOEo*ZPLE zD=5=7%fHl@Ihn@ooov>SHQn)|SXDkuay98+o|WHOj{n^Y=KnVg`n_lQ|0fKC+@U## z*K|raDD3Q%eU0!1z>}eBznZ<$b=Y+Bq2s5$Z4nH&KVj{q41G?*PyG7sd7d8xU~daB zUT=^@{v~S=UMBLW?ITMgG*3gT=X&L$tpC|U7O6NSc{#VLcVj+jJz*h z{3~V@K|e>Hz&8VHr`|E#8O}4zerm{y2qn8aN4-5)d`McZoX3uMzdg`>Kg_LE_}wU9 z>c@u{&!m9XV7MeS0V-@^@^lQD7Zb?fY2PWUl28C`w#>1-JfxK-6k>Pr3pL9uX!qq4 zylGaq5pBiBttN9Pc^jBNYO|b4nZYG3xmO3YZ>-2#XnF*&5~~{O z$G6;SH<||yn2<(H>?%A3UYoKM%#y`u4gE3L7;=?C>+WnAdKe*4*cTwLB|z#6yeaX8 zH#L7p$qjzBCJ$*s-~Z#jE(2&XAv$|yvEA^Oly>~M8MP-D?@vGjo#|X+UUTWm?+#u5 zD8KJ}-WAWk&wk*x<)Yciqa$6nxP5rKGd>1UEt0_U?xBJM3$e3NUp3OV(XyOvNUyk8 zI`1%JXK^D_L{m%UbwjjQpEP$lHE8+Rt(!#@@^m%sdmMQKcm3@Rz+GRwGzEhI4l0|u zfz-PKY0m_8PEh9JQY31NymAS zqmi}9CF=CbIBt4vsTv*BaaY43D*n?x`|@u8y^T-Bcq`2n^kMg9g-T|yklEe>;@axZEA#I@5x%*bc1jB;@?^2Dg&E+I z{$mh6foSv}H^~1cOu$36PR0@W*%ApfK&f77M*uJE+cT(01=&9KemdTQ;ogzQ5Nd8n zF7m&vJ2~6)+O*sU=l3G7>*S&Q@4?4wac*R2pX&0l0`6EH9MD6ceUuiwAcUjs{Tc1X z0M4DO3$V7hlj~iGiz|?JD zy9KWqCO_l$1JOFf(!{iO#N8*d#JMIiFI0+zazYDVKGcZ~ltY)_Sei=}QOYp0qNx~+ zU#^U}ziIt27<%!4>0K@dqrv^$b~5uECJ^ZIPGoUZ2)}LapWyooAcf^rkPc#7$uH|- zah}#;8CZCByPm_BxFWAoT7pc)4cq000%BfcYOBV%QHw{3M?QoDC0Am^sCSJ`)*@Bdsm1P5}XarK4Br#vUE7vfAdOfLRzJVEY z&H0Mu{ME+#`uOih2EVyY%E1n|d~;`Yf_) z>xsF#Y5Q%*Qtz>SzK|h+@9gZ2hHoNIKZZ-GLUCndK}Tmmw>*>|X@qOuOP<|{tVVI} zBMdsA`o%Y_v?zy~aGINj7mLo^zR>epgL_+t5c95AL;Jn$JTKj@+O|QRxoS$t|ySix{ z@Oco^&k#~Z1{hx`g0&qx28u`WCN>Ik_wm7%*h4`VL(1ja?jG+rb+jT!`9)Rm>5h@4 zj?WrTbJ`yoy&`---5dXw#5#*>?!a&7>awK=cMln=((z1OHE^pmG%h-j*6({~=3*M% zUf}+6n)!3Yq0bL?KbW3DPu%U)5NqVa1eNN|m^qYoJ?I5K>g3t%B0fE}mDwxyzg+u-R& zb$SutFY&Q0XpYB4?V%)kVdwe&Z)~{#Ev}QT)Ua*!xhe-4!RQPFW2Yw-cho`qtl1lw z?L5bJtH6KmF*EDZdM2&;1896Wci)TYlq-I|=0hHJcO>+}DK<HR}M^tA@JedMZHyx+c;gpef z*QB4NUY787O0$Lug1s@F4y3?4K_g-R&*f(5<0B&NQ2s**=CkVR5%CEC4YzbFxM=uQbwUA3TEB)UQRA7=D zHmTOka!}gKa{*)v_9x7hGCJZ2Y`G~I#~OytdM=S6)Ed1hFM3O-PY7 zZ9%rfu;XbuyhAj~E7;3@OVxRuqkehr!O8@`A6GLB#B8tll9!iQEo3lHpMHImo4}}} zi7s`sgfY5<%WI;sTp+d_02ebW7(0+LccyQ(RbwP8@kLR3_o4$hZ z4L)^)5}77XPv?Hfre<>UhcBVo7QGGRt~>|I|!#=L5-U+hd9qkJlrmYqmVdt zMU*W$5|E^CS;zPpPW0(6w_4FDCLn_SeQ>f*#SUvxckDK&#u_v+2<)AX%*a9Vbi&j= zP9s~A-q|t*2VFCSylTW+Isc^}Yr+b`XEg5!ADSKLPTQ{>TNZulS2J&z(!uH}6R<#Abx){A&(}C=-~` zBDa=~=9=?Q000|e!=Hc;w6VhPvJvUb=bSvl-E`L(?UqRaSA1s%QfSrL`V?bJ($zPo z>OPtU1>P1OH;t@*=J}S#V4^+~bfBVvI1PI@<2LnM6vKwfBq|g9Tk!nU@K z7``XSQpsWu`-K2Z{G;pwZaNdm-{{XmY@D7(f*2Vn6QyjVNdMXDt1@Coe6(XPv8nbX zT@M$32vhwHw8k1o{_9MkO^lRf4$Fo+F(m@Ldj+uI{HQF7HIkdJLx>yd)0}NU-n|>T z{?jH|bg7LPVBSCc?Nd^V2mjvsi2?p2M%y?fU{g3|%_P&|OW9yi4ImtyyLcKR2J7X} zDKq>nLyffq`9rDt6_0W5=@7Dd#8sNUsRLfBEU=#v#*e zg&E!GBYRRHZIOGdeNYf{vg#vXw^8E96`oDMMo4%gg+VmqxS9;-S7r72IjCDc_WSlc zgDUxQN8b5a?8S2u96U=NJA~YZ^X(nWY^D&+n!gsIM4@hT#|b;Fmbhi*Z5MsKPNwlz zo=H13EvCP_S!qjSH`5EDMa166VX$-;UqJewXR9(OEhtENu63TII3FZ?c_fZNM2Xpd)jwZz%YF>GApXg5 zx6RL>lU<6t{1s;mo{GLI{hwK24uOwnkiWzOQLHUaxcS$N7cEUTaeTnsvr_@Y%xa6iKVfT%ubv89k9mOJB+CXu zGW$~ikrnL6-H;sh9Qm1c|Yig$^e@OJ2Hh zD6|BKs)F8aY=AY;T@&hLX|PoxgOcVK3pl<2qy)N@=KdwC#l25sMRO04SobOb@jAG` zMalKaq1vqmgg$SW`e%GRs7bO3;Q)%~M*{uFfzBB9Mekp#G%~wzahlA@CM1(r8Ps>M z_3@3dbrv9;Ac>vrWZ)>aiBYtyO+VCW@`_;^6PVvz&`Gm2@YARcEOB(GPdic&Hz9C% zN6fB!gEuk9n9&>UgK7lbnh;}y9mLhBMsfuKeevqk{2(L40j~6XLtzZzt1Ncy2dcdP z+rk$)Vw})15W$3=%-q(t0Qe3dcJgjFNf|ea1o;i_CBYorh&t{^q#)R}DUeEMdnk?; zUGE{v>};L1JpFOCKHo;KwAjVrIPp!{LGcEA1q%t^^XCrT(FccRP(gqnWcpup3UcE4^7!GKR7~r!woaK1+J|LT<<6a16@Q zZWaoo*vA%TR8zlY`<7Orkr&ezPczOX7>s5W=KfH7x7{KV{aNmQL-_4CHYwms1svE= z{92w`x|!E*w6zPt)E-f#Q=Iw{UcJzfA8l|+>^5Zc3s3>{E`2A7GwNb>hQ-En{C?Q@ zJX-ysCRVQD?{~*3ElPUVjuY_bs~a4bbUKb}p*P&EHDH#gS!ekUZr-lU5V57uEL>GW_Qrm48#bV z=g4e%uoLzjhI;;lAr(MJd@#X^@G+kK6MSwFVs;BohP*h_iUew0HJg6oBj@5rnveSS zw8f`(7PRyq+r@W5y31(j*DTnQpwbBcfbry10w^{?60;5JqO(qX}5-sbdZT=OYSq)-F@PTdx==`qLHJFS$Np1aTAZ^Xw*CT(IPpgdYiLIWb=%FGqU6+)qRkVOe%TysgQ zOat5MqxnEf(7wtMyK<0E+4lX>w+M#Vxk%hXFAAJ(%Hd%;WDg3E@@NFWSf6d2L>)((^5!C;V3aF93iPKg_iO zy2?#a)4M@bSpi|-6mGGu70EdSXtwjSm?7{HXikNZI=2-Z zPb<5)132CrI>+$hQ0VGlKb5ifN!?EO3SBv$>xaxFDv!a^4@w7uCX)JB2grjfaysf8 zZaNt!S)P|e^U~6hv{&l*tm;_#*=u(TC&Rvia*m5POQS%}vFdm31RO+%W(#mO65_$? z3nQn22)Vu;r&MDrJX5S1;#XK#?3UfL&m^}D4|ES+OM0Ak#llYU zhVMl5x_IkZBv<4lL%ix??-H&kr+g6Cep(ZD1L!u^0qUpYG=Aa=KxvGCt5k)M(;Rq* ziwb@D0})V{q*_a}@k?+ilN-2x-$;G?tl@9UZP9x^=#_3C9YrpCv*$Urfs=B~`(THD z;dW8Lq~H6dcUEUJ3nvD((oPRQpe5Hgk$T?x41h$-s#0o@P-#jgUrRh{~uVx ze}XIi9k%$_&l#Mjb{Il{?2U{7Ge$i2DANzmenPcVL0f9dzFr)Iy=PvEa z+dor&2jJDa$<<)v?WhL5HI_E!>;OrdEeSc&eDz)WpJmC(tYFp9Dd(fa>>Q+QP(e5i zEx}`(>O}^^51dfyKuj0l>F3}gp7=^QIQvIgOav$A8xhF|*)U`29YrPRa|Q*2d9{6@ zp3~CO6}axxCI30*@LQ*2`l4Y6!w@F{?%1@9l|XSZU@p>}pwZz3%kjZ4dSdATfAoFL|-ldRcm% zEQL>)P4q^*(9FP<76eaMe#iLTrt(HnjYL1nj}_Jg7xV2);~euQxN&Br=27X8Bb^Q-@pXYdd%9U_QkL+F3c=v6>up;r|Vw3I?31AsSi(gzANpyS;Q5< zu>`wW$I)=+#X+M@V}Mx--6r5}K-Mkeh2_D4DBs`)YJ%n5*`9#N$xqk!zfVn75xifT zf&pOG;0+|m^aILEsU=&6><`-95|w2*Hjh%;8|2eOy?kKMcck&53|8t)g+2aI6EZxS~~Qtam>u{ zHj#XrkF^$kGG?|5K0A?(7Cbl*zxs>prag9Nh8YAZc#G_5c$6a*&%6l^>PR?iCw!^T zPwu9*s^6z*xjNT7E7`~D38wr?djLIvz`PCa4G4LliRzAsT@Pv}N5D6G)GUB88ueSQ-fMXmKR;`BtCj5(xLuj7a*_Q24+FohMF`=99OTOEA7~YV?2I_ z5I33(K0YWr9X~j}$57n7&otLW`dvqHnTVZu&)qoNHBmlQhxv}#Pn zYKp+Tz#h->%Tx8i#i42XsZZL{Cc8Dl57;eRO`N}aNiB>&@E_tI|IEYqPygMv7eUl# zi)Ax6ajF}AQ49n#oRd=)C@SgLvKuMs*+Bf3^ultx+^LH$UIWHDmG_#=?pzoZT$cq1 zVf>g0Q=XF!x{(w?7f2tN{wd`_Mgx}~UmsSf60-~}IrF-rEXxci`MeZHw? zntim)P6){n%wwfjif) ztL}Xqr<~^Vg(87#=0!}WO#Rvht1rxWT2_Fk96$-O{=xD4FLV3;9)%G);AwjW|DFoG^zfX_2?A&H2eKvq z8TJ5JzG>XMQ{bO-aZIEic~$5rM??M}ANf4~zb2>n_alHk$SEbydQirY+_y3DB0$vf@v@K2 zUq~VqIHQ`|r5cA=9q|VaCTCHKx5??5P9?^>sXelufF)liS|3H)e&yWSWzskY31p)g(EeHyxh^2xJ?!5V$AdIvBpD%U>zrkn# zs@lDrTq%$u85V>lAwlK6;aGE;lZ#uTlR&BQbyj`J8>U7oFBo0Sa{iF;!uZRC^F*Wm zj&Dks8wGZ5w+;z>y#ksA360>pZ2>FO3?hbZ*Z|pGM!PIvj5nh}D%LQB;GJcs_}TAe zBPnD2gy?REL!0I#nMMiEJ*VXQH8BY4q{?thOUI;Qb!AnZ-Lty5Ekj8=PFy|@+jIi9 zsomkznR`ACEt?(-zhvlsBcWO4K5N6BaQ!3ZF2 zM@&CPRHBxtG_nY^$jpW8i+%2PMlOBx)e$y3%g89txAYNiRXUqp!z$K~K3Ft0ndqOG z^|N6gPY1#cAe`~wkQ8YzMl7|`;g(ZdauE^Z=Zx(*n&j$;B-+pY9 zOYdJ~N8pZ|&OP@hj0*}-kdE0D{t25uZ~N71gWeX5_zd#VX*_7Y1Rh0kqxfLh2Ymqc z-Ggz5jOi=PdthLp9S)Z=JgSQlf~w74^*0(95Z}M#yy$m3*bRRyt`YZ8+0XQfyzv&2 zC*%QcF;Jlmw_&R>TprG7iZX3eE;oGqY@ri^lR>xIG5B(x#3iMf`IJodZf=CZC*>e;oYs>C;;WpT`H;w_evB_ZcYu3%34WBZK{*jHfegA#s)`TXG2DfgiVQ z)}+C=`W$xbF81y4`^6wX@&v>ufrpzQ$0M7bG7m+D{b?B#wkcBI6wClqZ4@!|iq!7S+l z1ZD=jAomZyf&KU=Oa>?!oWNXy)855e=4;$u}kR> zztp(v->mM`Y|tD2#h{IBuKoi@O<|YYGnBaRzkuq?x;9|by79)KKaD$zcsa7v%DRh| zvVc%58;s#AkU2hEtXw>L_6kXnJg}EYGXI>UVqfMFeg34SV#g9@tmA}ID(4YkYk}&| znlk#M^A`A8J6K1@9MC1t4w}(&aCW5OwPWbm=483@Gr?c(ZBOgX*3o-F%WbkQG0(gh3-jyV5K^53l_tb++jjXi@P3@tX&rp}!HuZ_xR30r(tN^ zQV#gMNlqN@Dr?fjf%BNV$tz2wvQ(?brY$JQRyLzNNWpkV7cNA3L|eM4MMf}jn~3_S zjl=ktC|BqpP=Gr|RpsR9w`y}N%1RgC{pQtTp2c_I4MrC?7@xeL*bVpP_90~07A#|M zZtKQ^iy*skLVBFeYf@`*+$BA8m3vJz}W_fHCLT)Gf%$a zM94Ak^lKQ2Pu6G$QZ+?rGu9Sv@#s1GtPn4yC*5D#lKW-!E0K?KeI|>aie_-P0HFr} zsX$hf+Y;aj6j9vuM}CbK1qVXmR~WcBqV@K!!nY!rZq%}6_C1grEVoI%fe0nAPLQC& zB!7WSX3Gq&>oBJjxAe0y7zi!`?^Vs;IGurZ=OB0o8nFz9p1ggWL^8^H2im8dOq6P2 zac*CtM@rp{2J=TY*tmC?X8Im%ed zv{oi{($emHLtU)uEByH()cswNS={dyer_l3Dw$upv-!=7zis+oaIPRo8&tbllDM(! z;AmVE9$s9G|KGd}Q_q3w=%r0Kc_S%w%yehFrVz`f)kUqZBA`6PN?*)`S!yujIh%qx zTald_`>9OYLouQ!0MyPP&QR&5_Ye{)e zTaMZ<*rrcJJ7LOaXG3-%ksunJdf6=YTrKMI<)-sTVfzQqZ?ew?=X$FC72r1F-pNhy z9w_StX~)~_Qrzev&|ExC1agF6<^R<>?AOK_`>(G9(SaU-)iYy@Su+JWHCXLd#v(Hs zGI`;hs}*xH!PFTXLSO3g4JwoE_nO-Wu-@(n3wEx0XMG$ky?zo@3KT$(+sAoGzJ}ZS z39ZU>g7!X#PJURws#l_$Xtj4L@4#2hp~12rpUA3n4=3vlf4CHE9Q|DgNnnhij|6MK zG`Rt0DoPQt9Ul4@VZjHR);3@PyF{1uSqIrWIF%%UMMQPovdlCYGBM7P1d} zo@IAER!xla%}>6huIxEx%Rk$BHlBe8Wd!{+0aA%sT4U_#q^*P@u0KKB;5}F>oj~Btf`xRJ7V4Y zRS9l774bcuFjmKXi;Tjp4)|WcHUEK|mB7_xa_&ki)-I+W-vh-msb; zup+`jcWnI5cVuAB8V|(A!7SNw#%u$cm4M?7Od#)sDuJ4tLq;Y;2{~|)-746;6Vh0D z9y6OHi8j7((4~yO#mOaKPYFX*;aWpbk;v+x7ES(UtQ_$g_jeL}w|0AQ*7plj#;XNVRh*YUT&SbvkHi(E~+$CX-BQSJ*R5 zSnDzEKXl-tP|mrKIN!m<*=z3nss>$zyp6E(8**+Kiv=6h3)Z8_1``gaBz-=&C=Wy&NR<%nGG%yQOjaXx;&&uG4Pi zV*ac}qeB=4$d`2jpwRf6MH7uAW1Q%9@imWYdO|E-1)XXjJ``;5J6RUPAAM2g+*ZXf zADd?Uch#>*rf>v!u;TllZWE0{Zo^2?ZK*&9Zae14z}_m5dqu5=_^O|(&RX}$2=CvT zu`ln?`xWKv3zz)vTtD(T-EkEp0GJh)J+4^|aW!Qkgoe##WHVDCs}gUnYJY(BQi3q@ z45Onm-#o*`$LceFiS>$y@Ti^ihc$UKDHf2wGnp4SQ3yBuD6X|GSB{gx<@e-DSe-es zPUMgu`{PQEs0s%L-|TmCdfC;SVXCCdSo!z%u-HG^!^pgczd#t`eGiUEIoN$pf$D;*0JF6;)@FORrc23nTvaP$O^u)@p$bq@2jd1 zRd_5p)pr7}!4?4e56^6rp+aWdtrn^l1ODfwBpdO%o4OzE)~+k z2XB5QX1<)k`(p&=IuCRP-T^i$5@^3(;KZ``2Treyp{An~sB+FHuWFV0yUTS4mz+5q zr&Uqtk^A)*LZ@Obm$>lY- z!8&4f%QdMB!`dE}KIYlGmVPL2gXXU38MKG;AVGoLj6%3u$CHVKC4n+v^`n=ZRg~Na zr)jEoxQOlGnDb(&Rhv1(3r8tH6x7- zN7wG;%{N56NJHl5x67*C>Bap&u z1i0+&oRYE?-O0QAS396EuB?xo^R@58L*JCM%zfE!mvd<6w(l~G)Ns`(L5gul@PIhG z-3OQ)vGl++Z^EIqbsg0Xlm*YNcb|iT7*dubA_E??7EF~Zqg7uPbE?a&g!PrhPZ+=b z753v#7!O)xp_d7s#c&HqoK_d{C3=C<>G{*a^v$&^=AW&!g0E>y}9@>y~c1Mp+lXPBLgpKZc6%~M-zhqBKeMo+YitXr{1BIJB&mGx16*HeEyxRjKT znA)Ul%+dlYdj$uQwDB1lv9k#kovS~*N|1N_N*+H50n3T)gF3=z7J3su8S}9Z>hvXk z?|K5WK4DJRhBSL-$t~I`ioR zIXDHuMKLA?kjsjF-=oKQ!h1hwOly{fY>R8~NE9$_{jr(&BZVzSVXkt3eN`5jkE_A$ zhS$xtbt6GaC0V1LkgGauc-fVfq~`XTk*Hr+W$9Bq#%Fr;ewL_~u3a7Z?WXgB8MFYz z7*L*$#!U~Sl3d_JTxlO!!>RqRM*#K`&gX1ro|$ze!l)|q{>fohkm;#?KZ4OzH^3!L z1qa*^fE-njWZ-Z#q6Mqd&-bKqoMJL#y=mbnZ`IkW$)@OQ83pha#P+(9pLc|F@bMckel?ChNJq2G5 zkVc35?D*9>z0__qN0v-jAhzIYZJUJ=os?>L`=oY?Zf_|nZT$(IwyKPEkoIjHEBqkn@hmard44@p!roj6q>lSoN%5dn`5K%R|4rLB}L zYdseiTc`HXEApN$q>hntj>NC;LtTwG3#%7YIU6=A!<)#xJwJ?u8y*H1{s|Id8MAK< zkQC8*)3_GxiPIR9=Up`4Jzo~DAfxGz_Y4H8zmhj(M$5=Q4%&~>oM{r=ZaZ(*p$+Y` zUeX7gVP0tNDYhGXWPly|VjfXViPIt?<+gpd&#_9Rrc*cyc3QW3Tj;^$7Q#UM-3-=R9Ier^z!vkq?M24 zu-W?*ty$GCokv)z%vWHM!@2Lsl@fP_37x&M`a9P<<11w0LTE?hK0l(btDQR-wO8BQ zcPjV4_$K#AYp7Q>75Ri*lNrTU0=ZOk?z&ZN4t3dRcoNGGUFRs()tV1F6MG(X%*^uq zELWEi;?O>)S*W~`n$d1wiKe^+ld7GaEo5TKa$cEU44u+}s}3bZHS#lru2iS4mJ8V> zv#oBs>o)QEDtJCZJYrpr@SPkEGa3YXG}F(JRj6fh9u#qbgXiugPR>PEka}s8{Eq$K z0^Zo1O8?R_>EN7y+axC`+I{>^F8auKIRd1e$rf85Xv2?Hu>%K_BRF-ORM5f}L-2Vg zQBidP-*L5kVb1Y!*o*r~Ato{Qm=R;hxp)LwiT<5l|8!qa%TX46f zz)sUe5W=6}J8&)MZy5E=hDN;m!M~1N;SMB4tbChnhhfvOLlpXX@|YY`xsF~~z&eX@ zsH0EDBq=vqi+TeWa9v`nqhn}6=VP&#e0fcYfvJx#^BmmVKme$^49K5l%hpN(fZ+-4 z9gbeNTzb5iI0@+553|N(^XzT1QGP_2HHa@65a}M`V*`?U7@6y;**(i(J%<^My#z1E{t=~=gd1t?pLIdK$aAqkGTvb zfrqP|^U6rGsCil323&@3O0-^sc9>Yp(3mE7x3Px9MLpv-_hs#i*G6T~=Wh?ciDA}4 zc{3@HGIHrB>j1X}&SRts*;36S)7MMoGV)f`!iNu6pBZ<+jV1Qc2?x7cOGt1`hYc^(X`tq_N z+Mo&j{Lb0klXX0~>hD*9qH-@=Y_9DnIp#(UD#iB4SCVpLWo0en5>|AO{Bmi9pd@DE z8d&@be!aGS+;l$oL|=N0pmAplXyezV5J-Et1IRjf0?~RxjWW|}$=chJ%062~-=zSr z85BE0yfo&Q@h7aIA^wnHLUFg!{ddw!6`eDkQH{HcaLqYc&cu|MRhA|J^(B#B#vbbP(;+WwUi2x|ZO)yavIW%x2q;L07l z&i74E#9cChSB20HmKf#_z~RM5?35izYBVTAkDH}59|9=E-0G)eQ1t2ZUydEiUbK6j z^KN_d<*KGck3A$UPO^3l3Q}2##Z4DD)GeV{M)p%C^iHR~l}07{PqR37bihZl|u`OwbI%kbr?Gn;PJ%TQOy(_~O~S=y20y~tuffbu)& z;OUJF+e&3-A*0yv5^sl$1YaKC+)&g0sV&*o$$Gymoz%9izWoB?e3-0JR0tTx$Z$U% z9h%DY(R=1f=Wn?%?rb4g^HDidTt?C^vDmld)iw|Bxu<1#NU1ZNEr0?R5cGyhdf|gA z7w({fat%34{Yb0zR$^S_q3ws>%G%rQo|bW%`Cu?f})lyG%Lcpwtd8lJE@;~cT48Z?3vtysr{s3@FCfdNwaJnTe6PH6X8VfcpTu% zzC5GkAwTp4^|C#$UBlf(M9^ZFUw-KD>8s(Jo{Hv^K`OCtZmEcM+j~ldUe|<^S|HQ! zqxH=B;~KSTDch#z#|y&GWB*kBCIz+c!6^U<57XOMM60EVrlS`b$)$i3s-PtM2i^Ve!nbVaQUV0S6V0UesK&J^8jdR2EaoeRRRdvg=Ai<4? zzS8A7rsT36HdLW@HZriOg-u_4O7RCqC!D@s>46oPA|cFLVx|I#sFyT#F(3y0piPCPu=VLbg}hG*d42aA6nF#bs;KRNVFGFd)7Y8xNa7FVY6!*s54|dCb{&=;Mk?LH2embE`6xs`5M3zi3P8fMQ zdpvW=gXM>QANL=J8Os`~Ud35hW&MU#21yQr1Eyl|4OWlLgYE!$+T zWXZmi8KcFT8EJZFmcEz!oco-*>ptf`=X1WF@8|pd{r(W+(U|LfU9anPJzvZ9eBvUO z5@F#fIFKz5YV71;AAxEa(^frL1Y_d~lps{Hy~lfChtu}KGsZ{mtDDLBYM8$pj?mb# z#Kj68habaJIBMepUixwQOs)FRkEl=Fq0oU->EL|u5YJ=yRbIPf( zEHLB1h{B(>vD~qKP&(b8rghO6XvGp*G@W7FS=B}oqo-7|?{h;xOO((P{`3<*lBugYuI46z$v%h42UEEyJ2SUqYe>L9s$xIX;V zYZU(jk(W;DtN7c(Y4vuG`9!pspn@I#nA-?Y5UP0u ze-X#S=&#KR?%CI~_s(6&vlS=QTZ0TL80OdTEVF^uv8?&+T2Jid+4@8o=KvXu!JF_A zfOUreHyd{kYr`-I&+0mn>I!d2Nik4D)h0jV30S$Z4VirZ)TTof z1HFiH^6VkjHZbPBct7}%YCQr-OJ6yM6s<9(f2Q@C=rU4bYSaO76;6i!#=b=8rk`H} z-_;K#2|}kwhAxg4%)jC7CR0<0tIJ6I*i)S9nllXN)`FvBb3)vg4n41Zocc5ENA{Ew zY$_5u-Wwf@Gk4~NIfR3ca|Q|WV#-6(tRqW)5Niwsxi<$#_PF(ORUq@}#?w<7GJU!S z84}T$iZ07M_lu@;d3*jvEZAyB{AmwYSR$M#t1`q7l2^P!$+R@-IA zy|++2#%KBF!-+jiC#eSi!M1ud-DYmYp9cI#9P2nVG9Ci;)GxlM+sbH-)l<__demE3 zwr!OhCMHDvuqs-`ve8QFX7#lVN1i^1ZBGHhY7%&+G$#)b1B1L@ga0szCU9w?R_MuT z%!RyW5)Y)$$?7i5N*?HBNlZJJ*L>cec4a)+{X~KR8I~pS34WDAx0@TRW~$LG8qsh- z?Nqk@Q(49)`j%d{UeR=w%UnQFBZj{?=;&&f*U$adssC~>(c+w76d(K+-dk9zF+&EN zUv@>h6k%`sWPLQf?ZTdfM$Z+kijx|?*+C7ADdAtTvlz(E>;B@Y%IZ#m$C`U!8l&06% zfOxYz&=xz9fnXR!amA)nhWA$9^Y`MmA3ZOTAIaP~F(oN^x>-)9`8>Yq@X3>SY865; zE-K=K-c=IvDD<|fYavDSwNFRY?We_eK(RbF)BJ&Hiy0QllEHNY)`M-hX9yVnxYjU{ zyTXx5TERxpZ+wpYbf_4~hc(T?XuAx$H}Mhx70`yhpNSC%?i} ztQgMR4ove`7|R=-{nASQrN&FclB!7i1J_LF0H-V+lgGZL+U(ETMv?+0!5q-F0m%A( zYgyy@k_XlS90os_wCdCgsd9p!xsDs zyK#@Z6+cuo@fEh{dK8`W&4aX1=%>)^JFVk+oS0Fj*CUcuZ0j{yiCPjn2IY0t;+MdjPHU|D6Uoj8ug9SbLiJHI#vVcqCs3g{@gRSdE ze!C38OMbR;qx_-z*dKcJKNx8BB|H(WUUr%8iBB@%mOU_&xnN+8J9-KhoXCcF>MQ>*D)@4LPR3^fazWVeBGPP$0r$7J{z0Ap4}Sf( zx2gZfE>A91K9|0Jyi~Y2{4-)-Q2P9~C-HxX0NrmZ|F0EsnRHL~)kOzR#1WuFc&x0z z;CIzl&IT09xW^u{m_L~YbYbz2vrq(BJ%i6GR^Vs#+RrnRqM_^#! z4gs`IpmDntR}6IpBpbEr3Gm5x9x=0vZ!gzoo46mpL{Y#0Ve3|zXZ4xz`&zn$NZH6D z(67~9wr#FQPAj+aa<0qS#)L=i)Ancs*Y>fiPR=`7y>oh|-{OUqeszh{6HlvC zr&HMCs$AhIM)G6dF@hkj16^8InD1s)(uwNvd!U+euH{^|_l6T&`KY|z)dVQOlP${P zCcLHtPq`f6T3Og)L1-wYgc{@zgA>S$1vOK@~V?K7R)SQG^ZLB&eva$;m=_gToX zQrCV<^NQq8YftH*b@7ccNGgG{5I=VrIM=;-&`TgEtpVIG65nl92hQ^`L*n=jgtbpH zLPW1^B5=D;t69zC%6Fr*De3IQO=spye{skNE|@EXaJ#pd6!<)ETv@11C3Muee1%0x z;_DIQNd<}!n8d z9AXjD9T`439+S>rUX5R&e+xeHrpF$=zNpElQhGOWE!I6q0RzDM?}wEMzelvEzbe)% ztGbb9-d3LFeK6m}U3#I}uID6IVPg1Xsy@LxYuK^9x}&T-UX2#oD15_(H=%w!^-IA| zp6GEJ=2C@L0TfSZQ@%uO2>*f z!$L!~gIA23E6QhV->|@tjyu@dhG;?z+Keg2-I+)h8=aP|$hq4pQJY@o<7RdI+}4AK z_>zrb8%Bk}>T2QZB}~=@Ti7r@hvARRT}rLES~y9kOe_`=@3v}4C6}&A+>jNx_4rwj zBaPvLx;&pE)6S0x%Rb+(WBI6O)|cjD=6~{;?3#rYn+3)W*)@(eT^M3)JUmg5zq!%p z7wMY$EwSfszV3;yRR_#IKiFy~1IZQz{I2=b^tCmn=W1)r79g(?nY_qla^VNO6X*r$ z@~<%RG*@qa5Io%yU_@9x1wZ}G&VIUOF#G*^r^TIL`A~*}?3`@h4L=KbTfIy5^EF~s zXp8VBl2&**OQk2UzsKJsU7qEkm{SBsCizX7lUEfN=BGOK;6Q!KP#N$vPtSFVBU(g6}z2=lP?l{(J{z z+n(7G$LC$(bU*CkU61ik_ZLH3BhDsl?#}Hgtb3_r8^An$^_}H~YWD)gH}jZx$RAe( zIo1qBF6S04fkRz1M>;+?E^tdVjL3<&j5Nn1H^Qg+HKT7A!xBT`DqYXUlb@;&ad zHG2*v?d{f8KlNGYRD)cwgO1kgq_EGC!G3q^0K)qHF8le=Z%2>U7yD>qR@vmOfAjLe z8P^S_%2#SvSK0|2L9KQ~QQP&3rTZMds%1aY2_|E|vc&wj!UNxVpk zP1G*Q3&=s=H)5uqZ_VDCKY62_yIIiqjY#?SUhc};n#x{(kDe2cN>At~J>8!nX1;vq zd6#$*!{{%BKfBPUT%fH!QO@Gtl#^b&HP2uFxaY_ll@HaY&%}=FIqdJ|%1kX@ztB;b zI}zk?jk+r^fDg6KJy$y1f(mZ5{HgVrG9^vy;<`(cKXdRcfb>I%8}XN)>p&dz=O#Ow zOX(s{YyoE}et_-u?F-D?pKQ~g7zHTF|NVpi|3Un=1pgyuqI6CJC+}leX2{I)$Z|nD zk3X$Vl?J+>r}ZDpMFBJWb1OXAHpG_6xA8a0+LRWsKD*Ah;Klw}tyn)h++=G&yO;~4 z?`ysNg!kG0nn-<1zngaw_55q@zuvL+4R8Ar|J)DI!KEVy98WiZD;Dzt`f$3GFj>-! zC*6(Ga-kzhKQ9|{^VOE9t1i79-WDKlR;laN^vjbY;yVy-H6}cv9$3q+NzHo?Ld4kF zxYH!08oowAHTE+J1d>P4gAIT!vX5)%hCM!DtUxjaDueIJ$H~I2o@*bmB+_5mPs;95 zy}Hu{zP|G0t4B&J&o};P&_C`R00y%AjkoEVFAp@*H+Rw2eQv6F1GT#hIzM(ZJF4+q zl}Sco#iV`9);l7jd4AfMcf>!ndnemAuw`=F0|N4Faz~y88l(j(^RH@G+4A@)t5u=H z_CU;T$kAW8xwejw*{blSK=W0=NJD{9fuH>;ffuH4#1r9qAMxz1rCdSKuV(oHLW4Vx zQ}{Rpoz@8{edZ`tkKwuE`CMI|g_g29UdDRB>vko{nq2ux?rH7ex3-OUhKFQwVz{dg z>k=S~F;`6u<1DGcgXU`oFBEm$G`ZP~ZU4#AS^W5cuuwf6Xx+Fa_sJu};RSqEvcXg3JE8Tbms$9g(_3m; zy!iS9CYx|iD*(*gGZ%wbAfMoZ6T)mhyy(OMvNt}w`XggfEujqu*+ zA$6KXY~6NTYlZ;BEkB2iXP6}9Q80#EQ*A<|P1@g#?-;z zgVWkh?WBL(QyM;GVz`B$Q%+Y}@3a6P|sap@7XNh8E2Fm&qvRrqW^-!xW zmVDaB(Ai`WkfFvqP5LjNBq3l>ucwAxKzGX=q*~TBwNJa1F+cINZL`s`HWO41?z%93 z7cXMuFUKTV8UzYOc)E>0q#9LE9EoAB1zcAoCX#LvaTj8Zo3-2;*EFzw*}t_sWOH)1 z=~jXFJ6sNHo*M~BS9~}eKF96{}Z;}OB`90 z;w;m|&nvO zi!CAjc|Y5x|Hjx}ld0*yMQWKM4qV~6e%&;{FlEsYT%>1o_Nc*?l0xlpB<)Ub?exst zH>*ch2QzzxOtndy=?-R&s*mQ&+aUK>O&=@N zUJ8^%FP8qqL@%2Bi!h}SlypSF2x9Bxx;J4>XdsZqcMD5n-|46Cb!T=){I>!qyXZ zF%ctxDq-lqzMcNXX>aRUnseZBcZWJRON|P4laB(|7v$8RB7fTF!uGm!-q%h_u~{~& zd>N4nLNK@wY;pWM*YZ0@lMGS~zYjuw=7%jg17^7%F$Il4U zDX6|Od}Qh;X39OMiH#-BE@pY1%BSyit}MF$gt@MiOeNy!=AhJ%Y9b7(QwdE-MO-~m zB+&Pa8?dKRfY6 z9N$zGIBV*A@ba5R_FvphDdEN!sHW;CF{c%ErqS7yZ#@`Jo2{^PsDb})R8EGrR@3HY zo)zF)M+F{1_`BRrL$}hLU~5}>Id$jHHKi7hEkA~>bvT8}k_CJkKg$yRi`Mxg)Z_h6 z$1Xr97}_f3)V&EwjVH_Bi8xpZN@>Hshi;1DX&&Blu2MhxWo#)Zg@IEf9JD}dsQ&ai;BGoWnN2vm=_u6(mq?LY&F+IFLkKw%|n~iFJ3_I`0jC z?Y9Z>VP~YdTzc`TEamaA9SE0iGcmf~zR;Veu(wun1zGt?#a^7bPHDp8<6V- zzJ`Bws;@b}qsjWB*GfoTJk zvwCgZDhNr9n`_h>B#d#R^lMrBf`v@`m3tPHm(r};NL(l=w*L@7??C($Tl)RB@_<6Pf*_vbvt$G^ zvvPwEFcl$#`z{lo%?Io&dlm*&5?jDhYvdk0=8k7N3k+X0dGzfAe4iH@M=Ij$Rms$F z{EE3d-CR{bOvS@CICDlS&EKD-nR7caH{h|o3j zbOYosRAkJGOnYBM8hZvj{S5FD@f!g9KO%keZw+Gm=W)NK>KZtSuPq~3_VG8!o4k8#nn}2^2 z?mclwMY$Qm*WC1VnXKIUtW#pq?AyR%VBBIBq^SAIfKi`=jJQHWEH!S& zs3eDAEbLCjO9#ufNa57z&2{kw-udmmM^Dj>pWOyBSRlAipF{qbB!Dgc!zlgFVz_^d zCl%ZN>NtAYht5-Njg}loK#@0Hc{nmoB#rmAvpF<4zgzBt`tc*zcseEW|GBr)`v^$u ziB2!ygK4nFy*$-;-?`MFLE+TK2W^SCXR5Wpq<(OCXrQog7|`}m=r*JXaAg`EPn0l` z;)242$O2L{7(a%47ZgRf%C zf!^aHpMhbqnt{rsN&D`0<2d52*F!fm-lQ@+{|_zFznRtnh4aV@70G0JplTDQqW6fX z!A#KcCG?)meGP6!l+XP>m#7D1>A>`?C$Pl}04#`zs|jLlLE~E8_>;!C=`77*Ouva} zsDkZv!!(TKL%reF+sjw_J*)2O5|~N(e+57(t_A!3&{UP{d$uToc1bcdR%~0pvC$V6q5E>J2h|um4a4cew&XeB5A$#gc=h z0Nr9wpzVt7NVk_~10&zP_UJ1-c1@kPWn$<$YYXX-E|~AN;8N!@jNtktkOZJVDczYv zU@H|oYXuk8?*H*A{a>!$STOwm3iajG0<{$W0`;9k(y{?dc3;_qW}+j-Xq|n+MbDG+ zYH!BFK<68c0x8XXlX(75;8n#XED3RHoua(j;)Olo%H*;2X(<_}$`oPD3l zk@mc4{t3%IWlf^}1(>MT2~&N0a&rv$D(D7mmui2l(XfhzTiEHF6{U|No0*Ft9WPQcO1g0oG){Y%ua z`WQFvUT5A!jGT-2=ZrOF;Zs9bj9WGKPBd0M%!Gr8YnB85hXpP$@%4Xe5&3Dc;Gf|4 z?@UOq*%|!3&15P?j=UP*Ac|q><2vmy<}<@_ibgS#RXP!6&2N_n&GEVW>11r#fjIdU z_D$XY#}MoHu=t;?5;~ns_d8dZGmO>e6ev~o9*Ik1zG94TtjYAS_8vr9Gv|JsVF<$& zJOE}GWCO#`aJw>iIN5qyarlSiFszM1BoafE2@Yv2@fkLJewMRwNMny=z;X6Ni+3h{ zvyXtAME$?wCP6o6CAT!&h82KoF0r`pT++%<hWkAgh5gm67vwd#Lw!*yx?=Yyp@x zfak-H2E&U4W4SHD;icWfYCAOFRV{IR`u`e)VtEE);GbhemeTf^dwx0P)1*0Jbk z!k0Sbw4zehhKs?`POy(CNbkKvw=bR=N#@IZ+&eoSXrlazu$d3vY?VJiA%BZ$al61q zssTh3T1!povmigjhleZ}dE=BB4=PeJxYUt5%IzEYR48-ean*eJ>`uYY4~=J|)w(Y5 zNihFY)r5Z(hkrZRKMlaYFSiUlBTEE^ZU8|{1#y|*fdiFWNHf#pnVs)9@o)#}?-hJL z{}|n4dl(4ra(*x!4dA*;A#nw6B?!2S-!~3o)gNGm0oBxfFYh~~p%4DP<+jVVs(N$? zwWNsO&uFm!1pMKDe}a7}cF+b(DW=7C45X?f21BT?hTq1Oyh3{wPZsOFuF;GuFmv^b}c`U$E8Hq3d=+9ow;tGy{DK3F*!M{}KBV*SXd1gI*+MFQ} z1+q#p`@24cCAz@}4o#`($LFQx2 z-1l~pPnAszac)buaEqs%b)nC%uUXOh=xV6?r2mhH*?&uj`R_(Aon*-HfPMFerK|-) z=4g3uX2S4zW5^*DJ|c9ljB-wLiQLCR9is5m4H?~dewP|c~k z7h&C>I8x?^{d_M~&0f-;ITHMOb>iAjB3`_oO6!N2k#(Zoz0;E9d65XNGl~6C@l(!s z$Jn!__SkTsP`6eKtCQyj5?A%cb<#D7gAMaK!RJpO&Q$(XK>2+g_#NKBdEopI?xTf$#mmd13C5KsJ3ZfgJbviJr*(jCiTqu^ z!uQ$0|4?n~+S2t}zH?xib}koGblB$%yY0DE zpgZXanQlP@hjFv8zOCmNamJN?pvnGJ+gqE!JB}lx=7iW;P4Qv@h0;_QsM&v)O!zm; znfZ5t!+mr3XrJcL&9Or#_)^v16EEZGmIz2?i8udBszo#D5+1}ijTAVPVp`)|DCg93 zRxh5`aYRr|2`{uV15|&r|54YwIsqDDA=xW9*){THIN1vwQ76r4iBO=q=El+5MTB?u z`K{V)wfjtg+9{cfCyy^X`fA`P8gy0H`*4-G13>)Za(N*ya|2{U>s%e&(_$E_sF*li z?-X1Gn3xQy$l*_FcSqCS#IHV1c(-qTvbH6x3((y?9GLN7so;Rr@u4^y<~>dt{sbb5 z%MYoubfz4f1TF=l_#u;#J^r%6ZC=i8Ey<(0I>Uzvug$gh=dABdxE*2w`r7%gL1W{Z z$Y!)O`8Z)vnQabe@oQ20N_%SpLl_RImn1#>%ojJK$+AMj!`YZe30VpIvyTnJZlh{6bUl*0nmis29y)jIhl1Uf{hL`n1zgP8$jcS zTVDPsvSHexDtTFYGR<+Mtu&g?Lg&TErI5|MiJ5P4ofP^(q@oX?NJFu;39|*PO^tM7 zOKRSwIjjx!bC+?5KP_FyrMPs2S>_xQyf#t&X2i11HCvCrJxollG2pH+16KcGz(gI( z!?|U$fej#F_=O3>Q3CydeIk&uCYF4p9KLzH+y4Q(y4uJ+!Fzjq*(J-1t4a*hvlDry zkVmzm(51pr%_E)Bh*AUgDy3$`vQJ1jj@Af2hh{oyW`odKL&FtUVoMkeI#(RR6elk3l>TM6H{w=&jR z>2XarpLIXuDP#3;QrkKirB}BrUg5=n?K$GT;0VAb{~qM1kCGr&&nqU{!8#yQeWJ@a zblei_?~w(%_3L`hduKa!#1G#tj;!aW+G969d|g$ChveunG~7cLmTdqhs1F>WjF zMgPO#D(AUjF-nV6e}#!q|JlmQ0A2lxRcMrO-^gC^wv18fQ~2O70_xqk7mDjRl}PG! z6D6pYr2+ij5^>`dq~roc3hUUa8+yD9oss~*{WJ~y4KzGJEp5PL zI7Qi4SsT5zxkrG9>t99$5ShCAR-0V{1a)d7U&^;Uqn+?%gy$H zoFPm%Miixzk;1oWe%XBXJ&mk$0@feD!VtK6q%7HMZWv?^gs4U!IWnav-^JC#Zlq^K zPytDW^c*TqNGJ z-HG2Fg(bY>6!9Wk706y-k)j z*~A8*Jls3@`7{+CjTNE^t2dHY-(?)i@=0nslKMK(N>@AFYvJRXV<*IFVx&K=bUtlS z20TD*=S(3>0QVfp%avrWO`{>3{jZP(&h7$%FCWl3pR|A1-(yi0QZU^%*|}Z$& za-~wk`%3cT?}-AzG29i0s03)eBCI$a15>;84H|>mdaU2;_2&Ec)dSHW^x-mlum6^JOeVR3hS)E zC>}5jpN2)TRTWo_MRE2xg#ziS&0Hz4KM~^Ku)acu;i+*K24*N?6Y3t|a+7BaTPu5F zG5NmRscuKj!kni0D^WLAM_PE;uYqYl26?Ydl=>yrJ_M3_J7W!m0Zg6Dd>UbuOE9_N zv*e-)!OtVZGIKy9_g2HAvgHTVk?byk0VbINWMS@R=Q@WMuS;OBBmV8)>u>j8|CR5e zqpoHi-s|7IxiS`8eJz{548@y-mgTmh=?4hI&dmOSvxuvJiV&C`5p1%Cs|@|x^LgHA zab@V1J11Y>{-X^~&7+sGrgtv22?^f~x^d`6EcTj7Q-9Ii$+Iy9vj#Sp=_|f~nnd}A zJLc*yi4P->N!ZA*ObW}u%*WJ&Fm_{bHFFG*ILa|afo1vw3Wn6B>&QZ43Krv^z?7ED z86kM5oiS;4{B&pDhiFjR!;W z$1yys6Zk*gay)hT;&UF7^^*>`z!0B)h@lfIexma%`V$L>Gt{6;AC(n4xbpOmU3U2$b-p05ZuCIo{AUf zMG*)D4J8Ke#M9-zj=EYJ4=bNg+8Ziw+}aF#H$WgCL&qQyK$DqRVG>gq?0oPgc0G{3 zKGTKWFh-GaajqI_4|zjr-Ix`BxamY(y2TpAh516>aU^?nMGtp*3z2TU4IEG8RZ_I; zNMX=8=h`}++gnC~Ou0`r>KgRU-21{RUdx#qYFZy7eCrvwUuMek!q+?3tY>Ws#!yjl zbuw(R{yKGUJVMXBgnrv?b974MTKeI9R`*ZC%OoQv1jwi0V9>eg9x88eFXAYUPu z88pK$U!~!PgP7;aAvBFt*}igAvV;+9ID=V{@b<+fTJ(Bf>U=eiognBfk;0-mm+Caw zihW2xwy}(>0J$Gz09Gx7=7izk)+WQy0%Lu9`UJ|CnQ!%0>3p!vr(eis6W@{dEM0p2 zm&I0)TkzD{QB}@$wjApSu4Pn(Q>i<>O_reZlHKa$K(bXm&=I zks}w4gQ_lVah+V&y-q3da1#HUH>F{h{qkV*=#^{*mKm3V1Y*vYK{oX^@}WU&9Ur7M zW^gI6P{+C7L}iz^I|*vROeAl8fP03~ZJjAzyH%1j?NK4MRY8*fM((lTUpB(n zDNxEdN^%NOcIY!(KJAWA%Ip|<1+K@QyR6j0lVwa4rp2(tKFl7FUQ6;w+z0M)#IE2_ z%O8i&4;xiGCR@IZH9l=VWN)V}xV>KD3lVg^8VEF=Lp+oq&!mCAbAEA7_MPrGbnl)y ztP*B?T8}t#*ovSDFI&{NhjAQG2_`x;E?`1#B zk*IWyzhrrxvjMP!g3*#g#laL%K3Wz35j#g`h9ZI@uvjW$N`^Yid^MG6fl-zfbwG8xTd*PAZn)mh&To+o1yOw<% zYNwK8+=P0ustot0QIr16K9cT+!f=<#6zw+o&9jvng{z)dbUPDouHa}07<26s==vU7#c<$8*OI!cev}%5;chHxwyOB_|z^AzdWXowTl0ru0`JDuSBeKox+-U%1fzcCuggM#HnQ zL$KI2%e`ekOcv)Er*c3~fA|oziy05Kvm|U;>f9F@EBnfUn&ao_GKwH(xFrqq&SGp< zWXd19N$I$tjPWBVqRwB&PO?B}R();Cs4^!KyNjMiotyp0vI)+zqmv`;#>YCt*p3Xb zj`!xiyHK$vL_gpDmhJatm3KE5HI}`PhH)(J){HQXp)dxLmNHXH{|alR$eAFfG9(!B zIb%i}u!qJtJ|oW_m-HHERtiqCku@tVSjr9ncqHKKci`VNa`o{;$_!O*>IZeucM}Ip zY!I-#&qM_SJKMu7&j*&z16VNN&=4SwO===8VjevJbgTyKEO+JwK$M~|hUDlBcL_WK zGyEIf3D1`Tx)Rqu3j#K9q8ilwCIc_yZaBOnJt2H?B8*3IQa=#B!gBg077zU$?EF+i ziKSAf4{F%qfUREyseqhu0g33I8#%Dhq$N%abRy^~oC{Z62d2K1J6QF821$Q^xF(Xq zJP)bn2TxhexLLMbT%5$xRVO6fA!R!#rn%hGuvv@+hLXu*6k*LsuB2C?C7htnF+vkc+)AOocVu6f zd6us(SO+cbIbz_PzTyRuASRjZz5IQCksxuO%#xHnx)WFY@p@`quQWbUhu>K`}ksPES8LLZr_xrj3p$*rB4$4Wllj8 z>eD1hGic@`qm=pnWt}MZ3678c{>m(SIYXSb+JPvI^}W*|an@DH7G3_u1XG}V24&c^ z?$rYWv*!u*V9P)tHOm$ShIz?^camHdH8aFI&h17^o2X(H7=Aa#;V=jgZ^st~Vw?-o zZ0@}%Sgr0Ue!k_^b1C@8(~o=yGgkr))j7a@ok0{KQy{8=Gb}uV zcMm#}D;lwXcsTIYxsz2lUR($vr{y`nvMp{(%=YNtd}!yrLapH-npP_*3@nE|DvDfb zpTZJkdjaWNR~x2hTH|6Qkv`YB+0AXz=|)F^1hw+9W6|2(Y6;gG1B|XbF;1vu!PqjK zOs+P*e!qzdzJ4$JC`$u_;KfSO{3Dqr;yuPnw0uq4fU!-G@XK4}7?!iQvdy_eO&b-4 zcV;SD=<+NI|C|ozuexSG66gTJ?gQV_*=RAyT+7NBzyapai(E*xhDcmt;8w0nV@1Bg z&MfgOO$9RZ0Q<$4b)#B<^a8!_E3DgFokoWArn&o$(v3KsfNaSkze|9!bbKzc4K01) zPI8AS^CiR?XW+Hox1tw)ACtO$*h8Fh@>>t&U?uliClF5`IfKsbh1mziun*k{mTE{P z#?|b~#5Yx1Mpl$2fQ;E}6B)x;zBQDaVe^JumtsSy}Qv(})yJqK(64-(&0YTlJP zP0Tq(;a)vWlip{F5!r4p#P{{8D#@+0Il3-cHDXOBkh~glJ^)>&8!#V2N?^wgFw!}n za&NF)ur3UNOY8v5h4#0D6SCI}5RuyO#bWXhqk?u%w15>IGI3!2l}soXsm|hh~{CD$Cx*-oqaY)$B&=J3wn#D;fMaWsbBq# zPsM->T-EbFq8M_f<0N^3<%!Og_(G<)a_t{L3E;#y17hvG5knYf&9`JTABkKM;Qg0lQG=CSVx(FkC+wt+uVV8~h3O@1Q<*%ulPV?$Z za^%Yb2?(Dg#}_a2*y~dg(){5g)gsds-T^K9N9+24zqiHp4hAmLq4E zvy?DS__!J~dY;q3Np>K8j%E?9691O;VeZJ`Pez!SD=#IAYM{QSf{$T!CMU1KyO!v3 zkpE32N$Ou-)BRfz(Av&Od0>=j7VD zk8MYCMPJ)@?(fY_w zvPIqFU2ytsdw}n7unVY}=y@#pp#vw`7ylKu@3mjuBht@*{TG&^rMH(FgY$QtUm@sq zZzFId`|^IT)&zrWxWcD@b+4jdVULr5o{g;?d51bk1^w*ze`mBMCE|d;dG1#y1dw(W zG!3ZM6y-^U1#gzpUGr%quuGVJb%p?(wMKypwLZYaHb7CX-B_(mba0wmU3`Blsx?i|_0$;EA(&Jbbv)=nc+JjN7u zUoNF(n7co`@(ieIIJr**VIJek7v4PLLtc zq`pm8vZnNk)lpuj!f4;ip3$236|9dOjnvtJ$a@kgv)UmZScC~Xl#xaAoN=TNG*im_ z8`IqzaNCm_&J_nY?iwh>rrivbc6gRyzPC-O#RJVe?!?>(`_jf00@-)9EKW9gCKAd6 zVqy*wT5K^@?*2n8fNzI{=p=5c?|m&u1J1rnV1l|xi5!i{(Q`QnuCfxpm^sVbpvgMi4PaJ- z$c4j&8{5C9&bs%vT*=QVvB(zcAHhY)TVOUg>* z)gj7QkF^QdR@vK(lmI%jlbP}IElBFTOZ0z0LCNCoyt`W1V0mKaRyEPm3CuH4jX@}Y z1wopC)}s2;x}j%4gKNMTNf=UWq;_PIrF6+6!|BT!-KrAL%HoI4KDL+2IBZ>QV|?nm z*+!X&&94_K*^=)Y&@z5hP8wGWy9VMJM_y^8_b{(?*X*a+3Ou>s<2t2;3V;5|bv*7( zoYkv|tW8-O+GgiTR~{g}=AaEgLBW6-0yx--gK(NuJyMu0GC(RPtj6wuDm^`NeHL%) zIMt|UIgX6D*eZ8DZLcyvAsUtu_4X9J=Wm>4OZ01h_*LXjn*)LpcpeiupRX`!Pmm?x zuv+VVq-&u)z@*RcUYqoIXrT&BV`umdz6>6{x$CfyW6|oJI2~Lsnx6}UC?INUBt@I3 zq&C_^L>j1a$@nX#8Pk~TogZ%wWtkt2N{$V(JQUpG#oP68)=Y-9opT%MgAAvXM_vBZ zDa{sP=nfYV$0$-hiZXqy&wC#npZ{=7NPEL6Qp+cP=ZCsH69@OZ1<{q5_aIf4 z)pUk2{e1&myglEQt;e_lNdAw?51(X$OLBc{cb{K-V58b~{sh!5nd952w`E}qd*Ief zGq!oV8p#;?2vid#IjMn2-bsYCv28$}3)Y-bo_C3@QapL)6^CU1*kN-+i}F#i1UVdo znc1qLt;X90GT>^<{?5bq?SA@~er_!XQK&g=;;+N`>r$$Ba0R)22!5m&K?-6$p{y{r zHMx_I-NJB&{9E?5=XUyOluKM)zeU|Tx+E?>59^VVQ8qX1&&&oTX#`sb9Rn%|#YU&^ZMhnG&5?d#IG&L-lNIKS1kj zLCAa8fx7}xzRWmxm;O!3au~}JsgP=LEfSvpOF7nvrT}jqMLcAnFMq;>?y~Kj8L#S@ zEA)U%ybx16n;?Da`Eyggz-1RVEzzbr0QSruSXXl-zK{SWs=_}@#M*_k3`%MUrX5=y5aM09jJrPY)5HSE?&kiAQ{tzlMxPJcv_0!qI~rS4 zVp)G^^~yx630RRFGmvwS45WG~PfoM|=DYCEdBZ(L?Wng!CARn_*Yi z^4C)gK$d7^IeO+T{Q%8BqHZPjFw~Ygp|}wWJIAaO>IzhU8~^_Btrg2G_i@IncB4;I zMfR$9{R(J!Kccz907@kVa03C_SJugIh0WUcxMcrYod==Tv<;{tCHF4z9g1PV{008gaks;IM%y^K zo-&j*7MTP3d*3(tYBk^_UN(6i94IeHkfdR zV#3SdFDkql5qd<3+3?ney^qkTR9OK8JWYPy|S=g5C`&p^kjlLx^ew0>==cm zYO;hiecN$K4(~c=0pL~Nz-=Zo_b&BV<&LCsRDQFPxfQrRa%ogN&LlX7=|so3;Neqf zQDfD-)=(NsV3<;X_U@k-eEv)$^q{CN8ns0yuF)g{C?=9Y90>mGbxYh!BGckiCr3H4 zF7s!h@xEnqY%yoOZ>{m9hpU(__Yc8){viXR`KFm&FNfgK(%!fVJ5?JxJ z5-?4(>9}hS@4%ss_~KMbv*6rnPvH_zPVg>-|GJky&bl)TIk&-m;N9N%61Q>&aYqGo zqsVLS{-nu@)Gy|D0#DrC*`pk49kw!WK=h$J??EKkG9xz3L!21w_FRa>ybn!g220uY zYdQ7U)C_!xwK`*%`%#uEe=SRwXKJ-W3ho85qID*Tbzd zRN*Jqk&OUuoJM`wDb825GZ4aO*Sj}^6=?Mu9H6T2RKgjNknXVyKUL8 z;OxIETK)}t{5zDw56E)C0}Xg#w!(e(PR867U)?zPuAW?Szn;zHrBg%04UtwJ34|5* zqYr01u{U@^As__s-uOsa&lciEyy#i7WUzyyqeu$LYv32>5W*(&s}02;N|f>yOzq&- zuxT&ATKosJ#DDPX|4D4c;H(hg_7O`7F?cV{GfX@BK#T7$ESg1R*`rSiA@voXpARtg zio#)&N*uoMlHvz$N_!AKMf()^@7He(Y2C$zFHQRvN-c{fo4&mC# z%$-YzW^S5K%%2MK?(t4U|LVH`0v1iIpr1r)Al!z74?Vd=!d?pre1+}JP$Ct66K8ee zA;UA=eV&XoZk;hWE%PPQ(03%h%z@69z4+%VxjOiP)=2WFbv<6ZbNJ5??`sN!|3WFV2?-E3w zue6e0XuCIM2D>1_*T%XfgoLi!2-;)9| z#@oJ0|Nh2m{)gYu^7#6CfC=hlkzR0?D2Rfs*ODGi17`-Qx6aHloSDGEh5KS%fL@2d z#J(w<29Q%~PmXdA2vMlAHAt5`@=SfB>WcHn_+eOH77BY5S`HlhffS}c1VUiGw-AaH z96>{do2(DUxPmT(X8I@~YcHjnr+9vR{pIuLb9Bj%JI9X1mOOuIbXj0_ZumV7&6e2J zfEO)yXX$scbbzK)#kq$dGHz$MAMQij4dl-AKELCeAz1j!vzsk@nqs%LoFn9L6}=7P zFM~?MuC7m)M$UU?jhLRTt~|E;>Y>PxdAQz}J1jGN{Wh|Xusf3j zE;D3(jj=`yi)Md0Gyc5BG_OK?8I89+ewuzlJ5>||FnS-AT|OA4t>Bq-0O?QX?RMkf z0x_M!d_yP9%r8bYA)`mvm(%ePT)Cn`*3}v-y*Cv&XP4Qh6>z>p|6%ES`|FLOqPYEv zz=p$bSh0d}&2A!`Iuj|ZhRqqqAjPY03xv8qDx_n;w0&Mj4DiG`dE7Yd>iNI8d-HfG z|F&;@q_Rd4LQF-eEK}AJrcJh_QrVkIWf@B)p~j5JlC=m$nMx%gWt*~%T@kWmXBHt_ z&I#jWX3l;e-S>5Uzt{Ec`rY?+znCSC6&+=S|7&F?mv>Jm8iM=!c?M@D{XhZdrm2_O#X-U|EWp8M65=tWvy_?IiH|?`} zALeQN{eb=keO8! zxlj-Mp*uZr_%YrqgJUnc{jn!l%XjQsSs0jE7vC<04{=(liuk%9CWxv7HK9+8W_`gdd%UtDXo`;qmWU)uTb)Vj@LsS5+g!e zKsQrU&(|`|){-*uI+x$=T)ui0Ifx87Oh;V971~r|ZlcjfhQtP{WI=9}J#cRJT)a=yDHw-ntC3U7{U?ENZ{afv^K7gp*7Hpk8=b}TR7U^9oGs|KIw zECPc%@}Bg{zl7PDbKTQR!!oD%b*iV^nN!|cg0H(I^y{7)AI+1fHG0K+pd;SbSWA-P z?r{dKu7q|&;fzBGFZu)0lvvNHH5Tf}1A=Sl3c9_`wdZ3#^{tcrdh~75NA*Y+DTF3K zqQ9ZOq13hXDlx??a(nhvU?mMOtQ$kRp!i+T^O{&MI5mo4(|C zK)y5N41y1QMR|Z-TN!v&T@n$he}Z(R?SNgL!rn};T$VmA%%*%53wt}M{!lCTm}rYa z1p&dXR>&KS7wu1lIIW@?;}RAA7sAHyHM-A?K5# zUTZYp4s`MIlA|3fe4lo4O``-QS-&{u!-*%H>XkEyU<~KL6244Z_Dx?Uh9LQp_*roc zJaL(oa1{Acm{_WpHIZ!HFn`^F8)jVOdfxU{s;2#F)1&p?t?0Z*w5hBiQskl=3{G*& z-@*DU$KKC8=aigv{kj5P zzU7iuWE(FPoUyTez|fSWq>X4zC1tA8bR zccxrD)g?qoYP|Bcux8`)UZrk@4&Gn^-!~lK(+6-45c|_MvSjKxq)^Zmkcc|H{|;BF zv{UW7OwDQaqdlH(U!JY$b^DRK7?Gl+9d+Acd*Z3ZE9H7%lV3*~$iUigC1-|6QPc~T zas#E79IgJU-j*s)_j!jH0QGCfOJc*nMjo1RDd<0Z$Mi|*+k59ME)YNbfuR11oIz~) zZ+;5q=6YW3+g2zt*179U%(Ik3-y&C<8CBSf`c>z`Td`azGP@o2%prDB-uiSvF1*rkN4*CK2HPlR{ffMwTIDfYl-1_xsypH&jwsm?ipPu z8!oB5EQ=`nZm(u7?;1&-?15|$5fCmfXTY)n-~$1O-9>5`Acd>Ez>V+Zs>3B&gab%p z+`%^`#VJ>vtdHy{=#tpquE)Khki9I(YD0Ju(Dd|V3CE1MWa3_vnOW1l z0(EWvUK16?>=&M|)iFuEWA;57)oPa({O))Lr0FS|?_TqLgIG14GF1)Ciwu-J^&UOB zhT}odf-O9mRtf~I4g+f_zm_C+zJq2F%WMs{Jp0n*8iK#4sU&-DtE`Ez2)A?#SaZuG z;4+Axft@slu#AIjL@k`|SGSUdt!Y_f=Bw~BVQTfjM?c@SS9Z9p9Qhg=Bl`RE1#T9*y~nqtotl}6_lmE?_J97oS8-u zJR#g9vx_WOzL8*=z(`AmUJTj($eAj&5p6TMn(s8}S#($JqVtC1eNHmLX7VW}Qv*xm z#=A##YYC;U#L}OmMT}Mt_}dH_m4OrAbSU96bbbDKglq56{vQV}-0*y9QxMrAQZMpKjEmxjnC1cw5nG zepk8V%3)#CqcyocJ`g`543_!|Y2NelRbaB%-MojO{hSqpR*6|>!kmMU)S()dbQUw_ z`Z_0d+4Gd!8w(3=_kTF>JuyOf*PeU)&De|R-qA|hn=mr?GwXRd2EI@G$FGw@u&(%$ z!nVnNHA;IC`NCT1@%m7V>eKHVrbLg3?K}+*-7C(+V47EWvT&2?3{Mw!GcOI17(-UE z!fSF@41x_KxU%eeac;E{}b_W%7ivQlmZae9Fug~IbA`??4>QR2ypo3aaKZ)nq5Y_+#9p<0KUf?BTFJe(#pU*@U z*u3|=dv-Nk)Y<>QcK5W%TkN3h zzYw(}%k-06$xl?TH6pCaapWq%shpiiGd0h9l13*>f!xh{BZYC9yKefSUyGg6Vtnuy zTr|x$+nkk(-r1;Suz&Yv-&pPFto3PeL-UiKpwI3!BB*s4fExI!qIQCL0$uk3Beb>e zMCeAOEv$KP+a}Hdy~F|o554cbm+xG1OX-?)Aj1>n2D-eP}W6M)(4Am3)1& z%ZVVvnBmR@Pfuax8nP;QlgC% z35Fr{DOM5XlDvYk>w{s#>35gwy>6?&ygrMPyz$2+883%X+-)>;3Jt4v^WqT&5P$78 zQh@c?7utw&+*7QJF)#dmsu$w3$o zL0@lmmIZxuY6>(D6P9H@@-`scm3<{z4IG?rFIYpjcT z{I#o+nvVm$h4F~c6yVHBBEku*8;DRP#|Tb70O3Ne(j-rt;aLtf=)Ts2tePX4iey5* z+s^UBc|so}!Zo!*J*NP5vJ<+)GKF5J82D(Aw-oZo;_RA~!(K%>zHb6vtl6lcgeh@7 zXRD!UHbMpPG`-7eLDMRd#`ZZ4wpyP#PYS|C7EG^)vF5DTacjrivfbXC?tR|jplmxF zbN=WAS3OKtAx>)H%l`wplK(uh|35()y@!L2V|tp=uv*3xkEOyk4VCj2Lt3!QFmiQc zwhNd2=bfUB(zxid<^ABC$?5%udKn9y}3=~ zZXi@<36Yt8w+PmpL!`>1K&M$Qyl(n-+MX|j1I&n7((RPOXZjaPDWXN!gs+x#pGiDN zIZ=H!V$kLq3dR3z8djoCIb;&M!KoF93Sy-QPTFKBsoTvHq+u299b+ic#Up8TZLBTU z4W_5DS^^KvGs*&Y<0MFx7}6Olum_J|dToYUs>J#H_W{J&1#~u;&?iL_*Y%q*O-kOi z&k1?n(oej1+aT@|(Z99R=3@Wj3sEj;&n5aa4Kfj5umDO4&PW3;lr$T6G`B6~S1RH! zDIw5Fu@!Krf1tTCBJ7(iTqPP-8I1t4WN$uzDxJcYc3gdEMX7j^osQ)>tGty*7EDvz zG_{%BT4@oLtP=~-}4?30gwB5m+!7A!eO>G-e~K? zs2jG_)-AE)n~6UZQctG*^e00rqWp+A??*O9{}bK`^(x6vhVNSxSuDnhE&< zXRFTg&Ev@yS^n3~K<>J)7N37@t*P6lM<}sCRgdgB5kyQpW_l}eMW{OJ-{s2MsI#cn z@S~?(dDf{M$fkPdgwYNP#2bQb%+khpIhS-CRA>7Snh74X)~K+HKwS*NDq_9S!KXpw z68wmJl9vsd1=DU_>q-CztcEeg^{_y|MUi}bufm5;o#dcx3(u~d_1M|9UH`S}Tsqr; zmu|3)<3wyc&BuFTAmzKh7!bnLU0xm9bcXOiIXd7C`B1DA>&>{Vpg|-|W~%{4wJ+5f zCyF#8vPHZ+qjh*tU7DM1XOzLxvMq!k<=UGBWIL5u`Ep9+;ha9a+3@#+)e+SaW=+@U z0o@po38w)%uoVvFC~*(Ap2eYH7v{B0AIRZEoUKFhJ81YT*)3K`@^ZXNn9W_&gd{c7 z4+{|j-6xianRwtS{=yLckCgHUkb^BoK)%KQv^Gf9+WQjk0gkr_snVy^DwBHz_JpY5 z$Vu<{iuCfHm2bBFCYRjP9gu{`=lfDSHFiFnl7?;>M%)YOEFa6gi5LP&V+*j^mDm(b0Tz3Z`26M0_Sc)<-FkU~B0TwOqF`!|&t6$H zbf{z_XFc%?x&Tm;gMaA0Z3VR0VOCd_g3;2f}u{~eAz6BC} zTfiFgZzr7t0Oi)?N^~DTB2*0(-EflD{bHcSDzW%dz5zFAW)$uxQ6OX5`{+|M*s*Cl zki(uydjzdNqMzRTMd_AFK!7no09Fb9+xo>%)VHHHW0pj4Vh_N6od$~x5?jGOOkzcZY1%IXvyqkqLWsz&qLjE*F%mUKA8+bX(UzMFyPzw3j zXBi};S7|@|MtOD9OwqCLy9%-L+_mrcxgkV&_YGp>T-jfVt^awb9KOpGU)A^w zK5vBfYF< zxXw;F*v2t!BF_e2@|E>Hi@8`X1!xX%Yl=2+s(QDA({G;dx%giG1_3f1Pt>5*67yxFzY($JvuQ zpKThkkgZkEJUgBTn&yG8UBLE~H}C3Ws@yIpldre`lyXaV)EsK;R~^^NxL?swr~HFk zu;RXX_gcP%RLG{XT%UK(8*CFaj0unP_Kwa(|^=CYT; zt(CikUG{a`e6QFL9kRq0E}(Md0WPq7hy}psGG_IE&5`K!o`?0R&(+ zf=^DQ__!;sj_o@Nr?P^-pojHOK09vb2APFCw77viFsO6(QQ@MTS-sRk7o7wvk-|xM zYM=a2##AV9wpy@5V8D%B_?3bTLnGlicONwmX@+v5h3|Z5dNxoy<7nEVYP{`Sv{q>U z6}}EqCCW(2pL&FMcW$~ngo)%TBl^5lg3n8T5!