REZUMAT AL TEZEI DE DOCTORAT

REZUMAT AL TEZEI DE DOCTORAT Caracterizarea stării ecologice a corpurilor de apă situate

pe tronsonul inferior al fluviului Dunărea din punct de vedere al elementelor fizico-chimice suport pentru

elementele biologice

UNIVERSITATEA DIN BUCUREȘTI

Coordonator

Prof. Dr. Carmen POSTOLACHE

Doctorand

Carmen Hamchevici

i

i Introducere

1. Introducere _________________________________________________________ 2

2. Analiza critică a stadiului cunoașterii privind caracterizarea și evaluarea stării

ecologice a corpurilor de apă de pe tronsonul inferior al Dunării __________________ 3

2.1. Situația nutrienților în bazinul Dunării ______________________________________ 3

2.2. Nutrienții din perspectiva Standardelor de Calitate de Mediu la nivel european ___________ 3

Contribuții originale ______________________________________________________ 4

3. Organizarea programului de cercetare ___________________________________ 4

3.1. Scopul și obiectivele lucrării _______________________________________________ 4

3.2. Materiale și metode _____________________________________________________ 6

3.2.1. Aspecte privind metodologiile de analiză a formelor de nutrienți _____________________ 6

3.2.2. Metodele de prelucrare a datelor primare pentru caracterizarea spațială ______________ 6

3.2.3. Analiza de tendință (analiza dinamicii temporale) _________________________________ 7

3.3. Organizarea spațială a programului de cercetare ______________________________ 7

4. Rezultate proprii _____________________________________________________ 8

4.1. Caracterizarea profilului spațial al concentrațiilor de nutrienți din secțiunile rețelei de

monitoring de pe cursul principal al Dunării ________________________________________ 8

4.1.1. Profilul longitudinal al concentrațiilor de nutrienți prin intermediul reprezentărilor grafice

de tip box-plot ______________________________________________________________________ 8

4.1.2. Identificarea unor tipare spațiale la scara întregului curs al Dunării __________________ 11

4.2. Analiza variabilității temporale a concentrațiilor de nutrienți ___________________ 18

4.3. Stabilirea valorilor-limită pentru nutrienți __________________________________ 25

4.3.1. Analiza exploratorie a datelor utilizate _________________________________________ 25

4.3.2. Investigarea relației presiune – răspuns dintre nutrienți și elementele biologice ________ 27

5. CONCLUZII _________________________________________________________ 46

6. BIBLIOGRAFIE (selecție) _______________________________________________ 50

2 REZUMAT AL TEZEI DE DOCTORAT

1. Introducere

Problematica gospodăririi raționale a resurselor de apă ocupă un rol major în contextul actual al

dezvoltării durabile a complexelor socio-ecologice, în condițiile în care apa, considerată o lungă

perioadă de timp ca fiind o resursă inepuizabilă și regenerabilă, devine din ce în ce mai evident unul din

factorii limitativi ai dezvoltării socio-economice. Printre numeroasele sale funcțiuni, printre care acelea

de suport vital şi principal factor de mediu, se numără şi funcția de vector principal de propagare a

poluării la nivel local și, în special, la nivel transfrontieră.

Fluviul Dunărea este cel de-al doilea mare curs de apă din Europa, are o lungime totală de 2857

km, o suprafață a bazinului de 817.000 km2. Cuprinzând părți din teritoriile a 19 țări europene, bazinul

Dunării este cel mai ”internațional” bazin hidrografic din lume, ecosistemele sale prezentând o deosebită

importanță din punct de vedere economic, istoric și social. Multiplele și diversele utilizări ale apei din

bazinul dunărean (captare de apă în scop potabil, în scop industrial și agricol, generare de energie

hidroelectrică, navigație, turism, agrement și pescuit) au condus la riscul apariției unor probleme grave

privind calitatea apei și, în consecință, la producerea unui impact negativ asupra biodiversității. De

aceea, este imperios necesară reconsiderarea funcției ecologice a Dunării. Abordarea modului de

îndeplinire a acestui obiectiv a avut în vedere, în primul rând, crearea cadrului instituțional internațional

ce a determinat direcțiile de acțiune ale managementului sub-bazinelor hidrografice din bazinul Dunării.

În consecință, valorificând rezultatele primului cadru instituțional pentru activități comune creat pentru

protecția calității mediului în bazinal dunărean – Declarația de la București din 1985 – Statele Membre

cu teritoriu mai mare de 2000 km2 situat în bazinul Dunării au agreat ca acest mecanism să capete valențe

legislative prin semnarea, în 1994, la Sofia, a Convenției pentru Protecția Fluviului Dunărea (DRPC).

Astfel, 14 țări riverane au devenit Părți Contractante ale DRPC, alături de Uniunea Europeană (UE), de

asemenea, Parte Semnatară a Convenției. Părțile Semnatare au mandatat Comisia Internațională pentru

Protecția Fluviului Dunărea (The International Commission for the Protection of the Danube River –

ICPDR) pentru a fi organizația care să faciliteze cooperarea transfrontieră între părțile contractante și

care să fie responsabilă pentru implementarea DRPC. Intrată în vigoare la 22 decembrie 1998, DRPC a

devenit principalul instrument legislativ de cooperare și acțiune transfrontieră în domeniul gospodăririi

resurselor de apă din bazinul dunărean. Odată cu intrarea în vigoare a Directivei Cadru Apă (DCA) în

decembrie 2000, țările riverane au agreat utilizarea acestui act legislativ pentru îndeplinirea obiectivelor

DRPC, proces la care au consimțit să participe toate țările din bazin, State Membre, în curs de aderare

sau ne-membre (Serbia sau Republica Moldova). Conform acțiunilor pregătitoare ale Primului Plan de

Management Bazinal din 2009, în cadrul Danube Basin Analysis – Roof Report (DBA-RR, 2004), s-a

arătat că părți relativ semnificative ale cursului fluviului Dunărea erau supuse la risc de neîndeplinire a

obiectivelor de mediu ale DCA din cauza a patru tipuri de presiuni: poluarea organică, poluarea cu

nutrienți (în special tronsonul inferior al fluviului), poluarea cu substanțele periculoase și modificările

hidro-morfologice. Dintre acestea, problematica nutrienților a fost identificată ca o direcție utilă de

aprofundare și consolidare a modului în care rezultatele activității de monitoring pot conduce la

adoptarea de măsuri care să-și dovedească eficiența și durabilitatea. Astfel, conform rezultatelor

prezentate în etapa actualizată din 2015 a Planului de Management Bazinal la nivel de district (DRBMP,

2016), cele patru tipuri de presiuni au devenit Aspecte Semnificative ale Managementului Apei

(Significant Water Management Issues – SWMI, făcându-se și distincția între presiunile considerate

continue (persistă din trecut și sunt prezente și în actualitate) și presiunile ce pot apărea și în viitor din

cauza tendințelor de evoluție pe termen lung și a viitoarelor direcții de dezvoltare. Astfel, s-a subliniat

că, chiar dacă poluarea continuă cu nutrienți produce risc de neîndeplinire a obiectivului de calitate

pentru 20% din lungimea corpurilor de apă de suprafață din bazin – ceea ce reprezintă o îmbunătățire

considerabilă față de situația identificată la nivelul anului 2004, poluarea viitoare ar induce un risc

practic redus la zero doar pentru 128 km corpuri de apă de suprafață, din cei peste 33.000 km de corpuri

de apă din bazinul Dunării (DRBMP, 2016).

Aceste informații, coroborate cu rezultatele preocupărilor Grupului de Lucru ECOSTAT al

Comisiei Europene privind armonizarea modului de evaluare a stării ecologice a corpurilor de apă de

suprafață determinată de formele de nutrienți ca parte a elementelor fizico-chimice de calitate, lucrarea

de față își propune să contribuie la dezvoltarea sistemului integrat de monitoring şi evaluare a stării

ecologice a corpurilor de apă situate pe sectorul inferior al fluviului Dunărea, conform cerințelor

Directivei Cadru Apă, transpusă în cadrul legislativ național prin Legea Apelor nr. 107/1996 (cu

3 Analiza critică a stadiului cunoașterii privind caracterizarea și evaluarea stării ecologice a corpurilor de apă de pe tronsonul inferior al Dunării

modificările și completările ulterioare), din perspectiva nutrienților, prin trei direcții principale de

abordare:

- analiza posibilității de identificare a unor tipare spațiale în structura actuală de monitoring la

nivelul întregului curs principal al fluviului;

- analiza dinamicii temporale a formelor de nutrienți;

- relația presiune-răspuns dintre formele de nutrienți și unele elemente de calitate biologice

sensibile la acest tip de presiune, relație determinantă în procesul de stabilire a pragurilor care

să asigure funcționarea ecosistemului din perspectiva DCA.

Ca rezultat, optimizarea activității de monitoring și a evaluării stării ecologice pe un sector ce

cuprinde mai mult de o treime din întregul curs principal al fluviului Dunărea abordată în lucrarea de

față reprezintă o contribuție însemnată la ansamblul de acțiuni de perfecționare a rețelei de monitoring

în context transfrontieră. În acest sens, studiul și controlul calității apei prin intermediul activității de

monitoring reprezintă instrumentul fundamental în dezvoltarea și implementarea politicii din domeniul

apei. Depășind cu mult rolul de simplă înregistrare a stării de calitate, în prezent, activitatea de

monitoring constituie un sistem dinamic de supraveghere, intervenție, control și evaluare a eficienței

strategiilor de profil.

2. Analiza critică a stadiului cunoașterii privind caracterizarea și evaluarea stării ecologice

a corpurilor de apă de pe tronsonul inferior al Dunării

2.1. Situația nutrienților în bazinul Dunării

În ceea ce privește situația nutrienților la nivel de district, în anii recenți, problematica acestora

este subliniată în cadrul Danube Basin Analysis – Roof Report (DBA-RR, 2004; Popovici, 2015), în care

rezultatele analizei efectuate arată că părți relativ semnificative ale cursului fluviului Dunărea erau

supuse la risc de neîndeplinire a obiectivelor de mediu ale DCA din cauza a patru tipuri de presiuni.

Astfel, 58% din lungimea fluviului Dunărea a fost clasificată la risc din cauza poluării organice, 65%

din cauza poluării cu nutrienți (în special tronsonul inferior al fluviului), 74% din cauza substanțelor

periculoase, iar 93% din cauza modificărilor hidro-morfologice.

Ulterior, conform rezultatelor prezentate în cadrul Planului de Management Bazinal la nivel de

district – etapa actualizată din 2015 (DRBMP, 2016), cele patru tipuri de presiuni devin Aspecte

Semnificative ale Managementului Apei (Significant Water Management Issues – SWMI), iar situația

prezintă o distribuție a lungimilor corpurilor de apă de suprafață aflate la risc de neîndeplinire a

obiectivelor de mediu ale DCA, în funcție de cele patru tipuri de presiuni, devenite SWMI. Ceea ce este

important de reliefat în această analiză este că se face o distincție între presiunile considerate continue

(persistă din trecut și sunt prezente și în actualitate) și presiunile ce pot apărea și în viitor din cauza

tendințelor de evoluție pe termen lung și a viitoarelor direcții de dezvoltare. S-a constatat că poluarea

continuă cu nutrienți produce risc de neîndeplinire a obiectivului de calitate pentru 20% din lungimea

(km) corpurilor de apă de suprafață din bazin, ceea ce reprezintă o îmbunătățire considerabilă față de

situația identificată la nivelul anului 2004 (DBA, 2005), iar poluarea viitoare ar induce un risc practic

redus la zero doar pentru 128 km corpuri de apă de suprafață (DRBMP, 2016).

Pe baza valorilor C90 calculate, pentru fiecare indicator și pentru anul pentru care se face

evaluarea este reprezentată grafic distribuția acestor valori în secțiunile de monitoring localizate pe

cursul principal al fluviului Dunărea din cadrul rețelei TNMN, în acest mod fiind prezentată distribuția

concentrațiilor la nivel spațial. Din punct de vedere temporal, sunt reprezentate valorile C90 pentru o

perioadă de timp 2004-2014.

2.2. Nutrienții din perspectiva Standardelor de Calitate de Mediu la nivel european

O primă tentativă de elaborare de Standarde de Calitate de Mediu (SCM) pentru nutrienți care să

răspundă cerințelor Directivei Cadru Apă (DCA) a fost efectuată în anul 2003, în cadrul Programului

Regional de Mediu pentru fluviul Dunărea (UNDP I GEF Danube Regional Project), în care s-a avut în

vedere identificarea și formularea de Standarde de Calitate de Mediu (SCM) pentru nutrienți și pentru

poluanții specifici din bazin. Astfel, conform studiului lui Buijs (2003), alături de Consumul Chimic de

Oxigen (CCO) și metalele grele As, Cr, Cu și Zn, formele de nutrienți Azot Total (N Total), Fosfor Total

(P Total) și Amoniu (N-NH4) au fost identificate ca poluanți specifici la nivelul Dunării. Pentru N Total

și P Total, studiul menționat a plecat de la ipoteza de lucru ce a făcut ca definiția stării ”bune” pentru

elementele de calitate fizico-chimice să capete o dimensiune funcțională: ”starea ”bună” este dată de

concentrațiile de nutrienți care minimizează riscul apariției fenomenului de eutrofizare sau, preferabil,


care îl evită”. În acest sens, au fost propuse următoarele valori prag pentru formele de nutrienți

investigate (Buijs, 2003):

- N Total: 1,0 – 1,5 mg/L N și

- P Total: 0,02 – 0,08 mg/L P.

Analizând valorile propuse, se constată că nivelul este destul de restrictiv, dacă sunt comparate

cu valorile de fond natural estimate prin modelul MONERIS, de 0,8 mg/L N pentru N Total și respectiv

0,03 mg/L P pentru P Total (Schreiber și colab., 2003). Date fiind efectele toxice ale acestei forme, în

cazul azotului amoniacal, a fost propus un SCM separat, de 0,2 mg/L N pentru definirea stării ”bune”.

Deși Raportul a urmărit prevederile DCA pentru delimitarea stărilor ecologice „foarte bună” și

„bună”, SCM-urile propuse pentru nutrienți au fost stabilite pe baza unei liste generice de valori, valabile

atât pentru lacuri cât și pentru râuri, iar limitarea majoră a constitut-o faptul că SCM-urile respective nu

erau specifice tipologiilor corpurilor de apă de pe cursul principal al Dunării.

2.3. Abordarea ECOSTAT

Directiva Cadru Apă solicită Statelor Membre (SM) parcurgerea procesului de intercalibrare în

vederea asigurării comparabilității limitelor între stările ecologice determinate de elementele biologice

de calitate, în special limita dintre starea ”bună” și cea ”moderată”. Acest proces a fost dus la îndeplinire

cu succes, pentru o serie de elemente biologice, de majoritatea statelor europene. Cu acest prilej, însă, a

apărut problema discrepanțelor în ceea ce privește limitele între stările ecologice determinate de

elementele fizico-chimice suport, în special nutrienții. În consecință, la întâlnirea Grupului de Lucru

ECOSTAT al Comisiei Europene din octombrie 2013, s-a convenit asupra necesității creării unui cadru

care să permită abordarea unor modalități armonizate de stabilire, pentru nutrienți, a unor limite între

stările ecologice (ECOSTAT, 2014).

Ca urmare a eterogenității răspunsurilor primite, a căror analiză aprofundată este prezentată în

Phillips și Pitt (2015) ECOSTAT a inițiat un proiect care să investigheze cauzele care au determinat

această eterogenitate și, mai mult decât atât, să ofere soluțiile necesare care să elimine pe cât posibil

discrepanțele existente, soluții care să se regăsească într-un Ghid de Bune Practici în derivarea limitelor

pentru nutrienți.

Astfel, în luna februarie 2017, Grupului de Experți al ECOSTAT pe problematica nutrienților i-a

fost transmisă prima versiune al Ghidului de Bune Practici pentru stabilirea concentrațiilor de nutrienți

care să susțină starea ecologică ”bună” (Phillips și colab., 2017), în care sunt propuse spre testare trei

metode statistice utilizate în stabilirea valorilor pentru nutrienți care să constituie limite dintre stările

ecologice. Metodele statistice cuprinse în ghidul menționat se bazează pe următoarele abordări:

- analiza de regresie, utilizând relația continuă dintre Rapoartele de Calitate Ecologică

pentru elementele biologice și formele de nutrienți;

- analiza categorială, utilizând distribuția concentrațiilor de nutrienți în clasele ecologice

determinate de elementele biologice de calitate;

- minimizarea discrepanțelor dintre clasificarea stării ecologice pe baza elementelor

biologice de calitate și clasificarea determinată de formele de nutrienți.

În perioada februarie – mai 2017, pachetul software atașat ghidului a fost utilizat pentru testarea

derivării limitelor, folosind seturi de date primare de monitoring pentru categoria râuri, pe baza datelor

pentru formele de nutrienți și Rapoartele de Calitate Ecologică pentru elementul biologic fitobentos, a

cărui metodologie națională de evaluare a fost intercalibrată la nivel european la finalul anului 2016

(Kelly, 2016). Urmează ca rezultatele acestei testări să fie analizate la nivel de ECOSTAT și comunicate

ulterior Grupului de Experți.

Contribuții originale

3. Organizarea programului de cercetare

3.1. Scopul și obiectivele lucrării

Scopul lucrării a fost identificat plecând de la analiza critică a modului în care datele primare de

monitorizare rezultate din activitatea operațională de supraveghere a calității apelor fluviului Dunărea

conduc la pachete de informații care constituie suport în caracterizarea și evaluarea stării de calitate a

tronsonului inferior al Dunării, conform cerințelor legislative în vigoare, în speță cele ale Directivei

Cadru Apă – DCA (2000/60/CE), transpusă la nivel național în Legea Apelor 107/1996, cu modificările

5 Organizarea programului de cercetare

și completările ulterioare. Ceea ce este important de subliniat este că sistemul actual de clasificare și

evaluare a stării ecologice nu se bazează pe fundamentarea relației presiune-răspuns dintre elementul

biologic sensibil la presiunea exercitată de elementele fizico-chimice de calitate, în speță nutrienții.

Astfel, lipsește etapa de fundamentare a faptului că nivelul valorilor limită existente susține

”funcționarea ecosistemului”, conform definiției stării ecologice ”bune” din Anexa V (1.2.1). Aspectul

esențial care nu a fost considerat în stabilirea acestor valori limită, critice în îndeplinirea obiectivului

DCA – acela de atingere a stării ecologice ”bune”, este integrarea acestora cu starea determinată de

elementele ale căror suport sunt, respectiv elementele biologice de calitate.

Totodată, analiza modului curent de prezentare a distribuției concentrațiilor de nutrienți la nivel

spațial a condus la concluzia că informațiile rezultate sunt secvențiale și limitate, acestea nefiind

capabile să ofere posibilități de flexibilizare a activității de monitoring.

Având la bază identificarea limitărilor actuale menționate, se consideră că aplicarea unor metode

mai complexe de prelucrare a datelor primare, prin identificarea unor tipare spațiale în interiorul

structurii rețelei de supraveghere a calității apei, reprezintă un instrument deosebit de util în optimizarea

programelor de monitoring, prin reducerea costurilor, dar fără reducerea amplitudinii informației

rezultate. În același timp, introducerea dimensiunii temporale a variabilității concentrațiilor poate

consolida procesul de clasificare a stării ecologice a corpurilor de apă de suprafață din bazinul Dunării

și, implicit procesul de adoptare a măsurilor de management conexe cu rezultatele analizei de tendință

pe termen mediu și lung. În plus, cunoașterea variabilității temporale a concentrațiilor de poluanți

măsurate reprezintă un instrument extrem de util în proiectarea viitoarelor programe de monitoring,

astfel încât acestea să fie adaptate specificității acestei variabilități.

În consecință, scopul prezentei lucrări l-a constituit completarea stadiului actual de cunoaștere

și caracterizare a stării ecologice a corpurilor de apă de pe tronsonul inferior al fluviului Dunărea

din punct de vedere al elementelor fizico-chimice de calitate din clasa nutrienților.

În vederea atingerii scopului propus, au fost identificate următoarele obiective specifice:

Obiectivul 1: Caracterizarea profilului spațial al concentrațiilor de nutrienți din secțiunile rețelei de

monitoring de pe cursul principal al Dunării

Obiectivul 2: Caracterizarea dinamicii temporale a concentrațiilor de nutrienți de pe tronsonul inferior

al Dunării

Obiectivul 3: Stabilirea unor valori prag pentru concentrațiile de nutrienți în vederea evaluării stării

ecologice a corpurilor de apă de pe tronsonul inferior al Dunării

Stabilirea obiectivelor de cercetare a condus la proiectarea principalelor activități ce au constituit

elementele de bază ale programului individual de cercetare, prezentate în Tabelul 3.1.

Tabelul 3.1: Activități comune și specifice necesare îndeplinirii obiectivelor propuse

Obiectiv Activități

Activități comune

Obiectivele

1 – 3

A1.

Prezentarea principalelor cerințe din pachetele legislative în vigoare cu

privire la atingerea scopului lucrării – descrierea rolului nutrienților în

îndeplinirea cerințelor legislative ale Directivei Cadru Apă

A2.

Analiza stadiilor de evaluare a informației rezultate din activitatea de

monitoring al calității apelor fluviului Dunărea din punct de vedere al

nutrienților

A3.

Identificarea principalelor limitări din programele și rezultatele existente

de monitorizare, la nivel național și internațional

A4.

Stabilirea structurii spațiale și temporale utilizate pentru analiza setului

de date primare de monitorizare


Obiectiv Activități

A5.

Investigarea relației presiune-răspuns dintre elementele fizico-chimice

din categoria nutrienților și elementele biologice de calitate

A6.

Prezentarea rezultatelor obținute și a principalelor concluzii

A7. Redactarea lucrării

Obiective specifice Activități specifice obiectivului

Obiectivul 1

A1.1.

Analiza aspectelor actuale privind prelucrarea și interpretarea

rezultatelor primare de monitorizare la nivelul întregului district al

Dunării. Studiul comparabilității datelor din secțiunile transfrontieră

A1.2.

Analiza profilului longitudinal al concentrațiilor de nutrienți prin

statistică univariată

A1.3.

Investigarea posibilității de evidențiere a unor tipare spațiale la scara

longitudinală a întregului curs al fluviului

Obiectivul 2

A2.1.

Analiza dinamicii temporale a concentrațiilor de nutrienți cu și fără

considerarea ajustării concentrațiilor cu variabila debit

A2.2.

Analiza dinamicii temporale a concentrațiilor de nutrienți din punct de

vedere sezonier

Obiectivul 3

A3.1.

Prezentarea stadiului actual de derivare a valorilor limită dintre stările

ecologice pentru nutrienți la nivelul țărilor europene și identificarea

principalelor aspecte limitative în armonizarea acestor valori

A3.2.

Analiza setului de date primare în vederea prelucrării statistice

A3.3.

Investigarea posibilității de corelație între presiuni și variabilele de

răspuns

A3.4.

Propunere de valori prag pentru delimitarea stărilor ecologice

determinate de indicatorii de calitate din clasa nutrienților pentru

tronsonul inferior al Dunării.

A3.5.

Analiza limitărilor rezultate din aplicarea valorilor prag pentru

caracterizarea stării ecologice integrate la nivelul Dunării inferioare

3.2. Materiale și metode

3.2.1. Aspecte privind metodologiile de analiză a formelor de nutrienți

Metodele de analiză utilizate de laboratoarele responsabile pentru derularea programelor

naționale de monitoring pentru determinarea formelor de nutrienți din probele de apă sunt metode

standardizate, iar asigurarea și controlul calității datelor sunt validate prin procesul de acreditare

conform refernțialului SR EN ISO/IEC 17025:2005 a laboratoarelor ce au produs rezultatele analitice

în cauză.

3.2.2. Metodele de prelucrare a datelor primare pentru caracterizarea spațială

3.2.2.1. Abordarea clasică

Descrierea generală a profilului de variație longitudinal din secțiunile situate pe cursul principal

al Dunării este analizată prin intermediul reprezentărilor de tip box-plot, diagrame ce reflectă grafic cele

5 valori ale unei distribuții, valoarea minimă, prima cuartilă (percentila P25), mediana, a treia cuartilă

7 Organizarea programului de cercetare

(percentila P75), valoarea maximă, valorile aberante (outliers) și cele extreme (extremes). Descrierea

cuprinde o privire generală asupra întregului curs principal al fluviului, urmată de prezentarea

distribuției datelor la nivelul tronsonului românesc al Dunării.

3.2.2.2. Abordarea modernă

Caracterizarea spațială a concentrațiilor de nutrienți a fost abordată și prin utilizarea unui pachet

suplimentar de tehnici de interpretare a datelor primare de monitoring – cunoscut sub numele de

chemometrie. Pentru investigarea structurilor / pattern-urilor interne ale datelor primare de monitoring

s-au avut în vedere următoarele tipuri de analize ale independenței variabilelor: analiza factorială și

analiza componentelor principale, analiza clusterială, analiza de discriminare.

Pachetele software utilizate au fost următoarele: Statistica 10.0

(http://www.statsoft.com/Products/STATISTICA-Features/Visual-Introduction-to-STATISTICA) și

ExcelStat (http://www.xlstat.com/en/products-solutions.html).

