Sixteen sampling sites along the stream of Kamchia River were considered as environmental objects in the multivariate statistical study aimed to identify and apportion patterns of sampling sites, latent factors responsible for the data structure and their relation to the emitter industrial and anthropogenic sources in the vicinity of the sampling sites. As variable 11 surface water parameters were used monitored for a long time period (up to 10 years). Four main site patterns were revealed by cluster analysis (urban, rural, near-to dam and estuary) and for each site latent factor were identified and apportioned (among them "metallurgical", "food production", "winery", domestic wastes", "natural"). The relative contribution of each identified polluting source to the formation of the total concentration of each chemical specie or physicochemical parameter was determined and compared with the real emitters in the region of interest.
PL
Z szesnastu miejsc wzdłuż nurtu rzeki Kamchia pobierano próbki środowiskowe do wielowymiarowych badań statystycznych, których celem było identyfikowanie i określenie charakteru (wzorców) punktów badawczych, czyli ukrytych zmiennych odpowiedzialnych za strukturę danych oraz ich zależność od emitorów przemysłowych i antropogennych w pobliżu miejsc pobierania próbek. W badanych próbkach wody monitorowano 11 parametrów (przez 11 lat). Za pomocą analizy klastrów znaleziono cztery główne wzorce (miejski, wiejski, w pobliżu tam, ujście rzeki) i dla każdego z nich zidentyfikowano i przydzielono źródło zanieczyszczeń (m.in. "metalurgiczne", "z produkcji żywności", "winiarstwo", "odpady", "przyrodnicze"). Określono udział każdego zidentyfikowanego źródła zanieczyszczenia w całkowitym stężeniu badanych związków chemicznych lub wartości parametru fizykochemicznego, a uzyskane wyniki porównano z rzeczywistymi parametrami emitorów w tym regionie.
The present communication deals with the application of principal components analysis and source apportioning on absolute principal components scores to an aerosol data collection from Arnoldstein, Austria and to a data set from sediment samples from the US coast. In both cases the first step of the environmetric data interpretation is the identification of latent factors determining the data structure and resembling the pollutant sources in the vicinity of the sampling. It is convincingly shown that six latent factors explaining almost 80 % of the total variance are responsible for the data structure of the aerosol monitoring set, which are conditionally identified as "fertilizer", secondary emission", "lead smelter", "traffic", "salt" and "soil dust" by principal components analysis (PCA). In the second step of the intelligent data analysis the contribution of each identified source to the formation of the particle total mass and chemical compounds total concentration is calculated. Further, the same two-step procedure is applied to the sediment data collection where four latent factors ("anthropogenic", "organic", "natural", and "hot spots") are identified and, respectively, apportioned. Thus, a reliable assessment of the air quality and the sediment role as environmental quality indicators in the region of observation is achieved. The apportioning models obtained are checked for adequateness and validated. The latent factor contribution models can be further used for risk assessment and respective decision making. Additionally, it is commented why chemometrics could be successfully applied as sustainability metrics in various aspects of interpretation of the stale of "sustainable development".
PL
Opisano zastosowanie metod analizy czynników głównych (PCA) oraz udziału źródeł do opisu bezwzględnego wpływu czynników na aerozole zebrane w Arnoldstein (Austria) i na wybrzeżu USA. W obu przypadkach pierwszym krokiem w interpretacji danych była identyfikacja czynników ukrytych określających strukturę danych i rozpoznanie źródeł zanieczyszczeń w pobliżu miejsc, z których pobierano próbki. W sposób przekonujący wykazano, że za strukturę danych pochodzących z badania aerozolu odpowiada 6 czynników tłumaczących prawie 80 % całkowitej wariancji. Zostały one warunkowo określone jako "nawóz", "emisja drugorzędna", "huta ołowiu", "ruch uliczny", "sól" i" pył glebowy". W drugim kroku inteligentnej analizy danych obliczono udział każdego zidentyfikowanego źródła na masę cząstek i ich skład chemiczny. Następnie ta sama dwuetapowa procedura została zastosowana do danych otrzymanych podczas badania osadów. Zidentyfikowano 4 ukryte czynniki ("antropogenny", "organiczny", "naturalny" i"gorące punkty") i określono ich wpływ na badane parametry. Osiągnięto wiarygodne oszacowanie jakości powietrza i osadu jako wskaźników jakości środowiska w badanym regionie. Modele udziału ukrytych czynników mogą być w dalszej kolejności używane do oceny ryzyka i odpowiedniego podejmowania decyzji.