=|WQYlVGvZ5&$I@?-cRF=e+M9&ohpld!_!`rK%MZ&g!kAovA!%Dqo zLQPZKS+r8fV`^OsZHb=r&pGXh*ZI5qVjq9xAw)<@EnC|lsBSmy| zQ6W3=I3wZKa!sU~RB-4vow^$4RL>Ajlzs8gCNFdK%o>*~%SO=eT$^$VT(pLra3S;i zye>Oos;yvM;PgTmR_L>zWCF8Vz;m{ZV!A|}jU9)or15w03X6TO$1Kc- zBdUC2-Z4u}_VFUH^jBm-(nU-U+ANBFsjYk?kZm{(r)Q_T@iRBarlpLACpC|>TfTS5 zq^RMFQ?!3HBp+Md5DoFY=b#Dh@G-D05D`u$*YPtV;U7Y`1fc2GL#<~aY)$UU7RJC0 zrf3r(dDY9!St`kDx^Jt8r!{3`cj459(615~KqWA`hl&WV;CLf6njp!;yHB1j5Nad{ zYMv=7aiP;0@KT&s_D7+gP zNbuHWwQH?4&c~|;D2J`QnRD$S`EIo_}unY(rmsJLA|ejduG zz}>V@ocq%1-CsTANkn7J)I;VU2TMP6dBN1z2|NkRg%d9mq+EL&5uq=1v@CaT%CRBu zRlQ~ms|aa7N5@|Lb>~!zdylSX#|&pbQ@p&@aAI`28%U8kLG{c*@=$KCHzIr+Nqa(-yS9^p`C@Or}D_QORZulvs z#9FqVucsvC8_5j=Zyo^4c`YdV48+vN^;uNd$dFeUttaS39folk-TvjwI?n@+WvNXa z7~8S=HIDn0Vs|lmKRrDnCTKqjrXN;{P2eaHY1m~X4;;LuzA7sU@1$qlVPMEgwfKT; zbeD+58th;k4cp{WChZWE!3N|&O#c=dAxi0 zmjvTZZJt2w_0p7ErvOjTNHN71X?v&WEWQKKmq23rzWH7$CRLF{?*np^$uZcAI7xys zYzO(+wfRnvgqK<{aHlSKSw}Wr?ANaM(Tr~Jr5BCyC!rXww zkw*q5I0u`LSb%^I>yp-ECkMG;2W42T>FVtG8?zSmdwzfJ=Sc26aAq0U;guv=>cmhr zD7tei;G3s}V82?mQ77dEkSM9=cIBd=QWOhJ>l+XBqS~oMloUJ-o?epoP-hxelbLei zSm@nU|DJ*CxxqNBs0iEmx|^xgw>3(?HRv1`BYYbwqU0;duF?`W2mIZb`3UV6A@`Kz zTeG++_2V?F6iYp;8K5rYxLtC+Lw~4KQ)s^_|84`DQL9OCBwooQHdAnXPvCHHM=|(9 z7M{G`;BvORB9JY4=|+qwPKfMWHXwXar=Nm%2nx^Lp$2y&uiv;d07Sm?Uvut zUUU|B;~s*JP%R5q0^GG0NC_8MkoL_@C}QlNsLy|&sDFJeAbBc*bHZPet<1Y$dVzD2 zYuT#fX|WGF67Rd}Nd5lEZI~@_*I#re*(vSsxjg^KqzrZ4Q;L-v1XQf4VmjiHptRqP zvlsb*l`j{KyPa~+-sL92jHOhqYxZos_*Pc2{6-(=fGe9)_RUKlO>H?)S>Lnw>-nSq zlAiPLP8zT&YGnwYnuvjyhQl9iaQwipMG%Kn-;S=O^5aP`^#9zt8og zgJmV}(*`?bP1he7d4TPq)A`4HRjWzot@>yT@|2Ij?Se+{ut5X(1{1eJ8w(}-W0`)T zG&5@Z@nhQ}J(Bz{hH@WVYZ8qOKRZ(DOQKV-Lfjjfco}qF_~Z@N=ulkfto(aVU$i23 zCuCXLtJ)+fm9)ogS|g`vY=6d14{UKC#89f!`3rWG26zNWbv zNxlJxfvGVAm*-8-9KYq+8QdK-4p`NY5%%2JUxcsO}1o9FYLSeM9?HZhee>};0_Zs@Z6gHaD?{IY`> zC@vJ);BS2#!o@{jxU=?PxwZmXf`nXWQGg!b8e()LxySJSPWKFhtVHDflv7cT#Z_jwlEH8Z;v}TRc zzV)tBC(fQUG3Nrm9^!=k`q4<0)YIfo1wfeU>{BY(F#im}qj-QY`HRxMRDi@kV}*!- zLEZ*zXK(;;4}rxXLR6cWeRDOp2@7ioaGzNrLZje($p%U6z4^Iqm2JP+oqsF8F#_mm z$aT{2YBD%LO;92LeXe6-YCB9pR*eB;yPu%)6ZLv<(^65Cb#B3*$aqawy(P%0Kwcs^ zMMn5%{X`j`?izFYO+`Ww*8CeFQvQwR`2z!Q73bb3)wOVx)0BZhaH_ok!r7hFVR>|Z z7w^tAc#g5O&O!iUVSk+ciIT@o#``A#ci<Vz z4ps+r^=jx?at2*jNj!}=xoxkwUzQxP>akyb!>RQrYPPtFYW}BJiJ{Wz)P)0a^;R4i zb?of08}58p9SypK<36b$%HTyMkr%HNJQmMe;)DL}HB@Inrknu=9voGJqe(p$pqTCM zxYVNc@9^cnGuQu<{s`90ze)W657LGB@5%bVmPrqKK@Zof1xg0$$cw5+a@+p#Sw%kn zM5&O#04||x`I+sc*{%O6m{3ao0nQVU6_C@^f20SZlVC7oe}2_r1YG?n%_8w47sHVR zGaT^ZmASYdA>ub_-~FRNIi=x|@(viBXq6pm0Ys-dj$X9fOt1kStPIdHjRZ*VnHZkw zoIZ;4<4?>HP$J&vfSj`CMUf^SE)`c=QgjwAajDoM3O750BMlbwZdMnP>V=<8`TP6| z|8D{l{+L!0BaWM6$5KK*jWhysb&>DlK3wWglqhM~z2!EV?V^iY49o`;`nMIg^oa!% z`u|VLmRbPABVbQzSY5sqa2%Yg$&1(Xb6Z!bBKxk<=Dw2`1s{v7J+^O`EFjmw&Hx4t z9{NVyUe0>dRSi-O;#1p(uwt+{5TFe6otA=4s;)cDW%OxtLRNi@)afX1-JU5QWJ^g@ z5=jHf!aV})kG!;>C@*rzDH>?SOI`o^{o^J-^+#c?;=JI=PwmOQc_mQ63D1Ux&zsXb}7Yo1vy1c`HH0Bfb(2;P~2w4cH)Wty&F zL+7EgdajxXY55qX^Qir^=y=D{YuBSGipMpLMr>n0KTBH)NXO%E0u2ceDZ%Ujs zK)ryGBkY8MUL`Z#){K+^3oyIFx-3h-cuG#UTu?jSx0#9 zWCB*hP1467NG*B4Yie%_CIgBU^lhV1D;33Wmq?IO4 zl$$uEJO7qz-c>5@67bBvw>c8(cT~_{9C1B&!FSW4IM;r@$_+MsX+o^rTZpnh)&jms z$E>lNkW-{&R0lqDFAl6~TrphmQgL^>ud=4*or+jNZNAKZt{QL8Zjt+m`jDDM>ed_r z-mMTt*bL_5{gOo!{E6xZ_B3-#ChoD+!jeV(>-DADK0+qPf>e3pDlQ0H=s|v4A53*7 zN8_XjXFchuBq^Lqbs*+&ioBB%{(tTtZ&W60nV8-TW^!oZ z6y6y6nsm8;j3`S9a~SI#`L1f)sgq`#uJY-DS^q?Zp_M=-xCNa;6+&eE!%g1s-cX%^ zGR!gnNGz(VW9!k921>5lI`8iWKeHaRJ?*qP^PIn1k%p#EkSU6DI?_X{+DEwGp&`#? zQ&{Xlk1*@cA^p}b`A7d-mEkX`^f%Zak=R}fiE(kL z&6HfU=G&cbhZ>uY1+^?+%$PI-Ul!p#qhHntfC6+t~U8p zcO4e8eLb~#AzfuvnEc(y9irxMP>MrK=JmHH)h|D+DuK|8CAnUlqelfxX{^1*cdiiB zOr4hE+#n973GjlrD;PLAxSC-VUFzmLWVPNFwyG{ygw&sBcXin(_BMQe?2r|qRJl{C znLC^ueLhIs_i4Ey1Ui3t(*fsGj=LKYVBhCGEXQyKSOPJaq{d1gf+JKQU3~5RwVpoD z6?4y9iLI|qQPxl5E*I6bjo^U=cBM~J0Mnw8Ywvi)iFZ%Ma(>8z+*o)1t zpBjLIu`$$q?-**4wl6i+s>AcUr*ctg+w{}=R5xGmtrGh*FPI%dF%rY}Enj^8f1*+Y z`y(u_mmjIQ21I%y@RQeBRCuf2MO+o=?4KCy?58B|(G zvwDDjFu#*>eQshe8Uz^7Q4E?mppUIa_e>AjaM!A^eIc(HjsbTk9K&dlfJ=_S2ZrqC zVlM89xMuRg>QZu1Qn0E{+DR=nBafIneEZ@(K_xqdT%X%(&7Oe^A=PRhq|4sBntID7 zya_i)|}%ZN#+p5OcYM2YSZRoW6)ba@o-Ey=A#$d$T` z>WzlC#lu4kjYqy0jI!vM6*D1{d=xa&y|sWZTC+RuRiTvs8fBnWNDT+ z!0nHT9YFmt2QVmced^_66Xey}9C=&>QL)oNKs;jB@a!bxho@KDm+$Jmy~CSCWUt=I z+B)n5G{o>M^c09CS4e&)(L-=(uvWd=k&XUnCb~Mu{6~F-(GFH}nDxG{!bb`k9!+WK zK6pv(%ST#2K_7=7Wjmh}Qcju0M0s<3ktzT={6s~eDT8l0&i)BZznUovMqp8PvEo~2 z7jzg`$Dd<2+BTV_bHVi7J#PHRjrS{_-&8wQMjZm6$qZ;42u#`X5!U>q39Fr5Q_NDi z%?-pW+mP3Iab@t{3bA9%d&Votp33GMtuXFcpV|mD1u+%5`oJenxfPMcfgOxh+zN?h zC}#SI9)x0&K&<(qYt_hb>g+Ghu@w|s=StL+0Ii_62^YS#(J2X1RX;%R!;xq z?<038^q5({>Gx#zOBS}mDh9msEUr5X5n1KJIfggF!gpV|maD-yv1G=heZ#H8qFue| zR!{qkb;)ek%7nmb%^#JNvsq&x^a?&rY{&8wwftw8Xs+ZCoAVPD>cF7hPTNebN!t#g zBaP(tG4UdS=K`s&C2!PyJ=ke(@@bmq_jhmD%IC^I(h^N7q;aKeYH4}6$+KJDGZif8 z)H-qmFkI)M?U;O(^^&TMmsj4xsXLob;0zJ0m9CdtsH z7TcYMyN!d60{ReTFC1TlhgvEZ*|&h^ZrljT6>y~mNrCLRT>+#@ zQC#B*V>OF}$Poi;Q2Hhu;0q?}4%jB|%E7rj_!j;sOtoyA4ZK2QoVv;2?7;~Rj9p~Q zn|XRoeeyJzmlOy%P14z~buVVkNns?6_>l%#f%D2m^i8a+kqEW6wzH4fRU^LE|B>&; z$2>Aem2-BlG=fV*NC`aNM=B@N@gfD>Fo|pjZl>)(s@#la5Y@cB8S;kWh~zYE+_>@w z#`*mWv6h|7{K1}@ft#;fjzqC=@OJXl9P2aj3t5zO4jaM-XL;==`5MwH4FjK{sOg@e zs-o-EsPh!g!E5Z!qLFV4*NzH_6j1gkeEe~DuUOqXY7hxJO72Two5H&}=3secROQB{ z%vWQ>z;P_O2IwnuEr4dE5zV~o!j~(p7SA26+#;qoYHA&+af~Uq$ z(By#B=5C-w<1*cAbsV+n#%UHoOacp!ZTDU5Q(n zw^ElN#E~NSuxM4@5jYU^0ePar$8c>r_W(5E>X)LCOy7eOb6X5df0n6wVEu8c-D&%_ z4k$HOth@8{$?`kmpQdEkz!C;O{5B{AQKmLSK8JW^2A5gK*+Yjrd|QOzM*8<;nd-8O zy>3eQ5(j_v7P7N={HL?;>=b@P+OGPV`vsh>Xc1HoOf(6y#fIbF+EikCTWYW(2J+07 zAiu@Y80F77jHE@KkQ0LTHJ{=X%7#XEm4E(#INo5tp0x3UEI_snEHVjL;j#Y>dTuzC zp3@szUyT(hEGtU55CDZANv$FG+|gXPcHF(Knf39<)`$jAy?bL}3t3$TW*iAiCh!8- z(4{x0L3y20K(OS-^a>!Mt-_0Y*Ds&?wU~qJEoD%=n$mFhd>&3KY~}xogSQf&0};ul zpQttEQe0K|3&$S$d|H_t)#DPLepW~e2yo$Fpkjhq=0sG1fTTWpE+HI%68$w;!) z|GaL>aw05N@BZsewj&9R8q4BxN$$9wF7_0h0D^be9D5QuR=mx0NX>%!7A5yMu3F+EVFCM7P2tM_!Q2zRzP&b+*&U*|>2Hsy}f-uZc=+HMja zRpsl@ZQeauY=7Q+1M#6KvJBXMlqPCT6lU^)M>au=K?^M+D!j2%KJQ(4n83*#PTVhb zG_QW0gzm9e!LKA2kV7(VsX)V<>k7f9?v0n5-+_^9`Umb}0x z^8q;bK1#DZw{%$V4C;o;q!TN{k@pOH9urC{khxv(%~J;>&&9UR4eamiGIF$bva8+m z%H`3MheL*0?W!%*^R%0BoSno*ni$}*2pJsXy&L3*jwCZ?vZFBhfhCjI-d2t-IM5ns z!{2+#ibmyQwN3+#f~C{@zxlJ)!20s59@ynr$>%c?G-GG2o;shIhSm2#PioZ}5+bM* z$kGEDo?uKh%bI-&atSYWV%?}o(`AWeGAA(7{=t?;h6kJi-EF@Udwdm2+mxfcULN|^ z{ph6-A4R-v5ss^<27kBmrc%f9_BmSJImO^^1`prbgkMB@VP}{X&rSX5z$f?#D?v z<&=UHSH))LfyRO>Qyzhz0U35=y3Yy`-p4t^_2dOny;_3M5)td(wv?U9=-eMK^G;z;mWGi#|6{gBv%HCAVOrwgh7ig@Hdcs zUcZ78Y2czIu z!dcdsr!)NEmHXm~*ALG6Etk%-e_kqmYGHNlS5xPW&#rAWX?mD2f-D2WWr6hK@>;@O zU_B1#@Nvqwg`ca=V}45$VNt91VAi%Uy1!m?79-!#sS#hlU0!H?*4D#frNMkNB<@;q zHj6bn1%Q&}l2Jq9aRx%3bf-Nvxb@o8LR`x?t#cnWJg2VS@Lm%bJ62m6sd?^B%}vS% zdB>2n@aeeT8767!HfI-iPrEOvo6Pot@l2{9>{rz#BUeLIW;NAC@yOnI;ews^wcgJ9 z4Pl!-t^|1=T`6Xa?g7PnHXK6&z;}X4gqn6WI;r!ndyB!1dnWe|#Siqz@ZVX9GI{{MN<=zrXhjsz(}>2-=_r*K5C3iu zz=+VXD{#0`eJROf;S+x2NsX2IiD+~7_L;aI5%xt;g5<{0^jBfq!+u%g_F++U&t(d# zR^?y59(w;Sb|;dzKQilGyjkyKQM&N#^}nOjf54eQ^#yQ75|m-!h+K34m4;UUpkZ#; zU(yXgIUw)??NWWhSbnP&7<<}ic68c zW%Z(Xs(;Rbd;mKB|E*j>2bhGQ|5EeFmA~KhPe}jo(+62IHgpqijtOXh+vEq3ueJ$c z-u6G<_ z<$tnZ*JFp(snD@F&bFmIdYj??f5PeEQA7lMX%l902F!KnlJwqc!YyRNZA~{d`IzV!50pFA(eaq3On*TlZ^y^vws?zf} zF8yC*eNen@e|l5?kCc4p;#h1-UAvj&JR<)=0LV+XziUkA_rkb;U$LrSyTj_<+@}YYM3C~ZuSsLdiF3b| z!wJ$O(c@`9qA)!akWaovnr*`4_I0(8fdg1DPW~lWh_1peUM$Rg{Ou2cKoAOrVSg05 z)WmVLQZYQEp02SKL~kybti&uMWm3<>9?}@QIS6a|w|%?x$sGlIGzU8@h+9jV+{tL+ z8QOJy3rqZo+EC)XIB&&UZZk^yFT`Sk)Q)5OvF7#whC;z0sF9C@k7E`6fI$c=fVby%c_YM$Bx3;+Owff`XvJ0d$cDFX}lQVDB6M;-3H_=2nD;gRH2r)IymlanP*k zF{lm3ufj6Cqm0({P2A~rbf=12*Q_3Vk+FQo$NMSY`!}Ar{q|80CQbJT-w+kLWSR3K z^#Vs7o~c^BoqM32^R zbdM`f^MD>%h^m+%(q6(WZ|>5jO+AvHG0|KgxfjNxwY;u=#qSz|$Q2WN)P2=ACz&~I>~JZ6_v5^}(mCAb2m2N-?cK19 z1nZS|_U&yYxmzuRrO_A$62dv<|Fo;(PIX+qL*Ms^M$vT(2Q4--fEu`Df7iFr0P7MKxdR{rC|S3T3DXM4!gM z4!KPI`T+StW#1SCiYcG9$9dAZ&16_l9x)?NIRHCYHq^r7KLS)Y-Ir1qGQ1qp@E&TO z9xs6$L0+_UcBFD;;_Dg@!w)#?{pTx_#;L2bfw)+VSbephG+iXA{kzhA_thcQ>mEp` zPdr?&alI=S86ZPexp9C=ojkQ0%4O&AfOE$`(qrHv5t(nrBdOk7a-d;@1FI(OH z5U42iKzUW={?Poiohc9*){Q#KGMwj1h%>nM{qvG;o!2|5c!t~SR3D>6#hj}}@b2Ng zqFLWwq1G+S{06M3Ro`e0dHGfE9?TG#D^T|AsS%c92Ka-LHK0u z<7#>w?-O}3-aT=V4+o;azgz?vNDSZ)*pAkt*>3t+J*~r|70qKjGCiszmEANMb+HwBvV= zkE)l91IYh(y2h##?h7hRD)+?%oytqi1^V$UMgwZG7lex90EeLukrxi?0ly~V?+wBY zwiL+YLnlb92)aPgQc`8;S`5p*x!F@3kurK~_@V6N)_CI!%5OgCT~fGU+GBOJ;h9h5 z(ivBk7xnrV$nZ8dl6syae!G$07bjtv(I^nncL@0`9fuEG(VO5sQaiG8$BMeSy2+Vn zv?vRR@T9U!c(1O)MslP|;FRbu^k}P%WV4~BR|Eq{ym}8#s4_R;ifXo8XoF*alTP_b zA5l-~?_XI#;`U%48sQaYSEcv}EDs;qq!2&ZiP|s~T zEdba!#P>J$>{)6(RoOf*1Xbz85Dsv*^KzLdPWcO|*Vq@=UNE5h-aE8LDpfrnbw+NY z6xhP$A9?Q#)HygVj`tEg8vttR!lCb7LsBD&J~=Sy6s#&%vbi8hSHwj&mT7rNnzT5*PZZIUNxVDdvH&x`s{r_9kxrADs?T5s{+;j zM8$4&oy#mWys+i%`lv96^kuU96e0q@`~V7H=D1iY8t63O!EZswTl(raL%JdKfh#mS z(0`&#phCBN9mFlZwfw%9H$4`A8R z|4FDC6*xt2S&*E~<*Wqh!l$)vr@a4xsS1pc3YcM)dhRA#!H5ZWP#_jN>stoK4dpM6 z2w8$nCJ0M1Nw<>#{RfCPS(rh%TgYavWv79&-!n=@l+%Hu?IRr*R&75JVD$Jz-m6zx z1)Hzvt^FE_0-hrHT5qqv4*1$hK5#2UQk3JJhI`-xgbn*Hd5OHcf*>Kf=j{)^M`-$sRO zTBy)*QeP|(s~m$wEO<{{VB7MopX*}_JmqT-_qOKg8<7LAsHYxlNx-BIn zc}v~hjD2@vX0`cd6-<2ao;SQVKOZi(5Pf;v^y|@v@k4?e=9XW3b$U%lVH2(@j$3vpp+ z0WOA7k~LgA)f~d$;CE}R^a*#pYau$*9Ps)@bnN@|OLO2ftB1*vRV+XqJ7kh0AD)9+ zd(>3H^4EpEyT|_MJMy>wBme&AA;tuN^CSeU!3|JrZBmHMw8C&8jUQqS-+abZPd)Bd zE(b5pR3clD&+WY{oQ{0i6mV*j*^JV%6V=fd%P>l>T~SY?Kbw9N*G3(~=^$Xq6p?Ch zy{SWbQ&P}Sy^&n2hZ-WzJ(F5>8l7q$dm;XNtNO| zTu!*@Bp&Sh$gf6GtPK#l{7+koTbH$;As=nMSZtP7i+`; zTA=nfQq(xW(yJ`P{)n);^%FJMx74}D-ItyC_l`7Df5mQis=2?Rj(!#xbNbT;Rx}3B z#0O&B|Dpp|X9jnz0CE^Rj4O{^)d|h{<+}{3u4 z+r!~2^ z@n5to>gpwf)X&!_e=1TN2tqcqXStDJ%DQqF_JvnW&l`Y=&s5CVizfc59Dr{jpMxhg zG?3nUgJYWlX{>03YL@jcq>=wvw7)Ac&3*Yhu;(6M3Gki3Gv2c!0&UZMTrfs2@b-&h zDkxvsfUE)Vflf}Kz#l1yzoIx)Q;<~nCl2XVzQujNSbIQ%{TGb!zf9%# zKM`B;W;Cok&wb(d3pR9i3Bt~{lW^%@7OKH}0V?P{;KM5qVJAHx0VKtHV)ptU_}_x~ zFVs+Z4?~6bNUs{hGt17JX!y<5m;4idM%w-dr|%`I?9z{s2^iIXhd}tB{O*4^pPhPi z(Z35hIN*R(CZiYCU-C0BuukJrcPtZR#ENI8W6ne6wg6!7pD+Fir2QZ8<3Q{koJ8!^ z0}ueYySt;E_uf%W zZCm?rkR~D^U1?E3Kxr0=NC}Ekrg#+*0++`2(MAE(24zl1caajly7$ZsBv=^+cz*8kcY5`% z%}8(1W4t%6*2jWrf8?2~;M{M#)BhV(ga5*+|8r{>(%^IM3|Jq2gy&cUtqA>{3e@{= z8UzS_JOA50{XyifJITRvZFvdbq!Nzc)Om#rye5`N&+D8(hy+|vT}~58ULUQfuq>-d zIu}w2+Y}dSB1O5yitFe16PZUzX?!gnNuS_FnQ&(t6Q`vzjhDpVL5XeAO6ZKuEQPGf zG51~i?WM!#S_cO<;eH)AY~0-h#&>=L1%D4M|Jl#FpopOrQL9hnG2%GlK#ZlpU@j18uTfvicJ1gbN7Z(>(}0D9hK z@0<6#+&&Ga78DSx-fEt^n?UVv%BigiZ~xk}je{VxX(RlIV-z;~H{z!x)1ZRx(Co$9 zJ7rJS*FMr5|E=G+46E6gJ7gU1V^`>io!UQSb=bO<2E&v#0xb_N&bPq73geFuBwNgI_7H-#%Sqnol6N;;oZNIVFtWmOmv>!r z?B^-^)VZs%m1m}!j*GOyF61rta`xJBc0wXw+oKW6T*3^ek9Ww)?kLN!lOTQDmVGkc zXusmREcZ?YtfrU^|k$N^m@`*0b3PhVX+DLK}2l`3HW;+;<_Ov0eg{M zRgMMz2pd_9sXYJUDa-Vx+Xs}RQTZo?750?)#qJ<+YIn(4it;5UfOWYj?X8s+e!NhI zX*rcz2JBwi9_?eYdybqG9D_VxvI*6X9M$iqYzy^mys=pz>c^$9e2y+Vke9+&!S@v! zLUl6;A#A~^mIkP2W+77%n_}q}pk!{|dnZF7Wuh;6U8lm<*7J;8vzdor+;kwaqX=4~ zJp^d;R22x*&d?|agYy|_F~MrLtyDgwA*9`*sSnRb_jxD)mU(>0mdJ!pFZE54#_hd& z2{ySxJ}c2+M9~I6Laeo8gfR(hr$PK0s2YsomGSZ;mVgupQ}hadhaJs!)L6OqOe#ZB zv1=wb*j4OD$ek>)?9+?(PUPiiFt7-65Fsl7wX~TSW1y|P9>OWmG^)>vfMh5R*P64*$>M6%x2M!E zN%bw8>ee6^MHi+V2crn`7B;Hi{Kk$R__Bo@yD=nW zFc&2?+g_oq+!wNug%AX9OBSeJ=h-9H^TqI!0GIcV#c!&Z=?i4mb>I=PswUmqAxj}4 z=SR}-x$k$a4#}81lxuF^55q?H5MqhagtKViqZ&`}qh`Q2Hv3Ow#3%8+Q5TjvF``)I zE|d}uL>RZe?hqyV8f!K?GSVN!(eWG^2;r zo<4p-&q@}ENhlwQ^LQ2c>sD`GMa+7|+)=lBlLuK#vgTW4WUgjW7z>2Ar0K3YMwb-h zQ=!giLDvqhJ_wr95jPFCgjl@2RPXuY{l?}Q#IGiwzeX|mDqm04F+kf;h%-V6Kqu7^ zH#8e_B5{#WP-AVL8nGh4N`U42=t9Ul`%N}_rnz}=-)j#a2kO80<(-V9&St@C;1C(k zMA7XQQvpWajjkqj=?8ZgiZwGAH9A_fSX;l10Ke=IA&aJUN&AB3I?HHb^3KFglf;nRu7$hf4lU0D7{}Zd#Ao;#^TG*F@8~&3k`oy zw0_4cSo0tJyv}p$8=qIr=7dTc|E(Rsy?F0L&vL0wd~IfU+B$9-547^VK7ru;2vN0T zHQ?}vDP&~VGyFE3b;}5*+4vzANw>XQ>V{ooerf*)@nA=B-53SxSxIv|?5awZ#xH zLT>4)Q(F7ddi8dEmVCDV8UM8MWzrp-D90!e@wkVppxB0Zf&u^rD2FzXr4rC8__a_9 zMj3MNnz9&<^jL{c?JPbLOQ-wgPsPYYxde=bWuq_x_$mN{%bK$>EXmtUct@dJ+%aZh zD#siuqPjB`5~t^i-2Jd2g_Ec2zZPdrSw7h<^Qf}FH~f0x!yZIcT?fD~$2F9G~n)%Lqr{h7$2^>o^qcT*{%DcLi$?c567BEDWYZ))^I^W8>o3{MBctikt z+>kz!I8BnVtHc4}ISaeH(4j#5mWA^j64@swib~jDJdI2%6#@|#&t*Sz5USc<|B{zX z@lplal^QHv_JamqDI$QHnx_V5QW$3R3V7R;H1lKTl2L)GTF7I2%$o`i%|hR=`@6HN zJ7n&P!(YB(M|TVWlVm_^N7Q1H5oeL{L^xmj(@v<*BP6_wx*n9`8}?i5eiW1*H1gq# zd(`Fr<^;(Te#Z@!WJ(Nl>F~F9fFz~JFk{8Bfnb#sV=Jqg1`NOPuM2eszdJ4^6zcF_ zcwDsq!kE&`)lJ%(wixKQ^Ihlt?LRVve%*6NQgoWiDCKx_QDDX3xuU#m447wHk_{Zs z%%lYMBc~M_SVi3*`$j^!=H*CpG4*=0u^5Yh$70wsw%Hq1A(FW=GqV!-CB zNOjc;^Wx`r%8j52(YVam1}JiNynF(!oT}C$20WOiwhs{kHfM38Nw*UzMa{*R@IAj_;rg-NeST>MnmHCQt!Y7Jfp2V41(Kj!$ zHFuYJ1xn>V;6$6WzWGjJIDq%p2?PvmxlyY;0}-4rl*r7ZClHGO7S%sPieDL4sB_D` zSzlk>l=4B0@!4B4+5k%3Cb)jb&hjEco0Wx`;$j6$7Es8paO`l$S)FLvnx+Lq8Hmzd zsFksN{9t1ZM_1YTeMQBCN2ld8bQCOqoVi*pBfyl(Aox01Nf6ouxgnhBAYzST=YTBe z{**8F2ZvQ)%UxMrOV{P1cZ{8~lOSi?>oZ(n$toBny@KdmKZD>3UIk7XNFiV0RZ+a) zV_y#ey~aqIhekJ5wAlu;od6qo zb&4dOAVZ)Lfmin)GD!hSfs6Js*`w_ekH!Z=jS*FCLgyYejms+Da@p+grS|-%%O%_L?U!hylq}tC>BY*)&op2# z+!YS+Pv}HH*5=9q^NPhlrVV{LNfQG5d;L-fOT42I(P=2}5%dZh?dpD0Uv=oi7rPw& zcRJbDFE2#4r{SDv#JCm}UIW5!AeJ-@7r?*q)C2($O=n0Qg-Yp`;jS#F#6*(OeS@ow z>78{g5pHKMgpcp!?5y&=B?wbVlwausH0f@Iz5XfuUHmD8cr&n~nW4Kha4dt=#9p_k z1Sv{OXt-t|_Reoy_dsvT=SkfS>eF>69GAxlXU+-5N~=-yg^EUX1yIe=|!esOH_~R54Px^Z!dZeBwYy@{HfPpt-Wj zeCH~TC1FewP$6$J{+Dw27s-PEr5u9lvjX6?zjNUG{~G1+AAtM+4u7WnxfT2G!22yA zSMfu(qi}sDl%KGB zp>^m}s6W5__q+X{7#?38AO~`fy$BFoXHC(<00NuDMFP@hrX*?vObvGtemIS`5jdu3 z&=HyGxFPVJyvnm!rG)f=jvNMvRVXm2eBz?+TMF$SUIV%~jfAvN-Hc#*$;kb?q;?NK zT~h6iwM$#mvN~`5gvlNne2`I^)MNY_KZ&TKbWkV0vb|V}iw{|jT}tfKA}HI@v;pY( zTI`&fAd}yroNGcXj&@7kT=((3>84LHYKl@^X~$_oMzdYXJeoYpAOLU7mejk{gBQ!N zhV<^g35SegKm6Tm(zqtawBp zFBkAIOulF3*|qU4$;z)D9h8fE)-9#pl3CWJa<2Pv`;`-@br1Fk4&DAAlOBVw18>ue zGOI_ei{_>Om3UL&6-*~UW>dk`gg#}%1cL9*V3yKF7v-Zd-@~@v*zL`ClN+CxGKX0T zUqE$IAdL^V=>y}(=-Lc(W;J^mVlgQ$P;r=-X{r$^ab@H>#@`}0H#JaPr~Y+WmVG+X z%HQS8&Q`UjoQ=Sit9o>C+w|>V2WV$m&}cp-B~p0U!gt0{KKNMBh0!DuY%?+@#>{XV z?DoTUgAe1yVb4TsRvUnSK2wgn&Lr@U`L9yems$}k5iHe9A-`*7T?EhiPm|rewWNVR zn(kS{FJgD|5AbyPZI20`s@zT#{3A8x@B89U^}p~L{|&>#8eV*3RW17hxRFa|tu%u2 z>lQQ1x#}#n>%~wZX1w})n*_oIlYWJROK}^ZF1~(EI-W;%m z+PtkqxFH~EPr^2V++D7Mzcnx#@NPE-*7ee-L)Jia!jKu5> zSrdf_HxqxkOKKC-hA*~_*#{hOM1dI>TA31vNJT5-0;iQ@=uAN9=_1Iuzng&0y(rMi z9U6H#J|&!g;KwhI(jeHH9YC<{((k**|LxDKYAZ|>5%`7GEf#>yG6pqp4sxYNy9kGxwn?CB+C4 zx03s`jB5PAzKUv7+8d^lU?S`)CZ}2=Z@IS1AO9RdKAd+6e9k=N#W{(8gO>ZID#h`i zF3hZesykOE-?S8*$x~DabJRd4HnxB)Ra-}=4Febzh8WK1JZ^qhxm8ii9pHEy&Ik7fJk=KY zaQ-UC=N?r#saGAvif#l3vNuq>XOLhTVJ%-JKna!7 zOkkPs8;p1weU$vV#>4K|o4X0(oTlrk*e%hgpEzveq?F_`@;|i5@W%kRxrd@UPZj5j z@?W`zngUvhPjcw#{$^OH|ow3-WIb9p*~g~dye<8 zWi8j5rDBR#f!t@LB;R5UURqk|E5Uoe8`$}??$*D))|^MjFc_Q-Tm>i-!@LOE0gM>t zXggo8FO0CCoLI-^P^e&)gz@OT9WmXw;BNWKZ%ktSkZxH;=T4@c|i33g_WJ zZ5~z6IyjoZMf+p(f7$-1+c8cqP2E~L<3nqEA@+`xb1{>YPC1Q%^i3B_Ip=ULtdDI? z@Km_uH_CKjBv#!1HGi`^+5_rys=cD+?5o z+40Om3^acZ5mZ0TO*L7f;jbwFJCvTi8OS0o!dTzR^J6{7x4>qSQu#rqY2<|3R^%f)F%daFLBoL zC#+;Btg=LwdHV%?eTxt)GX48(PQ^>Ia1HBuR?`jCQP!&G~FtW_H9)01PjC&Lwy{=haupxpFQdOu69=I7kjFKU)qcQ*R8CE7DHS5FWti;I$g%oOul+Y=Q0EzyY%eY1C%Ww zDu3PTY4RG3Quh6Xt-}Je(+nR z_RoTa;TV}E67>3md}$6RB4+Jc_x5&J7Mxu!=?4BkjsFDA6%;BS(l zmBcSTM0v{Mhh{Wj?%fbr0m;kXvIo%*M6RMB|EM;&wXa|({-<^^fOjVU zV>KrEfcHek4^y82m&9W1MK&(P3InKnBHtK-9=tLoCzEX-O_aLt;%K6E;PiK2{$PcL)jKM%CKd35Ik zYK|1wcBn-b8ez^28c~^fL3<-conIQPTRM<%OvvDFYF{o_X@Z3FH|qW|Tj z!L@?DSjF()%<*3+HENvQBQ&sEcpYE7_LinxP9i@Ue&S zWBG}Uj~ro0ihY%Js7Eoy|8a<6k4aX$2FI$w@5A`_C`k~|VY*3;e`FW%3auot+BARx>{a#K$D__}(1`SN`K&0%&w>{8A_90x?sC%md2#sWtew})3oN(-(Cc9UtN z_hISMJfdr@*3@?s0_^L|wFlqV^`ZA25m?R1{!!|ZG_;OOg}i})ste8@WUyv{+wq!l z8-~C3TjWFMQq({{kVLHc2pn;B`!labTue8@_qA+-5{tRpS>LH_oD+h(HNT8#IeaWN zwrOaOj|ppU!a9@MeFkfnGa+3>kKy>oR;oP0-w^nr*g-#nnbf1uQjuoW^kq zn3(7&Lq;@(d_GrhxItxC;RW_)c%U;{jNePFiDnEkfqsH>7rJ1mtz(v< zfv*l-A$3~l)pv2x$ zR8O%!@~@PmK9TXD=h{|J{qhT#o1}6qm(&QKlpI>hQnO^(+TgL-cS}dfz?zrUbC>foAO0#p2}Vi+WUhc z)^IUGTji?oZ7gDW7h&Gv0qT=5o&X;3pD+IH}8~MDwHQgF$^rcZp#-12#v^ln{&eGM7?~>@-xuW=>Pv9q&azx!!b3NoAM( z>CbBtv7c4mbziPJ`W7Z}^_tZ1gH?X*c@WK7LF%Kk+Ti7EX#t?f>l0m$V230FZ2810 z$9X>&q&H;+L8*LkL6CeD18Jni1gIPcyQ1U`xiZ>(=Mx-I!HkImUE}STjHzB zeDwqVZ(w3lc7eD<2HW>Ia-73>c7Fjh+q}Pa05<3@vGJsweuD zdX+QJq)E-V{htjbp*|XN6@l-`R*o;ePbu%J6=-O-A#4jw(<^X0D{u!{^dP0P(Pt3r z0;NgB4G!|PHDBycxO!2}wb^T3M%dmX74o;^#~V+9XFQDJHR9Jp3vGLi3-8hj5Yhn` zRy&(X->^r+WFJNA2d!@~=ibp+-+lCsF8l`99emZ`yNo6Chp07mj4LFZ9I!#oVHN_( z_9Ue@Y+@j5SIAM_IfnP^3QtSjj_Ge4Y>B-q`E_cpVO-a+d*3cSLd!Pk z(m8YNv(#Hfb`ndGfdaHB%uHPhc}aL)aeT(ZqMxSxu(yU2QYWKR+rN0^rFOh^ikGJI z<6JYV1Dq6r#T&mRzxjXHoA{l2#Bb6HqzqsMe;vrg1@P`57VR)RorIR2N(`vn+m;d# z@D}ADs%XnDXnRkmr{ZV@zW))h33q3FroU76CWYmQGVe(B6UVRf*MemP2fwxLY1zy@ zUdsc|9JDYOL5*E0yRVk|fd5J|(L)p{!5Axhy1@9o_|fr0EkE zn`Y2g@S8@g)B;z|DqTv9`|hM=o~j&-_5Lz_AiYhjN<=Xb7^{@y&h+1LJs~=Y(ofF3W}CE=XEV<#3gf9W_zd# zP?ld@0;GdAt1WPm+yyl$)>1c8Vs392rGuz|b@9;RxTG5-)GnjijFz;```f0j+A5m6 zA|`)4{4NE`-OGeCl(!@EoFlwkiXTD*Qd&5k**9$1j40}n=<19S?F&42s?6FvI^>z? zCiyG(32h)A(QbiNjh4o_4^z%i5|3f?x^kmkrqoB^9Xn!1tKQvpOz#PmFF9({c)7pf zNsJlnhXIFe$D#sYEdh**GK@L9xz3P#7z;g3TwEw?!vOE0*@lK8a){PSd#_JJ=P&+` zb3E6iMrG}-+gT?+O{_sNb~6px&v-X}!n~;)agLDoU7)wQGlqjY_30-}k-ODDT$HQf zbZ?x@?v5#Poo;ws_(RECLnpn@gqu~*zlj62MXVpc6;Trk+^QsS=Xu!{QuK=mk+}_X zo{CPW0~vO&_0Alr8t?oG!yUM@UMni2zCSAeZEJ4dtJrv(WWYhPNl$8FLPj)8M!M`>`zHjXo(8Wq(x^6ulsK6&oCK2x5o zhu;e5anY>-&5n;QB^~mv{u=5#T#-8WVN`5Q%>JzhFO|$b{4PiXW-!HUMIKR`$rx>e zkD=S}3I**KZjTgCbJ7)U?R~178m?4){B_Tdn^TGby=Tsq3$D4(2iXhr7Yd}k#PFTD z*P@Ld1gEg#6$>xAPLV66mYgo4-H@dy;Nk!iIRb-;>cKXugjvIHBkBl?S<}Q=IMaqW z28aa*Ks^*-4o|aEt>fKk)-55ldw?pp*ga@(NH_VMRln5r@SXPb6q~b6ep?T?3ZH|q z2PRPL2uPL#Sjufql+%;$>`Ra%D366+OzE)<6G{QI66KK4aOgL8X@EbC94HbEDTH@#z)z^WhvirSq?UBrC+e1Wv zKB<5k+Z)Lf2dG1A5q`4wQLsx?x^}1G+FwUL%zD2QO)Q?PPaBnDEzs>^DL#hKo{PZd z$rON$8^%B31)wetqL)UMf(DM?^m^?zs!ui~i<{Pa&vp+TtSO@lDz^5{eOvCPK$`ws zSx0sTbo&9$ANt7I2xzQo+eZpb-;gI!j?}P-UZu|X2@Os4?L0XY;Xb|_@g$>;gK*_P zzp%WxJZ)(+-JR!G+lYya)K}0=6?eU{!&&9L$XeSE9qV`Ww#flZnX9s!g>FTwAbfZL zz35?Pb~U1staNdqtg^T=tbco>@6f49n?SX@@^89Jx7#|}gvhyk{^iA*xYv8m;#20L z5;~mfstlWY&%@uf!5kuaR zdIum)cmjf!KLs+3SUYH-8(v$Q*KymfYdL=)*_T&pY^bJR9CR&+GOlQy+VgA7tH(*U zUbFUlc21|`>qld80K$m{I+=T|jB%i85dR(6jO#(+bg7L-3l`(-^64baeEJD9DZ{>6 zzX8^sGZ$ZpzORe3Qt-sZfPc7}Oz*}^^WU_n)Q^0#yf{-cLK(a8)oKA$1dGE?SC6H| z4w8#nO|B=T#hVGGaBS#`ZRo2MArL)jn9GAWH7KkIa-(*kVK`JdHl?Ry#m6OTC7oPS zTM?pCb>Kmz#+3E5Jpy(I*R;@CON&1M9XR3Pv?`{DDiLw}=t8Sodr+Z7{)b`N;we2p zCfY4A!Zp}N#@b4SSg(o6v|vrtRvBUg*+m;GV1z0)>YxY7Jf%`P4g zvTYT<5p$K12`}2kZwFJD--tCegxY<)TR1JNZ8pl9crzz;<6*P-yLvu?xjT2;)pI8f z?@svvXRq!+E1WiKIhl_LA~KIGy?x#8xdjA>ICd^eF{MRy63U)>&Uc7Nt*>>uA*|cpGI5SGn3Dgv&5(9qWtAnN-SRoI!qO4KFB0?)D?<_nCVGf4K;FAc2c+p zvp?8?)>Eg29I5vx-q>2H%m(>d>_vVjx~ir8QYF5R@&r&Pr3m-!W~o6+lF2G4S-V?5 z{7xy3U6X9xpDoa{<}zZtm3a_)gAws<9DiNaMdtWt_7sGRxQWqv{q|As>5-M7sSS2} zI6L#A5Q&iyaHcC2MrhN)8GE%~y+otL=Nn%oZXgFnB9wo)1fkrUvUkd5 zzti=xciSQN{&a>!3}9sg*)66MT)=f9pAZWGD8odzQ=S_2wFPb*sYLbkO1G(5gS*O? zpFcpVoEJK(czzprBr8>@gNDhV0w9w{LnlwI8v+MPWfx{92bvvzx88ceWp6&rNS=VGUVH)qdZXZ(rzK@_6Nbq(Q#Jlr?4Fz`JYJ- zv4mDD=~SE7INkfI(p{apzN(B@buq(jySM2$bZm$gM91J?!>izn=^Wp{sJ#dVl4FiV z_MDqLulU-%)6F8hHvl>H<-NuQ!FStWG#{09Xc)ee`oylCc;!OfVn1_$9mOoXLQ}mk zbTK5necU!({%Pf171ob%u{W??dB_{pGM%UWVZgH^u`6?|oTl9dhm0w1qj*J}&Y)5H zF&ExVhT->+ASyDGF*>SPJ5pzQv_C9!myKq<-@8uSy*=yhxbaG?gt+RwVqmpH1!9N^ z1QnccIYjKJ0B0HM>!%AfRv{HHM#hb=GGhkexhGCK!@Xlm?z~$|r`Uu2Jw~CSQ}Aox zW8pxM_FKU~V#S@VBKX>VOo8DdG1;3&7z z4Q1M(pDLpiZeWNY!Rkb9C@85s!1TrVYo?9Y-K^ zr>6?bvZu=tk)~vOmmXY&IdAAG|EegHaU`e?_G_h3^)7|r%ML=`Y!o|-m!pS^oL)+z z%Hr3!2dc?KV{}r2VvFo6yk>83Bfa;e=EW0HFhF`;|Ae+?-zL~M(u?1CszB%`a3B?4 zWkLk|f%%$3OQNjj!=bxI;`)*^?8F9ELR?s|w~@$h19E6c9>>Koapz6xlhSFKiKp*m z3vjlEgkXFzs->lk2j%Q#_RJi4kRk$uMF2RS%2fg&l$Ha_o&R!GXM_`oE-DmzWoWUD zHmTjAlu#FT|5V`kS%vC(l>c%aMkOf09~Avb?=JP@LA#`_(x1QMcT`QF82I~6C>JzB zVrhiu2fzw1B(Tw;lyBmDd3vh4tFBU)2{UI1OeBJ1SchH_zKze7yzyVn4)EuuJ5s3x z+7wX#(QYTKFjftI$a^`5TJ!-{b^$TFfgqO2Ghr$6OWbZ>D*YYFBnbb8`lWhlkpyPx zY`V}Z+u4*u3ty4!N)5g`o|n^2`0!UVDWC}8`#T=Qf1(Jmc7`npjS*M=!Cwl=4fbXO zX2}!PX#{Wg_$$%+!QXXn{4e1W-0aW zivn!05a(F>{Dk#SuO7dzpQGLm!(0fd7RT;D%I)KM>9`a3?R-n;6n1;gqpq9Ch-0rc zXYX8;KYo2tcYhU-$F>5aVwr1#;p+icEQ;z1&iEvwu}8)g+gXk_F~QsAvK3X|+{n?W zHxhtI9Gy7?^9W*mlwe$kfOvi_aq$venRr9_FK_+~IH!XWyKPiRocZYbByqNXD9#ti8Z~}u?GRoW$U9AzW#0L;_pFJM)pf768Or9a*EGY_ zGg2Ph5%{F5I8AAl0>{K!i<9&L748lwq~z0ux(u@K8w;;XW#dUym#1RY3|a4l>lopx z>%;HATC2v(IfF`T6fECANM7oG1uCjpK#d}bS1ii&R7^*FbGeN!1?0S0&~b^Qqk2f0 zMCS3#%V2daEmm{PZCIh0D@+F#x~E0Do^@ld{QXAF@c_DeZ*h+NOioF?^jW{KnlzX_ zZ(pTNI{}!;V-@LjDOP5nSQ)wLJtL*m<*%61d~iK{&h1vzy`z&`!+TwauN7YwxFhvq zU<~|S#z77++l=_`KnWs_nT*n2rgPk|#`!%5$xw0#T{oB{`{_tor~-CNyjS4acMlI7 zsjhcfAAV(}>r^zzHpZ4|q;BE{EUJqrk5>xZ`?;KUDJ(K`Ep=Yu?uQ{vY>sUEr1Rsj zPv>??3P&0J))V{_@rS>vlExt3FM;qu{K&5?cLEB0z)^H4ALQZ|U)eRhA{?Bf$$tUd z%1fIshRx1-iZP#ls5tj@HlRo^%kZH&Bi%0QoGvS_jk4-Vbc~MSN|$%Ss}n$U5Nae3 zlQGHp=>wg8#1sVc=_7q(L&n0x(qRT!pp0B>pKW^|qd4}W?Roc+C%Jogwa^4}_p~Bo z3v-GC`XoK*#Fgk23&RIS`uA2(GT)~IIotcxz7M<*N=lFGK8|w61Y-iv=0-h!6lQxx zBg0tWgq=0)la62;c$hpQxdu@OUzA{Wu=8>QUf!omt>0g$nP4HM?Gk6Qe7_C~3zMrC zy;g#1LBW~sG|@J~*g%JA;d)4sIqJZyyiRy@YQFA5Xll@w_$324?)6y}k*N1Gg5yo= zVE?9@+Ef_Rz3V-ApZ~AIr^OX8{89cOdLt!hbqStoXvT0f_|IG@N=E20_tyTq@5a!$ zgSE`rS|a_@dCRXatC2$O(HXr$TjlrdUv!id0F`;HDfTC9hOh_<3}JPEqH<*TLui;f zbWFPo1S9b{z=uoh-Vl6kLiuJ(-$PB)Ydtc1$?YW%H>Cd(+^lkWBR`$14~a9wX*oY( z$>dcb7|Cz_A|Jaww-k7=PIMD74Ro)%0 zBlERGGpp|EV(25TDLuI&5g40Y%&Nr}U%zLkdi?$Qu(W*G;=NTx)G;2JGV6$m(aBjgZ)@GAi80R4?I4qxm9v#zxk&UCCWZI4DjdHR7k({D(( zB=rPK9C|s&|hxL7GTdEtAERMC$pO}fX z*!3iPt;L2gSAr;Bf@{bl;+5tQqIhv&)7*hqd_~*wX+`a(Lf^$beTq7%Z$teM$E;P2 zaTM^aSNtR4yyXrl4{QQ*Ip288s!j}i6!9(l5Nr}Gl|M?Mpsj!*1Z7s?H?t)IfKli2 zM_S_U2<~}5IxE#Jl}03I_7EWhR8q?h{xguFk?XoE1lc}JBzH?#$9Y?k1|%wrZQx)T5Bn|ck>PLVp5+lKp`b)(3-gNkA|1@enXU_$q1Dp0Z6{Q# z8f0$nVe1#?oTB`!INdkxRCmU`s{2kug13D5MJRX$et;_6e2`UskXQ7blF;bXlhJHh z@-Fa#VTunKezvCi)(2OG!%Z8%*1TVHc<1%PcF?~6lP)R#8tTJOSceRPzI`BB5b^cz z?txzcJB-ARXJQs_b4;Ka_6;a5Z1xjhjM@L80*gpNYpM6itW>uQJ5T<)?%TRqya`Sc za^To;jfbryxe-iBB0W=lehS4dOnhkb!F@93yxu+4@UO5>6(F`95vALKv&atvZBOhX zLK@M@6#q+Tz8EI>K@d@atV~LdCdw(#kmC!BBKw+d3^O7H$}Ni>lsoT-C|>iEblFvU zqpGKri-Sf1-qz;K7X!cV;j2T%bX2m1M$8NXP94WKc>um6(e91WQ@075riA5Z4QWfY zh=7E{iCU&TEYxC7MQKG&Nt8*{oZOCX8J*%I@^b5i1s|_zRs>CLM__75=)@$3aWz?# z#dunUW5*7t=xgV>Pti(8I2IQwM!7hT2W!?e6T311({7rYNR`APz@Y$g;n;DU4&=cx z;lEZ>hZ;ZxVx+)>y~_9W({84@KjR$c)Eztu>{W?; z$r`Xdw&0vW;OI$2eEaT?E>c2qV;Pi%NyIm4^lh;J|3w2CRt1b5iweSoP)96l78=du z9+K{9h+IZ&=8NL|c-52u0;EG_z&X);0D~btOlP96U^LNJTck#eNvSS))dZ^3P%nST z^-SS-c({E3#L`!hH=SNFW<6lzwl(0bpaLd!8q;M6X;FFxgiYgd9!#koq*~te&F}T! zH|aH-KiJmtIFn&7A9~gI1Jd}!aZ=uw`?O0-OgkE~ZE37-x}Vr?2o?%k@+!a zzj>&=JGdTcRAKZ;^r8J?XQ6|)^BkfYd|Zh5j9&%E4%iDu6rfdu8};@cuBIpH@1L9+ z+dokhi-KP|{%t@5<_}v3TU;$QxYOVp`xEO(^eqGvutd2E;rw+w0BUfv8Zgp-Gn@Ro zEcbt_dJN9!)Zdvs{+Fxcf0YY=+K|SlqE`FYnLQoI@p|~mKeVX@ek6i0h=)?a$O7=P zOk@*y*ARYEV_y)dibSz8Lh6(yGlFlJXj6L)fJ{C^LUq^e)VH`N=3?}U6~}+=(KEx0 zk?1|3$7K#)QPg!H3xrFusL4_}@)K4Xw88D6e)Ca8q;>!0 z9cE>?6Fj2TI$YQr3&RTTDJZZ6iv8N=xjE5;d3&TZNX<#xIcY=Q4%6ddg*~EaaaRB# z5xg6?2DmwE%KIOLGbE1QIFR?a+chfXHL&POAKS=k1@Z z5Ccd2(~(@~e?uxa8SvpY;-r7V8o+;j)afY2`tSeipBfR8Djxos46TmfLeOgCISQ;M z5`Toq1ZgZ2xs;4ntLgC@t*8-w-3$*_@hxc>AxVv$^**6e^>x;Eb2!<3hyrje{7aCY z6G1(|w5KK#MHhk2#tI?fJAAD1OCMb=kF`rGV+DT~+gN%v+mkxwP+nTpYd9`c=RSQh zb*FubE4~u(p<6p^JNj+mYX#{;EM94k?IG-2T+GSmyXG z+NjfmxxIc3rKbYi`mdV0MCUFEzp3c-n#tEX`Y5eD;i#C98gQKK;rGK;xY`^i{(z?# z?=Dy3+><~n6Xw&5YHxC!oMVy;Qom~OMwN@|O?!q%*LjLCel3t+xYe?0jv&$^0!bm6 z1Mv~AlSa424<+{1)u6IUPN%+AjKVxrn*UF{6Vd;+cj8}Mrv={=;{Xk;U{xv)gBJjW zW_i-Wsz@+My18WoGl{$c>Se;W1^V8V@xKG|++|Q$l_O?F2%9JiGaW!DFp#_=jRs=@ z%m@%6(tqzV_)2tYYW+`G7UB>Hxo6=kdM-JB(C_C>jti*H&Q=lwxAGPjz~M4r^uz=l zF4@S_!g$a*urlD)Q-T11^O{;K)q#MtA~UF4$&6s7kRmP8R zunDm&VUVkg5`MY-a!kB?hGR$vB<>bN=J(}z3y1Qa=<=Yb^KR7f-rLnS>Ng^+x*S9o zP6C5kIouv-6LY~1vSTK;<*KPN2ND-^2M!KK)C)ziuNfXVs4A*Ge>gypj)6?kbZX~q zBwM+emt|%7Ruw_lUR#XJHy1U{=g+_g?g@0qz?ncZ4 zWm;#$l_e&qWq-*tUNQS^2&V(!3gAV@CIK!i0hmDe)B{QMcI!>X&@xjTq~bu;-~gXW ztsydIIC}_f7B$oiH9?keD}?0GR(`1|A zj}={BO-(oio-ZiQS!dt!z;cSSaiv*hK_~PDV*p9h1ziP$(J6 z7b&u$mUoBB2{($hxOP5xQ0ii(c!xuoCV);xB5ed{p@vV7UOkvjO>0Jl(b3XQTfZ%f zd_117Go3q)n^W2Ewx`%5Yw;Jub-Ti~(m4pO0&}VRwm)EYw%T?Em}Qjr|Glc{Ib7g9MnVpvaG zcI<`c)B*o5vjVX@b&w}CQWo_?^v@Q3(PPXco9+%t-=F@%!Mo?YgZ6NK_FtsLfa5NP zyWt}}u@jSQwHb;B@SSie?{TxGn|o%4@6(%$1ex#xJdKn@}TPKN`a@dN~`K{T8&hoN>h$AY8&?taNUnLe6W~6y(|)@O5HCCBKTV@d6^^>bnfA&^toYQA@J7 zk$`b!OYlaHq1jH5HXS{#%zlyQ^13;O=G(-ibY?09Ii~UV!D;8K$zQ0tnJ~ei6NjA#6Ms7ZkP!@+gpMmMdceme z5)qQgwU8mOZtQiZq}cs$l;C;M}&wv4&s#0vx(9M z6)yH4Ue9I+pYy7-O*m?>C!HBpwZ-*<9YY_y>O(xR?R|(z+S7*J@RYiKIyPdKGHfKZ z4zfEwTKR3lg;PD*Q#NsUB)LK>xDhB^{`DPx?@6X$2F9e?DNjo47!4O$ z)xR`CC!^Umm>CHzGmQS*Q^5lB^SCLQIcg^*D4`=g`ZPGCtId^NrlaC;F)YIl zc#Tsmgqp57*GDHQ1iAUn=4Mwp>SZ0=N}lc9Ch^50Yp<@m#ob?FVtNg*A02;KTYs|J zN(p|M(00t?L5>?2Y>aqwFw#?Yr)B$frx4qo4*qr~{{EfGd4<&Fa&qR;+RKx+l+HoS zIP=Q;rj35Ky|gs;O)AoKDnA#WtJrJQj8;0|)e+-?1ekdoX0 znN7}xbmM>{w;xSkkrS9kFlm@n#JAhX32)G{6(VvE!vApP(jW)He}xvI1Yxf3)$UoP zJJ5wQQ!KX90W~Oa@5@`AJ-ZUNKevHBn{Ug>y6o$_y>-LEsN(`Zz`FXwo(Gl5AFiQ3 zy}^OVAp8WXX6e$p}$01ZKWz_oOo>i?E4)l zaWEk$h&u_m-Sc3!3&LuG`_lQ7Yq|r70CB_d0>0QqI$~@95agx6TtHW5@>kq(=;j@) zdnZ*4Z!pikKw)>~u&o9yuef8&$l25_sg*QSgRgblsl`@;yaz2J+(Urc5e|%0%)4bg zurt$7%L>A0R8?!5ejVx7h0G9?R=0Tn9a5 zNm)Zzj8>3smflB)_?quP^Kfe0(C0_`xgX|@ZIg_iJ zW#zM%eFF5(dgarPTknf@eSQbAQ~oPy)irGv+QtFZK${XG0FzF50`E><(tKqheSh4; zBM`9GUK=|}9Z471F|hujeE*I4wdOv@&#KIbTsD(}&Y5-*R}Pmms=${Si{z_k{^3f? zTVB=@DH1V;oGvWAKh+-|9tNP2gSm8|IF;?-6TH#Ue7DTWWHZfM+2?~_-4pzp_wQ`O z!3Us*{@=g(FOJ6leM|p8T}ws#)2^dUxK<$Ht>?EA<*m%zS8bsA#_xhI%zkb#Ni7dj z;LE;2R4qkrtc%IL7F71uwO>bP=FBe+KBsr>lM?{eKL1wGvEdJa86h;J-Lsg-`hVE_ z_PCh#_5V>(qDG~n+n`h=xs*^Eu}P9~tD)2&BuSg3Vwy#$h*GJD8YD$Bx|1}zQxe@T zG&5b0ZZnl>)yyovC*QNrwomQz-RE_Vz0dFU`u;I^Eo)}2&+U2M&+YxJh1L$uph`^cWA+$H6SD80#E|) zdW&+mx@wNlk} z*9|qFCHLU9MqJa|K0zRUFY0?zK;DjZZpU6;FHAv^E#U>c=GLpK+wGlpO*{61Dz@_V z0r3~3FyN>Q&^S1HBolZqtG=bFV0l!xK96qAjS0D^ogHLeVNUC4^P{_ z`Nhl&xaV#1Kp;3;6py~bT$^|k|C%yNX#bgaZUy)2D02fyd{>2_TF^hbF$mZ~z>-fV zqH~?QjkvY?I;}`xx(hV@MdS#iwA?UO*HG>?v6#U{y&8MzMH#+&gZX2%Gr&C?1JC>p z#sRAPe*qEwt9PTSu(w7M#jH^QJES{Epdnmd4Uv(1NP6AH59m4GVc+=`g&GUcz(KEO zrCpgN-6!^5w`k~*6)J!1F^KnlL}Y_kRS8ezihc!y`$2#IOl+U^52+PDbRhp^k^m5l zn2*Tc%*RhPQ^%nrIV`>~Y-1q3yM?f0Kp+{o5V&MgW7>1u;q>U|Bx!F#i&KNkaYx&f zlj9cTPw8sjvxsT>QZx3;K-Or1=x&A;OOZOiE<@K$>mWr=gCuvLOw2*S)!8#^p}F>}<-2-hn==IMV-yG9 zlp*|;=dzU8_z{zG;Srw`QbP)R)tg~|9YhW}oKRQh^kg8~0m;JcJ`Xa+`{%pJJS#kD z=Dl}PN?mq}dMA+&+uM&IB%v{aso>KH-v<+MQ}oEx7#~PeLXoWj1-TmN1O6~AGOgp$ zdVROs4T8s-GAY1nyX`pR4KVBL;)Pd{;tIiU@@$yxs=!(!y4*VvVu7)>r_5~ss0J7~ z2;qYEA9yz&wSk>|oyP|WGyWqQC(r}0*vQ&Ha8DsxUh^EcrjM1dW+T5pOlo9 zPkPM0?{hlR^ye1|8NLu~8D(bKBF{sH>_Wil8Ql{CZu(lqVH>C^WR5cUMw@`NOW=|J zx9+5Z+8YlUO@2mH3lSY*Ux)TeW(z;Fxa5$=rzMfY8bR)cK)S#z{FqajF{3V%*Y)`9 z&Hky%?` z5E@t-r{*?temRtA7S{qlWaTcL>V%b2pch-nrkh~({wWLgJDcDFJbnv;YFZQ`XB-t# zB9aJ$1Ke~FDo~L8)q=I&dIj8q7Up@zvFM#q(P4$z5sw;8pT3ybKQjtdb5lH@IpKG@{eQ)CO``LuIeo$c zxrm_;mTH5H#*j;YfKp)cU#ej92#xO8#Ko<>d9=6+z{`1ozdb}Gjja@{X5^mAt& zWXY*erg&5BcaSt!@Ak+Vlq=8Ln-p?wd+-;2!sx@f?JI7KCe=6^q&)utkL$1zlz#tv zw<>a&+^rOJR#qXykIp3_7gCkjpOujbGv z3%8y0HMZO_(B!iw{((KwOTs+oan(0OF_xvM*MXo~S;E_8d^gCg#B&Iu#ddXXj{W&y znOuZP!f4hDSB@9}&zcQI5#ZhROT?-o2Z!CeSZ*znXpB2gv92&`b7qnoo_{FozM5O%=E!RfrG*3 zw@%@CkU^(ub}O!Vs4*tp{O+m5cTNT$W_Eo7ToeSjQDPFBvf{>KJUTzB`_a=@+eWhm zmcdoO z8OdMZ2vr`4TrA6$w$-$Cyk$MNQo;szW@g!=+Y%c* z5AU>|OwXI8cbw6vGG@Q87r(3x^LK-1|E2={b#49@o%^5PBaJ}N-+Iz1V65a#XR^c0 zh@!Y0Mc!B3wzmlTJ}Z5&;0u@0y{4r?=AAt>I9*&{lKk>u=DrO3=TnEWs(k3rqR^c5 z)(fJRG24Pm{eb}C4;kY$#1%60lndzr%nakMGWJO(IuGBy?_pW1`}yU$F>cAO6opvV z3VgbwYR&vhjs&+$lHY(k`F8AkzNFlp-9B01G^k$-c~*!aQgI zg@E}G__tFQDkA*bsEaEAB{v_MH0sHlIUrKq*yovq;v3k~$9?=Y_4;3hJ@sNd{AIWP zJ=6=qoHIL_?Gp$RNY7qKY6{=Rcq9E|P0X?6uHHu$0m++|tK~xEZteA_OTfGMeb zt6e!Yk3(^BJ8wrzv$|tVL zC3{sxLf(w@jKGbe>L z4he**xl%*I*pMKU*K5IdL9AIK1&!d9IKW_&f&W%P|Cmdb2FT-TO<&eSE&nec?5Udlm9)12Sk`YUa$S034WXz*?CvJDacQSaY$`^%+?cCOr+>xGqCpkHu6p9Y_T;&L z!Hl#L>w|y>7`g$w3l%;1#i$&h#PM522|3F=xjht#pb9l_q-Am512m~SdS~Um>W@v= z>1pTsI4@M?0(&VrHA5vZk*@$naFM*9n4Qc5ifGZ!H{zrA!0#x|Q6li)y3cI7D2BTpZJVU}4)4}AeewDzxmsGU=b*0m zOXzToH1=}py3_^Qklmh&#(%K9gBq`OWu&ggQu*!IoU$@W{P=6F7Zskf!k-&)nL>FJ zekyF96V$0(*=GWCtP0_7W}dbSff)%NuBOdIBaXQ9^sKat-mj|vbQy!SR$aP2f9jE( zmoKLo4exHDPxL02ELSW!m*d8XA#Sgl?-!J8vMtprPaIku5C#e$-bj^wEJf(uD2)w(3%5WXQ@k#qgG@&{|ab!TrvnK~vb1iC;cCPUF^{ z6H+)VRI?|brCX_DQ<}=WEGt)E>6e5U{5f{?^d(uUVLw@HZHORk(i?#OMygx|{&h4S zihh$g#ID7+s0MGT<~;4@R!d%1V9x%!C3jU-gUDGYU*wiZT=G12;rXmmnqQ!>C+#tc0UkVeq{QLt9ENPWL7RcwD*l< z8IenFRYNlBx)z2d(Hkuh1yPg-1-hoJ!{!TD!?f<9H4@Zw)u^+pGUjNBGEK+tqD${i zNegYw;(dxW&wV*0w}H|TXD=X{zHPrcngu7x1uGFYc#Q`dOxN$j0`LZ$=3}}&;JC|AYg`$93SXDnv52B~L7#j~$JuLSb3kS}}SYAR2 zi`bC65e-ZL^sbMfEE>d1h+J!=Av|x-!URa`s_fYOB2l4Re$DNTS~o&^EwwxFM_+qH z^XLIl8p^0193eGPQjUUv3=n~wvl}|K1Qk-IDi_A8?=UbWCb-1Tc{4lB-^3*F@Ry|N z!jES)SH9J{Ib(BRUb8FT3W$ZzQP&^|pJQimU(FWb)CBIIN7AzMsLPjaZ|aVU($Gq^Dhh0B%9A_$Dok>yw|0+i_V1U@ZnjMS_^t7hS4zp!+omkc z6Ia)>Wc#hVD8DLMb$;#I&3?I82cUA0cp4io@*^G~Hkq*Lg;D^`nsw0r))2|hb=eGf z38~dBcp1mtZI3SR47yU8UjM;wG0r5?`QpA+qTVZm6tD{?q8q{YK^L6xE~VhNTRyPh zsTM@)-8Z_gdM;!6q9>;;FXb=#id(poeR<;R31%EFDUWp)kvZIBfT;=RaX$up%xUR! zQ&^pq;WJe6de0jDiifTwOD_G~F?G_W+5zI^4!&1(dfEIWAD8{1WhZAntnt~ga?t|E zaeLOOZIUcNxbCxqWA4yi5)=&8m715%I|em0q!QcOC69ROIac@7QxY*n@tbPo<_J26 zCGBmWuavgk+p55h7B#-8I*L4{qt->N%rwA2PXedx^wR0&3hM*Fc&LWt<>?T(YeO2v zb+EmD#J>G10;L^J{!5~rZESX?EqpFso8w+c$qW%HG!?7NF7eN?7i_1h))+Ru5I%iI z+{~*DH&u8@>x_G4<9~9>0rCFu){3spf)Nk(v>aCf5&quB+)wbIa)73sRb$ASBy>y3 ziMC#^>PxV_G!v`KI$0cPZ+Y|a!kz=uO$&X`y1j5;!~F=g1j}go1n$m?M)x9CMsKmY z@^ckpVXuF#Os(m}2i_N2U!>Q%b-B&Xe6oGE=ArO;SH%>yEh?>mV*rF^{-FKT-NRZ7j zzsaK7)|pK|kUQHWUDZ=;bu6~M<@o-#yB{07GrT2nKvRzQ z?&ph(Vu<@GXPd>)YXTCjBCFYqi!X@LEXWQxKfqFT*}5#O_VrRVa}Q0e;#oGCZF3rZ zHirR;7QPXmZ>Bw>1(P(!0e}N9dQ(|30XN{_%(s6_HRjMSH13Sv(=n*>>`Fs*dQ(uj zZS99iUdLy(di7+rkAqICalAMX|L4K?o41_kjt@c7=)$R*j!^b!-f9rAM-kr((X4`!nWKAes{#Cn|KgGwP|#AgPB@A?JZM`!yR~QxaHFV^yylA<4d`H zS0$cGtteh_K>UFycpWj-AU_{3tct;Z#jTskSjU)^D#|AADqr$ipSV$!VkQT|OQl3& ziqO2WMsv+H>6_N4aMN%LLGqD=kFrCVceGsdZ6_=&yd~pVNjZ9 zAwGD-umU4m2#pzCi@)M5=v+G3k=oawHusZwtu6z;>iMGVi)YV7VLLE%HHJSD4nKsZxp?c11jIBiH55 z7Tp7D`Wj|f(`C9Enlu`-9g`DX+?iIn)j1AvB%|xj%g#4%d3)p3(K|=yLVPWgBvi=n zER4h!K7p*`$(9f7npQk}n4}YI82Q9sY1x6=txMWht(DBZ^$O?QN*U|Ud$%KCRZ*Iug+nQ`6Yej8hU<;$Y|jBX<^5(`MGNPa1) zQIfqJg(f*#;zf1_O}Ra+FPQVSs*q<@7jV#VyEl(G)tkHqew-|n5hWaR_1#*iLb&+A zjcTm7-l=V1(#!SpU9Bg@J ze%rp?p)Yn>NRaFQT!=Ed?SyZ_SZGGrErRO@Sq&aGAbvub`zhzMoxA6-CxysBxhU1z z?H=lfpT7NB#GMLt_PY2RR;k8r1=58Ip%>pscG~=>=KeRR>y6}t&5i)qMq@?dXq328 z?vJ#^$jHOqQ!)p;92i(3eOkKyBz_J`Iq7?nn^w4BM?)i!muw8%(eAs1v&GQnYUKVs zxJ`>JpFgNTb@1I8g6ZC%+giD*1+kiGjWN;Wx&z;kZ zRnl+)1;(s2$MAjoTIQJU+mpHYU2=Em0eKID$V%LU^%LgdbQFhYj991k<(z%1gO*|`*H-^QYr`NYTI}2+_|7yfBV_sWkJgt zCq9>8tKdXa{$?Re`)e%(y?