3.2.3. Analiza de tendință (analiza dinamicii temporale)

Analiza dinamicii temporale a concentrațiilor de nutrienți determinate la nivelul cursului principal

al Dunării este efectuată prin metoda analizei tendinței monotone. Cunoscută sub numele de analiza de

tendință (Helsel și Hirsch, 1992), investigarea posibilității de identificare și confirmare a unei tendințe

de evoluție a concentrațiilor a fost efectuată plecând de la metodele prezentate în Tabelul 3.2 (Hirsch şi

colab., 1982; Helsel și Hirsch, 1992).

Tabelul 3.2: Metode de analiză a tendinței de evoluție a concentrațiilor de nutrienți secțiunile de monitoring

de pe tronsonul inferior al fluviului Dunărea (adaptare după Helsel și Hirsch, 1992), prin aplicarea de teste

parametrice și non-parametrice

Tip de test Neajustat pentru debit (Q) Ajustat pentru debit (Q)

Fără

sezonalitate

Parametric Regresie liniară a concentrației

(c) funcție de numărul de zile (t)

Regresie liniară multiplă a

concentrației (c) funcție de debit

(Q) și nr. de zile (t)

Non-

parametric

Corelație Spearman a

concentrației (c) cu numărul de

zile (t)

Test Mann-Kendall

Corelație Spearman a valorilor

reziduale din regresia

concentrației (c) funcție de debit

(Q) cu numărul de zile (t)

Test Mann-Kendall a valorilor

reziduale din regresia de tip

LOWESS a concentrației (c)

funcție de debit (Q)

Sezonalitate

Non-

parametric

Test Kendall sezonier pentru

concentrații (c)

Test Kendall sezonier a valorilor

reziduale din regresia de tip

LOWESS a concentrației (c)

funcție de debit (Q)

3.2.4. Stabilirea valorilor prag pentru concentrațiile nutrienți

Cel de-al treilea obiectiv al lucrării a fost abordat plecând de la investigarea relației presiune–

răspuns dintre nutrienți și unele elemente biologice de calitate, prin intermediul metodelor statistice ale

regresiei simple și respectiv regresiei multiple.

3.3. Organizarea spațială a programului de cercetare

Caracterizarea profilului spațial al concentrațiilor formelor de nutrienți din secțiunile rețelei

de monitoring de pe cursul principal al Dunării are în vedere studiul variabilității spațiale a

concentrațiilor de nutrienți, cu investigarea posibilității de evidențiere a unor tipare spațiale la scara

longitudinală a întregului curs al fluviului. Această analiză este efectuată având ca structură de bază

rețeaua de monitoring trans-națională (Trans-National Monitoring Network – TNMN) dezvoltată la

nivelul Comisiei Internaționale pentru Protecția Fluviului Dunărea (ICPDR), rețea care este formată din

43 de secțiuni localizate pe cursul principal al fluviului și 72 secțiuni pe principalii afluenți. Sursa datelor

primare a constituit-o baza de date TNMN a ICPDR, a cărei accesare a fost asigurată prin apartenența

doctorandei la Grupul de Experți Monitoring and Assessment al ICPDR (www.icpdr.org).

Setul de date primare de monitoring utilizat la caracterizarea profilului spațial al concentrațiilor

de nutrienți cuprinde măsurătorile efectuate în perioada 2001–2011 pentru patru forme dizolvate de

http://www.icpdr.org/


nutrienți: amoniu (N-NH4), azotiți (N-NO2), azotați (N-NO3), ortofosfați (P-PO4) și două forme

totale: azot total (N Total) și fosfor total (P Total). Ca număr, acest set a cuprins peste 35.500 de

observații.

Opțiunea de a aborda întregul tronson al cursului principal al fluviului și nu doar tronsonul inferior

s-a bazat pe faptul că profilul concentrațiilor măsurate pe ultima treime a cursului fluviului este

completat într-un mod optim de imaginea existentă în primele două treimi din amonte.

Analiza dinamicii temporale este efectuată pe o bază de date primare de monitoring cuprinzând

aproximativ 10.100 observații, structurată pe 4 secțiuni de monitoring: RO1 – Baziaș, RO2 – Pristol,

RO4 – Chiciu și RO5 – Reni, 5 forme de nutrienți (utilizate ca variabile dependente) sunt N-NH4, N-

NO2, N-NO3, P-PO4 și P Total, măsurate în perioada 1992 – 2015. Variabila Q (debit) a fost utilizată

ca variabilă independentă (predictor) în cazul analizei dependenței concentrației de debit și drept co-

variabilă în regresia multiplă a concentrațiilor față de numărul de zile. Valorile debitelor reprezintă

valorile medii zilnice din data la care au fost măsurate concentrațiile de nutrienți; numărul de zile s-a

calculat utilizând funcția excel days360, în care data de start a fost considerată prima zi de prelevare din

anul 1992, iar data de final (ti), data prelevării la care a fost efectuată măsurătoarea ”i”; variabila numărul

de zile (t) a fost utilizată ca variabilă independentă (predictor) în vederea estimării tendinței temporale

prin test parametric (regresie liniară) și non-parametric (corelație Spearman).

Stabilirea valorilor prag pentru elementele fizico-chimice de calitate din clasa nutrienților

se fundamentează pe investigarea relației dintre variabilele considerate ”presiuni” și variabilele de tip

”răspuns”, cele două tipuri de variabile ce susțin această relație constând din formele de nutrienți și

elementele de calitate biologice considerate sensibile, în speță fitoplancton (FP) și fitobentos (FB).

Setul de date primare utilizat, conținând un număr de peste 6000 de înregistrări, a avut în vedere

următoarele perioada: 2010-2015 și cele patru tipologii specifice fluviului Dunărea: RO12, RO13,

RO14 și RO15; aici trebuie menționat că, deși corpurile de apă delimitate pe cursul principal al fluviului

Dunărea sunt în majoritate declarate ”corpuri de apă puternic modificate (5 din 7 corpuri de apă),

stabilirea limitelor de prag pentru elementele fizico-chimice suport – în cazul de față nutrienții – nu face

discriminare între caracterul (natural / puternic modificat) corpurilor de apă din punct de vedere al

alterărilor hidro-morfologice. Setul de variabile fizico-chimice a fost constituit din trei forme dizolvate

de nutrienți, respectiv azotul amoniacal (N-NH4), azotații (N-NO3) și orto-fosfații (P-PO4) și două forme

totale, respectiv N Total și P Total. Au fost selecționate în analiză și variabile suplimentare ce pot întregi

ansamblul corelațiilor complexe între presiunea fizico-chimică și răspunsul biologic, astfel: temperatura

apei (0C) și indicatori ai regimului de oxigen – oxigen dizolvat în termeni de concentrație (OD – conc.

– mg/L O2) și saturație (OD sat. - %), consum biochimic de oxigen la cinci zile (CBO5 – mg/L O2) și

consum chimic de oxigen prin metoda oxidării cu K2Cr2O7 (CCO-Cr - mg/L O2). Ca variabile biologice

s-au avut în vedere următoarele:

o fitoplancton: abundență numerică bacillariophyceae (Ab. b.) (%), clorofilă ”a” (µg/l), indice

de diversitate Simpson (IDS), index saprob (IS), indice număr taxoni (INT);

o fitobentos: index saprob (IS), indice număr taxoni (INT), index biologic de diatomee (IBD),

indice de diversitate Shannon – Wiener (IDSW), indice de troficitate (TDI sau indice Kelly),

indice de sensibilitate specifică la poluare (IPS), indici specifici pentru diatomee, calculați de

softul specializat OMNIDIA (ROTT-T, ROTT-S, IEPI-D, Sladecek, ID).

Întregul set de date primare de monitorizare utilizat în investigarea relației presiune-răspuns a fost

produs și furnizat prin Sistemul de Monitoring Integrat al Apelor din România, sistem susținut în

exclusivitate de către Administrația Națională ”Apele Române”, prin Departamentul Managementul

Resurselor de Apă.

4. Rezultate proprii

4.1. Caracterizarea profilului spațial al concentrațiilor de nutrienți din secțiunile rețelei

de monitoring de pe cursul principal al Dunării

4.1.1. Profilul longitudinal al concentrațiilor de nutrienți prin intermediul reprezentărilor

grafice de tip box-plot

Descrierea generală a profilului de variație longitudinal din secțiunile situate pe cursul principal

al Dunării pentru formele de nutrienți investigate este analizată prin intermediul reprezentărilor de tip

box-plot. În rezumat este prezentat exemplul indicatorului N-NH4, ale cărui mărimi descriptive prezintă

un profil general crescător din tronsonul superior către cel mijlociu și respectiv inferior al Dunării. De

9 Rezultate proprii

asemenea, cele trei tronsoane majore ale fluviului sunt caracterizate de domenii de variație distinct

diferite ale seturilor de valori măsurate: în Dunărea superioară, concentrațiile de azot amoniacal au

prezentat un domeniu de variație relativ mic, cuprins între 0,15 mg/L N-NH4 la km 1879 (AT6) și 0,30

mg/L N-NH4 la km 2204 (DE2). Valorile calculate ca fiind aberante și extreme s-au situat sub nivelul

de 0,30 mg/L N-NH4, iar dispersia datelor a fost de nivel scăzut, între 0,001 și 0,002. Pe Dunărea

mijlocie, la km 1707 (SK5), s-au înregistrat cea mai mică dispersie a valorilor (0,001) și cel mai mic

domeniu de variație de pe întreg cursul Dunării (0,10 mg/L N-NH4), valori determinate, cel mai probabil,

de numărul mic de măsurători (36) în intervalul de timp studiat; maximul variației de pe acest tronson a

fost 0,94 mg/L N-NH4, la km 1174 (RS4), iar cele mai ridicate valori aberante și extreme s-au situat în

intervalul 0,65 – 1,00 mg/L N-NH4. Tronsonul inferior al Dunării arată o situație relativ diferită, cu un

grad de variabilitate a datelor mult mai mare decât cele anterioare (Figura 4.1). Domeniul de variație

minim (0,28 mg/L N-NH4) și dispersia minimă (0,002) s-au înregistrat la km 375 (BG5), iar cele maxime

(2,10 și respectiv 0,100 mg/L N-NH4) la km 641 (BG2). De asemenea, pe tronsonul inferior se observă

un număr relativ crescut de valori aberante și extreme: cele mai ridicate ating nivelul de 2,0 – 2,2 mg/L

N-NH4 la km 641 (BG2), dar dispersia cea mai mare (varianțe de 0,061 și 0,048) se observă la km 375

pentru setul date aferent secțiunii RO4 (Chiciu) și respectiv km 132 aferent secțiunii RO5 (Reni).

Figura 4.1: Variație spațială de tip box-plot pentru concentrațiile indicatorului N-NH4 în secțiunile de pe

tronsonul românesc al Dunării – perioada 2001-2011

Distribuția spațială a nivelurilor de concentrație ale formelor de nutrienți investigate este

prezentată și pe baza mărimii statistice Percentila 90 (P90), mărime statistică ce are următorul avantaj:

nu este influențată de valorile extreme cauzate de condiții excepționale (poluări accidentale

neidentificate la momentul prelevării, regim hidrologic extrem) și de eventuale posibile erori de

alimentare a bazei de date, dar reprezintă situația ”cea mai defavorabilă” dintr-o perioadă dată. În Figura

4.2 a) și b) este prezentat profilul spațial ale valorilor P90 pentru indicatorul N-NH4 pe cele trei

principale tronsoane ale cursului principal al Dunării – DS (Dunărea superioară), DM (Dunărea mijlocie)

și respectiv DI (Dunărea inferioară) față de suprafața bazinului hidrografic de drenaj (linia roșie),

precum și corelația dintre valorile P90 și valorile unităților analitice ale acestor suprafețe, preluate din

Anuarele ICPDR (www.icpdr.org). valorile P90 prezintă un profil descrescător pe tronsonul superior al

Dunării, de la 0,130 mg/L N-NH4 la km 2581 (DE1) la 0,059 mg/L N-NH4 la km 1879 (AT6). Un profil

crescător apare pe tronsonul mijlociu al Dunării, de la 0,240 N-NH4 mg/L la km 1869 (SK1) la 0,400

mg/L N-NH4 la km 1155 (RS5), cu valori sub 0,200 mg/L N-NH4 în câteva secțiuni localizate între km

1806 (SK2) și km 1429 (HR1). O distribuție spațială cu un grad mai ridicat de împrăștiere a valorilor

apare pe tronsonul inferior al fluviului, unde sunt observate câteva ”salturi”: de la 0,442 mg/L N-NH4

la km 1071 (RO1) la 0,160 mg/L N-NH4 la km 955 (RS7) și de la 0,500 mg/L N-NH4 la km 641(BG2)

la 0,160 mg/L N-NH4 la km 554 (BG3). O situație distinctă apare în cazul secțiunilor transfrontieră

pentru care se înregistrează diferențe ridicate între valorile P90: la km 375 (0,121 mg/L N-NH4 la BG5

http://www.icpdr.org/


față de 0,666 mg/L N-NH4 la RO4), la km 132 (0,300 mg/L N-NH4 la UA1 față de 0,566 mg/L N-NH4

la RO5) și la km 18 (0,270 mg/L N-NH4 la UA2 față de 0,570 mg/L N-NH4 la RO6), situație reflectată

și de rezultatele prezentate în sub-capitolul 4.1.1; corelația dintre valorile P90 și suprafața bazinului

hidrografic de drenaj Figura 4.2 b) arată o relație crescătoare puternică, cu un coeficient de corelație r

= 0,6919 și un coeficient de determinare r2 = 0,4788 (p = 0,0000).

Figura 4.2: Profilul spațial al valorilor P90 pentru indicatorii N-NH4 pe cele trei tronsoane principale al

fluviului față de suprafața bazinului hidrografic de drenaj (linia roșie) (a) și corelația dintre valorile P90 și

suprafața bazinului hidrografic de drenaj (b); liniile verzi reprezintă limita inferioară și respectiv

superioară a intervalului de încredere cu asigurare de 95% – perioada 2001-2011

11 Rezultate proprii

4.1.2. Identificarea unor tipare spațiale la scara întregului curs al Dunării

4.1.2.1. Analiza setului de date primare în vederea aplicării tehnicilor statistice multivariate

4.1.2.2. Analiza Factorială (AF) și Analiza Componentelor Principale (ACP)

În practică, analiza ACP precede AF (Wunderlin et al., 2001), în vederea obținerii a noi seturi de

variabile, necorelate, octogonale, numite componente principale (factori), soluția finală conținând un

număr de factori egal cu cel al variabilelor utilizate (cinci), dar sunt reținuți doar factorii care îndeplinesc

criteriul de includere în analiză (retenție), adică factorii a căror valoare proprie (eigenvalue) este cel

puțin egală cu 1 (Kowalkowski și colab., 2006). În conformitate cu Figura 4.3 se constată că numai

primii doi factori îndeplinesc acest criteriu, având valori proprii de 2,89 și respectiv 1,16, fiind

responsabili de o varianță cumulată de 81,12%.

Figura 4.3: Analiza Componentelor Principale (ACP). Reprezentare grafică de tip scree – plot al

componentelor principale și respectiv al varianțelor extrase de fiecare componentă

Figura 4.4: Proiecția celor cinci variabile în planul Factorilor 1 și 2 extrași din analiza ACP


În Figura 4.4 este reprezentată proiecția celor cinci variabile testate în planul celor doi factori

extrași. Astfel, se observă că primul factor înglobează cea mai mare variabilitate a datelor (57,81%), iar

cel de-al doilea extrage 23,31%.

Structura rezultată din analiza ACP a făcut obiectul analizei factoriale, în vederea determinării

încărcării factorilor cu variabilele investigate (pătratul încărcării este procentul de varianță cu care o

variabilă contribuie la factorul căruia îi aparține). Rezultatele aplicării AF, fără și cu rotația spațiului de

variație a variabilelor prin metoda varimax raw, sunt prezentate în Tabelul 4.1, din care se observă

următoarele:

- în cazul aplicării AF fără rotație, se obțin cei doi factori cu valoare proprie (> 1) de 2,89 și 1,16,

fiecare dintre ei extrăgând varianțe de 57,8 % și respectiv 23,3%, dar se observă că două

variabile (N-NH4 și P-PO4) nu contribuie la încărcarea factorilor decât cu valori moderate,

cuprinse în intervalul 0,50 – 0,75, conform Liu și colab., 2003;

- în vederea obținerii unei variații maxime la nivelul factorilor, s-a efectuat rotația spațiului prin

metoda varimax raw, ceea ce a dus la o încărcare puternică a fiecărui factor cu variabilele

asociate (valori ale încărcării >0,70), contribuția fiecărei variabile la celălalt factor fiind foarte

redusă.

Tabelul 4.1: Valorile de încărcare a factorilor extrași prin AF (fără și cu rotația spațiului de variație a

variabilelor (varimax raw). Valorile îngroșate – roșu sunt > 0,700

Variabilă Fără rotație Rotație prin varimax raw

Factor 1 Factor 2 Factor 1 Factor 2

N-NH4 -0,568190 0,699885 0,896281 -0,096739

N-NO3 0,876814 -0,161213 -0,736031 -0,503041

N Total 0,842381 -0,270259 -0,788381 -0,401374

P-PO4 -0,692674 -0,631856 0,046783 0,936403

P Total -0,780639 -0,421466 0,257401 0,848985

Valoare proprie

(eigenvalue)

2,890442 1,165743 2,035051 2,021135

Varianță totală 0,578088 0,233149 0,407010 0,404227

Astfel, Factorul 1, ce poate fi definit ca ”factorul azot” și care explică variabilitatea setului de

date în proporție de 40,7 %, este pozitiv încărcat cu variabila N-NH4 (0,896) și negativ cu celelalte două

forme de N, respectiv NNO3 (-0,736) și N Total (-0,788). Factorul 2, definit ca ”factorul fosfor”, explică

într-o măsură egală cu F1 variabilitatea datelor (40,4%) și este pozitiv încărcat cu P-PO4 (0,936) și

respectiv P Total (0,849).

4.1.2.3. Analiza de cluster (AC)

Pe baza rezultatelor obținute în AF, în vederea identificării unor tipare spațiale în care secțiunile

de monitoring să fie grupate pe baza variabilității spațiale, s-a efectuat analiza de cluster (AC), această

tehnică multivariată dovedindu-se o modalitate solidă de evaluare a calității apelor de suprafață și un

instrument util în stabilirea strategiilor de monitoring (Wunderlin și colab., 2001; Kovalkovski și colab.,

2006; Shrestha și Kazama, 2007; Juahir și colab., 2011; Hamchevici și Udrea, 2013; Mei și colab., 2014;

Phung și colab., 2015).

AC a fost realizată pentru două situații distincte, utilizând:

a) variabilele care dau încărcarea Factorului 1 de la AF (formele de azot);

b) variabilele care dau încărcarea Factorului 2 de la AF (formele de fosfor).

Ca metodă de grupare a secțiunilor de monitoring în clustere s-a folosit metoda aglomerării

ierarhice (HCA), tehnica de acest tip fiind recomandată pentru baze de date relativ mici, de ordinul

zecilor de cazuri (Popa, 2010). Calculul similarității secțiunilor s-a făcut prin metoda Ward, metodă care

utilizează varianța în vederea evaluării distanței dintre două clustere. Principiul metodei este

minimizarea sumei pătratelor (sum of squares – SS) dintre două (ipotetice) clustere ce se pot forma la

fiecare pas (Ward, 1963).

În Figura 4.5 este prezentată dendrograma rezultată prin aplicarea analizei de cluster asupra a 34

de secțiuni de monitoring de pe cursul principal al Dunării, utilizând P90 calculate pentru formele de

nutrienți pe bază de azot (N-NH4, N-NO3 și N Total), forme ce au determinat încărcarea pentru Factorul


F1 rezultat din AF (doar pentru un număr de 34 de secțiuni au fost disponibile datele primare pentru

indicatorul N Total). Pe axa OY a reprezentării grafice se află codurile secțiunilor supuse analizei, iar

axa OX conține valorile raportului dintre distanțele de legătură între clustere și distanța de legătură

maximă, raport standardizat la 100 - (Dlink / Dmax) x 100.

Figura 4.5: Dendrogramă reprezentând gruparea secțiunilor de monitoring de pe cursul principal al

Dunării în 4 clustere distincte, pe baza valorilor P90 ale formelor de nutrienți pe bază de azot (N-NH4, N-

NO3 și N Total) – Factorul F1 rezultat din AF

Pentru Factorul 1, AC a identificat 4 clustere distincte: clusterul C1 cuprinde 3 secțiuni situate

la începutul Dunării inferioare: RO1 (km 1071) și tronsonul delimitat de RO18-RO2 (km 851-834),

secțiuni aflate în aval de acumularea Porțile de Fier I. Clusterul C2 cuprinde 15 secțiuni situate pe

tronsonul superior și respectiv mijlociu al Dunării, de la secțiunea DE2 (km 2204) până la secțiunea RS4

(1174), cu excepția secțiunilor HU1 (km 1806) și HU2 (km 1768), clasificate în clusterul C4 din cauza

valorii P90 a variabilei N Total. Clusterul C3 este format din 12 secțiuni ce delimitează sfârșitul

sectorului mijlociu și întreg sectorul inferior, de la secțiunea RS5 (km 1155) până la RO8 (km 0), cu

excepția celor trei secțiuni ce formează clusterul C1. De remarcat că în cadrul acestui cluster sunt incluse

toate cele 5 secțiuni de monitoring situate pe cea de-a doua parte a tronsonul românesc, respectiv RO4,

RO5, RO6, RO7 și RO8. Clusterul C4 este format din primele 2 secțiuni de monitoring de pe tronsonul

superior, DE1 (km 2581) și DE5 (km 2538), la care se adaugă, așa cum s-a specificat anterior, 2 secțiuni

de pe tronsonul mijlociu, respectiv HU1 (km 1806) și HU2 (km 1768)..

În Figura 4.6 este prezentată dendrograma rezultată prin aplicarea AC asupra a 42 de secțiuni

de monitoring de pe cursul principal al Dunării, utilizând P90 calculate pentru formele de nutrienți pe

bază de fosfor (P-PO4 și P Total), forme ce au determinat încărcarea pentru Factorul F2 rezultat din AF.

S-au putut distinge astfel 3 clustere, după cum urmează: clusterul C1 este format din 13 secțiuni,

cuprinzând cele 7 secțiuni de pe tronsonul superior al Dunării, de la DE1 (km 2581) la AT6 (km 1879),

la care se adaugă 5 secțiuni localizate la începutul tronsonului mijlociu – SK1 (km 1869), SK2 (km

1806), SK3 (km 1768), HU3 (km 1708), SK5 (km 1707) și o secțiune de pe tronsonul inferior – RS7

(km 955). Clusterul C2 cuprinde 18 secțiuni, dar acestea nu sunt localizate pe tronsoane de râu

consecutive, ca în cazul clusterului C1: un număr de 9 secțiuni sunt situate pe tronsonul mijlociu – HU1

(km 1806), HU4, HU5, HR1, RS1 și RS2 ce delimitează tronsonul cuprins între km 1560-1367, urmate

de RS3 (km 1258), RS4 (1174) și RS6 (1077). Din tronsonul inferior, C2 include 7 secțiuni românești

(toate, cu excepția secțiunilor RO1 (km 1071) și RO2 (km 834)) și cele 2 secțiuni UA1 (km 132) și

UA2 (km 18). Clusterul C3 este format din 9 secțiuni, 4 dintre acestea situate pe tronsonul Dunării


mijlocii – HU2 (km 1768), HR2 (km 1768), RS9 (km 1768), RS5 (km 1768) și 5 pe sectorul Dunării

inferioare: RO1 (km 1071), BG1 (km 834), RO2 (km 834), BG2 (km 641), BG5 (km 375). După

formarea celor trei clustere menționate, se observă că la distanțele de legătură cele mai mari se

adiționează încă 2 secțiuni – RS8 (km 851) și BG4 (km 503).

Pe baza reprezentării scorurilor observațiilor în spațiul componentelor principale obținute, se pot

detecta secțiunile de monitoring ale căror date care contribuie semnificativ la varianța datelor, respectiv

se pot distinge eventualele ”hot-spoturi” din rețea. Din Figura 4.7 se observă că, în cazul factorului F1,

secțiunile care au cele mai ridicate scoruri negative sunt DE5 (-1,40), HU1 (-1,54), HU2 (-1,61) și BG4

(-1,21). Încărcarea negativă a acestui factor cu indicatorii formelor de azot azotați și azot total permite

identificarea nivelurilor ridicate ale valorilor P90 pentru secțiunile menționate: DE5 (3,80 mg/L N-NO3

și respectiv 4,20 mg/L N Total), HU1 (2,88 mg/L N-NO3 și respectiv 4,76 mg/L N Total), HU2 (3,10

mg/L N-NO3 și respectiv 4,67 mg/L N Total) și BG4 (1,97 mg/L N-NO3 și respectiv 3,48 mg/L N Total).

