CN109459402A - 一种光谱法水质cod参数预测方法 - Google Patents
一种光谱法水质cod参数预测方法 Download PDFInfo
- Publication number
- CN109459402A CN109459402A CN201811596636.1A CN201811596636A CN109459402A CN 109459402 A CN109459402 A CN 109459402A CN 201811596636 A CN201811596636 A CN 201811596636A CN 109459402 A CN109459402 A CN 109459402A
- Authority
- CN
- China
- Prior art keywords
- cod
- water
- water sample
- characteristic
- value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 65
- 238000004611 spectroscopical analysis Methods 0.000 claims abstract description 23
- 230000007613 environmental effect Effects 0.000 claims abstract description 15
- 238000002835 absorbance Methods 0.000 claims description 4
- PWHULOQIROXLJO-UHFFFAOYSA-N Manganese Chemical compound [Mn] PWHULOQIROXLJO-UHFFFAOYSA-N 0.000 claims description 3
- 238000004847 absorption spectroscopy Methods 0.000 claims description 3
- 229910052748 manganese Inorganic materials 0.000 claims description 3
- 239000011572 manganese Substances 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 2
- 239000000126 substance Substances 0.000 abstract description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 abstract 1
- 229910052760 oxygen Inorganic materials 0.000 abstract 1
- 239000001301 oxygen Substances 0.000 abstract 1
- 238000012544 monitoring process Methods 0.000 description 7
- 239000003651 drinking water Substances 0.000 description 3
- 235000020188 drinking water Nutrition 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000010561 standard procedure Methods 0.000 description 2
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- JEGUKCSWCFPDGT-UHFFFAOYSA-N h2o hydrate Chemical compound O.O JEGUKCSWCFPDGT-UHFFFAOYSA-N 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000002352 surface water Substances 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
- G01N21/33—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using ultraviolet light
-
- 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
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
本发明公开了一种光谱法水质COD参数预测方法，该方法包括：对于实际水样的光谱数据与相应的COD(化学需氧量，Chemical Oxygen Demand)参数，通过光谱数据分割，环境特征段函数拟合，环境特征拓展延伸，以及COD特征选取等方法，建立COD特征与相应的COD参数值的最优函数模型，最后采用最优函数模型对待测水样的COD参数进行预测。本发明速度快，准确率高。
Description
技术领域
本发明涉及水质监测领域，尤其涉及一种光谱法水质COD参数预测方法。
背景技术
饮水安全问题直接关系到广大人民群众的健康，积极探索采用先进可行的监测技术与方法，实时掌握重要饮用水水源地水质变化情况，加强突发水污染事件水质预警和应急处理能力是十分必要和迫切的。
中国国家水资源监控能力建设2012-2014年项目(以下简称一期项目)已于2015年完成全部建设内容。一期项目完成后，在填补中国水资源监控手段缺乏、改善水资源管理基础设施薄弱状况、提高水资源源管理信息化永平等方面发挥了重要作用。通过一期项目建设基本实现了列入《全国重要饮用水水源地名录》(水资源函[2011]109号)的重要地表水水源地水质在线监测全覆盖。
