Створення локальної автоматизованої бази даних для оцінки і прогнозування екологічного стану урбоземів з використанням сучасних геоінформаційних систем

Мохуренко, Ярослав Олександрович

Please use this identifier to cite or link to this item: https://er.chdtu.edu.ua/handle/ChSTU/6774

Full metadata record

DC Field	Value	Language
dc.contributor.advisor	Мислюк, Ольга Олександрівна	-
dc.contributor.author	Мохуренко, Ярослав Олександрович	-
dc.date.accessioned	2026-01-11T17:42:38Z	-
dc.date.available	2026-01-11T17:42:38Z	-
dc.date.issued	2025-12	-
dc.identifier.uri	https://er.chdtu.edu.ua/handle/ChSTU/6774	-
dc.description.abstract	Мохуренко Я.О. Створення локальної автоматизованої бази даних для оцінки і прогнозування екологічного стану урбоземів з використанням сучасних геоінформаційних систем Актуальність теми. Актуальність дослідження створення баз даних в екологічному моніторингу зумовлена зростанням екологічних викликів, які стоять перед сучасним світом. Проблеми забруднення повітря, води, ґрунтів, а також наслідки кліматичних змін усе більше впливають на життєдіяльність людства. В таких умовах моніторинг екологічного стану стає невід’ємною частиною забезпечення сталого розвитку. Він дозволяє своєчасно ідентифікувати проблеми та ухвалювати ефективні управлінські рішення. Мета роботи: розробка локальної автоматизованої бази даних для оцінки і прогнозування екологічного стану урбоземів з використанням сучасних геоінформаційних систем. Завдання роботи: • аналіз сучасних методологічних підходів, інструментів та технологій створення баз даних для екологічного моніторингу; • розробка бази даних для оцінки екологічного стану урбоземів; • інтеграції бази даних із геоінформаційними системами; • тестування розроблених систем та алгоритмів для оцінки екологічного стану урбоземів м. Черкаси, забруднених важкими металами; • перспективи розвитку та удосконалення системи аналізу стану урбоземів. Об’єкт дослідження: розробка та впровадження інформаційних систем (бази даних, ГІС) для екологічного моніторингу. Предмет дослідження:  технології баз даних, порівняння реляційних (SQL), NoSQL та геопросторових (GIS) баз даних для екологічного моніторингу;  методи забезпечення якості, безпеки, резервного копіювання та довгострокового зберігання екологічних даних. Методи дослідження:  концептуальний аналіз:  порівняльний аналіз;  системний аналіз;  ГІС-технології;  експериментальний метод. Результати дослідження. У роботі розглянуто питання використання сучасного програмного забезпечення для створення баз даних; збереження та управління екологічними даними; інтеграції баз даних із геоінформаційними системами. Для автоматизації процесу обробки та аналізу даних розроблено інформаційну систему, яка базується на PostgreSQL та Python-скриптах. Автоматизація охоплює повний цикл від бази даних до готових карт. Відтворюваність забезпечена документацією всіх етапів. Модульність дозволяє працювати кожному компоненту незалежно. Масштабованість підтримує нові роки спостережень та параметри. Сумісність включає експорт у стандартні формати для роботи з Surfer, ArcGIS, QGIS. Розроблена інформаційна система протестована для оцінки екологічного стану урбоземів м. Черкаси, забруднених важкими металами. Наукова новизна: вперше розроблена інформаційна система (бази даних, ГІС) для екологічного моніторингу оцінки і прогнозування стану урбоземів м. Черкаси. Створено геопросторові карти і виявлено зону з критичним забрудненням важкими металами та їх імовірні джерела. Теоретична і практична цінність: розроблена комплексна інформаційна система із застосування ГІС значно прискорює аналіз даних моніторингу, спрощує зонування території за виявленими критичними трансформаціями урбоземів, є корисною для оптимізації математичних моделей визначення зон еколого-геохімічної нестабільності, пов’язаних із техногенним впливом, що є важливим для забезпечення сталого розвитку сучасної держави. Структура роботи. Кваліфікаційна робота магістра складається зі вступу, анотації, двох розділів, висновків, переліку посилань (45 джерел), графічної документації та додатків. Повний обсяг роботи − 67 сторінок, основна частина – 50 сторінок.	uk_UA
dc.description.abstract	Mokhurenko Ya. Creation of a local automated database for assessing and predicting the ecological state of urban lands using modern geographic information systems Relevance of the research topic. The creation of automated databases for assessing and predicting the ecological state of environmental objects using modern geographic information systems is due to the growth of environmental challenges facing the modern world. In such conditions, monitoring becomes an integral part of ensuring sustainable development of the state, allowing for timely identification of problems and adoption of effective management decisions. Objective of the work: Creation of a local automated database for assessing and predicting the ecological state of urban lands using modern geographic information systems Research tasks:  analysis of modern methodological approaches, tools, and technologies for database creation for environmental monitoring;  development of a database for assessing the ecological state of urban lands;  integration of the database with geographic information systems;  testing of the developed systems and algorithms for assessing the ecological state of heavy metal-contaminated of urban lands in the city of Cherkasy;  prospects for the development and improvement of the system for analyzing the state of urban lands. Objective of the work: development and implementation of information systems (databases, GIS) for environmental monitoring. Subject of research:  database technologies, comparison of relational (SQL), NoSQL, and geospatial (GIS) databases for environmental monitoring;  methods for ensuring quality, security, backup, and long-term storage of environmental data. Research methods: • conceptual analysis; • comparative analysis; • systems analysis; • GIS technologies; • experimental method. Research results. The paper examines the issues of using modern software for database creation; storage and management of environmental data; integration of databases with geographic information systems. To automate the process of data processing and analysis, an information system based on PostgreSQL and Python scripts was developed. The automation encompasses the full cycle from the database to finished maps. Reproducibility is ensured by documenting all stages. Modularity allows each component to operate independently. Scalability supports the addition of new observation years and parameters. Compatibility includes export to standard formats for use with Surfer, ArcGIS, and QGIS. The developed information system was tested to assess the ecological state of urban lands of Cherkasy contaminated with heavy metals. Scientific novelty: For the first time, an information system (database, GIS) has been developed for environmental monitoring, assessment, and forecasting of the state of urban lands in the city of Cherkasy. Geospatial maps were created and areas with critical heavy metal contamination and their likely sources were identified. Theoretical and practical value: The developed comprehensive information system utilizing GIS significantly accelerates the analysis of monitoring data, simplifies territory zoning based on identified critical transformations of urban lands, and is useful for optimizing mathematical models for determining zones of eco-geochemical instability associated with technogenic impact, which is important for ensuring the sustainable development of the modern state. Structure of the work: The Master’s thesis consists of an introduction, an abstract, two chapters, conclusions, a list of references (45 sources), graphic documentation, and appendices. The total volume of the work is 67 pages, with the main body comprising 50 pages.	uk_UA
dc.language.iso	uk	uk_UA
dc.subject	БАЗА ДАНИХ	uk_UA
dc.subject	АНТРОПОГЕННИЙ ВПЛИВ	uk_UA
dc.subject	СИСТЕМИ УПРАВЛІННЯ	uk_UA
dc.subject	ВАЖКИ МЕТАЛИ	uk_UA
dc.subject	ЕКОЛОГІЧНИЙ МОНІТОРИНГ,	uk_UA
dc.subject	ГЕОІНФОРМАЦІЙНІ СИСТЕМИ	uk_UA
dc.subject	УРБОЗЕМИ	uk_UA
dc.title	Створення локальної автоматизованої бази даних для оцінки і прогнозування екологічного стану урбоземів з використанням сучасних геоінформаційних систем	uk_UA
dc.type	Master Thesis	uk_UA
Appears in Collections:	101 Екологія (Екологія та охорона навколишнього середовища)

Files in This Item:

File	Description	Size	Format
Мохуренко МР.pdf Restricted Access		4.51 MB	Adobe PDF	View/Open Request a copy

Show simple item record

Extracted text

МІНІСТЕРСТВО ОСВІТИ І НАУКИ УКРАЇНИ
ЧЕРКАСЬКИЙ ДЕРЖАВНИЙ ТЕХНОЛОГІЧНИЙ УНІВЕРСИТЕТ
Факультет технологій, будівництва та раціонального природокористування
Кафедра екології та природоохоронних технологій

Пояснювальна записка
до кваліфікаційної роботи магістра
на тему:
«СТВОРЕННЯ ЛОКАЛЬНОЇ АВТОМАТИЗОВАНОЇ БАЗИ ДАНИХ ДЛЯ ОЦІН-
КИ І ПРОГНОЗУВАННЯ ЕКОЛОГІЧНОГО СТАНУ УРБОЗЕМІВ З ВИКОРИС-
ТАННЯМ СУЧАСНИХ ГЕОІНФОРМАЦІЙНИХ СИСТЕМ»

Виконав: студент 2 курсу,
групи МГЕК-401
спеціальності 101 «Екологія»
(шифр і назва спеціальності)
Мохуренко Я.О.________________
(прізвище та ініціали)
Керівник _Мислюк О.О.
(прізвище та ініціали)
Нормоконтроль Хоменко О.М.
(прізвище та ініціали)
Рецензент _Бакум О.М._
(прізвище та ініціали)

Черкаси
2025 рік
2

ЗМІСТ
Вступ 4
1 Аналітичний огляд літератури 5
1.1 Сутність і значення баз даних у екологічному моніторингу 5
1.2 Типи баз даних і їх застосування у моніторингових системах 11
1.3 Інструменти та технології для створення баз даних 13
1.4 Основні методологічні підходи до проектування баз даних у 16
сфері екології
1.5 Управління великими даними у системах моніторингу 20
1.6 Забезпечення безпеки та цілісності даних у базах для екологіч- 21
ного моніторингу
1.7 Методи забезпечення безпеки та цілісності даних у базах еко- 23
логічного моніторингу
2 Створення локальної автоматизованої бази даних для оцінки і прогно- 25
зування екологічного стану урбоземів з використанням сучасних геоін-
формаційних систем
2.1 Застосування сучасних геоінформаційних технологій для оцінки 25
і прогнозування екологічного стану урбоземів
2.2 Інтеграція баз даних із аналітичними системами та геоінформа- 26
ційними технологіями
2.3 Створення локальної автоматизованої бази даних властивостей 27
ґрунтів для оцінки і прогнозування екологічного стану урбоземів міста
Черкаси
2.4 Обґрунтування вибору професійних інструментів для екологіч- 29
ного моніторингу урбоземів
2.4.1 Фундамент Зберігання Даних: PostgreSQL та PostGIS 29
2.4.2 Інструменти обробки та аналізу 30
2.4.3 Інструмент інтерполяції та візуалізації даних моніторингу 31
урбоземів
3

2.5 Геопросторовий аналіз забруднення грунтів м. Черкаси 32
2.5.1 Програмне забезпечення для автоматизації аналізу 33
2.5.2 Методи просторової інтерполяції 36
2.6 Геопросторовий аналіз забруднення грунтів важкими металами 36
2.7 Кореляційний аналіз забруднювачів 43
2.8 Інтегральна оцінка геоекологічного стану ґрунтів 44
2.9 Зонування території м. Черкаси за ступенем забруднення 46
2.9.1 Просторовий розподіл свинцю 46
2.9.2 Просторовий розподіл кадмію 47
2.9.3 Просторовий розподіл цинк 48
2.9.4 Просторовий розподіл міді 49
2.9.5 Просторовий розподіл нікелю 50
2.9.6 Просторовий розподіл мангану 51
2.10 Перспективи розвитку та удосконалення системи аналізу 52
2.10.1 Створення веб-інтерфейсу 52
2.10.2 Удосконалення методів просторової інтерполяції 53
2.10.3 Інтеграція з супутниковими даними 53
Висновок 55
Перелік посилань 58
Додатки 64
Додаток А Файли бази даних 65
Додаток Б Карти кислотності грунтів 67
Додаток В Апробація результатів роботи 68

4

ВСТУП

Актуальність дослідження створення баз даних і управління ними в
екологічному моніторингу зумовлена зростанням екологічних викликів, які стоять
перед сучасним світом. Проблеми забруднення повітря, води, ґрунтів, а також
наслідки кліматичних змін усе більше впливають на життєдіяльність людства. В
таких умовах моніторинг екологічного стану стає невід’ємною частиною
забезпечення сталого розвитку. Він дозволяє своєчасно ідентифікувати проблеми
та ухвалювати ефективні управлінські рішення.
Основою сучасного екологічного моніторингу є надійні інформаційні
системи, які базуються на використанні технологій управління даними. Бази
даних забезпечують систематизацію, зберігання, аналіз та візуалізацію
екологічної інформації, що є ключовими елементами ефективної системи
моніторингу. Однак, зростання обсягу даних, що генеруються сучасними
моніторинговими системами, створює нові виклики. Серед них – забезпечення
точності, безпеки, доступності та інтеграції даних у єдину систему, яка б
враховувала специфіку екологічних процесів.
Створення бази даних та картографічних моделей геоекологічного стану
урбоземів, їх просторово-часових змін, відкриває нові можливості для
впровадження ефективної системи моніторингу з використанням системного
підходу та сучасних ГІС-технологій. Це дозволить відстежувати трансформацію
стану грунтів в часі та просторі, визначати зони ризику розвитку небезпечних
процесів, тим самим сприяючи розробці ефективних заходів охорони
навколишнього середовища, що є важливим для забезпечення сталого розвитку
сучасної держави.

