dragovic et al 2014 (es)
DESCRIPTION
DragovicTRANSCRIPT
Journal of Cleaner Production 84 (2014) 550e562
Contents lists available at ScienceDirect
Journal of Cleaner Production
journa l homep age : www.elsev i er .co m/loca te / jc lepr o
Evaluación del impacto de los factores geográficos en la
distribución especial de los metales pesados en los suelos
alrededor de la planta de producción de acero en Smederevo
(Serbia)
Ranko Dragovi c a, *, Bo sko Gaji c b, Sne zana Dragovi c c, Miodrag ÐorCevi c a, Milan ÐorCevi c a, Nevena Mihailovi c d, Antonije Onjia c
a University of Ni s, Faculty of Science and Mathematics, Vi segradska 33, 18000 Ni s, Serbia
b University of Belgrade, Institute of Land Management, Faculty of Agriculture, Nemanjina 6, 11081 Belgrade, Serbia
c University of Belgrade, Vin ca Institute of Nuclear Sciences, P.O. Box 522, 11001 Belgrade, Serbia
d University of Belgrade, Institute for the Application of Nuclear Energy, Banatska 31b, 11080 Belgrade, Serbia
R e s u m e n
La concentración de metales pesados (Cd, Co, Cr, Cu, Fe, Mn, Ni, Pb y Zn) en suelos de superficie en la zona que rodea a la planta
de producción de acero en Serbia fue determinante para evaluar la contribución de las emisiones a la contaminación. Se encontró
que las concentraciones medias de Cd, Co, Cu, Ni, Pb y Zn a ser mayores que los valores reportados para los suelos no cultivados a
nivel mundial y también superó concentraciones medias de metales en suelo europeo. El análisis de varianza reveló la influencia de
la latitud, la longitud y la distancia de la fuente de emisión de las concentraciones de metales pesados en los suelos. Técnicas
estadísticas multivariantes (análisis cluster y análisis factorial) confirmaron hallazgos anteriores y también se utilizaron para
investigar las relaciones entre las concentraciones de metales pesados y fracciones de tamaño de partículas del suelo. El análisis de
regresión mostró que la latitud, longitud y distancia de la fuente son buenos predictores de las concentraciones de metales pesados
en los suelos. El análisis geoestadístico reveló la distribución espacial de las concentraciones de metales pesados en el suelo y su
correlación con los vientos predominantes en la zona investigada.
1. Introducción
Como una de las rutas dominantes para la dispersión de elementos
pesados alrededor de los polígonos industriales, las emisiones
atmosféricas comúnmente han sido designados como la principal
fuente de acumulación de metales en los suelos superficiales a través
del depósito, junto con otras rutas de transporte, tales como la
descarga de aguas residuales (Dumontet et al., 1990). En general, el
polvo producido en el proceso de producción de acero contiene Fe,
Zn, Ca y Si en la forma de óxidos simples o mixtos, y también Cu,
Mn, Ni, Cr, Cd, Pb, etc., presentes en la materia prima o introducidas
como aditivos (c Sofili et al, 2004;?. Youcai y Stanforth, 2000).
Estudios anteriores han demostrado que las plantas de hierro-acero
son fuentes significativas de contaminantes del aire (CIPF, 2001).
Dependiendo de los tipos de metales de desecho procesados,
fundiciones de hierro puede conducir a una extensa contaminación de
los alrededores suelos con metales pesados tóxicos (Orescanin et al.,
2004; Zanini et al., 1992). Procesos de producción de hierro y acero
emiten fase de partículas (Zn, Cr, Ni, Pb, Cd y otros metales óxidos /
metal) y contaminantes inorgánicos en fase gaseosa (NOx, SO2, CO,
HF y HCl) y varios contaminantes orgánicos (compuestos orgánicos
volátiles, clorobencenos y dibenzo-p-dioxinas / furanos,
hidrocarburos aromáticos policíclicos, bifenilos policlorados,
naftalenos policlorados policlorados y polibromodifeniléteres) (CIPF,
2001; US EPA, 2008). Como la mayoría de los minerales-minerales
acomodar varios otros metales como inclusiones menores, los suelos
en las zonas de minas y fundiciones rodean pueden estar
contaminados por estos metales, así como los principales metales del
mineral (Al-Khashman y Shawabkeh, 2009; Alloway, 1995; Chopin y
Alloway, 2007;. Shallari et al, 1998). Se ha demostrado que la
distancia de la fuente, la dirección y velocidad de los vientos, la
frecuencia y la cantidad de precipitaciones, las propiedades del suelo
y la interceptación por el medio ambiente puede influir en la
contaminación del suelo (Fritsch et al., 2010).
