1 上海市水文总站，上海200232
2 中国科学院上海技术物理研究所, 上海200083中国科学院大学, 北京100049
由于上海市河湖水网密布，科学有效地监测河湖水质，有利于巩固河湖治理成果，为新形势下水资源的保护和管理服务。研究目的是实现卫星遥感技术在城市水体水质监测中的有效应用。基于Sentinel-2多光谱影像，采用机器学习技术建立了城市河流水质参数反演模型，对2019~2021年上海市103条河流的溶解氧（Dissolved Oxygen, DO）、高锰酸盐指数（Permanganate index, CODMn）、氨氮（Ammonia Nitrogen, NH3-N）和总磷（Total Phosphorus, TP） 4种水质参数进行了遥感反演。分析了上海市主要河流水质参数的时空变化特征，并对上海市水环境进行了评价。结果表明，DO、CODMn和TP三个水质指标的反演精度优于80%，NH3-N的反演精度优于70%；4种水质参数所属水体类别均优于V类；第一、第四季度水质优于第二、第三季度。
城市河流 遥感 机器学习 水质参数 urban river remote sensing machine learning Sentinel-2 Sentinel-2 water quality parameters
Author Affiliations
Abstract
In recent years, the treatment of agricultural wastewater has been an important aspect of environmental protection. The purpose of photocatalytic technology is to degrade pollutants by utilizing solar light energy to stimulate the migration of photocarriers to the surface of photocatalysts and occur reduction-oxidation reaction with pollutants in agricultural wastewater. Photocatalytic technology has the characteristics of high efficiency, sustainability, low-energy and free secondary pollution. It is an environmental and economical method to recover water quality that only needs sunlight. In this paper, the mechanism and research progress of photocatalytic removal of heavy metal ions and antibiotics from agricultural water pollution were reviewed by combining photocatalytic degradation process with agricultural treatment technology. The mechanism of influencing factors of photocatalytic degradation efficiency was discussed in detail and corresponding strategies were proposed, which has certain reference value for the development of photocatalytic degradation.
photocatalysis agricultural pollution water quality remediation heavy metals antibiotics Journal of Semiconductors
2023, 44(11): 111701
1 重庆大学光电技术及系统教育部重点实验室, 重庆 400044
