精细全光谱结合GS-SVR的复杂水体硝酸盐分析方法研究

硝酸盐是水质健康状态评价的一个关键要素。水体中高浓度的硝酸盐会导致生物多样性剧减以及生态系统的退化,同时对人类的健康产生不可逆转的伤害。基于光学测量的水质在线监测是当前及未来水环境动态监测的发展趋势。相较于传统硝酸盐现场采样加实验室分析的测定方法,具有操作便捷,无需前处理,检测效率高,可靠性好且无污染等显著优点。由于实际水体组分的复杂性与多样性,水体参数和吸光度二者并非呈现线性相关,传统的单波长法,双波长法,偏最小二乘法等线性回归预测模型已不适用。基于此,提出一种精细全光谱结合可变步长网格搜索,优化支持向量回归(GS-SVR)的水体硝酸盐分析方法。同时与陕西科技大学化学与化工学院合作,采用标准的硝酸盐溶液,铂-钴标准溶液,福尔马肼标准混悬液根据实验要求配制了不同浓度梯度94组溶液样本。首先将采集到的透射率光谱数据完成吸光度转换,并使用Kennard-Stone方法将94个溶液样本划分为80个训练集和14个测试集。其次使用改进的GS算法结合交叉验证,通过多次迭代,减小搜索范围、改变搜索步长对SVR进行参数寻优,并将最优惩罚参数C和核函数宽度σ用于训练集中进行模型建立,最后用所建立的模型对测试集进行浓度预测。并将预测效果与反向传播神经网络(BPNN),SVR,GS-SVR,粒子群算法优化SVR(PSO-SVR),遗传算法优化SVR(GA-SVR)的模型预测结果比较,结果显示,提出的算法模型相关系数R2=0.993 5,预测均方根误差RMSEP=0.043 5,最优参数C和σ组合为(512,0.044 2),平均训练时间为13 s。相较于上述五种预测模型,R2分别提高了1.22%,11.66%,0.78%,0.74%和0.77%,训练效率分别提升4.15倍(BPNN),8.30倍(GS-SVR),21.38倍(PSO-SVR),10.23倍(GA-SVR)。模型的预测精度以及训练效率方面都取得了很大的提升,为复杂水体硝酸盐浓度的快速实时在线监测提供了一种新的方法。同时,该方法具备一定的普适性,也适用于其他水质参数预测模型的建立。