5

1 АНАЛІТИЧНИЙ ОГЛЯД ЛІТЕРАТУРИ

1.1 Сутність і значення баз даних у екологічному моніторингу

Шляхи вирішення екологічних проблем, стратегія забезпечення екологічної
безпеки та досягнення сталого розвитку залишаються центральними темами обго-
ворень наукової світової спільноти. Наукова концепція екологічної безпеки, побу-
дована на основі екологічного моніторингу, початковим етапом якого є створення
системи збору та аналізу інформації про стан навколишнього природного середо-
вища [1].
У 60-х роках ХХ століття багато країн почали усвідомлювати важливість
координації зусиль зі збору, збереження та обробки екологічних даних. У 1972
році в Стокгольмі під егідою ООН відбулася конференція з охорони навколиш-
нього середовища, на якій було вперше сформульовано поняття «моніторинг».
Було визначено, що екологічний моніторинг — це комплексна система спостере-
жень, оцінки та прогнозу змін у стані довкілля під впливом антропогенної діяль-
ності [2].
Цей термін доповнив поняття «контроль стану навколишнього середовища»
і нині розглядається як сукупність організованих у просторі та часі спостережень
за окремими компонентами біосфери, разом із відповідним комплексом методів
екологічного прогнозування (рис. 1.1).
Блоки «Спостереження» і «Прогноз стану» взаємопов’язані і не можуть іс-
нувати один без одного. Це зумовлене тим, що прогноз ймовірних майбутніх змін
у навколишньому середовищі може бути здійснений лише за умови наявності до-
статнього масиву даних про його фактичний стан ( так званий прямий зв’язок).
6

Рисунок 1.1 – Схема системи екологічного моніторингу довкілля [1]

Головними завданнями екологічного моніторингу є спостереження за ста-
ном навколишнього середовища, оцінка її стану, прогнозування змін, визначення
рівня антропогенного впливу, а також ідентифікація основних факторів і джерел
впливу. Основною метою моніторингу є оптимізація взаємовідносин між люди-
ною і природою та екологічна адаптація господарської діяльності.
Екологічний моніторинг є міждисциплінарним процесом, що поєднує знан-
ня екології, біології, географії, геофізики, геології та інших наук. Залежно від кри-
теріїв виділяють різні види моніторингу у відповідності до їх виду, мети, об’єкту
спостереження [2, 3]. Класифікації систем екологічного моніторингу за різними
класифікаційними ознаками наведено на рисунку 1.2.

7

КЛАСИФІКАЦІЯ СИСТЕМ ЕКОЛОГІЧНОГО МОНІТОРИНГУ

Рисунок 1.2 – Класифікація систем моніторингу [2]

Однією із найбільш широко використовуваних є класифікація академіка
М.А. Голубець (рис. 1.3).
Особливе значення у системі екологічного моніторингу належить біологіч-
ному моніторингу, який спрямований на контроль стану довкілля через аналіз бі-
ологічних складових екосистеми (біоти). Біологічний моніторинг передбачає ви-
користання живих організмів для оцінки стану природного середовища [2, 3].
Головним методом біологічного моніторингу є біоіндикація, яка полягає у
фіксації змін у біоті, спричинених антропогенними факторами. Крім біологічних
методів, у моніторингу можуть використовуватися й інші, наприклад, хімічний
аналіз забруднюючих речовин у живих організмах.

8

Рисунок 1.3 – Схема класифікації моніторингу (Голубець М.А.) [1]

Екологічний моніторинг довкілля здійснюється з урахуванням його призна-
чення, і за цим критерієм виділяють загальний, кризовий та фоновий види моні-
торингу. Кожен із цих видів має свою специфіку, завдання і підходи до реалізації,
що дозволяє ефективно реагувати на різні екологічні виклики. Кабінет Міністрів
України у липні 2024 року схвалив постанову щодо нової системи державна моні-
торингу стану навколишнього середовища, яка відповідатиме міжнародним стан-
дартам екологічного управління, в тому числі вимогам і директивам Угоди про
асоціацію з ЄС. Вона передбачає збір та узагальнення екологічних даних з усієї
України, які будуть акумулюватимуться на ЕкоСистемі (https://eco.gov.ua/) і бу-
дуть доступні кожному 24/7 [4].
Загальний екологічний моніторинг довкілля передбачає оптимізацію кілько-
сті спостережних пунктів, вибір параметрів і встановлення періодичності спосте-
режень за станом навколишнього середовища. Цей підхід дозволяє забезпечувати
системну оцінку і прогнозування стану довкілля, що є основою для ухвалення
9

управлінських рішень як на відомчому, так і на загальнодержавному рівнях. За-
вдяки загальному моніторингу створюється база даних, яка використовується для
прийняття стратегічних рішень, спрямованих на запобігання екологічним кризам.
Кризовий екологічний моніторинг довкілля зосереджується на інтенсивно-
му спостереженні за об’єктами природи, а також джерелами техногенного впливу
в зонах підвищеної екологічної напруженості, аварій або природних явищ, які
можуть спричинити значні екологічні збитки. Метою такого моніторингу є своє-
часне реагування на надзвичайні ситуації екологічного характеру й прийняття рі-
шень щодо їх ліквідації та створення умов для безпечної життєдіяльності насе-
лення і ведення господарської діяльності [5].
Фоновий екологічний моніторинг довкілля спрямований на багаторічні
комплексні дослідження природоохоронних територій, віддалення від об’єктів
промислової та господарської діяльності. Основне завдання цього виду монітори-
нгу полягає в оцінці та прогнозуванні змін стану екосистем, а також у визначенні
середньостатистичних показників забруднення, які є фоновими в антропогенних
умовах. Отримані результати слугують основою для оцінки впливу людської дія-
льності на довкілля [2, 5].
В Україні екологічний моніторинг здійснюється численними відомствами,
які координують свої зусилля відповідно до специфіки поставлених завдань. Ко-
жний із суб`єктів державної системи моніторингу довкілля здійснює моніторинг
тих об`єктів довкілля, що визначаються Положенням про державну систему моні-
торингу довкілля та порядками і положеннями про державний моніторинг окре-
мих складових довкілля. Існуюча система моніторингу розділена на три основні
рівні: загальнодержавний, регіональний і локальний [6].
Глобальний рівень моніторингу спрямований на вивчення планетарних змін
у біосфері, таких як кліматичні зміни, деградація озонового шару та глобальне
потепління. На цьому рівні реалізуються міжнародні програми, які координують-
ся спеціалізованими організаціями, такими як ООН та ВООЗ.
10

Регіональний рівень моніторингу орієнтований на дослідження змін в абіо-
тичних компонентах середовища, які спричиняють екзогенні сукцесії в біоті. Ці
зміни викликаються господарською діяльністю на рівні регіонів, що позначається
на рівновазі екосистем. Наприклад, вирубування лісів істотно впливає на клімати-
чні умови, змінюючи баланс вологості, вуглекислого газу та кисню в атмосфері.
Локальний рівень моніторингу забезпечує найбільш детальне спостережен-
ня за станом довкілля. Головним критерієм якості є концентрації забруднюючих
речовин, що визначаються порівняно з гранично допустимими нормами (ГДК),
закріпленими законодавчо. Основне завдання моніторингу на цьому рівні полягає
у встановленні залежності між джерелами викидів і їх концентраціями у довкіллі
[3].
Законодавче регулювання системи моніторингу в Україні закріплене Поста-
новою Кабінету Міністрів України №391 від 30 березня 1998 року. Основні функ-
ції виконують такі органи, як Державна служба надзвичайних ситуацій, Міністер-
ство охорони здоров’я, Мінагрополітики, Держлісагентство, Держводагентство,
Мінекономресурсів та інші. Кожне відомство проводить спостереження у своїй
сфері відповідальності, зокрема за забрудненням повітря, води, ґрунтів, снігового
покриву, кислотністю опадів та транскордонним переносом забруднюючих речо-
вин [7].
Моніторинг довкілля в Україні реалізується через три основні напрями ро-
боти: режимні, оперативні та спеціальні спостереження. Режимні спостереження
здійснюються на постійній основі відповідно до затверджених програм. Їхня мета
– відслідковувати стабільність екосистем і рівень забруднення довкілля. Операти-
вні роботи активуються у разі аварійних забруднень або стихійних лих і спрямо-
вані на зменшення наслідків таких ситуацій. Спеціальні роботи, наприклад моні-
торинг пестицидного забруднення, проводяться у зв’язку із зростанням ролі ан-
тропогенних факторів у зміні природних екосистем [1, 2, 8].
Система екологічного моніторингу є комплексною і багатогалузевою, за-
безпечуючи своєчасну оцінку стану довкілля, прогнозування змін і розробку за-
11

ходів для його охорони та відновлення. Ефективність цієї системи залежить від
координації зусиль між різними рівнями моніторингу, використання сучасних ме-
тодів спостереження і впровадження інноваційних технологій для аналізу даних.

1.2 Типи баз даних і їх застосування у моніторингових системах

У системах екологічного моніторингу бази даних використовуються для
зберігання, аналізу та управління інформацією про стан навколишнього середо-
вища. Різноманітність типів баз даних дозволяє обирати оптимальну модель зале-
жно від цілей та специфіки даних. Найбільш поширеними є реляційні, нереляційні
та об’єктно-орієнтовані бази даних (рис. 1.4).

Рисунок 1.4 − Типи баз даних

12

За рейтингом баз даних компанії DB-Engines [9] станом на листопад 2025
року реляційні бази даних займають перші місця. Вони побудовані на основі таб-
личної моделі даних, де інформація організована у вигляді таблиць з рядками та
стовпцями. Кожна таблиця має унікальний ключ, що дозволяє встановлювати
зв’язки між таблицями. Цей тип баз даних найбільш підходить для роботи з чітко
структурованими даними, наприклад, для зберігання вимірювань рівня забруд-
нення повітря чи води. Вони широко застосовуються завдяки надійності, гнучкос-
ті та підтримці стандарту SQL. Реляційні бази є ідеальним вибором для завдань,
що вимагають високої точності та чіткої організації даних [10, 11]. Наприклад, у
системах моніторингу якості води реляційні бази дозволяють ефективно зберігати
інформацію про склад забруднюючих речовин, температурні показники води, рі-
вень pH тощо [12].
Так звані сховища даних Not only SQL (NoSQL) були розроблені як альтер-
натива реляційним базам. Вони відрізняються гнучкістю у зберіганні даних, які не
завжди мають фіксовану структуру, і поділяються на кілька категорій: документ-
но-орієнтовані, графові, ключ-значення та інші (рис. 1.5).

Рисунок 1.5 – Типи NoSQL (не реляційних) баз даних

13

Такі бази даних використовуються для роботи з великими обсягами даних,
наприклад, з інформацією про транскордонний перенос забруднюючих речовин
чи даними зі станцій моніторингу в реальному часі [13].
Вибір типу бази даних залежить від специфіки завдань у сфері екологічного
моніторингу. Використання сучасних інформаційних технологій забезпечує ефек-
тивне збирання, аналіз, моделювання та прогнозування змін у стані довкілля, що є
ключовим для прийняття стратегічних рішень щодо охорони природи. Важливим
інформаційним джерелом для оптимізації математичних моделей є саме бази да-
них.

