ABSTRAKT
Měnící se klimatické a hydrologické podmínky ovlivňují také jakost vod ve vodních tocích a nádržích. Na toto téma již bylo publikováno více studií, většinou zaměřených na konkrétní území a situaci. Česká republika (ČR) disponuje dostatečně dlouhými a podrobnými řadami sledování průtoků i jakosti na to, aby bylo možné podrobnou datovou analýzou vysledovat převládající typy vztahů v závislosti na charakteristikách povodí a zdrojích znečištění.
Pro účel článku byly vybrány profily sledování jakosti v letech 2010–2019, k nimž bylo možné přiřadit kromě obecných charakteristik povodí také přiměřeně přesné údaje o průtoku v době měření. Údaje o měřených koncentracích sledovaných ukazatelů byly porovnávány s hydrologickou situací kvantifikovanou pomocí statistické četnosti výskytu průtoků ve dni odběru vůči dlouhodobé časové řadě.
Na takto připravené datové sadě byly zjišťovány vztahy mezi průtokem a koncentracemi vybraných látek. Tyto vztahy lze rozdělit do tří kategorií: chemostáze, kdy se koncentrace nemění nebo kolísají nezávisle na průtoku, obohacení, kdy koncentrace s rostoucími průtoky rostou, a ředění, kdy koncentrace s rostoucími průtoky klesají. O tom, který z těchto vztahů převládne, případně zda se projeví kombinace více vztahů, rozhodují kromě vlastností látek také charakteristiky povodí. V některých případech lze právě na základě vztahu určit v povodí převládající zdroj znečištění.
Cílem článku je poukázat na potenciál statistických metod pro optimalizaci monitorovacích kampaní a vyhodnocení rozhodujících vlivů a charakteristik povodí.
ÚVOD
Klimatická změna posledních dekád má dopad i na hydrologické charakteristiky toků, jak v ČR dokládají dlouhodobá sledování [1]. Kromě poklesu průměrných průtoků sledujeme rovněž četnější a delší epizody sucha nebo naopak extrémních odtoků. Tyto změny mají důsledky také pro kvalitu vody, což může způsobovat vážné problémy vzhledem k tomu, že už nyní nejsou u mnoha vodních útvarů splněny požadavky na dobrý chemický a ekologický stav a navzdory řadě opatření dochází jen k pomalému nebo žádnému zlepšování, v některých případech i ke zhoršování [2].
O souvislostech mezi kvantitativními a kvalitativními vlastnostmi vodních toků v různých typech povodí a za různých hydrologických situací byla provedena řada studií. Nejčastěji se autoři zaměřují na přirozený chemismus povodí [3, 4] a nutrienty [5, 6], méně často na další látky, např. farmaka nebo pesticidy. Vztah mezi koncentrací a průtokem (C-Q slope) se pro tyto účely používá jako metrika a je výrazně ovlivněn jak charakteristikami povodí [7], tak převládajícími zdroji znečištění včetně historické zátěže [8]. Jinak se tento vztah projevuje při použití delších časových řad méně častých sledování a jinak v podrobných časových řadách, kde lze vysledovat vztahy typické pro srážkoodtokové události [9]. Zároveň se ukazuje, že vlivy určující chování látek v povodí mohou být kombinované, jak dokládá článek od Minaudo [10], kde je pro dusičnany sestaven model zahrnující sezonní průběh i jednorázové události, jež mají do značné míry protichůdný charakter.
Porozumění uvedeným vztahům může pomoci při zjišťování zdrojů znečištění, modelování odezvy na klimatickou změnu nebo naopak na navržená zmírňující opatření a také upřesnit výpočet látkových odnosů z povodí. Proto byly na vybrané množině dat otestovány postupy přípravy dat a prostřednictvím série grafů ilustrovány některé dílčí výsledky.
Účelem tohoto výzkumu bylo pokusit se sestavit pro ČR dostatečně robustní datovou sadu spojující hydrologické a jakostní charakteristiky vodních toků a při té příležitosti otestovat, jaká data a jaké postupy lze k tomu využít a jaká jsou jejich omezení. Dalším cílem bylo vyhodnocením dat ověřit výsledky z literatury v podmínkách ČR a zjistit, nakolik lze postupy využívané pro všeobecné chemické ukazatele použít pro další, méně často sledované látky. Sada jednoduchých, jednotným postupem generovaných grafů má za cíl ilustrovat metody a obecné zákonitosti a pomoci vytipovat, na jaké ukazatele, vztahy a typy vodních toků by bylo vhodné se zaměřit v podrobnějším výzkumu.
