[0001] 本发明涉及环境工程技术领域，更具体的说是涉及一种基于多光谱‑短波的水质检测的方法及系统。

[0002] 水质在线检测是实现水环境保护、饮用水安全保障、污水处理和污染物排放控制、水资源管理等方面的重要基础和有效手段。近年来，随着对水质监测实时性和监测频率要求的逐步提高，传统实验室手动分析已很难满足监测需求，使得在线监测得到了广泛关注和快速发展，越来越多的在线监测仪表被推广并应用于水质监测的各个领域。目前常用的水质在线检测方法主要有化学法、色谱法、生物法等。色谱法根据不同组分在两相中的分离顺序，来分辨水样中的污染物。色谱法选择性好，灵敏度高，适合微量甚至痕量有机污染物的检测。但是色谱法检测成本高，分析效率和自动化程度有待进一步提高，在组分复杂、变化较快的水样中难以发挥作用。生物法通过观测水中鱼、发光菌或者人体组织细胞的活性，来监测综合毒性。综合毒性监测实用性好，覆盖面广，监测范围包括杀虫剂、除草剂等有毒有害污染物。但生物活性的测量与表述存在一定困难，失去活性的生物需要定期更换。

[0003] 现有研究大多针对模拟配制水样或单一类型的少量水质样本，依赖已有的光谱特征经验选择算法，从三维荧光光谱中提取若干点状光谱信息用于水质评价，由于地表水中有机污染物种类繁多，各种物质的荧光峰位置和波段范围不同，且存在荧光峰重叠现象，因此这种仅选择少数光谱点的计算方法局限性强、泛化性能较差。

[0004] 因此，提出一种基于多光谱‑短波的水质检测的方法及系统，来解决现有技术存在的困难，是本领域技术人员亟需解决的问题。

[0032] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0033] 参照图1所示，本发明公开了一种基于多光谱‑短波的水质检测的方法，包括以下步骤：

[0034] S1、样品采集步骤：使用采样器采集水体，然后将水体静置后取上层清液作为样品进行保存；

[0035] S2、化学分析步骤：将样品摇匀并静置后取上层清液进行检测；

[0036] S3、光谱测量步骤：采用多种光谱法测定样品的不同光谱，得到不同的光谱数据；

[0037] S4、水质检测模型建立步骤：对光谱数据进行预处理，将预处理后的光谱数据分为测试集和训练集，利用训练集对预先设置好的模型进行训练建立水质检测模型；

[0038] S5、水质检测步骤：通过S4的水质检测模型对测试集进行预测，得到水质检测结果。

[0039] 具体的，还包括采用交叉验证方法对预先设置好的模型进行优化和选择，以避免过拟合和欠拟合现象的出现。

[0040] 进一步的，S1中使用的采样器为自动采样器；样品保存方法为：按照水质采样规范平行分装在棕色玻璃瓶中进行保存；采样现场同时测量水体的温度、溶解氧含量和pH值。

[0041] 具体的，S1中使用自动采样器采集水面下深处的水体，静置30min后取上层清液，按照水质采样规范平行分装在棕色玻璃瓶中，并且在4℃下保存玻璃瓶，采样现场同时测量水体的温度(T)、溶解氧(DO)含量和pH值；

[0042] 水质自动采样器的工作原理是通过预设的程序控制采样器进行自动采样；采样器内置有多个采样瓶，每个采样瓶可以根据需要设置采样时间和采样量，采样器在预设的时间内自动开启，将水样自动采集到采样瓶中，并将采样瓶密封；采样后，采样器将采集到的水样送到实验室进行分析检测。.

[0043] S2中将样品摇匀并静置30min后取上层清液进行检测，检测方法参照相关国标和行业标准。

[0044] 更进一步的，S3中采用特定的光谱法测定样品的不同光谱具体为：

[0045] 采用紫外光光谱法测定样品的紫外吸收光谱，采用三维荧光光谱法测定样品的三维荧光光谱，得到不同的光谱数据。

[0046] 具体的，采用日立F4600型荧光分光光度计测量水样三维荧光光谱，该仪器在保留原有光路设计的基础上添加安捷伦AAS自动进样和反射光栅清洗装置，在底部kwv3装避震装置，可实现在水质自动站或监测车中的连续快速原位监测。

[0047] 进一步的，S4中对光谱数据进行预处理为：使用Delaunay三角形内插值法对原始光谱中包含的瑞利散射和拉曼散射进行修正。

[0048] 具体的，使用Delaunay三角形内插值法对原始光谱中包含的瑞利散射和拉曼散射进行修正，为消除实验环境变化和光谱仪光源波动的影响，从样品光谱中扣除空白样品光谱，并用空白样品在Ex＝348nm和Em＝397nm处的拉曼峰强度值对去散射处理后的样品光谱强度值进行拉曼归一化处理。

[0049] 更进一步的，S4中水质检测模型采用的是线性支持向量回归模型，公式如下：

[0050]

[0051] 其中，yi为各水质指标的化学分析结果，N为样本数量，C为惩罚因子，ε为不敏感T度，ω为权重向量，ω 为ω的转置向量。将每个激发‑发射波长对应的荧光强度和紫外光强度作为水质指标的潜在预测因子，将预处理后的三维荧光光谱和紫外吸收光谱去除激发波长大于发射波长的光谱区域，结合T、DO和pH值形成7601维向量，将该向量作为算法的输入，以各水质指标的化学分析结果作为算法目标值，使用LIBLINEAR工具包建立L2正则L2误差支持向量回归模型，通过调整权重向量ω，使L2正则项与L2误差项之和最小。

[0052] 具体的，根据上述公式运用网格点搜索法和交叉验证法相结合对C和ε因子进行自动寻优，即建立双层循环交叉验证，外层对 进行循环，针对每一个ε建立内层循环对C∈(Cmin，2Cmin，4Cmin，...，Cmax)进行交叉验证，C和ε的选择范围由算法根据训练集自动设定，以每组交叉验证集的均方根误(CVMSE)的最小值为寻优指标，选择对应的C和ε用以建立模型对测试集进行预测。

[0053] 具体的，S5中还包括通过建立水质分类标准对水质预测结果进行分类，采用GB3838‑2002中的标准限值制定水质分类标准。

[0054] 与图1对应的，本发明还公开了一种基于多光谱‑短波的水质检测的系统，用于对图1所述的一种基于多光谱‑短波的水质检测的方法的实现，结构框图具体参见图2所示，包括依次连接的样品采集模块、化学分析模块、光谱测量模块、水质检测模型建立模块、水质检测模块；其中，

[0055] 样品采集模块，用于使用采样器采集水体，然后将水体静置后取上层清液作为样品进行保存；

[0056] 化学分析模块，将样品摇匀并静置后取上层清液进行检测；

[0057] 光谱测量模块，采用多种光谱法测定样品的不同光谱，得到不同的光谱数据；

[0058] 水质检测模型建立模块，用于对光谱数据进行预处理，将预处理后的光谱数据分为测试集和训练集，利用训练集对预先设置好的模型进行训练建立水质检测模型；

[0059] 水质检测模块，用于通过水质检测模型对测试集进行预测，得到水质检测结果。

[0060] 本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

[0061] 对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。