1.3 Інструменти та технології для створення баз даних

Розробка та управління базами даних залежать від використання сучасних
інструментів і технологій, які забезпечують ефективність роботи з інформацією.
Основними технологіями у цій сфері, як зазначалося вище, є реляційні бази даних
(SQL), нереляційні бази даних (NoSQL), а також хмарні платформи, що пропону-
ють широкий спектр можливостей для створення, управління та масштабування
баз даних.
Стандартом для роботи з реляційними базами даних є, як вже зазначалося
вище, мова структурованих запитів SQL, яка використовує табличну модель да-
них. Вона дозволяє створювати, модифікувати та управляти базами даних, а та-
кож здійснювати запити для пошуку, агрегації та аналізу даних. SQL забезпечу-
ють чітку структуру і суворі зв’язки між даними, що робить її ідеальним вибором
для систем, де необхідна висока точність і взаємозв’язок між інформаційними
об’єктами. Наприклад, SQL ідеально підходить для фінансових систем, систем
управління підприємствами або екологічного моніторингу, де дані мають жорстку
структуру.
14

SQL підтримується багатьма популярними системами управління базами
даних (СУБД), такими як MySQL, PostgreSQL, SQLite, MariaDB, Microsoft SQL
Server та Oracle Database [10, 11].
Переваги SQL:
 чітка структура та організація даних у таблицях;
 потужний інструментарій для обробки даних через запити;
 широка підтримка з боку спільноти та розробників.
Обмеження у використанні SQL пов’язані із жорсткими вимогами до струк-
тури даних, що робить його менш придатним для роботи з неструктурованими або
змінними даними.
NoSQL бази даних забезпечують більшу гнучкість у роботі з даними, які
можуть мати слабко структурований або неструктурований формат. Вони часто
використовуються для обробки великих потоків даних у реальному часі або для
роботи з інформацією, яка постійно змінюється. Це особливо актуально для вели-
ких проєктів, які передбачають обробку потоків даних у реальному часі, напри-
клад, у соціальних мережах, аналізі трафіку IoT або моніторингу станцій у режимі
реального часу. NoSQL бази, такі як MongoDB чи Cassandra, дозволяють масшта-
буватися горизонтально, що важливо для систем із динамічним обсягом даних
[13, 14].
Основні типи NoSQL баз:
 Документоорієнтовані (MongoDB, CouchDB).
 Графові (Neo4j, JanusGraph).
 Ключ-значення (Redis, DynamoDB).
 Колонкові (Cassandra, HBase).
NoSQL технології дозволяють адаптувати структуру бази даних до специфі-
чних потреб проекту, що особливо важливо для аналітичних систем та сервісів із
високими вимогами до масштабованості.
Переваги NoSQL:
 Гнучкість у роботі з даними.
15

 Простота масштабування у горизонтальному напрямку.
 Висока продуктивність для великих потоків інформації.
Хмарні платформи стали важливим інструментом для створення баз даних,
дозволяючи розробникам зосередитися на функціональності та продуктивності
без необхідності адміністрування фізичних серверів. Хмарні платформи забезпе-
чують доступ до баз даних через Інтернет, автоматично масштабують ресурси та
забезпечують високу доступність. Вони ідеально підходять для розподілених сис-
тем, які працюють з великими обсягами даних і потребують високої надійності.
Завдяки автоматизації адміністрування баз даних хмарні платформи звільняють
розробників від управління інфраструктурою, дозволяючи зосередитися на функ-
ціональності та продуктивності системи [15].
Популярні хмарні платформи для баз даних:
 Amazon Web Services (AWS) – пропонує сервіси Amazon RDS для
SQL-баз та DynamoDB для NoSQL.
 Microsoft Azure – надає сервіси Azure SQL Database та Cosmos
DB для різних типів даних.
 Google Cloud Platform (GCP) – забезпечує сервіси Cloud SQL,
BigQuery та Firestore.
 Хмарні бази даних використовуються для обробки великих обся-
гів інформації, зберігання даних із різних джерел і швидкої розробки застосунків.
Переваги хмарних платформ:
 автоматичне масштабування залежно від потреб;
 висока доступність і відмовостійкість;
 підтримка різних типів баз даних;
 використання AWS DynamoDB для зберігання даних моніторингу.
Властивості та сфери застосування існуючих технологій створення баз да-
них зведені в таблиці 1.1.

16

Таблиця 1.1 − Порівняння технологій для створення баз даних
Приклади
Технологія Особливості Застосування
платформ
SQL Чітка структура, таблиці, Реляційні бази, систе- MySQL,
запити на мові SQL ми з чітко визначени- PostgreSQL,
ми зв’язками між да- SQLite,
ними MariaDB
NoSQL Гнучкість у роботі з не- Аналітика великих MongoDB,
структурованими дани- даних, системи реаль- Cassandra,
ми, різноманітність мо- ного часу, зберігання DynamoDB
делей даних IoT
Хмарні Автоматичне масштабу- Системи, які потребу- AWS, Azure,
платформи вання, висока доступ- ють обробки великих Google Cloud
ність потоків даних і відмо-
востійкості

Отже, кожна з розглянутих технологій створення баз даних має свої уніка-
льні переваги, які визначають їх використання залежно від типу даних, специфіки
проекту та вимог до продуктивності. У сучасних умовах все частіше застосову-
ються комбіновані підходи. Наприклад, SQL використовують для зберігання
структурованих даних, тоді як NoSQL відповідає за аналітику або роботу з не-
структурованими даними. Хмарні технології об’єднують можливості баз даних
SQL та NoSQL, і, таким чином, забезпечують більшу гнучкість, масштабованість і
продуктивність. Такий підхід дозволяє оптимізувати процеси зберігання та аналі-
зу даних, що є ключовим для забезпечення ефективності сучасних інформаційних
систем.

1.4 Основні методологічні підходи до проектування баз даних у сфері еко-
логії

Проектування баз даних у сфері екології є важливим етапом при розробці
програмного забезпечення системи моніторингу, оскільки дозволяє ефективно
зберігати, обробляти та отримувати доступ до даних моніторингу об’єктів спосте-
17

реження, фіксувати і аналізувати їх критичні зміни, оцінювати та ідентифікувати
антропогенний вплив, прогнозувати розвиток екологічних ситуацій для прийняття
обґрунтованих управлінських рішень.
Проектування баз даних є багатоступеневим процесом, що включає:
 аналіз предметної області з урахуванням інформаційних потреб кори-
стувачів. Бази даних формують, враховуючи характеристику обраної предметної
області та всі потрібні джерела інформації для забезпечення запитів користувача
та виконання конкретних прикладних завдань. Аналіз предметної області дозво-
ляє визначити склад і структуру тих даних, які необхідно буде завантажувати в
базу, для побудови моделі даних.
 визначення об’єктів і зв’язків між ними, щоб організувати й пов’язати
інформацію. Цей процес включає системний аналіз інформації, необхідної для за-
безпечення потреб користувача і виконання конкретних прикладних завдань, кон-
цептуальне, логічне та фізичне проектування.
 створення загальної моделі даних, яка відображає ключові об’єкти, їх
властивості та зв’язки між ними. Важливими аспектами цього етапу процесу про-
ектування баз даних є те, що кожен об'єкт потребує унікальний ідентифікатор
(первинний ключ) для його ідентифікації. Також потрібно мати інформацію про
самі дані (опис об'єктів та атрибутів, правила, що стосуються даних).
 вибір відповідних технологій для інтеграції даних з різних методів
дослідження (спостереження, вимірювання, експеримент), їх перетворення до
єдиного, стандартизованого формату для спрощення аналізу;
 реалізацію ефективної структури для зберігання й обробки екологіч-
ної інформації (наприклад, результати вимірювань) з використанням сучасних те-
хнологій, методологій і різноманітних процедур по обробці інформації у поєднан-
ні з просторовими базами даних для геопросторового аналізу.
Отже, процес проектування баз даних базується на певних методологічних
підходах, які і забезпечують системність та цілісність створюваної бази даних для
екологічного моніторингу (таблиця 1.2) [16, 17].
18

Таблиця 1.2 − Основні методологічні етапи створення бази даних
Етап проекту- Приклад застосування у сфе-
Основні завдання
вання рі екології
Концептуальне Визначення об’єктів і зв’язків, Моделювання об’єктів, таких
створення загальної моделі да- як «Водний об’єкт» або
них «Джерело забруднення»
Логічне Розробка логічної структури Створення таблиць «Рівень
бази даних, визначення ключів і забруднення», «Станція моні-
зв’язків торингу» із чіткими
зв’язками
Фізичне Реалізація структури бази даних Налаштування зберігання да-
у конкретному програмному них результатів моніторингу
середовищі, налаштування па- якості повітря або води
раметрів роботи

Концептуальне проектування є першим етапом процесу проектування баз
даних, що зосереджується на визначенні загальних вимог до системи з урахуван-
ням специфіки екологічного моніторингу. Основна мета цього етапу полягає у
створенні логічної моделі, яка відображає ключові об’єкти та їх зв’язки. Напри-
клад, у випадку бази даних для моніторингу водних ресурсів концептуальна мо-
дель може містити об’єкти, джерела забруднення, рівень забруднення та їх атри-
бути, такі як тип водойми, географічне розташування, хімічний склад і концент-
рація забруднюючих речовин.
На етапі логічного проектування модель деталізується з урахуванням конк-
ретного типу бази даних, який планується використовувати. Логічна структура
включає схему таблиць, визначення первинних і зовнішніх ключів, а також
зв’язків між таблицями. У реляційних базах даних це може бути таблиця «Спо-
стереження» (містить інформацію про дату, місце спостереження і результати ви-
мірювань), яка пов’язана з таблицями «Станція моніторингу» (назва, координати,
її тип) і «Забруднюючі речовини» (назва, хімічна формула).
Для нереляційних баз даних, які часто використовуються у реальному часі
для аналізу потокових даних, логічне проектування передбачає створення доку-
19

ментів або графів, що відповідають природі даних. Наприклад, для відстеження
транскордонного перенесення забруднень можуть використовуватися графові ба-
зи даних, де вузли представляють джерела і місця осідання забруднювачів, а
зв’язки – маршрути перенесення.
Фізичне проектування є наступним кроком, який полягає у створенні техні-
чної реалізації бази даних на основі обраного програмного забезпечення. На цьо-
му етапі визначаються такі параметри, як обсяг пам’яті, методи збереження даних
і оптимізації запитів. У сфері екології фізичне проектування враховує потребу у
зберіганні великих обсягів даних, наприклад, результатів багаторічного монітори-
нгу, які мають бути доступними для аналітичної обробки і прогнозування. Один із
ключових методологічних підходів у проектуванні баз даних – використання гео-
просторових даних, які є важливими для моніторингу територіально розподілених
об’єктів. У цьому випадку проектування включає інтеграцію бази даних із геоін-
формаційними системами (GIS), що дозволяє візуалізувати дані на карті [16, 18-
20].
Методологічні підходи також враховують перспективу масштабування бази
даних, що є важливим для систем екологічного моніторингу, які повинні обробля-
ти дедалі більші обсяги даних у реальному часі. Зокрема, у проектуванні викорис-
товується нормалізація даних для уникнення надлишковості та забезпечення оп-
тимальної продуктивності запитів.
Отже, проектування баз даних для екологічного моніторингу – це складний,
але необхідний процес, що забезпечує точне відображення екологічних даних і
ефективну їхню обробку для ухвалення управлінських рішень. Від правильного
вибору методології та реалізації залежить якість аналітичної інформації, яка ви-
користовується для планування та прогнозування у сфері охорони довкілля.

20

1.5 Управління великими даними у системах моніторингу

Управління великими даними (Big Data) є центральним завданням сучасно-
го екологічного моніторингу, оскільки масштаби зібраної інформації постійно
зростають. Дані надходять із численних джерел, таких як сенсори, супутникові
системи та краудсорсингові платформи. Ця інформація охоплює стан повітря, во-
ди, ґрунтів, біорізноманіття та клімату, створюючи значний обсяг даних, які пот-
рібно обробляти, зберігати та аналізувати [1, 21].
Одним із ключових викликів є складність обробки цих великих обсягів да-
них, які часто мають різну структуру та формат. Дані, отримані від сенсорів чи
супутників, вимагають попередньої обробки, зокрема фільтрації та інтеграції в
уніфіковану систему. Цей процес потребує значних ресурсів і спеціальних ін-
струментів, таких як платформи для обробки даних у реальному часі. Важливою
проблемою є також зберігання великих обсягів даних. Для цього використову-
ються розподілені сховища та хмарні платформи, які забезпечують масштабова-
ність і доступність. Наприклад, такі системи, як Amazon S3 чи Hadoop, дозволя-
ють ефективно працювати з екологічними даними, надаючи безперебійний доступ
до них [22-26].
Аналіз і візуалізація даних становлять наступний етап управління великими
даними. Тут використовуються сучасні алгоритми машинного навчання та геоін-
формаційні системи для побудови моделей, прогнозів і візуального представлення
результатів [20, 27]. Великі дані застосовуються для моделювання поширення за-
бруднень, прогнозування змін у сучасних кліматичних умовах тощо.
Критичним завданням управління великими даними є забезпечення їх без-
пеки, особливо якщо вони стосуються стратегічних об'єктів чи чутливих екологі-
чних зон. Дані повинні бути захищені шифруванням, а доступ до них − обмеже-
ний багаторівневими системами контролю.
У контексті екології управління великими даними дозволяє вирішувати низ-
ку важливих завдань. Наприклад, моніторинг якості повітря стає ефективнішим
21

завдяки використанню сенсорів, які фіксують концентрації шкідливих речовин.
Аналіз водних ресурсів здійснюється через постійний збір і оцінку даних про рі-
вень токсичних речовин у водоймах.
Застосування сучасних технологій, таких як хмарні обчислення, розподілені
системи обробки та алгоритми штучного інтелекту, сприяє ефективному вирі-
шенню цих завдань. У результаті великі дані стають ключовим інструментом для
збереження природного середовища, прийняття стратегічних рішень і забезпечен-
ня сталого розвитку.
Інтеграція ГІС та технологій дистанційного зондування Землі забезпечує
комплексний інструментарій для вирішення широкого кола проблем моніторингу
навколишнього середовища. Для прогнозування зон забруднення, моделювання
змін клімату або аналізу біорізноманіття використовують супутникові дані. Супу-
тникові зображення дозволяють оцінювати стан лісів, стан зволоженості ґрунто-
вого покриву, зміну клімату та динаміку урбанізації, оцінювати масштаби дегра-
дації екосистем, виявляти ділянки, що потребують першочергового прийняття
управлінських рішень для покращення ситуації [20, 27].

