Beitragsserien UVP und 0kometrie

Beitragsserie: UVP und Okometrie

Hrsg.: Dr. Th. Bunge, Dipl.-Geo6kol. L. Ries, Umweltbundesamt, Bismarckplatz 1, D-WolO00 Berlin 33

Die den 2 6/1992 wird hier Beitragsserie Ausgaben fortgesetzt. a u s

4 Statistische Anwendungen und Modelle

4.1 Einsatz multivariat-statistischer Methoden zur Interpretation staubf6rmiger Immissionen

Dr. Jiirgen Einax

Friedrich-Schiller-Universit~it Jena, Chemische Fakukfit, Institut fiJr Anorganische und Analytische Chemie, Lehrstuhl Analytik, Steiger 3, D-O-6900 Jena

Zusammenfassung. Der Beitrag behandelt die M6glichkei- ten und Grenzen der Anwendung multivariat-statistischer Analyse- verfahren zum umweltanalytischen Nachweis sowie zur Charak- terisierung und Bewertung staubf6rmiger Immissionen. Es wird deutlich, dat~ die Kenntnis dieser Methoden wesentlich ist ffr um- weltanalytische Beweism6glichkeiten und Bewertungen im Rah- men einer Umweltvertr/iglichkeitspriifung. Die Ergebnisse der spektrographischen Analysen yon Staubnieder- schl/igen zeigen, daf~ auf Grund der hohen umweltbedingten Varia- bilit~it in univariater Betrachtungsweise kaum objektive Aussagen ~iber Belastungszust~inde und noch weniger fiber verursachende Quellen gewonnen werden k6nnen. Die Techniken der explorativen Datenanalyse erm6glichen die 6bersichtliche und kausal erkliirbare Demonstration der komple- xen und unfbersichtlichen Umweltdaten; d.h., deren latenter In- formationsgehalt wird erkennbar.

1 Problemstellung

Hauptziel dieser Arbeit ist es, durch Anwendung chemome- trischer Methoden auf Ergebnisse von Routine-Umwelt- untersuchungen zu zeigen, da~ die Resultate der mathema- tisch-statistischen Berechnungen und ihre sachbezogene In- terpretation Aussagen hinsichtlich der Identifizierung von Wirkfaktoren in der Umwelt und die objektive Einschiit- zung von Belastungszust~inden erm6glichen, die den in der Umweltfiberwachung derzeit dominierenden Betrachtun- gen nicht bzw. nur sehr eingeschrfinkt zug~inglich sind.

Um Leistungsf~ihigkeit und Grenzen der multivariaten Sta- tistik, angewandt auf Probleme der Umweltanalytik und -fiberwachung, zu demonstrieren, werden aus der komple- xen Palette umweltanalytischer Fragestellungen Probleme der Belastung der Umwelt durch staubf6rmige Immissionen in den Mittelpunkt gestellt.

2 Probenahme und Analytik

Entscheidende Quellen der Belastung der AtmospMre durch anthropogene Aktivitfiten sind die Emissionen von St/iuben. Die Immissionsbelastung ist hauptsfichlich dutch die anfallende Menge an sedimentierenden St/iuben, d.h. Staubniederschl~igen, bestimmt. Die Charakterisierung die- set Belastung erfolgt gegenw~irtig meist fiber die Bestim- mung des Gesamtstaubniederschlags in Rasterme~netzen [1, 2,] und dessen Vergleich mit gesetzlich fixierten Grenz- werten. Die Standorte der Staubmei~punkte werden dabei im allgemeinen an den Gitterschnittpunkten von GAUSS- KRUGER-Koordinatensystemen mit einer Kantenl~inge von 1 km x 1 km gewiihlt, wobei die Entfernung der Mei~- punkte vonder konkreten Emissionsstruktur im zu unter- suchenden Territorium abhiingt. Die charakteristische Belastung durch sedimentierende Stfiube wird ffir den je- weiligen Mei~punkt durch gravimetrische Bestimmung des in Glasgeffif~en definierter Offnungsfl~iche bei einer Exposi- tionszeit von 30 Tagen gesammelten Staubniederschlags er- mittelt.

