Информационно-аналитическая система "Онежское озеро и его водосбор"

Гидрохимическая база данных по Онежскому озеру и его притокам

В гидрохимическую базу данных по Онежскому озеру и его притокам вошли следующие показатели: БПК₅, биогенные элементы (NH₄⁺, NO₂^-, NO₃^-, N_общ, Р_мин, Р_общ, кремний) и кислород. В базу по Онежскому озеру не вошли данные 1961-1990 гг. по причине их несопоставимости с периодом 1992-2021 гг. в связи с тем, что за 60-летний период изменились методы анализа некоторых химических показателей. Так, визуальное определение и титрование, широко применявшееся для большинства показателей в середине прошлого века, постепенно было заменено аппаратными средствами измерений, исключающими элемент субъективной оценки и имеющие более высокие точность и воспроизводимость результатов анализа.

Методы химического анализа, применявшиеся в различное время для определения рассматриваемых химических показателей

Показатель	Метод определения	Период	Результаты сравнения	Ссылки
NO₃^-	1. Дифениламиновый	До 1986	(1) и (2) дают существенное завышение результатов и не применимы для поверхностных вод по сравнению с (3)	(Лозовик, 2006)
	2. С салициловой кислотой
	3. Восстановление на Cd-Cu редукторе	С 1986
P_общ	1. По Кельдалю	До 1988	(1) дает существенное завышение результатов по сравнению с (2) от 20 до 50%	(Лозовик, 2006)
	2. Персульфатный	С 1988

Определение P_общосуществлялось двумя способами путем его перевода в растворимые формы: по Кельдалю, применявшийся до 1988 г., и путем окисления с персульфатом аммония на кипящей водной бане, используемый и в настоящее время. Первый метод дает существенное завышение результатов анализа (от 20 до 50%) по сравнению со вторым [Лозовик, 2006].

Метод определения нитрат-ионов с салициловой кислотой, применявшийся до 1986 г. завышает результаты определения, поскольку анализ осуществляется в сухом остатке с обработкой пробы серной кислотой, что приводит к обугливанию органических веществ и увеличению оптической плотности раствора [Лозовик, 2006].

Пелагическая часть озера, в которую были объединены Центральное Онего, Большое, Малое и Южное Онего, Петрозаводская и Кондопожская губы, Повенецкий и Заонежский заливы, сохраняет высокое качество воды [Galakhina et al., 2022], которое существенно не изменилось за последние несколько десятилетий. Статистическая обработка химических данных за 30-летний период (1992-2021 гг.) показала, что в пелагической части Онежского озера в целом, а также в отдельных ее районах (Центральном и Южном районах, Заонежском заливе, Малом и Большом Онего) наблюдается снижение концентрации N-NO₃ (тест Пирсона, p << 0,01), тогда как тенденции в изменении концентрации P_общ в этих районах отсутствуют (тест Пирсона, p > 0,01) [Galakhina et al., 2022]. С одной стороны, снижение концентрации нитратов может быть связано с увеличением их потребления в результате протекания продукционных процессов [Dove, Chapra, 2015]. С другой стороны, это может быть следствием изменения азотной нагрузки от атмосферных осадков [De Pinto et al., 1986]. Сейчас трудно установить точную причину данного тренда, но в любом случае это является плохим знаком для экосистемы озера в целом. В связи с этим соотношение минерального азота (N_мин = N-NO₃ + N-NH₄ + N-NO₂) к P_общ может быть применено для оценки лимитирования БЭ в озере [Dove, Chapra, 2015]. В настоящее время в пелагической части озера оно имеет тенденцию к снижению с 33,7 в 1992-1995 гг. до 23,7 мг N/мг P [Galakhina et al., 2022]. В данный момент он намного выше по сравнению с коэффициентом Редфилда (7,2 мг N/мг P), что можно объяснить снижением лимитирования фосфором, но в будущем это может привести к постепенному эвтрофированию озера [Dove, Chapra, 2015].

В результате статистического анализа данных химического состава, полученных в 2019-2021 гг., установлено, что Кондопожская и Петрозаводская губы, Кижские шхеры, подверженные значительному антропогенному воздействию, существенно отличаются от центральной части Онежского озера [Galakhina et al., 2022]. Для периода 1992-2021 гг. в воде Кижских шхер установлены тренды снижения концентрации P_общ, и нитратов (тест Пирсона, p << 0,01) [Galakhina et al., 2022], что может быть связано со снижением антропогенного воздействия.

Химический состав воды Петрозаводской губы находится под влиянием трех мощных факторов: стока р. Шуя, сточных вод г. Петрозаводска и озерных вод. Река Шуя является причиной высокого содержания ОВ, взвешенных веществ, Fe, P_общ, а также низкой минерализации и pH в воде Петрозаводской губы, и тем самым ухудшает ее качество, особенно зимой и весной. Поступление в залив сточных вод очистных сооружений как источника аммония, нитратов и фосфатов по-прежнему сказывается на содержании БЭ в заливе, особенно зимой в придонном слое. Вода высокого качества, поступающая из центральной части озера, благоприятно влияет на Петрозаводскую губу, улучшая ее качество. Благодаря гидродинамическим процессам химический состав воды в Петрозаводской губе летом и осенью наиболее близок к центральной части озера, тогда как в зимне-весенний период в большей степени соответствует водам р. Шуя.

В период с 1992 по 2021 гг. на некоторых станциях в Петрозаводской губе (ст. P1-P5) в эпилимнионе (10 м) в весенний период наблюдался тренд увеличения концентрации P_общ [Galakhina et al., 2022], что согласуется с ранее описанными тенденциями для ст. P2 [Kalinkina et al., 2020] и подтверждает влияние стока р. Шуя на изменение содержания P_общ в заливе. На ст. P7 (рядом с очистными сооружениями г. Петрозаводска) какая-либо динамика содержания P_общ в этот период не выявлена [Galakhina et al., 2022]. В течение последних тридцати лет в Петрозаводской губе во все сезоны наблюдается тренд снижения нитратов, ставший причиной уменьшения соотношения N_мин:P_общ [Galakhina et al., 2022]. Гипотетически, уменьшение концентрации нитратов в Петрозаводской губе может быть связано с увеличением их поглощения в результате протекания продукционных процессов, вызванным увеличением концентрации P_общ. Аналогичный эффект потребления нитратов ранее был отмечен для высокопродуктивного оз. Эри [Dove, Chapra, 2015].

На химический состав воды Кондопожской губы влияние оказывают сток р. Суны, сточные воды Кондопожского целлюлозно-бумажного комбината [Сабылина, 2015], а также форелевые хозяйства [Галахина, Зобков, 2022]. При этом речной сток способствует улучшению качества воды в вершине губы в результате разбавления, одновременно усиливая перенос загрязняющих веществ в открытую часть озера. Тогда как сточные воды комбината и форелевые хозяйства являются главными источниками поступления в залив ОВ и БЭ [Сабылина, Рыжаков, 2007; Galakhina et al., 2022, Галахина, Зобков, 2022].

Влияние форелевых хозяйств на химический состав воды Кондопожской губы существенно усиливается в зимний период [Галахина, Зобков, 2022]. По данным, полученным в марте-апреле 2022 г., в придонном слое воды рядом с садками происходило накопление минерального фосфора (до 787 мкг/л) и ионов аммония (до 0,40 мгN/л), а также наблюдался дефицит кислорода (0,8 мг/л), вызванный окислением органического вещества. В период открытой воды 2019-2021 гг. придонный слой воды у садков также отличался повышенными концентрациями Р_общ (до 86 мкг/л с преобладанием минеральных форм (69%)) и аммония (до 0,09 мгN/л) [Zobkov et al., 2022].

В центральной части Кондопожской губы, в которой расположены форелевые хозяйства, с 1992 г. по настоящее время наблюдается тренд увеличения концентрации P_общ (тест Пирсона, p << 0,01), тогда как в вершине и внешней части залива какая-либо динамика Р_общне выявлена (тест Пирсона, p > 0,01) [Galakhina et al., 2022]. Это указывает на то, что форелевые хозяйства способствуют расширению зоны эвтрофирования в Кондопожской губе и вместе со сточными водами ЦБК оказывают влияние на содержание БЭ в ней. В то же время во всей губе наблюдается статистически значимое снижение соотношения N_мин:P_общ (тест Пирсона, p << 0,01) [Galakhina et al., 2022].

В крупнейших заливах озера обнаружена тенденция увеличения содержания Р_общ: в Петрозаводской губе – за счет влияния р. Шуи, в Кондопожской – в результате совместного функционирования форелевых хозяйств и деятельности ЦБК. В пелагиали Онежского озера снижение соотношения N_мин:P_общ за последние тридцать лет может трактоваться как один из признаков начинающегося процесса эвтрофирования.

Тенденции изменения химического состава воды Онежского озера за многолетний период (1992-2021 гг.)

Дешифрирование подстилающей поверхности на водосборе

Для дифференциации земного покрова использовалась глобальная коллекция данных о подстилающей поверхности Copernicus Global Land Service Collection 3 (CGLS) [Buchhorn, Lesiv, 2020; Buchhorn, Bertels, 2020]. Коллекция CGLS построена на спутниковых снимках Proba-V и Sentinel-2. В качестве цифровой модели рельефа использовался глобальный набор данных Copernicus COP-DEM-GLO-90 (Copernicus DEM), который представляет собой цифровую модель поверхности, включающую здания, инфраструктуру, растительность и гидрографическую сеть. Copernicus DEM получена на основе цифровой модели рельефа WorldDEM^ТМ по данным спутников TanDEM-X и TerraSAR-X. WorldDEM^ТМ представляет собой цифровую модель поверхности, обработанную от дефектов съемки и включающую в себя гидрографическую сеть. Имеет абсолютную точность по высоте 4 м и размер ячейки сетки 12х12 м. В Copernicus DEM использовано пространственное разрешение 90 м.

Коллекция CGLS имеет пространственное разрешение 100 м. Основная коллекция данных CGLS (CGLS-LC100) обеспечивает первичную схему подстилающих поверхностей на трех уровнях классификации (леса, сельскохозяйственные культуры и естественная растительность), 12 классов на уровне 1 и до 23 классов на уровне 3, с классами по схеме, разработанной в ООН, Land Cover Classification System (LCCS) (рис.1, таблица 1 с классами, присутствующими на водосборе Онежского озера). Слой типа «лес» показывает распространение вечнозеленых хвойных и широколиственных, а также листопадных хвойных и широколиственных лесов.

Коллекция данных CGLS имеет непрерывный слой растительности, который обеспечивает пропорциональные оценки растительного покрова для всех базовых классов, то есть деревьев, кустарников, травянистой растительности, пахотных земель, мхов и лишайников, голой земли/редкой растительности, льда, постоянной водной поверхности. Эти девять слоев дополняются слоем сезонной водной поверхности, показывающий, что в пределах пикселя водная поверхность присутствовала до 11 месяцев в году. Данные коллекции постоянное обновляются и дополняются с 2015 года (последнее обновление от 31.12.2020 г.). Общая точность для дискретного слоя на уровне классификации 1 продукта CGLS-LC100 Collection 3 была рассчитана для каждого континента. Все континенты имеют общую точность около 80 %, самая низкая — 77,1 % для Северной Америки и самая высокая — 83,3 % для Азии.

Рис. 1 – Типы подстилающих поверхностей по данным коллекции CGLS на частных водосборах Онежского озера. Расшифровка классов подстилающих поверхностей приведена в таблице 1

Таблица 1 – Типы подстилающих поверхностей на водосборе Онежского озера

Цвет

Код цвета

Класс

Описание класса

FFBB22

Кустарники. Древесные многолетние растения без выраженного главного стебля высотой менее 5 м.