En este estudio el impacto ambiental de la planta de producción
de acero en Smederevo se evaluó mediante el análisis de las
concentraciones de metales pesados en los suelos de los alrededores y
la influencia de los factores geográficos en su distribución espacial.
R. Dragovi c et al. / Journal of Cleaner Production 84 (2014) 550e562 551 R. Dragovi c et al. / Journal of Cleaner Production 84 (2014) 550e562 551
Los objetivos de este estudio fueron (i) para determinar las
concentraciones de metales pesados (Cd, Co, Cr, Cu, Fe, Mn, Ni, Pb,
Zn) en el suelo de la zona de instalación de producción de acero
(selección de elementos se basó en su presencia en materiales y
aditivos que se utilizan para la producción de acero en bruto) común;
(ii) para investigar las posibles relaciones entre las concentraciones
de metales pesados en el suelo y dos fracciones de tamaño de
partículas del suelo y los factores geográficos (latitud, longitud, el
viento, la distancia de la fuente); (iii) establecer un modelo para la
predicción de las concentraciones de metales en el suelo en función
de factores geográficos y (iv) para resaltar la distribución espacial de
los metales pesados mediante el análisis geoestadísticos.
2. Materiales y métodos
2.1. Á r e a d e e s t u d i o
El área investigada se encuentra entre los 44º 23.41’y 44º 38.4’N
de latitud y entre los 20º 55,7’ y 21º 6,6’ E de longitud (Figura 1). Está a sólo unos 50 km de Belgrado, la capital serbia. Los terrenos de
Smederevo pertenecen a la Zona Vardar y la Misa serbio-macedonia.
Se caracterizan por la estructura geológica compleja debido a la
superposición de procesos geotectónicas.
Las especies de fauna identificadas indican Alta Pontian edad de los
sedimentos de la zona de Smederevo. La mayor parte de la zona es
presentada por la arena de cuarzo blanco, arcillas arenosas con
intercalaciones de arcilla y arenas con variada fauna y ocurrencias de
carbón. En el área de Smederevo amplía la serie de arena-grava se
encuentra entre los depósitos y sedimentos del Pleistoceno Pontian.
En la mayor parte de las formaciones Smederevo Cuaternario en
facies de Pleistoceno son ampliamente distribuidas. Las formaciones
del Holoceno son presentados por fluvial y la pendiente de secuencia
(c Pavlovic, 1980). Los principales tipos de suelo de la zona
investigada son: Éutrico Cambisoles, Vertisoles, colúvicos Regosoles,
Phaeozems y Fluvisoles (Fig. 1). Información sobre distribución de
grupos del suelo fue tomada desde el "Mapa de Suelos de la cuenca
del río Velika Morava" a una escala 1: 50.000 (Instituto de Edafología
y Química Agrícola, 1959). El clima es moderado continental,
caracterizado por veranos calientes con alta precipitación en junio y
noviembre y los inviernos fríos y secos. El tipo de clima según la
clasificación de Köppen es Cfwax (Köppen, 1936). Las temperaturas
mínimas y máximas medias anuales (en el período 1981-2010) son
6,3 ° C y 17,4 º? C, respectivamente. La precipitación media anual es
de 670 mm (media de precipitación anual oscila de Serbia para las
diferentes áreas entre 600 y 1000 mm) y la humedad relativa es del
72% (Servicio Hidrometeorológico de Serbia (2011)).
Fig. 1. Simplified pedological map showing study area with sampling sites.
R. Dragovi c et al. / Journal of Cleaner Production 84 (2014) 550e562 552 R. Dragovi c et al. / Journal of Cleaner Production 84 (2014) 550e562 552
La zona industrial de la planta de acero integrada se encuentra en el
centro de Serbia, a unos 7 km al sureste de la ciudad de Smederevo.
La planta de acero, fundada en 1913, produce acero, caliente y
productos laminados en frío y hojalata. La planta de acero produce
hierro a dos altos hornos luego convierte alto horno en acero bruto en
una tienda de convertidor de tres hornos y complejo de colada
continua. La mayoría de los contaminantes están relacionados a la
aglomeración y la planta de acero convertidor. Todos los sitios de
disposición están dentro de la planta. Los residuos sólidos consisten
en escorias metalúrgicas, escorias de hierro generados en los altos
hornos y escorias de acero generadas en tres convertidores de oxígeno
(Radovi? C et al., 2009). El núcleo de hierro se compone de Fe
(50%), SiO2 (3%), Mn (1%), Ca (0,4%), Mg (0,2%), S (0,1%) y P
(0,03%) (PREWARC, 2007).
