多元统计和GIS制图在刻画地下水污染中的综合运用

多元统计分析（MSA）与地理信息系统（GIS）制图技术结合，已成功地运用于含水层潜在污染区的刻画中。刻画污染物特征对场地修复而言是非常重要的，但由于缺乏对水文地质条件的认识以及污染物观测的不确定性，使得刻画污染物特征的工作成果大打折扣。MSA利用其它水质参数为监测污染物提供了辅助信息，改进了对潜在污染的评价。GIS能够实现海量信息的可视化表达，在组织和管理水质信息方面发挥着重要作用。为显示美国加利福尼亚南部萨瓦纳河基地（SavannahRiverSite）地下水中的氚、挥发性有机污染物三氯乙烯（TCE）和四氯乙烯（PCE）的浓度，本文提出的方法首先确定合适的研究范围、GIS图层（coverage）和比例尺。利用主成分分析（PCA）将最能够指示潜在污染的变量进行分组。利用氚、Al、Mg、Na以及TDS可以最好地表征氚的潜在污染，而利用PCE和Cl可以预测PCE的潜在污染。利用1999年检测的污染物浓度验证采用1993～1995年的地球化学数据绘制的潜在污染图，结果令人满意。对水质数据进行聚类分析可将地球化学和污染物浓度分组。一、简介由于监测点数量少且位置分布不均，样品分析存在误差，复杂的水文地质条件使监测污染物在很短的距离内就发生很大的空间变化，因而编制地下水污染图通常是一件非常复杂困难的工作。目前一般用数值模型来刻画地下水污染羽，但由于对局部水文地质条件的认识不足，因此这一方法也受到一定限制。另外，多点、多次监测和多分析指标的出现也加大了管理和绘制大容量水质数据集的难度。除了数值模型外，另一种可供选择的方法就是对地下水水质数据进行统计分析，推断潜在污染区。主成分分析（PCA）是一种多元统计方法，它基于变量之间的相关性，对变量进行分类。PCA和其它因子分析方法的目的是用少数几个因子来描述大量观测变量之间的联系，以便于分析。地下水中存在的物理和化学作用，如电解、离子置换或者碳酸盐的平衡作用，使不同组分的浓度可能存在相关性。利用PCA对这些相关的变量分组，就能更容易地结合地下水中的物理化学作用去认识这些变量组。一个特定数据集的因子个数基于说明潜在作用的非随机变量的数量。提取的因子越多，对原始数据的累计方差贡献率就越大。主成分分析以前常用来根据监测井的水质特征，编制准确的监测井分组图（Suk和Lee，1999；Ceron等，2000；Güler等，2002）。为了识别含水层污染区，Suk和Lee（1999）利用多元统计分析和GIS建立污染物与地下水水质参数的相关性。他们用这种方法，从测量的几个含水层水质变量中提取出几个潜在因子。聚类分析是另一种能够实现数据降维的多元统计方法，可根据含水层的水质状况对监测井进行分组（Suk和Lee，1999）。该方法利用具有不同分枝的树形图结构将变量分层次地联系起来。分枝之间联系越紧密，表明变量之间或者变量群之间的相关性越强。Suk和Lee根据水岩相互作用和补给特征，对PCA得出的因子得分进行聚类分析，从而将监测井分组，然后利用GIS编制井的分组图，得到含水层分区。研究人员确定的这些区与传统水文地质技术确定的区吻合得相当好。Suk和Lee（1999）基于每个含水层分区都有自己特定的地下水水质信号（取决于沉积物的化学组成），对地球化学数据进行多元统计分析（Fetter，1994；Kehew，2001）。用这种方式定义的含水层分区中的水化学组成称为水化学相（Fetter，1994）。地下水能够溶解矿物质和其它地球化学组分。每一个含水层赋存的地下水所含的溶解矿物质和化学组分都不尽相同，于是形成了地下水的水质信号，有助于识别含水层的演化历史。在西班牙西北部，Vidal等人（2000）对14个水质指标进行了主成分分析，提取出2个与盐类和有机金属污染物相关的因子，然后绘制2个因子得分的散点图，根据空间位置（井或者泉取样点的位置）在图上标出每次观测。取样点落在图中不同的“类”中，说明该取样点与所落入的“类”具有相同的地下水水质信号。