Куракина Н.И., Емельянова В.Н., Коробейников С.А., Никанорова Е.С., Санкт-Петербургский государственный электротехнический университет «ЛЭТИ», Санкт-Петербург, тел.: (812) 234-93-93, E-mail: HYPERLINK «mailto:NIKurakina@eltech.ru«
Одной из наиболее важных составляющих мониторинга водных объектов является определение их загрязненности. Своевременные и точные данные о качестве воды служат основой для регулирования деятельности водопользователей, обеспечения мероприятий по рациональному природопользованию, информирования соответствующих органов и населения о возможных опасных ситуациях, связанных с использованием воды.
Как известно, химический состав природных вод сложен и отличается большим разнообразием, а под влиянием человеческой деятельности в водные объекты поступает все большее количество загрязняющих веществ. Единичные измерения не дают полного представления о суммарном загрязнении водных объектов. В связи с этим разработаны методы комплексной оценки загрязненности поверхностных вод.
Методика исследования
В нашей работе была использована методика оценки качества водных объектов, основанная на расчете гидрохимического индекса загрязнения воды (ИЗВ) и рекомендованная «Временными методическими указаниями комплексной оценки качества поверхностных вод по гидрохимическим показателям». Расчет ИЗВ проводится на основе предельно допустимых концентраций (ПДК), значения которых изменяются в зависимости от типа водопользования. Данные, которые использовались при проведении работы, включают в себя: посты контроля с географической привязкой, результаты измерения концентрации вредных веществ, нормативную базу со значениями ПДК и модели водных объектов. Эти материалы формируют базу геоданных геоинформационной системы состояния водных объектов.
Система оценки качества водного объекта была создана в среде ArcGIS (ArcView 9.1). Исходная информация обрабатывается при помощи специальных инструментов ArcToolbox, которые позволяют работать с данными разных типов. Для автоматизации процесса обработки данных на основе этих инструментов и набора элементов в графическом окне ModelBuilder формируются блоки расчетной модели (рис. 1).
Рис. 1. Модель расчета Индекса загрязнения воды (ИЗВ).
Использование созданной модели позволяет выполнять необходимые операции множество раз, при этом возможно изменение обрабатываемых данных. Перед запуском модели необходимо выбрать посты контроля, по которым будет проводиться расчет ИЗВ. Это можно сделать несколькими путями: используя интерактивный выбор, выбор по атрибуту или по расположению постов. Далее необходимо открыть модель из приложения ArcToolbox, ввести необходимые параметры и запустить обработку. При этом данные по выбранным объектам поступают на модуль расчета ИЗВ (рис. 1).
При проведении сложных расчетов набор стандартных инструментов ArcToolbox может быть расширен за счет добавления необходимых пользовательских инструментов. Также имеется возможность подключать полностью обособленные запускаемые модули с входными параметрами в виде командной строки, которые, в свою очередь, отображаются в ArcMap при запуске модели (рис. 2).
Рис. 2. Исполняемый модуль расчета ИЗВ.
Для создания этих модулей можно использовать разные среды и языки программирования, например, C++ Builder, Java и т.д. Определяющим критерием их выбора является наличие методов работы с базами данных (БД), в противном случае процесс написания кода станет очень трудоемким. Для построения модели мы остановили свой выбор на языке программирования Borland Delphi.
В данном случае было создано консольное приложение, которое подключается к базе геоданных ArcGIS. Учитывая небольшую сложность расчетов, код получился компактным, доступным для понимания и корректировки. Модуль рассчитывает значения ИЗВ, которые записываются в подключенные БД.
Расчет ИЗВ проводится для каждого пункта контроля по формуле:
EMBED Equation.3 где Сi — среднее за год значение i-го показателя; ПДКi– предельно допустимая концентрация загрязняющего вещества; «6» — строго заданное число показателей, взятых для расчета, включая в обязательном порядке растворенный кислород, БПК5 и pH. Помимо них, в число шести участвующих в расчете компонентов входят те, которые имеют наибольшие относительные концентрации, то есть отношение среднегодовой концентрации к значению ПДК i-го вещества. Исключением является растворенный кислород, для которого находится обратное отношение. В зависимости от величины ИЗВ участки водных объектов подразделяют на классы с разной степенью загрязненности (см. таблицу).
Класс качества и характеристика воды
Величина — очень чистая — чистая
>0,2 — — умеренно грязная
1 — — загрязненная
2 — — грязная
4 — — очень грязная
6 — — чрезвычайно грязная
>10
В результате работы модели формируется таблица, которая содержит исходную информацию о постах контроля и типе водопользования, значения ИЗВ, а также соответствующие значения класса качества воды. Результаты контроля экспортируются в виде ГИС слоя на карту. Система расчета апробирована на данных контроля состояния реки Нева (рис. 3).
Рис. 3. Результаты расчета ИЗВ по реке Нева.
Полученные результаты позволяют оценить состояние водного объекта только в местах отбора проб. В такой ситуации оценка и принятие решений становятся достаточно сложной задачей, так как желательно знать значения ИЗВ в любой другой точке прилегающей территории. В то же время, станции мониторинга не могут быть размещены повсеместно. Решить эту проблему помогает детальный пространственный анализ с применением ГИС-технологий.
Использование геостатистики
Для построения моделей пространственного распределения ИЗВ были использованы геостатистические методы, включенные в состав дополнительного модуля ArcGIS Geostatistical Analyst.
При построении моделей пространственного распределения необходимо определять и учитывать целый ряд параметров, что поможет построить более точную поверхность. Поэтому моделирование распространения ИЗВ по всей исследуемой территории было начато с описания одномерных данных.
По анализируемому водному объекту были выбраны результаты контроля по определенному показателю и построены гистограммы. Инструмент гистограммы показывает плотность распределения и подсчитывает суммарную статистику. На основе полученной информации была выдвинута гипотеза об отличии закона распределения от нормального. Затем был построен нормальный график КК (квантиль + квантиль), который подтвердил эту гипотезу. Это означает, что при проведении интерполяции данные необходимо дополнительно обработать. Для этого был использован метод степенного преобразования (Box-Cox), в результате чего закон распределения данных стал близок к нормальному.
Для выявления наличия тренда и пространственной автокорреляции между результатами контроля на постах наблюдений был проведен структурный анализ данных. С помощью опции «облако вариограммы/ковариации» была исследована пространственная автокорреляция данных. Эта функция количественно характеризует предположение о том, что чем ближе посты расположены друг к другу, тем результаты измерений в них более похожи. И вариограмма, и ковариация определяют меру статистической корреляции как функцию расстояния. При определенном расстоянии облако вариограммы выравнивается, что указывает на то, что между парами постов за пределами этого расстояния корреляции нет.
Модуль Geostatistical Analyst позволяет использовать 2 группы методов интерполяции: детерминированные и геостатистические. Последние опираются как на статистические, так и на математические методы, которые могут быть использованы для построения поверхности и для оценки ошибки интерполяции. Данные без указания погрешностей мало пригодны для принятия управленческих решений, поэтому геостатистические методы более предпочтительны.
Исследование результатов контроля в восточной части акватории Финского залива было проведено с использованием всех доступных геостатистических методов: ординарный, простой, универсальный, вероятностный, дизъюнктивный и индикаторный кригинги. Результаты интерполяции значений водородного показателя приведены на рис. 4.
Рис. 4. Результаты интерполяции значений pH с использованием разных методов кригинга: ординарный (А), простой (Б), универсальный (В), дизъюнктивный (Г).
Методы вероятностного и индикаторного кригинга позволяют строить поверхности вероятности превышения или не превышения заданного уровня концентрации исследуемого показателя или вещества. Результаты использования этих двух методов иллюстрирует рис. 5.
Рис. 5. Карты вероятностей превышения ПДК, полученные методами индикаторного (А) и вероятностного (Б) кригинга.
Для сравнения ошибок интерполяции при использовании разных методов используется опция «Окно перекрестной проверки» (рис.6).
Рис. 6. Сравнения ошибок интерполяции в окне перекрестной проверки.
При сравнении результатов применения различных методов следует обратить внимание на два момента: оптимальность и достоверность. При сравнении моделей нужно искать ту, нормированная средняя ошибка которой ближе к нулю, а также имеющую наименьшую среднеквадратичную ошибку интерполяции, среднюю стандартную ошибку вычислений, ближайшую к среднеквадратичной ошибке интерполяции, и нормированную среднеквадратичную ошибку, значение которой ближе всего к единице.
По результатам анализа метод простого кригинга был признан оптимальным для интерполяции значений водородного показателя. Поверхность его пространственного распределения показана на рис. 7. Оптимальным методом для интерполяции вероятностей превышения ПДК является индикаторный кригинг.
Рис. 7. Представление результатов интерполяции значений pH методом простого кригинга.
Заключение
Проведенное исследование показало, что использование геоинформационных технологий и геостатистических методов позволяет выделять участки водоемов с разным типом геохимических обстановок.
Результаты пространственного анализа могут быть использованы при построении схем мониторинга для пристального надзора за территориями, где гидрохимический индекс загрязнения воды значительно превышает норму. Также полученные результаты помогают выявить основные источники загрязнения водоемов, контроль за выбросами которых должен быть усилен.
Литература
Алексеев В.В., Куракина Н.И. ИИС мониторинга. Вопросы комплексной оценки состояния ОПС на базе ГИС // журнал ГИС-Обозрение.-2000.-№19.
Алексеев В.В., Гридина Е.Г., Кулагин В.П., Куракина Н.И. Оценка качества сложных объектов на базе ГИС // Сборник трудов Международного симпозиума «Надежность и качество 2003». — Пенза 2003.
Алексеев В.В., Куракина Н.И., Желтов Е.В. Система моделирования распространения загрязняющих веществ и оценки экологической ситуации на базе ГИС // журнал «Информационные технологии моделирования и управления», №5(23), Воронеж, 2005.
Куракина Н.И., Емельянова В.Н. Пространственное моделирование загрязнения природных объектов с использованием геоинформационной системы // Сборник трудов Региональной конференции «Проблемы прогнозирования и предотвращения ЧС и их последствий». – СПб, 2005.
Куракина Н.И., Никанорова Е.С. Система мониторинга и оценки качества водных объектов на географической информационной основе // Сборник трудов Региональной конференции «Проблемы прогнозирования и предотвращения ЧС и их последствий». – СПб, 2005.
