[发明专利]一种结合紫外可见光吸收光谱技术的水质检测方法

说明书

本发明为一种结合紫外可见光吸收光谱技术的水质检测方法，设计了CFFA光谱信息提取法从三维荧光和紫外‑可见光吸收光谱中提取丰富的水体污染信息，建立了化学需氧量(COD_Cr)、高锰酸盐指数(COD_Mn)、氨氮(NH₃‑N)、总磷(TP)、总氮(TN)和五日生化需氧量(BOD₅)6项水质指标的预测模型，本发明通过水体光谱信息反演水质指标，预测结果具有较好的准确性和精度，为地表水的高效原位监测提供了一种新的解决方案。

本发明涉及水质指标模型和水质等级快速判断方法领域，具体为一种结合紫外可见光吸收光谱技术的水质检测方法。

背景技术

随着城市化进程的加快和各种资源污染的加剧，城市河流水质不断恶化，对水生生态系统和人类健康构成威胁。实时水质监测对于有效管理城市水资源和快速识别污染源至关重要。水质的主要监测指标包括化学需氧量(COD_Cr)、高锰酸盐指数(COD_Mn)、氨氮(NH₃-N)、总磷(TP)、总氮(TN)和五天生化需氧量(BOD₅)。然而，传统的水质指标实验操作复杂、成本高、耗时长、对环境有害，不适合大量采样和实时监测。此外，这些水质指数无法提供有关水污染物结构组成和详细来源的任何信息。因此，有必要开发更方便、经济、高效、环保的方法来克服传统监测技术的缺点，满足实时水质监测的要求。

目前基于三维荧光技术和紫外-可见吸收光谱技术结合机器学习算法的水质指标预测技术均有报道，但存在以下问题：

1、使用单一的光谱技术，具有局限性，无法全面获取水体中的污染物信息；

2、水质样本没有经过长期且广泛的积累，预测模型使用的训练集样本数量较少，导致预测模型的泛化性能弱，应用范围窄；

3、水质预测模型针对的水质指标单一，无法全面反映水体的污染状况；

4、用于建立预测模型的机器学习算法有些过于简单(如多元线性回归，MLR)，忽略了水质污染的多样性和复杂性，难以应对复杂的水质状况；

5、从光谱中提取污染物信息的方式较为单一且片面，有些方法(如平行因子法PARAFAC)耗时长、计算过程复杂，结果局限性大，难以应用于实际水质监测；有些方法如峰值提取法则过于简单，对于复杂光谱处理的效果不理想，无法全面反映水体中的污染状况和污染性质。

发明内容

为实现上述目的，本发明提供如下技术方案：一种结合紫外可见光吸收光谱技术的水质检测方法，包括以下步骤：

S1、样品采集：

使用垂直采样器采集水面下深处的水体，静置取上层清液，放入无菌棕色玻璃瓶中，然后运输至实验室；

S2、化学分析：

将样品摇匀并静置30min后取上层清液进行检测，分析项目为化学需氧量(COD_Cr)、高锰酸盐指数(COD_Mn)、氨氮(NH₃-N)、总磷(TP)、总氮(TN)和五日生化需氧量(BOD₅)，检测方法参照相关国标和行业标准；

S3、三维荧光光谱测量：

用日立F4600型荧光分光光度计测量水样三维荧光光谱，测量前，先将样品摇匀后静置至室温，若样品的荧光强度超出仪器测量范围，须用超纯水稀释，同批样品的光谱分析与化学分析时间间隔不超过24h；

S4、紫外可见光吸收光谱测量：

先将样品摇匀后静置至室温，使用便携式紫外-可见分光光度计测量水质样本吸收光谱，若样品的荧光强度超出仪器测量范围，须用超纯水稀释，同批样品的光谱分析与化学分析时间间隔不超过24h；