Veszélyhelyzetek kezelése Somogyi, Viola Tartalom

5.5. ábra - 5.5. ábra. Példa eseményfára - reaktorhűtés

„Csokornyakkendő”-ábra

A csokornyakkendő metódus lényegében a hibafa és eseményfa összekapcsolásán alapszik. Előnye, hogy az okokat és következményeket egyaránt vizsgálja. A nevezéktan szerint a hibafa csúcseseménye a „kritikus esemény”, melyhez az alapeseményekből kiindulva a védelmi zárokon átjutva érünk el. Az eseményfa kezdeti eseménye ebben a megközelítésben a másodlagos kritikus esemény lesz, amely veszélyes vagy súlyos jelenségekhez vezethet. Grafikus ábrázolással csak egy-egy kiemelt eseményt véve érdemes élni.

3. Idősorok jellemzése

Abban az esetben, ha az adott veszélytípusról nagy mennyiségű, idősoros adat áll rendelkezésre, statisztikai módszerek mellett speciális eljárások segítségével lehet többletinformációt kinyerni. A természeti jelenségekre jellemző, hogy véletlenszerűek (sztochasztikusak), vagyis a jelenség ismételt előfordulása esetén nem következik be ugyanaz az esemény azonos körülmények között sem.

A sztochasztikus folyamatok csak végtelen elemszámú mintahalmazzal írhatóak le, valószínűségi változók együttesével, ahol T paraméterhalmaz, amely ha része a valós számegyenesnek, akkor a felfogható időparaméterként is. Ha ξ(s) és ξ(t) valószínűségi változók, akkor a kovarianciafüggvény:

cov(s, t) = cov [ ξ(s), ξ(t)] = M[( ξ(s) – m(s)) ( ξ(t) – m(t))] = M ( ξ(s) ξ(t)) – m(s)m(t)

és a korrelációfüggvény:

cor(s, t) =

ahol az M, illetve a m a várható érték, a d pedig a szórás.

A kovariancia-, és korrelációfüggvények a definíciójukból következően szimmetrikusak, azaz

cov (s, t) = cov (t, s) és cor (s, t) = cor (t, s).

Autokovariancia, és autokorreláció függvényről akkor beszélünk, ha ugyanazon sztochasztikus folyamat t, illetve s paramétereihez tartozó valószínűségi változók kovarianciájáról, korrelációjáról van szó:

cov [ξ(s), ξ(t)] = cov(s, t) = cov_ξξ(s, t) és cor [ξ(s), ξ(t)] = cor(s, t) = cor_ξξ(s, t)

Ez utóbbi két függvény gyakori vizsgálati eszköz a különböző idősorok jellemzésére. Egy idősor esetében az auto-kovariancia függvény matematikai kifejezése a következő:

k az időbeli eltolás mértékét adja meg, n az elemszám.

Abban az esetben, ha egy vizsgált esemény hossza távú hatással van az adott idősorra, akkor a k érték csönnetésével csökken az autokovariancia függvény értéke is. Ha az időközt nullának vesszük, akkor a vizsgált idősor szórását kapjuk. K értékét általában 0 és az elemszám negyede közé szokás felvenni. Az auto-kovariancia függvény úgy állítható elő, hogy eltérő időközökhöz meghatározzuk a hozzá tartozó kovariancia értéket (5.6. ábra).

5.6. ábra - 5.6. ábra. Egy mért idősor auto-kovariancia függvénye.

Az előzőekhez hasonló módon adható meg két különböző idősor alapján számítható kereszt-kovariancia függvény:

A kereszt-kovariancia függvény teljesen hasonlóan értelmezhető különböző mért változók közötti kapcsolat vizsgálatára, mint az auto-kovariancia függvény. Ha k=0, akkor megkapjuk az ún. kovarianciát (COV), amely a két vizsgált idősor együttváltozási jellegét fejezi ki egy mérőszám segítségével az alábbi módon.

