Pages Navigation Menu

ISSN 2227-6017 (ONLINE), ISSN 2303-9868 (PRINT), DOI: 10.18454/IRJ.2227-6017
ЭЛ № ФС 77 - 80772, 16+

DOI: https://doi.org/10.23670/IRJ.2022.118.4.020

Скачать PDF ( ) Страницы: 133-139 Выпуск: № 4 (118) Часть 1 () Искать в Google Scholar
Цитировать

Цитировать

Электронная ссылка | Печатная ссылка

Скопируйте отформатированную библиографическую ссылку через буфер обмена или перейдите по одной из ссылок для импорта в Менеджер библиографий.
Камышова Г. Н. СОВРЕМЕННЫЕ ТЕХНОЛОГИИ УПРАВЛЕНИЯ ВОДНЫМИ РЕСУРСАМИ В КОНТЕКСТЕ УСТОЙЧИВОГО РАЗВИТИЯ ТРАНСГРАНИЧНЫХ РЕГИОНОВ / Г. Н. Камышова, Н. Н. Терехова // Международный научно-исследовательский журнал. — 2022. — № 4 (118) Часть 1. — С. 133—139. — URL: https://research-journal.org/agriculture/sovremennye-texnologii-upravleniya-vodnymi-resursami-v-kontekste-ustojchivogo-razvitiya-transgranichnyx-regionov/ (дата обращения: 03.07.2022. ). doi: 10.23670/IRJ.2022.118.4.020
Камышова Г. Н. СОВРЕМЕННЫЕ ТЕХНОЛОГИИ УПРАВЛЕНИЯ ВОДНЫМИ РЕСУРСАМИ В КОНТЕКСТЕ УСТОЙЧИВОГО РАЗВИТИЯ ТРАНСГРАНИЧНЫХ РЕГИОНОВ / Г. Н. Камышова, Н. Н. Терехова // Международный научно-исследовательский журнал. — 2022. — № 4 (118) Часть 1. — С. 133—139. doi: 10.23670/IRJ.2022.118.4.020

Импортировать


СОВРЕМЕННЫЕ ТЕХНОЛОГИИ УПРАВЛЕНИЯ ВОДНЫМИ РЕСУРСАМИ В КОНТЕКСТЕ УСТОЙЧИВОГО РАЗВИТИЯ ТРАНСГРАНИЧНЫХ РЕГИОНОВ

DOI: https://doi.org/10.23670/IRJ.2022.118.4.020

СОВРЕМЕННЫЕ ТЕХНОЛОГИИ УПРАВЛЕНИЯ ВОДНЫМИ РЕСУРСАМИ В КОНТЕКСТЕ УСТОЙЧИВОГО РАЗВИТИЯ ТРАНСГРАНИЧНЫХ РЕГИОНОВ

Научная статья

Камышова Г.Н.1, *, Терехова Н.Н.2

1 ORCID: 0000-0002-8569-6259;

2 ORCID: 0000-0001-7724-6517;

1 Финансовый университет при правительстве РФ, Москва, Россия;

2 Саратовский государственный аграрный университет, Саратов, Россия

* Корреспондирующий автор (gkamichova[at]mail.ru)

Аннотация

В данной работе на основе применения методов геопространственного моделирования проводится анализ состояния водопользования (водопотребления и водоотведения) для устойчивого использования водных ресурсов в трансграничном регионе. Для дальнейшего прогнозирования водных ресурсов предлагается использовать нейросетевое моделирование. Исследование предлагает модель сочетания современных геоинформационных и нейросетевых технологий пространственного распределения удельного водопотребления. Полученные характеристики позволяют оценить современный уровень водопользования на трансграничной территории и являются основой для решения проблемных вопросов межгосударственного вододеления и могут быть использованы для определения приоритетных направлений деятельности, направленной на повышение эффективности водопользования и устойчивого развития трансграничных территорий.

Ключевые слова: устойчивое развитие, геопространственный анализ, нейросетевое моделирование, трансграничные регионы.

