Scientific journal
Advances in current natural sciences
ISSN 1681-7494
"Перечень" ВАК
ИФ РИНЦ = 0,775

FACTOR ANALYSIS OF POLLUTION SPRINGS

Mazurkin P.M. 1 Tarasova E.I. 1
1 Volga State University of Technology
We received a pattern of mutual influence of the concentration to 22 types of pollution seven springs, which was selected to study the relationships between modeling. The full correlation matrix monarny (on the basis of rangovy or rating distribution) and binary (between couples of mutually influencing factors) communications is given. The coefficient of functional connectivity is equal to the sum of coefficients of the correlation divided into work of number of lines on quantity of columns. These statistics for all network of springs are applicable by comparison of different territories. The first place as the influencing parameter occupies the total microbic number, and as a dependent indicator – chromaticity. The analysis of all 484 models showed that high predictive force weak and average factorial communications possess. They often lead to scientific and technical solutions of world novelty at the level of inventions.
springs
pollutants
factorial analysis
rating of factors
binary relations
regularities

Факторный анализ определяют как совокупность методов многомерного статистического анализа, применяемых для изучения взаимосвязей между значениями изучаемых параметров как показателей системы и одновременно как объясняющих переменных [2–4].

Предназначение экологического паспорта [5] – оценить и регламентировать объем вовлечения в хозяйственный оборот природных ресурсов, их первоначальное состояние и уровень воздействия предприятия на качество природных ресурсов и состояние окружающей природной среды. Все паспорта выбранных нами для моделирования факторных связей между видами загрязнения родников были взяты из [5].

Факторный анализ – это выявление устойчивых закономерностей изменений значений каждого из множества учитываемых параметров изучаемой системы, а также математических связей между всеми факторами.

Предлагаемый нами метод анализа позволяет не только устанавливать причинно-следственные связи, но и давать им количественную характеристику, т. е. обеспечивать измерение влияния факторов (влияющие параметры системы) на результаты (зависимые параметры системы). Это делает факторный анализ точным методом, а выводы – обоснованными, в особенности на основе осмысления апостериорной информации, появляющейся дополнительно к имеющейся до проведения моделирования априорной информации.

Нами принимается допущение, что факторы исследователем выделены и соответствующая табличная модель составлена. Тогда факторный анализ смещается в сторону выявления функциональных математических связей между уже выделенными факторами.

Биотехнические закономерности, в особенности с волновыми составляющими колебательного возмущения в процессе поведения изучаемой системы, как правило, получают критерий тесноты связи по высоким значениям из данных [2, 3]. Поэтому рекомендуется разделить уровни коэффициента корреляции на отдельные подуровни. Однозначную закономерность с коэффициентом корреляции 1,0000 может получить выборка с малым количеством наблюдений.

В табл. 1 приведена концентрация загрязнения по 23 видам загрязнения семи родников, отобранных для исследования моделированием взаимосвязей между факторами.