Az idősorokban „rejlő” trendek megállapítására megfelelő módszer lehet a regressziós (kiegyenlítő) vizsgálat. A mért idősort (y_i) a művelet során egy számított adatsorral (y_i^cal) közelítjük, adott függvénykapcsolat szerint. A feltételezett függvény kapcsolat változója (x_i) is mért adat. A regressziós számítás során a függvénykapcsolat paramétereit határozzuk meg. A lineáris regresszió egyenlete a következő:

A feladat megtalálni „b₀” és a „b₁” paraméterek azon értékeit, amelyek mellett a mért és a számított adatok eltérésrendszere minimális lesz. A különbség meghatározására és minimalizálására leggyakrabban a legkisebb négyzetes feltétel alkalmazzák

Ha az y_i^cal helyére a lineáris egyenes egyenletét beírjuk, a legkisebb négyzetes minimum feltételben szerepelnek a meghatározni kívánt paraméterek.

Ha a fent kifejezés minimum értéket mutat, akkor a b₀ és b₁ paraméterek szerinti derivált zérus értéket kell, hogy adjon. A feltétel segítségével juthatunk el az ún. normál egyenletrendszerhez az ismeretlenek szerinti deriválások után, amely esetünkben a következőképpen írható.

A normál egyenletrendszer megoldása szolgáltatja a b₀ és b₁ paraméterek értékét, amelyek alapján a kiegyenlítő egyenes megszerkeszthető. Természetesen az említett eset mellett akár többváltozós nem lineáris regressziós kapcsolatokat is definiálhatunk.

A példa idősorok regressziós vizsgálatára.

5.7. ábra - 5.7. ábra. Regressziós vizsgálat alkalmazása idősorok elemzésére.

4. Adatbányászati módszerek

A katasztrófavédelem területén még nem elterjedt módszer az adatbányászat, de más területen veszélyanalízisre (például üzleti előrejelzések, minőség-ellenőrzés, üzletfelek ellenőrzése) alkalmazzák. A tudományos életben nagy szolgálatot tesz egy adott probléma, feladat már létező (de általunk még nem ismert) megoldása felkutatásában vagy a szakirodalom összegyűjtésében.

Az adatbányászat a számunkra érdekes (például eddig nem ismer, nem köztudott, rejtett) ismeretek kinyerése nagy adatbázisokból. Miközben gyakran éppen az adathiány okoz gondot a veszélyhelyzetek értékelésében, az adatbányászat hasznos lehet akkor, amikor túl sok adatunk van.

Néhány példa az adatbányászat alkalmazására:

• 
  A NASA Jet Propulsion Laboratory (www.jpl.nasa.gov) és a Palomar Observatory (www.astro.caltech.edu/palomar/) közös témája során 22 kvazárt találtak a régi csillagászati adatok elemzésével
  
• 
  IBM Surf-Aid szoftvercsomagja elemzi egy weboldal látogatottságát, az ott tartózkodók viselkedését és a távozás módját, majd javaslatot tesz a weboldal minél jobb megszervezésére
  
• 
  A biztosításszakma egyértelmű érdeklődést mutat az adatbányászat alkalmazása iránt a kockázatfelmérés és a kapcsolódó döntéshozatali folyamat területén.
  

Az adatbányászat (data mining) helyett egyre többször használják az adatbázisokból történő tudásfelfedezés kifejezést (knowledge discovery in databases, KDD). (5.8. ábra)

5.8. ábra - 5.8. ábra. A KDD lépései

A KDD a következő lépésekből épül fel:

• 
  A felhasználási terület megismerése: mi a megismerni kívánt tudás és a felhasználás célja.
  
• 
  Létrehozzuk a vizsgálandó adatbázisok listáját.
  
• 
  Elő-feldolgozást végzünk (például kiszűrjük a redundáns adatokat): ez jellemzően az összes munka közel 60%-a.
  
• 
  Adatmennyiség csökkentés és átalakítás: megpróbáljuk az összes adatot közös nevezőre, dimenzióra hozni és kiszűrni a számunkra érdektelen adatokat.
  
• 
  Kiválasztjuk a szükséges adatbányászati feladatokat (például: osztályozás, irányvonal kutatás, összefüggés keresés, csoportosítás).
  
• 
  Kiválasztjuk az adatbányászati eljárást vagy eljárásokat.
  
