论文部分内容阅读
近年来，我国景观水体面临逐渐加剧的水体富营养化问题，给人类生产、生活以及生态环境可持续发展都造成了巨大压力。为了快速有效地监测景观水体水质情况，本论文以光谱学为理论基础，通过对未经处理的水体测量其紫外-可见-近红外吸光度，分析了水体紫外-可见-近红外吸光度对其叶绿素a含量与浊度的反演能力，设计并开发了相应的检测传感器。
本文首先以实验室配制的7种人工水样作为研究对象，包括:螺旋藻水样(S)、小球藻水样(C)、浊度水样(T)、螺旋藻-小球藻水样(S-C)、螺旋藻-浊度水样(S-T)、小球藻-浊度水样(C-T)以及螺旋藻-小球藻-浊度水样(S-C-T)，采用分光光度计测量各类水样的紫外-可见-近红外吸光度(200-900nm)，并与其叶绿素a含量及浊度进行系统分析。主要研究结果如下:
(1)在所有样本中，水样浊度与吸光度有显著相关性，一元线性回归模型（ULR）即可精确预测各类水样的浊度(Rv2＞0.867)。但在叶绿素a含量的预测中，不管是一元线性回归模型还是支持向量回归机算法(SVR)，预测精度受水样类别影响明显，对纯藻类水样的预测能力较高，但对混合藻类水样的预测能力大大降低。
(2)为提高混合水样中叶绿素a含量的预测精度及模型普适性，本文采用了一元线性回归结合最小二乘支持向量回归机算法(ULR-LSSVR)、模拟退火-最小二乘支持向量回归机-BP神经网络算法(SA-LSSVR-BP)对混合水样叶绿素与浊度进行预测，结果显示叶绿素a模型Rv2均高达0.884，浊度模型Rv2均高达0.867。将这两种算法应用于景观水体中，结果显示SA-LSSVR-BP对叶绿素a和浊度的预测能力比ULR-LSSVR提高了58.8％、85.04％。
(3)另外，基于以上研究，本文还设计了一套主动式光源水质传感器，以期实现低成本、高便捷、实时快速地检测对景观水体叶绿素a含量与浊度，进而有效指导景观水体水质状况。
本文首先以实验室配制的7种人工水样作为研究对象，包括:螺旋藻水样(S)、小球藻水样(C)、浊度水样(T)、螺旋藻-小球藻水样(S-C)、螺旋藻-浊度水样(S-T)、小球藻-浊度水样(C-T)以及螺旋藻-小球藻-浊度水样(S-C-T)，采用分光光度计测量各类水样的紫外-可见-近红外吸光度(200-900nm)，并与其叶绿素a含量及浊度进行系统分析。主要研究结果如下:
(1)在所有样本中，水样浊度与吸光度有显著相关性，一元线性回归模型（ULR）即可精确预测各类水样的浊度(Rv2＞0.867)。但在叶绿素a含量的预测中，不管是一元线性回归模型还是支持向量回归机算法(SVR)，预测精度受水样类别影响明显，对纯藻类水样的预测能力较高，但对混合藻类水样的预测能力大大降低。
(2)为提高混合水样中叶绿素a含量的预测精度及模型普适性，本文采用了一元线性回归结合最小二乘支持向量回归机算法(ULR-LSSVR)、模拟退火-最小二乘支持向量回归机-BP神经网络算法(SA-LSSVR-BP)对混合水样叶绿素与浊度进行预测，结果显示叶绿素a模型Rv2均高达0.884，浊度模型Rv2均高达0.867。将这两种算法应用于景观水体中，结果显示SA-LSSVR-BP对叶绿素a和浊度的预测能力比ULR-LSSVR提高了58.8％、85.04％。
(3)另外，基于以上研究，本文还设计了一套主动式光源水质传感器，以期实现低成本、高便捷、实时快速地检测对景观水体叶绿素a含量与浊度，进而有效指导景观水体水质状况。