环境科学研究  2020, Vol. 33 Issue (6): 1337-1344  DOI: 10.13198/j.issn.1001-6929.2020.05.28

引用本文  

林斯杰, 齐永强, 杨梦曦, 等. 基于PCA-SOM的北京市平谷区地下水污染溯源[J]. 环境科学研究, 2020, 33(6): 1337-1344.
LIN Sijie, QI Yongqiang, YANG Mengxi, et al. Source Analysis of Groundwater Pollution in Pinggu District of Beijing Using PCA-SOM[J]. Research of Environmental Sciences, 2020, 33(6): 1337-1344.

基金项目

国家水体污染控制与治理科技重大专项(No.2018ZX07109-002)
National Major Science and Technology Program for Water Pollution Control and Treatment, China (No.2018ZX07109-002)

责任作者

胡清(1964-), 女, 北京人, 教授, 博士, 博导, 主要从事土壤地下水污染防治与修复和生态环境大数据研究, huq@sustech.edu.cn.

作者简介

林斯杰(1985-), 男, 福建厦门人, linsj@sustech.edu.cn

文章历史

收稿日期:2020-03-31
修订日期:2020-04-29
基于PCA-SOM的北京市平谷区地下水污染溯源
林斯杰1,2,4, 齐永强1,4, 杨梦曦1, 杨庆3, 杨梦凡1,4, 刘毅2, 胡清1    
1. 南方科技大学环境科学与工程学院, 广东 深圳 518055;
2. 清华大学环境学院, 北京 100091;
3. 北京市地质矿产勘查院, 北京 100195;
4. 北京环丁环保大数据研究院, 北京 100083
摘要:为了解北京市平谷区地下水污染物来源,以平谷区2010—2018年监测数据为基础,使用PCA(主成分分析法)识别了地下水水质指标因子,使用自组织映射识别了污染物的空间分布.结果表明:通过监测指标间的Pearson检验发现, 平谷区地下水电导率与ρ(Ca2+)(p=0.936)、总碱度与ρ(HCO32-)(p=0.981)、ρ(Mg2+)与总硬度(p=0.944)指标之间显著相关.地下水化学类型主要以HCO3-Ca型为主,其次为HCO3-Mg型.NH4+、SO42-、Cd、Fe(Ⅱ)、NO2指标空间分布离散性和差异性较大,存在局部富集现象.通过因子分析法筛选出影响平谷区地下水水质的8个公因子,首要影响因子为溶滤-富集作用(贡献率为22.398%),次要影响因子为农业、养殖业和填埋场等人为活动作用(贡献率为16.533%),雨水下渗作用(贡献率为8.035%)、工业源人为活动(贡献率为7.466%)对地下水也有一定影响.通过比较各指标的SOM(Self-Organizing Map,自组织映射)特征图像和监测井映射特征图像,发现NH4+受山前地带林业、种植业和平原地带农业、养殖业的双重影响,Na+、Mn受平原地带人为活动的影响;同时,NH4+、NO3-、NO2三者之间及Fe(Ⅱ)与Fe(Ⅲ)之间来源不同,Cd、Al、氰化物三者具有同一来源.研究显示,PCA-SOM(PCA与SOM相结合)可以对地下水化学组分来源进行定性识别与定量分析.
关键词自组织映射(SOM)    地下水污染溯源    主成分分析法(PCA)    
Source Analysis of Groundwater Pollution in Pinggu District of Beijing Using PCA-SOM
LIN Sijie1,2,4, QI Yongqiang1,4, YANG Mengxi1, YANG Qing3, YANG Mengfan1,4, LIU Yi2, HU Qing1    
1. School of Environmental Science and Engineering, Southern University of Science and Technology, Shenzhen 518055, China;
2. School of Environment, Tsinghua University, Beijing 100091, China;
3. Beijing Geological and Mineral Exploration Institute, Beijing 100195, China;
4. Beijing Huanding Environmental Big Data Institute, Beijing 100083, China
Abstract: In order to understand the source of groundwater pollutants in Pinggu District of Beijing, based on the monitoring data of Pinggu District from 2010 to 2018, this study used PCA to identify the groundwater quality index factors, and identified the spatial distribution of pollutants using SOM to map the pollution index and the location of the monitoring wells and compare mapping feature by comparison images. The Pearson test between monitoring indicators showed that there was a significant correlation between electroconductibility and ρ(Ca2+)(p=0.936), total alkalinity and ρ(HCO32-) (p=0.981), ρ(Mg2+) and total hardness (p=0.944) in Pinggu District groundwater, and the chemical type was mainly HCO3-Ca, followed by HCO3-Mg type. The spatial distribution of NH4+, SO42-, Cd, Fe(Ⅱ) and NO2 was very discrete and different, and there was local enrichment. Eight common factors affecting groundwater quality in Pinggu District were screened out by factor analysis. The primary impact factor was leaching-beneficiation (contribution rate 22.398%), and the secondary impact factors were human activities such as agriculture, aquaculture, and landfills (contribution rate of 16.533%), rainwater seepage (contribution rate of 8.035%), and industrial source. Human activities (contribution rate of 7.466%) also had a certain effect on its groundwater. By comparing the SOM mapping characteristic images of various indicators, NH4+ was affected by the dual effects of forestry, plantation, and agricultural production in the plain area. The characteristic images of the Na+, Mn response area and the plain area coincide, showing the influence of human activities. At the same time, NH4+-NO3--NO2, Fe(Ⅱ)-Fe(Ⅲ) were not from the same source, and Cd, Al, and cyanide had the same source. The results show that PCA and SOM can be used to identify and analyze the chemical components of groundwater.
Keywords: Self-Organizing Map (SOM)    source analysis of groundwater pollution    PCA    