Die Bestimmung der Elementgehalte wurde mittels opti- scher Emissionsspektralanalyse bei Direktverdampfung im Gleichstrom-Dauerbogen durchgeffihrt. Ffir die Analysen wurde der Plangitterspektrograph PGS 2 (Carl Zeiss Jena) mit dem Anregungsgerfit UBI 2 (Carl Zeiss Jena) genutzt. Es erfolgte der Totalabbrand der mit Graphitpulver vermischten Staubproben, und die resultie- renden Spektren erster Ordnung wurden auf Spektralpho- toplatten registriert. Die konkreten Analysenbedingungen sind in [3] dargestellt. Die Schw~irzungsmessungen wurden mit dem Mikrodensitometer MD 100 (Carl Zeiss Jena) durchgeffihrt. Die Bestimmung der Elementgehalte erfolgte auf der Basis von Dreifachbestimmungen nach dem HARVEY-Verfah- ren [4].

UWSF-Z. Umweltchem. Okotox. 5 (1) 4 5 - 5 1 (1993) 45 © ecomed-verlagsgesellschaft mbH & Co. KG Landsberg

UVP und C)kometrie Beitragsserien

3 Analytische Ergebnisse und chemometrische Auswertung

Mit der vorgestellten emissionsspektrographischen Analy- senmethode wurden in insgesamt 170 Staubniederschlags- proben eines Untersuchungsjahrs dreier urbaner Gebiete die Gehalte von 16 Elementen bestimmt.

3.1 Univariate Betrachtungsweise

In der Tabelle sind die Gesamtmittelwerte der untersuchten Territorien dargestellt (--, Tabelle). Es ist zu erkennen, daf~ die Schwankungsbreite der Elementgehalte bis zu drei Zeh- nerpotenzen betrfigt. In entsprechenden uni-, aber auch bi- variaten Darstellungen sind keine Orts- oder gar Belas- tungsstrukturen der Immissions-Mef~punkte zu erkennen.

Tabelle: Jahresmittelwerte der Elementgehalte von Staubniederschl~i- gen (bezogen auf GS a = 100)

Element Mittelwert minimaler maximaler s r in % Wert Wert

GS a 100 24,0 531,66 59,2 Si 36,05 0,44 224,41 76,2 Fe 14,83 1,47 83,82 78,5 AI 29,98 4,69 179,12 63,9 Ti 4,12 0,745 28,51 70,5 Mg 8,13 0,238 136,24 149,6 Pb 0,743 0,00396 5,42 112,3 Zn 0,715 0,0742 7,91 116,4 Cu 0,500 0,0378 1,70 54,4 V 0,158 0,0169 1,42 102,9 Mn 0,416 0,0666 5,37 106,6 Ni 0,0770 0,00275 0,412 74,6 Sn 0,0510 0,00386 0,365 112,8 Cr 0,0213 0,000689 0,132 74,0 Mo 0,0112 0,00151 0,0887 87,8 B 0,0717 0,00999 0,878 120,6 Ba 3,14 0,314 31,19 142,4

aGS - Gesamtstaubniederschlag

Die Darstellungen der Gesamtstaub- und einiger Element- niederschl~ige (~ Abb. 1) weisen erkennbare, wenn auch stark streuende, jahreszeitliche Verlfiufe auf, die wie folgt zu erkliiren sind: - Das Sommermaximum des Gesamtstaubniederschlags

resultiert aus dem im relativ niederschlagsarmen Som- merhalbjahr h6heren Anteil an aufgewirbeltem geoge- nem Material und Sekundfirstaub.

" Dieser Verlauf entspricht dem des mit dem Gesamt- staubniederschlag hoch korrelierten Siliciumnieder- schlags.

- Auch der Bleiniederschlag weist ein Sommermaximum auf, das dutch die Emissionen der Kraftfahrzeuge zu er- kl~iren ist.

- Aluminium dagegen, das als ein Indikatorelement ffir die Rohbraunkohleheizung dienen kann, wie Untersu- chungen der staubf6rmigen Abprodukte von Rohbraun- kohleheizungsanlagen und thermische Analysen von Staubniederschlagsproben [5] zeigten, weist maximale Niederschlagswerte in den Wintermonaten auf.

Die anderen untersuchten Elemente zeigen keine erkennba- ten jahreszeitlichen Trends. Darstellungen einzelner Mete-

150"

~ 1oo-

e~

50"

30

i Gesomtstaub

1 ~ ~ ~ ~ _._..j Atuminium ~ . / / 11, "

/ ~ --- • -&- ~ ~ ~ " ~ Siticium

Feb A'pr JCln Aug Okt D'ez Feb

Zeit "

1,5"

1,0"

o 0,5- E

rw

0,0

X /

x/

/

X

X

X f

/ x x

\ Btei /

/

X

Zeit

Abb. 1" Mittelwerte der relativen Massenniederschl~ige als Funktion der Zeit

punkte lassen auf Grund der hohen Variabilit~it der Immissionsbedingungen keinerlei Schlfisse auf zeitliche Trends zu. Die groi~en Varianzen der Elementniederschlfige und die Tatsache, dat~ fast alle einfachen Korrelationskoeffizienten signifikant sind, machen die Anwendung multivariat- statistischer Methoden erforderlich, um eventuell vorhan- dene Datenstrukturen bezfiglich Belastungscharakterisie- rung und Emissionsursachenermittlung zu erkennen.