2 重庆市光纤传感与光电检测重点实验室, 重庆 400054
3 成都理工大学计算机与网络安全学院, 四川 成都 610059
紫外-可见吸收光谱法测量水质化学需氧量(COD), 本质是对大量水质光谱数据建模, 以此模型为基础引入待测的水质光谱数据进行预测的过程。 而实测的邻苯二甲酸氢钾COD标准溶液在200～300 nm存在两个特征吸收峰, 标准溶液在不同浓度下的峰值也不同, 利用此特性对该波段进行特征波长的选择, 用其表征光谱信息, 降低数据冗余度的同时提高了预测精度。 针对实测水质光谱信号容易受到仪器本身和外界干扰, 光谱数据存在大量非平稳噪声, 且特征吸收峰及其临近信号频率较高, 常规去噪算法直接舍弃高频信号以及无法准确判断信噪分量界限, 导致有效信号缺失这一实际问题。 提出了一种基于完全自适应噪声集合经验模态分解(CEEMDAN)和双树复小波变换(DT-CWT)的联合去噪算法。 该联合算法利用CEEMDAN将信号分解为本征模态函数(IMF), 并通过归一化自相关函数和互相关系数进行线性相关性分析, 得到各阶IMF分量之间的自相关性以及IMF分量与原始信号的互相关系数, 以确定高频含噪分量与低频信号分量的界限; 进而应用DT-CWT阈值去噪算法对含噪高频IMF分量进行处理, 将DT-CWT处理之后的IMF高频分量与CEEMDAN分解得到的IMF低频分量进行信号重构, 获得最终去噪后的水质光谱信号。 实验结果表明: 基于CEEMDAN联合双树复小波变换的去噪算法适用于紫外-可见光谱水质检测的数据处理。 对于化学需氧量COD标液为100 mg·L-1的邻苯二甲酸氢钾溶液, 将实测的紫外-可见光谱数据应用该算法去噪后的SNR=24.201 5 dB, RMSE=0.024 0, NCC=0.999 4, PSNR=37.573 6, 不仅去噪效果显著优于CEEMDAN和双树复小波阈值算法, 还有效地保留了原始COD标液的吸收特征峰, 遏制了平移敏感性现象, 提高了重构信号的平滑度, 改善了重构信号质量。 为紫外-可见光谱法检测水质COD提供了一种新的数据预处理方法。
水质检测 紫外-可见光谱 完全自适应噪声集合经验模态分解(CEEMDAN) 双树复小波变换 相关分析 Water quality measurement UV-Vis spectrum CEEMDAN DT-CWT Correlation analysis
1 中国科学院长春光学精密机械与物理研究所, 吉林 长春 130033
2 中国科学院大学, 北京 100049
水是维系生命与健康的基本需求, 人类的生产、 生活都离不开水。 水体中氮磷的超标导致水中营养元素过剩从而水体富营养化, 进而水质恶化甚至造成大范围的影响。 高光谱遥感在内陆水质监测领域的应用越来越广泛, 研究以此为基础, 为减少室外水体特异性因素影响, 通过实验室模拟外界条件搭建实验室实验系统, 并根据国家排放标准分别配制浓度范围在0～2.5 mg·L-1 的40个不同浓度梯度的磷酸钠标准溶液和浓度范围在0～20 mg·L-1 的40个不同浓度梯度氯化铵标准溶液。 获取所有标准溶液的高光谱图像, 对水质参数总磷、 总氮的光谱响应进行了分析, 找出其对应的敏感波段分别在420、 720 nm附近和410 nm附近。 利用主成分分析(PCA)建立高光谱水质反演数据集, 对高光谱图像作辐射定标、 Savitzky-Golay滤波(SG滤波)预处理并利用BP人工神经网络分别构建实验室高光谱总磷、 总氮反演模型, 构建的实验室高光谱总磷反演模型的决定系数为0.980 2, 实验室高光谱总氮反演模型的决定系数为0.860 2。 以江苏宜兴市内某河道为研究对象, 将该模型应用到室外无人机搭载高光谱成像系统获取到的室外高光谱图像数据, 分散选取五个点分别计算结果, 得到总磷、 总氮浓度均值的反演精度分别为95.00%和93.52%。 利用传统方法直接在待测河道观测点取水构建的室外高光谱水质反演模型反演相同五个点得到的总磷、 总氮浓度均值的反演精度分别为86.87%和86.48%。 两组反演结果对比, 发现本研究构建的实验室高光谱水质反演模型得到的光谱反演结果中90%的反演精度略高于室外水质反演模型的反演精度, 证实该研究可对待测河道内总磷、 总氮的含量进行有效预测, 也可为水体总磷、 总氮高光谱遥感反演提供一定技术支持。
