CC BY
43
соединения органического и неорганического происхождения (ионы металлов, фенолы, цианиды, сульфаты, сульфиды и др.).
Бытовые сточные воды машиностроительных предприятий подобны городским сточным водам, очищаемым на городских станциях канализации. Основными загрязнителями являются крупные примеси органического и минерального происхождения в нерастворенном состоянии.
Атмосферные сточные воды образуются в результате смывания дождевыми, снеговыми и поливочными водами загрязнений, имеющихся на территории предприятий, крышах, стенах зданий и т.п. Основные загрязнители: механические частицы (земля, песок, камень, древесные и металлические стружки, пыль, сажа) и нефтепродукты (масла, бензин, керосин, используемые в двигателях транспортных средств).
Не менее важную роль в защите водного бассейна играют следующие мероприятия: вынесение промышленных предприятий из крупных городов и сооружение новых в малонаселенных районах с непригодными и малопригодными для сельскохозяйственного использования землями; оптимальное расположение промышленных предприятий с учетом топографии местности; установление санитарных зон вокруг промышленных предприятий; рациональная планировка строительства очистных сооружений, обеспечивающих оптимальные экологические условия; разработка бессточных технологических систем и водооборотных циклов на базе очистки сточных вод; совершенствование технологии и разработка оборудования с меньшим потреблением воды и соответственно сбросом стоков; проведение расчетов по определению объема потребления воды и сброса стоков непосредственно в водоем с указанием качественного состава и видов (условно-чистых, и нормативно-очищенных) вод [1].
Эти мероприятия должны быть направлены, прежде всего, на более рациональное использование ресурсов воды на предприятиях для производственных нужд, резкое сокращение сброса неочищенных стоков, улучшение экологического состояния водоемов [2].
Список использованной литературы:
1. Амиров Я.С., Сайфуллин Н.Р., Гимаев Р.Н. Технико-экономические аспекты промышленной экологии: Учебное пособие. Уфа: Изд-во УГНТУ, 1995. 262 с.
2. Промышленная экология. Под ред. Денисова В. В: Учебный курс. Ростов-на-Дону, 2009. 720 с.
© Давлетшина А.Д., 2016
УДК 556
Красногорская Наталия Николаевна
доктор техн. наук, профессор Нафикова Эльвира Валериковна канд. геогр. наук, доцент Белозерова Елена Алексеевна
ассистент
Соколова Ольга Владимировна
магистрант
кафедра Безопасности производства и промышленной экологии, УГАТУ, г.Уфа, РФ
ОБЗОР МЕТОДОВ ПРОГНОЗИРОВАНИЯ НА ВОДОСБОРАХ, НЕОХВАЧЕННЫХ НАБЛЮДЕНИЯМИ
Аннотация
Представлен обзор методов прогнозирования на водосборах, неохваченных наблюдениями. Изучены возможности и особенности использования методов районирования модельных параметров для
_МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «СИМВОЛ НАУКИ» №12-3/2016 ISSN 2410-700Х_
водосборов. Рассмотрены перспективы расширения прогностических возможностей существующих методов.
Ключевые слова
Прогнозирование, неохваченные наблюдениями водосборы, интерполяция, кригинг,
кокригинг, нейронные сети.
Определение характеристик речного стока и других компонентов гидрологического цикла водосборов, характеризующихся слабой гидрологической изученностью, является одной их важнейших проблем гидрологии и водного хозяйства. Для восполнения нехватки информации с гидрологических постов Международная ассоциация гидрологических наук (МАГН) в 2003 году создала проект Predictions in Ungauged Basins (PUB), направленный на повышение достоверности гидрологических прогнозов. Рабочие группы проекта стремились стимулировать разработку методов, используемых для прогнозирования речного стока, наносов, качества воды и основанных на улучшенном понимании и представлении физических процессов внутри и вокруг гидрологического цикла [1, с.16].
Анализ литературных данных в реферативной базе Scopus в течение научной декады PUB 2003-2012 гг. показал, что основная доля научных публикаций по темам, связанным с неизученными водосборами приходится на зарубежных исследователей [2-8].
Однако, проблема малоизученных водосборных территорий актуальна и для РФ, ввиду большой площади, неравномерного распределения водомерных постов по территории страны, и сокращению сети гидрометеорологических наблюдений Росгидромета [9] (рисунок 1).
1537 12SS 1Э9Э 20ОТ 2001 2002 2033 2004 2005 2005 2037 2005 2005 2010 2011 2012 2013
Years
Ы количество станций и количество постов
Рисунок 1 - Статистика изменения количества гидрометеорологических постов
в РФ в период 1997-2013 гг. [10]
Нехватка информации с гидрологических постов обуславливает развитие альтернативных методов получения информации о расходах воды. Основная часть которых, основывается на процессе переноса гидрологических данных с бассейнов, обеспеченных необходимыми гидрометеорологическими наблюдениями, на не обладающие таковой. В современной науке этот процесс переноса приобрел термин «районирование» [11, с.251-260].