METODIKA
Pro stanovení vztahu mezi jakostí a množstvím vody se nejčastěji používá kombinace bodových měření koncentrace a okamžitého průtoku v čase odběru vzorku. Pro analýzu těchto závislostí se využívají jak jednoduché statistické přístupy, tak pokročilé modelovací metody, včetně lineární a nelineární regrese, korelačních analýz a vícerozměrných statistických postupů [3, 7].
Lineární regrese se uplatňuje v případech, kdy je předpokládán přibližně lineární vztah mezi proměnnými, její použití je však omezeno požadavkem na normální rozdělení reziduí. To bývá problematické zejména u hydrologických dat, kde koncentrace i průtoky obvykle vykazují silně nesymetrická rozdělení. Z tohoto důvodu se často používá logaritmická transformace jedné nebo obou proměnných, jež stabilizuje variabilitu dat a umožňuje lépe aproximovat lineár-
ní vztah v transformovaném prostoru [4, 7].
K hodnocení vztahu mezi koncentrací a průtokem se dále používají korelační koeficienty, zejména Pearsonův a Spearmanův. Spearmanův korelační koeficient je preferován v případech, kdy data nesplňují předpoklady normality nebo kdy je vztah nelineární či monotónní [9].
Pokročilejší přístupy zahrnují regresní a semiparametrické modely, jako jsou zobecněné lineární modely (GLM), zobecněné aditivní modely (GAM) nebo smíšené modely s náhodnými efekty. V hydrologii se často využívají také specializované přístupy pro odhad transportu látek, např. modely WRTDS (Weighted Regressions on Time, Discharge, and Season), které umožňují lépe zachytit sezonnost a dlouhodobé trendy v datech.
V případě dostupnosti několika vysvětlujících proměnných lze využít vícerozměrné statistické metody, jako jsou faktorová analýza, shluková analýza nebo metoda hlavních komponent, jež pomáhají identifikovat dominantní procesy ovlivňující export látek z povodí [6].
Vztahování koncentrací ke kvantilům průtoků je užitečné pro identifikaci chování systému v extrémních podmínkách, např. při vysokých nebo nízkých průtocích. Tento přístup je často používán pro interpretaci tzv. koncentrace–
–průtokových (C–Q) vztahů [3, 7]. Výhodou této metody je její jednoduchost, interpretovatelnost a možnost aplikace i v případech omezeného množství dat nebo hodnot pod mezí detekce.
Pro potřeby této práce byla zvolena metoda porovnání průměrných koncentrací podle kvantilů průtoku, a to zejména pro její jednoduchost, názornost a schopnost ilustrovat základní principy vztahu mezi hydrologickými podmínkami a transportem látek. Současně je však nutné zdůraznit, že jakákoli analýza tohoto typu je silně závislá na kvalitní předúpravě dat, která je klíčovým krokem pro spolehlivou interpretaci výsledků.
Výběr profilů
Aby byla statistická analýza co nejvíce průkazná, je potřeba shromáždit co nejúplnější množinu dat. V případě výběru profilů byly limitujícími faktory časové pokrytí, dostupnost údajů o co nejširším spektru ukazatelů a možnost doplnit údaje o průtoku v době odběru. Pro účely tohoto článku byly vybrány profily, kde bylo měření jakosti realizováno v měsíčních krocích po dobu 10 let – kromě všeobecných ukazatelů kyslíkových poměrů a živin byla k dispozici také měření dalších látek – a kde bylo zároveň možné přiřadit hydrologické údaje. Pro získání hydrologických údajů byla každému jakostnímu profilu přiřazena hydrologická stanice, která byla jakostnímu profilu nejblíže po nebo proti proudu vodního toku. Vlastní průtoky byly přepočteny na základě poměru velikosti povodí. Profily s poměrem plochy povodí nad 4 nebo pod 0,2 byly vyřazeny.
