Х а б а р ш ы с ы в е с т н и к государственного

73 
 
УДК 550.8.053:519.2 
 
С.К. Кынашев, С.А. Баранов
 
Государственный университет имени Шакарима города Семей 
 
ВОЗМОЖНОСТИ МОДУЛЯ GEOSTATISTICAL ANALYST ДЛЯ СИСТЕМАТИЗАЦИИ И 
АНАЛИЗА ПРОСТРАНСТВЕННОЙ ИНФОРМАЦИИ 
 
Аннотация: 
В  статье 
описаны 
возможности  Модуля 
Geostatistical 
Analyst. 
Рассматриваются  вопросы  геостатистического  анализа  пространственно  распределенной 
информации и построения интерполяционных моделей растровых поверхностей. 
 
Ключевые слова: геостатистический анализ, кригинг, интерполяция, вариограмма.  
 
ВВЕДЕНИЕ 
Модуль  Geostatistical  Analyst,  входящий  в  состав  программного  комплекса  ArcGIS, 
представляет  собой  гибкое  программное  средство,  предоставляющее  пользователю  широкие 
возможности  систематизации  и  анализа  пространственно  распределенных  данных.  К  области 
применения  Модуля  Geostatistical  Analyst  можно  отнести  практически  все  сферы  деятельности 
человека:  охрана  окружающей  среды,  сельское  хозяйство,  геология,  гидрология,    метеорология, 
археология,  лесное  хозяйство,  здравоохранение,  горное  дело,  операции  с  недвижимостью  и  многие 
другие [1 c. 2-8].  
1 АНАЛИЗ ДАННЫХ 
Инструменты  исследовательского  анализа  (ИИА)  предназначены  специально  для 
исследования пространственных данных, такими средствами являются: визуализация распределения 
данных,  выявление  трендов  данных,  показ  глобальных  и  локальных  выбросов,  определение 
пространственной  автокорреляции,  осмысление  ковариаций  (взаимной  изменчивости)  между 
несколькими  наборами  данных.  ИИА  представляет  собой  мощный  набор  исследовательских 
инструментов для выбора оптимального метода интерполяции для данных. Все виды инструментов 
исследовательского  анализа  доступны  в  ArcMap,  что  предоставляет  пользователю  возможность 
разных вариантов отображения данных для лучшего понимания их взаимоотношений [1 c. 19-26]. 
2 ПОСТРОЕНИЕ ПОВЕРХНОСТИ  
Представление  информации  является  очень  важным  этапом  для  оценки  репрезентативности 
данных  и  идентификации  внешних  факторов,  которые  могут  оказывать  первостепенное  влияние  на 
характер их распределения. После тщательного исследования данных на предмет наличия аномалий, 
таких  как  глобальные  и  локальные  выбросы  и  тренды,  модуль  Geostatistical  Analyst  предлагает 
широкий выбор методов интерполяции, значительно облегчающий проведение процесса построения 
поверхностей. 
Предлагаемые  интерполяционные  методы  можно  разделить  на  две  основные  группы, 
детерминированные  и  геостатистические.  Первые  используются  для  построения  поверхностей  по 
опорным  точкам  с  помощью  математических  функций,  основываясь  на  степени  схожести  свойств 
точек  выборки.  Методы  геостатистической  интерполяции  основаны  на  статистических  свойствах 
используемых  данных,  которые  используются  как  для  построения  поверхности,  так  и  для  оценки 
ошибок интерполяции. 
В  зависимости  от  выбранного  метода,  могут  быть  построены  следующие  виды  выходных 
поверхностей:  прогнозная,  прогноза  стандартной  ошибки  (неопределенности),  квантильная, 
вероятностная, а также поверхность стандартной ошибки индикаторов. Модуль Geostatistical Analyst 
предоставляет пользователю возможность полного контроля за важными параметрами используемых 
моделей [1 c. 49]. 
2.1 Детерминистские методы 
  
Методы  детерминированной  интерполяции  используются  для  построения  поверхностей  по 
точечным измерениям на основе сходства свойств выбранных точек. 
Методы  детерминистской  интерполяции  можно  разделить  на  две  группы:  глобальные  и 
локальные.  Глобальные  методы  дают  прогнозную  оценку  с  использованием  всего  набора  данных. 
Локальные  методы  дают  прогнозную  оценку  по  точкам  измерений,  расположенным  в  заданных 
областях  (окрестностях)  -  локальных  зонах  в  пределах  более  обширной  области  исследования. 
Модуль  Geostatistical  Analyst  предлагает  глобальные  полиномы  в  качестве  общего  (глобального) 