%&>aK7T^K(4~C{9TItkTHZ{XFn7C!~$Eaj3x_rC(u}! z9?u;Ptc-ybPq~mZxq>6I+Qf^vxMcW-iwjM?yUl0StNS}vPt_7zxfIC3?f!cEiAO-^ zl?VfwX%(VaW$;s*#`|8P#3EcWu}OiymKWuhE54e8Z=`dI6NkOJcXN9;RV$Nt#q@=l z=>g=mku593)k9|qUwxF03tP!Z9!n-@r2His1f-Y=$Kr3c;~PovrEm|02(L4`!2)$Y z*Gdv8CXhSU(7*`IdqT``?t02C1CC|!yTWxN$`W{ySMyVO=PWf1(MK7-|3M}AkAj%|Axk(Gg;yhSl*(m5{sO9BHzHcRJNe0? zbDkj*SY<4(R^OB;uyz@2{8AeQ;|d(;-1O#yPs8k4y2Y{%kK$_oEB0iU86=3lRN^6` z3&R0exFrQpc^+e=W5a1yk9QDIP^{RPdkTuUJ+VSEONwgav=7=$%#C!(G4@qkXu-o< z&+Bq~H(tD=Eu5kOU(G}^O1k2>C74tS*C~%6kGNC>Ed&r2LrdmuW@ZT=BnZI3YFNgr!>%889f)RXBZo+h zPxL^g+24+WmKp@Q|^Vx0xq2H*r%UH!ndws}!X*z00T!_J6H+Sm5YQCK!Zch4k+ z)6swWwk?CRXU7`)DPZL6?L~G%xwNHT7;t_z-F={~e3s;dc}LC7Z#@6TY| z>}-K!Fq_$ZPoRogVH0l&R(RWkD>b2Dh4I!ZniOi=w5f_A^hsE~;=#*1c1cBAZVUE$ z?%I}wGnbem#qj>Kk2kB2nT?RnJ8)h?v zTb_vGX@nBabw zYd>cWL__EAp1=>guhd}vHymk*n_2b_ZGax6PFQgT4(YgyF)fn%La>R@jT9?$1V5kO zGXN6{c%*JUaL`y+nyzUH5qrrI*$Rqn7up|mRf;;1nvs*NyTfns+>}+v!^Y(;WxOGc z@|pf?=>1<@a%uoLR<3@IAftbnR9~K;dzB!!D&gwoBhAc@gI(YF!=&B3SZo>$UJ7e9wRK(HygBQe6oj zd)dg0E@@0xLW2{hq@beFuc8ItZ2*h7I%=CJ&GblON9bqFFeS@4@@RZO zl!x*)-Ts-r$(d_PGpqcLtR&p8{wG%PZv?>)Tw4%)W2K=fa`D|Y;3|9(J5!WSbb9Y) zF1nAYG;jaJRQ4>pw5PAGMU|6E=4{N1A)oW(`HIOUz;#@U5J*gUpAs0o~DNPg<>1 ztrCsVfGwV^si{eK!S8T+(E};=8H(o^uks_~9eQKYaOu@CN89d{c|r&mG54BOp!1^g z32Jsga3Hhy?I9Wtt*z|0C8@i7Xq8n11k5te0A?@q1C#F=6L6~P_w zhxtLR(;w-V)d#R(?l-z5HM9Vmcuug|duu+DK`&TA+E$%A35{+7r12G};ZjBNT-*^Q z9crQSYRCJlrxeY#F5|SIm|{J%iNs&Z4G=15@=tIX@Mu?(|B1u*5~zyYqRd+f2Q^Hq zZpGH_t?aI830v~b8&Udvin)ZCu6XzQ{{nY}=}36sJEE_S5u&f$ap>le<9!_AZf9O> zUix(8co*GfQ6;%6;v0YycsigFs*b(h>gk3SDFu)K@$b(LDMK0tZl*I29 z1tjO_-)*W8>=Wwl(0p{xfmCR{*l)^SgprK@b2aeTTw#2jG1j89zaN`e@eN%72={BE zu^gB42;a~J>5Xu;aY5QmS7q=EU#Q#Km+pEls;e*kmUexiUYCx`3^nl1*#B1?aR@jY zbD@u*V3v1(;c*(CYuvq=+iF*nF)=4e-N2GpbgroA)z#Pat-*U<*Grz7c>C0fSr>F~ ziv7+f3^4)RiHEy`BNs(6~R0E`@`)lK}Q_H#~F{xz$Sv7bzWjjy`-w5@(w;|{W=TTkH zhkY7%X1|@4J|778S?DaAD{q>bX?e|)FIWXM91c53F5P>`Sz4w-M`ZoxSaWs zYcme5YTeT#0l87OJiKrU8I!W&s4Lj=bS^OW^aczcrr&IM_Th=I??cDcvh>4&4j*C~ zKS_md-VwAAr>k{C+UpF$J`Fb5Dn?+gLKXES8(*LBeEElf2lYiK@3^XLgu~|Q>ozMO z_&|Jc+k?>5%cZ63X86hc%$%NMBQQIt0r<}ElD8hG;`y>1VyiEKU4A3il$VA^w{)0V ze?*TDb+2l)6g(x)6rTygyH@Gly9=L?{gkGl^`bB)I|@m4K9!@xP1u26;w^45&VMgk zz!@xH;NP3OAGvQiA#`$`LfH`$sbu}#Au{uNFW-uiE^IjkUE2b@FsZb!xV7Ur1feYR zE3WMVu|*wLr$RJM@+`uIEG@vddXGku4cWJ`dC*1Z?}bD-e=e(G(9_Xm-lrm zZuiIY55APCJ6rUh#e2B=x}0?m-lDYbnqt(^%iEm^n>R@oF?q7RLOEybqIfB^VRF~dhZo=hVz50&o~1=@go51vyZQfSd2dR*uC^QCV&J&A650K zlfx`s8ecd@(4Yc*^z%XQVdK#_`=?du20@kHO;-IeyP^-sv^B2f9Fa+h zlyqoncs_Ui(Umx;dzsP$zAYu>({oeJuej5|>M0D}DS|(zG+|QscV`&A!xrV}p`?U~+lgRi5UQ={4)`E!DCeEM%g3q{3&bTSJ1)(@v{iT+!iO8+A~yhgPQ& za)!xHVWp9}CAt0lpV8B;`c6dx^&8atO&C$ zG*R_GGzT}Vip_+|4ZnGiJa)?4;ww&^@f9}&Y-FRQX$R4XfzDkL!)vuiGq_BCG^%iq zIt4w=-PjDJU<7aHLX|JM@ow(%72*}Lw`9INmaCW;Y&>t(r8`a^IvrOW0S`kpnyiz5 zk9a6X5}WACTfIqiokMaR^dDYw{7V6j}m?zwdcJR({cG3()w~_rxA!o7K0_vM`jw*es zUFZ0jTTGvvD}N;S$a7iKscn9;C*DZDrvLw`1U~*&aVc^cLe)V47gX2;E?5oN!Xbqu zb?gl*)gmBgbCL@|Bggu-OIB7L`QRHDK5*FgxfQ>>;%41_(a)zXT9h+JhQ_HC_J4R& z3D!eeOxBOQT{sfEOhxj5WhR;l4jngoJ%f{wPi!zK7}f~jX|}2thqwAJul?K|ZkxI- zvv85p)yw0K3*t#DTzfcx3%;Fo*u2`m;)*^BI$u(FhlEZ12!#uL*nTV17?pXIr_A)n z+L>`<4llP7*t7p5_um9*^prj(`e?Hd$~j?DF|fc4(H-cZh{)0wQxA(S3XNLu3Z3$< zPFrevdKgNU!kELDRI0ouB~mxe{PbIk6T?wszI6y{oPcef$faXXzeR8KH|AE3G@kl{ zhm?^Hv|0cD-Fh5@MmdtCT)MLq)Ag4hOPtFtJK zB#(4FY#DintE|3DAq}0_3oppm8K`hwsR8Et7z)rrxEl10#14q~X!67g*HUEl}oJ8Fr3iG5l=oQovWRDRVfONa=SjZ%!8dj)V;!B?c zAwMU)W<7ooykPr9jfg?#vEJKoR7g#JTcAipATcl4sONJ9BE zKIBRH?S>8mb=7fa#L{b?rLFCnLoT@Ol1(Fk>4k=$ynwr~IB)rJQ)wv+@fq-14`(78xJ zn$DF>*dA+%UGXSXEUo(@jr)R(fpEsM7rW;IBOvQX-P{L|B>-L#PPv~ARgN2#=dhYX z>DtXn)^L}nRhf;%^ere(cnb@Ao-LZ4yaVMB#Nh-qVdEiGtLumIObu-ti2tkc2 zFsZ7WRDGWI(>qw6nS%f4l9f4+Gp@Na`ogqiOIbW#{b`CGk_TQG?phM6jqe5}AQ6IE z@%s7aL?J?xmXK+#WpFkRxdN~Z(yt4DNNFm1Y_W(@Hg)sO=W4pW;gp9X1QTsRko8^U z3l22PJ0qTXb{%8LJm7inpedwK-_uA~sZRb;1O1n#5DgI6fP~QijOjQ5&T=PKMo1kz z%iK%H*Q1gpW>P%Qk3pu!iZu-ZTViYTee~bIy!u%8(}N|C+B~8KNn;-590tGkD=y*+ z&||X%I%eR%s&Xr*h5yMeB}F!oYePh5(uMNwKwGZh)f!Mt1SpU~^f#m^csp}q8Hu0l zGBVmb!d`#Yb3V|%sVZXjcCkfLUnVfO>9vofF1ZVDuO6WSOC>%;I<&5g>o*oE1YlB@ z-?l^n{5gm!^ITiVUFIBL`$9(@l*maYJJ!rMF!(7dDoVv6Cv8KX^Q0$j$DK}1AmL>7 zK%VSP|4UfQA{h=HIGlTBUAmLJ1NhUqE6zRGJ8{0dk!yY2&Kr}{cAi?~eIJ8N zDnCgiPg-b~YRMthCp}k*&R=;gU39o_*V%#BWpN?JDKMMuE~Yb;g$fh;+yiIT3C5Y} zdN0eU$g;@B!+*Lp4mIz}EA=^>l&vSy2_hgnEI5XxDF>!7<2!R<%1Ado&a2Rfxtat zAe5`XCSDWFf@7xx7|=^}1KCTGMae~tw(+-$?si5hlil>Q%kMW9>55riqaAo(-KH^Z zFprT52`SAG?QN@F@CuwQ__JPybIY+9eF$As! zlo@(KVkA1(qWc+lb&Ew;5a&IhCmGW<>?TC)QQ)+A^b zW11TI-59F$12RTZOX3g2L1QAUAqFOW4#WdUf4{BZX(Dl1g#_slaX9(YV020MM7Fx* zmgwf5folVu-L%T)o_9SrgsH1~0@OIcQcI17%PBKqa{w3$plU&;_FZ%z=nSI>+}^+8 z_=n$?|Ch+Xm`o@dz_k)X~DpCCH7zp>DyxR}7>R+;&7GqMUVdQsE4}l$4+B}X+>Ds}$E<-4xO!d5E zTok#W*|EFYZ8tYJ*-MRd?d7<`GyF+c&Ri{7`hvJ_tZ<7hG>V&qk)rtE&P^=`H|A&6 zB*M3B&_PJ>(MR>hk=biJpiU4_OY5^Rmn~K25a$9xzobGvZUm zfs6a=oNi9>|n(3xc``8x_M0P^iND*@@s+|ksV0nu3tgGq@QxL*k;!S zis*iWiLP`Bs>6fNjdPnFhrE<)vt!RG=Cln7vb4O6r5CI$Oup=0(kU|r?b7bQ$R__M zLyux{w-V5qV6BtbOrZj!HKC~2pOB(_4r=nfoj5vyp4O5!Svk)Z?PxYnAZabubt#Rs zu-Scit;LMsIk5272s+bPC~wgU#rY*{N)husGX;O{i@O|pokIxlv_5I`I44)$(UEjF zZ(h}c9r^xV`~L=vI-vjnFT5SXhY)9~Y71Rtv~wGiyN*7zhWss+)*zob?2>sC|KFy= zbaGXYyeUNX6}vj2qEk!7b7;;sm;0(&;SDs)H6gzpu+4ea*UdQmMdrB4wbT8BN}>A6 z)or1HQ8;`ckdadA64+p&YYp7M-26XKWif- zu3?Ljx)OipmswQ@#1pwCLe;k*D|Rut%|M?b7>8Qki7wU&&3%uQO_iXdXcB7-t5EU` zv5i#8>{6A)f)wNbLKy&v|BwZXV@`Urgofms{n=0D zT*L+~V_g~Z9^{2wo0X(q^h9mf5lW`b*n~`y@nfk38wYz#MgR+-@k!2N$y32(RO6-g zwLRw^esQfY4ATglwDV$0m!x*?JH|^2s$Y?ZOhfW)nXaxO^~xOEr@ms;N$BGH!nL`P z#cS8NEALDUSebF0P?Vt)PIwm)au7GX3-HBL7I)35Macg+(mcO8(rlH%<;Fh8;;!rs z9JH&6D(G#Hg_S+oOHZH)Gu4}Vp^W5rL(5l|8Tc%q`)Tx@3m?{G2t32NrJstRLSvv&Ocn zE3~9#``wk9L7sY(4Xt%o76sx45du7T5|e$JC2iQbg3=Pubq4rwGP5I--Qzn3?LGz` zPIh{d``Gug{o2a+x;}S2GBl^}H^o^WhQPo{OzM#j0TA^skV@|(6V<15g$s^Ttx#UP zaD(XD7m<73a&^{4p`x>A@^;s{=2;F0zj#XY&1XKsDzuibcj=j2=@=)|+Nq}V{_y-TciReKIrZ&eXUcGL~~eEdmhY=8IQy0E1&=WndtOueOR zos@+Wub@o^kpim_K}f48(pPAu$T2=Ke_+M_+RwZ@={Lm06MY&y{7#%% z<7=}9H+A#xe-!%|BX#kds6xs`CU?ETCDvp!d6ck?r*qyYL^54vRwhl{#*yAP&D$Rv?Gv$%jb_c^j$(4ZnyF`iAEe5(F8R}j)^&$uW24$OrI{)idBA- zvpn^=emm2}IW+cD@q?a6g%`VQyo=2f;FwGtY&B?z?Sy(sftgT+dpN7*k|evLaG7#Z z?99pm9}QK23#t2exIf%*(Dwc8$H$lLfrjsvjLPVw)@?M|{zs5s)PwTWdv z*D&%`>B`X6{#!~nvZu*~zR(1o|AK68MWFDAzzNCQB!rxu3H`P;8I&`aN@|tid$ad< zV|zZ3CV!r&w(z!}L&H_wO%t_F>6L%Q9e@@#7KKD*NNjpkQi5DSQnXWe$ZB*kH+zLb z%g4MWSqnNX-97I#79V!&-s>H0e|-n1%)V`1$-&bFa>LUF5U$80ni>ccDX5?%iZzY8 zm8V+5nrigIh^U747Zdi|mzyVZ`rK}9@7@zU?e>L5c{WpymN(&i$FC%a!FT89PM{TJ z8<)7P1_uJ9|48_v=eYAvl4QzVjYG_4q8knzeZ4nYzjjI!$!m6jzqHmOsY0i+Mtd#s z!J4U?#;y6!e#X1)>FXp_&S!KTduedj?|qy9YbBeL{?h9%Sxvc_0&D>ieJdF+D+0hF z)XnN7`%aS*TX3M zworFcE>00Hg1&%9v-@2#&yxSjk(Y#)K%Nzf9`v97~mte7To{U>PnJ<{}h z$b-Kp1)a6*L1J9wJds}E(+m?6`1*qm}5y0#+i2P@7K z_|8ix!@g-Z@s%To$PDt8{Dy=?G=`@Nx=}lZ8^s}?r@GwlV9J~7Bw2DG_32X|<+DPQ zo$HdS*L(aH>?ke1=)1J-bhzVqfuna^tE5mds|B(`#Ay|<1{>WkQe?gu1TdA4g(w|l zO*317&NhX~m-=wsb-p0*P*7==L)p(_xBQ7$y0@UXMOfnImADR29+Dr4|BK6z2@;mw zNg7%O{c8o2y-Mke@DhwoM^RY_Haw?*q49ZO}}w}*v9PluETzM zZ;$0g5r*{>#W@D3Q5m*rH`fCDKoVIRtry`KuuP*a{(44pEl~yt<7^Z*}&`c-1r%HtGIBHbJ!9J2*G<*P)D64?#QoJJh`RXF1b;uz6uRjDF>F`EuSjzLr|1=|i z0?o*So<^i)gmu4da9Z^$rPv`*-7na3Ks=lhMSleBO%#5l=#HoR1v+;VKA4c9T*5j< zGeT>46Z(2c66jiMqE%$w>XguK!>c`2?hMmAOWfoS*pXvW@2)nX>*_I7=ZctI?$PV!&$Z+if2yHuuSri9x6H1~c)zy!b!qYY9s`5<@p2^+>*8ZAoKD@p zKT(T|E5}h2xLMewAUK_6=u4hg0a45p&ug^<_gzx4T@)YjKla{<6B0O3!+g?cU$(>D z5WOuaj^4n(BG*O?wF}0%oPbucar_bKK#xr~i zbn|WCjzoA^_^tQei;EQukAEJFj9U5p@XGg7T|DHoqNk+&6d*lmvL^*JnhP9C-I6W= zfItG*po=6phSqT^LJX0M8j>{`^hw@lp3|m3uGD&yp>8-YYY9oMs*E4xp>QfJ?BTjC zHa-&Ky>s>Y@$A9w9qE1RN!s(dBk?iF%7t4jf1A(BTfBsMYfA->s@ zCfF$?if$XaYoLftP72TY6m9xv$LTrT_o9mv+M3?m?|eCLtGVg=mSyrQTYj2bI&KTK zq@@CyUt!XoEsT1}EpVJ}3w1^J%_e(W6l9q#aU-ll7kaRbtBr!zt-XKjOV-IJ23IQX zb!(io3*5YZVBfTx_=dTRq=Un@r{mwbM)xGR@7w1*$=cJ$Yf;J6g^6V*Pp2rZYztc{ zmTLm!yUv2cLY+54O@lxp`z|HzW8Qmt;^d~)5522ebo~6@xeoW(zwUE8>}ln#uU{&$ z&)l$b!hAeVp`TPpZxrz3;N{N34w3>3E<}lNfrTGn%2Q3ki_NC-vd){%xeZltpJEqR z4hZJ_6xLDr-k{-J_0hF2%{o@?x_nVedff1n-HF>jXD;|0?a*bsq)u*L=AcraWbn4# z5&L!*h{>9($!#S==MsyGaags6tSCq*ep0ZK_C|xiyBn1#H05^X%2W+d#({z}JMS!t zr9X})WmNEs8~14JuYYnWn00;9mwo@#9{*>y`uG0_@#_o&p`tP$FS2B-^}^K_?fphdC6%`jDAc4u!wSzsBG%+z;z_!>g=AzN(W@yktAzp z#VZD$rkfuu;TB65e7HR~pz+C!DflPIKKCY9zKtkTINPU{(%{i*8{X2nVo7V)aQc$i zy~ZaFl`OsRxz^LN`vzN>dOJ(*Ru zn~;kSO*h|mIi8)i}f^n=jcp`Xl~t7dFbwIY3qA-b}yafc3x__JMLsl?q(6#Uf}%- zAf!XN(`O`*m=aasV9!xH!*gv_WS-8kbQMMIOK9$(yVj{xkz;BrErO^;+P0xP(|p=e zB*M&?Xa#TebHITcLi}>oz;|JcO{{9IP^A(pbBu^|cP`Vi(ynA(M&=q8KRzcXYhKUO zJM+Y&=C+@AdLda!6XOl~(dKv?SfQ7=O-0$qpWSplzOebgaBaAElu}k^-~6`7Ia4Bz z?K(P5UdEMt8OtL=i!~}u6r8IeJRrJ}tBT|k*ocDnaXqMdgp$Vj&1Hh+&8rH3+LgKg z!XnwOv$KzS8+BIWHm{lbn-BQ|Q>X${t8K}%$6mXF2_SHx#48Q~5}J^WybPm4@GmWz zhhUAHBmt~$UOE16A3`+3-H9JsM;9toU}fEP*lA}<{F!(fi1V>pp??3+k<=npK&`rG zN0?t7a@IghRVjhuLM~!*-ATgR3LK*7I8PahIAeU{|Ng-7W0Av%q`9_om1o1AP&Equ&Tknky`5DzWb{6U?(%S%zZhQ49#i=z@9?c1Uxb>dM!-UsB;ANn}{mpkk1zP z-bk{peCLy;9l{z}eW~;=dsyU;C6r;eCydI2!Uj4htobZGhB=En46`+x*{(!Ma~EAkKs9zm*XEvK(1~Lt7X96GINC;KR7wk3s1s1c z*;2tRo3;#Gzg68aINIg!4)D043fM??Na>VZT__KADxeRaNMpQ}(ZkG-v%d7uho!#p zJ}s}pHl5>HUyE#OlY6>Ui?)71j#;-OkIGCTiz3~? zOS0+x;oQfJu`k~gd(s<3R5X?38gl{y%@#pW!#|3{l>RiR^6=R`RUd7E{tdbGu(H(I z&c2Cvx^4C^eJ;UskfHX1a2Uw}-U(GL{IxD&A1rv56pCGP#mdUO&fc(fjg5VnQi&l-^fEW`@ z%~2OmNe`8MLx8EYJbFq(Q9UM(y`fJtvNkBH{B*=s?{_YdvJ;t2oO|j+nAKaoOt(oPvrS`q^4wdqa7O@*&l-Q@%+&ZkhU3uMdZm z0z_544-cF_sP7~cP3w|USeYsyi0{)q39UkQF;*2!en-2g#t4wh5%arvy*L=k!Zf$6%0&Oa}$pOKKv}u0tiuL!WH!HGi}rod#0UKp6m(^$(eoq34vl&|7n~c&5R|-!ft%E|7+UP;~&7bqhDl z1X<`S#`vLQ^kqQou22S2(D3{uu|Eu?@Sgoulz28!{E}t#!x(seYHzSm`dz@mI>B9- z;?EY6)g1g(Lw$gOkoCTr+g$4#J}6Cg%)cI5?x*ueQYMkq>KYJ;N>lJ9bk>dcWZ00pp{M!M^E>9Zj`%9Uo?k;PO5~TWP$M?l5wP73WOqN%WZqWg0t`RF*E#T2h-3=NL-2Kq1%>60Yz465`4I9cN9*Vg*p z>eCvCo8TS}VOGG2kInTjvbx94hOf#QjkC?(`{?t|j@!|u&UGD=!6%m?4Jj(%74(My zjk}!hT4JpU4+~eo9l~;VrKZH?!}7A9y{ObX7fV=|IhWh&d`_hGrm5`?c&@gBKGAYv z*-ZnC9LN1d_(`xNO zrZ@`;RkI_VHoS-RI(Iv6S)CMzGc4s&VSOEpGQ{=)OF8*2(irR{^l!7S0|(svefO=y zUH*cjPlOm;vestPm!`F-Gn(8wa9`Iz@b86|14?PT^>pH7*n+QY4`1P7ZL-L0X5Un^ zYKtIU!cdNGyp89v*z7>&(=~BLOZG35n%_^~kAZaw71&VFs$+Qt$`{DIv}zX7t!R2lJ&?`Qfn)rbQaJZ zvae3Gqe}|IN;9^NvGWX0ADU)#^hCjyvbiUBgel%*U+?mtgT8|wq#~F>J_fnqAv_AP z6ClLWc7kug+RUfEr2pu-63@6rUjgpmdwGFM5z-&E#n84$QO^$_iq{(r{&UM;wby@E z`FGm#-zFH^+LP&6;#A>eh+zYJ;r6ply1Nt zV4l;$!YcgJ&r&dt)S*CJiSKYI$Mli;;L-zX zgO4kpqc~5>Vc;c63wd47+U*67Pr#T@7hh)69lHCm8o0ztF=1Y z-<{Y0V8?YnJhSVlH};3k(r}VUc|_nw7e_+->O$$+iT63MUk`OsfD?1$<0hlNO^WT$ zuNZy`x%}Y$wMllBE`o*sudASmI(4@HQT5|M6^AhuVm<6I6(>OlG2vP=^$;r&5FN^t zr42jAYRzlH?Scus*LfP2`j3UyhYwy@*5Ws_uESPjnUr!!awPj7pvo(OP_m%vb>JAJ zKmwdEeMoMF*ih4ehec##faD$ECxP5qo4&vj4oia=#&oa#$yK}&&ik>9f-unmUgN`I z^o+%>dj$^0+H-{t&sr{C!JIjR@5=(8g<&#zbahf+=`W5YiWK=8cOCj+!5mv)L-HGU zn*V49CpdbqWIlp)G$=lN?;C<`B9XMY$d&`bBf!v(o9$IvA;7%>p+ogtYp{*Y1ds!? zx!>Hna~xY(DiAD6RRC82f~+7vqBXqs9>mbW;;~w5?^Hd!#P>XBt@2cmaHb1y(LkBE zcMkK>^L?ac7cJZyhnoM_-2qS|^6nqqJt6=uX7*eTRjhK_1*9P-@ZjMjE^vZW;wwnN z84CJHloF@j1HbG+-l)4VLujf!V~4Tw!;YabnDF7dDV8^UANExqpeQJwL zzu&~`d;5`?b}fB7Pt_@VH26i(D%yU+xhHClr%+3r6z7hJRmYC3oh;GA0%OYE$ zUpeK<V`6W1+$`ihf3>o36= zZLYn+61}+n6h&(IokB8c3;QMBo#3lLz36{LAx-$ae+D1XIDxKfE(0grfe9O!L?eJM zdku7$9_0i$TFI@!B>Wq z1b^w&{kxufeCT)_3p`F$0Ca9n$#}{s^%6BJolihycY?nq@#`vZvLdZVG;j=UkR}=k zsn4GlMDrZO=OvdjW!+z!*%=P&CY0YleEt=L zg3e>s_l=w)V1|M~;f3L1bwId8G#jpE*Xkovj|v@$>v4*t*ByF%sb=PMl6wB_$(KeJ zw*;rUExHis92XdP(S)s}Z`IuPcRcdfg5m&F#RNAFQWCwNPB6u?vJ=ZJ=>7qDE{kZI z73noD+a%fy1pbwMt634&7}4qMW}{q+25~9gfU3M=Dej~CJ~ec!ZyQ08e+^_%NAmvx zu97f^3yI_aCI+!%>+;Q~pdae8F3X zZQEB%SZeTCePEDPb7zrENb`%6gQT5%-lsfMA5B80YzH48@~OQHptLe!SDpo^;{|Oa zHR6ej)$5i{cQcBC{4D!+Fh&i;E7D>NKfcu*j(*1;aC6KaojAs6l3!ES%& zP*OpjE9e@;@FoWGsmRnGellAZcvgx%0veB~r41i{&^;KCUV)jK(qLbo=<2`yxZmOn zqg(FzoBqU-T!pzopNMi~zyz7f2cqzpKT<+?Yr&$Hw3)!#o_!IV%R~TPTw1utT8~FB zu_$ctI}q$p5boBxNk_}4_$Ki=6SHJV%5d-Ba{MQ#J@1*wV3pIRfHlhtsIvzzqX7+q z`;M?~YM;%~!26_H0Zoe#Y7PuKW31o7b?Am-Yj zaXACqIR!TZ>RrsP6R+Ie{4q4)3u;agVQj=vEal9`id4CXY&#d*nuARB=hA~#REm`7 zf;+GW;eoe{VGI`=L7CR(@VdA7`sUUxIh*(NE}1d#$|K27v!@r-08FT5hYsJ2fLNiF z0!g2U^_{Tcdo7R}%m59t5B`Qkp3X_IS-<7oUrB>H-UQv^um#Xu;}Zu#d2k(AgBeAF z7jTUycr#m^R_u6`ui?&%DQ`Y+Wy-6~^n+x@NsfilwhvYppGmlMBC=v?MhY;QMB4f^D8V4SV+`;&ehV%^2^cGERQ2Vpnf;F_o4 zDc6#kwG`d-xpn7;bBpjq{ z5A)J z-njO%s$y=a6QT|PZ2yq`2a#?MCfs97p}@{ipYDbmR^272$%NbglU z3P=uG>DUPZ#5~(FI?o-T*fe)&zA;QjrW_X%*63v?Ov@Ij9=U%>`=~VmwME7TWMaN& zOo4$lmYN5S+tYwH0k}qxGtmTAy94~p1$1w6gwq&C(453|1ZAUXn60n#(3UQ=$5_wD zO7h6=r0SouF~eQoKMe384A|sW{jZmd0W1%)=kAl*nOW3el43x-T@y|IZNQR2dpLqC zZ@cO0)EjR+i@dhDynU&*;l$QNnf@b-Osgh1x)Um|d!!mr({k)HAmx>Ot>5tuVYNkb_J|5?>|%bg_z(@Odt#d=(~V=?~x6=@F4ik6;6wCp?BcvtBB` zYCV~G$O)O>Y@B;#=!unGpwZJrA3p>9z1=#I3*3%fcrvNY4{sT|op}$<@e3!B^;%rXz-WnLSwU^TW@4 z1`RaKInc4O6{!aUj6~qx-%F27LZ*WFZvF#tGSnL~4h-pF-UxP5G^)qcP%oH9c2XS9Me6(mwFLgesV z=6T#BECUyE631H)^0eskEii%Ye(s(PhafA`KAmCev}-Bsp?WetFt|3zq3AWw!eBxF zDhzeT4?mC>r6mfH%>i8y9hh9zJ~g3!fFz3$QEbLf-u5c97bH}z_!a4?9lOjzFXx|M z>eNcCW>8Ka)nD~=>atCH*&N8$=_(A5Fz}PKMOzJ={{z=<1c{_(ubU!vK6oIxCZA z2HK!lz*$v7WV}ICx{=a)n|+;@V;)`)hB%x{RU2~MuvJZmQzvm)&rb%1E>=1^XgALU zzmUn9^qo_`? zChZViq1Yzy9^+(TLZpjcm64CH#zKp%=d(k4;$tBPaR}BI0&O?3FvM>_WWBfm-Ouqn zq6~)zgfVba5S6EWop~Jv>Kx|QH)e8W5g!&Q)y-a95;;p${-nKX0_}fjLQC~$m6M4N zTPZ!KQZ$oLiPJ*N0|=}SAmbqwCeE}%%Y>Wh=Ej$IEQ7ZRTs9|8(SKQZ?Kv^6Vv(!N zMbH5E_}fv)UmDzgd7V-xwnVN!N>>LoFjj)SKT`Nfl{Bawq1S$#0RF zM*M01d)|V-lW`8zWOXwtp-%>w&vnzJcqZ zEyWiX_p0o;ih}#c2QOTiVTGUvNuSp*aD~ajNu+w5yl6Fl?T(bn5`Ub6)zs9M))%kJ zKR9U5%2V4vz;(OZ;_*|_xn;A-`2v#>+fE!%91NpkMGmD+l4~19XXQ~aLk8*V`H2+0 zD4twtVes`13~$rsjqS7Q6yMFO+C)8t1(&ziM$Czp3%9_19i z8jdki@=tuzQa;PoYo{PwBhazmT;c}$Rc(~`_2||ts1UnQbWfc85X(xV6uhD2CT69A z1+vehhPh*44}MO0$87jCo=uxI&BwRj-Ug*t zj(ilQeccG78K~s(y|}&a3+e=ENA8yYw?9{t|HO5-`b#swR8+lN!#lAOb#3-Ep>rny zA7cux!_9mH!PR=AuFwm#Vpz{1TEK&Vg`*2+Jfn$dxhfTgN<4$&mnKZZY!z-+)NcTO0HG}F})b)*Eb6h|ZTTSUtnv4{G+ zw41THxe4^#{Gfgt(;rRE9d&sJgX2!HsiejYfRJl^rlb6g}NYVM(kC%vR^3^KO&F$${X_ry?(u=PYC2!Jzn41j1y!rScSa(gQtPWlZ^Y^JPETeF4tX9HNgvwT zhax5XsM?ZvkL7KVmK31jrZwQAI(&WP>SqIxgpN-Cf|~wToI=|Qus$qH&d@)h@h)`U z7R>0PFQ^!bz|IQH?c6Jh1i@{P2UKm2^`r{tc7W)nVPyvDbm$MOM$A?Eq*Yj+pK2w_ zR@C~L`~`KlNo8#N&-SG0XEYb$5l|I$dktEV3rpx5(JJdCqjBLrvh#M`<4Fv#ddsM%U^cc`9pz7u?+04^mwar^nR$;9-uYE zeNq|QInlHoKo9w9JbpHiF7yAZd$(Q=u2_?%B`r=liyJLA38jw(ZWOBitPARg zE~psB!P^j%QCm^uSQugKeph{p5|`zpVtaMF-ZDG zf+ngrt48qk-O?g9_ zKj4tiEf6)(_EWYKQku*h%}F+94r>A;A@zx;2g$z~58(W0SqM)et#o-XC{534WcF$B zw=+`o_>-^rJoFmd?}81^g^m5>(vxd0<)51u>veOzo}KFQqm`Sk$pUrNGKk2I@SM38 zm0}G64yFh#i5{>4moTHX78?w}8)#D;76nA?T{D<*?bV(=>-yCv)oQG;UXE%8Crw6k zPtQz<=RnPa{WnGmw?uK8gE~qoPE+SuMua{+w9PyoALw0s))ns~vus&;Kx&^CKT42A z7JxC*L=rHbj7`u1&@)0P>6e8EIF+R<3QCz8wj7@h!#6jCx)F@sKUf;zP0r<1y;4)3#w~;Af{B^*8zg!uH9UAt;-BRC16&#>fW4Y~? zP`1G!9hsgBl0I{ZKx;nw_5V1Fg8Jw^?bsp3Rm#6x(uw@Z)^W$)XokdSDcF9>c#z=< z#&p#%gXRHXEgUR{$1HzVjvSyZ9HDAY?D!DxuYX+m-#e+)I4mni_BPAEWQ{7~o6Jr^ z?lkQj?j(i*r3Sh%zGY4s_;1HEoqzmX0v*M= zu~DY4MyRqE`jCVFf*K3$@f)UnJ(yrjXuhh5V$!=4P-G>8yzv_gS8C>esd0Zc<2$c# zZML%dc8%}rfl4IG`_04gDZS^(>CoFHTrfkGhazf^XQvlZ;JIOp*;Mhgf8iQ`-3V9` zkv|4DeHIZM(kJm?j@4lsebtYA?|^gpUh+5!sGlSm_QYvI-Q3cI;k*ezhtJ@@e$|ge z9x^Ynyj?0l{-o}R?}UR_9gA}8nD^uRSXSIZI`0#;rJxftutsFihTJrN1NgepKY-tR z^J~caLsoKBn~jn|aFN`$SCOLCAJbekoGh{|q~Jg0FeT=Lh7q4uV(s ztODW=#@|Z5plW``rNs~FO$1zoI@8T6$HD8CQZGTz&8IVmUO1(El@H6`kH!6naqH3- zDK7=5PMQV2JUj^7NiW5Tm+Wc&*f}A2GT?l+_~Ct;N4orq@AoU--Zul*DC$)# zE1mwR3p~+$|6VF6bG+tNavLdU_tN>gG5rzu-Vm{RcL@)>n|kZ>uN!WCx2j{u#c+Fe z#rv2GybrYaqSKf1;(FP;^>)22*Pt~X{2HkNPJ)XdVGEKd3@@l#6Dy77&!b{TSFchg zYKc>@tcSFzeCIGjk)MztQhQ^ia<|>p_CbK>S{QvawaWUs+D`l~U8LEsKyPuLhKCfZ z?w3|A89_V% ziuB{-`s4()9xO^(AErWmB-{)wzb+fTWj|jx)@C3hWqyX%!3(slyOnROSwSEk6i4Pc zM$!vL7=$)=CdcS$OhJi{OxY>F$}pV0m(H7)_kAyf?G`pPdlR0LC-27}Qt*`Vb9b<*abtRs03!}HBeckr;?$OEuI0GV z!!>(LK?OsVd$IdaNtMPMAeJ^jl9WdhCQ>zCZ53*~*izs^pd{NnDGS_NRPz8@CZv z04|t>#5M4M2cfhO-29~(60OKfiZoE4w@8|B0)fM9r3zYjP~?z?k@YU+64DfSbD^Ps z!!ox5RSQ+sq+^|nPTtYe)s5{dMV*ns0qs{Z3XVWM7+PFGl7%=n?$AIG8OC9GF1RsU zM~0(lLwX$o{JZ8E&d)(|?Tda9a zA_x$ER8BB^w*KeN|0oClS@S>9D*qQt%P#!Pg639-#>6XtY~)4L=fsgHr6)ma?iili zrLr$oMoQsmoeJMQ11Oj#aW=s2-3EI+MBZWY!9WJ_C>wX4wmgqd2j5vZdJB@yN;ktwgB z0)&pOePPn#i!(PM~BY zZvY%=>xfK{o|_FFVusTe6*O6y@^jds39MRs2G`+GM@L7au}4B}3*}35Gy|avD5)9ke9EOlaz4enb1Y|?ooDp|IOLPjZ zddjS=pc&=I)MD0nJ7Es!6rK&&2=+aNojEm*vM@p5!#8OgVxq4bWm+>279QVK?tO8p za@E2+nw_|1-5sKz5AD&;E3UUrv74%slkADi4w`=ZKF;jRY8gmAy3NNel{g)=@pta zeAQ>8unadVbLo|g;mJaa>%MV%@kewb78M=nxH~|yshoq!JMqskWm+KrDg6u>@(6G$ zK#ioA)((A~={L4(g)@gNQlWDSL^CL^;sP)uvC@{)58y`XRyQyGf{Gqdg7qCQ}$(Z`$+K@GyALJCdN~ zz42S`C2Ha^tx*u&OWDDonlHT>)ZRtP7>NFoEhA-wR%s)$r*TxM&^mO^dP?) zLDHG*Lk&{|)%#ZqE8acOh-tHJ{QgYd_^Sf>*G|#|gIeyu>6yrGd1eA#BUN%(DE*ZDr$;yn(jxRzXh(uoF~rmjo-8`ZX1L95zqUp!$+ z3JU)*Cl}a)AB6cH%@NeY?cljdZvX*&)J!dN@mU1zRk)NX@Aq-oXH6w{xV@|?ztZuV zz2Q+!d8y2_-9f5b$|Rl~j{}1wQewCneD-7m_9teL3!$|Ctv-8l#*H?SHt(H_*8Mah zu_*6xagLkuyR}OnWk$>i=~(peb=Z+R3Gd#5x~j^*Rd@XrQQjW3au0cT3aZ^@Qjo#qRvVfa08%aI)E7R}zoyz~Wd+az3h{1pc!Z5KEfw2qJU0t6GeQ%_2hCr|3X`r;g z*pUaoM|3O8#TYKGcP%fql%z^oo3CC`a8q>T$(zg!520U{yk^eFR}b$z+8R8MrF86Q zki^(i8)B?AP>c+(#g!uEbQTrSar+x%36(#a;~K$yw*}4&3Ygi7r1Q3A0E(*Z!eib{ zIjjdg^i)?w9!3lH6Zzf#M4$E9FyjRN9RBqCO8k++P4|Y~>=O^hYTjK{>N!VJkoiwJ z<&((YS1G8~ICvpcVFE8q$zr2}wu*L$!>wn0Jko|VbVxpa^}e38Y!6eTcB|PA^Ze}4 z*S7}tUfg8xLhf?q3vE)uu>b-e{G&%sp^0SGVGlz~#2B zM^|fE#GSgXlCyd(RcnOg&&>pE;NRj}0UaIm-5A$|A`9_$F~>#rslOmu97QE9Ayq=t zM3(ovzo2q=p6`&$eob5a&RfxYEd0>Pwmr|sHtE%CpSzN9KwJO)viFjL?0<^DN_L}T z#(Cq5LB4n&?Iy_a)H|0$Jbd#wft|lFWgbW)lecG*Ib8sK%(Z!~=&X+ZD2TV63G(2Kxz>swDLKu(I3B$` z1s&p7*GpCih~nD3j1Tm??!U#0ShJ(vc&1VI6@`6H@6s|V`ff-H)c-L{R5syYmjTj* zQ=zl&T2Oc(#<4A<8Hr;_YHtGsb$tjQ0`+V1dyg3FqzrY>Z+aNMJ7L|D z{yCGJmtz9{4*8w{fzxBc%oYu#MuQ#^4}zarcpT3G8+*#Jobq-%+c<=sOb%U9cItD^ z9nr}`T48pcdEEzlm7+sgQ?EPg%#D-OvY4JLF$@NNzGt2gwSnv5MPA@%K{uASx&Q1K zt`zsyls!F*-3A4xs70-A%)^qMo%}8G@ps#%cqU4})=}8N4>=gUfj!mWNmhK{|GvBW z9YwJF>p$^U?Vn*(fRA_gHN>cJU%}r@5zZ!>CUKV1v->ihj-1zltBw>NUa_mmXk$A_ zMF{NtFF#iy22VPBr{MC@+_R+m*MA{d2i8#9QXEO#Dm;T!H)Bv%D*TOgjKXaA_WGtF z@#!tEUAKfTI3fI)+2}5vIFB8@ngmziD~mydE>!_K@4TtuB$@G9;&4*CIy$;oo`sp| z5(u37%{I zn(^V$z2xao_otV1P{tUQZiAW&p^x+EpeV)S62`|#x0|Q{EDGA(kMvysUOca|L`yM# z`>U6?sR0D8Sp_vvQr_iFnNpL3Ui*IeIXm@h-5!)bddm==c7*w07s zotkJ$MAHH|U5F;?zv^X+Z&^uLUpac0c1gT8QGYtp!Nk=}OAjLmq_3Vj$T`gaw$=j^kST6_4@B0J zT?g866-0947}6~GYDbTtfS*tqq1#LYAc!%kpL!FqhjPyAfoskoPt9jtuKA2D+H*`o zxcnbd9zcPHMf&?uXdhK*2znlon}zLXj^Yxr`AHR6cwxm&p*vD-K{FSJSu1xJmXpg@ zdOJ?-7T{)o_MQ9YGdU#hz(uvr6-zYs@0wOWb<)P&+#Riw{kXgI@5825|JJ1S?2J+%@Sf9e9x=6tJyD7rn7R7>J=9q zHOLpCjBL-{Q1bljq3ST#LX0#94KSl~HIbQl_x1lK{O88n(>{ zIL2hlglWI>i`mXCZ%nA|yWH@TLakBZ$Lw&O6Rowg;!2d(f2i01xCZ{3vHf>e5+!LM zB>WEHcc6})G#&%L!1A0-qONu%2<3@-$>s4x72bZAiV%}Zdoa0~?Plw4K3I8N9PP4O z=j3%4ZKd$C4QuIFLdLdFlzx}^w-@s!=76GZ`4c~g=m^qMip1UEJSW4qk*V_h?d!z1 z=pH5^h$8QN!y)~h&7$StNIMnhYwvlqIPfI-j_bpsyNWkor04A_s4eh9iAjGLG~!a^ zL?^-ZURJWNudsB4^&!UYd9Jh89kb|DJ}GC+2wL@O^Rf}M(|_0cU_{EM$oBCJv=U%X z1Z*16P}Onwsz33OabOG%M32&o8X#5{wqSA*3q9_<+~*ptAxJUDKR-4 zuDOU4`%YX@AACVRZvFA*z;juPE|BU8`a4{-KdT{if;l3(8W=27Z;m~2-GGDbHQ@QL z;fX75D&bwq$(2zxRlR-w=p`FiNU7uUk}hx6Rkde#uir3V^3$&ra({$f9{)ER@&bLT zY}?*=o_0AV*S`|2n3=#POzGZ+`_!E5Z{7H87k4vN`^k=VvvUe#hufVQSl+Sq!I|D* z;3leHrOnG1ZHlkNL z%9ILM5jB921rSYm{XzXVU2D+{j1o=P%>~Zck*$5gx5FmgWmnBSg^~rAFITmearJvK z=WvQvd-;}ZbQtk8--PXSlZ93A9`klc55PJ<4drk*KK_DAOzbn%xl^=ZncuSmjFK)% z2KMl2LMy}#dzN7$h!dX$*6)S@J6&X&3NIXVZS&x99r!xdx>3(}_qFR49(|8Ws~M1_ zn8qbcqD_IjIG`&A!`o`oQin{Xa42M)(r}c6KPM@sOKVAUvG$Rr$xpb+8y~w~is%bE zll(HmMQ^ds!ff;Q)L8(5AofGYA<^4ZCtSb5{;itr53B2>%Y0SuJISbwg5rv_r1%O= zk%;0uj`tWzWr-<6J^i5bMG{#o+TG|_W{H)>7nnPw8PQUF<2MR7B-O^4=xxbNdzQaw zicXgWSdY^@(Af&o@6t=emqkWGS$HG2#2N#4KEQX(gj0E?_Klgk^=40vS1z>^jO1Qi zzaw#G#lbyFQ)FnXta;+AkPjAoU7kLfw18;EGmd$cz`Q4_P*fcBL)4(F&1aqUrfdilp<3q!Oi!I!>x>j2LSGj0uc*P zwD;BQft`gmZeA3$*?gZ}_BUFt&wDj$K1xV9zVyx!sL2fEB1~FF1fakI*t0gngM2`$ z)w>)ZTH6Sc__xcnl-|E>4rUoG%mJpBJ$|zR#(_ zYp|tq_6CW!TSIDQKCi1@9E*$^HRevczp_NzqJ7%4gLF`tU{S!v^~XZq1bCri?+BYr zzK}t#K!@ODkU0ScoDUaUc5632q%OUqy36YF=e+};RcPJDtTU~Hlyj6EN}n>2nGMY( zQ_?G@3bdCV0?qOZflE1#@?NL9%CNC3Dx%V0b2*J*X&S}D6Tf$b7qapE1v{|pn#C2% z%Tc6!QX@Uzztp5ffQxXUbHXNz!!hu7O-z-w@-xUU+=|hQ@;I8KL{6lDSh%RA*bFYYU zT#QOo74>B*dn9T5MFTb8{TovJ4xQKXSQ6?rpJZ5@61;>ssjoZy-vJNDY{f zJa0@>V8V`N0Oyr$oW;f0P5bDsU6da;%hmCy*R+9`7e?#fX>1G8@v^X9a~6f&y*EYU z{NS7fH>fxxZZoxx0_&1{=L&x!J;&uGMO$r86RE-eyd)MS!b)X^9gq49=m5=AFVTuN z$L@HW^W9opGcI3jxnnoe&|rzSf?YKd{2Rm0H*`6_Qpxe^ThnPBoMQHVGRFf2#_x84%qgP>f&FB|ClH8%=5xCq*U zJ-Yz%#4{c)@{{q`YicW0q9yYGf{<;8IYD4St>x={xRRC{V{KSyobt@{L@ke z3DOTgf36qbkngRYer)<)F{rtE)P+!TRe|Fx*ekwb<}_@Q!r)4gn(>B{Vl@9+5X zbYf;L)A2Zqn%zkj0VhMS9L$0#dLUY+9Ftja5SN=*$?%6mLE>F5pmo&mImj+^{Ris0 z_U^TVUL!AO7(a8Ci2Z~TM+M%BNzh5yQP3`3_<9=eo&FW62R-7>!_Dt8eNk94*4Hrv zn9otfB7jn+rP)N%>v=_wF)6krj`;~Q>cZ?h)?chx%jmipr*u{ zAZh~(-o_3hg1J>|jaJyPgwJ#coEhb@lse;h_3F6h7YDVEs%bBK34k$&R{YW4Pt?!x zA3E&+&|&|F4m;TwKXmmsx|Rv57k?uiwhu6InWUC+^y|IY79}n>l|i3;$Ymr#m+u>P zv->I(;d#|kTkmGtS}&SY*vMIvBw)C zAa>crneHyMNa-}PecTZN`LV2=XP7ZBI`#FZU#XrA-eY0IO3{V>^Ay1e<}~`SUN)6F z!J9YG)L-Bg#$P8!0ZSipnSfLcz$B%8OD+xi6F?8SJ{Z4&S`LCPn_>B;o}Tf5bfUL^ zyV3tK60u*FZS=bw+*s>GFUknA$~k!hDSI_nX3AQIbZk31(tLPL#5w*g;f z9@MGwm8Fj^3jky8wVt&O|Mt=o6F5!C#{Jugo(Q{TOc9p?Wb8zj=tdpaLQD+6gMlI= z^Rw21KO{yh{xHrm=@*u}iTRtvv#ArZai7K78n7YIfiF_Y;mCkw#s=Qz>pXi_47Cic z)Wd9D(G`9IU}GzIrOaxWXZyzF3(7x8jrcYwen31JT%a*A!P_(r^l3 zDt>YU{Q!XU!UkCbh{*E;9k^+X%#T+$srO}GHPf(D)a@|#ZP^>9kVPz#7~lrsxlC9O zEt=VcYXc5Z3_pxvA`@WjsIa>wplwIM@S%GRLri!*5v%eLbI^{1uhM~IybiBz z?k#qY*CAVX3=BNeI2;sUHaxP*&!X)NY zf2jd^N|^L8f*I&5&2L z1-S52%^}Wf_&YkZUzz#1mZxZD<&w8GCT)1)8f9;AcZFL3?28Kt^rWe{CT&C%OI+6Pgi{`iN z$iMuqvfcgF3C9^9{ZrKV#$-@F zvj`|vBJ|U;={MQ^Qg}$!N}F|k-^nB=7{|s$wLT?>X4cFu%)97tHulu5?6i+JZB_bC zg@L^l>`ZKCrNp!QW!yfV!u1Lti0SNmakoDiCkl?8xt<}Yp&#E|q)8j}H9WTKBEJ3O z4YYyy5q4i)OP!z>-b|W?)YB%ZH^plX`HvkIj9hH(@Jf2!RSjAQLlQUWZMwE3W%Zn( zsWNq7?$PKO-ZzV6#oJC#`(i z>NyveQSSmkoa={y93+7Wcc&jp@#;Fb0G|>M(Lkp!E^ z#wMPY*RNl-`>ffSaHZvP&f?|PmsNsUm=+JVXDOi-%aQ4GWTy>FaHtWdNaO>YgDHb& zoYNmO6r2OXqZ8r;L|b&I8CeM%RANvym3p((!ra?mdnlvJTI_cz$6JeIB>ld%h$% z%?HqLHQ3l*GWAo38Lz91649}gub1bc88Z@LJ)gMY4RLj#V8i<*x`i6|ch6hZ>-ap< z&MMxW{Toy8w*<(4<#!3(uKL4%eR@4>8|Qf$5sW(I!kgBwd0m+BliG#@td!MKC(Q;b zOX#pR)O(Xx$)SW<&;Mj?3TJR_c$;q(hMg6e@Rd24_cK1y)CzYlm@RPfUy`j8cUxus znNA6=)Ff*vSXu{o6s!+U9A%9a9d5Q>$s}t9*t+n~d#RSmL1B^4AYSrruwT zpZAb;qjf{;i>XyQAD$Yl7N4Vorkbh5Ko}CP3BZGkIGiOwsX=v5lbKSV*pzg|`;dq;)9Cqe@93qFyJo9-7fxJvfG9lvB6&|5=q@O8H z`Y^hmFj}0w(KDuqevurRg^b1o=`| zv-}qAouw7phoxpolJB0%oAG^)1$PzLaD1xhihemkxcnFN66XogOYZ)n631Wvgb+Jn zG!6L4bVK$Vs86gv>^cpkWHZR2Ff-hP6FUwNBVM(+!qq3Sw7h$@al zt3V&qTg3*{TF2HR#OaJU0Zbc&2Y{4_jr%K^ZntkZy|rw>J%NPJf5(B{l=>rN9jmms z-(;g?CgQ}#0jv;gr#ChhBfuA8k)&PD-8+AKigC;jRnSuKEmcJCRk#hAE(ZoDmWfUP zFZx)+7u05_OA-QyZ=OS%gohZjv7JWrakAnCB+$iFzj6(IBYw~onZgF_#^bS0G}Q7l z(8mmk-!o5F0$^bBs3I6H0qvhZLw2asKwtpKjh{yeL8C(pn`j2wSE`-g{>BkKPH6g- zG#v~}{*e=VTuL;w0mpiea6Qz*4gj}o4McFutxXrE@RWbcI(+g)rRzgOyQhgp)$Uq zf+vVTgHuAfwGPyBtp(~9yrge17=+klQO0h*HuB;_%@>qo{t1b()j$GeE|FSsSp_AS zwn~;wS1+GW>)I2%w)jnN9y%8$IN>$k8v7V4ai(ftSv}ur-S)UT&BEpj#JOO@7lA1w zdFw@oFq&3=TwEkwrPzk8LCp)WhN2`=biRNoxAQ!Bu$f`W~6=P z#74gaGw%O2^ESyJtW*d1()%q7DUh-$UrO>3_!9{o6Sjz>N2BZ}2a16s{nI;>O~4J2xkM|0b9mxb%&W zr!orUbTSvJG8Lyoy(7heAQT2tYcxUs4}eR4^UWuTWS~YS0X5Poj->bg3hGe)XYc=Z zr@tek&RFq+PZdQJ7Knq5u|uv~WJ+*6eA0LuFIoKJUw92Ta9qB7^EWy99(du54^Btq z3`DM-2vkdsAHNw%v0A@f7Mf zgu-!Tizh!Bp;-ZSbbn^@D$MBsQ)Hdk0AW0WK4!V>OlH-MDi2YGlfk#%D);)$u;8vi zyiIkZjxwSd_DGRvT$}0El46~^CM~{4J%w7x zbDRuzZ{4{jDCZ06S&hT$rLGQZ1`zugclce0yPMmdm1ToB9>RNw3t6?{gf_VRBQ?61`GCK5*Sd<58jw^JX2M zVaz#rI?&BSf<(9+yPO&fu^!>3eyur7BJLMo05vDg0R2*HCGmAD2mZYQ#|U+!jE5_H zqt4v7O)7$j9{$-BmPGQTb zVW)gE*iiU3`1mt{fTC3%X ze&4!1v`?{~|d!4=)6x3z&Shd%(Z{xcDg-ajOt3=;d8X+CPnnezcvsU52 zCDVd}n-h8@+e#zeX9ts(aMRCR4UaMxf4Sw|hGgw`Hsh=NSe1*wp4t$Ngk-@g{%%s| z1v00=O4YXjj^w4K60KwHN=^-LEWNzGWF(IIOiP6>&z6ky{pgD`B{KQ4q*v4uz?+xM z#q(~p4O?yDFYkdLR$4^GI&kZgxHlQ>=ETxLM~O~bU)hTxOC^S^o8peU%-@05F4RL| zOL*VhzFl}88ECb?ZXWu~`cC6Vsb^Pfu2vjz2Bg!xD!7;H$Ri7HLB15)(XFj}tz0=N z4X>M-m#^ZSl&E2xf}3b^&iZZgT5F{SbW&LLHU*7{q%(g-R07Xlc%njqZv{FazFg)m zt1!;E!1Gz$(yJdj|L)^U*UJ)Bv*&8t$%<4k)}mFOj^`j!t9uDjP}K@5;~st{XgTm% zRGH$yF-j5W%xRZiazyy9n zKpkUAPAy+KrJh=%93$Ap)vuGbAdSe~^?26q_HHyWFRd&5wPxqwChoCUCnr5k?3luR zP!epm0VOo#pzFwSRK;^{=a^7!GP*YO+Mq(PMR$;Ag}JZu+qn&wgK_7ZK5V)i|EXK% zp{l5P1|O@|pPDSWEjrP0Y_~c6eB};z7*EogcK*bZTy% z-OPFF{xOp6%-`4vG=egffTx+%Wthv-;K1JgYIAOX%@drqeR%JaRc_Ts7oNi|@9>Gp z>zlnJ_lVR8oi@sIhEw_TNYAMEQ-;Fwqspr$d@@*=lW9GI?QMu|aM5RL%}TC+)0Oi3 zw{vDVi99+<$-cD3XWJTX?MoHIg`#7F3^LoCzk>AUk@v@kd9^E35b*d6GzKo;Tx#OXa;SR<73`f z7Y?q99)AGd>pZ8kvfjba#mO#wMcI|w&-~dLFdx&lnJAX0POi^31{Q z-A~*oyk#x!)9DpeT;my*m$_sj`{ILghxt#+Ph^}0xYjwPOV~OW z*4sW`AlWTH`^i4>NFc-15PBEHyTA_@Ud08`XGHP&%hDr^U|TD1|9jErvtpc!H}Flm zS5Tf&R2`U2p@<|NJoF02bHBO7cQBw+6%I^3{uFCs@Oj~5$=lBj$)QICMqPdnoUg2u zIAj?8q?^|VujZQy&|pzHNWDeMkP`zZ3H!447WO7JV&?=`iWbMbavT=FEUCsG)-DtA zdA~F-W!_m8%{&Q)=rH9pzO;YnCf_PF6NgAJ=Kyb|@CH!1v{)97-O5N2fhnvOn8`}Uv5v#XLqj9NZw2v2#@#lH z>^BM9UDo?;&-Km6Y8A>;&VR8o592B$65&i-94KB(@2?(A>85pnP?GeQ`0Go91sb&O z8i{i9A#l>l56_s(tanwhl0lLBU^FjHm_^bLqJ2w5REUQ-k%?ddQaw$9tWdUeZF|PP z0cE*aZ))~)*Efn@`;h)3UE{2NAE8?hk0=_V4(^{zq*VGupvD>)G z!rY5r<`)$yRLQvM>phzvY4~CP6OXOK&U1oY1}oLxE?;3t>v3#U-Rba}dDAe?788D@ z130S!Ik(=Y$Z{Z^hX(1K^>j_a0WP+haGEMbbj=H@G$`j3JW@-M9CeS75r-vh{MO^heA^$>&N_;_)T;hT&LH3kFzG%8%nh z=!s<2{0imk@LpU(hn5LoJFSF3qi4{iIyB%1GfCG%xZTGh1@|}D!lg^Me+xN7ga1be0kGiJ(L2$k4~Ws-0!{pe^%OwFKED zk8HWp$Iv)Ti2aEh8G&0E&qx+{!2wvEljHJsu2+*Dqv_i*f@xy@^_^;#VYaTy4)dB~ zPpV0HxF)>7ogn(&4S`A$*dD-K_cU;mJh{!Mte1q6Wk@TXS&sZjj@48J(PO zpzd(mxvYy=RWFgabEgPCjMR3d{OK^f(0nKv!>0TKtCc5V^*ZEcU^wR{%e3rVV1$Xy zf?r^@&PZo{oeXG+`y{)jUe_?)2)Jt*bQh zK&Bm*8wxq7#SlcKl_sM0Y)Z&sMjw5s&pcv8;xN$QVbJDaKMSC}>)_!-N|AUH) z7iKzWjJyngZk0I^@@tau=bY)k>TIYV)Um}K!n4D`eHh4UFU9>qJ_^(~wVyW;{KT0~ zGgh|^mivy<-y+!e8=~T082u>8R0e}OZky8J%vb&!8L?kSJ)N@;FSy>&nvBaG;Dq=kYblby&Vk6bO?#yG2aQ&4!*Cb|X(f=xw#)I2|-!ctS5^D*=ICr*92; z;z%*2WtKj&`Vf8W3wc7~n)Gin4M0|_^r#<9eu{dlTZw>Z>g5Tc7UdOoy7_*;#;&KC znuqt9=0h8-&ks>DlzYFkKs_1Ikv8-4!7b_G_9Mr0+&`6)4uW+&ppR?>e6e)?s$nhY zlNundPx|3m5x^2SM;dX?;4KF3a}(t|>a%)&N5^E#&om#;`8j@u`rUA{lEL2=qS#<1 zp{b2&5LnLdyVZUTIgU8jLE}yxRS@4C{~z(ShW&s`(68{E?bz{kSoZwyD8GMWV}%&0 zpvVM}v4WUb9Q3s{YztJi6Z$X*D#;L@rOyEx>K-c_z=^e>muT^1V0-RlUZT~h6csJ^ z<99#D0Z9D84AQ_2^$0{kJ(9CrM|<1!kwcUs7&xb-z{?PVZw`bKzM~`#8g=0tXt+3# z>N4-W9mlv-%05t&d(YNCj94y`t@LsIx1yrC^~|#p&tBPgv~kD+Wo_U_7ai6^2nto? zSD%lqbWXv7A__&o*yLn=l1t^aa=+Eklc_T(ru#SA%F63;I!17MbFYnh+xRfJE1RGfGKdM(@iU$5yy@v=*}n~o zx)EY=ea>&FL+WTGNio|-oD_t-g67~DMc6XXr&`=V7sZ7+$6G73T5AdRa`ga4VbJA> z^UPD<)#SXqfwi8{FG&?$aw@M;VJU5U;0kPZ8wV$lQ?B(y$5n{)T|%=KbS(MG*9U>B z2AB6f_#Js$Y*jAI@a{^Ky7^F73iWjuUf|9i=j!l^p+vF>1bpH+8gv{nBdT)e9I>y( zVS+lG&8{BMc;;99cF4#1O7{-Cylu;tWY2bZM!AIO9l=*AwF}T(ER#@|qM#RVWyw8SWvxYCSJ7hHl`t{CEZgr* zlWcr|xcqv0Y+9{vFen&|i8Ia-DCzU$)9j>j@4|5LvU(hAjXoH=6EhgqTa7D;JV^ox zh$;(fSvbDK6V70zoTS}ByN4BT3$~dJMzt&}DSOjD_dpYhl+t4J zOlA46QSu*d<&WM8YST<79dUnJ%1wF1hF zQ|)59MQ))&@Ma4UJcv5f8et1lgj#6!Y7k!`LL&xPu5|N|?-i(KC-N2xM*$5p?=_lE z*02^ODhabI)jwmwM?sjl38T|iM)wvf)3m5L*>x2sG;-OyMjmCkcF5$MUH$O^whMrWYj)H8UwQeL|ioxV-(!54@k-3q= z)6`GkeuiKKmc3vod=Qu%>4Wn%ny|vqVnGoH3^J3RC_dU1Y)lkVOY2~J`1ALD#uaBI zbh9e6u6e=jEBww3?u)xV`*WU7+G>UK@)pH$PthM#s)X4P<2;tLiO?;|(uF`;Jc!<< zQ(ZZqYg}LWyr5C6?3?-GYhnsd9@p=k5hrE!zH>{-&TzaTR10Qy6lMrDK{)A$Eus$j ze@EFv{LK)Pjuj-?V6Q_ml`6y)umNM0380(Di3XF@I6X;(zF-Tjle;gpm!?l?@1Uo9Zbt{(66Bj-(aQ+c&nu-!z>G@)=UoN%34OM=?~SR>yd1LJ%l$Kx)6?Uf zwa-YRW7ZK(K&jYcq#pkjL|sbJh$a^hm6t%1CwO)c^ofAuifs7lxISS{lcWU(;NPp* zwhVMqg=*+w#`~={(enJ7{v)dmvsw->p!dy9x1wgmNNCO?hH_(h!LX2vN2C<_D+CsB zDBq}&K?Uwc@hV|^J|?*oBkS>;kbAc!F8Km^SExqw!OAV^={*sv6N{wxc_mJFN@#)F zFkgiy1Qz?3(-dXXX$m|`;YILSlXJC2Gh2>BaNv4(92@Ivuh22ORkXL2aQ?2sg8CgJ zi5tqcrSFJ64nkP!)?#2T)-BSc>><{~r7c7}GkVJ!de9LhE5mF=c7J|p747q3cNKqa zMeSpu3>+Ls=NW%T-K0)lsNoc3-OXu4OLP#^<&H=u@I{c?EZqt&d8nLk0Ebq4wv82g z?FenPqPi+?7TrIiqQm!9{za8 zNc}u(Va6DytE`!4-EKV-hPJ@IIiENKZY1fpCF|PGA3A$%Udo>ClZ#3>JhY5OJ?#s4 z2z3FIeV30$YBIACDt{63QcIO{DEr>J5BQLFvtiS|R6ndfTcP+_Vc!g2H;MIVRaD1w zpm2V7o9w4-*K71!TuGono`6VF`JMu&lwQyR%*RIIYI_#BCI_^C$?I8EP>qt^anVEk z_2wDJml79tx1RcHl!z;GAL`)RGaKR&4BX1-Ny5cdV8P4^N}K=}x;HHB;N!9Z-E$MSgMxmH{4fzi(=#z6DE)JSSG8b64k>(J0att$A_*tPB^22gJ9cfE@=jB}s z#kEwS&q}OXjXEtmD~eo2fpt>^3I}*c)f_>;OsbVWbG!tn=mnp1tSmm`8=;gV=29n9 zA9?l}Q~q#F{ZI?#V(mgb(^2Iq+cCZLOl-|G0si41TK&MLpe9iI@&}b$_R5>4;{dr& zr+ucXM-=J&$J3JqDSu4p|F!JjnUcSHw>cCV0D_nJqNMIeb(E8!d9w>&U1`*ocT>)5 zF!Dm!EI2VxPW__lf}nZ_x#D!Ow3!Z*GXq%4P-i0ofD`W;s9LVXjVq;0(X(L0BNRaC zlIHmc&k!~BjzRv-#}HMHVS4zy=ZDb=CAW?b>uz3CF(UGD6GL8f{mZ8sfr=j{>x~%6 zI1t~WS+aJ}RREz}ZI)zPg~Q=R8JpX53e#FBw+tRU-&Z!Q_HN}W&&@B7$gd*;bTCyK z!Od;>8+Q587}{5Zl1;ia;JKG-UvNd!0OxHsZOqk)Wf{ zsC4>^Rhd&1`j1My5fdvB<;Vo+{VPCuQJCrpQqqk9vsBu^5xaAfU}4`p_WB#AmMSgZ zjFP&Bnu*F^@_*nyon2}AQ(fGn7;2$WoxeZW{TinzYPs-;3l=s77QI1m^;Z-&p9qkF z7=T1Esz?)51`Rd#4kscw;q}UuQKZ4Oa2E@U@$!r^XKCLrztGb$#GjvP{i?g4uypvG z&LOnu91;Gve-d?Rf=H7-|gJ0kCN;No54#XEXUBWcSGiI-#lq7(W z-h5R#G93CF^DbQ6q)KTbOu4|*0;R7x%LAyU)IX*G-dt%(oz4mY@Eki8Xly`@L9qF) z@2L9g)(TJuK@R%7?rsOogHme*>lz8v$N2^b$O||dp@@;(9JUePCg{B3anO@jk91URA2ZVwJoETJQ4aJj|wkX2Hs*1sToW@ zuh0W=#iO1umRAN2AGA97fl{s_N^SGWM@DQfzJrfXR3sBAy-Vx*OjfLIZ+$L)`pvx! zWPkPE`6&NqFVZaAFr5j=EUGXKn1njI1j#5WmUmBhGtWri%AwXw)Qz1<=5AgcNHBeM zRjgSqWynPY%>KQKrtN{#!Z#{W4H|m>?VtZr*&DU%DE@X z`8XQOi9k1?wHZj`BkL7|2-z2(?Lm18P$b8e&{YmPk-VEv0%vm_ojr^D0*e8Ym3^+V z^qpnBh-;(>m5~gCoNjojRADn(P@R!J4frw-y*AaXc3(5>=XwNn))0vVtmF z`vWRsmN;R$GG1=hIBUET01Zqx@zmciZNpH&VO;6IssCfp$b9TS;LRrmBxXenm>muR z=R^>Yn6F>`ggVf?c^b7D${L3Cj0Cc+ybxFjHbF#KSSb!D+~eU7*#lI`iqLBV6IwT~ z3Dzog(9TDib?hCEHt%YtX>PR9-*qUa=E}!oI8yPS6EWeUze=h5g7Q}VVzXndhOQ6f(uXapM{b#qF|1-XoKcrpFwrPctZ@R8!Eg+4I*^uKlPEF#8jb5^f{GQ9#I63hg|d8)sfa@g3h{2dE}u%-qGWaPcH3z z$^rsA`p+V;ud&J3%Bxb87soho>aU?1@Lvz>v#7A?5I`EItcipb)3pHEtQ%68s)FW;O?wia*%9}kM40ATH-(n`hOhgmd_h4KAxl7tXc%8J; zI|wf;&}8Kby>`5)Q%F&hWOjB?sxU zf-TB!<|ej#zudLL2Wa{ErCi!?yyDp)=v@FU1P;eQ&@hm17LP{O<4zof-m0}%#x{|x zkf&JAUiYDNZX<6Fyo{S$iz_u^tKR;sWe9I&vIF?euaU*lNA-gX4t6exVk8YUG@kT$ zw)Q#gn#`4eCy~?O2+=vE%e^&mD3i+eu;_TL7AOPP9&Cbo@&0^ zeGC`|1k!+luHNikQG=e>m8^4|ph>uTr}dVc=AX z4}kwR2YCtL7-)3BG~i1JHO(}=UP@wVwDRVb8>MdqVO*6EwLMv+oG?*UZO|?=*Kap< zX^ps5FM3GY2sZu3GtPRY3V5j~P>48Pt*nJh3{M3-5$8oFy#G2ye{}_(K(~D6BUKdI3Bhv-LoHxtr<5b# zm(-l4J$dZGkKC)Hk5(U|Y31A?+9^%M-za|+{q{}iS9%~W*gxplX}0&N?FX)Obm6Al zz`q`xj$;t%Nv?iTM1HY87Jfm9UxgNKkzy+@b9r8BI)=&Kcjw?~~XnXBKYE(D}&ynhP!Q|kke zS(FUD+-S(XbbD{FA(fnwBiI7imI;{xS7AQH=xOfS$|SJY@s|tCTY#me(Byd?EWO%f zFNZcGQ|D7NLNBZAAwuu}pfV3_-rmOrau|FpRe zh-x-q2tBsRdpTV}q4Dp3s*st+t#aY&3DhO|YQa5P)VIpKN5UMxr5=rX8G3aL*Rty? zaG$O&6fFaWZpQ#>Re+w@**=?AtY zq*s*|&l`kxR_4gO3X`dpGxVv|VIcQB(hEu^mmVFKDR6@)rDF_v;rUH4r;(K~G!V{rLSCm1kksLI%vJka z-C|kCyzLHC2xE6{oeHjO8m-O^R!v@NR{U&#BqJJxJfs}Y*zFJnC$)wMH4EMA*AMQj@(b@!