3
Dostęp do pełnego tekstu na zewnętrznej witrynie WWW
Two major environmetric methods (Cluster analysis (CA) and Principal components analysis (PCA)) were applied for statistical assessment of the water quality of trans-border river Tundja. The study used long-term monitoring data from 26 sampling sites characterized by 12 physicochemical parameters. Clustering of chemical indicators results in 3 major clusters: the first one shows the impact of anthropogenic sources, the second - the impact of agriculture and farming activities and the last one describes the role of the physical parameters on the water quality and also the impact of urban wastes. For better assessment of the monitoring data, PCA was implemented, which identified four latent factors. Two of them - “urban wastes” factor and “agriculture” factor correspond almost entirely to clusters 3 and 2 from the previous statistical analysis. The third one, named “industrial wastes” factor, reveals a specific seasonal behavior of the river system. The last latent factor describes the active reaction of the water body and is determined as “acidity” factor. The linkage of the sampling sites along the river flow by CA formed two clusters with the spatial “upstream-downstream” separation. The apportionment model of the pollution determined the contribution of each one of identified pollution factors to the total concentration of each one of the water quality parameters.
PL
Dwie główne metody analizy danych środowiskowych (analiza skupień (CA) i analiza składowych głównych (PCA)) zastosowano do statystycznej oceny jakości wód transgranicznej rzeki Tundja. W badaniach wykorzystano dane otrzymane z monitoringu długookresowego. Próbki pobrano w 26 miejscach i scharakteryzowano za pomocą 12 parametrów fizykochemicznych. Pogrupowanie tych parametrów ze względu na 3 wskaźniki chemiczne pozwoliło na zbudowanie 3 głównych klastrów: pierwszy z nich pokazuje wpływ źródeł antropogennych, drugi - wpływ rolnictwa i działalności rolniczej, a trzeci opisuje rolę parametrów fizycznych i zanieczyszczeń środowiska miejskiego na jakość wody. W celu lepszej oceny danych monitoringowych zastosowano PCA, co pozwoliło na identyfikację czterech ukrytych czynników. Dwa z nich - czynnik „miejskie odpady” i czynnik „rolnictwo” - odpowiadają niemal w całości klastrom 3 i 2 z poprzedniej analizy statystycznej. Trzeci czynnik, nazwany „odpadami przemysłowymi”, ukazuje specyficzne zmiany sezonowe w systemie rzecznym. Ostatni czynnik opisuje reakcję wody i jest określany jako czynnik „kwasowość”. Powiązania pomiędzy miejscami pobierania próbek wzdłuż przepływu oceniono za pomocą CA. Wskazano istnienie dwóch klastrów z separacją przestrzenną „upstream-downstream”. Model podziału zanieczyszczeń określał wkład każdego ze zidentyfikowanych czynników zanieczyszczeń w całkowitym stężeniu każdego z parametrów jakościowych wody.
The present study deals with the river water quality assessment for the Yantra River catchment, Bulgaria. The application of multivariate statistical methods like cluster analysis, principal components analysis and time-series analysis makes it possible to detect different sampling sites patterns along the river steam related to the urban or rural activities in the area and to identify latent factors responsible for the monitoring data structure. Additionally, tendencies and seasonal patterns in the data are discussed. An interesting point in the study is that the water quality assessment is performed using short-term and long-term observation data, which allows a better evaluation of the ecological situation along the river stream.
