CN113283072B - 一种适用于多场景条件的水体cod检测方法 - Google Patents
一种适用于多场景条件的水体cod检测方法 Download PDFInfo
- Publication number
- CN113283072B CN113283072B CN202110553611.9A CN202110553611A CN113283072B CN 113283072 B CN113283072 B CN 113283072B CN 202110553611 A CN202110553611 A CN 202110553611A CN 113283072 B CN113283072 B CN 113283072B
- Authority
- CN
- China
- Prior art keywords
- spectrum
- scene
- cod
- water body
- scene condition
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及COD检测技术领域,具体涉及一种适用于多场景条件的水体COD检测方法,包括:获取待测水体的吸收光谱;对待测水体的吸收光谱进行浊度校正和归一化处理,得到对应的归一化光谱;根据待测水体的归一化光谱在建立的场景特征库中匹配对应的所属场景条件;根据待测水体的所属场景条件在建立的COD解算模型库中获取对应的光谱COD解算模型作为最优解算模型,并根据最优解算模型计算待测水体的COD浓度。本发明中的水体COD检测方法能够适用于多种水体测量场景条件,从而能够保证多场景条件下COD浓度的检测效果,提升光谱法检测COD浓度的场景兼容性。
Description
技术领域
本发明涉及COD检测技术领域,具体涉及一种适用于多场景条件的水体COD检测方法。
背景技术
化学需氧量(Chemical Oxygen Demand,COD)是反映水体中以可溶有机物为主的还原性污染物含量的重要水质参数。COD浓度的检测方法众多,目前应用最普遍的是高锰酸钾氧化法与重铬酸钾氧化法,但由于其存在水样预处理繁杂、设备成本高、测量周期长、有二次污染等问题,不便于在移动式监测、突发污染预警、污染源定位等应用环境下使用。因此,现有技术中常用的还有直接光谱法(直接紫外-可见吸收光谱检测法)检测COD浓度。
直接光谱法采用光束透射式测量,利用待测水体的吸收光谱解算COD浓度,以及生化需氧量、硝酸盐氮等多种水质参数。例如,公开号为CN111929262A的中国专利就公开了《一种水质COD预测方法》,其能够基于直接光谱法建立对应的光谱COD解算模型(基础模型和校正模型),进而基于光谱COD解算模型实现COD浓度的检测。
申请人发现,水体中有机污染物的种类十分复杂,不同污染物的光谱特征及其对COD浓度的贡献率存在较大差异,使得特定的光谱COD解算模型仅适用于成分相对稳定的水体测量场景条件。但是,即便是相同的水体测量场景条件,受人类活动、水生物繁殖、季节更替等因素的影响,污染物种类和各污染物的浓度占比也会随时间周期性变化。然而,现有水质COD预测方法是基于稳定的水体测量场景条件建立的单一光谱COD解算模型,其对场景条件变化的适应力较弱,难以保证在具有一定差异的多种水体测量场景条件下的COD浓度检测精度,导致光谱法检测COD浓度的检测效果和场景兼容性均不好。因此,如何提供一种能够适用于多种水体测量场景条件的水体COD检测方法是急需解决的技术问题。
发明内容
针对上述现有技术的不足,本发明所要解决的技术问题是:如何提供一种能够适用于多种水体测量场景条件的水体COD检测方法,从而能够保证多场景条件下COD浓度的检测效果,提升光谱法检测COD浓度的场景兼容性。
为了解决上述技术问题,本发明采用了如下的技术方案:
一种适用于多场景条件的水体COD检测方法,包括以下步骤:
S1:获取待测水体的吸收光谱;
S2:对待测水体的吸收光谱进行浊度校正和归一化处理,得到对应的归一化光谱;
S3:根据待测水体的归一化光谱在建立的场景特征库中匹配对应的所属场景条件;
S4:根据待测水体的所属场景条件在建立的COD解算模型库中获取对应的光谱COD解算模型作为最优解算模型,并根据最优解算模型计算待测水体的COD浓度。
优选的,步骤S2中,通过直接拟合法结合幂函数修正拟合方程实现吸收光谱的浊度校正。
优选的,通过如下公式表示幂函数修正拟合方程:
Turb(λ)=A(λB+C);式中:Turb表示散射消光度;λ表示波长;λB表示小颗粒物消光谱近似满足幂函数;A表示颗粒浓度系数;B表示小颗粒物粒径分布系数;C表示大颗粒物补偿系数。
优选的,步骤S2中,通过如下公式实现吸收光谱的归一化处理:
优选的,步骤S3中,通过如下步骤建立场景特征库:
S301:获取各个场景条件下的光谱训练集,并对光谱训练集中的各个训练光谱进行浊度校正和归一化处理,得到各个场景条件对应的归一化光谱;
S302:将属于同一场景条件的各个归一化光谱的平均值作为对应场景条件的线性特征光谱;
S303:根据各个场景条件及其对应的线性特征光谱建立场景特征库。
优选的,步骤S3中,通过如下步骤在场景特征库中匹配对应的所属场景条件:
S311:通过如下公式分别对待测水体的归一化光谱和场景特征库中的线性特征光谱进行变换得到对应的变换结果Wa和Wb:
W={Wi};
S312:计算Wa和Wb在所有波长点上Wi相同的次数J和不同的次数K;
S313:根据公式C=J/(J+K)计算待测水体与各个场景条件的匹配度C;
S314:当匹配度C达到匹配度极大值Cmax时,将匹配度极大值Cmax对应的场景条件作为待测水体的所属场景条件。
优选的,步骤S314中,若匹配度极大值Cmax小于设置的匹配异常阈值,则表示待测水体来至于未知的场景条件,或者待测水体的所属场景条件污染物组成已经发生改变。
优选的,当匹配度极大值Cmax小于设置的匹配异常阈值时,根据待测水体对应的场景条件及其归一化光谱修正场景特征库中的对应场景条件和/或线性特征光谱。
优选的,步骤S4中,通过如下步骤建立COD解算模型库:
S401:获取各个场景条件下的光谱训练集,并对光谱训练集中的各个训练光谱进行浊度校正和归一化处理,得到各个场景条件对应的归一化光谱;
S402:通过化学法标记各个归一化光谱对应的COD浓度,并根据属于同一场景条件的各个归一化光谱计算对应场景条件的光谱COD解算模型;
S403:根据各个场景条件及其对应的光谱COD解算模型建立COD解算模型库。
优选的,步骤S402中,通过偏最小二乘法计算场景条件的光谱COD解算模型。
本发明中适用于多场景条件的水体COD检测方法与现有技术相比,具有如下有益效果:
本发明能够在场景特征库中匹配待测水体的所属场景条件,并能够在COD解算模型库中获取与待测水体的所属场景条件相对应的光谱COD解算模型用以计算COD浓度,使得能够在任意的水体测量场景条件下获取最优的光谱COD解算模型,从而能够保证COD浓度的检测效果、并提升光谱法检测COD浓度的场景兼容性。同时,本发明在匹配待测水体的所属场景条件之前,还对待测水体的吸收光谱进行了浊度校正和归一化处理,使得能够解决水体中混合颗粒物引入的浊度干扰,突出不同场景中溶解物种类或比例不同引入的光谱特征差异,并保证多场景条件的匹配准确性和COD浓度的计算精度,从而能够进一步提升光谱法检测COD浓度的场景兼容性。
附图说明
为了使发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步的详细描述,其中:
图1为实施例中水体COD检测方法的逻辑框图;
图2为实施例中0.1-100um粒径颗粒物散射仿真光谱的幂函数拟合示意图;
图3为实施例中硅藻土样本光谱的直接拟合浊度校正示意图;
图4为实施例中两种场景条件不同COD浓度的原始光谱示意图;
图5为实施例中两种场景条件不同COD浓度的归一化光谱示意图;
图6为实施例中多场景条件COD检测方法的流程图;
图7为实施例中光谱测量系统的组成示意图;
图8为实施例中样本光谱场景的匹配度示意图;
图9为实施例中样本光谱Cmax的统计值示意图;
图10为实施例中基于SVM方法测试集场景条件的匹配结果示意图;
图11为实施例中基于BP-ANN方法测试集场景条件的匹配结果示意图;
图12为实施例中基于K-NN方法测试集场景条件的匹配结果示意图;
图13为实施例中三种拟合函数对SLCSM-PLS法COD解算影响的示意图。
具体实施方式
下面通过具体实施方式进一步详细的说明:
实施例:
本实施例中公开了一种适用于多场景条件的水体COD检测方法。
如图1所示,一种适用于多场景条件的水体COD检测方法,包括以下步骤:
S1:获取待测水体的吸收光谱;
S2:对待测水体的吸收光谱进行浊度校正和归一化处理,得到对应的归一化光谱;
S3:根据待测水体的归一化光谱在建立的场景特征库中匹配对应的所属场景条件;
S4:根据待测水体的所属场景条件在建立的COD解算模型库中获取对应的光谱COD解算模型作为最优解算模型,并根据最优解算模型计算待测水体的COD浓度。
本发明能够在场景特征库中匹配待测水体的所属场景条件,并能够在COD解算模型库中获取与待测水体的所属场景条件相对应的光谱COD解算模型用以计算COD浓度,使得能够在任意的水体测量场景条件下获取最优的光谱COD解算模型,从而能够保证COD浓度的检测效果、并提升光谱法检测COD浓度的场景兼容性。同时,本发明在匹配待测水体的所属场景条件之前,还对待测水体的吸收光谱进行了浊度校正和归一化处理,使得能够解决水体中混合颗粒物引入的浊度干扰,突出不同场景中溶解物种类或比例不同引入的光谱特征差异,并保证多场景条件的匹配准确性和COD浓度的计算精度,从而能够进一步提升光谱法检测COD浓度的场景兼容性。
具体实施过程中,通过直接拟合法结合幂函数修正拟合方程实现吸收光谱的浊度校正。具体的,通过公式Turb(λ)=A(λB+C)表示幂函数修正拟合方程;式中:Turb表示散射消光度;λ表示波长;λB表示小颗粒物消光谱近似满足幂函数;A表示颗粒浓度系数;B表示小颗粒物粒径分布系数;C表示大颗粒物补偿系数。
为了寻找更合适的拟合函数,本发明以泥沙型颗粒物为例(主要成份为硅酸盐),对0.1、1、10、100um四种典型粒径进行Mie氏散射仿真分析。考虑到四种粒径的颗粒物在相同浓度下(即单位体积颗粒数量相等时)消光强度相差数个量级,为了使讨论方便,按“浊度统一”方式对消光谱进行纵向尺度缩放:参照浊度国标检测法,以860nm为入射光波长,仿真计算几种粒径的单颗粒物在90°方向上的散射光强比例;然后将此比例的倒数作为四种颗粒物达到相同浊度所需要的相对浓度,并计算它们在该浓度下的消光谱,如图2所示。由于小颗粒物消光谱近似满足幂函数λB,其中λ为波长,B为小颗粒物粒径分布系数。但因为谱线随颗粒物粒径增加逐渐趋于平直,使得在包含大颗粒物的水体中直接使用幂函数拟合的效果不佳。因此,本发明构建了幂函数修正拟合方程Turb(λ)=A(λB+C),并且结合图2可知,本发明的幂函数修正拟合方程对于四种颗粒物的仿真消光谱均能较好的拟合。
同时,利用本发明的幂函数修正拟合方程对平均细度为3000目和5000目的2组硅藻土悬浊液实测光谱进行直接拟合校正测试,由于样本光谱近似为纯散射消光谱,拟合曲线应与原光谱尽可能重叠。测试结果如图3所示,幂函数修正拟合方程的拟合曲线与原光谱在校正区的均方根误差分别为0.042与0.028,明显优于指数函数Turb(λ)=ABλ+C拟合的均方根误差0.115与0.108,以及二次多项式Turb(λ)=Aλ2+Bλ+C拟合的均方根误差0.125与0.176,证明应用本发明幂函数修正拟合方程的直接拟合法可达到更好的浊度校正效果。
本发明中,通过上述的幂函数修正拟合方程能够保证浊度校正的效果,进而能够更好的解决水体中混合颗粒物引入的浊度干扰,并保证多场景条件的匹配准确性和COD浓度的计算精度,从而能够进一步提升光谱法检测COD浓度的场景兼容性。
申请人发现,经过浊度校正后,相同场景条件下水样本敏感波长的吸光度应与目标溶解物浓度满足线性关系。因此,本发明利用公式对吸收光谱进行归一化处理。本发明还基于上述公式对敏感谱段200~450nm进行处理,结果如图4和图5所示。可见,同一场景条件中不同样本的归一化光谱趋于一致,而不同场景条件的归一化光谱则具有显著差异。因此,可将同一场景条件的归一化光谱的平均值定义为此场景条件的线型特征光谱,若所有目标场景条件的线型特征光谱均为已知时,则可据此构建场景特征库。
本发明中,通过上述的公式能够有效的对浊度校正后的吸收光谱进行归一化处理,进而能够更好的突出不同场景中溶解物种类或比例不同引入的光谱特征差异,保证多场景条件的匹配准确性和COD浓度的计算精度,从而能够进一步提升光谱法检测COD浓度的场景兼容性。
具体实施过程中,结合图6所示,通过如下步骤建立场景特征库:
S301:获取各个场景条件下的光谱训练集,并对光谱训练集中的各个训练光谱进行浊度校正和归一化处理,得到各个场景条件对应的归一化光谱;
S302:将属于同一场景条件的各个归一化光谱的平均值作为对应场景条件的线性特征光谱;
S303:根据各个场景条件及其对应的线性特征光谱建立场景特征库。
具体实施过程中,步骤S3中,通过如下步骤在场景特征库中匹配对应的所属场景条件:
S311:通过如下公式分别对待测水体的归一化光谱和场景特征库中的线性特征光谱进行变换得到对应的变换结果Wa和Wb:
W={Wi};
S312:计算Wa和Wb在所有波长点上Wi相同的次数J和不同的次数K;
S313:根据公式C=J/(J+K)计算待测水体与各个场景条件的匹配度C;
