Adatfeldolgozás, adatértékelés Dr. Szűcs Péter, Dr. Madarász Tamás Mskolc Egyetem, Hdrogeológa Mérökgeológa Taszék A vzsgált köryezet elemek, lletve a felszí alatt közeg megsmerése céljából számtala külöböző típusú mérést hajtuk végre a köryezetvédelem és a földtudomáyok területé. A mérések eredméyeképpe agyo sok adat keletkezk. Ezekből a yers mérés adatokból szereték a lehető legtöbb haszosítható formácót kyer egy-egy köryezet probléma hatékoy megoldásáál. Ehhez szükséges a megfelelő adatfeldolgozás, lletve adatértékelés, amely lehetővé tesz azt, hogy az eredet mérés adatakat megfelelőe redezve, feldolgozva és értelmezve maxmáls meységű formácót yerjük. Ez csak agy hatásfokú, a köryezet és földta adatok specaltásat fgyelembe vevő eljárások segítségével lehetséges. A geostatsztka például specaltáskét fgyelembe vesz a köryezet vagy földta adatok térbelségét, hsze a felszí alatt közegbe az egymáshoz közel eső mérés potok adata között sokkal agyobb korrelácó valószíűsíthető a természet törvéyek alapjá, mt a távol eső potok között. Az alább relácós összefüggés mutatja be azt, hogy az adatfeldolgozásak ge fotos helye és szerepe va abba, hogy a költséges mérésekből mél több haszosítható formácót yerjük a téyleges dötéshozatalok előtt. Mérések Adatok Adatfeldolgozás Értelmezés - Iformácó A megredelőket és dötéshozókat elsősorba a mérésekből származtatott formácók érdeklk, és azok alapjá hozzák meg a külöböző szakma dötéseket. Közös érdekük az, hogy a meglévő adatokból a lehetséges legtöbb és legmegbízhatóbb formácót kyerjük. A köryezet és földta adatok esetébe agyo fotos a térbel korrelácó szerepe, mt ahogy fetebb említettük. A kőzetképződés és egyéb törvéyszerűségeket fgyelembe véve megállapítható, hogy az egymás közelébe mért adatok agy valószíűséggel sokkal jobba hasolítaak egymásra, mt a távolabb adatok. A térbel függések ezt a jellegét a hagyomáyos statsztka módszerek em tudják kezel. A geostatsztka módszerekek tehát potosa ez a legfőbb tulajdoságuk, hogy kezel tudják az adatok térbelségét, és az ebből adódó összefüggéseket és korrelácós kapcsolatokat. A térbel korrelácó jelesége mellett a korszerű geostatsztka módszerekek kezelük kell tud azt s, hogy a mérés adatok em csak Gauss vagy más éve ormál eloszlásúak, haem Chauchy vagy akár ferde eloszlású s lehetek, lletve a valóságba sohasem tudjuk előre azt, hogy mlye típusú adatredszerrel lesz végül s dolguk. Vagys az alkalmazott adatfeldolgozás és adatértékelés módszerekek agy mértékű robusztusságot kell mutatuk. Csak a robusztus módszerek képesek agy hatásfokkal működ a kdulás adatok eloszlástípusától függetleül. Emellett mdg kell számol arra s, hogy az adatak között ú. keső vagy outler adatok s leszek, amelyeket szté csak megfelelő módszerekkel lehet kezel. Az adatfeldolgozás eljárások keső adatokra való vszoylagos érzéketleségét rezsztecáak evezzük.
Egy-egy komolyabb köryezet vagy földta adatredszer agyo sokfajta adatot foglal magába. Többváltozós regresszós vzsgálatok alkalmazásával válk lehetőségük arra, hogy a külöböző típusú változók között kapcsolatokat, lletve azok erősségére voatkozó mérőszámokat feltárjuk. A széles körbe alkalmazott motorg mérések sorá a külöböző típusú változókat valamlye dőközökét redszerese mérjük. Így adatak térbelsége mellett megjelehet az dőbelség s, azaz egy-egy változó esetébe dősorokat hozuk létre. Az dősorok feldolgozása szté specáls adatfeldolgozás algortmusokat géyel.. Adatok statsztka jellemzése Az adatok alapjá meghatározott jellemző értékek Adatak száma () sokszor ge agy lehet, am megehezít a szakember számára az adatok átláthatóságát. Sok esetbe egy-egy adatredszer ráadásul külöböző típusú adatokat s tartalmazhat. Célszerű, ha a eheze kezelhető agyszámú adatukat éháy statsztka jellemzővel helyettesítjük. Egy-egy adatsor vagy adatredszer statsztka jellemzése lehetővé tesz azt, hogy adatakról egy általáos jellemző képet kapjuk, amely megköyíthet az összehasolító vzsgálatokat és az értelmezést. Az adatok statsztka jellemzése sorá legkább az adatok tömörödés helyére, lletve az adatokba rejlő bzoytalaságra, valamt az adatok szmmetra vagy asszmetra vszoyara vagyuk kívácsak. Eek féyébe egy elemű mérés adatredszer esetébe haszos lehet olya paramétereket talál, amelyek jól jellemezhetk például az adatredszer sűrűsödés vagy tömörödés helyét, lletve az adatredszer terjedelmével kapcsolatos bzoytalaságot. E célak megfelelőe első lépéskét defálhatjuk az ú. hely (T) és skála (S) paramétereket, amelyeket jól haszálhatuk adatredszerek jellemzésére, lletve összehasolítására. Ha egy adatredszer külöböző típusú adatokból áll, akkor az adatok statsztka jellemzését mdegyk típusra elvégezhetjük. Egy elemű adatsor esetébe a legelterjedtebb becslés eljárás a hely (T) és skála (S) paraméterek becslésére a számta átlag és az emprkus szórás, amelyeket a következőképpe adhatuk meg. T = x = x = S = σ = = ( x x ) A hagyomáyos statsztka e két legkább haszált jellemző a köryezet vagy földta adatok vzsgálatáál gyakra félrevezetők lehetek, mvel md a számta átlag, md pedg az emprkus szórás ge érzékeyek az ú. keső adatokra. E hátráyos tulajdoság matt sokkal kább javasolható a Medá és a közepes eltérés haszálata. A Medá egy sorba redezett elemű adatsor esetébe a középső elemet jelet. Ha az elemszám páratla, akkor egyetle középső elem va, míg ha az
3 páros, akkor a Medát a két középső elem számta átlagakét számítjuk. Eek megfelelőe egy sorba redezett elemű adatsor estébe a Medá defícója a következőképpe adható meg. Med = x +, ha páratla Med = x + x +, ha páros A Medá haszálatakor skála paraméterekét legkább a közepes eltérést (d) adjuk meg, amely az alábbak szert számítható: d = = x Med. A közepes eltérés (d) mellett sokszor az terkvartls félterjedelmet (q) haszáljuk skála paraméterkét, amely szté előyös robusztus és rezsztes tulajdoságokkal redelkezk. A kvartlsek előtt azoba defáluk kell a kvatlseket tetszőleges p valószíűséghez. A p-kvatls a sorba redezett elemű adatsort p:(-p) aráyba osztja ketté. A Medá esetébe p=0.5. Az alsó kvartls esetébe p=0.5, míg a felső kvartls esetébe p=0.75. A skála paraméterkét haszálható terkvartls félterjedelem (q) a következőképpe számítható. q=(felső kvartls alsó kvartls)/ Vagys egy q szélességű sávba helyezkedk el adatak 50 %-a. Nézzük ezutá egy kokrét példát a számta átlag és a Medá alkalmazására. Vegyük egy 7 elemű adatsort az. táblázat szert. A