1
轻度—中等污染
lego≤0
0
无污染
表2城市不同功能区表层土壤重金属平均浓度
功能区
As
(μg/g)
Cd
(ng/g)
Cr
(μg/g)
Cu
(μg/g)
Hg
(ng/g)
Ni
(μg/g)
Pb
(μg/g)
Zn
(μg/g)
生活区
6.27
289.96
69.02
49.40
93.04
18.34
69.11
237.01
工业区
7.25
393.11
53.41
127.54
642.36
19.81
93.04
277.93
山区
4.04
152.32
38.96
17.32
40.96
15.45
36.56
73.29
交通区
5.71
360.01
58.05
62.21
446.82
17.62
63.53
242.85
公园绿地区
6.26
280.54
43.64
30.19
114.99
15.29
60.71
154.24
表3土壤元素背景值
8种主要重金属元素的背景值
元素
平均值
标准偏差
范围
As(μg/g)
3.6
0.9
1.8~5.4
Cd(ng/g)
130
30
70~190
Cr(μg/g)
31
9
13~49
Cu(μg/g)
13.2
3.6
6.0~20.4
Hg(ng/g)
35
8
19~51
Ni(μg/g)
12.3
3.8
4.7~19.9
Pb(μg/g)
31
6
19~43
Zn(μg/g)
69
14
41~97
6.1.2.3评价结果
将不同功能区表层土壤重金属平均浓度值及土壤元素背景平均值代入Mul1er地质累积指数计算公式,得到如下结果,详见表4。
表4城市不同功能区表层土壤重金属Mul1er指数评价
功能区
生活区
工业区
山区
交通区
公园绿地
As
lgeo
0.22
0.43
-0.42
0.08
0.21
分级
1
1
0
1
1
Cd
lgeo
0.57
1.01
-0.36
0.88
0.52
分级
1
2
0
1
1
Cr
lgeo
0.57
0.20
-0.26
0.32
-0.09
分级
1
1
0
1
0
Cu
lgeo
1.32
2.69
-0.19
1.65
0.61
分级
2
3
0
2
1
Hg
lgeo
0.83
3.61
-0.36
3.09
1.13
分级
1
4
0
4
2
Ni
lgeo
-0.01
0.10
-0.26
-0.07
-0.27
分级
0
1
0
0
0
Pb
lgeo
0.57
1.00
-0.35
0.45
0.38
分级
1
1
0
1
1
Zn
lgeo
1.20
1.43
-0.50
1.23
0.58
分级
2
2
0
2
1
分析该城区内不同区域重金属的污染程度。
由上述数据表格可知:
生活区内Ni元素属于“无污染”,As、Cd、Cr、Hg、Pb元素属于“轻度-中等污染”,Cu、Zn元素属于“中等污染”。
工业区内As、Cr、Ni、Pb元素属于“轻度-中等污染”,Cd、Zn元素属于“中等污染”,Cu元素属于“中等-强污染”,Hg元素属于“强污染”。
山区内8种元素均属于“无污染”。
交通区内Ni元素属于“无污染”,As、Cd、Cr、Pb元素属于“轻度-中等污染”,Cu、Zn元素属于“中等污染”,Hg元素属于“强污染”。
公园绿地区内Cr、Ni元素属于“无污染”,As、Cd、Hg、Pb、Cu、Zn元素属于“轻度-中等污染”
6.2分析重金属污染的主要原因
As在五个功能区地质累积指数lego:
工业区(0.43)>生活区(0.22)>公园绿地区(0.21)>交通区(0.08)>山区(-0.42)。
As污染主要来源于工业区以及人类活动密集的生活区、公园绿地区。
工业废物、人类生活的垃圾等是As污染的主要原因。
Cd在五个功能区地质累积指数lego:
工业区(1.01)>交通区(0.88)>生活区(0.57)>公园绿地区(0.52)>山区(-0.36)。
Cd污染主要来源于工业区和交通区。
工业废物、汽车尾气等是Cd污染的主要原因。
Cr在五个功能区地质累积指数lego:
生活区(0.57)>交通区(0.32)>工业区(0.2)>公园绿地区(-0.09)>山区(-0.26)。
Cr污染主要来源于生活区。
人类生活的垃圾等是Cr污染的主要原因。
Cu在五个功能区地质累积指数lego:
工业区(2.69)>交通区(1.65)>生活区(1.32)>公园绿地区(0.61)>山区(-0.19)。
Cu污染主要来源于工业区、交通区和生活区。
生活垃圾也是Cu污染的主要原因。
Hg在五个功能区地质累积指数lego:
工业区(3.61)>交通区(3.09)>公园绿地区(1.13)>生活区(0.83)>山区(-0.36)。
Hg污染主要来源于工业区和交通区。
工业区燃料燃烧产生的气体以及汽车尾气是Hg污染的主要原因。
Ni在五个功能区地质累积指数lego:
工业区(0.1)>生活区(-0.01)>交通区(-0.07)>山区(-0.26)>公园绿地区(-0.27)。
Ni污染主要来源于工业区,在其他各区污染不明显。
工业生产产生的废水、废渣是Ni污染的主要原因。
Pb在五个功能区地质累积指数lego:
工业区(1.00)>生活区(0.57)>交通区(0.45)>公园绿地区(0.38)>山区(-0.35)。
Pb污染主要来源于工业区、生活区和交通区。
工业污染以及含Pb汽油燃烧产生的尾气污染是Pb污染的主要原因。
Zn在五个功能区地质累积指数lego:
工业区(1.43)>交通区(1.23)>生活区(1.20)>公园绿地区(0.58)>山区(-0.5)。
Zn污染主要来源于工业区、交通区和生活区。
工业废物、汽车轮胎的添加剂中含有Zn,轮胎磨损产生的粉尘是路边土壤Zn污染的主要原因。
6.3问题三模型的建立与求解
6.3.1重金属污染物的传播特征
重金属,特别是汞、镉、铅、铬等具有显著的生物毒性。
它们在水体中不能被微生物降解,而只能发生各种形态的相互转化和分散、富集过程(迁移)。
重金属污染传播的特点是:
(1)除被悬浮物带走外,会因吸附沉淀作用而富集于排污口附近的底泥中,成为长期的次生污染源;
(2)水中各种无机配位体(氯离子、硫酸离子、氢氧离子等)和有机配位体(腐蚀质等)会与其生成络合物或螯合物,导致重金属有更大的水溶解度而使已进入底泥的重金属又可能重新释放出来;(3)重金属的价态不同,其活性与毒性不同。
其形态又随PH值和氧化还原条件而转化。
在重金属的传播过程中,需要考虑的因素很多,处理的方法也有很多,如湍流理论,大气扩散理论,梯度输送理论,扩散模拟方法等。
在不同的条件下很难确定用什么理论,且单一的理论很难确定其污染源的位置,而因子分析法能够用少数几个因子去描述许多变量之间的关系。
因此采用因子分析法建立模型,确定污染源的位置。
6.3.2因子分析模型
因子分析的基本目的是,用少数几个因子去描述许多变量之间的关系。
被描述的变量是可以观测的随机变量,即显在变量。
而这些因子是不可观测的潜在变量。
因子分析法把众多的指标综合成几个为数较少的指标,这些指标称为因子指标。
因子分析的特点是:
(1)因子变量的数量远少于原有的指标变量的数量,因而对因子变量进行分析能够减少分析中的工作量。
(2)因子变量不是对原始变量的取舍,而是根据原始变量的信息进行重新组合,它能够反映原有变量大部分信息。
(3)因子变量之间不存在显著的线性相关关系,对变量的分析比较方便,但原始部分变量之间多存在较显著的线性相关关系。
(4)因子变量具有命名解释性,即该变量是对某些原始变量信息的综合和反映。
在保证数据信息丢失最少的原则下,对高维变量空间进行降维处理(即通过因子分析或主成分分析)。
显然,在一个低维空间解释系统要比在高维空间解释系统容易得多。
6.3.3因子分析的原理
假定:
有N个地理样本,每个样本共有P个变量,构成一个N×P阶的地理数据矩阵:
(2)
当P较大时,在P维空间中考察问题比较麻烦。
这就需要进行降维处理,即用较少几个综合指标代替原来指标,而且使这些综合指标既能尽量多地反映原来指标所反映的信息,又能保持彼此独立。
线性组合:
记X1,X2,…,Xp为原变量指标,Z1,Z2,…,Zm(m≤p)为新变量指标(主成分),则其线性组合为:
(3)
lij是原变量在各主成分上的载荷
无论是哪一种因子分析方法,其相应的因子解都不是唯一的,主因子解仅仅是无数因子解中的一个解。
矩阵形式为:
(4)
且一定满足:
(1)
;
(2)
不相关,且方差均为1,Zi与Zj也不相关。
式中:
X=(X1,…,Xm)称为X的公共因子,L为因子载荷矩阵,lij为因子载荷。
Zi与Zj相互无关;
Z1是X1,X2,…,Xp的一切线性组合中方差最大者,Z2是与Z1不相关的X1,X2,…的所有线性组合中方差最大者,则新变量指标Z1,Z2,…,Zn分别称为原变量指标的第一,第二,…,第N个主要因子变量。
Z为因子变量或公共因子,可以理解为在高维空间中互相垂直的m个坐标轴。
主成分分析实质就是确定原来变量Xj(j=1,2,…,p)在各主成分Zi(i=1,2,…,m)上的荷载lij。
它们分别是相关矩阵的m个较大的特征值所对应的特征向量。
设:
X1=AsX2=CdX3=CrX4=Cu
X5=HgX6=NiX7=PbX8=Zn
Z1--Z5:
主要因子变量
其中N=319P=8
对所研究区域土壤重金属元素含量数据运用SPSS统计软件进行相关的分析,通过测试,As、Cd、Cr、Cu、Hg、Ni、Pb、Zn8种重金属含量数据符合因子分析的要求,通过重金属元素之间的相关性提取主因子,可对重金属元素进行归类,并得出因子对于研究某一区域重金属元素含量的影响程度,结合因子得分情况,分析因子的等值线特征。
6.3.4结果与分析
6.3.4.1相关性分析
从As、Cd、Cr、Cu、Hg、Ni、Pb、Zn8种重金属的相关系数矩阵(表5)可以看出,X6(Ni)与X3(Cr)、X7(Pb)与X2(Cd)的相关性最好,相关系数比较大,分别为0.716和0.66。
同时X4(Cu)、X3(Cr)、X6(Ni)三者之间的相关性也比较好,相关系数在0.494-0.716之间。
其次X7(Pb)与X4(Cu)、X7(Pb)与X8(Zn)也有一定的相关性,相关系数分别为0.52和0.494,其他相关性都不是很强。
结合重金属污染来源来看,相关性较好的重金属元素在这方面有一定的相似性和关联性[3]。
表5变量相关系数矩阵
变量
X1
X2
X3
X4
X5
X6
X7
X8
X1
1.000
X2
0.255
1.000
X3
0.189
0.352
1.000
X4
0.160
0.397
0.532
1.000
X5
0.064
0.265
0.103
0.417
1.000
X6
0.317
0.329
0.716
0.495
0.103
1.000
X7
0.290
0.660
0.383
0.520
0.298
0.307
1.000
X8
0.247
0.431
0.424
0.387
0.196
0.436
0.494
1.000
6.3.4.2主因子分析
特征值和因子占总变量的百分比的计算是进行因子分析的基础,在累计方差贡献率为87.756%的基础之上,提取了5个主要因子Z1--Z5。
从表6中可以看出,旋转前后,累计方差贡献率没有变化,5个主因子除主因子Z1外,其他4个主因子方差贡献率变化都比较小,在8%之内。
旋转后,主因子Z1、Z2方差贡献率分别25.733%与22.087%,其它3个主因子方差贡献率都在11%一16%之间。
从方差贡献率来看,因子Z1、Z2对所研究区域表层土壤重金属元素分布情况具有最大贡献,其次,因子Z3--Z5对重金属元素分布情况的贡献作用依次减小。
正交旋转的目的就是去掉变量中一些相互关联的、有重叠作用的因素,使提取的因子为相互独立的、简单而且足够反映变量总体的信息,同时,确定提取的因子对各个变量的信息量的反映情况,因子载荷在某个因子的载荷越高,表明因子对于变量的信息的贡献量越大,因子与变量的关系越亲近。
表6特征值和因子方差贡献率
变量
因子载荷
初始提取因子载荷
旋转后因子载荷
特征值
方差贡献率(%)
累积贡献率(%)
因子
特征值
方差贡献率(%)
累积贡献率(%)
特征值
方差贡献率(%)
累积贡献率(%)
X1
3.560
44.500
44.500
Z1
3.560
44.500
44.500
2.059
25.733
25.733
X2
1.150
14.377
58.877
Z2
1.150
14.377
58.877
1.767
22.087
47.820
X3
0.965
12.063
70.941
Z3
0.965
12.063
70.941
1.217
15.215
63.035
X4
0.768
9.596
80.537
Z4
0.768
9.596
80.537
1.026
12.824
75.858
X5
0.578
7.220
87.756
Z5
0.578
7.220
87.756
0.952
11.898
87.756
X6
0.432
5.399
93.156
X7
0.301
3.769
96.924
X8
0.246
3.076
100.000
从表8(由表7旋转得到)可以看出,因子Zl对于X3、X6元素的信息反映最全,载荷都在0.864以上。
因子Z2对X2、X7元素的信息反映最好,载荷都在0.832以上。
因子Z3对X5元素的信息反映最好,载荷为0.953。
因子Z4对X1元素的信息反映最好,载荷为0.97。
因子Z5对X8元素的信息反映最好,载荷为0.904。
表7因子载荷矩阵
变量
主要因子
Z1
Z2
Z3
Z4
Z5
X1
0.426
-0.200
0.681
0.551
-0.026
X2
0.711
0.281
0.282
-0.322
-0.254
X3
0.735
-0.444
-0.303
-0.046
-0.110
X4
0.756
0.125
-0.365
0.137
-0.155
X5
0.408
0.673
-0.297
0.449
0.154
X6
0.723
-0.515
-0.190
0.137
-0.014
X7
0.764
0.314
0.237
-0.248
-0.158
X8
0.699
-0.037
0.123
-0.241
0.654
表8旋转后的因子载荷矩阵
变量
主要因子
Z1
Z2
Z3
Z4
Z5
X1
0.131
0.154
0.023
0.970
0.076
X2
0.170
0.877
0.082
0.102
0.132
X3
0.882
0.209
0.002
0.014
0.146
X4
0.614
0.362
0.505
-0.022
0.029
X5
0.013
0.134
0.953
0.030
0.083
X
0.864
0.089
0.019
0.222
0.196
X7
0.195
0.832
0.191
0.121
0.208
X8