3.2 Anwendung clusteranalytischer Methoden

Das Prinzip des unsupervised learning besteht in der Auftei- lung' eines Satzes von Objekten in Gruppen, um im voraus nicht bekannte Gruppierungen widerzuspiegeln [6]. Aus der grot]en Palette mathematischer Algorithmen zur Clusteranalyse werden die Ergebnisse der Anwendung von Methoden der hierarchischen agglomerativen Clusterung [7] dargestellt. Es sei an dieser Stelle darauf hingewiesen, daf~ auch andere Methoden des unsupervised learning, wie z.B. die nichthierarchische Clusterung mittels CLUPOT [8]

oder das der Clusteranalyse nahestehende Verfahren der Berechnung des minimal spanning tree [9], auf das hier vor- gestellte Umwehdatenmaterial angewandt, vergleichbare Ergebnisse liefern.

46 UWSF-Z. Umwehchem. Okotox. 5 (1) 1993

Beitragsserien UVP und Okometrie

Tr~igt man die Zahl der erhaltenen Cluster gegen ihre fiihn- lichkeit auf (-~ Abb. 2), so ist zu erkennen, daf~ 1. mit der Methode nach WARD die relativ beste Struktu-

rierung des Datenmaterials erreicht werden kann, was auch in der Literatur [10] ffir andere Anwendungsf~ille gezeigt wurde, und daf~

2. die ~lnderungen der multivariaten Struktur der Immis- sion relativ fliet~end sind.

20- //~/~ /

"o

/ J

10-

/ ~ flexible strotegy (~c = 0,51 0

0 5(3 100

Ahntichkeif in % "=

Abb. 2: Clusterstabilitiiten der Ergebnisse verschiedener hierarchi- scher agglomerativer Clusteralgorithmen

In Abb. 3 ist das Dendrogramm verschiedener Raster- Immissions-Mel~netze, berechnet mit Hilfe des Clusteralgo- rithmus nach WARD, dargestellt (--* Abb. 3). Es werden deutlich voneinander separiert die normal belasteten Mef~- punkte des Immissions-Mef~netzes der Stadt I von denen der Stadt II. Davon abgehoben dargestellt sind hoch immis- sionsbelastete Punkte. Die Clusteranalyse erweist sich somit in bezug auf Immis- sionsuntersuchungen als wirksames Hilfsmittel, um insbe- sondere speziell belastete Meflpunkte zu erkennen und gibt erste Hinweise auf m6gliche Emissionsquellen.

3.3 Anwendung der Mehrdimensionalen Varianz- und Diskriminanzanalyse sowie der PLS-Modellierung

1. Mehrdimensionale Varianz- und Diskriminanz- analyse (MVDA)

Wenn Immissionswerte verschiedener Raster-Immissions- Mef~netze vorliegen oder aus Kenntnis der Emissionsstruk- tur Belastungszonen vorgegeben werden k6nnen, liegt der Gedanke nahe, bestehende Immissionsunterschiede multi- variat zu klassifizieren. Dazu wird die Mehrdimensionale Varianz- und Diskriminanzanalyse (MVDA) angewendet. Das Ziel der MVDA besteht in der optimalen Trennung yon a priori-Klassen multivariater Datens~tze. Eine aus- fiihrliche Beschreibung der mathematischen Grundlagen wird beispielsweise von AHRENS und LAUTER [11] gegeben. In der als Trennkriterium herangezogenen optimalen Trennmenge ist in der Regel eine verminderte Zahl von Originalmerkmalen enthalten, d.h., redundante Merkma- le, die nicht zur Klassentrennung beitragen, werden elimi- niert. Aus den trennenden Merkmalen werden mit Hilfe von Linearkombinationen nichtelementare Diskriminanz- funktionen gebildet. Anhand der Werte der nichtelementaren Diskriminanz- funktionen vollzieht sich die Klassifizierung neuer Objekte in die Klassen bzw. die Reklassifizierung des Lernsatzes von Objekten.