Таблица 1

Исходные данные для факторного анализа показателей загрязнения родников

Родник

Мутность

Цветность

Водородный

 показатель

Жесткость

Окисляемость

 перманганатная

Хлориды

Сульфаты

Железо

 общее

Аммоний

Нитраты

Нитриты

Сухой

 остаток

Нефтепродукты

Красная гора

0,6

3

6,07

0,35

0,6

1,5

10

0,05

0,05

5,94

0,008

826

0

Соколиный

14

0

6,72

1,6

3,2

14,5

22

0,03

0,1

31,17

0,003

34

0

Тюриково

0

8

7,62

8,9

3

5

15

0,04

0,1

37,97

0,139

996

0,02

Чичулин

1,3

5

6,16

1,6

3

7

0,06

0,1

20,29

0,011

985

0

0,001

Мельцево

0

0

7,64

6,4

1,4

3

9

0,08

0,05

2,82

0,004

650

0,02

Обнорский

0

3

7,32

1,2

44,08

49,85

6,3

1

8,4

22

22

11,5

0,03

Варваринское

0,2

1

8,03

4,5

53,11

23,71

4,6

0,42

9,5

8,8

3

21

0,03

Окончание табл. 1

Родник

Фенолы

Мышьяк

Свинец

Медь

Цинк

ХПК

БПК5

Марганец

СПАВ

Общее микробное число

Красная гора

-

0,005

0,036

0,003

0,004

10,4

2,1

0,008

0,015

105

Соколиный

0,001

0,005

0,03

0,004

0,005

13,6

1,9

0,008

0,045

26

Тюриково

0,001

0,005

0,018

0,003

0,005

19,2

1,8

0,474

0,04

197

Чичулин

0,001

0,024

0,002

0,004

4,8

0,6

0,015

0,015

85

1,6

Мельцево

0,005

0,005

0,026

0,003

0,011

8

1

0,008

0,035

7,64

Обнорский

0,001

31,17

0,003

34

0

0,001

0,005

0,03

0,004

0,005

Варваринское

0,1

0,005

2,34

286

0

8,4

0,5

0,008

0,06

70

В начале данные по концентрации (мг/л), по баллам и численности микробов рассматривается на полноту. Если вид загрязнения имеет мало количественных значений, то такой ингредиент исключается. В исходных данных [5] все отобранные виды гидрохимического и иного загрязнения имеют максимальную полноту.

Выбор факторов происходит по условиям:

1) отбираем те факторы, у которых изменяются значения;

2) отбираем те факторы, у которых мало отсутствуют значения.

Убираем фенолы, т.к. у показателя почти одинаковые значения.

Ранговое распределение, по увеличению любого показателя, делает экологическое состояние воды родника хуже. Поэтому ранги расставляем по возрастанию любого показателя.

В табл. 2 приведена полная корреляционная матрица монарных (на основе рангового или рейтингового распределения) и бинарных (между парами взаимно влияющих факторов) связей между 22 факторами. В ней, кроме значений коэффициента корреляции монарных (по ранговым распределением значений каждого фактора) и бинарных (влияние факторов друг на друга), приведены суммы коэффициентов корреляции и рейтинговое место каждого фактора по убыванию этой суммы.

Один и тот же фактор оценивается дважды: вначале как влияющая (по оси абсцисс) переменная , а затем как зависимый показатель (по оси ординат) . В двух последних столбцах приведен рейтинг по влияющим переменным, а по двум последним строкам – как показателей.

Коэффициент функциональной связности будет равен общей сумме коэффициентов корреляции 174,274, разделенной на произведение число строк на количество столбцов корреляционной матрицы. Тогда получим 174,274/(22·22) = 174,274/484 = 0,3601.

Этот статистический показатель для всей сети родников применим при сопоставлении разных территорий по множествам родников. В нашем примере этот критерий косвенно дает экологическую оценку всего множества отобранных для сравнения семи родников.

По влияющим параметрам и зависимым показателям рейтинг загрязняющих веществ определился следующей последовательностью (табл. 3) мест.

Таблица 2

Корреляционная матрица и рейтинг гидрохимических показателей

Влияющие факторы x

Зависимые факторы (показатели) y

 

Цветность

Мутность

РН

Сухой остаток

Жесткость

Окисляемость

БПК-полное

АСПАВ

Цветность

0,9992

0,615

0,125

0,508

0,468

0,433

0,029

0,371

Мутность

0,639

0,9991

0,157

0,423

0,118

0,281

0,405

0,295

рН

0,124

0,211

0,9994

0,039

0,695

0,237

0,190

0,588

Сухой остаток

0,671

0,340

0

0,9540

0

0,028

0

0,004

Жесткость общ.

0,439

0,275

0,7101

0,653

0,9691

0,205

0,189

0,500

Окисляемость

0,378

0,7800

0,259

0,016

0,182

0,9914

0,192

0,076

БПК-полное

0,027

0,399

0,191

0,623

0,197

0,186

0,9737

0,254

АСПАВ

0,266

0,235

0,595

0,003

0,481

0,062

0,239

0,9686

Нефтепродукты

0,014

0,665

0,8837

0,684

0,406

0,449

0,434

0,205

Аммоний солевой

0,209

0,284

0,547

0,667

0,112

0,608

0,599

0,114

Нитрит-ион

0,012

0

0,214

0,500

0,289

0,503

0,615

0,459

Нитрат-ион.

0,405

0,364

0,267

0,175

0,048

0,528

0,443

0,231

Сульфат-ион.

