摘要:
为了对水中的有机污染物进行绿色、快速、准确的检测, 提出了一种基于荧光多光谱融合的水质化学需氧量 (Chemical Oxygen Demand, COD) 的检测方法.实验样本为包含近岸海水和地表水在内的实际水样53份, 采用标准化学方法获取样本的化学需氧量的理化值, 利用荧光分光光度计采集样本的三维荧光光谱并对光谱数据进行处理和建模.在200~300nm (间隔5nm) 的激发波长范围内将三维光谱展开成二维的发射光谱 (发射波长范围250~500nm, 间隔2nm).采用ACO-iPLS (蚁群-区间偏最小二乘) 算法提取发射光谱特征, PSO-LSSVM (粒子群优化的最小二乘支持向量机) 算法建立预测模型, 分别建立了单激发波长下的荧光发射光谱数据预测模型、多激发波长下发射光谱的数据级融合 (LLDF) 预测模型以及多激发波长下发射光谱的特征级融合 (MLDF) 预测模型, 通过对预测效果的对比, 得出结论.实验结果表明, 对于不同激发波长下荧光发射光谱数据而言, 265nm激发光作用下的发射谱数据的预测模型最优, 其检验集决定系数RP2和外部检验均方根误差RMSEP分别为0.990 1和1.198 6mg·L-1;对于荧光多光谱数据级融合模型 (简写为:LLDF-PSO-LSSVM) 而言, 在235, 265和290nm激发光作用下的发射光谱的LLDF模型效果最优, 其检验集的Rp2和RMSEP分别为0.992 2和1.055 1mg·L-1;对于荧光多光谱特征级融合模型 (MLDF-PSO-LSSVM) 而言, 在265, 290和305nm激发光作用下的荧光发射光谱的MLDF模型效果最优, 其0.998 2, RMSEP=0.534 2mg·L-1.综合比较各类建模结果可知, MLDF-PSO-LSSVM的模型效果最优, 说明基于荧光发射光谱数据, 采用多光谱特征级融合模型检测水质COD时, 检测的精度更高, 预测效果更好.