地下水是北京市的重要供水水源,平谷区又是北京市的重要应急水源地.随着平谷区工农业发展和人口增长,区域地下水水质呈恶化趋势[1].地下水具有自净能力弱、补给交互慢、污染隐蔽性强、难以逆转等特点,一旦污染将会给人类带来巨大危害.因此,开展平谷区地下水污染源及污染特征研究,对及时控制污染源、采取针对性管控措施、保障北京应急水源地安全具有重要意义.然而,目前对平谷区地下水的研究多集中在水位变化分析[2-4]、水化学特征分析[5]和水质评价[6]等方面,较少研究对平谷区地下水污染来源进行系统分析.

国内外学者采用多种方式对地下水污染溯源进行了研究,总体上可以分为模型法、实测法和统计法[7].模型法是根据含水层中实测污染物浓度,通过数值-机理模型反求污染源时间及空间分布[8],或是由响应结果推求模型输入参数进行时间反演计算[9-10].实测法多采用氮、氧、碳等同位素作为示踪剂,基于化学质量平衡和多元统计分析测算示踪剂的时空分布,进而推算污染物来源[11-13].统计法建立在水质监测数据基础上,依靠图论[14]、相关性分析[15]、灰色关联分析法[16]、模糊数学法[17]、PCA (主成分分析法)[18-19]、结合GIS图像识别污染源[20-22]、回归分析方法[1]等对污染物进行分析.这些方法虽然可以表征和识别污染指标的污染来源,但分析维度较为单一,未能体现指标间关联性,不能很好地反映污染物空间分布和来源特征.

SOM (Self-Organizing Map,自组织映射)是通过神经元间的竞争学习将相似的数据映射到相邻位置并保持拓扑结构不变的一种方法.由于这种聚类过程是数据的全部维度映射,SOM本身具有多维数据融合的属性.相较PCA (主成分分析法),SOM通过对输入模式的反复学习,使权重向量空间能反映输入模式的统计特征.该方法被应用于地下水污染评价和污染源溯源,其分析效果直观、结果较好[23-27].然而,SOM在训练前需要预先定义神经元的映射结构和映射大小,同时对结果的解读依赖于神经元激活强度特征图谱的目视比较,相比PCA无法进行定量分析[28].而PCA无法对主要因子之外的污染指标进行解释,因此将PCA和SOM两种方法相结合(简称“PCA-SOM法”)既能解释主要因子涉及的污染指标关联性,又能对所有污染指标来源进行解释.

