Создание системы оперативного мониторинга водных ресурсов и экологического контроля гидротехнических инженерных сооружений Северного Казахстана - Анализ методов моделирования цифровых данных

Гидротехнические сооружения и создаваемые ими водохранилища играют важную роль в глобальном круговороте воды, регулируя поток воды из окружающей среды в техногенные системы. Так, например, порядка 57% сезонной изменчивости глобального объема поверхностных пресных вод (GSW) компенсируется водохранилищами [271]. Как правило, после введения в эксплуатацию регулярной батиметрии и изучения морфологии дна крупных водохранилищ, подверженных постепенному заиливанию, уделяется неоправданно мало внимания. Обычно исследования и описания водохранилищ ограничиваются только типом, формой, высотным положением, размерами ложа и проектным объемом воды в них. При этом эффективный мониторинг состояния водохранилищ необходим для широкого спектра практических хозяйственных задач, таких как моделирование и прогноз паводков, расчет фактической полезной емкости, включая мертвый объем, планирование ирригационной и техногенной нагрузки и долгосрочных последствий этих структур для глобального климата [272-273].

После серии наводнений весны 2024 года в Казахстане мониторинг состояния водных ресурсов и, особенно, реального состояния гидротехнических сооружений водохранилищ в Республике Казахстан выведен в приоритетную задачу и ведется на государственном уровне (Программа правительства РК). Для эффективного понимания протекающих процессов и управления водохранилищами батиметрические исследования (получение рельефа дна) и исследование рельефа береговой линии играют ключевую роль. Так точная оценка соотношений “уровень воды – площадь – объем” для водохранилищ имеет важное значение для эффективного гидрологического моделирования, мониторинга состояния водохранилищ и прогнозирования возможных сезонных колебаний уровня рек.

Основные характеристики моделирования водохранилища и соотношения между этими параметрами выводятся по цифровой модели по результатам его батиметрии [274].

Современные методы батиметрии предлагают различные компьютеризированные методы сбора большого массива первичных данных, начиная от сбора данных полевых испытаний, заканчивая спутниковой альтиметрией.

Ручные методы измерения глубин в настоящее время практически не используются из-за невысокой точности получаемых на их основе цифровых моделей и существенными затратами времени персонала для получения данных глубин. Методы автоматизированной батиметрии, основанные также на проведении полевых работ на водных объектах, построены на использовании таких инструментов, как одно- и многолучевые сонары, глубиномеры и датчики LiDAR [275]. Методы дают высокие показания точности измерений, однако также требуют значительных затрат времени для получения требуемого объема массива данных при проведении полевых работ.

В пуле методов дистанционного спутникового зондирования для захвата топографии чаши водного объекта последнее время выделяют спутниковую альтиметрию [271, 276], метод Shuttle Radar Topography Mission (SRTM) на основе применения интерферометрического радара с синтезированной апертурой [277] и метод на основе применения космических термоэмиссионных и отражательных радиометров (ASTER), который опирается на пары стереоскопических изображений [278]. Однако эти дистанционные методы также обладают определенными ограничениями. Эти ограничения особенно существенно проявляются, когда дело доходит до захвата поверхностей подводного рельефа водоемов [279].

Данный факт делает методы дистанционного зондирования малоприменимыми для расчета фактического объема водохранилищ. Учитывая эти проблемы, точные батиметрические данные в настоящее время получаются всё же в результате более утомительных полевых работ на месте с использованием таких инструментов, как сонары и датчики LiDAR [275].

Все используемые цифровые модели водных объектов построены на методах детерминированной и геостатической интерполяции [280]. В последнее время в отличие от ранее доминирующих методов математической одномерной интерполяции всё чаще находят применение методы многомерной интерполяции и методы интерполяции на основе применения аппарата искусственного интеллекта [281].

В-первых, при использовании интерполирующих алгоритмов выделяют интерполяцию на регулярной [282] и нерегулярной сетке данных [283-284]. Последние, хотя и более строги к аппарату интерполяции, все же менее требовательны к массиву исходных данных. Это позволяет в процессе исследования перенести часть сложности с полевых работ на кабинетную постобработку данных при моделировании исследуемого объекта, что всё же удобнее. Методы детерминированной интерполяции позволяют сгенерировать поверхности из дискретных значений измерений (массива точек данных), основываясь или на степени схожести (обратные взвешенные расстояния), или, например, уровне сглаживания (радиальные базисные функции) [285].