@x{yk(F~j$(g+eHR9LTh zXe(=FMIawE93u*x+YiIl?Pz09F2BRy+OxDJyQ#)uNl?u_9r0CF6yl#s@cq;!x<>(E ze`ENi%|JL4*ifeZ?G9igr@U_Ih@L<>5Rt&~jS(;~$1&w3t|X&om}b&TO*BoxG~LM0 zO7C?}WPy?Om)UAf>BX0>0en=w@g=}VaeKkYE`BzHv9;R5v*@hdRS6wU+#!8O)A4gm zI&7xETMnjL``$5UNAR8P0*lYssu6uucHCKk{gnRifMnB=Ku}^EHwn!NC$S1+gwt7; z!jqsj1y0)0e!HzSX|VBfhgaisKVyd_XUCDPd-prIT;6nKcZJ?m)e$s(01zcq;Fuq` z!fREM8hzHz!2iR5RUXMrrYM5%B5K+5?+H zM^g~VObMWrIZ)NwlV~AS<3k@4dw6dez@kn9LBci7T{*qV0>!O>%FaV|5XHqyf z@ZtptxnTWrC)BcT@`T30ANZiUG7uNk`AiI2Jmg}(5`>P&1AYW7|4B6h56cEOMGO`u z;|PvUvm1GjV7c2c4JXrRl_~qyaPMxju%)XPZ52x-?NSTW6}C7F({T(kROmc}3q4HW zFGQM1%AAdl(%5f7Ex+^oqlb?5*&Do#yPYc1r?b*^NSt_J8rcH%EK{S1e>$U_x{fH# zQ9x#O3R7``!>187xcerlg^aDRJuG_Y&7=Mrk0%Ld9#>>{=8>8Z&ts}5Y5)iq#)webSmMBVK$c6rsN zFf=QUQuD;t&B@#uW*+7=Y)+~&SE#7m5Z2~lb~w!FOKsiSwWCx*llP(YUc!lDV8nKq z;zYUy;qZ0y(;bX$7B}IUPHRjUonLG2j;}#hlzl;78w=u!Q}jzo?gBARzd*j9g&jJ| zOzHCFfmCly0;!`%i+jadrEoH#0=80pSUJ?CY1WWjgL-GxEqhlwlJ9}F1&B$TOe4(p(j*?G00j`A+OZgq0Hf0unF%zdA?P0xw0|TD45u7QkKnm4MHq^)}bE?(N;fEKRwgz>M`BX)fI~hj}7CHj$D# zGMoB)i-aju&?hn*7eIw|Glp8Zw!HJ)lv6}!Rx_Z=ZqaTz7;RWT=*`tjGPNso&|R_?T8(S^m9%^1BCjTZ;nVk4Z|^{25>uk0*NAB)z^hpK?}+a0Ft{-AAkEO*T?^L^I6gM-7#6HpD9 zw;rv(Q5Ak}8+ZBC+Uf1&4 zEq0i>K3<7>jduEv4ALL?H&MT|6~4j#5w5O{CK{+!PQ+3U0g)Qx8xx~p zYK~wz?7_gCdUQK3Z}8lw32fc^O4Sf7C-JlU>ykuH&E27q?*3D2Yo!7nHirWme%b>dp^H5+^ggz_g>o5c`>inqoqXjuFa%sQv;|pUnYJ?$af+dOtwdf zMGNxL?2ED(~d|@BwbGW%SML5f`MC^{4Mb#ESi4)B7^Myp^n*~eB3raKDk_k z*TDvlilIWj(#h3Mn?fV>2_yb5W__9C zN3kL85*B_(?ZtOBGtmMiM_z<5x3pPvM~JmF7dzBOabh}HS!Tb(zk}l)yC1t3#lN7< z3D(QpS+hG%Lw@@mnRVFCZZLUX94z}bJjQn>iU}Wo#@?eoHhL|2FiHrMae| zrgCnpPWh9Tjm6!HG271^apC{O%!0SPu+?0xKyTe34J!Sv3v zy&Kwt;bs?*DXMdv)OtMO!^f+1(0+H!%J0osSx3s7JyZOb4xgV}q!j;Fh6FuNBLY9J zIFkz@H1~mZB%pe#3dkdVWJT)G$H}RoWgwUfdX;|Z13-TSO){d03#fY#8wIU0e1Mv+ zd2|fy9KdHnoE@0)^<;rUGt$WJK#qg@p4jZ){OZYqrkS81?8RJbh3}|eYGGWt1c7=h z=>0wcJAX%cSFD?4@X5jd$kCHYE{zoA@%j3IaZDDBpFQ=2^5)TGK??OlAiWEZJWDu5 z{p!j_kKg zsILYwgSvFNdPwFMeIrB?;Hrh4!Yt}gLKIllMqY`?m*qbYJCQ;Jz@D zO?dCZXS4n=lhFG(5fu`kW%-Na?@qo(LYGtKZIxu6#bVebNT&_rqJD+(DtK zTn*yV4Fn8Cw~I2Ec%jZ){jaw{Ae?aqJ96QtF@ooRqVCnY4nkEwE_2ca5x)o;4U~C6 zK#Qw?PHgA)k|+6<6RE|`!Yt()ywEB;I{8^|T$$wW7W*$sF; zKfJ6+<0R2;ngQ^v`HEv0;exbEaOAN*)DJVUqSSYQMBvtutI>D4RAha565#H0e~bH? zxdEmivjCyPc@^U9@2CTl6o8)(ihTRxv%;rBRg0Xudk)KxPAt5cs6GStz=R(h?#7kTy1)+II{5a^KczYNaet+^MaU~=~SG#@YgWwCk9YM__oaxTGJL2h3TK~2p2@%z(A81USlN$vCmMg!WEEFDUI?({_7zrM{V9hnVC;LocHfTux8 znFVSUZ+CoJHy!O7ir@WPj_y4AOz0Uo8|pN}2$l3V{Mw^002>|?0KJI9F>c_;=%6wC zl40oA{nImfql6kioc1rr_wRfrqWNaI@%k!PJCBPT{X`J9$`oEsLGxlbI7IORB-sDh zvD-3w&8tx9XWwe9!ZhxtnJ-e&8KIn501h<(V#M#8djab7bzY}YY<{McgGQWRqdOo@ zE3TLz)KESS^j}`_cU13rsAeP5ltW>QG9ba?A>jLcAjYBv>cCEkEq-JfM%^Vew(XFE zM|}t%AQw<2W{l_9rc5le#0m^eff{tahADuUx1oR@GUv55IE?Co=I^L8;Bw9~<(oq- zRZ&<_PT7bSgJ z#|}V&>~pAUHttjH5X5-^oTG8;6o9e;x6OByot`gPOg$B_o_-Y>Yo7WzmeYzaj{H%y z{`5xv?s*`ZPNXLK*L^;dVpTLLR_@Q}T$v1kY%g+pQv)dBNrnLXBmgK=HW$oSovc6q z-Q$11RQ^t;|Fw<(f0z4T+xTCiBmcFH|7W)GC$o*2G*Y?0n(ZgRNK{N33I9nWK}n@f zHBs$gyt8@@a817rP-T~p6hd%Cl(;Z~>)nA7`aq@XW!9mhM{)1-_9!_f=D)i6(LsKh z$klE4(nRJRvu?wcG!M~^Aip!~f2R#z#y1O`VuODt$bS+l{O;+0DdoRQDeL_FGyuz- zJq`8EvDPxe)7FcEdyL@6%xFUvf#z73AzO6^j-e^1E#NQcnqwKWjloPnYq$gaHU;BR z5+KHLI%h2e&+lia@RtzRzzJZ6-i!9i`R&W`XDW4HFMs^pYD=!yVYP_zu8Ksn?)UY1 z%14PWrLT>{BP6FJEQ=2{8EpaA5?ce}o^6n{H?S z=1BaPY6oXT0>kZR5aOteb2zE5Mhb#JPS)jUnM&=^yx|J_P?^Fn+?lr;(}P7+T_k$X zt{%qko(6}ye=rxwkr9bWFC$%e2ZS0f(`O?V#6!Zfd1J$hq5DH^x3%5k9x4_gKWnGt zv&QFEtnb*fxxQlIt9M{x=|t>*`P-&~HFV+Oxg{Y!&Yf;mu7?AxS9ZVv>`$O32B%z& z>110G$LJ!!bMx-#rtp;R`|owlXz)ZZi1V9iRKnkU#@}6P{m~5GEx3yl@(r2oDZFUq z8^}FSJsPY8iC1iy_38w|}XmSpO*=b{h9&j6-KjgN=0nvhM@y zBht-$9MVv!B1~t8ku;)OneK_E1cj(QQ8(TEpH!4N-jul=@YrNQs~Yjn=Nye#8*DLk ziYxOEb46~0N6~g7o&eQx5Uhi* z10-pYjOIE@BE2vyE1QL#11Q$NP$(e=y$1VDA`Tz8?bWpWvCfli-ft|;+BV-@fttNg z^sDV3lHxzEp$ExR6+CW=r2>Sl(}?KTsgaOruf*SH=d2(`B(UCQbk2d{dWzZ(!46LC zkyQ;tO}D(dKT{~((!mRq+jZ-U2(%q2ht2y@l$L2;N#F~EizK#w@-ju8LuSu_^Z6=+ zP*G_feHPJ@gK^@{PG*wf4W}zF&Chm21sXv!a2QJ|(E|Kf(e} zcfR9jMEX5F7s4cJHo5K zaN8@5qj9|m2#WuApe*W2V7S0hs39^igh&C`NL-@Bl%ABOTvXInsT1YnWH>TdtJG2# zl@tg)yb-WZS5#-dLzPv>^hg!Q0I%~msM3eR*uL&W94=naH9 zA+M7c_poT(k2YNIytFStXFs~_H{;moZblFF|HHu1KQ1z+2c~WJ(w|agqx2Xuo|t;F zq)#b@9me_ic_7TnA#`rM#MlWV{jjs_bs86}M4s10gT(6Z4HrHgZ2VRNtc@4Q+cK2n ztYtpqB_TiQRr3gQNN=*xocc$DEOr2)G}wJ2vnDd^Btd0inz8#4X2-pvtk3~yIxYJ@ zHcq)23Z`~FkRj7Bf53Sl3uODthZgz%8lDBI;jo-~daU(qA(`N;EIv?9~UW!}Zk~IbeP@fPronTF;98W3>)RzIPW^z^REK)sjbkV2A-h5&#h$RD# z#y=YH{wY_vpESwdXwDAi&-|>VG3g(#nPtSg)>>e?D6e95*kalmHI3(U-RCOAj+%*s zH14!9e=wLv3b-<2;JspeNKNFDl%c~6=NPEyNkKw3ag*@c9-?J$(ssd?Tqj}9ZOgS< z?@BuMwun9uw48_Ru3@^Grykuu7ZUj^JnpT%_G~@A#e1SA*T1y9fiCu3H%pbey%(?O zk@hm|9SV1NvLK-heHFnAfr-k?=U^@!npaB~iS&Brl^lYzhJ zl2EJEMA*}O``rl-T}-L8!tpfYBLUQP)T!{Ao59Nlw+0}gDnkSd{tSowhr9Huu|@gW z$)wtQB4T=3nHY{5k-Nn)2Nh>WCDOx|tK;JHXBcg7y{r`sOoO37l`J0k%#H z^eg6u9GQ8ia%uZVvy6S+mJJIX2p%fAsC_S99F19V4U-QpMmkht^i&grNS@?de4=$U z7@@m*JO#5jSIphYeHN6QS?}kq_14(9(Y(cgs&lJV<^&_UaO0`RJT8V_T%34RvpEwcCeMQ5*t+ zqbXTK(diKW{{X#7c?GtJu3jm#8r&XRqAfR%u1qw1WJNF1yqf1(92L_&)V!j@Kr+#h z8cdvVsDDMj;%5+joU#FfEF2)Gk_DkbwFWSMvzO3G-6Bj6^MeC#AuoBA3tI(7pbg5d zK*_*kEHp^1|CKT+e8D2kL&}R@9qP|S2?1c65`_J4iK5OXz-FO{gzuiLu!bR%oO)^x zq#4S92BLMboIT$JvSoufe__J%E;HeH+Yc!i2p40;lx)K)4PLBK3GvmhiI_8sT=mlJYxKO?;$%0vFPg{);sehNZJA`a-Ga<~ilnwG-SN)dq2&a+LOB?ODPm{@j& z=*{v|5m6Zqr@n1^eBr~|)c1L5!)dyEUc7Qw@xGRd-}6V~p?_cS=dXZVpfcrmNsh`* z!1z7|9JY!qYz$Q@>>xJTN3JprON(Td*0#{1(%S9Ls0bVansr3a(^j{)<{exUbfL`819MD)&g>K`bd7|SnxUpfED z&Kv9f4!%Q0%u4rPp)CsJ{P(MyE=>KuDZn@F8B>};`60O%sv<}dErfT&1Y5aKH7&G< zL?c-|D)t%%&fi{x_sfOn7WAw4?$KEKY{d%G0qS(-p&6bRDUkh!NCxxW0SjDwI|)a6 z;g+TSfP-hdvW6vLZ+e}@6KdzdP}3r__Sk2SotRc#){*b$z8_uo^eK8M@c&>a#9LT_ zSPP`upfISjduyw;X_Os{z6q|PINsS|%kr{w4C<~{do%Ow$)%?}()aI^^w(UE{ydHU zCU`8o53Ip4GG{$Gj$R54J?8X3r5C=xdM1f04MwMBM^!c=^6Ze+cRXsC$!;SHlU5A` z@!omWEa+QYTQ4%-anXd)bg{?3ASL$SQw)}VwHHhC;_c6Fs&RmA0c2BOx$nh^lyPWmj>rp; z>ZEH_O2X!ojv~G$%V^S3)ZbhV9KIyBl3GS$*tJZ9o_TM(B6S}4zc^c?b9VKo&|#yg zHdO#@_)l?N863dAW%dI3NG6`G&UYX^Z_ir5%}Jz|MEw;JepdWPj;R zK2#$UJaX-)gwed7)Y0vm67t7o@THc)TTlaMrp|E#A@$2tk#6K>r2gp%P0g6}_ocSKw zm2CCw<`OdJYUnt290#!KROIn@LDfT4jvJMRVQ5h&aSIr8=!EG_h#fXEL?q!XeJ@A6 zf~SM-8{onz%DJuaILSas>K%81z=WY7{4r0^yZ4P3(Go#DV~r`UD1~*HQ3d&i6;8n# zAhYNCz%L?L#0{+-V+>rk3qWDrqH+k%0=aGm7&Y77n@~@Q!xyG!onsLs1$x|>6sB+s z(Kr7^m{Hi*@$C4WX+1?N-Ce^9@^VzPPoIJW3Q5Q;fEQyd1P8#M(E<$I!gb~u7q=0e zfScE&)h1Yd&-^Dhk6nLNtazh~W!qW<9g{FuSJkJeotx1EnE!(&#|L)gjxwC60;SMi z_rx#OW>I#ltos?*<2%cr5aelz*{P;DIpuW(6Y=xLX=rVWepS^8$`q_bHL?cbG7%gj zRc#o|1Y(sBaql4wZd;>pHPo2`Z2l)2PB5SLTB)NWGyb9C%buN2M%9mab{Dko&iyds zy2Ebzy1y%@IsfOPb-hctp=CKY&gAu2bUX#uVFSoxIm2@w%cT4U(+^Un>fUL5cUBV? znFZQbVxz6r^&0px+mG}0U>|<1me!f~V?wEBRzT_ekD0}}%V&j4eV)&hUtBzQpLv|F zpA?h=lFdf2`6x5+1f>GvTJjt~FZDr9Gb3}C_R`^#o^4mNZygprc+T<8Jv(EYMpJCM1g^R7N*|Ct3(GR(-g!S)-y83t@XD7yNH>aj2_spgL#LeFQjS2k;-2Peu@udX!6BBOEF< zK%dTMWi9Qp^#rq^auGp}QJGUtJZ%#Ot@s%~9j1ml-4Ti7;Lyt8C%}K)D=dKmniI)I zS8r!C$Z_YQG@_(!L4J{2aNg+a-Tue5liuTa+Ty}d4_>cyNw^KR2s9l0L#)``W)NR^ z1yxD2-J_d_OmpmVlHWuP;zhrs96!Y(vq1evjEc7*pU@e)DRp)ICm^e--%;5h)$?DU z5$(*xHqejzENHv-nrP0=t@ex?dwbbnPae@Bba|`!H&>-KFQbp$s0@Mu{1XF7_87ZK zDnR8DObQMx*O$Lax-LtZ>h&J&?yNLuKC^wF#B7}`Ztq@6=J}M6g`z_newfGj^BBKh ze!~68Y;*t~)^TQ|UesdY)!jKlqAlLn{rRMPP!f7p!65J{b_xE#8D&B-rjUH-1SQr} z)5!Mq!7hT4k?ttVa$fxWz|{Mav};)lMXQnJP?Zei+oZ=^3!SFl{}vknW4TGIIi7<) za{wE|d(Y4H`0|=P<fa%m8s-SuiV|0OmFLaxu)(_UkMx zE#&{P_a^XA@BjYzh{%?RWS#5^Nm&Y+oU$cNDiJYdXJV3_VTwc~ArvtcqBJJivShMX zNcIqB2+1~M8N)37-_G}(@9A{D=iYn1_x^wPd+*~;&EqlNGoR1ry}tI>^W~vwSJ0+S zk}2=fQZa?j?t8I!JUdu6*|Ttuz+;s(8d#T&BFt=zJGB4S7}c5?O(14LrC}r|BuhYC z*g%%{kUTM2SIHIK`dqCfZE*-Ovv|ZX-6&Qh@bZ=O?CGB|p7@U{qb4(QbnWm)@s-!} zQ4Vsn+`RC2!5dG` zjMq?*b#nm~GtiVwnvb!KjtZBhb>LNTO9Xy%Q~-5qM{uU}>ODcXpxK_A8ZFYJXP@g= zkx&gIw?;}q`OHBei33A7pE>2!Ybd`TDuSilQ8KbM2$%*h+q8sTS~=r=toNf@Uc_Zt z^Xq1={c@@oPH$UA&}6LZ)ni6@2(G9bx;l*l(IJ!9@hFTtO5Af>K-P|qi5ID(@4XJA zb(E8L6*tN5>k!o$TMI^;8{BC7MrV;`w1nUX7H<4m z8D4qsPR$CoUwX59GDRfUZa@2*{Jjm%Ru<;0%@Q<^U~)a2`OH8%yb&W>+TOqHt$Lnf z(sVV2}8*onBa)LSG#=Hk^~TlaBBh)&aG) z)wWGGfMRJ0T2O((uWM3`CF!~M$#pv_%FYTNBfl~1m*uo>es^4@QI!Qj2O(&h1eVw; zi;Gr^2B>5_xw9}57m62T3tbG$rrW%Xn{hy30pv@$YrtYxI)o0RuBYElG!QsM+Dg8a=j60GGaI$gxwf#jW-~k6X~LJdQ(@fYJeL@5H`KzrKDXgoxfHiOY@~jkZN$8nG{~qNF1L)U`~s^L0HKXt*UAr?M0)sTkanVq7Lra zw@RXWuwD;ybpW^kkPO7?C6o!wNKm-O5OoL_(0Y8F(TB!;SQJX%S8k_;|nuwi1 z20Nie*%;;gx3kmfyew`NvL02FhRh8bYXT6P^D`n80V3}Dt1uVNhrtv%i<+Wp3N%qN zL%|$Lf8zbwoeyn^aHtwlgmr?2pRb+TQYJw&OHk z@~ZV4*ozT{$l+0eS>G{!frb%oz6@}L%M1OGaTTnZEo5efD#s;=?=|=Jd;#rO9+{`=9nV@bA6-^?*H{S6TMTL31j| z5sY|1gHz*sYIcJ9absk=2Ixjc7}<5dcg>C z%=W>vSV5424UdBXe;n~4p{zVohWxnn(H9{4ft>tI_Id*eO4M+gzOH}cqG7%mKgaeD>*)!NV+`W-@}R_rZXl*3Q}j7Ytf4ru9G3O1q{=K8PPE z^v((0>hJ!1@V2uWLvBJ%VfGR0)l!h9epK+t0h+zO!D3F*MM+)<8OhiK|e%c0mD4dDe zpU&CYlJY$OzQFIY(LKPfxC9%Q#gO4Jx_UWcZDVG5>gJTy zJitLgWX_!%;Cp?Lsb4dM`LfM_%|`bGn`v9Axpa3a5ko!&Fn2Iw;XL8BSfOepT@S6( z2QWzb_4O1piA>S@5Y?3xc)tCMK_i`%4aGAzau+jS@)T*v`#%tP`war_ybX<1pDpzV zPCkJz!;00(uMGs4IchB7!`|nZ)Xxqg;7b0GFex>l;rnKS1K zcD|A8C1_Nu0f`NSoLHBFop!07zWFPZd@>>S(ia^A?oe|eqclFE1(#sT+cNH*^7VN9 zr2!>{^~q?Pua*>C0#IYk%`hpn3;5X-4fQy@3&CG)MnXV?P63L3&8=Y|FxKyh*KS2D z+{v?imja|kvZz@yZr3=%X9pk%A?s=2aR9{?yLv>a4zo794%l9*OFvoz`V<+08Q+5C z{sx&Yk0C6}c2Cdlf~b%PwB5jiDdMbd5AL+ctf+ zf`dKE&a~ByRkb39uTWVG1bEF@y4gC$1+ge(rEycZJld3|K?Fz$ldq|3(0YQ{ml}z( zvsyz=R>o;3vpSZ|&4}s3kuFtlg@nW|NnYN>WeJAJO>wOtj}hk^MrcZ038fypOXvHs zqb@5^&zvhRw)vB$h6+nEQmH}q-65N<%p$_9CouIR{am0P?^PJFIE$AC)E-{-(LfOT z#t0%GoR4D3(+D=?p^UPqd>am|Mb^wz!0p3)d{-Zybv_nhBU-zGa7-D3Z-Wn1vCf38 zyHaOjf(k(HzC+)XeYj_M&&WdY{0xXubUxgOSldMf1xvmFRD<^vOe_ONgmZrl*QU7U zN@b;GPc1rpwN48As5W}@tsM6JQ#c6`gLvM4Gkhl~x>y~)8SK#WELqQiYYq|sSlE9Q z#S;|KeByRYNtKz~DbgXfCf;V(En6A#PV;?VPz=$HEEuhsDp}1;$GBqHrw8z{2K$1N zkCQdiQ{%Hg*_%9=D(}2T==RPMksanJ6?&5L?rBL}yXWd4brNhcDKw^sK+IgrtHneC zcoKZv@E%OGfkbJyffyRrU4q!$?AkYQ?81!N7}7#pCF;WXrVq~^j9)kBi(p$zF$yNk zgi@TE5K=G~JOq7?7Ee?|*0E&!s#V7^Ht@oruTOJCyi~K++1S!&KwdWofc~TxB>3Tr~vm0 z34e_#U6~bminaoO#n9%dPiT#F16uJ|TEg7CJlPfaD$b@W?`5pj zRr|7txUxfomm6*ilo5y-h|;L&*?KxJT7&sS&E@8&pyIl+MWkSJC%^HY3)OLhE)ACp z^&DT-5e$Gke1y$lKcIS&Fn9Hj(B?Hn+%lHKqh?QJ6NZl^J8io?w%xkC=fas+prW*J zz%bfc+5E8hW8Pv8D_Me}J2(|6np`v^x17bJ0a%B69bwHR{}+T6N!YmB&sEQNhKqcI zbRPT(91QpG;68wI#tSZzRi9a0hjk(MfokhJfo|3eBcDxJ6$F@Ubba;fgtg$Kbn)Ln z9Duq9(*pdkAG)f87}&>Z=WW8SsT{|5#xlSSBAqdxhcEyRMPFSU^JTq)2spU_7=s8H z_}1#fDEf{m!V9H(dt+0y2i-WR%Yx?nAngA0Bo$=82{pdy(CSG&d8}{1Fn`z+#C=4m z04P*yf~oxpLwvqw-%D}<}jiw6kk^Nk06Pm_D@Bz@6P zw#(c*;gfr|Rx)7J-vxQ&#Eit%OWS#v2Oex#hvccoE(8K@3J2U$H&X`y^+gblt`}0` zeGA|aFo2S-<02G4>B1~2gPe=U-=TJFMvP$?i6~K!yn)ZhOlhW25Df8UfJ3y0CdHZr zj6e=B0(d+CfG}DIXL76o*0h{X>qZP2*~fTLPYk4I$pYk(gi{X$2){#k>1UP_#$8|^ z%UN&RZxNOTeGxf5tHpFA=G{9?5sI0N1=ZfmCJ1Kvkf-50`brXbzUT}qQ8q3Gl!^Q2 zq*<4rysx^aDL1qI`3bW%t9PqV7Oz)6>w|9dj94MS4!euyE}VAQLwi+VLlYmKHtO`= zZEalK?XrN^;!TZ$_Y-dozHfbRb)quKoqaKxYDAfDn2&;%2i9R|YJi^=d}JumozN#K zqF1#Fq<;EIwyWfsnE^gqCv?`pdeQRp8IQ{xWKg%?q$6xoL6avN1k)p)w7=m#rJLD zGJMaawKzE&j0f>lY@&iUUxs&d&u6clp+dvevZkmE&u#nJpGzjs z9MEK21-xWqC(UH6owiG7_OKh6p-GzFs2=?c&4iqAmi7>5mUpaUvcW>EjJ#Z+bEr)z zi}pU?fW9EY4^zAQ8wBaXtbm zvu?sXhs{7ial@`GJsKbc8^tK?v*w^Gbr?md2_9p;(+$|t>jut=S_TE02Nrimb=x*& z>UY5Iyx4E`@tM3p$y{6D2-!pcaOJV`838&xyaW2YJVCYEWmI5;#i%(73hKuv;@r)p zvYs$=h2o7rwxfgto?J>(-d?-?n9HXfXN1|-L;w@zniOCNg|bfRfj(>p+I;bA=$Z!s z-|_X&V4%L^*wNscy8xa`ik!@PpFv7v<@8!DkE8!V^J%u_@8P#LhWmjn@N#6~7yyAB zp&y)=#(WX?50A5+gfk=nJ(F*z;s8w?rcAP~=AGdBQu;k~mmIkC5aIJG#t~0f9RPSb z4?ztCAH+Xy{;jvJL4B+vLw2m%H0YXI!SP~!;0KWP29G)4lEB>7%|=dRhy#%n&{l9K zUnN#fdT#g?>q(#t{IU5rg$W_gum)Pq5E>BaVt)W6mZg6HVQ2jo26*kb4g$zCGehf8 z!g&dsPjK~i1H3Nlo@IO3;m*QRoWrcz?8Vt(`pV1R8e-DXRCI4=Qg>GN0)|u*MMBU z@d<@%7D9N=6(rmCj3|PgInWjqj{UC;Rv_Q#R-BD6b@BJ~XE5ZyD5Vbq&kE z_C%>~qJ03v+N4g&Sf{3!zG7dbT?P1Gux-_bc{FPfB3vgxG;b5FFY=fV%QIFiigMuB z*1IF^XL+UW5@TWV{*~~Dk%@^$K|uRl853woNI(>!>JhP6v2dwr)>g{(T#}yUXd8RO zfa*Zlcww&4sT$F;j%T<)#m+)ic7qZhk7mY#M&iT> z55{qRAdd?CZxOfA!OW^sR034QfNk(gAO*dT=E6)Qg>LsQ4dZNf?$gQej}u!&9UKcz zY!S-8ls9qyQ5oSpyg!l(4q!wGc)TrZCt9O#c?1gdyHLtVZ9vu@)Qy3@XwsHJTKaqI zh>77jJBc7KuklnaYeXX7Rbg~%&Ihh`OcB>i8W{Y3@;pP>?py_}bQBo<(*>fJ;T)f6 z1$AXWh>Oo1&&Bt9wkS#)Z0csl{H2b9~+; zt5H7EewPIfBiC`vJ3iJvOkeYLpfGnKmt+Zmv=gV=R}HaEs5Kh7kCkKV1qquawy$no z!qYi{jQ6O~;|wYi_8Hzun33RO#fjwpMn1xQz=ZCDjq5|nmg;Ns>tgb;G_AD*i2E4w zvG!Fs7em;bRmIQ(8&m<{&ffy2O}5o?&<`m)G*=C|d8W#RZfW)iU;hN-F)M|3M;l#| zea>oUwRh{!muT$RL|vA@X`R7(-N9-|hcmWCo0Hoaf`q1!!wls}(&mT0lzI~~A|?w3 zsDisbrSP7-hJL)nFuG9cA;&I(yAd|fK(OdvryTZ{M^jyC*`$%H!`hU&G$L%k+_aBj zl}i(-UC|x?tb0-0y3Wj^v{G;Hc*^BNVlHBzt?weU8?fXPBeb1?GmDf#>N#eVfg)Pv z1?})N#0dHbEf4VKnJnR?6|?kC)4n4S+|>4P`NTNro#t(3T&mq{Yd3x|8*$YVgfPT$ zATrCr>eORucF^DycIwmWqP}W%+>nRvP!hwS&t=<6YM16dlNvqQgt8+SD$GvZj4;uP z133PcAQBhzWgbr;4+cekgWN_=tNF4HTVt1(l~~t2aS$|6?*H&3cYtJ-4`9MzOM!hO zG_Pty0PCj(Ann-}2n-`YC^&%oBDI7+XFsGx5Jo{nuD!_Hh&~7W^0mMjspsM&GwSdJ~4xVKA%vr@$12 zuDAX&Cmmo;Fb$`n>qvKcgCpNfi2y)=gVT_|wXHplg{<1KWP!F4AqfP5>#tt@x;%i~ z$K+#((d>D%Klc1zeZv2T?vwxP_IDKL|A@&yrh$J#OrSJf@Xe(V)_24N&;S_u@J$f+ zPF?wxiq<>VWu#I!F^rXMd%o(4WcF@5pmaKDe>< zKi~kG;Kn~v=QUvTS_L=$BmM9A2YdzjGX=!_1Nsjr;2-%4{wc8DrvSI#j~oE>`bVbn zr@ht!Mb5SW%R&_(ur*Aeox9A(K=}zC&;jX5!(OfSThg+WZD~l+h~?1Q-I<{3q^uW} z`eIk=!r*7e?M}D%<3H*Gs{Q}A&wn=4j9@_B0XeS?08&@lH%Lj|Y%*PvagL@#KWy(= zDNu)sOP1@8aOEClb({-%DhFej=|CkR!AM$*fJy6g#Q~h|;NlO(^vrpC})NM~C#L zWe@1o4+Y2^>}kB#VI;lsf~P98+uITH-fTmDcs-PSnZOV%CK6`M$$`Mng&BCXP~Tv% zm1a$vm2fCRL=Vi=4KMUrlt;MNH#@(fI~z-+#NKxn+N1@b#{YH1&+vl`C2%t4zy?)E zYXG&5Ov|HRLSjmcT48()3$mOAc{pyAjo45dZM>m)jwA+=7ub(>+O%fAu|u-*PGiVn!o_cA>Y^&@|kQU53a1LpTT zc82%|9OTb62wF0WyBMs|5E!Tfs~tl=(LSg**4&64ke#$36B^qk-Nh5G_-|*37QFYD z2t^_r?zQ^ZmfZI8aN3@7;y!uvX4v^J|9M9AXGHxkvd=|P7SCBg90kCVfm+oGJZPy- zmLRK3CnU4^8Xz_E95lRrd^I=DkQ$}}@9qt)s7>t%ymNEg$BKY2PvIg!ou&(AZAu$OTz8NqPsG#hhRuWX-E~rXi?GqUYx9XDf6HV? z$XmJOMszcv2J&F_m|&CcA~@n{3f6Um{tPN`?aY-x#e+QjA3mGXpvl=(+vqbr*CtfW zQ6BQ}yRPvyXZ8<8Mr?vUJN+*+avGBk$J7Rb{B(jKfmk+D44nl9U1CuSJnX~ zOzxxp&h+v#qrb&9`yVl;kg>F#BMeDkec-sl%mzYa7EIiL9SvpXdoRO<0rT#1Kc^?zs_Z2aQyhmlXp$nKbN7VO z_M!VcO!PmYDE+)z*ww1v8MuC6hJSrJR<{EF1`b=q5(t~bcq3>E%?U8q_I^-#x01qj zvlM4;lwr}COFmQNs%RH>av&I<;fs_+#*785-gVn9CeK5c1tQ~m?7Xz06Q2+;WDO=M z0Oc|cHM;o$rY}Cs{x6%{UVg{X!+tes{c7j}=EGNiHy{27)jYzw?QmULfyrQqSS;BA z4o3MJPurO=n@K-{wqQOgEcpi6#5hOcy5?QY{!~3;IXL5FY%{#-`scgZr5-!_@YKrKrzS zl>rrAfq~jC#U~nN;s+ha2e(@}9>RD1qMZH(@%=xmQ2$$8{^#BOiy655Z)V^o1leeW zrVeKaby0sJo6NFhqr;flyG!g6Bw5{AYLtYiPS{4IC<57mKhtV=E_q`?Ov~!Y@LB4c zs&E%EF{b}NamfDvvqrQD3;g?A!K{CgwE z;QZepUYLs>8Z;%q%?&zmBSS{?!BCSM#e9_Vcg+&dFBz_*e*9~g{P9`gJ2174P_k)e zAd4rC+(J$6f_Y3o(U&3tm^zgYTJa}n0(NJjPrT~(JBxcHC;`(bZ+5#BxGTl}t|PB9 zEVuig5=#Kr{?VuLXC(h;iI@vMK&Ag`==)Q5NhXN?uq4n9Y-Mc%D4dvD7)u+?N3)`z z9QJfjq(s-f3N!1f#m-?bAZ-vOw+iU+p=K}|AqJFuD=OPF@^#3d=1Q;i+NW}j;GbIG zWC+cDnseb9b`?%~#`R(3Pwa|kpk#kwG$Q&jLBh>1jt+c*QL%qpf9$bDWT;OI59_h(a)%m^tcuL$Ru-iF*?-g~jog*n@n z4ymIIwJ^{$On<{A?5dd9nXsCi{bD=g-Y#o0wP(aTGz5 zN6ng1vg--OleGc^-qY3;w>T}4B9Mfq&x^BDYxpd*rR89{@qPA|J*|JHxPoSlOQ^0$`^B+YN>0ka1JS$~Uw#z53%XLTo;Lz2iI_HH@PpDVkPU3? z>>D`P*Lw|q9R|LKa0qS`lF=~a+-iA&OV&qt@72VIo8*2fsueleL6+a=csYWbXPfAD zF>wV&CFPyFG_|yK_8-tae8kAu#MJEQsnb?xtZmNPIyt+zy19FJ`uh0?1O^3%L|%)! z9vyQdHYxc|N^08Od+Cp|b8;W&W;x_f&2KK2ig zM#nynPfUK9`bt??Tw12C&{o&h$HfL=|J$(sKC&OiB?!i~frEpcgKK?UY#Rc>n_ZA& zql^Zpkf9~l1)r_5d#`R1{weWcQ7yOJzLR7T$IBf&+vGJ#3Y7Js{XDY&*uWzGsgeDC zV84xP0K&)41{RN95CVfR6&}T^oZ9gxwd4N1+H(K*ee7@L6aRD$U&1#8owBD)B!m@w zLLZ`ROK*GTnOZbpGdNXq%+e6!!{J%ul2NfLdoI<{>}_EjOGFw(;2G&OVrc?7AdZ>e zWmX+Wko%A&r1_b&tEjST7PFw(CK3-)DieT?_b6kuox#5TEr~ z{J{EE0tNLfj0s3<0xcHlDiVL_6qKC5j9S}Sqxucyud0G%E$mz zP}}_(>c<{o>au$XUmnwdJ(q0>3qnt@Eeqcud)BI9lS`Nd6zfR;qap&y^6SXbDKxN> zUReY3>JHHNA4Yl$qu#=(|G$C#8!HyeYUyD>DIluSmEw&Xm4cn@SeAGq(;KH!tXs#g}&KMRjGdy1$GlR4YI6tX<2c$Z-xd-R!-F1BPzIIEISB@`TISdh8ka zD!sLoJeLuyTH`R~?Y%qCOzwuw%R`Sgo;hESJ$L{jd1F|=rJZ~kk)Uz_S~6HTUSS9$SVJ_ZspUC%W4qW}Vgira zP)%vByLFnV#-LsM)Bd)w2|XcnzSj=F)CpIfpBg1N^|Jzqt9e&3?gCq;_e|~cEGu(- z58Y-40K>>r)*-$+_q^pxGSv!g%u$tQGB=Ve7%z8y+|ij(J%H$a67D6NJ6AxM1_7eL zqFewy)Pd0U#Fms*sZ+IZ*R~A8M(g(Q?C8WPnw~tX<|WaZG7)g*48QoU z{qIfLmi(|c5rX-e=aK!ud6Q9NB zKb=dcPPWJ7tsLAwQVGOxJk9^G?goPQ|ysapHtBaam*ABv?G?4#4L9qrk~AIeM3Cs{bn zs5rm4giiL>&lc1(b8PTF@W@~p-!r(-6KG4Qh_%HyR8a@p{lbEc(DX6FMw;CT8i7PZ zi#)VbYS6QH9kK4yH*wjt^=!Z7J*TS5risOD#r?A_LWXB}gbubKMs=e7)CB;G7{`yv1 zXeAiefmmetA(TQtuI>6RgJ#2eQsrI>o{@^>!h9s)FjL3V?3S;NAy(B4KqO@m21Gk| zX6`PZs(;cE0}8`OgP7~vmPR5E8@^9!{onN270n9{$mVHQ6MrBm1Kj8TMe8#Fc+j_h z7^F^m)>pHmw`7**9b9Poc5YLizf`rCOb^QR(ECHGKNU5fW1q6ak_iT4m=0qymL;Hu zp^f_*n;F?>HOUFsK96J^m z?Qiy8Ztxf>MqOLNMpcen!6|ghbS#G^`}*up-FL~rSvhu4qew`3^u%eBpt0FR8G#gz z-V1ntJPF2-2J1z62m3>dr)BI5OjjUdc~6kO`S6{Z$qu`P4{1#>Za=(OQ0zfZc z)w))_ahFw{jm)dgHt$q+zBq%*+*Er;t$QDP3y43|jl)NmXK{CfsMX>#P!PJX%LenhYol%d{!9kFCt4TOQn76j{n$&U>`-8t!T5I8Nq zK{DvIM2gx_XWA!5b#>aOo39QN=YW98U6T~6TjDRETvxWWf&*ORC zJ>fBs3Wz%L8gU2+J*(svR;$F$>8P|I$H5{49tDw?u=982LQm1{gh@v3&bl}vnoM8Vm3HPPn66|LOI zjJ;(gJ=I!Ihmp2r#ZTQY4I4>~GZIBB=;ktsx!mG~#;=8q1y5fR-M#_;<1GDQ+AO*) z%08y@3MC!AQ?lR+k7jWW1zDf&-tC70lT}nq=uzw`^doIcQ$1;}nlWVl*0D?EOZHxG z9thta4H!e&9st^%>E&5pyGx#KuVsuA#;zt!0sO_Fe&)nBVVW z=nsD@>~HD~^`eEJIWyDg1h&+xDRYF!DYtOV zpo+QDM>tje=p~GX!158kWCsChk}H+KxSa4~!>yndfhVJw$?lqoz&qAlAPakul*SZB zaf9u;(D%3Mpnqs;mnJRi!x?L7pWZLTf?fTG6Zpq|9vJ&%kOzX;uqWyFhAq$i`)9^P zKQy|V0$cow@ZDDp_N_u*?FdzU8nJdNx0mT_pxCVjP^26-zIst{ec|0?y>0b}b9OI- z#^Vb$Ulcyu@3JFe6EV_W%VTqn7SYXMbw!)J2j><>+t>TZy-!KkY-XI9nd1`&ug56M&d z`$l(G>$yB_3DMe#Tbd5-=kv+9xHqSM;~g^@-U{}u5hj+)xj~|{kt7h$Z>kBs4gxm1 zFeN4CP)U#S%JvMd3@_CA8#-96_l8ziPcvp{Cj^v4Ok@aj1=^xL?H)*%wr;3Vs9|;X z&e!x%9%ZIz^1t5p?fKZ z=1kd>9en9~`yD(85Hzn#zKw%NU~i>!z+(SM>DzRjV+EX|o08P!WHgG{c*Wf7G&N*95u}y={i>7QF z=H%HBaNC^3!6V7Aj9m`|6g4V}-ZH+}Hk!X8h+tk{UU41kFI~|KhfSD+#E3t$H?X(< zVUM2&DQf2MNWu)Fm#~y)j)&56i6a9NXDGvY{zQ}%4P#6$$+G@9gL+_`u74!LqG7-^ z`1S#)2Ju!Vd-SPnLGsCO5CPVZoHc3p!_jRt3dMWSDx;y?RygUbLELVfi~bqU{9ENa zy_>XRcD?zMjoP~_y7jIb-V>jKAvv&mF-xZyDnJnhI_Ls_D7H4!*P+hzIWM9_CCm=G57~a!J^?E}v+-|NU^R^5Z`n=>Jf|37{VXa-;wp1@*c& z#5ge+DO|ReTgss7#=T2TzoSv4=A~z{$Z>%GH7Z?;D7p7aNR-HeE$b~yF`-fSdZ}Ux zv4tr5FlGKy z+MgQLKB!u!x!QavdTZKq4S64(PuRu$z}Cs&{ZVY29N7R27KbZ=7#nF1(vC`pLijI0 zqol9zV@~AJuoFOPwR|INd2S^E?STSzk@|f|Yi;Y0SQE`{(@00T#oQ#1Bw?#Xsjc&- z)x{7_cd-v0=TOlGO14PR^v2YJ+!31jiB7NVSCwVG!=Jp$!su>7hgB12T2Hbsjt59y z*`#!Gq*nD2=ocEcUsQW z0B%0cPvxNc$^9>0VNXWMR5l}aws>J^+*+Y0DcI;GucL#&)4H6Kp3<8iz4vg&4Ih`zYa;9BoU zhE&2&k17&4Y1F}{t)ALmd7k3ZMR|L16Dd!Pk_G|d5mV)5A(Vt_QM#E8AOs3)uzQDQie^Ik3wTl{py)iZKCGNNhdwIa|=F6W_9@-MUbtBww2;Mo9int z_N~Rg8yGN(@6H_X3KH-K^@8wmS zU$#+EP9+UVZm=2@#1C;z$lq7@c|>!VKhgcL4}G+w?MZWL$@8c6eGRg4f~&%~lgsxuw{|F0S*MlI(hiUj!dbgRmBQ750MnJn0HdbZ)FKBH`_(8l#X}IY8BCX7C7m+V!oK8zd% zWv-$1)A5%_PJh4@AHTJGrgyXsp?g-!Wl=$J`-G6vT_?8#F_*?Tb7^*D!fA3~+_OUe z{f{cO9r(L6wR%KS;w*%d?8R?9Bo)&s*;X)IP_H=_i z9&62!z(?p{4xHvvj$IA5`i=+f3vmqrxfgrcP1H2@5aoT@xC3(gco&GGsOyF;aRVQP zkT@1B#F_Fs{HjWg<~PW5Y2f(C70(Ra7#?Zj*lZ-P^Yavnj&EWt(>&&#AeY ze^hd=@(0cg^?M{3xm19;VcnTty$rHN9vF^X%<_FqjV!=>;HWPtma`u8tfwIWe z_nfe_xn>zWDQhcGBf&^MC;?B7sV9aJZ^BRm2{wnY+b|@VCqSUo3N01J6fAW^H>2`UeNzq1!-V zS`~ja5DV*B1<&$AF$7qUuuvd_9h#m;FmC)urrPBDnHIobzFyLBBG-LB430vw(6BG5D`q zVt%E@H);cH{>V{@O%quvE?M+?-KY{-GiRHzGfC$DR-fjc@^0B%SCuKgVAq(|<~8VZ z3$pwaWPXVc8Z9<}GKHy3GoBE4~F=AG@}aSmrxt;G0_ z2w4uvEjIZ(Zu1(*Q{1Q)t+uY2Ud#ggr^hr^E9$j#V{P}y=$BVnszN?de4i{y1n$h; zU+qtwtYr1{&24q=Yt1;L`5v8rN~z_hq)*auHpk}lQWAl8AjoyVDk`_K>Lo^djx`<$ z_gB<-^%0_bNf`2Uk1zy+3;8>6&p+X90nVq}DoM15qb=$fI_j5=_CB{tVi?tt}MyAj*h%E`wpr5>CyG|sSSL$e&``BAt^cIxnjhQ^r5&hHa zyRY|O=)*}_Kc(aGM9s4R{cf&WosZv*gmY@>GOM^Le&~v(`vaGId8zVqkQ0r!jtgHg zo%9Mn5ET9ma=5z3OKq7qU#6(2Tjth&>$a*}GbvY&^6`oK zQR=)t!6YF>69DR+=M(?d!+Z~hcQrrbA6gaNb8#3+0t(0EVoNnrwuOYQv(&Z zb5T}V65`BPb!Sc?5PFOZjXG5uE?Uxga?qr7A#huQVHc(tx3~59N&fj_JWS*5+xb`| zsV@wsfB_Kzy<=0TX$%dTkWvY(fw#X`ZKPfP;0T&#Zz3$%qNMmXhK?eEw{)PG_O;oHhLw++5rR9=SWsWX1?`-OHO!YE+7r7A0-7H&^Bu!1Iq9?^M?O&;V4(eP9 zn5m(DCTQZPFRuW8>W&ed7DrvzH+)J{fj=jw#b{w>f_BgN_wUA^PkEfQJ0^jY|T%H&_~F*32|x+HJ{Ni@sWlV-WsWGcC=Kg(T@Ai6v`8$oL+ws$VIo4 zCrLF0^=oJg;*I){mQ%4%r{m`-%B! z!9b#O9%UdzV<$Z)r2pj}Sy;O*;>~tXEd3 zyS;)7FI%tg_&S7@-rq7rNC8p~uwHDKBD9+`1)&Wn9*d{;Q;9UJaoExK+}_?7`%c8P z@o5||bM_lbIep3M?#&H*E+Ox9g&zzGY+xy893#Jf@{kq{PcW+Ju>&xZ<5_izj?*lXqNA-{-QsF#T0uFxG5 z6KO(k7suCo=*v8zb=9RadtQxP(R?M|Yi_|aK}8-Q1zWT|qZmo(D;mmk`96KP@VqUh z@P+-gb0>$8NE z0N0nMx%wQ$0c^JhW-ksNB`e*~XCK9G2HOEajYSt8_=n``+M6)$=&YT=yw8}mNdy>U#JQ4Lts#7*oRIC9}=M8lK1v@e*g>sPRS z30b*TE$8MF8q{SH=2AG#*`z0SAt2VK`VBEN=fbYah%GyL%v^}joe8!S>qvcdr^hXM zw6yxfpe~!9(iWzj*@xZB=55lwW-ImHvJpG03!VraS_uqu1ah1n?>KiZe80l#5NTA{ooy;gm6cW?Q2b>0GDKlw`^UCwX6bcn;hFdg`s zq_SQ;W+;46LmRnj(!ZQEC6&InyzgE>gFTFD29Ha$Vk|F7_0fSc5vD{?Y0NC*xueksJlyh0ms?wdUFDN(lFa0j z%nHu*QqB%GqEJGH9Hw%&l)HC5x_afoW(a$!*>4D9z@{pO{iDe~c;z)=b;}%K=6oM! zX*SRy(#C{j^6)004Nq7~t5L$1r!Q|5ww9tG8+3-n$OnNJW`A*Y*4NHjbsm*CLmyvB z&M@3UQp8V0$(#9an%u=cb~v~cdQcdmiU4pmmAag;eQJtG;`!O}x@#}TOr0N?q`#sJxLyJ zW@;(s&Cf?=qJ2{2?s$#J57}kpF*pJJhrwQ>fYHp}YnAZ-vG<)}O?BJ4SP>CXdPgbJ zK|0bRB3(dGdWncg@4ZG*dXp|7pmc-~O6W+W3rG!y-g{4|0YbcsbM`*>`~3DkXSZ{o zd(U%!_#|uM%9?Agx#k%29q)LD{4ghs3#;`>JfZ>g5qt6kwO}_Ay2=m*b7-7j=RVPqeI6YBxL<~#AFO#pV6Y=hjE^BB*zY(%u{5xYaT1A)8;(djV5%A91w7e(1?9xhW~2Uf%n!k$qM zDN!W5lHOTOXO_ykdQS1{Gx^K$o+f%n#x958$)n0+CM1BW-S|yqjB`t-qJYRIa%TI4 zdLMSmHMky7dL~}^yYRS#yQCoVB>@1)1cKhPIPo1nV@x^3r{hubbS50OxC4>g;t3fD z07nJzoA!KM*$MEZd)I-N1WEqcMdbG@D{iE}NnAM^?(;#T@`Ej}_1~Bv4cuN%p*8t7d?PDrw zz)KC10l*!ef}H>kNPii?`{CL`9GNJ=WA@(rYrwn!>CCX{J>E06#8qDy zUQcV2_4E$&lcFgQmICs9m9xb0kNy6&muELmTKHp|8Fv-5$jZ{Mt!hWk4D@ zWN7U$27ifpS5lQH?Ux(1@PcsE8%+M!k2Kr+~}{J zv}Rtt`#hT1S-5JPIb{|Ufl+3~v7E;}Nsr7XmEWerM)KHS6Gw}lfNG&})Jmy)737Ljl9JXmz z1Mi{0{Pgv;%x63Jfu95vIvY~rK&6ceE#qZ#w?5Sk(Cl5z^eG7wu)l6rh2RaJxN8rD z-+QrCn=LYY`sEBr?o;sUz};bz0+tsb5ecgTyqMjpzn-RjFu-%d4cir{1F+bQJ-tXs zv)Mf2m`)lv?QH@e*$dCclam4$=^vP##0VJ%Dqa0ZK)@)dyAJ3Y{eB#P<%}pK8USsr(A#*j zCjeePSU9Xc8CRZKXrSUhc=p4VSqb2o#n|7#cNO8fw~_%c zz*mNH{tq1i*4tmFm{L_J#6kyeaR`i6tT?do7C5>CEZSy0!1Aq8m9TyNbUX%2x?kct zr_fvGjke|&g+A!es!48@6pU6Qk=ckfr-ObR(^`I?G(od9arp`jP3H>kPmW`wIL&tJ zdydo50By-!Qp?0%k|`wQ#M1S7_&fmPgr{nT1h8R^nyAIb-mFcrM9&!+%vXUd6oQ2| zm~?MZHD@M@-%OmK5Q-leo@VByls6tO_7l(RgcS7hZN3ZYB^EA|c&b2<^pcI>GZEXX zbD~DAja-%J?{~wi`goxKIA+rHn`yW&S~%+Q6~X+I{ch2Qoa$BJ0zJLx;ci_2y3nKA-*y4%%yzd zow7IKMMa{A(u?o8Ond*Bd~-qg7qS;j_77bDD>%+Q!OU$@P%Dsmk`>M!egAW6RlEhv zI@!=8*O~;M=}s>%1O5J7dGWzrodmQTW0X-=yh@Sa=4Xj7pc$Z+i<`Z?imzIannvR* zBX!4On`EC?H?N0gS|xrrmjK0N>LeUlO659W93#<&nZhimM)sVgp$ux1#EEggSIZnvegy?qv^x}-YjaZN={ zl@@byrDd=}{3Qui5BkXE^ObIWS5|!#Kf6nLSxCOoZ^;)OIuz<*Z6cRaEH;UryB4j+ zP&U~qTA?6SKcPD~c^#wE(!|S`fnp6AYPL_fzUL8pxKdn-b}?7r;22si%ZeLBt%#Q_ zljP&b(HL`N|d6tkZo{7_2HEDCg;4hYcz&&Jay*f!xT!CeNyYuJ!p-hvr1L>y!<}2aJ%}DzgR}=P_n;e@~+* zYYpc?N(-fSvH$F3)KUd|NR(c!RWaL)XvCvWHZ&|`$g0x~m>k$Rdgg0ulHyUkmdFjez08|A zs&So=yMco){c0@l)wU*28>xOheEYS^o=H9$E{LJ1|M$UHkc3V7gO9QvhN5v2t{uBfr`A6NUwUu zK?p}iO{P2M9)=HZB$tgB2_JDfTpY2FD$5X2`g*&x>(R7^LnabewcYPmf-CZGgbYs( z?T7OO0hJ#~=$nO=C>JaDB9AX^hla$`-8}FGb9~n@4nQBR!rdh9nYDW#oM!Q*NXwRa zv9`HRc}4X3Gj%?%FmN;rd+vI7(uInRhktgNW_-c!m1=O2t>d}}LIl6W{#g@o#BmI3 z*#FG)-LX;DT2~TY1{gEj_!X+-xRpawj&Ox>Ivt-qOfI_d*hb{?S{9>W|>@-4^e9=s0y0S+Ypr7L`CtA^7AS**NfUN;NYxM;FBUjqQ|| zPH%%OqdD%6(w9T4lHOp}RfqS}nXc@~I3VRw%f2Set<{3}c}0nIOq$!N%!PvW7dUqw zhR+7*O2s>USx8+!6+q+%yxRM63;_qFpSa72g=3_8EL*3q<9WTnkLod%(-BbjBHNQF zHI@2uc+AF)mK(7S_P9{(hoLG}43Bn}d*y0M*=Ddx9RU*XH?xkBl`%KPvh%!lR_(VM zBo9!X_IZ5Y$uw>37xhuPFLqF3yG-gQBd=;Gl%^^h8V|s)%SZ**$?jv<(T73PWF*jvbkNc1E+lliwj2$@H}km?pWyEQPxqra8k`?INtk{ zAY>o^Y!8u$ARk}(Q>~<30XiVB)Ee!18gV>~Pgr$F=rjGgFaIE!P7@QDjD;Mm0viKE z2Dv{8qo4a{KL2;LrqJd;xF+4(~k~yJT;c-_8uQ|U9NZeEy&2!g@ zfxrDUDZGprsc25k2+7B0KOWk8(Ga&I!^fIXwRe+PG?nd|QGhnj`-H;#MU@XKu5BLc zME~FztAPb0i0$xn(4#8gf2-AOeta26GZYH_bmPAGrKygthm*D8$y49TLU>GyNV=4u zltzhTg3U-bYemxhqYOy4-;=mqIrK?7%dQ^EorIrHb!l8#`Cwe}tKa6*w+5;SN;yj@ zBZ3)JNAsk^ZfoZC2C2_Bc&?1ytj!$AKht)`Gv5Vv4}<;FbMD09+JuDm|{t z5snwb3e2pH0sAE|6!HRMwS6LR%)5J(VG8{8T5MU2pyd3$`7ic3RRAJlHaqjCnSpvi zVngL#spgtX3oX$d$R0cBcG$>$8&5#ccv2-`zd zeC9~~_TS&{@^F5>_uC)%Yv2C?Z_Rnf&jGL)fL~U#itqU@1KCC_1Mb>!@)lkk>sp;Q zJNX1N?h1Hr7)T-XI%`c9Aj$uCy8OaHL$XZWpZ&D!hqv(EvSIGCEm_?*i;>Yi_dL4h z>92lp@AdVB@sysX`Kgh9-KNHx9_p73`RNp=+3Hsk<-~UyNojIRJ$*S^@0onlqd9X* z70c!dR?^atT`R{|y5Po7Mmq((fthH?e#8!W=q(-~XMuY&z{JjH{9p@XkAi0O5ExFLy)}n0zFl z_Xd`1_(^4mN%%|;>-f}!QIqRUggB{#Wz@s6;xck_p+Z()rxuvZEMoMq&6FXgqvheC zH0jKHKNEX1V4N+n{`B9FW|}hmITtp*Rg+UBQ1FHlN$Hyj0dSp`YFCdNWOx;CR5rQl zkU6}M&6HgQgi=DK89%NVf`hl*V(n-Aoht>1T720)SyUtunWy${CK5f69T3XtUSha1 zni%?QxIrH6+14msjS(w@GE%EysEX^0W=_YH3XjBi0q;oS0t=)Q& z(Tnfe@_oN-_3i36#yKfZzprGUlqPmjYxpt77{P}{;- z&O7DuHX4Ixp+-teS@nKM!K>t~?CT>|xy&A@RaoyKVt*8D);(qaWh#@$=y>=p9fOIgD&67?*cv?c-&(ya9J9O;RG}_>jqS?Gw+g1=ev^ zGa9JII_byx1AHHRwd2!-l~^MSye@q^=T)m&wZO{(ZdUG_HDM!y@~`R}!LC_}Uxt}t zGza{rmwgkz57nYprW1*6Rx zYo?3bA)U9{DZ`&J4mvdZ(BY(pLL%^tYmNS}QJhrnn!PGXd6ZiY}i5u6{KfLp1 zV44b1&;b&tKV&Z7QAi2{++;Sy!I0lPFk4cjIp%rVnMoTNfWn?N!xlg0FtRXvV8u&& zngo%V=Q_|MmlT%l;K*dU{2kW0>n7RJ#OV1L3n^N0o?Kn`^qzl+VQ?5!S&VQl>~MRW zp0X=;o2Fg-nL~%@CR{tF4rv1F6#%4@z=hg}uz-@E1X6%wQ4Q+fA-#aT&>nEEW~f2X z{_>jwEY-==280Pvv~YIF{!?A-GC`R7my1MS)bh|T#?dktb^S~AGL{BT#1?(u9B!?V_=?yLsSy}s=)Ll7oz zuk6=fkTVmfVvE8PVyYtp*u3Oh19(f(OMw}H2z0F4CmZr9V=%n`eWb&S>X6Qm%)1|j z9NZ#eEBMxjo~*t1-2F2J=pUf|0CrnG^sm|Nzo-3wGluzog9_I=gSYl&m=~-y=VJ;x z{kQ>pUO%sSa&Be%SgUZj06>LTGxx5;e-a>w@sx|xf8^ze#dkR!ZXQ=m^yG5Rvv+L* z#GHi3_$DN1g%QA%1E_JFzdhhSrQG{aRJL$pnE4&Q6LN4p<&4{^d4fjFD*g6AZ?)W+ z{^p7eyH#7)IALWWu5X(Q@|&(u{PuuySLth%k#=Jp)}Afit3q|iv6$%?zuTI+QH}Ch zU^!3Amt~uh_<~HtWv8?*OZ*}g<)9bGK@>_fidhT8l$~v?{xOPb*C<-b|LXB~gJOvn zK_$zlJ>AN0-wj+M_%!?ann=P^BNG@FjLV!{_1xsHw%{0WoIb`^%JiKOK00GE=bvK1 z=?dS6tQ@m;G>TY7WPHmZ>L68H0|*7G-9 z4fLid8Z2!^^Fy*tu4+;ET^l8(c36VNyAawk-MWp!|M>W`7b;H>k{$K)xa<;OkP*>wKV=G2SYl*wikt zB;K=ZH`mHpmam_!5PmlyzJ`pTlYEYBUU@)HN!}ukC)6+Oe;TH3Vq~+-aC}ythLX@yMznXsV9-gZanN)M1Jn7cO_we|WdVnsJ3+ zP}^qG5bT54-`V2O&T(_`KisX}-<3i9cBcG(+7M#X&SJjZ&2_=q45pLbigiHfG{Hwn^KqxR2mHM8&ox44*1mK^O3MP$3@+{r+a&#KGKlLMLMRj5eX4A%-5oguLB1VeUDRPJS%Z;w0I` zxpYsdPC}PyjmIJUWPT}9;5_ynw!T@?6v_s+tgQ*57W+xC+w9JMC-fvId<`-Q9h=2* z01=+;m-;UV2Sr)XAxWheoKnt6 zpSP5?P<-VsIDFM4#$DbIW|t7>@ir zIhh7%RzSWjLS`v3pi@dx3dqbIAh`BT1k%hi2RY_u0>Tep)q#`W*?!K7RyY+CfDUak z<1T|1ToCARY$iTDBpie$R{;Vmbf8~;L-dE15(_?!^#7mnf9Y6_fdd^j{j}^$)-rfd zeoCIUmNJQTHiDxa3@XCSJ2&_?=h)&MnWxwYNEwEoC{U_$OVKXDEG<8s zex7()KiIgKUU3 zkoB?xLVsA>Jqj@1Q8>i+*Y+i6)(L*_I4e7wivu7dIZ`0C$Giv#RqD7R%4L%sa{_uG zq#r9a`8kkOGcgtFj=NnwtmzfPg56S#GaG)}k=#NBYqA11)P|04?O#^ZrVhSD!QV%| zQ`QQX&31^cWlS+hh@N@pB{IY^raPH?SWh@C2--aW``!lZmH=QkkFR)D06ZW@FyI;i z{?H%Vin>zUx2A!Lo6_E-VbXGrb29XLs64okt*7>wM0H)t^D4183=+gH-F)l{^D&mWJN0< zkd{1$ECW1dC&(Wj2lF3VJQK7!nVR;$YvN9mr+P{86o?Su`Q8Q+ta#lac-8D*8%lP< z@3D@^)`kJ<9pxvZfN$QM3{ZKv-=&fJJ=_ z0rIKJegGT;?wCKc)OT?%#5_A*;=l)VZ(9-qHV_N|NqaYdWH>5G1i*0u0IXk|fW%aW z*bQc5;C<~I_22kQZ_asLgRMLB$<@`xZV8XOKzu* zL>Woq5b*jZnzSy8G(50&(ps@WP#zB8fELrh}3qhoxIr6 zxoAzc^R}zg!LpLfH*w_o>(D$CtK=t_qt_pOp-CNddmi_2lmOjzpY6ON(N!-x*3dPp ztnlambPB_NX9@y9(gCY_H7P63$gNmgOS)J~89lyN&`6K|Csj zQw+YVBF%E0h>?hL(7G-$ugvVye$bFOO799=@Y0wZn+w;1P$}CDe+7fQ`j;6^mpKMeE#Nf zZFTV0T^i0*&YY(S1?H9MDyDZ8FAH>_kuA<^VFe{=5p9hz+GO547^kFZ3#IlAXVUIS z^G4www|89?&2gO1NUd}9`>|bxVVY5j zg}45=YBYPKz!ulBBTfc(IT(`F6Ri*Ffpr2DgP} z^HwGnB#tld6!Em?gfBmx1d&pfc^KDKrg-;bhRKlS$6gIW(Ojj>eIzbdp{Mq;nzFwq~F3wL5V_rMOnPP~U<3yNB%GZIg*=c8G3$I26%R?CO5D z?gZexXGzr;dj2XyCJ)~a-ccXMx1@65)9tyY7*DF1(ah^$(kQ?(#uMUc1GHrWK|7qu zfTKHN2gunS=JzmwTKllE6IkCi+np$uJvoo*y+tQoE?0aPB3|$yus%E&x^mFSG635v zTEVUJtb6n2$D9n*C7K