74 
 
интерполятора и для метода обратных взвешенных расстояний, локальные полиномы, и радиальные 
функции в качестве локальных интерполяторов. 
Интерполяция  может  привести  к  тому,  что  результирующая  поверхность  будет  либо 
проходить  через  измеренные  значения  данных  (исследуемой  переменной),  либо  не  будет.  Метод 
интерполяции,  дающий  прогнозные  значения,  идентичные  измеренным  в  соответствующих  точках, 
называется  точным  (полным,  строгим)  интерполятором.  Неточный  (нестрогий)  интерполятор  дает 
прогнозное  значение  в  точке  измерений,  которое  отличается  от  реально  измеренного  значения, 
который  можно  использовать,  с  целью  избавиться  от  резких  пиков  или  впадин  в  выходной 
поверхности.  Методы  обратных  взвешенных  расстояний  и  основанные  на  радиальных  функциях 
являются  строгими  интерполяторами,  а  методы,  основанные  на  глобальных  или  локальных 
полиномиальных 
зависимостях 
– 
нестрогими. 
Типичными 
областями 
применения 
детерминированного  метода  может  быть  анализ  местоположения  недвижимости  с  целью  прогноза 
интенсивности ее продаж в зависимости от близости домов и земельных участков к месту, где живет 
покупатель.  Применение  весовых  показателей,  используемых  в  методе  обратных  взвешенных 
расстояний,  позволяет  дать  эффективный  прогноз  оптимального  расположения  торговых  точек[1  c. 
50-53]. 
2.2 Геостатистические методы 
Методы  геостатистической  интерполяции  основаны  на  статистических  расчетах.  Они 
используются для прогноза и моделирования поверхности, и позволяют оценить ошибки построения 
и неопределенность полученного прогноза. 
Геостатистические  методы  создают  поверхности  на  основе  статистических  свойств  данных 
измерений. Поскольку геостатистические прогнозы основаны на статистике, эти методы создают не 
только прогнозные поверхности, но также поверхности ошибки (достоверности) и неопределенности, 
являющиеся  индикаторами  качества  прогноза.  Кригинг  (один  из  наиболее  используемых  методов 
интерполяции)  позволяет  решать  два  вида  задач:  количественная  оценка  пространственной 
структуры данных и прогнозирование. Первая задача, также называемая вариографией, заключается в 
подборе  модели  пространственной  зависимости  для  описания  данных.  Для  прогноза  неизвестного 
значения  исследуемой  переменной  в  заданном  местоположении  кригинг  будет  использовать 
подходящую  модель  из  вариографии,  конфигурацию  пространственных  данных  и  значения, 
измеренных  в  точках  опробования  вокруг  области,  для  которой  выдается  прогноз.  Мдуль 
Geostatistical  Analyst  предоставляет  возможность  изменения  параметров  построения  и  предлагает 
установки по умолчанию, обеспечивающие быстрое построение поверхности. 
Кригинг  представляет  собой  достаточно  быстрый  интерполятор,  который  может  быть  как 
строгим, так и нестрогим (сглаженным) в зависимости от используемой модели ошибок измерений. 
Это  очень  гибкий  метод,  и  он  позволяет  пользователям  исследовать  графики  пространственной 
автокорреляции.  Кригинг  использует  статистические  модели,  обеспечивающие  на  выходе  такие 
картографические  представления  как  прогнозные  поверхности,  прогнозы  стандартных  ошибок, 
стандартную  ошибку  индикаторов  н  вероятностную  поверхность.  Гибкость  метода  кригинга  может 
обусловить необходимость принятия многих предварительных решений. Кригинг подразумевает, что 
входные 
данные 
подчиняются 
требованиям 
стационарного 
стохастического 
процесса. 
Стохастический процесс является совокупностью случайных переменных значений, распределенных 
в пространстве и или во времени подобно измерениям высоты поверхности. Ряд методов, таких как 
обычный, простой н универсальный кригинг подразумевает нормальное распределение данных. 
Кокригинг  является  множественным  (многомерным)  эквивалентом  кригинга.  Вследствие 
использования  нескольких  наборов  данных  он  является  исключительно  гибким  методом 
интерполяции,  предоставляющим  пользователям  возможность  исследования  графиков  взаимной 
корреляции  и  автокорреляции.  С  гибкостью  кокригинга  связана  высокая  потребность  в  принятии 
предварительных решений по всем аспектам его применения. В кокригинге могут использоваться как 
вариограммы,  так  и  ковариации.  В  нем  могут  применяться  преобразования  (трансформации)  и 
удаляться тренды, он допускает наличие ошибок измерений в тех же случаях, что и в разных методах 
кригинга. 
В  Модуле  Geostatistical  Analyst  доступны  четыре  типа  интерполяционных  поверхностей: 
прогноза,  квантилей,  вероятности  превышения  пороговых  значений  и  ошибки  прогноза.  Они 
позволяют анализировать данные с разных позиций [1 c. 53-78]. 
•  Прогнозная  карта:  Строится  по  интерполируемым  значениям  свободной  переменной  в 
местоположениях, по которым отсутствуют данные измерений. 

