Felhasználás az oktatásban

A rendszer fejlesztésének egyik célja az oktatásban történő felhasználás volt. Mivel a Pannon Egyetem szerverén futó szolgáltatásról van szó, a hallgatók az általuk elkészített csoportos mérések eredményeit beilleszthetik a rendszerbe, ezek vizsgálatát webes felületen keresztül elvégezhetik, hipotéziseket hozhatnak létre a mérések eredményének térbeni változása alapján, illetve ezeket térképek segítségével megjeleníthetik. A helyszíni próbamérések elvégzése közben jártasságot szereznek a jelen technológiának megfelelő műszerekkel, megismerkedhetnek az internet és az új technológiák által adott lehetőségekkel [36][43][62][88]. Ezáltal tapasztalataik lehetővé teszik az új és régi mérési eljárások összehasonlítását. A hallgatók által összegyűjtött mérési adatok egy információs bázist alkotnak, ez a megfigyelt területet érintő modellezéshez, és egyéb nagy alapadat igényű elemző munkához is jól használható.

2.8.3 Esettanulmány

Több tudományterületen, így a környezettudományban [16] is fokozatosan bevezetésre kerülnek a geostatisztikában alkalmazott elemzési eljárások. Egy példán keresztül illusztrálom, hogy a dolgozat eredményeként létre hozott környezet monitoring rendszer és a benne tárolt adatok hogyan használhatóak az oktatás, kutatás vagy a lakossági tájékoztatás területén. [132]

Korábban kitértem az egységesített téradat infrastruktúra (INSPIRE) törekvéseire. Az adatbázisban tárolt metaadatok és a térképi megjelenítő alkalmazás lehetővé teszi, hogy az adattartalmat célzottan, szabadszavas kereséssel tekintheti át a felhasználó. A részletes meta adatok azt is lehetővé tehetik, hogy mintegy crowdsourcing (az egyetem hallgatói, kutatói által végzett folyamatos környezet monitoring) tevékenység formájában gyűjtött levegő minőséget leíró adatok bárki által hozzáférhetőek legyenek akár az INSPIRE geoportálján keresztül is. Egy-egy ilyen adatgyűjtő központ által szolgáltatott adatok hasznosak lehetnek, a nagy területekre kiterjedő modellek validálása esetén.

A létrehozott adatbázis lehetővé teszi a térképi megjelenítő által, a kiválasztott paraméterre létrehozott WFS (Web Feature Service) szolgáltatás internetes címének elérését. Ezzel a címmel asztali térinformatikai alkalmazásban is megjeleníthető az adott adatkör. Esetünkben ez a Veszprémben elvégzett dinamikus körmérések minden adata az összes időpontból NO2

paraméterre. Ezeket az adatokat menthetjük, illetve tetszőleges formátumba és vetületbe exportálhatjuk és felhasználhatjuk különböző elemzésekhez. A mentett adatokat felhasználhatjuk eloszlástérképek létrehozására, akár különböző módszerekkel is. A létrehozott térképek alapján pedig módszerek összehasonlítása, trendek beazonosítása válhat lehetővé.

Az esettanulmányban két eljárás eredményeinek és kimeneteinek összehasonlítását végezzük el. A vizsgált módszerek a követezők: a krigelés, a távolsággal fordítottan súlyozott (Inverse Distance Weighted-IDW) eljárások. A módszerek leírása megtalálható többek között [66]

munkájában. Az IDW egy jó eljárás adott paraméter eloszlásának gyors megtekintésére, azonban az érzékeny felszíni átmenetek kezelésre már nagyon korlátozottan alkalmas. A krigelést optimális interpolátorként is szokták említeni, amely a lokális és globális varianciát is hatékonyan tudja modellezni. Hátránya hogy a variogram modell létrehozása igen nagy gyakorlatot igényel. A krigelés feltételezi, hogy az adatok random jellegű normál eloszlással rendelkeznek, ahol a random jelleg nem a pontok térbeli elhelyezkedésére, hanem az ott mért tulajdonságokra vonatkoznak.

A mérések két időpontban, Veszprémben 2006.09.23. és 2006.10.13. napokon az ETL 2000 berendezéssel az adott útvonalon mérőkocsival végighaladva elvégzett körmérések.

