Hidrológiai Közlöny, 2018 (98. évfolyam)
2018 / 3. szám - SZAKCIKKEK - Bagyinszki György: Monitoring adatsorok értékelése - lehetőségek és módszerek az adatgyűjtéstől az előrejelzésig
61 Bagyinszki Gy.: Monitoring adatsorok értékelése - lehetőségek és módszerek az adatgyűjtéstől az előrejelzésig később megjelent exponenciális simításon alapuló állapottér (state-space) modellek filozófiája az, hogy a világ nem stacionárius (Hyndman és társai 2008). Napjainkra bebizonyosodott, hogy a két modell osztály nem kizárja, hanem átfedi és kiegészíti egymást. A Csepel II. Erőmű monitoring eredményeinek előrejelzésére a Hyndman és munkatársai által kidolgozott állapot-tér modell (Hyndman és társai 2002) R környezetben megvalósított változatát (.Hyndman és társai 2018) használtuk. A módszer megfelelőségét és alkalmazhatóságát a 2000-2015 között gyűjtött adatokra illesztett modellel 2016-2017-re előre jelzett, és az ezekben az években ténylegesen mért értékek összehasonlításával ellenőriztük. A 12-13. ábrákon kék vonal köti össze az előre jelzett, piros vonal a ténylegesen mért értékeket. A kék vonalak körül megrajzolt sötétszürke zóna az előrejelzéshez tartozó 85%-os, a világosszürke zóna a 95%-os valószínűségi tartományt jelöli. Amint az ábrákon látható, a tényleges mérési eredmények minden esetben az előrejelzés szerinti 85%-os tartományon belülre estek. Ez a jó egyezés valamennyi kút és vizsgált komponens esetében teljesült, ami igazolta a modellek megfelelőségét és az előrejelzés jóságát. Mindez azt jelenti, hogy olyan eszköz áll rendelkezésünkre, melynek segítségével a jövőbeli állapotra ismert valószínűségű előrejelzést készíthetünk. Szulfát koncentráció előrejelzés ellenőrzése az M2 kútban 12. ábra. Mért és előre jelzett értékek összevetése Figure 12. Comparing of forecasted and measured data Szulfát koncentráció előrejelzés ellenőrzése az M4 kútban 13. ábra. Mért és előre jelzett értékek összevetése Figure 13. Comparing of forecasted and measured data ÖSSZEFOGLALÁS A monitoring vizsgálatok célja az aktuális környezeti állapot megismerése mellett a hosszabb távon jelentkező hatások, változások megismerése, és az ehhez szükséges információ összegyűjtése. Monitoring adatok értékelése sok esetben megáll a határértékekkel történő összehasonlításnál, jóllehet a hosszabb időtávot lefedő adatsorok elemzése számos, látszólag rejtett információ feltárására kínál lehetőséget. Ehhez ma már sokféle adatelemzést segítő szoftver áll rendelkezésre, melyek a részletes vizsgálatok elvégzése mellett az eredmények grafikus megjelenítését is támogatják. A monitoring eredmények feldolgozásának első lépése az adatok rendezése és áttekintése, majd ezt követően kerül sor az értékelést megnehezítő zavaró hatások kiszűrésére és kezelésére. Az adatok elemzése során az alapvető jellemzők meghatározását követő lépésben végezhetjük el a felismerni vélt jellegzetességek igazolására szolgáló statisztikai próbákat, melyek közül a szezonalitás igazolására, trend felismerésére és jellemzésére, valamint a változási pontok helyének meghatározására szolgáló próbákat mutattuk be. Az igazolt trend további vizsgálatában az exponenciális simítás módszerével a trendvonal olyan közelítéséhez jutottunk, ami lehetővé tette az adatsor felbontását szezonális, trend és véletlen tagokra. A felbontás eredményeként arról kaptunk képet, hogy az egyes tagok mekkora mértékben gyakorolnak hatást a monitoring eredményekre. Az adatsorok részletes megismerésével lehetőség nyílik olyan modellek megalkotására, amelyek alkalmasak a jövőbeni állapot előrejelzésére. Az előrejelzésben kapott és a ténylegesen mért értékek összehasonlítása igazolta, hogy az exponenciális simításon alapuló állapot-tér modell alkalmas környezeti jellemzők változásának leírására, és használatával ismert valószínűségű előrejelzést készíthetünk a jövőbeli állapotra. KÖSZÖNETNYILVÁNÍTÁS Köszönet illeti a Csepel II Erőmű vezetését, amiért hozzájárult a náluk született monitoring adatok felhasználásához, feldolgozásához és az eredmények publikálásához. Köszönettel tartozom a VTK Innosystem Kft. vezetésének a cikk megírásához nyújtott ösztönző támogatásáért. IRODALOMJEGYZÉK Cleveland R.B., Cleveland W.S., McRae J.E., Terpen- ning I.J. (1990). STL: A Seasonal-Trend Decomposition Procedure Based on Loess. Journal of Official Statistics 6 (1), 3-73. Croux C, Dehon C. (2010). Influence functions of the Spearman and Kendall correlation measures. Statistical Methods and Applications, 19, 497-515. Hipel K.W.. McLeod A.I. (1994). Time Series Modelling of Water Resources and Environmental Systems. Elsevier, The Netherlands.
