ΚΑΙ ΑΝΑΛΥΣΗ ΠΕΡΙΒΑΛΛΟΝΤΙΚΩΝ ΚΑΙ ΑΝΑΛΥΣΗ ΚΑΙ ΠΕΡΙΒΑΛΛΟΝΤΙΚΩΝ ΔΕΔΟΜΕΝΩΝ ΠΕΡΙΒΑΛΛΟΝΤΙΚΩΝ ΠΕΡΙΒΑΛΛΟΝΤΙΚΩΝ ΔΕΔΟΜΕΝΩΝ ΔΕΔΟΜΕΝΩΝ ΔΕΔΟΜΕΝΩΝ

Transcript

1 Μάριος Μάριος Μάριος Μάριος Μάριος Μάριος Μάριος Μάριος Βαφειάδης Βαφειάδης Βαφειάδης Βαφειάδης Βαφειάδης Βαφειάδης Βαφειάδης Βαφειάδης Καθηγητής Καθηγητής Καθηγητής Καθηγητής Καθηγητής Καθηγητής Καθηγητής Καθηγητής ΑΠΘ ΑΠΘ ΑΠΘ ΑΠΘ ΑΠΘ ΑΠΘ ΑΠΘ ΑΠΘ Θεσσαλονίκη Θεσσαλονίκη Θεσσαλονίκη Θεσσαλονίκη Θεσσαλονίκη Θεσσαλονίκη Θεσσαλονίκη Θεσσαλονίκη ΔΙΑΧΕΙΡΙΣΗ ΔΙΑΧΕΙΡΙΣΗ ΔΙΑΧΕΙΡΙΣΗ ΔΙΑΧΕΙΡΙΣΗ ΔΙΑΧΕΙΡΙΣΗ ΔΙΑΧΕΙΡΙΣΗ ΔΙΑΧΕΙΡΙΣΗ ΔΙΑΧΕΙΡΙΣΗ ΚΑΙ ΚΑΙ ΚΑΙ ΚΑΙ ΚΑΙ ΚΑΙ ΚΑΙ ΚΑΙ ΑΝΑΛΥΣΗ ΑΝΑΛΥΣΗ ΑΝΑΛΥΣΗ ΑΝΑΛΥΣΗ ΑΝΑΛΥΣΗ ΑΝΑΛΥΣΗ ΑΝΑΛΥΣΗ ΑΝΑΛΥΣΗ ΠΕΡΙΒΑΛΛΟΝΤΙΚΩΝ ΠΕΡΙΒΑΛΛΟΝΤΙΚΩΝ ΠΕΡΙΒΑΛΛΟΝΤΙΚΩΝ ΠΕΡΙΒΑΛΛΟΝΤΙΚΩΝ ΠΕΡΙΒΑΛΛΟΝΤΙΚΩΝ ΠΕΡΙΒΑΛΛΟΝΤΙΚΩΝ ΠΕΡΙΒΑΛΛΟΝΤΙΚΩΝ ΠΕΡΙΒΑΛΛΟΝΤΙΚΩΝ ΔΕΔΟΜΕΝΩΝ ΔΕΔΟΜΕΝΩΝ ΔΕΔΟΜΕΝΩΝ ΔΕΔΟΜΕΝΩΝ ΔΕΔΟΜΕΝΩΝ ΔΕΔΟΜΕΝΩΝ ΔΕΔΟΜΕΝΩΝ ΔΕΔΟΜΕΝΩΝ

2 ΜΑΘΗΜΑ 4γ Απόκτηση, Επεξεργασία και Διαχείριση Περιβαλλοντικών Δεδομένων: Στατιστικές Μέθοδοι και Τεχνικές Κωδικός ΠΠΒΑ.4γ Κατηγορία Υποχρεωτικό Εξάμηνο Χειμερινό Διδ. Μονάδες 1/3 Ώρες 26 Διδάσκων Μ. Βαφειάδης

3 Περιεχόμενο-Σκοπός Η απόκτηση των βασικών και πρακτικών γνώσεων για την συλλογή, την επεξεργασία και την ανάλυση περιβαλλοντικών δεδομένων. Στόχοι Μετά από την επιτυχή παρακολούθηση του μαθήματος, ο μεταπτυχιακός φοιτητής θα είναι ικανός: να γνωρίζει πώς να συλλέξει και να οργανώσει τα δεδομένα που χρειάζεται για μια μελέτη, να εφαρμόζει τις κατάλληλες μεθόδους και τεχνικές για την επίλυση περιβαλλοντικών προβλημάτων, να χειρίζεται λογισμικό απλό και ειδικό λογισμικό για την ανάλυση δεδομένων.