Геостатистические методы интерполяции (различные вариации алгоритмов кригинга и подобные) [286] используют статистические свойства измеренных точек. Геостатические методы отличаются больщей гибкостью к исходным данным, но в рамках семейства методов, например, кригинга выдвигаются различные требования к условиям, которые должны быть соблюдены, чтобы выходные результаты были допустимыми. Дизъюнктивный кригинг и эмпирический байесовский кригинг, как правило, дают меньшую абсолютную ошибку интерполяции водных объектов по сравнеию с методами универсального кригинга и простого кригинга [286, 287]. Однако [288-289] в своих исследованиях отмечают, что интерполяция на основе детерменированного метода радиальной базисной функции в некоторых случаях сопоставима с кригингом как по точности, так и по своей производительности.

Методы интерполяции на основе аппарата искусственного интеллекта чаще сводят к нейросетевым методам [281, 290] (многослойный перцептрон (MLP) [291-292], опять же но уже нейронной сети радиально-базисной функции (RBFN) [293], сети обратного распространения (FNN) [294], глубокой нейронной сети (DNN) [295] и в последнее время исследуют применимость капсульных нейросетей (CapsNet)) [296].

В проведенной авторами работе рассматриваются три основных исследовательских вопроса:

во-первых, каково реальное состояние Каратомарского водохранилища после 78 лет эксплуатации;
во-вторых, насколько точно передает проведенное батиметрическое исследование рельеф водохранилища после интерполяции батиметрических данных?
в-третьих, с каким шагом галсов дрона должна осуществляться батиметрическая съемка чаш равнинных водохранилищ для достижения требуемой точности моделирования?

Для решения поставленных задач анализ выполнен по материалам осуществлённой в июле-августе 2024 года коллективом авторов батиметрической съемки зарегулированного объема Каратомарского водохранилища на площади 61 км2 и детализированной дополнительной съемки залива водохранилища с построением соответствующих цифровых моделей рельефа. Рельеф дна водохранилища представлен ровными участками затапливаемой аккумулятивной равнины с преобладающими уклонами около 0,5–0,8%, расчлененной речными руслами рек Тобол и Аят.

Трансформация рельефа дна водохранилища по сравнению с проектной обусловлена процессами вымывания дна в зонах течения (меандра) и постепенного заиливания стоячих участков. Выполнена оценка точности интерполяции и моделирования с различной частотой галсов батиметрического бота. По результатам моделирования проведен анализ точности полученных результатов моделирования водохранилища.

Предлагаемый авторами подход представляет собой надежное решение первого этапа исследования для точной оценки текущей батиметрии водохранилища и устанавливает более достоверные значения соотношения “уровень воды – площадь – объем” на примере Каратомарского водохранилища Республики Казахстан с возможностью тиражирования результатов для любых равнинных водохранилищ.

[Источники]

271) Cooley, S. W., Ryan, J. C., & Smith, L. C. Human alteration of global surface water storage variability. // Nature. – 2021. - 591(7848). – С. 78–81. doi:https://doi.org/10.1038/s41586-021-03262-3.
272) Chao, B., Wu, Y., & Li, Y. Impact of artificial reservoir water impoundment on global sea level. // Science. – 2008. - 320(5873). – С. 212–214. doi:https://doi.org/10.1126/science.1154580
273) Williamson, C. E., Saros, J. E., Vincent, W. F., & Smol, J. P. (2009). Lakes and reservoirs as sentinels, integrators, and regulators of climate change. // Limnology & Oceanography. – 2009. - 54(6part2). – С. 2273–2282. doi:https://doi.org/10.4319/lo.2009.54.6_part_2.2273.
274) Yigzaw, W., Li, H. Y., Demissie, Y., Hejazi, M. I., Leung, L. R., Voisin, N., & Payn, R. (2018). A new global storage-area-depth data set for modeling reservoirs in land surface and earth system models. Water Resources Research, 54(12), стр. 386. doi:https://doi.org/10.1029/2017wr022040
275) Bandini, F., Olesen, D., Jakobsen, J., Kittel, C., Wang, S., Garcia, M., & Bauer-Gottwein, P. Bathymetry observations of inland water bodies using a tethered single-beam sonar controlled by an unmanned aerial vehicle.// Hydrology and Earth System Sciences. – 2018. - 22(8). – С. 4165–4181. doi:https://doi.org/10.5194/hess-22-4165-2018/
276) Li, Y., Gao, H., Jasinski, M. F., Zhang, S., & Stoll, J. D. Deriving high-resolution reservoir bathymetry from ICESat-2 prototype photon-counting lidar and landsat imagery. // IEEE Transactions on Geoscience and Remote Sensing. – 2019. - 57(10). – С. 7883–7893. doi:https://doi.org/10.1109/tgrs.2019.2917012
277) Rodriguez, E., Morris, C.S., Belz, J.E., Chapin, E.C., Martin, J.M., Daffer, W. and Hensley, S. An Assessment of the SRTM Topographic Products. // Technical Report JPL D-31639, Jet Propulsion Laboratory. - Pasadena, California, 2005. - 143 p.
278) Zhang, K., Gann, D., Ross, M., Robertson, Q., Sarmiento, J., Santana, S., & al., e. (2019). Accuracy assessment of ASTER, SRTM, ALOS, and TDX DEMs for Hispaniola and implications for mapping vulnerability to coastal flooding. // Remote Sensing of Environment. – 2019. – 225. – p. 290–306. doi:https://doi.org/10.1016/j.rse.2019.02.028.
279) Hao, Z., Chen, F., Jia, X., Cai, X., Yang, C., Du, Y., & Ling, F. GRDL: A new global reservoirarea-storage-depth data set derivedthrough deep learning-based bathymetryreconstruction. Water ResourcesResearch, 2024. - 60. doi:https://doi.org/10.1029/2023WR035781.
280) Pirani, F., & Modarres, R. (2020). Geostatistical and deterministic methods for rainfall interpolation in the Zayandeh. // Hydrological Sciences Journal. - 2020. - 65(16). – p. 2678–2692. doi:https://doi.org/10.1080/02626667.2020.1833014.
281) Zarubin, M., Zarubina, V., Jamanbalin, K., Akhmetov, D., Yessenkulova, Z., & Salimbayeva, R. Digital Technologies as a Factor in Reducing the Impact of Quarries on the Environment. Environmental and Climate Technologies. – 2021. – 25. – Р. 436–454. doi:https://doi.org/10.2478/rtuect-2021-0032.
282) Dovile, K., Zenonas, N., Raimondas, Č., & Minvydas, R. An extended Prony’s interpolation scheme on an equispaced grid. // Open Mathematics. – 2015. - 13(1). – С. 000010151520150031. doi:https://doi.org/10.1515/math-2015-0031.
283) Skorokhodov, I. Interpolating Points on a Non-Uniform Grid using a Mixture of Gaussians. 2020. - URL: https://arxiv.org/pdf/2012.13257
284) Gilewski, P. Impact of the Grid Resolution and Deterministic Interpolation of Precipitation on Rainfall-Runoff Modeling in a Sparsely Gauged Mountainous Catchment. // Water. – 2021. - 13(2). – р.230. doi:doi: 10.3390/W13020230.
285) Ben-Or, M., & Tiwari, P. (1988). A deterministic algorithm for sparse multivariate polynomial interpolation. // In Proceedings of the twentieth annual ACM symposium on Theory of computing (STOC '88)ю Association for Computing Machinery, 1988. – Р. 301–309. doi:https://doi.org/10.1145/62212.62241.
286) Biernacik, Patryk, Kazimierski, Witold, & Wlodarczyk-Sielicka, Marta. Comparative Analysis of Selected Geostatistical Methods for Bottom Surface Modeling. // Sensors. – 2023. - 23. – р. 3941. doi:10.3390/s23083941.