总有机碳是以碳含量评价水质有机污染的指标, 可以反映水体受污染程度。 目前地表水总有机碳检测多采用现场取样后实验室分析检测方法, 该方法存在费时费力、 操作复杂、 二次化学污染等缺点。 紫外-可见光谱法具有环保、 操作简便、 可实时在线原位检测等优点, 在地表水总有机碳检测中具有很好的应用前景。 针对总有机碳检测问题, 采用了一种基于自适应增强学习的区间偏最小二乘回归方法, 该方法将总有机碳吸收光谱波段分为若干子区间, 初始化训练样本权重, 依次在各子区间建立偏最小二乘回归模型, 根据子区间模型预测误差率计算该子区间预测结果的权重系数, 并更新下一子区间训练样本权重, 最后将各子区间模型预测结果线性加权得到总有机碳的检测结果。 实验配制总有机碳标准溶液浓度25~150 mg·L^-1共43个样品, 第一时间段采集35个总有机碳标准样品光谱分为训练集和测试集, 建立并验证总有机碳检测算法模型。 为评价算法模型鲁棒性, 在另一时间段采集剩余的8个标准样品光谱进行反测验证。 实验结果表明, 采用基于自适应增强学习的区间偏最小二乘回归法建立的总有机碳定量模型具有较高的精度和鲁棒性, 分组验证和反测验证的预测均方根误差分别为1.304和1.533 mg·L^-1, 均优于偏最小二乘回归和极限学习机方法。 为进一步验证该方法的有效性, 使用该建模方法预测生活污水的总有机碳含量。 实际地表水样本取样于河北石家庄藁城污水处理厂排污口污水及河北先河公司园区的生活污水, 经稀释后共获得50组地表水样本, 采用SPXY方法分为训练集33组水样, 测试集17组水样。 在实际水样检测中, 采用净信号分析方法进行光谱预处理, 降低总有机碳与其他水质参数间的交叉干扰; 分组验证预测均方根误差为3.26 mg·L^-1, 平均绝对值百分比误差为3.46%。 综上所述, 基于自适应增强学习的区间偏最小二乘回归方法, 可以快速准确地对地表水中总有机碳进行检测, 为在线水质总有机碳检测提供了方法支撑。

基于三维荧光光谱随荧光有机物的种类和浓度的不同与水体或污染排放源呈现对应关系的特性, 水质荧光指纹溯源技术能够通过水体的三维荧光信号追溯污染排放源。 以我国南方C市地表水A河为主要研究对象, 利用水质荧光指纹溯源技术对A河及其上游来水方向J河进行了水质荧光指纹特征解析和污染排放源溯源。 A河水质荧光指纹主要包括三个特征荧光峰, 其[激发波长, 发射波长]分别为[280, 320], [235, 345]和[255, 460] nm, 其上、 中、 下游水质指纹之间相似度均大于99%, 具有典型的印染废水污染特征。 A河上游由J河分流汇入, J河水质荧光指纹与A河相似度低于60%, 且强度不超过A河的40%。 J河对A河水质荧光指纹形成过程的影响较小, A河的荧光强度主要由A河上游区域贡献。 溯源结果表明, A河河水与A河上游印染纺织工业园区的印染废水水质荧光指纹相似度为94%, A河污染很可能来自其上游未经处理的印染废水的排放。 A河和J河河水水质荧光指纹各荧光峰强度与高锰酸盐指数的线性相关系数R²分别达到0.956 4, 0.937 5和0.985 4, 而水质荧光指纹法感知污染的灵敏度更高。 与其他三维荧光光谱相似度算法的结果对比表明, 水质荧光指纹溯源技术是一种可靠的水环境监管技术, 能够为进一步实现污染源头治理和环境精细化管理提供有力的技术支撑。