Моделирование статистических параметров мутности воды в водотоках

В практике хозяйственного использования водных объектов актуальны расчеты твердого стока различных масштабов – от секундного до годового. Оценка годового твердого стока и степень ее достоверности, так же как и оценка статистических параметров мутности воды, крайне затруднительны при нерегулярности и недостаточном освещении для разных фаз водного режима. Вместе с этим изученность процессов формирования качества природных вод и создание достаточного арсенала расчетных методов позволяют в настоящее время воспроизводить с приемлемой точностью основные показатели качества воды. Расширить возможности статистического анализа показателей качества воды позволяет комплексный подход к оценке последних посредством хорошо зарекомендовавших себя детерминированных и стохастических алгоритмов расчета с аргументами, наблюдаемыми регулярно и продолжительно. Для оценки параметров распределения расходов наносов или мутности воды в этом случае может быть использован композиционный метод, который позволяет найти параметры кривой распределения функции через параметры кривой распределения ее аргументов. В работе представлена детерминировано-стохастическая моделирующая система «погода – сток – наносы», основанная на стохастической модели погоды, модели формирования стока на водосборе и модели годового твердого стока. Система позволяет оценить параметры распределения суточных значений стока наносов и мутности воды при недостаточности данных наблюдений и в условиях изменения формирования стока на водосборе, произошедших в результате естественных причин или хозяйственной деятельности. Практическая реализация моделирующей системы на примере реки Нарва показала хорошее соответствие между параметрами распределения наблюденных и рассчитанных рядов суточных значений мутности воды. Представленная численная реализация климатического прогноза показала, что уменьшение стока реки, вызванное ростом температуры воздуха, приведет к значительному увеличению мутности воды.

1. Алексеевский Н.И. Формирование и движение речных наносов. М.: МГУ, 1998. 201 с.

2. Борщ С.В. Христофоров А.В., Юмина Н.М. Статистический анализ в гидрологических прогнозах. М.: Гидрометцентр России, 2018. 160 с.

3. Виноградов Ю.Б. Математическое моделирование процессов формирования стока. Опыт критического анализа. Л.: Гидрометеоиздат, 1988. 312 с.

4. Возняк А.А., Лепихин А.П. Разработка региональных ПДК: необходимость, методика, пример // Географический вестник. 2018. № 2(45). С. 103–115.

5. Гельфан А.Н. Динамико-стохастическое моделирование формирования талого стока. М.: Наука, 2007. 280 с.

6. Карлин Л.Н. Прогностические оценки влияния изменения климата на экологическое состояние Балтийского моря. Отчет по проекту РФФИ № 09-05-13553. 2010.

7. Кондратьев С.А., Шмакова М.В. Математическое моделирование массопереноса в системе «водосбор – водоток – водоем». СПб.: Нестор-История, 2019. 248 с.

8. Крамер Г. Математические методы статистики. М.: Мир, 1975. 648 с.

9. Лепихин А.П., Возняк А.А. Статистические функции распределения гидрохимических показателей качества воды поверхностных водных объектов // Водное хозяйство России. Проблемы, технологии, управление. 2012. № 4. С. 21–32.

10. Смыжова Е.С. Оценка стока биогенных веществ с учетом особенностей гидрохимической информации (на примере реки Великой): автореф. дис. … канд. геогр. наук. СПб., 2010. 27 с.

11. Шмакова М.В. Стохастическая Модель Погоды в системе детерминировано-стохастического моделирования характеристик стока: автореф. дис. … канд. техн. наук. СПб., 2000. 25 с.

12. Ailliot P., Allard D., Monbet V., Naveau P. Stochastic weather generators: an overview of weather type models, Journal de la Socie te? Franc aise de Statistique, 2015, vol. 156(1), p. 101–113.

13. Bailey N.T.J. The Elements of Stochastic Processes, John Wiley, New York, 1964, 39 p.

14. Bobrovitskaya N.N., Kokorev A.V., Lemeshko N.A. Regional patterns in recent trends in sediment yields of Eurasian and Siberian rivers, Global and Planetary Change, 2003, vol. 39, p. 127–146.

15. Bobrovitskaya N.N., Kokorev A.V. Development of transboundary surface water monitoring system. XXIII Nordic Hydrological Conference, Tallinn, Estonia 8–12 August 2004, Selected articles Arvo Jarvet (ed.), vol. 11, NHP Report, no. 48, Tartu, p. 415–423.

16. Gumbel E.J. Statistical forecast of droughts, IAHS Bulletin, 1963, vol. 8, no. 1, p. 5–23.

17. Jones J.W. A simulated environmental model of temperature, evaporation, rainfall and soil moisture, Trans. Amer. Soc. Agric. Eng., 1972, no. 15, p. 0366–0372.

18. Kondolf G.M., Rubin Z.K., Minear J.T. Dams on the Mekong: Cumulative sediment starvation, Water Resource Research, 2014, vol. 50, iss. 6, p. 5158–5169.

19. Larsen G.A., Pense R.B. Stochastic simulation of daily climatic data for agronomic models, Agronomy Journal, 1982, vol. 74, no. 3, p. 510–514.

20. Moore J.N., Brook E.J., Johns C. Grain size partitioning of metals in contaminated coarse-grained river flood plain sediment, Clark Fork River, Montana, Environ. Geol. Wat. Sci., 1989, no. 14, p. 107–115.

21. Naidu B.S.K. Addressing the problems of silt erosion at hydro plants, Hydropower and Dams Issue Three, 1997.

22. Nick A.D., Harp J.F. Stochastic generation of temperature and solar radiation data, Journal of Hydrology, 1980, 48 p.

23. Racsko P.L., Szeidl L., Semenov M. A serial approach to local stochastic weather models, Ecological Modelling, 1991, vol. 57, p. 27–41.

24. US EPA, Nutrient Criteria Technical Guidance Manual: Lakes and Reservoirs, US Environmental Protection Agency, Washington, DC, EPA-822-B00-001, 2000.

25. Автоматизированная информационная система государственного мониторинга водных объектов (АИС ГМВО) // Министерство природных ресурсов и экологии Российской Федерации; Федеральное агентство водных ресурсов. URL: https://gmvo.skniivh.ru/index.php?id=1 (дата обращения 25.06.2020).