根据含水层对盐类和/或有机金属污染的脆弱性，利用取样点在图上的位置对它们所在的含水层归类。Abu-Jaber等人（1997）利用类似的多元统计分析方法研究地球化学数据，以识别已知含水层中存在的主要化学作用，并确定含水层对生活污水渗漏污染的敏感性。Meng和Maynard（2001）利用聚类分析和因子分析来处理地球化学数据，然后利用得出的地下水分类作为开发研究区地球化学概念模型的基础。Ochsenkühn等人（1997）对地下水地球化学数据进行聚类分析，以识别主要的地下水流动路径。其它一些研究也利用了类似的方法，建立了杀虫剂对地下水的污染与不同作物轮耕方式的相关关系，来推断地下水的流动方向（Grande等，1996；Zanini等，2000）。Güler等人（2002）比较了很多用于水化学数据分类的图示法和多元统计分析方法。分析数据来自美国加利福尼亚南部南拉洪坦湖（Lahontan）水系。他们利用11个水质指标建立了一个非常完善的水化学样品分类方案，同时指出综合利用图示法和统计分析方法可以得到更全面、更客观的分类结果。本文的研究目的是示范GIS利用水质数据的多元统计分析结果编制地下水污染图的方法。在决策支持系统中，GIS是一种重要的信息组织和管理工具。建立这一方法的目的是为了更有效地利用GIS对水质数据进行分析和解译。潜在污染图不是绘制监测污染物的分布，而是利用辅助水质数据编制的。利用主成分分析评价水质指标之间的相关关系，提取出水质因子，然后利用GIS绘制包含每种污染物的水质因子，来显示地下水可能污染的位置。增加的辅助水质数据提供了其它关于局部地下水条件的信息，降低了对单次污染物观测的依赖度。结合污染物和局部水质变化的相关关系，可以改进潜在污染图。这样做的目的并不是为了寻找水质变量和污染物之间的关系，而是为了利用所有观测数据最有效地进行污染预测。在这种情况下，组合变量产生一个更能表征场地潜在污染的因子。虽然使用了辅助的水质数据，但是这一方法的使用并不能减少或消除对水质监测的需求，而只是最大程度上地利用了现有的水质信息。利用获得的含水层水质成果图可以更深入地认识地下水污染的范围和历史。本文用萨瓦纳河基地（SRS）的水质数据示范这种方法的使用。SRS是美国能源部在加利福尼亚南部Aiken附近设立的一个基地，靠近乔治亚州和加利福尼亚南部的边界线。从上世纪50年代到90年代，生产核武器原料所产生的副产品——工业和放射性污染物的释放使该基地多个地方均出现地下水污染。大部分的地下水污染物由其附近的释放点控制。由于SRS附近的地下水是居民用水的主要来源（Arnett等，1995），因此必须认识SRS地下水污染的位置，以保证公共安全和降低风险认知。鉴于此，SRS调查人员已经安装了数千个监测井并保证每季度（每隔3个月）取样一次（Arnett等，1995；Bollinger，1999）。尽管已进行了大量的数据收集工作，但是如何处理监测数据，并将其融合到历史或现状污染图中，一直是一个大难题。而且，美国东南沿海平原下伏的含水层系统相当复杂，地下水流动的数值模拟模型也只能应用在SRS具备详细水文地质资料的一小部分地区。二、方法1、研究区 萨瓦纳河基地（SRS）由美国能源部管辖，占地面积790km2，位于南卡罗来纳州西南部的大西洋沿海平原上，沿乔治亚州和南加利福尼亚的州界分布。冷战时期（20世纪50年代~80年代），美国在SRS生产国防用的核材料，包括氚和钚。在SRS，零星分布着制造业、垃圾处理厂和核反应设施，但是只占SRS整个面积的一小部分。本次研究主要集中在2个地区：管理和制造业区（A/M区）与一般分散区（GSA）。研究了3种典型污染物：从A/M区地下水中检测出的四氯乙烯（PCE）和三氯乙烯（TCE）与在GSA发现的氚。SRS有生产和储存大部分放射性废物和工业废物的历史，也存在着最严重的地下水污染。在A/M区的地下水中检测出挥发性有机物（VOCs）——通常作为金属加工过程中的清洗剂（Bollinger，1999）。