Fuzzy soft modeling of environmental data. A study of the imp act of a phosphatic fertilizer plant on the adjacent environment in Gdańsk

• Autorzy: Sârbu C. , Szczepaniak K. , Astel A. , Biziuk M.

Warianty tytułu

PL

Modelowanie danych środowiskowych z zastosowaniem logiki rozmytej. Studium wpływu gdańskich zakładów nawozów fosforowych na otaczające środowisko

• Języki publikacji: EN

Abstrakty

EN

Cluster analysis is a large field, both within fuzzy sets and beyond it. Many algorithms have been developed to obtain bard clusters from a given data set. Among those, the c-means algorithms are probably the most widely used. Hard c-means execute a sharp classification, in which each object is either assigned to a class or not. The membership to a class of objects therefore amounts to either 1 or 0. The application of fuzzy sets in a classification function causes this class membership to become a relative one and consequently an object can belong to several classes at the same time but with different degrees. The c-means algorithms are prototype-based procedures, which minimize the total of the distances between the prototypes and the objects by the construction of a target function. Fuzzy generalized n-means is easy and well improved tool, which have been applied in many fields of chemistry. In this paper, different fuzzy classification algorithms of the 35 grass and soil samples based on the 37 chemical element concentrations have been allowing an objective interpretation of their similarities and differences, respectively. Much more, the results ob13ined can be very useful in their reclassification. The new fuzzy approach namely, fuzzy cross-classification algorithm, (FHCsC) allows the qualitative and quantitative identification of the characteristics (chemical elements) responsible for the observed similarities and dissimilarities between grass and soil samples. In addition, the fuzzy hierarchical characteristics clustering (FHiCC) and fuzzy horizon13l characteristics clustering (FHoCC) procedures revealed a high similarity between some chemical elements concentrations in grass and soil samples.

PL

Analiza podobieństwa obejmuje nie tylko zastosowanie logiki rozmytej, ale również wiele innych podejść matematycznych. Opracowano wiele algorytmów, których celem jest wyodrębnienie wyraźnych skupień (hard clusters) z danego zbioru danych. Prawdopodobnie najczęściej stosowanymi algorytmami są tzw. algorytmy c-średnie (c-means algorithms). Twarde c-średnie (hard c-means) służy do ostrej klasyfikacji, podczas której obiekt jest przypisany do danej klasy lub do niej nie należy. W takim przypadku przynależność obiektu do klasy wynosi 1 lub O. Zastosowanie układów rozmytych lfuzzy sets) w obliczaniu funkcji klasyfikującej powoduje, że dany obiekt może należeć do kilku klas równocześnie, ale w różnym stopniu przynależności. Algorytmy c-średnie są procedurami określanymi jako procedury prototyp-zależne (prototype-based procedures), które minimalizują odległości między prototypami a obiektami dzięki odpowiedniej formie funkcji docelowej. Algorytm rozmytych uoglnionych n-średnich (fuzzy generalized n-means) jest łatwym i dobrze opracowanym narzędziem, które wykorzystuje się w wielu dziedzinach chemii. W niniejszym opracowaniu różne algorytmy klasyfikacji rozmytej zostały zastosowane do wyników oznaczeń 37 stężeń pierwiastków w 35 próbkach trawy i gleby, co pozwoliło obiektywnie zinterpretować podobieństwa i różnice między danymi. Nowe podejście algorytm rozmytej klasyfikacji krzyżowej (fuzzy cross-classijication algorithm, FHCsC) pozwala jakościowo i ilościowo zidentyfikować zmienne (pierwiastki chemiczne) odpowiedzialne za obserwowane podobieństwa i różnice między próbkami trawy i gleby. Dodatkowo procedury: rozmyta hierarchiczna analiza wiązkowa (fuzzy hierarchical characteristics clustering, FHiCC) i rozmyta pozioma analiza wiązkowa (fuzzy horizontal characteristics clustering, FHoCC) wykazały znaczne podobieństwo między stężeniami pewnych pierwiastków w próbkach trawy i gleby.

