基于空间自相关的水污染空间聚类研究

王新成，王斌之，黄建毅

1.潍坊市环境监测中心站，山东潍坊 261041

2.北京联合大学应用文理学院，北京 100191

基于空间自相关的水污染空间聚类研究

王新成1，王斌之1，黄建毅2*

1.潍坊市环境监测中心站，山东潍坊 261041

2.北京联合大学应用文理学院，北京 100191

运用空间自相关分析方法对《中国环境质量报告2012》中全国地表水监测点位的溶解氧、高锰酸钾指数、五日生化需氧量、氨氮、石油类、挥发酚、汞和铅8项主要污染物水质常规监测指标进行了空间分布特征的定量研究。结果表明，各污染物的Moran指数都大于0，说明我国主要污染物的空间分布具有明显的空间自相关性；局部自相关分析的Moran散点图表明，各类污染物形成了多种空间分布格局。总体而言，我国污染物的扩散分布与地区社会经济有着密切关系，人口活动密集地区的水污染程度明显较高，如京津冀地区。从宏观格局看，我国水污染可分为东西、南北两大格局，东部沿海地区的水污染高集聚区明显高于中西部地区；北方地区的水环境污染状况比南方地区严重，且各种污染物指标在全国范围内有不同的集聚地域。

水污染；空间自相关；空间聚类

我国正处于工业化发展的中期阶段，工业和生活废弃物大量产生，加之农业和化肥的广泛使用，水资源环境面临着沉重压力，水污染问题正日益成为制约我国可持续发展的重要瓶颈［1］。水污染问题是一个复杂的社会经济环境问题，不同地区水污染特征有所不同，因此，识别我国污染物类型的空间分布特征及空间集聚区域，对从宏观层面采取有针对性的环境管理措施具有重要的现实意义［2］。

目前，学术界已开展了大量水污染聚类的研究工作，但采用的方法主要为传统聚类分析［3-5］。该方法只考虑了数据间的相互关系，对样点的空间分布及各变量的空间变异性考虑不足，从而影响聚类的分析结果［6-7］。空间自相关是一种重要的空间统计方法，可以用来检验某种地理现象或某一属性值的整体分布状况，并判断该现象或属性值在空间上是否有聚集特性存在，从而对研究对象进行聚类研究［8-10］。随着空间统计与分析软件的发展，利用空间自相关分析方法对社会经济现象空间分布特征的研究逐渐增多，并取得了许多重要研究成果［11-12］。笔者尝试将空间自相关分析方法引入水污染聚类研究中，对水污染评价指标的空间分布特征进行定量分析，并识别主要污染物空间分布规律，以期为水污染聚类分析提供思路。

1 研究方法

1.1 空间自相关分析

空间自相关分析是基于Tobler提出的地理学第一定律：事物彼此关联，但较近的事物比较远的关联性更强，因此空间自相关可以量测空间事物的分布是否具有自相关性，高自相关性表明空间现象有集聚性的存在［13］。空间自相关分析可分为全局和局部假设检验2种。

全局空间自相关反映的是全部研究对象间的相关性，Moran指数是常用的度量空间自相关的全局指标，其反映出空间邻接或空间邻近的区域单元属性值的相似程度，如果是位置（区域）的观测值，则该变量的全局Moran指数（I）可用下式计算：

式中，I为Moran指数；ωij为空间权重矩阵，空间相邻为1，不相邻为0；xi，xj分别为第i和j个观测点的污染物指标值。I的取值一般为［－1，1］，小于0表示负相关，等于0表示不相关，大于0表示正相关。

局部空间自相关分析有Getis's G的统计量，Moran散点图和LISA分布图等3种方法。Moran散点图能够具体区分区域单元和其邻居间的4种空间分布形式，包括高高类型区（H－H）、低低类型区（L－L）、高低类型区（H－L）和低高类型区（LH），从而可对污染物的空间集聚形式进行划分（表1）。研究采用Moran散点图来分析水污染的局部空间自相关性。

表1 污染物空间集聚形式划分Table 1 The division of spatial clustering for water pollutants

1.2 指标选择与数据处理

水体污染指标众多，但很多指标代表性不强或监测频次不能满足分析需要，选择我国水质常规监测指标中的溶解氧、高锰酸钾指数、五日生化需氧量、氨氮、石油类、挥发酚、汞、铅等8项指标进行定量研究。所有分析数据均来自《中国环境质量报告2012》［14］。为消除数据间的量纲差异，采用归一化方法对污染数据浓度值进行了标准化处理［15］。

