Ambiente in formazione
This presentation is the property of its rightful owner.
Sponsored Links
1 / 32

AMBIENTE in FORMAZIONE PowerPoint PPT Presentation


  • 84 Views
  • Uploaded on
  • Presentation posted in: General

Istituto tecnico Industriale Statale “Enrico Fermi”, Treviso Liceo Scientifico “Leonardo da Vinci”, Treviso. AMBIENTE in FORMAZIONE. Il trattamento dei dati analitici ambientali (elementi di chemiometria) Rossano Piazza. Che cos’ è la Chemiometria ?.

Download Presentation

AMBIENTE in FORMAZIONE

An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -

Presentation Transcript


Ambiente in formazione

Istituto tecnico Industriale Statale “Enrico Fermi”, Treviso

Liceo Scientifico “Leonardo da Vinci”, Treviso

AMBIENTE in FORMAZIONE

  • Il trattamento dei dati analitici ambientali

  • (elementi di chemiometria)

    Rossano Piazza


Ambiente in formazione

  • Che cos’ è la Chemiometria ?

La chemiometria è un settore della chimica che studia l'applicazione dei metodi matematici o statistici ai dati chimici

  • La chemiometria può essere definita come la branca della chimica che si serve di metodi matematici, statistici e logici per:

  • progettare, selezionare ed ottimizzare procedure ed esperimenti;

  • estrarre la massima informazione possibile sul sistema in esame attraverso l’analisi dei dati;

  • fornire una rappresentazione grafica di questa informazione.

  • Appare chiaro come la chemiometria accompagni il processo chimico, ed in particolare chimico-analitico, lungo tutte le sue fasi a partire dal campionamento fino all’ottimizzazione.


Ambiente in formazione

  • Fino a poco tempo fa le indagini chimico-fisiche riguardavano essenzialmente una sola determinazione analitica o la misura di poche variabili che si determinavano una alla volta. Oggi, l’uso delle moderne strumentazioni analitiche, come ad esempio i vari tipi di tecniche cromatografiche e spettroscopiche, consente l’acquisizione in tempi brevi di un gran numero di determinazioni (informazioni) su un unico campione.

  • Un sistema complesso, quale è un sistema ambientale, per essere studiato richiede l’acquisizione e l’indagine di (su) molti campioni, ed ognuno di essi, a sua volta, può essere descritto da molte informazioni (variabili). Di conseguenza, l’elaborazione e l’interpretazione dei dati da UNIVARIATA è necessariamente diventata MULTIVARIATA per poter utilizzare CONTEMPORANEAMENTE tutte le informazioni disponibili.


Pattern recognition

PATTERN RECOGNITION

  • Aumento del numero di campioni atti a caratterizzare un sistema:

  • + Aumento del potenziale scientifico di conoscenza sul sistema

  • - Diminuzione della nostra capacità di “vedere” la struttura dei dati


Obiettivi

obiettivi:

  • 1. LA SCELTA DELLE CONDIZIONI OTTIMALI PER L’APPLICAZIONE DI METODOLOGIE SPERIMENTALI (OTTIMIZZAZIONE ED EXPERIMENTAL DESING);

  • 2. L’ESTRAZIONE DELLE INFORMAZIONI CONTENUTE IN SERIE O TABELLE DI DATI SPERIMENTALI (PATTERN RECOGNITION).

  • Lo scopo finale è quello di contribuire in maniera determinante a risolvere i problemi ad alta complessità, semplicemente semplificandoli, estraendo l’informazione rilevante ai fini della comprensione dei problemi, e scartando la parte di informazione ridondante e rumorosa.


Ambiente in formazione

  • La strategia chemiometrica

  • DATI

  • I metodi chemiometrici vengono utilizzati per l’esplorazione dei dati, cioè per aprire una finestra sulla complessità di un sistema reale, al fine di gettare luce sulla struttura dei dati, sulle relazioni e correlazioni tra essi esistenti, sulla congruità, sulla rilevanza e sulla ridondanza con cui il problema è stato descritto.


S chema di strategia su cui si basa lo sviluppo della scienza tradizionale

LA CHEMIOMETRIA NEL CONTESTO SCIENTIFICO: APPROCCIO “SOFT” E APPROCCIO “HARD”

(Soft models and Hard models)

Schema di strategia su cui si basa lo sviluppo della scienza tradizionale


Ambiente in formazione

  • Cosa è un sistema?

  • Cosa è un sistema relazionale empirico?

  • Cosa è la rappresentazione di un sistema?

  • Oggetti (i campioni atti a rappresentare il sistema)

  • Variabili (il modo con cui si decide di rappresentare il sistema).

