CN116202975A - 一种水体参数预测方法、存储介质及终端设备 - Google Patents
一种水体参数预测方法、存储介质及终端设备 Download PDFInfo
- Publication number
- CN116202975A CN116202975A CN202211615920.5A CN202211615920A CN116202975A CN 116202975 A CN116202975 A CN 116202975A CN 202211615920 A CN202211615920 A CN 202211615920A CN 116202975 A CN116202975 A CN 116202975A
- Authority
- CN
- China
- Prior art keywords
- turbidity
- water
- parameter
- measured
- absorption spectrum
- 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.)
- Pending
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000000862 absorption spectrum Methods 0.000 claims abstract description 87
- 239000000523 sample Substances 0.000 claims description 55
- 239000011259 mixed solution Substances 0.000 claims description 45
- 238000001228 spectrum Methods 0.000 claims description 39
- 239000012086 standard solution Substances 0.000 claims description 19
- 230000003595 spectral effect Effects 0.000 claims description 11
- 238000002835 absorbance Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012417 linear regression Methods 0.000 claims description 10
- 238000000611 regression analysis Methods 0.000 claims description 5
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 239000012488 sample solution Substances 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 6
- 230000007547 defect Effects 0.000 abstract description 2
- MMDJDBSEMBIJBB-UHFFFAOYSA-N [O-][N+]([O-])=O.[O-][N+]([O-])=O.[O-][N+]([O-])=O.[NH6+3] Chemical compound [O-][N+]([O-])=O.[O-][N+]([O-])=O.[O-][N+]([O-])=O.[NH6+3] MMDJDBSEMBIJBB-UHFFFAOYSA-N 0.000 description 48
- 229910002651 NO3 Inorganic materials 0.000 description 11
- NHNBFGGVMKEFGY-UHFFFAOYSA-N nitrate group Chemical group [N+](=O)([O-])[O-] NHNBFGGVMKEFGY-UHFFFAOYSA-N 0.000 description 11
- 239000000203 mixture Substances 0.000 description 10
- 238000004847 absorption spectroscopy Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 3