4 Αντικείμενα Μέθοδοι και όργανα συλλογής δεδομένων Μέθοδοι αναλύσεως δεδομένων Κλασικές μέθοδοι στατιστικής ανάλυσης. Απλή και πολλαπλή παλινδρόμηση. Ανάλυση χρονοσειρών Ανάλυση πολυδιαστάτων και χωρικών μεταβλητών. Γεωστατιστική. Χρήση γενικού και ειδικού λογισμικού.

5 ΟΡΓΑΝΩΣΗ ΤΟΥ ΜΑΘΗΜΑΤΟΣ Αντικείμενο Μέθοδος Ημερολόγιο Εξάσκηση Εργασίες Εξέταση

6 Αντικείμενο Πληροφορία-Δεδομένα Συλλογή και διαχείριση δεδομένων Τυχαίες μεταβλητές/πιθανότητες Στατιστική μεθοδολογία Ανάλυση χρονοσειρών Ανάλυση δεδομένων στον χώρο Πολυδιάστατες μέθοδοι

7 Μέθοδος Παρουσίαση των θεμάτων Αναζήτηση πληροφοριών-στοιχείων Ατομική εργασία σε πραγματικά προβλήματα Πρακτική εφαρμογή σε ΗΥ Παρουσίαση των εργασιών και συζήτηση στην τάξη Γραπτή εξέταση

8 Ενδεικτικό Ημερολόγιο Οκτ. Εισαγωγή, Δεδομένα 22 Οκτ. Δεδομένα, Βάσεις δεδομένων 29 Οκτ. Τυχ.Μεταβλητές Μεταβλητές-Πιθανότητες 5 Νοε. Στατιστική μεθοδολογία Ι 12 Νοε. Στατιστική μεθοδολογία ΙΙ 19 Νοε. Στατιστική μεθοδολογία ΙΙI 26 Νοε. Ανάλυση χρονοσειρών I 03 Δεκ. Ανάλυση χρονοσειρών II 10 Δεκ. Πολυδιάστατες μέθοδοι 17 Δεκ. Πολυδιάστατες μέθοδοι 14 Ιαν. Ανάλυση δεδομένων στον χώρο 21 Ιαν. Ανάλυση δεδομένων στον χώρο? Σύγχρονες μέθοδοι αναλύσεως της πληροφορίας

9 Εξάσκηση Έρευνα στη βιβλιοθήκη και το Διαδίκτυο Σύντομη παρουσίαση θεμάτων Επίλυση προβλημάτων στο μάθημα Ατομική εξάσκηση σε ΗΥ Ατομικοί έλεγχοι γνώσεων σε ΗΥ Μεγάλη εργασία

10 Εργασίες Βιβλιογραφική έρευνα Έρευνα στο Διαδίκτυο Μελέτη-Παρουσίαση ενός θέματος Διαχείριση δεδομένων σε ΗΥ Μικρές ασκήσεις με δεδομένα Μεγάλη εργασία (υπολογιστική)

11 Εξέταση Μικρές εργασίες Μεγάλη εργασία (γραπτή και προφορική παρουσίαση) Τελική γραπτή εξέταση

12 Εργαλεία ΗΥ με LINUX ή MS Windows Λογιστικά Φύλλα (Open Office Calc, GNUMERIC ή MS EXCEL) Grapher, Surfer, Quickgrid, SURGE... Statistica,STATS4U, Statistical Lab... [Santis, Simstat, ]

13

14

15 Η βασική συνιστώσα της γνώσεως για ένα πρόσωπο, έμβιο ον, αντικείμενο ή γεγονός

16 Πορεία της γνώσεως για τον φυσικό κόσμο Πληροφορία: εξωτερική «αντικειμενική» πηγή Ιδεατό σχήμα: εσωτερική υποκειμενική πηγή Μαθηματική έκφραση: «αντικειμενικό» ομοίωμα

17 Φορέας της πληροφορίας

18 Πρωτογενή Δεδομένα: πηγαία ανεπεξέργαστη πληροφορία Κείμενα Αριθμοί Εικόνες Αντικείμενα

19 Επεξεργασμένα Δεδομένα Κείμεν α Αριθμο ί Εικόνε ς Αντικείμεν α

20 Τα δεδομένα μας δημιουργούν τρία μεγάλα προβλήματα: Απόκτηση των δεδομένων (απόκτηση της πληροφορίας) Διαχείριση των δεδομένων (οργάνωση της πληροφορίας) Ανάλυση των δεδομένων (αξιοποίηση της πληροφορίας)

21 Η ΛΥΣΗ! Ψηφιακά Δεδομένα

22 Ακρίβεια, λεπτομέρεια, αξιοπιστία κλπ, κλπ, Πώς μπορούμε να κάνουμε τις καλύτερες μετρήσεις με την μεγαλύτερη δυνατή ευκολία; Αγοράζοντας τα πλέον σύγχρονα όργανα; Αγοράζοντας τα ακριβότερα όργανα; Αγοράζοντας τα πιο πολύπλοκα όργανα; Πληρώνοντας για εξειδίκευση των παρατηρητών;