其中，PCE和TCE这2种VOC的浓度相当高，它们都是核燃料制造业和金属加工业使用的清洗剂（Arnett等，1995；Bollinger，1999）。从1952年开始，但直到上世纪80年代中期才开始利用浅层无衬砌渗漏池对这2种溶剂和其它挥发性有机化合物以及重金属进行处理。GSA位于SRS的中部，由垃圾处理场（包括高放射性的废物储存场和混合垃圾填埋场）和分离反应堆产生的特定放射性核物质的设施构成。GSA下部的地下水已经受到了各种化学物质和放射性核物质（尤其是氚）的污染。如果水文地质均质且得到充分认识，那么就可以模拟地下水中非水相液体（包括TCE和PCE）的复杂行为（Kehew，2001）。但不幸的是，SRS下伏的含水层和隔水单元非常复杂，由此限制了含水层水力性质的准确计算，使地下水水流模型和污染物运移模型预测具有很大的不确定性（Harris等，1997；Miller等，2000；Kehew，2001）。SRS位于大西洋沿海平原的上部，因而水文地质条件非常复杂。海岸线的周期性迁移和河道迁移使得SRS的沉积物类型相当复杂，包括层积的松散砂、粘质砂土、砂质粘土和钙质淤泥（Aadland等，1995）。可成为流动优先路径的一些古河道的存在也增加了研究的复杂性。过去30年间所安装的几千个地下水监测井（Arnett等，1995；Bollinger，1999）的滤管放置深度考虑了特定含水层或者隔水层的位置。在SRS的历史上，监测井组是作为某些小项目的一部分而进行安装的。因此，从SAS监测井收集到的浓度数据是成“簇”出现的，主要在已知污染区的周围，而其它地区则没有水质数据。一般每隔6个月对SRS的井进行一次大规模的取样。为了管理这些水质数据，SRS开发了一种地球化学信息管理系统（GIMS）。GIMS是一个Oracle数据库，由美国乔治亚州雅典市的一个私人合作组织进行维护。这个数据库具有安全性，只有得到授权的SRS人员才能访问。2、数据采集尽管可以获得SRS运行初期的水质数据，但直到20世纪80年代，许多分析指标才得以测试，因此许多地下水组分的数据量较少。此外，监测井取样的时间间隔不同。位于关注度很高地区或者地下水修复工程所在地的井通常是每3个月（Q1表示1月~3月收集的数据，Q2表示4月~6月收集的数据，依此类推）取样一次，甚至还要频繁取样。而次要地区的监测井经常是每年只取样一次。开展新项目时，会建造新的监测井，而有些监测井在项目结束之后就废弃了。如果监测井的某一个参数在整个季度内都未进行观测，那么随后的聚类分析就会排除这个井。这在整个A/M区特别明显，因为许多井从1993年第一季度之后，就不再对氚进行检测了。因此在实际研究中，A/M区就没有参与随后几个季度的主成分分析。不幸的是，观测数量的这种改变使我们很难去比较季度与季度间的参数变化，因为这样引入的变化易与组分浓度的天然波动混淆。用平均值来代替缺失值是一种处理观测缺失的方法，但是这种做法可能会得出不正确的相关结构，因而未加以使用。数据分析的对象主要是1993年到1995年每季度一次的取样数据，在这段时间内，对监测井进行了频繁取样。SRS地下水监测计划使许多地下水组分都得以检测，上世纪90年代初，这项计划使SRS得到了最全面的场地分析。1993年第一季度是地下水监测的高峰期，在这期间，选择了能够代表地下水水质的分析指标，对1000多个观测井进行了取样分析。选择地下水监测数据中的一部分指标进行统计分析，选择标准是：（1）具备可用性；（2）测量的空间和时间频率很高；（3）能代表天然的化学条件，即提供清楚的含水层水质信号。为了获得水质信号，选择了满足上述标准的13种水质分析指标，包括总溶解固体（TDS）、pH值、铝（Al）、钙（Ca）、氯（Cl）、铁（Fe）、钾（K）、镁（Mg）、钠（Na）、硅（Si）和硫酸根（SO4）。此外，还选择了氚和四氯乙烯（PCE），因为这2个变量能够分别代表放射性污染和地下水的工业污染。13个分析指标中有11种是地下水的天然组分，其中有6种（Na，Ca，K，Mg，SO4和Cl）是主要离子，3种是次要离子或微量组分（Fe，Al和Si），剩下2种（TDS和pH值）是常规检测项目。