- OAKJQQAXSVQMHS-UHFFFAOYSA-N Hydrazine Chemical compound NN OAKJQQAXSVQMHS-UHFFFAOYSA-N 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000031700 light absorption Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 229910021642 ultra pure water Inorganic materials 0.000 description 2
- 239000012498 ultrapure water Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000008239 natural water Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000000870 ultraviolet spectroscopy Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- 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
- 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
- G01N21/47—Scattering, i.e. diffuse reflection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Pathology (AREA)
- Immunology (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及水质检测方法，具体涉及一种水体参数预测方法、存储介质及终端设备，为解决现有技术中存在的浊度补偿时单波长补偿的建模精度不高，且由于浊度对水体待测参数在不同波长处的吸收光谱影响不同使其不能从根本上去除浊度对水体参数预测的干扰的不足之处。本发明一种水体参数预测方法包括了预测待测水体样本浊度、计算浊度补偿后待测水体的吸收光谱数据以及预测待测参数浓度；其中应用到了浊度预测模型、浊度补偿模型以及待测参数预测模型；同时本发明还提供了一种计算机可读存储介质及一种终端设备，均可用于实现上述的一种水体参数预测方法。
Description
技术领域
本发明涉及水质检测方法，具体涉及一种水体参数预测方法、存储介质及终端设备。
背景技术
水质参数检测常用到紫外吸收光谱法或紫外可见吸收光谱法，紫外吸收光谱法或紫外可见吸收光谱法的水质分析技术基于Lambert-Beer定律，通过对水质参数建立模型后便可对未知浓度直接进行预测。由于其测量程序简单、检测快速方便、不产生二次污染等优点，已被越来越多的用于水体硝酸盐氮含量及其它参数的测量，硝酸盐氮、COD等是常见的水体化学污染物之一，是水质监测的重要指标。但自然水体中往往存在悬浮颗粒物，直接测量时会发生吸收和散射造成光谱的非线性偏移，严重影响待测参数的检测精度。
目前常用的浊度补偿方法是单波长补偿，从硝酸盐或其他待测参数的吸收峰位置的吸光度减去待测参数对应的浊度补偿波长处的吸光度来消除浊度影响，硝酸盐采用350nm处的吸光度进行浊度补偿，COD采用546nm处的吸光度进行浊度补偿。但这种方法只适用于建立单波长待测参数预测模型，建模精度不高，且由于浊度对不同波长处待测参数的吸收光谱的影响不同，这种方法只能在一定程度上减弱并不能从根本上去除浊度干扰。
发明内容
本发明的目的是解决现有技术中存在的浊度补偿时单波长补偿的建模精度不高，且由于浊度对水体待测参数在不同波长处的吸收光谱影响不同使其不能从根本上去除浊度对水体参数预测干扰的不足之处，而提供一种水体参数预测方法、存储介质及终端设备。
为实现上述目的，本发明提供的技术解决方案如下：
一种水体参数预测方法，其特殊之处在于，包括以下步骤：
S1.预测待测水体样本浊度
S1.1.计算待测水体的原始吸收光谱数据对应的光谱面积；
S1.2.利用光谱面积根据浊度预测模型预测待测水体样本的浊度值；
所述浊度预测模型依据混合溶液样本吸收光谱的面积与其对应的浊度值建立；所述混合溶液为包括待测参数、浊度的混合溶液；所述原始吸收光谱和混合溶液样本的吸收光谱均为连续波段的吸收光谱；
S2.计算浊度补偿后待测水体的吸收光谱数据
S2.1.将S1.2中获得的浊度值代入浊度补偿模型中，计算得到相应的浊度补偿曲线；
所述浊度补偿模型依据所述混合溶液样本的差示光谱数据与对应的浊度建立；
S2.2.根据待测水体的原始吸收光谱数据和S2.1所得浊度补偿曲线计算得到经浊度补偿后的待测水体吸收光谱数据；