I I

I ] I I I I I I.

i

I normQI belostef

---] - 7 I

normal. ] betastet ~ l

inclustrieU 1 und kommunol I beiostet ]

• o 7,s so 2,s o

..,___ ~,hnfichkeif in %

Abb. 3: Dendrogramm verschiedener Raster-Immissions-Me~netze Clusteralgorithmus nach WARD

UWSF-Z. Umweltchem. Okotox. 5 (1) 1993 47

UVP und Okometrie Beitragsserien

Abb. 4 zeigt die Darstellung der Ergebnisse der MVDA verschiedener Raster-Immissions-Met~netze in der Ebene der ermittelten Diskriminanzfunktionen (-~ Abb. 4). Die Trennlinien entsprechen den Grenzen der Diskrimination nach der h6chsten Wahrscheinlichkeit. Die Resultate bele- gen, daft eine gute diskriminanzanalytische Trennung der drei Territorien m6glich ist. Der Fehler der Diskrimination betriigt 15,3 %, gegeniiber dem Fehler einer zuf~illig richti- gen Reklassifikation von 48,9 %. Die Streuradien der 95-%-Wahrscheinlichkeit, die sich be- tr~ichtlich fiberlappen, zeigen aber auch, daf~ die Unter- schiede in der multivariaten Immissionsstruktur nur gering sind.

o 7

-3 -I 0 1 3 5 I 7 dfl

Abb. 4: Darstellung der Diskriminanzfunktion df 2 gegen die Diskri- minanzfunktion df 1 verschiedener Raster-Immissions-MetL netze (I, II, III)

Diskriminationsresuhat zugeordnete Klasse I II III

vorgegebene I 29 4 0 Klasse II 1 13 3

111 0 0 2

Zum Vergleich sei an dieser Stelle auf ein anderes Beispiel umwehanalytischer Untersuchungen hingewiesen: In Abb. 5 sind die Werte der beiden trennstfirksten nicht- elementaren Diskriminanzfunktionen verschiedener Quell- w~sser eines geologischen Untergrunds dargestellt, d.h. von Wfissern, die sich in der Palette ihrer Inhaltsstoffe we- nig unterscheiden ( ~ Abb. 5). Es ist zu erkennen, daf~ die Trennung der einzelnen Klassen erheblich besser m6glich ist. Der Fehler der Reklassifikation in diesem Beispiel be- tr~igt 0 %. Das Beispiel soll demonstrieren, daf~ Immissionsunterschie- de durch Stfiube auf Grund der hohen Variabilitfit, Inho- mogenit~it und Instationarit/it der Atmosphfire wesentlich geringer sind als z.B. in anderen, anthropogen nicht beein- flul~ten Umweltmedien.

t df2

10

5 f~

---5

- - -10

Abb. 5: Darstellung der Diskriminanzfunktion df 2 gegen die Diskri- minanzfunktion df 1 verschiedener Quellwfisser eines Quell- gebiets

Im weiteren wird untersucht, inwieweit es m6glich ist, Im- missionsunterschiede innerhalb eines Raster-Immissions- Me~netzes zu klassifizieren und somit Belastungszonen nachzuweisen. Dazu wird im untersuchten Territorium einer Stadt sowohl aus Kennmis der Emissionsstruktur als auch der orographi- schen Lage das in Abb. 6 dargestellte Modell mit drei Bela- stungszonen aufgestelh (-~ Abb. 6).

Abb. 6: Lageplan der Belastungszonen in einem Raster-Immissions- Me~netz A leicht belastet B mittel belastet C hoch belastet

48 UWSF-Z. Umwehchem. Okotox. 5 (1) 1993

Beitragsserien UVP und Ok©mettle

of .l I 1

df2 2 -

-1

-M2

-3

X • ~ C I I -- -- ) I

® I

Reing~sstoub { indusfrie(Ler Oompferzeuger)

× o

In Abb. 7 ist das Ergebnis der MVDA ffir die Immissions- daten der heizungsfreien Zeit zu erkennen ( ~ Abb. 7). Deutlich hebt sich die isolierte Klasse C des relativ hoch be- lasteten Zentrums ab. Die Belastungszonen A und B sind einander ~ihnlicher, jedoch gut zu reklassifizieren, wie der geringe Diskriminationsfehler yon 10,0 % ausweist.

Das diskriminanzanalytische Ergebnis der Wintermonate (-o Abb. 8) zeigt demgegenfiber eine wesentlich gleichm~- f~igere Immissionssituation, belegt durch die st~irkere Ober- lappung der Streuradien der 95-%-Wahrscheinlichkeit der drei Belastungsklassen. Dem entspricht auch die gegenfiber den Sommermonaten verschlechterte Diskrimination mit einem Fehler von 20,9 %. Die gr6f~ere Ahnlichkeit der Klassen A und B resultiert vor allem aus den im Winter in beiden Belastungszonen ~ihnlichen Immissionseinfl~ssen von kommunalen Heizungsanlagen.

Es sei an dieser Stelle auf einen weiteren interessanten Fakt verwiesen: In einer, in der Belastungszone C, d.h. in der Stadtmitte be- findlichen, grof~en industriellen Dampferzeugeranlage wur-

Abb. 7: Darstellung der Diskriminanzfunktion

df 2 gegen die Diskriminanzfunktion df 1 verschiedener Belastungszonen wfihrend der Sommermonate A leicht belastet © B mittel belastet • C hoch belastet •

Diskriminationsresultat zugeordnete Klasse A B C

vorgegebene A 23 2 0 Klasse B 2 7 0

C 0 0 6

Abb. 8: Darstellung der Diskriminanzfunktion df 2 gegen die Diskriminanzfunktion df 1 verschiedener Belastungszonen wahrend der Heizperiode A leicht belastet B mittel belastet C hoch belastet

vorgegebene A Klasse B

C

©

Diskrimin ationsresultat zugeordnete Klasse A B C 61 4 1 15 15 0 1 2 11

den Proben von Reingasstfiuben genommen und, wie ©ben dargestellt, analysiert. Der Met~wertvektor dieses Emis- sionsstaubs wird in der Diskriminanzanalyse dem Bela- stungsgebiet B zugeordnet, d.h., die Immission in diesem Areal wird nachweislich vom genannten Emittenten beein- flut~t. Auf Grund der Schornsteinfiberh6hung ist im umlie- genden Territorium C noch keine Immissionsbeeinflussung feststellbar und im weiter abgelegenen Gebiet A nicht mehr. Dieser chemometrisch gewonnenen Aussage entsprechen Angaben in der Literatur [12] fiber die Ausbreitung von se- dimentierenden Kraftwerksstfiuben.

2. Partial-Least-Squares-(PLS-)Modellierung Zur Klfirung der Fragestellung, welche Elemente der hei- zungsbedingten Staubemission die Immission in der Bela- stungszone B bevorzugt bewirken, wird eine Partial-Least- Squares-(PLS-)Modellierung zwischen dem Datenvektor des Reingasstaubs und der Datenmatrix der Belastungszone B durchgef~ihrt. Die yon H. WOLD entwickelte PLS-Modellierung mit laten- ten Variablen ist eine verallgemeinerte Methode zur Be- handlung von Regressionsproblemen. Bez~iglich der mathe- matischen Grundlagen sei auf die entsprechende Literatur [13, 14] verwiesen. Zur Schaffung einer einheitlichen Datenmatrix werden die Elemente sowohl der Emission als auch der Immission kon- zentrationsnormiert. Die Einwirkung der Emission auf die Immission wird durch einen signifikanten T-Vektor wider-

UWSF-Z. Umweltchem, Okotox. 5 (1) 1993 49

UVP und C)kometrie Beitragsserien

gespiegelt, der hohe Werte in der Reihenfolge

A1 > Fe > Mg > Si > Ti

besitzt. Die anderen untersuchten Elemente sind gleicher- maiden niedrig ,,geladen", d.h. die Immission infolge hei- zungsbedingter Emissionen wird durch die genannten Elemente, insbesondere aber durch Aluminium, bestimmt. Dieser chemometrisch gewonnenen Aussage, dat~ Alumini- um als Indikatorelement ffir die Braunkohleheizung dienen kann, entsprechen auch die Ergebnisse thermoanalytischer Untersuchungen [5]. Thermogravimetrische Analysen von Staubniederschlfigen weisen einen Masseverlust bei T -- 714 °C nach, der als Dehydratisierung von Alumosilicaten zu interpretieren ist. Dieser Masseverlust weist ein ausge- pr~gtes Sommerminimum und ein sehr starkes Wintermaxi- mum auf. Die thermoanalytisch gewonnene Aussage entspricht den Ergebnissen der PLS-Modellierung und spie- gelt sich auch in den Resultaten der Faktorenanalyse wider.

