隨著我國經濟的發展和能源結構的調整，煤炭仍然是我國主要的能源來源之一。但是，煤炭生產和消費過程中所產生的污染問題也越來越受到關注。其中，煤礦污水排放問題是其中之一。

煤礦污水中含有大量的有害物質，會對環境、生態和人體健康造成嚴重的影響。因此，治理煤礦污水排放問題是一個備受關注的議題。

今天給大家推薦的文章，是關于研究人員在礦井水質的檢測的中，建立光譜反演模型，以助力高光譜技術在水污染監測中的應用。該方法的出現對于解決煤礦廢水治理問題具有重要的意義。

礦井水中的煤炭污染主要來自煤矸石的富集和浸出、洗煤廢水、煤礦滲水災害等，主要表現為水中煤濃度過高，這種礦井水用于農田灌溉時會使土壤累積形成“黑土”，從而導致土壤硬化，進而導致植被退化、作物枯萎、產量下降等。礦井水滲入地下水或下水道直接進入河流，一方面，其導致水資源浪費和河流污染，另一方面，因為礦井水中有很多煤粉，巖粉和細菌，長期排放也會嚴重影響當地居民的飲用水健康。

在土壤中，煤源碳不同于植物源有機碳，其元素組成缺乏植物和土壤微生物所需的氮、磷、鉀等礦質營養物質，它穩定性較強，不僅使生物體的分解和利用變得極其困難，而且還干擾土壤有機碳的識別。并且礦井水中的煤濃度是礦井排水的主要指標，煤濃度的準確測定對礦井水的凈化和二次利用具有重要意義。

然而目前，凝結沉淀+過濾工藝被廣泛用于去除礦井水中的煤，其在處理過程中加入大量活性劑、絮凝劑等化學物質，由于對化學試劑的數量并沒有嚴格的控因此，如果不能準確測量礦井水中的煤濃度，在處理過程中仍會形成二次污染。隨著高光譜技術的快速發展，其低成本、高效的優點使其成為水污染監測的重要手段，對葉綠素、重金屬離子和水中可溶性有機物等光學活性物質濃度的遙感反演研究相對成熟，對這些指標參數建立了許多反演模型，但在礦井水質參數的反演過程中，水中煤濃度的反演模型尚未得到研究。

基于此，在本研究中，為了實現礦井水中煤濃度的準確測量，來自河南理工大學測繪與土地信息工程學院的一組研究團隊，首先制備了不同煤濃度的樣品（0mg/L-1000mg/L），并利用ASD Fieldspec 3便攜式地物光譜儀測量不同煤濃度礦水的可見-近紅外光譜數據，再使用CARS算法（競爭自適應重加權采樣）提取敏感波段，最后利用卷積神經網絡方法（CNN）建立礦水煤濃度光譜反演模型（CKCNN模型），并采用k倍交叉驗證對模型進行優化，以預測礦井水中的煤濃度，控制化學試劑的量，減少二次污染的影響，實現煤濃度的反演。并同時使用均方根誤差（RMSE）、平均絕對誤差（MAE）和相關系數（R）等評估指標評價模型。

樣品煤濃度

【結果】

不同煤濃度水平下的光譜曲線

由CARS選擇的敏感波段

反演模型精度評價

六種模型的反演結果

【結論】

本研究以焦煤集團中馬煤礦的煤樣為研究對象，利用便攜式地物光譜儀ASD FieldSpec3測量了不同煤濃度的礦井水樣可見-近紅外的光譜數據，研究了礦井水中煤濃度的光譜特性，基于CKCNN煤濃度估算模型（模型反演精度為R2=0.9994，RMSE=6.1401，RPD=41.9692），反演礦井水中煤濃度，得出以下結論：

● 水樣的光譜反射率集中在可見光波段，而在近紅外波段幾乎為0；光譜反射率隨煤濃度的增加而減小；在500~550nm和760nm左右分別形成了一個反射峰和一個吸收谷，并隨著煤濃度的增加而逐漸減弱。

● 與SPA+BF、CARS+BF、SPA+CNN、All Band +CNN、CARS+CNN五種建模方法相比，CKCNN濃度估計模型的反演效果最好，反演誤差為0.17mg/L，反演結果符合GB11901-1989中實驗室測量的要求；基于高光譜數據的CKCNN模型可作為預測礦井水中煤濃度的方法。

總之，研究結果表明，在可見光-近紅外波段的高光譜遙感可以快速探測到礦井水中的煤濃度，CKCNN模型為測定礦井水中的煤濃度提供了一種新的方法，在推進礦井水中煤濃度對可見-近紅外光譜的影響研究方面具有重要意義。

請點擊下方鏈接，閱讀原文：

//mp.weixin.qq.com/s/4f2n6BaZZxrybaQ_FI-jgQ