巢湖水质时空分布模式研究

第4卷　第3期2010年3月

环境工程学报

Vol. 4, No. 3Mar. 2010

巢湖水质时空分布模式研究

谢　森　何连生

　田学达　席北斗　陈　林　于会彬

1232

(11湘潭大学环境工程系, 湘潭411105; 21中国环境科学研究院, 北京100012;

31西华师范大学国土资源学院, 南充637002)

摘　要　依据2004～2006年12个采样点11个水质指标数据, 应用主成分分析(PCA ) 、聚类分析(C A ) 、判别分析(DA ) 和基于GI S 平台的克里格插值法, 对巢湖水质时空分布模式进行研究。通过统计分析将巢湖11个水质指标概括为4

个主成分:第一主成分C OD 、BOD 5和Chl 2a; 第二主成分电导率、NH 42N 、T N 和TP; 第三主成分温度和DO; 第四主成分pH 和S D 。在空间尺度上分为2组, 分别对应于东西半湖。除了DO 指标, 空间上西半湖周边区域的水质指标浓度显著高于东半湖; 东西半湖TP 和C OD 空间分布相似; 在时间尺度上, 可分为1月～3月份、12月份一组和4月～11月份一组; TP 、COD 、DO 和S D 指标第一时期浓度高于第二时期, 温度、电导率和Chl 2a 指标则相反; 溶解氧和温度两者的时间差异性呈现明显的负相关。并对采样点和采样频次进行了适当优化。

关键词　水质　时空分布　主成分分析　聚类分析　判别分析　巢湖

中图分类号　X832　　文献标识码　A 　　文章编号　167329108(2010) 03205312Study on tem pora l and spa ti a l d istr i ter qua lity

i n Xie Sen 　He L 　Xi Beidou 　Chen L in 　Yu Huibin

(1. of Engineering, Xiangtan University, Xiangtan 411105, China;

Acade my of Envir onmental Science, Beijing 100012, China;

3. Res ources College, China W est Nor mal University, Nanchong 637002, China )

Abstract 　Vari ous methods including p rinci pal component analysis (PCA ) , H ierarchical cluster analysis (CA ) , discri m inant analysis (DA ) and GI S 2based kriging methods were used t o analyze data sets of water quality for 11para meters monit ored at 12different sites of Chaohu Lake fr om 2004t o 2006t o deter m ine te mporal and s patial distributi on patterns in water quality . The significance of the four p rinci pal components was verified:the first p rinci pal components included COD , BOD 5and chl or ophyll 2a (Chl 2a ) ; the second included electrical conduc 2

tivity (EC ) , ammonical nitr ogen (NH 42N ) , t otal nitr ogen (T N ) and t otal phos phorus (TP ) , the third included te mperature (TE MP ) and diss olved oxygen (DO ) while the forth showed pH and Secchi disk dep th (S D ) . The monit oring sites were partiti oned int o 2gr oup swhich p resented the western and the eastern lake res pectively . The pollutant concentrati ons in the regi on ar ound the western lake were higher than those at the eastern lake excep t DO. The s patial distributi ons of TP and COD were relatively si m ilar . The monit oring peri ods were classified int o 2clusters (Jan 2Mar and Dec, Ap r 2Nov ) . The average concentrati on of TP, COD, DO and S D in first peri od was higher than that in the second, but opposite of t o that of TE MP, EC and Chl 2a . Additi onally, the te mporal varia 2ti ons of DO and TE MP were significantly negatively correlated . And the monit oring frequency and monit oring sites were op ti m ized p r operly .

Key words 　water quality; te mporal and s patial distributi on; p rinci pal component analysis (PCA ) ; cluster analysis (CA ) ; discri m inant analysis (DA ) ; Chaohu Lake

　　天然水体(如河流、湖库和海洋) 水质与人民生活质量、水生态系统健康息息相关, 然而, 高强度的人类干扰已导致了水体水质恶化及其生态服务功能

[1]

锐减。随着地表水环境质量改善技术的深入研究和广泛应用, 研究地表水质的时空变化特征及其

基金项目:国家水体污染控制与治理科技重大专项(2008ZX071062

001)