0,135

0,9914

0,028

0,219

0,142

0,499

0,7146

0,368

Хлорид-ион.

0,084

0,0262

0,019

0,604

0,377

0,149

0,119

0,366

Железо

0,092

0,9914

0,328

0,574

0,249

0,552

0,8868

0,315

Марганец

0,7853

0,347

0,310

0

0,7364

0,429

0,349

0,182

Медь

0,180

0,500

0,594

0,003

0,304

0,580

0,046

0,685

Цинк.

0,132

0,231

0,040

0,449

0,426

0,257

0,311

0,101

Мышьяк

0,325

0,085

0,527

0,361

0,265

0,431

0,505

0,345

Свинец

0,292

0,168

0,542

0,322

0,149

0,503

0,249

0,650

ХПК

0,442

0,231

0,218

0,647

0,637

0,372

0,7576

0,539

Общее микробное число

0

0,184

0

0

0

0

0

0,288

Сумма ΣR показателей

6,6505

8,7381

7,5542

7,47

7,2505

8,2834

8,2467

7,6166

Рейтинговое место Iy

1

13

4

3

2

10

9

5

Продолжение табл. 2

Влияющие факторы x

Нефтепродукты

Аммоний

солевой

Нитрит-ион.

Нитрат-ион

Сульфат-ион

Хлорид-ион.