近年来，中国水质相关指标仍然使用化学法，虽然测量较为准确，但是耗时长，所需化学试剂多，操作复杂，稳定性差，二次污染严重，因此光谱法应运而生，其监测周期短，速度快，是在线监测的必备手段。
发明内容
发明目的：本发明针对现有技术存在的问题，提供一种光谱法水质COD参数预测方法，可以对水质的COD参数进行预测，速度快，结果也更准确。
技术方案：本发明所述的光谱法水质COD参数预测方法包括：
(1)获取多条实际水样的光谱数据和对应的COD参数值；
(2)使用波长为P的分割点将每条水样的光谱数据分为COD特征段和环境特征段两部分；
(3)对每条水样的环境特征段采用不同的系数进行拟合，并将拟合程度最高的最佳拟合曲线向COD特征段拓展；
(4)根据拓展的最佳拟合曲线获取每条水样的COD特征值；
(5)对每条水样的COD特征值与COD参数值进行线性相关性拟合，得到分割点为P时的线性相关性模型FP和模型拟合优度
(6)在分割区间内更改P的波长值，重复(2)～(5)的步骤，并选择模型拟合优度最高的分割点作为最优分割点P*，其对应的模型作为最优相关性模型
(7)对于待测水样，采用最优分割点P*按照步骤(2)～(4)计算待测水样光谱数据的COD特征值，并将COD特征值带入最优相关性模型预测得到待测水样的COD参数值。
进一步的，步骤(1)中实际水样的光谱数据具体为实际水样的紫外可见吸收光谱数据，实际水样的COD参数值是通过国标法锰法对水样测定的值。
进一步的，步骤(2)中P的取值位于分割区间[300nm,350nm]内。
进一步的，步骤(3)中的拟合方法具体为：
采用不同的系数对每条水样的环境特征段进行对数函数最小二乘拟合，其中，所采用的对数函数具体为
Abs＝k1ln(w+k2)+k3
式中，Abs为吸光度，w为波长，k1k2k3均为函数的系数。
进一步的，步骤(3)中所述将拟合程度最高的最佳拟合曲线向COD特征段拓展，具体为：使用最优拟合函数在水样光谱数据COD特征段进行函数延伸。
进一步的，步骤(4)中获取COD特征值的方法具体为：计算水样光谱数据与最佳拟合曲线拓展段的包络面积之差，作为COD特征值。
进一步的，步骤(2)中水样光谱数据的COD特征段波长范围为250nm～P，环境特征段波长范围为P～800nm。
有益效果：本发明与现有技术相比，其显著优点是：本发明通过分割思路将光谱数据分为COD特征段和环境特征段，利用最小二乘拟合模型尽可能的还原光谱数据中环境特征段的吸光度特征，主要是包括浊度因素在内的水体环境特征，通过函数的拓展在COD特征段模拟该段水体环境特征，取其包络面积的差值作为水样COD的特征值，建立COD特征值与其相应的COD参数值的相关性模型。重复选择分割点进行相关性建模，筛选出最优的相关性模型作为实用预测模型，采用该模型进行预测速度更快，结果也更准确。
附图说明
图1是本发明的一个实施例的流程示意图；
图2是采用对数函数最小二乘进行拟合后得到的最佳拟合曲线的示意图。
具体实施方式
本实施例提供了一种光谱法水质COD参数预测方法，如图1所示，包括：
(1)获取多条实际水样的光谱数据和对应的COD参数值。
其中，实际水样的光谱数据具体为实际水样的紫外可见吸收光谱数据，实际水样的COD参数值是通过国标法锰法对水样测定的值。
(2)使用波长为P的分割点将每条水样的光谱数据分为COD特征段和环境特征段两部分。
其中，P的取值位于[300nm,350nm]内，该区间称为分割区间，则水样光谱数据的COD特征段波长范围为250nm～P，环境特征段波长范围为P～800nm，如图2所示。
(3)对每条水样的环境特征段采用不同的系数进行拟合，并将拟合程度最高的最佳拟合曲线向COD特征段拓展。
其中，拟合采用的方法具体为：
采用不同的系数对每条水样的环境特征段进行对数函数最小二乘拟合，其中，所采用的对数函数具体为
Abs＝k1ln(w+k2)+k3
式中，Abs为吸光度，w为波长，k1k2k3均为函数的系数。
将拟合程度最高的最佳拟合曲线向COD特征段拓展具体是指：使用最优拟合函数在水样光谱数据COD特征段进行函数延伸。
(4)根据拓展的最佳拟合曲线获取每条水样的COD特征值。
其中，COD特征值的获取方法具体为：计算水样光谱数据与最佳拟合曲线拓展段的包络面积之差，作为COD特征值，如图2所示。
(5)对每条水样的COD特征值与COD参数值进行线性相关性拟合，得到分割点为P时的线性相关性模型FP和模型拟合优度
(6)在分割区间内更改P的波长值，重复(2)～(5)的步骤，并选择模型拟合优度最高的分割点作为最优分割点P*，其对应的模型作为最优相关性模型
(7)对于待测水样，采用最优分割点P*按照步骤(2)～(4)计算待测水样光谱数据的COD特征值，并将COD特征值带入最优相关性模型预测得到待测水样的COD参数值。
以上所揭露的仅为本发明一种较佳实施例而已，不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。
Claims (7)
1.一种光谱法水质COD参数预测方法，其特征在于该方法包括：
(1)获取多条实际水样的光谱数据和对应的COD参数值；
(2)使用波长为P的分割点将每条水样的光谱数据分为COD特征段和环境特征段两部分；
(3)对每条水样的环境特征段采用不同的系数进行拟合，并将拟合程度最高的最佳拟合曲线向COD特征段拓展；
(4)根据拓展的最佳拟合曲线获取每条水样的COD特征值；
(5)对每条水样的COD特征值与COD参数值进行线性相关性拟合，得到分割点为P时的线性相关性模型FP和模型拟合优度
(6)在分割区间内更改P的波长值，重复(2)～(5)的步骤，并选择模型拟合优度最高的分割点作为最优分割点P*，其对应的模型作为最优相关性模型
(7)对于待测水样，采用最优分割点P*按照步骤(2)～(4)计算待测水样光谱数据的COD特征值，并将COD特征值带入最优相关性模型预测得到待测水样的COD参数值。
2.根据权利要求1所述的光谱法水质COD参数预测方法，其特征在于：步骤(1)中实际水样的光谱数据具体为实际水样的紫外可见吸收光谱数据，实际水样的COD参数值是通过国标法锰法对水样测定的值。
3.根据权利要求1所述的光谱法水质COD参数预测方法，其特征在于：步骤(2)中P的取值位于分割区间[300nm,350nm]内。
4.根据权利要求1所述的光谱法水质COD参数预测方法，其特征在于：步骤(3)中的拟合方法具体为：
采用不同的系数对每条水样的环境特征段进行对数函数最小二乘拟合，其中，所采用的对数函数具体为
Abs＝k1ln(w+k2)+k3
式中，Abs为吸光度，w为波长，k1k2k3均为函数的系数。
5.根据权利要求1所述的光谱法水质COD参数预测方法，其特征在于：步骤(3)中所述将拟合程度最高的最佳拟合曲线向COD特征段拓展，具体为：
使用最优拟合函数在水样光谱数据COD特征段进行函数延伸。
6.根据权利要求1所述的光谱法水质COD参数预测方法，其特征在于：步骤(4)中获取COD特征值的方法具体为：
计算水样光谱数据与最佳拟合曲线拓展段的包络面积之差，作为COD特征值。
7.根据权利要求1所述的光谱法水质COD参数预测方法，其特征在于：步骤(2)中水样光谱数据的COD特征段波长范围为250nm～P，环境特征段波长范围为P～800nm。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811596636.1A CN109459402B (zh) | 2018-12-26 | 2018-12-26 | 一种光谱法水质cod参数预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811596636.1A CN109459402B (zh) | 2018-12-26 | 2018-12-26 | 一种光谱法水质cod参数预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109459402A true CN109459402A (zh) | 2019-03-12 |
| CN109459402B CN109459402B (zh) | 2021-02-23 |
Family
ID=65615115
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811596636.1A Active CN109459402B (zh) | 2018-12-26 | 2018-12-26 | 一种光谱法水质cod参数预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109459402B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115810403A (zh) * | 2023-01-30 | 2023-03-17 | 北京英视睿达科技股份有限公司 | 一种基于环境特征信息评估水质污染的方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1580739A (zh) * | 2003-08-07 | 2005-02-16 | 多元水环保技术产业(中国)有限公司 | Cod在线检测方法及仪器 |
| CN102706828A (zh) * | 2012-05-29 | 2012-10-03 | 燕山大学 | 化学需氧量检测装置及检测方法 |
| CN104034684A (zh) * | 2014-06-05 | 2014-09-10 | 北京金达清创环境科技有限公司 | 一种基于紫外-可见吸收光谱的水质多指标检测方法 |
| CN106596889A (zh) * | 2016-12-22 | 2017-04-26 | 陈明烨 | 一种水质的预测方法 |
| CN106990060A (zh) * | 2017-03-24 | 2017-07-28 | 四川碧朗科技有限公司 | 水质指标监测仪、云数据中心及系统、预测方法和水样识别方法 |
| KR20170112404A (ko) * | 2016-03-31 | 2017-10-12 | 광주과학기술원 | 원격탐사 초분광 영상이미지를 이용한 병원성 미생물의 농도 예측방법 |
| CN108593569A (zh) * | 2018-07-02 | 2018-09-28 | 中国地质环境监测院 | 基于光谱形态特征的高光谱水质参数定量反演方法 |
| CN109001136A (zh) * | 2018-09-20 | 2018-12-14 | 杭州绿洁水务科技股份有限公司 | 一种基于紫外—可见光吸收光谱的cod在线监测方法 |
-
2018
- 2018-12-26 CN CN201811596636.1A patent/CN109459402B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1580739A (zh) * | 2003-08-07 | 2005-02-16 | 多元水环保技术产业(中国)有限公司 | Cod在线检测方法及仪器 |
| CN102706828A (zh) * | 2012-05-29 | 2012-10-03 | 燕山大学 | 化学需氧量检测装置及检测方法 |
| CN104034684A (zh) * | 2014-06-05 | 2014-09-10 | 北京金达清创环境科技有限公司 | 一种基于紫外-可见吸收光谱的水质多指标检测方法 |
| KR20170112404A (ko) * | 2016-03-31 | 2017-10-12 | 광주과학기술원 | 원격탐사 초분광 영상이미지를 이용한 병원성 미생물의 농도 예측방법 |
| CN106596889A (zh) * | 2016-12-22 | 2017-04-26 | 陈明烨 | 一种水质的预测方法 |
| CN106990060A (zh) * | 2017-03-24 | 2017-07-28 | 四川碧朗科技有限公司 | 水质指标监测仪、云数据中心及系统、预测方法和水样识别方法 |
