当前世界环境

介绍

在水体中，河流是最容易受到污染的，因为上覆岩石的矿物被侵蚀和溶解，以及工业废水和城市污水排入河流等人为活动。河水污染导致物种组成的改变，并降低水生和人类群落的健康。作为一种常见的做法，通过在不同的监测站测量多个参数来定期监测河流的水质。这种测量结果导致大量复杂的物理化学和生物参数，这些参数需要进一步评估，以了解水质。

由于河流是人类消费最重要的资源，因此重要的是具有可靠且易于理解的有关水质特征的信息及其有效水资源的趋势。有几次研究应用不同的分析技术，如水质指数（WQI），结构动态模型，模糊逻辑推断等，用于评估水质。但是，这些方法不适用于大规模数据和对河流的长期监控。最近多变量统计分析技术，如主成分分析（PCA）已经成功地在许多水质分析中使用。所有这些研究表明，PCA可以通过关联不同的水质参数来解释大规模复杂数据。PCA成功应用于蛋白质研究，分子动力学，合适的腐蚀抑制剂预测的准谐波分析中，并用于了解从NMR等获得的代原数据。^{1 - 9}

本研究对5个不同站点观测的Kaveri河水质参数数据库进行主成分分析，提取不同站点采集的样本之间的异同信息。此外，还对对样品影响较大的水质参数进行了评价。

实验

卡韦里河是印度泰米尔纳德邦饮用水的主要资源之一。这条河被各种各样的人为活动污染了。因此，对河流流经的不同地点的水质进行监测和分析是非常重要的。本研究在5个不同的监测站观测了9个水质参数:pH、溶解氧(DO)、生物需氧量(BOD)、氯化物、硫酸盐、硝酸盐、总硬度、粪便大肠杆菌和总大肠杆菌。水质参数是根据2004-2011年泰米尔纳德邦政府在Tiruchirappalli区与Kaveri区观察到的原始数据确定的。¹⁰然而，2007-2008年的原始数据却不见了。此外，一些数据几年来不完整，这可能是由于测量中的技术故障。在这种情况下，考虑到与前几年相对应的价值，以避免在评价主要组成部分时遇到困难。采用Scilab软件进行主成分分析(PCA)。一个专门的程序准备提供数据和输出得到的图形。

结果与讨论

通常，水的质量在A到E之间进行分类。为了计算目的，作者用数字1替换了这些字母表。在表1-5中给出了在五个不同站观察到的水质参数及其排名。应该注意的是，水质参数随着排名被认为是变量（v1至v10）和常量的年份。使用这些参数使用Scilab软件准备和执行程序。输出图在图1-5中示出。

从图1a可以看出，V1与V4、V2与V5、V3与V5/V6、V4与V6、V5/V6/V7、V9/V7的夹角在90左右^o．这归因于变量之间的非线性关系。彼此接近的变量可以被分组为（V1，V2，V10），（V3，V9），（V5，V6），（V4，V7）。根据PCA，这些变量组在它们之间具有直接关系。例如，发现BOD（V3）和总COLI计数（V9）具有线性关系。在实践中，BOD是任何微生物生长的直接措施。此外，V9和V4 / V7和V8和V10之间的角度接近180^o，这归因于两者之间的线性关系。显然，水中氯化物(V4)的浓度会影响微生物(V9)的生长。

表1:pathrakaliamman koil的水质参数

表2:Tiruchirappalli上游观测到的水质参数

图1:(a)水质参数(变量，V)和(b)在pathrakaliamman koil观测到的不同年份的全部水质(常数)的得分和关系图 点击这里查看图

图2:(a)水质参数(变量，V)和(b)在不同年份观测到的水质整体(常数)的得分和关系图Tiruchirappalli上游 点击这里查看图

图1b显示了在不同年份观测到的Kaveri水质。2006-2007年和2008-2009年、2009-2010年和2010-2011年观测到的水质比较接近。2004-2005年观察到的结果是不同的和具体的。很明显，这些关系与水的质量成正比。表1和图1b中的数据相互关联。

