为正表示两个变量之间呈现正相关并且系数值越大相关程度越高系数为负表示两个变量之间呈现负相关并且系数值越低相关程度越高。当Pearso
系数为零或者接近于零时表示两个变量之间几乎没有
f相关性。当两个重金属的相关系数为正而且很接近于1那么表示两种重金属污染物很有可能来自同一污染源。
我们采用SPSS软件得出Pearso
相关系数矩阵如下表所示
表228种重金属污染物和高程之间的Pearso
相关系数矩阵
f从相关性结果分析可见海拔与8种重金属污染元素之间都没有较强的负相关关系而8种土壤重金属污染元素之间都存在一定的交互作用其中的Cd与Cu、Pb、Z
有较强的正相关关系Cr与Cu、Ni有较强的正相关关系Cu与Pb、Z
有较强的正相关关系Hg与Pb有较强的正相关关系Pb与Z
有较强的正相关关系。我们不难发现土壤的重金属污染元素之间存在较强的正相关关系相关程度一般都比较大信息重叠度很高可以采用主成分分析的方法解决这一问题。
2基于主成分分析法的土壤重金属污染物的污染源解析
因为土壤中的重金属污染元素较多并且彼此之间往往存在一定的相关性故信息存在一定的重叠因子分析是通过降维的方法得到较少数量的综合指标综合指标之间互不相关而且又能较大限度的反映原观察指标的信息。我们用SPSS软件对8种重金属元素进行主成分分析解析污染源。得到的结果见下表
表23特征值和累计贡献率
提取的两个主成分因子解释了总方差的7514第一个因子解释了方差的5916第二个因子解释了方差的1598。
f因子载荷就是第i个变量与第j个因子的相关系数即表示xi依赖于Fj的分量比重统计学术语称作权心理学家称为载荷即表示第i个变量在第j个公共因子上的负荷它反映了第i个变量在第j个公共因子上的相对重要性。
在因子分析中通常只选其中m个mp主因子即根据变量的相关选出第一主因子1使其在各变量的公共因子方差中所占的方差贡献为最大然后消去这个因子的影响而从剩余的相关中选出与之不相关的因子使其在各个变量的剩余因子方差贡献中为最大如此往复直到各个变量公共因子方差被分解完毕为止。以上定义参考自百度百科
表24因子荷载矩阵
因子分析的主要目的是将具有相近因子载荷的各个变量置于一个公共因子之下变量与某个公共因子的联系变量载荷越大则该因子与变量之间的关系越近。由上表给出的因子载荷矩阵可以看出主成分1是Cd、Cr、Cu、Pb、Z
的组合说明这几种重金属污染元素很可能来自同一污染源主成分2是As、Ni的组合说明这两种重金属元素很可能来自同一污染源。又因为主成r