S314:当匹配度C达到匹配度极大值Cmax时,将匹配度极大值Cmax对应的场景条件作为待测水体的所属场景条件。
具体实施过程中,结合图6所示,通过如下步骤建立COD解算模型库:
S401:获取各个场景条件下的光谱训练集,并对光谱训练集中的各个训练光谱进行浊度校正和归一化处理,得到各个场景条件对应的归一化光谱。
S402:通过化学法标记各个归一化光谱对应的COD浓度,并根据属于同一场景条件的各个归一化光谱计算对应场景条件的光谱COD解算模型。具体的,通过偏最小二乘法计算场景条件的光谱COD解算模型。
S403:根据各个场景条件及其对应的光谱COD解算模型建立COD解算模型库。
本发明中,通过上述各个步骤建立场景特征库和COD解算模型,并实现待测水体所属场景条件的匹配和所属场景条件对应光谱COD解算模型的获取,即能够在任意的水体测量场景条件下获取最优的光谱COD解算模型,从而能够保证COD浓度的检测效果、并提升光谱法检测COD浓度的场景兼容性。
具体实施过程中,若匹配度极大值Cmax小于设置的匹配异常阈值,则表示待测水体来至于未知的场景条件,或者待测水体的所属场景条件污染物组成已经发生改变。具体的,匹配异常阈值为0.7。当匹配度极大值Cmax小于设置的匹配异常阈值时,根据待测水体对应的场景条件及其归一化光谱修正场景特征库中的对应场景条件和/或线性特征光谱。
本发明中,当待测水体来至于未知的场景条件或者待测水体的所属场景条件污染物组成已经发生改变时,能够根据待测水体对应的场景条件及其归一化光谱修正场景特征库中的对应场景条件和/或线性特征光谱,即能够不断的对场景特征库进行优化和完善,从而能够进一步提升光谱法检测COD浓度的场景兼容性。
为了进一步说明本发明水体COD检测方法的优势,本实施例还进行了如下的多场景条件光谱匹配实验和多场景条件COD解算实验。
一、实验准备
本实施例利用如图7所示的光谱测量系统获取水样本光谱。其中,光谱仪选用海洋光学Maya2000Pro,探测范围为200~1100nm;光源为海洋光学DH2000氘卤灯;样本池长度为10mm。本实施例中收集了四种不同场景的工业废水(德阳化工厂、利尔化工厂、某市化工九厂、某硫酸钾工厂)、四种不同场景的生活污水(某污水处理厂进水口水样、某污水处理厂出水口水样、某高校生活污水排水口水样、某高校排水沟污水)及两种不同场景的地表水(某高校观赏湖水样、芙蓉溪水),按顺序编号为场景1~10,共采集光谱167组。同时,所有样本均利用哈希DRB200消解仪及DR2800多参数水质测量仪通过重铬酸钾法获取其准确的COD浓度。
二、多场景条件光谱匹配实验
从每个场景条件随机选取5组样本光谱,共50组光谱组成测试集。其中,第1~5组光谱为场景条件1的测试集,第6~10组光谱为场景条件2的测试集,如此类推。然后,利用剩余光谱数据为10个场景中的前9个场景条件创建线型特征匹配数据库。第10个场景条件作为未知场景条件参与实验,对应测试集的第46~50组光谱。匹配结果如图8和图9所示,根据对Cmax的统计分析可知,前9个场景条件的测试光谱全部匹配成功。而属于场景条件10的5组光谱由于在数据库中未包含其线型特征,被匹配到了错误场景条件中,但由于Cmax明显偏低(低于阈值0.7),从而被算法正确判定为未知场景条件。
作为对比,利用当前的测试集与训练集,选取SVM、BP-ANN、K-近邻(K-NearestNeighbor,K-NN)三种典型机器学习分类方法对前9个场景条件进行匹配测试,其结果如图10、图11、图12和表1所示。
表1四种匹配方法的正确率统计
从表1可知:由于BP-ANN和K-NN算法的建模收敛速率较慢,无法利用当前的小规模训练集构建可靠的匹配模型,虽然增大训练样本数量应能改善匹配精度,但水样本的采集与化学法COD标定需要消耗大量时间,不利于模型库的建立和维护。SVM法与本发明的光谱线型特征场景匹配(SpectralLine CharacteristicScene Matching,SLCSM)法,其模型收敛效果明显好于前两者,更能适应小训练集条件下的多场景条件匹配建模,而本发明SLCSM法的匹配精度相比SVM则更具优势。
三、多场景条件COD解算实验
为每个场景条件预留1组样本光谱,共10组作为测试集。首先将所有剩余样本光谱整体作为训练集,基于PLS算法(偏最小二乘法)建立单一PLS解算模型,并以此模型解算测试集中样本的COD浓度;然后,分别以每个场景条件的剩余样本光谱作为训练集,基于PLS算法构建各个场景条件对应的PLS模型(光谱COD解算模型),并建立COD解算模型库,再将测试集利用SVM法与SLCSM法进行场景匹配,并选中COD解算模型库中所属场景条件的光谱COD解算模型及其解算参数解算COD浓度。所有样本光谱均基于幂函数修正拟合方程进行了直接拟合法浊度校正。解算结果如表2所示。
