15 Meer koper en lood in bodem Westhoek

Het zal u waarschijnlijk niet verbazen dat de
tientallen miljoenen granaten die werden
afgevuurd in de Westhoek tijdens WO I een
invloed gehad hebben op de concentraties
aan zware metalen in de bovengrond.
Moeilijker te geloven is dat pas 90 jaar na
het einde van WO I een grootschalig
onderzoek is uitgevoerd om deze
concentraties in kaart te brengen. Hoe pak je
zo een grootschalige inventarisatie aan? Hoe
bemonster je een gebied van enkele
honderden km 2 met een beperkt budget?
Maak kennis met geostatistiek, een toolbox
van algoritmen die u helpen de meest
interessante staalnamelocaties te selecteren
en de verkregen datapunten te interpoleren.
Eef Meerschman
Meer koper en lood in bodem Westhoek
I
n de regio rond Ieper werd over enkele
honderden vierkante kilometers een
aanrijking aan koper (Cu) in de bovengrond
(0 tot 30 cm) vastgesteld (Figuur 1). Deze
regionale aanrijking is een erfenis van de
Eerste Wereldoorlog (WO I). In de
voormalige frontzone werd jarenlang intens
slag geleverd en de oorlogvoerende partijen
vuurden er tientallen miljoenen granaten af.
Meer dan 90 jaar na het einde van WO I
bevat de bodem rond Ieper nog steeds grote
hoeveelheden niet-ontplofte granaten,
metaalfragmenten en ander militair afval.
Corrosie van metaalfragmenten is de bron
voor de vastgestelde aanrijking. Er is echter
geen sprake van een bodempollutie, want de
tot dusver vastgestelde Cu-aanrijking vormt
geen gevaar voor de volksgezondheid [1].
In het zuiden van West-Vlaanderen bevindt
zich geen zware metaalverwerkende
nijverheid. Anders dan bij industriële
verontreinigingen is hier ook geen sprake
van een puntbron met een geleidelijke
afname van de metaalconcentratie in functie
van de afstand tot de bron. Landbouw is de
voornaamste vorm van bodemgebruik in de
Westhoek. De aanrijking van naar schatting
2800 ton Cu kan onmogelijk afkomstig zijn
van varkensmest. Verder is de geologie in de
streek niet anders dan in het grootste deel
van West-Vlaanderen [1].
De aanrijking werd echter vastgesteld door
een geostatistische analyse voor de hele
provincie West-Vlaanderen waarvan slechts
199 van de 2786 Cu-data gelegen waren in
de voormalige frontzone. De data waren
voor het grootste deel afkomstig uit de
OVAM-databank. Door hun ongelijke
ruimtelijke spreiding kwamen nog
ondervertegenwoordigde gebieden voor.
Verder gebeurde de voorspelling van de Cuconcentraties
voor een grove resolutie met
een pixelgrootte van 500 op 500 m.
Tenslotte bevatten granaten ook niet enkel
Cu. Ze bestonden voor een groot deel uit
messing, een legering van Cu en Zn (Figuur
2). Shrapnels en kogels werden dan weer uit
Pb-legeringen vervaardigd. Naast conventionele
wapens werd ook toxische munitie
ingezet tijdens WO I. Niet-ontplofte,
corroderende gifgasgranaten kunnen een
bron voor arseen of andere gifgassen zijn.

2 ZWARE METALEN WESTHOEK
Figuur 1: Voorspelling van de Cu-concentratie in de bovengrond (0 tot 30 cm) in West-Vlaanderen [1] met
aanduiding van de initieel beschikbare datapunten (▲) en afbakening van het studiegebied (▬)
Een verdere, grondige inventarisatie van
zware metalen en gifgassen in de bodem
rond Ieper drong zich aldus op. Voormalig
Vlaams minister van Leefmilieu Hilde Crevits
en de Openbare Vlaamse Afvalstoffenmaatschappij
OVAM startten in het najaar
van 2008 een project op om de impact van
WO I op de bodemkwaliteit in de Westhoek
na te gaan. De Vlaamse Instelling voor
Technologisch Onderzoek VITO evalueerde
de risico’s van niet-ontplofte of
achtergelaten chemische munitie en UGent
inventariseerde de concentraties aan zware
metalen in de bodem rond Ieper.
