CN108982402A - 一种同类有机污染物对环境危害性的预测方法及系统 - Google Patents
一种同类有机污染物对环境危害性的预测方法及系统 Download PDFInfo
- Publication number
- CN108982402A CN108982402A CN201810860854.5A CN201810860854A CN108982402A CN 108982402 A CN108982402 A CN 108982402A CN 201810860854 A CN201810860854 A CN 201810860854A CN 108982402 A CN108982402 A CN 108982402A
- Authority
- CN
- China
- Prior art keywords
- environmental hazard
- value
- organic pollutant
- index
- indices
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000007613 environmental effect Effects 0.000 title claims abstract description 134
- 239000002957 persistent organic pollutant Substances 0.000 title claims abstract description 112
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000011156 evaluation Methods 0.000 claims abstract description 65
- 238000001845 vibrational spectrum Methods 0.000 claims abstract description 54
- 238000001514 detection method Methods 0.000 claims abstract description 53
- 238000004566 IR spectroscopy Methods 0.000 claims description 24
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000001228 spectrum Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 4
- 125000001424 substituent group Chemical group 0.000 claims description 4
- 239000002243 precursor Substances 0.000 claims description 3
- 230000004069 differentiation Effects 0.000 claims 1
- 238000007689 inspection Methods 0.000 claims 1
- 239000003344 environmental pollutant Substances 0.000 description 11
- 231100000719 pollutant Toxicity 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 238000011109 contamination Methods 0.000 description 5
- 230000002688 persistence Effects 0.000 description 5
- 125000004429 atom Chemical group 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 231100000704 bioconcentration Toxicity 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000013508 migration Methods 0.000 description 3
- 230000005012 migration Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 229940124307 fluoroquinolone Drugs 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 150000003071 polychlorinated biphenyls Chemical class 0.000 description 2
- JTPNRXUCIXHOKM-UHFFFAOYSA-N 1-chloronaphthalene Chemical compound C1=CC=C2C(Cl)=CC=CC2=C1 JTPNRXUCIXHOKM-UHFFFAOYSA-N 0.000 description 1