másodk adatsor csak abba külöbözk, hogy az első adatsor legagyobb eleme () helyett aak tízszeresét (0) szerepeltetjük. Így most a másodk adatsorba egy keső adat hatását szmuláljuk.. táblázat x x x 3 x 4 x 5 x 6 x 7 x Med 4 8 9 8.4 9 4 8 9 0 3.57 9 Láthatjuk, hogy míg a rezsztes Medá értékét a keső adat em befolyásolta, addg a számta átlag ge érzékeye reagált a keső adatra. Eredméyül a számta átlag esetébe egy olya becslést kaptuk a helyparaméterre, amek cs köze az adatok téyleges tömörödés helyéhez. Hasoló következtetésre jutottuk vola, ha a szórás és a közepes eltérés vagy terkvartls fél-terjedelem jellemzőket hasolítottuk vola össze. A Medá és a hozzátartozó bzoytalaság jellemző haszálata tehát mdeféleképpe előyös a számta átlag és a szórás alkalmazásával szembe, ha köryezet vagy földta adatokat vzsgáluk. Létezk azoba olya módszer, amely még a Medá alkalmazásáál s kedvezőbb rezsztes és robusztus tulajdoságokkal redelkezk. Ez pedg a leggyakorbb értékek módszere, amelyet a Mskolc Egyetem
4 Műszak Földtudomáy Kará működő geostatsztka team dolgozott k Dr. Steer Ferec vezetésével. A számtala elmélet és gyakorlat vzsgálat bebzoyította azt, hogy a leggyakorbb értékek módszere kválóa alkalmazható köryezet és geoadatok feldolgozása sorá. A témakörbe a módszer kdolgozó számtala taulmáyt és köyvet jeletettek meg. Egy elemű adatsor esetébe a leggyakorbb érték (M) és a hozzátartozó skála paraméter egy kettős terácós algortmusba szmultá határozható meg. A leggyakorbb érték módszer skála paramétere a dhézó, amelyetε jelöl. M = ε ε + ( x M ) = x ε ε + ( x M ) ε 3 = ( x M ) = [ ε + ( x M ) ] = [ ε + ( x M ) ] Mvel terácós algortmusról va szó, ezért szükséges egy kezdő érték M és a dhézó számára. A kezdő érték M-re lehet például a számta átlag vagy a Medá, míg a dhézó kezdő értékére megadhatjuk az emprkus szórás, vagy a közepes eltérés, vagy az terkvartls félterjedelem értékét. Az terácót az M és az ε számítására akkor célszerű leállíta, amkor már egy adott potosság határo belül vagyuk. A fetebb megadott két példa adatsoro kpróbáltuk az ge erős robusztus és rezsztes jelleggel bíró leggyakorbb érték számítást s. Az eredméyeket az alább. táblázatba láthatjuk.. táblázat x x x 3 x 4 x 5 x 6 x 7 x M 4 8 9 8.4 8.6 4 8 9 0 3.57 7.95 Köryezet és földta adatok esetébe hagyomáyos számta átlag alkalmazása helyett javasolható még az ú. α -levágott átlag számítása, ha egy elemű adatsor helyparaméterére vagyuk kívácsak. Ebbe az esetbe s a mtaátlagot képezzük a legksebb és a legagyobb mtaelemek elhagyása utá. Így, ha az elhagyott adatokak az összes adatszámhoz vszoyított α aráyát jól választottuk meg, akkor többé-kevésbé védve vagyuk a keső ( outler ) adatok torzító vagy potosság csökkető hatásától. Az így számított átlagot α -levágott átlagak evezzük. Az elhagyás szmmetrkusa törték, azaz a legksebb és legagyobb értékekből mdg ugyaay (α ) darabot hagyak el. Ha az α em lee egész szám, akkor az ehhez legközelebb szám lesz a mérvadó.
5 Fotos tulajdosága az adatakak a szmmetrkus vagy aszmmetrkus jelleg. Szmmetrkus adatredszer esetébe adatak szmmetrkusa helyezkedek el a helyparaméter körül. Köryezet vagy földta adatok esetébe azoba sokszor kell számítauk aszmmetrára. Elsősorba a agyobb értékek ráyába törtéő elyúltságak va agyobb valószíűsége. A szmmetra vagy aszmmetra fokát a ferdeség mérőszámával tudjuk jellemez. Egy elemű adatsor esetébe a ferdeség (g) mérőszámát a következőképpe tudjuk számíta a számta átlag és az emprkus szórás segítségével: ( x = x g 3 ( ) ( ) σ = 3 ). A ferdeség (g) értéke szmmetrkus adatsor esetébe zérus vagy közel zérus lesz. Ha az elyújtság a agyobb adatok ráyába található, akkor a ferdeség értéke poztív szám lesz, ellekező esetbe egatív ferdeségről beszélük. Sűrűség- és eloszlásfüggvéyek A természetbe a legtöbb esetbe azzal a feltételezéssel élhetük, hogy a mért paramétereket valószíűség változókét kezelhetjük. A valószíűség elmélet azokat a meységeket, amelyre voatkozó adatak véletle jellegű gadozást mutatak, valószíűség változóak evez. A valószíűség változók esetébe defálhatjuk azok elmélet vagy emprkus sűrűségfüggvéyét és eloszlásfüggvéyét. Redezzük adatakat agyság szert sorredbe. Készíthetük egy lépcsős függvéyt, amely mde x értékhez megadja, hogy háy eél ksebb adatuk va. Az így defált függvéy az emprkus eloszlásfüggvéy (lásd. ábra). Az emprkus eloszlásfüggvéy függőleges tegelyé tehát valószíűség értékek, vagy ú. relatív gyakorság értékek találhatók. Egy elemű, agyság szert sorba redezett adatsor esetébe a k-k adathoz tartozó p relatív gyakorság értéke a következőképpe defálható. k p = Bzoyos esetekbe célszerűbb a korrgált relatív gyakorsággal számol, amelyek értéke az alábbak szert alakul: k p =. + Adatak felhaszálásával készíthetük hsztogramot s. A hsztogram segítségével agyo jól szemléltethető az adatredszer adatsűrűsödés tedecája, képet kapuk a szmmetra vagy aszmmetra vszoyokról, és természetese az adatok előfordulás tartomáyáról (lásd. ábra). Az adatok előfordulás tartomáyát résztervallumokra osztjuk. Ez utá meghatározzuk, hogy az egyes résztervallumba háy darab adat található. A darabszámak megfelelő magasságba az egész résztervallum fölött húzuk egy, az x tegellyel párhuzamos egyeest. Az így származtatható lépcsős függvéyt evezzük hsztogramak. A résztervallum hosszáak helyes
6 megválasztását lletőe smeretesek külöböző szabályok. A hsztogram oszlopaak a száma (k) természetese kapcsolatba va az adatok számával. Általáosságba azt a legksebb oszlopszámot (k) fogadjuk el, amely mellett teljesülek az alább egyelőtleségek: k, vagy k + 3. lg( ), ahol k - a hsztogram oszlopaak a száma, - az adatok száma. A kapott hsztogram tájékoztatást ad arra voatkozólag s, hogy a vzsgált valószíűség változóak mlye típusú elmélet sűrűségfüggvéye, lletve elmélet eloszlásfüggvéye lehet. A hsztogram tehát közelítőleg tekthető a vzsgált adatredszer emprkus sűrűségfüggvéyéek s.. ábra. Egy mért valószíűség változó ( adat) emprkus eloszlásfüggvéye. Kellőe agy elemszámú adatsorból meghatározott emprkus eloszlásfüggvéy brtokába egyértelműe válaszolhatuk arra a kérdésre, hogy adatak mlye F(x) eloszlás függvéyel redelkezek. Azaz válaszolhatuk arra a kérdésre, hogy adatak mlye aráyba ksebbek valamlye x értékél. A F(x) smeretébe persze azt s meg tudjuk határoz, hogy adatak mlye f(x) sűrűségfüggvéyel jellemezhetőek, hsze a két függvéy között az alább kapcsolat áll fe.
