Hidrológiai Közlöny, 2015 (95. évfolyam)

2015 / 2. szám - Fehér Zsolt Zoltán: Talajvízkészletek változásának geostatisztikai alapú elemzése - a rendelkezésre álló információk természete és feldolgozása

30

HIDROLÓGIAI KÖZLÖNY 2015. 95. ÉVF. 2. SZ.

gramm számítási folyamata esetében a korrelációs koefficiens mesterséges csökkentésével kiküszöböltük.

A talajvíz sztochasztikus változóként való kezelésével meg tudtuk jeleníteni a kialakító tényezők kis léptékű változékonyságát. A DDM segítségével a szekvenciális Gaussi szimuláció becslési bizonytalanságát nagyban csökkentettük, ehhez a Markov 2 Modellel történő ko- krígelést alkalmaztuk interpolátorként.

Amennyiben több éves, adathiányos időszakokra kell előállítani olyan talajvíz fedvényeket, melyeken egyrészt orvosolnunk kell az adathiányból származó becslési problémákat, másrészt a talajvíz kis léptékű heterogenitását kívánjuk megjeleníteni akkor az alábbi módszertan alkalmazása ajánlott:

1. A rendelkezésre álló talajvíz adatok és a dom- borzatmodell közötti kapcsolat erősségének ellenőrzése, a kiugró adatok eltávolítása a mintából.

2. A globális regressziós kapcsolatokból meg kell határozni a lokális grid ponti várható értéket minden kútra, majd a regressziós maradék komponensek térbeli folytonosságának felhasználásával a maradékokat térben interpolálni kell (SKlm módszer). A kettő összege meghatározza az adathiányos időpillanatban a becsült értéket a kútban.

3. Le kell futtatni a szekvenciális Gaussi ko-szi- mulációt Markov 2 Modellel. Ehhez elő kell állítani a felhasznált domborzatmodell standard félvariogramm modelljét, meg kell határozni a domborzatmodell és a modellezett talajvíz értékek szórását, valamint a talajvíz és a kutak talpmagassága között fennálló korreláció erősségét.

Az így előálló gridek birtokában becslést adhatunk a talajvíz készletek változására, a talajvíz dinamikájának alakulására. Szemben az eddig megjelent tanulmányokkal, lehetőség nyílik nem csak az egyes kutakban, hanem a tér bármely pontjában a talajvíz viselkedésének osztályozására klaszter analízissel és dinamikus faktor analízissel (Kovács et. al., 2004). Megbecsülhető továbbá, hogy a talajvíz milyen valószínűséggel halad meg egy bizonyos küszöbértéket.

A hiányos adatok visszabecslése ennél is pontosabban elvégezhető, ha az egyes megfigyelési értékeket térben korreláló idősorok halmazaként kezeljük. Ekkor az adathiányok becsült értékét a térbeli folytonosságon kívül befolyásolja az adott kútra jellemző talajvízszint értéke is, melyet determinisztikus modellekkel, egy meghatározott bázisfüggvény paramétereinek illesztésével határozhatunk meg. A paraméterek térbeli kiterjesztését követően az adatponti maradékokon sztochasztikus térbeli-időbeli szimulációt végezhetünk. Ezt követően a sztochasztikus és determinisztikus komponens összege határozza meg a talajvíz becslés eredményét.

A tanulmányban bemutatott Markov 2 Modellen alapuló szekvenciális Gaussi szimulációt elvégeztük az 1930 és 2010 közötti havi átlagos talajvízadatokra a domborzatmodell felhasználásával az Északi-középhegység előterére, a Duna-Tisza közére, a Maros-hordalékkúpra valamint a Nyírségre. Az így előállított várható érték típusú fedvények statisztikai alapú feldolgozásának gyakorlati eredményeit külön mutattuk be (Rakonczai, Fehér 2014 és 2015).

10. Irodalom

Almeida, A., Joumel, AG. (1993): Joint simulation of multiple variables with Markov-type regionalization model. Doktori disszertáció, Stanford University, p. 181.

Bárdossy G, Fodor J, Molnár P, Tungli G (2002): A bizonytalanság értékelése a földtudományokban. In: Földtani Közlöny 130/2, pp. 291 -322.

Barta K., Szatmári J., Posta Á., (2011): A belvízképzödés és az autópályák kapcsolata. In: Földrajzi Közlemények 135/4. pp. 379-387.