该研究采用PCA-SOM法,通过PCA对研究区域地下水主要污染因子进行同源性分析,利用监测指标在神经元网络上映射特征图像对污染物的相关性进行分析,对平谷区地下水污染物来源及污染特征进行解析,以期为平谷区开展地下水污染防治工作提供参考依据.

1 研究方法 1.1 研究区域概况

选取北京市平谷区为研究区域.平谷区位于39°30′N~40°30′N、115°45′E~117°10′E,其北、东、南三面环山,西南开口与华北平原相连接.区内海拔由东北部的85 m向西南部逐渐降至20 m,坡降为1.8‰~2.3‰.平谷区是北京市暴雨中心地区之一,据平谷区国家气象观测中心1959—2018年观测资料显示,多年平均降水量约635.5 mm.降水量具有时间、空间分布不均匀的特征,其主要集中在5—10月,占全年降水量的80%以上.

平谷区是典型的农业区,近年来形成种植业稳步发展、林业小幅下降、牧渔业主动调减的发展格局;同时,平谷区也零星分布有工业园、高新技术产业园区、生活垃圾填埋场等潜在风险源.平谷区内尚存有2个规模较大的集中式地下水饮用水水源地,主要地下水资源以第四系松散堆积物中孔隙水为主[29].

1.2 数据来源

研究区内共计33眼浅层地下水污染监测专井[6](见图 1),监测年份为2010—2018年,采样时间分别为每年的3月、6月、9月和12月.水质采样方式为人工采集水样,检测指标为32项关键指标,分别为ρ(Al)、总碱度、ρ(As)、ρ(Ca2+)、ρ(Cd)、ρ(Cl-)、ρ(CN)(CN为氰化物)、ρ(CO2)、ρ(CO32-)、ρ(Cr6+)、EC(电导率)、ρ(Cu)、ρ(F-)、ρ〔Fe(Ⅱ)〕、ρ〔Fe(Ⅲ)〕、总硬度、ρ(HCO3-)、ρ(Hg)、ρ(K+)、ρ(Mg2+)、ρ(Mn)、ρ(Na+)、ρ(NH4+)、ρ(NO2)、ρ(NO3-)、ρ(DO)、pH、ρ(Se)、ρ(SO42-)、ρ(TDS)(TDS为溶解性总固体)、ρ(VP)(VP为挥发酚)、ρ(Zn).分析指标依照GB/T 14848—2017《地下水质量标准》[30]要求执行.

注:极富水区,岩性为卵石含漂石;富水区,岩性为砾卵石;中等富水区,岩性为卵砾石夹粗砂;弱富水区,岩性为砂、卵石夹中粗砂;极弱富水区,岩性为粗中砂夹卵砾石. 图 1 平谷区浅层地下水污染监测井位置和岩层富水性分布[6] Fig.1 Location of shallow groundwater pollution monitoring wells and water abundance of rock stratum in Pinggu District[6]
1.3 数据分析方法

使用基于MATLAB开发的地下水污染预警工具包——GasHD 1.0软件, 其内置的SOM算法针对全局数据进行补齐.使用SPSS 22.0软件自带的PCA分析工具进行多元统计分析.采用Pearson检验进行相关性分析,p < 0.05作为变量间有显著相关性的判据.采用回归法作为主因子分析中提取主因子后的旋转方法,并对提取的各主因子意义进行分析.在GasHD 1.0软件中使用SOM映射全部维度数据并进行聚类分析,结合区域地表人为活动情况、区域水文地质情况分析污染物来源和空间分布特征. SOM聚类数量指标通过平谷区水文地质条件划分和聚类站点映射图得到.