收稿日期:2009-03-30; 修订日期:2009-04-17

作者简介:谢森(1984～) , 男, 硕士研究生, 主要从事环境规划与管

理的研究工作。E 2mail:xiesen312@yahoo. com. cn

3通讯联系人, E 2mail:helians@sina . com

532

环境工程学报第4卷

原因已成为控制水体污染以及加强水质管理的重要手段。

水质时空分布模式研究主要是利用多年采样点多指标数据, 分析水质在时间、空间尺度上的离散与

]

连续分布特征, 包括时空相似性和差异性。目前, 时空分布模式已经成为当今水质评价的研究热[2][3]

点。陈利顶等通过对不同时段和不同监测点环境监测数据的对比分析, 研究了蓟运河干流地表

[4]

水质的时空变化特征; 姚维科等利用10多年断面水质监测资料, 研究了澜沧江流域中段铜、铅、锌、铬

[5]

以及氮磷等水质指标的时空分布特征; 陶平等在春夏冬3个季节对辽东大、小窑湾营养盐和铅、锌进

[6][7]

行了时空分布评价; 岳隽等和Chen 等都应用基础统计分析了深圳市主要河流和绍兴市曹娥江干流水质的时空变化特征。此类研究将主成分分析(PCA ) 、聚类分析(CA ) 和判别分析(DA ) 等多元统计方法应用于时空模式分析, 能够更好地说明研究

[8]

区域的水质时空变化和生态状况。概括起来, [1, 9, 10, 11～13]

些研究对象包括内陆河流近[2, 14～16][9, 17, 18][19域、地下水来看, 式的有效工具, 同多元统计方法和空间插值方法分析湖泊水质的研究还并不多见。

因此, 本研究综合应用多元统计和空间插值方法在GI S 平台上对巢湖开展水质时空分布模式研究。具体思路为:选择2004～2006年巢湖12个采样点的11个水质指标作为研究对象, 在数据统计和预处理的基础上, 采用PCA 方法对11个指标进行降维处理, 再应用CA 方法对主成分值进行时空相似性聚类分析, 并通过DA 判别分类的正确率, 得到显著性指标, 而后选择适宜的空间插值方法进行时空差异性模拟。此研究旨在为巢湖水质监测和功能区划提供科学基础, 并为水资源管理和污染控制提供有效的工具和依据。

年降水量1100mm , 季节分布不均, 局部地区5～9月份降水量可占全年降水65%左右, 基本可以将全年分为枯、平、丰3个水期。枯水期为1～2月份和11～12月份, 平水期为3～5月份和9～10月份, 丰水期6～8月份。流域内由地貌特征形成的33条河流呈放射状汇入巢湖, 分别属于杭埠2丰乐河、派河、南淝河2店埠河、柘皋河、白石山河、兆河和裕溪河等7条水系。巢湖流域是安徽省的重要产粮区, 农业用地约占60%, 农业面源污染比较严重。巢湖的主要污染物为总磷和总氮, 巢湖流域由面源污染排放

[20]

的总磷占排放总量的43114%。采样点分布如图1所示, 12个采样点经纬度如表1所示。

图1　研究区域及采样点分布图

Fig 11　Study area and monit oring sites

表1　采样点位置描述

Table 1　D escr i pti on of s am pli n g sites

序号

1#2#3#4#5#6#7#

采样点南淝河入湖区十五里河入湖

塘西派河入湖区新河入湖区西半湖湖心巢湖坝口巢湖船厂中垾乡东半湖湖心忠庙兆河入湖区

经度

117°24′40″117°22′10″117°20′40″117°18′15″117°18′5″117°22′20″117°51′46″117°48′57″117°45′18″117°36′10″117°28′32″117°35′7″

纬度

31°42′15″31°43′15″31°43′0″31°41′30″31°38′15″31°40′25″31°34′18″31°34′22″31°35′56″31°30′20″31°34′24″31°25′32″

1　研究区域

巢湖流域位于安徽省中部, 江淮两河之间(116°

24′30″～118°00′00″E , 30°58′40″～32°6′00″N ) , 流域

总面积13349k m 。地势呈东西长、南北窄, 有西高东低、中部低洼平坦、形成巢湖盆地的态势。西部低山及丘陵岗地地形起伏较大, 坡度陡, 是水土流失的主要发源地。流域属副热带季风区气候, 多年平均

8#9#10#11#12#

第3期谢　森等:巢湖水质时空分布模式研究

533

2　数据与方法

211　数据来源

2. 2. 3　判别分析

DA 方法可以用来判别CA 分析结果和识别显

著性的污染指标, 其基本原理是按照一定的判别准

本次采用的水质数据来自安徽省环境监测中心则, 建立一个或多个判别函数, 用研究对象的大量资站, 为2004～2006年(每月采样1次) 巢湖12个采料确定判别函数中的待定系数, 并计算判别指标。

[13]

样点的11个水质指标(包括物理化学、有机物指据此即可确定某一样本属于何类。本文利用DA

[21]

标) 的水质监测值, 共4752个(12×3×12×11) 方法进行时空差异性分析, 并采用交叉验证法检验此方法的判别能力。

2. 2. 4　空间插值法表2　巢湖水质统计描述

空间插值方法是基于采样点之间的相似程度或Table 2　St a tisti ca l descr i pti on of Chao Lake ’s wa ter qua lity

者整个曲面的光滑性来创建一个拟合曲面, 包括逆指标N (个) 最小值最大值平均值方差

距离加权法(I D W ) 、克里格法(Kriging ) 、全局多项温度(℃) 4321. 93418. 4166678. 7731318

式插值法(GP I ) 、局部多项式插值法(LP I ) 和趋势面pH 4326. 389. 187. 82259260. 4704589

电导率(mS/m)

S D (m ) DO (mg/L) COD M n (mg/L) BOD 5(mg/L) NH 4+2N (mg/L) T N (mg/L) TP (mg/L) Chl 2a (mg/m3)

[***********]432432432

12. 90. 14. 431. 9910. 0760. 0980. 0. 77

740. 6514. 7314. 14102. 428. 23298

30. 9918980. 37064828. 48842595. 0004633. 04416670. 1. 183747718. 766968

1. 01E +010. 08378822. 07490621. 71004172. 20586640. 15261583. 43E +01

监测样本, 具体统计描述见表2。

法(TS A ) 等。从精度来看, I D W 相对比较高; 从实用来看, I D I LP I 相对操作容易,

[23]

。所以根据。

SPSS1610和A rcGI S310。

3　结果与讨论

311　原始数据预处理

采用峰度和偏度2个指数检验指标的分布特征, 其结果分别为-0117～4121和-0127～221272. 2　研究方法

(置信度为95%) , COD M n 、TP 、T N 、BOD NH N 和5、422. 2. 1　主成分分析

主成分分析法(PCA ) 是将原来多个变量化为少Chl 2a 过于正偏, 所以采用自然对数转化, 其检验结数几个综合指标的一种统计分析方法, 从数学的角果改善为-0117～0173和-0127～1145, 基本呈现度说, 这是一种降维处理技术, 其手段是将原来众多正态分布或接近正态分布; 同时, 在进行主成分和聚的具有一定相关性的变量重新组合成新的少数几个类分析时, 考虑到水质指标数量级上差异, 需要对数

()

相互无关的综合变量, 来代替原来变量, 这些新的综据再进行标准化均值为0, 方差为1。

[21]主成分分析合变量称之为主成分。本文采用Vari m ax 直角312　

在进行主成分分析之前, 为了验证分析的正确转轴法, 使具有较大因子负载的变量个数减到最低

性必须进行Kaiser 2Meyer 2O lkin (K MO ) 和Bartlett ’s 限度。

球形检验。通过SPSS 得到K MO 检验结果为0171, 2. 2. 2　层次聚类分析

s 球形检验结果为1836101(P

探索性方法, 其实质即根据观察值或变量之间的亲明主成分分析能够很好地降低原始变量的维度。基

()

疏程度, 以逐次聚合的方法, 将最相似的对象结合在于主成分碎石图图2和特征值1的评判标准, 仅

[13]

一起, 直到聚成一类。亲疏程度的计算包括2仅当特征值大于1时, 所对应的主成分才是有意义

[22]

类:样本间距离和类间距离。本文利用HCA 进的。表3中前4个特征值对应的主成分累积的方差行时空相似性分析, 采用的计算方法是欧氏距离平贡献率达到了71172%, 故它们所对应的主成分已方和离差平方法。但该方法具有一定的探索性, 需经能够反映原始指标的绝大部分信息。其中和主成要进一步验证。