- 125000001246 bromo group Chemical class Br* 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000000599 controlled substance Substances 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- USIUVYZYUHIAEV-UHFFFAOYSA-N diphenyl ether Chemical class C=1C=CC=CC=1OC1=CC=CC=C1 USIUVYZYUHIAEV-UHFFFAOYSA-N 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000005416 organic matter Substances 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3504—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing gases, e.g. multi-gas analysis
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供了一种同类有机污染物对环境危害性的预测方法及系统，所述预测方法包含：获取复数个同一类别的有机污染物，根据所述有机污染物的各同系物获得预定检测指标项；通过均方差法分别计算获得所述预定检测指标项中各项指标的权重值，以及根据各项指标中环境危害最大的同系物的指标值获得各项指标的标准值；根据所述各项指标的权重值和所述各项指标的标准值计算获得环境危害性综合评价值；获得所述有机污染物的红外振动光谱，根据所述红外振动光谱和所述环境危害性综合评价值获得环境危害性预测模型；根据所述环境危害性预测模型及待检测的同一类别的有机污染物的红外振动光谱，计算获得待检测的同一类别的有机污染物对环境的危害情况。
Description
技术领域
本发明涉及环境治理领域，尤指一种同类有机污染物对环境危害性的预测方法及系统。
背景技术
环境中已有的有机污染物的种类众多，尤其以持久性有机污染物对环境所产生的的环境危害性更为显著，这主要体现在生物毒性、环境持久性、生物富集性、长距离迁移性这四个方面。存在于环境中的有机污染物往往以类别存在，利用多氯联苯、多溴联苯醚、多氯萘、氟喹诺酮类药物等，每类中的部分有机污染物同系物对环境或人体所产生的危害性较为显著从而属于受控药物。因此，对每一种同系物都开展生物毒性、环境持久性等物理化学性质的实验检测既费事费力又不现实，并且已有研究内容不仅缺乏足够的各种有机污染物的各项理化性质实验数据，也缺少对各种有机污染物所产生的环境影响进行整体性的评价研究，更加缺少一个快速有效的评价方法或手段。
目前对于有机污染物的红外光谱检测多局限在检测待测样品中是否含有待检有机污染物，检测得到的红外光谱信息也只是单纯用来定量定性检测有机物种类及浓度，尚没有开展与待测有机物自身理化性质间的内在相关性分析。如何有效区分开红外振动光谱相近的有机污染物，以及提取影响有机污染物环境行为或理化性质的特征红外光谱信息，从而通过红外光谱检测快速评价待测有机污染物的环境行为及危害具有现实研究意义。
发明内容
本发明目的在于提供一种构建可量化的环境危害性评价指标，定量地评价同一类有机污染物所产生的的环境危害性程度的预测方法及系统。
为达上述目的，本发明具体提供一种同类有机污染物对环境危害性的预测方法，所述预测方法包含：获取复数个同一类别的有机污染物，根据所述有机污染物的各同系物获得预定检测指标项；通过均方差法分别计算获得所述预定检测指标项中各项指标的权重值，以及根据各项指标中环境危害最大的同系物的指标值获得各项指标的标准值；根据所述各项指标的权重值和所述各项指标的标准值计算获得环境危害性综合评价值；获得所述有机污染物的红外振动光谱，根据所述红外振动光谱和所述环境危害性综合评价值获得环境危害性预测模型；根据所述环境危害性预测模型及待检测的同一类别的有机污染物的红外振动光谱，计算获得待检测的同一类别的有机污染物对环境的危害情况。
在上述同类有机污染物对环境危害性的预测方法中，优选的，所述复数个同一类别的有机污染物为具有相同的原子个数和母体结构的有机污染物，或具有相同的结构母体但母体上链接不同的取代基的有机污染物。
在上述同类有机污染物对环境危害性的预测方法中，优选的，根据所述有机污染物类别获得预定检测指标项包含：获取所述有机污染物的各同系物的预定检测项的指标值；根据预定检测项的指标值与环境危害性的对应关系对预定检测项的的指标值分别进行排序预定检测项的评价数值；通过极差法对所述评价数值做标准化处理，获得预定检测指标项。
在上述同类有机污染物对环境危害性的预测方法中，优选的，通过极差法对所述评价数值做标准化处理，获得预定检测指标项包含：通过以下公式对所述评价数值做标准化处理：yij＝(xij-xjmin)/(xjmax-xjmin)；
在上式中，xij和yij分别为第j个指标在第i种同系物中的原始数据及标准化后数据；xjmin与xjmax分别为第j个指标的最大评价数值与最小评价数值；j为1，2，3，4…，m；i＝1，2，3，…，n。
在上述同类有机污染物对环境危害性的预测方法中，优选的，通过均方差法分别计算获得所述预定检测指标项中各项指标的权重值包含：通过以下公式计算获得所述预定检测指标项中各项指标的权重值：
在上式中，ωj为第j个指标的权重值；Ej为第j个指标的平均值；σj为第j个指标的标准偏差值；j为1，2，3，4…，m。
在上述同类有机污染物对环境危害性的预测方法中，优选的，所述预定检测指标项中各项指标的平均值及标准偏差值通过以下公式计算获得：