S3.预测待测参数浓度
将所述经浊度补偿后的待测水体吸收光谱数据代入待测参数预测模型中，得到相应的待测参数浓度，完成水体参数预测；所述待测参数预测模型依据待测参数标准样品的吸收光谱数据与其对应的浓度建立，所述待测参数标准样品的吸收光谱为连续波段的吸收光谱。
进一步地，所述差示光谱数据为混合溶液样本吸收光谱数据减去对应浓度的待测参数标准溶液的吸收光谱数据；差示光谱数据体现了浊度对待测参数的吸收光谱的影响。
进一步地，S2.1中，所述浊度补偿模型的建立方法为：
a.在所述混合溶液样本吸收光谱数据中减去对应浓度的待测参数标准溶液的吸收光谱数据，得到所述差示光谱数据；
b.利用所述差示光谱数据与对应混合溶液样本的浊度建立不同波长处两者的线性回归模型，作为浊度补偿模型。
进一步地，S1中，所述浊度预测模型基于一元线性回归模型建立，浊度预测模型的建模区间的吸光度由浊度贡献；
S3中，所述待测参数预测模型利用偏最小二乘法进行回归分析得到。
进一步地，S3中，所述待测参数预测模型的建模区间为最优建模区间，最优建模区间的确定步骤为：
a.选择同一浊度对任意浓度待测参数影响为恒定值的波段为第一波段范围；在本发明中，具体通过对同一浊度对应的不同梯度浓度待测参数标准溶液的吸收光谱数据进行对比后获得；
b.在第一波段范围内，将梯度浓度的待测参数标准样品溶液的吸收光谱数据与其对应的浓度代入波长选择算法，选出最优建模区间。
进一步地，所述波长选择算法为间隔偏最小二乘法、移动窗口偏最小二乘法、连续投影法或无信息变量消除法。
进一步地，S1.2、S3中，所述连续波段位于200nm-700nm的波段内；采用紫外吸收光谱法时，连续波段位于200-400nm之间，采用可见光吸收光谱法时连续波段位于400-700nm之间。
同时，还提供一种计算机可读存储介质，其上存储有计算机程序，其特殊之处在于：该程序被处理器执行时实现上述水体参数预测方法的步骤。
同时，还提供一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特殊之处在于：所述处理器执行所述计算机程序时实现上述水体参数预测方法的步骤。
与现有技术相比，本发明具有以下有益效果：
1.本发明在水体参数浓度预测的过程中加入了浊度补偿模型，用于校正由于浊度引起的水体参数的吸收光谱的偏差，提高水体参数浓度预测的准确度，且浊度补偿模型的建模区间为连续的波段，提高了建模精度，进而提高了最终水体参数预测的准确度，有效避免了浊度对水体参数预测带来的影响；同时建立了浊度预测模型，在进行水体参数预测的同时获得相应的水体浊度。
2.本发明中浊度预测模型的建模区间吸光度主要由浊度贡献，避免了水体其他参数对浊度的影响，浊度预测模型同样基于连续波段的吸收光谱获得。
3.本发明基于差示光谱与对应浊度的线性特征建立浊度补偿模型，进行浊度补偿时将浊度代入浊度补偿模型计算出浊度补偿曲线，从连续的原始光谱中利用浊度补偿曲线减去浊度影响部分，从而在待测水体的原始光谱上消除浊度影响。
4.本发明的水体参数预测模型根据浊度对水体参数的影响特性选择出第一波段范围，并通过波长选择算法选择出最优建模区间，用于建立待测参数预测模型，有效提高建模准确性。
5.本发明还提供了能够执行上述方法步骤的计算机可读存储介质和终端设备，能够将本发明的方法推广应用，在相应的硬件设备上实现水体参数预测。
附图说明
图1是本发明实施例中硝酸盐氮浓度预测的方法流程图；
图2是本发明实施例中浊度预测模型的示意图；
图3是本发明实施例中混合溶液的差示光谱图；
图4是本发明实施例中硝酸盐氮预测模型的示意图；
图5是本发明实施例中浊度补偿前后对硝酸盐氮浓度进行预测的结果对比图。
具体实施方式
以下结合具体实施例和附图对本发明的内容作进一步的详细描述。
本发明一种水体参数预测方法主要应用于利用紫外或可见光吸收光谱对水体相关参数浓度进行预测，具体包括以下步骤：
S1.建立浊度预测模型
计算多组混合溶液样本吸收光谱数据对应的光谱面积，利用多组光谱面积与对应混合溶液的浊度值建立基于一元线性回归的浊度预测模型。
混合溶液样本为包括待测参数、浊度的混合溶液，多组混合溶液中的浊度具有一定的浓度梯度，同一浊度对应至少两个梯度的待测参数浓度；
浊度预测模型的建模区间中混合溶液的吸光度主要由浊度贡献；
同一浊度对应有多个混合溶液样本时，多个混合溶液样本吸收光谱的平均值作为该浊度对应的吸收光谱；
S2.建立浊度补偿模型
S2.1.计算差示光谱数据
在S1.1中的混合溶液样本吸收光谱数据中减去对应浓度的待测参数标准溶液的吸收光谱数据，得到差示光谱数据。
S2.2.建立浊度补偿模型
