三维荧光光谱结合组合算法在环境污染监测中的应用:油种鉴别与定量分析

针对油类污染物成分复杂,光谱重叠难以识别的问题,提出采用三维荧光光谱结合组合算法对油类污染物进行了定性和定量分析。荧光光谱中存在的瑞利散射对三维荧光光谱检测有较大影响,提出了缺损数据修复-主成分分析（MDR-PCA）方法对矿物油三维荧光光谱的瑞利散射进行处理,原理是单个荧光光谱激发发射矩阵符合双线性,可用主成分分析（PCA）法来解析。MDR-PCA法首先将荧光数据中的散射干扰数据全部扣除,之后利用主成分分析（PCA）迭代过程对扣除数据进行重构修复后补全数据。该方法在消除散射干扰的同时充分利用了荧光物质光谱矩阵中的有效信息。利用不同浓度的矿物油的激发-发射荧光光谱构建了三维数据。样品数据来源于柴油、汽油和煤油三种溶质的四氯化碳溶液。常用于三维荧光光谱数据分析的三线性分解算法有平行因子分析（PARAFAC）、交替三线性分解（ATLD）和自加权交替三线性分解算法（SWATLD）等。PARAFAC基于严格意义上的最小二乘原则,具有抗噪声强、模型稳定、微小预期误差等优点,可以实现三维数据阵列的最佳拟合,但该算法收敛速度较慢,对组分数敏感。ATLD算法通过提取对角主元和切尾奇异值求解广义逆,极大提高了收敛速度并降低了对组分数的敏感度,从而实现三线性分解。然而,取对角元时易使ATLD方法对噪声敏感。SWATLD算法既继承了对组分数不敏感、收敛速度快等优点,又降低了噪声水平的影响。但是在抗共线程度方面,SWATLD算法在抵抗共线性程度方面的能力较ATLD略有降低。基于此,论文根据三线性分解算法迭代过程中损失函数的变化,对迭代过程进行划分,提出了三线性迭代方法的组合算法（algorithm combination methodology, ACM）—将ATLD, SWATLD与PARAFAC组合在一起,充分发挥各算法的优点,实现二阶校正算法的优势互补。采用ACM算法对两组分及三组分矿物油样品的三维荧光光谱数据进行解析,并对三种矿物油的回收率进行了计算。柴油的回收率为97.08%,汽油的回收率为97.34%,煤油的回收率为97.25%。解析光谱和回收率表明,ACM算法能够实现油类污染物的种类识别及浓度测量。