Výběr ukazatelů
Výběr ukazatelů se odvíjel primárně od dostupnosti dat. Zvláštní důraz byl kladen na ukazatele způsobující nedosažení dobrého stavu podle Rámcové směrnice o vodách [11], upřednostněny byly profily, kde bylo k dispozici širší spektrum ukazatelů. Využity byly údaje provozního monitoringu v letech 2010–2019, přičemž byly vyřazeny ty ukazatele, u nichž nebyl k dispozici dostatek měřených hodnot. Přehled sledovaných ukazatelů a dostupných měřených hodnot je v tab. 1.
Tab. 1. Počet dostupných hodnot
Tab. 1. Number of available values
Metoda hodnocení hydrologické situace
Pro hodnocení hydrologické situace byly využity denní průtoky v hydrologických stanicích se stálým měřením. Na základě dlouhodobé řady denních průtoků z let 1980–2019 (u několika případů byla dostupná jen kratší řada, minimálně však od roku 2002 do roku 2019) byly stanoveny percentily průtoku pro každý profil. Přepočítaný průtok v době odběru vzorku pro stanovení jakosti byl porovnán s (přepočítaným) percentilem a zařazen do odpovídající skupiny. Tak bylo možno vyhodnotit, jestli byl průtok v době odběru vzorků významně zvýšený nebo snížený.
Charakteristiky povodí
Pro charakterizaci povodí byla určena rozloha povodí jakostního profilu, byl stanoven podíl orné půdy v povodí a podíl městské zástavby. Povodí byla následně rozdělena na malá (< 500 km2), střední (500–2 000 km2) a velká, s velkým (> 60%), středním (20–60%) a malým podílem orné půdy a velkým (> 5%), středním (1–5%) a malým zastoupením městské zástavby (≤ 1%). Účelem tohoto rozdělení bylo zjistit, jaké parametry mají na vztahy jakosti a hydrologie vliv – zda jsou např. drobné vodní toky citlivější k obdobím sucha nebo naopak k extrémním srážkoodtokovým událostem, zda lze na základě typu vztahu rozlišit pravděpodobně dominantní vliv různého typu znečištění atd. Počet profilů v jednotlivých skupinách je v tab. 2. Kvůli porovnávání situace ve velkých a malých povodích byly v datové sadě ponechány i profily na dolních částech toků, jejichž povodí se s povodími výše položených profilů překrývají.
Výsledkem bylo 138 částečně se překrývajících povodí o různých charakteristikách (obr. 1).
Obr. 1. Umístění a typ profilů (velikost bodů odlišuje malé, střední a velké, zelené s malým, žluté se středním a červené s velkým podílem orné půdy)
Fig. 1. Location and type of profiles (dot size indicates small, medium and large catchments; green, yellow and red indicate a small, medium and large share of arable land, respectively)
Tab. 2. Počet profilů (hodnocených záznamů/ukazatelů)
Tab. 2. Number of profiles
VÝSLEDKY
Vývoj
Ačkoli výběr sledovaných povodí nelze považovat za reprezentativní pro posouzení hydrologické situace na území ČR, i v tomto výběru se potvrzuje trend mírného poklesu průměrných průtoků od osmdesátých let 20. století a také suché období v druhé polovině desátých let 21. století. Na obr. 2 je zobrazen průměrný průtok všech sledovaných povodí. Proložený lineární trend je klesající, což ovšem může být zkresleno několika suchými roky na konci sledovaného období.
Obr. 2. Průměrný průtok testovací datové sady (m3/s)
Fig. 2. Average flow rate of the test dataset (m3/s)
Co se týče jakosti, ani tady nelze hovořit o reprezentativním vzorku, nicméně i zde odpovídá vývoj ve vybraných profilech dříve popsaným trendům. Na obr. 3 vidíme vývoj vybraných ukazatelů v ročním průměru všech sledovaných profilů. Pro srovnatelnost jednotlivých ukazatelů není vývoj koncentrací uveden v původních jednotkách, nýbrž v procentech koncentrací na začátku sledování. Většina sledovaných ukazatelů velmi mírně klesá, případně stagnuje, nárůst lze pozorovat u fosforu.
