Моделовање просторних и временских промена квалитета површинских вода

Abstract

Циљ ове докторске дисертације јесте да, помоћу математичких модела креираних на основу утврђених просторних и временских образаца промена квалитета површинских вода, допринесе успостављању ефикасног и ефективног система мониторинга. Речни систем Морава представља област истраживања. После утврђивања стања квалитета воде и степена утицаја антропогеног фактора, обиман скуп података обрађен је применом различитих метода. Интегрисање Serbian Water Quality Index-a (SWQI) и методе контролних карата омогућило је визуелно приказивање промена степена квалитета воде на току Мораве. Кластер и дискриминационом анализом извршена је значајна редукција скупа података, заснована на просторним и временским обрасцима. У просторном погледу је, на основу заједничких физичко-хемијских карактеристика воде, 14 мерних локација подељено у три кластера различитог степена загађености. Примена дискриминационе технике је допринела редуковању скупа података са 12 на 4 параметра. Могућност предикције кретања дискриминишућих параметара је доказана применом методе вештачких неуронских мрежа. Временским груписањем је период годишњег мониторинга подељен у три кластера. У овом случају је дискриминациона анализа свела полазни скуп на два дискриминишућа параметра. Резултати предочени у овој дисертацији пружају могућност идентификације и предикције критичних тачака и периода мониторинга, као и редукцију полазног сета података. Анализе су показале да се применом комбинације мултиваријационих техника, на примеру речног система Мораве, може креирати модел којим би се оптимизовао и рационализовао процес мониторинга квалитета воде.

The aim of this doctoral thesis is to create the mathematical model which, based on the recognized patterns of spatial and temporal surface water quality changes, enables the establishment of the efficient and effective monitoring system. The monitoring area is Morava River system. After the evaluation of the water quality and the influence of anthropogenic factor, an extensive dataset was processed using various techniques. The integration of Serbian Water Quality Index (SWQI) and control charts enabled simpler visualization of the Morava surface water quality changes. Spatial and temporal patterns, defined by the cluster and discrimination analysis, provided the significant data reduction. Based on the common physical and chemical characteristics of water, 14 measuring sites were divided into three clusters with different pollution levels. The application of discriminant analysis reduced the data set from 12 to 4 parameters. The ability to predict the changes of discriminatory parameters was demonstrated using the artificial neural networks (ANN) method. Temporal cluster analyses divided the period of the annual monitoring into the three groups. In this case, the discriminant analysis yielded two discriminatory parameters from the initial set. The analyses proved that the integration of different multivariate techniques could help in creating the model for the optimization and rationalization the surface water quality monitoring.