Figuur 2: WO I-granaten met messing
ontstekingskop en geleidering
(Foto: Marc Van Meirvenne)
Dit artikel focust op het tweede luik van het
project. Volgende onderzoeksdoelstellingen
werden vooropgesteld:
1. Een verfijning van de inventarisatie
waarbij de resolutie verhoogd werd
naar een pixelgrootte van 200 op 200 m.
2. Een uitbreiding naar het volledige
OVAM-standaardanalysepakket aan
zware metalen (As, Cd, Cr, Cu, Hg, Ni, Pb
en Zn) waarbij voor elk metaal werd
onderzocht (1) hoe de concentraties zich
verhouden ten opzichte van het Vlarebonormenkader,
(2) of er –net zoals voor
Cu- sprake is van een regionale
aanrijking en (3) of de patronen van
voorkomen gerelateerd zijn aan WO I.
O
Studiegebied
p basis van de finale kaart van de
voorgaande studie [1] werd het
studiegebied voor dit onderzoek vastgelegd
(Figuur 1). Het studiegebied met een
oppervlakte van 640 km 2 ligt in het zuiden
van West-Vlaanderen en omvat een deel van
de historische frontzone met een
zuidwestelijke uitloper naar Poperinge en
het gebied rond de Kemmelberg. Het
studiegebied bestaat vooral uit zandleembodem,
maar in het uiterste zuiden en
uiterste noorden komen kleibodems voor.

Geostatistiek: schatting en simulatie
ZWARE METALEN WESTHOEK 3
Geostatistiek is een toolbox van statistische algoritmen waarbij de ruimtelijke coördinaten van
observaties van bodemkarakteristieken geïncorporeerd worden in de data-analyse. Dit laat toe
ruimtelijk patronen te beschrijven en te modelleren, bodemkarakteristieken te voorspellen op
niet-bemonsterde locaties en een inschatting te maken van de onzekerheid die gepaard gaat
met de voorspellingen.
Er kan onderscheid gemaakt worden tussen geostatistische schattings- en simulatiealgoritmen.
Centraal in beide benaderingen staat het variogram, een model van het verwachte
kwadratische verschil tussen twee observaties van de bestudeerde variabele als functie van
hun onderlinge afstand.
Schattingsalgoritmen steunen op kriging en genereren voor niet-bemonsterde locaties een
schatting van de bestudeerde variabele en de bijhorende kriging variantie. Kriging is een term
die door geostatistici wordt toegekend aan een familie van gegeneraliseerde kleinstekwadraten
regressie-algoritmen. De meeste gebruikte variant is ordinary kriging (OK).
Een alternatief is voor elke niet-bemonsterde locatie de conditionele cumulatieve
distributiefunctie modelleren (ccdf), conditioneel aan de omliggende datapunten. De mediaan
(M-type) of het gemiddelde (E-type) van de ccdf voorspellen een waarde voor de
onbemonsterde locatie. Andere statistieken van de ccdf, zoals de conditionele variantie of de
variatiecoëfficiënt, zijn bruikbare parameters voor de lokale onzekerheid. Tenslotte kan ook de
probabiliteit om een drempelwaarde te overschrijden afgeleid worden uit de ccdf’s.
Verschillende geostatistische algoritmen zijn in staat de ccdf voor niet-bemonsterde locaties te
modelleren.
Een eerste algoritme is indicator kriging (IK) dat de ccdf’s modelleert met behulp van een serie
drempelwaarden die het bereik van de bestudeerde variabele discretiseren. Ondanks de
controverse die bestaat in geostatistische literatuur omtrent het gebruik van IK, kan het een
bruikbaar algoritme zijn, bijvoorbeeld om een variabele te voorspellen waarvan een groot deel
van de concentraties lager is dan de detectielimiet.
Meer recent werden stochastische simulatiealgoritmen ontwikkeld die eveneens in staat zijn
ccdf’s te modelleren. Deze algoritmen worden als oplossing naar voor geschoven voor bepaalde
tekortkomingen van kriging. Een groot aantal beelden van de ruimtelijke distributie van de
bestudeerde variabele worden gegenereerd, waarbij elke beeld kan geïnterpreteerd worden als
een realisatie van de werkelijkheid. De ccdf’s worden opgesteld op basis van de reeks
realisaties op elke niet-bemonsterde locatie. Van het groot gamma aan simulatiealgoritmen
wordt sequentiële Gaussiaanse simulatie (sGs) het meest toegepast [2].