23 Κανόνες για επιτυχείς μετρήσεις Γνώση του φυσικού μεγέθους Γνώση των μεθοδολογιών μετρήσεων Εμπειρία μετρήσεων Προτίμηση σε δοκιμασμένη τεχνολογία Οργάνωση μετρήσεων Τεχνική υποστήριξη Πολλαπλά όργανα μετρήσεων

24 Χαρακτηριστικά οργάνων μετρήσεων Α. Ποιότητα μετρήσεων Ακρίβεια (Accuracy) Ακρίβεια (Precision) Λεπτομέρεια (Detail) Διακριτότητα(Χρονικό ή χωρικό διάστημα ώστε δύο μετρήσεις να είναι ανεξάρτητες) (discrimination) Ταχύτητα (Αριθμός μετρήσεων/μονάδα χρόνου) (Speed) Σταθερότητα (Stability) Ευαισθησία (Sensibility) Αξιοπιστία (Reliability) Επαναληψιμότητα (Repeatability) Επαναληψιμότητα (Reproductability) Γραμμικότητα (Linearity)

25 Ακρίβεια (Accuracy) Πόσο κοντά είναι οι τιμές των μετρήσεων στην πραγματική (αλλά άγνωστη τιμή). Χαρακτηριστικό παράδειγμα με τον παρακάτω στόχο:

26 Ακρίβεια[Ορθότητα](Precision) Διασπορά των τιμών για μια σειρά μετρήσεων της αυτής τιμής ενός φυσικού μεγέθους. Χαρακτηριστικό παράδειγμα με τον παρακάτω στόχο:

27 Δεν μπορεί να είναι όλα ιδανικά!

28 Λεπτομέρεια (Detail) Εξαρτάται από την κλίμακα μετρήσεως του οργάνου ή των αριθμό των σημαντικών ψηφίων που παριστούν το αποτέλεσμα της μετρήσεως Για παράδειγμα, οι παρακάτω τιμές αριστερά περιέχουν μεγαλύτερη λεπτομέρεια από τις αντίστοιχες δεξιά:

29 Διακριτότητα (discrimination) (Χρονικό ή χωρικό διάστημα ανάμεσα σε δύο ανεξάρτητες μετρήσεις) Ένα όργανο μπορεί να καταγράφει τιμές με εξαιρετική ταχύτητα, όμως αυτές λόγω αδράνειας των αισθητήρων του να είναι όλες ίδιες για μεγαλύτερο ή μικρότερο χρονικό διάστημα

30 Ταχύτητα (Speed) (Αριθμός μετρήσεων/μονάδα χρόνου) Εξαρτάται από την αδράνεια του οργάνου και τον χρόνο που χρειάζεται για την καταγραφή και αποθήκευση των τιμών των μετρήσεων.

31 Σταθερότητα (Stability) Τα χαρακτηριστικά του οργάνου δεν παρουσιάζουν συστηματικές αποκλίσεις με τον χρόνο

32 Ευαισθησία (Sensibility) Η ελάχιστη μεταβολή στο μετρούμενο μέγεθος ώστε να αλλάξει η ένδειξη του οργάνου μετρήσεως. Η ελάχιστη τιμή του μετρούμενου μεγέθους για την ενεργοποίηση του οργάνου. Η διαφορά μεταξύ των ενδείξεων του οργάνου μετρήσεως, όταν αυτό προσεγγίζει την ίδια τιμή από μικρότερες και από μεγαλύτερες τιμές.

33 Αξιοπιστία (Reliability) Ένα κανονικά ρυθμισμένο και συντηρημένο όργανο, όποτε και αν ελεγχθεί θα διατηρεί τα υπόλοιπα χαρακτηριστικά του. Στην πράξη σημαίνει οτι το όργανο δεν θα παρουσιάζει τυχαίες αποκλίσεις ή συστηματική αλλαγή των χαρακτηριστικών του με τον χρόνο.

34 Επαναληψιμότητα (Repeatability) Για την ίδια σειρά μετρήσεων κάτω από τις ίδιες ακριβώς συνθήκες δίνει τις ίδιες ακριβώς τιμές.

35 Επαναληψιμότητα (Reproductability) Για την ίδια σειρά μετρήσεων κάτω από διαφορετικές συνθήκες δίνει τις ίδιες ακριβώς τιμές.

36 Γραμμικότητα (Linearity) Η ευαισθησία, η ακρίβεια και γενικά όλα τα χαρακτηριστικά του οργάνου, καθώς και η κλίμακα στην απεικόνιση των τιμών που μετράει είναι σταθερές και ανεξάρτητες από την απόλυτη τιμή της μετρήσεως.

