CC BY
33
УДК 004.67; 504.064.36
1В.С. Валиев, 1Д.Е. Шамаев, 1Р.Р. Хасанов, 1Д.В. Иванов, 2Р.А. Шагидуллина, 1Р.Р. Шагидуллин
'Институт проблем экологии и недропользования АН РТ, podrost@mail.ru Министерство экологии и природных ресурсов РТ
АЛГОРИТМЫ ИНТЕРПРЕТАЦИИ ПОКАЗАТЕЛЕЙ КАЧЕСТВА
ПОВЕРХНОСТНЫХ ВОД
Использование научной интерпретации для принятия управленческих решений является известной проблемой, трудно разрешимой в силу разных способов оценки информации, получаемой различными природоохранными ведомствами и научными организациями. В связи с этим актуальной задачей является создание специализированных программных комплексов, позволяющих использовать современные методы статистического анализа и системного моделирования для научных целей и при этом включающих алгоритмы интерпретации оценок состояния компонентов природной среды в виде простых формализованных показателей, а также наглядной их визуализации. В статье рассмотрен один из подходов к решению этой задачи, на основе которого реализован модульный программный комплекс расчета и интерпретации удельных комбинаторных индексов загрязненности воды и донных отложений.
Ключевые слова: гидрохимический режим; качество воды; УКИЗВ; пространственно-временная динамика; мониторинг; река Свияга.
DOI: https://doi.org/Ш.24852/24П-7374.2022.L23.30
Введение
Данные о состоянии объектов окружающей среды являются базовой информацией системы мониторинга, предназначенной, в первую очередь, для оценки качества этих объектов. Качество природных объектов, в данном случае, предполагает их соответствие нуждам и потребностям человеческой популяции, поэтому находится в ведении государственных ведомств и надзорных органов, собирающих и обобщающих эту информацию для последующей коррекции хозяйственной и иной деятельности на государственном уровне.
В научно-прикладном аспекте мониторинговая информация, получаемая природоохранными ведомствами, также представляет значительный интерес, так как обеспечивает исследователей данными о пространственно-временной изменчивости качественных и количественных характеристик различных природных сред и объектов.
Вместе с этим, если собранные данные оцениваются ведомствами исключительно сопоставлением с нормативами (ПДК, региональные фоновые значения и т.д.), то в рамках научных исследований важна характеристика динамики и взаимосвязей разных показателей, изменчивости их вариационных рядов и многомерное шкалирование разнообразных признаков. Однако, полученные в результате научных исследований оценки практически не используются в системах
принятия решений, так как плохо формализуются и сложны для ведомственных интерпретаций.
В связи с этим, актуальной задачей является создание специализированных программных комплексов, позволяющих использовать самые современные методы статистического анализа и системного моделирования для научных целей и при этом имеющих алгоритмы интерпретации выявленных закономерностей в виде простых формализованных показателей и наглядной визуализации. Нами предложен и реализован один из подходов к решению этой задачи применительно к водным объектам: модульный программный комплекс расчета и интерпретации удельных комбинаторных индексов загрязненности воды и донных отложений.
В качестве способа программной реализации был выбран модульный принцип, согласно которому каждый этап оценки и расчетов, выполняемых программой, является самодостаточным и осуществляется независимо от других результатов (принцип независимых экспертов).
В качестве методов статистического анализа были отобраны методы оценки дисперсий, линейной и нелинейной регрессий, вариационные характеристики сопоставляемых рядов данных и оценка нормальности распределений.
Основными алгоритмами оценки явились методы расчета удельного комбинаторного индекса
1/2022
23
загрязненности воды (УКИЗВ) (РД 52.24.6432002) и авторские методы вероятностной оценки по Байесу (Валиев и др., 2019, 2021а,Ь).
Материалы и методы исследования
Особенностью программного комплекса является модуль интерпретации результатов. В этот модуль собираются все результаты, полученные на разных этапах оценки, сопоставляются ошибки рассчитанных моделей, определяются их весовые коэффициенты и формируется итоговая обобщающая оценка, формализованная либо в форме лингвистического описания, либо в виде семантической характеристики. Ключевым элементом системы интерпретации является особый алгоритм сопоставления и обобщения всех поступивших в нее оценок, их взвешивания, ранжирования и построения сводной таблицы описаний, соответствующих каждому из выделенных рангов. Такая система выдает не только взвешенный и обобщенный интегральный показатель, проводя экспертную оценку всех результатов, но и предоставляет исследователю его словесное описание.