在上式中，yij为第j个指标在第i种同系物中的标准化后数据；Ej为第j个指标的平均值；σj为第j个指标的标准偏差值；j为1，2，3，4…，m；i＝1，2，3，…，n。
在上述同类有机污染物对环境危害性的预测方法中，优选的，根据各项指标中环境危害最大的同系物的指标值获得各项指标的标准值包含：通过以下公式获得各项指标的标准值：
在上式中，xij为第j个指标在第i种同系物中的原始数据；Dij为第i个同系物的第j个指标相较标准值后的指标值；Xj是第j个指标的标准值；j为1，2，3，4…，m；i＝1，2，3，…，n。
在上述同类有机污染物对环境危害性的预测方法中，优选的，根据所述各项指标的权重值和所述各项指标的标准值计算获得环境危害性综合评价值包含：通过以下公式计算获得环境危害性综合评价值：
在上式中，Ai是第i个同系物的环境危害性综合评价指标值；Dij为第i个同系物的第j个指标相较标准值后的指标值；ωj为第j个指标的权重值；j为1，2，3，4…，m；i＝1，2，3，…，n。
在上述同类有机污染物对环境危害性的预测方法中，优选的，获得所述有机污染物的红外振动光谱，根据所述红外振动光谱和所述环境危害性综合评价值获得环境危害性预测模型包含：通过Gaussian软件对同一类别有机污染物的各同系物红外振动光谱的各红外振动形式进行振动归属计算和研究，获得红外振动归属结果；根据红外振动归属结果进行红外光谱依据不同振动形式的谱区分区，获得红外光谱振动谱区；根据各同系物的振动谱区光谱信息和预定阈值，通过主成分分析方法提取出对应同系物环境危害性评价指标值相关联的红外光谱振动谱区，根据所述红外光谱振动谱区与所述环境危害性综合评价值获得环境危害性预测模型。
在上述同类有机污染物对环境危害性的预测方法中，优选的，根据所述环境危害性预测模型及待检测的同一类别的有机污染物的红外振动光谱，计算获得待检测的同一类别的有机污染物对环境的危害情况还包含：通过欧式适用性域计算所述环境危害性预测模型使用的同系物的种类和类别；根据所述同系物的种类和类别获取待检测的同一类别的有机污染物的红外振动光谱；根据所述环境危害性预测模型及待检测的同一类别的有机污染物的红外振动光谱，计算获得待检测的同一类别的有机污染物对环境的危害情况。
本发明还提供一种同类有机污染物对环境危害性的预测系统，所述预测系统包含预处理模块、计算模块、分析模块、建模模块和检测模块；所述预处理模块用于获取复数个同一类别的有机污染物，根据所述有机污染物的各同系物获得预定检测指标项；所述计算模块用于通过均方差法分别计算获得所述预定检测指标项中各项指标的权重值，以及根据各项指标中环境危害最大的同系物的指标值获得各项指标的标准值；所述分析模块用于根据所述各项指标的权重值和所述各项指标的标准值计算获得环境危害性综合评价值；所述建模模块用于获得所述有机污染物的红外振动光谱，根据所述红外振动光谱和所述环境危害性综合评价值获得环境危害性预测模型；所述检测模块用于根据所述环境危害性预测模型及待检测的同一类别的有机污染物的红外振动光谱，计算获得待检测的同一类别的有机污染物对环境的危害情况。
本发明的有益技术效果在于：本发明基于同一类有机污染物有着相似的红外光谱特征，提取出对该类污染物环境危害性评价指标相关联的红外光谱特征信息，并构建一种通过检测红外光谱快速预测该类污染物的环境危害性评价指标的预测评价方法，从而代替已有需要通过开展的多种环境指标实验，同时，引入应用域计算，对预测模型的适用范围进行评估，从而更加针对性地开展新合成的或已有的该类污染物环境危害性的预测及评价。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，并不构成对本发明的限定。在附图中：
图1为本发明所提供的同类有机污染物对环境危害性的预测方法的流程示意图；
图2为本发明所提供的同类有机污染物对环境危害性的预测方法一实施例的流程示意图；
图3为本发明所提供的同类有机污染物对环境危害性的预测系统的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
在本说明书的描述中，参考术语“一实施例”、“一具体实施例”、“例如”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。各实施例中涉及的步骤顺序用于示意性说明本申请的实施，其中的步骤顺序不作限定，可根据需要作适当调整。
每种物质的红外振动数量为6n-3，其中n为该分子所含原子个数。本发明主要通过选取同一类别有机污染物同系物作为研究对象。该类物质或者具有相同的原子个数和母体结构(例如多氯联苯、多溴炼苯醚)，这类同系物不仅具有相同的红外振动个数，也具有相似的振动情况；或者有相同的结构母体但母体上链接不同的取代基(例如氟喹诺酮类药物)，这类同系物的红外振动数量相近，并且具有相似的振动情况。以此，构建可量化的环境危害性评价指标，定量地评价同一类有机污染物所产生的的环境危害性程度；从而代替已有需要通过开展的多种环境指标实验，同时引入应用域计算，对预测模型的适用范围进行评估，从而更加针对性地开展新合成的或已有的该类污染物环境危害性的预测及评价。