75 
 
•  Карта  ошибок  прогноза:  Строится  по  значениям  стандартных  ошибок  интерполируемых 
значений  или  стандартной  ошибке  интерполированных  значений  индикатора  с  целью  отображения 
неопределенности прогноза. 
• Карта квантилей: Строится, когда пользователь задает вероятность и хочет получить карту 
прогнозных значений, превышающих (не превышающих) измеренные значения на заданной значений 
вероятности. 
•  Карта  вероятности:  Строится,  когда  пользователь  задает  пороговую  величину  и  хочет 
получить  карту  вероятности  того,  что  значения  превысят  (не  превысят)  заданную  предельную 
величину. 
3 АНАЛИТИЧЕСКИЕ ИНСТРУМЕНТЫ 
Модуль Geostatistical Analyst содержит аналитические инструменты, помогающие определить 
значение параметров используемых при построении поверхностей каждого из перечисленных выше 
типов. 
Функции вариограмм и ковариации помогают определить степень статистической корреляции 
в  зависимости  от  расстояния.  Модуль  Geostatistical  Analyst  предлагает  пользователю  средство 
предварительного просмотра вариограммы ковариационной зависимости. Это облегчает и повышает 
эффективность  процедуры  подбора  параметров  модели,  включая  анизотропию  и  моделирование 
ошибок измерений. Вариограмма показывает статистическую корреляцию между соседними точками 
измерений.  При  росте  расстояния,  вероятность  взаимосвязи  между  значениями  в  точках  измерений 
уменьшается.  Это  значит,  что  дисперсия  значений  возрастает  с  ростом  расстояния  между  точками 
измерений,  то  есть  вариограмму  можно  рассматривать  в  качестве  функции,  представляющей 
несходство данных. 
Независимо  от  используемого  метода  интерполяции,  анализу  и  прогнозу  присуща  какая-то 
ошибка. Она определяется многими факторами, такими как неточность исходных данных, вариации 
физических  свойств  отобранных  проб,  влияние  человеческого  фактора,  сдвиг  во  времени  между 
измерениями  в  отдельных  точках.  Все  эти  факторы  вносят  свой  вклад  в  конечные  (суммарные) 
ошибки  измерений.  Моделирование  ошибок  используется  для  минимизации  влияния  ошибок 
измерений. Когда ошибка измерений задана, кригинг становится нестрогим методом интерполяции. 
Поэтому,  прогнозные  значения  в  точках  измерений  будут  отличаться  от  фактически  измеренных. 
Модуль  Geostatistical  Analyst  позволяет  настроить  ошибки  измерений  так,  чтобы  оптимизировать 
модель  ошибок.  Для  совпадающих  данных  (несколько  измерений  в  одной  точке)  рассчитывается 
вариация  измеренных  значений.  Для  моделирования  ошибки  измерений  могут  применяться  три 
метода кригинга – обычный, простой и универсальный. 
Взаимная  (перекрестная)  ковариация  представляет  статистическую  тенденцию  (тренд) 
переменных разного типа изменяться в зависимости от взаимосвязей друг с другом. Положительная 
взаимная  ковариация  возникает,  когда  обе  переменные  имеют  общую  тенденцию  быть  больше  их 
среднего  значения,  а  отрицательная  взаимная  ковариация  –  в  случае,  когда  одна  из  переменных 
стремится быть больше своего среднего, а другие – меньше их среднего значения. Моделирование на 
основе  взаимной  ковариации  используется  для  определения  локальных  характеристик 
пространственной  корреляции  между  двумя  наборами  данных  и  для  поиска  локальных  сдвигов  во 
взаимной корреляции между двумя наборами данных. 
Довольно  часто  несколько  точек  опробования  (по  которым  есть  данные  измерений)  могут 
располагаться близко друг к другу, то есть их плотность на некоторых участках будет повышенной. 
Это  может  привести  к  пространственной  преференции  (повышенной  роли)  этих  точечных  данных. 
Если  данные  с  пространственной  автокорреляцией  сгруппированы  подобным  образом,  то 
результирующая  гистограмма  по  выборке  может  отличаться  от  гистограммы,  полученной  по  всей 
совокупности  данных.  Поэтому,  в  методе  декластеринга  точкам  измерений  с  меньшей  плотностью 
присваивается больший вес, а точках в областях сгущения - меньший вес. 
При  использовании  метода  декластеринга  по  ячейкам  на  область  распространения  данных 
накладывается  регулярная  сетка,  а  вес,  присваиваемый  каждой  точке  с  измеренным  значением 
переменной, задается обратно пропорционально количеству точечных измерений в каждой из ячеек 
сети.  Подбор  размера  и  ориентации  такой  сетки  позволяет  исключить  или  значительно  снизить 
воздействие кластеров (тесных групп) данных. 
По мере удаления точек с данными измерений от местоположения, где значение переменной 
неизвестно,  они  становятся  все  менее  полезными  для  целей  прогнозирования.  На  некотором 
расстоянии  пропадает  корреляция  между  значениями  в  этих  точках  и  точке,  по  которой  делается 
прогноз,  и  весьма  вероятно,  что  точки  измерений  даже  находятся  в  области,  значительной 

