縱翼飛

摘 要：為評價農(nóng)產(chǎn)品加工對企業(yè)周邊地下水水質(zhì)的影響，采用主成分和聚類分析10個不同類別的農(nóng)產(chǎn)品加工企業(yè)周邊地下水樣的8個水樣指標(biāo)，測定其pH 值、銨態(tài)氮（NH4+-N）、 CODMn、總硬度、硫酸鹽、砷、陰離子表面活性劑和溶解性總固體。通過主成分分析提取出3個主成分，應(yīng)用聚類分析對該3個主成分的得分進(jìn)行聚類，聚類分析后水樣劃分為4類，相同類型的農(nóng)產(chǎn)品加工企業(yè)位于一類，根據(jù)加工企業(yè)的類型可分析和判別其可能的污染情況。

關(guān)鍵詞：地下水，水質(zhì)評價，主成分分析，聚類分析

中圖分類號 X824 文獻(xiàn)標(biāo)識碼 A 文章編號 1007-7731（2018）15-0157-03

Abstract：To evaluate the effect of processing agricultural products on the quality of surrounding groundwater，principal component and cluster analysis were used to analyze 8 indexes of 10 water samples from different categories of agricultural products processing enterprises . pH，ammonium nitrogen，CODMn，total hardness，sulfate，arsenic，anion surfactant and TDS were detected separately. 3 principal components were extracted by principal component analysis. Then cluster analysis was used to cluster the scores of the three principal components. After cluster analysis，the water sample is divided into 4 categories. The same type of processing agricultural products is located in one category. Therefore，the possible pollution situation can be analyzed and distinguished according to the type of processing enterprises.

Key words：Groundwater；Water quality assessment；Principal component analysis；Cluster analysis

水是人類生活和社會生產(chǎn)必需的基本資源，是生態(tài)環(huán)境的控制性要素。近年來，隨著農(nóng)產(chǎn)品加工業(yè)的快速發(fā)展，大量工業(yè)廢水的排出，可能會對周邊地下水形成污染[1]。地下水水質(zhì)受諸多因素影響[2]，在進(jìn)行評價時應(yīng)考慮反映不同方面的各項指標(biāo)。因此，需要一種方法對水評價指標(biāo)進(jìn)行分類、篩選及優(yōu)化，達(dá)到能夠利用較少指標(biāo)最大反映水質(zhì)量之目的。近年來國內(nèi)外學(xué)者已將多種方法用于地下水水質(zhì)評價，常用的評價法有綜合污染指數(shù)法[3]、模糊綜合法[4]、層次分析法[5]、人工神經(jīng)網(wǎng)絡(luò)法[6]、灰色聚類法[7]等，這些方法各有其特點。近年來，主成分分析和聚類分析在水文地質(zhì)科學(xué)研究中得到廣泛應(yīng)用[8-9]，但將主成分分析和聚類分析方法結(jié)合對地下水水指標(biāo)進(jìn)行分類及篩選的方法還少見報道。因此，本研究采用主成分分析和聚類分析方法結(jié)合分析地下水質(zhì)量和加工企業(yè)之間的相關(guān)性，為地下水資源的保護(hù)提供指導(dǎo)。

1 實驗方法

1.1 不同農(nóng)產(chǎn)品加工企業(yè)周邊地下水 選擇10個不同類型的農(nóng)產(chǎn)品加工企業(yè)，選其周邊的水井為取樣點，井深一般大于5m。選取pH、總硬度、溶解性總固體、硫酸鹽、砷、NH4+-N、CODMn和陰離子表面活性劑8個代表性指標(biāo)。S1、S2為果蔬加工排放水，S3、S4為肉制品加工排放水，S5、S6為乳制品加工排放水，S7、S8為焙烤加工企業(yè)排放水，S9為發(fā)酵果汁加工企業(yè)排放水，S10為白酒加工企業(yè)排放水。不同農(nóng)產(chǎn)品加工企業(yè)周邊地下水的質(zhì)量指標(biāo)如表1所示。

1.2 數(shù)據(jù)分析 利用數(shù)據(jù)分析軟件SPSS19.0進(jìn)行主成分分析與聚類分析。

2 結(jié)果與討論

2.1 主成分分析 由于地下水樣的質(zhì)量指標(biāo)較多，各質(zhì)量指標(biāo)直接評價十分復(fù)雜，因此采用主成分分析（PCA）對其進(jìn)行處理。主成分分析是設(shè)法將原有的指標(biāo)重新組合成1組新的互相無關(guān)的幾個綜合指標(biāo)。根據(jù)實際需要從中選取盡可能少的綜合指標(biāo)，達(dá)到盡可能多的反映原來較多指標(biāo)的信息目的。

采用SPSS主成分分析法對組分進(jìn)行分析，程序運行結(jié)果變量間的相關(guān)矩陣見表2，方差分解主成分提取分析結(jié)果見表3，初始因子載荷矩陣見表4。

