海上溢油事故不仅造成极大的石油资源浪费, 而且严重威胁生态环境。 因此, 利用荧光光谱对油膜厚度进行快速无损检测对于有效评估溢油量有重要意义。 基于激光诱导荧光(LIF)技术对海水表面0#柴油、 5#白油油膜的荧光光谱进行检测, 进而实现对油膜厚度的量化分析。 首先使用SG平滑滤波对原始光谱数据进行预处理以减少原始光谱中的背景噪声。 然后采用间隔随机蛙跳算法(IRF)结合变量子集迭代优化法(IVSO)对获取的全光谱数据进行波长选择以剔除冗余变量, 将经过二次筛选出的光谱特征波长作为偏最小二乘回归(PLS)的自变量输入数据建立油膜厚度反演模型。 该方法第一步利用IRF从全光谱数据中筛选出特征波段, 再利用IVSO对特征光谱波段组合进一步筛选出特征波长变量, 从而有效提高优选出的特征波长建立油膜厚度反演模型的预测能力和稳定性。 将IRF-IVSO与全光谱及移动窗口偏最小二乘法(MWPLS)、 间隔随机蛙跳算法(IRF)、 变量组合集群分析法(VCPA)、 变量子集迭代优化法(IVSO)四种波长优选方法进行对比, 发现IRF-IVSO筛选出0#柴油数据和5#白油数据的特征波长数量分别占全光谱数据的4.48%和19.40%。 将全光谱及上述波长优选方法筛选出的特征波长作为输入建立PLS模型进行分析讨论。 结果表明, 特征波长选择方法结合PLS所建立的不同模型预测能力和效率较全光谱有明显提高。 其中, IRF-IVSO结合PLS所建立的油膜厚度反演模型预测效果最优, 该模型可以实现对厚度分别为0.141 5～2.291 8和0.052～0.980 mm的0#柴油及5#白油油膜的有效反演, 柴油油膜测试集相关系数RP可达到0.961 1, 测试集均方根误差RMSEP为0.137 5, 白油油膜测试集相关系数RP可达到0.971 2, 测试集均方根误差RMSEP为0.079 0。 该研究表明, IRF-IVSO通过结合区间波段筛选和单一变量选择能够有效而稳定地筛选出特征波长变量, 结合PLS建立的油膜厚度反演模型能够实现可靠预测。

柴油和生物柴油混合油液三维荧光光谱中的荧光峰较多，导致混合油液的主要特征峰不明显，而且随着柴油占比的减少，三维荧光光谱的最大荧光强度位置会发生偏移，荧光强度与柴油占比不满足线性关系。因此，检测混合油液中的柴油占比较为复杂。本团队采用二维主成分分析(2DPCA)对混合油液的三维荧光光谱进行重构，重构荧光光谱中的冗余信息减少，在最佳激发波长450 nm下有能代表柴油的发射光谱(465～500 nm)。利用麻雀搜索算法(SSA)对广义回归神经网络(GRNN)进行优化，构建2DPCA-SSA-GRNN预测网络，该网络输入是训练集中的9个样本经2DPCA重构后能代表柴油的发射光谱，网络输出是柴油占比。最后利用建立的网络预测测试集中4个样本的柴油占比，柴油占比分为85.02%、73.76%、63.80%、53.37%，平均回收率为98.39%，均方根误差为0.90%，预测效果较未利用重构发射光谱的网络具有较大提升，均方误差降低了0.97个百分点，平均回收率提高了1.24个百分点。本文为优化神经网络预测物质占比提供了新方法。