CN114878528A - 基于三维荧光光谱法对地表水表面浮油快速溯源的方法 - Google Patents

基于三维荧光光谱法对地表水表面浮油快速溯源的方法 Download PDF

Info

Publication number
CN114878528A
CN114878528A CN202210419638.3A CN202210419638A CN114878528A CN 114878528 A CN114878528 A CN 114878528A CN 202210419638 A CN202210419638 A CN 202210419638A CN 114878528 A CN114878528 A CN 114878528A
Authority
CN
China
Prior art keywords
oil
sample
fluorescence
dimensional fluorescence
data
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
CN202210419638.3A
Other languages
English (en)
Inventor
于旭彪
顾霓涛
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.)
Ningbo University
Original Assignee
Ningbo 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 Ningbo University filed Critical Ningbo University
Priority to CN202210419638.3A priority Critical patent/CN114878528A/zh
Publication of CN114878528A publication Critical patent/CN114878528A/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
    • G01N21/6428—Measuring fluorescence of fluorescent products of reactions or of fluorochrome labelled reactive substances, e.g. measuring quenching effects, using measuring "optrodes"
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N1/00—Sampling; Preparing specimens for investigation
    • G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
    • G01N1/40—Concentrating samples
    • G01N1/4055—Concentrating samples by solubility techniques
    • 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
    • G01N21/6428—Measuring fluorescence of fluorescent products of reactions or of fluorochrome labelled reactive substances, e.g. measuring quenching effects, using measuring "optrodes"
    • G01N21/643—Measuring fluorescence of fluorescent products of reactions or of fluorochrome labelled reactive substances, e.g. measuring quenching effects, using measuring "optrodes" non-biological material
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N1/00—Sampling; Preparing specimens for investigation
    • G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
    • G01N1/40—Concentrating samples
    • G01N1/4055—Concentrating samples by solubility techniques
    • G01N2001/4061—Solvent extraction
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A20/00—Water conservation; Efficient water supply; Efficient water use
    • Y02A20/20—Controlling water pollution; Waste water treatment
    • Y02A20/204—Keeping clear the surface of open water from oil spills

Landscapes

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

Abstract

本发明公开了基于三维荧光光谱法对地表水表面浮油快速溯源的方法，特点是包括按照不同的浓度比例配制混合油类溶液若干组成校正样本集，测定校正样本集的三维荧光光谱，采用平行因子算法对三维荧光数据进行解析，得到几种油类的特征荧光峰并建立相应的识别模型的步骤；利用低密度的聚丙烯复合吸油材料快速萃取实际水体的浮油，用有机溶剂对其进行复溶并测定三维荧光光谱，带入识别模型预测实际浮油样品中的油类来源及比例的步骤，优点是实现了对地表水表面浮油的快速溯源，具有操作简单、成本低、安全无污染、实际应用性强，且不受水中其他物质干扰，能为地表水油类污染的源头控制提供技术和数据支撑。