分相关系数绝对值大于016的指标被认为是和该主成分显著相关。

534

环境工程学报第4卷

第一主成分方差贡献率为32179%, 和COD 、

313　时空相似性聚类分析

BOD 5有显著的正相关性, 与Chl 2a 也有一定的相关

应用SPSS 对2004～2006年巢湖水质指标数据[24]

性, 可以代表有机污染, 根据何开丽的统计分析

提取的4个主成分进行系统聚类分析, 聚类分析用

结果得知巢湖流域工业污水中COD 含量占

到的数据组分别是各采样点主成分值(12×3×12

4312%, 生活污水中COD 含量占5114%, 合计占

×4) 和各月主成分值(12×3×12×4) , 见图3。对

9416%, 所以可以说第一主成分大部分来自工业和

于空间尺度, 存在2种选择, 即分为2组或者4组, +

生活污染; 与第二主成分有关联的是电导率、NH 42

如果按照2组来分:则第1组为1～6号采样点, 第2

N 、T N 和TP, 可以代表富营养污染, 同样根据何开

组为7～12号采样点, 恰好对应东西半湖, 与实际情[24]

丽统计分析结果, 影响巢湖富营养化的主要指标

况相符合。由于合肥市经济的快速增长, 工业日益

TP 、T N 中, 面源和生活污染合计分别占85. 2%和

发展, 大量工业污水和生活污水通过河流排入西半

80. 1%, 所以也可以说第二主成分大部分来自面源

湖, 导致西半湖水质恶化, 根据2005年的监测结果,

和生活污染; 与第三主成分有关联的是温度和DO

表明西半湖水质已处于劣Ⅴ类, 因此, 该区域的环境

(其与DO 呈负相关性, 和实际情况相一致) ; 与第四

治理措施应重点考虑, 结合监测结果和聚类分析结

主成分相关的主要是pH 和S D

。

果, ; 东半湖人口密度相对不高, , 东半湖水质相

[23]

; 如果按照

:进一步将原来第1组细分为3组, 第1组

为1号采样点, 第2组为2、3和4号采样点, 第3组为5和6号采样点。第1采样点为南淝河入湖区, 南淝河是注入巢湖水量第二大河流, 合肥市区及肥西县作为巢湖流域工业较发达的地区, 其主要废水

图2　主成分碎石图

Fig 12　Scree 2p l ot of PCA

表3　巢湖各物理化学指标浓度相关矩阵

的特征向量和特征值

Table 3　E i genvector and e i genva lues on the

correl a ti on ma tr i xes of concen tra ti on of physi co 2che m i ca l param eters i n Chaohu Lake 指标温度

通过这条河流汇入巢湖, 因此造成该河流水质很差,

监测结果显示, 南淝河监测点TP 、T N 、BOD 5和COD M n 年平均浓度居巢湖最高, 水质富营养化程度高; 2、3和4号采样点同样靠近肥西县和合肥市, 受工业和生活污水污染严重; 而5和6号采样点都离城市较远

[25]

。

第一主成分

0. 0540. 1130. 4810. 001-0. 1530. 9080. 8620. 4690. 1220. 0800. 557

第二主成分

0. 021-0. 0240. 5450. 159-0. 0310. 1420. 1270. 6690. 8260. 8230. 3182. 05318. 66451. 45

第三主成分

0. 9390. 1890. 085-0. 501-0. 8790. 0770. 031-0. 106-0. 0850. 1060. 2521. 17110. 64662. 096

第四主成分

0. 0100. 8600. 0050. 621-0. 058-0. 0210. 110-0. 0940. 1220. 0150. 1471. 0589. 62171. 717

电导率

S D DO COD M n BOD 5NH 4+

T N TP Chl 2a

图3　基于W ard ’s 方法的采样点空间聚类分析

Fig 13　Spatial cluster analysis of samp ling

sites based on W ard ’s methods

对于时间尺度, 同样存在2种选择, 可明显分为2组或3组, 分2组的情况:第1组是1～3月份和12月份, 第2组是4～11月份, 大体上对应巢湖流

特征值3. 606方差贡献率(%) 32. 786累积方差贡献率(%) 32. 786

域枯水期和非枯水期; 分3组的情况:进一步将前面的第2组细分为2组, 7～8月份是一组, 4～6月份

第3期谢　森等:巢湖水质时空分布模式研究

535

表5　时间判别分析的判别正确率和10～11月份是一组。具体的分组应采用DA 分

析判定, 但是不管采取哪种分组方案, 都说明以往直Table 5　C l a ssi f i ca ti on ma tr i x for DA of tem pora l var i a ti on s