3. Schluf~folgerungen Die Anwendung der MVDA und der PLS-Modellierung auf die Ergebnisse der Untersuchung staubf6rmiger Immissio- nen l~if~t somit folgende Schluf~folgerungen zu: - Die MVDA erweist sich als zweckmfiffiges chemometri-

sches Hilfsmittel, um Unterschiede in der multivariaten Immissionsstruktur verschiedener urbaner Territorien aufzudecken und zu klassifizieren.

- Die MVDA ist gut geeignet, verschiedene Belastungszo- nen innerhalb eines Raster-Immissions-Mef~netzes, die aus Kenntnis der Emissionsquellenstruktur vorgegeben werden k6nnen, zu klassifizieren und somit zu be- stfitigen.

- Die durch staubf6rmige Immissionen bedingten territo- rialen Unterschiede sind im Unterschied zu den Verhfilt- nissen in anderen Umweltmedien sowohl relativ gering als auch flief~end von Mef~punkt zu Mef~punkt, so daf~ die vorgegebenen Klassen zwar noch relativ gut nach der h6chsten Wahrscheinlichkeit diskriminiert werden, aber meist nicht isoliert vorliegen.

- Es ist m6glich, die Einwirkung yon Emissionsquellen in bestimmten Territorien durch Anwendung der MVDA nachzuweisen. Somit k6nnen aus Kenntnis der Emis- sionsstruktur resultierende Belastungshypothesen dutch Emissionsprobenahme, nachfolgende Analyse und An- wendung der MVDA fiberprfift werden, d.h. umweltbe- lastende Betriebe k6nnen identifiziert werden.

- Durch Anwendung der PLS-Modellierung ist die diffe- renzierte Beeinflussung der Staubimmission durch hei- zungsbedingt emittierte Elemente nachweisbar.

3.4 Anwendung der Faktorenanalyse

Das Ziel der Anwendung der Faktorenanalyse (FA) in der Umweltanalytik ist es, die komplexen Anderungen aller be- obachteter Variablen in Teilsystemen der natfirlichen Um- welt durch Ermittlung zusammenfassender Faktoren fiber- sichtlicher und kausal erkl~irbar zu charakterisieren und so den wesentlichen Teil des Informationsgehalts der Daten zu extrahieren. Das zugrundegelegte Modell der reduzierten Fehlerl6sung ffihrt zu einer Dimensionserniedrigung des Originalmerkmalsraums.

Die Matrix der Korrelationskoeffizienten der Original- merkmale der Staubdaten (Elementniederschl~ige) dient als Ausgangspunkt der FA. Zunfichst erfolgt die mathemati- sche Extraktion der gemeinsamen Faktoren. Die erhaltene Faktorladungsmatrix wird zur besseren Interpretierbarkeit einer Orthogonalrotation nach THURSTONE unterworfen. Im abschlief~enden Schritt der FA erfolgt die Berechnung der Faktorwertematrix mit Hilfe einer, als BARTLETT- Schfitzung bezeichneten, multiplen linearen Regression. Be- zfiglich der mathematischen Algorithmen der FA sei auf die entsprechende Literatur [15, 16] verwiesen. Die ausschlief~liche Berficksichtigung gemeinsamer Fakto- ren in der faktorenanalytischen L6sung erscheint erfolgver- sprechend, insbesondere bei umweltanalytischen Fragestel- lungen, wie die Varianzaufspaltung des untersuchten Da- tenmaterials zeigt (-~ Abb. 9).

V a r i a n z e n i n I m m i s s i o n s p r o b e n

result ieren aus

natOrlichen anthropogenen experimentel len merkmals- Enfi~ssen EinfiLissen Fehlern eigenen

Varianzen

- geogen - industriell - Probenahme - meteoro- - kommunal - Probenkonser-

Iogisch vierung u. - orogra- -vorbereitung

phisch - Messung - Auswertung

Kommunali t~t (durch reduzierte

Faktorl6sung best immter Varianzanteil)

, ,uniqueness"

Abb. 9: Varianzherkunft in den Staubniederschlagsproben

Fehler im analytischen Prozef~ und merkmalseigene Varian- zen werden somit fiber die Kommunalitfitenschfitzung von der gemeinsamen reduzierten L6sung separiert. Hierin zeigt sich in diesem Fall der Vorteil der Anwendung der FA ge- genfiber der Hauptkomponentenanalyse bei solchen Daten- strukturen. Da mit der Hauptkomponentenanalyse die Gesamtvarianz des Datenmaterials untersucht wird, k6n- nen die o.g. spezifischen Faktoren nicht von den gemeinsa- men Faktoren getrennt werden. Somit kann in bezug auf die umweltanalytische Fragestellung die Interpretation zumindest erschwert, wenn nicht sogar - beim Vorlie- gen relativ stark fehlerbehafteter Analysenergebnisse - verffilscht werden. Die detaillierten Ergebnisse der faktorenanalytischen Un- tersuchungen der Staubniederschlagsdaten sind in [3] dar- gestellt. Mit Hilfe der FA k6nnen w~ihrend der Heizperiode vier und im Sommer drei gemeinsame Faktoren extrahiert werden. Die Interpretation der Faktorladungsmatrizen ffihrt zu einer plausiblen Erkl~irung der Hauptemissions- quellen im untersuchten Territorium. Eine Hauptquelle staubf6rmiger Immissionen stellen das aufgewirbelte geoge-

50 UWSF-Z. Umweltchem. C)kotox. 5 (1) 1993

Beitragsserien UVP und Okometrie

ne Material und der Sekund~irstaub mit 34,3 % der be- stimmbaren Varianz in der Heizperiode und 27,6 % der bestimmbaren Varianz in den Sommermonaten dar. W~ih- rend der Heizperiode l~if~t sich der nicht unbetrfichtliche Einfluf~ der Braunkohleheizung in den untersuchten Gebie- ten als gemeinsamer Faktor nachweisen. Die anderen Fak- toren resultieren aus Emissionen der schwarz- und buntmetallurgischen Industrie. Die Ergebnisse und ihre Interpretation sind vergleichbar mit den Aussagen anderer Publikationen [17, 18, 19]; sie stellen jedoch zun~ichst nur die plausible Erkl~irung einer mathematischen Hypothese dar. Erst die graphische Dar- stellung der Faktorwerte gegeneinander , die im Sinne einer Display-Darstellung zu verstehen ist, belegt die Aussagen eindeutig. Es ist sowohl eine vollstiindige Trennung der drei untersuchten Territorien als auch die Heraushebung besonders immissionsbelasteter Meflpunkte m6glich [3]. Die saisonale Ver~inderung der immissionsverursachenden Faktoren ist im Trend selbst bei der Untersuchung von Raster-Immissions-Mefgnetzen nachzuweisen. Besonders deutlich kann der Jahresgang der Faktoren jedoch bei der FAder Staubimmissionsdaten an einem Mef~punkt nachge- wiesen werden [20], da hierbei der mittelnde Charakter flfi- chenhafter Untersuchungen wegf/illt. Die Vorteile der Anwendung der FA auf umweltanalytische Fragestellungen sind: - Im Phfinomen ,,Umwelt" liegen Ursachenkomplexe vor,

die durch Anwendung der FA erkannt werden k6nnen. - D u t c h die Eliminierung experimenteller Fehler und

merkmalseigener Varianzen im Verlauf der FA ist es m6glich, Nit dem ModeI1 der gemeinsamen Faktoren das jeweils untersuchte Umweltproblem unverf~ilscht zu erklfiren.

- Die durch die Interpretation der Faktorladungsmatrix aufgestellte Ursachenhypothese wird durch die Berech- nung der Faktorwerte und deren graphische Darstellung best/itigt.

- Die graphische Darstellung der Faktorwerte erm6glicht sowohl die territoriale als auch die zeitliche Strukturie- rung der [mmissionssituation bei gleichzeitiger Heraus- hebung belasteter Met~punkte.

4 Zusammenfassende Schluflfolgerungen

Die Ergebnisse der spektrographischen Analysen von Staubniederschl~igen, die im Rahmen der Routinefiberwa- chung der Umwelt gewonnen wurden, zeigen, dat~ auf Grund der hohen umweltbedingten Variabilit~it in univaria- ter Betrachtungsweise kaum objektive Aussagen fiber Bela- stungszust~inde und noch weniger fiber verursachende Quellen gewonnen werden k6nnen. Die Techniken der explorativen Datenanalyse erm6glichen die fibersichtliche und kausal erkl~irbare Demonstration der komplexen und unfibersichtlichen Umweltdaten, d.h., de- ten latenter Informationsgehalt wird erkennbar. Zur sachbezogenen Interpretation der erhaltenen chemo- metrischen L6sungen sind in jedem Fall fundierte Kenntnis- se fiber die Emissionsstruktur und die konkreten orogra- phischen Bedingungen im untersuchten Territorium erfor- derlich.