2 结果与讨论 2.1 地下水监测指标类型及统计特征

平谷区地下水化学成分如表 1所示.平谷区浅层地下水水质状况较好,pH范围为7.0~8.3,整体呈弱碱性,部分区域地下水水质超过GBT 14848—2017 《地下水质量标准》[30]Ⅲ类标准限值,仅适用于农业和部分工业用水,不可直接作为生活饮用水.与2018年相比,2011年枯、丰水期阳离子浓度平均值变化较小,呈小幅波状起伏;丰水期ρ(Na+)、ρ(K+)最高值均有上升,ρ(Ca2+)、ρ(Mg2+)均呈下降趋势.由表 1可见,ρ(NH4+)、ρ(SO42-)、ρ(Cd)、ρ〔Fe(Ⅱ)〕、ρ(NO2)变异系数较大,分别为3.402、2.967、5.021、2.700和5.836,5个指标空间分布离散性和差异性较大,存在局部富集现象.

表 1 平谷区地下水化学成分统计表 Table 1 Statistical parameters of groundwater chemical component in Pinggu District

对监测指标间进行Pearson检验表明,地下水所有化学元素中EC与ρ(Ca2+)(p=0.936)、总碱度与ρ(HCO32-)(p=0.981)、ρ(Mg2+)与总硬度(p=0.944)指标之间呈显著相关,表明平谷区地下水水化学类型主要以HCO3-Ca型为主,其次为HCO3-Mg型.姜体胜等[5]通过Piper三线图、Schoeller图、Gibbs图、离子比率图等方法得出了相同结论.由表 1可见,ρ(Ca2+)、ρ(Mg2+)、ρ(HCO3-)的变异系数较小.由于平谷区地下水系统围岩岩性以奥陶系白云岩为主,白云岩主要以Ca、Mg元素为主,因此平谷地区地下水中Ca2+、Mg2+、HCO3-为自然起源.

2.2 污染源解析

剔除数据分布不呈正态分布的指标后还剩29个指标.采用KMO和Bartlett球形检验对研究区域地下水剩余的29个指标的标准化数据进行相关矩阵检验(见表 2),其中KMO值为0.685,接近0.7,适合进行因子分析;Bartlett球形检验P值接近于0,满足P < 0.05的置信度,表明各变量之间具有较高的相关性.该研究共提取8个公因子,累计方差贡献率约71.550%,能反映29项监测指标的信息.

表 2 主要因子的特征值和累计方差贡献率 Table 2 Characteristic values and variance contribution rates of main factors

为了对公因子典型指标进行更好的解释,使用凯撒正态化最大方差法将荷载因子矩阵进行正交旋转(见表 3).针对公因子中高得分和包含污染物指标的公因子进行分析.公因子F1主要包括ρ(Ca2+)、ρ(Mg2+)、ρ(SO42-)、ρ(TDS)、总硬度和EC六项监测指标.从地质构造角度考虑,平谷区第四系松散层孔隙水主要储存在冲洪积作用形成的含水层中,这些分布区域的地下水径流条件相对较好,含钙、镁化合物的岩层与地下水交互作用明显;同时,地下水在流经硫酸盐沉积物时发生溶滤过程,使得SO42-普遍存在,因此公因子F1代表了溶滤-富集作用.

表 3 旋转因子荷载矩阵 Table 3 Loading matrix of rotated factors

公因子F2主要包括ρ(Na+)、ρ(NH4+)、ρ(Cl-)、ρ(Mn)和ρ(NO2)五项监测指标.由于平谷区农业和养殖业密集程度较高,生产活动过程中含氮化肥、含氯农药和养殖废水下渗造成污染,因此Na+、Cl-、NH4+和NO2反映了地表农业和养殖业对地下水的影响. Mn指标受区域成土母质、土壤类型和人为活动影响较大[5],但研究区内Mn主要分布在平谷区平原区西南部的前芮营垃圾填埋场以及平谷区东鹿角,并且向四周扩散,呈现出人为活动的表征.因此,公因子F2代表了人为活动影响中的农业、养殖业和填埋场等人为活动产生的污染作用.