高光谱 总磷 总氮 水质反演 Hyperspectral Total phosphorus Total nitrogen Water quality inversion
1 重庆理工大学光纤传感与光电检测重庆市重点实验室, 重庆 400054
2 重庆大学光电技术及系统教育部重点实验室, 重庆 400044
水质污染源的及时精确定位和精细化的污染防治措施是打赢水污染防治攻坚战的迫切需求, 为解决地表水实际水样高锰酸盐指数准确分类的实际问题, 以光谱降噪和光谱有效信息提取为切入点, 根据紫外-可见光谱数据的特点, 提出使用一维卷积神经网络处理紫外-可见光谱数据。 为验证检测一维卷积神经网络对地表水光谱信号分类的可行性, 选取长江的某段流域作为取样点。 采集当天的长江上游水、 某河水、 嘉陵江水, 生活污水、 500 mg·L-1邻苯二甲酸氢钾溶液来模拟污染水源。 将几种水样按不同的配比来模拟当天该流域的水污染变化情况。 采集现有的单一水样及混合配比水样的光谱数据, 根据各类水样的特征光谱信息进行区分, 实现地表水高锰酸盐指数的预测分类, 快速确定异常水样的污染来源, 通过仿真实验, 优化模型参数并完成优化训练。 与K最邻近法、 支持向量机等传统分类方法相比, 该算法在光谱预处理复杂度和定性分析准确度方面有较大优势, 在没有复杂的数据预处理前提下, 将获取的350条光谱数据建立水质分类模型, 随机选择其中245条数据作为训练集, 另105条数据作为测试集, 模型的混淆矩阵分类精度达99.0%。 不仅简化了整个光谱分析流程, 而且能保留更多的有效光谱信息, 减小人为预处理对紫外-可见光谱数据的影响, 实现地表水高锰酸盐指数的准确分类。 实验结果表明该方法可对不同水体水样进行准确分类, 快速定位污染源, 为无法激发荧光的污染物溯源提供了科学依据, 为与三维荧光技术辅助配合快速精确定位地表水污染源提供了可能, 同时表明了深度学习在紫外-可见光谱法测量实际水样领域有着巨大的应用潜力和研究价值。
水质 紫外-可见光谱 一维卷积神经网络 分类 Water quality UV-Vis spectrum One-dimensional convolution neural network Classification
1 湖南省生态环境监测中心, 国家环境保护重金属污染监测重点实验室, 湖南 长沙 410019
2 力合科技(湖南)股份有限公司, 湖南 长沙 410205
铊作为剧毒的重金属元素, 具有较强的蓄积性、 潜伏性和迁移性, 含铊矿床的开采及其工业三废的大量排放, 都可导致铊进入地表环境, 参与到土壤圈、 水圈、 大气圈、 生物圈物质循环, 并逐步在土壤和水体中富集, 破坏生态环境, 最终会通过食物链危及人体健康。 近年, 水质铊污染突发事件时有发生, 水环境铊的分析技术也成为铊分析技术研究的热点, 但多集中在实验室分析方法的改进方面, 水质铊在线监测分析方面的研究甚少。 而实验室分析方法在运输、 保存过程中难免有污染、 损失等; 且在数据时效性上也导致了一定的滞后, 很难应用于水体铊的应急监测分析, 从而影响了污染事故的分析和处置, 成为处置污染事故的最大瓶颈。 为了快速、 准确响应水质铊现场监测, 开展的水质在线监测技术研究对水质铊元素监测具有重要的应用意义, 可以实现水体铊污染的监测与预警, 进而有效降低因环境铊污染引起的铊中毒的风险。 建立了一种基于三电极方法原理的水质铊监测新技术。 该方法所用仪器小型、 便携、 低成本, 不仅可用于铊污染事故应急现场监测, 还可以用于污染源监管、 地表水风险预警自动监测。 本文就仪器检出限、 正确度、 精密度、 方法比对、 现场应用等各项性能指标进行了验证。 实验表明, 该技术用于测定水质铊的方法检出限为0.02 μg·L-1, 与ICP-MS仪的检出限一致; 用于测定铊标准溶液的相对误差范围为-5.5%~2.9%; 测定实际水样的相对标准偏差范围为0.60%~6.2%; 其加标回收率达到101%~127%。 当水样含量在0.08 μg·L-1以上, 该方法在现场应急监测比对中, 与实验室ICP-MS法具有可比性, 表明该技术具有很好的适用性。
水质 铊监测 新技术 三电极 自动 Water quality Thallium monitoring New technology Three electrodes Automatic 光谱学与光谱分析
2022, 42(11): 3642
1 华东师范大学 上海市多维度信息处理重点实验室，上海 200241
2 北京跟踪与通信技术研究所，北京 100094
3 华东师范大学 空间信息与定位导航上海高校工程研究中心，上海 200241
4 华东师范大学 纳光电集成与先进装备教育部工程研究中心，上海 200241
5 南通智能感知研究院，江苏 南通 226000
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。
神经网络校正器 机器学习 高光谱 高分五号卫星 水质 悬浮泥沙浓度 GF-5 hyperspectral water quality suspended sediment concentration
1 北京航空航天大学仪器科学与光电工程学院, 精密光机电一体化技术教育部重点实验室, 北京 100191
2 河北先河环保科技股份有限公司, 河北 石家庄 050035
地表水资源安全关系到国民健康、 生态环境稳定和经济可持续发展, 具有重要战略意义。 总有机碳(TOC)是一种衡量水体中有机物含量的综合指标, 其在水环境监管和治理中具有重要价值。 传统检测方法通过高温催化氧化测定水样中TOC含量具有耗时较长、 操作复杂的局限性, 紫外-可见光谱技术具有检测速度快、 操作简单的优势, 因而在水质在线检测中具有较好的应用前景。 国内外对地表水中TOC浓度的在线检测目前大多采用与COD浓度间的相关关系进行间接推算得到, 这类方法对水体成分的稳定性要求较高。 相比于常规的间接推算方法, 采用光谱定量分析方法建立TOC与紫外-可见光谱间的分析模型具有更好的鲁棒性和分析精度, 便于实现水质无人值守在线监测。 实验配置了TOC样本溶液, 设计了为期两天的实验, 在4个时间段采集得到样品光谱数据集(分别记为D1, D2, …, D6)。 首先, 通过分组实验将D1作为训练集建立TOC偏最小二乘(PLS)回归模型, 预测同一时间段测试集D2的TOC浓度, 得到平均绝对相对误差(MAPE)不超过0.78%, 表明建立的TOC定量分析模型具有较高的精度。 然后, 为验证PLS建立的TOC模型对仪器状态变化的鲁棒性, 选择不同时间段采集的光谱数据分别作为训练集和测试集, 进行不同仪器状态交叉实验, 4组实验中测试集样品TOC浓度预测值的MAPE分别为3.82%, 3.75%, 3.43%和0.98%。 实验表明, 采用PLS算法建立的TOC紫外-可见光谱定量分析模型具有较好的分析精度和鲁棒性, 分组实验和不同仪器状态交叉实验中预测浓度的MAPE均不超过3.82%, 优于常规的间接推算法。 此外, 建立的光谱定量分析模型不依赖COD与TOC间的推算关系, 因此在水环境变化时较常规推算方法具有更好的适应能力。 最后, PLS算法建模过程简单, 运算速度快, 为浸入式在线检测设备的开发和维护提供了便利。
紫外-可见光谱 偏最小二乘回归 水质在线检测 UV-Vis spectroscopy TOC PLS regression Water quality online detection TOC
南瑞集团(国网电力科学研究院)有限公司, 江苏 南京 211000
目前微型分光光度计已广泛应用于水质在线分析仪器中, 而杂散光作为分光光度计检定中的一个重要指标, 其大小对于测量结果具有很大的影响。理论分析了杂散光的来源及其对分光光度计测量结果的影响, 搭建了测试平台, 对两台不同程度杂散光的微型分光光度计进行了检测, 并将其分别应用于六价铬水质分析仪中, 对不同浓度的标准溶液进行了测量, 结果表明, 杂散光的存在会引入较大的测量误差, 且随着溶液浓度的增大, 其影响更加严重。因此, 在仪器设计制造和实际应用工作中须重视对杂散光的抑制和控制, 从而提高仪器的测量精度, 进一步保证用水安全, 降低水质污染带来的各种风险。
地下水 水质监测 杂散光 分光光度计 吸光度 groundwater water quality monitoring stray light spectrophotometer absorbance