利用S2.1的差示光谱数据与对应混合溶液样本的浊度建立不同波长处两者的线性回归模型，即为浊度补偿模型，并计算不同波长下的回归参数。
S3.确定水体参数的最优建模区间
根据浊度对待测参数的影响特性确定第一波段范围，即选择同一浊度对不同梯度浓度待测参数吸收光谱的影响为恒定值的波段为第一波段范围；在第一波段范围内，将梯度浓度的待测参数标准样品溶液的吸收光谱数据与其对应的浓度代入波长选择算法，选出最优建模区间。其中，波长选择算法可以采用间隔偏最小二乘法、移动窗口偏最小二乘法、连续投影法、无信息变量消除法等方法。
最优建模区间既是建立待测参数预测模型的光谱区间，也是进行浊度补偿的光谱区间，浊度补偿模型的建模区间需覆盖最优建模区间。在本发明的其它实施例中，也可以先进行S3，再进行S2。
S4.建立待测参数预测模型
根据最优建模区间内具有梯度浓度的待测参数标准样品的光谱数据与其对应的待测参数浓度利用偏最小二乘法进行回归分析，计算得出待测参数预测模型。
S5.对待测水体样本的待测参数进行预测
S5.1.预测待测水体样本浊度
计算待测水体的原始吸收光谱数据对应的光谱面积，将光谱面积代入S1中的浊度预测模型预测相应的待测水体样本的浊度值；
S5.2.计算浊度补偿后待测水体样本的吸收光谱数据
将S5.1的浊度值代入S2.2的浊度补偿模型中，计算得到相应浊度补偿曲线；根据待测水体样本的原始吸收光谱数据和浊度补偿曲线计算得到经浊度补偿后的待测水体样本吸收光谱数据；
S5.3.将经浊度补偿后的待测水体样本吸收光谱数据代入S4的待测参数预测模型中，得到待测参数浓度，完成水体参数预测。
本发明的预测方法可在计算机可读存储介质中应用，计算机可读存储介质存储有计算机程序，上述预测方法可作为计算机程序存储于计算机可读存储介质中，计算机程序被处理器执行时实现上述预测方法的各步骤。
另外，本发明的预测方法还可以应用于终端设备，终端设备包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，处理器执行所述计算机程序时实现本发明预测方法的步骤。此处的终端设备可以是计算机、笔记本、掌上电脑，及各种云端服务器等计算设备，处理器可以是通用处理器、数字信号处理器、专用集成电路或其他可编程逻辑器件等。
本实施例结合紫外吸收光谱检测水体硝酸盐氮的方法，方法流程如图1所示，具体包括以下步骤：
S1.建立浊度预测模型
S1.1.采集混合溶液样本吸收光谱数据
依次采集多组混合溶液样本吸收光谱数据，对应混合溶液样本的硝酸盐氮浓度Cmix(n)及其浊度Tmix。混合溶液样本配制方法为：利用硝酸盐氮标准溶液、福尔马肼标准溶液、超纯水混合配制不同浓度组合的混合溶液样本。
S1.2.建立模型
根据S1.1.中采集的吸收光谱数据Amixture计算其对应光谱面积Smixture，利用光谱面积Smixture与对应的浊度值Tmix建立基于一元线性回归的浊度预测模型，如下所示：
Tmix＝β1·Smixture+β0
其中，β0，β1为回归系数。
本实施例中，利用硝酸盐氮标准溶液、福尔马肼标准溶液以及超纯水混合得到混合溶液样本15组，混合溶液样本包含的浊度分别为10，20，30，40，50NTU，每个浊度对应三个梯度的硝酸盐氮浓度，分别为0.2，2，4mg/L，利用紫外-可见分光光度计获得各混合溶液样本在200-400nm波长区间的吸收光谱，其中，由于硝酸盐氮在250nm后吸光度基本为0，250-400nm间混合溶液样本吸收光谱几乎全部由浊度贡献，因此本实施例选择250-400nm间混合溶液样本的吸收光谱数据。同一浊度对应有三个不同硝酸盐氮浓度的混合溶液样本，计算其吸收光谱的平均值作为该浊度的吸收光谱，计算其对应光谱面积，用同样方法分别得到5个不同浊度的对应光谱面积。利用不同浊度及其对应光谱面积建立基于一元线性回归的浊度预测模型，如图2所示，回归方程为y＝60.51x-2.708，决定系数为0.9989。
S2.建立浊度补偿模型
S2.1.计算差示光谱数据
在S1.1中的混合溶液样本吸收光谱数据Amixture中减去对应浓度的硝酸盐氮标准溶液的吸收光谱数据Anitrate，得到差示光谱数据Aref，如下所示：
其中，n为混合溶液样本的个数，λ为波长数。所述差示光谱体现了浊度对硝酸盐氮吸收光谱的影响。
S2.2.建立浊度补偿模型
利用S2.1的差示光谱数据Aref与对应混合溶液样本的浊度Tmix建立不同波长处两者的线性回归模型即为浊度补偿模型，计算不同波长处两者的回归参数ai(i＝1,2,…,λ)和bi(i＝1,2,…,λ)，浊度补偿模型如下式所示。
S3.确定最优建模区间
根据浊度对硝酸盐氮吸收光谱的影响特性，选择同一浊度对任意浓度硝酸盐氮的吸收光谱影响为恒定值的波段范围为第一波段范围，将第一波段范围的硝酸盐氮吸收光谱数据与其对应的硝酸盐氮浓度数据代入波长选择算法，选出最优建模区间[λm,λn]。