表1囊括了A/M区和GSA从1993年到1995年收集到的上述13种地下水分析指标的所有浓度数据。该表列出了各项指标共3914次观测的最小浓度、最大浓度、按百分位数排列的浓度以及平均浓度。这个表是非常有用的，因为从表中可以看出已观测的水质条件发生了重大变化——某些变量至少发生了4个数量级的变化。主成分分析根据水质参数的这种变化来帮助编制污染图。从最大观测值、按百分位数排列的浓度以及平均值与中位数（第50个百分点对应的浓度值）的比值可以看出整个数据集呈强烈的右偏分布。取水质变量（除pH值外，已经作过对数处理）的对数值，可以消除这种偏态分布。表11993~1995年共3914次观测收集到的地下水分析指标的浓度数据分析指标单位平均值最小值百分位数最大值第10个第25个第50个第75个第100个pH值

4.634.44.95.56.5812.8TDSmg/L126.6232333601282651785Almg/L2.60.0040.020.030.090.382.1155Camg/L130.010.621.323.8313.634482Clmg/L3.30.251.622.032.553.475.544.6Femg/L0.50.0040.0050.010.040.170.748.1Kmg/L2.10.0490.50.50.831.553.3145Mgmg/L1.40.0020.260.40.661.222.740Namg/L14.40.4951.822.574.6612.834.2360Simg/L13.30.1526.067.379.3813.626.2158SO4mg/L5.60.094111.675.4710.6440PCE2g/L26.90.031112.5519700氚pCi/mL18000.0020.71.6311.42633600286000数据的空间范围随着每个季度取样井的变化而变化。本次研究包含了1993年第一季度744个取样井所有13个水质指标的检测数据。这些井位于GSA（400次观测）和A/M区（275次观测）。在剩下几个季度中，主要在GSA进行了氚的检测，在A/M区没有检测氚；本次研究选择的所有观测，大约90%都位于GSA附近。因此，A/M区的分析和绘图主要依赖于1993年第一季度的数据和总数据集。利用SRS每季度取样的地下水监测计划所收集的大量数据，建立了分析指标浓度的绘图方法。在ArcViewGIS中建立脚本（scripts）和shape文件，编制SRS1999年的氚和TCE的浓度图。这些图显示SRS大部分的污染物都位于生产设施附近，而在远离污染源的那些地方，地下水中几乎不含氚和TCE。这些基础图件显示了SRS不同地区的污染物水平、规模和空间范围，很好地传达出有关污染物的信息。这些图件将作为显示其它时期分析指标浓度的底图，随后还将用来显示含水层水质分析的结果。3、主成分分析（PCA）六个季度的观测产生了大量数据，足以用来建立水质指标之间的相关矩阵以进行主成分分析。数据采集时间从1993年初到1995年初，每种分析指标的观测次数在343~744次之间。将观测的水质参数（pH值除外）进行对数变换，获得相关矩阵。不使用有任何数据缺失的纪录。作为时间平均化的含水层水质条件的一个概括，对所有监测井观测数据的总集合（包含所关注的13种分析指标的测量值）也进行了一次主成分分析。从1992年第四季度到1999年第四季度的总数据集中确定出3914次可用的观测，来进行主成分分析。所有水质数据均经过了对数变换（pH值除外）。利用SPSS因子分析模块（SPSS公司，2005）处理每个季度的数据，选择方差最大法进行因子旋转。方差最大法旋转是因子识别常用的方法。经过几次试验后发现，在所分析的7个数据集中有6个数据集，提取4个因子就足以说明原数据至少2/3的变化。因此最终从所有每个季度的数据集中提取出4个因子，利用合适的因子得分系数乘以原始的观测值，得到4个对应的因子得分组。