RAPPORT L.NR Aquastrøm Nordfjord Kartlegging og beskrivelse av strømforhold og risiko for smittespredning

Transkript

1 RAPPORT L.NR Aquastrøm Nordfjord Kartlegging og beskrivelse av strømforhold og risiko for smittespredning

2 Norsk institutt for vannforskning RAPPORT Hovedkontor Sørlandsavdelingen Østlandsavdelingen Vestlandsavdelingen NIVA Midt-Norge Gaustadalléen 21 Jon Lilletuns vei 3 Sandvikaveien 59 Thormøhlensgate 53 D Pirsenteret, Havnegata Oslo 4879 Grimstad 2312 Ottestad 5006 Bergen Postboks 1266 Telefon (47) Telefon (47) Telefon (47) Telefon (47) Trondheim Telefax (47) Telefax (47) Telefax (47) Telefax (47) Telefon (47) Internett: Telefax (47) Tittel Aquastrøm Nordfjord Kartlegging og beskrivelse av strømforhold og risiko for smittespredning Forfatter(e) Kjersti L. Daae (NIVA) André Staalstrøm (NIVA) Henning André Urke (NIVA) Hildegunn Viljugrein (Veterinærinstituttet) Peder Andreas Jansen (Veterinærinstituttet) Inge Kandal (Mattilsynet) Løpenr. (for bestilling) Prosjektnr. O Undernr. Fagområde Akvakultur Oseanografi Epidemiologi Geografisk område Sogn og Fjordane Dato 15.oktober 2011 Sider 64 Distribusjon Begrenset Trykket NIVA Pris Oppdragsgiver(e) Mattilsynet Distriktskontoret for Nordfjord Sogn og Fjordane Fylkeskommune (SFFK) Norges Forskningsråd (NFR) Fiskehelsenettverket i Nordfjord Oppdragsreferanse SFFK/Mattilsynet AquaStrøm- Straumkart for Nordfjord, NFR (TRISAV, /S40) Sammendrag Det er utarbeidet en 3-dimensjonal strømmodell (AquaStrøm) som gir detaljert informasjon om strømforholdene i Nordfjord-området fra Frøysjøen i sør til Sildegapet i nord. AquaStrøm er brukt til å utarbeide en tabell som viser vannkontaktnettverket for 48 lokaliteter i Nordfjord over en 10 dagers periode ved ulike scenarioer.vannkontakten er beskrevet som en strømavstand, der kort strømavstand tilsvarer stor vannkontakt. Vannkontaktsmatrisene angir hvilke lokaliteter som er i vannlig kontakt med hverandre og om kontakten er symmetrisk eller asymmetrisk. Vannkontaktsmatrisen er videre brukt til å sette opp nettverk (soner) av lokaliteter som er i vannlig kontakt med hverandre enten som primærkontakt, sekundærkontakt osv. Vannkontakt hadde større forklaringskraft i smittemodelleringen av PD enn sjøavstanden, men det var episoder hvor vannkontakt ikke kunne forklare smittehistorikken på PD. Både for næringen og forvaltningen er det viktig at de tiltakene som blir iverksatt er mest mulig kunnskapsbasert. Økt kunnskap vil sikre større presisjon i gjennomførte tiltak og AquaStrøm vil utvilsomt bidra til å øke denne presisjonen. Fire norske emneord Fire engelske emneord 1. Akvakultur 1. Aquaculture 2. Pancreas Disease (PD) 2. Pancreas Disease (PD) 3. 3D havmodell 3. 3D ocean model 4. Hydrofysikk 4. Hydrophysics Henning Andre Urke Åse Åtland James Dedric Berg Prosjektleder Forskningsleder Teknologi og innovasjonsdirektør ISBN

3 O Aquastrøm Nordfjord Kartlegging og beskrivelse av strømforhold og risiko for smittespredning

4 Forord Den perfekte lokalitet finnes ikke. Men ofte finnes det en bedre lokalitet enn dagens lokalitet, som samla sett også gir bedre resultat for en hel utsettsone: Dvs. lagspillfaktorer. Forvaltningen må kanskje tenke mer i slik retning: Er lokaliteten en god lagspiller? Flyttes biomasse i riktig retning? Inge Kandal, Mattilsynet i Nordfjord. En etablert arena mellom oppdrettere og forvaltning, Fiskehelsenettverket i Nordfjord og et felles ønske om å skaffe til veie kunnskap om dynamikken i vannmassene dannet grunnlaget for dette prosjektet. Prosjektet er finansiert av Mattilsynet Distriktskontoret for Nordfjord, Sogn og Fjordane Fylkeskommune og Norges Forskningsråd (NFR). NFR finansiering er gitt gjennom prosjekt /S40:Transmission routes and infection dynamics of salmonid alphavirus (SAV) der Edgar Brun, Veterinærinstituttet er prosjektleder. Stor takk til Inge Kandal (prosjektansvarlig) og Are Natland Bø ved Mattilsynet Distriktskontor i Nordfjord og Frode Hovland, Sogn og Fjordane Fylkeskommune som har vært lokale pådrivere for realisering av prosjektet. Takk til alle lakseoppdrettere ved Marine Harvest Norway AS, K. Strømmen Lakseoppdrett AS, Nordfjord Havbruk AS og Hyen Laks AS som alle har bidratt aktivt inn i prosjektet gjennom deltakelse i møter og tilrettelegging av miljødata. Jan Arne Holm fra Fjordlab AS takkes for innsamling av supplerende miljøinformasjon. Jarle Molvær og Edgar Brun har kvalitetssikret leveranse på henholdsvis hydrofysikken og epidemiologien. Resultater fra prosjektet er presentert i portalen og simuleringer fra alle lokaliteter er tilsendt prosjektgruppa. Vi håper at verktøyet vil øke lagspillet og bidra til en bærekraftig oppdrettsproduksjon i Nordfjord. Trondheim, 15. oktober 2011 Henning Andre Urke prosjektleder

5 Innhold Sammendrag 6 Summary 8 1. Innledning 9 2. Beskrivelse av strømmodellen Modellområdet for Nordfjord Generelt om havmodellen ROMS Startbetingelsene Vannstand og strøm Sjiktning i vannmassene (temperatur og salinitet) Tidevann Ferskvannstilførsel Vind Validering av modellen Strømhastighet og tidevann Innsamlede strømdata fra oppdrettslokaliteter Målt og simulert strøm - hvor presis er modellen? Strømmålinger med vertikal struktur i Ulvesundet Vannkontakt mellom oppdrettslokaliteter Parameter for vannkontakt Vannkontaktnettverk Beskrivelse av smittemodellen for PD Generell bakgrunn Smittenettverk Fiskeutsettdata Statistisk analyse og resultater Relevant sjøavstand og strømavstand Soneinndeling basert på vannkontaktnettverket Sammenfattende vurderinger Vurdering av strømmodellen og vannkontaktnettverket Nytteverdi og bruksområde fremover Implementering av resultat inn i Fylkesatlas.no Videre aktivitet 57

6 8. Referanser 58 Vedlegg A. Lister over oppdrettslokaliteter og elver som inngår i modellen 60 Vedlegg B. Statistikk fra strømmåling i Ulvesundet 63 Vedlegg C. Strengeste vannkontaktnettverk 64

7 Sammendrag Målet med AquaStrøm-prosjektet har vært å etablere et verktøy som detaljert beskriver strømforholdene i Nordfjord slik at man bedre kan bedømme risikoen for smittespredning mellom ulike oppdrettslokaliteter. Avstanden i kilometer mellom lokaliteter sier lite dersom man ikke tar vannbevegelsene i betraktning. Målinger av strømmen på den enkelte lokalitet har alene heller ikke stor nytte med tanke på å kunne si noe om dynamikken i vannmassene. Tidevann og strøm gjør at avstanden mellom to lokaliteter kan erfares som lengre eller kortere enn den oppmålte sjøavstanden. Variasjoner i strømmens hastighet og retning fører også til at tiden som en partikkel trenger for å forflytte seg fra A til B ikke trenger være den samme som tiden fra B til A. En tredimensjonal hydrodynamisk modell som beskriver strømforhold og sirkulasjon er satt opp for et område på 3115,4 km 2 som strekker seg fra Frøysjøen i sør til Sildegapet i nord i Nordfjord i Sogn og Fjordane. Resultater viser at AquaStrøm-modellen gjenskaper hovedtrekkene i strømhastighet og strømretning og viser samtidig at vann fra et smittet oppdrettsanlegg kan bli spredd over et svært stort område i løpet av noen dager, og svært ujevnt fordelt. AquaStrøm er brukt til å utarbeide en tabell som viser innbyrdes vannkontakt mellom 41 lokaliteter i Nordfjord over en 10 dagers periode. Vannkontakten er beskrevet som en strømavstand. Når strømavstanden er liten så er vannkontakten stor. Det er spesielt to egenskaper til det beregnede vannkontaktnettverket som det er verdt å merke seg når man skal vurdere risiko for lokal sykdomsspredning: For det første er tabellen ikke symmetrisk. Som eksempel har vannkontaktparameteren fra Stigen til Juvika verdien 5, som her er klassifisert til svært stor vannkontakt. Fra Juvika til Stigen er verdien 56, som betyr moderat vannkontakt i den retningen. For det andre vil noen lokaliteter kunne spre mer smittestoff enn de mottar, mens for andre lokaliteter er det omvendt. For eksempel så sprer Vemmelsvika vann til 22 av 41 lokaliteter (P mindre enn 80), mens den bare mottar vann fra 14 lokaliteter. Oppdrettslokaliteter som bidrar med vann til mange andre lokaliteter kan da spille en nøkkelrolle i lokal sykdomspredning. Bruken av AquaStrøm har også vist tydelige eksempler på egnesmittesykluser på noen anlegg og at uventede strømmønster fører smitte i uventede retninger. På en lokalitet viste strømmålingen i ett punkt at strømmen går vestover i 90 % av tiden. Denne målingen, som tyder på lite smitte til naboanlegg, ble lagt til grunn av Mattilsynet da lokaliteten ble godkjent for utvidelse. Bruk av AquaStrøm viser imidlertid at strømmen snur og kommer tilbake mot øst, og påvirker anleggene i fjorden mer enn det som punktmålingen indikerer. Ved et annet tilfelle har bruk av AquaStrøm vist at et selskaps to eneste lokaliteter har så stor vannkontakt at generasjonsadskillelse og brakklegging ikke vil være tilstrekkelig, og at de dermed bør skaffe seg minst én ny lokalitet Pancreas disease (PD) er en sykdom som skyldes salmonid alphavirus (SAV), og finnes med økende omfang hos laks i oppdrett. Resultatene fra vannkontaktnettverket ble benyttet til å definere en parameter for smittenettverk til å beskrive historiske smitteepisoder i området. Fiskeutsett som sto i smittenettverk til en PD-lokalitet i perioden i sjø hadde større sannsynlighet for å få PD enn utsett som sto utenfor smittenettverk. Vannkontakt, basert på minimumsverdi av strømavstandene der vindscenarioer er inkludert, forklarte PD historien i Nordfjord bedre enn vannkontakt uten vind. Når vannkontakt ble brukt istedenfor sjøavstand, så var det en forbedring av forklaringskraften i smittemodelleringen, men det var episoder hvor vannkontakt ikke kunne forklare smittehistorikken. Dette betyr at når brukeren skal vurdere risiko for smitte i en gitt situasjon, må han/hun benytte sin 6

8 lokalkunnskap til å bestemme hvilket vindscenario som passer best. Brukeren må også vurdere muligheten for andre smitteveier. AquaStrøm kan nå brukes til å bedømme risiko for PD-utbrudd ut fra en gitt smittestatus i fjordområdet, og kan også brukes opp mot andre agens og parasitter som spres via vannmassene. Dette vil være nyttig i forbindelse med driftsplanlegging, samordning av drift mellom aktører, tiltak og beredskap ved sykdomsutbrudd. Vannkontaktsmatrisen er videre brukt til å sette opp nettverk (soner) av lokaliteter som er i vannlig kontakt med hverandre enten som primærkontakt, sekundærkontakt osv. Sonekart basert på vannkontaktsmatrisa kan brukes i forvaltning og soneinndeling til ulike formål. Det er også mulig å studere hva som skjer dersom man fjerner enkelte lokaliteter. Kanskje finnes det nøkkellokaliterer som binder sammen flere mindre soner, og som man kan vurdere å flytte for å redusere størrelsen på sonene. 7

9 Summary Title: AquaStrømNordfjord Modelling of current velocity and direction to determine the risks of disease spreading between aquaculture sites Year: 2011 Author: Kjersti L. Daae, André Staalstrøm and Henning André Urke (NIVA), Hildegunn Viljugrein and Peder A. Jansen (Norwegian Veterinary Institute) and Inge Kandal, Norwegian Food Safety Autority, DO Nordfjord Source: Norwegian Institute for Water Research, ISBN No The objective of the AquaStrøm project has been to develop a tool to give a detailed description of the current conditions in the Nordfjord area, providing a better foundation to evaluate the risk of spreading contagious diseases between different aquaculture farms. The distance in kilometres between sites gives a limited amount of information if the water movement is not considered. Investigating the current at a specific site is not sufficient to describe the dynamics of the water masses. As a result of the variations in the current speed and direction, the time needed for a water parcel to move from A to B can be different than the time needed to move from B to A. A three-dimensional hydrodynamical model (AquaStrøm) describing current conditions and circulation has been implemented in an area of km 2 in Nordfjord in the county Sogn og Fjordane, Western Norway. The AquaStrøm model simulates the current conditions and show that water from a contagious site can be dispersed over a huge area during a couple of days, but the pattern of dispersion is very uneven. AquaStrøm is used to develop a matrix which shows the water contact network between 41 aquaculture sites over a ten day period. Water contact is parameterized to be treated as a current distance. If the current distance is small the water contact is large. A comparison between historical data of pancreas disease (PD) outbreaks in salmon farming and the probability of spreading the contagious agent based on water contact is carried out. PD is an emerging disease in salmon farming caused by the salmonid alphavirus (SAV). The results show that the water contact matrix from the model explains a high proportion of the PD outbreaks in the area. For infection network based on water contact including wind scenarios, there was a significantly higher probability of getting PD within than outside the infection network. Infection network based on current distance describes the dispersion considerably better than infection network based on sea distance. Aquaculture sites far apart may unexpectedly come in contact with each other because of the water movements. The method thus explains dispersion of disease in a new and more predictable manner. AquaStrøm can now be used to evaluate the risk of PD outbreaks given the status of the contagious condition in the area. The method can also be used for other contagious agents and parasites that are transmitted by the water masses. This will be useful regarding management of an aquaculture site, coordination of management between different companies and planning of measures during disease outbreaks. 8

10 1. Innledning Kunnskap om vannkontakt mellom ulike oppdrettslokaliteter er av vesentlig betydning for å kunne planlegge optimal bruk av lokalitetene, og særlig i situasjoner med sykdomsutbrudd. Ved vurdering av risiko for smittespredning mellom lokaliteter som ligger mange kilometer fra hverandre, er strømmålinger på den enkelte lokalitet til liten nytte Man kan heller ikke måle seg til all informasjonen som en kan trenge om strømforhold, vannkontakt og risiko for smitte. Til det er områdene for store og forholdene altfor komplekse. Godt skjønn er bra, men etterlater oftest stor usikkerhet. En matematisk modell som er bygget på riktig hydrofysikk, topografi og som anvender gode data, kan koble de viktigste faktorene og gi vesentlig sikrere informasjon om strømforholdene i et område og dermed besvare spørsmål som: Hvilke lokaliteter er i vannlig kontakt? Har noen lokaliteter et større vannkontaktnettverk enn andre? Kan bedre kunnskap om strømforholdene sikre et bedre beslutningsgrunnlag for både næringen og forvaltningen? Variasjoner i strømretning og hastighet gjør at transporttid og distanse mellom to lokaliteter kan være svært forskjellig fra det strømmålinger i enkelte punkt skulle tilsi eller som kan måles i sjøkart. Dette innebærer blant annet at tiden det tar for en partikkel å forflytte seg fra A til B ikke trenger å være den samme som tiden fra B til A. I samarbeid med oppdretterne i Sunnfjord har NIVA og Veterinærinstituttet i 2009 utviklet et modellverktøy (AquaStrøm) for å beskrive strømforholdene i et større kystområde som grunnlag for å bedømme risikoen for smittespredning mellom ulike oppdrettslokaliteter (Viljugrein m.fl 2009, Staalstrøm m. fl 2009, Urke m. fl 2009). AquaStrøm viser risiko for smitte mellom anlegg og vil gi et helhetlig bilde over et større område, og kan gi informasjon utover det som følger av enkeltundersøkelser. Gullestadutvalget (Anon, 2011) har nevnt Nordfjord som et mulig produksjonsområde og forutsetter at det innenfor hvert område også er ulike utsettsoner. Det er derfor av stor viktighet både for forvaltning og næring å kunne vurdere de smittemessige styrker og svakheter til disse sonene. Nordfjordregionen er i dag delt inn i ulike produksjonssoner og både forvaltning og næring ønsker ny og konkret kunnskap om risikoen for smittespredning mellom disse sonene. Dette er mulig gjennom Aquastrøm. Et av formålene med prosjektet er derfor å utarbeide verktøy som kan bidra til at fastsetting og vurderinger av soneinndelingen kan gjennomføres på en mindre skjønnsmessig måte enn det som har vært gjort så langt, og helst ut fra mer tallfestede kriterier med hensyn til risiko. 9

11 NIVA Beskrivelse av strømmodellen Aquastrøm er et konsept som benytter en tredimensjonal havmodell for å beregne strøm i et større område. Enkeltstående målinger av strøm vil gi et realistisk bilde av strømsituasjonen i ett punkt, men for å studere et større område er det nødvendig med bruk av numeriske havmodeller. Det er viktig å huske på at modellresultatene gir et forenklet og idealisert bilde av strøm i et område. Modellene er begrenset av romlig oppløsning så vel som tidsmessig oppløsning. Jo flere detaljer som inkluderes, jo tyngre blir modellen å kjøre. Det vil f.eks. kreve betydelige ressurser å halvere størrelsen på hver celle i modellen. Selv om modellresultatene vil være idealisert i forhold til den kaotiske virkeligheten, vil vi kunne hente ut verdifull informasjon om strøm i et større område og hvordan de ulike drivkreftene påvirker strømmen. Det er likevel viktig å sammenligne resultatene med reelle målinger for å sjekke om resultatene er troverdige eller for å få kunnskap om i hvilke områder modellen fungerer godt, eller mindre godt. Valideringen av modellen er derfor en sentral del av arbeidet i Aquastrøm-prosjektet. Nedenfor vil vi beskrive den numeriske havmodellen som er benyttet og hva slags inngangsdata og drivkrefter som er benyttet. 2.1 Modellområdet for Nordfjord Modellområdet i Nordfjord strekker seg fra Frøysjøen i sør til Sildegapet i Nord (Figur 1). I vest grenser modellområdet til Nordsjøen og Norskehavet. Området overlapper dermed modellområdet for AquaStrømSunnfjord som er studert tidligere (Staalstrøm m. fl 2010). Figur 1. Oversiktskart over området for modellen i Nordfjord. Den svarte firkanten markerer modellområdet, og de røde sirklene markerer posisjoner hvor Meteorologisk Institutt måler vind. Nordfjorden strekker seg langt østover, og den innerste delen hvor det ikke er fiskeoppdrett er ikke så interessant i dette studiet. Å inkludere denne delen i modellen vil øke kostnadene og størrelsen av 10

12 modellområdet drastisk. I utgangspunktet ønsket vi derfor å kappe av Nordfjorden innenfor Anda, men dette vil skape uheldige konsekvenser for de modellerte strømmene i resten av fjorden. Modellen vil tro at det er en vegg der fjorden er kappet av, og vann som strømmer innover fjorden vil snu og strømme tilbake igjen. For å unngå dette problemet har vi rotert og speilvendt den innerste delen av fjorden slik at den får plass i et mindre modellgitter. På denne måten vil vi unngå å lage en vegg midt i fjorden og vannet vil kunne strømme helt inn til Stryn før det vender. Volumet i den innerste delen av fjorden vil også være bevart. Det er likevel viktig å merke seg at beregnede strømmer for dette innerste området ikke vil stemme overens med virkeligheten i forhold til retning og kanskje også strømstyrke. Det endelige modellområdet er vist i Figur 2 nedenfor. Fargeskalaen indikerer dybde, og de ulike prikkene indikerer fiskeoppdrett (rødt), ekstra utslippskilder (gult) og elveutløp (blå trekanter). Modellområdet er på 3115,4 km 2 og vannflaten dekker et overflateareal på 878,3 km 2. Dette utgjør 28,2 % av modellområdet. Det maksimale dypet på 634,5 m finner vi i den sentrale delen av Nordfjord. Middeldypet er på 132,2 m. De grunne områdene strekker seg helt ut i det åpne havet, og de dype områdene strekker seg dypt inn i fjordene. Figur 2. Oversikt over modellområde der oppdrettslokaliteter (røde sirkler) supplerende smittekilder (gule sirkler) og elveutløp (blå trekanter) er tegnet inn. Hvert symbol har identifikasjonsnummer som kan finnes igjen i posisjonstabellene (Error! Reference source not found. og Error! Reference source not found.) (merk at oppdrettslokalitet nr 47 og 48 er planlagte lokaliteter og har derfor ikke ID eller fastsatt bredde- og lengdegrad). 2.2 Generelt om havmodellen ROMS Forkortelsen ROMS står for Regional Ocean Modeling System. Det er en tredimensjonal havmodell med fri overflate og terrengfølgende vertikale koordinater (se Figur 3). Modellen er beskrevet av blant annet Haidvogel m. fl. (2007), og mer informasjon finnes også på hjemmesiden for modellen Modellområdet er delt inn i ruter/celler på 150 x 150 m. I hver celle beregnes strømretning, strømhastighet, vannstand, salinitet, temperatur og evt. spredning av sporstoff. Variablene som beregnes er beskrevet i Tabell 1. 11

13 Tabell 1. Variabler som beregnes av modellen Variabel Symbol Enhet Vannstand ( x, y, t) m Dybdeintegrert strøm i x-retning u ( x, y, t) m/s Dybdeintegrert strøm i y-retning v ( x, y, t) m/s Strøm i x-retning u ( x, y, z, t) m/s Strøm i y-retning v ( x, y, z, t) m/s Strøm i z-retning w ( x, y, z, t) m/s Salinitet S ( x, y, z, t) - Temperatur T ( x, y, z, t) C Konsentrasjon av sporstoff i C i ( x, y, z, t) mg/l Modellen utfører beregninger for 20 vannlag mellom overflate og bunn. Siden modellen har terrengfølgende vertikale koordinater har hver beregningscelle like mange lag uansett vanndyp. Tykkelsen på lagene varierer derfor med vanndypet. Vi har brukt en metode som er beskrevet av Song og Haidvogel (1994) for å beregne tykkelsen og den vertikale posisjonen til hvert lag i hver gridcelle, hvor parametrene = 5, = 0,1 og = 2 er brukt. Dette gjør at det øverste laget varierer i tykkelse fra 0,1 m i der hvor det er grunnest (5 m vanndyp) til 2,6 m der hvor det er dypest (635 m vanndyp). Det nederste laget varierer i tykkelse fra 0,4 m der hvor det er grunnest til 57,7 m der hvor det er dypest. Figur 3 viser et eksempel på hvordan disse lagene ser ut i et snitt på tvers av Nordfjord. Figur 3. Eksempel på hvordan de terrengfølgene lagene ser ut i modellen. Her er et utsnitt på tvers av Nordfjord. Bunnen er gråfarget. I ROMS er det mulighet til å definere passive sporstoff. Dette er stoff som har nøytral oppdrift og som derfor bare driver med vannet. Sporstoffet kan brukes til å simulere spredning av stoff som i liten grad 12

14 nedbrytes og som følger partikler som synker sakte ut av vannmassene. Modellen viser hvordan strømmen fører med seg smittestoffer, hvordan stoffene fortynnes gjennom blanding med andre vannmasser og hvordan konsentrasjonen av stoffet varierer på et gitt punkt i modellområdet f.eks. i et oppdrettsanlegg i nærheten. De viktigste inngangsdataene til modellen er: 1. Startbetingelser for strøm, vannstand, salinitet og temperatur 2. Grenseflatebetingelser for strøm, vannstand, salinitet og temperatur 3. Tidevann 4. Ferskvannstilførsel fra vassdrag 5. Vind 2.3 Startbetingelsene For at modellen skal begynne å kjøre kreves det startverdier i alle cellene for alle variablene i Tabell 1. Gode startbetingelser har mye å si for i hvilken grad modellen kan gjenspeile virkeligheten Vannstand og strøm Startverdiene for vannstand og strøm er satt til nullnivå. Modellen har så blitt kjørt i ti dager slik at drivkreftene i modellen (vind, tidevann, ferskvannstilførsel) får tid til å sette i gang strømmer og variasjon i vannstanden. Dette kalles oppspinning av modellen og benyttes for å få strømmer som er i balanse med variasjonene i salinitet og temperatur. Resultatene herfra er så benyttet som startverdier til resten av modellkjøringene Sjiktning i vannmassene (temperatur og salinitet) Modellen forutsetter hydrostatisk trykkfordeling i vannmassene, det vil si at trykket i den vertikale retningen kun er lik vekten av det overliggende vannet. Det er dermed ikke tatt hensyn til akselerasjon av vannet i den vertikale retningen. En konsekvens av dette er at tungt vann aldri vil befinne seg over lettere vann. Sjiktningen i modellen vil være helt avhengig av sjiktningen som er lagt inn i startbetingelsene. Den virkelige sjiktningen som på et gitt tidspunkt som kan måles med en CTD sonde inne modellområdet er derfor vanskelig å gjenskape i en modell, og dette vil være helt umulig om man ikke har gode startbetingelser. Sjiktningen som er skapt av ferskvanntilførselen vil kunne gjenskapes, men ferskvannet vil bare modifisere sjiktningen i sjøen hvor elven renner ut ved at den blander seg med sjøvannet. Sjiktningen vil derfor være avhengig av det saliniteten til det vannet som fraktes inn og ut av modellområdet utenfra. For å få informasjon om sjiktningen i området har vi studert tilgjengelige historiske data i tillegg til at det er gjort månedlige målinger ved 5 lokaliteter (Tabell 2 og Figur 4). Det var relativt små horisontale forskjeller ved de ulike stasjonene (Figur 5 og Figur 6). Det ble derfor besluttet å legge inn en felles sjiktning for alle cellene i modellområdet. Et alternativ til denne løsningen ville være å definere områder med hver sin sjiktning ut fra målinger. Dette er vanskelig å få til på en god måte fordi modellen fort kan bli ustabil dersom gradientene i salt og temperatur blir for skarpe. Horisontalt homogen sjiktning er ganske vanlig praksis, og i likhet med vannstand og strøm vil den justere seg etter en innkjøringsperiode. Figur 5 viser utviklingen i salinitet og temperatur fra februar til august 2010 for Vågsfjorden (st 2) i ytre del av Nordfjord og Davikfjorden (st 3) lengre inne i Nordfjord. De øvrige stasjonene viser de samme trendene. Det er en betydelig variasjon i løpet av sesongen. Dypere enn 50 m øker saliniteten utover i måleperioden, samtidig som temperaturen rundt 100 m dyp synker noe. Oppvarmingen i 13

15 sommermånedene er synlig ned til ca 80 m og maksimumstemperaturen ligger rund o C. På alle stasjonene i Nordfjord er det et tynt ferskvannslag fra april. Tabell 2. Oversikt over målestasjoner for hydrografiske profiler i Nr Stasjon Breddegrad Lengdegrad 1 Sildegapet 62º 04,630 05º 05,844 2 Vågsfjorden 61º 55,020 05º 06,232 3 Davikfjorden 61º 46,729 05º 02,624 4 Hundvikfjorden 61º 54,682 05º 34,444 5 Frøysjøen 61º 46,729 05º 02,624 Figur 6 viser de hydrografiske profilene målt 16. april Saliniteten er av større betydning enn temperatur for vannets egenvekt (densitet). Vannet er sjiktet, dvs. at vannets egenvekt øker med dypet, ned til omtrent m, under dette er det homogene forhold. Vi har benyttet sjiktningen fra stasjon 1 og 2 i april 2010 som inngangsdata til modellen. Det er beregnet en gjennomsnittlig profil for salinitet og temperatur, som deretter har blitt glattet før den ble lagt inn i modellen. De midlete profilene fra stasjon 1 og 2 samt den glattede profilen som ble lagt inn som startbetingelse for sjiktning, er vist i Figur 7. 14

16 Figur 4. Hydrografiske målestasjoner i modellområdet. Det ble utført målinger i januar, mars, april, mai, juni og juli

17 5 5 8 NIVA Dybde [m] Vågsfjorden /Feb 01/Mar 01/Apr 01/May 01/Jun 01/Jul Måned S 28 Dybde [m] Vågsfjorden /Feb 01/Mar 01/Apr 01/May 01/Jun 01/Jul Måned T [ o C] Davikfjorden Davikfjorden Dybde [m] Dybde [m] /Feb 01/Mar 01/Apr 01/May 01/Jun 01/Jul Måned S /Feb 01/Mar 01/Apr 01/May 01/Jun 01/Jul Måned 4 T [ o C] Figur 5. Variasjon i salinitet (S) og temperatur(t) ved de to av målestasjonene(vågsfjorden og Davikfjorden) fra februar til august De hvite firkantene i figurene fra Vågsfjorden skyldes manglende data i enkelt dyp. 16

18 0 16/ Dybde [m] Salinitet Temperatur [ o C] Densitet-1000 [kg/m 3 ] Stasjon Figur 6. Hydrografiske profiler på de ulike stasjonene i modellområdet den 16. april 201. Stasjon 1 er Sildegapet, 2 er Vågsfjorden, 3 er Frøysjøen, 4 er Davikfjorden og 5 er Hundvikfjorden jf. Figur 4 17

19 Dybde [m] Middel st1-2 april 2010 Input modell Salinitet Temperatur [ o C] Figur 7. Midlere profil for salinitet og temperatur fra stasjon 1 (Sildegapet) og 2 (Vågsfjorden) i april 2010 (rød linje) og glattet profil for inngangsdata til modellen (stiplet svart linje). Der det i modellen er dypere enn 150 m er profilene ekstrapolert med konstant verdi. Dette er en rimelig antagelse basert på den svake gradienten ned mot 150 m og at det generelt er tidevann og ikke sjiktning som dominerer strømbildet så dypt nede Tidevann Tidevannet er hentet fra NorKyst800-modellen (Albretsen m. fl 2011). Denne modellen er satt opp for hele norskekysten i et samarbeid mellom NIVA, Meteorologisk Institutt og Havforskningsinstituttet. Modellen har 800 m romlig oppløsning og drives av tidevann beregnet ut fra en global tidevannsmodell (TPXO, TOPEX Poseidon Cross-over Global Inverse Solution, Egbert m. flere 1994). NorKyst800-modellen ble kjørt med én måneds oppspinningstid før tidevannskomponentene ble hentet ut. Oppspinningen bidrar til at tidevannet i modellen også får med seg mer småskala bevegelser som følge av topografi. Tidevannskomponentene (både halvdaglige og heldaglige) fra Norkyst800 er så interpolert ned til modellgridet i Nordfjord på 150 x 150 m romlig oppløsning Ferskvannstilførsel Informasjon om elveavrenning til modellområdet er hentet fra Norges Vassdrags- og Energidirektorat (NVE). For hvert vassdragsområde (Figur 8)Error! Reference source not found. er det oppgitt en midlere årsavrenning i tillegg til månedlig avrenning for ulike år. Vi har basert oss på data fra 2008, som var et representativt år, som verken var spesielt tørt eller spesielt vått. NVEs elvedatabase (ELVIS) inneholder informasjon om årsmidlet avrenning fra alle hovedelvene i Norge. For hver hovedelv har vi antatt at forholdet mellom gjennomsnittlig årsavrenning og avrenning 18

20 i et gitt år er det samme som for vassdragsområdet 1 elva hører til. Videre har vi antatt at fordelingen i avrenning gjennom året, forholder seg lik vassdragsområdene og sine tilhørende hovedelver. Disse antagelsene gjør at vi kan beregne månedlig avrenning for alle hovedelvene i modellområdet. Disse antagelsene er lagt til grunn for vannføringen i elvene og dermed ferskvannstilførselen i modellen. Denne antagelsen ser ut til å fungere greit for mengden avrenning gjennom året, men noen avrenningstopper blir litt forskjøvet i tid. Dette vil imidlertid ikke være avgjørende for avrenningsdata i og med at vi benytter månedsmidler der slike enkelthendelser blir glattet ut. Vi har benyttet avrenning fra april måned i modellberegningene, for å samsvare med de hydrografiske inngangsdataene i modellen. Vi kan gjøre de samme modellkjøringene for andre årstider, men det lå utenfor budsjettrammene til dette prosjektet. Det er lagt inn 43 elver i modellen (se Tabell 14 i Vedlegg AError! Reference source not found.) hvor det er 6 elver som har høyere vannføring enn 10 m³/s i april. Disse er (rangert etter vannføring i april); Strynevassdraget, Breimsvassdraget, Loenvassdraget, Oldenvassdraget, Hornindalsvassdraget og Gjengedalsvassdraget. Figur 8. Kart over vassdragsområdene som er dekker modellområdet for Nordfjord. Forholdet mellom årsavrenning- og månedsavrenning for enkeltår og over flere år for hvert vassdragsområde er lagt til grunn for beregning av variasjon i avrenningen til hovedelvene i hvert område Vind Data fra Meteorologisk Institutt sine værstasjoner Kråkenes og Sandane lufthavn (se røde prikker i kartet i Figur 1) danner grunnlag for utformingen av vinddata i modellkjøringene. I Tabell 3 finnes statistiske parametre for stasjonene basert på data fra hele 2009 og fra kun april 2009, og i Figur 9 ser vi vindroser fra de samme stasjonene. Det er stor forskjell i både vindstyrke og vindretning ved de to stasjonene. Sandane lufthavn ligger i indre strøk der vinden er påvirket av topografien. Stasjonen ligger ved et knutepunkt mellom to fjordarmer og blir påvirket av dalvind gjennom begge fjordene. Ved Kråkenes, som ligger i ytre strøk, er vinden mindre påvirket av topografien og vindstyrken er 1 Et vassdragsområde er det landarealet som omfatter nedbørfeltene til alle små og store vassdrag som drenerer til havet innenfor et kystavsnitt 19

21 betydelig høyere. I dette prosjektet ønsker vi å finne de dominerende trekkene i strømbildet. Inngangsdata til modellen skal gi et realistisk bilde av vannføring, vind og hydrografi. Tilgjengelighet av data er begrenset, og vi har valgt å bruke de nyeste dataene vi har. I modellen er det fokusert på vind henholdsvis inn og ut av fjorden. Det er derfor laget et buet vindfelt som følger fjordens geometri (se eksempel i Figur 10). Vi har også lagt på en økning i styrke i ytre strøk fra celle 1 til celle 200 i østlig retning. Vi har laget 3 ulike vindscenarier. 1. Ingen vind 2. Normal vind inn fjorden (vindstyrke på 1,5 m/s inne i fjorden med gradvis økning til 5 m/s ute på kysten) 3. Normal vind ut fjorden (vindstyrke på 1,5 m/s inne i fjorden med gradvis økning til 5 m/s ute på kysten) Tabell 3. Statistiske parametre for vindstyrke og retning ved Kråkenes og Sandane lufthavn. Stasjon Kråkenes Sandane lufthavn Periode Middel (m/s) Dominerende vindretning ( o ) Min (m/s) 10 persentil (m/s) 90 persentil (m/s) Maks (m/s) Vindretning ved max styrke ( o ) ,0 SSØ 0 1,3 15,7 33,3 192 April ,4 ØNØ 0 1,3 14,7 25, ,9 ØNØ 0 0 4,1 15,0 236 April ,5 ØNØ 0 0 3,3 7,

22 Kråkenes 2009 Kråkenes april 2009 NORD NORD VEST 5% 10% 15% SØR ØST VEST 5% 10% 15% 20% SØR ØST m/s Sandane Lufthavn 2009 NORD Sandane april 2009 NORD 8% 6% 4% VEST 6% 4% 2% SØR ØST VEST 2% SØR ØST m/s Figur 9. Vindroser fra Kråkenes og Sandane lufthavn basert på data fra hele 2009 (t.v.) og for kun april 2009 (t.h.). Lengden til søylene angir hvor stor prosentandel av målingene vindene kommer fra angitt retning. Fargefordelingen til hver enkelt søyle sier noe om fordelingen av vindstyrke for vind fra angitt retning. Merk at fargeskalaen for de to stasjonene ikke er like. 21

23 Figur 10. Vindfelt for scenarier med vind inn fjorden. Vindfeltet er buet slik at det følger hovedfjordens geometri for de delene av modellområdet hvor oppdrettslokalitetene befinner seg. Styrken på vinden er noe økt ved kysten for å passe best mulig i forhold til observasjonene i områdene. Vindfeltet for scenarioet med vind ut fjorden ser helt likt ut bortsett fra at retningen er stikk motsatt. 22

24 3. Validering av modellen En modell vil alltid være en forenklet representasjon av virkeligheten. Modeller er begrenset av oppløsning i både tid og rom, i tillegg til hva slags informasjon om drivkrefter og data på grensen av modellområdet som er tilgjengelig. Det er derfor viktig å kjenne til modellens begrensninger og hvordan dette vil virke inn på resultatene. Dette gjøres ved at man validerer modellresultatene opp mot måleserier av ulike parametre. Modellens oppløsning har stor betydning for hvor stor strømvariasjon modellen kan beskrive. I Nordfjordmodellen er oppløsningen på 150m x 150m og de store topografiske hindringene samt tidevannsstrømmene blir dominerende. Dette gjør at viker og topografiske hindringer som er mindre enn 150 m ikke er med i modellen og topografisk styrt strøm i slike områder vil dermed ikke bli fanget opp. Med andre ord kan en få dårlig samsvar mellom resultat fra strømmålinger inne i bukter eller nær land, og modellens resultater. Måleserier av f.eks. strøm vil ofte ikke ha samme tidsoppløsning, varighet eller representere samme tidspunkt som modellen. Det er derfor ikke mulig å se på to tidsserier av f.eks. strøm i 5 m dyp og sammenligne disse direkte. I stedet kan man se på statistiske parametre som midlere strømstyrke og dominerende strømretning. Disse parametrene kan sammenlignes på en enklere måte, og vil kunne si noe om i hvor stor grad modellen samsvarer med målingene. Ideelt sett bør man ha mange strømmålinger i flere dyp som ligger et godt stykke ut fra kysten. Å gjennomføre slike målinger er imidlertid veldig kostbart, og ofte må man nøye seg med det man har tilgjengelig. Alle fiskeoppdretterne i Nordfjord har gjennomført strømundersøkelser i forbindelse med godkjenning av lokalitetene. Disse målingene har typisk en varighet på 1 mnd og er foretatt i 5-15 m dyp relativt nær land. En del av disse lokalitetene ligger svært nær land, og de øverste målingene (5m) vil i tillegg være sterkt påvirket av vind. For målingene vil det være vanskelig å få gode sammenligningsresultater med modellen, men vi har likevel inkludert alle målinger for å få en idé om hvor dette er tilfelle. I dette prosjektet blir beregnet strøm brukt til å se på spredning av virtuelle sporstoff. Dette blir igjen benyttet til å anslå vannkontakt mellom oppdrettsanlegg. Spredningen er avhengig av strømstyrke og strømretning. Hvor riktig spredningsbildet er, blir således avhengig av hvor riktig strømmen er beregnet. For å få et bilde av dette så har vi sammenlignet målinger av strøm med data fra tilsvarende punkt i modellen Strømhastighet og tidevann Figur 11 viser den maksimale strømhastigheten nær overflaten i løpet av hele beregningsperioden (10 dager). Typiske strømstyrke er cm/s. De sterkeste strømmene finner vi i de trange og grunne sundene rundt Bremangerlandet samt nær modellens randsone nordvest for Vågsøy. Det er hovedsakelig tidevannet som bidrar til de sterke strømmene i disse områdene. 23

25 Figur 11. Beregnet maksimal strømstyrke (cm/s) i overflatelaget i løpet av 10 dager. Figur 12 viser maksimal forskjell i tidevann for hvert punkt i modelleni løpet av en 10-dagers periode. I sør er forskjellen minst og under 200 cm. Tidevannsforskjellen øker nordover og innover i fjorden. Dette skyldes bl.a. at tidevannet presses inn gjennom trange sund. Vi har også måttet glatte ut bunntopografien i fjorden for å ikke få for store dybdegradienter. Dette vil lokalt kunne gi mindre tverrsnittareal som igjen fører til at vannstanden variere noe mer. For Måløy er den beregnede tidevannsforskjellen (omtrent 210 cm) en del større enn målt tidevannsforskjell ved springflo: ca. 160 cm (Error! Reference source not found.). Modellen er altså drevet av tidevannskrefter som er noe sterkere enn det som er observert. Vi skal senere se hvordan dette arter seg strøm senere i dette kapittelet. Figur 12. Maksimal forskjell i tidevann for Nordfjordmodellen. 24

26 Figur 13. Vannstandsnivåer for Måløy. Kilde: Innsamlede strømdata fra oppdrettslokaliteter Vi har mottatt data fra strømmålinger ved 48 oppdrettslokaliteter i modellområdet. Fjord-Lab AS i Måløy har bidratt til innsamling av dette datamaterialet. Figur 14 viser posisjonene for lokalitetene. Alle strømobservasjonene er målt med strømmålere av typen SD6000. Dette er et lite, rotorbasert instrument som måler strøm i ett punkt/dyp. Denne typen strømmåler har vist seg å være dårlig ved svak strøm (<1 cm/s). Ved lokaliteter med veldig svak strøm vil det derfor bli vanskelig å få gode sammenligningsresultater mellom måling og modell. 25

27 5' 33 2 o N ' 50' ' o E 20' 40' Lengdegrad 6 o E 20' 40' Figur 14. Oversikt over tilgjengelige strømdata fra oppdrettslokaliteter Målt og simulert strøm - hvor presis er modellen? Tabell 4 viser en statistisk sammenligning mellom hver enkelt måling og modellen. Modelldata er basert på beregninger uten vind. Vi har valgt å vise sammenligning uten vind siden det dypere enn 5 m er liten vindpåvirkning. I tillegg vil målinger grunnere enn 5 m variere mye i tråd med variasjon i vind, mens modellen har konstant vind. Tabellen viser at stasjonene som stemmer dårligst overens med modellen er stasjoner der målingene har veldig store standardavvik ofte på størrelse med middelverdien av strømstyrke ved stasjonen. Dette viser at stasjonene ligger i områder med store variasjoner i strøm gjerne som følge av vindstyrke eller topografi. Denne variasjonen fanges dårlig opp av modellen i og med at modellen har idealiserte drivkrefter (i virkeligheten varierer f.eks. vinden mer i styrke og retning, mens i modellen har vi konstant vind). 26

28 Tabell 4. Oversikt over strømmålinger og statistikk fra målinger og modell (lokalitetene er vist i Figur 14). Statistiske parametre med sammenligning mot modell Lokalitet Nr Dybde (m) Periode Middelstrøm (cm/s) Dominerende strømretning ( o ) Standardavvik (cm/s) Målt Modell Målt Modell Målt Modell BarmenN Jun BarmenV 2 5 Aug Borgundvåg* 3 5 Aug Breivika 4 15 Aug Feb Brunsvik Feb Buøysund Oct Davik 7 4 Mar Elde 8 3 Mar Jan Des Endal 9 15 Jan Des Jan Frøholm 10 5 Okt Gangsøy Mar Gjølshammeren 12 7 Okt Des Gulestø Dec Jul Mar Mai Aug Halnes 14 5 Feb Jan Nov Hamneneset 15 8 Jan Hatlenes Sep Helleneset Apr Helleneset Apr Hundeide Jun Hundeide Jun.03 Hundeide

29 Isane Sep Apr Des Juvika 23 5 Des Des Des Des Kleppeneset Mar Nov Krabbestig Mar Nov Jul Langeneset Jul Lindeneset Mar Mai Loypingneset Mai Jan Marøy Feb Nesbø Jun Nødset Apr Aug Osmundsvåg Mar Aug Rekevika* 33 Rundereimstranda Feb RundereimstrandaNV Mar Seternes Jan Skeistrand Apr Skeistrand Des Skjærdal Jul Stegevika Jan.06 Stegevika Torheim 41 4 Jan Totland Apr Mar Trollebø 43 5 Mar Mar Vengen Feb Vemmelsvik 45 5 Des

30 5 Mai Des Mai Des Verpeide Mai Verpingsvik 47 5 Aug Vetrhus Mai * Målingen er utenfor området til modellen Differansen mellom gjennomsnittlig modellert strøm og målt strøm ved de ulike stasjonene er presentert som histogram i Figur 15. De grå tykke søylene viser resultatene for alle stasjoner og målinger, mens de tynne svarte søylene viser resultatet for kun de stasjonene og målingene som er dypere enn 5 m. De fleste stasjonene ligger innen ±5 cm/s. Modellen er dermed godt balansert uten tydelig bias 2 i strømstyrke. I Figur 16 er differansen mellom modellen og målingene illustrert geografisk i form av fargede sirkler på kartet. Fargen på sirklene viser differansen mellom den modellerte middelstrømmen og den observerte (fra -5cm/s til +12 cm/s). Figuren viser tydelig at det er området nær Gangsøy som har de største avvikene. De største avvikene mellom observasjoner og modell skjer nær Gangsøy, der modellen overestimerer strømstyrken. Dette skyldes at det i dette området er svært trange sund der store vannmengder passerer som følge av tidevannskreftene. I modellen er dypet i dette området noe mindre enn i virkeligheten. Dette henger sammen med modellens stabilitet. Dersom bunntopografien blir for bratt vil modellen stoppe opp og ikke klare beregningene. Vi har vurdert hvordan den økte strømstyrken i dette området vil påvirke smittespredningen i området, slik at vi kjenner til dette ved vurdering av modellresultatene. Det viser seg at oppdrettsanlegg som ligger nær hverandre i dette området vil få noe lavere smittepress fra modellen i forhold til hva det hadde vært dersom strømstyrken hadde vært lavere og mer i tråd med målingene. Dette skyldes at smittestoffene raskere blandes ut og forlater området. For oppdrettsanlegg som ligger lenger unna vil smittepresset bli noe sterkere avhengig av avstanden. Smitten vil sannsynligvis nå anlegget raskere, men konsentrasjonen vil samtidig være noe lavere pga raskere fortynning. Når det gjelder strømretning ser det ut til at modellen klarer å representere dette på en god måte. Strømretningen fra modellen er noe mer styrt av topografi enn måledataene (siden tidevannet er den viktigste drivkraften og denne spres seg som en bølge inn og ut av fjorden). I de grunneste målingene vil varierende vindretninger har stor innvirkning på strømretningen. Denne variasjonen i vind er ikke inkludert i modellen, og vi kan derfor ikke forvente at modellen har like stor variasjon i vindretning. De dominerende strømretningene ser imidlertid ut til å stemme godt overens med måledataene. 2 Bias er en skjevhet i grupper som sammenlignes. 29

31 Prosent av målingene (%) Alle målinger Målinger dypere enn 5m Modellert middelstrøm - målt middelstrøm (cm/s) Figur 15. Differanse mellom modellert middelstrøm og målt middelstrøm for alle strømmålinger (ulike dyp og tider på året). Figuren er beregnet ut fra modellscenariet der vinden har retning inn fjorden. De grå søylene representerer resultatet dersom alle målingene regnes med. De svarte søylene representerer resultatet dersom kun målinger dypere enn 5m regnes med. Vær oppmerksom på at figuren viser modellresultater med vind inn fjorden, mens tabellen over (tabell 5) viser resultater uten vind i modellen. Figur 16. Differanse mellom modellert og observert middelstrøm ved ulike stasjoner og dyp. Fargen på sirklene indikerer strømdifferansen fra mørk blå (-5cm/s) til rosa (+12cm/s). Modellen gir gjennomgående for sterk strøm på noen lokaliteter i vestre del og for svak strøm i midtre og østre del. 30

32 I tillegg til å sammenligne midlere strømstyrke og retning for modellen og målinger, har vi sett på en mer generell sammenligningsmetode som kan gi indikasjon på hvor god presisjon modellen har. Metoden bygger på OSPAR kost-funksjonen, der parameteren CF (normalisert midlere absoluttfeil) beregnes fra formelen (1) under (Los og Blaas, 2010): (1) der N er antall punkter for sammenligning, er midlere strømfart fra modell, er middelstrøm fra måling og er standardavviket til strømmen målt i punktet. En modell regnes som veldig god dersom CF < 1, god dersom 1 < CF < 2, tilfredsstillende dersom 2 < CF < 3 og dårlig dersom CF < 3. For Nordfjordmodellen får vi CF = 1,98 dersom alle målingene tas med og CF = 1,38 dersom kun målingene dypere enn 5 m tas med. Modellen havner dermed i klassen god i begge tilfeller. Dersom vi tar med alle målingene bortsett fra de 7 stasjonene som ligger nærmest Gangsøy (der de trange sundene fører til for sterke strømmer) får vi CF = 0,64. Dette er en indikasjon på at modellen er veldig god utenfor dette området. 31

33 3.2 Strømmålinger med vertikal struktur i Ulvesundet En målerigg med to profilerende strømmålere sto ute i Ulvesundet fra 4. juni til 1. juli Målerne var av typen Nortek Continental (ved bunn, ca 70 m) og Aquadop profiler (midt i vannsøylen). De to målerne overlappet hverandre delvis og til sammen ga de strømdata fra ca 70 m og opp til ca 5 m dyp. Figur 17. Kart med inntegnet posisjon for strømmålerriggen i Ulvesundet. Strømmåleren var plassert nord for Ulven fyr. Hensikt med å måle strøm i Ulvesundet, var foruten å kvalitetssikre modellen, å undersøke om det var noen netto transport i de øverste 10 meterne i sundet. Gjennomsnittet over hele perioden fra strømmålinger i 9, 7 og 5 m viser at nettotransporten er null. Men i perioder på opp til 2 til 3 dager kan det være en gjennomsnittlig strømstyrke på opp til 10 cm/s vekselsvis i sydlig og nordlig retning i de øverste 10 meterne. Det viste seg å være en del uoverensstemmelser mellom modellen og målingene. Dette skyldes i hovedsak at ved nordgående strøm stod måleriggen i le/bakevja til grunna ved Ulven fyr (Figur 17). Målingene og modellen stemmer brukbart for strøm og standardavvik ved overflaten, men ikke særlig bra dypere enn 10 m (Figur 18, Figur 19 og Tabell 15 i Vedlegg BError! Reference source not found.). Dette skyldes blant annet at grunna ved Ulven ikke er oppløst i modelltopografien samt at dypet ved strømriggens posisjon i modellen er på ca 40 m og ikke 70 m som i virkeligheten. Det reduserte bunndypet er et resultat av stabilitetshensyn som vi har måttet ta for å kjøre modellen. 32