本实施例中，波长在230-400nm之间时，测得的同一浊度对任意浓度硝酸盐氮的光谱数据的影响均为固定的，如图3所示，在230nm后，同一浊度不同梯度浓度硝酸盐氮浓度对应的差示光谱吸光度曲线在230nm之后重合，而在200-230nm之间，同一浊度不同梯度浓度硝酸盐氮浓度对应的差示光谱均不相同，表示在200-230nm之间同一浊度对不同浓度的硝酸盐氮标准溶液的吸收光谱产生的影响不同，难以建立适应任意硝酸盐浓度的补偿模型，因此，在230-400nm的波段选择最优建模区间，根据波长选择算法选出的最优建模区间为230-240nm，在该波段范围内建立硝酸盐氮浓度预测模型。
本实施例中，从S1中的15组混合溶液样本的吸收光谱数据中减去对应的硝酸盐氮浓度的吸收光谱数据，获得不同浊度的差示光谱数据，利用差示光谱与对应浊度建立不同波长处的浊度补偿模型，其中，在230-240nm区间的回归系数如表1所示；本实施例中光谱间隔采用0.5nm，在本发明的其它实施例中光谱间隔＜1nm均可。
S4.建立硝酸盐氮浓度预测模型
选取梯度浓度的硝酸盐氮标准溶液样本吸收光谱数据Anitrate中最优建模区间[λm,λn]内的光谱数据Amn，对该光谱数据Amn与对应的硝酸盐浓度数据Cnitrate利用偏最小二乘法进行回归分析，计算得出的回归系数V及预测浓度的反演模型，预测浓度的反演模型即硝酸盐氮浓度预测模型为：
Cnitrate＝Amn·V
本实施例中，硝酸盐氮标准溶液的浓度分别为0.1，0.2，0.5，1.0，1.5，2.0，2.5，3.0，4.0，5.0mg/L，共10组，硝酸盐氮浓度数据为Cnitrate，在200-400nm的波长范围内，不同浓度硝酸盐氮标准溶液对应的吸收光谱数据为Anitrate；选取10组硝酸盐氮标准溶液样本在230-240nm间的光谱数据，根据选取的光谱数据与对应的硝酸盐氮浓度值建立基于偏最小二乘法的硝酸盐氮预测模型，如图3所示，模型决定系数为0.9996，预测均方根误差为0.0462mg/L。本实施例中所述硝酸盐氮标准溶液的浓度包含S1中所述混合溶液样本对应的三个梯度的硝酸盐氮浓度，无需专门配置混合溶液中硝酸盐氮浓度对应的标准溶液，减少需进行吸收光谱数据采集的样本数量；
在本发明的其它实施例中也可以使用其它的多元线性回归分析方法进行回归分析，得到硝酸盐氮浓度预测模型。
S5.检测待测样品中硝酸盐浓度
S5.1.采集待测水体样本在波长200-400nm间的原始吸收光谱数据Ames；
S5.2.预测待测水体样本浊度
根据待测水体样本吸收光谱数据Ames计算对应光谱面积Smes，将光谱面积Smes代入S1.2中建立的浊度预测模型，如下式所示，计算待测水体样本的浊度值Tmes。
Tmes＝β1·Smes+β0
S5.3.计算浊度补偿后待测水体的吸收光谱数据
将待测水体样本的浊度值Tmes代入S2中建立的浊度补偿模型，计算得到待测水体样本的浊度补偿曲线Atur，如下所示：
根据待测水体样本原始吸收光谱数据Ames和浊度补偿曲线Atur通过下式计算经浊度补偿后的吸收光谱数据Acom。
Acom＝Ames-Atur
S5.4.预测待测水体样本的硝酸盐氮浓度
将浊度补偿后待测水体的吸收光谱数据Acom代入S4建立的硝酸盐氮浓度预测模型，计算得到待测水体样本的硝酸盐氮浓度Cmes。
Cmes＝Acom·V
本实施例中，配置5组待测硝酸盐氮、浊度的混合样本作为待测水体样本，经过S5.1至S5.4的流程得到待测混合样本的硝酸盐氮浓度，同时也可以得到对应的浊度值。将待测水体样本使用本方法补偿后得到的硝酸盐氮浓度、未补偿测得的硝酸盐氮浓度和硝酸盐氮浓度的真值进行对比，结果如图4所示，图中代表真值与补偿后的硝酸盐氮浓度的点几乎重合，补偿前，硝酸盐氮浓度计算相对误差为50.33％，预测均方根误差为0.7845mg/L，补偿后相对误差降为1.33％，预测均方根误差为0.0359mg/L。由实验结果可见，结合本发明的浊度补偿方法，可以准确预测含有浊度的硝酸盐氮混合水样，为环境中硝酸盐氮含量的直接检测提供技术参考。
在本发明的其它实施例中，本方法也可以用于预测其他水体参数，包括COD、TOC等可以使用紫外可见吸收光谱进行测量的水体参数，所述浊度预测模型、浊度补偿模型、待测参数预测模型的建模区间根据紫外或可见光吸收光谱的波段范围以及待测参数的吸收光谱特性进行调整，紫外吸收光谱的波段为200-400nm，可见光吸收光谱的波段范围为400-700nm。
Claims (9)
1.一种水体参数预测方法，其特征在于，包括以下步骤：
S1.预测待测水体样本浊度