Słowa kluczowe

EN

fuzzy classification; grass and soil samples; heavy metals; rare earth elements (REE); phosphatic fertilizer plant

PL

klasyfikacja rozmyta; próbki gleby i trawy; metale ciężkie; pierwiastki ziem rzadkich; zakłady nawozów fosforowych

• Wydawca: Towarzystwo Chemii i Inżynierii Ekologicznej
• Czasopismo: Chemia i Inżynieria Ekologiczna
• Rocznik: 2005
• Tom: Vol. 12, nr 5-6
• Strony: 587--601
• Opis fizyczny: Bibliogr. 48 poz., 4 rys., 5 tab.

Twórcy

autor

Sârbu C.

• Department of Analytical Chemistry, Faculty of Chemistry and Chemical Engineering, "Babes-Bolyai" University , Arany Janos Str. 11, RO-400028 Cluj-Napoca, Romania,

autor

Szczepaniak K.

• Department of Analytical Chemistry, Faculty of Chemistry, Gdansk University of Technology, 11/12 G. Narutowicza Str., 80-952 Gdansk, Poland

autor

Astel A.

• Biology nad Environmental Protection Institute, Environmental Chemistry Research Unit, Pomeranian Pedagogical Academy, 22a Arciszewskiego Str., 76-200 Słupsk, Poland

autor

Biziuk M.

• Department of Analytical Chemistry, Faculty of Chemistry, Gdansk University of Technology, 11/12 G. Narutowicza Str., 80-952 Gdansk, Poland

• Department of Analytical Chemistry, Faculty of Chemistry and Chemical Engineering, "Babes-Bolyai" University, Arany Janos Str. 11, RO-400028 Cluj-Napoca, Romania,