• 
  Tényleges adatbányászat: kideríteni a számunkra érdekes adatmintát.
  
• 
  Mintakiértékelés és bemutatás.
  
• 
  A „megtalált” tudás felhasználása.
  

5.9. ábra - 5.9. ábra. Adatbányászati feladatok

4.1. „Érdekesség” mérés

Érdekes mintázatnak azt nevezzük, ami a meg a megrendelő számára könnyen érthető, várhatóan hasznos és újszerű esetleg egy korábbi feltételezést erősít meg, valamint ellenőrizhetően működik új vagy próba-adatokon. Az adatbányászat során létrejött megoldások (mintázatok) közül ki kell választani a vizsgálat szempontjából érdekeseket. Ezt egyrészt a megrendelő szubjektív döntése határozza meg (várakozásának megfelelő-e, szerinte újszerű-e, használható-e), másrészt objektív, statisztikai módszerekkel (relatív hibakorlát) mérhetjük.

5. Számítógépes modellezés

Bizonyos esetekben lehetőség nyílik, hogy a tervezés során a számítógépes szimuláció eredményeire támaszkodjanak a balesetek, katasztrófák elkerülése érdekében. Erre példa a zárt területen egybegyűlt tömegek kiürítési tervének tesztelése. Ez a megoldás a tűzvédelem számára roppant hasznos eszköz, segítségével realisztikusan meghatározható a menekülési útvonal, a személyek mozgása tényleges gyakorlat alkalmazása nélkül. A technika egyaránt használható tűzvédelmi oktatások során, és a menekülési időtartam meghatározásához.

Figyelembe kell venni azonban a modellezésre vonatkozó szabályokat az eredmények gyakorlatba ültetésekor. A modell mindig egyszerűsítéseken alapszik, a számítások elvégzésének érdekében átlaggal számol, illetve elhanyagol. A modellezést jelentősen befolyásolja a rendelkezésre álló modell, jelen esetben előfordulhat, hogy csak adott épülettípust képes értelmezni a program. Másik oldalról megközelítve: a cél ismeretében kell kiválasztani a megfelelő modellt.

A kiürítés szimulációval meghatározható az adott épület, szakasz befogadóképessége. A teljesítmény alapú tervezés vizsgálatához különböző szcenáriókat állíthatunk fel, és az egyes esetekhez meghatározható az épület kiürítéséhez szükséges idő. A legfejlettebb programok már figyelembe vesznek pszichológiai tényezőket, mint az emberi viselkedést a tűz esetén, a füst, hő és a láthatóság csökkenésének hatásait [56]. A grafika segítségével jól szimulálható az emberek mozgásának bemutatása az épület kiürítése alatt. A bemeneti adatok rendszerint a személyek létszámára, korára, vállszélességeire, haladási sebességeire és az épület geometriájára (kijáratok, lépcsők, liftek és közlekedők stb.) korlátozódnak [56, 57]. Ugyanakkor tűz modellekkel való összekapcsolással meghatározható az optimális kiürítési feltételrendszere.

A számítógépes modellezés soha nem helyettesíti az embert, a szolgáltatott adatok, új információk hozzájárulhatnak a megfelelő döntés meghozásához.
6. fejezet - Térinformatikai eszközök alkalmazása a katasztrófavédelemben

A katasztrófák helyszíne gyakran nehezen megközelíthető, így a helyzet felmérése akadályokba ütközhet. A káresemények légi felmérése ezekben az esetekben megbízható alapot nyújt a károk előzetes becsléséhez a berepült területen, az adatok pedig rögzíthetőek egy térinformatikai adatbázisban a későbbi információk térbeli rendszerezésére és értékelésére.

A távérzékelés során egy tárgyról vagy felszínéről úgy gyűjtünk adatokat (ismereteket), hogy közvetlenül nem létesítünk vele fizikai kapcsolatot. Ide értendő a légi felvételek készítése kisrepülővel vagy a műholdak által készített felvételek. Az általuk készített felvételek már a képértelmezés (fotointerpretáció) első lépcsőfokán jól elemezhető információkkal szolgál, de további műveletek új eredményeket adhatnak. A légi felvételek jól hasznosíthatók a katasztrófa sújtott területeken a beavatkozás megtervezéséhez és a térbeli változások vizsgálatához, a lezajló folyamatok és felszínborítás-változás megismerése érdekében.