S1.1.计算待测水体的原始吸收光谱数据对应的光谱面积；
S1.2.利用光谱面积根据浊度预测模型预测待测水体样本的浊度值；
所述浊度预测模型依据混合溶液样本吸收光谱的面积与其对应的浊度值建立；所述混合溶液为包括待测参数、浊度的混合溶液；所述原始吸收光谱和混合溶液样本的吸收光谱均为连续波段的吸收光谱；
S2.计算浊度补偿后待测水体的吸收光谱数据
S2.1.将S1.2中获得的浊度值代入浊度补偿模型中，计算得到相应的浊度补偿曲线；
所述浊度补偿模型依据所述混合溶液样本的差示光谱数据与对应的浊度建立；
S2.2.根据待测水体的原始吸收光谱数据和S2.1所得浊度补偿曲线计算得到经浊度补偿后的待测水体吸收光谱数据；
S3.预测待测参数浓度
将所述经浊度补偿后的待测水体吸收光谱数据代入待测参数预测模型中，得到相应的待测参数浓度，完成水体参数预测；所述待测参数预测模型依据待测参数标准样品的吸收光谱数据与其对应的浓度建立，所述待测参数标准样品的吸收光谱为连续波段的吸收光谱。
2.根据权利要求1所述的一种水体参数预测方法，其特征在于：
所述差示光谱数据为混合溶液样本吸收光谱数据减去对应浓度的待测参数标准溶液的吸收光谱数据。
3.根据权利要求2所述的一种水体参数预测方法，其特征在于：
S2.1中，所述浊度补偿模型的建立方法为：
a.在所述混合溶液样本吸收光谱数据中减去对应浓度的待测参数标准溶液的吸收光谱数据，得到所述差示光谱数据；
b.利用所述差示光谱数据与对应混合溶液样本的浊度建立不同波长处两者的线性回归模型，作为浊度补偿模型。
4.根据权利要求3所述的一种水体参数预测方法，其特征在于：
S1中，所述浊度预测模型基于一元线性回归模型建立，浊度预测模型的建模区间的吸光度由浊度贡献；
S3中，所述待测参数预测模型利用偏最小二乘法进行回归分析得到。
5.根据权利要求1-4任一所述的一种水体参数预测方法，其特征在于：
S3中，所述待测参数预测模型的建模区间为最优建模区间，最优建模区间的确定步骤为：
a.选择同一浊度对任意浓度待测参数影响为恒定值的波段为第一波段范围；
b.在第一波段范围内，将梯度浓度的待测参数标准样品溶液的吸收光谱数据与其对应的浓度代入波长选择算法，选出最优建模区间。
6.根据权利要求5所述的一种水体参数预测方法，其特征在于：
所述波长选择算法为间隔偏最小二乘法、移动窗口偏最小二乘法、连续投影法或无信息变量消除法。
7.根据权利要求6所述的一种水体参数预测方法，其特征在于：
S1.2、S3中，所述连续波段位于200nm-700nm的波段内。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：该程序被处理器执行时实现如权利要求1至7任一所述一种水体参数预测方法的步骤。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于：所述处理器执行所述计算机程序时实现如权利要求1至7任一所述一种水体参数预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211615920.5A CN116202975A (zh) | 2022-12-15 | 2022-12-15 | 一种水体参数预测方法、存储介质及终端设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211615920.5A CN116202975A (zh) | 2022-12-15 | 2022-12-15 | 一种水体参数预测方法、存储介质及终端设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116202975A true CN116202975A (zh) | 2023-06-02 |
Family
ID=86508401
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211615920.5A Pending CN116202975A (zh) | 2022-12-15 | 2022-12-15 | 一种水体参数预测方法、存储介质及终端设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116202975A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116973348A (zh) * | 2023-09-20 | 2023-10-31 | 恒天益科技（深圳）有限公司 | 一种紫外光度法cod在线的水质分析方法及其系统 |
