ارزیابی پارامترهای کیفی آب به‌روش تحلیل آماری چند متغیره (مطالعه موردی: رودخانه اترک)

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشجوی دکترای مهندسی محیط زیست، دانشکده تحصیلات تکمیلی محیط زیست، دانشگاه تهران

2 دانشیار، دانشکده تحصیلات تکمیلی محیط زیست، دانشگاه تهران

3 کارشناسی ارشد مهندسی محیط زیست، دانشکده تحصیلات تکمیلی محیط زیست، دانشگاه تهران

چکیده

یکی از مسائل مورد توجه در تحلیلهای آماری متغیرهای کیفی منابع آب، بررسی ساختار همبستگی و ارتباط میان متغیرهاست. روش تحلیل همبستگی کانونیک، ارتباط میان دو مجموعه از پارامترها را با یافتن تعداد محدودی ترکیب خطی از متغیرهای مجموعه اول که دارای بیشترین همبستگی با ترکیب خطی از متغیرهای مجموعه دوم هستند، بیان می‌کند. با توجه به تأمین میزان قابل توجهی از آب مورد نیاز استان‌های خراسان رضوی، خراسان شمالی و گرگان، در این پژوهش ارتباط میان دو مجموعه از پارامترهای فیزیکی و شیمیایی آب به‌منظور ارائه الگوی مدیریتی مناسب، مورد بررسی قرار گرفت. پارامترهای مورد مطالعه، شامل پنج پارامتر فیزیکی و شش پارامتر شیمیایی بود که از 38 ایستگاه در حوضه ‏آبریز رود اترک برداشت شدند. نتایج نشان داد که ارتباط مؤثری میان پارامترهای فیزیکی و شیمیایی (همبستگی کانونیک نسبتاً بالا) برقرار بوده و از پنج دسته کانونی حاصل شده، تنها دو دسته اول دارای اعتبار آماری بر مبنای مقدار  P-valueهستند. در حالت کلی نتایج این تحقیق که توسط روش آنالیز خوشه‌ای نیز تأیید می‌شود، بیانگر تأثیرپذیری ترکیبات خطی به‌دست آمده برای پارامترهای فیزیکی هدایت الکتریکی و کل جامدات محلول است. با توجه به اینکه پارامترهای شیمیایی بیشتر ناشی از فعالیتهای انسان‌ساخت و پارامترهای فیزیکی ناشی از هر دو منشأ طبیعی و انسان ساخت می‌باشند، می‏توان نتیجه گرفت که منشاء هر دو دسته پارامترها، فعالیتهای انسانی است. بنابراین در برنامه‏های آتی مدیریت کیفی منابع آب، می‏توان روی منابع انسان‌ساخت تمرکز بیشتری داشت و با کنترل آن‌ها، پارامترهای فیزیکی مرتبط را نیز کنترل نمود.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Evaluation of Water Quality Parameters Using Multivariate Statistical Analysis (Case Study : Atrak River)

نویسندگان [English]

  • Hamid Abdolabadi 1
  • Mojtaba Ardestani 2
  • Hamed Hasanlou 3
چکیده [English]

One of the issues considered in the statistical analysis of water quality variables is investigating the correlation between them. Canonical Correlation Analysis method expresses the relation between two sets of parameters by finding some linear combination of the first set of variables that have the most correlation with the linear combination of the second one. In this study, to supply a significant amount of water needed for Khorasan Razavi, Khorasan Shomali and Golestan provinces, the relation between physical and chemical variables was evaluated to provide an appropriate management plan. Five physical and six chemical variables were measured at 38 stations. Results showed that there is an effective correlation between the physical and chemical parameters and from five canonical varieties, only the first two categories are statistically valid according to P-value number. In general, results confirmed by the cluster analysis method indicated the effectiveness of linear combinations for EC and TDS. Chemical parameters are mostly caused by human activities and physical parameters caused by both human and natural sources. It can be concluded that the sources of both categories of parameters are human activities. Thus, It could be recommended to focus more on human activities in future water quality management plans and also control the physical parameters.