Obr. 3. Vývoj průměrných ročních koncentrací vybraných ukazatelů v testovaných profilech (v % roku 2010)
Fig. 3. Development of average annual concentrations of selected indicators in tested profiles (as a percentage of 2010 levels)
Sezonnost
Významným vlivem, který je potřeba vzít v úvahu, jsou sezonní výkyvy jak v průtocích, tak v jakosti. Četnost nízkých průtoků je obecně vyšší v letních měsících, zvýšené průtoky se pravidelně objevují v březnu a dubnu. Tomu odpovídá i četnost odběru vzorků podle percentilu v jednotlivých měsících. V grafu na obr. 4 vidíme četnost odebraných vzorků rozdělenou podle percentilu průtoku v době odběru na konkrétním profilu. Obr. 5 a 6 pak ukazují rozložení vzorků podle percentilů v jednotlivých měsících, resp. letech. Jednoznačně se zde potvrzuje vyšší četnost odběrů v době nejnižších průtoků v letních měsících.
Obr. 4. Počet vzorků podle percentilu průtoku v době odběru
Fig. 4. Number of samples by flow percentile at the time of sampling
Obr. 5. Počet vzorků podle percentilu průtoku v době odběru podle jednotlivých měsíců
Fig. 5. Number of samples by flow percentile at the time of sampling in each month
Obr. 6. Počet vzorků podle percentilu průtoku v době odběru podle jednotlivých let
Fig. 6. Number of samples by flow percentile at the time of sampling in each year
Sezonní výkyvy se rovněž týkají sledované jakosti. Potvrzeny byly vyšší koncentrace dusíku v zimě a fosforu v létě. Sezonní charakter má též výskyt pesticidů a některých jejich metabolitů. Dobře to dokládají grafy na obr. 7–9. Obr. 7 ukazuje výskyt metabolitů pesticidu alachlor (zakázán roku 2008) a metolachlor (povolen v době, kdy byla pořizována data). Vzhledem k tomu, že tyto látky, ač pravidelně stanovované, jsou v měřitelných hodnotách zachyceny pouze v některých případech, bylo potřeba pracovat i se záznamy pod mezí stanovitelnosti (LOQ). Porovnání těchto dvou ukazatelů dokládá sezonní výskyt aktivně používané látky oproti konstantnímu výskytu metabolitů zakázané látky, a to jak u podílu záchytů, tak v jejich absolutní hodnotě.
Obr. 7. Alachlor – ESA – počty záznamů pod a nad mezí stanovitelnosti v jednotlivých měsících
Fig. 7. Alachlor – ESA – numbers of records below and above the limit of quantification in each month
Obr. 8. Metolachlor – počty záznamů pod a nad mezí stanovitelnosti v jednotlivých měsících
Fig. 8. Metolachlor – numbers of records below and above the limit of quantification in each month
Obr. 9. Alachlor – ESA a Metolachlor – průměrné měřené koncentrace pro jednotlivé měsíce
Fig. 9. Alachlor – ESA and Metolachlor – average measured concentrations in each month
Vztah C-Q
Pomocí metody C-Q slope můžeme vztahy mezi koncentrací a průtokem rozlišit na tři základní typy:
- chemostázi, kde koncentrace zůstává víceméně stejná bez ohledu na průtok,
- obohacení, kdy s rostoucím průtokem roste i koncentrace,
- ředění, kdy s rostoucím průtokem koncentrace klesá.
Chemostáze
Chemostatické chování látek lze připsat dlouhodobým stálým zásobám v povodí a významnému vlivu podzemních vod.
Příkladem chemostáze může být v testovací datové sadě arsen, jehož koncentrace se v závislosti na průtoku příliš nemění, mírný nárůst sledujeme jen u extrémních epizod sucha a ani ten není příliš výrazný (graf na obr. 10).
Obr. 10. Průměrné koncentrace arsenu (µg/l) podle kvantilu průtoku – ukázka chemostatického vztahu
Fig. 10. Average arsenic concentrations (µg/L) by flow percentile – example of chemostatic relationship
Obohacení
Obohacení je vztah, kdy s rostoucím průtokem roste i koncentrace. Typický je u látek vázaných na sediment a u těch, kde lze předpokládat výrazný vliv povrchového odtoku. Ze sledované množiny dat se ukázkový obraz obohacení objevuje u železa (obr. 11), jehož koncentrace jsou stálé u podprůměrných a průměrných průtoků, s vyššími průtoky mírně stoupá a radikální několikanásobné navýšení nastává u extrémních průtoků.
