水体含沙量监测一直是水文观测及水中建设施工的重要观测内容, 实时有效地监测水体含沙量具有重要实际价值。 传统人工测量方法效率低下, 无法实时监测, 基于超声波等仪器监测方法虽可实现水体含沙量的实时测量, 但在安全性、 稳定性和测量范围上各有缺点。 而基于光谱法进行物质含量监测的技术具有快速、 无损、 精确高效等优点, 近年来被广泛应用于各领域, 为水体含沙量在线监测技术提供新的思路与方法。 但直接透射光谱法易受光源的不稳定和外界的杂散光的干扰, 产生光谱噪声, 同时由于仪器设备的光强饱和度, 其测量量程存在限制。 基于此, 重点研究直接透射光谱噪声处理和多段标定技术, 设计了一种基于透射光谱的水体含沙量快速大量程在线监测系统。 首先基于朗伯-比尔基本定律理论分析水体含沙量与透射光强度之间的关系, 然后利用比色皿支架实验室搭建了水体含沙量监测试验系统, 配制不同含沙比例的标准溶液, 进行强度-含沙量实际相关度标定测试。 为克服光谱噪声影响, 采用小波阈值去噪算法对原始透射光谱进行预处理, 使用sym7小波基, 极小极大阈值选择规则和7次小波分解次数, 消除光谱噪声; 设置不同积分时长, 采用多段标定的方式实现了从4%到22%含沙量的大量程测量, 并在算法中实现标定函数与测量量程自动匹配。 结果表明标定曲线R平方值均在0.99以上, 线性度良好, 与理论相符合。 最后对设计的水体含沙量在线监测系统进行实际精度测试, 结果表明在大量程测量范围的测量误差均控制在0.4%以下, 全量程误差均值为0.173%, 误差标准差为0.115%, 可满足工程实际需求。 因此提出一种大量程的水体含沙量在线监测系统, 并试验验证了系统测量准确度, 可以用于水体含沙量实时在线监测。

为了更好地实现对重金属污泥的资源化利用，研究了高温无害化处理重金属污泥与建筑渣土混合渣料磨细粉对硅酸盐水泥基材料工作性、力学性能、早期收缩变形、抗氯离子渗透性能及重金属浸出的影响及机理。研究结果表明，随着磨细粉掺量的增加，硅酸盐水泥基材料的工作性没有降低，但其力学性能均有一定程度下降，这说明磨细粉与硅酸盐水泥的需水比相差不大，但其掺量越大水泥基材料中水泥的量越低，其强度均会有一定程度下降。磨细粉不会引起硅酸盐水泥基材料的体积安定性问题，可以提高早期抗裂性，但会降低其抗氯离子渗透性能。含磨细粉试件中重金属的浸出浓度、水胶比的下降与龄期的上升呈负相关，且在28 d龄期下含40%(质量分数)磨细粉的硅酸盐水泥基材料中重金属Cu、Ni、Zn和Cr的浸出量均低于GB 30760-2014《水泥窑协同处置固体废弃物技术规范》规定的浸出浓度限值。

该文对标ITC-1007与ITC-1032球形换能器, 为海底沉积声学测量系统研制了两款中低频球形换能器(SP32K和SP12K)。通过理论及有限元方法对换能器进行仿真设计, 制作换能器样机并对其进行了性能测试。低频球形换能器(SP12K)的谐振频率约为12 kHz, 工作频带为2~20 kHz, 最大发射电压响应为149 dB。中频球形换能器(SP32K)的谐振频率约为32 kHz, 工作频带为15~50 kHz, 最大发射电压响应为149 dB。实验结果表明, 研制的中低频球形换能器与国外同类产品相比, 性能基本一致, 满足相关声学测量需求, 这为研制中低频海底沉积声学原位测量系统等声学装备提供了有力支撑。

云南西部龙陵地区分布有大片的花岗岩，其表层风化强烈，地区雨水充沛，致使边坡坡面侵蚀强烈，水土流失极其严重，现急需开展针对性的水土流失治理方案。以云南省龙陵县花岗岩分布区的风化残积砂质土为研究对象，设计了工程措施、植物措施、工程+耕作措施3种水土保持措施和3个地表坡度（10°，20°，40°）的人工模拟降雨实验，利用三维激光扫描技术对不同坡度下的水土保持措施的水土保持效果进行高精度实时监测，并以产沙率特征和减沙效益特征评价水土保持措施的有效性。实验结果表明：一定降雨强度条件下，坡度是影响坡面侵蚀的最重要因素，坡度越大，产沙速率越快；3种水土保持措施均有不同程度的减沙作用；两种相结合措施的水土保持效果要远远优于单一措施。

悬浮泥沙浓度是水体监测中极为重要的指标。本论文基于神经网络具有弥补传统经验算法固有误差的潜力，设计并开发了基于人工神经网络的神经网络校正器来对经验反演结果进行二次校正。为了防止在小数据集的情况下出现过拟合问题，采用了特殊设计的正则化项。基于高分五号高光谱遥感数据以及在长江口和沿海水域同时收集的悬浮泥沙浓度实地测量结果，研究了4种基线经验模型，并评估了使用神经网络校正器后的精度。在每个基线模型上都测试了神经网络校正器模型的两个典型应用，包括基线模型校正和时间校正。在这两种应用中，结果均表明，经校正的D'Sa模型具有最高的准确性。通过使用基线模型校正，均方根误差从0.1495 g/L降低至0.1436 g/L，平均绝对百分比误差从0.7821降低至0.7580，决定系数从0.6805升高至0.6926。实施时间校正后，平均绝对百分比误差从0.8657降低至0.7817，决定系数从0.6688升高至0.7155。最后，基于神经网络校正器校正后精度最高的模型处理了整幅高分五号高光谱图像。本论文结果为各种经验反演算法提供了一种通用的二次校正方法，以最大程度地减少基线模型的固有误差，并且保证了反演精度。

氯是化探样品分析中的重要元素, 而X射线荧光光谱法是测定卤族元素的重要技术手段。 已有研究表明, X射线荧光光谱法在测定氯时, 同一样片中氯的测定值随重复测定次数的增加而逐渐增大或减小。 采用高压覆膜制样技术制片, 测定土壤和水系沉积物中的氯, 氯（24～40 000 μg·g-1）校准曲线的相关系数明显改善, RMS（均方根）由未贴膜的0.009 63, 改善为贴膜后的RMS 0.001 98。 氯的检出限由未贴膜的30 μg·g-1, 改善为贴膜后的21 μg·g-1。 且高压覆膜制样, 同一样片连续测定10次, 还是10 d内隔天测定1次, 氯的测定值都保持不变或略有下降。 从抽真空时间, X光管应用功率, 烘样和不烘样, 氯元素存在形式等角度解释了氯的测定值随重复测定次数的增加而逐渐增大或略减小的原因。 高压覆膜制样, 样品表面的聚酯膜, 可以阻止在抽真空过程中氯随水分向样片表面迁移扩散或分解损失。 高压未覆膜的样片在测定过程中, 因样片表面吸附了水及空气分子, 因而随抽真空时间的增加及解吸附作用, 真空度下降明显, 氯的强度变化明显。 而高压覆膜样片在测定过程中, 真空度下降不明显, 氯的测定值基本不变或略有下降。 高压制样（1 600 kN）可以将不同类型的地质样品压制成型, 高压覆膜制样技术, 完全消除了粉尘效应, 对下照射的X射线荧光光谱仪具有重要意义。 测过的样片可以重复测定氯, 标准样片可长期保存, 避免了标准样品的浪费。 用该方法可以准确测定土壤和水系沉积物中32个组分。 该样品制备方法也适用于测定其他难以成型的样品及其荧光强度由于真空和长时间辐射而强度变化的元素分析。

研究土壤和水系沉积物中硒的价态有助于了解硒(Se)的迁移和转化。 目前报道大多只是测定土壤和水系沉积物中部分Se的价态, 而如何测定土壤和水系沉积物中全部Se的价态一直是一个难题, 难点在于如何将土壤和水系沉积物中的Se消解完全而不改变Se的价态。 试验发现6.0 mol·L-1 HCl可以将Se(Ⅵ)还原成Se(Ⅳ); 而在室温条件下1.2 mol·L-1 HCl介质中Se(Ⅳ)和Se(Ⅵ)放置48 h, 价态保持不变。 Se(Ⅳ)和Se(Ⅵ)采用HNO3+HF+HClO4进行消解, 加热到HClO4冒白烟时, Se(Ⅳ)和Se(Ⅵ)的价态保持不变; 而土壤和水系沉积物中Se采用HNO3+HF+HClO4进行消解, 加热到HClO4蒸干以后, Se(Ⅳ)会被氧化成Se(Ⅵ)。 基于以上的研究结果, 建立了氢化物发生-原子荧光光谱法(HG-AFS)测定土壤和水系沉积物中Se(Ⅳ)和Se(Ⅵ)的方法, 样品采用HNO3+HF+HClO4消解, 加热至HClO4冒白烟后停止加热(避免局部蒸干), 消解后的样品冷却至室温用1.2 mol·L-1 HCl溶解, 采用 HG-AFS测定得到样品中Se(Ⅳ)。 消解后的样品采用6.0 mol·L-1 HCl 加热溶解, 将Se(Ⅵ)全部还原为Se(Ⅳ), 采用HG-AFS测定得到样品中总Se, 利用差减法得Se(Ⅵ)。 测定结果表明土壤和水系沉积物中Se消解完全, Se(Ⅳ)和Se(Ⅵ)在分析过程中价态保持不变, Se(Ⅳ)和总Se的检出限分别为4.5和5.1 ng·g-1, Se(Ⅳ)和Se(Ⅵ)加标回收率分别为102%～108%和94%～104%。

光谱数据变换和光谱特征波长提取是二种重要的光谱预处理方法, 对消除环境等干扰具有重要的作用。 以往文献主要对比研究不同的光谱数据变换方法, 光谱特征波长提取方法的对比研究以及二者的组合研究较少。 为了获取适宜的光谱预处理方法, 提高潮间带沉积物氮的最小二乘支持向量机（LSSVM）模型精度, 研究了4种光谱变换方法与3种特征波长提取方法组合对沉积物氮LSSVM模型精度的影响, 以期实现潮间带沉积物氮的精确预测。 研究结果表明, 多元散射校正（MSC）或标准正态变换（SVN）光谱变换方法提高了光谱与氮含量的相关性, 最高相关系数分别达到0.69和0.71; 并且提高了LSSVM模型的预测精度, 模型的预测R2和RPD分别为0.88, 0.87和2.78, 2.69。 无信息变量消除（UVE）特征波长提取方法也提高了LSSVM模型的预测精度, 模型预测R2和RPD分别0.89和2.70。 但是, UVE提取的特征波长并不都与氮含量具有高相关性。 此外, 组合运用UVE特征波长提取方法和MSC或SVN光谱变换方法, 也提高了模型预测精度, 但并不优于单独运用UVE特征波长提取方法或单独运用MSC及SVN光谱变换方法。 研究结果可为潮间带沉积物氮估算和光谱数据预处理提供技术参考。

可见-近红外光谱已被证明是一种快速、 有效的有机碳(TOC)含量预测方法。 但是, 当前利用光谱预测TOC含量的研究对象主要为土壤或湖泊沉积物, 还未见潮间带海洋沉积物的研究报道。 为了快速准确预测潮间带沉积物TOC含量, 通过异常样本剔除、 光谱特征变换、 特征波长提取相结合, 构建TOC预测模型, 即, 采集潮间带沉积物样品光谱, 采用马氏距离、 标准杠杆值和学生残差联合分析的方法剔除异常样本, 利用多元散射校正(MSC)、 平滑+微分进行光谱变换, 利用遗传算法(GA)提取特征波长, 采用偏最小二乘法(PLS)、 最小二乘支持向量机(LSSVM)和BP神经网络(BPNN)对沉积物TOC含量进行建模和预测, 通过决定系数(R2)和剩余估计偏差(PRD)来评价模型精度。 结果表明, 剔除异常样本有助于提升模型精度, BPNN模型的检验R2和PRD分别提升了28%和39%。 MSC光谱变换效果优于平滑+微分, 基于MSC光谱变换的PLS, LSSVM和BPNN模型检验R2分别为0.81, 0.86和0.78, PRD分别为2.25, 2.59和2.07, 比平滑+微分提升了9%~20%(R2)和11%~22%(PRD), 意味着MSC具有较强的TOC信息提取能力。 GA不利于增加预测模型精度, 基于GA特征波长的模型预测R2降低了9%~36%, PRD降低了18%~33%, 可能与GA提取的特征波长数量偏少有关。 BPNN模型的预测精度最低, 可能与其容易陷入局部极小点有关。 PLS模型精度较高, 可以很好的预测潮间带沉积物TOC含量。 基于异常样本剔除和MSC光谱变换, PLS模型的建模R2为0.98, 检验R2为0.81, RPD为2.25。 LSSVM模型精度更优于PLS, LSSVM模型建模R2为0.99, 检验R2和RPD分别为0.86和2.59, 显示极好的TOC定量预测能力。 总之, 针对潮间带沉积物TOC含量预测, 可以将剔除异常样本、 MSC光谱变换、 LSSVM建模结合起来, 以获得可靠、 稳定的预测模型。