На рисунке 2 представлены существующие в научной литературе методы районирования модельных параметров для расчета речного стока водосборов, неохваченных наблюдениями.
Рисунок 2 - Методы районирования
Методы пространственной интерполяции и геостатистики
Большинство геостатических методов принадлежит семейству методов кригинга. К наиболее часто реализуемым относят одинарный, простой, универсальный, вероятностный, индикаторный и дизъюктивный модели кригинга, а также их аналоги в кокригинге. Данные методы создают не только поверхности интерполяции, но и поверхности ошибок и неопределенностей, которые указывают на качество прогноза. Геостатические методы интерполяции измеряют пространственную автокорреляцию в измеренных точках и рассчитывают пространственную конфигурацию опорных точек вокруг интерполируемого местоположения [12]. Для определения выходного значения, для всех направлений, кригинг использует математическую функцию для определенного количества точек, или всех точек, в пределах заданного радиуса. Кригинг имеет две основные цели: количественная оценка пространственной структуры данных и создание интерполяций. [13, с.119-139].
Методы пространственного или физико-географического подобия основывается на следующем теоретическом положении: под влиянием подобных факторов формируются генетически близкие водосборные бассейны, которые при однотипных воздействиях испытывают сходные изменения.
Критерием близости или подобия является параметр эвклидова расстояния между водосбором, необеспеченным данными наблюдения, и водосбором-мишенью (изученный водосбор с достаточно длинными рядами наблюдений). Сущность методов заключается в том, что после нахождения аналогичного водосбору-мишени бассейна, набор откалиброванных по наблюдениям за речным стоком модельных параметров переносится на условно неизученный водосбор, находящийся в идентичных условиях. Однако аналоги не могут во всех отношениях соответствовать прогнозируемым объектам, поэтому прогноз, составленный на их основе, является приближенным.
Регрессионные методы позволяют установить связь между природными характеристиками водосбора и модельными параметрами с последующим проектированием полученных зависимостей на необеспеченные наблюдениями бассейны рек. Наиболее изученными являются методы с применением одиночной и множественной линейной регрессии для связи ландшафтных и модельных параметров. Однако, также существуют множественные нелинейные регрессионные методы. Одним из таковых является построение искусственных нейронных сетей (ИНС), используемых для прогнозирования водных ресурсов.
Искусственные нейронные сети - метод статического моделирования, воспроизводящий сложнейшие параметрические зависимости. Все ИНС являются совокупностью двух типов элементов - нейронов и связей между ними (рис.3).
Нейроны представляют собой простые процессоры, вычислительные возможности которых ограничиваются некоторым правилом комбинирования входных сигналов и правилом активации, позволяющим вычислить выходной сигнал по совокупности входных сигналов. Выходной сигнал элемента посылается другим элементам по взвешенным связям, с каждой из которых связан весовой коэффициент, или вес. В зависимости от его значения передаваемый сигнал или усиливается, или подавляется.
Программирование нейронных сетей заключается в их обучении, что является достоинством ИНС перед традиционными алгоритмами. Обучение заключается в нахождении коэффициентов связей меду нейронами. В процессе обучение ИНС способна выявлять сложные зависимости между входными и выходными данными, выполнять обобщения.
Успешно обученная сеть может воспроизводить верный результат на основании отсутствующих в обучающей выборке, неполных или частично искаженных данных. Это свойство характеризует адаптивность нейронных сетей к изменчивости окружающей среды [1, с.79-80]. Применение метода искусственных нейронных сетей для нахождения модельных параметров водосборов, неохваченных наблюдениями позволяет формализовать соотношения между ландшафтными характеристиками.
В настоящее время в ряде работ проведен сравнительный анализ рассмотренных методов районирования [14,15]. Исследователи пришли в выводу, что не существует одного универсального подхода и выбор метода прогнозирования гидрологических параметров речных бассейнов определяется характером водосбора, имеющимися в наличии данными и определяемыми характеристиками. Прогностические методы должны не только моделировать динамику водности рек, но и учитывать информацию о режимах функционирования водной системы, влияние климатических и ландшафтных факторов.
Перспективным направлением исследований является комбинирование методов для повышения достоверности прогноза и учета пространственно-временной изменчивости гидрологических процессов. Список использованной литературы:
1. Айзель Г.В. Расчеты речного стока на основе модели SWAP для водосборов с недостаточным информационным обеспечением: дис. ... канд. техн. наук. Институт водных проблем Российской академии наук, Москва, 2014.