Obr. 11. Průměrné koncentrace železa (mg/l) podle kvantilu průtoku – ukázka obohacení
Fig. 11. Average iron concentrations (mg/L) by flow percentile – example of enrichment
Obdobný průběh lze sledovat u některých látek z kategorie polycyklických aromatických uhlovodíků (PAU) (obr. 12) – tedy stálost za běžných podmínek a místy až exponenciální nárůst s vyšším průtokem.
Obr. 12. Průměrné koncentrace vybraných PAU (µg/l) podle kvantilu průtoku – ukázka obohacení
Fig. 12. Average concentrations of selected polycyclic aromatic hydrocarbons (µg/L) by flow percentile – example of enrichment
Poněkud odlišný obraz obohacení nacházíme u dusičnanového dusíku (obr. 13), kdy k nárůstu koncentrací dochází už u průměrných hodnot průtoku, naopak u extrémních průtoků je nárůst jen nepatrný.
Obr. 13. Průměrné koncentrace dusičnanového dusíku (mg/l) podle kvantilu průtoku – ukázka jiného typu obohacení
Fig. 13. Average nitrate nitrogen concentrations (mg/L) by flow percentile – example of another type of enrichment
Ředění
Vztah, kdy s rostoucím průtokem koncentrace klesá, může provázet látky vstupující do povrchových vod primárně z vod podzemních a jejich úbytek může znamenat snižující se podíl základního odtoku vůči povrchovému (např. vápník, obr. 14). V některých případech však slouží také jako ukazatel znečištění z bodových zdrojů, které je na hydrologické situaci nezávislé.
Obr. 14. Průměrné koncentrace vápníku (mg/l) podle kvantilu průtoku – ukázka ředění
Fig. 14. Average calcium concentrations (mg/L) by flow percentile – example of dilution
Kombinace
Výsledný graf může být kombinací několika faktorů, kdy extrémy lze nalézt na obou stranách. V grafu na obr. 15 vidíme klasický obrázek ředění v případě fosforečnanového fosforu v porovnání s grafem pro celkový fosfor, který při nižších průtocích fosforečnanový fosfor v podstatě kopíruje, v případě vysokých průtoků ale přibývá navýšení.
Obr. 15. Průměrné koncentrace fosforečnanového fosforu (ředění) a celkového fosforu (mg/l) (kombinace ředění a obohacení)
Fig. 15. Average concentrations of phosphate phosphorus (dilution) and total phosphorus (combination of dilution and enrichment) (mg/L) by flow percentile
Vliv charakteristik povodí
Vlastnosti povodí zásadním způsobem ovlivňují vztah mezi hydrologií a jakostí. Základní charakteristiky – velikost, podíl zemědělství a podíl sídel – na využití půdy se ukázaly jako podstatné i v testovacím souboru. Následující grafy znázorňují tento vliv na příkladu živin.
Obr. 16 a 17 porovnávají hodnoty dusičnanového dusíku a celkového fosforu v malých (pod 500 km2) a velkých (nad 2 000 km2) povodích. Zatímco u průměrných a vyšších průtoků jsou koncentrace živin v malých a velkých povodích takřka identické, nízké průtoky znamenají zvýšené koncentrace živin zejména v malých povodích. U fosforu platí tato zákonitost pro velká i malá povodí, ale u malých je podstatně výraznější. V případě dusičnanového dusíku se při nízkých průtocích koncentrace ve velkých povodích dále snižují, zatímco v malých povodích zůstávají stejné jako při středních průtocích.
Obr. 16. Rozdíl C-Q slope pro dusičnanový dusík (mg/l) podle velikosti povodí
Fig. 16. Differences in the C–Q relationship for nitrate nitrogen (mg/L) by catchment size
Obr. 17. Rozdíl C-Q slope pro celkový fosfor (mg/l) podle velikosti povodí
Fig. 17. Differences in the C-Q relationship for total phosphorus (mg/L) by catchment size
Ještě výraznější je rozdíl u povodí s vysokým a nízkým podílem orné půdy v povodí (obr. 18 a 19). Zatímco u celkového fosforu je tvar grafu víceméně stejný a liší se pouze maximálními hodnotami, které jsou v případě zemědělských povodí výrazně vyšší, u dusíku můžeme pozorovat zcela opačný tvar křivky. U povodí s dominantním podílem orné půdy se koncentrace dusičnanů zvyšují spolu s průtokem, naopak v povodích s nevýznamným podílem zemědělství zůstávají konstantní, nebo se dokonce snižují.