Настройка и тестирование разработанной системы осуществлялись на основе многолетних данных гидрохимического мониторинга, выполняемого Министерством экологии и природных ресурсов Республики Татарстан (МЭПР РТ), имеющих стандартное ведомственное представление. Аналитический материал включал информацию о 9 гидрохимических параметрах качества поверхностных вод р. Свияги, полученных для трех станций отбора проб в 2015-2021 гг. Выбор показателей был обусловлен их наличием во всех анализируемых выборках без отсутствующих значений, а также принадлежностью к показателям приоритетного контроля, установленным РД 52.24.643-2002.
В общей сложности для аналитической оценки было отобрано 2115 значений гидрохимических показателей, охватывающих 235 проб, отобранных в течение 7 лет наблюдений. Станции отбора проб расположены в пределах Республики Татарстан в районе населенных пунктов Сюндю-ково 04 54.710556, Е 48.263611), Черки-Гриши-но (4 55.050866, Е 48.317585) и Гаврилково (4 55.718889, Е 48.588889) (рис. 1).
Все расчеты, использованные при аналитической оценке, осуществлялись с использованием разработанного авторами программного комплекса.
Целью исследования явилась оценка временной динамики, а также пространственной изменчивости уровня загрязненности поверхностных вод р. Свияги и интерпретация полученных
результатов с помощью специальной системы оценок, а также разработанного модульного программного комплекса расчета удельных комбинаторных индексов и вероятностных характеристик.
Результаты и их обсуждение
Весь массив рассчитанных индексов загрязненности вод р. Свияги за период с 2015 по 2021 гг. представлен в таблице 1. Он наглядно демонстрирует значительный объем информации и сопряженные с этим сложности ее интерпретации.
В пробах воды, отобранных в районе Сюндю-ково, наибольшие баллы повторяемости превышений ПДК ^а1рЫ) наблюдаются у таких показателей качества как марганец, железо, ионы аммония и БПК5, что обусловливает, при значительной кратности превышения (Бь ), высокие обобщенные показатели загрязненности. На этой же станции мониторинга отмечены менее существенные показатели повторяемости превышения нормативов по таким показателям качества как ХПК, нитриты и сульфаты, что, в совокупности с меньшими значениями кратности превышения, обусловливает наименьший вклад в загрязненность поверхностных вод на этом участке реки (табл. 1).
Рис. 1. Станции отбора проб Fig. 1. Sampling stations
24
российский журннл ииой экологии
Таблица 1. Интегральные показатели качества вод р. Свнягн в 2015-2021 гг Table 1. Integral indicators of water quality of the Sviyaga river in 2015-2021
Годе / Years 2015 2016 2017 2018 2019 2020 2021
Показатели / Indicators S , h alpha Sht beta s „ об Slh alpha Sht beta s „ об Slh alpha Sht beta s „ об Slh alpha Sht beta s „ об Slh alpha Sht beta s „ об Slh alpha Sht beta s „ об Slh alpha Sht beta s „ об
Сюндюково
Аммоний ион, мг/дм3 4.0 1.4 5.6 3.2 l.l 3.4 4.0 l.l 4.3 4.0 l.l 4.4 4.0 1.3 5.0 1.8 1.0 1.9 4.0 1.2 4.6
Нитраты, мг/дм3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Нитриты, мг/дм3 0 0 0 0 0 0 0 0 0 2.3 1.2 2.8 1.8 1.1 1.9 0 0 0 0 0 0
БПК„ мг02/дм3 4.0 1.2 4.8 4.0 1.1 4.5 4.0 1.1 4.4 4.0 1.1 4.4 4.0 1.1 4.4 2.3 1.1 2.6 0 0 0
ХПК, мг/дм3 4.0 1.3 5.4 4.0 1.2 4.6 0 0 0 0 0 0 1.8 2.1 3.8 0 0 0 0 0 0
Кислород раствор., мгО,/дм3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Железо, мг/дм3 4.0 1.2 4.7 3.6 1.1 4.0 3.6 2 7.2 4.0 2.0 8.1 4.0 1.7 6.6 4.0 1.2 4.6 4.0 1.2 4.7
Марганец, мг/дм3 4.0 2.8 11.3 4.0 2.5 10 4.0 2.3 9.1 4.0 2.4 9.5 4.0 2.7 10.8 4.0 2.6 10.3 4.0 3.0 12.2
Сульфаты, мг/дм3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2.8 1.0 2.9 0 0 0
Э УЛ 3.5 3.0 2.8 3.2 3.6 2.5 2.4
Класс загрязненности Очень загрязненная 36 класс Очень загрязненная 36 класс Очень загрязненная 36 класс Очень загрязненная 36 класс Грязная 4a класс Загрязненная За класс Загрязненная За класс
Черки-Гришино
Аммоний ион, мг/дм3 4.0 1.5 6.1 4.0 1.1 4.3 4.0 1.4 5.5 4.0 1.6 6.3 4.0 1.5 6.1 4.0 1.5 5.9 3.2 2.0 6.4
Нитраты, мг/дм3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Нитриты, мг/дм3 2.5 1.4 3.4 1,8 2 3.6 2.3 1.9 4.3 3.6 1.1 4.0 2.8 1.1 3.0 0 0 0 1.8 1.6 2.8
БПК„ мг02/дм3 4.0 1.1 4.5 4.0 1.1 4.6 3.4 1.1 3.8 4.0 1.2 4.7 3.6 1.3 4.6 2.8 2.1 5.9 0 0 0
ХПК, мг/дм3 4.0 1.2 5.0 1,8 1 1.8 3.0 1.1 3.4 2.8 1.6 4.5 2.3 1.6 3.7 1.8 1.5 2.8 0 0 0
Кислород раствор., мгО,/дм3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Железо, мг/дм3 4.0 2.1 8.2 4.0 1.5 5.8 4.0 2.1 8.3 4.0 2.0 8.0 4.0 1.9 7.6 4.0 1.7 6.6 4.0 1.6 6.4
Марганец, мг/дм3 4.0 2.7 10.8 4.0 2.4 9.8 4.0 2.4 9.6 4.0 2.7 10.8 4.0 2.6 10.5 4.0 3.0 11.9 4.0 2.4 9.6
Сульфаты, мг/дм3 2.0 1.0 2.0 3.2 1.2 3.8 4.0 1.1 4.3 3.2 1.1 3.3 2.8 1.2 3.3 2.8 1.2 3.2 2.8 1.0 2.9
Э УЛ 4.5 3.7 4.4 4.6 4.3 4.0 3.1
Класс загрязненности Грязная 4а класс Грязная 4а класс Грязная 4а класс Грязная 4а класс Грязная 4а класс Грязная 4а класс Очень загрязненная 36 класс
"i к t= "Ö О ш я о й о
"I S а:
Окончание таблицы 1 End of table 1
Годы / Years 2015 2016 2017 2018 2019 2020 2021
Показатели / Indicators S, h alpha Sht beta s „ об Slh alpha Sht beta s „ об Slh alpha Sht beta s „ об Slh alpha Sht beta s „ об Slh alpha Sht beta s „ об Slh alpha Sht beta s „ об Slh alpha Sht beta s „ об
Гаврилково
Аммоний ион, мг/дм3 3.6 l.l 3.9 2.0 1.2 2.4 3.3 2.1 6.9 4.0 1.5 5.9 3.3 2.2 7.2 0 0 0 2.0 1.2 2.3
Нитраты, мг/дм3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Нитриты, мг/дм3 3.6 1.4 5.0 2.5 1.3 3.1 3.8 1.8 6.9 3.6 1.2 4.4 1.9 2.2 4.2 1.8 1.5 2.8 0 0 0
БПК^, мгО,/дм3 2.9 2.0 5.9 3.5 1.8 6.2 3.3 1.4 4.5 2.9 1.2 3.6 3.8 1.3 5.0 4.0 1.4 5.6 4.0 1.6 6.2
ХПК, мг/дм3 0 0 0 2.0 1.1 2.3 1.9 1.0 2.0 2.2 1.1 2.4 0 0 0 0 0 0 2.0 1.0 2.1
Кислород раствор., мгО,/дм3 2.2 2.0 4.5 0 0 0 0 0 0 2.9 1.5 4.4 0 0 0 0 0 0 0 0 0
Железо, мг/дм3 0 0 0 3.5 2.2 7.8 3.8 2.3 8.8 2.9 2.1 6.1 3.3 2.4 8.0 1.8 3.0 5.4 2.5 1.5 3.7
Марганец, мг/дм3 4.0 3.7 14.7 4.0 3.1 12.5 4.0 2.9 11.4 4.0 3.2 12.7 4.0 3.3 13.1 4.0 3.0 12.1 4.0 3.3 13.2
Сульфаты, мг/дм3 4.0 1.9 7.5 4.0 1.7 6.9 4.0 1.5 6.0 4.0 1.7 6.7 4.0 1.8 7.0 4.0 1.6 6.6 4.0 1.9 7.6
Э У» 4.6 4.6 5.2 5.1 4.9 3.6 3.9
Класс загрязненности Грязная 4а класс Грязная 4a класс Грязная 4a класс Грязная 4a класс Грязная 4a класс Грязная 4a класс Грязная 4a класс
Класс загрязненности Грязная 4а класс Грязная 4а класс Грязная 4а класс Грязная 4а класс Грязная 4а класс Грязная 4а класс Грязная 4а класс