表3:大水孔水质参数

表4：在Tiruchirappalli观察到的水质参数加．

表5：在Kollidam观察到的水质参数。

在Tiruchirappalli上游Kaveri采集的样本，数据是独特和不同的。例如，V1不同于任何其他参数，这表明它对特定年份的水质影响较小(图2a)。同时，有趣的是，除了V1和V10之外，所有其他变量都可以分为两个。一方面，V2、V3、V8和V9非常接近。另一方面，V4、V5、V6和V7非常接近。如上所述，变量之间的密切关系表明，在确定水质时，这些参数之间存在直接或线性关系。有趣的是，2008-2009年的水质与其他年份有很大的不同。这主要是由于高水平的氯化物，硫酸盐和总硬度。

图3：在Grand Anicut在不同年份（Contstantants）的不同年份水质质量（A）水质参数（变量，v）和（b）的分数和关系图。 点击这里查看图

图4:(a)水质参数(变量，V)和(b)在不同年份观测到的水质整体(常数)的得分和关系图Tiruchirappall.下游 点击这里查看图

图5:(a)水质参数(变量，V)和(b) kollidam不同年份水质总体(常数)的得分和关系图 点击这里查看图

与在帕塔拉卡利曼koil和Tiruchirappalli上游采集的样本类似，本文还讨论了在grand anicut、Tiruchirappalli下游和Kollidam采集的其他样本的数据。值得注意的是，在几乎所有不同站点采集的样本中，变量V3和V9都在同一个季度，且值或多或少相似。这强烈提示BOD (V3)与粪大肠杆菌(V9)之间存在线性关系。值得注意的是，在所有样本中，2004-2005年和2010-2011年收集的数据呈现相反的趋势。这是由于氯化物、硫酸盐、硝酸盐和粪便大肠杆菌等参数的增加，从而导致水质下降。

结论

PCA是一种非常有用的技术，用于降低数据的维数，以便随后确定主成分。本研究通过对5个不同站点采集的Kaveri水样进行PCA分析，了解和比较水质参数。从数据来看，2010-2011年各采样点的污染程度均高于前一年。此外，BOD与大肠杆菌的关系在水质中起着重要作用。与本研究类似，在建立数据库时也可以考虑多个变量和常数，这对研究人员更好地了解水质非常有用。

承认

作者感谢泰米尔纳德邦渔业大学渔业工程学院的研究动力。

参考

1. 主成分分析，2^nd版,施普林格-，纽约(1986)。
   CrossRef
2. 数字代谢组学:获取和理解全球代谢物数据。生物技术的发展趋势，22: 245 - 252(2004)。
   CrossRef
3. “代谢组学”:通过生物核磁共振波谱数据的多元统计分析来理解生命系统对病理生理刺激的代谢反应。Xenobiotica，29: 1181 - 1189(1999)。
   CrossRef
4. 主成分分析的核磁共振波谱定量。核磁共振在生物医药、14: 271 - 277(2001)。
   CrossRef
5. 生物医学磁共振中模式识别方法及应用，核磁共振波谱学研究进展，39第1 - 40:(2001)。
   CrossRef
6. 王志强，王志强，王志强，等。基于主成分分析的缓蚀剂筛选方法。化学科学评论与通讯，2: 526 - 530(2014)。
7. 基于MIKE21和主成分分析技术的乌尔米亚湖盐度空间格局研究，当前世界环境，10: 626 - 633(2015)。
   CrossRef
8. 萨纳，O。曼德拉克地区地下水的集群与因子分析。当前世界环境，10：422-431（2015）。
   CrossRef
9. 马吉德，王志强，马志强，马志强。月径流预测的不确定性分析。《当代世界环境》，9：894-902（2014）。
   CrossRef
10. 泰米尔纳德邦污染数据库，2014年4月。