34 5 Modell Observasjon Dybde (m) Strømfart (cm/s) Strømfart (cm/s) Figur 18. Midlere strømstyrke ved ulike dyp (tykk svart strek). Det grå, skraverte område indikerer rekkevidden av prosentilene. 33

35 Modell -5m Måling - 5m NORD NORD VEST 10% SØR Modell -11.5m ØST 20% 30% VEST 10% ØST 20% 30% SØR Måling m VEST NORD ØST SØR 15% 30% 45% 15% 10% 5% VEST NORD SØR ØST Modell -41.5m Måling m NORD 30% NORD VEST SØR 10% ØST 20% 30% VEST 20% 10% SØR ØST Figur 19. Strømroser for modell (til venstre) og måling (til høyre) ved utvalgte dyp. Lengden på kakestykkene angir hvor stor andel av målingene strømmen går i gitt retning, mens fargeinndelingen i hvert kakestykke angir strømstyrkefordeling i gitt retning. Fargeskalaen til venstre viser strømstyrke med enhet cm/s. 34

36 4. Vannkontakt mellom oppdrettslokaliteter 4.1 Parameter for vannkontakt Hvordan kan vannkontakten mellom to lokaliteter beskrives? Det er ikke gitt at vannkontakten er lik begge veier. Som eksempel på ett ytterpunkt kan det tenkes to lokaliteter i en elv. Vannkontakten fra lokaliteten oppstrøms til lokaliteten nedstrøms er svært stor, mens vannkontakten motsatt vei vil være fraværende. Som et eksempel på det andre ytterpunktet kan det tenkes to lokaliteter i en smal kanal hvor kun tidevannet får vannet til å gå fram og tilbake. Vannkontakten mellom disse to lokalitetene vil være omtrent like stor begge veier. På kysten vil tidevannstrømmene bli påvirket av topografien og ofte sette opp et komplisert strømmønster. Ofte går ikke strømmene bare fram og tilbake, men rundt i virvler som flytter seg med tidevannssyklusen. To faktorer er nærliggende å tenke på for å beskrive vannkontakt. Det ene er hvor fort vannet beveger seg fra en lokalitet til en annen. Det andre er hvor mye vann som beveger seg fra en lokalitet til en annen og hvor mye vannet blandes ut før det når en lokalitet. For å kvantifisere disse to faktorene slippes det i havmodellen ut sporstoff fra hver lokalitet det skal beregnes vannkontakt fra. Konsentrasjonen av dette sporstoffet beregnes på hver lokalitet det skal beregnes vannkontakt til. Det viser seg at fortynningen av sporstoffet kommer opp i størrelsesordenen , og det er derfor praktisk å bruke enheten ml/l for konsentrasjon av sporstoffet. Konsentrasjonen varierer med tiden og kan tegnes opp som en tidsserie i hvilken som helst posisjon i modellområdet (se Figur 20). For et tidspunkt t må figuren leses som konsentrasjonen av vann som har opprinnelse ved lokaliteten A ved en mottagende lokalitet B. Et mål på hvor fort vannet beveger seg fra lokalitet A til et tilfeldig valgt punkt B, kan være antall timer fra sporstoffet slippes ut til det når punkt B. Et mål på hvor mye vann som beveger seg fra lokalitet A til et tilfeldig valgt punkt B, vil være konsentrasjonen i dette punktet summert over tid. Det vil si arealet under konsentrasjonskurven. Disse verdiene kalles henholdsvis T og A og er illustrert i Figur 20. Der kan vi tydelig se at konsentrasjonen varierer en god del med tiden, og det kan forekomme flere konsentrasjonstopper. Figur 21 viser hvordan vannkontaktsparameteren (P) varierer med arealet (A) når T er konstant. P øker og indikerer redusert vannkontakt når T øker. Når smittepress mellom oppdrettslokaliteter skal modelleres er det vanlig at et avstandsmål inngår (se Viljugrein m. flere 2009). Hvis avstanden er liten til et smittet anlegg så antar man som utgangspunkt at smittepresset er stort. Avstand i luftlinje eller sjøavstand er tidligere benyttet. En formel som skal beskrive vannkontakt bør formes slik at en parameter for vannkontakt kan betraktes som en strømavstand. Her benyttes følgende formel for vannkontaktparameteren P (Viljugrein m. fl 2009): T P ln (1) A Formelen er skalert slik at P får en verdi som ligger mellom 1 og 100. Negative tall vil vanligvis ikke forekomme, men siden logaritmen til et tall som er mindre enn 1 er negativt kan dette skje. Parameteren blir da satt lik 1. Dette skjer bare i områder svært nær utslippspunktet. Formel (1) kan gi verdier som er høyere enn 100 om arealet A blir tilstrekkelig lite og det er nødvendig å ha en maksimal verdi som parameteren får om A 0. I slike tilfeller settes P=100. Figur 21 viser hvordan parameteren P varierer med forskjellige verdier av T og A. Graden av vannkontakt er delt inn i fem klasser, som går fra liten eller ingen vannkontakt (hvit) til svært stor vannkontakt (rød) (se Tabell 5). Klassene er her valgt ved skjønn. Det er mulig at klassifiseringen bør endres når man betrakter andre sykdommer enn PD. 35

37 Tabell 5. Klasser av vannkontakt. Farge og P-verdi Beskrivelse Liten eller ingen vannkontakt Noe vannkontakt Moderat vannkontakt Stor vannkontakt 1-20 Svært stor vannkontakt 1 Konsentrasjon (ml/l) P = C 1 + C 2 ln (T/A) 0.2 T A Timer Figur 20. Konsentrasjon av vann fra en smittet lokalitet ved en frisk lokalitet. T er tiden fra vannet slippes ut til det når den mottagende lokaliteten. A er arealet under konsentrasjonskurven. Figuren viser konsentrasjon i løpet av 7 dager, men man kan gjerne benytte en annen periode. I beregningene for Nordfjord har vi benyttet konsentrasjon over 10 dager. 36

38 Vannkontakt, P T=3h T=6h T=12h T=1d T=2d T=4d T=7d 10 T=1h A (timer*ml/l) Figur 21. Vannkontaktparameteren (P) som funksjon av A ved forskjellige verdier av T. 4.2 Vannkontaktnettverk Parameteren for vannkontakt kan beregnes for et utvalg av lokaliteter og ordnes i en tabell hvor man kan lese av strømavstanden mellom lokalitetene. Denne tabellen kalles her for et vannkontaktnettverk. I en tradisjonell avstandstabell vil avstanden fra lokalitet A til lokalitet B være lik avstanden fra B til A. En slik tabell vil være symmetrisk og det er strengt tatt ikke nødvendig å ta med begge halvpartene av verdiene. Vannkontaktnettverket vil imidlertid ikke være symmetrisk. Det er beregnet spredning fra 41 oppdrettslokaliteter (se Tabell 13 i Vedlegg AError! Reference source not found.) og 7 ekstra kilder (Tabell 6). De ekstra kildene ble lagt til for å studere effekter av smitte som blir transportert inn fra områder utenfor modellområdet eller fra andre sentrale deler av modellområdet der f. eks brønnbåter passerer. I Tabell 7-Tabell 9 er vannkontakten beregnet. Tabellene viser vannkontakt fra 48 lokaliteter (første rad) og 41 mottagende lokaliteter (første kolonne). Det er spesielt to egenskaper til det beregnede vannkontaktnettverket som det er verdt å merke seg når man skal vurdere risiko for lokal sykdomsspredning: For det første er tabellen ikke symmetrisk. Som eksempel har vannkontaktparameteren fra Stigen til Juvika verdien 5, som er her er klassifisert til svært stor vannkontakt. Fra Juvika til Stigen er verdien 56, som betyr moderat vannkontakt i den retningen. For det andre vil noen lokaliteter kunne spre mer smittestoff enn de mottar, mens for andre lokaliteter er det omvendt. For eksempel så sprer Vemmelsvika vann til 22 av 41 lokaliteter (P mindre enn 80), mens den bare mottar vann fra 14 lokaliteter. Oppdrettslokaliteter som bidrar med vann til mange andre lokaliteter kan da spille en nøkkelrolle i lokal sykdomsspredning. 37

39 Vi har i dette arbeidet antatt at tidevannstrømmen utgjør den mest dominerende delen av strømbildet, og at mønsteret i vannkontaktnettverket derfor er rimelig konstant over tid. For å teste denne antagelsen har det blitt beregnet ulike versjoner av vannkontaktnettverket. Først ble det gjort beregninger uten vind som drivkraft. For å se på effekten av endrede vindforhold ble det deretter lagt inn en konstant vind inn fjorden med midlere vindstyrke fra observasjoner på Kråkenes og i Sandane. Tilsvarende beregning med vind ut fjorden ble også gjort. Det viste seg at for enkelte lokaliteter ble forskjellene store som følge av ulike vindscenarier. Vi har derfor valgt å vise vannkontaktsmatriser for de ulike vindscenariene separat. Vannkontakt i scenariet uten vind er vist i Tabell 7. Scenariene med vind ut fjorden og vind inn fjorden er vist i hhv. Tabell 8 og Tabell 9. En annen sensitivitetstest vi har utført er beregning av vannkontaktsnettverk for ulike vanndyp. I tidligere prosjekt har det vært fokusert på spredning kun i overflatelaget. Her har vi gjort tilsvarende beregninger for ulike vanndyp for å se om dette har stor påvirkning på resultatene. Beregningene ble gjort for overflaten, 5 m, 10 m og for middelverdi i de øverste 20 m. Resultatene viste liten variasjon mellom overflate, 5 m og 10 m. Resultatene fra middelverdien 0-20 m var derimot noe ulik og det så ut til at smitten spredte seg lengre. I vannkontaktsmatrisene nedenfor har vi derfor benyttet laveste smitteparameter (for å være pessimistiske) for de ulike vanndypene ved hver stasjon. Variabiliteten i vannkontaktsmatrisene er beregnet som maksverdi-minimumsverdi. Resultatene er vist i Tabell 10. Spredning fra Krabbestig i overflaten med vind ut fjorden a) b) Spredning fra Krabbestig i 5m dyp og med vind ut fjorden Vannkontaktsparameter Vannkontaktsparameter c) Spredning fra Krabbestig i 10m dyp og med vind ut fjorden d) Spredning fra Krabbestig i 0-20m dyp og med vind ut fjorden Vannkontaktsparameter Vannkontaktsparameter Figur 22. Eksempel på variasjon i smitteparameter beregnet for spredning fra Krabbestig i overflaten (a), ved 5 m (b), ved 10 m (c) og i 0-20 m (d). 38

40 Tabell 6. Oversikt over ekstra smittekilder (jf. gule sirkler i Figur 2) som ble lagt inn i modellen for å studere mulig smitte fra kilder langs randen av modellen eller midtfjords. ID Navn x-grid y-grid A Bremangerpollen 5 25 B Frøysjøen C Klovningen D Elde E Dombestein F Isefjorden G Sildegapet

41 Tabell 7. Vannkontaktnettverk for spredning uten vind. Navnene i første rad er lokaliteter hvor det er beregnet spredning av sporstoff fra. Disse lokalitetene betegnes som spredende lokaliteter. Navnene i første kolonne er lokaliteter hvor konsentrasjon av sporstoff er beregnet. Disse lokalitetene betegnes mottagende lokaliteter. Fargeskalaen angir graden av vannkontakt beregnet som minste verdi av de tre scenariene som er kjørt. Hvit betyr liten eller ingen vannkontakt (80-100), lysegrønn betyr noe vannkontakt (60-80), gul betyr moderat vannkontakt (40-60), oransje betyr stor vannkontakt (20-40) og rødt betyr svært stor vannkontakt (1-20). 40

42 Tabell 8. Vannkontaktnettverk for spredning i med vindretning ut fjorden (1,5-5 m/s). Navnene i første rad er lokaliteter hvor det er beregnet spredning av sporstoff fra. Disse lokalitetene betegnes som spredende lokaliteter. Navnene i første kolonne er lokaliteter hvor konsentrasjon av sporstoff er beregnet. Disse lokalitetene betegnes mottagende lokaliteter. Fargeskalaen angir graden av vannkontakt beregnet som minste verdi av de tre scenariene som er kjørt. Hvit betyr liten eller ingen vannkontakt (80-100), lysegrønn betyr noe vannkontakt (60-80), gul betyr moderat vannkontakt (40-60), oransje betyr stor vannkontakt (20-40) og rødt betyr svært stor vannkontakt (1-20). 41

43 Tabell 9. Vannkontaktnettverk for spredning i med vindretning inn fjorden (1,5-5 m/s). Navnene i første rad er lokaliteter hvor det er beregnet spredning av sporstoff fra. Disse lokalitetene betegnes som spredende lokaliteter. Navnene i første kolonne er lokaliteter hvor konsentrasjon av sporstoff er beregnet. Disse lokalitetene betegnes mottagende lokaliteter. Fargeskalaen angir graden av vannkontakt beregnet som minste verdi av de tre scenariene som er kjørt. Hvit betyr liten eller ingen vannkontakt (80-100), lysegrønn betyr noe vannkontakt (60-80), gul betyr moderat vannkontakt (40-60), oransje betyr stor vannkontakt (20-40) og rødt betyr svært stor vannkontakt (1-20). 42

44 Tabell 10. Anslag på usikkerheten i beregning av vannkontakt for spredning i overflaten. Usikkerheten er beregnet ved å bruke største avvik i vannkontakt i ulike vindscenarier og vannlag. Hvitt betyr entydig resultat (mindre enn 10 i differanse). Grønt betyr noe usikkerhet (10-20 i differanse). Gult betyr en del usikkerhet (20-30 i differanse). Oransje og rødt betyr tvetydig resultat (henholdsvis og >40 i usikkerhet). 43

45 Tabell 10 viser at spredning fra oppdrettslokaliteter i selve Nordfjord gir størst variabilitet for mottakende lokaliteter. Dette skyldes i hovedtrekk vindretningen. Nedenfor vises kart der områder for ulik vannkontakt er tegnet inn med samme fargeskala som i vannkontaktsmatrisene. Figur 23 viser tydelig at retningen på vinden (i tillegg til styrke og varighet) er avgjørende for hvor langt inn/ut av fjorden smitten når og hvordan de nærmeste lokalitetene påvirkes. a Spredning fra Juvika i overflaten og med vind inn fjorden Vannkontaktsparameter 0-20 b Spredning fra Juvika i overflaten med vind ut fjorden Vannkontaktsparameter 0-20 Figur 23. Spredning fra lokaliteten Juvika beregnet fra overflatelaget med vind (1,5-5 m/s) henholdsvis inn fjorden (a) og ut fjorden (b). 44

46 For lokalitetene i Selje er også vindretningen av stor betydning (Figur 24), men her påvirkes ikke så mange lokaliteter sørover. a Spredning fra Sandvikneset i overflaten og med vind inn fjorden Vannkontaktsparameter 0-20 b Spredning fra Sandvikneset i overflaten med vind ut fjorden Vannkontaktsparameter 0-20 Figur 24. Spredning fra lokaliteten Sandvikneset beregnet fra overflatelaget med vind (1,5-5 m/s) henholdsvis inn fjorden (a) og ut fjorden (b). For lokaliteter i sundet nord og øst for Bremangerlandet er variabiliteten mindre. Ved Marøy (Figur 25) er f.eks. spredningsmønsteret omtrent det samme for begge vindretningene. Den største forskjellen her er transporten nordover gjennom Ulvesundet. Den er kun tydelig for scenarioet med vind ut fjorden. 45

47 a Spredning fra Marøy i overflaten og med vind inn fjorden Vannkontaktsparameter 0-20 b Spredning fra Marøy i overflaten med vind ut fjorden Vannkontaktsparameter 0-20 Figur 25. Spredning fra lokaliteten Marøy beregnet fra overflatelaget med vind (1,5-5 m/s) henholdsvis inn fjorden (a) og ut fjorden (b). 46

48 5. Beskrivelse av smittemodellen for PD 5.1 Generell bakgrunn Pancreas disease (PD) er en alvorlig sykdom forårsaket av viruset salmonid alphavirus (SAV), som i Norge angriper både laks og regnbueørret ved oppdrett i sjø. Dødelighet, nedsatt tilvekst og dårlig slaktekvalitet gir store økonomiske tap ved sykdomsutbrudd. Studier som fokuserer på faktorer assosiert med risiko for å få PD i et oppdrettsanlegg har konkludert med at den viktigste faktoren er smittestatusen til oppdrettsanlegg i området, noe som indikerer horisontal spredning av SAV mellom nabolokaliteter (Aldrin mfl. 2009, Kristoffersen mfl. 2009). Fylogeni-studier av SAV fra PD-utbrudd i Skottland og Irland støtter også hypotesen om lokal spredning fra oppdrettslokalitet til lokalitet (Fringuelli m.fl. 2008). I tillegg viser eksperimentelle studier av SAV-overlevelse i sjøvann at passiv spredning i vannmassene mellom fiskeoppdrettsanlegg er teoretisk mulig (Graham m. fl. 2007). Tidligere funn viser at hydrodynamisk modellering bidrar til å forklare spredning av PD i Sunnfjord (Viljugrein mfl. 2009). Siden strømforbindelse mellom lokaliteter forklarte spredningen av PD bedre enn rene sjøavstander, ga dette studiet støtte til hypotesen om at SAV spres mellom oppdrettsanlegg ved passiv drift i vannstrømmene, selv om bidrag fra også andre spredningsmekanismer av SAV ikke utelukkes. Studiet i Sunnfjord indikerer dermed at en tabell over vannkontaktnettverk vil kunne brukes som verktøy for å vurdere smitterisikoen av PD til andre lokaliteter i et område. Vi ønsket her å teste generaliteten av dette funnet ved å se på data fra Nordfjord. Dataene tilgjengelig for å studere spredningen av PD består av tid (måned) og lokalitet for utbruddspåvisning. Tiden det tar fra et anlegg blir infisert til sykdom blir påvist, er ikke kjent. Det er heller ikke godt dokumentert hvordan mengden av SAV varierer over tid i et infisert anlegg. Den grove tidskalaen (måneder) vi opererer med for sykdomsdynamikken står i sterk kontrast til tidsskalaen for havstrømsmodelleringen der prosessene påvirkes av tidevann, vind og ferskvannstilførsel, etc. med tidsskala timer-dager. Grove antagelser og forenklinger av prosessene som er involvert blir helt nødvendig for å kunne koble hydrodynamisk modellering sammen med en sykdomsmodell. 5.2 Smittenettverk Vi antar at fiskeutsett med PD-utbrudd er smittsomme og bidrar med smittepress til omgivelsene. Vi definerer den smittsomme perioden til å starte 2 måneder før klinisk diagnose av PD og til å vare helt til fiskeutsettet avsluttes/slaktes ut. Det er sannsynlig at utskillelse av smittestoff starter en god stund før PD oppdages i et anlegg. Det er påvist SAV på en PD-lokalitet i lang tid etter første påvisning ( 265 dager etter første påvisning i to irske oppdrettsanlegg; Graham m.fl. 2009). Smittenettverk defineres for hvert utsett til en 1-0 variabel som er 1 dersom fiskeutsettet står i strømkontakt med en eller flere PD-lokaliteter i løpet av perioden i sjø (før slakt eller før PDpåvisning). En lokalitet står i strømkontakt til en PD-lokalitet dersom strømavstanden fra PDlokaliteten er mindre enn 100. Vi testet hvordan resultatene endret seg om grensen for strømavstand ble senket og bare strømkontakt med P < 80, P < 60 eller P < 40 ble inkludert. I tillegg testet vi fire forskjellige strømmatriser (basert på 0-20m) for strømkontakt: 1) uten vind (Tabell 7) 2), vind ut fjorden (Tabell 8) 3) vind inn fjorden ( Tabell 9) og 4) en strømmatrise som for hver celle ble definert som minimum av de tre andre strømmatrisene (dvs det strengeste vannkontaktnettverket, se vedlegg C). 47

