CN104034684B - 一种基于紫外-可见吸收光谱的水质多指标检测方法 - Google Patents

Abstract

本发明涉及一种基于紫外‑可见吸收光谱的水质多指标检测方法，其包括以下步骤：1)建立包含每一水质指标的水质算法模型；2)测量得到待测水体的紫外‑可见吸收光谱；3)根据待测水体的水质算法模型和待测水体的紫外‑可见吸收光谱，计算得到待测水体中各水质指标的初步计算值；4)将待测水体中各水质指标的初步计算值进行本地校正，得到各水质指标对应的检测结果；5)对比得到的各水质指标对应的检测结果与各水质指标的相关水质标准，判断待测水质是否超标并预警。本发明通过测定水体的紫外‑可见全波长吸收光谱，结合水质算法模型及校正参数，同步计算水中各水质指标。因此，本发明可以广泛用于主要适用于各类地表水、各类污水、饮用水、污水及给水处理工艺过程控制的监测和预警。

Description

一种基于紫外-可见吸收光谱的水质多指标检测方法

技术领域

本发明涉及一种水质标检测方法，特别是关于一种基于紫外-可见吸收光谱的水质多指标检测方法。

背景技术

水质分析是对水资源的质量状况和变化规律进行测定和评价，为国家和各级政府开发利用、管理与保护水资源提供科学依据。水资源的质量状况通常用水质指标来描述，常用的水质指标包括COD(Chemical Oxygen Demand，化学需氧量)、TOC(TotalOrganic Carbon，总有机碳)、DOC(Dissolved Organic Carbon，溶解性有机碳)、BOD(Biochemical Oxygen Demand，生化需氧量)、硝酸盐氮、亚硝酸盐氮、浊度/悬浮物、色度(表色和真色)、UV254(或称为SAC254，即波长为254nm处的吸光度)、苯系物(苯-甲苯-二甲苯混合物)、碳氢化合物、硫化氢、余氯、臭氧等。我国国标法对许多水质指标的检测方法都是采用化学分析方法。这些化学分析方法能够比较准确地测量出对应的水质指标，但在测量过程中几乎都存在耗时长、设备运行维护费用高、所需化学试剂多(且带来二次污染)、稳定性差、故障率高、部署灵活性较差等问题；同时，传统的分析方法大多一次只能测定一个水质指标。

针对水质多指标的检测目前采用基于紫外-可见吸收光谱的水质检测方法，由于紫外-可见吸收光谱的水质检测方法具有吸收波段范围宽、数据丰富、信息丰富、灵敏度高等优点，具有很大的应用价值。然而，由于缺乏对紫外-可见吸收光谱的解析方法，使得该方法未能有较多的使用。虽然有关于采用基于紫外-可见吸收光谱进行吸光度测定的研究和应用，但都是采用一至两个吸收波长的吸光度进行一个水质指标的分析和检验，并却不能综合反映多个水质指标的情况，因此测量结果准确度低、稳定性差，从而不能广泛应用。

发明内容

针对上述问题，本发明的目的是提供一种基于紫外-可见吸收光谱的水质多指标检测方法。

为实现上述目的，本发明采取以下技术方案：一种基于紫外-可见吸收光谱的水质多指标检测方法，包括以下步骤：1)建立包含每一水质指标的水质算法模型，其包括：①对包含各种水质指标的实际水样样本，一方面获得各水质指标的值，另一方面获得所测样本的各紫外-可见吸收光谱；②对包含所述实际水样样本中相对应的各种水质指标的标准样品，一方面获得各水质指标的值，另一方面获得所测样本的各紫外-可见吸收光谱；③将所测的每一个水质指标的值与相应的紫外-可见吸收光谱进行计算和拟合，获得每一个水质指标与紫外-可见吸收光谱的相关关系的水质算法模型；

$P_{m\×n}=\left[\begin{array}{cccc}{P}_{\mathrm{1,1}}& P_{\mathrm{1,2}}& ...& P_{1,n}\\ P_{\mathrm{2,1}}& P_{\mathrm{2,2}}& ...& P_{2,n}\\ P_{\mathrm{3,1}}& P_{\mathrm{3,2}}& ...& P_{3,n}\\ ...& ...& ...& ...\\ P_{m,1}& P_{m,2}& ...& p_{m,n}\end{array}\right]$

其中，P_m×n表示包含每一水质指标的水质算法模型；m表示水质指标数量，m为正整数，且1≤m≤50；n表示吸收光谱所包含的波长点的数量，n为正整数，且2≤n≤4000；P_m×n中每一行表示一个水质指标，每一行中每一个字母表示相应的水质指标对应波长点的系数，P_1,1～P_1,n表示第一个水质指标对应的水质算法模型，P_2,1～P_2,n表示第二个水质指标对应的水质算法模型，…，P_m,1～P_m,n表示第m个水质指标对应的水质算法模型；2)测量得到待测水体的紫外-可见吸收光谱；3)根据待测水体的水质算法模型和待测水体的紫外-可见吸收光谱，计算得到待测水体中各水质指标的初步计算值；4)将待测水体中各水质指标的初步计算值进行本地校正，得到各水质指标对应的检测结果；5)对比得到的各水质指标对应的检测结果与各水质指标的相关水质标准，判断待测水质是否超标并预警。

所述水质多指标包括COD、TOC、DOC、BOD、硝酸盐氮、亚硝酸盐氮、浊度/悬浮物、色度、UV254、苯系物、碳氢化合物、硫化氢、余氯和臭氧。

所述步骤1)的步骤①和步骤②中，采用国家标准实验室方法获得各水质指标的值；采用紫外-可见光分光光度计或便携式紫外-可见光谱探头，获得所测样本的各紫外-可见吸收光谱。

所述步骤1)的步骤③中，进行计算和拟合所采用的方法包括差分光谱分析法、主成分分析法、多元线性回归法、偏最小二乘法、神经网络算法中的一种或几种的组合。

所述步骤2)包括以下内容：获取待测水体的紫外-可见吸收光谱；设待测水体的紫外-可见吸收光谱A_i×1为：

$A_{i\×1}=\left[\begin{array}{c}{A}_1\\ A_2\\ A_3\\ ...\\ A_i\end{array}\right]$

其中，i表示待测水体的紫外-可见吸收光谱所包含的波长点的数量，i为整数，且2≤i≤n；A_i×1表示待测水体的吸收光谱，A₁～A_i表示待测水体各自对应波长的吸光度，A₁表示待测水体中第一个波长的吸光度，A₂表示待测水体中第二个波长的吸光度，…，A_i表示待测水体中第i个波长的吸光度；设待测水体中的水质指标数量为j，j为正整数且1≤j≤m，则待测水体中各水质指标的水质算法模型P_j×i为：

$P_{j\×i}=\left[\begin{array}{cccc}{P}_{\mathrm{1,1}}& P_{\mathrm{1,2}}& ...& P_{1,i}\\ P_{\mathrm{2,1}}& P_{\mathrm{2,2}}& ...& P_{2,i}\\ P_{\mathrm{3,1}}& P_{\mathrm{3,2}}& ...& P_{3,i}\\ ...& ...& ...& ...\\ P_{j,1}& P_{j,2}& ...& p_{j,i}\end{array}\right]$

其中，P_1,1～P_1,i表示待测水体中第一个水质指标对应的水质算法模型，P_2,1～P_2,i表示待测水体中第二个水质指标对应的水质算法模型，…，P_j,1～P_j,i表示待测水体中第j个水质指标对应的水质算法模型。

所述步骤3)包括以下内容：结合待测水体的紫外-可见吸收光谱A_i×1和待测水体中各水质指标的水质算法模型P_j×i，计算待测水体中各水质指标的初步计算值的集合C_1×j：

$C_{1\×j}=A_{i\×1}\·P_{j\×i}=\left[\begin{array}{cccc}{C}_1& C_2& ...& C_j\end{array}\right]$

其中，C₁～C_j表示待测水体中水质指标对应初步计算值，即C₁表示待测水体中第一个水质指标的初步计算值，C₂表示待测水体中第二个水质指标的初步计算值，…，C_j表示待测水体中第j个水质指标的初步计算值。

所述步骤4)包括以下内容：对所述步骤3)中各水质指标的初步计算值进行本地校正，校正后的值为检测结果C′_t：

C′_t＝a_t×C_t+b_t

其中，t＝1,2,...,j，C′_t表示待测水体中第t个水质指标经过本地校正后的检测结果；a_t和b_t表示待测水体中第t个水质指标的本地校正参数；C_t表示待测水体中第t个水质指标的初步计算值。

本发明由于采取以上技术方案，其具有以下优点：1、本发明通过大量的实验和理论研究，提供了一种解析待测水体的紫外-可见吸收光谱的方法，即采用获取的待测水体(样品)紫外-可见全波长吸收光谱结合水质算法模型及校正参数，同步计算水中包括但不限于COD、TOC、DOC、BOD、硝酸盐氮、亚硝酸盐氮、浊度/悬浮物、色度、UV254、苯系物、碳氢化合物、硫化氢、余氯、臭氧等水质指标；同时，通过综合分析待测水体本身的紫外-可见吸收光谱，提取特征信息，特征吸收峰和吸收值的对应关系，获得该水体的“基准指纹”。若水体状况发生变化，则其紫外-可见吸收光谱曲线必定发生变化，此时可通过分析吸收光谱特征信息与“基准指纹”的差异，可得出是否有污染物异常增高的结论，以此不但可以根据各水质指标进行指标预警，而且还可以利用紫外-可见吸收光谱对水质的整体污染状况进行预警。该方法还避免了只是对待测水体中的单一指标进行检测，而不能综合反映多个水质指标的情况。2、本发明采用从紫外到可见光的连续吸光光谱，其数据量大，信息丰富；其次，本发明采用的水质算法模型，充分考虑了水体中各指标的相互干扰作用，比如：①由于现存测定硝酸盐浓度的方法只是采用两个波长的吸光度进行测定，硝酸根离子的测定会受到水中较多溶解的有机物、色度、浊度等等的干扰，而本发明采用从紫外到可见光的连续吸光光谱，因此可以进行广泛的吸光度测定，使其硝酸盐浓度的测定变得快速、准确。②由于浊度是水中悬浮物的表面能进行光反射或光阻挡，根据反射光或透射光的大小或多少来决定水中浊物量的多寡，因此用吸收光谱法可以直接获得。水中悬浮物含量是真正表示水中呈悬浮状的固体粒子数量，它通过加热蒸发测得。水中悬浮物含量与水的浊度虽然是二个不同的指标，但是，水中的悬浮物质与水的浊度有很大的相关性，可以通过在浊度和悬浮物含量之间建立换算模型，采用浊度来解析出水中悬浮物含量。因此可以直接快速测定水体的浊度以及悬浮物含量。③标准《水质色度的测定》(GB11903-89)规定色度的测定采用铂钴比色法。但是根据标准中关于“水的颜色”的定义为：改变透射可见光光谱组成的光学性质。更进一步的，该标准中还定义了“水的表观颜色”：由溶解物质及不溶解性悬浮物产生的颜色，用未经过滤或离心分离的原始待测水体测定。以及“水的真实颜色”：仅由溶解物质产生的颜色，用经0.45μm滤膜过滤器过滤的待测水体测定。由此可见，采用可见光全光谱对水样进行连续扫描，获得全光谱信息后，采用CIE1964补充标准色度系统，结合浊度对色度的干扰去除解决方案，即可对水体的真色和表色进行更为直接和准确的测定。使色度的测定快速、准确。因此可以更加精确、全面且更具选择性地对水体更多种污染指标进行测量。3、应用本发明结合紫外-可见光连续吸光光谱仪和软件，对待测水体的紫外-可见吸收光谱进行一次性解析，可以在几秒钟之内快速获得各水质指标，实现对待测水体中多种水质指标进行一体化、实时化、快速化测量，且测量更加精确、全面、无实际消耗、无需维护且更具选择性，具有重要的意义。因此，本发明可以广泛用于主要适用于各类地表水、各类污水、饮用水、污水及给水处理工艺过程控制的监测和预警。