Железо

Мышьяк

Цветность

0,016

0,169

0,008

0,426

0,188

0,080

0,393

0,281

Мутность

0,8556

0,405

0,451

0,454

0,739

0,368

0,444

0,077

РН

0,566

0,566

0,169

0,228

0,025

0,016

0,300

0,500

Сухой остаток

0,075

0,546

0,430

0,193

0,302

0

0,504

0,816

Жесткость общ

0,432

0,566

0,283

0,385

0,181

0,398

0,240

0,256

Окисляемость

0,452

0,644

0,304

0,481

0,423

0,172

0,442

0,427

БПК-полное

0,412

0,542

0,623

0,420

0,7732

0,394

0,677

0,553

АСПАВ

0,03

0,609

0,9887

0,214

0,317

0,478

0,8715

0,326

Нефтепродукты

0,9635

0,9943

0,7403

0,134

0,256

0,196

0,8744

0,429

Аммоний солевой

0,7636

0,9872

0,616

0,021

0,393

0,338

0,393

0,255

Нитрит-ион

0,546

0,633

0,9929

0,174

0,148

0,806

0,9407

0,200

Нитрат-ион

0,126

0,017

0,124

0,9697

0,737

0,389

0,048

0,126

Сульфат-ион

0,215

0,323

0,191

0,7095

0,9619

0,190

0,309

0,8925

Хлорид-ион

0,209

0,464

0,9868

0,412

0,151

0,9746

0,151

0,051

Железо

0,631

0,729

0,9976

0,070

0,8439

0,552

0,9732

0,173

Марганец

0,193

0,215

0,122

0,669

0,322

0,132

0,192

0,159

Медь

0,509

0,654

0,405

0,211

0,221

0,7909

0,061

0,381

Цинк

0,612

0,9973

0,7427

0,128

0,254

0,417

0,8793

0,015

Мышьяк

0,429

0,255

0,193

0,459

0,583

0,059

0,179

0,9999

Свинец

0,178

0,698

0,042

0,198

0,292

0,542

0,208

0,174

ХПК

0,136

0,387

0,9887

0,7474

0,7269

0,485

0,6574

0,569

Общее микробное число

0,005

0

0

0

0,341

0,539

0,8705

0,393

Сумма показателей

8,3497

11,4008

10,3987

7,7036

8,8379

7,7775

9,7375

7,6604

Рейтинговое место

11

18

17

7

14

8

15

6

Окончание табл. 2

Влияющие факторы x

Свинец

ХПК

Марганец

Медь

Цинк

Общее микробное число

Сумма коэфф. корреляции

Рейтинговое место

Цветность

0,253

0,286

0,371

0,198

0,223

0,7563

6,2172

1

Мутность

0,195

0,295

0,491

0,330

0,095

0,264

8,4217

13

рН

0,9974

0,215

0,766

0,523

0,036

0,197

7,9548

9

Сухой остаток

0,331

0,678

0,482

1,484

1,124

0,893

6,884

3

Жесткость общ

0,106

0,630

0,9961

0,377

0,394

0,7192

8,7903

17

Окисляемость

0,9991

0,322

0,406

0,349

0,284

0,076

8,2955

11

БПК-полное

0,199

0,7933

0,309

0,058

0,341

0,595

8,6042

16

АСПАВ

0,9950

0,516

0,138

0,633

0,076

0,276

8,9658

19

Нефтепродукты

0,431

0,117

0,151

0,494

0,264

0,048

9,5212

15

Аммоний солевой

0,431

0,423

0,231

0,525

0,7688

0,202

8,5168

14

Нитрит-ион

0,029

0,553

0,171

0,199

0,770

0,326

7,9846

10

Нитрат-ион

0,156

0,676

0,9655

0,217

0,881

0,7041

7,0122

4

Сульфат-ион

0,253

0,690

0,7146

0,254

0,273

0,273

8,8005

18

Хлорид-ион

0,318

0,356

0,233

0,379

0,368

0,441

6,4296

2

Железо

0,136

0,7384

0,396

0,047

0,698

0,355

10,2753

21

Марганец

0,366

0,669

0,9991

0,019

0,081

0,8359

7,1958

6

Медь

0,9999

0,166

0,014

0,9999

0,221

0,243

8,3047

12

Цинк

0,639

0,262

0,058

0,259

0,9474

0,029

7,2103

7

Мышьяк

0,175

0,517

0,161

0,311

0,017

0,343

7,1649

5

Свинец

0,9999

0,003

0,186

0,9392

0,474

0,076

7,3351

8

ХПК

0,002

0,9489

0,481

0,204

0,279

0,8623

10,1769

20

Общее микробное число

0

0,7781

0,481

0,333

0

1

4,2126

0

Сумма показателей

9,0113

9,8546

8,7203

8,7991

7,7036

8,8379

174,274

-

Рейтинговое место

14

16

12

7

14

8

-

0,3601

Таблица 3

Место факторов по рейтингу

Наименование фактора

Рейтинговое место

 

по влиянию

как показателя

Цветность

1

1

Мутность

13

13

рН

9

4

Сухой остаток

3

3

Жесткость общ

17

2

Окисляемость

11

10

БПК-полное

16

9

АСПАВ

19

5

Нефтепродукты

15

11

Аммоний солевой

14

18

Нитрит-ион

10

17

Нитрат-ион

4

7

Сульфат-ион

18

14

Хлорид-ион

2

8

Железо

21

15

Марганец

6

12

Медь

12

7

Цинк

7

14

Мышьяк

5

6

Свинец

8

14

ХПК

20

16

Общее микр. число

0

8

Как видно из данных табл. 3, оба рейтинга частично не совпадают друг с другом. Например, цветность и мутность одинаковы по занимаемым рейтинговым местам.

Таких загрязнителей относительно мало. Большинство из них асинхронны, например, кислотность воды как переменный фактор занимает девятое место, а как показатель становится выше по рейтингу – четвертое место. Поэтому этот вид загрязнения учитывается во всех методиках биохимического анализа проб речной [2, 3] или иной [4] воды.

Первое место как влияющий параметр занимает общее микробное число, а как зависимый показатель – цветность. Последнее место как влияющая переменная занимает железо, а как зависимый показатель – аммоний солевой. Однако, в разных регионах, по-видимому, будут отличающиеся друг от друга рейтинги загрязнителей родниковой воды. Это зависит от минерализации природных вод и уровня загрязненности природным, точнее природно-техническим, и особенно антропогенным загрязнением подземных вод и самих родников.

Затем ранговые распределения можно не показывать, если они не учитываются в принятии научно-технических решений (они учитываются для оценки добротности измеренных значений факторов). Поэтому в корреляционной матрице в клетки по диагонали ставится, как правило, в традиционном факторном анализе, цифра «единица». Будем ставить по диагоналям пустые клетки, чтобы выделить только бинарные отношения между факторами.

В табл. 4 приведена корреляционная матрица бинарных связей между 22 факторами.