1.6 Забезпечення безпеки та цілісності даних у базах для екологічного моні-
торингу

Дані, що використовуються для екологічного моніторингу, мають критичне
значення для ухвалення управлінських рішень, прогнозування та розробки еколо-
гічної політики. Тому забезпечення їхньої безпеки та цілісності є ключовим за-
вданням. Втрата, зміна або несанкціонований доступ до таких даних може мати
серйозні наслідки, включно з недостовірністю аналізу, помилками в прогнозах та
екологічними ризиками [21].
Основні аспекти забезпечення безпеки та цілісності даних [22, 23]:
 Цілісність даних: Передбачає захист від будь-яких несанкціонованих
або випадкових змін. У базах даних екологічного моніторингу це критично важ-
22

ливо для збереження точності показників, таких як рівень забруднення, кліматич-
ні параметри чи динаміка біорізноманіття.
 Контроль доступу: Забезпечує обмеження доступу до даних залежно
від ролей користувачів. Наприклад, тільки аналітики можуть змінювати дані, тоді
як інші мають доступ лише до перегляду.
 Шифрування: Гарантує захист даних як у процесі передачі, так і під
час зберігання, використовуючи сучасні криптографічні алгоритми.
 Резервне копіювання: Регулярне створення резервних копій даних до-
зволяє уникнути їх втрати у разі технічних збоїв або кібератак.
 Аудит і журналювання: Відстеження всіх змін у базі даних для іден-
тифікації несанкціонованих дій.
До сучасних інструментів для забезпечення безпеки відносять:
 Шифрування: OpenSSL, Amazon KMS, Microsoft Azure Key Vault.
 Контроль доступу: AWS IAM, Google Cloud IAM, Role-Based Access
Control (RBAC) у PostgreSQL.
 Журналювання: Audit Logs у MySQL/PostgreSQL, ELK Stack для ана-
літики журналів.
 Резервне копіювання: AWS Backup, Google Cloud Storage Snapshots.
В якості прикладу можна навести систему моніторингу якості води в Укра-
їні. Станції моніторингу, що використовують датчики для вимірювання рівня за-
бруднень у водоймах, передають дані через захищені канали зв’язку.
Іншим прикладом може бути бази даних агенції EPA (Environmental
Protection Agency), яка використовує хмарну платформу Amazon Web Services
(AWS) для зберігання екологічних даних [24]. Вони застосовують багаторівневий
контроль доступу за допомогою AWS IAM (рисунок 1.6) (Identity and Access
Management) та шифрування даних з використанням Amazon KMS (Key
Management Service).

23

Рисунок 1.6 − Схема роботи AWS IAM (Identity and Access Management) [24]

IAM забезпечує детальний контроль над тим, хто може переглядати, ство-
рювати, редагувати або видаляти певні ресурси. Наприклад, керівнику проекту
надано доступ для перегляду інформаційних панелей CloudWatch, але заборонено
змінювати ресурси EC2 або RDS, стажер команди DevOps має право лише запус-
кати та зупиняти інстанції EC2, але не може завершувати їх роботу, що забезпечує
захист критично важливої інфраструктури, користувачеві User-1надається доступ
до ресурсу EC2 лише для читання, але він не може створювати, змінювати або ви-
даляти інформвцію.

1.7 Методи забезпечення безпеки та цілісності даних у базах екологічного
моніторингу

Забезпечення безпеки та цілісності даних у базах екологічного моніторингу
є ключовим фактором для надійної роботи систем. Використання сучасних техно-
логій (таблиця 1.3), таких як шифрування, контроль доступу, резервне копіювання
та аудит, дозволяє зберігати точність і достовірність даних, забезпечуючи їхнє
ефективне використання при вирішенні екологічних проблем.
24

Таблиця 1.3 − Методи забезпечення безпеки даних у базах екологічного моніто-
рингу [16, 23, 27]
Метод Опис Приклад у моніторингу
Шифрування Захист даних у процесі збері- Передача даних про рівень
гання та передачі, використо- забруднення повітря між сен-
вуючи алгоритми AES або сорами та сервером
TLS
Контроль дос- Обмеження прав доступу до Адміністратор має права на
тупу бази даних залежно від ролі зміну даних, користувачі мо-
користувача жуть лише переглядати звіти
Резервне ко- Створення регулярних копій Системи моніторингу радіа-
піювання даних для відновлення у разі ційного забруднення зберіга-
втрат ють щоденні резервні копії
даних
Аудит і жур- Відстеження змін у базі даних Журнал транзакцій у
налювання для запобігання несанкціоно- PostgreSQL фіксує всі зміни у
ваним діям таблицях якості води
Захист від збо- Використання кластерів і реп- Реалізація реплікації в
їв лікацій для уникнення втрати MongoDB для резервування
даних даних моніторингу біорізно-
маніття
Захищені API Використання автентифікації Надання доступу до даних
та шифрування для доступу до моніторингу через API із за-
даних через API стосуванням токенів автенти-
фікації

Реалізація цих заходів на прикладі систем моніторингу в різних країнах до-
водить їхню важливість у досягненні екологічної безпеки та сталого розвитку.

25

2. СТВОРЕННЯ ЛОКАЛЬНОЇ АВТОМАТИЗОВАНОЇ БАЗИ ДАНИХ ДЛЯ ОЦІ-
НКИ І ПРОГНОЗУВАННЯ ЕКОЛОГІЧНОГО СТАНУ УРБОЗЕМІВ З ВИКОРИ-
СТАННЯМ СУЧАСНИХ ГЕОІНФОРМАЦІЙНИХ СИСТЕМ

2.1 Застосування сучасних геоінформаційних технологій для оцінки і про-
гнозування екологічного стану урбоземів

Зростання урбанізації наражає міста на низку екологічних проблем, вклю-
чаючи теплові острови, шум, різні форми забруднення (повітря, ґрунту, води),
втрату біорізноманіття та, зрештою, деградацію міських екосистем та загрози еко-
системним послугам та здоров'ю людини.
Визначення якості ґрунту включає широкий спектр лабораторних та диста-
нційних методів, емпіричних та теоретичних математичних моделей для кількіс-
ної та якісної оцінки їх екологічного стану. Використання сучасних ГІС-
технологій із створення картографічних моделей властивостей ґрунтів міста для
моніторингу їх просторово-часових змін, відкриває нові можливості для впрова-
дження ефективної сучасної системи моніторингу.
Застосування ГІС значно прискорює отримання і порівняння даних, зону-
вання території за виявленими критичними трансформаціями урбоземів, є корис-
ними для оптимізації математичних моделей прогнозування трансформації урбо-
земів в результаті техногенного впливу в умовах транспортного та промислового
навантаження, визначення зон еколого-геохімічної нестабільності, пов’язаних із
техногенним впливом, що є важливим для забезпечення сталого розвитку сучас-
ної держави.
Найважливішим завданням організації ефективної системи моніторингу з
використанням ГІС-технології є забезпечення оптимізації процесу збирання, об-
робки та репрезентації екологічної інформації, що відіграє важливу роль у полег-
шенні введення та управління атрибутивними даними, які зазвичай супроводжу-
ють просторову інформацію.
26

2.2 Інтеграція баз даних із аналітичними системами та геоінформаційними
технологіями

Інтеграція баз даних із аналітичними системами та геоінформаційними тех-
нологіями (GIS) є важливим кроком для забезпечення ефективності екологічного
моніторингу. Вона дозволяє об’єднувати зібрані дані, виконувати їхній детальний
аналіз і представляти результати у зручній для користувачів формі, зокрема у ви-
гляді карт, графіків чи інтерактивних візуалізацій [28].
Бази даних виступають ядром екологічних інформаційних систем, зберігаю-
чи великі обсяги структурованої та неструктурованої інформації. Наприклад, дані
про забруднення повітря або води, стан ґрунтів чи біорізноманіття збираються з
численних джерел, таких як сенсори, супутники або громадські звіти, і зберіга-
ються у базах даних різного типу (реляційні, документоорієнтовані тощо). Для
ефективного використання ці дані інтегруються з аналітичними платформами, які
забезпечують інструменти для обробки, аналізу та прогнозування.
Аналітичні системи дозволяють проводити складний аналіз на основі вели-
ких масивів даних, що зберігаються у базах. Наприклад, платформи на основі Big
Data, такі як Apache Spark або Tableau, використовуються для побудови моделей
прогнозування забруднення повітря або води залежно від сезонних змін чи техно-
генного навантаження. Використання машинного навчання у цих системах дозво-
ляє виявляти приховані закономірності, які не можна було б ідентифікувати за
допомогою традиційних методів аналізу.
Інтеграція баз даних із GIS дозволяє поєднувати географічну інформацію
(координати, площі, межі територій) з атрибутивними даними (забруднення, клі-
матичні параметри тощо). Наприклад, у випадку моніторингу стану водних ресур-
сів GIS-технології дозволяють наносити на карту дані про рівень забруднення рі-
чок чи озер у конкретних місцях. Це значно полегшує розуміння екологічної си-
27

туації на території, ідентифікацію найбільш проблемних зон та визначення пріо-
ритетних заходів для їхнього очищення чи захисту [27-29].
Одним із ключових аспектів інтеграції баз даних із аналітичними системами
та геоінформаційними технологіями є стандартизація даних, які використовують-
ся в GIS. Для забезпечення сумісності баз даних із геоінформаційними системами
часто використовують стандарти, такі як GeoJSON, WMS (Web Map Service) або
WFS (Web Feature Service). Це дозволяє швидко інтегрувати дані з різних джерел
у єдину систему та забезпечувати їхню доступність для аналітичних розрахунків
[30].

2.3 Створення локальної автоматизованої бази даних властивостей ґрунтів
для оцінки і прогнозування екологічного стану урбоземів міста Черкаси

При розробці баз даних вирішальним є інтеграція просторових або атрибу-
тивних даних у систему. Цей процес зазвичай починається зі збору просторових
даних в межах визначеної досліджуваної території. Враховуючи, що просторові
дані часто надходять у безлічі форм і форматів, ключовим етапом є стандартиза-
ція цих даних для забезпечення однорідності та сумісності.
Для зображення цього критичного підготовчого етапу використовується
блок-схема для візуального представлення послідовності операцій, необхідних
для ефективної обробки просторових даних (рис. 2.1).
Дані в цифровому форматі, отримані з різних джерел, часто містять багато
атрибутивних деталей. Саме на цьому етапі дані виходять за рамки простих геог-
рафічних координат, щоб втілити багатше та детальніше представлення характе-
ристик, які вони представляють. Ця ретельна перевірка даних гарантує, що вся
інформація, введена в базу даних ГІС, є узгодженою, точною та готовою для по-
дальшого аналізу.
Базова структура бази даних властивостей ґрунтів передбачає такі атрибу-
тивні дані: опис природних умов (рельєф, рослинність, ґрунтоутворюючі породи
28

тощо), опис генетичних горизонтів, фізичні і хімічні властивості ґрунтів (рисунок
2.2) [32].
Процес
введення
просторових
даних
Процес
введення
атрибутивних
даних
База
просторових
даних

Рисунок 2.1 − Процес формування бази даних [31]

Рисунок 2.2 – Структура бази даних властивостей ґрунтів [32]
29

Для зберігання великих масивів даних і роботи з ними, як вже зазначалося,
використовуються такі СУБД як Microsoft SOL Server, Oracle та деякі інші. Але
використання деяких з цих програм є дороговартістним, крім того потребує висо-
кокваліфікованих фахівців і високопродуктивного обладнання [10, 11].
Для ефективного використання ці дані інтегруються з аналітичними плат-
формами та геоінформаційними технологіями (GIS), які забезпечують інструмен-
ти для обробки, аналізу та прогнозування, і представляють результати у зручній
для користувачів формі − у вигляді карт, графіків чи інтерактивних візуалізацій
[27-29].

2.4 Обґрунтування вибору професійних інструментів для екологічного мо-
ніторингу урбоземів

Щоб реалізувати поставлене завдання щодо створення бази даних для моні-
торингу стану урбоземів м. Черкаси, зупинилися на наборі відкритих технологій,
які є надійними і сумісні між собою. Такий підхід забезпечує солідну надійність
для зберігання даних, сильні можливості для просторового аналізу, гнучкість у
автоматизованій обробці. Все це відповідає потребам системи, яка має впоратися
з великими масивами інформації.

2.4.1 Фундамент Зберігання Даних: PostgreSQL та PostGIS

Система управління базами даних (СУБД) виступає як інформаційне ядро,
що забезпечує систематизацію, зберігання та аналіз екологічної інформації [32].
Як основну СУБД для надійного зберігання структурованих даних моніторингу
грунтів обрано PostgreSQL (об'єктно-реляційна СУБД).
На основі проведеного аналізу існуючих типів баз даних було визначено,
що реляційні бази, зокрема PostgreSQL, є оптимальними для зберігання структу-
30

рованих екологічних даних. PostgreSQL забезпечує суворе дотримання вимог до
цілісності даних, що гарантує збереження точності показників. Слід також зазна-
чити, що реляційні бази даних є ідеальним вибором для завдань, що вимагають
високої точності та чіткої організації даних. PostgreSQL підтримує стандарт SQL,
який дозволяє створювати, модифікувати та управляти базами даних, а також
здійснювати запити для пошуку, агрегації та аналізу [12]
Використання відкритих інструментів сприяє інтеграції інформаційних ре-
сурсів [33]. Це дозволяє оптимізувати процеси зберігання та аналізу даних, що є
ключовим для забезпечення ефективності сучасних інформаційних систем.
Необхідним елементом для управління геопросторовими даними, незалежно
від вибору інструмента візуалізації, залишається PostGIS − розширення, яке пере-
творює PostgreSQL на географічну базу даних, що є критично важливим для еко-
логічного моніторингу, який є багатокомпонентною системою. Він дозволяє збе-
рігати та індексувати GPS-координати, що забезпечує можливість поєднувати ге-
ографічну інформацію з атрибутивними даними про забруднення ґрунтів. Функ-
ціональність PostGIS є важливою для моніторингу територіально розподілених
об’єктів. Це дозволяє виконувати складний просторовий аналіз (наприклад, ви-
значення відстаней між точками відбору та джерелами забруднення) та ідентифі-
кувати найбільш проблемні зони [8]. PostGIS дозволяє експортувати чисті, про-
аналізовані дані про концентрації металів у формат (CSV/TXT), безпосередньо
сумісний з програмами інтерполяції, такими як Surfer.