Obr. 18. Rozdíl C-Q slope pro dusičnanový dusík (mg/l) podle podílu orné půdy v povodí
Fig. 18. Differences in the C-Q relationship for nitrate nitrogen (mg/L) by proportion of arable land in the catchment
Obr. 19. Rozdíl C-Q slope pro celkový fosfor (mg/l) podle podílu orné půdy v povodí
Fig. 19. Differences in the C-Q relationship for total phosphorus (mg/L) by proportion of arable land in the catchment
Podíl sídel na využití území se v ukázkovém případě projevuje spíš celkovým zvýšením koncentrací než změnou tvaru křivky (grafy na obr. 20 a 21).
Obr. 20. Rozdíl C-Q slope pro dusičnanový dusík (mg/l) podle podílu sídel v povodí
Fig. 20. Differences in the C-Q relationship for nitrate nitrogen (mg/L) by proportion of urban development in the catchment
Obr. 21. Rozdíl C-Q slope pro celkový fosfor (mg/l) podle podílu sídel v povodí
Fig. 21. Differences in the C-Q relationship for total phosphorus (mg/L) by proportion of urban development in the catchment
DISKUZE
Zvolená jednoduchá metoda dobře ukazuje, jak široké spektrum otázek je možné pokládat a jaké aspekty vztahu hydrologických a jakostních parametrů lze sledovat. Pro podrobné vyhodnocení a učinění závěrů je ovšem nezbytné vzít do úvahy mnoho okolností, jež by bylo potřeba vždy ošetřit na základě konkrétní potřeby.
Pro porovnání je vhodné vybrat nezávislá (vzájemně se neobsahující) povodí. U analýzy charakteristik povodí je nutné provést důkladnější analýzu vnitřních korelací, např. hustoty osídlení a zemědělské aktivity. Zastoupení sídel bylo pro tuto analýzu omezeno na jejich podíl na využití území – počet obyvatel a struktura čištění odpadních vod by byly vhodnějším prediktorem. Práce s průměrnými denními průtoky neumožňuje zachytit dynamiku jednotlivých extrémních událostí, např. první splach při extrémním průtoku [13] nebo rozdíly ve vlivu suchého období podle délky jeho trvání.
Z hlediska živin se i na testovacích datech ukazuje mimo jiné vliv zemědělství na množství dusičnanů, který je tak výrazný, že se v závislosti na podílu zemědělství obrací dynamika vztahu – v zemědělských povodích převládá efekt obohacení, v oblastech bez zemědělství naopak ředění. Tento efekt ukazuje na pravděpodobnou kombinaci zdrojů, jež může být zachycena v komplexnějších modelech, jaké jsou popsány např. v článku [10], kde je odlišen efekt obohacení převládající v zemědělských povodích v zimě od efektu ředění, jenž převládá ve všech typech povodí v létě. Zdá se, že podobný model by byl aplikovatelný v podmínkách ČR. Zároveň se ukazuje, že efekt obohacení při extrémně vysokých průtocích sice existuje, ale není výrazný. Malá povodí jsou více ohrožena v případě sucha.
Fosfor byl v prostředí ČR popsán řadou autorů, např. [13, 14]. Testovací data potvrzují, že z hlediska fosforu je dominantním vztahem ředění; obohacení se týká jen celkového fosforu za mimořádných průtoků. Zde by bylo vhodné se zaměřit na to, zda se efekt obohacení při vysokých průtocích týká všech typů povodí, nebo jen těch s vyšším zastoupením orné půdy. Nejvíce zranitelná jsou z hlediska fosforu malá povodí s hustou zástavbou a intenzivním zemědělstvím, kde suchá období mohou vést až k několikanásobnému zvýšení koncentrací. Detailnější analýzu by bylo možné udělat s podrobnějšími údaji o počtu obyvatel a způsobu hospodaření s odpadními vodami.