37 Χαρακτηριστικά οργάνων μετρήσεων Β. Ποιότητα Οργάνου. Αυτοπροστασία (Self Protection) Αυτόματη ρύθμιση (Auto Range / Self Calibration) Κατανάλωση ενέργειας (Power Consumption) Κατανάλωση αναλωσίμων (Consumables) Ευκολία συντηρήσεως (Serviceability) Αντοχή (Resistance, Weather proof, Water Proof) Ποιότητα και αντοχή στην γήρανση των υλικών του (Quality of construction materials)

38 Χαρακτηριστικά οργάνων μετρήσεων Γ. Πρακτικότητα Απλότητα χειρισμού Οθόνη και μενού πληροφοριών Συνδεσιμότητα(Connectivity) Πρόσθετος εξοπλισμός υποστηρίξεως Τεχνική υποστήριξη και εξυπηρέτηση Ευκολία, ταχύτητα, κόστος προμήθειας ανταλλακτικών Διάρκεια συσκευής ή αισθητήρων

39 ΠΑΡΑΔΕΙΓΜΑΤΑ ΜΕΤΡΗΣΕΩΝ

40 Βροχογράφος Pronamic 05/11/2013

41 Συλλογή δεδομένων 05/11/2013

42 05/11/2013

43 05/11/2013 Μονάδα ελέγχου και καταγραφής δεδομένων (Data Logger)

44 Συλλογή δεδομένων 05/11/2013

45 Ποταμός Αξιός 05/11/2013

46 Μέτρηση Παροχής 05/11/2013

47 Μέτρηση Παροχής 05/11/2013

48 Μέτρηση Παροχής 05/11/2013

49 Καμπύλη Στάθμης-Παροχής 05/11/2013

50 Μηχανικός Σταθμηγράφος στον Ποταμό Λουδία 05/11/2013

51 Συλλογή δεδομένων THALIMEDES Ηλεκτρομηχανικός σταθμηγράφος 05/11/2013

52 Σταθμηγραφικός Σταθμός στο Πόρτο Καρράς 05/11/2013

53 Σταθμός ελέγχου ποιότητας νερού Photo: G.Hadjispyrou ERT Φράγμα εκτροπής του Αξιού (Γέφυρα Θεσσαλονίκης) 05/11/2013

54 Συλλογή δεδομένων 05/11/2013

55 Συλλογή δεδομένων WATMON (WATer MONitor) 05/11/2013

56 Δίκτυο συλλογής δεδομένων 05/11/2013

57 ΠΡΟΓΡΑΜΜΑ ΚΕΝΤΡΙΚΟΥ ΥΠΟΛΟΓΙΣΤΗ

58 Αυτοματοποιημένη συλλογή και επεξεργασία δεδομένων 05/11/2013

59 Μέτρηση των κατακρημνίσεων 05/11/2013

60 Συλλογή δεδομένων 05/11/2013

61 Συλλογή δεδομένων 05/11/2013

62 Αναλογικά όργανα καταγραφής 05/11/2013

63 05/11/2013 Ανάλυση δεδομένων 1/ / / / / / / / / / / / / / / / / / / / / / /

64 Ανάλυση δεδομένων 05/11/2013

65 Ανάλυση Δεδομένων Αδρανή 12,00% 10,00% 8,00% Ποσοστό % 6,00% 4,00% Series1 Linear (Series1) 5 per. Mov. Avg. (Series1) 2,00% 0,00% εβδομάδες 05/11/2013

66 Ανάλυση δεδομένων Περιγραφική στατιστική ανάλυση μηνιαίων υψών βροχής στη Μεσοχώρα Station Valid N Mean Min Max Std.Dev. SKEWNESS kurtosis KATAFYTO MATSOUKI MESOCHOR METSOVO PAHTOURI PALIOCHO PERTOULI STOURNAR TYRNA VAKARI VATHYREM /11/2013

67 /11/2013 Ανάλυση Δεδομένων Box & Whisker Plot ±1.96*Std. Dev. ±1.00*Std. Dev. Mean KATAFYTO MATSOUKI MESOCHOR METSOVO PAHTOURI PALIOCHO PERTOULI STOURNAR TYRNA VAKARI VATHYREM

68 Ανάλυση δεδομένων 400 Prec. mm/month MESOCHORA (ACHELOOS HEADWATER) BASIN MEAN ANNUAL PRECIPITATION REGIME Months Stations-altitude (msl) Katafyto Matsouki Mesochora Metsovo Pachtouri Palaiochori Pertouli Stournareika-860 Tyrna -900 Vakari Vathyrema /11/2013

69 Υδρολογική Ανάλυση Mean February precipitation distribution ( ) 05/11/2013

70 Ανάλυση Λεκάνης απορροής 05/11/2013

71 Υδρολογική Προσομοίωση 05/11/2013