2.4.2 Інструменти обробки та аналізу

Інструментом для обробки та аналізу даних вибраний мова програмування
Python з Бібліотеками, що забезпечує потужні можливості обробки даних з аналі-
тичними інструментами, оптимізуючи процес підготовки даних для інтерполяції
(таблиця 2.1).

31

Таблиця 2.1 – Основні переваги мови програмування Python [34]
Аспект Детальний опис та обґрунтування
Гнучкість та Забезпечує високу гнучкість у програмуванні завдяки
аналіз численним бібліотекам, дозволяючи виконувати аналіти-
чні операції та обробляти дані з різних джерел. Це необ-
хідно для систем, які працюють із динамічним обсягом
даних
Автоматизація Дозволяє автоматизувати збір і аналіз інформації, інтег-
рувати різні джерела даних та забезпечувати обробку да-
них у реальному часі. Це сприяє швидкому отриманню
цінної аналітичної інформації для ухвалення рішень

Бібліотеки Python, як-от Pandas, дозволяють швидко виконувати розрахун-
ки, такі як середні показники забруднення або виявлення пікових значень, що є
частиною забезпеченням безпеки та цілісності даних [34].

2.4.3 Інструмент інтерполяції та візуалізації даних моніторингу урбоземів

Для візуалізації даних моніторингу обрано програмне забезпечення (ПЗ)
Surfer, яка забезпечує високоякісну візуалізацію просторового поширення забруд-
нення [35]. Вибором ПЗ Surfer досягається мета створення найбільш інформатив-
них карт забруднення, зонування території за рівнем забруднення, що є основою
для аналізу ситуації щодо поточного стану ґрунтів і відстеження динаміки змін з
метою прийняття оптимальних рішень для покращення ситуації в умовах зроста-
ючого антропогенного навантаження на урбоземи, зокрема і в умовах війни.
Отже, комплексне використання технологій PostgreSQL/PostGIS (для надій-
ного зберігання та геоаналізу), Python/Pandas (для автоматизації та обробки) та
Surfer (для просунутої візуалізації поверхні) створює професійну систему моніто-
рингу урбоземів. Такий системний підхід дозволяє швидко реагувати на екологіч-
ні загрози та забезпечувати сталий розвиток урбанізованих територій.
32

Розроблений інструментарій для надійного зберігання структурованих даних
моніторингу грунтів з використанням PostgreSQL (об'єктно-реляційна СУБД) мож-
на адаптувати за допомогою скрипт і експортувати дані під інші ГІС.

2.5 Геопросторовий аналіз забруднення грунтів м. Черкаси

Комплексні дослідження стану урбоземів міста Черкаси, проведені на кафе-
дрі екології та природоохоронних технологій, показали, що вони мають низький
вміст гумусу, несприятливі окисно-відновні умови, незбалансованість поживних
елементів, залужені, що може мати істотний вплив на стійкість урбоекосистем
міста, на розвиток зелених насаджень і виконання ґрунтом екоситемних послуг.
Зміна концентрації будь-якого елемента в ґрунтовій екосистемі призводить до
зміни концентрації інших елементів, що, безумовно, відбиватиметься на стані
всього біогеоценозу, важливим структурним компонентом якого є ґрунт.
Створення база даних і картографічних моделей фізико-хімічних властивос-
тей урбоземів дасть можливість досліджувати у часі й просторі їхню трансформа-
цію у прив’язці до техногенних об’єктів, виявляти початок значних змін, визнача-
ти зони розвитку небезпечних екзогенних процесів та появу еколого-геохімічно
нестійких екосистем, розробляти ефективні природоохоронні заходи [36].
Для геопросторового аналізу стану урбоземів м. Черкаси на першому етапі
розробки був створений дамб бази даних, який включав блок хімічних властивос-
тей досліджених урбоземів за такими показниками як гумус, рНвод, гідролітична
кислотність, рухомий фосфор, лужно-гідролітичний азот, катіонно-аніонний
+ 2+ 2+ 4+ + - - 2- -
склад (К , Са , Мg , NH , Nа , НСО3 , NO3 , SO4 , Cl ), сума ввібраних основ,
ємність катіонного обміну, ступень насичення основами, засолення ґрунтів, вміст
важких металів (Pb, Mn, Cr, Cd, Cu, Ni, Zn), опис дослідних ділянок з вказаними
географічними координатами, характеристиками рослинного покриву і зелених
насаджень, наявними джерелами забруднення (рис. 2.3).

33

Рисунок 2.3 – Дамб бази даних

База даних включає інформацію за результатами моніторингу науковцями
кафедри екології та природоохоронних технологій хімічних властивостей ґрунтів
м. Черкаси на 45 модульних ділянках, розташованих у різних функціональних зо-
нах міста [36, 37], а також результати моніторингу грунтів на вміст важких мета-
лів (сорок сім дослідних ділянок) за період з 2016 по 2021 рік, які були надані
Черкаським обласним центром з гідрометеорології.
Наступний етап передбачає розширення бази даних і створення інших бло-
ків атрибутивної інформації властивостей ґрунтів – опис природних умов, опис
генетичних характеристик і фізичних властивостей ґрунтів.

2.5.1 Програмне забезпечення для автоматизації аналізу

Для автоматизації процесу обробки та аналізу даних моніторингу ґрунтів
розроблено інформаційну систему, яка базується на PostgreSQL та Python-
34

скриптах. Система складається з реляційної бази даних PostgreSQL, що містить 5
таблиць та 276 записів (додаток А). Також є набір модулів для обробки даних.
База даних grunt_data містить таблиці, кожна з яких має 47 записів. Таблиця
opys_doslidnykh_dilianok − описує ділянки для засолення. Таблиця
vmist_lehkorozchynnykh_solei_v_poverkhnevomu_shari_gruntu − фіксує параметри
засолення. Таблиця fizyko_khimichni_vlastyvosti_gruntiv описує фізико-хімічні
властивості. Таблиця vmist_metaliv_v_gruntakh містить 90 записів і показує кон-
центрації металів за 2016-2021 рр.
Структура нормалізована з індексацією, що забезпечує швидкий доступ до
даних. Система підтримує геопросторові координати у форматі WGS84. Точність
DECIMAL(10,7) досягає 1 метра.
Модулі системи включають:
1. Геокодування адрес (geocode_addresses.py) − перетворює текстові адреси у
GPS-координати. Він використовує Google Geocoding API. Модуль автоматично ге-
нерує SQL-запити для оновлення бази даних. Результати збережено у форматі CSV.
2. Аналіз важких металів (surfer_analysis_advanced.py). Основний аналітич-
ний модуль виконує кілька завдань. Він перевіряє перевищень ГДК для 6 металів
(Pb, Cd, Zn, Cu, Ni, Mn), розраховує геохімічні індекси (Kc, Igeo, Zc). Модуль екс-
портує дані у формати DAT, CSV, GRD для Surfer (окремо для кожного металу та
року), генерує метадані та статистичні звіти. Він створює 12 наборів даних для
картографування (по 6 металів для кожного року спостережень).
3. Аналіз засолення (surfer_salts_analysis.py). Модуль обробляє параметри
засолення ґрунтів і розраховує інтегральні показники засолення (сума солей, ток-
2- 2- - 2+
сичні солі, токсичний ефект), аналізує іонний склад (Cl-, SO4 , CO3 , HCO3 , Ca ,
2+ +
Mg , Na ), класифікує за ступенем засолення. Модуль експортує 10 наборів да-
них. Додається звіт ZVIT_Zasolennya.txt.
4. Експорт з мітками (surfer_export_with_labels.py). Модуль створює файли
для Post Map у Surfer. Файл PostMap_Metals.dat містить номери 45 ділянок з коор-
динатами. Файл PostMap_Salts.dat має номери 47 ділянок з координатами. Файл
35

PostMap_Metals_GDK.dat включає позначки перевищень ГДК. Файл Post-
Map_Addresses.dat має повні адреси. Цей модуль використовується для додавання
міток на геопросторові карти.
5. Підготовка Grid-файлів (surfer_grid_preparation.py). Модуль розраховує
оптимальні параметри інтерполяції. Він визначає географічні межі області дослі-
дження. Модуль обирає оптимальний розмір сітки. Розмір 50×50 вузлів для 45-47
точок. Він встановлює радіус пошуку для методу Kriging. Модуль генерує конфі-
гураційні файли. Файли це Grid_Boundary.bln, Grid_Config.txt. Також створюється
VBA-шаблон для автоматизації Surfer.
6. Статистична візуалізація (statistical_visualization.py). Модуль створює 6
типів графіків. Boxplot порівнює дані 2016 і 2021 рр., показує частоту перевищень
ГДК. Є графік коефіцієнтів концентрації. Модуль будує кореляційну матрицю ме-
талів, відображає темпоральні тренди. Також є графіки статистичних показників.
Експорт відбувається у PNG з роздільною здатністю 600 DPI.
7. Координація виконання (run_full_analysis.py). Головний скрипт автомати-
зує виконання всіх модулів. Він запускає їх послідовно. Скрипт перевіряє підклю-
чення до бази даних. Він організовує результати у структуровані директорії. Ди-
ректорії це Metals/, Salts/, Labels/, Grid_Parameters/, Visualizations/. Скрипт ство-
рює детальний лог-файл з часовими мітками. Він генерує підсумковий звіт SUM-
MARY_REPORT.txt. Скрипт автоматично управляє файловою структурою і збері-
гає 5 останніх експортів з timestamp.
Технічний стек. Мови та технології включають Python 3.8+, SQL для Post-
greSQL, VBA для автоматизації Surfer.
Основні бібліотеки це SQLAlchemy для роботи з БД. Pandas та NumPy для
обробки даних. Matplotlib та Seaborn для візуалізації. Requests для HTTP-запитів
до Google API.
Зовнішні сервіси це Google Geocoding API, Golden Software Surfer 8-30.
Тестування розроблених систем та алгоритмів провели на оцінці екологіч-
ного стану урбоземів м. Черкаси забруднених важкими металами.
36

2.5.2 Методи просторової інтерполяції

Для візуалізації просторового розподілу важких металів використовувалася
система Golden Software Surfer − професійне програмне забезпечення для ство-
рення карт ізоліній та тривимірних поверхонь [35]. Процес створення геопросто-
рових карт включав такі етапи:
1. Побудова регулярної сітки (Grid) − перетворення дискретних точкових
даних у безперервну поверхню методом інтерполяції Kriging. Цей метод є опти-
мальним для геостатистичного аналізу, оскільки враховує просторову автокоре-
ляцію та мінімізує дисперсію помилки прогнозування.
2. Створення карт ізоліній (Contour Maps) − побудова ліній рівних концент-
рацій, які дозволяють візуалізувати зони підвищеного та нормального вмісту за-
бруднювачів.
3. Накладання міток локацій − додавання номерів дослідних ділянок для
можливості ідентифікації конкретних точок відбору проб.
Автоматизація охоплює повний цикл від бази даних до готових карт. Все
запускається одночасно. Відтворюваність забезпечена документацією всіх етапів.
Результати можна точно відтворити. Модульність дозволяє працювати кожному
компоненту незалежно. Легко додавати нові аналізи. Масштабованість підтримує
нові роки спостережень та параметри. Сумісність включає експорт у стандартні
формати для Surfer, ArcGIS, QGIS.