基于上述情况，请参考图1所示，本发明具体提供一种同类有机污染物对环境危害性的预测方法，所述预测方法包含：S101获取复数个同一类别的有机污染物，根据所述有机污染物的各同系物获得预定检测指标项；S102通过均方差法分别计算获得所述预定检测指标项中各项指标的权重值，以及根据各项指标中环境危害最大的同系物的指标值获得各项指标的标准值；S103根据所述各项指标的权重值和所述各项指标的标准值计算获得环境危害性综合评价值；S104获得所述有机污染物的红外振动光谱，根据所述红外振动光谱和所述环境危害性综合评价值获得环境危害性预测模型；S105根据所述环境危害性预测模型及待检测的同一类别的有机污染物的红外振动光谱，计算获得待检测的同一类别的有机污染物对环境的危害情况。在上述实施例中，所述预定检测指标项可包含生物毒性、长距离迁移性、生物富集性与环境持久性等评价数据，当然实际工作中，因检测目的及目标不同，也可采用其他适应的检测指标项，本发明在此并不做限制。在上述实施例中，所述复数个同一类别的有机污染物为具有相同的原子个数和母体结构的有机污染物，或具有相同的结构母体但母体上链接不同的取代基的有机污染物。
再请结合图1参考图2所示，选取同一类别有机污染物各同系物的生物毒性、长距离迁移性、生物富集性与环境持久性的评价数据作为各指标的指标值，均先转化为数值越大对环境产生的危害性越大的数值形式，再经过极差法进行标准化处理以消除不同量级数据对评价指标的影响。具体的，在本发明一实施例中，上述步骤S101中根据所述有机污染物类别获得预定检测指标项包含：获取所述有机污染物的各同系物的预定检测项的指标值；根据预定检测项的指标值与环境危害性的对应关系对预定检测项的的指标值分别进行排序预定检测项的评价数值；通过极差法对所述评价数值做标准化处理，获得预定检测指标项。在该实施例中，通过极差法对所述评价数值做标准化处理，获得预定检测指标项包含：通过以下公式对所述评价数值做标准化处理：
yij＝(xij-xjmin)/(xjmax-xjmin)；
在上式中，xij和yij分别为第j个指标在第i种同系物中的原始数据及标准化后数据；xjmin与xjmax分别为第j个指标的最大评价数值与最小评价数值；j为1，2，3，4…，m；i＝1，2，3，…，n。
环境危害性综合评价指标值的大小最终是由各指标的权重值与各指标值的标准评价值制约的，其中权重越高的指标对最终的综合性环境危害性评价指标值的贡献越大。运用均方差方法进行各指标权重的计算，均方差越大，权重越高。为此，在本发明一实施例中，步骤S102中所述通过均方差法分别计算获得所述预定检测指标项中各项指标的权重值包含：通过以下公式计算获得所述预定检测指标项中各项指标的权重值：
在上式中，ωj为第j个指标的权重值；Ej为第j个指标的平均值；σj为第j个指标的标准偏差值；j为1，2，3，4…，m。
在上述实施例中，所述预定检测指标项中各项指标的平均值及标准偏差值通过以下公式计算获得：
在上式中，yij为第j个指标在第i种同系物中的标准化后数据；Ej为第j个指标的平均值；σj为第j个指标的标准偏差值；j为1，2，3，4…，m；i＝1，2，3，…，n。
在确定了各指标的权重数值后，各指标的标准评价值则对最终的评价指标有着至关重要的影响；以各项指标中对环境危害性最大的同系物的该项指标值作为各项指标值的标准值。在本发明一实施例中，步骤S102中根据各项指标中环境危害最大的同系物的指标值获得各项指标的标准值包含：通过以下公式获得各项指标的标准值：
在上式中，xij为第j个指标在第i种同系物中的原始数据；Dij为第i个同系物的第j个指标相较标准值后的指标值；Xj是第j个指标的标准值；j为1，2，3，4…，m；i＝1，2，3，…，n。
其后，在本发明一实施例中，步骤S103中根据所述各项指标的权重值和所述各项指标的标准值计算获得环境危害性综合评价值包含：通过以下公式计算获得环境危害性综合评价值：
在上式中，Ai是第i个同系物的环境危害性综合评价指标值；Dij为第i个同系物的第j个指标相较标准值后的指标值；ωj为第j个指标的权重值；j为1，2，3，4…，m；i＝1，2，3，…，n。
在本发明一实施例中，步骤S104中获得所述有机污染物的红外振动光谱，根据所述红外振动光谱和所述环境危害性综合评价值获得环境危害性预测模型包含：通过Gaussian软件对同一类别有机污染物的各同系物红外振动光谱的各红外振动形式进行振动归属计算和研究，获得红外振动归属结果；根据红外振动归属结果进行红外光谱依据不同振动形式的谱区分区，获得红外光谱振动谱区；根据各同系物的振动谱区光谱信息和预定阈值，通过主成分分析方法提取出对应同系物环境危害性评价指标值相关联的红外光谱振动谱区，根据所述红外光谱振动谱区与所述环境危害性综合评价值获得环境危害性预测模型。其中，为提高所述环境危害性预测模型的准确性，后续还可进一步对该环境危害性预测模型进行验证，具体验证方式将在后续实施例中进一步说明，本发明在此就不再详述。
在本发明一实施例中，步骤S105中根据所述环境危害性预测模型及待检测的同一类别的有机污染物的红外振动光谱，计算获得待检测的同一类别的有机污染物对环境的危害情况还包含：通过欧式适用性域计算所述环境危害性预测模型使用的同系物的种类和类别；根据所述同系物的种类和类别获取待检测的同一类别的有机污染物的红外振动光谱；根据所述环境危害性预测模型及待检测的同一类别的有机污染物的红外振动光谱，计算获得待检测的同一类别的有机污染物对环境的危害情况。
在实际工作中，上述实施例主要利用Gaussian软件对同一类别有机污染物的各同系物红外振动光谱的各红外振动形式进行振动归属计算和研究(Gaussian软件计算任务关键词设定为freq＝intmode)，依据红外振动归属结果进行红外光谱依据不同振动形式的谱区分区。对所研究的同系物按照环境危害性综合评价大小值进行排序，再利用Interval-samping方法将同系物分为建模组与验证组，其中建模组与验证组所包含样本数据比介于4:1—5:1。以建模组各同系物的振动谱区光谱信息(峰频、峰强)为自变量，以0.85作为主成分的初始设定累计解释率，利用主成分分析方法提取出对该类同系物环境危害性评价指标值具有显著关联性及调控性的红外光谱振动谱区，并得到该类同系物环境危害性评价指标值的预测方程；对所得预测方程分别从拟合性、稳健性、预测性三方面进行模型性能的评价。
拟合性评价指标：R2>0.90；
稳健性评价指标：q2>0.50；
预测性评价指标：0.85≤k≤1.15or 0.85≤k'≤1.15；
其中：i为不同同系物；n为同系物数量；yi为各同系物的环境危害性评价指标值；为各同系物环境危害性评价指标值平均值；为通过预测模型得到的各同系物的环境危害性评价指标值。公式同R2，数据源由建模组数据变为验证组数据即可；其后，当所建模型的上述指标均满足评价要求，再借助于欧式适用性域对所建模型的应用域进行计算，评价该模型适用同系物的种类和类别。当所建模型的上述指标不完全满足评价要求，将剩余主成分中特征值最大的主成分加入到模型构建中，再进行预测方程的构建，直至构建出满足评价指标要求的预测方程；以此即可通过该预测方程对该类有机污染物对环境危害性进行预测分析。
值得说明的是，因红外振动光谱都是利用Gaussian软件计算得到，在振动归属的基础上将红外光谱进行分区，各类物质由于分子结构及取代基类型不同，因此光谱分区结果不同。为此，基于分区的结果，将每个光谱区都当做一个自变量，通过主成分分析方法进行与环境危害性评价指标值的显著性谱区的提取：主成分分析中会存在一个特征值的评价值，一个谱区的特征值越大，表明这个谱区内的光谱信息与环境危害性，因此判断是否显著即通过判断特征值的大小即可。
请参考图3所示，本发明还提供一种同类有机污染物对环境危害性的预测系统，所述预测系统包含预处理模块、计算模块、分析模块、建模模块和检测模块；所述预处理模块用于获取复数个同一类别的有机污染物，根据所述有机污染物的各同系物获得预定检测指标项；所述计算模块用于通过均方差法分别计算获得所述预定检测指标项中各项指标的权重值，以及根据各项指标中环境危害最大的同系物的指标值获得各项指标的标准值；所述分析模块用于根据所述各项指标的权重值和所述各项指标的标准值计算获得环境危害性综合评价值；所述建模模块用于获得所述有机污染物的红外振动光谱，根据所述红外振动光谱和所述环境危害性综合评价值获得环境危害性预测模型；所述检测模块用于根据所述环境危害性预测模型及待检测的同一类别的有机污染物的红外振动光谱，计算获得待检测的同一类别的有机污染物对环境的危害情况。
本发明的有益技术效果在于：本发明基于同一类有机污染物有着相似的红外光谱特征，提取出对该类污染物环境危害性评价指标相关联的红外光谱特征信息，并构建一种通过检测红外光谱快速预测该类污染物的环境危害性评价指标的预测评价方法，从而代替已有需要通过开展的多种环境指标实验，同时，引入应用域计算，对预测模型的适用范围进行评估，从而更加针对性地开展新合成的或已有的该类污染物环境危害性的预测及评价。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (11)
1.一种同类有机污染物对环境危害性的预测方法，其特征在于，所述预测方法包含：
获取复数个同一类别的有机污染物，根据所述有机污染物的各同系物获得预定检测指标项；
通过均方差法分别计算获得所述预定检测指标项中各项指标的权重值，以及根据各项指标中环境危害最大的同系物的指标值获得各项指标的标准值；
根据所述各项指标的权重值和所述各项指标的标准值计算获得环境危害性综合评价值；
获得所述有机污染物的红外振动光谱，根据所述红外振动光谱和所述环境危害性综合评价值获得环境危害性预测模型；
根据所述环境危害性预测模型及待检测的同一类别的有机污染物的红外振动光谱，计算获得待检测的同一类别的有机污染物对环境的危害情况。
2.根据权利要求1所述的同类有机污染物对环境危害性的预测方法，其特征在于，所述复数个同一类别的有机污染物为具有相同的原子个数和母体结构的有机污染物，或具有相同的结构母体但母体上链接不同的取代基的有机污染物。
3.根据权利要求2所述的同类有机污染物对环境危害性的预测方法，其特征在于，根据所述有机污染物类别获得预定检测指标项包含：获取所述有机污染物的各同系物的预定检测项的指标值；根据预定检测项的指标值与环境危害性的对应关系对预定检测项的的指标值分别进行排序预定检测项的评价数值；通过极差法对所述评价数值做标准化处理，获得预定检测指标项。
4.根据权利要求3所述的同类有机污染物对环境危害性的预测方法，其特征在于，通过极差法对所述评价数值做标准化处理，获得预定检测指标项包含：通过以下公式对所述评价数值做标准化处理：
yij＝(xij-xjmin)/(xjmax-xjmin)；
在上式中，xij和yij分别为第j个指标在第i种同系物中的原始数据及标准化后数据；xjmin与xjmax分别为第j个指标的最大评价数值与最小评价数值；j为1，2，3，4…，m；i＝1，2，3，…，n。
5.根据权利要求1所述的同类有机污染物对环境危害性的预测方法，其特征在于，通过均方差法分别计算获得所述预定检测指标项中各项指标的权重值包含：通过以下公式计算获得所述预定检测指标项中各项指标的权重值：
在上式中，ωj为第j个指标的权重值；Ej为第j个指标的平均值；σj为第j个指标的标准偏差值；j为1，2，3，4…，m。
6.根据权利要求5所述的同类有机污染物对环境危害性的预测方法，其特征在于，所述预定检测指标项中各项指标的平均值及标准偏差值通过以下公式计算获得：
在上式中，yij为第j个指标在第i种同系物中的标准化后数据；Ej为第j个指标的平均值；σj为第j个指标的标准偏差值；j为1，2，3，4…，m；i＝1，2，3，…，n。
