Paksy László1, Héberger Károly2, Lengyel Attila3,4, Rajkó Róbert5, Bánhidi Olivér6,7
1 Miskolci Egyetem, Kémiai Intézet, Analitikai Kémiai Tanszék, Miskolc, Egyetemváros,
H-3515,
E-mail: akmpl@uni-miskolc.hu
2 MTA Kémiai Kutatóközpont, Kémiai Intézet, Budapest, Pusztaszeri út 59/67,
H-1025 E-mail: heberger@chemres.hu
3 Miskolci Egyetem, Kémiai Intézet, Analitikai Kémiai Tanszék, Miskolc,
Egyetemváros, H-3515,
E-mail: akmla@uni-miskolc.hu
4 Miskolci Egyetem, Mechatronikai és Anyagtudományi Koordinációs Kutatási
Központ, Miskolc, Egyetemváros, H-3515,
E-mail: meakkk.ig@uni-miskolc.hu
5 Szegedi Egyetem, Szegedi Élelmiszeripari Főiskolai Kar,
Élelmiszeripari Műveletek és Környezettechnika Tanszék,H-6701, Szeged, Pf.
443,
E-mail: rajko@sol.cc.u-szeged.hu
6 Miskolci Egyetem, Kémiai Intézet, Analitikai Kémiai Tanszék, Miskolc,
Egyetemváros, H-3515;
E-mail: banhidio@freemail.hu
7 DAM Steel Co, Miskolc, Vasgyári u 43, H-3540
A Sajó folyó teljes hazai szakaszában (150 km) 5 mintavevő helyen az 1986-1993 közötti időszakban vett 1460 minta alapján vizsgáltuk kemometriai módszerekkel egyes komponenseinek szezonális változásait. Vizsgált komponensek: a víz mennyisége (m3/s ), KOI (mg/l), összes szuszpendált anyag (mg/l), nitrát (mg/l), foszfát (mg/l).
Az 5 változó számát PCA-val kettőre csökkentve, a változások 61-70 %
-át lehetett megmagyarázni.[1-2]. Ezen vizsgálatoknál - a különböző
mintavevő-helyeken különböző mértékben – az év kezdetétől a
nyári időszakig a környezeti terhelés egyre növekedett, ami az év 4.
negyedében csökkent. A természetes állapot túlsúlyát a vízmennyiség és összes
szuszpendált anyag szignifikáns korrelációja mutatta a variancia nagyobb részét
megmagyarázó L1 faktor együtthatóban. Mivel ezen PCA-k során csak
átlagos képet kaphattunk, és a score ábrákon jól felismerhető klaszterek
voltak észlelhetőek, egy árnyaltabb kép kialakítására törekedtünk.
Egy példaként Miskolc esetében a következőképpen jártunk el.: 1. A 4
évszakra jellemző mért 419 esetbeli 2095 adatot 2 faktor-tényezővel
jellemezve meghatároztuk a score értékeket. A score értékek alapján – a kiugró
értékek elhagyásával (20 db) - 4- féle klaszter-típust határoztunk meg. Ezek
különböznek egymástól, mert 1. az egyes vizsgált komponensek átlagértékei
különbözőek, 2. újabb PCA-t végezve, három faktortényezőt figyelembe
véve , az egyes időszakokban a variancia 80-90 %-t magyarázzák meg, de
eközben az egyes faktortényezők különböző komponenseket tartalmaznak,
3. Wald-Wolfowitz sorozat próbával vizsgálva, az egyes típusok fellépésének
véletlenszerűsége szintén különböző az adott időszakra.
A szezonális változásokat igen jól jellemzi ezen 4 klaszter-típus egymáshoz
viszonyított aránya az egyes időszakokban. Az egyes időszakok
uralkodó klaszter-típusai a korábbi megállapításokkal megegyező irányú
változásokat jeleznek, de egyben jelzik más – az adott időszakban kisebb
mértékű - hatások fellépését is.
[1] Sokváltozós adatelemzés (Kemometria). Szerkesztette: Horvai, Gy. I.3. fejezet: Szerzők: Heberger, K., Rajkó, R. Nemzeti Tankönyvkiadó,Budapest, 2001.
[2] A. Lengyel, K. Héberger, L. Paksy, R. Rajkó, O. Bánhidi: Principal Component Analysis (PCA) and Principal Component Regression (PCR) for Evaluation of Monitoring Data. microCAD˘02, Miskolc, 2002 03.07.