Caers J., (2011): Modeling Uncertainty in the Earth Sciences. Wiley & Sons, New York, p. 246.

Daly, C. (2006): Guidelines for assessing the suitability of spatial climate data sets. In: International Journal of Climatology 26/6, pp. 707-721.

Deutsch, CV, Joumel, AG. (1998). GSLIB, Geostatistical Software Library and User’s Guide. Oxford University Press, New York, p. 384.

Debrule O. (1994): Estimating or choosing a geostatistical model. In: Dimitrakopoulos (szerk.): Geostatistics for the Next Century, pp. 30-43.

EU (2004): EU Víz keretirányelv Monitoring útmutatójának áttekintése és adaptálása magyar nyelvre (Szerkesztett változat: 2004-04-22), ComEnPro Bt.

Fehér Zs., Rakonczai J. (2012): Reliability enhancement of groundwater estimations. In: Malvic T. (szerk.) pp. Conference book “Geomathematics as geoscience”: 4th Croatian-Hungarian and 15th Hungarian Geomathematical Congress, Croatian Geological Society, Opatija, 2012, pp. 31-40.

Füst A., (2012): Calibration of monitoring systems In: Geiger J. (szerk.) New Horizons in Central European Geomathematics, Geostatistics and Geoinformatics, Geolitera, Szeged, 2012. pp. 11-16.

Füst A., Geiger J. (2010): Monitoringtervezés és értékelés geostatiszti- kai módszerekkel I. Szakértői véleményen alapuló „igazoló” mintázás geostatisztikai támogatása. Földtani Közi., 140/3, pp. 303-312.

Geiger J. (2006): Szekvenciális Gaussi szimuláció az övzátonytestek kisléptékű heterogenitsának modellezésében, in: Földtani Közlöny 136/4, pp. 527-546

Geiger J. (2012): Some thoughts on the pre- and post-processing in sequential gaussian simulation and their effects on reservoir characterization. In: Geiger J. (szerk.) New horizons in central european geomathematics, geostatistics and geoinformatics, Geolitera, Szeged. pp. 17-34.

Goovaerts P. (1997): Geostatistics for Natural Resources Evaluation, Oxford University Press, New York, p. 483.

Goovaerts P. (1998): Ordinary Cokriging Revisited, Mathematical Geology 30/1, pp. 21-42.

Goovaerts P. (2000): Geostatistical approaches for incorporating elevation into the spatial interpolation of rainfall, Journal of Hydrology 228, pp. 113-129

Isaaks E, Srivastava RM (1989): Applied Geostatistics, Oxford University Press, New York, p. 561.

Joumel, AG: (1994): Modelling Uncertainty: Some conteptual Thoughts. In: Dimitrakopoulos (szerk.): Geostatistics for the Next Century, pp. 30-43., Kluwer, Dodrecht

Joumel, AG. (1999): Markov Models for Cross-Covariances. Mathematical Geology, 31/8, pp 955-964.

Juhász J. (1987): Hidrogeológia. Akadémiai Kiadó, Budapest, p. 972.

Kohán B., Szalai J. (2014): Spatial analysis of groundwater level monitoring network in the Danube-Tisza Interfluve using semivario- grams. In: Földrajzi értesítő, 63/4, pp. 379-400.

Kozma Zs., Muzelák B., Koncsos L. (2013): A belvízi jelenségek integrált hidrológiai modellezése - Tapasztalatok a Szamos-Kraszna közi mintaterületen. MHT 31. Országos Vándorgyűlés Kiadványa, Gödöllő, 2013.

Kovács J., Szabó P., Szalai J. (2004): A talajvízállás idősorok vizsgálata a Duna-Tisza közén. Vízügyi Közlemények, 86/3-4, pp. 607-624.

Liebe P. (2002): Felszín alatti vizeink. In: Az országos Környezeti Kár- mentesítési Program Kiadványai, Környezetvédelmi és Vízügyi Minisztérium, Budapest.

Major P, Neppel F. 1988. A Duna-Tisza közi talajvízszint-süllyedé- sek. Vízügyi Közlemények. 4. 605-626.

Marton L., Szanyi J. (2000): A talajviztükör helyzete és a rétegvíz termeléskapcsolata Debrecen térségében. Hidrológiai közlöny 80/1, pp. 3-13.

Mucsi L., Geiger, J., (2004): A talajvízszint sztochasztikus szimulációja egy tiszai övzátony példáján. II. Magyar Földrajzi Konferencia,