2.2. M u e s t r e o
Las muestras de suelo se recogieron en octubre-noviembre de
2010 de 48 sitios (0-10 cm de profundidad) que aplican el
procedimiento de 'muestreo aleatorio sistemático "(OIEA, 2004) en el
área potencialmente afectada por las actividades industriales, con la
mayoría de los sitios de muestreo en el más área densamente poblada.
Las coordenadas geográficas de los puntos de muestreo se obtuvieron
a través del Sistema de Posicionamiento Global (Garmin eTrex
Vista). Las localizaciones de los sitios de muestreo se muestran en la
Fig. 1. Las muestras fueron tomadas en tierra abierta / desocupado
lejos de las carreteras y los cables de alimentación para evitar la
contaminación. Alrededor de 1,5 kg de cada muestra se recogieron
usando guantes desechables limpios, una pala de acero inoxidable y
una cuchara de plástico. Para evitar la contaminación cruzada, el
equipo fue rozó primero para eliminar los residuos de la muestra
anterior y luego se sonrojó con el suelo del nuevo sitio de muestreo.
Para garantizar la representatividad de la muestra, en cada sitio tres
submuestras se recogieron a distancias de aproximadamente 10 m
entre sí y el suelo fresco colocado en bolsas de plástico (submuestras
se analizaron individualmente).
2.3. M é t o d o s a n a l í t i c o s
Las muestras de suelo se secaron a temperatura ambiente hasta
peso constante, molido y pasado a través de un tamiz de 2 mm de
acero inoxidable. Cada muestra fue entonces homogeneizada y se
molió en un mortero.
Después de la digestión en agua regia, el contenido total de
metales pesados se determinó utilizando el espectrómetro de
absorción atómica Pye Unicam SP 192 (ISO 11047, 1998). Los
límites de detección para los elementos analizados fueron los
siguientes (mg kg- 1?): Cd - 0.3, Co - 1.0, Cr - 5,0, Cu - 3,0, Fe - 0,2,
Mn - 5.0, Ni - 10, Pb - 20 y Zn – 2.0. Los estándares utilizados en el
análisis fueron obtenidos a partir de soluciones CertiPUR Merck.
Tanto calibración externa y el método de adición estándar se
utilizaron para evaluar los efectos de la matriz. Para evaluar la
precisión de muestreo, tratamiento y análisis de muestras, se
analizaron todas las muestras por duplicado. Los valores de las
desviaciones estándar relativas entre duplicados de las muestras por
debajo de 10% indican una alta reproducibilidad de los resultados.
Espacios en blanco de reactivos también se incluyeron en cada lote de
análisis para comprobar si hay contaminación de los extractos de
muestras del suelo. Para verificar la exactitud del método analítico,
material de referencia certificado de SRM suelo 2711 obtenida del
Instituto Nacional de Estándares y Tecnología fue tratado con el
mismo procedimiento que las muestras. Las recuperaciones, que se
estima como el error estándar relativo entre los valores medidos y
recomendados de las concentraciones de metales en el material de
referencia certificado, oscilaron desde 90 hasta 110%. La
incertidumbre global del procedimiento analítico fue inferior a 10%.
El método de tamiz-pipeta tradicional se utilizó para el análisis de
tamaño de partícula (Rowell, 1997). Una vez que la materia orgánica
se ha eliminado, la muestra de mineral restante se pesó y se analizó
para las siguientes fracciones de tamaño de partícula: arena (0,05-2
mm), limo (0,002 - 0,05 mm) y arcilla (<0.002 mm).
2.4. M é t o d o s e s t a d í s t i c o s
Análisis de varianza (ANOVA) se realizó para comparar las
diferencias de concentraciones medias de metales pesados entre
subregiones en el respeto a la latitud, longitud y la distancia de la
fuente de emisión. El conjunto de datos de las concentraciones de
metales pesados y fracciones de tamaño de partículas se sometieron a
análisis de conglomerados y análisis de factores con el fin de poner de
relieve las relaciones entre los parámetros analizados. Los detalles
sobre las técnicas multivariantes aplicadas se pueden encontrar en
libros de texto quimiométricos estándar (Brereton, 2003; Joliffe,
1986; Massart y Kaufman, 1983).
Se realizó un análisis de regresión para obtener un modelo para la
predicción de las concentraciones de metales pesados con la longitud,
la latitud y la distancia de la fuente de emisión como predictores. Se
realizó un análisis de regresión utilizando la distancia de la fuente de
emisión, minutos de latitud y minutos de longitud (desde grados eran
iguales para todos los sitios de muestreo) como predictores de las
concentraciones de metales pesados. El modelo de regresión obtenida
se presenta en la ecuación. (1):
donde V es la concentración de metales pesados, LATmin es el valor
por minuto de latitud, LONmin es el valor de minutos de longitud, D
es la distancia de la fuente de emisión y a, b, cyd son coeficientes del
modelo de regresión.
El modelado de datos geoestadísticos se hizo en software de
mapas de ArcGIS (ESRI, 2009) por su extensión Analista
geoestadístico. Los métodos geoestadísticos han sido ampliamente
utilizados para la interpolación espacial de metales pesados en los
suelos y para la evaluación de lugares contaminados (Da Silva et al.,
2004; Modis et al, 2013.). Método Kriging fue elegido debido a sus
ventajas sobre otras técnicas de interpolación.
Geoestadística se basa en la teoría de una variable regionalizada
(Matheron, 1963), que muestra la autocorrelación espacial donde las
observaciones cerca unos de otros son más parecidos que los que
están lejos. Función Semi-variograma se define como la mitad de la
diferencia al cuadrado promedio entre valores de datos apareados
separadas por un intervalo de distancia (Matheron, 1965):
R. Dragovi c et al. / Journal of Cleaner Production 84 (2014) 550e562 553 R. Dragovi c et al. / Journal of Cleaner Production 84 (2014) 550e562 553
Table 1
Descriptive statistics of the heavy metal content (mg kg 1
) and particle size fractions (%) of the soils in the area surrounding steel production facility.
Parameter Mean Median Mode SD Variance Skewness Kurtosis Range Min Max
Cd 2.75 2.88 2.72 1.00 1.00 0.97 0.86 4.39 0.22 4.61
Co 25.5 24.8 24.5 6.92 47.9 0.52 0.25 28.5 12.8 41.3
Cr 56.3 52.2 59.1 22.1 490 0.72 1.78 115 0.01 115
Cu 31.8 20.6 7.12 33.8 1140 3.15 10.5 176 7.12 183
Fe 24,620 24,460 15,800 5120 26,186,900 0.75 0.95 23,220 15,780 39,000
Mn 740 740 400 130 16,120 0.18 0.64 660 400 1060
Ni 80.2 69.0 41.2 32.4 1050 1.54 1.52 130 40.0 170
Pb 40.6 31.5 19.2 25.6 650 2.43 5.55 120 20 140
Zn 77.6 88.8 8.43 36.6 1340 0.76 0.06 142 8.40 150
Sand 15.7 9.35 2.90 15.0 227 1.22 0.35 55.0 1.50 56.5
Silt 53.5 57.3 52.8 12.6 158 0.90 0.23 50.0 22.6 72.6
Clay 31.0 31.2 32.8 6.12 37.5 0.82 2.55 34.7 18.7 53.4
donde N es el número de valores en el conjunto de datos,
Z(Xi) es el valor medido, Z(Xi) es el valor predicho y 2 es la
varianza kriging para la ubicación Xi.
3. Resultados y discusión
Análisis estadístico convencional de las concentraciones de
metales pesados y fracciones de tamaño de partículas en el suelo
alrededor de la planta de producción de acero se llevó a cabo como
el primer paso hacia una comprensión elemental de los datos (Tabla
1). Basado en la clasificación del USDA (Soil Survey Staff, 1998) la
gran mayoría de los suelos fueron clasificados como suelo franco
limoso arcilla, limo arcilloso y franco limoso, siendo el resto franco
o franco arenoso. Las concentraciones medias de Cd, Co, Cu, Ni, Pb
y Zn en el área investigada fueron generalmente mayores que las
concentraciones medias de metales en suelo europeo (Salminen et
al., 2005) y también de los valores medios comunicados por Kabata-
Pendias y Pendias (2001) para los suelos no cultivados en todo el
mundo. Las concentraciones de Cd, Cu, Ni y Pb en algunos sitios de
muestreo superan los límites (3 mg / kg? Para Cd, 100 mg / kg1 para
Cu y Pb y 50 mg / kg de Ni) establecido por la normativa local sobre
el uso del suelo agrícola (Gaceta Oficial de la República de Serbia,
1994). Las concentraciones de cadmio en los suelos de la zona
investigada fueron similares a los encontrados en suelo alrededor de
las instalaciones de producción de acero en la región Kremikovtzi,
Bulgaria (Schaefer et al., 2010) y la gran planta de acero integrada en
Turquía (Odabasi et al., 2010). Alrededor de un cuatro veces más
altas concentraciones de Cd fueron reportados por Einax y Soldt
(1999) para los suelos en los alrededores de una planta metalúrgica en
Alemania. Las mayores concentraciones de Cd fueron reportados en
los suelos en las cercanías de las industrias de transformación de
metales en Bélgica, Polonia y los EE.UU. (Kabata-Pendias y Pendias,
2001). Las concentraciones de CO en los suelos analizados en este
estudio fueron similares a los encontrados en el suelo alrededor de las
instalaciones de producción de acero en la región Kremikovtzi,
Bulgaria (Schaefer et al., 2010) y cerca de tres veces más altos que
los reportados por Gosar y Miler (2011). Las concentraciones de Cu
obtenidos en nuestro estudio fueron similares a los encontrados en los
suelos alrededor de la planta de acero en Turquía (Odabasi et al.,
2010) y fueron varias veces más bajos que los reportados por Einax y
Soldt (1999) y Schaefer et al. (2010). Se encontraron concentraciones
de Ni obtenido aquí para ser aproximadamente dos veces más altos
que los observados por Schaefer et al. (2010) y cerca de cuatro veces
más altos que los reportados por Gosar y Miler (2011). Las
concentraciones de Pb obtenidos en este estudio fueron similares a los
obtenidos por Al-Khashman y Shawabkeh (2009). Concentraciones
de varias veces más altos de Ni fueron reportados por Schaefer et al.
(2010), Chopin y Alloway (2007) y Gosar y Miler (2011).
R. Dragovi c et al. / Journal of Cleaner Production 84 (2014) 550e562 554 R. Dragovi c et al. / Journal of Cleaner Production 84 (2014) 550e562 554
Element Variance
source
Fig. 2. Average values of soil heavy metal concentrations in different subregions (C-center, E-east, N-north, S-south, W-west).
R. Dragovi c et al. / Journal of Cleaner Production 84 (2014) 550e562 555 R. Dragovi c et al. / Journal of Cleaner Production 84 (2014) 550e562 555
Las concentraciones de Zn obtenidas aquí fueron similares a
las observadas por Schaefer et al. (2010). Hasta 20 veces los
niveles de Zn más altos se encontraron en los suelos alrededor
de una planta metalúrgica en Alemania (Einax y Soldt, 1999).
Concentraciones mejoradas de diferentes metales pesados en
los suelos en los alrededores de las instalaciones de producción
de acero se han reportado en las últimas décadas. Shallari et al
(1998) reportaron muy altas concentraciones de Cd, Cr, Cu, Ni,
Pb y Zn, Chopin y Alloway (2007) la de Mn, Cu, Pb y Zn, y
Al-Khashman y Shawabkeh (2009) han encontrado altas
concentraciones de cd, Pb y Zn. Gosar y Miler (2011)
reportaron un aumento de las concentraciones de Co, Cr,
Cu y Ni en los suelos de la zona de influencia como resultado
de la industria del hierro y el acero. La contaminación por
metales pesados también es común en muchas ex siderúrgica
trabaja sitios (Harber y Forth, 2001; Udosen et al, 2012).
R. Dragovi c et al. / Journal of Cleaner Production 84 (2014) 550e562 556 R. Dragovi c et al. / Journal of Cleaner Production 84 (2014) 550e562 556
Fig. 4. The histograms and probability plots of heavy metal concentrations in analyzed soils.
R. Dragovi c et al. / Journal of Cleaner Production 84 (2014) 550e562 557 R. Dragovi c et al. / Journal of Cleaner Production 84 (2014) 550e562 557
Para investigar el impacto de latitud y longitud de los sitios de muestreo
sobre la distribución de metales pesados, el área de estudio se dividió en nueve
subregiones (tres por latitud y longitud por tres), de tal manera que el número
de sitios en cada subregión era aproximadamente igual. Prueba de
Kolmogorov-Smirnov (a = 0,05) reveló que las variables estudiadas se
distribuyen normalmente en cada subregión. De esta manera se obtuvo una
subregión central donde se encuentra y la chimenea de la planta de
procesamiento de acero ocho subregiones correspondientes a las ocho
direcciones (este, oeste, norte, sur, noreste, noroeste, sureste y suroeste). En la
Fig. 2 valores medios de las concentraciones de metales pesados del suelo en
nueve subregiones diferentes (central, este, oeste, norte, sur, noreste, noroeste,
sureste y suroeste) se muestran. Se detectaron varios patrones de cambio de las
concentraciones de metales pesados. Por lo tanto, Ni, Pb y Zn contenido
aumentaron de suroeste a noreste. Las mayores concentraciones se encuentran
en el extremo norte-este y el más bajo en la subregión central. Los niveles de Cr
aumentaron hacia el norte y el noreste y fueron los más bajos en la subregión
central. El contenido del suelo de Fe aumentó del sudeste hacia el noroeste con
las cantidades más bajas en la subregión central, alrededor de la chimenea.
Hubo crecientes tendencias de Co y Mn concentraciones desde el
este y al noreste hacia el oeste y el sur-oeste, lo menos que se
encuentran en el este y noreste. Se observaron algunas irregularidades
en los patrones anteriores en relación Cu y Cd. Por lo tanto, las
concentraciones de Cu disminuyeron desde el este hacia el centro y el
aumento de la subregión central hacia el noroeste y oeste, con los
niveles más bajos de la subregión central. Hubo tendencia al alza en
las concentraciones de Cd desde el sur hacia las otras direcciones con
niveles más bajos observados en la subregión sur.
En el análisis de conglomerados método de Ward y la distancia
euclidiana al cuadrado se utilizaron para amalgamar los elementos.
Los resultados del análisis de racimo se muestran como un
dendrograma, donde el eje distancia representa el grado de asociación
entre grupos de variables, es decir, cuanto menor es el valor en el eje,
la más significativa la asociación (Fig. 3). Los resultados del análisis
de conglomerados mostraron atribución de los metales y fracciones de
tamaño de partículas del suelo a tres grupos. El primer grupo
contenida arena, el segundo Cd, Cu, limo, Co y Mn y la tercera Ni,
Cr, Pb, Zn, Fe y arcilla. Esta clasificación de los metales corresponde
a los patrones observados previamente.
El análisis factorial y el análisis de componentes principales se
utiliza como método de extracción reveló tres factores que explican el
70% de la variación. De acuerdo con las cargas (Tabla 3), se puede
observar que esta clasificación corresponde a las obtenidas por
análisis de conglomerados y los patrones explicó anteriormente. El
primer factor compuesto de Ni, Pb, Cr, Zn, Fe y arcilla, el segundo
uno limo, Co, Fe (ya se ha explicado por F1), Mn en oposición a la
arena y la tercera Cu y Cd.
Para investigar la influencia de la distancia de la fuente de las
concentraciones de metales pesados en los suelos, los sitios de
muestreo fueron divididos en tres grupos aproximadamente iguales
con respecto a la distancia de la fuente de emisión. Las estadísticas
descriptivas básicas para cada grupo se resumen en la Tabla 4. Los
resultados de ANOVA de una vía para la comparación de las
concentraciones medias de metales pesados en el suelo entre estos
grupos se presentan en la Tabla 5. No se observaron diferencias
significativas entre los grupos para las concentraciones de Cr, Cu, Fe,
Ni, Pb y Zn y para fracciones de tamaño de partículas. Esto está de
acuerdo con los hallazgos de estudios similares en toda la palabra que
la fundición de partículas se puede encontrar hasta decenas de
kilómetros de la fuente de fundición, incluso en una dirección del
viento no prominente (Gregurek et al., 1998; Knight y Henderson,
2003) . Sin embargo, las distancias que las partículas podrían llegar
también son influenciados por las condiciones geográficas locales.
Por lo tanto, en los alrededores de las zonas mineras y de fundición en
España, los niveles de fondo se alcanzaron después de sólo 2
kilómetros (Chopin y Alloway, 2007).
En la región de Kremikovtzi, pasando de la fundición del
contenido total del suelo de metales pesados disminuyó
sucesivamente, y se fue a 5.5 km conmensurable con el nivel de
fondo para la mayoría de ellos (Faitondjiev et al., 2000).
Los valores de los coeficientes de los modelos de regresión se dan
en la Tabla 6. Los significados estadísticos muestran que los modelos
obtenidos tienen un buen poder predictivo.
R. Dragovi c et al. / Journal of Cleaner Production 84 (2014) 550e562 558 R. Dragovi c et al. / Journal of Cleaner Production 84 (2014) 550e562 558
Fig. 5. Variogram plots of heavy metal concentrations in the analyzed soils.
Antes del análisis geoestadísticos se examinó la distribución
estadística de los datos. La distribución normal de los datos medidos
es deseable, pero cuando no es el caso, hacer transformaciones de
datos distribuidos de manera más normal (Gokalp et al., 2010). Para
determinar los valores de la distribución de datos asimetría
normalidad y curtosis se puede utilizar, así como histograma y QQ
normal de las parcelas, y la mediana y la similitud (Gorai y Kumar,
2013) significaría. Conjuntos de datos no mostraron una distribución
normal, por lo que se llevaron a cabo las transformaciones
logarítmicas y BoxeCox.
Las transformaciones BoxeCox dio lugar a una disminución
skewnesses y curtosis por lo que se aplicaron en el trabajo futuro.
Después de la inspección visual de semivariogramas y validación
cruzada, el mejor ajuste del modelo para la predicción de Cd, Cr, Cu,
Fe, Mn, Ni, Pb y Zn fue exponencial y Co era esférica. Modelos
Semi-variograma de metales pesados y fracciones de suelo con sus
parámetros se muestran en la Tabla 7.
Los valores de información, de umbral y alcance, así como la
relación información/umbral, de los modelos teóricos mejor
equipados se presentan en la Tabla 8. La relación información/umbral
de la varianza expresada en porcentajes puede ser un criterio para la
clasificación de la dependencia espacial de pesada las
concentraciones de metales.
R. Dragovi c et al. / Journal of Cleaner Production 84 (2014) 550e562 559 R. Dragovi c et al. / Journal of Cleaner Production 84 (2014) 550e562 559
Fig. 6. Wind rose for 30 years of wind record (1981e2010) depicting (a) directional frequencies and (b) distributions of the wind speed.
Si la relación información/umbral está a menos de 25%, entonces
la variable tiene una fuerte dependencia espacial, si la relación es
entre 25% y 75%, la variable tiene dependencia espacial moderada y
si la relación es mayor que 75%, los espectáculos de variables débil
dependencia espacial (Xie et al., 2007). La relación
información/umbral de Co, Cd, Fe, Ni, Zn y Pb están sugiriendo que
las variables tienen una fuerte dependencia espacial; proporción de
Mn está sugiriendo que la variable tiene dependencia espacial
moderada y la proporción de Cr y Cu muestra débil dependencia
espacial. Los rangos para Co, Cr, Fe, Mn, Ni, Pb y Zn, dados en la
Tabla 8, muestran que la longitud de la autocorrelación espacial es
más largo que el intervalo de muestreo promedio de 1021 m, que
indica que el diseño de muestreo es apropiado, por lo se espera que
las estructuras espaciales en el mapa interpolado serán buenas. Los
rangos de Cd y Cu son más cortos que el intervalo de muestreo medio
y la autocorrelación no pudieron ser capturados. Esto sugiere que en
futuras encuestas, muestreo de suelos para estos elementos se debe
realizar en las distancias cortas.
El análisis geoestadístico reveló autocorrelación espacial
de Co, Fe, Mn y Ni (Fig. 5). La influencia de los vientos
predominantes en la distribución de los metales pesados en
el área que rodea la instalación de producción de acero se
investigó. La rosa de los vientos y distribuciones de la
velocidad del viento se muestran en la Fig. 6. La rosa de los
vientos se obtuvo utilizando el paquete estadístico Climatol
implementado en "R 2.15.2" (Guijarro, 2011). Los datos
meteorológicos se obtuvieron de la estación Smederevska
Palanka meteorológica (44220 N, 20570 E), que se
encuentra a 30 km al sur de Smederevo. Frecuencias de
dirección del viento y la velocidad del viento se calculan de
manera convencional por un período de 30 años (1981-
2010).
El viento es el parámetro meteorológico dominante para
la distribución de aire de los contaminantes emitidos por las
chimeneas industriales. La distribución de la dirección de la
rosa de los vientos prevalencia indicada de los vientos de la
segunda (ES) y cuarto (WN) cuadrantes. Por lo tanto, los
vientos predominantes son WNW (11,9% de la actividad
eólica) y ESE (11,3%). El porcentaje de condiciones de
calma, donde la velocidad del viento es < 2 m / s es de
10,6%. Tendencias similares también se pueden ver en la
velocidad media del viento, donde las direcciones
predominantes son WNW, ESE y E con una velocidad
media de 2,9 m/s. Este fue un resultado muy esperada, ya
que esta región en particular está influenciado por los
vientos que soplan desde el noroeste y sureste. El viento
Kosava es característico en la parte fría del año y resulta de
aire frío que viaja desde el sureste. La distribución de la Fe
podría ser una consecuencia de los vientos dominantes
(WNW y ESE) (Fig. 7), ya que la mayor concentración se
encuentra en la región SE, a 13 km de la fuente. Una
situación similar ocurrió con Co y Cd. Los resultados
obtenidos en este estudio están de acuerdo con los
hallazgos de Odabasi et al. (2010), que informó de las
mayores concentraciones de metales pesados en el suelo
alrededor de las plantas de hierro-acero en los puntos donde
las emisiones de la industria son transportadas por los
vientos predominantes.
Las capacidades de predicción de los modelos
aplicados, es decir, de regresión multivariante y kriging
ordinario, se compararon mediante RMSE como la medida
de una magnitud del error de predicción (Ec. (4)). De
acuerdo a los valores RMSE obtenidos (Tabla 9), modelo
de regresión multivariante mostró mayor capacidad de
predicción para las concentraciones de Cd, Cr y Cu,
mientras kriging ordinario mostró mayor capacidad de
predicción para los otros elementos. Aunque las diferencias
entre los modelos, según RMSE, no fueron significativas, el
kriging ordinario mostró el RMSE inferior para mayor
número de elementos.
R. Dragovi c et al. / Journal of Cleaner Production 84 (2014) 550e562 560 R. Dragovi c et al. / Journal of Cleaner Production 84 (2014) 550e562 560
La comparación entre los mapas de área cubierta por un
número significativo de muestras que presenta valores
predichos por el método kriging ordinario y valores
predichos por el método de análisis de regresión se presenta
en la Fig. 8.
La distribución de metales pesados en los suelos
alrededor de la fuente puntual es muy necesaria para la
valoración de las perturbaciones de los ciclos geoquímicos
de los metales en el medio ambiente y sus efectos sobre la
salud ambiental y humana y también para el desarrollo de
estrategias de remediación apropiadas. Este estudio revela
la importancia de los factores geográficos locales en la
evaluación del impacto ambiental de las instalaciones de
producción de acero en Smederevo. Los resultados de este
estudio contribuirán al abordar nuevas medidas que se
emprenderán para minimizar la exposición y la
contaminación en los alrededores del complejo industrial.
4. C o n c l u s i o n e s
En este estudio se evaluó el impacto ambiental de una planta de
producción de acero en Serbia. Se encontró que las concentraciones
de Cd, Co, Cu Ni, Pb y Zn en el área afectada por la industria a ser
más altos que los reportados para los suelos europeos y también
mayores que las concentraciones medias de estos elementos en todo
el mundo. En algunos sitios de muestreo de los niveles de Cd, Cu, Ni
y Pb exceden los límites establecidos por las normas locales.
Varias técnicas estadísticas revelan el impacto de los factores
geográficos en la distribución de metales pesados en la zona
investigada. Se propuso un modelo de regresión para la predicción de
las concentraciones de metales pesados basados en latitud, longitud y
distancia desde la fuente de emisión. Análisis geoestadístico mostró
las mayores concentraciones de metales pesados en los sitios en la
dirección del viento predominante.
La comparación del modelo de regresión y kriging ordinario
mostró las capacidades de predicción similares de ambos modelos. El
modelo kriging ordinario mostró ligera ventaja debido a la menor
error de predicción para un mayor número de elementos. Los
resultados obtenidos se utilizarán como una base de datos valiosa
para la evaluación del futuro de la contaminación por metales pesados
alrededor de la instalación de producción de acero.
También servirán como base para la definición de los requisitos
para futuras investigaciones, que comprenderá los factores mas
geográficas y ambientales que pueden contribuir a la distribución de
metales pesados en el área investigada
R. Dragovi c et al. / Journal of Cleaner Production 84 (2014) 550e562 561 R. Dragovi c et al. / Journal of Cleaner Production 84 (2014) 550e562 561
Fig. 7. Final maps of heavy metal concentrations (mg kg 1
) in the analyzed soils of the area covered by significant number of samples (marked with the gray color in the picture in
the bottom right corner) predicted by ordinary-kriging (for interpretation of the references to color in this figure legend, the reader is referred to the web version of this article).
Table 9
The RMSE values for multivariate regression model and ordinary kriging.
Metal RMSE
Regression Ordinary kriging
Cd 0.75 0.90
Co 7.17 4.99
Cr 19.24 20.96
Cu 31.37 32.46
Fe 3576.62 3023.25
Mn 120.65 118.49
Ni 22.13 21.51
Pb 16.07 16.05
Zn 21.16 20.92