Hidrológiai Közlöny, 2018 (98. évfolyam)
2018 / 3. szám - SZAKCIKKEK - Bagyinszki György: Monitoring adatsorok értékelése - lehetőségek és módszerek az adatgyűjtéstől az előrejelzésig
60 A LOESS eljárással kapott görbét (trend vonalat) felhasználva elvégezhető az adatsor felbontása az alábbiak szerint: Mért érték = Trend tag + Szezonális tag + Sztochasztikus tag (zaj) Ez az ún. STL felbontás (szezonális és trend dekompozíció LOESS használatával), amit Cleveland (1990) és munkatársai dolgoztak ki. Az ilyen tipusú felbontás célja, hogy meghatározzuk az egyes tagok hatását, annak mértékét az eredmények alakulására. A 7. és 8. ábrán látott adatsor felbontásának eredménye a 9. ábrán látható. 9. ábra. Adatsor STL felbontása Figure 9. STL decomposition of series Az ábrán egymás alatt láthatjuk az eredeti adatsort, a szezonális tagot, a trendet és legalul a maradék tagot (zaj). A diagramok vízszintes időtengelye közös, függőleges tengelyeik, és különösen azok skálázása eltérő. Az értékelést megkönnyítendő, a jobb oldali függőleges tengely mellett látható szürke téglalap mind a négy diagramban azonos nagyságú tartományt jelöl. Az egyes tagok érték- tartományát összevetve megállapítható, hogy a bemutatott esetben a szezonális tag hatása minimális, az adatsort a trend és a véletlen tag határozza meg. Változási pontok az adatsorban Amint az a 8-9. ábrákon észrevehető volt, az adatok trendjében törések, irányváltások tapasztalhatók, a simítással kapott görbénk nem monoton, és a monoton szakaszokon belül vannak eltérő meredekségű szakaszok. Ennek oka lehet valamely, a vizsgált paraméter értékét jelentősen befolyásoló változás (pl. csapadék- és/vagy lefolyási viszonyok megváltozása) vagy beavatkozás (pl. kármentesítés). Az egyes szakaszokat elválasztó változási pontok helyének ismerete és a változás szignifikanciája olyan esetben válik jelentőssé, mint amikor egy nemkivánatos változás (pl. szennyezés) kezdeti időpontját kívánjuk meghatározni, vagy egy ismert időpontban történt/megkezdett beavatkozás hatását kívánjuk igazolni vagy ellenőrizni. A trend menetében bekövetkező változás kimutatására szolgáló Pettitt-teszt a hidrológiai- és klíma vizsgálatokban általánosan alkalmazott nem-paraméteres próba, míg a Buishand range-teszt és a Buishand U-teszt eltolódás jellegű változások (tartós hatású beavatkozások) kimutatására és helyének meghatározására szolgál (Pohlert 2018). A detektált változási pont szignifikanciáját a próbák elsőfajú hibájának (p) értéke mutatja meg. A Pettitt- és a Buishand range-próbák eredményét bemutató diagramok a 10. és 11. ábrákon láthatók. Az ábrákon azonos léptékű vízszintes tengelyek mellett láthatók a mért értékek és a számított statisztikák értékei. A változási pont a statisztikák maximum értékénél feltételezhető, amit a függőleges piros vonalak jelölnek. Hidrológiai Közlöny 2018. 98. évf. 3. sz. Figure 10. Result of Pettitt test Figure 11. Result of Buishand range test Előrejelzés Amikor a mért értékek alakulása komoly jogi vagy gazdasági következményekkel jár, a monitoring eredményeken alapuló megbízható előrejelzés szerepe felértékelődik. Ilyen szituáció lehet kármentesítés esetén annak előrejelzése, hogy meddig fog még tartani a beavatkozás (szükség lesz-e tartós környezeti kár bejegyzésére, mekkora költsége lesz még a beavatkozásnak), vagy annak meghatározása, hogy a termelő kutakban bekövetkező vízminőség változás mikor tesz szükségessé beavatkozást. Az adatsorok korábban bemutatott részletességű megismerése lehetőséget nyújt a jövőbeni állapot előrejelzésére. A 2000-es évek előtt környezeti jellemzők modellezésére, elemzésére és előrejelzésre az ún. ARIMA (auto- regresszív integrált mozgó átlag) modellek használata volt jellemző. Ezek a modellek, mint nevük is utal rá, mozgó átlagoláson alapuló simításra épülnek, és nagyon hatékonynak bizonyultak a stacionárius, vagy azzá transzformálható folyamatok leírására. Ezzel némileg ellentétben, a
