Får vi bedre data for risikovurdering med nye metoder?

Transkript

1 Får vi bedre data for risikovurdering med nye metoder? Ingun Tryland (mikrobiologi/vannhygiene) og Torulv Tjomsland (hydrolog, > 30 års erfaring med hydrodynamisk modellering) Presentasjon på seminar i Norsk vannforening om risikovurderinger og vannhygiene, Oslo 30. januar 2013 Ingun Tryland 30. januar

2 Får vi bedre data for risikovurdering med nye metoder? Metoder for skaffe informasjon om mulig forekomst av sykdomsfremkallende mikroorganismer i vann: 1. Analysere vannprøver for spesifikke patogene mikroorganismer Nyttig, men dyrt (=få prøver), stikkprøve, deteksjonsgrense > smittefare, fravær av en sier lite om fravær av andre. Ikke alle metoder skiller mellom infektive og ikke-infektive. 2. Analysere vannprøver for fekale indikatorbakterier Indikerer at vannet også kan inneholde patogener. Nyttig for å spore tilførsler av fekal forurensning, undersøke om fekal forurensning når råvannsinntaket, dokumentere fravær i ferdigbehandlet drikkevann (drikkevannsforskriften). MEN: Stikkprøver: Nye automatiserte metoder som gir flere analysesvar kan være nyttig Sammenhengen mellom indikatorbakterier og patogener ikke konstant, avhenger bla av hvem som har produsert indikatorbakteriene (smittesituasjon i nedbørfeltet, utskillelse av patogener, normalt: mennesker>husdyr>ville dyr). Nye indikatorer som skiller mellom avføring fra dyr og mennesker kan være nyttig/microbial source tracking E. coli god indikator på fersk fekal forurensning, men enkelte virus og parasitter kan overleve lenger i vann og være mer motstandsdyktig mot aktuell vannbehandling Fravær av indikatorbakterier er et godt tegn, men ingen garanti for smittefritt vann 3. Vurdere forurensningsfaren fra ulike kilder/forurensende aktiviteter i nedbørfeltet (Drikkevannsforskriften) Foredraget fokuserer på verktøy for å forsøke å kvantifisere denne forurensningsfaren Inkl. strøm og spredningsmodell for å simulere hvorvidt E. coli og patogener (med lengre overlevelse) som tilføres vannkilden kan transporteres til råvannsinntaket i innsjøer 2

3 «Kvantitativ forurensningsanalyse mhp patogene mikroorganismer» 1. Estimer mengden patogener (Giardia/Cryptosporidium =parasittindikator, norovirus/adenovirus =virusindikator og E. coli) som tilføres drikkevannskilden: A) Ved prøvetakning i tilførselskilder (husk kraftig nedbør) og/eller B) Kvantifiser mengden patogener som produseres ved gitt aktivitet. Gjennomsnittsverdier og «verste fall». Estimer hvor mye som tilføres direkte og via tilførselsbekker, kontinuerlig og sporadisk. Modeller tilgjengelig. 2. Estimer hvor mye som når råvannsinntaket ved strøm- og spredningsmodellering 3. Modellerte konsentrasjoner av patogener i råvannet input til modeller som beregner LOGreduksjoner i vannbehandlingen (God desinfeksjonspraksis), Svensk QMRA-modell: beregner LOG-reduksjoner i vba og daglig/årlig risiko for infeksjon med ulike patogener ( Forenklet QMRA (WHO Guidelines 2011) Tilførselsmodell 1. Verdier Tilførsler Matematisk strøm- og spredningsmodell som tar hensyn til utdøing, sedimentasjon, beiting 2. Verdier råvann Log-reduksjoner på vannverk Risiko for sykdom QMRA 3. Verdier ferdig behandlet drikkevann 3

4 NIVA bruker 3D- strøm- og spredingsmodellen GEMSS* utviklet av ERM's Surfacewater Modeling Group i Exton, Pensylvania, USA. Modellen beregner strømning, temperatur, konsentrasjon av stoffer med ulike egenskaper: tarmbakterier, vannkjemi, alger, olje, sedimenter mm. Input: lufttemperatur, duggpunkttemperatur, skydekke, vindstyrke, vindretning, samt vannføring, vanntemperatur og stoffkonsentrasjoner i tilløp, stoffenes egenskaper (temperaturavhengig utdøing, sedimentasjon), vannføring i utløp og vanninntak Innsjøen deles inn i beregningsceller: Eks: Maridalsvannet delt inn i beregningsceller, 150 m x 180 m i horisontalplanet og 1 meter i dybderetningen For hver celle blir resultatene beregnet skrittvis fremover i tid med periode på et par minutter Det er gode muligheter for presentasjon av resultater, animasjoner mm. 4