Podobné statistické metody lze aplikovat na všechny ukazatele, u nichž je k dispozici dostatečné množství dat. V literatuře jsou další látky zastoupeny podstatně méně než živiny. Z testovacích dat se dobře ukazuje pozitivní závislost koncentrací většiny PAU na průtoku, tedy obohacení, které je tím větší, čím extrémnější je průtok. Tato závislost tak kopíruje závislost nerozpuštěných látek, ale i např. železa, tedy závislost na podílu povrchového odtoku. Za podrobnější průzkum by stálo porovnání vlivu zpevněných ploch oproti jiným druhům povrchů (např. orné půdy náchylné k erozi). Vzhledem k tomu, že závislost je poměrně stabilní, bylo by možné ji využít např. pro modelování koncentrací na základě korelací s průtokem, popř. s množstvím nerozpuštěných látek, a v terénu se soustředit na ověřující měření nebo lépe využít závislosti pro přesnější stanovení emisí, jež u prioritních látek vyžaduje Rámcová směrnice o vodách.
Zajímavé závěry – bohužel silně omezené (ne)dostupností dat – přináší zpracování výsledků u pesticidů. Vzhledem k četným nálezům pod mezí stanovitelnosti a k nejednotnosti mezí u různých měření se nabízí zahrnout i tato data a soustředit se na pravděpodobnost překročení meze stanovitelnosti.
Obecně lze říci, že vliv hydrologických podmínek je tak výrazný, že může zakrýt dlouhodobý pozitivní trend vývoje znečištění. Řada látek způsobujících nedosažení dobrého stavu je citlivá jak na extrémní srážkové události, tak zejména na epizody sucha.
Modely založené na C-Q vztahu lze s určitou mírou nepřesnosti využít pro výpočty při nedostatečném množství dat, např. i pro přesnější odhad látkového odnosu.
ZÁVĚR
Statistických metod umožňujících práci s velkými daty existuje mnoho a při vhodně zvolených otázkách i výběru dat přinášejí zajímavé informace. Podobné zpracování samozřejmě vždy doprovází určité zjednodušení a nemůže nahradit detailní analýzu studovaného povodí. Na druhou stranu statistické analýzy již nasbíraných dat jsou rychlé a levné a mohou poskytnout cenné podklady, např. pro analýzu zdrojů znečištění v povodí, pro modelování odpovědi na navrhovaná opatření nebo během plánování monitorovacích kampaní tak, aby při nejmenších nákladech poskytly co nejvíce informací.
Použitá datová sada a postup zpracování se i přes četná úskalí ukázaly jako funkční.
Z použitých dat a postupů vyplývá, že hydrologické poměry mají na jakost povrchových vod zásadní vliv. Letní epizody sucha významně zvyšují koncentrace fosforu, a to více na drobných tocích než u velkých vodních toků s rozsáhlým povodím. Mírné až střední zvýšení odtoku se projevuje zvýšenými koncentracemi dusičnanů zejména v zimě, avšak pouze u povodí s významným zastoupením orné půdy; v povodích bez orné půdy zůstávají konstantní. Koncentrace látek ze skupiny PAU se velmi výrazně zvyšují při vysokých až extrémních průtocích. Skupina pesticidů by si zasloužila vlastní podrobnější průzkum.
Jednoduché zobrazení ukazuje na významnost vztahů jak v oblasti živin, tak i jiných ukazatelů. V příštím výzkumu by bylo vhodné se zaměřit na další nebo přesnější charakteristiky povodí (např. na počet obyvatel a jejich napojení na veřejnou kanalizaci namísto nepřesného podílu zastavěné plochy) a věnovat se podrobněji ostatním ukazatelům – zejména ze skupiny pesticidů a farmak – tam, kde existuje dostatečný počet měření za různých podmínek.
Poděkování
Článek byl realizován v rámci projektu Technologické agentury ČR č. SS02030040 „Predikce, hodnocení a výzkum citlivosti vybraných systémů, vlivu sucha a změny klimatu v Česku“ (https://www.perun-klima.cz/). Děkujeme podnikům povodí a Českému hydrometeorologickému ústavu za poskytnutí dat.
Příspěvek prošel recenzním řízením.