7.根据权利要求6所述的同类有机污染物对环境危害性的预测方法，其特征在于，根据各项指标中环境危害最大的同系物的指标值获得各项指标的标准值包含：通过以下公式获得各项指标的标准值：
在上式中，xij为第j个指标在第i种同系物中的原始数据；Dij为第i个同系物的第j个指标相较标准值后的指标值；Xj是第j个指标的标准值；j为1，2，3，4…，m；i＝1，2，3，…，n。
8.根据权利要求7所述的同类有机污染物对环境危害性的预测方法，其特征在于，根据所述各项指标的权重值和所述各项指标的标准值计算获得环境危害性综合评价值包含：通过以下公式计算获得环境危害性综合评价值：
在上式中，Ai是第i个同系物的环境危害性综合评价指标值；Dij为第i个同系物的第j个指标相较标准值后的指标值；ωj为第j个指标的权重值；j为1，2，3，4…，m；i＝1，2，3，…，n。
9.根据权利要求1所述的同类有机污染物对环境危害性的预测方法，其特征在于，获得所述有机污染物的红外振动光谱，根据所述红外振动光谱和所述环境危害性综合评价值获得环境危害性预测模型包含：
通过Gaussian软件对同一类别有机污染物的各同系物红外振动光谱的各红外振动形式进行振动归属计算和研究，获得红外振动归属结果；
根据红外振动归属结果进行红外光谱依据不同振动形式的谱区分区，获得红外光谱振动谱区；
根据各同系物的振动谱区光谱信息和预定阈值，通过主成分分析方法提取出对应同系物环境危害性评价指标值相关联的红外光谱振动谱区，根据所述红外光谱振动谱区与所述环境危害性综合评价值获得环境危害性预测模型。
10.根据权利要求9所述的同类有机污染物对环境危害性的预测方法，其特征在于，根据所述环境危害性预测模型及待检测的同一类别的有机污染物的红外振动光谱，计算获得待检测的同一类别的有机污染物对环境的危害情况还包含：通过欧式适用性域计算所述环境危害性预测模型使用的同系物的种类和类别；根据所述同系物的种类和类别获取待检测的同一类别的有机污染物的红外振动光谱；根据所述环境危害性预测模型及待检测的同一类别的有机污染物的红外振动光谱，计算获得待检测的同一类别的有机污染物对环境的危害情况。
11.一种同类有机污染物对环境危害性的预测系统，其特征在于，所述预测系统包含预处理模块、计算模块、分析模块、建模模块和检测模块；
所述预处理模块用于获取复数个同一类别的有机污染物，根据所述有机污染物的各同系物获得预定检测指标项；
所述计算模块用于通过均方差法分别计算获得所述预定检测指标项中各项指标的权重值，以及根据各项指标中环境危害最大的同系物的指标值获得各项指标的标准值；
所述分析模块用于根据所述各项指标的权重值和所述各项指标的标准值计算获得环境危害性综合评价值；
所述建模模块用于获得所述有机污染物的红外振动光谱，根据所述红外振动光谱和所述环境危害性综合评价值获得环境危害性预测模型；
所述检测模块用于根据所述环境危害性预测模型及待检测的同一类别的有机污染物的红外振动光谱，计算获得待检测的同一类别的有机污染物对环境的危害情况。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810860854.5A CN108982402B (zh) | 2018-08-01 | 2018-08-01 | 一种同类有机污染物对环境危害性的预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810860854.5A CN108982402B (zh) | 2018-08-01 | 2018-08-01 | 一种同类有机污染物对环境危害性的预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108982402A true CN108982402A (zh) | 2018-12-11 |
| CN108982402B CN108982402B (zh) | 2021-01-08 |
Family
ID=64552531
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810860854.5A Active CN108982402B (zh) | 2018-08-01 | 2018-08-01 | 一种同类有机污染物对环境危害性的预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108982402B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109827617A (zh) * | 2019-03-26 | 2019-05-31 | 泰州乐税宝信息科技有限公司 | 一种基于互联网的智能环境监测系统 |
| CN113990407A (zh) * | 2021-10-27 | 2022-01-28 | 北京中科三清环境技术有限公司 | 对多氯萘及其同系物的含量及来源进行解析的解析方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2000029820A2 (en) * | 1998-11-12 | 2000-05-25 | Veridian Engineering, Inc. | Probe for evanescent excitation of fluorescence |
| CN101498661A (zh) * | 2008-01-30 | 2009-08-05 | 香港浸会大学 | 高精度分辨中药材品种、产地及生长方式的红外光谱特征提取方法 |
| US20120153139A1 (en) * | 2010-12-16 | 2012-06-21 | Exxonmobil Research And Engineering Company | Generation of model-of-composition of petroleum by high resolution mass spectrometry and associated analytics |
| US20120264153A1 (en) * | 2009-12-23 | 2012-10-18 | Danisco A/S | Method of detecting phytase activity or protease activity |
| CN103234922A (zh) * | 2013-03-29 | 2013-08-07 | 浙江大学 | 一种基于大样本土壤可见-近红外光谱分类的土壤有机质快速检测方法 |
| CN103884661A (zh) * | 2014-02-21 | 2014-06-25 | 浙江大学 | 基于土壤可见-近红外光谱库的土壤全氮实时检测方法 |
| CN105467081A (zh) * | 2015-11-25 | 2016-04-06 | 中国烟草总公司重庆市公司 | 用于烟叶质量评价的烟叶化学常规指标权重赋值方法 |
| CN105606552A (zh) * | 2016-02-04 | 2016-05-25 | 云南中烟工业有限责任公司 | 基于全谱段分子光谱的卷烟烟丝质量趋势分析方法 |
| CN105717066A (zh) * | 2016-01-29 | 2016-06-29 | 广西中烟工业有限责任公司 | 一种基于加权相关系数的近红外光谱识别模型 |
| CN105844301A (zh) * | 2016-04-05 | 2016-08-10 | 北华航天工业学院 | 基于贝叶斯源识别的土壤中重金属污染源解析方法 |
-
2018
- 2018-08-01 CN CN201810860854.5A patent/CN108982402B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2000029820A2 (en) * | 1998-11-12 | 2000-05-25 | Veridian Engineering, Inc. | Probe for evanescent excitation of fluorescence |
| CN101498661A (zh) * | 2008-01-30 | 2009-08-05 | 香港浸会大学 | 高精度分辨中药材品种、产地及生长方式的红外光谱特征提取方法 |
| US20120264153A1 (en) * | 2009-12-23 | 2012-10-18 | Danisco A/S | Method of detecting phytase activity or protease activity |
| US20120153139A1 (en) * | 2010-12-16 | 2012-06-21 | Exxonmobil Research And Engineering Company | Generation of model-of-composition of petroleum by high resolution mass spectrometry and associated analytics |
| CN103234922A (zh) * | 2013-03-29 | 2013-08-07 | 浙江大学 | 一种基于大样本土壤可见-近红外光谱分类的土壤有机质快速检测方法 |
| CN103884661A (zh) * | 2014-02-21 | 2014-06-25 | 浙江大学 | 基于土壤可见-近红外光谱库的土壤全氮实时检测方法 |
| CN105467081A (zh) * | 2015-11-25 | 2016-04-06 | 中国烟草总公司重庆市公司 | 用于烟叶质量评价的烟叶化学常规指标权重赋值方法 |
| CN105717066A (zh) * | 2016-01-29 | 2016-06-29 | 广西中烟工业有限责任公司 | 一种基于加权相关系数的近红外光谱识别模型 |
| CN105606552A (zh) * | 2016-02-04 | 2016-05-25 | 云南中烟工业有限责任公司 | 基于全谱段分子光谱的卷烟烟丝质量趋势分析方法 |
| CN105844301A (zh) * | 2016-04-05 | 2016-08-10 | 北华航天工业学院 | 基于贝叶斯源识别的土壤中重金属污染源解析方法 |
Non-Patent Citations (1)
| Title |
|---|
| 刘静 等: "土壤中多氯联苯的综合污染指数评价方法研究", 《环境科学》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109827617A (zh) * | 2019-03-26 | 2019-05-31 | 泰州乐税宝信息科技有限公司 | 一种基于互联网的智能环境监测系统 |
