一种基于紫外可见吸收光谱的苯系物水体识别方法、系统、设备及介质

本发明涉及水环境监测，尤其涉及一种基于紫外可见吸收光谱的苯系物水体识别方法、系统、设备及介质。

背景技术：

1、苯系物（btex及其衍生物）是环境中广泛存在的一类挥发性有机污染物，主要包括苯、甲苯、乙苯、邻二甲苯、间二甲苯、对二甲苯、异丙苯、苯乙烯等。该类物质具有较高的毒性和致癌性，长期暴露可对人体神经系统和造血系统造成严重损害。地表水和地下水一旦受到苯系物污染，将直接威胁饮用水安全和生态健康。因此，建立快速、准确、低成本的水体中苯系物识别方法具有重要的现实意义。目前，苯系物的常规检测方法主要为气相色谱-质谱联用法（gc-ms）。上述方法虽然灵敏度高、准确性好，但存在样品前处理复杂（需富集、萃取、衍生化等步骤）、耗时长、仪器昂贵、维护成本高、检测周期长等不足，难以满足现场快速筛查的需求。

2、因此，亟需一种新的水中苯系物快速识别方法。

技术实现思路

1、本发明提供一种基于紫外可见吸收光谱的苯系物水体识别方法、系统、设备及介质，用以解决现有技术的缺陷。

2、本发明提供的一种苯系物水体识别模型的构建方法，包括：

3、获取目标水样的紫外可见吸收光谱数据，其中，目标水样包括不同基质背景条件下的含苯系物水样和不含苯系物水样；

4、基于目标水样的紫外可见吸收光谱数据，利用机器学习算法，训练模型学习含苯系物水样和不含苯系物水样的紫外可见吸收光谱特征，得到苯系物水体识别模型。

5、根据本发明提供的一种苯系物水体识别模型的构建方法，苯系物包括以下任一项或其任意组合：苯、甲苯、乙苯、邻二甲苯、间二甲苯、对二甲苯、异丙苯、苯乙烯。

6、根据本发明提供的一种苯系物水体识别模型的构建方法，不同基质背景条件下的含苯系物水样包括在实际环境水样中加入不同浓度苯系物混标液的加标水样以及在实际环境水样中加入等比例苯系物混标液和干扰物（多环芳烃）混标液的加标水样。

7、根据本发明提供的一种苯系物水体识别模型的构建方法，机器学习算法为xgboost机器学习算法。

8、根据本发明提供的一种苯系物水体识别模型的构建方法，所述基于目标水样的紫外可见吸收光谱数据，利用机器学习算法，训练模型学习含苯系物水样和不含苯系物水样的紫外可见吸收光谱特征，得到苯系物水体识别模型，包括：

9、将目标水样的紫外可见吸收光谱数据划分为训练集和测试集，其中，训练集用于苯系物水体识别模型的训练，测试集用于苯系物水体识别模型的性能评估；

10、将目标水样的紫外可见吸收光谱数据转换为目标水样的吸光度向量；

11、利用xgboost机器学习算法，训练模型学习含苯系物水样和不含苯系物水样的吸光度向量，其中，在模型训练过程中通过交叉验证和网格搜索调整超参数以防止过拟合并提升预测准确率，得到苯系物水体识别模型。

12、根据本发明提供的一种苯系物水体识别模型的构建方法，超参数包括以下任一项或其任意组合：树最大深度（max_depth）、学习率（eta）、弱学习器数量、子采样比例、列采样比例（colsample_bytree）。

13、根据本发明提供的一种苯系物水体识别模型的构建方法，各超参数的优选范围如下：树最大深度为3~9，学习率为0.01~0.1，弱学习器数量为50~150，子采样比例为0.0~1.0，列采样比例为0.0~1.0。

14、根据本发明提供的一种苯系物水体识别模型的构建方法，苯系物水体识别模型的性能评估指标包括以下任一项或其任意组合：准确率、召回率和f1值。

15、本发明还提供一种苯系物水体识别方法，包括：

16、获取待测水体的紫外可见吸收光谱数据；

17、根据待测水体的紫外可见吸收光谱数据，利用上述任一项所述的苯系物水体识别模型对待测水体进行苯系物识别，得到待测水体中是否含有苯系物的识别结果。

18、本发明还提供一种苯系物水体区分方法，包括：

19、获取疑似含有苯系物的水体样品的紫外可见吸收光谱数据；

20、根据疑似含有苯系物的水体样品的紫外可见吸收光谱数据，通过上述苯系物水体识别方法，得到疑似含有苯系物的水体样品中是否含有苯系物的识别结果；

21、根据疑似含有苯系物的水体样品中是否含有苯系物的识别结果，将疑似含有苯系物的水体样品区分为含有苯系物的水体或不含有苯系物的水体。

22、通常，苯系物进入水体的主要来源途径包括：工业废水直排或渗漏：石油化工、炼焦化工、染料、农药、制药、涂料等行业；历史泄漏事故遗留污染：如地下储罐、管道老化渗漏，污染物长期滞留于土壤和地下水中；生产过程中的跑冒滴漏：设备清洗、维护、储存运输环节的泄漏；事故性排放：爆炸、火灾等突发事件导致大量含苯废水进入水体，等等。因此，本发明中的含有苯系物的水体可以包括但不限于，石化工业区附近地下水/河流；化工园区周边水体，例如，染料、农药、制药生产废水；炼焦/煤气厂排放水；涂料/树脂生产废水；印染行业废水萘系、苯系、苯胺类染料原料；农药生产废水；石油开采/炼油废水；靠近化工园区的循环冷却水；电镀/机械加工废水，等。

