V komplexním reálném světě, v důsledku omezené možnosti pozorování, kterápramení z principu komplementarity (Bohr), zůstává naše poznání reality neúplné, neboť nemáme možnost pozorovat realitu ze všech možných aspektů. V důsledku omezení možností pozorování reality tedy nemáme možnostkausalitu reálného světa přímo popsat a proto vytváříme model reality, který potvrzujeme řadou důkazů (Obr. 1). Potvrzený model potom často zaměníme za realitu, aniž bychom důkazně potvrdili možnost této záměny. Tímto způsobem je realita to, co jsme sami definovali jako model. Tento přístup je potom legitimním zdrojem nedorozumění mezi skupinami aktivními v oblasti životního prostředí – výzkumem a vývojem, kontrolními mechanizmy, technologiemi a legislativou, neboť každá z uvedených skupin legitimně vytváří a dokazuje platnost svého modelu a nikoli reality životního prostředí (Obr. 2).

Tato přednáška se věnuje kritickým uzlům popisu životního prostředí, tak jak jsou popsány v následujícím Obr. 3. Dále jsou heslovitě uvedeny obsahy jednotlivých kapitol.

Zadání je klíčovým bodem řešení úkolů životního prostředí. Formulace zadání je prováděna v interakci zadavatel-řešitel a po jejím odsouhlasení představuje pro zadavatele model, který má poskytnout odpověď na jeho problém, zatímco pro řešitele představuje základní osnovu metodologie získání informace. Je třeba zdůraznit nejen zpětnovazební vztah mezi zadáním a informací, který je jediným kriteriem úspěšného řešení, ale i absenci mechanizmů ověření definovaných modelů s realitou.

Jaké vlastnosti mají navrhované modely? Modely samy jsou vždy částečným omezením komplexity reálného problému a současně v sobě zkrývají omezení. Omezeními jsou hlavně

• lineární modely,
• - vyloučení interakčního členu,
• - zbytková chyba popisu,
• návrh experimentu,
• - definice vstupních proměnných,
• - - jejich počet a jejich úrovně,
• pravděpodobnostní přístup,
• - aditivnost, podmíněnost, komplementarita.

Zbytková nejistota (UU) se zmenšuje s počtem dílčích (P_i) pravděpodobnostních dějů, přičemž ke snížení zbytkové nejistoty přispívají všechny fáze analytického postupu (Obr. 4).

(4)

• poskytnutí zadání relevantních informací (definovaných informačním obsahem I(S) a mírou redundance I(S)_obt>I(S)_req)
• včas (definováno informačním tokem I(S)/t_a) a
• za výhodnou cenu (definováno cenou informace I(S)/$).

• velikosti vzorku m_vzork (s rostoucí velkostí vzorku klesá variabilita s_vzork² mezi vzorky a je určena konstantou K_vzork , jejíž velikost je určena tak, aby nejistota vzorkování byla 1%)

• minimalnímu počtu opakovaných vzorků n_vzork (řešitel spolu se zadavatelem se musí dohodnou na maximálním akceptovaném rozdílu MAD)

• minimálnímu počtu odběrů stratifikovaného vzorku n_odber a jejich hmotnosti m_odber (konstanty A a B jsou závislé na typu vzorkovaného materiálu)

Nejčastějším problémem měření je záměna přesnosti se zbytkovou nejistotou UU (rov. 2) analytického postupu. Tuto záměnu lze nejsnadněji dokumentovat v separačních metodách a to záměnou určení elučního času (vrcholu píku) za počet náhodně konvoluovaných píků (šířka píku). Zbytková nejistota UU jednodimensionálního separačního systému se zvětšuje s počtem látek Z ve směsi a zmenšuje s počtem pater N_eff systému. Platí

Zbytková nejistota vyjádřená intervalem retenčních indexů ΔRI pokrytých šířkou možných konvoluovaných píků je vyjádřitelná pomocí separačního čísla SN₁₀₀. Separační číslo udává míru zbytkové nejistoty separačního systému, je mírou klasifikace separačních systémů na vysokoúčinné a nízkoúčinné a je důvodem kombinace kolonových systémů.

Např. pro rozdělení všech isomérů hepténů lišících se o ΔRI = 0,28 je třeba mít účinnost dělícího systému kolem 4,7 milionu pater. Podobné účinnosti lze dosáhnout např. v uspořádání MDSS cirkulační chromatografie.

Výsledek měření popisuje jeden konkrétní případ. Naší snahou a to zajistéi v problematice životního prostředí je nalézt zobecnění a tak ve smyslu rovnice (1) umožnit predikci a vysvětlení příčin. V souladu s komplexitou životního prostředí jsme potom postaveni před řešení více rozměrného prostoru závisle a nezávisle proměnných, jejichž počet, propojení, apod. apriori neznáme. Pro objasnění souvislostí, jejichž komplexita se mění a není nám předem známa a pro něž máme model od kauzálního až po vágní se používají metody více rozměrné statistiky. Logika jejich použití není náhodná, ale sleduje řetěz otázek a odpovědí vedoucí od kausality a reálných proměnných k řešení se zdánlivě proměnnými (Obr. 5). Metody více rozměrné statistiky umožňují nalézt ve výsledcích skryté informace, které by jinak zůstaly nevyužity, vyžádaly by si nová pozorování a zpozdily by dosažení vyššího poznání. Aplikace metod více rozměrné statistiky vede vždy k informačnímu zisku (Obr. 6).

Analytický postup, jehož prostřednictvím poznáváme naše okolí poskytuje důkaz modelu, který sám neformuluje a jehož opodstatněnost k realitě nemůže posoudit. Cestou k poznání reality je potom nejen přímé formulování modelů, ale jejich stálé doplňování a korekce a hlavně pak kombinování různých pohledů. Při nerespektování těchto podmínek jsou výsledky analýzy životního prostředí pouze obrazem virtuální reality.