2.6 Геопросторовий аналіз забруднення грунтів важкими металами

Рівень вмісту важких металів в урбаноземах є непрямим показником ступе-
ня техногенного навантаження та потенційної небезпеки для здоров’я населення
на конкретній території. Важки метали порівняно легко накопичуються у ґрунтах,
проте дуже повільно і важко видаляються з них. Вони небезпечні тим, що з грунту
37

можуть мігрувати в поверхневі і підземні води, продукти сільськогосподарської
діяльності, з пилом − у повітря і через них можуть потрапити у організм людини.
Проведенні раніше дослідження грунтів м. Черкаси [38] показали, що порі-
вняно з фоновою територією вони мали підвищені концентрації важких металів,
що є результатом їх довгострокового накопичення. Отримані в цьому дослідженні
дані свідчать про техногенні зміни хімічного складу ґрунтів та дозволяють зроби-
ти припущення про утворення зміненої біогеохімічної ґрунтової провінції з помі-
рно небезпечним рівнем хімічного забруднення.
Для системного геопросторового аналізу забруднення ґрунтів важкими ме-
талами були використанні дані моніторингу якості грунтів, який проводився Чер-
каським обласним гідрометеоцентром у 2016 і 2021 рр. за вмістом таких елементів
як свинець, кадмій, цинк, мідь, нікель і манган (табл. 2.2). Періодичність відбору
проб становить 1 раз на 5 років і проводиться біля промислових об’єктів міста.
Кожну дослідну ділянку геолокували за допомогою GPS-координат. Завдя-
ки цьому вдалося зробити геопросторову базу даних. Вона прив'язана до точних
місць локації ділянки (рис. 2.4).
Для кожного параметра геопросторових даних формувалися набори даних у
форматі XYZ, де X − довгота (координата), Y − широта (координата), Z − концен-
трація забруднювача (мг/кг для металів).
Такий формат є стандартним для систем геопросторової інтерполяції та до-
зволяє створювати безперервні поверхні розподілу забруднювачів на основі дис-
кретних точкових вимірювань.
38

Таблиця 2.2 − Результати моніторингу ґрунтів м. Черкаси у 2016 і 2021 рр.
№ Pb, мг/кг Zn, мг/кг Cu, мг/кг Ni, мг/кг Mn, мг/кг Cd, мг/кг pH Механічний
ділянки 2016 2021 2016 2021 2016 2021 2016 2021 2016 2021 2016 2021 2016 2021 склад грунту
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
1 20 8 51 37 11 5 13 11 179 237 0.50 0.50 6.8 6.6 с. сугл.
2 70 11 259 85 54 32 42 16 419 311 1.75 0.75 7.0 6.7 пісок
3 13 7 47 32 13 6 19 9 302 250 0.75 0.75 6.7 7.1 с. сугл.
4 15 8 50 40 9 8 19 12 207 170 0.50 0.50 7.1 7.2 с. сугл.
5 94 7 319 45 37 4 28 11 324 241 1.25 0.75 6.9 7.0 с. сугл.
6 21 12 58 48 14 10 19 13 330 303 1.00 0.25 6.3 6.9 л. сугл.
7 22 13 43 43 10 11 16 15 274 267 1.00 0.25 7.0 6.9 в. сугл.
8 66 18 244 43 26 12 18 10 307 179 1.00 1.00 7.0 7.0 л. сугл.
9 38 11 95 47 20 10 23 12 386 175 1.00 0.50 7.0 6.7 л. сугл.
10 45 16 62 158 17 21 20 20 246 430 1.25 1.00 7.2 6.8 л. сугл.
11 40 12 88 49 21 11 20 17 319 311 0.50 0.50 7.2 6.7 с. сугл.
12 23 23 87 207 18 76 14 14 218 457 1.00 0.75 7.1 6.9 с. сугл.
13 40 8 191 31 20 7 20 16 341 399 0.50 0.25 7.1 7.0 л. сугл.
14 29 30 70 215 17 42 19 37 414 2406 0.75 0.75 7.1 7.0 л. сугл.
15 49 41 71 260 17 73 11 50 313 2402 1.00 1.00 7.1 7.0 в. сугл.
16 213 25 296 199 104 53 16 42 207 2389 1.25 1.25 7.1 7.2 пісок
17 38 510 318 311 87 132 20 25 279 580 1.00 1.00 7.1 7.1 пісок
18 126 22 251 129 25 10 20 15 319 465 2.00 0.25 7.1 7.4 пісок
19 65 11 274 145 50 11 18 16 330 325 1.00 0.75 7.3 6.9 л. сугл.
20 30 23 214 129 31 14 15 20 408 892 0.50 1.25 7.0 6.8 пісок
21 40 9 184 96 23 11 19 20 358 250 0.25 0.25 7.2 6.7 с. сугл.
22 49 8 169 100 28 10 23 24 369 245 0.50 0.50 7.0 6.7 с. сугл.
23 28 11 48 158 9 14 13 20 190 232 0.00 0.00 7.3 6.9 с. сугл.
24 40 9 244 29 18 5 17 12 195 175 0.50 0.50 7.0 6.9 л. сугл.
39

Продовження таблиці 2.2
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
25 32 30 69 49 25 15 23 11 274 241 0.50 0.25 7.1 6.8 с. сугл.
26 77 7 251 39 24 4 16 6 173 87 0.00 0.00 6.5 6.9 супіски
27 155 7 206 41 28 5 23 7 319 91 0.25 0.00 7.0 6.8 с. сугл.
28 40 27 176 207 34 14 25 19 330 364 0.25 0.25 6.5 6.7 л. сугл.
29 111 9 273 88 23 22 23 15 475 338 0.75 0.75 6.8 6.7 в. сугл.
30 21 19 91 50 16 28 23 16 285 281 0.00 0.75 7.0 7.1 с. сугл.
31 38 11 311 29 20 11 23 20 307 259 0.75 0.25 7.1 6.7 супіски
32 23 8 65 39 13 10 14 20 123 267 0.25 0.50 7.2 6.8 пісок
33 41 14 99 44 19 23 23 21 285 311 0.00 0.50 7.2 6.8 л. сугл.
34 45 14 236 47 25 13 28 16 1181 241 0.75 0.25 7.1 6.7 в. сугл.
35 31 8 191 39 18 13 15 18 274 303 0.25 0.50 7.1 6.8 в. сугл.
36 56 12 199 45 20 15 24 15 498 320 0.25 0.50 7.2 6.8 с. сугл.
37 83 9 221 39 31 14 23 15 307 232 0.50 0.25 7.2 6.7 с. сугл.
38 56 15 214 43 19 19 16 15 319 272 0.00 0.25 7.3 6.7 пісок
39 67 9 229 40 26 8 18 13 1408 201 0.50 0.25 7.4 6.8 пісок
40 68 6 206 29 45 4 11 10 257 188 0.00 0.00 7.1 6.7 пісок
41 44 5 73 43 21 7 21 7 263 245 0.00 0.00 6.4 6.8 пісок
42 27 26 68 49 17 17 15 12 285 285 0.25 0.25 7.0 6.8 с. сугл.
43 40 9 86 39 21 8 18 16 363 254 0.25 0.50 6.4 6.7 супіски
44 29 9 69 207 23 24 22 20 212 355 0.50 0.50 7.0 6.8 в. сугл.
45 33 8 68 174 18 27 11 17 291 289 0.25 0.25 6.2 6.9 л. сугл.
40

Рисунок 2.4 – Розташування модульних ділянок

За допомогою набору модулів для обробки даних, що містяться в Post-
greSQL, був проведений аналіз даних моніторингу важких металів у грунті. Для
кращої візуалізації результатів моніторингу грунтів на вміст важких металів за
допомогою модуля statistical_visualization.py і інструменту для візуалізації даних
Boxplot створено 6 типів графіків статистичного розподілу числових даних, на
яких показані ключові показники, такі як мінімум, медіану, максимум і аномальні
значення (рис. 2.5), відсоток проб з перевищеннями гранично допустимих конце-
нтрацій за період спостережень (рис. 2.6).
41

Рисунок 2.5 − Концентрацій важких металів у грунті м. Черкаси

Рисунок 2.6 − Частота і динаміка перевищення ГДК за період спостереження
42

Порівняння даних моніторингу за 2016 та 2021 роки за допомогою інстру-
ментів для візуалізації даних Boxplot дозволило виявити певні тренди. Більшість
металів мали позитивну динаміку із зниженням концентрацій (рис. 2.7).

Рисунок 2.7 − Темпоральна динаміка концентрацій важких металів у грунтах

Так, для свинцю спостерігалося середнє зниження концентрації на 28 %.
Причини включають заборону етилованого бензину та оновлення автопарку. Най-
більше зниження спостерігалося в житлових районах.
43

Концентрація кадмій зменшився на 21 %, цинку − на 15 %, імовірною при-
чиною може бути поліпшення стану дорожнього покриття.
Концентрації інших елементів майже не змінилися. Мідь коливалася в ме-
жах плюс-мінус 5 %, нікель також мав незначне зниження на 8 %.
Деякі елементи зазнали локального зростання. Так, вміст Мангану збільши-
вся на 12 відсотків у промисловій зоні.

2.7 Кореляційний аналіз забруднювачів

Кореляційні зв'язки між різними металами-забруднювачами виявилися до-
сить помітними в багатьох випадках (рис. 2.8).

Рисунок 2.8 − Кореляційна матриця важких металів у грунті м. Черкаси

Сильні кореляції (коефіцієнт r перевищує 0.7) існують для Pb і Cu (r = 0.72)
та Ni і Mn (r = 0.70). Ці кореляційні зв’язки свідчать про наявність декількох неза-
44

лежних джерел забруднення − від автотранспорту, підприємств, зокрема лакофар-
бової промисловості, машинобудівної і енергетичної галузі, а також сільське гос-
подарство (для окраїнних територій). Середній кореляційний зв'язок (0,50 < r <
0,69) виявився для Cu і Zn (r = 0.68), Pb і Zn (r = 0.54) та Ni і Zn (r = 0.52). Mn має
слабкі кореляційні зв’язки (r менше 0.4) з усіма металами, за виключенням Ni.

2.8 Інтегральна оцінка геоекологічного стану грунтів

Для комплексної оцінки ступеня забруднення грунтів використовувалися
такі геохімічні індекси − коефіцієнт концентрації Kc (рис. 2.9) і сумарний показ-
ник забруднення Zc [45].

Рисунок 2.9 − Коефіцієнти концентрації Kc важких металів відносно фонових значень

45

Розрахований сумарний показник забруднення (Zc) дозволив виявити ділян-
ки поліелементного забруднення.
Класифікація проведена відповідно до методики Ю.Е. Сает (1990).
У 2016 році на 44 досліджених ділянках низкий допустимий рівень поліеле-
ментного забруднення згідно. Максимальне значення сумарного показника забру-
днення Zc становило 37,7 (небезпечний рівень) на ділянці №16. Середнє значення
сумарного показника забруднення Zc становить 11, що підтверджує відсутність
критичного забруднення грунтів важкими металами.
У 2021 році низкий допустимий рівень поліелементного забруднення
зберігся на 44 ділянках, що становить майже 97,8% досліджуваної території. Се-
реднє значення індексу Zc знизилось до 6, що свідчить про позитивну динаміку та
зменшення антропогенного навантаження на більшості території міста за період з
2016 по 2021 роки.
Небезпечний рівень забруднення (32<Zc>132) відповідно до методики Ю.Е.
Саета має ділянка номер 17 (межує з промисловим підприємством ТОВ "Хеліос"
України) характеризується максимальним поліелементним забрудненням Zc =
62,7. Її площа становить приблизно 2,2% від загальної дослідженої території.
Аналіз покомпонентного складу забруднення показав, що основний внесок
у формування підвищеного індексу Zc на ділянці номер 17 у 2021 році має сви-
нець (концентрація 510 мг/кг, що в 15.9 разів перевищує гранично допустиму
концентрацію). Частка свинцю становить 74% від загального показнику поліеле-
ментного забруднення Zc. У 2016 році ця ж ділянка характеризувалась рівнем за-
бруднення (Zc = 19,0), що вказує на локальне збільшення антропогенного наван-
таження за п'ятирічний період спостережень.
На основі проведеного аналізу розроблені деякі практичні рекомендації що-
до використання території та природоохоронних заходів, а саме:
- проведення детального екологічного обстеження для встановлення джерел
надходження свинцю до грунту;
- розробка та впровадження комплексу заходів з фіторемедіації грунтів;
46

- проведення санітарно-гігієнічної оцінки стану здоров'я населення, що
проживає в зоні впливу ділянки.

2.9 Зонування території м. Черкаси за ступенем забруднення

Аналіз геопросторових карт, побудованих з використанням ПЗ Surfer мето-
дом просторової інтерполяції дозволив провести зонування території м. Черкаси
залежно від ступеня забруднення. Результати такого зонування враховують різні
рівні забруднення на конкретних ділянках. За результатами моніторингу створено
12 геопросторових карт розподілу важких металів і карти кислотності грунтів
(додаток Б).

2.9.1 Просторовий розподіл свинцю

Свинець є одним з найнебезпечніших важких металів для здоров'я. Гранич-
но допустима концентрація (ГДК) валової форми в ґрунті дорівнює 32 мг/кг [39].
Основними джерелами надходження свинцю до грунтів є автомобільний транс-
порт (етильований бензин у минулому), викиди промислових підприємств, акуму-
ляторні виробництва [40, 41].

Рисунок 2.10 − Геопросторовий розподіл свинцю у грунтах м. Черкаси

47

Дослідження вмісту свинцю продемонструвало помітну нерівномірність за-
бруднення на всій території міста (рис. 2.10). Найбільша концентрація в 510 мг/кг
зафіксована на ділянці номер 17 у 2021 році − перевищення ГДК склало 15,9 раза.
Район сильного забруднення з рівнем понад 100 мг/кг розташований у південно-
східній околиці міста. Підвищені показники вмісту свинцю (від 40 до 100 мг/кг)
зафіксовані вздовж ключових автотранспортних магістралей.
Порівняння карт розподілу свинцю за 2016 та 2021 роки виявило загальне
зменшення концентрацій у більшості точок. Це зниження склало від 20 до 40 від-
сотків. На ділянці номер 17 вміст свинцю збільшився в 13,4 рази, що свідчить про
наявність стаціонарного джерела забруднення.

2.9.2 Просторовий розподіл кадмію

Кадмій входить до групи надзвичайно токсичних елементів першого класу
небезпеки, ГДК − 3,0 мг/кг ґрунту [39]. До 2021 р. ГДК для кадмію становило 1,0
мг/кг ґрунту. Значним джерелом забруднення ґрунтів є спалювання викопного па-
лива на електростанціях (ТЕС), виробництво будівельних матеріалів, викидні гази
автомобілів, спалювання відходів. Поширення кадмію, як і інших важких металів,
по поверхні ґрунту визначається багатьма чинниками. Воно залежить від особли-
востей джерел забруднення, метеорологічних особливостей регіону, геохімічних
факторів ландшафту [40-42].

Рисунок 2.11 − Геопросторовий розподіл кадмію у грунтах м. Черкаси
48

Карти геопросторового розподілу кадмію (рис. 2.11), чітко вказують на ло-
кальні осередки значного забруднення, пов'язані переважно з промисловими ра-
йонами міста з накладанням ореалів забруднення, зумовленими транспортними
потоками на головних автомагістралях міста.
Концентрації кадмію в ґрунті змінюються від нуля до 2,0 мг/кг. Виявлено
значну строкатість території міста за рівнем забруднення цим небезпечним важким
металом. Перевищення допустимої граничної концентрації зафіксовано на двана-
дцяти ділянках, що охоплює 26,7 відсотка загальної території. Найсильніше за-
бруднення спостерігається в промисловій зоні, розташованій на південному сході
міста. В той же час, порівняльний аналіз за 2016-2021 роки показав, що спостері-
гається позитивна тенденція зниження концентрації кадмію в грунтах.

2.9.3 Просторовий розподіл цинку

Цинк є мікроелементом, але у високих концентраціях проявляє токсичні
властивості. ГДК = 100 мг/кг [39]. До 2021 р. ГДК становило 115 мг/кг ґрунту.
Джерелом забруднення ґрунтів цинком є промислові відходи (наприклад, від га-
льванічних виробництв, лакофарбової промисловості), комунально-побутові від-
ходи (зі звалищ), автотранспорт, золовідвали теплоелектростанцій [40, 41, 43].
Карти геопросторового розподілу цинку показують на ділянці №17 макси-
мум концентрації як у 2016 році (318 мг/кг, перевищення ГДК у 2.8 рази), так і у
2021 році (311 мг/кг, перевищення ГДК у 2.7 рази), що імовірно пов’язане з тех-
ногенним тривалим і інтенсивним надходженням. Аналогічна ситуація і на ділянці
16, на якій концентрація цинку була у 2016 році 296 мг/кг і 199 мг/кг у 2021 році.
Підвищені концентрації (більше 150 мг/кг) на 8 ділянках (рис. 2.12).
Як і для кадмію, спостерігається значний рівень і контрастність техноген-
них аномалій у ґрунтовому покриві міста у 2016 і 2021 роках.

49

Рисунок 2.12 − Геопросторовий розподіл цинку у грунтах м. Черкаси

Спільне накопичення Zn та Pb (r = 0.54) вказує на автотранспортне джерело
забруднення (знос шин, корозія оцинкованих деталей, викиди двигунів) та наяв-
ність промислового підприємства з виробництва лако-фарбової продукції.

2.9.4 Просторовий розподіл міді

Джерелом забруднення ґрунтів міддю є побутові та промислові відходи (на-
приклад, від гальванічних виробництв, виробництва друкованих плат і шламів з
шламонакопичувачів), автотранспорт (знос гальмівних колодок та шин) [40, 41].
До 2021 р. ГДК становило 55 мг/кг ґрунту. З 2021 р. ГДК для валової форми Cu не
нормується [39].
Аналіз карт показав локальні аномалії з високими концентраціями (рис.
2.13). Ці зони виділяються на загальному фоні. Максимальна концентрація міді
досягає 132 мг/кг грунту (ділянка номер 17). Підвищені рівні (більше 50 мг/кг) є
на дев'яти ділянках. Такі концентрації асоціюються зазвичай з промисловими під-
приємствами електротехнічного профілю.

50

Рисунок 2.13 − Геопросторовий розподіл міді у грунтах м. Черкаси

Аналіз динаміки вмісту міді у грунтах м. Черкаси з 2016 по 2021 рік показав
стабілізацію ситуації. Є незначна тенденція до зниження в промислових зонах.

2.9.5 Просторовий розподіл нікелю

Джерелами забруднення ґрунтів нікелем є промислова діяльність (особливо
металургійна та гірничодобувна промисловість), автотранспорт (викидні гази від
двигунів та розливи палива і мастильних матеріалів, знос шин та дорожнього пок-
риття), сільське господарство (використання добрив, що містять важкі метали), а
також звалища і некоректна утилізація відходів [40, 41]. З 2021 р. ГДК для валової
форми Ni не нормується [39]. До 2021 р. ГДК становило 20 мг/кг ґрунту.
Карти розподілу показують, що забруднення є відносно рівномірним по всій
території міста, з деякими локальними підвищеннями на окремих ділянках (рис.
2.14), але без перевищень ГДК. Найвищий рівень нікелю у ґрунті сягає 50 мг/кг на
ділянці номер 15 у 2021 році.

51

Рисунок 2.14 − Геопросторовий розподіл нікелю у грунтах м. Черкаси

Імовірними основними джерелами забруднення ґрунту нікелем в Черкасах є
промисловість (машинобудування, хімічна промисловість), теплова енергетика
(спалювання викопного палива) та автотранспорт.

2.9.6 Просторовий розподіл мангану

Манган є важливим мікроелементом для рослин і тварин, у невеликих кон-
центраціях корисний для організму людини, але його надлишок може бути шкід-
ливим, спричиняючи симптоми, подібні до хвороби Паркінсона. До факторів, що
впливають на накопичення мангану у ґрунті, відносять кліматичні умови, механі-
чний склад ґрунту, реакцію ґрунтового розчину. Акумуляція мангану у верхніх
ґрунтових горизонтах відбувається під впливом як природних факторів, так і в
результаті господарської діяльності людини [40, 41, 44].
Проведений геопросторовий аналіз розподілу мангану в урбоземах міста
Черкаси (рис. 2.15) показав, що з великою долею ймовірності він має антропо-
техногенне надходження.

52

Рисунок 2.15 − Геопросторовий розподіл мангану у грунтах м. Черкаси

Концентрації мангану на дослідних ділянках коливаються від 87 до 2406
мг/кг при ГДК= 1500 мг/кг. Найвищі значення у 2021 році фіксуються на ділянках
14, 15, 16 (2406, 2402 і 2389 мг/кг відповідно).

2.10 Перспективи розвитку та удосконалення системи аналізу

2.10.1 Створення веб-інтерфейсу

Досить перспективним напрямком виглядає створення веб-інтерфейсу, який
забезпечить автоматичний доступ до свіжих карт забруднення. Громадяни змо-
жуть легко отримувати дані про екологічний стан свого району. Науковці мати-
муть можливість завантажувати ці дані для своїх досліджень. Органи влади змо-
жуть приймати більш обґрунтовані управлінські рішення на основі такої інфор-
мації.
Використання алгоритмів машинного навчання може бути дуже перспекти-
вним для прогнозування концентрацій забруднювачів у проміжних точках. Це пі-
двищить просторову детальність аналізу, дозволять ідентифікувати джерела ви-
кидів на основі просторових патернів, допоможуть виявляти аномалії та давати
ранні попередження про забруднення. Крім того, це сприятиме оптимізації розмі-
щення нових точок моніторингу.
53

Перспективним є інтеграція метеорологічних даних, зокрема напрямок та
швидкість вітру, кількість опадів, температура. Це допоможе прогнозувати сезон-
ні варіації забруднення при моделюванні атмосферного переносу забруднювачів,
оцінити вплив метеорологічних умов на процеси міграції металів у ґрунтах.
В зв’язку з бойовими діями на території України, які призводять до забруд-
нення ґрунту такими важкими металами як свинць, мідь, хром, кадмій, нікель,
цинк (свинець, хром і мідь є домінантними забруднювачами), до переліку дослі-
3+ 6+
джуваних металів слід додати хром (Cr та Cr ).
Перспективним є моніторинг органічних забруднювачів, зокрема поліциклі-
чних ароматичних вуглеводнів і ПАВ, нафтопродуктів та пестицидів (в примісь-
ких зонах).

2.10.2 Удосконалення методів просторової інтерполяції

Досить перспективним напрямком виглядає використання комбінованих ме-
тодів у просторовій інтерполяції. Наприклад, гібридний метод Kriging разом з
IDW допомагає підвищити точність саме в тих зонах, де точки розподілені нерів-
номірно. Bayesian Maximum Entropy дозволяє враховувати невизначеність у вимі-
рюваннях. А Regression Kriging використовує допоміжні змінні, такі як тип ґрун-
ту, відстань до доріг чи висота над рівнем моря.

2.10.3 Інтеграція з супутниковими даними

Перспективним напрямком є використання даних дистанційного зондування
Землі. Супутникові знімки допомагають ідентифікувати джерела забруднення,
виявляти несанкціоновані звалища.
Аналіз стану рослинності на супутникових знімків з використанням індексу
NDVI дозволить оцінювати стрес рослин, виявляти зони фітотоксичного впливу,
контролюється ефективність фіторемедіації.
54

ВИСНОВКИ

Проектування баз даних у сфері екології є важливим етапом при розробці
програмного забезпечення системи моніторингу, оскільки дозволяє ефективно
зберігати, обробляти та отримувати доступ до даних моніторингу об’єктів спосте-
реження, фіксувати і аналізувати їх критичні зміни, оцінювати та ідентифікувати
антропогенний вплив, прогнозувати розвиток екологічних ситуацій для прийняття
обґрунтованих управлінських рішень.
Застосування ГІС значно прискорює порівняння даних моніторингу, спро-
щує зонування території за виявленими критичними трансформаціями урбоземів,
є корисним для оптимізації математичних моделей визначення зон еколого-
геохімічної нестабільності, пов’язаних із техногенним впливом, що є важливим
для забезпечення сталого розвитку сучасної держави. Методика геопросторового
аналізу стану урбоземів включає етап підготовки даних, просторову інтерполяцію
за допомогою методу крігінгу та візуалізацію результатів через карти ізоліній.
Для автоматизації процесу обробки та аналізу даних моніторингу ґрунтів в
ході роботи розроблено інформаційну систему, яка базується на PostgreSQL та
Python-скриптах. Автоматизація охоплює повний цикл від бази даних до готових
карт. Відтворюваність забезпечена документацією всіх етапів. Модульність
дозволяє працювати кожному компоненту незалежно. Масштабованість
підтримує нові роки спостережень та параметри. Сумісність включає експорт у
стандартні формати для роботи з Surfer, ArcGIS, QGIS.
Розроблена інформаційна система протестована для оцінки екологічного
стану урбоземів м. Черкаси, забруднених важкими металами, створено
геопросторові карти і виявлено зону з критичним забрудненням.
Результати свідчать, що внаслідок багатотоннажних викидів у атмосферне
повітря від підприємств і автотранспорту, сформувались зони підвищеного
забруднення грунтового покриву у м. Черкаси окремими важкими металами на
деяких ділянках міста.
55

За рівнем поліелементного забруднення досліджувана територія
характеризується як припустима (98%) та помірно небезпечна (2%), але може
становити небезпеку здоров'ю населення, спричиняючи токсикози, алергію та
онкологічні захворювання.
Виявлені сильні кореляційні звязки (коефіцієнт кореляції r перевищує 0.7)
для Pb і Cu (r = 0.72) та Ni і Mn (r = 0.70), що свідчить про наявність декількох
незалежних джерел забруднення − від автотранспорту та підприємств, зокрема
лакофарбової промисловості, машинобудівної і енергетичної галузі, а також
сільське господарство (для окраїних територій).
Виявлені підходи та методи організації моніторингу урбоземів можуть бути
корисними для майбутніх проектів у сфері охорони довкілля, спрямованих на
покращення якості життя та збереження природних ресурсів для майбутніх
поколінь.
Перспективи розвитку та удосконалення системи аналізу:
 створення веб-інтерфейсу, який забезпечить автоматичний доступ до
свіжих карт забруднення;
 використання алгоритмів машинного навчання підвищить просторову
детальність аналізу, дозволять ідентифікувати джерела викидів на основі просто-
рових патернів, допоможе виявляти аномалії та давати ранні попередження про
забруднення, сприятиме оптимізації розміщення нових точок моніторингу.
 інтеграція метеорологічних даних (зокрема, кількість опадів, їх кисло-
тність) допоможе оцінити вплив метеорологічних умов на процеси міграції мета-
лів у ґрунтах.
 в зв’язку з бойовими діями на території України до переліку дослі-
3+ 6+
джуваних металів слід додати хром (Cr та Cr ), який є одним з домінантних за-
бруднювачів.
 моніторинг органічних забруднювачів, зокрема поліциклічних арома-
тичних вуглеводнів і поверхнево-активних речовин, нафтопродуктів та пестици-
дів (в приміських зонах).
56

 використання комбінованих методів у просторовій інтерполяції (гіб-
ридний метод Kriging разом з IDW)
 використання даних дистанційного зондування Землі для ідентифіка-
ції джерел забруднення, несанкціонованих сміттєзвалищ, аналізу стану рослинно-
сті для виявлення зон фітотоксичного впливу, контролю ефективності фіторемеді-
ації.

