Ельпин С.В. Экологический прогноз комплексной оценки качества поверхностных вод по биогенным веществам р. Иртыш - файл n1.doc

Ельпин С.В. Экологический прогноз комплексной оценки качества поверхностных вод по биогенным веществам р. Иртыш
скачать (242 kb.)
Доступные файлы (1):
n1.doc242kb.07.11.2012 01:28скачать

n1.doc

УДК 504.064.2.001.18

Ельпин С.В.

ТОО «Казахстанское Агентство Прикладной Экологии»

Экологический прогноз комплексной оценки качества поверхностных вод по биогенным веществам р. Иртыш

Данная статья рассматривает экологическое прогнозирование качества поверхностных вод по биогенным веществам р. Иртыш, с одной стороны как "функцию" экологии, с другой - как составляющую экологического мониторинга, а с третьей - как раздел прогностики (науки о закономерностях разработки прогнозов).

 Ключевые слова:

The ecological forecast of integrated assessment of surface water quality in terms of biogenic substances in the Irtysh River

The article presents ecological forecasting of surface water quality in terms of biogenic substances in the Irtysh river as a "function" of ecology on one side, as a component of environmental monitoring on the other side and from point of view of prognostic science on the third side.

Ключевые слова:

Сегодняшний день отличается ростом антропогенного воздействия на поверхностные воды, поэтому возникает целый ряд экологических проблем, а в связи с этим - необходимость всестороннего и точного экологического контроля изменений качества воды. Основными задачами системы экологического контроля являются: оценка экологического состояния поверхностных вод (экологическая диагностика), введение допустимых уровней антропогенных воздействий (экологическое нормирование) и выявления последствий различных сценариев воздействия на биоту (экологический прогноз).

На территории Республики Казахстан эта система основана на концепции предельно допустимых концентраций (ПДК) загрязняющих веществ. Значения ПДК используются при решении всех указанных выше задач экологического контроля. В частности, превышение ПДК служит основанием для неблагополучной оценки состояния поверхностных вод.

Оценка состояния поверхностных вод по уровням ПДК фактически является неоправданной экстраполяцией границ толерантности тестовых организмов по отношению к изолированным воздействиям на существенно многовидовые экосистемы, где действуют одновременно сложные комплексы десятков и сотен факторов самой разной природы на экосистемы, находящиеся (в отличие от стандартных лабораторных популяций) в совершенно различных фоновых условиях функционирования [1].

Поэтому, к наиболее часто используемым показателям для комплексной оценки качества поверхностных вод на территории РК относят гидрохимический индекс загрязнения воды (КИЗВ). При этом количество анализируемых загрязняющих ингредиентов строго ограничиваются, для поверхностных вод 6-ю и для морских вод 4-мя ингредиентами. По результатам КИЗВ определяется классификация поверхностных вод по степени загрязненности [2], что представляет собой информацию в течении некоторого отрезка времени в прошлом (экологический предиктор) являющимся периодом основания экологического прогноза [3], который может быть краткосрочным (до 1 года, оперативный), среднесрочным (до 5 лет, тактический) и долгосрочный (до 20 лет, стратегический). Типичными примерами экологического предиктора в статистике являются, так называемые, временные ряды.

Временным рядом называют последовательность упорядоченных во времени числовых показателей, характеризующих уровень состояния и изменения изучаемого явления. При статистическом изучении динамики ряда необходимо четко разделять два основных ее элемента - тенденцию и колебание, чтобы дать каждому из них количественную характеристику с помощью специальных показателей. Тенденцией, или трендом, называется характеристика процесса изменения явления за длительное время, освобожденная от случайных колебаний, создаваемых второй группой факторов [4].

Так, во многих временных рядах экологических систем важное место занимают сезонные колебания под влиянием природных и антропогенных факторов, действующих циклически с заранее известной периодичностью. Поэтому, в ряду ежемесячных данных естественно ожидать наличие сезонных колебаний с периодом 12, в квартальных рядах - с периодом 3. В свою очередь, в информации, собираемой с интервалом 1 час, вполне могут возникнуть суточные эффекты с периодом 24 [3].