Таблица 4

Корреляционная матрица гидрохимических и иных показателей родниковой воды

Влияющие факторы x

Цветность

Мутность

РН

Сухой остаток

Жесткость общ

Окисляемость

БПК-полное

АСПАВ

Нефтепродукты

Аммоний солевой

Нитрит-ион

Цветность

 

0,615

0,125

0,508

0,468

0,433

0,029

0,371

0,016

0,169

0,008

Мутность

0,639

 

0,157

0,423

0,118

0,281

0,405

0,295

0,8556

0,405

0,451

рН

0,124

0,211

 

0,039

0,695

0,237

0,190

0,588

0,566

0,566

0,169

Сухой остаток

0,671

0,340

0

 

0

0,028

0

0,004

0,075

0,546

0,430

Жесткость общ

0,439

0,275

0,7101

0,653

 

0,205

0,189

0,500

0,432

0,566

0,283

Окисляемость

0,378

0,7800

0,259

0,016

0,182

 

0,192

0,076

0,452

0,644

0,304

БПК-полное

0,027

0,399

0,191

0,623

0,197

0,186

 

0,254

0,412

0,542

0,623

АСПАВ

0,266

0,235

0,595

0,003

0,481

0,062

0,239

 

0,03

0,609

0,9887

Нефтепродукты

0,014

0,665

0,8837

0,684

0,406

0,449

0,434

0,205

 

0,9943

0,7403

Аммоний солевой

0,209

0,284

0,547

0,667

0,112

0,608

0,599

0,114

0,7636

 

0,616

Нитрит-ион

0,012

0

0,214

0,500

0,289

0,503

0,615

0,459

0,546

0,633

 

Нитрат-ион

0,405

0,364

0,267

0,175

0,048

0,528

0,443

0,231

0,126

0,017

0,124

Сульфат-ион

0,135

0,9914

0,028

0,219

0,142

0,499

0,7146

0,368

0,215

0,323

0,191

Хлорид-ион

0,084

0,0262

0,019

0,604

0,377

0,149

0,119

0,366

0,209

0,464

0,9868

Железо

0,092

0,9914

0,328

0,574

0,249

0,552

0,8868

0,315

0,631

0,729

0,9976

Марганец

0,7853

0,347

0,310

0

0,7364

0,429

0,349

0,182

0,193

0,215

0,122

Медь

0,180

0,500

0,594

0,003

0,304

0,580

0,046

0,685

0,509

0,654

0,405

Цинк

0,132

0,231

0,040

0,449

0,426

0,257

0,311

0,101

0,612

0,9973

0,7427

Мышьяк

0,325

0,085

0,527

0,361

0,265

0,431

0,505

0,345

0,429

0,255

0,193

Свинец

0,292

0,168

0,542

0,322

0,149

0,503

0,249

0,650

0,178

0,698

0,042

ХПК

0,442

0,231

0,218

0,647

0,637

0,372

0,7576

0,539

0,136

0,387

0,9887

Общее микр. число

0

0,184

0

0

0

0

0

0,288

0,005

0

0

Продолжение табл. 4

Влияющие факторы x

Нитрат-ион

Сульфат-ион

Хлорид-ион

Железо

Мышьяк

Свинец

ХПК

Марганец

Медь

Цинк

Общее микр.число

1

2

3

4

5

6

7

8

9

10

11

12

Цветность

0,426

0,188

0,080

0,393

0,281

0,253

0,286

0,371

0,198

0,223

0,7563

Мутность

0,454

0,739

0,368

0,444

0,077

0,195

0,295

0,491

0,330

0,095

0,264

рН

0,228

0,025

0,016

0,300

0,500

0,9974

0,215

0,766

0,523

0,036

0,197

Сухой остаток

0,193

0,302

0

0,504

0,816

0,331

0,678

0,482

1,484

1,124

0,893

Жесткость

0,385

0,181

0,398

0,240

0,256

0,106

0,630

0,9961

0,377

0,394

0,7192

Окисляемость

0,481

0,423

0,172

0,442

0,427

0,9991

0,322

0,406

0,349

0,284

0,076

БПК-полное

0,420

0,7732

0,394

0,677

0,553

0,199

0,7933

0,309

0,058

0,341

0,595

АСПАВ

0,214

0,317

0,478

0,8715

0,326

0,9950

0,516

0,138

0,633

0,076

0,276

Нефтепродукты

0,134

0,256

0,196

0,8744

0,429

0,431

0,117

0,151

0,494

0,264

0,048

Аммоний сол.