| CN113990407A (zh) * | 2021-10-27 | 2022-01-28 | 北京中科三清环境技术有限公司 | 对多氯萘及其同系物的含量及来源进行解析的解析方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108982402B (zh) | 2021-01-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chen et al. | Software defect number prediction: Unsupervised vs supervised methods | |
| Warren et al. | ENMTools: a toolbox for comparative studies of environmental niche models | |
| Nyamundanda et al. | MetSizeR: selecting the optimal sample size for metabolomic studies using an analysis based approach | |
| Shanbhag | pyReSpect: A computer program to extract discrete and continuous spectra from stress relaxation experiments | |
| Moussa et al. | Modeling Hot-Mix asphalt dynamic modulus using deep residual neural Networks: Parametric and sensitivity analysis study | |
| CN105335379B (zh) | 突变测试中对突变、测试用例、随机种子的组合排序的方法和设备 | |
| CN108241901A (zh) | 一种基于预测数据的变压器预警评估方法及装置 | |
| Braga et al. | Integrating spatial and phylogenetic information in the fourth‐corner analysis to test trait–environment relationships | |
| CN104285142A (zh) | 内容提供系统 | |
| Jeon et al. | Development of surrogate model using CFD and deep neural networks to optimize gas detector layout | |
| JPWO2020065806A1 (ja) | 処理装置、処理方法、およびプログラム | |
| CN108982402A (zh) | 一种同类有机污染物对环境危害性的预测方法及系统 | |
| Mühlbauer et al. | Analysing the Impact of Workloads on Modeling the Performance of Configurable Software Systems | |
| CN109272217A (zh) | 一种数据处理方法及相关设备 | |
| CN104022899A (zh) | 一种网络管理系统的三维评估方法及系统 | |
| CN111160667A (zh) | 一种提高食品安全预测模型鲁棒性的方法及装置 | |
| Kobayashi et al. | Automated retention time prediction of new psychoactive substances in gas chromatography | |
| Owais | Analysing Witczak 1-37A, Witczak 1-40D and Modified Hirsch Models for asphalt dynamic modulus prediction using global sensitivity analysis | |
| CN103608806A (zh) | 使用基于网络的门户对产品和服务的性能报告 | |
| Giamattei et al. | Causality-driven Testing of Autonomous Driving Systems | |
| Lochmann et al. | Are comprehensive quality models necessary for evaluating software quality? | |
| Terry et al. | Validation in fusion research: Towards guidelines and best practices | |
| Brokarev et al. | Distributed data gathering system to analyze natural gas composition | |
| Nazir et al. | Testability estimation model (TEM OOD) | |
| Kraus | Adaptive Neyman's smooth tests of homogeneity of two samples of survival data |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |