基于光譜曲線特征的區域性地下水污染監測方法

摘 要：為了準確掌握區域內地下水污染的狀況，本文研究基于光譜曲線特征的區域性地下水污染監測方法。通過聲速數據轉換獲取水底數據，利用光譜曲線特征選取光譜特征參數，并通過計算得出對應的光譜段曲線斜率和波長特征，以反映水質樣本的污染狀態。通過溯源分析確定重點監測區域和污染物類型，提高監測的針對性。試驗結果表明，本文方法得出在距離較遠的上游和下游區域水體污染情況較嚴重，相對強度達到了1.0，這與實際水體污染情況較符合，說明采用本文監測方法進行污水監測具有一定的有效性，而且能夠準確反映周邊水體的污染狀況。

關鍵詞：光譜曲線特征；區域性；地下水；污染；監測

中圖分類號：TP 79" 文獻標志碼：A

作為重要的水資源，地下水一旦受到污染，治理難度極大且成本高昂。在這樣的背景下，傳統的地下水污染監測方法往往存在局限，無法全面、準確地反映區域性地下水污染的真實狀況。因此，開展區域性地下水污染監測方法的研究迫在眉睫，旨在建立更科學、高效、精準的監測體系，以應對日益嚴峻的地下水污染形勢，保護地下水資源和生態環境。

在上述背景下，董廣齊等[1]建立XGBoost模型降低計算負荷。以監測空間矩誤差極小化為優化目標，考慮設計中污染源釋放強度的動態變化過程。魏瀟淑等[2]利用生物對水體污染的敏感性，通過觀察生物群落、生物指標等變化來反映水體污染狀況。結合河流流域的地理、地貌、土壤類型等信息，對污染物進行空間分析。如果數據存在偏差，就可能導致模型的誤判。因此，現階段以區域性地下水污染監測方法為研究目標，運用光譜曲線特征，結合實際情況進行試驗與分析。

1 區域性地下水污染監測方法

1.1 獲取水底數據

區域性地下水污染監測的主要目的是掌握特定區域內地下水的污染狀況，為地下水資源的合理開發提供支持[3]。因此，在進行地下水污染數據采集過程中，通過發射機垂直向水下發射超聲波，接觸到水底時會發生反射。運用接收機采集反射回來的聲波，但水下地形不平整，反射回來的聲波到達時間不一致，從而產生一定的時間差，通過轉換設備將時間差換算成水底數據，如公式（1）所示。

式中：v為聲波的傳輸速度；t為信號往返所需時間；F為轉換設備影響因子。

這樣針對水底地貌的探測，可以清晰觀察到水下地貌情況[4]。聲波數據在傳播和采集過程中會受到噪聲的干擾，從而降低聲波數據的質量。因此，采用均值濾波方法對聲波數據進行濾波去噪處理。

均值濾波是一種線性濾波方法，針對聲波數據序列x（n），n=1，2，...，N-1，N為數據點個數，定義一個濾波窗口，長度為M，從數據序列的起始位置開始，每次取M個連續的數據點。例如，針對第k個濾波窗口，包括的數據點為x（k），x（k+1），...，x（k+M-1），計算這個窗口內數據的平均值，如公式（2）所示。

將濾波后的結果y（k）依次替換原數據序列中的相應位置的值，從而得到濾波后的聲波數據序列。再將每個數據點的值替換為它周圍鄰近數據點的平均值，用于平滑數據，進一步減少噪聲。

聲波在不同介質中的傳播速度是不同的。在地下水環境中，水溫、水質成分以及水壓等因素的變化會導致聲速發生改變。當進行聲波數據采集與分析時，如果不考慮聲速的這種變化，會導致計算出的距離、水底地形數據以及反射點定位等出現誤差。因此，在聲波數據處理過程中，還需要考慮聲速補償。

由于聲波在水中的傳播速度受鹽度等因素的影響，因此采用追加方法進行聲速補償[5]。在補償前，將處理后的數據轉換為水深數據成圖，以便進行水下地形圖像匹配。匹配過程中，將水深數據與研究水域水深參照數據進行匹配。在完成匹配后，創建水下地形模型單元，通過匹配點與參照點之間的誤差，計算并換算以此來達到聲速補償，如公式（3）所示。

式中：Δt為時間差；c為聲速。

通過收集水底環境的各類數據，能夠更全面地評估地下水的污染狀況，為環境污染監測提供有利支撐。采用均值濾波方法進行數據去噪，能夠有效地降低隨機噪聲的影響。針對聲波數據這種可能存在大量微小波動噪聲的情況，均值濾波可以在不過度扭曲原始數據特征的前提下，使數據變得更平滑穩定，從而提高數據的質量和可分析性。同時，考慮聲波在不同介質環境中的傳播速度存在差異，聲速補償能夠根據實際的介質特性準確修正因聲速變化帶來的誤差，精確獲取水底地形數據，從而提高對地下水環境狀況監測的可靠性。

1.2 光譜曲線特征污染數據分析

在區域性地下水污染監測過程中，根據采集處理后的水底數據，從中提取水底環境中的污染數據源[6]。通過光譜數據，利用不同波段的電磁輻射信號獲取水體的反射信息，實現對區域性地下水的快速全面監測。為有效提高分辨率，將實測光譜數據與遙感技術相結合，確保環境狀態的高空間分辨率。由于光譜法的測試范圍為300nm～1000nm，其可見光波段能有效提高分辨率，從而得出具有特定波段特征的遙感影像，見表1。

通過遙感影像波段的獨特特征，可以精準地反映區域性地下水周圍復雜的水質環境狀況。在此基礎上，進一步對區域性地下水的遙感數據源進行分析，以全面評估其污染狀況。利用光譜曲線特征，選取了一系列光譜特征參數，并通過計算得出對應的光譜段曲線斜率，如公式（4）所示。

式中：R為光譜反射程度；λ為波長。

選取一系列光譜特征參數，通過計算得出對應的光譜段曲線斜率。這些斜率分別對應不同的波長范圍，從而反應了地下水在不同光譜區域下的吸收和反射特性。因此根據波長范圍計算得到波長特征，如公式（5）所示。

式中：Rni為第n個水質樣本在第i個波段的光譜反射程度；y為實測的水樣鹽度；n為水質樣品的個數。

通過計算各光譜段的曲線斜率，以此來反映水質樣本中的污染狀態[7]。根據光譜特征，綜合考慮了光譜反射程度與水質樣本中鹽度之間的關系，對水質樣本中的污染程度進行精確判定，提高數據監測的精度。

1.3 水污染溯源監測

根據對水質樣本中的污染程度進行判定，選擇具有污染程度的樣本進行污染監測。通過溯源分析，可以確定重點監測區域和污染物類型，提高監測的針對性。在水質樣本污染監測中，溯源分析對樣本中各種污染物的種類、濃度、分布特征等多方面信息進行綜合研究。例如，分析特定污染物在不同區域水體中的含量變化規律，結合水流方向、地理環境等因素。如果在某個區域發現了高濃度的特定重金屬污染物，溯源分析會考慮周邊可能的污染源，例如上游是否存在被污染的土壤通過雨水沖刷等方式將污染物帶入水體。通過這種方式，能夠確定重點監測區域，例如靠近污染源及其可能影響到的下游區域，同時明確污染物類型，從而使監測工作更具針對性，避免資源的浪費，更有效地應對水質污染問題。

為了有效進行地下水污染的溯源分析，構建了一種標準矩陣參數分解模型。首先，該模型通過引入限定條件，并為各樣品限定單個濃度數據不變的不確定度，從而使溯源結果更符合實際，以完成監測任務。設定地下水樣品濃度數據矩陣為X'，污染源貢獻率矩陣為G，標準矩陣參數分解模型如公式（6）所示。

式中：E為殘差矩陣；F為污染源圖譜。

根據該分解模型，計算元素的源誤差，如公式（7）所示。

式中：xij為樣品中污染物濃度；g為質量分數；f為污染源。

其次，需要估算各樣品濃度數據的偏差。針對小于極大值MD的污染物濃度，為了減小其對溯源分析結果的影響，需要嚴格控制其不確定度。當進行地下水污染的溯源分析時，對主要的污染污染源進行溯源分析。在分解模型中輸入這些污染源的起始濃度，并利用濃度數據偏差估算式來計算不確定度。當xijlt;MD時，其不確定度如公式（8）所示。

式中：MD為污染濃度的檢測極大值。

當xijgt;MD時，其不確定度如公式（9）所示。

式中：MF為相對標準誤差。

利用標準矩陣參數分解模型對地下水樣品數據進行處理。通過模型運算，得到總的污染物殘差結果，該結果反映了模型擬合數據后的剩余誤差[8]。根據各污染源的濃度，結合污染物的空間分布特征，可以精準追蹤具體的水污染源。通過對比不同污染源的不確定度，確定污染源。為確保溯源分析任務的有效進行，設定殘差矩陣E，并設定目標函數Q（E）作為模型判定條件。假定樣品中目標物的不確定度為sij，那么目標函數Q（E）如公式（10）所示。

式中：eij為源誤差。

通過運算，可以得到Q（E）的結果，表示所有數據中有效數據最優度結果。最后，針對污染源進行監測，以目標Q（E）為監測結果，設定污染程度臨界值Qk，當Q（E）gt;Qk時，表示存在較嚴重的污染情況；當Q（E）lt;Qk時，表示水污染情況有待繼續觀察。通過上述方法能夠有效完成對水污染的溯源監控。

綜上所述，本文基于光譜曲線特征的區域性地下水污染監測方法，通過聲速數據轉換、光譜特征參數選取、溯源分析等手段，有效地掌握了區域內地下水污染狀況。

2 測試與分析

2.1 研究區概況

以研究區S為例，研究區地勢南高北低，整體坡度平緩小于1/10000。受地勢和地下水運動影響，區內水流自然流向排放區。在區域內，存在一處直線距離23km的嚴重污水滲漏，為防止污水流入造成水體污染，通過分析污染程度，采取相應的應急方式，以解決環境威脅。

2.2 測試準備

當使用ASR測量光譜儀進行光譜測量時，采樣間隔設定如下：當光譜范圍為300nm～1000nm時，每隔1nm進行1次采樣。同時，按照均勻分布原則采集了相同環境下的光譜。測量時，確保樣本處于相同環境，每隔10min校準波譜儀，每個水質樣品測量數次并取其平均值作為樣本光譜反射值。在采集過程中，剔除異常光譜，然后去除受影響的光譜波段，最終選擇380nm～580nm的光譜波段進行研究。

2.3 結果與分析

在水污染監測過程中，通過設定6個小組，在規定時間內，計算邊界條件，得到最大超標距離，其計算結果見表2。

由表2可知，污染物在地下水中的擴散過程中，這些污染物正在逐漸遠離中心污染源。當時間達到120h時，污染物的最大超標距離已經達到了24.32km，這一距離已經超出了污染源到區域S的直線距離。該結果說明，污染物已經成功遷移到了區域S，對區域S水質構成了潛在威脅。針對該污染監測結果，運用高分辨率的遙感影像通過軟件分析獲取污染水體光譜圖，以便對區域S水體污染進行定性分析，以分析本文方法的可行性。具體光譜監測結果如圖1所示。

由圖1可知，該光譜圖反應了周邊區域水體造成的污染情況。具體來說，靠近區域S的水體由于受到了凈化處理措施，水體污染程度相對較低，主要表現為輕度污染。然而，在距離較遠的上游和下游區域，水體污染情況則較嚴重，相對強度達到了1.0，這與實際水體污染情況較符合，達到了預期監測目的。說明本文監測方法進行污水監測具有一定的有效性，而且能夠準確反映周邊水體的污染狀況。進一步提高水體提取的精度，增加污染監測的準確性。

為了更客觀地展示本文方法的監測效果，選取相對誤差作為試驗指標，將文獻[1]方法和文獻[2]方法作為對比方法，與本文方法進行對比，結果見表3。

由表3可知，通過4次測試結果可以發現，本文方法在每次測試中的相對誤差都明顯低于文獻[1]方法和文獻[2]方法，說明本文方法的監測準確性最高。文獻[1]方法的相對誤差在4次測試中相對較穩定，整體準確性處于中等水平。文獻[2]方法的相對誤差在4次測試中均較大，表明該方法在監測過程中與真實值的偏離程度較高，準確性較差。綜上所述，基于光譜曲線特征的區域性地下水污染監測方法具有較好的監測效果。該方法有助于及時發現并應對地下水污染問題，為水資源保護提供了有力的支撐。

3 結語

本文從光譜曲線特征入手，深入分析地下水污染監測問題，探究了基于光譜曲線特征的區域性地下水污染監測方法。光譜儀器能夠提供高精度的光譜數據，且監測過程實時快速，有助于及時發現和應對地下水污染事件。但是本文方法中還存在不足，今后應更加完善。在礦山開采區域，利用光譜法可以準確識別不同類型的污染水體，為環境保護和治理提供了有力支持。隨著遙感技術不斷發展，光譜法還可以實現遠程監測，從而降低監測成本和時間成本。

參考文獻

[1]董廣齊，盧文喜，范越，等.不確定性條件下地下水污染監測井網優化設計——基于XGBoost替代模型[J].中國環境科學，2022，42（5）：2144-2152.

[2]魏瀟淑，陳遠航，常明，等.流域水污染監測與溯源技術研究進展[J].中國環境監測，2022，38（5）：27-37.

[3]侯宇徽，竇筱艷，保善磊，等.基于DRASTIC模型優化的地下水污染風險評價研究[J].環境科學學報，2024，44（2）：227-236.

[4]黃燕鵬，汪遠昊，王超，等.基于自組織神經網絡和K-means的場地地下水污染特征分析與分區管控研究[J].環境工程，2022，40（6）：31-41，47.

[5]宋勇，陳仁祥，高柏，等.龍南稀土礦區周邊水體污染特征及風險評價[J].有色金屬（冶煉部分），2024（4）：102-110.

[6]倪鵬程，李名升，李宗超，等.國家地下水環境質量考核監測體系構建與應用[J].中國環境監測，2023，39（4）：1-14.

[7]陳杰，張輝，婁保鋒，等.船載自動監測系統在水質監測中的應用[J].中國環境監測，2023，39（2）：33-40.

[8]葉志祥，洪松，何超，等.基于監測斷面空間聚類的中國枯水期水質污染區域格局[J].環境科學研究，2022，35（8）：1807-1817.