MODERN TECHNOLOGIES OF WATER RESOURCES MANAGEMENT IN THE CONTEXT OF SUSTAINABLE DEVELOPMENT OF TRANSBORDER REGIONS

Research article

Kamyshova G.N.1, *, Terekhova N.N.2

1ORCID: 0000-0002-8569-6259;

2ORCID: 0000-0001-7724-6517;

1 Financial University under the Government of the Russian Federation, Moscow, Russia;

2 Saratov State Agrarian University, Saratov, Russia

* Corresponding author (gkamichova[at]mail.ru )

Abstract

Based on the application of geospatial modeling methods, the article carries out an analysis of the state of water use (water consumption and sanitation) for the sustainable use of water resources in a transborder region. For further forecasting of water resources, it is proposed to use neural network modeling.The study offers a model for combining modern geoinformation and neural network technologies for spatial distribution of specific water consumption. The obtained characteristics allow for assessing the current level of water use in a transborder territory and are the basis for solving problematic issues of interstate water allocation and can be used to determine priority areas of activity aimed at improving the efficiency of water use and sustainable development of transborder territories.

Keywords: sustainable development, geospatial analysis, neural network modeling, transborder regions.

Введение

Немногим более пяти лет прошло с момента вступления в силу Целей в области устойчивого развития,направленных, в глобальном масштабе, на искоренение бедности, сохранение ресурсов планеты и обеспечение благополучия. Устойчивое развитие – это баланс между удовлетворением текущих потребностей человечества и защитой окружающей среды для удовлетворения потребностей будущих поколений. Растущее население и потребности в ресурсах создают потребность в практических методах. На основе этих программных документов правительства различных стран, межгосударственные и региональные объединения разрабатывают собственные концепции и программы для достижения целей устойчивого развития. Однако для достижения этих целей часто требуется сотрудничество между разными странами, регионами и организациями.

Значительную роль в таком сотрудничестве играют трансграничные территории как специальный тип территорий, особенно с точки зрения использования природных ресурсов. Примером таких трансграничных территорий могут служить государства так называемого Шелкового пути. Российско-Казахстанское трансграничное пространство является одним из региональных примеров международной трансграничной территории.

Обладая значительным потенциалом природных ресурсов в пределах своих границ, как Россия, так и Казахстан имеют территории, где эти ресурсы одновременно расположены в обоих государствах. Одним из таких ресурсов является вода. Именно вода, а точнее ее недостаток становятся одним из ключевых факторов, ограничивающих развитие экономики и социальной сферы.

По статистике, нехватку воды испытывают более сорока процентов населения земли. И ситуация только усугубляется по причине изменения климата, роста населения планеты и ускорения процессов урбанизации. Все это послужило основанием для выделения отдельной цели устойчивого развития – Обеспечение доступности и рационального использования водных ресурсов и санитарии для всех.

Основные результаты

В глобальном контексте на протяжении последних сорока лет ежегодный прирост водопотребления составляет 1%. Это может привести к значительному увеличению уровня водопользования к середине нынешнего тысячелетия. Приведем некоторую статистику [1] по текущей ситуации с уровнем водного стресса, который является одним из ключевых негативных факторов для устойчивого развития во всем мире, осложняя социально-экономическое развитие. В глобальном измерении интегральный показатель уровня водного стресса представлен на рисунке 1.

1

Рис. 1 – Интегральный показатель уровня водного стресса [1]

В мировом масштабе средний показатель водного стресса находится на приемлемом уровне 18,18%. Однако в региональном разрезе мы видим огромный дисбаланс (рисунок 2). Так максимального значения он достигает для региона северная Африка, в то время как для региона Африка к югу от Сахары – 5,9%. Для Северной и Латинской Америки значение разнится почти в три раза, составляя 20,16% и 6,04% соответственно. Так же велика разница между регионами Центральной (75,95%), Западной (57,9%) и Восточной Азии (45,62%).

1

Рис. 2 – Уровень водного стресса в региональном разрезе

В разрезе стран показатель водного стресса так же имеет значительные различия. Так, как видно из динамики, представленной на рисунке 3 в России этот показатель находится на уровне около 4% в то время, как в Казахстане более 30%.

1

Рис. 3 – Динамика уровня водного стресса России и Казахстана

В связи с потенциальной ограниченностью водных ресурсов и их крайней экологической уязвимостью, проблемы устойчивого управления водными ресурсами государства могут быть решены только при условии решения этих проблем на региональном уровне [2]. Российско-Казахстанское трансграничное пространство имеет огромные масштабы и включает 12 российских и 7 казахстанских субъектов территорий. Кластерный анализ суммарного использования воды в данном трансграничном регионе показывает ее неравномерность и может быть разделен на четыре кластера, приведенных в таблице 1.

Таблица 1 – Кластеризация суммарного использования свежей воды трансграничном пространстве

Кластер, млн м3 Регион РФ Регион РК
до 250 Омская область

Курганская область

Республика Алтай

Северо-Казахстанская область

Атырауская область

Костанайская область

250–500 Саратовская область

Алтайский край

Западно-Казахстанская область

Актюбинская область

500–750 Астраханская область

Волгоградская область

Самарская область

Челябинская область

Новосибирская область

Восточно-Казахстанская область
более 750 Оренбургская область

Тюменская область

Павлодарская область

В трансграничных регионах водопользование имеет свои особенности, что оказывает влияние на устойчивое развитие этих территорий. Так, одной из проблем, например, является недостаток естественного паводкового стока по обе стороны границы и формирование основного стока рек на территории России. Изменение климата, несомненно оказывает влияние на эти процессы и требует новых подходов к их исследованию.

В силу сложного характера взаимосвязей между процессами и факторами стандартные методы моделирования и анализа не дают полной информации. Необходим поиск пространственных закономерностей в распределенных гео-данных и взаимосвязях между объектами. Геопространственное моделирование наряду с методами искусственного интеллекта, такими как нейронные сети в данном случае является лучшим методом анализа и принятия решений [3], [4].

Как показывает приведенный выше анализ, оценки ученых и экспертов на межгосударственном уровне [5], на трансграничный сток приходится от 45% до 65% суммарного стока Республики Казахстан, большинство из которого это российско – казахстанский трансграничный регион. В связи с этим, возникает проблема оценки пространственных закономерностей водопотребления, гидрологического районирования, моделирования оценки уровня изменений естественного стока.

Россия и Казахстан, осознавая значительную роль воды и ресурсов для устойчивого экономического развития, разработали соответствующие государственные программы [6], [7]. Необходимость совместной реализации этих международных программ была вызвана обострением водной обстановки в трансграничном пространстве и, как следствие, многолетними межгосударственными разногласиями по вододелению.

Принятие решений по управлению трансграничными водными ресурсами должно основываться не только на пространственном анализе факторов, определяющих водопотребление и водоотведение, а также на экологическом состоянии водных ресурсов локальных по площади территорий (водосборы рек, муниципальные районы), но и на анализ этих факторов в региональном и региональном масштабе. Для совершенствования механизма управления водными ресурсами необходимы согласованные сторонами водохозяйственные балансы, отражающие современный гидрологический режим, уровень антропогенных изменений естественного стока и объективные данные о водопользовании.

Целью работы является создание модели управления водными ресурсами на основе геопространственных моделей в сочетании с искусственными нейронными сетями на примере Саратовской области (РФ), которая является пограничной территорией с Западно – Казахстанской областью (РК).

На территории Саратовской области выделяют три основных водных бассейна: бассейн реки Дон, бассейн реки Волги и бассейн Камыш – Самарских озер. Так, реки Большой и Малый Узень являются трансграничными водными объектами и принадлежат к бассейну Камыш – Самарских озер. Площадь водосбора реки Большой Узень составляет 15600 км2 (в пределах Российской Федерации – 9660 км2), длина – 650 км, в пределах Российской Федерации – 397 км. Водосборный бассейн реки. Малый Узень – 11600 км2 (в пределах РФ – 5980 км2), длина р. Малый Узень – 638 км, в пределах Российской Федерации – 374 км, из них 124 км приходится на границу между Российской Федерацией и Республикой Казахстан. Однако, данные водные объекты не обеспечивают в полной мере водопотребление, а дефицит восполнятся за счет подачи воды из Волжского бассейна. Помимо этого, для этого региона характерна проблема неравномерного формирования основного стока рек, так на Саратовскую область приходится 80%, в то время как на Западно – Казахстанскую только 20%. Средний многолетний показатель его составляет 264,8 км3/год, удельный – 69 тыс. м3/год на 1 км2 территории. Около половины водных ресурсов этого трансграничного региона используется для орошения, как со стороны России, так и со стороны Казахстана. В этой связи важным аспектом выступает комплексная оценка водных ресурсов Саратовской области, как приграничной территории, по сути, обеспечивающей устойчивое развитие всего трансграничного региона. При этом анализ распределения водных ресурсов по территории Саратовской области позволяет констатировать его крайнюю неравномерность. 49,6% удельных водных ресурсов составляет бассейн Волги, а на бассейны Дона и Камыш-Самарских озер (Б. Узень и М. Узень) – 37,6% и 12,8% соответственно.

Основным инструментом обработки больших объемов пространственных данных в России являются геоинформационные системы, позволяющие не только быстро оперировать большими объемами данных, но и успешно сочетать пространственные и гео-статистические методы их интерпретации и анализа. Исследование основано на данных статистической отчетности по водопользованию на территории Саратовской области [8]. В качестве расчетных берутся усредненные показатели за длительный период [9]. Затем в качестве предлагаемой нами модели положена комбинация нескольких нейронных сетей [10] (многослойная нейронная сеть и вероятностная нейронная сеть) рисунок 4 () для оценки уровня антропогенных изменений естественного стока. Приложения нейромоделирования в задачах агро-менеджмента приведены в [11], [12]. Отдельные вопросы нейромоделирования для снижения рисков орошаемого земледелия представлены в [13].

1

Рис. 4 – Нейронные сети: многослойная – слева, вероятностная – справа:

 набор входных параметров,  –  выходные параметры

Использование инструментов геоинформационного анализа при изучении пространственного водопользования Саратовской области позволило комплексно оценить данные, определяющие его структуру и объемы. В качестве пространственных исходных данных использовалась информация об административно-территориальном делении области и ее гидрологических районах (рис. 5.1).

1

Рис. 5.1 – Административно-гидрологическое зонирование

1Рис. 5.2 –Карта пространственного распределения удельного расхода воды

Анализ геопространственного моделирования водопотребления из поверхностных источников по территории Саратовской области позволяет сделать вывод, что наибольшие объемы водопотребления приурочены к бассейну реки Волга (восточные районы Правобережья Саратовской области и западные районы Левобережья Саратовской области, 40–100 м3/чел) и западной части Саратовской области в бассейне реки Дон в то время, как их минимальные значения наблюдаются в бассейне Камыш-Самарских озер (южные районы Левобережья Саратовской области, 20–40 м3/чел). То есть,Рис. 5.2 –Карта пространственного распределения удельного расхода воды

На рис. 5.2 представлена карта (Саратовская область) пространственного распределения удельного расхода воды в м3/км2 из поверхностных источников. Как показывает анализ, исследуемая территория бассейна Камыш-Самарских озер (Б. Узень и М. Узень) характеризуется средними значениями (250–350 м3/км2) распределения удельного водопотребления.

На следующем этапе проводится нейросетевое моделирование оценки уровня изменений естественного стока.
При этом использовались сети двух типов – многослойная и вероятностная. Одна из многослойных сетей сеть обучена моделировать засушливые условия, а другая влажные, а в качестве классифицирующего контроллера переключения между ними использовалась вероятностная нейронная сеть. В исследовании использовались данные за двадцати пятилетний период. В качестве предикторов использовались естественный сток и количество осадков в различные периоды. Сравнительный анализ моделирования лет с низкой и средней влагообеспеченностью показан на рисунке 6.

1

Рис. 6 – Сравнение результатов: годы низкой влагообеспеченности (слева),
годы средней влагообеспеченности (справа)

Полученные пространственные характеристики позволяют провести гидрологическое и административное районирование территории, выявить пространственные закономерности водопотребления и водоотведения, провести районирование по абсолютным и удельным значениям воды. потребление и водоотведение. Все это дает возможность оценить современный уровень водопользования на трансграничной территории, а использование комбинация нескольких искусственных нейронных сетей (многослойной и вероятностной) приводит к улучшению точности прогноза изменений естественного стока и являются основой для решения проблемных вопросов межгосударственного вододеления.

Заключение

Использование методов геопространственного анализа водопользования в Саратовской области позволило провести гидрологическое и административное районирование территории, выявить пространственные закономерности водопотребления и водоотведения, провести районирование по абсолютным и удельным значениям воды. потребление и водоотведение.

Полученные данные используются при разработке схем комплексного использования и охраны водных объектов, а также при составлении водохозяйственных балансов трансграничных рек Малый и Большой Узень, определении приоритетных направлений деятельности, направленной на повышение эффективности водопользования в Саратовской области и юго-западных регионах Казахстана. Это позволило приступить к реализации совместного проекта по гармонизации водных балансов трансграничных территорий и разработке мероприятий по устойчивому развитию трансграничных регионов.

Конфликт интересов

Не указан.

Conflict of Interest

None declared.

Список литературы / References

  1. TheUnited Nations World Water Development Report 2019: Leaving No One Behind /UNESCO World Water Assessment Programme. – Paris: UNESCO, 2019. –186 p.
  2. Рыбкина И. Д. Водные ресурсы российско-казахстанского трансграничного региона и их использование / И.Д. Рыбкина, Ж.Т. Сивохип // Юг России: Экология, развитие. – 2019. – Т. 14. – № 2. – С. 70-86.
  3. Разработка геоинформационной системы управления мелиоративным комплексом Саратовской области / В. В. Афонин, В.В. Корсак, Ю.А. Заигралов и др. // Научная жизнь. – 2018. – № 5. – С. 98-106.
  4. Насыров Н. Н. Геоинформационные технологии районирования ресурсов орошаемого земледелия / Н. Н. Насыров, В. В. Корсак, Т. В. Соколова // Научный обзор. – 2013. – № 2. – С. 30-38.
  5. Ресурсы речного стока Казахстана / С. К. Алимкулов, А. А. Турсунова, С. К. Давлетгалиев и др. // Гидрометеорология и экология. – 2018. – № 3. – С. 80–94.
  6. Водная стратегия Российской Федерации до 2020 г. – 2009. – [Электронный ресурс]. URL: http://government.ru/docs/10049/.(дата обращения: 12.03.2022)
  7. Государственная программа управления водными ресурсами Республики Казахстан // Водное хозяйство Казахстана. – 2013. – Т. 5(55). – 72 с.
  8. Охрана окружающей среды в России. 2020: Стат. cб./ Росстат. – M. – 2020. – 113 с.
  9. Johnston K. Using ArcGIS Geostatistical Analyst / K. Johnston, J. M. Hoef, K. Krivoruchko, N. Lucas. – Redlands: Environmental Systems Research Institute, 2001. – 300 p.
  10. Muller B., Reinhardt J. Neural Networks. An introduction. — Berlin: Springer-Verlag, 1991. – 266p.
  11. Соловьев Д. А. Совершенствование дождевальной техники на основе методов нейроуправления / Д. А Соловьев, Г.Н. Камышова, С.А. Макаров и др. // Научный журнал Российского НИИ проблем мелиорации. – 2020. – № 4(40). – С.23-38.
  12. Kamyshova G. N. Neuromodeling in Irrigation Management for Sustainable Agriculture / N. Kamyshova,
    D. A. Soloviov, D. A. Kolganov, V.V. Korsak, N. N. Terekhova //Advances in Dynamical Systems and Applications. – 2021. – V. 16. – № 1. – P. 159-170.
  13. Kamyshova G. N.Neural network models in reducing the risks of irrigated agriculture / G. N.Kamyshova// E3S Web of Conferences. ERSME-2020. 2020. Vol. 10004.

Список литературы на английском языке / References in English

  1. The United Nations World Water Development Report 2019: Leaving No One Behind / UNESCO World Water Assessment Programme. – Paris: UNESCO, 2019. –186 p.
  2. Rybkina I.D. Vodnyye resursy rossiysko-kazakhstanskogo transgranichnogo regiona i ikh ispol’zovaniye [Water resources of the Russian-Kazakhstan transboundary region and their use] / I.D. Rybkina, Zh.T. Sivokhip // South of Russia: Ecology, development. – 2019. – Vol. 14. – No. 2. – P. 70-86. [in Russian]
  3. Afonin V.V. Razrabotka geoinformatsionnoy sistemy upravleniya meliorativnym kompleksom Saratovskoy oblasti[Development of a geoinformation system for managing the reclamation complex of the Saratov region] / V.V. Afonin, V. V. Korsak, Yu.A. Zaigralov et al. // Scientific life. – 2018. – No. 5. – P. 98-106. [in Russian]
  4. Nasyrov N. N. Geoinformatsionnyye tekhnologii rayonirovaniya resursov oroshayemogo zemledeliya [Geoinformation technologies for zoning the resources of irrigated agriculture] / N. N. Nasyrov, V. V. Korsak, T. V. Sokolova // Scientific review. – 2013. – No. 2. – P. 30–38. [in Russian]
  5. Alimkulov S.K. Resursy rechnogo stoka Kazakhstana [River runoff resources of Kazakhstan] / S. K. Alimkulov, A. A. Tursunova, S. K. Davletgaliyev et al. // Gidrometeorologiya i ekologiya. – 2018. – № 3. – P. 80–94.[in Russian]
  6. Vodnaya strategiya Rossiyskoy Federatsii do 2020 g. [Water strategy of the Russian Federation until 2020] – 2009. – [Electronic resource]. URL: http://government.ru/docs/10049/ . (accessed: 12.03.2022)[in Russian]
  7. Gosudarstvennaya programma upravleniya vodnymi resursami Respubliki Kazakhstan [State program of water resources management of the Republic of Kazakhstan] // Water industry of Kazakhstan. – 2013. – Vol. 5 (55). – 72 p. [in Russian]
  8. Okhrana okruzhayushchey sredy v Rossii. 2020: Stat. sb. [Environmental protection in Russia. 2020: Stat. sb.] / Rosstat. – M. – 2020. – 113 p. [in Russian]
  9. Johnston K. Using ArcGIS Geostatistical Analyst / K. Johnston, J. M. Hoef, K. Krivoruchko, N. Lucas. – Redlands: Environmental Systems Research Institute, 2001. – 300 p.
  10. Muller B., Reinhardt J. Neural Networks. An introduction. – Berlin: Springer-Verlag, 1991. – 266p.
  11. Solovyov D. A. Sovershenstvovaniye dozhdeval’noy tekhniki na osnove metodov neyroupravleniya [Improvement of sprinkling technique based on neurocontrol methods] / D. A. Solovyov, G.N. Kamyshova, S.A. Makarov et al. // Scientific journal of the Russian Research Institute of Land Reclamation Problems. – 2020. – No. 4 (40). – P.23-38. [in Russian]
  12. Kamyshova G. N. Neuromodeling in Irrigation Management for Sustainable Agriculture / N. Kamyshova, D. A. Soloviov, D. A. Kolganov et al. //Advances in Dynamical Systems and Applications. – 2021. – V. 16. – № 1. – P. 159-170.
  13. Kamyshova G. N.Neural network models in reducing the risks of irrigated agriculture / G. N.Kamyshova// E3S Web of Conferences. ERSME-2020. 2020. Vol. 217. 10004.

Оставить комментарий

Ваш e-mail не будет опубликован. Обязательные поля помечены *

Лимит времени истёк. Пожалуйста, перезагрузите CAPTCHA.