Примечание: Salpha - оценочный балл повторяемости превышения заданного порога; Sbda - оценочный балл кратности превышения заданного порога; So6 - обобщенный балл загрязненности конкретным параметром; жирным шрифтом выделены критические показатели загрязненности
Note: Salpba - an estimated score of the frequency of exceeding a given threshold; Sbeta an estimated score of the multiplicity of exceeding a given threshold; Sob a generalized pollution score by a specific parameter; critical pollution indicators are highlighted in bold
e с с с
r^
(N (N (N (N
Зима
Весна
-Лето
-Осень
Рис. 2. Визуализация вероятностной оценки кратностей превышения ПДК (цикл итераций до
28 кратностей ПДК) Fig. 2. Visualization of the probabilistic estimation of the multiplicities of exceeding the maximal permissible concentration (iteration cycle up to 28 maximal permissible concentration)
Зима
Весна
Лето
Осень
Рис. 3. Изменчивость вероятности обнаружения превышений ПДК по сезонам (цикл итераций до 28 кратностей ПДК) Fig. 3. Variability of the probability of detecting maximal permissible concentration exceedances by seasons (iteration cycle up to 28 maximal permissible concentration)
0,00
2014 2015 2016 2017 2018 2019 2020 2021 2022
Рис. 4. Временная динамика вероятности обнаружения превышений ПДК (итерации до 21 кратности ПДК) Fig. 4. Temporal dynamics of the probability of detecting MPC exceedances (iterations up to 21 MPC multiplicities)
Ниже по течению, на станции Черки-Гришино, наибольшие значения повторяемости превышения ПДК отмечены для марганца, железа, ионов аммония, БПК5 и сульфатов (балл повторяемости соответствует значениям от 3 до 4) (табл. 1). Вместе с этим, высокий балл кратности превышения установлен для соединений марганца, что в совокупности приводит к критическому показателю загрязненности. Нитраты и ХПК вносят при этом значительно меньший вклад по баллам, повторяемости и кратности превышения ПДК, что обусловливает меньшее значение обобщенного показателя загрязненности. При этом концентрации растворенного в воде кислорода и нитратов также не превышают пороговых значений.
Индексы, отражающие загрязненность воды р. Свияги, имеют самые высокие значения на приустьевом участке (Гаврилково). Наибольшие баллы повторяемости превышения ПДК здесь установлены для соединений марганца и БПК5 (табл. 1). Высший балл кратности превышения применяемых порогов характерен для соединений Мп, что обусловливает высокое значение обобщенного показателя загрязненности. В то же время, остальные анализируемые ингредиенты и показатели качества воды имеют достаточно низкие баллы повторяемости и кратности превышений ПДК, что свидетельствует об их сравнительно небольшом вкладе в загрязненность речных вод. При этом, только по нитратам не отмечено превышений ПДК.
В целом высокие баллы кратности превышения ПДК в совокупности с показателями повторяемости приводят к значительному вкладу в общую загрязненность водного объекта ^ ) (табл. 1).
Степень (класс) загрязненности вод р. Свияги увеличивается по течению к устью (табл. 1), что обусловлено возрастающих вкладом как диффузных, так и сосредоточенных источников загрязнения, расположенных в ее бассейне.
