魏瀟淑，陳遠(yuǎn)航，常 明，高紅杰，張列宇

1.中國(guó)環(huán)境科學(xué)研究院，流域水環(huán)境污染綜合治理研究中心，北京 100012 2．中國(guó)環(huán)境監(jiān)測(cè)總站，國(guó)家環(huán)境保護(hù)環(huán)境監(jiān)測(cè)質(zhì)量控制重點(diǎn)實(shí)驗(yàn)室，北京 100012

人類(lèi)活動(dòng)和工業(yè)發(fā)展使大量污染物排入水體，對(duì)水環(huán)境造成嚴(yán)重污染。保護(hù)水生系統(tǒng)不受污染事件和日常廢物排放的影響，需迅速有效地處理污染物，故評(píng)估水質(zhì)特征和追蹤污染物的來(lái)源對(duì)保護(hù)水生系統(tǒng)至關(guān)重要。水污染事件的污染物、污染源具有多樣性、復(fù)雜性。當(dāng)污染源排放成分不明確時(shí)，利用監(jiān)測(cè)傳感器獲得的信息進(jìn)行污染源識(shí)別，數(shù)據(jù)比較龐大，計(jì)算比較復(fù)雜，且不確定度大、耗時(shí)長(zhǎng)，污染成分解析結(jié)果可能存在非唯一性。另外，流域中可能同時(shí)存在多點(diǎn)位污染，尤其是化學(xué)組分較相似的多點(diǎn)位污染。因此，如何快速、精準(zhǔn)地進(jìn)行污染源識(shí)別，是一項(xiàng)亟待解決的科學(xué)問(wèn)題。為準(zhǔn)確、高效地追蹤污染物的來(lái)源，對(duì)水質(zhì)進(jìn)行快速監(jiān)測(cè)評(píng)估是前提，此外，受水文過(guò)程、河流動(dòng)態(tài)的影響，建立有效的溯源識(shí)別方法是關(guān)鍵。目前人工智能技術(shù)在水環(huán)境污染方面的應(yīng)用主要體現(xiàn)在廢水處理過(guò)程，在污染溯源方面應(yīng)用較少，但數(shù)據(jù)挖掘和自學(xué)習(xí)能力使其在污染溯源方面具有較大的潛能。本文綜述了國(guó)內(nèi)外水質(zhì)監(jiān)測(cè)與污染溯源研究進(jìn)展，論述了光譜分析法在水質(zhì)監(jiān)測(cè)方面的優(yōu)缺點(diǎn)及應(yīng)用現(xiàn)狀，討論了水污染溯源技術(shù)目前存在的問(wèn)題，并分析了人工智能在水污染溯源方面的應(yīng)用前景，對(duì)我國(guó)流域水污染溯源技術(shù)的發(fā)展提出展望。

1 水污染監(jiān)測(cè)技術(shù)

隨著現(xiàn)代測(cè)量技術(shù)及儀器的發(fā)展，越來(lái)越多的分析檢測(cè)手段被應(yīng)用于水污染溯源技術(shù)之中。表1總結(jié)了各種分析方法對(duì)水中污染物的檢測(cè)特點(diǎn)，按檢測(cè)原理可分為光譜法、色譜法、電化學(xué)法、質(zhì)譜法，但絕大多數(shù)檢測(cè)方法基于實(shí)驗(yàn)室，需要專(zhuān)業(yè)的實(shí)驗(yàn)員，對(duì)儀器本身及運(yùn)維要求也比較高。實(shí)現(xiàn)水污染快速監(jiān)測(cè)，建立監(jiān)測(cè)預(yù)警機(jī)制，可以有效預(yù)防突發(fā)水污染事件。表2為各種水質(zhì)快速分析儀的應(yīng)用及特點(diǎn)，其中光譜法中紫外-可見(jiàn)、熒光和拉曼在實(shí)現(xiàn)水污染快速監(jiān)測(cè)中應(yīng)用最為廣泛，故本文重點(diǎn)探討了以上3種激發(fā)光譜在水污染監(jiān)測(cè)方面的應(yīng)用。

表1 各分析方法對(duì)水中污染物的檢測(cè)特點(diǎn)Table 1 The characteristics of various analytical methods for contaminants in water

表2 各種水質(zhì)快速分析儀的應(yīng)用及特點(diǎn)Table 2 Application and characteristics of various rapid water quality analyzers

1.1 紫外-可見(jiàn)光譜法

紫外-可見(jiàn)光譜法是基于朗伯-比爾定律，利用物質(zhì)的分子或離子對(duì)特定范圍內(nèi)(200～760 nm)電磁波吸收所產(chǎn)生的紫外可見(jiàn)光譜及吸收程度對(duì)物質(zhì)的組成、含量和結(jié)構(gòu)進(jìn)行分析、測(cè)定和推斷的分析方法，具有靈敏度高、準(zhǔn)確度好、選擇性?xún)?yōu)、分析速度快、無(wú)樣品處理及二次污染等優(yōu)點(diǎn)。由于其能夠更好地實(shí)現(xiàn)濁度校正波長(zhǎng)、減少散射干擾，有效提高檢測(cè)精度，多年來(lái)一直被認(rèn)為是一種快速檢測(cè)水污染程度的好方法。

KHORASSANI等[1]利用便攜式紫外分光光度計(jì)，結(jié)合適當(dāng)?shù)男盘?hào)和反褶積方法，應(yīng)用于河流中廢水排放的檢測(cè)，該項(xiàng)技術(shù)改進(jìn)了便攜式分光光度計(jì)的設(shè)計(jì)并促進(jìn)了光譜分析計(jì)算程序的發(fā)展。LOPEZ-ROLDAN等[2]利用主成分分析方法，結(jié)合紫外-可見(jiàn)分光光度法測(cè)得光譜指紋和少量物理化學(xué)參數(shù)成功用于鑒別巴塞羅那市飲用水的不同水源。ASHERI-ARNON等[3]基于適合度，利用紫外分光光度法測(cè)量飲用水的紫外吸收度，建立了一種對(duì)飲用水污染事件進(jìn)行早期檢測(cè)的新方法，該方法具有足夠的靈活性來(lái)識(shí)別被監(jiān)測(cè)飲用水的污染來(lái)源，并在污染物超標(biāo)時(shí)發(fā)出警報(bào)。WANG等[4]基于多波長(zhǎng)紫外-可見(jiàn)光譜法研究了水中常見(jiàn)的大腸桿菌、金黃色葡萄球菌、傷寒沙門(mén)氏菌和肺炎克雷伯菌等4種不同類(lèi)型的細(xì)菌，建立了基于支持向量機(jī)和細(xì)菌多波長(zhǎng)UV-Vis光譜的細(xì)菌快速識(shí)別方法和模型，該方法可實(shí)現(xiàn)飲用水水源微生物的快速識(shí)別和預(yù)警。GUO等[5]利用紫外-可見(jiàn)吸收光譜和熒光光譜法對(duì)內(nèi)蒙古烏梁素海不同采樣點(diǎn)的溶解性有機(jī)質(zhì)(DOM)進(jìn)行了研究。結(jié)論指出，工業(yè)廢水、生活污水和農(nóng)業(yè)排水是湖中DOM芳香度變化的主要因素。TSOUMANIS等[6]將紫外吸收光譜反褶積法與水質(zhì)現(xiàn)場(chǎng)/在線分析方法相結(jié)合，建立了一套可區(qū)分市政污水、醫(yī)院污水和工業(yè)廢水的水質(zhì)在線監(jiān)測(cè)系統(tǒng)。該方法采用原位探針監(jiān)測(cè)基本理化參數(shù)，利用紫外吸收光譜反褶積法快速評(píng)估水中COD、懸浮物、硝酸鹽和磷酸鹽含量，并利用模式識(shí)別技術(shù)對(duì)污水來(lái)源進(jìn)行分類(lèi)。

紫外-可見(jiàn)光譜法可同時(shí)檢測(cè)水中的硝酸鹽、COD、TOC、硝氮、濁度和SS等指標(biāo)，同時(shí)還可以對(duì)水質(zhì)的整體污染狀況進(jìn)行預(yù)警，目前已被廣泛地應(yīng)用于水質(zhì)快速檢測(cè)、多參數(shù)分析、水質(zhì)分類(lèi)、水污染預(yù)警與溯源研究領(lǐng)域，是最主要的水質(zhì)監(jiān)測(cè)技術(shù)之一。

1.2 熒光光譜法

熒光光譜法是利用某種物質(zhì)經(jīng)特定波長(zhǎng)的入射光照射后所發(fā)出的熒光特性和強(qiáng)度進(jìn)行物質(zhì)定性或定量的分析方法。水體中的大部分有機(jī)物(蛋白質(zhì)、腐殖質(zhì)、富里酸、類(lèi)固醇、酚類(lèi)、油、表面活性劑、維生素等)在可見(jiàn)光或近紫外光激發(fā)后，均會(huì)表現(xiàn)出特有的熒光發(fā)射[7]，對(duì)測(cè)量得到的熒光光譜進(jìn)行分析可以測(cè)定污水中有機(jī)物的綜合指標(biāo)。由于污染物種類(lèi)和含量各異，污水的熒光光譜與水樣一一對(duì)應(yīng)，就像人的指紋一樣具有唯一性，所以被稱(chēng)為污水的“熒光指紋”[8]。熒光光譜法已被用于各種水樣(地表水、飲用水和廢水)中有機(jī)污染物的檢測(cè)。

DAI等[9]利用三維熒光光譜法通過(guò)掃描不同濃度的有機(jī)污染物，建立了熒光光譜分析和熒光參數(shù)的水污染預(yù)警圖譜庫(kù)，實(shí)現(xiàn)了水體有機(jī)污染物的在線監(jiān)測(cè)。而CARSTEA等[10]通過(guò)對(duì)污水處理廠尾水進(jìn)行實(shí)時(shí)在線監(jiān)測(cè)，建立了熒光光譜與BOD之間的關(guān)系，所用便攜式設(shè)備在不需要任何清洗的情況下可以連續(xù)運(yùn)行1個(gè)月，且不需要后續(xù)數(shù)據(jù)的校正。CHEN等[11]采用三維激發(fā)發(fā)射矩陣(3DEEM)熒光光譜、碳氮比(C/N)和穩(wěn)定同位素技術(shù)對(duì)呼倫湖有機(jī)質(zhì)的來(lái)源進(jìn)行了研究，碳氮比、δ13C和3DEEM表明呼倫湖大約90%的有機(jī)質(zhì)來(lái)源于陸源物質(zhì)，氣候變暖、變干的趨勢(shì)和長(zhǎng)期強(qiáng)放牧是呼倫湖有機(jī)質(zhì)和營(yíng)養(yǎng)物質(zhì)濃度高的主要原因。此外，DULLIUS等[12]采用全反射X射線熒光通過(guò)聚類(lèi)分析和主成分分析評(píng)估了垃圾滲濾液對(duì)巴西Boi Pigu河流域水質(zhì)的影響。NAKAR等[13]利用激發(fā)發(fā)射矩陣熒光法與偏最小二乘法相結(jié)合，實(shí)現(xiàn)了對(duì)地下水中大腸菌群、糞便大腸菌群、糞便鏈球菌的快速定量測(cè)定，并成功區(qū)分了大腸桿菌、枯草桿菌和銅綠假單胞菌。

熒光光譜分析法具有快速、靈敏度高、選擇性好和對(duì)樣品結(jié)構(gòu)無(wú)破壞等特點(diǎn)[14]，作為水質(zhì)分析手段之一，在水污染溯源方面扮演著重要的角色。但熒光光譜存在光譜重疊問(wèn)題，需要結(jié)合其他計(jì)量解析方法使重疊的光譜分離開(kāi)，否則影響單一成分的提取和識(shí)別，在一定程度上影響結(jié)果的準(zhǔn)確度。

1.3 拉曼光譜法

拉曼光譜是一種散射光譜，是分子振動(dòng)結(jié)構(gòu)的表征，稱(chēng)為“分子指紋”[15]。每一種物質(zhì)都有自己的特征拉曼光譜，人們利用拉曼譜線的頻率、強(qiáng)度和偏振度的不同，可以研究物質(zhì)的結(jié)構(gòu)和性質(zhì)[16]。由于水的拉曼散射較弱，所以拉曼光譜可以檢測(cè)水中絕大多數(shù)污染物，包括有機(jī)物、無(wú)機(jī)物和生物污染物[17]。

LY等[18]利用表面增強(qiáng)拉曼光譜(SERS)檢測(cè)了在高濃度Fe3+、Ni2+和Zn2+干擾下電鍍工業(yè)廢水中的Cu2+，實(shí)現(xiàn)了堿性氯化法處理含氰廢水中Cu2+的定量測(cè)定。ZHOU等[19]提出了一種在細(xì)菌細(xì)胞壁上原位合成納米銀粒子AgNPs表面增強(qiáng)拉曼光譜來(lái)檢測(cè)飲用水中細(xì)菌的方法，研究發(fā)現(xiàn)細(xì)胞壁的zeta電位對(duì)細(xì)菌的拉曼光譜強(qiáng)度起決定性作用。SCHMIDT等[20]采用銀溶膠表面增強(qiáng)拉曼光譜對(duì)海水中5種多環(huán)芳烴的混合物進(jìn)行了檢測(cè)，該團(tuán)隊(duì)通過(guò)增加底物的增強(qiáng)因子和SERS表面的富集特性提高海水中多環(huán)芳烴濃度的檢測(cè)限。ZHENG等[21]通過(guò)將金納米星偶聯(lián)到有序的納米銀陣列上研制出一種便捷的SERS傳感器，該傳感器可將偶氮基團(tuán)的SERS指紋圖譜轉(zhuǎn)換為亞硝酸鹽，不需要任何抗體或適配體的幫助即可檢測(cè)亞硝酸鹽。由于在偶氮基所在的金納米星和銀納米錐之間的縫隙處產(chǎn)生了強(qiáng)烈的熱點(diǎn)，極大地放大了SERS信號(hào)，因此，該傳感器對(duì)亞硝酸鹽的檢測(cè)具有較高的靈敏度和選擇性。

雖然拉曼光譜技術(shù)在水質(zhì)分析方面的應(yīng)用目前尚不是很多，但因其快速、無(wú)損、靈敏度高、檢測(cè)范圍廣等特點(diǎn)，在水質(zhì)監(jiān)測(cè)領(lǐng)域具有獨(dú)特的優(yōu)勢(shì)，在水污染溯源方面也具有很大的潛力。除此之外，紅外、電化學(xué)、色譜等在水質(zhì)監(jiān)測(cè)方面也發(fā)揮著至關(guān)重要的作用。每種分析方法都具有其獨(dú)特的優(yōu)越性，同時(shí)也具有一定的局限性。將各分析方法聯(lián)用，快速、連續(xù)、準(zhǔn)確地提供監(jiān)測(cè)數(shù)據(jù)是快速實(shí)現(xiàn)流域污染溯源預(yù)警的前提，要實(shí)現(xiàn)水污染精準(zhǔn)溯源，還需建立污染源識(shí)別的溯源方法。

2 水污染溯源方法

污染源識(shí)別就是利用已知污染物監(jiān)測(cè)數(shù)據(jù)、河道水文參數(shù)，通過(guò)相應(yīng)的污染源識(shí)別方法來(lái)確定污染物排放時(shí)間、地點(diǎn)和強(qiáng)度，以便提出減少和控制流域污染輸入的措施，是流域水安全管理的重要內(nèi)容之一。水污染溯源途徑歸納起來(lái)有2種：①根據(jù)污染物的來(lái)源專(zhuān)屬性及在環(huán)境中的持久性進(jìn)行溯源；②綜合污染源的污染特征，通過(guò)多元統(tǒng)計(jì)方法進(jìn)行溯源。根據(jù)原理不同，可將溯源方法分為水質(zhì)參數(shù)分析法[22-26]、示蹤法[27-29]、水紋識(shí)別法[30-32]等。

2.1 水質(zhì)參數(shù)分析法

水質(zhì)參數(shù)分析法是比較成熟且應(yīng)用廣泛的水污染溯源方法，基于水體主要理化指標(biāo)pH、氧化還原電位、電導(dǎo)率、化學(xué)需氧量、總氮、總磷、氨氮、金屬等之間的相關(guān)性，通過(guò)模擬推演研究了解區(qū)域水污染特征，主要通過(guò)主成分分析、聚類(lèi)分析和層次分析法等方法進(jìn)行污染物的溯源解析。

LI等[33]利用多元統(tǒng)計(jì)分析法分析了中國(guó)漢江上游56個(gè)采樣點(diǎn)水中微量金屬的濃度，通過(guò)因子分析/多元線性回歸(FA/MLR)模型確定了As、Pb、Se、V、Sb的來(lái)源，指出采礦、化石燃料燃燒和汽車(chē)尾氣是地表水污染的主要來(lái)源。YANG等[34]收集了2009年和2010年溫州市環(huán)保局監(jiān)測(cè)溫瑞塘河流域DO、COD、NH4+-N和TN的數(shù)據(jù)，主成分分析結(jié)果表明，城市、郊區(qū)和農(nóng)村地區(qū)的水污染主要分別由生活污水、工業(yè)廢水和農(nóng)業(yè)面源污染引起的。LEE等[35]采用主成分分析(PCA)和正定矩陣因子分解法(PMF)對(duì)來(lái)自5個(gè)不同土地利用類(lèi)型的20種化學(xué)物質(zhì)的數(shù)據(jù)集進(jìn)行分析，定性和定量地識(shí)別徑流污染物的來(lái)源，指出農(nóng)藥和汽車(chē)尾氣排放是該地區(qū)磷污染物的主要來(lái)源。而HELLAR-KIHAMPA等[36]采用層次聚類(lèi)分析法分析了坦桑尼亞北部潘加尼河流域有機(jī)氯農(nóng)藥殘留(OCPs)、多氯聯(lián)苯(PCBs)和多溴聯(lián)苯醚(PBDEs)的分布，指出OCPs和PCBs、PBDEs主要來(lái)源于甘蔗種植園和城市周?chē)墓I(yè)活動(dòng)。PEKEY等[37]則運(yùn)用因子分析-多元回歸模型確定了Dil Deresi河(Izmit Bay,Turkey)中重金屬的來(lái)源，研究表明，涂料工業(yè)、污水、地質(zhì)和交通道路徑流對(duì)河流重金屬污染的貢獻(xiàn)率達(dá)83%。LIU等[38]采用水質(zhì)指數(shù)(WQI)法和多元統(tǒng)計(jì)分析法對(duì)太湖水質(zhì)數(shù)據(jù)集(2010—2014年)進(jìn)行分析以確定水質(zhì)的主要參數(shù)和潛在污染源，并利用絕對(duì)主成分得分/多元線性回歸模型(APCS-MLR)和正矩陣因子分解(PMF)模型對(duì)西北湖泊的5個(gè)潛在污染源進(jìn)行了識(shí)別。研究結(jié)果表明，各污染源對(duì)其水域的污染貢獻(xiàn)率為農(nóng)業(yè)面源污染(26.6%)>污水排放(23.5%)>工業(yè)廢水排放和大氣沉積(20.6%)>浮游植物的增長(zhǎng)(16.0%)>降雨或風(fēng)力擾動(dòng)(13.4%)。

2.2 示蹤法

示蹤法是指通過(guò)對(duì)污染物進(jìn)行標(biāo)記，分析標(biāo)記對(duì)象的遷移轉(zhuǎn)化過(guò)程從而研究污染物的來(lái)源，主要分為同位素示蹤法和微生物示蹤法2類(lèi)。

2)微生物示蹤法。微生物示蹤法是一種利用微生物在環(huán)境中的生化特性、遺傳多樣性及其特異性代謝產(chǎn)物確定其宿主來(lái)源的新技術(shù)。FLYNN等[43]利用微生物示蹤劑評(píng)估了冬季土地使用限制對(duì)小流域河流源頭水質(zhì)的影響。根據(jù)16 S rRNA基因標(biāo)記的擬桿菌跟蹤顯示，污水處理廠排放期間，上游河流中牛糞污染占主導(dǎo)地位；關(guān)閉期間，人為活動(dòng)占主導(dǎo)地位。PARUCH等[44]同樣利用此技術(shù)對(duì)被糞便污染的貯水池里的飲用水進(jìn)行了分析，指出非人類(lèi)(動(dòng)物)來(lái)源的糞便污染占主導(dǎo)地位，69%來(lái)自馬糞。JIANG等[45]通過(guò)人類(lèi)病毒和大腸桿菌對(duì)加利福尼亞州奧蘭治縣的一個(gè)城市小流域的污染情況進(jìn)行了分析。大腸桿菌毒素標(biāo)記物揭示了鳥(niǎo)類(lèi)、兔子和奶牛特有的毒素基因的存在，鳥(niǎo)類(lèi)和野生動(dòng)物的糞便、土壤改良劑和糞便大腸菌群的生長(zhǎng)是造成下游地區(qū)糞便細(xì)菌污染的主要原因。SNCHEZ-ALFONSO等[46]從豬的腸道物中分離出一株可區(qū)分豬糞便污染的噬菌體宿主菌株(PZ8)，并利用該菌種作為微生物源跟蹤指示劑，對(duì)牛、豬屠宰場(chǎng)廢水、城市污水和Bogot河的糞便污染源進(jìn)行了評(píng)價(jià)。LABRADOR等[47]利用基于PCR基因指紋圖庫(kù)的微生物源示蹤法判別Laguna湖糞便污染的來(lái)源，并評(píng)估了3種指紋標(biāo)記物BOX-A1R、(GTG)5和REP1R-1/2-1的鑒別能力，研究指出，BOX-GTG可以作為湖中微生物源示蹤法指紋圖庫(kù)rep-PCR的標(biāo)記物。

此外，脂肪酸、糞甾醇、固醇、線粒體等生化物質(zhì)[48-50]也被證實(shí)可作為一種特殊的生物標(biāo)記物來(lái)替代同位素示蹤進(jìn)行河流中潛在污染源的釋源。

2.3 水紋識(shí)別法

水紋識(shí)別法是指通過(guò)分析水中某些特征污染因子與各污染源之間的關(guān)系來(lái)識(shí)別水污染來(lái)源以及各來(lái)源的貢獻(xiàn)。利用事先采集好的指紋，在對(duì)污染物進(jìn)行源解析時(shí)，只需進(jìn)行逐一對(duì)照，尋找相同特征的污染物，從而更好更快地確定污染源。

LI等[51]基于優(yōu)化的Access污水化學(xué)指紋數(shù)據(jù)庫(kù)(WCFD)對(duì)北京通州北運(yùn)河周邊工廠的污水?dāng)?shù)據(jù)和河流水質(zhì)數(shù)據(jù)進(jìn)行了分析，研究指出，該數(shù)據(jù)庫(kù)具有較強(qiáng)的水質(zhì)污染源識(shí)別能力和追蹤時(shí)效性，且數(shù)據(jù)表、圖表形式更直觀、形象，便于操作和維護(hù)。ZHENG等[52]利用水污染指紋技術(shù)研究了華東地區(qū)(工業(yè)出口)和華中地區(qū)(工業(yè)接收)工業(yè)轉(zhuǎn)移的污染，通過(guò)對(duì)河南高污染地區(qū)和長(zhǎng)江三角洲增塑劑、多氯聯(lián)苯、多溴聯(lián)苯醚和磺胺或甾類(lèi)化合物污染嚴(yán)重的地區(qū)進(jìn)行指紋圖譜分析，結(jié)果顯示，導(dǎo)致水污染轉(zhuǎn)移的工業(yè)類(lèi)型可能有電子、塑料和生物醫(yī)藥行業(yè)。WU等[53]設(shè)計(jì)開(kāi)發(fā)了基于MapInfo的突發(fā)水污染應(yīng)急指紋污染源識(shí)別系統(tǒng)，該系統(tǒng)通過(guò)對(duì)事故水質(zhì)檢測(cè)結(jié)果與“指紋”特征數(shù)據(jù)庫(kù)的比較，識(shí)別特定污染物的來(lái)源，并提出適當(dāng)?shù)念A(yù)防和應(yīng)對(duì)措施。HE等[54]開(kāi)發(fā)了一種基于水紋識(shí)別法識(shí)別地下水污染源的新方法，該方法將待測(cè)樣品的色譜數(shù)據(jù)引入指紋相似度計(jì)算軟件，以污染源色譜圖為參考，計(jì)算待測(cè)地下水色譜峰與污染源圖譜的相似度，根據(jù)相似度對(duì)地下水污染源進(jìn)行分析，用于判別相似度較高的污染源。BALSEIRO-ROMERO等[55]利用GC-MS對(duì)燃料分配站周?chē)耐寥篮偷叵滤廴具M(jìn)行指紋識(shí)別，研究指出，污染物可能從儲(chǔ)罐附近的土壤遷移到周?chē)寥溃⒀匚髂戏较驖B入地下水。指紋分析還揭示了污染泄漏的連續(xù)性，推測(cè)這可能是一個(gè)從20世紀(jì)90年代中期開(kāi)始的古老的污染源。BENKADDOUR等[56]對(duì)阿爾及利亞西北部的切里夫河水域污染的人為因素和自然因素進(jìn)行了評(píng)估，指出高濃度的類(lèi)色氨酸和類(lèi)酪氨酸化合物是未經(jīng)處理的城市生活污水指紋，城市生活污水是該水體有機(jī)污染物的主要來(lái)源，與工業(yè)和農(nóng)業(yè)活動(dòng)結(jié)合在一起，大大加劇了切里夫河和米娜河的水質(zhì)惡化。

3 人工智能(AI)在水污染溯源預(yù)警中的應(yīng)用

隨著人工智能和計(jì)算機(jī)技術(shù)的飛速發(fā)展，河流污染的預(yù)警與溯源越來(lái)越智能化，對(duì)違規(guī)排放等環(huán)境違法行為的發(fā)現(xiàn)已不再是難以實(shí)現(xiàn)。AI技術(shù)對(duì)于指紋圖譜的特征識(shí)別、提取、匹配和分類(lèi)具有很好的輔助作用，可有效提升對(duì)污染物源解析的精確性和計(jì)算速度，并節(jié)約成本。機(jī)器學(xué)習(xí)是AI算法的核心，按照模型自主學(xué)習(xí)、自適應(yīng)、數(shù)據(jù)集訓(xùn)練數(shù)據(jù)進(jìn)行不斷的學(xué)習(xí)和優(yōu)化，最后通過(guò)分類(lèi)器獲得主要污染物類(lèi)別，經(jīng)過(guò)分類(lèi)匹配追蹤污染物來(lái)源。機(jī)器學(xué)習(xí)應(yīng)用在水質(zhì)預(yù)警和污染物溯源的相關(guān)研究越來(lái)越多，將成為新的研究熱點(diǎn)。

人工智能算法在水污染溯源方面的應(yīng)用模型主要包括人工神經(jīng)網(wǎng)絡(luò)(ANN)、支持向量機(jī)(SVM)、遺傳算法(GA)、模糊邏輯(FL)以及它們的混合模型。人工神經(jīng)網(wǎng)絡(luò)(ANN)是由大量處理單元互聯(lián)組成的非線性、自適應(yīng)信息處理系統(tǒng)，是基于歷史數(shù)據(jù)、利用適用的訓(xùn)練算法來(lái)捕獲自變量和因變量之間的非線性行為，從而對(duì)事物的發(fā)展進(jìn)行預(yù)測(cè)[57]。支持向量機(jī)(SVM)是基于結(jié)構(gòu)化風(fēng)險(xiǎn)最小化原理，按監(jiān)督學(xué)習(xí)方式對(duì)數(shù)據(jù)進(jìn)行二元分類(lèi)的廣義線性分類(lèi)器[58-59]。由于收斂原理使其能夠更好地回歸輸入值和輸出值之間的關(guān)系，并對(duì)新的輸入數(shù)據(jù)獲得滿(mǎn)意的性能，故支持向量機(jī)能夠在分類(lèi)和回歸兩方面都獲得良好的泛化結(jié)果支持[60]。遺傳算法(GA)是一類(lèi)借鑒生物界的進(jìn)化規(guī)律演化而來(lái)的隨機(jī)化搜索方法[61]。其主要特點(diǎn)是直接對(duì)結(jié)構(gòu)對(duì)象進(jìn)行操作，不存在求導(dǎo)和函數(shù)連續(xù)性的限定；具有內(nèi)在的隱并行性和更好的全局尋優(yōu)能力；采用概率化的尋優(yōu)方法，能自動(dòng)獲取和指導(dǎo)優(yōu)化的搜索空間，自適應(yīng)地調(diào)整搜索方向，不需要確定的規(guī)則。模糊邏輯(FL)是一種通過(guò)模仿人的思維方式來(lái)表示和分析不確定、不精確信息的方法和工具，能夠解決許多復(fù)雜而無(wú)法建立精確數(shù)學(xué)模型系統(tǒng)的控制問(wèn)題[62]。

FARRELL等[63]將智能算法嵌入水下機(jī)器人中，通過(guò)污染團(tuán)的發(fā)現(xiàn)、追蹤、糾正、污染源的確定等過(guò)程實(shí)現(xiàn)了對(duì)加州圣克利口蒂島附近海域污染源的識(shí)別。該項(xiàng)研究利用污染物濃度不斷地修正機(jī)器人的搜索方向和步長(zhǎng)，最終達(dá)到確定污染源的目的。ASHERI ARNON等[64]將人工智能算法引入基于適合度的紫外吸收光譜對(duì)污染事件進(jìn)行早期檢測(cè)的方法中，利用支持向量機(jī)分類(lèi)器對(duì)未受污染和受污染的水進(jìn)行分類(lèi)，進(jìn)一步擴(kuò)大適合度，并利用特定監(jiān)測(cè)站中水樣吸光度特征進(jìn)行初始化，無(wú)需機(jī)器學(xué)習(xí)，實(shí)現(xiàn)了隨機(jī)、高變化水質(zhì)中低濃度污染物的檢測(cè)。該算法與紫外光譜相結(jié)合，可實(shí)現(xiàn)對(duì)任何供水系統(tǒng)飲用水污染的簡(jiǎn)單快速預(yù)警。FENG等[65]建立了利用小波分析和支持向量機(jī)同時(shí)預(yù)測(cè)水中酚類(lèi)污染物濃度的方法。該方法應(yīng)用分光光度法測(cè)定了典型酚類(lèi)化合物的紫外-可見(jiàn)吸收光譜，利用小波分析進(jìn)行光譜分析和重建，并通過(guò)支持向量機(jī)進(jìn)行分類(lèi)，識(shí)別出特定類(lèi)型的酚類(lèi)化合物。該研究為飲用水水源酚類(lèi)化合物污染的預(yù)警提供了一種可行的方法。SRIVASTAVA等[66]利用多層人工神經(jīng)網(wǎng)絡(luò)(ANN)的逼近能力，根據(jù)其位置、強(qiáng)度和活動(dòng)持續(xù)時(shí)間對(duì)地下水系統(tǒng)的未知源進(jìn)行識(shí)別，并利用反向傳播算法對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，根據(jù)含水層中指定觀測(cè)位置的模擬濃度數(shù)據(jù)識(shí)別源特征。KHORSANDI等[67]采用人工神經(jīng)網(wǎng)絡(luò)(ANN)、遺傳算法(GA)和模式搜索(PS)等方法對(duì)未知污染源的位置、濃度和注入地表水的時(shí)間進(jìn)行了研究，并通過(guò)在非棱柱形的水渠中注入不同形式的污染物進(jìn)行各種假設(shè)的污染實(shí)例識(shí)別。研究結(jié)果表明，ANN具有較強(qiáng)的反向識(shí)別污染源的能力，能夠準(zhǔn)確識(shí)別污染源的注入過(guò)程。當(dāng)存在多個(gè)污染源且對(duì)污染物濃度的評(píng)估存在誤差時(shí)，GA和PS對(duì)污染源的識(shí)別具有更高的準(zhǔn)確度。WANG等[68]建立了一種集成長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)(LSTM)人工智能系統(tǒng)，利用互相關(guān)法和關(guān)聯(lián)規(guī)則(Apriori)通過(guò)識(shí)別水質(zhì)特征的變化來(lái)識(shí)別點(diǎn)源污染物排放的規(guī)律和異常波動(dòng)，從而追蹤工業(yè)污染源。該方法能夠有效、準(zhǔn)確地識(shí)別出不同流域中嚴(yán)重影響水質(zhì)的污染物，并識(shí)別出排放污染物的行業(yè)，提高控制污染物排放和改善河流流域水質(zhì)的能力。這種長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)還可以在很大程度上有效預(yù)測(cè)船舶溢油軌跡，有針對(duì)性地為溢油應(yīng)急戰(zhàn)略規(guī)劃提供科學(xué)依據(jù)[69]。

4 結(jié)語(yǔ)

多種水質(zhì)快速分析儀雖然部分實(shí)現(xiàn)了快速、便攜，但目前尚未有比較健全的實(shí)時(shí)在線監(jiān)測(cè)系統(tǒng)對(duì)水質(zhì)進(jìn)行全面的分析。此外，水污染事件的污染物、污染源的多樣性和復(fù)雜性，傳統(tǒng)的溯源技術(shù)不能很好地確定其污染源類(lèi)型。常規(guī)水質(zhì)多參數(shù)污染源解析只能解析到水體主要受到污染的污染源類(lèi)型，而不能精確確定單一污染源對(duì)水體的影響。同位素示蹤法雖然已被較廣泛地應(yīng)用于環(huán)境污染物的溯源研究中，但對(duì)于持久性難降解有機(jī)化合物、新出現(xiàn)的復(fù)雜有機(jī)與無(wú)機(jī)化合物的溯源仍具有一定的局限性。微生物示蹤法主要應(yīng)用于糞便污染的溯源，傳統(tǒng)的微生物檢測(cè)方法主要基于實(shí)驗(yàn)室，不僅對(duì)工作人員、儀器設(shè)備要求高，而且需要花費(fèi)一定的時(shí)間，對(duì)污染溯源無(wú)法做到及時(shí)響應(yīng)。水紋識(shí)別法中污染物的指紋必須事先采集好，如果每個(gè)來(lái)源的指紋卡不是非常明顯或顯著，則很難以這種方式確定污染源的類(lèi)型。人工智能技術(shù)由于可以解決動(dòng)態(tài)環(huán)境問(wèn)題中不確定性、相互作用和復(fù)雜性問(wèn)題，數(shù)據(jù)挖掘、人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)和模糊優(yōu)化等方法已被成功應(yīng)用于環(huán)境污染事件追蹤溯源研究中，從而實(shí)現(xiàn)準(zhǔn)確、智能地識(shí)別水質(zhì)特征和追蹤污染源的可能。雖然我國(guó)在人工智能水污染溯源方面的研究應(yīng)用尚處于起步階段，但人工智能與傳統(tǒng)技術(shù)相結(jié)合將是流域水污染溯源的發(fā)展趨勢(shì)。將人工智能與環(huán)境監(jiān)測(cè)相結(jié)合，科學(xué)、準(zhǔn)確、快速地對(duì)污染源的位置、源強(qiáng)、排放過(guò)程等進(jìn)行識(shí)別，建立精準(zhǔn)污染源識(shí)別方法體系，對(duì)保障水生態(tài)環(huán)境安全、明確和落實(shí)各方責(zé)任、實(shí)現(xiàn)流域水污染全面監(jiān)管、為當(dāng)?shù)卣峁┉h(huán)境決策技術(shù)支撐具有重要意義。