| CN108593569A (zh) * | 2018-07-02 | 2018-09-28 | 中国地质环境监测院 | 基于光谱形态特征的高光谱水质参数定量反演方法 |
| CN109001136A (zh) * | 2018-09-20 | 2018-12-14 | 杭州绿洁水务科技股份有限公司 | 一种基于紫外—可见光吸收光谱的cod在线监测方法 |
Non-Patent Citations (2)
| Title |
|---|
| XIAODONG WANG等: "Statistical monitoring and dynamic simulation of a wastewater treatment plant: A combined approach to achieve model predictive control", 《JOURNAL OF ENVIRONMENTAL MANAGEMENT》 * |
| 汤斌 等: "一种紫外-可见光谱检测水质COD预测模型优化方法", 《中国环境科学》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115810403A (zh) * | 2023-01-30 | 2023-03-17 | 北京英视睿达科技股份有限公司 | 一种基于环境特征信息评估水质污染的方法 |
| CN115810403B (zh) * | 2023-01-30 | 2023-05-16 | 北京英视睿达科技股份有限公司 | 一种基于环境特征信息评估水质污染的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109459402B (zh) | 2021-02-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104062257B (zh) | 一种基于近红外光谱测定溶液中总黄酮含量的方法 | |
| CN104897592B (zh) | 基于高光谱技术的盐渍化土壤盐分离子含量监测方法 | |
| CN103590827B (zh) | 基于储层分类的致密碎屑岩天然气井产能预测方法 | |
| CN102680413B (zh) | 全景环带高光谱快速检测野外土壤有机质含量的装置和方法 | |
| CN107462535B (zh) | 一种基于高斯多峰拟合的光谱解析方法 | |
| CN103729650A (zh) | 近红外光谱建模样本的选择方法 | |
| CN101477036A (zh) | 基于分段协同模型的内陆水体叶绿素a浓度遥感监测方法 | |
| CN103134767A (zh) | 一种红外光谱校正鉴定白酒品质的方法 | |
| CN107780923B (zh) | 一种基于泥质校正的含水饱和度模型的建立、仿真方法 | |
| CN103364844A (zh) | 一种计算煤层含气量的方法 | |
| CN101339150A (zh) | 基于介电谱技术测定汽油辛烷值的方法 | |
| CN103376468A (zh) | 基于神经网络函数逼近算法的储层参数定量表征方法 | |
| CN111965140A (zh) | 基于特征峰的波长点重组方法 | |
| CN105676309A (zh) | 裂缝性油藏逆向渗吸采收率预测方法 | |
| CN109459402A (zh) | 一种光谱法水质cod参数预测方法 | |
| CN103117823B (zh) | 一种短波信道模型建模方法 | |
| CN103134770B (zh) | 消除水分对近红外光谱检测土壤全氮含量影响的方法 | |
| CN103592420A (zh) | 矿井突水水源综合快速判识设备及方法 | |
| CN111929262A (zh) | 水质cod预测方法 | |
| CN109459397A (zh) | 一种基于光谱高差特征的水质参数预测方法 | |
| CN107688007A (zh) | 一种基于近红外光谱分析技术的导热油品质的检测方法 | |
| CN111967677B (zh) | 一种非常规资源甜点分布的预测方法及装置 | |
| CN109308375A (zh) | 一种基于地貌参数的流域最优流速的测算方法 | |
| CN114486820A (zh) | 一种机载微波辐射计云中过冷水的反演方法 | |
| RU116893U1 (ru) | Скважинное устройство для измерения оптических свойств нефти на устье скважины |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20200506 Address after: Room 712, building 1, Qilin artificial intelligence Industrial Park, 266 Chuangyan Road, Jiangning District, Nanjing City, Jiangsu Province Applicant after: NANJING BOSITU INTELLIGENT TECHNOLOGY Co.,Ltd. Address before: 211135 2, B unit 300, Zhihui Road, Qilin science and Technology Innovation Park, Nanjing, Jiangsu. Applicant before: NANJING BOSITU INTELLIGENT TECHNOLOGY Co.,Ltd. Applicant before: NANJING BOSITU ELECTRONIC SCIENCE TECHNOLOGY Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |