CN115508322A - 一种水污染源多维度溯源方法及装置 - Google Patents

一种水污染源多维度溯源方法及装置 Download PDF

Info

Publication number
CN115508322A
CN115508322A CN202211237026.9A CN202211237026A CN115508322A CN 115508322 A CN115508322 A CN 115508322A CN 202211237026 A CN202211237026 A CN 202211237026A CN 115508322 A CN115508322 A CN 115508322A
Authority
CN
China
Prior art keywords
fluorescence
fingerprint
traced
water body
pollution source
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202211237026.9A
Other languages
English (en)
Inventor
吴静
刘博�
程澄
柴一荻
王士峰
刘传旸
沈鉴
宋逸明
熊秋燃
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou Guotuo Technology Co ltd
Tsinghua University
Original Assignee
Suzhou Guotuo Technology Co ltd
Tsinghua University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Suzhou Guotuo Technology Co ltd, Tsinghua University filed Critical Suzhou Guotuo Technology Co ltd
Priority to CN202211237026.9A priority Critical patent/CN115508322A/zh
Publication of CN115508322A publication Critical patent/CN115508322A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
    • G01N21/64—Fluorescence; Phosphorescence

Landscapes

  • Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)

Abstract

本申请涉及一种水污染源多维度溯源方法及装置，方法包括：将采集的待溯源水体的荧光指纹与预设的多维度荧光指纹数据库中典型荧光指纹库中的指纹进行聚类分析，得到聚类分析结果，若聚类分析结果中不存在疑似污染源，则根据待溯源水体的荧光指纹中的荧光峰个数和荧光峰发射波长匹配最佳污染源判定策略，进而判定待溯源水体的疑似污染源。由此，解决了相关技术中无法进行多污染同时溯源，缺乏样品和荧光指纹采集的标准化流程，溯源方法效率低、时效性差等问题，通过对样品和荧光指纹标准化以及采用多污染在线溯源技术，提高了荧光指纹的准确性，溯源方法的时效性以及溯源结果的可靠性和稳定性。

Description

一种水污染源多维度溯源方法及装置
技术领域
本发明涉及水环境监管技术领域，特别涉及一种水污染源多维度溯源方法及装置。
背景技术
目前，污染源的监管主要依靠在排放口安装常规水质(COD(Chemical OxygenDemand，化学需氧量)、总氮、总磷等)在线监测设备，这种方式灵敏度低，而且难以监管污染源的偷排、漏排行为，在污染源溯源时往往需要人工排查，耗时耗力，效率低，时效性差。三维荧光光谱分析具有灵敏度高、测试简便快速、无二次污染等特点，而且能够展现污水的有机物组成，具有“指纹”特征，因此也被称为荧光指纹，通过比较污染水体和污染源荧光指纹的相似性可以实现污染源的快速识别。因此，荧光指纹在水污染溯源中具有较大潜力。
相关技术中，通过比较污染水体和污染源荧光指纹的相似性以实现污染源的快速识别过程中，主要采用了以下几种方法，分别为：
(1)一种水体污染溯源方法，该方法首先通过在线生物检测预警技术判断潜在污染源，然后比对污染源与污染水体的三维荧光光谱，接着再用气质联用和液质联用进一步分析。
(2)一种污染源解析方法，该方法首先采集原始样品的三维荧光光谱，然后利用电化学方法对水样进行扰动后再测试水样的三维荧光光谱。
(3)一种利用三维荧光光谱对污染水体进行溯源分类识别的方法，这种方法需要提取荧光光谱的峰中心坐标、峰强度、峰强度比、半峰宽、峰间距、夹角、斜率、面积、立体结构等多种特征。
(4)一种利用荧光光谱特征信息实现快速识别比对的方法，该方法需要对光谱数据进行34个步骤的处理。
然而，上述的(1)、(2)两种方法所用仪器较多，成本昂贵，过程繁杂，难以实现在线溯源，时效性差，而且没有考虑浓度、pH值等因素对荧光指纹的影响，从而无法准确获得污染源的荧光指纹，影响污染溯源的准确性；(3)、(4)两种方法仅适用三维荧光光谱一个仪器，对样品或荧光光谱进行了一定预处理，但仍然缺乏荧光指纹采集和处理的标准化流程，不利于推广适用。此外，上述的4种污染源的快速识别方法只能对单一污染源进行溯源，对于现实情况中存在的多个污染源污染水体的情况，往往无法进行多污染同时溯源，因此，亟需一种标准化的多污染溯源的荧光指纹溯源技术。
发明内容
本申请提供一种水污染源多维度溯源方法及装置，以解决相关技术无法进行多污染同时溯源，缺乏样品和荧光指纹采集的标准化流程，溯源方法效率低、时效性差等问题。
本申请第一方面实施例提供一种污染源的多维度比对识别方法，包括以下步骤：
采集待溯源水体，并将所述待溯源水体的荧光指纹与预设的多维度荧光指纹数据库中典型荧光指纹库中的指纹进行聚类分析，得到聚类分析结果；
若所述聚类分析结果中不存在疑似污染源，则根据所述待溯源水体的荧光指纹中的荧光峰个数和荧光峰发射波长匹配最佳污染源判定策略；以及
根据所述最佳污染源判定策略判定所述待溯源水体的疑似污染源。
根据本申请的一个实施例，所述将所述待溯源水体的荧光指纹与预设的多维度荧光指纹数据库中典型荧光指纹库中的指纹进行聚类分析，得到聚类分析结果，包括：
若所述典型荧光指纹库中仅存在一个污染源的典型荧光指纹与所述待溯源水体的荧光指纹聚类，则将所述仅存在的一个污染源作为所述疑似污染源；
若所述典型荧光指纹库中存在多个污染源的典型荧光指纹与所述待溯源水体的荧光指纹聚类，则分别计算所述多个污染源的典型荧光指纹与所述待溯源水体的荧光指纹的相似度，并将相似度最大的污染源作为所述疑似污染源；
若所述待溯源水体的荧光指纹的子指纹与所述动态子指纹库中任一污染源的子指纹都未聚类，则判定所述预设的多维度荧光指纹数据库中不存在所述疑似污染源。
根据本申请的一个实施例，所述根据所述待溯源水体的荧光指纹中的荧光峰个数和荧光峰波长匹配最佳污染源判定策略，包括：
若所述待溯源水体的荧光指纹中存在1个荧光峰，或者存在多个发射波长相同的荧光峰，则表明所述预设的多维度荧光指纹数据库中不存在所述疑似污染源；
若所述待溯源水体的荧光指纹中存在多个发射波长不同的荧光峰，且所述多个发射波长不同的荧光峰重叠区域小于预设值，则所述最佳污染源判定策略为根据所述待溯源水体的荧光指纹的子指纹与所述预设的多维度荧光指纹数据库中动态子指纹库进行聚类分析；
若所述待溯源水体的荧光指纹中存在多个发射波长不同的荧光峰，且所述多个发射波长不同的荧光峰重叠区域大于所述预设值，则所述最佳污染源判定策略为根据所述待溯源水体的荧光指纹的荧光组分与所述预设的多维度荧光指纹数据库中荧光组分库进行聚类分析。
根据本申请的一个实施例，所述最佳污染源判定策略为根据所述待溯源水体的荧光指纹的子指纹与所述预设的多维度荧光指纹数据库中动态子指纹库进行聚类分析，所述根据所述最佳污染源判定策略判定所述待溯源水体的疑似污染源，包括：
若所述动态子指纹库中仅存在一个污染源的子指纹与所述待溯源水体的荧光指纹的子指纹聚类，则将所述仅存在的一个污染源作为所述疑似污染源；
若所述动态子指纹库中存在多个污染源的子指纹与所述待溯源水体的荧光指纹的子指纹聚类，则分别计算所述多个污染源的子指纹与所述待溯源水体的荧光指纹的子指纹的相似度，并将相似度最大的污染源作为所述疑似污染源；
若所述待溯源水体的荧光指纹的所有子荧光指纹的疑似污染源不完全相同时，说明存在多个污染源；
若所述待溯源水体的荧光指纹的子指纹与所述动态子指纹库中任一污染源的子指纹都未聚类，则判定所述预设的多维度荧光指纹数据库中不存在所述疑似污染源。
根据本申请的一个实施例，所述最佳污染源判定策略为根据所述待溯源水体的荧光指纹的荧光组分与所述预设的多维度荧光指纹数据库中荧光组分库进行聚类分析，所述根据所述最佳污染源判定策略判定所述待溯源水体的疑似污染源，包括：
若所述荧光组分库中仅存在一个污染源的荧光组与所述待溯源水体的荧光指纹的荧光组分聚类，则将所述仅存在的一个污染源作为所述疑似污染源；
若所述荧光组分库存在多个污染源的荧光组分与所述待溯源水体的荧光指纹的荧光组分聚类，则分别计算所述多个污染源的荧光组分与所述待溯源水体的荧光指纹的荧光组分的相似度，并将相似度最大的污染源作为所述疑似污染源；
若所述待溯源水体的荧光指纹的所有荧光组分的疑似污染源不完全相同时，说明存在多个污染源；
若所述待溯源水体的荧光指纹的荧光组分与所述荧光组分库中任一污染源的荧光组分都未聚类，则判定所述预设的多维度荧光指纹数据库中不存在所述疑似污染源。
根据本申请的一个实施例，在将所述待溯源水体的荧光指纹与所述预设的多维度荧光指纹数据库中典型荧光指纹库中的指纹进行聚类分析之前，还包括：
采集污染源样品、待溯源水体样品、清洁水体样品和超纯水样品，并对所述污染源样品、所述待溯源水体样品和所述清洁水体样品进行标准化处理；
分别采集所述超纯水样品和标准化处理后的所述污染源样品、所述待溯源水体样品、所述清洁水体样品的荧光指纹，以及所述标准化处理后的所述污染源样品、所述待溯源水体样品、所述清洁水体样品的紫外可见吸收光谱；
基于预设的标准化处理策略，对所述污染源样品的荧光指纹和所述待溯源水体样品的荧光指纹进行标准化处理，得到目标污染源样品的荧光指纹和目标待溯源水体样品的荧光指纹；
基于预设的平行因子分析法，获取所述目标污染源样品的荧光指纹的荧光组分和荧光强度，并获取所述目标待溯源水体样品的荧光指纹的荧光组分和荧光强度，以根据所述目标污染源样品的荧光指纹的荧光组分和荧光强度，以及所述目标待溯源水体样品的荧光指纹的荧光组分和荧光强度构建荧光组分库；
从所述目标污染源样品的荧光指纹中筛选出至少一个污染源样品的典型荧光指纹，并从所述目标待溯源水体样品的荧光指纹中筛选出至少一个待溯源水体样品的典型荧光指纹，以根据所述至少一个污染源样品的典型荧光指纹和所述至少一个待溯源水体样品的典型荧光指纹构建典型荧光指纹库；
根据待溯源水体样品的荧光指纹荧光峰的组成特征，将每个污染源样品的典型荧光指纹分解为多个子荧光指纹，得到动态子指纹库，其中，每个子荧光指纹包含至少一个荧光峰；
根据所述荧光组分库、所述典型荧光指纹库和所述动态子指纹库构建所述多维度荧光指纹数据库。
根据本申请的一个实施例，所述基于预设的标准化处理策略，对所述污染源样品的荧光指纹和所述待溯源水体样品的荧光指纹进行标准化处理，包括；
分别对所述污染源样品的荧光指纹和所述待溯源水体样品的荧光指纹进行空白校正，得到空白校正后的所述污染源样品的荧光指纹和空白矫正后的所述待溯源水体样品的荧光指纹；
基于预设的校正公式，利用所述污染源样品的紫外可见吸收光谱对所述空白校正后的所述污染源样品的荧光指纹进行内滤校正，得到内滤校正后的污染源样品的荧光指纹，并利用所述待溯源水体样品的紫外可见吸收光谱对所述待溯源水体样品的荧光指纹进行内滤校正，得到内滤校正后的待溯源水体样品的荧光指纹；
按照预设置换策略，置换所述内滤校正后的污染源样品的荧光指纹的一级瑞利散射数据和二级瑞利散射数据，并按照第一数据处理策略，扣除并填充所述内滤校正后的污染源样品的一级拉曼散射线上数据，得到散射校正后的污染源样品的荧光指纹，且置换所述内滤校正后的待溯源水体样品的荧光指纹的一级瑞利散射数据和二级瑞利散射数据，并按照第二数据处理策略，扣除并填充所述内滤校正后的污染源样品的一级拉曼散射线上数据，得到散射校正后的待溯源水体样品的荧光指纹；
基于预设的超纯水拉曼散射强度的积分，分别将所述散射校正后的污染源样品的荧光指纹和散射校正后的待溯源水体样品的荧光指纹的数据单位由无量纲转换为拉曼单位。
根据本申请的一个实施例，所述分别对所述污染源样品的荧光指纹和所述待溯源水体样品的荧光指纹进行空白校正，包括:
将所述污染源样品的荧光指纹数值矩阵扣除所述超纯水样品的荧光指纹数值矩阵得到所述空白校正后的所述污染源样品的荧光指纹；
将所述待溯源水体样品的荧光指纹数值矩阵扣除所述清洁水体样品的荧光指纹数值矩阵得到所述空白校正后的所述待溯源水体样品的荧光指纹。
根据本申请的一个实施例，所述预设的校正公式为：
Figure BDA0003883487590000051
其中，Fcorr为校正后的荧光强度，Fobs为校正前的荧光强度，Aex为激发波长处的吸光度，Aem为发射波长处的吸光度。
根据本申请的一个实施例，所述预设的平行因子分析法为：
Figure BDA0003883487590000052
其中，xijk为第i个样本在发射波长j、激发波长k处的荧光强度；F为组分数；aif、bjf、ckf分别为荷载矩阵A、B、C中的元素；εijk为模型残差。
根据本申请的一个实施例，采用预设的聚类算法进行聚类分析，其中，所述预设的聚类算法包括K-均值聚类、基于密度的噪声应用空间聚类、层次聚类、自组织神经网络中的至少一种。
根据本申请的一个实施例，采用预设的相似度衡量方法进行相似度计算，其中，所述预设的相似度衡量方法包括可夫斯基距离、曼哈顿距离、欧氏距离、切比雪夫距离、余弦相似度、皮尔逊相关系数、马氏距离、汉明距离和杰卡德相似系数中的至少一种。
