KÖRNYEZETI RENDSZEREK MODELLEZÉSE Dr. Koncsos László egy. docens Bizonytalanságok

? Módszertan: dekompozíció és aggregáció 2000 1980 MEGOLDÁS PROBLÉMA & RENDSZER MEGOLDÁS MEGOLDÁS ? MEGOLDÁS DEKOMPOZÍCIÓ AGGREGÁCIÓ DEKOMPOZÍCIÓ AGGREGÁLT MODELL DEKOMPONÁLT RENDSZER

PAKS Morfológiai modell 2D Hidrodinamikai modell 2D Transzport modell z(x,y) 2D Hidrodinamikai modell kst v(x,y) 2D Transzport modell Dy T(x,y)

Modell-alkotás "történelme"

Determinisztikus predikciós módszer Két extrém megközelítés Próba szerencse módszere alias: Empírikus iterációs módszer Tervezési módszer Determinisztikus predikciós módszer

Próba szerencse módszere Anélkül, hogy tudnánk “miért”, lassan megtanuljuk “hogyan“… Példa: Római építmények

Rómaiak...

Próba szerencse módszere Anélkül, hogy tudnánk “miért”, lassan megtanuljuk “hogyan“… Meglepő hatékonyság DE: hosszú idő kockázatos Példa: Gótikus építmények

Notre-Dame, Párizs

Próba szerencse módszere Technológiai fejlődések (Kína) Példák: Porcelán Függő hidak Szivattyúk …, az európai tudomány megjelenése előtt

A fizika fejlődése görögök (Szokratesz, Platon, Arisztotelesz, Archimedes) Arab tudósok - Matematika Kopernikusz (1475-1543) - bolygómozgás Galilei (1564-1642) Newton (1642-1727) Einstein (1879-1955)

Determinizmus e = f(i1,i2,…in; p1, p2,….pn) e hatás f okozati összefüggés i input változók p paraméterek

Bizonytalanság

Bizonytalanság Típusai inputok hibái kezdeti, peremi feltételek paraméterek modell-bizonytalanság

Bizonytalanság e hatás f okozati összefüggés i input változó e = f(i1,i2,…im; p1, p2,….pn) +  e hatás f okozati összefüggés i input változó p paraméterek  bizonytalanság

A “nem” tudás kategóriái Determinizmus Statisztikai bizonytalanság Scenario bizonytalanság Tudás hiánya

Determinisztikus bizonytalanság e = f(i1,i2,…im; p1, p2,….pn) ∙ ∙ fu(iu,1,... Iu,k, pu,1,…pu,l) +  e hatás f okozati összefüggés i input p parametérek fu ismeretlen okozati összefüggés  egyéb bizonytalanság

Determinisztikus bizonytalanságok e = f(i1,i2,…im; p1, p2,….pn,) ∙ …

Tacoma híd 1940 …∙ fu(iu,1,... Iu,k, pu,1,…pu,l) + 

Egy másik példa A Balaton fitoplankton-dinamikájának előrejelzése az időjárási tényezők és a tápanyagterhelés figyelembe vételével.

Algafajok biomasszájának átlaga, szórása, egyedszám

Algafajok biomasszájának relatív megoszlása a hőmérséklet függvényében

Tavi foszfor-körforgalmi modell Ap(1) Ap(3) Ap(2) PIP DRP DP ülepedés felkeveredés szorpció/ deszorpció mineralizáció ÜLEDÉK VIZ ülepedés diffúzió alga pusztulás alga P felvétel AP(n)

Verifikáció az alga-modellre 1994

A “nem” tudás kategóriái Determinizmus Statisztikai bizonytalanság Scenario bizonytalanság Tudás hiánya

Statisztikai bizonytalanságok … … és az előrejelzés problémájának kapcsolata

Példa a statisztikai bizonytalanságra Árvízi előrejelzés a Felső-Tiszán Tiszabecs (felvízi perem) Záhony Tokaj Vásárosnamény

1 napos árvízi előrejelzés 6 napos árvízi előrejelzés

Hibaidősor autokorreláció struktúrája e = f(i1,i2,…im; p1, p2,….pn) + 

DETEKTÁLHATÓK A TRENDEK? (Vásárosnamény)

A “nem” tudás kategóriái Determinizmus Statisztikai bizonytalanság Scenario bizonytalanság Tudás hiánya

Scenario bizonytalanság Élettartam 1oo év …?? …És ez idő alatt mi változik?

