Wyniki wyszukiwania - BazTech

Ograniczanie wyników

1 Archives of Environmental Protection

1 2012

Znaleziono wyników: 1

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: HG-AAS

Sortuj według:

Ogranicz wyniki do:

Multivariate Statistical Analyses on Arsenic Occurrence in Rybnik Reservoir

Widziewicz K., Loska K.

Archives of Environmental Protection

2012

Vol. 38, no. 2

11-23

Popular statistical techniques, such as Spearman's rank correlation matrix, principal component analysis (PCA) and multiple linear regression analysis were applied to analyze a large set of water quality data of the Rybnik Reservoir generated during semiannual monitoring. Water samples collected at 9 sampling sites located along the main axis of the reservoir were tested for 14 selected parameters: concentrations of co-occurring elements, ions and physicochemical parameters. The aim of this study was to estimate the impact of those parameters on inorganic arsenic occurrence in Rybnik Reservoir water by means of multivariate statistical methods. The spatial distribution of arsenic in Rybnik Power Station reservoir was also included. Inorganic arsenic As(III), As(V) concentrations were determined by hydride generation method (HG-AAS) using SpectrAA 880 spectrophotometer (Varian) coupled with a VGA-77 system for hydride generation and ECT-60 electrothermal furnace. Spearman's rank correlation matrix was used in order to find existing correlations between total inorganic arsenic (AsTot) and other parameters. The results of this analysis suggest that As was positively correlated with PO43-; Fe and TDS. PCA confirmed these observations. Principal component analysis resulted in three PC's explaining 57% of the total variance. Loading values for each component indicate that the processes responsible for As release and distribution in Rybnik Reservoir water were: leaching from bottom sediments together with other elements like Cu, Cd, Cr, Pb, Zn, Ni, Ca (PC1) and co-precipitation with PO43-, Fe and Mn (PC3) regulated by physicochemical properties like T and pH (PC2). Finally, multiple linear regression model has been developed. This model incorporates only 8 (T, pH, PO43-, Fe, Mn, Cr, Cu, TDS) out of initial 14 variables, as the independent predictors of total As contamination level. This study illustrates the usefulness of multivariate statistical techniques for analysis and interpretation of complex environmental data sets.

Do analizy dużego zbioru danych pochodzących z półrocznego monitoringu wody Zbiornika Rybnickiego zastosowano popularne techniki statystyczne takie jak: macierz korelacji rang Spearmana, analiza głównych składowych (PCA) oraz regresja wieloraka. Próbki wody do badań pobierano z 9 różnych stanowisk rozmieszczonych wzdłuż głównej osi zbiornika i testowano pod kątem 14 wybranych parametrów: stężeń współwystępujących pierwiastków, jonów oraz parametrów fizykochemicznych. Celem pracy była ocena wpływu tych parametrów na występowanie arsenu nieorganicznego w wodzie Zbiornika Rybnickiego za pomocą wielowymiarowych metod statystycznych. W pracy zamieszczono także wyniki przestrzennego rozkładu arsenu w zbiorniku Elektrowni Rybnik. Stężenia nieorganicznych form arsenu As(III), As(V) oznaczano metodą generowania wodorków (HG-AAS) wykorzystując spektrometr absorpcji atomowej SpectrAA 880 (Varian), rozbudowany o układ do generacji wodorków VGA-77 oraz elektrotermiczny piec ETC-60. W celu znalezienia korelacji między całkowitym arsenem nieorganicznym (AsTot), a innymi parametrami wykonano macierz korelacji rang Spearmana. Wyniki tej analizy sugerują, że As był dodatnio skorelowany z PO43-; Fe, TDS. Potwierdzeniem tych obserwacji były wyniki analizy PCA. Analiza głównych składowych pozwoliła na wyodrębnienie ze zbioru danych 3 głównych składowych wyjaśniających 57% całkowitej zmienności. Wartości ładunków poszczególnych czynników wskazują, że procesami, które w największym stopniu wpływały na uwalnianie oraz dystrybucję As w wodzie Zbiornika Rybnickiego były: wymywanie z osadów dennych wraz z innymi pierwiastkami takimi jak: Cu, Cd, Cr, Pb, Zn, Ni, Ca (PC1), współstrącanie z Fe, Mn, PO43- (PC3) regulowane przez czynniki fizykochemiczne jak T czy pH (PC2). Końcowy etap analizy wyników obejmował zbudowanie modelu regresji wielorakiej. Model obejmował jedynie 8 (T, pH, PO43-, Fe, Mn, Cr, Cu, TDS) spośród 14 wyjściowych zmiennych, które służyły jako niezależne estymatory do oszacowania stopnia zanieczyszczenia wody arsenem. Praca ta ilustruje przydatność wielowymiarowych technik statystycznych do analizy i interpretacji złożonych zbiorów danych pochodzących z badań środowiskowych.