V
Aanpak
oor het meer gedetailleerd in kaart
brengen van de concentraties aan
zware metalen was een gefaseerde
staalnamestrategie op basis van
geostatistische selectiecriteria aangevuld
met een grondige geostatistische
verwerking de aangewezen procedure.
Bij een gefaseerde aanpak wordt de
staalnamecampagne onderbroken, de
bodemmonsters worden geanalyseerd en
de gemeten concentraties worden
toegevoegd aan de reeds beschikbare
dataset. De selectie van locaties die in de
volgende fase zullen bemonsterd worden,
steunt op een geostatistische analyse van
de samengestelde dataset. De efficiëntie
van een gefaseerde staalnamestrategie
werd reeds meermaals aangetoond [3].
Verschillende geostatistische criteria
kunnen gebruikt worden om de meest
interessante staalnamelocaties te
selecteren afhankelijk van de doelstelling
die men voor ogen heeft.
OVAM stelde budget ter beschikking om
ongeveer 300 bijkomende bodemstalen te
nemen. Om de logistieke kosten te drukken
werd in deze studie gekozen voor een
staalname in twee fasen. Op basis van een
geostatistische analyse van de initieel

4 ZWARE METALEN WESTHOEK
beschikbare data, werden de 100 meest
interessante staalnamelocaties geselecteerd.
Deze werden in oktober 2008
bemonsterd door Soresma nv, een
onafhankelijk studie- en adviesbureau, en
geanalyseerd door een erkend labo. De
gemeten concentraties werden bij de
initieel beschikbare data gevoegd en
opnieuw werd een staalnamestrategie
uitgewerkt. Dit resulteerde in een tweede
staalnamecampagne in februari 2009
(Figuur 3).
Geostatistische
interpolatie
Geostatistische
staalnamestrategie
Laboratoriumanalyse
door Eurofins
Analytico BV
Staalnamecampagne
door Soresma nv
Figuur 3: Flowchart van de gefaseerde aanpak
Tevens werden 102 data volgens een
regelmatige grid bemonsterd en als
onafhankelijke validatiedataset gebruikt
teneinde de geostatistische selectiecriteria
en interpolatiealgoritmen te evalueren.
Figuur 4 geeft een overzicht van de
datacollectie. Voor het opstellen van de
finale kaarten werden alle beschikbare
datapunten, inclusief de validatiedata,
geïnterpoleerd.
Figuur 4: Flowchart van de datacollectie
Waarom investeren in het
uitwerken van een
staalnamestrategie?
Bij het in kaart brengen van variabelen met
een potentieel milieuhygiënische impact,
zoals zware metalen, kunnen twee grote
fasen onderscheiden worden. De eerste is
de staalnamefase, waarbij bodemstalen
worden genomen van de variabele op een
aantal geselecteerde locaties. Hierop volgt
de voorspellingsfase, waarbij de
concentraties worden geïnterpoleerd naar
een fijne grid. De kwaliteit van de finale
kaart wordt uiteindelijk bepaald door een
combinatie van beide fasen, waarbij vooral
de staalnamefase van cruciaal belang is.
Deze zou namelijk de grootste bron van
onzekerheid zijn.
Opvallend is nochtans dat in de literatuur
sterk de nadruk wordt gelegd op de tweede
fase door het ontwikkelen van steeds
complexere algoritmen voor kriging en
simulatie. Toch groeit stilaan het besef dat
investeren in het uitwerken van een
staalnamestrategie de betrouwbaarheid
van de finale kaart maximaliseert met een
minimum aantal bodemstalen, wat
resulteert in een kosten- en tijdbesparing.
Een studie waarbij een staalnamestrategie
werd uitgewerkt om een 3D pollutie af te
bakenen, toonde bijvoorbeeld aan dat het
aantal monsters met 70.7% kon gereduceerd
worden door gebruik te maken van
geostatistische selectiecriteria [3].

I
Staalnamestrategie
n de literatuur zijn geostatistische
staalnamestrategieën terug te vinden
voor het geval van een puntpollutie waarbij
het te saneren gebied zo correct mogelijk
dient afgebakend te worden. Bijkomende
stalen worden dan genomen in het gebied
waar de onzekerheid om een
drempelwaarde te overschrijden het
grootst is. In praktijk houdt dit in dat
locaties geselecteerd worden aan de rand
van het studiegebied. Bovenstaand
selectiecriterium kwam echter niet in
aanmerking voor deze studie. Er diende
namelijk een staalnamestrategie
ontwikkeld te worden voor een diffuse
aanrijking op een regionale schaal. De
doelstelling was niet een gebied af te
bakenen maar binnen in een gebied de
graad van detail te verhogen.
Door de sterke clustering van de initieel
beschikbare data was het bemonsteren van
ruimtelijke hiaten de eerste prioriteit. Voor
maar liefst één derde van de onbemonsterde
locaties was geen betrouwbare
voorspelling mogelijk omdat geen twee
datapunten binnen een straal van 2000 m
lagen, de afstand tot waar datapunten
geautocorreleerd zijn. Deze ‘grijze zone’
werd weggewerkt door er random 66
locaties uit te selecteren (Figuur 5).
Figuur 5: Selectie van locaties waar geen
betrouwbare voorspelling mogelijk was
De overige 34 locaties werden geselecteerd
op locaties waar de OK-variantie het
grootst was. Omdat deze parameter enkel
afhankelijk is van het variogram en van de
dataconfiguratie en niet van de datawaarden,
werden de eerder geselecteerde
ZWARE METALEN WESTHOEK 5
66 locaties met een fictieve waarde aan de
dataset toegevoegd. Een bijkomend
criterium was dat de afstand tussen de 100
geselecteerde datalocaties min. 2000 m
bedroeg.
Nadat de ruimtelijk hiaten opgevuld waren,
restte ons enkel nog te bemonsteren op
locaties waar de lokale onzekerheid het
grootst was. In gebieden die dicht
bemonsterd zijn maar zeer heterogeen zijn,
kan de lokale onzekerheid namelijk nog
altijd groot zijn. Hiervoor werd een sGs
uitgevoerd voor de Cu-, Pb- en Zn-dataset.
Voor elk van ‘oorlogsmetalen’ werden de
16 locaties geselecteerd waar de
conditionele variantie van de ccdf het
grootst was en de 16 locaties waar de
variatiecoëfficiënt, de verhouding van de
conditionele standaardafwijking en het
gemiddelde, van de ccdf het grootst was.
Vier locaties waar in de eerste fase een
concentratie boven de bodemsaneringsnorm
was gemeten, werden herbemonsterd.
De afstand tussen de geselecteerde
locaties bedroeg min. 1000 m.
Beide fasen werden aan een grondige
validatie onderworpen. Hieruit bleek dat de
accuraatheid van de voorspellingen toenam
doorheen de datacollectie en dat de
onzekerheid op de voorspellingen afnam.
In een laatste stap werd de OVAMdatabank
gescreend naar meer recente
meetpunten, wat nog 177 bijkomende data
opleverde. Figuur 6 toont de initieel
beschikbare data, de data bemonsterd
tijdens de eerste en tweede fase en de
bijkomende OVAM-data.
Figuur 6: Kaart met alle bemonsterde locaties,
exclusief validatiedata

6 ZWARE METALEN WESTHOEK
V
Van datapunten tot kaart
oor elk van de acht datasets werd het
meest geschikte interpolatiealgoritme
gekozen. Elk algoritme werd op zijn beurt
verder geoptimaliseerd aan de hand van de
onafhankelijke validatiedataset.
Voor As, Cd en Hg waren maar liefst 77 %,
48 % en 68% van de data kleiner of gelijk
aan de detectielimiet, wat om een
aangepaste interpolatiealgoritme vroeg.
Indicator kriging (IK), waarbij de fractie van
de data die kleiner waren dan de
detectielimiet eraan gelijk gesteld werden
en de detectielimiet als eerste drempelwaarde
geselecteerd werd, bleek het meest
geschikte interpolatiealgoritme te zijn.