کلیدواژه‌ها [English]

  • Canonical Correlation Analysis (CCA)
  • Cluster analysis
  • Physical parameters
  • Chemical Parameters
  • Atrak River Catchment
1. Karamouz, M., and Kerachian, R. (2007). Water resources planning and quality management systems, 1st Ed., Amirkabir, Tehran. (In Persian)

2. Bricker, O.P., and Jones, B.F.(1995). “Main factors affecting the composition of natural waters.” Salbu, and B. Steinnes, E. (Eds.), Trace Elements in natural waters, CRC Press, BocaRaton, FL.

3. Toossab Consulting Engineering Company. (2007). Identify pollution sources, water quality protection plains of North Khorasan, Mashhad. (In Persian)

4. Keskin, S., and Yasar, F. (2007). “Use of canonical correlation analysis for determination of relationships among several traits in egg plant (solanum melongena l.) under salt stress.” Pak. J. Bot., 39(5), 1547-1552.

5. Borga, M. (1998). “Learning multidimensional signal processing.” Ph.D. Thesis, Link¨oping University, Sweden, SE-581 83 Link¨oping, Sweden, Dissertation No 531, ISBN 91-7219-202-X.

6. Glahn, H.R. (1968). “Canonical correlation analysis and its relationship to discriminantanalysis and multiple regression.” J. of Atmospheric Sciences, 25, 23-31.

7. Johnson, R.A., and Wichern, D.W. (2002). Applied multivariate statistical analysis, Prentice Hall, New Jersey, USA.

8. Rencher, A.C. (1987). Multivariate statistical inferences and applications, John Wiley and Sons’ INC., New York, USA.

9. Hair, J., Anderson, R.E., and Tatham, R.L. (1987). Multivariate data analysis with readings, Macmillan Pub. Co., New York, USA.

10. Clark, D. (1975). Understanding canonical correlation analysis, Geo Abstract Ltd. University of East Anglia, Norwich, NR4 7TJ.

11. Gittins, R. (1985). Canonical analysis: A review with application in ecology, Springer Verlag, New York, USA.

12. Thorndike, R.M. (1978). Correlation procedure for research, Gardner Press, New York, USA.

13. Statheropoulos, M., Vassiliadis, N., and Pappa, A. (1997). “Principal component and canonical correlation analysis for examining air pollution and meteorological data.” Atmospheric Environment, 32, 1087-1095.

14. Ouarda, T.B.M.J., Girard, C., Cavadias, G.S., and Bobee, B. (2001). “Regional flood frequency estimation with canonical correlation analysis.” J. Hydrology, 254, 157-173.

15. Ramsay, J.O., and Selverman, B.W. (2005). Functional data analaysis, 2nd Ed., Springer, New York, USA.

16. Larson, M., Capobianco, M., and Hanson, H. (1999). “Relationship between beach profiles andwaves at Duck, North Carolina, determined by canonical correlation analysis.” J. of Marine Geology, 163, 275-288.

17. Noori, R., Sabahi, M.S., Karbassi, A.R., Baghvand, A., and Taati-Zadeh, H. (2010). “Multivariate statistical analysis of surface water quality based on correlations and variations in the data set.” Desalination, 260,
129-136.

18. Jamab Consulting Engineers. (1999). Atrak Basin and salt desert basin plan water, (In Persian)

19. Toossab Consulting Engineering Company. (2007). Test results, water quality protection plains of North Khorasan province (supplementary final reports), Mashhad. (In Persian)

20. Nash, M. S., and Chaloud, D. J. (2002). “Multivariate analyses (canonical correlation and partial least square (PLS)) to model and assess the association of landscape metrics to surface water chemical and biological properties using savannah river basin data.” U.S. Environmental Protection Agency Las Vegas, Nevada, USA.

21. Tabachnick, B. L., and Fidell, S. (2000). Using multivariate statistics. A pearson education company, Needham Heights, 966 pp., USA.