将每个季度的4个因子得分作为4个变量，用于随后的聚类分析和ArcView的插值。做出显示每个变量和因子之间相关强度的因子载荷表。检验了几个季度的PCA结果，发现具有较高因子载荷的是相同的一些变量。但是，由于旋转和方差贡献率的不同，这些变量组的主成分的位置在每个季度中是不同的。为了更清楚地刻画不同季度的类型，基于3个季度有相似的PCA结果，将每个编码的主成分（1-4）分别用字母A-D来表示。在这三个季度中，将第一主成分中因子载荷绝对值大于0.4的变量归到A组，将第二主成分中因子载荷绝对值大于0.4的变量归到B组，依此类推。使用这种命名法确定出分析指标的子集。保存包含污染物分析指标（即氚和PCE）的子集，进行随后的编图。4、聚类分析为了根据地球化学分区（即在一个季度中分析指标有相似的变化）将监测井分组，对前面保存的主成分做聚类分析。选择SPSS中的“hierarchicalclusteranalysis（层次聚类分析）”选项，处理已保存的每个数据集的4个因子得分变量。PCA识别出的每个主成分都对应有一个因子得分变量。利用井名标注因子得分，选择计算欧氏距离平方的“Ward’smethod（离差平方和法）”进行聚类分析。在多数情况下，先用欧氏距离（定义为方差总和的平方根）确定观测间的距离，然后再用Ward方法进行聚类。Ward方法是一种回归方法，它使每个层次中任意2个类的离差平方和最小（Statsoft公司，2002）。3个聚类构成了一个树形图，这是一种非常有用的图示工具，可用于确定足够用来描述潜在作用的类数量，识别性质相同的组。保存每次观测的“clustermembership（类成员）”，然后绘图来显示这些同性质的组的空间变化。保存每个井的类成员构成。不可能对所有季度中这么多数量的观测进行聚类分析，因为每个井都包含多次观测。确定一系列类（3~10）的类成员。为了确定区别不同含水层分区所必需的类数量，将每个数据集导入SAS统计包（美国SAS软件研究所，2005）中得到树形图。保存的一系列类的类成员为分辨GIS图中监测井之间含水层水质行为的差别，在随后识别应用限制中给予了灵活性。5、GIS插值和制图表2说明了GIS制图的步骤。反距离权重（IDW）是一种空间插值方法。在ArcView3.2中进行反距离权重插值。反距离权重法中的每一个估值都是其周围取样点的加权平均值。利用观测点与被估点的距离的倒数来计算权重（Burrough和McDonnell，1998）。可以将反距离加幂（如线性、平方和立方）以模拟不同的几何形状（如线、面积和体积）（Guan等，1999）。Burrough和McDonnell（1998）比较了几种不同的确定性插值方法，发现使用距离平方的IDW方法能够产生与原始值最一致的结果。表2含水层水质信号绘图的步骤步骤活动动1SRS监测井计计划提供地地下水样品品和随后的的实验室分分析2检测值保存在地地球化学管管理系统（GIMS）数据库中3利用ArcViiew界面面查询GIIMS，创创建单个分分析指标的的dBasse文件4基于可用性和表表达天然含含水层水质质的可能性性来选择分分析指标文文件（111个）。选选择污染物物（2个）5编写ArcViiew脚本本，计算每每季度（33个月）检检测值的平平均值，分分别创建113种分析析指标的新新文件6将文件导入MiicrossoftAcceess表中中，根据共共同的井位位置和分析析指标将检检测值链接接起来7将链接好的检测测值导入MMicroosofttExccel中，对对其进行分分类，剔除除单变量离离群数据8选出具有足够观观测次数（n>100）的季度中的数据9将每个文件导入入SPSSS中，计算算欧氏距离离得分，剔剔除多变量量离群数据据10执行最大方差法法旋转主成成分分析，保保存因子得得分11对因子得分进行行聚类分析析，确定水水质行为相相似的井12在ArcVieww中，对包包含污染物物变量的22个PCA的因因子得分进进行插值和和绘图13将聚类分析得出出的不同颜颜色标注的的井叠加到到因子得分分的污染图图上利用反距离权重插值法对与污染物变量、氚和PCE相关的因子得分进行插值。