2 结果与分析

2.1 全局空间自相关性分析

从各污染物的Moran指数看，虽然所有污染物呈正相关关系（污染物水平的空间集聚态势明显，即高污染水平区域和低污染水平区域分别在都研究区域中形成集中连片分布态势），但不同污染物的空间正相关性水平有所不同（表2），溶解氧、高锰酸盐指数、生化需氧量、氨氮的空间自相关性相对较高，石油类、汞、铅的空间自相关性其次，而挥发酚的空间自相关性最低。其与污染物的地域空间分布特征有关。

表2 8种水污染物的Moran指数Table 2 The Moran index of water pollutants

溶解氧、高锰酸盐指数、五日生化需氧量和氨氮是表征水体富营养化的重要指标，均具有较高的Moran指数，表明我国水体富营养化具有显著的空间集聚性；石油类、汞、铅3项表征水体有毒污染物的指标，Moran指数稍小，空间集聚性没有水体富营养化类污染物指标的空间自相关性强；挥发酚的Moran指数最低，具有离散的空间分布特征，没有明显的空间分布规律。

各污染指标空间部分特征与我国经济格局、污染物自身特征、检测手段等密切相关：1）由于人类社会经济活动具有明显的空间集聚性特征，导致水体富营养化现象也具有明显的空间集聚性。一般来讲，地区的社会经济活动密集、工农业生产发达，相应的富营养化污染物排放较多，从而形成了水体富营养化的高值集聚区，而人口社会经济活动不十分发达的地区，水体富营养化程度较低，形成了水体富营养化低值集聚区［16］。2）石油类、汞、铅等污染物的排放源主要来自各种重化工产业及矿产资源开发地区污染物的排放，但由于这类经济活动的地域分布特征，污染物的空间分布相对分散，空间分布的集中性特征并不明显。3）我国水体中汞、铅、挥发酚等污染物的污染相对较轻，监测断面水质多集中在Ⅰ类和Ⅱ类，因此也是这些污染物空间集聚较弱的重要原因。4）五日生化需氧量、高锰酸盐指数等检测仪器精度较低，多为《地表水环境质量标准》中一级标准限值的1/2左右。而五日生化需氧量、高锰酸盐指数等检测仪器检出限可达一级标准限值的1/6甚至更高，仪器检出限高造成数据分布更离散，表现在空间分布上就更容易形成空间集聚的格局。

2.2 局部空间自相关分析

利用GeoDa软件的局部空间自相关结果，并结合ArcGIS手段对我国国控地表水监测断面8项监测指标的Moran散点图进行地图化显示（图1）。

从图1可知，溶解氧的高高类型区主要分布于各大河流域的上游地区（由于溶解氧与水体污染程度呈负相关，即溶解氧数值越高，污染程度越低），低低类型区则主要集中于各大河流的出海口地区。整体来看，东部沿海地区溶解氧污染相对较重，而中西部地区相对较轻，这与我国经济活动布局表现出明显的空间一致性。我国溶解氧污染较重区域主要分布于太湖流域地区、海河流域、淮河流域和黄河中下游地区，这些地区也是我国水环境污染最为严重的地区。

高锰酸盐指数的高高类型区主要集中于黄河下游、海河流域、辽河流域和淮河地区，广东珠江的出海口地区；存在部分高低类型区；其余大部分地区为低低类型区。太湖流域高锰酸盐指数空间分布特征较为复杂，大部分地区为低低类型区，但内部夹杂着其他类型分布。由于五日生化需氧量与高锰酸指数具有明显的相关性，因而二者整体空间分布格局特征基本一致但略有差异，如南方长江流域和滇池流域的部分地段出现了高高类型区和低高类型区，这一分布特征在高锰酸盐指数的Moran散点图中就没有表现出来。

氨氮空间集聚分布的整体格局与化学需氧量和高锰酸盐指数基本一致，高高类型区主要集中于黄河下游、海河流域、辽河流域和淮河流域。但局部地区也具有差异性，如太湖流域地区的低高类型区明显增多，表明太湖流域氨氮的水污染程度要明显高于溶解氧和化学需氧量。

图1 各主要污染物的Moran散点图Fig.1 The Moran scatter map of water pollutant

石油类污染物的高发区主要集中于辽河流域、海河流域、黄河流域下游和长江流域下游。尤其是辽河流域的污染程度尤为突出，大部分监测点位呈高高类型区的连片分布，其次是海河流域。实际上，辽河流域和京津唐地区石油类污染物具有明显的高值集聚区，与该地区石化产业布局有着密切关系。淮河流域和长江下游地区的石油类污染物分布较为复杂，呈多类型区混杂分布的格局，部分河段为高高类型区。滇池流域和珠江流域下游地区存在着部分石油类污染的敏感地区。

挥发酚与前几种污染物的格局基本一致。其中辽河流域具有比较明显的高高类型区的空间集聚特征，其他挥发酚高值区的空间集聚特征不十分显著，其中黄河中下游流域、海河流域与淮河流域中游地区呈高高类型区和低高类型区交替分布的格局，而太湖流域地区呈多种类型区交错分布的态势。

对于污染物汞的空间分布，与上述几种污染物的空间格局明显不一致，污染物的空间集聚区发生了南迁，污染物汞的地域分布南方高于北方地区。此外，与前述集中污染物明显的空间集聚性不同，污染物汞的高高类型区在全国范围内呈零星分布态势，但主要分布在黄河中下游地区、海河流域、滇池流域和闽江下游地区。

污染物铅的分布与汞的分布态势基本一致，在全国范围内呈零星分布，但其主要高高类型区分布明显多于汞，除了黄河中下游地区、海河流域、滇池流域有分布外，太湖流域，长江流域上游部分地区及我国部分西南诸河流域地区也存在着高高类型区，但闽江下游地区虽然污染物汞属于高高类型区，但污染物铅的空间集聚分布中却表现为低低类型区。重金属汞和铅在南方部分地区的分布格局，与该地区矿产资源开采具有一定的联系。

对上述各污染物的Moran散点图进行综合分析，从整体看，我国呈东西格局和南北格局。东西格局表现为东部沿海地区的污染物呈较为明显的高高类型区，污染程度较为严重，尤以水体富营养化为主。这与我国社会经济活动分布格局相一致，我国主要的人口产业集聚区都集中分布于东部沿海地区，因而大量的工业、农业、生活污水排放，对东部沿海地区的水环境带来了沉重压力，从而导致该地区水污染态势严峻。南北格局表现为从整体上讲北方地区的污染程度要高于南方地区，尤以水体富营养化和石油类、挥发酚等有机物污染为主，这与我国降水资源的空间分布不均衡有着密切关系。我国北方地区雨水资源明显匮乏，导致流域内水体资源更新较慢，一旦发生污染，则很难通过水资源更新的途径进行改善。但对于汞、铅等金属类污染物则呈南方高于北方的特征，这与我国南方有色金属矿产资源的开发有着密切联系。由于不合理的矿产资源开发，导致南方部分地区河流较为严重的重金属污染。但就总体污染物空间分布格局而言，我国污染较为严重的高发区主要集中于黄河中下游地区、淮河流域、海河流域、辽河流域和太湖流域地区。

3 结论

（1）我国主要的污染物的空间分布具有明显的空间自相关性，且污染物的扩散分布与地区社会经济的分布有着密切关系，人口活动密集地区的水污染程度明显较高。另外各种污染物主要的集聚区分布与地区社会经济方式有明显的一致性。

（2）我国水污染格局分为东西格局和南北格局。东西格局表明我国东部沿海地区的水污染高集聚区要明显高于中西部地区；南北格局表明北方地区的水环境污染状况要比南方地区严重。另外对我国主要的河流、湖泊水系进行分析，可以发现不同流域地区的水污染状况具有明显的差异性，污染程度的高高类型区主要分布于海河流域、淮河流域以及辽河流域地区。相比较而言，各主要河流水系的上游地区污染程度相对较轻。

（3）水污染空间格局出现了低高类型区和高低类型区，是对传统聚类分析的重要补充。由于传统聚类分析只能识别出高污染和低污染集聚区相对的静态聚类分析结果，实际上水污染也是一个动态变化的过程，尤其是邻近区域的水环境状况会有重要的影响。研究出现的高低类型区和低高类型区是水环境污染重要敏感区域，因而这些区域处于水环境恶化或改善的“双向临界”状态。如果区域保护或控制得当，则可以使区域整体水环境状态得到改善，反之会导致水污染的态势进一步扩散恶化，因而这些区域应是未来水环境保护工作需要重点关注的地段。

（4）各种污染物指标在全国范围内有不同的集聚地域。从溶解氧来看，污染程度较重的地区主要分布在黄河下游和太湖地区，高锰酸钾指数、五日生化需氧量及氨氮主要分布于黄河下游和海河流域，石油类和挥发酚主要集中在辽河地区和京津冀地区，而汞和铅的高值集聚区则呈零星分布态势。对于这些不同的污染物集聚区，要根据其污染物的主要特征与来源，采取有更具有针对性的水环境保护管理措施。

参考文献

［1］ 中国工程院，环境保护部.中国环境宏观战略研究（综合报告卷）［M］.北京：中国环境科学出版社，2011.

［2］ 黄森慰.农村水环境管理研究［M］.北京：中国环境出版社，2013.

［3］ TSAI C F，TSAI C W，WU H C，et al.A novel data clustering approach for mining in large databases［J］.The Journal of Systems and Software，2004，73（1）：133-145.

［4］ WONG H，HU B Q.Application of interval clustering approach to water quality evaluation［J］.Journal of Hydrology，2013，491：1-12.

［5］ SARMIENTO M H，ISAZA N C.Identification and estimation of functional states in drinking water plant based on fuzzy clustering［J］.ComputerAided ChemicalEngineering，2012，30：1317-1321.

［6］ 王清芬，王伯铎，马俊杰，等.用灰色聚类关联分析法对水环境质量的评价［J］.环境工程，2008，26（3）：59-62.

［7］ 赵玉婷，张征，吕连宏，等.基于地下水多变量空间聚类分析的变异性评价［J］.地球科学与环境学报，2009，31（1）79-84.

［8］ LI X，GRIFFIN W A.Using ESDA with social weights to analyze spatial and social patterns of preschool children′s behavior［J］. Applied Geography，2013，43：67-80.

［9］ 戴晓燕，过仲阳，石纯，等.空间聚类在农业非点源污染研究中的应用［J］.华东师范大学学报：自然科学版，2005（3）：59-64.

［10］ 张学霞，武鹏飞，刘奇勇.基于空间聚类分析的松辽流域水资源利用风险评价［J］.地理科学进展，2010，29（9）：1032-1040.

［11］ YE X Y，WU L.Analyzing the dynamics of homicide patterns in Chicago：ESDA and spatial panel approaches［J］.Applied Geography，2011，31（2）：800-807.

［12］ 吴玉鸣，徐建华.中国区域经济增长集聚的空间统计分析［J］.地理学报，2004，24（6）：654-659.

［13］ 王学军.空间分析技术与地理信息系统的结合［J］.地理研究，1997，16（3）：70-74.

［14］ 环境保护部.中国环境质量报告2012［M］.北京：中国环境科学出版社，2013.

［15］ 李名升，佟连军.中国环境友好型社会评价体系构建与应用［J］.中国人口·资源与环境，2007，17（5）：105-111.

［16］ 范俊韬，李俊生，罗建武，等.我国环境污染与经济发展空间格局分析［J］.环境科学研究，2009，22（6）：742-746.○

Spatial Clustering of Water Pollution Based on Spatial Autocorrelation Analysis

WANG Xin-cheng1，WANG Bin-zhi1，HUANG Jian-yi2
1.Weifang Environmental Monitoring Center，Weifang 261041，China
2.College of Applied Arts and Science，Beijing Union University，Beijing 100191，China

The spatial autocorrelation analysis was performed to quantitatively analyze the spatial distribution characteristics of water pollution monitoring indices，based on China Status of Environment in 2012.Eight water pollution indices，including dissolved oxygen，potassium permanganate index，BOD5，ammonia nitrogen，petroleum，volatile phenol，mercury and lead.The Moran's I is greater than 0 for all pollution indices，indicating that the spatial distribution of the main pollutants in China has significant spatial autocorrelation.The result of Moran scatter diagram of LISA shows that the pollutants have developed several kinds of spatial patterns.In general，the distribution of the water pollutants has close relationship with regional socio-economic situations，with obviously higher pollution in densely populated areas，such as Beijing-Tianjin-Hebei region.The water pollution in China could be divided into two major patterns‘east-west'and‘north-south’，namely，the water pollution in China's eastern coastal areas were significantly higher than that in the midwest，and the water pollution in northern China was worse than that in southern region.Different water pollution indices had different agglomeration areas.

water pollution；spatial autocorrelation analysis；spatial clustering

X824

A

10.3969/j.issn.1674-991X.2014.04.048

1674－991X（2014）04－0293－06

2014－02－14

山东省科技发展计划项目（2011SJGZ03）；北京联合大学人才强校计划人才资助项目（BPHR2012E01）

王新成（1964—），男，高级工程师，主要从事环境监测与管理研究，wxc0323＠126.com

*通讯作者：黄建毅（1984—），男，讲师，主要从事城市环境与城市规划研究，huangjy.09＠igsnrr.ac.cn