Bibliografia

• [1] Massart D.L. and Kaufman L.: The Interpretation of Analytical Chemical Data by the Use of Cluster Analysis, Wiley, New York 1983.
• [2] Auf der Heyde T.P.E.: J. Chem. Ed., 1990, 67, 461-469.
• [3] Shenkin P.S. and McDonald D.Q.: J. Comput. Chem., 1994, 15, 899-916.
• [4] Gordon A.D.: Classification, Champan and Hall, London 1981.
• [5] Manly B.F.J.: Multivariate Statistical Methods, Champan and Hall, London 1986.
• [6] Massart D.L., Vandeginste B.G.M., Deming S.N., Michotte Y. and Kaufman L.: Chemometrics: A Textbook, Elsevier, Amsterdam 1988.
• [7] Brereton R.G.: Chemometrics: Applications of Mathematics and Statistics to the Laboratory, Ellis Horwood, Chichester 1990.
• [8] Meloun M., Mlitky J. and Forina M.: Chemometrics for Analytical Chemistry, vol I: PC-aided statistical data analysis, Ellis Horwood, Chichester 1992.
• [9] Einax J., Zwanziger H. and Gei S.: Chemometrics in Environmental Analysis, John Wiley & Sons Ltd, Chichester 1997.
• [10] Otto M.: Chemometrics, Wiley-VCH, Weinheim 1998.
• [11] Zadeh L.A.: Inf. Control, 1965, 8, 338-353.
• [12] Zadeh L.A.: Fuzzy Sets and Their Applications to Pattern Classification and Clustering Analysis in Classification and Clustering, van Ryzin J. (Ed.), Academic Press, New York 1997.
• [13] Kandel A.: Fuzzy Techniques in Pattern Recognition, Wiley, New York 1982.
• [14] Bezdek J.C.: Pattern Recognition with Fuzzy Objective Function Algorithms, Plenum Press, New York 1987.
• [15] Bezdek J.C., Ehrlich R., Full W.: Comput. Geosci. 1984, 10, 191-203.
• [16] Lowen R.: Fuzzy Set Theory, Kluwer Academic Publishers, Boston 1995.
• [17] Zimmermann H.J.: Fuzzy Set Theory and Its Applications, Kluwer Academic Publishers, Boston 1996.
• [18] Tanaka K.: An Introduction to Fuzzy Logic for Practical Applications, Springer-Verlag, New York 1997.
• [19] Rouvray D. H. (Ed): Fuzzy Logic in Chemistry, Academic Press, San Diego 1997.
• [20] Ehrentreich F.: Fuzzy Methods in Chemistry in Encyclopedia of Computational Chemistry, Schleyer (Ed.) P., Wiley, Chichester 1998.
• [21] Sarbu C., Dumitrescu D. and Pop H.F.: Rev. Chim. (Bucharest), 1993, 44, 450-455.
• [22] Dumitrescu D., Sarbu C. and Pop H.F.: Anal. Lett., 1994, 27, 1031-1039.
• [23] Pop H.F., Dumitrescu D. and Sarbu C.: Anal. Chim. Acta, 1995, 310, 269-279.
• [24] Pop H.F., Sarbu C., Horowitz O., Dumitrescu D.: J. Chem. Inf. Comput. Sci., 1996,36,465-482.
• [25] Bezdek J.C., Coray C., Gunderson R., Wantson J. and Siam J.: Appl. Math., 1981, 40, 358-367.
• [26] Pop H.F. and Sarbu C.: Anal. Chem., 1996, 68, 771-778.
• [27] Sarbu C. and Pop H.F.: Rev. Chim. (Bucharest), 1997, 48, 732-737.
• [28] Pop H.F. and Sarbu, C.: Rev. Chim. (Bucharest), 1997, 48, 888-891.
• [29] Sarbu C.: J. AOAC Int., 2000, 83, 1463-1467.
• [30] Cundari T.R., Sarbu C. and Pop H.F.,: J.Chem. Inf. Comput. Sci., 2002, 42, 1363-1369.
• [31] Dumitrescu D., Pop H. and Sarbu C.: J. Chem. Inf. Comput. Sci., 1995, 35, 851-857.
• [32] Sarbu C., Horowitz O. and Pop H.F.: J. Chem. Inf. Comput. Sci., 1996, 36, 1098-1108.
• [33] Sarbu C. and Zwanziger H.W.: Anal. Lett., 2001, 34, 1541-1552.
• [34] Simeonov V., Puxbaum H., Tsakovski S., Sarbu C. and Kalina M.: Environmetrics, 1999,10, 37-39.
• [35] Chen G.N.: Anal. Chim. Acta, 1993, 271, 115-124.
• [36] Pudenz S., Briiggemann R., Luther B., Kaune A. and Kreimes K.: Chemosphere, 2000, 40, 1373-1382.
• [37] Van Malderen H., Hoornaert S. and Van Grieken R.: Environ. Sci. Technol., 1996, 30, 489-498.
• [38] Held A., Hinz K.P., Trimborn A., Spengler B. and Klemm O.: Aerosol Sci., 2002, 33, 581-594.
• [39] Jambers W., Smekens A., Van Grieken R., Shevchenko V. and GordeevV.: Colloids and Surfaces A: Physicochem. Eng. Aspects, 1997, 120, 61-75.
• [40] Lahdenpera A.M., Tamminen P. and Tarvainen T.: Appl. Geochem., 2001, 16, 123-136.
• [41] Markus J. A. and McBratney A.B.: Aust. J. Soil Res., 1996, 34, 453-465.
• [42] Tamas F.D., Abonyi J., Borszeki J. and Halmos P.: Chem. Cone. Res., 2002, 32, 1325-1330.
• [43] Finol J., Quo Y. K.and Jing X.D.: J. Petrol. Sci. Eng., 2001, 29, 97-113.
• [44] Perez-Correra J.R., Letelier M.V., Cipriano A., Jorquera H. and Encalada O.: Solar I. in Air Pollution VI, Brebbia C.A., Ratio C.F., Power H., (Eds.): WIT Press, Ashurst 1998.
• [45] Hinz K.P., Greweling M., Drews F. and Spengler B.: J. Am. Soc. Mass Spectrom., 1999,10,648-660.
• [46] Samaras P., Kungolos A., Karakasidis T., Georgiou D. and Perakis K.: J. Environ. Sci. Health, Part A, 2001, 36, 153-161.
• [47] Szczepaniak K., Sarbu C., Astel A., Rainska E., Biziuk M. and Culicov O.: Frontasyeva M.V., Bode P., Fuzzy logic application in assessment of Phosphatic Fertilizer Plant's impact on the adjacement environment, (in press)
• [48] Frontasyeva M. and Pavlov S.: Analytical Investigations at IBR-2 Reactor in Dubna, JINR Preprint El4-2000-177, Dubna 2000.