根据本申请实施例的污染源的多维度比对识别方法，将采集的待溯源水体的荧光指纹与预设的多维度荧光指纹数据库中典型荧光指纹库中的指纹进行聚类分析，得到聚类分析结果，若聚类分析结果中不存在疑似污染源，则根据待溯源水体的荧光指纹中的荧光峰个数和荧光峰发射波长匹配最佳污染源判定策略，进而判定待溯源水体的疑似污染源。由此，解决了相关技术中无法进行多污染同时溯源，缺乏样品和荧光指纹采集的标准化流程，溯源方法效率低、时效性差等问题，通过对样品和荧光指纹标准化以及采用多污染在线溯源技术，提高了荧光指纹的准确性，溯源方法的时效性以及溯源结果的可靠性和稳定性。
本申请第二方面实施例提供一种污染源多维度溯源装置，包括：
计量泵；
过滤模块，用于对所述计量泵输送的水样进行过滤，得到过滤水样；
水质调节模块，用于调节所述过滤水样的pH值，得到测试水样；
指纹采集模块，用于采集所述测试水样的荧光指纹；
控制系统模块，所控制系统模块上存储有计算机程序，当所述计算机程序被所述控制系统模块执行时，基于所述测试水样的荧光指纹，实现如权利要求1-11任一项所述的污染源的多维度比对识别方法。
根据本申请的一个实施例，上述的污染源多维度溯源装置，还包括：
显示模块，用于显示所述控制系统模块输出的测试结果和污染源比对结果。
根据本申请实施例的污染源多维度溯源装置，将采集的待溯源水体的荧光指纹与预设的多维度荧光指纹数据库中典型荧光指纹库中的指纹进行聚类分析，得到聚类分析结果，若聚类分析结果中不存在疑似污染源，则根据待溯源水体的荧光指纹中的荧光峰个数和荧光峰发射波长匹配最佳污染源判定策略，进而判定待溯源水体的疑似污染源。由此，解决了相关技术中无法进行多污染同时溯源，缺乏样品和荧光指纹采集的标准化流程，溯源方法效率低、时效性差等问题，通过对样品和荧光指纹标准化以及采用多污染在线溯源技术，提高了荧光指纹的准确性，溯源方法的时效性以及溯源结果的可靠性和稳定性。
本申请第三方面实施例提供一种污染源的多维度比对识别装置，包括：
采集模块，用于采集待溯源水体，并将所述待溯源水体的荧光指纹与预设的多维度荧光指纹数据库中典型荧光指纹库中的指纹进行聚类分析，得到聚类分析结果；
匹配模块，用于若所述聚类分析结果中不存在疑似污染源，则根据所述待溯源水体的荧光指纹中的荧光峰个数和荧光峰发射波长匹配最佳污染源判定策略；以及
识别模块，用于根据所述最佳污染源判定策略判定所述待溯源水体的疑似污染源。
根据本申请的一个实施例，所述采集模块，具体用于：
若所述典型荧光指纹库中仅存在一个污染源的典型荧光指纹与所述待溯源水体的荧光指纹聚类，则将所述仅存在的一个污染源作为所述疑似污染源；
若所述典型荧光指纹库中存在多个污染源的典型荧光指纹与所述待溯源水体的荧光指纹聚类，则分别计算所述多个污染源的典型荧光指纹与所述待溯源水体的荧光指纹的相似度，并将相似度最大的污染源作为所述疑似污染源；
若所述待溯源水体的荧光指纹的子指纹与所述动态子指纹库中任一污染源的子指纹都未聚类，则判定所述预设的多维度荧光指纹数据库中不存在所述疑似污染源。
根据本申请的一个实施例，所述匹配模块，具体用于：若所述待溯源水体的荧光指纹中存在1个荧光峰，或者存在多个发射波长相同的荧光峰，则表明所述预设的多维度荧光指纹数据库中不存在所述疑似污染源；
若所述待溯源水体的荧光指纹中存在多个发射波长不同的荧光峰，且所述多个发射波长不同的荧光峰重叠区域小于预设值，则所述最佳污染源判定策略为根据所述待溯源水体的荧光指纹的子指纹与所述预设的多维度荧光指纹数据库中动态子指纹库进行聚类分析；
若所述待溯源水体的荧光指纹中存在多个发射波长不同的荧光峰，且所述多个发射波长不同的荧光峰重叠区域大于所述预设值，则所述最佳污染源判定策略为根据所述待溯源水体的荧光指纹的荧光组分与所述预设的多维度荧光指纹数据库中荧光组分库进行聚类分析。
根据本申请的一个实施例，所述识别模块，具体用于：
若所述动态子指纹库中仅存在一个污染源的子指纹与所述待溯源水体的荧光指纹的子指纹聚类，则将所述仅存在的一个污染源作为所述疑似污染源；
若所述动态子指纹库中存在多个污染源的子指纹与所述待溯源水体的荧光指纹的子指纹聚类，则分别计算所述多个污染源的子指纹与所述待溯源水体的荧光指纹的子指纹的相似度，并将相似度最大的污染源作为所述疑似污染源；
若所述待溯源水体的荧光指纹的所有子荧光指纹的疑似污染源不完全相同时，说明存在多个污染源；
若所述待溯源水体的荧光指纹的子指纹与所述动态子指纹库中任一污染源的子指纹都未聚类，则判定所述预设的多维度荧光指纹数据库中不存在所述疑似污染源。
根据本申请的一个实施例，所述识别模块，具体用于：
若所述荧光组分库中仅存在一个污染源的荧光组与所述待溯源水体的荧光指纹的荧光组分聚类，则将所述仅存在的一个污染源作为所述疑似污染源；
若所述荧光组分库存在多个污染源的荧光组分与所述待溯源水体的荧光指纹的荧光组分聚类，则分别计算所述多个污染源的荧光组分与所述待溯源水体的荧光指纹的荧光组分的相似度，并将相似度最大的污染源作为所述疑似污染源；
若所述待溯源水体的荧光指纹的所有荧光组分的疑似污染源不完全相同时，说明存在多个污染源；
若所述待溯源水体的荧光指纹的荧光组分与所述荧光组分库中任一污染源的荧光组分都未聚类，则判定所述预设的多维度荧光指纹数据库中不存在所述疑似污染源。
根据本申请的一个实施例，在将所述待溯源水体的荧光指纹与所述预设的多维度荧光指纹数据库中典型荧光指纹库中的指纹进行聚类分析之前，所述采集模块，还用于：
采集污染源样品、待溯源水体样品、清洁水体样品和超纯水样品，并对所述污染源样品、所述待溯源水体样品和所述清洁水体样品进行标准化处理；
分别采集所述超纯水样品和标准化处理后的所述污染源样品、所述待溯源水体样品、所述清洁水体样品的荧光指纹，以及所述标准化处理后的所述污染源样品、所述待溯源水体样品、所述清洁水体样品的紫外可见吸收光谱；
基于预设的标准化处理策略，对所述污染源样品的荧光指纹和所述待溯源水体样品的荧光指纹进行标准化处理，得到目标污染源样品的荧光指纹和目标待溯源水体样品的荧光指纹；
基于预设的平行因子分析法，获取所述目标污染源样品的荧光指纹的荧光组分和荧光强度，并获取所述目标待溯源水体样品的荧光指纹的荧光组分和荧光强度，以根据所述目标污染源样品的荧光指纹的荧光组分和荧光强度，以及所述目标待溯源水体样品的荧光指纹的荧光组分和荧光强度构建荧光组分库；
从所述目标污染源样品的荧光指纹中筛选出至少一个污染源样品的典型荧光指纹，并从所述目标待溯源水体样品的荧光指纹中筛选出至少一个待溯源水体样品的典型荧光指纹，以根据所述至少一个污染源样品的典型荧光指纹和所述至少一个待溯源水体样品的典型荧光指纹构建典型荧光指纹库；
根据待溯源水体样品的荧光指纹荧光峰的组成特征，将每个污染源样品的典型荧光指纹分解为多个子荧光指纹，得到动态子指纹库，其中，每个子荧光指纹包含至少一个荧光峰；
根据所述荧光组分库、所述典型荧光指纹库和所述动态子指纹库构建所述多维度荧光指纹数据库。
根据本申请的一个实施例，所述采集模块，具体用于：
分别对所述污染源样品的荧光指纹和所述待溯源水体样品的荧光指纹进行空白校正，得到空白校正后的所述污染源样品的荧光指纹和空白矫正后的所述待溯源水体样品的荧光指纹；
基于预设的校正公式，利用所述污染源样品的紫外可见吸收光谱对所述空白校正后的所述污染源样品的荧光指纹进行内滤校正，得到内滤校正后的污染源样品的荧光指纹，并利用所述待溯源水体样品的紫外可见吸收光谱对所述待溯源水体样品的荧光指纹进行内滤校正，得到内滤校正后的待溯源水体样品的荧光指纹；
按照预设置换策略，置换所述内滤校正后的污染源样品的荧光指纹的一级瑞利散射数据和二级瑞利散射数据，并按照第一数据处理策略，扣除并填充所述内滤校正后的污染源样品的一级拉曼散射线上数据，得到散射校正后的污染源样品的荧光指纹，且置换所述内滤校正后的待溯源水体样品的荧光指纹的一级瑞利散射数据和二级瑞利散射数据，并按照第二数据处理策略，扣除并填充所述内滤校正后的污染源样品的一级拉曼散射线上数据，得到散射校正后的待溯源水体样品的荧光指纹；
基于预设的超纯水拉曼散射强度的积分，分别将所述散射校正后的污染源样品的荧光指纹和散射校正后的待溯源水体样品的荧光指纹的数据单位由无量纲转换为拉曼单位。
根据本申请的一个实施例，所述采集模块，具体用于：
将所述污染源样品的荧光指纹数值矩阵扣除所述超纯水样品的荧光指纹数值矩阵得到所述空白校正后的所述污染源样品的荧光指纹；
将所述待溯源水体样品的荧光指纹数值矩阵扣除所述清洁水体样品的荧光指纹数值矩阵得到所述空白校正后的所述待溯源水体样品的荧光指纹。
根据本申请的一个实施例，所述预设的校正公式为：
Figure BDA0003883487590000091
其中，Fcorr为校正后的荧光强度，Fobs为校正前的荧光强度，Aex为激发波长处的吸光度，Aem为发射波长处的吸光度。
根据本申请的一个实施例，所述预设的平行因子分析法为：
Figure BDA0003883487590000092
其中，xijk为第i个样本在发射波长j、激发波长k处的荧光强度；F为组分数；aif、bjf、ckf分别为荷载矩阵A、B、C中的元素；εijk为模型残差。
根据本申请的一个实施例，采用预设的聚类算法进行聚类分析，其中，所述预设的聚类算法包括K-均值聚类、基于密度的噪声应用空间聚类、层次聚类、自组织神经网络中的至少一种。
根据本申请的一个实施例，采用预设的相似度衡量方法进行相似度计算，其中，所述预设的相似度衡量方法包括可夫斯基距离、曼哈顿距离、欧氏距离、切比雪夫距离、余弦相似度、皮尔逊相关系数、马氏距离、汉明距离和杰卡德相似系数中的至少一种。
根据本申请实施例的污染源的多维度比对识别装置，将采集的待溯源水体的荧光指纹与预设的多维度荧光指纹数据库中典型荧光指纹库中的指纹进行聚类分析，得到聚类分析结果，若聚类分析结果中不存在疑似污染源，则根据待溯源水体的荧光指纹中的荧光峰个数和荧光峰发射波长匹配最佳污染源判定策略，进而判定待溯源水体的疑似污染源。由此，解决了相关技术中无法进行多污染同时溯源，缺乏样品和荧光指纹采集的标准化流程，溯源方法效率低、时效性差等问题，通过对样品和荧光指纹标准化以及采用多污染在线溯源技术，提高了荧光指纹的准确性，溯源方法的时效性以及溯源结果的可靠性和稳定性。
本申请第四方面实施例提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如上述实施例所述的污染源的多维度比对识别方法。
本申请第五方面实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，以用于实现如上述实施例所述的污染源的多维度比对识别方法。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为根据本申请实施例的污染源的多维度比对识别方法流程图；
图2为根据本申请一个实施例的水污染多维度溯源方法流程图；
图3为根据本申请一个实施例的待溯源水体的典型荧光指纹Ⅰ示意图；
图4为根据本申请一个实施例的待溯源水体的典型荧光指纹Ⅱ及其分解示意图；
图5为根据本申请实施例的污染源多维度溯源装置示意图；
图6为根据本申请实施例的污染源的多维度比对识别装置方框示意图；
图7为根据本申请实施例的电子设备的结构示意图。
具体实施方式
下面详细描述本发明的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
下面参照附图描述根据本发明实施例提出的水污染源多维度溯源方法及装置，针对上述背景技术中提到的相关技术中无法进行多污染同时溯源，缺乏样品和荧光指纹采集的标准化流程，溯源方法效率低、时效性差等问题，本申请提供了一种污染源的多维度比对识别方法，在该方法中，将采集的待溯源水体的荧光指纹与预设的多维度荧光指纹数据库中典型荧光指纹库中的指纹进行聚类分析，得到聚类分析结果，若聚类分析结果中不存在疑似污染源，则根据待溯源水体的荧光指纹中的荧光峰个数和荧光峰发射波长匹配最佳污染源判定策略，进而判定待溯源水体的疑似污染源。由此，解决了相关技术中无法进行多污染同时溯源，缺乏样品和荧光指纹采集的标准化流程，溯源方法效率低、时效性差等问题，通过对样品和荧光指纹标准化以及采用多污染在线溯源技术，提高了荧光指纹的准确性，溯源方法的时效性以及溯源结果的可靠性和稳定性。
具体而言，图1是本申请实施例所提供的污染源的多维度比对识别方法的流程图。
如图1所示，该污染源的多维度比对识别方法包括以下步骤：
在步骤S101中，采集待溯源水体，并将待溯源水体的荧光指纹与预设的多维度荧光指纹数据库中典型荧光指纹库中的指纹进行聚类分析，得到聚类分析结果。
进一步地，在一些实施例中，将待溯源水体的荧光指纹与预设的多维度荧光指纹数据库中典型荧光指纹库中的指纹进行聚类分析，得到聚类分析结果，包括：若典型荧光指纹库中仅存在一个污染源的典型荧光指纹与待溯源水体的荧光指纹聚类，则将仅存在的一个污染源作为疑似污染源；若典型荧光指纹库中存在多个污染源的典型荧光指纹与待溯源水体的荧光指纹聚类，则分别计算多个污染源的典型荧光指纹与待溯源水体的荧光指纹的相似度，并将相似度最大的污染源作为疑似污染源；若待溯源水体的荧光指纹的子指纹与动态子指纹库中任一污染源的子指纹都未聚类，则判定预设的多维度荧光指纹数据库中不存在疑似污染源。
具体地，本申请实施例将待溯源水体的荧光指纹与污染源典型荧光指纹库中的指纹进行聚类分析，其步骤如下：
(1)如果待溯源水体的荧光指纹与某个污染源的典型荧光指纹聚为一类，则该污染源为疑似污染源；
(2)如果待溯源水体的荧光指纹与多个(≥2)污染源的典型荧光指纹聚为一类，则分别计算待溯源水体的荧光指纹与各污染源典型荧光指纹的相似度，相似度最大者为疑似污染源；
(3)如果待溯源水体的荧光指纹未与任何一个污染源典型荧光指纹聚为一类，则进入下一步。
进一步地，在一些实施例中，在将待溯源水体的荧光指纹与预设的多维度荧光指纹数据库中典型荧光指纹库中的指纹进行聚类分析之前，还包括：采集污染源样品、待溯源水体样品、清洁水体样品和超纯水样品，并对污染源样品、待溯源水体样品和清洁水体样品进行标准化处理；分别采集超纯水样品和标准化处理后的污染源样品、待溯源水体样品、清洁水体样品的荧光指纹，以及标准化处理后的污染源样品、待溯源水体样品、清洁水体样品的紫外可见吸收光谱；基于预设的标准化处理策略，对污染源样品的荧光指纹和待溯源水体样品的荧光指纹进行标准化处理，得到目标污染源样品的荧光指纹和目标待溯源水体样品的荧光指纹；基于预设的平行因子分析法，获取目标污染源样品的荧光指纹的荧光组分和荧光强度，并获取目标待溯源水体样品的荧光指纹的荧光组分和荧光强度，以根据目标污染源样品的荧光指纹的荧光组分和荧光强度，以及目标待溯源水体样品的荧光指纹的荧光组分和荧光强度构建荧光组分库；从目标污染源样品的荧光指纹中筛选出至少一个污染源样品的典型荧光指纹，并从目标待溯源水体样品的荧光指纹中筛选出至少一个待溯源水体样品的典型荧光指纹，以根据至少一个污染源样品的典型荧光指纹和至少一个待溯源水体样品的典型荧光指纹构建典型荧光指纹库；根据待溯源水体样品的荧光指纹荧光峰的组成特征，将每个污染源样品的典型荧光指纹分解为多个子荧光指纹，得到动态子指纹库，其中，每个子荧光指纹包含至少一个荧光峰；根据荧光组分库、典型荧光指纹库和动态子指纹库构建多维度荧光指纹数据库。
进一步地，在一些实施例中，基于预设的标准化处理策略，对污染源样品的荧光指纹和待溯源水体样品的荧光指纹进行标准化处理，包括；分别对污染源样品的荧光指纹和待溯源水体样品的荧光指纹进行空白校正，得到空白校正后的污染源样品的荧光指纹和空白矫正后的待溯源水体样品的荧光指纹；基于预设的校正公式，利用污染源样品的紫外可见吸收光谱对空白校正后的污染源样品的荧光指纹进行内滤校正，得到内滤校正后的污染源样品的荧光指纹，并利用待溯源水体样品的紫外可见吸收光谱对待溯源水体样品的荧光指纹进行内滤校正，得到内滤校正后的待溯源水体样品的荧光指纹；按照预设置换策略，置换内滤校正后的污染源样品的荧光指纹的一级瑞利散射数据和二级瑞利散射数据，并按照第一数据处理策略，扣除并填充内滤校正后的污染源样品的一级拉曼散射线上数据，得到散射校正后的污染源样品的荧光指纹，且置换内滤校正后的待溯源水体样品的荧光指纹的一级瑞利散射数据和二级瑞利散射数据，并按照第二数据处理策略，扣除并填充内滤校正后的污染源样品的一级拉曼散射线上数据，得到散射校正后的待溯源水体样品的荧光指纹；基于预设的超纯水拉曼散射强度的积分，分别将散射校正后的污染源样品的荧光指纹和散射校正后的待溯源水体样品的荧光指纹的数据单位由无量纲转换为拉曼单位。
进一步地，在一些实施例中，分别对污染源样品的荧光指纹和待溯源水体样品的荧光指纹进行空白校正，包括：将污染源样品的荧光指纹数值矩阵扣除超纯水样品的荧光指纹数值矩阵得到空白校正后的污染源样品的荧光指纹；将待溯源水体样品的荧光指纹数值矩阵扣除清洁水体样品的荧光指纹数值矩阵得到空白校正后的待溯源水体样品的荧光指纹。
具体地，如图2所示，本申请实施例在将待溯源水体的荧光指纹与预设的多维度荧光指纹数据库中典型荧光指纹库中的指纹进行聚类分析之前，还需要从各污染源排水户各采集20个样本，在L1河段采集20个样本，在L1河段上游采集2个样本作为清洁水体样本，并将其标准化，例如将样本都用0.45μm微孔滤膜过滤，然后用超纯水将污染源好和待溯源水体的样品稀释至254nm处的吸光度A254≤0.75，清洁水体样品的稀释倍数与的待溯源水体样本保持一致，最后用稀盐酸或氢氧化钠溶液将所有样品pH值调节在6-8之间。
进一步地，本申请实施例采集超纯水样品和标准化处理后的污染源、待溯源水体、清洁水体以及超纯水样品的三维荧光光谱以及紫外-可见吸收光谱，其中，吸收光谱扫描范围为220-700nm，扫描间隔为1nm；三维荧光光谱的激发波长扫描范围为220-450nm，发射波长扫描范围为230-550nm，扫描间隔5nm，扫描速度12000nm/min，且每个荧光指纹均为47×65的矩阵，行为激发波长，列为发射波长。以某个样本为例，该样本原始荧光指纹的数据矩阵为：
Figure BDA0003883487590000131
进一步地，本申请实施例基于预设的标准化处理策略，首先对污染源样品的荧光指纹和待溯源水体样品的荧光指纹进行标准化处理，即将所有污染源样本的荧光指纹数据矩阵扣除超纯水的荧光指纹数据矩阵，待溯源水体样品的荧光指纹数据矩阵扣除清洁水体样品荧光指纹数据矩阵的均值，然后利用紫外可见吸收光谱进行内滤校正，校正公式如下：
Figure BDA0003883487590000132
其中，Fcorr为校正后的荧光强度，Fobs为校正前的荧光强度，Aex为激发波长处的吸光度，Aem为发射波长处的吸光度。因此，上述样本的荧光指纹校正后，数据矩阵变为：
Figure BDA0003883487590000133
其次，本申请实施例将污染源样品的荧光指纹和待溯源水体样品的荧光指纹内滤校正后进行散射校正，即将一级瑞利和二级瑞利散射线±20nm的数据置换为0，将一级拉曼散射线上的数据扣除，然后采用内插的方法填充扣除数据。经散射校正后，上述样本的荧光指纹数据矩阵变为：
Figure BDA0003883487590000134
最后，本申请实施例将污染源样品的荧光指纹和待溯源水体样品的荧光指纹进行拉曼校正，利用激发波长350nm，发射波长365～435nm之间超纯水拉曼散射强度的积分将散射校正后荧光指纹的强度转换为拉曼单位(R.U.)，经拉曼校正后，上述样本的荧光指纹数据矩阵变为：
Figure BDA0003883487590000141
综上，本申请实施例对于污染源样品的荧光指纹和待溯源水体样品的荧光指纹分别进行空白校正、内滤校正、散射校正以及拉曼校正后，从而得到目标污染源样品的荧光指纹和目标待溯源水体样品的荧光指纹。
进一步地，本申请实施例利用平行因子分析法分别提取各污染源和待溯源水体荧光指纹的主要荧光组分及其强度(Fmax)，其基本原理为：
Figure BDA0003883487590000142
其中，xijk为第i个样本在发射波长j、激发波长k处的荧光强度；F为组分数；aif、bjf、ckf分别为荷载矩阵A、B、C中的元素；εijk为模型残差，表示不能被模型解释的部分。经过平行因子分析，污染源A-H的荧光指纹分别提取到2、3、4、4、2、2、3、2个主要荧光组分，待溯源水体样品的荧光指纹提取到3个主要荧光组分。
进一步地，本申请实施例利用自组织神经网络算法分别将污染源和待溯源水体的荧光指纹进行聚类分析，污染源A～H的荧光指纹分别聚为1、2、2、2、1、1、2、2个类别，待溯源水体的荧光指纹聚为2个类别，从每个类别中各选取一个指纹作为各类别的典型荧光指纹。
进一步地，本申请实施例根据待溯源水体样品的荧光指纹荧光峰的组成特征，将每个污染源样品的典型荧光指纹分解为多个子荧光指纹，得到动态子指纹库。
具体而言，如图3所示，经过聚类分析发现待溯源水体具有两种典型荧光指纹。其一，典型指纹Ⅰ具有两个发射波长不同荧光峰，这种指纹组成简单，可以直接与典型荧光指纹库进行比对，不需要与荧光组分库进行比对，也不需要建立动态子指纹库。
其二，如图4所示，典型荧光指纹Ⅱ除了具有指纹Ⅰ的两个荧光峰，还在激发/发射波长270nm/415nm和325nm/415nm附近有两个个荧光峰，这种荧光指纹各具有多个荧光峰，很可能是多个污染源的复合指纹重叠较少，直接与典型荧光指纹库比对可能无法与任何一家污染源相匹配，由于该指纹各荧光峰的重叠区域较少，因此可以优先考虑采样动态子指纹库的比对方法。例如，以发射波长375nm为界限，将典型荧光指纹Ⅱ分解为子指纹1和子指纹2，然后将典型荧光指纹库中的所有指纹都以发射波长375nm为界进行分解，从而构建动态子指纹库1和动态子指纹库2。
进一步地，本申请实施例根据上述提取的污染源样品的主要荧光组分及其强度汇总构成荧光组分库，将预筛的典型荧光指纹汇总构成典型荧光指纹库，将分解的子指纹汇总构成动态子指纹库，并将荧光组分库、典型荧光指纹库和动态子指纹库汇总构成多维度荧光指纹数据库。
在步骤S102中，若聚类分析结果中不存在疑似污染源，则根据待溯源水体的荧光指纹中的荧光峰个数和荧光峰发射波长匹配最佳污染源判定策略。
进一步地，在一些实施例中，根据待溯源水体的荧光指纹中的荧光峰个数和荧光峰波长匹配最佳污染源判定策略，包括：若待溯源水体的荧光指纹中存在1个荧光峰，或者存在多个发射波长相同的荧光峰，则表明预设的多维度荧光指纹数据库中不存在疑似污染源；若待溯源水体的荧光指纹中存在多个发射波长不同的荧光峰，且多个发射波长不同的荧光峰重叠区域小于预设值，则最佳污染源判定策略为根据待溯源水体的荧光指纹的子指纹与预设的多维度荧光指纹数据库中动态子指纹库进行聚类分析；若待溯源水体的荧光指纹中存在多个发射波长不同的荧光峰，且多个发射波长不同的荧光峰重叠区域大于预设值，则最佳污染源判定策略为根据待溯源水体的荧光指纹的荧光组分与预设的多维度荧光指纹数据库中荧光组分库进行聚类分析。
具体地，本申请实施例根据待溯源水体荧光指纹荧光峰的组成特征决定下一步比对数据库，其步骤如下：
(1)如果待溯源水体的荧光指纹仅含有一个荧光峰或发射波长相同的多个荧光峰，则说明现有数据库中不包含潜在污染源，将该指纹加入典型荧光指纹库，进一步排查其他污染源；
(2)如果待溯源水体的荧光指纹包含多个发射波长不同的荧光峰且各荧光峰之间的重叠区域很少，说明可能存在多个(≥2)潜在污染源，则将待溯源水体的荧光指纹分解为包含不同发射波长荧光峰的子指纹，污染源的动态子指纹划分边界与待溯源水体的子指纹保持一致，然后进入待溯源水体的荧光指纹的子指纹与预设的多维度荧光指纹数据库中动态子指纹库进行聚类分析；
(3)如果待溯源水体的荧光指纹包含多个发射波长不同的荧光峰且各荧光峰之间的重叠区域较大，或其他，说明可能存在多个(≥2)的潜在污染源，提取待溯源水体的主要荧光组分后进入待溯源水体的各荧光组分与污染源的荧光组分进行聚类分析。
在步骤S103中，根据最佳污染源判定策略判定待溯源水体的疑似污染源。
进一步地，在一些实施例中，最佳污染源判定策略为根据待溯源水体的荧光指纹的子指纹与预设的多维度荧光指纹数据库中动态子指纹库进行聚类分析，根据最佳污染源判定策略判定待溯源水体的疑似污染源，包括：若动态子指纹库中仅存在一个污染源的子指纹与待溯源水体的荧光指纹的子指纹聚类，则将仅存在的一个污染源作为疑似污染源；若动态子指纹库中存在多个污染源的子指纹与待溯源水体的荧光指纹的子指纹聚类，则分别计算多个污染源的子指纹与待溯源水体的荧光指纹的子指纹的相似度，并将相似度最大的污染源作为疑似污染源；若待溯源水体的荧光指纹的所有子荧光指纹的疑似污染源不完全相同时，说明存在多个污染源；若待溯源水体的荧光指纹的子指纹与动态子指纹库中任一污染源的子指纹都未聚类，则判定预设的多维度荧光指纹数据库中不存在疑似污染源。
具体地，本申请实施例分别将待溯源水体的各子指纹与污染源动态子指纹进行聚类分析，其步骤如下：
(1)如果待溯源水体的某个子指纹与某个污染源的子指纹聚为一类，则该污染源为疑似污染源；
(2)如果待溯源水体的某个子荧光指纹与多个(≥2)污染源的子指纹聚为一类，则分别计算待溯源水体的子指纹与各污染源子指纹的相似度，相似度最大者为疑似污染源；
(3)如果待溯源水体的所有子荧光指纹的疑似污染源不完全相同时，说明存在多个污染源；
(4)如果待溯源水体的所有子荧光指纹与任何一个污染源的子指纹都未聚到一类，说明数据库中不包含疑似污染源，需要进一步排查其他污染源。
进一步地，在一些实施例中，最佳污染源判定策略为根据待溯源水体的荧光指纹的荧光组分与预设的多维度荧光指纹数据库中荧光组分库进行聚类分析，根据最佳污染源判定策略判定待溯源水体的疑似污染源，包括：若荧光组分库中仅存在一个污染源的荧光组与待溯源水体的荧光指纹的荧光组分聚类，则将仅存在的一个污染源作为疑似污染源；若荧光组分库存在多个污染源的荧光组分与待溯源水体的荧光指纹的荧光组分聚类，则分别计算多个污染源的荧光组分与待溯源水体的荧光指纹的荧光组分的相似度，并将相似度最大的污染源作为疑似污染源；若待溯源水体的荧光指纹的所有荧光组分的疑似污染源不完全相同时，说明存在多个污染源；若待溯源水体的荧光指纹的荧光组分与荧光组分库中任一污染源的荧光组分都未聚类，则判定预设的多维度荧光指纹数据库中不存在疑似污染源。
具体地，本申请时实施例分别将待溯源水体的各荧光组分与污染源的荧光组分进行聚类分析，其步骤如下：
(1)如果待溯源水体的某个荧光组分与某个污染源的荧光组分聚为一类，则该污染源为疑似污染源；
(2)如果待溯源水体的某个荧光组分与多个(≥2)污染源的荧光组分聚为一类，则分别计算待溯源水体的荧光组分与同一类别中各污染源荧光组分的相似度，相似度最大者为疑似污染源；
(3)如果待溯源水体的所有荧光组分的疑似污染源不完全相同时，说明存在多个污染源；
(4)如果待溯源水体的所有荧光组分与任何一个污染源的荧光组分都未聚到一类，说明数据库中不包含疑似污染源，需要进一步排查其他污染源。
举例而言，通过上述污染源的多维度对比识别，本申请实施例首先利用自组织神经网络算法将待溯源水体的典型指纹Ⅰ与典型荧光指纹库的所有指纹进行聚类分析，若结果显示污染源A的指纹与待溯源水体的典型指纹Ⅰ聚为一类，则说明污染源A为疑似污染源。
其次，利用自组织神经网络算法将待溯源水体典型指纹Ⅱ的子指纹分别与动态子指纹库中相应的子指纹进行聚类分析，若子指纹1与污染源A的子指纹聚为一类，子指纹2与污染源D和E的子指纹聚为一类，则说明污染源A是疑似污染源，污染源D和E需要进一步判断。
具体地，分别计算子指纹2与污染源D、E的子指纹的余弦相似度，若子指纹2与污染源D的子指纹余弦相似度为0.89，与污染源E的子指纹余弦相似度为0.93，则说明污染源E更可能是潜在污染源，因此待溯源水体可能同时受污染源A和E的污染。
再次，利用自组织神经网络算法将待溯源水体的典型指纹Ⅱ与典型荧光指纹库的所有指纹进行聚类分析，若典型指纹Ⅱ未与典型指纹库中的任何一个指纹聚为一类，则说明可能是存在多个污染源或存在其他污染源。
需要说明的是，上述步骤中的聚类方法包括但不限于K-均值聚类、基于密度的噪声应用空间聚类(DBSCAN(Density-Based Spatial Clustering of Applications withNoise，基于密度的聚类算法))、层次聚类、自组织神经网络，优选地，本申请实施例采用自组织神经网络；上述步骤中的相似度的衡量方法包括但不限于闵可夫斯基距离、曼哈顿距离、欧氏距离、切比雪夫距离、余弦相似度、皮尔逊相关系数、马氏距离、汉明距离、杰卡德相似系数，优选地，本申请实施例采用余弦相似度的衡量方法，其公式如下：
Figure BDA0003883487590000171
其中，cos(θ)是余弦相似度，x、y是两个一维行向量，xi为x向量的第i个分量，yi为y向量的第i个分量，n是向量维数。
根据本申请实施例的污染源的多维度比对识别方法，将采集的待溯源水体的荧光指纹与预设的多维度荧光指纹数据库中典型荧光指纹库中的指纹进行聚类分析，得到聚类分析结果，若聚类分析结果中不存在疑似污染源，则根据待溯源水体的荧光指纹中的荧光峰个数和荧光峰发射波长匹配最佳污染源判定策略，进而判定待溯源水体的疑似污染源。由此，解决了相关技术中无法进行多污染同时溯源，缺乏样品和荧光指纹采集的标准化流程，溯源方法效率低、时效性差等问题，通过对样品和荧光指纹标准化以及采用多污染在线溯源技术，提高了荧光指纹的准确性，溯源方法的时效性以及溯源结果的可靠性和稳定性。
其次参照附图描述根据本申请实施例提出的污染源多维度溯源装置。
图5是本申请实施例的污染源多维度溯源装置的示意图。
如图5所示，该污染源多维度溯源装置10包括：计量泵100、过滤模块200、水质调节模块300、指纹采集模块400和控制系统模块500。
其中，计量泵100，用于对过滤模块、水质条件模块和指纹采集模块间水样或试剂的输送和计量。
过滤模块200，用于对计量泵输送的水样进行过滤，得到过滤水样；
水质调节模块300，用于调节过滤水样的pH值，包括调节水箱、超纯水箱、碱液箱、酸液箱、计量泵、pH探头、紫外-可见吸收光谱探头，从而得到测试水样；
指纹采集模块400，用于采集测试水样的荧光指纹；
控制系统模块500，用于控制系统模块上存储有计算机程序，当计算机程序被控制系统模块执行时，基于测试水样的荧光指纹，实现如上述的污染源的多维度比对识别方法。
进一步地，在一些实施例中，上述的污染源多维度溯源装置10，还包括：
显示模块，用于显示控制系统模块输出的测试结果和污染源比对结果。
具体地，本申请实施例的污染源多维度溯源装置的运行包括以下步骤：
(1)控制系统模块启动采样程序，水样经计量泵输送至过滤模块；
(2)水样经过滤模块处理后进入水质调节箱；
(3)控制系统启动水质调节箱中的紫外-可见吸收光谱探头采集水样的紫外-可见吸收光谱，结果在显示模块中实时显示。如果水样最低激发波长处的吸光度大于0.75，则启动计量泵加入超纯水进行适当稀释，如果小于等于0.75则跳过稀释步骤进入步骤(4)；
(4)控制系统启动水质调节箱中的pH探头测试水样的pH值，结果在显示模块中实时显示。如果水样的pH值小于6，则启动计量泵加入适量碱液，使水样pH值在6-8之间；如果水样的pH值大于8，则启动计量泵加入适量酸液，使水样pH值在6-9之间；如果水样的pH值在6-8之间，则跳过pH值调节步骤，进入步骤(5)，；
(5)控制系统启动计量泵将水质调节箱中的水样输送至指纹采集模块，在指纹采集模块中采集水样的荧光指纹，结果在显示模块中实时显示；
(6)指纹采集完成后，控制系统启动计量泵和电磁阀将调节水箱和指纹采集模块中的样品排空样品；
(7)样品排空后，控制系统启动计量泵和电磁阀加入适量超纯水清洗调节水箱和指纹采集模块中，然后将清洗废液排空；
(8)采集到荧光指纹传输给控制系统模块，控制系统模块利用编写好的程序对三维荧光指纹进行校正；
(9)控制系统启动比对程序，将样品的荧光指纹与控制系统已经嵌入的污染源指纹数据库进行比对，在显示模块实时显示比对结果。
(10)不断重复上述步骤以实现水污染的在线预警溯源。
根据本申请实施例的污染源多维度溯源装置，将采集的待溯源水体的荧光指纹与预设的多维度荧光指纹数据库中典型荧光指纹库中的指纹进行聚类分析，得到聚类分析结果，若聚类分析结果中不存在疑似污染源，则根据待溯源水体的荧光指纹中的荧光峰个数和荧光峰发射波长匹配最佳污染源判定策略，进而判定待溯源水体的疑似污染源。由此，解决了相关技术中无法进行多污染同时溯源，缺乏样品和荧光指纹采集的标准化流程，溯源方法效率低、时效性差等问题，通过对样品和荧光指纹标准化以及采用多污染在线溯源技术，提高了荧光指纹的准确性，溯源方法的时效性以及溯源结果的可靠性和稳定性。
再次参照附图描述根据本发明实施例提出的污染源的多维度比对识别装置。
图6是本申请实施例的污染源的多维度比对识别装置的方框示意图。
如图6所示，该污染源的多维度比对识别装置20包括：采集模块600、匹配模块700和识别模块800。
其中，采集模块600，用于采集待溯源水体，并将待溯源水体的荧光指纹与预设的多维度荧光指纹数据库中典型荧光指纹库中的指纹进行聚类分析，得到聚类分析结果；
匹配模块700，用于若聚类分析结果中不存在疑似污染源，则根据待溯源水体的荧光指纹中的荧光峰个数和荧光峰发射波长匹配最佳污染源判定策略；以及
识别模块800，用于根据最佳污染源判定策略判定待溯源水体的疑似污染源。
进一步地，在一些实施例中，采集模块600，具体用于：
若典型荧光指纹库中仅存在一个污染源的典型荧光指纹与待溯源水体的荧光指纹聚类，则将仅存在的一个污染源作为疑似污染源；
若典型荧光指纹库中存在多个污染源的典型荧光指纹与待溯源水体的荧光指纹聚类，则分别计算多个污染源的典型荧光指纹与待溯源水体的荧光指纹的相似度，并将相似度最大的污染源作为疑似污染源；
若待溯源水体的荧光指纹的子指纹与动态子指纹库中任一污染源的子指纹都未聚类，则判定预设的多维度荧光指纹数据库中不存在疑似污染源。
进一步地，在一些实施例中，匹配模块700，具体用于：若待溯源水体的荧光指纹中存在1个荧光峰，或者存在多个发射波长相同的荧光峰，则表明预设的多维度荧光指纹数据库中不存在疑似污染源；
若待溯源水体的荧光指纹中存在多个发射波长不同的荧光峰，且多个发射波长不同的荧光峰重叠区域小于预设值，则最佳污染源判定策略为根据待溯源水体的荧光指纹的子指纹与预设的多维度荧光指纹数据库中动态子指纹库进行聚类分析；
若待溯源水体的荧光指纹中存在多个发射波长不同的荧光峰，且多个发射波长不同的荧光峰重叠区域大于预设值，则最佳污染源判定策略为根据待溯源水体的荧光指纹的荧光组分与预设的多维度荧光指纹数据库中荧光组分库进行聚类分析。
进一步地，在一些实施例中，识别模块800，具体用于：
若动态子指纹库中仅存在一个污染源的子指纹与待溯源水体的荧光指纹的子指纹聚类，则将仅存在的一个污染源作为疑似污染源；
若动态子指纹库中存在多个污染源的子指纹与待溯源水体的荧光指纹的子指纹聚类，则分别计算多个污染源的子指纹与待溯源水体的荧光指纹的子指纹的相似度，并将相似度最大的污染源作为疑似污染源；
若待溯源水体的荧光指纹的所有子荧光指纹的疑似污染源不完全相同时，说明存在多个污染源；
若待溯源水体的荧光指纹的子指纹与动态子指纹库中任一污染源的子指纹都未聚类，则判定预设的多维度荧光指纹数据库中不存在疑似污染源。
进一步地，在一些实施例中，识别模块800，具体用于：
若荧光组分库中仅存在一个污染源的荧光组与待溯源水体的荧光指纹的荧光组分聚类，则将仅存在的一个污染源作为疑似污染源；
若荧光组分库存在多个污染源的荧光组分与待溯源水体的荧光指纹的荧光组分聚类，则分别计算多个污染源的荧光组分与待溯源水体的荧光指纹的荧光组分的相似度，并将相似度最大的污染源作为疑似污染源；
若待溯源水体的荧光指纹的所有荧光组分的疑似污染源不完全相同时，说明存在多个污染源；
若待溯源水体的荧光指纹的荧光组分与荧光组分库中任一污染源的荧光组分都未聚类，则判定预设的多维度荧光指纹数据库中不存在疑似污染源。
进一步地，在一些实施例中，在将待溯源水体的荧光指纹与预设的多维度荧光指纹数据库中典型荧光指纹库中的指纹进行聚类分析之前，采集模块600，还用于：
采集污染源样品、待溯源水体样品、清洁水体样品和超纯水样品，并对污染源样品、待溯源水体样品和清洁水体样品进行标准化处理；
分别采集超纯水样品和标准化处理后的污染源样品、待溯源水体样品、清洁水体样品的荧光指纹，以及标准化处理后的污染源样品、待溯源水体样品、清洁水体样品的紫外可见吸收光谱；
基于预设的标准化处理策略，对污染源样品的荧光指纹和待溯源水体样品的荧光指纹进行标准化处理，得到目标污染源样品的荧光指纹和目标待溯源水体样品的荧光指纹；
基于预设的平行因子分析法，获取目标污染源样品的荧光指纹的荧光组分和荧光强度，并获取目标待溯源水体样品的荧光指纹的荧光组分和荧光强度，以根据目标污染源样品的荧光指纹的荧光组分和荧光强度，以及目标待溯源水体样品的荧光指纹的荧光组分和荧光强度构建荧光组分库；
从目标污染源样品的荧光指纹中筛选出至少一个污染源样品的典型荧光指纹，并从目标待溯源水体样品的荧光指纹中筛选出至少一个待溯源水体样品的典型荧光指纹，以根据至少一个污染源样品的典型荧光指纹和至少一个待溯源水体样品的典型荧光指纹构建典型荧光指纹库；
根据待溯源水体样品的荧光指纹荧光峰的组成特征，将每个污染源样品的典型荧光指纹分解为多个子荧光指纹，得到动态子指纹库，其中，每个子荧光指纹包含至少一个荧光峰；
根据荧光组分库、典型荧光指纹库和动态子指纹库构建多维度荧光指纹数据库。
进一步地，在一些实施例中，采集模块600，具体用于：
分别对污染源样品的荧光指纹和待溯源水体样品的荧光指纹进行空白校正，得到空白校正后的污染源样品的荧光指纹和空白矫正后的待溯源水体样品的荧光指纹；
基于预设的校正公式，利用污染源样品的紫外可见吸收光谱对空白校正后的污染源样品的荧光指纹进行内滤校正，得到内滤校正后的污染源样品的荧光指纹，并利用待溯源水体样品的紫外可见吸收光谱对待溯源水体样品的荧光指纹进行内滤校正，得到内滤校正后的待溯源水体样品的荧光指纹；
按照预设置换策略，置换内滤校正后的污染源样品的荧光指纹的一级瑞利散射数据和二级瑞利散射数据，并按照第一数据处理策略，扣除并填充内滤校正后的污染源样品的一级拉曼散射线上数据，得到散射校正后的污染源样品的荧光指纹，且置换内滤校正后的待溯源水体样品的荧光指纹的一级瑞利散射数据和二级瑞利散射数据，并按照第二数据处理策略，扣除并填充内滤校正后的污染源样品的一级拉曼散射线上数据，得到散射校正后的待溯源水体样品的荧光指纹；
基于预设的超纯水拉曼散射强度的积分，分别将散射校正后的污染源样品的荧光指纹和散射校正后的待溯源水体样品的荧光指纹的数据单位由无量纲转换为拉曼单位。
进一步地，在一些实施例中，采集模块600，具体用于：
将污染源样品的荧光指纹数值矩阵扣除超纯水样品的荧光指纹数值矩阵得到空白校正后的污染源样品的荧光指纹；
将待溯源水体样品的荧光指纹数值矩阵扣除清洁水体样品的荧光指纹数值矩阵得到空白校正后的待溯源水体样品的荧光指纹。
进一步地，在一些实施例中，预设的校正公式为：
Figure BDA0003883487590000221
其中，Fcorr为校正后的荧光强度，Fobs为校正前的荧光强度，Aex为激发波长处的吸光度，Aem为发射波长处的吸光度。
进一步地，在一些实施例中，预设的平行因子分析法为：
Figure BDA0003883487590000222
其中，xijk为第i个样本在发射波长j、激发波长k处的荧光强度；F为组分数；aif、bjf、ckf分别为荷载矩阵A、B、C中的元素；εijk为模型残差。
进一步地，在一些实施例中，采用预设的聚类算法进行聚类分析，其中，预设的聚类算法包括K-均值聚类、基于密度的噪声应用空间聚类、层次聚类、自组织神经网络中的至少一种。
进一步地，在一些实施例中，采用预设的相似度衡量方法进行相似度计算，其中，预设的相似度衡量方法包括可夫斯基距离、曼哈顿距离、欧氏距离、切比雪夫距离、余弦相似度、皮尔逊相关系数、马氏距离、汉明距离和杰卡德相似系数中的至少一种。
根据本申请实施例的污染源的多维度比对识别装置，将采集的待溯源水体的荧光指纹与预设的多维度荧光指纹数据库中典型荧光指纹库中的指纹进行聚类分析，得到聚类分析结果，若聚类分析结果中不存在疑似污染源，则根据待溯源水体的荧光指纹中的荧光峰个数和荧光峰发射波长匹配最佳污染源判定策略，进而判定待溯源水体的疑似污染源。由此，解决了相关技术中无法进行多污染同时溯源，缺乏样品和荧光指纹采集的标准化流程，溯源方法效率低、时效性差等问题，通过对样品和荧光指纹标准化以及采用多污染在线溯源技术，提高了荧光指纹的准确性，溯源方法的时效性以及溯源结果的可靠性和稳定性。
图7为本申请实施例提供的电子设备的结构示意图。该电子设备可以包括：
存储器701、处理器702及存储在存储器701上并可在处理器702上运行的计算机程序。
处理器702执行程序时实现上述实施例中提供的污染源的多维度比对识别方法。
进一步地，电子设备还包括：
通信接口707，用于存储器701和处理器702之间的通信。
存储器701，用于存放可在处理器702上运行的计算机程序。
存储器701可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
如果存储器701、处理器702和通信接口707独立实现，则通信接口707、存储器701和处理器702可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(Industry Standard Architecture，简称为ISA)总线、外部设备互连(PeripheralComponent，简称为PCI)总线或扩展工业标准体系结构(Extended Industry StandardArchitecture，简称为EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图7中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
可选的，在具体实现上，如果存储器701、处理器702及通信接口707，集成在一块芯片上实现，则存储器701、处理器702及通信接口707可以通过内部接口完成相互间的通信。
处理器702可能是一个中央处理器(Central Processing Unit，简称为CPU)，或者是特定集成电路(Application Specific Integrated Circuit，简称为ASIC)，或者是被配置成实施本申请实施例的一个或多个集成电路。
本申请实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上的污染源的多维度比对识别方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或N个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不是必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (17)

1.一种污染源的多维度比对识别方法，其特征在于，包括以下步骤：
采集待溯源水体，并将所述待溯源水体的荧光指纹与预设的多维度荧光指纹数据库中典型荧光指纹库中的指纹进行聚类分析，得到聚类分析结果；
若所述聚类分析结果中不存在疑似污染源，则根据所述待溯源水体的荧光指纹中的荧光峰个数和荧光峰发射波长匹配最佳污染源判定策略；以及
根据所述最佳污染源判定策略判定所述待溯源水体的疑似污染源。
2.根据权利要求1所述的方法，其特征在于，所述将所述待溯源水体的荧光指纹与预设的多维度荧光指纹数据库中典型荧光指纹库中的指纹进行聚类分析，得到聚类分析结果，包括：
若所述典型荧光指纹库中仅存在一个污染源的典型荧光指纹与所述待溯源水体的荧光指纹聚类，则将所述仅存在的一个污染源作为所述疑似污染源；
若所述典型荧光指纹库中存在多个污染源的典型荧光指纹与所述待溯源水体的荧光指纹聚类，则分别计算所述多个污染源的典型荧光指纹与所述待溯源水体的荧光指纹的相似度，并将相似度最大的污染源作为所述疑似污染源；
若所述待溯源水体的荧光指纹的子指纹与动态子指纹库中任一污染源的子指纹都未聚类，则判定所述预设的多维度荧光指纹数据库中不存在所述疑似污染源。
3.根据权利要求1所述的方法，其特征在于，所述根据所述待溯源水体的荧光指纹中的荧光峰个数和荧光峰波长匹配最佳污染源判定策略，包括：
若所述待溯源水体的荧光指纹中存在1个荧光峰，或者存在多个发射波长相同的荧光峰，则表明所述预设的多维度荧光指纹数据库中不存在所述疑似污染源；
若所述待溯源水体的荧光指纹中存在多个发射波长不同的荧光峰，且所述多个发射波长不同的荧光峰重叠区域小于预设值，则所述最佳污染源判定策略为根据所述待溯源水体的荧光指纹的子指纹与所述预设的多维度荧光指纹数据库中动态子指纹库进行聚类分析；
若所述待溯源水体的荧光指纹中存在多个发射波长不同的荧光峰，且所述多个发射波长不同的荧光峰重叠区域大于所述预设值，则所述最佳污染源判定策略为根据所述待溯源水体的荧光指纹的荧光组分与所述预设的多维度荧光指纹数据库中荧光组分库进行聚类分析。
4.根据权利要求3所述的方法，其特征在于，所述最佳污染源判定策略为根据所述待溯源水体的荧光指纹的子指纹与所述预设的多维度荧光指纹数据库中动态子指纹库进行聚类分析，所述根据所述最佳污染源判定策略判定所述待溯源水体的疑似污染源，包括：
若所述动态子指纹库中仅存在一个污染源的子指纹与所述待溯源水体的荧光指纹的子指纹聚类，则将所述仅存在的一个污染源作为所述疑似污染源；
若所述动态子指纹库中存在多个污染源的子指纹与所述待溯源水体的荧光指纹的子指纹聚类，则分别计算所述多个污染源的子指纹与所述待溯源水体的荧光指纹的子指纹的相似度，并将相似度最大的污染源作为所述疑似污染源；
若所述待溯源水体的荧光指纹的所有子荧光指纹的疑似污染源不完全相同时，说明存在多个污染源；
若所述待溯源水体的荧光指纹的子指纹与所述动态子指纹库中任一污染源的子指纹都未聚类，则判定所述预设的多维度荧光指纹数据库中不存在所述疑似污染源。
5.根据权利要求3所述的方法，其特征在于，所述最佳污染源判定策略为根据所述待溯源水体的荧光指纹的荧光组分与所述预设的多维度荧光指纹数据库中荧光组分库进行聚类分析，所述根据所述最佳污染源判定策略判定所述待溯源水体的疑似污染源，包括：
若所述荧光组分库中仅存在一个污染源的荧光组与所述待溯源水体的荧光指纹的荧光组分聚类，则将所述仅存在的一个污染源作为所述疑似污染源；
若所述荧光组分库存在多个污染源的荧光组分与所述待溯源水体的荧光指纹的荧光组分聚类，则分别计算所述多个污染源的荧光组分与所述待溯源水体的荧光指纹的荧光组分的相似度，并将相似度最大的污染源作为所述疑似污染源；
若所述待溯源水体的荧光指纹的所有荧光组分的疑似污染源不完全相同时，说明存在多个污染源；
若所述待溯源水体的荧光指纹的荧光组分与所述荧光组分库中任一污染源的荧光组分都未聚类，则判定所述预设的多维度荧光指纹数据库中不存在所述疑似污染源。
6.根据权利要求1所述的方法，其特征在于，在将所述待溯源水体的荧光指纹与所述预设的多维度荧光指纹数据库中典型荧光指纹库中的指纹进行聚类分析之前，还包括：
采集污染源样品、待溯源水体样品、清洁水体样品和超纯水样品，并对所述污染源样品、所述待溯源水体样品和所述清洁水体样品进行标准化处理；
分别采集所述超纯水样品和标准化处理后的所述污染源样品、所述待溯源水体样品、所述清洁水体样品的荧光指纹，以及所述标准化处理后的所述污染源样品、所述待溯源水体样品、所述清洁水体样品的紫外可见吸收光谱；
基于预设的标准化处理策略，对所述污染源样品的荧光指纹和所述待溯源水体样品的荧光指纹进行标准化处理，得到目标污染源样品的荧光指纹和目标待溯源水体样品的荧光指纹；
基于预设的平行因子分析法，获取所述目标污染源样品的荧光指纹的荧光组分和荧光强度，并获取所述目标待溯源水体样品的荧光指纹的荧光组分和荧光强度，以根据所述目标污染源样品的荧光指纹的荧光组分和荧光强度，以及所述目标待溯源水体样品的荧光指纹的荧光组分和荧光强度构建荧光组分库；
从所述目标污染源样品的荧光指纹中筛选出至少一个污染源样品的典型荧光指纹，并从所述目标待溯源水体样品的荧光指纹中筛选出至少一个待溯源水体样品的典型荧光指纹，以根据所述至少一个污染源样品的典型荧光指纹和所述至少一个待溯源水体样品的典型荧光指纹构建典型荧光指纹库；
根据待溯源水体样品的荧光指纹荧光峰的组成特征，将每个污染源样品的典型荧光指纹分解为多个子荧光指纹，得到动态子指纹库，其中，每个子荧光指纹包含至少一个荧光峰；
根据所述荧光组分库、所述典型荧光指纹库和所述动态子指纹库构建所述多维度荧光指纹数据库。
7.根据权利要求6所述的方法，其特征在于，所述基于预设的标准化处理策略，对所述污染源样品的荧光指纹和所述待溯源水体样品的荧光指纹进行标准化处理，包括；
分别对所述污染源样品的荧光指纹和所述待溯源水体样品的荧光指纹进行空白校正，得到空白校正后的所述污染源样品的荧光指纹和空白矫正后的所述待溯源水体样品的荧光指纹；
基于预设的校正公式，利用所述污染源样品的紫外可见吸收光谱对所述空白校正后的所述污染源样品的荧光指纹进行内滤校正，得到内滤校正后的污染源样品的荧光指纹，并利用所述待溯源水体样品的紫外可见吸收光谱对所述待溯源水体样品的荧光指纹进行内滤校正，得到内滤校正后的待溯源水体样品的荧光指纹；
按照预设置换策略，置换所述内滤校正后的污染源样品的荧光指纹的一级瑞利散射数据和二级瑞利散射数据，并按照第一数据处理策略，扣除并填充所述内滤校正后的污染源样品的一级拉曼散射线上数据，得到散射校正后的污染源样品的荧光指纹，且置换所述内滤校正后的待溯源水体样品的荧光指纹的一级瑞利散射数据和二级瑞利散射数据，并按照第二数据处理策略，扣除并填充所述内滤校正后的污染源样品的一级拉曼散射线上数据，得到散射校正后的待溯源水体样品的荧光指纹；
基于预设的超纯水拉曼散射强度的积分，分别将所述散射校正后的污染源样品的荧光指纹和散射校正后的待溯源水体样品的荧光指纹的数据单位由无量纲转换为拉曼单位。
8.根据权利要求7所述的方法，其特征在于，所述分别对所述污染源样品的荧光指纹和所述待溯源水体样品的荧光指纹进行空白校正，包括:
将所述污染源样品的荧光指纹数值矩阵扣除所述超纯水样品的荧光指纹数值矩阵得到所述空白校正后的所述污染源样品的荧光指纹；
将所述待溯源水体样品的荧光指纹数值矩阵扣除所述清洁水体样品的荧光指纹数值矩阵得到所述空白校正后的所述待溯源水体样品的荧光指纹。
9.根据权利要求7所述的方法，其特征在于，所述预设的校正公式为：
Figure FDA0003883487580000041
其中，Fcorr为校正后的荧光强度，Fobs为校正前的荧光强度，Aex为激发波长处的吸光度，Aem为发射波长处的吸光度。
10.根据权利要求6所述的方法，其特征在于，所述预设的平行因子分析法为：
Figure FDA0003883487580000042
其中，xijk为第i个样本在发射波长j、激发波长k处的荧光强度；F为组分数；aif、bjf、ckf分别为荷载矩阵A、B、C中的元素；εijk为模型残差。
11.根据权利要求1-6任一项所述的方法，其特征在于，采用预设的聚类算法进行聚类分析，其中，所述预设的聚类算法包括K-均值聚类、基于密度的噪声应用空间聚类、层次聚类、自组织神经网络中的至少一种。
12.根据权利要求4或5所述的方法，其特征在于，采用预设的相似度衡量方法进行相似度计算，其中，所述预设的相似度衡量方法包括可夫斯基距离、曼哈顿距离、欧氏距离、切比雪夫距离、余弦相似度、皮尔逊相关系数、马氏距离、汉明距离和杰卡德相似系数中的至少一种。
13.一种污染源多维度溯源装置，其特征在于，包括：
计量泵；
过滤模块，用于对所述计量泵输送的水样进行过滤，得到过滤水样；
水质调节模块，用于调节所述过滤水样的pH值，得到测试水样；
指纹采集模块，用于采集所述测试水样的荧光指纹；
控制系统模块，所控制系统模块上存储有计算机程序，当所述计算机程序被所述控制系统模块执行时，基于所述测试水样的荧光指纹，实现如权利要求1-12任一项所述的污染源的多维度比对识别方法。
14.根据权利要求13所述的装置，其特征在于，还包括：
显示模块，用于显示所述控制系统模块输出的测试结果和污染源比对结果。
15.一种污染源的多维度比对识别装置，其特征在于，包括：
采集模块，用于采集待溯源水体，并将所述待溯源水体的荧光指纹与预设的多维度荧光指纹数据库中典型荧光指纹库中的指纹进行聚类分析，得到聚类分析结果；
匹配模块，用于若所述聚类分析结果中不存在疑似污染源，则根据所述待溯源水体的荧光指纹中的荧光峰个数和荧光峰发射波长匹配最佳污染源判定策略；以及
识别模块，用于根据所述最佳污染源判定策略判定所述待溯源水体的疑似污染源。
16.一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如权利要求1-12任一项所述的污染源的多维度比对识别方法。
17.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行，以用于实现如权利要求1-12任一项所述的污染源的多维度比对识别方法。
CN202211237026.9A 2022-10-10 2022-10-10 一种水污染源多维度溯源方法及装置 Pending CN115508322A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211237026.9A CN115508322A (zh) 2022-10-10 2022-10-10 一种水污染源多维度溯源方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211237026.9A CN115508322A (zh) 2022-10-10 2022-10-10 一种水污染源多维度溯源方法及装置