公因子F3主要包括的指标为ρ(CO2).从水文地质化学上来看,浅层地下水中CO2可能来自大气降水渗透、地下微生物呼吸作用,以及含水层碳酸盐岩水文化学作用,但该研究中CO2的来源还需要结合SOM结果进行进一步分析.

公因子F4主要包括的指标为ρ(HCO3-)、ρ(F-)和ρ(As),As主要集中分布在研究区西部的马昌营薄各庄村和柏店村,ρ(As)最高值为0.183 mg/L;F-的分布地点主要有研究区南西方向的马坊镇、马昌营薄各庄村以及前芮营村泃河附近,ρ(F-)整体上呈西部平原区大于东部近山区的特征,其最高值达4.60 mg/L,表明泃河可能已经遭受F-污染.因此,公因子F4代表了人为活动影响中的工业污染作用.

公因子F5主要包括的指标为ρ〔Fe(Ⅱ)〕和浊度,表明浊度与Fe(Ⅱ)密切相关,反映了浊度主要来自Fe(Ⅱ).公因子F6主要包括的指标为ρ〔Fe(Ⅲ)〕,反映了铁元素在水文地质化学中的变化情况.公因子F7主要包括的指标为ρ(VP),其主要存在于平谷区中心城区,表明人为活动中的工业源或生活源污染作用.公因子F8主要包括的指标为ρ(Hg),反映垃圾填埋场影响地下水质量.

2.3 污染物空间分布

通过SOM将全部指标以及监测井聚类结果映射到神经元上,根据神经元形成的特征图像比对指标间的关联性(见图 23).根据平谷区的水文地质情况映射到3个维度,分别代表了平谷区山前地带、过渡地带和平原地带[6].将特征图像以图片正中心为原点建立直角坐标系分析,神经元激活位置一致则说明指标正相关,反之则说明指标负相关.由图 23可见:①Na+响应区域位于第四象限,并且与平原地带特征图像吻合,表明了平原地带人为活动的影响;NH4+响应区域位于第三、四象限交界处,反映了NH4+兼受山前地带林业、种植业以及平原地带农业养殖业的双重影响;CO2分布与山前地带监测井特征图谱相似,均位于第二、第三象限,说明由于山前地带多为极弱富水区或弱富水区,降水过程中下渗极快,CO2组分不易逸失,据此判断PCA中的公因子F3代表了雨水下渗作用. ②NH4+、NO2、NO3-的响应区域分别位于不同象限,反映了3种污染物的空间分布特征不同,来源不一致.平谷盆地山前地带含水层结构较为单一,以粗中砂夹卵砾石,砂、卵石夹中粗砂为主,而第四系沉积物主要分布在冲洪积平原,沉积厚度从数米至数百米不等,岩性为卵砾石夹粗砂.在此条件下,NH4+作为阳离子较容易与土壤中阳离子发生交换,从而导致山前地带NH4+浓度低于平原地带;同时,山前地带水文地质条件也提供了良好的氧化氛围,影响了NO3-的分布(见图 4).

图 2 主要监测指标映射到SOM上的特征图谱 Fig.2 Result of main components in SOM picture

图 3 监测井映射到SOM上的特征图谱 Fig.3 SOM pictures of all wells

图 4 研究区域NH4+、NO3-和NO2污染物空间分布 Fig.4 Spatial distribution of NH4 +, NO3- and NO2 pollutants in the study area

从NH4+、NO2、NO3-三者的特征图谱响应强度来看,NO3-远超出NH4+和NO2,揭示NO3-污染可能是历史累积因素所致. Fe(Ⅱ)与Fe(Ⅲ)的响应区域也位于不同象限,Fe(Ⅱ)更接近分布在山前地带,而Fe(Ⅲ)更接近分布在山前地带、平原地带,其原因也与山前地带比平原地带氧化氛围更好有关. ③从重金属分布上看,Cr6+、Cd、Al、Hg、Zn分布在山前地带,Cu、Mn、As分布在平原地带,Se在山前地带、平原地带和过渡地带均有分布,整体上保持自然背景水平[31].从有机物分布上,VP、CN分别分布在山前地带、过渡地带,由于此区域存在一定的村落和工业园区,因此有机物来源于人类活动;同时,Cd、Al、CN均在相同或相邻位置激活神经元,反映二者在一定程度上具有同源性.