FFFF4C

Травянистая растительность. Растения без устойчивого стебля или побегов над землей и без определенной твердой структуры. Покрытие древесно-кустарниковой растительностью менее 10 %.

F096FF

Возделываемая и управляемая растительность / сельское хозяйство. Земли, покрытые однолетними культурами с последующим сбором урожая и периодом голой почвы (например, одно- и многосекционные системы).

FA0000

Городские территории/застройки. На территории находятся здания и другие искусственные сооружения.

0032C8

Постоянные водоемы. Озера, водохранилища и реки. Могут быть как пресными, так и солеными.

0096A0

Травянистое болото. Земли с постоянной смесью воды и травянистой или древесной растительности. Растительность может присутствовать в соленой, солоноватой или пресной воде.

58481F

111

Сомкнутый лес, вечнозеленый игольчатый лист. Сомкнутость полога деревьев больше 70 %, почти все хвойные деревья остаются зелеными круглый год. Навес никогда не бывает без зеленой листвы.

00CC00

114

Сомкнутый лиственный лес. Сомкнутость полога деревьев больше 70 %. На площади преобладают сезонные лиственные древесные сообщества с годовым циклом периодов появления и отсутствия листьев.

4E751F

115

Сомкнутый лес, смешанный.

007800

116

Закрытый лес, не соответствующий ни одному из других определений.

A0DC00

124

Редкий листопадный лиственный лес. Верхний ярус – деревья 15-70 % и второй ярус – смешанный из кустарников и лугов, состоит из сезонных лиственных древесных сообществ с годовым циклом периодов появления и отсутствия листвы.

929900

125

Редкий смешанный лес.

648C00

126

Открытый лес, не соответствующий ни одному из других определений.

Географический охват коллекции CGLS Land Cover:

географическая проекция: World Geodetic System 1984 (EPSG:4326);
размер пикселя: не менее 1/112°;
положение нуля координат: центр пикселя для netCDF и для GeoTIFF – верхний левый угол 180° в.д., 75° с.ш, нижний правый угол 180° з.д., 56° ю.ш.

Методика создания коллекции данных включает следующие этапы обработки:

Предварительная обработка спутниковых снимков Proba-V и Sentinel-2, включая атмосферную и геометрическую коррекцию.
Очистка данных с помощью масок состояния конкретных датчиков и методов обнаружения (временных) выбросов.
Применение методов интеграции данных на нескольких уровнях.
Контролируемая классификация.
Включение сторонних наборов данных с помощью экспертных правил.
Очистка временных рядов путем анализа трендов растительного покрова с обнаружением, так называемых разрывов, то есть территорий, где произошли изменения по любому из вычисляемых спектральных индексов.

Классификация подстилающей поверхности основана на спектральных индексах, которые генерируются из данных отражательной способности поверхности PROBA-V для каждого временного шага в архиве:

Нормализованный разностный индекс вегетации (Normalized Difference Vegetation Index NDVI)
Расширенный вегетационный индекс (Enhanced Vegetation Index EVI)
Индекс поглощения основными пигментными структурами (Structure Intensive Pigment Index, SIPI)
Нормализованный разностный индекс влажности (Normalized Difference Moister Index NDMI)
Коэффициент отражения растительности в ближнем инфракрасном диапазоне (Near-Infrared reflectance of vegetation NIRv)
Угол NIR (Angle at NIR, aNIR) (комбинация коэффициентов отражения красного, ближнего и коротковолнового ИК диапазонов).

Отдельно генерируются дополнительные 5 характеристик, входящих в профили временных рядов оттенков и значений.

Цветовой тон (Hue) цветовой модели HSV.
Значение цвета (Value или Brightness) цветовой модели HSV
Насыщенность (Saturation)
Площадь под кривой (Area Under the Curve AUC). AUC представляет собой сумму коэффициентов отражения по всем полосам и показывает общий коэффициент отражения поверхности.
Нормализованная площадь под кривой (Normalized Area Under the Curve, NAUC) (нормализует все значения коэффициента отражения до минимальной отражательной способности перед расчетом площади).

Для оптимизации продуктов CGLS-LC100 для региональных моделей используется процедура классификации/регрессии, применяемая к конкретным экорегионам (кластерам биомов).

При расчете выноса азота и фосфора с водосбора использовались обобщенные классы подстилающих поверхностей, приведенные на карте.

Список литературы

Buchhorn M., Bertels L., Smets B., De Roo B., Lesiv M., Tsendbazar N.E., Masiliunas D., Linlin L. (2020): Copernicus Global Land Service: Land Cover 100m: Version 3 Globe 2015-2019: Algorithm Theoretical Basis Document; Zenodo, Geneve, Switzerland, September 2020; doi:10.5281/zenodo.3938968.

Buchhorn M., Lesiv M., Tsendbazar N. - E., Herold M., Bertels L., Smets B. Copernicus Global Land Cover Layers-Collection 2. Remote Sensing 2020, 12, Volume 108, 1044. doi:10.3390/rs12061044

O’Callaghan J.F., Mark D.M. The extraction of drainage networks from digital elevation data // Computer vision, graphics, and image processing. 1984. – Vol. 28(3). – P. 323–344.

Shuttle Radar Topography Mission 1 Arc-Second Global (Digital Object Identifier (DOI) number: /10.5066/F7PR7TFT

Wang L., Liu H. An efficient method for identifying and filling surface depressions in digital elevation models for hydrologic analysis and modelling. International Journal of Geographical Information Science. – 2006. – Vol. 20. – No. 2. – P. 193-213.

Кошель С.М., Энтин А.Л. Вычисление площади водосбора по цифровым моделям рельефа на основе построения линий тока // Вестник Московского университета. Серия 5: География. – 2017. – № 3. – С. 42-50.

Мальцев К.А., Ермолаев О.П. Использование цифровых моделей рельефа для автоматизированного построения границ водосборов // Геоморфология. – 2014. – № 1. – С. 45-53.

Национальный стандарт ГОСТ Р 52440-2005 Модели местности цифровые. Общие требования (утв. приказом Федерального агентства по техническому регулированию и метрологии от 28 декабря 2005 г. N 425-ст), Москва: Стандартинформ, 2006, 8 с.

Национальный стандарт РФ ГОСТ Р 52439-2005 Модели местности цифровые. Каталог объектов местности. Требования к составу (утв. приказом Федерального агентства по техническому регулированию и метрологии от 28 декабря 2005 г. N 424-ст), Москва: Стандартинформ, 2006, 53 с.

Никитенков А.Н., Дутова Е.М., Покровский Д.С. Картографические построения и оценка морфометрических параметров водосборов горно-складчатых территорий по данным спутниковой съемки (SRTM) (на примере северной части Кузнецкого Алатау) // Вестник Томского государственного архитектурно-строительного университета. – 2013. – № 1(38). – С. 223-231.

Основные типы подстилающих поверхностей на водосборе Онежского озера

№ п/п

Цвет

Код цвета

Описание класса

#ebb3ba

Смешанные территории. Включают в себя территории, покрытые кустарником, редкой растительностью (или голой землей), открытым вечнозеленым игольчатым лесом с верхним ярусом с сомкнутостью полога 15-70%, редким смешанным лесом и другими типами отрытого леса.

#ff8b37

Поля и луга. Включают в себя территории, покрытые травянистой растительностью без устойчивого стебля и твердой структуры, сельскохозяйственные поля с однолетними культурами и последующим сбором урожая.

#ff1500

Урбанизированные территории с городскими застройками и другими искусственными сооружениями.

#0000dd

Постоянные водоемы (озера, водохранилища, реки)

#21b14c

Естественные территории. Включают в себя сомкнутые вечнозеленые, лиственные и смешанные леса с сомкнутостью полога > 70%, а также травянистые болота (земли с постоянной смесью воды и травянистой или древесной растительностью)

Значение площадей различных подстилающих поверхностей по данным коллекции CGLS на территории частных водосборов Онежского озера.

Класс подстилающей поверхности	р. Шуя		р. Суна		р. Водла		Восточные притоки		Южные притоки		Заонежье		Западные притоки
Класс подстилающей поверхности	км2	%	км2	%	км2	%	км2	%	км2	%	км2	%	км2	%
20	43.49	0.46	64.51	0.92	600.23	4.29	77.54	2.07	86.69	0.96	9.95	0.21	0.53	0.04
30	192.74	2.06	132.27	1.89	188.35	1.35	30.34	0.81	224.11	2.49	27.80	0.60	10.96	0.93
40	156.55	1.67	12.46	0.18	59.27	0.42	4.32	0.12	162.81	1.81	43.97	0.94	21.15	1.80
50	11.73	0.13	5.42	0.08	2.57	0.02	0.28	0.01	7.56	0.08	2.55	0.05	12.65	1.08
60	0.06	0.00	0.06	0.00	0.03	0.00	0.00	0.00	0.05	0.00	0.01	0.00	0.02	0.00
80	942.75	10.06	663.83	9.47	682.46	4.88	159.62	4.27	285.51	3.17	629.71	13.50	20.01	1.70
90	35.62	0.38	31.52	0.45	780.64	5.59	17.03	0.46	62.30	0.69	4.01	0.09	1.16	0.10
111	4690.06	50.06	4115.27	58.68	5779.54	41.35	1928.52	51.57	1650.71	18.35	1999.77	42.88	486.74	41.39
114	283.00	3.02	146.96	2.10	631.57	4.52	123.41	3.30	1851.57	20.58	400.69	8.59	120.91	10.28
115	1958.72	20.91	1009.22	14.39	3302.94	23.63	975.38	26.08	3593.37	39.94	1128.67	24.20	441.01	37.50
116	365.53	3.90	250.72	3.58	690.91	4.94	146.19	3.91	615.07	6.84	140.28	3.01	22.90	1.95
121	172.66	1.84	117.55	1.68	111.16	0.80	38.26	1.02	15.08	0.17	39.00	0.84	6.84	0.58
124	0.90	0.01	0.16	0.00	0.32	0.00	0.06	0.00	6.74	0.07	0.73	0.02	0.16	0.01
125	13.77	0.15	3.76	0.05	9.09	0.07	3.22	0.09	6.99	0.08	4.32	0.09	1.74	0.15
126	502.01	5.36	458.79	6.54	1137.69	8.14	235.46	6.30	427.40	4.75	232.10	4.98	29.18	2.48
Общая площадь водосбора	9369.57		7012.50		13976.76		3739.63		8995.94		4663.54		1175.94

Притоками Онежского озера являются 194 реки, из которых лишь 57 имеют длину более 10 км и лишь 4 реки имеют протяженность более 100 км. 59,9 % площади водосбора Онежского озера занято водосборами 3 основных притоков: рек Шуя (площадь водосбора 10,26 тыс. км²), Суна (6,79 тыс. км²), Водла (13,64 тыс. км²). После строительства в 1953 г. на р. Свирь Верхне–Свирской ГЭС, водосборная площадь Верхне–Свирского водохранилища составила 55772 км², площадь зеркала – до 9774 км². Для расчета элементов водного баланса Онежского озера был выбран период с 1956 по 2017 гг. (60 лет), после превращения озера в водохранилище. Для расчета составляющих элементов водного баланса получены сведения об объеме притока воды, поступающего с водосборной площади Онежского озера; количество осадков, выпадающих на зеркало водоема; испарения с акватории озера; объем стока р. Свирь. Методы определения всех характеристик изложена в работе [Балаганский и др., 2020]. Среднемноголетний приток в Онежское озеро с водосборной площади составляет 17,3 км³. Среднее количество осадков на зеркало Онежского озера за период 1956–2015 гг. составляет 6.4 (8,32-5,04) км³. Доля осадков в общем объеме приходной части составляет 27%. В течение исследуемого периода доля осадков от среднего составляла от 25% (1962 год) до 60% (1973 год). В зависимости от водности года доля осадков составляла от 50% - в маловодный 1960 год и - до 25% в многоводный 1962 г. Анализ временной изменчивости элементов водного баланса Онежского озера показал, что отсутствуют значимые тренды за последние 60 лет. В маловодные годы доля общего притока с водосбора озера уменьшалась до 60 % (1960 г.), в многоводном 1962 г. речной приток составлял 78 % общего прихода. Анализ полученного временного ряда среднегодового притока в Онежское озеро позволяет сделать вывод, что закономерности колебаний стока за последние 25 лет существенно не изменились в сравнении с предшествующим периодом (1956-1990 гг.).

