基于光谱和色谱特征数据融合的化工园区地表水污染源识别技术

来源：环境科学杂志2025年第1期北京时间：

作者：赵远,殷新育,刘小凤,金梦,兰亚琼,刘锐

单位：常州大学环境科学与工程学院, 常州 213164,常州大学环境科学与工程学院, 常州 213164,浙江清华长三角研究院生态环境研究所, 浙江省水质科学与技术重点实验室, 嘉兴 314006,中环清科(嘉兴)环境技术研究院有限公司, 嘉兴 314006,浙江清华长三角研究院生态环境研究所, 浙江省水质科学与技术重点实验室, 嘉兴 314006,浙江清华长三角研究院生态环境研究所, 浙江省水质科学与技术重点实验室, 嘉兴 314006,浙江清华长三角研究院生态环境研究所, 浙江省水质科学与技术重点实验室, 嘉兴 314006

摘要：化工园区内工业企业多,且各企业排水组分复杂,很多企业之间排水组成具有相似性.因此,当园区内地表水发生污染时,快速识别污染源的难度很大.为此,以嘉兴市某国家级化工园区为研究对象,收集该园区内7家重点企业10个批次的排水样本,并对其进行三维荧光光谱（EEMS）和气相色谱-质谱（GC-MS）分析.利用平行因子法从同一企业不同批次排水的EEMS图谱中提取共有组分,并构建EEMS特征数据矩阵.同时,从企业排水的GC-MS数据中筛选出具有高检出率或能够有效区分不同企业排水的特征物质,并构建GC-MS特征数据矩阵.比较研究基于不同数据矩阵以及不同模型的污染源识别效果.结果表明,无论是基于EEMS原始数据矩阵、EEMS特征数据矩阵还是GC-MS特征数据矩阵,BP神经网络模型对污染源的识别准确率都不高,分别仅为71.43%、76.19%和71.43%,略高于支持向量机模型（76.19%、76.19%和57.14%）.当使用EEMS与GC-MS特征数据融合矩阵时,污染源识别性能显著提升.支持向量机模型对7家企业排水的识别准确率、宏精确率、宏召回率以及宏调和平均值分别为95.24%、96.43%、95.24%和95.10%,而BP神经网络模型的识别性能更佳, 4项指标均接近100%.研究结果为化工园区等地表水污染源识别提供了一种有效方法.

关键词：化工园区,三维荧光光谱（EEMS）,气相色谱-质谱（GC-MS）,BP神经网络（BPNN）,支持向量机（SVM）,污染源识别,