Badania korelacji przestrzennych zawartości wybranych pierwiastków śladowych w glebach Warszawy i okolic

• Autorzy: Zawadzki J.

Warianty tytułu

EN

Spatial correlation studies of trace element concentrations in the soils of Warsaw and immediate vicinity

• Języki publikacji: PL

Abstrakty

PL

W artykule omówiono metody geostatystyczne przeznaczone do opisu korelacji przestrzennych. Obliczono empiryczne miary korelacji i zmienności przestrzennej i przedyskutowano je na przykładach opartych na zbiorze danych składającym się z pomiarów zawartości pierwiastków śladowych w glebie. Zawartość As, Cd, Co, Mn, Ni, Pb i Zn była badana w glebach Warszawy i jej okolic. Próbki gleby były pobierane z głębokości 0-0,2 m i poddawane odpowiednim analizom chemicznym. Następnie wykonano obliczenia statystycznych parametrów opisowych, po których wykonano analizę składowych głównych. Rezultaty tej analizy pokazały, że badane pierwiastki można pogrupować w trzy klasy: As i Cd; Co, Mn i Ni; Pb i Zn. Następnie obliczono i szczegółowo przedyskutowano typowe geostatystyczne miary ciągłości przestrzennej: autowariogramy oraz wariogramy krzyżowe. Dla porównania wykonano również obliczenia autokorelogramów oraz korelogramów krzyżowych. Następnie wykonano dokładne modelowanie eksperymentalnych autowariogramów oraz wariogramów krzyżowych. Stwierdzono, że najlepsza "struktura gniazdowa" dla wszystkich badanych pierwiastków z wyjątkiem As i Cd jest sumą efektu losowego oraz modelu sferycznego. W przypadku As i Cd zaobserowwano wariogram, w którym dominował efekt losowy. Otrzymano również parametry autowariogramów oraz wariogramów krzyżowych. Wysoką korelację klasyczną opisywaną poprzez współczynnik korelacji Pearsona, w połączeniu z wysoką korelacją przestrzenną znaleziono w przypadku następujących par pierwiastków: Co-Ni, Pb-Zn, Cu-Zn, Mn-Co, Mn-Ni, Cu-Pb, Ni-Zn, Ni-Cu, Ni-Pb. W celu lepszego zrozumienia zaobserwowanych korelacji wykorzystano liniowy model koregionalizacji. W tym celu wyznaczono i wymodelowano współczynnik koregionalizacji, który jest geostatystycznym odpowiednikiem współczynnika korelacji Pearsona. Współczynnik koregionalizacji zawiera informację dotyczącą zarówno klasycznych jak i przestrzennych korelacji. Z tego powodu współczynnik koregionalizacji może osiągać maksimum dla odległości większych od zera (korelacje przesunięte).

EN

Empirical measures of spatial correlation and variability were calculated and discussed using examples based on a data set which included soil concentrations of As, Cd, Co, Mn, Ni, Pb and Zn measured in Warsaw and in the neighbouring area. Chemical analyses were carried out with soil samples collected at the depth of 0 to 0.20 m. Next the descriptive statistical parameters were calculated and thereafter Principal Component Analysis was carried out. The results showed that the trace elements under study can be grouped into the following three classes: As nad Cd; Co, Mn and Ni; Pb and Zn. Conventional geostatistical measures of spatial continuity - auto-variograms and cross-variograms - were calculated and discussed in detail. For comparison, calculations were also carried out for auto-correlograms and cross-correlograms. The computations were followed by accurate modelling of the experimental auto-variograms and cross-variograms. It was found that for all the trace elements under study (except As and Cd) the best "nested structure" was a combination of the nugget effect and spherical model. For As and Cd, nugget-like variograms were observed. The parameters of the variograms and cross-variograms describing spatial continuity and spatial correlation were also determined. A significant classical correlation described by the Pearson coefficient and a significantly high spatial correlation described by the cross-variograms were obtained for the concentrations of the following pairs of elements: Co-Ni, Pb-Zn, Cu-Zn, Mn-Ni, Cu-Pb, Ni-Zn, Ni-Cu and Ni-Pb. To gain a better understanding of the correlations observed, use was made of the linear model of coregionalization. For this purpose, the spatial dependence of the coregionalization coefficient, which is a geostatistical equivalent of the Pearson coefficient provides information on both classical and spatial correlations. This is why it can take values greater than 1 and reach a maximum for sampling distances greater than zero ("deferred correlation"). Such behavioral pattern was detected by modelling via "nested structures", which are combinations of the nugget effect and spherical model for the probable sets of component variogram parameters.

Słowa kluczowe

PL

zanieczyszczenie gleby; metale ciężkie; geostatystyka; korelogram wzajemny; funkcja kodyspersji

EN

soil contamination; trace elements; geostatistics; cross variogram; codispersion function

• Wydawca: Polskie Zrzeszenie Inżynierów i Techników Sanitarnych, Oddział Dolnośląski
• Czasopismo: Ochrona Środowiska
• Rocznik: 2002
• Tom: nr 4
• Strony: 17--26
• Opis fizyczny: Bibliogr. 24 poz., rys., tab., wykr.

Twórcy

autor

Zawadzki J.

• Instytut Systemów Inżynierii Środowiska, Politechnika Warszawska, ul. Nowowiejska 20, 00-661 Warszawa

Bibliografia

• 1. M. SOBCZYK: Statystyka. PWN, Warszawa 1996.
• 2. M. FISZ: Rachunek prawdopodobieństwa i statystyka matematyczna. PWN, Warszawa 1967.
• 3. D. G. KRIGE: A statistical approach to some mine valuations and allied problems at the Witwatersrand. Masters thesis, University of Witwatersrand, South Africa, 1951.
• 4. G. MATHERON: Traite de Geostatistique Appliąuee. Technip, Paris 1962-1963.
• 5. D. G. KRIGE: Two-dimensional weighted moving average trend surfaces for ore valuation. Proceedings of the Symposium on Mathematics, Statistics and Computer Applications in Ore Valuation, Johan- nesburg. South African Institute of Mining and Metallurgy, Johannesburg 1966.
• 6. S. ROUHANI: R. SRIVASTAVA, A. DESBARATS, M. CROMER, A. JOHNSON: Geostatistics for Environmental and Geotechnical Applications. ASTMP STP 1283, 1996.
• 7. E. H. ISAAKS, R. M. SRIVASTAVA: An Introduction to Applied Geostatistics. Oxford University Press, New York 1989.
• 8. M. DAVID: Handbook of Applied Advanced Geostatistical Ore Reserve Estimation. Elsevier, Amsterdam 1988.
• 9. A. G. JOURNEL, C. J. HU1BREGTS: Mining Geostatistics. Acade- mic Press, London 1978.
• 10. A. G. ROYLE: A Practical Introduction to Geostatistics. Mining Sciences Departament, University of Leeds, Leeds 1975.
• 11. B. D. RIPLEY: Spatial Statistics. Wiley, New York 1981.
• 12. A. G. JOURNEL: Fundamentals of Geostatistics in Five Lessons. Washington DC 1989.
• 13. Gamma Design Software, GS+ Geostatistics for the Environmental Software, 1998.
• 14. J. A. CZUBEK, J. ŁASKIEWICZ, J. GYURSAK, A. LENDA, K. UMIASTOWSKI, T. ŻORSKI: Charakterystyki geostatystyczne niektórych serii litostratygraficznych monokliny przedsudeckiej. Mat. VI symp. „Zastosowanie metod matematycznych i informatycz¬nych w geologii”, AGH, Kraków 1977.
• 15. B. NAMYSłOWSKA-WILCZYŃSKA, A. WILCZYŃSKI: Badania geostatystyczne zanieczyszczenia gleb metalami ciężkimi w wybranych rejonach Górnego Śląska. Ochrona Środowiska, 1997, nr 2(65), ss. 9-18.
• 16. B. NAMYSłOWSKA-WILCZYŃSKA, A. WILCZYŃSKI: Multivariate estimation and simulation for environmental data modelling: Processing of heavy metals concentration data in soil. Data Science Journal, 2002, 1(1), pp. 27-44.
• 17. J. LIS: Atlas geochemiczny Warszawy i okolic. Państwowy Instytut Geologiczny, Warszawa 1992.
• 18. E. H. ISAAKS, R. M. SRIVASTAVA: Spatial continuity measures for probabilistic and deterministic geostatistics. Mathematical Geology, 1988, Vol. 20, No. 4.
• 19. C. V. DEUTSCH, A. G. JOURNEL: GSLIB Geostatistical Software Library and Users Guide. Oxford University Press, New York 1992.
• 20. Y. PANNATIER: Variowin, Software for Spatial Data Analysis in 2D. Springer-Verlag, 1996.
• 21. A. KABATA-PENDIAS, T. MOTOWICKA-TERELAK, M PIOTROWSKA, H. TERELAK, T. WITEK: Ocena stopnia zanieczyszczenia gleb metalami ciężkimi i siarką. Ramowe wytyczne dla rolnictwa. IUNG, Seria P(53), Puławy 1993.
• 22. J. R. DOJLIDO: Chemia wód powierzchniowych. Wydawnictwo Ekonomia i Środowisko, Białystok 1995.
• 23. T. KASPRZAK, M. LASEK, M. PĘCZKOWSKI: Statystyczna analiza wielowymiarowa za pomocą komputera. Wydawnictwa Uniwersytetu Warszawskiego, Warszawa 1997.
• 24. H. WACKERNAGEL: Principal Component Analysis for Autocorrelated Data. A geostatistical perspective. Technical Report N-22/98/G, Centre de Geostatiąue - Ecole des Mines de Paris, Paris 1998.