Как следует из проведенного анализа, оценка и интерпретация рассчитанных значений УКИЗВ достаточно проста и эффективна, что делает ее доступной для автоматизации и компьютерной обработки. Вместе с этим, при создании модуля интерпретации мы использовали более глубокую степень обобщения, применяя с этой целью вероятностные подходы. Алгоритмы вероятностных оценок подробно описаны нами ранее (Валиев и др., 2019, 2021а,Ь).
По результатам расчета вероятностной характеристики, отражающей риск обнаружения загрязненной пробы воды, была получена сезонная динамика этого показателя (рис. 1). По сути, это
1/2022
27
Таблица 2. Вероятность обнаружения превышений ПДК и удельный комбинаторный индекс загрязненности вод (S J Table 2. Probability of detection of maximal permissible concentration exceedances and specific combinatorial index of water pollution (Sp)
Станция Station Вероятность Probability S s" sp
Сюндюково 0.24 3.0
Черки-Гришино 0.29 4.1
Гаврилково 0.47 4.6
вероятность обнаружения превышения ПДК хотя бы по одному гидрохимическому показателю, что дает представление о плотности распределения риска загрязненности в течение разных сезонов года. При этом система способна учитывать кратность превышения, задавая любое число циклов расчета с порогами в 2, 3, 4 и более кратностей ПДК. Итерации циклов расчета совершаются до тех пор, пока отмечаются превышения все более возрастающих порогов, либо число итераций заранее задается экспертом (рис. 2). Оценка полученных таким образом рядов вероятностей осуществляется модулем интерпретации с помощью приведения этих рядов к их средневзвешенным значениям.
Сезонная динамика демонстрирует четкую закономерность: отмечается резкое снижение вероятности обнаружения загрязненных образцов воды от зимы к осени, то есть и самые грязные образцы, и превышения ПДК чаще всего обнаруживались в зимних пробах, а самая низкая вероятность их присутствия отмечена для летних и осенних проб (рис. 3).
Многолетняя динамика загрязненности противоречива и не имеет четко обозначенных тенденций. Можно лишь констатировать, что за рассмо-
Таблица 3. Градации вероятностей Table 3. The probability gradation
тренный промежуток времени доля загрязненных образцов, приведенная к разным кратностям ПДК, практически не изменилась (p=0.21 в 2015 г. и p=0.23 в 2021 г.). При этом отмечено значительное колебание показателя вероятности в разные годы: от 0.05 в 2017 г. до 0.23 в 2021 г. Можно также отметить, что наиболее низкие значения вероятности обнаружения загрязненных образцов были в 2017, 2018 и 2020 гг., а наиболее неблагоприятная ситуация отмечена в 2015, 2019 и 2021 гг. (рис. 4).
Если сопоставлять вероятности загрязненности по станциям мониторинга, то можно отметить, что они полностью соответствуют оценкам качества вод, полученным на основании расчета удельного комбинаторного индекса загрязненности, а наибольшая вероятность превышения ПДК наблюдается на участке нижнего течения в районе Гаврилково (табл. 2).
При программной интерпретации распределений вероятностных характеристик используется специальный алгоритм их ранжирования с целью сопоставления с семантической переменной, отражающей смысловое описание той или иной величины вероятности. Алгоритм использует пропорциональный метод разбиения вариационного ряда, заключающийся в выделении из всего диапазона значений градаций, которым присваивается смысловое описание.
Интервал градаций определяется по формуле: (Max-Min)/3.
Например, при оценке вероятностей по участкам наблюдений интервал составил (0.47-0.24)/3=0.0766.
Соответствующие рассчитанному интервалу градации вероятностей и их описание выглядят следующим образом (табл. 3). Система автоматически генерирует диапазоны градаций признаков и присваивает им соответствующую смысловую характеристику.