Secțiunile cu cele mai ridicate scoruri pozitive pentru factorul F1 sunt situate pe sectorul inferior al

Dunării – RO1 (1,90), BG2 (1,65), RO4 (1,49) și RO7 (1,31), reliefând nivelurile ridicate ale P90 pentru

indicatorul amoniu: 0,38 mg/L N-NH4 la RO1, 0,40 mg/L N-NH4 la BG2, 0,46 mg/L N-NH4 la RO4 și

0,39 mg/L N-NH4 la RO7. În ceea ce privește încărcarea factorului F2, scorurile pozitive cele mai

ridicate identifică secțiunile RS8 (1,67), RO18 (3,56) și BG4 (2,99), secțiuni în care valorile P90 pentru

indicatorii orto-fosfați și fosfor total sunt 0,171 mg/L P-PO4 și 0,219 mg/L P Total, 0,117 mg/L P-PO4

și 0,137 mg/L P Total și respectiv 0,265 mg/L P-PO4 și 0,204 mg/L P Total. Din cele prezentate, se

constată că analiza ACP și AF reprezintă instrumente utile în gestionarea rezultatelor obținute din

activitățile de monitoring în vederea identificării atât a indicatorilor cu relevanță în variabilitatea datelor,

cât și a secțiunilor de monitoring care se disting prin niveluri de concentrații ce ar putea produce un

impact semnificativ asupra stării de calitate a apei din tronsonul investigat.

Figura 4.6: Dendrogramă reprezentând gruparea secțiunilor de monitoring de pe cursul principal al

Dunării în 3 clustere distincte, pe baza valorilor P90 ale formelor de nutrienți pe bază de fosfor (P-PO4 și P

Total) – Factorul F2 rezultat din FA.


Figura 4.7: Reprezentarea scorurilor rezultate din analiza factorială față de secțiunile de monitoring în

spațiul celor două componente principale

4.1.2.4. Analiza de discriminare (AD)

În vederea confirmării grupelor de secțiuni de monitoring identificate prin intermediul analizei de

cluster și pentru a determina care dintre indicatorii formelor de nutrienți este cel mai bun discriminator

între grupele spațiale formate, s-a efectuat analiza de discriminare (AD), utilizând clusterele identificate

anterior ca variabile dependente, iar indicatorii formelor de nutrienți ca variabile independente.

Analiza de discriminare pentru clusterele spațiale determinate de nutrienții pe bază de azot

În Tabelul 4.2 sunt prezentate rezultatele aplicării analizei de discriminare asupra valorilor P90

pentru cele 34 de secțiuni grupate în urma AC în 4 clustere distincte, utilizând variabilele determinate

de formele de nutrienți pe bază de azot, N-NH4, N-NO3 și N Total. Analiza a fost realizată în modul

standard, adică toate variabilele independente au fost introduse în model de la început (StatSoft). Din

tabelul menționat, se observă următoarele:

- discriminarea de ansamblu este foarte puternică, fapt indicat de valoarea mărimii statistice

Wilks' Lambda, de 0,04458 (această mărime statistică ia valori între 0,0 – putere de discriminare

maximă și 1,0 – nu există discriminare). Valoarea F obținută este mai mare decât Fcritic (19,651

> 3,28), iar valoarea p < 10-4.

Tabelul 4.2: Rezultatele analizei discriminaților pentru clusterele spațiale determinate de nutrienții pe bază

de azot. Numărul de variabile din model: 3. Grupare: clusteri (4). Wilks' Lambda: 0,04458 approx. F

(9,68)=19,651 p< 0,000. Valorile cu roșu indică semnificația statistică

Var. Wilks' - Lambda Partial - Lambda F-remove - (3,28) p Toler. 1-Toler.

(R2)

NNH4 0,050184 0,888341 1,17314 0,337618 0,971388 0,028612

NNO3 0,123939 0,359697 16,61442 0,000002 0,918201 0,081799

NT 0,140854 0,316502 20,15565 0,000000 0,899139 0,100861

- valorile Partial Wilks' Lambda: aceste valori arată contribuția unică a fiecărei variabile la

discriminarea între clustere: cu cât valoarea este mai mică, cu atât puterea de discriminare este

mai mare. Rezultatele obținute indică faptul că variabila N-NH4 se exclude din analiza

discriminantă, având Partial Wilks' Lambda de 0,888 (> 0,75 conform StatSoft) și valoarea p

de 0,3376 (>0,05). Celelalte două variabile au putere de discriminare semnificativă (p < 10-5),

cel mai bun clasificator fiind N Total (0,316502 < 0,359697).

- valorile Toleranței și respectiv ale coeficientului de determinare R2 (1-Toleranță): descriu

gradul de redundanță dintre variabilele din model: cu cât o variabilă este mai redundantă, cu atât

valoarea toleranței tinde spre 0 (StatSoft). Pentru variabilele N-NO3 și N Total s-au obținut

valori ridicate ale Toleranței, ceea ce indică faptul că cele două variabile nu sunt redundante în

gruparea pe clusterele spațiale identificate la AC.


Tabelul 4.3: Matricea corectitudinii clasificării în cele 4 clustere spațiale pe baza variabilelor N-NO3 și N

Total

Cluster Procent corect

(%)

Cluster C1

p = 0,08824

Cluster C2

p = 0,44118

Cluster C3

p = 0,35294

Cluster C4

p = 0,11765

Cluster C1 100,0 3 0 0 0

Cluster C2 100,0 0 15 0 0

Cluster C3 100,0 0 0 12 0

Cluster C4 100,0 0 0 0 4

Total 100,0 3 15 12 4

În Tabelul 4.3 este prezentată matricea corectitudinii clasificării, care descrie modul în care un

clasificator asigură clasificarea obiectelor cu apartenență cunoscută, unde pe linii sunt reprezentate

clasele reale, iar pe coloane clasele predictate (Wunderlin et al., 2001). Din rezultatele obținute, se

constată că, pe baza celor două variabile cu putere de discriminare semnificativă, N-NO3 și N Total, cele

34 de secțiuni de monitoring pentru care au fost disponibile date au fost încadrate în cele 4 clustere

spațiale cu o corectitudine de 100,0%.

O informație similară cu cea rezultată din analiza rezumativă de discriminare rezultă și din

evaluarea reprezentării grafice a celor 3 variabile categorizate două câte două (formele de azot), care au

diferențiat cele 4 clustere spațiale. Astfel, din Figura 4.8 a) și b) se observă că variabila N-NH4 are cea

mai scăzută putere de discriminare, existând suprapuneri ale ”norului” de secțiuni de la un cluster la

altul, celelalte două variabile (N-NO3 și N Total) având putere semnificativă de discriminare (cele 4

clustere nu prezintă suprapuneri) – Figura 4.8 c).

Analiza discriminanților pentru clusterele spațiale determinate de nutrienții pe bază de fosfor

În Tabelul 4.4 este prezentat sumarul analizei de discriminanți asupra valorilor P90 pentru cele

42 de secțiuni grupate în urma analizei AC în 4 clustere distincte, utilizând variabilele determinate de

formele de nutrienți pe bază de fosfor, P-PO4 și P Total (în acest caz, s-au luat în considerare cele 3

clustere identificate la AC plus clusterul format de cele 2 secțiuni situate la distanță de legătură maximă

în Figura 4.9). Analiza AD a fost realizată în modul standard, adică ambele variabile independente au

fost introduse în model de la început (StatSoft).

Tabelul 4.4: Rezultatele analizei discriminanților pentru clusterele spațiale determinate de nutrienții pe

bază de fosfor. Numărul de variabile din model: 2. Grupare: clusteri (4). Wilks' Lambda: 0,04317 approx.

F (6,74)=47,026 p< 0,000. Valorile cu roșu indică semnificația statistică

Var. Wilks' - Lambda Partial - Lambda F-remove - (3,28) p Toler. 1-Toler.

(R2)

PPO4 0,128942 0,334799 24,50467 0,00000 0,94361 0,056387

P Total 0,209074 0,206481 47,39779 0,00000 0,94361 0,056387

Din rezultatele obținute, se constată următoarele:

- și în acest caz, discriminarea de ansamblu este foarte puternică, fapt indicat de valoarea mărimii

statistice Wilks' Lambda, de 0,04317. Valoarea F obținută este mai mare decât Fcritic (47,026 >

3,28), iar p < 10-4.

- valorile Partial Wilks' Lambda arată că cele două variabile au putere de discriminare

semnificativă (p < 10-5), cel mai bun clasificator fiind P Total (0,206481 < 0,334799).

- valorile Toleranței și respectiv ale coeficientului de determinare R2 (1-Toleranță) sunt

apropiate de 1, ceea ce indică faptul că cele două variabile nu sunt redundante în gruparea pe

clusterele spațiale testate.


Figura 4.8: Reprezentare categorizată a celor 3 variabile utilizate la analiza de discriminare pentru

clusterele spațiale determinate de nutrienții pe bază de azot.

În Tabelul 4.5 este prezentată matricea corectitudinii clasificării pentru formele de fosfor. Din

rezultatele obținute, se constată că, pe baza ambelor variabile cu putere de discriminare semnificativă,

P-PO4 și N Total, cele 42 de secțiuni de monitoring pentru care au fost disponibile date au fost încadrate

în cele 4 clustere spațiale cu o corectitudine totală de 97,6%. Matricea arată că o secțiune de monitoring

(SK1) a fost eronat încadrată în clusterul C1, probabilitatea de a aparține clusterului C2 fiind superioară.

Tabelul 4.5: Matricea corectitudinii clasificării în cele 4 clustere spațiale pe baza variabilelor P-PO4 și P

Total

Cluster Procent corect (%)

Cluster C1

p = 0,30952

Cluster C2

p = 0,42857

Cluster C3

p = 0,21429

Cluster C4

p = 0,04762

Cluster C1 92,3 12 1 0 0

Cluster C2 100,0 0 18 0 0

Cluster C3 100,0 0 0 9 0

Cluster C4 100,0 0 0 0 2

Total 97,6 12 19 9 2

Reprezentarea grafică a celor 2 variabile (formele de fosfor) categorizate care au diferențiat cele

4 clustere spațiale nu arată suprapuneri ale ”norului” de secțiuni de la un cluster la altul, dar nu confirmă

includerea eronată a secțiunii SK1 în Clusterul C1, în defavoarea Clusterului C2 – Figura 4.9.

Din cele prezentate în acest sub-capitol, se poate afirma că tehnicile multivariate de analiză

utilizate (APC/AF, AC și AD) reprezintă un instrument util și pragmatic de proiecție a strategiilor de

monitoring, astfel:

- Analiza Componentelor Principale (APC) și Analiza Factorială (AF) contribuie la reducerea

setului de indicatori, evidențiind redundanța informațională și prognozând o reprezentare nouă,

prin formarea unui număr redus de noi variabile, necorelate, fără ca informația furnizată să

sufere alterări de conținut sau cauzalitate. Așa cum reiese din rezultatele obținute, cele 5 forme

de nutrienți investigate sunt corelate între ele, pe lângă informația intrinsecă fiecăreia dintre ele

existând informație redundantă, ”mascată” de legăturile dintre variabile. Prin identificarea celor

2 factori, ”factorul azot” și respectiv ”fosfor”, s-au obținut două componente, ce au înglobat

81,12% din informația conținută în spațiul inițial. Astfel, în cazul setului de P90 al datelor

primare pentru indicatorii formelor de nutrienți pe bază de azot și fosfor, în funcție de noii factori

identificați prin APC/AF, se propun, pentru caracterizarea distribuției spațiale, doi indicatori și

anume N Total și P Total, puterea de discriminare spațială a lor fiind semnificativă.


Figura 4.9: Reprezentare categorizată a celor 2 variabile utilizate la analiza de discriminare pentru

clusterele spațiale determinate de nutrienții pe bază de fosfor

- În plus, pe baza reprezentării scorurilor spațiale furnizate de componentele principale, sunt

identificate, într-o rețea de secțiuni de monitoring extinsă, potențialele surse de poluare sau ”hot-

spoturi”.

- Analiza de cluster (AC) și Analiza de discriminare (AD) contribuie la optimizarea rețelei de

monitoring, prin reducerea numărului de secțiuni pe baza înaltei omogenități din interiorul unui

cluster și a eterogenității între clustere, noile structuri spațiale formate păstrând integralitatea

informației furnizate de rețeaua inițială, dar, în acest mod, informația este obținută cu un cost

semnificativ redus.

4.2. Analiza variabilității temporale a concentrațiilor de nutrienți

4.2.1.1. Analiza de tendință a concentrațiilor neajustate de debit

Analiza de tendință prin regresie liniară a concentrațiilor și a variabilei de timp

Aplicarea modelului regresiei liniare s-a realizat utilizând, la fiecare set de date testat (set de

testare), un număr de 5 valori alese în mod aleatoriu, care au constituit setul de validare al modelului. În

situația în care au existat valori lipsă, acestea au fost înlocuite cu valoarea medie a setului de date. În

Tabelul 4.6 sunt prezentate rezultatele obținute pentru coeficienții de corelație Pearson dintre valorile

concentrațiilor de nutrienți (netransformate sau logaritmate) și variabila independentă ”t” (nr. de zile),

pentru trei dintre cele patru secțiuni de monitoring pentru care seturile de date au îndeplinit condiția

distribuției normale, precum și valorile coeficientului de determinare R2 (și respectiv R2 ajustat) ai

modelului de regresie. Se observă că pentru secțiunea RO1-Baziaș și pentru indicatorul P-PO4 nici

unul din seturile de date nu au îndeplinit condiția distribuției normale nici după logaritmare, prin urmare

nu s-a putut aplica testul parametric al regresiei liniare. În coloana ”Tendință” este indicat sensul

dinamicii de evoluție în timp a variabilei considerate (”↓” reprezintă descreștere în timp, ”↑” reprezintă

creștere a concentrației în timp, iar ”─” indică faptul că nu a fost identificată nici o tendință). În coloana

”Rezultatul testului” valorile îngroșate reprezintă corelația semnificativă din punct de vedere statistic (p

< 0,05).


Tabelul 4.6: Valorile coeficienților de corelație Pearson (r) și de determinare R2 pentru modelul regresiei

liniare aplicat seturilor de date (brute sau logaritmate) ale concentrațiilor de nutrienți față de variabila

independentă timp (numărul de zile)

Secțiune de

monitoring

Indicator Nr.

Obs.

r (Pearson) R2 R2 ajustat Tendință Rezultatul

testului

RO2 (Pristol)

Log NNH4 277 -0,566 0,320 0,318 ↓ p < 0,0001

Log NNO3 277 -0,252 0,063 0,060 ↓ p < 0,0001

Log P Total 277 -0,209 0,044 0,040 ↓ p < 0,001

RO4 (Chiciu)

Log NNH4 278 -0,649 0,421 0,419 ↓ p < 0,0001

Log NNO2 278 -0,442 0,195 0,192 ↓ p < 0,0001

NNO3 278 -0,112 0,013 0,009 ─ p = 0,154

RO5

(Reni)

Log NNO2 276 -0,447 0,199 0,196 ↓ p < 0,0001

NNO3 276 -0,385 0,148 0,145 ↓ p < 0,001

Din Tabelul 4.6 se observă că rezultatul testului (p < 0,0001) indică neconfirmarea ipotezei

de nul pentru șapte dintre cele opt analize de tendință efectuate, prin urmare panta dreptei de

regresie 𝜷1 ≠ 0, ceea ce indică existența unei tendințe. În plus, valorile coeficienților de corelație și

reprezentările grafice ale curbelor de regresie arată sensul acestor tendințe temporale, toate indicând

descreșteri ale concentrației pe perioada studiată (în figurile menționate, liniile punctate reprezintă

intervalul de încredere al mediei, iar cele continue intervalul de încredere al valorilor observate, ambele

cu nivel de încredere de 95%; punctele colorate în roșu indică setul de validare al modelului liniar de

regresie). Astfel, se observă că indicatorul N-NH4 prezintă tendință accentuat descrescătoare în secțiuna

RO2-Pristol, cu valoare a coeficientului de corelație r de -0,566 (Figura 4.10). În acest caz, valorile

coeficientului de determinare (R2 ajustat) arată că modelul liniar al tendinței descrescătoare explică

aproximativ 32% și respectiv 42% din variabilitatea valorilor de concentrație. Reprezentări similare au

fost efectuate pentru celelalte forme de nutrienți și secțiuni de monitoring investigate.

În concluzie, rezultatele aplicării testului parametric al regresiei liniare al valorilor de

concentrație ale formelor de nutrienți funcție de variabila timp (numărul de zile) indică faptul că trei

din cele patru forme investigate ale căror seturi de date au îndeplinit condiția distribuției normale

prezintă tendințe descrescătoare, dar procentele de variabilitate a seturilor de date explicate de

acest model nu ating valoarea de 50%, restul variabilității datelor fiind explicată de alți factori.

Figura 4.10: Analiză de

tendință prin regresie liniară

între concentrațiile de N-NH4

(valori logaritmate) și timp (nr.

zile) – secțiunea RO2 (Pristol),

perioada 1992-2015.

-2

-1.5

-1

-0.5

0

0.5

-5000 -3000 -1000 1000 3000 5000 7000 9000

logN

NH

4

nr zile

Training set Validation set

Model(logNNH4) Conf. interval (Mean 95%)

Conf. interval (Obs 95%)


Corelația Spearman a concentrației (c) cu numărul de zile (t)

Rezultatele investigării gradului de corelație Spearman între valorile concentrațiilor celor cinci

forme de nutrienți și numărul de zile din perioada de timp studiată și respectiv a identificării tendințelor

temporale de variație se află prezentate în Figura 4.11 și respectiv în Tabelul 4.7 din care reies

următoarele:

- toți coeficienții de corelație Spearman prezintă valori negative, ceea ce indică existența

tendințelor descrescătoare de variație temporală pe perioada studiată, pentru toate cele 5 forme de

nutrienți măsurate în cele 4 secțiuni de monitoring RO1, RO2, RO4 și RO5;

Figura 4.11: Valorile coeficientului de corelație Spearman între concentrațiile celor 5 forme de nutrienți

măsurate în 4 secțiuni de monitoring situate pe cursul principal al Dunării (RO1-Baziaș, RO2-Pristol, RO4-

Chiciu și RO5-Reni) și numărul de zile din perioada 1992-2015

Tabelul 4.7: Rezultatele testării tendințelor temporale ale concentrațiilor de N-NH4 măsurate în 4 secțiuni

de monitoring situate pe cursul principal al Dunării (RO1-Baziaș, RO2-Pristol, RO4-Chiciu și RO5-Reni)

în perioada 1992-2015 (valorile îngroșate sunt statistic semnificative la nivelul de semnificație indicat)

RO1 - Baziaș RO2 - Pristol RO4 - Chiciu RO5 - Reni

N-NH4

n 381 459 485 485

ts -10,732 -13,324 -12,589 -10,129

Semnificație *** *** *** ***

Tendință ↓ ↓ ↓ ↓

Nesemnificativ – diferențe nesemnificative statistic (p > 0,05)

* tendințe semnificative statistic (0,01< p < 0,05)

** tendințe foarte semnificative statistic (0,001< p < 0,01)

*** tendințe înalt semnificative statistic (p < 0,001)

Testul Man-Kendall

Aplicând testul non-parametric Mann-Kendall pentru valorile medii lunare ale concentrațiilor de

nutrienți măsurate în 4 secțiuni de monitoring situate pe cursul principal al Dunării (RO1-Baziaș, RO2-

Pristol, RO4-Chiciu și RO5-Reni) în perioada 1992-2015, se obțin rezultatele prezentate în Figura 4.12

şi în Tabelul 4.8, din care reiese că toți cei cinci indicatori testați prezintă tendințe descrescătoare de

variație, în toate cele patru secțiuni de monitoring, cele mai vizibile fiind înregistrate pentru formele

amoniu și azotiți.

-0.5

51

-0.6

23

-0.5

72

-0.4

60

-0.5

72

-0.5

28

-0.5

09

-0.3

85

-0.2

03

-0.2

05

-0.0

90

-0.2

49

-0.2

23

-0.2

62

-0.0

97

-0.1

43

-0.1

83

-0.2

15

-0.2

46

-0.0

73

R O 1 R O 2 R O 4 R O 5

NNH4 NNO2 NNO3 PPO4 TP


Figura 4.12: Valorile testului statistic non-parametric Kendall-tau (τ) aplicat valorilor medii lunare ale

concentrațiilor celor cinci forme de nutrienți măsurate în 4 secțiuni de monitoring situate pe cursul principal

al Dunării (RO1-Baziaș, RO2-Pristol, RO4-Chiciu și RO5-Reni) în perioada 1992-2015

Tabelul 4.8: Rezultatele aplicării testului non-parametric Mann-Kendall pentru valorile medii lunare ale

concentrațiilor de N-NH4 măsurate în 4 secțiuni de monitoring situate pe cursul principal al Dunării (RO1-

Baziaș, RO2-Pristol, RO4-Chiciu și RO5-Reni) în perioada 1992-2015 (valorile îngroșate sunt statistic

semnificative la nivelul de semnificație indicat)


NNH4

S -12239,000 -16188,000 -14831,000 -12325,000

n 269 282 283 281

p-value (Two-tailed) < 0,0001 < 0,0001 < 0,0001 < 0,0001

z -8,30 -10,22 -9,32 -7,83

Pantă Sen -7,132 x10-4 -7,025x10-4 -9,286x10-4 -7,650x10-4


Testul Mann – Kendall sezonier

Pentru identificarea cât mai completă a tendințelor de variație a concentrațiilor de nutrienți pe

tronsonul studiat, dată fiind periodicitatea lunară pentru setul de date investigat, s-a aplicat testul Mann-

Kendall de estimare a tendinței concentrațiilor măsurate in fiecare lună din cele 12, pentru întreaga

perioadă studiată, prin pachetul software MAKESENS (Mann-Kendall test for trend and Sen’s slope

estimates) - Version 1.0 Freeware. Aplicația menționată efectuează două tipuri de analize statistice: în

prima etapă identifică, prin intermediul testului non-parametric Mann-Kendall, prezența unei variații

monotone crescătoare sau descrescătoare a valorilor de concentrații pe perioada investigată, iar în etapa

a doua, estimează panta tendinței monotone prin intermediul metodei non-parametrice Sen (Salmi și

colab., 2002). Dată fiind capacitatea limitată de cuprindere a rezultatelor, în cele ce urmează sunt

prezentate exemple ale reprezentărilor grafice în cazurile în care concentrațiile din luna respectivă,

pentru o anume secțiune și o anume specie chimică, au prezentat tendințele de variație cu cea mai ridicată

semnificație statistică și, respectiv, în care nu a fost detectată nici o tendință monotonă de variație, în

Anexă fiind prezentate rezultatele complete ale acestei analize (Tabelele 4.3-A – 4.22-A).

În ceea ce privește analiza tendințelor de variație a concentrațiilor lunare de nutrienți, informațiile

rezultate sunt similare cu cele obținute în cazul analizei anuale. Se prezintă ca exemplu (Figura 4.13)

indicatorul N-NH4 la secțiunea RO1-Baziaș pentru lunile aprilie din perioada studiată:

-0.3

41

-0.4

10

-0.3

72 -0

.31

4

-0.4

27

-0.3

98 -0.3

45

-0.2

61

-0.1

37

-0.1

83

-0.0

51

-0.1

51-0.1

06

-0.1

25

-0.2

05

-0.2

27

-0.0

74

-0.1

51

-0.2

51

-0.0

82

RO

1

RO

2

RO

4

RO

5

NNH4 NNO2 NNO3 PPO4 P Total


Figura 4.13: Analiza de tendință prin aplicația MAKESENS pentru concentrațiile de N-NH4 (mg/L N)

măsurate în secțiunea Baziaș – lunile aprilie din perioada 1992-2015

4.2.1.2. Analiza de tendință a concentrațiilor funcție de debit

Regresia liniară multiplă a concentrației (c) funcție de debit (Q) și număr de zile (t)

Un aspect important în analiza de tendință îl constituie investigarea influenței altor variabile decât

elementul ”timp” asupra variabilei dependente – în acest caz, concentrațiile formelor de nutrienți.

Acestea se numesc ”covariabile” și, de obicei, sunt mărimi fizice caracteristice fenomenelor naturale,

cum ar fi: regimul de precipitații (cantitatea de precipitații), regimul hidrologic (debitul cursului de apă),

regimul termic (temperatura apei). În analiza de tendință prin regresie liniară multiplă s-a investigat

variabilitatea concentrațiilor celor 5 forme de nutrienți în perioada investigată (variabila dependentă), în

funcție de variabilele independente ”debit” (Q) și ”numărul de zile” (t).

Ipoteza de nul testată pentru testul de tendință, H0, este 𝛽1 = 0, iar testul statistic t este testul de

tendință pentru coeficientul 𝛽1. În cazul în care coeficientul 𝛽2 pentru covariabila ”Q” nu este

semnificativ statistic ≠ 0, atunci efectul debitului asupra concentrației nu este semnificativ și, pentru

analiza de tendință, se poate utiliza modelul regresiei simple concentrație față de nr. de zile.

Rezultatele aplicării modelului de regresie multiplă se regăsesc în Tabelul 4.9, prezentat ca

exemplu pentru indicatorul N-NH4: coeficienții de regresie R ai modelului sunt cuprinși între 0,384

(RO5-Reni) și 0,468 (RO2-Pristol), testele de semnificație F indicând semnificație statistică (p

<0,00000) pentru toate cele 4 seturi de date, ceea ce infirmă ipoteza de nul H0, prin urmare, pentru toate

cele 4 secțiuni de monitoring, concentrațiile de amoniu prezintă tendință semnificativă de evoluție pe

perioada de timp considerată, valorile coeficienților beta standardizați (b*), cuprinși între -0,385 (RO5-

Reni) și -0,459 (RO2-Pristol), demonstrând că această tendință este descrescătoare. Valorile R2 și R2

ajustat sunt apropiate, indicând o adecvare bună a modelului de regresie; contribuția celor doi predictori

considerați la varianța concentrației este cea mai mare la secțiunile RO2-Pristol și RO4-Chiciu, cele 2

variabile explicând 21,6 % și respectiv 20,4% din variabilitatea setului de concentrații. Totodată, se

observă că pentru secțiunile RO2-Pristol și RO4-Chiciu, testul t este statistic semnificativ pentru

covariabila ”Q”, ceea ce arată că ambele variabile independente contribuie la varianța setului de date de

concentrație. Pentru secțiunile RO1-Baziaș și RO5-Reni, valorile testelor nu indică semnificație

statistică pentru variabila ”Q”.

-0.10

0.00

0.10

0.20

0.30

0.40

0.50

1990 1995 2000 2005 2010 2015 2020

Ap

rilie

An

Data Sen's estimate 95 % conf. min 95 % conf. max

n = 22

z = - 3,36

Signific.:***


Tabelul 4.9: Rezultatele analizei de regresie multiplă dintre variabila dependentă ”concentrație” și

variabilele independente ”debit – Q” și ”nr. de zile – t” pentru indicatorul N-NH4

Rezultatele regresiei pentru variabila dependentă: NNH4 (RO1-Bazias)

R=0,42210886, R2= 0,17817589 Adjusted R2= 0,17382762 F(2,378)=40,976 p <0,00000

Std.Error of estimate: 0,15423

b* Std.Err. - of

b*

b Std.Err. - of

b

t(378) p-value

Intercept 0,339053 0,025465 13,31451 0,000000

Q 0,037407 0,046642 0,000003 0,000004 0,80200 0,423059

t -0,421387 0,046642 -0,000031 0,000003 -9,03444 0,000000

Rezultatele regresiei pentru variabila dependentă: NNH4 (RO2-Pristol)

R= 0,46802551 R2= 0,21904787 Adjusted R2= 0,21562264 F(2,456)=63,951 p <0,0000


b* Std.Err. - of

b*

b Std.Err. - of

b

t(456) p-value

Intercept 0,277687 0,021616 12,8462 0,000000

Q 0,110707 0,041420 0,000008 0,000003 2,6728 0,007791

t -0,459368 0,041420 -0,000031 0,000003 -11,0906 0,000000

Rezultatele regresiei pentru variabila dependentă: NNH4 (RO4-Chiciu)

R= 0,45553664 R2= 0,20751363 Adjusted R2= 0,20422531 F(2,482)=63,106 p <0,0000


b* Std.Err. - of

b*

b Std.Err. - of

b

t(482) p-value

Intercept 0,397545 0,036447 10,9075 0,000000

Q 0,136864 0,040677 0,000016 0,000005 3,3647 0,000828

t -0,445499 0,040677 -0,000048 0,000004 -10,9522 0,000000

Rezultatele regresiei pentru variabila dependentă: NNH4 (RO5-Reni)

R=0,38378212 R2= 0,14728872 Adjusted R2= 0,14375050 F(2,482)=41,628 p <0,00000


b* Std.Err. - of

b*

b Std.Err. - of

b

t(482) p-value

Intercept 0,390791 0,028654 13,63844 0,000000

Q 0,033066 0,042216 0,000003 0,000003 0,78326 0,433858

t -0,385194 0,042216 -0,000035 0,000004 -9,12446 0,000000

Analiza rezultatelor obținute din aplicarea modelului de regresie multiplă aplicat seturilor de

concentrații ale formelor de nutrienți considerând ca variabile independente debitul și respectiv numărul

de zile arată că, pentru toate cele 4 secțiuni de monitoring, tendințele de evoluție temporală sunt

semnificativ statistic descrescătoare pe perioada considerată, variabila debit prezentând o contribuție

relativă la secțiunea în cauză și la specia chimică considerată.

Corelație Spearman a valorilor reziduale din regresia concentrației (c) funcție de debit (Q) cu numărul de zile (t)

Motivația analizei acestui tip de corelație constă în faptul că, dacă se dorește confirmarea

existenței unei tendințe reale de dinamică a concentrațiilor, atunci trebuie eliminată influența oricărui

factor care ar putea induce existența acestei tendințe, fără ca ea să fie datorată unor cauze sau măsuri

externe, independente de dinamica intrinsecă a ecosistemului. Având în vedere că debitul cursului de

apă, așa cum s-a menționat, este una dintre variabilele ce pot influența în dublu sens variația

concentrațiilor de nutrienți (concentrația poate descrește ca urmare a efectului de diluție sau poate crește

ca urmare a scurgerilor de pe maluri), este recomandat ca înainte de validarea tendinței de evoluție să

fie eliminată potențiala influență a debitului. Acest lucru se poate realiza prin analiza corelației non-

parametrice de tip Spearman a rezidualilor obținuți din regresia liniară a concentrației cu debitul,

reziduali în relație cu numărul de zile (t). Astfel, s-a observat că toți coeficienții de corelație Spearman

prezintă valori negative, ceea ce confirmă existența tendințelor descrescătoare de variație temporală

a rezidualilor, pentru toate cele 5 forme de nutrienți măsurate în cele 4 secțiuni de monitoring

RO1, RO2, RO4 și RO5.

Testul Mann-Kendall aplicat rezidualilor din regresia de tip LOWESS a valorilor de concentrație și debit

Regresia de tip LOWESS (sau LOESS) este o regresie de tip non-parametric, dezvoltată pentru

prima dată de Cleveland, 1979. LOWESS este un acronim pentru ”Locally Weighted Scatterplot


Smoother” și reprezintă, în esență, o ”regresie locală”, un instrument grafic de reprezentare a relației

dintre o variabilă dependentă și una sau mai multe variabile independente. Caracteristica distinctivă a

acestei metode este aceea că ”permite ca datele să vorbească de la sine”.

Identificarea tendinței temporale a concentrațiilor de nutrienți prin eliminarea influenței valorilor

de debit asupra concentrațiilor s-a efectuat și prin aplicarea testului Mann-Kendall asupra rezidualilor

rezultați din regresia non-parametrică de tip LOWESS dintre variabila dependentă dată de concentrația

de nutrienți și variabila independentă debit. După efectuarea regresiei LOWESS, analiza de tendință este

realizată prin aplicarea testului Mann-Kendall asupra perechilor de valori R-t, în care R reprezintă

rezidualii din modelul de regresie, iar t variabila independentă ”nr. de zile”. Ipoteza de nul H0 (nu există

nici o tendință de variație) este respinsă dacă valoarea absolută a lui Z este mai mare decât valoarea

critică la nivelul de semnificație statistică ales (Z> Z1-α/2). În cazul pragului α = 0,05 bilateral, scorul

critic Z este ± 1,96. Rezultatele testului non-parametric Mann-Kendall pentru valorile reziduale ale

regresiei LOWESS a concentrațiilor de nutrienți și a valorilor de debit măsurate în 4 secțiuni de

monitoring situate pe cursul principal al Dunării în perioada 1992-2015, se obțin rezultatele prezentate

în Figura 4.14 și în Tabelul 4.10, din care a reieșit că, similar cu rezultatele testului Mann-Kendall

aplicat valorilor de concentrații, și în acest caz, toți cei cinci indicatori testați prezintă tendințe

descrescătoare de variație, în toate cele patru secțiuni de monitoring, cu excepția indicatorului P

Total la secțiunea RO5-Reni.

Figura 4.14: Valorile testului statistic non-parametric Kendall-tau (τ) pentru valorile rezidualilor (R) și nr.

de zile (t), reziduali rezultați din analiza de regresie non-parametrică de tip LOWESS dintre concentrațiile

de nutrienți și debit, valori măsurate în 4 secțiuni de monitoring situate pe cursul principal al Dunării (RO1-

Baziaș, RO2-Pristol, RO4-Chiciu și RO5-Reni) în perioada 1992-2015

Tabelul 4.10: Rezultatele aplicării testului non-parametric Mann-Kendall pentru valorile rezidualilor (R) și

nr. de zile (t), reziduali rezultați din analiza de regresie non-parametrică de tip LOWESS dintre

concentrațiile de N-NH4 și debit, valori măsurate în 4 secțiuni de monitoring situate pe cursul principal al

Dunării (RO1-Baziaș, RO2-Pristol, RO4-Chiciu și RO5-Reni) în perioada 1992-2015


NNH4

S -25671,000 -46410,000 -44294,000 -35719,000

n 381 459 486 486

p-value (Two-tailed) < 0,0001 < 0,0001 < 0,0001 < 0,0001

z -10,335 -14,1351 -12,3833 -9,9859

Pantă Sen -5,551x10-4 -4,489x10-4 -6,070x10-4 -4,482 x10-4


-0.3

55

-0.4

42 -0

.37

6 -0.3

03

-0.3

87

-0.3

58

-0.3

47

-0.2

56

-0.1

37

-0.1

43

-0.0

60

-0.1

78-0

.12

3

-0.1

64

-0.0

75

-0.0

95

-0.1

11

-0.1

45

-0.1

69

-0.0

51

RO1 RO2 RO4 RO5

NNH4 NNO2 NNO3 PPO4 TP


În concluzie, rezultatele aplicării testelor de analiză a tendințelor de evoluție concentrațiilor de

nutrienți, atât în cazul în care acestea au fost considerate ca fiind independente de debitul cursului de

apă, cât și în situația în care influența debitului asupra concentrației a fost eliminată, se pot sublinia

următoarele:

- tendințele de dinamică temporală detectate la cele 5 forme de nutrienți investigate în 4 secțiuni

de monitoring (RO1, RO2, RO4 și RO5) sunt tendințe descrescătoare la nivelele de semnificație alese

(0,05, 0,01 și 0,001) pe perioada considerată (1992-2015), această variație fiind în concordanță cu

rezultatele modelului MONERIS, conform cărora se anticipa o scădere a concentrațiilor nutrienților pe

bază de N în anul 2015, față de anul 2006 (van Gils și Bendow, 2000; Popovici, 2015; van Gils, 2015);

- indicatorii N-amoniu și N-azotiți prezintă cele mai accentuate tendințe de scădere, mai vizibile

în secțiunile RO1-Baziaș și RO2-Pristol, acest fapt putând fi datorat, pe de o parte, scăderii aportului

surselor punctiforme (ape uzate orășenești provenite din stațiile de epurare) și celor difuze (diminuarea

considerabilă a practicilor agricole intensive bazate pe aplicarea fertilizanților pe bază de azot), cât și

procesului natural de denitrificare din arealul acumulării Porțile de Fier I;

- indicatorul N-azotați a prezentat cele mai slabe tendințe de scădere, iar la secțiunea RO5-Reni,

tendința de evoluțiedinamică este nesemnificativă statistic, ceea ce indică faptul că tendința de evoluție

a acestui indicator este caracterizată de etapele specifice ale ciclului său biogeochimic;

- indicatorii nutrienților pe bază de fosfor – P-orto-fosfații și P Total sunt caracterizați de

tendințe de scădere mai puțin notabile decât cele pe bază de azot, la cele patru secțiuni de monitoring

investigate, cu excepția indicatorului P Total la secțiunea RO5-Reni, pentru care nu s-a identificat o

tendință statistic semnificativă de scădere la nivelul de semnificație ales (0,05);

- tendințele sezoniere de variație au prezentat scăderi semnificative și înalt semnificative statistic

pentru toți indicatorii, cu precădere în lunile de primăvară (martie, aprilie) și toamnă (octombrie,

noiembrie);

În general, pe baza rezultatelor obținute, se poate afirma că testele non-parametrice utilizate în

evaluarea dinamicii temporale constituie un instrument deosebit de util și complet în identificarea,

confirmarea și estimarea ratei unei tendințe reale de evoluție a unei variabile, în cazul de față

concentrațiile de nutrienți.

4.3. Stabilirea valorilor-limită pentru nutrienți

4.3.1. Analiza exploratorie a datelor utilizate

Înainte de investigarea propriu-zisă a relațiilor presiune – răspuns, a fost efectuată o analiză

preliminară a setului de date primare supus analizei având în vedere că stabilirea valorilor prag pentru

nutrienți a foste efectuată pe baza metodelor de regresie (simplă și multiplă); astfel, seturile de date

primare de nutrienți au făcut obiectul unei analize exploratorii în vederea eliminării valorilor aberante

(corecte din punct de vedere analitic), valori ce ar putea avea un impact negativ asupra tehnicilor

statistice de regresie liniară (în sensul modificării pantei liniei de regresie și implicit a coeficientului de

corelație) (STATISTICA 10.0, Electronic Manual – Recode Outliers and Extreme/Rare Values). Întrucât seturile de date pentru variabilele biologice sunt diferite ca structură și mărime pentru cele două

elemente biologice de calitate considerate, această analiză a fost efectuată diferit și pentru variabilele

fizico-chimice corespondente.

Mărimile statistice descriptive pentru variabilele fizico-chimice și biologice utilizate la

investigarea relației presiune-răspuns pentru elementul biologic de calitate fitoplancton, pentru toate

cele patru tipologii reunite (RO12-RO15) sunt redate în Tabelul 5.1-A. Având în vedere că obiectivul

constă în derivarea valorilor prag pentru nutrienți, în diagramele din Figura 4.15 a) și b) și Figura 4.16

a) și b) sunt prezentate variabilitățile concentrațiilor de azotați și azot total și respectiv orto-fosfați și

fosfor total față de valorile mediane pentru fiecare grup tipologic, valoarea mediană a întregului set de

date și față de nivelul de identificare a valorilor aberante calculat pe baza criteriului Tukey one-sided

upper. Următoarele caracteristici ale setului primar de date pot fi notate:

- nutrienții pe bază de azot (Figura 4.15 a și b): valorile mediane pentru tipologiile RO12 și

RO14 sunt ușor mai ridicate decât valoarea mediană a celor patru tipologii reunite (1,08 și 1,18 mg/L

N-NO3 față de 1,02 mg/L N-NO3 pentru azotați și respectiv 1,62 și 1,55 mg/L N față de 1,50 mg/L N

pentru azot total). Pentru tipologiile RO13 și RO15, valorile mediane sunt situate sub valoarea mediană

generală (0,96 și 0,97 mg/L N pentru azotați și respectiv 1,41 și 1,42 mg/L N pentru azot total).

Nivelurile de delimitare a valorilor aberante au fost 0,45, 2,00 și 2,60 mg/L N pentru azotul


amoniacal, azotați și respectiv azot total, identificându-se un număr de 7, 9 și respectiv 11 valori pentru

fiecare dintre cele trei forme de nutrienți. În cazul indicatorului N Total se remarcă în mod deosebit

valoarea concentrației de 6,83 mg/L, valoare identificată ca fiind aberantă. Această concentrație,

măsurată în secțiunea aval Medgidia, pe corpul de apă artificial Canal Dunăre – Marea Neagră

(CDMN2-CPAMN), tipologia RO14, în data de 26.10.2011, coroborată cu valorile altor indicatori de

calitate fizico-chimici (ex.: oxigen dizolvat = 1,78 mg/L și N-NH4 = 1,42 mg/L N) sugerează imaginea

unui ”vârf” de impact recent al unei deversări de apă uzată neepurată sau insuficient epurată, impact ce

nu poate fi reflectat în răspunsul biologic măsurat la aceeași dată (index saprob = 2,22, indice de

diversitate Simpson = 0,885, indice multimetric = 0,994).

Figura 4.15: Variabilitatea concentrațiilor formelor de nutrienți pe bază de azot – a) N-NH4, b) N-NO3 și

c) N Total pentru categoriile tipologice caracteristice cursului principal al fluviului Dunărea (RO12, RO13,

RO14 și RO15) față de nivelul de identificare a valorilor aberante pe baza criteriului Tukey one-sided upper

Figura 4.16: Variabilitatea concentrațiilor formelor de nutrienți pe bază de fosfor – a) P-PO4 și b) P Total

pentru categoriile tipologice caracteristice cursului principal al fluviului Dunărea (RO12, RO13, RO14 și

RO15)


- nutrienții pe bază de fosfor (Figura 4.16 a și b): în cazul orto-fosfaților, valorile mediane

pentru tipologiile RO12 și RO14 sunt aproape egale cu valoarea mediană a celor patru tipologii reunite

(0,043 și 0,042 mg/L P față de 0,041 mg/L P); celelalte două tipologii prezintă valori mediane situate

peste și respectiv sub mediana generală (0,050 mg/L P la RO13 și 0,034 mg/ l P la RO15). Pentru fosfor

total, mediana tipologiei RO15 este egală cu mediana generală (0,073 mg/L P), tipologiile RO13 și

RO14 au valori mediane situate peste valoarea generală (0,076 și respectiv 0,081 mg/L P), iar tipologia

RO12 prezintă mediana situată sub nivelul celei generale (0,068 mg/L P). Nivelurile de delimitare a

valorilor aberante au fost 0,109 și 0,194 mg/L P pentru orto-fosfați și respectiv fosfor total,

identificându-se un număr de 27 și respectiv 24 valori pentru fiecare dintre formele de nutrienți pe bază

de fosfor.

Analiza exploratorie a setului primar de date pentru formele de nutrienți selectate indică un grad

ridicat de similaritate a variabilității concentrațiilor de nutrienți între cele patru tipologii studiate, ceea

ce a determinat ca studiul relației presiune – răspuns pentru elementul biologic de calitate fitoplancton

să fie efectuat prin prelucrarea întregului set de date pentru tipologiile RO12 – RO15.

În ceea ce privește investigarea relației propriu-zise, pentru ambele elemente biologice de calitate

studiate – fitoplancton și fitobentos, corelațiile bivariate au fost efectuate pe trei seturi de date primare,

prelucrate după cum urmează:

- setul de date complet pentru ambele tipuri de variabile;

- setul de date din care au fost excluse valorile aberante și extreme pentru nutrienți și valorile

corespondente acestora pentru indicatorii biologici;

- setul de date ce conține doar valorile aberante și extreme pentru nutrienți și valorile

corespondente acestora pentru indicatorii biologici;

- coeficienții de corelație bivariată și reprezentările grafice ale relațiilor dintre variabile au fost

efectuate în condițiile tratării valorilor lipsă prin metoda ”pairwise”, adică metoda corelației ”în

perechi”, asigurând maximizarea numărului de valori corespondente disponibile.

4.3.2. Investigarea relației presiune – răspuns dintre nutrienți și elementele biologice

Cel mai utilizat instrument de studiu al relației presiune-răspuns între formele de nutrienți și

elementele de calitate biologice relevante este metoda de predicție a valorilor unei variabile sau a mai

multor variabile în funcție de valorile altei sau altor variabile, predicție ce rezultă din modelul unei relații

liniare dintre variabilele investigate (Tabachnik B. G. și Fidell 2007; Popa, 2010). Această procedură de

predicție se numește regresie, variabila ale cărei valori sunt prezise se numește criteriu (sau variabila

dependentă), iar variabila ale cărei valori sunt utilizate pentru a prezice valorile criteriului se numește

predictor (Popa, 2010). Prin urmare, în utilizarea metodei de regresie pentru a cuantifica relația dintre

concentrațiile de nutrienți – ca element de presiune și starea biologică – drept element de răspuns, trebuie

decis care dintre cele două elemente constituie variabila dependentă. Această decizie nu este ușoară,

având în vedere că ambele variabile pot conține erori, astfel relația de regresie va subestima panta acestei

relații (Legendre, 2008; Phillips și colab., 2016). Obiectivul capitolului actual fiind derivarea de valori-

limită pentru formele de nutrienți, în contextul în care valorile-limită între stările ecologice determinate

de elementele biologice sunt deja stabilite și asumate (HG 80/2011), ar trebui ca în modelele de regresie

utilizate să desemnăm ca variabile dependente formele de nutrienți, iar ca predictori variabilele

biologice. Însă, în modelul relației ”clasice” dintre nutrienți și elementele biologice, concentrațiile de

nutrienți constituie factorul de presiune ce influențează starea ecologică, de aceea este esențială stabilirea

nivelurilor de concentrație până la care aceștia pot susține starea ecologică „bună”. Prin urmare, în

această perspectivă, rolul variabilei dependente revine elementelor biologice, iar nutrienții constituie

predictorii. În același timp, nu trebuie omis nici faptul că, la rândul lor, fluctuațiile concentrațiilor de

nutrienți sunt influențate de dinamica ciclului de evoluție a comunităților biotice. Aceste considerații

constituie suportul abordării modului de investigare a relației presiune – răspuns din sub-capitolele

următoare.

4.3.2.1. Relația presiune – răspuns prin metoda regresiei liniare simple

Elementul biologic fitoplancton

Plecând de la studiul matricilor de corelație bivariată dintre variabilele din setul de date primare

complet, prezentate în Tabelele 5.2-A (coeficienți de corelație Pearson între indicatorii fizico-chimici),


5.3-A (coeficienți de corelație Pearson între indicatorii biologici) și 5.4-A (coeficienți de corelație

Pearson între indicatorii fizico-chimici și cei biologici), se constată următoarele:

- există o corelație bună între variabilele din grupa nutrienților, formele dizolvate pe bază de azot

și fosfor (N-NO3 și P-PO4) fiind pozitiv corelate cu formele lor totale (N Total și respectiv P Total),

corelație mai puternică în cazul azotaților cu azotul total (r2 = 0,758, p<0,001) comparativ cu orto-fosfații

și fosforul total (r2 = 0,319, p<0,001) – Figura 4.17;

Figura 4.17: Relația dintre variabilele tip ”presiune” din grupa nutrienților pe bază de azot: a) forma bio-

disponibilă N-NO3 față de forma N Total și b) forma bio-disponibilă P-PO4 față de forma P Total – setul de

date primare pentru elementul biologic fitoplancton

- variabilele fizico-chimice din grupul regimului de oxigen (OD în termeni de concentrație și

saturație și CCO-Cr) au corelații înalt și foarte semnificative statistic cu temperatura apei (r = -0,558,

p<0,001; r = 0,199, p<0,001 și r = 0,260, p<0,001) și între substanța organică oxidabilă biochimic -

CBO5 și cea oxidabilă chimic - CCO-Cr (r = 0,445 p<0,01);

- variabilele biologice prezintă și ele corelații semnificative statistic (p<0,001), valoarea cea mai

ridicată a coeficientului Pearson fiind r = 0,304 între indicele de diversitate Simpson (IDS) și indicele

număr de taxoni (INT);

- corelațiile foarte semnificative și înalt semnificative statistic dintre variabilele fizico-chimice

validează ansamblul general al setului de date investigat, considerat ca presiune pentru elementul

biologic de calitate fitoplancton.

În ceea ce privește relația directă dintre indicatorii din grupa nutrienților și cei specifici

fitoplanctonului, se observă următoarele:

- indicatorul N-NO3:

o prezintă corelație pozitivă cu indicatorul biologic abundență numerică

bacillariophyceae cu un coeficient de corelație r = 0,284 (N=558, r2 = 0,081, p<0,001) înregistrat pentru

întregul set de date primare – Figura 4.18 a), coeficient ce crește la valoarea de 0,305 (N=547, r2 =

0,081, p<0,001) în cazul în care sunt eliminate valorile aberante ale azotaților – Figura 4.18 b); pentru

setul de date aberante, corelația este nesemnificativă statistic (p=0,365).

o prezintă corelație negativă cu indicele de diversitate Simpson (IDS), cu un coeficient

Pearson r = -0,116, statistic semnificativ la p<0,01 (N = 562, r2 = 0,013), dacă se ia în considerare

întregul set de date; atât în cazul seturilor de date fără valori aberante, cât și în cazul valorilor aberante,

corelațiile azotaților cu acest indicator biologic nu sunt semnificative (p = 0,385 și p =0,600).


- indicatorul N Total:

o indicatorul biologic Abundenta numerică bacillariophyceae prezintă cu N Total o

corelație caracterizată de coeficientul Pearson r = 0,221 (N=562, r2 = 0,049, p<0,001) – Figura 4.19

a), valoare care crește la r = 0,311 (N = 234, r2 = 0,096) în cazul în care valorile aberante pentru N total

sunt eliminate din setul de date – Figura 4.19 b). Similar cu azotații, și în acest caz, corelația devine

nesemnificativă la setul de date aberante (p= 0,050).

- indicatorul P-PO4:

o cea mai puternică relație dintre orto-fosfați și indicatorii din grupa fitoplanctonului apare în

cazul clorofilei ”a”, cu un coeficient Pearson r = 0,146 (N=558, r2 = 0,021, p<0,01) – Figura 4.20 a),

coeficient care scade la valoarea r = 0,118 (N=526, r2 = 0,014, p<0,01) în cazul eliminării valorilor

aberante ale orto-fosfaților – Figura 4.20 b).

Figura 4.18: Corelația bivariată între forma bio-disponibilă azotați (N-NO3) și indicatorul biologic

abundență numerică bacillariophyceae pentru a) întregul set de date primare și b) setul de date fără valori

aberante pentru indicatorul N-NO3 (metoda pairwise pentru valorile lipsă)

Figura 4.19: Corelația bivariată între forma N Total și indicatorul biologic abundență numerică

bacillariophyceae pentru a) întregul set de date primare și b) setul de date fără valori aberante pentru

indicatorul N Total (metoda pairwise pentru valorile lipsă)


o cea mai slabă corelație a orto-fosfaților cu indicatorii biologici apare în cazul Abundenței

numerice bacillariophyceae, caracterizată de un coeficient Pearson r =0,117 (N=562, r2 = 0,014,

p<0,01) în situația corelării tuturor datelor disponibile după eliminarea valorilor aberante pentru P-PO4,

corelația, deși încă semnificativă statistic, scade la r = 0,090, iar pentru setul de valori aberante, devine

nesemnificativă (p=0,286);

o în schimb, în cazul setului de valori aberante ale acestei forme de nutrienți, corelația

devine substanțial mai puternică, cu un coeficient Pearson r = 0,478 (N=32, r2 = 0,229, p<0,01) – Figura

4.20 c), ceea ce ar putea fi un indiciu că peste nivelul de 0,110 mg/L P-PO4 al orto-fosfaților, răspunsul

biologic al clorofilei devine notabil;

- indicatorul P Total:

o prezintă corelație pozitivă redusă cu indicele de diversitate Simpson (IDS), cu un

coeficient Pearson r = 0,107 (N=529, r2 = 0,012, p<0,05) pentru întregul set de date, valoare care crește

ușor la r = 0,129 (N=504, r2 = 0,017, p<0,01) pentru setul de date fără valori aberante ale P Total; în

cazul valorilor aberante, corelația devine nesemnificativă statistic (p = 0,131);

o în cazul relației cu indicele număr taxoni (INT), singura corelație semnificativă statistic

apare pentru întregul set de date, cu un coeficient r = 0,134 (N=555, r2 = 0,018, p<0,01), pentru celelalte

două seturi de date, această corelație devenind nesemnificativă (p=0,093 și respectiv p=0,104); µg/l

o cea mai puternică relație a P Total este cu indicatorul biologic indice saprob (IS), pentru

care s-a obținut coeficientul de corelație r = 0,203 (N=529, r2 = 0,041, p<0,001) pentru întregul set de

date), valoare care scade la r = 0,140 (N=504, r2 = 0,020, p<0,01) pentru setul de date din care au fost

eliminate valorile aberante). În schimb, în cazul setului valorilor aberante, coeficientul de corelație crește

la valoarea 0,663 (N=25, r2 = 0,440, p<0,001));

Figura 4.20: Corelația bivariată între forma bio-disponibilă P-PO4 și indicatorul biologic clorofilă ”a”

pentru a) întregul set de date primare, b) setul de date fără valori aberante pentru indicatorul P-PO4 și c)

setul de valori aberante pentru indicatorul P-PO4 (metoda pairwise pentru valorile lipsă)

Din analiza rezultatelor obținute la investigarea relației presiune răspuns între formele de nutrienți

și indicatorii biologici din grupa fitoplanctonului, se observă că formele pe bază de azot prezintă

corelații relativ reduse cu aceștia, cea mai notabilă fiind cu abundența numerică bacillariophyceae.

Eliminarea sau considerarea exclusivă a valorilor aberante nu aduc nicio îmbunătățire în creșterea

semnificației relației bivariate dintre cele 2 tipuri de variabile investigate. În schimb, nutrienții pe bază

de fosfor produc un gradient de presiune mai accentuat asupra variabilelor biologice. Astfel, se observă


că la valori ce depășesc nivelul de concentrație de 0,110 mg/L P-PO4 și respectiv 0,190 mg/L P,

răspunsul biologic pentru clorofilă ”a”, indice număr taxoni (INT) și indice saprob (IS) devine corelabil

cu presiunea exercitată de fosfor într-o măsură suficient de semnificativă astfel încât nivelurile

respective de concentrație pentru nutrienți să devină niveluri ”candidate” pentru elaborarea valorilor

limită dintre stările ecologice, conform cerințelor DCA.

Întrucât stadiul curent1 de dezvoltare a metodologiilor naționale de evaluare a stării ecologice a

corpurilor de apă nu cuprinde și elementul fitoplancton, implicit neexistând valori limită pentru indicii

biologici, ecuațiile regresiilor liniare dintre aceștia și elementele fizico-chimice din clasa nutrienților nu

au putut fi utilizate în predicția valorilor prag ale formelor de nutrienți.

Elementul biologic fitobentos

Și în cazul elementului biologic de calitate fitobentos, corelațiile foarte semnificative și înalt

semnificative statistic între variabilele fizico-chimice și, respectiv, între cele biologice validează

ansamblul general al setului de date investigat, considerat ca presiune pentru elementul biologic de

calitate fitobentos. În ceea ce privește relația directă dintre indicatorii din grupa nutrienților și cei

specifici fitobentosului, se observă următoarele:

- indicatorul N-NO3:

o prezintă corelații pozitive cu indicatorii biologici indice saprob (IS) și indice număr

taxoni (INT), cu coeficienți de corelație Pearson r = 0,166 (N=300, r2 = 0,027, p<0,01) și respectiv r =

0,302 (N=300, r2 = 0,091, p<0,001), pentru întregul set de date primare – Figura 4.21 a);

o coeficienții de corelație scad la r = 0,142 (N=292, r2 = 0,020, p<0,05) și respectiv r =

0,214 (N = 292, r2 = 0,030, p<0,001) în cazul în care sunt eliminate valorile aberante ale azotaților –

Figura 4.21 b); pentru acest set de valori, devin semnificative statistic și alte corelații ale concentrațiilor

de azotați cu indici biologici ai diatomeelor: cu indicele ROTT-S, corelație pozitivă caracterizată de un

coeficient r = 0,176 (N=183, r2 = 0,031, p<0,05), cu indicele de diversitate Shannon–Wiener și indicele

de diversitate, corelații negative caracterizate de coeficienții de corelație Pearson r = - 0,151 (N=292, r2

= 0,023, p<0,05) și respectiv r = - 0,166 (N=183, r2 = 0,028, p<0,05) – Figura 4.21 c).

o pentru setul de date aberante, concentrațiile de azotați nu se corelează semnificativ cu

nici un indice biologic investigat (p > 0,05).

- indicatorul N Total:

o în cazul setului complet de date, N Total prezintă corelație pozitivă cu indicele saprob

(IS), cu un coeficient de corelație r = 0,155 (N=284, r2 = 0,024, p<0,01) și corelații negative cu patru

indici biologici, astfel: cu Shannon-Wiener, r = - 0,141 (N=284, r2 = 0,020, p<0,05), cu indicele de

diversitate (ID) – r = - 0,236 (N=174, r2 = 0,057, p<0,01), cu indicele de poluare specifică (IPS) – r = -

0,150 (N=174, r2 = 0,023, p<0,05) și cu indicele ROTT-T – r = - 0,161 (N=174, r2 = 0,026, p<0,05);

o spre deosebire de azotați, în cazul azotului total, eliminarea valorilor aberante a dus la

obținerea unei creșteri ușoare a valorilor absolute ale coeficientului de corelație Pearson, după cum

urmează: cu IS, r = = 0,164 (N=273, r2 = 0,027, p<0,01), cu ISW, r = - 0,153 (N=273, r2 = 0,023,

p<0,05), cu ID, r = - 0,257 (N=168, r2 = 0,066, p<0,01), cu IPS, r = - 0,163 (N=168, r2 = 0,027, p<0,05)

și cu ROTT-T – r = - 0,188 (N=168, r2 = 0,035, p<0,05);

o în cazul setului de concentrații ale azotului total situate sub nivelul de 2,40 mg/L N,

acestea devin slab semnificative statistic cu indicele biologic de diatomee (IBD), cu un coeficient

negativ de corelație r = - 0,134 (N=273, r2 = 0,018, p < 0,05);

o pentru setul de concentrații ale azotului total situate peste nivelul de 2,40 mg/L N,

acestea nu prezintă corelații statistic semnificative cu nici un indicator biologic din grupa elementului

fitobentos (p > 0,05);

1 Metodologia Națională de Evaluare conform HG 80/2011


Figura 4.21: Corelația bivariată între forma bio-disponibilă azotați (N-NO3) și indicatorii biologici cu care

prezintă corelații statistic semnificative pentru a) întregul set de date primare, b) setul de date fără valori

aberante pentru indicatorul N-NO3 – corelații pozitive cu indicatori biologici și c) setul de date fără valori

aberante pentru indicatorul N-NO3 – corelații negative cu indicatori biologici (metoda pairwise pentru

valorile lipsă)

- indicatorul P-PO4:

o în cadrul setului complet de date, singurul indicator biologic cu care orto-fosfații

prezintă corelație statistic semnificativă este indicele Sladacek, cu un coeficient r = - 0,147 (N = 186, r2

= 0,022, p < 0,05) – Figura 4.22 a). Eliminarea valorilor aberante pentru orto-fosfați duce la obținerea

unei valori a coeficientului de corelație de r = - 0,324 (N = 173, r2 = 0,105, p < 0,001) cu indicele

Sladacek și la o corelație slab pozitivă a orto-fosfaților cu indicele Kelly, cu r = 0,168 (N = 173, r2 =

0,028, p < 0,05) – Figura 4.22 b) și c). Corelația cea mai puternică se întâlnește la setul de date aberante,

unde coeficientul de corelație al orto-fosfaților cu indicele Sladacek are valoarea r = 0,573, dar sensul

de variație este pozitiv (N = 13, r2 = 0,328, p < 0,05) – Figura 4.22 d).

Figura 4.22: Corelația bivariată între P-PO4 și indici biologici din grupa elementului de calitate fitobentos

pentru a) întregul set de date primare; b) și c) setul de date fără valori aberante pentru indicatorul P-PO4


și d) setul de date format din valorile aberante pentru indicatorul P-PO4 (metoda pairwise pentru valorile

lipsă)

o ceea ce este interesant de remarcat în cazul setului de date format din valorile aberante pentru

orto-fosfați este că, dacă formele de fosfor nu sunt corelate semnificativ cu nici un indicator biologic,

formele de azot investigate (azotații și azotul total) prezintă corelații cu indici biologici statistic

semnificative mult mai puternice decât în cazul seturilor de date complete. Astfel, cu indicele Shannon-

Wiener ambele forme de azot prezintă corelații negative – mai puternică în cazul azotaților decât în cel

al azotului total – caracterizate de coeficienții r = -0,719 (N = 15, r2 = 0,517, p < 0,01) și respectiv r = -

0,569 (N = 13, r2 = 0,324, p < 0,05) . Cu indicii ROTT-T, ROTT-S, IPS și Sladacek, corelațiile formelor

de azot sunt pozitive, coeficienții de corelație Pearson r precum și cei de determinare r2 fiind prezentați

în Figura 4.23 a) și b), respectiv Figura 4.24 a) și b). Totodată, având în vedere că în setul de date

format de concentrațiile de orto-fosfați situate peste nivelul de 0,110 mg/L P (stabilit conform metodei

Tukey upper criterion), 5 din cele 11 valori ale raportului masic N:P sunt mai mici decât raportul

Redfield (16:1 pentru raport molar, respectiv 7,24:1 pentru raport masic, Tett și colab., 1985) aceste

corelații arată faptul că în condițiile în care azotul devine forma limitativă, iar fosforul este în exces,

indicele de diversitate are tendință crescătoare, iar cei trofici și respectiv saprobici au tendință

descrescătoare.

Totuși, aceste relații bivariate trebuie considerate sub rezerva că sunt confirmate pe o

matrice foarte restrânsă de valori (15x7), dată de nivelul de identificare a valorilor aberante ale

concentrațiilor de orto-fosfați.

Figura 4.23: Corelația bivariată între formele de azot a) N-NO3 și b) N Total și indicii biologici Shannon-

Wiener, ROTT-S și ROTT-T obținute pentru setul de date format din valorile aberante pentru indicatorul

P-PO4 (metoda pairwise pentru valorile lipsă)


Figura 4.24: Corelația bivariată între formele de azot a) N-NO3 și b) N Total și indicii biologici IPS și

Sladacek obținute pentru setul de date format din valorile aberante pentru indicatorul P-PO4 (metoda

pairwise pentru valorile lipsă)

- indicatorul P Total:

o atât pentru setul complet de date cât și pentru setul de date din care au fost excluse

valorile aberante pentru concentrațiile de P Total, această formă de nutrienți prezintă corelație doar cu

indicatorul număr taxoni (INT), cu un coeficient de corelație negativ r = -0,157 pentru ambele seturi de

valori (r2 = 0,025, N = 237 și respectiv N = 226). Întrucât matricea de valori studiată pentru setul de

valori aberante ale concentrațiilor de P Total este aceeași cu cea corespunzătoare valorilor aberante

pentru orto-fosfați, corelațiile statistic semnificative ale azotaților și azotului total cu indicii biologici

ISW, ROTT-S, IPS și Sladacek sunt prezente și în acest caz, cu coeficienți de corelație în valoare

absolută situați în intervalul 0,558 și 0,763, ceea ce ar indica faptul că la valori ridicate ale formelor de

P, indicatorii biologici individuali din grupa elementului fitobentos nu prezintă variații sensibil

semnificative.

În afara indicilor biologici individuali, regresia liniară este în continuare testată plecând de la

rezultatele Raportului privind Dezvoltarea științifică și confirmarea metodei naționale pentru evaluarea

stării ecologice a corpurilor de apă pe baza diatomeelor (fitobentos) și încheierea exercițiului de

intercalibrare (Partea a 2-a: Râuri) – Kelly (2016). Deși la momentul încheierii Raportului menționat

(decembrie 2016), acesta nu cuprindea și secțiunea dedicată râurilor mari (bazin hidrografic mai mare

de 100 000 km2), în capitolul de față au fost utilizate rezultatele și informațiile corespunzătoare

categoriei tipologice europene R-E3, respectiv râuri de câmpie, cu bazin hidrografic mai mare de 1000

km2, situate la altitudine sub 200 m, geologie mixtă, substrat mâlos, pietros sau nisipos (Kelly, 2016).

În vederea testării relației presiune – răspuns pentru elementul fitobentos, ca variabilă de răspuns

a fost considerat Metricul Comun de Intercalibrare pentru fitobentos, generic cunoscut ca pICM

(phytobenthos InterCalibration Metric), în componența căruia intră doi indici caracteristici diatomeelor,

respectiv Indicele de Poluare Specifică (IPS) și Indicele de Troficitate Rott (ROTT-T). Acest metric a

fost selecționat în metodologia națională ca fiind mărimea reprezentativă de răspuns pentru fitobentos,

având la bază următoarele considerente:

- este parametrul cel mai utilizat de către Statele Membre în cadrul Exercițiului de

Intercalibrare European pentru sistemele de evaluare a stării ecologice pentru râuri, pe baza diatomeelor

(Birk și Hering, 2008; Kelly și colab., 2009; Kelly și colab., 2012, Almeida și colab., 2013 în Kelly,

2016);


- pICM combină Indicele de Poluare Specifică (IPS) ca metric al ”degradării generale”,

acoperind un larg domeniu al calității apelor și Indicele de Troficitate Rott, un indice ”trofic”, considerat

ca fiind cel mai sensibil la niveluri scăzute ale presiunii (optimizat mai curând pentru poluare anorganică

decât organică).

Prin urmare, cei doi indici (IPS și ROTT-T) sunt complementari, iar combinația acestora în

indicele pICM poate furniza rezultate mai bune în analiza presiune – răspuns decât cele oferite de

corelațiile individuale.

Din punct de vedere structural, pICM este exprimat ca media aritmetică dintre Indicele de Poluare

Specifică (IPS) și Indicele de Troficitate Rott (ROTT-T), cei doi indici fiind la rândul lor exprimați în

termeni de rapoarte de calitate ecologică (RCE), pICM devenind astfel el însuși un raport de calitate

ecologică (RCE).

Valorile de referință pe baza cărora au fost calculate RCE pentru IPS și RCE pentru ROTT-T și

respectiv valorile limită ale pICM între stările ecologice Foarte Bună / Bună (FB / B) și respectiv Bună

/ Moderată (B / M) pe baza elementului fitobentos sunt menționate în Tabelul 4.11.

Tabelul 4.11: Valorile de referință pentru calculul Rapoartelor de Calitate Ecologică pentru IPS și ROTT-

T și valorile limită ale pICM pentru stările ecologice evaluate pe baza elementului fitobentos (Kelly, 2016)

Bază de calcul IPS ROTT-T pICM

Valoare de referință 14,4 1,4 -

Valoare limită FB / B - - 1,06

Valoare limită B / M - - 0,87

Regresia liniară, ca și ipoteza testării corelațiilor bivariate între variabilele studiate, a plecat de la

premisa existenței unui răspuns liniar între variabilele în cauză, respectiv indicele biologic pICM (în

termeni de RCE) și fiecare dintre concentrațiile celor cinci forme de nutrienți. Literatura de specialitate

(Popa, 2010) prevede că modelul regresiei simple, prin aplicarea metodei celor mai mici pătrate,

minimizează variația variabilei dependente și presupune că nu există erori în variația variabilei

predictoare. Pentru că această ipoteză este valabilă, în general, în cazul studiilor experimentale, este

foarte puțin probabilă confirmarea ei în cazul datelor obținute din programele de monitoring al stării

ecologice a corpurilor de apă (Legendre și Legendre, 2012; Phillips și colab., 2017). Prin urmare,

alegerea variabilei dependente (indicele biologic sau concentrația formelor de nutrienți) reprezintă un

aspect esențial în procesul de stabilire a valorilor prag pentru nutrienți. Având în vedere că ambele tipuri

de variabile conțin erori inerente (Mc Ardle, 2003), conexe cu tipul discret de prelevare, metoda de

prelevare, etc. se prevede ca regresia liniară simplă prin metoda celor mai mici pătrate va subevalua

panta relației presiune-răspuns (P. Legendre și L. Legendre, 2012). Întrucât studiul investigativ al acestei

relații a plecat de la premisa generală conform căreia nutrienții reprezintă elementul de presiune ce

determină răspunsul biologic, ceea ce înseamnă cunoașterea nivelului de concentrație a nutrienților,

nivel ce influențează starea ecologică, abordarea imediat logică este a considera drept variabilă

dependentă indicele biologic, iar ca predictor concentrația de nutrienți. Pe de altă parte, obiectivul

investigativ îl constituie estimarea valorii concentrației de nutrienți care este predicționată la un anume

nivel al stării ecologice determinate de elementul de calitate biologic (în acest caz, limita între starea FB

și B și respectiv între starea B și M). În consecință, având în vedere că limitele între stările ecologice

pentru elementul biologic fitobentos sunt inter-calibrate în cadrul Exercițiului European (Kelly, 2016),

abordarea este de a considera ambele variante de stabilire a variabilei dependente și respectiv a

predictorilor, cele două ecuații de regresie din Tabelul 4.13 constituind astfel instrumentul principal de

derivare a valorilor prag pentru nutrienți.

În Tabelul 4.12 sunt prezentați parametrii regresiei liniare în care indicele biologic pICM

constituie variabila dependentă, cu mențiunea că valorile concentrațiilor de nutrienți (exprimate în µg/l)

au fost logaritmate pentru mărirea puterii de corelație. După cum se observă, în acest caz, singurul

predictor semnificativ statistic la nivelul α = 0,05 este concentrația de N Total, cu corelație negativă cu

indicele biologic (r = -0,1622) dar cu variație explicată a acestuia de doar 2,63%.

Având în vedere că relația de interdependență dintre variabilele studiate este caracterizată de

aceiași parametri, modelul de regresie simplă în care ca predictor a fost considerat indicele biologic a

fost aplicat doar în cazul concentrației de N Total ca variabilă dependentă.


Tabelul 4.12: Parametrii regresiei liniare dintre indicele biologic pICM (ca variabilă dependentă) și cele

cinci forme de nutrienți ca predictori, la nivel de semnificație α = 0,05

Predictor Coeficient de corelație (r) Coeficient de determinare

(R2)

Semnificație statistică (p)

Log[N-NH4] -0,1066 0,0114 ns (0,1037)

Log[N-NO3] -0,0127 0,0002 ns (0,8482)

Log[N Total] -0,1622 0,0263 * (0,0168)

Log[P-PO4] -0,4970 0,2470 ns (0,449)

Log[P Total] -0,0915 0,0084 ns (0,277)

Tabelul 4.13: Ecuațiile de regresie liniară simplă pentru indicatorul biologic pICM ca variabilă dependentă

(VD) și concentrația de N Total ca predictor și respectiv concentrația de N Total ca variabilă dependentă

(VD) și indicele biologic pICM ca predictor și valorile concentrațiilor de N Total derivate din cele două

ecuații

VD Ecuație de regresie Log[N Total] [N Total] (µg/l)

FB / B B / M FB / B B / M

pICM pICM = 1,2129 – 0,1278 x Log[N Total] 1,197 2,685 15,7 484,4

Log[N Total] Log[N Total] = 3,3326 – 0,2058 x pICM 3,114 3,154 1301,5 1424,1

Plecând de la cele două ecuații de regresie obținute, sunt calculate în continuare valorile prag ale

concentrațiilor de N Total ce determină stările ecologice FB, B și M și respectiv ce sunt predicționate

de valorile limită ale indicatorului pICM dintre stările ecologice menționate, pe baza valorilor pICM de

referință din Tabelul 4.11.

Pentru cazul în care pICM constituie variabila dependentă – Figura 4.25, valoarea limită dintre

stările FB și B a acestuia (1,06) ar fi predicționată la o valoare a predictorului de 1,197, respectiv o

concentrație a N Total de 15,7 µg/l (0,015 mg/L N), ceea ce reprezintă un nivel situat mult sub limitele

de cuantificare ale metodelor de analiză utilizate (SR EN

Figura 4.25: Regresie liniară simplă între indicele biologic pICM ca variabilă dependentă și concentrația

(µg/l) logaritmată a N Total ca predictor (liniile orizontale reprezintă valorile limită dintre stările ecologice

FB, B, M, S și P ale indicelui biologic)


Figura 4.26: Regresie liniară simplă între concentrația (µg/l) logaritmată a N Total ca variabilă dependentă

și indicele biologic pICM ca predictor (liniile verticale reprezintă valorile limită dintre stările ecologice FB,

B, M, S și P ale indicelui biologic)

ISO 11905-1:2003; SR EN 12260:2004), de 0,50 mg/ N și respectiv 1,00 mg/L N. Valoarea dintre stările

B și M a pICM (0,87) ar fi predicționată la o valoare a predictorului de 2,685,

respectiv o concentrație a N Total de 484,4 µg/l (0,484 mg/L N), valoare situată în afara setului de date

utilizat (valoarea minimă = 0,500 mg/L N). În consecință, valorile prag stabilite pentru concentrațiile de

N Total din ecuația de regresie în care indicatorul biologic pICM este variabila dependentă nu sunt

reflectate în distribuția reală a datelor investigate, ceea ce indică faptul că este de preferat abordarea în

care concentrația formei de nutrienți este variabila dependentă.

Astfel, în conformitate cu Figura 4.26, valoarea limită dintre stările FB și B a variabilei

predictoare (1,06) determină o valoare a variabilei dependente de 3,114, respectiv o concentrație a N

Total de 1301,5 µg/l (1,302 mg/L N), iar limita dintre stările B și M (0,87) determină o valoare a

variabilei dependente de 3,154, respectiv o concentrație a N Total de 1424,1µg/l (1,42 mg/L N). De

notat în acest caz este diferența foarte redusă dintre cele două valori prag derivate pentru concentrația

de N Total, ceea ar corespunde unei incertitudini estimate de aproximativ 8,6 %, valoare care este situată

cu mult sub nivelul incertitudinii extinse de analiză, estimate la un nivel de încredere de 95% (între 18,2

și 24,5 %). Această apropiere dintre cele două valori prag derivate este determinată de panta scăzută a

dreptei de regresie pe domeniul de valori a variabilei dependente situat între cele două valori limită ale

variabilei predictoare.

Cu rezerva variabilității foarte reduse a setului de date, explicată de modelul de regresie liniară

prezentat, se consideră valoarea de 1,42 mg/L pentru forma de nutrienți N Total ca valoare prag

candidată pentru limita între stările ecologice Bună / Moderată (B / M), în vederea susținerii

obiectivului similar determinat de elementul biologic fitobentos.

4.3.2.2. Relația presiune – răspuns prin metoda regresiei liniare multiple

Elementul biologic fitoplancton

În vederea obținerii unei imagini complexe a inter-dependențelor dintre indicatorii răspunsului

biologic la factorii de presiune exercitată de către indicatorii fizico-chimici, s-a aplicat procedeul

regresiei liniare multiple. Evidențierea acestor combinații a fost efectuată considerându-se drept

variabilă dependentă, pe rând, câte un indicator aparținând elementului de calitate biologic (Ab. b,

clorofilă ”a”, IDS, IS și INT), iar drept variabile predictoare (independente) formele de nutrienți N-NH4,


N-NO3, N Total, P-PO4 și P Total. Deși literatura de specialitate indică faptul că variabilele predictoare

incluse în modelul de regresie trebuie să fie ortogonale, respectiv să nu coreleze între ele (Popa, 2010),

apărând astfel riscul multi-coliniarității, testarea interdependențelor dintre indicatorii biologici și cei din

clasa nutrienților a fost realizată prin considerarea simultană a celor cinci forme de nutrienți, cu toate că

valorile coeficienților de corelație Pearson dintre formele corespondente ”formă dizolvată / formă

totală” pentru formele de azot și respectiv fosfor sunt de r = 0,871 pentru relația N-NO3 / N Total și de

respectiv r = 0,677 pentru relația P-PO4 / P Total indică riscul acestei coliniarități. Abordarea acestei

variante a fost susținută, pe de o parte, de faptul că bio-disponibilitatea formelor dizolvate de nutrienți

este diferită de cea a formelor totale, iar pe de altă parte, de opinii de specialitate mai nuanțate, conform

cărora efectul multi-coliniarității elementelor predictoare este supraestimat (Mason și Perreault, 1991).

În plus, așa cum s-a procedat și în cazul regresiei liniare simple, pentru investigarea relaționării dintre

elementele biologice considerate și cele fizico-chimice, au fost incluși în analiză, separat de indicatorii

formelor de nutrienți, și indicatorii formelor de oxigen, alături de temperatura apei. Rezultatele analizei

de regresie multiplă pentru indicatorii regimului de oxigen sunt prezentate în Anexă, urmând ca în

capitolul curent să fie prezentate rezultatele pentru formele de nutrienți.

În Tabelul 4.14 sunt centralizate rezultatele aplicării modelelor regresiei multiple liniare în cele

trei variante menționate, în care indicatorii biologici au constituit, pe rând, variabilele dependente (VD),

iar formele de nutrienți au fost introduse ca variabile independente. Din rezultatele obținute se observă

că valorile cele mai ridicate ale coeficientului de corelație multiplă R (multiple R) sunt obținute în cazul

indicatorului biologic Abundența bacillariophyceae, cuprinse între 0,3173 (anterograd) și 0,3440

(standard), valori apropriate pentru toate cele trei modele, ceea ce indică o putere similară de predicție.

Valori similare s-au obținut și pentru indicatorul indice număr taxoni (INT), pentru care R multiplu este

cuprins în intervalul 0,3124 (anterograd și retrograd) – 0,3168 (standard). Cele mai scăzute valori ale

lui R multiplu s-au înregistrat pentru indicele de diversitate Simpson (IDS), între 0,1639 (anterograd și

retrograd) și 0,1971 (standard). În consecință, coeficientul de determinare R2 este cea cel mare în cazul

Abundenței bacillariophyceae, dar valoarea lui indică faptul că doar între 10,07 % și 11,83 % se situează

proporția variației valorilor prezise ale indicatorului biologic determinate de variabilitatea combinată a

formelor de nutrienți. Cea mai scăzută valoare a lui R2 arată că doar 2,68 % - 3,88 % din variabilitatea

datelor IDS sunt explicate de combinația elementelor de presiune din clasa nutrienților. Din valorile

testelor F, se constată că în toate cele trei cazuri, pentru fiecare model de regresie în parte, coeficientul

de regresie multiplă este semnificativ statistic la nivelul α = 0,05, ceea ce reprezintă o indicație a faptului

că predicția pe baza modelului calculat este mai bună decât predicția aleatorie. Se observă că în cazul

clorofilei ”a”, R multiplu are aceeași valoare (0,2486) pentru cele trei modele considerate, iar pentru

indicatorii IDS și INT, modelele anterograd și retrograd duc la obținerea aceleiași variații.

Tabelul 4.14: Rezultatele sintetice ale aplicării modelelor regresiei liniare multiple (standard – S,

anterograd – F și retrograd – B) pentru indicatorii biologici ca variabile dependente și formele de nutrienți

ca variabile independente (valorile cu roșu reprezintă variabilele pentru care coeficienții de regresie sunt

statistic semnificativi la nivelul de semnificație ales α = 0,05)

V.D. Mod Multiple

- R

Multiple

- R2

Adjusted

- R2

SS -

Model

df SS -

Residual

df -

Residual

F p

Ab.B.

S 0.3440 0.1183 0.109 13783.0 5 102646.1 488 13.105 0.000

F 0.3173 0.1007 0.097 11726.4 2 104702.6 491 27.495 0.000

B 0.3380 0.1142 0.107 13306.8 4 103122.2 489 15.775 0.000

Cl. a

S 0.2486 0.0618 0.052 4107.5 5 62308.0 491 6.4735 0.000

F 0.2486 0.0618 0.052 4107.5 5 62308.0 491 6.4735 0.000

B 0.2486 0.0618 0.052 4107.5 5 62308.0 491 6.4735 0.000

IDS

S 0.1971 0.0388 0.029 0.0358 5 0.8859 492 3.9785 0.001

F 0.1639 0.0268 0.022 0.0247 2 0.8969 495 6.8324 0.001

B 0.1639 0.0268 0.022 0.0247 2 0.8969 495 6.8324 0.001

IS

S 0.3093 0.0957 0.086 0.8365 5 7.9035 492 10.415 0.000

F 0.2135 0.0455 0.043 0.3984 1 8.3416 496 23.694 0.000

B 0.2946 0.0868 0.081 0.7587 3 7.9814 494 15.653 0.000

INT

S 0.3168 0.1003 0.091 2576.2 5 23092. 518 11.552 0.000

F 0.3124 0.0976 0.090 2505.3 4 23163. 519 14.033 0.000

B 0.3124 0.0976 0.090 2505.3 4 23163. 519 14.033 0.000


După cum am menționat, pentru indicatorul biologic clorofilă ”a”, cele trei modele rețin toți cei

cinci predictori considerați, combinația simultană a acestora explicând 6,18 % din variabilitatea datelor

de clorofilă ”a” (Tabelele 5.28-A – 5.30-A).

Pe baza contribuției semnificative a formelor de nutrienți la predicția valorilor indicatorilor

biologici considerați drept variabilă dependentă, în Tabelul 4.15 sunt pr ezentate ecuațiile de regresie

liniară multiplă pentru indicatorii biologici ca variabile dependente și formele de nutrienți a căror

contribuție este semnificativă statistic (întrucât se observă că cele mai ridicate valori ale proporțiilor de

variabilitate a indicatorilor biologici ce sunt explicate de modelul de regresie au fost obținute în cazul

modelului de regresie standard, sunt prezentate doar ecuațiile corespunzătoare acestui model).

Tabelul 4.15: Ecuațiile de regresie liniară multiplă pentru indicatorii biologici ca variabile dependente (VD)

și formele de nutrienți ca variabile independente

VD Ecuație de regresie

AB. b. "Ab,b," = 57,057-20,697 x "N-NH4"+ 79,346 x "P-PO4"-39,401 x "P Total" Clorofilă ”a” "Clorofila a" = 9,171 + 10,476 x "N-NH4" + 13,400 x "N-NO3" - 9,780 x "N Total" - 82,349 x

"P-PO4" +34,175 x "P Total" IDS "IDS" = 0,922 - 0,046 x "N-NH4" - 0,031 x "N-NO3" IS "IS" = 2,1 - 0,147 x "N-NO3" + 0,142 x "N Total" + 0,581 x "P Total" INT "INT" = 15,921 - 13,819 x "N-NH4" - 7,560 x "N-NO3" + 7,980 x "N Total" + 45,958 x "P-

PO4"

Rezultatele arată că doar în cazul variabilei dependente clorofilă ”a”, toate cele cinci forme de

nutrienți au constituit predictori reținuți în model (), contribuțiile cele mai puternice aparținând

azotaților, orto-fosfaților și azotului total. Pentru ceilalți indicatori biologici, modelul de regresie liniară

multiplă reține între două (cazul indicelui de diversitate Simpson – IDS) și patru forme de nutrienți

(cazul indicelui numărului de taxoni – INT).

Plecând de la modelul regresiei multiple, s-a testat posibilitatea de derivare a valorilor limită

pentru formele de nutrienți, utilizând procedura de trasare a profilului răspunsului predicționat, altfel

spus prin optimizarea răspunsului (Derringer și Suich, 1980). Astfel, răspunsul observat al variabilei

dependente poate fi introdus într-o ecuație de regresie separată, având aceeași termeni, dar coeficienți

diferiți de ai ecuației inițiale. Odată ce această nouă ecuație este enunțată, valorile predicționate ale

variabilei dependente pot fi prelucrate în oricare combinație a nivelurilor variabilelor predictoare, pe

baza așa numitei funcții de dezirabilitate, obținându-se profilul de predicție. Acest profil constă într-o

serie de grafice, câte unul pentru fiecare variabilă independentă, ale valorilor predicționate ale variabilei

dependente la diferite niveluri ale unui predictor, menținând constante nivelurile celorlalți predictori.

Prin analiza profilului de predicție ale variabilei dependente, se poate spune care niveluri ale variabilei

predictoare produc cel mai ”dezirabil” răspuns al variabilei dependente.

(http://documentation.statsoft.com/STATISTICAHelp.aspx?path=Experimental/Doe/SpecialTopics/Sp

ecialTopicsProfilingPredictedResponsesandResponseDesirability).

Trasarea profilului de predicție începe cu stabilirea funcției de dezirabilitate pentru variabila

dependentă. Domeniul de variație al funcției este cuprins între valoarea 0,0 (nivelul cel mai puțin

dezirabil) și valoarea 1,0 (nivelul cel mai dezirabil), trecând prin nivelul mediu de 0,5. Într-o primă etapă

de prelucrare, profilul de predicție este trasat pentru cele trei niveluri ale funcției de dezirabilitate

menționate (varianta ”medie / mean”, în care funcția de dezirabilitate are valoarea medie de 0,5), iar în

cea de-a doua, modelul de regresie identifică nivelul optim al funcției, astfel încât să se obțină o valoare

optimizată a răspunsului variabilei dependente (varianta ”optimum”) (Derringer și Suich, 1980).

Pentru indicatorii biologici a căror creștere a nivelului numeric duce la deteriorarea stării

ecologice (clorofilă ”a” și indice saprob), valorile funcției de dezirabilitate sunt stabilite în sens invers

de ale celor a căror creștere determină o stare ecologică superioară (abundența bacillariophyceae, indice

de diversitate Simpson și indice număr taxoni). Prin urmare, funcției de dezirabilitate i se atribuie

valorile din Tabelul 4.16, această atribuire efectuându-se pe baza valorilor prag prevăzute în

metodologia de evaluare a stării ecologice pentru elementul de calitate fitoplancton – sistemul râuri,

categoriile tipologice RO12, RO13, RO14 și RO15 (HG 80/2011). Cele trei niveluri ale variabilei

dependente corespunzătoare celor trei valori ale funcției de dezirabilitate sunt cele care definesc primele

trei stări ecologice pentru sistemul râuri, respectiv starea ”foarte bună – FB”, ”bună – B” și ”moderată

– M”, acestea fiind cele trei stări pentru care este necesară derivarea valorilor limită pentru elementele

http://documentation.statsoft.com/STATISTICAHelp.aspx?path=Experimental/Doe/SpecialTopics/SpecialTopicsProfilingPredictedResponsesandResponseDesirability

http://documentation.statsoft.com/STATISTICAHelp.aspx?path=Experimental/Doe/SpecialTopics/SpecialTopicsProfilingPredictedResponsesandResponseDesirability


fizico-chimice de calitate, cu excepția clorofilei ”a”. În capitolul de față se analizează profilul de

predicție pentru variabila dependentă clorofilă „a”, rezultatele obținute pentru restul indicatorilor

biologici regăsindu-se în Anexă.

Tabelul 4.16: Specificațiile funcției de dezirabilitate pentru profilurile de predicție ale indicatorilor biologici

(variabile dependente) stabilite pe baza valorilor-prag prevăzute în metodologia de evaluare a stării

ecologice pentru elementul de calitate fitoplancton – sistemul râuri (HG 80/2011)

Indicator biologic Minim Mediu Maxim

Ab. b. (%)

Dezirabilitate

72 90 100

0,00 0,50 1,00

Clorofila ”a” (µg/l)2

Dezirabilitate

9,00 16,00 28,00

1,00 0,50 0,00

IDS

Dezirabilitate

0,37 0,71 0,85

0,00 0,50 1,00

IS

Dezirabilitate

2,30 2,50 2,70

1,00 0,50 0,00

INT

Dezirabilitate

5 8 10

0,00 0,50 1,00

Pe baza specificațiilor funcției de dezirabilitate pentru clorofilă ”a”, în varianta ”optimum”, se

caută acele niveluri ale factorilor predictori care produc nivelul ”optim” al variabilei dependente, la

nivelul ”optim” al funcției de dezirabilitate. Astfel, din Figura 4.27 se constată că valoarea optimă a

variabilei dependente este 8,32 µg/l, cu un interval de încredere cuprins între 5,36 și 11,28 µg/l, nivel la

care se observă următoarele: indicatorul N-NH4 prezintă același nivel de concentrație obținut în varianta

anterioară, de 0,085 mg/L N-NH4, iar indicatorii N-NO3 și P Total prezintă un comportament ”inert”,

aceștia producând dezirabilitate optimă până la concentrațiile de 1,79 mg/L N-NO3 și 0,188 mg/L P. În

cazul indicatorilor cu contribuție negativă – N Total și P-PO4, valoarea optimă a funcției de dezirabilitate

poate ”relaxa” concentrațiile de nutrienți până la valorile de 2,39 mg/L N și respectiv 0,106 mg/L P-

PO4.

Figura 4.27: Profilul de predicție al clorofilei ”a” pentru valoarea optimă a funcției de predicție

(”optimum”). Liniile albastre marchează limitele intervalului de încredere de 95%

2 Pentru indicatorul biologic clorofilă ”a”, valorile prag de 9,00; 16,00 și 28,00 µg/l sunt corespunzătoare stărilor ecologice moderată, slabă și proastă, pentru stările foarte bună și bună stabilindu-se aceeași valoare prag, de 9,00 µg/l (HG 80/2011).


Pentru obținerea unei imagini mai cuprinzătoare privind dezirabilitatea răspunsului în condițiile

diferitelor niveluri de combinare a perechilor de variabile predictoare, când restul acestora sunt

constante, în Figura 4.28 este reprezentată suprafața, respectiv contururile funcției de dezirabilitate

pentru varianta ”optimum”, în care fiecare regiune din planul bidimensional reprezintă nivelul funcției

de dezirabilitate pentru variabila dependentă clorofila ”a” produs de combinațiile diferite ale

concentrațiilor perechilor formelor de nutrienți. Și din această reprezentare grafică se remarcă

menținerea valorii de 1,00 a dezirabilității până la concentrații ale azotaților de aproximativ 1,80 mg/L

N-NO3, dar în condițiile în care concentrația de amoniu nu poate depăși aproximativ 0,09 mg/L N-NH4.

(graficul 1a din Figura 4.28). Aceeași limitare la valoarea 0,09 mg/L N-NH4 se observă și în cazul

perechii P Total – N-NH4 (graficul 4a). În cazul perechii N-NO3 – N Total, valoarea dezirabilității începe

să scadă la concentrații de azotați peste nivelul 1,00 mg/L N (graficul 2b), confirmând pragul de 1,06

mg/L N-NO3 obținut în cazul variantei de lucru ”medie / mean”. Comportament similar al azotaților

apare și în relația cu orto-fosfații, valoarea dezirabilității începând să scadă atunci când concentrația de

azotați crește peste 1,00 mg/L (graficul 3b). În ceea ce privește forma de N Total, se observă că valoarea

dezirabilității scade sub concentrația de 2,40 mg/L (graficele 2a și 3c). Se remarcă și ”inerția” conjugată

a formelor N-NO3 și P Total (graficul 4b), creșterea concentrațiilor acestora neproducând nici o scădere

a funcției de dezirabilitate sub valoarea 1,00. Pentru perechea N Total – P Total, se observă că elementul

restrictiv este forma N Total, valoarea dezirabilității scăzând la concentrații mai mici de 2,40 mg/L N

(graficul 4c).

Inconsistențele valorilor obținute prin metoda răspunsului optimizat, respectiv caracterul limitativ

al azotaților în relația azotul total și orto-fosfații și, pe de altă parte, comportamentul ”inert” al azotaților

în relația cu P Total, ar putea fi explicate de următoarele particularități ale setului de date studiat și al

ipotezelor de lucru: procentul foarte mic al variabilității setului de date în raport cu modelul de

regresie liniară multiplă, potențiala influență exercitată de alți factori fizico-chimici asupra

clorofilei ”a”, care nu au fost investigați aici.

Pe baza profilurilor de predicție ale funcției de dezirabilitate pentru variabila dependentă clorofilă

”a”, în Tabelul 4.17 se propun valorile prag pentru variabilele independente (nutrienți).

Tabelul 4.17: Valori prag propuse pentru formele de nutrienți baza profilurilor de predicție obținute în

variantele ” medie / mean” și respectiv ”optimum” ale funcției de dezirabilitate pentru variabila dependentă

clorofilă ”a”

Nutrienți Varianta ”mean” Varianta ”optimum”

N-NH4 (mg/L N) 0,085 0,085

N-NO3 (mg/L N) 1,06 1,79

N Total (mg/L N) 1,54 2,39

P-PO4 (mg/L P) 0,045 0,106

P Total (mg/L P) 0,086 0,188

Elementul biologic fitobentos

Modelul regresiei multiple testat pentru elementul biologic fitobentos a fost aplicat plecând de la

rezultatele Raportului Kelly (2016), considerând ca variabilă dependentă indicele pICM, iar ca variabile

independente (predictoare) formele de nutrienți N-NH4, N-NO3, N Total, P-PO4 și P Total. Similar cu

elementul fitoplancton, au fost utilizate cele trei modele de regresie: standard (S), anterograd (F) și

retrograd (B).

În Tabelul 4.18 sunt centralizate rezultatele aplicării modelelor regresiei multiple liniare în cele

trei variante menționate. Din rezultatele obținute se observă că valoarea cea mai ridicată a coeficientului

de corelație multiplă R (multiple R) este obținută în cazul modelului standard (0,4428), dar valori

apropriate de aceasta au fost obținute și la modelele anterograd și retrograd, ceea ce indică o putere

similară de predicție.


Tabelul 4.18: Rezultatele sintetice ale aplicării modelelor regresiei liniare multiple (standard – S,

anterograd – F și retrograd – B) pentru indicele pICM ca variabilă dependentă și formele de nutrienți ca

variabile independente (valorile cu roșu reprezintă variabilele pentru care coeficienții de regresie sunt

statistic semnificativi la nivelul de semnificație ales α = 0,05)

Figura 4.28: Suprafața și conturul determinat de variația funcției de dezirabilitate pentru variabila

dependentă clorofilă ”a” la diferite combinații ale perechilor de predictori (formele de nutrienți) – varianta

”optimum”

Valoarea coeficientului de determinare R2 indică faptul că 19,6 % din variabilitatea valorilor

pICM este explicată de combinația elementelor de presiune din clasa nutrienților. Din valorile testelor

F, se constată că în toate cele trei cazuri, pentru fiecare model de regresie în parte, coeficientul de

regresie multiplă este semnificativ statistic la nivelul α = 0,05, ceea ce reprezintă o indicație a faptului

că predicția pe baza modelului calculat este mai bună decât predicția aleatorie.

Pe baza evaluării semnificației statistice a contribuției predictorilor considerați la predicția

variabilei dependente pentru cele trei modele testate, aceasta este diferită, în funcție de modelul de

regresie considerat: modelul standard indică semnificație statistică pentru cele trei forme de nutrienți

pe bază de azot și pentru P Total, iar modelele anterograd și retrograd păstrează în ecuația de regresie,

la pasul 4 și respectiv 3, formele de nutrienți pe bază de azot N-NH4, N Total și N-NO3 (Tabelele 5.42-

A și 5.42-B).

Pe baza contribuției semnificative a formelor de nutrienți la predicția valorilor indicelui biologic

pICM considerat drept variabilă dependentă, în Relația 1 este prezentată ecuația de regresie liniară

multiplă (cazul modelului de regresie standard):

pICM = 0,8093 + 0,3357 x 10-3 x ”P Total” + 0,4004 x 10-3 x ”NNH4” + 0,2142 x 10-3 x ”NNO3” -

0,1898 x 10-3 x ”N Total” Relația 1

V.D. Mod Multiple

- R

Multiple

- R2

Adjusted

- R2

SS -

Model

df SS -

Residual

df -

Residual

F p

pICM

S 0.4428 0.1960 0.1649 0.370 5 1.5205 129 6.293 0.000029

F 0.4104 0.1684 0.1494 0.318 3 1.5728 131 8.846 0.000022

B 0.4104 0.1684 0.1494 0.318 3 1.5728 131 8.846 0.000022


Similar cu elementul biologic anterior, plecând de la modelul regresiei multiple, în continuare s-

a testat posibilitatea de stabilire a valorilor limită pentru formele de nutrienți, utilizând procedura de

trasare a profilului răspunsului predicționat. Prin urmare, funcției de dezirabilitate i se atribuie valoarea

minimă de 0,00 corespunzătoare valorii limită a pICM de 0,87 (dintre stările ecologice B / M), valoarea

maximă de 1,00 corespunzătoare valorii limită a pICM de 1,06 (dintre stările ecologice FB/B) și

respectiv valoarea medie de 0,50 corespunzând mediei de 0,96 a celor două valori limită de mai sus.

Pe baza specificațiilor funcției de dezirabilitate pentru variabila dependentă pICM, în varianta

”optimum”, la nivelul ”optim” al funcției de dezirabilitate, de 1,00, modelul calculează valoarea de 1,08

pentru variabila dependentă pICM. Astfel, din Figura 4.29 și respectiv Tabelul 5.45-A, se constată că,

pentru predictorii cu variație ”atipică” față de variabila dependentă (cu contribuție pozitivă), modelul

identifică nivelurile de concentrație de 0,258 mg/L pentru P Total, 0,242 pentru N-NH4 și respectiv

1,84 mg/L pentru N-NO3, valori sub care funcția de dezirabilitate ia valori descrescătoare. Pentru

N Total, este calculată aceeași valoare a concentrației, de 1,49 mg/L, peste care apare scăderea

dezirabilității sub valoarea optimă de 1,00. Se observă astfel că ambele variante de prelucrare

identifică aceleași niveluri de concentrație ale formelor de nutrienți N-NO3 și N Total, dar valoarea

concentrației de azot total, mai mică decât cea a azotaților, devine factor restrictiv în stabilirea

valorilor prag ale formelor de nutrienți ce determină starea ecologică evaluată pe baza indicelui

caracteristic elementului de calitate biologic fitobentos.

Similar cu elementul biologic fitoplancton, pentru obținerea unei imagini mai cuprinzătoare

privind dezirabilitatea răspunsului indicelui pICM în condițiile diferitelor niveluri de combinare a

perechilor de variabile predictoare, când restul acestora sunt constante, în Figura 4.30 este reprezentată

suprafața, respectiv contururile funcției de dezirabilitate pentru varianta ”optimum”, în care fiecare

regiune din planul bidimensional reprezintă nivelul funcției de dezirabilitate pentru variabila dependentă

pICM produs de combinațiile diferite ale concentrațiilor perechilor formelor de nutrienți.

Figura 4.29: Profilul de predicție al indicelui pICM pentru valoarea optimă a funcției de predicție

(”optimum”). Liniile albastre marchează limitele intervalului de încredere de 95%

Și din această reprezentare grafică se remarcă scăderea valorii funcției de dezirabilitate la

concentrații ale P Total sub 0,258 mg/L P (graficele 1a, 2b, 3b și 4b). Același profil de variație a

dezirabilității este observat și în cazul în care concentrațiile de N-NH4 și N-NO3 ar scădea sub nivelurile

de 0,242 (graficele 2a, 2b, 3c și 4b) și respectiv 1,84 mg/L N (graficele 3a, 3b, 3c și 4d). Aceeași limitare

la valoarea de 1,49 mg/L N se observă în cazul N Total (graficele 4a, 4b și 4c). În cazul perechii N-NO3

– N Total (graficul 4d), valoarea dezirabilității începe să scadă la concentrații de azotați sub nivelul 1,84

mg/L N, dar este restricționată de concentrațiile de N Total de peste 1,49 mg/L.


Figura 4.30: Suprafața și conturul determinat de variația funcției de dezirabilitate pentru variabila

dependentă pICM la diferite combinații ale perechilor de predictori (formele de nutrienți) – varianta

”optimum”

Având în vedere că formele P Total, N-NH4 și N-NO3 au contribuție pozitivă în model, atipică

pentru dinamica stării ecologice (creșterea concentrațiilor de nutrienți determinând îmbunătățirea stării

ecologice), se propune valoarea concentrației de 1,50 mg/L pentru indicatorul N Total ca valoare

prag pentru delimitarea stărilor ecologice B / M, în vederea asigurării stării ecologice ”bună”

pentru elementul de calitate biologic fitobentos.

Pe baza modelelor de regresie prezentate – simplă și multiplă, se poate afirma că derivarea de

valori prag pentru nutrienți, valori care să determine stările ecologice ”foarte bună”, ”bună” și

”moderată” din perspectiva cerințelor de Directivei Cadru Apă și care să susțină ”funcționarea

ecosistemului” necesită existența unei relații cauzale între presiune (concentrația de nutrienți) și răspuns

(elementele de calitate biologice), relație care să fie descriptibilă în termeni statistici. În plus,

variabilitatea complexă existentă în dinamica funcțiilor ce determină comportamentul elementelor de

presiune și respectiv răspuns fac ca rolul partenerilor din relația cauzală să fie schimbat. După cum reiese

din capitolul de față, în cazul setului de date investigat, aparținând corpurilor de apă de pe tronsonul

inferior al fluviului Dunărea, puterea relației nutrienți – elemente biologice (în speță fitoplancton și

fitobentos) este valoric redusă, ceea ce a produs dificultăți critice în procesul de derivare de valori prag

pentru factorii de presiune. Deși rezultate similare privind corelația slabă dintre variabilele menționate

sunt frecvente în literatura de specialitate (Robertson și colab., 2008; TSD, 2012; Phillips şi Pitt, 2015;

Phillips, 2016; Kelly, 2016), această inter-cauzalitate transpusă în elementele descriptive ale unei

regresii a constituit premisa de bază în obținerea rezultatului proiectat. Prin urmare, pentru valorile prag

ale nutrienților pe bază de azot și fosfor, sunt propuse concentrațiile prezentate în Tabelul 4.19. Se

menționează, totuși, că valorile propuse necesită un proces de validare în perspectiva elaborării și

intercalibrării la nivel european a unui indice multimetric specific râurilor foarte mari.

Tabelul 4.19: Valori prag propuse pentru nutrienții pe bază de azot și fosfor, pe baza rezultatelor obținute

din regresiile liniare (simple și multiple) cu elementele biologice fitoplancton și fitobentos

Nutrienți Fitoplancton (B / M) Fitobentos (B / M)

N-NH4 (mg/L N) 0,085

N-NO3 (mg/L N) 1,00 – 1,80 -

N Total (mg/L N) 1,55 – 2,40 1,50

P-PO4 (mg/L P) 0,045 – 0,105 -

P Total (mg/L P) 0,085 – 0,190


În vederea susținerii valorilor propuse, s-a comparat setul de valori obținut cu cele conținute în

cadrul Ghidului de Bune Practici privind stabilirea concentrațiilor de nutrienți pentru susținerea stării

ecologice bune, ghid transmis Grupului de Experți pe problematica Nutrienților (Phillips și colab.,

2017), pentru consultare. Documentul de lucru propune aplicarea diferențiată a trei modele de regresie

(simplă, de cuantile și categorizată), iar valorile rezultate din testarea acestor modele, pentru categoria

râuri foarte mari, sunt prezentate în Tabelul 4.20. După cum se observă, deși coeficientul de determinare

R2 din setul de date corespunzător râurilor foarte mari de la nivel european este cel puțin cu un ordin de

mărime superior celui obținut pentru setul de date investigat, valorile prag propuse se regăsesc, cu un

ridicat grad de similaritate, în rezultatele preliminare ale aplicării ghidului menționat.

Tabelul 4.20: Domenii de variație a concentrațiilor de nutrienți stabilite pe baza aplicării Ghidului de Bune

Practici privind stabilirea concentrațiilor de nutrienți pentru susținerea stării ecologice bune – draft pentru

Grupul de Experți pe problematica Nutrienților (Phillips și colab, 2017)

Tip extins

(european)

R2 Metric B /M

P-PO4 (mg/L)

FB / B

P-PO4 (mg/L)

Râuri foarte mari

(toată Europa)

Interval

predicționat

Interval posibil Interval

predicționat

Interval posibil

0,357 Fitobentos 0,040 – 0,056 0,027 – 0,117 0,016 – 0,039 0,008 – 0,039

B / M

N Total (mg/L)

FB / B

N Total (mg/L)

Interval

predicționat

Interval posibil Interval

predicționat

Interval posibil

0,236 Fitobentos 1,6 – 2,5 1,1 – 3,3 0,5 – 1,0 0,2 – 1,4

4.4. Direcții viitoare de cercetare

Metoda rețelei neuronale (metoda baesiană)

În vederea identificării mai detaliate a inter-relaționării dintre indicatorii elementelor biologice

investigate (fitoplancton și fitobentos) și unii indicatori fizico-chimici, s-a utilizat și modelul

probabilistic cunoscut sub numele de model baesian. Literatura de specialitate recomandă acest tip de

model ca fiind unul dintre cele mai complexe instrumente de descriere și cuantificare a relațiilor dintre

presiunile exercitate de gradientul elementelor chimice și răspunsul biologic (Clark, 2005; Gelman et

al., 2005; Lyche-Solheim, 2006; Malve, 2006; Moe, 2007). Modelele baesiene au la bază și

predicționează distribuții probabilistice și încorporează ”incertitudinea” sistemului analizat într-un mod

mai explicit decât o fac metodele statistice ”clasice” (Moe, 2007).

De aceea, utilizarea acestei metode s-a dovedit de succes în derularea pachetelor de lucru specifice

ale proiectului REBECCA (2007), în cadrul căruia a fost estimată concentrația țintă pentru indicatorul

P Total în vederea atingerii stării ecologice bune a corpurilor de apă din categoria lacurilor, în funcție

de relația acestui nutrient cu clorofila ”a” (REBECCA, WP3 – Lakes). Totdeodată, în cadrul aceluiași

proiect, pe baza acestui tip de model, a fost evaluată starea ecologică a lacurilor conform cerințelor DCA

(2000), utilizând informații furnizate de patru elemente biologice diferite și principiul ”unul, afară –

toate, afară” (Moe, 2007). Ideea centrală a modelului baesian constă în posibilitatea de cuprindere

comprehensivă a variabilității și incertitudinii, iar distincția dintre ele poate constitui un suport în a

prevedea ceea ce este ”predictibil”, ceea ce este inerent ”nepredictibil” și unde unele date suplimentare

pot oferi cele mai multe beneficii (Clark, 2005).

În capitolul de față, s-a utilizat tipul de model BBN (Baesian Belief Net), care constă într-o rețea

formată din noduri și arce, nodurile fiind reprezentate de variabilele a căror relație este investigată, iar

arcele sunt reprezentate de relațiile cauzale dintre acestea (sensul de cauzalitate este de la variabila

independentă ce constituie nodul ”părinte” către variabila dependentă ce constituie nodul ”fiică”). BBN

oferă un mod de descriere complexă a raționamentului probabilistic: avantajul de a descrie un argument

probabilistic printr-un model de tip BBN, comparativ cu descrierea lui prin formule matematice clasice,

este că BBN reprezintă structura argumentului într-un format intuitiv, grafic. Utilizarea principală a

BBN-urilor este în situații care necesită inferență statistică – pe lângă declarațiile despre probabilitățile

evenimentelor, utilizatorului i se permite să cunoască unele evenimente care au fost observate de fapt și

dorește să deducă probabilitatea altor evenimente, care nu au fost încă observate, pe baza relațiilor


cauzale dintre variabilele implicate. Folosind calculul probabilității, este posibilă actualizarea valorile

tuturor celorlalte probabilități în BBN, prin procedeul numit propagare (https://www.eecs.qmul.ac.uk).

Investigarea relației presiune-răspuns pentru indicatorii din grupa elementului biologic

fitoplancton și unii indicatori fizico-chimici este prezentată prin intermediul rețelei de tip BBN. Pentru

că funcționarea ecosistemului se află sub presiunea a mai multor indicatori fizico-chimici decât grupa

nutrienților, în grupul elementelor de presiune au fost incluși și indicatori fizici - temperatura apei (t

apă) și indicatori chimici din grupa regimului de oxigen: oxigen dizolvat în termeni de concentrație

(ODC), consum biochimic de oxigen la 5 zile (CBO5) și consum chimic de oxigen prin metoda cu

oxidării cu K2Cr2O7 (CCO-Cr). Din grupa nutrienților, au fost selecționate formele totale de azot și

fosfor (NT și PT). Construirea rețelei BBN a fost efectuată astfel:

- pentru nodurile constituite de variabilele fizico-chimice, domeniul de variație a

concentrațiilor este împărțit în trei intervale, astfel încât fiecare interval de concentrații să cuprindă

proporții aproximativ egale de valori (%). De exemplu, pentru indicatorul N Total, 32,74 % dintre

valorile setului de date primare se află cuprinse în intervalul de concentrație LOQ – 1,32 mg/L N,

33,17% se află în intervalul 1,32 – 1,65 mg/L N, iar restul de 34,09 % se află în intervalul 1,65 – 7,00

mg/L N. Numărul intervalelor (3) a fost determinat de numărul stărilor ecologice pentru care trebuie

derivate valori prag pentru elementele fizico-chimice de calitate;

- pentru nodurile constituite de variabilele biologice, domeniul de variație a acestora a

fost împărțit în cinci intervale, astfel încât fiecare interval să cuprindă proporții (%) aproximativ egale

de valori. În acest caz, numărul intervalelor (5) a fost dat de numărul stărilor ecologice determinate de

evaluarea elementelor biologice de calitate.

5. CONCLUZII

Obiectivul 1: Caracterizarea profilului spațial al concentrațiilor de nutrienți din secțiunile rețelei

de monitoring de pe cursul principal al Dunării.

Caracterizarea longitudinală a concentrațiilor de nutrienți, realizată prin intermediul tehnicii

statistice univariate, a scos în evidență următoarele:

- mărimile descriptive ale indicatorilor N-NH4 și N-NO2 au prezentat profiluri crescătoare din

tronsonul superior către cel mijlociu și respectiv inferior al Dunării, distribuția spațială a valorilor

percentilei P90 reliefând pregnant creșterea din amonte în aval. Acest profil crescător al concentrațiilor

de azot amoniacal și azotiți poate fi explicat pe de o parte, de influența surselor punctiforme asupra

cursului de apă în sensul existenței unui grad ridicat de operare a treptelor secundară și terțiară de epurare

a apelor uzate orășenești din țările riverane de pe tronsonul superior față de cel existent pe tronsoanele

mijlociu și inferior;

- în contrast cu formele menționate, mărimile statistice aferente concentrațiilor de N-NO3 prezintă

un profil descrescător din amonte în aval. În cazul azotaților, efectul descrescător al concentrațiilor de-

a lungul întregului curs al Dunării poate fi direct legat de emisiile din sursele difuze, determinate de

eroziunea de pe maluri cu pantă înaltă și aplicarea intensivă a fertilizanților agricoli pe bază de azotați

emisii cu caracter mult mai pronunțat în zona superioară a fluviului față de tronsonul inferior;

- având în vedere că ponderea majoritară a concentrației de N Total este dată de azotați, profilul

spațial al valorilor concentrațiilor pentru N Total prezintă un grad ridicat de similaritate cu cel al azotului

din azotați. De altfel, acest profil de variație este caracteristic consecințelor procesului de denitrificare

ce are loc în sectorul PF1, confirmat de alte numeroase studii și proiecte investigative;

- în plus față de cele menționate în cazul azotaților, profilul mai scăzut al concentrațiilor de N

total de pe tronsonul inferior este confirmat de rezultatele aplicării modelului MONERIS, de estimare a

emisiilor de nutrienți la nivelul districtului Dunării. Astfel, pe baza modelului, s-a estimat că, începând

cu anii ’90, poluarea cu azot a fost cu aproximativ 23% mai redusă față de anii ’80, acest fapt fiind

datorat, în principal, reducerii gradului de utilizare a terenului prin practicarea agriculturii intensive,

poluare provocată de surplusul de azot din zonele agricole. Astfel, în ultimele decenii, acest surplus de

azot a scăzut considerabil, în special în țările de pe tronsonul mijlociu și inferior al Dunării;

- profilul spațial al concentrațiilor de P-PO4 și P Total este contrar celui observat pentru azotați,

respectiv s-a remarcat o creștere a concentrațiilor din amonte în aval. Această variație spațială este

determinată, de utilizarea diverselor tipuri de detergenți ce nu conțin fosfor și de operarea eficientă a

stațiilor orășenești cu treaptă terțiară de epurare din țările riverane situate pe tronsonul superior, față de

situația contrară existentă în țările situate pe tronsonul mijlociu și inferior al fluviului;

https://www.eecs.qmul.ac.uk/

47 CONCLUZII

- aplicarea tehnicilor statistice multivariate asupra setului de valori ale percentilei P90 pentru

formele de nutrienți investigate (cu excepția azotiților) a condus la următoarele rezultate:

o Analiza Componentelor Principale (ACP) a extras doi factori cu valoare de încărcare supraunitară,

responsabili de o varianță cumulată a datelor primare de 81,12%;

o structura rezultată din analiza ACP a făcut obiectul analizei factoriale (AF) cu rotația spațiului

prin metoda varimax raw în vederea determinării încărcării factorilor cu variabilele investigate,

determinând extracția a doi factori: ”factorul azot”, ce explică variabilitatea setului de date în

proporție de 40,7 %, este pozitiv încărcat cu variabila N-NH4 (0,896) și negativ cu celelalte două

forme de N, respectiv cu NNO3 (-0,736) și N Total (-0,788); ”factorul fosfor” explică în proporție

de 40,4%) variabilitatea datelor și este pozitiv încărcat cu P-PO4 (0,936) și respectiv cu P Total

(0,849);

o în vederea identificării unor tipare spațiale în care secțiunile de monitoring să fie grupate în

funcție de variabilitatea spațială, pe baza celor doi factori extrași prin AF, s-a efectuat analiza

de cluster (AC) prin metoda aglomerării ierarhice (HCA), care a dus la identificarea a 4 clustere

pentru factorul azot și 3 clustere pentru factorul fosfor. În structura astfel formată, secțiunile de

monitoring românești au fost grupate în 2 clustere distincte pentru formele de azot: primul a inclus

secțiunile din amonte și aval de acumularea Porțile de Fier I, respectiv Baziaș, Gruia și Pristol,

grupare determinată de efectul de denitrificare din arealul menționat, al doilea cluster incluzând

celelalte cinci secțiuni de monitoring aflate pe tronsonul românesc (Chiciu, Reni, Vâlcov, Sulina

și Sf. Gheorghe); relativ similar cu formele de azot, nutrienții pe bază de fosfor au determinat

includerea secțiunilor Baziaș și Pristol într-un cluster distinct de cel în care sunt grupate restul

celor cinci secțiuni românești;

o în vederea confirmării grupelor de secțiuni de monitoring identificate prin intermediul

analizei de cluster și pentru a determina care dintre indicatorii formelor de nutrienți este cel

mai bun discriminator între grupele spațiale formate, a fost efectuată analiza de discriminare

(AD) ce a utilizat clusterele identificate anterior ca variabile dependente, iar indicatorii formelor

de nutrienți ca variabile independente, ducând la următoarele rezultate: pentru formele de azot,

variabila N-NH4 a fost exclusă din analiza discriminantă, având coeficientul Partial Wilks'

Lambda de 0,888 (> 0,75) și valoarea p de 0,3376 (>0,05). Celelalte două variabile, azotații și

azotul total, au prezentat putere de discriminare semnificativă (p<10-5), cel mai bun clasificator

fiind N Total. Conform valorilor ridicate ale toleranței, cele două variabile nu au fost redundante

în gruparea pe clusterele spațiale. Totodată, în conformitate cu matricea corectitudinii clasificării,

s-a constatat că, pe baza celor două variabile cu putere de discriminare semnificativă N-NO3 și N

Total, cele 34 de secțiuni de monitoring au fost încadrate în cele 4 clustere spațiale cu o

corectitudine de 100,0%. Pentru formele de nutrienți pe bază de fosfor, valorile Partial Wilks'

Lambda au arătat că cele două variabile au putere de discriminare semnificativă (p<10-5), cel mai

bun clasificator fiind P Total. De asemenea, valorile toleranței au indicat faptul că cele două

variabile nu sunt redundante în gruparea pe clusterele spațiale testate. Din rezultatele obținute la

matricea corectitudinii de clasificare, s-a constatat că, pe baza formelor de fosfor, cele 42 de

secțiuni de monitoring au fost încadrate în cele 4 clustere spațiale cu o corectitudine totală de

97,6%.

Concluzia generală a obiectivului 1 este că aplicarea tehnicilor statistice multivariate

reprezintă un instrument util și pragmatic de proiecție a strategiilor de monitoring, contribuind

astfel la reducerea setului de indicatori prin evidențierea redundanței informaționale și prin

prognozarea unei reprezentări noi, determinată de formarea unui număr redus, de noi variabile,

necorelate, fără ca informația furnizată să sufere alterări de conținut sau cauzalitate. Totodată,

analiza de cluster și analiza de discriminare contribuie la optimizarea rețelei de monitoring, prin

reducerea numărului de secțiuni pe baza înaltei omogenități din interiorul unui cluster și a

eterogenității între clustere, noile structuri spațiale formate păstrând integralitatea informației

furnizate de rețeaua inițială, dar, în acest mod, informația este obținută cu un cost semnificativ

redus. În plus, pe baza reprezentării scorurilor spațiale furnizate de componentele principale,

într-o rețea de secțiuni de monitoring extinsă sunt identificate potențialele surse de poluare sau

”hot-spoturi”.


Obiectivul 2: Caracterizarea dinamicii temporale a concentrațiilor de nutrienți de pe tronsonul

inferior al Dunării.

Dinamica temporală a concentrațiilor de nutrienți a fost studiată aplicând metoda analizei

tendinței monotone prin aplicarea testelor parametrice (corelație Pearson dintre concentrație

logaritmată ca variabila dependentă și numărul de zile din perioada considerată ca variabilă

independentă) și non-parametrice (corelație Spearman și testul Mann-Kendall aplicate asupra celor două

variabile menționate și asupra rezidualilor din regresia de tip LOWESS).

Testele efectuate au avut în vedere două situații distincte: prima, în care testele s-au realizat

asupra valorilor de concentrație fără a lua în calcul influența debitului cursului de apă în secțiunea și la

data prelevării și, respectiv a doua situație, în care testele statistice au inclus debitul ca a doua variabilă

independentă, alături de variabila timp (numărul de zile).

Având în vedere periodicitatea de prelevare lunară și că nivelurile concentrațiilor majorității

speciilor chimice prezente în masa apei sunt caracterizate de variații sezoniere semnificative, cauzate de

fluctuațiile sezoniere ale debitelor cursurilor de apă și de procesele biochimice cu caracter periodic,

pentru identificarea cât mai completă a tendințelor de variație a concentrațiilor de nutrienți pe tronsonul

studiat s-a aplicat testul Mann-Kendall de detecție a tendinței concentrațiilor măsurate in fiecare

lună din cele 12, pentru întreaga perioadă studiată.

Prin regresia liniară simplă dintre valorile netransformate sau logaritmate ale

concentrațiilor de nutrienți și variabila timp (numărul de zile) s-a concluzionat că pentru trei din cele

patru secțiuni investigate s-au înregistrat tendințe descrescătoare înalt semnificative statistic

(p<0,001).

Testul non-parametric al corelației de tip Spearman dintre valorile concentrațiilor de

nutrienți și variabila numărul de zile, efectuat la trei niveluri de semnificație statistică (0,05; 0,01 și

0,001), a condus la următoarele rezultate:

- la toate cele patru secțiuni de monitoring investigate, indicatorii formelor de azot (N-NH4,

N-NO2 și N-NO3) au prezentat tendințe descrescătoare înalt semnificative statistic (p<0,001), cu

excepția indicatorului N-NO3 la secțiunea Chiciu; coeficienții de corelație Spearman au fost cuprinși

între -0,203 (N-NO3 la Baziaș) și -0,623 (N-NH4 la Pristol);

- la secțiunile Baziaș, Pristol și Chiciu s-au înregistrat tendințe descrescătoare înalt

semnificative statistic (p<0,001) pentru ambele forme de nutrienți pe bază de fosfor, cu excepția

orto-fosfaților la secțiunea Chiciu, unde tendința descrescătoare a fost semnificativă statistic (p<0,05).

La secțiunea Reni, indicatorul P-PO4 a prezentat tendință foarte semnificativă statistic (p<0,01), dar

pentru indicatorul P Total corelația Spearman s-a dovedit statistic nesemnificativă (p>0,05).

Testul non-parametric Mann-Kendall a arătat că toți cei cinci indicatori testați au prezentat

tendințe descrescătoare de variație, în toate cele patru secțiuni de monitoring, cele mai vizibile

fiind înregistrate pentru formele N-NH4 și N-NO2 la secțiunile Baziaș și Pristol.

Prin regresia liniară multiplă s-a testat influența debitului cursului de apă asupra dinamicii de

variație a concentrațiilor formelor de nutrienți. Rezultatele au demonstrat că pentru toate cele 4 secțiuni

de monitoring, tendințele de evoluție temporală ale concentrațiilor celor cinci forme de nutrienți

au fost semnificativ statistic descrescătoare pe perioada considerată, variabila debit prezentând o

contribuție semnificativă la varianța datelor relativă la secțiune și la specia chimică considerată: în cazul

concentrațiilor N-NH4 la secțiunile Pristol și Chiciu și N-NO3 la toate cele patru secțiuni investigate.

În plus, corelația Spearman a valorilor reziduale din regresia concentrației funcție de debit

și numărul de zile s-a efectuat în scopul validării unei tendințe reale de evoluție a concentrațiilor prin

eliminarea potențialei influențe a debitului de apă asupra dinamicii concentrațiilor de nutrienți. Astfel,

s-a demonstrat că toți coeficienții de corelație Spearman au prezentat valori negative, ceea ce a

confirmat existența tendințelor descrescătoare de variație temporală a rezidualilor, pentru toate

cele 5 forme de nutrienți măsurate în cele 4 secțiuni de monitoring.

Concluzia generală a Obiectivului 2 este că rezultatele aplicării testelor de analiză a tendințelor

de variație a concentrațiilor de nutrienți, atât în cazul în care acestea au fost considerate ca fiind

independente de debitul cursului de apă, cât și în situația în care influența debitului asupra concentrației

a fost eliminată, au demonstrat următoarele:

- indicatorii N-NH4 și N-NO2 au prezentat cele mai accentuate tendințe de scădere, mai vizibile

în secțiunile Baziaș și Pristol, acest fapt putând fi datorat, pe de o parte, scăderii aportului surselor

49 CONCLUZII

punctiforme (ape uzate orășenești provenite din stațiile de epurare) și celor difuze (diminuarea

considerabilă a practicilor agricole intensive bazate pe aplicarea fertilizanților pe bază de azot), cât și

procesului natural de denitrificare din arealul acumulării Porțile de Fier I;

- indicatorul N-NO3 a prezentat cele mai slabe tendințe de scădere, iar la secțiunea Reni,

tendința de variație a fost nesemnificativă statistic, ceea ce indică faptul că dinamica acestui indicator

este caracterizată de etapele specifice ale ciclului său biogeochimic;

- indicatorii nutrienților pe bază de fosfor (P-PO4 și P Total) au fost caracterizați de tendințe de

scădere mai puțin notabile decât cele pe bază de azot, la cele patru secțiuni de monitoring investigate,

cu excepția indicatorului P Total la secțiunea Reni, pentru care nu s-a identificat o tendință statistic

semnificativă de scădere la nivelul de semnificație ales (0,05);

- tendințele sezoniere de variație au prezentat scăderi semnificative și înalt semnificative

statistic pentru toți indicatorii, cu precădere în lunile de primăvară (martie, aprilie) și toamnă (octombrie,

noiembrie), cel mai probabil datorate efectului de diluție determinat de creșterile debitului cursului în

aceste luni;

- rezultatele astfel obținute sunt în concordanță cu cele ale modelului MONERIS, conform cărora

se anticipa o scădere a concentrațiilor nutrienților pe bază de azot în anul 2015, față de anul 2006.

Obiectivul 3: Stabilirea unor valori prag pentru concentrațiile de nutrienți în vederea evaluării

stării ecologice a corpurilor de apă de pe tronsonul inferior al Dunării.

Stabilirea valorilor prag pentru elementele fizico-chimice de calitate din clasa nutrienților a fost

fundamentată pe investigarea relațiilor dintre variabilele considerate ”presiuni” și variabilele de

tip ”răspuns”, cele două tipuri de variabile ce susțin această relație constând din formele de nutrienți și

elementele de calitate biologice considerate sensibile, în speță fitoplancton (FP) și fitobentos (FB),

pentru care au fost disponibile suficiente date de monitoring.

Anterior aplicării metodelor de stabilire a valorilor prag pentru nutrienți prin utilizarea modelelor

de regresie simplă și multiplă, seturile de date primare au făcut obiectul unei analize exploratorii în

vederea eliminării valorilor aberante (corecte din punct de vedere analitic), valori ce ar fi putut avea un

impact negativ asupra tehnicilor statistice de regresie liniară, în sensul modificării pantei liniei de

regresie și implicit a coeficientului de corelație.

Într-o primă etapă, investigarea relației presiune-răspuns dintre nutrienți și indicatorii

elementelor biologice de calitate fitoplancton și fitobentos a fost abordată prin intermediul corelațiilor

bivariate, efectuate pe trei tipuri de seturi de date primare: setul de date complet pentru ambele tipuri

de variabile, setul de date din care au fost excluse valorile aberante și extreme pentru nutrienți și valorile

corespondente acestora pentru indicatorii biologici și setul de date ce conține doar valorile aberante și

extreme pentru nutrienți și valorile corespondente acestora pentru indicatorii biologici.

Din analiza rezultatelor obținute pentru formele de nutrienți și indicatorii biologici din grupa

fitoplanctonului s-a observat că formele pe bază de azot au prezentat corelații relativ reduse cu aceștia,

cea mai notabilă fiind cu abundența numerică bacillariophyceae, eliminarea sau considerarea

exclusivă a valorilor aberante neaducând nici o îmbunătățire în creșterea semnificației relației dintre cele

2 tipuri de variabile investigate. În schimb, nutrienții pe bază de fosfor au produs un gradient de

presiune mai accentuat asupra variabilelor biologice. Astfel, s-a observat că la valori de concentrație

mai mari de 0,110 mg/L P-PO4 și respectiv 0,190 mg/L P, răspunsul biologic pentru clorofilă ”a”, indice

număr taxoni și indice saprob a devenit corelabil cu presiunea într-o măsură suficient de semnificativă,

astfel încât nivelurile respective de concentrație pentru nutrienți să devină niveluri ”candidate” pentru

elaborarea valorilor limită dintre stările ecologice, conform cerințelor DCA; similar, coeficienții de

corelație au indicat o relație redusă între nutrienții pe bază de azot și indicatorii biologici din grupa

fitobentosului, atât în cazul setului complet de date, cât și în cazul în care valorile aberante au fost

eliminate; ceea ce este interesant de remarcat în cazul setului de date format din valorile aberante

pentru orto-fosfați este că, dacă formele de fosfor nu au fost corelate semnificativ cu nici un

indicator biologic, formele de azot investigate (azotații și azotul total) au prezentat corelații cu

indici biologici statistic semnificative mult mai puternice decât în cazul seturilor de date complete.

A doua etapă de investigare a relației presiune-răspuns a constat în studiul regresiei liniare

dintre formele de nutrienți și Metricul Comun de Intercalibrare pentru fitobentos, cunoscut ca

pICM (phytobenthos InterCalibration Metric), în componența căruia intră doi indici caracteristici


diatomeelor, respectiv Indicele de Poluare Specifică (IPS) și Indicele de Troficitate Rott (ROTT-T),

exprimați în termeni de Rapoarte de Calitate Ecologică (RCE).

Regresia liniară dintre formele de nutrienți și metricul pICM a fost abordată din două

perspective: pe de o parte, predictorul a fost reprezentat de concentrația de nutrienți, iar variabila

dependentă a fost reprezentată de indicele biologic. Pe de altă parte, obiectivul investigativ constând în

estimarea valorii concentrației de nutrienți care este predicționată la un anume nivel al stării

ecologice determinate de elementul de calitate biologic, în a doua situație variabila biologică a devenit

predictor, iar nutrienții variabile dependente.

Regresia multiplă dintre formele de nutrienți și clorofila ”a” și respectiv pICM a fost în

continuare utilizată pentru testarea posibilității de stabilire a valorilor limită pentru formele de nutrienți

prin procedura de trasare a profilului răspunsului predicționat, altfel spus prin optimizarea

răspunsului. Plecând de la funcția de dezirabilitate căreia i s-au atribuit valorile limită ale indicatorilor

biologici ce determină stările ecologice ”foarte bună”, ”bună” și respectiv ”moderată”, prin intermediul

profilurilor de predicție ale variabilei dependente (elementul biologic) s-au propus valorile-prag ale

variabilelor predictoare, în speță ale concentrațiilor de nutrienți ce produc nivelul ”optim” al variabilei

dependente, la nivelul ”optim” al funcției de dezirabilitate.

Concluzia generală a obiectivului 3 este că pe baza modelelor de regresie prezentate – simplă

și multiplă, se poate afirma că stabilirea de valori prag pentru nutrienți care să asigure starea ecologică

”bună” din perspectiva Directivei Cadru Apă necesită existența unei relații cauzale între presiune

(concentrația de nutrienți) și răspuns (elementele de calitate biologice), relație descriptibilă în

termeni statistici. Din cele prezentate, a reieșit că, în cazul setului de date investigat, puterea relației

nutrienți – elemente biologice (în speță fitoplancton și fitobentos) a fost valoric redusă, ceea ce a

determinat dificultăți critice în procesul de stabilire de valori prag pentru factorii de presiune, acest

comportament putând fi explicat prin faptul că răspunsurile biologice pot fi influențate de numeroși alți

factori fizici, chimici și geologici și de variabile intrinseci rezultate din condițiile reale prezente pe

cursurile naturale de apă.

Rezultatele obținute în cadrul acestei teze de doctorat completează într-un mod original și

cuprinzător strategia națională de monitoring al calității apei de pe tronsonul inferior al fluviului

Dunărea, în trei direcții distincte care să asigure îndeplinirea validă a cerințelor legislative în

vigoare:

- valența spațială, prin identificarea unor tipare în interiorul structurii rețelei de

supraveghere a calității apei, oferind un instrument deosebit de util în optimizarea

programelor de monitoring, cu reducerea costurilor, dar fără reducerea amplitudinii

informației rezultate;

- dimensiunea temporală, prin evaluarea dinamicii concentrațiilor de nutrienți pe o perioadă

mai mare de douăzeci de ani, permițând astfel proiectarea viitoarelor programe de

monitoring, adaptate specificității acestei variabilități și consolidarea procesului de

clasificare a stării ecologice a corpurilor de apă de suprafață din bazinul Dunării și, implicit,

a procesului de adoptare a măsurilor de management conexe cu rezultatele analizei de

tendință pe termen mediu și lung;

- revizuirea metodologiei naționale de evaluare a stării ecologice a corpurilor de apă de pe

tronsonul inferior al Dunării din perspectiva elementelor fizico-chimice de calitate din clasa

nutrienților, prin analiza răspunsului biologic critic față de ansamblul formelor de nutrienți

la nivelul trecerii de la starea ”bună” la cea ”moderată” propunându-se valori prag care să

asigure funcționarea ecosistemului și reducerea riscului apariției efectelor adverse asupra

comunităților biologice sensibile din corpul de apă precum și a acelora din zonele situate în

aval.

6. BIBLIOGRAFIE (selecție)

1. Adamkova, J., Hamchevici, C., Literathy P., Makovinska, J. Rauchbuchl, A., Wolf, B. (2003). Five-years Report on Water Quality in Danube River Basin 1996-2000.

2. Adams, M. (1988). The principles of multivariate data analysis. În P. D. Ashurst (Ed.), Analytical Methods of Food Authentication. London, UK: Blackie Academic & Professional.

51 BIBLIOGRAFIE (selecție)

3. Andersen, J. M. (2004). Report on existing methods and relationships linking pressures, chemistry and biology in rivers. REBECCA WP4 Rivers. Deliverable 6.

4. Battegazzore, M., Renoldi, M. (1995). Integrated chemical and biological evaluation of the quality of the river Lambro (Italy). Water Air, Soil Pollution, 83, 375-390.

5. Besse, A. (2007). Indicator value database for European freshwater (Euro-limpacs). Integrated Project to evaluate the Impacts of Global Change on European Freshwater Ecosystems.

6. Birk, S. & Hering, D. (2008). A new procedure for comparing class boundaries of biological assessment methods: a case study from the Danube Basin. Ecological Indicators, 528-539.

7. Black, R., Moran, P. W., Frankforter, J. D. (2011). Response of algal metrics to nutrients and physical factors and identification of nutrient thresholds in agricultural streams. Environmental Monitoring and Assessment, 397-417.

8. Buijs, P. (2006). Development of Operational Tools for Monitoring, Laboratory and Information Management. Objective 3: Options for developing WFD type-specific quality nutrient standards in the Danube River. Environmental Institute, SK.

9. Carstensen, J. (2007). Statistical principles for ecological status classification of Water Framework Directive monitoring data. Marine Pollution Bulletin, 55, 3-15.

10. Cattell, R. (1966). The scree test for the number of factors. Multivariate Behavioral Research, 1, 245-276.

11. Chapman, D. (1992). Water Quality Assessment. (W. a. D. Chapman on behalf of UNESCO, Ed.) London: Chapman & Hall.

12. Clark, J. (2005). Why environmental scientists are becoming baesians. Ecology Letters, 8, 2-14. doi:10.1111/j.1461-0248.2004.00702.x

13. Cleveland, W. (1979). Robust locally weighted regression ans smoothing scatterplots. Journal American Statistic Association, 74, 829-836.

14. Cleveland, W.S.; Devlin, S.J. (1988). Locally Weighted Regression: an approach to regression analysis by local fitting. Journal of American Statistic Association, 83, 596-610.

15. (2009). Common Implementation Strategy for the Water Framework Directive (2000/60/EC): Guidance Document no 23: Guidance Document on Eutrophication Assessment in the context of European Water Policies. http://ec.europa.eu/.

16. Common Implementation Strategy for the Water Framework Directive (2000/60/EC): Guidance Document no 5: Transitional and Coastal Waters. Typology, reference conditions and classification systems. (2003).

17. Common Implementation Strategy for the Water Framework Directive (2000/60/EC): Guidance Document no 7: Monitoring under the Water Framework Directive. (2003).

18. Council Directive 2000/60/EC establishing a framework for Community action in the field of water policy. (2000).

19. (2004). Danube Basin Analysis - WFD Roof Report. Viena: ICPDR.

20. Dawe, P. (2006). A statistical evaluation of water quality trends in selected water bodies in Newfoundland and Labrador. Journal of Environmental Engineering Science, 5, 59-73.


21. De Galan, S., Elskens, M., Goeyens, L., Pollentier, A., Brion, N., Baeyens, W. (2004). Spatial and temporal trends in nutrient concentrations in the Belgian Continental area of the North Sea during the period 1993–2000 . Estuarine, Coastal and Shelf Science, 517-528.

22. Derringer, G. și Suich, R.,. (1980). Simultaneous Optimization of Several Response Variables. Journal of Quality Technology, 12(4), 214-219.

23. Dodds. W.K., Smith, V.H., Lohman. K. (2002). Nitrogen and phosphorus relationships to benthic algal biomass in temperate streams. Canadian Journal of Fisheries and Aquatic Sciences, 59, 865-874.

24. ECOSTAT. (2014). Comparison of approaches to boundaries for nutrients under the Water Framework Directive.

25. Fox, J. (1999). Non-parametric Regression Analysis. Typescript, McMaster University.

26. Friberg, N. (2010). Pressure-Response relationship in stream ecology: introduction and synthesis. Freshwater Biology, 1367-1381.

27. Gazzaz, N. Y. (2012). Characterization of spatial pattern in river water quality using chemometric pattern recognition technique. Marine pollution Bulletin, 64, 688-699.

28. Goodall, C. (2000). A Survey of Smoothing Techniques. Modern Methods of Data Analysis. (J. L. Fox, Ed.)

29. Hair, J. B. (2009). Multivariate Data Analysis. Londra, New York: Perason.

30. Hamchevici, C., Udrea, I. (2013). Improving the sampling strategy of the Joint Danube Survey 3 (2013) by means of multivariate statistical techniques applied on selected physico-chemical and biological data . Environmental Monitoring and Assessment, 9495-9507.

31. Harper, D. (1992). Eutrophication of freshwaters. London: Chapman and Hall.

32. Hatvani, G., I., Kovacs, J., Kovacs, I., S., Jakusch, P., Korponai, J. . (2011). Analysis of long-term water quality change in the Kis-Balaton Water Protection System with time series-, cluster analysis and Wilks' lambda distribution . Ecological Engineering 37, 629-635.

33. Hayton, J.C., Allen D.G., Scarpello, V. (2004). Factor Retention Decision in Exploratory Factor Analysis: a Tutorial on Parallel Analysis”. Organisational Research Methods, 7, 191-205.

34. Helsel D. R. and Hirsch R.M. (2002). Statistical Methods in Water Resources. În Techniques of Water Resources Investigations of the United States geological Survey. Book 4: Hydrological Analysis and Interpretation (pg. 337-370).

35. Hirsch, R. M., Slack, J., R., Smith R.A. (1982). Technique of Trend Analysis for Monthly Quality Data. Water resources Research, 18(1), 107-121.

36. Hotărârea nr. 80/2011 pentru aprobarea Planului național de management aferent porțiunii din bazinul hidrografic internațional al fluviului Dunărea care este cuprinsă în teritoriul României. Monitorul Oficial.

37. Howarth, R. (1988). Nutrient limitation of net primary production in marine ecosystems. Annual Review of Ecology, Evolution, and Systematics, 19, 89-110.

38. http://danubis.icpdr.org/pls/danubis/DANUBIS_DB.DYN_NAVIGATOR.show. Preluat pe decembrie 12, 2013, de pe www.icpdr.org.


39. http://documentation.statsoft.com. (2016, December 16). Preluat de pe http://documentation.statsoft.com/STATISTICAHelp.aspx?path=Experimental/Doe/SpecialTopics/SpecialTopicsProfilingPredictedResponsesandResponseDesirability

40. http://eur-lex.europa.eu. (fără an). Preluat pe August 08, 2013, de pe http://eur-lex.europa.eu/oj: http://eur-lex.europa.eu/legal-content/EN/TXT/?uri=uriserv:OJ.L_.2009.201.01.0036.01.ENG

41. http://eur-lex.europa.eu. (2017, July 08). Preluat de pe http://eur-lex.europa.eu/legal-content/EN/TXT/PDF/?uri=CELEX:31980L0778&from=EN

42. http://www.chemometry.com/Index/Chemometrics.html. (2014, aprilie 18). Preluat de pe http://www.chemometry.com: http://www.chemometry.com/Index/Chemometrics.html

43. http://www.statsoft.com/Products/STATISTICA-Features/Visual-Introduction-to-STATISTICA. (fără an). Preluat de pe www.statsoft.com.

44. http://www.xlstat.com/en/products-solutions.html. Preluat de pe www.excelstat.com.

45. https://www.eecs.qmul.ac.uk/~norman/BBNs/What_is_a_BBN_.htm. (2016, Decembrie 16). Preluat de pe https://www.eecs.qmul.ac.uk.

46. ICPDR. (2006). Danube River Basin - Updated Transboundary Diagnostic Analysis.

47. Institutul National de Cecetare-Dezvoltare pentru Protecția Mediului (INCDPM) București. (2008). Studiu privind elaborarea sistemelor de clasificare şi evaluare globală a stării apelor de suprafaţă (râuri, lacuri, ape tranzitorii, ape costiere) conform cerinţelor Directivei Cadru a Apei 2000/60/CEE pe baza elementelor biologice, chimice şi hidromorfo.

48. Institutul National de Cercetare-Dezvoltare pentru Protectia Mediului (INCDPM) Bucuresti. (2010). Studiu privind elaborarea Obiectivelor de Mediu și al sistemului de clasificare a stării apelor de suprafață în conformitate cu prevederile Directivei Cadru Apă. Capitolul: Elemente fizico-chimice suport.

49. Jacoby, W. (2000). Loess, a non-parametric graphical tool for depincting relationship between variables. Electoral Studies, 19, 577-613.

50. Jaruskova, D. Liska, I. (2011). Statistical analysis of trends in organic pollution and pollution by nutri-ents at selected Danube River stations. Journal of Environmental Monitoring, 13, 1435-1445.

51. Johansson, M., Räsänen, K., Merilä, J. (2001). Comparison of nitrate tolerance between different populations of the common frog, Rana temporaria. Aquatic Toxicology, 54, 1-14.

52. Kelly, M. (2016). Scientific development and confirmation of the national method for ecological status assessment of waterbodies (rivers, lakes) based on diatoms (phytobenthos), and completion of the intercalibration exercise. 2. Rivers .

53. Kelly, M., Bennion, H., Burgess, A., Elli, J., Juggins, S., Guthrie, R., Jamieson, J., Adriaenssens, V., Yallop, M. (2009). Uncertainty in ecological status assessments of lakes and rivers using diatoms. Hydrobiologia.

54. Kelly, M.G., Gómez-Rodríguez, C., Kahlert, M., Almeida, S.F.P., Bennett, C., Bottin, M., Delmas. F., Descy, J.-P., Dörflinger,G., Kennedy, B., Marvan, P., Opatrilova,L., Pardo, I., Pfister, P.,


Rosebery, J., Schneider, S. & Vilbaste, S. (2012). Establishing expectations for pan-European diatom based ecological status assessments. Ecological Indicators, 177-186.

55. Kroiss, H. L. (2004). Report on the ICPDR UNDP/GEF workshop Nutrients as a Transboundary Pressure in the DRB. Sofia.

56. Kroiss, H., Zessner, M., Lampert, C. (2007). Provision of Technical Support on Danube Nutrients. Vienna: UNDP/GEF DRP.

57. Landau, S., Everitt, B.S. . (2004). A Handbook of Statistical Analyses using SPSS. Londra: Chapman & Hall.

58. Legendre, P. & Legendre, L. (2012). Numerical Ecology (ed. Second English edition, Vol. Developments in Environmental Modelling, 20). Elsevier.

59. Lehman E. L. & D’Abrera H. .J M. (1975). Nonparametrics, Statistical Methods Based on Ranks. San Francisco, New York: Holden-Day, McGraw-Hill.

60. Liska, I., Wagner, F., Slobodnik, J. (eds.). (2008). Joint Danube Survey 2, Final Scientific Report. Vienna: ICPDR.

61. Literáthy, P. K.-K. (2002). Joint Danube Survey, Technical Report of the International Commission for the Pro-tection of the Danube River. Vienna: ICPDR.

62. Literáthy, P., Koller-Kreimel, V. & Liska, I. (eds.). (2002). Joint Danube Survey - Technical Report of the International Commission of the Danube River. Vienna.

63. Liu, C. W. (2003). Application of factor analysis in the assessment of groundwater quality in Blackfoot disease area in Taiwan. Science in the Total Environment, 77-89.

64. Magyar, N. H. (2013). Application of multivariate statistical methods in determining spatial changes in water quality in the Austrian part of Neusiedler See. Ecological Engineering, 55, 82-92.

65. Malve, O. și Quian, S. (2006). Estimating Nutrients and chlorophyll a relationship in Finnish Lakes. Environmental Science & technology, 40(24), 7848–7853. doi:10.1021/es061359b

66. Mason, C. a. (1991). Collinearity, Power ad Interpretation of Multiple Regression Analysis. Journal of Marketing Research, 268-280.

67. Mei, K., Liao, L., Zhu, Y., Lu, P. (2014). Evaluation of spatial-temporal variations and trends in surface water quality across a rural-suburba-urban interface. Environmental Science Pollution Research, 21, 8036-8051.

68. Mendiguchia, C., Moreno, C., Galindo-Riaño, M.D., Garcia-Vargas, M. (2004). Using chemometric tools to assess anthropogenic effects in river water, a case study: Guadalquivir River (Spain). Analytica Chimica Acta, 515, 143-149.

69. Mischke, U. (2016). Milestone 6 Report, Intercalibrating the national classifications of ecological status, Biological Quality Element: Phytoplankton.

70. Moe, J. (2007). Statistical and Modelling methods for assessing the relationship between ecological and chemical status in different lakes and different geographical regions. REBECCA Delirable 12.


71. Moe, J. P. (2007). REBECCA Deliverable 12 Statistical and modelling methods for assessing the relationship between ecological and chemical status in different lake types and different geographical regions.

72. Ouyang, Y. (2005). Application of principal component and factor analysis to evaluate surface water quality monitoring network. Water Research, 39, 2621–2635.

73. Phillips, G. K. (2017). Best Practice Guide on establishing nutrients concentrations to support good ecological status.

74. Phillips, G. P.-A. (2015). A comparison of European freshwater nutrient boundaries used for the Water Framework Directive. A report to ECOSTAT. London: Environmental Change Research Centre University College London.

75. Phillips, G., Birk, S., Bӧhmer, J., Kelly, M., Willby, N. (2015). The use of pressure response relationships between nutrients and biological quality elements as a method for establishing nutrient supporting element boundary values for the Water Framework Directive. Report to Ecostat.

76. Phillips, G., Kelly, M., Salas, F., Teixeira, H. (2017). Best Practice Guide on establishing nutrient concentration to support good ecological status. Draft for circulation to ECOSTAT and Nutrients Experts.

77. Phillips, G., Pitt, J-A. (2015). A comparison of European freshwater nutrient boundaries: A report to ECOSTAT.

78. Phung, D. H. (2015). Temporal and spatial assessment of river surface water quality using multivariate statistical techniques: a case study in Can Tho City, a Mekong Delta area, Vietnam. Environmental Monitoring and Assessment, 187(5).

79. Popovici, M. (2015). Nutrient Management in the Danube River Basin. În I. Liska (Ed.), The Danube River Basin in The Handbook of Environmental Chemistry (Vol. 39, pg. 23-38), Springer.

80. Robertson, D.M., Graczyk, D.J., Garrison, P.J., Wang, L., LaLiberte, G., Bannerman, R. (2006). Nutrient concentrations and their relations to the biotic integrity of wadeable streams in Wisconsin. U.S. Geological Survey Professional Paper 1722, 139 p. Preluat pe Martie 15, 2016

81. Robertson, D.M., Graczyk, D.J., Garrison, P.J., Wang, L., LaLiberte, G., Bannerman, R.,. (2006). Nutrient concentrations and their relations to the biotic integrity of wadeable streams in Wisconsin. U.S. Geological Survey Professional Paper.

82. Salmi, T., Maatta, A., Anttila, P., Ruoho-Airola, T., Amnel, T. (2002). Detecting Trends of Annual Values of Atmospheric Pollutants By The Mann-Kendall. Helsinki: Finnish Meteorological Institute.

83. Schreiber, H. C. (2003). Harmonised Inventory of Point and Diffuse Emissions of Nitrogen and Phosphorus for a Transboundary River Basin. Berlin: Durchführende Institution Leibniz-Institut für Gewässerökologie und Binnenfischerei im Forschungsverbund.

84. Scott, G., Crunkilton, R.L. (2000). Acute and chronic toxicity of nitrate to fathead minnows (Pimephales promelas), Ceriodaphnia dubia and Daphnia magna. Environmental Toxicology and Chemistry, 19, 2918-2922.


85. Singh, K. P., Malik, A., Sinha, S. (2005). Water quality assessment and apportionment of pollution sources of Gomti River (India) using multivariate statistical tehnques: a case study. Analitica Chimica Acta, 355-374.

86. Slobodnik, Jaroslav; Hoebart, Alexander; Buijs, Paul; Makovinska, Jarmila. (2005). Development of operational tools for monitoring, laboratory and information management, UNDP GEF, Danube Regional Project.

87. Stevenson, R.J., Pinowska, A., Albertin, A., Sckman, J.O. (2007). Ecological condition of algae and nutrients in Florida springs: The Synthesis Report. Tallahassee, FL.: Prepared for the Florida Department of Environmental Protection, 58 pp.

88. Stumm, W., Morgan, J.J. (1996). Aquatic chemistry. 3rd edition. New York: John Wiley and Sons.

89. Tabachnick, B.G. și Fidell, L.S. (2007). Using multivariate statistics (ed. 5). Londra, New York: Pearson.

90. Tett, P., Heaney, S.I. & Droop, M.R. (1985). The Redfield Ratio and phytoplankton growth rate. Journal of the Marine Biological Association of the U.K, 65, 487-504.

91. Ujvari, I. (1972). Geografia Apelor României. Editura Științifică.

92. US-EPA. (2000). Nutrient Criteria. Technical Guidance Manual Lakes and Reservoirs. First Edition. EPA-822-B00-001.

93. van Gils, J. (2015). The Danube Water Quality Model and Its Application in the Danube River Basin in The Handbook of Envirnhemistrymental C (ed. 61-83, Vol. The Danube River Basin). (I. Liska, Ed.) Springer.

94. Ward, J. J. (1963). Hierarchical Grouping to Optimize an Objective Function. Journal of American Statistical Association, 58, 236-244.

95. Water Quality in the Danube River Basin, Yearbook (1996-2012). Vienna: International Commission for Protection of the Danube River.

96. Wilcox, R. (2005a). Outliers in Encyclopedia of Statistics in Behavioral Sciences (Vol. 3). (D. H. B.S. Everitt, Ed.) Hoboken: John Wiley & Sons, Inc.

97. Williams, K.A.W., Green, D.W.J., Pascoe, D. (1986). Studies on the acute toxicity of pollutants to freshwater macroinvertebrates 3. Ammonia. Archiv fur Hydrobiologie, 106, 61-70.

98. Wold, S. (1995). Chemometrics; what do we mean with it and what do we want from it. Chemometrics and Intelligent Laboratory System, 30(1), 109-115.

99. Wunderlin, D.A., Diaz, M., Ame, M., V., Pesce, S., F., Hued, A., C., Bistoni M. (2001). Pattern Recognition Techniques for the Evaluation of the Spatial and Temporal Variations in Water Quality. A case study: Suquia River Basin (Cordoba-Argentina). Water Research, 35, 2881-2894.

100. www.statsoft.com. (fără an). Preluat pe January 12, 2013, de pe https://www.statsoft.com/Textbook/Cluster-Analysis.

REZUMAT AL TEZEI DE DOCTORAT

Documents