表2多场景条件COD解算结果
由表2可知:以整体建模方式构建的单一PLS解算模型,在多场景环境下已无法进行可靠的COD浓度的解算。实施本发明的多场景条件优化建模后,解算则误差大幅下降。其中,本发明SLCSM-PLS法的解算误差能够降至3.15%以下;而SVM-PLS法由于存在匹配错误,部分场景条件的解算误差仍然较大。从计算时间来看,整体建模解算法因为不包含场景匹配过程,速度最快;SLCSM法由于在场景匹配中增加了吸光度归一化环节,速度慢于SVM法,但仍能够满足实时测量需求。
将上述实验中直接拟合法浊度校正采用的幂函数修正拟合方程替换为二次多项式与指数函数,观察其对SLCSM-PLS法COD浓度解算的影响,结果如图13和表3所示。
表3三种拟合函数对SLCSM-PLS法COD浓度解算误差率的影响统计
从表3可知:基于幂函数修正拟合方程浊度校正后的COD浓度解算精度明显高于另外两种拟合函数。而且,由于场景条件匹配算法对浊度校正精度较为依赖,指数函数与二次多项式浊度校正分别在场景条件5和场景条件2、5引起了场景匹配错误,使COD浓度解算出现了较大偏差。因此,本发明采用的幂函数修正拟合方程实现直接拟合法浊度校正的效果最好。
最后需要说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管通过参照本发明的优选实施例已经对本发明进行了描述,但本领域的普通技术人员应当理解,可以在形式上和细节上对其作出各种各样的改变,而不偏离所附权利要求书所限定的本发明的精神和范围。同时,实施例中公知的具体结构及特性等常识在此未作过多描述。最后,本发明要求的保护范围应当以其权利要求的内容为准,说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (5)
1.一种适用于多场景条件的水体COD检测方法,其特征在于,包括以下步骤:
S1:获取待测水体的吸收光谱;
S2:对待测水体的吸收光谱进行浊度校正和归一化处理,得到对应的归一化光谱;
通过直接拟合法结合幂函数修正拟合方程实现吸收光谱的浊度校正;
通过如下公式表示幂函数修正拟合方程:
Turb(λ)=A(λB+C);式中:Turb表示散射消光度;λ表示波长;λB表示小颗粒物消光谱近似满足幂函数;A表示颗粒浓度系数;B表示小颗粒物粒径分布系数;C表示大颗粒物补偿系数;
通过如下公式实现吸收光谱的归一化处理:
S3:根据待测水体的归一化光谱在建立的场景特征库中匹配对应的所属场景条件;
通过如下步骤建立场景特征库:
S301:获取各个场景条件下的光谱训练集,并对光谱训练集中的各个训练光谱进行浊度校正和归一化处理,得到各个场景条件对应的归一化光谱;
S302:将属于同一场景条件的各个归一化光谱的平均值作为对应场景条件的线性特征光谱;
S303:根据各个场景条件及其对应的线性特征光谱建立场景特征库;
通过如下步骤在场景特征库中匹配对应的所属场景条件:
S311:通过如下公式分别对待测水体的归一化光谱和场景特征库中的线性特征光谱进行变换得到对应的变换结果Wa和Wb:
W={Wi};
S312:计算Wa和Wb在所有波长点上Wi相同的次数J和不同的次数K;
S313:根据公式C=J/(J+K)计算待测水体与各个场景条件的匹配度C;
S314:当匹配度C达到匹配度极大值Cmax时,将匹配度极大值Cmax对应的场景条件作为待测水体的所属场景条件;
S4:根据待测水体的所属场景条件在建立的COD解算模型库中获取对应的光谱COD解算模型作为最优解算模型,并根据最优解算模型计算待测水体的COD浓度。
2.如权利要求1所述的适用于多场景条件的水体COD检测方法,其特征在于:步骤S314中,若匹配度极大值Cmax小于设置的匹配异常阈值,则表示待测水体来至于未知的场景条件,或者待测水体的所属场景条件污染物组成已经发生改变。
3.如权利要求2所述的适用于多场景条件的水体COD检测方法,其特征在于:当匹配度极大值Cmax小于设置的匹配异常阈值时,根据待测水体对应的场景条件及其归一化光谱修正场景特征库中的对应场景条件和/或线性特征光谱。
4.如权利要求1所述的适用于多场景条件的水体COD检测方法,其特征在于:步骤S4中,通过如下步骤建立COD解算模型库:
S401:获取各个场景条件下的光谱训练集,并对光谱训练集中的各个训练光谱进行浊度校正和归一化处理,得到各个场景条件对应的归一化光谱;
