快速、 有效地识别饮用水中污染物类别对于降低突发饮用水污染事件影响十分重要。 目前基于紫外-可见光光谱法的饮用水污染物判别模型大多使用主成分分析(PCA)进行特征提取, 然而, 对于光谱相似度较高的有机污染物, 仅从数据驱动的角度提取其方差最大的方向作为特征进行识别效果往往不佳。 针对有机污染物光谱数据多重共线性以及谱峰重叠干扰的问题, 开展了基于连续投影算法(SPA)和多分类支持向量机(M-SVM)的紫外-可见光光谱饮用水有机污染物判别方法研究。 首先, 使用紫外光谱仪测量苯酚、 对苯二酚、 间苯二酚和间苯二胺的原始光谱数据并进行预处理, 在对四种污染物进行了波长与浓度的相关关系对比分析后, 发现苯酚和间苯二酚、 对苯二酚和间苯二胺的谱峰重叠较为严重； 特征提取时, 引入SPA筛选有机污染物紫外-可见光光谱数据的特征波长组合, 并对不同波长个数时的光谱吸光度进行多元线性回归分析, 选取对应最小预测标准偏差的参数及波段组合作为最优参数组合； 基于最优特征波长组合, 构建基于多分类SVM的饮用水有机污染物分类识别模型； 最后, 对比分析了全光谱、 PCA及SPA特征提取后的光谱数据在不同分类方法及不同污染物浓度下的分类效果, 进一步说明了SPA的适用性和稳定性。 实验结果表明, SPA作为一种提取光谱数据原始特征波段的方法, 可以有效的对有机污染物的紫外-可见光光谱进行特征提取, 提升不同物质之间的差异, 在一定程度上消除多重共线性和谱峰重叠干扰, 从而提高分类模型的准确率。 该方法对于解决饮用水中谱峰重叠的污染物类型判别问题具有参考价值。

水资源关系到国计民生, 近年来时有发生的水污染事件使污染物入侵预警得到了广泛的社会关注。 针对现有基于紫外-可见光光谱的水质异常检测方法存在的检出下限偏低的问题, 提出一种基于监督学习的紫外-可见光光谱水质异常检测方法。 该方法首先获取不同数据集中的正常样本差异性空间, 再使用正交投影方法去除差异性空间中的光谱数据分量, 以达到基线校正的目的; 然后采用偏最小二乘判别分析从校正后的光谱中提取特征, 利用训练集得到的最优阈值确定离群点; 最后采用序贯贝叶斯滚动更新每个时刻上的异常概率, 确定水质报警序列。 实验选用苯酚作为模拟污染入侵事件的注入试剂, 采样2周内的紫外-可见光光谱数据, 在实验平台上对提出的方法进行了验证。 实验结果表明, 采用的正交投影基线校正方法可以消除不同批次水质光谱的背景差异, 更为充分的利用了光谱信息, 降低了对特征污染物的检出下限。