Scenario bizonytalanság A Tisza szabályozása

A LEGNAGYOBB VÍZSZINTEK ALAKULÁSA

DETEKTÁLHATÓK A TRENDEK? (Vásárosnamény)

A Tisza szabályozása Scenario bizonytalanság forrásai Feliszapolódás Hullámtér állapotának változása A területhasználat változása a vízgyűjtőn Klímaváltozás

A “nem” tudás kategóriái Determinizmus Statisztikai bizonytalanság Scenario bizonytalanság Tudás hiánya Második példa

Scenario bizonytalanság Kis-Balaton Foszfor-eltávolítás leírása

Balaton - 596 km2 3 4 1 2 Vízgyűjtő - 5776 km2

Alsó Tározó A  50 km2 Felső Tározó A = 18 km2

DPTervezett = f (Pbe, Qbe, vs) A Felső Tározó P-visszatartása DPTervezett = f (Pbe, Qbe, vs) (Vollenweider) ?

A befolyó és kifolyó összes P terhelés kapcsolata ~30 t/év 87 95 88 96 94 86 92 91 89 93 90

Terhelések a Zala vízgyűjtőjén

Szabályozás, előrejelzés és változó célok: Kis-Balaton I. és II. Scenario bizonytalanság Második példa folytatása

VÖRS INGÓI BEREK SÁVOLY

KRITÉRIUMOK: VÍZMINŐSÉGVÉDELEM TERMÉSZETVÉDELEM KÖLTSÉGEK

VÁLTOZATOK INGÓI-BEREK, SÁVOLY ÉS VÖRS FUNKCIÓITÓL, VÍZSZINTTŐL, FELTÖLTÉS ÜTEMEZÉSÉTŐL, SZEZONÁLIS ÜZEMELTETÉSTŐL ÉS SZÁMOS EGYÉB TÉNYEZŐTŐL FÜGGŐEN ÖSZESEN 21 ALTERNATÍVA

Foszforforgalmi modell Szaporodás Pusztulás Mineralizáció Ülepedés Ülep. Adsz/deszorp. Külső terhelés ORP DP PP AP VÍZ H ÜLEDÉK (aktív réteg) h PP ORP

ADSZORPCIÓS IZOTERMA

DINAMIKUS MODELL: KALIBRÁLÁS

DINAMIKUS MODELL: IGAZOLÁS

SCENÁRIÓK: ÖP VISSZATARTÁS %  FELSŐ TÁROZÓ Év % ALSÓ TÁROZÓ Év

ADSZORPCIÓS IZOTERMÁK II.

KALIBRÁLÁS ÉS IGAZOLÁS II. TP[g/m3]

ADSZORPCIÓS IZOTERMÁK III. ALSÓ T. IV III II I BALATON FELSŐ T.

SCENÁRIÓK: ÖP VISSZATARTÁS %  FELSŐ TÁROZÓ Év ALSÓ TÁROZÓ Év

A KOMPROMISSZUM

TANULSÁG TUDOMÁNY? VÁLTOZÓ KRITÉRIUMOK KONSZENZUS KERESÉS DÖNTÉSHOZÁS

A “nem” tudás kategóriái Determinizmus Statisztikai bizonytalanság Scenario bizonytalanság Tudás hiánya

Ismeretek és “nem” tudás határa Kutatás fejlesztés ismeretek “nem” tudás

Ismeretek és “nem” tudás határa Kutatás fejlesztés ismeretek “nem” tudás

Azbeszt problémája