污水处理厂二级出水中含有的微量有机污染物（TrOCs）即使在低至ng/L-μg/L的浓度量级仍可能对生态环境和人类健康构成潜在风险，污水的深度处理势在必行。高级氧化工艺（AOPs）是削减水中TrOCs的主流深度处理技术。污水水质一般波动性强，基于TrOCs去除效果的动态反馈对AOPs氧化剂投量等工艺参数进行实时调整是降低AOPs运行成本的理想策略，然而，传统的TrOCs分析监测依赖于液相色谱-质谱联用等大型分析仪器，对人员专业技能要求高，样品前处理复杂、分析过程耗时费力，难以用于实现AOPs过程中TrOCs去除情况的快速动态反馈。开发简便、快速、智能的TrOCs去除率预测或估测方法对发展高效经济的污水深度处理技术具有重要意义。
光谱法是快速的水质分析方法，荧光光谱可获取水中溶解性有机质（DOM）的丰富信息。研究表明，通过利用DOM与TrOCs在结构与削减规律方面的相似性，可将荧光光谱总荧光或平行因子分析获得的荧光组分强度作为替代参数来估计AOPs处理过程中TrOCs的去除情况。然而这类采用单一变量的线性回归模型预测精度尚不理想，泛化能力较弱。对荧光光谱中蕴含的有效信息识别不精准是导致上述问题的主要原因。
由数据驱动的机器学习方法可从复杂数据中学习规律，因而，有望通过机器学习荧光光谱构建估测TrOCs去除率的非线性模型，提高模型的精度和可泛化性，从而实现AOPs处理过程中TrOCs去除率的动态反馈。近期，南京大学环境学院单超副教授、潘丙才教授课题组通过机器学习废水荧光光谱数据建立了一种多目标回归随机森林（MORF）模型用于预测UV/H2O2废水深度过程中TrOCs的去除率。与传统的线性回归模型相比，MORF模型的预测准确度更高（R2 = 0.83~0.95，相较前者可提高0.15左右）。通过MORF模型的特征重要性分析，识别了不同类型TrOCs在光谱中的高贡献区域，发现荧光区Ex(235-275 nm)/Em(325-400 nm)和Ex(240-360 nm)/Em(325-450 nm)分别与光敏/•OH敏感的TrOCs和仅•OH敏感的TrOCs的去除高度相关，此外，对研究的12种微污染物也通过特征重要性分析识别了其各自的高贡献荧光区域。不同类型和单独种类TrOCs高贡献荧光区域的锁定使得预测TrOCs去除所需扫描荧光光谱的范围得以大幅缩小，从而可显著压缩未来在线动态反馈应用场景中荧光数据采集的必需时间。研究提供了一种机器学习荧光光谱预测AOPs处理过程中TrOCs去除率的方法，可为精准高效的深度水处理技术创新和发展提供策略参考和方法学支持。
上述研究成果以“Machine learning modeling of fluorescence spectral data for prediction of trace organic contaminant removal during UV/H2O2 treatment of wastewater”为题，近日在线发表于环境领域著名学术期刊Water Research（https://doi.org/10.1016/j.watres.2024.121484）。南京大学环境学院博士生杨伊为论文第一作者，单超副教授为通讯作者，潘丙才教授为共同作者。研究得到了国家重点研发计划项目和国家自然科学基金的资助。