76 
 
отличающейся от той, где находится точка с неизвестным значением. Поэтому, обычной практикой 
является  задание  области  поиска,  которая  ограничивает  количество  и  конфигурацию  расположения 
точек,  используемых  в  прогнозе.  Для  ограничения  числа  используемых  точек  существует  два 
механизма:  задание  формы  области  соседства  (окрестности)  и  задание  ограничений  для  точек  в 
пределах и вне этой формы. 
Для создания карт квантилей и вероятности требуется допущение о соблюдении нормального 
распределения. Модуль Geostatistical Analyst поддерживает такие виды трансформаций, как Вох-Сох 
(также известна как степенная трансформация), логарифмическая, арксинус-преобразование и метод 
нормальных  меток.  Применение  трансформаций  делает  дисперсии  постоянными  в  пределах 
исследуемой области и приближает данные к нормальному распределению [1 c. 81-111]. 
4 ДИАГНОСТИРОВАНИЕ  
После  построения  прогнозной  поверхности  полезно  проверить,  является  ли  данная  модель 
оптимальной  для  анализируемого  набора  данных.  Модуль  Geostatistical  Analyst  предлагает 
инструменты  взаимной  проверки  (cross-validation)  и  проверки  (validation)  достоверности, 
обеспечивающие  аналитическую  оценку  созданной  поверхности.  Эти  инструменты  позволяют 
количественно оценить «точность» модели. 
Проверка  достоверности  использует  часть  данных  для  разработки  моделей  тренда  и 
автокорреляции,  применяемых  в  прогнозе.  Затем  прогноз  по  точкам  с  известными  значениями 
сравнивается с данными реальных измерений. Проверка достоверности обеспечивает основание для 
оценки достоверности «протокола» принятых решений (например, выбранной модели вариограммы, 
размера лага (интервал) и окрестности поиска). 
Взаимная проверка и проверка достоверности основаны на следующей идее - изъять одно или 
несколько точечных измерений и затем спрогнозировать связанные с ними данные, используя данные 
измерений в оставшихся точках опробования. Таким образом, предоставляется возможность сравнить 
прогнозное  значение  с  имеющейся  величиной  и,  исходя  из  этого,  получить  информацию  о 
правильности  ранее  сделанных  предположения,  например,  при  использовании  модели  кригинга 
(параметры  вариограммы,  окрестность  поиска  и  т.д.)  Взаимная  проверка  достоверности  использует 
все  данные  для  оценки  тренда  и  моделей  автокорреляции.  Затем  удаляется  каждое  из  точечных 
измерений, по одному за раз, и рассчитывается связанное с ним значение исследуемой переменной. 
Для  всех  точек  взаимная  проверка  достоверности  проводит  сравнение  измеренных  и  прогнозных 
значений.  
Модуль  Geostatistical  Analyst  обеспечивает  построение  ряда  графиков  и  сводок  сравнения 
измеренных и прогнозных значений: прогнозный график, графики ошибок, сравнение достоверности 
разных моделей построения поверхностей. 
Опция  Сравнение  (Comparison)  используется  для  взаимной  проверки  достоверности  и 
помогает  проанализировать  статистические  выкладки  вместе  с  прогнозным  графиком  и  графиком 
ошибок. Как правило, наилучшей является модель со стандартизованным средним близким к нулю, 
наименьшей  среднеквадратической  ошибкой  прогноза,  средней  стандартной  ошибкой,  наиболее 
близкой к среднеквадратической ошибке прогноза, и наиболее близкой к единице стандартизованной 
среднеквадратической ошибкой прогноза[1 c. 168-204]. 
ЗАКЛЮЧЕНИЕ 
Функциональность  геостатистических  слоев  во  многом  аналогична  всем  слоям  АгсМар. 
Пользователь  может  свободно  добавлять  их  в  АгсМар.  удалять  и  отображать  их,  менять 
используемые  символы.  Однако,  геостатистический  слой  имеет  и  отличия  от  других  вследствие 
методов  его  создания  и  хранения.  Геостатистический  слой  может  быть  создан  только  средствами 
Модуля Geostatistical Analyst. Большинство типов слоев АгсМар хранят ссылки на исходные данные, 
символы,  с  помощью  которых  они  отображаются,  и  другие  определяемые  характеристики. 
Геостатистический  слой  хранит  источник  данных,  по  которым  он  был  создан  (обычно  это  слой 
точечных данных), символы и другие определяемые характеристики, но он также хранит параметры 
модели  интерполяции,  которые  можно  уточнять  в  любое  время.  С  помощью  диалогового  окна 
«Свойства» для геостатистического слоя вы можете просматривать как источники исходных данных, 
так и параметры модели. 
Геостатистический  слой  можно  отображать  четырьмя  разными  способами:  с  помощью 
изолиний  с  заливкой,  изолиний,  грида  н  отмывки  рельефа.  Эти  варианты  можно  комбинировать  в 
одном отображении слоя, что позволяет получить разнообразные эффекты. Для каждого из способов 
представления имеется широкий набор символов и управляющих параметров. 