0,021

0,393

0,338

0,393

0,255

0,431

0,423

0,231

0,525

0,7688

0,202

Нитрит-ион

0,174

0,148

0,806

0,9407

0,200

0,029

0,553

0,171

0,199

0,770

0,326

Нитрат-ион

 

0,737

0,389

0,048

0,126

0,156

0,676

0,9655

0,217

0,881

0,7041

Сульфат-ион

0,7095

 

0,190

0,309

0,8925

0,253

0,690

0,7146

0,254

0,273

0,273

Хлорид-ион

0,412

0,151

 

0,151

0,051

0,318

0,356

0,233

0,379

0,368

0,441

Железо

0,070

0,8439

0,552

 

0,173

0,136

0,7384

0,396

0,047

0,698

0,355

Марганец

0,669

0,322

0,132

0,192

0,159

0,366

0,669

 

0,019

0,081

0,8359

Медь

0,211

0,221

0,7909

0,061

0,381

0,9999

0,166

0,014

 

0,221

0,243

Цинк

0,128

0,254

0,417

0,8793

0,015

0,639

0,262

0,058

0,259

 

0,029

Мышьяк

0,459

0,583

0,059

0,179

 

0,175

0,517

0,161

0,311

0,017

0,343

Свинец

0,198

0,292

0,542

0,208

0,174

 

0,003

0,186

0,9392

0,474

0,076

ХПК

0,7474

0,7269

0,485

0,6574

0,569

0,002

 

0,481

0,204

0,279

0,8623

Общее микр.число

0

0,341

0,539

0,8705

0,393

0

0,7781

0,481

0,333

0

 

Бинарным называется отношение не самим с собой, как это было в ранговом распределении, то есть в монарном отношении факторов, а между различными факторами. Пока математически не удается выявить закономерности в отношениях между тремя и более учитываемыми факторами. Но можно выполнить последовательный многофакторный анализ, однако такую методику в данной брошюре не приводим.

Как показало сравнение с результатами анализа речной воды [2, 3], в наших примерах моделирования получилось уравнение только с одной составляющей вида

Eqn30.wmf (1)

Во всех 22·22 = 484 выявленных уравнениях второй параметр модели (1) равен 0, а четвертый параметр в большинстве случаев равен 1.

Тогда уравнение (1) упростится по конструкции и примет вид:

Eqn31.wmf (2)

В итоге получилось формула Eqn32.wmf – закон Лапласа (Ципфа в биологии, Парето в экономике, Мандельброта в физике) экспоненциального роста или гибели, относительно которого Лапласом был создан метод операторных исчислений.

Таким образом, закон Лапласа вполне относится к родниковой воде, но он не подходит для характеристики реакций в экологической химии между загрязнителями в сильно загрязненной речной или иной воде.

Анализ всех 484 моделей показал, что с научной точки зрения высокой предсказательной силой обладают слабые и средние факторные связи. К ним относятся те бинарные соотношения, которые имеют коэффициент корреляции в пределах 0,3 ≤ r < 0,5 по слабым и 0,5 ≤ r < 7 по средним факторным связям. Результаты анализа таких факторных связей, как правило, предопределяют направления дальнейших экспериментальных исследований. Они же зачастую приводят к научно-техническим решениям мировой новизны на уровне изобретений.

Далее выберем факторные связи с коэффициентом корреляции не менее 0,9 (табл. 5), а из остальных клеток исключаем значения коэффициента корреляции менее 0,9.

Таким образом, по количеству оставшихся, после исключения не значимых для данного уровня адекватности моделей, можно судить о широте факторных связей того или иного загрязнителя. Чем больше остается в таблице с повышенным уровнем адекватности формул, тем более активен загрязнитель с позиций экологической химии.

Тогда, в ближайшем будущем, можно будет оценивать эколого-химическую активность того или иного загрязнителя количественно. Это позволило бы систематизировать в будущем регионы, и даже локальные территории, по влиянию загрязнителей на общую систему биохимических и бактериологических веществ.

