1 中国科学院西安光学精密机械研究所光谱成像技术重点实验室, 陕西 西安 710119
3 深圳市盐田港集团有限公司, 广东 深圳 518081
水是一种有限的资源, 对农业、 工业乃至人类的生存都是必不可少的, 良好的水环境是可持续发展的重要保障。 对水质信息的科学监测, 是实现水资源优化配置与高效利用的基础。 联合国环境署(UNEP)与世界卫生组织(WHO)指出, 应当加强发展中国家的水质监测网络, 包括数据质量的保证和分析能力的提高。 光谱法作为一种新兴的水质分析方法, 相比传统的化学水质监测方法, 具有“响应速度快、 多参数同步、 绿色无污染”的特点。 传统单波长、 多波长的线性模型依赖于水体对特定波长的吸收特征, 不适用于多组分混合溶液且普适性较差。 因此, 提出了一种基于IERT的非线性全光谱定量分析算法, 建立适用于多组分混合溶液浓度预测模型, 达到利用全光谱信息来预测浓度信息的目的。 利用实验室配置的COD, BOD5和TOC多组分混合溶液与NO3-N、 浊度、 色度多组分混合溶液作为实验样本, 使用光谱仪采集样本的光谱曲线, 通过全光谱数据进行浓度预测实验, 结果显示, 对于COD, BOD5和TOC多组分混合溶液, 本算法对于三种组分的决定系数(R2)分别为0.999 3, 0.991 4和0.999 3, 均方根误差(RMSE)分别为0.024 4, 0.057 7和0.000 4; 对于NO3-N、 浊度、 色度多组分混合溶液, 决定系数(R2)分别为0.983 4, 0.868 4和0.981 0, 均方根误差(RMSE)分别为0.100 5, 0.326 4和0.120 2。 通过对比本算法与偏最小二乘(PLS)、 支持向量机回归(SVR)、 决策树(DT)、 极端随机树(ERT)对于同一组数据的实验结果, 表明: 在两组多组分混合溶液的实验中, 本算法对于其中各组分的决定系数(R2)均为最优, 相比于其他对比算法均方根误差(RMSE)均有大幅减少。 本算法可利用光谱信息对多组分混合溶液进行定量分析, 在计算时间相当的情况下, 可有效的提高浓度预测精度, 减少定量分析的均方根误差, 可为光谱法水质监测提供一种新的有效途径。
光谱法水质监测 紫外可见光谱技术 光谱定量分析 多组分混合溶液 极端随机树 Spectroscopic water quality monitoring Ultraviolet visible spectroscopy technology Spectral quantitative analysis Multi-component mixed solution Extreme random trees 光谱学与光谱分析
2021, 41(12): 3922
1 中国科学院西安光学精密机械研究所, 陕西 西安 710119
2 中国科学院大学, 北京 100049
水中过量的硝酸盐会造成部分水生生物难以存活、 引发人类尤其是婴儿患病等危害, 因此硝酸盐浓度成为水质检测中的一项重要指标。 传统的硝酸盐浓度测量方法操作复杂、 反应缓慢, 近年许多研究人员开始通过紫外可见（UV-Vis）光谱技术结合人工神经网络（ANN）的方法对水中硝酸盐的含量进行测量。 提出了一种将流形学习（manifold learning）方法中的局部线性嵌入（LLE）与反向传播神经网络（BPNN）相结合的建模方法, 用以得到硝酸盐光谱曲线与浓度间的关系, 实现对青岛市崂山区小麦岛海水中硝酸盐浓度快速准确的定量分析。 实验选取了过滤后的小麦岛海水配置59组不同浓度的加标溶液, 采用实验室自主研制的光谱分析仪采集这些样本的光谱测量值, 通过标准正态变换（SNV）方法对测得硝酸盐溶液的光谱数据进行校正处理, 有效降低了由仪器本身或环境带来的噪声影响; 选取预处理后的光谱数据的前1 500维处理后进行对比实验, 以解决使用BPNN对全部2 048维数据建模时内存不足的问题, 再通过网格搜索结合十折交叉验证的方法优化LLE中的邻近点数k和嵌入维数d, 得到最优参数值k=15, d=3, 实现对实验数据的降维处理; 通过BPNN将降维后的训练集光谱信息与其对应的浓度信息进行建模, 实现对预测集硝酸盐浓度定量分析, 引入决定系数（R2）和预测均方根误差（RMSEP）评价建模效果, 与直接使用BPNN建模预测的结果比较, 改进方法的R2由0.926 3提升至0.992 8, RMSEP由0.442 5下降到0.280 4, 建模预测程序的运行时间由327 s缩短至0.5 s。 采用这59组数据的全部2 048维进行LLE-BPNN建模时, 得到R2=0.995 7, RMSEP=0.136 5, 在用时相近的前提下, 相比仅使用前1 500维时的建模精度更好。 分析结果表明, LLE-BPNN的方法可实现对海水中硝酸盐浓度的快速预测, 使预测精度得到显著提升, 同时能大幅降低预测时间。
硝酸盐浓度 紫外可见光谱技术 局部线性嵌入 反向传播神经网络 Nitrate concentration Ultraviolet/visible spectral technology Locally linear embedding Back propagation neural network 光谱学与光谱分析
2019, 39(5): 1503