5 Modellering av spredning av E. coli og patogener i Maridalsvannet: Tilførsler fra 9 elver/bekker TKB/E. coli konsentrasjoner fra Oslo VAV: Modellen kjørt med vannføring og værforhold fra 2006 Overflateareal: 3.7 km 2, Volum ca 7x10 10 L, råvannsinntak 30 m, oppholdstid ca 1405 dager

6 Modellering av spredning av E. Mo coli i Maridalsvannet (bunnen) 11. juli 2006 Sommerdag med sprangsjikt som hindrer at E. coli fra bekkene når råvannsinntaket 29. November 2006 Sirkulasjon i Maridalsvannet ca 5 E.coli/100 ml ved råvannsinntak Ingun Tryland 30 januar

7 E. coli pr 100 ml E. coli/100 ml Modellert påvirkning av råvannet på Oset i 2006, E. coli/100 ml: Bra samsvar mellom modellerte verdier og målte verdier av E. coli i råvannet på Oset Ved modellering kan man skille påvirkningen fra de ulike elvene fra hverandre: Skjærsjøelva>Dausjøelva>Lautabekken> Målt E. coli/100 ml i 2006, Oslo VAV: uke I sirkulasjonsperioden: Kort tid (ca 1 døgn) fra forurensning fra bekkene når råvannsinntaket, Bra vindretning avgjør Modellering indikerer god barriere i kilden sommerstid og sent på vinteren pga sprangsjikt Umulig å verifisere modellen fullstendig fordi tilførslene varier veldig. Kraftig nedbør viktig driver. Dropp fra fugler/sedimentasjon: vanskelig input 7

8 TKB tilført pr døgn TKB tilført pr døgn Målt TKB/100 ml i tilløpselver i : Min Max Gj. snitt Skjærsjøelva < Dausjøelva < Lautabekken < ,E Jun-2005 Skjærsjøelva 1,E+12 Lautabekken 13-Aug Jul ,E Aug ,E+11 1,E+10 1,E+10 1,E+09 1,E+09 1,E+08 1,E ,E Nedbør siste døgn (mm) Nedbør siste døgn (mm) Ingun Tryland 30 januar

9 Modellering av spredning av E. coli: Nyttig for å finne optimal plassering av råvannsinntak: eks Birkelandsvann, Mjøsa mfl. Lokalisere optimal plassering av utslipp, eks renset kloakk til Mjøsa Finne ut hvor mye E. coli ulike tilførselskilder (elver, bekker) bidrar med: f.eks Mjøsa, Maridalsv MEN utfordring: Forholdstall patogener: E. coli kan variere fra > 1:1 til < 1: avhengig av hvem som har produsert avføringen og hvor lenge siden. Modellering av spredning av spesifikke patogener nyttig i risikovurderinger: Eks: scenario: Maridalsvannet: Kloakken fra et hus går ULOVLIG rett ut i tilløpsbekk til Maridalsvannet over flere uker: 5x10 10 E. coli tilføres/døgn ca 0.5 E. coli/100 ml i råvannet i sirkulasjonsperioden Ved «normalkloakk»: 1x10 7 Cryptosporidium tilføres/døgn Crypto/L i råvannet Ved kraftig infeksjon»: 1x10 9 Cryptosporidium tilføres/døgn 0.3 Crypto/L i råvannet Hendelse Ikke målbar økning i E. coli: Betydelig økt smittefare WHO (2011): < Crypto/L Behov for 2-4 log reduksjoner i vannbeh. 9

10 Estimere patogen-konsentrasjoner i råvannet ved modellering: Fordel: Kan modellere lavere konsentrasjoner enn man kan måle (ned til «smittegrense») Men: Forbundet med stor usikkerhet. Vi vet enda lite om patogenenes skjebne i vann. Spredningsmodellering nyttig forskningsverktøy for å studere forskjeller mellom ulike mikrober (f. eks med ulik overlevelse, frittsvevende versus festet til partikler) Tilførslene varierer veldig. Selv om konsentrasjonene er målt i tilførselsbekker er dette bare øyeblikks-verdier Både antall smittede individer og (ikke minst) mengden patogener som skilles ut blant smittede individer varierer veldig (med flere LOG), beskrives ofte ved sannsynlighets-fordelinger, inkl. 50 og 95 percentiler Kan få betydelig tilførsel dersom individ med «maksimal utskillelse» gjør fra seg på maksimalt uheldig sted. Ingun Tryland 30. januar

11 Patogenkonsentrasjonen i avføring varierer!! Eksempel: Campylobacter i måkeavføring Ogden et al., 2009: Skottland: 215 måker Mengde/gram Antall måker (77%) Gjennomsnitt: 6x10 4 Campylobacter/g måkeavføring (95% KI: 4x10 3-2x10 5 ) MEN EN MÅKE PRODUSERTE MERE ENN ALLE DE 214 ANDRE TIL SAMMEN Ingun Tryland 30 januar