3 结论

a) 平谷区地下水电导率与ρ(Ca2+)(p=0.936)、总碱度与ρ(HCO32-)(p=0.981)、ρ(Mg2+)与总硬度(p=0.944)指标之间呈显著相关,地下水化学类型主要以HCO3-Ca型为主,其次为HCO3-Mg型.地下水中Ca2+、Mg2+、HCO3-均为自然起源.平谷区地下水中NH4+、SO42-、Cd、Fe(Ⅱ)、NO2指标的空间分布离散性和差异性较大,说明上述指标存在局部富集现象.

b) PCA结果表明,影响平谷区地下水水质的8个公因子中,首要影响因子为溶滤-富集作用(贡献率为22.398%)、次要影响因子为农业、养殖业和填埋场等人为活动作用(贡献率为16.533%),雨水下渗作用(贡献率为8.035%)、工业源人为活动(贡献率为7.466%)对地下水也有一定影响. As分布于平原地带,来源于地质环境背景因子.西部平原区ρ(F-)大于东部近山区部分,反映该区域存在潜在F-污染.

c) SOM补充解释了PCA方法中非公因子的污染指标关联性和来源,反映了NH4+兼受山前地带林业、种植业和平原地带农业养殖业的双重影响;同时,NH4+、NO3-、NO2三者之间及Fe(Ⅱ)与Fe(Ⅲ)之间来源不同,Cd、Al、CN三者具有同一来源.

