ПОЛУЧСННЫС 
результаты 
показывают, 
что 
исследуемые 
водные 
объекты
характеризуются неоднородностью химического состава. СОВОКУПНЫЙ Набор данных
составил ряд из 153 НабЛЮДСНИЯ. Из этого перечня были исключены показатели
температуры воды, 
Ттак как они ОбУСЛОВЛСНЫ сезоном отбора проб и значения
КОНЦСНТР&ЦИЙ ионов цинка, свинца, никеля и алюминия, В связиИ © отсутствием их
достаточного количества ЗН&ЧСНИЙ‚ отЛИЧчНЫХх от Ннуля. Значения остальных показателей
были разбиты на 4 кластера с соответствующими ВЫбОРК&МИ. ВЫДСЛСННЫС кластеры
отражают по совокупности показателей особенности химического состава оцениваемых
озер и изучить динамику показателей по сезонам. Значения и концентрации некоторых
параметров и компонентов состава вод исследуемых озер с разбиением на кластеры
показаны в таблице.
Исследование выполнено в рамках реализации темы государственного задания
Научные исследования проведены при финансовой поддержке Минобрнауки России в
рамках исполнения обязательств по Соглашению номер No 075-03-2025-335 от «16»
января 2025 г., номер темы Е75(7-2023-0005, (рег. номер 123030100016-5).
Литература
Мусин Р.Х., Курлянов Н.А. Особенности и природа химического состава вод озёр
среднего Поволжья // Озера Евразии: проблемы и пути их решения / Материалы П
Международной конференции. Казань, 2019. Т. 2. С. 139-143.
Янин 
Е.П., 
Кузьмич 
В.Н., 
Иваницкий 
©О.М. 
Региональная 
природная
неоднородность химического состава вод суши и необходимость ее учета при оценках
их экологического состояния и интенсивности техногенного загрязнения // Проблемы
окружающей среды и природных ресурсов. 2012. No6. С. 3—72.
Беляева Т.А., Буяров В.С., Малинина Т.В. Интегральная оценка качества водной
среды // Рациональное использование природных ресурсов и охрана окружающей среды
/ Труды ЛПИ. 1985. Вып. 8. С. 19-—-23.
ТЬотмаз М., Уби 2., Котавтой 3. Ра!а пите апа сияеппе 1 сбепписа! ргосез5
Чатабаве5 Рог топнопие апа Кпоу/ейве Ф5соуегу // Зопгпа! оЁ Ргосев5 Сошго!. 2018. У. 67.
Р. 160-175.
Вн 7., ла \/., Рап 7., 1лпя К. Сотрагапуе шу оЁ НуйтосЛеписа! СТавыПсапоп
Васхеай оп Э1Негеп! НтегагсЫса! СТиягег Апа!уз15 Мейодй5 // 105 7 Епупов Кез РиБИс Неа!.
2020. У. 18. Р. 17—24.
Кремлёва Э.Ш., Кирпичников А.П., Новикова С.В., Валитова Н.Л.Алгоритм
построения модели каскадной нейросетевой фильтрации данных с различной степенью
детализации // Вестник Казанского технологического университета. 2018. Т. 21. No8. С.
109-115.
Сивоголовко 
Е.В. 
Методы 
оценки 
качества 
чёткой — кластеризации 
//
Компьютерные инструменты в образовании. 2011. No4. С. 14—31.
Тунакова Ю.А., Новикова С.В., Валиев В.С., Байбакова Е.В. Использование
метода — нейросетевой — кластеризации 
для 
выделения 
значимых — показателей,
характеризующих состояние 
поверхностных водных объектов 
в РТ // 
Вестник
технологического университета. 2023. Т. 26. No3. С. 72—78.
УТОрУ ОЕ РЕСОШАЕИТЕ5Х ОЕ СНЕМШСАЕ СОМРО5ЗИТОМ ОЕ УУАТЕК ОЕ
ГАКЕ5З ОЕ РЕКАХАМ5УКУ ОТ5ТЕГСТ ВУ МЕСОКАЕ МЕТУОВКК СТОЗТЕК
АМАГУ515 МЕТНОВ
У.А. ТопаКоуа, $5.У. МоуЖоуа, Е.У. ВабаКоха
527