Hiervoor werd de recent ontwikkelde
software AUTO-IK [4] gebruikt.
Hoewel standaard naar schattingsalgoritmen
gegrepen wordt voor het
interpoleren van datapunten, bleken deze
minder geschikt te zijn voor deze studie.
Kriging heeft namelijk de neiging lokale
details van de ruimtelijke variabiliteit te
vervagen. Dit leidt tot een overschatting van
lage waarden en een onderschatting van
hoge. Dit effect is tevens afhankelijk van de
dataconfiguratie zodat een voorspellingskaart
opgesteld met een krigingalgoritme
een grotere variabiliteit vertoont in
gebieden met een grote staalnamedichtheid.
Hierdoor is kriging niet geschikt voor
toepassingen die gevoelig zijn voor de
aanwezigheid van extreme waarden en hun
continuïteitspatronen. Het algoritme slaagt
er niet in om clusters met hoge
concentraties te reproduceren en werd
daardoor minder geschikt bevonden voor
de inventarisatie van zware metalen [2].
De overige datasets werden daarom
geïnterpoleerd met behulp van sequentiële
Gaussiaanse simulaties (sGs) met de
software SGeMS [5]. In tegenstelling tot
kriging, slaagt sGs er wel in de ruimtelijke
variabiliteit te reproduceren. In een eerste
stap werden de data getransformeerd naar
normale scores zodat hun histogram een
standaard normale verdeling met
gemiddelde 0 en standaardafwijking 1
vertoonde. Nieuw is dat in deze studie
datapunten met eenzelfde waarde een
normale score toegekend kregen, die
geconditioneerd was aan het lokaal
gemiddelde. Bij elk van de 500 realisaties
werd voor alle niet-bemonsterde locaties
een normale score gesimuleerd. Op basis
van de 500 teruggetransformeerde
simulatiewaarden, werd voor elke nietbemonsterde
locatie een ccdf gemodelleerd.
Voor Ni en Cr werd het gemiddelde van de
ccdf’s als schatter gebruikt. Voor Cu, Pb en
Zn daarentegen bleek de mediaan van de
ccdf’s een meer geschikte schatter te zijn.
Dit kan verklaard worden door de sterke
scheefheid van de distributie.
De finaal geïnterpoleerde kaarten zijn terug
te vinden in het rapport ‘Studie naar de
aanwezigheid van zware metalen in de
bodem rond Ieper als gevolg van de Eerste
Wereldoorlog’ dat kan gedownload worden
van de OVAM-website. Hieronder worden
enkel de Cu- en Pb-voorspellingskaart
weergegeven samen met de belangrijkste
bevindingen.
H
Evaluatie impact WO I
et toetsen van de concentraties aan het
Vlarebo-normenkader gebeurde aan de
hand van beschrijvende statistieken van de
acht datasets. Voor Cu, Hg, Pb en Zn was het
gemiddelde hoger dan de Vlarebostreefwaarde.
Voor geen enkele van de acht
zware metalen was de mediaan hoger dan
deze streefwaarde. Hieruit kan
geconcludeerd worden dat er zeker geen
sprake is van regionale pollutie. Het aantal
data dat de bodemsaneringsnorm overschreed
was veruit het grootst voor Cu, Pb
en Zn. Op een puntschaal kan dus wel sprake
zijn van bodempollutie.
Het samenbrengen van historische
informatie, de bodemkaart van het
studiegebied, de resultaten van een bivariate
data-analyse en de voorspellingskaarten,
bracht meer duidelijkheid omtrent de
volgende twee vooropgestelde objectieven.
Voor As, Cd en Hg werd geen regionale
aanrijking vastgesteld. Voor Cd en Hg bestaat
dan ook geen link met WO I-activiteiten,
voor As daarentegen wel. Voor dit metalloïde
werd een hotspot gedetecteerd in het
zuidwesten van het studiegebied met
concentraties van 55 en 70 mg kg -1. Of dit de
enige hotspot is in het studiegebied en of er
een link is met WO I, kan niet geconcludeerd
worden daar de staalnamestrategie er niet
op gericht was deze op te sporen.