| CN117805046A (zh) * | 2024-02-28 | 2024-04-02 | 三亚海慧海洋科技有限公司 | 基于浊度补偿的化学需氧量检测方法和装置 |
-
2022
- 2022-12-15 CN CN202211615920.5A patent/CN116202975A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116973348A (zh) * | 2023-09-20 | 2023-10-31 | 恒天益科技（深圳）有限公司 | 一种紫外光度法cod在线的水质分析方法及其系统 |
| CN116973348B (zh) * | 2023-09-20 | 2023-12-05 | 恒天益科技（深圳）有限公司 | 一种紫外光度法cod在线的水质分析方法及其系统 |
| CN117805046A (zh) * | 2024-02-28 | 2024-04-02 | 三亚海慧海洋科技有限公司 | 基于浊度补偿的化学需氧量检测方法和装置 |
| CN117805046B (zh) * | 2024-02-28 | 2024-06-04 | 三亚海慧海洋科技有限公司 | 基于浊度补偿的化学需氧量检测方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116202975A (zh) | 一种水体参数预测方法、存储介质及终端设备 | |
| CN105319198B (zh) | 基于拉曼光谱解析技术的汽油苯含量预测方法 | |
| Maleki et al. | Single-step calibration, prediction and real samples data acquisition for artificial neural network using a CCD camera | |
| CN108287141A (zh) | 一种基于光谱法的多组分气体浓度分析方法 | |
| Pan et al. | Near-infrared spectroscopy with waveband selection stability for the determination of COD in sugar refinery wastewater | |
| CN104089911A (zh) | 基于一元线性回归的光谱模型传递方法 | |
| CN108037084A (zh) | 一种适用于光度法原理水质自动分析仪的抗干扰测量方法 | |
| CN110987846B (zh) | 一种基于iPLS-PA算法的硝酸盐浓度预测方法 | |
| CN103175805B (zh) | 一种近红外光谱测定污水中cod和bod5指标的方法 | |
| CN112179871B (zh) | 一种酱类食品中己内酰胺含量无损检测的方法 | |
| CA2469099A1 (en) | Spectroscopic method and apparatus for total hemoglobin measurement | |
| CN106153561A (zh) | 基于波长筛选的紫外可见光谱多金属离子检测方法 | |
| CN106596456A (zh) | 基于可变移动窗口选择溶液近红外光谱谱区的方法 | |
| CN110031413B (zh) | 一种溶液中多金属离子浓度检测方法 | |
| JPS62449B2 (zh) | ||
| CN112014344A (zh) | 一种污水在线监测方法 | |
| CN109959628B (zh) | 一种基于极-光谱融合的锌溶液杂质离子浓度检测方法 | |
| JPH063264A (ja) | 近赤外分析法における検量線の作成方法 | |
| CN107727602B (zh) | 中红外光谱结合向量夹角定量分析三氯蔗糖含量的方法 | |
| JP3671241B2 (ja) | 非線形多変量赤外解析法 | |
| CN112881318B (zh) | 一种检测变压器绝缘纸中甲醇含量的方法 | |
| JPS6118135B2 (zh) | ||
| JP2004279339A (ja) | 濃度測定装置 | |
| CN110646373A (zh) | 一种烟用香精香料糖分含量测定方法 | |
| Thomas et al. | From spectra to qualitative and quantitative results |
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 |