时间尺度判别分析结果接采样4个季度或枯水/丰水期作为分类标准来进

分组方式行水质评价都会存在一定偏差。此外, 该结果可以正确率第1组第2组第3组

(%) 样本数(个) 样本数(个) 样本数(个) 作为巢湖水质监测优化的依据, 建议可以适当调低

水质监测频次, 从而降低监测成本

。

2组

3组

第1组

第2组小计第1组第2组第3组小计

10087. 392. 610076. 955. 677. 48

901690190

01100838

0610

图4　基于W ard ’s 方法时间聚类分析结果

Fig 14　Temporal cluster analysis of monit oring

peri ods based on W ard’s methods

同时对于空间尺度, 显著性指标为pH 、电导率、

S D 、DO 、BOD 5、NH 42N 、T N 、TP 和Chl 2a 。相应的判别函数S DF1见式(1) 。

S 0. +41119S D

015+01693NH 42N

+0+01546TP +01008Chl 2a -1351

(1)

对于时间尺度而言, 显著性指标为温度、电导

S D 、DO 、COD 、TP 和Chl 2a 。相应的判别函数率、

步识别显著性指标, T DF1见式(2) 。

T DF1=0. 218TE MP +1. 145EC -2. 241S D 异性分析, 数据组为(3×12×11) 。由时空分

-01196DO -0. 169COD M n 组判别结果(见表4和表5) 可知, 时空聚类皆采用2

(2) +0. 133Chl 2a -0. 909组更为合适, 且其分类判别正确率分别为9318%和314　时空判别分析

9216%, 所以在空间尺度将巢湖分为东西2个半湖,

315　时空差异性分析

为了进一步表征时空差异性, 本文采用克里格在时间尺度上将巢湖分2个时期, 第一时期:1～3

插值方法对显著性指标进行时空差异性模拟。这里月和12月份; 第二时期:4～11月份。

主要对时间尺度的显著性指标进行差异性模拟, 数表4　空间判别分析的判别正确率

Table 4　C l a ssi f i ca ti on ma tr i x for DA of spa ti a l var i a ti on s 据组采用2组时间段采样点3年平均值。从空间上

来看(图5) , 主要体现为除DO 外西半湖采样点周空间尺度判别分析结果

分组方式

正确率

(%)

2组第1组

87. 510093. 85044. 461. 123. 641. 7

5415012

4148425

0274473

13182434

第1组样本数

1890

第2组样本数

27216

第3组样本数

第4组样本数

第2组小计

4组第1组

边区域水质指标数值明显高于东半湖采样点周边区域的局面, DO 正好相反, 但总体表现东西半湖差异性很大, 此结果和空间相似性结果一致, 其中TP 和COD 空间分布比较相似, 高浓度地区集中在西半湖合肥市和肥西县入湖区, 分析其原因可能是由于合肥市肥西县工业、生活污水大量排放。从时间方面来看(图5) , 这几个显著性指标在2时期存在明显的差异, 也进一步证明了判别分析的正确性。粗略地来看, TP 、COD 、DO 和S D 基本都是第一时期数值高于第二时期, TE MP 、电导率和Chl 2a 则正好相反; Chl 2a 显著性差异主要表现在西半湖所有监测点和

第2组第3组第4组小计

东半湖的中垾乡监测点周围, 在这些区域第二时期

536

环境工程学报第4

卷

第3期谢　森等:

巢湖水质时空分布模式研究

537

图5　时间尺度显著性指标的模拟

Fig 15　Si m ulati on of significant para meters of te mporal scale using methods

西半湖时间变化比较明显, 主要是西半湖大部分的

明显, 主要因为第二时期温度相对较高, 光照也较第污染来自工业和生活废水的排放, 两者合计占COD

[26]

一时期充分, 为藻类的生长提供了很好的条件; TP 排放总量的90%以上, 而TP 则在东半湖变化比和COD 在大部分区域第一时期浓度反而比第二时较明显, 东半湖较大的工业点源很少, 生活污水也比Chl 2a 浓度明显高于第一时期, 其他区域则变化不太

期的浓度高, 这是因为虽然丰水期污染物流失量都较分散, 所以主要受到农业面源污染, 该污染TP 排很大, 但因河水的稀释作用, 此时地表水污染却不突放量占总量的40%, 加上生活污水, 能达到

[24]

出, 在枯水期和平水期反而浓度升高。其中COD 在85%, 主要污染源的不同导致了东西半湖的污染

538

环境工程学报第4卷

物浓度分布差异; S D 与Chl 2a 和温度呈现负相关, 并参照COD 和TP 的分布, 说明S D 的分布情况与Chl 2a 、温度、营养盐浓度以及气象状况等有密切关[27]系; DO 和温度的时间差异性呈现明显的负相关, 这是因为温度越高, 水体氧气更容易饱和, DO 含量低

。

鉴于此, 可以适当调整监测频次和监测采样点, 结合时间聚类分析结果, 时间尺度显著性指标可以在第一时期和第二时期中分别选取几个代表性的月份进行采样监测, 不用每月都进行监测, 从而可以降

[12]

域的数值显著高于东半湖的局面, DO 的分布则相反, TP 和COD 空间分布相似, 高浓度地区集中在西半湖合肥市和肥西县入湖区; 时间尺度上, TP 、COD 、DO 和S D 第一时期数值高于第二时期, 温度、电导率和Chl 2a 则相反, Chl 2a 显著性差异主要表现在西

半湖和东半湖的中垾乡监测点, 在这些区域第二时期Chl 2a 浓度明显高于第一时期; TP 和COD 在大部分区域第一时期浓度比第二时期的浓度高, 其中COD 在西半湖时间变化比较明显, TP 在东半湖变化比较明显, DO 和温度两者的时间差异性呈现明显

低监测成本; 同样结合空间聚类分析结果和时间显的负相关。著指标的模拟图(图5) 对采样点进行适当优化, 比

参考文献

如说Chl 2a, 在模拟图中相同浓度的采样点中选取具

有代表性的采样点进行监测, 第一时期,

相同的1～6号和9号采样点中选取3～4代表这些采样点进行水质监测, 同样在7、10号中选取1个有代表性采样点, 然后8和11要单独进行监测, 从12个采样点优化到6～7, 样点可以优化到6个, 以依次类推。, 染, 具体措施有加强合肥及肥东、肥西县城生活污水的治理, 流域内企业全面实行达标排放, 加强城市环保基础设施建设, 有效控制城市污染源; 东半湖更多的是应加强对农业面源的治理, 具体措施有采取合理的土地利用方式, 设计合理农田景观, 制定科学的施肥方式和时间, 减少农药和化肥的使用量, 在农田灌溉方面建议采用滴灌的形式。

[3]陈利顶, 李俊然, 郭旭东, 等. 蓟运河流域地表水质时

空变化特征分析. 环境科学, 2000, 21(6) :61～64

[4]姚维科, 杨志峰, 刘卓, 等. 澜沧江中段水质时空特征

分析. 水土保持学报, 2005, 19(6) :148～152

[5]陶平, 邵秘华, 丁永生, 等. 辽东大、小窑湾营养盐和

铅、锌的时空变化新探. 海洋通报, 2005, 24(3) :22～28

[6]岳隽, 王仰麟, 李正国, 等. 河流水质时空变化及其受

土地利用影响的研究———以深圳市主要河流为例. 水科学进展, 2006, 17(3) :359～364

[7]Chen D. J. , Lu J. , Yuan S . F . , et al . Spatial and tem 2

poral variati ons of water quality in Cao R iver of eastern Chi 2na . Journal of Envir on mental Sciences, 2006, 18(4) :680～688

[8]Kazi T . G . , A rain M. B. , JamaliM. K . , et al . A ssess ment

of water quality of polluted lake using multivariate statistical techniques:A case study . Ecot oxicol ogy and Envir on men 2tal Safety, 2009, 72:301～309