Description

基于三维荧光光谱法对地表水表面浮油快速溯源的方法
技术领域
本发明涉及一种对地表水表面浮油快速进行溯源的方法，尤其是涉及一种基于三维荧光光谱法对地表水表面浮油快速溯源的方法。
背景技术
油类通过不同途径进入水体环境会造成油类污染，油类污染是一种量大、分布广且危害严重的污染。其按油类来源可分为：自然来源（约占8%）和人类活动来源（约占92%）。对于地表水而言，汽车产业、机械产业、施工场地等产生的汽柴油、机油类泄漏，餐饮业及食品加工业的含油废水排放，是油类污染的重要来源。油类污染物的排放点分散、隐蔽，而且可能通过其他间接的方式，例如雨水径流等，进入水体，对水环境造成危害。油类污染物进入水体后，会在水面上形成厚度不一的油膜，隔绝水体与大气，使水体中的溶解氧减少，进而导致水生生物大量死亡。油膜、油滴还可附着于鱼鳃上，使鱼类窒息而死，或附着在植物上，阻碍植物的光合作用和呼吸作用。油类污染物中的难降解有机物可长期存留在水体中，并通过动物呼吸、食物链传输等方式富集于动物体内，对水生生物产生毒害作用，甚至经由食物链进入人体，引发多种疾病。因此，地表水油类污染是亟需解决的一个现实问题。地表水油类污染最显著的表现就是水面漂浮油膜，为了有效的控制和治理地表水的油类污染，对水面浮油进行有效萃取并对其中的油类污染物进行分析与识别是重要前提。准确、快速识别出水面浮油中油类污染物的来源和比例，以汽油、柴油、废机油、植物油这几种常见油类作为贡献因子，推测汽车产业、机械产业、餐饮行业等废水排入地表水的可能性以及潜在的油类泄漏点，才能针对性地对其进行源头控制，从而进行有效治理。
目前应用于水体中油类污染物鉴别的方法有气相色谱法、气相色谱-质谱法、高效液相色谱法等，这类方法能测定油类污染物中多种单体烃的含量及分布特征，但在实际应用中仪器使用和维护的费用高、样品前处理步骤繁琐、损失较大、测定时间较长。另一类分析方法是测定油类污染物中的总体烃，包括红外光谱法、紫外光谱法等，以某一类化合物的整体特征大致判断污染物类型和来源，此类方法样品前处理较简单、分析速度快，但在油类污染物的分析和鉴别中具有一定的局限性，例如易受样品物理状态以及各种油类添加剂的影响。此外，这些方法主要关注于单一油类污染的来源识别，而未对多种混合油类污染的来源及贡献比例进行有效鉴别。
三维荧光光谱法是利用不同类别化合物具有不同的荧光响应，依据激发波长（Ex）、发射波长（Em）和荧光强度形成的三维光谱信息，对物质进行半定量分析的方法，具有仪器设备和操作简单、成本低、分析速度快、灵敏度高、选择性好、信息量大等特点。三维荧光图谱一般存在多个荧光区域和荧光峰，这些荧光峰之间存在着一定程度的重叠，传统的峰值法和荧光区域法无法从根本上解决荧光峰重叠的问题，造成分析结果的偏差。平行因子分析法（PARAFAC）是基于三线性分解理论，采用交替最小二乘原理迭代求解的三维数阵分解算法，能将三维荧光光谱的原始数据拆分为不同的特征峰，从而进行解谱。目前，三维荧光光谱结合平行因子分析法（PARAFAC）已经应用于某些油类污染物的分析，例如矿物油种类鉴别，“基于三维荧光谱的油类鉴别方法研究”（天津大学，2012.）一文中，以汽油、柴油、混合油为原始油样，利用平行因子分析建立矿物油的纯组分模型，从而进行矿物油种类鉴定，提供混合物的组成信息；或者应用于食品安全领域，植物油品质检测等，如“基于平行因子分析法的食用调和油检测方法及实验研究”（燕山大学，2013.）一文中，采用葵花油、大豆油、花生油模拟食用调和油，结合三维荧光光谱技术和平行因子分析算法对食用调和油进行定性和定量检测，作为食用调和油主要成分的种类和含量检测技术的补充。
由此可见，三维荧光光谱结合平行因子分析法（PARAFAC）多应用于矿物油鉴别、油品检测或模拟地表水中痕量矿物油的检测，且多处于实验室研究阶段，而能对地表水表面浮油进行快速分析溯源，切实解决油类污染物源头控制这一实际需求的很少。其中主要的原因是地表水体组成变化较大，成分复杂，水体中其他有机物也会在三维荧光光谱中产生荧光峰，而且用有机溶剂或固相萃取柱从地表水体中萃取出油类污染物的过程较为繁琐、耗时，同时也可能会对水体中其他溶解性有机物产生萃取。此外，地表水表面浮油是混合体系，从混合体系中识别出不同油类污染物的来源及比例需要考虑相似性质油类的干扰问题，而且现有的油类污染鉴别方法往往缺乏验证，鉴别结果的可信度未知。可见，现有检测方法操作复杂、耗时，实用性不强，易受水中其他物质干扰的缺陷。因此，建立一种快速、廉价，集采样、分析、识别于一体的地表水表面浮油溯源方法并对其进行验证是十分必要的。
发明内容
本发明所要解决的技术问题是提供一种具有操作简单、成本低、安全无污染、实际应用性强，且不受水中其他物质干扰的基于三维荧光光谱法对地表水表面浮油快速溯源的方法。
本发明解决上述技术问题所采用的技术方案为：基于三维荧光光谱法对地表水表面浮油快速溯源的方法，包括以下步骤：
（1）样品前处理
A．地表水表面浮油萃取：将聚丙烯复合吸油材料放置于受油类污染的水体表面，对表面浮油进行萃取后，浸没于有机溶剂中，超声15 min，使吸油材料上萃取的油类污染物充分溶解于有机溶剂中，即得到待测样品；将干净的聚丙烯复合吸油材料浸没于相同的有机溶剂超声15min，得到的有机溶液作为空白样品；
B.数据采集处理：测定待测样品和空白样品的三维荧光光谱，将待测样品荧光数据扣除空白样品荧光数据以除去拉曼散射效应，将瑞利散射线的荧光强度设定为缺失，并将荧光光谱上发射波长小于激发波长的三角形区域数据设置为零，得到待测样品三维荧光光谱数据；
（2）识别模型建立
A．校正样本集数据库建立：将95#汽油、0#柴油、废机油、市售色拉油溶于有机溶剂配制混合标准样品；将配制完成的所有混合样品充分混匀后测定三维荧光光谱，并测定有机溶剂的三维荧光光谱作为空白样品；将混合样品荧光数据扣除空白样品荧光数据以除去拉曼散射效应，将瑞利散射线的荧光强度设定为缺失，并将荧光光谱上发射波长小于激发波长的三角形区域数据设置为零，得到校正样本集三维荧光光谱数据库；
B．分析模型建立：利用Matlab软件中的平行因子（PARAFAC）算法工具箱，对校正样本集三维荧光光谱数据进行解析，得到可指示四种油类的荧光光谱特征峰，并建立基于EEM的定量回归模型；
（3）油类污染物类型和比例的鉴别
在Matlab软件中将待测样品三维荧光光谱数据与校正样本集三维荧光光谱数据进行PARAFAC解析，根据解析出的荧光光谱特征峰鉴别待测样品中油类污染物的类型，并将几个特征峰的荧光响应值代入EEM定量回归模型，根据的油类污染物浓度数据换算成几种油类污染物的比例，即获得油类污染物类型和比例，实现对地表水表面浮油快速溯源；
（4）模型修正：若实际样品中油类污染物的三维荧光光谱强度超出校正样本集三维荧光光谱的检测上下限值，将对应样品的浓度稀释或浓缩若干倍，再经过步骤（3）鉴别油类污染物类型和比例。
进一步，所述步骤（1）中的三维荧光测定扫描条件如下：日立F-4600荧光光度计，激发波长220-450nm，扫描间隔5nm，发射波长260-600nm，扫描间隔1nm，狭缝宽度5nm，扫描速度2400nm·min-1。
进一步，所述步骤（2）A中将95#汽油、0#柴油、废机油、市售色拉油分别溶于有机溶剂，配制浓度范围为汽油3-15ppm，柴油2-10ppm，废机油2-70ppm，植物油100-5000ppm，并分别按3:5:40:1000, 5:2:70:5000, 5:3:10:2000, 5:5:30:500, 5:6:40:3000, 8:3:50:500, 8:6:30:2000, 10:8:30:5000, 15:2:30:1000和15:8:10:3000的比例配制混合标准样品。比例选择可由油类在水体中赋存含量经验值确定。
进一步，所述步骤（2）B中的PARAFAC算法是基于三线性分解理论，即假定某个激发发射波长时，某组分的荧光强度是该组分浓度及特定吸收/发射光谱性质的三线性函数，模型如下：
Figure 711203DEST_PATH_IMAGE001
式中，F指该模型中的组分数量，可通过核一致性函数予以确定；
Figure 837290DEST_PATH_IMAGE002
是样品
Figure 505032DEST_PATH_IMAGE003
在发射波长
Figure 721381DEST_PATH_IMAGE004
，激发波长
Figure 980324DEST_PATH_IMAGE005
时的荧光强度数据，即F的立方阵
Figure 62549DEST_PATH_IMAGE006
的构成元素；
Figure 65140DEST_PATH_IMAGE007
为因子得分，反映组分
Figure 57367DEST_PATH_IMAGE008
在样品
Figure 565840DEST_PATH_IMAGE003
中的浓度百分数，即成分矩阵
Figure 73045DEST_PATH_IMAGE009
(
Figure 551431DEST_PATH_IMAGE010
)的构成元素；
Figure 460481DEST_PATH_IMAGE011
为载荷，与组分在发射波长为
Figure 123543DEST_PATH_IMAGE004
时的荧光量子产率线性相关，即成分矩阵
Figure 321307DEST_PATH_IMAGE012
(
Figure 665700DEST_PATH_IMAGE013
)的构成元素；
Figure 242306DEST_PATH_IMAGE014
为载荷，与组分
Figure 279532DEST_PATH_IMAGE008
在激发波长为
Figure 433433DEST_PATH_IMAGE005
时的特定吸收系数成正比，即成分矩阵
Figure 581518DEST_PATH_IMAGE015
(
Figure 261898DEST_PATH_IMAGE016
)的构成元素；
Figure 470025DEST_PATH_IMAGE017
代表残差，包括噪声和未被建模的数据信号。它的求解是采用交替最小二乘算法来缩减残差平方和SSR，当SSR<10-6时，认为模型达到收敛。
发明原理：该快速分析方法主要利用聚丙烯复合吸油材料的低密度和选择性吸附特性，可漂浮于水面吸附水面浮油而不吸附水中其他干扰物质，从而实现地表水表面浮油的快速萃取。而对于不同的油类，其特定的化学组成形成了不同的荧光光谱特征，例如对于石油类（汽油、柴油、机油等），其含有的多环芳烃的种类和含量不同，多环芳烃的结构决定了荧光光谱的特征，包括荧光光谱形状和峰值信息。对于植物油，其成分中的二烯酸和三烯酸、生育酚等也是荧光显色物质。不同的油类物质在相同的测试环境和步骤下，所测得的荧光光谱有很大的差异性，其光谱的峰值信息和光谱形状各不相同，而采用PARAFAC算法可以将大量复杂荧光信息叠加的三维荧光光谱分解成相对独立的能代表几种油类的特征荧光峰，这为基于三维荧光原理的油类污染物的分析溯源提供了可行性和理论依据。此外，油类物质中含有的多环芳烃化合物和含有不饱和键的有机物的性质比饱和的烃类物质和烷基类物质更加稳固，在外界的风化条件中也能够保持结构稳定不变，这些特点使得多环芳烃和含有不饱和键的有机物可以作为分析油类污染物的特征指标。本发明就是利用此原理，建立特征荧光峰与几种油类的定量回归模型，达到对地表水表面浮油快速分析溯源的目的。
与现有技术相比，本发明的优点在于：本发明基于三维荧光光谱法对地表水表面浮油快速溯源的方法，着眼于地表水油类污染物源头控制的现实需求，建立了一套完整的集采样、分析、识别于一体的地表水表面浮油快速溯源的流程，该方法充分利用聚丙烯复合吸油材料的低密度和选择性吸附特性以及三维荧光光谱的特征荧光峰诠释地表水浮油中所包含的几种油类及比例，操作非常简单，检测过程时间短，成本低，采集样品的三维荧光光谱数据后进行PARAFAC分析就可以进行油类污染物的判定和溯源，整个检测过程仅需要10分钟。此外，本发明的检测方法只需用到极少量的有机溶剂，成本较低，且基本不产生环境污染问题，也不会损害检测人员的健康。本发明对地表水表面浮油中油类污染物的分析和评估，快捷准确、实用性强，且利用气相色谱-质谱联用仪GC-MS验证了其鉴别结果的有效性。本发明的检测方法将成为对地表水表面浮油中油类污染物进行分析溯源的快速、高效、环保的检测方法，能为地表水油类污染物的源头控制提供理论依据和数据支撑。