S402:通过化学法标记各个归一化光谱对应的COD浓度,并根据属于同一场景条件的各个归一化光谱计算对应场景条件的光谱COD解算模型;
S403:根据各个场景条件及其对应的光谱COD解算模型建立COD解算模型库。
5.如权利要求4所述的适用于多场景条件的水体COD检测方法,其特征在于:步骤S402中,通过偏最小二乘法计算场景条件的光谱COD解算模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110553611.9A CN113283072B (zh) | 2021-05-20 | 2021-05-20 | 一种适用于多场景条件的水体cod检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110553611.9A CN113283072B (zh) | 2021-05-20 | 2021-05-20 | 一种适用于多场景条件的水体cod检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113283072A CN113283072A (zh) | 2021-08-20 |
CN113283072B true CN113283072B (zh) | 2023-04-25 |
Family
ID=77280464
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110553611.9A Active CN113283072B (zh) | 2021-05-20 | 2021-05-20 | 一种适用于多场景条件的水体cod检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113283072B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN116297280B (zh) * | 2023-05-22 | 2023-08-01 | 成都博瑞科传科技有限公司 | 基于阵列光谱的水中有机物的uvcod系数检测方法及传感器 |
CN117890544A (zh) * | 2023-12-21 | 2024-04-16 | 中电建生态环境设计研究有限公司 | 基于固体颗粒cod的在线监测补偿方法、装置和应用方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105424634A (zh) * | 2015-10-29 | 2016-03-23 | 中国计量学院 | 一种基于光纤耦合紫外光源的水质cod检测器及其预测模型优化系统 |
CN110823820A (zh) * | 2019-10-17 | 2020-02-21 | 浙江工业大学 | 用于cod测量中的浊度干扰消除方法 |
CN112326565A (zh) * | 2020-10-27 | 2021-02-05 | 重庆理工大学 | 紫外-可见光谱法检测水质cod时浊度影响的校正方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103983595B (zh) * | 2014-05-27 | 2016-08-24 | 重庆大学 | 一种基于紫外-可见光谱处理的水质浊度解算方法 |
CN105352898B (zh) * | 2015-10-14 | 2018-01-23 | 浙江大学 | 一种基于光谱法cod检测的浊度补偿方法 |
CN105445211B (zh) * | 2015-11-13 | 2018-01-23 | 浙江大学 | 一种基于紫外吸收光谱法的水质趋势预测方法 |
CN111198165A (zh) * | 2020-01-14 | 2020-05-26 | 重庆理工大学 | 一种基于光谱数据标准化进行水质参数的测定方法 |
-
2021
- 2021-05-20 CN CN202110553611.9A patent/CN113283072B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105424634A (zh) * | 2015-10-29 | 2016-03-23 | 中国计量学院 | 一种基于光纤耦合紫外光源的水质cod检测器及其预测模型优化系统 |
CN110823820A (zh) * | 2019-10-17 | 2020-02-21 | 浙江工业大学 | 用于cod测量中的浊度干扰消除方法 |
CN112326565A (zh) * | 2020-10-27 | 2021-02-05 | 重庆理工大学 | 紫外-可见光谱法检测水质cod时浊度影响的校正方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113283072A (zh) | 2021-08-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113283072B (zh) | 一种适用于多场景条件的水体cod检测方法 | |
Hu et al. | Novel method of turbidity compensation for chemical oxygen demand measurements by using UV–vis spectrometry | |
Zhu et al. | New insights into the variation of dissolved organic matter components in different latitudinal lakes of northeast China | |
CN109799203B (zh) | 一种水体中cod浓度的宽量程高精度光谱检测方法 | |
CN109470667A (zh) | 一种结合水质参数和三维荧光光谱进行污染物溯源的方法 | |
CN113049512B (zh) | 基于全波长紫外可见吸收光谱的水质在线监测方法 | |
Almomani et al. | Monitoring and measurement of microalgae using the first derivative of absorbance and comparison with chlorophyll extraction method | |
CN108152283A (zh) | 一种使用摄像头测定水中六价铬、铜含量的装置及其检测方法 | |
CN103175805B (zh) | 一种近红外光谱测定污水中cod和bod5指标的方法 | |
CN109374559B (zh) | 一种基于紫外吸收光谱的水体cod值测定方法 | |
CN112098348B (zh) | 应用于高浊度水体在线监测的总磷浊度补偿方法 | |
CN112414957A (zh) | 海洋测试系统、方法和装置 | |
CN110736723B (zh) | 一种在线式同时检测低浊和高浊的方法与系统 | |
JP2008145297A (ja) | 海水中の硝酸イオン及び亜硝酸イオンの濃度測定方法、測定システム、測定プログラム及びその記録媒体 | |
Kim et al. | Determination of organic compounds in water using ultraviolet LED | |
CN114894725A (zh) | 一种水质多参数的光谱数据Stacking融合模型及水质多参数测量方法 | |
Jing et al. | Fluorescence analysis for water characterization: measurement processes, influencing factors, and data analysis | |
CN108956511B (zh) | 适用于生活污水氨氮在线检测的设备及方法 | |
CN112630180A (zh) | 水体中有机磷农药浓度检测的紫外/可见光吸收光谱模型 | |
CN116818693A (zh) | 基于紫外-可见光谱和三维荧光光谱融合的二次供水水质在线监测方法 | |
CN110687047A (zh) | 一种用于cod测量的多光源装置及检测方法 | |
CN114166769B (zh) | 一种紫外-可见光谱水质多参数监测系统 | |
CN108303388A (zh) | 一种原位定量表征复杂有机物和金属离子络合过程的方法 | |
CN109883982B (zh) | 一种水体总磷含量的快速检测方法 | |
CN112949038A (zh) | 一种计算海洋水体不同浮游植物种群比吸收系数的方法 |
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 |