[9]Singh K . P . , Malik A. , Mohan D. , et al . , Multivariate

statistical techniques f or the evaluati on of s patial and tem 2poral variati ons in water quality of Gom ti river (I ndia ) :A case study . W ater Res . , 2004, 38:3980～3992

[10]Si m eonov V. , Stratis J. A. , Sa mara C . , et al . A ssess 2

ment of the surface water quality in Northern Greece . W a 2ter Research , 2003, 37:4119～4124

[11]Kowalkowski T . , Zbytnie wski R. , Szpejna J. , et al . Ap 2

p licati on of che mometrics in river water classificati on . W a 2

4　结　论

(1) 将巢湖11个水质指标统计分类为4个主

成分:第一主成分包括COD 、BOD 5和Chl 2a; 第二主成分包括电导率、NH 42N 、T N 和TP; 第三主成分包

括温度和DO; 第四主成分包括pH 和S D 。

(2) 在空间尺度上分为2组, 分别对应于东西

半湖, 考虑到水环境管理分区, 可分为水环境控制区和水源保护区; 在时间尺度上, 巢湖水质可分为1～3月份、12月份和4～11月份2组, 大体对应枯水和非枯水期。

(3) 通过DA 分析, 得出表征时间、空间差异性的显著性指标, 从时间显著性指标的时空插值模拟结果来看, 空间尺度上基本都呈现出西半湖周边区

第3期

ter Research, 2006, 40:744～752

谢　森等:巢湖水质时空分布模式研究

539

analysis in the assess ment of gr ound water quality in a blackf oot disease area in Tai w an . Science of the Total En 2vir on ment, 2003, 31(3) :77～89

[19]A stel A. , B iziuk M. , Przyjazny A. , et al . Che mometrics

in monit oring s patial and te mporal variati ons in drinking water quality . W ater Research, 2006, 40:1706～1716[20]周慧平, 高超. 巢湖流域非点源磷流失关键源区识别.

[12]Shrestha S . , Kazama F . A ssess ment of surface water

quality using multivariate statistical techniques:A case study of the Fuji river basin, Japan . Envir on mental Model 2ling &S oft w are, 2006, 22(4) :464～475

[13]Zhou F . , L iu Y . , Guo H. C . App licati on of multivariate

statistical methods t o the water quality assess ment of the watercourses in the North western Ne w Territ ories, Hong Kong . Envir on mental Monit oring and A ssess ment, 2006, 10:1007～1066

[14]Reghunath R. , Murthy T . R. S . , Raghavan B. R. The u 2

tility of multivariate statistical techniques in hydr ogeo 2che m ical studies:An exa mp le fr om Karnataka, W ater Res . , 2002, 36:2437～2442

[15]陈晓玲, 李毓湘, 李志林. 香港海域叶绿素a 浓度的

I ndia .

环境科学, 2008, 29(10) :2696～2702

[21]高惠漩. 应用多元统计分析. 北京:北京大学出版社,

2005. 265～289

[22]Lattin J. , Carr oll D. , Green P . Analyzing Multivariate

Data . Ne w York:Duxbury Press, 2003. 264～310[23]Bartier P . M. , Keller C . P . Multivariate inter polati on t o

incor porate the matic surface data using inverse distance weighting (I D W ) . Computer &Geosciences, 1996, 22(7) :795～799

[24]. . 自然生态保

时空分布规律. 地理学报, 2002, 57(4) :422～428

[16]Vald és J. , Vargas G . , Sifeddine A. , et al . D istributi on

and enrich ment evaluati on of heavy metals in M ejill ones Bay (23S ) , Northern Chile:Geoche m ical and statistical app r oach . Marine Polluti on Bulletin, 2005, 50(12:1558～1568

[17]La mbrakis N. , Ant onakos A. use

of multicomponent in hydr ogeol ogical envir on mental Research, 2004, 38:1862

, 10([, , 等. 因子分析与聚类法的复合模

. 环境科学与管理,

2007, 32(4) :155～158

[26]阎伍玖, 鲍祥. 巢湖流域农业活动与非点源污染的初步

研究. 水土保持学报, 2001, 15(4) :129～132

[27]范晓慧. 巢湖水体营养状况及其与叶绿素a 的关系. 安

～1872

[18]L iu C . W. , L in K . H. , Kuo Y . M. App licati on of fact or

徽科技, 2006, 11(3) :26～27