w}2*Bfc0lp~`Huz3bXP>{usn`81#fqjEZ)ojiOqCU>9F zgz!+VIzY?L;uOk(-u zl+o9fIcq-X`#JB2zU@7*w?bl{*W7Y#^eo$A8CMs(v$< ztW%$8F3<2}oF+iInraOH$oH76mR)9dCb(#B5`ZUzw;Nn7511)>91M5JZ-h0TTp8_W zV1=8}CPxb29jh55e*F&!u~5d$L9VP!2_xq#P;dYQ4c3yrHWS8|M-Y@sdzp^wso*#Z zr8@_=92DT^$b;n2_~coWJ0t=MNV~l#A(APb#J5Bj1-G8}R8kNKeOLLq5NCzjqi4Qp zz@C>)IL0^V<&Y>|KBsJ9U~X4P7@{Dt;tW(`H>5OrJXE}w<_HIy$XPgkVcm6LyP0?R zEVPz`_NB#RsW^glrNkl_ z56B7#oc0Vy6(9R2x9TzYc$dk8@Tk6dAh3cb`bnUO4Z@I3=coBw`u`;GAC;$q?11# zpkG_SpccpuSIcog@j(UTu+v8g2t9-XZ}47zBt<9W2cjRjQkdYKH9uk5BYOp#n6G}q zYfTkEi(!YhSLdzj-duCGIwW%S&o`oFRZH>9VUL{;?P}p^G7X_Ayn_Lc;6U>zv_QBh zqi54W|7y;<)|&QO--{iM?gDz>FgitZ#*$9wFK_K!2s$bE5-D>sgde~rUAlFdYTTz*0@=XUmPUQGh6Q0aNSW#B9s~Q1R5o-6*|u|&YO^oItK!9A&cwzOIeG!MZPf26QwXBIJ#7|tJZI1edO4sq za0po#UTd6f8-+>*kbsaF*%z4Q2X9MaVaS=v`4aIL61XSM4FpBmjkqF zKVzXmqXbr|qev|k1*0&v6~nV(8WE?6VmZ%juWWfZyfi{9!9amw^;z{5vx{uubC$DB zO-ISLR2-{x+}i-8X_Sv0>lA1cp4gT7A7o8up?+C=DxQ9eerP?Kvs$F&s z*Yu<3p9C$Ly)aWe%9kTdqGp2=)+B{=ZT_Dv=qhA%#FL{B&DtWp$ofRFY4#LW^G-+0tGquHKTokpxdD$ z^)jl{CSL;WS$5mVBMRLX6?e!O+1eHfo^&Q?l<4CYs@atWpK6hMOb;vnBuM(Qh1*)( z=2!yUXw41{lnJ1FN^#}SIQA}Nj2N#1@bpJq9|GD^&|Ik&gvUJo!l^alujTW%%tID( zfUQC>I3ea^3@)4<58y9V^uYeve|1;RSSAMd1VkmU8L*idW`7B1nrT~2OfenNjKVVS zwe=xuN_ggmgbckLNN*Zt%M1r^#p~+GC0RWdn)t}rZPf6UberWu#)ptHS*$E zy;;@xi#XGt@ut7&v!P>tIS^+*&qpW+2^nk5{Dh5H{h_eunfmU#Ep1iJ z>#s~tUzL&1C$DjT($hsm&#f b&KPhFE~jp9|YP zx)7)%XLr6WE%o?8c!ckV3>E)jT>Ioi!!~w$2Qm4=uVMy5j`eIuT*gyi9q$iqxW~}x ztL65_T5lx_uRh>n6&LC$jX!@RYiAiCPJ7XEW!Y6e*V*W z_74yMvVqcKepZ-=CREGvNDi=v0Za>_$q!_bZ-E8^#H~*o$7jbgJHFKdz(5?t@Xv`l z|7nrghs2g8~O?4C3< zt-#i?Ja{RlN`K6S=3{X1CQjaaPMrmLzh-=4tz!CNQn|xPy#*h9nUF>rb#aJ(u1cHK;TIq2W(F}_JLa*g@*&EaE1f2 zoK}+VJ-M524ZoxAPMcVjPO}|Ssj&oWu|(dbF$;WZ$x?r&gcSt1`!QEk&>wqp6!N3! zTRc&8`3abStvS6)r+iz#lhk|qiQm4leTdC;f?C+FE+17M+3h%n67pBb|FDpD09;Z5ru;Po7qcAm5rrB~^Cy9w7+{!AkV}Da$|(I&M)_=#;$opI zGIA8~$AskQBt_&NF@oe#TRwVneAV2!Q*4H3tjZTZJ9qKW!cldzC}apRmx_hvPLn3} zwR%AFG*=G_F7!A+X0*~iYWl~)+XE)50Y_1L z?HR)nL&X|V&@Ly`Lu}`|kx=`_w zD`)566%pA6tBi!5(Ey-&ZPaS$r#Ge<<`$*hWgBbB*prTXqPQCyd&A;6@qGFh|Dq5~ zGLD^@LY8^0&Kj*V733C-n&0sGv00>4;O*MMo74ndOt5p0%I3Q>-6*RqZqD%-?HJl% z!4c*6FoP+rh3@S^D&#;T&EMG$sqSmR7T+NPy%<9mY#DufH@@<^(_QYW>0=Yzbh5w4 z^GR#O{-NhE(iOR%$?Rp`lH@7wQw{9?`B7st27NM%dyjLTBwk~A`SP4`AqjjpkVFMC z?|6OHFbEp7g~%P9HhG^kH8!^+l4O3{?1lng62DgSda`1FpsDTZygV#i|T}_d0G38Bzn923}c58*oSRm9Z}i7A@l= zYd1An657!^`mxn6%Sfj_Lo}bjY-THj+$L5w|9VmOH$RTTl^#)C>I)B)-jiZ_ssX!@ zw1vxxV-_!+Za9(h@xyZ08YM6p@v~kyfL?M%F`x9cyZyb3)nYp|eoeL%b_h$)aRR3Y zRNNh;JJ(z?B6|DKOOO*AWM8+TidbbiVzT-O&*bC#0mxowcb=WpG=XE7(h995%`EEc zkR`gS&z%UjzJ-QXidOd?Vtua|yjgwDJ+}Xt=fX zmyhQk)?ewbZX5+ z_oFsk;V!|i^+7FBZPmrP{)arwuh8BkTL}`|)TRJ5r zslbUISH!9KaK^7AGpJil2{8gOw=h+ujkNwml~+Uxp7*=+q`BV7K9CB|&=S7CqnPy+ za?7HRc-PE{hob{TiUVVq);oOC5kU^pBJL#2YQZS_w4yt;^>L^jgN3LAkun}3dxa^J zD;AUOi{!({n+P09#{sx|R}Uuu`+kTZ#m1{(UM5rJep*X1>`mt~V_eE~if>+ExWPz7 zc=3k!rlHPPzuV~3rC77#sWq-S<$XqtlTGRitv&g)qe-0e*Rom;;P3++3XjFGGWT^wTPj|Uw^5hus1uj(&|Tn0Py;1Wu6cW=or)%bHR9T*S?a6;U__3 zX?F}R`QOw==Qy^cHPLI^aGzZOv)}48^LPcBRseDTKjhIUP+mG53jlO7#iAT=RXc_j zysyz7Nd$q4&hM_|Omo}W>OJ@2>9E6#gQu!nJgIccTA*LcZC_UtmU;4Aw0c$A?x3H4 zZ#2y0lc1Z1`oN?&bRq!;Il?%2CBhxduYsfC?EtY%{ znJ}E>FB$WhnoeGv*!Fue117;P(cH#xgur1p{(W1g0WFPcBUs~YkoP$}2eV6-WJ zOy1V^q6eytv&z^#T#s8t zA8VLL;wXdVbLEZuU7v2F*>?~)X1v0&JF^DBjGF~=7RQre@{^o-3f!7xD)fX=UoFh~ z-}EC_$DK7vr60iMb5btv%P*jnVci$R`11FP=O`4(B;MbLO?pXbQIj zZPZ^KL*r|0=j@3!er$lhmm{j9*DkYO%r3Avy;8K_awc>X#*{k;zAD~TXEEDQ0X}xE zS|E4|xgoyu{&wo_R^|#klaJMDdgjXHjRFY}E~Ka-ylw=4{9olL{M{=8 zw)!NUqvbGt(@!CHcXi36gK#Gm*xca70=8#M3Y~uv$hwT1E+ac@!;OCu%qM$AsgeaSiOyCnIJ@Bp=f;w9rTi=`_LQpT632Jmnl(AK~f1|Jt&Q zb;K)3Ks0}3pd9f>0svmJDhO-=8xt^rXSsO*J1>Z=Fdw@%CFAihzLh*|gZ<<#X!KF} zmsVfJ?Ws$(aVp;9AA&aHd8g0Y@$Vr>t&`~@%dL+sLmd4;lEuC+>WmUzo7x{886C3i z*(LXSEe~<#+Vkz;=x}Lt@tP@)0N!Thwe<-NGQ~WJ!KzAIUeBeo5q2bcl-j0k^ZIP<9XK+TGkeTIP%`_`a_(1p zV)qB0ej`lz3Nk+sC5WYFfh5!_P@4?Mcq<5O9^McWJ2yB&H-`2FaX+Hx7I*!PXg7oUjYnpte+z;;XMf5 zy%W246G#AlhyaYiLCf=SPS_V&t25jQFd_g()F^?j4ozOHu8D>7%#YhGh}LI1OY)lI z8|mu9TQSwa9g)%;pI7jXqYHJfljvWgh?E4oWCof`54G;oyXjKD_EYvVnPn8vjT5Mt zn2?W1gB;CD#>GGMA5?G$ZJ{>*sTcLnFWkT4h5hqy{b!%v$x)C6I93YZc4`YK0=U&p z7nA;)g`~l#5vkOqh6A0r1=f;A>e?6hv0|X*km7iShNrSo3$jQogC1B%G~(Q6YigAG zp~JH{^2~#Tm~}%2`MvSBA^5lv{G|FOTlPv9>3$JqCyoUnncp09*;IV0X25R2ZvW!f zw{Nyn*UuK~1#m}dP;X`N>X=es<)*(|S^~VbzC5W}q5&1ibpQjhi9fJm7B<^e80O;R zqL+pWdMj)gMStWjq9%Lm!U47xH^9~+16X5_8Pj-Rp9cuk>Hu^tc04D5qJ072!uZeL z!+R;!Ke#>rT^i#vPa=>% zPOfR~3QPPK_=L^y5E=x~J?TaIZu&i`(QmNKx4nUlg^?kZLbRhTOHWwsL+n&r^V4r6 z>3&-)(hQl`i-ZPHU^QEh<5pRI60{{#RUJHDtrOi`8zBr=c@aAou9&ot5E{#1CYIFn zlHiLkLk400!l0YU-4X6lt8#h%ObUn91CKC|j=<|)+Ikn?$=zBYf9lXkjkQ^CN`(X& zHY@L$fI3eYoJ@KsQ0*+&>={<(o?3KFT_e@{K(1+FF*xnwGu^YfGeNc4hyb7&_I#Lm zpFrbXY)}JhwraUT*7_ld2V3xZvmtb2Sg_?zTM91=kMvDho$4-)o-V|_XFpb%ui;Gb zAguRnADN0B@8S=;+x5QgY@wt5WFKSW&T+s*c} z6`PoG?&$}vmz3BN<~d88@|K^>T;-8stk11_$77co9*WwZ z1Qy`V_a|~DZT}MckF_Vzv{q6JNBOGJ;{UK0(wvHfjH7) z6q6^Q?nHY=8h+b0{F8v!HYY2_l6kfCc+qqKSpLoNO5)3Y09*W1CLk;I$ON*}9`nmZ zMF+K%Dq{9V{9Rx`$Yn+l$bL=RZ3HBu`T&WjJN$?vbER}Z-YFOYM0#fhftW)#-707H zXveXgY^@#~f(B%7VtbB$*YWH>bki+C>+JTKjf=)WSb$@^g!}#Y4E)l`I#tdCXMiqT zqVw+rW7mLR?$he`T{K~*@Rj&UpdK>JeGr4c@HdZb%X*?O5Dh*TbHp(H>s?C!zKg&k zWaq-Ns)dtxseiDG$D=O+`zK?c{CJ+#u zbfm6ZWt9kOjWk28QPzEVsca3$Ml}E~{au53CUXlA%FVEPu7}E8TJT+-ZXR4h@Y$LiPe8x`)^G0D1M{i$bojfo(X)~tKTa=Y;)Ya({ zYeaikN13 z*tgo)r+dAhPA!#jd`9dH-j#{Hj|BBc#P z%G&(%t;La{lq`wS+EN~}&%CNc)GPZPUIGOdJOTeQhMMUD+O(oj-=w7koO!e3D!ru$`JF{Zcw<%I6zisnheGK_zZHU-U_QIQd>i z6IR!tr*bLh8#0}gY!2qEVgeo%-5`X@gad74|D0(OI3zMi1-I$B6ZQQgA`s7VF5{3q|N5t>-X zU9dNxy24!O_Y4DS{^HoG%OsJkgrN|VrO9lqIy7Z2O=`kiOk=B#<8t6w?CvPPKSRbq zIWOwlf|tSuNxK^R3TJ@V(D^0nI7`nZGZHVXE(*rg`FbLW1_2w=@< zDI7oJp%A>n>6Fc~5oq0UP;Gn1$%|A zdAEdz{Syy&C&UI{L>7m)NW8N@as#`!EKcXubg7XmB#Z7-t zoWG$?kxc%fs(Iz4eWpY#s+I+XTKDyXLF)SURycCE2ZxWwru~5p&+3n5W@^yFGpq$r zl$i~2Y&~Q zk(dLZj6dkk9pQn?#A+}j_bn@dRGUV%LD2D|2f$W6SNd7bYG-cVxBA#uYl_@2#v-h) zVdm6t!+rhrZIYB!Yj$vH+i;Fpj`vOGV@G42!kjeHNd)dt?jwj2MlrS!M~b#=={8Xv zb7U|CTkDF;G8+(%+fShmsM2#nwu^1v)o-&pOx$o%^Z?EBGypFy=5n9>kB$hOew|0Y ztGQSTOw%XH<@RMBqjYiSz|kM!ijf~vr1SYIQ(hN}(gQJz9=6Oi?WoDRNdbiXO8Anr zCPu!gk*G1cyVaDhA5P!NN|xJLSSWALdYkR?)eR!riP2hJ*W7*6dD>Cs zSv3jLiNHf7f|MENKhJvr>Kg7q(V|f7c^e)?4p&N;@4nUxNGUb$5 zy6Nifx|tu4Nm0O%g^XA!S__$x`!i_1@&5>L4 z48z?4w=q_g5zTbqU_S-x*=b_=Sudnq4Tdm0Z-7b)yJ(eb;8&3D@G|5DH)`j`8-B45 z>GgH{CE2s|0?~C#5$*x0U2D2L&f*8T1K~7GW1U;M_a6ny6b#0)v>S>(rZ9WZzv*#o ziM4pQcN7 z+Owa0RvnF1dxrZ)>ru)b1cuofF2;0l?NMSVgQHP;bjF5klFJb#P^P8tpS{O}c-en7{k*9Dy;md$K86jn3$vC8*_`I-!y5EmX;tC@JGQ z9dA{#;oCSv|0s2ga?*JZ66jS*KS!GJ`j-?hGHH|%m)%b-A7OMqd1DyuwHg%idy3W5 zIq7qZV0(}$;@f22pG;ULD?R5P2tQ6AgrGkEByeejebNw%kI7scUWzH?gb83T_&XPP zx#}dJxT>J``l@4}yJeE8!6Mvtkbaup+&uM;6JNztLoP@VkUsuw)5_rl=tN#S+X4K` zc~gIi%Ut4fRI0>KML}}GO3MadqfUEi$W+u&5$U(oCM>wvWNqqtWrTKo4@zV?{t?3U z$MWk)`#VyEV{A-=SJ&1<$^Z>K%el5w*klEU?;|1tx#=C3CN?wqpU$n3b?~`h*tPAR{%>jYOl+F?dDNFvNinAnBEtE?JSOxt=WrT;kGM zEyT?M8KxQm8ZUG09|7EcpdXvihDmWXlZU42Uz8G;nv0mbG>q78ewEk`-?l2WITrqK z)Y1&PB(0S@hTR&(5770g55OAk&0v$PI^zaC@Ur`1dp*uG^mC z0PUfmK+}`@T^wLviUP!C-LST~Sfmn`%NM=<80%SLFkKm4blwK$ohKR(hdE)+m2Y(K zdWSZ&-_?|$6}4@`Q)BW0`}yEUe6wB#SNLwzm~M!>b^eq=hggccXbK=?*$$0Ye{AJu9dX^V-T9(oH}FtJi* zOXZUpg5#RgL-L!Qm`rCf9PH+{)pcce>u~Pe(Y^0nD>nSe>wmHL-f>NB>$)&vrK|L= z0)o;6=`AACL_~Tg0@6!BdX0kgCLo|7MCnM0NR<}p(xel52)&a~1B7s=Yp=cUUaoz< zv(G-~-2408@BERFOkm8BF=xgY@AE#-^WH@}9)Y47*zEyyVXK@~tVgsk>Nr4OkI-Km z?{wNnXNmBW<<_B=E7z;g%hQH3hWoJJCAz?&Nco1P=VW)ve%3)y%S z?Crdym#Bhm`}#>EZ`{n7gwXDZY+`)Uaa&3G=z*h7^-~6nN~?oCh}>V@70v3~Au@#& z2VdUs7`5D)JuFImQu!|D$2z$(bLHTUYxJ|1W_yZP4xZ%=8)ICd@AaqgMGITto~nZ# zVD{NG^8)rjL+qn!$fy!Y4tr--REoM|my!Z#@ z0#jQ#(xG*_{>{utu?BN%ry0lUL&Fb{xBgiW&S&~Hnp%L(1P$)YV<$?^+l^o@@~r@kk{S;&2xx1!nQ|&XPgk zYD@Z|ke>#(@FA@HKw%;AW5nH-K{owdsJ(Lqzn@9{K*Uf9hr*XB znY6J-LJRLKqi?jmD3##r?!sg>N`=~zWEg5JCwkChTxB|l1|QAj1*i4J z#VEDO~ z@xaAW=91H|_T*EXHGz^eO9pAs^4$pt@vLkMXn>59n{VgJlRPGK9u*(%0!3%AgBcyn zScWV3#TDwyhOQ5;YaKj^;T$sEm`OWOnNYp8@bdk;Z;+{%6%G4xE4v>kR(YvZu*gunysO8Blv!3@t<*v2I7eB1q+Xa^GlaC= znd+kKtt_Bqt&^JCU|9HWV!r+7s2I7yjeei1_{%B@oKx>;UOZkn=VE)-H?nOIZ-qWF zHb_$~MT$&J>Ct*6w@q(Kax1EmI~$&vB(COBWx2yq?AX7^_A{CN_sP?XY5!QBqyCRe z9yG86TWzkJRCr;0cECC4yrv+KBl$cET!t-;)W1pYW*hhwxbi}0u(UOIr@Wn4M6Glf ztwYZ8cb=K7sO=^qV2w8HIAg40;)kT}jCVF)3m&?1kA%D*h|XHpIJJ15c}S99`hM+5 zyD$Q$#$k7K9u=BvF^F^C*e$J|PjjK&FqSof14&ctT^3Cq!yf|@d-Li|fVA-CZt zx495FeYtCZ^*|0Fkv%^EIwX$!^+0XsZAtyzF|bj=Utq$+gSo0`=6!!mOkQ}MB9^@! zS*fqzk(cdj8XLhGq!g=q=K6Y{Q;RxEk|VMdVIdm;@ z@}29|Zf%tJccO!#`y3bwcr!QzusV0zWAKnHmeDPkFwtN^zwIConxqdGJdzf^AGbjF z8a;e~ZYtm)Fl@JP;-U$?@%*MQ+5hW54s8?wl+UTw;q>i1K25D@x6i6pfx&#dB3}pgZirv9 zjFC9UGamfnZel`!QQh3^5% z&$##ZG-4fn7?F1Zfvv7H}!S>JgBX+a2;ZNc0 ze?A05BLMTu6Of*tA>w$xp5v4#y9HR|j>M z5~s&h3~7GG>W)+6MVd;LcfLKVrnvT&&zbejjoPcsA>XZ!NFxiUrq%-R`=>pK8(jA@?-8Tjgy16?4~u!xgviOqmg%JUuU+eg=(-8gQ`IZIugh>(F5*cMa_ z!}3;e?kr%A$Flr5s8NPImK|LJ&$n%$uf$Acdv^0PH`heFe19F~BsMEzXevz?lNtR9 zF2NsL(QA()6@A;lYhQE?dj(UO=aVz_&Hds)!U$@;kg3Qm>V<%=CYn+vNZ#-gk=Xjl z8Ab5j#l;=O9JJT$z_CZEe_^|74=0!)q47%YY7Hhf4&Lr($(l3_I6r#G-dpE+)ZgX7 zp~ykY&DmZCzeYqU6uG&anU`r=)UZM7TX|ebH~@m{|8Az(&!phb2a8+|5M&}-odj_H zm4O@;PQp-)ihFDh!1_ZRJw@!d9__2|YVxns%07_o{>~M1o4$dIL4z($=Va8*1~4nu zCI|@|uS&hr+ZMih?`g@m_$2d;cNYh~0P~f%za)?q116JGBAg_!Tc2GsZUh5G3N3#Y zDFhaW9H|^%C(9o0(&f$!wxlec%JqyD=R|@&>gyZ~Qzr+IG5dg4pm>%EDApa?guwxy zMga&jfy|s6K-FtSmi9m1-Z}}G2UFk^fEf??e%|n2!V6M`fp$SSz-{BA7z%I7{%cbn z>+YI9UW5ir1M?vlK+OQ^DqwqYX6%&EWhe$gpmajuYC!*>^P|g|KhK8t7vEL`h83vb z@K1MBaRGI7+=PS7rx4Bom4n;=LGu7e5Q4@m5yF6c1CS$JoH!+lf?H-rbpeF(5DcnA z5KjV>(T)8F!vIY7WXM025=33ZC?4;G4^AnF*5~n3Uz{^ z1Xbt^Fg)=xZof7j_sbaXOYzjz0_dXmfBN!m^Rh>q5f2MGt*_%D=&st@2s#F*nc?DT zRnu@%p!Az6C(%XD)U~y{b9wl1PsIKmTkw%*d9hS}N9Ewn3Mu>d_S)*E6@?8W+dtjx z3nhT3|4+>n@jvlqOCMT7mk~|nD;+pMFMXP?i%cYFMyYk)_s%Si{k_9 zc1D(J%w@(ua?Px`lm@Ks-Q77a9mE^kK9ck+gj5|jhMJ8n20TEJsSR)&2b#*GoSs+o zz&{^iU_O3SnD8E5+%ZsN3#o6WdN2?PCtb%=7K!vRIav#1;R{x6@KZ)99rSy2wE zqqUq-zv;lt2p5p+cjMpdKB%JL?Q!LWq?*=o`c0O-iO{<9qgC^{LtrFPCl(y$RA-J3 z0L$0;Sd8#AWbCTUI^O{%3~*z?6bUUL`1&|?)mCFpvTWvNW9E3PYRv%_1U0Dl76=r9xi6MaZD1#SYs-3piW2zyTM7FInM?pCluC-uzfLge)zYCGv3 zni#Sk?o_hR)308PKE1{#^!?^le@gCE4jF#sdB5)y7e|Q#QH};hV5IA;u0eNk1v}MVARCqm$Cb3WF3jv_}m6%?3TFXyg*<(hB%L)~7uRGmgJO zr)~BidcYXIB{S9aMZUW2a=GKjh;K6BFsKb9o|h!$(TGTZ)QJbK0(awcA7DL0R-89x z##O1>INtf=+u=KMdFjt?g=qK-PcwR4Oul!*G!^-zycduYiEyryDlTm1{Fb7FxEhz} zCq&eyqIc{4(^mv$0aQ%Z(T*{8N27*N0qh|hwh^XZw}L_J5WIO_y1vOsooIob=CV_f zz1H#*RmOf!Et0D0?j2`quu#~g<_^f4dCST&+*A%Lwa$=-I)?$~cyvPElh5Olg}AuT zoz|XE>ZG@gb<1>N<`?HNyWq8y@acXsu3qM5i zaq2jI`XqNsM8qcWSPGcJg8-hMF*JQT3rYtt7!-lM5T-J8qyYP6EJbs$f`X%kaAjyc zHjS^4Q%_6n%j(WL*2$c+UpQHd{o-}iHWt^MOuXwr1)N$TyCkOANM5eME3^62lswb8 zs*m$C6lwf*x1^9Uuyu1xZE#RlufOyR^fF!_OBE^VWb>ptbij7kmLG0|!H;Woj(Ej+ zuCZosGbTwsKyk2?NrIE^!R1SFpncFf1edl&_<>d2iU7?`u-S~u4IaY~ZK(1Sf?L^U zG)6g3e6IpQh5)xp8|fWFXMk;r^OxP@UVx!;``*tf^}j1?^&2c^0&0fh;#bYMFj@YE zxn|5=qNhZ8(wPIfvc#PNH_mc#51{=6H0is;@I0s&NM@}DNSBci-9V$#-C z10{Rb$+HrseB-otvRD|?dg9M0vb@eoWA`w?>aTSXqyo0Wp!*VbKwUti9nhuavR}Q7nWuT7)dTJF0sMP*@nxd&FEi>j}s+d7M|`5jMG zCVA^Ikk}#_m!qRm1-C2x9){&napkv5Rx&RcCXzpgNi<5xded&_HA~y!X)#^ss^~g} zlIb(H{%a)n8t!g5xftzBa798gssthiv0Hro%aOT>I7;{1qHK zU_;mru^h_&lWye#`%{O*$k@$`rLHIKIAxQjU5bVU@OyWQ1=s_ zqm(C>XmMb(xSTk+Ls|{CwHOi2jp_FEN--+()f^tSxbi9ibf=9&&xT#n97Wd4$2-Tb zpo2LGm!rW;VK(b6XC@do0@)1A4D8ti2eXGt;Lnn;7CYn`6@9MCXfV2~N)vO_jO&s& zN1wa;!!5(U4fxh3XI*^_?oOhH>s>k@)0ceR8bIk-&ZB<4-ARC!(z8=;FN$jhZ(ln8 z!HW=_;|WY8WK8cB;GdWZnqW#ormZk{(}6@STp&H=NEec!+lVgC@30s zVNb1>YQ@Vp)%)r!8e;P$X3@|hK;k~Sb8|9CmH7RFSEW#*nN`4|#teIK<@kO9x}F)0 ze{G+;z0}5}y~-pFj*8oLuhA&K7quPmp>3d{XYK{qoJq$dM!7a6HwHeq<=IeU_1FZv zxUGRftRbud4~|3Yc64wZl)zw603r;}L%!G@No-ju9ynr9nBl`dJ}=bv&sq?W(G!4F$_Bo|DOY z&hhakud9`lusJ72tAHpe!YOb$4DhEtU&!;P zbf-l1JDy43C(iLalS=+%cLc$HaZL+}?Z>aR+i0Csu@IRKugUUwn~*0x)Pns($_BT52vPVWyPZc| z*&7Q-h;1{!-OqoW(3eoGpm~J~U_uYR4}=62Id&s9?HY%dH=yfJ`w+Vuc1G^Xvrwd4 zZr*V@s8z7@x+0BU-le~X2>->`XO@6!Xd=B=?ZK2K?2SkMQt*g%xFfuXZ{J0sqo$*#w^Dwb_vF#da2h*beO)N|2z69k0cOEeV_#DA?_FE z;AOF*iy_SF#l|Zs!edIG3{$NlB8jBazdiMWU#r8wgYe>L@L60+W4vJ;wY^dDdw!2J zYj)=mI>RjS`#wr$Ga@(bSR@^3rd^&~*`;+G2Q~MS;`~f%N6O*k%SYB_UWg5*nDkeg zChA{<#SUo|#0-d^`*4UTPo;?G&1^wndoIbPRq#1T*WMJHD^-l>P8M#iEzC4ow{KI_ z*cd{he2)0S@$K&%lmu{w6_ih{d1HL$9D##-zc*Y)AdtOoS~8_2e(k8f-0QiTgB?rY zqhv4P^HE(f58Jjmt-R=jgj;yaPd3J7zii%7?J$;tvH2`QKY?Boa9a&$*fq z3B7mWl>&vZU5Zky?;mU&C$SX8QXmLBOsW+1xX2(P}ms}5Z6z)Sv(dQicI&3rO0?K^w=u_J#}7BPXDL)#@mC&uxbi*YIL~t1S?@4dFbwZ73!_m- z_mcL^`ji(IR8Tx0nFCiFwv1;JBHPgI?OO8{Y~CXCb{?2U zs$fRqa*QS>)4rR3`5Z|T`8V<{|`)iV4UX#1pSK<9M*)TKqSUuD#R@K+8$}O8fH+@m!Y0qLndUv^iasJ}WFKQeTC7CccZ; zajAV6eV)kIL*CNTDQ8UH#s)&0lT+tFBZj%AGN;I(tIGn2vCjp;?Y@7$`rc6QCB{QKbBLnGZRIMu@S|F68{tZ7d2Q(J3t@ZRL+o4mrPnn&vl_HV3H+@T3 z>-3d@J-ZvnvOO&lUjZ05gSy}rFpqKSYZEq{kyL09F3&$;7D@$69>{b8Yx(JL{ zBE2|zZ#;k(`fKOP-2{QM-^Guyz_JDuVRv<8+6|g*!50PAfbGh zuj{noc4|UxWVwm$eZj+=r2$!Bds3|N2XOZ9f!hD* zYhGqFJCGu#hOR%0`k5m3a2yeD0s%ANO~8h*gPxG;zWO5oR1&?>jHmt0cI3gXFHdIt z4*;_z(j2J>7oiaFJI>$C3A#+im6Tnj&GK5#AXCqC4SzepAp@h)3ZcT^udWVzKp1&F z@$RajporR57MDjEKF-_O>FHt19B9&l4%H~T7Cs8Qj|*g$C^gQ zf_hO+8cep>vL!|6(u7Zp#uk0_Osf7c>S$PSsL&P$Ljxo#g{ftD0$vaex*`x@#htwGtAREQ-+R2d!wIx& zQj2jVCf+HEH6#9jsz>5W?7&)=&s+Qclj5rT&DTpbBh8Tl;+T7GFhxMONfD?KJ}oxl z>=6KYSe|;+)0V#P;8B5SOLr_<$bQl3f_`)OoaemI5K~@OfD`mb*U|39lYkCFgYjK} z#6PPBx#$fxK*F^Q9d~Ob;npfd!oo@+qdc6%E_saC{E*l4@!puW$eN+lS4OS%mGL)n zhP#;*d*)q(ooG8e#a3>%klbE?*?xC?Mve?-eBWNCXp3CWW)XAM`{>XjJmtrZj!V@FdZtR+4_HK`tzfzOTYswup+NT^ID!kvCF(QOcBM*8 z!29BL?ihxWOU-A3du5o$;6ykqx<^e197YIue`KfGOKO+IrLTQnCRuMY zf#rO<0=^MQA#mR58m?pa+3%$&7~G4yY+G4l4TH?q<_#`Y1z2C3nKZAkfNP_0--nK%Ah~B&FqxeV6y}IxD^S1me@7WQ{?vT;A%yws@S=t2ai5D z@?B=lvzx8A&&v!Lz-tCPs}*Zl{Q0H&`S>R&i@zyTq%i-aG9~wWkjfa95`$=rx73@w zOPhn>moENa)HAHIaEVVa+$~OiI&5^q700Y<4+l50Qq+>WeV)sUu1QsA%yJCO3ST|T`z`N>r;4h%=aKhtajde1}mg->~P@C$nJzbiOo6i9#v2Xo=q-FqMFalouS30EG z+sfXd2CUzA_Q!1S#{ejb=bVy|O>uwg z87vZ%kTORw-}usdcmU7}pzi<_pKM@_5P^sSZEYs~#jxRz17;6>Y7F(&=!OE7rT#ip zzYkFJgcWRO3$U#?CAus4%LU8-a|eh1_m%rw-(mxK2oJ$=hhddnpd}O`iC_)J3#!47 zZW4g%Du^2Wzj#6Xv5Uh6Coi2&RzN}opzzl3ePh9E;@=?Hcc`3_p}mL`UVJy=mkR`> z@c;cgN)nfKcqJbAIgakabzuj`~+=uM?k)yn|;ixOoO?4d2eR?A&{us+IErn1Nnki-}lRq)OG}OY^-7on}p89UH8ySmGB4_zW!$xTNyUGGtm%C=V z82TB&+b6PDH}qI9Ow+i!h<`5f%pDzLX^Hib`%L#==EPo_ziz1&63KW|M~N+e?JEQ2 z94$41cVW`zwe2YpW1Z$4$?kW5Q8cT-rW%ZL%sa?xsA7!YA5s49ep4Dh=d|*hK+Dh1 zCE)ilplE))8+z2k*w1JEZ3lndzL&B8gxzd>Rx4teogM~AGeG@5@P zO#gvA4f6*IZ^lz132hW)r$moOlJX2;zaoVF?11@;>5o*{CO~YWLGXkCwYJ{_z~H~x z>ffK?-+gU>`jxj~{U^S#+scW%jWhd9F@gQ0hC8cYktX&pEVcYKZF{{VlWjY?WiiUFF%E_U9x*m8sTa~d+KxL7_XMlvu6i*gb*EgO zWFXBZ?kBroCGDB)$)(htL0QSJhL3xaS-rtM3*2it<#+6+@E}bS3Ix7t8!+rBCRam}rx$Tyy!LHkw@_m_UU_OtK?UrK6fA zjxhQ<4$3IYLb>89jfR0u(L$ew9`Rlq;w&`*v1d+KuaDoe%sA6nfak`lH3y0fJu4l6 z*d#1GrPnO(iD}KRe(|2=L_-Rm!4Spm~ao9~3+iw|OzMmVhWs2P#~s5dW30 z^j`qh{5`JmpLq?J91^V+49$?ip5M$79~0r%R|~K=th{?^u}o1dxhY81Rwjss9CjU> zx@*6KicR*!;wa}#tIO1Ib#m=GsUr{c4L5Wd1!ixfcp;TO$csTLJw&bpfk-pvva-Is zAsNBh9??1lVvUaqveEoEi@y%jUcb`)O>(+8g4D|JaiCSNALd}TEgegyhh>XrOZ#N& zyA+leOQG;+I8!khBt+JN&hm<*dEgdJ%ROh%ARXAO-ULax14W8-+lhF<53iSM1AooO)8 z9WIr|%A$=m9JE*xe@r_C^^LLb8 z%6B%^Sc$2$r*B+C_`Hjbdt*}Tv&B-O_#2`7(BM|qZ1x|rLmzVD@) zo4Il(#u+Qe1DEbH49^9u_nn}lU*Ge^o7DDus6|oSZQgNUsu-!V$&9O56Xw(4SaEQ_ z*<2X@F3@JCH1o@h8`*5zs7dOkUfNXY_5v~O=>bvJ%| zgvh0P6fhL?2eyhQx?cZkVEWGMZIcCG)mveDidf|qFms)9zO7Ww$$Jnc)?{p1j>oHl zigjcH@QJ$-`D8(|QJA&5aq7DS4Wa|_6@0YAVlhADSL+YZ#d<&Tz;Bk;V#QzXZCzkS z(SmVhYFJL7c5W(4r@TV7*!ozctf*ABT!;ep)ym4lvh%glC5U06>%v{FMb!iSLtqP| z_2l=2(wYBjsj1)eHhRBeA7e$3SJ3S{{^~%kEJ5%@WM%mM5ujR`2*dG00k*4i#PY7D zBFFoms0(i=Ck`?j1494!nziB^QYV$Oi0~+YC;5qf>T(d>dECbw-q%4U@<^x7{$XOH zti$kf&eDl9Y*~5*vSy9YUaA-0hhkYb!)9fvbiM*b+3OSwo1tEuzQrR2UQXnCm`}iiAuMn5^sKWF|lomHf z7DrG`N1kDC#d#S&B%srS;$OUaRJ|m_@=~Xc9fN2!g5a*6>DLS5kkbZuCa*;=P{W{%{Gl;u#nPE=>n}Gh&wNYID|D zbM}g`p+S4jq?+{PyJ*G5M1Q*liqF@s+)7Mw{Q3>9p80AVd2|efLj$lqhpPw03(z*y z!imFkfQb3G?arTwmi26ZTE-sL_#^JZ$*>3v5J9S1_t0n>XL$dM`PF|$H1;pic>q*G z^E*v+?VI39i{wc4n?>KyMGco%m>^+z)|~Mv@cn68+aEChV#ey*`Ig?3Z^pGAaG9KE zoQcW4MGhp0m_bx4;z!gDzLf=NwL-h1!Db}N+QHcN8Mjc|3TaO{FU^x}F`Bv09Cev# zKsENP+9@{gK#EpS*v9SziWV33B%^JXIsLA7hOxOvp3FmCa>Z-9(4=(Z9z(Lw>rteo zxp?+LzSwsnN67^R_F}%x4hgID&mUOVeZ3=FEgTZ_geRg2cqWS4%2><0`5BnIWiZIm zg<3#q5~X^~sppX20h+KFO)gR~>~j7Vo#Y6bI@FNS41k%1ICQ`i$l!a&=Vj!(^c%M{z3mL8yifW z9-uBbyzY{56g0H3eHS_76dA78z``rwv|xk# zPd^8k77z0chazvW)(Ks=W;j1(_~QFH;&1zV|84~=J^M6>)>XBqe>HFTjS9CF3){Xv z4j|5rAE7Jb1Lc2WyK`VcYhMSoPsZ72Qx+}*I!*0Y|52p--}?JMBj8Bd8~~*HS@7Zt zuF{EHq0b`#WH^*HbR+q|IAg#7Yvtsu8Sl8j>eO*gT#1GBN1j40>DMHcshe}dIs2JM z8SRQbDfpX+D~RRCfF^@h9E2~)B2a_FQM=sUfU<)$4Mxz{0Uwou^3*bC|Y6yJvIlw4j4p59J<9pRJ>$-mJ573D}wS(AudQ^T4MDoOO zhZ$-A#D~&^t~T!39sFh^Dk~PbBZyNE+E6?tD!e$HHx0tkK)ZLxdAkv4QCtj=)bk1f zl6nOI*L?v%6#vvr6hQZ-D%AKr2ewkK|L)IY3;J_Q^n@bz|MXQtzV|ozX)U1J(CDwYB}!uTWn`%~`O%ok#48;Ki7?|As{H*L z7ZOLtnKiRlBp+(Ue6`xoJcu%790$CK`h5P&0`h+l*k8C9gaC|j+W})-;0}H0@o;y1 zNANtf!wwsF5_KdUvRxZ6$9_`%q-^J7J}XPwG;lMPubuY$mz^x4;9A#&xpVWeE=v7z@>r@y z2(fq86PVVJ40n!L>D{83BI61Eh7YW+6(g&%WgHY)Zm$ap5>-hddxg$@fZ^1a1!jpfksF_;2CVEHq;d-Dqm$UCzX^8BMLh#*He@4zb*R$(t%L4l-uTTuWAL6{a%k zLYWB4Hc>N9BgC1_K+$m%cT)h9n z39Z>-#Y*!&n(3`yCBg#-#&<$ytH3*mg^#lh!nmZ_4a#Gaem;l?*#R3M)8P>)LYLB) z-am45`x^J-%EY^8uP>9sc!be9Xua|xkGOCtc(@D&P?bV&NamL4MoF>gT1EXU$b~`H;J;7y+r}o^V7~s4}mX`{W~&?o)-= zSBUuEJAvhu;%7F_He(H1bC!Lb(^y|USF}y`jBnu|P@=feMnmy3vf!E}C$X<~Y%*eR zb7E&mBL@NS{o(P8Y?m;I5P!fkD8&qGl?*HN&Qn7QI86sAI3}zJHQx=0H|M+SOn(2C zyn1cw{X@=S5*eRa?u@mTe%!lPo&*6fWgH2A{nwDpW3366uNt6U9+cfV6?*6X&m{&& z4F!PGv*~CNVOO$h#ylWO;XDW#tKcoXl=C&rj<1%}im#e8KDbeo1ION+;GHg`LSP@5 zXi>>9THUZ>tkoUYw@q`#h$RSRgwbT>@gG6I;Wr?>n;V~!>qY>=W3NUMa;gub5neM= zJR3*8YSgn8nL02)#bmgQ^>#9^x@^I!bq}oRrj2e0i_U**Ys`Bw;to}PmSts8kd|Ae7zJ>b3D{{Nuc>;G@Pcd6mt z&~`Ka%CgcCe|7ZIpv4d$d_j$!N`t(2-yy$*mUjHGY18%vXTeMcZ)Ij=eyg(O?TRHs zE?z@VRmgG*5YgQJJt6TAWSIXMxcPtn_YYPCzsXwvXH5RXV{-O%?1|dhb2LO3h%Nzq z*y}`hrW9@wUmzmNW+oz{1&(+@o<9?Gx3zMz`pdJBfVY$5x}h3`TA2l*zv{)X!HN%O zO}KQiHI{<^TxQD?SC*|R34Z1ExIt90jeR;GXvN}%j_f|s!Q_FSulW?Rb zz3aa9mT`@*bw1Fs*X`g=P;u#{f@U?$cikVn%9gS7so2q_if>suqu!M4RfdwTLSHX% zx%#w?dSLtJ1K*TN5Ps&ywAPgf65^u=&gf+NTS?Bkw+F(k_e#?@%KE}wev+P`FXjGl_uyuv`oEjcUhe_M; zto>?-rr==~qr)%{@3lRiYGQsO<|wd=nqF}q;jcSm)x3A!f2(QHx4Dh^NsFzp(Y-Zq zy7*hy6n>OQpqYtKZ*P7h*S%$>uLR4t`bsw^ZL&-BG$@Kz{dH>gv+#g#9xgJMX&laY zN6id8uAJ`*;o>J#1^4Mx)WvC&(+UOGc^}P1<;C@P)N^wm1WJB|p3YDA0%pS!Bwaea zh|}4vFjyvn4SIlY)OW7qn}eRNl%WDo1}Jo_X3F5~C)oM^GKk#iPS{0CTe(5b68TiWXodq`u*W=H*t{-Y|f9XSVzg_4rb#b!r!z90;n;|x1 zLzU9VMYkAeUc}hb7=M%fVVFjir>pwH5q>Az z2YjLjjIUV2IIokg$jaSlk@rl~>Vo?X(VJ|4ykB+8-g4Dl6-HU)n0m$Zqfm?0tk&gO zr$g&4I(xT83xry%Bd5-JYk}lfhR$`-?WFCGV_dsCzdINx3UEOv(2IlK<@snHT1tB(@%qfb;~uPF+RFLf52 ztKxmod!16kkZIHSjR88)!wHrBF=v2Je)oq#^}`^SS~hOS@Cb9WcWc8!>SiO=j3GbL zRV8ZMD2lhos;H*Y_tG85q%r%?hr9i=%tF&3y{rPnN1I+trZSKBNoZc3J!+6dKz^Ja zF4h%g^fqwy)_ewB;Hbt!)$4YLWV54LKap@CvsX}8yUBb%+ujV#mzdAHLhj~DCqOeA z9Y3>5{VB8gQr@*(YtC1~HmncdJSWj7D_fs07N0r!_@!cTSBu29Xy5xaKRih=?L6~c zvYrsn+qUX=4RlAxLk39-t-jIb3`g5X4Ui_L4|H=J+#I54I?8)B?kh`85fQ{lQjWTN zVes>NpYUg|&L*_0Ow`+|^x&M%SFJ?NtqzEZPH3wbbE#Ol#&FH%_Die3$tAbe9Pp6V zkL4@1S!O7=A4y}|b{*dib(st@e@_f5Fs8LOAK3O!O55(V$Pgb*Pp(+i3g*93@Y~S6ms+x7&Ve zn!PT|6F9vn2}2RiHn8iMUe+V_w%&luRQ}Vcs2wX@^3}@Sj|Uo%W3EH4z5dH zQ+~DQu~*`7EK8$atGan9IE^Y*wl`hqlE=q}LT(tJli7jy9qKpz@Y_X0yK3;Dp1}f4 zDtx@il0UpqTt9F)*F|0ah>S^`RxT|aa*QX+j2qp35OM8Fuhm7WY&9WfihE0rLW#MC zR#yqdmP35!LMA0`QljR_(@j}Y7T=#dcZF=O`#(FZd9O^VuTQ5|u2u8>?N}4Y(BI|a zv#q8R+wM0a`|-6dw>BP~1{2A>d!SHrLIo@dr>AF${ zN|JedI?bJso&3qo?~{xr^Jn$?L_xE9nJXn=C*b}wX3lW@lhKpArq$eE@h`{Wz$TVt#kN*zd*A0)|TpVjfA6dJN*N>ZS zJZ8^e&S@G9v!(>g)=O`KWkj&+zFw{}lWbod-$D~+4<6aoJGTbT7QeHrnPi3+LHJ)hnah{HF0=1Z5-la;E9 zc(!rxSZNT%#_MomoP>R1EP%;?mC*3Rf8^W36vV!1v^}us)VK;dGP1F-vb_Ou*mRA} zfcuH(^-T0^C`Xv^J3}YPj^cU(stF>~Rr&}e;;oOM4Kr5p_T#;iYk^35!3Li)5Q{jx zq>nWmO|3GJ=(aU-YH@$$H2rjv;NH;CW`6Rr|B%UO2@=-4mv|uPT-i>>C!5cgl_3ZI zwzugm!-AM%L9OpsE%8FUQYKQwCklD_f=a(>q@21;nq-yLM)eHad|#X`_p3UIn{!^N zNXetpUmlF=>FM!Gb8z3ENI7*i3*Q2pI3;^dZo*DJmOvXOHU+8LAxHWegGWmX!^5Zk zI{9W39wb?=*txIr?zo0p#D?K>Yz!Z4#x#E56o9p*)WJc3Y=5R$NZJRi_RXUWsnE z=C}=3q1I1p${Pz(NLOX%&!Z>KIY@B7HQnVd(>Ha~bKf2lP+fE?gRw&dZPln+ z8fm1FMm^mb5aXZI(lr$ZT`Vs)Ja4h zdwlqv^!Y79jtXYK3$64U3UAmPyMo$-INyT+u6V5;O&u?flgQnxhQ=YE1Au0)4^OW_ zXjf&bZE-BOk%6~6UXjWjzdxWWyOxPd|H{>#9}gc|=rk+-BEEAhe*ZvZW-p1){Wkj9 znk%pSGg@?He&rjDRSR#~%=g%V|D4Hq^SvBN*i?kVZ&~7WP^4^V6DjSq^5BIJ$$<(& zQSUPtRci&=pM1vR2R`#BF1z6mhhotGpy<+{6a-8{j-UBpsbFXXX(m(ouv{XbRJr`f z3M!RI>SRs=90#0#Y2k*XH4MXSr8iCMLR#urOr1`fueZ~Y*J%igD0)n7kCgGcqh}@` ztZ6fiW;ASF*TE%(09w<70Wd*jdcVC%imxg)b885 z%W|Zsiu0tG6Xy!(E3uZMTeg!pNnyCnlK$0i=yzLHZ(p#gYL7e_`w37EDSFI*;5?t8 zpwA7(W8kI?VmjevW0&`4f18Y%>HjYC=TnVl!izP_)*G+5B3f<{W%W)wH4h=#)!5ep z{l1>V`KWO&T~`!1`v+iQ#!05q)!O6#Ty_#}MX)P20wF#59jy`Ss)%2u069%Id}$4I z0cA?R3&3u4h%HM7uY1PHdoFa=9foaEuSDalfr=b5m7{fWG(+@L@AK#dU0h~sFo8(X z@!&>VaH>|@$1Gm{=r+88*gnWg?4ZbN_&}(Z-07n@i#<_fq%5H=ioXgvMa5k9*auYX z7>fm!&yYe-i*zYtacq3dajci<3DG`nwopM)sb)XCW3po_{qECw@oOd!of#y90)+C$ z3!DpT!E3}ifxs%4U9p{p zzmFU3H$zHLUipy;#5YEZlsZOwDfvZl^mm;56aTY)Ya_`?p0CB_8!WTfg8omofugtF z3gKvm>+{Kj$Id#ZKE*uo)jta4cU~bzcT|)MGLKP)N?B2|)C%&kbacO~i?he36558G z{0bo6DC_3tkCI)E4dBE62G5e@jvj?7xMdw>pP5I1%^%B0Q1My_vZ~aGSmOh#yQ^VH zPh0uRQ*P`_6xBl)@(3@9hW@eE5@m+x{t3wAQd9u6a8A=!*F-nyOHvztf$N{R2z1N? z#ok6aAUftQ_rDDazi4@7@lkSbtxV_aE0klY^5H|zxi4(Gi}2!e2%CzPduIwJ8bfK2 zreytq?ExflAUKhFk9ES6)7n7>6poDmgU6YG-|P4JSb+&gk-1y%d~65?r4cFu<@*7X z{Zce#(}Z<0Iya*vas04@R)92URg@gQ>#aU>at{WJZXB*BVH94*nH7jK{q_=dVdPbd zFB{NO;;l5)c9sfkp(7s(x+>~1z1&DoEA*8+c#}yOrEI^Pf5UjKJ?zv$%vZ&TTchFR zP#VDIaoM{!j@~Q75N}A}E(wA2L0Icx#?Q|8i|Jm2-uJ8ZQd^g(sAbiV67dIw^7r7d*6B)z-Py8Lj zlT<@PPn0Ou)_+H;y29qWLfm;N^-RoaDfZL7jkCsy*x-UAVKljv6`O`oeXc};t02IB z-f10%$|=$)QC;vAmI_qUOHFgyaxlD806qMmCH;adS?X37Ddb2vRV(lPVXEulJomH2 z1CLmG-+Lr5@gU#ZK6{P6cBST@Qxc1E2K`;!3%4ym>LsqZ>$@F@BD8wPhQoZNqog{9u zBEUb2{2t;pr=|@rniX!7cKSL1=TfHEC1-=BZc`vzy-|qhvTL3EaP2Q^h}RyTZ$&MU z(P8^_Ch#EYZ}`C7u{=KPBWKs1hmJtdp)g$B_`b27qdhDSJCR!P1@4TgHPXv>p_sRPU%xhD#7p17 zQq>2d&_M)QL-DQ>A+GmhKEz#kz0ceZKbZ?xL*_c@?I$x#-rC^TMGq!O7%C(u424}b zoa@Wc2ijoS(VX@}=If^jv7Jv*q!wi4-5Y59KBvec~`I>_Man;_dum zNIX|L5xP|G*aPkE!%4RTWpCMT}4a#2QSOS%0sR5?k6X!(CJWTM zWDCHkw)X6#D+vPjbS8h-4C4{c?6g<=?7LQ<4-(d$|3pZy(ItC%cV<}#1DnGPDEC9{ z0%1w0ug4j9{^GoHXDWw5A>zK10i#FgHW1Wy3MgFxcgb!`ZKoj?@fmq{uNdIbB5M4Y zo}Y!p^0;5Au|ZqBsZEOk2?GP(`h33*ya;(#8OMnB+$=TDW|Bc*p6v%vQ3{T%(F3b* zpNZp!-S|C7Nw!U(scyz??46GZxqyjRyVt{Xm&;zz0HrUp83gXd$kMx=%eqUwI6d|aWS(}eKg5oACgL}oy)Y`9t4QMyG*nkjY&-D{ZINN0+T7~%GQj9C8mOakKz zVR}tc#G>`(T_I9qBia8i!R6`8p4uLzPT`q?;f~@Bm!|rD2SHvXe5}WtRetVAMMnSo z_ZpZEWuIM*`DJBJvY=vy8iMO7!ffk1RHBSn#XIoSdLw`RldLawsQ_siW8KZH(|bv! zFzd6o1s`Yk(uzvTOMDOgNluov3tiI!!_Ipi9H_Zrcufh{XE)Qt6;9cHYh@&|ONvw_ z(?*BRJbYe}yGLveDP}q3wgfpQD2tIawZR>V>yzK$uhO8`1B)wQ7%dj`5P`6b2r+oe zsKh#cLk|tiJ{}BWOJ8PySJtwd4RE##3cC5#Km-iP5r-^vDnp{Sm>%*+U|`VtVu63X zJLrZEV~riV33rZd_|P{z?KT+ZVhouA4eu8dTRJapO1#1CgwDvj+%`f+!ryzm5Ye#X zjdei8KICQvVcDs}&|2D-13Ty_jAZI$NL>lV@>%SQO9p~*4V?%;&oU1Uj1Azh2WFkO z)SjU~g95S2+aw?cz*2?UOp_nNtV1&-6|(e#xDXk}L_;_E8hw;SW0n^mIsZT#avVjJ z%OIzNOqB0+c?3pKVTEy25Ty)ZHzgn(SHl4+`uLplbXur3F0-}(U$}I?sa-TZ_d_jJ zP!mHnGmvXSmKUGKl=oE6vq7={-QVMG-X56uOKR2MLabZ^6)t7=FDwhZ^s&cUTo48w zBHvE{CEWhR#snhlC(e~FuaQZ5q% zOm?iUi;N`wHYKWLDHP(L&VCyn+h>EXK=C61&gC|HJRQcs;*(rGZ|C0Y7do80j6nu| zyyF909%Z8d@bl}OO%B8UY*6v1;5c6GIXA|OPn3T94c+wm37JqPHu{F zg4S5b|CYmw>F+u$MP>>dmNH*hG&pkOc79BH4VX80?ahkntB^WV99aF=+QkC;3Hl^@Z+$}!t-x%Z?+bD)*~kiPB-{C(`?@656Ry(!g% z9M@OCJ3CA*joV3bslq%y!r>-LKT{wDe;hQkAscz!?Qt3`dLm0sfxXQ4vvYY1`9s}L-O>EXT;ciUg^tBN_I&lMmM5R3hsCWO38;|M{h zVxjQM1KKfD7m84Dpj%NSZi`dH;1oYE!Tm!ws`$<`r4x|HHD}95KwL+&ylb}lE;%= zhAz>X}$WP*` zL%L+@)`zX1Ox%7;nHoR+&LM`}tZ8#Y7zBZp0L;JWt?aSi23-<}$g=91l|WQT59B|R zv#%OqFBCI{id+l7JSV$@8VwV){C9Hpc6RDA7zeRfB6RqV&=1zNy~P z5~1`lz)y!UeWqDG=&r@IX|J6=fB|IhM!t~_Nf=0_<1YHHV9TgS`6Y_;DJXG1djyym zq&elaW3#8j$VV5M)p;q%kf0$3yXY-Sy(~>fI{^A2%D7#X5coYSI}kU&%ChL|^Bat2 zkVCAd_c0>Iz=tO=@pwvAwB^MrO13mxW)^4K&EMIGtDhCI0RnD}kFPX!*XvSrD42jM zZfr(EM#emwR8EnlAzXONu~gj-0@G80enwfsnNh^8+a zkI`%E9ID6vsjA=Wcnvl)blDdy+0`iFc5^J-i@I;XhVTDoEz>bNri`1uJ1OHQ4@EC@ z5+RU2CVc$fwToH&z2NBKKvZz%wYV53R<@{^X$HC&4y^bS+hj>m`lA@3q;qrv=(xyu z)f7;DAq^ikwYrgcUF=~IPq*$Sc`$Ziau+0y<6k+G@Tq()$a#K;a%@=3QG&%SVE^fb z<*#>7{-Fwt`KWl!1hb|XjyMeF0*^0hg-g`2e5QvXi3oS&04GU?MR)W@woVOv=|h(+ z?HVC?D2hz%%w_Vf&ZY-kaY!~OC78L^U{ezYkqfBeLdSocx|DxGQ%guRMW(Itf+>l% z1cJmFeRgez30d@dSPdM%!F(e~&O3DKz!S_jbqGffI?@}Ep&BNbk&gLH?cr+3gzTyJ zOm@1IWs-d`ta_Z3W4!W2k)EQQ{zOZyIaaCvl71$_l=GtzLhiKHYl zZ7?4kbmXEhX?OO6c0z8w*rnN;K%&7M_Z;plHGESZS-5oMfl)_?E1*GogP`~Z{5^O+ z_!&aBxWQGmX$A&zV82Is+X-+|d^RGd8VZTYp<6Fk8g>xb&}jUN765g|#g=w2{6-Lv zQ1S3iLI~`~_j1w?J4Fb;-b4ZhX_6kofo7J)!H>O*F-P_l^3)W4-xAOI3n6J6?1YJ4 z8v_$-Qgtu~zdt8{ZcLx}k_Dnp5HGIJ4!poWkt$#iVp9(pG87DiaERCVE0*aY{=Hk71M15aeYeUEZR!D3JstQ9)?u`U)OJR=UN1i5&is3 zscOs-Lv#R8FBY5NfQkl6!iA+eS5=sWTaM^nfv!lV)&C?hZ&tqZU} zJ87;eL8l=ZyarT#>@HUx!*J5OC3-1<&RlG-(av-5{ia5_<<(wvjG&L)dNKa%SOCC8eM9eQ$=% z%Aux;NVDw&a;|j*eOVjyrl!ET@vlq+dE29O2@cR#%1s66fMtK-V_&43Xqpgz*75)K zlo<&rlbNV#&KOJ6&**Gaxr|BeY^H9{9*d|>hEro&Erytx-#@TJbF}aSt7feN(p5~f z(?L-NweF_WDB9Yq+8=@2{mZ5MA`FI+n^ZLQ%{zKrKZCG!QhCTZecBNgmc$-mKzidb zA0;p=XHFLz2g?xjBdZguf%kW2Nc)-D@z?*Kz&;QPHSt z;U8IngZPa0pT$GmV%3ou-X&`KhKNTTn(BC4jpfrO&rRw5N~5L9EboHGz%)O{It`I$ zd^QFGs^f#E;XxryVA?V(K! zRXds9G|sT+2ieva-*}fvrNNdmDRO{nm|~{b668_uh%G^$C!F*FCI?V_^9QM`(^V}R z&1ujsQH@vm0J7r>KQIDpTqy-_%b(XP|etv$)efuj0?rz`#4TGF$%Ne7aWF;y> z&ydGNz&vZpedbGHl^X5yiPovJATVV4PK@00QUz*E5Pz+g=_O@;{e=UWBqH&u+fotM z;CGanS%|j75@-n=_>Dj8C@`+T2907I^Ga|=9Xg_a(j%p91ikQP0|&?BUeC3&#+ydx zPOP-k3Nk8nMw~SS?CX7p-h7rRc+kZj+0o&0EjvTwHJM+>@Gn6#e=qr zh&*w-oNJ@P4)@)^rt+-)o`fY61{PM8SIK6lz}s9oNDS9=Gim=Xp7i1D*izJW77j2p zhhZ^YZca$}RvIyG*o4cLjzO58$+VA~JM{;%x<0Cb=Depx;NX*%M^Za#7OW4%5?vHp zYY{8|0F8m;eD7!ouHdrc5(%4FZTfjI$1Z@y+p%tHr#1BAIEa=vAN48i_4S*;g_xn? zW6|CGZ(IUdO(TcXi#5b;z{!qxW|%XnV2#w-H+;Z348;PgiwVtk)m$`ox8XKwIO%V9 z+UNeKaW`w6SYBuuZ!)=-?i*5^&EfGUmis0e!xPA7$dtIItmNv~%gQ6Lka1|9;Bw3_ zl7*W>I#UWc)|p+?@xw!}vP0`Xo%-*aR?f?j3$18qt!$^GxBc9!KUM4{w2WXkbm3j9 z#FHX#N3)mxGoq*{+*6B}a(`K-P$i27Xb|yu@*&)8#EZ1Z!WtgTmi7Qa*Hiq!cqtmM zsQzgnFnfeQ0Oj-RWcH5nHIKsi#4Sl(azkHsCMW;-1d2Gi@jhOGIj!NRuqX^ua?q~2 zoha0{0!-m;s>F=Svp93yxLf&?`u)I2mHTevDq8mFK75x|z}KfU#@H(G*w~jVX0WiZ zV^>{RnSJ++;KPnqZ?`HP5_AmzMod7GVDDyEQ;VP%xiKxgxe;Ik%%CYUJr?U)Usg*+ zNoGPGcadwjA?IKfgpK!(10Tzhdg+en|Lui03%)^_-iCv6zJbI49lvtZOLZPUko(Bi z2Yn&q)dY+)R1XdFKV?sE5auzsm+rj0q2O}FCPldzL;N1hQ$OnX8MY*TWMrY{j*7jp z)awR>B=mOM6@M-#<42ng4%N=7Jq}kC-$oInv^o#?ez}akPq7R?;J*94q|P{~6JEpI zKmf7unzRdSjZ{N%Oqr?8bIP$?S@HO5NxqR0xT6Kog=cTm08Cp`X?`-_Z~L#9B@I)RYZ=TJp}fII31 zfzI>M7y&g{2)|%q%uP$Qi`~AY7Ra+u%t+7%i@^kckW30~AO}P#3f-5r*0#mU& zQx51vuL@EJ6^d9n*3UDm}?n7KBT*$*@_rQ4Tdi-Gim^Vbd==VraZ?~{ zCZ0y<(;EMT+Z=>rCaN)=RyH#1UfVXWZKgMqe2Xyx30uF6{`~4B;eq&nR@Fn5%v0|p z-zDesU^B$scUw;cC_l9;oLEl9TE*^lcR1_T$DBSy0j{IhQOK0?9nzZobaIq#U8iB( zQA~_oMvPLP8Eps*%c-v%Fnr+}cNXVSTe4kf@#pS9aXdTHpuW2=9CQ59f8X~p!-;0lV$@yevyXV1I2uhS#R)-@*>x3ha{T&g6DPHQSJ zDR)0i!~5R`$*{wW1vyj$aWTS%6Yl^=FbLNASqq)42;jbZ;0M+dw~iMcgk?Y80qq~J zPs=RTJS8n6BxL{6!#+;O9zIBIK_6$W>w+(M%gg%9EC!^0l^q|HpH^?L4jaBPot<6} z2*O^j=o<$1)zwFipc{lt{QZZ>iOmaz?QY?JJ`Z3N!jW1BdJpehMauf}zsI_&$cxWL zq0e3S){Zu*Z89F7?Y}H7IR@e)-ik-BLw0_z^OvtTuNRvYDY0%BJR|5iVs2o3!8Ym4 z{=KF9Ru6C2rh)zP^Sfn(-yLuH`bR@gcPH83$cp`m$cGGj9v+^KJ0*jzSum1jt;@p; z>=1qi`_rY3@6-Krq=M%NlEZv*!{pe{hIuJtcNyK!yZtAi#^+Js&3($Z{RmLgrnLON z&-L$A$GsD8si}nwj5Vp){2Zyt_I(HG`}wrC^LK6=eBNMxM#?<}Ie0u@I=ue$b98ZQ z3*poQFx&O4_6XW4wwOOZf>8;PmfIWpSwNq#H{=v_{OnFIFq|e>tZO4HTez)jRo}qg z_w}qyCX_!p@H)94QY+g7|Gd(d z@?uEKTGeInRqOv98)a?TDbXOzUo8Ja{6FEZG{4NM{sQB!R=@`~ z1TBP#3&`2tR?F6g#nRc#_J1I|z|$2RzkIwS-H!T;+Pm7VMzK>xq)Gc&HwY7mGKdKJCG|eEi#`i@;7kHC45)_ZUh>(FzYtR z5j$uZKfqd)O@?Q5NMNehgV!w<{Q^TNNS>XV?4HXq(rMtp^AM%m%JDSh1h$$Nx7Efy zASWgTNfWk)jwPd=?#*6Q`{Fij^oOFQ5GK}QWmOb>k5x)o0lG$Ulo5q5N%Y)C#gtWw zw3y}Bh2)3FDds;H9=5*5RqhD_>7wKZK2F6d#EnU; zkbtZE!9&_v=)(PNNsy@=B{M9hx_1MjyO}KAvt*Ems9Rx0j2qJi0>D zc<1WxmzUO^U2hlYey=n=FSo7__3s$=3z0QRQHzfkDaT=MZb}`Sck5%OZ`U|1=Id{V z??w$<)gqUdWJ?oculpk}5`r)FTY`$UL7DgVGZ_yOotyN0pEeI3&0Xt}Ue8V0jU!Wk zBVU~;;uHbdKQr{-&sE^87=slyB06z`nPAEQ#?ExVIPr#PWGa|pR2am{)$tQjv#1n~ zTeGOV>10-9C{hv%vkH-2bPVX9U-=Bm!pN304sA+4+g>=er@8&yJ$wsbL}py?(C>!4 zpVY^k-I;%K8-DcVe?8NMN0hr=(F#muT#mg76g*O0y1F#ru4s9?>f!Siv3y){Kn?Uv$N?8xbZT)#8X=o+!PWB*FC^(2c@gE`kZGuhVXvt`rPq%h<6$fU9^)umf{ z(tv}1vZo1Tr-u86^D~Kcil1QQ7=2pPrLVH2?W0l0`Xs-}7+=;GHkU79^l zov}y8!9di!2btT=&-Ms&KWPJ*!pi0`d#^W-;$(<0z5ofRW4i=F?QTZbyPUn5o4t?a zV_rX+59fIA^sXjdVU}C-KJ%YuZ$-f5V(hzHk?ok_w^iL=cHbrj!pIEpBHdGj zJU-2yTpXXfL@KfeVJs@HOxW(5DZ0wzmR@$vh|zGd@k(yc}R*ylyp{nV#aqrpY^HWxqcLk>QUTnYjD=jlH7 zAFa>V2eAQC|3~|O^RO04={QV2f;bA47h+!Xu%`W7XWF;!w4TXRGgZL19>3QsX3@kL zm6?Q*63^rwJGhIKnhEstuaGtU@Kd?Qq@oWq|7Ib-6Og`E2hsc3Kre2WwItR~H2W`| znomLO>z^$7xj+(dFejhxlS5FqL;UsYfRLA^{4r)i+}qCajW5X~^2h#bs&F^=_eAWN zENLDr2WNAM-mfPrBYA`xo=~6n4+B3xp9P>%OC+Da?{y{ZL6nqUWaFcs)!<-`IP&kr zb5#vY7S>dqja_F_%tFp+^9+ee+@C?JL^cW9tYaU6lC)lBI@hLL?`9lne5I!jE#fNJ zW(mHdLvV4|LNZc+H!;eRm|xk$K?`bbo$L-ZcT7SFp1ujtApzO-$|&Z^knZ$plVB%< z9)2?_qAl$4Hf8p&>*`6AXVeBCeP6~0Jb)6c{;zA=B>!bx@!%Jhr}u^> ze6Tyy)eKKVX(dm^0A6S39Z*UVf#^GcP~89BD&X~~7viC*f%m^lTri^j*L8H*D>e0M z>MNF@iz7}%<-er`H`&5iL?M4Kf+eVj2f-9C!Er_QB|tqhS}9KzsfxY7ADKPCyh8hS z)4h4qWBujt=H}ZA`xZ6z^_l(B#A-R~W5_bL^=y}WHAZ*Cw_SQ6=L>8DGL2K&Tui}b`YO7%t^kwzxOy`!HZUk2n~xn zjPrqKoIIo;3^i9?5C=NRL94F91NdM$9uJ6}NIYo{nb=2`Efxz+t(w3F9wqkPp$|AJ z2OBq%(R-knoI#HC+fhLB$uMfQtAuSEOz=Qo?j}m6FYzc>ss@pJqM++&QfCS-* z*X_<V6(HNWz7O7Q8#j@u#Dx9L8N6}+rN{?r`?bGjDMa?T zDt6HZ|K6yMR~EUVZ<*rxy@2X^ZO~2U{YBL)le{CB;rC5tAb58dqhcT1PiL7T0e>X= zugf9eWZQTxPn%f%*@SEiF=7o4e8VJN%wSX3le(^0=apX!tmg*ie6<;sz5BUTlcS`lMd(jspw+c z_9PW^+t~1Gsf?GBl3Qkd#`qJ~ZNm2NQKLV{yyDGL0Q+GtPR%W0cb|WTDZg`(rKt2& z(2-hi6qWz5BK+EsJa=;>>xOw;S>&8TH`+y;Wg#f8t}@2{3&d5FIMwkTQ;D&FVp)~H zrEN|>_*FKkn%qn@LK%4)J=JyT4xxv-@~|71k=YfCors5Bfk@|2Y^YE7(& zn27PBii3=f!queO>w`cxe(xjyDmh|!Rxz)+@3b8Oe4p#-NF8}s?vqnT8;Yp;#K1SC zGdEbX02T()A~h_thAD`=zYNXWxJj_Z7jMB~)%S47W=eg})wztUcfcs|zLy_O^))}d zHI?yBJa?YSe?j?`DnH`dULlP`)#1k%sw%=Gn;EJ+g6s1_VHRYw^iLjyA($!sPl-D` zCYDy!Zcs>l4QsnlQevoY@Zx4Dm3S1t$^^23_&6O6t{ZWv@FV3fep>nKtQX7`u{^m@ zfxOt!SW(~bq8T^=<2utXh-cPnLA zu?fVngYMy$a}3eJp0m9}T%;Nl%E8`>Hp#)BD058Kkl24oG%fzfS+O+OwccO3_%)E> zpbr^e>)sm9PIs?Qz#G&P?4^KdB=jZn27W7x!?ud!w&YDZXq#>~yuk;q&1C~0Uf7j1 z{D12GuPW0_XyBTL0^mkqhE2KGt>FeY_s0#}?@&ygUQBTRZA}a!f2Dz=7!1-KnGwC#gMNf@p$&GB&@UIgA8j3qwlR}7yYXpNN7^0fb04;AEOW90q#wv8AZn)_;BK0591SAjj>o)qBQ95Gs%roP%K zVBnpzlmIi`@OUn5)J6lU;n89VKWiLCD!La#tqb_+)AFIS5 zNs$wfS59lBP(PnDH+H079)7iGO3_7^wXS!{EN=frb~#Ca3SvcZscf36m(!HZJET>Tu%4v2w1WM!32lfg0;+e4g_7Mek5cBqMlYOj5BG zHQUNh^1pc-T0C*ZIGrS_)}dP>g)NkDJmtR^MGA$I$j;&Bx~+abpj#fnpeAVGT)WS%5!9S$wQi6zY=*};*>B4uG*#5VyLV9FpPLIijPi55RLr%v z3I5y_w(Uq2;6HncO6Q@!42Zik*AJ6dFQ}YHaqQ*)sOT24yGR_g9y6dR?Xm6z0?8$ zQ?^j+;1lOeao91KZQwReBTu&R8JvaV5fjUq^h#fb`q$9|UBsYR?%y$r7PNNwQm4YA>2s4&v`Xyz-z&mzMo4+?0WHrjTstcqziDjs1*w_ z76b0e>Q-T`MuMgEO#^GJ0M*}XH#P+56|xr)JW=rKMXp-J!_eib0{N)>V(Mk2Q=yKY zaGiY1Um*K~8!J^A%C0EWa2I(=mvx;s711TogGk)$unKBU9&BgNkqX1q?yUubJCWwH zfBE}F;&eleCoO^_!4&p1c>Lhy>YI#18&fFtZ>&lGv7K+C0&Aw!)Y~ngSqOEyn}i?` z<~;YuL*{#1+Z_caCgWO4Y`u#?sgffQME6ypb<#CNR4DVF$S(#7oNDd>6g{JbWMIK5 zg9AEE*Kl?rJH@57OBab7rIh<8K*suVLi!}~)W6N1-G+N$h2^R1Q_!D8&gXNwjX6QH z!|6w%UdrZ12MO)+(7+>e*tkoC0LGP5sb0!$hF1#oVY~Cn*5Qvf=JqtV)ueMBeVUOH zMh8JWQwXgbRUAw=p(m~NH`Z!=J^V!`?$6tI8{u1|->5_`0D9u2`md!n%1WoX^WEOSGU!_w*dX1v!D+q*7TJ&ZB?ryqtQQ~!KB zCII&9@+1x?6$KG+Xg*EDglIkw5OgH3L<@p(^`B0(BL_IWc{S6U2)y@;dHaxI-PQZ$ z-~t9d9*t!$M3PtcUzTubRUk?V>Jr`#$G7j;NYl~BZ5#V4t{sjSD!%i51W)_L@4{Px z(;5v29XB=|cg=UJ9UV`1W}OO^N9xVQ&Lr>s=Me#?27=27i{gu=60vyp^>S2`&G5qL z&w}RCK{L?*5j%JO|C{g@5RP4JvI}(hMS^1%cj}XUKaXWkBbmuAxcMgkm2}is^8q1; z>fX}TZee|*ky7VNX&RjVAx>T+^cQ}hGQa(TX27rj2cES4o-zkr`#82^Fzb&1i*yS= z7zyAi9f8Z!TY2A~lJ7iElhU5sZiIk-g{&MXz{~mOj>?my1(TrFPczLMA1)IDpbQy4 zxg+c;4%QkQ6&H3#g|cIGXreH4e&Do|mhOP+lc@}});;20bQaM!g?a1OXBfggS8!ln zd{e8R8JaKT2t~GZkTgEtP-t%Luu}K1ic?_r?cF+xPXLb8y^rl}I)d$hS8xGO=ELl5 zVh*V`kM&!aSv)w4ad;CdUxvdjo!@t=t*j6-Wn)yKV*e(Sf6h^+T(X1`IpR?Y&NF7P z>V2>7TNnAP0kkq(C~Cwb%^%TxpY>;Usx@nfK*={%i(hqy(v2+<2jclYNXly9ZJ?Ix z5JXozpS0W}-Izl`1iO-HaYYeThVq`ij}Ss9pB2`R!w-cNLg%Rt7JT#ee<-KsYZe88 z3yJ0wjF7Bc_S3IhC(I7az{&>7AhuThFXClybhUJt#WQllDMG8FW+-!rX@|8hJ1D(` zw*W|R=2{38YRYUgO&AD)ozt{oayNkBMa6=wOoF&#!te#Bc0>c3YsI7j0^xB5%%X+3 zS4@J0nyqz6{?_#Ybd|hpDw6K1*{d_`%5K75_SZ*Jrv464D2kY3b*TQ}kxLWK8}aay z$z_ek(8s}{48onR>hYl*{)|0ar#w9bQz@ddJwhmu&uX{YD( zo7fwwda?2>VLw25Fpe>`IH92w*rk>cn~}-^5wTwI8Y z={QHKRqc|gjPx_pi?WO9Nqf@^MydpGXK~n7zstGk@H;XQhpJK&O_y10Ltf+n zR~M4hU)P1Fid3?p11?0c1{XS)gA1uW8O)ZdJNnHw9DmDs=t|6ktdHiXqI=tJ1`Wia zsGNRtL?|ruALL^&A&SbD0--?A=Je|n;J5$x~_Bk_o%Sv5lE|B_oq1BXJTC(z^y{Z;=^=d#ravrmI zAf}ZQqyl|Lk(FT-o?DqyWg@8P&^Wp;9gAh9FXo)TAA*saPiHms>I?bTKx}FhY+<%l z{Kd5tBBo1P7!=zt)Qhr8xo4TyUzNN4B?>$iEGU;kYw}=YjX}%w7*f~LTJg{_SV=X^*h}DO*o={n85zt#YsnO1{@_|M(K|9q?gIeXZc z{f{e!zxvvsb>3#*9`z@Y+IP;oxMn=vWVQXYdPV^mg+14i%gYgF*+9l&oIE*I#{@&a zx&$C(90Y=gOhpHMvh*I9k7mNc@AQ1$*^ZLCi2hIJL7QMBn}ng8$O2UvxuXUP%K!3Lf+4&oc=dJ4^Ck`+xw4wFV_Wj6{b(}H}b)#V$6mQ589PGSrF9i9ij zw*G6k)@q+4fON0f2vFT`^MwMc0}_Dmu)UnRb^fxB{)8w$pdA$#2LmgO00kBG?`z|r z->B4ewBCqBFWH~o&*(;L$YZrylorSA-I`N{@$P#2gBe`;TSj+p;-7c4`~t0!OVZ>u zeJ0n0)e=-avG!uAhsWAD^!C-$iSnB^*<&f_H%h}sPO+DMsQV4jah)$8&99V0McR#` zqeibsk0d;Trar}fA@Mf9?C;CgYU5QYaeIn5P}`A{$#&l%8SOyM`+sx8{E+nDKL!+t z`f#SG51VvrW45FsVWoqQ6Vw|a{HjH7z2NW;AGWJUgL|1Lce%xK!e}V_BY1W7d^3Vj zvkm@iQt1^Kb`PT(zu*76Y4-U>zPQhTu}8;sqT52C)k2`t!dq|WXtQZ-y156_G77_t zwP$P1*jRGnF4bC+?O0$MPz-n5328-)7Eg)JE7>l%gOPUUFF`d6jTWzj&ReXy9%@2g zWD6$BM#gsaXhKx@F3`r%SNE(6>p7~w$qMXS6*hy3U;h#9U}F3~q8m&g^Y5zS1E2jD z7{>&xSF!p91Nab}uB!xeQh|(E7%zPT+-QXcaHo)=(>9ZruHQ1k4m!vce^_*Z{=UFF z5Hc3L+5XBus@{Yd)5Iuv=0d6r$F6oA(9f~1rl51(fcMq7Nj#YNzmfhzn>+fBzP?niyJ$qwSV z4y7^ERJ*_jOmWAI(hr$ zwY;ziEMyti|DaIWWt%roHO20V_+YbXHtDVfEtLY6_5Fm&Y4AFfu096wTGqAgisD<0 zI*X=@-q%reu#b>t*)aDiXs7P;Z6bHXcB<>_!^^Hr4CuX9yG*`lxG|L~Q5bZL0EO<^ zL+{{48jjwsh~x4Jj>V#>3I!Fb)Bu{SF}svne{Xs0?r>B+IOp~z9)9Bf#62 zBB4a+P9X6{;>jBG!wyrK>m5^UZ1ZkFE8x98hVJZnyJu?+A|_cjQhkBU>=g{Nwohf8 zeT)_9`weg!TN>-|adrOegaGboS2zWKe#AyD#=p6N+9v(BqRY{loyulK3!z8H@I$qr zJGKR6<)bdOO$U@aN{||+sS0Dpg$F{?);*r}U2@b$H+JE$<#Ch`?