1. Esettanulmány: A vörösiszap-katasztrófa

2010. október 04-én 12:30-kor a Magyar Alumínium ZRt. területén az iszaptároló X. kazetta nyugati gátja átszakadt. A gátszakadás következtében 600-700 ezer m³ vörösiszap elöntötte Kolontár, Devecser és Somlóvásárhely települések mélyebben fekvő részeit. A Torna-patak közvetítésével további településeket is érintett, és fennállt a veszélye, hogy a Marcalon keresztül a Dunát is súlyosan károsítja az erősen lúgos anyag.

A lehetséges okokról ad egy összefoglalót Winkler Gusztáv jegyzete [60], az érdeklődők számára további érdekes információkkal is szolgál az anyag a térinformatika és más tudományterületek kapcsolódási területeiről. Jelen jegyzethez elsősorban a 4. fejezet (Környezeti katasztrófák térinformatikai vizsgálata) illeszkedik.

A vörösiszap katasztrófa utáni munkákban nemcsak a katasztrófavédelemhez kapcsolódó szervek vettek részt, hanem különböző kutatócsoportok is felajánlották tudásukat a károk feltérképezéséhez és a kárelhárításhoz. A következőkben két módszert mutatunk be, melyek a vörösiszap által érintett területek felméréséhez szolgáltak hasznos adatokkal.

1.1. A katasztrófa által érintett terület légifelvétel-mozaikja

A katasztrófa által érintett terület felmérésére kézenfekvő volt a légi felderítés, mely során készített, megfelelő pontossággal és nagy terepi felbontással előállított légifelvétel-mozaik szolgáltatta a területről a lehető leggyorsabban előállítható, kellő részletességű alaptérképet. A feladattal az INTERSPECT csoportot bízta meg a Vidékfejlesztési Minisztérium [26]. Lehetőségük nyílt a területet több különböző időpontban is feltérképezni, így az idősoros vizsgálat előnyeit a képi, térinformatikai elemzés előnyeivel lehetett ötvözni. Az idő múlásával a növényzeti, ökológiai, környezeti változások térbeli kiterjedését vizsgálhatták, melyeket terepi méréssel csak nehezen, vagy költséges módszerekkel lehetett volna nyomon követni. A projektről a www.rsgis.hu/indexx.html honlapon lehet bővebb információt gyűjteni.

A légifotók készítése azonban erősen időjárásfüggő, ami jelentős hátránya. Az említett kutatás során is alacsonyabb repülési magasságot kellett választani, így az eredeti 20 cm terepi felbontás helyett 4,8-6 cm felbontással készült a felmérés [26]. Ez tekinthető előnyös megoldásnak is, azonban vegyük figyelembe, hogy bár az adathalmaz részletessége kedvezően alakult, de a művelet jelentős mértékben bonyolódott, sokkal több felvételt kellett készíteni, és így az adatfeldolgozás idő- és költségigénye is nagyban növekedett.

6.1. ábra - 6.1. ábra. Az elöntési terület térképfedvényének átnézeti képe [26]

A felmérés eredményeképp a vizsgálatot végzők a következőkre jutottak:

A X. kazetta felülete 260.514 m² volt sérülés előtt. A vörösiszappal közvetlenül érintett terület meghaladta a hat millió négyzetmétert. A következő felmérés idejére a földmunkák már megkezdődtek, a mérések szerint 147.322 m²-ről hordták el az iszapréteget.

Kolontáron és Devecseren, a két legjobban sérült területen 450 épületet érintett a közvetlen iszapelöntés, a számítások szerint ez 69.136 m² felületű zárt életteret jelentett. Ez az épületek 35 és a lakóterek 29%-a. A növényzetre vonatkozóan a felmérés megállapította, hogy 2287 facsoportot 411.295 m² területen öntött el az iszap.

Az itt felsorolt számadatok önmagukban nem bírnak túl nagy jelentőséggel, de megfelelő alapot nyújtanak további kutatásokhoz és elemzésekhez a kár nagyságáról, a kárelhárítás hatékonyságáról és a területre vonatkozó egyéb adatgyűjtéshez.

1.2. Műholdfelvételek

Az iszapkiömlés nemcsak repülési magasságból, hanem az űrből is érzékelhető volt. A műhold előnye, hogy sokkal nagyobb terület tekinthető át vele. Erre a célra a kis- és közepes felbontású képek alkalmasak. A felvételek azonban csak megfelelő időjárási körülmények közt alkalmazhatóak, a felhőzet az optikai szenzorokat zavarja, a vizsgálandó terület helyett a felhőkről készít képeket a műhold. Ez történt az adott időszakban is. Az esős időjárás kedvező volt a földi egységek számára, mert így az iszap lassabban száradt meg, ezáltal a kiporzás veszélye is később jelentkezett, időt hagyva a takarításra, de a műholdas felmérést akadályozta.

Az első, a feladatnak megfelelő felvétel október 10-én készült [28]. Két csatornát, a vörös és infravörös sávot alkalmazták az érzékeléshez. Ebben a tartományban ugyanakkor a felhőzet és a vörösiszap hasonló visszaverődési képet mutat, ezért a felhős területek azonos módon jelentek meg a képen, mint az elöntött terület. Ez a hiba kiküszöbölhető volt a kiömlés területének közelítő ismerete alapján.

Az alacsony felbontású műholdkép alapján az elöntés nagysága 10,5 km² (160 pixel, 1 pixel=0,0625 km²) [28]. Ez az érték összhangban van az első becsült értékekkel, amik a sajtóban jelentek meg korábban. Eltér azonban a légifelvételek alapján kiszámolt értéktől. Vegyük azonban figyelembe, hogy a légifotók a műholdfelvételekhez képest jóval nagyobb felbontással képesek dolgozni.

Kugler [28] megvizsgálta a területet közepes felbontású (30 m) szenzor képét is felhasználva. Ez alapján 6,82 km²-en borította a területet vörösiszap. Ez az érték sokkal jobban közelíti a légifotók eredményét.

A kisfelbontású műhold képeiből becsült eredmény azért hasznos, mert ezek a műholdak napi gyakorisággal készítenek felvételeket, míg a közepes –és nagyfelbontású szenzorok ritkábban haladnak el egy-egy terület felett, így a gyors reagálás nem feltétlenül lehetséges [28].

A felhőzet mind a műholdas, mind a légi felderítéses módszert akadályozza, az előbbinél a visszaverődési kép módosulása miatt, míg a másodiknál a nem megfelelő repülési körülmények révén.

2. Kitelepítési tervek

Nagyvárosok számára, különösen ott, ahol természeti katasztrófa (földrengés, vulkánkitörés, tornádó/hurrikán stb.) nagyobb valószínűséggel fordul elő, létfontosságú, hogy jól működő kitelepítési (evakuációs) tervvel rendelkezzenek.

A térinformatika kiegészítve különböző (heurisztikus) algoritmusokkal megfelelő alapot nyújthat egy ilyen terv elkészítéséhez. A veszélyforrástól függően lehetséges különböző terjedési, lefolyási modellek eredményeit térinformatikai környezetben megjeleníteni, és a veszélyeztetett területek így könnyen azonosíthatóak, másrészt a domborzati modell önmagában hordoz olyan információt, mely a kimenekítés szempontjából fontos (úthálózat, lejtés, megközelítés lehetősége). Más kockázatelemzési technikákkal azonosított problémás területek szintén ábrázolhatóak térinformatikai környezetben.

6.2. ábra - 6.2. ábra. Veszélyeztetettségi térkép egy lehetséges felépítése. [16]

A térinformatika kiválóan alkalmazható például a PAR modell szerint meghatározott sérülékeny és veszélyeztetett területek meghatározására. Az egyes rétegeket összevetve egy kockázati térképet kapunk.

Hasonló módszert fejlesztett ki a Pannon Egyetem Környezeti Monitoring csoportja környezet-minőségi térképek algoritmus szerinti összeillesztésével [62]. Az eljárás logikája azonos, a vizsgált paraméterek kismértékben eltérnek, mivel a környezeti elemek minősége csak szélsőséges esetekben tartozik a katasztrófavédelem tárgykörébe.

3. Terjedési modellek

A terjedési modellek segítségével a szennyezőanyagok haladását vagyunk képesek meghatározni. A modellezés a létesítmény tervezésénél, a haváriatervek készítésénél, bekövetkezett kár becslésénél és a kárelhárítási beavatkozás hatásának előrejelzésénél egyaránt jól alkalmazható az adott közegre vonatkozó terjedési modell.

3.1. ALOHA

A veszélyes anyagok környezetbe jutását az adott célra kifejlesztett szoftverrel lehet szimulálni. Levegőre, felszíni vízfolyásokra és tavakra, illetve felszíni vizekre egyaránt számos programot és modellt találunk a szakirodalomban. Az EPA (az Egyesült Amerikai Államok Környezetvédelmi Ügynöksége) több, célirányos programot is kifejlesztett, az egyik közülük az ALOHA (Areal Locations of Hazardous Atmospheres) program [6].

A program felépítése egyszerű, vészhelyzetben is könnyen kezelhető. Előre definiált listából lehet választani a kiáramló veszélyes anyagot, ez alapján a program meghatározza, melyik terjedési modellt alkalmazza (légnemű anyagokra a Gauss-modellt használja, de nehéz gázok terjedését is képes kezelni). A továbbiakban meg kell adni az időjárási adatokat, mint a szélirány és a felhőborítottság, illetve a kiáramlás módját és körülményeit.

A programot nem arra tervezték, hogy szofisztikált vizsgálatokat végezzenek vele, hanem a gyors reagálást elősegítendő ad egy becslést a várható terjedésre.

Az ábrázoláskor a program veszélyeztettségi szintekre bontva határozza meg az egyes zónákat. Lehetősége van, hogy a kör alakú zónák helyett csóvákat rajzoljon ki. A körös ábrázolás a legrosszabb eset körkörös kivetítését jelenti az uralkodó széliránytól függetlenül. Ha csóvákat alkalmazunk, akkor a szélirányt figyelembe vesszük.

6.3. ábra - 6.3. ábra. Veszélyes anyagot szállító vasúti jármű balesetének terjedési modellje az ALOHA programban [6]

Ahogy a 6.3. ábrán is látjuk, a program lehetőséget biztosít térképi megjelenítésre, de az eredmények exportálhatók GIS környezetbe is. Így a szoftver segítségével elemzett különböző forgatókönyvek más adatokkal kiegészíthetőek.

3.2. RODOS

A RODOS (Real-time, On-line, Decision-SuppOrt System) speciálisan a nukleáris balesetek szimulációjához használatos döntéstámogató rendszer, a BM Országos Katasztrófavédelmi Főigazgatóság Nukleáris Baleseti Információs és Értékelő Központjában működik [25]. Az Európai Unióban minden ország ezt használja az egységes adatszolgáltatás érdekében. A RODOS képes online üzemben működni, akár 10 perces kiértékelési gyakorisággal vagy egy előre betáplált forgatókönyv adatait elemezve ad becsült értékeket a fiktív esetre vonatkozóan.

A szoftver nukleáris baleseteket és egyéb radiológiai eseteket is képes vizsgálni. A döntéstámogatást négy szinten végzi.

• 
  0.szint: Radiológiai adatok gyűjtése, ellenőrzése és megjelenítése, közvetlenül vagy minimális elemzéssel.
  
• 
  1. szint: A pillanatnyi és várható radiológiai helyzet elemzése és előrejelzése, vagyis a radiológiai helyzet térbeli és időbeli megjelenítése.
  
• 
  2. szint: A lehetséges beavatkozások szimulációja, mint pl.: elzárkóztatás, kitelepítés, jód-profilaxis, áttelepítés, mentesítés, élelmiszer fogyasztás korlátozása stb.
  
• 
  3. szint: Alternatív óvintézkedési stratégiák értékelése és rangsorba állítása előnyeik és hátrányaik alapján.