ASD丨ASD Fieldspec 3地物光谱仪在矿井水中煤浓度探测方面的应用

随着我国经济的发展和能源结构的调整，煤炭仍然是我国主要的能源来源之一。但是，煤炭生产和消费过程中所产生的污染问题也越来越受到关注。其中，煤矿污水排放问题是其中之一。

煤矿污水中含有大量的有害物质，会对环境、生态和人体健康造成严重的影响。因此，治理煤矿污水排放问题是一个备受关注的议题。

今天给大家推荐的文章，是关于研究人员在矿井水质的检测的中，建立光谱反演模型，以助力高光谱技术在水污染监测中的应用。该方法的出现对于解决煤矿废水治理问题具有重要的意义。

矿井水中的煤炭污染主要来自煤矸石的富集和浸出、洗煤废水、煤矿渗水灾害等，主要表现为水中煤浓度过高，这种矿井水用于农田灌溉时会使土壤累积形成“黑土”，从而导致土壤硬化，进而导致植被退化、作物枯萎、产量下降等。矿井水渗入地下水或下水道直接进入河流，一方面，其导致水资源浪费和河流污染，另一方面，因为矿井水中有很多煤粉，岩粉和细菌，长期排放也会严重影响当地居民的饮用水健康。

在土壤中，煤源碳不同于植物源有机碳，其元素组成缺乏植物和土壤微生物所需的氮、磷、钾等矿质营养物质，它稳定性较强，不仅使生物体的分解和利用变得极其困难，而且还干扰土壤有机碳的识别。并且矿井水中的煤浓度是矿井排水的主要指标，煤浓度的准确测定对矿井水的净化和二次利用具有重要意义。

然而目前，凝结沉淀+过滤工艺被广泛用于去除矿井水中的煤，其在处理过程中加入大量活性剂、絮凝剂等化学物质，由于对化学试剂的数量并没有严格的控因此，如果不能准确测量矿井水中的煤浓度，在处理过程中仍会形成二次污染。随着高光谱技术的快速发展，其低成本、高效的优点使其成为水污染监测的重要手段，对叶绿素、重金属离子和水中可溶性有机物等光学活性物质浓度的遥感反演研究相对成熟，对这些指标参数建立了许多反演模型，但在矿井水质参数的反演过程中，水中煤浓度的反演模型尚未得到研究。

基于此，在本研究中，为了实现矿井水中煤浓度的准确测量，来自河南理工大学测绘与土地信息工程学院的一组研究团队，首先制备了不同煤浓度的样品（0mg/L-1000mg/L），并利用ASD Fieldspec 3便携式地物光谱仪测量不同煤浓度矿水的可见-近红外光谱数据，再使用CARS算法（竞争自适应重加权采样）提取敏感波段，最 后利用卷积神经网络方法（CNN）建立矿水煤浓度光谱反演模型（CKCNN模型），并采用k倍交叉验证对模型进行优化，以预测矿井水中的煤浓度，控制化学试剂的量，减少二次污染的影响，实现煤浓度的反演。并同时使用均方根误差（RMSE）、平均绝 对误差（MAE）和相关系数（R）等评估指标评价模型。

样品煤浓度

结果

不同煤浓度水平下的光谱曲线

由CARS选择的敏感波段

反演模型精度评价

六种模型的反演结果

结论

本研究以焦煤集团中马煤矿的煤样为研究对象，利用便携式地物光谱仪ASD FieldSpec3测量了不同煤浓度的矿井水样可见-近红外的光谱数据，研究了矿井水中煤浓度的光谱特性，基于CKCNN煤浓度估算模型（模型反演精度为R2=0.9994，RMSE=6.1401，RPD=41.9692），反演矿井水中煤浓度，得出以下结论：

●  水样的光谱反射率集中在可见光波段，而在近红外波段几乎为0；光谱反射率随煤浓度的增加而减小；在500~550nm和760nm左右分别形成了一个反射峰和一个吸收谷，并随着煤浓度的增加而逐渐减弱。

● 与SPA+BF、CARS+BF、SPA+CNN、All Band +CNN、CARS+CNN五种建模方法相比，CKCNN浓度估计模型的反演效果最 好，反演误差为0.17mg/L，反演结果符合GB11901-1989中实验室测量的要求；基于高光谱数据的CKCNN模型可作为预测矿井水中煤浓度的方法。

总之，研究结果表明，在可见光-近红外波段的高光谱遥感可以快速探测到矿井水中的煤浓度，CKCNN模型为测定矿井水中的煤浓度提供了一种新的方法，在推进矿井水中煤浓度对可见-近红外光谱的影响研究方面具有重要意义。

扫码获取

文章原文