49 For å sammenligne med sjøavstand definerte vi tre 1-0 variable som sier om et gitt fiskeutsett har sjøavstand mindre eller lik 5, 10 eller 20 km til en eller flere PD lokaliteter i løpet av perioden i sjø (før slakt eller evt PD-påvisning). Lokaliteter med sjøavstander innenfor den gitte terskelverdien defineres til å dele nettverk. 5.3 Fiskeutsettdata I Norge må oppdrettere av laksefisk rapportere inn produksjons-statistikk til ansvarlige myndigheter hver måned (Havbruksdata). Denne statistikken er for hvert fiskeutsett knyttet opp mot en geo-referert lokalitetsidentitet i Havbruksregisteret til Fiskeridirektoratet ( For hvert utsett ble biomasse og antall fisk for hver måned i vekstperioden i sjø hentet ut fra Havbruksdata og bearbeidet som beskrevet i Kristoffersen m.fl (2009). Manglende data ble utfylt etter driftsplanlegging fra det lokale Mattilsynet (I. Kandal). Fra Havbruksdata identifiserte vi totalt 41 fiskeutsett av laks og ørret som ble initiert og slaktet ut i perioden fra januar 2005 til mars 2011 i prosjektområdet (Tabell 11). Seks av fiskeutsettene ble flyttet fra en lokalitet til en annen under vekstperioden i sjø. All flyttingen skjedde mellom lokaliteter som var i relativ nærhet. For utsett som ble flyttet, regnet vi eksponering for (og evt. bidrag til) smittepress for alle måneder i sjø på den spesifikke lokaliteten som fiskeutsettet til enhver tid befant seg på. Sykdomshistorien for PD i Nordfjord ble lest ut av databasen ved VI og sjekket opp med det lokale Mattilsynet ved I. Kandal. I løpet av perioden april 2005 til mars 2011 ble det funnet PD i 20 lakseutsett i Nordfjord. Tidspunktet for påvisningen av PD varierte mellom 4-17 måneder etter utsett på lokalitetene (Tabell 11). Utsett der det ble påvist PD ble satt til å være caser, mens utsett der det ikke var påvist PD ble satt til kontroller. Ved å utelukke den første PD-casen i området, så vel som utsett som ikke var utslaktet før april 2011, gjenstod det 19 PD-utsett (caser) og 21 utsett der PD ikke ble funnet (kontroller). Det første PDtilfellet i området ble ekskludert fra casene, da dette fiskeutsettet (ved definisjon) ikke kunne ha blitt eksponert for lokalt smittepress. Vi har antatt at fiskeutsettene kan antas som uavhengige, da det alltid er en brakkleggingsperiode (minst en måned) mellom etterfølgende utsett på samme lokalitet. 48

50 Tabell 11. Oversikt over fiskeutsett i Nordfjord med hensyn på PD-status (år og måned for påvisning), lokalitetsnummer, start (år og måned som fisken settes ut) og slutt-tidspunkt (år og måned fisken slaktes) for utsettet på lokaliteten, og varianter av smittenettverk, PDnw, basert på strømkontakt eller sjøavstand. PDnw=1 dersom utsettet har stått i nettverk med en PD lokalitet i løpet av perioden i sjø (før PD diagnose eller utslakting). Kolonnen Flytting viser om utsettet er flyttet fra en annen lokalitet. Lokalitet Navn PD år og mån Start år og mnd Slutt år og mnd Flytting a Endal Vest Stegevika Gulestø Gulestø Gulestø Gangsøy Gangsøy Gangsøy Buøysund b Krabbestig Krabbestig Lindeneset Lindeneset Lindeneset Kleppeneset Kleppeneset Kleppeneset Endal Øst Juvika Juvika Løypingneset Marøy Marøy Marøy Marøy Krakevika Krakevika Krakevika Rundereimstranda Rundereimstranda Osmundsvåg Verpeide Verpeide Brunsvik Brunsvik Brunsvik Vengen Vengen Vengen Grunneneset Grunneneset a Den første registreringen av PD i området inkluderes ikke som case i analysen, men bidrar med smittepress. b PD-fisk ble flyttet til nabolokaliteten i oktober PDnw uten vind P<80 PDnw vind P<80 PDnw vind P<40 PDnw 5km 49

51 5.4 Statistisk analyse og resultater For å se på sammenhengen mellom sannsynligheten for et PD-utbrudd og smittenettverk (PDnw), brukte vi en logistisk regresjonsmodell: ci Bin(1, pi ) (2) logit p i * PDnw hvor p i er sannsynligheten for å påvise et PD-utbrudd i c i, fiskeutsett i; α er intercept; og β er regresjonsparameter for PDnw. En positiv og signifikant, vil da indikere at sannsynligheten for et PD-utbrudd er signifikant høyere om utsettet har stått i smittenettverk til andre PD lokaliteter enn dersom den har stått utenfor et slikt smittenettverk. For PDnw basert på vannkontakt og vindscenarier var det en signifikant høyere sannsynlighet for å få PD i fiskeutsett i enn utenfor smittenettverk (p=0.01, Tabell 12). Ved P<80 ble sannsynligheten for å få PD estimert til å være 16 ganger høyere i enn utenfor smittenettverk, men med stor usikkerhet rundt estimatet (95% konfidensintervallet sier at risikoen kan ligge mellom 1.8 og 143 ganger høyere). Om smittenettverk begrenses til sterk strømkontakt, P<40, ble risikoen estimert til å være 3.7 ganger høyere for utsett i smittenettverk enn utenfor (95% konfidensintervall: [1, 14], p=0.05). Det var også høyere sannsynlighet for å få PD i fiskeutsett som var 10km (og 20km) eller nærmere en PD lokalitet, enn utsett med lenger sjøavstand fra PD lokaliteter (p=0.01). Sannsynligheten for å få PD ble estimert til å være 6 ganger høyere for fiskeutsett som var 10km eller nærmere en PD lokalitet enn utsett som lå lenger unna, men igjen med stor usikkerhet rundt estimatet (95% konfidensintervallet sier at risikoen kan ligge mellom 1.5 og 25 ganger høyere). Modellene ble rangert etter AIC-verdi (Akaike s informasjonskriterie(tabell 12). AIC ble brukt til å sammenligne hvor godt de forskjellige modellene (med varianter av PDnw) forklarte dataene. Den beste modellen har lavest AIC-verdi og en forskjell på 2 regnes som signifikant. Modellene som predikerte PD-caser og kontroller best, var modellvariantene der PDnw var basert på vannkontakt og vind (minimumsavstanden fra Tabell 7-9) og P<100 eller P<80 (disse gav eksakt samme PDnw). Tabell 12. Oversikt over estimert endring i risiko, exp( ), for PD for et utsett som står i smittenettverk (PDnw = 1) til en PD lokalitet sammenlignet med lokaliteter utenfor smittenettverk (PDnw = 0) med 95% konfidensbånd og p-verdi. Modellen er estimert for smittenettverk basert på varianter av strømmatriser (fra forskjellige vindscenarier og grensen for strømkontakt satt til P<80, 60 eller 40) og sjøavstander mindre enn 5, 10 eller 20 km. PDnw_str er basert på minimumsavstanden fra Tabell 7-9. AIC er et mål som brukes til modellseleksjon og modellen med relativt lavest AIC er modellen som forklarer dataene best. PDnw exp( ) 95% CI p AIC PDnw_NoWind 2.5 [0.7, 9.6] PDnw_InFjord 5.8 [1.5, 22] PDnw_OutFjord 7.7 [1.4, 42] PDnw_minAvst 16.3 [1.8, 143] PDnw_str [1.8, 143] PDnw_str [0.8, 14] PDnw_str [1.0, 14] PDnw_NoWind [0.8, 14] PDnw_NoWind [0.5, 6.6] PDnw_NoWind [0.5, 6.3] PDnw_5km 2.9 [0.7, 11] PDnw_10km 6.0 [1.5, 25] PDnw_20km 11.0 [1.2, 99]

52 5.5 Relevant sjøavstand og strømavstand Hva er relevant sjøavstand og strømavstand for PD? Jo større sjøavstand eller jo større strømavstand som tas med i smittenettverk: jo flere caser forklares av modellen, men det blir også et større antall utsett som predikeres til å få PD uten å få det (Figur 26). Bare en av 19 PD-caser sto utenfor smittenettverk basert på minimum strømavstand fra strømmatrisene uten vind og vind inn og ut av fjorden (Tabell 7-9), mens det tilsvarende tallet for kontroller var 10 av 21. Dersom nettverket begrenses til sterk strømkontakt, P<40, sto 5 av 19 PD caser og 12 av 21 kontroller utenfor smittenettverk. Til sammenligning sto 10 av 19 PD caser og 16 av 21 kontroller utenfor smittenettverk hvis nettverket baserer seg på sjøavstand mindre eller lik 5km til en PD lokalitet. a) PDnw_str80 b) PDnw_str60 c) PDnw_str d) PDnw_5km e) PDnw_10km f) PDnw_20km Figur 26. Oppsummering av hvordan 40 utsett samsvarer (antall utsett i cellene i diagonalen) eller ikke samsvarer med modellprediksjon for varianter av smittenettverk basert på minimum strømavstand med parameteren for strømkontakt, P < 80, 60 eller 40 (a-c) eller sjøavstand mindre enn terskel 5, 10 eller 20 km (d-f). Cellen for predikert=1 og observert=0 viser antall utsett hvor modellen predikerer PD, men hvor PD ikke registreres, mens cellen for predikert=0 og observert=1 viser antall utsett med registrert PD som ikke kan forklares fra smittenettverk. Det kan være sannsynlig at PD historien i Nordfjord involverer flere uavhengige utbruddsepisoder, dvs andre spredningsmekanismer enn horisontal spredning fra nabolokaliteter har hatt betydning. Man vil da ikke forvente at modellen med horisontal spredning gjennom smittenettverk fra strømkontakt skal forklare alle PD utbruddene i området. Modellen kunne for eksempel bli testet etter at PD utbrudd som antas å ha en annen smitteårsak enn horisontal spredning fra nabolokaliteter, utelukkes fra casene. Relevant sjøavstand og strømavstand for PD vil også være avhengig av selve spredningsmekanismen for PD. Ved passiv spredning i vannmassene, kan man tenke seg at viruset ganske raskt fortynnes slik at bare ganske sterk vannkontakt mellom lokaliteter (for eksempel P<40) vil være av betydning selv under gode miljøforhold for virusoverlevelse. Andre mekanismer, for eksempel faktorer som fører til at virus klumper seg sammen i større enheter (slik at fortynningseffekten reduseres) eller mulig SAVspredning med vektor (for eksempel lakselus; Petterson m. flere 2009), kan tenkes å gi spredningseffekt selv ved lav vannkontakt mellom lokaliteter. 51