综上所述，本发明提供了一种集采样、分析、识别于一体的，对地表水表面浮油快速进行溯源的方法，涉及油类污染物有效萃取、混合油类分离及其比例鉴别领域，特别是利用低密度的聚丙烯复合吸油材料萃取水面浮油和三维荧光光谱法，能快速追溯地表水表面浮油的构成及来源比例，如汽车产业、机械产业、餐饮行业等，可为地表水油类污染控制与治理提供理论依据，也可应用于突发性油类泄漏的应急监测。
附图说明
图1为本发明对地表水表面浮油快速溯源的方法的操作步骤流程图；
图2为浓度为10ppm汽油标准品的三维荧光光谱图；
图3为浓度为5ppm柴油标准品的三维荧光光谱图；
图4为浓度为5ppm废机油标准品的三维荧光光谱图；
图5为浓度为1000ppm植物油标准品的三维荧光光谱图；
图6为四种油类的配比组合进行PARAFAC分析后解析出的6个组分，其中C1代表植物油特征峰，可能的显色物质是生育酚、生育三烯酚类及其衍生物；C2代表柴油特征峰，但受到废机油影响，可能的显色物质是萘、芴类及其衍生物；C3代表柴油特征峰，但受到废机油影响，可能的显色物质是二苯并噻吩类及其衍生物；C4代表废机油特征峰，可能的显色物质是苯并[a]蒽、菲、蒽类及其衍生物；C5代表植物油特征峰，可能的显色物质是亚麻酸类三烯酸及其衍生物；C6代表汽油特征峰，但受到柴油、废机油的影响，可能的显色物质是苯系物；
图7为应用实例中T2、T3、T4和T5具有代表性的实际样品的三维荧光光谱图；
图8为EEM与GC-MS油类鉴别结果的相关性分析图，黑色实线是校正样本集中EEM与GC-MS油类鉴别结果的线性拟合，灰色区域为95%的置信区间；蓝色散点为实际样品的EEM与GC-MS油类鉴别结果，其中删去部分负值点；a为汽油，b为柴油，c为废机油，d为植物油。
具体实施方式
以下结合附图实施例对本发明作进一步详细描述。
具体实施例
基于三维荧光光谱法对地表水表面浮油快速溯源的方法，如图1所示，包括以下步骤：
1、样品前处理
A．地表水表面浮油萃取：将聚丙烯复合吸油材料放置于受油类污染的水体表面，对表面浮油进行萃取后，浸没于200 mL的有机溶剂中，超声15 min，使吸油材料上萃取的油类污染物充分溶解于有机溶剂中，即得到待测样品；将干净的聚丙烯复合吸油材料浸没于相同的有机溶剂超声15min，得到的有机溶液作为空白样品；
B.数据采集处理：测定待测样品和空白样品的三维荧光光谱，将待测样品荧光数据扣除空白样品荧光数据以除去拉曼散射效应，将瑞利散射线的荧光强度设定为缺失，并将荧光光谱上发射波长小于激发波长的三角形区域数据设置为零，得到待测样品三维荧光光谱数据；
2、模型建立
A．校正样本集数据库建立：将95#汽油、0#柴油、废机油、市售色拉油溶于有机溶剂，并按3:5:40:1000, 5:2:70:5000, 5:3:10:2000, 5:5:30:500, 5:6:40:3000, 8:3:50:500, 8:6:30:2000, 10:8:30:5000, 15:2:30:1000和15:8:10:3000配制混合标准样品。将配制完成的所有混合样品充分混匀后测定三维荧光光谱，并测定有机溶剂的三维荧光光谱作为空白样品；将混合样品荧光数据扣除空白样品荧光数据以除去拉曼散射效应，将瑞利散射线的荧光强度设定为缺失，并将荧光光谱上发射波长小于激发波长的三角形区域数据设置为零，得到校正样本集三维荧光光谱数据；具体如图2、图3、图4和图5所示，根据汽油、柴油、废机油、市售色拉油几种油类标准品的三维荧光光谱，考虑到仪器的检测限和特征峰荧光峰的强度，配制浓度范围为汽油3-15ppm，柴油2-10ppm，废机油2-70ppm，植物油100-5000ppm（此处单位ppm均为体积比），混合溶液79份（分别按3:5:40:1000, 5:2:70:5000, 5:3:10:2000, 5:5:30:500, 5:6:40:3000, 8:3:50:500, 8:6:30:2000, 10:8:30:5000, 15:2:30:1000和15:8:10:3000的的比例配制混合标准样品，比例选择可由油类在水体中赋存含量经验值确定），在特定的三维荧光扫描条件下：日立F-4600荧光光度计，激发波长220-450nm，扫描间隔5nm，发射波长260-600nm，扫描间隔1nm，狭缝宽度5nm，扫描速度2400nm·min-1，进行扫描，获得校正样本集的三维荧光光谱数据库；
B．分析模型建立：利用Matlab软件中的平行因子（PARAFAC）算法工具箱，对校正样本集三维荧光光谱数据进行解析，得到可指示四种油类的荧光光谱特征峰，并建立基于EEM的定量回归模型；具体为将各组分与几种油类标准品的三维荧光光谱图进行对比，确定各组分代表的油类及可能的显色物质，如图6所示，C1代表植物油特征峰，可能的显色物质是生育酚、生育三烯酚类及其衍生物；C2代表柴油特征峰，但受到废机油影响，可能的显色物质是萘、芴类及其衍生物；C3代表柴油特征峰，但受到废机油影响，可能的显色物质是二苯并噻吩类及其衍生物；C4代表废机油特征峰，可能的显色物质是苯并[a]蒽、菲、蒽类及其衍生物；C5代表植物油特征峰，可能的显色物质是亚麻酸类三烯酸及其衍生物；C6代表汽油特征峰，但受到柴油、废机油的影响，可能的显色物质是苯系物。将各组分的荧光强度值与对应油类的浓度值进行线性回归建模，获得的响应参数如表1所示，考虑到汽油、柴油的特征峰受到干扰的情况，将汽油、柴油浓度与几个相关组分进行二元一次以及三元一次方程拟合建模。
表1几种油类基于EEM的定量回归模型
Figure 111222DEST_PATH_IMAGE018
。
3、油类污染物类型和比例的鉴别
在Matlab软件中将待测样品三维荧光光谱数据与校正样本集三维荧光光谱数据进行PARAFAC解析，根据解析出的荧光光谱特征峰鉴别待测样品中油类污染物的类型，并将几个特征峰的荧光响应值代入EEM定量回归模型，根据的油类污染物浓度数据换算成几种油类污染物的比例，即获得油类污染物类型和比例，实现对地表水表面浮油快速溯源。
4、模型修正：若实际样品中油类污染物的三维荧光光谱强度超出校正样本集三维荧光光谱的检测上下限值，将对应样品的浓度稀释或浓缩若干倍，再经过步骤（3）鉴别油类污染物类型和比例。
5、GC-MS验证：用GC-MS测定校正样本集的PAHs和脂肪酸含量，选取可指示几种油类的特征PAHs和脂肪酸，建立基于GC-MS的定量回归模型，利用校正样本集和实际样品，建立EEM与GC-MS模型预测结果的相关性，评价EEM模型的油类识别效果。例如用甲苯指示汽油，用芴指示柴油，用苯并[a]蒽指示废机油，用亚麻酸指示植物油，建立基于GC-MS的定量回归模型，如表2所示。利用校正样本集和实际样品，建立EEM与GC-MS模型预测结果的相关性，评价EEM模型的油类识别效果，具体检验过程通过应用实施例说明。
表2几种油类基于GC-MS的定量回归模型
Figure 873117DEST_PATH_IMAGE019
上述PARAFAC算法是基于三线性分解理论，即假定某个激发发射波长时，某组分的荧光强度是该组分浓度及特定吸收/发射光谱性质的三线性函数，模型如下：
Figure 611266DEST_PATH_IMAGE020
式中，
Figure 927978DEST_PATH_IMAGE021
指该模型中的组分数量，可通过核一致性函数予以确定；
Figure 118788DEST_PATH_IMAGE022
是样品
Figure 936571DEST_PATH_IMAGE003
在发射波长
Figure 201330DEST_PATH_IMAGE004
，激发波长
Figure 829889DEST_PATH_IMAGE005
时的荧光强度数据，即
Figure 570312DEST_PATH_IMAGE021
的立方阵
Figure 801573DEST_PATH_IMAGE023
的构成元素；
Figure 327363DEST_PATH_IMAGE024
为因子得分，反映组分
Figure 782616DEST_PATH_IMAGE008
在样品
Figure 885701DEST_PATH_IMAGE003
中的浓度百分数，即成分矩阵
Figure 45287DEST_PATH_IMAGE009
(
Figure 612534DEST_PATH_IMAGE025
)的构成元素；
Figure 176371DEST_PATH_IMAGE026
为载荷，与组分在发射波长为
Figure 829069DEST_PATH_IMAGE004
时的荧光量子产率线性相关，即成分矩阵
Figure 277499DEST_PATH_IMAGE012
(
Figure 636936DEST_PATH_IMAGE027
)的构成元素；
Figure 699570DEST_PATH_IMAGE028
为载荷，与组分
Figure 901881DEST_PATH_IMAGE008
在激发波长为
Figure 278636DEST_PATH_IMAGE005
时的特定吸收系数成正比，即成分矩阵
Figure 554897DEST_PATH_IMAGE015
(
Figure 864131DEST_PATH_IMAGE029
)的构成元素；
Figure 429104DEST_PATH_IMAGE030
代表残差，包括噪声和未被建模的数据信号。它的求解是采用交替最小二乘算法来缩减残差平方和SSR，当SSR<10-6时，认为模型达到收敛。
应用实施例
针对受油类污染较为严重的河流，对水面漂浮明显油膜的河段进行定位和采样，一共选取13个采样点，采样点名称记为T1-T13。将干净的吸油材料放置于水面油膜处，使其充分吸附浮油，用锡箔纸包裹保存。将吸附水面油膜的吸油材料浸没于一定体积的有机溶剂中，超声15min，得到待测样品；将干净的吸油材料按相同方法处理，得到空白。将样品加入石英比色皿中，置于日立F-4600荧光光度计中，设置激发波长220-450nm，扫描间隔5nm，发射波长260-600nm，扫描间隔1nm，狭缝宽度5nm，扫描速度2400nm·min-1，对样品进行扫描，获得样品和空白的荧光数据。部分典型样品的三维荧光光谱如图7所示，可见实际样品的三维荧光图谱不受地表水中溶解性有机物的干扰，进一步证明了本发明的采样方法具有良好的抗干扰性，实际应用性强。在Matlab中用PARAFAC算法工具箱对校正样本集和样品的光谱数据进行解析，选择结果中符合油类标准品特征荧光光谱峰位置的组分，将其对应的荧光强度数据导出，代入EEM定量回归模型，计算几种油类的占比，进一步分析油类污染物构成及来源，如表3所示。
表3受油类污染河段的水面浮油分析溯源结果
Figure 468604DEST_PATH_IMAGE031
由表3可知，汽油、植物油在地表水浮油污染中较难被检测到，这是因为汽油属于轻质油，包含大量的高挥发性的短链饱和烃以及苯系物，经过物理蒸发、风化等过程，70%以上的汽油几乎完全损失；至于植物油，因为城市的生活污水收集***日趋完善，餐厨废水的直排现象得到有效治理，因而地表水浮油中植物油的检出率不高，但是值得注意的是浮油中植物油的检出量往往高于其他油类，这说明餐厨废水的泄漏、偷排通常具有集中性和持续性。柴油和机油几乎在所有实际浮油样品中都有一定量的检出，说明加油站、道路施工、机械产业、汽车行业等都可能是潜在的泄漏源，此外，路面油污可能通过地表径流进入水体，造成地表水油类污染。
进一步用GC-MS验证本发明的油类鉴别效果，如图8所示，在校正样本集中，EEM与GC-MS汽油和柴油鉴别结果的相关性分析图具有以下特征：（1）斜率接近于1；（2）截距接近于0（植物油鉴别结果的截距略大，这是由于植物油的鉴别浓度范围较高所导致）；（3）R2>0.85，p<0.05。这说明EEM与GC-MS模型的油类鉴别结果在校正样本集中具有良好的一致性，且石油类产品的预测准确度略高于植物油。对于实际样品，GC-MS模型再次验证了汽油在地表水浮油中难检出的特性；柴油、机油的鉴别结果密集分布于拟合线两侧，说明在实际地表水浮油样本中，EEM模型对柴油、机油类污染物也有较好的预测性；GC-MS模型对植物油的鉴别结果也证实了目前仍有部分餐厨废水直排入河，EEM模型可以有效指示餐厨废水的潜在输入。
由此可见，本发明开发的集采样、分析、识别于一体的地表水浮油快速溯源技术能够有效应用于实际水体，具有廉价、快速、省时、环保等优点，识别结果的准确度高，切实解决了地表水中复合油类污染难以追溯来源、准确识别的现实需求，为地表水油类污染控制与治理，或突发性油类泄漏提供了技术支持，具有广阔的应用前景。
上述说明并非对本发明的限制，本发明也并不限于上述举例。本技术领域的普通技术人员在本发明的实质范围内，做出的变化、改型、添加或替换，也应属于本发明的保护范围。

Claims (4)

1.基于三维荧光光谱法对地表水表面浮油快速溯源的方法，其特征在于包括以下步骤：
（1）样品前处理
A．地表水表面浮油萃取：将聚丙烯复合吸油材料放置于受油类污染的水体表面，对表面浮油进行萃取后，浸没于有机溶剂中，超声15 min，使吸油材料上萃取的油类污染物充分溶解于有机溶剂中，即得到待测样品；将干净的聚丙烯复合吸油材料浸没于相同的有机溶剂超声15min，得到的有机溶液作为空白样品；
B.数据采集处理：测定待测样品和空白样品的三维荧光光谱，将待测样品荧光数据扣除空白样品荧光数据以除去拉曼散射效应，将瑞利散射线的荧光强度设定为缺失，并将荧光光谱上发射波长小于激发波长的三角形区域数据设置为零，得到待测样品三维荧光光谱数据；
（2）识别模型建立
A．校正样本集数据库建立：将95#汽油、0#柴油、废机油、市售色拉油溶于有机溶剂配制混合标准样品，将配制完成的所有混合样品充分混匀后测定三维荧光光谱，并测定有机溶剂的三维荧光光谱作为空白样品；将混合样品荧光数据扣除空白样品荧光数据以除去拉曼散射效应，将瑞利散射线的荧光强度设定为缺失，并将荧光光谱上发射波长小于激发波长的三角形区域数据设置为零，得到校正样本集三维荧光光谱数据库；
B．分析模型建立：利用Matlab软件中的平行因子算法工具箱，对校正样本集三维荧光光谱数据进行解析，得到可指示四种油类的荧光光谱特征峰，并建立基于EEM的定量回归模型；
（3）油类污染物类型和比例的鉴别
在Matlab软件中将待测样品三维荧光光谱数据与校正样本集三维荧光光谱数据进行PARAFAC解析，根据解析出的荧光光谱特征峰鉴别待测样品中油类污染物的类型，并将几个特征峰的荧光响应值代入EEM定量回归模型，根据的油类污染物浓度数据换算成几种油类污染物的比例，即获得油类污染物类型和比例，实现对地表水表面浮油快速溯源;
（4）模型修正：若实际样品中油类污染物的三维荧光光谱强度超出校正样本集三维荧光光谱的检测上下限值，将对应样品的浓度稀释或浓缩若干倍，再经过步骤（3）鉴别油类污染物类型和比例。
2.根据权利要求1所述的基于三维荧光光谱法对地表水表面浮油快速溯源的方法，其特征在于：所述步骤（1）中的三维荧光测定扫描条件如下：日立F-4600荧光光度计，激发波长220-450nm，扫描间隔5nm，发射波长260-600nm，扫描间隔1nm，狭缝宽度5nm，扫描速度2400nm·min-1。
3.根据权利要求1所述的基于三维荧光光谱法对地表水表面浮油快速溯源的方法，其特征在于：所述步骤（2）中将95#汽油、0#柴油、废机油、市售色拉油分别溶于有机溶剂，配制浓度范围为汽油3-15ppm，柴油2-10ppm，废机油2-70ppm，植物油100-5000ppm，并分别按3:5:40:1000, 5:2:70:5000, 5:3:10:2000, 5:5:30:500, 5:6:40:3000, 8:3:50:500, 8:6:30:2000, 10:8:30:5000, 15:2:30:1000和15:8:10:3000的比例配制混合标准样品。
4.根据权利要求1所述的基于三维荧光光谱法对地表水表面浮油快速溯源的方法，其特征在于：所述步骤（4）中的PARAFAC算法是基于三线性分解理论，即假定某个激发发射波长时，某组分的荧光强度是该组分浓度及特定吸收/发射光谱性质的三线性函数，模型如下：
Figure DEST_PATH_IMAGE001
式中，
Figure DEST_PATH_IMAGE002
指该模型中的组分数量，可通过核一致性函数予以确定；
Figure DEST_PATH_IMAGE003
是样品
Figure DEST_PATH_IMAGE004
在发射波长
Figure DEST_PATH_IMAGE005
，激发波长
Figure DEST_PATH_IMAGE006
时的荧光强度数据，即
Figure 614712DEST_PATH_IMAGE002
的立方阵
Figure DEST_PATH_IMAGE007
的构成元素；
Figure DEST_PATH_IMAGE008
为因子得分，反映组分
Figure DEST_PATH_IMAGE009
在样品
Figure 797432DEST_PATH_IMAGE004
中的浓度百分数，即成分矩阵
Figure DEST_PATH_IMAGE010
(
Figure DEST_PATH_IMAGE011
)的构成元素；
Figure DEST_PATH_IMAGE012
为载荷，与组分在发射波长为
Figure 390218DEST_PATH_IMAGE005
时的荧光量子产率线性相关，即成分矩阵
Figure DEST_PATH_IMAGE013
(
Figure DEST_PATH_IMAGE014
)的构成元素；
Figure DEST_PATH_IMAGE015
为载荷，与组分
Figure 113323DEST_PATH_IMAGE009
在激发波长为
Figure 268974DEST_PATH_IMAGE006
时的特定吸收系数成正比，即成分矩阵
Figure DEST_PATH_IMAGE016
(
Figure DEST_PATH_IMAGE017
)的构成元素；
Figure DEST_PATH_IMAGE018
代表残差，包括噪声和未被建模的数据信号。
CN202210419638.3A 2022-04-21 2022-04-21 基于三维荧光光谱法对地表水表面浮油快速溯源的方法 Pending CN114878528A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210419638.3A CN114878528A (zh) 2022-04-21 2022-04-21 基于三维荧光光谱法对地表水表面浮油快速溯源的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210419638.3A CN114878528A (zh) 2022-04-21 2022-04-21 基于三维荧光光谱法对地表水表面浮油快速溯源的方法

Publications (1)

Publication Number Publication Date
CN114878528A true CN114878528A (zh) 2022-08-09

Family

ID=82670919

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210419638.3A Pending CN114878528A (zh) 2022-04-21 2022-04-21 基于三维荧光光谱法对地表水表面浮油快速溯源的方法

Country Status (1)

Country Link
CN (1) CN114878528A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115219472A (zh) * 2022-08-12 2022-10-21 生态环境部华南环境科学研究所(生态环境部生态环境应急研究所) 一种定量识别混合水体多污染源的方法及***

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN2093840U (zh) * 1990-12-20 1992-01-22 上海第三钢铁厂 自航式浮油收集器
CN101458213A (zh) * 2008-12-23 2009-06-17 潍坊学院 海洋溢油的浓度辅助参量荧光光谱油种鉴别方法
CN101756487A (zh) * 2010-02-02 2010-06-30 天津汉海环保设备有限公司 用于从水中和水面提取分离油品设备的粘油毛刷
CN103118530A (zh) * 2010-06-17 2013-05-22 艾乐智风险***有限公司 用于收集物质的改良的低能***
CN105699345A (zh) * 2016-01-25 2016-06-22 耿春茂 一种三维荧光光谱结合parafac算法测定污染物的方法
CN107561046A (zh) * 2017-08-28 2018-01-09 常州大学 一种基于荧光水纹的污水厂尾水排放实时监测方法与***
CN111562242A (zh) * 2020-05-09 2020-08-21 同济大学 一种城市排水***的雨天溢流污水来源的快速识别方法
CN113916847A (zh) * 2021-07-20 2022-01-11 江苏省扬州环境监测中心 一种基于光谱技术和线性支持向量算法的水质检测方法
CN114298205A (zh) * 2021-12-24 2022-04-08 燕山大学 一种石油类油种识别方法及***

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN2093840U (zh) * 1990-12-20 1992-01-22 上海第三钢铁厂 自航式浮油收集器
CN101458213A (zh) * 2008-12-23 2009-06-17 潍坊学院 海洋溢油的浓度辅助参量荧光光谱油种鉴别方法
CN101756487A (zh) * 2010-02-02 2010-06-30 天津汉海环保设备有限公司 用于从水中和水面提取分离油品设备的粘油毛刷
CN103118530A (zh) * 2010-06-17 2013-05-22 艾乐智风险***有限公司 用于收集物质的改良的低能***
CN105699345A (zh) * 2016-01-25 2016-06-22 耿春茂 一种三维荧光光谱结合parafac算法测定污染物的方法
CN107561046A (zh) * 2017-08-28 2018-01-09 常州大学 一种基于荧光水纹的污水厂尾水排放实时监测方法与***
CN111562242A (zh) * 2020-05-09 2020-08-21 同济大学 一种城市排水***的雨天溢流污水来源的快速识别方法
CN113916847A (zh) * 2021-07-20 2022-01-11 江苏省扬州环境监测中心 一种基于光谱技术和线性支持向量算法的水质检测方法
CN114298205A (zh) * 2021-12-24 2022-04-08 燕山大学 一种石油类油种识别方法及***

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
杨丽丽 等: "三维荧光光谱结合二阶校正法用于石油类污染物的识别和检测", 中国激光, 30 June 2013 (2013-06-30), pages 2 - 3 *
陈至坤;弭阳;沈小伟;程朋飞;: "基于PARAFAC和ART算法的油类污染物荧光检测", 激光与光电子学进展, no. 01, 17 August 2017 (2017-08-17) *
陈至坤;黄微;沈小伟;程朋飞;王福斌;: "油类污染物三维荧光光谱的瑞利散射消除方法", 中国测试, no. 11, 30 November 2018 (2018-11-30) *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115219472A (zh) * 2022-08-12 2022-10-21 生态环境部华南环境科学研究所(生态环境部生态环境应急研究所) 一种定量识别混合水体多污染源的方法及***
CN115219472B (zh) * 2022-08-12 2023-05-12 生态环境部华南环境科学研究所(生态环境部生态环境应急研究所) 一种定量识别混合水体多污染源的方法及***

Similar Documents

Publication Publication Date Title
Tang et al. Molecular compositions and optical properties of dissolved brown carbon in biomass burning, coal combustion, and vehicle emission aerosols illuminated by excitation–emission matrix spectroscopy and Fourier transform ion cyclotron resonance mass spectrometry analysis
Song et al. Molecular characterization of water-soluble humic like substances in smoke particles emitted from combustion of biomass materials and coal using ultrahigh-resolution electrospray ionization Fourier transform ion cyclotron resonance mass spectrometry
Bianco et al. Molecular characterization of cloud water samples collected at the Puy de Dome (France) by Fourier transform ion cyclotron resonance mass spectrometry
Guinan et al. Sources and geochemical constraints of polycyclic aromatic hydrocarbons (PAHs) in sediments and mussels of two Northern Irish Sea-loughs
Zhou et al. Characterization of oil components from the Deepwater Horizon oil spill in the Gulf of Mexico using fluorescence EEM and PARAFAC techniques
Maioli et al. Distribution and sources of aliphatic and polycyclic aromatic hydrocarbons in suspended particulate matter in water from two Brazilian estuarine systems
Zheng et al. Source apportionment of PM2. 5 in the southeastern United States using solvent-extractable organic compounds as tracers
Fan et al. The evolutionary behavior of chromophoric brown carbon during ozone aging of fine particles from biomass burning
Wingfors et al. Characterization of the size-distribution of aerosols and particle-bound content of oxygenated PAHs, PAHs, and n-alkanes in urban environments in Afghanistan
Sarkar et al. Origin and properties of soluble brown carbon in freshly emitted and aged ambient aerosols over an urban site in India
Jiang et al. Molecular dynamics and light absorption properties of atmospheric dissolved organic matter
Chen et al. Size‐resolved characterization of the chromophores in atmospheric particulate matter from a typical coal‐burning city in China
Yan et al. Molecular characterization of water‐soluble brown carbon chromophores in Beijing, China
Wang et al. Application of parallel factor analysis model to decompose excitation-emission matrix fluorescence spectra for characterizing sources of water-soluble brown carbon in PM2. 5
Bianco et al. Chemical characterization of cloudwater collected at Puy de Dôme by FT-ICR MS reveals the presence of SOA components
Tang et al. Measurement report: Long-emission-wavelength chromophores dominate the light absorption of brown carbon in aerosols over Bangkok: impact from biomass burning
Fu et al. Tracing the occurrence of organophosphate ester along the river flow path and textile wastewater treatment processes by using dissolved organic matters as an indicator
CN114878528A (zh) 基于三维荧光光谱法对地表水表面浮油快速溯源的方法
Choudhary et al. Aqueous-phase photochemical oxidation of water-soluble brown carbon aerosols arising from solid biomass fuel burning
Jiang et al. Chromophores and chemical composition of brown carbon characterized at an urban kerbside by excitation–emission spectroscopy and mass spectrometry
Pongpiachan Application of binary diagnostic ratios of polycyclic aromatic hydrocarbons for identification of tsunami 2004 backwash sediments in khao lak, Thailand
Geng et al. A comprehensive review on the excitation-emission matrix fluorescence spectroscopic characterization of petroleum-containing substances: principles, methods, and applications
Morrison et al. Chemical characterization of natural and anthropogenic-derived oil residues on Gulf of Mexico beaches
Wu et al. Connecting the oxidative potential of fractionated particulate matter with chromophoric substances
Tellez et al. Comparison of purge and trap GC/MS and spectrophotometry for monitoring petroleum hydrocarbon degradation in oilfield produced waters

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