附图说明

图1是各水质指标标准物的吸收光谱曲线示意图

图2是COD的水质算法模型矩阵示意图

图3是TOC的水质算法模型矩阵示意图

图4是硝酸盐氮的水质算法模型矩阵示意图

图5是浊度/悬浮物的水质算法模型矩阵示意图

具体实施方式

下面结合附图和具体实施方式对本发明进行详细的描述。

本发明包括以下步骤：

1)建立包含每一水质指标的水质算法模型

水质算法模型是基于紫外-可见吸收光谱与各水质指标间相关关系的算法。其中，各水质指标包括但不限于COD、TOC、DOC、BOD、硝酸盐氮、亚硝酸盐氮、浊度/悬浮物、色度、UV254、苯系物、碳氢化合物、硫化氢、余氯、臭氧等。

通过以下步骤建立水质算法模型：

①采集包括上述各水质指标的各种不同来源、不同类型、含有不同污染指标的实际水样样本，一方面采用常规方法(国家标准实验室方法)获得各水质指标的值，另一方面采用紫外-可见光分光光度计(扫描型)或便携式紫外-可见光谱探头，获得所测样本的各紫外-可见吸收光谱。在如图1所示的各水质指标标准物的吸收光谱曲线示意图中，横坐标为波长，范围是200～500nm，纵坐标为吸光度，范围是0～50nm。

②将购买或配置的包含上述各种水质指标且包含不同标准浓度梯度的标准样品，一方面采用常规方法确定标准样品中各水质指标的值，另一方面获得标准样品的各紫外-可见吸收光谱；上述标准样品可以包括各水质指标的单一标准品、混合标准品、添加-回收样品等。

③采用包括但不限于差分光谱分析法、主成分分析法、多元线性回归法、偏最小二乘法、神经网络算法中的一种或几种的组合的数学算法，将从上述步骤①和步骤②中所测的每一个水质指标的值与相应的紫外-可见吸收光谱进行计算和拟合，以获得每一个水质指标与紫外-可见吸收光谱的相关关系，即为水质算法模型。

水质算法模型一般表示为矩阵形式，设水质指标数量为m，m为正整数，且1≤m≤50，则包括每一水质指标的水质算法模型P_m×n为：

$P_{m\×n}=\left[\begin{array}{cccc}{P}_{\mathrm{1,1}}& P_{\mathrm{1,2}}& ...& P_{1,n}\\ P_{\mathrm{2,1}}& P_{\mathrm{2,2}}& ...& P_{2,n}\\ P_{\mathrm{3,1}}& P_{\mathrm{3,2}}& ...& P_{3,n}\\ ...& ...& ...& ...\\ P_{m,1}& P_{m,2}& ...& p_{m,n}\end{array}\right]---\left(1\right)$

其中，n表示吸收光谱所包含的波长点的数量，n为正整数，且2≤n≤4000；P_m×n中每一行表示一个水质指标，每一行中每一个字母表示相应的水质指标对应波长点的系数，即P₁,₁～P_1,n表示第一个水质指标对应的水质算法模型，P_2,1～P_2,n表示第二个水质指标对应的水质算法模型，以此类推，P_m,1～P_m,n表示第m个水质指标对应的水质算法模型。由此可见，水质算法模型P_m×n是针对每一个水质指标一一对应建立的。在使用时，可以根据确定的水质指标集合，从水质算法模型P_m×n中部分选取所需要的水质算法模型，应用较为灵活。通过图2～图5能够进一步的说明该步骤获得的结果。

