Идентификация предприятий-загрязнителей воды на основе нейросетевого анализа

Целью исследований явилось решение задачи повышения эффективности обнаружения крупных предприятий-загрязнителей природной воды из числа многих водопользователей промышленного региона. Для достижения цели были использованы искусственные нейронные сети (ИНС), позволяющие выявлять и оценивать веса связей между статистическими данными, что важно для изучения динамики формирования качества воды в условиях его пространственно-временной вариабельности. Работа выполнена на примере имеющихся 250 измерений концентрации каждого из четырех приоритетных металлов на гидрохимических створах р. Исеть в зоне г. Екатеринбурга. Нейросетевой анализ позволил обнаружить взаимозависимости отдельных показателей качества воды на соседних створах: в пунктах выше г. Екатеринбурга (+5,2 км, створ 1), в городе (створ 2) и ниже его (–4 км, створ 3), итого в 3 × 4 × 250 = 3000 точках. Было установлено, в частности, что влияние содержания никеля в воде створа 2 на концентрацию других металлов створа 3, особенно на цинк, является достаточно высоким, так что коэффициент корреляции оказывается не ниже 0.6. Подобные результаты позволили установить логистические хозяйственные связи водопользователей и упростить идентификацию загрязнителей воды по «водному следу», оставленному предприятиями-смежниками. Тем самым показано, что ИНС обеспечивает выявление техногенного снижения качества воды на фоне ее природного загрязнения одними и теми же веществами. Достоверность выводов подтверждается возможностью удовлетворительно предсказывать качество воды створа, расположенного ниже по течению реки, по данным для створа, расположенного выше, как это установлено в работе путем прогноза качества воды с помощью ИНС.

1. Строганов С.Н. Связь питания жителей и состава сточной воды: Питание Москвы в 1903-1922 гг.: Труды Совещания по очистке сточных вод, состоящего при Канализационном отделе М.К.Х. // Московское коммунальное хозяйство. 1923. Вып. 2.

2. Virender K. Sharma, Eric Lichtfouse, Etienne Decroly. COVID-19 epidemiologic surveillance using wastewater // Environmental Chemistry Letters. 2021. V. 19 (45). № 1. Pр. 1911-1915.

3. Данилов-Данильян В.И., Веницианов Е.В., Аджиенко Г.В., Козлова М.А. Оценка современных подходов к управлению качеством поверхностных вод и их охране // Вестник РАН. 2019. Т. 89, № 12. С. 1248-1259.

4. О состоянии и использовании водных ресурсов Российской Федерации в 2020 году: государственный доклад.

5. Розенталь О.М., Александровская Л.Н., Кириллин А.В. Байесовский подход к повышению достоверности контроля качества вод // Аналитика и контроль. 2018. Т. 22, № 3. С. 334-340.

6. Яковлев С.В., Воронов Ю.В. Водоотведение и очистка сточных вод: учебник. М.: АСВ, 2002. 704 с.

7. Диффузное загрязнение водных объектов: проблемы и решения: коллективная монография / Под рук. В.И. Данилова-Данильяна. М.: РАН, 2020. 512 с.

8. Martin Anthony, Peter Bartlett. Neural Network Learning: Theoretical Foundations. Cambridge University Press, Cambridge, New York, 2002. 504 p.

9. Боровиков В.П. Нейронные сети STATISTICA Neural Networks: Методология и технология современного анализа данных: учебное пособие М.: StatSoft, 2015. 354 с.

10. ГОСТ Р ИСО 14046-2017. Экологический менеджмент. Водный след. Принципы, требования и руководящие указания.

11. ГОСТ 27384-2002. Вода. Нормы погрешности измерений показателей состава и свойств.