7 x F ( x) = f ( x) dx A sűrűségfüggvéy -re ormált volta matt az F(x) mooto övekszk, és maxmáls értéke az. Móduszak evezzük azt az abcssza értéket, amelyél a sűrűségfüggvéyek maxmuma va. A természetbe előforduló eloszlások attól függőe, hogy a sűrűségfüggvéyek háy csúcspotja va lehetek umodálsak és polmodálsak. 00 Termál-f. hõmérséklet adatok hsztogramja 60 Gyakorság [db] 0 80 40 0 8.8 9. 9.6 30 30.4 30.8 3. 3.6 3 3.4 3.8 Hõmérséklet [Celsus]. ábra. A Mskolc-Tapolcá található Termál-forrás hőmérséklet adataak (=600) hsztogramja. Természetese a sűrűségfüggvéy s meghatározható akkor, ha smerjük az eloszlás függvéyt a következő egyelet segítségével. d( F( x) f ( x) = dx
8 Ismerjük meg éháy evezetes szmmetrkus sűrűségfüggvéy stadard alakját. Ez alatt azt értjük, hogy függvéy helyparaméterét az orgóba helyezzük (T=0), míg a függvéy szélességét szabályozó skálaparamétert egységyek tektjük (S=). Az alábbakba smertetett sűrűségfüggvéyek esetébe az általáos alak úgy kapható meg a stadard alakból, hogy x helyére (x-t)/s-et íruk, és az így adódó függvéyt S- sel osztjuk. A legsmertebb valószíűség sűrűségfüggvéy a Gauss-féle, vagy ormál sűrűségfüggvéy. Sajos, még ma s elég széles körbe elterjedt az a tévht, hogy a természetbe lejátszódó folyamatok a Gauss-sűrűségfüggvéyel jellemezhetők. Számtala köryezet és földta adato végzett típus meghatározás vszot az gazolta, hogy a természetbe szte bármlye típusú sűrűségfüggvéyel s lehet dolguk. A Gauss-féle sűrűségfüggvéy: f Gauss ( x) = e π x (T=0, S=) A Laplace-féle sűrűségfüggvéy: f x L ( x) e (T=0, S=) = A Chauchy-féle sűrűségfüggvéy: f Chauchy ( x) = (T=0, S=) π + x Bzoyos esetekbe célszerű sűrűségfüggvéy modell-családokat defál, hsze a gyakorlatba, mt említettük, agyo sokfajta sűrűségfüggvéyel lehet dolguk. Egy modell-család esetébe egy paraméter segítségével más és más jellegű sűrűségfüggvéyhez jutuk. Egy lye lehetséges modell-család az f a (x) szupermodell, amely agyo jól alkalmazható külöböző köryezet vagy földta feladok megoldásáál. A szmmetrkus szuper-modell az alább alakba adható meg: f x) = ( a) (T=0, S=, a>0), ahol a ( a [ + x ] / (a) egy ormálás együttható. Ha az a modell paraméter értéke, akkor egy széles száryú eloszlással va dolguk, amely a Chauchy-féle sűrűségfüggvéy. Ha az a értéke a végtelehez tart, akkor a Gauss vagy ormál sűrűségfüggvéyel lesz dolguk. Ha az a értéke 5, akkor beszélük az ú. geostatsztka sűrűségfüggvéyről. A természetbe sokszor aszmmetrkus eloszlások s előfordulak, ezért az lye típusú sűrűségfüggvéyekkel s foglalkozuk kell. Egy gyakra alkalmazott aszmmetrkus modell-család a logorm (f l (x)) szupermodell, amelyet az alábbak szert defáluk: f l ( x ) ( p ) x (l x ) / p = e (x>0, p>0), ahol
9 (p) a ormálás faktor, p pedg a modellparaméter. A 3. ábrá jól látható, hogy a p modellparaméter változtatásával hogya kapuk külöböző típusú aszmmetrkus sűrűségfüggvéyeket. Látható, hogy a p paraméter értékéek övekedésével csökke az aszmmetra mértéke. 3. ábra. A logorm szupermodell külöböző sűrűségfüggvéye. Mért adatak esetébe agyo fotos lee, hogy meg tudjuk moda azt, hogy az adatak mlye valószíűség sűrűségfüggvéyel jellemezhetők. Egyk lehetőség az, hogy valamlye sűrűségmodellt llesszük az adatakból készített hsztogramra (emprkus sűrűségfüggvéyre), vagy valamlye eloszlásmodellt llesszük az emprkus eloszlásfüggvéyre. Az llesztés gyakorlat megvalósítása azoba em köyű matematka feladat, hsze többváltozós mmalzálást kell végrehajtauk az emprkus és a számított függvéyek között. Ezért a típusmeghatározás sorá alkalmazhatuk egyszerűbb, de kevésbé hatékoy módszereket s. Egy lye eljárás az ú. grafkus próba alkalmazása. E próbák azt haszálják k, hogy em túl agy gyakorlattal bíró szakember s képes legye ráézésre megítél egy statsztkusgadozást mutató potsorról, hogy azok a potok egyeest defálak-e vagy sem. A típusra voatkozó grafkus próbák tehát agyo egyszerűek. A külöböző típusú eloszlásokhoz a statsztkusok ú. valószíűség papírokat készíteek, amelyeke ábrázolhatjuk a mérés adatakat. A 4. ábra egy egyszerű példát mutat be. Va egy Gauss-papíruk, amelyek függőleges tegelyé valószíűségértékek vaak megadva. A vízsztes tegely szabado skálázható az adatak értéktartomáyáak megfelelőe. Ha elkészítjük az adatakból az emprkus eloszlás függvéyt a fetebb említett módo, akkor a relatív gyakorság értékeket felhordjuk az ábrá az adott adat értékekél. Ezutá agyo egyszerű dolgot kell teük. Ha adatak közelítőleg egy egyeesre esek, akkor elfogadjuk a hpotézst, vagys az adatakat Gauss-
0 sűrűségfüggvéyel jellemezhetjük. Ha em kapuk egyeest, akkor a kdulás hpotézst el kell vetük. Ebbe az esetbe azoba csak azt tudjuk állíta, hogy adatak em Gauss-eloszlásúak. Ezutá esetleg tovább valószíűség papírt alkalmazhatuk típus-meghatározásra. 4. ábra. Típus meghatározás Gauss valószíűség papír segítségével. A 4. ábrá szereplő Gauss-papíro két külöböző adatsor értéke vaak feltütetve. Jól látható, hogy az egyk adatsor esetébe Gauss-eloszlással va dolguk, míg a másk esetbe az a feltételezést el kell vetük. Végül esse szó az ú. lapultság együtthatóról s (kurtoss, C k ), amelyek az értéke egy elemű adatsor esetébe az