Остались 14 сильнейших математических зависимостей. Наибольшее влияние с коэффициентом корреляции 0,9999 оказывает влияние медь на концентрацию свинца в родниковой воде.

При этом по количеству бинарных связей получается следующий рейтинг (табл. 6) из 14 формул по мощности отношений:

– по количеству влияний на другие факторы как показатели:

АСПАВ – 2; железо – 2; остальные 10 загрязнителей – по одному;

– по количеству зависимых факторов у показателей:

свинец – 4; нитрит-ион – 3; мутность, аммоний солевой, марганец – по 2; медь – 1.

Как пример рассмотрим сильнейшую зависимость с коэффициентом корреляции 0,9974 (рисунок). Кислотность влияет на свинец в родниках по экспоненциальному закону роста

Eqn33.wmf (3)

Таблица 5

Корреляционная матрица при коэффициенте корреляции 0,9

Влияющие факторы x

Мутность

Аммоний солевой

Свинец

Марганец

Медь

Нитрит-ион

рН

   

0,9974

     

Жесткость

     

0,9961

   

Окисляемость

   

0,9991

     

АСПАВ

   

0,9950

   

0,9887

Нефтепродукты

 

0,9943

       

Нитрат-ион

     

0,9655

   

Сульфат-ион

0,9914

         

Железо

0,9914

       

0,9976

Медь

   

0,9999

     

Цинк

 

0,9973

       

Свинец

       

0,9392

 

ХПК

         

0,9887

pic_42.wmf

График влияния рН на свинец

Он показывает резкое увеличение концентрации свинца при увеличении концентрации водородного показателя со значения 7,4–7,6.

Модель (3) показывает, что минимальное значение свинца в родниках составляет 0,006413 мг/л. А при водородном показателе 8,0 свинец достигает концентрации 2,35 мг/л. Дальше, с увеличением водной кислотности, концентрация свинца резко возрастает. По-видимому, около Варваринского родника находится какой-то источник свинца.

Нужно подробно изучить свойства у 14 формул, чтобы обосновать принятие тех или иных экологических мер по уходу за родниками (результаты такого анализа не приводим, так как по Ярославской области мы не знаем эвристическую информацию). А при поиске принципиально новых научно-технических решений, в особенности на уровне изобретений мирового уровня новизны (способы и устройства), нужно затратить много времени и проанализировать слабые и даже связи между факторами с коэффициентом корреляции менее 0,3.

Все 14 формул в матричной форме записаны в табл. 6.

По рейтингу адекватности первое место занимает закономерность Cu → Pb, на втором – окисляемость → Pb, а на третьем – pH → Pb.

Свинец относится к опасным химическим веществам, поэтому влияние на него трех загрязнителей в родниковой воде наиболее сильное. Поэтому, прежде всего, нужно следить за концентрацией меди, окисляемости и уровня водородного показателя в роднике.

Таблица 6

Параметры закономерностей сверхсильных бинарных связей факторов

Структура влияния

Eqn34.wmf

Коэффициент корреляции

Место

a1

a2

a3

a4

pH → Pb

6,41299

0

7,32837

1

0,9974

3

жесткость → Mn

5,94764

0

1,28557

1

0,9961

5

Eqn35.wmf

2,12931

0

2,01580

1

0,9655

10

окисляемость → Pb

2,70637

0

-1,67996

1

0,9991

2

Cu → Pb

2,33991

0

-1,47242

1

0,9999

1

СПАВ → Pb

1,91012

0

1,56598

1

0,9950

6

Eqn36.wmf

6,46759

0

2,92375

1

0,9887

9

нефтепродукты → NH3

3,38885

0

2,62392

1

0,9943

7

Eqn37.wmf

2,74281

0

3,92568

1

0,9914

8

Fe → мутность

6,25113

0

2,80328

1

0,9914

8

Zn → NH3

8,34991

0

-1,11845

1

0,9973

4

Eqn38.wmf

2,12931

0

2,01581

1

0,9655

10

Pb → Cu

3,57771

0

1,10081

1

0,9392

11

Eqn39.wmf

2,22809

0

-1,26890

1

0,9887

9