12 Patogener per liter Simulering av hvordan overlevelsesevne kan påvirke konsentrasjon ved dypvannsinntak Tenkt eksempel Maridalsvannet, patogener/døgn tilføres kontinuerlig fra Dausjøelva. Tilsvarer E. coli-produksjon fra et menneske (eller en hund, sau eller hest, 10-talls måker). Gj. snitt norovirus fra en infisert person. Verste fall Cryptosporidium fra en person. Kan skaleres. Modellen ble kjørt med vannførings og værdata fra Antar frittsvevende mikrober. 7 Kontinuerlige tilførsler i Dausjøelva Konsentrasjoner som funksjon av tid og svinnrate 6 T1/2=1dag 5 4 T1/2=1uke T1/2=1mnd 0 J F M A M J J A S O N D Ingun Tryland 30 januar

13 Simulering av hvordan sedimentasjon kan påvirke konsentrasjon ved dypvannsinntak Tenkt eksempel Maridalsvannet, patogener/døgn tilføres fra Dausjøelva en uke i juni (sprangsjikt) og en uke i november (uten sprangsjikt). Halveringstid 1måned. Modellen ble kjørt med vannførings og værdata fra 2006 Sedimentasjonshastighet Max antall patogener per liter etter utslipp i juni 0 meter per døgn 0, meter per døgn 0,2 1 5 meter per døgn 0,001 0,01 Max antall patogener per liter etter utslipp i november Sedimentasjon kan være viktig for grad av påvirkning av vanninntaket. Frittsvevende patogener har ubetydelig sedimentasjonshastighet Vet lite om i hvilken grad patogener festes til ulike partikler i norsk overflatevann ( 50%?), partiklenes egenskaper bestemmer sedimentasjonshastighet Resuspensjon (viktigere i elver enn innsjøer) Ingun Tryland 30 januar

14 Forurensningsanalyse: Konsekvens av å tillate bading/rekreasjon i Maridalsvannet? Scenario: Akuttutslipp av mikrober 31. August (bading) eller 15 oktober Tilsvarer E. coli fra 1 barn med uhellsutslipp på 100g (eller 700 badene som i snitt avgir 0.14 g) Realistisk verdi mhp virus. Skaler ned til 10 9 mhp Giardia/Crypto. Antar at mikrobene er frittsvevende. Modellering viser at mikrobene raskt spres i overflatelaget. Når ned til dypvannsinntaket først ved fullsirkulasjon (slutten av oktober i modellåret 2006) Utslipp 2 mnd før fullsirkulasjon (31 aug: Kun mikrober med veldig god overlevelse påvirker råvannet betydelig Ca Crypto/L WHO (2011): /L Ingun Tryland 30 januar

15 Scenario: Akuttutslipp av patogener 15 oktober Utslipp uken før fullsirkulasjon: Både patogener med moderat (1 ukes halveringstid) og lang overlevelse påvirket råvannet betydelig: Skalering av utslipp: 10 9 Cryptosporidium: tilsvarer 100 gram avføring fra akutt sykt menneske/kalv ca 0.013/L i råvannet WHO (2011): Crypto/L akseptabel risiko (1 av 1500 syke pr år) 3 Log påkrevd ved vba. Uten fjerning vba: tilførsel < 10 6 Max 10 kg dyreavføring med 10 2 /g 100 g dyreavføring med 10 4 /g Ingun Tryland 30 januar

16 Oppsummering: Får vi bedre data for risikovurdering med nye metoder? Ja, å inkludere matematiske modeller kan gi bedre data. +også nyttig med metoder for: Microbial source tracking, Økt frekvens indikatoranalyser Bedre patogenanalyser Enkle modeller eller komplekse modeller: Økonomi og anvendelse avgjør! Alle modeller basert på en rekke forenklede antagelser, må kombineres med faglig skjønn/gode fagkunnskaper. Lokal prøvetakning nødvendig. Spesielt stor usikkerhet knyttet til tilførselsberegning mhp patogener (flere LOG variasjon mellom gjennomsnitt og «worst case», beskrives ofte som sannsynlighets-fordelinger/percentiler) Det er ikke når alt er normalt, men når det skjer noe ekstraordinært at vannbehandlingen virkelig settes på prøve. Tenk «worst-case» (innen rimelighetens grenser) ved vurdering av behov for restriksjoner i nedbørfelt og barrierer i vannbehandlingen Tilførselsmodell 1. Verdier Tilførsler Matematisk strøm- og spredningsmodell som tar hensyn til utdøing, sedimentasjon 2. Verdier råvann Log-reduksjoner på vannverk Risiko for sykdom QMRA 3. Verdier ferdig behandlet drikkevann 16