10.3964/j.issn.1000-0593(2020)04-1082-05
可见-近红外光谱的潮间带沉积物有机碳含量的几种模型预测方法
可见-近红外光谱已被证明是一种快速、有效的有机碳(TOC)含量预测方法.但是,当前利用光谱预测T OC含量的研究对象主要为土壤或湖泊沉积物,还未见潮间带海洋沉积物的研究报道.为了快速准确预测潮间带沉积物T OC含量,通过异常样本剔除、光谱特征变换、特征波长提取相结合,构建T OC预测模型,即,采集潮间带沉积物样品光谱,采用马氏距离、标准杠杆值和学生残差联合分析的方法剔除异常样本,利用多元散射校正(MSC)、平滑+微分进行光谱变换,利用遗传算法(GA)提取特征波长,采用偏最小二乘法(PLS)、最小二乘支持向量机(LSSVM)和BP神经网络(BPNN)对沉积物TOC含量进行建模和预测,通过决定系数(R2)和剩余估计偏差(PRD)来评价模型精度.结果表明,剔除异常样本有助于提升模型精度,BPNN模型的检验R2和PRD分别提升了28% 和39%.MSC光谱变换效果优于平滑+微分,基于MSC光谱变换的PLS,LSSVM和BPNN模型检验R2分别为0.81,0.86和0.78,PRD分别为2.25,2.59和2.07,比平滑+微分提升了9% ~20%(R2)和11% ~22%(PRD),意味着MSC具有较强的TOC信息提取能力.GA不利于增加预测模型精度,基于GA特征波长的模型预测R2降低了9% ~36%,PRD降低了18% ~33%,可能与GA提取的特征波长数量偏少有关.BPNN模型的预测精度最低,可能与其容易陷入局部极小点有关.PLS模型精度较高,可以很好的预测潮间带沉积物TOC含量.基于异常样本剔除和MSC光谱变换,PLS模型的建模R2为0.98,检验R2为0.81,RPD为2.25.LSSVM模型精度更优于PLS,LSSVM模型建模R2为0.99,检验R2和RPD分别为0.86和2.59,显示极好的T OC定量预测能力.总之,针对潮间带沉积物TOC含量预测,可以将剔除异常样本、MSC光谱变换、LSSVM建模结合起来,以获得可靠、稳定的预测模型.
潮间带沉积物、可见-近红外光谱、预测模型、有机碳含量
40
O657.3(分析化学)
国家重点研发计划项目;山东省自然科学基金项目
2020-05-11(万方平台首次上网日期,不代表论文的发表时间)
共5页
1082-1086