Analiza rozkładu przestrzennego zanieczyszczenia gleb Warszawy i okolic cynkiem, miedzią i ołowiem z zastosowaniem krigingu wskaźnikowego

• Autorzy: Zawadzki J.

Warianty tytułu

EN

Spatial distribution studies of Zn, Pb and Cu contamination in the soils of Warsaw and its vicinity

• Języki publikacji: PL

Abstrakty

PL

Artykuł prezentuje analizę rozkładów przestrzennych zawartości Cu, Pb i Zn w glebach Warszawy i okolic. Analizę tę wykonano z zastosowaniem metody krigingu wskaźnikowego. Kriging wskaźnikowy jest nowoczesną metodą geostatystyczną estymacji przestrzennej, pozwalającą precyzyjnie wyznaczyć rozkłady przestrzenne prawdopodobieństwa zawartości badanego pierwiastka w glebie, nawet w przypadku skomplikowanych zbiorów danych. Wynikami tych obliczeń są mapy rozkładów przestrzennych zawartości badanych pierwiastków oraz mapy prawdopodobieństwa przekroczenia wybranych wartości progowych zanieczyszczenia. Takie rozkłady stanowią precyzyjną i niezwykle wygodną informację na temat wielkości zanieczyszczenia badanego obszaru. Stwierdzono, że zawartość Cu w glebach Warszawy i okolic jest stosunkowo wysoka. Poziom 300 mg/kg jest przekroczony głównie na północy i zachodzie dzielnicy Centrum. W przypadku Pb zanieczyszczenia przekraczające 200 ÷ 250 mg/kg obserwowane są na większości obszaru Warszawy. Stosunkowo najmniejsze zanieczyszczenie Pb występuje w dzielnicach południowych i wschodnich, takich jak: Ursynów, Wilanów, Wawer oraz Wesoła. W przypadku Zn zanieczyszczenie gleb Warszawy jest najczęściej małe. Obszary niskich zawartości Zn są rozłożone głównie w centrum Warszawy oraz w jej zachodnich okolicach, głównie na obszarach miejskich.

EN

The systematic studies of Cu, Pb and Zn concentrations in the soils of Warsaw and its immediate vicinity were done in the past. It was shown that concentrations of these elements in the soil have similar statistical and geostatistical characteristic expressed by appropriate parameters or functions (e.g. correlation coefficients or semivariances). However, it was also interesting to determine spatial distribution of soil contamination by these elements in the investigated region. This paper presents the results of studies on spatial distribution of Cu, Pb and Zn concentrations in the soils of Warsaw and its vicinity, carried out using the indicator kriging method. The accurate evaluation and interpretation of spatial extent of soil pollution is a very important but difficult task. Many environmental data exhibit trends, are usually clustered, biased, non-stationary or spatially correlated. These data often have not normal or even log-normal distribution. The use of classical interpolation methods for such data, as e.g. inverse-distance weighting or, least-square methods leads to non-realistic distributions of pollution. Indicator kriging, which is a sophisticated, non-parametric geostatistical method of spatial estimation, takes into account spatial correlations, does not require the assumption of global stationarity, or normal (log-normal) distribution of data. The spatial distribution for Cu, Pb and Zn concentrations in the soils of Warsaw and its immediate vicinity were calculated, presented graphically and shortly discussed. The probability maps showing the risk that concentration of studied metals exceeds given thresholds (with 95% confidence interval), have been also calculated using indicator kriging.

Słowa kluczowe

PL

geostatystyka; kriging wskaźnikowy; zmienność przestrzenna; zanieczyszczenie gleby

EN

geostatistics; indicator kriging; spatial variability; soil contamination

• Wydawca: Wydawnictwo Politechniki Częstochowskiej
• Czasopismo: Inżynieria i Ochrona Środowiska
• Rocznik: 2003
• Tom: T. 6, nr 3/4
• Strony: 407--424
• Opis fizyczny: Bibliogr. 28 poz.

Twórcy

autor

Zawadzki J.

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

Bibliografia

• [1] Deutsch C.V., Joumel A.G., GSLIB Geostatistical Software Library and User’s Guide, Oxford University Press, New York 1992.
• [2] Englund E., Sparks A., Geo-EAS 1.2.1 User’s Guide, US-ЕРА Report #600/8-91/008, EPA- -EMSL, Las Vegas 1991.
• [3] Pannatier Y., Variowin, Software for Spatial Data Analysis in 2D, Springer-Verlag 1996.
• [4] SADA, Spatial Analysis and Decision Assistance Home Page, http://www.tiem.utk.edu/~sada/
• [5] Gamma Design Software, GS+ Geostatistics for the Environmental Software 1998.
• [6] Czubek J.A., Łaskiewicz L, Gyursak J., Lenda A., Umiastowski K., Żorski T., Charakterystyki geostatystyczne niektórych serii litostratygraficznych monokliny przedsudeckiej, VI Sympozium Zastosowanie Metod Matematycznych i Informatycznych w Geologii, AGH, Kraków, styczeń 1977.
• [7] Namyslowska-Wilczyńska B., Wilczyński A., Badania geostatystyczne zanieczyszczenia gleb metalami ciężkimi w wybranych rejonach Górnego Śląska, Ochrona Środowiska 1997, 2(65).
• [8] Namyslowska-Wilczyńska B., Wilczyński A., Multivariate estimation and simulation for environmental data modelling: processing of heavy metals concentration data in soil, Data Science Journal 2002,1(1), 27-44.
• [9] Zawadzki J., Geostatystyczne metody oceny ciągłości i korelacji na przykładzie badań zawartości cynku, ołowiu i żelaza w glebie, Inżynieria i Ochrona Środowiska 2002, 3-4, 369-391.
• [10] Zawadzki J., Badania korelacji przestrzennych zawartości pierwiastków śladowych w glebach Warszawy i jej okolic, Ochrona Środowiska 2002, 4(87).
• [11] Rouháni S., Srivastava R., Desbarats A., Cromer M., Johnson A., Geostatistics for Environmental and Geotechnical Applications, ASTMP STP 1283, 1996.
• [12] Lis J., Atlas geochemiczny Warszawy i okolic, Państwowy Instytut Geologiczny.
• [13] Krige D.G., A statistical approach to some mine valuations and allied problems at the Witwater- srand, Master’s thesis, University of Witwatersrand, South Africa 1951.
• [14] Krige D.G., Two-dimensional weighted moving average trend surfaces for ore valuation, Proceedings of the Symposium on Mathematics, Statistics and Computer Applications in Ore Valuation, Johannesburg, South African Institute of Mining and Metallurgy, Johannesburg 1966.
• [15] Cressie N.A.C., The origins of Kriging, Mathematical Geology 1990, 22(3).
• [16] David M., The practice of kriging, Geostat 1975, 75.
• [17] Matheron G., Traitě de Gěostatistuque Appliquěe, Technip, Paris 1962-1963.
• [18] David M., Handbook of Applied Advanced Geostatistical Ore Reserve Estimation, Elsevier, Amsterdam 1988.
• [19] Royle A.G., A Practical Introduction to Geostatistics, Mining Sciences Departament, University of Leeds, Leeds 1975.
• [20] Joumel A.G., Fundamentals of Geostatistics in Five Lessons, Washington 1989.
• [21] Joumel A.G., Huibregts C.J., Mining Geostatistics, Academic Press, London 1978.
• [22] Isaaks E.H., Srivastava R.M., An Introduction to Applied Geostatistics, Oxford University Press, New York 1989.
• [23] Ripley B.D., Spatial Statistics, Wiley, New York 1981.
• [24] Isaaks E.H., Srivastava R.M., Spatial continuity measures for probabilistic and deterministic geostatistics, Mathematical Geology 1988, 20(4).
• [25] Kasprzak T., Lasek M., Pęczkowski M., Statystyczna analiza wielowymiarowa za pomocą komputera, Wydawnictwa Uniwersytetu Warszawskiego, Warszawa 1997.
• [26] Wackemagel H., Principal Component Analysis for Autocorrelated Data, A geostatistical perspective. Technical Report N-22/98/G, Centre de Geostatique, Ecole des Mines de Paris 1998.
• [27] Kabata-Pendias A., Motowicka-Terelak T., Piotrowska M, Terelak H., Witek T., Ocena stopnia zanieczyszczenia gleb metalami ciężkimi i siarką, Ramowe wytyczne dla rolnictwa, Seria P(53), Wyd. IUNG, Puławy 1993.
• [28] Goovaerts P., Geostatistics for Natural Resources Evaluation, Oxford University Press, New York, Oxford 1997.