在如图2所示的COD的水质算法模型矩阵示意图中，横坐标为波长，范围是200～700nm，纵坐标为COD对应波长点的系数，范围是-0.08～0.11。COD的特征吸收峰在于250-300nm之间，并在可见区(色度部分)有所补偿，很符合水体的实际情况。

在如图3所示的TOC的水质算法模型矩阵示意图中，横坐标为波长，范围是200～700nm，纵坐标为TOC对应波长点的系数，范围是-0.06～0.07。TOC的特征吸收峰同样在250-300nm之间，但明显的受紫外区影响更大，模型在200-250nm区域具有自动校准和补偿功能。

在如图4所示的硝酸盐氮的水质算法模型矩阵示意图中，横坐标为波长，范围是200～700nm，纵坐标为硝酸盐氮对应波长点的系数，范围是-0.3～0.4。硝酸盐氮的特征吸收峰明显在220nm附近，另外由于亚硝酸根离子的影响，在200nm附近和250nm附近均有自动校准，使硝酸盐氮的测定结果更为准确。

在如图5所示的浊度/悬浮物的水质算法模型矩阵示意图中，横坐标为波长，范围是200～700nm，纵坐标为浊度/悬浮物对应波长点的系数，范围是-0.02～0.01。浊度/悬浮物的特征吸收峰明显在长波长区域，主要由于水中颗粒的散射和阻挡，使长波长区域的吸光度明显减小。

2)测量得到待测水体的紫外-可见吸收光谱

采用紫外-可见光分光光度计(扫描型)或便携式紫外-可见光谱探头，获取待测水体的紫外-可见吸收光谱；所测量的紫外-可见吸收光谱包含紫外区或紫外区及可见区的全波段吸收光谱，其波长范围180nm～800nm，分辨率为0.1nm～10nmnm。

设待测水体的紫外-可见吸收光谱A_i×1为：

$A_{i\×1}=\left[\begin{array}{c}{A}_1\\ A_2\\ A_3\\ ...\\ A_i\end{array}\right]---\left(2\right)$

其中，i表示待测水体的紫外-可见吸收光谱所包含的波长点的数量，i为整数，且2≤i≤n；A_i×1表示待测水体的吸收光谱，A₁～A_i表示待测水体各自对应波长的吸光度，即A₁表示待测水体中第一个波长的吸光度，A₂表示待测水体中第二个波长的吸光度，以此类推，A_i表示待测水体中第i个波长的吸光度。

设待测水体中的水质指标数量为j，j为正整数且1≤j≤m，则待测水体中各水质指标的水质算法模型P_j×i为：

$P_{j\×i}=\left[\begin{array}{cccc}{P}_{\mathrm{1,1}}& P_{\mathrm{1,2}}& ...& P_{1,i}\\ P_{\mathrm{2,1}}& P_{\mathrm{2,2}}& ...& P_{2,i}\\ P_{\mathrm{3,1}}& P_{\mathrm{3,2}}& ...& P_{3,i}\\ ...& ...& ...& ...\\ P_{j,1}& P_{j,2}& ...& p_{j,i}\end{array}\right]---\left(3\right)$

其中，P_1,1～P_1,i表示待测水体中第一个水质指标对应的水质算法模型，P_2,1～P_2,i表示待测水体中第二个水质指标对应的水质算法模型，以此类推，P_j,1～P_j,i表示待测水体中第j个水质指标对应的水质算法模型。

3)根据待测水体的水质算法模型和待测水体的紫外-可见吸收光谱，计算得到待测水体中各水质指标的初步计算值

结合待测水体的紫外-可见吸收光谱A_i×1和待测水体中各水质指标的水质算法模型P_j×i，计算待测水体中各水质指标的初步计算值的集合C_1×j：

$C_{1\×j}=A_{i\×1}\·P_{j\×i}=\left[\begin{array}{cccc}{C}_1& C_2& ...& C_j\end{array}\right]---\left(4\right)$

其中，C₁～C_j表示待测水体中水质指标对应初步计算值，即C₁表示待测水体中第一个水质指标的初步计算值，C₂表示待测水体中第二个水质指标的初步计算值，以此类推，C_j表示待测水体中第j个水质指标的初步计算值。

4)将待测水体中各水质指标的初步计算值进行本地校正，得到各水质指标对应的检测结果

由于待测水体内水质种类繁多，且十分复杂，因此初步计算值与真实值存在差异，难以直接应用。因此需要对初步计算值进行校正，以得到准确的检测结果，这种对初步计算值进行校正称之为本地校正。

采用线性校正的方法针对步骤3)中待测水体中各水质指标的初步计算值的集合C_1×j中的水质指标进行本地校正，使得水质指标的检测结果更加准确。

针对待测水体中某一水质指标的初步计算值进行本地校正，校正后的值即为检测结果C′_t：

C′_t＝a_t×C_t+b_t (5)

其中，t＝1,2,...,j，C′_t表示待测水体中第t个水质指标经过本地校正后的检测结果；a_t和b_t表示待测水体中第t个水质指标的本地校正参数；C_t表示待测水体中第t个水质指标的初步计算值。

5)对比得到的各水质指标对应的检测结果与各水质指标的相关水质标准，判断待测水质是否超标并预警

根据各水质指标的相关水质标准，如国家地表水环境质量标准，国家饮用水卫生标准，国家污水处理排放标准，各地方水质标准等中规定的各水质指标对应的上限值判断水质是否超标，并进行预警。

综上所述，本发明的原理如下：通过测定水体的紫外-可见全波长吸收光谱，结合水质算法模型及校正参数，同步计算水中各水质指标。根据本发明的原理还可以与计算机软件相结合，通过计算机的显示界面实时快速的显示待测水体的各水质指标的检验结果，当各水质指标的检验结果高于相关国家或地方标准规定的数值或者用户自行设定的数值时，可以进行指标预警。

上述各步骤仅用于说明本发明，其中各步骤的实现方式是可以有所变化的，凡是在本发明技术方案的基础上进行的等同变换和改进，均不应排除在本发明的保护范围之外。

Claims (6)

1.一种基于紫外-可见吸收光谱的水质多指标检测方法，包括以下步骤：

1)建立包含每一水质指标的水质算法模型，其包括：

①对包含各种水质指标的实际水样样本，一方面获得各水质指标的值，另一方面获得所测样本的各紫外-可见吸收光谱；

②对包含所述实际水样样本中相对应的各种水质指标的标准样品，一方面获得各水质指标的值，另一方面获得标准样品的各紫外-可见吸收光谱；

③将所测的每一个水质指标的值与相应的紫外-可见吸收光谱进行计算和拟合，获得每一个水质指标与紫外-可见吸收光谱的相关关系的水质算法模型；

$P_{m\×n}=\left[\begin{array}{cccc}{P}_{1,1}& P_{1,2}& ...& P_{1,n}\\ P_{2,1}& P_{2,2}& ...& P_{2,n}\\ P_{3,1}& P_{3,2}& ...& P_{3,n}\\ ...& ...& ...& ...\\ P_{m,1}& P_{m,2}& ...& P_{m,n}\end{array}\right]$

其中，P_m×n表示包含每一水质指标的水质算法模型；m表示水质指标数量，m为正整数，且1≤m≤50；n表示吸收光谱所包含的波长点的数量，n为正整数，且2≤n≤4000；P_m×n中每一行表示一个水质指标，每一行中每一个字母表示相应的水质指标对应波长点的系数，P_1,1～P_1,n表示第一个水质指标对应的水质算法模型，P_2,1～P_2,n表示第二个水质指标对应的水质算法模型，…，P_m,1～P_m,n表示第m个水质指标对应的水质算法模型；

2)测量得到待测水体的紫外-可见吸收光谱；

3)根据待测水体的水质算法模型和待测水体的紫外-可见吸收光谱，计算得到待测水体中各水质指标的初步计算值；

4)将待测水体中各水质指标的初步计算值进行本地校正，得到各水质指标对应的检测结果；

5)对比得到的各水质指标对应的检测结果与各水质指标的相关水质标准，判断待测水质是否超标并预警。

2.如权利要求1所述的一种基于紫外-可见吸收光谱的水质多指标检测方法，其特征在于：所述水质多指标包括COD、TOC、DOC、BOD、硝酸盐氮、亚硝酸盐氮、浊度/悬浮物、色度、UV254、苯系物、碳氢化合物、硫化氢、余氯和臭氧。

3.如权利要求1或2所述的一种基于紫外-可见吸收光谱的水质多指标检测方法，其特征在于：所述步骤1)的步骤③中，进行计算和拟合所采用的方法包括差分光谱分析法、主成分分析法、多元线性回归法、偏最小二乘法、神经网络算法中的一种或几种的组合。

4.如权利要求1或2所述的一种基于紫外-可见吸收光谱的水质多指标检测方法，其特征在于：所述步骤2)包括以下内容：

获取待测水体的紫外-可见吸收光谱；设待测水体的紫外-可见吸收光谱A_i×1为：

$A_{i\×1}=\left[\begin{array}{c}{A}_1\\ A_2\\ A_3\\ ...\\ A_i\end{array}\right]$

其中，i表示待测水体的紫外-可见吸收光谱所包含的波长点的数量，i为整数，且2≤i≤n；A_i×1表示待测水体的吸收光谱，A₁～A_i表示待测水体各自对应波长的吸光度，A₁表示待测水体中第一个波长的吸光度，A₂表示待测水体中第二个波长的吸光度，…，A_i表示待测水体中第i个波长的吸光度；

设待测水体中的水质指标数量为j，j为正整数且1≤j≤m，则待测水体中各水质指标的水质算法模型P_j×i为：

$P_{j\×i}=\left[\begin{array}{cccc}{P}_{1,1}& P_{1,2}& ...& P_{1,i}\\ P_{2,1}& P_{2,2}& ...& P_{2,i}\\ P_{3,1}& P_{3,2}& ...& P_{3,i}\\ ...& ...& ...& ...\\ P_{j,1}& P_{j,2}& ...& P_{j,i}\end{array}\right]$

其中，P_1,1～P_1,i表示待测水体中第一个水质指标对应的水质算法模型，P_2,1～P_2,i表示待测水体中第二个水质指标对应的水质算法模型，…，P_j,1～P_j,i表示待测水体中第j个水质指标对应的水质算法模型。

5.如权利要求4所述的一种基于紫外-可见吸收光谱的水质多指标检测方法，其特征在于：所述步骤3)包括以下内容：结合待测水体的紫外-可见吸收光谱A_i×1和待测水体中各水质指标的水质算法模型P_j×i，计算待测水体中各水质指标的初步计算值的集合C_1×j：

C_1×j＝A_i×1·P_j×i＝[C₁ C₂ … C_j]

其中，C₁～C_j表示待测水体中水质指标对应初步计算值，即C₁表示待测水体中第一个水质指标的初步计算值，C₂表示待测水体中第二个水质指标的初步计算值，…，C_j表示待测水体中第j个水质指标的初步计算值。

6.如权利要求5所述的一种基于紫外-可见吸收光谱的水质多指标检测方法，其特征在于：所述步骤4)包括以下内容：

对所述步骤3)中各水质指标的初步计算值进行本地校正，校正后的值为检测结果C′_i：

C′_t＝a_t×C_t+b_t

其中，t＝1,2,...,j，C_t'表示待测水体中第t个水质指标经过本地校正后的检测结果；a_t和b_t表示待测水体中第t个水质指标的本地校正参数；C_t表示待测水体中第t个水质指标的初步计算值。