Unter Berficksichtigung der o.g. Bedingung erm6glicht die Anwendung von Methoden der multivariaten Statistik die Gewinnung qualitativ neuer Erkenntnisse fiber den Bela- stungsgrad von Untersuchungsarealen wie auch die Identi- fizierung von Emissionsquellen und deren saisonaler Variation. Die vorgestellten Ergebnisse der chemometrischen Bewer- tung und Interpretation staubf6rmiger Immissionen sind grundlegend auch auf andere umweltanalytische Problem- stellungen (siehe z.B. [21, 22]) zu fibertragen.

Danksagung

Den Mitarbeitern der Abt. Lufthygiene des Bezirkshygieneinstituts Ge- ra sei fiir die Bereitstellung des umfangreichen Probematerials und den Kolleginnen und Kollegen des Lehrstuhls Analytik der Chemischen Fa- kultfit an der Friedrich-Schiller-Universit~it Jena ffir die konstruktive Zusammenarbeit bei der Durchffihrung der Analysen gedankt.

Literatur 5

[1] VDI 2119 BI. 2, Hrsg.: VDI Kommission Reinhaltung der Luft, Juni 1972

[2] Arbeitsmappe der Staatlichen Hygieneinspektion " Tell Lufthy- giene, 5. Lf., Kap.-Nr. 9, Lfd. Nr. 2, Staatsverlag der DDR, Ber- lin t984

[3] J. EINAX; K. DANZER: Staub - Reinhalt. Luft 49, 53 (1989) [4] C. E. HARVEY: A method for semiquantitative spectrographic

analysis. A.R.L. Glendale, Californien (1947) [5] J. EINAX; W. LUDWIG: Staub - Reinhalt. Luft (eingereicht) [6] K. VARMUZA: Pattern recognition in chemistry. Springer-Verlag,

Berlin, Heidelberg, New York S. 92 ff (1980) [7] A. HENRION; R. HENRION; P. URBAN; G. HENRION: Z. Chem.

27, 56 (1987) [8] D. COOMANS; D.L. MASSART: Anal. ChiN. Acta 133, 225

(1981) [9] L. LEBART; A. MORINEAU; J.-P. FENELON: Statistische Datenana-

lyse, Methoden und Programme, Akademie-Verlag Berlin, S. 132 ff (1984)

[10] M. P. DERDE; D. L. MASSART: Fresenius' Z. Anal. Chem. 313, 484 (1982)

[11] H. AHRENS; J. LAUTER: Mehrdimensionale Varianzanalyse, 2. Auflage, Akademie-Verlag, Berlin (1981)

[12] U. BOHN; in: Autorenkollektiv: Met~technik und meteorologi- sche Aspekte zur Luftiiberwachung, Reihe ,Technik und Um- weltschutz", Bd. 21, Deutscher Verlag fiir Grundstoffindustrie, Leipzig, S. 130 ff (1979)

[13] M. SJOSTROM; S. WOLD; W. LINDBERG; J. PERSSON; H. MAR- TENS: Anal. Chim. Acta 150, 61 (1983)

[14] W. LINDt3ERG; J. PERSSON; S. WOLD: Anal. Chem. 55, 643 (1983)

[15] E. R. MALINOWSKI; D. G. HOWER¥: Factor analysis in chemi- stry, John Wiley & Sons, New York, Chichester, Brisbane, To- ronto (1980)

[16] E. WEBER: Grundrifl der biologischen Statistik, 9. Auflage, Gu- stay Fischer Verlag, Jena, S. 464 ft. (1986)

[17] P. K. HOPKE; E. S. GLADNEY; G. E. GORDON; W. H. ZOLLER; A. G. JONES: Atmos. Environment 10, 1015 (1976)

[18] P. VAN ESPEN; F. ADAMS: Anal. ChiN. Acta 150, 153 (1983) [19] K. KEIDING; F. P. JENSEN; N. Z. HEIDAM: Anal. ChiN. Acta

181, 79 (1986) [20] J. EINAX; K. DANZER; M. MATHERNY: Int. J. Environ. Anal.

Chem. (iN Druck) [21] S. GEtSS; J. EINAX; K. DANZER: Fresenius' Z. Anal. Chem. 333,

97 (1989) [22] J. EINAX; K. OSWALD; K. DANZER: Fresenius' Z. Anal. Chem.

336, 394 (1990)

UWSF-Z. Umweltchem. C)kotox. 5 (1) 1993 5 1