为了对水中的有机污染物进行绿色、 快速、 准确的检测, 提出了一种基于荧光多光谱融合的水质化学需氧量(Chemical Oxygen Demand, COD)的检测方法。 实验样本为包含近岸海水和地表水在内的实际水样53份, 采用标准化学方法获取样本的化学需氧量的理化值, 利用荧光分光光度计采集样本的三维荧光光谱并对光谱数据进行处理和建模。 在200～300 nm(间隔5 nm)的激发波长范围内将三维光谱展开成二维的发射光谱(发射波长范围250～500 nm, 间隔2 nm)。 采用ACO-iPLS(蚁群-区间偏最小二乘)算法提取发射光谱特征, PSO-LSSVM(粒子群优化的最小二乘支持向量机)算法建立预测模型, 分别建立了单激发波长下的荧光发射光谱数据预测模型、 多激发波长下发射光谱的数据级融合(LLDF)预测模型以及多激发波长下发射光谱的特征级融合(MLDF)预测模型, 通过对预测效果的对比, 得出结论。 实验结果表明, 对于不同激发波长下荧光发射光谱数据而言, 265 nm激发光作用下的发射谱数据的预测模型最优, 其检验集决定系数R2P和外部检验均方根误差RMSEP分别为0.990 1和1.198 6 mg·L-1; 对于荧光多光谱数据级融合模型(简写为: LLDF-PSO-LSSVM)而言, 在235, 265和290 nm激发光作用下的发射光谱的LLDF模型效果最优, 其检验集的Ｒ２ｐ和RMSEP分别为0.992 2和1.055 1 mg·L-1; 对于荧光多光谱特征级融合模型(MLDF-PSO-LSSVM)而言, 在265, 290和305 nm激发光作用下的荧光发射光谱的MLDF模型效果最优, 其R2p=0.998 2, RMSEP=0.534 2 mg·L-1。 综合比较各类建模结果可知, MLDF-PSO-LSSVM的模型效果最优, 说明基于荧光发射光谱数据, 采用多光谱特征级融合模型检测水质COD时, 检测的精度更高, 预测效果更好。

提出了一种基于紫外和荧光多光谱融合的水质化学需氧量(COD)的检测方法。实验样本为包含近岸海水和地表水在内的53份水样,采用标准化学方法获取样本的COD理化值,利用紫外-可见光谱仪和荧光分光光度计采集样品的紫外吸收光谱和三维荧光光谱,对光谱数据进行处理后建模。采用蚁群-区间偏最小二乘法(ACO-iPLS)作为特征提取算法,采用粒子群优化的最小二乘支持向量机(PSO-LSSVM)算法作为建模方法,分别建立基于紫外吸收光谱数据和单激发波长下的荧光发射光谱数据的预测模型,以及紫外-荧光多光谱数据级融合模型和特征级融合模型,并对各类模型的预测效果进行对比。结果表明:基于紫外-荧光多光谱特征级融合模型的预测效果最优,该模型预测水质COD的精度更高,其校正集决定系数为0.9999,检验集的预测决定系数为0.9912,外部检验均方根误差为1.1297 mg/L。本研究为水质COD的快速检测提供了一种新的研究思路和解决方法。