参考文献
[1]
马晋, 何鹏, 杨庆, 等. 基于回归分析的地下水污染预警模型[J]. 环境工程, 2019, 37(10): 211-215.
MA Jin, HE Peng, YANG Qing, et al. Early warning model for groundwater pollution based on regression analysis[J]. Environmental Engineering, 2019, 37(10): 211-215. (0)
[2]
张景华, 陈晓梅, 李世君, 等. 应急水源地开采以来平谷平原区地下水动态分析[J]. 北京水务, 2016(6): 5-8.
ZHANG Jinghua, CHEN Xiaomei, LI Shijun, et al. Analysis of groundwater dynamic in plain area of Pinggu since the emergency water source exploitation[J]. Beijing Water, 2016(6): 5-8. (0)
[3]
徐海珍, 李国敏, 张寿全, 等. 北京市平谷区地下水三维数值模拟及管理应用[J]. 水文地质工质, 2011, 38(2): 27-34.
XU Haizhen, LI Guomin, ZHANG Shouquan, et al. Development of a 3-D numerical groundwater flow model of the Pinggu Basin and groundwater resources management[J]. Hydrogeology and Engineering Geology, 2011, 38(2): 27-34. (0)
[4]
马静晨, 戴国锋, 姜辉, 等. 干旱条件下平谷区地下水资源变化与恢复调控措施[J]. 城市地质, 2014(2): 24-27.
MA Jingchen, DAI Guofeng, JIANG hui, et al. Measures under drought on regulating groundwater resources change and recovery in Pinggu Basin[J]. City Geology, 2014(2): 24-27. (0)
[5]
姜体胜, 曲辞晓, 王明玉, 等. 北京平谷平原区浅层地下水化学特征及成因分析[J]. 干旱区资源与环境, 2017, 31(11): 122-127.
JIANG Tisheng, QU Cixiao, WANG Mingyu, et al. Hydrochemical characteristics of shallow groundwater and the origin in the Pinggu Plain, Beijing[J]. Journal of Arid Land Resources and Environment, 2017, 31(11): 122-127. (0)
[6]
侯佳均, 李晓, 胡伟, 等. 平谷地下水水质评价与主要污染物筛选[J]. 甘肃水利水电技术, 2019, 55(12): 1-6.
HOU Jiayun, LI Xiao, HU Wei, et al. Groundwater quality evaluation and screening of major pollutants in Pinggu[J]. Gansu Water Resources and Hydropower Technology, 2019, 55(12): 1-6. (0)
[7]
曹阳, 杨耀栋, 申月芳. 地下水污染源解析研究进展[J]. 中国水运, 2018, 18(9): 114-116.
CAO Yang, YANG Yaodong, SHEN Yuefang. Research progress on groundwater pollution source analysis[J]. China Water Transport, 2018, 18(9): 114-116. (0)
[8]
HUANG C H, LI J X, SIN K. An inverse problem in estimating the strength of contaminant source for groundwater systems[J]. Applied Mathematical Modelling, 2008, 32: 417-431. (0)
[9]
MIRGHANI B Y, MAHINTHA K G, TRYBY M E, et al. A parallel evolutionary strategy based simulation-optimization approach for solving groundwater source identification problems[J]. Advances in Water Resources, 2009, 32: 1373-1385. (0)
[10]
AYVAZ M T. A linked simulation-optimization model for solving the unknown groundwater pollution source identification problems[J]. Journal of Contaminant Hydrology, 2010, 117: 46-59. (0)
[11]
赵庆良, 马慧雅, 任玉芬, 等. 利用δ15N-NO3-和δ18O-NO3-示踪北京城区河流硝酸盐来源[J]. 环境科学, 2016, 37(5): 1692-1698.
ZHAO Qingliang, MA Huiya, REN Yufen, et al. δ15N-NO3- and δ18O-NO3- tracing of nitrate sources in Beijing urban rivers[J]. Environmental Science, 2016, 37(5): 1692-1698. (0)
[12]
傅雪梅, 孙源媛, 苏婧, 等. 基于水化学和氮氧双同位素的地下水硝酸盐源解析[J]. 中国环境科学, 2019, 39(9): 3951-3958.
FU Xuemei, SUN Yuanyuan, SU Jing, et al. Source of nitrate in groundwater based on hydrochemical and dual stable isotopes[J]. China Environmental Science, 2019, 39(9): 3951-3958. (0)
[13]
周爱国, 李小倩, 刘存富, 等. 氯代挥发性有机物(VOCs)氯同位素测试技术及其在地下水污染中的应用研究进展[J]. 地球科学进展, 2008, 23(4): 342-349.
ZHOU Aiguo, LI Xiaoqian, LIU Cunfu, et al. Review of analytical methods for chlorine isotopes in chlorinated volatile organic compounds and application in groundwater contamination[J]. Advance in Earth Sciences, 2008, 23(4): 342-349. (0)
[14]
ZAPOROZEC A. Graphical Interpretation of water-quality data[J]. Groundwater, 1972, 10(2): 32-43. (0)
[15]
OLESON S G, CARR J R. Correspondence analysis of water quality data:implications for fauna deaths at Stillwater lakes, Nevada[J]. Mathematical Geology, 1990, 22(6): 665-698. (0)
[16]
刘玥, 薛喜成, 何勇. 灰色关联分析在铅锌矿区地表水重金属污染评价中的应用[J]. 能源环境保护, 2009, 23(2): 55-57.
LIU Yue, XUE Xicheng, HE Yong. Application of gray correlation analysis in the lead-zinc zone of heavy metal contamination of surface water evaluation[J]. Energy Environmental Protection, 2009, 23(2): 55-57. (0)
[17]
杨海燕, 夏正楷. 模糊数学在地下水资源污染评价中的应用[J]. 水土保持研究, 2005, 12(4): 107-109.
YANG Haiyan, XIA Zhengkai. The appliance of fuzzy mathematics to the polluted evaluation of groundwater resources[J]. Research of Soil and Water Conservation, 2005, 12(4): 107-109. (0)
[18]
周淑敏. 秦皇岛市地下水污染现状及评价[J]. 河北建筑科技学院学报, 1998(1): 25-31.
ZHOU Shumin. Status and evaluation of groundwater pollution in Qinhuangdao[J]. Journal of Hebei Institute of Architectural Science and Technology, 1998(1): 25-31. (0)
[19]
DUFFY C J, BRANDES D. Dimension reduction and source identification for multispecies groundwater contamination[J]. Journal of Contaminant Hydrology, 2001, 48(1): 151-165. (0)
[20]
GOODCHILD M F, STEYAERT L T. Environmental modeling with GIS[M]. New York: Oxford University Press, 1993. (0)
[21]
KHAN H H, KHAN A, AHMED S, et al. GIS-based impact assessment of land-use changes on groundwater quality:study from a rapidly urbanizing region of South India[J]. Environmental Earth Sciences, 2011, 63(6): 1289-1302. (0)
[22]
DIXON B. A case study using support vector machines, neural networks and logistic regression in a GIS to identify wells contaminated with nitrate-N[J]. Hydrogeology Journal, 2009, 17(6): 1507-1520. (0)
[23]
刘飞, 刘志斌. 自组织特征映射网络在水质分类中的应用[J]. 露天采矿技术, 2007(5): 74-76.
LIU Fei, LIU Zhibin. Application of self-organizing feature map in water quality classification[J]. Opencast Mining Technology, 2007(5): 74-76. (0)
[24]
BELKHIRI L, MOUNI L, TIRI A, et al. Evaluation of groundwater quality and its suitability for drinking and agricultural purposes using Self-Organizing Maps[J]. International Journal of Geological and Environmental Engineering, 2017, 11(8): 705-709. (0)
[25]
张春乐, 方崇, 黄伟军. 基于SOM神经网络的地下水灌溉水质综合评价[J]. 江苏农业科学, 2010(3): 452-454.
ZHANG Chunle, FANG Cong, HUANG Weijun. Study on water quality evaluation of groundwater irrigation based on SOM neural network[J]. Jiangsu Agricultural Sciences, 2010(3): 452-454. (0)
[26]
CHOI B Y, YUN S T, KIM K H, et al. Hydrogeochemical interpretation of South Korean groundwater monitoring data using Self-Organizing Maps[J]. Journal of Geochemical Exploration, 2014, 137: 73-84. (0)
[27]
张宽义.河北省土壤水资源分区评价方法研究[D].保定: 河北农业大学, 2007: 40. (0)
[28]
UNGLERT K, RADIĆ V, JELLINEK A M. Principal component analysis vs self-organizing maps combined with hierarchical clustering for pattern recognition in volcano seismic spectra[J]. Journal of Volcanology and Geothermal Research, 2016, 320: 58-74. (0)
[29]
寇文杰, 赵微, 杨庆, 等. 基于水质评价的北京市地下水资源开发利用分区[J]. 南水北调与水利科技, 2012(6): 100-103.
KOU Wenjie, ZHAO Wei, YANG Qing, et al. Partition of groundwater resources utilization in Beijing based on water quality assessment[J]. South-to-North Water Transfers and Water Science & Technology, 2012(6): 100-103. (0)
[30]
卫生部. GB/T 14848-2017地下水质量标准[S].北京: 中国标准出版社, 2017. (0)
[31]
崔萌, 孙向阳, 李素艳, 等. 北京市桃主产区土壤重金属空间结构特征及来源[J]. 福建农林大学学报(自然科学版), 2019, 48(2): 238-243.
CUI Meng, SUN Xiangyang, LI Suyan, et al. Spatial structure characteristics and origins of soil heavy metals in the main producing area for peach in Beijing[J]. Journal of Fujian Agriculture and Forestry University (Natural Science Edition), 2019, 48(2): 238-243. (0)