In het noorden en het zuiden van het
studiegebied komen verhoogde concentraties
Cr en Ni voor. Dit kan verklaard
worden aan de hand van de bodemkaart van
het studiegebied, daar in het noorden en het
zuiden kleibodems voorkomen. De patronen
van voorkomen van Cr en Ni zijn dus niet
alleen ruimtelijk gecorreleerd met elkaar, ze
zijn ook sterk gecorreleerd met de textuur
van het studiegebied.
Figuur 7: Voorspelling van de Cu- (boven) en Pbconcentraties
(onder) door sGs met de mediaan
als schatter met aanduiding van de grenzen van
de fusiegemeenten (─) en de belangrijkste
frontlijn tussen 1915 en 1917 (▬).
De aanrijking voor Cu en Pb daarentegen is
niet gelinkt aan de bodemtextuur (Figuur 7).
De patronen van voorkomen van Cu en Pb
zijn ruimtelijk sterk gecorreleerd met elkaar
en met de ligging van de belangrijkste WO Ifrontlijn
[6]. Ten oosten van Ieper, waar
zwaar gevochten werd tijdens de Derde Slag
om Ieper, zijn voor Cu en Pb verhoogde
concentraties waarneembaar. Uit de
ZWARE METALEN WESTHOEK 7
voorspellingskaart voor Zn komt een
eventuele regionale aanrijking minder sterk
naar voor. Enerzijds is het metaal mobieler
in de bodem dan Cu en Pb en anderzijds was
het in kleinere hoeveelheden in granaten
aanwezig.
B
Besluit
ij het nemen van bodemstalen worden
locaties vaak op een random wijze of
volgens een regelmatige grid geselecteerd.
Voor de ruimtelijke inventarisatie van een
variabele is deze aanpak nochtans allerminst
efficiënt, zeker niet indien initieel reeds
datapunten beschikbaar zijn. In de eerste
plaats moet gestreefd worden naar een
gefaseerde aanpak waarbij de selectie van de
staalnamelocaties gebaseerd is op een
analyse van de reeds verzamelde data.
Maximale efficiëntie zou bereikt worden
indien in elke fase één locatie zou
geselecteerd worden. In praktijk lijkt een
staalname in twee fasen een goede balans te
zijn tussen het maximaliseren van de
efficiëntie en het minimaliseren van de
logistieke kosten. In de tweede plaats moet
gesteund worden op een combinatie van
geostatistische selectiecriteria, deze vormen
namelijk de sleutel tot een efficiënte
staalnamecampagne.
In de literatuur zijn slechts enkele case
studies te vinden waarbij een geostatistische
staalnamestrategie werd ontwikkeld. Deze
hadden als doel een te saneren gebieden
correct af te bakenen en steunden op
selectiecriteria gebaseerd op de probabiliteit
voor het overschrijden van een drempelwaarde.
Omdat de koperaanrijking in de
Westhoek als een diffuse concentratieverhoging
op een regionale schaal voorkwam,
in plaats van als een lokale puntpollutie,
waren de beschreven selectiecriteria
niet toepasbaar. Daarom werd in
deze studie een volledig nieuwe gefaseerde
staalnamestrategie ontwikkeld die toepasbaar
is om de graad van detail van een
inventarisatie op een regionale schaal te
verhogen.
In het geval van een geclusterde initiële
dataset, is bemonsteren in ruimtelijke hiaten
een prioriteit. Hiervoor werden selectiecriteria
gebruikt gebaseerd op afstandsmetingen
en op kriging variantie. In een
tweede fase werd gefocust op het

8 ZWARE METALEN WESTHOEK
minimaliseren van de lokale onzekerheid.
Hiervoor werden de conditionele variantie
en de conditionele variatiecoëfficiënt
verkregen door stochastische simulatie als
complementaire selectiecriteria aangeduid.
De efficiëntie van deze staalnamestrategie
werd aangetoond door een duidelijke
verbetering van verschillende validatieparameters.
Na het verzamelen van de data, lieten de
beschrijvende statistieken van de acht
datasets met elk ca. 730 datapunten toe de
concentraties aan zware metalen te toetsen
aan het Vlarebo-normenkader. Al te vaak is
dit het eindpunt van studies die de
bodemkwaliteit van een regio wensen in te
schatten. Nochtans levert de ruimtelijke
distributie van een onderzochte variabele
veel bijkomende informatie. Geostatistische
algoritmen zijn in staat voorspellingskaarten
te maken op basis van de datapunten en de
bijhorende voorspellingsonzekerheid in te
schatten. In deze studie werden kaarten
Referenties
[1] Van Meirvenne, M., Meklit, T., Verstraete, S., De
Boever, M. & Tack, F. 2008. Could shelling in the
First World War have increased copper
concentrations in the soil around Ypres? European
Journal of Soil Science, 59, 372-379.
[2] Goovaerts, P. 1997. Geostatistics for Natural
Resources Evaluation. Oxford University Press, New
York.
[3] Verstraete, S. & Van Meirvenne, M. 2008. A multistage
sampling strategy for the delineation of soil
pollution in a contaminated brownfield.
Environmental pollution, 154, 184-191.
[4] Goovaerts, P. 2009. AUTO-IK: a 2D indicator
program for the automated non-parametric
modeling of local uncertainty in earth sciences.
Computers and Geosciences, 35, 1255-1270.
[5] Remy, N., Boucher, A. & Wu, J. 2009. Applied
geostatistics with SGeMS: a user’s guide. Cambridge
University Press, California.
[6] Chielens, P., Dendooven, D. & Decoodt, H. 2006.
De laatste getuige: het oorlogslandschap van de
Westhoek. Uitgeverij Lannoo nv, Tielt.
Het OVAM-rapport van deze studie kan gedownload
worden via volgende link:
http://www.ovam.be/jahia/Jahia/pid/176?actionR
eq=actionPubDetail&fileItem=2179.
gemaakt van de concentraties aan zware
metalen in de regio rond Ieper. Hierdoor kon
onderzocht worden of er sprake was van een
regionale aanrijking en of de patronen van
voorkomen gerelateerd waren aan WO I.
Indicator kriging en meer geavanceerde
stochastische simulatiealgoritmen waarbij
het gemiddelde of de mediaan als schatter
werden gebruikt, waren de meest geschikte
interpolatiealgoritmen.
De uitbreiding van de dataset naar andere
zware metalen onthulde ondermeer dat er
niet alleen voor Cu, maar ook voor Pb een
regionale aanrijking voorkomt. Voor Zn is
deze beperkter. Voor geen enkel zwaar
metaal is sprake is van een regionale
pollutie, maar lokaal werden wel
concentraties boven de bodemsaneringsnorm
gemeten. Zowel Cu als Pb vertonen
analoge patronen met WO I-activiteiten.
Voor deze metalen werden verhoogde
concentraties gevonden in gebieden waar
zwaar gevochten werd tijdens WO I.
De auteur
Eef Meerschman promoveerde in juli 2009 met
grootste onderscheiding als bio-ingenieur in de
milieutechnologie aan de Universiteit Gent. Zij heeft
haar masterproef ‘Geostatistische inventarisatie van
de concentratie aan zware metalen in de bodem
rond Ieper als gevolg van Wereldoorlog I’ gemaakt
aan de vakgroep Bodembeheer met prof. dr. ir. Marc
Van Meirvenne als promotor en Associate prof.
Sabine Grunwald (University of Florida) als
copromotor. Sinds oktober 2009 werkt ze als
aspirant FWO aan een doctoraat met als
onderzoeksthema ‘Multiple-point geostatistiek voor
de reconstructie van continue bodemstructuren op
een landschapsschaal’ aan de vakgroep
Bodembeheer onder het promotorschap van prof.
dr. ir. Marc van Meirvenne.
E-mail: Eef.Meerschman@UGent.be
Dankwoord
De auteur dankt in de eerste plaats haar promotoren
Prof. Van Meirvenne en Prof. Grunwald voor het
delen van hun inzichten en hun advies. Dank ook
aan OVAM om de staalnamecampagne te financieren
en toegang te verlenen tot de OVAM-dataset. Alain
Coopman and Kurt Bouckenooghe (Soresma nv)
worden vriendelijk bedankt voor het in goede banen
leiden van het veldwerk. Tenslotte gaat dank uit
naar FWO-Vlaanderen voor hun financiële
ondersteuning.