Publications (1)

Publication Number Publication Date
CN115508322A true CN115508322A (zh) 2022-12-23

Family

ID=84508863

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211237026.9A Pending CN115508322A (zh) 2022-10-10 2022-10-10 一种水污染源多维度溯源方法及装置

Country Status (1)

Country Link
CN (1) CN115508322A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116739386A (zh) * 2023-08-10 2023-09-12 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 多指标融合污染溯源方法、设备和可读存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116739386A (zh) * 2023-08-10 2023-09-12 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 多指标融合污染溯源方法、设备和可读存储介质
CN116739386B (zh) * 2023-08-10 2024-03-08 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 多指标融合污染溯源方法、设备和可读存储介质

Similar Documents

Publication Publication Date Title
Murphy et al. Chemometric analysis of organic matter fluorescence
CN109470667A (zh) 一种结合水质参数和三维荧光光谱进行污染物溯源的方法
CN113011478A (zh) 基于数据融合的污染源识别方法及系统
CN108398416A (zh) 一种基于激光拉曼光谱的混合物成分测定方法
CN115508322A (zh) 一种水污染源多维度溯源方法及装置
CN117195135B (zh) 一种水污染异常溯源检测方法及系统
CN111289697A (zh) Cems运行状态监控与数据作假识别方法及系统
CN117309838A (zh) 一种基于三维荧光特征数据的工业园区水体污染溯源方法
CN115420707A (zh) 一种污水近红外光谱的化学需氧量评估方法及系统
CN113533672B (zh) 一种水质在线监测方法及装置
CN113658640B (zh) 一种淡水生态系统健康评价方法
CN114460055A (zh) 基于“聚类-回归”的光谱法监测cod的方法与装置
CN114660030A (zh) 污染源解析方法、装置及存储介质
Lee et al. Automatic classification of microplastics and natural organic matter mixtures using a deep learning model
CN112630202A (zh) 一种城市排水系统的雨天溢流污水来源的识别方法
CN113240006A (zh) 废水排放的监测方法、装置、电子设备及存储介质
CN116187861A (zh) 基于同位素的水质溯源监测方法及相关装置
CN113311081B (zh) 基于三维液相色谱指纹的污染源识别方法及装置
CN116595461A (zh) 一种基于随机森林识别的雨水口晴天排污溯源方法
CN114184599B (zh) 单细胞拉曼光谱采集数目估计方法、数据处理方法及装置
CN115983534A (zh) 污水处理过程的状态评价方法以及评价系统
CN114152557B (zh) 基于图像分析的血细胞计数方法和系统
CN115236044A (zh) 荧光光谱法计算水环境中溶解性有机碳浓度的方法和装置
CN113033623A (zh) 基于紫外-可见吸收光谱的污染源识别方法及系统
Yin et al. Open-set recognition for unknown organic pollutants in drinking water with three-dimensional fluorescence spectroscopy

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination