水樣中的懸浮物、膠體顆粒會對紫外光產生光散射（而非吸收），導致檢測器接收的光強減弱，被誤判為有機物吸收增強，使 COD 測量值偏高。光散射的精準校正是提升 UV 法監測準確性的核心技術，具體方法如下：

光散射的影響機制

散射類型：根據顆粒尺寸與光波長的關系，分為瑞利散射（顆粒尺寸＜λ/10，如膠體）和米氏散射（顆粒尺寸≈λ，如懸浮物），兩種散射均會導致 254nm 紫外光的傳播方向改變，檢測器接收光強降低。

影響程度：散射強度與顆粒濃度（濁度）正相關，當濁度＞50NTU 時，散射導致的吸光度偏差可達 0.1Abs 以上（相當于 COD 偏差＞50mg/L），嚴重影響測量準確性。

傳統校正技術

雙波長校正法：

原理：采用 254nm（有機物吸收 + 散射）和 546nm（僅散射，有機物幾乎不吸收）雙波長測量，通過計算吸光度差值（A254 - k×A546，k 為散射校正系數）消除散射影響。

局限性：k 值為經驗系數，隨顆粒性質（如粒徑、折射率）變化，在復雜水質中校正精度有限（誤差 ±10%）。

濁度儀聯動校正法：

原理：用在線濁度儀測量水樣濁度（NTU），建立 COD 測量值與濁度的線性校正模型（COD 校正 = COD 實測 - a×NTU）。

適用場景：濁度與散射強度線性關系穩定的場景（如市政污水處理廠），需定期（每月）校準 a 值。

創新校正技術

多角度光散射補償：

設計：在流通池周圍設置多個檢測器（0°、90°、180°），0° 檢測器測量透射光（吸收 + 散射），90° 檢測器測量散射光，通過算法計算散射光對透射光的影響比例，實現精準補償。

優勢：能區分不同類型散射（瑞利 / 米氏），校正精度比雙波長法提升 50%，尤其適用于高濁度水樣（濁度＞200NTU）。

機器學習散射校正模型：

原理：收集不同濁度、不同顆粒類型水樣的 A254、散射光強、實際 COD 值數據，訓練機器學習模型（如隨機森林），模型輸入為 A254 和散射特征參數，輸出為校正后的 COD 值。

優勢：無需人工設定校正系數，自動適應復雜多變的散射場景，某應用案例顯示其校正誤差可降至 ±3% 以內。