alább módo adható meg a egyedk cetráls mometum és a szórás egyedk hatváyáak függvéyébe: 4 ( x x) = Ck = 3. 4 ( ) ( ) σ A lapultság együttható a vzsgált eloszlás csúcsosságáak a mérőszáma: ha C k >0, a sűrűségfüggvéy középső szakasza a Gauss eloszláshoz vszoyítva magasabba helyezkedk el, és megfordítva. A fet kfejezésbe az addtív tag (-3) úgy került be, hogy ormáls eloszlás eseté a tört értéke 3. Korrelácós vzsgálatok Mérések sorá gyakra előfordul, hogy külöböző típusú adatokat mérük. Az így előálló adatredszer egyes adatsora között sokszor próbáluk kapcsolatot keres. A külöböző típusú adatok között esetleges kapcsolatok elemzésére korrelácós vzsgálatokat hajtuk végre. Az egyszerű korrelácós vzsgálatok sorá égy külöböző módszert s alkalmaztuk. Az első módszer léyege aak a két adatsorak a vzuáls megjeleítése, amelyek között a feltételezett kapcsolatot keressük. A vzsgált görbék együttmozgás hasolósága alapjá már eze a szubjektív úto s következtethetük a mért adatok között korrelácós vszoyokra. Természetese joggal merül fel az géy arra voatkozólag, hogy a korrelácó erősségét téyleges mérőszámok segítségével s kfejezzük. Így az alkalmazott másk három módszer matematka képletekkel defált korrelácós együttható számításo alapult. A hagyomáyos (Pearso-féle) korrelácós együttható Az adatok között sztochasztkus vagy más éve korrelácós kapcsolatok szorosságáról többek között az r egyszerű (Pearso-féle) korrelácós együttható ad felvlágosítást. Az egyszerű korrelácós együttható számítására az adott két vzsgált (pl. x és y), adatsorral redelkező valószíűség változóál a következő összefüggést haszáljuk: r = = = ( x x )( y ( x x ) = y ) ( y y ), ahol x y - az adatok száma, - az x adatok számta átlaga, - az y adatok számta átlaga. Az így számolt korrelácós együttható értéke (-) és (+) között változhat. Ha a két változó leársa függetle, akkor r=0. Ha r értéke poztív, akkor a kapcsolat poztív ráytagesű, ha egatív, akkor egatív ráytagesű egyeessel írható le. Ha r=, vagy r=-, abba az esetbe a vzsgált változók között tökéletes leárs függvéykapcsolat létezk. Általába elmodhatjuk, ha a változók között korrelácós
együttható abszolút értéke 0.8-ál agyobb, akkor a változók között vszoylag erős leárs kapcsolat meglétét tételezhetjük fel. A szakemberek az r értéke mellett sokszor r értékét s meg szokták ad. Az r azt fejez k, hogy az egyk vzsgált adatsor változása a másk adatsorba törtéő változásokat háy százalékba magyarázza. Például, ha r=0.9, akkor az x adatok értékéek változása 8%-ba írja le az y adatsor értékebe törtét változást. Robusztus korrelácós együttható Ezt a korrelácós együtthatót a Mskolc Egyetem Geofzka Taszéké működő geostatsztka kutatócsoport (vezetője: Dr. Steer Ferec Professzor Emertus) fejlesztette k. Ez a mérőszám a földtudomáy adatredszerek feldolgozására kfejezette alkalmas leggyakorbb értékek elvére épül. Kküszöböl a hagyomáyos (Pearso-féle) korrelácós együttható legagyobb hbáját, az outler (keső pot vagy hbás adat) érzékeységet. A robusztus korrelácós együttható tovább előye emellett, hogy érzéketle a vzsgált valószíűség változók eloszlására s. A robusztus korrelácós együttható a következőképpe számítható: r M = = = Sx ( x M Sx ( x M ) x x ) Sy ( y = M Sy ( y y ) M y ), ahol M x M y Sx Sy - az adatok száma, - az x adatok leggyakorbb értéke, - az y adatok leggyakorbb értéke, - az x adat leggyakorbb érték szert súlya, - az y adat leggyakorbb érték szert súlya. Sperma korrelácós együttható Bzoyos esetekbe célszerű em paraméteres korrelácós együtthatók alkalmazása s. Ilye esetekbe a hagyomáyos statsztka eljárások a korrelácós dexet (I) számítják. A földtudomáyok esetébe azoba legkább a Sperma-féle ragkorrelácó terjedt el, mt em paraméteres számítás eljárás. Ebbe az esetbe a változók téyleges mért értéke helyett azok ragsoraval számoluk a ragkorrelácó megadásakor. A Sperma korrelácós együttható előye az, hogy alkalmas em leárs kapcsolattal közelíthető korrelácós vszoyok vszoylag potos értékelésére s. A Sperma korrelácós együttható megadható: + + ( R )( S ) = rs =, ahol ( ) / R - az adatok száma, - az x adat ragja (háyadk a agyság szert sorba redezett adatsorba)
3 S - az y adat ragja (háyadk a agyság szert sorba redezett adatsorba). Adatredszerek ábrázolása. Box-Whsker Plot Adatredszerek esetébe valamlye grafkus szemléltetés agy segítséget jelethet az adatfeldolgozás vzsgálatok sorá, elsősorba azzal, hogy így gyorsabb és átfogóbb áttektést tesz a szakember számára lehetővé, és ez által az adatredszerre voatkozó következtetések s potosabbak lehetek. Az adatredszerek grafkus ábrázolását lletőe agyo sok módszer terjedt el, mt például a fetebb említett hsztogram vagy emprkus eloszlás függvéy. Ezek mellett érdemes megsmer az ú. doboz dagrammok alkalmazásáak a lehetőségét s. Az adatredszerek grafkus megjeleítésére és értelmezésére a földtudomáy gyakorlatba agyo jól haszálhatóak az ú. doboz dagrammok vagy Box- Whsker plotok. A dobozok hossza a vzsgált adatredszer alsó kvartls (5 %-os) értékétől a felső kvartls (75 %-os) értékég terjed, mt ahogy az alább két magyarázó ábrá s látszk. A dobozo belül voal az adatredszer középső eleméek, azaz medájáak a helyét jelöl k. A dobozo kívül voalak ( bajszok ) az adatredszer elyújtságát és terjedelmét szemléltetk. Bzoyos esetekbe lehetőség va az adatredszer tömörödés helyétől ge távol eső adatok keső ( outler ) adatkét való feltütetésére s. Ha a bajszok hosszabbak, mt a doboz hosszúságáak.5 szerese, akkor ott már keső adatokra kell számítauk. Az így jelölt adatok mdeképp fgyelmet érdemleek, hsze lehet, hogy va téyleges fzka magyarázata a távol eső adatokak s, de lehet hogy egyszerű mérés hba törtét. A teljes adatredszer tovább értelmezése előtt ezért mdeképp célszerű tsztáz a keső adatok eredetéek magyarázatát. Ha a keső adatokat ember hba okozta, akkor ezeket az adatokat célszerű eltávolíta az értelmezés fázs előtt. 5. ábra. A Box-Whsker dagram típus főbb statsztka eleme.
4 Kegyelítő vagy regresszós számítások A kegyelítő számításokat regresszós vzsgálatokak s evezhetjük. A kegyelítések sorá a mért adatakat (y ) egy számított adatsorral (y cal ) próbáljuk közelíte. A számított adatsort egy függvéykapcsolat segítségével állítjuk elő. A feltételezett függvéy kapcsolat változója (x ) s mért adat. A regresszós számítás sorá a függvéykapcsolat paraméteret határozzuk meg. Először smerkedjük meg a leárs regresszó alkalmazásával, ahol az alább egyeletből duluk k. cal y = b + 0 b x A feladat a b 0 és a b paraméterek azo értékeek a megtalálása, amelyek mellett a mért és a számított adatok eltérésredszere mmáls lesz. Ezt a kíváalmat az alább legkább alkalmazott legksebb égyzetes feltétel fejez k. = ( y y cal ) = m. cal A y helyére beírhatjuk a leárs egyees egyeletét. Így most már a legksebb égyzetes mmum feltételbe szerepelek a meghatároz kívát paraméterek. = ( y b 0 b x ) = m. Ha a fet kfejezés mmum értéket mutat, akkor a b 0 és b paraméterek szert dervált zérus értéket kell, hogy adjo. A feltétel segítségével juthatuk el az ú. ormál egyeletredszerhez az smeretleek szert derválások utá, amely esetükbe a következőképpe írható. = y = b 0 + b = x = x y = b 0 = x + b = x A ormál egyeletredszer megoldása szolgáltatja a b 0 és b paraméterek értékét, amelyek alapjá a kegyelítő egyees megszerkeszthető. Természetese az említett eset mellett akár többváltozós em leárs regresszós kapcsolatokat s defálhatuk. A fetebb említett legksebb égyzetes kegyelítések jeletős hátráya az, hogy ge érzékeye reagál a keső adatokra és az adatok eloszlás típusáak változására. Ezt a hátráyt képes ellesúlyoz a fetebb említett leggyakorbb értékek elvére épülő (MFV) regresszó. A 6. ábra a kétfajta kegyelítés között külöbséget mutatja be. Két kútba mértek vízszt adatokat. Az egyéb hdraulka vzsgálatok alapjá tudjuk, hogy a két kútba mért vízszt adatok között erős kapcsolat va. A legksebb égyzetes regresszó azoba agyo érzékeye reagál éháy kugró adatra, míg a
5 leggyakorbb értékek szert regresszó a téyleges leárs kapcsolatot képes meghatároz a mérés adatok alapjá. 0 00 Vízsztek a. kútba [m] 80 60 40 MFV regresszó Legksebb égyztes regresszó 0 0 0 5 0 5 0 5 30 35 Vízsztek az. kútba [m] 6. ábra. A legksebb égyzetes és az MFV regresszó gyakorlat alkalmazása. Kugró értékek vzsgálata A kugró vagy keső adatok felsmerése agy fotossággal bír a köryezet vagy földta adatok feldolgozása sorá. A kugró vagy keső adatok oka lehet mérés hba, vagy egyéb olya ok, amely cs kapcsolatba a mért adatok természetével. Azoba a kugró adatokak bzoyos esetekbe téyleges köryezet vagy földta oka s lehetek. Ezért, ha keső adatokat detektáluk, akkor mde esetbe tovább kell vzsgálód, hogy megállapíthassuk a kugró adatok okát. Egy több dmezós adatredszer esetébe célszerű mde változó esetébe elvégez a következő elemzést. Mde olya x adatot, amely em felel meg az alább feltételek, egyedleg meg kell vzsgál, mert az adat feltehetőleg keső értékek tekthető. ( 3 σ ) x ( x + 3 σ ) x A fet egyelőtleség azo a valószíűségelmélet téye alapul, hogy ormál eloszlás esetébe például aak a valószíűsége, hogy a mért változó értéke a fet tervallumba esk, 99.7%. Tehát azok az x adatok, amelyek em teljesítk a fet feltételt, agy valószíűséggel keső adatokak tekthetők. A kugró értékek meghatározására haszálhatjuk a leggyakorbb értékek módszerét s. A leggyakorbb érték (M) számítása sorá az egyes x adathoz automatkusa
6 számítódó súlyok (w(x )) kerülek meghatározásra. Ezek értéke a leggyakorbb érték és a dhézó smeretébe az alább módo adhatóak meg. Mt látható, a súlyok értéke 0 és között változhatak. ε w( x ) = ε + ( x M ) Általába azokat az adatokat már keső vagy kugró adatokak tekthetjük, amelyek esetébe a súly értéke ksebb, mt 0.0.. Köryezet jellemzők dősoraak jellemzése A köryezet vagy földta jellemzők méréséél agyo gyakra alkalmazuk t dőközökét smétlődő méréseket. Az lye motorg mérések sorá az egyes változókat lletőe dősorok állak elő. Az egyes dősorok elemzésére, lletve az dősorok között kapcsolatok feltárására haszálhatjuk azokat a statsztka eljárásokat s, amelyeket fetebb megsmertük. Itt vszot most bemutatuk éháy olya specáls módszert és eljárást, amelyeket elsősorba dősorok adataak elemzésére dolgoztak k. Az auto-kovaraca és a kereszt-kovaraca függvéyek alkalmazása agyo gyakor vzsgálat eszköz a külöböző dősorok jellemzésére. Egy dősor esetébe az autokovaraca függvéy matematka kfejezése a következő: C x( k ) = ( xt x ) ( xt+ k x ), ahol k t= k az dőbel eltolás mértékét adja meg. Az auto-kovaraca függvéy a vzsgált változó emlékezetéek tekthető. Ha egy megtörtét köryezet vagy földta eseméyek hosszú távú hatása va a mért dősorra, akkor az auto-kovaraca függvéy egyeletese csökke a k dőköz külöbséggel. Ha a k dőtervallum külöbség zérus (k=0), akkor a vzsgált dősor varacáját, vagys a szórását kapjuk meg. Az auto-kovaraca számításáál k értékét általába 0 és /4 között változtatjuk. A külöböző k értékekhez tartozó C x (k) értékekből tudjuk előállíta és megrajzol az auto-kovaraca (vagy auto-varaca) függvéyt (lásd 7. ábra). Hasoló módo adható meg két külöböző dősor alapjá számítható keresztkovaraca függvéy: C xy ( k ) = ( xt x ) ( yt+ k y ). k t= A kereszt-kovaraca függvéy teljese hasolóa értelmezhető külöböző mért változók között kapcsolat vzsgálatára, mt az auto-kovaraca függvéy. Ha k=0, akkor megkapjuk az ú. kovaracát (COV), amely a két vzsgált dősor együttváltozás jellegét fejez k egy mérőszám segítségével az alább módo.
7 COV = t= ( x t x) ( y t y) Természetese, mt látható, a kovaracáak szoros kapcsolata va a korábba megsmert korrelácós kfejezésekkel. 7. ábra. Egy mért dősor auto-kovaraca függvéye. Köryezet dősorok esetébe persze egyszerűbb grafkus vzsgálatokat s elvégezhetük aak érdekébe, hogy feltárjuk a mért és vzsgált változók között esetleges kapcsolatokat. A motorg eredméyekét előálló adatsorokat az dő függvéyébe például egy közös koordáta redszerbe ábrázolhatjuk. A vzsgált görbék együttmozgás hasolósága alapjá már eze a szubjektív úto s következtethetük a mért adatok között kapcsolatokra, lletve korrelácós vszoyokra. A 8. ábra Mskolc-Tapolca köryezetébe 3 külöböző (Termál-forrás, Új-kút, Egyetem-kút) helye mért karszt vízszt dősorokat mutat be. Az ábrázolt dősorok jól mutatják be azt, hogy a tapolca karsztredszer egymástól em túl távol eleme között bzoy erőteljes hdraulka kapcsolat áll fe. Jól haszálhatóak az dősorok elemzésére a fetebb már smertetett doboz dagrammok. A 9. ábra mutat be lye gyakorlat példát, amelye jól elválk a 8. ábrá feltárt korrelácó elleére a két külöböző helye (Új-kút és Termál-forrás) mért vízszt dősorok között karaktersztkus külöbség. Md a kereszttel jelölt keső adatokat, md pedg az dősorok adataak szmmetra vszoyat lletőe jeletős külöbségek észlelhetők a doboz dagram segítségével. A korábba megsmert regresszós vzsgálatok s jól haszálhatók dősorok elemzésére. Az egy vagy több változós kegyelítés számítások sorá meghatározhatjuk a lehetséges függvéykapcsolatokat a mért változók között. A 0. ábra bemutatja két külöböző helye mért felszí alatt vízszt adatok dősora között feálló vszoyokat leárs regresszó alkalmazásával.
8 A Termál-f., az Új-kút és az Egyetem vízszt adata 9.0 8.0 7.0 6.0 Vízszt [mbf] 5.0 4.0 3.0.0 Új-kút vízszt [mbf] Termál-f. vízszt [mbf] Egyetem vízszt [mbf].0 0.0 9.0 004.0.4 004.04.3 004.08.0 004..09 005.0.7 005.05.8 005.09.05 005.. Idő [ap] 8 ábra. Külöböző helyeke mért vízszt dősor adatok ábrázolása. 8 Box-Whsker Plot 6 Vízszt [mbf] 4 0 Új-kút vízszt [mbf] Termál-f. vízszt [mbf] 9. ábra. A Box-Whsker dagram alkalmazása dősorok elemzésére.
9 8.0 A Kertészet és a Termál-f. vízszt adataak regresszós vzsgálata 7.5 Termál-f. vízszt [mbf] 7.0 6.5 6.0 5.5 5.0 4.5 y =.0645x -.475 R = 0.577 Mért vízsztek [mbf] Leárs regresszó 4.0 8.5 9 9.5 30 30.5 3 3.5 3 Kertészet vízszt [mbf] 0. ábra. Regresszós vzsgálat alkalmazása dősorok elemzésére. A Dszkrét Fourer Traszformácó (DFT) alkalmazása dősorok elemzésére A köryezet és földta vzsgálatok sorá a külöböző váltózókhoz tartozó adatakat az dő függvéyébe mérjük. Vagys dőtartomáybel adatsorokkal va dolguk. Ezzel elletétbe lehetséges az s, hogy egy matematka traszformácó segítségével az adatakat a frekveca tartomáyba vzsgáljuk. A Fourer traszformácó lehetőséget teremt arra, hogy egy dőtartomáybel adatsort áttraszformáljuk a frekveca tartomáyba. A gyakorlatba a mért adatsorok em folytoosak, haem valamlye mtavétel dőköz segítségével mérjük azokat. Vagys dszkrét dősorokkal va dolguk. A köryezetük jobb megsmerését szolgáló külöböző motorg redszerek dszkrét adatsorokat állítaak elő. Egy vzsgált hosszabb dőtervallum 0 és T dő között felosztható N darab tervallumra, ahol a mtavétel dő egyelő: t = T / N. f jelöl a folytoos f(t) függvéy értékét t dőél. Az adatok dőbel dexe a következő lehet: = 0,,,., N-. Ebbe az esetbe egy dősor dszkrét Fourer traszformáltja (DFT) megadható az alább kfejezéssel: N kω0 Fk f e = 0 = k = 0 to N-. A Fourer traszformált értékekből megadható az verz Fourer traszformácó összefüggése:
0 N kω0 f Fk e N k = 0 = = 0 to N-, ahol ω = / N. 0 π A. és a. ábrák segítséget yújtaak ahhoz, hogy megértsük a Fourer traszformácó léyegét, amely kapcsolatot termet az dő és a frekveca tartomáy között. Perodkus jelek esetébe mdeféleképpe célszerűek tűk a frekveca tartomáybel vzsgálat, hsze egy-egy domás dőtartomáybel peródus a frekveca tartomáyba egyetle domás jelkét jelek meg egy-egy, az dőperódusak megfelelő frekveca értékél.. ábra. Összefüggés az dőtartomáybel és a frekveca tartomáybel jelek között a dszkrét Fourer traszformácó alkalmazása esetébe A DFT módszer gyakorlat alkalmazhatóságát jól bzoyítja a következő példa. A DFT módszer alkalmazásával jól lehet vzsgál vízszt adatok dőbel mérése alapjá az adott hdrodamka redszer főbb sajátságat. A DFT alkalmazása segítséget jelethet a külöböző helyeke mért vízszt adatok között hdraulka folytoosság mértékéek meghatározására. Emellett a dszkrét Fourer traszformácó kválóa alkalmas arra s, hogy megállapítsuk az eredet jelbe vagy dősorba szereplő fotosabb perodctásokat. A Bükkbe több mérés helyből álló komplex motorg redszer üzemel a karsztvíz redszer tulajdoságaak feltárása érdekébe. A mért dősoroko a Dszkrét Fourer Traszformácó (DFT) alkalmazásával például köye bebzoyítottuk azt a fotos
hdrodamka feltételezést, hogy a hdeg karsztvzes redszer a Bükk egy jeletős területé egységes hdraulka vselkedést mutat (lásd 3. ábra).. ábra. Összefüggés az dőtartomáybel és a frekveca tartomáybel jelek között a dszkrét Fourer traszformácó alkalmazása esetébe 000 Ampltude spectrum [m] 600 00 800 Nagyvsyó Szva 400 0 0 00 00 300 400 500 600 700 800 900 000 Perodc tme [hour] 3. ábra. Egymástól távol eső bükk karsztvízszt dősorok frekveca tartomáybel ampltúdó spektruma. 3. Geostatsztka alapok A köryezet és földta adatok esetébe agyo fotos a térbel korrelácó szerepe és jeleléte. A kőzetképződés és egyéb törvéyszerűségeket fgyelembe véve
megállapítható, hogy az egymás közelébe mért adatok agy valószíűséggel sokkal jobba hasolítaak egymásra, mt a távolabb adatok. A térbel függések ezt a jellegét a hagyomáyos statsztka módszerek em tudják kezel. Mathero professzor mukássága által az 950-es évekbe eldított geostatsztka módszerekek tehát potosa az a legfőbb tulajdoságuk, hogy kezel tudják az adatok térbelségét, és az ebből adódó összefüggéseket és korrelácós kapcsolatokat. A geostatsztkába a térbel változékoyságot leíró függvéyek közül legkább az emprkus félvarogram haszálata terjedt el. E geostatsztka alapfüggvéy defícója az alább módo adható meg. ( h γ ( h ) = ( h ) = )[ ] Z( X ) Z( X + h ), ahol (h) az egymástól h távolságra lévő Z(X ) és Z(X +h ) értékpárok száma. A számított emprkus félvarogramak számos sajátossága lehet. A folytoosság a γ ( h ) függvéy övekedéséek mértékéből látható. Bzoyos típusú adatok esetébe a övekedés ge lassú. A függvéy az orgóból dul. Bzoyos adatok esetébe (például amkor a térbel szeyeződés található egy tszta ayakőzetbe) ks távolságoko belül gyors változás következhet be. Ilye esetekbe a γ ( h ) függvéy em az orgóból dul, haem egy röghatásak evezett C 0 >0 értékről dul, majd emelkedő tedecát mutat. A folytoosság teljes megszűéséről beszélük, ha a félvarogramak cs határozott felszálló ága, haem a tapasztalat félvarogram potja egy a h tegellyel párhuzamos egyees köryezetébe helyezkedek el. A fetebb írtakak megfelelőe röghatásak evezzük a félvarogram γ ( h ) tegelymetszetét. Hatástávolság alatt azt a távolságot értjük, amelye belül a mta még hatást gyakorol a köryezetére. Eze távolságo túl a mták gyakorlatlag függetleek egymástól. A mták köryezetre gyakorolt hatása a távolság övekedésével az autokovaraca függvéy tedecáját követve csökke. A félvarogram esetébe a hatástávolságot (H) aak a potak az abszcsszája jelet, amelyél a függvéy értéke álladósul. A vzsgált paraméter zotrópája (ráyfüggetlesége) vagy azotrópája a külöböző ráyokba számított félvarogramok összehasolítása alapjá látható. Ha a félvarogram felszálló ága az eltérő ráyokba külöböző meredekséget mutatak és a hatástávolság s ráyokét változó, akkor a vzsgált paraméter azotróp jellegű (lásd 4. ábra). Izotróp paraméterél a hatásterület körrel, míg azotrópál ellpszssel közelíthetjük. Az emprkus félvarogramokat külöböző típusú elmélet függvéyekkel közelíthetjük. Az egyk lye gyakra haszált közelítés az alább ú. szférkus modell. 3 h h γ ( h ) = C.5 0.5, ha 0 h H H H γ ( h ) = C, ha h>h
3 4. ábra. A félvarogram ráyfüggése azotróp köryezet paraméter esetébe. A félvarogram szerkesztés elsődleges célja a h távolságtól függő kovaracák meghatározása a következő módo: COV [ Z( x ), Z( x )] = VAR[ Z( x )] γ ( h ) + h. Mvel az adatok között korrelácó csak bzoyos H távolságg áll fe, azo túl a kovaraca értéke zérus értéket vesz fel. A félvarogram haszálatával a fet kfejezés az alább módo egyszerűsödk. COV [ Z( x ), Z( x )] = γ ( H ) γ ( h ) + h A szférkus modell kfejezését fgyelembe véve a geostatsztka számításokál agyo széleskörűe alkalmazott kovaraca értéke agyo egyszerűe meghatározható a félvarogramból (lásd 5 ábra jelöléset). COV [ Z( x ), Z( x )] = C γ ( h ) A krgelés Be em mért térrészek jellemzőek meghatározására az egyk széleskörűe alkalmazott geostatsztka becslés a krgelés. A krgelés alapgodolata egyszerűe összefoglalható: a kérdéses potbel érték az smert adatok súlyozott átlagakét számítadó, mégpedg olya súlyokkal, hogy az eredméyek mmáls legye a szórása. A súlyokról kkötjük, hogy összegük legye. Egy be em mért P 0 potbel + h
4 Z(P 0 ) értéket darab közel P pot Z(P ) értékéek súlyozott átlagakét akarjuk megbecsül: Z( P ) s 0 = s = Z( P ), ahol =. 5. ábra. A kovaraca meghatározása félvarogram segítségével. E becslés szóráségyzetéek (varacájáak, VAR) a mmumát megkövetelve határozzuk meg az s súlyokat. A mmum feltétel a következő. VAR Z( P ) s Z( P ) 0 = = m. E mmum feltétel egy + smeretlees egyeletredszerre vezet, amelybe agy szerepet kapak a bemért potok között kovaracák. c j = COV ( Z( P ), Z( Pj )) E kovaraca értékek agyo köye számíthatók a fetebb leírt módo a mért adatok alapjá előálló félvarogramból. Az darab súly érték mellett még egy ú. Lagrage-multplkátor ( λ ) s smeretlekét fog szerepel az + sorú egyeletredszerbe, amely az alábbak szert foglalható össze.
5.................. 0 0 0 = + + + = + + + + = + + + + = + + + + s s s c s c s c s c c s c s c s c c s c s c s c λ λ λ Az egyeletredszer K mátrxát Krge-mátrxak szokás evez: =...0............... c c c c c c c c c K. Bevezetve az S 0 és C oszlopvektorokat a következők szert: = λ s s s S.. 0 és. = λ c c c C 0 0 0 0.. Ezek utá az smeretle s súlyokat és a Lagrage-multplkátort s tartalmazó S 0 oszlopvektor köye számítható. 0 0 C K S = Mt korábba említettük, a K és a C 0 mátrxba szereplő kovaraca értékek köye számíthatók a vzsgált területre érvéyes félvarogram alapjá. A legkább számításgéyes művelet a K mátrx verzója lehet, amely azoba a számítástechka jeleleg sztjé még egésze agy elemszám esetébe s csak agyo rövd dőt géyel. A krgeléssel kapott érték hbája köye becsülhető, hsze éppe a becslés hbájáak mmalzálása, mt alapkövetelméy a krgelés kdulópotja. A krgelés valód hbáját persze csak a számított és a valód mért értékek külöbsége alapjá adhatjuk meg. 4. Kockázatelemzés
6 A kockázat fogalmát valamely emkíváatos eseméy bekövetkezéséek valószíűségekét defáljuk. A emkíváatos eseméy lehet műszak tökremeetel, redszer meghbásodás, egészségkárosodás, ember élet, köryezet vagy érték veszélyeztetése. Általáosságba a kockázat értékét megadhatjuk valamely emkíváatos eseméy bekövetkezés valószíűségéek és a következméy súlyosságáak szorzatakét. R = P S R kockázat becsült értéke P a vzsgált emkíváatos eseméy bekövetkezés valószíűsége S a emkíváatos eseméy súlyossága A kockázat becslése a gazdaság, mérök, orvos tevékeységek széles skálájá jellemző vzsgálat. A kockázatbecslés fogalmát a köryezetvédelem területé köryezet, vagy humá egészségkockázat meghatározásakor haszáljuk, úgy hogy azt az ember egészséget károsító hatás (expozícó) bekövetkezés valószíűsége és kvattatív módo megadott következméye szorzatakét adjuk meg. A kockázatfelmérés módszertaát számos szerző smertet, valamelyest eltérő kockázatbecslő eljárásokat határozva meg [NRC, 98; USEPA, 984;]. Általáosa a kockázatfelmérés valamely veszélyes körülméyhez vagy eseméyhez köthető expozícót és/vagy tökremeetelt befolyásoló kockázat téyezők becslésére alkalmazott szsztematkus eljárás. Az eljárást szeyezett földta köryezet vzsgálatára alkalmazva - szeyező ayagok köryezetbe való kjutásából eredő expozícós szceárókhoz kapcsolódó kockázat téyezők becslésekét defáljuk. A szeyezett területek vzsgálatakor alkalmazott kockázatfelmérés egy szsztematkus, szabváyosított eljárás, amely sorá vzsgált forrásból származó expozícó mde lehetséges egészségkárosító hatásáak következméyét, gyakorságát becsüljük, feltütetve a becslés bzoytalaságát s. Ha a kockázatfelmérés végpotjába ember áll, az expozícó emberre kfejtett kockázatát becsüljük és humá-egészségügy kockázatfelmérésről, ha vzsgálatuk célja az ökoszsztémára vagy aak valamely fajára ható kockázat becslése, akkor ökológa kockázatfelmérésről beszélük. Mt azt később részletese kfejtem, a kockázatfelmérés egy hatékoy eszköz eltérő típusú, például eltérő köryezet közeg útjá ható, vagy külöböző vegyületek által okozott köryezet ártalmak pragmatkus vzsgálatára és összehasolítására. Az eljárás legfőbb jellemző a szükségszerű bzoytalaságok és a multdszcplartás, am a feladatot végző csoport összetételébe s megjelek. A kockázatfelmérés számos területe alkalmazott eljárás, ksebb-agyobb módszerta eltérésekkel a feladat céljáak megfelelőe. A mérök létesítméyek, redszerek kockázatfelmérése elsősorba a redszerbe bekövetkező meghbásodások forrásat, azok valószíűségét és következméyét elemz. Az lye típusú - elsősorba az parba haszálatos -eljárást evezzük létesítméy közpotú
7 kockázatfelmérések, melyek kdolgozásába úttörő szerepet a ukleárs par szakembere játszottak. Azokat az eljárásokat, amelyek valamlye eseméy (pl. baleset), mukahely vagy köryezet expozícó emberre gyakorolt káros hatásat vzsgálják, emberközpotú kockázatfelmérések s evezk. Ide tartozak a mukahely baleseteket, veszélyes ayagok traszportját és egészségkárosító expozícókat elemző kockázatbecslő eljárások, vagy a szeyezett területek egészségkárosító hatásáak vzsgálata s. A két eljárás számos esetbe egymásra épül vagy egymást kegészít, de a megválaszoladó kérdés más-más jellegű. Dolgozatomba és eddg tevékeységem sorá elsősorba az utóbb tevékeységhez tartozó eljárásokkal, azok kármetesítéshez kapcsolódó kérdésevel, eze belül s a humá-egészségügy kockázatfelméréssel foglalkoztam. A továbbakba a kockázatfelmérés szó haszálatakor erre az eljárásra utalok. Az egészségkárosító hatásokat széles körbe értelmezve az 3. táblázat szert csoportokba oszthatjuk. Nylvávaló, hogy a felsorolt változatos köryezet ártalmak mdegyke em vzsgálható azoos módszerekkel, mégs egy-egy probléma vzsgálatakor egyre kább előtérbe kerül az átfogó szemléletű, széleskörű kockázatfelmérés alkalmazása. Az elszeyezett és felhagyott parterületek fejlesztés és újrahaszosítás tervehez (ú. browfeld vagy bara mező kocepcó) készítedő kockázatfelmérések gyakra a köryezetszeyezés okozta kockázatok számbavétele mellett a társadalm hatások (pl. mukaélkülség, bűözés, stb.) kockázatat, és gazdaság szempotokat s fgyelembe veszk és mérlegelk a dötéshozatalkor.