57

ПЕРЕЛІК ПОСИЛАНЬ

1. Екологічний моніторинг: навчальний посібник /В.М Боголюбов,
А.В.Сальнікова, О.О. Ракоїд //за ред. проф. В.М. Боголюбова. – Київ: НУБіПУ,
2023. – 200 с.
2. Екологічний моніторинг: нормативно-правова база: навч. посіб. /О.Ф.
Шульженко, Г.С. Гумен, Т.О. Мазанко; КПІ ім. Ігоря Сікорського. – Київ : КПІ ім.
Ігоря Сікорського, 2019. – 94 с..
3. Екологічний менеджмент: навч. посібн. / за ред. В.Ф. Семенова, О.Л.
Михайлик. – К. : Центр навч. літ-ри, 2004. – 407 с.
4. Постанова кабінету Міністрів України від 13 червня 2024 р. № 684 «Деякі
питання функціонування державної системи моніторингу довкілля та її
підсистем». Режим доступу: https://zakon.rada.gov.ua/laws/show/684-2024-
%D0%BF#Text
5. Організація та управління в природоохоронній діяльності: навч. посіб. / Н.
М. Самойленко, Д. В. Райко, В. І. Аверченко. – Харків : НТУ «ХПІ», Видавництво
«Лідер», 2018. – 174 с.
6. Міністерство захисту довкілля та природних ресурсів України. Екологічний
моніторинг. Режим доступу: https://mepr.gov.ua/diyalnist/napryamky/ekologichnyj-
monitoryng/ekologichnyj-monitoryng-dovkillya/
7. Постанова Кабінету Міністрів України «Про затвердження Положення про
державну систему моніторингу довкілля» від 30 березня 1998 р. № 391
//Офіційний вісник України. 1998. № 13. Ст. 42. Режим доступу:
https://zakon.rada.gov.ua/laws/show/391-98-%D0%BF#Text
8. Шевчук В.Я. Екологічне управління: підручник / В.Я. Шевчук, Ю.М.
Саталкін, Г.О. Білявський та ін.. – К.: Вид-во "Либідь", 2004. – 432 с.
9. DB-Engines. DB-Engines Ranking. Режим доступу: https://db-
engines.com/en/ranking
58

10. Резніченко, В.А. 60 років базам даних. //Проблеми програмування. 2021. № 3.
doi:10.15407/pp2021.03.040.
11. Демиденко М.А. Введення в сучасні бази даних: навч. посіб. / М.А.
Демиденко; НТУ «Дніпровська політехніка». – Д. : 2020. – 38 с.
12. Резніченко О.В., Ляшенко О.А., Архипова В.В. Дослідження моделей баз
даних для зберігання big data у сфері моніторінгу довкілля. //Системні технології,
том 6, № 155, 2024. − С. 155–195. DOI: https://doi.org/10.34185/1562-9945-6-155-
2024-18.
13. Hnatushenko V.V. Non-relational approach to developing knowledge bases of
expert system prototype /V.V. Hnatushenko, Vik.V. Hnatushenko, N. L. Dorosh, N.O.
Solodka, O.A. Liashenko //Naukovyi Visnyk Natsionalnoho Hirnychoho Universytetu.
– 2022. – № 2 (188). – Р. 112-117. Режим доступу: URL:
https://doi.org/10.33271/nvngu/2022-2/112.
14. Ісаков А. В. Сфери застосування нереляційних баз даних [Електр. ресурс] / А.
В. Ісаков, В. Ю. Ліміна, О. В. Романюк //Матеріали XLIX науково-технічної
конференції підрозділів ВНТУ, Вінниця, 27-28 квітня 2020 р. Режим доступу:
https://conferences.vntu.edu.ua/index.php/all-fitki/all-fitki-2020/paper/view/9416
15. UCloud Хмарні технології 2025 – що це таке та які хмари найкращі? Режим
доступу: https://ucloud.ua/hmarni-tehnologiyi-shho-cze-take/
16. Методологія інформаційних систем та баз даних: теоретичний і практичний
підходи: навч. посібник /Ю. Ушенко, М. Ковальчук, М. Гавриляк, А. Негрич. –
Чернівці: Чернівецький нац. ун-т ім. Ю. Федьковича, 2021. – 240 с. Режим
доступу: https://archer.chnu.edu.ua/xmlui/handle/123456789/4106
17. Сидоренко В.В., Константинова Л.В., Смірнов С.А. Організація баз даних:
Навчальний посібник. – Кропивницький: ЦНТУ, 2018. – 274 с. Режим доступу:
https://dspace.kntu.kr.ua/items/a20ac3d7-3914-477b-a59f-1c60338f4731
18. Пэтух А.М., Романюк О.В., Романюк О.Н. Бази даних. Мови запитів,
управління транзакціями, розподілена обробка даних. – Вінниця: ВНТУ, 2016. –
97с. Режим доступу: http://pdf.lib.vntu.edu.ua/books/2024/Petukh_2016_97.pdf
59

19. Лазоренко Н. Ю. Інтеграція геопросторових даних на основі застосування
операції з’єднання (JOIN) реляційної алгебри. //Геодезія, картографія і
аерофотознімання. Вип. 95, 2022. С. 113-128. Режим доступу:
https://doi.org/10.23939/istcgcap2022.95.113
20. Геоінформаційні системи і бази даних: книга 1 /В.І. Зацерковний, В.Г.
Бурачек, О.О. Железняк, А.О. Терещенко. – Ніжин: НДУ ім. М. Гоголя, 2017.
21. Конвенція про доступ до інформації, участь громадськості в прийнятті
рішень і доступ до правосуддя з питань, що стосуються навколишнього
середовища (Оргуська конвенція) від 25 червня 1998 р. //Офіційний вісник
України. 2001. № 26. Ст. 122. Режим доступу:
https://zakon.rada.gov.ua/laws/show/994_015#Text
22. Касянчук, Н. В., Ткачук Л. М. Захист інформації в базах даних. Режим
доступу: URL: https://conferences.vntu.edu.ua/index.php/all-fm/all-fm-
2019/paper/download/ 7001/5715. 2019
23. Тишик І.Я. Організація захисту інформаційних систем на основі серверів
баз даних. Сучасний захист інформації. 2025. 1(61), 259–268. Режим доступу:
https://doi.org/10.31673/2409-7292.2025.014247.
24. Identity and Access Management (IAM) in Amazon Web Services (AWS),
Режим доступу: https://www.geeksforgeeks.org/devops/identity-and-access-
management-iam-in-amazon-web-services-aws/
25. Технології захисту інформації в інформаційно-телекомунікаційних
системах: навч. посіб. /А.В. Жилін, О.М. Шаповал, О.А. Успенський; ІСЗЗІ КПІ
ім. Ігоря Сікорського. – Київ : КПІ ім. Ігоря Сікорського, Вид-во «Політехніка»,
2021. – 213 с.
26. Top 10 Database Security Best Practices. Режим доступу:
https://satoricyber.com/database-security/top-10-database-security-best-practices/
27. Шевченко Р.Ю. Геоінформаційні системи в екології. Електронний
підручник. Київ, 2022. 224 c. Режим доступу:
https://files.znu.edu.ua/files/Bibliobooks/Inshi71/0051679.pdf
60

28. Геоінформаційні системи і бази даних: книга 2 /В.І. Зацерковний, В.Г.
Бурачек, О.О. Железняк, А.О. Терещенко. – Ніжин: НДУ ім. М. Гоголя, 2017.
29. Застосування ГІС у природоохоронній справі на прикладі відкритої
програми QGIS: навч. посіб. /О. Часковський, Ю. Андрейчук, Т. Ямелинець. ‒
Львів: ЛНУ ім. І. Франка, Вид-во Простір-М, 2021. ‒ 228 с. Режим доступу:
https://bit.ly/2X33CZq
30. Веб-картографічні служби: Огляд WMS, WFS, WCS WPS, WMTS і WCPS.
Режим доступу: https://portalgis.pro/geoinformaczijni-systemy/veb-kartografichni-
sluzhby-oglyad-wms-wfs-wcs-wps-wmts-i-wcps/
31. Mokhurenko Ya. Mislyuk O. Monitoring and analysis of changes in the
ecological state of urban soils: a geographic information systems-based approach. Тези
Міжнародна наукова-практична конференція «Трансформаційні підходи до
сталого розвитку: екологічна освіта, наука та природоохоронні практики для
відбудови України» 22-26 вересня 2025 року. Житомир: Житомирська
політехніка, 2025. − С. 12-13.
32. Сараненко І.І. Створення бази даних екологічного стану ґрунтів у Microsoft
Access. //Екологічні науки: науково-практичний журнал. 2018. № 2(21). – С.74-80
33. European Environment Agency. Homepage [Електронний ресурс]. Режим дос-
тупу: URL: http://www.eea.eu.int (дата звернення: 24.11.2024).
34. Шуліпа Н. С., Мазурик А. В. Дослідження ефективності застосування мови
Pyton для створення додатків кібербезпеки та захисту інформації. Сучасний
захист інформації. 2023, № 3 (55). С. 32-37. DOI: 10.31673/2409-7292.2023.030004
35. Документація Golden Software Surfer [Електронний ресурс]. URL:
https://downloads.goldensoftware.com/guides/Surfer22UserGuide.pdf
36. Мислюк О.О., Єгорова О. В., Хоменко О. М. Системний аналіз
геоeкологiчного стану урбоземів міста Черкаси. Вісник Вінницького
політехнічного інституту. 2025. № 2. − С. 45-52. Режим доступу:
https://doi.org/10.31649/1997-9266-2025-179-2-45-52
61

37. Yegorova, O., Mislyuk, O., & Khomenko, O. Geoecological assessment of the
state of urban soils and their transformation under the influence of anthropogenic
factors. //Ecological Safety and Balanced Use of Resources, 2025. 16(1). С. 51-63.
Режим доступу: https://doi.org/10.63341/esbur/1.2025.51
38. Єгорова О.В., Мислюк О.О., Хоменко О.М. Вплив техногенного
забруднення на депонацію важких металів у едафотопах міської екосистеми.
//Збірник наукових праць НУК. 2025. №2. − С. 362-370. Режим доступу: DOI
https://doi.org/10.15589/znp2025.2(500).47
39. Постанова Кабінету Міністрів України від 15 грудня 2021 р. № 1325. Про
затвердження нормативів гранично допустимих концентрацій небезпечних
речовин у ґрунтах, а також переліку таких речовин. Режим доступу:
https://zakon.rada.gov.ua/laws/show/1325-2021-%D0%BF#Text
40. Поліщук О.І., Антоняк Г.Л. Вплив транспортного навантаження на
елементний склад ґрунту у приміській зоні м. Львова. //Екологічні науки, 2021.
№ 5(38). С. 81-86. DOI https://doi.org/10.32846/2306-9716/2021.eco.5-38.14
41. Splodytel, A. O. Landscape and geochemical assessment of ecological condition
of environmental protection territories. //Visnyk of V. N. Karazin Kharkiv National
University. Series Geology. Geography. Ecology. 2020. №51. – Р. 234-242.
https://doi.org/10.26565/2410-7360-2019-51-17.
42. Гунько С.О. Кадмій у ґрунтах м. Дніпродзержинськ. //Вісник
Дніпропетровського університету. Біологія. Медицина. – 2011. – Вип. 2, т. 1. – С.
24-30. https://www.dnu.dp.ua/docs/visnik/fbem/program_5e592a7bbb7ba.pdf
43. Войціховська А.С. Поширення різних за рухомістю форм цинку у ґрунтах у
зоні техногенезу сміттєзвалищ / А.С. Войціховська, В.В. Карабин, В.Д.
Погребенник //Наукові праці ДонНТУ. Серія гірничо-геологічна. – 2013. – № 2
(19). – С. 3-9. https://sci.ldubgd.edu.ua/jspui/handle/123456789/2731
44. Гунько С.О., Володько Д.А. Міграція мангану в ґрунтах біогеоценозів
степового Придніпров’я (на прикладі Дніпропетровської області). //Екологічні
62

науки. 2021. № 6(39). − С. 133-136. Режим доступу: DOI
https://doi.org/10.32846/2306-9716/2021.eco.6-39.22
45. Гололобова, О. Оцінка поліелементного забруднення ґрунтів територій
різного рівня антропогенного навантаження. //Людина та довкілля. Проблеми
неоекології. 2011. № 1-2. − С. 118-125. Режим доступу:
http://luddovk.univer.kharkov.ua/sites/default/files/Papers/Gololob.pdf

63

ДОДАТКИ

64

ДОДАТОК А
ФАЙЛИ БАЗИ ДАНИХ

65

66

ДОДАТОК Б
КАРТИ КИСЛОТНОСТІ ГРУНТІВ

67

ДОДАТОК В
АПРОБАЦІЯ РЕЗУЛЬТАТІВ РОБОТИ

68

ChSTU repository

ChSTU repository preserves and enables easy and open access to all types of digital content including text, images, moving images, mpegs and data sets