$~DYNTzJQcXSb$tI7Ob9=5(d_xj+VSH0k1y9uBxVTKUZrwL48 zs&{s;;dTchk-IzwQ&g_1G@@*wuSks{Mv~G|7_Uio z2a*kTyMa$JJe|T`GC|$t1nq!^I>q&nuD$|6Q(rp*MJ*~ch#F%Hxa!^J>mJdVV@MqL zavdlSw1wAG5FTqWaHg(4#Uot%vVmK!+Xhl%+aenk=)1Kf#W81e35jdhO~LrU*rK!3 zeNw7Qh^!~vKAXs`S;b=h!f)}lz{oGqD65NTvC>tfgh2%dY4i=+K?Mu1nYE@HLPBDH zAnnc?ZbK6d&!+e=+ULYe>qrC*)Qs|a3)B(QWL^r$jeIe$P#0-p4{|AaMHb~}i#P%d zS|uWvNfIFpCD^e&`?gF1`+iB|>yy!Vk+oIfuxkpo!+a6OS!y1^IA2dF9b${#*3q(j zXrTbX_Jio=ufp~R)*7N$-x7qVVoO=fUO+!di9vypj(zp0DPua@r!?mVJs=D>CgSnG zh|dpVNKLCBtstZ13B9l=2x7==yhfhAO0pn6-lhKp^w>?>oCNE(rr+qrcLrD}4PQ+(YkBnLn@ z7fK-fXBHT9A;;_6hS3akCE=Q%FyJxLXMJd)grz0Q(&g13FswhAfmwd?$San7ipw3M z_*<4zc)f~ZL(V+E+@X^bbS0~^++wECu-}uJ{2OwI{+6Axbb49rcd2R>=lTC1ga($5 zu4Hza52XKZHkLthjqK@!-Mf>z%tb2it6rMflJU{jGRWf`PPVf`NRE()h%RzuUWi_! z&qj)Y-GKfg2 z6E((f_T-W6AZv(69?DJm(>BJ_?8!}WODU$P)DXNPW3@_6@$d7Lx+;X#Hld4aHdV*M z8A7*89SI0z`j}Q|le1y#vv=ioWFYV^BGgwAHb)E>(jSfIL!9bR+a_~!Id-As6mhbh zOqA}BFpn<=UjxH!_>6#>y(-d9pPAaIh1yAFu^WVj@-U2ad7|#J8m$0loqC|1K?67A zVy(JxHK5^fyIjOZzX4)v%)-KYin;HH{GX6XLuS`E{rd2;Z zVAg6<5;Nm85u5oV3jIg)7NHiiF9Uc$p1ABJmz3v6gz!n%)HS1`{;pLoee3ae$2cJ1*?-;EQe@ zUh9ijEj^Zq3pUt3yBHc+dbp#LFil3*xrIt{}Sh5nhR!pLL?oKZf(7ton(;^#sB4wnXTYFR@w%@p@21 z!@?p3w7PN->jynw8tYe+s3jqcj3M?p&~edZ#Ty!M=rWV%i&%Po$H4+Wpuhn2Oj>ls zv1QDh@TTAI!havC6#IR)8ad^IZn7y#Krr78#0QqIa41K9pO6vK{Y^Mtrz4F^1r#HP zP|&>|==C&aVj)J=kYw;^nFvD7pqv!spj&=9gU+-TfmkK2!ZW@ZZ%t(_)I<~b$ zZ~x52oLuE#Cn7wjb~-{5(Yn)`R8L%yU*nY`u^1DVpKuJ^up%sV0P%7J;bCh?`5zzUPd`ev?Yz$?7N&@~tqeQ~J2Ce9m2TZ>6Baa=G>B)0=hrhrQFX=04br9SPxQrZ~G)OW+ zYh?p2FBU^@==Z1wSepD7AoMg2q>VY;<4vz~$7sE>S9^(e)XoT7P_F&#z{-R$5nA5A zR+cDZVl$~L|8r{l|8s;II`@?Ci~#rTtrD=Ka1 z&Ztok8j1C)ROzyCl2_+Vr5p=J(PXiKHBRrP;Dg0#U5%bmZn*l?Ng5VQOwnfVz#IDc zW38Ru89--0PyAd0pbjW%B2d)Lh!z^^&9s*BjKSJ$CMnU9V(wdE0NbvX+&!d15}Bvs zG|!E&7ABrsJ{{id@X$cDCK6E648(AyicG44%?*{DR7-^&Snp7!I;qt-Mkuoze=dsY+@M$Z$0sO3%xof0Vb3-L zg~%HBWpNo$)ua;vK2AwjUVsrtrpvU|o)h+RkRbBQ@>LQ=$*Zbhb!(c9OvmM%f9;!SjAdN*9o5F;7OIx=63(CzG)3 ztxZV=dsk>I+$0^v2HUl32K&-C=ulZP(LC04*_d^&jEvIs`i^u;vjW3eJRrM>X~_h< z`=SbFnUo_pY)on?&?yIt`GH;{EKDv|)n4&3N@rsau`@h1FP0sS_i^$qm1wIwnv(uWvUqb#@v$PIPcL^BZf6Yp;eQ00c!GXIp-%RBM(IOH_5vp<@h^qU*H!& zQ#58zG9$XY-;0ix(wz5HXbpJ~Zfo7Om-XHY$vq0x`fA({z&g3g0AA&(f4wGai;87f zsGJM6!N9*n{z_y!du2sAa7eYYb1@T5f2sb-DS0E!{k|(4cMJh>IC}fNoJ?`KRB~jH zz?J9cP)L7$TLLo9k~%*~^jWyb{Te|I#A$rB?A2xY1;f>%vt}~BKtPxW_3X^xiPpe5 z^X_vo_kgjEuB&cjw0(+yUA<)Clf*L>S*FtkCF+AboCK^*UZaOLL?N37@{+<5bHffZ z8bd>h+eyjEd&>q^8X5eusn)hBQTqtO>9fdEPQoPexC#H29Dh=^&zG?1PTGu;UNHr4 z52|@SsW+RMQgcBZ*M6K|aMwtUWptG77tG_f{zyCas*RpPHE?nTKHS3wQu#w6lsoA) z_s$@+imq9mSv^k!kAem-4VXe&LJA*G13g_-|96B~8Oamd&X~n-PR3@#(9FP$6gD!J zM9TWbYBPM;zn6C$col6{) zreu;_>Q2@MF$zB!rm$RKJfAz(vXFT+th|C|?lHx7om#j_kQ(2KB|!@6ECEsyGl;$i zRP=|=U^^(_EX;*fLT*rHW6kcntUIW^5%dxI)jwz@%3<7l}iaYH-34UJjsc#*`9w1)YPewstHmW;3{8KIWcLoDRu11Zh7r zrBCa!oH=GZ$jD^wcE?fY?VsGON`u@S6K_zYUzU$q^dMc!moIq~4Mlis>kuUw(Wa@v zeU9bb)9f4|&vPQ36}Or^8c5|X6cx;Sn1yY5(=GoPf5u)t53=Ryq_Q_(^;xJT0qr>H zXq0Ls7jy12N9S0Q@aUJ&i9{=t?6lscAQeHD-mi29HuyvnIUhwm{hhxI>W{M^DZCj> zmkDaub}Va{#HvOqzoh_xHhC2Do#&JkScM?6Yp1XCCSw=PH&qH#-JVd_gnC}}ne^hm zN2{s_XAz>Y@4HqaMDJC*-9!)Spv&W^6y`6t)R_K^mDz((VOU)L9@a%aTEbZ58Qfkj ze6zdUB%>=o8~nAq!F*DYpIQz3LLudAivX{Dao)xDv%CY?NF$fXA?(N(b#r=M{>39W$FiRGzBw8<}>&c4xTwfOa#fSY5tYNu@ ziP~3tCe(eJMO3aN6qy%_hsZHYt)#GNvAvN*)+dW*nOZC9m_#KXGJZB z7StC%0XKR?7FHod?%spP-*S&bCLGA~W9I17Vq;l&XmY6RN)lV~3|F4SBm(_Io?e|N zYNCaB9W(62vd~zIGVRvLey7EY)Tpl%-P;kRrDwh!mm_$JO!%*PWF0BhrGc@cc&X^* z#Y;^SQTojz)mP-vM>!t3`d>%%g=1>?`2CCV*>h70N^0Jy&bTc#SgMxHs5RRny}V4) zrpLaWKYwHQ`6GkMcBhJ1^6SY1-c+XpoKz|Z#=#xn$8u0xCWO})xj`@eSj9*hlS3_8 z;8{=0BUc77iFl6--bhpUiJ{h2AL%L|sWGRIQ9A3l$=QelPxUwIk&zHxja;t*pqu-{ z;4m@Amc*KE`~xHpbnJ|WD{y_qub{#cgjS+rIQ$tFhYEil&3lHLV42;OI(}uR-Z#-#mg*h-&4@2_Gv}dLy;s*+qnvck zPMO(pNSQ|sei{iChLz?;+F>=?M#AzIO4X)9g5FkZGJD&8mB*q&&RN&j;*_M9^3Ugb zaXo;1CWnTl=Y;HfmrW-wv{+W$UXht>Hv7y>JK_ls`89VVNB=4#yV&`^zFe>blPdtgNB2UK6@qtoBk5L$w8|$>!cOREg5L5}0 znm3R+F&a{h{%YyOy(-h)TaQt|*etK`w|PJ>0rGl%!J4zZ5OC*jn6O;(5W0GK7xSyk?AP z#FUO2guW_(U7AHG`PkT}`daM{;Ei$iOxcl{hk1-5tgRP?{6fYz&GfpM%uP^?E_GGHTugqN1KYT zN*=`J0^@eB4C(y%unc8vl^o0tvEx8*mNd-W)WJA;>m{hr_NEuu4Uxb2M*-~wBvW&3 z=!v$N9aDdC-k=c8Wtre{PQqs?fE;f@sOB|c*tpdKjU<-XN2s}V#&7U*dPEGhUPXPf zqrMYy3}=GcGNf2{v!=$r_0F;A`V`jtL|C4o8@#sP%t%~>Upyz&;y$<)Ed|fM8_VN{ z-+}B!3Z@c+@?C3WuwIapI>YH$ExB!#Dw7cqW_XH0jht$7QH8x9*}mI1Th5ZafV2%W z;pivoaW>h9bSDTte(mij>;}7onNYaJxt-v=0cs_X!c^idv^~PNUTkY9;PTwTVOYEcJ*z>g6zn( zHx_89H`Acf9Dd$Cl?eZ)rgIMk+vldTX!JaGxMo>9+9|vI_=OEa8%_XqhBz42oYNAP z7i-zIp!&j&SiNo#Rxu4gs=j82EDqvRaLGqqGK)u{VJ4>5Sq@X4hvj~eOokHLxqCS& zmTc7Z^@Ro>JY{#OPG!nTJF_AS6d`xjW;3=K{7rvV1B`;Y8D#=vyRe-nu`gw`PgmKy z4p@9jT=*qU?HsqkTK(l$)g|8JGg$#;2?+HF+zbiGGO{yIv9!l3Ov8Ly_@hU>!&;I4 zM=IO;GtwL8&T_t*PaBa+I=U)A6E{|s^e{9^}P3`vfXjm<`Q%i zymFCKq=F~G^9BnuY29sr10AMsAthgkE-i06L@N3o{IVx1ZB~b6#F|tws$=M6A>2P> zL-*!1hGB4|=l-)NT+;v}O2O!g8FuuF8|@s(m0Hrc*;SLtIA^)k`X_hB5}3gA=}7r^ ze2hot>OyMt)Crw8FGZ7wzPj#~j&#-YlvUc=7#~G?Ixg+v4zOR=7^s7tRX=XW$JZ|^ zln{=&n?6asw@tiRTWzlzd8;?ad(4FH<2m18p6EI^=egd1HhC&QZ$Nb-Q02Mb;C#*< zr2Spt_Ur}v-(JB7c@qMhz(GLtI6#1l8h^fmcLwMy{KKWeaoV8O5(B!>9pnR2;B5p4 zl5i}T=|t{(a)-rX)VHq^1o;g&n{{-=Yth&TiKvj%!kSnX z_QaRcNxwmmGEZ$cQlt&nZSO@nS1B^t^O}d2*G6zku=SBvjq7x9XpPSqU97m^YabZ# z7ua6C6@|O)PvI_bJiqld)l>XJG7q!fAyvhF&u8ZoWJAz zCr}Z14h}Ryf-&^x^Pgjc>A^Tq0(QUElm(N1^m4qtRk>ynG*v+OZn; zzUG(}6f4gU+~P>xQWfuG-E%Rt8~5yk`1WG46!$?MS!g?N4@~tXeb!(yC_C8foI?m-+E!y;FBb7pZ*$GT|w9+oXc)i7i6kOG>FUYybJ8%jUti88-Ug`moB%}Fa(X$ZXxs@=>_sqI{bKVx1GTGo_2>Rx_#(wu&1BmYRz59(Lw+RBS=~Swj;4hz6EsE0L@?sNUQ!i{h zCkoz*cIr8W+e+@mo)R*$-tcFo_AA6Ce@l1=Iu*F*oK+y5{<-mRSP%u}HLSpvDQ7mH z8vU9+54D}1>^g@h_^kdoF(F-redgpib$Y8qn9``Ns`Um@#vn$DC92(fElM}bg}tTY z(=oE_IfgWCwL;Ljn%0$+m#wn(v<(>UZ`7riUn+*XrKOZ^Plx!MToEI6w|9qIC>}1J zj>hTN4*f)A>@vdLZD*MdcXop!nTfZaT|?xGyeCc~i!g*MT74lGUAD#`U&cbQ=VX}G znhlA)uVx(w2E6M6%s)G{H5}LW8GbQnvVnT*p|iM;!Y6^lbIHDCGhgg&o_yi(s*}HG z>Hg_G>V3ewC&+(mrpCMqKD9u*4GO@fiUI-yYG`fnm%#>l18cj#S}8#;1Smx|2r$e4 z-yuD2O=gJ!*=LRX#Jl>tq&ay8vY_eLeXvPYXy3>um#gEv8&Qkl4%COWak12DqRiXG zE6=<8WBbdxy%r*wb-zX<={U+Fi12#xw3~D<4J}D&3RsG8)C5+BA}*Nga+epnB)YiS z&k;?C+-5K&sgeWvX;TQf!`QFvz#CwuM3a*}syi^T1v-tS2SjS1679T3%--ifzya-I zTCq&F%MZ#OGrUH`#y!}}7O6H(HDx~f zI`7@%Mbo+LD3W0^wVD8-zAbK4T;r=x`C&PkV7d|&CSOs5l0lnY?aOKRo`v92ZuQd> zGzsR)CH5EV1ODur-lzVm?c2T0(l(kTk!?G3o4O=;L9R5BdDhu7WFBa_FX#{l4dxpA zz-42>4j5e8edOoa{26D92vujpOIMer+(cOw2=kmea+WzkQ%uWh8?}rhWHS6P)kwz2cv0-p6qGmgCPy-}7pCsB3+lVBezlioKXxy(@hd zQax*Zw%#Jxr@uRAr+5bYH$`7{-&KeMrZgacfFS=<(e-R>e)LBFr{{mS?`ah&>m>&G zcBFZ41`q4+6CU*ex%#5)*VUDfn~nYaaVfyBz+cD4vOeDAl~3C@SuwwZFtH<|4E1vJ zK%uaEmK`(!?}Mu-v}F_BfZR5Z)2ZZJi6>mEN6DscWF+FhBDDfVX>UIaRJ3XM%Y$w?LH^!9>9wE z@}D+P(vH>{z(b~uD336lMt?{J#9aiFWWczp%*osAMr*r~Hcu$iYdWmxMtVTTIw-(o z8X$UD`Y%n!lV~M*pu;hyZx;Cl?89r|C|4m*elf7nV%n4Jf#=MAMMfLFZS127cJ(*QyQu-~POS|PW z^s3mT^PH#iSp4&Lu4Qt1Xpb|f{l^Vbu61|zm#f`A)1r};bNdj1$e7hWP;uHE58QY! zo%1vQ)^oVL1()c}DpzdoKAUFiERk#A`0rn=4LR^}y7d54D1coO9%W_I_;^j|X9jqv^{4gKZWHVDW!WK=A_+ zLTZP7ijbE_xz_doAuYzbB9rVAGg<7n2)xozUXM>^;Gw;J-E`;^U2k7EuI!1pf9Vy6 zy*NfI%N1l}2+OywSQy2oQHf_r92VtNr8LNNs6DkHpVo0~pS|w{U5P6}^!w<6jU)TS zv%$p{k>}h@>=j=9h6jZJ0r^{*{?eg8f!MY!w^Pg@AU*Fu|8lAL3rh%8*}v8V03V|qErG@VTe*mG z>U!Ql!IyzveQ|$bfm_5}KjD8D{!fyB6@-n7ks1joD+6$V^<#|nD{S-pWHPe0cCfN` z_r6b=zlGH_Bb5f<6rCDDfgS?%)cZDR`Rbv2!aV4qeANh1@hyE`Sa-C zf2N8*(Ut&1Q$2c9OFd%%Bb}KI!1(WT_lqOR;X3TeDF2L}_7 z<0r+h=JTgB>0cBN+0cJe{OMZy&nx(+Ytdg6^hG}@{^@A+Px$Ya@qU3pK&nQd|IJR` zp9H_#o%<(2?C75azpT*x$?~TGwqHEsV?S&0n>n^W@qexf`i1w{|L?Q#pA|xXg8!V& z`~`l2hWYy{{4uxrC&QofEWa3vUj1bFZPw*a{O<$6UufWc5eWw5e+&ozg#Z3n{ZBYM v>ObH=AF}^M|K6AX6Agk1^A8pHx1L>A0uty8{fEUtY!GDN78LdmFX{gUR27LZ literal 0 HcmV?d00001 diff --git a/moneos_2024/050_hogere_planten/word_naar_rmd.R b/moneos_2024/050_hogere_planten/word_naar_rmd.R new file mode 100644 index 0000000..241db88 --- /dev/null +++ b/moneos_2024/050_hogere_planten/word_naar_rmd.R @@ -0,0 +1,19 @@ + +library(protocolhelper) + +source("../pad.R") + +hoofdstuk <- "050_hogere_planten" +pad_data <- maak_pad(hoofdstuk, "data") +pad_figuren <- maak_pad(hoofdstuk, "figuren") +pad_tabellen <- maak_pad(hoofdstuk, "tabellen") + +convert_docx_to_rmd(from = "050_hogere_planten/INBO.MONEOS_sjabloonT2023_BV_hogereplanten.docx", + to = "150_geintegreerd_rapport/050_hogere_planten_magweg.Rmd", + dir_media = pad_figuren) + +add_captions(from = "150_geintegreerd_rapport/050_hogere_planten_magweg.Rmd", + to = "150_geintegreerd_rapport/050_hogere_planten.Rmd") + +unlink("150_geintegreerd_rapport/050_hogere_planten_magweg.Rmd") + diff --git a/moneos_2024/150_geintegreerd_rapport/050_hogere_planten.Rmd b/moneos_2024/150_geintegreerd_rapport/050_hogere_planten.Rmd new file mode 100644 index 0000000..57f0255 --- /dev/null +++ b/moneos_2024/150_geintegreerd_rapport/050_hogere_planten.Rmd @@ -0,0 +1,199 @@ + +```{r 050-hoofdstuk, include=FALSE} + +hoofdstuk <- "050_hogere_planten" + +``` + + +```{r 050-setup, include=FALSE} + +knitr::opts_chunk$set(echo = FALSE, error=FALSE, warning=FALSE, message=FALSE, cache=FALSE, fig.pos = "H") +knitr::opts_knit$set(eval.after = "fig.cap") + +``` + + +```{r 050-libraries} + +library(tidyverse) +library(readxl) +library(kableExtra) +library(rprojroot) ## workaround pad + +conflicted::conflicts_prefer(dplyr::filter) + +``` + + +```{r 050-pad} + +# inlezen van variabelen +# pad naar data : pad_data +# pad naar tabellen : pad_tabellen +# pad naar figuren : pad_figuren + +source(find_root_file("../pad.R", criterion = is_rstudio_project)) + +pad_data <- maak_pad(hoofdstuk, "data") +pad_figuren <- maak_pad(hoofdstuk, "figuren") +pad_tabellen <- maak_pad(hoofdstuk, "tabellen") + +``` + + +```{r 050-table_from_figure-function} +figtab_landscape <- + function(label, image_file, caption=NULL) { + txt <- sprintf('\\newpage\n\\begin{landscape}\n\\begin{table}[H]\n\\caption{%s}\n\\label{tab:%s}\n\\includegraphics{%s}\n\\end{table}\n\\end{landscape}\n\\newpage\n', + caption, + label, + image_file) + magick::image_read(image_file) %>% magick::image_ggplot() %>% print() + writeLines(txt) + } +``` + +# Hogere planten + +Fichenummers: S-DS-V-001 -- Hogere planten; P-DS-V-001a - Hogere planten) + +**Bart Vandevoorde, Frederik Van Lierop, Vincent Smeekens & Wim Mertens** + +## Inleiding + +Op de schorren van het Zeeschelde-estuarium wordt de diversiteit aan hogere planten opgevolgd door middel van vegetatieopnames. Deze worden gemaakt van de bestaande permanente kwadraten (PQ) en aangevuld met losse vegetatieopnames welke stratified random worden gelokaliseerd in functie van de huidige vegetatietypes of doelvegetatietypes (Leyssen *et al*., 2006; Meire & Maris, 2008). + +In Tabel \@ref(tab:050-tabel-vegetatieopnames) is per jaar een overzicht gegeven in welke gebieden vegetatieopnames zijn gemaakt, al dan niet van permanente kwadraten. + + +```{r 050-tabel-vegetatieopnames, results="asis", fig.show='hide', out.width="100%"} + +caption_tab <- + "Per gebied en per jaar is een overzicht gegeven van de beschibare vegetatieopnames. Met een letter is aangegeven of het een vegetatieopname is van een permanent kwadraat (PQ) of een losse locatie: A: PQ INBO, A*: PQ INBO Zomerklokje, A**: PQ INBO LSVI 91E0\\_sf, B: losse vegetatieopname INBO, C: PQ ANB en D: PQ UA." +img_file <- paste0(pad_figuren, "media/image1.jpeg") +figtab_landscape(knitr::opts_current$get()$label, + img_file, + caption_tab) + +``` + + +## Materiaal en methode + +### Vegetatieopnames van permanente kwadraten + +Vegetatieopnames worden gemaakt volgens de principes van de Frans-Zwitserse school (Schaminée *et al*., 1995). Dit houdt in dat de vegetatie in een proefvlak homogeen moet zijn en dat ze een representatieve weergave moet zijn van de aanwezige vegetatie. Het proefvlak moet met andere woorden groot genoeg zijn om de floristische samenstelling van de vegetatie weer te geven (i.e. minimumareaal). + +Bij het installeren van de permanente kwadraten is rekening gehouden met deze twee voorwaarden (homogeniteit, minimumareaal) in functie van het toen aanwezige vegetatietype. Maar na verloop van tijd kan het gebeuren dat de vegetatie in het permanent kwadraat niet langer homogeen is. Een PQ, oorspronkelijk gelegd in bijvoorbeeld een homogene ruigte, kan ingegroeid geraken door een struweel, waardoor het voor een deel uit ruigte en voor een ander deel uit struweel bestaat. Dit is eigen aan permanente kwadraten en hoeft geen probleem te zijn. De vegetatieopnames die gemaakt zijn van permanente kwadraten, kunnen dus uit heterogene vegetaties bestaan. Als vegetatieopnames worden gemaakt van niet-permanente proefvlakken is steeds voldaan aan het principe van homogeniteit. + +Bovendien wordt volgens de principes van de Frans-Zwitserse school de vegetatie in zijn geheel beschouwd. Dit wil zeggen dat bij het maken van een vegetatieopname alle plantensoorten, mossen, lichenen en (macro)algen verdeeld over de verschillende vegetatielagen (boomlaag, struiklaag, kruidlaag, moslaag[^1], algenlaag) in rekening worden gebracht. De planten moeten wel rechtstreeks in contact staan met de bodem; epifyten worden bijvoorbeeld niet meegeteld. + +In functie van het (initiële) vegetatietype varieert de oppervlakte van de permanente kwadraten. De grootte van een permanent kwadraat is zodanig gekozen dat het een representatieve weergave is van de aanwezige vegetatie (i.e. minimumareaal). In bossen en struwelen zijn bijvoorbeeld grotere proefvlakken afgebakend in vergelijking met andere vegetatietypes als biezen- en pioniersvegetaties. Bij het maken van een vegetatieopname van het permanent kwadraat wordt steeds de initiële grootte van het proefvlak gerespecteerd, onafhankelijk van de vegetatie die er zich heeft ontwikkeld. Bij vergelijking van vegetatieopnames met verschillende grootte wordt hier best rekening mee gehouden door te standaardiseren per oppervlakte-eenheid. + +Kaderend binnen de systeemmonitoring van het Schelde-estuarium werd tot 2013 3-jaarlijks een vegetatieopname gemaakt van de permanente kwadraten. Deze meetfrequentie is evenwel gewijzigd naar 6-jaarlijks. De laatste opnamesessie dateert van 2019. De vegetatieopnames die toen gemaakt zijn van de permanente kwadraten, zijn gepubliceerd in Van Ryckegem *et al*. (2020). + +Tot 2013 werden de natuurontwikkelingsgebieden (Paardeschor, Ketenisseschor, Paddebeek en Heusden) jaarlijks bemeten maar vanaf 2013 is deze meetfrequentie aangepast naar 3-jaarlijks. De proefvlakken of permanente kwadraten, waarvan vegetatieopnames worden gemaakt, zijn gelegen langs transecten die loodrecht op de rivieras gesitueerd zijn. In 2022 zijn de laatste keer vegetatieopnames gemaakt van deze PQ's welke gepubliceerd zijn worden in Van Ryckegem *et al*. (2020). + +De laatste jaren zijn nieuwe permanente kwadraten geïnstalleerd ter opvolging en evaluatie van recent aangelegde natuurontwikkelingsgebieden zoals de Potpolder Lillo en Fort St.-Filips. In 2022 en 2023 zijn vegetatieopnames gemaakt van de permanente kwadraten van Fort St.-Filips die in dit rapport worden gepubliceerd worden. Ook de vegetatieopnames van de Potpolder Lillo gemaakt in 2013, 2016, 2017, 2018, 2019 en 2021 worden in dit rapport gepubliceerd. + +Een 30-tal PQ's van de systeemmonitoring worden ook aangewend ter evaluatie van het habitattype 91E0_sf Zachthoutooibos (wilgenvloedbos, *Salicetum albae*). Om dit habitattype betrouwbaar te evalueren zijn echter 77 PQ's nodig. Negen hiervan liggen langs de Maas en worden verder buiten beschouwing gelaten, de resterende 38 PQ's zijn afgebakend langs het Schelde-estuarium (Westra *et al*., 2014). De plots worden bemonsterd met een retourperiode van 6 jaar. Jaarlijks wordt een vegetatieopname gemaakt van een zesde van de plots. De eerste opnamereeks is afgewerkt. De vegetatieopnames van de 30 PQ's van de systeemmonitoring zijn reeds gepubliceerd in Van Ryckegem *et al*. (2020). De resterende 38 worden in dit rapport gepubliceerd. + +### Databankstructuur 'VegetatieopnamesPQ_Zeeschelde_2023.accdb' {#DBstruct} + +De vegetatieopnames zijn opgeslagen in de INBO-databank INBOVEG onder de survey Schelde-estuarium; de opnames ter evaluatie van het habitattype 91E0_sf Zachthoutooibos (wilgenvloedbos, *Salicetum albae*) onder de survey N2000meetnet_Bos_91E0_sf. + +De vegetatieopnames zijn geëxporteerd uit de INBOVEG-databank als een access-databank: VegetatieopnamesPQ_Zeeschelde_2023.accdb. + +![(#fig:Figuur1) Structuur van de relationele databank VegetatieopnamesPQ_Zeeschelde_2023.accdb.](G:/.shortcut-targets-by-id/0B0xcP-eNvJ9dUVZJLVE1U2RobWs/INBODATA/PROJECTEN/PRJ_SCHELDE/VNSC/Rapportage_INBO/2024/050_hogere_planten/figuren/media/image2.jpg){width="5.90625in" height="2.6909722222222223in"} + +Deze databank bevat 5 tabellen, die onderling gekoppeld zijn (Figuur \@ref(fig:Figuur1)). In de tabel 'ivRecording2023' zijn kopgegevens van de vegetatieopname gegeven zoals datum, lengte, breedte, auteur, etc. (Tabel \@ref(tab:Tabel3)). Deze tabel is eveneens de basistabel van de aangeleverde vegetatieopnames. Deze tabel is gekoppeld aan de tabel 'ivRLQualifier2022' waarin de code van het permanent kwadraat (PQ) gegeven is, waarvan de vegetatieopname is gemaakt (Tabel \@ref(tab:Tabel4)). + +De tabel 'ivRLLayer2023' is eveneens direct gekoppeld aan de basistabel 'ivRecording2023' en bevat de verschillende vegetatielagen die aangetroffen zijn in elke vegetatieopname (Tabel \@ref(tab:Tabel5)). Ook is per vegetatielaag de procentuele bedekking gegeven in deze tabel. Op zijn beurt is deze tabel gekoppeld aan de tabel 'ivRLTaxonOccurrence2023' waarin per vegetatielaag de bedekkingen van de aangetroffen plantensoorten gegeven zijn (Londoschaal) (Tabel \@ref(tab:Tabel6)). De naam van de overeenkomstige plantensoort is gegeven in de gekoppelde tabel 'ivRLIdentification2023' (Tabel \@ref(tab:Tabel7)). + +\newpage + +| Tabel 'ivRecording2023' | | +|:------------------|-----------------------------------------------------| +| ID | Uniek volgnummer | +| RecordingGivid | Unieke code van de vegetatieopname in de databank INBOVEG. | +| LocationCode | Naam van het schor waar het PQ gelegen is | +| Length | Lengte van het proefvlak in cm | +| Width | Breedte van het proefvlak in cm | +| Area | Oppervlakte van het proefvlak in vierkante meter | +| UserReference | Unieke waarnemerscode van de vegetatieopname. 'BV' verwijst naar de auteur (Bart Vandevoorde), met aansluitend een oplopend volgnummer | +| Observer | Auteur van de vegetatieopname | +| VagueDateBegin | Datum wanneer de vegetatieopname is gemaakt | + +: (#tab:Tabel3) Overzicht met een beschrijving van de kolommen opgenomen in de tabel 'ivRecording2023' van de Access-databank VegetatieopnamesPQ_Zeeschelde_2023.accdb. + + +| Tabel 'ivRLQualifier2023' | | +|:-----------------------|------------------------------------------------| +| ID | Uniek volgnummer | +| RecordingID | ID corresponderend met tabel 'ivRecording2023' | +| QualifierCode | Nummer of code van het PQ waarvan de vegetatieopname is gemaakt | + +: (#tab:Tabel4) Overzicht met een beschrijving van de kolommen opgenomen in de tabel 'ivRLQualifier2023' van de Access-databank VegetatieopnamesPQ_Zeeschelde_2023.accdb. + + +| Tabel 'ivRLLayer2023' | | +|:-----------------|------------------------------------------------------| +| ID | Uniek volgnummer | +| RecordingID | ID corresponderend met tabel 'ivRecording2023' | +| LayerCode | Deze code verwijst naar de verschillende vegetatielagen binnen de vegetatieopname (TOT: totale bedekking; BH: boomlaag; SH: struiklaag; KH: kruidlaag; MO: moslaag; AL: algenlaag; NB: naakte bodem; STR: strooisellaag). | +| CoverCode | Deze waarde is de procentuele bedekking die de betreffende vegetatielaag inneemt in het plot. 'x-1' betekent een bedekking van minder dan 1% | + +: (#tab:Tabel5) Overzicht met een beschrijving van de kolommen opgenomen in de tabel 'ivRLLayer2023' van de Access-databank VegetatieopnamesPQ_Zeeschelde_2023.accdb. + + +\newpage + +| Tabel 'ivRLTaxonOccurrence2023' | | +|:-------------------|----------------------------------------------------| +| ID | Uniek volgnummer | +| LayerID | ID corresponderend met tabel 'ivRLLayer2023' | +| CoverageCode | Bedekkingen (Londo-schaal) van de verschillende plantensoorten die in de overeenkomstige lagen zijn aangetroffen | + +: (#tab:Tabel6) Overzicht met een beschrijving van de kolommen opgenomen in de tabel 'ivRLTaxonOccurrence2' van de Access-databank VegetatieopnamesPQ_Zeeschelde_2023.accdb. + +| Tabel 'ivRLIdentification2023' | | +|:--------------------------|---------------------------------------------| +| ID | Uniek volgnummer | +| OccurrenceID | ID corresponderend met tabel 'ivRLTaxonOccurence2023' | +| TaxonFullText | Wetenschappelijke naam van de plantensoort | +| TaxonGroup | VP: vaatplant; !!: wier | + +: (#tab:Tabel7) Overzicht met een beschrijving van de kolommen opgenomen in de tabel 'ivRLIdentification2023' van de Access-databank VegetatieopnamesPQ_Zeeschelde_20122.accdb. + + +### Coördinaten + +In het Moneos-rapport van 2023 zijn de coördinaten van de PQ's aangeleverd (Van Ryckegem *et al*., 2023). In dit rapport wordt de lijst van de coördinaten herhaald maar aangevuld met de coördinaten van de PQ's ter evaluatie van habitattype 91E0_sf Zachthoutooibos (ZSCPQ328 t.e.m. ZSCPQ356; ZSCPQ370 t.e.m. ZSCPQ378). Deze coördinaten worden aangeleverd als bijlage onder de vorm van een excel-bestand (CoordinatenPQ_ZeescheldeINBO_2024.xlsx) waarin de volgende kolommen zijn opgenomen in het enige werkblad 'Coördinaten': + +- **PQnummer**: het unieke nummer van het permanent kwadraat. het acroniem ZSC verwijst naar Zeeschelde, PQ verwijst naar permanent kwadraat en vervolgens is een nummer gegeven. Dit nummer is ook aangegeven in de kolom 'QualifierCode' in tabel 'ivRLQualifier2023' (zie \@ref(DBstruct)). + +- **Lam72-X-coördinaat**: de X-coördinaat in Lambert 72 van het middelpunt tussen de markeringspalen of van de diagonaal. + +- **Lam72-Y-coördinaat**: de Y-coördinaat in Lambert 72 van het middelpunt tussen de markeringspalen of van de diagonaal. + +- **Functioneel**: als er in de deze kolom een 0 staat, is het PQ heden niet meer functioneel en wordt het niet meer opgenomen. Indien er een 1 staat, is het PQ wel nog functioneel en wordt het recurrent opgenomen. + +- **Coördinaat**: Bij een hele reeks PQ\'s staat een 0 en ontbreken de coördinaten omdat deze coördinaten niet beschikbaar zijn. Deze PQ\'s zijn geïnstalleerd in de vorige eeuw toen nog geen RTK-GPS beschikbaar was. De PQ\'s zijn pas jaren later ingemeten en een deel van de PQ\'s kon helaas niet teruggevonden worden. Dit zijn PQ\'s waarvan er opnames zijn in 1995 en 1997 maar later niet meer. Van enkele PQ's is wel een coördinaat gegeven maar schuilt er een onbetrouwbaarheid in. Ook bij deze PQ's is een 0 gegeven in deze kolom. Indien er een 1 staat in deze kolom is de coördinaat wel betrouwbaar. + +## Referenties + +Meire P. & Maris T. (2008). MONEOS: Geïntegreerde monitoring van het Schelde‐estuarium. + +Leyssen A., Denys L., Schneiders A., Van Looy K., Packet J. & Vanhecke L. (2006). Afstemmen van referentiecondities en evaluatiesystemen voor de biologische kwaliteitselementen macrofyten en fytobenthos en uitwerken van een meetstrategie in functie van de Kaderrichtlijn Water. Rapport van het Instituut voor Natuurbehoud IN.R.2006.09 in opdracht van VMM, Brussel. + +Schaminée J.H.J., Stortelder A.H.F. & Westhoff V. (1995). De vegetatie van Nederland. Deel 1 Inleiding tot de plantensociologie: grondslagen, methoden en toepassingen. Opulus Press, Uppsala, Leiden, 296 p. + +Van Ryckegem G., Van Braeckel A., Elsen R., Vanoverbeke J., Van de Meutter F., Vandevoorde B., Mertens W., Breine J., Speybroeck J., Bezdenjesnji O., Buerms D., De Beukelaer J., De Regge N., Hessel K., Soors J. & Van Lierop F. (2020). MONEOS -- Datarapport INBO: toestand Zeeschelde 2018-2019. Monitoringsoverzicht en 1ste lijnsrapport Geomorfologie, diversiteit Habitats en diversiteit Soorten. Rapporten van het Instituut voor Natuur- en Bosonderzoek 2020 (38). Instituut voor Natuur- en Bosonderzoek, Brussel. + +Van Ryckegem G., Vanoverbeke J., Van de Meutter F., Vandevoorde B., Mertens A., Mertens W., Van Braeckel A., Van Thyune G., Smeekens V., Thibau K., Bezdenjesnji O., Buerms D., De Regge N., Hessel K., Lefranc C., Soors J. & Van Lierop F. (2023). MONEOS ‐ Geïntegreerd datarapport INBO: Toestand Zeeschelde 2022. Monitoringsoverzicht en 1ste lijnsrapportage Geomorfologie, diversiteit Habitats en diversiteit Soorten. Rapporten van het Instituut voor Natuur‐ en Bosonderzoek 2023 (45). Instituut voor Natuur‐ en Bosonderzoek, Brussel. + +Westra T., Oosterlynck P., Van Calster H., Paelinckx D., Denys L., Leyssen A., Packet J., Onkelinx T., Louette G., Waterinckx M. & Quataert P. (2014). Monitoring Natura 2000 - habitats: meetnet habitatkwaliteit. Rapporten van het Instituut voor Natuur- en Bosonderzoek 2014 (1414229). Instituut voor Natuur- en Bosonderzoek, Brussel. + +[^1]: De bedekking van de moslaag is ingeschat, net als de bedekking van de individuele mossoorten maar deze zijn niet toegevoegd aan de dataset omdat de determinatie nog gecontroleerd moet worden. + diff --git a/moneos_2024/150_geintegreerd_rapport/LICENSE.md b/moneos_2024/150_geintegreerd_rapport/LICENSE.md index 7e5a52a..bed44e0 100644 --- a/moneos_2024/150_geintegreerd_rapport/LICENSE.md +++ b/moneos_2024/150_geintegreerd_rapport/LICENSE.md @@ -1,6 +1,4 @@ -## creative commons - -# Attribution 4.0 International +# Creative Commons Attribution 4.0 International Creative Commons Corporation (“Creative Commons”) is not a law firm and does not provide legal services or legal advice. Distribution of Creative Commons public licenses does not create a lawyer-client or other relationship. Creative Commons makes its licenses and related information available on an “as-is” basis. Creative Commons gives no warranties regarding its licenses, any material licensed under their terms and conditions, or any related information. Creative Commons disclaims all liability for damages resulting from their use to the fullest extent possible. diff --git a/moneos_2024/150_geintegreerd_rapport/index.Rmd b/moneos_2024/150_geintegreerd_rapport/index.Rmd index 532b25d..04031b4 100644 --- a/moneos_2024/150_geintegreerd_rapport/index.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/index.Rmd @@ -96,7 +96,7 @@ publication_type: report cover_photo: "" # naam foto file cover_description: "" # cover: media/cover.pdf # link naar pdf met cover -doi: "" +doi: 99.99999/inbor.99999999 reportnr: "" depotnr: "" ordernr: "" From 1ba8cc2f2758b12d41360b16a3cc269a2a1e0d54 Mon Sep 17 00:00:00 2001 From: MERTENS Date: Mon, 30 Sep 2024 17:49:47 +0200 Subject: [PATCH 091/102] Add ecotopen 2.0 --- .../150_geintegreerd_rapport/030_ecotopen.Rmd | 77 +++++++++---------- 1 file changed, 36 insertions(+), 41 deletions(-) diff --git a/moneos_2024/150_geintegreerd_rapport/030_ecotopen.Rmd b/moneos_2024/150_geintegreerd_rapport/030_ecotopen.Rmd index 91312f9..2cfeb29 100644 --- a/moneos_2024/150_geintegreerd_rapport/030_ecotopen.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/030_ecotopen.Rmd @@ -438,6 +438,7 @@ De afname van antropogeen hard substraat gebeurde eveneens hoofdzakelijk binnen
+ ```{r 030-tabel-eng-BEZ, results="asis", fig.show='hide', out.width="100%"} caption_tab <- str_c("Ecotooparealen Zeeschelde 1.0 in de ‘enge planimetrie’ van de Beneden‐Zeeschelde zonder de NOP’s of ontpolderingen, dijkverleggingen en aantakkingen tussen ", vroegste_jaar, " en ", laatste_jaar, ".") @@ -462,39 +463,43 @@ knitr::include_graphics(paste0(pad_figuren, "030_figuur_Evolution_NOPs_BEZ_", la #### Zeeschelde ecotopen 2.0 - - - - - - - - - -. --> -. --> - - - - - - - - - - - - - - +De ecotopenkaart methode 2.0 van de Beneden-Zeeschelde in `r laatste_jaar` is te zien in Figuur \@ref(fig:030-figuur-kaart-bez-20). + +Tabel \@ref(tab:030-tabel-oppervlakte-BEZ-20) toont de oppervlaktes per ecotoop in de Beneden-Zeeschelde voor elk jaar vanaf 2019 in hectare (ha) en als percentage (%) van de totale oppervlakte. + +De korte en lange termijn evolutie van de ecotopen is opnieuw beschreven in Tabel \@ref(tab:030-tabel-evolutie-BEZ-20) via de absolute verandering (ha) en de procentuele verandering (%) tussen de aangegeven jaren. Voor de korte termijn evolutie wordt het huidige jaar vergeleken met het jaar ervoor, terwijl voor de lange termijn evolutie de vergelijking van het huidig jaar gemaakt wordt met het eerste rapportage jaar (2019 voor Zeeschelde 2.0). + +In het **sublitoraal** is een onderverdeling gemaakt tussen hoog- en laagdynamisch subtidaal, op basis van de maximale stroomsnelheid bij vloed. +De tabel toont dat de diepere delen (diep en matig diep subtidaal) grotendeels hoogdynamisch zijn. +In het ondiep subtidaal is het aandeel laagdynamisch iets groter dan het aandeel hoogdynamisch. Tegenover `r laatste_jaar - 1` heeft er in alle diepteklassen een verschuiving plaatsgevonden van hoogdynamisch naar laagdynamisch. + + +Bij de berekening van het **litoraal** zijn aangepaste grenzen gebruikt ten opzichte van ecotopen 1.0, afhankelijk van de saliniteitszone. Hierdoor is het aandeel middelhoog slik kleiner en het aandeel hoog slik groter dan bij het ecotopenstelsel 1.0. Verder volgen de evoluties van het litoraal in ecotopenstelsel 2.0 eenzelfde patroon als bij 1.0, met een stijging in het laag slik zacht substraat en een kleinere daling in het hoog slik zacht substraat. Beiden patronen zijn iets sterker in het ecotopenstelsel 2.0. + +In de aangepaste methode wordt ook de helling van de slikken in rekening gebracht. +De oppervlaktes per slikecotoop met een steile (\>25%) en zwakke (\<=25%) helling zijn beschreven in Tabel (\@ref(tab:030-tabel-oppervlakte-helling-BEZ-20)). +Zowel het litoraal zacht substraat als het litoraal hard natuurlijk hebben vrijwel geen steile hellingen. In het litoraal antropogeen hard substraat is wel een redelijk aandeel steil, namelijk ongeveer 39% van het totaal oppervlak litoraal hard antropogeen, wat iets meer is dan in `r laatste_jaar-1` toen het ongeveer 33% was. De overige 61% litoraal hard antropogeen heeft dus nog steeds een hellingsgraad van kleiner dan of gelijk aan 25%.
-```{r 030-tabel-oppervlakte-BEZ-2, eval=FALSE, include=FALSE, results="asis", fig.show='hide', out.width="100%"} +\newpage + +```{r 030-figuur-kaart-bez-20, fig.cap=figuur_ecotopenkaart_bez_20, out.width="100%"} +# kaart wordt gemaakt in sjabloon_bez.mxd met schaal 1 : 97 000 + +figuur_ecotopenkaart_bez_20 <- str_c("Ecotopenkaart ", laatste_jaar, " Beneden-Zeeschelde 2.0") + +knitr::include_graphics(paste0(pad_figuren, "030_figuur_Ecotoop_BEZ_", laatste_jaar, "_20.png")) +``` + +\newpage + + +```{r 030-tabel-oppervlakte-BEZ-20, results="asis", fig.show='hide', out.width="100%"} caption_tab <- str_c("Oppervlaktes en oppervlaktepercentages van ecotopen in de Beneden-Zeeschelde in ", laatste_jaar, " volgens de Zeeschelde ecotopen 2.0.") -img_file <- paste0(pad_tabellen, "030_tabel_Oppervlakte_BEZ_2019_", laatste_jaar, "_E2.PNG") +img_file <- paste0(pad_tabellen, "030_tabel_Oppervlakte_BEZ_2019_", laatste_jaar, "_20.PNG") figtab(knitr::opts_current$get()$label, img_file, @@ -502,11 +507,11 @@ figtab(knitr::opts_current$get()$label, ``` -```{r 030-tabel-evolutie-BEZ-2,eval=FALSE, include=FALSE, results="asis", fig.show='hide', out.width="100%",eval=FALSE} +```{r 030-tabel-evolutie-BEZ-20, results="asis", fig.show='hide', out.width="100%"} caption_tab <- str_c("Absolute verandering en procentuele verandering van de lange termijn evolutie (tussen 2019 en ", laatste_jaar, ") en de korte termijn evolutie (tussen ", laatste_jaar - 1, " en ", laatste_jaar, ") in de Beneden-Zeeschelde 2.0.") -img_file <- paste0(pad_tabellen, "030_tabel_evolutie_BEZ_", laatste_jaar, "_E2.PNG") +img_file <- paste0(pad_tabellen, "030_tabel_evolutie_BEZ_2019_", laatste_jaar, "_20.PNG") figtab(knitr::opts_current$get()$label, img_file, @@ -514,11 +519,11 @@ figtab(knitr::opts_current$get()$label, ``` -```{r 030-tabel-oppervlakte-helling-BEZ-2,eval=FALSE, include=FALSE, results="asis", eval=FALSE, fig.show='hide', out.width="100%"} +```{r 030-tabel-oppervlakte-helling-BEZ-20, results="asis", fig.show='hide', out.width="100%"} caption_tab <- str_c("Oppervlaktes en percentages van steile en vlakke slikken in de Beneden-Zeeschelde in ", laatste_jaar, ", volgens de Zeeschelde ecotopen 2.0.") -img_file <- paste0(pad_tabellen, "030_tabel_Oppervlakte_HellingSlik_BEZ_", laatste_jaar, "_E2.PNG") +img_file <- paste0(pad_tabellen, "030_tabel_Oppervlakte_HellingSlik_BEZ_", laatste_jaar, "_20.PNG") figtab(knitr::opts_current$get()$label, img_file, @@ -526,17 +531,7 @@ figtab(knitr::opts_current$get()$label, ``` -\newpage - -```{r 030-figuur-kaart-bez-2, eval=FALSE, include=FALSE,fig.cap=figuur_ecotopenkaart_bez_2, eval=FALSE, out.width="100%"} - -figuur_ecotopenkaart_bez_2 <- "Ecotopenkaart 2020 Beneden-Zeeschelde 2.0" - -knitr::include_graphics(paste0(pad_figuren, "030_figuur_Ecotoop_BEZ_", laatste_jaar, "_20.png")) -``` - -\newpage ## Referenties From b083db9b894d93871cc01eb483f63cf6c2ddf2f3 Mon Sep 17 00:00:00 2001 From: VANOVERBEKE Date: Tue, 1 Oct 2024 09:42:32 +0200 Subject: [PATCH 092/102] abstract en orcid --- .../150_geintegreerd_rapport/000_abstract.Rmd | 126 ++++++++++++++++++ .../150_geintegreerd_rapport/LICENSE.md | 4 +- .../150_geintegreerd_rapport/index.Rmd | 1 + 3 files changed, 128 insertions(+), 3 deletions(-) create mode 100644 moneos_2024/150_geintegreerd_rapport/000_abstract.Rmd diff --git a/moneos_2024/150_geintegreerd_rapport/000_abstract.Rmd b/moneos_2024/150_geintegreerd_rapport/000_abstract.Rmd new file mode 100644 index 0000000..d3839e6 --- /dev/null +++ b/moneos_2024/150_geintegreerd_rapport/000_abstract.Rmd @@ -0,0 +1,126 @@ +# Dankwoord/Voorwoord {.unnumbered} + +Het INBO monitoringsprogramma wordt uitgevoerd met de financiële steun van de Vlaamse Waterweg nv, Maritieme Toegang (MT) en het Agentschap voor Natuur en Bos (ANB). +Waarvoor dank. +De monitoring zou niet mogelijk geweest zijn zonder de bemanning van de schepen SCALDIS I, Scheldewacht II, Veremans, Henry de Vos en de Parel. +Dank aan Erwin De Backer (Waterbouwkundig laboratorium) voor de uitstekende planning van de bootcampagnes. + +De zoogdierengegevens werden met toestemming ontleend uit de databank van Waarnemingen.be (Natuurpunt VZW). + +De superdeluxe dataverzameling en het laboratoriumwerk voor watervogels, hyperbenthos, macrozoöbenthos en de hoogteraaien werden uitgevoerd door Olja Bezdenjesnji, Dimitri Buerms, Nico De Regge, Kenny Hessel, Charles Lefranc, Vincent Smeekens, Jan Soors en Frederic Van Lierop. +Topteam Estuaria! + +De vismonitoring en data aanlevering werden voor ons verzorgd door INBO team MHAF (Monitoring Herstel Aquatische Fauna). +De onderzoekers en onderzoeksmedewerkers leverden opnieuw prachtig werk: Olja Bezdenjesnji, Adinda De Bruyn, Franky Dens, Marc Dewit, Linde Galle, Isabel Lambeens, Yves Maes, Thomas Terrie, Gerlinde Van Thuyne en Jeroen Van Wichelen. +Voor de ankerkuilvisserij konden we rekenen op Sjaak Bout en Davy Govers. +Dankzij hun professionele vaardigheid zijn de campagnes in 2022 vlot verlopen en kon ons onderzoek in de beste omstandigheden worden uitgevoerd, dank u wel. +Mevrouw Cabradilla (de Vlaamse Waterweg nv) verleent ons altijd vlot de nodige aanmeertoelatingen, hartelijk dank. + +We zijn ook de mensen van BMK en in het bijzonder Els Lommelen zeer erkentelijk en dankbaar voor de technische ondersteuning en begeleiding bij het uitwerken van de rapportering via rmarkdown, bookdown en github. + +# Samenvatting {.unnumbered} + +Deze rapportage geeft toelichting bij de datarapportage van de geïntegreerde systeemmonitoring van het Schelde-estuarium, kortweg MONEOS (= MONitoring Effecten OntwikkelingsSchets), uitgevoerd door het INBO. +De nadruk ligt op de resultaten van het monitoringsjaren 2021-2022 voor de aspecten leefomgeving voor flora en fauna en ecologie. + +We lichten de langjarige trends toe en we voeren in de datarapportage de Evaluatiemethodiek Schelde-estuarium (EMSE) uit voor verschillende hoofdstukken. + +We bespreken de ecotopenkaart van 2021 van de Beneden-Zeeschelde. +Het globale plaatje is een uitruiming van de vaargeul met steiler wordende oevers als gevolg. De kaart toont de grootste oppervlakte sublitoraal (water) sinds de start van de meetreeks. De schoroppervlakte nam ook verder toe, vooral in nieuwe Sigmagebieden. Voor het eerst werd het Fort Filip als afgewerkt Sigmaproject opgenomen in de ecotopenkaart. Dit resulteerde in een netto uitbreiding van het estuarium met 5 ha. Ongeveer 4 ha daarvan is wel antropogeen hard substraat. De ecologische kwaliteitswinst zit voornamelijk in het omvormen van hoogdynamisch diep water naar laagdynamisch ondiep aansluitend op een bredere gradiënt aan slikken, en de sanering van de site zelf. +In het tot nu toe toegepaste Zeeschelde ecotopenstelsel 1.0 werden subtidale (water) en litorale (slik) ecotopen vooralsnog uitsluitend op basis van diepte en overspoelingsregime onderscheiden, zonder ecologische validatie. +Op basis van recent onderzoek werd het ecotopenstelsel Zeeschelde 2.0 voorgesteld. +In deze rapportage wordt de ecotopenkaart voor de Beneden‐Zeeschelde 2021 volgens beide ecotopenstelsels voorgesteld en vergeleken. +Zo kunnen we nu in het sublitoraal de ecologisch meest waardevolle zones identificeren. +8.5% van het sublitoraal blijkt laagdynamisch waardevol habitat en situeert zich grotendeels in het ondiep subtidaal. +De klassificatie resulteert verder vooral in een verschuiving van middelhoog naar hoog slik zacht substraat of hard antropogeen (op hoog slik). De steile slikken zijn in hoofdzaak antropogeen verstevigde breuksteenzones. + +Op basis van de eerste dataverkenning tonen de sedimentdata verzameld bij de macrozoöbenthosstalen doorgaans het slibrijker worden van het litoraal en het ondiep- en matig diep sublitoraal sinds 2011. +Dit is vooral opvallend in de zoete zones. +In de diepere geul van de zone met sterke saliniteitsgradiënt is de variatie in sedimentsamenstelling groot en zonder duidelijk patroon. +In de olighohaliene zone en zoet lange zone van de Zeeschelde wordt de diepe waterbodem zandiger. + +De soortenrijkdom van het macrozoöbenthos (exclusief Oligochaeta) lijkt de laatste jaren licht te stijgen in de meeste zones van de Zeeschelde. +In het subtidaal zijn er veel diversiteitsschommelingen. +De shannondiversiteit in het intertidaal neemt toe in vrijwel alle zones sinds 2015. +Dit is vooral opvallend in de zone met sterke salinteitsgradiënt indien je de index baseert op aantallen, maar de index is negatief als de diversiteitsmaat gebaseerd is op biomassa. +Dat laatste is wellicht te wijten aan de opkomst van de brakwaterkorfschelp (*Potamocorbula amurensis*) en de platte slijkgapper (*Scrobicularia plana*). +Deze soorten zijn meteen ook de oorzaak van de hoge systeembiomassa berekend voor de zone met sterke saliniteitsgradiënt, waardoor ook voor het tweede jaar op rij de intertidale systeembiomassa ruim de doelstelling van 30 ton droge stof overschrijdt. +Hoewel de systeembiomassa ruim de doelstelling haalt, worden niet in alle deelzones de lokale doelstellingen gehaald. +Vooral in de oligohaliene en de zoete zone met lange verblijftijd is de biomassa en soortenrijkdom macrozoöbenthos (te) laag. De zone Zoet kort verblijf bleef de hele monitoringsperiode wel afgetekend het soortenrijkste waterlichaam. + +De soortenrijkdom van het hyperbenthos schommelt van jaar tot jaar. +In 2022 werd het hoogste aantal taxa, zowel totaal als enkel inheemse soorten, vastgesteld sinds de start van +de monitoring. Een hogere soortenrijkdom hangt mogelijk samen met droge jaren met lage bovenafvoer, +omdat soorten uit de Westerschelde dan vaker en verder doordringen in de Zeeschelde. +Biomassa vertoont een ander patroon met in de zones stroomopwaarts van Antwerpen een gestage +toename na juni tot het einde van het jaar. Dit bevestigt de aanname dat dit voor veel hyperbenthische +soorten en vooral voor garnalen, aasgarnalen en vissen, een opgroeigebied is. De evolutie van densiteiten +en biomassa overheen de monitoringsjaren is onderhevig aan grote schommelingen die samen hangen +met goede en slechte jaren van specifieke soorten. Het optreden van goede of slechte jaren kan soms +gelinkt worden aan bovenafvoer en zoutgehalte, maar is ook vaak nog niet goed begrepen. Van de recente +jaren 2021‐2022, die hier gerapporteerd worden, is vooral 2021 opmerkelijk. De historisch natte zomer +en de daarmee gepaard gaande piekdebieten zorgden voor bijzonder lage hyperbenthosdensiteiten vanaf +juli tot oktober. Vanwege de grote jaarlijkse variatie introduceerden we ook een parameter die naar het +lopend gemiddeld over 3 jaar kijkt, wat een stabieler beeld van evoluties geeft. Deze parameter is meer +richtinggevend voor langetermijntrends, en vertoonde in de meeste gevallen minder dan 25% variatie sinds +2015, wat recent vooropgesteld werd als nieuw kwaliteitscriterium. De laatste jaren lijkt de totale hyperbenthosbiomassa in het systeem te dalen. Vooral de grijze garnaal en de langneussteurgarnaal zijn, na elk +een eigen bloeiperiode, nu al enkele jaren in lagere aantallen aanwezig. + +In deze rapportage wordt de vismonitoring in 2022 op de Zeeschelde door ankerkuil en fuiken besproken. 2022 was een bodemjaar voor het aantal spieringen in de Zeeschelde. Dit geldt zowel voor de ankerkuil als voor de fuikvangsten, waardoor het beeld van de absolute dominantie van deze soort zelfs in het pelagiaal vervaagt. In 2022 werd met de ankerkuil uitzonderlijk veel sprot gevangen in Doel en Antwerpen en dit in het voorjaar, zomer en najaar. In 2022 dook de visindex voor de zoete zone, met een ontoereikende kwaliteitsbeoordeling, voor het eerst sinds 2009 onder die van de brakke en oligohaliene zones. Deze situatie moet nauw opgevolgd worden. +In 2022 werd de vangstinspanning met de fuiken gehalveerd. Fuiken werden telkens 1 in plaats van 2 etmaal uitgezet. +Dit had een invloed op het aantal gevangen soorten. +Naar estuarien habitatgebruik overheersen de trekvissen de visgemeenschappen van de Zeeschelde in aantal en biomassa. +Het estuarium heeft dus weer zijn functie opgenomen in de levenscyclus van deze soorten. +Om te evalueren of de populaties echt gevestigd en duurzaam zijn is echter een cohorte-analyse van de betrokken soorten in tijd en ruimte nodig. Naar dieet overheersen omnivore soorten, een normale opportunistische dieetkeuze in een estuarium met wisselende levensomstandigheden. Toch wordt het voedselweb stilaan complexer. Dit uit zich in een toename van benthivore en piscivore soorten. Om dit beter te evalueren moet voor de belangrijkste soorten rekening gehouden worden met de dieetshift die ze maken in de overgang van juveniel naar adult. In de rapportage wordt naast een evaluatie volgens de EMSE een alternatieve beoordelingsmethode voorgesteld bruikbaar als insteek voor een toekomstige herwerking van de methodiek. + +Opvallend is dat we veel schommelingen zien in het hyperbenthos en de vissen. De vraag kan gesteld worden in hoeverre +de sterk wisselende densiteiten een natuurlijk fenomeen zijn in het bovendeel van +een estuarium, en dus als negatief beoordeeld moet worden. Het is waarschijnlijk deels eigen aan een +opgroeigebied als de Zeeschelde dat er extreem succesvolle recruteringsjaren zijn waarin alle factoren +mee zitten, en waarin één of enkele soorten de gemeenschap domineren. Anderzijds is meer ecologische +kennis nodig over waarom soorten goede en slechte jaren afwisselen, en om natuurlijke en door de mens +beïnvloede oorzaken te kunnen onderscheiden. Concluderend is er een noodzaak om onderzoek op te starten om met innovatieve monitoring (bijvoorbeeld met echosounding) continue data te verzamelen. Dit onderzoek moet helpen om de variaties in het waterleven in ruimte en tijd te verklaren. + +Over de periode 2009-2022 bekeken is er op het niveau van de Zeeschelde een dalende trend te zien in het aantal overwinterende watervogels. +De trendindex toont wel een toename in de sterke saliniteitsgradiënt. Dit is vooral te wijten aan de toename van scholeksters en bergeenden. De toename van de scholekster is vermoedelijk het gevolg van de toename aan schelpdieren (zie hoofdstuk Macrozoöbenthos). Bovendien trok de ontpoldering van Hedwige-Prosper in de herfst van 2021 heel wat bergeenden aan die ook gebruik maakten van de slikken van de Zeeschelde. +Opvallend is de negatieve trend van de zone zoet lang, vooral veroorzaakt door een zeer sterke afname van de wilde eend. Niettegenstaande deze trend blijft de dichtheid aan overwinterende watervogels nog steeds het hoogst in de zone zoet lang en het laagst in de zone met sterke saliniteitsgradiënt. Opvallend is een lage dichtheid aan vogels op de Durme gedurende het winterseizoen. +De diversiteit is het grootst in de zone met een sterke saliniteitsgradiënt en laag in de Durme en de zone zoet lang. +De afname van de vogelaantallen langsheen de Zeeschelde wordt gecompenseerd door de toename van de vogelaantallen in de estuariene natuurontwikkelingsgebieden. +Dit resulteert tot vandaag niet in een totale toename van de watervogelaantallen binnen het estuarium (de vallei buiten beschouwing gelaten). + +De evoluties in de broedvogelaantallen voor een selectie van goed te inventariseren soorten binnen IHD-gebied (wetlands en estuariene gebieden) worden besproken in deze rapportage. +Verscheidene soorten met doelstellingen komen tot 2022 nog steeds zelden tot broeden in het IHD‐gebied Schelde‐estuarium (grote karekiet, kwak, kwartelkoning, roerdomp en paapje), of werden nog nooit vastgesteld als broedvogel (purperreiger). +Grote karekiet lijkt zich wel te vestigen als regelmatige broedvogel. +Ook de lepelaar nam toe door een broedkolonie in de Durme (Meulendijkbroek). +De zomertaling, baardman, woudaap en snor vertonen de laatste jaren een stijgende trend in de vallei van de Zeeschelde en haar tijgebonden zijrivieren. Voor het eerst wordt het doel van de zomertaling bereikt. +De predatiewerende omheiningen in het noordelijk gebied hebben duidelijk een effect met hogere broedaantallen sinds 2021 van kluut, tureluur en een beperkte toename van grutto. +De bruine kiekendief blijft stabiel. +Behalve voor zomertaling, blauwborst, rietzanger en dodaars worden de doelstellingen voor geen enkele soort gehaald. + +De bever koloniseerde ondertussen bijna alle geschikte habitats in het Zeeschelde-estuarium en zit nu ook in de Grote Nete, maar beperkt zich tot nu toe tot de vallei van de Grote Laak. +Opmerkelijk zijn nieuwe waarnemingslocaties in de buurt van Antwerpen en de Antwerpse haven en de Grote Geul Kieldrecht. +Het geschatte aantal beverterritoria in de vallei van de Zeeschelde en tijgebonden zijrivieren wordt geschat op ca. +63. +Dit stemt overeen met 38 families en 176 individuen. +De IHD-doelstelling voor bever is sinds 2021 gerealiseerd. +Het aantal waarnemeningen van otters nam niet verder toe. +De instandhoudingsdoelstellingen zijn echter zeker nog niet vervuld. +Het aantal waargenomen gewone en grijze zeehonden bleef laag en stabiel. Er waren wel waarnemingen tot ver stroomopwaarts de Zeeschelde en zijrivieren. +Er was slechts 1 waarneming van bruinvis. + +De detail-hoogtemetingen op raaien langsheen de Zeeschelde illustreren en onderbouwen de waargenomen ontwikkelingen in de ecotopenkaarten en zijn een indicatief als early warning voor morfologische veranderingen in het systeem. Algemeen kunnen we stellen dat in de omgeving tussen Doel en Lillo de morfodynamiek van de lage slikzone +op verschillende plaatsen is gewijzigd ten opzichte van de langjarige trend. +Ook in de zone rond Antwerpen en Hoboken (GW en HO) nam de morfodynamiek (zandmobiliteit) toe met +grote zandafzetting ter hoogte van de Galgenweel‐raai (GW) en zelfs met kleine lokale zandige afzettingen +(mesoribbels) in Hoboken (HO) onderaan de slikkliffen. Hier verliest het slik wel het grootste deel van het +slib waarbij meer harde substraat komt bloot te liggen. Dit illustreert de hoge dynamiek in deze zone. +Daarnaast zijn er opvallend veel aanwijzingen voor trendbreuken in 2022 in hoog en middelhoog slik in de +Boven‐Zeeschelde met plotse erosie of stagnatie van de sedimentatie. +Deze sterke en snelle ontwikkelingen met sterke veranderingen in slikprofielvorm wijzen op een plotse verandering in hydro‐ en morfodynamiek. Het ontstaan en verdwijnen van +vloedgeulen, snelle zandafzettingen en schorklifvorming wijzen in de richting van toename van hydrodynamiek +bij vloed, die gepaard gaat met groter bodemtransport van zand dat in de binnenbocht zelfs de +slikoevers bereikt. De hoogteverschilkaarten afgeleid van LIDAR en bathymetrische data uit 2022 en 2019 bevestigen de sterke morfologische veranderingen in dit gebied. Verder onderzoek naar de recente veranderingen in deze zone en mogelijke impact van huidige rivierbeheermaatregelen is hierbij wenselijk. + +Ook de oevererosie werd gemonitord op basis van de bathymetrische verschilkaart (2022 versus 2021, 2020 en 2019). +Deze kaarten dienen voornamelijk ter ondersteuning van de interpretatie van erosie van het hoger slik en schorrand als monitoring in functie van het oeverbeheer. Er wordt als signaalfunctie een erosie (en sedimentatie) van meer dan 50 cm gehanteerd. Zowel in de Boven‐ als Beneden‐Zeeschelde zijn grote dynamieken waargenomen in enkele zones. +De waargenomen erosiezones vergen geen directe ingrepen, maar kunnen de voorbode zijn van toenemende erosieve druk op de hogere slikken en schorren zoals ook vastgesteld op de raaimetingen en zijn zones van aandacht. diff --git a/moneos_2024/150_geintegreerd_rapport/LICENSE.md b/moneos_2024/150_geintegreerd_rapport/LICENSE.md index 7e5a52a..bed44e0 100644 --- a/moneos_2024/150_geintegreerd_rapport/LICENSE.md +++ b/moneos_2024/150_geintegreerd_rapport/LICENSE.md @@ -1,6 +1,4 @@ -## creative commons - -# Attribution 4.0 International +# Creative Commons Attribution 4.0 International Creative Commons Corporation (“Creative Commons”) is not a law firm and does not provide legal services or legal advice. Distribution of Creative Commons public licenses does not create a lawyer-client or other relationship. Creative Commons makes its licenses and related information available on an “as-is” basis. Creative Commons gives no warranties regarding its licenses, any material licensed under their terms and conditions, or any related information. Creative Commons disclaims all liability for damages resulting from their use to the fullest extent possible. diff --git a/moneos_2024/150_geintegreerd_rapport/index.Rmd b/moneos_2024/150_geintegreerd_rapport/index.Rmd index af02baf..fd987fe 100644 --- a/moneos_2024/150_geintegreerd_rapport/index.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/index.Rmd @@ -23,6 +23,7 @@ author: - name: given: Bart family: Vandevoorde + orcid: 0009-0001-7272-8055 affiliation: Research Institute for Nature and Forest (INBO) - name: given: Amber From 1f451cba7096bec91f428828d83064ad381a8566 Mon Sep 17 00:00:00 2001 From: VANOVERBEKE Date: Tue, 1 Oct 2024 10:17:26 +0200 Subject: [PATCH 093/102] kleine edits --- .../150_geintegreerd_rapport/050_hogere_planten.Rmd | 10 +++++----- 1 file changed, 5 insertions(+), 5 deletions(-) diff --git a/moneos_2024/150_geintegreerd_rapport/050_hogere_planten.Rmd b/moneos_2024/150_geintegreerd_rapport/050_hogere_planten.Rmd index 57f0255..0cebd50 100644 --- a/moneos_2024/150_geintegreerd_rapport/050_hogere_planten.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/050_hogere_planten.Rmd @@ -116,12 +116,12 @@ De tabel 'ivRLLayer2023' is eveneens direct gekoppeld aan de basistabel 'ivRecor | Tabel 'ivRecording2023' | | |:------------------|-----------------------------------------------------| | ID | Uniek volgnummer | -| RecordingGivid | Unieke code van de vegetatieopname in de databank INBOVEG. | +| RecordingGivid | Unieke code van de vegetatieopname in de databank INBOVEG | | LocationCode | Naam van het schor waar het PQ gelegen is | | Length | Lengte van het proefvlak in cm | | Width | Breedte van het proefvlak in cm | | Area | Oppervlakte van het proefvlak in vierkante meter | -| UserReference | Unieke waarnemerscode van de vegetatieopname. 'BV' verwijst naar de auteur (Bart Vandevoorde), met aansluitend een oplopend volgnummer | +| UserReference | Unieke waarnemerscode van de vegetatieopname. 'BV' verwijst naar de auteur (Bart Vandevoorde), met aansluitend een oplopend volgnummer (WM: Wim Mertens, VS: Vincent Smeekens) | | Observer | Auteur van de vegetatieopname | | VagueDateBegin | Datum wanneer de vegetatieopname is gemaakt | @@ -155,7 +155,7 @@ De tabel 'ivRLLayer2023' is eveneens direct gekoppeld aan de basistabel 'ivRecor | LayerID | ID corresponderend met tabel 'ivRLLayer2023' | | CoverageCode | Bedekkingen (Londo-schaal) van de verschillende plantensoorten die in de overeenkomstige lagen zijn aangetroffen | -: (#tab:Tabel6) Overzicht met een beschrijving van de kolommen opgenomen in de tabel 'ivRLTaxonOccurrence2' van de Access-databank VegetatieopnamesPQ_Zeeschelde_2023.accdb. +: (#tab:Tabel6) Overzicht met een beschrijving van de kolommen opgenomen in de tabel 'ivRLTaxonOccurrence2023' van de Access-databank VegetatieopnamesPQ_Zeeschelde_2023.accdb. | Tabel 'ivRLIdentification2023' | | |:--------------------------|---------------------------------------------| @@ -164,14 +164,14 @@ De tabel 'ivRLLayer2023' is eveneens direct gekoppeld aan de basistabel 'ivRecor | TaxonFullText | Wetenschappelijke naam van de plantensoort | | TaxonGroup | VP: vaatplant; !!: wier | -: (#tab:Tabel7) Overzicht met een beschrijving van de kolommen opgenomen in de tabel 'ivRLIdentification2023' van de Access-databank VegetatieopnamesPQ_Zeeschelde_20122.accdb. +: (#tab:Tabel7) Overzicht met een beschrijving van de kolommen opgenomen in de tabel 'ivRLIdentification2023' van de Access-databank VegetatieopnamesPQ_Zeeschelde_2023.accdb. ### Coördinaten In het Moneos-rapport van 2023 zijn de coördinaten van de PQ's aangeleverd (Van Ryckegem *et al*., 2023). In dit rapport wordt de lijst van de coördinaten herhaald maar aangevuld met de coördinaten van de PQ's ter evaluatie van habitattype 91E0_sf Zachthoutooibos (ZSCPQ328 t.e.m. ZSCPQ356; ZSCPQ370 t.e.m. ZSCPQ378). Deze coördinaten worden aangeleverd als bijlage onder de vorm van een excel-bestand (CoordinatenPQ_ZeescheldeINBO_2024.xlsx) waarin de volgende kolommen zijn opgenomen in het enige werkblad 'Coördinaten': -- **PQnummer**: het unieke nummer van het permanent kwadraat. het acroniem ZSC verwijst naar Zeeschelde, PQ verwijst naar permanent kwadraat en vervolgens is een nummer gegeven. Dit nummer is ook aangegeven in de kolom 'QualifierCode' in tabel 'ivRLQualifier2023' (zie \@ref(DBstruct)). +- **PQnummer**: het unieke nummer van het permanent kwadraat. Het acroniem ZSC verwijst naar Zeeschelde, PQ verwijst naar permanent kwadraat en vervolgens is een nummer gegeven. Dit nummer is ook aangegeven in de kolom 'QualifierCode' in tabel 'ivRLQualifier2023' (zie \@ref(DBstruct)). - **Lam72-X-coördinaat**: de X-coördinaat in Lambert 72 van het middelpunt tussen de markeringspalen of van de diagonaal. From b808b276cf24ef4e87e2e90cfa38161eaa90d673 Mon Sep 17 00:00:00 2001 From: VAN RYCKEGEM Date: Tue, 1 Oct 2024 10:47:54 +0200 Subject: [PATCH 094/102] aanpassing figuren regressie --- .../20_sediment_analyse.Rmd | 30 ++++++++++++++++++- 1 file changed, 29 insertions(+), 1 deletion(-) diff --git a/moneos_2024/060_sedimentkenmerken/20_sediment_analyse.Rmd b/moneos_2024/060_sedimentkenmerken/20_sediment_analyse.Rmd index 27332b7..2a74639 100644 --- a/moneos_2024/060_sedimentkenmerken/20_sediment_analyse.Rmd +++ b/moneos_2024/060_sedimentkenmerken/20_sediment_analyse.Rmd @@ -325,7 +325,33 @@ ggplot(augmented_data, aes(x = jaar, y = slib)) + x = "Year", y = "Mud") -# ggsave(file=paste0(pad_figuren,"060_figuur_regressie_mud.jpg")) +partim <- hoofd + augmented_data_hoofd <- augmented_data[augmented_data$waterloop %in% partim,] +ggplot(augmented_data_hoofd, aes(x = jaar, y = slib)) + + geom_point() + + geom_line(aes(y = .fitted), linetype = "dashed") + + # facet_wrap(~ fysiotoop+waterloop) + + facet_grid(fysiotoop ~ waterloop) + + labs(title = "Linear Regression Fits by fysiotoop", + x = "Year", + y = "Mud%") + +ggsave(file=paste0(pad_figuren,"060_figuur_regressieZS_mud.jpg")) + +partim <- zij + augmented_data_zij <- augmented_data[augmented_data$waterloop %in% partim,] + augmented_data_zij <- augmented_data_zij[augmented_data_zij$fysiotoop != "onbepaald",] + +ggplot(augmented_data_zij, aes(x = jaar, y = slib)) + + geom_point() + + geom_line(aes(y = .fitted), linetype = "dashed") + + # facet_wrap(~ fysiotoop+waterloop) + + facet_grid(fysiotoop ~ waterloop) + + labs(title = "Linear Regression Fits by fysiotoop", + x = "Year", + y = "Mud%") + +ggsave(file=paste0(pad_figuren,"060_figuur_regressie_zijrivier_mud.jpg")) # Extract the model coefficients and p-values model_summaries <- models %>% @@ -342,6 +368,8 @@ significant_models write_xlsx(list(modeloutput = significant_models), paste0(pad_tabellen, "modeloutput_slib.xlsx")) + + ###################### ##### linear model: OM ###################### From 625349e184ab983372d006592e3cecec7523c8fa Mon Sep 17 00:00:00 2001 From: VAN RYCKEGEM Date: Tue, 1 Oct 2024 10:48:07 +0200 Subject: [PATCH 095/102] toevoegen figuren regressie --- .../060_sedimentkenmerken.Rmd | 82 ++++++++++++------- 1 file changed, 54 insertions(+), 28 deletions(-) diff --git a/moneos_2024/150_geintegreerd_rapport/060_sedimentkenmerken.Rmd b/moneos_2024/150_geintegreerd_rapport/060_sedimentkenmerken.Rmd index 7d4bd0b..01d1661 100644 --- a/moneos_2024/150_geintegreerd_rapport/060_sedimentkenmerken.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/060_sedimentkenmerken.Rmd @@ -118,7 +118,34 @@ tabel_x_waarden %>% Om de lange termijn trends te onderzoeken bepalen we welke lineaire regressiemodellen per waterloop en fysiotoop een significante trend tonen over de periode 2008-`r recentste_jaar` (p-waarde genomen \< 0.01). De dataset werd genest binnen fysiotoop en waterloop. Slibpercentage is de responsvariabele en jaar de predictorvariabele. -De selectie van de meest significante modellen is weergegeven in Tabel \@ref(tab:060-tabel-modeloutput). + + +## Resultaten + +In deze eerstelijnsrapportage wordt de nadruk gelegd op de resultaten van de outputvariabele slibgehalte voor de periode 2008-`r recentste_jaar`. +In slibrijke bodems (\> 25% slib) vertonen de drie beschouwde variabelen in de dataset (mediane korrelgrootte, slibgehalte en organisch materiaal) een sterk onderling verband. +Daarom beperken we de eerstelijnsbespreking tot het slibgehalte van de sedimenten. +De andere metingen werden gevalideerd. + +Doorheen het estuarium is er een grotere spreiding op de metingen van slibgehalte binnen het subtidale in vergelijking met het intertidale gebied (Figuur \@ref(fig:060-figuur-slib-Zeeschelde-boxplotfysiotopen)). +In het intertidaal is er een consistent patroon van slibrijke (fijnere) bodems in het hoog slik fysiotoop naar minder slibrijke (grovere) sedimenten lager. +Dit patroon zet zich globaal door in het subtidaal. + +```{r 060-figuur-slib-Zeeschelde-boxplotfysiotopen, fig.cap=slib_Zeeschelde_boxplotfysiotopen, out.width="80%"} + +slib_Zeeschelde_boxplotfysiotopen <- paste0("Boxplot van het slibpercentage per fysiotoop in het intertidaal en subtidaal van de Zeeschelde (data 2008-",recentste_jaar,").") + + + +knitr::include_graphics(paste0(pad_figuren, "060_figuur_slib_Zeeschelde_boxplotfysiotopen.jpg")) + +``` + +
+ +We stellen een aantal duidelijke veranderingen in sedimentsamenstelling vast in de Zeeschelde inclusief de zijrivieren. + +De selectie van de meest significante modellen is weergegeven in Tabel \@ref(tab:060-tabel-modeloutput). De regressiefiguren worden getoond in De trendanalyses worden verduidelijkt door de data weer te geven met boxplots gegroepeerd in twee tijdsreeksen vóór 2015 en vanaf 2015. Deze opdeling is gebaseerd op de knikpunt analyse uitgevoerd door Meire et al. (2021). Deze auteurs vonden in 2014 een trendbreuk in de SPM concentraties in het opwaartse turbiditeitsmaximum (van Temse tot Dendermonde). @@ -149,33 +176,9 @@ tabel_x_waarden %>%
-## Resultaten - -In deze eerstelijnsrapportage wordt de nadruk gelegd op de resultaten van de outputvariabele slibgehalte voor de periode 2008-`r recentste_jaar`. -In slibrijke bodems (\> 25% slib) vertonen de drie beschouwde variabelen in de dataset (mediane korrelgrootte, slibgehalte en organisch materiaal) een sterk onderling verband. -Daarom beperken we de eerstelijnsbespreking tot het slibgehalte van de sedimenten. -De andere metingen werden gevalideerd. - -Doorheen het estuarium is er een grotere spreiding op de metingen van slibgehalte binnen het subtidale in vergelijking met het intertidale gebied (Figuur \@ref(fig:060-figuur-slib-Zeeschelde-boxplotfysiotopen)). -In het intertidaal is er een consistent patroon van slibrijke (fijnere) bodems in het hoog slik fysiotoop naar minder slibrijke (grovere) sedimenten lager. -Dit patroon zet zich globaal door in het subtidaal. - -```{r 060-figuur-slib-Zeeschelde-boxplotfysiotopen, fig.cap=slib_Zeeschelde_boxplotfysiotopen, out.width="80%"} - -slib_Zeeschelde_boxplotfysiotopen <- paste0("Boxplot van het slibpercentage per fysiotoop in het intertidaal en subtidaal van de Zeeschelde (data 2008-",recentste_jaar,").") - - - -knitr::include_graphics(paste0(pad_figuren, "060_figuur_slib_Zeeschelde_boxplotfysiotopen.jpg")) - -``` - -
- -We stellen een aantal duidelijke veranderingen in sedimentsamenstelling vast in de Zeeschelde inclusief de zijrivieren. Het slibpercentage langsheen de Beneden-Nete neemt significant toe (Tabel \@ref(tab:060-tabel-modeloutput)). -Deze trend kan mogelijk gelinkt worden aan de sterk verhoogde sedimentimport uit de Kleine Nete waar het rivierbed zandiger werd en er dus slibrijk materiaal uitspoelde naar afwaarts (Meire et al., 2021). -De veranderingen in de Kleine Nete zijn mogelijk veroorzaakt door de activiteit van de Chinese wolhandkrab (Schoelynck et al., 2020). +Deze trend kan mogelijk gelinkt worden aan de sterk verhoogde sedimentimport uit de Grote Nete waar het rivierbed zandiger werd en er dus slibrijk materiaal uitspoelde naar afwaarts (Meire et al., 2021). +De veranderingen in de Grote Nete zijn mogelijk veroorzaakt door de activiteit van de Chinese wolhandkrab (Schoelynck et al., 2020). Een lozing met het afsterven van de waterplanten tot gevolg is ook een hypothese. Hoewel niet alle modellen sterk significant zijn, is deze tendens tot verhoogde intertidale 'verslibbing' ook zichtbaar langs de andere zijrivieren (Zenne, Rupel, Dijle) en langs de Zeeschelde (Figuur \@ref(fig:060-figuur-slib-zijrivieren-intertidaalboxplotperiodes) en (Figuur \@ref(fig:060-figuur-slib-Zeeschelde-intertidaalboxplotperiodes)). Er zijn andere factoren (naast Chinese wolhandkrab, die een stabiele trend toont in de monitoringperiode 2012-2017 - Van Ryckegem et al., 2018) die elk een ander gewicht kunnen hebben langsheen de estuariene gradiënt (zie Meire et al., 2021). Het aantal jaren met data in Nete, Zenne en Dijle is wel beperkt. @@ -183,7 +186,7 @@ In de periode 2015 en later zijn er enkel gegevens in 2015, 2016, 2017 en 2020. Hierdoor kunnen we voor de zijrivieren geen uitspraak doen over de recente trends. De hydrodynamica van de Zeeschelde zal de verhoogde slibfractie (als SPM) in de waterkolom in principe preferentieel sorteren en sedimenteren naar (de hogere delen van) het intertidaal. -De significante toename van het slibpercentages in de intertidale zones van de Beneden-Zeeschelde liggen daarmee in de lijn der verwachtingen, maar het is het opvallend dat er zich ook een grote en significante habitatwijziging voordoet (significant hoger slibpercentage en ook kleinere mediane korrelgrootte) van de diepe onderwaterbodems van de Beneden-Zeeschelde - Zeeschelde IV (Figuur \@ref(fig:060-figuur-slib-Zeeschelde-subtidaalboxplotperiodes). +De significante toename van het slibpercentages in de intertidale zones van de Beneden-Zeeschelde liggen daarmee in de lijn der verwachtingen, maar het is opvallend dat er zich ook een grote en significante habitatwijziging voordoet (significant hoger slibpercentage en ook kleinere mediane korrelgrootte) van de diepe onderwaterbodems van de Beneden-Zeeschelde - Zeeschelde IV (Figuur \@ref(fig:060-figuur-slib-Zeeschelde-subtidaalboxplotperiodes). Nadere analyse is wenselijk om te bekijken of deze toename indicatief is voor 'fluid mud' lagen in de diepe delen. De regressie analyse en databeschrijving wijst op geleidelijke habitatveranderingen die gaande zijn, waarschijnlijk onder invloed van de verhoogde SPM gehaltes. @@ -199,6 +202,29 @@ De verandering in het slibgehalte (of de mediane korrelgrootte) is (vaak) subtie Er zijn geen aanwijzingen dat het gehalte in organisch materiaal wijzigde (analyse niet getoond). Bijkomend onderzoek is nodig om de effecten op de benthische gemeenschap te duiden. + + +```{r 060-figuur-regressieZS-mud, fig.cap=slib_Zeeschelde_regressie, out.width="80%"} + +slib_Zeeschelde_regressie <- paste0("Lineaire regressiefits voor slibgehalte (\\%) – Zeeschelde. Data genest binnen Zeeschelde zones en fysiotopen. (data 2008-",recentste_jaar,").") + +knitr::include_graphics(paste0(pad_figuren, "060_figuur_regressieZS_mud.jpg")) + +``` + +
+ + +```{r 060-figuur-regressie-zijrivier-mud, fig.cap=slib_zijrivier_regressie, out.width="80%"} + +slib_zijrivier_regressie <- paste0("Lineaire regressiefits voor slibgehalte (\\%) – Zijrivieren. Data genest binnen waterloop en fysiotopen. (data 2008-",recentste_jaar,").") + +knitr::include_graphics(paste0(pad_figuren, "060_figuur_regressie_zijrivier_mud.jpg")) + +``` + +
+ ```{r 060-figuur-slib-Zeeschelde-intertidaalboxplotperiodes, fig.cap=slib_Zeeschelde_intertidaal, out.width="80%"} slib_Zeeschelde_intertidaal <- paste0("Slibgehalte (\\%) – Zeeschelde intertidaal. Boxplots data voor periode voor 2015 en 2015 en later. Zeeschelde I is exclusief de sedimentstalen genomen in de tijarm Zwijnaarde en de Scheldemeander tussen Melle en Gentbrugge (data 2008-",recentste_jaar,").") From 7d79ab8bdcb79d7683d80a602da262e911cef3b8 Mon Sep 17 00:00:00 2001 From: VAN RYCKEGEM Date: Wed, 2 Oct 2024 11:34:09 +0200 Subject: [PATCH 096/102] tikfout eruit gehaald --- .../150_geintegreerd_rapport/030_ecotopen.Rmd | 86 +++++++++++-------- 1 file changed, 49 insertions(+), 37 deletions(-) diff --git a/moneos_2024/150_geintegreerd_rapport/030_ecotopen.Rmd b/moneos_2024/150_geintegreerd_rapport/030_ecotopen.Rmd index 2cfeb29..94b5bde 100644 --- a/moneos_2024/150_geintegreerd_rapport/030_ecotopen.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/030_ecotopen.Rmd @@ -93,7 +93,8 @@ In deze rapportage wordt de ecotopenkaart voor de Beneden-Zeeschelde vooralsnog De kaart van het ecotopenstelsel *Zeeschelde 1.0* bestaat van `r vroegste_jaar` tot `r laatste_jaar`, terwijl de kaart van het ecotopenstelsel *Zeeschelde 2.0* teruggerekend is tot en met 2019. De ecotopenkaart Zeeschelde 2.0 werd voor het eerst gerapporteerd in het MONEOS rapport van 2022 (kaart van toestand 2020) (Mertens & Van Braeckel, 2022). -In dit MONEOSrapport wordt de ecotopenkaart van `r laatste_jaar` van de Beneden-Zeeschelde besproken. De kaarten van de Boven-Zeeschelde van `r laatste_jaar` zullen gerapporteerd worden in de volgende MONEOS rapportage, wegens vertraging in de aangeleverde data. +In dit MONEOSrapport wordt de ecotopenkaart van `r laatste_jaar` van de Beneden-Zeeschelde besproken. +De kaarten van de Boven-Zeeschelde van `r laatste_jaar` zullen gerapporteerd worden in de volgende MONEOS rapportage, wegens vertraging in de aangeleverde data. ## Methodologie {#ECTM} @@ -137,7 +138,8 @@ De fysiotopenkaart bakent abiotische eenheden af op basis van overspoelingsregim Het is een gecombineerd grid van lidar hoogtemetingen en multibeam bathymetriemetingen. - Overspoelingsfrequenties en droogvalduren worden berekend door interpolatie van waterstandsmetingen per tijpost en over een periode van 4 jaar. - De tijdata van het Waterbouwkundig Laboratorium worden via HIC webservices geleverd. Voor de Durme, Rupel en delen van de Boven-Zeeschelde wordt de Scaldis gemodelleerde tijdata gebruikt afkomstig van het Waterbouwkundig Laboratorium. + De tijdata van het Waterbouwkundig Laboratorium worden via HIC webservices geleverd. + Voor de Durme, Rupel en delen van de Boven-Zeeschelde wordt de Scaldis gemodelleerde tijdata gebruikt afkomstig van het Waterbouwkundig Laboratorium. Om de litorale fysiotopen af te bakenen worden doorsnedes gemaakt van waterhoogtes met het digitaal hoogtemodel. - Maximale stroomsnelheden bij vloed worden berekend volgens het Scaldis 3D-model van het Waterbouwkundig Laboratorium. @@ -155,7 +157,8 @@ Het referentienieveau is het 30e percentiel van het laagwater (LW30): In het ecotopenstelsel *Zeeschelde 2.0* blijven dezelfde dieptegrenzen gehandhaafd. Daarin worden telkens hoog- en laagdynamische habitats onderscheiden op basis van maximale stroomsnelheid bij vloed, berekend volgens het Scaldis 3D-model van het Waterbouwkundig Laboratorium. -Voor de jaren 2019 - 2021 is steeds hetzelfde Scaldis 2019 model gebruikt. In 2022 werd een nieuwe model-run uitgevoerd met de bathymetrie van 2022 als input. +Voor de jaren 2019 - 2021 is steeds hetzelfde Scaldis 2019 model gebruikt. +In 2022 werd een nieuwe model-run uitgevoerd met de bathymetrie van 2022 als input. De grenswaarden zijn gebaseerd op het voorkomen van ongewervelde bodemdiergemeenschappen (Van Braeckel et al, 2018) en verschillen per diepteklasse (Tabel \@ref(tab:030-tabel-dynamiek-ecotopen) ). In het ondiep subtidaal is de maximale stroomsnelheid voor laagdynamisch habitat 1.01 m/s. @@ -210,7 +213,8 @@ figtab(knitr::opts_current$get()$label,
De **supralitorale zone** is de zone boven gemiddeld hoogwater bij springtij (HW85). -De bovengrens van van deze zone is ook de bovengrens van het estuarium en werd theoretisch vastgelegd als de hoogte die op basis van tijdata gemiddeld vier maal per jaar overspoelt. Deze buitengrens wordt in principe niet steeds aangepast, tenzij de estuariene grens door ingrepen is verlegd. +De bovengrens van deze zone is ook de bovengrens van het estuarium en werd theoretisch vastgelegd als de hoogte die op basis van tijdata gemiddeld vier maal per jaar overspoelt. +Deze buitengrens wordt in principe niet steeds aangepast, tenzij de estuariene grens door ingrepen is verlegd. In het supralitoraal worden twee fysiotopen onderscheiden: @@ -225,11 +229,11 @@ Het hoog supralitoraal is dus de overgangszone tussen het schor en de dijkvegeta De grens tussen het hoog supralitoraal en het supralitoraal (s.s) of het schor verandert met het getijregime langs de longitudinale estuariene gradiënt. Van de Belgisch-Nederlandse grens tot de Roggeman en Vlassenbroek werd deze vastgelegd op 6,4m TAW. -Stroomopwaarts Roggeman/Vlassenbroek en in Durme en Rupel wordt 6,2m TAW aangehouden en in de Ringvaart en Tijarm Zwijnaarde 5.75m TAW. Voor de zoete zijrivieren (Dijle, Zenne, Nete) werd nog geen grens bepaald. +Stroomopwaarts Roggeman/Vlassenbroek en in Durme en Rupel wordt 6,2m TAW aangehouden en in de Ringvaart en Tijarm Zwijnaarde 5.75m TAW. +Voor de zoete zijrivieren (Dijle, Zenne, Nete) werd nog geen grens bepaald. Deze hoogtes zijn vastgesteld op basis van expertise en worden voorlopig toegepast. Momenteel wordt een ecologisch gevalideerde grens gedefinieerd op basis van voorkomende plantengemeenschappen. -Op basis van de resultaten van dit onderzoek zal in de toekomst gebruik gemaakt worden van een grens gebaseerd op de overspoelingsfrequenties, momenteel aangeduid met vraagtekens in Tabellen \@ref(tab:030-tabel-klassen-E1) en @ref(tab:030-tabel-klassen-E2)). - +Op basis van de resultaten van dit onderzoek zal in de toekomst gebruik gemaakt worden van een grens gebaseerd op de overspoelingsfrequenties, momenteel aangeduid met vraagtekens in Tabellen \@ref(tab:030-tabel-klassen-E1) en @ref(tab:030-tabel-klassen-E2)). ### Ecotopenkaart @@ -290,7 +294,6 @@ figtab(knitr::opts_current$get()$label, ``` - \newpage ## Ecotopen in de Zeeschelde @@ -303,27 +306,36 @@ De ecotopenkaart methode 1.0 van de Beneden-Zeeschelde in `r laatste_jaar` is te Tabel \@ref(tab:030-tabel-oppervlakte-BEZ) toont de oppervlaktes per ecotoop in de Beneden-Zeeschelde voor elk jaar vanaf `r vroegste_jaar` in hectare (ha) en als percentage (%) van de totale oppervlakte. -De korte en lange termijn evolutie van de ecotopen is beschreven in Tabel \@ref(tab:030-tabel-evolutie-BEZ) via de absolute verandering (ha) en de procentuele verandering (%) tussen de aangegeven jaren. Voor de korte termijn evolutie wordt het huidige jaar vergeleken met het jaar ervoor, terwijl voor de lange termijn evolutie de vergelijking van het huidig jaar gemaakt wordt met het eerste rapportage jaar (`r vroegste_jaar`). +De korte en lange termijn evolutie van de ecotopen is beschreven in Tabel \@ref(tab:030-tabel-evolutie-BEZ) via de absolute verandering (ha) en de procentuele verandering (%) tussen de aangegeven jaren. +Voor de korte termijn evolutie wordt het huidige jaar vergeleken met het jaar ervoor, terwijl voor de lange termijn evolutie de vergelijking van het huidig jaar gemaakt wordt met het eerste rapportage jaar (`r vroegste_jaar`). -Na een kleine toename van 0,7 hectare van het **sublitoraal** bij de vorige rapportage (Mertens & Van Braeckel, 2022), is dit ecotoop in `r laatste_jaar` terug in oppervlakte gedaald met 0,8 hectare (Tabel \@ref(tab:030-tabel-evolutie-BEZ)). Het diep subtidaal is anderzijds gestegen met 9,3 hectare en dit vooral ten koste van het matig diep subtidaal. Het ondiep subtidaal bleef vrij stabiel (Tabel \@ref(tab:030-tabel-oppervlakte-BEZ)). +Na een kleine toename van 0,7 hectare van het **sublitoraal** bij de vorige rapportage (Mertens & Van Braeckel, 2022), is dit ecotoop in `r laatste_jaar` terug in oppervlakte gedaald met 0,8 hectare (Tabel \@ref(tab:030-tabel-evolutie-BEZ)). +Het diep subtidaal is anderzijds gestegen met 9,3 hectare en dit vooral ten koste van het matig diep subtidaal. +Het ondiep subtidaal bleef vrij stabiel (Tabel \@ref(tab:030-tabel-oppervlakte-BEZ)). -In het **litoraal** is de totale oppervlakte aan zacht substraat met 6 hectare gestegen sinds `r laatste_jaar - 1`. Deze stijging vond vooral plaats in het laag slik zacht substraat. Het hoog slik zacht substraat is daarentegen licht gedaald in oppervlakte (3,4 hectare). +In het **litoraal** is de totale oppervlakte aan zacht substraat met 6 hectare gestegen sinds `r laatste_jaar - 1`. +Deze stijging vond vooral plaats in het laag slik zacht substraat. +Het hoog slik zacht substraat is daarentegen licht gedaald in oppervlakte (3,4 hectare). Het natuurlijk hard substraat in het litoraal is licht gedaald in `r laatste_jaar` ten opzichte van `r laatste_jaar - 1`. -De nieuwe slikken net ten noorden van Fort Filip bestonden in `r laatste_jaar - 1` vooral uit hard substraat, maar in `r laatste_jaar` is hier een zachte sliblaag opgekomen (Figuur \@ref(fig:030-figuur-kaart-ff)). Net achter de strekdam bevindt zich wel nog een verharde zone. +De nieuwe slikken net ten noorden van Fort Filip bestonden in `r laatste_jaar - 1` vooral uit hard substraat, maar in `r laatste_jaar` is hier een zachte sliblaag opgekomen (Figuur \@ref(fig:030-figuur-kaart-ff)). +Net achter de strekdam bevindt zich wel nog een verharde zone. -In het **supralitoraal** is de potentiële pionierzone opnieuw afgenomen en heeft met een oppervlakte van 17,2 hectare de laagste waarde bereikt sinds 2010. -Het schor is verder blijven toenemen, in `r laatste_jaar` met 14,8 hectare ten opzichte van `r laatste_jaar - 1`. -Beide verschijnselen worden deels verklaard doordat op de potentiële pionierzone op verschillende plaatsen schorvorming is ontstaan of uitgebreid in 2022. -Voorbeelden zijn in de Lillo ontpoldering (Figuur \@ref(fig:030-figuur-kaart-lillo)), de heraangelegde zone stroomopwaarts van Fort Filip (Figuur \@ref(fig:030-figuur-kaart-ff) in de hoek rechts onderaan) en eveneens in de Fasseit ontpoldering (Figuur \@ref(fig:030-figuur-kaart-fasseit)). Ook in de Burchtse Weel GGG zette de trend van verschorring zich voort (zie ook Mertens & Van Braeckel, 2022). +In het **supralitoraal** is de potentiële pionierzone opnieuw afgenomen en heeft met een oppervlakte van 17,2 hectare de laagste waarde bereikt sinds 2010. +Het schor is verder blijven toenemen, in `r laatste_jaar` met 14,8 hectare ten opzichte van `r laatste_jaar - 1`. +Beide verschijnselen worden deels verklaard doordat op de potentiële pionierzone op verschillende plaatsen schorvorming is ontstaan of uitgebreid in 2022. +Voorbeelden zijn in de Lillo ontpoldering (Figuur \@ref(fig:030-figuur-kaart-lillo)), de heraangelegde zone stroomopwaarts van Fort Filip (Figuur \@ref(fig:030-figuur-kaart-ff) in de hoek rechts onderaan) en eveneens in de Fasseit ontpoldering (Figuur \@ref(fig:030-figuur-kaart-fasseit)). +Ook in de Burchtse Weel GGG zette de trend van verschorring zich voort (zie ook Mertens & Van Braeckel, 2022). Het hoog supralitoraal is licht gedaald met 3,6 hectare. +Een voorbeeld van lokale schorvermindering is te zien in Figuur \@ref(fig:030-figuur-kaart-cauwelaertsluis) net voorbij de Van Cauwelaertsluis waar er schor verwijderd is door menselijke ingrepen. -Een voorbeeld van lokale schorvermindering is te zien in Figuur \@ref(fig:030-figuur-kaart-cauwelaertsluis) net voorbij de Van Cauwelaertsluis waar er schor verwijderd is door menselijke ingrepen. +Het antropogeen hard substraat (breuksteen) is over alle ecotopen afgenomen met 10,8 hectare. -Het antropogeen hard substraat (breuksteen) is over alle ecotopen afgenomen met 10,8 hectare. - -De totale oppervlakte estuarien gebied in de Beneden-Zeeschelde is met 1,9 hectare gedaald. Dit na een stijging van 5,3 hectare in `r laatste_jaar - 1` door de heraanleg rond Fort Filip. Deze 'verloren' oppervlakte betreft voor een deel de nieuwe hoge breuksteen zone rond Fort Filip, waarbij de zone die hoger dan de estuariene bovengrens ligt uit de kaart is verwijderd. Verder zijn er ook enkele zones van hoog supralitoraal die inmiddels duidelijk buiten de estuariene grens vallen uit de kaart verwijderd. +De totale oppervlakte estuarien gebied in de Beneden-Zeeschelde is met 1,9 hectare gedaald. +Dit na een stijging van 5,3 hectare in `r laatste_jaar - 1` door de heraanleg rond Fort Filip. +Deze 'verloren' oppervlakte betreft voor een deel de nieuwe hoge breuksteen zone rond Fort Filip, waarbij de zone die hoger dan de estuariene bovengrens ligt uit de kaart is verwijderd. +Verder zijn er ook enkele zones van hoog supralitoraal die inmiddels duidelijk buiten de estuariene grens vallen uit de kaart verwijderd.
@@ -344,7 +356,6 @@ knitr::include_graphics(paste0(pad_figuren, "030_figuur_Ecotoop_BEZ_", laatste_j ```{=tex} \begin{landscape} ``` - ```{r 030-tabel-oppervlakte-BEZ, results="asis", fig.show='hide', out.width="100%"} caption_tab <- str_c("Oppervlaktes en oppervlaktepercentages van ecotopen Zeeschelde 1.0 in de Beneden-Zeeschelde in de laatste 6 jaar voor ", laatste_jaar, ", inclusief het startjaar ", vroegste_jaar, ".") @@ -406,7 +417,6 @@ knitr::include_graphics(paste0(pad_figuren, "030_figuur_Fasseit_2022.png")) ``` -
(ref:figcauw) Ecotopenkaart Zeeschelde 1.0 2022 voorbij Van Cauwelaertsluis (centraal onder), overzichtskaart met rode kader als indicator detailkaart (linksboven), ecotopenkaart 2021 1.0 (rechtsboven). Zie Figuur \@ref(fig:030-figuur-kaart-bez) voor legende. @@ -417,7 +427,6 @@ knitr::include_graphics(paste0(pad_figuren, "030_figuur_Cauwelaertsluis_2022.png ``` -
Om de veranderingen beschreven in Tabel \@ref(tab:030-tabel-oppervlakte-BEZ) en Tabel \@ref(tab:030-tabel-evolutie-BEZ) goed te begrijpen is het relevant om naast het bespreken van het geheel estuarien gebied met laterale uitbreidingen ook naar de 'enge' planimetrie van het estuarium te kijken (zie bijvoorbeeld Van Braeckel & Elsen, 2020), met name het estuariene deel van de Beneden-Zeeschelde zonder de laterale uitbreidingen van de natuurontwikkelingsprojecten. @@ -425,12 +434,15 @@ Deze aanpak beschrijft beter de evolutie van de ecotopen in de Beneden-Zeescheld De gebieden die dus niet in rekening worden gebracht onder de 'enge' planimetrie van de Beneden-Zeeschelde zijn nieuwe Sigmagebieden of natuurontwikkelingsprojecten in KRWzone IV en III tot aan de Rupelmonding. De oppervlaktes van de ecotopen binnen de 'enge' planimetrie zijn weergegeven in Tabel \@ref(tab:030-tabel-eng-BEZ) en het verschil in evolutie binnen het gehele estuarien gebied en enkel de 'enge' planimetrie is te zien in Figuur \@ref(fig:030-figuur-evolutie-bez). -Zowel op korte als lange termijn volgen de evoluties in het laag en middelhoog slik dezelfde tendensen in de 'enge' planimetrie als in de volledige planimetrie. Het laag slik zacht substraat kent vooral schommelingen van stijgende en dalende oppervlakte in de enge planimetrie en is meest recentelijk gestegen. Het middelhoog slik zacht substraat is licht gestegen. -De zeer geleidelijke afname van de oppervlakte hoog slik zacht substraat zoals die zich voordoet in de volledige planimetrie is pas sinds `r laatste_jaar - 1` ook zichtbaar in de enge planimetrie, daarvoor bleef deze oppervlakte eerder stabiel. +Zowel op korte als lange termijn volgen de evoluties in het laag en middelhoog slik dezelfde tendensen in de 'enge' planimetrie als in de volledige planimetrie. +Het laag slik zacht substraat kent vooral schommelingen van stijgende en dalende oppervlakte in de enge planimetrie en is meest recentelijk gestegen. +Het middelhoog slik zacht substraat is licht gestegen. +De zeer geleidelijke afname van de oppervlakte hoog slik zacht substraat zoals die zich voordoet in de volledige planimetrie is pas sinds `r laatste_jaar - 1` ook zichtbaar in de enge planimetrie, daarvoor bleef deze oppervlakte eerder stabiel. De oppervlakte potentiële pionierzone is zowel in het volledige gebied als binnen de 'enge' planimetrie gedaald ten opzichte van `r laatste_jaar -1`, maar het grootste deel van de daling heeft plaatsgevonden binnen de laterale uitbreidingen. -Het grootste verschil in de vergelijking tussen de enge en volledige planimetrie vinden we in het schor waar de verdubbeling in oppervlakte sinds 2010 nagenoeg volledig is toe te schrijven aan toename in de laterale uitbreidingen. Op korte termijn vinden we hier een toename in zowel de enge als de volledige planimetrie. +Het grootste verschil in de vergelijking tussen de enge en volledige planimetrie vinden we in het schor waar de verdubbeling in oppervlakte sinds 2010 nagenoeg volledig is toe te schrijven aan toename in de laterale uitbreidingen. +Op korte termijn vinden we hier een toename in zowel de enge als de volledige planimetrie. De afname van het hoog supralitoraal vond voornamelijk plaats binnen de 'enge' planimetrie. @@ -438,7 +450,6 @@ De afname van antropogeen hard substraat gebeurde eveneens hoofdzakelijk binnen
- ```{r 030-tabel-eng-BEZ, results="asis", fig.show='hide', out.width="100%"} caption_tab <- str_c("Ecotooparealen Zeeschelde 1.0 in de ‘enge planimetrie’ van de Beneden‐Zeeschelde zonder de NOP’s of ontpolderingen, dijkverleggingen en aantakkingen tussen ", vroegste_jaar, " en ", laatste_jaar, ".") @@ -467,18 +478,24 @@ De ecotopenkaart methode 2.0 van de Beneden-Zeeschelde in `r laatste_jaar` is te Tabel \@ref(tab:030-tabel-oppervlakte-BEZ-20) toont de oppervlaktes per ecotoop in de Beneden-Zeeschelde voor elk jaar vanaf 2019 in hectare (ha) en als percentage (%) van de totale oppervlakte. -De korte en lange termijn evolutie van de ecotopen is opnieuw beschreven in Tabel \@ref(tab:030-tabel-evolutie-BEZ-20) via de absolute verandering (ha) en de procentuele verandering (%) tussen de aangegeven jaren. Voor de korte termijn evolutie wordt het huidige jaar vergeleken met het jaar ervoor, terwijl voor de lange termijn evolutie de vergelijking van het huidig jaar gemaakt wordt met het eerste rapportage jaar (2019 voor Zeeschelde 2.0). +De korte en lange termijn evolutie van de ecotopen is opnieuw beschreven in Tabel \@ref(tab:030-tabel-evolutie-BEZ-20) via de absolute verandering (ha) en de procentuele verandering (%) tussen de aangegeven jaren. +Voor de korte termijn evolutie wordt het huidige jaar vergeleken met het jaar ervoor, terwijl voor de lange termijn evolutie de vergelijking van het huidig jaar gemaakt wordt met het eerste rapportage jaar (2019 voor Zeeschelde 2.0). In het **sublitoraal** is een onderverdeling gemaakt tussen hoog- en laagdynamisch subtidaal, op basis van de maximale stroomsnelheid bij vloed. De tabel toont dat de diepere delen (diep en matig diep subtidaal) grotendeels hoogdynamisch zijn. -In het ondiep subtidaal is het aandeel laagdynamisch iets groter dan het aandeel hoogdynamisch. Tegenover `r laatste_jaar - 1` heeft er in alle diepteklassen een verschuiving plaatsgevonden van hoogdynamisch naar laagdynamisch. +In het ondiep subtidaal is het aandeel laagdynamisch iets groter dan het aandeel hoogdynamisch. +Tegenover `r laatste_jaar - 1` heeft er in alle diepteklassen een verschuiving plaatsgevonden van hoogdynamisch naar laagdynamisch. - -Bij de berekening van het **litoraal** zijn aangepaste grenzen gebruikt ten opzichte van ecotopen 1.0, afhankelijk van de saliniteitszone. Hierdoor is het aandeel middelhoog slik kleiner en het aandeel hoog slik groter dan bij het ecotopenstelsel 1.0. Verder volgen de evoluties van het litoraal in ecotopenstelsel 2.0 eenzelfde patroon als bij 1.0, met een stijging in het laag slik zacht substraat en een kleinere daling in het hoog slik zacht substraat. Beiden patronen zijn iets sterker in het ecotopenstelsel 2.0. +Bij de berekening van het **litoraal** zijn aangepaste grenzen gebruikt ten opzichte van ecotopen 1.0, afhankelijk van de saliniteitszone. +Hierdoor is het aandeel middelhoog slik kleiner en het aandeel hoog slik groter dan bij het ecotopenstelsel 1.0. +Verder volgen de evoluties van het litoraal in ecotopenstelsel 2.0 eenzelfde patroon als bij 1.0, met een stijging in het laag slik zacht substraat en een kleinere daling in het hoog slik zacht substraat. +Beiden patronen zijn iets sterker in het ecotopenstelsel 2.0. In de aangepaste methode wordt ook de helling van de slikken in rekening gebracht. De oppervlaktes per slikecotoop met een steile (\>25%) en zwakke (\<=25%) helling zijn beschreven in Tabel (\@ref(tab:030-tabel-oppervlakte-helling-BEZ-20)). -Zowel het litoraal zacht substraat als het litoraal hard natuurlijk hebben vrijwel geen steile hellingen. In het litoraal antropogeen hard substraat is wel een redelijk aandeel steil, namelijk ongeveer 39% van het totaal oppervlak litoraal hard antropogeen, wat iets meer is dan in `r laatste_jaar-1` toen het ongeveer 33% was. De overige 61% litoraal hard antropogeen heeft dus nog steeds een hellingsgraad van kleiner dan of gelijk aan 25%. +Zowel het litoraal zacht substraat als het litoraal hard natuurlijk hebben vrijwel geen steile hellingen. +In het litoraal antropogeen hard substraat is wel een redelijk aandeel steil, namelijk ongeveer 39% van het totaal oppervlak litoraal hard antropogeen, wat iets meer is dan in `r laatste_jaar-1` toen het ongeveer 33% was. +De overige 61% litoraal hard antropogeen heeft dus nog steeds een hellingsgraad van kleiner dan of gelijk aan 25%.
@@ -494,7 +511,6 @@ knitr::include_graphics(paste0(pad_figuren, "030_figuur_Ecotoop_BEZ_", laatste_j \newpage - ```{r 030-tabel-oppervlakte-BEZ-20, results="asis", fig.show='hide', out.width="100%"} caption_tab <- str_c("Oppervlaktes en oppervlaktepercentages van ecotopen in de Beneden-Zeeschelde in ", laatste_jaar, " volgens de Zeeschelde ecotopen 2.0.") @@ -531,8 +547,6 @@ figtab(knitr::opts_current$get()$label, ``` - - ## Referenties @@ -565,7 +579,6 @@ MONEOS -- Geïntegreerd datarapport INBO: Toestand Zeeschelde 2017: Monitoringso Instituut voor Natuur- en Bosonderzoek. - Van Braeckel, A., Speybroeck, J., Vanoverbeke, J., Van Ryckegem, G., & Van den Bergh, E. (2018). Habitatmapping Zeeschelde subtidaal: Relatie tussen bodemdieren en hydro- en morfodynamiek. @@ -573,5 +586,4 @@ Habitatmapping Zeeschelde subtidaal: Relatie tussen bodemdieren en hydro- en mor Instituut voor Natuur- en Bosonderzoek. -
From c8f6fc942919cef67c20095864927d56b90b48e6 Mon Sep 17 00:00:00 2001 From: VAN RYCKEGEM Date: Wed, 2 Oct 2024 12:55:04 +0200 Subject: [PATCH 097/102] tekstuele aanpassing overzicht --- .../020_Overzicht.Rmd | 21 +++++++------------ 1 file changed, 8 insertions(+), 13 deletions(-) diff --git a/moneos_2024/150_geintegreerd_rapport/020_Overzicht.Rmd b/moneos_2024/150_geintegreerd_rapport/020_Overzicht.Rmd index bfaec7f..ab1323c 100644 --- a/moneos_2024/150_geintegreerd_rapport/020_Overzicht.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/020_Overzicht.Rmd @@ -44,13 +44,11 @@ pad_tabellen <- maak_pad(hoofdstuk, "tabellen") ## Overzicht -In dit hoofdstuk wordt een overzicht gegeven van de natuurontwikkelingsprojecten die reeds uitgevoerd zijn in de Zeeschelde, met weergave van de voornaamste karakteristieken van het gebied. -Onderstaande informatie is beschikbaar gemaakt via het online portaal . -Deze website omvat een databank met uitgevoerde estuariene natuurontwikkelingsprojecten. +In dit hoofdstuk wordt een overzicht gegeven van de natuurontwikkelingsprojecten die reeds uitgevoerd zijn in de Zeeschelde (Tabel \@ref(tab:020-tabel-natuurontwikkelingsprojecten)). Voor details over de uitvoering en de initiele evoluties in de ontpolderingen wordt verwezen naar Van de Neucker et al., (2007) en Speybroeck et al. (2011). -De evoluties in de GGG's[^overzicht-1] worden opgevolgd door Universiteit Antwerpen (Maris et al., 2019). -In totaal werd er sinds 2003 ruim 750 ha aan estuariene natuurontwikkeling gerealiseerd (Tabel \@ref(tab:020-tabel-natuurontwikkelingsprojecten)). +De evoluties in de GGG's[^overzicht-1] worden opgevolgd door Universiteit Antwerpen (Maris et al., 2023). +Voor de gebieden waar ecotopenkaarten beschikbaar zijn, werd de oppervlakte estauriene natuur afgeleid uit de laatst beschikbare habitatkaart. Dit is exclusief de dijken of hoge zones die geen schor zijn (zie definities hoofdstuk ecotopen). Deze hogere zones kunnen eventueel wel nog een veiligheidsfunctie vervullen. [^overzicht-1]: Gecontroleerd Gereduceerd Getijdengebied @@ -83,7 +81,7 @@ tabel_natuurontwikkelingsprojecten[c(20),4] <- sapply(tabel_natuurontwikkelingsp tabel_natuurontwikkelingsprojecten %>% - knitr::kable(caption = "Overzicht van de uitgevoerde estuariene natuurontwikkelingsprojecten langsheen de Zeeschelde en zijrivieren. De gebieden staan gerangschikt van grens BE-NL stroomopwaarts. MWeA - Meest Wenselijk Alternatief - geactualiseerd Sigmaplan gebieden zijn geselecteerd (Synthesenota, 2005 inclusief KBR).", + knitr::kable(caption = "Overzicht van de uitgevoerde estuariene natuurontwikkelingsprojecten langsheen de Zeeschelde en zijrivieren. De gebieden staan gerangschikt van grens BE-NL stroomopwaarts. Gebieden opgenomen in het MWeA - Meest Wenselijk Alternatief (Synthesenota, 2005) inclusief KBR. Habitatoppervlakte bepaald op basis van de laatste ecotopenkaarten (indien reeds ecotopenkaart beschikbaar is voor gebied)", # "latex", booktabs = T, escape = F) %>% @@ -147,20 +145,17 @@ cap_oppervlakte <- "Cumulatieve oppervlakte gerealiseerde estuariene natuurontwi # knitr::include_graphics(paste0(pad_figuren, "10_figuur_oppervlakte_estuariene_natuurontwikkeling.jpg")) ``` +In totaal werd er sinds 2003 ruim 660 ha aan estuariene natuur (slik+schor) gerealiseerd. Hiervan werd 600 ha gerealiseerd in het kader van het MWeA (inclusief KBR). De doelstelling is om 2000 ha estuarien habitat (slik (500 ha) en schor (1500 ha)) te realiseren. Er zijn al grote stappen gezet maar voor het behalen van de doelstellingen is het nodig om extra estuariene natuur te ontwikkelen. + ## Recente ontwikkelingen Sinds 2021 werden verschillende estuariene Sigmaprojecten opgeleverd. -In juni 2021 werd de ontpoldering/dijkverlegging te Fort Filip gerealiseerd. Het Groot Schoor te Hamme werd als ontpoldering gerealiseerd in juli 2021. Het GGG Grote Vijver Noord langsheen de Beneden Nete trad in werking in maart 2022. Enkele maanden later in oktober 2022 werd definitief Prosper- en Hedwigepolder gebrest. Zo kwam er ruim 450 ha estuariene natuur in één klap bij. In het laatste monitoringsjaar werd het Klein Broek langsheen de Durme uitgevoerd. Dit resulteerde in ongeveer 35 ha extra estuariene natuur. In totaal werd tot nu toe 600 ha estuariene natuur gerealiseerd in het kader van het Sigmaplan (exclusief Hediwige). +In juni 2021 werd de ontpoldering/dijkverlegging te Fort Filip gerealiseerd. Het Groot Schoor te Hamme werd als ontpoldering gerealiseerd in juli 2021. Het GGG Grote Vijver Noord langsheen de Beneden Nete trad in werking in maart 2022. Enkele maanden later in oktober 2022 werd definitief Prosper- en Hedwigepolder gebrest. Zo kwam er ruim 450 ha estuariene natuur in één klap bij. In het laatste monitoringsjaar werd het Klein Broek langsheen de Durme uitgevoerd. Dit resulteerde in ongeveer 35 ha extra estuariene natuur. ## Referenties -Maris, T., S. Baeten, K. De Schamphelaere, T. Van den Neucker, T. -van den Broeck & P. -Meire (2019). -Onderzoek naar de gevolgen van het Sigmaplan, baggeractiviteiten en havenuitbreiding in de Zeeschelde op het milieu. -Geïntegreerd eindverslag van het onderzoek verricht in 2018, deelrapport Intergetijdengebieden. -ECOBE 019-R245 Universiteit Antwerpen, Antwerpen. +Maris T., Baeten S., Van den Neucker T., van den Broeck T., Oosterlee L. & Meire P. (2023). Onderzoek naar de gevolgen van het Sigmaplan, baggeractiviteiten en havenuitbreiding in de Zeeschelde op het milieu. Geïntegreerd eindverslag van het onderzoek verricht in 2022, deelrapport Intergetijdengebieden. ECOSPHERE 024-RES022 Universiteit Antwerpen, Antwerpen. Speybroeck J., Van Ryckegem G., Vandevoorde B. & Van de Bergh E. From d6ffa933be3e11b1ce674a97842ad194994897b1 Mon Sep 17 00:00:00 2001 From: VAN RYCKEGEM Date: Wed, 2 Oct 2024 17:26:03 +0200 Subject: [PATCH 098/102] kleine toevoegingen, fix om EQR figuur in te laden --- .../150_geintegreerd_rapport/092_vissen_fuiken.Rmd | 8 ++++---- 1 file changed, 4 insertions(+), 4 deletions(-) diff --git a/moneos_2024/150_geintegreerd_rapport/092_vissen_fuiken.Rmd b/moneos_2024/150_geintegreerd_rapport/092_vissen_fuiken.Rmd index 2fe05ae..145802a 100644 --- a/moneos_2024/150_geintegreerd_rapport/092_vissen_fuiken.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/092_vissen_fuiken.Rmd @@ -76,13 +76,13 @@ Over de seizoenen werden met de fuiken het grootste aantal soorten gevangen in d Totaal over de beschouwde periode (`r vroegste_jaar` - `r laatste_jaar`) worden meest soorten gevangen in de zone met sterke saliniteitsgradiënt (Zandvliet/Paardenschor \> Antwerpen) (Figuur \@ref(fig:092-figuur-aantal-soorten-locatie-historisch)) en daalt de soortenrijkdom in stroomopwaartse richting, met iets minder soorten in de oligohaliene zone (Steendorp), en het laagst aantal soorten in de zoetwaterzone met lange (Kastel) en korte (Appels, Overbeke) verblijftijd. Vanaf 2017 worden in de zone met sterke saliniteitsgradiënt wel minder soorten gevangen. - + De soortensamenstelling op elke locatie kan sterk verschillen tussen de seizoenen, met een turnover van ongeveer één derde van de soorten. Het totaal aantal soorten jaarlijks gevangen met fuiken in de Zeeschelde (over alle locaties) in de periode `r vroegste_jaar` - `r laatste_jaar` varieert rond de 33 (Figuur \@ref(fig:092-figuur-aantal-soorten-locatie-historisch)). Tot een kwart van het aantal gevangen soorten kan verschillen tussen de locaties. Het aantal gevangen soorten per jaar vertoont meer variatie vanaf 2016. -In 2022 zijn er met de fuiken beduidend minder soorten gevangen dan de jaren voorheen. +In 2022 zijn er met de fuiken beduidend minder soorten gevangen dan de jaren voorheen. Dit heeft waarschijnlijk te maken met de halvering van het aantal fuikdagen per campagne van 2 naar 1 etmaal per locatie. Uit vergelijking tussen vangsten na eerste en tweede etmaal in 144 campagnes blijkt dat een tweede vangst 0 tot 6 extra soorten oplevert met een gemiddelde van 2 soorten. @@ -625,7 +625,7 @@ We berekenden de indexwaarden voor alle beschikbare gegevens (Tabel \@ref(tab:09 De evolutie van de visindex in de Zeeschelde is ook één van de INBO natuurindicatoren () In de periode 2011-2020 was deze indicator redelijk stabiel in vergelijking tot het decennium dat daaraan voorafging: De zoete zone scoorde doorgaans beter dan de zone met sterke saliniteitsgradiënt en de oligohaliene zone had meestal de laagste score. -De laatste twee jaren daalde de EQR van de zoete zone echter van GEP in 2020 over matig in 2021 naar ontoereikend in 2022 en `r laatste_jaar`. +De laatste twee jaren daalde de EQR van de zoete zone echter van goed ecologisch potentieel in 2020 over matig in 2021 naar ontoereikend in 2022 en `r laatste_jaar`. De beide andere zones haalden nog nooit de goede ecologische toestand en scoren beide ontoereikend in `r laatste_jaar`. Figuur \@ref(fig:092-figuur-spindiagram) geeft voor elke zone een indicatie van de ecologische aspecten die minder en beter scoren in `r laatste_jaar`. @@ -676,7 +676,7 @@ knitr::include_graphics(str_c(maak_pad(hoofdstuk, "figuren/EQR"), "visindex_EQR. ```{r 092-figuur-spindiagram, fig.cap=cap_spindiagram, out.width="70%", fig.show="hold", fig.fullwidth=TRUE} cap_spindiagram <- - str_c("Metriek scores en EQR voor de verschillende saliniteitszones van de Zeeschelde in ",laatste_jaar,".") + str_c("Metriek scores en EQR voor de verschillende saliniteitszones van de Zeeschelde in ",laatste_jaar,". Zie tabel 1.2 voor betekenis metrieken") figs_spin <- list.files(maak_pad(hoofdstuk, "figuren/EQR"), full.names = TRUE) %>% From c6f04f5e23f89631484e6c9429114850959a816b Mon Sep 17 00:00:00 2001 From: VAN RYCKEGEM Date: Wed, 2 Oct 2024 17:26:33 +0200 Subject: [PATCH 099/102] layout aanpassing --- moneos_2024/150_geintegreerd_rapport/LICENSE.md | 4 +++- 1 file changed, 3 insertions(+), 1 deletion(-) diff --git a/moneos_2024/150_geintegreerd_rapport/LICENSE.md b/moneos_2024/150_geintegreerd_rapport/LICENSE.md index bed44e0..7e5a52a 100644 --- a/moneos_2024/150_geintegreerd_rapport/LICENSE.md +++ b/moneos_2024/150_geintegreerd_rapport/LICENSE.md @@ -1,4 +1,6 @@ -# Creative Commons Attribution 4.0 International +## creative commons + +# Attribution 4.0 International Creative Commons Corporation (“Creative Commons”) is not a law firm and does not provide legal services or legal advice. Distribution of Creative Commons public licenses does not create a lawyer-client or other relationship. Creative Commons makes its licenses and related information available on an “as-is” basis. Creative Commons gives no warranties regarding its licenses, any material licensed under their terms and conditions, or any related information. Creative Commons disclaims all liability for damages resulting from their use to the fullest extent possible. From 7fca9596b8c859a99097d782c74ab1b014a32e69 Mon Sep 17 00:00:00 2001 From: VAN RYCKEGEM Date: Wed, 2 Oct 2024 20:29:41 +0200 Subject: [PATCH 100/102] dankwoord aangepast eerste deel abstract aangepast --- .../150_geintegreerd_rapport/000_abstract.Rmd | 80 +++++++------------ 1 file changed, 30 insertions(+), 50 deletions(-) diff --git a/moneos_2024/150_geintegreerd_rapport/000_abstract.Rmd b/moneos_2024/150_geintegreerd_rapport/000_abstract.Rmd index d3839e6..307685c 100644 --- a/moneos_2024/150_geintegreerd_rapport/000_abstract.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/000_abstract.Rmd @@ -7,26 +7,26 @@ Dank aan Erwin De Backer (Waterbouwkundig laboratorium) voor de uitstekende plan De zoogdierengegevens werden met toestemming ontleend uit de databank van Waarnemingen.be (Natuurpunt VZW). -De superdeluxe dataverzameling en het laboratoriumwerk voor watervogels, hyperbenthos, macrozoöbenthos en de hoogteraaien werden uitgevoerd door Olja Bezdenjesnji, Dimitri Buerms, Nico De Regge, Kenny Hessel, Charles Lefranc, Vincent Smeekens, Jan Soors en Frederic Van Lierop. +De superdeluxe dataverzameling en het laboratoriumwerk voor watervogels, hyperbenthos, macrozoöbenthos en de hoogteraaien werden uitgevoerd door Dimitri Buerms, Ada Coudenys, Nico De Regge, Kenny Hessel, Charles Lefranc, Vincent Smeekens, Jan Soors en Frederic Van Lierop. Topteam Estuaria! De vismonitoring en data aanlevering werden voor ons verzorgd door INBO team MHAF (Monitoring Herstel Aquatische Fauna). -De onderzoekers en onderzoeksmedewerkers leverden opnieuw prachtig werk: Olja Bezdenjesnji, Adinda De Bruyn, Franky Dens, Marc Dewit, Linde Galle, Isabel Lambeens, Yves Maes, Thomas Terrie, Gerlinde Van Thuyne en Jeroen Van Wichelen. -Voor de ankerkuilvisserij konden we rekenen op Sjaak Bout en Davy Govers. +Medewerkers van team MHAF leverden opnieuw prachtig werk: Olja Bezdenjesnji, Franky Dens, Marc Dewit, Linde Galle, Isabel Lambeens, Yves Maes, Thomas Terrie, Grim Boddez en Laura Van de Meersche. +Voor de ankerkuilvisserij konden we rekenen op Sjaak, Job en Davy. Dankzij hun professionele vaardigheid zijn de campagnes in 2022 vlot verlopen en kon ons onderzoek in de beste omstandigheden worden uitgevoerd, dank u wel. Mevrouw Cabradilla (de Vlaamse Waterweg nv) verleent ons altijd vlot de nodige aanmeertoelatingen, hartelijk dank. -We zijn ook de mensen van BMK en in het bijzonder Els Lommelen zeer erkentelijk en dankbaar voor de technische ondersteuning en begeleiding bij het uitwerken van de rapportering via rmarkdown, bookdown en github. +We zijn ook de mensen van BMK en in het bijzonder Els Lommelen erkentelijk voor de technische ondersteuning en begeleiding bij het uitwerken van de rapportering via rmarkdown, bookdown en github. # Samenvatting {.unnumbered} Deze rapportage geeft toelichting bij de datarapportage van de geïntegreerde systeemmonitoring van het Schelde-estuarium, kortweg MONEOS (= MONitoring Effecten OntwikkelingsSchets), uitgevoerd door het INBO. -De nadruk ligt op de resultaten van het monitoringsjaren 2021-2022 voor de aspecten leefomgeving voor flora en fauna en ecologie. +De nadruk ligt op de resultaten van het monitoringsjaren 2022-2023 voor de aspecten leefomgeving voor flora en fauna en ecologie. -We lichten de langjarige trends toe en we voeren in de datarapportage de Evaluatiemethodiek Schelde-estuarium (EMSE) uit voor verschillende hoofdstukken. +We lichten de langjarige trends toe en we voeren de Evaluatiemethodiek Schelde-estuarium (EMSE) uit voor verschillende hoofdstukken. -We bespreken de ecotopenkaart van 2021 van de Beneden-Zeeschelde. -Het globale plaatje is een uitruiming van de vaargeul met steiler wordende oevers als gevolg. De kaart toont de grootste oppervlakte sublitoraal (water) sinds de start van de meetreeks. De schoroppervlakte nam ook verder toe, vooral in nieuwe Sigmagebieden. Voor het eerst werd het Fort Filip als afgewerkt Sigmaproject opgenomen in de ecotopenkaart. Dit resulteerde in een netto uitbreiding van het estuarium met 5 ha. Ongeveer 4 ha daarvan is wel antropogeen hard substraat. De ecologische kwaliteitswinst zit voornamelijk in het omvormen van hoogdynamisch diep water naar laagdynamisch ondiep aansluitend op een bredere gradiënt aan slikken, en de sanering van de site zelf. +We bespreken de ecotopenkaart van 2022 van de Beneden-Zeeschelde. +Het globale plaatje over de lange termijn is een uitruiming van de vaargeul met steiler wordende oevers als gevolg. De schoroppervlakte neemt ook verder toe, vooral in nieuwe Sigmagebieden. In het tot nu toe toegepaste Zeeschelde ecotopenstelsel 1.0 werden subtidale (water) en litorale (slik) ecotopen vooralsnog uitsluitend op basis van diepte en overspoelingsregime onderscheiden, zonder ecologische validatie. Op basis van recent onderzoek werd het ecotopenstelsel Zeeschelde 2.0 voorgesteld. In deze rapportage wordt de ecotopenkaart voor de Beneden‐Zeeschelde 2021 volgens beide ecotopenstelsels voorgesteld en vergeleken. @@ -34,41 +34,23 @@ Zo kunnen we nu in het sublitoraal de ecologisch meest waardevolle zones identif 8.5% van het sublitoraal blijkt laagdynamisch waardevol habitat en situeert zich grotendeels in het ondiep subtidaal. De klassificatie resulteert verder vooral in een verschuiving van middelhoog naar hoog slik zacht substraat of hard antropogeen (op hoog slik). De steile slikken zijn in hoofdzaak antropogeen verstevigde breuksteenzones. -Op basis van de eerste dataverkenning tonen de sedimentdata verzameld bij de macrozoöbenthosstalen doorgaans het slibrijker worden van het litoraal en het ondiep- en matig diep sublitoraal sinds 2011. -Dit is vooral opvallend in de zoete zones. -In de diepere geul van de zone met sterke saliniteitsgradiënt is de variatie in sedimentsamenstelling groot en zonder duidelijk patroon. -In de olighohaliene zone en zoet lange zone van de Zeeschelde wordt de diepe waterbodem zandiger. +Op basis van een statistische verkenning tonen de sedimentdata verzameld bij de macrozoöbenthosstalen significant slibrijker wordende bodems. Dit is opvallend voor de intertidale habitats van de zijrivieren en de Zeeschelde. Opvallend is dat ook de geul van de zone met sterke saliniteitsgradiënt (Beneden-Zeeschelde) significant slibrijker wordt. Nochtans is de variatie in sedimentsamenstelling hier net groot. De geul in zone met korte verblijftijd lijkt anderzijds minder slibrijk te worden (nog niet significant). -De soortenrijkdom van het macrozoöbenthos (exclusief Oligochaeta) lijkt de laatste jaren licht te stijgen in de meeste zones van de Zeeschelde. +De soortenrijkdom van het macrozoöbenthos (exclusief Oligochaeta) lijkt de laatste jaren licht te stijgen in de meeste zones van de Zeeschelde.De shannondiversiteit in het intertidaal neemt toe in vrijwel alle zones sinds 2015. In het subtidaal zijn er veel diversiteitsschommelingen. -De shannondiversiteit in het intertidaal neemt toe in vrijwel alle zones sinds 2015. -Dit is vooral opvallend in de zone met sterke salinteitsgradiënt indien je de index baseert op aantallen, maar de index is negatief als de diversiteitsmaat gebaseerd is op biomassa. -Dat laatste is wellicht te wijten aan de opkomst van de brakwaterkorfschelp (*Potamocorbula amurensis*) en de platte slijkgapper (*Scrobicularia plana*). -Deze soorten zijn meteen ook de oorzaak van de hoge systeembiomassa berekend voor de zone met sterke saliniteitsgradiënt, waardoor ook voor het tweede jaar op rij de intertidale systeembiomassa ruim de doelstelling van 30 ton droge stof overschrijdt. -Hoewel de systeembiomassa ruim de doelstelling haalt, worden niet in alle deelzones de lokale doelstellingen gehaald. -Vooral in de oligohaliene en de zoete zone met lange verblijftijd is de biomassa en soortenrijkdom macrozoöbenthos (te) laag. De zone Zoet kort verblijf bleef de hele monitoringsperiode wel afgetekend het soortenrijkste waterlichaam. +In de zone met sterke saliniteitsgradiënt is er een sterke toename te noteren van schelpdieren. Vooral van de brakwaterkorfschelp (*Potamocorbula amurensis*) in het laag intertidaal en subtidaal en de platte slijkgapper (*Scrobicularia plana*) in het intertidaal. +Door de bemonstering op kleine oppervlakte is de kans op een toevalstreffer bij grotere organismen te groot (en de fout op de biomassaberekening te groot). Dit verklaart wellicht de lagere biomassaberekening voor de zone met sterke saliniteitsgradiënt in 2022. Om dit te verbeteren hebben we onze monitoringsmethodiek aangepast hebben naar een aanvullende staalname, gericht op bivalven, met grotere core en levend zeven. In de Boven-Zeeschelde werd een belangrijk deel van de systeembiomassa gerealiseerd in de zone zoet korte verblijftijd, meer bepaald in de Scheldemeander tussen Melle en Gentbrugge. We zien dat de bodemdierbiomassa hier de laatste jaren daalt. Deze daling stuurt ook mee de algemene patronen van de bodemdierbiomassa in de Zeeschelde. + De soortenrijkdom van het hyperbenthos schommelt van jaar tot jaar. -In 2022 werd het hoogste aantal taxa, zowel totaal als enkel inheemse soorten, vastgesteld sinds de start van -de monitoring. Een hogere soortenrijkdom hangt mogelijk samen met droge jaren met lage bovenafvoer, -omdat soorten uit de Westerschelde dan vaker en verder doordringen in de Zeeschelde. -Biomassa vertoont een ander patroon met in de zones stroomopwaarts van Antwerpen een gestage +Biomassa vertoont een patroon met in de zones stroomopwaarts van Antwerpen een gestage toename na juni tot het einde van het jaar. Dit bevestigt de aanname dat dit voor veel hyperbenthische soorten en vooral voor garnalen, aasgarnalen en vissen, een opgroeigebied is. De evolutie van densiteiten en biomassa overheen de monitoringsjaren is onderhevig aan grote schommelingen die samen hangen -met goede en slechte jaren van specifieke soorten. Het optreden van goede of slechte jaren kan soms -gelinkt worden aan bovenafvoer en zoutgehalte, maar is ook vaak nog niet goed begrepen. Van de recente -jaren 2021‐2022, die hier gerapporteerd worden, is vooral 2021 opmerkelijk. De historisch natte zomer -en de daarmee gepaard gaande piekdebieten zorgden voor bijzonder lage hyperbenthosdensiteiten vanaf -juli tot oktober. Vanwege de grote jaarlijkse variatie introduceerden we ook een parameter die naar het -lopend gemiddeld over 3 jaar kijkt, wat een stabieler beeld van evoluties geeft. Deze parameter is meer -richtinggevend voor langetermijntrends, en vertoonde in de meeste gevallen minder dan 25% variatie sinds -2015, wat recent vooropgesteld werd als nieuw kwaliteitscriterium. De laatste jaren lijkt de totale hyperbenthosbiomassa in het systeem te dalen. Vooral de grijze garnaal en de langneussteurgarnaal zijn, na elk -een eigen bloeiperiode, nu al enkele jaren in lagere aantallen aanwezig. - -In deze rapportage wordt de vismonitoring in 2022 op de Zeeschelde door ankerkuil en fuiken besproken. 2022 was een bodemjaar voor het aantal spieringen in de Zeeschelde. Dit geldt zowel voor de ankerkuil als voor de fuikvangsten, waardoor het beeld van de absolute dominantie van deze soort zelfs in het pelagiaal vervaagt. In 2022 werd met de ankerkuil uitzonderlijk veel sprot gevangen in Doel en Antwerpen en dit in het voorjaar, zomer en najaar. In 2022 dook de visindex voor de zoete zone, met een ontoereikende kwaliteitsbeoordeling, voor het eerst sinds 2009 onder die van de brakke en oligohaliene zones. Deze situatie moet nauw opgevolgd worden. -In 2022 werd de vangstinspanning met de fuiken gehalveerd. Fuiken werden telkens 1 in plaats van 2 etmaal uitgezet. -Dit had een invloed op het aantal gevangen soorten. +met goede en slechte jaren van specifieke soorten. Sinds 2022 zien we bijzonder lage hyperbenthosdensiteiten en dalende totale hyperbenthosbiomassa in het systeem. Vooral de grijze garnaal en de langneussteurgarnaal zijn, na elk +een eigen bloeiperiode, nu al enkele jaren in lagere aantallen aanwezig. Dit resulteert in een lagere predatiedruk door deze groep in het trofische voedselweb. + +In deze rapportage wordt de vismonitoring in 2023 op de Zeeschelde met behulp van de ankerkuil en fuiken besproken. 2023 was net als 2022 een bodemjaar voor het aantal spieringen in de Zeeschelde. Dit geldt zowel voor de ankerkuil als voor de fuikvangsten, waardoor het beeld van de absolute dominantie van deze soort zelfs in het pelagiaal vervaagt. Grondels (brakwatergrondel en ook dikkop) zijn dominant in de aantallen in de oligohaliene en zoete zones. Sinds 2022 duikt de visindex voor de zoete zone, met een ontoereikende kwaliteitsbeoordeling, voor het eerst sinds 2009 onder die van de brakke en oligohaliene zones. Deze situatie moet nauw opgevolgd worden. Naar estuarien habitatgebruik overheersen de trekvissen de visgemeenschappen van de Zeeschelde in aantal en biomassa. Het estuarium heeft dus weer zijn functie opgenomen in de levenscyclus van deze soorten. Om te evalueren of de populaties echt gevestigd en duurzaam zijn is echter een cohorte-analyse van de betrokken soorten in tijd en ruimte nodig. Naar dieet overheersen omnivore soorten, een normale opportunistische dieetkeuze in een estuarium met wisselende levensomstandigheden. Toch wordt het voedselweb stilaan complexer. Dit uit zich in een toename van benthivore en piscivore soorten. Om dit beter te evalueren moet voor de belangrijkste soorten rekening gehouden worden met de dieetshift die ze maken in de overgang van juveniel naar adult. In de rapportage wordt naast een evaluatie volgens de EMSE een alternatieve beoordelingsmethode voorgesteld bruikbaar als insteek voor een toekomstige herwerking van de methodiek. @@ -81,20 +63,19 @@ mee zitten, en waarin één of enkele soorten de gemeenschap domineren. Anderzij kennis nodig over waarom soorten goede en slechte jaren afwisselen, en om natuurlijke en door de mens beïnvloede oorzaken te kunnen onderscheiden. Concluderend is er een noodzaak om onderzoek op te starten om met innovatieve monitoring (bijvoorbeeld met echosounding) continue data te verzamelen. Dit onderzoek moet helpen om de variaties in het waterleven in ruimte en tijd te verklaren. -Over de periode 2009-2022 bekeken is er op het niveau van de Zeeschelde een dalende trend te zien in het aantal overwinterende watervogels. +Over de periode 2009-2023 bekeken is er op het niveau van de Zeeschelde een dalende trend te zien in het aantal overwinterende watervogels. De trendindex toont wel een toename in de sterke saliniteitsgradiënt. Dit is vooral te wijten aan de toename van scholeksters en bergeenden. De toename van de scholekster is vermoedelijk het gevolg van de toename aan schelpdieren (zie hoofdstuk Macrozoöbenthos). Bovendien trok de ontpoldering van Hedwige-Prosper in de herfst van 2021 heel wat bergeenden aan die ook gebruik maakten van de slikken van de Zeeschelde. -Opvallend is de negatieve trend van de zone zoet lang, vooral veroorzaakt door een zeer sterke afname van de wilde eend. Niettegenstaande deze trend blijft de dichtheid aan overwinterende watervogels nog steeds het hoogst in de zone zoet lang en het laagst in de zone met sterke saliniteitsgradiënt. Opvallend is een lage dichtheid aan vogels op de Durme gedurende het winterseizoen. +Opvallend is de negatieve trend van de zone zoet lang, vooral veroorzaakt door een zeer sterke afname van de wilde eend. De diversiteit is het grootst in de zone met een sterke saliniteitsgradiënt en laag in de Durme en de zone zoet lang. -De afname van de vogelaantallen langsheen de Zeeschelde wordt gecompenseerd door de toename van de vogelaantallen in de estuariene natuurontwikkelingsgebieden. +De afname van de vogelaantallen langsheen de Zeeschelde wordt gecompenseerd door de toename van de vogelaantallen in de estuariene natuurontwikkelingsgebieden. In de ontpoldering van het Groot Schoor te Hamme verbleven zeer hoge aantallen wintertalingen en bergeenden. Dit resulteert tot vandaag niet in een totale toename van de watervogelaantallen binnen het estuarium (de vallei buiten beschouwing gelaten). De evoluties in de broedvogelaantallen voor een selectie van goed te inventariseren soorten binnen IHD-gebied (wetlands en estuariene gebieden) worden besproken in deze rapportage. -Verscheidene soorten met doelstellingen komen tot 2022 nog steeds zelden tot broeden in het IHD‐gebied Schelde‐estuarium (grote karekiet, kwak, kwartelkoning, roerdomp en paapje), of werden nog nooit vastgesteld als broedvogel (purperreiger). -Grote karekiet lijkt zich wel te vestigen als regelmatige broedvogel. -Ook de lepelaar nam toe door een broedkolonie in de Durme (Meulendijkbroek). -De zomertaling, baardman, woudaap en snor vertonen de laatste jaren een stijgende trend in de vallei van de Zeeschelde en haar tijgebonden zijrivieren. Voor het eerst wordt het doel van de zomertaling bereikt. +Verscheidene soorten met doelstellingen komen tot 2023 nog steeds zelden tot broeden in het IHD‐gebied Schelde‐estuarium (grote karekiet, kwak, kwartelkoning, roerdomp en paapje), of werden nog nooit vastgesteld als broedvogel (purperreiger). +Grote karekiet en lepelaar lijken zich wel te vestigen als regelmatige broedvogel. +De zomertaling, baardman, woudaap en snor vertonen de laatste jaren een stijgende trend in de vallei van de Zeeschelde en haar tijgebonden zijrivieren. Voor het eerst wordt het doel van de zomertaling bereikt. Het valt op te merken dat het gebied Wal-Zwijn met een tussentijdsbeheer als wetland bijzonder succesvol was in het aantrekken van doelsoorten zoals roerdomp, woudaap, zomertaling, snor, grote karekiet en dodaars. De predatiewerende omheiningen in het noordelijk gebied hebben duidelijk een effect met hogere broedaantallen sinds 2021 van kluut, tureluur en een beperkte toename van grutto. -De bruine kiekendief blijft stabiel. +De bruine kiekendief blijft stabiel (maar laag). Behalve voor zomertaling, blauwborst, rietzanger en dodaars worden de doelstellingen voor geen enkele soort gehaald. De bever koloniseerde ondertussen bijna alle geschikte habitats in het Zeeschelde-estuarium en zit nu ook in de Grote Nete, maar beperkt zich tot nu toe tot de vallei van de Grote Laak. @@ -103,13 +84,12 @@ Het geschatte aantal beverterritoria in de vallei van de Zeeschelde en tijgebond 63. Dit stemt overeen met 38 families en 176 individuen. De IHD-doelstelling voor bever is sinds 2021 gerealiseerd. -Het aantal waarnemeningen van otters nam niet verder toe. +Het aantal waarnemeningen van otters is stabiel. De instandhoudingsdoelstellingen zijn echter zeker nog niet vervuld. Het aantal waargenomen gewone en grijze zeehonden bleef laag en stabiel. Er waren wel waarnemingen tot ver stroomopwaarts de Zeeschelde en zijrivieren. -Er was slechts 1 waarneming van bruinvis. -De detail-hoogtemetingen op raaien langsheen de Zeeschelde illustreren en onderbouwen de waargenomen ontwikkelingen in de ecotopenkaarten en zijn een indicatief als early warning voor morfologische veranderingen in het systeem. Algemeen kunnen we stellen dat in de omgeving tussen Doel en Lillo de morfodynamiek van de lage slikzone -op verschillende plaatsen is gewijzigd ten opzichte van de langjarige trend. + +De detail-hoogtemetingen op raaien langsheen de Zeeschelde illustreren en onderbouwen de waargenomen ontwikkelingen in de ecotopenkaarten en zijn een indicatief als early warning voor morfologische veranderingen in het systeem. Algemeen kunnen we stellen dat er in de Beneden-Zeeschelde relatief weinig gewijzigd is ten opzichte van de langjarige trend. De trends zijn eerder doorgaand. Ook in de zone rond Antwerpen en Hoboken (GW en HO) nam de morfodynamiek (zandmobiliteit) toe met grote zandafzetting ter hoogte van de Galgenweel‐raai (GW) en zelfs met kleine lokale zandige afzettingen (mesoribbels) in Hoboken (HO) onderaan de slikkliffen. Hier verliest het slik wel het grootste deel van het @@ -121,6 +101,6 @@ vloedgeulen, snelle zandafzettingen en schorklifvorming wijzen in de richting va bij vloed, die gepaard gaat met groter bodemtransport van zand dat in de binnenbocht zelfs de slikoevers bereikt. De hoogteverschilkaarten afgeleid van LIDAR en bathymetrische data uit 2022 en 2019 bevestigen de sterke morfologische veranderingen in dit gebied. Verder onderzoek naar de recente veranderingen in deze zone en mogelijke impact van huidige rivierbeheermaatregelen is hierbij wenselijk. -Ook de oevererosie werd gemonitord op basis van de bathymetrische verschilkaart (2022 versus 2021, 2020 en 2019). +Ook de oevererosie werd gemonitord op basis van de bathymetrische verschilkaart (2023 versus 2022, 2021 en 2020). Deze kaarten dienen voornamelijk ter ondersteuning van de interpretatie van erosie van het hoger slik en schorrand als monitoring in functie van het oeverbeheer. Er wordt als signaalfunctie een erosie (en sedimentatie) van meer dan 50 cm gehanteerd. Zowel in de Boven‐ als Beneden‐Zeeschelde zijn grote dynamieken waargenomen in enkele zones. -De waargenomen erosiezones vergen geen directe ingrepen, maar kunnen de voorbode zijn van toenemende erosieve druk op de hogere slikken en schorren zoals ook vastgesteld op de raaimetingen en zijn zones van aandacht. +De waargenomen erosiezones vergen geen directe ingrepen, maar kunnen de voorbode zijn van toenemende erosieve druk op de hogere slikken en schorren zoals ook vastgesteld op de raaimetingen en zijn zones van aandacht. Vooral de erosie in de ondiepwaterzones van bochten in de Boven-Zeeschelde is opvallend. From b611af34389a17d1361b07523b24ddfa9364c1b1 Mon Sep 17 00:00:00 2001 From: VAN RYCKEGEM Date: Thu, 3 Oct 2024 07:55:57 +0200 Subject: [PATCH 101/102] aanvulling abstract --- .../150_geintegreerd_rapport/000_abstract.Rmd | 32 ++++++++----------- 1 file changed, 14 insertions(+), 18 deletions(-) diff --git a/moneos_2024/150_geintegreerd_rapport/000_abstract.Rmd b/moneos_2024/150_geintegreerd_rapport/000_abstract.Rmd index 307685c..e080447 100644 --- a/moneos_2024/150_geintegreerd_rapport/000_abstract.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/000_abstract.Rmd @@ -61,10 +61,10 @@ een estuarium, en dus als negatief beoordeeld moet worden. Het is waarschijnlijk opgroeigebied als de Zeeschelde dat er extreem succesvolle recruteringsjaren zijn waarin alle factoren mee zitten, en waarin één of enkele soorten de gemeenschap domineren. Anderzijds is meer ecologische kennis nodig over waarom soorten goede en slechte jaren afwisselen, en om natuurlijke en door de mens -beïnvloede oorzaken te kunnen onderscheiden. Concluderend is er een noodzaak om onderzoek op te starten om met innovatieve monitoring (bijvoorbeeld met echosounding) continue data te verzamelen. Dit onderzoek moet helpen om de variaties in het waterleven in ruimte en tijd te verklaren. +beïnvloede oorzaken te kunnen onderscheiden. Concluderend is er een noodzaak om onderzoek op te starten om met innovatieve monitoring (bijvoorbeeld met echosounding) continue data te verzamelen en/of om ruimtelijk een beter beeld te krijgen van het habitatgebruik. Dit onderzoek moet helpen om de variaties in het waterleven in ruimte en tijd te verklaren. Over de periode 2009-2023 bekeken is er op het niveau van de Zeeschelde een dalende trend te zien in het aantal overwinterende watervogels. -De trendindex toont wel een toename in de sterke saliniteitsgradiënt. Dit is vooral te wijten aan de toename van scholeksters en bergeenden. De toename van de scholekster is vermoedelijk het gevolg van de toename aan schelpdieren (zie hoofdstuk Macrozoöbenthos). Bovendien trok de ontpoldering van Hedwige-Prosper in de herfst van 2021 heel wat bergeenden aan die ook gebruik maakten van de slikken van de Zeeschelde. +De trendindex toont wel een toename in de sterke saliniteitsgradiënt. Dit is vooral te wijten aan de toename van scholeksters, bergeenden en in 2023 ook tureluurs. De toename van de scholekster is vermoedelijk het gevolg van de toename aan schelpdieren (zie hoofdstuk Macrozoöbenthos). Bovendien trok de ontpoldering van Hedwige-Prosper sinds 2021 heel wat watervogels aan die ook gebruik maken van de slikken van de Zeeschelde. Opvallend is de negatieve trend van de zone zoet lang, vooral veroorzaakt door een zeer sterke afname van de wilde eend. De diversiteit is het grootst in de zone met een sterke saliniteitsgradiënt en laag in de Durme en de zone zoet lang. De afname van de vogelaantallen langsheen de Zeeschelde wordt gecompenseerd door de toename van de vogelaantallen in de estuariene natuurontwikkelingsgebieden. In de ontpoldering van het Groot Schoor te Hamme verbleven zeer hoge aantallen wintertalingen en bergeenden. @@ -78,28 +78,24 @@ De predatiewerende omheiningen in het noordelijk gebied hebben duidelijk een eff De bruine kiekendief blijft stabiel (maar laag). Behalve voor zomertaling, blauwborst, rietzanger en dodaars worden de doelstellingen voor geen enkele soort gehaald. -De bever koloniseerde ondertussen bijna alle geschikte habitats in het Zeeschelde-estuarium en zit nu ook in de Grote Nete, maar beperkt zich tot nu toe tot de vallei van de Grote Laak. -Opmerkelijk zijn nieuwe waarnemingslocaties in de buurt van Antwerpen en de Antwerpse haven en de Grote Geul Kieldrecht. +De bever koloniseerde ondertussen bijna alle geschikte habitats in het Zeeschelde-estuarium en neemt nu opvallend toe langsheen de Grote Nete. Het geschatte aantal beverterritoria in de vallei van de Zeeschelde en tijgebonden zijrivieren wordt geschat op ca. -63. -Dit stemt overeen met 38 families en 176 individuen. -De IHD-doelstelling voor bever is sinds 2021 gerealiseerd. +73. +Dit stemt overeen met 44 families. +De IHD-doelstelling voor bever is daarmee gerealiseerd. Het aantal waarnemeningen van otters is stabiel. De instandhoudingsdoelstellingen zijn echter zeker nog niet vervuld. -Het aantal waargenomen gewone en grijze zeehonden bleef laag en stabiel. Er waren wel waarnemingen tot ver stroomopwaarts de Zeeschelde en zijrivieren. +Het aantal waargenomen gewone zeehonden was lager dan voorgaande jaren. Er waren slechts twee waarnemingen van bruinvis en grijze zeehond. -De detail-hoogtemetingen op raaien langsheen de Zeeschelde illustreren en onderbouwen de waargenomen ontwikkelingen in de ecotopenkaarten en zijn een indicatief als early warning voor morfologische veranderingen in het systeem. Algemeen kunnen we stellen dat er in de Beneden-Zeeschelde relatief weinig gewijzigd is ten opzichte van de langjarige trend. De trends zijn eerder doorgaand. -Ook in de zone rond Antwerpen en Hoboken (GW en HO) nam de morfodynamiek (zandmobiliteit) toe met -grote zandafzetting ter hoogte van de Galgenweel‐raai (GW) en zelfs met kleine lokale zandige afzettingen -(mesoribbels) in Hoboken (HO) onderaan de slikkliffen. Hier verliest het slik wel het grootste deel van het +De detail-hoogtemetingen op raaien langsheen de Zeeschelde illustreren en onderbouwen de waargenomen ontwikkelingen in de ecotopenkaarten en zijn een indicatief als early warning voor morfologische veranderingen in het systeem. Algemeen kunnen we stellen dat er in de Beneden-Zeeschelde relatief weinig gewijzigd is ten opzichte van de langjarige trend. De trends zijn eerder doorgaand. Ter hoogte van Lillo Haven (LH) is nu voor het eerste jaar sterke erosie met vorming van erosieklif op het slik vastgesteld. +De zone rond Antwerpen en Hoboken (GW en HO) wordt gekenmerkt door sterke morfodynamiek (zandmobiliteit) toe tussen de jaren erosie of sedimentatie van zand ter hoogte van de Galgenweel‐raai (GW). Hier verliest het slik wel het grootste deel van het slib waarbij meer harde substraat komt bloot te liggen. Dit illustreert de hoge dynamiek in deze zone. -Daarnaast zijn er opvallend veel aanwijzingen voor trendbreuken in 2022 in hoog en middelhoog slik in de -Boven‐Zeeschelde met plotse erosie of stagnatie van de sedimentatie. -Deze sterke en snelle ontwikkelingen met sterke veranderingen in slikprofielvorm wijzen op een plotse verandering in hydro‐ en morfodynamiek. Het ontstaan en verdwijnen van -vloedgeulen, snelle zandafzettingen en schorklifvorming wijzen in de richting van toename van hydrodynamiek -bij vloed, die gepaard gaat met groter bodemtransport van zand dat in de binnenbocht zelfs de -slikoevers bereikt. De hoogteverschilkaarten afgeleid van LIDAR en bathymetrische data uit 2022 en 2019 bevestigen de sterke morfologische veranderingen in dit gebied. Verder onderzoek naar de recente veranderingen in deze zone en mogelijke impact van huidige rivierbeheermaatregelen is hierbij wenselijk. +Daarnaast zijn er opvallend veel aanwijzingen voor trendbreuken in 2022 en2023 in hoog en middelhoog slik in de +Boven‐Zeeschelde met plotse erosie of stagnatie van de sedimentatie. In de zone tussen Rupel- en de Durmemonding wordt de stagnatie van sedimentatie en omslag naar erosie bevestigd. Hier is een trend tot verruiming van de vaargeul met gevolgen voor de slikken (minder sedimentatie tot trendbreuk naar erosie). +Een verband met de bathymetrische veranderingen en de bagger- en zandwinningshoeveelheden in het kader van de duurzame bathymetrie van de Boven-Zeeschelde en Durme kan niet worden uitgesloten. +Het lijkt daarom raadzaam om deze evoluties en de mogelijke link met de duurzame bathymetrie nauw op te volgen om sterke irreversibele morfologische veranderingen zo ver stroomopwaarts te voorkomen. +Verder onderzoek naar de recente veranderingen in deze zone en mogelijke impact van huidige rivierbeheermaatregelen is dus zeer wenselijk. Ook de oevererosie werd gemonitord op basis van de bathymetrische verschilkaart (2023 versus 2022, 2021 en 2020). Deze kaarten dienen voornamelijk ter ondersteuning van de interpretatie van erosie van het hoger slik en schorrand als monitoring in functie van het oeverbeheer. Er wordt als signaalfunctie een erosie (en sedimentatie) van meer dan 50 cm gehanteerd. Zowel in de Boven‐ als Beneden‐Zeeschelde zijn grote dynamieken waargenomen in enkele zones. From ca0d90261114ce1f66fa94b0b2c1fcaa1df57665 Mon Sep 17 00:00:00 2001 From: VAN RYCKEGEM Date: Thu, 3 Oct 2024 08:59:58 +0200 Subject: [PATCH 102/102] aanpassing omschrijving HW85 en LW30 --- moneos_2024/150_geintegreerd_rapport/030_ecotopen.Rmd | 9 +++++---- 1 file changed, 5 insertions(+), 4 deletions(-) diff --git a/moneos_2024/150_geintegreerd_rapport/030_ecotopen.Rmd b/moneos_2024/150_geintegreerd_rapport/030_ecotopen.Rmd index 94b5bde..ccf2f69 100644 --- a/moneos_2024/150_geintegreerd_rapport/030_ecotopen.Rmd +++ b/moneos_2024/150_geintegreerd_rapport/030_ecotopen.Rmd @@ -144,8 +144,8 @@ De fysiotopenkaart bakent abiotische eenheden af op basis van overspoelingsregim - Maximale stroomsnelheden bij vloed worden berekend volgens het Scaldis 3D-model van het Waterbouwkundig Laboratorium. -In de **sublitorale zone** worden in het ecotopenstelsel *Zeeschelde 1.0* 'diepte' fysiotopen onderscheiden onder gemiddeld laagwater bij springtij. -Het referentienieveau is het 30e percentiel van het laagwater (LW30): +In de **sublitorale zone** worden in het ecotopenstelsel *Zeeschelde 1.0* 'diepte' fysiotopen onderscheiden onder het referentieniveau van het 30e percentiel van alle laagwaters over een periode van de laatste 4 jaar (LW30). +Dit komt overeen met het gemiddeld laagwater bij springtij. - Zeer diep subtidaal: \>10m onder LW30 @@ -182,7 +182,7 @@ figtab(knitr::opts_current$get()$label,
De **litorale zone** ligt tussen gemiddeld laagwater en gemiddeld hoogwater bij springtij (GLWS-GHWS). -De gebruikte referentie niveaus zijn de waterstand bij LW30 (het 30e percentiel van de laagwaters) en bij HW85 (het 85e percentiel van de hoogwaters). +De gebruikte referentie niveaus zijn de waterstand bij LW30 (het 30e percentiel van alle laagwaters) en bij HW85 (het 85e percentiel van alle hoogwaters). In het ecotopenstelsel *Zeeschelde 1.0* worden 3 litorale fysiotopen onderscheiden op basis van percentages droogvalduur (DD): @@ -212,7 +212,8 @@ figtab(knitr::opts_current$get()$label,
-De **supralitorale zone** is de zone boven gemiddeld hoogwater bij springtij (HW85). +De **supralitorale zone** is de zone boven het referentieniveau van de 85e percentiel van alle hoogwaters (HW85). +Stroomafwaarts Dendermonde komt dat overeen met het gemiddeld hoogwater bij doodtij. De bovengrens van deze zone is ook de bovengrens van het estuarium en werd theoretisch vastgelegd als de hoogte die op basis van tijdata gemiddeld vier maal per jaar overspoelt. Deze buitengrens wordt in principe niet steeds aangepast, tenzij de estuariene grens door ingrepen is verlegd.