23、在具体的实施方案中，所述疑似含有苯系物的水体样品可以为来源于上述含有苯系物的水体的不同区域的样品。通过本发明的苯系物水体区分方法，可以简单、快速地初步区分这些含有苯系物的水体中哪些区域含有苯系物，哪些区域不含苯系物，从而为确定水体治理范围和治理效果提供依据。

24、在本发明中，所述待测水体也可以是上述的疑似含有苯系物的水体，或含有未知污染物的水体。

25、本发明还提供一种苯系物水体识别系统，包括：

26、待测数据接收模块，用于：从至少一个终端接收待测水体的紫外可见吸收光谱数据；

27、识别模块，用于：根据待测水体的紫外可见吸收光谱数据，利用苯系物水体识别模型对待测水体进行苯系物识别，得到待测水体中是否含有苯系物的识别结果；

28、结果输出模块，用于：将待测水体中是否含有苯系物的识别结果发送至至少一个终端。

29、需要说明的是，终端是指与计算机系统相连的输入输出设备，根据功能不同，终端可以分为多种类型：灵巧终端或智能终端、哑终端、交互终端或联机终端，终端具体可以是各种移动通信设备，例如手机、平板电脑等，在本文旨在为用户提供将数据进行输入以及得到数据输出的功能。

30、本发明还提供一种电子设备，包括处理器和存储有计算机程序的存储器，所述处理器执行所述计算机程序时实现上述任一种所述的苯系物水体识别模型的构建方法和/或苯系物水体识别方法。

31、本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述任一种所述的苯系物水体识别模型的构建方法和/或苯系物水体识别方法。

32、本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述任一种所述的苯系物水体识别模型的构建方法和/或苯系物水体识别方法。

33、本发明提供的一种基于紫外可见吸收光谱的苯系物水体识别方法、系统、设备及介质，至少能够带来以下有益效果：

34、本发明将紫外可见吸收光谱与xgboost机器学习算法相结合训练得到苯系物水体识别模型。在实际应用中，对待测水体直接进行紫外可见吸收光谱扫描，无需任何富集、萃取、衍生化等前处理步骤，即可将采集的光谱数据输入训练好的苯系物水体识别模型，在数秒内输出该水体是否含有苯系物的识别结果。这一“即测即得”的检测模式，从根本上解决传统方法检测周期长的问题，尤其适用于饮用水源地水质快速巡查、突发性水污染事故现场应急监测以及工业废水排放口在线预警等对时效性要求极高的场景。

35、本发明在模型构建阶段，充分考虑实际环境水体基质成分复杂多变的特点。训练集中不仅包含在实际环境水样中加入不同浓度苯系物混标液的加标水样，还特别设置在实际环境水样中同时加入苯系物混标液和干扰物混标液的加标水样。通过这种涵盖不同基质背景条件、多浓度水平及多干扰场景的紫外可见吸收光谱数据集，使得训练出的苯系物水体识别模型能够学习到含苯系物水样与不含苯系物水样在复杂背景下的差异化光谱特征，而非简单记忆某种特定水体类型。当模型应用于未知实际水样时，能够有效排除水体中天然有机质、无机盐、其他共存非目标污染物等干扰因素对光谱信号的干扰，从而在真实复杂水体环境中保持稳定的识别性能，避免误报或漏报。

36、本发明针对环境中广泛共存且毒性较高的8种常见苯系物——苯、甲苯、乙苯、邻二甲苯、间二甲苯、对二甲苯、异丙苯和苯乙烯，将其作为统一的目标污染物类别进行模型训练。该设置与实际水污染场景高度吻合，因为实际受污染水体中上述苯系物往往以两种或多种混合形式同时存在。本发明无需对单一苯系物种类进行逐一辨别，而是从整体上识别水体中是否存在该类有毒污染物的综合信号，这种识别策略贴合环境监测的实际业务逻辑，为水质安全预警提供直接、有效的决策依据。

37、紫外可见吸收光谱数据具有维度高、峰形宽、不同物质吸收峰重叠严重等特点，传统分析方法往往依赖人工选取特征波长，信息利用率有限。本发明采用xgboost机器学习算法，通过将目标水样的紫外可见吸收光谱数据转换为吸光度向量作为模型输入，在训练过程中借助交叉验证和网格搜索对树最大深度、学习率、弱学习器数量、子采样比例及列采样比例等超参数进行系统优化，使模型能够自动从全波段光谱数据中挖掘出与苯系物存在相关的细微差异特征，有效捕捉传统分析方法难以利用的弱信号变化。这种数据驱动的方式极大提升对复杂重叠光谱的解析能力和识别精度。

38、由于紫外可见吸收光谱仪具有体积小、成本低、易于集成和维护等优势，结合本发明中训练完成的轻量化识别模型，可便捷地嵌入在线水质监测系统中，实现对地表水、地下水及饮用水源中苯系物污染的连续自动监测与实时预警，为保障饮用水安全和生态环境健康提供一种经济、高效的技术手段。