Räumliche Übertragbarkeit von PAK-Daten mit Hilfe künstlicher neuronaler Netze
Spatial transferability of PAH by artificial neural networks
- Im Mittelpunkt dieser Untersuchung stand die in der Umweltbeobachtung bestehende Diskrepanz zwischen dem Wunsch nach flächendeckender Information und der Tatsache, dass meist nur punktuell und stichprobenartig Information erhoben wird. Über das Zusammenführen von unterschiedlichsten Informationen über die Umwelt wurde die Frage der räumlichen Übertragbarkeit von Umweltdaten und die Leistungsfähigkeit von Umweltdaten untersucht. Zur Überprüfung der Hypothese, dass die in einem bestimmten Ökosystemtyp ermittelten Ergebnisse auf andere Vertreter desselben Ökosystemtyps übertragbar sind, wurden PAK gewählt, die als Indikatoren für die luftgetragene stoffliche Immission dienen. Grundlegend für den Untersuchungsansatz war die Annahme, dass die ökologisch-strukturelle Ausstattung eines Ökosystems auch einen bestimmenden Einfluss auf die stoffliche "Belastung" in diesem Ökosystem hat. Dazu wurden zunächst Hinweise auf ein Faktorengefüge erarbeitet, welches den Stoffeintrag bestimmen und welches die ökologisch-struktuelle Ausstattung im Hinblick auf die Zielsetzung in einem ausreichenden Maße beschreiben kann. Die erarbeiteten Faktoren gehören zu den Komplexen Klima, Topographie, Flächennutzung und Biometrie. Entsprechend dem Untersuchungsansatz wurde nach einem Modell gesucht, das den funktionalen Zusammenhang zwischen Faktoren zur Beschreibung der ökologisch-strukturellen Ausstattung der Gebiete und der entsprechenden PAK-Immission annähert. Für diesen Anwendungsfall ist der Netztyp des GRNN (General Regression Neural Network) besonders gut geeignet. Mit Hilfe des Modells wurden Prognosen der PAK-Immission für fünf Ökosysteme in Deutschland berechnet. Die Validierung dieser Ergebnisse erfolgte anhand von rückstandsanalytischen Untersuchungen an einjährigen Fichtentrieben aus diesen Gebieten. Über die Modellbildung mit unterschiedlichen Input-Sets wurden die für die PAK-Immission relevanten Faktoren herausgearbeitet. Es konnte gezeigt werden, dass sich das gewählte Modell für die Frage der räumlichen Übertragbarkeit eignet, wobei hinsichtlich der Güte der Prognose deutliche Unterschiede zwischen den beiden Gruppen leichtflüchtige und schwerflüchtige PAK bestehen. Zudem bestehen qualitative Unter-schiede hinsichtlich der Prognosen zwischen den Gebieten, da durch die bisherige ökologisch-strukturelle Beschreibung wahrscheinlich einige die Immission bestimmende oder beeinflussende Faktoren nicht oder nicht ausreichend berücksichtigt wurden. Insgesamt wurde durch den gewählten Ansatz auch die Leistungsfähigkeit von Umweltdaten aus unterschiedlichen Monitoring- und Untersuchungsprogrammen durch deren gemeinsame Auswertung verdeutlicht.
- This study was focused on the problem that in environmental assessment exhaustive information is needed but data is always selectively collected. In this context, spatial transferability and efficiency of environmental data were studied using PAH as indicators of airborne pollution. Strictly speaking, it was tested if data measured in one representative of a certain ecosystem type may be transferred to further representatives of the same type, based on the assumption that the ecological structure of an ecosystem has a dominant impact on its pollution. First of all, a suitable set of factors was analysed which sufficiently describes the ecological structure of ecosystems in the context of the objective mentioned above. The factors found belong to climate, topography, land use, and biometry. According to the base of research, a model had to be created that approximates the functional connection of both the factors describing the ecological structure of studied areas and the PAH immission. General Regression Neural Network (GRNN) is a particularly suitable model. Basing on the calculations of the GRNN PAH immission was forecasted for five ecosystems in Germany. Results were validated by chemical analysis of one-year-old spruce shoots from these areas. Using different input sets for approximation the most relevant factors for PAH immission were analysed. It could be shown that the chosen model is suitable for the spatial transferability of environmental data. However, the quality of prediction differs highly between more volatile and less volatile compounds. In addition, qualitative differences of predictions exist between the studied areas since the used model doesn't consider all of the factors influencing the PAH immission. In conclusion, the study clarifies the efficiency of environmental data from different monitoring programmes by common assessment.