A geostatisztikai vizsgálatok munkahipotézisének alapja az ún. Tobler törvény, amelynek alapján az egymáshoz közelebb eső mintavételi pontpárok különbségeinek térbeli varianciája kisebb egyben autokorrelációjuk nagyobb, mint a távolabbi pontpároké [30]. Ez a térbeli variabilitás a távolsággal növekszik, illetve az autokorreláció csökken és egy adott hatótávolság érték esetében a variabilitás stabilizálódik adott plató értéknél, illetve a korreláció ugyanitt közelit a 0-hoz. A mintavételi pontok környezetében ezt a korrelációt a véletlenszerű (mintavételi hiba) és a rendszeresen előforduló (mérőeszköz hiba) együttesen terheli. [132] Az n számú mintából egy vizsgálati értékre [n(n-1)]/2 számú pontpár képezhető, amelyre illesztett variogram γ(h) általános képlete az alábbi [101]:

 





γ(h) a variogram értéke adott h távolságú vektor esetében, N a mintaszám,

z(x) a minta x pontban felvett értéke.

A variogram érzékeny a kiugró extrém minta értékekre, a hatás azonban nem általános, függ a pont térbeli pozíciójától és a variogram függvény típusától. A variogram előállításának lépései a következők: valamennyi mintapont között képzett mintapár különbségének számítása, a hisztogram képzése a mintapárokra és a modell függvény illesztése. A variancia pontosabb lehatárolására adott keresési távolságon belül végezhető mindenirányú vagy adott szektoron belüli keresés. A variogram függvényt az Ordinary Kriging interpoláció során használtuk fel.

Ez az interpoláció egy súlyozási eljárást használ a számított rácspontok meghatározására.

[132]

Általánosságban elmondható, hogy a közlekedésből származó szennyező anyagok közül az NO₂ koncentráció értékei sokkal közelebb vannak az egészségügyi határértékhez (100 μg/m³ az órás határérték), mint a CO esetében (a háttérterhelés 5-600 μg/m³, 10000 μg/m³ a határérték). Az általunk használt eszköz szenzorai közül is az NO2 az egyik legjobb szenzor, ezért ezen a paraméteren keresztül alkotunk egy álatlános képet a Veszprém közlekedésből adódó levegőszennyezéséről.

A mérés ideje alatt (kb. 1 óra) feltételezzük, hogy a forgalmi és a meteorológiai viszonyok állandóak, azaz úgy tekintjük, mintha a városszerte elvégzett mérések indegyike közel azonos

körmérés nem elegendő, de egy általános képet lehet alkotni. Az eloszlás-térképeken jól látszanak a kiemelt forgalmi csomópontok a belvárosban a Budapesti út és a belső- illetve a külső körgyűrű dél-keleti részei (sötétebb területek).

A Veszprémre jellemző uralkodó észak-nyugati szélirány a belvárosból a Cholnoky városrész irányába viszi a forgalomból származó légszennyezést. Jellemzően megtalálható egy észak-déli felosztás és láthatóan a Budapesti úttól délre eső városrész terheltebb.

53. ábra Veszprém NO2 eloszlás (μg/m3) 2006.09.26. 10:00-11:32 [IDW]

54. ábra Veszprém NO2 eloszlás (μg/m3) 2006.09.26. 10:00-11:32 [Ordinary Kriging]

55. ábra Veszprém NO₂ eloszlás (μg/m3) 2006.10.13. 16:16-18:05 [IDW]

56. ábra Veszprém NO2 eloszlás (μg/m3) 2006.10.13. 16:16-18:05 [Ordinary Kriging]

A fenti megállapítások további kutatásokhoz irányadók lehetnek, ezeket a feltételezéseket ellenőrizni és alátámasztani a mérések gyakoriságának növelésével és feldolgozásával lehet.

Továbbá a mérések felhasználhatóak eseteleges pontosabb modellezési eljárások validálására is. Korszerű eszköz a városi környezet monitorozására a CFD (Computational fluid dynamics) modellezés, a város teljes 3D modelljének megalkotása után numerikus módszerekkel a

levegő áramlási tulajdonságait figyelembe véve forgalom számlálási adatok alapján adott sebességek (50 km/h) mellett megadott emisszió értékeket alapul véve modellezhető a szennyezésnek az épületek közötti pontos áramlása. Egy a fentihez hasonló modell futtatásának validálására nyílik lehetőség a környezeti monitoring rendszer segítségével.

További lehetőség egy szenzorhálózat telepítése, hasnlóan a RESCATAME projekthez, melynek keretein belül Salamanca (Spanyolország) két utcáján 35 mérőeszközből álló hálózatot hoztak létre, a szenzorhálózat mérési pontosságának azonban ppb tartományban kell lennie ahhoz, hogy az általa szolgáltatött adatokat fel lehessen használni.