2018 №4 (61) Статья 10

В.С. Валиев, Д.В. Иванов, Д.Е. Шамаев, И.И. Зиганшин, Л.К. Мустафина, Н.В. Шурмина, О.А. Богданова, Ф.М. Абдуллина

АНАЛИЗ СТРУКТУРНЫХ СВЯЗЕЙ МЕЖДУ ГИДРОХИМИЧЕСКИМИ ПОКАЗАТЕЛЯМИ РЕЧНОГО СТОКА. C.C. 89-99.

УДК 551.482.2:[551.48:54]

В статье на примере реки Казанка с применением методов вероятностной статистики апробирована динамико-стохастическая модель качественного состояния водных объектов, учитывающая пространственно-временные вариации фонового гидрохимического режима. Выделены три ортогональных фактора, репрезентативных при моделировании гидрохимической ситуации в целом, являющихся одновременно структурообразующими при оценке локальных изменчивостей гидрохимических показателей на отдельных участках русла. Первый фактор составляют переменные, которые формируют основную структуру гидрохимического режима: электропроводность, сухой остаток, жесткость, кальций, магний, сульфаты и объем речного стока, при этом периодическая составляющая гидрохимической модели представлена сезонной изменчивостью стока основных ионов. Второй фактор объединяет переменные, отражающие интенсивность протекающих в воде процессов поступления и трансформации органических соединений: перманганатная и бихроматная окисляемость, биохимическое потребление кислорода. Установлена корреляционная связь указанных показателей с цветностью воды, что можно использовать при  обобщенной оценке органического загрязнения поверхностных вод. Третий фактор гидрохимической модели ‒ концентрация взвешенных форм тяжелых металлов. Мутность воды детерминирует долю металлов – кадмия, меди, цинка, марганца и железа, мигрирующих в твердой фазе.

В результате проведенного исследования дана оценка вероятности превышений предельно допустимых концентраций загрязняющих веществ. Показано, что их содержание, обусловленное антропогенным воздействием, распределено стохастически, поэтому следует проводить его оценку вероятностными методами, а также раскрывать реальную динамику стохастической системы, позволяя адекватно оценивать сложившуюся в водном объекте экологическую ситуацию

качество вод; гидрохимический режим; факторный анализ; динамико-стохастические модели; река Казанка

 

СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ И ЭЛЕКТРОННЫХ РЕСУРСОВ

  1. Валиев, В.С. Оценка вклада загрязняющих веществ в формирование класса загрязненности поверхностных вод [Текст] / В.С. Валиев, Д.В. Иванов, Р.Р. Шагидуллин, Д.Е. Шамаев, Л.К. Мустафина, Н.В. Шурмина, Ф.М. Абдуллина, О.А. Богданова И.И. Зиганшин // Российский журнал прикладной экологии. – – № 3. – С. 57‒64.
  2. Великанов, Н.Л. Особенности мониторинга состояния водотоков рыбохозяйственного значения [Текст] / В.А. Наумов, М.Н. Великанова // Вода: химия и экология. – 2012. – № 3. – С. 27–32.
  3. Виноградов, Ю.Б. Математическое моделирование процессов формирования стока [Текст]. – Л. : Гидрометеоиздат, 1988. – 312 с.
  4. Государственный реестр особо охраняемых природных территорий в Республике Татарстан [Текст]. – Казань : Идел-Пресс, 2007. – 407 с.
  5. Кучмент, Л.С. Формирование речного стока [Текст] / Л.С. Кучмент, В.Н. Демидов, Ю.Г. Мотовилов. – М. : Наука, 1983. – 216 с.
  6. Метод комплексной оценки степени загрязненности поверхностных вод по гидрохимическим показателям [Текст] : РД 52.24.643-2002. – Ростов н/Д. : Гидрометеоиздат, 2002. – 48 с.
  7. Раткович, Д.Я. Стохастические модели колебаний составляющих водного баланса речного бассейна [Текст] / Д.Я. Раткович, М.В. Болгов. – М. : ИВП РАН, 1997. – 262 с.
  8. Gagnon, P. A coupled stochastic/deterministic model to estimate the evolution of the risk of water contamination by pesticides across Canada [Text] / P. Gagnon, C. Sheedy, A. Farenhorst, D.A. McQueen, J. Cessna, N.K. Newlands // Integrated Environmental Assessment Management. – 2014, Jul. – No. 10 (3). – Рp. 429‒436.
  9. Metropolis, N. The Monte Carlo Method [Text] / N. Metropolis, S. Ulam // J. of the American Statistical Association. – 1949. – Vol. 44, no. 247. – Pp. 335‒341.
  10. Parker, G.T. Stochastic calibration of riverine water quality models [Text] / G.T. Parker, R.L. Droste, C.D. Rennie // Water Environment Research. – 2010, Feb. – No. 82 (2). – Р 99‒108.
  11. Peter, C. Nonstationary time series analysis and forecasting [Text] // Progr. Environ. Sci. – 1999. – Vol. 1, no. 1. – Pp. 3–48.
  12. Solomatine, D.P. Model trees as alternative to neural networks in rainfall runoff modeling [Text] / D.P. Solomatine, K.N. Dual // Hydrol. Sci. J. – 2003. – Vol. 48, no. 3. – Pp. 399‒411.
Без рубрики