PL
Obecne badania dotyczą oceny jakości wody w zlewni rzeki Jantra, Bułgaria. Zastosowanie różnych metod statystycznych, takich jak: analiza skupień, analiza głównych składowych i analiza serii czasowych, umożliwiło znalezienie zróżnicowań w strukturze danych z punktów próbkowania wzdłuż biegu rzeki w zależności od obecności miast i wsi oraz identyfikację ukrytych czynników wpływających na strukturę danych pomiarowych. Dodatkowo omówiono tendencje i sezonowe zmiany otrzymanych wyników. Oceniono jakość wody, dokonując obserwacji długo i krótkoterminowych pozwalających na lepszą ocenę sytuacji ekologicznej wzdłuż biegu rzeki.
5
Dostęp do pełnego tekstu na zewnętrznej witrynie WWW
The present study deals with the application of three already traditional environmetric approaches (cluster analysis, principal components analysis and principal components regression or source apportionment analysis) for assessment of soil quality. Two different case studies are considered - the one dealing with assessment of soil pollution and another one - with assessment of soil fertility. For both cases the classification of the sampling site locations is achieved, the data set structure is analyzed and the latent factors responsible for the structure are identified. Further, regression models accounting for the contribution of each identified latent factor on the formation of the total concentration of each chemical parameter are constructed and validated. Thus, the soil environment is carefully studied and important conclusions about the soil quality are reached.
PL
W prowadzonych badaniach środowiskowych zastosowano trzy klasyczne metody enwirometryczne (analizę klastrów, analizę składowych głównych oraz regresję składników główny, czyli analizę udziału źródła) w celu oceny jakości gleby. Badania prowadzono w dwu aspektach - oszacowano stopień zanieczyszczenia badanej gleby oraz jej urodzajność. W obu przypadkach wykonano klasyfikacje położenia miejsc pobierania próbek, ustalono strukturę uzyskanych danych oraz zidentyfikowano czynniki ukryte odpowiedzialne za tę strukturę. Ponadto opracowano i zwalidowano model regresji, wyjaśniający wkład każdego zidentyfikowanego czynnika ukrytego do całkowitego stężenia każdego wyznaczanego parametru chemicznego. Tak więc środowisko glebowe zostało starannie zbadane i dzięki temu można było wyciągnąć ważne wnioski dotyczące jakości badanej gleby.
6
Dostęp do pełnego tekstu na zewnętrznej witrynie WWW
The present study deals with the application of correlation analysis as an option for assessment of clinical data from diabetes mellitus type 2 patients. One hundred clinical cases of patients are considered as object of the statistical treatment, each one of them characterized by 34 various clinical parameters. The go al of the study was to find patterns of correlation between the clinical tests. Each group of correlated indices is interpreted revealing specific aspects of the data structure. Relevant explanation of the correlation is found based on the patterns of correlation for parameters determining glucose level, anthropometric data, enzyme level, liver function, kidney function etc. It is assumed that this correlation could be of help in optimizing the performance of clinical test for this type of patients and for designing a pattern for the role of the different groups of test in determining of the metabolic syndrome of the patients.
PL
Zastosowano analizę korelacyjną jako metodę wspomagającą ocenę danych klinicznych pacjentów chorujących na cukrzycę typu 2. Badaniami objęto stu pacjentów, każdy z nich został scharakteryzowany za pomocą 34 różnych parametrów klinicznych. Celem badań było znalezienie struktur w korelacjach pomiędzy wynikami testów klinicznych. Każda skorelowana grupa pokazuje specyficzne aspekty struktur danych. Korelacje wyjaśniono na podstawie znalezionych struktur w korelacjach pomiędzy poziomem cukru we krwi, danymi antropometrycznymi, poziomem enzymów, funkcjami wątroby i nerek i in. Wydaje się, że korelacje te pomogą lepszemu wykorzystaniu testów klinicznych dla tego typu pacjentów oraz w projektowaniu grup testów do określania zespołów metabolicznych pacjentów.
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.