8 3. Táblázat Köryezet ártalmak csoportosítása és jellemző előfordulásuk típusa Veszélyforrás Leggyakorbb típusa Kéma hatások Gázok, gőzök, ásváy ayagok, fémek, savak, lúgok, oldószerek, széhdrogéek, stb. Bológa hatások Vírusok, baktérumok, gombák, állat termékek, övéy szövetek, edvek, olajok, polle, stb. Fzka hatások Zaj, hőmérséklet, yomás, mágeses mező, mkro-hullámú sugárzás, fravörös-látható- ultravola sugárzás, lézer sugár, radoaktív sugárzás, stb. Ergoóma hatás Testtartás, tehermozgatás, zárt térbe tartózkodás, mozgástér, megvlágítás, stb. Társadalm, szocáls és Stressz, félelem, szorogás, hajszoltság, stb. pszchológa hatás A fet hatások közül a szeyezett területek esetébe leggyakrabba a kéma kéma expozícóval kell foglalkozuk. A kockázat fogalma em azoos az általáosa haszált veszély fogalmával. Veszélyek evezük mde olya helyzetet, cselekvést vagy jeleséget, am emkíváatos következméy(eke)t hordoz magába. A veszély em mde esetbe jelek meg kockázatkét, a kockázatos eseméyek vszot mdg valamlye veszélyforrás eredméye. A köryezet kockázat defícó szert értelmezéséhez az 6. ábrá vázolt három téyező: a szeyező, az expozícós útvoal és a receptorok térbel és dőbel egybeesése szükséges. Bármelyk háya esetébe a kockázat fogalma cs értelmezve. Szeyezők Receptorok Expozícós útvoalak Kockázat 6. ábra: A kockázat fogalmáak három szükséges összetevője [Health Caada, 993] Nem beszélhetük kockázatról abba az esetbe például, ha egy par tevékeység következtébe bekövetkezett talajvízszeyezés em juthat el olya közösségekg (receptor), akk a talajvzet felhaszálák. Amíg receptor em azoosítható, az adott esetbe kockázattal em számoluk, bár a veszély létezk. Az lye látes kockázat helyzetek em elhayagolhatók, mvel a peremfeltételek változásával reáls kockázat
9 helyzetek kalakulásához vezethetek. Hasoló módo em jelet kockázatot adott szeyező forrás a közvetle köryezetébe élő település lakó számára, ha em létezk olya expozícós útvoal, amely a szeyező ayagot továbbítaá. Látjuk tehát, hogy bár egyk említett példa sem kíváatos állapotot tükröz és mdkét esetbe reáls veszélyforrással va dolguk, de azok em jeleteek humá kockázatot mdaddg, amíg az említett feltételek teljesülek. A kockázatfelmérés célja A kockázatfelmérés eljárásáak hagyomáyos alkalmazás módja a predktív (előretektő) kockázatfelmérés, am egy jól defált jeleség vagy eseméy várható emkíváatos következméyevel foglalkozk. Emellett egyre agyobb aráyba kapak teret a korábba bekövetkezett kockázatos eseméyek (pl. talajszeyezés) meglévő hatásáak vzsgálata, amkor a múltba bekövetkezett szeyezések lejátszódott vagy jeleleg s folyamatba lévő ártalmat számszerűsítjük. Az lye típusú kockázatfelmérés a retrospektív (vsszatektő) kockázatfelmérések körébe tartozk. A retrospektív kockázatfelmérés elvégzését dokolttá tehet korábba em smert szeyező forrás feltárása, ú. öröklött köryezetszeyezések (veszélyes hulladéklerakók, felhagyott raktárak, vegy üzemek feltárása), valamlye káros hatás észlelése (halpusztulás, betegségek ugrásszerű megjeleése), vagy bzoyított expozícó (pl. mérgezés). A kockázatfelmérés alkalmazásával mdegyk esetbe az a céluk, hogy a redelkezésre álló legmegbízhatóbb adatok és korszerű smeretek felhaszálásával olya tézkedéseket fogaatosíthassuk, am a köryezet- és az egészség megfelelő sztű védelmet bztosítja. Megállapítható, hogy apjakra a kockázatfelmérés a legdamkusabba fejlődő eszközzé vált a szeyezett területek kármetesítés stratégájáak előkészítésére és értékelésére. A szeyezett területek kapcsá a kockázatfelmérés lehetséges célktűzése az alábbak lehetek: - Szeyezett területek ragsorolása (prortás lsta összeállítása) - Meglévő szeyezésekből származó kockázatok becslése - Kármetesítés célérték meghatározása - Beruházások potecáls köryezet hatásaak kockázat típusú megadása - Kármetesítés techológa kválasztásáak támogatása - Kármetesítés hatékoyságáak meghatározása - Szeyezett területek tulajdoított egészségkárosodás gazolása/cáfolása A kockázatfelmérés sosem öcélú vzsgálat, aak megállapítása mdg a kockázatkezelő dötéshozók számára bztosítaak szükséges formácókat. A kockázatkezelés az egészséget vagy ökoszsztémát veszélyeztető kockázatok csökketését szolgáló tézkedések azoosításáak, értékeléséek, kválasztásáak és kvtelezéséek folyamata. Célja, hogy megalapozott, költséghatékoy és koheres tézkedésekkel csökketse a kockázatot, mközbe esetekét társadalm, etka, poltka és jog szempotokat s mérlegel.
30 A kockázatkezelés hat lépésből áll:. A probléma megfogalmazása és köryezetbe llesztése. A vzsgált kockázat becslése 3. A kockázatok kezelését célzó alteratívák értékelése 4. Az alkalmaz kívát alteratíva kválasztása 5. Dötés végrehajtás 6. A beavatkozás eredméyességéek értékelése A kockázatbecslő eljárás a kockázatkezelés folyamatához az alább területeke tud hozzájárul: - Valós és feltételezett veszélyek azoosítása és ragsorolása - Mde smert és feltételezett jövőbel expozícós szceáró következetes vzsgálata - Az összes veszélyhelyzethez és expozícós szceáróhoz tartozó kockázat kvaltatív és/vagy kvattatív megadása - A krtkus terjedés útvoalakat, expozícós szceárókat és az összkockázatot jeletőse befolyásoló téyezők számbavétele - Költséghatékoy kármetesítés alteratívák támogatása - A kármetesítő beavatkozáshoz kapcsolódó bzoytalaságok forrásaak megadása A kockázatelemző és kezelő folyamatak agyo fotos része a folyamatos kommukácó a szakemberek, dötéshozók, a közvéleméy és mde értett fél között. Rövd törtéet áttektés A moder köryezet kockázatfelmérés előzméyeek megértéséhez vssza kell utaluk a kockázat defícójára (R=P S). Az egészségügy kockázat fogalmáak két ylvávaló pllére a matematka valószíűségelmélet, és az ember (élő szervezetek) egészséget károsító köryezet hatásokkal foglalkozó tudomáyág, ma evé toxkológa. E két tudomáyág fejlődése előfeltétele volt a kockázatfelmérés módszerta alapjaak lefektetéséhez. Mdkét szakterület vszoylag fatalak modható a moder tudomáyok között, fejlődésük az elmúlt évszázadba s ge damkus volt. A valószíűségelmélet kvattatív kocepcója em volt smert Pascal kora előtt, ak 567-be publkálta valószíűségelméletét. Pascal, Cramer, Beroull mukássága utá Laplace volt az, ak a kvattatív kockázatfelmérés valód prototípusát smertette 79-be, amkor a halálozás valószíűségét vzsgálta hmlő védőoltás esetébe és aélkül. Damkus övekedések a matematka eze ága csak a XVIII-XIX. századba dult, feltehetőe bzoyos gazdaság géyek és azokhoz kapcsolódó bztosítás ügyletek következtébe. Halley volt az, ak elsőek közölt várható