3.10 Регресійна модель прогнозування рівня забруднення індивідуального показника Заліза

Прогноз значення оцінки індивідуального показник Заліза зображено на рис.3.14., функція поліному для данного випадку була вибрана 2-го порядку.

Модель має вигляд y = -0,030x + 0,68. Прогнозне значення на 2013 рік 0,350. Отримані данні в результаті OLAP-аналізу і прогнозне значення коефіцієнту якості води по Залізу зображені у табл.3.16.

Таблиця 3.16

Коефіцієнти якості води по Залізу

Рік	Заліо (Fe)
2003	0,6
2004	0,6
2005	0,5
2006	0,8
2007	0,7
2008	0,2
2009	0,7
2010	0,2
2011	0,2
2012	0,6
2013	0,35

Рис. 3.14 – Прогноз значення оцінки індивідуального показника залізо

3.11 Регресійна модель прогнозування рівня забруднення індивідуального показника Мутність

Прогноз значення оцінки індивідуального показник Мутність зображено на рис.3.15., функція поліному для данного випадку була вибрана 2-го порядку.

Модель має вигляд y = 0,019x² - 0,221x + 1,14. Прогнозне значення на 2013 рік 1,008. Отримані данні в результаті OLAP-аналізу і прогнозне значення коефіцієнту якості води по Мутності зображені у табл.3.17.

Таблиця 3.17

Коефіцієнти якості води по Мутності

Рік	Мутність
2003	0,9
2004	0,6
2005	1
2006	0,6
2007	0,4
2008	0,6
2009	0,2
2010	1
2011	0,5
2012	1
2013	1,008

Рис. 3.15 – Прогноз значення оцінки індивідуального показника мутність

3.12 Аналіз отриманих результатів прогнозування рівня забруднення за показниками

Отримані данні прогнозуваня використаемо для оцінки якості водних ресурсів методом ІЗВ (індекс забрудненості води):

ІЗВ = (1,262+0,942+0,2869+1,032+1,531+1,68+0,293+1,169+0,35+1,008)/10 = 1,02

Згідно з класифікацією данної методики данний коефіцієнт показує що якість води належить другому класу – «Чиста», однако якщо подивитися на індивідуальні показники, то 5 из 10 – перевищують допустимій рівень концентрації.

Оцінемо адекватість побудованих моделей прогнозування коефіцієнту якості води по данним показникам.

Модель є адекватно. якщо коефіцієнт достовірності апроксимації більший за 0,7 (R²>0,7).

Сульфати – коефіцієнт достовірності апроксимації R² = 0,761, модель є адекватною.

Хлориди – коефіцієнт достовірності апроксимації R² = 0,746, модель є адекватною.

Нітрати – коефіцієнт достовірності апроксимації R² = 0, 673, модель не є адекватною.

Свинець – коефіцієнт достовірності апроксимації R² = 0,729, модель є адекватною.

Нафтопродукти – коефіцієнт достовірності апроксимації R² = 0,821, модель є адекватною.

Мідь – коефіцієнт достовірності апроксимації R² = 0,942, модель є адекватною.

Цинк – коефіцієнт достовірності апроксимації R² = 0,625, модель не є адекватною.

Нікель – коефіцієнт достовірності апроксимації R² = 0,620, модель не є адекватною.

Залізо – коефіцієнт достовірності апроксимації R² = 0,768, модель є адекватною.

Мутність – коефіцієнт достовірності апроксимації R² = 0,488, модель не є адекватною.

Видно що не всі моделі є адекватними, адже для прогнозування було вибрано не дуже велика кількість данних.