Из выше сказанного следует, что экологический прогноз проводится по сценарию потенциального изменения качества поверхностных вод во времени, т.е. по заданным значениям абиотических факторов дается предсказание экологического состояния водного объекта. В свою очередь, само составление прогноза становится тривиальным, где необходимо провести анализ степени загрязненности водного объекта определяемой по таблице 1.

Таблица 1 Классификация водных объектов по степени загрязнения по результатам КИЗВ

Уровень загрязнения

Оценочные показатели загрязнения водных объектов

по КИЗВ

Нормативно-чистая

до 1.0

Умеренного загрязнения

1.0-3.0

Высокого уровня загрязнения

3.0-10.0

Чрезвычайно высокого уровня загрязнения

свыше 10.0


Поверхностные воды классифицируются по степени загрязнения в месячном разрезе, в периоды весеннего половодья и летне-осенне-зимней межени [2].

Экологическое прогнозирование загрязнения поверхностных вод биогенными веществами будет производиться для р. Иртыш, т.к. в настоящее время имеются достаточно надежные данные наблюдений КИЗВ начиная с 1968г. Однако, с 1990 г. количество гидрохимических постов, где ведется контроль за состоянием биогенных веществ, сокращается и остаются наблюдения только на вековых створах р. Иртыш. Оценка загрязнения произведена за выше указанный период отдельно по азоту аммонийному, нитрит и нитрат-ионам, а затем комплексная оценка в целом по биогенным веществам (из-за отсутствия ПДК для общего фосфора, этот ингредиент исключен из рядов исчисления КИЗВ)[5].

Переходя к самому прогнозированию изменения качества воды в р. Иртыш, необходимо определить основные его задачи:

  1. Анализ временных рядов (КИЗВ):

1.1 визуализация временных рядов (график статистических данных среднемесячных ИЗВ);

1.2 выделение из наблюдаемого временного ряда значений синусоидального тренда (T) с учетом периода колебания (n) ;

1.3 вычисление наименьших квадратов отклонения синусоидального тренда от линии временных рядов (Q) ;

1.4 определение коэффициента корреляции (r) и его значимости;

1.5 расчет величин сезонной компоненты (S) и параметра точности модели тренда (T);

1.6 вычисление дисперсии (D) и среднеквадратического отклонения ();

1.7 построение доверительных интервалов (+ и -).

  1. Построение прогноза (КИЗВ):

2.1 расчет линии прогнозного тренда (Tпр), прогнозной сезонной компоненты (S) и их доверительных интервалов(+ и -);

2.2 визуализация п. 2.1(график экологического прогноза).
Экологический прогноз комплексной оценки качества поверхностных вод
по биогенным веществам р. Иртыш


1. Анализ временных рядов (КИЗВ):

1.1 Исходные временные ряды представляют собой показатели ИЗВ стока р. Иртыш в многоводный год (Р=25% обеспеченности) и показаны в таблице 2 [5].

Таблица 2 Статистические данные среднемесячного ИЗВ

Наименование ингредиента

Химическая
формула
ингредиента


Осредненные показатели ИЗВ среднемесячных показателей наличия ингредиента в реке Иртыш

КИЗВ

Январь

Февраль

Март

Апрель

Май

Июнь

Июль

Август

Сентябрь

Октябрь

Ноябрь

Декабрь

Азот аммонийный

NH4

0.56

0.36

0.47

0.39

0.31

0.26

0.26

0.10

0.16

0.53

0.91

7.20

0.96

Нитрит-ионы

NO2

0.40

0.59

0.98

1.10

1.40

0.62

15.90

0.82

0.33

0.64

2.10

26.80

4.31

Нитрат-ионы

NO3

0.02

0.06

0.07

0.07

0.09

0.03

0.00

0.06

0.03

0.02

0.16

0.05

0.06

Среднемесячный показатель
ИЗВ 1968-1990 гг.:


0.33

0.34

0.51

0.52

0.60

0.30

5.39

0.33

0.17

0.40

1.06

11.35

1.77

Среднемесячный показатель
ИЗВ 2001 г:


0.96

0.12

0.14

0.13

0.22

0.19

0.46

0.22

0.24

0.20

0.19

0.29

0.28


Для представления в сокращенной и наглядной форме таблицы 2, предлагается использовать график из программного продукта MS Excel, где каждая точка соответствует определенному соотношению среднемесячного ИЗВ (рис. 1)



Рисунок 1 Статистические данные среднемесячного показателя ИЗВ 1968-1990 гг и 2001 г.

1.2 На основании анализа среднемесячных показателей ИЗВ можно констатировать, что они носят периодический характер и аппроксимировать исходный временный ряд необходимо тригонометрическими функциями. При этом тригонометрический ряд может быть представлен в виде суммы гармонических функций или, иначе говоря, рядом Фурье [6].

Выделим из наблюдаемого временного ряда значений синусоидальный тренд с периодом колебаний 12 месяцев, который указывает изменение функции:. Где: Т12- функция тренда; а12 – смещение синусоиды относительно нуля; b12 – амплитуда синусоиды; с12 – начальная фаза колебания.

1.3 Вычисление наименьших квадратов отклонения синусоидального тренда от линии временных рядов дает оценку параметров отвечающие принципу максимального правдоподобия: сумма квадратов отклонений фактических уровней от тренда должна быть минимальной для данного типа уравнения. Это можно представить в виде: [4].

1.4 В экологическом прогнозировании на временные ряды, т.е. на ИЗВ, влияют не только явным образом входящие в прогноз переменные, но и большое количество факторов. Связью здесь является корреляционная связь, когда каждому значению одной переменной (временного ряда ИЗВ) соответствует определенное математическое ожидание другой переменной. Следовательно, коэффициент корреляции характеризует относительное отклонение математического ожидания произведения двух величин от произведения математических ожиданий этих величин. Так как отклонение имеет место только для зависимых величин, то коэффициент корреляции характеризует степень этой зависимости. Для оценки коэффициента корреляции между величинами требуются среднеквадратические отклонения этих величин и задаются следующим выборочным коэффициентом корреляции К. Пирсона в виде [6]:

.

Если полученный коэффициент корреляции величин х и y заключен в пределах между -1 и +1, то достигая этих крайних значений имеет случай только линейной функциональной зависимости между величинами х и y. Если же коэффициент корреляции равен 0, то величины некоррелированные. Для оценки значимости коэффициента корреляции используется t-критерий Стьюдента. Обычно требуется определить фактическое значение критерия и сравнить его со значением t-критерий Стьюдента, ta(k) с заданными доверительной вероятностью а =0,95 и числом степеней свободы k=n-1, где: n – число наблюдений. Определим минимальное значение R2, при котором корреляцию можно считать существенной: . Вычислим квадрат коэффициента Стьюдента [6].

Полученные данные по пунктам алгоритма пп. 1.2-1.4 приведены в таблице 3 и на графике рисунка 2.

Таблица 3 Расчетные статистические данные среднемесячного ИЗВ 1968-1990 гг и 2001 г.

п/п

Среднемесячный
показатель ИЗВ
1968-1990 гг. и 2001 г.


Линия тренда

Отклонение

Отклонения
наименьших
квадратов


1

0.33

1.47

-1.15

1.314

2

0.34

1.17

-0.84

0.702

3

0.51

0.84

-0.33

0.109

4

0.52

0.55

-0.03

0.001

5

0.60

0.39

0.21

0.044

6

0.30

0.40

-0.10

0.010

7

5.39

0.58

4.81

23.100

8

0.33

0.88

-0.55

0.305

9

0.17

1.22

-1.04

1.089

10

0.40

1.50

-1.11

1.226

11

1.06

1.66

-0.61

0.368

12

11.35

1.65

9.70

94.058

13

0.96

1.47

-0.51

0.260

14

0.12

1.17

-1.05

1.112

15

0.14

0.84

-0.69

0.481

16

0.13

0.55

-0.42

0.176

17

0.22

0.39

-0.17

0.029

18

0.19

0.40

-0.21

0.045

19

0.46

0.58

-0.12

0.015

20

0.22

0.88

-0.66

0.438

21

0.24

1.22

-0.98

0.954

22

0.20

1.50

-1.30

1.700

23

0.19

1.66

-1.48

2.179

24

0.29

1.65

-1.36

1.854

Сумма наименьших квадратов:

131.567

Коэффициент

корреляции, R

Число
наблюдений, n


t-критерий

Стьюдента,
t(n-1)


Квадрат
t-критерия


Стьюдента, t^2

Оценка значения

коэффициента

корреляции,
R2min


0.037464

24

0.063395

0.004019

0.000183


Визуализируем таблицу 3 в график представленный на рисунке 2.



Рисунок 2 График линии статистических данных среднемесячного ИЗВ 1968-1990 гг и 2001 г, линии тренда и линии отклонения с периодом 12 месяцев.
При анализе полученных данных (табл.3 и рис.2), где период
1968-1990 гг обозначен как 1-12, а 2001 г как 13-24 значениями соответствующим среднемесячным показателям ИЗВ, видно, что при оценке значения коэффициента корреляции получается R>0,000183. Таким образом, корреляцию рассчитанной линии тренда с линией статистических данных среднемесячных показателей ИЗВ следует признать существенной.

Что касается о поведении отклонений, прослеживается некая периодичность, это хорошо видно на полученном графике (рис.2). Чем больше будет выяснено факторов воздействия на это, тем больше будут понятны колебания среднемесячных показателей ИЗВ.

При экологическом прогнозировании можно принять гипотезу о полугодичном периоде в тренде. Для этого необходимо проделать подобные расчеты как в части алгоритма пп. 1.2-1.4, но для периода 6 месяцев, по знакомой формуле: . Следует учитывать, что вместо линии среднемесячных показателей ИЗВ теперь работа будет проводиться с отклонениями (разностями) линии показателей ИЗВ и линии тренда. При расчетах, получается коэффициент корреляции r= 0,145050>0,000183. Таким образом, эту корреляцию следует признать также существенной. В отклонениях по-прежнему можно заметить периодичность. Причем с приблизительно одинаковой значимостью. В них обнаруживается колебания с периодами 3-4 месяца.

Аналогично предыдущему способу можно выделить в отклонениях колебания с периодом 3 месяца: . Результатом будет коэффициент корреляции R= 0,057101>0,000183. Таким образом, эту корреляцию следует признать также существенной.

Для периода с 4 месяцами аналогичный подход: . Коэффициент корреляции при расчете R= 0,121446>0,000183. Корреляция существенна.

Таким образом, в первом приближении ограничиться можно линейным членом разложения в ряд Тейлора. Итак, найдем аппроксимацию: , где: АL – возвращаемый отрезок, осекаемый на оси линией линейной регрессии. Уравнение для точки пересечения линии линейной регрессии a имеет следующий вид: ; BL-возвращает наклон линейной регрессии. Уравнение наклона линии регрессии имеет следующий вид: ; где x и y — выборочные средние значения.

Рассчитав, получим следующие параметры АL=0,95; BL=-0,07. Коэффициент корреляции для линейного тренда составляет 0,205891, что больше 0,000183. Таким образом, эта корреляция может быть расценена также как существенная.

1.5 При расчете линии тренда характеризующую общую тенденцию развития статистических данных среднемесячного показателя ИЗВ 1968-1990 гг и 2001 г, необходимо также рассчитывать сезонную компоненту (S) и определить, насколько сильно сумма средних значений колебаний S отклоняется от нуля. Если эта величина близка к нулю, то можно утверждать, что среднемесячные показатели ИЗВ действительно имеют сезонный характер, следовательно, их можно называть сезонными среднемесячными показателями ИЗВ. При определении средних значений случайные отклонения погашаются. При сглаживании методом скользящих величин показатели ИЗВ заменяются средними значениями, которые характеризуют срединную точку периода скольжения. Простое сглаживание основывается на составлении нового ряда из простых средних арифметических, исчисленных для промежутков времени характеризующих показатели ИЗВ [2]. Расчет сезонной компоненты представлен в таблице 4.

Таблица 4 Расчет сезонной компоненты для модели тренда среднемесячного ИЗВ

Месяц

Сезон 1

Сезон 2

Среднее

Сезонная
компонента


январь

-1.67

-1.00

-1.33

-1.33

февраль

1.03

0.84

0.93

0.93

март

-0.20

-0.53

-0.37

-0.37

апрель

-0.10

-0.47

-0.28

-0.28

май

0.97

0.61

0.79

0.79

июнь

-1.01

-1.09

-1.05

-1.05

июль

3.43

-1.47

0.98

0.98

август

-0.56

-0.64

-0.60

-0.60

сентябрь

-0.03

0.07

0.02

0.02

октябрь

0.71

0.55

0.63

0.63

ноябрь

-0.71

-1.55

-1.13

-1.13

декабрь

6.92

-4.11

1.41

1.41

ИТОГО:

0.00

0.00


Сумма средних значений колебаний равна абсолютному нулю, это подтверждает, что среднемесячные показатели ИЗВ 1968-1990 гг и 2001 г имеют сезонный характер.

1.6 Наличие тренда или его отсутствие на показателях ИЗВ может быть доказано лишь с некоторой вероятностью, для чего используются специальные критерии. При анализе случайных колебаний очень важно определить веро­ятность крайних, максимальных отклонений от тренда (увеличение ИЗВ). Для этого необходимо рассмотреть методы вероятностной оценки параметров тренда и колебаний, которые приводились выше, но на самом деле обязательно должны сопровождаться указа­нием степени надежности и доверительным интервалом для оцен­ки генеральной величины показателя ИЗВ. Показатели силы и интенсивности колебаний аналогичны по построению, по форме показателям силы и интенсивности вариации признака в пространственной совокупности. Чаще всего в качестве показателя силы ко­лебаний используется среднее значение квадратов отклонения уров­ней ряда от тренда (дисперсия), обозначаемое как:[4]. Дисперсия имеет размерность квадрата случайной величины. Поэтому для наглядной характеристики рассевания используют, корень из дисперсии, который называется среднеквадратическим отклонением: [6].

При расчете получим среднее значение квадратов отклонения равное 0,28, таким образом, точность модели, рассчитываемая по формуле [1-D для всей модели] •100%, будет равна 71.28%.

1.7 Если уравнение тренда рассматривается как выборочное, имеющее ошибки репрезентативности своих параметров, то мож­но рассчитать доверительные интервалы, внутри которых с задан­ной, достаточно большой вероятностью, проходит линия тренда в генеральной совокупности. Доверительный интервал отражает, в каких пределах может колебаться ошибка прогнозных показателях ИЗВ. Для того, что бы определить с достаточно большой вероятностью, то среднюю ошибку следует умножить на вели­чину t-критерия Стьюдента для соответствующей вероятности и руководствоваться следующей формулой:

[4].

Границы доверительной зоны тренда среднемесячного показателя ИЗВ с вероятностью 0,95 изображены на рисунке 3.

  1. Построение прогноза (КИЗВ):

    1. После анализа и расчетов среднемесячных показателей ИЗВ р. Иртыш, появляется возможность рассчитать линию прогнозного тренда (Tпр) с учетом сезонной компоненты (S) и доверительных интервалов отражающие в каких пределах может колебаться ошибка прогнозных показателей ИЗВ. Полученные результаты представлены в таблице 5.

Таблица 5 Расчет линии прогнозного тренда, сезонной компоненты
и доверительных интервалов ИЗВ


п/п

Месяцы

Линия
прогнозного
тренда (Tпр)


Сезонная
компонента (S)


Доверительный интервал

-

(нижняя граница)

+

(верхняя граница)

25

январь

1.93

-1.33

1.923

1.950

26

февраль

0.18

0.93

0.184

0.186

27

март

0.28

-0.37

0.280

0.284

28

апрель

0.28

-0.28

0.280

0.284

29

май

0.36

0.79

0.364

0.369

30

июнь

0.20

-1.05

0.202

0.205

31

июль

2.87

0.98

2.859

2.898

32

август

0.22

-0.60

0.227

0.230

33

сентябрь

0.16

0.02

0.162

0.165

34

октябрь

0.25

0.63

0.253

0.257

35

ноябрь

0.57

-1.13

0.574

0.583

36

декабрь

5.77

1.41

5.737

5.817




    1. Таблицу 5 визуализируем в график на рисунке 3.



Рисунок 3 График расчета линии прогнозного тренда, сезонной компоненты и доверительных интервалов ИЗВ
Как показывает график (рис.3), линия прогнозного тренда (Tпр) на краткосрочный период практически не изменяется, т.е. подтверждаеться присутствие фактора сезонности прогнозного тренда.

Для определения достоверности экологического прогноза комплексной оценки качества поверхностных вод по биогенным веществам р. Иртыш, согласно официальным источникам [7,8] составим график КИЗВ р. Иртыш по годам представленных на графике рисунка 4, где показатели КИЗВ для периода: 1968-1990 гг – 1,77; для 2001 г. – 0,28, для линии прогнозного тренда – 1,09.



Рисунок 4 График сравнения КИЗВ р. Иртыш по годам
Из графика на рисунке 4 видно, что экологический прогнозный показатель КИЗВ совпадает с реальным показателем КИЗВ 2002 году (1.09). Далее линия КИЗВ устремляется к повышению, это связанно главным образом с тем, что основные предприятия горно-металлургического комплекса расположены в зоне наиболее густой речной сети р. Иртыш. Здесь же расположены крупные предприятия теплоэнергетики. Такое расположение означает, что загрязняющие вещества с газообразными, жидкими и твердыми отходами от промышленных предприятий неизбежно попадают в речную сеть. Наиболее интенсивному загрязнению тяжелыми металлами подвергается р. Иртыш в пределах Рудного Алтая, где сформировалась крупная техногенная биогеохимическая провинция [8].

Исходя из графика (рис. 4) составим матрицу степени загрязнения по КИЗВ р. Иртыш представленной в таблице 6.

Таблица 6 Матрица степени загрязнения р. Иртыш

1968-1990 гг

2001 г

2002 г и
прогнознй
показатель


2003 г

2006 г

2007 г

Умеренного
загрязнения


Нормативно-чистая

Умеренного

загрязнения

Умеренного

загрязнения

Умеренного

загрязнения

Умеренного

загрязнения


Таблица 6 поясняет, что в 2001 году была допустимая степень загрязнения которая, фиксирует пригодность воды р. Иртыш для всех видов водопользования без каких либо ограничений, в остальные же годы, КИЗВ включая достоверный прогнозный показатель, свидетельствуют об опасности для хозяйственно-питьевых и культурно-бытовых целей.

Таким образом, экологический прогноз доказывает свою причастность к количественным методам экологического контроля по сценариям КИЗВ; это систематический анализ поверхностных вод, позволяющий более полно использовать его преимущества и своевременно выявлять источники и потенциальные загрязнения биогенными веществами. Отслеживание динамики показателей КИЗВ и источников загрязнения водных объектов позволяет наилучшим образом способствовать распределению наиболее целесообразных направлений природоохранных мер на улучшения качества поверхностных вод.

Список использованной литературы:

  1. V.A. Abakumov, L.M. Sushenya, Hydro biological monitoring of the state of freshwater ecosystem and ways to its improvement. //Ecological Modifications and Criteria for Ecological Standardization. St.Petersburg, Gidrometeoisdat, 1992.

  2. М.Ж. Бурлибаев, Ж.Н. Байманов, Е.А. Тажмагамбетов. Комплексная оценка качества поверхностных вод по гидрохимическим показателям. – А.:Галым, 2007.

  3. Г.С. Розенберг, В.К. Шитиков, П.М. Брусиловский. Экологическое прогнозирование. (Функциональные предикторы временных рядов).–Т.: Российская Академия Наук. 1994.

  4. В.Н. Афанасьев, М.М. Юзбашев. Анализ временных рядов и прогнозирование. – М.: Финансы и статистика. 2001.

  5. М.Ж. Бурлибаев, Е.Ж. Муртазин, Н.А. Искаков, Т.К. Кудеков, С.К. Базарбаев. -Биогенные вещества в основных водотоках Казахстана. А.:Каганат, 2003.

  6. С.В. Булашев. Статистика для трейдеров. –М.: Компания Спутник+.2003.

  7. http://www.nature.kz сайт Министерства охраны окружающей среды Республики Казахстан

  8. http://prirodavko.ukg.kz сайт Управления природных ресурсов и регулирования природопользования ВКО РК


Учебный материал
© bib.convdocs.org
При копировании укажите ссылку.
обратиться к администрации