近红外光谱的海水微塑料快速识别

作者：吴雪; 冯巍巍; 蔡宗岐; 王清

来源：光谱学与光谱分析, 2022, 42(11): 3501-3506.

DOI：10.3964/j.issn.1000-0593(2022)11-3501-06

• 微塑料
• 近红外光谱
• XGBoost
• SVM

光谱技术与机器学习算法结合快速识别微塑料，为微塑料的现场检测提供了极大的技术支持，是一个得到极大关注的新领域。近红外光谱检测技术具有检测速度快、灵敏度高、不损坏样品，且可以在不对样品进行预处理的情况下直接检测等特点，在化学分析、质量检测等领域广泛应用。本文基于近红外光谱检测技术，研究比较了结合Support Vector Machine(SVM)和Extreme Gradient Boosting(XGBoost)两种机器学习分类算法，构建微塑料的高速有效识别分类模型。采用微型近红外光谱仪采集了20种常见的微塑料标准样品的光谱数据，为了防止过拟合，对每种样品多次采样，共收集了1 260个微塑料样本，每个样本包含512个数据点。利用XGBoost算法进行特征重要性排序，共提取了对识别准确率影响较大的65个数据点。分别采用SVM算法和XGBoost算法对数据降维后提取的65个数据点建立微塑料快速识别模型，并运用网格搜索(GridSearchCV)对XGBoost算法影响较大的超参数进行选取，确定n＿estimators, learning＿rate, min＿child＿weigh, max＿depth, gamma的最佳超参数分别为700, 0.07, 1, 1, 0.0。为了提高模型的稳定性，识别速率和泛化能力，对模型采用10折交叉验证和混淆矩阵评估；研究结果表明，XGBoost模型对微塑料的识别准确率为97%,而SVM模型对微塑料的识别准确率为95%; XGBoost模型对微塑料识别的正确率优于SVM模型。综上所述，XGBoost模型微塑料识别整体性能优于SVM模型，为实际微塑料快速识别提供技术支撑。

• 单位
  中国科学院; 哈尔滨工业大学（威海）; 中国科学院烟台海岸带研究所; 中国科学院大学