    • Rilevanza

    • Correlazione

      Rappresentazione in uno spazio multivariato


Ambiente in formazione

Una volta che serie di dati polidimensionali siano facilmente acquisibili o costruibili, l’analisi statistica multivariata è lo strumento necessario per poter usare contemporaneamente tutte le informazioni disponibili. Si può facilmente dimostrare che l’uso di informazioni parziali (ad esempio considerare le modificazioni dovute a ciascuna variabile presa una alla volta) può portare a risultati completamente distorti.Per una comprensione immediata del significato dei vari metodi di analisi multivariata, è estremamente utile averne una rappresentazione grafica. Un campione su cui siano state misurate p variabili è rappresentato da un punto dello spazio p-dimensionale in cui ciascuna variabile misurata rappresenta un asse ortogonale


Ambiente in formazione

La struttura multivariata dei dati

Come si può descrivere un oggetto rappresentato da p variabili?


Ambiente in formazione

  • Le Variabili

  • Sono le grandezze che utilizziamo per studiare un dato fenomeno e per descrivere complessivamente le osservazioni; possono essere di natura sperimentale o numerica (calcolabili per via teorica) .

  • Le variabili sono il modo con cui si descrive il sistema relazionale empirico, e le scale di misura sono il modo con cui l’informazione empirica viene trasformata in informazione numerica.


Il trattamento preliminare dei dati

Il Trattamento Preliminare dei dati


Definizione di gruppo e di classe e differenze metodi di clustering metodi di classificazione

Definizione di gruppo e di classe, e differenze-Metodi di Clustering-Metodi di classificazione

  • I metodi di Pattern Recognition sono basati sul concetto di analogia:

  • 1) metrica (distanza, similarità)

  • 2) aderenza ad un modello matematico


Ambiente in formazione

Nei metodi di classificazione esiste una serie di campioni la cui appartenenza ad una classe è conosciuta a priori (training set). Ciascun oggetto del training set è a priori assegnato alla sua classe. Il metodo serve per trovare delle regole che permettono di distinguere le varie classi. Una volta trovate, queste regole servono per classificare campioni incogniti (test set)

Nei metodi di clustering non si hanno, invece, conoscenze di sorta sui dati da elaborare. (le classi non sono note a priori). L’obiettivo, in questo caso, è quello di verificare se i punti nello spazio sono dispersi omogeneamente o formano dei gruppi (clusters). Se al termine dell’analisi riteniamo di dare ai gruppi un significato, i gruppi saranno definiti classi. (…)

Cluster Analysis


Ambiente in formazione

x2

P2

x22

P1

x12

x11

x21

x1

  • Ciascun metodo di analisi multivariata si basa sull’utilizzo di un criterio di similitudine. Sotto questo profilo, i vari metodi sviluppati fino ad oggi si possono suddividere in due categorie.

  • I primi (storicamente) usano come criterio di similitudine la distanza Euclidea (ed altri tipi di distanze geometriche): due campioni sono tanto più simili quanto più sono vicini nello spazio p-dimensionale.

  • Dati n oggetti e p variabili, con X = x n,p ( matrice di n oggetti per p variabili), si definisce distanza Euclidea dell’oggetto k-esimo dall’oggetto l-esimo d k,l:

  • dkl = [j (xkj – xlj )2]0.5

  • (j= 1, 2,…….p)

  • Nel semplice caso bidimensionale (p=2 ), dati 2 oggetti P1 e P2 di coordinate

  • P1(x11 , x12) e P2(x21 ,x22), la distanza d12 sarà (x21-x11)2 + (x22-x12)2 .


Ambiente in formazione

  • Nel caso bidimensionale, si può semplicemente verificare la validità della formula sulla base del Teorema di Pitagora.

  • La misura della distanza Euclidea è a rigore l’inverso di una misura di similtudine in quanto, per oggetti identici (o, meglio, per oggetti diversi, ma non distinguibili attraverso la nostra caratterizzazione multivariata), si ha che d = 0.

  • Di questo gruppo fanno parte i metodi di classificazione [LDA (Analisi Discriminante Lineare), K-NN (K intorni più vicini], e la Cluster Analysis.Nel secondo gruppo di metodi il criterio di similitudine è invece rappresentato dall’aderenza ad un unico modello matematico.

  • Fra questi metodi, regna sovrana l’Analisi delle Componenti Principali (PCA).


Ambiente in formazione

Similarità: trasposizione del concetto di analogia.

Significato opposto al concetto di distanza euclidea.

Il concetto di similarità di oggetti è insito nel concetto di distanza. Dalla definizione di distanza Euclidea, discende quella di similarità:

skl = 1- dkl /dmax (0s1 )


Metodi di raggruppamento cluster analysis

Metodi di Raggruppamento: CLUSTER ANALYSIS


Ambiente in formazione

  • METODI DI CLUSTER ANALYSIS

  • -Metodi gerarchici (single linkage, average linkage, complete linkage)

  • Caratterizzazione dei Clusters:

  • la loro posizione nello spazio p – dimensionale è definitada:

  • centroide (vettore delle medie delle variabili calcolate per gli oggetti assegnati al cluster); centrotipo (oggetto di riferimento fra tutti gli oggetti facenti parte del cluster, il più vicino al centroide);

  • .dimensione (n. di oggetti in esso contenuti).


Strategia di una cluster analysis

Strategia di una Cluster Analysis


Ambiente in formazione

  • Questo avviene andando ad eliminare dalla matrice di similarità le righe e le colonne relative ai due cluster (oggetti) che sono stati “uniti”, e mettendo al loro posto una nuova riga ed una nuova colonna relativa alle nuove similarità del nuovo cluster con tutti i restanti cluster (oggetti). Così facendo, la dimensione della matrice di similarità si riduce di uno ad ogni passo successivo.

  • Ma come si calcola la distanza del “nuovo” cluster f (ottenuto dalla “fusione” del cluster s con il cluster t) con un altro cluster k ?


Ambiente in formazione

  • s (ns) t (nt) k (nk)

?????

f (ns+nt)


Ambiente in formazione

  • Algoritmi di Cluster

  • Se ns è la dimensione del cluster s, nt è la dimensione del cluster t, nk quella del cluster k, ed ovviamente nf = ns + nt è la dimensione del nuovo cluster f, si ha:

  • 1. d kf = 0.5 ( d ks + d kt ) ( Average Linkage)

  • 2. d kf = ( ns d ks + nt d kt ) \ nf (weighted Average Linkage)

  • 3.d kf = min (d ks , dkt ) (Single Linkage)

  • 4.d kf = max (d ks , d kt ) (Complete Linkage)


Cluster analisys dendrogramma

Cluster Analisys: Dendrogramma


Limiti della cluster analysis

Limiti della Cluster Analysis

  • -Rumore sperimentale legato alla imprecisione delle misure sperimentali

  • -Interpretazione incompleta delle informazioni ottenute (La Cluster Analysis non da’ informazioni sul ruolo discriminante delle variabili)


Ambiente in formazione

CASO DI STUDIO Confronto fra acque potabili (con la genesi di potabilizzazione, a partire dai pozzi di falda) ed acque minerali

  • Stima della qualità delle acque

  • Indice di qualità di un’acqua che possa essere confrontabile

  • Le acque potabili sono “diverse” da quelle minerali?

  • (Conoscenza preliminare)dell’aspetto Chimico-Fisico, biologico, microbiologico, geografico, legislativo

  • L’acquedotto di Venezia dispone di fonti di approvigionamento molto differenti, per cui immette in rete acque dalle caratteristiche diverse. Non si può, dunque, parlare di un'unica acqua potabile.

  • Le acque bevute dai veneziani

  • 94% FALDA6% FIUME SILE


Ambiente in formazione

  • CENTRALI DI SPINTA (ASPIV) :

  • Venezia Urbe : Centrale S. Andrea (VE) (1884)

  • Mestre :Centrale GAZZERA (GA)

  • Centrale Marghera (MA)

  • Cà Solaro: Centrale omonima (CA) (1974)

  • Identificazione di 20 parametri (variabili) per l’identificazione della qualità e della “diversità” Obiettivo: scelta dell'acqua "migliore" (basso contenuto di sostanze indesiderabili, parametri costanti nel tempo) da confrontare con le principali acque minerali distribuite al dettaglio E' possibile imbottigliare l'acqua dell' ASPIV ?

  • (direttiva 96/70/CE sul riavvicinamento delle legislazioni degli stati membri sull' uso e la commercializzazione delle acque minerali).


Ambiente in formazione

ASPIV: Centrali di potabilizzazione


Ambiente in formazione

  • Utilizzo della Cluster Analysis per un primo screening: valutazione della “diversità” fra i campioni analizzati dalle 4 centrali di spinta

  • Analisi di 100 campioni per ogni centrale di spinta: totale 400 campioni, 20 variabili (variabilità stagionale)

  • Matrice 400obj x 20vars

  • Autoscaling


Ambiente in formazione

Risultati della Cluster Analysis sui dati autoscalati

  • Cà Solaro appare l’acqua più “diversa” (si unisce per ultima)

  • I campioni di Gazzera appaiono i più simili tra loro

  • Marghera e Venezia non solo distinguibili a nessun livello (stesse fonti)

-Ipotesi: Marghera e Venezia: stesse fonti (permeabilità di falda)

-L’acqua di Gazzera sembra essere la più omogenea

No informazioni sulla variabili


Ambiente in formazione

  • Roberto Todeschini: “Introduzione alla Chemiometria”, EdiSES, Napoli

  • D.L. Massart et al:”Chemometrics:a Textbook”, Data Handling in Science and Technology, 2, ELSEVIER, Amsterdam.


  • Login