從表3可知，提取3個主成分，即m=3。從表4可知，pH、溶解性總固體、硫酸鹽、砷、NH4+-N、CODMn等在第1主成分上有較高的載荷，說明第1主成分基本反映了這些指標(biāo)的信息；總硬度、砷、陰離子表面活性劑在第2主成分上有較高的載荷，說明第2主成分基本反映了這些指標(biāo)的信息，溶解性總固體第3主成分上有較高的載荷，說明第3主成分反映了該指標(biāo)的信息。取前3個特征值，累計貢獻(xiàn)率達(dá)85%以上，表明前3個主成分基本上包含了全部變量所具有的信息。

2.2 聚類分析 根據(jù)3個主成分的貢獻(xiàn)率（F）生成公式F=0.38669 PC1+0.31727 PC2+0.15109PC3，得到綜合得分，并以主成分的綜合得分作為評價新指標(biāo)，采用組間連接法，間距以歐氏距離計算，將關(guān)聯(lián)系數(shù)全部分組，用水平方向顯示全部聚類柱圖。通過聚類分析進(jìn)一步確定影響因子之間的貼近度，明晰因子之間的差異程度，計算機SPSS處理后輸出的反映聚類全過程的樹形圖見圖1。

確定以類間距離不大于5作為本次研究對象標(biāo)準(zhǔn)，由圖1得出類間距離不大于5時，10個水樣點被分為4組；如圖所示，S1、S2聚成一類（用類1表示），是果蔬加工企業(yè)周邊地下水，這些企業(yè)主要是植物性原料加工；S7、S8（用類2表示）是焙烤加工企業(yè)周邊地下水，這些企業(yè)主要采用糧食加工；S3、S4聚成一類（用類3表示），為肉制品加工企業(yè)周邊地下水，這些企業(yè)主要是肉制品原料；S5、S6、S10、S9聚成新的一類（用類4表示），這些企業(yè)為乳制品加工企業(yè)周邊地下水、發(fā)酵果汁加工企業(yè)周邊的地下水和白酒加工企業(yè)周邊地下水。其中乳制品企業(yè)周邊地下水中蛋白質(zhì)含量豐富，發(fā)酵果蔬飲料和發(fā)酵酒在發(fā)酵過程中，菌體也產(chǎn)生大量蛋白質(zhì)。從聚類結(jié)果可見，不同加工類別的企業(yè)周邊的地下水能夠很好的聚類。

3 結(jié)論

通過對不同農(nóng)產(chǎn)品加工企業(yè)周邊地下水的聚類分析發(fā)現(xiàn)，不同加工類別的企業(yè)周邊的地下水能夠很好的聚類；采用聚類分析法對加工企業(yè)周邊的地下水成分檢測數(shù)據(jù)進(jìn)行處理，可對該地區(qū)可能存在的污染情況進(jìn)行預(yù)測和判斷。

參考文獻(xiàn)

[1]朱新玉，胡云川，蘆杰，等. 豫東黃河故道濕地土壤生物學(xué)性狀及土壤質(zhì)量評價[J] 水土保持研究，2014，24（2）：27-32.

[2]姚文藝，冉大川，陳江南.黃河流域近期水沙變化及其趨勢預(yù)測[J].水科學(xué)進(jìn)展，2013，24（5）：608-614.

[3]Huan H，Zhang B T，Kong H M，et al.Comprehensive assessment of groundwater pollution risk based on HVF model： A case study in Jilin City of northeast China[J].Science of The Total Environment，2018，628-629（7）：1518-1530.

[4]Hiratsuka，Dhundi，Akira.An integrated GISbased fuzzy pattern recognition model to compute groundwater vulnerability index for decision making [J]. Journal of Hydroenvironment Research，2011，5（1）： 63-77.

[5] M. Annie Jenifer，Madan K. Jha.Comparison of Analytic Hierarchy Process，Catastrophe and Entropy techniques for evaluating groundwater prospect of hard-rock aquifer systems[J].Journal of Hydrology，2017，548（5）： 605-624.

[6]李世明，王小藝，許繼平，等.用基于人工神經(jīng)網(wǎng)絡(luò)的河湖藍(lán)藻水華狀態(tài)評價研究[J].水資源與水工程學(xué)報，2017，28（4）：93-96.

[7]沃飛，陳效民，吳華山，等.灰色聚類法對太湖地區(qū)農(nóng)村地下水水質(zhì)的評價[J].安全與環(huán)境學(xué)報，2006，6（4）：38-41.

[8]Yang J，Cheng Q M. A comparative study of independent component analysis with principal component analysis in geological objects identification. Part II： A case study of Pinghe District，F(xiàn)ujian，China [J]. Journal of Geochemical Exploration，2016，149（2）： 136-146.

[9]Cary R L，Ghanashym N，Nicolas S，et al.Cluster analysis as a tool for evaluating the exploration potential of Known Geothermal Resource Areas [J].Geothermics，2018，72（5）： 358-370.

（責(zé)編：王慧晴）