2. Keith J. Beven. Rainfall-Runoff Modelling: The Primer 2d edition ISBN: 978-0-470-71459-1 488 pages February 2012, Wiley-Blackwell
3. Seibert, J., and Beven, K. J. (2009). "Gauging the ungauged basin: How many discharge measurements are needed?" Hydrol. Earth Syst. Sci., 13(6), 883-892.
4. Sivapalan, M. (2003). "Prediction in ungauged basins: A grand challenge for theoretical hydrology." Hydrol. Process., 17(15), 3163-3170.
5. Bloschl G., Sivapalan M., Wagener T., Viglione A., Savenije H. Runoff Prediction in Ungauged Basins: Synthesis across Processes, Places and Scales CAMBRIDGE UNIVERSITY PRESS 484 pages Hardback 1st edition April 2013 ISBN 978-1-107-02818-0
6. Hundecha Y., Ouarda T. B., Bardossy A. Regional estimation of parameters of a rainfall-runoff model at ungauged watersheds using the "spatial" structures of the parameters within a canonical physiographic-climatic
space // Water Resources Research. 2008. Т. 44. № 1.
7. Archfield, S.A., Vogel, R.M., 2010. Map correlation method: selection of a reference stream gauge to estimate daily streamflow at ungauged catchments. Water Resour. Res. 46, W10513, http://dx.doi.org/10.1029/2009WR008481.
8. Hrachowitz M., Savenije H.H.G., Bloschl G., McDonnelld J.J., Sivapalan M., Pomeroyg J.W., Arheimer B., Blume T., Clark M.P., Ehret U., Fenicia F., Freer J.E., Gelfan A., Gupta, D.A. Hughes, R.W. Hut, A. Montanari, S. Pande, D. Tetzlaff, P.A. Troch, S. Uhlenbrook H.V., Wagener T., Winsemius H.C., Woods R.A., Zehe E., Cudennec C. A decade of Predictions in Ungauged Basins (PUB)—a review //Hydrological Sciences Journal. 2013. № 58(6). С. 1198-1255.
9. Bobrovitskaya N.N., Kokorev A.A. Development of a hydrological network of observation in conditions of global warming (an example of Yakutia, Eastern Siberiya) // Proceedings of 12-th Riversymposium, Brisbane, Australia. 2009. С. 27.
Ю.Обзор деятельности Федеральной службы по гидрометеорологии и мониторнигу окружающей среды 2013 http://www.meteorf.ru/upload/iblock/2dc/0bzor-deyatelnosti-RGM-2013.pdf [Электронный ресурс]. 11.Bloschl G., Sivapalan M. Scale issues in hydrological modelling: a review //Hydrological processes. 1995. Т. 9. № 34. С. 251-290.
12.Официальный сайт Arcgic. Методы геостатического анализа. Интерполяция и кригинг [электронный ресурс] - Режим доступа: http://desktop.arcgis.com/ru/arcmap/latest/extensions/geostatistical-analyst/ свободный.
13.Krige D.G. A Statistical Approach to Some Mine Valuation and Allied Problems on the Witwatersrand // Journal of the Chemical, Metallurgical and Mining Society of South Africa. 1951. Т. 52. № 6. С.119-139/ 14.0udin L., Andreassian V., Perrin C., Michel C., Le Moine N. Spatial proximity, physical similarity, regression and ungauged catchments: A comparison of regionalization approaches based on 913 French catchments // Water Resources Research. 2008. Т. 44. № 3.
15.Razavi T., Coulibaly P., Asce M. Streamflow prediction in ungauged basins: review of regionalization methods // Journal of hydrologic engineering. 2012. Т. 18. № 8. С. 958-975.
© Красногорская Н.Н., Нафикова Э.В., Белозерова Е.А., Соколова О.В., 2016
УДК 551.5
Кузнецова Анжелика Викторовна,
Студентка 4 курса географического факультета Башкирского Государственного Университета,
Г. Уфа, РФ E-mail: [email protected]
ПРОБЛЕМЫ СОЗДАНИЯ БАЗЫ АГРОКЛИМАТИЧЕСКИХ ДАННЫХ ТЕРРИТОРИИ
БАШКИРСКОГО ПРЕДУРАЛЬЯ
Аннотация
В статье приведен краткий обзор агроклиматических баз данных, имеющихся в свободном доступе в сети Интернет и используемых в работах ИВЭП СО РАН. Отмечается необходимость применения для научных исследований натурных метеоданных, полученных со станций наблюдений.
Ключевые слова
Агроклиматическая база данных, метеорологические станции, Башкирское Предуралье. В последнее время в открытом доступе в сети Интернет появилось большое количество сайтов,