根据每个井周围最近的12个井的因子得分，利用径向插值方法在该井周围500m的范围内创建一个连续面。井周围500m之外的地方不进行插值。插值面反映了井的影响范围；图中污染可能性很大的地区经常会突然终止。在栅格图层中，将插值过的因子得分用渐变色划分为9级。用渐变的橘色代表PCE的污染，渐变的红色代表氚的污染。颜色越浅，污染可能性就越低，反之亦然，颜色居中表示污染的可能性为50%。从50%的污染可能性到最高的污染可能性，因子得分跨入正值的范围。正的因子得分表明它们各自的污染组成呈正相关。氚的网格用浅粉到深红9种颜色填充。网格中的因子得分低，就表示被氚污染的可能性小，用粉红色填充，而因子得分高则表示被污染的可能性大，用深红色来填充。PCE的表示方法类似，用橘色系来填充。将聚类分析结果和1999年原始的污染物浓度叠加，就得到上述2种污染物的潜在污染图。在前文讨论的shape文件中，根据监测井所属的类，也用颜色来标注。根据聚类图的结果，选择了5个层次来描绘地球化学分区，并相应地对井进行标注。该图层放在每个季度氚和PCE潜在污染图的上部。为了便于比较，将1999年的总污染物浓度叠加到其它潜在污染图的上面。GIS插值方法可详见Mathes（2002）。三、结果1、主成分分析从每个季度相关矩阵中提取的4个因子的累计方差贡献率至少是2/3。以1993年第四季度为例，从观测数据中提取出的前4个因子的累计方差贡献率在70%以上，因子载荷图显示：Al，Mg，Na，pH值，TDS和氚与第一个因子强烈相关，Ca，K，pH值，Si，SO4和TDS与第二个因子强烈相关，Al，Fe和SO4与第三个因子强烈相关，与第4个因子相关最好的是Cl和PCE。值得注意的是pH值的因子载荷是负值，在更碱性的条件下，才会出现正值；SO4与第二个因子和第三个因子都相关。表3总结了每个季度中每个因子的相对方差贡献率。表中的主成分用字母来表示，对应于根据每个季度和总数据集的因子载荷得到的变量组。表3六个季度和总数据集的主成分组的排名主成分分析指标总数据1993Q11993Q21993Q31993Q41994Q11995Q1AAl,Mg,,Na,,氚,TDSS,pHH1211111BCa,K,pH,Si,SSO4,TDDS2122222CAl,Fe,,SO444334333DCl,PCEE3443444这种变量分组的类型在对其它季度和总数据集（即表3中的所有季度）进行主成分分析时反复出现。通过对所有主成分分析中因子得分的绝对值大于0.4的主成分组成的总结，发现反复出现的主成分变量组呈现出明显的季度性。这些主成分分析表明对来自于不同水文地质的监测井样品而言，氚的浓度与阳离子Al、Mg和Na的浓度以及TDS的变化相似。PCE的浓度与阴离子Cl的变化相似。利用每个井13个原始指标的检测值计算因子得分。每个主成分分析会产生4组因子得分，与PCA的4个主成分相对应。保存这些因子得分用于随后的聚类分析。将A和D这2个包含氚和PCE的主成分变量组的因子得分保存在GIS中，用于随后的插值和制图。2、聚类分析利用初步的聚类分析产生的树形图可以非常好地将监测井分成5大类。聚类分析基于含水层水质检测，将监测井划分为这些不同的类别。区分这5类的欧氏距离大于100。此外，对确定出的SRS含水层分区与聚类结构中的不同层次（3~10）试探性地进行了相关分析。观测发现含水层分区和包含5个类的聚类系统之间有最佳的相关性。3、GIS图对1999年与最可靠的检测指标、氚和TCE相关的2个因子的地下水浓度水平进行绘图，所绘图件显示了SRS污染在平面上的近似范围。这些图的绘制使用的不是原始的污染物数据，而是因子得分的插值，因此实际上，它们是将污染物浓度与相关的水质变量所提供的辅助信息结合了起来。为了粗略估计利用1993~1995年的数据得出的污染可能性的准确程度，将1999年所有四个季度的原始浓度数据叠加到绘制出的潜在污染图上。SAS的TCE和PCE经常在同一地点和时间排放，二者具有许多相同的化学特性，都属于重质非水相液体（DNAPLs）。尽管有5年到6年的滞留时间，但是受氚和PCE污染可能性很高的地区与随后观测到的氚和TCE浓度相对较高的地区非常吻合。与任意污染物均不相关的主成分的因子得分的插值与1999年氚和TCE浓度增高的位置不能吻合。潜在污染区的结构和范围随季节发生轻微的变化。除了分析指标的天然变化外，监测井的数量也随时间而变化。从1993年第一季度之后，监测井活动减少；A/M区和GSA外围地区的井在每个取样季度中没有进行监测，因此改变了插值的范围。整体而言，从1993年第一季度之后，监测井的数量减少了。在本次研究中，季节的变化对PCA的主成分结构没有强烈的影响，数据点的减少反映在图中潜在污染区的位置和范围的变化上。本研究也绘制了监测井所在位置的地下水水质分区图。这些分区是通过对每个PCA产生的因子得分进行聚类分析而得到的。初步工作已经证实，对因子得分进行聚类分析可以帮助描绘具有不同含水层水质信号的地球化学相（Suk和Lee，1999）。GSA和A/M区的聚类分析绘图共产生了5个类别。这些类别表明这2个地区有5个不同的地下水水质区。在GSA的部分地区，井组在随后几个季度中反复具有相同的类成员。从1993年第一季度的GSA氚的潜在污染图和A/M区PCE的潜在污染图中，可以观察到不同的空间类型。GSA的监测井归到了5个类别中的4个，称为井的地下水水质分区。在GSA没有出现的那类井在A/M区相当普遍，而属于GSA的一类井没有出现在A/M区。这些差别说明A/M区和GSM的含水层具有不同的地球化学类型。在随后的季度中，仅使用了GSA的数据进行绘图。在GSA出现的所有5个类别中，有3个主要类别。在更小的尺度上，2个地区中，滤管处在不同深度上的相邻的井往往属于不同的类别。总之，插值图表明A/M区的部分地区最可能受到PCE的污染，而GSA的部分地区被氚污染的可能性最大。在更小的尺度上，PCE和氚的插值图表明渗漏池和其它垃圾处理场附近的地区更可能受到污染。四、讨论本文主成分分析的结果表明，测量优选出的较少数量的地下水水质变量，也能深入认识含水层的水质特性。毫无疑问，压缩地球化学变量的数量，可以应用更多井的资料，产生范围更大、分辨率更高的含水层信号和潜在污染的空间图。尽管监测活动存在季节上的空间差异，但是不同季度PCA的变量组成结构非常相似。这种可比较的变量的时间特性证实了这样的假设，即含水层水质信号受某些基本过程控制，如水岩相互作用，补给和排泄的关系等。1999年测量的污染物浓度与绘制的很有可能受到污染的区域呈现出很好的对应关系，进一步证实了上述假设。对因子得分进行插值时考虑了含水层作用，这种做法优于对污染物浓度原始资料的简单解译。利用因子得分消除了浓度的尖锐变化，确定了未来可能受到污染的地区。这种插值实现了潜在污染区的可视化，但是没有进行更远距离的插值，因为在远离SRS的地方，监测井的分布更加稀疏。离大的监测井群越远，所预测的潜在污染的可信度就越低，因为对这些井所在的地区进行插值所利用到的因子得分非常少。确定了4个水质因子，包括（1）TDS、Al、Na、Mg和氚；（2）TDS、Ca、K、Si、SO4和碱性条件；（3）Al、Fe和SO4；（4）Cl和四氯乙烯。TDS是对水中可溶性的离子或者化学物质的量度，只要主要阳离子或者阴离子出现，都会增大TDS，因此同属于前2个因子。在SRS，氚似乎与Na、Mg、Al的存在相关。这可能是由于这些化学物的共同释放或者它们存在于氚释放地附近的浅层含水层中。第三个因子包含了微量阳离子和SO4，而没有TDS，这说明这些成分在整个水化学组成中不占支配地位。第4个因子与四氯乙烯和Cl有关，这可能是降解、共同释放或者释放点附近的地下水类型导致的。用统计方法确定出独特的水质信号有助于追踪污染羽的迁移，因为当野外和实验室误差造成污染物自身缺乏的时候，一组相关的水质指标的出现可以帮助描绘潜在污染区。这种扩充后的水质变量