Изменчивость суммарного среднегодового притока воды в Онежское озеро с водосборной площади за период 1956-2016 гг. в км³/год

По данным измерений изменчивости стока рек в Онежское озеро нет значимых трендов, отмечаются квазипериодические колебания с временными масштабами несколько лет. Подземный приток в озеро составляет менее 2 %. Анализ изменчивости элементов водного баланса и уровня воды в Онего показывает, что при заметном потеплении климата на водосборе озера, осадки на акваторию Онего и испарение с его поверхности имеют небольшой положительный тренд, однако суммарный приток, так же как и сток из озера р. Свирь из Онего (Верхне-Свирского водохранилища) не имеют тренда [Балаганский и др., 2020]. Климатические изменения на водосборе отражаются на гидрологическом режиме и в основном на ее зимнем стоке.

1. Балаганский А. Ф., Махальская Н. И., Филатов Н. Н. Изменчивость элементов водного баланса Ладожского и Онежского озер// Диагноз и прогноз термогидродинамики и экосистем великих озер России (Ред. Н.Н. Филатов) – Петрозаводск: КарНЦ РАН, 2020.– с.67-78.

Изменения и изменчивость климата за период более, чем 100 лет на водосборе Онежского озера изучены как по данным натурных измерений на станциях и постах Росгидромета, так и с использованием баз данных (БД) с применением реанализа достаточно надежно [Выручалкина, Панин, 2020; Климат Карелии, 2004; Крупные озера и водохранилища, 2015; Назарова и др. 2022; Filatov et al, 2019]. Ранее по результатам исследований климата на водосборе Онежского озера по гранту РНФ 14-17-00740 «Озера России – диагноз и прогноз состояния экосистем при климатических и антропогенных воздействиях» были исследованы региональные особенности климата и оценено влияние изменений климата на гидрологические и химико-биологические характеристики озера [Диагноз и прогноз.., 2020; Руховец, Филатов, 2014]. По данным работ [Назарова и др., 2022; Filatov et al, 2019] показано, что в период с 1955 по 2020 г. температура воздуха на водосборе Онежского озера, выпавшие осадки и испарение имели тенденцию к росту, тогда как приток, сток в озеро и уровни воды не имели значимого тренда. Было показано, что термический и ледовый режим озера чувствителен к климатическим изменениям. Продемонстрировано, что продолжительность ледовитости Онежского озера за тот же период сократилась примерно на 20 дней. В работе [Filatov et al, 2019] показано, что потепление климата последние 3 десятилетия на водосборе привело к сезонным и многолетним изменениям состава вод, поступающих с речным стоком, и самого водосбора.

По обновленным данным в рамках гранта РНФ № 22-17-00193 уточнены особенности изменений климата на водосборе Онежского озера. На рисунке представлено изменение средней годовой температуры воздуха на территории водосбора Онежского озера за 1930 -2020 гг.

Изменение средней годовой температуры воздуха на территории водосбора Онежского озера за 1930 -2020 гг. По данным на станциях Росгидромета: Медвежьегорск (1); Кондопога (2); Пудож (3); Петрозаводск (4); Вытегра (5).

В условиях потепления климата отмечаются более мягкие зимы, увеличивается число и продолжительность оттепелей. Жидкие и смешанные осадки зимой способствуют обводнению почв и вымыванию гумуса [Назарова и др. 2022]. Полученные результаты свидетельствуют о значимом тренде возрастания среднегодовой температуры воздуха на водосборе Онежского озера. Отмечаются также квазициклические флуктуации с временными масштабами порядка нескольких и 30 лет. Начиная с 1989 г. по 2020 г. температура воздуха превышала климатическую норму 1961–1990 гг. на 0.9–1.2°C. На севере Онежского озера (МС Медвежегорск) климатическая норма в 1991-2020 гг. возросла в два раза с 1.5 до 2.9°C, в средней части озера (МС Петрозаводск) с 2.2°C до 3.2°C, а на юге озера - с 2.6.°C до 3.8°C.

Среднемноголетняя температура воздуха (норма) на станциях, расположенных вокруг Онежского озера, ˚С за 1931-2020 гг.

Метеостанции	1931-1960	1961-1990	1991-2020
Медвежьегорск	1.5	1.5	2.9
Петрозаводск	2.2	2.4	3.7
Пудож	2.2	2.2	3.2
Вытегра	2.6	2.7	3.8

В работе [Назарова и др., 2022] по среднемесячным данным для этих же станций показано, что в зимний период температура воздуха возрастает на 1.7–3.0°C. Возрастает частота зимних оттепелей и при этом уменьшилась глубина промерзания почв, увеличиваются запасы влаги в почвах.


а	б

Средняя месячная температура воздуха за периоды 1961-1990 (1) и 1991-2020 (2) по данным наблюдений МС Петрозаводск (а) и Медвежьегорск (б). (Л.Е.Назарова, 2022, из доклада на конференции «Оценка состояния ресурсов экосистем озер и морей в условиях современных изменений климата и социо-экономического развития»)

1. Выручалкина Т. Ю., Панин Г. Н.Изменчивость климата на водосборах великих озер России. Диагноз и прогноз термогидродинамики и экосистем великих озер России (Ред. Н.Н. Филатов) – Петрозаводск: КарНЦ РАН, 2020.–С. 32-52.

2. Климат Карелии: изменчивость и влияние на водные объекты и водосборы. Филатов, Н.Н.

Отв. ред. ).Изд. КарНЦ РАН. Петрозаводск.2004. 223 с.

3. Назарова Л. Е. К. В. Исакова, Н. М. Калинкинаa, А. Ф. Балаганский. Влияние потепления климата на зимний сток реки шуя и последствия для зообентоса онежского озера. Известия Русского Географического Общества. 2022, том 154, № 1, с. 28–36.DOI: 10.31857/S0869607122010086

4. Filatov N. et al. Climate change impacts on the watersheds of Lakes Onego and Ladoga from remote sensing and in situ data // Inland Waters. 2019. v. 9. № 2. p. 130–141.

5. Диагноз и прогноз термогидродинамики и экосистем великих озер России. / под ред. Н. Н. Филатова. – Петрозаводск: КарНЦ РАН, 2020. 255 с.

6. Руховец Л.А., Филатов Н.Н. Озера и климат: модели и методы. Озера и климат: Модели и методы.// Модели и методы в проблеме взаимодействия атмосферы и гидросферы : учебное пособие / под ред. В.П.Дымникова, В.Н. Лыкосова, Е.П. Гордова. Томск: Издательский Дом ТГУ. 2014. Гл.10. С. 256-326.

За период 1961–1990 гг. годовое количество осадков составляло в среднем 570 мм, за период 1961–2019 гг. оно увеличилось до 610 мм. В многолетней динамике сумм атмосферных осадков холодного периода года (октябрь–март) отмечаются тенденции как к увеличению, так и снижению количества выпадающих осадков. В последние годы наблюдается положительная динамика этого показателя [Назарова и др., 2022].

Изменчивость годовых сумм атмосферных осадков, мм, по станции МС Петрозаводск (Л.Е.Назарова, 2022, из доклада на конференции «Оценка состояния ресурсов экосистем озер и морей в условиях современных изменений климата и социо-экономического развития»)

Изучены наиболее значимые индикаторы влияния изменений климата на озерные экосистемы – температура вод и ледяной покров [Sharma, S., et al. 2015]. Повышение температуры воздуха влияет на температуру воды озера. По данным многолетних наблюдений температуры воздуха и поверхностности воды (ТПВ), рассчитанной по данным ГМС Петрозаводск (Онежское озеро), оценим закономерности изменчивости ТПВ за период с 1955 по 2016 г. В работе [Filatov et al., 2019] рассмотрено влияние климата на изменения температуры поверхности воды Онего по данным измерений. Статистически значимые линейные тренды (p<0,01) средней температуры поверхности воды (ТПВ) составили 0,40°С/декаду для Петрозаводской губы (Онежское озеро). Средние скорости повышения температуры поверхностных вод за период потепления составляют 0,040°С/год для Онежского озера. Среднее значение ТПВ увеличилось на 2,2°С в Онежском озере за период наблюдений с 1955 г. Темпы роста ТПВ с 1976 составили 0,069°С/год. Подобные тенденции отмечаются на озерах С.Америки [Sharma, S., et al. 2015].

Средняя за июнь-октябрь температура поверхности воды (ТПВ) в прибрежной зоне Петрозаводской губы Онежского озера (за период с 1955 по 2016 г. а) данные Госгидромета, б) сплошная линия — тренд ТПВ. [Fialtov et al., 2019]

Анализ используемых в работе спутниковых данных по концентрации Хл-а показал, что массив GlobColour обеспечивает в значительной степени бОльшим пространственно-временной покрытием, чем данные OC-CCI. Данные GlobColour обеспечили 85% покрытие по среднему значению концентрации Хл-а за период 1998-2022, в то время как в случае OC-CCI - лишь за 9-ти летний период: с 2002-2011. Проведенный регрессионный анализ временных рядов сезонных значений концентрации Хл-а показал, что многолетняя изменчивость средней сезонной концентрации Хл-а в поверхностных водах Онежского озера за период 1998-2022 гг. не обнаруживает статистически значимого тренда.

Средние за сезон (май-октябрь) значения Хл-а в поверхностных водах Онежского озера за период 1998-2022 гг., рассчитанные по данным спутниковых наблюдений: 1 –GlobColour; 2 – OC-CCI.

Можно отметить, что между временными рядами данных GlobColour и OC-CCI имеется умеренная корреляционная связь (коэффициент парной корреляции средних сезонных значений составляет 0,37), однако значения концентрации Хл-а в поверхностных водах Онежского озера согласно данным OC-CCI, имеют более высокие значения (в среднем в 3 раза), чем полученные по данным GlobColour.

Результаты сравнения спутниковых данных с имеющимися опубликованными натурными данным, полученными в результате экспедиционных исследований показали, что данные GlobColour в большей степени согласуются с натурными данными, собранными с исследовательских судов на Онежском озере (Калинкина и др., 2017; Калинкина и др., 2021; Крупнейшие…, 2015; Теканова, Тимакова, 2006; Теканова и др., 2018), чем данные OC-CCI (таблица 10) – средние значения абсолютных ошибок за период 1998-2020 гг. составляют 2,97 мкг/л (n=509) и 5.24 мкг/л (n=33) соответственно.

В связи с этим, статистическая оценка межгодовой изменчивости концентрации Хл-а в поверхностных водах Онежского озера выполнена по данным GlobColour.

Средние значения абсолютных ошибок (, мкг/л) спутниковых данных восстановления концентрации Хл-а за периоды 1998-2022 и 2002-2011 гг. соответственно по данным GlobColour и OC-CCI на основе сравнения с результатами экспедиционных исследований за период 1998-2022 гг. (Крупнейшие…, 2015; Калинкина и др., 2017; Калинкина и др., 2021; Теканова, Тимакова, 2006; Теканова и др., 2018, Сабылина и др., 2018).

Районы	GlobalColour	ОС-CCI
Южное Онего	2,11	4,36
Центральное Онего	2,09	4,71
Большое Онего	3,23	5,76
Малое Онего	3,72	6,31
Петрозаводская губа	3,40	7,34
Кондопожская губа	3,56	6,16
Заонежский залив	2,69	-
Повенецкий залив	2,75	9,60

В пользу сделанного выбора использования данных свидетельствует и тот факт, что полученные значения концентрации Хл-а (мкг/л) в ходе экспедиционных исследований в августе 2017 г. варьируют в интервале 2,0-3,2 мкг/л для вод центральной и южной частей Онежского озера (Теканова и др., 2018) и оказываются в близком соответствии с оценками значения этого параметра (2,47 мкг/л) на тот же год и месяц по данным GlobColour в августе 2017 года. Осредненные концентрации Хл-а в июне на основе собранных натурных данных за период 2001-2019 гг. для вод центральной части Онежского озера также имеют значения схожие с полученными по данными GlobColour и составляют соответственно 0,3-0,9 мкг/л и 0,89 мкг/л (Калинкина и др., 2021).

Максимальные (более 3 мкг/л) значения сезонной концентрации Хл-а в поверхностных водах акватории Онежского озера за рассматриваемый период по данным GlobColour наблюдались в 2002, 2003, 2016 и 2018 гг.; при этом максимальное среднемесячное значение концентрации Хл-а отмечалось в сентябре 2003 г. (более 6 мкг/л); минимальные значения концентрации Хл-а зарегистрированы в 2012, 2013 гг. (менее 0,6 мкг/л). Максимальное среднее значение концентрации Хл-а за июнь в центральной части Онежского озера отмечалось в 2020 г. (3,22 мкг/л), что весьма хорошо согласуется со значением концентрации Хл-а (2,48 мкг/л), за этот период, полученными в ходе экспедиционных исследований изучения реакции экосистемы Онежского озера в весенне-летний период на аномально высокую температуру воздуха зимой 2019-2020 гг.

Следует отметить, что концентрация Хл-а в целом по акватории озера распределяется приблизительно равными значениями, однако в июне, июле, августе можно наблюдать более высокие значения в Уницкой губе (3,0-6,0 мкг/л), Повенецком заливе (3,0-4,0 мкг/л), а также в южной части Онежского озера (2,5-3,0 мкг/л). В сентябре и октябре высокие значения концентрации Хл-а отмечаются в Заонежском заливе (4,0-4,5 мкг/л). Эти результаты согласуются с пространственными распределениями концентрации Хл-а, полученными по спутниковым данным MERIS/ENVISAT (англ. Environmental Satellite) (Крупнейшие…, 2015): по обоим источникам данных в некоторых заливах Онежского озера зафиксированы высокие концентрации Хл-а.

Сравнение спутниковых данныхMERIS/ENVISAT и GlobColour по среднемесячным значениям концентрации Хл-а (мкг/л) за август 2011 г. в некоторых районах Онежского озера.

Районы Онежского озера	MERIS/ENVISAT	GlobColour
Уницкая губа	4,0-5,0	3,0-6,0
Повенецкий залив	4,0-5,0	3,0-4,0
Южная часть	3,0-3,5	2,5-3,0

Отсутствие статистически значимого тренда многолетней изменчивости концентрации Хл-а в поверхностных водах Онежского озера за период наблюдений 1998-2022 гг. по данным GlobColour подтверждает результаты ранее проведенных судовых исследований за 2000-2020 гг. (Калинкина и др. 2021; Коросов и др., 2021; Крупнейшие…, 2015; Теканова и др., 2018. Величина концентрации Хл-а в поверхностных водах Онежского озера не претерпела значительных изменений за последние 20 лет и, согласно классификации Китаева (Китаев, 2007), подтверждает сохранение олиготрофного статуса озера. Этому в большой степени способствует улучшение работы очистных сооружений в городах, расположенных на побережье озера, а также снижение количества сточных вод, поступающих в Онежское озеро от промышленных предприятий (Калинкина и др., 2017).

При всей предпочтительности использования спутниковых данных GlobColour по концентрации Хл-а в сравнении с аналогичными данными ОС-ССI, полученные осредненные пространственно-временные распределения этого параметра в поверхностных водах Онежского озера не избавлены от неточностей, особенно в случае небольших заливов, для вод которых характерны высокие уровни мутности и окрашенности. В частности, спутниковые данные по таким участкам акватории Онежского озера не отражают тех высоких значений концентраций Хл-а, которые были выявлены в ходе судовых исследований.

Однако в случае больших заливов/губ, таких как Петровская и Кондопожская губы, спутниковые данные по концентрации Хл-а в поверхностных водах оказываются вполне адекватными.

В целом можно с уверенностью констатировать, что спутниковые наблюдения за трофическим статусом Онежского озера представляют уникальные на сегодняшний день возможности выявления наиболее характерных черт пространственно-временной динамики распределения концентрации Хл-а. Таким образом полученные в работе данные могут быть успешно применены для калибрации и верификации модельных расчетов экосистемы Онежского озера.

Онежское озеро и его крупнейший приток Илекса – Водла является верхним звеном самой большой европейской озерно-речной системы Невы. Озеро дренирует значительную территорию различную по геологическому строению, рельефу, орографии и гидрографии. Бассейн Онежского озера вытянут в широтном направлении и асимметричен: озеро делит его на 2 неравные части – западную (64%) и восточную (36%), что определяет неравномерность времени добегания воды для разных притоков.

В естественном состоянии озеро принимало сток с водосборного бассейна площадью 53100 км². Площадь самого водоема составляла 9720 км². После строительства в 1953 г. на р. Свири Верхнее-Свирской ГЭС озеро стало водохранилищем с водосборной площадь равной 57300 км² и площадью зеркала 9840 км² [Государственный водный кадастр, 1986]. Около 70% территории бассейна относится к Республике Карелия, остальная часть расположена в Ленинградской, Вологодской и Архангельской областях. Более половины бассейна занято водосборами трех главных его притоков: рек Шуи (площадь водосбора 10,1 тыс. км²), Суны (7,7 тыс. км²), Водлы (13,7 тыс. км²). Вытекает из озера лишь одна река – Свирь – крупнейший приток Ладожского озера [Государственный водный кадастр, 1986].

Изучаемая территория относится к Европейской сельскохозяйственной провинции среднетаежной зоны холодного пояса, для которой характерны низкая биоклиматическая продуктивность и избыточное увлажнение. Сельскохозяйственное производство здесь сосредоточено в основном в южной части водосбора и представлено личными подсобными и фермерскими хозяйствами.

В последние годы в Карелии получило бурное развитие товарное рыбоводство на внутренних водоемах (преимущественно форелеводство). По объему производимой продукции Карелия занимает первое место в России. Сконцентрировано рыбоводство главным образов в северо-западных частях водосбора (Заонежье, водосборы рек Шуя и Суна).

Наиболее крупные точечные источники биогенной нагрузки (Петрозаводский и Медвежьегорский промузлы, Кондопожский ЦБК) сбрасывают очищенные и недостаточно очищенные стоки непосредственно в Онежское озеро. Более мелкие точечные сбросы на территории водосбора приурочены к очистным сооружениям населенных пунктов (пос. Шуя, г. Суоярви, пос. Эссойла, пос. Пиндуши, пос. Новая Вилга, пос. Марциальные воды, пос. Пудож и др.)

Основным инструментом решения поставленных задач явилась математическая модель выноса биогенных элементов с водосбора и формирования биогенной нагрузки на водные объекты ILLM, разработана сотрудниками Института озероведения РАН (ИНОЗ РАН) и модифицированная при участии сотрудников Института агроинженерных и экологических проблем сельскохозяйственного производства (ИАЭП) [Кондратьев, Шмакова, 2019; Брюханов и др., 2016]. Согласно принятой схемы расчета основными составляющими внешней нагрузки валовых (нефильтрованных) форм азота и фосфора на водный объект являются рассредоточенная эмиссия биогенных элементов подстилающей поверхностью, не подверженной в настоящее время сельскохозяйственному воздействию, нагрузка, сформированная в результате сельскохозяйственной деятельности, сбросы точечных источников загрязнения в гидрографическую сеть водосбора и непосредственно в водоем водоприемник, а также массообмен с атмосферой.

Эффективным средством расчета нагрузки, сформированной на полях сельхозпредприятий, является блок модели, предложенный специалистами ИАЭП, достоинством которого является расчет выноса биогенных элементов не только с учетом доз внесения удобрений и выноса азота и фосфора с урожаем, но и в зависимости от типов почв, слагающих сельскохозяйственный водосбор, их механического состава, удаленности поля от водного объекта. Кроме того, модель позволяет давать оценку снижения биогенной нагрузки при использовании наилучших доступных технологий ведения сельскохозяйственного производства. Модель работает с шагом по времени в 1 год.

В материалах Хельсинкской комиссии [Applied…, 2019] представлено описание моделей, которые могут использоваться для расчета внешней нагрузки на водные объекты бассейна Балтийского моря. В их число входит и модель ILLM. В качестве входной информации для выполнения расчетов необходимы сведения о различных типах подстилающей поверхности, формирующих рассредоточенный вынос биогенных элементов со стоком, интенсивности точечных источников, сбрасывающих стока в гидрографическую сеть водосбора, атмосферных выпадениях азота и фосфора, количестве произведенной продукции на рыбоводческих фермах, количестве домашних животных и птицы, а также внесенных минеральных и органических удобрений.

Для калибровки и верификации модели выноса биогенных элементов с водосборной территории, а также для задания граничных условий для 3D модели экосистемы Онежского озера проведен сбор, анализ и синтез данных натурных наблюдений за гидрохимическими характеристиками притоков озера, выполненных сотрудниками ИВПСевера КарНЦ РАН, а также полученных в рамках государственного мониторинга водных объектов Росгидромета. На основе результатов экспертной оценки условий формирования стока и выноса биогенных элементов с водосбора Онежского озера осуществлена привязка результатов измерений гидрохимических параметров на притоках к условиям выноса азота и фосфора с территорий, не освященных данными наблюдений. Результатом явились массивы входной информации о поступлении биогенных элементов в озеро со всех семи подбассейнов (рисунок 64) за период с 1984 по настоящее время.

Динамика выноса общего азота и общего фосфора с подбассейнов Онежского озера 1984-2021 г.

Обращает на себя внимание выброс на графике выноса Робщ в 2008 – 2013 гг. Анализ условий формирования нагрузки, как от точечных, так и от рассредоточенных источников, а также гидрологических условий в указанный период не выявил каких-либо причин такого скачкообразного увеличения выноса. При этом удалось выявить смену методик пробоотбора и гидрохимического анализа, что, по-видимому, и явилось причиной возникновения выброса. В последующих расчетах по 3D модели экосистемы представленный на рис 64 выброс устранен.

С целью информационного обеспечения модели формирования биогенной нагрузки проведена классификации типов подстилающих поверхностей водосбора. Дифференциация земного покрова производилась за счет коллекций многоспектральных спутниковых снимков. В данном исследовании использовалась коллекция Copernicus Global Land Service Collection 3 (CGLS-LC100) [Buchhorn, 2020]. Коллекция CGLS-LC100 основана на спутниковых снимках PROBA-V, Sentinel-2, Lansat 7, 8. Для базовой классификации поверхности на здания и инфраструктуру, лес и гидрографическую сеть используется цифровая модель рельефа WorldDEM^ТМ составленная по данным спутников TanDEM-X и TerraSAR-X. Пространственное разрешение коллекции данных CGLS-LC100 составляет 100 м. Анализ подстилающих поверхностей показал, что на различные типы леса приходится более 80% площади территории всего водосбора, постоянные водоемы занимают около 7% (с наибольшим процентным отношением в районе Заонежья и наименьшим в районе западных притоков). На сельскохозяйственные угодья приходится около 1% от площади всего водосбора, при этом наибольшая доля возделываемых территорий приходится на южные притоки и водосбор р. Шуи. Для расчета нагрузки на водный объект наиболее приемлемым было выделение 5 классов: поймы, луга, лесостепь; сельскохозяйственные угодья; города и другие антропогенные ландшафты; лес, болото; постоянные водные объекты. Для каждого типа подстилающей поверхности на основе анализа литературных данных [Кондратьев, Шмакова, 2019] приближенно оценены эмиссионные характеристики поступления общего азота и общего фосфора в сток.

Для оценки вклада точечных источников в формирование биогенной нагрузки на озеро была предпринята попытка использования данных статистических форм 2ТП -водхоз, которая закончилась неудачно ввиду их абсолютной информационной неадекватности. Как отмечено в работе [Лозовик и др., 2016] «… данные статотчетности «2ТП-водхоз» для расчета нельзя использовать. Во-первых, в них отсутствуют сведения по содержанию Р_общ и N_общ, необходимые для оценки биогенной нагрузки на озеро. Во-вторых, нет уверенности в достоверности значений…». Поэтому в настоящей работе при расчетах внешней нагрузки на озеро использованы данные по содержанию азота и фосфора в сточных водах точечных источников, полученные специалистами ИВПС КарНЦ РАН за многолетний период, а именно: 738 тN/год и 65.3 тР/год для всего водосбора с последующим распределением по подбассейнам пропорционально их площади. Также на основе данных работы [Лозовик и др., 2016] задавались значения атмосферных выпадений: 0.046 тN/(км² год) и 0.0013 тР/(км² год).

Данные по объемам товарной продукции рыбоводства в Карелии получены из литературных источников [Китаев и др.,2006] и по данным Ассоциации форелеводов Карелии (http://kareliatrout.ru/). А также по представлению Минсельхоза РК. В пределах рассматриваемого водосбора наибольшее количество товарной форели производится в бассейне р. Суна (старое русло р. Суна и Кондопожский канал) – 46% от производимой на водосборе озера. На водоемах Заонежъя выращивается 35% всей форели, а в бассейне р. Шуя – 19%. Эти значения были приняты постоянными для распределения объемов выращивания на водосборе озера по подбассейнам при выполнении расчетов на перспективу. По данным [Китаев и др.,2006] от 1 т товарной продукции рыбоводства в водные объекты поступает 8 кг Р_общ/год и 50 кг N_общ/год.. Собранная информация позволила установить тренды возрастания рыбопродуктивности и соответствующей биогенной нагрузки на водные объекты за последние годы как на всем водосборе, так и на трех основных рыбопроизводящих подбассейнах: Заонежье и водосборах рек Суны и Шуи.

В результате сбора данных для оценки поступления азота и фосфора в водные объекты изучаемых подбассейнов от сельскохозяйственного производства за последние годы сформирована база данных о поголовье животных, образовании органических удобрений и содержании в них азота и фосфора. Также определены координаты размещения крупных сельскохозяйственных товаропроизводителей, получены данные о количестве азота и фосфора в составе используемых минеральных удобрений, оценена площадь возделываемых сельскохозяйственных земель, рассчитано удельное поступление общего азота и общего фосфора на один гектар возделываемых сельскохозяйственных земель. На рисунок 65 представлено распределение по изучаемым подбассейнам посевных площадей и объемов образуемого навоза в животноводстве. Из приведенных данных следует, наибольшая сельскохозяйственная активность характерна для водосбора реки Шуи.

Посевные площади (а) и выход навоза в животноводстве (б) изучаемых подбассейнов.

Для верификации модели на всем водосборе Онежского озера и на отдельных его подбассейнах использовались данные, представленные в таблица 12 и полученные в результате синтеза результатов государственного мониторинга Росгидромета и материалов натурных исследований ИВПС КарНЦ РАН на притоках Онежского озера.

Вынос Р_общ и N_общ (т/год) с изучаемых подбассейнов по данным мониторинга Росгидромета и натурных исследований ИВПС КарНЦ РАН

год	Р_общ	N_общ	Р_общ	N_общ	Р_общ	N_общ	Р_общ	N_общ	Р_общ	N_общ	Р_общ	N_общ	Р_общ	N_общ
	Водла		Шуя		Суна		Запад.		Заонежье		Вост.		Южн.
2000	183	3283	133	1979	30	1309	7	358	33	1102	49	686	166	1931
2001	183	3330	141	2111	30	1313	7	374	33	1097	50	705	166	1982
2002	145	2665	106	1594	27	1173	5	277	30	988	40	570	130	1596
2003	173	3056	120	1785	29	1248	7	331	32	1058	45	630	158	1780
2004	233	4123	174	2581	38	1636	9	474	41	1386	61	853	210	2403
2005	194	3546	141	2109	34	1507	7	374	38	1264	54	753	177	2118
2006	157	2814	94	1411	28	1234	5	257	31	1038	42	589	145	1665
2007	194	3535	148	2208	33	1446	7	392	36	1220	53	752	175	2109
2008	249	4395	178	2696	30	1303	10	533	41	1362	68	947	220	2536
2009	183	3315	138	2080	27	1179	9	444	39	1319	58	813	195	2260
2010	152	2769	115	1740	23	1035	7	382	34	1140	51	721	169	2020
2011	139	2557	119	1806	21	939	6	338	34	1155	46	652	156	1836
2012	204	3636	159	2381	36	1528	7	387	36	1221	55	774	188	2177
2013	152	2728	102	1556	25	1113	5	282	34	1136	46	652	154	1833
2014	155	2867	70	1067	23	1058	5	260	29	975	37	523	120	1466
2015	150	2719	97	1463	27	1178	5	243	26	884	35	499	118	1400
2016	155	2795	146	2173	26	1172	7	339	35	1165	52	732	179	2060
2017	231	4110	182	2725	32	1390	8	416	38	1277	57	804	198	2267
2018	186	3344	132	2005	27	1231	7	362	36	1208	50	696	163	1958
2019	193	3460	100	1520	24	1083	5	276	30	1017	44	620	151	1749
2020	227	4130	163	2483	35	1564	6	301	32	1064	45	627	151	1764
2021	172	3093	127	1903	31	1353	7	343	34	1141	46	650	158	1834

На рисунке представлен долевой вклад выноса фосфора и азота с подбассейнов в суммарную биогенную нагрузку на Онежское озеро в 2021 г. (год средней водности). Нетрудно видеть, что основными поставщиками биогенных элементов в озеро являются южные притоки, а также реки Шуя и Водла.

Долевой вклад выноса фосфора (а) и азота (б) с изучаемых подбассейнов в суммарную нагрузку на Онежское озеро в 2021 г. (год средней водности): 1 р.Водла, 2 - р.Шуя, 3 – р.Суна, 4 – западные притоки, 5 – Заонежье, 6 – восточные притоки, 7- южные притоки.

1. Applied methodology for the PLC-6 assessment / Baltic Marine Environment Protection Commission. Ed. by Lars M. Svendsen, DCE Aarhus University, PLC-6 project manager. – Finland: HELCOM, 2019. – 59 p.

2. Buchhorn M., Lesiv M., Tsendbazar N. - E., Herold M., Bertels L., Smets B. Copernicus Global Land Cover Layers-Collection 2. Remote Sensing 2020, 12, Volume 108, 1044. doi:10.3390/rs12061044

3. Брюханов А.Ю., Кондратьев С.А., Обломкова Н.С., Огуздин А.С., Субботин И.А. Методика определения биогенной нагрузки сельскохозяйственного производства на водные объекты. – Технологии и технические средства механизированного производства продукции растениеводства и животноводства, 2016, № 89, с.175-183.

4. Государственный водный кадастр. Многолетние данные о режиме и ресурсах поверхностных вод суши. – Т. 1. РСФСР. – Вып. 7. Бассейны рек Балтийского моря, Онежского и Ладожского озер. – Л.: Гидрометеоиздат, 1986. – 220 с.

5. Китаев С.П. Ильмаст Н.В., Стелигова О.П. Методы оценки биогенной нагрузки от форелевых ферм на водные экосистемы. Петрозаводск: КарНЦ РАН, 2006. 38 с.

6. Кондратьев С. А., Шмакова М. В. Математическое моделирование массопереноса в системе водосбор – водоток – водоем. СПб.: Нестор-История, 2019. 246 С.

7. Лозовик П. А., Бородулина Г. С., Карпечко Ю.В., Кондратьев С. А., Литвиненко А. В., Литвинова И. А. Биогенная нагрузка на Онежское озеро по данным натурных наблюдений // Труды Карельского научного центра сер. Лимнология. 2016. №5. С. 35–52.

Краткое описание моделей стока и выноса биогенных элементов

Основными инструментами оценки стока и выноса биогенных элементов с водосбора являлись модель формирования стока на водосборе ILHM, а также модель выноса биогенных элементов с водосбора и формирования биогенной нагрузки на водные объекты ILLM [Кондратьев, Шмакова, 2019, 2024; Кондратьев и др., 2024; Филатов и др., 2024],

Гидрологическая модель ILHM разработана сотрудниками Института озероведения РАН и предназначенная для расчетов гидрографов талого и дождевого стока с водосбора. Модель имеет концептуальную основу и описывает процессы снегонакопления и снеготаяния, испарения и увлажнения почв зоны аэрации, формирования стока, а также регулирование стока водоемами в пределах однородного водосбора, характеристики которого принимаются постоянными для всей его площади. Модель может работать как с месячным шагом по времени, так и с годовым. В процессе моделирования водосбор представляется в виде однородной имитирующей емкости, накапливающей поступающую воду и затем постепенно ее отдающей. Значения основных параметров гидрологической модели, определяющих форму гидрографа стока, могут задаваться в зависимости от озерности, т.е. доли площади водоемов в общей площади водосбора.

Модель выноса биогенных элементов с водосбора и формирования биогенной нагрузки на водные объекты ILLM разработана сотрудниками Института озероведения РАН (ИНОЗ РАН) и модифицированная при участии сотрудников Института агроинженерных и экологических проблем сельскохозяйственного производства (ИАЭП) [Брюханов и др., 2016; 2024].Согласно принятой схемы расчета основными составляющими внешней нагрузки валовых (нефильтрованных) форм азота и фосфора на водный объект являются рассредоточенная эмиссия биогенных элементов подстилающей поверхностью, не подверженной в настоящее время сельскохозяйственному воздействию, нагрузка, сформированная в результате сельскохозяйственной деятельности, сбросы точечных источников загрязнения в гидрографическую сеть водосбора и непосредственно в водоем водоприемник, а также массообмен с атмосферой. Эффективным средством расчета нагрузки, сформированной на полях сельхозпредприятий, является блок модели, предложенный специалистами ИАЭП, достоинством которого является расчет выноса биогенных элементов не только с учетом доз внесения удобрений и выноса азота и фосфора с урожаем, но и в зависимости от типов почв, слагающих сельскохозяйственный водосбор, их механического состава, удаленности поля от водного объекта. Кроме того, модель позволяет давать оценку снижения биогенной нагрузки при использовании наилучших доступных технологий ведения сельскохозяйственного производства. Модель работает с шагом по времени в 1 год. В материалах Хельсинкской комиссии [Applied methodology, 2019] представлено описание моделей, которые могут использоваться для расчета внешней нагрузки на водные объекты бассейна Балтийского моря. В их число входит и модель ILLM.

Брюханов А.Ю., Кондратьев С.А., Обломкова Н.С., Огуздин А.С., Субботин И.А. Методика определения биогенной нагрузки сельскохозяйственного производства на водные объекты. – Технологии и технические средства механизированного производства продукции растениеводства и животноводства, 2016, № 89, с.175-183.
Брюханов А.Ю., Кондратьев С.А., Филатов Н. Н., Васильев Э.В., Обломкова Н.С. Методика сбора исходных данных для оценки диффузного сельскохозяйственного загрязнения водных объектов (на примере водосборного бассейна Онежского озера) // Труды КарНЦ РАН. No 2. Сер. Лимнология и океанология. 2024. C. 95-107.
Кондратьев С. А., Шмакова М. В. Воздействие будущих климатических изменений на сток с водосбора Онежского озера // Труды Карельского научного центра РАН. 2022. № 6. С. 41–49.
Кондратьев С. А., Шмакова М. В. Математическое моделирование массопереноса в системе водосбор – водоток – водоем. СПб.: Нестор-История, 2019. 246 С.
Кондратьев С.А., Брюханов А.Ю., Шмакова М.В., Расулова А.М., Галахина Н.Е., Зобков М.Б., Васильев Э.В., Обломкова Н.С. Оценка возможных изменений биогенной нагрузки на Онежское озеро под воздействием антропогенных и климатических факторов – Водные ресурсы, 2024, том 51, № 3, с. 157–169
Филатов Н.Н., Савчук О.П., Баклагин В.Н., Галахина Н.Е., Зобков М.Б., Исаев А.В., Кондратьев С.А., Калинкина Н.М., Новикова Ю.С., Расулова А.М., Шмакова М.В. Диагноз состояния и изменений экосистемы Онежского озера и водосбора на основе информационно-аналитической системы // Фундаментальная и прикладная гидрофизика. 2024. Т. 17, № 2. С. 10–24.
Applied methodology for the PLC-6 assessment / Baltic Marine Environment Protection Commission. Ed. by Lars M. Svendsen, DCE Aarhus University, PLC-6 project manager. – Finland: HELCOM, 2019. – 59 p.

Методики определения химических показателей воды Онежского озера и его притоков

Для ИАС была подготовлена многолетняя база данных по химическому составу воды как самого озера (1992-2021 гг.), так и его притоков (2015-2016 гг.). В нее вошли следующие гидрохимические показатели: БПК₅, содержание биогенных элементов (NH₄⁺, NO₂^-, NO₃^-, N_общ, Р_мин, Р_общ, Si) и кислорода. Все данные были получены в лаборатории гидрохимии и гидрогеологии ИВПС КарНЦ РАН, анализ выполнялся по стандартным методикам (табл. 1). С 2022 г. анализ Nобщ осуществляется на анализаторе TOC-LCSH/CSN (Shimadzu).

Таблица 1. Методы химического анализа воды

Параметр	Аналитический метод	Нормативный документ
Растворенный кислород	Массовая концентрация растворенного кислорода в водах. Методика выполнения измерений йодометрическим методом	РД 52.24.419-2005
NH₄⁺	Фотометрическое определение с гипохлоритом и фенолом,  = 630 нм	РД 52.24.383-2018
NO₂^-	Массовая концентрация нитритов в водах. Методика выполнения измерений фотометрическим методом с сульфаниламидом и N-(1нафтил)этилендиамина дигидрохлоридом	РД 52.24.518-2008
NO₃^-	Массовая концентрация нитратов в водах. Методика выполнения измерений фотометрическим методом с сульфаниламидом и N-(1нафтил)этилендиамина дигидрохлоридом после восстановления в кадмиевом редукторе	РД 52.24.523-2009
N_общ	Окисление K₂S₂O₈ в щелочной среде под давлением и определение NO₃^-	РД 52.24.532-2015
Р_мин	Массовая концентрация фосфатов и полифосфатов в водах. Методика выполнения измерений фотометрическим методом	РД 52.24.382-2006
Р_общ	Окисление K₂S₂O₈ в кислой среде и определение Р_мин	РД 52.24.387-2019
Биохимическое потребление кислорода (БПК)	Биохимическое потребление кислорода в водах. Методика выполнения измерений скляночным методом	РД 52.24.420-2006
Si	Фотометрическое определение в виде желтой формы молибдокремниевой кислоты	РД 52.24.433-2018

Список нормативных документов

РД 52.24.382-2006. Массовая концентрация фосфатов и полифосфатов в водах. Методика выполнения измерений фотометрическим методом. Ростов н/Д, 2006. 32 с.

РД 52.24.383-2018. Массовая концентрация аммонийного азота в водах. Методика измерений фотометрическим методом в виде индофенолового синего. Ростов н/Д, 2018. 47 с.

РД 52.24.387-2019. Массовая концентрация фосфора общего в водах. Методика выполнения измерений фотометрическим методом после окисления персульфатом калия. Ростов н/Д, 2019. 27 с.

РД 52.24.419-2005. Массовая концентрация растворенного кислорода в водах. Методика выполнения измерений йодометрическим методом. Ростов н/Д, 2005. 23 с.

РД 52.24.420-2006. Биохимическое потребление кислорода в водах. Методика выполнения измерений скляночным методом. Ростов н/Д, 2006. 23 с.

РД 52.24.518-2008. Массовая концентрация нитритов в водах. Методика выполнения измерений фотометрическим методом с сульфаниламидом и N-(1нафтил)этилендиамина дигидрохлоридом. Ростов н/Д, 2008. 30 c.

РД 52.24.433-2018. Массовая концентрация кремния в поверхностных водах суши. Методика выполнения измерений фотометрическим методом в виде желтой формы молибдокремниевой кислоты. Ростов н/Д, 2018. 25 с.

РД 52.24.523-2009. Массовая концентрация нитратов в водах. Методика выполнения измерений фотометрическим методом с сульфаниламидом и N (1нафтил)этилендиамина дигидрохлоридом после восстановления в кадмиевом редукторе. Ростов н/Д, 2009. 34 c.

РД 52.24.532-2016. Массовая концентрация общего азота в водах. Методика измерений спектрофотометрическим методом с минерализацией проб в термореакторе. Ростов н/Д, 2016. 38 с.

Методы отбора проб и формирования баз данных гидробиологических показателей

В рамках выполнения гранта РНФ был проведен анализ доступных гидробиологических и гидрофизических баз данных с целью подготовки набора информации для верификации и валидации геохимической трехмерной модели Онежского озера. Для решения данной задачи были использованы базы данных (БД) по фитопланктону, первичной продукции фитопланктона, зоопланктону, хлорофиллу, бентосу и температуре воды. В ходе работы были систематизированы данные ИВПС КарНЦ РАН за период 1964-2024 гг.

1. Технология отбора проб

Для отбора гидробиологических проб применялись различные методики. Отбор проб воды для анализа характеристик фитопланктона, концентрации хлорофилла а и первичной продукции производился с помощью батометра Рутнера в разные сезоны на разных горизонтах воды от поверхности до дна. Отбор проб зоопланктона осуществлялся по стандартной методике планктонной сетью Джеди (с диаметром отверстий 100 мкм) фракционно по слоям и фиксировался 4% формалином (Салазкин, 1984; Куликова, 1997). Пробы макрозообентоса отбирались дночерпателем автоматическим коробчатым с площадью захвата 0,025 м², промывались через сито с размером ячеи 400–420 мкм и фиксировались формалином до концентрации 4% (Методические рекоминдации…,1984). На месте отбора проб воды определяли температуру при помощи зонда CastAway.

Обработка проб и расчет количественных показателей различных групп гидробионтов проводились сотрудниками лаборатории ИВПС КарНЦ РАН с использованием стандартных методик: для зоопланктона (Салазкин и др., 1984), для фитопланктона (Кузьмин, 1975; Федоров, 1979), для макрозообентоса (Методические рекомендации…,1984, Определитель…, 2016). Концентрация хлорофилла а определялась спектрофотометрическим методом (Determination…, 1966), первичная продукция фитопланктона определялась скляночным методом (Романенко, Кузнецов, 1974).

2. Алгоритм создания базы данных

Исходные данные по каждой исследуемой группе и каждому анализируемому параметру представлены в виде таблиц в среде MS Excel. Таблицы с данными представленных показателей в разное время создавались разными сотрудниками лаборатории со своим подходом к классификации, форматированию и хранению информации. Для эффективной работы с данными все таблицы были преобразованы в формат баз данных с едиными составными ключами.

Данные в таблицах содержали проблемы, связанные с кириллицей, длинными названиями столбцов и несогласованными форматами. Для устранения этих проблем были предприняты следующие меры: замена кириллических символов на латинские, сокращение названий столбцов и унификация записи дробных чисел, дат, обозначений станций и других элементов.

В качестве иллюстрации рассмотрим базу данных по макрозообентосу. На рисунке 1А представлена устаревшая версия базы данных с различными ошибками, такими как использование кириллицы и латиницы в названиях столбцов (например, столбец B – «Код», столбец J – «N общ») и применение заглавных букв в названиях полей. В обновлённой версии (рис. 2Б) все ошибки были устранены.

Рис. 1. – База данных по макрозообентосу, старый (А) и новый вариант (Б)

Первым этапом в формировании базы данных стало определение корректных ключевых полей, обеспечивающих взаимосвязь между различными таблицами.

Для всех баз данных были разработаны и внедрены следующие ключевые элементы:

• cod – станция отбора проб

• date – дата отбора проб

• day – день отбора проб,

• moun – месяц отбора проб,

• ye – год отбора проб.

Прочие параметры в таблице носят индивидуальный характер и соответствуют с исследуемым показателями. Например, для температуры воды – это время отбора проб, глубина и температура воды (рис.2).

Рис. 2. – База данных по температуре воды на разных станциях Онежского озера, измеренная зондом: 1 – общие столбцы для каждой базы данных, 2 – уникальные столбцы для данной базы данных – время отбора проб, глубина и температура воды

В результате все таблицы были унифицированы, наделены общими уникальными ключами (cod, date, day, moun, ye) и использовались в анализе в таком виде.

Список литературы:

Куликова Т.П. Зоопланктон как компонент экосистемы Онежского озера / Т.П. Куликова, H.Б. Кустовлянкина, М.Т. Сярки. – Петрозаводск: КарНЦ РАН, 1997. - 112 с.

Методические рекомендации по сбору и обработке материалов при гидробиологических исследованиях на пресноводных водоемах. Зообентос и его продукция. Л.: Гидрометеоиздат, 1984. 52 с.

Салазкин А.А. Методические рекомендации по сбору и обработке материалов при гидробиологических исследованиях на пресноводных водоемах / А.А. Салазкин, М.Б. Иванова, В.А. Огородникова // Зоопланктон и его продукция: Сб. науч. тр. – Л.: АН СССР. – 1984. – С. 33-38.

Кузьмин Г. В. Методика изучения биогеоценозов внутренних водоемов / Г. В. Кузьмин, Фитопланктон. – М.: Наука, 1975. С. 73–84.

Федоров В. Д. О методах изучения фитопланктона и его активности / В. Д. Федоров. – М.: Наука, 1979. – 166 с.

Определитель зоопланктона и зообентоса пресных вод Европейской России. Т. 2. 0-62 Зообентос / Под редакцией В.Р. Алексеева и С.Я. Цалолихина. — M -СПб.: Товарищество научных изданий КМК, 2016. — 457 с.

Романенко В.И. Экология микроорганизмов пресных водоемов. / В.И. Романенко, С.И. Кузнецов // Лабораторноеруководство.– Л.: «Наука». – 1974. – 196 с.

Determination of photosynthetic pigments in sea waters. Report of SCOR/UNESCO Working Group 17. Paris, France, UNESCO. 1966. 69 p. DOI: https://doi.org/10.25607/OBP-1940

Санкт-Петербургская модель экосистемы озера (SPLEM) представляет собой модификацию для условий пресноводных экосистем Санкт-Петербургской модели эвтрофикации (SPBEM) (Savchuk 2002, Isaev et al., 2020, Isaev и др., 2022; Savchuk и др., 2022).

SPLEM состоит из двух модулей – гидрофизического и биогеохимического.

Гидрофизический модуль основан на модели общей циркуляции Массачусеттского Института Технологии (MITgcm; Marshall и др. 1997а,б), адаптированной для условий больших стратифицированных пресноводных озер.

Биогеохимический модуль SPLEM описывает взаимодействие круговоротов азота и фосфора в воде и донных отложениях озера. Переменные состояния в пелагической подсистеме представлены биомассами зоопланктона, двух функциональных групп фитопланктона (диатомовые и не-диатомовые), концентрациями детритного азота и фосфора, растворенными органическими (лабильными и стойкими) соединениями азота и фосфора, растворенными неорганическими соединениями азота (аммоний и окисленный азот, включающий нитриты плюс нитраты) и растворенным минеральным фосфором (фосфаты), а также и «регистратором» баланса продукционно-деструкционных процессов – растворенным в воде кислородом. Подсистема донных отложений описывает динамику бентических азота и фосфора. Общая схема взаимодействия круговоротов азота и фосфора в воде и донных отложениях озера представлена на рисунке.

Зоопланктон питается фитопланктоном и взвешенным органическим веществом (дентиром). Часть извлеченной из воды пищи усваивается, а ее неусвоенная часть пополняет запасы детрита. Биомасса зоопланктона уменьшается за счет естественной смертности и выделения в воду продуктов обмена веществ.

Биомасса фитопланктона увеличивается в результате фотосинтеза за счет утилизации минеральных соединений азота и фосфора и уменьшается за счет естественной смертности, гравитационного оседания, а также выедания зоопланктоном.

Концентрация взвешенного органического вещества (детрита) увеличивается благодаря процессам, перечисленным выше, и уменьшается в результате деструкции взвешенного органического вещества до растворенного и гравитационного оседания детрита.

Изменения во времени лабильного растворенного органического азота и фосфора определяются поступлением за счет деструкции детрита, трансформации стойкого растворенного органического вещества до лабильного, за счет процесса фототрансформации, а также части экскреции зоопланктона. Расходуется лабильное органическое вещество в процессе минерализации. Стойкое органическое растворенное вещество пополняет запасы за счет небольшое части экскреции гетеротрофов и расходуется в результате фототрансформации

Запасы питательных соединений пополняются за счет минерализации растворенного органического вещества, экскреции гетеротрофов и в результате обмена с донными отложениями, а потребляются фитопланктоном. Аммоний нитрифицируется до нитратов.

Растворенный кислород вырабатывается в результате фотосинтеза и расходуется в ходе биохимических процессов окисления: дыхания гетеротрофов, минерализации органического вещества в воде и в донных отложениях, нитрификации. Использование кислорода нитратов в ходе денитрификации при окислении органического вещества рассматривается как процесс, возмещающий соответствующие затраты растворенного кислорода.

Запасы азота и фосфора в бентали увеличиваются вследствие оседания фитопланктона и органического вещества под воздействием силы тяжести, и расходуется при минерализации. При этом в зависимости от окислительно-восстановительных условий, большая или меньшая часть фосфора удерживается в донных отложениях, а большая или меньшая часть азота покидает систему в виде адсорбированных ионов аммония и в результате денитрификации. Некоторая часть биогенов покидает моделируемую область в результате захоронения.

Литература:

Savchuk O.P. Nutrient biogeochemical cycles in the Gulf of Riga: scaling up field studies with a mathematical model // Journal of Marine Systems. 2002. Vol. 32, No 4. P. 253–280, https://doi.org/10.1016/S0924-7963(02)00039-8.

Isaev A. et al. Accounting for Dissolved Organic Nutrients in an SPBEM-2 Model: Validation and Verification: 5 // Water. Multidisciplinary Digital Publishing Institute, 2020. Vol. 12, № 5. P. 1307, https://doi.org/10.3390/w12051307.

Исаев А.В., Савчук О.П., Филатов Н.Н. Трехмерная ретроспективная оценка биогеохимической динамики азота и фосфора в экосистеме Онежского озера за период с 1985 по 2015 гг. Часть I: Межгодовая изменчивость и пространственное распределение. Фундаментальная и прикладная гидрофизика. 2022;15(2):76-97. https://doi.org/10.59887/fpg/e1m2-63b5-rhvg

Савчук О.П., Исаев А.В., Филатов Н.Н. Трехмерная ретроспективная оценка биогеохимической динамики азота и фосфора в экосистеме Онежского озера за период с 1985 по 2015 гг. Часть II: Сезонная динамика и пространственные особенности; интегральные потоки. Фундаментальная и прикладная гидрофизика. 2022;15(2):98-109. https://doi.org/10.59887/fpg/9mg5-run6-4zr8

Marshall J. et al. A finite-volume, incompressible Navier Stokes model for studies of the ocean on parallel computers // Journal of Geophysical Research: Oceans. 1997. Vol. 102, № C3. P. 5753–5766, https://doi.org/10.1029/96JC02775.

Marshall J. et al. Hydrostatic, quasi-hydrostatic, and nonhydrostatic ocean modeling // Journal of Geophysical Research: Oceans. 1997. Vol. 102, № C3. P. 5733–5752, https://doi.org/10.1029/96JC02776.

Методика обработки данных спутниковых наблюдений о хлорофилле "а"

В работе использованы ежедневные данные о концентрации Хла проекта GlobColour службы мониторинга морской среды CMEMS (англ. Copernicus Marine Environment Monitoring Service, https://data.marine.copernicus.eu/products) с пространственным разрешением 4×4 км, доступные за период с сентября 1997 г. по декабрь 2022 г. Массив GlobColour создан объединением данных с разных спутниковых датчиков: датчика с широким полем обзора SeaWiFS (англ. Sea-viewing Wide Field-of-view Sensor); спектрометров среднего разрешения MODIS (англ. Moderate Resolution Imaging Spectroradiometer), находящихся на борту спутников Aqua и Terra; спектрометра среднего разрешения MERIS; набора датчиков видимого и инфракрасного (ИК) разрешения VIIRS-SNPP (англ. Visible Infrared Imaging Radiometer Suite — Suomi National Polar-orbiting Partnership) и JPSS1 (англ. Joint Polar Satellite System); прибора для фиксирования оптических характеристик океана и суши OLCI (англ. Ocean and Land Colour Instrument) спутников Sentinel-3A/B. Одной из характеристик этого набора является представление данных в виде многолетних временных рядов, что позволяет использовать их для научных целей с большей точностью, так как к ним применяется более совершенный алгоритм первичной обработки (Beckers, Rixen, 2003; Volpe et al., 2007, 2012, 2019), нежели к данным, получаемым в режиме реального времени. Используемые данные имеют четвёртый уровень обработки (L4), характеризующийся объединением нескольких алгоритмов дешифрирования концентрации Хла: CI — для олиготрофных вод, общий подход OCx (англ. Ocean Color) (OC3, OC4 или OC4Me в зависимости от датчика) — для мезотрофных вод и алгоритм OC5 — для вод прибрежных зон (Garnesson et al., 2019), а также пространственно-временной интерполяции объединённых массивов концентрации Хла для каждого датчика (Saulquin et al., 2019), что позволило минимизировать недостающие данные за пределами полос обзора датчиков и наличия облачности. Кроме того, для сравнения результатов разных спутниковых данных в работе использован набор OC-CCI (англ. Ocean Color Climate Change Initiative) Европейского космического агентства (англ. European Satellite Agency — ESA) версии 6.0. Этот набор представлен ежемесячными данными о концентрации Хла с пространственным разрешением 4×4 км за период с сентября 1997 г. по декабрь 2022 г. (https://climate.esa.int/en/projects/ocean-colour/data/). Набор формируется на основе данных MERIS, SeaWiFS, MODIS, VIIRS, Sentinel-3A/B — OLCI. Набор данных OC-CCI задумывался для формирования многолетних временных рядов, которые необходимы для оценки климатических тенденций. Расчёты концентрации Хла выполнены на основе алгоритмов OCI, OCI2, OC2, OC3, OCx (соотношение OC3/OC4) и OC5, которые учитывают различные типы вод (Jackson et al., 2017; Moore et al., 2009). Рассматриваемые наборы GlobColour и OC-CCI различаются на этапе формирования массивов данных (Garnesson et al., 2019). Так, при формировании набора GlobColour концентрация Хла вычисляется для каждого датчика с учётом его характеристик (спектральный диапазон и разрешение), а затем полученные значения объединяются, тогда как получению концентрации Хла набора OC-CCI предшествует объединение значений отражательной способности с разных датчиков. Для каждого года за период 1998–2022 гг. нами были рассчитаны средне-сезонные значения Хла за шесть месяцев (май, июнь, июль, август, сентябрь, октябрь) для всей площади акватории Онежского озера, что обусловлено временем активного развития фитопланктона в озере за вегетационный период (Калинкина и др., 2017). Расчёты и дополнительная обработка данных выполнены с помощью программного обеспечения (ПО), разработанного на языке программирования Рython в рамках проекта Российского научного фонда (РНФ) № 22-17-00193. Данное ПО интегрировано с информационно-аналитической системой «Онежское озеро и его водосбор» для калибрации и верификации трёхмерной модели экосистемы Онежского озера, а также для визуализации и представлении результатов расчётов и данных спутниковых наблюдений, в том числе о концентрации Хла.

Получение и первичная обработка данных о поверхностной температуре Онежского озера

Для пополнения базы спутниковых данных, были использованы данные о поверхностной температуре Онежского озера MODIS/Terra и MODIS/Aqua для периодов с 2000 до 2023 гг. Выбранные наборы данных формируются и распространяются центром обработки и распространения данных Land Processes DAAC программы NASA (LPDAAC NASA) Earth Observing System Data and Information System (EOSDIS). Нами были использованы данные версии 6.1, загруженные с помощью веб-приложения USGS для извлечения данных (AρρEEARS) (https://lpdaac.usgs.gov/products/mod11a2v061/; https://lpdaac.usgs.gov/products/myd11a2v061/). Наборы данных имеют пространственное разрешение 1 км, временное – 8 дней. 8-дневный набор данных для высоких широт является наиболее приемлемым по сравнению с ежедневными данными. Последние имеют большое количество пропусков, связанных с облачностью и временем пролета спутника.

Поскольку данные по температуре восприимчивы к облачности, особенно для высоких широт, для устранения эффектов неточности необходимо было произвести алгоритм действий с использованием данных о качестве, зашифрованных в бинарном формате. Для этого, наряду с набором данных по температуре, был загружен файл с расшифровкой данных о качестве, в котором содержалась информация о значениях переменной QC (quality control) для наборов данных MODIS/Terra (MOD11A2v061) и MODIS/Aqua (MYD11A2v061), соответствующую определенным порогам значений средней ошибки поверхностной температуры и средней ошибки излучательной способности. Согласно документации (Wan Z., 2019), необходимо было выбрать порог, а, соответственно, и значения переменной QC, соответствующие критерию «хорошего качества» (good quality). Согласно документации, данные «хорошего качества» ограничены порогом: средняя ошибка температуры поверхности должна быть <=2К, а средняя ошибка излучательной способности <=0.04. Были отобраны только индексы пикселей, значения которых соответствовали порогам. QC были определены значениями 17, 33, 49, 65, 81, 97 для обоих наборов данных, остальные были определены как несоответствующие и удалены из массивов. Затем данные о поверхностной температуре были отфильтрованы соответственно индексам выбранных значений переменной QC. Данный порог применялся отдельно для данных по температуре, зафиксированных в дневное и ночное время для обоих наборов данных.

Следующим шагом осуществлялся перевод значений из градусов Кельвина в градусы Цельсия для каждого набора данных, интерполяция всех наборов данных на модельную сетку, а также создание и применение маски вода-суша для Онежского озера для устранения значений температуры за пределами бассейна озера.

После предварительной обработки, согласно документации, интерполяции данных и применения маски суши, были подготовлены пространственные среднемесячные данные по температуре поверхности отдельно для наборов данных MODIS/Terra и MODIS/Aqua для дневного и ночного времени за период март-октябрь 2000-2023 гг. Наряду с этим, были подготовлены массивы среднемесячных данных MODIS, объединенные с двух датчиков.

Список литературы

1. Chavula G. et al. Estimating the surface temperature of Lake Malawi using AVHRR and MODIS satellite imagery //Physics and Chemistry of the Earth, Parts A/B/C. 2009. Vol. 34, no 13-16. P. 749-754. https://doi.org/10.1016/j.pce.2009.08.001

2. Global Climate Observation System. 2016. Essential Climate Variables. Accessed on the 4th of February of 2022. Available in https://gcos.wmo.int/en/essential-climate-variables/about. Accessed in the 14h of February of 2022.

3. Gong Y. et al. Cloud-covered MODIS LST reconstruction by combining assimilation data and remote sensing data through a nonlocality-reinforced network //International Journal of Applied Earth Observation and Geoinformation. 2023. Vol. 117. P. 103195. https://doi.org/10.1016/j.jag.2023.103195

4. Ke L., Song C. Remotely sensed surface temperature variation of an inland saline lake over the central Qinghai–Tibet Plateau //ISPRS journal of photogrammetry and remote sensing. 2014. Vol. 98. P. 157-167. https://doi.org/10.1016/j.isprsjprs.2014.09.007

5. Tavares M. H. et al. Comparison of methods to estimate lake-surface-water temperature using Landsat 7 ETM+ and MODIS imagery: Case study of a large shallow subtropical lake in southern Brazil //Water. 2019. Vol. 11, no 1. P. 168. https://doi.org/10.3390/w11010168

6. Tan J. et al. Reconstruction of the daily MODIS land surface temperature product using the two-step improved similar pixels method //Remote Sensing. 2021. Vol. 13, no 9. P. 1671. https://doi.org/10.3390/rs13091671

7. Reinart A., Reinhold M. Mapping surface temperature in large lakes with MODIS data //Remote Sensing of Environment. 2008. Vol. 112, no 2. P. 603-611. https://doi.org/10.1016/j.rse.2007.05.015

8. Song K. et al. Spatiotemporal variations of lake surface temperature across the Tibetan Plateau using MODIS LST product //Remote Sensing. 2016. Vol. 8, no 10. P. 854.

9. Wan Z. Collection-6 MODIS Land Surface Temperature Products Users' Guide, 2019. (https://lpdaac.usgs.gov/documents/715/MOD11_User_Guide_V61.pdf)

10. Wan Z. New refinements and validation of the collection-6 MODIS land-surface temperature/emissivity product: Remote Sensing of Environment, Vol. 140, p. 36-45, accessed February 8, 2016. http://dx.doi.org/10.1016/j.rse.2013.08.027

11. Wan W. et al. Lake surface water temperature change over the Tibetan plateau from 2001 to 2015: A sensitive indicator of the warming climate //Geophysical Research Letters. – 2018. Vol. 45, no 20. P. 11,177-11,186. https://doi.org/10.1029/2018GL078601

12. Zhang Q. et al. Modelling of water surface temperature of three lakes on the Tibetan Plateau using a physically based lake model //Atmosphere-Ocean. 2018. V. 56, no 4. P. 289-295. https://doi.org/10.1080/07055900.2018.1474085

Построение границ водосборов и гидрографической сети

Определение границ водосбора может быть сделано с использованием цифровых моделей рельефа (ЦМР, Digital Elevation Model, DEM). ЦМР представляет собой трехмерную модель поверхности Земли, основанную на данных о высотах, полученных из различных источников. В качестве данных для ЦМР могут служить наземные измерения, аэрофото- и спутниковая съемка, лазерное сканирования или радарных измерений с воздуха или космоса [Национальный стандарт РФ ГОСТ Р 52439-2005; Национальный стандарт ГОСТ Р 5244-2005].

Сейчас наиболее распространенными являются глобальные ЦМР, основными из которых являются ASTER GDEM, ALOS World 3D, Copernicus DEM, WorldDEM, Maxar 3D, NextMAP, VRICON, TanDEM-X, SRTM DEM и др. Пространственное разрешение этих моделей составляет от 1 до 90 м. В данной работе для построения водосбора была выбрана свободно распространяемая ЦМР SRTM 1 Arc-Second Global, хорошо зарекомендовавшая себя при гидрологическом моделировании [Мальцев, 2014; Кошель, 2017; Никитенков, 2013].

SRTM 1 Arc-Second Global – глобальная цифровая модель рельефа, полученная на основе данных интерферометрической радарной спутниковой съемки проекта Shuttle Radar Topography Mission, реализованного NASA в сотрудничестве с Национальным агентством геопространственной разведки (NGA) и Немецким аэрокосмическим центром (DLR). Первая версия SRTM была создана в рамках миссии космического челнока Endeavour 11-22 февраля 2000 года. В результате были получены данные о рельефе более 80% поверхности планеты от 60° с.ш. до 56° ю.ш. с пространственным разрешением 1 угловую секунду на пиксель (приблизительно 30 метров). Набор данных SRTM 1 Arc-Second Global (30 метров) был выпущен в 2014 году. Абсолютная ошибка определения высоты модели SRTM на территории Евразии составляет 6.2 м в доверительном интервале 90%. SRTM являются простым 16-битным растром, значение пиксела является высотой над уровнем моря в данной точке, оно также может принимать значение -32768, что соответствует значению «нет данных». Референц-эллипсоид данных – WGS84. Данные распространяются фрагментами 5×5° в форматах Digital Terrain Elevation Data (DTED®), Band interleaved by line (BIL) и Georeferenced Tagged Image File Format (GeoTIFF) [Shuttle Radar Topography Mission...] и доступны для бесплатного скачивания.

Построение водосборных бассейнов затонов производилось в геоинформационных системах QGIS и SAGA GIS. Для построения единой гидрографической сети производилась процедура заливки локальных понижений рельефа с помощью алгоритма Fill Sinks XXL (Wang and Liu). Алгоритм Fill Sinks XXL разработан Ваном и Лю [Wang, Liu, 2006] и предназначен для обработки цифровых моделей рельефа (ЦМР), с целью устранения локальных понижений рельефа («впадин» или «ям») — участков низменности, полностью окруженных более высоким рельефом и не имеющим выхода для воды. Такие понижения рельефа могут быть результатом различных гидрологических и антропогенных процессов, но в цифровых моделях они часто являются ошибками данных, которые искажают результаты гидрологического анализа и моделирование водного стока. Основной функцией алгоритма является модификация высот в этих впадинах таким образом, чтобы обеспечить отток воды, тем самым «заполняя» их до уровня, при котором вода сможет естественно стекать к соседнему участку. Это делается путем постепенного увеличения высоты впадин до тех пор, пока они не достигнут минимально необходимого уровня для стока воды. Буквы XXL в названии алгоритма указывают на его способность обрабатывать очень большие наборы данных с высокой производительностью и эффективностью. В случае рельефа водосбора Онежского озера параметром минимального уклона (Minimum Slope) в алгоритме Fill Sinks XXL принимался равным 0.05-0.1 в зависимости от частного водосбора. Параметр минимального уклона изменяется в пределах от 0 до 1 и зависит от изрезанности рельефа – чем она больше, тем меньше параметр, с увеличением встречаемости более плоских форм рельефа на исследуемой местности, параметр стремиться к 1.

Обязательным вспомогательным элементом при построении водосбора является построение гидрографической сети. В данной работе для построения линий тока применялся алгоритм Flow Accumulation (Recursive) методом Deterministic 8 [O’Callaghan, Mark, 1984] или рекурсивный алгоритм накопления стока. Этот алгоритм позволяет оценить, как вода будет накапливаться и течь по поверхности Земли. Принцип действия алгоритма:

На первом шаге каждой ячейке растра ЦМР присваивается начальное значение накопления стока, равное единице. Таким образом получается матрица, где каждая ячейка представляет собой количество воды, которое она может собрать.
На втором шаге поток из рассматриваемой ячейки направляется в одну из 8 соседних, которая имеет наименьшую высоту и наибольший уклон линии, соединяющей центр текущей ячейки и соседней.
Когда вода течет от одной ячейки к другой, значения стока агрегируются, таким образом, в конечных точках стока (например, в реках или озерах) накапливаются большие значения, отражающие общее количество воды, которое через них протекает.
Процесс рекурсивно продолжается до тех пор, пока не будут обработаны все ячейки.

Расчет водосборной площади основан на алгоритме Upslope Area методом Deterministic 8 достаточно похожий на принцип действия алгоритма Входной информацией для алгоритма кроме ЦРМ является точка стока, в случае Онежского водосбора брались точки в устьях рек, впадающих в Онежское озеро. Для данных точек алгоритм рассчитывал «восходящую» площадь, т.е. двигаясь по линии тока собирал информацию о всех ячейках, которые способствуют стоку в эту точку и суммировал площади всех этих ячеек.

1. Buchhorn M., Bertels L., Smets B., De Roo B., Lesiv M., Tsendbazar N.E., Masiliunas D., Linlin L. (2020): Copernicus Global Land Service: Land Cover 100m: Version 3 Globe 2015-2019: Algorithm Theoretical Basis Document; Zenodo, Geneve, Switzerland, September 2020; doi:10.5281/zenodo.3938968.
2. Buchhorn M., Lesiv M., Tsendbazar N. - E., Herold M., Bertels L., Smets B. Copernicus Global Land Cover Layers-Collection 2. Remote Sensing 2020, 12, Volume 108, 1044. doi:10.3390/rs12061044
3. O’Callaghan J.F., Mark D.M. The extraction of drainage networks from digital elevation data // Computer vision, graphics, and image processing. 1984. – Vol. 28(3). – P. 323–344.
4. Shuttle Radar Topography Mission 1 Arc-Second Global (Digital Object Identifier (DOI) number: /10.5066/F7PR7TFT
5. Wang L., Liu H. An efficient method for identifying and filling surface depressions in digital elevation models for hydrologic analysis and modelling. International Journal of Geographical Information Science. – 2006. – Vol. 20. – No. 2. – P. 193-213.
6. Кошель С.М., Энтин А.Л. Вычисление площади водосбора по цифровым моделям рельефа на основе построения линий тока // Вестник Московского университета. Серия 5: География. – 2017. – № 3. – С. 42-50.
7. Мальцев К.А., Ермолаев О.П. Использование цифровых моделей рельефа для автоматизированного построения границ водосборов // Геоморфология. – 2014. – № 1. – С. 45-53.
8. Национальный стандарт ГОСТ Р 52440-2005 Модели местности цифровые. Общие требования (утв. приказом Федерального агентства по техническому регулированию и метрологии от 28 декабря 2005 г. N 425-ст), Москва: Стандартинформ, 2006, 8 с.
9. Национальный стандарт РФ ГОСТ Р 52439-2005 Модели местности цифровые. Каталог объектов местности. Требования к составу (утв. приказом Федерального агентства по техническому регулированию и метрологии от 28 декабря 2005 г. N 424-ст), Москва: Стандартинформ, 2006, 53 с.
10. Никитенков А.Н., Дутова Е.М., Покровский Д.С. Картографические построения и оценка морфометрических параметров водосборов горно-складчатых территорий по данным спутниковой съемки (SRTM) (на примере северной части Кузнецкого Алатау) // Вестник Томского государственного архитектурно-строительного университета. – 2013. – № 1(38). – С. 223-231.