Согласно рассчитанному распределению, участки реки в районе Сюндюково и Черки-Гри-
их семантические характеристики and their semantic characteristics
Относительная семантическая переменная Relative semantic variable Градации по участкам Gradations by site Градации по сезонам Gradations by season Градации по годам Gradations by year
«низкая» / «low» 0.24-0.32 0.11-0.23 0.05-0.11
«средняя» / «average» 0.32-0.40 0.23-0.35 0.11-0.17
«высокая» / «high» 0.40-0.47 0.35-0.47 0.17-0.23
28
российский журнал прииной экологии
шино относятся к зоне низкой вероятности загрязнения, а участок русла в районе Гаврилково - к высокой вероятности загрязнения воды. Самая низкая ожидаемая вероятность наличия загрязнения отмечена для осеннего и летнего периодов, весна относится к среднему по вероятности загрязнения воды сезону, а зимний период является самым неблагополучным. Среди годов исследования низкой вероятности соответствуют 2017 и
2020 гг., средней - 2016 г., высокой - 2015, 2019 и
2021 гг. (табл. 3).
Заключение
Таким образом, разработанный алгоритм семантической оценки качества поверхностных вод заключается в разделении полученных рядов вероятностей отклонения наблюдаемых значений гидрохимических показателей от нормативных на градации, их сопоставлении по возрастанию, присвоении каждой градации описательной характеристики и предоставлении, согласно присвоенным характеристикам, краткого оценочного описания (суждения).
Результаты интерпретации хорошо согласуются с экспертной оценкой, основанной на расчетах комплексных показателей загрязненности, регламентируемых РД 52.24.643-2002, и предоставляют краткую обобщенную характеристику экологической ситуации на водном объекте, что является необходимым условием разработки систем поддержки принятия решений в сфере регулирования водопользования.
Список литературы
1. Валиев В.С., Иванов Д.В., Шагидуллин Р.Р., Хасанов Р.Р., Шамаев Д.Е., Мустафина Л.К., Шурмина Н.В., Богданова О.А. Вероятностная оценка загрязнения поверхностных вод (на примере реки Казанка) // Вода: химия и экология. 2019. № 1-2. С. 69-76.
2. Валиев В.С., Хасанов Р.Р., Шамаев Д.Е. Автоматизация обработки первичных данных мониторинга качества вод и донных отложений поверхностных водных объектов // Российский журнал прикладной экологии. 2021а. №3. С. 30-35. doi: 10.24852/2411-7374.2021.3.30.35
3. Валиев В.С., Шамаев Д.Е., Иванов Д.В. Вероятностные подходы к оценке загрязненности поверхностных вод // Российский журнал прикладной экологии. 2021b. №3. С. 36-42. doi: 10.24852/2411-7374.2021.3.36.42
4. РД 52.24.643-2002. Метод комплексной оценки степени загрязненности поверхностных вод по гидрохимическим показателям.
References
1. Valiev V.S., Ivanov D.V., Shagidullin R.R., Hasanov R.R., Shamaev D.E., Mustafina L.K., Shurmina N.V., Bogdanova O.A. Veroyatnostnaya ocenka zagryazneniya poverhnostnyh vod (na primere reki Kazanka) [Probabilistic assessment of surface water pollution (using the example of the Kazanka River)] // Voda: himiya i ekologiya [Water: chemistry and ecology]. 2019. № 1-2. P. 69-76.
2. Valiev V.S., Khasanov R.R., Shamaev D.E. Avtomatizaci-ya obrabotki pervichnyh dannyh monitoringa kachestva vod i donnyh otlozhenij poverhnostnyh vodnyh ob"ektov [Automation of processing of primary data for monitoring the quality of waters and bottom sediments of surface water bodies] // Rossijskij zhurnal prikladnoj ekologii [Russian journal of applied ecology]. 2021a. №3. P. 30-35. doi: 10.24852/2411-7374.2021.3.30.35
3. Valiev V.S., Shamaev D.E., Ivanov D.V. Veroyatnostnye podhody k ocenke zagryaznennosti poverhnostnyh vod [Probabilistic approaches to the assessment of surface water pollution] // Rossijskij zhurnal prikladnoj ekologii [Russian journal of applied ecology]. 2021b. №3. P. 36-42. doi: 10.24852/24117374.2021.3.36.42
4. RD 52.24.643-2002. Metod kompleksnoj ocenki stepeni zagryaznennosti poverhnostnyh vod po gidrohimicheskim po-kazatelyam [A method of complex assessment of the degree of contamination of surface waters by hydrochemical indicators].
Valiev V.S., Shamaev D.E., Khasanov R.R., Ivanov D.V., Shagidullina R.A., Shagidullin R.R. Algorithms for interpreting of the surface water quality indicators.
The use of scientific interpretation for management decisions is a well-known problem that is difficult to solve due to different ways of evaluating the information received by departments and scientific research. In this regard, an urgent task is to create specialized software complexes that allow using the most modern methods of statistical analysis and system modeling for scientific purposes and at the same time having algorithms for interpreting the identified patterns in the form of simple formalized indicators and visualization. The article considers one of the approaches to solving this problem, as a result of which a modular software package for calculating and interpreting specific combinatorial indices of water pollution and bottom sediments is proposed and implemented.
Keywords: hydrochemical regime; water quality; specific combinatorial index of water pollution; spatial and temporal dynamics; monitoring; Sviyaga river.
1/2122
29
Раскрытие информации о конфликте интересов: Автор заявляет об отсутствии конфликта интересов / Disclosure of conflict of interest information: The author claims no conflict of interest
Информация о статье / Information about the article
Поступила в редакцию / Entered the editorial office: 21.02.2022
Одобрено рецензентами / Approved by reviewers: 28.02.2022
Принята к публикации / Accepted for publication: 02.03.2022
Информация об авторах
Валиев Всеволод Сергеевич, старший научный сотрудник, Институт проблем экологии и недропользования АН РТ, 420087, Россия, г. Казань, ул. Даурская, 28, E-mail: podrost@mail.ru.
Шамаев Денис Евгеньевич, младший научный сотрудник, Институт проблем экологии и недропользования АН РТ, 420087, Россия, г. Казань, ул. Даурская, 28, E-mail: ds1991n@gmail.com.
Хасанов Рустам Равилевич, научный сотрудник, Институт проблем экологии и недропользования АН РТ, 420087, Россия, г. Казань, ул. Даурская, 28, E-mail: rustamkhasanov88@gmail.com.
Иванов Дмитрий Владимирович, кандидат биологических наук, зам. директора по научной работе, Институт проблем экологии и недропользования АН РТ, 420087, Россия, г. Казань, ул. Даурская, 28, E-mail: water-rf@mail.ru.
Шагидуллина Раиса Абдулловна, доктор химических наук, начальник Управления обеспечения экологической безопасности и экологического мониторинга, Министерство экологии и природных ресурсов Республики Татарстан, 420049, Россия, г. Казань, ул. Павлюхина, 75, E-mail: Raisa.Shagidullina@tatar.ru.
Шагидуллин Рифгат Роальдович, доктор химических наук, директор, Институт проблем экологии и недропользования АН РТ, 420087, Россия, г. Казань, ул. Даурская, 28, E-mail: Shagidullin_@mail.ru.
Information about the authors
Vsevolod S. Valiev, Senior Researcher, Research Institute for Problems of Ecology and Mineral Wealth Use of Tatarstan Academy of Sciences, 28, Daurskaya st., Kazan, 420087, Russia, E-mail: podrost@mail.ru.
Denis E. Shamaev, Junior Researcher, Research Institute for Problems of Ecology and Mineral Wealth Use of Tatarstan Academy of Sciences, 28, Daurskaya st., Kazan, 420087, Russia, E-mail: ds1991n@gmail.com.
Rustam R. Khasanov, Researcher, Research Institute for Problems of Ecology and Mineral Wealth Use of Tatarstan Academy of Sciences, 28, Daurskaya st., Kazan, Russia, 420087, E-mail: rustamkhasanov88@gmail.com.
Dmitrii V. Ivanov, Ph.D. in Biology, Deputy Director, Research Institute for Problems of Ecology and Mineral Wealth Use of Ta-tarstan Academy of Sciences, 28, Daurskaya st., Kazan, 420087, Russia, E-mail: water-rf@mail.ru.
Raisa A. Shagidullina, D.Sci. in Chemistry, Head of the Department for Environmental Safety and Environmental Monitoring, Ministry of Ecology and Natural Resources of the Republic of Tatarstan, 75, Pavlyukhina st., Kazan, 420049, Russia, E-mail: Raisa. Shagidullina@tatar.ru.
Rifgat R. Shagidullin, D.Sci. in Chemistry, Director of the Research Institute for Problems of Ecology and Mineral Wealth Use of Tatarstan Academy of Sciences, 28, Daurskaya st., Kazan, 420087, Russia, E-mail: Shagidullin_@mail.ru.
3D
российский ил иий экологии
