Разведочный анализ состава подземных вод Москвы

Охрана и использование подземных вод предполагают контроль и прогноз накопленных ими загрязняющих веществ природного и антропогенного происхождения, однако достоверная оценка этих и других закономерностей формирования показателей, необходимых для принятия управленческих решений, затруднительна из-за недостаточного объема аналитической информации. Временные ряды данных наблюдательных скважин даже такого мегаполиса, как Москва, ограничены 10–20 членами, что исключает применение традиционных статистических методов исследования. В работе предложен экспертно-статистический разведочный анализ данных (РАД), основанный на графической визуализации статистической информации и в меньшей степени, чем традиционные методы, зависимый от объема экспериментальной информации. C помощью данных, полученных на наблюдательных скважинах Теплостанской возвышенности Юго-Западного административного округа Москвы в 2018–2023 гг., установлена статистическая неоднородность временных рядов состава и свойств подземных вод, исключающая случайность формирования данных и обусловленная скрытыми закономерностями их изменения, обнаружена взаимно согласованная вариабельность значений для некоторых пар веществ, загрязняющих подземные воды, показана возможность идентификации происхождения (природное или антропогенное) отдельных компонентов подземных вод, продемонстрирована возможность уменьшения количества переменных в наборе контролируемых показателей путем использования метода главных компонент (МГК), которые в рассматриваемой задаче описывают 72 % дисперсии. Измерения проведены на совокупности пространственно-разделенных скважин, поэтому использована возможность традиционного метода панельного анализа экспериментальных данных.

1. Bruce P., Bruce A. Practical Statistics for Data Scientists: 50 Essential Concepts. Sebastopol, CA: O’Reilly Media, 2017. 315 p.

2. Tukey J.W. Exploratory Data Analysis. Addison-Wesley Ser. in Behavioral Science: Quantitative Methods. Mosteller F. (Ed.). Reading, MA, Addison-Wesley Publ. Co., 1977. xvi, 688 p.

3. Большев Л.Н., Смирнов Н.В. Таблицы математической статистики. М.: Наука, 1983. 416 с.

4. Deming W.E. The New Economics for Industry, Government, Education. 3rd ed. Cambridge, MA: The MIT Press, 2018. 240 p.

5. Wheeler D.J., Chambers D.S. Understanding Statistical Process Control. 3rd ed. Knoxville, TN: SPC Press, 2010. 428 p.

6. Banik S., Kibria B.M.G., Sharma D. Testing the population coefficient of variation // J. Mod. Appl. Stat. Methods. 2012. V. 11, No 2. P. 325–335. https://doi.org/10.22237/jmasm/1351742640.

7. David H.A. Order Statistics. Wiley Ser. in Probability and Mathematical Statistics. 1st ed. New York, NY, London, Sydney, Toronto: Wiley, 1970. xi, 272 p.

8. Kendall M.G. Time-Series. 2nd ed. London: Charles Griffin & Co. Ltd., 1976. ix, 197 p.

9. Kendall M.G., Stuart A. The Advanced Theory of Statistics. V. 2: Inference and relationship. 3rd ed. London: Charles Griffin & Co. Ltd., 1973. 723 p.

10. Legendre P., Legendre L. Numerical Ecology. 3rd ed. Ser.: Developments in Environmental Modelling. V. 24. Amsterdam: Elsevier, 2012. 990 p.

11. Schages L., Wichern F., Geisen S., Kalscheuer R., Bockmühl D. Distinct resistomes and microbial communities of soils, wastewater treatment plants and households suggest development of antibiotic resistances due to distinct environmental conditions in each environment // Antibiotics. 2021. V. 10, No 5. Art. 514. https://doi.org/10.3390/antibiotics10050514.

12. de Smith M.J., Goodchild M.F., Longley P.A. Geospatial Analysis: A Comprehensive Guide to Principles, Techniques and Software Tools. 2nd ed. Leicester: Troubador Publ. Ltd., 2007. xiii, 394 p.

13. ГОСТ 1057-2014. Масла селективной очистки. Метод определения фенола и крезола. М.: Стандартинформ, 2015. 8 с.

14. ГОСТ Р 70283-2022. Охрана окружающей среды. Поверхностные и подземные воды. Общие требования к методам определения нефтепродуктов в природных и сточных водах. М.: Российский институт стандартизации, 2015. 8 с.

15. Крайнов С.Р., Рыженко Б.Н., Швец В.М. Геохимия подземных вод. Теоретические, прикладные и экологические аспекты. М.: ЦентрЛитНефтеГаз, 2012. 672 с.

16. Адлер Ю.П., Шпер В.Л. Практическое руководство по статистическому управлению процессами. М.: Альпина Паблишер, 2019. 234 с.

17. Shper V., Adler Y. The importance of time order with Shewhart control charts // Qual. Reliab. Eng. Int. 2017. V. 33, No 6. P. 1169–1177. https://doi.org/10.1002/qre.2185.

18. ГОСТ Р 50779.42-99. Статистические методы. Контрольные карты Шухарта. М.: Госстандарт Росcии, 2008. 36 с.

19. ГОСТ Р ИСО 7870-2-2015. Статистические методы. Контрольные карты. Часть 2. Контрольные карты Шухарта. М.: Стандартинформ, 2019. 46 с.

20. Jaumot J., Navarro A., Faria M., Barata C., Tauler R., Piña B. qRT-PCR evaluation of the transcriptional response of zebra mussel to heavy metals // BMC Genomics. 2015. V. 16, No 1. Art. 354. https://doi.org/10.1186/s12864-015-1567-4.

21. Gautam V.K., Kothari M., Al-Ramadan B., Singh P.K., Upadhyay H., Pande C.B., Alshehri F., Yaseen Z.M. Groundwater quality characterization using an integrated water quality index and multivariate statistical techniques // PLoS One. 2024. V. 19, No 2. Art e0294533. https://doi.org/10.1371/journal.pone.0294533.

22. Berndt E.R. The Practice of Econometrics: Classic and Contemporary. Reading, MA: Addison-Wesley Publ. Co., 1991. xviii, 702 p.

23. Cheng H. Analysis of Panel Data. 2nd ed. Ser.: Econometric Society Monographs. No 34. Cambridge: Cambridge Univ. Press, 2003. xiv, 366 p.

24. Karakasidis T., Charakopoulos A. Time Series and Networks Analysis: A Hands-On Approach (Matlab & Octave). 1st ed. Cham: Springer, 2025. xi, 180 p. https://doi.org/10.1007/978-3-031-92628-0.

25. Greene W.H. Econometric Analysis. 5th ed. Upper Saddle River, NJ: Prentice Hall, 2003. xxx, 1026 р.