科研之友
微信
新浪微博
Facebook
分享链接
摘要
硝酸盐氮(NO3-N)是水中“三氮”(硝酸盐氮、亚硝酸盐氮、氨氮)之一，能够反映水体受污染的程度，是水质评估的一项重要指标。水体中的硝酸盐氮浓度过高不仅会导致水环境污染加重，而且会对人畜及水产构成较大威胁。传统的硝酸盐氮检测必须先反应后测定，具有时间长、操作复杂、有二次污染等缺点。光谱法具有快速、无损、无试剂消耗等显著优点。针对硝酸盐氮难以快速检测的问题，提出了一种基于紫外吸收光谱的快速定量分析硝酸盐氮的方法。采集42份浓度为0～20 mg·L-1的硝酸盐氮标准溶液样本的紫外吸收光谱，每份样本经11次平均处理以减少仪器噪声和环境的影响。采用SPXY算法按照7∶3的比例划分训练集、测试集，对紫外吸收光谱数据使用Savitzky-Golay(SG)滤波算法进行预处理，通过10折叠交叉验证获得套索回归(lasso regression)合适的正则化参数λ=0.203 6,再使用Lasso回归在全光谱范围内筛选出与硝酸盐氮相关的光谱特征波长，将特征波长处的吸光度与样本浓度进行偏最小二乘(PLS)拟合建立硝酸盐氮的回归模型。采用此建模方法所建立的模型训练集的R2与RMSE分别为0.999 91和0.060 15 mg·L-1,测试集的R2与RMSE分别为0.999 72和0.046 91 mg·L-1。为了验证提出的SG-Lasso-PLS预测模型效果，另外建立了Lasso-PLS, SG-PCA-PLS和SG-PCA-SVR三种预测模型进行对比。验证结果表明，SG-Lasso-PLS建立的预测模型的R2和RMSE均优于其他三种预测模型。说明SG滤波能够消除光谱信号的随机噪声，提高模型的预测精度。与PCA数据降维算法相比，Lasso可实现全光谱范围内的光谱特征选择和数据降维，能有效消除光谱数据的冗余信息，提高模型的预测精度。因此，本文提出的SG-Lasso-PLS混合模型能够快速准确的对水体中的硝酸盐氮进行预测。作为硝酸盐氮浓度检测的基础研究，能为快速无污染的水质在线监测场景提供算法参考。
- 单位