77 
 
Пользователь  может  не  только  выявлять  источник  входных  точек  и  параметры  модели,  но 
также  запрашивать  общую  информацию,  просматривать  и  изменять  размеры  области  отображения 
(экстент)  карты,  менять  символы,  устанавливать  прозрачность  и  выводить  подсказки  по  элементам 
карты. 
 
Литература 
 
1   ArcGIS 9 Geostatistical Analyst Руководство пользователя. Издательство: Dataplus 2006, 278с. 
 
 
КЕҢІСТІКТІ АҚПАРАТТАРДЫ САРАПТАУ ЖӘНЕ ЖҮЙЕЛЕУ ҮШІН GEOSTATISTICAL 
ANALYST МОДУЛІНІҢ МҮМКІНШІЛІКТЕРІ 
С.К. Кынашев, С.А. Баранов  
 
Мадақтамада  GEOSTATISTICAL  ANALYST  модулі  мүмкіншіліктері  көрсетілген. 
Растрлық  кеңістіктің  интерполяциялық  моделдерді  құру  және  кеңістікті  таралған 
ақпараттардың геостатикалық сараптау сұрақтары қарастырылады. 
 
 
MODULE FEATURES GEOSTATISTICAL ANALYST FOR MANAGING AND ANALYSIS OF 
SPATIAL INFORMATION 
S.K. Kynashev, S.A. Baranov  
 
This article describes the features of the module Geostatistical Analyst. Questions of geostatistical 
analysis of spatial distribution of information and constructing interpolation models raster surfaces. 
 
 
УДК: 504.4.06 
 
О.Ж.Сарсембенова 
Государственный университет имени Шакарима города Семей 
 
ОБЗОР СОСТОЯНИЯ ВОДНОЙ СРЕДЫ БАССЕЙНА АЛАКОЛЬСКОЙ ГРУППЫ ОЗЕР 
 
Аннотация:  В  статье  автором  проведен  обзор  состояния  водной  среды  бассейна 
Алакольской  группы  озер  –  оз.Алаколь,  Сасыкколь,  Кошкарколь  и  Жаланашколь,  и  втекащие  в  них 
основные реки: р.Тентек, Урджар, Катынсу, Емель, Жаманты. 
 
Ключевые  слова: бассейн Алакольской группы озер, озеро  Алаколь, Сасыкколь, Кошкарколь, 
Жаланашколь, водный баланс, гидрохимические показатели качества вод. 
 
Озера  на  территории  континентов  занимают  приблизительно  2%  площади  или  2,7  млн.  км
2
. 
Современные  озера  достаточно  равномерно  распределены  по  континентам.  Количество  крупных  и 
средних  озер,  представляющих  наибольший  интерес  для  научных  исследований  ученых,  на 
континентах  земного  шара  огромно  и  исчисляется  десятками  тысяч.  Преобладающими  средними 
глубинами таких озер является диапазон от единиц до нескольких десятков метров.[3]. 
Бассейн  Алакольской  группы  озер  –  оз.  Алаколь,  Сасыкколь,  Кошкарколь  (Уялы), 
Жаланашколь  расположен  в  одноименной  межгорной  впадине  в  юго-восточной  части  Казахстан  на 
территории  Аягузского,  Урджарского,  Маканчинского  районов  Восточно-Казахстанской  области  и 
Алакольского района Алматинской области. 
Алакольская  впадина  –  межгорный  тектонический  прогиб,  заполненный  толщей 
аллювиальных  и  горных  отложений.  Ее  равнинная  часть  представляет  собой  дно  существовавшего 
еще  в  верхнечетвертичное,  а  возможно  и  в  более  позднее  время  Балхаш-Алакольского,  а  затем 
Алакольского  водоемов  поверхность  этого  дна  была  позднее  в  значительной  мере  переработана  в 
результате деятельности рек и ветра, а в центральной части осложнена новейшими тектоническими 
поднятиями по линии разлома блоковых структур. 

78 
 
Эти  процессы  рельефообразования  обусловили  современное  расположение  и  строение 
озерных  котловин  Алакольских  озер,  являющихся  с  точки  зрения  истории  впадины  реликтами 
прежних обширеных водоемов.  
В  то  же  время  современные  озерные  котловины  –  в  значительной  мере  продукт  развития  и 
«жизнедеятельности» самих современных озер, их притоков и береговой растительности. [3]. 
На территории Алакольской впадины в юго-восточном Казахстане насчитывается 529 озер, из 
них 513 – с площадью зеркала более 1 км
2
. Бассейн озерной группы Алакольской впадины занимает 
обширную территорию общей полощадью 68700 км
2
, большая часть которой (70%) располагается в 
юго-восточной  части  Казахстана,  остальная  –  на  сопределеьной  части  Китая.  В  число  собственно 
Алакольских озер входят четыре больших озера: Алаколь, Кошкарколь, Сасыкколь и Жаланашколь, 
образующие своеобразную озерную систему. 
На  долю  4-х  вышеперечисленных  озер  -  Алаколь,  Сасыкколь,  Кошкарколь,  Жаланашколь, 
занимающих  центральную,  наиболее  пониженную  зону  впадины,  приходится  более  95%  общей 
площади водного зеркала и более 99% запасов воды всех озер (около 61,6 млрд.м
3 
).  
 
Наиболее глубокую часть впадины занимает главное озеро системы  – глубоководное 
бессточное  оз.Алаколь,  сосредоточивающее  95%  суммарной  водной  массы  четырех  больших  озер. 
Выше  по  продольной  оси  впадины  размещаются  сточные  (периодически  проточные)  мелководные 
озера: к северу – Кошкарколь и Сасыкколь, к югу – Жаланашколь, сбрасывающие излишки своих вод 
в оз.Алаколь.[2, 5]. 
Сравнительная  характеристика  размеров  Алакольских  озер  и  их  расположения  приведена  в 
таблице 1. 
 
Таблица 1 - Сравнительная характеристика Алакольских озер 
 
Характеристика 
Названия озер 
Алаколь 
Сасыкколь 
Кошкарколь 
Жаланашколь 
Длина озера, км 
104 
49,6 
18,3 
8,8 
Наибольшая ширина, км 
52 
19,8 
9,6 
6,3 
Средняя ширина, км 
25,5 
14,8 
6,5 
4,7 
Длина береговой линии, км 
384 
182 
57,3 
26,2 
Площадь водного зеркала, км
2
 
2650 
736 
120 
40,6 
Наибольшая глубина, м 
54 
4,7 
5,8 
3,4 
Средняя глубина, м 
22,1 
3,3 
4,1 
2,4 
Объем воды, млн.м
3
 
58560 
2434 
489 
99,5 
 
Основными притоками Алакольских озер являются реки Тентек, Урджар, Катынсу, Емель и 
Жаманты. Первая из них, несущая около 40 % суммарного поверхностного притока в озера, образует 
в  центральной  части  Алакольской  впадины  обширную  дельту,  общую  для  трех  озер  -  Сасыкколь, 
Кошкарколь  и  Алаколь,  что  также  свидетельствует  о  наличии  в  прошлом  единого  Сасык-
Алакольского водоема.  
Реки,  впадающие  в  Алаколь-Сасыккольскую  систему  озер,  согласно  классификации 
аквальных  экосистем,  относятся  к  проточным,  постоянным  и  пресноводным  Тентек,  Жаманты, 
Ыргайты, Емель, Катынсу, Урджар, Караколь, Коржынколь. 
Озеро  Алаколь  является  самым  главным  и  наиболее  глубоководным  озером  системы. 
Согласно  классификации    оно  является  постоянным,  глубоководным,  бессточным,  солоноватым. 
Периодически  проточные,  пресноводные  мелководные  озера  –  Кошкарколь,  Сасыкколь  и 
Жаланашколь. Водно-болотные угодья, расположенные в дельте реки Тентек, отдичаются широким 
разнообразием аквальных экосистем. Здесь присутствуют как постоянные проточные реки, протоки и 
ручьи,  так  и  сезонные  протоки  и  рукава.  Также  в  дельте  р.Тентек  находится  большое  количество 
озер.  Большую  часть  занимают  постоянные  пресноводные  мелководные  озера,  включая  большие 
старицы. Кроме того, присутствуют и сезонные пресноводные мелководные озера, а также сезонные 
мелководные  солоноватые  озера.  Поверхностный  приток  рек,  впадающих  в  Алакольскую  систему 
озер, является определяющим фактором водного бассейна озерной системы (таблица 2) 
 
 
 

79 
 
Таблица 2 – Данные основных рек Алакольской впадины 
 
Наимено-
вание 
реки 
Куда 
впадает 
Площадь 
бассейна, 
км
2
 
площадь 
оледене 
ния,  км
2
 
Длина 
реки, 
км 
Средне 
годовые 
расходы, 
м3/с 
Объем 
годового 
стока, 
млн м
3
 
Слой 
стока, 
мм 
Модуль 
стока, 
л/с км
2
 
Тентек 
оз.Сасыкколь 
и Уялы 
5380 
94/20 
км
3
 
183 
47,5 
1395 
259 
8,83 
Урджар 
оз.Алаколь 
4550 
- 
186 
1,56 
49 
11 
0,34 
Катынсу 
оз.Алаколь 
387 
- 
71 
4,5 
213 
550 
12,1 
Емель 
оз.Алаколь 
21800 
- 
102 
4 
142 
6 
0,18 
Ыргайты  оз.Алаколь 
1660 
15,7/505 
км
3
 
28 
5,7 
179,7 
108 
3,4 
Жаманты  оз.Алаколь 
667 
- 
51 
2,5 
78,8 
118 
3,75 
 
Согласно многолетним данным гидрометеослужбы Республики Казахстан подземный приток 
в  оз.Алаколь  составляет  323  мм  или  770  млн  м
3
  в  год.  Приход  воды  за  счет  атмосферных  осадков 
составляет  274  мм  или  653  млн  м
3
  в  год,  а  испарение  равно  1194  мм.  На  основании  этих  данных 
представлен водный баланс оз.Алаколь (таблица 3). 
 
Таблица 3 - Водный баланс озера Алаколь 
 
Приход 
мм 
млн м
3
 
% 
Расход 
мм 
млн м
3
 
% 
поверхностный 
приток 
664 
1579 
53 
испарение 
1194 
2844 
95 
подземный 
приток 
323 
770 
26 
поверхностный 
отток 
10 
30 
1 
атмосферные 
осадки 
274 
653 
21 
изменение запасов 
воды 
54 
128 
4 
Всего  
1261 
3002 
100 
Всего 
1261 
3002 
100 
 
Анализ  состояния  водных  объектов  показывает,  что  наступает  многоводный  период. 
Соответственно реки, впадающие в Алакольскую систему озер, отличаются повышенной водностью, 
а уровень воды в озерах повышается.  
Подъем  уровня  воды  в  озерах  является  неоднозначным  фактором  устойчивого  развития  их 
аквальных  экосистем.  С  одной  стороны,  увеличивается  площадь  дельтовых  участков  рек,  где 
расположены  основные  водно-болотные  угодья,  образуются  новые  мелководные  озера.  Все  это 
способствует  успешному  развитию  речной  биоты.  С  другой  стороны,  подъем  уровня  воды  в 
дельтовых  участках  приводит  к  затоплении  традиционных  мест  гнездования  птиц.  Кроме  того, 
вследствие увеличения количества воды происходит уменьшение ее минерализации, что скажется на 
изменениях в количественном и качественном составах многих микроорганизмов.[2,3,5]. 
Бассейны  Алакольской  группы  озер  и  питающих  их  рек  являются  территориями  активного 
земледелия.  Здесь  создана  сеть  оросительных,  оросительно-дренажных,  коллекторно-сбросных 
каналов.  Интенсивность  сельскохозяйственного  освоения  территории  влияет  на  гидрохимический 
режим  и  качество  поверхностных  вод.  Одна  из  главных  причин  негативных  последствий 
антропогенного  загрязнения  природных  вод  –  токсичное  действие  загрязняющих  химических 
веществ на водную биоту. 
Основными  критериями  качества  вод  по  гидрохимическим  показателям  являются  значения 
предельно  допустимых  концентраций  (ПДК)  загрязняющих  веществ  для  водоемов  рыбо-
хозяйственного значения (таблица 4). [1]. 
 
 
 

80 
 
Таблица 4 – ПДК ингредиентов для поверхностных вод 
 
Наименование 
ПДК для водоемов 
рыбохозяйственного 
водопользования. Мг/л 
Класс опасности 
хлориды 
300 
4 
сульфаты 
100 
4 
кальций 
180 
4 
магний 
40 
4 
натрий 
120 
2 
калий 
50 
2 
кислород растворенный 
не менее 6 
 
БПК5 
3,0 
 
рН (кислотность) 
6-9 
 
железо (общ.) 
0,1 
3 
нитриты 
0,08 (0,02 по N) 
2 
нитраты 
40,9 (9,1 по N) 
3 
аммоний солевой 
0,39 
 
 
Континентальность  климата,  почти  постоянное  ветровое  перемешивание  водных  масс, 
развитие  орошаемого  земледелия  и  другие  особенности  территории  оказывают  воздействие  на 
гидрохимические, биологические и продукционно-деструктивные процессы в озерах. Все это влияет 
на  формирование  гидрохимического  и  экотоксикологического  состояния  озер.  Результаты 
исследований приведены в таблице 5 и 6. [2, 4]. 
 
Таблица 5 – содержание главных ионов и минерализация воды по водным объектам бассейна 
Алакольской группы озер 
 
Название точки 
ПДК, мг/л 
хлорид
ы 
сульфат
ы 
кальци
й 
магни
й 
натрий
+ 
калий 
гидро 
карбонат
ы 
минерализаци
я воды, мг/л 
р.Жаманты 
3,55 
96,4 
36,9 
2,92 
104 
253 
497 
р.Ыргайлы 
5,32 
57,6 
31,3 
7,3 
46 
162 
310 
р.Емель 
8,15 
76,8 
44,1 
11,7 
59,3 
226 
426 
р.Катынсу 
35,50 
1441 
132 
107 
483 
226 
2425 
р.Урждар 
3,90 
480 
42,5 
72,5 
117 
162 
878 
р.Караколь 
10,60 
115 
42,5 
32,6 
101 
211 
513 
р.Коржынколь 
6,38 
57,6 
36,1 
32,1 
0,75 
189 
322 
р.Тентек-2 
коллектор 
1,77 
38,4 
32,1 
29,7 
16 
229 
352 
оз.Жаланашколь  4.96 
384 
38,5 
41,8 
167 
238 
874 
р.Катынсу 
3,19 
106 
30,5 
4,86 
79.3 
159 
388 
р.Урджар 
3,55 
48 
48,1 
2,92 
40,3 
183 
331 
р.Егинсу 
2,84 
67,2 
34,5 
6,32 
53,3 
165 
336 
оз.Алаколь 
5,67 
76,8 
48,1 
24,8 
105 
189 
355 
оз.Сасыкколь 
3,55 
115 
81,8 
16.1 
25 
238 
480 
 
Минерализация  воды  изменяется  от  303  до  2425  мг/л.  По  макрокомпонентам  содержание 
варьируется в пределеах, мг/л: 
- хлориды – 1,8-35,5 (ниже ПДК); 
-сульфаты -38,4-1441 – (14,4 ПДК, выше ПДК); 
-гидрокарбонаты – 159-253; 
-кальций – 27,3-122 (ниже ПДК); 
-магний – 2,9-107 (2,7 ПДК, выше ПДК); 

81 
 
-натрий+калий – 0,75-483 (2,8 ПДК, выше ПДК). 
Таблица 6 – Значение отдельных показателей и содержание азотных соединений по водным 
объектам бассейна Алакольской группы озер 
 
Наименование 
точки 
кислород 
рстворенный, 
мг/л 
БПК
5
, 
мг/л 
рН 
Азотные соединения 
железо 
общее, 
мг/л 
аммоний 
нитриты 
нитраты 
р.Жаманты 
9 
1,2 
8,2 
0,05 
0,013 
0 
0 
р.Ыргайлы 
9,38 
1,03 
8,31 
0,06 
0,016 
0.05 
0,02 
р.Емель 
8,4 
1.8 
8,15 
0,06 
0,01 
0 
0 
р.Катынсу 
7,8 
0,1 
8,26 
0,04 
0,022 
0,09 
0 
р.Урждар 
7,8 
2,1 
8,21 
0,03 
0,007 
0 
0,09 
р.Караколь 
6,6 
1,37 
7,99 
0,04 
0,01 
0 
0,03 
р.Коржынколь 
9,67 
1,9 
8.4 
0,09 
0,037 
0 
0,06 
р.Тентек-2 
коллектор 
9,97 
1,59 
8,03 
0,05 
0 
1,11 
0 
оз.Жаланашколь 
8,97 
1,58 
8 
0,02 
0,007 
0 
0.02 
р.Катынсу 
10,4 
5,08 
8,15 
0,04 
0,011 
1,17 
0 
р.Урджар 
9 
2,28 
7,6 
0,06 
0,009 
1,23 
0,07 
р.Егинсу 
8,64 
3,81 
7,81 
0,03 
0,061 
1,48 
0,09 
оз.Алаколь 
8,13 
2,04 
7,78 
0,04 
0 
0,62 
0.06 
оз.Сасыкколь 
 
 
 
0,04 
0 
0 
0,17 
 
Величина рН составляет 7,5-8,4 – слабощелочная реакция. Азотные соединения обнаружены в 
пределах, мг/л: 
-аммоний – 0,02-0,09 (ниже ПДК); 
-нитриты – 0,0-0,061 (3,1 ПДК, выше ПДК); 
-нитраты – 0,0 -1,48 (ниже ПДК). 
По содержанию кислорода отмечается, мг/л: 
-растворенный кислород – от 6,6 до 10,4; 
- БПК
5 
– от 0,1 до 5,08 (1,7 ПДК, выше ПДК); 
Содержание общего железа колеблется от 0,0 до 0,17 мг/л (1,7 ПДК, выше ПДК); 
Таким  образом,  обзор  состояния  водной  среды  бассейна  Алакольской  группы  озер 
показывает,  что  результаты  мониторинга  можно  использовать  для  решения  ряда  других 
экологических  задач:  прогнозов  распространения  зон  загрязнения,  расчетов  выноса  загрязняющих 
веществ; выявлению приоритетных источников загрязнений. 
 

жүктеу/скачать 7,62 Mb.

Достарыңызбен бөлісу: