Related items
Showing items related by title, author, creator and subject.
-
Emetic toxin-producing strains of Bacillus cereus show distinct characteristics within the Bacillus cereus group.One hundred representative strains of Bacillus cereus were selected from a total collection of 372 B. cereus strains using two typing methods (RAPD and FT-IR) to investigate if emetic toxin-producing hazardous B. cereus strains possess characteristic growth and heat resistance profiles. The strains were classified into three groups: emetic toxin (cereulide)-producing strains (n=17), strains connected to diarrheal foodborne outbreaks (n=40) and food-environment strains (n=43), these latter not producing the emetic toxin. Our study revealed a shift in growth limits towards higher temperatures for the emetic strains, regardless of their origin. None of the emetic toxin-producing strains were able to grow below 10 degrees Celsius. In contrast, 11% (9 food-environment strains) out of the 83 non-emetic toxin-producing strains were able to grow at 4 degrees Celsius and 49% at 7 degrees Celsius (28 diarrheal and 13 food-environment strains). non-emetic toxin-producing strains. All emetic toxin-producing strains were able to grow at 48 degrees Celsius, but only 39% (16 diarrheal and 16 food-environment strains) of the non-emetic toxin-producing strains grew at this temperature. Spores from the emetic toxin-producing strains showed, on average, a higher heat resistance at 90 degrees Celsius and a lower germination, particularly at 7 degrees Celsius, than spores from the other strains. No difference between the three groups in their growth kinetics at 24 degrees Celsius, 37 degrees Celsius, and pH 5.0, 7.0, and 8.0 was observed. Our survey shows that emetic toxin-producing strains of B. cereus have distinct characteristics, which could have important implication for the risk assessment of the emetic type of B. cereus caused food poisoning. For instance, emetic strains still represent a special risk in heat-processed foods or preheated foods that are kept warm (in restaurants and cafeterias), but should not pose a risk in refrigerated foods.
-
Methods used to compensate for the effect of missing data in air quality measurementsLidstaten van de Europese Unie zijn verplicht om de luchtkwaliteit te meten en te rapporteren. Belangrijk hierbij is de rapportage van de jaargemiddelde concentratie. Voor het berekenen van een geldig jaargemiddelde geldt als criterium dat voor minimaal 90 % van de uren in een jaar een uur gemiddelde concentratie beschikbaar moet zijn. Als het aantal beschikbare uren niet aan het 90 % criterium voldoet mag een alternatieve methode gebruikt worden om het jaargemiddelde te berekenen. In dat verband heeft het RIVM voor stikstofdioxide en fijn stof een methode ontwikkeld. Op die manier kan, van een jaarreeks met een aanzienlijk aantal ontbrekende uurwaarden, toch een bruikbaar jaargemiddelde worden bepaald. Het jaargemiddelde van gemeten concentraties stikstofdioxide en fijn stof is een belangrijke waarde en wordt voor twee doelen gebruikt: om trends te bepalen en om metingen te vergelijkingen met modelberekeningen. Als uurwaarden ontbreken, heeft dit een effect op de nauwkeurigheid van het berekende jaargemiddelde. Uit RIVMonderzoek blijkt dat dit effect sterk afhankelijk is van het 'patroon' van de ontbrekende meetgegevens en de methode waarmee de ontbrekende gegevens vervolgens worden behandeld. Als een aaneengeschakelde hoeveelheid meetgegevens ontbreekt, heeft dat een veel grotere invloed op de nauwkeurigheid dan eenzelfde hoeveelheid ontbrekende gegevens die verdeeld zijn over het jaar. Voor de jaargemiddelde stikstofdioxide concentratie geldt, naast het criterium voor de databeschikbaarheid ook een onzekerheidscriterium van 15 %. Het jaargemiddelde van een dataset met een aaneengeschakeld gat van 35 procent blijkt nog steeds aan de vereiste maximale onzekerheid van 15 procent te voldoen als de dataset wordt opgevuld volgens de methoden die het RIVM heeft ontwikkeld. Voor fijn stof (PM10) voldoet dan zelfs een dataset waarvan 75 procent van de data ontbreekt nog steeds aan de vereiste maximale onzekerheid van 25 procent.
-
Evaluatie van RIVM-modellen voor de ozon- en fijnstofverwachting. PROZON en PROPARTHet model dat het RIVM gebruikt voor de ozonverwachting (PROZON) blijkt goed bruikbaar. Het model voor de verwachting van de concentratie fijn stof in de buitenlucht (PROPART) is minder nauwkeurig. Dat blijkt uit een vergelijking van de modelverwachtingen over 2005 en 2006 met metingen. Het RIVM stelt dagelijks een verwachting op voor de maximale concentratie ozon en de daggemiddelde concentratie fijn stof in de buitenlucht. Fijn stof en ozon zijn schadelijk voor de gezondheid. PROZON en PROPART maken gebruik van statistieken van in het verleden gemeten concentraties en weersomstandigheden, gecombineerd met actuele metingen en weersverwachtingen. Ze geven dagwaarden op meetlocaties. Het verband tussen temperatuur en ozonconcentratie is sterk. Daarom is voor de ozonverwachting de weersverwachting een belangrijke bron van onzekerheid. PROZON overschat de hoogste ozonconcentraties. Als er een trend is in het verband tussen temperatuur en ozonconcentratie kan het model verbeterd worden door opnieuw statistieken te bepalen op basis van alleen meetgegevens van de meest recente vijf jaar. Voor de fijnstofverwachting is de modelonzekerheid zo groot dat de onzekerheid in de weersverwachting geen noemenswaardige rol speelt in de algemene modelprestaties. Fijn stof wordt soms van ver aangevoerd en de afhankelijkheid van de weersomstandigheden is minder duidelijk dan voor ozon. Wel presteert het model ongeveer even goed als alternatieve modellen gebaseerd op neurale netwerken. Het is daarom niet eenvoudig te verbeteren. Op dit moment zijn de dagwaarden van PROZON en PROPART vaak beter dan van complexere modellen die bronnen en transport expliciet beschrijven in plaats en tijd. Als actuele grond- en satellietwaarnemingen kunnen worden geintegreerd in deze complexere modellen worden zij mogelijk beter in de nabije toekomst.
