发展统计回归和人工神经网络模型,以估计,,COD和悬浮固体度,使用UV-Vis光谱测量,在缩的河流中

科学领域:

• 环境科学 环境科学
• 分析化学 分析化学
• 频谱学是一种光谱学.

背景情况:

• 河流水质量监测对于环境管理和政策制定至关重要.
• 在现场UV-Vis光谱学为实时水质评估提供了潜力,但在复杂条件的模型开发方面面临挑战.
• 需要可靠的方法来将光谱数据与特定的水质参数联系起来,特别是在高性河流中.

研究的目的:

• 开发和验证一个可靠的框架,用UV-Vis光谱测量估计多个河水质量参数.
• 建立可靠的转换模型,将吸收光谱与酸 (NO3-N),总 (TN),化学氧气需求 (COD),总 (TP) 和悬浮固体 (SS) 联系起来.
• 通过整合桌面和现场UV-Vis光谱仪来克服现场测量的挑战,用于模型校准.

主要方法:

• 开发了一个整合桌面和现场UV-Vis光谱仪的框架.
• 利用桌面光谱仪数据创建用于估计NO3-N,TN,COD,TP和SS的模型.
• 使用部分最小平方回归 (PLSR),主要组件回归 (PCR) 和人工神经网络 (ANN) 进行模型开发和验证.
• 使用现场光谱仪数据验证的模型.

主要成果:

• 为NO3-N (PLSR),COD (PCR),TN (ANN),TP (PLSR/PCR) 和SS (PLSR/PCR) 开发了准确的估计模型.
• 确定系数 (R2) 超过0.6,正常化根平均平方误差 (NRMSEs) 大多在0.4范围内,表明模型的准确性很高.
• 综合方法在同时监测多个水质参数方面表现出高效率.
• 该方法可以避免在模型设置期间进行耗时和不确定的现场测量.

结论:

• 开发的框架提供了一种有效和可靠的方法,用于同时监测关键的河水质量参数.
• 这种方法增强了实时水质评估和知情环境政策的潜力.
• 该研究成功地解决了在动态河流环境中将光谱数据与水质参数联系起来所面临的挑战.